هوش مصنوعی یا انسان؛‌ کدام‌ یک زودتر فرازمینی‌ها را پیدا می‌کند؟

الگوریتم‌های یادگیری ماشینی، روند جستجوی هوش فرازمینی را تغییر می‌دهند و سیگنال‌های احتمالی را سریع‌تر و بهتر از همیشه پیدا می‌کنند اما توسعه هوش مصنوعی می‌تواند تماس گرفتن با فرازمینی‌ها را پیچیده کند.

به نقل از اسپیس، «کیت کوپر»(Keith Cooper) از وبسایت اسپیس در مقاله جدیدی، وضعیت کنونی هوش مصنوعی و تأثیر آن را بر ستاره‌شناسی و اکتشافات فضایی بررسی کرده است.

کوپر در گزارش خود به این موضوع پرداخته است که چگونه هوش مصنوعی به انسان‌ها کمک می‌کند تا به شناسایی حیات بیگانه بپردازند.

کافی است یک تلسکوپ رادیویی را به سمت ستارگان آسمان بچرخانید تا فورا ناشنوا شود. از تپ‌اخترها تا کهکشان‌های رادیویی و اختلالات یونوسفر در جو گرفته تا تداخل فرکانس رادیویی ناشی از فناوری‌های خودمان، آسمان سرشار از نویز رادیویی است و جایی در میان همه این صداها ممکن است سیگنالی از یک جهان دیگر پنهان شده باشد که شناسایی آن مانند یافتن یک سوزن در انبار کاه است.

بیش از ۶۰ سال است که دانشمندان آسمان را در جستجوی حیات فرازمینی بررسی می‌کنند اما هنوز هیچ موجود بیگانه‌ای را پیدا نکرده‌اند.

وقتی حجم وسیع فضای جستجو را در نظر می‌گیریم و همه ستاره‌ها و فرکانس‌های رادیویی را در مقابل جستجوهای محدود خود قرار می‌دهیم، می‌بینیم جای تعجب نیست که ما هنوز حیات بیگانه را پیدا نکرده‌ایم. این یک کار دلهره‌آور است؛ به ویژه برای یک انسان.

نکته مثبت این است که ما هوش غیرانسانی را برای پیوستن به جستجو داریم. استفاده کردن از هوش مصنوعی در زندگی روزمره و در حوزه علم به حد بالایی رسیده است. بنابراین، جای تعجب نیست که اکنون در جستجوی هوش فرازمینی به کار گرفته شده است.

ما در مورد سیستم «اسکای‌نت»(Skynet) در فیلم «نابودگر»(Terminator) یا ماشین‌های مجموعه فیلم‌های «ماتریکس»(Matrix) یا حتی فیلم «پیشتازان فضا»(Star Trek) صحبت نمی‌کنیم.

هوش مصنوعی که در حال حاضر بسیار مرسوم شده، مبتنی بر الگوریتم‌های یادگیری ماشینی است که برای انجام دادن کارهای بسیار ویژه طراحی شده است؛ حتی اگر فقط برای صحبت کردن با شما در ChatGPT باشد.

«ایمون کرینز»(Eamonn Kerins) پژوهشگر «دانشگاه منچستر»(University of Manchester) و ستاره‌شناس حوزه جستجوی هوش فرازمینی، برای توضیح دادن این که هوش مصنوعی چگونه به جستجوی هوش فرازمینی کمک می‌کند، آن را با یافتن سوزن در انبار کاه مقایسه کرد.

کرینز در مصاحبه با اسپیس گفت: شما اساسا با داده‌ها طوری رفتار می‌کنید که گویی کاه هستند. سپس از الگوریتم یادگیری ماشینی می‌خواهید که به شما بگوید آیا چیزی در میان داده‌ها وجود دارد که کاه نباشد و امیدوارید که سوزن را در انبار کاه پیدا کنید؛ مگر اینکه چیزهای دیگری هم در انبار کاه وجود داشته باشند.

چیزهای دیگر معمولا تداخل فرکانس رادیویی هستند اما الگوریتم یادگیری ماشینی برای تشخیص دادن همه انواع تداخل فرکانس رادیویی که می‌شناسیم، آموزش داده شده است.

این سیگنال‌ها الگوهای آشنای تلفن‌های همراه، فرستنده‌های رادیویی محلی، وسایل الکترونیکی و مواردی از این دست هستند که همان کاه محسوب می‌شوند.

«استیو کرافت»(Steve Croft) ستاره‌شناس پروژه «Breakthrough Listen» در «دانشگاه کالیفرنیا برکلی»(UC Berkeley) گفت: این آموزش شامل تزریق سیگنال‌ها به داده‌هاست.

سپس، الگوریتم یاد می‌گیرد به دنبال سیگنال‌هایی باشد که مشابه آن هستند. الگوریتم یاد می‌گیرد که الگوی سیگنال‌های آشنا را نادیده بگیرد. اگر چیزی را در داده‌ها پیدا کند که در مورد آن آموزش ندیده باشد، آن را به عنوان یک نمونه جالب علامت‌گذاری می‌کند که نیاز به پیگیری انسان دارد.

کرینز گفت: اخیرا تلاش‌هایی برای بررسی کردن برخی از داده‌های Breakthrough Listen با الگوریتم یادگیری ماشینی صورت گرفته است. داده‌ها پیشتر به دقت با روش‌های مرسوم‌تر بررسی شده بودند اما الگوریتم همچنان می‌توانست پس از آموزش دیدن در مورد چیزهایی که ما می‌دانیم، سیگنال‌های جدیدی را انتخاب کند.

این پروژه توسط کرافت و «پیتر ما»(Peter Ma) دانشجوی مقطع کارشناسی «دانشگاه تورنتو»(UToronto) هدایت شد. پیتر ما، الگوریتم را نوشت و آن را برای تجزیه و تحلیل داده‌های ۸۲۰ ستاره رصد شده توسط تلسکوپ رادیویی ۱۰۰ متری در «رصدخانه گرین بانک» به کار انداخت.

این داده‌ها که در مجموع ۴۸۹ ساعت رصد را در بر داشتند، حاوی میلیون‌ها سیگنال رادیویی بودند که تقریبا همگی تداخل‌های ساخت بشر به شمار می‌رفتند. الگوریتم تک‌تک آنها را بررسی کرد و هشت سیگنال را یافت که با هیچ‌کدام از موارد آموزشی مطابقت نداشتند و در بررسی‌های پیشین داده‌ها از قلم افتاده بودند.

تلسکوپ رصدخانه گرین بانک

اگرچه ممکن است گمراه‌کننده باشند اما به نظر می‌رسد این هشت سیگنال از پنج منظومه ستاره‌ای متفاوت می‌آیند. سیگنال‌ها از آن زمان شناسایی نشده‌اند و احتمالا حاوی تداخل فرکانس رادیویی بیشتری هستند.

در هر حال، حتی این نیز سودمند است زیرا می‌توان از سیگنال‌ها برای آموزش دادن نسل بعدی یادگیری ماشینی مبتنی بر هوش مصنوعی استفاده کرد تا امکان جلوگیری از تداخل فرکانس رادیویی مشابه در آینده فراهم شود.

الگوریتم‌های یادگیری ماشینی را می‌توان به دو گروه تقسیم کرد. یکی از گروه‌ها به عنوان یادگیری تحت نظارت شناخته می‌شود و روشی است که می‌توان هر چیزی را به آن آموخت.

یادگیری بدون نظارت، کمی متفاوت است زیرا فقط داده‌ها به الگوریتم داده می‌شوند و الگوریتم می‌تواند بدون هیچ گونه تعصب‌ انسانی بفهمد چه چیزی مهم است. کرافت گفت: با یک رویکرد کاملا بدون نظارت، شما فقط همه داده‌ها را وارد می‌کنید و اجازه می‌دهید خود الگوریتم آن را بفهمد.

به عنوان یک مثال معمولی، فرض کنید مجموعه داده‌ای از تصاویر میز و صندلی دارید و می‌خواهید که الگوریتم بین آنها تمایز قائل شود.

در یادگیری نظارت‌شده، الگوریتم را با بسیاری از تصاویری آموزش می‌دهید که با عنوان میز یا صندلی مشخص شده‌اند اما با یادگیری بدون نظارت، الگوریتم باید با گروه‌بندی کردن چیزهایی که بدون هیچ آموزش قبلی مشابه به نظر می‌رسند، بین این دو تمایز قائل شود.

برای مثال، ممکن است هر چیز دارای پشتی را به عنوان صندلی و هر چیزی را که بالای آن بلند است، به عنوان میز انتخاب کند.

کرینز پروژه‌ای را یادآوری کرد که به سرپرستی «آدام لسنیکوفسکی»(Adam Lesnikowski) از شرکت «انویدیا»(NVIDIA) انجام شده است. انویدیا به خاطر واحدهای پردازش گرافیکی خود مشهور است اما اکنون یک پیشرو در زمینه هوش مصنوعی به شمار می‌رود.

لسنیکوفسکی به همراه «والنتین بیکل»(Valentin Bickel) پژوهشگر «مؤسسه فناوری فدرال زوریخ»(ETH Zurich) و «دنیل انگرهاوزن»(Daniel Angerhausen) پژوهشگر «دانشگاه برن»(University of Bern)، از یادگیری ماشینی بدون نظارت در یک آزمایش استفاده کردند تا ببینند آیا می‌تواند اجرام مصنوعی را روی ماه تشخیص دهد.

این الگوریتم، تصاویری را از «مدارگرد شناسایی ماه»(Lunar Reconnaissance Orbiter) ناسا دریافت می‌کرد و باید نشان می‌داد که کدام یک از آنها ویژگی‌های معمولی ماه مانند دهانه است و کدام یک از این گروه نیست. آزمایش موفقیت‌آمیز بود و الگوریتم، فرودگر قمری «آپولو ۱۵» را روی سطح ماه انتخاب کرد.

ایده این است که شاید بیگانگان قبلا از منظومه شمسی ما بازدید کرده و کاوشگرها یا مصنوعاتی را روی سیاره‌ها، قمرها یا سیارک‌ها به جا گذاشته باشند.

حتی ممکن است یک کاوشگر فعال در حال حاضر ما را زیر نظر داشته باشد. کرینز گفت: برخی از همکاران من به ایده مدارگردهای مجهز به الگوریتم یادگیری ماشینی بسیار علاقمند هستند.

یک فضاپیما می‌تواند سطوح سیاره‌ای را در منظومه شمسی بررسی کند تا به جستجوی ناهنجاری‌هایی بپردازد که می‌توانند کاوشگرهای بیگانه باشند و احتمالا میلیون‌ها یا میلیاردها سال قدمت دارند.

از آنجا که یادگیری بدون نظارت می‌تواند در لحظه کار کند، قادر است هر تصویر را پیش از حرکت بدون صبر کردن برای ارسال همه داده‌ها به زمین برای تماشای انسان تحت ارزیابی قرار دهد.

مطمئنا در عصر کلان‌داده‌ها، هوش مصنوعی یک راه رو به جلو است که اکنون به طور گسترده در ستاره‌شناسی و جستجوی هوش فرازمینی استفاده می‌شود و قابلیت انجام دادن کارها را سریع‌تر و بهتر از انسان‌ها دارد.

کرینز گفت: هوش مصنوعی مطمئنا سریع است و نزدیک‌ترین رابطه‌ای که می‌تواند با انسان‌ها داشته باشد، از طریق پروژه‌های علمی شهروندی است.

به رغم وجود الگوریتم‌های یادگیری ماشینی، انسان‌ها همچنان در این میان نقش دارند. ممکن است یک سیگنال توسط هوش مصنوعی به عنوان یک سرنخ جذاب نشان داده شود اما هنوز هم انسان‌ها باید آن را پیگیری و بررسی کنند. الگوریتم‌ها چندان هوشمند نیستند.

با وجود این، ممکن است به زودی زمانی فرا برسد که الگوریتم‌ها هم به اندازه ما باهوش باشند. پژوهشگران در مکان‌هایی مانند «دیپ‌مایند»(DeepMind) گوگل به دنبال «هوش مصنوعی عمومی»(AGI) بوده‌اند.

اگرچه الگوریتم‌هایی که امروز در اختیار داریم، بسیار ویژه هستند اما هوش مصنوعی عمومی می‌تواند هر چیزی را یاد بگیرد و هنگام انجام دادن آن توسعه یابد. هوش مصنوعی عمومی می‌تواند به سرعت فراتر از ظرفیت هوش انسانی شتاب بگیرد.

قابلیت‌ هوش مصنوعی عمومی برای جستجوی هوش فرازمینی وسوسه‌انگیز است. پیشتر دیده‌ایم که چگونه الگوریتم‌های یادگیری ماشینی برای انجام دادن بازی‌هایی مانند شطرنج یا «گو»(Go) طراحی شده‌اند و راهبردهایی را به کار می‌گیرند که متخصصان انسانی را گیج می‌کند. هوش مصنوعی عمومی مطمئنا می‌تواند راه‌های جدیدی را برای جستجوی زندگی بیگانه فراتر از محدودیت‌ سوگیری‌ها و تجربه‌های انسانی بیابد.

کرینز گفت: هوش مصنوعی عمومی می‌تواند انواع احتمالات را برای چگونگی انتقال زبان و ارتباطات از طریق سیگنال‌ها ترسیم کند. ممکن است بتواند از کاتالوگ‌های نجومی گسترده‌ای تغذیه کند و در مورد راهبردهای جدید تصمیم بگیرد.

کرافت نیز خوش‌بینی کرینز را تکرار کرد و گفت: من امیدوارم هوش مصنوعی به مرحله‌ای تکامل یابد که بتوانیم از آن بخواهیم محدودیت دید خود را از بین ببرد، همه چیز را در مورد فیزیک، زیست‌شناسی، شیمی، سیارات فراخورشیدی و فناوری تصور کند و به آن چیزی فکر کند هوش فرازمینی ممکن است انجام دهد. احتمالا به چند ایده خوب خواهد رسید.

این در صورتی است که هوش مصنوعی بتواند چیزی به ما بگوید. ایجاد یک هوش مصنوعی عمومی، به نوعی شبیه به خلق یک موجود بیگانه خواهد بود که شباهت زیادی به ما ندارد و باید برای درک کردن آن تلاش کنیم.

کرینز گفت: ممکن است برقرار کردن ارتباط مستقیم با هوش مصنوعی برای ما بسیار دشوار باشد. شاید ما به سلسله مراتبی از مترجم‌ها نیاز داشته باشیم که در راس آنها، هوش مصنوعی در مورد روش‌های بسیار هوشمندانه‌تری برای جستجوی هوش فرازمینی تصمیم می‌گیرد.

ممکن است نسخه‌ای از زمزمه‌ها را به زبان چینی دریافت کنیم که در آن اطلاعات مربوطه از طریق سلسله‌مراتب منتقل می‌شوند و تا زمان دریافت کردن نسخه ساده‌شده، پیچیدگی آنها به تدریج کاهش می‌یابد.

هوش مصنوعی عمومی حتی ممکن است اطلاعاتی را که به نظرش برای درک ما بسیار پیچیده است، پنهان کند. بنابراین حتی اگر هوش مصنوعی عمومی موفق شود هوش فرازمینی را شناسایی کند، ممکن است ما تصویر کامل را دریافت نکنیم.

در هر حال، این فقط حدس و گمان است. هوش مصنوعی در حال حاضر فناوری قدرتمندی است که جستجوهای ما را برای شناسایی هوش فرازمینی سرعت می‌بخشد.

این اطمینان وجود دارد که اگر در آینده سیگنالی از یک دنیای دیگر را کشف کنیم، باید سپاسگزار هوش مصنوعی باشیم.

منبع: ایسنا