آیا هوش مصنوعی برای انسان‌ شدن به بدن نیاز دارد؟

به گزارش گروه دانشگاه خبرگزاری دانشجو، اولین رباتی که به یاد دارم، رزی از انیمیشن جتسونز است و خیلی زود با ربات مودب C-۳PO و دستیار وفادارش R۲-D۲ در انیمیشن امپراتوری ضربه می‌زند، دنبال شد. اما اولین هوش مصنوعی غیرجسمانی من، جاشوا، کامپیوتر در انیمیشن بازی‌های جنگ بود که سعی کرد یک جنگ هسته‌ای را آغاز کند - تا اینکه در مورد تخریب تضمین‌شده متقابل مطلع شد و به جای آن شطرنج بازی کرد.

در هفت سالگی، این موضوع مرا تغییر داد. آیا یک ماشین می‌تواند اخلاق را درک کند؟ احساسات؟ انسانیت؟ آیا هوش مصنوعی به بدن نیاز دارد؟ این جذابیت‌ها با پیچیدگی هوش غیرانسانی با شخصیت‌هایی مانند ربات اسقف در فیلم بیگانگان، داده در پیشتازان فضا: TNG و اخیراً با سامانتا در فیلم او یا آوا در فیلم فراماشین، عمیق‌تر شدند.

اما اینها دیگر فقط سوالات حدسی نیستند. متخصصان رباتیک امروزه با این سوال دست و پنجه نرم می‌کنند که آیا هوش مصنوعی به بدن نیاز دارد؟ و اگر چنین است، چه نوع بدنی؟

و، اما «چگونگی» همه اینها؛ اگر هوش تجسمی راه رسیدن به هوش مصنوعی عمومی (AGI) واقعی است، آیا ربات‌های نرم می‌توانند کلید آن گام بعدی باشند؟

محدودیت‌های هوش مصنوعی غیرجسمانی

مقالات اخیر شروع به نشان دادن شکاف‌هایی در پیشرفته‌ترین سیستم‌های هوش مصنوعی امروزی (و به‌ویژه سیستم‌های غیرمتجسم) کرده‌اند. یک مطالعه جدید از اپل، مدل‌های زبانی موسوم به «مدل‌های استدلال بزرگ» (LRM) را بررسی کرد که قبل از پاسخ دادن، مراحل استدلال را ایجاد می‌کنند. در این مقاله آمده است که این سیستم‌ها، در بسیاری از وظایف بهتر از LLM‌های استاندارد عمل می‌کنند، اما وقتی مسائل بیش از حد پیچیده می‌شوند، از هم می‌پاشند. نکته قابل توجه این است که آنها نه تنها به ثبات نمی‌رسند، بلکه حتی وقتی بیش از حد به آنها قدرت محاسباتی داده می‌شود، از هم می‌پاشند.

بدتر از آن، آنها نمی‌توانند به طور مداوم یا الگوریتمی استدلال کنند. «ردپای استدلال» آنها - نحوه‌ی برخوردشان با مشکلات - فاقد منطق درونی است؛ و هرچه چالش پیچیده‌تر باشد، به نظر می‌رسد مدل‌ها تلاش کمتری صرف می‌کنند. نویسندگان نتیجه می‌گیرند که این سیستم‌ها واقعاً مانند انسان‌ها «فکر» نمی‌کنند.

نیک فراست، محقق سابق گوگل و از بنیانگذاران Cohere، به نیویورک تایمز گفت: آنچه ما اکنون در حال ساخت آن هستیم، چیز‌هایی هستند که کلمات را دریافت کرده و محتمل‌ترین کلمه بعدی را پیش‌بینی می‌کنند... این با کاری که من و شما انجام می‌دهیم بسیار متفاوت است.

شناخت چیزی بیش از محاسبه است

چگونه به اینجا رسیدیم؟ در بیشتر قرن بیستم، هوش مصنوعی از مدلی به نام GOFAI - "هوش مصنوعی قدیمی خوب" - پیروی می‌کرد که شناخت را به عنوان منطق نمادین در نظر می‌گرفت. محققان اولیه هوش مصنوعی معتقد بودند که هوش را می‌توان با پردازش نماد‌ها ساخت، دقیقاً مانند یک کامپیوتر که کد را اجرا می‌کند. تفکر انتزاعی و مبتنی بر نماد مطمئناً برای پیشرفت به بدن نیاز ندارد.

این ایده زمانی شروع به تضعیف کرد که هوش مصنوعی ربات اولیه نتوانست شرایط آشفته و دنیای واقعی را مدیریت کند. محققان روانشناسی، علوم اعصاب و فلسفه شروع به پرسیدن سوال متفاوتی کردند که ریشه در درک بیشتر حاصل از مطالعات هوش حیوانات و گیاهان داشت که همگی با شرایط پیچیده محیطی سازگار می‌شوند، یاد می‌گیرند و به آن پاسخ می‌دهند. این موجودات از طریق تعاملات فیزیکی یاد می‌گیرند، نه ایده‌های نمادین.

در انسان‌ها، سیستم عصبی روده‌ای که روده ما را کنترل می‌کند، اغلب «مغز دوم» نامیده می‌شود، زیرا از همان نوع سلول‌ها و مواد شیمیایی استفاده می‌کند که مغز برای کمک به هضم غذا از آنها استفاده می‌کند - همچنین، اتفاقاً، اینها همان اجزایی هستند که شاخک‌های اختاپوس برای حس کردن و واکنش موضعی، در اندام، از آنها استفاده می‌کنند.

همه اینها این سوال را مطرح می‌کند که اگر اساس هوش تطبیق‌پذیر این باشد که در سراسر یک موجود زنده توزیع شده و فقط در مغز و جدا از دنیای فیزیکی نباشد، چه؟

این ایده اصلی شناخت تجسم‌یافته است. عمل، حس کردن و تفکر از هم جدا نیستند - آنها یک فرآیند هستند. همانطور که رولف فایفر، مدیر آزمایشگاه هوش مصنوعی دانشگاه زوریخ، به EMBO Reports گفت: «مغز‌ها همیشه در چارچوب بدنی که برای بقا با جهان تعامل دارد، توسعه یافته‌اند. هیچ فضای الگوریتمی وجود ندارد که مغز‌ها در آن پدید آیند.»

هوش تجسمی: نوع متفاوتی از تفکر

بنابراین ممکن است برای همراهی با هوش مصنوعی به بدن‌های هوشمندتری نیاز داشته باشیم، و سیسیلیا لاشی، یکی از پیشگامان رباتیک نرم، فکر می‌کند که هوشمندتر برابر با نرم‌تر است. او پس از سال‌ها کار با ربات‌های انسان‌نمای سفت و سخت در ژاپن، تحقیقات خود را به سمت ماشین‌های نرم‌تن سوق داد که از اختاپوس الهام گرفته شده بودند - حیوانی که اسکلت ندارد و اندام‌هایش برای خودشان فکر می‌کنند.

او در مصاحبه‌ای با نیو اطلس می‌گوید: «اگر یک ربات انسانی در حال راه رفتن باشد، شما تمام حرکات مختلف را کنترل می‌کنید. اگر چیزی در زمین متفاوت باشد، باید کمی آن را دوباره برنامه‌ریزی کنید.».

اما حیوانات نیازی به تفکر مجدد و برنامه‌ریزی برای حرکات راه رفتن خود ندارند. او توضیح می‌دهد: «زانوی ما سازگار است. ما زمین ناهموار را به صورت مکانیکی و بدون استفاده از مغز جبران می‌کنیم.» این همان هوش تجسم‌یافته است - ایده‌ای که می‌گوید برخی از عناصر شناخت را می‌توان به بدن واگذار کرد.

هوش تجسمی از دیدگاه مهندسی مزایای آشکاری دارد؛ واگذاری ادراک، کنترل و تصمیم‌گیری به ساختار فیزیکی ربات به معنای کاهش نیاز‌های محاسباتی در مغز اصلی ربات است و منجر به ماشین‌هایی می‌شود که می‌توانند در محیط‌های غیرقابل پیش‌بینی عملکرد مؤثرتری داشته باشند.

در شماره ویژه ماه مه مجله Science Robotics، لاشی آن را اینگونه تعریف می‌کند: «کنترل موتور به طور کامل توسط سیستم محاسباتی مدیریت نمی‌شود... رفتار حرکتی تا حدی به صورت مکانیکی توسط نیرو‌های خارجی که بر بدن وارد می‌شوند، شکل می‌گیرد.» رفتار توسط محیط شکل می‌گیرد و هوش از طریق تجربه آموخته می‌شود، نه از پیش برنامه‌ریزی شده در نرم‌افزار.

با این طرز فکر، هوش فقط به تراشه‌های سریع‌تر یا مدل‌های بزرگ‌تر مربوط نمی‌شود - بلکه به تعامل مربوط می‌شود. کلید پیشرفت این هوش، حوزه رباتیک نرم است که از موادی مانند سیلیکون یا پارچه‌های ویژه برای فعال کردن بدنه‌های انعطاف‌پذیرتر ربات استفاده می‌کند. این بدنه‌ها تطبیق‌پذیر، سیال و قادر به یادگیری در زمان واقعی هستند. یک بازوی رباتیک نرم، مانند شاخک‌های اختاپوس، می‌تواند بدون نیاز به محاسبه هر حرکت، اشیا را بگیرد، کشف کند و پاسخ دهد.

جسم و بازخورد: چگونه مواد را وادار به تفکر کنیم

با این حال، برای اینکه رباتیک نرم به خوبی یک شاخک عمل کند، متخصصان رباتیک باید از برنامه‌نویسی برای هر احتمالی دست بردارند و در عوض روش‌های جدیدی را برای حس کردن و واکنش نشان دادن ماشین‌ها طراحی کنند. برای ساخت ماشین‌هایی با خودمختاری واقعی، محققان به مفهوم جدیدی روی آورده‌اند: هوش فیزیکی خودمختار (API).

شیمین هی، دانشیار علوم و مهندسی مواد در دانشگاه UCLA، با طراحی مواد نرم - مانند ژل‌ها و پلیمر‌های پاسخگو - که نه تنها به محرک‌ها واکنش نشان می‌دهند، بلکه حرکت خود را با استفاده از بازخورد داخلی تنظیم می‌کنند، پیشگام کار در این حوزه بوده است.

وی می‌گوید: ما روی ایجاد توانایی تصمیم‌گیری بیشتر در سطح مواد کار کرده‌ایم. موادی که در پاسخ به یک محرک تغییر شکل می‌دهند، می‌توانند بر اساس نحوه تغییر شکل خود، نحوه تعدیل آن محرک را نیز «تصمیم بگیرند» - یعنی حرکت بعدی خود را اصلاح یا تنظیم کنند.

در سال ۲۰۱۸، آزمایشگاه هی این موضوع را با ژلی که می‌توانست حرکت خود را خودتنظیم کند، نشان داد. از آن زمان، آنها نشان داده‌اند که همین اصل در مورد طیف وسیعی از مواد نرم، از جمله الاستومر‌های کریستال مایع که در هوا به طور مؤثر کار می‌کنند، صدق می‌کند.

کلید API، بازخورد غیرخطی با تأخیر زمانی است. در ربات‌های سنتی، یک سیستم کنترل، داده‌های حسی را تجزیه و تحلیل می‌کند و به دستگاه می‌گوید چه کاری انجام دهد. رویکرد او این منطق را مستقیماً در خود مواد تعبیه می‌کند.

او توضیح می‌دهد: در رباتیک، شما به حس کردن و فعال کردن نیاز دارید -، اما همچنین به تصمیم‌گیری بین آنها. این چیزی است که ما با استفاده از حلقه‌های بازخورد، به صورت فیزیکی تعبیه می‌کنیم.

وی این را با سیستم‌های بیولوژیکی مقایسه می‌کند. بازخورد منفی، مانند تنظیم گلوکز یا ترموستات ما، برای اصلاح جهش‌های بیش از حد عمل می‌کند. بازخورد مثبت تغییر را تقویت می‌کند. بازخورد غیرخطی هر دو را با هم ترکیب می‌کند و امکان رفتار‌های کنترل‌شده و ریتمیک را فراهم می‌کند - مانند آونگ یا گام‌های راه رفتن.

او می‌گوید: بسیاری از حرکات طبیعی - مانند راه رفتن یا شنا - به حرکت دوره‌ای و ثابت متکی هستند. با بازخورد غیرخطی و با تأخیر زمانی، می‌توانیم ربات‌های نرمی طراحی کنیم که به جلو، عقب و دوباره جلو حرکت کنند - بدون اینکه در هر مرحله به کنترل خارجی نیاز داشته باشند.

همانطور که هی و همکارانش در یک مقاله مروری اخیر به اشتراک گذاشتند، این نشان دهنده یک گام بزرگ به جلو نسبت به ربات‌های نرمی است که برای عملکرد به محرک‌های خارجی متکی هستند. محققانی مانند هی با ادغام حسگری، کنترل و تحریک در خود ماده، راه را برای ماشین‌هایی هموار می‌کنند که نه تنها واکنش نشان می‌دهند، بلکه خودشان تصمیم می‌گیرند، سازگار می‌شوند و عمل می‌کنند.

آینده نرم (و هوشمند) است

رباتیک نرم یک حوزه نوپا است، اما نویدبخش آینده‌ای روشن است. لاشی به ابزار‌های جراحی مانند آندوسکوپ‌هایی که می‌توانند بافت‌های حساس انسان را همزمان معاینه و به آنها واکنش نشان دهند، یا دستگاه‌های توانبخشی که می‌توانند با نیاز‌های بیمار انعطاف‌پذیر یا سازگار شوند، به عنوان کاربرد‌های اولیه و آشکار اشاره می‌کند.

بنابراین، برای گذار از هوش مصنوعی به هوش مصنوعی عمومی (AGI)، ماشین‌ها ممکن است به بدن‌هایی - به ویژه بدن‌های نرم و سازگار - نیاز داشته باشند. بیشتر حیات روی زمین، از جمله انسان‌ها، با حرکت، لمس کردن، شکست خوردن و تنظیم شدن یاد می‌گیرند. ما می‌دانیم چگونه با یک دنیای غیرقابل پیش‌بینی و آشفته کنار بیاییم - چیزی که هوش مصنوعی امروزی هنوز با آن دست و پنجه نرم می‌کند. ما می‌دانیم سیب چیست نه به این دلیل که تعریف آن را خوانده‌ایم، بلکه به این دلیل که آن را در دست گرفته‌ایم، چشیده‌ایم، انداخته‌ایم، کبود کرده‌ایم، بریده‌ایم، فشرده‌ایم و پوسیدگی آن را تماشا کرده‌ایم.

آموزش این نوع دانش - ضمنی، حسی، زمینه‌ای - به مدلی که فقط متن یا پیکسل دیده است، دشوار است. ارتباط مستقیم با دنیای واقعی و بازخورد از آن، محدودیت‌های زبانی را که LLM‌ها در حال حاضر با آن سروکار دارند، دور می‌زند و این پتانسیل را برای هوش مصنوعی فراهم می‌کند تا درک متفاوتی از جهان ایجاد کند. برداشتی از جهان از دیدگاه خودش، نه از دیدگاه انسانی، بلکه از دیدگاهی متفاوت. اگر به یک ربات نرم انواع مختلفی از ورودی‌های حسی (مثلاً دید مادون قرمز، شنوایی با فرکانس پایین یا توانایی بوییدن سرطان یا سایر بیماری‌ها) ارائه شود، حتی می‌تواند درک جایگزین (و احتمالاً بسیار مفیدی) از زندگی روی زمین ایجاد کند.

جولیو ساندینی، استاد مهندسی زیستی در دانشگاه جنوا، ایتالیا، به EMBO Reports گفت: اگر می‌خواهید چیزی مانند هوش انسانی را در یک ماشین توسعه دهید، آن ماشین باید بتواند تجربیات خودش را کسب کند. شما باید به آن اجازه دهید از تجربیاتش یاد بگیرد، همانطور که کودکان این کار را می‌کنند؛ و این احتمالاً به یک بدن نیاز دارد.