در باب محدودیت ‌های تفکر (قسمت اول)

امروزه علم بر سر یک دوراهی قرار دارد: آیا پیشرفت‌، با ذهن انسان بدست خواهد آمد یا با ماشین‌هایی که ما پیش‌تر، ساخته‌ایم؟ در نوشتار سه قسمتی زیر که ترجمه‌ای از مقاله‌ای با همین عنوان در وب‌سایت ایون است، دیوید سی کراکائر (David C Krakauer) رییس و استاد سامانه‌های پیچیده موسسه سانتافه در نیومکزیکو، سعی می‌کند به این سوال جنجالی پاسخ دهد. با دیپ لوک همراه باشید…

اختلافی در قلمروی علمی در حال ظهور است: در یک طرف، ذهن بشری به عنوان سرچشمه هر ماجرا، نظریه و توضیحی وجود دارد و از سوی دیگر، ماشین‌ها قرار دارند که الگوریتم‌هایشان دارای قدرت شگفت‌انگیز پیش‌بینی‌کنندگی‌اند، اما عملکرد داخلی آ‌ن‌ها برای مشاهده‌گران انسانی، به شدت مبهم است. همانطور که ما انسان‌ها، عطش سیری‌ناپذیری برای فهم و درک بنیان‌های ماهیت جهان داریم، ماشین‌های ما نیز، پیش‌بینی‌هایی عملی و قابل اندازه گیری را که ظاهرا، ورای محدودیت‌های تفکر است، تولید می‌کنند. در حالی که فهم، با روایت‌گری‌هایش در مورد علت و معلول، می‌تواند کنجکاوی ما را ارضا کند، پیش بینی، با انطباق و تصویر کردن این سازوکارها بر واقعیت، امیال و خواسته‌های ما را در این راستا، اقناع می‌‌کند. ما در حال حاضر با یک انتخاب در رابطه با اینکه کدام نوع دانش مهم‌تر است روبه‌رو‌ایم، و این سوال که، کدامیک از این دو، مانعی در مسیر پیشرفت دانش قرار می‌دهد؟

تا همین اواخر، فهم و پیش‌بینی، علیه جهل، متحد شده بودند. فرانسیس بیکن (Francis Bacon)، جزو اولین کسانی بود که این دو را در روزهای آغازین انقلاب علمی، با هم متحد کرد؛ وقتی ادعا کرد، دانشمندان باید در خارج از جهان بایستند و با ابزارهای خود آن را بهبود بخشند. به نظر او، چنین رویکردی از سکون دردناک و تسلسلی که شاخصه‌ی تلاش‌های آموزشی برای رسیدن به واقعیت بود، اجتناب می‌کرد. وی در اثرش به نام ارگانون جدید (Novum Organum) در سال ۱۶۲۰ نوشته است:

روش جدید ما در کشف علم، این است که به منظور دقت و قوت اصل مطلب، چیزهای کوچک را کنار بگذاریم و در عوض به درجه بندی و تامل در آن بپردازیم. مثلا برای ترسیم یک خط مستقیم، یا یک دایره دقیق با دست، کار ما بستگی زیادی به ثبات و تمرین دارد، اما اگر یک خط‌کش یا پرگار به کار گرفته شود، زمان کمتری برای هر یک از این کارها لازم است، پس این روش ماست.

بیکن همچنین به طرز کاملا معقولی پیشنهاد داد که ادراک و استدلال انسان باید به کمک ابزارها، تقویت شوند و با این ابزارها از هزارتوی بازتاب رهایی یابند.

ایزاک نیوتن، مشتاقانه فلسفه تجربی بیکن را اتخاذ کرد. او به توسعه‌ی ابزارها پرداخت: لنزهای فیزیکی و تلسکوپ‌ها، و همچنین کمک‌های ذهنی و توصیف‌های ریاضیاتی (که به عنوان فرمالیزم شناخته می‌شوند)، همگی سرعت کشف علمی را شتاب دادند. اما در این وابستگی رو به رشد به ابزارها، بذرهای یک واگرایی نگران‌کننده، به صورت پنهان به وجود آمد: واگرایی بین آنچه که ذهن انسان درباره سازوکارهای اساسی جهان می‌تواند بفهمد و آنچه که ابزارهای ما قادر به اندازه گیری و مدل‌سازی‌اند.

امروزه این فاصله، تهدیدی برای نابودی همه پروژه های علمی در حال اجرا در جهان است. آن طور که به نظر می‌رسد ما به محدودیتی در فهم و پیش‌بینی (سازوکارها و مدل‌ها) رسیده‌ایم که در آن، این دو در حال خارج شدن از راستای یکدیگرند. در عصر بیکن و نیوتن، جهان برای ذهن انسان قابل کنترل بود و پیش بینی هایی که قابل آزمودن بودند، در یک دایره اخلاقی مهم به هم می‌رسیدند. نظریه‌های اقناع‌کننده که با مشاهده‌های جهان واقع، پشتیبانی می‌شوند، فهم انسانی را از همه چیز از مکانیک کیهانی گرفته تا الکترومغناطیس و ژنتیک مندلی ارتقا داده‌اند. دانشمندان به فهمی شهودی که با قواعد و قوانین دینامیکی بیان می‌شوند، خو گرفته و پیش رفته‌اند؛ مثل نظریه انتخاب طبیعی چارلز داروین، یا اصل تنوع مستقل گریگور مندل (Gregor Mendel) برای توصیف چگونگی انتشار ژنوم موجود زنده از طریق جدایی و بازترکیب کروموزوم های والدینش.

اما در عصر کلان داده (big data)، پیوند بین فهم و پیش بینی، دیگر درست نیست. علم جدید، پیشرفت چشمگیری در تبیین رفتار اتم‌ها، نور و نیروها کرده است. ما اکنون در حال تلاش برای  فهم جهان پیچیده‌تری هستیم، از سلول‌ها  تا الیاف، مغزها تا سوگیری‌های شناختی، بازارها، و آب و هوا. الگوریتم‌های بدیع، به ما امکان پیش بینی برخی ویژگی‌های رفتاری این سیستم های سازگارشونده که قادر به یادگیری و تکامل‌‌اند را می‌دهند، در حالی که ابزارها حجم بی‌سابقه‌ای از اطلاعات را درباره آن‌ها جمع‌آوری می‌کنند. اگرچه این مدل‌های آماری و پیش بینی‌ها معمولا نتایج درستی بدست می‌آورند، اما بازسازی نحوه کار این سیستم‌ها تقریبا برای ما، غیر ممکن است. هوش ابزاری (معمولا یک هوش ماشینی) نه تنها در برابر استدلال، مقاوم است، که گاهی به طور فعالی با آن مخالف است. مثلا مطالعات داده‌های ژنومی، قادر به ثبت صدها پارامتر، مانند بیمار، نوع سلول، شرایط، ژن، مکان ژن و غیره هستند، و همچنین می‌توانند منشا بیماری‌ها را با هزاران عامل مهم مستعد ارتباط دهند، اما این مجموعه داده‌های با ابعاد بالا و پیش‌بینی‌هایی که انجام می‌دهند، توانایی ما برای تفسیر آن‌ها را زیر سوال می‌برند.

اگر ما قادر به پیش بینی رفتار انسان با فیزیک نیوتونی و مدل های کوانتومی بودیم، این کار را می‌کردیم، اما قادر به انجام چنین کاری نیستیم. این مقابله‌ی صریح بین علم و واقعیت پیچیده است که این اختلاف را ایجاد کرده است. برخی نقدها مدعی‌اند که این به انسان محوری لجوجانه‌ی خود ما برمی‌گردد؛ یعنی پافشاری بر اینکه ابزارهای ما با تکیه بر هوش ما کار می‌کنند، و این امر باعث کاهش سرعت پیشرفت علم می شود. آن‌ها می‌گویند اگر ما به نگرانی در رابطه با تسکین اذهان بشری خاتمه دهیم، آنگاه می‌توانیم از ماشین‌ها برای شتاب دادن به تفوق خود بر ماده استفاده کنیم. یک شبیه سازی کامپیوتری هوش، الزاما نیازی به بازتاب ساختار سیستم عصبی، بیشتر از یک تلسکوپ که آناتومی چشم انسان را بازتاب می‌دهد، ندارد. در واقع، رادیوتلسکوپ یک مثال قوی و اقناع کننده است از اینکه چطور یک سازوکار کاملا بدیع و غیر اپتیکی می‌تواند از یک کارکرد اپتیکی محض فراتر رود. با رادیوتلسکوپ‌ها می‌توان کهکشان‌هایی که ورای خط دید راه شیری هستند را شناسایی کرد. واگرایی بزرگ بین فهم و پیش بینی، در بینش باروخ اسپینوزا در رابطه با تاریخ پژواک می‌‌یابد:

نفاق‌ها، از عشق به حقیقت ریشه نمی‌گیرند… بلکه در خواسته‌های بلندپروازانه ریشه دوانده‌اند.

جنگ پیش رو پاسخ به این سوال است که کدام یک، مغزها یا الگوریتم‌ها، بر قلمروی پادشاهی علم، سلطنت خواهند کرد.

تناقض‌ها و ادراکات متعاقب آن‌ها، یعنی توهمات، دو مثال جذاب از رابطه درهم‌تنیده‌ی بین پیش بینی و فهم را ارائه می‌دهند. هر دو شرایطی را وصف می‌کنند که ما فکر می‌کردیم چیزی را فهمیده‌ایم، البته فقط برای مواجه شدن با ناهنجاری‌ها. فهمیدن، کمتر از آنچه به نظر می‌رسد، درست فهمیده شده است.

برخی از شناخته‌شده‌ترین توهمات بصری، رفت‌وبرگشتی بین دو تفسیر و تعبیر متفاوت از یک شی یکسان هستند؛ مثل اردک-خرگوش و مکعب نکر (Necker cube). ما می‌دانیم که اشیا در زندگی واقعی، مثل دو روی سکه، این‌چنین در تغییر یا رفت‌وبرگشت نیستند، و این چیزی است که هنوز احساسات ما به ما می‌گویند. لودویگ ویتگنشتاین (Ludwig Wittgenstein) که توجه زیادی به توهم اردک-خرگوش نشان می‌داد، می‌گوید وقتی یک فرد، چیزی را برای بار دوم می‌بیند، در پی تعبیر اول است، چرا که فهم چیزی تنها پس از مشاهده، برخلاف این امر است. چیزی که ما می بینیم در واقع، چیزی است که انتظار داریم ببینیم.

ریچارد گریگوری (Richard Gregory) دانشمند شناختی، در کتاب فوق‌العاده‌اش، به نام «تماشا از خلال توهمات» (Seeing Through Illusions) در سال ۲۰۰۹ آن‌ها را این طور می‌خواند: «پدیده‌های عجیب ادراک که احساس ما از واقعیت را به چالش می‌کشند». او توضیح می‌دهد که آن‌ها چطور رخ می‌دهند، زیرا فهم ما توسط پیش‌بینی‌های چندین سیستم قاعده‌مند آگاه می‌شود. در مکعب نکر، هر درکی، با داده‌های ادراکی در فضای سه‌بعدی، سازگار است، اما فقدان سرنخ های عمیق و راهگشا، به این معناست که ما هیچ راهی برای تصمیم گیری در مورد اینکه کدام تعبیر و تفسیر صحیح است، نداریم؛ پس ما بین دو پیش بینی و از میان کمبود فهم فضایی کافی، رفت‌وبرگشت می‌کنیم.

تناقض‌ها، مثل توهمات، شهود ما را مجبور به برخورد با حقایق ظاهرا بنیادی در مورد جهان می‌کنند. تناقض‌ها، نتیجه‌ی مباحث موجه یا مشاهده‌هایی هستند که به نظر، خود-متضاد بوده یا منطقا غیر قابل دفاع‌اند. آن‌ها مکررا در علوم طبیعی و به خصوص در فیزیک در هر دو تجسم فلسفی و علمی آن، ظهور و بروز پیدا ‌می‌کنند. تناقض دو قلوها، تناقض اینشتین-پودولسکی-روزن و گربه شرودینگر همه از تناقض‌هایی هستند که از ساختار بنیادی نسبیت یا مکانیک کوانتومی استخراج شده‌اند. و این‌ها کاملا جدا از تناقض‌های مشاهده‌ای مثل دوگانگی موج-ذره که در آزمایش دوشکاف مشاهده شد، هستند. با این اوصاف، در هر دوی این مجموعه تناقض‌ها، فهم انسان مبتنی بر استدلال علی روزمره، نمی‌تواند با  نتیجه پیش بینی شده‌ی آزمایش‌ها توافق یابد.

وقتی قواعد برای ورودی‌هایی بکار گرفته شوند که دارای ساختار مشابهی نیستند، نمی‌توانیم توقعی جز شگفتی داشته باشیم!

ادامه دارد…