جهش غیرممکن در دههٔ هشتاد میلادی

هیچ پروژه‌ای در تاریخ فناوری به بزرگی و بحث‌برانگیزی پروژه رایانه‌های نسل پنجم ژاپن شناخته نشده است. وقتی وزارت تجارت بین‌الملل و صنعت این کشور در اوایل دههٔ هشتاد میلادی پرده از طرحی برداشت تا مسیر رایانش سنتی را با یک جهش زیرپا بگذارد، جهان را به‌شوک انداخت. وعده‌ها برای ساخت ماشین‌هایی که بتوانند استدلال کنند، یاد بگیرند، زبان طبیعی را درک کنند و با انسان گفت‌وگو کنند، از هیجان‌انگیزترین اخبار آن سال‌ها بود. امروزه اما به جای آن هیاهو، این ابتکار بیشتر به‌عنوان نمونه‌ای کلاسیک از یک برنامهٔ ملی تکنولوژیک شناخته می‌شود که نتوانست به تعهداتش برسد. راز این ماجرا در تقابل چشم‌اندازهای بلندپروازانه با واقعیت‌های بازار و محدودیت‌های آن دوران نهفته است.

دیاگرام ساختار سیستم‌های رایانه‌ای نسل پنجم در دهه ۱۹۸۰

آغازی دراماتیک و هیاهوی جهانی

اعلامیهٔ سال 1981 تنها در محافل دانشگاهی ماندگاری نداشت. وزارتخانه MITI در کنار دانشمندان آزمایشگاه الکتروتکنیک طرحی را ارائه دادند که جسارت فنی آن را با تأثیر اجتماعی آن گره زده بود. این خبر سریع‌تر از مرزهای مهندسی فراتر رفت. جامعهٔ ژاپن با شور و اشتیاق بی‌سابقه‌ای به ماجرا نگاه کرد و کتابی به نام «رویای ژاپنی»، به همین حس ملی اشاره داشت. اما در سوی دیگر، ایالات متحده و اروپا با نگرانی عمیقی به این حرکت واکنش نشان دادند. کتاب پرفروش «نسل پنجم» اثر فایگن‌بام و مک‌کوردک نمودی بارز از این اضطراب ژئوپولیتیک در صنایع کامپیوتر بود. این آتش زیر خاکستر داخلی و هیاهوی خارجی، انتظارات را از روز اول به سطحی غیرواقعی کشاند.

شکستن معماری فون‌نویمان: رویای یک رایانهٔ جدید

نام «نسل پنجم» به نسل‌های پیشین اشاره می‌کرد که همگی در چارچوب معماری فون‌نویمان می‌چرخیدند. از انیاک با لامپ‌های خلأ در 1946 گرفته تا سیستم‌های ابررایانه‌ای دههٔ ۸۰، همه نیازمند دستورات دقیق و صریح بودند. تیم پروژه قصد داشت این زنجیره را بشکند. رایانهٔ جدید نباید صرفاً یک ماشین محاسباتی میان‌دوره‌ای بود. باید می‌توانست با استفاده از دانش انباشته‌شده در پایگاه داده‌هایش، از یک دستورالعمل ناقص به نتیجه برسد و استنتاج کند. هدف اصلی، خروج از بن‌بست «بحران نرم‌افزار» و ایجاد سیستم‌هایی بود که نیاز به کدنویسی خطی را تا حد امکان کاهش دهند. ورودی و خروجی باید از طریق گفتار، تصویر و زبان روزمره صورت می‌گرفت و قابلیت یادگیری و استدلال را مستقیماً در معماری سیم‌کشی می‌نمود.

جسورانه‌ترین شرط‌بندی روی پرولوگ و پردازش موازی

قلب تپندهٔ این پروژه بر روی یکی از جسورانه‌ترین انتخاب‌های تاریخ برنامه‌نویسی استوار بود. در حالی که جامعهٔ هوش مصنوعی جهانی حول زبان «لیسپ» می‌چرخید، طراحان ژاپنی تصمیم گرفتند به جای آن روی زبان «پرولوگ» و زبان‌های منطقی دیگر شرط‌بندی کنند. دلیل آن منطقی به نظر می‌رسید: معماری‌های وی‌ال‌اس‌آی اجازه می‌دادند عملکردهای سطح بالا مستقیماً روی سخت‌افزار کش شوند. پردازش موازی نیاز به زبان‌هایی داشت که با منطق رابطه‌ای تطابق داشته باشند و هم‌زمان می‌توانستند از موازی‌سازی ذاتی در استنتاج سود ببرند.

این تصمیم، ماشین‌های نسل اول و دوم پروژه را از کامپیوترهای عددی مرسوم جدا کرد و آن‌ها را به موتورهای استنتاج متمرکز بر دانش تبدیل نمود. این مراحل همچنین شامل توسعهٔ نرم‌افزار سیستمی برای محیط‌های برنامه‌نویسی موازی و سیستم‌عامل‌های مبتنی بر منطق بود. اما طراحی سخت‌افزارهای موازی پیشرفته به‌تنهایی نمی‌توانست برچسب‌های پیچیدگی در توسعهٔ نرم‌افزار را بردارد. طراحی یک محیط یکپارچه که بتواند هم منطق را پردازش کند و هم داده‌های پیچیده را مدیریت نماید، همچنان روی میز باقی مانده بود.

نمای داخلی ماشین‌های استنتاجی نسل پنجم پروژه ژاپن

شکاف بین آکادمی و بازار: چرا پروژه متوقف شد؟

با وجود پیشرفت‌های آزمایشگاهی، شکاف میان لایه‌های نرم‌افزاری و سخت‌افزار در پروژه همچنان پابرجا ماند. هم‌زمان، در بازار جهانی، رایانه‌های شخصی مبتنی بر معماری فون‌نویمان با سیستم‌عامل‌های متن‌باز و بسته و زبان‌های قدرتمندی مثل «سی» و «سی‌پلاس‌پلاس» به‌سرعت در حال تسلط بر بازار بودند. پروژه‌های تجاری و صنعتی نیاز به استانداردسازی، سازگاری و بسترهای نرم‌افزاری انعطاف‌پذیر داشتند، نه معماری‌های بسته و آزمایشگاهی. با گذشت زمان و تغییر شرایط اقتصادی ژاپن، بودجه‌ها کاهش یافت و تمرکز از پروژه‌های کلان نظری به سمت کاربردهای متمرکز و تجاری‌تر معکوس شد.

میراث پنهان و درس‌های امروز

اما آیا این پروژه واقعاً شکست خورد؟ بسیاری از مورخان فناوری معتقدند شکست پروژه تنها در سطح تجاری بود. بسیاری از نوآوری‌های آن در حوزه‌های پردازش موازی، طراحی مدارهای وی‌ال‌اس‌آی و سیستم‌های مبتنی بر دانش، بعدها در ابررایانه‌ها و زیرساخت‌های رایانش ابری ادغام شدند. همچنین، این پروژه الهام‌بخش بسیاری از تلاش‌های مدرن در حوزهٔ هوش مصنوعی شد. وقتی امروز مدل‌های زبانی بزرگ در حال یادگیری از داده‌های عظیم هستند، عملاً در مسیر همان ایده‌ای قدم می‌گذارند که پروژه در اوایل دههٔ ۸۰ میلادی به دنبال آن بود.

درس اصلی این پروژه این است که نوآوری‌های رادیکال بدون هم‌افزایی با بسترهای تجاری و اکوسیستم‌های نرم‌افزاری، حتی با بیشترین حمایت دولتی، به‌سختی می‌توانند زنده بمانند. اما هرگز خاموش نمی‌شوند. امروز که شرکت‌های فناوری برای ساختن رایان‌های بصری و سیستم‌های خودران سرمایه‌گذاری می‌کنند، می‌توانند از درس‌های دههٔ هشتاد ژاپن بیاموزند: معماری سخت‌افزاری تنها نیمی از راه است؛ نیمهٔ دیگر، آماده‌سازی اکوسیستم، استانداردها و پذیرش بازار است.