الگوریتم‌‌‌های بازی شطرنج همانند دیپ بلو (Deep Blue) به‌‌‌گونه‌‌‌ای طراحی شده‌‌‌اند که می‌توانند از طریق بازدید میلیاردها حرکت احتمالی، حرکت فرد روبه رو را پیش‌بینی کنند. اما نمی توانند همین کار را در رابطه عشق انجام بدهند و قادر نیستند از بین میلیون‌‌‌ها گزینه حاضر برای دوست‌‌‌ شدن یا زندگی مشترک با یک نفر بهترین گزینه را برگزینند. چرا این چنین است؟

هربرت سایمون (Herbert Simon)  یکی از بنیان‌گذاران هوش مصنوعی می بود و جوایز تعداد بسیاری را نصیب خود کرد. او معتقد می بود اگر روزی فرابرسد که یک ماشین بتواند بهترین شطرنج‌‌‌باز دنیا را ناکامی دهد، به طور حتم به توانایی‌‌‌هایی همانند 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 خواهند داد، همانند خود انسان‌‌‌ها و احتمالا بهتر از آنها انجام بدهند.

برنامه دیپ بلو توانست در سال ۱۹۹۷ بهترین شطرنج‌‌‌باز دنیا یعنی ‌گری کاسپاروف را ناکامی دهد. اما پیش‌بینی سایمون درست از آب درنیامده، چرا که از آن زمان تا بحال بیشتر از ۲۵سال قبل و هوش مصنوعی نتوانسته زیاد از کارهایی را که انسان انجام می‌دهد انجام دهد. یقیناً هوش مصنوعی برای برخورداری از قوت محاسبه و پردازش حجم عظیمی از داده، توانسته در برخی حوزه‌‌‌ها بر انسان برتری یابد. بر پایه قانون مور، قوت محاسبه کامپیوترها هر دو سال دو برابر می‌شود و زیاد‌‌‌ها سخن بگویید از ظهور ابرهوش مصنوعی به بین آورده‌‌‌اند که هر چیزی را که انسان می‌‌‌داند،  می‌‌‌داند و قادر به انجام همه کارهایی است که از مسئولیت انسان برمی‌‌‌آید.  ما نویسندگان این کتاب (هنری کیسینجر، اریک اشمیت و دانیل هاتنلاکر) با این نظر سایمون که ماشین‌‌‌ها قادر به انجام همه کارهایی می باشند که از مسئولیت 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 همانند شطرنج و موضوعی همانند اشکار کردن شریک زندگی و عشق وجود دارد. در شطرنج هر موقعیتی به‌‌‌صورت یک پروفایل در نظر گرفته می‌شود که بر پایه محل قرارگرفتن مهره‌‌‌ها بر روی صفحه شطرنج تعیین می‌شود. در اینجا، برنامه شطرنج نیازی ندارد که در رابطه محل درست قرار گرفتن مهره‌‌‌ها تصمیم بگیرد، چون این پروفایل‌‌‌ها می باشند که موقعیت مهره‌‌‌ها را اشکار می‌کنند و ابهامی در این بین وجود ندارد. حال ‌‌‌آنکه در خارج از صفحه شطرنج، به‌‌‌گفتن ‌‌‌مثال در روابط انسانی، ابهامات تعداد بسیاری وجود دارد و نمی‌توان بر پایه پروفایل افراد در رابطه 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 زیاد 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 رابطه موضوعی خاص وجود داشته باشد باز هم می‌تواند به‌‌‌خوبی عمل کند.»

در واقع قوانین بازی شطرنج کاملا روشن و شناخته‌شده می باشند و از قدیم تا بحال ثابت بوده‌‌‌اند و هیچ‌گونه ابهام و پوشیدگی در خصوص نحوه بازی شطرنج وجود ندارد. حال‌‌‌آنکه روابط انسانی مملو از ابهام و تحول است و قوانین حاکم بر آن به طور مدام در حال نقض ‌‌‌شدن می باشند. اصل دنیای ثابت فقط برای پیش‌بینی چیزهایی کاربرد دارد که ثابت و بدون تحول 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 یقیناً دنیایی ثابت و بدون تحول. 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 می بود. علت کسب این پیروزی بزرگ این می بود که هم یک تئوری خوب و مناسب در خصوص نحوه حرکت سیارات وجود داشت، هم داده‌‌‌های نجومی کافی حاضر می بود و مهم‌تر از همه این که حرکت مریخ همیشه و در همه زمان ثابت بوده و هنگامی همه چیز برای قوت‌‌‌نمایی هوش مصنوعی وجود داشته باشد پیش‌بینی آینده درست از آب درمی‌‌‌آید. اما شرکت‌های تکنولوژیک که می‌‌‌کوشند حرکت انسان را بدون داشتن تئوری‌‌‌های خوب، داده‌‌‌های کافی و معتبر و در دنیایی متغیر پیش‌بینی کنند در زیاد تر موارد ناکام می‌‌‌همانند و راه به جایی نمی‌‌‌برند. این چنین ناکامی‌‌‌هایی در مواردی همچون استخدام کارکنان تازه، پیش‌بینی نتایج انتخابات یا مقدار شیوع ویروس آنفلوآنزا یا کرونا توسط الگوریتم‌‌‌ها چندین دفعه و چندین دفعه دیده شده است؛ آن هم به این علت که در این 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. به این علت، باید پذیرفت که کارکرد ماشین‌‌‌ها و الگوریتم‌‌‌ها در موقعیت‌‌‌هایی که ابهام و پیچیدگی در آنها وجود دارد و به قوت محاسباتی نیاز مبرمی وجود ندارد، ضعیف و ناامیدکننده خواهد می بود. به‌‌‌گفتن ‌‌‌مثال، اگر شما برای یک موقعیت شغلی خواست داده باشید یک الگوریتم نمی‌تواند به‌‌‌درستی پیش‌بینی کند که شما به مصاحبه دعوت خواهید شد یا نه.

یا اگر به علت ارتکاب یک جرم بازداشت شده باشید یک الگوریتم نمی‌تواند فقط با دقت ‌‌‌به اسبق شما به قاضی پرونده پشتیبانی کند تا تصمیم بگیرد آیا تا زمان محاکمه می‌تواند شما را به قید وثیقه آزاد کند یا این که گمان فرار یا ارتکاب جرمی دیگر توسط شما وجود دارد و شما نباید آزاد باشید. باید این را هم دانست که قوت الگوریتم‌‌‌ها در حوزه‌‌‌هایی که ثابت و بدون تحول می باشند رو به‌‌‌ افزایش است و هر جا که خبری از ابهام و ریسک نیست کارکرد ماشین‌‌‌ها و الگوریتم‌‌‌ها در قیاس با انسان‌‌‌ها بهتر و موفق‌‌‌تر خواهد می بود. به همین علت هم هست که ماشین‌‌‌ها در بازی‌‌‌هایی با قوانین و قواعد ثابت و اشکار زیاد بهتر از انسان عمل می‌کنند، چون در این چنین موقعیت‌‌‌هایی آینده کاملا همانند به قبل است و جمع‌‌‌آوری و تحلیل داده‌‌‌های بزرگ مرتبط با نوشته که ریشه در قبل دارد می‌تواند به‌‌‌پیش‌بینی درست و دقیق آینده منجر شود. اما اگر آینده دقیقا همانند قبل نباشد داده‌‌‌های بزرگ هم دردی دوا نخواهند کرد و ابهامات و پیچیدگی‌‌‌ها علتبه ‌‌‌هم‌‌‌ ریختن معادلات خواهد شد.

منبع: کتاب The age of AI: and our human future