ماشینی شبیه مغز؟

تشابه بین سلسله اعصاب مغز و مدارهای پیچیده الکترونیکی، از همان بدو تولد کامپیوتر تا حدی واضح می‌کرد هر پیشرفتی که در این زمینه صورت گرفته، گویا گامی برای تقویت همین تشابه بوده است. عملا، پرسشی اذهان فلاسفه و مردم را به یک اندازه به خود مشغول کرده بود که: «آیا ماشین‌ها هم قادر به تفکرند؟» این کنجکاوی عمومی را می‌شود از مَطلع مقاله‌ گمنامی در ژانویه سال ١٩٥٠ هم متوجه شد.

این مقاله‌ با گلچینی از سرخط اخبار عمومی در همین‌باره آغاز می‌شود: «به گزارش روان‌شناسان، حافظه صبغه‌ای الکتریکی دارد»، «مغز الکتریکی‌ای در دست ساخت است که قادر به ترجمه از یک زبان خارجی است»، «مغز الکترونیکی‌ای که پژوهش می‌کند»، «دانشمندان، مشغول رایزنی راجع به مغز الکترونیک». اینها برخی تیترهایی است که در سال گذشته، در روزنامه‌های کشور منتشر شد». نویسنده، سپس در ادامه می‌پرسد: «در پس پشت این تیترها، چیست؟ چگونه «مغزهای الکترونیکی» یا «ماشین‌های متفکر» بر زندگی‌مان تأثیر می‌گذارند؟ مهندسان برق چه نقشی در طراحی این ادوات دارند؟ اینها برخی سؤالاتی است که بناست در این مقاله پاسخ بدهیم». مقاله مذکور، با عنوان «ماشین‌های متفکر: حوزه‌ای جدید در مهندسی برق»، در نشریه دانشجویی «فصلنامه مهندسی کلمبیا»، وابسته به دانشگاه کلمبیا، در نیویورک منتشر شده بود. نویسنده‌ آن، «لطفی‌زاده» بود که به‌ تازگی تحصیلات مقطع دکتری‌‌اش را در همین دانشگاه به پایان برده بود و هنوز حوزه مطالعات تخصصی خود را به حد کافی آماده طرح مباحث بنیادین مربوط به عصر نوظهور کامپیوترها نمی‌دید. او چنین فضای نامستعدی را در امتداد همین مقاله، چنین توصیف می‌کند: «...ماشین‌های متفکر اساسا ابزارآلاتی الکتریکی‌اند. اما برخلاف اکثر ابزارآلات الکتریکی، محصول مغز ریاضی‌دانان‌ هستند، نه مهندسان برق. حتی درحال‌حاضر نیز اکثر اقدامات پیشرفته‌ای که روی ماشین‌های متفکر انجام می‌شود، به دست ریاضی‌دانان صورت می‌گیرد. تا وقتی مهندسان برق در آن حوزه‌هایی از ریاضی که بنیان نظری طراحی ماشین‌های متفکر را شکل داده، حاذق‌تر نشوند، اوضاع به همین منوال خواهد بود. مهم‌ترین این حوزه‌ها هم منطق نمادی (symbolic logic) است».

به باور «لطفی‌زاده»، وجه تمایز کامپیوترها از سایر ابزارآلات الکتریکی، توانایی‌ آ‌نها در اتخاذ تصمیمات منطقی و پیگیری (و بعضا اجرای) این تصمیمات است. اما توانایی ما در تشخیص منطقی بودن یا نبودن تصمیمی که یک کامپیوتر می‌گیرد، برای «طراحی» کامپیوترهایی با همین قدرت تشخیص (یا همان «ماشین‌های متفکر»)، کافی نیست و همین‌جاست که وجه تمایز رویکرد «تورینگ» و «لطفی‌زاده» در مقالات ۱۹۵۰آنها (که بی‌خبر از یکدیگر آنها را منتشر کردند) در قبال مسئله ماشین‌های متفکر آشکار می‌شود. «تورینگ» در مقاله ۱۹۵۰ خود شرط «متفکر»بودن یک ماشین را موفقیت آن در ازسرگذراندن آزمایش ذهنی‌ای با عنوان «بازی تقلید» (imitation game) می‌داند، آزمایشی که هم‌اکنون از آن با نام «آزمون تورینگ» هم یاد می‌شود. این بازی ذهنی، از سه شرکت‌کننده شکل یافته: یک انسان، یک ماشین و یک فرد آزمایشگر (یک انسان دیگر). فرد آزمایشگر، در اتاقی مجزا از دو شرکت‌کننده دیگر مستقر می‌شود و وظیفه دارد مشخص کند کدام‌یک از آن دو شرکت‌کننده، انسان است و کدام‌یک ماشین. اگر او در چنین شرایطی نتواند ماشین را از انسان تشخیص بدهد (یا به عبارت بهتر، نتواند تصمیمات ماشین را از تصمیمات انسان تشخیص بدهد)، ‌باید اذعان کرد که ماشین مزبور، همان‌‌قدر هوشمند است که یک انسان.

به عبارت بهتر، معیار «تورینگ» صرفا برای «کشف» و شناسایی ماشین‌های هوشمند کفایت می‌کند، نه «ابداع»شان، چراکه برای ابداع ماشینی که بتواند در بازی‌های مختلف، فلان قاعده بازی را با استناد به «منطقی‌نبودن» آن زیر پا نگذارد (پس بازی را به هم نزند)، باید آن را بر مبنای چیزی فراتر از منطق صوری (formal logic) طراحی و به قدرتی فراتر از تشخیص «منطقی»بودن یا نبودن یک تصمیم، مجهز کرد. بعدها، «لطفی‌زاده» در مقاله‌ای به سال ۱۹۶۲ با عنوان «از نظریه مدار تا نظریه سیستم»، همین موضوع را با طرح احتیاج به وجود ریاضیاتی بر مبنای چیزی فراتر از منطق کلاسیک، مطرح می‌کند: «...هستند کسانی که احساس می‌کنند این شکاف، حکایت از یک کاستی بنیادین در ریاضیات متعارف (همان ریاضیات برساخته از نقاط به‌دقت ‌تعریف‌شده، توابع به‌دقت ‌تعریف‌شده، مجموعه‌های به‌دقت ‌تعریف‌شده، محاسبات احتمالاتی به‌دقت‌ تعریف‌شده و غیره) به‌هنگام تحلیل سیستم‌های بیولوژیکی و تعامل فعالانه با چنین سیستم‌هایی دارد، سیستم‌هایی به مراتب پیچیده‌تر از سیستم‌های مصنوعی.

ما به نوع کاملا متفاوتی از ریاضیات احتیاج داریم، ریاضیات کمیت‌های ناواضح (fuzzy) یا مبهمی که نمی‌توان بر حسب توزیعات احتمالاتی توصیفشان کرد. در واقع، احتیاج به چنین ریاضیاتی، حتی در قلمرو سیستم‌های غیرزیستی هم به طرز فزاینده‌ای بروز یافته، چراکه در اکثر مواد عَمَلی، این‌طور نیست که داده‌های ازپیش‌موجود و همچنین معیارهایی که از طریقشان عملکرد یک سیستم مصنوعی ارزیابی می‌شود، به طرز دقیقی مشخص‌ شده باشد یا توزیعات احتمالاتی‌شان معلوم باشد». کمتر از سه سال بعد، مقاله تعیین‌کننده «لطفی‌زاده»، با عنوان «مجموعه‌های فازی» (Fuzzy Sets)، در نشریه «Information and Control» منتشر شد. این مقاله با افزون بر ۲۶ هزار بار ارجاعی که تاکنون به آن صورت گرفته، هنوز از پی نیم‌قرن، در بین کل مقالات منتشرشده در این نشریه رکورددار است.

بندبازی روی مرزهای منطق صوری

«لطفی‌زاده» پس از اتمام تحصیلات و زمانی که به سمت استادی در دانشگاه کالیفرنیا در برکلی رسیده بود، دست‌به‌کار صورت‌بندی یک توصیف دقیق ریاضی از راهبردهای تحلیل سیستم و سیستم‌های اطلاعاتی شد، که نقطه اوجش انتشار کتاب «Linear System Theory: The State Space Approach» در سال ۱۹۶۳ بود. اما او ضمن تألیف این کتاب، به مشکلی برخورد، مشکلی که به تعریف دقیق مفاهیم مربوط به نظریه اتوماتا، همچون مفهوم «تطابق‌پذیری» (adaptivity)، مربوط می‌شد.

«لطفی‌زاده» به خاطر دارد که: «سعی کردم، اما نتوانستم تعریفی از تطابق‌پذیری را صورت‌بندی کنم، تعریفی که هم محکم باشد و هم واقعی. در جایی، به ذهنم رسيد که مشکل از آنجا نشئت می‌گرفته است که می‌خواستم مفهومی که صبغه حدی داشته – بگذارید اسمش را بگذاریم مفهوم ناواضح (fuzzy concept)- را بر حسب مفاهیمی تعریف کنم که صبغه حدی ندارند، بگذارید اسمشان را بگذاریم مفاهیم قطعی (crisp concept) یا دودویی (binary concept)، یعنی مفاهیمی که فقط با دو حد سروکار دارد (٠ و ١)، بدون هیچ حد میانی‌ای». این تداعی «لطفی‌زاده» را واداشت تا به جای صورت‌بندی، تعریفی برای مفهوم تطابق‌پذیری، اقدام به صورت‌بندی «تعریف‌ناپذیری» این مفهوم کند. بعدها، «لطفی‌زاده» به نقصان بزرگی در ساحت ریاضی پی برد: تاکنون هیچ مفهومی در ریاضی نبوده که به خودی خود «ناواضح» باشد، اما چنانچه فرض کنیم چنین مفهومی وجود دارد، درهای ریاضی به روی شناخت آن بسته است. به عبارت دیگر، صرف‌نظر از اینکه آیا مفاهیم ناواضح وجود دارد یا نه، ریاضی اساسا قادر به هضمشان نیست. حال، کافی بود «لطفی‌زاده» به نحوی امکان‌پذیری وجود چنین مفاهیمی را صورت‌بندی کند تا به‌ یکباره افق‌های کاملا تازه‌ای را به روی ریاضی بگشاید.

از آنجاکه به ازای هر «مفهوم»ی در ریاضیات، باید بتوان یک «تعریف» هم از آن صورت بست، راهبرد «لطفی‌زاده» در صورت‌بندی مفاهیم ناواضح (یعنی مفاهیمی که خود بر حسب مفاهیم ناواضح «دیگر» تعریف می‌شود و بنابراین در بادی امر، نمی‌توان تعریفی از آنها صورت داد)، توسل به نظریه مجموعه‌ها بود و تلاش برای تعریف مجموعه‌هایی با «مرزهای ناواضح» (به جای تلاش برای تعریف «مفاهیم» ناواضح). بدین‌ترتیب، او در سال ۱۹۶۵ مجموعه‌هایی را معرفی کرد که اعضای‌ آنها نه مطلقا عضو آن مجموعه‌ها، بلکه «تا حدی» عضوشان به شمار می‌روند. فرضا، مجموعه «بلندقدی» (tallness) را در نظر بگیرید. مفهوم بلندقدی، فی‌نفسه یک مفهوم ناواضح است، اما می‌توان برای توصیف دقیق آن، به یک مجموعه فازی متوسل شد: یک بازیکن بسکتبال با «درجه عضویت» یک به مجموعه بلندقدی تعلق دارد، حال‌ آنکه شخصی با قد ۱۸۰ سانتی‌متر، با درجه عضویت ٠,٧ و شخصی با قد ۱۳۰ سانتی‌متر هم با درجه عضویت صفر، به این مجموعه تعلق دارند (یا به عبارت دیگر، شخصی با قد ۱۳۰ سانتی‌متر عملا به این مجموعه تعلق «ندارد»).

درجات عضویت می‌توانند هر کمیتی بین صفر تا یک را بسته به میزان دقیق قد افراد و برآوردمان از میزان «بلندقدی»شان اتخاذ کنند. راهبرد «لطفی‌زاده» در معرفی «مجموعه‌های ناواضح» (یا همان «مجموعه‌های فازی») این بود که آن را نه مفهومی با یک تعریف مشخص، بلکه فصل مشترک «شباهت‌های خانوادگی» موجود بین موقعیت‌هایی قلمداد کند که این مفهوم بر آنها اطلاق می‌شود؛ یعنی موقعیت‌هایی که این مفهوم فقط «تا حدی» بر هرکدامشان مصداق پیدا می‌کند. با اهمیتی که ما امروزه برای مقاله مجموعه‌های فازی «لطفی‌زاده» قائلیم، این مقاله در بادی امر با استقبال چندانی مواجه نشد. او در یادداشتی که سال گذشته به سفارش نشریه «Fuzzy Sets and Systems» به مناسبت پنجاهمین سالگرد انتشار آن مقاله نوشت، اذعان می‌کند که: «توقع داشتم که مقاله‌ام‌ از جانب جامعه علوم نظری‌تر (همچون زبان‌شناسان، روان‌شناسان، اقتصاددانان و فلاسفه) مورد استقبال قرار گیرد. اما برخلاف توقع من، مقاله‌ام در بین این جوامع با بی‌تفاوتی و تمسخر مواجه شد». اما از آن بدتر واکنش منفی همکاران او بود.

«رودی کالمن»، ریاضی‌دان برجسته مجار، در کنفرانس «انسان و کامپیوتر» در سال ۱۹۷۲ در شهر بوردوی فرانسه (که لطفی‌زاده هم در آن سخنرانی کرد)، اظهار کرده بود: «...باید اعتراف کنم که نمی‌توانم ناواضح‌سازی (fuzzification) را جانشین خوبی برای روش علمی تلقی کنم، حتی معتقدم که وفادارماندن به این خوش‌بینی سطحی هیلبرت، کار مطمئن‌تری است که گفت: ما می‌خواهیم که بدانیم، ما خواهیم دانست». اظهارات «کالمن» نشان می‌دهد پروژه «لطفی‌زاده» به‌راحتی ممکن است دچار بدفهمی شود. درحالی‌که قصد «لطفی‌زاده» اساسا تدوین روشی برای مواجهه ریاضیات با «مفاهیم ذاتا ناواضح» بود. عده کثیری از ریاضی‌دانان و مهندسان کامپیوتر معتقد بودند «لطفی‌زاده» به تدوین روشی برای «ناواضح نگهداشتن» مفاهیمی پرداخته که ریاضیات توانایی واضح کردنشان را دارد. چنان‌که «ویلیام کاهان»، استاد ریاضیات دانشگاه تورنتو، در سال ۱۹۷۵ اظهار کرده بود: «آنچه ما بدان نیازمندیم، تفکری‌ است که بیشتر منطقی باشد، نه کمتر. خطر نظریه فازی در این است که همان‌گونه تفکر نادقیقی را اشاعه می‌دهد، ما را به چنین دردسری انداخته». اما این تازه شروع کار دشوار «لطفی‌زاده» بود. چنان‌که پیش‌تر اشاره شد، ریاضیات متعارف حتی در صورت وجود مفاهیم ذاتا ناواضح هم قادر به هضم‌کردنشان نیست.

حال که او موفق به اثبات امکان‌پذیری وجود مجموعه‌های فازی به‌عنوان بستری برای صورت‌بندی آن مفاهیم ناواضح شده بود، آیا می‌شد از وجود چنین مفاهیمی اطمینان یافت؟ پیداست پاسخ این سؤال به مجرد آشنایی «لطفی‌زاده» با پتانسیل‌های «زبان روزمره» می‌توانست نقطه‌ عطفی در پژوهش‌های او به شمار‌ آید و چنین هم شد؛ او در اواخر سال ۱۹۶۸ به عضویت تیم «ادگار کاد» در آزمایشگاه تحقیقات شرکت IBM درآمد که در آن مقطع، این تیم مشغول طراحی یک زبان واسط برای سیستم‌هایی با دیتابیس‌های رابطه‌ای بود. «لطفی‌زاده» دراین‌باره می‌نویسد: «عضویت من در این گروه، تأثیری عمیق بر گرایش پژوهش‌هایم داشت. من به اِعمال نظریه مجموعه‌های فازی بر زبان روزمره و فهم زبان روزمره به‌شدت علاقه‌مند شدم. به یک تعبیر، اکثر مقالات بعدی‌ام مربوط شد به مسائل مربوط به نظریه زبان‌های طبیعی». کمتر از پنج سال بعد، «لطفی‌زاده» با معرفی مفهوم «متغیر زبانی» (linguistic variable)، تا حدی به رؤیای ریاضیات مبتنی بر کمیات ناواضح‌ نزدیک‌تر شد، ریاضیاتی که ممکن بود پاسخی به معمای «ماشین‌های متفکر» نیز باشد.

هوش مصنوعی به روایت «لطفی‌زاده»

مقاله سال ۱۹۷۵ «لطفی‌زاده»، با عنوان «مفهوم یک متغیر زبانی و کاربرد آن در استدلال تقریبی»، با اشاره به این واقعیت آغاز می‌شود که «استفاده از کامپیوترها بصیرت چندانی را نصیب مسائل اساسی فلسفه، ادبیات، حقوق، سیاست، جامعه‌شناسی و سایر حوزه‌های انسان‌محور نکرده است. کامپیوترها خدمت چندانی به فهم ما از فرایندهای فکری انسان هم نکرده‌اند، البته شاید به جز برخی موارد استثنا که به هوش مصنوعی مربوط می‌شود و سایر حوزه‌های مرتبط». حال با گذشت بالغ بر چهل سال از انتشار آن مقاله، توصیف «لطفی‌زاده» همچنان معتبر است. او در ابتدای مقاله‌ای به سال ۲۰۰۸ نیز همین نکته را گوشزد می‌کند: «امروزه، هیچ ماشینی نمی‌تواند آزمون تورینگ را پشت ‌سر بگذارد و در آینده نزدیک هم احتمالش نیست. هوش مصنوعی طی بخش اعظمی از تاریخچه متقدم خود، مملو از انتظارات غلوآمیز بوده است.

تیتری بر پیشانی مقاله‌ای در اواخر دهه چهل قرن گذشته به چشم می‌خورد، مبنی بر اینکه «مغز الکتریکی‌ای در دست ساخت است که قادر به ترجمه از یک زبان خارجی است». امروزه که بالغ بر نیم‌قرن از آن روزها گذشته، ما نرم‌افزارهایی را برای ترجمه داریم، اما هیچ چیزی نمی‌تواند به پای کیفیت ترجمه‌های انسانی برسد. پیداست نیل به هوش ماشینی‌ای هم‌تراز با انسان، چالشی دور از دسترس است». او دلیل این چالش بنیادی را ناتوانی ریاضیات کلاسیک از شناسایی و هضم متغیرهای ناواضح موجود در «زبان طبیعی» می‌داند. او در ابتدای مقاله‌ای در سال ۲۰۰۱، با عنوان «سمت و سویی جدید در هوش مصنوعی»، مطرح می‌کند که «انسان‌ها توانایی چشمگیری در انجام طیف وسیعی از امور فیزیکی و ذهنی، آن‌هم بدون هیچ‌گونه سنجش و محاسبه‌ای را دارند. نمونه‌های متعارف آن عبار‌ت‌اند از پارک‌کردن اتومبیل، رانندگی در شهر، گلف بازی‌کردن، غذاپختن و خلاصه‌‌کردن یک داستان. در انجام این امور، انسان‌ها از انطباعات (perceptions) مربوط به زمان، جهت، سرعت، شکل، احتمال، صدق و سایر صفات اشیای فیزیکی و ذهنی استفاده می‌کنند». به عبارت بهتر، انسان‌ها با بهره‌مندی‌ از زبان روزمره برای صورت‌بندی انطباعات‌ حسی خود به واضح‌ترین صورت «ممکن» (اما درعین‌حال ناواضح‌تر از آنچه در منطق صوری انتظار می‌رود)، می‌توانند اموری بس پیچیده‌تر از توانمندی‌های هوش مصنوعی را‌‌ که به ورودی‌های دقیق و محاسبات متقن مجهز است، به انجام برسانند و این مسئله‌ای است که به نظر می‌رسد در آینده هم با توسعه این رشته به همان منوالی که بنیان‌گذاران هوش مصنوعی (از جمله آلن نیوول و مارتین مینسکی) با مرجع‌قراردادن منطق صوری برایش قایل شده بودند، محقق نخواهد شد.

«نیوول» و «مینسکی» منطق صوری را برای توصیف عملکرد ذهن کافی می‌شمردند، این در حالی است که برای عبور از آزمون تورینگ، همچنان‌که در بخش نخست این مقاله نیز عنوان شد، ضروری ا‌ست «ماشین‌های متفکر» را بر مبنای چیزی فراتر از منطق صوری طراحی و به قدرتی فراتر از تشخیص «منطقی» بودن یا نبودن یک تصمیم، مجهز کرد. بنابراین، «لطفی‌زاده» تصریح می‌کند: «اینکه چرا نیل به یک هوش مصنوعی در تراز انسان، چالشی بعید به شمار می‌رود، دلایل متعددی دارد.

از اصلی‌ترین دلایل این امر، احتیاج به ماشینی‌سازی دو توانمندی چشمگیر انسان است.اولا، توانمندی محاوره، ارتباط، استدلال و تصمیم‌گیری عقلانی، در محیطی مملو از ابهام، عدم قطعیت، نقصان اطلاعات، اجمال صدق و اجمال امکان. ثانیا، توانمندی انجام طیف وسیعی از اعمال فیزیکی و ذهنی (همچون رانندگی در شلوغی شهر) بدون انجام هیچ‌گونه محاسبه و سنجشی. آنچه هم‌اکنون به‌خوبی درک شده، این است که از پیش‌نیازهای ماشینی‌سازی این توانمندی‌ها، ماشینی‌سازی فهم زبان روزمره است. اما آنچه عمدتا ناشناخته مانده، این است که ماشینی‌سازی فهم زبان روزمره با روش‌های مبتنی بر منطق دوارزشی و نظریه احتمالات برساخته از منطق دوارزشی، میسر نیست».

بنابراین، «انطباعات» ساده و ذاتا ناواضحی را که ما به سهولت از طریق تمهیدات زبان روزمره به توصیفشان درمی‌آوریم (مثلا اینکه «امروز هوا تقریبا گرم‌تر شده»)، می‌توان از جمله همان ورودی‌های ناواضح و ارزشمندی شمرد که ریاضیات متعارف از هضمشان عاجز است و منطق فازی راهی برای صورت‌بندی‌ آنها به شمار می‌رود. از همین‌رو، «لطفی‌زاده» در اوایل قرن بیست‌ویکم اقدام به تدوین «نظریه محاسباتی انطباعات» (Computational Theory of Perceptions) یا اختصارا (CTP) کرد.

نظریه CTP، هم‌اکنون از پی تدوین تمهیداتی که نقش عملگرهای منطقی را در یک فضای فازی ایفا می‌کنند، راه پارادایم تازه‌ای را در هوش مصنوعی گشوده است، پارادایمی که «لطفی‌زاده» از آن با عنوان «محاسبه از طریق واژه‌ها» (Computation with Words) یا به اختصار CWW یاد می‌کند. در این پارادایم، الگوی عاملیت عملگرهای منطقی مستقیما از الگوهایی که ما در زبان روزمره برای توصیف انطباعات حسی‌ خود استفاده می‌کنیم، اخذ شده‌ است یا چنانچه «لطفی‌زاده»، خود می‌گوید: «در اصل، «محاسبه از طریق واژه‌ها» روشی برای استدلال، محاسبه و تصمیم‌‌گیری بر مبنای اطلاعاتی‌ است که در زبان روزمره به توصیف درآمده‌اند». هرچند نوآوری‌های اخیر «لطفی‌زاده» طی پانزده سال گذشته، امکان‌پذیری یک پارادایم تازه در هوش مصنوعی را تبیین و رئوس کلی آن را ترسیم کرده است، به نظر می‌رسد تا تدوین مبانی عملی و اجرائی‌سازی این ایده راه درازی در پیش باشد. با این‌همه، نکته اینجاست که ادعاهای «لطفی‌زاده»، خواهی‌نخواهی از سنت ستبر منطق و فلسفه در قرن بیستم نسب می‌برد و بنابراین، قابلیت طرح سرفصل‌های تازه‌ای در علوم انسانی و بسترسازی برای تدوین کارآمد مباحث بین‌رشته‌ای را دارد. پاسخ «لطفی‌زاده» به معمای سیر کند پیشرفت «ماشین‌های متفکر»، امروزه جامع‌ترین و سنجیده‌ترین پاسخی ا‌ست که می‌توان آن را چکیده یک قرن پژوهش‌های علمی- فلسفی- منطقی در رابطه با کارکرد ذهن انسان دانست.