آیا سیستم‌های رایانه‌ای در سفرهای میان‌ستاره‌ای دوام می‌آورند؟

سفرهای میان‌ستاره‌ای احتمالاً تنها راه انسان برای رسیدن به ستارگان دیگر خواهند بود. این فضاپیماهای فرضی با سرعتی کمتر از نور حرکت می‌کنند و رسیدن آن‌ها به مقصد ممکن است نسل‌ها به طول انجامد. در طول صدها یا حتی هزاران سال، نسل‌های مختلفی از انسان‌ها در این فضاپیماها به دنیا می‌آیند، زندگی می‌کنند و از دنیا می‌روند. حتی اگر بتوان این شرایط خاص را مدیریت کرد، باقی سیستم‌ها چطور دوام خواهند آورد؟ تکلیف خود فضاپیما و هوش مصنوعی چه خواهد شد؟

در صورت تحقق سفرهای میان‌ستاره‌ای، هوش مصنوعی (AI) بدون شک نقش حیاتی ایفا خواهد کرد. هم‌اکنون نیز در ماموریت‌های فضایی، هوش مصنوعی وظایفی مانند ناوبری را به‌طور خودکار انجام می‌دهد. اما در سفرهایی که دهه‌ها یا حتی قرن‌ها به طول می‌انجامند، نیاز به خودمختاری بسیار بیشتر خواهد بود. طبق پژوهشی جدید، سامانه‌های کنونی هوش مصنوعی برای انجام چنین ماموریت‌هایی کافی نیستند. این پژوهش نشان می‌دهد که برای نگهداری و مدیریت چنین فضاپیماهایی، باید از شکل‌های ترکیبی و پیشرفته‌تری از هوش مصنوعی بهره گرفت.

این پژوهش با عنوان «وضعیت هوش مصنوعی ترکیبی برای مأموریت‌های میان‌ستاره‌ای» در مجله Progress in Aerospace Sciences منتشر شده و نویسنده آن الکس اللری، پژوهشگر مرکز تحقیقات خودتکثیری در دانشگاه کارلتون کانادا است.

الری تمرکزش بر مدل‌های زبانی بزرگ (LLM) مثل ChatGPT یا Claude نیست، بلکه بیشتر به شبکه‌های عصبی توجه دارد. در حالی که مدل‌های زبانی نوعی از شبکه عصبی هستند که زبان انسانی را درک و تولید می‌کنند، انواع دیگر شبکه‌های عصبی توانایی‌های پیچیده‌تری دارند.

الری می‌نویسد: «پروازهای میان‌ستاره‌ای محیطی بی‌رحم برای عملیات خودکار است، چرا که ناشناخته‌های فراوانی در آن وجود دارد که نیاز به هوش مصنوعی پیشرفته را ضروری می‌سازد. فاصله زیاد میان‌ستاره‌ای عملاً دخالت انسانی از زمین را غیرممکن می‌کند؛ چون ارسال و دریافت داده‌ها سال‌ها زمان می‌برد.»

در بخش حرکت بین‌ستاره‌ای، نیاز زیادی به هوش مصنوعی سطح بالا نیست؛ سیستم‌های کنونی می‌توانند وظایفی مانند هدایت و کنترل را انجام دهند. اما وقتی فضاپیما به نزدیکی مقصد می‌رسد، چالش اصلی آغاز می‌شود. الری توضیح می‌دهد: «پیچیدگی مرحله پرواز اصلاً با سختی برخورد با مقصد قابل مقایسه نیست.»

او ادامه می‌دهد: «برای اکتشاف مستقیم در منظومه هدف، پس از کاهش سرعت، نیاز به هوش مصنوعی در سطح نزدیک به انسان خواهیم داشت.» و این یعنی نیاز به سامانه‌هایی بسیار قوی‌تر از آن‌چه اکنون داریم.

در مأموریت‌هایی که صد سال یا بیشتر طول می‌کشند، سیستم‌های خودکار باید نه‌فقط فضاپیما را هدایت کنند، بلکه خودشان تعمیرات لازم را نیز انجام دهند. الری می‌نویسد: «برای دستیابی به در دسترس بودن بالا، فضاپیماهای میان‌ستاره‌ای باید قابلیت خودتعمیر را داشته باشند؛ و این نیازمند سطح بالایی از هوش onboard است.»

او در پژوهش خود به بررسی وضعیت کنونی هوش مصنوعی و میزان توانایی آن برای انجام این مأموریت‌ها می‌پردازد و می‌گوید که تمرکز اصلی بر روش‌های ترکیبی هوش مصنوعی است، چرا که این روش‌ها می‌توانند کاستی‌های رویکردهای منفرد را جبران کنند.

الری بیان می‌کند که بیش از خودمختاری (autonomy)، نسل‌سازها به «خودمدیریتی» (autonomicity) نیاز دارند. «خودمدیریتی شامل توانایی‌هایی مانند بازپیکربندی در برابر خطاها، بهینه‌سازی برای سازگاری با تغییرات ماموریت، خودترمیم در برابر آسیب‌ها، و خودمحافظت در برابر شرایط محیطی است.»

تعمیر یک فضاپیمای نسل‌ساز در سفر به یک ستاره دیگر کار بسیار پیچیده‌ای برای هوش مصنوعی خواهد بود. مواد خام موردنیاز و توانایی ساخت قطعات جایگزین، به زیرساخت‌هایی فوق‌العاده پیچیده نیاز دارد. خواص ساختاری، گرمایی، و مغناطیسی مواد مختلف باید به‌خوبی درک و مدیریت شوند، و همه این‌ها در حالی انجام گیرد که فضاپیما همچنان در حال حرکت است.

الری می‌گوید مشکل اصلی در تضاد میان دو رویکرد «هوش نمادین» (Symbolic AI) و «شبکه‌های عصبی» است. هوش نمادین منطقی و قابل پیش‌بینی است، اما با پیچیدگی زیاد از کار می‌افتد. در مقابل، شبکه‌های عصبی انعطاف‌پذیر و یادگیرنده‌اند، اما opaque یا غیرقابل تفسیر هستند. یعنی حتی سازندگانشان هم دقیقاً نمی‌دانند که چگونه تصمیم می‌گیرند.

به گفته الری، هوش مصنوعی ترکیبی که مزایای هر دو روش را در بر داشته باشد، می‌تواند راه‌حل مناسبی برای نسل‌سازها باشد. «ترکیب پردازش نمادین با شبکه‌های عصبی مصنوعی، ظاهراً می‌تواند مزایای هر دو را فراهم آورد.» او معتقد است این ترکیب تا حدی شبیه نحوه کار مغز انسان است.

در مقاله، الری به انواع مختلف هوش مصنوعی ترکیبی مانند «شبکه‌های عصبی فازی» و «شبکه‌های منطق مارکوف» اشاره می‌کند، اگرچه بررسی کامل آن‌ها خارج از حوصله این مطلب است.

در پایان، الری تاکید می‌کند که اگرچه می‌دانیم هوش مصنوعی چه کارهایی باید انجام دهد، اما در حال حاضر هنوز قادر به انجام آن‌ها نیست.

یکی از چالش‌های کلیدی، موضوع یادگیری است. او می‌نویسد: «شبکه‌های عصبی کنونی قادر به یادگیری از یک نمونه نیستند و به داده‌های آموزشی بسیار زیاد نیاز دارند. در حالی که در محیط‌های میان‌ستاره‌ای، این داده‌ها به‌شدت محدود خواهند بود.»

چالش دیگر، پیچیدگی ذاتی چنین ماموریت‌هایی است. «در همه سیستم‌های هوش مصنوعی، با افزایش ابعاد فضای حالت محیط واقعی، دشواری‌ها به‌صورت نمایی افزایش می‌یابد.»

به نظر الری، مشکل اساسی دو بخش دارد: نخست، ضعف هوش مصنوعی کنونی که ترکیبی از توانایی‌های محدود و تخصصی است. دوم، نبود درک عمیق از مکانیزم‌های کلی هوش، چه انسانی و چه مصنوعی. این دو مانع، مانع از طراحی سامانه‌ای ترکیبی و مقاوم برای مدیریت مأموریت‌های پیچیده و طولانی میان‌ستاره‌ای هستند.

او می‌نویسد: «اگر این مسائل حل نشوند، بعید است بتوانیم مأموریتی موفق فراتر از یک پرواز گذری (flyby) انجام دهیم، مشروط بر اینکه اصلاً نیازی به خودتعمیر نباشد.» و نتیجه می‌گیرد: «این موضوع بسیار مشکل‌ساز است، زیرا دستاوردهای علمی ما از مأموریت‌های میان‌ستاره‌ای را به‌شدت محدود می‌کند.»

در نهایت، مشخص نیست که یک هوش مصنوعی ترکیبی و قدرتمند چگونه در یک مأموریت بلندمدت میان‌ستاره‌ای عمل خواهد کرد. همچنین، نمی‌دانیم آیا چنین سیستمی می‌تواند «عقل خود را حفظ کند» یا نه. همان‌طور که انسان‌ها در انزوای طولانی در خطر فروپاشی روانی هستند، ممکن است هوش مصنوعی نیز دچار مشکلات مشابه شود.

شخصیت HAL 9000 در فیلم «اودیسه فضایی» شاید هشدار کوچکی در این زمینه باشد. HAL در طول مأموریت دچار اختلال می‌شود؛ با خطاهای کوچک در بازی شطرنج شروع می‌کند و در نهایت یکی از خدمه را می‌کشد، چون تصور می‌کند تنها راه حفظ ماموریت است.

اگرچه این داستان علمی‌تخیلی است، اما پرسشی واقعی را مطرح می‌کند: حتی اگر بتوانیم چنین هوش مصنوعی‌ای بسازیم، آیا می‌دانیم در طول سفر چگونه رفتار خواهد کرد؟ چون ما حتی درک دقیقی از نحوه کار ذهن خودمان هم نداریم، پاسخی برای این پرسش نداریم.