دکتر احسان کیا‌ن‌خواه
رییس مرکز مطالعات فضای مجازی پژوهشگاه فرهنگ و اندیشه اسلامی
هوش مصنوعی و بایسته‌های ساخت آینده
نحوه‌ی زیست انسان در حال تحول است. این تحول، ایستا و مقطعی نیست، بلکه این تحول، نمایی، چند بعدی و دارای نقاط عطف متعدد است. عصر سایبر، عصری ایستا نیست که تحولی همانند چرخ را شکل دهد و قرن‌ها و هزاران سال از این فناوری استفاده شود. عصر سایبر، بستر تحولات متنوع فناورانه‌ی انسانْ ساخت است. بستری که فناوری‌های متنوع در آن شکل می‌گیرد، اجتماعی می‌شود و از بین می‌برد.
در حقیقت سایبر، فضای تطور، تکون و حرکت جوهری فناوری‌هاست. فناوری‌هایی همانند نسل‌های مختلف وب که در یک حرکت درونی، به نسل‌های دیگر وب تبدیل و تغییر داده و جامعه متاثر از خود را شکل‌دهی مجدد می‌کند.
هوش مصنوعی که سال‌ها در فضای علمی، دانشگاهی و کسب و کاری کشور رشد و توسعه یافته، و تقریبا در تمام علوم مهندسی، علوم پزشکی، هنر و علوم انسانی کاربردی و استفاده می‌شود، به یکباره اجتماعی شده و دغدغه‌ی مخاطب عام می‌شود.
ChatGPT با یک عملیات رسانه‌ای به ناگاه فرصت‌ها و تهدیدات هوش مصنوعی را به سطح جوامع و حکومت‌ها وارد کرد. ربات نرم‌افزاری‌ای که شبکه‌اش با میلیاردهای صفحه آموزش دیده و نتایجی شبیه انسان تولید می‌کند، نوید گسترش، نفوذ و تعمیق هوش مصنوعی در جامعه را دارد.
هوش مصنوعی «توانایی یک سیستم برای حل مسائل و انجام وظایفی که به طور سنتی برای حل آنها به هوش انسانی نیاز است»، تعریف شده است. البته تعاریف متنوعی برای هوش مصنوعی ارائه شد که خود ذوابعادی و گستردگی فناوری‌های هوش مصنوعی را به تصویر می‌کشد. فناوری‌های هوش مصنوعی در سه کلان موضوعِ هوش مصنوعی (Artificial Intelligence) یا AI، یادگیری ماشین (Machine Learning) یا ML و یادگیری عمیق (Deep Learning) دسته‌بندی شده است. در این دسته‌بندی یادگیری عمیق زیرمجموعه یادگیری ماشین و یادگیری ماشین نیز زیر مجموعه‌ی هوش مصنوعی است.
حوزه‌ی هوش مصنوعی، مجموعه‌ای از قابلیت‌ها و الگوریتم‌هایی است که به تقلید شناختی انسان می‌پردازد. یادگیری و حل مساله دو حوزه‌ی مهم این شبیه‌سازی مصنوعی انسان است. یادگیری ماشین، حوزه‌ی یادگیری از تجربه‌ها برای تصمیم‌سازی است، بدون اینکه مستقیما برای حل مساله‌‌ای براساس قوانین آموزش دیده باشد. به‌طور مثال برای محاسبه‌ی سینوس یک زاویه می‌توان با تکنیک مثلث قائم الزاویه ضلع مقابل به وتر را بر وتر تقسیم کرد اما در یادگیری ماشین کافیست با شبکه عصبی (Neural Network) برای تعدادی زاویه مقدار سیسنوس را محاسبه و به شبکه آموخت و توقع اعلام مقدار برای یک زاویه‌ی دیگر را داشت (آموزش با نظارت) یا روندی از داده‌هایی که بعضا این دادهها دارای تقلب مالی و برچسب‌گذاری شده است به الگوریتم آموزش داده می‌شود تا براساس داده‌های واقعی احتمال و ریسک تقلب را محاسبه کند. در یادگیری عمیق شبکه عصبی با تعداد نودهای زیادتر و در لایه‌های بیشتر با حجم بالایی از اطلاعات آموزش می‌بیند و توانایی شناسایی الگوهای پیچیده را دارد.
شبکه عصبی به چندین روش قابل آموزش برای یادگیری تجربیات است. معروف‌ترین این روش‌ها آموزش با نظارت (supervised)، بدون نظارت (unsupervised) و نیمه نظارتی (semi supervised) است. به عبارت دیگر دادهها در آموزش با نظارت، توقع یادگیری با دادن ورودی و خروجی به شبکه آموزش داده می‌شود اما در آموزش بدون نظارت، صرفا داده ورودی به شبکه آموزش داده شده و توقع اکتشاف الگوی از ویژگی‌های دورنی داده است.
به‌طور مثال Chatgpt از دسته‌ی هوش مصنوعی مولد (Generative AI) است که قابلیت تولید متن، عکس، فیلم و… را براساس داده‌های آموزش دیده دارد. این مدل هوش مصنوعی از شبکههای عصبی برای شناسایی الگو و ساختارهای موجود در دادهها جهت تولید محتوای جدید استفاده می‌کند. مزیت این شبکه سادگی یادگیری بدون نظارت یا نیمه‌نظارتی است و راحت‌تر و سریعتر می‌توان حجم زیادی از دادهها را بدون برچسب به شبکه آموزش داد.
برای مواجهه حکیمانه با تحولات پرشتاب هوش مصنوعی مناسب است محورهای زیر مورد توجه قرار گیرد :
الف- تنظیم دقیق نیازهای کشور؛
نیازهای کشور براساس سند چشم انداز، الگوی اسلامی ایرانی پیشرفت، نقشه علمی کشور و اسناد بالادستی و سیاست‌های کلان کشور استخراج شود. احصاء اینکه سمت سوی کشور چیست و مسیر سرآمدی چگونه است، با چه ارزش‌های بنیادین حاصل می‌شود و به چه ساخت‌هایی نیاز هست، لازمه‌ی طراحی نقشه‌راه کارآمد، واقعی و ناظر به نیازهای کشور در حوزه‌ی هوش مصنوعی است. از طرفی تبیین نظریه سیاستی برای بکارگیری هوش مصنوعی و مدل‌ها، رویکردها و الگوریتم‌ها ضروری است. اینکه کشور در دکترین موشکی نقطه‌زنی را مورد توجه قرار داده است یا در هسته‌ای عدم ساخت سلاح هسته‌ای و استفاده گسترده از فناوری صلح آمیز هسته‌ای را پیش گرفت، در حوزه‌ی هوش مصنوعی نیز به تبیین دکترین و نظریه سیاستی نیاز دارد.
ب – نقشه هوش مصنوعی؛
برای حل نیازها و ساخت کشور براساس آن‌چه احصاء شده، ضروری است نقشه هوش مصنوعی را در سه حیطه‌ی هوش مصنوعی عمومی، هوش مصنوعی راهبردی و اَبَر هوش مصنوعی ترسیم کرد که هرکدام به نقشه‌ی علمی و نقشه‌ی راه مجزا و البته هم‌افزا نیاز دارد.
۱- هوش مصنوعی عمومی شده که الگوریتم‌ها و منابع لازم برای بکارگیری گسترده‌ی آن وجود دارد، باید با حمایت دولتی به‌صورت گسترده وارد صنعت شود. پردازش زبان طبیعی، کشف تقلب مالی، بانکی و بیمه‌ای ، نظارت‌های سیستمی، خودکار سازی و هوشمند سازی فرآیندهای اجرایی کشور (به معنای سامانه‌های تصمیم‌یار و عامل محور)، کنترل هوشمند صنایع و سازه‌های صنعتی، رباتیک، تشخیص بیماری‌ها و.. از حوزه‌هایی هستند که یا وارد صنعت شده‌اند یا در آینده نزدیک وارد صنعت می‌شوند. نگارنده معتقد است آموزش این حوزه از دوره‌ی دبیرستان و هنرستان‌ها باید شروع شود تا در یک دوره‌ی ده‌ساله ثمرات توسعه هوش مصنوعی به‌صورت گسترده در همه‌ی ابعاد کشور قابل مشاهده باشد.
۲- هوش مصنوعی راهبردی نیازمند تلاش علمی گسترده، هدفمند، هم‌آهنگ، هم‌افزا و قطب‌محور نهادهای دانشگاهی و پژوهشگاهی دارد تا کشور جزء سرآمدهای جهانی در حوزه‌ی هوش مصنوعی باشد. لازمه‌ی این نقشه توسعه و هم‌زمانی رشد توانمندی‌های ذخیره‌سازی، پردازشی و الگوریتمی مبتنی بر فناوری‌های بومی است.
۳- اَبَر هوش مصنوعی که محقق نشده و به‌دنبال تحقق هوش مصنوعی به معنای دقیق آن است. خلق موجودی است که فرایندهای ادارک و تفکرش مثل انسان است. از این حوزه نیز نباید غفلت کرد و آن را تخیلی و دور از واقعیت دانست. این محور، هم‌افزایی نخبگانی فلسفی – فناورانه و دانش‌ورزی و دانش‌زایی را می‌طلبد. شکل‌گیری حلقات مرتبط با این حوزه دانشی، منجر به توسعه‌ی هوش مصنوعی راهبردی و هوش مصنوعی عمومی هم خواهد شد.
پ- اخلاق و فناوری حق‌ها
علی رغم تازگی فناوری‌های هوش مصنوعی، چالش‌های اخلاقی این حوزه مهم و اساسی است. شکل‌گیری سوگیریها (Biases) در زمان آموزش شبکه‌ی یادگیری ماشین (الگوریتم) و به نتایج و توصیه‌هایی با سوگیری ختم می‌شود. مواردی از این دست چالش جدی اخلاقی هوش مصنوعی است. شکل‌گیری سوگیریها هم به‌صورت عمدی و هم به صورت غیر عمدی صورت پذیر است. یادگیری یک سیستم مبتنی بر هوش مصنوعی براساس داده‌های در دسترش شکل می‌گیرد. این محتوا که با هنجارهای پدید آورنده و محیط پدیدار شده عجین است منجر سوگیری در شبکه می‌شود.
اینکه سامانه‌های تشخیص چهره متهمین در آمریکا عمدتا سیاه‌پوستان را مجرم تشخیص می‌دهد یا سامانه‌های دیگری غیر سفید پوستان را احراز هویت نمی‌کند، از این موارد است.
تفسیر اومانیستی و انسان‌بنیادی از حقایق عالم نیز منجر به سوگیری‌های عمیق و پیچیده‌ی هوش مصنوعی می‌شود که بعضا در رتبه‌بندی‌ها یا پیشنهاد محتوای موتورهای جستجو قابل مشاهده است. لذا به نظریه‌پردازی دقیق در حوزه‌ی اخلاق هوش مصنوعی و بکارگیری آن برای هدایت بشر در استنتاج‌ها و توصیه‌ها نیاز هست. باید فناوری را مبتنی بر رعایت حق‌ها و تکلیف‌ها و تعریف انسان به عنوان بنده و مخلوق الهی معماری نمود. فهم، ادراک و احصاء این حقوق و طراحی و توسعه‌ی هوش مصنوعی مبتنی بر فناوری حق‌ها و ابتناء بر فکر و اندیشه اسلامی، حیات طیبه را در این عصر پدید خواهد آورد.
ت- قطعیت و توضیح‌پذیری؛
دو موضوع کلیدی عدم قطعیت (Uncertainty) و توضیح‌پذیری (Explainability) چالش نتایج و خروجی‌های فناوری‌های هوش مصنوعی بویژه هوش مصنوعی مولد است. انسان‌ها در پاسخ به سوالات معمولا عدم قطعیت را در ارائه پاسخ بیان می‌دارند یا از حالات گوینده، شنونده به حدی از میزان قطعیت می‌تواند پی ببرد. اما در هوش مصنوعی، تصمیم‌سازی با عدم قطعیت شکل می‌گیرد ولی در ارائه‌ی نتایج، قطعی جلو می‌کند. از طرفی در یادگیری عمیق امکان ترسیم زنجیره‌ی استنتاج وجود ندارد و میزان ریسک تصمیم هر گره قابل نمایش نیست. مشخص نیست مفروضات براساس چه تطوری پاسخ را ترسیم کرده است. ایجاد محیط تحقیق و توسعه برای پوشش این دو خطر و نیز مشخص کردن الگوریتم‌ها و شیوه‌ی آموزش هر کدام، در پاسخ‌گویی به مسائل اجتماعی، فرهنگی و حکمرانی ضروری است.
ث- حکمرانی و امنیت داده؛
اساس هوش مصنوعی بر داده استوار است. لذا داشتن حکمرانی داده و طراحی چارچوب‌های امنیت مورد نیاز ضروری است. حجم بالای داده‌های تولیدی حاصل از محتوا سازی کاربر در شبکههای اجتماعی، شبکههای حسگری گسترده، رفتار کاربر در پلتفرم و جستجو و گزینش دادهها به چارچوبی برای مدیریت هدفمند دادهها نیاز دارد تا حریم‌خصوصی، دسترس‌پذیری، یکپارچگی، کارا بودن، کیفیت داده، صحت و اتکاء‌پذیری، امنیت دادهها و درون سرزمین بودن را فراهم کند. البته حکمرانی داده هم به توسعه هوش مصنوعی کمک می‌کند و هم هوش مصنوعی شرایط لازم برای حکمرانی داده را فراهم می‌آورد.
ج- مالکیت فکری؛
سیاست‌های مالکیت فکری به توسعه‌ی سرمایه‌گذاری و نوآوری‌های حوزه هوش مصنوعی ناظر به حل مسائل عمومی و راهبردی کمک می‌کند. مالکیت داده‌های جمع‌آوری شده، الگوریتم‌ها و فناوری‌های هوش مصنوعی بکار رفته، حجم و سطح آموزش شبکه، نتایج و منافع حاصل از آن و میزان مالکیت‌ها نیاز به تعریف و تبیین دارد.
چ- تنظیم‌گری هوش مصنوعی؛
نفوذ هوش مصنوعی در زیست انسانی، تبادلات مالی و نظارتی و هویت سازی اجتماعی، تنظیم‌گری، جهت‌دهی و هدایت را برای دستیابی به فرصت‌های حداکثری و تهدیدهای حداقلی لازم می‌دارد و از انطباق سیاست‌ها، برنامه‌ها و رویه‌‌ها اطمینان حاصل می‌کند. عموما فناوری‌ها از مقررات سریعتر حرکت می‌کنند. پیچیده شدن هوش مصنوعی، بکارگیری هوش مصنوعی به مثابه سلاح و شکل‌دهی به جنگ‌های ترکیبی و شناختی کشور را به لزوم شکل‌دهی به تنظیم‌گیر فناورانه‌ی ارزش‌بار هوش مصنوعی رهنمون می‌کند. در عین حال تنظیم‌گری باید فضای را برای نوآوری و پیشرفت باز کند و ضمن حل موانع، خود مانعی برای توسعه کشور و ساخت بازارهای جدید مبتنی بر ارزش‌های بنیادین جامعه نباشد.
ح- هم‌افزایی‌های منطقه‌ای و جهانی؛
لازم است کنوانسیون‌های منطقه‌ای و جهانی برای مقررات‌گذاری هوش‌مصنوعی، حکمرانی داده و حریم‌داده‌ای ملت‌ها مخصوصا در پلتفرم‌های جهانی شکل بگیرد. این تعاملات می‌تواند منجر به طراحی حقوق داده در تعاملات جهانی و ایجاد مکانیزم‌های کنترلی برای جلوگیری از شکل‌گیری تسلیحات هوشمند شناختی یا سایبری شود. هم‌افزایی‌های منطقه‌ای و جهانی از یکجانبه‌گری قدرت‌ها در استعمار نو مبتنی بر هوش مصنوعی جلوگیری خواهد کرد.
موارد فوق و مواردی دیگری که قابل افزودن است، مسیر را برای دستیابی به هوش مصنوعی درون‌زا هموار خواهد کرد. دستیابی به جایگاه‌های جهانی در حوزه‌ی هوش مصنوعی نیازمند همت، تلاش، هم‌گرایی، هم‌راستاسازی و هم‌گفتمان‌سازی بخش دولتی و خصوصی است.
