الگوریتم‌‌‌های بازی شطرنج مانند دیپ بلو (Deep Blue) به‌‌‌گونه‌‌‌ای طراحی شده‌‌‌اند که می‌توانند از طریق بررسی میلیاردها حرکت احتمالی، حرکت طرف مقابل را پیش‌بینی کنند. اما نمی‌توانند همین کار را در مورد عشق انجام دهند و قادر نیستند از میان میلیون‌‌‌ها گزینه موجود برای دوست شدن یا زندگی مشترک با یک نفر بهترین گزینه را برگزینند. چرا چنین است؟
هربرت سایمون (Herbert Simon) یکی از بنیان‌گذاران هوش مصنوعی بود و جوایز بسیاری را نصیب خود کرد. او معتقد بود اگر روزی فرابرسد که یک ماشین بتواند بهترین شطرنج‌‌‌باز دنیا را شکست دهد، به طور حتم به توانایی‌‌‌هایی شبیه به هوش انسانی دست خواهد یافت. علاوه بر این، او در سال ۱۹۶۵ پیش‌بینی کرد که طی بیست سال آینده یعنی تا سال ۱۹۸۵ ماشین‌‌‌ها خواهند توانست هر کاری را که انسان‌‌‌ها انجام می‌دهند، مثل خود انسان‌‌‌ها و شاید بهتر از آنها انجام دهند.
برنامه دیپ بلو توانست در سال ۱۹۹۷ بهترین شطرنج‌‌‌باز دنیا یعنی گری کاسپاروف را شکست دهد. اما پیش‌بینی سایمون درست از آب درنیامده، چرا که از آن زمان تاکنون بیش از ۲۵سال گذشته و هوش مصنوعی نتوانسته خیلی از کارهایی را که انسان انجام می‌دهد انجام دهد. البته هوش مصنوعی به خاطر برخورداری از قدرت محاسبه و پردازش حجم عظیمی از داده، توانسته در بعضی حوزه‌‌‌ها بر انسان برتری یابد. بر اساس قانون مور، قدرت محاسبه کامپیوترها هر دو سال دو برابر می‌شود و خیلی‌‌‌ها صحبت از ظهور ابرهوش مصنوعی به میان آورده‌‌‌اند که هر چیزی را که انسان می‌‌‌داند، می‌‌‌داند و قادر به انجام تمام کارهایی است که از عهده انسان برمی‌‌‌آید. ما نویسندگان این کتاب (هنری کیسینجر، اریک اشمیت و دانیل هاتنلاکر) با این عقیده سایمون که ماشین‌‌‌ها قادر به انجام تمام کارهایی هستند که از عهده انسان ساخته است، موافق نیستیم و برای این مخالفت هم دلایل زیاد و قانع‌‌‌کننده‌‌‌ای داریم که در ادامه به آنها اشاره خواهد شد.
اصل دنیای ثابت
یک تفاوت مهم و اساسی بین بازی‌‌‌هایی مانند شطرنج و موضوعی مانند پیدا کردن شریک زندگی و عشق وجود دارد. در شطرنج هر موقعیتی به‌‌‌صورت یک پروفایل در نظر گرفته می‌شود که بر اساس محل قرارگرفتن مهره‌‌‌ها بر روی صفحه شطرنج تعیین می‌شود. در اینجا، برنامه شطرنج نیازی ندارد که در مورد محل درست قرار گرفتن مهره‌‌‌ها تصمیم بگیرد، چون این پروفایل‌‌‌ها هستند که موقعیت مهره‌‌‌ها را مشخص می‌کنند و ابهامی در این میان وجود ندارد. حال آنکه در خارج از صفحه شطرنج، به‌‌‌عنوان مثال در روابط انسانی، ابهامات بسیاری وجود دارد و نمی‌توان بر اساس پروفایل افراد در مورد آنها قضاوت کرد. یک پروفایل لزوما یک شخص نیست و این همان چیزی است که اصل دنیای ثابت به آن اشاره می‌کند. اصل دنیای ثابت به ما می‌‌‌گوید:
«الگوریتم‌‌‌های پیچیده در موقعیت‌‌‌های ثابت و به‌‌‌خوبی تعریف‌شده خیلی خوب عمل می‌کنند؛ یعنی جاهایی که حجم عظیمی اطلاعات و داده وجود دارد. این در حالی است که هوش انسان به طور مداوم با موقعیت‌‌‌های مبهم و پیچیده روبه‌‌‌روست و حتی اگر داده اندکی در مورد موضوعی خاص وجود داشته باشد باز هم می‌تواند به‌‌‌خوبی عمل کند.»
در واقع قوانین بازی شطرنج کاملا روشن و شناخته‌شده هستند و از قدیم تاکنون ثابت بوده‌‌‌اند و هیچ‌گونه ابهام و پوشیدگی در خصوص نحوه بازی شطرنج وجود ندارد. حال‌‌‌آنکه روابط انسانی مملو از ابهام و تغییر است و قوانین حاکم بر آن به طور پیوسته در حال نقض شدن هستند. اصل دنیای ثابت فقط برای پیش‌بینی چیزهایی کاربرد دارد که ثابت و بدون تغییر بوده و ابهامی در آنها وجود ندارد. به‌‌‌طور کلی، ما برای پیش‌بینی موفق و درست آینده هم به یک تئوری درست نیاز داریم و هم به داده‌‌‌های معتبر و کافی و البته دنیایی ثابت و بدون تغییر. در سال ۲۰۱۱ ناسا توانست فضاپیمای مسنجر را دقیقا در همان نقطه‌ای از سیاره مریخ فرود آورد که هفت سال پیش از آن یعنی در سال ۲۰۰۴ پیش‌بینی کرده بود. علت کسب این موفقیت بزرگ این بود که هم یک تئوری خوب و مناسب در خصوص نحوه حرکت سیارات وجود داشت، هم داده‌‌‌های نجومی کافی موجود بود و مهم‌تر از همه اینکه حرکت مریخ همیشه و در همه زمان ثابت بوده و وقتی همه چیز برای قدرت‌‌‌نمایی هوش مصنوعی وجود داشته باشد پیش‌بینی آینده درست از آب درمی‌‌‌آید. اما شرکت‌های تکنولوژیک که می‌‌‌کوشند رفتار انسان را بدون داشتن تئوری‌‌‌های خوب، داده‌‌‌های کافی و معتبر و در دنیایی متغیر پیش‌بینی کنند در اغلب موارد ناکام می‌‌‌مانند و راه به جایی نمی‌‌‌برند. چنین ناکامی‌‌‌هایی در مواردی همچون استخدام کارکنان جدید، پیش‌بینی نتایج انتخابات یا میزان شیوع ویروس آنفلوآنزا یا کرونا توسط الگوریتم‌‌‌ها بارها و بارها دیده شده است؛ آن هم به این دلیل که در چنین مواردی محاسبات و داده به‌‌‌تنهایی کافی نیست و ما به قضاوت، نگرش، درایت و ریسک کردن برای تصمیم‌گیری و مقابله با ابهامات و پیچیدگی‌‌‌ها نیاز داریم. بنابراین، باید پذیرفت که عملکرد ماشین‌‌‌ها و الگوریتم‌‌‌ها در موقعیت‌‌‌هایی که ابهام و پیچیدگی در آنها وجود دارد و به قدرت محاسباتی نیاز مبرمی وجود ندارد، ضعیف و ناامیدکننده خواهد بود. به‌‌‌عنوان مثال، اگر شما برای یک موقعیت شغلی درخواست داده باشید یک الگوریتم نمی‌تواند به‌‌‌درستی پیش‌بینی کند که شما به مصاحبه دعوت خواهید شد یا نه.
یا اگر به دلیل ارتکاب یک جرم بازداشت شده باشید یک الگوریتم نمی‌تواند فقط با توجه به سوابق شما به قاضی پرونده کمک کند تا تصمیم بگیرد آیا تا زمان محاکمه می‌تواند شما را به قید وثیقه آزاد کند یا اینکه احتمال فرار یا ارتکاب جرمی دیگر توسط شما وجود دارد و شما نباید آزاد باشید. باید این را هم دانست که قدرت الگوریتم‌‌‌ها در حوزه‌‌‌هایی که ثابت و بدون تغییر هستند رو به افزایش است و هر جا که خبری از ابهام و ریسک نیست عملکرد ماشین‌‌‌ها و الگوریتم‌‌‌ها در مقایسه با انسان‌‌‌ها بهتر و موفق‌‌‌تر خواهد بود. به همین دلیل هم هست که ماشین‌‌‌ها در بازی‌‌‌هایی با قوانین و قواعد ثابت و مشخص بسیار بهتر از انسان عمل می‌کنند، چون در چنین موقعیت‌‌‌هایی آینده کاملا شبیه به گذشته است و جمع‌‌‌آوری و تحلیل داده‌‌‌های بزرگ مرتبط با موضوع که ریشه در گذشته دارد می‌تواند به‌‌‌پیش‌بینی درست و دقیق آینده منجر شود. اما اگر آینده دقیقا مانند گذشته نباشد داده‌‌‌های بزرگ هم دردی دوا نخواهند کرد و ابهامات و پیچیدگی‌‌‌ها باعث به هم ریختن معادلات خواهد شد.
منبع: کتاب The age of AI: and our human future
