האם וכיצד בינה מלאכותית צריכה לחקות את המוח האנושי?

כל החלטה לשלב בינה מלאכותית, במה שלא יהיה - מכוניות אוטונומיות, רופאים רובוטיים, מערכת הדירוג החברתי של יותר ממיליארד אזרחים סיניים ועוד - תלויה בעמדה הננקטת בדיון על הסוגיה כיצד לגרום לבינה המלאכותית לעשות דברים שאינה מסוגלת כעת לעשות. מה שהיה בעבר סוגיה אקדמית גרידא הפך כעת לעניין בעל השלכות על מיליארדי דולרים של כישרון ותשתיות וגם, אתם יודעים, על עתיד המין האנושי.

ניתן לתמצת את הדיון בשאלה: האם הגישות הנוכחיות לבניית בינה מלאכותית הן מספיקות או לא? אם יבוצעו כמה שינויים וייעשה שימוש במספיק כוח מחשוב "גס", האם תוכל הטכנולוגיה שיש לנו כעת לתפקד כ"בינה" אמיתית במובן שאנו מייחסים לבעלי חיים או לבני אדם?

שיטה נפוצה ושימושית, אבל פגיעה

בצדו האחד של דיון זה נמצאים חסידי "הלמידה העמוקה" - גישה שהפופולריות שלה הרקיעה שחקים לאחר שב-2012 התפרסם מחקר שביצעו חוקרים באוניברסיטת טורונטו ושהפך לאבן דרך. אף על פי שאין זו הגישה היחידה לסוגיית הבינה המלאכותית, היא הוכיחה יכולות מעל ומעבר ליכולות טכנולוגיית הבינה המלאכותית של העבר.

המילה "עמוקה" ב"למידה עמוקה" מתייחסת למספר השכבות של נוירונים מלאכותיים ברשת הנוירונים. בדומה למקבילותיהן הביולוגיות, מסוגלות מערכות נוירונים מלאכותיים בעלות מספר רב יותר של שכבות לבצע סוגים מתוחכמים יותר של למידה.

כדי להבין את רשתות הנוירונים המלאכותיות, דמיינו לעצמכם קבוצת נקודות בחלל שקשורות זו לזו כמו הנוירונים של המוח שלנו. שינוי חוזק הקישורים בין נקודות אלה הוא המקבילה למה שקורה כשמוח אנושי לומד משהו. התוצאה היא דיאגרמת חיווט נוירוני, עם מסלולים מועדפים לתוצאות רצויות, כגון זיהוי נכון של תמונה.

עם זאת, כיום מערכות הלמידה העמוקה אינן דומות למוחות שלנו. במקרה הטוב, הן נראות כמו החלק החיצוני של רשתית העין, שבה מבצע מספר קטן של שכבות נוירונים את העיבוד הראשוני של תמונה. מועטים הסיכויים שניתן יהיה לאלץ רשת כזאת לבצע את כל המטלות שלהן מסוגל המוח שלנו. מכיוון שרשתות אלה אינן יודעות על העולם דברים שיודע יצור אינטליגנטי באמת, הן פגיעות ומתבלבלות בקלות. באחד המקרים הצליחו החוקרים לשטות באלגוריתם פופולרי לזיהוי תמונות באמצעות שינוי פיקסל יחיד בלבד.

למרות המגבלות, מניעה הלמידה העמוקה את התוכנות המעולות ביותר לזיהוי תמונות וקול, וכן תוכנות תרגום מכונה, והיא מנצחת בני אדם במשחקי לוח. הלמידה העמוקה היא הכוח המניע את שבבי הבינה המלאכותית המותאמים של גוגל ואת שירותי הענן מבוססי הבינה המלאכותית, וכן את טכנולוגיית המכונית האוטונומית של אנבידיה. אנדרו נג, אחד האישים המשפיעים ביותר בתחום, שעמד בעבר בראש חטיבות הבינה המלאכותית של גוגל Brain ובאידו, אומר כי באמצעות הלמידה העמוקה אמור המחשב להיות מסוגל לבצע כל מטלה שכלית שמסוגל לבצע יצור אנושי, תוך שנייה או פחות מכך. כמובן, המטרה היא שהמחשב יהיה מסוגל לבצע מטלה כזו מהר יותר מהאדם.

להבין מודל, לא רק דוגמאות

בצדו השני של הדיון נמצאים חוקרים כמו גארי מרקוס, לשעבר ראש חטיבת הבינה המלאכותית של אובר, וכיום פרופסור באוניברסיטת ניו יורק, שטוען כי הלמידה העמוקה אינה מספיקה לביצוע כל סוגי המטלות שהבטיחו לנו שהיא מסוגלת לבצע. מערכות מבוססות למידה העמוקה לא יהיו מסוגלות אף פעם להשתלט על כל משרות הצווארון הלבן, ולהוביל אותנו לעתיד מזהיר שבו תבוצע אוטומציה של כל העבודות והמטלות המתישות והמשעממות.

מרקוס אומר שכדי ליצור "אינטליגנציה כללית" - שמצריכה יכולת חשיבה הגיונית, למידה עצמית ובניית מודלים מנטליים של העולם - יש צורך ביכולת רבה יותר משל הבינה המלאכותית של היום. "זה שהם (חוקרי הלמידה העמוקה) רושמים הישגים רבים בלמידה חישובית, לא אומר שזה הכלי הנכון לתיאוריית התודעה או החשיבה האבסטרקטית", אומר ד"ר מרקוס.

כדי להגיע להישגים רבים יותר בתחום הבינה המלאכותית, הוא אומר, "אנחנו צריכים לשאוב השראה מהטבע", לדברי מרקוס. פירושו של דבר הוא ליצור סוגים אחרים של רשתות נוירונים מלאכותיות, ובכמה מקרים להעניק להן ידע מולד מתוכנת מראש, כמו האינסטינקטים שעמם נולדים כל היצירים החיים.

חוקרים רבים מסכימים עם אמירה זו, ושוקדים על יצירת תוספות למערכות הלמידה העמוקה כדי לגבור על מגבלותיהן - כך מעיד גם דייויד דובנו, פרופסור ללמידה חישובית באוניברסיטת טורונטו. אחד מתחומי המחקר האינטנסיביים ביותר הוא המאמץ לברר כיצד ניתן ללמוד ממספר קטן בלבד של דוגמאות לתופעה מסוימת, במקום ממיליוני הדוגמאות שלהן זקוקות בדרך כלל מערכות הלמידה העמוקה. עם זאת, דובנו סבור כי "באופן עקרוני אנחנו לא חייבים לקחת דוגמה מהביולוגיה" כדי לדעת איך לבנות מערכות בינה מלאכותית עתידיות.

החוקרים מנסים גם להעניק לבינה המלאכותית את היכולת לבנות מודלים תודעתיים של העולם - משהו שאפילו תינוקות מסוגלים לעשות בסוף שנת חייהם הראשונה. מערכת למידה עמוקה שראתה מיליון אוטובוסי בית ספר עלולה להיכשל כשיציגו לה אוטובוס הפוך, אך מערכת למידה עמוקה שבה יוטמע מודל של מה שהופך אוטובוס לאוטובוס - גלגלים, תושבת צהובה, וכו' - תתקשה פחות בזיהוי אוטובוס הפוך.

בינה מלאכותית, החלטות אנושיות

זה טוב ויפה להוסיף סוגי בינה מלאכותית אחרים למערכת למידה עמוקה, אומר תומאס דיטריך, לשעבר נשיא האיגוד לקידום הבינה המלאכותית, אך חשוב לא לשכוח את הקסם של למידה עמוקה ולמידה חישובית בכלל.

"במחקר הלמידה החישובית היעד הוא לראות עד כמה יכולות מערכות מחשב ללמוד אך ורק מנתונים ומניסיון, בניגוד לידע שבונים מלכתחילה לתוך המערכות הללו", אומר דיטריך. הבעיה אינה שהידע שמוכנס מראש למערכת הבינה המלאכותית הוא רע, לדבריו, אלא שבני האדם אינם יודעים כל כך טוב איזה סוג של ידע צריך להכניס מראש למערכות האלה.

עד שנדע כיצד לבנות מערכות בינה מלאכותיות אינטליגנטיות וחזקות יותר, אומר ד"ר מרקוס, נצטרך לקודד לתוכן ידנית כמויות אדירות של ידע אנושי קיים. פירושו של דבר הוא שכמויות אדירות של "בינה" במערכות בינה מלאכותית כמו תוכנות נהיגה אוטונומית אינן מלאכותיות כלל. כיום חייבות יצרניות המכוניות האוטונומיות לאמן את המכוניות שלהן באמצעות צבירת כמה שיותר קילומטראז' של נסיעה, אך הפיכתן למערכות בעלות יכולת אמיתית עדיין דורשת הכנסה של כמות עצומה של חשיבה היסקית שמשקפת את ההחלטות של המהנדסים שבונים ובודקים אותן.