ظرفیت منطق‌های جدید و هوش مصنوعی در فرآیند استنباط

اگر بخواهیم دانش را مدل کنیم، چاره‌‌ای جز این نیست که ما منطق‌های خیلی قوی داشته باشیم. اگر منطق ما ضعیف باشد نمی‌توانیم خروجی‌های خوبی داشته باشیم که ماشین بتواند بر اساس آن استنتاج کند. اصلاً با منطق‌های ساده، خیلی نمی‌توان تمامی حقائق یک دامنه را مدل کرد و در ادامه آن استدلال ورزی انجام داد.

به گزارش شبکه اجتهاد، در ادامه سلسله نشست‌های علمی مدرسه فقهی امام محمدباقر علیه‌السلام، نشست علمی «ظرفیت منطق‌های جدید و هوش مصنوعی در فرآیند استنباط» با ارائه حجت‌الاسلام علیرضا شهبازی، مدیر واحد هوش مصنوعی توضیح پذیر کلان پروژه هوش مصنوعی و علوم اسلامی (برهان) چندی پیش در جمع فضلا و طلاب این مدرسه فقهی برگزار شد؛ آنچه می‌خوانید گزارشی از این نشست می‌باشد.

مقدمه: بحث را در چند مرحله دنبال می‌کنیم. اولا در مورد انواع هوش مصنوعی و رویکردهایی که وجود دارد بحث خواهیم کرد. ثانیا با توجه به دو رویکردی که هست، بررسی می‌کنیم که کدام یک در فضای علوم اسلامی – انسانی بیشتر به کار می‌آید. در مورد منطق‌های جدید و چرایی شکل گرفتن آنها بحث خواهیم کرد. نمونه‌هایی از استدلال‌ورزی ماشینی بیان خواهد شد و در گام آخر چکیده‌هایی از دستاوردهای فعلی که در فعالیت‌های هوش مصنوعی در حوزه علوم اسلامی شکل گرفته ارائه می‌شود.

انواع رویکردهای هوش مصنوعی

رویکرد اول، رویکرد «هوش مصنوعی تفسیرپذیر» (Interpretable AI) است. منظور از این رویکرد این است که جوابهایی که سیستم هوشمند به ما می‌دهد همراه با تببین چرایی نیست. اگر ماشین جوابی را عرضه کرد نمی‌دانیم که چرا این جواب را داده و به تعبیری حتی خود ماشین هم منطقاً نمی‌داند که چرا چنین جوابی داده است. در این دسته که تفسیر پذیر هستند و سابقه دیرینه‌تری دارند پیشرفت‌های قابل ملاحظه‌ای رخ داده است که خیلی از چیزهایی که به صورت روزمره مشاهده می‌کنید از این دسته اند. اینکه تفسیر پذیر گفته‌‌‌‌اند به این خاطر است که شخص خبره می‌تواند خروجی‌های ماشین را تحلیل و تفسیر کند. تفسیر بردار است ولی توضیح پذیر از ناحیه ماشین نیست یعنی ماشین نمی‌گوید چرا چنین جواب و راه حلی را عرضه کرده‌ام.

دسته دوم که از آن به «هوش مصنوعی توضیح پذیر» (Explainable AI) تعبیر می‌شود رویکردی است که جوابهایی که ماشین به ما می‌دهد می‌گوید چرا این جواب را داده است. خودش جوابهایش را توضیح می‌دهد که چرا این جواب را گفته و علت را بیان می‌کند. در فضای هوش مصنوعی تفسیر پذیر غالباً صحبت از شبکه‌های عصبی و یادگیری ماشین است. ممکن است خیلی از وقتها تعبیر «Machine Learning» را شنیده باشید.

 باید ببینیم چه اتفاقی می‌افتد که می‌گوییم ماشین مسأله‌‌ای را یادگرفته یا نتایجی را به ما می‌دهد. تمام ماجرا بر می‌گردد به یک ایده‌ای که از انسان گرفته شده و از آن به شبکه عصبی تعبیر می‌شود. ماجرا به طور خیلی مختصر از این قرار است که ما شبکه گرافی داریم و از آن به شبکه تعبیر می‌کنیم. شبکه‌ها از یکسری گره (Node) و یال (Edge) تشکیل شده‌اند. کاری که می‌کنیم این است که ما یکسری داده ورودی داریم که خروجی مورد انتظار آن ورودی‌ها را می‌دانیم و این ورودی و خروجی به صورتی برای ماشین مدل می‌شود. در یک فضای محاسباتی به نحوی ضرایبی را در این شبکه بدست می‌آوریم که ورودی-خروجی‌هایی که داشته‌ایم در آن صدق کنند. به کار آموزش دادن (Train) ماشین گفته می‌شود. اینجا عملا یادگیری کلاسیک و متداول رخ نمی‌دهد بلکه در حقیقت یک‌سری عدد روی شبکه عصبی قرار گرفته و بسته به تعداد لایه‌ها این شبکه می‌تواند دقیقتر شود. اگر تعداد لایه‌ها بیشتر شود، با مدل پیچیده‌تری روبرو خواهیم بود. ولی به طور مشابه داده‌های بیشتری نیاز داریم که یادگیری صورت گیرد.

یک رویکرد دیگر همان رویکرد توضیح پذیر است؛ شبکه عصبی اینجا نمی‌تواند محور کار باشد. اینجا اگر ماشین بخواهد جواب بدهد در این فضا از ساختارهای منطقی استفاده می‌شود. در این رویکرد می‌خواهیم منطق و استدلال‌ورزی را به ماشین یاد دهیم؛ یعنی به او یاد دهیم که اگر این کبری و این صغری را دیدی، این نتیجه را اضافه کن.

رویکرد مورد توجه در فضای علوم اسلامی

بنابرین روشن است که در فضای علوم اسلامی و انسانی، غالباً باید سراغ این رویکرد برویم. بله در بحث مثلا اعراب گذاری از روش‌های تفسیرپذیر استفاده می‌کنیم چرا که تبیین و چرایی آن، آن قدر برای ما ارزشمند نیست. اما در فضایی که حجیت مهم است، نیاز به تحلیل داریم و ماشین باید بتواند جوابی که می‌دهد را توضیح دهد.

یک نکته که وجود دارد و خیلی مهم است این است که ما در این رویکرد می‌توانیم از نتیجه ماشین استفاده کنیم و نگوییم که این نتیجه‌‌ای است که از ماشین گرفته‌‌‌ایم به این دلیل که توضیح و تبیینش کنارش است و می‌توانیم نتیجه را به همراه توضیح آن بگوییم؛ مثلا بگوییم فلانی ثقه است و دلیلش این است.

در این راستا، این حقیقتی انکار ناپذیر است که اگر ما اگر بخواهیم دانش را مدل کنیم، چاره‌‌ای جز این نیست که ما منطق‌های خیلی قوی داشته باشیم. اگر منطق ما ضعیف باشد نمی‌توانیم خروجی‌های خوبی داشته باشیم که ماشین بتواند بر اساس آن استنتاج کند. اصلاً با منطق‌های ساده، خیلی نمی‌توان تمامی حقائق یک دامنه را مدل کرد و در ادامه آن استدلال ورزی انجام داد.

مهم است که در این ساختار می‌توان مبانی را عوض کرد و نتایج را گرفت. می‌توان صغری و کبری را برداشت و صغری و کبری جدید جایگزین کرد. در این فضا می‌توان دانش را از زوایای مختلف و به زبانهای مختلف دید. مثلا فرض کنید ما یک موسوعه از احادیث امام صادق علیه‌السلام می‌نویسیم و یک موسوعه از احادیث ایمان و یک موسوعه از احادیث عددی می‌نویسیم. در هر سه موسوعه، یک حدیث مشترک آورده می‌شود. اینجا یک حدیث تکرار می‌شود. اما در بحث مدل سازی، یک دانش را مدل می‌کنید و اگر خواستید احادیث عددی را ببینی، دوربین را نگاه عددی قرار می‌دهید و اگر احادیث موضوعی خواستید ببینید، دوربین را روی نگاه موضوعی قرار می‌دهید و البته کار ترکیبی هم می‌توان انجام داد. اتفاق دیگر بحث زبان‌های متفاوت است. دانشی که فرا زبانی مدل می‌شود وقتی که می‌خواهد به زبان طبیعی برسد فقط کافی است که الگوی آن زبان (فارسی، عربی، انگلیسی و …) را به آن بدهید. مثلا فلانی راوی از فلانی است. کافی است که الگوی زبان فارسی را بدهیم، آن به زبان فارسی ترجمه می‌شود. ما می‌توانیم در این فضایی که دانش مدل شده است، از ماشین خروجی بگیریم. مثلا می‌توانیم طوری طراحی کنیم که ماشین پاسخ سوالات را بدهد مثلا می‌توانیم سوال کنیم که چه کسی مدائنی است و در اسمش نیز ایوب وجود دارد. در اینصورت ماشین گویی چیزی را فهمیده است و در این صورت می‌توان از آن سوال کرد و جواب گرفت. برای دقیقتر شدن نتایج نیاز داریم که منطق‌های ما قوی تر شود تا خروجی‌های دقیقتر داشته باشیم.

منطق‌های جدید

سرانجام همگام با توسعه این رویکرد، دسته‌‌ای از منطق‌ها شکل گرفت تحت عنوان منطق‌های غیر یکنوا. منطق‌هایی که در آن گزاره‌ها فسخ‌پذیر دارند. یعنی ما بر اساس یک عدم علم، یک نتیجه می‌گیریم ولی ممکن است فسخ شود و دیگر معتبر نباشد. در ذیل منطق‌های غیر یکنوا، به طور نمونه منطق پیش‌فرض شکل گرفت. به طور مثال اگر بخواهیم اصول لفظیه و عملیه را مدل کنیم، چاره‌‌ای جز حرکت به این سمت نداریم یعنی خیلی از مدل‌هایی داریم اصل است و فعلا دلیلی نداریم. این پیش فرض را وسط می‌گذاریم و می‌خواهیم علم خود را توسعه دهیم و بعد اگر توسعه ما آن گزاره را فسخ کرد، فسخ آن گزاره ممکن است تغییر زیادی در عالم دهد. یعنی ممکن است شما به این نتیجه رسیدید که باید امروز با اتوبوس به محل کار بروید، بعد به تبع باید بلیط بخرید. اینها را در پس این گزاره استنتاج کرده بودید ولی وقتی می‌فهمید که راننده‌های اتوبوس اعتصاب کرده‌اند، تمام نتائج بار شده روی نتیجه اولیه از بین می‌رود.

باز هم به طور نمونه یک منطق طراحی کرده‌‌‌‌اند تحت عنوان منطق معرفتی. منطقی که علم به محمولات را به عنوان ادات اضافه کنیم. مشکوک الخمریه، را به عنوان یک محمول نیاوریم بلکه شک به عنوان یک ادات خارج از محمول باشد.

روی هرکدام از این منطق‌ها یک اصول موضوعه پیاده می‌شود، مثلا آیا علم به علم را مساوی با علم بدانیم یا نه؟ یا علم به چیزی مساوی با وقوع آن در خارج است یا نه؟

منطق موجهات طراحی شده که در منطق قدیم آن را داریم ولی منطق جدید آن توسعه یافته است.

به کمک چارچوب منطق موجهات، یک منطق تکلیف شکل می‌گیرد که لزوم و اباحه در آن مدل می‌شود. این فقط ما نبودیم که با لزوم و اباحه مواجه بودیم، بلکه کل عالم با اینها مواجه بوده‌‌‌‌اند و روی مدل‌سازی آن کار کرده‌اند.

باز هم به طور نمونه منطق پویا وجود دارد. حقیقت این است که وضعیت عالم مکرراً عوض می‌شود. با عقد بیع، جای ثمن و مثمن عوض می‌شود. با سوت داور، بازی تمام می‌شود. در چنین فضایی تغییر حالت داریم؛ افعال یک چیزی را عوض می‌کنند. برای این یک منطق پویا طراحی شده است.

مدل سازی‌های زمانی یک منطق زمان دارد. زمان و اثرات آن را روی اتفاقات مختلف مدل کرده اند.

منطق احتمالاتی که خیلی مهم است و در جایی که اطلاعات ما قطعی نباشد و دانش کاملی نداشته باشید از اهمیت ویژه‌‌ای برخوردار است. به طور مثال در فضاهای تاریخی و حدیثی به این منطق نیازمندیم.

منطقی که زیاد شنیده‌‌‌‌‌اید منطق فازی است. منطقی که محمولاتی که بر افرادش می‌خواهد حمل کند با درجه عضویت حمل می‌کند. مثلا می‌گوید این شی گرم است و دیگری هم گرم است و بعدی خیلی گرم است و دیگری کمتر گرم است. منطق فازی ذیل منطق‌های فراسازگار است یعنی نیاز نیست که سازگاری وجود داشته باشد. (به تعبیری اشکالی ندارد که یک چیزی هم گرم باشد و هم سرد و اجتماع دو متضاد شکل نمی‌گیرد.)

منطق دیگری که طراحی شده است منطق بهترین تبیین یا همان Abduction است که منطق حدس زدن است. ما چکار کنیم که یک حدس هوشمندانه داشته باشیم. برای اینکه یک حدس هوشمند داشته باشیم یک نظام وجود دارد.

از طرف دیگر اگر بخواهیم سوری را روی سور دیگر ببریم، عملاً وارد منطق مرتبه دوم شده‌‌‌ایم و بخشهایی از حقائقی که با آن‌ها روبرو هستیم در این فضا هستند. فرض کنید که بخواهیم بگوییم به ازاء هرچیزی که علت چیز دیگری بود اگر هر فردی از آن چیز (علت) رخ داد، معلول آن هم رخ می‌دهد. اینجا دو تا سور داریم.