آیا “هوش مصنوعی” قوانین جدید فیزیک را کشف خواهد کرد؟

 بیگ بنگ: الگوریتم‌ها اکنون می‌توانند داده‌های اخترفیزیکی را با دقت و موشکافی فراوان بررسی کنند تا معادلات بنیادینِ نهفته در آن‌ها را شناسایی کنند. آیا هوش مصنوعی روزی خواهد توانست قوانین جدیدی از فیزیک را کشف کند؟ توماس لوتون این پرسش را مطرح می‌کند.

به گزارش بیگ بنگ، “استیون هاوکینگ” در سخنرانی خود در دانشگاه کمبریج در سال ۱۹۸۰، به امکان وجود «نظریه‌ای برای همه‌چیز» پرداخت؛ نظریه‌ای که بتواند نسبیت عام و مکانیک کوانتومی ــ دو توصیف اصلی ما از واقعیت ــ را در قالب یک معادله‌ی واحد، منسجم و فراگیر به هم پیوند دهد. او معتقد بود که برای رسیدن به چنین هدفی به کمک کامپیوترها نیاز خواهیم داشت. سپس پیش‌بینی جسورانه‌ای دربارۀ توانایی‌های رو به رشد این ماشین‌ها مطرح کرد: «شاید پایان راه برای فیزیک نظری هنوز در چشم‌انداز نباشد، اما ممکن است پایان راه برای فیزیک‌دانان نظری در چشم‌انداز باشد.»

از آن زمان تاکنون، هوش مصنوعی پیشرفت‌های چشمگیری داشته، اما فیزیک‌دانان در به‌کارگیری آن برای جست‌وجوی قوانین تازه و بنیادی‌تر طبیعت، کند عمل کرده‌اند. دلیل این موضوع آن نیست که می‌ترسند شغل خود را از دست بدهند. در واقع، احتمالاً هاوکینگ این سخن را با لحنی طنزآمیز بیان کرده بود. مسئله این است که الگوریتم‌های یادگیری عمیقِ زیربنای سامانه‌های هوش مصنوعی، معمولاً پاسخ‌هایی ارائه می‌کنند که بیشتر به “چه مقدار” مربوط می‌شوند تا “چرا”. بنابراین، برای یک نظریه‌پرداز، سودمندی آن‌ها تقریباً به اندازه این است که در پاسخ به پرسش از زندگی، جهان و همه‌چیز فقط عدد ۴۲ را بگویند.

اما اکنون راهی یافته‌ایم تا الگوریتم‌های یادگیری عمیق را وادار کنیم به زبان فیزیک‌دانان سخن بگویند. می‌توانیم از توانایی هوش مصنوعی در کاوش مجموعه‌داده‌های عظیم برای یافتن الگوهای پنهان و استخراج نتایج معنادار ــ یعنی معادلات ــ بهره بگیریم. استیو برانتون از دانشگاه واشینگتن در سیاتل می‌گوید: «ما اکنون وارد مرحله‌ی کشف شده‌ایم.»

البته این به آن معنا نیست که پیش‌بینی هاوکینگ درست از آب درآمده است. فیزیک‌دانان نظری نه‌تنها در آستانه‌ی انقراض نیستند، بلکه شاید همکاران حد اعلای خود را پیدا کرده باشند. چالش امروز آن‌ها این است که تشخیص دهند کدام جنبه‌های شیوه‌ی اندیشیدن و روش کار یک نظریه‌پرداز انسانی باید در همتایان ماشینی نیز گنجانده شود تا آن‌ها نیز مانند ما در همان بن‌بست‌ها گرفتار نشوند.

آزمون و خطا

علم داده‌محور از قرن شانزدهم و با رصدهای دقیق و موشکافانه‌ی ستاره‌شناس هلندی، “تیکو براهه” دربارۀ حرکت سیارات و ستارگان آغاز شد. “یوهانس کپلر” با بررسی دقیق دفترهای یادداشت براهه، الگوهای نهفته در داده‌ها را تشخیص داد و بر پایه‌ی آن‌ها سه قانون ساده را برای توصیف حرکت سیارات ارائه کرد؛ قوانینی که جایگاه خورشید را در مرکز جهانِ شناخته‌شده‌ی آن زمان نیز تأیید می‌کردند.

روش کپلر بر پایه‌ی آزمون و خطا بود. او با صرف تلاش فراوان، شکل‌های بی‌شماری از مدارها را بررسی کرد تا دریابد کدام‌یک بهترین توصیف را از منظومه‌ی خورشیدی ارائه می‌دهد. سرانجام، او به هماهنگی دقیق ریاضی میان مسیر حرکت سیارات و زمانی که برای گردش به دور خورشید نیاز داشتند دست یافت. این دستاورد، پیروزی بزرگی بود که معادلات ریاضی را در بطن درک ما از جهان قرار داد؛ جایگاهی که این معادلات تا امروز نیز  آن را حفظ کرده‌اند.

«کتاب بزرگ طبیعت به زبان ریاضیات نوشته شده است.» این جمله را “گالیلئو گالیله” هم‌عصر کپلر و از دیگر طرفداران نظریه‌ی خورشیدمرکزی، نوشته بود. امروزه هنوز این پرسش بی‌پاسخ مانده است که آیا جهان ذاتاً ماهیتی ریاضی دارد، یا اینکه الگوهای ریاضی صرفاً چیزی هستند که ما بر آن تحمیل می‌کنیم. اما با توجه به موفقیت‌های شگفت‌انگیز ریاضیات در توصیف آنچه به نظر می‌رسد حقیقت‌های انتزاعی باشند، آن هم با استفاده از معادلاتی ساده، منطقی است که فیزیک‌دانان امروزی بکوشند هوش مصنوعی را نیز به انجام کاری مشابه آموزش دهند.

این ایده، مبنای روشی به نام رگرسیون نمادین (Symbolic Regression) بود؛ روشی که نخستین‌بار در دهه‌ی۱۹۷۰ توسط پاتریک لنگلی، که آن زمان در دانشگاه کارنگی ملون پنسیلوانیا فعالیت می‌کرد، توسعه یافت و بعدها پژوهشگرانی از جمله هود لیپسون و مایکل اشمیت، که آن زمان در دانشگاه کرنل نیویورک بودند، آن را دوباره احیا و تکمیل کردند. این روش با بررسی نظام‌مند معادلاتی کار می‌کند که شامل نمادها یا عملگرهای مختلف ریاضی، مانند جمع و ضرب، و نیز ترکیب‌هایی از متغیرهای فیزیکی، مانند مکان یا سرعت، هستند.

اگر یکی از این معادلات با داده‌ها ــ برای مثال داده‌های حاصل از رصد مسیر مداری یک سیاره ــ تطابق خوبی داشته باشد، به آن “پاداش” داده می‌شود و سپس با ایجاد تغییراتی در آن، مثلاً جایگزین کردن علامت جمع با علامت تفریق، دچار جهش می‌شود. پس از آن، عبارت جدید آزموده شده و با نسخه‌ی قبلی خود مقایسه شده و این روند بارها تکرار می‌شود.

به این ترتیب، معادلات ضعیف‌تر به‌تدریج حذف می‌شوند؛ فرآیندی که شباهت زیادی به انتخاب طبیعی دارد. شرلی هو از مؤسسه‌ی فلت‌آیرون در نیویورک می‌گوید: «این شبکه می‌تواند بدون دخالت ما، قانون را به‌تنهایی کشف کند.»

اما مشکل اینجاست که رگرسیون نمادین در یافتن معادلات در مجموعه‌داده‌های با ابعاد بیشتر (Higher-dimensional)  با دشواری روبه‌رو می‌شود؛ یعنی مجموعه‌داده‌هایی که شامل تعداد زیادی متغیر فیزیکیِ ممکن هستند. چنین داده‌هایی امروزه بخش عمده‌ی کار بسیاری از فیزیک‌دانان را تشکیل می‌دهند. برای مثال، اخترفیزیک‌دانان و کیهان‌شناسان اکنون با سیلی از داده‌های حاصل از تلسکوپ‌های نیرومند جدید، مانند تلسکوپ فضایی جیمز وب و رصدخانه‌ی فضایی گایا متعلق به آژانس فضایی اروپا، روبه‌رو هستند. این موضوع برای رگرسیون نمادین یک مشکل اساسی ایجاد می‌کند، زیرا هرچه تعداد متغیرها بیشتر باشد، تعداد معادلات احتمالی‌ای که الگوریتم باید بررسی کند به‌صورت انفجاری افزایش می‌یابد؛ تا جایی که حتی قدرتمندترین کامپیوترهای امروزی نیز از عهده‌ی آن برنمی‌آیند.

الگوریتم‌های یادگیری عمیق به‌راحتی از پسِ تحلیل مجموعه‌داده‌های عظیم برمی‌آیند. به همین دلیل بود که چند سال پیش، مایلز کرنمر از دانشگاه پرینستون، با همکاری شرلی هو، تلاش کرد نقاط قوت هر دو روش را با یکدیگر ترکیب کند؛ یعنی توانایی یادگیری عمیق در یافتن الگوها و خروجی‌های قابل‌تفسیرِ رگرسیون نمادین.

آن‌ها یک شبکه‌ی عصبیِ یادگیری عمیق را با داده‌های واقعی ناسا درباره‌ی سیارات و قمرهای در حال گردش در منظومه‌ی خورشیدی آموزش دادند؛ همان نوع داده‌هایی که کپلر نیز اگر امروز در قید حیات بود با آن‌ها کار می‌کرد. پس از آنکه شبکه‌ی عصبی الگوهای موجود در داده‌ها را آموخت، فرایند آموزش آن متوقف شد و پارامترهایش ثابت ماند.

سپس مجموعه‌ای از اعداد به شبکه داده شد و خروجی‌های آن، مجموعه‌داده‌ی جدیدی را تشکیل داد که این الگوها را بازتاب می‌داد و برای رگرسیون نمادین مناسب بود؛ به‌گونه‌ای که این روش توانست معادلاتی را پیدا کند که با داده‌ها سازگار بودند. همان‌گونه که انتظار می‌رفت، الگوریتم رگرسیون نمادین پژوهشگران، موسوم به  PySR، تنها با استفاده از داده‌های خام، قانون گرانش ایزاک نیوتن را بار دیگر «کشف» کرد.

اما این تنها اثباتی برای درستی ایده بود. اکنون که PySR بر انبوه داده‌های جدید اخترفیزیکی توسط کرنمر و بسیاری از پژوهشگران دیگر به کار گرفته شده است، از آن برای کشف معادلاتی استفاده می‌شود که ویژگی‌های گوناگون و به‌هم‌پیوسته‌ی کیهان را توصیف می‌کنند. از تعیین جرم سیاه‌چاله‌ها بر اساس آشکارسازی امواج گرانشی گرفته تا بررسی ویژگی‌های حفره‌های کیهانی، رگرسیون نمادین به‌ناگاه راه‌های تازه‌ای را برای یافتن نظم ریاضی در جهان در اختیار اخترفیزیک‌دانان قرار داده است.

“استیو برانتون” که در سال ۲۰۱۶ یکی دیگر از الگوریتم‌های مشهور رگرسیون نمادین به نام SINDy را توسعه داد، می‌گوید: «این روش‌ها واقعاً تنها بر پایه‌ی داده‌ها، به کشفیات کاملاً جدید منجر می‌شوند. این کاری حقیقتاً زیباست.»

به درون حفره‌های کیهانی

برای نمونه، ماده‌ی تاریک را در نظر بگیرید؛ منشأ مرموز گرانشی که مانع از متلاشی شدن کهکشان‌ها می‌شود و حدود ۸۰ درصد از کل ماده‌ی موجود در جهان را تشکیل می‌دهد. در کیهان‌شناسی، نواحی‌ای که ماده‌ی تاریک در آن‌ها وجود ندارد یا بسیار اندک است، حفره‌ی کیهانی (Void) نامیده می‌شوند و توزیع و ویژگی‌های این حفره‌ها می‌تواند با ثابت‌های بنیادی در مقیاس کل جهان ارتباط داشته باشد.

اما یافتن معادلاتی که این ارتباط را توصیف کنند دشوار است، زیرا تعداد حفره‌های کیهانی بسیار زیاد است و هر یک به شکلی متفاوت توصیف می‌شود؛ در نتیجه، تعداد متغیرها نیز بسیار زیاد خواهد بود. در ماه مه سال ۲۰۲۱، کرنمر به همراه شرلی هو و دیگر همکارانش، یادگیری عمیق را در کنار PySR به کار گرفت تا رابطه‌ی جدیدی میان اندازه و شکل حفره‌های کیهانی و کسری از کل انرژی جهان که به صورت جرم وجود دارد کشف کند.

سپس، در مارس ۲۰۲۲، هلن شائو از دانشگاه پرینستون و همکارانش از PySR برای کشف معادله‌ای استفاده کردند که می‌توانست جرم یک زیرهاله (Subhalo) ــ توده‌ای از ماده‌ی تاریک ــ را از روی ویژگی‌های دیگر، مانند سرعت شکل‌گیری ستارگان در کهکشان‌ها، پیش‌بینی کند. شگفت‌آور اینکه این معادله تقریباً برای همه‌ی کهکشان‌ها در سراسر تاریخ جهان با دقت بالایی عمل می‌کرد.

“فرانسیسکو ویاسکوسا-ناوارو” از بنیاد سیمونز در نیویورک، که یکی از نویسندگان این پژوهش بود، می‌گوید: «نتیجه واقعاً خیره‌کننده بود. احتمالاً دلیلش این است که شبکه‌ی عصبی به روابطی واقعاً بنیادی دست یافته است.»
روابط بنیادی دقیقاً همان چیزی هستند که فیزیک‌دانان به دنبال آن‌اند، زیرا تعمیم‌پذیر (generalisable) هستند؛ یعنی نه‌تنها داده‌هایی را که رابطه از آن‌ها استخراج شده توصیف می‌کنند، بلکه برای سامانه‌های فیزیکی متفاوت و حتی غیرمعمول نیز کاربرد دارند. همین ویژگی، یکی از نشانه‌های اصلی فهم عمیق علمی است.

برای مثال، قانون دوم مشهور نیوتن در مورد حرکت، که بیان می‌کند نیروی وارد بر یک جسم برابر است با جرم آن ضرب‌در شتابش، همان‌قدر که برای سقوط یک سیب معتبر است، برای فرود آوردن یک موشک روی ماه نیز صادق است.

برنامه‌های رگرسیون نمادین معمولاً معادلاتی تولید می‌کنند که نسبت به شبکه‌های عصبی یادگیری عمیق، هنگامی که به‌تنهایی به کار گرفته می‌شوند، تعمیم‌پذیری بیشتری دارند. شبکه‌های عصبی اغلب زمانی که با شرایطی خارج از محدوده‌ی داده‌های آموزشی خود روبه‌رو می‌شوند، نتایجی بی‌معنا تولید می‌کنند. شائو می‌گوید: «این برنامه‌ها گرفتار آن گرایش به تمرکز بیش از حد بر جزئیات ریز یک مجموعه‌داده‌ی خاص نمی‌شوند.»

با این حال، تمام موفقیت‌های PySR تا امروز بر پایه‌ی معادلات تجربی بوده است. به بیان دیگر، این معادلات توصیفی هستند و در بازتولید داده‌های آزمایشگاهی یا رصدی عملکرد بسیار خوبی دارند، اما مستقیماً توضیح نظری یا پاسخ به «چرایی» عمیق پدیده‌ها را ــ همان چیزی که فیزیک‌دانان در جست‌وجوی آن هستند ــ ارائه نمی‌کنند. برای مثال، قوانین کپلر نیز معادلاتی تجربی هستند. این قوانین با حجم عظیم داده‌های رصدی تیکو براهه به شکلی شگفت‌انگیز سازگار بودند، اما خود کپلر نمی‌دانست چرا چنین است. تنها بعدها، هنگامی که نیوتن درباره‌ی ماهیت گرانش اندیشید، این قوانین در قالب قانون گرانش نیوتن توضیح نظری پیدا کردند.

ما می‌دانیم که برازش نمادهای ریاضی بر داده‌ها تنها راه فهم جهان نیست. آلبرت اینشتین از طریق مجموعه‌ای از آزمایش‌های ذهنی خلاقانه به نظریه‌ی نسبیت عام رسید؛ نظریه‌ای که دیدگاه نیوتن را کنار گذاشت و بیان کرد که گرانش نتیجه‌ی خمیده شدن فضا-زمان به وسیله‌ی جرم است. مشاهده‌هایی مانند حرکت غیرعادی سیاره‌ی عطارد در آسمان شب، بعدها تنها نقش تأییدکننده‌ی نسبیت عام را داشتند، نه اینکه خود الهام‌بخش شکل‌گیری آن باشند.

به همین ترتیب، در مکانیک کوانتومی نیز معادله‌ای تجربی به نام قانون پلانک ــ که تابش گسیل‌شده از اجسام را توصیف می‌کند ــ سرآغاز دستیابی به بینش‌های عمیق‌تر درباره‌ی جهان میکروسکوپی شد. “کرنمر و هو” معادلات تجربی را نه حقیقت نهایی، بلکه بیشتر سنگ‌پله‌ای برای رسیدن به حقیقت‌های عمیق‌تر می‌دانند. آن‌ها حتی در به‌کار بردن واژه‌ی “کشف” برای این معادلات جدید نیز تردید دارند.

“کرنمر” می‌گوید: «ما قطعاً هنوز به آن مرحله نرسیده‌ایم.» با این حال، او معتقد است که ترکیب رگرسیون نمادین و یادگیری عمیق می‌تواند طی یک دهه‌ی آینده به کشف‌های علمی بزرگی منجر شود؛ از جمله اینکه ماده‌ی تاریک چیست، یا حتی اینکه آیا اساساً ماده‌ی تاریک واقعاً وجود دارد یا نه.

“هو” می‌گوید ایده‌ی اصلی این است که این عبارت‌ها یا معادلات نمادین، مسیر پژوهش را به فیزیک‌دانان نشان دهند و به آن‌ها کمک کنند جهش‌های بزرگ‌تری در فهم طبیعت انجام دهند. “کرنمر” نیز می‌گوید: «وقتی بتوانید مدل یادگیری عمیق خود را به این زبان بیان کنید، بلافاصله می‌توانید ارتباط آن را با نظریه‌های موجود ببینید.» او تأکید می‌کند که ــ دست‌کم در حال حاضر ــ دانشمندان همچنان نقشی اساسی دارند؛ زیرا باید این معادلات را مطالعه کنند، ساختار آن‌ها را بفهمند و دریابند که چگونه به یکدیگر و به کل چارچوب فیزیک مرتبط می‌شوند.

“پابلو لموس” از دانشگاه مونترآل کانادا، که در پژوهش مربوط به بازکشف قانون گرانش نیوتن مشارکت داشت، معتقد است رگرسیون نمادین به‌زودی می‌تواند در بحث‌های مربوط به ماهیت ماده‌ی تاریک و همچنین انرژی تاریک ــ پدیده‌ی مرموز دیگری که تصور می‌شود عامل انبساط جهان باشد ــ نقش مهمی ایفا کند. او می‌گوید: «ما آشکارا تا حدی در بن‌بست قرار گرفته‌ایم. شاید این روش بتواند روشن کند که هنگام بررسی داده‌ها، باید از چه زاویه‌ای به آن‌ها نگاه کنیم.»

کرنمر و دیگر پژوهشگران از هم‌اکنون به این فکر افتاده‌اند که چگونه می‌توان هوش‌های مصنوعی‌ای ساخت که خودشان قادر به کشف قوانین بنیادی طبیعت باشند. یکی از راهبردها این است که هنجارها و شیوه‌های فکری رایج در میان فیزیک‌دانان را در این سامانه‌ها نهادینه کنند. یکی از ویژگی‌هایی که از هم‌اکنون در PySR و دیگر برنامه‌های رگرسیون نمادین گنجانده شده، گرایش به سادگی است؛ اصلی که قرن‌ها با نام تیغ اوکام شناخته می‌شود و بر حذف توضیح‌های بی‌دلیل پیچیده، یا در مورد معادلات، حذف نمادهای اضافی و غیرضروری تأکید دارد.

در رگرسیون نمادین، معمولاً باید میان دقت و سادگی نوعی مصالحه برقرار کرد. اگر معادلاتی که با این روش به دست می‌آورید بسیار پیچیده باشند، اغلب می‌توانند داده‌های موجود را با دقت بیشتری منطبق کنند، زیرا پارامترهای بیشتری برای تنظیم آن‌ها در اختیار دارید. اما این پدیده بیش‌برازش(Overfitting)  نام دارد و خطر آن را افزایش می‌دهد که عبارت ریاضی به‌دست‌آمده در خارج از مجموعه‌داده‌ای که با آن آموزش دیده، دقت خود را از دست بدهد. به بیان دیگر، چنین معادله‌ای تعمیم‌پذیر نخواهد بود.

در مقابل، برانتون می‌گوید: «در مورد عبارت‌های ساده‌تر، احتمال بسیار بیشتری وجود دارد که واقعاً سازوکار بنیادی پدیده را به دام انداخته باشید.» کرنمر نیز گمان می‌کند همین مصالحه میان سادگی و دقت سبب شده است که PySR هنگام تحلیل داده‌های مداری ناسا، به جای معادلات نسبیت عام اینشتین، به قانون گرانش نیوتن برسد.

تقارن نیز، آن‌گونه که فیزیک‌دانان تعریف می‌کنند، یکی دیگر از چراغ‌های راهنمای جست‌وجوی قوانین جهان‌شمول طبیعت است. تقارن به این معناست که بتوان چیزی را دگرگون کرد، اما در نهایت دوباره به همان وضعیت اولیه بازگشت. هم‌اکنون نیز هوش‌های مصنوعی‌ای وجود دارند که می‌توانند مسائل فیزیکی را به شکلی متقارن‌تر صورت‌بندی کنند. اکنون برانتون، به همراه جی. ناتان کوتز از دانشگاه واشینگتن، شناخت انواع گوناگون تقارن را در برنامه SINDy خود «نهادینه» کرده‌اند؛ برنامه‌ای که معادلاتی را استخراج می‌کند تا رفتار پیچیده‌ی سیال‌های در حال جریان را توصیف کنند.

“برانتون” می‌گوید: «تقریباً همیشه با داده‌های کمتر، مدل‌های بهتری به دست می‌آورید؛ مدل‌هایی که هم دقیق‌تر هستند و هم نویز بیشتری را تحمل می‌کنند.» سپس نوبت به مفهوم «زیبایی» یا «ظرافت» ریاضی می‌رسد؛ مفهومی که تعریف دقیق آن دشوار است، اما بسیاری از فیزیک‌دانان هنگام توسعه‌ی نظریه‌های جدید همچنان در پی آن هستند. این احتمال وجود دارد که همه‌ی این روش‌ها و ایده‌ها نیز در هوش‌های مصنوعیِ جست‌وجوگرِ معادلات جدید گنجانده شوند.

اما “جسی تالر” از مؤسسه‌ی فناوری ماساچوست (MIT) یادآور می‌شود که هرچند شهودهای ما درباره‌ی واقعیت در گذشته بسیار سودمند بوده‌اند، گاهی نیز ما را به بیراهه کشانده‌اند. در نتیجه، جسی تالر هشدار می‌دهد که اگر بیش از حد تلاش کنیم هوش‌های مصنوعی را شبیه انسان کنیم، ممکن است بزرگ‌ترین مزیت انقلابی آن‌ها را از دست بدهیم؛ یعنی توانایی ارائه‌ی نگاهی کاملاً تازه به مسائل.

“پابلو لموس” نیز دیدگاهی مشابه دارد. او می‌گوید: «نباید بیش از اندازه شهود انسانی را به هوش مصنوعی منتقل کنید، زیرا هدف نهایی این است که از آن برای یافتن معادلاتی استفاده کنید که انسان‌ها قادر به یافتنشان نیستند. اگر بیش از حد شبیه ما شود، شاید دقیقاً مانند خود ما در همان بن‌بست‌ها گرفتار شود.»

تالر به یاد می‌آورد که روزی هوش مصنوعی را مأمور حل مسئله‌ای کرد که خودش نزدیک به ده سال درگیر آن بود. هوش مصنوعی خیلی زود راه‌حلی ارائه داد و او سپس آن را با دقت بررسی کرد. او می‌گوید: «از اینکه خودم به آن راه‌حل فکر نکرده بودم، خجالت کشیدم. آن‌وقت فهمیدم درباره‌ی شیوه‌ی حل مسئله پیش‌داوری داشتم؛ پیش‌داوری‌ای که محدودیتی بر تفکر انسانی خودم تحمیل کرده بود، اما هرگز آن محدودیت را به کامپیوتر تحمیل نکرده بودم.»

بنابراین، به‌جای آنکه هوش‌های مصنوعی را وادار کنیم دقیقاً مانند انسان فکر کنند، باید به آن‌ها آزادی داد تا همه‌ی راه‌های ممکن برای حل مسائل و همه‌ی ترکیب‌های ممکن از نمادهای ریاضی را به‌عنوان پاسخ بررسی کنند. تالر حتی معتقد است خود فیزیک‌دانان نیز باید شیوه‌ی اندیشیدنشان را تغییر دهند. او می‌گوید: «من آموزش دیده بودم که بپرسم “قوانین طبیعت در جهان ما چیست؟” اما اکنون باید پرسید: “فضای همه‌ی قوانینِ ممکن چیست؟” اگر واقعاً می‌خواهیم هوش مصنوعی جهش‌های بزرگی در فیزیک بنیادی ایجاد کند، باید چنین نگرشی داشته باشیم.»

در حال حاضر، رگرسیون نمادین به‌تدریج منتقدان هوش مصنوعی را نیز قانع می‌کند. کرنمر می‌گوید: «ممکن است با نظریه‌پردازان بسیار برجسته‌ای روبه‌رو شوید که از یادگیری ماشین خوششان نمی‌آید، اما وقتی آن‌ها را با رگرسیون نمادین آشنا می‌کنید، اغلب نظرشان عوض می‌شود؛ زیرا این روش معادلاتی در اختیار شما می‌گذارد که می‌توانید آن‌ها را روی کاغذ بنویسید و تفسیر کنید.»

از این منظر، رگرسیون نمادین تنها ابزار دیگری است که در کنار تلسکوپ‌ها، رایانه‌ها و حساب ریاضی به مجموعه‌ی ابزارهای فیزیک افزوده می‌شود. کامپیوترها ذاتاً کنجکاو نیستند؛ بنابراین همیشه باید انسانی حضور داشته باشد که پرسش را در وهله‌ی نخست مطرح کند. تالر می‌گوید: «انسان‌ها هنوز هم باید محدوده یا زمین بازی‌ای را که رایانه در آن فعالیت می‌کند مشخص کنند؛ سپس رایانه می‌تواند تک‌تک دانه‌های شن را بررسی و تحلیل کند.»

اما اکنون که فیزیک‌دانان و هوش مصنوعی در حال یافتن زبانی مشترک هستند، نوع تازه‌ای از گفت‌وگو در حال شکل‌گیری است. به گفته‌ی تالر، این تحول می‌تواند شیوه‌ی همکاری آن‌ها را به‌طور اساسی دگرگون کند و رابطه‌ای واقعاً مشارکتی میان انسان و ماشین پدید آورد. او در پایان می‌گوید: «به نظر من، این آغاز یک تحول بنیادین است.»

ترجمه: سیدامین مهناپور/ سایت علمی بیگ بنگ

منبع: newscientist.com

لینک کوتاه نوشته : https://bigbangpage.com/?p=109901