تاریخچه ناگفته هوش مصنوعی؛ انسان‌هایی که ماشین‌های هوشمند را ساختند

تاریخچه هوش مصنوعی عموما درباره‌ی ماشین‌آلاتی تعریف می‌شود که در گذر زمان هوشمندتر شده‌اند. آنچه در تاریخچه‌های مرسوم گم شده، تأثیر انسان بر پیشرفت ماشین‌ها بوده است؛ اینکه ماشین‌های هوشمند چگونه توسط ذهن‌ها و دستان انسانی طراحی شده، آموزش می‌بینند و ساخته می‌شوند.

در این مقاله‌ی زومیت قصد داریم تاریخی ناگفته از هوش مصنوعی را تعریف کنیم. تاریخی که چگونگی تأثیر نوآوران، مخترعان، متفکران، کارگران و حتی هکرها را در ساخت الگوریتم‌هایی با قابلیت شبیه‌سازی ذهن و رفتار انسان، شرح می‌دهد. اگرچه اخبار جدید از پیشرفت هوش مصنوعی و توانایی کار کردن آن‌ها بدون نیاز به انسان، جذاب به نظر می‌رسد، اما درنهایت نباید فراموش کنیم که ماشین‌های هوشمند هم در بهترین حالت به‌خوبی ذهن انسان هستند.

قسمت اول: چارلز ببیج و ترک

در سال ۱۷۷۰ و در بارگاه ماریا ترسا، ملکه‌ی اتریش مخترعی به‌نام ولفگانگ کمپلن ماشینی با قابلیت انجام بازی شطرنج معرفی کرد. کمپلن اختراع خود را ترک (Turk) نامیده بود. دستگاه او رباتی شبیه به انسان با ابعادی تقریبا طبیعی و ساخته شده از چوب افرا بود. کمپلن لباسی شبیه به عثمانی‌ها برای رباتش طراحی کرده و آن را پشت یک میز چوبی مجهز به صفحه‌ی شطرنج نصب کرده بود.

ربات ترک دستاورد بزرگی برای کمپلن محسوب می‌شد. او در سال‌های بعد به سرتاسر اروپا سفر کرد و نابغه‌های متعدد آن سال‌ها را در رقابت شکست داد. بنجامین فرانکلین و فردریک کبیر از افرادی بودند که توسط ربات ترک شکست خوردند. پس از مرگ کمپلن در سال ۱‍۸۰۴، یک دانشجو و ابزارساز آلمانی به‌نام یوهان نپوموک ملزل ربات را خریداری کرد و تور جهانی رقابت را ادامه داد.

یکی از افرادی که برخوردی نزدیک با ربات ترک داشت، چارلز ببیج، مهندس و ریاضیا‌دان مشهور بریتانیایی بود. او در سال ۱۸۱۹ دو مرتبه با ربات بازی کرد و شکست خورد. تام استندیج، تاریخچه‌‌ای کامل از ربات ترک نوشت. او در جایی گفته بود که ببیج اعتقاد داشت ربات مذکور هوشمند نیست و شاید فردی در داخلش آن را کنترل می‌کند.

ببیج درست حدس زده بود. کمپلن و ملزل هر کدام اساتید شطرنجی را استخدام کرده بودند تا در کابینت مخصوص ترک نشسته و بازی را انجام دهند. استاد مخفی‌شده در کابینت، با استفاده از تصویر آینه‌ای صفحه‌ی شطرنج حرکات رقیب را مشاهده می‌کرد.

ببیج پس از آنکه به حقه‌ی ربات شک کرد، برخلاف افراد دیگر هم‌عصرش تلاشی برای افشای آن انجام نداد. درعوض به‌نظر می‌رسد رویارویی او با ربات تقلبی، زمینه‌های تفکر درباره‌ی هوش مصنوعی را در ذهنش ایجاد کرده باشد.

ریاضی‌دان مشهور بریتانیایی کمی پس از رویارویی با ربات ترک طراحی ماشین‌حساب مشهور خود را شروع کرد. هدف او از ساختن ماشین Difference Engine این بود که جداول لگاریتمی بدون خطا را به‌صورت خودکار محاسبه کند. اولین ماشین او حدود ۴ تن وزن و ۲۵ هزار قطعه‌ی فلزی داشت. ببیج در میانه‌ی راه، طراحی و ساخت ماشین را متوقف کرد تا به ساخت دستگاهی پیچیده‌تر به‌نام Analytical Engine بپردازد.

ماشین جدید ببیج شامل بخش‌هایی به‌نام Store و Mill بود که مانند حافظه و پردازنده‌ عمل می‌کردند. به‌علاوه ظرفیت تفسیر دستورالعمل‌های برنامه‌نویسی به‌کمک کارت‌های پانچ‌شده هم در آن لحاظ شده بود.

بیج ابتدا تصور می‌کرد که ماشین جدیدش به‌عنوان نسخه‌ای پیشرفته‌تر از ماشین تفاضل کار خواهد کرد. البته همکار مشهوری آدا لاولیس به این نکته پی برد که قابلیت برنامه‌ریزی ماشین تحلیلی جدید، کاربرد جامع‌تری به آن می‌دهد. او در جایی گفته بود که ماشین ببیج زمینه‌های ظهور نوعی شاعرانه از علم را فراهم خواهد کرد که ریاضی‌دانان بتوانند با برنامه‌نویسی، انجام کارها را به ماشین‌ها یاد بدهند. لاولیس پیش‌بینی کرده بود که ماشین‌ها خواهند توانست موسیقی‌هایی استادانه نیز تولید کنند.

دانشمند بریتانیایی درنهایت با همکار خود (اولین برنامه‌نویس تاریخ) هم‌عقیده شد. او به این نتیجه رسید که ظرفیت بالای ماشینی عمومی می‌تواند تغییراتی عظیم در جهان ایجاد کند و توانایی انجام کارهایی بیشتر از محاسبه‌ی اعداد خواهد داشت.

ذهن ببیج در زمان بررسی ظرفیت‌های ماشین هوشمندش، به رقابت با ربات ترک معطوف شد. او در سال ۱۸۶۴ در یادداشت‌هایش نوشت که دوست دارد با استفاده از نشانه‌گذاری مکانیکی، چالش‌های جدیدی را حل کند:

من پس از بررسی‌های بسیار، اختراع ماشینی را به‌عنوان هدف انتخاب کردم که توانایی انجام موفق یک بازی با مهارت‌های فکری کامل همچون شطرنج را داشته باشد.

باوجود آنکه هیچ ارتباط فنی بین ربات ترک و ماشین ببیج وجود ندارد، امکان هوشمند شدن یک ماشین که توسط جعبه‌ی کمپلن نشان داده شد، احتمالا الهامی برای ببیج بود تا تفکری کاملا جدید درباره‌ی ماشین‌ها پیدا کند. همکار ببیج، سر دیوید بروستر بعدها درباره‌ی ترک نوشت:

آن اسباب‌بازی‌های خودکار که زمانی برای سرگرمی عوام استفاده می‌شدند، اکنون در توسعه‌ی قدرت و پیشرفت جامعه‌ی بشری به کار می‌روند.

رویارویی ببیج با ربات ترک در سال‌های ابتدایی تاریخ رایانش نشان می‌دهد که گاهی اوقات، عناصر جذاب عمومی و اخبار پیرامون آن‌ها با نوآوری همسو می‌شوند. به‌علاوه درسی دیگر هم از آن می‌گیریم که هوشمندی اهداشده به ماشین‌ها تقریبا همیشه وابسته به مهارت‌های انسانی است که نادیده می‌مانند.

قسمت دوم: زنان برنامه‌نویس و اولین کامپیوتر الکترونیکی آمریکا

در ۱۴ فوریه‌ی سال ۱۹۴۶، روزنامه‌نگارها در دانشکده‌ی مهندسی مور دانشگاه پنسیلوانیا گردهم آمدند تا شاهد رونمایی از اولین نمونه‌ از کامپیوترهای اختصاصی دیجیتالی الکترونیکی باشند؛ کامپیوتری به‌نام ENIAC یا Electronic Numerical Integrator and Computer.

آرتور برکس، ریاضی‌دان و مهندس ارشد تیم انیاک مسئول نمایش ظرفیت‌های ماشین جدید بود. او ابتدا ۵ هزار عدد را به کمک کامپیوتر با هم جمع کرد که در یک ثانیه انجام شد. او سپس نشان داد که ماشین الکترونیکی توانایی محاسبه‌ی بردار حرکت یک بمب را در زمان بسیار کوتاهی دارد.

آنچه که خبرنگاران در مراسم رونمایی از انیاک ندیدند یا به بیان بهتر از آن‌ها مخفی شد، فعالیت برنامه‌نویسی گروهی ۶ نفره از زنان بود؛ فعالیتی که در پشت هوشمندی ظاهری کامپیوتر قرار داشت و به‌نوعی انقلابی در صنعت رایانش بود. این زنان قبلا به‌نوعی فعالیت‌های کامپیوتر را انجام می‌دادند.

برنامه‌ی ساخت ماشینی برای محاسبه‌ی بردار حرکتی بمب، در سال‌های ابتدایی جنگ جهانی دوم تدوین شد. دانشکده‌ی مهندسی مور با آزمایشگاه تحقیقات بالستیک (BRL) همکاری می‌کرد. در آن آزمایشگاه، تیمی متشکل از ۱۰۰ کامپیوتر انسانی آموزش دیده بودند تا جداول مربوط‌به سلاح‌‌های توپخانه‌ای را محاسبه کنند.

وظیفه‌ی افراد حاضر در BRL برای محاسبه‌ی جداول، نیاز به مهارت‌های ریاضیاتی بالا داشت که شامل توانایی حل معادلات غیرخطی دیفرانسیل، استفاده از تحلیل دیفرانسیل و خط‌کش محاسبه می‌شد. در آن سال‌ها رایانش به‌عنوان کاری دفتری محسوب می‌شد و وظیفه‌ای بود که برای مهندسان مرد، خسته‌کننده بود. به‌همین دلیل، آزمایشگاه BRL زنان را برای محاسبات استخدام کرد که اکثرا مدارک دانشگاهی و استعدادهای ریاضیاتی بالا داشتند.

با پیشرفت جنگ، توانایی پیش‌بینی مسیر پرواز بمب‌ها بیش‌از‌پیش با استراتژی‌های جنگی هماهنگ شد. به‌همین دلیل، BRL تحت فشار زیادی گرفت تا نتایج مورد انتظار نظامیان را ارائه کند.

در سال ۱۹۴۲، فیزیک‌دان مشهور جان ماکلی طرحی برای ساخت ماشین‌‌حساب الکترونیکی قابل برنامه‌ریزی با اهداف خاص ارائه کرد که فرایندهای بالا را به‌صورت خودکار انجام دهد. تا ماه ژوئن سال ۱۹۴۳، ماکلی با همکاری مهندس برق جی پرسپر اکرت، سرمایه‌ی مورد نیاز برای ساخت ENIAC را دریافت کرد.

هدف اصلی از ساخت کامپیوتر الکترونیکی، جایگزینی صدها کامپیوتر انسانی حاضر در BRL بود تا فرایند محاسبه را سریع‌تر و با بازدهی بالاتر انجام دهند. به‌هرحال مالکی و اکرت به این نتیجه رسیدند که ماشین جدید آن‌ها باید به‌کمک کارت‌های پانچ‌شده برنامه‌نویسی شود تا بردارهای پرتابه‌ای را محاسبه کند. تکنیک مورد نظر، تا سال‌ها توسط IBM برای برنامه‌نویسی ماشین‌های دیگر استفاده شد.

ادل و هرمان گلدشتاین، زوجی بودند که فرایند رایانش انسانی را در BRL مدیریت می‌کردند. آن‌ها پیشنهاد دادند که قوی‌ترین ذهن‌های حاضر در گروهشان، انجام وظیفه‌ی برنامه‌نویسی را بر عهده بگیرند. درنهایت ۶ زن انتخاب شدند: کتلین مک‌نالتی، فرانسس بیلاس، بتی جین جنینگر، روث لیکترمن، الیزابت اشنایدر و مرلین وسکاف. آن‌ها از کامپیوترهای انسانی به اپراتورهای ماشین جدید ارتقاء یافتند.

اولین وظیفه‌ی گروه ۶ نفره این بود که با تمامی جزئیات داخلی و خارجی ENIAC‌ آشنا شوند. آن‌ها مدارک و نقشه‌های اولیه‌ی ماشین را مطالعه کردند تا مدارها، منطق و ساختار فیزیکی را به بهترین نحو درک کنند. نکات زیادی برای یادگیری گروه وجود داشت. ماشین انیاک، ۳۰ تن وزن داشت و ۱۴۰ متر مربع را اشغال کرده بود. بیش از ۱۷ هزار لامپ خلأ به همراه ۷۰ هزار مقاومت، ۱۰ هزار خازن، ۱۵۰۰ رله و ۶ هزار سوئیچ دستی در آن استفاده شده بود.

انیاک تا موعد مقرر آماده نشد تا مسیر پرتابه‌‌ی بمب‌ها را در زمان جنگ محاسبه کند. البته کمی پس از جنگ مأموریت جدیدی توسط جان فون نیومن برای دستگاه تعریف شد تا محاسبات هم‌جوشی هسته‌ای را انجام دهد. چنین کاربرد جدیدی نیازمند بیش از یک میلیون کارت پانچ‌شده بود. فیزیک‌دانانی از لوس آلاموس با تکیه بر مهارت برنامه‌نویسی اپراتورها برای انجام پروژه‌ی جدید متحد شدند؛ برنامه‌نویس‌هایی که با انجام آن حجم از عملیات، ناآشنا نبودند.

با وجود همکاری شدید زنان برنامه‌نویس در توسعه‌ی کامپیوتر اولیه، همکاری آن‌ها آن‌چنان که باید و شاید دیده نشد. به خاطر آنکه برنامه‌ریزی ماشین در آن زمان کاری شبیه به رایانش انسانی بود، فعالیت‌های زنان به‌عنوان عملی جانبی و کم‌اهمیت جلوه داده شد. رهبران فیزیک‌دان پروژه و مهندسان ارشد، روی طراحی و ساخت سخت‌افزارها متمرکز شدند که از نظر آن‌ها برای آینده‌ی رایانش حیاتی بود.

به‌خاطر دلایل گفته‌شده در بالا، زمانی‌که انیاک به‌صورت نهایی در سال ۱۹۴۶ رونمایی شد، ۶ اپراتور زن در مراسم حاضر نبودند. آن سال‌ها، زمان طلوع جنگ سرد بود. ارتش آمریکا نیز همه‌ی تلاش خود را می‌کرد تا برتری فناورانه‌ی خود را نشان دهد. با رونمایی از انیاک به‌عنوان ماشینی خودکار و هوشمند، مهندسان به‌نوعی سلطه‌ی خود را بر حوزه‌های جدید نشان دادند، اما نیروی انسانی درگیر در آن را مخفی کردند.

تاکتیک روابط عمومی آمریکایی‌ها در رونمایی از انیاک موفقیت‌آمیز بود و پوشش رسانه‌ای دهه‌های آتی در حوزه‌ی رایانش را به خود اختصاص داد. در اخباری که پیرامون انیاک در سرتاسر جهان پخش شد، ماشین در مرکز قرار داشت و به‌عنوان «مغز الکترونیک»، «جادوگر» و «مغز رباتیک ساخته‌ی انسان» شناخته می‌شد. 

به‌هرصورت، اشاره‌های کوتاهی به فعالیت‌های طاقت‌فرسای گروه ۶ نفره‌ی اپراتورهای زن در پشت‌صحنه‌ی دستگاه شد؛ همان گروهی که در میان سیم‌ها و لامپ‌های خلأ بی‌شمار دستگاه انیاک حتی زندگی کردند و به‌نوعی باعث پیاده‌سازی هوش نهایی شدند.

قسمت سوم: خطاهای عمدی کارگزار هوشمند آلن تورینگ

در سال ۱۹۵۰ و ظهور عصر دیجیتال، آلن تورینگ مشهورترین مقاله‌ی خود به‌نام «Computing Machinery and Intelligence» را منتشر کرد. او در مقاله‌ی خود سؤال مشهور «آیا ماشین‌ها می‌توانند فکر کنند» را مطرح کرد.

تورینگ با الهام از قوانین بالا یک آزمایش فکری طراحی کرد که مسابقه‌دهنده یک کامپیوتر بود. اگر کامپیوتر را به‌گونه‌ای برنامه‌نویسی کنیم که توانایی به اشتباه انداختن قاضی را داشته باشد، می‌توان آن را هوشمند نامید. درواقع، ماشینی هوشمند خواهد بود که افراد در ارتباط با آن نتوانند تشخیص دهند با ماشین یا انسان روبه‌رو هستند.

آزمایش فکری درنهایت به‌نام «آزمایش تورینگ» شناخته شد. آزمایشی که تا امروز هم یکی از شناخته‌شده‌ترین و بحث‌برانگیزترین مفاهیم هوش مصنوعی محسوب می‌شود. دلیل اصلی ماندگار بودن تست مذکور این است که پاسخی روشن به سؤال «آیا ماشین‌‌ها می‌توانند فکر کنند؟» می‌دهد. اگر کامپیوتری بتواند تست را با موفقیت پشت سر بگذارد، پاسخ برای آن مثبت خواهد بود.

فیلسوف مشهور، دنیل دنت اعتقاد دارد آزمایش تورینگ برای پایان دادن به بحثی فلسفی پیرامون ماشین‌ها طراحی شد. او دراین‌باره می‌گوید:

به‌جای آنکه پیرامون طبیعیت و ذات فکر کردن بحث کنیم، بهتر است به این توافق برسیم که هر چیزی بتواند تست مذکور را با موفقیت پاسخ دهد، آن طبیعیت (فکر کردن) را دارد.

مطالعه‌ی دقیق‌تر آزمایش تورینگ، جزئیاتی را مشخص می‌کند که ابهام بیشتر در آزمایش را به همراه دارد. درواقع احتمالا تورینگ به‌جای شرح دادن آزمایشی کاربردی، به‌دنبال ایجاد چالشی پیرامون هوشمندی ماشین‌ها بوده است. دانشمند بزرگ بریتانیایی در بخشی از مقاله‌ی خود، ماهیت و رفتار احتمالی ماشین هوشمندی را در آینده مثال زد. در مثال زیر، انسان از ماشین سؤال می‌پرسد و ماشین پاسخ می‌دهد:

سؤال: لطفا شعری درباره‌ی پل چهارم در اسکاتلند بنویس.

پاسخ: من را از این کار معاف کنید. من توانایی نوشتن شعر ندارم.

سؤال: ۳۴۹۵۷ را با ۷۰۷۶۴ جمع کن.

پاسخ: (پس از ۳۰ ثانیه مکس)، ۱۰۵۶۲۱.

سؤال: آیا تو شطرنج بازی می‌کنی؟

پاسخ: بله.

سؤال: من فقط مهره‌ی پادشاه را دارم که در موقعیت K1 قرار دارد. تو پادشاه را در موقعیت K6 و قلعه را در موقعیت R1 داری. نوبت بازی تو است.

پاسخ: (پس از ۱۵ ثانیه)، قلعه به موقعیت R8، مات.

در مثال بالا، کامپیوتر اشتباهی در بحث ریاضی مرتکب شد. مجموع صحیح عددهای مورد سؤال ۱۰۵۷۲۱ می‌شود. به‌نظر نمی‌رسد دانشمند بزرگی همچون تورینگ، چنین اشتباهی را مرتکب شده باشد. به‌احتمال زیاد هدف او قرار دادن نکته‌‌ای مخفی در مقاله بوده است.

تورینگ در ادامه‌ی مقاله‌ی خود توضیح می‌دهد که اشتباه محاسباتی حقه‌ی برنامه‌نویسی است تا قاضی را در بازی تقلید با اشتباه روبه‌رو کند. تورینگ به این نتیجه رسید که اگر خواننده‌های مقاله متوجه اشتباه شوند، با خود تصور می‌کنند که مخاطب در سؤال‌های بالا، انسان باشد؛ چرا که چنین اشتباهاتی از ماشین محاسباتی بعید به نظر می‌رسد. درنتیجه تورینگ گفت که ماشین‌ها را می‌توان به‌ گونه‌ا‌ی برنامه‌نویسی کرد که به عمد، اشتباهاتی را انجام دهند؛ اشتباهاتی که تصور انسان بودن آن‌ها را در ذهن مخاطبان افزایش دهد.

یوجین شبیه به کودکی ۱۳ ساله بود که انگلیسی را به‌عنوان زبان دوم صحبت می‌کرد. درنتیجه اشتباهات در ترکیب حروف و گرامر از سوی آن به‌خاطر سن کم و بالغ نبودن برداشت می‌شد. درواقع می‌شد اشتباهات چت‌بات و هوش مصنوعی را از توانایی پردازش زبان دور کرد.

داستان مشابه دیگر برای هوش مصنوعی Duplex و در سال گذشته‌ی میلادی رخ داد. وقتی هوش مصنوعی محصول گوگل آواهایی همچون اوهوم و آها را تکرار می‌کرد، منتقدان آن‌ها را سرشار از هوش بالا ندانستند. آن‌ها معتقد بودند این رفتارها تنها حقه‌های برنامه‌نویسی بوده‌اند تا شک و تردید انسانی را در رفتار ماشین تقلید کنند.

مثال‌های بالا تأییدی بر ایده‌ی تورینگ هستند که ماشین‌ها با اشتباهات ساختگی می‌توانند توهم هوش انسانی را در افراد ایجاد کنند. برنامه‌نویس‌های یوجین گوستمن و دوپلکس هم مانند تورینگ به این نتیجه رسیدند که نشانه‌هایی سطحی از جایزالخطا بودن انسانی در ماشین‌ها، برای فریب دادن مخاطبان نسبت به هوش مصنوعی، کاربردی خواهد بود.

شاید آزمایش تورینگ به‌صورت خاص به هوشمندی ماشین نمی‌پردازد بلکه به تصور و درک ما از هوشمند بودن یک پدیده اشاره دارد. تورینگ دراین‌باره می‌گوید:

ایده‌ی هوشمندی به‌صورت ذاتی احساسی و نه ریاضیاتی است. هوشمند بودن یا نبودن یک پدیده همان‌قدر که به وضعیت آن بستگی دارد، به حالت ذهنی و نحوه‌ی آموزش و آگاهی ما نیز وابسته است.

شاید هوشمندی پدیده‌ای نباشد که بتوان داخل یک ماشین برنامه‌نویسی کرد. احتمالا تورینگ نیز تلاش کرده تا هوشمندی را به‌عنوان کیفیتی تعریف کند که حاصل ارتباطات اجتماعی است.

قسمت چهارم: لیکلایدر و هوش ترکیبی

در تاریخ ۲۹ اکتبر سال ۱۹۶۹، دانشجویی از دانشگاه UCLA پیامی دوحرفی از یک کامپیوتر SDS Sigma 7 به ماشینی دیگر در صدها کیلومتر آن‌طرف‌تر و دانشگاه استنفورد در منلو پارک ارسال کرد. پیامی که تنها حاوی کلمه‌ی «LO» بود. دانشجوی موردنظر قصد داشت تا کلمه‌ی LOGIN را ارسال کند، اما شبکه‌‌ی آرپانت که مسئولیت ارسال پیام‌ها را داشت، لحظه‌ای دچار اشکال شد و به‌عبارتی پکت سوئیچینگ به‌طور کامل انجام نشد.

لیکلایدر سابقه‌ای در علم روانشناسی داشت و در سال‌های پایانی دهه‌ی ۱۹۵۰ به کامپیوترها علاقه‌مند شد. او علاقه‌مند به چگونگی تقویت هوش جمعی انسان‌ها به کمک ماشین‌های جدید شده بود. به‌همین دلیل، تصمیم گرفت تا مطالعاتی جدی در علم نوی هوش مصنوعی در آن سال‌ها داشته باشد. او پس از تحقیقات اولیه متوجه شد که برنامه‌نویس‌ها تلاش می‌کنند تا مهارت‌های کنونی انسانی همچون بازی شطرنج یا ترجمه‌ی لغات و عبارات را به هوش مصنوعی بیاموزند. البته هدف اجرای بهینه‌تر مهارت‌ها بود.

مفهوم آموزش مهارت‌های موجود به ماشین‌ها، توسط لیکلایدر به‌صورت کامل پذیرفته نشد. از نظر او مشکل در آنجا بود که روش‌های موجود، انسان و ماشین را موجوداتی برابر می‌دانستند. لیکلایدر باور داشت که انسان و ماشین در ظرفیت‌ها و توانایی‌های شناختی تفاوت‌هایی اساسی دارند. انسان‌ها در فعالیت‌های خاصی همچون خلاق بودن و تلاش برای قضاوت بهتر توانایی بیشتری دارند. درحالی که کامپیوترها در فرایندهایی همچون به خاطر سپردن داده‌ها و پردازش، توانمندتر هستند.

لیکلایدر به‌جای تلاش برای تقلید رفتارهای انسانی توسط ماشین‌ها، رویکردی را پیشنهاد کرد که انسان و ماشین در آن همکاری کنند و هر کدام از نقاط قوت منحصربه‌فرد بهره ببرند. او اعتقاد داشت که استراتژی جدید، تمرکز را از رقابت بین هوش‌های انسانی و مصنوعی (مانند بازی شطرنج) بر می‌دارد. درنتیجه، فرم‌هایی غیرقابل تصور از هوشمندی با بهره‌گیری از همکاری شکل خواهد گرفت.

در سال ۱۹۶۰، مقاله‌ای تحت عنوان «Man Machine Symbiosis» توسط لیکلایدر نوشته شد که در بخشی از آن می‌خوانیم:

امید می‌رود که در آینده‌ای نه‌چندان دور، مغز انسانی و ماشین‌های رایانشی با هم ترکیب محکمی را شکل دهند. همکاری آن‌ها هوشمندی را به همراه خواهد داشت که نوعی تفکر برتر از تفکر همه‌ی انسان‌ها عرضه خواهد کرد. به‌علاوه داده‌ها توسط هوش جدید به‌نوعی پردازش می‌شوند که هیچ ماشینی تا به امروز توانایی آن را نداشته است.

لیکلایدر سیستمی متشکل از کامپیوترها، تجهیزات شبکه و اپراتورهای انسانی را به‌عنوان نمودی از هوش ترکیبی خود می‌دانست. سیستمی که به‌‌نام SAGE یا Semi-Automatic Ground Environment شناخته می‌شد و ۲ سال قبل از انتشار مقاله‌ی او برای ردگیری تجهیزات هوایی آمریکا شروع به کار کرد.

در سال ۱۹۶۳، لیکلایدر به پستی مدیریتی در سازمان تحقیقات پیشرفته‌ی وزارت دفاع آمریکا ARPA (دارپای امروزی) رسید و فرصت پیاده‌سازی برخی از ایده‌های خود را پیدا کرد. او به‌طور اختصاصی روی ایده‌ای به‌نام Intergalactic Computer Network کار می‌کرد.

لیکلایدر به این نتیجه رسیده بود که در ARPA به راهکاری مفید برای به‌روز نگه داشتن تیمی متشکل از ماشین‌ها و انسان‌ها دارد تا با تغییرات ایجادشده در زبان‌های برنامه‌نویسی و پروتکل‌ها هماهنگ باشند. شبکه‌ی ارتباطی که این بخش‌ها را در فواصل دور به هم وصل کند، پاسخی روشن به نیاز لیکلایدر بود. چالش رسیدن به چنان شبکه‌ای مانند مواردی بود که در داستان‌های علمی-تخیلی دیده می‌شد. او از خود می‌پرسید که چگونه می‌توان ارتباط را بین موجوداتی کاملا بی‌ربط به‌هم ایجاد کرد.

آرپا به‌صورت کامل روی پروژه‌های سرمایه‌گذاری کرد تا ایده‌های لیکلایدر اجرا شوند، اما او قبلا سازمان را ترک کرده بود. به‌هرحال ایده‌های او پایه‌گذار تلاش‌ها برای توسعه‌ی شبکه‌‌ی ARPANET یا همان مادر اینترنت شد. با پیشرفت شبکه‌ی موجود و شکل‌گیری اینترنت به‌صورتی که امروزه می‌شناسیم، مفاهیم بیش‌ازپیش به سمت همکاری مغزهای انسانی و ماشینی می‌رفت. کاربران و کارشناسان به‌مرور شاهد همکاری بیشتر انسان‌ها و بازیگران محصول فناوری می‌شدند تا اینکه فرانسیس هیلیگن، سایبرنتیسیست بلژیکی از اصطلاح «مغز جهانی» برای ترکیب جدید استفاده کرد.

مثال‌های زیادی از همزیستی ماشین و انسان و دستیابی به هوش بهینه در دنیای امروز وجود دارد. با‌این‌حال هنوز هم گرایش عمومی هوش ماشینی را به‌عنوان کیفیتی معرفی می‌کند که به یک ابرکامپیوتر با توانایی‌های شناختی در سطح انسانی تعلق دارد. به‌هرحال، آینده‌ی سایبورگ (ترکیب انسان و ماشین) که لیکلایدر تصور کرده بود، به‌نوعی به حقیقت پیوسته است. ما امروز در دنیایی پر از هم‌زیستی ماشین و انسان زندگی می‌کنیم که روان‌شناس آمریکایی زمانی با عبارت «زندگی درکنار یکدیگر و با همکاری صمیمی یا حتی اتحادی قوی بین دو ارگانیسم» توصیف کرده بود. به‌هرحال لیکلایدر به‌جای تمرکز روی ترس از جایگزین شدن توسط ماشین‌ها، ما را با مفهومی از همکاری و ظرفیت‌های مرتبط با آن آشنا می‌کند.

قسمت پنجم: تعصب الگوریتمی

در دهه‌ی ۱۹۷۰، دکتر جفری فرانگلن از دانشکده‌ی پزشکی دانشگاه سینت جورج، طراحی الگوریتمی را برای نظارت روی فرم‌های پذیرش دانشجوها شروع کرد. در آن سال‌ها سه‌چهارم از ۲۵۰۰ فرم درخواست پذیرش سینت جورج از سوی ارزیاب‌های دانشگاه رد می‌شدند و تنها دلیل رد شدن نیز فرم‌های نوشته‌شده بود. درواقع آن فرم‌ها حتی به مرحله‌ی مصاحبه هم نمی‌رسیدند. البته ۷۰ درصد از افرادی که مرحله‌ی اول را به‌خوبی پشت سر می‌گذاستند، به موقعیت‌هایی در دانشکده‌ی پزشکی می‌رسیدند. درنتیجه مرحله‌ی ارزیابی و حذف اولیه از اهمیت بالایی برخوردار بود.

فرانگلن به‌عنوان معاون سینت جورج و همچنین ارزیاب فرم‌های پذیرش فعالیت می‌کرد. خواندن فرم‌های پذیرش زمان زیادی از او و همکارانش می‌گرفت و فرانگلن به فکر خودکارسازی آن افتاد. او فرایند بررسی دانشجویان که توسط خودش و همکاران اجرا می‌شد را مورد مطالعه قرار داد و برنامه‌ای نوشت که رفتار ارزیاب‌های انسانی را تقلید می‌کرد.

هدف اصلی استاد دانشگاه سینت جورج، بهینه‌سازی فرایند پذیرش بود و همچنین تلاش می‌کرد تا ناهماهنگی‌ها در فرایند پذیرش را از بین ببرد. ایده‌ی اصلی این بود که با واگذار کردن فرایند به یک سیستم، تمامی فرم‌های پذیرش در فرایند بررسی دقیق و عادلانه‌تر بررسی خواهند شد؛ اما درنهایت نتیجه‌ای کاملا عکس به دست آمد.

فرانگلن نوشتن الگوریتم را در سال ۱۹۷۹ به پایان رساند. فرم‌های پذیرش پس از آن در ۲ مرحله توسط ماشین و انسان بررسی می‌شدند. فرانگلن متوجه شد که سیستمش در ۹۰ تا ۹۵ درصد مواقع نظری موافق با هیئت نظارت دارد. دانشگاه به این نتیجه رسید که می‌توان سیستم کامپیوتری را جایگزین هیئت انتخاب کرد. تا سال ۱۹۸۲، تمامی فرم‌های پذیرش دانشگاه توسط برنامه‌ی فرانگلن بررسی می‌شدند.

پس از چند سال برخی از مدیران دانشگاه متوجه عدم تنوع در پذیرش دانشجویان شدند. آن‌ها بررسی داخلی روی برنامه‌ی فرانگلن انجام دادند و متوجه شدند که برخی از قوانین اجرایی آن، متقاضی‌ها را طبق فاکتورهای بی‌ربط درجه‌بندی می‌کند؛ فاکنورهایی همچون محل تولد و موارد مشابه که ارتباطی با پذیرش نهایی نداشت. فرانگلن به مدیران اطمینان داد که قوانین براساس پذیرش‌های قبلی نوشته شده‌اند و تأثیر کمی روی انتخاب‌ها دارند.

در دسامبر سال ۱۹۸۶، دو استاد ارشد دانشگاه متوجه بررسی داخلی روی برنامه‌ی فرانگلن شدند و اعتراض خود را به کمیسیون برابری نژادی بریتانیا بردند. آن‌ها ادعا می‌کردند که برنامه‌ی کامپیوتری به‌عنوان پوششی برای تبعیض نسبت به زنان و رنگین‌پوست‌ها استفاده شده است.

در آن سال‌ها، تبعیض جنسیتی و قومیتی در میان دانشگاه‌های بریتانیا رواج داشت و دانشگاه سنت جورج تنها به‌خاطر آنکه تعصب خود را به یک کامپیوتر وارد کرده بود، گرفتار شد. درنهایت به‌خاطر آنکه الگوریتم به‌صورت عمد امتیازهای کمتری را به زنان و افرادی با نام‌های غیراروپایی می‌داد، کمیسیون به این نتیجه رسید که تبعیض در دانشگاه علنی بوده است.

دانشگاه سینت جورج از طرف کمیسیون ضد تبعیض جنسیتی گناهکار شناخته شد، اما عواقب خاصی متوجه تیم مدیریتی نشد. تنها با برخی از افراد ردشده در فرایند پذیرش تماس گرفته شد و ۳ نفر از آن‌ها درنهایت موفق به ورود به دانشکده‌ی مورد نظر شدند. کمیسیون در رأی خود به این نکته اشاره کرد که مشکل ایجادشده نه‌تنها فنی بلکه فرهنگی بوده است. بسیاری از افراد درگیر در فرایند پذیرش قبلا هم فرم‌های پذیرش را به‌عنوان اسنادی غیرقابل انکار می‌دانستند و هیچ‌گاه به‌دنبال دلایل اصلی جداسازی متقاضیان نبودند.

در لایه‌های عمیق‌تر، الگوریتم طراحی‌شده نشان‌دهنده‌ی تعصبی بود که در سیستم پذیرش وجود داشت. به یاد داریم که فرانگلن ابتدا الگوریتم را با انتخاب‌های انسانی آزمایش کرد و به دقت ۹۰ تا ۹۵ درصد رسید. البته او با پیاده‌سازی همان روندها در کد و الگوریتم، تعصب موجود در سیستم پذیرش را به پدیده‌ای دائمی بدل کرده بود.

اتفاق رخ‌داده در دانشگاه سینت جورج توجه بسیاری را به خود جلب کرد. کمیسیون تصمیم گرفت تا نقش جنسیت و نژاد را تا حد امکان از فرایند پذیرش حذف کند، اما به‌هرحال اخبار بد پیرامون تعصب در الگوریتم پخش شده بود.

درحالی‌که که سیستم‌های تصمیم‌گیری الگوریتمی با سرعت زیاد به حوزه‌های مهمی همچون سلامت و قانون وارد می‌شوند، ادامه دادن و پیاده‌سازی تعصب‌های اجتماعی کنونی براساس اطلاعات تاریخی در آن‌ها به نگرانی مهمی بدل شده است. در سال ۲۰۱۶ مؤسسه‌ی روزنامه‌نگاری ProPublica در گزارشی نشان داد که نرم‌افزار مورد استفاده در ایالات متحده‌ی آمریکا برای پیش‌بینی فعالیت‌های مجرمانه، علیه آفریقایی-آمریکایی‌ها عمل می‌کند. در داستانی تازه‌تر، جوی بولاموینی نشان داد که سیستم تشخیص چهره‌ی آمازون درصد خطای بالاتری در تشخیص دادن زنان سیاه‌پوست دارد.

در دنیای کنونی، تعصب ماشین‌ها یکی از مهم‌ترین حوزه‌های بحث هوش مصنوعی است. البته الگوریتم‌های هنوز و اغلب به‌عنوان ابزارهای ریاضیاتی قابل تحسین و دقیق با توانایی ارائه‌ی خروجی‌های بدون تعصب شناخته می‌شوند. کیت کرافورد، یکی از منتقدان هوش مصنوعی می‌گوید اکنون باید درک کنیم که الگوریتم‌ها ساخته‌ی طراحی انسان هستند و تعصب‌های ما را به ارث می‌برند. درنهایت تصور دقیق و غیرمتعصب بودن الگوریتم‌ها، روی این حقیقت واضح را می‌پوشاند: «هوش مصنوعی نهایتاً به‌خوبی ما خواهد بود».

قسمت ششم: ربات ترک به آمازون باز می‌گردد

آمازون با شروع قرن ۲۱ فعالیت‌های خود را فراتر از فروش کتاب توسعه داد. با افزایش کالاها در وبسایت، شرکت باید به‌دنبال راه‌هایی جدید برای دسته‌بندی و مدیریت آن‌ها می‌‌گشت. بخشی از کار، پاک کردن ده‌ها هزار کالای مشابه و کپی بود که روزانه در وبسایت ظاهر می‌شدند.

مهندسان آمازون تلاش کردند برنامه‌ای بنویسند که تمامی کالاهای کپی را در سرتاسر وب‌سایت پاک کند. پیدا کردن و پاک کردن چنین مواردی به نظر آسان و در حوزه‌ی توانایی‌های ماشین بود. البته، مهندسان شرکت بسیار زود از ادامه‌ی پروژه ناامید شدند و فرایند پردازش داده‌ی مورد نظر را بسیار دشوار و غیرقابل تحمل خواندند. وظیفه‌ی مذکور نیازمند توانایی در شناخت تفاوت‌های جزئی در عکس و متن بود و در نتیجه به هوش انسانی نیاز داشت.

ونکی هریناریران، یکی از مدیران آمازون در آن سال‌ها بود که راهکاری برای حل چالش مذکور ارائه کرد. پتنت او نوعی همکاری هوش انسانی و ماشینی را شرح می‌داد که وظیفه‌ی بزرگ را به بخش‌های کوچک‌تر و ساده‌تر تقسیم می‌کرد. سپس وظایف جدید و کوچک به شبکه‌‌ای از نیروی انسانی توزیع می‌شد.

در موضوع پاک کردن کالاهای مشابه، یک کامپیوتر مرکزی، وب‌سایت آمازون را به بخش‌های کوچک‌تر تقسیم می‌کرد. به‌‌عنوان مثال ۱۰۰ صفحه محصول برای دربازکن‌ها ایجاد شد. سپس دسته‌بندی‌های کوچک و جدید با استفاده از اینترنت برای نیروی انسانی ارسال می‌شد. درنهایت کارمندان آمازون می‌توانستند بخش‌های کوچک‌تر را راحت‌تر مدیریت کنند و پس از دسته‌بندی کامل، نتیجه را برای کامپیوتر مرکزی ارسال می‌کردند.

سیستم توزیع‌شده‌ی جدید، مزیتی بسیار حیاتی برای آمازون داشت. دیگر نیازی به گردهم‌آوردن نیروی انسانی در محلی متمرکز نبود. آن‌ها می‌توانستند وظایف کوچک‌شده را از هر نقطه‌ی جهان توسط کامپیوترهای شخصی خود انجام دهند. درواقع محدودیت‌های زمانی و مکانی از پروژه حذف شده بود. می‌توان ادعا کرد که هریناریران، راهکاری مفید را برای توزیع کردن کاری با مهارت پایین و چالش بالا در خودکارسازی ارائه کرد؛ راهکاری که با توزیع وظایف به شبکه‌ای از نیروی انسانی انجام شد که قابلیت کار به‌صورت موازی را داشتند.

روش جدید برای پاک کردن کالاهای مشابه، اثربخشی بسیار بالایی در عملیات داخلی آمازون داشت. جف بزوس تصمیم گرفت که سیستم موجود را برای فروش به شرکت‌های دیگر نیز ارائه کند. با پیشنهاد بزوس، راهکار هریناریران به بازارچه‌ای برای کارگران تبدیل شد. در بازارچه‌ی جدید، کسب‌وکارهایی که وظایف عظیم و آسان برای نیروی انسانی (و دشوار در خودکارسازی) داشتند، با شبکه‌ای از نیروی کار فریلنسر ارتباط برقرار می‌کردند. شبکه‌ی فریلنسرها نیز کار مورد نظر را با قیمت پایین انجام می‌دادند.

درنتیجه‌ی راهکار جدید، آمازون رباتی شبیه‌به ربات ترک (داستان قسمت اول) ساخته بود که Amazon Mechanical Turk یا mTurk نام گرفت. سرویس مورد نظر در سال ۲۰۰۵ رونمایی شد و پایگاه مشتریان آن به‌سرعت توسعه یافت. کسب‌وکارها و محققان بی‌شماری از سرتاسر جهان، هزاران وظیفه‌ی کوچک و بزرگ نیازمند هوش انسانی را در بازارچه بارگذاری کردند. از میان این وظایفه ساده می‌توان به تبدیل صوت به نوشتار یا نوشتن توضیح برای عکس‌های متعدد اشاره کرد. وظایف مذکور با مسئولیت‌پذیری بالا توسط گروهی بین‌ا‌لمللی از کارگران ناشناس و با هزینه‌ای پایین انجام می‌شد. یکی از کارگران آن سیستم هزینه‌ی هر وظیفه را حدود ۲۰ سنت عنوان کرده بود.

نامی که برای سرویس آمازون انتخاب شد، اشاره‌ای به دستگاه بازی شطرنج قرن ۱۸ بود؛ همان دستگاهی که توسط ولفگانگ فون کمپلن اختراع شد. سرویس جدید دقیقا مانند ربات ترک که انسانی را در داخل جعبه مخفی کرده بود، هوش انسانی حاضر در پشت صحنه‌ی فعالیت‌های خودکار را پنهان می‌کرد. کارگران سرویس آمازون به‌جای نام، با عدد شناخته می‌شوند و تمام ارتباط آن‌ها با کارفرمایان به‌صورت ناشناس است. بزوس شخصا این کارگران بدون هویت را «هوش مصنوعی مصنوعی» خوانده بود.

یکی از کاربردهای مهم سرویس mTurk در توسعه‌ی یادگیری ماشین خود را نشان می‌دهد. در یادگیری ماشینی، برنامه‌ی هوش مصنوعی با دیتاستی بزرگ روبه‌رو می‌شود و به‌صورت خودکار می‌آموزد که چگونه الگویی در آن کشف کرده و به نتیجه برسد. کارگران سرویس عمومی برای وظایفی استخدام می‌شوند تا دیتاست‌های آموزشی را برچسب‌گذاری کرده و آموزش دهند. بااین‌وجود نقش آن‌ها در توسعه‌ی یادگیری ماشین عموما نادیده گرفته می‌شود.

ارتباط رخ‌داده بین جامعه‌ی هوش مصنوعی و سرویس mTurk، همان پدیده‌ای است که در طول تاریخ هوشمندی ماشین‌ها دیده می‌شد. ما عموما از ظاهر خودکار و توانایی ماشین‌های هوشمند لذت می‌بریم و آن‌ها را تحسین می‌کنیم، اما نیروی انسانی که در پشت صحنه قرار دارد را نادیده می‌گیریم.

شاید در ارتباط با هوش مصنوعی و نقش انسان‌ها در پیشرفت آن بتوانیم از آموزه‌های نویسنده‌ی معروف، ادگار آلن پو بهره ببریم. وقتی او به ربات ترک ساخته‌ی کمپلن نگاه کرده بود، فریب ماشین را نخورد. او در عوض به وضعیت انسانی فکر می‌کرد که درون جعبه مخفی شده بود. کارگر محبوس، فشرده‌شده در میان اهرم‌ها و چرخ‌دنده‌ها که در شرایطی عجیب و غریب و دردناک قرار داشت.

در دوران کنونی، وقتی اخبار متعددی از پیشرفت‌های هوش مصنوعی را می‌بینیم، باید تفسیر آلن پو از ربات ترک را به خاطر بیاوریم. شاید در نگاه اول هوش مصنوعی جذاب به نظر برسد. شاید با دیدن ماشین‌هایی که دیگر نیاز به موجودات فانی ندارند، شگفت‌زده شویم و حتی گاهی بترسیم؛ اما اگر دقیق‌تر نگاه کنیم، حتما نشانه‌هایی از تلاش‌های نیروی انسانی در آن‌ها نهفته است.