هوش مصنوعی ‌‌زاده علم فیزیک

امروز زمزمه‌هایی در مورد مشاغلی به گوش می‌رسد که با ظهور هوش مصنوعی ممکن است از بین بروند و چنین خطری نگرانی‌های زیادی را در مقیاس جهانی پدید آورده است. به هر روی واضح است که جهان دستخوش تغییر شده و هوش مصنوعی دیگر یک رویداد غریب و دور از دسترس نیست که بخواهیم در آینده دور انتظارش را بکشیم و هم‌زیستی ما با آن از همین حالا آغاز شده است‌؛ تعاملی که بی‌شک علاوه بر جهان فناوری، بر سایر زمینه‌ها هم تأثیر می‌گذارد. حوزه دانش هم از این قاعده مستثنی نیست و انگار ذیل همین تحول شگرف، حالا پیشرفت‌های این حوزه در محافل علمی رسمی، بیش از پیش جدی گرفته می‌شود‌؛ طوری که وقتی درباره جایزه نوبل فیزیک امسال صحبت می‌کنیم، دستاورد برجسته دانشمندان در حوزه یادگیری ماشین، جایگزین تحولاتی شده است که معمولا انتظار داریم در حوزه ذرات بنیادی، کوانتومی، نسبیتی یا اخترفیزیک رخ بدهد ومهم‌ترین جایزه علمی سال راازآن خود کند. جایزه‌ای که هرساله به پیشتازان عرصه‌های مختلف علومی نظیر فیزیک، پزشکی، شیمی و ...و همین‌طور برخی اززمینه‌های غیرعلمی نظیرصلح وادبیات باهدف بهبود زندگی بشر اهدا می‌شود.سه‌‌شنبه گذشته، جایزه نوبل فیزیک به پاس ایجاد تحولی اساسی در شبکه‌های عصبی، به جان هاپفیلد و جفری هینتون اهدا شد‌؛ دانشمندانی که مقالات خود را در این زمینه دردهه۱۹۸۰میلادی منتشرو ذیل آنها اشکالی بدوی از شبکه‌های عصبی را توصیف کردند. با وجود این‌که چنین شبکه‌هایی در قیاس با نمونه‌هایی که هوش مصنوعی‌ مولد امروزی نظیر چت‌-جی‌پی‌تی و...از آنها برخوردارند بسیار ساده‌تر است اما ایده‌پردازی‌های آنها در آن برهه مبنای تحقیقاتی شد که هوش مصنوعی را به نقطه‌ای که امروز شاهدش هستیم رساند و این پیشرفت چشمگیر را می‌توان مرهون فعالیت این فیزیکدانان در نظر گرفت. البته این اولین‌بار نیست که بنیاد نوبل جوایز علمی خود را به تحقیقاتی اختصاص می‌دهد که از زمان ارائه آنها سال‌ها گذشته است‌؛ برای مثال در زمینه برخی از کشفیات انقلابی نظیر نسبیت عام نیز شاهد چنین رویکردی بوده‌ایم که جایزه زمانی به آنها اختصاص داده شده است که اهمیت و ارزش‌شان ملموس‌تر به نظر رسیده است. 
   
منشأ بیوفیزیکی هوش مصنوعی
سرآغاز تحقیقات این دو دانشمند به سال۱۹۸۲برمی‌گردد‌؛ زمانی‌که جان هاپفیلد نوعی شبکه عصبی به نام شبکه هاپفیلد را توصیف کرد که شامل لایه‌ای یکپارچه و به‌هم پیوسته از نورون‌ها می‌شد. این مقاله که در ابتدا تحقیقات هاپفیلد را در دسته بیوفیزیک طبقه‌بندی می‌کرد، روی این مسأله صحه می‌گذاشت که یک شبکه عصبی قادر است اطلاعات مربوط به خاطرات را ضبط کند. هینتون با گسترش این دستاورد تلاش کرد رفتار ماشین بولتزمن را به‌عنوان شبکه عصبی پیچیده‌تری توضیح بدهد. هینتون در این تحقیقات مفهوم «واحدهای پنهان» را معرفی کرد‌؛ لایه‌های اضافی نورون که میان لایه‌های ورودی و خروجی یک شبکه عصبی وجود داشتند اما مستقیما با هیچ‌کدام تماسی برقرار نمی‌کردند. این کار انجام وظایفی را که نیاز به درک عمومی‌تری داشت (نظیر طبقه‌بندی تصاویر)را ممکن می‌ساخت. مقاله هاپفیلد به مفهوم شیشه اسپین اشاره می‌کرد‌؛ ماده‌ای که در آن ذراتی با خواص مغناطیسی چیدمان‌های نامنظمی را تشکیل می‌دهدواین مسأله منجر‌به فعل و انفعالاتی پیچیده در ماده می‌شود. هینتون و همکارانش برای توصیف رفتار این مواد از مکانیک آماری استفاده کردند، شاخه‌ای از دانش فیزیک که آمار را به‌عنوان ابزاری در راستای پیش‌بینی و توصیف رفتار ذرات در یک سیستم به کار می‌گیرد. آنها در نام‌گذاری شبکه خود از نام لودویگ بولتزمن، فیزیکدانی که در محافل علمی از او به‌عنوان پدر مکانیک آماری یاد می‌شود، الهام گرفتند. 

رنگ جدید به دنیای علم
ارتباط میان شبکه‌های عصبی وفیزیک جاده‌ای دوسویه بود،تعاملی که برای هردوسمت مزایای زیادی به همراه داشت. همان‌طورکه دانشمندان علوم کامپیوتر از مفاهیم به کار رفته در این شبکه‌ها در توسعه یادگیری ماشین بهره گرفتند، گسترش این حوزه نیز متعاقبا به پیشرفت دانش فیزیک کمک‌ شایانی کرد‌؛ برای مثال یادگیری ماشین ابزار مهمی در کشف ذره بوزون هیگز به شمار می‌رفت‌؛ جایی که با دسته‌بندی داده‌های برخورد میلیاردها ذره بنیادی با یکدیگر، قدرت ماشین را در محاسبه مسائلی که به صورت انسانی ممکن است چالش‌زا و گاها ناممکن به‌نظر برسند را به تصویر کشید.  جایزه نوبل امسال خود می‌تواند مهر تأییدی باشد بر اهمیت توسعه هوش مصنوعی و بهره‌گیری از چنین ابزاری در راستای پیشرفت دانش‌؛ زیرا علاوه بر جایزه نوبل فیزیک، جایزه نوبل شیمی نیزبه دانشمندانی اهدا شدکه نوعی مدل هوش مصنوعی برای پیش‌بینی ساختار پروتئین‌ها توسعه داده بودند. به‌نظر می‌رسد هوش مصنوعی علاوه بر تغییر قواعد و روندها در بسیاری ازعرصه‌ها نظیر اقتصاد، هنر، اجتماع و...  قرار است نقش پررنگی در تحول ساختارهای علم و دانش نیز ایفا کند و دانشمندان را به سمت‌وسویی هدایت کند که بتوانند از پس حل بسیاری از مسائل بربیایند که در گذشته از حل‌ آنها عاجز بودند.