«نظریه ذهن» مرز بعدی تحول هوش مصنوعی است

تحقیقات جدید در حوزه هوش مصنوعی نشان می‌دهد مسیر آینده این فناوری ممکن است به سمت درک عمیق‌تر رفتار و حالات ذهنی انسان حرکت کند. در یک پژوهش مروری که توسط گروهی از محققان دانشگاه Westcliff آمریکا منتشر شده، چشم‌اندازی از نسل جدیدی از سیستم‌های هوش مصنوعی ترسیم شده است که نه‌تنها داده‌ها را پردازش می‌کنند، بلکه تلاش می‌کنند افکار، احساسات و نیت‌های انسانی را نیز تفسیر کنند. این رویکرد در علوم شناختی با مفهوم «نظریه ذهن» (Theory of Mind) شناخته می‌شود و به‌تدریج به یکی از محورهای مهم در پژوهش‌های پیشرفته هوش مصنوعی تبدیل شده است.

پژوهشگران در این مطالعه تأکید می‌کنند که با وجود پیشرفت‌های قابل توجه در حوزه‌هایی مانند مدل‌های زبانی بزرگ، بینایی ماشین و سامانه‌های مولد، سیستم‌های هوش مصنوعی کنونی هنوز فاقد درک واقعی از ذهن انسان هستند. با این حال، روند تحقیقات نشان می‌دهد که تلاش‌های گسترده‌ای برای توسعه سیستم‌هایی در حال انجام است که بتوانند حالات ذهنی کاربران را مدل‌سازی کرده و بر اساس آن واکنش‌های مناسب‌تری ارائه دهند.

در روان‌شناسی شناختی، «نظریه ذهن» به توانایی انسان برای درک این موضوع اشاره دارد که دیگران دارای باورها، خواسته‌ها، احساسات و مقاصدی متفاوت از خود ما هستند. این توانایی یکی از پایه‌های اصلی تعاملات اجتماعی محسوب می‌شود و انسان‌ها از طریق آن رفتار دیگران را پیش‌بینی و تفسیر می‌کنند. اکنون پژوهشگران علوم رایانه در تلاش هستند این قابلیت شناختی را در سامانه‌های هوش مصنوعی نیز پیاده‌سازی کنند تا ماشین‌ها بتوانند رفتار انسان را نه صرفاً بر اساس الگوهای آماری، بلکه از طریق تفسیر احتمالی حالات ذهنی او پیش‌بینی کنند.

نتایج این پژوهش که بر پایه مرور مطالعات منتشر شده طی چند سال اخیر انجام شده است نشان می‌دهد که «هوش مصنوعی مبتنی بر نظریه ذهن» هنوز در مراحل اولیه پژوهش قرار دارد. با این حال، پیشرفت‌هایی در حوزه‌هایی مانند تشخیص احساسات (affective computing)، مدل‌سازی شناختی، سیستم‌های گفت‌وگومحور، شبیه‌سازی رفتار انسان و سیستم‌های چندعاملی مشاهده شده است.

به گفته نویسندگان، تفاوت اساسی میان هوش مصنوعی سنتی و سامانه‌هایی که بر اساس نظریه ذهن طراحی می‌شوند در نوع درک آن‌ها از رفتار انسان است. در حالی که سیستم‌های سنتی عمدتاً بر قوانین از پیش تعریف‌شده یا الگوهای آماری متکی هستند، سیستم‌های مبتنی بر نظریه ذهن تلاش می‌کنند وضعیت ذهنی کاربر را استنباط کرده و پاسخ خود را با توجه به آن تنظیم کنند؛ قابلیتی که می‌تواند کیفیت تعامل انسان و ماشین را به شکل قابل توجهی تغییر دهد.

پژوهشگران برای توضیح کاربردهای احتمالی این فناوری، مثال‌هایی نیز مطرح کرده‌اند. برای نمونه، یک دستیار مجازی پیشرفته می‌تواند با تحلیل لحن گفتار، طول جملات یا نشانه‌های غیرکلامی تشخیص دهد که کاربر خسته، سردرگم یا بی‌حوصله است و سپس شیوه پاسخ‌دهی خود را متناسب با آن تغییر دهد. در حوزه آموزش نیز سیستم‌های هوشمند می‌توانند با تحلیل رفتارهایی مانند حرکات چشم، حالات چهره یا میزان تعامل دانش‌آموز، وضعیت شناختی او را ارزیابی کرده و محتوای آموزشی را بر اساس نیازهای فردی تنظیم کنند.

با این حال، پژوهش تأکید می‌کند که توسعه چنین سیستم‌هایی با چالش‌های علمی پیچیده‌ای روبه‌رو است. ذهن انسان ساختاری پویا و چندلایه دارد و حتی انسان‌ها نیز همیشه قادر به تفسیر دقیق احساسات و نیت‌های یکدیگر نیستند. به همین دلیل، انتقال این توانایی به ماشین‌ها یکی از دشوارترین مسائل در تحقیقات هوش مصنوعی به شمار می‌رود.

در این میان، برخی محققان نقش «فرا‌یادگیری» (Meta-learning) را در پیشرفت این حوزه مهم می‌دانند. فرا‌یادگیری که گاهی از آن با عنوان «یادگیری برای یادگیری» یاد می‌شود، به سیستم اجازه می‌دهد از تجربه‌های قبلی خود برای سازگاری سریع با موقعیت‌های جدید استفاده کند. چنین رویکردی می‌تواند به هوش مصنوعی کمک کند تا تنها با مشاهده مقدار محدودی از رفتار انسان، اهداف یا باورهای احتمالی او را سریع‌تر استنباط کند.

در کنار چالش‌های فنی، این فناوری پیامدهای اخلاقی قابل توجهی نیز به همراه دارد. پژوهشگران هشدار می‌دهند که سیستم‌هایی که قادر به تحلیل حالات ذهنی انسان هستند ممکن است به ابزارهایی برای نقض حریم خصوصی، دستکاری رفتاری یا افزایش وابستگی روانی کاربران به فناوری تبدیل شوند. اگر یک سامانه هوشمند بتواند ترجیحات، احساسات یا نقاط آسیب‌پذیر کاربران را پیش‌بینی کند، احتمال تأثیرگذاری نامحسوس بر تصمیم‌گیری‌های آن‌ها نیز افزایش می‌یابد.

این نگرانی‌ها زمانی بیشتر می‌شود که سیستم‌های هوش مصنوعی ظاهری اجتماعی و انسان‌گونه پیدا کنند. در چنین شرایطی ممکن است کاربران تصور کنند که این سیستم‌ها واقعاً دارای احساس یا همدلی هستند، در حالی که رفتار آن‌ها صرفاً نتیجه تحلیل داده‌ها و پیش‌بینی‌های آماری است. این مسئله می‌تواند مرز میان فهم انسانی و شبیه‌سازی ماشینی را مبهم‌تر کند.

در بخش پایانی این پژوهش به موضوع «خودآگاهی در هوش مصنوعی» نیز اشاره شده است. نظریه ذهن به توانایی درک ذهن دیگران مربوط می‌شود، اما خودآگاهی به معنای درک وجود خود است. نویسندگان تأکید می‌کنند که فناوری لازم برای ایجاد خودآگاهی واقعی در ماشین‌ها هنوز وجود ندارد و مشخص نیست آیا چنین مرحله‌ای در آینده قابل تحقق خواهد بود یا خیر.

در مجموع، این پژوهش نشان می‌دهد که نظریه ذهن می‌تواند یکی از مرزهای مهم در آینده هوش مصنوعی باشد؛ حوزه‌ای که اگرچه هنوز فاصله زیادی تا کاربرد گسترده دارد، اما ممکن است در بلندمدت شیوه تعامل انسان و ماشین را به‌طور بنیادین تغییر دهد.

منابع علمی :

Premack, D., & Woodruff, G. (1978). Does the chimpanzee have a theory of mind? Behavioral and Brain Sciences

Rabinowitz, N. et al. (2018). Machine Theory of Mind. Proceedings of the International Conference on Machine Learning (ICML)

Frith, C., & Frith, U. (2005). Theory of mind. Current Biology

Scassellati, B. (2002). Theory of Mind for a Humanoid Robot. Autonomous Robots

Baker, C., Saxe, R., & Tenenbaum, J. (2017). Rational quantitative attribution of beliefs, desires and percepts in human mentalizing. Nature Human Behaviour

Gopnik, A., & Wellman, H. (2012). Reconstructing constructivism: causal models, Bayesian learning, and the theory theory. Psychological Bulletin