هوش مصنوعی و آیندهٔ علم

مقدمه‌ای در باب معنای زندگی

بگذارید با اعتراف به موضوعی کمی خجالت‌آور شروع کنم: شغل من منبع اصلی معنا در زندگی من است. نه از آن جهت که تصور کنم «نقش مهمی در زندگی انسان‌های زیادی ایفا می‌کنم»، بلکه از جنبه‌ای وجودی‌تر (اگزیستانسیال).

وقتی دوره‌ی دبیرستان را تمام کردم و باید تصمیم می‌گرفتم با زندگی‌ام چه کنم، تصمیم گرفتم در رشته‌های فیزیک و فلسفه تحصیل کنم. این دو رشته را انتخاب کردم چون اشتیاق شدیدی داشتم تا نوعی «معنای زندگی» بیابم… و حس می‌کردم این دو رشته بهترین شانس من برای رسیدن به آن هستند.

خیلی وقت است که از یافتن معنای «زندگی، جهان و همه‌چیز» دست کشیده‌ام؛ اما خواندن فیزیک چیزی مرتبط به من داد. این یک مأموریت با جاه‌طلبی کمتر و متفاوت است، اما همچنان به زندگی من معنا می‌بخشد: سهیم بودن در علم (حتی به سهم کوچک خودم)، راهی برای مشارکت در پروژه‌ی بزرگ بشریت برای شناخت کیهان و هرآنچه در آن است، محسوب می‌شود؛ و این ارزشمند و پرمعناست.

ما هنوز حتی به چرایی حضورمان در اینجا نرسیده‌ایم؛ هنوز داریم روی این کار می‌کنیم که «جهان چگونه کار می‌کند». اما فکر می‌کنم پاسخ به «چگونگی» اولین گام است و برای اینکه به زندگی من معنا بدهد کفایت می‌کند؛ حتی با وجود اینکه می‌دانم در طول حیات من پاسخی حاصل نخواهد شد، و حتی با علم به اینکه سهم من ذره‌ای ناچیز در این طرح عظیم است.

فکر می‌کنم درک اینکه چرا شغل دانشمندی را معنادار می‌دانم، برای خواندن ادامه‌ی این یادداشت ضروری است.

شروع ماجرا

آنچه این رشته افکار را کلید زد، پستی در شبکه‌ی بلواسکای از «جو باک-کولمن» (Joe Bak-Coleman) بود (که توسط کارل تی. برگستورم بازنشر شده بود).

وقتی آن را دیدم، واکنش اولیه‌ام چیزی در این مایه‌ها بود: «من آن دانشمندان را درک می‌کنم. در واقع فکر می‌کنم بررسی “علم توسط هوش مصنوعی” (AI Science) دقیقاً در بطن روح علم است». شگفت‌انگیز خواهد بود اگر بتوانیم آهنگ کشفیات هیجان‌انگیز را تسریع کنیم یا شاید (در زمانی در آینده) به بینش‌های جدیدی دست یابیم که انسان حتی نمی‌توانست تصورش را بکند.

نه تنها فکر می‌کنم بررسی اینکه آیا «علمِ هوش مصنوعی» می‌تواند به واقعیت بدل شود کاری درست برای دانشگاهیان است، بلکه معتقدم کاری شجاعانه است. (البته منظورم دانشگاهیان و پژوهشگران است؛ ابرشرکت‌ها دلایل شوم خودشان را دارند). برای دانشمندی که مشغول کار است، شجاعت می‌خواهد روی چیزی کار کند که معنای کل کار زندگی‌اش را از بین ببرد و چیزی را که به زندگی‌اش معنا می‌دهد (انجام علم)، برون‌سپاری کرده و به رایانه‌ها بسپارد.

بنابراین، کاری که اینجا انجام می‌دهم واکاوی این ایده‌ها و بررسی دقیق‌تر مفهوم «علمِ هوش مصنوعی» است.

این موضوع بحث‌برانگیزی است، پس قبل از شروع یک فرض مهم را مطرح کنم: من در حال بحث درباره‌ی سناریوی آینده‌ای هستم که در آن هوش مصنوعی واقعاً در انجام پژوهش از انسان‌ها بهتر عمل می‌کند.

می‌دانم استدلال‌هایی وجود دارد که می‌گوید هرگز به چنین نقطه‌ای نخواهیم رسید، و شاید هم این استدلال‌ها درست باشند. اما مزایا و معایب آن را اینجا بحث نخواهم کرد؛ چراکه خارج از حوصله این متن است. حتی اعتراف می‌کنم که اگر هوش مصنوعی بهتر از انسان‌ها نباشد، نباید به آن اجازه‌ی نزدیک شدن به علم را بدهیم، یا حداقل باید با بیشترین تردید از آن استفاده کنیم.

نکته‌ی آخر درباره‌ی این فرض: «بهتر بودن» لزوماً به معنای «خطاناپذیر بودن» نیست. پژوهشگران انسانی هم خطاناپذیر نیستند، و دقیقاً به همین دلیل است که روش علمی را برای اعتبارسنجی و بررسی نتایج داریم. پرسش این است که این فرآیند بررسی، وقتی تولیدکننده یک ماشین باشد، چگونه خواهد بود؟ در ادامه به آن می‌پردازم.

تفکیک: فناوری در برابر معرفت

قبل از اینکه به علم برسم، کلمه‌ای درباره‌ی هنر (داستان‌نویسی، نقاشی، سینما) بگویم؛ چون ارتباط آن مهم است. من در زمینه‌ی هنر یک افراطی هستم: من شخصاً فقط خواهان هنر انسانی‌ام و کم‌وبیش خواندن کتاب‌های نوشته‌شده پس از سال ۲۰۲۳ را متوقف کرده‌ام. برای من، هنر یعنی به اشتراک گذاشتن تجربه‌ی انسانی؛ بنابراین هنرِ خلق‌شده توسط یک ماشین، بنا به تعریف، برایم جالب نیست.

اما علم فرق می‌کند. در علم همه‌چیز حول همان «پروژه» می‌چرخد که در مقدمه گفتم. اجازه دهید توضیح دهم:

به باور من، فعالیت علمی را می‌توان به دو بخش عمده تقسیم کرد:

1. مؤلفه‌ی فناوری: ساخت گجت‌ها و ماشین‌ها، درمان بیماری‌ها و کارهایی از این دست.

2. مؤلفه‌ی معرفتی (شناختی): گسترش دانش بشری؛ مانند مکانیک کوانتومی، نظریه‌ی نسبیت… سر درآوردن از سازوکار ساعت‌وار جهان.

اگر ابتدا مؤلفه‌ی فناوری را در نظر بگیریم، فکر می‌کنم تقریباً جای بحثی نیست که ما در سریع‌ترین زمان ممکن بهترین فناوری را می‌خواهیم و تا زمانی که نتیجه‌بخش باشد، فرقی نمی‌کند انسان روی آن تحقیق کرده باشد یا هوش مصنوعی. اگر یکی از عزیزان فردی بر اثر سرطان در حال مرگ باشد، اغلب مردم فقط راهکاری علمی می‌خواهند که او را درمان کند. من هم قطعاً همین را می‌خواهم.

اما تمرکز اصلی من روی مؤلفه‌ی معرفتی است. من معتقدم علم باید برای انسان‌ها بینش و فهم ایجاد کند.

بینشی که صرفاً به عنوان آثاری درون یا خروجی از یک هوش مصنوعی وجود داشته باشد، بی‌معنی است. من می‌خواهم دانش در درون مغز انسان‌ها باشد؛ تا جهان برای آگاهی و خودآگاهی انسان، برای بشریت، قابل‌فهم‌تر شود.

و اگر اینکه ماشین‌ها ابتدا ادعای کشف دانشی بکنند به انسان‌ها کمک کند تا به درک جدیدی از کیهان برسند، من از آن استقبال می‌کنم.

من عاشق هیجان کشف کردنم؛ تقریباً عاشق تک‌تک جنبه‌های علم و دانشمند بودن هستم. اما از دید من، پروژه‌ی علمی درباره‌ی من نیست؛ بلکه درباره‌ی فهم بشریت از جایگاه خود در کیهان است. و اگر این پروژه بدون من در نقش پژوهشگر بهتر پیش می‌رود، وظیفه‌ی من این است که کنار بروم.

(آه!)

وضعیت جدید: گذار از «کشف» به «فهم»

ریاضیدان برجسته، «ترنس تائو» (Terence Tao)، نوشته‌های زیادی درباره‌ی هوش مصنوعی دارد. دیدگاه او به‌طور ویژه‌ای جالب است، زیرا ریاضیات در حال حاضر حوزه‌ای است که وضعیت مورد بحث ما، نزدیک‌تر از هر جای دیگری به واقعیت امروز است. بنابراین از افکار او بهره‌ی زیادی می‌برم.

تائو وضعیت را در فوریه ۲۰۲۶ در مجله‌ی The Atlantic این‌گونه توصیف کرد:

«این مسائل مثل نقاط دوردستی هستند که باید به سمت آن‌ها پیاده‌روی و کوهنوردی کنید. در گذشته مجبور بودید کل مسیر را سفر کنید؛ در طول مسیر می‌توانستید نشانه‌گذاری کنید تا دیگران دنبالتان بیایند و می‌توانستید نقشه ترسیم کنید.»

این تصویری زیباست: دانشمند در جایگاه کاشف یک قاره‌ی ناشناخته‌ی دانش. اگر این تمثیل را به تمام علم تعمیم دهیم، به تصویر الف (در نمودار) می‌رسیم: دانش موجود ما مانند یک سرزمین نقشه‌برداری‌شده است و مرز ناشناخته‌ها در امتداد آن قرار دارد.

نکته‌ی حیاتی این است: تا پیش از این، “کشف” و “فهم بشری” پابه‌پای هم حرکت می‌کردند. روش گسترش دانش بشر این بود که کشف و درک، دوشادوش یکدیگر پیش می‌رفتند؛ برای رسیدن به چیزی جدید، باید مسیرتان تا آنجا را می‌فهمیدید.

اما وضعیت جدید با هوش مصنوعی (که به نظر می‌رسد اکنون در ریاضیات رخ داده) این است که نقشه‌ی دانش ناحیه‌ی جدیدی پیدا می‌کند:

در این ناحیه، مرز کشف و مرز درک و فهم از هم جدا می‌شوند. یک فضای عمیقاً جذاب گشوده می‌شود که در آن هوش مصنوعی بینش‌های جدیدی درباره‌ی جهان کشف کرده است، اما هنوز هیچ انسانی آن را «نمی‌فهمد». در ادامه‌ی این استعاره، من این فضا را «قلمرو بی‌صاحب / ثبت‌نشده» (Unclaimed Territory) می‌نامم.

اگر به مؤلفه‌ی معرفتی علم برگردیم، وجود بخش‌های بزرگی از جهان که کشف شده اما فهمیده نشده، می‌تواند وحشتناک به نظر برسد. تائو بدون اینکه صریح بگوید، به همین فضا اشاره می‌کند:

«ابزارهای هوش مصنوعی مانند این هستند که با هلیکوپتر شما را در مقصد پیاده کنند. شما تمام مزایای خودِ مسیر و سفر را از دست می‌دهید. مستقیماً به مقصد می‌رسید، در حالی که رسیدن به مقصد، فقط بخشی از ارزش حل آن مسئله بود.»

او همچنین در جایی دیگر می‌گوید:

«ابزارهای مدرن هوش مصنوعی بدون نظارت خبرگان می‌توانند روی اهداف ظاهری رشته متمرکز شوند، بدون هیچ انگیزه‌ای برای پیمودن مسیر آهسته و مکاشفه‌آمیز. پرچم فتح می‌شود، گل به ثمر می‌رسد و مسئله حل می‌شود؛ اما به قیمت از دست رفتن درس‌های آموخته‌شده، بینش‌های کسب‌شده، همکاری‌های شکل‌گرفته و اهداف جدیدی که می‌شد در مسیر یافت.»

تائو حتی مقاله‌ای با عنوان «ناهم‌راستایی شدید هوش مصنوعی در ریاضیات» نوشت و اعلام کرد که اهداف شرکت‌های هوش مصنوعی با جامعه‌ی ریاضیدانان ناهم‌راستاست؛ چراکه «حل مسئله صرفاً ابزار و نمادی است برای رسیدن به هدف اصلی، یعنی درک مفهومی و بینش». من و تائو کاملاً در این هدف معرفتی و ایجاد بینش برای انسان هم‌نظریم.

«قلمرو بی‌صاحب» می‌تواند برای پروژه‌ی علم فوق‌العاده باشد!

اما تفاوت دیدگاه من با تائو (که بحث را جذاب می‌کند) در اینجاست: من فکر می‌کنم پیشی گرفتن هوش مصنوعی از درک بشر می‌تواند چیز فوق‌العاده‌ای باشد.

تائو نگران «سوءهاضمه‌ی اثبات‌ها» است؛ یعنی اثبات‌هایی که تولید و حتی درستی‌سنجی می‌شوند، بدون اینکه توسط مغز انسان هضم (= فهمیده) شوند.

اما عجله برای چیست؟ قلمرو وسیع و بازی را تصور کنید که می‌توانیم سرِ فرصت و با فراغ بال در آن کاوش کنیم. ما مجبور نیستیم پابه‌پای سرعت کشف ماشین‌ها بدویم؛ می‌توانیم با «سرعت انسانی» خودمان پیش برویم و ذره‌ذره آن را هضم کنیم تا دانش کاملاً در ذهن انسان جا بیفتد.

این ایده را در نظر بگیرید: چه می‌شود اگر کاوش در این “قلمرو بی‌صاحب” بسیار لذت‌بخش و سرگرم‌کننده باشد؟ شاید پیاده شدن با هلیکوپتر روی قله آن‌قدرها هم بد نباشد!

نقشه‌بردار معرفتی (پژوهشگر انسان) بر فراز قله‌ای فرود می‌آید که ماشین‌ها آن را یافته‌اند؛ حالا پژوهشگر می‌تواند از این قله مسیرهایی به سمت سرزمین‌های قبلاً شناخته‌شده ترسیم کند و قله را به دانش قبلی پیوند دهد، یا از این ارتفاع، به سمت قله‌های همسایه برود که تنها از این نقطه در دسترس بودند.

رسیدن به مقصد با هلیکوپتر لزوماً به معنای رد شدن از سفر نیست؛ بلکه مبدأهای جدیدی برای شروع سفر در اختیار ما می‌گذارد. به شما می‌گوید کدام مسیرها ارزش پیمودن دارند و مقصدی پیش پای شما می‌گذارد تا به سویش حرکت کنید.

اینکه بدانید گزاره‌ای «درست» است و بفهمید جایگاه کلی آن در چشم‌انداز دانش کجاست، درِ جدیدی برای درک آن مسئله باز می‌کند. هر دانش‌آموزی که روی مسئله‌ای گیر کرده و از روی پاسخ‌نامه‌ی آخر کتاب، مسیر را به عقب برگشته تا راه‌حل را بفهمد، این تجربه را درک می‌کند. «حل مسئله از انتها به ابتدا» شاید بار منفی داشته باشد، اما در پروژه‌ی علمی این‌طور نیست؛ هدف ما بیرون کشیدن رازها از دل جهان است و هر روشی ارزش دارد!

در تاریخ علم نیز سابقه داشته که ما پاسخ‌ها را در دست داشتیم و دهه‌ها طول کشید تا آن‌ها را از نظر تئوری درک کنیم:

• فرمول بالمر برای خطوط طیفی هیدروژن (۱۸۸۵) ۲۸ سال منتظر ماند تا مدل بور (۱۹۱۳) آن را توضیح دهد.

• ابررسانایی در سال ۱۹۱۱ کشف شد، اما ۴۶ سال طول کشید تا نظریه‌ی BCS (در ۱۹۵۷) آن را تبیین کند.

• ابررساناهای دمای بالا (۱۹۸۶) هنوز پس از دهه‌ها به طور کامل درک و تبیین نشده‌اند.

در ریاضیات نیز ایده‌ی نتایج بدون اثبات چیز جدیدی نیست: سرینیواسا رامانوجان، که در سال ۱۹۲۰ در سن ۳۲ سالگی درگذشت، دفترچه‌هایی پر از فرمول‌ها و نتایج شگفت‌انگیز بدون هیچ‌گونه اثباتی بر جای گذاشت؛ ریاضیدانان یک قرن است که وقت خود را صرف درک این موضوع کرده‌اند که چرا یافته‌های او درست بوده‌اند و از دل کشفیات او، مفاهیم عمیقی خلق شده است. ماشین‌های هوش مصنوعی نیز می‌توانند مانند رامانوجان‌های عصر ما باشند.

جمع‌بندی

به این ترتیب، در دورانی که کشفیات ماشین‌ها از درک ما سبقت می‌گیرد، علم به پایان نمی‌رسد؛ بلکه ماهیت کار علمی بازتعریف می‌شود. دانشمندان به «نقشه‌برداران معرفتی» (Epistemic Surveyors) تبدیل خواهند شد؛ کسانی که کارشان صرفاً رقابت با رایانه‌ها بر سر کشف داده‌های خام نیست، بلکه اتصال دستاوردهای ماشین به پیکره‌ی درک و آگاهی بشر است تا جهان همچنان برای ذهن انسان معنادار و قابل فهم باقی بماند.