20180401_204128-s

سه روز آخر هفته را خارج شهر گذراندم. حتی با این‌که لپ‌تاپ ِ کار را همراه برده بودم، نتوانستم به شبکه‌ی شرکت vpn کنم و کارم را انجام بدهم. کارم چندان پیچیده نبود، باید کدی را برای اجرا روی کلاستر می‌فرستادم. متاسفانه در محل اقامتم شبکه‌ی wifi وجود نداشت و خط تلفنم هم نمی‌توانست مسیر پایداری برای tether کردن ایجاد کند. کاری از من برنمی‌آمد، دستم از ماشین‌ها دور بود، یا، شاید بهتر است بگویم، ذهنم از ماشین‌ها دور بود…

زیاد به این فکر می‌کنم که بخش ِ قابل توجهی از گفتگو درباره‌ی Machine Learning، از جنس ِ «چگونه» است: چگونه الگوریتم‌های قدرت‌مندتری بسازیم؟ چگونه الگوریتم‌های موجود را سرعت بدهیم؟ چگونه با حجم ِ کمتر/ارزان‌تری از نمونه‌ها، آموزش را عملیاتی کنیم؟ بخش ِ کوچک‌تری، که تقریبا جایی برای حرف ِ دیگری نمی‌گذارد، از جنس ِ «آیا» است: آیا این الگوریتم‌ها خطرناک هستند؟ آیا الگوریتم‌ها ما را به بردگی خواهند کشید؟ آیا الگوریتم‌ها انسان‌ها را از ارزش تهی خواهند کرد؟ اگر چه این دو دسته سوال، بسیار مهم هستند، اما سوال ِ مهم ِ دیگری نیز هست و آن پرسیدن از «چرا» است: چرا انسان در جستجوی AI و مهم‌تر از آن strong AI است؟

از یک دید، تلاش ِ انسان، برای شبیه‌سازی ِ توان ِ مساله حل کردنش در ماشین، اشتباهی عجیب و خودکشی محض است. از این لحاظ، گاوی را باید تخیل کرد که ماشین ِ تولید شیر ِ ابداع می‌کند، یا الاغی که موتور ِ درون‌سوز تخیل می‌کند. و البته واضح است که مساله از این پیچیده‌تر است.

نیم ساعت بعد از این که به خانه رسیدم، به کلاستر وصل شدم، فرمان را فرستادم و روی نمایشگر، وضعیت ِ ماشین‌ها را دیدم که دسته‌جمعی زیر بار رفتند. تخمین می‌زنم که وقتی فردا صبح به سر کار می‌رسم، ماشین‌ها نتایج‌شان را ارسال کرده باشند. در این دوازده ساعت، کلاستر در فضای hyperparameter ها نقطه‌ی بهینه‌تری را پیدا خواهد کرد. این کار دقیقا حل کردن یک مساله نیست، بلکه پیدا کردن روشی است که به کمک آن، پیدا کردن راه حل مساله ممکن است: ماشین‌ها درحال تمرین دادن یک دولفین نیستند تا روی هوا معلق بزند، کاری که آن‌ها می‌کنند، پیدا کردن جانوری است که بتواند معلق‌زدن روی هوا را یاد بگیرد.

وقتی کارم انجام شد، احساس رضایت‌بخشی داشتم. امیدوار بودم که فردا صبح، جواب یک سوال مهم را خواهم دانست. و نکته‌ی کلیدی این بود که در این فاصله، من می‌توانستم از شام ِ دل‌پذیر، سهم ِ حظ ِ یک‌شنبه شب، و خوابی آرام لذت ببرم. و این وضعیت تنها به این دلیل امکان‌پذیر است که ماشین به جای من کار خواهد کرد. نکته، دقیقا، همین است.

آیا اغراق است اگر این وضعیت را، توسعه‌ی تن بخوانم؟ تن در ماشین نفوذ می‌کند، آن را رام می‌کند، و سر ِ میز ِ شامش برمی‌گردد و از شب بهاری حظ می‌برد، چون می‌داند، یا حداقل امیدوار است، که ماشین او را ادامه خواهد داد. آیا از این دید، Machine Learning ادامه‌ی تن در زمان است؟ آیا وقتی اندازه‌ی کلاستر را افزایش می‌دهیم (و کد بصورت هم‌زمان روی ماشین‌های بیشتری اجرا می‌شود) تن را در مکان گسترش داده‌ایم؟

بالکن ِ خانه‌ام، به خیابان یانگ باز می‌شود. خیابان ِ خالی، غرق ِ نور است. ماشینی به چهارراه نزدیک می‌شود. می‌خواهم بیشتر درباره‌ی «چرا» فکر کنم. شاید فکر کردن به چرایی Machine Learning، به فهم سوال ِ «آیا» هم کمک کند.