هزم الذكاء الاصطناعي لعبة غو، فلماذا لا يزال اللحام صعبا عليه؟ الإنسان يتوقف، والآلة تكرر

يمكن لـ Baduk AI أن يتعلم في مكان ذي قواعد ثابتة، ولكن في المصنع، لا يتم تنظيم المخاطر والمسؤوليات من خلال النتائج الرقمية وحدها.

كلما ذُكرت قصة الذكاء الاصطناعي الذي هزم أفضل لاعبي غو، يتكرر السؤال نفسه تقريبا: “إذا وصل إلى هذا الحد، ألن يأخذ قريبا كل أعمال البشر؟”

لكن الصورة تتغير عندما نذهب إلى الموقع الحقيقي. لقد هزم غو، لكن اللحام ما زال ليس سهلا. يستطيع حل مسائل برمجة، لكنه لا يلحم بجانب أنبوب قديم تتطاير منه الشرارات بثبات يشبه ثبات إنسان متمرس.

هذا الفرق لا يتعلق فقط بسؤال: أيهما أصعب؟ الفرق الأعمق هو طريقة التعلم عند الإنسان والآلة. الإنسان يستطيع أن يخمن السبب من خبرة قليلة، وإذا شعر بالخطر يتوقف. أما الذكاء الاصطناعي الحالي فقوته في أن يجرب كثيرا، ويقارن النتائج، ويبحث عن الاتجاه الذي تتحسن فيه الدرجة.

غو عالم مناسب لتعلم الآلة

على رقعة غو، إذا وضعت حجرا في مكان خاطئ لا ينهار العالم. تخسر مباراة ثم تبدأ من جديد. والنتيجة تظهر فورا. هل فزت أم خسرت، وبكم نقطة؟ تعرف ذلك بسرعة.

هذه شروط شبه مثالية لتعلم الذكاء الاصطناعي. يجرب مرات لا تحصى، يخطئ، ثم يصحح. في الوقت الذي يلعب فيه الإنسان بضع مباريات، تستطيع الآلة أن تلعب ملايين المباريات ضد نفسها. الفشل رخيص، والنتيجة سريعة، والتكرار ممكن بلا حد.

والتعلم المعزز، ببساطة، يقوم على هذا الشكل. جرّب كثيرا، أبق الاختيارات الجيدة، وقلل الاختيارات السيئة، فتتحسن شيئا فشيئا. في مشكلات يمكن تشغيلها بلا نهاية داخل الحاسوب، مثل غو، يصبح الذكاء الاصطناعي قويا بسرعة.

ليس لأن غو سهلة. غو لعبة صعبة جدا حتى على البشر. لكنها، من زاوية الآلة، عالم يكاد يكون الفشل فيه مجانيا. داخله تستطيع الآلة أن تخطئ كما تشاء، وتتعلّم من كل خطأ.

اللحام عالم لا تستطيع الآلة أن تخطئ فيه كما تشاء

اللحام مختلف. مجرد المحاولة له تكلفة. هناك مادة، ومعدة، ووقت. المعدن الذي أذبته خطأ لا يعود إلى حالته الأولى مثل رقعة غو.

والمشكلة الأكبر هي الخطر. فشل اللحام لا ينتهي كإجابة خاطئة فقط. اللحام الرديء قد يتحول إلى حادث. قد يبدو السطح سليما، بينما يختبئ العيب في الداخل، وقد لا يظهر أثره إلا بعد أشهر.

هنا تغيب الشروط التي تناسب الآلة في التعلم. تحتاج إلى محاولات كثيرة كي تتعلم، لكنها لا تستطيع أن تفشل كثيرا. تحتاج إلى نتيجة فورية كي تصحح، لكن النتيجة قد تتأخر أو تظهر جزئيا فقط. وأخطر بيانات الفشل لا يمكن صنعها عمدا لأنها خطرة.

في غو تستطيع أن تلعب مليون حركة خاطئة. في اللحام لا تستطيع أن تصنع مليون لحام خاطئ. لذلك تكون الأتمتة التي تتعامل مع معدات حقيقية أبطأ من أتمتة يمكن فيها فحص المستندات والكود والسجلات ثم تصحيحها من جديد.

الإنسان يخمن السبب من إشارات قليلة

المتمرس لا يتعلم بعد مليون فشل. صحيح أنه يحتاج إلى وقت وتجارب كثيرة، لكن قوة الإنسان ليست في أنه يمر بكل الاحتمالات. قوته في أنه يخمن السبب من إشارات قليلة، يستحضر موقفا مشابها، وإذا بدا الأمر خطرا يتوقف.

عامل اللحام، مثلا، يرى الصوت والرائحة وشكل الشرارة والاهتزاز الذي يصل إلى يده في الوقت نفسه. إذا وجد شيئا مختلفا عن المعتاد، يتصرف بحذر حتى لو لم يعرف الرقم الدقيق. يقول في داخله: “هذا يبدو خطرا”، فيبطئ أو يوقف العمل.

هذا ليس حدسا غامضا. الإنسان يتعلم بجسده داخل العالم الحقيقي. لديه مسبقا إحساس بأن النار حارة، والمعدن ينحني، والمعدات تتهالك، والناس تخطئ. لذلك يستطيع، حتى في موقف جديد، أن يستدعي خبرة قديمة، ويبني سببا تقريبا، ثم يتصرف.

الإنسان يصنع فرضية حتى من دون بيانات كاملة. قد يكون هذا الصوت مشكلة حرارة. وقد يكون هذا الاهتزاز دليلا على أن التثبيت ارتخى. وقد تعني هذه الرائحة أن المادة تغيّرت. قد يصيب وقد يخطئ، لكنه على الأقل يستطيع أن يتوقف أمام الخطر.

الآلة تتعلم الأنماط الكثيرة بالنقاط

أما الذكاء الاصطناعي الحالي، فغالبا ما يكون قويا في الأنماط التي رآها كثيرا. يرى صورا كثيرة فيصنف الصور جيدا، ويرى جملا كثيرة فيتنبأ بالجملة التالية، ويشغل ألعابا كثيرة فيجد الاختيارات الرابحة. هذه قوة واضحة. يرى من الكمية ما لا يراه إنسان طوال حياته، ويكرر بعدد مرات لا يستطيع الإنسان بلوغه.

لكن هذه الطريقة تحتاج إلى شروط. يجب أن يكون ممكنا أن تجرب، وأن تقيس النتيجة، وأن تحوّل “النتيجة الجيدة” إلى درجة. غو يناسب هذه الشروط. اللحام لا يناسبها جيدا.

في العمل الحقيقي، الهدف ليس بسيطا. ليس المطلوب لحاما شكله جميل فقط. إذا بدا جيدا الآن وانكسر بعد أشهر، فهو فشل. السرعة مهمة، لكن السلامة والمتانة والتكلفة مهمة أيضا. من الصعب تحويل كل ذلك إلى درجة واحدة في كل مرة.

لذلك تستطيع الآلة أن تصبح قوية في الظروف المتوسطة. الشروط الكثيرة التكرار، والأعمال المتكررة، والنتائج التي تظهر فورا، كلها تتعلمها بسرعة. لكن تبقى نقطة ضعفها في الإشارات النادرة قبل الحادث، والاستثناءات خارج النموذج، وأحكام الخطر التي يصعب تحويلها إلى نقاط.

كلما زادت عدد المرات التي تحاول فيها الآلة، كلما كان على الشخص أن يحدد بوضوح الشروط التي يجب أن يتوقف بموجبها عن المحاولة.

التوأم الرقمي يصنع بيئة تدريب للآلة

هنا يصبح التوأم الرقمي مهما. التوأم الرقمي هو محاولة بناء نسخة افتراضية قريبة قدر الإمكان من المصنع والمعدات والمواد وشروط العمل. الفشل في الواقع مكلف، أما في العالم الافتراضي فيمكن تكرار الفشل نفسه بتكلفة أقل بكثير.

يجرب الذكاء الاصطناعي داخل هذا العالم الافتراضي مرات كثيرة. يغيّر الحرارة، والسرعة، والزاوية، والضغط، وشروط المادة، ويفشل ثم يصحح ثم يبحث عن طريقة أفضل. والطريقة التي يجدها لا تُنشر فورا في كل المواقع، بل تُختبر أولا على معدة حقيقية واحدة.

إذا نجحت على تلك المعدة، تتراكم بيانات جديدة. نصحح الفرق بين العالم الافتراضي والواقع، ونبحث عن شروط أكثر موثوقية. ثم نوسّعها إلى معدات مشابهة، وعمليات مشابهة، ومواقع مشابهة. أي إننا ننقل طريقة ثبتت في مكان واحد إلى أماكن أخرى.

هذه طريقة قوية. يستطيع الذكاء الاصطناعي في العالم الافتراضي أن يمر بعدد احتمالات لا يستطيع إنسان واحد أن يمر به في عمره كله. لذلك إذا أصبح التوأم الرقمي أدق، وصارت الحساسات أكثر كثافة، فمن المرجح أن تظهر أعمال واقعية كثيرة يتفوق فيها الذكاء الاصطناعي على الإنسان.

ومع ذلك، العالم الافتراضي لا يساوي الواقع تماما

لكن لهذا أيضا حدود. العالم الافتراضي لا ينسخ الواقع بالكامل. فروق دقيقة في المادة، عادات معدات قديمة، رطوبة الموقع، خطأ صغير من عامل، عطل استثنائي. في الواقع تظهر دائما أشياء لم تدخل في النموذج.

حتى لو أجاد الذكاء الاصطناعي داخل العالم الافتراضي، نحتاج إلى التحقق مرة أخرى عند نقطة اختلاف الواقع عن المحاكاة. يجب أن نرى هل الطريقة التي نجحت افتراضيا آمنة في الواقع. نجرب على معدة حقيقية واحدة، وإذا لم تظهر مشكلة نوسعها.

هنا نرى قوة تعلم الآلة وحدوده معا. الآلة تصبح قوية جدا في عالم تستطيع التكرار فيه كثيرا. لكن إذا كان ذلك العالم يشبه الواقع بشكل خاطئ، فهذا يعني أنها تدربت كثيرا على الشيء الخطأ. ليست المسألة كم تعلّمت، بل ما العالم الذي تعلّمت عليه.

الإنسان والآلة يخطئان بطرق مختلفة

الإنسان يخطئ أيضا. المتمرس يسيء التقدير، ويتعب فيخطئ، وقد تمنعه الألفة من رؤية إشارة خطر. لا حاجة إلى تقديس الإنسان.

لكن الإنسان والآلة يخطئان بطرق مختلفة. الإنسان قد يستنتج بسرعة زائدة من إشارات قليلة. أما الآلة فهي قوية داخل الأنماط التي رأت مثلها كثيرا، لكنها قد تحمل ثقة غريبة عندما تخرج من عالم تدريبها.

الإنسان يقلق عندما لا يعرف. لذلك يتوقف، أو يسأل، أو يعيد النظر في المشهد حوله. الآلة قد لا تعرف أصلا أن هذا موقف غريب. إذا بدت النقاط والأنماط معقولة، قد تعطي جوابا حتى في موقف خطر فعلا.

لذلك في أتمتة الواقع لا يكفي أن ننظر إلى الأداء فقط. يجب أن نرى متى تجيد، ومتى لا تعرف، ومتى يجب أن تتوقف. حتى لو جاء يوم أصبح فيه الذكاء الاصطناعي يجيد اللحام، سيبقى علينا أن نسأل: على أي شروط تعلم؟ وإلى أي حد يمكن الوثوق به؟

الأغلى مستقبلا هو من يربط طريقتي التعلم

فهل المتمرس في أمان؟ لا يمكن القول إنه آمن إلى الأبد. إذا انتقل إحساس اليد إلى بيانات، وأصبح التوأم الرقمي أدق، وصُنعت حلقة تحقق واقعية، ستدخل الأتمتة إلى هذا المجال أيضا.

لذلك لن يكون الشخص الأغلى هو من يملك إحساسا جيدا بيده فقط. بل من يستطيع ترجمة ذلك الإحساس إلى بيانات. من يعرف الموقع، ويعرف أين نضع الحساسات، وأي فشل مهم، وأي سجل سيتحول لاحقا إلى بيانات تدريب.

هذا الشخص يصل بين طريقة تعلم الإنسان وطريقة تعلم الآلة. الإنسان يخمن السبب من إشارات قليلة ويتوقف عند الخطر. والآلة تكرر كثيرا وتقارن النقاط فتقوى. الطريقتان مختلفتان، ولكل واحدة مزايا وعيوب.

هزم الذكاء الاصطناعي لعبة غو، لكن اللحام ما زال صعبا. لأن غو كان عالما تستطيع فيه الآلة أن تخطئ كما تشاء، أما اللحام فهو واقع تدفع فيه تكلفة مع كل فشل.

لكن عندما تتشابك التوائم الرقمية والحساسات والتحقق الواقعي، ستتغير القصة. سيكرر الذكاء الاصطناعي بلا حد داخل العالم الافتراضي، ثم يختبر على معدة حقيقية واحدة، ثم يوسع الطريقة الناجحة إلى مواقع أخرى.

لذلك ليس السؤال: “هل الذكاء الاصطناعي أذكى من الإنسان؟” السؤال الحقيقي هو هذا: من سيحوّل الإحساس الذي تعلمه الإنسان من إشارات قليلة إلى بنية تستطيع الآلة أن تتعلمها بالتكرار؟

من ينجز هذا العمل سيكون الشخص الغالي في العصر القادم.