نوید ابر هوش جمعی

واژه «فوق هوش» این روزها زیاد مطرح می‌شود و به سیستم‌های هوش مصنوعی اشاره می‌کند که ممکن است به زودی از توانایی‌های شناختی انسان در طیف وسیعی از وظایف، از منطق و استدلال گرفته تا خلاقیت و شهود فراتر رود. در حالی که تنها چند سال پیش این یک احتمال دور به نظر می رسید، بسیاری از کارشناسان اکنون بر این باورند که می تواند باشد کمتر از یک دهه دور این رانندگی است نگرانی های قابل توجه در میان سیاستگذاران و محققان، زیرا این احتمال واقعی وجود دارد که یک ابر هوش مصنوعی (ASI) ایجاد شود که ارزش‌ها، اخلاقیات، حساسیت‌ها یا اهداف انسانی مشترکی نداشته باشد.

برای مقابله با این خطر، برخی از محققان بر این باورند که می توانند سیستم های هوش مصنوعی را طراحی کنند که ذاتاً با ارزش ها و علایق انسانی همسو باشد. به عنوان مثال، Anthropic با استفاده از روشی که آنها نامیده اند، به این هدف دست می یابد هوش مصنوعی مشروطه که مجموعه ای از قوانین یا اصولی را القا می کند که بر رفتار حاکم است. OpenAI یک رویکرد جایگزین دارد که آنها به آن می گویند فوق ترازو آنها ۲۰ درصد از توان محاسباتی خود را به حل این مشکل اختصاص می دهند.

در حالی که من از همه تلاش‌ها در جهت ایمنی هوش مصنوعی قدردانی می‌کنم، اما نگرانم که بتوانند حس امنیت کاذبی را ایجاد کنند، زیرا وعده همسویی می‌دهند اما نمی‌توانند اثربخشی بلندمدت را پیش‌بینی کنند.

این سوال پیش می آید که آیا راه امن تری برای ابرهوشی وجود دارد؟

من معتقدم وجود دارد. نامیده می شود ابر هوش جمعی (CSi) و تمرکز من به عنوان یک محقق هوش مصنوعی در دهه گذشته بوده است. هدف جایگزینی عقل انسانی نیست، بلکه تقویت آن با اتصال گروه‌های بزرگی از مردم به سیستم‌های فوق‌هوشمندی است که می‌توانند مشکلاتی را که هیچ فردی به تنهایی قادر به حل آن نیست، حل کند، در حالی که همچنین تضمین می‌کند که ارزش‌ها، اخلاق و علایق انسانی در هر سطح ذاتی هستند.

این ممکن است غیرطبیعی به نظر برسد، اما یک گام رایج در تکامل بسیاری از گونه های اجتماعی است. زیست شناسان به این پدیده می گویند هوش جمعی و این امکان را به گله های ماهی، دسته ای از زنبورها و گله های پرندگان می دهد تا به طرز ماهرانه ای در جهان خود حرکت کنند، بدون اینکه فردی مسئول باشد. آنها این کار را با رأی گیری یا نظرسنجی به روشی که گروه های انسانی تصمیم می گیرند، انجام نمی دهند. در عوض، آنها سیستم‌های تعاملی بی‌درنگ (یعنی ازدحام) را تشکیل می‌دهند که فضای تصمیم‌گیری را تحت فشار قرار می‌دهند و روی راه‌حل‌های بهینه‌سازی همگرا می‌شوند.

اگر این برای زنبورها و ماهی ها مفید است – چرا مردم نه؟

این سوال یک دهه پیش به من انگیزه داد تا شروع به تحقیق کنم که آیا گروه های انسانی می توانند به سیستم های فوق هوشمند متصل شوند یا خیر. برای کشف این، من تاسیس کردم هوش مصنوعی متفق القول در سال ۲۰۱۴ و ما شروع به کار کردیم تقلید از گروه های بیولوژیکی. تکنیک‌های اولیه ما کاملاً غیرکلامی بودند و به صدها کاربر شبکه‌ای اجازه می‌داد تا با کنترل مشترک یک پوک گرافیکی با موش‌ها یا صفحه‌های لمسی به سؤالات پاسخ دهند در حالی که الگوریتم‌های هوش مصنوعی رفتارهای آنها را مشاهده می‌کردند و سطوح نسبی اعتقاد آنها را استنباط می‌کردند.

ما از این روش گرافیکی استفاده کردیم تا گروه ها را قادر کنیم به طور مشترک به سوالات ساده ای مانند پیش بینی رویدادهای آینده پاسخ دهند. در کمال تعجب ما اینطور است هوش را به طور قابل توجهی تقویت کرد. در واقع خیلی خوب کار کرد، برخی از روزنامه نگاران شک داشتند و ما را به چالش کشیدند تا پیش بینی های عمومی انجام دهیم. به عنوان مثال، در سال ۲۰۱۶ توسط یک خبرنگار CBS از من خواسته شد که دربی کنتاکی را پیش بینی کنم – نه فقط برنده مسابقه، بلکه چهار اسب اول به ترتیب. اتفاقی که بعدا افتاد قابل توجه بود.

گزارشگر به دربی کنتاکی رفت، روی چهار اسب شرط بندی کرد و بلافاصله تصویری از رسید خود را در توییتر برای دیدن جهانیان منتشر کرد. روز بعد نیوزویک گزارش کرد: “هوش مصنوعی در کنتاکی دربی بت ۲۰ دلار را به ۱۱۰۰۰ دلار تبدیل می کند“ البته شانس هم داشت، اما شکست ۵۴۰ بر ۱ شانس تصادفی نبود. این قدرت اتصال یک گروه انسانی به یک سیستم بلادرنگ بود که هوش ترکیبی آنها را تقویت کرد. در طول سال‌ها پس از آن، Swarm AI توسط ده‌ها مطالعه دانشگاهی تأیید شده است، که ارزش در برنامه‌های کاربردی را نشان می‌دهد. پیش بینی مالی به تشخیص پزشکی.

با این حال، ساختن یک ابر هوش جمعی دور از دسترس به نظر می رسید. به این دلیل که روش‌های قبلی فقط برای مشکلات تعریف شده کار می‌کردند. برای ایجاد یک ابرهوش واقعی با نیروی انسانی، این فناوری باید بسیار انعطاف‌پذیر باشد و به گروه‌های بزرگ اجازه می‌دهد تا با استفاده از قدرتمندترین اختراع انسانی – زبان، مسائل پیچیده را بررسی کنند.

اما چگونه می‌توانید صدها، هزاران یا حتی میلیون‌ها نفر را قادر به انجام مکالمه‌های بی‌درنگ که متفکرانه و منسجم هستند و بر روی راه‌حل‌هایی که هوش جمعی آن‌ها را تقویت می‌کند، همگرا شوند؟

مشکل اصلی این است که مکالمات انسانی بیشترین بازدهی را دارد در گروه های ۴ تا ۷ نفره و با بزرگتر شدن گروه ها به سرعت تنزل می یابد. این به این دلیل است که “زمان پخش برای هر نفر” به تدریج کاهش می یابد و پویایی گفتگو از بحث متفکرانه به مجموعه ای از مونولوگ ها تغییر می کند که به طور فزاینده ای از هم گسسته می شوند. این محدودیت اندازه برای مکالمات انسانی مانند یک مانع غیرقابل نفوذ در ساخت یک ابر هوش جمعی واقعی به نظر می رسید تا اینکه حدود ۱۸ ماه پیش پیشرفت ها در زمینه هوش مصنوعی، از جمله مدل های زبان بزرگ (LLMs)، مسیرهای جدیدی را برای معماری گروه های انسانی باز کرد.

فناوری حاصل نامیده می شود هوش ازدحام مکالمه ای (CSI) و وعده می دهد که به گروه های تقریباً هر اندازه ای (۲۰۰ نفر، ۲۰۰۰ نفر، ۲ میلیون نفر) اجازه می دهد تا در مورد مسائل پیچیده در زمان واقعی بحث کنند و روی راه حل های معناداری که با قدرت طبیعی هوش ازدحام تقویت می شود، همگرا شوند.

این پیشرفت از ماهی الهام گرفته شد

این به این دلیل است که مدارس ماهی می توانند “مکالمات” در زمان واقعی بین هزاران عضو برگزار کنند. تصمیم گیری سریع همانطور که آنها بدون هیچ مسئولی در اقیانوس حرکت می کنند. هر ماهی با استفاده از یک اندام منحصر به فرد به نام “خط جانبی” با دیگران در اطراف خود ارتباط برقرار می کند که تغییرات فشار در آب را از ماهی همسایه حس می کند. هر ماهی فقط با یک زیرگروه کوچک تعامل دارد، اما از آنجایی که همه زیرگروه‌ها با هم همپوشانی دارند، اطلاعات به سرعت در کل جمعیت منتشر می‌شود و امکان ظهور یک هوش یکپارچه را فراهم می‌کند.

آیا می‌توانیم گروه‌های مکالمه را در انسان فعال کنیم؟ به نظر می رسد، ما می توانیم با استفاده از یک مفهوم توسعه یافته در سال ۲۰۱۸ به نام ازدحام می کند که گروه های انسانی بلادرنگ را به زیرگروه های همپوشانی تقسیم می کند. به عنوان مثال، ما می‌توانیم یک گروه بزرگ متشکل از ۱۰۰۰ فرد شبکه‌ای را انتخاب کنیم و آنها را به ۲۰۰ گروه پنج نفره تقسیم کنیم، اعضای هر زیرگروه در اتاق گفتگو یا کنفرانس ویدیویی کوچک خود قرار می‌گیرند. و اگر برای همه آنها مشکل یکسانی برای حل فراهم کنیم، اکنون ۲۰۰ مکالمه موازی داریم که هر کدام به اندازه معقول برای مشورت های متفکرانه است.

البته فعال کردن گروه‌های موازی برای ایجاد Swarm Intelligence کافی نیست. این به این دلیل است که اطلاعات باید در سراسر جمعیت پخش شود. این با استفاده از عوامل هوش مصنوعی برای شبیه سازی عملکرد اندام خط جانبی در ماهی حل شد.

به ویژه، مبتنی بر LLM عوامل ناظر در هر یک از زیر گروه‌ها قرار گرفتند و وظیفه تقطیر بینش‌های انسانی در آن گروه و بیان آن بینش‌ها در گروه‌های همسایه از طریق گفتگوی اول شخص بود. به این ترتیب، به هر زیرگروه یک عضو مصنوعی داده می‌شود که به عنوان جانشین گروه همسایه به مکالمه می‌پیوندد و اطلاعات را قادر می‌سازد تا به آرامی در کل جمعیت منتشر شود. این را می توان به شکل زیر ترسیم کرد.

اما آیا این هوش را تقویت می کند؟

برای آزمایش این، محققان اخیرا انجام شده است مطالعه ای که از آزمایش سال ۱۹۰۶ توسط سر فرانسیس گالتون تقلید می کند که در آن از ۸۰۰ نفر در یک نمایشگاه دام خواسته شد تا وزن یک گاو را تخمین بزنند. او کشف کرد که افراد در پیش‌بینی‌هایشان بسیار متفاوت بودند، اما میانگین آماری بسیار دقیق بود. این ثابت شده است که تکرار می شود و اکنون معمولاً حکمت جمعیت نامیده می شود. برای تقلید از این مطالعه معروف، و اجتناب از نیاز به گاو زنده، محققان مدرن اغلب از گروه‌ها می‌خواهند تا اقلام معمولی مانند تعداد دانه‌های ژله‌ای در یک کاسه یا گلوله‌های آدامس در یک شیشه را تخمین بزنند.

این دقیقاً همان چیزی است که برای آزمایش مزایای هوشی گروه‌های مکالمه انجام شد. به عنوان پایه، به ۲۴۰ نفر عکسی از یک شیشه پر از گلوله های آدامس نشان داده شد و از آنها خواسته شد که مقدار آن را در یک نظرسنجی آنلاین تخمین بزنند. این با استفاده از یک نمونه اولیه به نام پلت فرم CSI با همان گروه مقایسه شد Thinkscape. این به طور خودکار ۲۴۰ نفر را به ۴۷ زیر گروه پنج یا شش نفری تقسیم کرد که هر زیرگروه دارای یک عامل هوش مصنوعی بود.

به گروه مکالمه چهار دقیقه فرصت داده شد تا از طریق گفتگوی متنی با هم مشورت کنند و روی یک پاسخ همگرا شوند. و در نهایت، برای کامل بودن، همان عکس در ChatGPT 4.0 آپلود شد که از آن خواسته شد تا تخمین هوش مصنوعی خود را از گوله‌های آدامس در شیشه انجام دهد.

نتایج شگفت انگیز بود

ابتدا با نگاهی به پاسخ‌های نظرسنجی، میانگین افراد با ۳۶۱ گلوله آدامس، خطای ۵۵ درصدی نسبت به پاسخ صحیح ۶۵۹ بود. شایان ذکر است، ChatGPT بهتر از یک انسان معمولی بود، با ۲۷۹ گلوله آدامس، یک خطای ۴۲ درصدی.

این تایید می کند که سیستم های هوش مصنوعی خالص در حال پیشرفت واقعی به سمت هوش مافوق بشری هستند. خوشبختانه، ما انسان ها ممکن است راهی برای جلوتر ماندن از ماشین ها داشته باشیم – هوش جمعی. این به این دلیل است که وقتی ۲۴۰ نظرسنجی در یک میانگین آماری جمع شدند (با استفاده از تکنیک گالتون ۱۹۰۶)، این گروه در فاصله ۱۶۳ گلوله آدامس از پاسخ صحیح قرار گرفتند، یک خطای ۲۵٪ که به مراتب بهتر از ChatGPT (در حال حاضر) بود.

البته هدف اصلی از این مطالعه جدید ارزیابی نحوه عملکرد گروه مکالمه بود. به نظر می رسد، میلیون ها سال تکامل ما را در مسیر درست نشان می دهد، زیرا CSI بهترین روش آزمایش شده بود، در فاصله ۸۲ گلوله آدامس از پاسخ صحیح، خطای تنها ۱۲٪. این یک نتیجه آماری معنی‌دار بود (۰۰۱/۰p<) و نشان می‌دهد که از CSI می‌توان برای تقویت هوش گروه‌های بزرگ از طریق گفتگوهای بلادرنگ استفاده کرد.

طی این مطالعه از چت متنی استفاده کردروش‌های اصلی را می‌توان برای محیط‌های چت صوتی، چت ویدیویی و چت VR به کار برد، و گروه‌هایی را با هر اندازه‌ای قادر می‌سازد تا مکالمات زمان واقعی منسجمی را برگزار کنند که هوش جمعی آنها را تقویت می‌کند. و با نگاهی به آینده، اگر رابط های مغز به مغز مستقر شوند – و بسیاری در حال کار بر روی آن هستند – من پیش بینی می کنم معماری CSI ارزش اساسی ارائه می دهد و این امکان را فراهم می کند. ذهن های جمعی برای مقیاس به هر اندازه

چرا این مهم است؟

در کوتاه مدت، فناوری CSI شکل کاملاً جدیدی از ارتباطات را امکان پذیر می کند که در آن می توان در میان گروه هایی با هر اندازه ای، گفتگوهای متفکرانه انجام داد. این پتانسیل افزایش طیف گسترده ای از زمینه ها را دارد همکاری سازمانی و تحقیقات بازار مشارکت مدنی در مقیاس بزرگ

در بلندمدت، این رویکرد می‌تواند مسیر جدیدی را به سوی ابرهوشی که ذاتاً با ارزش‌ها، اخلاقیات و حساسیت‌های انسانی همسو باشد، ایجاد کند. البته، شرکت‌هایی مانند OpenAI و Anthropic باید به کار شبانه‌روزی ادامه دهند تا مدل‌های هوش مصنوعی خود را با ارزش‌ها و علایق انسانی القا کنند، اما دیگران باید به دنبال روش‌های جایگزینی باشند که به جای جایگزینی هوش انسانی، تقویت می‌کنند. یک جایگزین، ابرهوش جمعی است که امروزه بسیار عملی تر از سال های گذشته به نظر می رسد.

لوئیس روزنبرگ یک فن باسابقه در زمینه های هوش مصنوعی و واقعیت مجازی است. او به دلیل تأسیس شرکت اولیه واقعیت مجازی Immersion در سال ۱۹۹۳، هوش مصنوعی Unanimous در سال ۲۰۱۴، و برای توسعه اولین سیستم واقعیت ترکیبی به عنوان محقق برای نیروی هوایی ایالات متحده شناخته شده است.