حوزه هوش مصنوعی (AI) کامپیوترهایی را ایجاد کرده‌است که می‌توانند اتومبیل‌ها را برانند، ترکیبات شیمیایی را بیآمیزند، پروتئین‌ها را ترکیب‌کرده و ذرات پرانرژی را در سطح فوق بشری تشخیص دهند. با این حال، این الگوریتم‌های هوش مصنوعی نمی‌توانند فرایند تفکر در این تصمیمات را توضیح دهند. کامپیوتری که اخیرا قابلیت ترکیب پروتئین‌ها را یافته است و همزمان میتواند اطلاعاتی در مورد قوانین زیست شناسی به محققان ارائه دهد، بسیار مفیدتر از کامپیوتری است که صرفا پروتئین‌ها را بدون توضیح ترکیب میکند.
بنابراین امروزه محققان هوش مصنوعی تلاش خود را به سمت توسعه الگوریتم‌های هوش مصنوعی معطوف کرده‌اند که می‌توانند خود را به روشی توضیح دهند که بشر بتواند آن را درک کند. اگر محققان بتوانند این کار را انجام دهند، هوش مصنوعی قادر خواهد بود حقایق جدیدی که هنوز کشف نشده‌اند را درباره جهان کشف کنند و به انسان بیاموزد و در نتیجه منجر به نوآوری‌های جدید بشوند.
یادگیری از تجربه
یکی از زمینه‌های هوش مصنوعی یادگیری تقویت‌شده است و درمورد این که کامپیوترها چگونه می‌توانند از تجربیات خود یاد بگیرند مطالعه میکند. در یادگیری تقویت شده، هوش مصنوعی جهان را کاوش میکند و براساس اقدامات خود بازخورد مثبت یا منفی دریافت میکند.
این رویکرد منجر به تولید الگوریتم‌هایی شده است که آموخته‌اند به طور مستقل در سطح فوق بشری شطرنج بازی کنند و قضیه های ریاضی را بدون هیچ گونه راهنمایی انسانی اثبات کنند. محققان هوش مصنوعی از یادگیری تقویت شده برای ایجاد الگوریتم های هوش مصنوعی که یاد می‌گیرند چگونه معماهایی مانند مکعب روبیک را حل کنند، استفاده کرده‌اند.
هوش مصنوعی از طریق یادگیری تقویت شده قادر به حل مستقل مسائلی است که حتی انسان‌ها نیز برای حل آنها تلاش می‌کنند. این باعث شده است که بسیاری از محققان در مورد آنچه هوش مصنوعی میتواند بیاموزد کمتر فکر کنند و بیشتر بر آنچه انسان می تواند از هوش مصنوعی یاد بگیرد تمرکز کنند. کامپیوتری که بتواند مکعب روبیک را حل کند میتواند به انسان‌ها آموزش دهد که چگونه آن را حل کنند.
خیره شدن به درون جعبه سیاه
متأسفانه ذهن هوش مصنوعی فوق بشری در حال حاضر برای ما انسان‌ها دور از دسترس است. هوش مصنوعی معلم‌هایی ترسناک ایجاد میکند و این همان چیزی است که ما آن را در دنیای علوم کامپیوتر “جعبه سیاه” می‌نامیم.
هوش مصنوعی جعبه سیاه بدون اینکه دلایلی برای راه حل‌های خود ارائه دهد، فقط راه حل‌ها را عرضه میکند. دانشمندان علوم کامپیوتری دهه‌ها تلاش کرده‌اند تا این جعبه سیاه را باز کنند و تحقیقات اخیر نشان داده است که بسیاری از الگوریتم‌های هوش مصنوعی در واقع با روش‌هایی شبیه انسان فکر می‌کنند. به عنوان مثال، کامپیوتری که برای شناسایی حیوانات آموزش دیده‌است در ابتدا انواع مختلف چشم و گوش را یاد می‌گیرد و سپس این اطلاعات را برای شناسایی صحیح حیوان در کنار هم قرار می‌دهد.
تلاش برای گشودن این جعبه سیاه را هوش مصنوعی قابل توضیح می‌نامند. گروه تحقیقاتی در موسسه هوش مصنوعی دانشگاه کارولینای جنوبی علاقه‌مند به توسعه هوش مصنوعی قابل توضیح هستند. برای رسیدن به این هدف تیم تحقیقاتی بیشتر با مکعب روبیک کار میکند. مکعب روبیک اساساً یک مسئله یافتن مسیر است که مسیری را از نقطه A یعنی مکعب روبیک مخلوط‌شده تا نقطه B یعنی مکعب روبیک حل‌شده، پیدا میکند. سایر نمونه‌های مساله یافتن مسیر شامل مسیریابی، اثبات قضیه و ترکیب مواد شیمیایی است.
آزمایشگاه این تیم تحقیقاتی وبسایتی را ایجاد کرده‌است که از طریق آن هر کسی میتواند ببیند که الگوریتم هوش مصنوعی چگونه مکعب روبیک را حل میکند. و به این صورت شخص تحت فشار قرار می‌گیرد تا چگونگی حل مکعب را از این وب سایت یاد بگیرد. این به این دلیل است که کامپیوتر نمی‌تواند منطق راه حل‌های خود را به انسان ارائه دهد.
راه حل‌های مکعب روبیک را میتوان به چند مرحله کلی تقسیم کرد. به عنوان مثال اولین مرحله میتواند ایجاد شکل یک صلیب باشد در حالی که مرحله دوم میتواند قطعات گوشه را در جای خود قرار دهد. در حالی که مکعب روبیک بیش از 10 تا 19 ترکیب ممکن را دارد، میتوان یک راهنمای مرحله به مرحله کلی را به خاطر سپرد و در سناریوهای مختلف آن را اجرا کرد.
تلاش برای حل یک مساله با تقسیم کردن آن به مراحل مختلف، غالباً شیوه پیش فرضی است که انسان‌ها توسط آن مسائل را به یکدیگر توضیح می‌دهند. مکعب روبیک به طور طبیعی در این چارچوب مرحله به مرحله قرار می‌گیرد و به ما فرصت می‌دهد جعبه سیاه الگوریتم خود را با سهولت بیشتری باز کنیم. ایجاد الگوریتم‌های هوش مصنوعی که این توانایی را داشته باشند، میتواند به افراد اجازه دهد تا با هوش مصنوعی همکاری کنند و طیف گسترده‌ای از مشکلات پیچیده را به مراحل قابل درک آسان تجزیه کنند.
همکاری منجر به نوآوری می‌شود
رویکرد تیم تحقیقاتی با استفاده از شهود شخصی برای تعریف برنامه‌ای مرحله به مرحله برای حل یک مسئله پیچیده آغاز می‌شود. سپس الگوریتم هر مرحله را بررسی میکند و در مورد اینکه کدام مرحله امکان پذیر است و کدام مرحله غیرممکن است، بازخورد می‌دهد و همچنین مشخص میکند که چگونه میتوان برنامه را بهبود بخشید. سپس انسان با استفاده از توصیه‌های هوش مصنوعی برنامه اولیه را اصلاح میکند و این روند تا زمان حل مشکل تکرار می‌شود، با این امید که انسان و هوش مصنوعی سرانجام به نوعی درک متقابل برسند.
در حال حاضر، الگوریتم این تیم تحقیقاتی قادر به در نظر گرفتن یک برنامه انسانی برای حل مکعب روبیک، ارائه پیشنهادهایی برای بهبود برنامه، شناسایی برنامه‌هایی که کار نمی‌کنند و یافتن گزینه‌های جایگزین، می‌باشد. بدین صورت الگوریتم بازخوردی می‌دهد که منجر به یک برنامه مرحله به مرحله برای حل مکعب روبیک می‌شود، به صورتی که شخص بتواند این برنامه را درک کند. در گام بعدی تیم تحقیقاتی یک رابط بصری ایجاد کرده‌است که به الگوریتم امکان می‌دهد نحوه حل مکعب روبیک را به انسان آموزش دهد. هدف از ایجاد این الگوریتم، تعمیم این رویکرد به طیف وسیعی از مشکلات مسیریابی است.
انسان‌ها به روشی که قابل مقایسه با هیچ هوش مصنوعی‌ای نیست مسائه را حس و درک می‌کنند، اما ماشین‌ها از نظر قدرت محاسباتی و دقت الگوریتمی بسیار بهتر هستند. این داد و ستد بین انسان و ماشین از نقاط قوت هر دو استفاده میکند. طبق نظر تیم تحقیقاتی این نوع همکاری مشکلات حل نشده قبلی در شیمی و ریاضیات را حل میکند و منجر به راه حل‌های جدید، شهود و نوآوری هایی می‌شود که در صورت عدم وجود این همکاری دور از دسترس می‌ماندند.
