ظهور هوش مصنوعی نمادین؛ چگونه منطق ریاضی راه را برای حل مسائل پیچیده هموار کرد؟

من علی شاکر هستم؛ روزنامه‌نگار و پژوهشگر هوش مصنوعی که می‌خواهم در این سلسله‌ یادداشت‌ها در درجۀ نخست دربارۀ اصول کاربرد هوش مصنوعی در رسانه بیشتر بدانم و بخوانم و بعد آن را در اختیار شما بگذارم. در یادداشت شمارۀ 2 قلم تا الگوریتم تاریخچۀ مختصری از هوش مصنوعی را شرح دادیم و نشان دادیم که سه رویکرد عمده در هوشمندسازی ماشین‌ها وجود داشت. «نمادین»، «اتصال‌گرا» و «رفتاری».

در این یادداشت، به لحاظ تاریخی نشان می‌دهیم که چرا رویکرد نمادین شکل گرفت و چگونه به کمک این رویکرد توانستیم بسیاری از مسائل را حل کنیم. بحث سیستم‌های خبره نیز در رویکرد نمادین اهمیت زیادی دارد که در یادداشت چهارم به آن می‌پردازیم.

همچنان منبع اصلی این یادداشت فصل هفتم کتاب «تاریخ مختصر آگاهی[1]» (2023) نوشتۀ ریچارد یو و آنجلا یو، است و سعی می‌کنم از منظر یک روزنامه‌نگار و دانشجوی علوم ارتباطات اجتماعی آن را تشریح کنم.

هوش مصنوعی نمادین

پس از کنفرانس کالج دارتموث در سال 1956، که به‌عنوان بنیان‌گذار رشتۀ هوش مصنوعی در نظر گرفته می‌شود، دورۀ 1956 تا 1974 عصر طلایی هوش مصنوعی بود. اولین اوج هوش مصنوعی، مکتب نمادگرایی (که به‌عنوان منطقی‌گرایی، مکتب روان‌شناسی یا مکتب کامپیوتر نیز شناخته می‌شود) بود. در دهه‌های اولیۀ مبارزات این رویکردهای مختلف، جناح نمادگرایی نسبت به رقبای خود در صدر قرار داشت. یادگیری ماشین، که به دنبال اتصال‌گرایی بود، در سال‌های اولیه توسط نمادگرایان به شدت تحقیر می‌شد.

از دهۀ 1950 تا 1970، مردم در ابتدا امیدوار بودند که با بهبود توانایی استدلال منطقی ماشین‌ها به هوش ماشینی دست یابند. به طور کلی، نمادگرایان معتقد بودند که واحد اساسی تفکر انسانی نمادها هستند و مجموعه‌ای از عملیات مبتنی بر نمادها فرایند شناخت را تشکیل می‌دهد. بنابراین، انسان‌ها و کامپیوترها را می‌توان به‌عنوان سیستم‌های نمادین با توانایی استدلال منطقی در نظر گرفت. به عبارت دیگر، رایانه‌ها می‌توانند از طریق انواع عملیات نمادین، «هوش» انسانی را شبیه‌سازی کنند.

شکل زیر مثالی از یک فلوچارت در یک برنامۀ نمادگرایانه را نشان می‌دهد. به دلیل اینکه شناخت انسان‌ها و توضیح این مکتب از هوش مصنوعی نسبتاً مشابه است و همه آن را به راحتی قبول می‌کنند، مکتب نمادگرایی برای مدت طولانی بر تاریخ هوش مصنوعی حاکم بود.

مکتب نمادگرایی که معتقد است که «هوش مصنوعی از منطق ریاضی نشأت می‌گیرد»، از اواخر قرن نوزدهم به‌سرعت توسعه یافت و در دهۀ 1930 برای توصیف رفتارهای هوشمند مورد استفاده قرار گرفت. پس از ظهور رایانه، سیستم استنتاج منطقی روی رایانه پیاده‌سازی شد.

انسان‌ها همواره از نمادها برای تعریف اشیاء (مانند خودرو)، افراد (مانند معلم)، مفاهیم انتزاعی (مثل «زیبایی» و «عشق»)، اقدامات (مانند دویدن) یا چیزهایی که به‌صورت فیزیکی وجود ندارند (مانند افسانه‌ها) استفاده کرده‌اند.

یکی از باورهای مهم در عرصۀ هوش انسانی این است که توانایی برقراری ارتباط با استفاده از نمادها ما را باهوش‌تر از سایر حیوانات می‌کند. بنابراین، طبیعی بود که پیشگامان اولیۀ هوش مصنوعی فرض کنند که به طور اصولی، هوش می‌تواند به دقت با نمادها توصیف شود.

برای همین «هوش مصنوعی نمادین» در مرکز توجه قرار گرفت و به محور اصلی پروژه‌های پژوهشی هوش مصنوعی تبدیل شد. علاوه بر این، بسیاری از مفاهیم و ابزارهای علوم رایانه، مانند برنامه‌نویسی شیء‌گرا (OOP) [2]، نتیجۀ این تلاش‌ها هستند.

در تشریح این موضوع ابتدا بگویم که برنامه‌نویسی شیءگرا یک پارادایم برنامه‌نویسی است که ساختار نرم‌افزار را بر اساس «اشیاء» تعریف می‌کند. در این رویکرد، داده‌ها و توابعی که بر روی آن داده‌ها عمل می‌کنند، در قالب اشیاء بسته‌بندی می‌شوند. هر شیء می‌تواند ویژگی‌ها (داده‌ها) و رفتارها (توابع یا متدها) داشته باشد.

به‌طور کلی باید گفت که رویکرد منطقی نمادگرا در هوش مصنوعی به ساختارها و روندهای از پیش تعیین شده متکی است. این فرایندی است که می‌توان برای تمامی کارها و مشاغل استخراج کرد.

یک بار دیگر نمودار جریان را در عکس 1 را ببینید و فرض کنید می‌خواهیم از آن در زمینۀ کارهای روزنامه‌نگاری کمک بگیریم. مثلاً ما برای تأیید و انتشار یک مطلب در رسانه نیز همین مسیر را طی می‌کنیم:

1. شروع: دریافت مطلب از خبرنگار.
2. مستطیل (بازبینی مطلب): ویراستاری و تأیید مطلب از سوی دبیر یا سردبیر
3. لوزی (آیا مطلب تأیید شده؟): اگر مقاله تأیید شده باشد، به مرحلۀ انتشار می‌رود (بله)، و اگر نه، به خبرنگار می‌گوییم یعنی بازخورد می‌دهیم که مطلبش را تصحیح کند (خیر).
4. مستطیل (انتشار مقاله): اگر مطلب تأیید شود، منتشر می‌شود.
5. پایان: فرایند پایان می‌یابد.

«ماروین مینسکی»، یکی از نمایندگان مکتب نمادگرایی، کتابی به نام «پرسیپترون[3]» نوشت که به طور مستقیم شبکه‌های عصبی و اتصال‌گرایی را مورد نقد قرار داد و تقریباً ریشۀ آنان را زد. پرسیپترون در آن زمان یک شبکۀ عصبی محسوب می‌شد. مینسکی در کتاب خود به اتصال‌گرایی حمله کرد و گفت: «پرسیپترون شما حتی نمی‌تواند ساده‌ترین عملیات XOR[4] را انجام دهد. به چه دردی می‌خورد؟»  کار تا آنجا پیش رفت که در همان سال مینسکی جایزۀ تورینگ را دریافت کرد.

دستاوردهای هوش مصنوعی نمادین

«جان مک‌کارتی» در سال 1958 زبان برنامه‌نویسی «لیسپ» را توسعه داد که محبوب‌ترین زبان برنامه‌نویسی در پژوهش‌های هوش مصنوعی بود و همچنان پرکاربردترین زبان محسوب می‌شود. اصطلاح «یادگیری ماشین» را «آرتور ساموئل» ابداع کرد تا آن برنامه‌ریزی رایانه‌ای را توصیف کند که شطرج را بهتر بازی می‌کرد از آن فردی که این بازی را به او یاد داده است.

آن زمان نمادگرایی دستاوردهای خوبی داشت. به‌عنوان‌مثال، آلن نیوول و دیگران «نظریه‌پرداز منطق» را اختراع کردند. این ماشین توانست 38 قضیۀ ریاضی در کتاب «Principia Mathematica» را اثبات کند (بعدها توانست همۀ 52 قضیه را اثبات کند). برخی از این راه‌حل‌ها حتی از راه‌حل‌های ریاضی‌دانان تا آن زمان هم خلاقانه‌تر بودند، مانند ایده‌های جست‌وجوی هیوریستیک. مثال دیگر معماری استدلال و ایده‌های جست‌وجوی هیوریستیک[5] در حل مسئلۀ عمومی[6] است که توسط «هربرت سایمون» و دیگران پیشنهاد شد و تأثیر عمیقی داشت (برای مثال، آلفاگو نیز از این ایده‌ها بهره برد که در یادداشت‌های بعدی دربار‌ۀ آن بیشتر توضیح می‌دهیم).

منظور از معماری استدلالی، ساختار و طراحی سیستم‌هایی است که می‌توانند استدلال منطقی داشته باشند و مسئله حل کنند. حل‌کنندۀ عمومی مسئله (GPS) از روش «تحلیل وسیله-هدف»[7] استفاده می‌کند، که در آن سیستم تفاوت بین وضعیت فعلی و وضعیت مطلوب را ارزیابی می‌کند و اقداماتی را انتخاب می‌کند که این تفاوت را کاهش دهد. همچنین هیوریستیک‌ها قوانین یا استراتژی‌هایی هستند که سیستم با آن به جای جست‌وجوی کامل و بررسی تمام مسیرهای ممکن (که در مسائل پیچیده غیرعملی است)، بر مسیرهای امیدوارکننده‌تر تمرکز می‌کند.

معماری استدلالی و ایده‌های جست‌وجوی هیوریستیک معرفی‌شده در حل مسئلۀ عمومی (GPS)، پایه و اساس بسیاری از الگوریتم‌ها و روش‌های هوش مصنوعی در دهه‌های بعد شدند.

این مفاهیم به توسعۀ سیستم‌هایی کمک کردند که می‌توانند مسائل پیچیده را با استفاده از استراتژی‌های کارآمد حل کنند. برای همین باید گفت یک نمونۀ موفق از هوش مصنوعی نمادین، «سیستم‌های خبره» است که برای شبیه‌سازی قضاوت و رفتار یک انسان یا سازمان با دانش تخصصی در یک زمینۀ خاص برنامه‌ریزی شده بود. «موتور استنتاج» در این سیستم‌ها هنگام پرسیدن سؤالات، پاسخ‌هایی در سطح بالا از تخصص ارائه می‌داد. سیستم‌های خبره به طور گسترده‌ای در صنایع مورد استفاده قرار گرفتند. یک نمونۀ معروف، «دیپ‌بلو[8]» شرکت آی‌بی‌ام بود که در سال 1997 قهرمان شطرنج «کاسپاروف» را شکست داد. دولت ژاپن به شدت از سیستم‌های خبره و دیگر پروژه‌های مرتبط با هوش مصنوعی در پروژه «کامپیوتر نسل پنجم» خود حمایت مالی کرد.

سیستم‌های خبره نقش بسیار مهمی در پیشرفت هوش مصنوعی در قرن بیستم ایفا کردند. به طور نظری، این سیستم‌ها نیز به نتایج پژوهش‌های مکتب نمادگرایی تعلق داشتند.

یادمان باشد که همچنان داریم دربارۀ رویکرد نمادگرا صحبت می‌کنیم که در آن بیان آگاهی ذهنی ما، منبع تفکر انسانی، منطق انتزاعی و احساسات یک سری قالب‌ها و ساختار منطقی پیشینی است. یعنی دانشمندان این مکتب شیوه‌ و منطق تفکر را به این شکل می‌بینند.

از این رو لازم است که در یادداشت چهارم، دربارۀ سیستم‌های خبره[9] بگوییم؛ اینکه چه‌طور کار می‌کنند و اگر بخواهیم برای آن در عرصۀ روابط‌عمومی و روزنامه‌نگاری باید از کدام منطق ریاضی استفاه کنیم؟

پانوشت‌ها:

[1] Yu, F. R., & Yu, A. W. (2023). A brief history of intelligence: From the big bang to the metaverse. Springer Nature Switzerland AG.

[2] Object-Oriented Programming

[3] Perceptron

[4] XOR یکی از عملگرهای پایه‌ای در منطق دیجیتال و ریاضیات گسسته است و به دلیل ویژگی‌های خاص و کاربردهای آن، در مدارهای دیجیتال، رمزنگاری و پردازش داده‌ها به کار می‌رود. در بسیاری از سیستم‌های دیجیتال نیاز داریم که فقط در صورتی یک سیگنال فعال شود که یک شرط خاص به‌صورت «انحصاری» برقرار باشد. اینجا است که XOR وارد می‌شود.

[5] Heuristic Search Ideas

[6] General Problem Solver (GPS)

[7] Means-End Analysis

[8] Deep Blue

[9] Expert Systems