لماذا يغير الذكاء الاصطناعي كل شيء

• لماذا يغير الذكاء الاصطناعي كل شيء

في هذه الحلقة الخاصة، بالشراكة مع «دار فرونتيرز للعلوم» (Frontiers Science House)، نطلق سلسلتنا الجديدة «لماذا؟» بطرح أحد أكبر أسئلة عصرنا: لماذا الذكاء الاصطناعي؟ لماذا تطور الذكاء الاصطناعي بهذه السرعة الفائقة، ولماذا يعمل بالطريقة التي يعمل بها، ولماذا يمكن أن يغير جذرياً طريقة تفكيرنا وعملنا وحياتنا؟ لاستكشاف الإجابات، نستمع إلى أربعة أصوات بارزة في قلب حوار الذكاء الاصطناعي: جيفري هينتون، ومايك وولدريدج، وكريستينا كريدل، وويندي هول.

00:48 - لماذا يعمل الذكاء الاصطناعي كالدماغ البشري

لماذا يعمل الذكاء الاصطناعي كالدماغ البشري - جيف هينتون، «الأب الروحي للذكاء الاصطناعي» والحائز على جائزة نوبل

نقدم اليوم سلسلة جديدة بالشراكة مع دار النشر العلمي المفتوح «فرونتيرز» (Frontiers)، بعنوان «لماذا؟». سنستكشف في هذه السلسلة بعضاً من أكثر الأسئلة العلمية إلحاحاً، من الهندسة الجيولوجية إلى النشر مفتوح المصدر والثقة العامة. وتأتي هذه الحلقة قبيل فعاليات «دار فرونتيرز للعلوم» في دافوس، التي تجمع العلماء وصناع السياسات وقادة الأعمال لتمكين العلم المفتوح القائم على الأدلة من المساعدة في توجيه القرارات العالمية المتعلقة بالصحة والكوكب والتقنيات الناشئة. نبدأ بالسؤال الكبير الذي يشغل بال الجميع حالياً: لماذا الذكاء الاصطناعي؟ ففي غضون سنوات قليلة فقط، انتقل من عوالم الخيال العلمي إلى أداة يستخدمها الكثير منا يومياً. لكن المخاوف تزايدت لدرجة أن الذكاء الاصطناعي أصبح يتصدر عناوين الأخبار، حتى أن البيت الأبيض كشف عن «قوة استخبارات فائقة» للإشراف على سياسات الذكاء الاصطناعي. سنتطرق إلى ذلك لاحقاً، ولكن أولاً: كيف يعمل الذكاء الاصطناعي تحديداً؟ أحد الرواد في هذا المجال — والذي نال جائزة نوبل عام 2024 لتطويره البنية التحتية التي تستند إليها معظم هذه التقنية — هو جيفري هينتون. كان مصدر إلهامه في البدايات، خلال سبعينيات القرن العشرين، هو الدماغ، وكيفية نمذجة شبكات الخلايا العصبية برمجياً عبر شيفرات حاسوبية تعكس تقوية الروابط وإضعافها فيما بينها. إليكم حوار جيف مع كريس سميث…

جيف - في ذلك الوقت، كانت فكرة ممارسة العلم عبر محاكاة الأشياء على أجهزة الحاسوب جديدة نسبياً، وبدت وكأنها النهج الصحيح لمحاولة فهم كيفية تعلم الدماغ. لذا قضيت وقتي في كتابة برامج حاسوبية تحاكي شبكات خلايا الدماغ في محاولة للإجابة عن السؤال: كيف ينبغي للروابط بين خلايا الدماغ أن تتغير؟ حتى تتمكن مجموعة خلايا الدماغ المتصلة في شبكة من تعلم أداء أشياء معقدة، مثل التعرف على جسم في صورة ما، أو تمييز كلمة في حديث صوتي، أو فهم جملة بلغة طبيعية. والآن أصبح لدينا نماذج حاسوبية للشبكات العصبية؛ وهي برمجيات تعمل على الحاسوب وتحاكي شبكات خلايا الدماغ، وتعمل بكفاءة مذهلة. يمكنك أن ترى ذلك في النماذج اللغوية الكبيرة وفي قدرة هاتفك المحمول على التعرف على الأشياء، والآن أصبح قادراً أيضاً على التعرف على الكلام. نحن لسنا متأكدين تماماً من كيفية تعلم الدماغ بدقة، لكن لدينا فكرة أفضل بكثير عما يتعلمه؛ إنه يتعلم التصرف مثل إحدى هذه الشبكات العصبية الكبيرة.

كريس - إذا كان الأمر يعود ببساطة إلى وجود خلايا دماغية تتواصل مع بعضها البعض وأنها مجرد مجموعات ضخمة من الروابط، أليس من السهل نسبياً نمذجة ذلك بالحاسوب؟ أين كانت العقبة؟ ولماذا يصعب تحقيق ذلك؟

جيف - حسناً، تكمن الصعوبة في التوصل إلى القاعدة التي تحدد كيف يجب أن تتغير قوة الرابطة استجابةً للخبرة التي تكتسبها الشبكة. على سبيل المثال، في وقت مبكر جداً في أربعينيات القرن العشرين أو ربما أوائل الخمسينيات، طرح عالم نفس يدعى «هيب» فكرة مفادها أنه إذا تم تنشيط خليتين عصبيتين في الدماغ معاً في نفس الوقت، فإن الرابطة بينهما ستزداد قوة. ولكن إذا حاولت محاكاة ذلك على الحاسوب، فستكتشف أن جميع الروابط تصبح أقوى من اللازم وينهار النظام بأكمله؛ لذا يجب أن تتوفر طريقة لإضعافها أيضاً.

كريس - تعجبني تلك العبارة: «ما يُثار معاً، يترابط معاً». لم تفارقني قط منذ أن قرأت كتاب هيب حين كنت طالباً في كلية لندن الجامعية. كيف حاولت معالجة ذلك إذن؟ هل كانت مجرد مسألة تخميد؟ أي جعل الخلايا العصبية «تتراخى» بسهولة أكبر إن صح التعبير، لتفادي فرط النشاط الذي قد يسببه الحاسوب؟

جيف - هذا هو أول ما يتبادر إلى الذهن عادةً، وتجربه، لكنه يظل غير فعال بما فيه الكفاية. تكمن المشكلة في: هل يمكنك جعله يعمل بكفاءة تكفي لأداء مهام معقدة مثل التعرف على جسم في صورة، أو كما كان الحال قديماً، التعرف على أرقام مكتوبة بخط اليد؟ تأخذ نماذج كثيرة للرقمين 2 و3 وما إلى ذلك، وتحاول معرفة ما إذا كان بإمكانك جعله يُميز أيها اثنان وأيها ثلاثة. اتضح أن ذلك معقد للغاية. تبدأ بتجربة قواعد تعلم مختلفة لاكتشاف أيها ينجح، ومن ثم تتعلم المزيد عما يصلح وما لا يصلح.

كريس - ما الذي يصلح وما الذي لا يصلح، ولماذا؟

جيف - حسناً، سأخبرك بما ينجح لأنه الأكثر إثارة للاهتمام بطبيعة الحال. لديك طبقة من العصبونات تمثل وحدات البكسل. فالصورة تتكون من مجموعة من وحدات البكسل، ولكل بكسل درجات سطوع مختلفة، وهذا هو جوهر الصورة؛ مجرد أرقام تدل على سطوع كل بكسل. هذه هي عصبونات الإدخال، التي تنقل سطوع البكسلات. ثم لديك عصبونات الإخراج. إذا كنت تتعرف على الأرقام، فقد يكون لديك 10 عصبونات إخراج تخبرك بالقيمة الرقمية المعنية. وفي العادة، لا تكون الشبكة متأكدة في البداية، فتوزع احتمالاتها؛ كأن تقول: «من المحتمل أن يكون 2، وقد يكون 3، ولكنه بالتأكيد ليس 4». ويُترجم ذلك بأن تكون وحدة الإخراج الخاصة بالرقم 2 نشطة إلى حد ما، ووحدة الرقم 3 نشطة قليلاً، بينما تكون وحدة الرقم 4 خاملة تماماً. والسؤال الآن: كيف تجعل تلك البكسلات في المدخلات تنتج هذه الأنشطة المحددة في المخرجات؟ هناك طريقة لتحقيق ذلك تستخدمها جميع الشبكات العصبية الكبيرة حالياً، وتسمى «الانتشار الخلفي» (Backpropagation). وتعمل كالتالي: لديك طبقات من العصبونات بين المدخلات والمخرجات؛ فالعصبونات التي تمثل شدة البكسل ترتبط بالطبقة المخفية الأولى، ثم بالطبقة المخفية الثانية، فالثالثة، وأخيراً بالمخرجات. وتسمى «طبقات مخفية» لأنك لا تعرف في البداية ما الذي يُفترض بها فعله، وتبدأ بروابط عشوائية تماماً في هذه الشبكات. وبالتالي لا تقدم الشبكة في البداية أي نتائج منطقية، وعند إدخال صورة لرقم، فإنها توزع احتمالاتها بالتساوي تقريباً على الأرقام العشرة المحتملة لأنها لا تملك أدنى فكرة عما يحدث. ثم تطرح السؤال التالي: كيف يمكنني تعديل قوة أحد الروابط بين عصبون في طبقة وعصبون في طبقة أخرى ليصبح النظام أفضل قليلاً في الوصول للإجابة الصحيحة؟ افترض أنك تحاول فقط التمييز بين الرقمين 2 و3؛ في البداية تعطيه الرقم 2، فيقول: «باحتمال 0.5 هو 2، وباحتمال 0.5 هو 3»، محايداً تماماً. فتسأل: كيف أغير قوة الرابط ليصبح التقدير 51% للرقم 2 و49% للرقم 3؟ يمكنك تخيل فعل ذلك عبر تعديل الروابط تدريجياً؛ فتختار قوة رابط معين وتزيدها قليلاً لترى هل تحسن أداء الشبكة أم تراجع. وإذا تراجع، فإنك تُضعف هذا الرابط قليلاً. هذا يشبه إلى حد ما التطور البيولوجي؛ إذ تأخذ أحد هذه المتغيرات الأساسية (قوة الرابط)، وتتساءل: إذا غيرته قليلاً، فكيف يمكنني تعديله لتحسين الأداء وحفظ تلك التغييرات؟ يمكنك فعل ذلك، ومن الواضح أنه سينجح في النهاية، لكنه سيتطلب وقتاً هائلاً. في البدايات، كنا نستخدم شبكات تحتوي على آلاف الروابط، أما الآن فتحتوي روبوتات الدردشة الكبيرة على تريليونات الروابط، وسيتطلب تدريبها بهذه الطريقة وقتاً لا نهائياً. لكن يمكنك تحقيق النتيجة نفسها تقريباً عبر خوارزمية الانتشار الخلفي. ما تفعله هو إدخال صورة، ولتكن للرقم 2؛ تكون الأوزان على الروابط عشوائية في البداية، فتتدفق المعلومات إلى الأمام عبر الشبكة لتقول 50% للرقم 2 و50% للرقم 3. بعد ذلك، ترسل إشارة عكسية عبر الشبكة، وتكون الرسالة عملياً: «أريد رفع احتمالية أن يكون 2 وخفض احتمالية أن يكون 3، أي رفع النسبة المئوية لـ 2 وخفضها لـ 3». وإذا أرسلت هذه الإشارة بالطريقة الصحيحة، يمكنك حساب كيفية تعديل جميع الروابط في وقت واحد وبشكل طفيف لتصبح الإجابة أكثر دقة. هذا ما يسمى بالانتشار الخلفي. إنه يعتمد على حساب التفاضل والتكامل، لكنه جوهرياً ينجز التعديل ذاته لأوزان الروابط الذي كان التطور سيقوم به عبر تعديل رابط واحد في كل مرة. لكن خوارزمية الانتشار الخلفي يمكنها تحديد التعديل الطفيف اللازم لكل رابط من الروابط جميعها بالتزامن لتحسين الأداء. وإذا كان لديك تريليون رابط، فإن هذه الطريقة أكثر كفاءة بتريليون مرة من تعديل رابط واحد ومراقبة النتيجة.

كريس - ولكن كيف تعرف الطبقة السفلى ما الذي سيتم تعديله في الطبقات الأعلى لضمان أن تكون المدخلات التي تتلقاها صحيحة، بحيث تصبح التغييرات التي أجرتها واحتمالاتها أفضل، ودون أن تلغي تأثير التعديلات السابقة؟ أي ألا يؤدي التدفق الأمامي العكسي إلى تعديل شيء آخر في الشبكة يجعل النتيجة أقل مثالية بالنسبة لك، إن فهمت ما أقصده؟

جيف - أفهم تماماً ما تقصده، وهو سؤال ممتاز للغاية. ما يحدث جوهرياً هو أنه إذا أخذت رابطاً في مرحلة مبكرة من الشبكة، فإنه يبني على افتراض معين؛ فهو يفترض: «بافتراض بقاء جميع الروابط الأخرى ثابتة، كيف سيؤدي تعديل قوة رابطي إلى تحسين الأمور؟» فجميع العصبونات تفعل ذلك بالتزامن. فإذا غيرت قوى الروابط بدرجة كبيرة، فقد تسوء النتائج في الواقع؛ لأنك قد تختار تعديلاً لكل رابط يكون مفيداً إذا تم بمفرده، لكن تطبيقه بالتزامن مع بقية التعديلات قد يؤدي لنتيجة عكسية. ولكن اتضح أنه إذا جعلت تلك التغييرات بالغة الصغر، فإن هذه المشكلة تختفي تماماً. فعندما تكون التعديلات طفيفة جداً، يمكنني حساب التغيير المناسب لقوة رابط واحد، وبما أن التغييرات في سائر الروابط دقيقة للغاية، يصبح من المستبعد جداً أن يتحول التعديل المفيد إلى تعديل ضار.

10:41 - كيف ولماذا تطور الذكاء الاصطناعي

كيف ولماذا تطور الذكاء الاصطناعي - مايك وولدريدج، جامعة أكسفورد

المحطة التالية: سنستكشف تطور الذكاء الاصطناعي، ولماذا يُشكل تقدمه المتسارع كل تفاصيل حياتنا، وصولاً إلى التساؤل عما إذا كان سيسلبنا وظائفنا. لقد بات الإلمام بالذكاء الاصطناعي أمراً شائعاً اليوم، ولكن هل كان الناس يتساءلون بجدية «لماذا الذكاء الاصطناعي؟» في ثمانينيات وتسعينيات القرن الماضي؟ عالم الحاسوب البريطاني البارز مايك وولدريدج من جامعة أكسفورد كان يفعل ذلك بالتأكيد، وقد طلب منه كريس سميث أن يرسم ملامح هذا الصعود الحتمي للذكاء الاصطناعي…

مايك - كانت هناك فكرتان رئيسيتان تهيمنان على الذكاء الاصطناعي في منتصف ثمانينيات القرن العشرين. إحداهما كانت رؤية جيف هينتون: الشبكات العصبية، وهي التقنية التي كان جيف وزملاؤه رواداً في تطويرها وتشغيلها، والتي تشكل الأساس الجوهري لكل ما نعنيه بالذكاء الاصطناعي اليوم. كانت تلك فكرة مثيرة للاهتمام في ذلك الوقت وشهدت حماساً كبيراً، لكن المشكلة تمثلت في غياب القدرة الحاسوبية الكافية لتشغيل الشبكات العصبية على نطاق واسع. لم يكن بإمكانك، باستخدام حواسيب الثمانينيات، بناء شبكات عصبية ضخمة وقوية بما يكفي لمعالجة مشكلات كبرى ومثيرة للاهتمام. ومع نهاية الثمانينيات بدأ هذا الزخم يتلاشى، وبحلول نهاية القرن تراجع الاهتمام بالشبكات العصبية إلى الصفر تقريباً. كان ذلك مساراً موجوداً، لكنه لم يكن التيار السائد في أبحاث الذكاء الاصطناعي حينها. كان التيار السائد في الثمانينيات هو «الذكاء الاصطناعي الرمزي» (Symbolic AI). وتتمثل إحدى طرق فهم ذلك في أن الشبكات العصبية تحاكي بنيات الدماغ المادية، بينما يركز الذكاء الاصطناعي الرمزي على نمذجة العقل والإدراك والاستدلال والتخطيط. وقد أنتج الذكاء الاصطناعي الرمزي تقنية عُرفت باسم «النظم الخبيرة» (Expert Systems)؛ وهي تشبه روبوتات الدردشة فائقة التخصص. كانت الفكرة، على سبيل المثال، إمكانية بناء نظام خبير متخصص في أمراض الدم البشرية، وتتم برمجته بتزويده بكل المعارف التي يمتلكها طبيب بشري خبير في ذلك المجال، وكانت لدينا لغات برمجة خاصة لترميز تلك المعرفة. لكن هذه التقنية وصلت أيضاً إلى طريق مسدود بنهاية القرن؛ ورغم أنه كان بإمكانك إنجاز أشياء مثيرة للاهتمام بالنظم الخبيرة — وما زال العديد منها يعمل حتى اليوم — إلا أنها كمسار نحو ذكاء عام وقوي أخفقت تماماً. فإذا فكرت مثلاً في محاولة ترميز وكتابة كل معرفتك عن العالم وكل ما تدركه بلغة برمجة حاسوبية، فستجد أنها مهمة شبه مستحيلة؛ ولن تتمكن من تحقيق ذلك أبداً.

مايك - البيانات والحوسبة. لقد دخلنا عصر مراكز البيانات وعصر البيانات الضخمة (Big Data). وبحلول عام 2005، مكنت هذه العوامل ظهور ما عُرف باسم «التعلم العميق» (Deep Learning). والتعلم العميق هو في جوهره شبكات عصبية، إلا أن مراكز البيانات وفرت قدرات حوسبة كافية أتاحت البدء في بناء شبكات عصبية قادرة على معالجة المشكلات على نطاق هائل. وبدأ هذا المجال في الانطلاق من جديد قرابة عامي 2005 و2007. وبحلول عام 2012، أصبح من الواضح...