به گزارش
گرداب، «کامرون باکنر» استادیار فلسفه و نویسنده مقاله‌ای که همین موضوع را بررسی کرده و در مجله «Synthese» منتشر شده، گفت: «همچنان که ما هرچه بیشتر به این نوع سیستم‌ها وابسته می شویم، ضروری است که بدانیم آنها چرا و چگونه عمل می کنند.» درک بهتر چگونگی کارکرد این سیستم‌ها باعث شد تا او به اطلاعات مهمی درباره ماهیت یادگیری انسان بدست آورد. از همان عصر افلاطون، فلاسفه به بحث درباره منشاء دانش انسان ادامه داده اند؛ آیا دانش ذاتی است یا بر پایه منطق استوار است؟ آیا دانش از تجارب حسی در دنیا نشات می گیرد؟
به باور آقای باکنر، شبکه‌های عصبی در هم پیچیده ژرف(DCNN) نشان می دهند که دانش انسان از تجربه و یک مکتب فکری موسوم به تجربه‌گرایی نشات می گیرد. این شبکه‌های عصبی (شبکه‌های عصبی مصنوعی چند لایه با گره‌هایی که در چگونگی پردازش سلول‌های عصبی و انتقال اطلاعات در مغز نقش دارند) نشان می دهند که دانش انتزاعی چگونه کسب می شود؛ لذا این شبکه‌ها می توانند ابزار مفیدی در شاخه‌های علوم عصبی و روانشناسی باشند. در این مقاله، پروفسور باکنر اعلام می دارد که موفقیت این شبکه‌ها در کارهای پیچیده از قبیل درک و تفکیک در برخی مواقع از توانایی دانشمندان برای درک نحوه عملکرد آنها پیشی گرفته است.
اگرچه بعضی از دانشمندانی که سیستم‌های شبکه عصبی می سازند به شیوۀ تفکر فیلسوف انگلیسی «جان لاک» و سایر نظریه‌پردازان تاثیرگذار رجوع می کنند، اما گفتنی است که تمرکز آنها بر روی نتایج میباشد تا اینکه بخواهند چگونگی برهمکنش شبکه‌ها با حکایات فلسفی قدیمی از شناخت انسان را درک کنند. باکنر تلاش کرد تا به نوعی این شکاف را پر کند؛ او در این راستا، استفاده از هوش مصنوعی برای استدلال انتزاعی را مد نظر قرار داد؛ از بازهای استراتژی گرفته تا بازشناخت بصری صندلی‌ها، آثار هنری و حیوانات و همچنین کارهایی که به شیوه تعجب برانگیزی پیچیده هستند و تفاوت‌های بالقوه زیادی به لحاظ رنگ، سبک و سایر چزئیات در آنها نمود دارد.
باکنر افزود: «محققان یادگیری ماشینی و بینش رایانه‌ای اخیرا اعلام کردند که شناخت مثلث، صندلی، گربه و سایر دسته‌های روزمره خیلی دشوار است زیرا می توان در شرایط و جهات بسیار متنوعی با آنها روبرو شد؛ به طوری که از منظر ویژگی‌های ادراکی سطح پایین شباهت متقابلی بین آنها نباشد. برای مثال، وقتی از روبرو به یک صندلی نگاه می شود، در هنگامیکه به همان صندلی از زاویه پشت یا بالا نگاه کنید، تفاوت وجود خواهد داشت؛ ما باید به گونه‌ای این دیدگاه‌های متنوع را متحد سازیم تا شناسایی صندلی فارغ از هر زاویه قابل اطمینان باشد.»
برای فائق آمدن بر چالش‌ها، سیستم‌ها باید بر طیفی از تفاوت‌ها که عمدتا بر توانایی یک سیستم در شناسایی اشیا، صداها، لحن صدا، اندازه، موقعیت و سایر چیزها تاثیر می گذارند، کنترل داشته باشند. توانایی پردازش و درک این طیف وسیع از احتمالات یکی از سنگ محک‌های مهم استدلال انتزاعی است. شبکه‌های «DCNN» به سوال چالش‌برانگیز دیگری درباره استدلال انتزاعی پاسخ داده اند. تجربه گرایانی از قبیل ارسطو و جان لاک به انتزاع یا تجرید توسل جسته‌اند تا توضیحات‌شان را دربارۀ نحوه کارکرد ذهن کامل کنند، اما تا به امروز هنوز توضیح خوبی برای نحوه کارکرد ذهن پیدا نشده است. پروفسور باکنر خاطر نشان کرد: «برای نخستین‌بار DCNN به ما کمک می کند تا پاسخی برای این پرسش پیدا کنیم.»
آقای باکنر کارهای آکادمیک خود را در علم رایانه‌ای آغاز کرد و به مطالعه روش‌های منطق محور برای هوش مصنوعی پرداخت. تفاوت‌های مشهود میان هوش مصنوعی ابتدایی و روش‌هایی که به واسطه آن، حیوانات و انسان‌ها مسائل را حل می کنند، باعث شد تا باکنر به فلسفه روی آورد. کمتر از یک دهه پیش، دانشمندان معتقد بودند که پیشرفت در زمینه یادگیری ماشینی می تواند عدم توانایی در تولید دانش انتزاعی را متوقف کند. حالا که ماشین‌ها انسان‌ها را در بازی‌های استراتژی شکست می دهند، اتومبیل‌های بدون راننده در سرتاسر جهان مورد آزمایش قرار می گیرند و سیستم‌های تشخیص چهره هم در گوشی‌های همراه و همچنین فرودگاه‌ها استفاده می شوند، پیدا کردن پاسخ بیش از پیش واجب شده است.
پروفسور باکنر در پایان بیان کرد: «وقتی سایر ابزارها و سیستم‌ها با ناکامی مواجه شدند، این سیستم‌ها عملکرد موفقیت‌آمیزی از خود بر جای گذشتند زیرا می توانند دانش انتزاعی و شهودی جهانی را که به طور خودکار برای انسان‌ها می آید، کسب کنند، اما هنوز برنامه‌نویسی آنها در رایانه‌ها غیرممکن می باشد.»
منبع: بیگ بنگ
