در باب محدودیت های تفکر (قسمت سوم)

در قسمت‌های اول و دوم محدودیت های تفکر درباره‌ی رابطه‌ی فهم و پیش بینی و همچنین هستی شناسی و معرفت شناسی صحبت کردیم. در قسمت سوم و پایانی درباره تمایز دانش و فهم و در نهایت جدال نفس‌گیر بشر و ماشین دست‌ساخته‌اش برای تصرف آینده بحث خواهیم کرد. با دیپ لوک همراه باشید…

گاهی اوقات، شهود رازآلود ما، خود به مانعی در راه پیشرفت عملی مبدل می‌شود. موارد استفاده از کامپیوترها برای طبقه بندی، ترجمه و یادگیری زبان طبیعی، نشان‌دهنده‌ی خطرات جستجوی شهودی‌ پدیده‌های علمی است. جذابیت ربات‌های HAL و Robby در هر دو فیلم «۲۰۰۱: ادیسه فضایی» (۲۰۰۱: A Space Odyssey) در سال ۱۹۶۸ و سیاره ممنوعه (Forbidden Planet) در سال ۱۹۵۶، توانایی آن‌ها در فهم زبان انسان و پاسخ‌گویی با سطح مناسبی از شرارت طعنه آمیز بود که برای هم‌صحبت انسانی‌شان قابل فهم بود. اما تکامل ماشین ترجمه و تشخیص صحبت، ابدا به ‌چنین چیزی ختم نشد. موفق‌ترین رویکردهای اولیه برای تشخیص صحبت در دهه‌‌های ۱۹۸۰ و ۱۹۹۰، از مدل‌های ریاضی مبتنی بر ساختار صحبت انسان استفاده کردند که بر دسته‌بندی‌های کلمات و روابط صرف و نحوی و معنایی مرتبه بالاتر جمله تمرکز می‌کردند. سپس در اواخر دهه‌ی ۱۹۹۰، شبکه های عصبی عمیق در ابتدایی‌ترین شکلش ظهور کرد. این الگوریتم‌ها دانش زبانی پیشین را نادیده گرفتند، و در عوض اجازه می‌دادند که کلمات به طور خودبخودی از طریق آموزش در یک سطح صرفا صوتی ظهور یابند. فهم صحبت، موضوعیت نداشت؛ بلکه پیش بینی صحیح ترجمه، مورد توجه بود. آن‌ها می‌‌رفتند که به طور ویران‌گری، موثر شوند. وقتی جامعه محققان از شفافیت الگوریتمی سرباز زدند، پاسخ عمل‌گرایانه، بسیار واضح ‌شد.

شبکه‌های عصبی، تقیدی که علم معاصر با آن روبه‌روست را، بدست می‌آورد. آن‌ها نشان می‌دهند که چگونه مدل‌های پیچیده‌ای که شامل داده‌های ساختارنیافته (یا اندکی داده ساختار یافته) درمورد سیستم‌هایی که آن‌ها را بازنمایی می‌کنند، هستند هنوز می‌توانند از نظریه‌هایی که بر پایه دهه‌ها تحقیق و تحلیل‌ بنا شده‌اند، بهتر عمل کنند. در این راستا، بینش‌های ناشی از تشخیص صحبت، آن بینش‌هایی را بازنمایی می‌کنند که از طریق آموزش کامپیوترها بدست آمده‌اند تا انسان‌ها را در بازی‌هایی مثل شطرنج و Go شکست دهند: بازنمایی‌ها و قواعد مورد علاقه ماشین‌ها، هیچ نیازی به انعکاس بازنمایی‌ها و قواعدی که مورد علاقه مغز انسان شده باشند، ندارند. ماشین بازی‌کننده شطرنج، شطرنج بازی می‌کند، نه تفکر!

اما آیا راهی که ما توسط آن بر حدهای عملکرد انسان در شطرنج و تشخیص صحبت، فائق آمده‌ایم، فاش می‌کند که غلبه بر حدهای پیش بینی‌ واقعیت فیزیکی چه معنایی می‌تواند داشته باشد؟ یا آیا موجب پیشرفت علم می‌شود؟ و آیا این راه می‌تواند نکته‌ی بامعنایی درباره‌ی اینکه آیا نیاز انسان به فهم، در حال به بیراهه کشاندن موفقیت علم است، به ما بگوید؟

تاریخ فلسفه راه‌هایی برای خروج از بن‌بست علمی فعلی ارائه می‌دهد. افلاطون (Plato) یکی از اولین افرادی بود که راهی برای برون‌رفت از این سردرگمی فهم، در یکی از مکالماتش به نام ته‌تتوس (Theaetetus) ارائه داد. این متن به سوالات معرفت ‌شناسی، یعنی ادراک، قضاوت صحیح یا باور صحیح اختصاص می‌یابد. در این مکالمه، سقراط، هندسه، حساب و نجوم را به عنوان مثال‌هایی از دسته‌بندی آخر بیان می‌کند.

نظریه‌های فهم توسط ایمانوئل کانت در «نقد عقل محض» (Critique of Pure Reason) در سال ۱۷۸۱ پیشرفت بیشتری کردند. کانت بین جهان ماده و بازنمایی ذهنی (واقعیت به عنوان هستی شناسی در مقابل دانش ذهنی به عنوان معرفت شناسی) تفاوت قائل می‌شود. برای کانت، تنها یک بازنمایی‌ از جهان در ذهن وجود دارد و جهان مادی، تنها از طریق همین بازنمایی‌ها می‌تواند شناخته شود. این بدان معناست که فهم مرسوم ما چیزی بیشتر از یک تقریب و بازنمایی ناقص از واقعیت تجربی نیست که هستی افلاطونی‌اش ( یا شاید عدم وجودش) آخرین حد دانش است. استدلال کانت واقعا در راستای تمیز دادن فهم از دانش، کمکی به ما نمی‌کند، بلکه فهم را از یک باور قابل دفاع، به یک بازنمایی داخلی که قابل تایید هم نیست، تغییر می‌دهد.

 جان سرل (John Searl) فیلسوف، تمایز فهم/ دانش را در کتاب تاثیرگذارش «ذهن‌ها، مغزها و علم» (Minds, Brains and Science) در سال ۱۹۸۴ بررسی کرده و پولیاناهای هوش ماشینی را به چالش ‌کشید. سرل از ما می‌خواهد که کسی را در یک اتاق بدون هیچ فهم بومی از زبان چینی تصور کنیم، اما این فرد با مجموعه‌ای از فرهنگ لغات و قواعد گرامری تجهیز شده است. وقتی یک جمله چینی ارائه می‌شود، این منابع برای ترجمه جمله به انگلیسی بومی استفاده می‌شوند. وقتی به این آزمایش فکری توجه می‌کنیم، پر واضح است که نیازی نیست زبانی که فرد در حال ترجمه آن است را بفهمیم، بلکه تنها لازم است که ترجمه‌، وفاداری داشته باشد.

اتاق چینی یک ابزار استعاری برای تحلیل حدهای الگوریتم‌هاست، مثل آن‌هایی که می‌توانند عناصر یک صحنه دیجیتالی را لیست کنند یا جملات روی یک صفحه وب را ترجمه کنند. در هر دو مورد، پاسخ‌های صحیح بدون هیچ «فهمی» از محتوا تولید می‌شوند. پس ماهیت این فهم از دست‌ رفته که سرل در جستجوی آن است، چیست؟

ابزارهای بیکنی زیادی وجود دارند که می‌توانند در جایگاه اتاق سرل قرار بگیرند، مثل خط‌کش‌های مهندسی برای حل مشکل ضرب‌های بزرگ یا سازه‌های هندسی همراه با پرگار و زاویه‌سنج برای اثبات قضایا؛ یا قواعد انتگرال‌گیری برای محاسبه جمع های بزرگ یا حتی بی‌نهایت. این تکنیک ها دقیقا به دلیل برطرف کردن نیاز به فهم، موثرند. کافیست به طور دقیق از خلال مراحل تعیین‌شده حرکت کنیم تا یک نتیجه دلخواه را تضمین نماییم. فهمیدن، در هر یک از این موارد، توضیح منطق و استفاده مناسب از الگوریتم‌ها، ویژگی‌های هندسی-جنبشی یک پرگار یا زاویه‌سنج، یا بنیان عددی مستطیل‌ها برای تقریب زدن مساحت است. پس حتی در کارکرد روزانه ریاضی، ما اختلاف میان فهم و پیش ‌بینی را تجربه می‌کنیم.

فهم، ابزاری است که با آن از طریق باز کردن جعبه‌ سیاه دانش و اصلاحش، بر جهانی از تناقض و توهم غلبه می‌کنیم. فهم، توضیح اشتباهات قابل توجیه است. وقتی ما از این توجیه استفاده می‌کنیم که مکعب نکر، به صورت یک جسم صلب در سه بعد تفسیر می‌شود، پس واضح است که چرا ما فقط یک وجه آن را در یک زمان می‌بینیم.

داده‌ها می‌توانند بدون هیچ توضیح و فهمی نیز بدست آیند. تعریف یک آموزش بد، آموزشی است که با حقایق جور در نمی‌آید. اما فهم صحیح، انتظاری است که دیگر انسان‌ها بتوانند چگونگی و چرایی روش کارشان را برای ما توضیح می‌دهند. ما به ابزارهایی برای تکثیر یک ایده و تایید دقتش نیاز داریم. این لازمه به وسایل غیر انسانی بسط پیدا می‌کند که مدعی حل هوشمندانه مسائل‌اند. ماشین‌ها باید مسئول چیستی و چرایی کارهایشان باشند.

لازمه‌ی توضیح، چیزی است که فهم را به تدریس و یادگیری پیوند می‌دهد. تدریس یا آموزش دادن، نامی است که ما به ارتباطات موثر سازوکارهای علی می‌دهیم؛ در حالی که یادگیری، کسب نوعی شهود برای روابط بین علت و معلول‌هاست. ماهیت فهم، برای انتقال مطمئن و گردآوری فرهنگی دانش، بسیار اساسی است و با توسعه، بنیان همه پیش بینی‌های بلند مدت نیز هست.

جملات خورخه لوئیس بورخس (Jorge Luis Borges) در جستاری تحت عنوان «تاریخ بازتاب نام» در سال ۱۹۵۵ می‌تواند تمام این چیزها را نشان دهد:

یک خدا، یک رویا و فردی دیوانه که از حقیقت آگاه است و جمله‌ی مبهمی را تکرار می‌کند، در زمان و فضا محبوس شده اند. آن کلمات و دو پژواکشان، موضوع این صفحات هستند.

بیایید بگوییم که خدا، جهان است، رویا، خواسته ما برای فهم؛ و ماشین‌ها، آن انسان دیوانه‌اند که همگی جملات مبهم خود را تکرار می‌کنند. کلمات و پژواک‌هایشان، سیستم پژوهش علمی ما هستند. یکپارچه‌ساختن علم پیچیدگی با یادگیری ماشین و هوش مصنوعی، چالش قرن ۲۱ام است. موفق‌ترین اَشکال دانش آینده، آن‌هایی خوهند بود که رویای فهم بشری را با پژواک‌های در حال مبهم‌تر شدن ماشین‌ها، هم‌نوا و هماهنگ کنند.