ماهنامه ريزپردازنده
اینترنت آدمها (30)
هوش مصنوعی،
AI-Democracy،
فقاهت، و تلگرام
□ نوشته علیرضا محمدیفر
یکی از مدیران سابق گوگل به نام
آنتونی لِواندوسکی[1] دین
جدیدی به نام «راه
آینده[2]»
ساخته است که خدایش
اَبَرهوش مصنوعی است
(خدایی که او معتقد است در آینده خلق خواهد شد). بتپرستی و پرستش اشیاء ساخته دستِ
انسان در بعضی از جوامع مرسوم بوده است، اما ادعا میشود که این بت جدید بسیار
هوشمندتر از انسان خواهد بود. با این همه، انسان از
انقلاب صنعتی به بعد ماشینهای گوناگونی ساخته است که قدرت فیزیکی او را
صدها و هزاران برابر کرده است، اما برای هیچ یک از این ماشینها تقدسی قائل نشده
است، چرا برای اَبَرهوش مصنوعی _ که ادعا میشود هوش او را میلیونها برابر میکند
_ تقدس قائل شود؟ مذهبیها و مؤمنان (چه مسلمان، چه مسیحی، و چه ...) پرستش
دستساختههای انسان را بتپرستی میدانند و ابرهوش مصنوعی نیز مستثنی نیست.
امروزه در بحثهایی که به ویژه در رسانهها مطرح میشود با دو گونه هوش مصنوعی
برخورد میکنیم. یکی به
هوش مصنوعی رو به افزایش
یا
قوی[3] یا
هوش عمومی مصنوعی[4]
یا
هوش مصنوعی کامل[5] مشهور
است و
فراانسانگرایان[6] یا
ترنسهیومنیستها بیشتر
به آن توجه دارند.
هوش مصنوعی رو
به افزایش
یا
قوی به
هوشی دستکم در حد هوش انسان اشاره دارد. فراانسانگرایان معتقدند که چون هوش
مصنوعی قوی میتواند یاد بگیرد وگونه بهتر از خودش را بسیار سریع بسازد، خیلی زود
به یک هوشمندی فوقالعاده خواهیم رسید
که به اَبَرهوش
مصنوعی[7] مشهور
است و سبب وقوع
تکینگی فنی[8] یا
پیشرفتهای شتابناک و فوقالعاده
فنی خواهد شد. فرضیهای است که هنوز وقوع
یا عدم وقوعش معلوم نیست.
هنگامی که درباره هوش مصنوعی مورد استفاده امروز صحبت میکنیم گونه
هوش مصنوعی ضعیف[9] یا
هوش مصنوعی محدود[10] مد
نظر است که کاربردهای خاص و ناگسترده دارد و یک تکلیف ویژه را انجام میدهد. این
گونه از هوش مصنوعی در تصمیمسازی و حل مسئله در حوزههای ویژه به ما کمک میکند.
به طور کلی، هوش مصنوعی در اجرای تکالیف ویژه بهتر از انسان در اجرای آن نوع تکالیف
عمل میکند. به عنوان مثال، هوش مصنوعی تشخیص بعضی از سرطانهای پوست را بهتر و
سریعتر از پزشکان متخصص سرطان پوست انجام میدهد.
یک نمونه مشهور از هوش مصنوعی ضعیف عبارت است از
DeepBlue محصول
آیبیام که
گری کاسپاروف قهرمان
شطرنج جهان را شکست داد. واضح است که
DeepBlue فقط
در شطرنج هوشمندانهتر از کاسپاروف عمل کرده است، اما در مسائل فراوان دیگری که با
هوش انسان حل میشوند بدیهی است که به پای کاسپاروف نمیرسد. نمونه دیگر،
خودرانها هستند
که با پیشرفت این فناوری بسیار بهتر از
انسانها رانندگی خواهند کرد و تعداد تصادفات را به صفر خواهند رساند و نیاز
انسان به یادگیری رانندگی خودرو را حذف خواهند کرد. اگر تعداد تصادفات به صفر برسد
به معنی آن نیست که خودران از انسان باهوشتر است، فقط در رانندگی باهوشتر از
انسان است. نمونه دیگر،
بازشناسی چهره است
که هوش مصنوعی در آینده امکان تشخیص چهره میلیاردها نفر از مردم جهان را فراهم
میسازد. ذهن انسان چنین توانی را ندارد، اما نمیتوان گفت که نرمافزار بازشناسی
چهره در مجموع باهوشتر از انسان است.
از دیدگاه پارهای از صاحبنظران گونههایی از هوش مصنوعی که چند تکلیف ویژه را با
هم انجام میدهند و به
ذخیرهگرهای ابریِ
(cloud)
بزرگ دسترسی دارند _ مانند Google
Assistant محصول
گوگل یا
Siri محصول
اَپل _
به
هوش مصنوعی مختلط[11] مشهورند.
هوش مصنوعی ابتدایی را ساختهایم. اما هنوز فقط در ابتدای راه هوش مصنوعی ضعیف و
هوش مصنوعی مختلط هستیم. هوش مصنوعی ضعیف و مختلط با فناوریهای
بازشناسی الگو[12]،
یادگیری ماشین[13]،
و
یادگیری ژرف[14]،
و بهرهگیری از
کلاندادهها[15] پیشرفت
خواهند کرد و به تدریج شاهد ورود سیستمهای قدرتمندی مانند سیستمهای تشخیص انواع
بیماریها، وکالت، قضاوت، آموزشهای
دانشگاهی، و مانند آن خواهیم بود.
فقاهت در شهر هوشمند
هوش مصنوعی در بسیاری از مشاغل و تخصصها جای انسان را خواهد گرفت. رانندگان در
شمار نخستین کسانی هستند که جای خود را به هوش مصنوعی خواهند داد. پزشکان هماکنون
میتوانند از هوش مصنوعی
واتسون محصول
آیبیام برای
تشخیص بیماریها بهره بگیرند که مجهز به یک پایگاه داده حاوی میلیونها نمونه
واقعی انواع بیماریها و هزاران مقاله علمی و پژوهشی است. در
فاز بعدی پیشرفت، هر کسی یک پزشک در جیب خواهد داشت. تأثیرگذاری هوش مصنوعی
در شکل حکومت نیز گسترده خواهد بود. ابزارهای هوش مصنوعی و شهر هوشمند شکل حکومتها
را دستخوش تغییر خواهند کرد. برای نمونه کشور عزیزمان ایران را در نظر میگیریم.
مقدمه بالا درباره هوش مصنوعی ضعیف و قوی نیز از این روی آمد.
دانش فقه یک دانش ویژه است و زیرِ چتر
هوش مصنوعی ضعیف قرار
میگیرد. به بیان ساده امکان ساخت
هوش مصنوعی فقاهت وجود
دارد، هر چند، ممکن است ساخت سیستم هوش
مصنوعی با توانمندیِ اجتهاد مطلق به دستکم
20 تا 30 سال زمان نیاز داشته
باشد.
در مجموع، هر کار یا تکلیفی که به استدلال منطقی نیاز دارد از هوش مصنوعی بهره
خواهد جست. فقاهت نیز این امکان را دارد که هوشمند شود و
سیستم هوشمند فقاهت میتواند
با بهرهگیری از منابع دینی به حل مسائل
فقهی بپردازد و احکام شرعی را استنباط کند. همانگونهکه هوش مصنوعی توانسته است در
تشخیص تعدادی از بیماریها از پزشکان انسانی بهتر عمل کند و این روند برای تمام
بیماریها ادامه دارد، سیستم هوشمند فقیه نیز
به مدد اشراف بر همه کتب دینی و درجه صحت روایات، آشنایی با زبان عربی صدر
اسلام، دسترسی به حدود 1400 سال
دادههای آموزش (training
set)،
و مانند آن این توانمندی را به دست خواهد آورد
که بسیار سریعتر و دقیقتر از
انسان مسائل فقهی را حل و احکام شرعی را استنباط کند.
در
نظام مشروطه AI-Democracy که
در دو شماره گذشته معرفی شده است این
امکان وجود خواهد داشت که علاوه بر
دیوان هوشمند از
سیستم هوش مصنوعی فقیه نیز بهره گرفته شود که مسائل فقهی را حل میکند و بر اساس
احکام فقهی تصمیمسازی میکند.
هوش مصنوعی فقیه همچنان که گفتیم با پیشرفت الگوریتمهای
بازشناسی الگو،
یادگیری ماشین، و
یادگیری ژرف و
همچنین
پردازش زبان طبیعی[16] دقیقتر
و سریعتر از انسان فقیه این امکان را خواهد داشت که
مسائل فقهی را حل کند (ضمن آن که گناه
نمیکند و عدالت را رعایت میکند، چون به دنبال منافع مادی یا لذات دنیوی نیست)،
حال چنین سیستمی _ که یک سیستم ساخته دست انسان است _
پرسشهای فراوانی را برای آینده و حتی
برای امروز مطرح میکند که پاسخ به آنها
بر عهده حوزههای علمیه و دینشناسان و دینپژوهان است.
چند نمونه در زیر آمده است: آیا همچون
آنتونی لِواندوسکی مجذوب
عظمت سیستمِ دستساخته خودمان نخواهیم شد و به آن تقدس نخواهیم داد؟ آیا سیستم
هوشمند فقیه _ که یک دستساخته انسان است _ صرفاً به دلیل مجهزبودن به علم فقه
میتواند از سوی خداوند بزرگ برای اداره امور فقهی جامعه نصب شود؟ اصلاً آیا به نصب
الهی نیاز دارد؟ یا چون فقط مردم میخواهند اداره جامعه بر اساس فقه و احکام شرعی
باشد کافی است از طرف مردم نصب (به معنی
بهکارگماردن) شود؟ و یا مردم برای امور
فقهی روزمره و حتی مصادیق احکام فقهی سیستم هوشمند فقیه را بر روی گوشی خود نصب (به
معنی
(install کنند؟
دستیابی به اجتهاد واجب کفایی است، اگر یک سیستم هوشمند فقیه ساخته شود آیا لزوم
دستیابی به اجتهاد برای مردم برطرف میشود؟ فرض کنیم که ضروری باشد که سطوح بالای
فقاهت بر عهده انسانها باشد و هوش مصنوعی در آن سطوح به عنوان ابزار کمکی استفاده
شود، آیا آرا و نظرات فقهی یکسان نخواهد شد؟ با این حال، بهرهگیری از هوش مصنوعی
در بعضی از ابواب فقهی و
در سطوح پایینتر به ویژه در
دیوانهایی که ضروری است مدیران آنها دانش فقهی داشته باشند مزایایی دارد.
از جمله آن که این
زیرمجموعههای دیوانیِ شهر
هوشمند که مجهز به دانش فقه هستند
تخصص فقهی را در سرتاسر دیوان فراهم
میسازند، هماهنگیهای بین دیوانی را آسان میکنند،
به اختیارات فراقانونی و
فرادیوانی نیاز
ندارند، و مانند آن.
رسیدن به اَبَرهوش مصنوعی از دید «نیک باستروم»
هنگامی که هوش مصنوعی به سطح هوش انسان برسد، یک حلقه بازخوردی مثبت وجود خواهد
داشت که طراحی جدید را بهتر خواهد کرد. هوش مصنوعی به ساخت هوش مصنوعی بهتر کمک
خواهد کرد، که به نوبه خود به ساخت هوش مصنوعی بهتر کمک خواهد کرد، و این روند
ادامه مییابد.□
https://nickbostrom.com/superintelligence.html
بازشناسی الگو
یک توانمندی مهم ما انسانها «بازشناسی الگوهای»
(pattern
recognition)
جهان اطرافمان است. در زندگی روزمره وقتی آدمها را شناسایی میکنیم، یک متن را
میخوانیم، مسیرمان به سوی یک مقصد را مییابیم، درختها را از هم تفکیک میکنیم،
از عطر یک گل به وجود یک گل خاص پی میبریم، از رفتار یا علائم ظاهری یک فرد به یک
بیماری او پی میبریم، یا مصادیق قوانین فیزیکی را در دنیای اطرافمان میبینیم، از
توانمندیِ «بازشناسی الگو» بهره میگیریم. آموزگارمان در دبستان الگوی تکتک حروف
الفبا را با سرمشق (الگو) آموزش میدهد و پس از یادگیری هنگام
خواندن آن الگوها را بازشناسی میکنیم.
انسانها در مجموع از لحاظ بازشناسی الگو در میان موجودات زنده بهترین عملکرد را
دارند، هرچند، بعضی از جانوران و حتی کامپیوترها
در بازشناسی الگوهای ویژه قویتر از ما هستند، مثلاً سگها در بازشناسی
الگوهای بویایی نسبت به ما برتری دارند، یا هوش مصنوعی در بازشناسی الگوی
معدودی از بیماریها دقیقتر و سریعتر از پزشکان انسانی عمل میکند.
ماشینها نیز همچون ما انسانها میتوانند
یاد بگیرند، و الگوها را بازشناسی و طبقهبندی (classification)
کنند. «بازشناسی الگو» در اصل یکی از شاخههای مهم «یادگیری ماشین» (machine
learning)
است که به بازشناسی الگوهای دادهای و قاعدهمندیهای دادهای میپردازد.
«طبقهبندی» یک نوع بازشناسی الگوست، در اینجا هر مقدارِ ورودی به یک طبقه نسبت
داده میشود.□
چرا هوش مصنوعی
هر روز باهوشتر از دیروز میشود؟
هوش مصنوعی از حدود 60 سال پیش مطرح بوده است، اما چرا در چند سال اخیر توجه
شرکتهای فناوری اطلاعات به آن جذب شده است و روی آن سرمایهگذاری هنگفتی میکنند؟
به اجمال، چند پیشرفت و ابداعِ چند فناوری این طوفان را به پا کرده است:
●رایانش موازی (parallel
computation)
که تعداد زیادی پردازنده یا هسته پردازنده را به طور همزمان به کار میگیرد.
برای این که کامپیوتر بتواند همچون
شبکه عصبی مغز انسان عمل کند باید تعداد زیادی پردازنده داشته باشد که
به طور همزمان کار میکنند. در سالهای اخیر رایانش موازی پیشرفتهای شگرفی
داشته است و این پیشرفتها مطابق «قانون مور» (Moore's
law)
_ حدود دو برابرشدن کارآمدی پردازندهها در هر یک و نیم سال یا دو
سال _ همچنان ادامه دارد، که یک
دلیل پیشرفتهای بیشتر هوش مصنوعی در آینده است.
● رایانش موازی امکان بهرهگیری کارآمدتر از
شبکههای عصبی مصنوعی (artificial
neural networks)
را فراهم کرد و سبب پدیدارشدن الگوریتمهای بهتر یادگیری ماشین مانند
«یادگیری ژرف» (deep
learning)
گردید، که یادگیری کامپیوتر را سریعتر میکند. دانشگاههای سراسر جهان تلاش
میکنند این الگوریتمها را بهینهسازی کنند و الگوریتمهای کارآمدتری را بیابند.
هرچه الگوریتمها کارآمدتر شوند هوش مصنوعی باهوشتر میشود.
● هوش مصنوعی برای یادگیری به دادههای نمونه و آموزشدهنده (training
set)
نیاز دارد. هرچه دادههای آموزش بیشتر باشد هوش مصنوعی هوشمندتر میشود.
کلاندادهها (big
data)
و ذخیرهگرهای ابری (cloud)
که هر روز بزرگتر میشوند دادههای آموزش را برای هوش مصنوعی فراهم میکنند. هوش
مصنوعی هر چه دادههای آموزش بیشتری بگیرد هوشمندتر میشود. در نتیجه هرچه زمان
میگذرد به ویژه به مدد دادههای ابزارهای «اینترنت اشیاء» و «اینترنت آدمها» هوش
مصنوعی هوشمندتر میشود.□
يادگيري ماشين
به اجمال، يادگيري ماشين درباره واداشتن كامپيوترها به يادگيري چيزي توسط خودشان
است. اين ويژگي با برنامهسازي مرسوم كه در آنها يك رشته قاعده صريحاً برنامهسازي
ميشود بسيار متفاوت است.
يادگيري ماشين را در مجموع ميتوان به دو نوع مختلف تقسيمبندي كرد: يادگيري با
راهنما (supervised
learning)
و يادگيري بدون راهنما (unsupervised
learning).
● در «يادگيري با راهنما»، دستهاي از دادهها به كامپيوتر داده ميشود _ كه به
«مجموعه آموزشگر» (training
set)
مشهور است. اين مجموعه دادهها حاوي پارامترهاي ورودي و خروجي نمونهها است. با
استفاده از اين دادهها، كامپيوتر سعي ميكند «از نمونه ياد بگيرد» (سعي ميكند
قاعدهاي را پيدا كند كه يك خروجي را به وروديهاي دادهشده پيوند
میدهد).«طبقهبندی» یکی از انواع يادگيري با راهنما است.
○ طبقهبندی(classification):
كامپيوتر تلاش ميكند كه به طور خودكار وروديها را بر اساس جايگيري
در يك طبقه ويژه ردهبندي كند. به عنوان مثال، يك ايميل ميتواند به عنوان
هرزنامه يا غيرهرزنامه طبقهبندي شود. كامپيوتر به
هنگام تعيين طبقهبنديِ موارد جديد از يك قاعده كه از
تحليل مجموعه دادههاي آموزشگر ياد گرفته است در برنامه بهره خواهد گرفت.
● در «يادگيري بدون راهنما»، دستهاي از دادهها به كامپیوتر داده ميشود و
کامپیوتر در داخل آنها سعي ميكند ساختاری برای مجموعه دادهها تعيين كند. اين روش
اغلب براي چيزي كه خوشهبندي (clustering)
ناميده ميشود به كار ميرود (موارد مختلف
بسته به شباهتهايي كه دارند در گروههای مختلف جاي داده ميشوند). به عنوان مثال،
يك برنامه ويژه عكس ميتواند همه عكسهاي حاوي يك شخص خاص را به طور خودكار در يك
گروه قرار بدهد.□
یادگیری ژرف
یادگیری ژرف (deep
learning)
شکلی از یادگیری ماشین است که با «رایانش عصبی» کار میکند تا به کامپیوتر امکان
بدهد بدون تعداد زیادی نمونه ورودی که در «یادگیری ماشینِ» مرسوم میبینید فکر کند.
یادگیری ژرف یک روش آماری است
که در آن کامپیوترها برای طبقهبندی الگوها از شبکههای عصبیِ (neural
networks)
مصنوعی شبیه به شبکههای عصبی مغز انسان بهره میگیرند. یادگیری ژرف از «بازشناسی
الگو» بهره میگیرد، اما طبقههای
الگوها را در یک شبکه عصبی به یاد
میسپارد.
(«رایانش عصبی» یک حوزه پژوهشی است که از کامپیوترها برای شبیهسازی مغز انسان و
اجرای تکالیف ویژه بهره میگیرد، مانند خودکارکردن فعالیتهای تکراری.)□
چرا ناممکنها ممکن میشوند؟
فرانک لِوی
(Frank
Levy)
اقتصاددان و استاد دانشگاه
MIT
و ریچارد مورنین (Richard
J. Murnane)
اقتصاددان و استاد دانشگاه هاروارد در یک بخش از کتاب
«The
New Division of Labor»
که در سال 2004 منتشر شده است با استدلالهای خود مدعی شدند که به دلیل پیچیدگی
اطلاعات رانندگی، کامپیوتر هرگز قادر نخواهد بود که با یک خودرو
در مسیرهای پررفتوآمد رانندگی کند.
چند سالی طول نکشید که گوگل یک خودران را به مدد فناوری «یادگیری ماشین»
(machine
learning)
در خیابانهای واقعی آزمایش کرد و هماکنون تعدادی از خودروسازان در حال آمادهسازی
طرحهای تولید انبوه خودران هستند. سیستمهای خبره یا سیستمهای هوش مصنوعیِ زمان
نوشتهشدن کتاب مذکور بیشتر از
تكنيكهاي قاعده–بنياد (rule-based)
یعنی انواعي از قواعد ازپيشتعيينشده
بهره ميگرفتند. كيفيت اين فناوري پايين بود.
اما امروزه بسیاری از ابزارهای هوش مصنوعی از تکنیکهای «یادگیری ماشین» بهره
میگیرند، که در آن کامپیوترها میتوانند تکالیفی را اجرا کنند که صریحاً برای آنها
برنامهسازی نشدهاند.
یادگیری ماشین از یک مجموعه ویژه از الگوریتمها بهرهبرداری میکند که میتوانند
الگوهای مفید را از طریق مجموعههای دادهشده (نمونهها)
از دادهها، مانند تصویر، صدا، یا متن کشف کنند. یادگیری ماشین در بعضی از
آخرین ابزارهای بازشناسی گفتار، و فناوری دستیار کامپیوتری امروزی نیز به کار گرفته
میشود، و یک دلیل پیشرفت دور از تصور خودرانها بوده است.
امروزه
از تحلیل یا آنالیز منابع
کلاندادهها (big
data)
نیز بهره گرفته میشود.
یک روند اخیر که به پیشرفتهای پرشتاب هوش
مصنوعی کمک کرده است همین منابع
کلاندادهها بوده است.
هنگامی که کلاندادهها را با الگوریتمهای هوشمند و کامپیوترهای سریع ترکیب کنید،
فناوریای را در دست خواهید داشت که هوش مصنوعی را
بسیار کارآمد و پرتأثیر میکند.□
از واقعیت تا رؤیا
بخشی از داستان یک نمونه را که در بخش «از
رؤیا تا واقعیت»
در دو مقاله گذشته به عنوان مثال آوردیم به اجمال بیان میکنیم. معاون یک دیوان که
وکالت فروش ملک مشاع را در دست دارد در یک جلسه با عنوانکردن
حق شفعه پیشنهاد
یک
توافق
میکنند که ظاهری منصفانه دارد و قرار
میشود طی این توافق
قیمتی را تعیین کنند که
بر اساس آن قیمت هم حاضر بودند این ملک را
بخرند و هم بفروشند.
برای این کار دیوانی به دو ویژگی بهتآور میتوان
اشاره کرد که منشاء آنها باید داشتن اختیارات گسترده باشد. یکی
پدیده نادیوانی
یا
بینظمی دیوانی است،
مثلاً برای یک کار اقتصادی _ خرید یا فروش ملک مشاع _ در دیوانی که معاونت اقتصادی
دارد این کار به معاونت
فرهنگیاجتماعی ارجاع شده است. دومی،
پدیده فرادیوانی
(اجرای
کارهای دیوانی در خارج از دیوان و بدون یک نظم قانونی)
است، به عنوان مثال، تعیین قیمت و جلسات مبایعهنامه در خارج از دیوان و در
دفتر خصوصیِ
ر.ف. انجام
میگیرد.
با این وصف، برای این که
این مسئله
حل شود گزینه
توافق
را که ظاهراً در آن حق انتخاب داشتیم
قبول کردیم و بر اساس قیمتی که تعیین
کردند خواهان خرید شدیم. سه بار جلسه
مبایعهنامه در خارج از دیوان گذاشته شد، که یک بار آن وقتی در جلسه حاضر
شدیم گفته شد مبایعهنامه را تنظیم کنیم تا معاون محترم بیایند، پس از تنظیم
مبایعهنامه و مدتی انتظار، تلفنی با
ایشان تماس گرفتند، گفتند برای یک
سمینار در مشهد هستم! هربار چک تضمینی با مبلغ سنگین میخواستند و تهیه میشد. اما
در عمل کار به انجام نرسید. فقط قرار بوده است که برویم و بیاییم و هزینه کنیم
و متحمل زیانهای سنگین شویم و
نتیجهای نگیریم. ظاهراً نباید گزینه خرید را انتخاب میکردیم.
اگر
ر.ف. در
دیوان موقعیتی ندارد چرا در امور دیوانی مشارکت داده میشود؟ این در حالی است که
این دیوان دفتر، کارشناس، یا
بخش حقوقی و قراردادها داشت که
مراحل دیوانی این کار را انجام بدهند و خریدار ناچار نباشد در فضایی اضطرابآور
معامله کند.
از آن گذشته، برای تهیه پولِ خرید متحمل
زیانهای هنگفتی شده بودیم و هماکنون نیز با افزایش قیمت املاک زیانهای بیشتری
نصیبمان شده است. نظم و قانون دیوانی برای آن است که این مسائل پیش نیاید.
به اجمال، در یک دیوان اگر قانون دیوانی حاکم نباشد، یعنی نادیوانی باشد،
پدیدارشدن مشکلاتی مانند بیمسئولیتی،
ناکارآمدی، و فساد گریزناپذیر است. اجرای کارهای دیوانی به صورت فرادیوانی که گاه
ناباورانه قانونمند شده است و گاه به بهانه کارآمدترکردن دیوان انجام میپذیرد در
نهایت به عملکرد سلیقهای، رانتسازی،
بیاعتمادسازی مردم به نظام دیوانی، و آفاتی مانند آن میانجامد و چون رویدادها ثبت
نمیشوند تمایل به اجرای فرادیوانی کارها و جلوگیری از وقوع رویههای دیوانیِ
قانونی افزایش مییابد. از سوی دیگر، اختیارات فرادیوانی قدرتآفرینی میکند و در
روابط بین دیوانی، نفوذ قدرتمندانهای را به وجود میآورد و کسی که بخواهد کار
دیوانیاش را به صورت متعارف قانونی به پیش ببرد با موانع ناشی از آن نفوذ
قدرتمندانه برخورد میکند، و در نتیجه یا ناچار
میشود روش فرادیوانی را بپذیرد و یا مدتها دوندگی را بپذیرد، که این چرخه را
تشدید میسازد.
مقایسه با دیوان شهر هوشمند
حال فرض کنید یک
سیستم هوش مصنوعی مختلط که
هم کارهای دیوانی را انجام میدهد و هم یک سیستم
هوش مصنوعی فقیه است
(با
این فرض که ضرورت داشته باشد که مدیران دیوان مورد اشاره دانش فقهی داشته
باشند)
بخواهد چنین مسئلهای را با همان روش
توافق (و
درنظرگرفتن
حق شفعه)
حل کند. هر چند، این سیستم به دلایلی که در بخش
نظام مشروطه AI-Democracy گفتیم
چون باید پاسخگو باشد نمیتواند فراقانونی و فرادیوانی
عمل کند و باید مطابق قوانین مصوب عمل
کند:
سیستم هوش مصنوعی مختلط ابتدا
شرایط حق شفعه را بررسی میکند و در صورت محققبودن شرایط بر آن اساس عمل میکند، و
برای توافق نیز با سیستم تعیین قیمت کارشناسی دیوان هوشمند ارتباط برقرار میکند،
قیمت کارشناسی را به دست میآورد، خریدار باشید یا فروشنده، بلافاصله یک
مبایعهنامه رسمی را به چاپ میرساند و حاضر به امضا خواهد بود.
همه کارها ثبت میشود و
در دیوان انجام میگیرد، و نادیوانی و فرادیوانی
وجود ندارد.
این سیستم خودش هیچ منفعتی ندارد، و وقت و
پولِ طرفِ معامله را هدر نمیدهد. با این اوصاف،
کدام سیستم و روش عادلانهتر است؟
معماری شهر هوشمند در هر شهر یا کشور باید بر اساس فرهنگ بومی آن شهر یا کشور طراحی
شود. طراحی جزئیات میتواند بر اساس احتمالات مختلف از هماکنون انجام بپذیرد. به
جای آن که آینده را صرفاً پیشبینی کنیم آینده را از هماکنون بسازیم.
در اواخر سال 1395 یک پرونده دادخواست
فروش باز بود. قاضی شریف و دلسوز پرونده برای سازشدادن دو طرف پرونده که نسبت
نزدیکی باهم داشتند به مالک دیگرِ ملک پیغام دادندکه به تهران بیاید و در برابر
اصرار وکیل ایشان که راه دور است و نمیتواند، گفتند که حاضرند خودشان بلیط هواپیما
را تهیه کنند. این قاضی با درایت هم راه توافق را فراهم کردند و هم
روال معمول مزایده را. تاریخ تنظیم وکالت
فروش و تاریخ استرداد دادخواست فروش نشان میدهد که معاون محترم دیوان
نیز از این دادخواست بیخبر نبودهاند،
زیرا پنهاننگاهداشتن این حقیقت از طرف مالک یا وکیل ایشان غیرمنطقی بوده است و
هدردادن هزینههای انجامشده؛ چرا دادخواست به طور ناگهانی و بهتآور مسترد شد؟
اصلاً اگر بنا بر فروش نبوده باشد، پس چرا وکالت فروش دادهاند؟ چرا باید
فروش به خارج از دیوان کشیده میشد؟
[1]
Anthony Levandowski
[2]
Way of the Future
[3]
strong AI
[4]
Artificial general intelligence
[5]
full AI
[6]
transhumanist
[7]
artificial superintelligence (ASI)
[8]
technological singularity
[9]
weak AI
[10]
narrow AI
[11]
hybrid AI
[12]
pattern recognition
[13]
machine learning
[14]
deep learning
[15] big data
[16]
Natural Language Processing (NLP)