پس از جنگ جهانی دوم، مفهومی انقلابی شکل گرفت که میان زیستشناسی، مهندسی و رایانش پلی مستحکم بنا نهاد. انتشار کتاب «سایبرنتیک: یا کنترل و ارتباط در حیوان و ماشین» (Cybernetics: Or Control and Communication in the Animal and the Machine) در سال 1948 توسط نوربرت وینر، شیوهای کاملاً تازه برای درک سیستمها از طریق مکانیزمهای بازخورد و کنترل ارائه داد. این چارچوب میانرشتهای صرفاً یک تئوری انتزاعی نبود، بلکه بنیان مفهومی هوش مصنوعی (AI) را آنگونه که امروز میشناسیم، بنا نهاد.
چشمانداز فکری اواسط قرن بیستم زیر سایه چهرههای بزرگی شکل میگرفت که هر کدام یکی از ارکان رایانش را روشن میکردند. اگر آلن تورینگ و آلونزو چرچ مبانی رایانش صوری را تبیین کردند، جان فون نویمان معماری سیستمها را طراحی کرد و کلود شانون نظریه اطلاعات را پایهگذاری نمود، وینر مفهوم «حلقه بازخورد» را به دنیای علوم معرفی کرد. این ایده که نشان میداد چگونه یک سیستم اطلاعات مربوط به رفتار خود را دریافت کرده، آن را با یک هدف نهایی مقایسه میکند و بر همین اساس کنشهای آینده خود را اصلاح میکند، در ظاهر بسیار ساده به نظر میرسید اما به یکی از تاثیرگذارترین مفاهیم در تاریخ ماشینهای هوشمند تبدیل شد.
نابغهای که سیستمهای کنترلی را متحول کرد
نوربرت وینر که در 26 نوامبر 1894 متولد شد، کودکی فوقالعاده باهوش و یک معجزه علمی به حساب میآمد. او در 11 سالگی از دبیرستان فارغالتحصیل شد و در سن 14 سالگی مدرک کارشناسی ریاضیات خود را از دانشگاه تافتس (Tufts University) در ماساچوست دریافت کرد. پیش از آنکه 19 ساله شود، موفق شد مدرک دکترای خود را در رشته منطق ریاضی از دانشگاه هاروارد بگیرد.
وینر پس از تجربه فعالیتهای مختلفی از جمله معلمی، نویسندگی دانشنامه و مهندسی کارآموزی، در سال 1919 به مؤسسه فناوری ماساچوست (MIT) پیوست. او در این مرکز علمی پیشگام درک فرایندهای تصادفی (Stochastic processes) بود. توسعه مدلهای ریاضی برای کمّیسازی حرکت براونی — حرکتهای تصادفی ذرات معلق در سیالات — یکی از مهمترین دستاوردهای او بود که بعدها به نامزدی دریافت جایزه نوبل انجامید.
خاستگاه نظامی: پیشبینی مسیر بمبافکنها
با آغاز جنگ جهانی دوم، وینر توجه خود را به مسئلهای به شدت کاربردی معطوف کرد: چگونه میتوان توپهای ضدهوایی را با دقت بالایی به سوی بمبافکنهای سریع دشمن نشانه گرفت؟ او با درک این موضوع که هواپیماها مسیرهای کاملاً تصادفی در آسمان ندنبال نمیکنند، به توسعه محاسباتی پرداخت که بر اساس موقعیتهای قبلی هواپیما، محل استقرار آن در آینده را پیشبینی میکرد.
رایانههای آن زمان توان پردازشی لازم برای اجرای چنین الگوریتمهای سنگینی را نداشتند؛ اما وینر اصل زیربنایی و بسیار مهمی را کشف کرد: میتوان با استفاده از روشهای آماری، رفتار گذشته را برای مدلسازی و پیشبینی رفتار آینده سیستمهای پیچیده به کار گرفت. این ایده، نطفه الگوریتمهای پیشبینی در علوم رایانه بود؛ مفهومی که امروزه در قلب فناوریهای یادگیری ماشین (Machine Learning) میتپد.
سایبرنتیک چیست؟
در اساس، سایبرنتیک مطالعه کنترل و ارتباط در موجودات زنده و ماشینهاست. در چارچوبی که وینر مطرح کرد، این حوزه از مرزهای رشتهای عبور کرده و ریاضیات، مهندسی، زیستشناسی، فیزیولوژی، نظریه ارتباطات و خودکارسازی را در هم میآمیزد. این علم بررسی میکند که سیستمها چگونه اهداف خود را حفظ میکنند، به اختلالهای محیطی واکنش نشان میدهند و پیامها را منتقل میکنند.
جالب است بدانید که واژه سایبرنتیک اغلب با مفاهیم امروزی مانند «سایبر» در امنیت شبکه، رباتیک یا نظریه سیستمها اشتباه گرفته میشود. در حالی که سایبرنتیک یک چارچوب تحلیلی یکپارچه برای بررسی ارتباط و کنترل در سیستمهای مکانیکی و زنده است. واژگان تخصصی این حوزه شامل سروومکانیسمها، همایستایی (Homeostasis)، سیگنالهای خطا، سیستمهای هدفجو، بازخورد منفی و مثبت، نویز و اطلاعات میشود که همگی به توصیف علمی خودتنظیمی (Self-regulation) میپردازند.
این چارچوب مفهومی را میتوان از طریق مجموعهای از مؤلفههای بنیادین درک کرد که هر یک معادل مستقیمی در معماری نرمافزارهای امروزی دارند:
- هدف (Goal): سیستم تلاش میکند به چه وضعیتی برسد؟ (معادل با تابع هدف یا خطمشی).
- حسگر (Sensor): سیستم چه دادههایی را از محیط دریافت میکند؟ (معادل با دادههای ورودی و پایش).
- مقایسهگر (Comparator): میزان انحراف از هدف چگونه اندازهگیری میشود؟ (معادل با سیگنال خطا یا تابع زیان).
- کنترلکننده (Controller): چه واکنشی برای اصلاح مسیر انتخاب میشود؟ (معادل با قاعده تصمیمگیری یا عملگر).
- بازخورد (Feedback): کنش انجام شده چگونه بر مشاهدات و تصمیمات آینده سیستم تاثیر میگذارد؟
مدلهای یادگیری عمیق و شبکههای عصبی مدرن، وامدار همین چرخه ساده اما حیاتی هستند که وینر هفتاد سال پیش آن را نظریهپردازی کرد. با نگاهی به الگوریتمهای پیچیده امروز، به وضوح میتوان رد پای سایبرنتیک را در نحوه آموزش مدلها برای کاهش خطا و رسیدن به نتیجه مطلوب مشاهده کرد.
