یک نگاه فلسفی: آیا هوش مصنوعی می‌تواند هنرمند شود؟

قیام ربات‌ها، ترس بسیار بجایی‌ است که امروزه بسیاری از مردم دارند. برخی عقیده دارند که به‌زودی ربات‌ها کل دنیا را به تصرف خود در خواهند آورد. آن‌ها بر این باورند که ما انسان‌ها به‌آرامی در حال ساخت ابزارهایی هستیم که نهایتا موجب نابودیمان می‌شود. این ترس با پیشرفت‌ زیاد تکنولوژی‌های هوش مصنوعی در سراسر جهان، رفته‌رفته واقعی و واقعی‌تر می‌شود. امروزه ربات‌هایی وجود دارند که کدهایی را می‌نویسند که می‌تواند ربات‌های حتی باهوش‌تر دیگری بسازد و نتیجتا، فقط این سؤال باقی بماند که واقعا چقدر طول می‌کشد تا هوش مصنوعی در تقریبا تمامی حوزه‌ها از انسان‌ها جلو بزند.

یادداشتی که در ادامه خواهید خواند، برگردانی از مقاله اخیر شان کِلی، فیلسوف آمریکایی است. شان دورانس کِلی، استاد فلسفه دانشگاه هاروارد به‌دلیل تبحرش در فلسفه ذهن، فلسفه علوم شناختی، فلسفه ادراک، تصور و حافظه، زیبایی‌شناسی و فلسفه ادبیات شناخته می‌شود. از آثار کِلی می‌توان به کتاب‌های «پیوند پدیدارشناسی و فلسفه زبان و ذهن» (راتلج ، ۲۰۰۰) و «همه‌ی چیزهای درخشان: خوانش کلاسیک‌های غربی برای یافتن معنای یک عصر سکولار» به همراه هابرت دریفوس (فری‌پرس، ۲۰۱۱) اشاره کرد.

روز ۳۱ مارس سال ۱۹۱۳، در سالن طلائی خانه موسیقی شهر وین، اواسط اجرای ارکسترال آلبانی برگ بود که اخلال‌گری برنامه را به‌هم زد. سروصدا شد، صندلی‌هایی شکستند. پلیس برگزارکننده کنسرت را به جرم کوبیدن مشت به‌ صورت اسکار استراوس، آهنگ‌ساز کمتر شناخته‌شده‌ی اپرت دستگیر کرد. بعدا، استراوس در دادگاه روایت‌ شوخ‌طبعانه‌ای از عصبانیت تماشاچیان نقل کرد. او اصرار داشت که آن مشت، موزون‌ترین نوای کل شب بود. اما تاریخ حکم متفاوتی صادر کرد: رهبر ارکستر، آرنولد شوئنبرگ، شاید خلاق‌ترین و تاثیرگذارترین آهنگ‌ساز قرن بیستم باشد.

شان دورانس کِلی به‌دلیل تبحر خود در حوزه‌های فلسفه ذهن، فلسفه علوم‌شناختی، فلسفه ادراک، تصور و حافظه، زیبایی‌شناسی و فلسفه ادبیات شناخته می‌شود

خلاقیت فقط تازگی و ابداع نیست. یک کودک خردسال ممکن است، سلسله‌ای از نُت‌های نو را بنوازد، اما این نت‌ها، به هیچ عنوان نمی‌توانند نشان‌دهنده‌ی خلاقیت باشند. مورد دیگر اینکه، خلاقیت با تاریخ تعیین می‌شود: آنچه در یک دوره یا مکان خلاقیتی الهام‌بخش به شمار بیاید، ممکن است در دوره و زمانی دیگر مضحک یا احمقانه قلمداد شود. یک جامعه باید اندیشه‌های نو را برای خود مناسب بداند تا به‌عنوان اندیشه‌هایی خلاق پذیرفته شوند.

همان‌طور که در مورد شوئنبرگ یا شمار دیگری از هنرمندان عصر مدرن شاهد بوده‌ایم، لازم نیست که این پذیرش جهانی باشد. شاید سال‌ها طول بکشد؛ گاهی اوقات خلاقیت برای نسل‌ها به اشتباه پذیرفته نمی‌شود. اما یک نوآوری درنهایت باید توسط برخی از افراد جامعه پذیرفته شود تا بتوان به‌عنوان خلاقیت از آن نام برد.

پیشرفت‌هایی که در حوزه هوش مصنوعی حاصل شده، موجب شده است که بسیاری فکر کنند ماشین‌ها به‌زودی در هر حوزه‌ای از جمله خلاقیت، جایگزین انسان‌ها می‌شوند. آینده‌پژوه رِی کرزویل، پیش‌بینی می‌کند که تا سال ۲۰۲۹، ما هوش مصنوعی پیشرفته‌ای خواهیم ساخت که می‌تواند جای یک فرد تحصیلکرده‌ی معمولی را بگیرد. نیک باستروم، استاد فلسفه دانشگاه آکسفورد محتاط‌تر است.

آرنولد شوئنبرگ مبدع مفهوم «سریالیسم» است، بافت موسیقی که در آن همه‌ی ۱۲ پرده گام سنتی با تأکیدی یکسان به کار گرفته می‌شدند و به سبب همین تفاوت آن با موسیقی‌هایی که تا آن زمان ساخته می‌شد، گوش دادن به آن در مرتبه نخست، بیشتر شبیه به شنیدن زبانی به‌کلی بیگانه بود

او تاریخ خاصی را مشخص نمی‌کند، بلکه پیشنهاد می‌دهد که فیلسوفان و ریاضیدانان تسلیم جانشینان «فوق هوشمند» خود می‌شوند که او آن‌ها را این‌طور توصیف می‌کند: «دارای عقلی خواهند بود که از عملکرد شناختی انسان در تقریبا تمامی زمینه‌های دلخواه جلو خواهند زد.» هر دو عقیده دارند زمانی‌که هوشی در سطح انسان در ماشین‌ها تولید شود، پیشرفت‌های عظیمی به وقوع می‌پیوندد. کرزوی  از این مهم به‌عنوان «تکینگی (Singularity)» و باستروم به‌عنوان «انفجار هوش (Intelligence Explosion)» یاد می‌کند که در آن، ماشین ها در هر حوزه‌ای با اختلاف فاحشی از ما جلو می‌زنند.

آن‌ها معتقدند که این اتفاق می‌افتد، زیرا دستاورد ابر‌انسانی همانند دستاورد انسان‌ عادی است، به‌جز اینکه تمام محاسبات لازم بسیار سریع‌تر انجام می‌شوند، در همین حال باستروم از آن به‌عنوان «فراهوش سریع (Speed Superintelligence)» نام می‌برد. اکنون، تکلیف بالاترین سطح دستاوردهای انسانی، یعنی نوآوری خلاق چه می‌شود؟ آیا خلاق‌ترین هنرمندان و متفکران ما با ماشین‌ها کنار زده می‌شوند؟ خیر. دستاورد خلاقانه انسان، به‌دلیل نقش اجتماعی خود، در مقابل پیشرفت هوش مصنوعی سر فرود نمی‌آورد. در غیر این‌صورت، این بدان معنی است که در مورد هر دوی مفاهیم چیستی انسان و میزان خلاقیت دچار کج‌فهمی شده‌ایم.

پرتره ادموند بلیمی (۲۰۱۸). اولین نقاشی هوش مصنوعی که در بنگاه تجارت و حراج آثاری هنری کریستیز در نیویورک به قیمت ۴۳۲٫۵۰۰ دلار فروخته شد

بحث من در وهله اول در مورد پیشرفت‌ ماشین‌هایی که اخیرا مشاهده کرده‌ایم، مانند پارادایم «یادگیری عمیق (Deep Learning)» و جانشین‌های محاسباتی آن است. در مورد پارادایم‌های دیگر قبلا در پژوهش‌های علمی مرتبط به هوش مصنوعی بحث شده است. این‌ها قبلا در تحقق وعده‌های خود شکست خورده‌اند. هنوز ممکن است که پارادایم‌های دیگری در آینده ظهور کنند، اما اگر در مورد دستاوردهای شگفت‌آور برخی مفاهیم جدید هوش مصنوعی در آینده گمانه‌زنی کنیم که حالا نمی‌توانیم به‌صورت معقول تشریحشان کنیم، این فرض ما بیش از آنکه استدلال منطقی از احتمالات باشد، اسطوره‌سازی صرف است.

دستاوردهای خلاقانه در حوزه‌های مختلف متفاوت عمل می‌کنند. نمی‌توانم طبقه‌بندی کامل انواع مختلف خلاقیت را در اینجا ذکر کنم، اما برای اینکه مفهوم را برسانم، دلایلی براساس ۳ نمونه مختلف؛ موسیقی، بازی و ریاضی مطرح می‌کنم.

آیا می‌توانیم ماشینی را با چنان خلاقیت ابرانسانی متصور شویم که بتواند تغییراتی عدیده‌ای در موسیقی همچون آنچه شوئنبرگ به‌وجود آورد اعمال کند؟ این چیزی است که من ادعا می‌کنم یک ماشین نمی‌تواند انجام دهد. بیایید با هم ببینیم چرا نمی‌تواند.

سیستم‌های کامپیوتری ساخت موسیقی مدت زیادی است که وجود دارند. در سال ۱۹۶۵، خود کرزویل در سن ۱۷ سالگی از نوعی پیش‌گام سیستم‌های تشخیص الگو که امروزه ویژگی اصلی الگوریتم‌های یادگیری عمیق است، استفاده می‌کرد. او از یک کامپیوتر برای ساخت موسیقی قابل‌تشخیص استفاده می‌کرد. انواع این تکنیک امروز نیز استفاده می‌شود.

ری کرزویل نویسنده، مخترع، دانشمند علوم کامپیوتری و آینده‌نگر وقوع تکینگی را در سال ۲۰۲۹ پیش‌بینی کرده و گفته است که در این سال هوش مصنوعی به هوشمندی انسان‌ها خواهد رسید

 الگوریتم‌های یادگیری عمیق می‌توانند یک ورودی را به‌عنوان مثال، چندین قطعه همسرایی سباستین باخ را دریافت کنند و قطعاتی به سبک باخ بسازند که حتی برخی از کارشناسان فریب بخورند و گمان کنند که موسیقی اصل است. اما این فقط تقلید است. این چیزی است که یک هنرمند به‌عنوان یک شاگرد انجام می‌دهد: رونویسی و کسب مهارت در آموختن سبک دیگران به‌جای اینکه روی سبک به‌خصوص و اصیلی کار کند. این همان نوع خلاقیت موسیقی نیست که ما به باخ نسبت می‌دهیم. بحث نوآوری رادیکال شوئنبرگ هم کاملا جداست.

پس تکلیف چیست؟ آیا ماشینی وجود دارد که مانند شوئنبرگ، روشی کاملا نو برای آهنگ‌سازی ابداع کند؟ البته ما می‌توانیم چنین دستگاهی را تصور کنیم و حتی آن را بسازیم. با وجود الگوریتمی که قوانین ترکیبی خود را اصلاح می‌کند، ما می‌توانیم به‌راحتی ماشینی داشته باشیم که موسیقی کاملا متفاوت بسازد، همان‌ کاری که زمانی شوئنبرگ انجام داده بود.

نیک باستروم عقیده دارد که ماشین‌ها به لحاظ عملکرد شناختی در تقریبا تمامی زمینه‌ها از انسان‌ها جلو خواهند زد

ابتدا، به یاد داشته باشید که شوئنبرگ در پیشنهاد خود برای یک تکنیک جدید ریاضی آهنگ‌سازی، درک ما از آنچه موسیقی می‌دانستیم را کاملا دگرگون کرد. این نوع خلاقیت دگرگون‌کننده سنت است که نیاز به‌نوعی حساسیت اجتماعی دارد. اگر شنوندگان تکنیک او را به‌عنوان نوعی ضد سنت‌گرایی در قلب مدرنیته‌ی رادیکال در حال ظهور در وین قرن بیستم تجربه نکردند، ممکن است ارزش زیبایی‌شناختی نیز را در آن ندیده باشند. نکته این است که خلاقیت رادیکال، گونه‌ی دیگری از خلاقیت شتاب‌آلود روزمره نیست. دستاورد شوئنبرگ گونه‌ای سریع‌تر و بهتر از نوع خلاقیتی نبود که اسکار استراوس یا برخی از سایر آهنگسازان متوسط‌‌الحوال به کار گرفته‌اند: بلکه اساسا در نوع متفاوت بود.

ادعای افرادی مثل کرزویل این است که ماشین‌ها می‌توانند به سطح هوش انسان برسند و فرض بر این است که یک ذهن انسانی خواهیم داشت که از برخی از مجموعه الگوریتم‌های محاسباتی پیروی می‌کند، دیدی که «محاسبات‌گرایی (Computationalism)» نامیده می‌شود. اما اگرچه الگوریتم‌ها می‌توانند تبعات اخلاقی در پی داشته باشند، اما خود، عامل اخلاقی نیستند.

به همین دلیل، به نظر من، چیزی جز یک انسان دیگر نمی‌تواند به‌درستی به‌عنوان یک هنرمند خلاق واقعی درک شود. شاید هوش مصنوعی روزی فراتر از احتمالات محاسباتی خود برسد، اما نیاز به جهشی دارد که حالا غیرقابل تصور است. ما فقط به‌دنبال الگوریتم‌های جدید یا روش‌هایی نیستیم که فعالیت انسان را شبیه‌سازی کنند؛ ما به‌دنبال مصالح جدیدی هستیم که مبنایی برای انسانیت باشند.

در چشم‌اندازی خیالی (۲۰۱۸)؛ نائو توکوی از یک الگوریتم یادگیری ماشینی برای طراحی نماهای پانوراما بهره برده است. او از عکس‌های ویژگی گوگل استریت ویو استفاده می‌کند و این عکس‌ها را با صداهایی که به‌وسیله شبکه‌های عصبی مصنوعی تولید شده‌اند ترکیب می‌کند

رونوشت مولکول به مولکول از یک انسان، به تعبیری همان انسان است. ما همین حالا راهی برای تولید چنین موجودی داریم: حدود ۹ ماه طول می‌کشد. اکنون، یک دستگاه تنها می‌تواند کاری را انجام دهد که بسیار کمتر از آنچه یک شخص (انسان عادی) می‌تواند انجام دهد جالب‌توجه است. به‌عنوان مثال، شاید بتواند موسیقی به سبک باخ بسازد، شاید حتی موسیقی باشد که بعضی از کارشناسان فکر کنند بهتر از خود باخ است. اما این فقط به این دلیل است که موسیقی آن را می‌توانیم با استانداردهای پیشین مورد قضاوت قرار دهیم. چیزی که یک ماشین نمی‌تواند انجام دهد، تغییر در قضاوت‌های ما به‌لحاظ کیفیت موسیقی و آنچه که موسیقی می‌دانیم است.

انکار نمی‌کنیم که هنرمندان خلاق از هر وسیله‌ای که در اختیار دارند استفاده می‌کنند و این ابزارها نوع هنری که پدید می‌آورند را شکل می‌دهند. ترومپت به مایلز دیویس و اورنت کلمن کمک کرد پی به خلاقیت خود ببرند. اما خود ترومپت، خلاقیت نیست. الگوریتم‌های هوش مصنوعی بیشتر شبیه‌سازهای موسیقی هستند تا اینکه شبیه اشخاص باشند. تارین ساوترن، یکی از شرکت‌کنندگان سابق برنامه تلویزیونی «امریکن آیدل (American Idol)» اخیرا آلبومی منتشر کرده که در آن سازهای کوبه‌ای، ملودی و آکوردها به‌وسیله الگوریتم تولید شدند، هرچند او ترانه‌ی آهنگ‌ها را خودش نوشته و ابزار الگوریتم را مکررا اصلاح کرد تا به نتیجه دلخواه برسد.

 اما در اوایل دهه‌ی ۱۹۹۰، دیوید بویی این کار را به شیوه دیگری کرد: او موسیقی را نوشت و از یک برنامه مک به نام Verbalizer برای چینش تصادفی جملات به‌صورت ترانه‌های آهنگ استفاده کرد. درست مانند ابزارهای قبلی صنعت موسیقی از دستگاه‌های ضبط تا سینث‌سایزرها و سمپلرها، ابزار جدید هوش مصنوعی با تحریک و واسطه‌ قرار دادن توانایی‌های خلاقانه انسان‌های هنرمند کار می‌کند.

در مورد دستاوردهای سیستم‌ یادگیری عمیقی که در حال حاضر بهترین بازیکنان بازی فکری «گو (Go)» در جهان است، بسیار نوشته شده است. «آلفاگو (AlphaGo)» و انواع آن ادعا کرده‌اند که یک روش کاملا جدید برای انجام این بازی به وجود آورده‌اند. این برنامه به کارشناسان انسانی نشان داده‌ که شروع بازی با حرکت‌هایی که قبلا حرکاتی ضعیف محسوب می‌شدند نیز می‌تواند به برد منتهی شود. این برنامه به سبکی بازی می‌کند کارشناسان آن را عجیب و غریب و بیگانه توصیف کرده‌اند. شی یو، یکی از بازیکنان برتر دنیا در مورد بازی آلفاگو گفته بود که این‌ها درست همان چیزی هستند که از بازی‌ها در آینده‌ای دور متصور بود. بله، به نظر می‌رسد که الگوریتم، واقعا خلاق است.

و از برخی جهات همین‌طور است. بااین‌حال، بازی کردن نسبت به آهنگ‌سازی یا نوشتن یک رمان متفاوت است: در بازی‌ها، مقیاس قابل‌مشاهده‌ای برای موفقیت وجود دارد. ما می‌دانیم که می‌توانیم چیزی از آلفاگو یاد بگیریم، چراکه شاهد برد آن هستیم. اما این چیزی است که باعث می‌شود بازی گو تبدیل به یک قلمرو بازی شود، مورد ساده‌ای که فقط چیزهای محدودی در مورد جهان به ما می‌گوید.

در قلمرو بازی‌های مختلف، ممکن است ماشین‌ها بتوانند به ما در مورد یک فُرم بسیار محدود خلاقیت چیزی یاد دهند. اما قواعد این قلمرو از پیش تعیین شده‌ است؛ سیستم تنها به این دلیل می‌تواند موفق شود که یاد گرفته به‌خوبی در این محدوده‌ها بازی کند. فرهنگ انسانی و ماهیت انسان بسیار جالب‌توجه‌تر از این است. هنجارهایی هم در مورد اعمال انسانی وجود دارند. خلاقیت به معنای واقعی، توانایی تغییر این هنجارها در برخی حوزه‌های مهم انسانی است. موفقیت در قلمرو بازی، نشانی بر این نیست که اساسی‌ترین نوع خلاقیت قابل‌دستیابی است.

یک شکاک ممکن است ادعا کند که این استدلال تنها به این دلیل درست است که ما بازی را با نبوغ هنری قیاس کرده‌ایم. پارادایم‌های خلاقانه‌ی دیگری نیز در حوزه‌های علمی و ریاضی وجود دارند. در این حوزه‌ها، دیگر بحث جهان‌بینی در میان نیست. بلکه فقط در مورد سازوکارهاست. ممکن است ماشینی بتواند به اثبات‌های ریاضی دست پیدا کند که بتوانیم آن را نبوغ خلاقانه قلمداد کنیم؟ خیر.

کامپیوترها همین حالا هم به دستاوردهای ریاضیاتی قابل‌توجهی کمک کرده‌اند. اما مشارکت آن‌ها مشخصا خلاقانه نیست. اولین قضیه مهمی که به‌وسیله یک کامپیوتر به اثبات رسید، «قضیه چهار رنگ» بود که بیان می‌کند: برای رنگ کردن هر نقشه به‌صورتی که تمامی نواحی همسایه و کشورها هم‌رنگ نباشند، تنها ۴ رنگ کافی است. تقریبا نیم قرن پیش، در سال ۱۹۷۶، کنت اپپل و ولفگانگ هیکن در دانشگاه ایلینوی، مدرک کامپیوتری را برای اثبات این قضیه منتشر کردند. کامپیوتر میلیاردها محاسبه و هزاران نوع مختلف نقشه را بررسی کرده بود، کاری که برای انسان ناممکن بود.

اما ابرکامپیوترها با بررسی تعداد بسیار زیادی پارامتر، هیچ کار خلاقانه‌ای انجام نمی‌دهند. در عوض، در اکثر مواقع کار حوصله‌سربری را انجام می‌دهند؛ این تقریبا عکس خلاقیت است. علاوه‌بر این، این نوع اثبات ریاضی به کمک کامپیوتر، چیزی نیست که برخی کارشناسان، اثبات ریاضی به حساب آورند. فیلسوف ریاضی، توماس تیموچکو استدلال می‌کند اگر ما حتی نتوانیم ثابت کنیم که اثبات درست است، همه‌ی کاری که انجام داده‌ایم، اعتماد به یک پروسه محاسباتی مستعد خطا است.

حتی فرض کنیم که توانستیم به نتایج به‌دست‌آمده اعتماد کنیم، بااین‌حال، اثبات‌ ریاضی به کمک کامپیوتر، چیزی شبیه به موسیقی ساخت کامپیوتر است. اگر نتیجه یک محصول ارزشمند است، دلیل آن عمدتا کمک ما انسان‌هاست. اما برخی کارشناسان استدلال می‌کنند که هوش مصنوعی قادر به دستیابی به چیزهای بیش از این خواهد بود. بگذارید فرض کنیم که درنهایت، یک ماشین کاملا متکی به خود خواهیم داشت که به‌تنهایی قضایا را اثبات می‌کند.

آیا یک ماشین مانند آن می‌تواند در خلاقیت‌های ریاضی از ما پیش بیافتد، درست همان‌طور که کرزویل و باستروم استدلال می‌کنند؟ به‌عنوان مثال، فرض کنید که هوش مصنوعی در یک مسئله بسیار دشوار و حل‌نشده ریاضیاتی به نتیجه‌ای برسد.

سقوط خانه آشر (۲۰۱۷) ساخته آنا ریدلر. انیمیشن ۱۲ دقیقه‌ای براساس فیلم صامتی به همین نام ساخته واتسون و ویبر در سال ۱۹۲۸ (اقتباسی از داستان کوتاهی از ادگار آلن پو). ریدلر برای تولید عکس‌ها از سه شبکه عصبی جداگانه بهره برده است

دو احتمال وجود دارد؛ اول اینکه اثبات یک قضیه بسیار هوشمندانه باشد و کارشناسان درستی آن را تأیید کنند. در این مورد، هوش مصنوعی که موفق به کشف اثبات یک قضیه شود، مورد تحسین قرار می‌گیرد. خود ماشین حتی ممکن است یک ریاضیدان خلاق محسوب شود. اما چنین دستگاهی نمی‌تواند گواهی بر تکینکی باشد؛ این ماشین نمی‌تواند آنقدر به‌لحاظ خلاقیت از ما پیش بیافتد که حتی نتوانیم بفهیم چه عملی انجام داده است. حتی اگر نوعی خلاقیت در سطح انسان داشته باشد، به‌ناچار به قلمرو ابرانسانی منتهی نخواهد شد.

برخی از ریاضیدانان از نوازندگان چیره‌دست موسیقی خوششان می‌آید: آن‌ها به وضوح در یک زمینه موجود متمایز هستند. اما نابغه‌هایی مانند الکساندر گروتندیک، امی نوتر و سرینیواسا رامانوجان مسلما ریاضیات را تغییر داده‌اند؛ دقیقا به همان شکلی که شوئنبرگ موسیقی را تغییر داد. دستاوردهای آن‌ها صرفا اثبات فرضیه‌های قدیمی نبود، بلکه اشکال جدید و غیرمنتظره‌ی استدلال بود که نه‌تنها منطقی بود؛ بلکه توانایی متقاعد کردن دیگر ریاضیدانان نسبت به اهمیت این نوآوری‌های را داشت. کار یک هوش مصنوعی که می‌تواند قضیه‌ای که مدت‌ها ریاضیدانان انسان را به خود مشغول کرده، به شیوه‌ هوشمندانه‌ای اثبات کند، با آلفاگو و انواع دیگر آن یکسان است؛ عملی چشمگیر است، اما به هیچ‌وجه مانند شوئنبرگ نیست.

موردی که گفتیم، احتمال دیگری را پیش‌روی ما می‌گذارد. فرض کنید بهترین و درخشان‌ترین الگوریتم یادگیری عمیق پس از مدتی به ما می‌گوید: «من اثبات یک قضیه کاملا جدید را پیدا کرده‌ام، اما این قضیه حتی برای بهترین ریاضیدانان شما نیز بسیار پیچیده است.»

اما چنین چیزی امکان‌پذیر نیست. اثباتی که حتی بهترین ریاضیدانان نتوانند درک کنند، واقعا یک اثبات به حساب نمی‌آید. همان‌طور که یک موسیقیدان باید مخاطبانش را متقاعد کند تا مفهوم زیبایی‌شناسی موسیقی خوب را بپذیرند، یک ریاضیدان نیز باید سایر ریاضیدانان را قانع کند که دلایل خوبی برای باور به دیدگاه او وجود دارد. یک مدرک معتبر در ریاضیات باید توسط گروهی مستقل از کارشناسان معتبر قابل درک باشد. اگر کارشناسان قادر به درک اثبات نباشند، جامعه نیز آن را به‌عنوان یک اثبات نمی‌پذیرد.

به همین علت، ریاضیات بیشتر از آنچه تصور می‌کنید، شبیه به موسیقی است. یک ماشین نمی‌تواند با اختلاف به‌لحاظ خلاقیت از ما پیش بیافتد، چرا که یا موفقیت آن قابل درک است؛ در این صورت با اختلاف از ما فراتر نخواهد رفت یا قابل فهم نخواهد بود؛ در این صورت ما نمی‌توانیم آن را خلاقیت به حساب بیاوریم.

مهندسی و علوم کاربردی به‌نوعی جایی بین این نمونه‌ها قرار می‌گیرند؛ چیزی شبیه مقیاس قابل‌مشاهده‌ای که قبلا در موردش بحث کردیم. ما نمی‌توانیم در ساخت پل یا پزشکی به همان طریق شطرنج برنده شویم، اما می‌توانیم ببینیم که پلی خراب می‌شود یا ویروسی به کل از بین می‌رود. این معیارهای عینی تنها زمانی اتفاق می‌افتد که قلمرو به خوبی مشخص شده باشد: به‌عنوان مثال، به‌کاربردن مصالح مستحکم و سبک‌وزن در ساخت پل یا داروهایی که با بیماری‌های خاص مقابله می‌کنند.

یک الگوریتم هوش مصنوعی ممکن است موفق به کشف دارو به همان شکلی شود که الگوریتم دیگری یک قطعه موسیقی آوازی درست شبیه باخ می‌سازد یا یک استراتژی جدید در بازی گو ابداع می‌کند. چنین هوش مصنوعی مانند یک میکروسکوپ، تلسکوپ یا ماشین‌حساب، ابزاری برای کشف انسان محسوب می‌شود، نه اینکه خود یک عامل مستقل خلاق باشد.

پنکه برقی (۲۰۱۸)؛ تام وایت از الگوریتم‌های «موتورهای ادراکی» استفاده می‌کند که اطلاعاتی از هزاران عکس با اشیاء مشترک را جداسازی می‌کند تا اشکال انتزاعی تولید کند

بهتر است از نظریه «نسبیت خاص» صحبت کنیم. از آلبرت انیشتین به‌عنوان کاشف نسبیت یاد می‌شود، اما نه به این دلیل که اولین کسی بود که معادلاتی مطرح کرد که بهتر ساختار فضا و زمان را توصیف می‌کردند. جورج فیتزجرالد، هندریک لورنتز و آنری پوانکاره از کسانی بودند که قبل از اینشتین این معادلات را نوشته بودند. اما انیشتین تنها به این دلیل به‌عنوان کاشف این نظریه تحسین شده که توانست درک اصیل، قابل‌توجه و درستی از معنای معادلات به دست بیاورد و دیگران را نیز قانع کند.

به همین صورت، ماشینی که خلاقیتش با انیشتین قابل مقایسه باشد، باید بتواند فیزیکدانان دیگر را به ارزش ایده‌های خود حداقل به همان اندازه‌ی انیشتین متقاعد کند. و به‌همین ترتیب ما قادر به پذیرش فرضیات او اگر بتواند اعتبارشان را ثابت کنند، خواهیم بود. اگر چنین دستگاهی روزی به وجود بیاید، درست به‌مانند پینوکیو، ما باید به مانند یک انسان با او رفتار کنیم. این بدان معنا است که ما باید نه‌تنها هوش، بلکه هرگونه شایستگی و ارزش اخلاقی را نیز همچون انسان به آن نسبت دهیم. البته ما از این سناریو خیلی فاصله داریم و هیچ دلیلی وجود ندارد که پارادایم محاسباتی فعلی هوش مصنوعی در قالب یادگیری عمیق یا هر چیز دیگری، هرگز ما را به آن نزدیک کند.

خلاقیت یکی از ویژگی‌های کاملا متمایز انسان است. ظرفیت خلاقیت واقعی، نوع خلاقیتی است که درک ما از ماهیت خودمان را تغییر می‌دهد و موجب دگرگونی درک ما از آنچه زیبایی، حقیقت یا خوبی می‌دانیم می‌شود. این ظرفیت، شالوده‌ای انسانی دارد. اما این نوع خلاقیت به ارزش‌گذاری و اهمیتی که به آن می‌دهیم، بستگی دارد. همان‌طور که نویسنده، برایان کریستن خاطرنشان کرد؛ انسان‌ها رفتارهایی را پیش گرفته‌اند که کمتر شبیه همان موجودی است که خلاقیت را ارزشمندترین دستاوردهایش می‌داند و خود بیشتر شبیه به ماشین‌ها شده‌اند.

چند نفر امروز مشاغلی دارند که در آن نیاز به متن‌های از پیش‌نوشته داشته باشند؟ چقدر از آنچه که ما به‌عنوان گفتگوی واقعی، معتبر، خلاق و پایان باز انسانی می‌شناسیم در این جدول کلمات متقاطع جا مانده است؟ ‌به‌جای آن، چقدر از آن نوع قاعده از پیش مشخص است که ماشین هم می‌تواند انجام دهد؟

ما در برخی از موفق‌ترین حوزه‌های خود نیز در معرض این سردرگمی هستیم. اگر ما قضایایی که ماشین‌ها اثبات کرده‌اند را بدون اینکه بفهمیمشان، خلاقیت واقعی قلمداد کنیم؛ دستاوردهای ریاضی را می‌پذیریم که گویی اصلا نیازی به درک انسان‌ ندارند. ما یکی از بالاترین اشکال خلاقیت و هوشمان را می‌گیریم و آن را به یک بیت اطلاعات تقلیل می‌دهیم: بله یا خیر.

حتی اگر این اطلاعات را داشتیم، بدون درک درستی از دلایل آن، برای ما ارزش کمی می‌داشت. ما نباید از ضرورت استدلال که شالوده ریاضیات است، چشم‌پوشی کنیم. در مورد هنر، موسیقی و فلسفه و ادبیات هم همین‌طور است. اگر به خودمان اجازه دهیم به وضعی بیافتیم که ماشین را جایگزین خلاقیت خود کنیم، آنگاه ماشین‌ها واقعا به طرز غیرقابل درکی از ما پیش می‌افتند. و دلیل آن هم این است که ما نقش اصلی خلاقیت را از یاد برده‌ایم.