الگوریتم هوشمندی که به‌تازگی از سوی دیپ‌مایند گوگل طراحی شده است، دنیای فناوری و به‌ویژه هوش مصنوعی را یک گام دیگر به واقعیت‌های ملموس زندگی نزدیک‌تر کرده است. الگوریتمی که قادر است برمبنای دانش و اطلاعات به دست آمده از مسائلی که در گذشته آن‌ها را حل کرده است، به‌سراغ حل مسائل جدیدتر و پیچیده‌تر برود. همه انسان‌ها در طول زندگی خود از تجاربی که در حل مسائل به دست می‌آورند در زمینه حل مسائل دیگری که در آینده با آ‌ن‌ها روبه‌رو می‌شود استفاده می‌کنند.

پژوهشگران دیپ‌مایند نیز برمبنای همین تکنیک موفق شده‌اند سطح مهارت‌های الگوریتم هوشمند خود را تقویت کنند و توسعه بخشند. برنامه هوش مصنوعی طراحی شده از سوی دیپ‌مایند موفق شد کارها را یکی پس از دیگری و با اتکا بر مهارت‌های قبلی انجام دهد. این برنامه هوش مصنوعی نه‌تنها موفق شد از عهده وظایف محول سربلند بیرون آید، بلکه همه وظایفی که به او سپرده شده بود را شبیه به یک انسان عادی انجام داد. این برنامه هوشمند به‌خوبی می‌دانست مسائل را در گذشته چگونه حل کرده است و با اتکا بر دانش قبلی به‌سراغ حل مسائل جدیدتر می‌رفت. چالش اصلی که این روزها دانشمندان با آن روبه‌رو هستند این است که هنوز موفق نشده‌اند هوش عمومی را طراحی و به‌شکل عینی از آن استفاده کنند.

برنامه هوش مصنوعی جدید گوگل نه‌تنها موفق شد از عهده وظایف محول سربلند بیرون آید، بلکه همه وظایفی که به او سپرده شده بود را شبیه به یک انسان عادی انجام داد.

در نتیجه هوش مصنوعی در مقایسه با انسان‌ها در ارتباط با چالش‌های جدیدی که ممکن است با آن‌ها روبه‌رو شود حد و مرز قائل است و به‌طور محدود می‌تواند از تجارب قبلی خود در حل مشکلات جدید استفاده کند. اما گوگل گفته است، برای حل این مشکل راهکاری ابداع کرده است. راهکاری که به گوگل اجازه می‌دهد به‌سراغ ساخت هوش مصنوعی عمومی AGI  (سرنام Artificial General Intelligence ) نیز برود. هر زمان دنیای فناوری موفق شود به هوش مصنوعی عمومی/ جامع دست پیدا کند، به‌معنای آن است که قدرت و توانایی هوش مصنوعی ماشینی هم‌تراز با هوش انسانی خواهد بود. جیمز کریک‌پاتریک از پژوهشگران شرکت دیپ‌مایند در این ارتباط گفته است: «اگر ما به‌دنبال آن هستیم تا کامپیوترهایی هوشمندتر و مفیدتر در اختیار داشته باشیم، باید به آن‌ها اجازه دهیم به‌شکل مستمر و بدون وقفه در حال یادگیری باشند.»

انسان‌ها به‌طور ذاتی این توانایی را دارند تا مهارت‌های قدیمی خود را به یاد آورند و از این مهارت‌ها به‌منظور انجام وظایف جدید استفاده کنند. یک اسکیت‌باز حرفه‌ای را تصور کنید. اسکیت بازی روی یخ و یادگیری آن کار پیچیده و سختی نیست. به‌واسطه آنکه در مدت زمان یادگیری، مهارت‌های انسانی قادر هستند یکدیگر را تقویت کنند. اما تعمیم چنین مهارتی در ارتباط با ماشین‌ها تا به امروز عملاً غیرممکن یا بسیار پیچیده بوده است. تلاش‌های انجام گرفته در این زمینه نشان می‌دهند که بازآفرینی همین مهارت ساده در کامپیوترها به یکی از چالش‌های بزرگ دانشمندان حوزه هوش مصنوعی تبدیل شده است. برنامه‌های هوش مصنوعی به شکلی طراحی می‌شوند که تنها در انجام یک وظیفه خاص و فقط و فقط در انجام یک وظیفه ممتاز می‌شوند. مشکل فوق به این دلیل رخ می‌دهد که هوش مصنوعی وظایف را به‌شکل خاصی انجام می‌دهد. اکثر قریب به اتفاق برنامه‌های هوش مصنوعی برمبنای شبکه‌های عصبی وظایف خود را انجام می‌دهند. شبکه‌های عصبی به این برنامه‌ها یاد می‌دهند که چگونه باید وظیفه خاصی را انجام دهند. امروزه برنامه‌های هوشمند متنوعی را پیدا می‌کنید که یک بازی فکری خاص را به‌خوبی انجام می‌دهند. به‌طور مثال، پژوهشگران به شبکه‌های عمیق عصبی یاد می‌دهند از طریق راهکار آزمون و خطای بی‌شمار در بازی‌هایی همچون شطرنج یا گو به مهارت دست پیدا کنند.

حال تصور کنید در نظر داشته باشیم یک شبکه عصبی که در بازی گو استاد شده است، بازی دیگری را یاد بگیرد. در این حالت مجبور هستیم مهارت‌های جدید را جایگزین مهارت‌های قبلی و دو مرتبه فرآیند آموزش را آغاز کنیم. پژوهشگران حوزه هوش مصنوعی از این مشکل به‌نام فراموشی فاجعه‌بار (Catastrophic Forgetting) نام برده‌اند. مادامی که هوش مصنوعی محدود به یک مهارت باشد و این توانایی را نداشته باشد تا مهارتی که به دست آورده را در ارتباط با مهارت دیگری به کار گیرد، هیچ‌گاه موفق نخواهد شد همانند انسان‌ها موضوعات را یاد بگیرد یا هیچ‌گاه به انعطاف‌پذیری قابل قبولی که بتواند مشکلات جدید را با راه‌‌حل‌های خلاقانه حل کند دست پیدا نخواهد کرد. پاتریک در این ارتباط گفته است: «انسان‌ها و حیوانات نکات ضروری و حیاتی زندگی خود را یکی پس از دیگری یاد می‌گیرند. این خود عامل بسیار مهمی است که به انسان‌ها و حیوانات اجازه می‌دهد به‌طور مستمر و با تکیه بر دانش قبلی خود فرآیند یادگیری را دنبال و همواره از تجارب قبلی خود استفاده کنند. ساده‌ترین مثالی که در این زمینه به آن می‌توان اشاره کرد یادگیری یک زبان است. ممکن است در یادگیری یک زبان جدید با مشکلات زیادی روبه‌رو شوید، اما زمانی که به‌سراغ زبان دوم یا سوم می‌روید، این فرآیند یادگیری بیش از پیش ساده می‌شود.»

برای ساخت برنامه هوش مصنوعی جدید، پژوهشگران مطالعات جامعی در ارتباط با علوم اعصاب انجام دادند. پژوهش‌های انجام گرفته به این گروه از پژوهشگران نشان داد حیوانات به‌طور غریزی ارتباطات مغزی مرتبط با مهارت‌های مهم و حیاتی که در گذشته به دست آورده‌اند را حفظ کرده و به این شکل فرآیند یادگیری پی ‌در پی را ادامه می‌دهند. حیوانات به‌خوبی این مهارت را یاد گرفته‌اند که برای زنده ماندن و شکار یک طعمه باید استتار کنند. آن‌ها مهارت لازم در ارتباط با پیدا کردن غذا را به‌خوبی فرا گرفته‌اند. حال اگر مهارت‌های لازم در ارتباط با پیدا کردن غذا در مغز موش را با مهارت‌های دیگری جایگزین کنیم، این موجود برای مدت زمان طولانی قادر به ادامه حیات نخواهد بود. این دقیقاً همان مشکلی است که امروزه هوش مصنوعی با آن روبه‌رو است. مهارتی جایگزین مهارت دیگری می‌شود.هوش مصنوعی جدید دیپ‌مایند موفق شد شکل ساده‌ای از فرآیند یادگیری در مغز انسان را منعکس کند. این برنامه پیش از آنکه برای انجام یک وظیفه به‌سراغ وظیفه دیگری برود، ابتدا این موضوع را بررسی می‌کند که کدام‌یک از ارتباطات موجود در شبکه عصبی او بیشترین نقش را در انجام وظایف داشته‌اند. پس از شناسایی این ارتباطات، روی آن‌ها متمرکز می‌شود تا از طریق یادگیری مهارت جدید بتواند تغییری در مهارت فعلی خود به وجود آورد. (شکل ۲)

شکل ۲- گراف فوق فرآیند یادگیری انجام دو وظیفه مختلف در برنامه هوش مصنوعی جدید گوگل را نشان می دهد.

کرک‌پاتریک در این ارتباط گفته است: «ساز و کار شبکه عصبی فوق به این شکل است که اگر اطلاع پیدا کند که قادر است از آموخته‌های قبلی خود در ارتباط با کار جدیدی استفاده کند، این کار را انجام خواهد داد.» پژوهشگران دیپ‌مایند این برنامه هوشمند را برای ده بازی‌ کلاسیک آتاری همچون برک آوت، مهاجمان فضایی و مدافعان مورد استفاده قرار دادند. در این آزمایش برنامه هوشمند بازی‌ها را به‌شکل تصادفی انجام می‌داد. نتایج به دست آمده از این پژوهش نشان داد هوش مصنوعی در هفت بازی موفق شد عملکردی همانند یک انسان داشته باشد. بدون بهره‌مندی از تکنیک تثبیت حافظه (Memory Consolidation Approach) این برنامه هوش مصنوعی به‌سختی موفق می‌شد این بازی‌ها را به‌خوبی انجام دهد. این آزمایش نشان داد هوش مصنوعی دیپ‌مایند با اتکا بر مهارت‌های قبلی خود از استراتژی‌های جالبی برای موفقیت در بازی‌ها استفاده کرده است.

بی‌شک در سال‌های آینده باید در انتظار اخبار بیشتری در ارتباط با مدل‌هایی باشیم که قادر هستند از تجربیات قبلی خود در ارتباط با مشکلات آینده استفاده کنند. 

به طور مثال، در بازی Enduro که یک بازی اتومبیل‌رانی است و مراحل آن در زمان‌های مختلفی از شبانه‌روز انجام می‌شود، هوش مصنوعی دیپ‌مایند به هریک از این مراحل در قالب یک وظیفه جدید و متفاوت که باید به سرانجام برسد نگاه کرد. پژوهشگران دیپ‌مایند نتایج به دست آمده از این پژوهش را در قالب مقاله‌ای در مجموعه مقالات آکادمی ملی علوم منتشر کرده‌اند. در این مقاله پژوهشگران به‌وضوح تشریح کرده‌اند چگونه برنامه هوش مصنوعی جدید آن‌ها موفق شده است با استناد به مهارت‌ها و دانشی که از کارهای قبلی به دست آورده، مسائل جدید را حل کند. با وجود این هنوز هم به‌درستی مشخص نیست آیا مجموعه مهارت‌هایی که این برنامه هوش مصنوعی در گذشته به دست آورده به این الگوریتم هوشمند کمک کرده است عملکرد بهتری داشته باشد یا خیر. در حالی که این برنامه به‌خوبی یاد گرفته بود بازی‌های مختلف را انجام دهد، اما عملکرد آن در مقایسه با یک برنامه هوش مصنوعی که به‌طور اختصاصی برای یک بازی طراحی شده بود، قابل مقایسه نیست.

کریک‌پاتریک در این باره گفته است: «ما در این پژوهش نشان دادیم برنامه فوق این توانایی را دارد تا کارهای پی‌ در پی را یاد بگیرد. اما به این موضوع اشاره نکردیم که یادگیری به‌واسطه انجام کارهای مستمر باعث بهبود عملکرد برنامه شده است. هنوز هم عوامل دیگری وجود دارند که در ارتباط با این برنامه باید بهبود پیدا کنند.» یکی از مهم‌ترین دلایلی که باعث شد هوش مصنوعی فوق این توانایی را نداشته باشد تا بازی‌ها را به بهترین شکل ممکن انجام دهد، در بعضی موارد به نداشتن درک درست ارتباطات خاص و چگونگی مرتبط کردن آموخته‌ها با استراتژی‌هایی که برای پیروزی در بازی‌ها به آن‌ها نیاز داشت بازمی‌گردد. کرک‌پاتریک در این ارتباط گفته است: «ما به‌خوبی از این موضوع اطلاع داریم که یادگیری مستمر رویکردی مهم است. اما هنوز به مرحله بعدی یادگیری وارد نشده‌ایم. مرحله‌ای که به ما اجازه می‌دهد نوع خاصی از یادگیری که انسان‌ها و حیوانات از آن‌ها استفاده می‌کنند را در ارتباط با هوش مصنوعی مورد استفاده قرار دهیم. در نتیجه هنوز هم راه طولانی پیش ‌رو داریم. اما اکنون به‌خوبی از این موضوع اطلاع داریم که می‌توان بر یکی از بزرگ‌ترین چالش‌های پیش روی هوش مصنوعی فائق آمد.

هنوز هم فاصله زیادی تا رسیدن به هوش مصنوعی عمومی در مقابل ما است. پژوهش‌های بسیاری باید در این زمینه انجام شود. یکی از مهم‌ترین بخش‌های اصلی که باید تکمیل شود، طراحی سامانه‌ای است که بتواند با اتکا بر یادگیری بر چالش‌ها و وظایف جدید غلبه کند و این‌ کار را به‌صورت بی‌درنگ انجام دهد. این پژوهش نخستین گام را در این زمینه برداشته است. پژوهش فوق در آینده به ما کمک خواهد کرد تا سامانه‌های ویژه‌ای را برای حل مشکلات طراحی کنیم که درزمینه یادگیری انعطاف‌پذیر و کارآمدتر باشند.» پیتر دایان مدیر واحد علوم اعصاب محاسباتی گتسبی در دانشگاه لندن این پژوهش را بسیار خوب توصیف کرده است. او می‌گوید: «کامپیوترها تنها در صورتی به هوش مصنوعی عمومی دست پیدا می‌کنند که رویکرد یادگیری در آن‌ها نهادینه شود. آن‌ها باید این موضوع را یاد بگیرند که چگونه یک کار به کار دیگری مربوط می‌شود. زمانی که به این سطح از ادراک دست پیدا کنند، از مهارت‌ها و دانش قبلی خود در جهت حل مؤثرتر مسائل جدید استفاده خواهند کرد.»

آلن وینفیلد از آزمایشگاه روباتیک بریستول در دانشگاه وست انگلستان می‌گوید: «در حالی که پژوهش انجام گرفته از سوی دیپ‌مایند فوق‌العاده بوده است، اما به عقیده من این دستاورد جدید ما را به‌سمت هوش مصنوعی عمومی نزدیک‌تر نخواهد کرد، به‌واسطه آنکه این پژوهش به‌شکل روشنی نشان نداد که آیا هوش مصنوعی فوق این پتانسیل را داشت تا یک مهارت را به مهارت دیگر تعمیم دهد یا خیر. قابلیت تعمیم یک توانایی به توانایی دیگر کاری است که من و شما از دوران کودکی و بدون هیچ‌گونه آموزشی قادر به انجام آن بودیم.»
رویکردی که امروزه از سوی شرکت‌های بزرگ عرضه فناوری دنبال می‌شود این است که اطلاعات کاربران را جمع‌آوری و در ادامه از این طلاعات به‌منظور آموزش الگوریتم‌های خود استفاده کنند. اما گوگل به‌دنبال آن است تا روی یادگیری توزیع شده متمرکز شود. یادگیری توزیع شده تکنیک موفق دیگری است که به برنامه‌های هوش مصنوعی اجازه می‌دهد فعالیت‌های خود را مرکززدایی کنند. در نتیجه، به‌جای آنکه همواره به اطلاعاتی نیاز باشد که روی سرورهای گوگل قرار دارد و از این اطلاعات به‌منظور آموزش الگوریتم‌ها استفاده شود، فرآیند یادگیری به‌طور مستقیم روی دستگاه کاربر به مرحله اجرا درخواهد آمد. به‌عبارت‌ ساده‌تر، پردازنده‌های موجود در گوشی‌های هوشمند کاربران فرآیند آموزش هوش مصنوعی گوگل را عهده‌دار خواهند شد. گوگل روی مبحث یادگیری و به‌کارگیری مجدد دانش از سوی هوش مصنوعی کاملاً متمرکز شده است. برنامه کاربردی GBoard که گوگل چندی پیش از آن رونمایی کرد، براساس راهکار یادگیری توزیع شده کار می‌کند. (شکل ۳)

GBoard از نمونه روان‌تر الگوریتم تانسورفلو استفاده می‌کند. گوگل در این ارتباط گفته است: «یادگیری توزیع شده به ما اجازه می‌دهد به مدل‌های هوشمندتر، سریع‌تر و بهینه‌تری دست پیدا کنیم. مدل‌هایی که می‌توانند برمبنای دانش قبلی خود به‌شکل محدودتری از منابع استفاده کنند و مهم‌تر از آن به حریم خصوصی کاربران احترام بگذارند.» به نظر می‌رسد شرکت‌های بزرگ دنیای فناوری در حال تغییر رویکرد خود هستند. به گونه‌ای که اطلاعات محدودتری را از کاربران خود دریافت کنند. اپل نیز ماه ژوئن اعلام کرد مدل‌های یادگیری ماشینی طراحی شده از سوی این شرکت از تکنیکی موسوم به Differential Privacy استفاده خواهند کرد. تکنیکی که به این شرکت اجازه می‌دهد اطلاعات کاربران را در میان حجم انبوهی از اطلاعات پنهان سازد. این ‌کار نه‌تنها به‌منظور حفظ امنیت داده‌ها به مرحله اجرا درمی‌آید، بلکه به مدل‌ها اجازه خواهد داد در مسیر یادگیری و بهره‌مندی از دانش قبلی خود بهتر از قبل حرکت کنند. بی‌شک در سال‌های آینده باید در انتظار اخبار بیشتری در ارتباط با مدل‌هایی باشیم که قادر هستند از تجربیات قبلی خود در ارتباط با مشکلات آینده استفاده کنند. شاید پروژه اخیر گوگل نخستین گام مؤثر در این زمینه را برداشته باشد