هوش مصنوعی به تازگی دچار فراز و نشیب هایی شده است. اخیرا یک سیستم هوش مصنوعی تواسنت قهرمان سابق جهان در بازی فکری گو را شکست دهد، و این به عنوان یک نقطه عطف کلیدی برای محققان هوش مصنوعی محسوب می شد. اما یک هفته پس از آن، یک chatbot که برای یادگیری تعاملات با انسان در توییتر طراحی شده بود موجب یک بحران نژادپرستانه بسیار عمومی در شبکه های اجتماعی شد.
اما چگونه این اتفاق افتاد، و معنی آن برای حوزه دینامیک AI چیست؟
در اوایل ماه مارس، یک سیستم هوش مصنوعی گوگل توانست قهرمان سابق جهان، لی سدول را در یک بازی باستانی چین به نام گو شکست دهد. این بازی بسیار پیچیده تر از شطرنج است و قبلا به عنوان یک معیار برای ارزیابی پیشرفت در دستگاه هوشمند مورد استفاده قرار می گرفت. هرچند کارشناسان یک دهه قبل انتظار داشتند یک ماشین بتواند انسان را در بازی گو ببرد.
اما به تازگی مایکروسافت از یک سیستم هوش مصنوعی در توییتر به نام Tay رونمایی کرد که به تقلید از یک دختر 19 ساله آمریکایی طراحی شده است. کاربران توییتر می تواند در Tay حرف بزنند، و این تعامل منجر به یادگیری سیستم از این فعل و انفعالات و در نهایت برقراری ارتباط بهتر با انسان خواهد شد. اما تنها 16 ساعت بعد این شرکت مجبور به برداشتن این چت بوت شد، زیرا چت بوت شروع به گفتن پیام های نژادپرستانه، ضد زن و جنسی صریح کرد. این شرکت عذرخواهی زیادی از کاربران کرد، و حمله هماهنگ به آسیب پذیری چت بوت و سوء استفاده های فنی را مقصر دانست. بارت سلمان یکی از متخصصان هوش مصنوعی، و استاد علوم کامپیوتر در دانشگاه کرنل، گفت: دلیل این آسیب پذیری این بود که به نظر می رسید Tay عبارات را بدون هیچ نوع فیلتری تکرار می کند. جای تعجب است که مایکروسافت یک حفاظ مناسب برای جلوگیری از چنین احتمالی ایجاد نکرده، این حادثه نشان دهنده یکی از نقاط ضعف عمده هوش مصنوعی مدرن است: درک زبان.
آموزش هوش مصنوعی

هوش مصنوعی می تواند به راحتی متن ها را تجزیه کند به همین دلیل چت بوت هایی مانند Tay میتوانند جملاتی با صدای انسان را تقلید کنند. حتی در سرویس ترجمه گوگل و اسکایپ هم بکار می روند. اما تجزیه متن با درک معانی و جملات تفاوت زیادی دارد.

بسیاری از پیشرفت های اخیر در تکنولوژی هوش مصنوعی به لطف رویکردی به نام یادگیری عمیق صورت گرفته، که در برخی از سطوح رفتار سلول های عصبی مغز را تقلید می کند. این سیستم ها با داشتن بخش های عظیمی از داده ها، به راحتی الگوها را پیدا می کنند، به همین دلیل بسیاری از موفقیتهای بزرگ در زمینه وظایف ادراکی مانند تصویر و یا تشخیص گفتار صورت گرفته است. یکی از مزایای اصلی یادگیری عمیق این است که این سیستم ها قابلیت "کشف ویژگی های خودکار" را دارند.

اولین لایه بهینه سازی شده شبکه برای ویژگی های بسیار اساسی داده، مانند لبه اشیاء در تصاویر است. این خروجی سپس به لایه بعدی فرستاده می شود، که برای تنظیمات پیچیده تر اسکن می شود. این فرایند تا زمانی که سیستم به سطوح بالاتر می رسد و قادر به استفاده از ساختارهای تشخیص داده شده توسط لایه های پایین تر شود، تکرار می شود. با یادگیری عمیق،فقط می توانید داده های خام را به برخی شبکه های عصبی بزرگ اضافه کنید.

این امر منجر به دستیابی به برخی از قابلیت های برتر از انسان شده است.سیستم های یادگیری عمیق نشان داده اند در تشخیص بیماری با اسکن MRI بهتر از متخصصان پزشکی هستند. ترکیب این روش با یادگیری تقویتی در وظایفی که دارای امکان ساخت شبیه سازی های دقیق مجازی هستند موفقیت آمیز بوده است.  
کهیر سلیمان، افسر ارشد فناوری و همکاری بنیانگذار استارتاپ هوش مصنوعی  Maluuba در کانادا گفت: سیستم هوش مصنوعی گوگل، با نام AlphaGo، با میلیون ها بار بازی و با استفاده از ترکیبی از روش ها برای بالا بردن مهارت های خود و توسعه استراتژی به یکی از متخصصان این بازی تبدیل شده است.

او گفت: چالش بزرگ برای هوش مصنوعی در حوزه ای است که در آن مجموعه ای عظیم از داده های برچسب شده وجود ندارد، و یا جایی که محیط نمی تواند به خوبی شبیه سازی شود. زبان یک مثال بزرگ برای این حوزه است. اگرچه اینترنت شامل متن های بی پایان است، اما هیچ جا معنای آن در بعضی فرم دستگاه قابل هضم برچسب نشده است.

Maluuba در حال توسعه الگوریتم هایی است که می تواند متن ها را بخواند و به سوالات در مورد آن پاسخ دهد، اما چندین ویژگی زبان این کار را دشوار می سازند. برای مثال، زبان بسیار پیچیده است - به این معنی که در سراسر سطوح مختلف از جمله کلمه و عبارت و... گسترش یافته است. این سطوح مختلف می توانند به شیوه های نامحدودی ترکیب شوند و هر انسانی به طور متفاوت از آنها استفاده کند.

و نکته دیگر این است که تمام زبان ها انتزاعی هستند؛ و کلمات علامت های ساده برای اشیا در دنیای واقعی هستند، که یک ماشین اغلب نمی تواند آنها را تجربه کنند. بدون دسترسی به طول عمر داده ها در دنیای فیزیکی و ثروت تعاملات اجتماعی که انسان در آن جمع شده، جای تعجب کمی است که Tay معانی کلمات را درک نکند.

آینده پیش رو

با وجود این چالش ها، Maluuba  ماه گذشته طی یک مقاله، نشان داد که چگونه یک سیستم قادر به پاسخ به سوالات چند گزینه ای در مورد متون نا آشنا با بیش از 70 درصد دقت است، و عملکرد بهتری نسبت دیگر شبکه ها ی عصبی با 15 درصد داشت. رویکرد این شرکت، یادگیری عمیق را با ساختار شبکه عصبی ترکیب می کند. این شرکت همچنین بر روی سیستم های مکالمه گفتاری که می توانند شرکت در مکالمه با انسان را یاد بگیرند کار می کند.

سلمان گفت: ضعف ها در معرض تنظیمات بسیار باز کنترل نشده هستند، که نه تنها شامل جنبه های مختلف هوش انسانی بلکه شامل درک افراد دیگر هم می شود.

ولی پیشرفت هایی زیادی هم در این زمینه صورت گرفته، مانند ماشین خودکار گوگل. که نیاز به دستگاه هایی برای درک بیشتر قوانین جاده ای، هنجارهای اجتماعی نشده و معضلات اخلاقی برای دوری از برخورد دارد.

یکی دیگر از نتایج پیشرفت در هوش مصنوعی و رباتیک در زمینه افزایش تعداد ماشین آلات در دنیای واقعی است، و همچنین توانایی ارتباط برقرار کردن با انسان هدف بلند پروازانه ای برای هنردوستان علمی تخیلی نیست. محققان در حال حاضر به دنبال یافتن روش هایی  هستند که می تواند به ماشین آلات برای درک جهان اطراف کمک کند.

هرچند یادگیری عمیق حوزه بزرگی است، اما بخش های دیگری هم وجود دارند که مستلزم توجه هستند. در حال حاضر پرسش های زیادی وجود دارد در مورد اینکه ما از این ماشین آلات می خواهیم چه کاری انجام دهند بنابراین محققان شروع به تمرکز بیشتر بر روی آنها کرده اند.