نسل جدید کامپیوترها، خودشان را برنامه ریزی می کنند

مربی و کارآفرین، سباستین تران، از ما می خواهد که از هوش مصنوعی برای آزاد کردن بشریت از بند کارهای تکراری و رها کردن خلاقیت مان استفاده کنیم.
تران در یک گفتگوی الهام بخش و آموزنده با سرپرست TED، کریس اندرسون، در مورد پیشرفت یادگیری عمیق؛ دلیل آنکه نباید از هوش مصنوعی بترسیم و از آن فرار کنیم؛ و اینکه چگونه جامعه بهتر خواهد شد، اگر کارهای سخت و کسل کننده بوسیله ماشین ها انجام شوند، بحث می کند.
تران می گوید: «تاکنون تنها یک درصد از چیزهای جالب اختراع شده اند. من معتقدم همه ما به طرز دیوانه کننده ای خلاق هستیم… هوش مصنوعی به ما قدرت می دهد تا خلاقیت را به عمل تبدیل کنیم.»

هوش مصنوعی از ۶۰ سال پیش تا امروز…

بنظر میرسه که عامل اصلی این همه هیجان و البته نگرانی در مورد هوش مصنوعی باشه. یادگیری ماشین چطور کار می‌کنه؟

خوب، هوش مصنوعی و یادگیری ماشین در حدود ۶۰ سال قدمت داره و تا همین اواخر، هرگز اینقدر بزرگ و مهم نبود، و دلیلش اینه که امروز، ما به مقیاسی از محاسبات و مجموعه داده‌ها رسیدیم که لازم بود ماشین‌ها رو هوشمند کنیم.

خوب، ببینیم چطور کار می‌کنه. اگر امروز یک کامپیوتر رو برنامه ریزی کنید، مثل تلفن شما، مهندس‌های نرم افزار رو استخدام می‌کنید تا یک دستورالعمل خیلی خیلی طولانی رو بنویسند. مثلا «اگر آب خیلی داغه، دما رو بیار پایین. اگر خیلی سرده، دما رو ببر بالا».

هوش-مصنوعی-از-۶۰-سال-پیش-تا-امروز
هوش-مصنوعی-از-۶۰-سال-پیش-تا-امروز

امروزه، کامپیوترها می‌توانند قواعد خود را پیدا کنند

دستورها فقط ۱۰ خط نیستند، بلکه میلیون‌ها خط هستند. یک تلفن همراه امروزی ۱۲ میلیون خط برنامه داره. یک مرورگر، پنج میلیون خط برنامه داره. و هر نقصی در این برنامه، می‌تونه باعث بشه کامپیوتر شما از کار بیفته. به همین دلیل هست که یک مهندس نرم افزار پول خیلی زیادی درمیاره.

امروزه، کامپیوترها می‌تونن قواعد خودشون رو پیدا کنند. پس بجای اینکه یک متخصص مرحله به مرحله یک برنامه و کد برای هر احتمالی بنویسه، به کامپیوتر نمونه‌هایی می‌دید و می‌زارید برنامه خودش به قواعدش برسه.

بازی آلفاگو نمونه ای از استنتاج دستورالعمل توسط خود سیستم

یک مثال واقعا خوب، بازی AlphaGo هست، که اخیراً گوگل در آن برنده شد. معمولاً برای برنامه‌نویسی بازی، شما همه برنامه رو می‌نویسید، ولی در مورد آلفاگو، سیستم به بیش از یک میلیون بازی نگاه کرد و تونست دستورالعمل خودش رو استنتاج کنه و سپس قهرمان Go در دنیا رو شکست بده.

این هیجان انگیزه، چون دیگه نیازی نیست مهندس نرم افزار خیلی باهوش باشه، و مسئولیت را بر گردن اطلاعات می‌اندازد. همونطور که گفتم، نقطه عطف یعنی جایی که این امر ممکن شد، خیلی خجالت آوره، پایان نامه من در مورد یادگیری ماشین بود، خیلی به درد نخور بود، اون رو نخونید، چون ۲۰ سال قبل بود و در اون زمان، کامپیوترها به اندازه مغز یک سوسک بودند.

کامپیوتر قادر به پیدا کردن قواعدی هستند که آدم‌ها نمی‌توانند.

الان کامپیوترها اونقدر قدرتمند هستند که بتوانند تفکر یک انسان متخصص را شبیه‌سازی بکنند. و اینکه کامپیوترها این برتری رو دارند که نسبت به آدم‌ها، می‌تونن داده‌های بیشتری رو بررسی کنند. همونطور که گفتم، آلفاگو بیشتر از یک میلیون بازی رو بررسی کرد.

هیچ انسان خبره ای نمی‌تونه یک میلیون بازی رو بررسی کنه. گوگل بیش از صد میلیارد صفحه وب رو بررسی کرده. هرگز هیچ کسی نمی‌تونه صد میلیارد صفحه وب رو مطالعه کنه. بنابراین به عنوان یک نتیجه، کامپیوتر می‌تونه قواعدی رو پیدا کنه که حتی آدم‌ها هم نمی‌تونن.

پس بجای اینکه پیش بینی کنیم «اگر او این را انجام دهد، من آن را انجام خواهم داد» بهتره بگیم: «چیزی شبیه به الگوی برنده شدن هست»، این چیزی شبیه به الگوی برنده شدن هست. : آره، مثلا به این فکر کنید که بچه‌ها رو چطور بزرگ می‌کنید.

تعریف داده های زیاد به کامپیوتر
تعریف داده های زیاد به کامپیوتر

تعریف داده های زیاد به کامپیوتر

شما ۱۸ سال اول رو صرف این نمی‌کنید که به بچه‌ها برای هر احتمالی یک قانون بدید و بعد اون‌ها رو با این برنامه بزرگ رها کنید. اون‌ها تلو تلو میخورن، میافتن، بلند میشن، تنبیه میشن، و یک تجربه مثبت دارن، در مدرسه نمره خوب می‌گیرند، و خودشون اینو میفهمنن.

الان این داره برای کامپیوترها هم اتفاق میافته، که ناگهان، برنامه ریزی کردن کامپیوترها رو خیلی آسون تر می‌کنه. الان دیگه نیازی نیست خیلی فکر کنیم، فقط بهشون داده‌های بسیار زیادی میدیم. بنابراین، این کلیدِ پیشرفت چشمگیر در توانایی ماشین‌های بدون سرنشین بوده.

 

 

رانندگی یک ماشین بدون سرنشین!

فکر کنم تو به من یک نمونه دادی، میشه توضیح بدی اینجا چه اتفاقی داره میافته؟

این رانندگی یک ماشین بدون سرنشین هست که ما در خیابان انجام دادیم، و اخیرا محصولی به اسم وویج Voyage رو از روی اون ساختیم.

ما از چیزی به اسم یادگیری عمیق استفاده کردیم تا به یک ماشین یاد بدیم خودش رو برونه، و این داره در جاده، در یک روز بارانی، با دوچرخه‌ها، عابرین پیاده و ۱۳۳ چراغ راهنمایی.

و چیزی که اینجا جدیده اینه که، مدت‌ها پیش، من تیم ماشین بدون سرنشین گوگل رو راه انداختم. و اون روزها، بهترین مهندس‌های نرم افزار جهان رو استخدام کردم تا بهترین الگوهای جهان رو براش بنویسند، این ماشین الان یاد گرفته.

ما این راه رو ۲۰ بار رفتیم، همه این داده‌ها رو در مغز کامپیوتر گذاشتیم، و بعد از چند ساعت پردازش، رفتاری از خودش نشون داد که خیلی اوقات از مهارت انسان هم پیشی می‌گیره.

در واقع برنامه ریزی کردنش آسون شده. ۱۰۰ درصد خودکار هست، تقریباً ۵۳ کیلومتر در یک ساعت و نیم.

تشخیص-اجسام-و-سرعت-ها
تشخیص-اجسام-و-سرعت-ها

خوب توضیح بده در اون قسمت بزرگ در سمت چپ برنامه، می‌بینید که اساسا کامپیوتر، کامیون‌ها و ماشین‌ها رو به چه صورت میبینه و اون نقطه‌ها که ازش سبقت می‌گیرن و غیره.

در سمت راست، تصویر دوربین رو می‌بینید که در اینجا ورودی اصلی هست، و برای تشخیص خط کشی‌ها، ماشین‌های دیگه و چراغ‌های راهنمایی استفاده میشه. این وسیله، یک رادار داره که فاصله رو تخمین میزنه. این رادار بطور رایج در این نوع سیستم‌ها استفاده میشه.

در سمت چپ، یک نمودار لیزری مشاهده می‌کنید، موانعی مثل درخت‌ها و غیره که بوسیله لیزر ترسیم میشن رو می‌بینید. ولی تقریبا جالب ترین قسمت کار، تمرکز روی تصویر دوربین هست. در واقع ما داریم از حسگرهای دقیق مثل رادارها و لیزرها، میریم به سمت حسگرهای خیلی ارزون و مقرون به صرفه. یک دوربین کمتر از هشت دلار قیمت داره.

و اون نقطه سبز در سمت چپ، اون چیه؟ آیا چیز معناداری هست؟

این یک نقطهٔ نگاه به جلو برای کنترل تطبیقی مسیر شماست، به ما کمک می‌کنه که بفهمیم چطور سرعت رو تنظیم کنیم، بر این اساس که ماشین‌های جلویی چقدر از شما فاصله دارند.

قسمت-یادگیری-واقعی
قسمت-یادگیری-واقعی

مسابقه یادگیری عمیق، مسابقه هوش مصنوعی

همینطور یک نمونه دیگه دادی، فکر کنم در مورد اینکه قسمت یادگیری واقعی، چطور اتفاق میفته. شاید بتونیم اون رو ببینیم. در مورد این صحبت کن.

این مثالی از یک چالش هست که در مقابل دانشجوها قرار دادیم تا بتونن مدرکی که ما اسمش رو گواهی ماشین بدون سرنشین گذاشتیم،

یادگیری-شبکه-عصبی-ماشین
یادگیری-شبکه-عصبی-ماشین

بگیرن. ما به اون‌ها این مجموعه داده‌ها رو دادیم و گفتیم: «هی بچه‌ها، می‌تونید بفهمید چطور باید این ماشین رو هدایت کرد؟»

اگر به تصاویر نگاه کنید، حتی برای انسان هم غیر ممکنه که ماشین رو درست هدایت کنه. و یک مسابقه گذاشتیم و گفتیم، « این یک مسابقه یادگیری عمیق هست، مسابقه هوش مصنوعی». و به دانشجوها ۴۸ ساعت فرصت دادیم.

خوب اگر شما یک شرکت نرم افزاری مثل گوگل یا فیسبوک باشید، انجام دادن کاری مثل این، برای شما حداقل شش ماه وقت میبره، بنابراین ما فکر کردیم ۴۸ ساعت خیلی خوبه. و در مدت ۴۸ ساعت، تقریبا ۱۰۰ جواب از دانشجوها دریافت کردیم.

که چهارتای اولی کاملا درست انجامش دادند، و در این تصاویر، می‌تونه بهتر از چیزی که من می‌تونستم رانندگی کنم، با استفاده از یادگیری عمیق هدایتش کنه.

و باز هم، همون اصول رو داره. این چیز جادویی رو که وقتی شما به یک کامپیوتر داده‌های لازم رو بدید و زمان کافی داشته باشه تا داده‌ها رو فرا بگیره، برنامه خودش رو پیدا می‌کنه. و همینطور منجر به توسعه کاربردهای قدرتمند دیگه‌ای در همه زمینه‌ها شد.

الگوریتم‌های یادگیری ماشین، شبکه‌های عصبی

یک روزی با من در مورد سرطان صحبت میکردی. می‌تونم این ویدئو رو نشون بدم؟

بله، حتما، خواهش می‌کنم. جالبه. این نگاهی به درونِ چیزی هست که داره در حوزه ای کاملا متفاوت اتفاق میوفته. این در حال تقویت کردن یا رقابت کردن با، بستگی داره چطور بهش نگاه کنید، افرادی هست که سالانه ۴۰۰,۰۰۰ دلار درآمد دارند، پزشکان متخصص پوست، متخصص‌هایی بسیار آموزش دیده.بیشتر از یک دهه آموزش نیازه که متخصص پوست خوبی بشید.

سرطان-ملانوما
سرطان-ملانوما

چیزی که اینجا می‌بینید، نسخه یادگیری ماشین اون هست، یک شبکه عصبی نام داره. «شبکه‌های عصبی» اصطلاح فنی این الگوریتم‌های یادگیری ماشین هست. از دهه ۱۹۸۰ تجربه حضور دارند.

این یکی، در سال ۱۹۸۸ توسط یک همکار فیسبوک به نام یان لی کن، ابداع شد و مراحل داده رو از طریقی که شما می‌تونید به عنوان مغز یک انسان بهش فکر کنید، گسترش میده. دقیقا همون نیست، ولی با اون رقابت می‌کنه. از مرحله ای به مرحله دیگه میره.

در اولین مرحله، تصویر ورودی رو می‌گیره و لبه‌ها، میله‌ها و نقطه‌ها رو استخراج می‌کنه و تصویر بعدی، دارای لبه‌های پیچیده تری میشه، و به شکل نصف قرص ماه درمیاد. و در نتیجه، قادر هست مفاهیم واقعا پیچیده ای بسازه. اندرو ان گی تونست نشون بده که می‌تونه صورت گربه‌ها و سگ‌ها رو از بین تعداد بسیار زیادی تصویر تشخیص بده.

چیزی که تیم دانشجوهای من در استنفورد نشون داده، این هست که اگر شما اون رو، روی ۱۲۹,۰۰۰ تصویر از وضعیت‌های پوست آموزش بدید، شامل ملانوما و کارسینوما، شما می‌تونید به خوبیِ بهترین پزشک متخصص، این کار رو انجام بدید.

و ما برای اینکه خودمون رو متقاعد کنیم که مورد درست تشخیص داده شده، یک مجموعه داده مستقل بدست آوردیم و به شبکه خودمون و به ۲۵ پوست شناس، دارای برد تخصصی و در سطح اسنفورد دادیم، و اون‌ها رو مقایسه کردیم. و در بیشتر موارد، اون‌ها از نظر دقت طبقه بندی عملکرد، با پزشکان متخصص پوست برابر و یا از اون‌ها بالاتر بودند.

تشخیص سرطان با نرم افزار

برای من یه داستانی تعریف کرده بودی. فکر کنم در مورد همین تصویر. اینجا چی شد؟

پنج شنبه گذشته بود. این یک نمونه در حال حرکت هست. چیزی که ما قبل تر نشون دادیم و اوایل امسال در مجله نِیچر(طبیعت) منتشر کردیم، این ایده بود که تصاویر رو به متخصصین پوست و به برنامه کامپیوتر نشون بدیم، و حساب کنیم چقدر درست هستند. ولی همه این تصاویر، تصاویر قدیمی هستند.

از همه اون‌ها بافت برداری شد تا مطمئن بشیم طبقه بندی درستی انجام دادیم. این یکی طبقه بندی نشده بود. در واقع این در استنفورد، توسط یکی از همکاران ما انجام شد. داستان اینه که همکار ما، متخصص پوستی که شهرت جهانی داره، ظاهرا یکی از سه تای برتر، به این خال نگاه کرد و گفت: «این سرطان پوست نیست». و بعد چند لحظه گفت: «خوب، بزارید با نرم افزار بررسی کنم».

گوشی آیفون خودش رو درآورد و نرم افزار ما رو اجرا کرد، یه جورایی «متخصص پوست جیبی» ما. و آیفون گفت: سرطان. گفت: ملانوما. و دکتر بعدش گیج شد. و گفت: «خوب، شاید من باید به آیفون بیشتر از خودم اعتماد کنم». و نمونه رو فرستاد آزمایشگاه تا بافت برداری بشه. و نتیجه، ملانومای بدخیم بود.

خوب در واقع من فکر می‌کنم این اولین باری هست که ما کاربرد یادگیری ماشین رو در عمل دیدیم، یک شخص حقیقی که ملانومای اون غیرطبقه بندی شده بود، و برای یادگیری عمیق وجود نداشت. چطور بگم، فوق العاده است. احساس میشه الان یک تقاضای فوری برای نرم افزاری مثل این وجود داشته باشه، ممکنه شما مردم زیادی رو شگفت زده کنید.

درخواست تولید نرم افزار تشخیص سرطان

آیا به انجام این کار فکر می‌کنید؟ ساختن نرم افزاری که اجازه میده خودت رو چک کنی؟

خوب، صندوق پستی من مملو از نامه‌هایی در مورد نرم افزار سرطان هست. با داستان‌هایی ناراحت کننده از مردم. چطور بگم، بعضی مردم ۱۰، ۱۵، ۲۰ ملانوما رو برداشتن و میترسند که یکی مثل این ممکنه دوباره ظاهر بشه. و همچنین در مورد، نمی‌دونم، ماشین‌های پرنده و حدس میزنم این روزها سوالاتی در مورد سخنرانی، برداشت من اینه که ما به آزمایشات بیشتری نیاز داریم.

من میخوام خیلی مراقب باشم. خیلی آسونه که یک نتیجه درخشان رو نشون بدی و مخاطبین TED رو تحت تاثیر قرار بدی، ولی خیلی سخت تره که اخلاق رو در نظر نگیری و اگر مردم عادت کنند از این نرم افزار استفاده کنند و از مشورت یک پزشک کمک نگیرن، اونوقت اگر ما اشتباه کنیم، من واقعا احساس بدی خواهم دشت.

خوب ما الان داریم تست‌های کلینیکی رو انجام میدیم، و اگر این تست‌های کلینیکی شروع بشن و داده‌های ما تداوم داشته باشه، ممکن هست یک روزی بتونیم فناوری‌های مثل این رو از آزمایشگاه بیرون ببریم و به همه دنیا عرضه کنیم، جاهایی که پزشکان هرگز پای خودشون رو نخواهند گذاشت.

اینو درست فهمیدم؟ به نظر میرسه شبیه چیزی هست که داشتی میگفتی، چون تو داری با این گروه از دانشجوهای کار می‌کنی، که در یک راستا، شکل متفاوتی از یادگیری ماشین رو اعمال می‌کنید که ممکنه در یک شرکت اتفاق بیوفته، اینکه شما دارید یادگیری ماشین رو با شکلی از خرد جمعی ترکیب می‌کنید.

آیا در واقع می‌گی گاهی اوقات فکر می‌کنی که می‌تونید بهتر از چیزی عمل کنید که یک شرکت می‌تونه؟ اونم یک شرکت بزرگ؟

من معتقدم الان مثال‌هایی وجود داره که ذهن من رو تکون بده. و من هنوز تلاش می‌کنم که بفهمم. چیزی که کریس به اون اشاره می‌کنه مسابقاتی هست که ما برگزار می‌کنیم. ما مسابقات رو در ۴۸ ساعت برگزار می‌کنیم، و تونستیم یک ماشین بدون راننده بسازیم که می‌تونه در سطح خیابون رانندگی کنه.

بعد از هفت سال کارِ گوگل، کاملا با مدل گوگل برابری نمی‌کنه، ولی داره به اون میرسه. و فقط دو تا مهندس و سه ماه زمان لازم بود که انجام بشه. و دلیلش اینه که ما گروهی از دانشجوهایی داریم که در رقابت‌ها شرکت می‌کنند. ما تنها کسانی نیستیم که از جمع سپاری استفاده می‌کنیم. Uber و Didi برای رانندگی از جمع سپاری استفاده می‌کنند.

Airbnb برای هتل‌ها از جمع سپاری استفاده می‌کنه. امروز، نمونه‌های زیادی وجود داره که مردم از جمع سپاریِ برای پیدا کردن باگ استفاده می‌کنند. یا تا کردن پروتئین و هرچیز ممکن دیگه برای جمع سپاری. ولی ما تونستیم این ماشین رو در سه ماه بسازیم، پس من دارم دوباره به این فکر می‌کنم که چطور شرکت‌ها رو سازماندهی کنیم.

ما ۹,۰۰۰ نفر کارمند داریم که هیچوقت استخدام نمیشن، و هیچوقت اخراج نمیشن. اون‌ها برای کار حاضر میشن و من حتی خبر ندارم. سپس اون‌ها شاید ۹,۰۰۰ جواب می‌فرستند. من متعهد نیستم که از همه اون‌ها استفاده کنم. ختم کلام من فقط به برنده‌ها پول میدم، خوب اینجا من واقعا آدم خسیسی هستم، که شاید بهترین گزینه نباشه.

ولی اون‌ها این رو به عنوان بخشی از آموزش در نظر می‌گیرند، که همین هم خوبه. ولی همین دانشجوها تونستن نتایج جالبی در یادگیری عمیق بدست بیارن. بنابراین بله، تلفیق افراد عالی و یادگیری ماشین خارق العاده است.

ترکیبی از نبوغ انسان و نبوغ ماشین، ما را قوی تر می‌کند

در روز اول همایش، گری کاسپاروف گفت: برنده‌های مسابقه شطرنج، به طور شگفت آوری، دو شطرنج باز مبتدی با سه تا نرم افزار متوسط یا متوسط به بالا بودند، که تونستن بهتر از یک استاد بزرگ و یک شطرنج بازِ بسیار خوب، عمل کنند. مثل اینکه همش بخشی از فرآیند بود. تقریبا به نظر میرسه تو در مورد نسخه ای بسیار پربارتر از ایده مشابه صحبت می‌کنی.

بله، همونطور که شما میزگردهای بسیار خوب صبحِ دیروز رو دنبال کردید، دو جلسه در مورد هوش مصنوعی، ارباب‌های رباتیک و پاسخ‌های انسانی، چیزهای بسیار بسیار جالبی گفته شد. ولی یکی از نگرانی‌ها اینه که ما بعضی وقت‌ها با چیزی که در واقع هوش مصنوعی با تهدید ارباب انجام میده، سردرگم میشیم.

جایی که هوش مصنوعی شما، آگاهی رو توسعه میده. خوب؟ آگاهی و فهم، آخرین چیزیه که من برای هوش مصنوعی خودم میخوام. من نمیخوام برم به آشپزخونه و ببینم یخچال عاشق ماشین ظرف شویی شده و به من میگه چون به اندازه کافی خوب نبودم، الان غذای من گرم هست.

خوب؟ من اینچنین محصولاتی رو نمیخرم و اون‌ها رو نمیخوام. ولی حقیقت برای من اینه که، هوش مصنوعی همیشه برای تکامل مردم بوده، ابزاری برای تکامل ما بوده است، تا ما رو قوی تر کنه. و من فکر می‌کنم کاسپاروف کاملا درست میگه.

ترکیبی از نبوغ انسان و نبوغ ماشین بوده که ما رو قوی تر می‌کنه. این موضوع که ماشین‌ها ما رو قدرتمندتر می‌کنند، به اندازه خود ماشین‌ها قدمت داره. انقلاب کشاورزی به این دلیل اتفاق افتاد که ماشین بخار و تجهیزات زراعتی کماکان خودشون نمی‌تونستند مزرعه داری کنند، اون هرگز جایگزین ما نشد، ما رو قوی‌تر کرد.

نگرانی درباره از دست رفتن کنترل کامپیوترها

نگرانی-درباره-از-دست-رفتن-کنترل-کامپیوترها
نگرانی-درباره-از-دست-رفتن-کنترل-کامپیوترها

و من اعتقاد دارم این موج جدید هوش مصنوعی هم، ما رو به عنوان نژاد بشر، بسیار بسیار قوی‌تر می‌کنه. یه کم بیشتر به اون خواهیم پرداخت. ولی صرفا جهت ادامه قسمت ترسناک اون برای بعضی مردم، مثلا چیزی که احساس میشه برای مردم ترسناک هست، اینه که وقتی یک کامپیوتر می‌تونه کدهای خودش رو دوباره بنویسه، پس می‌تونه چند نمونه مثل خودش رو ایجاد کنه، یک سری از نسخه‌های مختلف برنامه رو امتحان کنه، احتمالا حتی بصورت تصادفی، و بعد اون‌ها رو چک کنه و ببینه آیا به هدف رسیده و بهتر شده.

پس بهتره هدف روی یک تست هوش انجام بشه. می‌دونی، کامپیوتری که نسبتا در انجام دادنش خوب هست، تو می‌تونی میلیون‌ها نسخه از اون رو امتحان کنی. ممکنه یکی رو پیدا کنی که از همه بهتر باشه، و بعد، می‌دونی، تکرار کنی. و بنابرین نگرانی این هست که یه جورایی کنترلش از دستت خارج بشه، وقتی که همه چیز در عصر پنج شنبه روبراهه، و تو صبح جمعه برمیگردی آزمایشگاه و به دلیل سرعت کامپیوترها و غیره، همه چیز قاطی کرده و ناگهان: من میگم احتمال داره، ولی یک احتمال خیلی بعیده.

خوب بزار من چیزی که الان شنیدم گفتی رو یک جور دیگه بگم. در مورد آلفاگو، دقیقا این رو داشتیم: کامپیوتر با خودش بازی می‌کنه و قواعد جدید رو فرا می‌گیرد. و چیزی که یادگیری ماشین هست، دوباره نویسیِ دستوراته. دوباره نویسیِ کد هست. ولی من فکر می‌کنم مطلقاً هیچ نگرانی وجود نداشت، که آلفاگو روی جهان تسلط پیدا کنه.

اون حتی نمی‌تونه شطرنج بازی کنه. نه، نه، نه. ولی الان همه اینها، چیزهایی در یک حوزه هستند. ولی قابل تصوره. منظورم اینه که ما همین الان کامپیوتری رو دیدیم که تقریبا قادره در آزمون ورودی دانشگاه قبول بشه، که یک جورایی می‌تونه، اون نمی‌تونه بصورتی که ما می‌تونیم، بخونه و بنویسه، ولی مطمئنا می‌تونه متن رو بگیره و تحلیل کنه و شاید الگوهای بیشتری از معنا رو درک کنه.

آیا شانسی وجود نداره که همزمان که این توسعه پیدا می‌کنه، دیگه نتونی جلوش رو بگیری و کنترلش از دستت خارج بشه؟

صادقانه بگم، این جایی هست که من حد و حدود رو تعیین کردم. شانس وجود داره، من نمی خوام این رو کم اهمیت جلوه بدم. ولی فکر می‌کنم بعیده و چیزی نیست که این روزها بهش فکر کنم. چون من فکر می‌کنم تحول بزرگ، چیز دیگری هست. تا الان هرچیز موفقی در هوش مصنوعی، به شدت تخصصی شده، و روی یک ایده واحد موفق بوده، که حجم بسیار عظیم از داده‌ها هست.

دلیل اینکه آلفاگو خیلی خوب کار می‌کنه، بخاطر دفعات بسیار زیاد انجام بازی Go هست، آلفاگو نمی‌تونه یک ماشین رو برونه یا یک هواپیما رو هدایت کنه. رانندگی ماشین بدون سرنشین گوگل یا ماشین بدون سرنشین یوداسیتی، به لطف حجم بسیار زیاد داده‌ها هست، و نمی‌تونه کار دیگری انجام بده.

حتی نمی‌تونه یک موتور سیکلت رو کنترل کنه. این یک کار خیلی خاص هست، کار در حوزه ای خاص، و همین موضوع برای نرم افزار سرطان هم صدق می‌کنه. در موردی به نام «هوش مصنوعی عمومی»، تقریبا هیچ پیشرفتی بدست نیومده، که شما برید به یک هوش مصنوعی بگید: «هی، نسبیت خاص رو برای من کشف کن، یا نظریه ریسمان».

کاملا در مرحله ابتدایی هست. دلیل اینکه من میخوام روی این تاکید کنم این هست که، نگرانی‌ها رو میبینم و میخوام اون‌ها رو تایید کنم، ولی اگر قرار بود من به چیزی فکر کنم، این سوال رو از خودم میپرسیدم که، «چی میشه اگر هر چیز تکراری رو بگیریم و خودمون رو ۱۰۰ برابر کارآمد تر کنیم».

۳۰۰ سال قبل، همه ما در کشاورزی مشغول بودیم و زراعت و کارهای تکراری انجام می دادیم. امروز، ۷۵ درصد از ما در اداره‌ها کار می‌کنیم، و کارهای تکراری انجام میدیم. ما هنوز از پس کارهای تکراری روزانه‌مان برنیامدیم. و نه فقط در کارهای سطح پایین. ما با انجام کارهای تکراری، متخصص پوست شدیم، با انجام کارهای تکراری وکیل شدیم، من فکر می‌کنم ما در آستانه این هستیم که بتونیم یک هوش مصنوعی رو بگیریم و بهش بگیم، حواست به من باشه و اون‌ها ما رو شاید ۱۰ یا ۱۵ برابر، در این کارهای تکراری کارآمدتر کنند.

مسئله از بین رفتن شغل ها و تحولات آن

از-بین-رفتن-شغل-ها-و-تحولات-آن
از-بین-رفتن-شغل-ها-و-تحولات-آن

این چیزیه که در ذهن من هست. فوق العاده جذاب بنظر میرسه. روند به اونجا رسیدن برای بعضی مردم ترسناکه، چون به محض اینکه یک کامپیوتر بتونه این کارهای تکراری رو می‌دونی، خیلی بهتر از متخصص پوست، یا بهتر از راننده انجام بده.

چیزی که مخصوصا الان خیلی در موردش صحبت میشه، ناگهان خیلی از شغل‌ها از بین میرن، و می‌دونی، کشور وارد یک تحول میشه قبل از اینکه ما اصلا به جنبه‌های با شکوه‌ترِ اون چیزی که ممکن هست، برسیم.

بله، و این خودش یک مسئله هست، یک مسئله بزرگ. و دیروز صبح توسط چند سخنران مهمان بهش اشاره شد. الان، قبل از اینکه بیام روی صحنه، اعتراف کردم آدم مثبت و خوش بینی هستم.

پیشرفت در گذشته و مزایای آن تا به امروز

خوب بزارید یک گام خوشبینانه برداریم، اینکه، به خودتون در ۳۰۰ سال پیش فکر کنید. اروپا از ۱۴۰ سال جنگ پی در پی نجات پیدا کرد، هیچ کدوم از شما نمی‌تونست بخونه و بنویسه، شغل‌هایی که الان وجود داره، در گذشته وجود نداشت، مثل سرمایه گذار بانک، مهندس نرم افزار یا خبرگزار تلویزیون.

همه ما در زمین‌ها و مزرعه‌ها بودیم. حالا کوچولو با یک موتور بخار توی جیبش میاد، و میگه: «هی بچه‌ها، به این نگاه کنید، این قراره شما رو ۱۰۰ برابر قوی تر کنه، پس می‌تونید یه کار دیگه بکنید».

و بعد برگردیم به امروز، هیچ صحنهٔ نمایشی نبود، ولی کریس و من، در طویله با گاوها مشغول هستیم، و اون میگه: «من واقعا نگرانم، چون هر روز گاوم رو می دوشم، و چی میشه اگه ماشین این رو برای من انجام بده؟».

دلیل اینکه من به این اشاره کردم اینه که، ما همیشه به پیشرفت در گذشته و مزایای اون به خوبی اذعان می‌کنیم، مثل گوشی آیفون، هواپیماها، برق و یا تجهیزات پزشکی. همه ما دوست داریم تا ۸۰ سال زندگی کنیم، که ۳۰۰ سال پیش غیرممکن بود.

ولی ما تا حدی این قاعده رو در مورد آینده اعمال نمی‌کنیم. پس اگر من به کارم به عنوان یک مدیرعامل نگاه کنم، میگم ۹۰ درصد از کار من تکراریه، ازش لذت نمیبرم، من چهار ساعت از وقتم رو در روز، صرف ایمیل‌های تکراری و مزخرف می‌کنم.

تبدیل خلاقیت به عمل

تبدیل-خلاقیت-به-عمل
تبدیل-خلاقیت-به-عمل

و دارم به آب و آتش میزنم تا چیزی داشته باشم که من رو از شر این خلاص کنه. چرا؟ چون من معتقدم همه ما به طرز دیوانه واری خلاق هستیم؛ فکر می‌کنم جامعه TED بیشتر از هر کس دیگه ای. ولی حتی کارگرها. فکر می‌کنم شما می‌تونید برید پیش مستخدم هتل خودتون و یک نوشیدنی با اون بخورید، و یک ساعت بعد، یک ایده خلاقانه پیدا می‌کنید.

چیزی که این توانمند می‌کنه، تبدیل خلاقیت به عمل هست. مثلا، اگر بتونید گوگل رو در یک روز بسازید، چی؟ اگر بتونید راحت بنشینید و خیلی سریع اسنپ چت بعدی رو اختراع کنید، چی؟ هر چیزی که هست، و فردا صبح سرپاست و هنوز کار می‌کنه. این علمی تخیلی نیست.

چیزی که قراره اتفاق بیوفته اینه که، ما هنوز در تاریخ هستیم. ما این خلاقیت جالب رو بروز دادیم، با آزاد کردن خودمون از کشاورزی و البته بعدتر، از کار در کارخونه. و چیزهای خیلی زیادی اختراع کردیم. به نظر من، حتی بهتر هم میشه. و اثرات جانبی خیلی خوبی خواهد داشت.

یکی از اثرات جانبی این خواهد بود که چیزهایی مثل تامین غذا و دارو، آموزش، سرپناه و حمل و نقل، برای همه ما، خیلی ارزان تر خواهد بود، نه فقط برای افراد ثروتمند. اوهوم. همینطور وقتی مارتین فورد استدلال کرد، می‌دونی، که این دفعه فرق می‌کنه، چون هوشی که ما در گذشته استفاده کردیم تا راه‌های جدید پیدا کنیم بر راستای مشابه منطبق خواهد شد، توسط کامپیوترهایی که بر اون‌ها مسلط میشن، چیزی که من از صحبت تو میفهمم اینه که، نه کاملا، بخاطر خلاقیت انسان.

آیا فکر می‌کنی که این تفاوت بنیادی با اون نوع خلاقیتی که کامپیوترها می‌تونن انجام بدن داره؟

خوب، این اعتقاد راسخ من هست، به عنوان یک فرد فعال در هوش مصنوعی که من هیچ پیشرفت واقعی در خلاقیت ندیم، در تفکر خلاق. چیزی که الان میبینم اینه که و واقعا مهمه که مردم تشخیص بدن، چون عبارت «هوش مصنوعی» خیلی تهدید آمیز هست، و بعد ما استیو اسپیلبرگ رو داریم که فیلمی به این اسم میسازه که در اون ناگهان، کامپیوتر تبدیل به ارباب ما میشه.

ولی در واقع این یک فناوری هست، فناوری ای که به ما کمک می‌کنه کارهای تکراری رو انجام بدیم. و بطور کلی، پیشرفت همیشه در پایان تکراری بوده. کشف سند حقوقی بوده، تهیه پیش نویس قراداد بوده، عکس برداری اشعه ایکس از قفسه سینه شما بوده.

و این چیزها خیلی تخصصی شدند، من تهدید بزرگی برای بشریت نمی بینم. در حقیقت، ما به عنوان مردم، منظورم اینه، رک و پوست کنده بگم: ما ابَرانسان شدیم. خودمون رو تبدیل به ابَرانسان کردیم. ما می‌تونیم در طول اقیانوس اطلس، در ۱۱ ساعت شنا کنیم. می‌تونیم یک وسیله رو از جیبمون در بیاریم و از اینجا تا استرالیا صدامون رو برسونیم و هم زمان، اون هم با ما حرف بزنه.

از نظر فیزیک ممکن نیست، ما داریم قوانین فیزیک رو می‌شکنیم. وقتی این چیزها گفته و انجام میشه، قراره همه چیزهایی که دیدیم و شنیدیم رو به یاد بیاریم، شما هر فردی رو به یاد خواهید آورد، که برای من در مراحل اولیه آلزایمرم خوبه. ببخشید، چی میگفتم؟ فراموش کردم!

ما احتمالا ضریب هوشی ۱,۰۰۰ یا بیشتر خواهیم داشت. دیگه برای فرزاندانمون کلاس املایی وجود نخواهد داشت، چون دیگه مسئله املاء وجود نداره، دیگه مسئله ریاضی وجود نداره، و فکر می‌کنم چیزی که واقعا اتفاق میوفته اینه که ما می‌تونیم فراتر از خلاق باشیم. و هستیم، ما خلاق هستیم. این سلاح مخفی ماست.

خوب شغل‌هایی که داران ناپدید میشن، به این طریق، با اینکه قراره ناراحت کننده باشه، انسان‌ها قادر به انجام کارهای بیشتر از این هستند. رویا اینه. رویا اینه که انسان‌ها می‌تونن دقیقا به سطحی جدید از توانمندسازی و کشف، ترقی کنند. این رویاست.

و به این فکر کنید. اگر به تاریخ بشریت نگاه کنید، که ممکنه هرچیزی باشه — ۶۰ تا ۱۰۰ هزار سال، کم یا زیاد، تقریبا هرچیزی که شما ارزشمند می‌دونید، از نظر اخترع، فن آوری، از نظر چیزهایی که ساختیم، در ۱۵۰ سال اخیر اختراع شدند. اگر کتاب و چرخ و یا تبر رو هم حساب کنید، این‌ها کمی تاریخی‌اند.

ولی تلفن شما، کفش ورزشی شما، این صندلی‌ها، تولید مدرن، پنیسیلین، چیزهایی که ما باارزش می‌دونیم. برای من معنیش این هست که در ۱۵۰ سال آینده، چیزهای بیشتری پیدا خواهیم کرد. در واقع، به نظر من سرعت اختراع بالا رفته، نه پایین.

من اعتقاد دارم فقط یک درصد از چیزهای جالب تا الان اختراع شدند. درسته؟ ما سرطان رو معالجه نکردیم. ما ماشین‌های پرنده نداریم، هنوز. خوشبختانه من این یکی رو متحول می‌کنم. این مثالی هست که مردم بهش میخندن. جالبه، اینطور نیست؟ مخفیانه کار کردن روی ماشین پرنده. ما هنوز دو بار زندگی نمی‌کنیم، خوب؟

ما این چیز جادویی رو که اطلاعاتی که می‌خوایم رو بهمون بده در مغزمون کار نگذاشتیم. ممکنه شما از این وحشت زده بشید، ولی من بهتون قول میدم، همین که این رو داشته باشید، دوستش خواهید داشت. امیدوارم دوستش داشته باشید. یکم ترسناکه، می‌دونم.

چیزهای بسیار زیادی وجود داره که ما هنوز اختراع نکردیم، که فکر می‌کنم بزودی می‌کنیم. ما هیچ سپر جاذبه ای نداریم. ما نمی‌تونیم با سرعت نور از مکانی به مکان دیگر بریم. خنده دار به نظر میرسه، ولی تقریبا ۲۰۰ سال پیش، کارشناس‌ها نظرشون این بود که امکان پرواز وجود نداره، حتی ۱۲۰ سال پیش، و اگر سریع تر از اونی که بتونید بدوید، حرکت کنید، درجا خواهید مرد.

درسته؟ بنابرین کی میگه که ما امروز درست می‌گیم که شما نمی‌تونید یک شخص رو با سرعت نور از اینجا به به مریخ بفرستید؟ ، خیلی ازت فوق العاده بود.

LEAVE A REPLY

Please enter your comment!
Please enter your name here

1 × four =