کیمیاگری قرن جدید چیست؟!

طبق گفته علی رحیمی، محقق برجسته حوزه هوش مصنوعی و همکارانش، تکنیک‌های مرسوم امروزی در زمینه شبکه‌های عصبی و یادگیری عمیق، مبتنی بر مجموعه‌ای از ترفندها هستند که با چاشنی خوش‌بینی به این درجات بالا رسیده‌اند و بررسی های سیستماتیک نقشی در رشد آن‌ها ندارند. اینگونه به نظر می‌رسد که مهندسان امروزی کدهای خود را به همان شیوه خوشبینانه و پوچی سرهم می‌کنند که کیمیاگران باستانی به هنگام ترکیب مواد جهت دستیابی به مواد جادویی!

این موضوع درست است که ما درک بنیادین کمی از طرز کار درونی الگوریتم‌های خودآموز و یا حتی محدودیت‌های کاربردی‌شان داریم. اَشکال جدید هوش مصنوعی، بسیار متفاوت از کدهای مرسوم کامپیوتری هستند که امکان فهمشان به صورت خط به خط وجود دارد. در عوض این الگوریتم‌ها درون یک «جعبه سیاه» اتفاق می افتند که نه تنها انسان‌ها که حتی ماشین‌ها نیز از فهم آن عاجزند.

بحث موجود در میان جامعه هوش مصنوعی، تبعاتی برای تمام شاخه‌های علم دارد. با توجه به تاثیر یادگیری عمیق بر حوزه‌های مختلف علم (از حوزه کشف دارو گرفته تا طراحی مواد هوشمند و آنالیز برخورد ذرات بنیادین) خود علم نیز در معرض خطر بلعیده شدن توسط همان «جعبه سیاه» مذکور است. با این حال، بسیار دشوار خواهد بود که یک برنامه کامپیوتری در کلاس‌های درس شیمی یا فیزیک به تدریس بپردازد. با توجه به بهای زیادی که ما به ماشین‌ها می‌دهیم، آیا در حال بازگشت به دوره تاریک آزمایشات کیمیاگرانه و کنار گذاشتن روش علمی موفق خود هستیم؟

به گفته یان لی‌کان (Yann LeCun) برنده جایزه تورین برای دستاوردهای پیشتازانه‌اش در زمینه  عصبی، هنوز برای این نتیجه‌گیری زود است. او معتقد است که شرایط فعلی حاکم بر تحقیقات هوش مصنوعی، چیز جدیدی در تاریخ علم نیست. این شرایط تنها یک فاز نوزادی و پیش از بلوغ است که بسیاری از علوم آن را تجربه کرده‌اند و دارای ویژگی هایی چون استفاده مکرر از آزمون و خطا، سردرگرمی، اطمینان بیش از حد و نبود فهم جامع است. ما نه تنها دلیلی برای ترس نداریم؛ بلکه با پذیرش این روند چیزهای زیادی به دست می‌آوریم. درواقع تنها مشکل این است که ما با روندی مخالف این جریان، آشنایی بیشتری داریم.

بعد از گذشت این همه مدت از تاریخ علم، تصور جریان پیش‌رونده دانش از بالا به پایین کار ساده‌ای است؛ جریانی که از سرچشمه یک ایده انتزاعی و ذهنی آغاز شده، در میان پیچ و خم آزمایشات رشد می‌کند و در نهایت به مقصد کاربردهای عملی می‌رسد. این همان مفهوم معروف «فایده دانش بی‌فایده» (usefulness of useless knowledge) است که توسط آبراهام فلکسنر (Abraham Flexner) و در مقاله مهمش در سال ۱۹۳۹ ارائه شد (و در واقع خود یک کنایه و بازی با مفهوم آمریکایی «دانش سودمند» در عصر روشنگری است).

یک نمونه آشکار از نظریه نسبیت عام اینشتین می‌باشد. این نظریه با یک ایده اولیه آغاز شد که بیان می‌کرد قوانین فیزیکی برای تمام ناظران، مستقل از حرکت‌شان، یکسان هستند. او سپس این مفهوم را به صورت ریاضی و به شکل فضازمان منحنی بیان؛ و آن را بر نیروی گرانش و روند تکامل کیهان اعمال کرد. بدون این نظریه، سیستم مکان‌یاب (GPS) تلفن‌های ما تا ۱۱ کیلومتر از مکان واقعی دچار خطا می‌شدند.

اما شاید الگوی فایده دانش بی‌فایده، همان چیزی است که فیزیکدان دانمارکی نیلز بور (Niels Bohr) به آن «حقیقت عالی» می‌گفت: حقیقتی که نه تنها خود، بلکه عکس و مخالف آن نیز صحیح است. شاید با بروز واقعیت هوش مصنوعی، جریان دانش برخلاف مطالب گفته شده به سمت بالای قله حرکت کند.

در گستره وسیع علم همانگونه که لی‌کان می گوید، ما می توانیم مثال‌های زیادی از این واقعیت پیدا کرده و شاید آن را به صورت «بی‌فایده بودن دانش مفید» ترجمه کنیم. یک ایده فراگیر و بنیادین می‌تواند از کنار هم قرار گرفتن پیشرفت‌هایی در چندین مرحله و پس از انجام آزمایشات فراوان به بار نشسته و کشف شود؛ در واقع حرکتی از پایین به بالا.

شاید بهترین مثال برای این شیوه کشف قوانین ترمودینامیک، سنگ بنای تمام علوم، باشد. این معادلات باشکوه که توصیف‌گر بقای انرژی و افزایش انتروپی هستند، در واقع قوانین بنیادین طبیعت می‌باشند که در تمام پدیده‌های فیزیکی مشاهده می‌شوند. اما این مفاهیم عام تنها پس از یک دوره از سردرگمی و آزمایشات متعدد ظاهر شدند که با ساخت اولین ماشین بخار در قرن هجدهم و ارتقای مرحله به مرحله آن آغاز شد. از پس این غبار غلیظ ملاحظات کاربردی، قوانین ریاضی به آرامی شکل گرفت.

به عنوان مثالی دیگر می‌توانیم به تاریخچه علم هیدرودینامیک اشاره کنیم. یک مشکل اساسی که برای انسان در دوران گذشته وجود داشت مسئله انتقال آب در میان آبراه‌های مختلف کشاورزی بود. آن‌ها این مشکل را بدون توجه به اساس نظری و بنیادین قوانین حاکم بر دینامیک شاره‌ها حل کردند. هزار سال پس از آن، مردم همچنان براساس همین دانش تجربی به ساخت کشتی و ارتقای آن‌ها پرداختند.

تنها در قرن نوزدهم بود که ما توانستیم به وسیله معادلات ناویه–استوکس حرکت سیال را با دقتی ریاضیاتی توصیف کنیم. حتی در همین زمان نیز دلیل حرکت برعکس دانش به سمت قله، نیاز روزافزون انسان به طراحی و تولید موتورهایی با سرعت و کارایی بیشتر است که این موضوع نیازمند بررسی‌های نظری می باشد. حال جزئیات این معادلات پیچیده که به عنوان یکی از مسائل هزاره دارای جایزه یک میلیون دلاری است، در نوک پیکان ریاضیات بنیادین قرار دارد.

ممکن است این عقیده شکل بگیرد که خود علم نیز همواره مسیری به سمت قله نظری شدن را در پیش گرفته است. در واقع تا پیش از شکل‌گیری متدهای علمی و روش‌های جدید تحقیق در قرن هفدهم، تحقیقات علمی عمدتا شامل آزمایشات و نظریات غیر سازمان‌یافته بود. پس از مدت‌های مدیدی که جوامع دانشگاهی این تحقیقات را بن‌بست تصور می‌کردند، در سال‌های اخیر بهای واقعی آن‌ها مورد توجه قرار گرفته‌اند. برای مثال اکنون کیمیاگری به عنوان یک فعالیت مفید و حتی ضروری در گذشته برای شکل‌گیری علوم جدید در نظر گرفته می‌شود.

کد خبر: ۱۴۰۰۷۲۲۰۹۰۵۰۰۱۱