آیا هوش مصنوعی می‌تواند آموزش را بی‌فایده کند؟
به گزارش تیم آینده پژوهی پردیس هوش مصنوعی و نوآوری دیجیتال ایران، با جشن‌های فارغ‌التحصیلی که نوید نسل جدیدی از فارغ‌التحصیلان را می‌دهند، یک سوال مهم مطرح است. آیا هوش مصنوعی می‌تواند آموزش را بی‌فایده کند؟ بسیاری از مدیران عامل پیش‌بینی می‌کنند که هوش مصنوعی می‌تواند جایگزین مشاغل مختلفی از جمله مهندسان، پزشکان و معلمان شود. به عنوان مثال، مارک زاکربرگ و جنسن هوانگ اعلام کرده‌اند که حتی کدنویسی ممکن است به زودی منسوخ گردد. بیل گیتس نیز ابراز خوشحالی کرده است که هوش مصنوعی می‌تواند دانش نخبگان را به طور جهانی در دسترس قرار دهد.
هوش مصنوعی به تنهایی نمی‌تواند «فکر» کند یا بدون دخالت انسان‌ها عمل کند. تأثیر آن بر فرآیند یادگیری به این بستگی دارد که آیا فقط به پیش‌بینی الگوها بسنده می‌کند یا اینکه از آن انتظار داریم توضیحات علمی ارائه دهد و در اصول علمی ریشه‌دار باشد. برای عملکرد صحیح، هوش مصنوعی نیازمند هدایت و نظارت انسانی است.
حرکت رو به رشد در هوش مصنوعی به دنبال راه حلی است که دانش انسانی را مستقیماً در نحوه یادگیری ماشین‌ها ادغام کند. شبکه‌های عصبی آگاه از فیزیک (PINNs) و شبکه‌های عصبی آگاه از مکانیزم (MINNs) نمونه‌هایی از این نوع هستند. این روش‌ها به هوش مصنوعی کمک می‌کنند تا با پیروی از قوانین فیزیک یا سیستم‌های بیولوژیکی، به دقت و درستی بیشتری دست یابد.
در نهایت، نکته اصلی این است که حضور انسان‌ها همچنان ضروری است. با پیشرفت هوش مصنوعی، نقش ما نه تنها در حال محو شدن نیست، بلکه در حال تغییر است. ما باید در مواقعی که الگوریتم‌ها نتایج عجیب، نادرست یا متعصبانه ارائه می‌دهند، به «چالش کشیدن هوش مصنوعی» بپردازیم. این تنها یک ضعف در هوش مصنوعی نیست؛ بلکه بزرگ‌ترین قدرت انسان‌ها محسوب می‌شود.
تهدید واقعی این نیست که هوش مصنوعی هوشمندتر می‌شود، بلکه در این است که شاید ما فراموش کنیم که از هوش و توانایی‌های خود استفاده کنیم. اگر هوش مصنوعی را به عنوان یک اوراکل بپذیریم، خطر از دست دادن قابلیت‌های اساسی‌مان مانند پرسشگری، استدلال و شناسایی نادرستی‌ها به شدت افزایش می‌یابد. خوشبختانه، آینده ممکن است این‌طور نباشد.
ما می‌توانیم سیستم‌هایی ایجاد کنیم که شفاف، تفسیرپذیر و بر اساس دانش انباشته انسانی از علم، اخلاق و فرهنگ باشند. در این راستا، سیاست‌گذاران می‌توانند به تحقیق در زمینه هوش مصنوعی تفسیرپذیر بودجه اختصاص دهند. دانشگاه‌ها نیز می‌توانند دانشجویانی تربیت کنند که دانش دامنه‌ای را با مهارت‌های فنی ترکیب کنند.همچنین، توسعه‌دهندگان می‌توانند از چارچوب‌هایی مانند MINNs و PINNs بهره‌برداری کنند تا مدل‌ها را به گونه‌ای طراحی کنند که با واقعیت همخوانی داشته باشند.