واحد مشترک کمکی پژوهش و مهندسی «هوش یار-تواندار»     (HT-CSURE)

واحد مشترک کمکی پژوهش و مهندسی «هوش یار-تواندار» (HT-CSURE)

Hooshyar-Tavandar Common Subsidiary Unit for Research & Engineering
واحد مشترک کمکی پژوهش و مهندسی «هوش یار-تواندار»     (HT-CSURE)

واحد مشترک کمکی پژوهش و مهندسی «هوش یار-تواندار» (HT-CSURE)

Hooshyar-Tavandar Common Subsidiary Unit for Research & Engineering

کارکرد بازی‌های ویدئویی در آموزش سربازان آمریکایی


تاریخ انتشار: ۲۷ اسفند ۱۳۹۵ 
 

ارتش آمریکا چگونه از بازی‌های ویدئویی برای آموزش سربازان خود استفاده می‌کند؟
 
به گزارش شفقنا، «اسکات نیکولاس رومانیوک» و «توبیاس برگر» در مقاله‌ای در وبسایت «سالون» نوشتند:

طی چند دهه‌ی گذشته و خصوصا پس از ۱۱ سپتامبر، بازی‌های ویدئویی خشن به عنصری ریشه‌دار در فرهنگ آمریکایی تبدیل شده‌ است. بازی‌های تیراندازی اول-شخص بطور خاص محبوبیت روزافزون یافته‌ است.

این بازی‌ها، که بازی‌کننده را پشت یک اسلحه به تصویر می‌کشد، نسلی از کودکان را به جنگجویان دیجیتالی تبدیل کرده است که با تروریست‌ها و متجاوزان بیگانه می‌جنگند. بسیاری از افراد صرفا بخاطر لذت خالص و بی‌ غل و غش پای بازی‌های تیراندازی اول-شخص می‌نشینند. برخی‌ها می‌خواهند به اهداف بازی دست یابند و بخشی از یک تیم باشند. و برای دیگران، همین که دشمنی را نابود کنند، خصوصا کسی که قصد آسیب رساندن به آنها را دارد، حس خوبی به ارمغان می‌آورد.

برای ارتش آمریکا، رشد بازی‌های تیراندازی اول-شخص یک رویداد خوشایند بوده است. در سال‌های اخیر،‌ ارتش بسیاری از سربازانش را تشویق کرده است تا برای تداوم آموزش‌های نظامی‌شان درگیر بازی‌های ویدئویی خشن بشوند، حتی زمانی که سر خدمت نیستند. (در واقع، استفاده از بازی‌ها برای آموزش تاکتیک‌های نظامی یک روال دیرینه در ارتش آمریکا است: قبل از ظهور بازی‌های ویدئویی، نیروها را تشویق می‌کردند تا مشغول بازی‌های روی صفحه‌ای با موضوعات نظامی بشوند).

بازی‌های ویدئویی این امکان را برای سربازان فراهم می‌کند که نقش‌های رزمی‌شان را با خود به خانه ببرند و مسئولیت‌های در حین خدمت خود را در لوای امور روزمره و غیر نظامی خود در اوقات مرخصی بپوشانند.

اما این بازی‌های ویدئویی چه تاثیری بر سربازان آمریکایی داشته است؟ این بازی‌ها در انعکاس زندگی نظامی چقدر دقیق است؟ و آیا واقعا نقشی در استخدام، آموزش، و حفظ نیروهای‌ نظامی دارد؟

از صفحه‌ی نمایش نبرد تا میدان نبرد
در حین انجام یک پژوهش، ما با ۱۵ نفر از اعضای فعلی و سابق ارتش آمریکا که بین ۲۴ تا ۳۵ سال سن داشتند مصاحبه کردیم تا متوجه شویم بازی‌های تیراندازی اول-شخص خشن چه نقشی در استخدام و آموزش آنها داشته است.

اکثریت مصاحبه‌شوندگان به ما گفتند اینکه سرباز ذهنیت سربازی را حتی وقتی سر خدمت نیست حفظ کند اهمیت دارد. از نظر آنها، بازی‌های تیراندازی اول-شخص بهترین وسیله برای دستیابی به این هدف بود.

بازی‌های باب میل این افراد با هم متفاوت بود، اما عناوین محبوب بین آنها عبارت بود از بازی‌های Ghost Recon Advanced Warfighter 2 و ARMA 2، که بازی دوم به قول یکی از اعضای فعلی ارتش «یکی از پر تب و تاب ترین تجربه‌های حمله در عرصه‌ی بازی را» برایش رقم زده است.

در عین حال، یکی از سربازان سابق جنگ عراق بازی‌های Call of Duty: Black Ops2 و Call of Duty: Modern Warfare را «آخرین حد از تجربه در بازی‌های تیراندازی اول-شخص» و دارای «رویکردهایی فوق العاده واقع‌گرایانه نسبت به جنگ تاکتیکی» توصیف کرد. [از نظر او،] «اینکه مخفیانه حمله کنید یا یک حمله‌ی همه‌جانبه، رودررو، و پر از خونریزی صورت دهید، انتخاب شماست. این بازی خشن است، آشوبناک است، زیباست».

از این منظر، گویا کهنه سرباز جنگ عراق می‌خواهد بگوید که بازی‌های ویدئویی می‌توانند موقعیت‌های جنگی واقعی را منعکس کنند، دیدگاهی که دیگران هم به آن اذعان داشتند.

واقعیت‌های دگرگون شده

اما این ادعا که بازی‌ها وضعیت واقعی زندگی یک سرباز را به طور دقیقا شبیه‌سازی می‌کنند، ادعای دشواری است. اول اینکه، مأموریت‌های نظامی همیشه پر از جنگ‌های سنگین و پر آشوب، شبیه آنچه در بازی‌های تیراندازی اول-شخص می‌بینیم، نیست. اکثریت سربازان در طول خدمتشان هیچ‌گاه درگیر عملیات‌های رزمی رودررو نمی‌شوند.

دوم، و مهمتر از همه، اینکه در دنیای دیجیتال هیچ‌گونه ملاحظات حقوقی و اخلاقی در کار نیست. وقتی کسی خطایی مرتکب می‌شود، وقتی افراد بیگناه کشته می‌شوند، هیچ پیامدی در کار نیست. کاملا برعکس، بازی‌های ویدئویی این پیامدهای موجود در جهان واقعی را در ذهن بازی‌کننده ته‌نشین می‌کنند؛ در سال ۲۰۱۲، سه روان‌شناس به نام‌های «بروک باستین»، «جولاندا جتن»، و «هلنا رادکه» توانستند با استفاده از اسکن مغزی نشان دهند مشغولیت به بازی‌های ویدئویی خشن قادر است حساسیت بازی‌کنندگان را نسبت به خشونت و رنج دیگران در زندگی واقعی از بین ببرد.

«پیتر سینگر» دانشمند علوم سیاسی در مقاله‌ای که در سال ۲۰۱۲ برای انستیتو «بروکینگز» نوشت، جمله‌ای را از یک سرباز نیروهای ویژه نقل کرد که در تولید بازی «ارتش آمریکا ۳۶۰» نقش داشته است. این بازی برای استخدام و آموزش داوطلبان طراحی شده بود.

این سرباز گفته بود: «به محض اینکه یکی از شخصیت‌های بازی را از دست بدهی، فقط کافی است بازی را از اول شروع کنی. در زندگی واقعی، وقتی سربازت را از دست بدهی، یعنی سربازت را از دست داده‌ای. و بعد باید او را دفن کنی، بعدش هم باید به همسرش خبر بدهی».

در واقع، «ایون رایت» روزنامه‌نگار در کتابش با عنوان «نسل کشتار» نوشته است که سربازان «با فرهنگ بازی‌های ویدئویی، شوهای تلویزیونی واقع‌نما، و هرزه‌نگاری‌های اینترنتی، رابطه‌ای بسیار صمیمانه» دارند.

با این حال، جنگ در فضای واقعی، چیزی کاملا متفاوت به نظر می‌رسید.

«رایت» می‌نویسد: «چیزی که من مشاهده کردم این بود که بسیاری از آنها با سطوحی از معصومیت خود روبرو می‌شدند که شاید فکر نمی‌کردند واجد آن باشند. وقتی واقعا به سمت افراد گلوله شلیک می‌کردند، مخصوصا افراد بی‌گناه، و با این واقعیت روبرو می‌شدند، می‌دیدم که از پا در می‌آمدند. خشونت بازی‌ها آنها را برای این واقعیت آماده نکرده بود».

بنابراین بازی‌های ویدئویی ممکن است سربازان را درون خود غرق کند؛ و طعمی وسوسه‌انگیز از شکوه و هیجان میدان جنگ در دهانشان بیاندازد. اما این بازی‌ها آمادگی چندانی برای مواجهه با خطرهای واقعی در میدان جنگ به آنها عرضه نمی‌کند.

یکی از مصاحبه‌شوندگان به ما گفت: «وقتی واقعا به این فکر می‌کنم که دولت از این بازی‌ها به عنوان وسیله آموزشی استفاده می‌کند، خنده‌ام می‌گیرد. اما کمی هم حس اضطراب به من دست می‌دهد».

ایجاد روحیه‌ی نظامی در لشگر بازی‌کنندگان

بازی‌های ویدئویی خشن، فارغ از اینکه در نقش ابزارهای آموزشی چقدر تاثیرگذار هستند، قطعا می‌توانند ابزاری ارزشمند برای ارتباط ارتش با داوطلبان احتمالی باشند. این بازی‌ها، علاوه بر تاثیرگذاری بر تصمیم بازی‌کنندگان و ترغیب آنها به خدمت در ارتش، می‌توانند نقش ابزاری برای ترویج اهداف ژئوپلیتیک ارتش را هم بازی کنند.

«حمزه شعبان» روزنامه‌نگار، در مقاله‌ای که در سال ۲۰۱۳ برای نشریه «آتلانتیک» نوشت، توضیح داد که روابط ارتش با صنعت بازی‌سازی چقدر عمیق شده است، و چیزی را ایجاد کرده است که او نامش را یک «مجتمع نظامی-سرگرمی» گذاشته است. به گفته‌ی «شعبان»، بازی‌هایی که از دل این رابطه بیرون آمدند، و تصویری هیجان‌انگیز، ساده شده، و آسان از جنگ‌آوری را نشان دادند، بازی‌کنندگان را تشویق می‌کردند که امکان خدمت در ارتش را در نظر بگیرند.

در عین حال، بازی‌هایی همچون UrbanSim، Tactical Iraqi، و Frontlines: Fuel of War، به بازی‌کنندگان و داوطلبان بالقوه گفتمان جنگ‌آوری امروزی را آموزش می‌دهند. مأموریت‌ها در این بازی‌ها عبارت است از مبارزه با ستیزه‌جویان اسلامی، پیروزی بر گروه‌های احتمالا مخاصمه‌جو، و تاسیس جوامع طرفدار غرب و طرفدار دموکراسی. این بازی‌ها کاربران خود را با مبانی شورش و ضد شورش درگیر می‌کنند، خطرات دستگاه‌های انفجاری دست‌ساز را توضیح می‌دهند، و فواید نظامی پهپادهای مسلح را برجسته می‌سازند.

با این وجود، از نظر برخی سربازان فعلی و سابق که با ما گفتگو کردند، ارزش بازی‌های تیراندازی اول-شخص نهایتا چیزی بیش از ابزاری برای پروپاگاندا نبود.

یکی از این افراد گفت: «اینکه ما را با این بازی‌ها آموزش بدهند یکجور [فاجعه] است. هدفی که آمریکا با استفاده از این بازی‌ها دنبال می‌کند بطور کامل در کنترل این بازی‌ها نیست. بازی ممکن است راهی ارزان قیمت برای مشغول کردن ما باشد… ولی چندان قادر به «آموزش» نیست.»

یک سرباز دیگر اینگونه بازی‌ها را «بیش از هر چیز شبیه شستشوی مغزی» دانست.

او افزود: «اما واقعا باید احمق باشید که فریب این بازی‌ها را بخورید».

منبع: The Conversation/ Scott Nicholas Romaniuk and Tobias Burgers

هوش مصنوعی، شبکه‌های عصبی و یادگیری ماشینی چه کاری انجام می‌دهند؟

بازیگران عرصه هوشمندی
هوش مصنوعی، شبکه‌های عصبی و یادگیری ماشینی چه کاری انجام می‌دهند؟
هر زمان یک برنامه کاربردی ادعا می‌کند به «فناوری هوش مصنوعی تجهیز شده است» احساس می‌کنیم در آینده قرار داریم. اما به‌راستی معنای این جمله چیست؟ اصطلاحات اعجاب‌انگیزی همچون هوش مصنوعی، یادگیری ماشینی، شبکه‌های عصبی و... دقیقاً چه کاری انجام می‌دهند؟ آیا این فناوری‌ها آن‌گونه که ادعا می‌شود، این پتانسیل را دارند تا عملکرد و کارایی برنامه‌های کاربردی را بهبود بخشند؟

گوگل و مایکروسافت به‌تازگی یادگیری مبتنی بر شبکه‌های عصبی را به برنامه‌های ترجمه خود اضافه کرده‌اند. گوگل گفته است از یادگیری ماشینی به‌منظور تهیه فهرستی از آهنگ‌های پیشنهادی استفاده می‌کند. Todoist می‌گوید از هوش مصنوعی به‌منظور مشخص کردن زمان پایان یافتن کارها استفاده می‌کند. Any.do ادعا کرده است بات مبتنی بر هوش مصنوعی این سایت قادر است یک سری از وظایف کاربران را خود انجام دهد. جالب آن‌که تمام این شرکت‌ها تنها در یک هفته این صحبت‌ها را مطرح کرده‌اند. در حالی که به نظر می‌رسد تعدادی از این گفته‌ها بیشتر تکنیک‌های تبلیغاتی هستند و شرکت‌ها سعی کرده‌اند، این‌گونه وانمود کنند که برنامه‌های ‌آن‌ها مورد علاقه طیف گسترده‌ای از کاربران قرار دارد. اما در بعضی موارد این فناوری‌ها تأثیرگذاری محسوس خود را نشان داده‌اند. هوش مصنوعی، یادگیری ماشینی و شبکه‌های عصبی همگی به توصیف راهکارهایی می‌پردازند که به کامپیوترها اجازه می‌دهند فعالیت‌های خود را به شکل پیشرفته‌تر و بر مبنای شرایط محیطی انجام دهد. در این بین تعدادی از توسعه‌دهندگان برنامه‌های کاربردی برای توصیف برنامه هوشمند خود به یک شکل از این اصطلاحات استفاده می‌کنند، اما واقعیت این است که این فناوری‌ها به طور کامل با یکدیگر متفاوت بوده و هر یک کارکرد خاص خود را دارند. ما در این مقاله سعی خواهیم کرد به بیانی ساده هر یک از این فناوری‌ها را مورد بررسی قرار دهیم.

شبکه‌های عصبی با تقلید از مغز انسان داده‌های پیچیده را تحلیل می‌کنند
(ANN) (سرنام Artificial Neural Networks) به گونه‌ای از شبکه‌های عصبی مصنوعی گفته می‌شود که رویکرد ویژه‌ای از مدل یادگیری را مورد استفاده قرار می‌دهند و از رویکرد سیناپس‌ها در مغز انسان الگوبرداری می‌کنند. رویکردهایی که در محاسبات‌ سنتی از آن‌ها استفاده می‌شود، به این شکل عمل می‌کنند که یک سری عبارات منطقی را برای انجام وظیفه‌ای مورد استفاده قرار می‌دهند. اما در شبکه‌های عصبی مجموعه‌ای از گره‌های شبکه (شبیه به سلول‌های عصبی عمل می‌کنند) و یال‌ها (Edges) که شبیه به سیناپس‌ها عمل می‌کنند برای پردازش داده‌ها مورد استفاده قرار می‌گیرند. ورودی‌ها به درون سامانه وارد شده، مورد پردازش قرار گرفته و یک سری خروجی را تولید می‌کنند. در ادامه، خروجی‌های تولید شده با داده‌های شناخته شده مورد مقایسه قرار می‌گیرد. 


مطلب پیشنهادی

فرصتی برای شکفتن
سرمقاله ماهنامه شبکه ۱۹۰

به طور مثال، در نظر دارید به یک کامپیوتر آموزش دهید یک سگ را در یک تصویر شناسایی کند. برای این کار میلیون‌ها تصویر از سگ‌های مختلف را به درون این شبکه وارد می‌کنید و سپس تصاویری که سامانه تشخیص داده‌ است شبیه به سگ‌ها هستند را دریافت می‌کنید. در این گام، عامل انسانی می‌تواند به شبکه عصبی اعلام دارد کدام‌یک از خروجی‌ها دقیقاً تصویر متعلق به یک سگ است. به این ترتیب، مسیرهایی که منتهی به تشخیص درست می‌شوند را روی یک شبکه عصبی مصنوعی تقویت می‌کنید. با تکرار این پروسه به دفعات، شبکه عصبی مصنوعی به اندازه‌ای مهارت پیدا می‌کند که قادر خواهد بود تصویر متعلق به سگ‌ها را با دقیق‌ترین جزییات شناسایی کند. برای آن‌که از نزدیک با شیوه کارکرد این شبکه‌ها آشنا شوید، پیشنهاد می‌کنم سرویس Quick Draw گوگل را مورد آزمایش قرار دهید. 
در این پروژه مطالعاتی گوگل به شبکه‌ای عصبی یاد می‌دهد تصاویری که مردم ترسیم می‌کنند را شناسایی کند. به طور مثال، در شکل‌های 1 و 2 شبکه عصبی موفق شد، شکل ترسیمی را شناسایی کرده و به کاربر بگوید (به شکل صوتی) این تصویر یک گربه است. حتی اگر مهارت‌های شما در رسم تصاویر ضعیف باشد، این شبکه عصبی باز هم قادر است تصاویر را تشخیص دهد. با وجود این، شبکه‌های عصبی مصنوعی را نمی‌توان برای حل تمام مشکلات مورد استفاده قرار داد. اما زمانی که با داده‌های پیچیده‌ای سروکار دارید، آن‌ها بهترین گزینه هستند. با توجه به این‌که فرآیند ترجمه متون کار تخصصی و سختی به شمار می‌رود، گوگل و مایکروسافت از این رویکرد قدرتمند در ارتباط با برنامه‌های ترجمه خود استفاده کرده و نتایج خوبی نیز به دست آورده‌اند. همه ما تا به امروز ترجمه‌های ضعیف بسیاری را مشاهده کرده‌ایم، اما شبکه‌های یادگیری عمیق عصبی به یک سامانه اجازه می‌دهند به‌مرور زمان از ترجمه‌های صحیحی که انجام داده است نکات بیشتری را یاد بگیرد.


شکل 1 - یک تصویر ابتدایی که توسط عامل انسانی رسم شده است.

مشابه چنین رویکردی در ارتباط با تشخیص گفتار نیز وجود دارد. زمانی که گوگل شبکه‌های عمیق عصبی را به سرویس صوتی خود Google Voice اضافه کرد، نرخ اشتباهات این برنامه به میزان 49 درصد کم شد. البته این قابلیت هیچ‌گاه کامل نخواهد بود، اما به‌مرور زمان ویژگی‌های عصبی بیشتری به موازات این دستاورد به برنامه‌ها افزوده خواهد شد. به هر ترتیب، با استفاده از رویکرد یادگیری مبتنی بر شبکه‌های عمیق عصبی، تحلیل داده‌های پیچیده‌تر روزبه‌روز پیشرفت خواهد کرد، به طوری که ویژگی‌های طبیعی‌تری به برنامه‌های کاربردی اضافه خواهد شد. 

یادگیری ماشینی با رویکرد تمرین بیشتر باعث پیشرفت کامپیوترها می‌شود
یادگیری ماشینی یکی از پراستفاده‌ترین اصطلاحاتی است که این روزها آن ‌را مشاهده می‌کنید. هرگونه تلاشی که درنهایت به یک کامپیوتر اجازه دهد به شکلی مستقل و پیشرفته کارهای خود را انجام دهد، در زمره دستاوردهای این شاخه قرار می‌گیرد. اگر در نظر داشته باشیم این اصطلاح را به شکل تخصصی‌تری توصیف کنیم، باید بگوییم یادگیری ماشینی به سامانه‌هایی اشاره دارد که در آن عملکرد یک ماشین در انجام یک وظیفه منحصراً بر پایه تجربیاتی است که از اجرای همان وظیفه به دست آورده و بهبود پیدا کرده است. شبکه‌های عصبی مثالی از یادگیری ماشینی هستند. اما این فناوری را به اشکال مختلفی می‌توان پیاده‌سازی کرد. یکی دیگر از زیرشاخه‌های یادگیری ماشینی که این روزها به‌کرات شاهد آن هستیم، یادگیری تقویتی (Reinforcement Learning) است. در یادگیری تقویتی، کامپیوتر وظیفه‌ای را انجام داده و در ادامه نتایج مورد بررسی قرار می‌گیرد. بازی شطرنج مثال خوبی در این زمینه است. یک کامپیوتر یک بازی شطرنج را به طور کامل انجام می‌دهد و درنهایت یا برنده بازی می‌شود یا در بازی شکست می‌خورد. اگر کامپیوتر برنده این بازی باشد، به مجموعه حرکاتی که در طول بازی انجام داده و به پیروزی کامپیوتر منجر شده‌اند، یک امتیاز مثبت تخصیص داده می‌شود. 


شکل 2 - شبکه عصبی تصویر را شناسایی می‌کند و اعلام می‌دارد که یک گربه است.

در ادامه، بعد از آن‌که میلیون‌‌ها بار این بازی را انجام داد، سامانه بر مبنای نتایجی که در این مدت به دست آورده است می‌تواند تشخیص دهد که چه حرکاتی احتمال برد او را در بازی‌ها بیشتر می‌کنند. در شرایطی که شبکه‌های عصبی برای انجام کارهایی همچون تشخیص الگوها در تصاویر کارکرد خوبی دارند، اما در مقابل مدل‌های دیگر یادگیری ماشینی می‌توانند به‌منظور انجام یک سری وظایف خاص به صورت بهینه‌سازی شده مورد استفاده قرار ‌گیرند. گوگل در این ارتباط گفته است: «برنامه موسیقی به این شکل عمل می‌کند که قطعه مورد علاقه شما را پیدا می‌کند و هر زمان شما اراده کنید که به موسیقی گوش فرا دهید آن قطعه را برای شما پخش می‌کند.» 
این برنامه بر مبنای الگوی رفتاری شما کار کرده و فهرستی را منطبق با علایق شما آماده می‌کند. اگر شما از قطعه‌ای که برایتان انتخاب شده است راضی نباشید، به منزله آن است که سیستم شکست خورده است. با این حال، اگر هریک از قطعات موسیقی انتخابی را قبول کنید، سیستم این نتیجه مثبت را ثبت کرده و رویکردهایی که درنهایت به‌منظور ساخت یک فهرست شخصی مورد استفاده قرار می‌گیرند را تقویت می‌کند. به طور مثال، اگر برای اولین بار برنامه موسیقی گوگل را باز کنید، با پیشنهادات درهم و برهمی روبه‌رو می‌شود. اما هرچه بیشتر از این برنامه استفاده کنید پیشنهادات هدفمندتر و دقیق‌تری را مشاهده خواهید کرد. این رویکرد دقیقاً در ارتباط با یوتیوب نیز صدق می‌کند. کافی است با حساب کاربری خود وارد یوتیوب شوید و به جست‌وجو بپردازید. در زمان‌های بعد مشاهده خواهید کرد یوتیوب فهرست‌هایی را در اختیار شما قرار می‌دهد که در تشابه نزدیکی با علایق شما قرار دارند. با وجود‌ این باز هم یادگیری ماشینی را در همه امور نمی‌توان مورد استفاده قرار داد و ممکن است در بعضی موارد یک سری ناهمگونی‌هایی را مشاهده کنید. 
به طور مثال، اگر هر 6 ماه یک بار از برنامه موسیقی گوگل استفاده کنید، پیشنهاداتی که ارائه می‌شوند هیچ‌گاه باب میل شما نخواهند بود. به عبارت دقیق‌تر، این رویکرد تنها زمانی دقیق و درست عمل می‌کند که شما به دفعات از آن استفاده کنید. 
به هر ترتیب، یادگیری ماشینی به عنوان یکی از پرکاربردترین اصطلاحات روز دنیای فناوری نکات مبهم بسیاری در مقایسه با شبکه‌های عصبی دارد. ولی نشان داده است، اگر از نرم‌افزاری استفاده کنید و بازخوردهای مرتب و منظمی را در اختیار آن برنامه قرار دهید، به‌مرور زمان شاهد بهبود عملکرد آن برنامه خواهید بود.

هوش مصنوعی به هر شی‌ء هوشمند اطلاق می‌شود
دقیقاً مشابه با شبکه‌های عصبی که شکلی از یادگیری ماشینی هستند، یادگیری ماشینی خود شکلی از هوش مصنوعی است. با وجود این، گروه‌بندی‌های دیگری نیز در زیر شاخه هوش مصنوعی قرار می‌گیرند، اما آن‌گونه که باید و شاید مورد توجه نیستند، به طوری که در ارتباط با بعضی از این گروه‌ها ارائه یک تعریف واحد کمی بی‌معنا به نظر می‌رسد. در حالی که در تعدادی از فیلم‌های علمی و تخیلی یک سری تصورات ذهنی را مشاهده می‌کنیم. اما واقعیت این است که در بعضی از حوزه‌های هوش مصنوعی به اندازه‌ای از پیشرفت‌ دست پیدا کرده‌ایم که تا همین چند سال پیش تقریباً تصور آن‌ را هم نمی‌کردیم. به طور مثال، نویسه‌خوانی نوری (OCR) (سرنام Optical Character Recognition) از جمله نقاط عطف هوش مصنوعی به شمار می‌رود. این فناوری در شرایطی این روزها به سهولت در اختیار ما قرار دارد که تا چند سال پیش اگر در نظر داشتید این فناوری را در اختیار داشته باشید، باید هزینه سنگینی پرداخت می‌کردید. امروزه ابتدایی‌ترین گوشی‌ها نیز قادر هستند یک سند را اسکن و آن ‌را به متن تبدیل کنند. این فناوری به اندازه‌ای پیشرفت کرده است که به‌راحتی می‌توانید گوشی خود را روی یک تصویری که به طور مثال لغات فرانسوی در آن قرار دارد نگه داشته و برنامه به طور هم‌زمان کلمات را شناسایی و آ‌ن‌ها را به زبان مورد نظر شما ترجمه می‌کند. این فناوری دیگر هیجان‌برانگیز تلقی نمی‌شود و بیشتر به عنوان یکی از وظایف ابتدایی هوش مصنوعی از آن نام برده می‌شود. دلیل این‌که چنین کار ساده‌ای در مجموعه هوش مصنوعی قرار می‌گیرد به این دلیل است که ما دو رویکرد کلی ضعیف (Weak or narrow) و قوی (Strong) را در حوزه هوش مصنوعی داریم. ضعیف در حوزه هوش مصنوعی اشاره به سامانه‌هایی دارد که برای انجام یک یا چند وظیفه خاص طراحی شده‌اند. به طور مثال، سیری اپل و Google Assistant دو برنامه کاملاً قدرتمند هستند، با وجود این در این گروه قرار می‌گیرند به دلیل این‌که دامنه فعالیت‌های آن‌ها به یک سری دستورات صوتی و پاسخ دادن به آن‌ها محدود می‌شود. در حالی که تحقیقات گسترده‌ای برای پیاده‌سازی چنین قابلیت‌هایی از سوی گوگل و اپل انجام شده است، اما باز هم به این چنین برنامه‌هایی در حوزه هوش مصنوعی weak گفته می‌شود. 

واقعیت این است که در بعضی از حوزه‌های هوش مصنوعی به اندازه‌ای از پیشرفت‌ دست پیدا کرده‌ایم که تا همین چند سال پیش تقریباً تصور آن‌ را هم نمی‌کردیم.

قوی در مقابل ضعیف قرار دارد. واژه قوی اشاره به هوش مصنوعی عمومی (AGI) (سرنام Artificial General Intelligence) دارد. در بعضی منابع از واژه هوش مصنوعی کامل (full AI) نیز استفاده می‌شود. این سامانه‌ها قادر هستند همانند انسان‌ها هر وظیفه‌ای را انجام دهند و همان‌ گونه که در مقاله شماره قبل «همزیستی مستقل انسان و هوش مصنوعی» به آن اشاره کردیم، هنوز چنین سامانه‌هایی ساخته نشده‌اند. در نتیجه نباید در آینده نزدیک در انتظار روبات‌های هوشمندی همچون Alan Tudky باشید که بتوانند تمام کارهای روزمره زندگی را انجام دهند. از آن‌جا که تقریباً تمام سامانه‌های هوشمندی که از آن‌ها استفاده می‌کنید در رده weak AI قرار دارند، هر زمان عبارت هوش مصنوعی را در ارتباط با یک برنامه مشاهده کردید، بدانید که منظور این است که برنامه فوق فقط هوشمند است. این احتمال وجود دارد که جملات یا پیشنهادهای جالب توجهی را در این ارتباط مشاهده کنید، اما باید این واقعیت را بدانید که هنوز هیچ‌یک از این برنامه‌ها قادر نیستند با هوش انسانی رقابت کنند. 

دقیقاً مشابه با شبکه‌های عصبی که شکلی از یادگیری ماشینی هستند، یادگیری ماشینی خود شکلی از هوش مصنوعی است

در شرایطی که معناشناسی این اصطلاحات کمی پیچیده است، اما در مقابل پژوهش‌های علمی و دستاوردهایی که در حوزه هوش مصنوعی به دست آمده کارایی خود را به‌خوبی نشان داده‌اند. به طوری که امروزه در زندگی روزمره خود تأثیرات این پژوهش‌ها را مشاهده می‌کنیم. به طور مثال، هر زمان گوشی هوشمند شما مکانی که خودروی خود را در آن‌جا پارک کرده‌اید را به شما یادآوری می‌کند، چهره‌هایی را درون تصاویر مختلف شناسایی می‌کند یا در هنگام جست‌وجوی معمول نتایج مشابهی را به شما نشان می‌دهد یا قادر است تصاویر مربوط به سفرهای مختلف را به شکل دقیقی برچسب‌گذاری و طبقه‌بندی کند در تمام این موارد به طور مستقیم و غیر مستقیم از هوش مصنوعی استفاده کرده‌اید. تا حدی می‌توانیم تعریف هوش مصنوعی را به معنای هوشمندتر کردن برنامه‌های کاربردی بسط دهیم. رویکردی که همه ما به دنبال آن هستیم. این هوشمندی در شرایطی است که یادگیری ماشینی و به‌ پیروی آن شبکه‌های عمیق عصبی به شکل منحصر به فردی به منظور انجام یک سری از وظایف آن هم به شکلی ایده‌آل مناسب هستند.

اما به این نکته توجه داشته باشید زمانی که یک برنامه اعلام می‌دارد که از هوش مصنوعی استفاده می‌کند این حرف کمتر به معنای آن است که این برنامه از یادگیری ماشینی استفاده می‌کند. همین موضوع در ارتباط با شبکه‌های عصبی نیز صادق است. گفتن این حرف که یک برنامه از یادگیری ماشینی به منظور انجام بهتر کارها استفاده می‌کند، تقریباً شبیه به گفتن این جمله است که یک دوربین بهتر است، به این دلیل ‌که دیجیتالی است؛ بله دوربین‌های دیجیتالی برای انجام بعضی از کارها بهتر از دوربین‌های نگاتیو قدیمی هستند، اما این حرف لزوماً به معنای آن نیست که هر عکس دیجیتالی بهتر از یک عکس آنالوگ خواهد بود. به عبارت دیگر، خوب بودن هرچیز به طرز استفاده از آن وسیله بستگی دارد. تعدادی از شرکت‌ها این توانایی را دارند تا شبکه‌های عصبی قدرتمندی را توسعه دهند که به‌خوبی قادر به انجام وظایف پیچیده هستند، به طوری که زندگی بهتری را برای ما به ارمغان می‌آورند.

اما تعداد دیگری از این شرکت‌ها تنها یک برچسب یادگیری ماشینی روی محصولات خود قرار می‌دهند. در حالی که در عمل محصول آن‌ها همان کاری که در گذشته انجام می‌داده است را بدون هیچ‌گونه تغییری انجام می‌دهد. اما بدون شک در پشت صحنه، یادگیری ماشینی و شبکه‌های عصبی فناوری‌های هیجان‌برانگیزی هستند. با وجود این به این نکته توجه داشته باشید، هر زمان در توضیحات یک برنامه چنین اصطلاحاتی را مشاهده کردید، این حرف به معنای آن است که این برنامه‌ها احتمالاً کمی هوشمندتر است. در نتیجه همانند گذشته، ابتدا یک برنامه را مورد استفاده قرار دهید و بررسی کنید که این برنامه تا چه اندازه برای شما مفید بوده است، آن‌گاه درباره آن قضاوت کنید.

 

افق جدید واقعیت مجازی: اپلیکیشن‌های سازمانی

رایورز - یکی از داغ‌ترین بازارهای دنیا در چند سال اخیر، بازار مربوط به خدمات یا محصولات سازمانی بوده است که با اپلیکیشن‌های کشنده‌ای که ارائه می‌دهد، نظر همه را به سمت خود جلب کرده است.

زمانی که صحبت از واقعیت مجازی یا وی.آر(VR) به میان می‌آید، بیشتر اذهان به سمت بازی و سرگرمی می‌رود، در حالی که این فقط بخشی از کاربرد این تکنولوژی جدید است، چرا که کاربردهای سازمانی آن رو به افزایش است.

یکی از مطرح‌ترین فناوری‌های چند سال اخیر، سرویس‌ها یا محصولات سازمانی بوده که با اپلیکیشن جذابی که ارائه می‌دهد، نظر همه را به سمت خود جلب کرده است.

البته افراد زیادی از بین گیمرها هستند که به واقعیت مجازی علاقه دارند. اما نکته جالب اینجاست که به گفته تحلیلگران، امسال، اپلیکیشن‌های سازمانی، نبض بازار واقعیت مجازی را در دست گرفته و در واقع در بین بخش‌های مختلف وی.آر پس از بازی، حرف اول را می‌زند.

به گزارش تاپ‌تک نیوز، شاید یکی از واضح‌ترین کاربردهای فناوری واقعیت مجازی، (به صنعت گیم) در فضای طراحی باشد، چون رابط سه‌بعدی واقعیت مجازی، این امکان را برای کاربران فراهم می‌کند که اشیاء را در تمام ابعاد و اندازه‌ها تغییر دهند و به اصطلاح دستکاری کنند.

در حال حاضر، معماران از این فناوری در طراحی ساختمان‌ها و فضاهای داخلی بخوبی بهره می‌گیرند. این رویکرد به شکل مشابهی در زمینه‌های دیگری هم که نیاز به آموزش و یادگیری دارند، اثر می‌گذارد و در حقیقت مقوله آموزش را تا حدود زیادی دستخوش تحول می‌کند.

 

 

پلیس و مراکز نظامی، در زمینۀ ایجاد محیط‌های واقعی شبیه سازی، هزینه‌های زیادی می‌کنند تا افراد را با موقعیت‌های مختلف آشنا کنند و آموزش‌های لازم را به شهروندان ارائه دهند.

به همین ترتیب، شبیه‌سازی‌های واقعیت مجازی، هزینه‌های آموزش را تا حدود زیادی کاهش می‌دهد و دسترسی به موقعیت‌های مختلف و جدید را امکان‌پذیر می‌کند که تاکنون در فضای آموزش، قابل دسترسی نبودند.

با همه این مقدمات، فناوری واقعیت مجازی، آینده‌ای بسیار روشن در پیش دارد و این قابلیت را دارد که همه چیز را به صورت کاملاً سه‌بعدی و واقعی ارائه دهد و با توجه به همین توانایی است که قادر است "مدل‌سازی" را نیز انجام دهد. آموزش و یادگیری، دو حوزه دیگر هستند که انتظار می‌رود در سال‌های آینده به شدت تحت تأثیر فناوری واقعیت مجازی قرار بگیرند.

هدست واقعیت مجازی اچ.تی.سی که تحت عنوان وایو، شناخته می‌شود، با همکاری پلتفرم بازی ولو، توسعه پیدا کرده است و با ارائه محیط‌های شبیه‌سازی شده واقعی‌تر، برای کمک به آموزش آتش‌نشانان و آموزش مهارت به آنها به کار گرفته می‌شود.

ایلان ماسک: رابط مغز و کامپیوتر ضامن بقای انسان‌هاست

BCI تضمین‌کننده امنیت
اظهارنظر جنجالی ایلان ماسک: رابط مغز و کامپیوتر ضامن بقای انسان‌ها
ایلان ماسک در جریان کنفرانس Recode’s Code که سال گذشته میلادی برگزار شد، پیشنهاد ساخت یک شبکه توری عصبی را داد. سازوکار پیشرفته‌ای که به انسان‌ها اجازه می‌دهد به شکل دقیق و هدفمندی در آینده بر هوش مصنوعی تسلط داشته باشند. ماسک یکبار دیگر و در جریان اجلاس جهانی دبی بر لزوم داشتن چنین رابطی تاکید کرد.

زمانی که بخش عظیمی از منابع مختلف همچون انرژی در اختیار هوش مصنوعی قرار بگیرد و این فناوری سیطره قدرت خود را به طور کامل بر جوامع بشری بگستراند، آن‌گاه چه کاری از دست انسان‌ها برخواهد آمد؟ در آن زمان فناوری چگونه قادر خواهد بود برای حل این مشکل راه‌حلی در اختیار ما قرار دهد؟ روزگاری که در آن ماشین‌ها به شکل تغییرناپذیری با زندگی ما عجین شده‌اند.


مطلب پیشنهادی

به راستی هوش مصنوعی یک تهدید است؟
بررسی سناریوهای احتمالی

ایلان ماسک در جریان اجلاس جهانی دبی که روز دوشنبه برگزار شد، درباره قابلیت‌های رابط مغز و کامپیوتر یا همان توری عصبی که پیش از این ایده ساخت آن‌را مطرح کرده بود سخن گفت. او در این اجلاس به شکل واضح‌تر و روشن‌تری دلایلی را برشمرد که نشان می‌دهند در آینده روابط ما با ماشین‌ها شکل عمیق‌تری پیدا خواهد کرد و ما در آینده به شکل ملموس‌تری از دستگاه‌های محاسباتی استفاده خواهیم کرد. در آن زمان هوش مصنوعی و هوش انسانی در تعامل بسیار نزدیکی با یکدیگر قرار خواهند داشت، به واسطه آن‌که پهنای باند به شکل باورنکردنی افزایش پیدا خواهد کرد.


مطلب پیشنهادی

فناوری هراس‌انگیز ایلان ماسک برای مقابله با هوش مصنوعی
دانشمندان به دنبال استخراج اطلاعات از مغز مردگان و همزیستی با هوش مصنوعی هستند

ایده ساخت توری عصبی این قابلیت را در اختیار انسان‌ها قرار می‌دهد تا به طور مستقیم با کامپیوترها ارتباط برقرار کنند. در آینده پهنای باند بیشتر و زمان تاخیر بسیار کمتری در مقایسه با فناوری‌های رایج امروزی همچون ماوس و صفحه‌کلید در اختیار خواهیم داشت. او در این ارتباط گفته است: «در آینده نزدیک شاهد همزیستی هوش مصنوعی و هوش زیستی خواهیم بود. این همزیستی به ما این توانایی را خواهد داد تا به شکل سودمندتری با ماشین‌ها ارتباط برقرار کرده و مشکلات را حل کنیم. به اعتقاد من کلید حل تعدادی از مشکلات امروزی در این همزیستی مستتر شده است.»

پتانسیل بالای هوش مصنوعی تنها محدود به انجام یکسری کارهای خاص یا انجام بهتر وظایف نمی‌شود. هوش مصنوعی این قابلیت را دارد تا فراتر از تصورات سازندگان خود ظاهر شود. همانند نمونه‌ای که پیش از این از سوی الگوریتم هوش مصنوعی گوگل شاهد آن بودیم که موفق شد سازندگان خود را غافل‌گیر کند. هوش مصنوعی این توانایی را دارد تا به سرعت به دستگاه‌های مرتبط به شبکه متصل شود. سرعت بسیار بالای کامپیوترها در انتقال و بازیابی اطلاعات بسیار بسیار فراتر از آن تایپ کردن یا حتا محاوره‌های صوتی است.

ماسک می‌گوید: «اگر از اثرگذاری حال حاضر هوش مصنوعی بر جوامع بشری صرفنظر می‌کنیم، مشاهده می‌کنیم که این فناوری به شکل بسیار سریعی در ماشین‌های خودران پیشرفت کرده است. این ماشین‌ها به مرور زمان جایگزین رانندگان امروزی خواهند شد. این موضوع نشان می‌دهد این الگوریتم‌های هوشمند به لحاظ رعایت نکات ایمنی و سرعت بر رانندگان امروزی ارجحیت دارند. این‌گونه به نظر می‌رسد که امروزه در اختیار داشتن ماشین‌های خودران به اولویت بزرگ بسیاری از مردم تبدیل شده است. اما به این نکته توجه داشته باشید مغز انسان برای آن‌که بتواند همانند هوش مصنوعی با سرعت بالا اطلاعات را مورد بازیابی قرار دهد باید تکامل پیدا کند.» 

فیسبوک به دنبال طراحی رابط مستقیم مغز و کامپیوتر است

تلاشی برای انتقال افکار
فیسبوک در خفا به دنبال طراحی رابط مغز و کامپیوتر است
این‌گونه به نظر می‌رسد که تحقیقات و پژوهش‌های انجام گرفته در ارتباط با مغز انسان در طول این سال‌ها نتایج و پیامدهای مثبتی داشته‌اند و دانشمندان موفق شده‌اند گوشه‌ای از فعالیت‌های پیچیده مغز را رمزگشایی کنند. همین موضوع باعث شده است تا شرکت‌های بزرگ دنیای فناوری که روزگاری آن‌ها را به واسطه تلاش‌هایشان در حوزه نرم‌افزار و اینترنت می‌شناختیم به این حوزه از علم علاقه‌مند شوند. فیسبوک از جمله این شرکت‌ها است.

فیسبوک به دنبال آن است تا یک تیم تحقیقاتی از دانشمندان علوم اعصاب را در ارتباط با ساخت تجهیزات واسط مغز و کامپیوتر استخدام کند. این شرکت به دنبال طراحی فناوری پیشرفته‌ای است که به کاربر اجازه دهد بی آن‌که به تایپ کردن نیازی داشته باشد تنها با فکر کردن مطالب خود را در فیسبوک قرار داده و با دیگران به اشتراک قرار دهد. در ادامه به دنبال دست‌یابی به فناوری لمس مجازی اجسام است.

بر همین اساس به دنبال جذب استعدادهای برتر در حوزه‌های مختلف است. افرادی که به فیسبوک کمک کنند تا رابط مغز و کامپیوتر (BCI) سرنام Brain-Computer Interface را طراحی کند. فیسبوک در شرایطی به دنبال دستیابی به این فناوری است که مدیرعامل این شرکت ادعا کرده بود فیسبوک در مقطع کنونی در حال کار روی چنین چیزی نیست. اما آگهی منتشر شده از سوی واحد B8 خلاف این ادعا را نشان می‌دهد.

فیسبوک واحد معروفی به نام واحد Building 8 دارد که عموما از اصطلاح B8 برای توصیف آن استفاده می‌شود. واحدی که هم‌طراز با واحد Google’s X division  و Amazon’s Lab126 است. این واحد در حال استخدام افرادی در حوزه‌های عصب‌شناسی، تصویربرداری عصبی (سلول‌های عصبی)، فناوری همگن‌ساز فراصوتی (Ultrasonic)، پردازش‌گرهای سینگالی، مهندسی پزشکی، مهندسی برق، علوم کامپیوتر و فیزیک است. این گروه تحقیقاتی با هدف تعامل و تبادل اطلاعات با موسسات علمی، دانشگاهی و همچنین استارت‌آپ‌های کوچک و بزرگ کار خود را آغاز خواهند کرد.

 فیسبوک یک برنامه‌ریزی بسیار فشرده و دقیق را به مرحله اجرا در آورده است تا در کوتاه‌ترین زمان (دو سال) ممکن این فناوری‌ها را طراحی کند. در همین ارتباط این شرکت یک آگهی استخدام با عنوان فرصت‌های شغلی را منتشر کرده است. در این قرارداد آمده است که افراد مذکور به مدت دو سال در پیشبرد این پروژه با فیسبوک همکاری خواهند داشت.

در این آگهی آمده است که اعضا این تیم در زمینه طراحی و پیاده‌سازی فناوری‌های فوق پیشرفته‌ای همچون واسط مغز و کامپیوتر، تصویربرداری‌های غیرتهاجمی عصبی و الگوریتم‌های پردازش سیگنال‌ها در قالب یک زیرساخت محاسباتی و ارتباطی با یکدیگر کار خواهند کرد. این طرح همسو با اهداف مدیرعامل این شرکت است. مارک زاکربرگ چندی پیش گفته بود: «علاقه‌مند هستم درباره چگونگی عملکرد مغز انسان و توانمندتر کردن آن اطلاعات بیشتری به دست آورم. من علاقه زیادی به تله‌پاتی دارم. من بر این باور هستم که در آینده انسان‌‌ها این توانایی را به دست خواهند آورد تا افکارشان را برای یکدیگر ارسال کنند.» فیسبوک در شرایطی به دنبال پیاده‌سازی چنین طرحی است که در حال حاضر نیز نمونه‌های مشابهی از رابط‌های مغز و کامپیوتر به شکل تجاری تولید شده‌اند و تعدادی از آن‌ها روی حیوانات نیز آزمایش شده است. اما بدون شک این تلاش‌های فیسبوک باعث خواهد شد تا نسل جدیدی از تجهیزات الکترونیکی تولید شوند.