استفاده از تکنولوژی برای کنترل ایده‌ها
آموزش

استفاده از تکنولوژی برای کنترل ایده‌ها

بسیاری از مدیران جلسه‌هایی را مدیریت می‌کنند که تمام یا بخشی از آنها به صورت مجازی برگزار می‌شود. ممکن است اعضای تیم در هر هفته تنها چند روز در محل کار حضور فیزیکی داشته باشند یا ممکن است تمام حضورشان مجازی باشد و در شهرهای دور یا کشورهای دیگری زندگی کنند یا در محدوده‌ای جغرافیایی باشند که زمان‌شان کاملاً با زمان مدیران فرق دارد.

طوفان فکری آنلاین می‌تواند از طوفان فکری گروهی و رو در رو، سازند‌‌تر و پربارتر باشد. در پژوهشی به دست آمده است که گروه‌هایی که از روش‌های طوفان فکری آنلاین استفاده می‌کنند، به ایده‌های منحصر به فرد و بهتری دست پیدا می‌کنند، نسبت به گروه‌هایی که از رویکردها و روش‌های سنتی طوفان فکری استفاده می‌کنند.

در پژوهش دیگری روشن شد که طوفان فکری آنلاین به رضایت بیشتر و احساس قوی‌‌ برابر بودن در بین اعضا منجر می‌شود. یکی از مزایای اصلی طوفان فکری آنلاین این است که به اعضای تیم که از سایرین کمتر اعتماد به نفس دارند کمک می‌کند ایده‌های خود را بدون احساس فشار و اضطراب از سویی همکاران فعال‌‌تر خود، با دیگران به اشتراک بگذارند.

بسته به ابزاری که استفاده می‌کنید، این کار را می‌توان به‌صورت ناشناس انجام داد و این شیوه افراد را تشویق می‌کند ایده‌های افراطی‌‌تر خود را به اشتراک بگذارند. همچنین بسته به ابزاری که انتخاب می‌کنید، احتمال دارد نیازی نباشد جلسات طوفان فکری را شخصاً هدایت کنید یا از ایده‌ها نت بردارید.

اما مانند همه روش‌های مبتنی وب، ابزارهای طوفان فکری آنلاین وابسته به وجود ارتباط اینترنتی قوی و ثابت هستند. اگر چنین ارتباطی در اختیار نداشته باشید، احتمالاً افراد از مشارکت خودداری خواهند کرد. همچنین ممکن است برای استفاده مؤثر از ابزارهای طوفان فکری آنلاین لازم باشد که آموزش‌ها و خدماتی به کارکنان خود بدهید، به‌ویژه اگر خود مفهوم ابزار آنلاین یا نرم‌افزار برای آنها تازه باشد.

زمانی پیش از شروع جلسات طوفان فکری خود اختصاص دهید به اینکه مشخص کنید کلاً چگونه باید از این روش استفاده کنید یا یکی از همکاران بخش ‌ای‌تی خود را به کار بگیرید تا در کنار شما باشد و در صورت بروز مشکل، آن را برطرف نماید.

ابزارهای طوفان فکری آنلاین

ابزارهای بسیار ساده و مؤثری برای جلسات طوفان فکری آنلاین وجود دارند. می‌توانید از توصیه‌های زیر استفاده کنید تا ابزاری را که از همه برای نیازهای تیم شما مناسب‌‌تر است انتخاب کنید.

گوگل درایو

یکی از ساده‌‌ترین ابزار‌های طوفان فکری آنلاین، گوگل درایو (Google Drive) است. برای انجام طوفان فکری به کمک آن باید یک فایل صفحه گسترده یا متنی ایجاد کنید یا یک متن موجود را بارگذاری کنید. برای انجام این کار نیاز است که یک حساب کاربری ایجاد کنید، اما همکاران شما برای دسترسی به این فایل لازم نیست حساب کاربری داشته باشند.

لازم است سند مورد نظر را با همه کسانی که به آن دسترسی خواهند داشت به اشتراک بگذارید. سپس از طریق گوگل درایو یک دعوت‌نامه برای هر کسی که می‌خواهید به این سند دسترسی داشته باشد، بفرستید. آنها خواهند توانست که همزمان یا در زمانی که برای آنها مناسب است، به این سند دسترسی پیدا کنند و اگر در مورد آن نظری داشته باشند، به محض اینکه نظر خود را اعلام کنند بر روی آن سند درج خواهد شد و شما می‌توانید آن را ببینید.

اعضای تیم شما می‌توانند ایده‌های خود را با قرار دادن کامنت در متن اعلام کنند. برای این کار لازم است آنها بر دکمه «کامنت» بر نوار ابزار خود کلیک کنند. یا می‌توانند متن را مستقیماً در خود سند قرار دهند. هر تغییری همراه با نام نویسنده آن که به‌صورت برچسبی درآمده، نمایش داده خواهد شد و گوگل درایو به‌صورت خودکار همه تغییرات را ذخیره خواهد کرد.

یک مزیت این رویکرد این است که لازم نیست همه همزمان حضور داشته باشند. یک جلسه طوفان فکری می‌تواند چند روز به طول بینجامد تا افرادی که در محدوده‌های زمانی مختلفی قرار دادند، بتوانند ورودی‌های مکرری به آن اضافه کنند.

پیام مستقیم / چت

یک چت، یک پیام‌رسان فوری یا یک پلتفرم چت نیز روشی مؤثر برای طوفان فکری الکترونیکی است، اگر همه اعضای تیم شما همزمان آنلاین باشند. تنها کاری که باید بکنید این است که آنها را به یک گروه چت با یک موضوع خاص و در یک زمان خاص دعوت کنید. بسته به خدماتی که مورد استفاده قرار می‌دهید، شاید بتوانید از چت خود برای مراجعه‌های بعدی رونوشتی ذخیره کنید یا از آن برای ارسال فایل و لینک‌های ارتباطی استفاده کنید.

 

پلتفرم‌های ابری

برخی شرکت‌ها از پلتفرم‌های طوفان فکری الکترونیکی بیرون از سازمان خود استفاده می‌کنند که به آنها کمک می‌کند مشارکت تیم‌ها را از راه دور کنترل کنند. مزیت این پلتفرم‌ها این است که بسیاری از آنها قالب‌‌های از پیش آماده و ابزارهایی در اختیار شما قرار می‌دهند تا بتوانید ایده‌های خود را تولید و آنها را دسته‌بندی کنید.

برای مثال، استورم‌برد (Stormboard) پلتفرمی است که به شما اجازه می‌دهد ویدیوها را به اشتراک بگذارید، ایده‌ها را اولویت‌بندی کنید، برای نظرات رأی‌گیری کنید و گزارش‌هایی درباره فعالیت‌های گروه و افکار و ایده‌های نهایی تهیه کنید. دسترسی به این ابزار رایگان است و در سایت آن یک اپلیکیشن موبایلی نیز قرار دارد.

مایند۴۲ (Mind42) پلتفرم ابری رایگان دیگری است که به شما کمک می‌کند نقشه ذهنی گروهی تیم خود را ترسیم کنید.

نکته یک

ابزار‌های آنلاین دیگری نیز وجود دارند که شما می‌توانید برای به اشتراک گذاشتن ایده‌ها با همکاران خود از آنها استفاده کنید. کنفرانس ویدیویی آنلاین هنگامی بسیار مفید خواهد بود که لازم است یک گفتگو را ثبت و ضبط کنید. اما هنگامی که افراد در زمان‌های مختلف آنلاین هستند، لازم است از رویکردهای دیگری استفاده کنید.

اسکایپ (Skype) نیز برای گرد هم آوردن تیم‌های مختلف و گفتگوی آنها ابزاری مناسب است. در اسکایپ شما می‌توانید در صورت نیاز با ده نفر یا بیشتر تماس‌های تلفنی گروهی برقرار کنید.

نکته دو

اگر در جلسات طوفان فکری آنلاین محتواهای محرمانه را مورد بحث قرار می‌دهید، از بخش ‌ای‌تی خود بخواهید تا بررسی کنند که آیا پلتفرمی که از آن استفاده می‌کنید از نظر امنیتی مطمئن است یا خیر.

غلبه بر حجم بیش از حد اطلاعات

طوفان فکری آنلاین می‌‌تواند به توده شدن حجم عظیمی از اطلاعات منجر شود. اعضای تیم ممکن است گاه و بی‌گاه به علت حجم زیاد اطلاعاتی که به اشتراک گذاشته می‌شود، به‌خصوص در مواقعی که گروه‌ها بزرگ یا اعضای آنها بسیار فعال هستند، خسته و درمانده شوند.

یک راه برای مقابله با این مشکل آن است که از روش‌هایی استفاده کنید که ورود جریان ایده‌ها را کنترل می‌کند. این کار به هر یک از اعضای تیم شما زمان بیشتری می‌دهد تا چیزهایی را که خوانده بررسی کند و زمان بیشتری خواهد داشت تا  بر اساس اطلاعات جدید ایده‌هایی بیافریند.

ابزارهای مانند گوگل درایو در اینجا نیز مفید خواهند بود و کاربران می‌توانند به‌طور مستقل و هر زمان که خواستند به آن وارد شوند. همچنین می‌توانید از یک مدیر جلسه استفاده کنید تا سرعت تولید داده‌ها و ایده‌ها را کنترل کنید.

نکات کلیدی

ابزار‌های مفید بسیاری وجود دارند که مدیران تیم‌های مجازی می‌توانند از آنها برای مدیریت جلسات طوفان فکری آنلاین استفاده کنند. روش طوفان فکری آنلاین اگر به‌طور مؤثر مورد استفاده قرار بگیرد، می‌تواند باعث ایجاد ایده‌های ریشه‌ای بشود، خجالتی‌‌ترین اعضای تیم را وادار به بحث کند و به‌طور خودکار همه ایده‌ها را در یک جا جمع کند.

اما این خطر نیز وجود دارد که افراد با حجم زیاد اطلاعات منکوب شوند. شما می‌توانید با استفاده از ابزارهایی که در آنها اعضای تیم بتوانند به‌طور مستقل به محتوا دسترسی پیدا می‌کنند یا با استفاده از یک مربی برای هدایت جلسات، به این مشکل غلبه کنید.

هوشمند سازی

دنیای الگوریتم‌ها و ماشین‌های هوشمند

بدون تردید فناوری‌هایی نظیر مجازی‌سازی، اینترنت اشیا، رایانش ابری و هوش مصنوعی تغییرات گسترده‌ای در زندگی انسان‌ها پدید خواهند آورد و خودکارسازی بیش از پیش نمود خواهد کرد. اگر در چند سال گذشته، دستاوردهای هوش مصنوعی را به شکل اغراق‌آمیزی در فیلم‌های علمی و تخیلی مشاهده می‌کردیم، امروزه شاهد هستیم که روبات‌های انسان‌نما به شکل ملموسی با انسان‌ها به تعامل می‌پردازند و برخی از آن‌ها به شکل محدود در مشاغل مختلف به کار گرفته شده‌اند. جای تعجب نیست که مشاهده می‌کنیم سازمان‌ها و کارخانجات بزرگ سرمایه‌گذاری‌های هنگفتی در جهت‌ خودکارسازی خطوط تولید انجام داده‌اند. با این توصیف بهتر نیست از هم اکنون به فکر سرمایه‌گذاری و یادگیری مباحثی باشیم که زندگی ما را دگرگون خواهند کرد؟

مقدمه‌ای کوتاه در باب هوش مصنوعی

اگر داستان کوتاه فردریک براون نویسنده فقید داستان‌های علمی و تخیلی را مطالعه کرده باشید، داستانی که سال 1954 میلادی منتشر شد، با موجودیتی به‌نام Answer روبرو می‌شویم که موفق شده بود تمامی کامپیوترهای موجود در 96 میلیارد سیاره جهان را به یک ابرماشین قدرتمند متصل کند. در ادامه داستان پرسش مهمی مطرح شد که آیا قدرت مطلقی وجود دارد و در ادامه پاسخ این بود، بله قدرت مطلقی وجود دارد. بدون شک‌، داستان براون برخواسته از یک ذهن هوشمند، شوخ‌طبع و دوراندیش بود که آینده را به تصویر کشیده بود. داستان‌های علمی روشی است که انسان‌ها از طریق آن‌ها مفهوم فناوری‌های جدید را شرح می‌دهند. بازیگر اصلی این داستان یک برنامه هوشمند به‌نام Answer بود. برخی از به یاد ماندنی‌ترین شخصیت‌های داستان‌های علمی شبیه به آدم آهنی‌ها یا کامپیوترهایی که ذهن خودآگاهی دارند در فیلم‌هایی شبیه به نابودگر، دونده تیغه، 2001: یک ادیسه فضایی و حتا فرانکنشتاین به خوبی به تصویر کشیده شده‌اند. در حالی که نزدیک به دو یا سه دهه پیش این داستان‌های علمی تخیلی بودند، اما سرعت بی امان فناوری‌های جدید و نوآورانه امروزی این داستان‌های علمی را به واقعیت تبدیل کردند. به‌طوری که امروزه الگوریتم‌های هوشمند به ما اجازه می‌دهند با تلفن‌های هوشمند خود صحبت کنیم و پاسخی دریافت کنیم، در شبکه‌های اجتماعی مطالبی متناسب با ذائقه ما را نشان می‌دهند و حتا برنامه‌های بانکی با نمایش اعلان‌هایی هشدار می‌دهند که موعد پرداخت قسط‌ها فرا رسیده است. تمامی این ایده‌های خلاقانه که روزگاری جادویی به نظر می‌رسیدند، به سرعت به زندگی انسان‌ها وارد شدند و به یکی از ملزومات اصلی زندگی انسان‌ها تبدیل شدند. برای درک اهمیت هوش مصنوعی، مهم است کنکاشی در تاریخ انجام دهیم تا ببینیم چگونه روند توسعه این صنعت با پیشرفت‌ها و موفقیت‌های کم نظیری همراه بوده است. علاوه بر این، بد نیست به پژوهشگران و بازیگران خوش‌نام این صنعت شبیه به آلن تورینگ، جان مک کارتی، ماروین مینسکی و جفری هینتون که ایده‌های خلاقانه آن‌ها افق‌های جدیدی پیش روی بشریت قرار دادند نگاهی داشته باشیم. اجازه دهید مقدمه را بیش از اندازه طولانی نکنیم و به سراغ تاریخچه‌ای کوتاه از هوش مصنوعی برویم.

آلن تورینگ و آزمایش تورینگ

آلن تورینگ چهره برجسته علوم کامپیوتر و هوش مصنوعی است. بیشتر منابع از او به‌نام پدر هوش مصنوعی یاد می‌کنند. در سال 1936، تورینگ مقاله‌ای به‌نام روی خط اعداد محاسبه‌پذیر نوشت. در آن مقاله، او مفاهیم اصلی یك کامپیوتر واقعی را شرح داد که بعدها به‌نام ماشین تورینگ شهرت پیدا کند. البته کامپیوترهای واقعی مدنظر تورینگ بیش از ده سال بعد توسعه پیدا کردند. مقاله او به‌نام “ماشین‌آلات محاسبه‌گر هوشمند” در زمان خود شاهکار بزرگی بود، زیرا پس از گذشت چند دهه شرکت‌ها توانستند یک چنین ماشین‌های هوشمندی را به معنای واقعی کلمه پیاده‌سازی کنند و از مزایای آن بهره‌مند شوند. او روی مفهوم دستگاهی که هوشمند بود تمرکز کرد و راهکاری برای سنجش سطح هوشمندی ارائه کرد. حداقل هوشی که یک ماشین باید داشته باشد چیست؟ این‌جا است که او با آزمایش معروف تورینگ به شهرت جهانی رسید. در آزمایش او سه بازیگر اصلی قرار دارند که دو مورد از آن‌ها انسان و یک مورد کامپیوتر است. یک انسان، سؤالات مختلف و متنوعی از طرفین مقابل خود می‌پرسد که یکی انسان و دیگری کامپیوتر است. اگر ارزیاب نتواند مشخص کند که پاسخ او از سوی یک کامیپوتر یا انسان ارائه شده آن ماشین هوشمند توصیف می‌شود. شکل یک آزمایش تورینگ را نشان می‌دهد.

در این آزمایش نیازی نیست به ماشین اطلاعاتی درباره پرسش‌هایی که قرار است به آن‌ها پاسخ دهد داده شود، بلکه ماشین باید خودآگاه باشد تا بتواند به پرسش‌ها به درستی پاسخ دهد. آزمایش تورینگ نشان می‌دهد که یک ماشین می‌تواند مقادیر زیادی از اطلاعات را پردازش کند، گفتارها را تفسیر کند و با انسان ارتباط برقرار کند. تورینگ معتقد بود دست کم تا یک قرن دیگر ماشین‌ها موفق نخواهند شد در آزمونش با سربلندی خارج شوند. بله‌، این یکی از پیش‌بینی‌های مرتبط با هوش مصنوعی بود که به واقعیت تبدیل شد.  با این توصیف آزمایش تورینگ در طول این سال‌ها چه نتایجی به همراه داشت ؟ آزمایش‌های متعدد نشان دادند شکستن این آزمون دشوار است. شرکت‌ها و سازمان‌های بزرگ برای ترغیب مردم و متخصصان به ساخت سیستم‌های نرم‌افزاری هوشمند، مسابقه‌هایی از جمله جایزه لوبنر و مسابقه آزمایش تورینگ را ترتیب دادند.

در سال 2014 ، آزمایشی انجام شد که به نظر می‌رسید با موفقیت آزمایش تورینگ را پشت سر گذاشته است. در این آزمایش کامپیوتری شرکت کرد که ادعا می‌کرد 13 سال دارد. جالب این‌جا است که برخی از ناظران انسانی فریب خوردند، زیرا برخی از پاسخ‌ها دارای خطا بودند، با این‌حال، پرسش‌های بیشتر باعث شد تا کامپیوتر مذکور شکست بخورد. در ماه مه سال 2018 در کنفرانس I / O گوگل، ساندر پیچای  مدیرعامل شرکت گوگل یک نسخه آزمایشی از دستیار گوگل را معرفی کرد. پیچای از دستیار گوگل درخواست کرد وقت اصلاحی برای او از یک آرایشگر محلی بگیرد. دستیار شخصی به گونه‌ای عمل کرد که آرایشگر فکر کرد در حال صحبت کردن با یک انسان است. عملکرد دستیار شخصی گوگل شگفت‌انگیز بود، اما هنوز هم آزمایش تورینگ شکسته نخورده بود، زیرا گفت‌وگو روی یک موضوع متمرکز بود و گفت‌وگو یک حالت باز و عام نداشت.  جای تعجب نیست که صحبت درباره آزمایش تورینگ هنوز هم ادامه دارد، زیرا برخی فکر می‌کنند اصل نظریه او دستکاری شده است. در سال 1980، فیلسوف معروف جان سیرل مقاله‌ای تحت عنوان “ذهن‌ها، مغزها و برنامه‌ها” نوشت و در آن مقاله آزمایش فکری خود تحت عنوان “استدلال اتاق چینی” را به منظور روشن کردن نواقص مطرح کرد.

استدلال اتاق چینی این‌گونه است که شخصی به‌نام جان در یک اتاق است و زبان چینی را نمی‌فهمد. با این حال، او دفترچه راهنمائی دارد که قواعد لازم برای ترجمه را شرح داده است. در بیرون اتاق فردی قرار دارد که زبان و مفاهیم زبان چینی را به درستی درک می‌کند. او متنی به جان می‌دهد تا ترجمه کند و جان پس از گذشت مدت زمانی ترجمه را به وی تحویل می‌دهد. آیا می‌توانیم به این موضوع باور داشته باشیم که جان به معنای واقعی کلمه قادر به صحبت کردن به زبان چینی است؟ نتیجه‌گیری سیرل این‌گونه بود: «نکته این استدلال این است که اگر مردی در اتاقی موفق نشود به درستی مفاهیم را درک کند، هیچ برنامه کامپیوتری قادر به انجام این‌کار نخواهد بود. زیرا کامپیوتر هیچ چیز متمایز و برتری نسبت به انسان برای درک مفهوم ندارد. به بیان ساده‌تر، هیچ برنامه‌ای موفق نمی‌شود به کامپیوتر، ذهن، فهم یا آگاهی بدهد. پرسش اصلی این است که آیا برنامه هوشمندی که قادر به ترجمه از زبان چینی به انگلیسی است، نیازی دارد تا مفهوم موضوعی که ترجمه کرده است را بداند یا خیر.»

 

فرضیه‌ای که سیرل ارائه کرد به اندازه‌ای جذاب و سرشار از عمق است که تا به‌امروز موضوع داغ گفت‌وگو پیرامون هوش مصنوعی است. سیرل معتقد بود كه دو نوع هوش مصنوعی وجود دارد:

هوش مصنوعی قوی: هوش مصنوعی قوی به حالتی اشاره دارد که یک ماشین واقعا آن‌چه اتفاق می‌افتد را درک می‌کند. حتی ممکن است احساسات و خلاقیتی نیز از خود نشان دهد. در بیشتر موارد، مفهوم فوق در فیلم‌های علمی تخیلی به تصویر کشیده می‌شود. این نوع هوش مصنوعی همچنین با عنوان هوش مصنوعی عمومی (AGI) شناخته می‌شود. توجه داشته باشید که فقط تعداد محدودی از شرکت‌ها توانسته‌اند روی این مدل هوش مصنوعی کار می‌کنند که شرکت دیپ‌مایند که گوگل مالکیت آن‌را بر عهده دارد از جمله این شرکت‌ها است.

هوش مصنوعی ضعیف: هوش مصنوعی ضعیف به حالتی اشاره دارد که یک دستگاه مطابق الگو کار می‌کند و معمولا روی کارهای مشخصی متمرکز است. سیری اپل و آلکسا آمازون در این گروه قرار دارند.

واقعیت این است که هوش مصنوعی در مراحل اولیه در گروه هوش مصنوعی ضعیف قرار می‌گیرد. دستیابی به نقطه‌ای که ما را به دنیای  هوش مصنوعی قوی وارد کند حداقل چند دهه دیگر به طول خواهد انجامید. برخی از محققان فکر می‌کنند شاید چنین روزی هیچ‌گاه از راه نرسد. با توجه به محدودیت‌های آزمایش تورینگ، گزینه‌های دیگری از سوی برخی از افراد برجسته ارائه شد.

آزمایش کورزویل-کاپور (Kurzweil-Kapor)

 این آزمایش از جانب مرد پیشگوی دنیای فناوری ری کورزویل و کارآفرین مشهور دنیای فناوری میچ کاپور مطرح شده است. آزمایش آن‌ها مستلزم این موضوع است که یک کامپیوتر به مدت دو ساعت گفت‌و‌گو کند و دو نفر از سه ناظر یقین پیدا کنند که در حال گفت‌وگو با یک انسان هستند. کاپور بر این باور است که دست‌کم تا سال 2029 چنینی حالتی محقق نخواهد شد.

آزمایش قهوه (Coffee Test)

استیو وزنیاک یکی از بنیان‌گذاران اپل است. او فرضیه‌ای به‌نام آزمایش قهوه را پیشنهاد داده که اگر یک روبات بتواند به خانه یک انسان غریبه برود، آشپزخانه را پیدا کند و یک فنجان قهوه درست کند به شناخت و درک کامل رسیده است.

مغز یک ماشین است؟

در سال 1943، وارن مک کالوچ و والتر پیتز در دانشگاه شیکاگو با یکدیگر ملاقاتی داشتند و با وجود آن‌که پیشینه و سن این دو کاملا متفاوت بود به سرعت با یکدیگر دوست شدند. مک کالوچ 42 سال داشت و پیتز تنها 18 سال داشت. مک کالوچ از یک خانواده ثروتمند بود و به یک مدرسه ممتاز رفته بود، در حالی که پیتس در یک محله فقیر بزرگ شده بود. با وجود تضادهای مختلف، دوستی این دو با یکدیگر یکی از مهم‌ترین دستاوردهای بزرگ در دنیای هوش مصنوعی را رقم زد. مک کالوچ و پیتز فرضیه‌های جدیدی در ارتباط با تشریح عملکرد مغز ارائه کردند که تفاوت مشهودی با دیدگاه‌های روان‌شناسانی همچون فروید داشت. این دو نفر معقد بودند منطق می‌تواند قدرت مغز را توضیح دهد. از این‌رو ، آن‌ها در سال 1943 مقاله‌ای تحت عنوان یک حساب منطقی از ایده‌های برجسته در فعالیت‌های عصبی نوشتند و در بولتن بیوفیزیک ریاضی دانشگاه منتشر کردند. پایان‌نامه فوق عملکردهای اصلی مغز مانند سلول‌های عصبی و سیناپس‌ها را شرح می‌داد و به این نکته اشاره داشت که می‌توان منطق و ریاضیات را با عملگرهای منطقی شبیه به و (And)، یا (Or) و نه (Not) توضیح داد. با استفاده از این عملگرها، شما می‌توانید شبکه پیچیده‌ای بسازید که بتواند اطلاعات را پردازش کرده، یاد بگیرد و فکر کند. جالب آن‌که مقاله فوق از سوی عصب‌شناسان مورد توجه قرار نگرفت. در مقابل افراد فعال در حوزه علوم کامپیوتر و هوش مصنوعی به این مقاله علاقه‌مند شدند.

تکنولوژی

نظریه ها و مدل‌های هوشمند در چند دهه گذشته

در سال 1948، وینر مقاله فرمان‌شناسی: نحوه کنترل و برقراری ارتباط با ماشین‌ها را منتشر کرد. این کتاب اگرچه به عنوان یک اثر علمی شناخته می‌شود، اما سرشار از معادلات پیچیده‌ای است. به همین دلیل به یکی از پرفروش ترین کتاب‌های علمی تبدیل شد که نامش در فهرست کتاب‌های پر فروش نیویورک تایمز نیز وارد شد.

فرمان‌شناسی (سایبرنتیک)

کتاب فوق کاملا گسترده بود. برخی از مباحث این فرضیه روی مکانیک نیوتن، هواشناسی، آمار، ستاره‌شناسی و ترمودینامیک متمرکز بودند. این کتاب فرضیه بی نظمی کامل، ارتباطات دیجیتال و حتی حافظه کامپیوترها را پیش‌بینی می‌کند. با این حال، کتاب فوق روی مفهوم هوش مصنوعی نیز تاثیرگذار بود. وینر مانند مک کالوچ و پیتز، مغز انسان را با کامپیوتر مقایسه کرد. علاوه بر این او حدس زد كه کامپیوتر می‌تواند شطرنج بازی كند و سرانجام استادان بزرگ را شکست دهد. او معتقد بود که یک ماشین می‌تواند همان‌گونه که بازی می‌کند، یاد بگیرد و حتی بر این باور بود که کامپیوترها قابلیت خودتکثیری را به دست خواهند آورد. اما سایبرنتیک نیز آرمان‌شهر کاملی نبود. وینر در درک نواقص کامپیوترها شبیه به نداشتن صفات انسانی (dehumanization) دچار اشتباهاتی شد. او فکر می‌کرد ماشین‌ها در نهایت این دیدگاه را به وجود خواهند آورد که انسان‌ها موجودات بی مصرفی  هستند. این دیدگاه بدون شک افراط‌ گرایانه و اشتباه بود، اما عقاید وینر تاثیر عمیقی بر پیشرفت هوش مصنوعی گذاشت.

داستان اصلی

علاقه جان مک کارتی به کامپیوترها در سال 1948 هنگامی که وی در سمیناری تحت عنوان “مکانیسم‌های مغزی در رفتار” شرکت کرد، به اوج خود رسید. سمینار مذکور حول این محور برگزار شد که چگونه ماشین‌ها می‌توانند در نهایت فکر کنند. برخی از شرکت‌کنندگان در این سمینار از پیشگامان فناوری‌های نوین بودند که جان فون نویمان، آلن تورینگ و کلود شانون از شاخص‌ترین چهره‌های این سمینار بودند. مک کارتی زندگی خود را وقف صنعت کامپیوتر کرد و برای مدت زمان مدیدی در آزمایشگاه‌های بل به تحقیق و پژوهش مشغول به کار شد. او در سال 1956، به مدت 10 هفته در دانشگاه دارتموث یک پروژه تحقیقاتی انجام داد. او پژوهش خود را “مطالعه روی هوش‌مصنوعی” نام‌گذاری کرد. این اولین بار بود که از اصطلاح هوش مصنوعی استفاده شد. همکاران او در این پژوهش عملی استاتید برجسته دانشگاه، ماروین مینسکی، ناتانیل روچستر، آلن نیول، ا. جی سلفریج، ریموند سلیمانوف و کلود شانون بودند. همه آن‌ها با گذشت زمان به یکی از مهره‌های کلیدی دنیای هوش مصنوعی تبدیل شدند. اهداف این پژوهش تحقیقاتی بلندپروازانه به شرح زیر بود:

این تحقیق بر اساس این فرضیه انجام شد که هر جنبه‌ای از یادگیری یا هر ویژگی که ریشه آن هوش باشد را می‌توان به شکلی توصیف و تشریح کرد که امکان شبیه‌سازی آن در یک ماشین وجود داشته باشد. تلاش برای پیدا کردن راه‌حلی برای این‌که ماشین‌ها صحبت کنند، پیدا کردن راه‌حلی برای شکل دادن به مفاهیم و موضوعات انتزاعی، حل برخی از مشکلاتی که انسان‌ها در پیدا کردن پاسخ برای آن‌ها ناتوان هستند و در نهایت پیاده‌سازی راه‌حلی که ماشین‌ها بتوانند عملکرد خود را بهبود بخشند از بخش‌های کلیدی این تحقیق بود. مک کارتی در دفاع از پژوهش خود در کنفرانسی که در همین رابطه برگزار شد چنین گفت: «ما فکر می‌کنیم اگر یک گروه از دانشمندان را به دقت انتخاب کنیم تا یک تابستان روی مفاهیم یاد شده کار کنند، پیشرفت قابل توجهی در حل یک یا چند مشکلات خواهیم داشت. اما این‌ حرف صحیح نیست.»

در این کنفرانس، آلن نیول، کلیف شاو و هربرت سیمون یک برنامه رایانه‌ای به‌نام تئوریسین منطق را نمایش دادند را RAND سرنام  Research and Development Corporation نشان دادند. الهام‌بخش اصلی این طرح سیمون (که بعدها موفق شد در سال 1978 برنده جایزه نوبل اقتصاد شود) بود. او هنگامی که مشاهده کرد چگونه کامپیوترها کلماتی را روی یک نقشه برای سیستم‌های پدافند هوایی چاپ می‌کنند به این فکر افتاد که ماشین‌ها می‌توانند کاری فراتر از پردازش شماره‌ها انجام دهند و قادر هستند در درک بهتر تصاویر‌، شخصیت‌ها و نمادها کمک کنند که در نهایت به دستگاه اجازه فکر کردن را می‌دهند. با توجه به نظریه‌ منطق، تمرکز بر حل قضایای مختلف ریاضی از طریق اصول ریاضی (Principia Mathematica) بود. برتراند راسل، فیلسوف، ریاضی‌دان، منطق‌دان و مورخ انگلیسی برنده جایزه نوبل صلح از جمله افرادی بودند که یک راه‌حل نرم‌افزاری جالب توجه ارائه کرد.

پیاده‌سازی نظریه منطق (Logic Theorist) کار ساده‌ای نبود. نیول، شاو و سایمون از یک مدل IBM 701 که از زبان ماشین استفاده می‌کرد، برای پیاده‌سازی این نظریه استفاده کردند. آن‌ها یک زبان سطح بالا به‌نام IPL (زبان پردازش اطلاعات) را ایجاد کردند تا به روند برنامه‌نویسی شتاب بیشتری ببخشند. برای سال‌های متمادی زبانی که این افراد خلق کردند، به زبان اصلی هوش مصنوعی تبدیل شد.

سیستم IBM 701 با یک مشکل عمده روبرو بود، این سیستم حافظه کافی برای پیاده‌سازی نظریه منطق نداشت. این مسئله باعث شد نوآوری دیگری به دنیای فناوری وارد شد این نوآوری جدید پردازش فهرست نام گرفت. این فناوری برای تخصیص پویا و بازپس‌گیری حافظه‌ای که به شکل پویا یک برنامه در آن اجرا شده بود استفاده می‌شد.

این نوآوری اجازه داد تا نظریه منطق به عنوان اولین برنامه هوش مصنوعی طراحی و پیاده‌سازی شود، اما استقبال چندانی از آن به عمل نیامد و برگزاری کنفرانس دارتموث نیز به شکل ناامید کننده‌ای به پایان رسید، به‌طوری که برخی به‌کارگیری عبارت “هوش مصنوعی” را مورد انتقاد قرار دادند.  پس از این شکست تلخ، محققان سعی کردند راه‌حل‌های جایگزین دیگری همچون پردازش پردازش اطلاعات پیچیده را پیشنهاد دهند، اما نظریه پردازش اطلاعات پیچیده به اندازه هوش مصنوعی جذاب نبودند و این طرح نیز نیمه کاره رها شد. با این وجود مک کارتی، همچنان به ایده خود که پیاده‌سازی یک ایده نوآوری در هوش مصنوعی بود ادامه داد. در اواخر دهه 50 میلادی، او زبان برنامه نویسی Lisp را توسعه داد که به دلیل سهولت در استفاده از داده‌های غیر عددی، اغلب در پروژه‌های هوش مصنوعی استفاده می‌شد.

 او همچنین مفاهیم یکسری مفاهیم برنامه‌نویسی همچون بازگشتی، نوع‌های پویا و جمع‌آوری زباله (Garbage Collection ) را ابداع کرد. Lisp هنوز هم در حوزه‌های روباتیک و برنامه‌های کاربردی تجاری استفاده می‌شود. مک کارتی در کنار توسعه زبان، آزمایشگاه هوش مصنوعی MIT را تأسیس کرد. در سال 1961 او مفهوم اشتراک‌-زمانی کامپیوترها را پیشنهاد داد که تحولی بزرگ در صنعت به وجود آورد. رویکردی که در نهایت به توسعه اینترنت و رایانش ابری منجر شد. چند سال بعد او آزمایشگاه هوش مصنوعی استنفورد را تأسیس کرد. در سال 1969 وی مقاله‌ای به‌نام “اتومبیل‌های کنترل شده با رایانه‌ها ” را نوشت و شرح داد که چگونه یک شخص می‌تواند با یک صفحه‌کلید و یک دوربین تلویزیونی خودرویی را هدایت کند. سرانجام در سال 1971 جایزه تورینگ را به‌دست آورد که در اصل جایزه نوبل علوم کامپیوتر محسوب می‌شود. مک کارتی در سخنرانی سال 2006 خاطرنشان کرد که نسبت به پیشرفت هوش‌مصنوعی خوش‌بین است، اما بر این باور است که انسان‌ها در شناسایی اکتشافی خودشان عملکرد خوبی ندارند.

 

 

عصر طلایی هوش مصنوعی

از سال 1956 تا 1974 صنعت هوش‌مصنوعی یکی از داغ‌ترین موضوعات دنیای فناوری بود. یک کاتالیزور مهم که در حوزه فناوری‌های کامپیوتری رشد بسیار سریعی داشت. سامانه‌های عظیم به تدریج جای خود را به سامانه‌هایی دادند که بر پایه مدارهای مجتمع کار می‌کنند و اندازه‌ای به مراتب کوچک‌تر از نمونه‌های قبلی داشتند که خود عامل مهمی در پیشرفت و شکوفایی هوش‌مصنوعی به شمار می‌رود. دولت فدرال سرمایه‌گذاری کلانی روی فناوری‌های جدید انجام داد که بی ارتباط با اهداف بلندپروازانه برنامه فضایی آپولو و پردازش‌های محاسباتی جنگ سرد نبود.

در ارتباط با هوش‌مصنوعی، منبع اصلی تامین بودجه آژانس پروژه‌های تحقیقاتی پیشرفته آرپا (ARPA) بود. بودجه لازم برای انجام پروژه‌ها با کمترین سخت‌گیری ممکن تخصیص داده می‌شد، زیرا هدف این بود که ایده‌های نوآورانه به سرعت به بلوغ و موفقیت دست پیدا کنند. جی‌.سی‌.آر لیکلیدر یکی از رهبران آرپا شعار “اصل مهم سرمایه‌ انسانی و نه پروژه است” را پیشنهاد داد. بخش اعظمی از بودجه تخصیص یافته به استنفورد، MIT، آزمایشگاه‌های لینکلن و دانشگاه کارنگی ملون پرداخت می‌شد. به غیر از شرکت آی‌بی‌ام بخش خصوصی دخالت کمی در توسعه هوش‌مصنوعی داشت. لازم به توضیح است که تا اواسط دهه 1950 آی‌بی‌ام به شکل جدی به مبحث هوش مصنوعی وارد نشده بود و بیشتر روی تجارت کامپیوترهای شخصی متمرکز بود. در واقع علت ورود دیگر هنگام آی‌بی‌ام به این حوزه ترس از ضرر قابل توجهی بود که به واسطه عدم تمایل مشتریان ممکن بود آینده این شرکت را با چالش جدی روبرو کند. به همین دلیل مدیران آی‌بی‌ام نمی‌خواستند هیچ‌گونه ریسکی انجام دهند. به عبارت دیگر، بخش اعظمی از نوآوری‌ها در حوزه هوش مصنوعی به واسطه تحقیقات دانشگاهی انجام می‌شد. به عنوان مثال، در سال 1959، نیول، شاو و سیمون با تدوین برنامه‌ای تحت عنوان “حل‌کننده مشکلات عمومی” به دنبال بازتر کردن مرزهای محدود هوش مصنوعی بودند. برنامه‌ای که آن‌ها طراحی کردند از هوش مصنوعی در ارتباط با حل مسائل ریاضی همچون برج هانوی استفاده می‌کرد.

برنامه‌های دیگری نیز طراحی شدند که سعی داشتند سطح هوش مصنوعی را بهبود بخشند که موارد زیر بخشی از این تلاش‌ها بود:

SAINT یا Symbolic Automatic Integrator (1961): این برنامه که توسط جیمز اسلاگ محقق MIT ساخته شد برای کمک به حل مسائل حساب و دیفرانسیل ترم اول دانشگاه طراحی شده بود. این برنامه بعدها در برنامه‌های دیگری که SIN و MACSYMA نامیده می‌شدند به‌روزرسانی شد تا بتواند محاسبات ریاضی پیشرفته‌تری را انجام دهد. SAINT در واقع اولین نمونه از یک سیستم خبره بود که شاخه جدیدی در دنیای هوش مصنوعی به وجود آورد که در مقالات آتی با آن بیشتر آشنا خواهیم شد.

ANALOGY (1963): این برنامه نیز توسط توماس ایواتز استاد MIT ساخته شد. این نرم‌افزار نشان داد که یک کامپیوتر می‌تواند مشکلات آنالوژی مربوط به آزمون‌های ضریب هوشی را حل کند.

STUDENT (1964): نرم‌افزار فوق توسط دنیل باربو به عنوان تز دکترای هوش مصنوعی زیر نظر ماروین مینسکی ساخته شد. این سیستم از پردازش زبان طبیعی (NLP) برای حل مشکلات جبر دانش‌آموزان دبیرستانی استفاده می‌کرد.

ELIZA (1965): جوزف ویزنباوم، استاد MIT این برنامه را طراحی کرد که در مدت زمان کوتاهی به یکی از پدیده‌های زمان خود تبدیل شد و حتا رسانه‌ها نیز به بررسی این برنامه پرداختند. نام این برنامه برگرفته از شخصیتی در رمان جورج برنارد شاو play Pygmalion بود که نقش یک روانكاو را داشت. این برنامه به گونه‌ای طراحی شده بود که کاربر می‌تواست سوالات را تایپ کند و الیزا مشاوره‌ای به او ارائه می‌کرد. در حقیقت برنامه الیزا اولین chatbot بود که طراحی شد. این برنامه و فناوری‌های زیربنایی آن به اندازه‌ای خوب طراحی شدنه بودند که برخی از استفاده‌کنندگان تصور می‌کردند که این برنامه یک انسان واقعی است که ویزنباوم در مصاحبه‌ای اعلام کرد از این مسئله نگران است.

Computer Vision (1966): در داستانی افسانه‌ای ماروین مینسکی استادا دانشگاه MIT به دانشجویی به‌نام جرالد جی سوسمن گفت که تابستان را صرف متصل کردن یک دوربین به یک کامپیوتر کند و به کامپیوتر یاد دهد مناظری که دیده است را توصیف کند. جرالد جی سوسمن این‌کار را انجام داد و سیستمی طراحی کرد که قادر بود الگوهای اساسی را تشخیص دهد. برنامه‌ای که او طراحی کرد اولین برنامه بینایی ماشین لقب گرفت.

Mac Hack(1968): ریچارد دی گرینبلات پروفسور MIT برنامه‌ای ابداع کرد که قادر به شطرنج‌بازی بود. برنامه‌ای که او طراحی کرد اولین نمونه‌ای بود که موفق شد در یک مسابقه واقعی شرکت کند و رتبه C مسابقات را کسب کرد.

Hearsay I(اواخر دهه 1960): پروفسور راج ردی سیستم تشخیص گفتار مداوم را توسعه داد. برخی از دانشجویان او راهش را ادامه دادند و شرکت دراگون سيستم را تاسیس کردند که به یکی از بزرگ‌ترین شرکت‌ها در حوزه فناوری تبدیل شد.

در این بازه زمانی، کتاب‌ها و مقاله‌های دانشگاهی متعددی منتشر شدند که پیرامون مباحثی همچون روش‌های بیزی، یادگیری ماشین و بینایی ماشین بودند، اما به‌طور کلی دو نظریه اصلی در مورد هوش مصنوعی وجود دارد. یکی از آن‌ها توسط مینسکی هدایت می‌شد که اعلام می‌کرد ما به سیستم های نمادین نیاز داریم، این بدان معنی است که هوش‌مصنوعی باید مبتنی بر منطق کامپیوترهای سنتی یا برنامه‌ریزی شده باشد، یعنی از رویکردهایی همچون If-then-Else استفاده کند.

نظریه دوم توسط فرانک روزنبلات مطرح شد که معتقد بود هوش مصنوعی باید از سیستم‌هایی مشابه مغز مانند شبکه‌های عصبی استفاده کند و به جای آن‌که بر پایه سلول‌های عصبی داخلی کار کند نقش یک گیرنده را داشته باشد. بر پایه این نظریه یک سیستم بر پایه داده‌هایی که دریافت می‌کند به مرور زمان نکاتی را یاد می‌گیرد.

در سال 1957، روزنبلات اولین برنامه کامپیوتری مبتنی بر این نظریه به‌نام Mark 1 Perceptron را طراحی کرد. این برنامه‌ از دوربین‌هایی استفاده می‌کرد تا تفاوت میان دو تصویر با تفکیک‌پذیری 20 در 20 پیکسل را تشخیص دهد. Mark 1 Perceptron از داده‌هایی استفاده می‌کرد که وزن تصادفی داشتند و بر پایه الگوریتم زیر کار می‌کرد:

  1. یک ورودی دریافت کن و آن‌را وارد کن و جواب را برای خروجی پرسپترون (perceptron) ارسال کن.
  2. اگر خروجی و الگو متناظر نیستند، در این حالت

الف) اگر خروجی باید 0 باشد اما 1 است، وزن را 1 را کاهش بده.

 ب) اگر خروجی باید 1 باشد اما 0 است، وزن ‌را 1 واحد افزایش بده.

  1. مراحل 1 و 2 را تکرار کن تا نتایج دقیق شوند.

دستاوردهای فوق به اندازه‌ای در پیشرفت هوش‌مصنوعی نقش موثر داشتند که نیویورک تایمز در مقاله‌ای فرضیه روزنبلات را ستود و این‌گونه نوشت: «اکنون نهادهای نظامی انتظار دارند کامپیوترهایشان بتواند راه بروند، صحبت کنند، مشاهده کنند، مطالبی بنویسند، قابلیت خودتکثیری داشته باشند و از وجود خود آگاه باشند.»

با وجود ارائه طرح پرسپترون هنوز هم مشکلات متعددی وجود داشت. اولین مشکل این بود که شبکه عصبی فقط یک لایه داشت (به دلیل کمبود توان محاسباتی در آن زمان)، تحقیقات مغز هنوز در مراحل اولیه بودند و علم هنوز به درجه بالایی از دانش در ارتباط با علوم شناختی دست پیدا نکرده بود.