کنت استنلی، دانشمند علوم کامپیوتر دانشگاه فلوریدای مرکزی، در سال ۲۰۰۷ روی سایتی به‌نام Picbreeder کار می‌کرد که همراه‌با دانشجویان خود برای پژوهشی موردی طراحی کرده بود؛ اما دیدن موجودی فرازمینی که به خودرویی مسابقه‌ای تبدیل شده بود، مسیر زندگی استنلی را تغییر داد.

کاربران در سایت Picbreeder، آرایه‌ای از ۱۵ تصویر مشابه را می‌بینند که از شکل‌های هندسی و الگوهای پیچان تشکیل شده‌اند. تمام تصاویر نمونه‌های متغیری از یک زمینه هستند. گاهی اوقات برخی شکل‌ها مشابه شکل‌های واقعی مثل پروانه یا چهره به‌نظر می‌رسند. استنلی از کاربرها خواست روی اشکالی که برایشان جذاب است، کلیک کنند. پس از این کار، مجموعه‌ای جدید از تصاویر براساس انتخاب آن‌ها ظاهر شدند. نتیجه‌ی نهایی این بررسی، کاتالوگی از تصاویر خیالی بود.

استنلی در یکی از زمینه‌های هوش مصنوعی به‌نام تکامل عصبی، پیشتاز است. در این حوزه از روش‌های تکامل بیولوژیکی برای طراحی الگوریتم‌های هوشمند استفاده می‌شود. هر کدام از تصاویر سایت Picbreeder خروجی سیستمی محاسباتی مشابه شبکه‌ی عصبی هستند. وقتی تصویری ساخته می‌شود، شبکه‌ی زیرساخت آن به ۱۵ شکل مختلف تغییر پیدا می‌کند که نتیجه‌ی هر کدام، تصویری جدید است. هدف استنلی از ساخت Picbreeder تولید تصویر مشخصی نبود. تنها هدف او آموزش نکات جدید درباره‌ی تکامل و هوش مصنوعی به کاربران سایت بود.

روزی استنلی در میان تصاویر، چهره‌ای مشابه موجودی فضایی را دید و شروع به تکامل آن کرد. به‌طور اتفاقی، چشم‌های گرد به سمت پائین حرکت کردند و مشابه چرخ‌های یک خودرو شدند. استنلی به کار خود ادامه داد و یک خودروی اسپرت زیبا ساخت. این مسئله فکر او را مشغول کرد و از خود پرسید اگر از همان ابتدا به‌جای تصویر موجود فضایی، برای ساخت تصویر خودرو تلاش می‌کرد شاید هرگز به نتیجه می‌رسید. این اتفاق یک پیام برای او داشت: چرا باید مسائل را به‌صورت مستقیم حل کرد. به این ترتیب به سراغ تصاویر جالب دیگری رفت که در Picbreeder ظاهر شده بودند، خطوط آن‌ها را دنبال کرد و متوجه شد تمام تصاویر از شکلی کاملا متفاوت به تکامل رسیده‌اند.

درک استنلی به مقدمه‌ی اصل سنگ‌بنا برای طراحی الگوریتم‌ها تبدیل شد. الگوریتم‌هایی که پتانسیل خلاقیت بی‌نهایت تکامل زیستی را دربرمی‌گیرند. الگوریتم‌های تکاملی، موضوع جدیدی نیستند. همیشه از این الگوریتم‌ها برای حل مسائلی مشخص استفاده شده است. در هر نسل، براساس معیارهایی مشخص، راه‌حل‌هایی با بهترین عملکرد انتخاب شدند (برای مثال توانایی کنترل یک ربات دو پایی) و محصولی را تولید کرده‌اند. الگوریتم‌های تکاملی با وجود موفقیت‌ در بعضی نمونه‌ها، از نظر محاسباتی می‌توانند بسیار سنگین‌تر از روش‌هایی مانند یادگیری عمیق باشند که در سال‌های اخیر به محبوبیت زیادی رسیده است.

اصل سنگ‌بنا، فراتر از روش‌های سنتی تکاملی عمل می‌کند. برای مثال به‌جای بهینه‌سازی برای هدفی مشخص، جستجوی خلاق تمام راه‌حل‌های ممکن را در نظر می‌گیرد. این روش به نتایج بی‌سابقه‌ای دست یافته است. در سال گذشته، سیستمی براساس اصل سنگ‌بنا موفق شد در دو بازی ویدئویی به مهارت برسد. در این بازی‌ها از روش‌های محبوب و رایج یادگیری ماشین استفاده شده بود. از طرفی، شرکت DeepMind که در زمینه‌ی هوش مصنوعی و کاربرد یادگیری عمیق برای حل مسائلی مثل بازی Go مهارت دارد، موفق به ترکیب یادگیری عمیق با تکامل مجموعه‌ای از راه‌حل‌های متنوع شد.از تکامل زیستی می‌توان برای توسعه‌ی هوش مصنوعی نزدیک به انسان استفاده کرد

پتانسیل اصل سنگ‌بنا در مقایسه با تکامل زیستی آشکار می‌شود. در طبیعت، درخت زندگی هیچ هدف جامعی ندارد و قابلیت‌هایی که برای یک عمل یا فرایند خاص در نظر گرفته می‌شوند ممکن است در فرایندی کاملا متفاوت هم نقش داشته باشند. برای مثال، پرها به‌عنوان عایق به تکامل رسیدند اما بعدها به وسیله‌‌ای برای پرواز هم تبدیل شدند.

تکامل بیولوژیکی، تنها سیستم موجود برای تولید هوش انسانی و رویای نهایی بسیاری از پژوهشگران هوش مصنوعی است. استنلی و دیگر پژوهشگران این حوزه، معتقدند براساس سوابق زیستی برای ساخت الگوریتمی که بتواند دنیای اجتماعی و فیزیکی را به آسانی کنترل کند، باید از طبیعت تقلید کرد. به‌جای کدنویسی سخت (روشی برای توسعه‌ی نرم‌افزار) قوانین استنتاج یا کامپیوترهایی که براساس معیارهای عملکردی قادر به درجه‌بندی باشند، باید از مجموعه‌ی راه‌حل‌ها استفاده کرد. باید ویژگی‌هایی مثل نوآوری و جذابیت را به‌جای توانایی‌های راه رفتن یا صحبت کردن در اولویت قرار داد. درنتیجه می‌توان به مسیری غیرمستقیم و مجموعه‌ای از سنگ‌بناها دست یافت و از آن‌ها برای بهبود راه رفتن یا صحبت هم استفاده کرد که شاید از روش‌های مستقیم امکان‌پذیر نباشند.

دیدگاهتان را بنویسید