به گزارش خبرگزاری مهر به نقل از پژوهشکده سیاستگذاری دانشگاه شریف، نشست «هوش مصنوعی در صنایع خلاق؛ کاربردها، فرصت‌ها و تهدیدها» به میزبانی اندیشکده حرف برگزار شد.
در این نشست پدرام عبدالحی، کارشناس هوش مصنوعی، سید محمدمهدی فیروزآبادی، پژوهشگر دکتری علوم شناختی و فعال صنعت گردشگری الکترونیک و سعید علی‌اکبر، مدیر تحلیل داده گروه سیاست‌پژوهی و تحلیل داده نمافر که از صاحب‌نظران و فعالان حوزه هوش مصنوعی و صنایع خلاق حضور داشتند. هدف از برگزاری این نشست بررسی دو زیرمجموعه صنایع خلاق شامل صنعت گردشگری و رسانه از منظر فناوری هوش مصنوعی بود که میهمانان به طرح فرصت‌ها و تهدیدهایی که در این حوزه وجود دارد پرداختند.
سید محمدمهدی فیروزآبادی، پژوهشگر دکتری علوم شناختی در ابتدا تعریفی از هوش مصنوعی بیان کرد به گفته وی هوش مصنوعی، هوشی است که ساخته بشر است و کار آدم‌های باهوش را انجام می‌دهد.
فیروزآبادی در مورد دیدگاه سنتی نسبت به هوش مصنوعی گفت: در دیدگاه سنتی به هوش، ما تست‌های آی‌کیو را داشتیم، یک پله جلوتر از آن یعنی اواسط قرن بیستم شروع کردند به هوش جدی‌تر نگاه کنند و در روانشناسی هوش چندگانه را مطرح کردند جلوتر که آمدند نظریات هوش احساسی را مطرح کردند و در اواخر قرن بیستم رشته علوم شناختی شروع به رشد کرد.
وی هدف رشته علوم شناختی را معرفی سازوکارهای شناختی انسان مبنی بر اینکه چطور دنیا را از بیرون درک می‌کند که تبدیل به احساسات و تصمیم‌ها می‌شود معرفی کرد و افزود: علوم شناختی به عنوان میان رشته‌ای در کنار ابزارهای مهندسی و روانشناسی است که انسان به کمک آن‌ها می‌تواند هوش را بهتر بشناسد.
فیروزآبادی گفت: رشته علوم شناختی گزاره‌های متعددی به انسان داده است مانند این گزاره که هوش لزوما مفهومی نیست که تعریف یونیورسال داشته باشد و در واقع هوش انطباق انسان با محیط است. اگر این دیدگاه را به هوش داشته باشیم و همین ملاحظات را در بررسی هوش مصنوعی به کار ببریم خیلی به ما توفیق می‌دهد.
فیروزآبادی از توسعه هوش مصنوعی در طی بیست سال اخیر گفت و افزود: اگر ما با تکنولوژی هوش مصنوعی به سان یک انسان برخورد کنیم در ابعاد مختلف آن در یک سری از موارد عقب و در یک سری از موارد جلو است.
در ادامه پدرام عبدالحی گفت: دسته‌بندی‌های مختلفی از هوش مصنوعی وجود دارد که دسته‌بندی هوش مصنوعی بر اساس سطح آگاهی یکی از این قسم‌ها است که شامل سه دسته‌ی هوش مصنوعی ضعیف، هوش مصنوعی قوی یا همان هوش مصنوعی جنرال و ابرهوش یا Super Intelligence است.
وی در مورد عملکرد هوش مصنوعی جنرال گفت: هوش مصنوعی عمومی در تمامی کارکردهای ذهنی انسان نظیر تشخیص الگو، تکلم، فهم زبان، تصویر، ویدیو، فهم و انجام انجام حرکت نزدیک به سطح عملکرد انسان متوسط عمل می‌کند که البته این موضوع فعلا در فاز تئوری است و هوش مصنوعی وجود ندارد که صد در صد به این رسیده باشد.
عبدالحی، Super Intelligence یا ابرهوش مصنوعی را در تمام کارکردهای ذهنی از انسان باهوش‌تر خواند و گفت: ابرهوش مصنوعی در توانایی حرکت از حرفه‌ای‌ترین ورزشکاران بهتر حرکت خواهد کرد و زمان پاسخگویی آن بالاتر خواهد بود یا از بهترین فیلسوفان منطق بهتری خواهد داشت البته باید به این موضوع توجه کرد که ابرهوش مصنوعی هم در فاز تئوریک می‌باشد.
وی هوش مصنوعی موجود در حال حاضر را از نوع هوش مصنوعی ضعیف یا باریک خواند و ادامه داد: سعی داریم به سمت هوش مصنوعی جنرال برویم.
این کارشناس در پاسخ به این سوال که آیا هوش مصنوعی نیز مانند انسان خلاق است، گفت: ابتدا باید منظور از واژه خلاق مشخص شود و با فرض گرفتن اینکه تعریف از خلاقیت، دادن خروجی جدید از داشته‌های قبلی ذهن است، بله هوش مصنوعی کاملا خلاق است. ولی اگر بگوییم خلاقیت این است که کاملا یک چیز جدیدی را به وجود آورد که انقلابی و متفاوت باشد و چند چیز را کنار هم تجمیع نکرده باشد خیر هوش مصنوعی خلاق نیست و این موضوع که Super Intelligence خلاقیتش فراتر از انسان هم خواهد رفت به صورت تئوریک فرضیه‌سازی شده است.
سعید علی‌اکبر، گروه سیاست‌پژوهی و تحلیل داده نمافر با تأکید بر اینکه در مهم‌ترین برهه هوش مصنوعی هستیم و زندگی روزمره ما درگیر با آن است، گفت: شما یک سری داده دارید که قبلا تولید شده است و بر مبنای آن داده‌ها یک مدل ریاضی، جبر خطی، آمار و احتمال و... را توسعه می‌دهید که هوش مصنوعی بر مبنای آن مدل یاد می‌گیرد و یا توانایی تشخیص الگوها را پیدا می‌کند.
وی افزود: فرایند پیشرفت هوش مصنوعی سه موج دارد که طی این دوره‌ها یک انقلابی می‌شود و فرایند پیشرفت تا مدتی ادامه دارد و دوباره فریز می‌شوند و فرایند آن وارد فصل زمستان خود می‌شود.
علی اکبر شروع اولین موج هوش مصنوعی را سال ۱۹۵۰ بیان کرد و گفت: سال ۱۹۸۰ را شروع مدل الگوریتمی کلاسیک یادگیری ماشین است که به واسطه کامپیوترها دارای توان پردازشی بیش‌تری شدند. تا اینکه این فرایند تا دهه ۱۹۹۰ ادامه پیدا می‌کند و الگوریتم‌های مختلف شکل می‌گیرد و بیزینس‌های مختلف از آن استفاده می‌کنند و دوباره در آن مرحله فریز می‌شود گویا که به حداکثر بلوغ خود می‌رسد این فرایند تا ۲۰۰۸، ۲۰۰۹ و ۲۰۱۲ ادامه می‌یابد و بعد مفهومی به نام دیپ‌لرنینگ معرفی می‌شود که دیپ لرنینگ یک فتح باب جدیدی در پردازش داده‌های زیاد به وجود می‌آورد. مدلی که دیپ‌لرنینگ بر اساس آن توسعه داده شده است خیلی پیش‌تر و در دهه‌های قبل وجود داشته است منتها به دلیل نبودن توان پردازشی مفقود باقی مانده بود و سال ۲۰۱۲ جی پی آر وارد گرافیک‌ها شد و چیبست‌های مخصوص هوش مصنوعی تولید شدند و به دنبال آن این مدل شروع به توسعه کرد و به نوعی موج سوم هوش مصنوعی در این چند دهه اخیر از سال ۲۰۱۲ آغاز شد.
در ادامه علی‌اکبر از نمونه کارهایی که در نمافر با اتکا بر هوش مصنوعی انجام دادند صحبت کرد و گفت: ما در نمافر از ابزارهایی که توسعه داده شده است و رایگان وجود دارد برای حداکثر کردن بهره‌وری استفاده می‌کنیم به عنوان مثال وقتی می‌خواهیم دیتایی را از توییتر تحلیل کنیم اگر مانند پژوهشگران اجتماعی بخواهیم نمونه‌گیری کنیم پلتفرمی که این کار را خیلی خوب انجام می‌دهد و به دوستان هم پیشنهاد می‌دهم پلتفرم کلاد است که در درک زبان فارسی هم فوق العاده عمل می‌کند. دیتا را بر روی کلاد آپلود می‌کنید و از آن می‌خواهید توییت‌ها را تحلیل و دسته‌بندی محتوا کند و در کسری از دقیقه این پروژه را به شما تحویل می‌دهد. ما در مجموعه خود به سبب توانایی قوی در استخراج کاراکترها برای تبارشناسی شخصیت‌های مثنوی مولوی از آن استفاده کردیم. که می‌تواند گراف این شخصیت‌ها را برای شما تهیه کند و به سوال‌های شما در مورد آن شخصیت پاسخ دهد. حتی داوری مقاله را انجام می‌دهد و نقاط قوت و ضعف مقاله را مشخص می‌کند.
در ادامه، عبدالحی تعدادی از تایپ‌های رسانه‌ای را نام برد و افزود: در فاز پروداکشن ما چت‌بات را داریم که شخصی‌سازی شده و دارای موتور پیشنهاد است. مثال آن اکسپلور اینستاگرام است که با توجه به تعاملی که داشته‌اید برای شما شخصی سازی می‌شود. یا موتور پیشنهاد که می‌تواند بر اساس سلیقه‌ای شما در تماشای فیلم به شما پیشنهاد فیلم دهد.
عبدالحی افزود: کاربر هر چقدر فعالیتش در حوزه رسانه جلوتر می‌رود توجه‌اش کمتر می‌شود و عجول هم می‌شود پس این کاربر حوصله ندارد ۹۰ دقیقه فوتبال ببیند برای همین هوش مصنوعی در کاربرد ساده آن اس پی ان را انجام می‌دهد یعنی هایلایت بازی فوتبال را درمی‌آورد و در اختیار کاربر قرار می‌دهد.
وی کنترل و سیاستگذاری بر روی محتوا در پلتفرم‌هایی که Non UGC هستند را راحت خواند و افزود: کاربرد هوش مصنوعی در حوزه پردازش مرحله‌ای برای متن خیلی راحت‌تر است چون مدل‌ها قوی‌تر و دقت‌شان بالاتر رفته است ولی اگر در UGC استفاده کنند از دستشان خارج می‌شود چون نمی‌توانند هر نوع محتوایی را فیلتر کنند.
عبدالحی کپی رایت را بزرگ‌ترین مشکل در حوزه تولیدمحتوا و رسانه معرفی کرد که ثبت و اجرای آن در ایران نیز مشکل است، همچنین گفت: برای ویدیویی که توسط پلتفرم هوش مصنوعی ایجاد شده است نمی‌توان کپی رایت ثبت کرد چون این زاده خلاقیت هوش مصنوعی است و زاده خلاقیت انسان نیست.
علی‌اکبر، فضای دیتا را حوزه نوظهوری خواند و افزود: متاسفانه تا زمانی که در این فضا فاجعه‌ای رخ ندهد قانون‌گذاری در آن اتفاق نخواهد افتاد. که به عنوان مثال به فروش داده‌های کاربران در سال ۲۰۱۶ توسط فیسبوک به موسسه‌ی دیگر اشاره‌کرد که بعد از شکایت ژورنالیست‌ها علیه این حرکت فیسبوک، دادگاه آمریکا حکم داد که هر پلتفرمی که داده جمع آوری می‌کند باید دیتاها را به صورت رایگان و هیچ شرطی در اختیار بگذارد و کاربر باید کوکی‌های سایتی که به آن وارد شده است را قبول‌کند وگرنه یک سری از امکانات سایت برایش محدود می‌شود یا اصلا نمی‌تواند از آن استفاده کند.
در ادامه، علی‌اکبر گفت: وقتی مدل‌هایی وجود دارد که کیفیت آن‌ها به حجم داده ورودی بستگی دارد و توانایی این را دارد هر چیزی را که فکر کنید تحلیل کند احتمالا عطشی را به وجود می‌آورد که سکوها یا صاحبان پلتفرم مدام می‌خواهند به فرض برای تصمیم‌گیری درست داده جمع کنند و این یعنی فرهنگی به واسطه هوش مصنوعی وارد می‌شود که به صورت حداکثری می‌خواهد از کاربران دیتا جمع کند. عطش جمع‌آوری داده در ایران را خطرناک است. وقتی داده را جمع‌آوری می‌کنید آن رادر جایی ذخیره می‌کنید و این زمینه‌ساز هجوم هکری را به وجود می‌آورد که این مسئله نگران‌کننده است.
فیروزآبادی گفت: وقتی گفته می‌شود شبکه‌های اجتماعی اثرات منفی بر روی کاربرها می‌گذارد باید ساختار دیتا بیزینس را نیز در نظر گرفت اینکه تجارت آن پلتفرم از فروش داده است پس خود آن پلتفرم به تبع هیچ مسئولیتی را احساس نمی‌کند تا عواقب اتفاقاتی که برای مشتری می‌افتد را حل کند. چون اتفاقا صرف زمان بیش‌تر کاربر در پلتفرم به نفع آن است. در هوش مصنوعی هم همین‌طور است شما پلتفرمی خواهید داشت که به واسطه هوش مصنوعی آدم حذف خواهد شد.
وی سخنان خود را اینگونه جمع‌بندی کرد: اگر اقتصادی ایجاد کردید که موتور پیشران اقتصادی آن فروش داده است باید حکمرانی ایجاد کنید که بتواند منافع مردم را تضمین کند و یا به صورت دقیق‌تر می‌توان گفت باید بتوانید ابزارهایی داشته باشید که منافع مردم بوسیله‌ی آن تضمین شود.
عبدالحی در پاسخ به سوال مخاطبین، بیش‌ترین چالش خود را در این حوزه، مشکل فنی خواند به این علت که به خیلی از چیزها دسترسی نیست و از صفر باید زیرساخت ایجاد کرد.
فیروزآبادی مسئله تحریم و بروز نشدن و چابک نشدن سیستم تنظیم‌گری را از چالش‌های حوزه خود نام برد و افزود: تسهیل الگوریتم تنظیم‌گری فضای کسب و کار خیلی مهم است که هنوز اتفاق نیفتاده است چون اکوسیستم بیزنس داده در کشور ایجاد نشده است.
علی‌اکبر نیز یکی از چالش‌های حوزه خود را نبود زیرساخت برای توسعه مدل فارسی به منظور پردازش حجم زیاد داده در فضای دانشگاهی یا آزمایشگاهی برشمرد و گفت: وقتی دیتای فارسی خوبی وجود ندارد پس مدل خروجی خوبی هم نخواهد بود و منجر به عقب افتادن در فضای ابزار خواهد شد. ایجاد لابراتوری برای دانشجویانی که در این فضا فعالیت می‌کنند، مهم است که به وسیله ایجاد آن می‌شود مدل‌های خوب را توسعه داد.