مقدمه
رابرت گوردون، اقتصاددان، در سال 2012 مقاله بحث‌برانگیزی منتشر کرد که در آن اظهار کرده بود رشد اقتصادی تا حد زیادی به پایان رسیده زیرا نتوانسته‌ایم در دهه‌های اخیر موتور نوآوری را روشن نگه داریم.
در مطالعه‌ای که در موسسه تحقیقاتی سیاست‌های اقتصادی در دانشگاه استنفورد انجام شده است، با حمایت ضمنی از نظر رابرت گوردون، این استدلال ارائه شده است که اگرچه نسبت به قبل پول بیشتری برای خلاقیت و نوآوری خرج می‌کنیم، بازدهی ما نزدیک به صفر است. این سرمایه‌گذاری فقط در زمینه مالی انجام نمی‌شود و همانطور که این تحقیق نشان می‌دهد 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 دشوار شده است؟ پژوهشگران دانشگاه نورث وسترن سعی دارند در مقاله‌ای 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 شده‌اند، اختراع جدیدی نیستند بلکه ترکیبی از ایده‌های موجود هستند که در کنار هم قرار گرفته‌اند.[1]
مرور و تحلیل ابتکارات با استفاده از هوش مصنوعی
پیدا کردن روش‌های مناسب برای ترکیب ایده‌های موجود به هیچ وجه کار آسانی نیست. یکی از دلایل این موضوع، حجم روزافزون مقالات جدیدی است که منتشر می‌شود. مثلاً طی چند ماه اول همه‌گیری کووید-19، حدود 23 هزار مقاله در مورد این ویروس منتشر شد و این عدد هر 20 روز یکبار دو برابر می‌شود.
اعضای انجمن علوم داده «Kaggle» سعی دارند با همکاری هم از هوش مصنوعی برای مرور آثار پژوهشی و اختراعات استفاده کنند 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 بی‌عیب‌ونقص نباشد اما دلیل این موضوع محدودیت‌های زمانی ناشی از همه‌گیری است.
پژوهشگران دانشگاه «Carnegie Mellon» روش دیگری را در پیش گرفتند: رویکردی مبتنی بر هوش مصنوعی برای جستجو در پایگاه‌های داده اختراعات و مقالات برای پیدا کردن ایده‌هایی که از قابلیت ترکیب و ایجاد راهکارهای جالب برای مسائل خاص برخوردار هستند. این سیستم برای یافتن ارتباط بین دو اثر از حوزه‌های ظاهراً متفاوت، از شباهت‌ها استفاده می‌کند که به باور آن‌ها سرعت نوآوری را بیشتر کرده و هزینه آن را تا حد زیادی کاهش می‌دهد.
خلاقیت افزوده
در حال حاضر شاهد پیدایش موضوعی تحت عنوان «خلاقیت افزوده» هستیم که در قالب آن، انسان‌ها از هوش مصنوعی برای درک سیل اطلاعات موجود استفاده می‌کنند. نمونه‌های اولیه، بر نقش مهم انسان‌ها در نتیجه‌گیری از پیشنهادات هوش مصنوعی تاکید می‌کنند.
برای مثال تیم «OpenAI» سعی دارد با انتشار ابزار ساخت موسیقی به نام «Jukebox»، از این رویکرد استفاده کند. در واقع این ابزار کمک می‌کند که با استفاده از الگوهای موجود به ایده‌های جدیدی از نت‌های موسیقی برسیم. با اینکه از نظر فناوری به دستاوردهای قابل‌توجهی می‌رسیم، نتایج به دست آمده تهدیدی برای آهنگ‌سازها به حساب نمی‌آید.[2]
به عنوان مثالی دیگر پروژه‌های مختلفی تلاش کرده‌اند از هوش مصنوعی روی پایگاه‌های داده غذایی استفاده کنند و به دستور غذاهای جدیدی برسند. مثلاً سارا رابینسون، پژوهشگر گوگل، اخیراً از سیستم خود رونمایی کرد که ترکیبی از کیک-کوکی درست کرده بود. پژوهشگران «Accenture» هم ابزار مشابهی در تاسیسات خود در دوبلین ایجاد کردند که البته نتایج تهوع‌آوری به دست می‌داد!
شبیه‌سازی هوشمندتر
بیشتر این رویکردها از مجموعه داده‌های بزرگی استفاده می‌کنند که هوش مصنوعی در آن‌ها به دنبال ارتباط‌های قوی و استفاده‌نشده می‌گردد. مدل‌های نسل بعد، با استفاده از شبکه‌های دشمن‌گونه معمول (GANs) و بدون دسترسی به اصول منطقی اساسی، ایده‌های جدیدی را ایجاد کنند.
برای مثال، پژوهشگران شرکت «Nvidia» و دانشگاه تورنتو اخیراً یکی از این شبکه‌ها را به نمایش گذاشتند که با مشاهده بازی و نحوه تصمیم‌گیری بازیکن‌های انسانی آموزش دیده بود بازی‌ها را شبیه‌سازی کند. این سیستم می‌توانست تنها با تماشای همزمان بازی‌ها و بدون نیاز به دانستن منطق بازی، بهترین استراتژی‌های آن را یاد بگیرد.
پژوهشگران می‌گویند:
«علاوه بر این، «GameGAN» [3] می‌تواند اجزای ثابت و پویای تصویر را از هم جدا کرده و رفتار آینده مدل را که به استدلال آشکار در زمینه اجزای پویا نیاز دارد، بهتر و راحت‌تر تفسیر کند. این موضوع کارکردهای جالب‌توجهی را به همراه می‌آورد، مثلاً جابه‌جا کردن اجزای بازی برای ایجاد بازی‌های جدیدی که وجود ندارند.»
«Sculpteo»، که «BASF» مالک آن است و پروژه «Dreamcatcher» آن از طراحی زایا[۱] برای کمک به طراحان در استفاده از اهداف و محدودیت‌ها به منظور طراحی راهکارهای متفاوت برای مسائل خاص بهره می‌گیرد، از رویکرد مشابهی که بر «GAN» مبتنی است استفاده می‌کند.
ارتقاء ایده انسانی و نه جایگزینی آن
با اینکه مرحله ایده‌پردازی جذاب‌ترین قسمت اختراع به حساب می‌آید، ایده‌های زیادی کنار گذاشته می‌شوند و خاک می‌خورند. بر اساس برآوردها، 95 درصد از اختراع‌ها سلب مجوز می‌شوند یا هرگز به مرحله تجاری‌سازی نمی‌رسند در حالی که در بعضی صنایع مانند تلویزیون و داروسازی که از تنوع بالایی برخوردارند، شکست خوردن عادی تلقی می‌شود و دور از انتظار نیست و حتی بهترین پروژه‌ها نیز گاهی کنار گذاشته می‌شوند.
بنابراین جای تعجب ندارد که از هوش مصنوعی بیشتر در مراحل آخر توسعه محصول استفاده می‌شود تا نرخ ایده‌هایی که به بازار راه پیدا می‌کنند افزایش پیدا کند. برای مثال، پژوهشگران دانشگاه بریستول به استفاده از هوش مصنوعی در حوزه‌های مختلفی پس از ساخت فیلم، مانند شفاف‌سازی و رنگی کردن تصاویر، بهره جسته‌اند.
به همین ترتیب، ردیابی چشم و کنترل حرکتی در فرایند پویانمایی رواج پیدا کرده و پیش‌بینی حرکات چشم در فرایندهای دیجیتال، از توسعه وب گرفته تا بازاریابی دیجیتال، بیش از پیش مورد استفاده قرار می‌گیرد. تحلیل ردیابی چشم با کمک هوش مصنوعی، به بازاریاب‌ها این امکان را می‌دهد که طی فرایند ایجاد وبسایت یا تبلیغ، میزان دیده شدن عناصر را ارزیابی کنند. علیرغم ترس گسترده‌ای که از جایگزینی نیروی انسانی با هوش مصنوعی وجود دارد، این کاربردهای هوش مصنوعی هرگز جای مخترعان را نمی‌گیرد یا در فرایند اختراع آن‌ها اختلالی ایجاد نمی‌کند بلکه به آن‌ها کمک می‌کند در طرح خود تصمیم‌گیری‌های موثر و داده‌محوری انجام دهند.
بسیاری از این کاربردها نشان می‌دهند که هوش مصنوعی چه قدر می‌تواند در تکمیل کار انسان‌ها موثر باشد و آن‌ها را به اندازه کافی تقویت کند تا بتوانند از منطقه خطر که اغلب ایده‌های جدید را نابود می‌کند جان سالم به در ببرند. به عنوان مثال می‌توان به «Cinelytic» اشاره کرد که در لس‌آنجلس مستقر است و امکان تصمیم‌گیری مبتنی بر هوش مصنوعی را برای استودیوهای فیلم‌سازی فراهم می‌کند تا به آن‌ها کمک کند درک کنند که تصمیمات مختلف (از انتخاب ژانر فیلم تا ستاره‌ها) چگونه بر عملکرد آن در سود نهایی تاثیر می‌گذارد.
به همین ترتیب، سنجش هر ایده‌ای به یک تیم متخصص نیاز دارد. پژوهشگران دانشگاه روچستر اخیراً به این موضوع پرداخته‌اند که چطور می‌توان از هوش مصنوعی استفاده کرد و در رابطه با افرادی که بهتر است با آن‌ها کار کنیم پیشنهادات هوشمندانه‌تری ارائه داد. آن‌ها به این ایده اشاره می‌کنند که شبکه‌های اجتماعی معمولاً افراد را بر اساس شباهت‌ها به یکدیگر متصل می‌کنند، در صورتی که بهترین نتایج زمانی حاصل می‌شود 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 می‌آید که انسان و ماشین مکمل یکدیگر باشند. قانون کاسپاروف، مهم بودن قدرت در هر فعالیت خلاقانه را به ما یادآوری می‌کند و هیچ حجمی از فناوری هوشمند نمی‌تواند ضعف انسانی را جبران کند.
وینستون چرچیل می‌گوید همیشه باید از بحران‌ها استفاده کرد، و از آنجا که نتوانستیم از بحران مالی سال 2008 آنطور که باید بهره ببریم، این انگیزه اجتماعی وجود دارد که پس از همه‌گیری کووید-19 باید جهان را به جای بهتری تبدیل کنیم. سی سال قبل، مایکل همر به ما یادآوری کرد که فناوری زمانی بهتر جواب می‌دهد که به دنبال رسیدن به «اسب‌های تندروتر» نباشیم بلکه در مورد 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 پروژه‌هایی را به کسانی که بیشتر از همه به آن نیاز دارند ارائه دهیم. بر خلاف سال 2008، اکنون در عصری زندگی می‌کنیم که هوش مصنوعی می‌تواند واقعاً به ما کمک کند. همه‌گیری سختی‌های زیادی را به همراه داشته اما اگر بتوانیم همگی از نو شروع کنیم و از فناوری برای رسیدن به جامعه‌ای بهتر استفاده کنیم، راحت‌تر می‌توانیم این دوران را پشت سر بگذاریم.
