همزمان با سرمایهگذاری گسترده شرکتهای فناوری برای توسعه هوش مصنوعی عمومی، پیتر جی. دنینگ، دانشمند علوم رایانه، در تحلیلی تازه استدلال کرده است که مسیر پژوهش در حوزه هوش مصنوعی طی هفت دهه گذشته بر پایه فرضی نادرست شکل گرفته و به همین دلیل، ماشینها احتمالاً هرگز به سطح هوش انسان دست نخواهند یافت.
دنینگ در مقالهای با عنوان «اشتباه تورینگ؛ رهایی از سلطه ماشینهای کمهوش»، به بازخوانی دیدگاههای آلن تورینگ، پدر علوم رایانه نظری، پرداخته است. به گفته او، این تصور که هوش انسان را میتوان مستقل از بدن و صرفاً در قالب نرمافزار بازآفرینی کرد، از ابتدا مسیر توسعه هوش مصنوعی را به سمت نادرستی هدایت کرده است.
وی همچنین آزمون مشهور تورینگ را که سالها بهعنوان معیاری برای سنجش هوشمندی ماشینها شناخته میشود، ناکافی میداند و معتقد است توانایی یک ماشین در تقلید از گفتوگوی انسانی، به معنای درک واقعی یا برخورداری از هوش انسانی نیست.
به اعتقاد دنینگ، مهمترین مانع دستیابی ماشینها به هوش انسان، «دانش ضمنی» است؛ نوعی از دانش که انسانها در طول زندگی و تعامل با محیط، جامعه و فرهنگ به دست میآورند، اما قادر نیستند آن را بهطور کامل در قالب واژهها یا قواعد مشخص بیان کنند.
این دانش، مجموعهای از تواناییهایی مانند عقل سلیم، شهود، احساسات، تجربه عملی، مهارتهای فردی و پیشزمینه فرهنگی و تاریخی را در بر میگیرد؛ مؤلفههایی که به گفته دنینگ، تاکنون هیچ الگوریتمی نتوانسته آنها را بازسازی کند.
وی برای توضیح این موضوع به پروژه مشهورCyc اشاره میکند؛ طرحی که از دهه ۱۹۸۰ با هدف ساخت بزرگترین پایگاه دانش عقل سلیم برای رایانهها آغاز شد. این پروژه پس از چهار دهه فعالیت توانست حدود ۲۵ میلیون داده و گزاره را ثبت کند، اما همچنان نتوانست رایانهها را به درک واقعی از مفاهیم انسانی برساند.
به گفته دنینگ، مشکل اصلی آن است که بسیاری از دانشهایی که انسان را به یک متخصص تبدیل میکند، اساساً قابل تبدیل به قوانین و دستورالعملهای صریح نیستند.
او میان «دانستن اینکه» و «دانستن چگونه» تفاوت قائل میشود. به باور وی، ممکن است بتوان اطلاعات و قوانین را به ماشین آموزش داد، اما انتقال مهارتهایی که بر تجربه و احساس متکی هستند، امکانپذیر نیست.
دنینگ برای روشن شدن این تفاوت، به نوازندگی یک ویولنیست حرفهای اشاره میکند. به گفته او، یک نوازنده برجسته میتواند اثری ماندگار خلق کند، اما قادر نیست دقیقاً توضیح دهد چگونه چنین اجرایی شکل میگیرد. از سوی دیگر، حتی اگر یک ربات بتواند حرکات نوازنده را تقلید کند، هرگز احساس او هنگام نواختن موسیقی یا تأثیر آن بر مخاطب را درک نخواهد کرد.
از دیدگاه این پژوهشگر، مشکل اساسی هوش مصنوعی به موضوع بازنمایی دانش بازمیگردد. رایانهها تنها دادههایی را پردازش میکنند که به زبان قابل فهم برای آنها تبدیل شده باشد، در حالی که بخش بزرگی از تجربه انسانی هرگز به چنین قالبی قابل تبدیل نیست.
دنینگ در همین زمینه تأکید میکند واژهها تنها نماد معنا هستند و خود معنا نیستند. به همین دلیل، مدلهای زبانی بزرگ مانند ChatGPT، Claude و Gemini صرفاً روابط میان کلمات را پردازش میکنند و درکی واقعی از مفهوم آنچه بیان میکنند، ندارند.
وی همچنین نقش بافت یا زمینه (Context) را در ارتباطات انسانی بسیار تعیینکننده میداند. به گفته او، معنای یک جمله میتواند بسته به شرایط، لحن، روابط میان افراد، فرهنگ و حتی گفتوگوهای پیشین کاملاً متفاوت باشد؛ موضوعی که ماشینها هنوز قادر به درک کامل آن نیستند.
دنینگ معتقد است حتی افزایش اندازه مدلهای زبانی و استفاده از شبکههای عصبی بزرگتر نیز این محدودیت را برطرف نخواهد کرد، زیرا فرهنگ، ارزشها، هنجارهای اجتماعی، روابط انسانی و تجربه زیسته، از دل زندگی واقعی شکل میگیرند و صرفاً با پردازش میلیاردها واژه قابل دستیابی نیستند.
او هشدار میدهد که اگرچه ماشینها ممکن است هرگز به هوش عمومی انسان نرسند، اما این موضوع به معنای بیخطر بودن آنها نیست. به باور وی، شبکهای از سامانههای هوش مصنوعی که در مقیاس گسترده و بهصورت خودکار فعالیت میکنند، حتی بدون برخورداری از هوش انسانی نیز میتوانند پیامدهای جدی و پیشبینیناپذیری برای جوامع ایجاد کنند.
دنینگ معتقد است بزرگترین چالش آینده، نه سلطه یک ابرهوش مصنوعی، بلکه توسعه سامانههایی است که اهداف و شیوه تصمیمگیری آنها با انسان متفاوت است و درک متقابلی میان انسان و ماشین وجود ندارد. به گفته او، جامعه باید همزمان با پیشرفت فناوری، بر ویژگیهایی که انسان را از ماشین متمایز میکند، از جمله خلاقیت، شهود، فرهنگ، همدلی و تجربه زیسته تأکید کند؛ زیرا همین تفاوتها، مهمترین مرز میان هوش انسانی و هوش مصنوعی خواهند بود
Re: S.C.D