هوش مصنوعی

این یادداشت، سومین و احتمالا واپسین یادداشت در مقطع فعلی در مورد تفکر انتقادی است. در نخستین آن‌ها در شماره ۲۱۴ شبکه، شمایی کلی از تفکر انتقادی و مولفه‌های اساسی تشکیل‌دهنده آن، تعریف عملیاتی و ضرورت پرداختن به این مقوله را مورد کنکاش قرار دادم. در دومین یادداشت، در شماره ۲۱۶ شبکه، تعاریفی رسمی‌تر از تفکر و تفکر انتقادی از متفکران این حوزه ارائه دادم و منابعی به زبان فارسی در این زمینه معرفی کردم. در این یادداشت هم تلاش کردم تا به رابط ماشین و هوش مصنوعی با تفکر انسانی و به ویژه تفکر انتقادی نگاهی بیندازم. امیدوارم که طرح این موضوع، آغازی باشد برای دوستانی که کم‌تر با این مقوله آشنا بوده‌اند و انگیزه‌ای باشد برای مطالعات عمیق‌تر در این زمینه.

پژوهش در زمینه شبکه‌های عصبی مصنوعی، سابقه‌ای قدیمی دارد، اما این حوزه در سال‌های اخیر بیش‌ازپیش مورد توجه شرکت‌ها و مؤسسات تحقیقاتی قرار گرفته است. با وجود دستاوردها و پیشرفت‌ها، هنوز یکی از چالش‌های اساسی در این حوزه، مسئله مصرف توان است. پیاده‌سازی شبکه‌های عصبی روی سخت‌افزارهای الکترونیکی امروزی برق بسیار زیادی مصرف می‌کند و این موضوعی است که با پیچیده‌تر شدن شبکه‌های عصبی، بغرنج‌تر هم می‌شود. محققان مدتی است در مورد راهکاری تحقیق می‌کنند که شاید نه تنها حوزه هوش مصنوعی که حوزه پردازش هم دچار تحول اساسی کند و آن، پردازش نوری است. در مقاله پیش رو با نگاهی اجمالی به این موضوع، به برخی از تلاش‌های عملی در این زمینه اشاره‌ای خواهیم کرد. در این بین نکته مهم نگاه تیزبین سرمایه‌گذارانی است که ایده‌های بلندپروازانه‌ای نظیر توسعه تراشه‌های عصبی نوری را به‌خوبی درک می‌کنند و آماده سرمایه‌گذاری‌های پرخطر این چنینی هستند.

تحولات ناشی از پیشرفت هوش مصنوعی در سال‌های اخیر، تأثیر قابل‌توجهی بر ارتباطات بی‌سیم گذاشته است. تأثیری متقابل که از یک‌سو، امکان استفاده از هوش مصنوعی در لبه شبکه را فراهم کرده و از سوی دیگر، دستگاه‌های مبتنی بر هوش مصنوعی و مدل‌های یادگیری ماشین را قادر ساخته که با در اختیار داشتن حجم عظیمی از داده و توان پردازشی، خود را ارتقا دهند و حتی با دیگر دستگاه‌ها و عامل‌های هوشمند تعامل داشته باشند. در آینده هر وسیله‌ای امکان اتصال به شبکه را داشته و تقریبا همه دستگاه‌ها قادر به جمع‌آوری و تجزیه‌وتحلیل داده‌ها خواهند بود. در چنین دنیایی که دستگاه‌های روی شبکه به‌طور پیوسته در حال جمع‌آوری، آنالیز و مخابره داده هستند، نه‌تنها با یک شبکه مخابراتی بسیار پیش‌رو روبه‌رو هستیم، بلکه با یک شبکه پویا و پیچیده از عامل‌های هوشمندی روبه‌رو خواهیم بود که می‌توانند به‌طور خودمختار عمل کرده و با مدیریت تبادل داده‌ها و نحوه مصرف توان، یک سامانه منسجم پردازشی ـ ارتباطی را تشکیل دهند؛ شبکه‌ای فراتر از آنچه در دوران 5G تجربه خواهیم کرد. ما اکنون در انتظار دوران 6G هستیم.

بیش از یک دهه پیش «ایچیرو تاکیوچی (Ichiro Takeuchi)، استاد علوم و مهندسی مواد دانشگاه ایالتی مریلند، برای کشف و ساخت مواد مغناطیسی جدید به استفاده از یادگیری ماشین (زیرشاخه‌ای از هوش مصنوعی) روی آورد. در آن سال‌ها، یادگیری ماشین در علم مواد کاربرد گسترده‌ای نداشت اما به‌گفته وی، حالا اوضاع خیلی فرق کرده است. بخشی از محبوبیت فعلی یادگیری ماشین ناشی از انقلابی است که در سال 2012 در عرصه یادگیری عمیق رخ داد. کشف مواد جدید با کمک یادگیری ماشین صرفا یک کار آزمایشگاهی نیست، بلکه روشی است که برای فائق آمدن بر چالش‌های ژئوپلتیکی هم کارایی دارد.