بازی رومیزی سیاهچالهها و اژدهایان
بث سینگلر
همه مرده بودند – هرچند این مساله را نمی‌شد از خنده‌هایی که به انتخاب‌های بد و بدبیاری‌هایشان می‌زدند تشخیص داد. من به عنوان یک انسان‌شناس اجتماعی به مطالعه‌ی نحوه‌ی درک افراد از هوش مصنوعی و تلاش‌های انسان برای دستیابی به آن می پردازم. همینطور همه‌ی عمر طرفدار بازی «سیاهچالهها و اژدهایان» بوده‌ام که یک بازی تخیلیِ خلاقانه در ژانر نقش‌آفرینی است. در یکی از کاوش‌ها – یا در اصطلاح این بازی‌ها، کوئست‌ها – که اخیرا انجام می‌دادم، هنگامی که نقش یک اِلفِ تکاور[۱] را داشتم، پالادین کارآموز[۲] (شوالیه مقدس) مطابق با شخصیت اصیل و اشراف‌زاده‌اش رفتار کرد و حضور ما را با صدای بلند در دهانه‌ی لانه‌‌‌ی اژدها اعلام کرد. نتیجه‌ی کار، فاجعه‌آمیز بود. اما هرچند موفقیت در بازی «سیاهچالهها و اژدهایان» به معنی «شکست دادن شخصیت بد» است. از آنجایی که بازی از نوع سندباکس[۳] خلاقانه است، شکست می‌تواند در آن نوعی توفیق دست جمعی تلقی شود البته مشروط بر این که داستان جذابی ساخته باشیم.
اما این ماجرا چه ربطی به هوش مصنوعی چیست؟ در علوم کامپیوتر، مدام از بازی‌ها به عنوان مرجعی برای «هوشمندیِ» یک الگوریتم استفاده می‌شود. رابرت ویلنسکیِ فقید، استاد دانشگاه برکلی کالیفرنیا و یکی از شخصیت‌های پیشرو در زمینه‌ی هوش مصنوعی، دلیلی برای این مسئله ارائه کرده است. او در مصاحبه‌ی خود به نویسندگان کتاب «فناوری غیرقابل‌گریز: رایانه‌ها به مثابه فرهنگ»[۴] (۱۹۸۵) می‌گوید که دانشمندان علوم رایانه «در اطراف خود به جست‌وجوی باهوش‌ترین افراد گشتند، که البته کسی نبود جز خودشان. همه‌ی آنان در اصل ریاضیدانان آموزش‌دیده بودند و ریاضیدانان دو کار می‌کنند: اثبات قضایای ریاضی و بازی شطرنج! پس گفتند اگر هوش مصنوعی بتواند قضایای ریاضی را حل کند یا شطرنج بازی کند، باهوش است.» تعجبی نیست که اثبات باهوش بودن هوش مصنوعی‌ها، به مهارت بازیگر مصنوعی (مجازی) در مبارزه معطوف شده است.
ریاضیدانان دو کار می‌کنند: اثبات قضایای ریاضی و بازی شطرنج! پس دانشمندان علوم رایانه که خود ریاضی‌دان هستند گفتند اگر هوش مصنوعی بتواند قضایای ریاضی را حل کند یا شطرنج بازی کند، باهوش است
با این همه، بازی‌هایی که به منظور توسعه‌ی هوش مصنوعی انتخاب می‌شوند – همچون «گو» که در سال‌های اخیر کارزار اصلیِ الگوریتم‌های شرکت گوگل دیپ‌مایند[۵] بوده – عموما دارای فضایی بسیار محدود، همراه با اهداف مشخص و راه‌های مشخص برای رسیدن به پیروزی یا شکست هستند. در هیچکدام از این بازی‌ها نمی‌توان تجارب بازی نامحدود و بی‌کران «سیاهچالهها و اژدهایان» را احساس کرد. این مساله مرا به این فکر واداشت که شاید به آزمون جدیدی نیاز داریم که در آن هدف، نه صرفا موفقیت، بلکه قصه‌گویی باشد. مثلا در چه صورتی می‌توانیم بگوییم در بازی سیاهچالهها و اژدهایان هوش مصنوعی از انسان پیشی گرفته است؟ شاید به جای آزمون تورینگ[۶] نیاز به یک آزمون اِلف تکاور داشته باشیم!
شاید به آزمون (بازی) جدیدی نیاز داریم که در آن هدف علاوه‌بر موفقیت، قصه‌گویی هم باشد. در چه صورتی می‌توان گفت هوش مصنوعی در بازی سیاهچالهها و اژدهایان از انسان پیشی گرفته است؟ آزمون اِلف تکاور به جای آزمون تورینگ!
بازی سیاهچالهها و اژدهایان
البته این تنها یک بازیِ ذهنی است اما می‌تواند ایرادهای برخی از مدل‌های هوش مصنوعی را آشکار کند: اول این‌که هوش مصنوعی چگونه باید در محیط‌هایی متنوع عمل کند؟ فردی که «سیاهچالهها و اژدهایان» را بازی میکند، می‌تواند شخصیت‌های مختلفی را در بازی‌های مختلفی قرار دهد و بازی‌کننده قادر است نقش‌های خود را در طول بازی، پیوسته تغییر دهد (نقش‌هایی همچون مبارزه‌گر، دزد، یا درمانگر). در عین حال محققان حوزه‌ی هوش مصنوعی می‌دانند که فوق‌العاده مشکل است که یک الگوریتم را که به خوبی برای یک عملکرد تنظیم شده، برای عملکردی که حتی اندکی تفاوت دارد، به کار گیرند. در حالی که به طور شگفتی‌آوری، ما انسان‌ها این کار را به خوبی انجام می‌دهیم.
دوم این‌که بازی «سیاهچالهها و اژدهایان» به ما یادآوری میکند که هوش، دارای ماهیت فیزیکی است. در بازی‌های کامپیوتری، بُعدِ فیزیکی «تجربه‌ی بازی» می‌تواند طیف گسترده‌ای از حالت‌ها را پیدا کند. مثلا ممکن است به شکل فشار دادن تعدادی دکمه روی دسته‌ی بازی برای جابه‌جا کردن یک تصویر یا آواتار (مثل راکت پینگ پنگ؛ یک سفینه‌ی فضایی؛ یا یک کله‌ی گردِ زرد رنگ سیری‌ناپذیر[۷]) باشد. همچنین بُعد فیزیکی بازی ممکن است به شکل ابزار بازی‌های جدید و فراگیر واقعیت مجازی مانند عینک و دستکش‌های لمسی[۸] باشد. حتی بدون این افزونه‌های فیزیکی، بازی‌ها قادرند واکنش‌های زیستی مرتبط با استرس و ترس را در بازیگر ایجاد کنند (اگر آدم فضایی: انزوا[۹] را بازی کرده باشید، این را تجربه کرده‌اید). در نسخه‌ی اصلی «سیاهچالهها و اژدهایان»، بازیگران در حالی با بازی مواجه می‌شوند که دور یک میز نشسته‌اند و داستان و اثر آن را احساس می‌کنند. یک پژوهش جدید در «علوم شناختی» نشان می‌دهد که تعاملات فیزیکی در چگونگیِ درک ما از مفاهیم ذهنیِ انتزاعی، نقش تعیین کننده‌ای دارند. با این حال، ما به جسم بخشیدن به عوامل مصنوعی و این‌که چطور این امر می‌تواند بر نحوه‌ی یادگیری و پردازش اطلاعات توسط آنها اثر بگذارد، کمتر توجه می‌کنیم.
با سیاهچالهها و اژدهایان ایرادهای برخی از هوش مصنوعی‌ها را آشکار می‌شود: اول این‌که هوش مصنوعی چگونه باید در محیط‌هایی متنوع عمل کند؟ دوم این‌که آیا هوش مصنوعی می‌تواند ماهیت فیزیکی و اجتماعی به خود بگیرد؟
و در نهایت، هوش امری اجتماعی است. الگوریتم‌های هوش مصنوعی عمدتا طی چند دوره‌ی رقابت، یاد می‌گیرند و طی این رقابت‌ها راهبردهای موفق از طریق پاداش‌دهی تقویت می شوند[۱۰]. این هم یک حقیقت است که انسان‌ها نیز دچار چنین تحولی شده و با تکرار، تقویت و پاداش می‌آموزند. اما یک بُعد مهمِ تعاملی وجود دارد که هوش انسانی را متفاوت می‌سازد. در دهه ۱۹۳۰، روان‌شناسی به نام لو ویگوتسکی[۱۱]، تعامل میان یک فرد حرفه‌ای و یک فرد مبتدی را به عنوان نمونه‌ای از آنچه با عنوان یادگیری «تکیه‌گاه سازی شده»[۱۲] می‌شناسیم، توصیف کرد. در این نوع یادگیری ابتدا آموزنده مهارتی را به یادگیرنده نشان می‌دهد و سپس به او کمک میکند که خودش آن را بیاموزد. در بازی‌های دارای فضای نامحدود، این نوع همکاری از طریق ساختار روایی انتقال می‌یابد. بازی‌هایی از این دست در میان کودکان خردسال می‌توانند ابتدا با بازی ساده‌ی برد و باخت آغاز شوند و به حمله‌ی هیولاهای وحشتناک برسند و دوباره به داستان‌های پیچیده‌تری برسند که توضیح می‌دهند چرا هیولاها حمله می‌کنند؟ قهرمان کیست و آنان چه کاری می‌توانند انجام دهند و چرا؟ این روایت‌ها همیشه منطقی نیستند و الزاما سازگاریِ درونی ندارند. نوعی از هوش مصنوعی که بتواند در قصه‌گویی اجتماعی مشارکت داشته باشد، نسبت‌به هوشی که می‌تواند شطرنج بازی کند، بدون شک بر یک مبنای مطمئن‌تر و چندکارکردی‌تر[۱۳] استوار است. هیچ تضمینی وجود ندارد که شطرنج حتی در مسیر دستیابی به چنین هوشی باشد.
اگر هوش مصنوعی بتواند در قصه‌گویی اجتماعی مشارکت کند، نسبت‌به هوشی که می‌تواند شطرنج بازی کند، بر مبنایی مطمئن‌تر و چندکارکردی‌تر استوار است
از برخی جهات، عجیب است که به نقش‌آفرینی به عنوان یک مشکل فنی در راهِ رسیدن به هوش [مصنوعی] دقت نمی‌شود. کیتی هفنر[۱۴] و متیو لیون[۱۵] در کتاب «آنجا که جادوگران تا دیروقت بیدار می‌مانند: خواستگاه اینترنت»[۱۶] می‌گویند: «سیاهچالهها و اژدهایان» نقطه‌ی عطف فرهنگی برای فناوری‌های دهه‌ی ۱۹۸۰ و الهام بخش بسیاری از بازی‌های کامپیوتریِ متن بنیان[۱۷] بود. حتی امروزه، محققان حوزه‌ی هوش مصنوعی که در اوقات فراغت خود بازی می‌کنند، به طور خاص به بازی «سیاهچالهها و اژدهایان» اشاره می‌کنند. بنابراین اگر به جای کشتن دشمنان در بازی، به ساخته‌های هوشمندمان بیاموزیم که مانند ما با هم بازی کنند (مثل پالادین‌ها و اِلف‌های تکاور) شاید بتوانیم بیشتر در مورد هوش مصنوعی بیاموزیم.
پی‌نوشت:
[۱] Elf ranger
[۲] Trainee Paladin: اشاره دارد به هریک از ۱۲ دلیری که همیار شارلمان بودند؛ به کنایه مقصود از آن شخص دلیر یا قهرمان است. (مترجم)
[۳] سندباکس نوعی از بازی است که در آن محدودیت‌های کمی بر روی شخصیت‌های بازی قرار می‌گیرد به طوری که بازیگر می‌تواند به میل شخصی، در قالب شخصیت‌های متنوعی در دنیای مجازی درآید. بر خلاف بازی‌هایی که در آنها یک شخصیت خاص مرحله به مرحله پیشروی میکند، در سبک سندباکس «پرسه زنی» محور بازی است.
[۴] Compulsive Technology: Computers as Culture
[۵] Google DeepMind
[۶] Turing Test: آزمون تورینگ توسط آلن تورینگ در سال ۱۹۵۰ طراحی شد که طی آن توانایی یک ماشین از لحاظ میزان شباهت هوشی که می‌تواند از خود نشان دهد با هوش انسان آزمون می‌گردد.
[۷] احتمالا اشاره‌ی نویسنده به پک من یا بازی خط خور است (مترجم)
[۸] Haptic gloves
[۹] Alien: Isolation
[۱۰] Reinforcement: در روان‌شناسی به هر رویدادی که به دنبال پاسخدهی بیاید و سپس احتمال وقوع پاسخ (نرخ پاسخ) را افزایش دهد، گویند؛ دو نوع تقویت وجود دارد، تقویت مثبت و تقویت منفی تقویت مثبت. تقویت منفی به نوعی تحریک پاسخدهی گفته می‌شود که در نتیجه‌ی عملی منفی رخ می‌دهد و فرد پاسخ دهنده صرفا با هدف از بین بردن یک رویداد آزارنده، مجبور به پاسخدهی مقتضی می‌گردد؛ مانند کودکی که برای قطع غرغر والدین اتاقش را جمع میکند.
[۱۱] Lev Vygotsky
[۱۲] Scaffold learning: در حوزه‌ی آموزش، تکیه‌گاه سازی به فرآیندی اطلاق می‌گردد که طی آن آموزگاران ابتدا نحوه‌ی حل یک مساله را برای دانش‌آموزان مدل‌سازی می‌کنند یا به آنان نمایش می‌دهند و سپس قدم عقب نهاده و تنها در صورت نیاز به دانش‌آموزان کمک می‌کنند. این لفظ اول بار توسط جروم برونر، روانشناس، در دهه ۱۹۶۰ استفاده شد. معادل تکیه‌گاه‌سازی از مقاله نگاشته شده توسط مریم پورجمشیدی تحت عنوان «تکیه‌گاه‌سازی آموزشی و تاثیر آن بر یادگیری زبان فارسی» برداشته شده است.
[۱۳] Multifunctional
[۱۴]Katie Hafner
[۱۵] Matthew Lyon
[۱۶] Where Wizards Stay up Late: The Origins of The Internet
[۱۷] Text-based games: بازی‌های متن پایه یا متن بنیان به بازی‌هایی گفته می‌شود که به جای تصاویر و بردارهای گرافیکی از کاراکترهای متنی استفاده می‌کنند. این نوع بازی‌ها در در دهه ۱۹۸۰ محبوب بودند.
۲۹ شهریور, ۱۳۹۷