في عام 1956، خلال رحلة استغرقت عامًا إلى لندن وكان في أوائل العشرينات من عمره، قام عالم الرياضيات وعالم الأحياء النظري جاك د. كوان بزيارة ويلفريد تايلور وفريقه الجديد الغريب "آلة التعلم". عند وصوله كان في حيرة من "بنك الأجهزة الضخم" الذي واجهه. لم يكن بإمكان كوان سوى الوقوف جانبًا ومشاهدة "الآلة وهي تقوم بعملها". ويبدو أن الشيء الذي كان يفعله هو تنفيذ "مخطط الذاكرة الترابطية" - ويبدو أنه قادر على تعلم كيفية العثور على الاتصالات واسترجاع البيانات.
ربما بدت وكأنها كتل ضخمة من الدوائر، ملحومة معًا يدويًا في كتلة من الأسلاك والصناديق، ولكن ما شهده كوان كان شكلاً تناظريًا مبكرًا للشبكة العصبية - مقدمة للذكاء الاصطناعي الأكثر تقدمًا اليوم، بما في ذلك الذكاء الاصطناعي. تمت مناقشتها كثيرًا شات جي بي تي مع قدرته على إنشاء محتوى مكتوب استجابةً لأي أمر تقريبًا. التكنولوجيا الأساسية لـ ChatGPT هي شبكة عصبية.
وبينما كان كوان وتايلور يقفان ويراقبان الآلة وهي تعمل، لم تكن لديهما أي فكرة بالضبط عن كيفية تمكنها من أداء هذه المهمة. يمكن العثور على الإجابة على دماغ تايلور الآلي الغامض في مكان ما في "الخلايا العصبية التناظرية"، في الارتباطات التي تصنعها ذاكرته الآلية، والأهم من ذلك، في حقيقة أن وظيفته الآلية لا يمكن تفسيرها بشكل كامل. سوف يستغرق الأمر عقودًا حتى تجد هذه الأنظمة غرضها ويتم إطلاق العنان لهذه القوة.
يتضمن مصطلح الشبكة العصبية مجموعة واسعة من الأنظمة، ولكن بشكل مركزي، وفقًا لشركة IBMهذه "الشبكات العصبية - المعروفة أيضًا باسم الشبكات العصبية الاصطناعية (ANNs) أو الشبكات العصبية المحاكية (SNNs) - هي مجموعة فرعية من التعلم الآلي وهي في قلب خوارزميات التعلم العميق". والأهم من ذلك، أن المصطلح نفسه وشكله و"بنيته مستوحى من الدماغ البشري، ويحاكي الطريقة التي تشير بها الخلايا العصبية البيولوجية إلى بعضها البعض".
ربما كانت هناك بعض الشكوك المتبقية حول قيمتها في مراحلها الأولية، ولكن مع مرور السنين، اتجهت موضة الذكاء الاصطناعي بقوة نحو الشبكات العصبية. ويُفهم الآن في كثير من الأحيان على أنها مستقبل الذكاء الاصطناعي. ولها آثار كبيرة علينا وعلى ما يعنيه أن نكون بشرًا. لقد سمعنا أصداء هذه المخاوف في الآونة الأخيرة مع دعوات لإيقاف التطورات الجديدة في مجال الذكاء الاصطناعي مؤقتًا لمدة ستة أشهر لضمان الثقة في آثارها.
من المؤكد أنه سيكون من الخطأ استبعاد الشبكة العصبية باعتبارها تتعلق فقط بأدوات جديدة لامعة وملفتة للنظر. لقد أصبحوا بالفعل راسخين في حياتنا. بعضها قوي في التطبيق العملي. منذ عام 1989، استخدم فريق بقيادة يان ليكون في مختبرات AT&T Bell تقنيات الانتشار الخلفي لتدريب النظام على التعرف على الرموز البريدية المكتوبة بخط اليد. في الآونة الأخيرة إعلان من شركة مايكروسوفت أن عمليات البحث في Bing سيتم تشغيلها بواسطة الذكاء الاصطناعي، مما يجعلها "مساعدًا للويب"، يوضح كيف أن الأشياء التي نكتشفها وكيف نفهمها ستصبح بشكل متزايد منتجًا لهذا النوع من الأتمتة.
وبالاعتماد على البيانات الهائلة للعثور على الأنماط، يمكن تدريب الذكاء الاصطناعي بالمثل على القيام بأشياء مثل التعرف على الصور بسرعة - مما يؤدي إلى دمجها في التعرف على الوجه، على سبيل المثال. وقد أدت هذه القدرة على تحديد الأنماط إلى العديد من التطبيقات الأخرى، مثل التنبؤ بأسواق الأسهم.
تعمل الشبكات العصبية على تغيير طريقة تفسيرنا وتواصلنا أيضًا. تم تطويره بواسطة عنوان مثير للاهتمام فريق جوجل برين, الترجمة من Google هو تطبيق بارز آخر للشبكة العصبية.
لن ترغب في لعب الشطرنج أو الشوجي بواحد أيضًا. إن فهمهم للقواعد وتذكرهم للاستراتيجيات وجميع التحركات المسجلة يعني أنهم جيدون بشكل استثنائي في الألعاب (على الرغم من أن ChatGPT يبدو كذلك) صراع مع Wordle). الأنظمة التي تزعج لاعبي Go من البشر (Go هي لعبة لوحة إستراتيجية صعبة السمعة) وأساتذة الشطرنج، هي مصنوعة من الشبكات العصبية.
لكن نطاقها يتجاوز هذه الحالات ويستمر في التوسع. إن البحث عن براءات الاختراع الذي يقتصر فقط على ذكر عبارة "الشبكات العصبية" بالضبط يؤدي إلى 135,828 نتيجة. ومع هذا التوسع السريع والمستمر، فإن فرص قدرتنا على تفسير تأثير الذكاء الاصطناعي بشكل كامل قد تصبح أقل من أي وقت مضى. هذه هي الأسئلة التي قمت بفحصها في بحثي وكتابي الجديد عن التفكير الخوارزمي.
طبقات غامضة من "عدم القدرة على المعرفة"
إن النظر إلى تاريخ الشبكات العصبية يخبرنا بشيء مهم عن القرارات الآلية التي تحدد حاضرنا أو تلك التي قد يكون لها تأثير أكثر عمقا في المستقبل. ويخبرنا وجودهم أيضًا أنه من المرجح أن نفهم قرارات الذكاء الاصطناعي وتأثيراته بشكل أقل بمرور الوقت. هذه الأنظمة ليست مجرد صناديق سوداء، فهي ليست مجرد أجزاء مخفية من النظام لا يمكن رؤيتها أو فهمها.
إنه شيء مختلف، شيء متأصل في أهداف وتصميم هذه الأنظمة نفسها. هناك سعي طويل الأمد لما لا يمكن تفسيره. كلما كان النظام أكثر غموضًا، كلما كان يُعتقد أن النظام أكثر أصالة وتقدمًا. لا يتعلق الأمر فقط بالأنظمة التي أصبحت أكثر تعقيدا أو السيطرة على الملكية الفكرية التي تحد من الوصول (على الرغم من أن هذا جزء منه). بل نقول بدلًا من ذلك إن الروح التي تقودهم لديها اهتمام خاص ومتأصل بـ "عدم المعرفة". بل إن اللغز مشفر في شكل وخطاب الشبكة العصبية. إنها تأتي مع طبقات مكدسة بعمق - ومن هنا جاءت عبارة "التعلم العميق" - وداخل تلك الأعماق توجد "الطبقات المخفية" الأكثر غموضًا. أسرار هذه الأنظمة عميقة تحت السطح.
هناك احتمال كبير أنه كلما زاد تأثير الذكاء الاصطناعي في حياتنا، كلما قل فهمنا لكيفية أو سبب ذلك. اليوم هناك دفعة قوية للذكاء الاصطناعي يمكن تفسيرها. نريد أن نعرف كيف يعمل وكيف يصل إلى القرارات والنتائج. يشعر الاتحاد الأوروبي بقلق بالغ إزاء "المخاطر غير المقبولة" المحتملة وحتى التطبيقات "الخطيرة" التي يتقدم بها حاليًا قانون الذكاء الاصطناعي الجديد تهدف إلى وضع "معيار عالمي" "لتطوير ذكاء اصطناعي آمن وجدير بالثقة وأخلاقي".
ستعتمد هذه القوانين الجديدة على الحاجة إلى التوضيح، تطالب بذلك "بالنسبة لأنظمة الذكاء الاصطناعي عالية المخاطر، فإن متطلبات البيانات عالية الجودة والتوثيق وإمكانية التتبع والشفافية والرقابة البشرية والدقة والمتانة، ضرورية للغاية للتخفيف من المخاطر التي يشكلها الذكاء الاصطناعي على الحقوق الأساسية والسلامة". لا يتعلق الأمر فقط بأشياء مثل السيارات ذاتية القيادة (على الرغم من أن الأنظمة التي تضمن السلامة تندرج ضمن فئة الذكاء الاصطناعي عالية المخاطر في الاتحاد الأوروبي)، بل هو أيضًا مصدر قلق من ظهور أنظمة في المستقبل سيكون لها آثار على حقوق الإنسان.
يعد هذا جزءًا من دعوات أوسع نطاقًا للشفافية في الذكاء الاصطناعي بحيث يمكن فحص أنشطته ومراجعتها وتقييمها. مثال آخر سيكون الجمعية الملكية إحاطة سياسية بشأن الذكاء الاصطناعي القابل للتفسير حيث يشيرون إلى أن "المناقشات السياسية في جميع أنحاء العالم ترى بشكل متزايد دعوات لشكل من أشكال شرح الذكاء الاصطناعي، كجزء من الجهود المبذولة لتضمين المبادئ الأخلاقية في تصميم ونشر الأنظمة التي تدعم الذكاء الاصطناعي".
لكن قصة الشبكات العصبية تخبرنا أننا من المرجح أن نبتعد أكثر عن هذا الهدف في المستقبل، بدلًا من الاقتراب منه.
مستوحاة من الدماغ البشري
قد تكون هذه الشبكات العصبية أنظمة معقدة إلا أنها تحتوي على بعض المبادئ الأساسية. مستوحاة من الدماغ البشري، فإنهم يسعون إلى نسخ أو محاكاة أشكال التفكير البيولوجي والبشري. من حيث الهيكل والتصميم فهي كذلك تشرح شركة IBM أيضًا، وتتألف من "طبقات العقدة، التي تحتوي على طبقة إدخال، وطبقة مخفية واحدة أو أكثر، وطبقة إخراج". وضمن هذا، "تتصل كل عقدة، أو خلية عصبية اصطناعية، بأخرى". ولأنهم يحتاجون إلى مدخلات ومعلومات لإنشاء مخرجات، فإنهم "يعتمدون على بيانات التدريب للتعلم وتحسين دقتها بمرور الوقت". هذه التفاصيل التقنية مهمة، ولكن أيضًا الرغبة في تصميم هذه الأنظمة وفقًا لتعقيدات الدماغ البشري مهمة أيضًا.
يعد فهم الطموح الكامن وراء هذه الأنظمة أمرًا حيويًا في فهم ما تعنيه هذه التفاصيل الفنية عمليًا. في مقابلة 1993خلص عالم الشبكات العصبية تيوفو كوهونين إلى أن نظام "التنظيم الذاتي" "هو حلمي"، ويعمل "شيئًا يشبه ما يفعله نظامنا العصبي بشكل غريزي". على سبيل المثال، تصور كوهونين كيف يمكن استخدام نظام "ذاتي التنظيم"، وهو نظام يراقب ويدير نفسه، "كلوحة مراقبة لأي آلة... في كل طائرة، أو طائرة نفاثة، أو كل محطة للطاقة النووية، أو كل سيارة". وكان يعتقد أن هذا يعني أنه في المستقبل "يمكنك أن ترى على الفور الحالة التي وصل إليها النظام".
وكان الهدف الشامل هو الحصول على نظام قادر على التكيف مع البيئة المحيطة به. سيكون فوريًا ومستقلًا، ويعمل بأسلوب الجهاز العصبي. كان هذا هو الحلم، أن يكون لدينا أنظمة يمكنها التعامل مع نفسها دون الحاجة إلى تدخل بشري كبير. التعقيدات والمجهولات في الدماغ والجهاز العصبي والعالم الحقيقي ستأتي قريبًا لإرشاد تطوير وتصميم الشبكات العصبية.
"شيء مريب في ذلك"
لكن بالعودة إلى عام 1956 وآلة التعلم الغريبة تلك، كان النهج العملي الذي اتبعه تايلور عند بنائها هو ما لفت انتباه كوان على الفور. من الواضح أنه كان يتصبب عرقا بسبب تجميع القطع والقطع. تايلور، لاحظ كوان وخلال مقابلة من جانبه في قصة هذه الأنظمة، "لم يفعل ذلك نظريا، ولم يفعله على الكمبيوتر". وبدلاً من ذلك، ومع وجود الأدوات في متناول اليد، قام "بتصنيع الأجهزة بالفعل". لقد كان شيئًا ماديًا، مزيجًا من الأجزاء، وربما حتى أداة غريبة. وقد تم "كل ذلك باستخدام دوائر تناظرية"، حيث استغرق تايلور، كما يشير كوان، "عدة سنوات لبنائه واللعب به". حالة من التجربة والخطأ.
من المفهوم أن كوان أراد أن يستوعب ما كان يراه. لقد حاول إقناع تايلور بشرح آلة التعلم هذه له. التوضيحات لم تأتي. لم يتمكن كوان من إقناع تايلور بأن يصف له كيفية عمل الأمر. ظلت الخلايا العصبية التناظرية لغزا. المشكلة الأكثر إثارة للدهشة، كما اعتقد كوان، هي أن تايلور "لم يفهم بنفسه حقًا ما كان يحدث". ولم يكن ذلك مجرد انقطاع مؤقت في التواصل بين العالمين ذوي التخصصات المختلفة، بل كان أكثر من ذلك.
في مقابلة من منتصف التسعيناتوبالعودة إلى آلة تايلور، كشف كوان أنه "حتى يومنا هذا، في الأبحاث المنشورة، لا يمكنك فهم كيفية عملها تمامًا". يشير هذا الاستنتاج إلى كيفية تواجد المجهول بعمق في الشبكات العصبية. إن عدم قابلية تفسير هذه الأنظمة العصبية كان موجودًا حتى منذ المراحل الأساسية والتنموية التي يعود تاريخها إلى ما يقرب من سبعة عقود.
لا يزال هذا اللغز موجودًا حتى اليوم ويمكن العثور عليه في الأشكال المتقدمة من الذكاء الاصطناعي. إن عدم القدرة على فهم آلية عمل الارتباطات التي أنشأتها آلة تايلور دفع كوان إلى التساؤل عما إذا كان هناك "شيء مريب في الأمر".
جذور طويلة ومتشابكة
أشار كوان إلى زيارته القصيرة مع تايلور عندما سُئل عن استقبال أعماله بعد بضع سنوات. في الستينيات، كان الناس، كما قال كوان، "بطيئين بعض الشيء في فهم الهدف من الشبكة العصبية التناظرية". ويتذكر كوان أن هذا كان على الرغم من أن عمل تايلور في الخمسينيات من القرن الماضي حول "الذاكرة الترابطية" كان يعتمد على "الخلايا العصبية التناظرية". خبير النظم العصبية الحائز على جائزة نوبل، واختتم ليون إن كوبر أن التطورات حول تطبيق نموذج الدماغ في الستينيات، كانت تعتبر "من بين الألغاز العميقة". وبسبب عدم اليقين هذا، ظلت هناك شكوك حول ما يمكن أن تحققه الشبكة العصبية. لكن الأمور بدأت تتغير ببطء.
منذ حوالي 30 عامًا، اكتشف عالم الأعصاب والتر جيه. فريمان، الذي فوجئ بـ "لافت للنظر"مجموعة التطبيقات التي تم العثور عليها للشبكات العصبية، كان يعلق بالفعل على حقيقة أنه لم ينظر إليها على أنها "نوع جديد تمامًا من الآلات". لقد كانت عملية حرق بطيئة، حيث جاءت التكنولوجيا أولاً ثم تم العثور على تطبيقات لاحقة لها. استغرق هذا وقتا. في الواقع، للعثور على جذور تكنولوجيا الشبكات العصبية، قد نعود إلى ما هو أبعد من زيارة كوان لآلة تايلور الغامضة.
عالم الشبكة العصبية جيمس أندرسون والصحفي العلمي إدوارد روزنفيلد وقد لاحظ أن خلفية الشبكات العصبية تعود إلى الأربعينيات وبعض المحاولات المبكرة، كما يصفونها، "لفهم الجهاز العصبي البشري وبناء أنظمة اصطناعية تتصرف بالطريقة التي نتصرف بها، على الأقل قليلاً". وهكذا، في الأربعينيات من القرن العشرين، أصبحت ألغاز الجهاز العصبي البشري أيضًا ألغاز التفكير الحسابي والذكاء الاصطناعي.
تلخيص هذه القصة الطويلة، كاتب علوم الكمبيوتر وقد أشار لاري هارديستي أن التعلم العميق في شكل شبكات عصبية "ظل رائجًا وبعيدًا عن الموضة منذ أكثر من 70 عامًا". ويضيف بشكل أكثر تحديدًا أن هذه "الشبكات العصبية تم اقتراحها لأول مرة في عام 1944 من قبل وارن ماكولوتش ووالتر بيتس، وهما باحثان من جامعة شيكاغو انتقلا إلى معهد ماساتشوستس للتكنولوجيا في عام 1952 كأعضاء مؤسسين لما يسمى أحيانًا أول قسم للعلوم المعرفية".
في مكان آخر، 1943 أحيانًا يكون التاريخ المحدد هو العام الأول للتكنولوجيا. في كلتا الحالتين، تشير الحسابات على مدى 70 عامًا تقريبًا إلى أن الشبكات العصبية قد انتقلت إلى داخل وخارج الموضة، وغالبًا ما تم إهمالها، ولكنها في بعض الأحيان تترسخ وتنتقل إلى المزيد من التطبيقات والمناقشات السائدة. استمرت حالة عدم اليقين. يصف هؤلاء المطورون الأوائل في كثير من الأحيان أهمية أبحاثهم بأنها تم التغاضي عنها، حتى وجدوا هدفها في كثير من الأحيان بعد سنوات وأحيانًا عقود.
وبالانتقال من الستينيات إلى أواخر السبعينيات، يمكننا العثور على قصص أخرى عن الخصائص غير المعروفة لهذه الأنظمة. وحتى ذلك الحين، وبعد مرور ثلاثة عقود، كانت الشبكة العصبية لا تزال بحاجة إلى إيجاد إحساس بالهدف. ديفيد روملهارت، الذي كان لديه خلفية في علم النفس وكان مؤلفًا مشاركًا لمجموعة من الكتب التي نُشرت في عام 1960 والتي من شأنها أن تعيد الانتباه لاحقًا مرة أخرى نحو الشبكات العصبية، وجد نفسه يتعاون في تطوير الشبكات العصبية. مع زميله جاي ماكليلاند.
وبالإضافة إلى كونهما زملاء، فقد التقيا مؤخرًا ببعضهما البعض في مؤتمر في مينيسوتا حيث أثار حديث روميلهارت حول "فهم القصة" بعض المناقشات بين المندوبين.
بعد ذلك المؤتمر، عاد ماكليلاند بفكرة حول كيفية تطوير شبكة عصبية يمكنها الجمع بين النماذج لتكون أكثر تفاعلية. ما يهم هنا هو ذكريات روملهارت من "ساعات وساعات وساعات من الترقيع على الكمبيوتر".
جلسنا وقمنا بكل هذا على الكمبيوتر وقمنا ببناء هذه النماذج الحاسوبية، ولم نفهمها. لم نفهم سبب عملهم أو سبب عدم عملهم أو ما هو الشيء المهم فيهم.
ومثل تايلور، وجد روملهارت نفسه يعبث بالنظام. لقد قاموا أيضًا بإنشاء شبكة عصبية فعالة، والأهم من ذلك أنهم لم يكونوا متأكدين من كيفية أو سبب عملها بالطريقة التي تعمل بها، ويبدو أنهم يتعلمون من البيانات ويجدون الارتباطات.
محاكاة الدماغ - طبقة بعد طبقة
ربما لاحظتم بالفعل أنه عند مناقشة أصول الشبكات العصبية، فإن صورة الدماغ والتعقيد الذي يثيره هذا لا يكون بعيدًا أبدًا. لقد عمل الدماغ البشري كنوع من القالب لهذه الأنظمة. في المراحل المبكرة، على وجه الخصوص، أصبح الدماغ - الذي لا يزال واحدًا من أعظم الأمور المجهولة - نموذجًا لكيفية عمل الشبكة العصبية.
لذلك تم تصميم هذه الأنظمة التجريبية الجديدة على أساس شيء لم يكن أداءه معروفًا إلى حد كبير. مهندس الحوسبة العصبية كارفر ميد لقد تحدث بشكل كاشف لمفهوم "جبل الجليد المعرفي" الذي وجده جذابًا بشكل خاص. إنه فقط قمة جبل الجليد الجليدي الذي ندركه والذي يمكن رؤيته. ولا يزال حجم وشكل الباقي غير معروف تحت السطح.
في 1998، جيمس أندرسون، الذي كان يعمل لبعض الوقت على الشبكات العصبية، لاحظ أنه عندما يتعلق الأمر بالبحث في الدماغ "يبدو أن اكتشافنا الرئيسي هو الوعي بأننا لا نعرف حقًا ما الذي يحدث".
في حساب مفصل في فاينانشيال تايمز في عام 2018لاحظ الصحفي التكنولوجي ريتشارد ووترز كيف تم تصميم الشبكات العصبية على أساس نظرية حول كيفية عمل الدماغ البشري، حيث يمرر البيانات عبر طبقات من الخلايا العصبية الاصطناعية حتى يظهر نمط يمكن التعرف عليه. وهذا يخلق مشكلة غير متوقعة، كما اقترح ووترز، لأنه "على عكس الدوائر المنطقية المستخدمة في البرامج التقليدية، لا توجد طريقة لتتبع هذه العملية لتحديد السبب الدقيق وراء توصل الكمبيوتر إلى إجابة معينة". والنتيجة التي توصل إليها ووترز هي أن هذه النتائج لا يمكن استبعادها. إن تطبيق هذا النوع من نماذج الدماغ، الذي يأخذ البيانات عبر طبقات عديدة، يعني أنه لا يمكن تتبع الإجابة بسهولة. تعد الطبقات المتعددة جزءًا جيدًا من السبب وراء ذلك.
الصلابة ولاحظ أيضًا أن هذه الأنظمة "مصممة بشكل فضفاض على غرار الدماغ البشري". وهذا يجلب الرغبة في بناء المزيد من تعقيد المعالجة من أجل محاولة التوافق مع الدماغ. ونتيجة هذا الهدف هي شبكة عصبية "تتكون من آلاف أو حتى ملايين من عقد المعالجة البسيطة المترابطة بشكل كثيف". تنتقل البيانات عبر هذه العقد في اتجاه واحد فقط. لاحظ هارديستي أن "العقدة الفردية قد تكون متصلة بعدة عقد في الطبقة الموجودة أسفلها، والتي تتلقى منها البيانات، وعدة عقد في الطبقة فوقها، والتي ترسل إليها البيانات".
كانت نماذج الدماغ البشري جزءًا من كيفية تصور وتصميم هذه الشبكات العصبية منذ البداية. وهذا مثير للاهتمام بشكل خاص عندما نعتبر أن الدماغ كان في حد ذاته لغزًا في ذلك الوقت (ولا يزال كذلك في نواحٍ عديدة).
"التكيف هو اللعبة بأكملها"
أراد علماء مثل ميد وكوهونين إنشاء نظام يمكنه التكيف بشكل حقيقي مع العالم الذي وجد نفسه فيه. فيستجيب لشروطه. كان ميد واضحًا في أن قيمة الشبكات العصبية تكمن في قدرتها على تسهيل هذا النوع من التكيف. في ذلك الوقت، وبالتأمل في هذا الطموح، وأضاف ميد أن إنتاج التكيف "هو اللعبة بأكملها". وكان يعتقد أن هذا التكيف ضروري "بسبب طبيعة العالم الحقيقي"، الذي خلص إلى أنه "متغير للغاية بحيث لا يمكن القيام بأي شيء مطلق".
كان لا بد من أخذ هذه المشكلة في الاعتبار خاصة وأن هذا، كما اعتقد، كان شيئًا "اكتشفه الجهاز العصبي منذ وقت طويل". لم يكن هؤلاء المبتكرون يعملون فقط مع صورة للدماغ ومجهولاته، بل كانوا يجمعون ذلك مع رؤية "للعالم الحقيقي" والشكوك والمجهول والتقلبات التي يجلبها ذلك. يعتقد ميد أن الأنظمة يجب أن تكون قادرة على الاستجابة والتكيف مع الظروف بدون تعليمات.
في نفس الوقت تقريبًا في التسعينيات، ستيفن جروسبيرج - خبير في الأنظمة المعرفية التي تعمل في الرياضيات وعلم النفس والهندسة الطبية الحيوية - كما جادل بذلك كان التكيف سيكون خطوة مهمة على المدى الطويل. أثناء عمل جروسبيرج على نمذجة الشبكات العصبية، كان يعتقد في نفسه أن الأمر برمته "يتعلق بكيفية تصميم أنظمة القياس والتحكم البيولوجية للتكيف بسرعة وثبات في الوقت الفعلي مع عالم سريع التقلب". وكما رأينا سابقاً مع "حلم" كوهونن بنظام "ذاتي التنظيم"، فإن فكرة "العالم الحقيقي" تصبح السياق الذي يتم فيه ترميز الاستجابة والتكيف في هذه الأنظمة. ومما لا شك فيه أن كيفية فهم هذا العالم الحقيقي وتخيله يشكل كيفية تصميم هذه الأنظمة للتكيف.
الطبقات المخفية
ومع تضاعف الطبقات، وصل التعلم العميق إلى أعماق جديدة. يتم تدريب الشبكة العصبية باستخدام بيانات التدريب، وأوضح هارديستي"يتم تغذيتها إلى الطبقة السفلية - طبقة الإدخال - وتمر عبر الطبقات التالية، وتتضاعف وتضاف معًا بطرق معقدة، حتى تصل أخيرًا، وتتحول بشكل جذري، إلى طبقة الإخراج". كلما زاد عدد الطبقات، زاد التحويل وزادت المسافة من الإدخال إلى الإخراج. وأضاف هارديستي أن تطوير وحدات معالجة الرسومات (GPUs)، في الألعاب على سبيل المثال، "مكن الشبكات ذات الطبقة الواحدة في الستينيات والشبكات المكونة من طبقتين إلى ثلاث طبقات في الثمانينيات من الازدهار إلى العشرة أو الخمس عشرة أو حتى الخمسينيات". شبكات الطبقة اليوم ".
الشبكات العصبية تزداد عمقا. في الواقع، إن إضافة الطبقات هذه، وفقًا لهارديستي، هو "ما يشير إليه مصطلح "التعلم العميق" في "التعلم العميق". ويقترح أن هذا أمر مهم، لأنه "في الوقت الحالي، يعد التعلم العميق مسؤولاً عن الأنظمة الأفضل أداءً في كل مجال تقريبًا من مجالات أبحاث الذكاء الاصطناعي".
لكن الغموض لا يزال أعمق. مع تراكم طبقات الشبكات العصبية بشكل أكبر، زاد تعقيدها. كما أدى إلى نمو ما يشار إليه بـ"الطبقات الخفية" داخل هذه الأعماق. لا تزال مناقشة العدد الأمثل للطبقات المخفية في الشبكة العصبية مستمرة. المنظر الإعلامي كتبت بياتريس فازي أنه "بسبب كيفية عمل الشبكة العصبية العميقة، والاعتماد على طبقات عصبية مخفية محصورة بين الطبقة الأولى من الخلايا العصبية (طبقة الإدخال) والطبقة الأخيرة (طبقة الإخراج)، فإن تقنيات التعلم العميق غالبًا ما تكون مبهمة أو غير مقروءة حتى بالنسبة لأعضاء الشبكة العصبية". المبرمجون الذين قاموا بإعدادها في الأصل".
ومع زيادة الطبقات (بما في ذلك تلك الطبقات المخفية) تصبح أقل قابلية للتفسير - حتى، كما اتضح مرة أخرى، لأولئك الذين قاموا بإنشائها. وقد طرحت فكرة مماثلة مفكّرة الإعلام الجديد البارزة ومتعددة التخصصات كاثرين هايلز لاحظ أيضا أن هناك حدودًا لـ "مدى ما يمكننا معرفته عن النظام، وهي نتيجة ذات صلة بـ "الطبقة المخفية" في الشبكة العصبية وخوارزميات التعلم العميق".
متابعة ما لا يمكن تفسيره
إن هذه التطورات الطويلة مجتمعة هي جزء مما يقوله عالم اجتماع التكنولوجيا تينا بوشر وقد أطلق عليها "إشكالية المجهول". توسيع أبحاثه المؤثرة حول المعرفة العلمية في مجال الذكاء الاصطناعي، هاري كولينز قد أشار إلى أن الهدف من الشبكات العصبية هو أنها قد يتم إنتاجها من قبل الإنسان، في البداية على الأقل، ولكن "بمجرد كتابة البرنامج يعيش حياته الخاصة، كما كانت؛ وبدون بذل جهد كبير، يمكن أن تظل الطريقة التي يعمل بها البرنامج غامضة”. وهذا يعكس أصداء تلك الأحلام التي طال أمدها بشأن نظام التنظيم الذاتي.
وأود أن أضيف إلى ذلك أن المجهول وربما حتى ما لا يمكن معرفته قد تم متابعته كجزء أساسي من هذه الأنظمة منذ مراحلها الأولى. هناك احتمال كبير أنه كلما زاد تأثير الذكاء الاصطناعي في حياتنا، كلما قل فهمنا لكيفية أو سبب ذلك.
لكن هذا لا يناسب الكثيرين اليوم. نريد أن نعرف كيف يعمل الذكاء الاصطناعي وكيف يصل إلى القرارات والنتائج التي تؤثر علينا. ومع استمرار التطورات في الذكاء الاصطناعي في تشكيل معرفتنا وفهمنا للعالم، وما نكتشفه، وكيف نعامل، وكيف نتعلم، ونستهلك، ونتفاعل، فإن هذا الدافع للفهم سوف ينمو. عندما يتعلق الأمر بالذكاء الاصطناعي القابل للتفسير والشفاف، فإن قصة الشبكات العصبية تخبرنا أننا من المرجح أن نبتعد أكثر عن هذا الهدف في المستقبل، بدلا من الاقتراب منه.
ديفيد بيرأستاذ علم الاجتماع جامعة يورك
يتم إعادة نشر هذه المقالة من المحادثة تحت رخصة المشاع الإبداعي. إقرأ ال المقال الأصلي.
