خلاقیت افزوده به اختراعات بشری سرعت می بخشد - وبلاگ ماریانا

به گزارش وبلاگ ماریانا به نقل از گروه علوم و فناوری های نوین پژوهشگاه فضای مجازی، پژوهشگران و متخصصان، اخیراً در بحث و تبادل نظر در خصوص علل کاهش سرعت ظهور و رشد ایده های بدیع و اختراعات تازه در جوامع نوین، به این نتیجه رسیده اند که هوش مصنوعی می تواند با ایجاد مفهومی موسوم به خلاقیت افزوده، این فرایند را بار دیگر، سرعت بخشد.

رابرت گوردون اقتصاددان، در سال 2012 مقاله بحث برانگیزی منتشر کرد که در آن اظهار نموده بود که رشد اقتصادی تا حد زیادی به انتها رسیده زیرا نتوانسته ایم در دهه های اخیر موتور نوآوری را روشن نگه داریم.

در مطالعه ای که در مؤسسه تحقیقاتی سیاست های اقتصادی در دانشگاه استنفورد صورت گرفته، با حمایت ضمنی از نظر رابرت گوردون، این استدلال ارائه شده است که اگرچه نسبت به قبل پول بیشتری برای خلاقیت و نوآوری خرج می کنیم، بازدهی ما نزدیک به صفر است. این سرمایه گذاری فقط در زمینه اقتصادی انجام نمی شود و همانطور که این تحقیق نشان می دهد امروزه نسبت به سال 1930 حدود 20 برابر، افراد بیشتری در زمینه تحقیق و توسعه فعالیت دارند. پس مشکل از کجاست؟ چرا اختراع کردن به این اندازه سخت شده است؟

پژوهشگران دانشگاه نورث وسترن سعی دارند در مقاله ای به این سوال پاسخ داده و نشان دهند درصد بالایی از اختراعات امروز در واقع بازترکیب است. 40 درصد از تمام اختراعاتی که در اداره ثبت اختراع و نشان تجاری ایالات متحده (USPTO) ثبت شده اند، اختراع جدیدی نیستند بلکه ترکیبی از ایده های موجود هستند که در کنار هم قرار گرفته اند

مرور و تحلیل ابتکارات با استفاده از هوش مصنوعی

پیدا کردن روش های مناسب برای ترکیب ایده های موجود به هیچ وجه کار آسانی نیست. یکی از دلایل این موضوع، حجم روزافزون مقالات جدیدی است که منتشر می شود. مثلاً طی چند ماه اول همه گیری کووید -19، حدود 23 هزار مقاله در خصوص این ویروس منتشر شد و این عدد هر 20 روز یکبار دو برابر می شود.

اعضای انجمن علوم داده Kaggle سعی دارند با همکاری هم از هوش مصنوعی برای مرور آثار پژوهشی و اختراعات استفاده نمایند تا بتوانند ادراکی نسبت به سیل اطلاعات جدید داشته باشند. نقاط داده از مجموعه کوچکی از مقالات انتخاب و به 17 دسته تقسیم شدند، سپس مقالات هر دسته فهرست شده است. ممکن است این رویکرد بی عیب ونقص نباشد اما دلیل این موضوع محدودیت های زمانی ناشی از همه گیری است.

پژوهشگران دانشگاه Carnegie Mellon روش دیگری را در پیش گرفتند: رویکردی مبتنی بر هوش مصنوعی برای جستجو در پایگاه های داده اختراعات و مقالات برای پیدا کردن ایده هایی که از قابلیت ترکیب و ایجاد راهکارهای جالب برای مسائل خاص برخوردار هستند. این سیستم برای یافتن ارتباط بین دو اثر از حوزه های ظاهراً متفاوت، از شباهت ها استفاده می نماید که به باور آن ها سرعت نوآوری را بیشتر نموده و هزینه آن را تا حد زیادی کاهش می دهد.

خلاقیت افزوده

در حال حاضر شاهد پیدایش موضوعی تحت عنوان خلاقیت افزوده هستیم که در قالب آن، انسان ها از هوش مصنوعی برای درک سیل اطلاعات موجود استفاده می نمایند. نمونه های اولیه، بر نقش مهم انسان ها در نتیجه گیری از پیشنهادات هوش مصنوعی تاکید می نمایند.

برای مثال تیم OpenAI سعی دارد با انتشار ابزار ساخت موسیقی به نام Jukebox، از این رویکرد استفاده کند. در واقع این ابزار یاری می نماید که با استفاده از الگوهای موجود به ایده های جدیدی از نت های موسیقی برسیم. با اینکه از نظر فناوری به دستاوردهای قابل توجهی می رسیم، نتایج به دست آمده تهدیدی برای آهنگ سازها به حساب نمی آید.

به عنوان مثالی دیگر پروژه های مختلفی کوشش نموده اند از هوش مصنوعی روی پایگاه های داده غذایی استفاده نمایند و به دستور غذاهای جدیدی برسند. مثلاً سارا رابینسون، پژوهشگر گوگل، اخیراً از سیستم خود رونمایی کرد که ترکیبی از کیک-کوکی درست نموده بود.

شبیه سازی هوشمندتر

بیشتر این روینمودها از مجموعه داده های بزرگی استفاده می نمایند که هوش مصنوعی در آن ها به دنبال ارتباط های قوی و استفاده نشده می شود. مدل های نسل بعد، با استفاده از شبکه های دشمن گونه معمول (GANs) و بدون دسترسی به اصول منطقی اساسی، ایده های جدیدی را ایجاد نمایند.

برای مثال، پژوهشگران شرکت Nvidia و دانشگاه تورنتو اخیراً یکی از این شبکه ها را به نمایش گذاشتند که با مشاهده بازی و نحوه تصمیم گیری بازیکن های انسانی آموزش دیده، بازی ها را شبیه سازی می نماید. این سیستم می توانست تنها با تماشای همزمان بازی ها و بدون احتیاج به دانستن منطق بازی، بهترین استراتژی های آن را یاد بگیرد.

پژوهشگران می گویند: علاوه بر این، GameGAN می تواند اجزای ثابت و پویای تصویر را از هم جدا نموده و رفتار آینده مدل را که به استدلال آشکار در زمینه اجزای پویا احتیاج دارد، بهتر و راحت تر تفسیر کند. این موضوع کارنمودهای جالب توجهی را به همراه می آورد، مثلاً جابه جا کردن اجزای بازی برای ایجاد بازی های جدیدی که وجود ندارند.

با اینکه مرحله ایده پردازی جذاب ترین قسمت اختراع به حساب می آید، ایده های زیادی کنار گذاشته می شوند و خاک می خورند. بر اساس برآوردها، 95 درصد از اختراع ها سلب مجوز می شوند یا هرگز به مرحله تجاری سازی نمی رسند در حالی که در برخی صنایع مانند تلویزیون و داروسازی که از تنوع بالایی برخوردارند، شکست خوردن عادی تلقی می شود و دور از انتظار نیست و حتی بهترین پروژه ها نیز گاهی کنار گذاشته می شوند.

بنابراین جای تعجب ندارد که از هوش مصنوعی بیشتر در مراحل آخر توسعه محصول استفاده می شود تا نرخ ایده هایی که به بازار راه پیدا می نمایند افزایش پیدا کند. برای مثال، پژوهشگران دانشگاه بریستول به استفاده از هوش مصنوعی در حوزه های مختلفی پس از ساخت فیلم، مانند شفاف سازی و رنگی کردن تصاویر، بهره جسته اند.

هوش مصنوعی هرگز جای مخترعان را نمی گیرد

به همین ترتیب، ردیابی چشم و کنترل حرکتی در فرایند پویانمایی رواج پیدا نموده و پیش بینی حرکات چشم در فرایندهای دیجیتال، از توسعه وب گرفته تا بازاریابی دیجیتال، بیش از پیش مورد استفاده قرار می گیرد. تحلیل ردیابی چشم با یاری هوش مصنوعی، به بازاریاب ها این امکان را می دهد که طی فرآیند ایجاد وبسایت یا تبلیغ، میزان دیده شدن عناصر را ارزیابی نمایند.

علیرغم ترس گسترده ای که از جایگزینی نیروی انسانی با هوش مصنوعی وجود دارد، این کاربردهای هوش مصنوعی هرگز جای مخترعان را نمی گیرد یا در فرایند اختراع آن ها اختلالی ایجاد نمی نماید بلکه به آن ها یاری می نماید در طرح خود تصمیم گیری های مؤثر و داده محوری انجام دهند.

بسیاری از این کاربردها نشان می دهند که هوش مصنوعی چه قدر می تواند در تکمیل کار انسان ها مؤثر باشد و آن ها را به اندازه کافی تقویت کند تا بتوانند از منطقه خطر که اغلب ایده های جدید را نابود می نماید جان سالم به در ببرند.

به عنوان مثال می توان به Cinelytic اشاره نمود که در لس آنجلس مستقر است و امکان تصمیم گیری مبتنی بر هوش مصنوعی را برای استودیوهای فیلم سازی فراهم می نماید تا به آن ها یاری کند درک نمایند که تصمیمات مختلف (از انتخاب ژانر فیلم تا ستاره ها) چگونه بر عملکرد آن در سود نهایی تأثیر می گذارد.

به همین ترتیب، سنجش هر ایده ای به یک تیم متخصص احتیاج دارد. پژوهشگران دانشگاه روچستر اخیراً به این موضوع پرداخته اند که چطور می توان از هوش مصنوعی استفاده کرد و در رابطه با افرادی که بهتر است با آن ها کار کنیم پیشنهادات هوشمندانه تری ارائه داد. آن ها به این ایده اشاره می نمایند که شبکه های اجتماعی معمولاً افراد را بر اساس شباهت ها به یکدیگر متصل می نمایند، در صورتی که بهترین نتایج زمانی حاصل می شود که افراد مکمل هم باشند نه مشابه هم.

هوش افزوده

پائول دائرتی و جیم ویلسون، رؤسای Accenture، عقیده دارند بهتر است به جای اصطلاح هوش مصنوعی از هوش افزوده استفاده کنیم زیرا بهترین نتایج وقتی به دست می آید که انسان و ماشین مکمل یکدیگر باشند. قانون کاسپاروف، مهم بودن قدرت در هر فعالیت خلاقانه را به ما یادآوری می نماید و هیچ حجمی از فناوری هوشمند نمی تواند ضعف انسانی را جبران کند.

وینستون چرچیل می گوید: همواره باید از بحران ها استفاده کرد، و از آنجا که نتوانستیم از بحران اقتصادی سال 2008 آنطور که باید بهره ببریم، این انگیزه اجتماعی وجود دارد که پس از همه گیری کووید -19 باید دنیا را به جای بهتری تبدیل کنیم. 30 سال قبل، مایکل همر به ما یادآوری کرد که فناوری زمانی بهتر جواب می دهد که به دنبال رسیدن به اسب های تندروتر نباشیم بلکه در خصوص ماهیت و چگونگی اشیا تجدیدنظر کنیم.

به این منظور، موتور اختراعات باید با حداکثر توان کار کند تا هم از خلاقیت جمعی خود استفاده کنیم و هم پروژه هایی را به کسانی که بیشتر از همه به آن احتیاج دارند ارائه دهیم. بر خلاف سال 2008، اکنون در عصری زندگی می کنیم که هوش مصنوعی می تواند واقعاً به ما یاری کند. همه گیری سختی های زیادی را به همراه داشته اما اگر بتوانیم همگی از نو آغاز کنیم و از فناوری برای رسیدن به جامعه ای بهتر استفاده کنیم، راحت تر می توانیم این دوران را پشت سر بگذاریم.