در سال ۱۹۶۹، چاپ کتابی نامآور مسیر تحقیقات هوش مصنوعی را برای بیش از یک دهه دچار تغییرات بنیادین کرد. اثر مشترک ماروین مینسکی و سیمور پاپرت با عنوان پرسپترونها: مقدمهای بر هندسه محاسباتی (Perceptrons)، بهعنوان تاثیرگذارترین رویداد علمی در بروز پدیدهای شناخته میشود که در تاریخ فناوری با نام «اولین زمستان هوش مصنوعی» (AI Winter) ثبت شده است. اگرچه این کتاب از نظر ریاضی اثباتهای دقیق و بینقصی را ارائه میکرد، اما برداشتهای نادرست و تعمیمهای هیجانی از پیامدهای آن، به طور جدی جریان مالی و علاقه آکادمیک به تحقیقات شبکههای عصبی را برای سالیان متمادی خفه کرد.
نبرد دوستان دوران نوجوانی بر سر شبکههای عصبی
ماروین مینسکی و سیمور پاپرت، هر دو از چهرههای پیشگام و تاثیرگذار در آزمایشگاه هوش مصنوعی موسسه فناوری ماساچوست (MIT) به شمار میرفتند. آنها قصد داشتند با نگارش یک رساله نظری، محدودیتهای پنهان در پرسپترونها را واکاوی کنند. پرسپترونها در اواخر دهه ۱۹۵۰ و اوایل دهه ۱۹۶۰ توسط روانشناس آمریکایی، فرانک روزنبلات، بهعنوان نخستین مدلهای شبکه عصبی مصنوعی توسعه یافته بودند.
نکته کمتر شناختهشده در این رقابت علمی، تاریخچه شخصی عمیق میان مینسکی و روزنبلات است. این دو تن از سالهای نوجوانی یکدیگر را میشناختند و تنها با یک سال اختلاف در دبیرستان علوم برانکس نیویورک (Bronx High School of Science) درس خوانده بودند. بعدها، آنها به قطبهای اصلی بحث و جدل در جامعه تحقیقاتی هوش مصنوعی بدل شدند. با وجود بحثهای داغ و پر سر و صدایشان در کنفرانسهای علمی، گزارشها حاکی از آن است که ارتباط دوستانهشان تا پایان عمر حفظ شد.
تناقض عجیبی در آغاز کتاب مینسکی و پاپرت وجود دارد؛ آنها اثر خود را به روزنبلات تقدیم کردند و نوشتند: «به رسمیت شناختن کارهای پیشگامانه فرانک روزنبلات». با این حال، موضوع اصلی کتاب بررسی نسخههای انتزاعی و اصلاحشدهای از پرسپترونهای روزنبلات بود که تنها از یک شبکیه، یک لایه ورودی و یک خروجی تشکیل میشدند؛ مواردی که ذاتاً محدودیتهای ساختاری داشتند.
پروژهای ششساله برای اثبات محدودیتها
ایده نوشتن این کتاب زمانی شکل گرفت که سیمور پاپرت در سال ۱۹۶۳ به MIT پیوست. پروژهای که قرار بود یک کار ساده و سریع باشد، در نهایت به تلاشی طاقتفرسا و ششساله تبدیل شد. حل مسائل و چالشهای پیچیده ریاضی که در طول نگارش بروز میکردند، تا سال ۱۹۶۹ زمان برد.
چاپ اول کتاب در سال ۱۹۶۹ انجام شد و در چاپ دوم در سال ۱۹۷۲، نویسندگان یادداشتهای دستنویسی خود را برای پاسخ به نقدهای ویرایش اول به آن افزودند. پس از شکوفایی مجدد شبکههای عصبی در دهه ۱۹۸۰، نسخه گسترشیافتهای در سال ۱۹۸۸ منتشر شد. این نسخه اگرچه شامل یک مقدمه و موخره برای بحث پیرامون احیای شبکههای عصبی بود، اما نتیجه علمی جدیدی را عرضه نکرد. در نهایت در سال ۲۰۱۷، این کتاب با پیشگفتاری از لئون بوتو، متخصص برجسته یادگیری عمیق، بازچاپ شد تا نگاهی نوین به این اثر کلاسیک بیندازد.
اثرات ریاضی و ماجرای تابع XOR
هسته مرکزی کتاب پرسپترونها درگیر مجموعهای از اثباتهای دقیق ریاضی است که ضمن پذیرش برخی نقاط قوت مدل، محدودیتهای مهلکی را در آن آشکار میکند. این کتاب در ۱۳ فصل تنظیم شده و اثباتهای خود را در فصلهای ۱ تا ۱۰ ارائه میدهد. فصل یازدهم به مباحث یادگیری، فصل دوازدهم به مسائل جداسازی خطی و فصل پایانی به بررسی ایدههای پرسپترونهای ساده، چندلایه و تشخیص الگو اختصاص دارد.
مهمترین واقعه علمی این کتاب، اثبات عدم توانایی پرسپترونها در محاسبه پیشینیهای خاص و بهویژه تابع XOR (یا انحصاری) است. مینسکی و پاپرت به صورت ریاضی ثابت کردند که پرسپترونهای تکلایه از حل مسائل غیرخطی مانند XOR عاجزند. در این میان، یک نکته بسیار حیاتی در تبلیغات منفی علیه شبکههای عصبی گم شد: این محدودیت صرفاً به مدلهای تکلایه تعلق داشت و شبکههای چندلایه قادر به حل این مسائل بودند؛ موضوعی که افکار عمومی و سرمایهگذاران از آن غافل شدند.
نویسندگان در دو مثال اصلی با نامهای «زوجیت» (Parity) و «پیوستگی» (Connectedness) رنج مفاهیم را بررسی کردند. زوجیت به تشخیص زوج یا فرد بودن تعداد ورودیهای فعالشده در شبکیه اشاره دارد. پیوستگی نیز به مسئله شکل-زمین وابسته است و میخواهد تعیین کند آیا الگوی ورودیها یک شکل یکپارچه را میسازد یا خیر. اثبات شد که پرسپترونهای تکلایه توان درک این الگوهای ساده توپولوژیک را ندارند.
اثرات مخرب و تولد الگوریتم پسانتشار خطا
فراتر از تفسیرهای قطعی فصل پایانی، میراث واقعی کتاب پرسپترونها، تاثیر روانی و ویرانگری بود که بر محققان و نهادهای تامینکننده مالی اعمال کرد. دولت ایالات متحده و نهادهای نظامی که از پروژههای هوش مصنوعی حمایت میکردند، به سرعت نتیجه گرفتند که شبکههای عصبی یک کوچه بنبست هستند. نتیجه این امر، توقف جریان کمکهای مالی و لغو پروژههای وسیع تحقیقاتی بود.
این فضای تاریک که به زمستان هوش مصنوعی معروف شد، تا اواسط دهه ۱۹۸۰ ادامه یافت. در این دوران، محققانی که هنوز به شبکههای عصبی ایمان داشتند، در حاشیه علم فعالیت میکردند. شکوفایی مجدد در سال ۱۹۸۶ و انتشار مقالات مرتبط با الگوریتم پسانتشار خطا (Backpropagation) توانست به طور موثری دغدغههای مطرح شده توسط مینسکی و پاپرت را خنثی کند و نشان دهد شبکههای چندلایه میتوانند الگوهای پیچیده و غیرخطی را به خوبی یاد بگیرند.
با گذشت دههها از آن ایام، امروزه یادگیری عمیق (Deep Learning) بر پایه همان شبکههای عصبی چندلایه، پیشرفتهترین مدلهای هوش مصنوعی جهان را هدایت میکند. این مسیر پر فراز و نشیب نشان میدهد که چگونه یک تعمیمبندی افراطی از یک اثبات فنی میتواند پیشرفت یک فناوری تغییردهنده جهان را به تأخیر بیندازد.
