هوش مصنوعی جدیدی که به‌عمد مرتکب اشتباه می‌شود

تقریبا پنجاه سال طول کشید تا کامپیوترها بتوانند در بازی شطرنج بر انسان غلبه کنند. تلفن هوشمند استاندارد می‌تواند حرکاتی را اجرا کند که حتی برای استاد بزرگ‌های شطرنج هم گیج‌کننده باشد؛ اما برنامه‌‌ی جدید هوش مصنوعی چند گام به عقب رفته تا بازی‌ متوسط انسان را ارزیابی کند. برنامه‌ی شطرنج هوش مصنوعی معروف به «مایا» از هوش مصنوعی مربوط به بهترین برنامه‌های بازی شطرنج ابرانسانی استفاده می‌کند؛ اما مایا به‌جای یادگیری تخریب حریف، بر حرکات انسانی از‌جمله خطاها متمرکز می‌شود.

به‌گفته‌ی یون کلینبرگ، استاد دانشگاه کرنل و سرپرست مایا، توسعه‌ی این هوش مصنوعی اولین گام برای تولید هوش مصنوعی است که به‌خوبی خطاهای انسان را درک می‌کند. چنین سیستمی می‌تواند به کمک انسان برود و با او بهتر تعامل کند. از هوش مصنوعی مشابه مایا می‌توان در حوزه‌ی بهداشت و درمان هم استفاده کرد. سیستمی که بتواند خطاها را پیش‌بینی کند، به پزشکان در خواندن تصاویر پزشکی یا پیدا‌کردن خطاها کمک می‌کند. کلینبرگ می‌افزاید:

یکی از روش‌ها برای کمک‌گرفتن از این نوع هوش، پیدا‌کردن مشکلات تشخیصی پزشکان براساس تصاویر پزشکی و جست‌وجوی تصاویری است که سیستم اختلاف‌های زیادی را در آن‌ها پیش‌بینی کرده است.

کلینبرگ شطرنج را انتخاب کرده است؛ زیرا یکی از اولین حوزه‌هایی به‌شمار می‌آید که هوش ماشین بر انسان پیروز شد. او می‌گوید: «شطرنج مانند سیستمی ایدئال برای آزمایش الگوریتم‌ها عمل می‌کند و نوعی مدل برای برتری هوش مصنوعی به‌شمار می‌رود.»

علاوه‌بر‌این، شطرنج بسیار بررسی شده و از این نظر مشابه مگس میوه در علم زیست‌شناسی است. مایا با استفاده از کد تطبیق‌یافته‌ی Leela Zero توسعه یافت که کلون متن‌بازی از آلفازیرو است؛ برنامه‌‌ای انقلابی که دیپ‌مایند آن را توسعه داد. آلفازیرو مستقل از دستورالعمل انسان شطرنج را یاد گرفت. در این برنامه، شبکه‌ی عصبی شبیه‌سازی‌شده حاوی نورون‌های مجازی به ورودی واکنش نشان می‌دهد. آلفازیرو برای شطرنج موقعیت‌ها و حرکت‌های تولیدشده در طول بازی‌های تمرینی را فرامی‌گیرد و نورون‌های خود را برای اجرای حرکت‌های برنده تنظیم می‌کند که به این روش «یادگیری تقویتی» گفته می‌شود. آلفازیرو می‌تواند از همین روش با کمترین تغییرات برای بازی‌های تخته‌ای دیگر مثل Go استفاده کند.

تیم کرنل کد Leela Zero را برای تولید برنامه‌ای تغییر دادند که فرایند یادگیری آن ازطریق پیش‌بینی دقیق حرکت‌های انسانی است. دیگر بازیکنان شطرنج هوش مصنوعی ازجمله دیپ‌بلو برای اکتشاف حرکت‌های احتمالی بازی را پیش‌ می‌برند؛ اما مایا بر یافتن محتمل‌ترین حرکت از سوی انسان تمرکز می‌کند. گفتنی است دیپ‌بلو ماشین IBM است که سال ۱۹۹۷ گری کاسپارف، قهرمان شطرنج را شکست داد. مایا با استفاده از داده‌های LiChess آموزش دید که یکی از سرورهای محبوب شطرنج آنلاین است؛ درنتیجه، برنامه‌ای شطرنج است که به روشی مشابه انسان می‌تواند بازی کند. نسخه‌های متعددی از مایا متناسب با درجه‌های مختلف شدت بازی تنظیم شدند. شکل‌های پیچیده‌تر هوش مصنوعی در‌نهایت در تمام حوزه‌ها از ریاضیات تا ادبیات و حوزه‌های دیگر از انسان سبقت می‌گیرند. کلینبرگ درباره‌ی این موضوع بیان می‌کند:

دوره‌ی گذاری بسیار طولانی وجود خواهد داشت. در این دوره، هوش مصنوعی و انسان با یکدیگر همکاری می‌کنند و ارتباطاتی بین آن‌ها شکل خواهد گرفت.

هوش مصنوعی که بتواند رفتار انسان را پیش‌بینی و از آن تقلید کند، به کاربردهای گسترده‌ای در شطرنج و بازی‌های دیگر خواهد رسید. متیو سدلر، استاد بزرگ شطرنج بریتانیا و مؤلف کتاب «تغییردهنده‌ی بازی»، کتابی درباره‌ی قابلیت‌های شطرنج آلفازیرو، معتقد است:

ایده‌ی تقلید از رفتار انسان بسیار دوست‌داشتنی است. بازیکنان باشگاهی به موتورهایی نیاز دارند که به زبان آن‌ها صحبت کند.

به‌گفته‌ی سدلر، مایا می‌تواند برای آموزش و تمرین مفید باشد و کارشناسان درباره‌ی ایده‌ی شطرنجی به‌توافق رسیده‌اند که بتواند از رفتار بازیکنان تقلید کند. با وجود تعداد کافی‌ بازی‌ها، می‌توان مایا را برای پیش‌بینی حرکت‌های یک بازیکن مشخص آموزش داد. سدلر می‌افزاید:

تصور کنید برای بازی قهرمانی شطرنج مقابل مگنوس کارلسن، قهرمان شطرنج جهان، آماده می‌شوید و موتوری دارید که درست مانند مگنوس بازی می‌کند.

پرسش‌هایی که هوش مصنوعی مطرح می‌کند و نزدیک‌شدن آن به پیش‌بینی انسانی، موضوع جذابی است.

به‌اعتقاد جولی شاه، این پروژه به ارزیابی‌های تخصصی بیشتری نیاز دارد؛ اما بررسی روشی که بتواند به همکاری انسان و ماشین در زمینه‌ی شطرنج منجر شود، جذاب است. ماتیاس سولنر، استاد دانشگاه کاسل آلمان و پژوهشگر حوزه‌ی مزایای هوش مصنوعی، به کارمندان اداری می‌گوید چنین سیستم‌هایی به روشی انسانی باید عمل کنند؛ اما انسان هم باید عملکرد سیستم‌های هوش مصنوعی را درک کند. برای مثال، اگر عملکرد سیستم ضعیف باشد و علت این ضعف مشخص نباشد، ممکن است به مقبولیت این سیستم‌ها آسیب بزند.