المزيد من الذكاء الاصطناعي البشري

لكن كل ما يصل إلى أوجي من البيئة هو تيار من الفوتونات التي تضرب شبكية عينه، والاهتزازات في الهواء التي تضرب طبلة أذنه. تمكن الكمبيوتر العصبي الموجود خلف عينيه الزرقاوين بطريقة ما من البدء من المعلومات المحدودة للحواس والوصول إلى تنبؤات حول التيتانوصورات العاشبة. والسؤال الأبدي هو: هل تستطيع أجهزة الكمبيوتر أن تفعل الشيء نفسه؟

في السنوات الخمس عشرة الماضية أو نحو ذلك، حاول علماء الكمبيوتر وعلماء النفس العثور على إجابة. ينتج الأطفال قدرًا كبيرًا من المعرفة من خلال المدخلات القليلة التي تأتي من المعلمين وأولياء الأمور. على الرغم من التقدم الهائل في مجال الذكاء الاصطناعي، فإن حتى أقوى أجهزة الكمبيوتر لا تزال غير قادرة على التعلم بنفس مستوى الأطفال في سن الخامسة.

سوف يستغرق الأمر عقودًا حتى يتمكن علماء الكمبيوتر من فهم كيفية عمل أدمغة الأطفال بالضبط، وإنشاء نسخة رقمية قادرة على العمل بكفاءة. في هذه الأثناء، بدأوا في تطوير الذكاء الاصطناعي، الذي يجمع بعض الأشياء التي نعرفها عن كيفية تعلم البشر.

هذا الجانب متروك

في نهاية موجة الحماس الأولية، في الخمسينيات والستينيات من القرن العشرين، توقفت محاولة إنشاء الذكاء الاصطناعي لعقود من الزمن. ومع ذلك، في السنوات الأخيرة، تم إحراز تقدم لا يصدق، وخاصة في مجال التعلم الاليوكان الذكاء الاصطناعي أحد أهم التطورات في مجالات التكنولوجيا. وفي الوقت نفسه ظهرت العديد من النبوءات، الطوباوية أو المروعة، حول معنى هذه الإنجازات. لقد تم تقديمهما كمقدمة للحياة الأبدية أو نهاية العالم، كما يقصدان ببساطة، وكتبت كلمات كثيرة عن هذين الاحتمالين.

أعتقد أن التقدم في الذكاء الاصطناعي يخلق مثل هذه المشاعر القوية بسبب خوفنا العميق من الإنسان القريب. إن فكرة أن شيئًا ما يمكن أن يسد الفجوة بين الإنسان والصناعي قد أزعجتنا منذ زمن سحيق، أيها الإنسان الشرنقة العصور الوسطى، من خلالوحش فرانكنشتاينو إيفا الروبوت القاتل المثير من فيلم "الآلة السابقة".

ولكن هل تتعلم أجهزة الكمبيوتر حقًا مثل البشر؟ وإلى أي مدى تشير المناقشات العاصفة إلى تغيير ثوري، أم أنها مجرد كلام فارغ؟ من الصعب متابعة التفاصيل الدقيقة لكيفية تعلم أجهزة الكمبيوتر للتعرف، على سبيل المثال، على قطة أو كلمة منطوقة أو شخصية يابانية، ولكن عند الفحص الدقيق، فإن الأفكار الأساسية للتعلم الآلي ليست غامضة كما قد تبدو للوهلة الأولى يلمح.

يحاول أحد الأساليب حل المشكلة من خلال البدء بنفس تيار الفوتونات واهتزازات الهواء التي يراها أوجي والبقية منا. تصل هذه إلى الكمبيوتر على هيئة بكسلات في صورة رقمية وكعينات صوتية مسجلة. يحاول الكمبيوتر استخراج سلسلة من الأنماط في البيانات الرقمية، والتي يمكنها تحديد موقع الكائنات بأكملها في العالم والتعرف عليها. وهذا النهج يسمىمن القاع فصاعدا"، ينبع من أفكار الفلاسفة مثل ديفيد داي וجون ستيوارت ميلوعلماء النفس على سبيل المثال إيفان بافلوف וبي بي سكينر، من بين الباقي.

في الثمانينيات، توصل العلماء إلى طريقة بارعة وجذابة لتطبيق أساليب "من القاعدة إلى القمة" حتى تتمكن أجهزة الكمبيوتر من البحث عن أنماط ذات معنى في البيانات. انظمة "الاتصال"، او "الشبكات العصبية"، استوحي الإلهام من الطريقة التي تحول بها الخلايا العصبية أنماط الضوء التي تمتصها شبكية العين إلى تمثيلات للعالم من حولنا. وتقوم الشبكة العصبية المحوسبة بعملية مماثلة: فهي تستخدم وحدات معالجة مترابطة، تشبه الخلايا البيولوجية، لتحويل وحدات البكسل في طبقة واحدة من الشبكة إلى تمثيلات مجردة بشكل متزايد، مثل الأنف أو الوجه بأكمله، عن طريق معالجة البيانات على مستويات أعلى وأعلى. طبقات أعلى.

تم إحياء فكرة الشبكات العصبية مؤخرًا، وذلك بفضل تقنية جديدة تسمى "تعلم عميق"، وهي تقنية قامت جوجل وفيسبوك وغيرهم من عمالقة التكنولوجيا بتسويقها تجاريًا. القوة المتزايدة لأجهزة الكمبيوتر النمو الأسيفي موارد الحوسبة التي وصفها "قانون مور"، كما يلعب دورًا في نجاح هذه الأنظمة. هناك اتجاه آخر يساهم في التطور السريع وهو تكوين مجموعات ضخمة من البيانات. عندما يتم تعزيز قدرات المعالجة ويكون هناك المزيد من المعلومات للمعالجة، تصبح الأنظمة المتصلة قادرة على التعلم بشكل أكثر فعالية مما كنا نعتقد سابقًا.

على مر السنين، تأرجح تفضيل مجتمع الذكاء الاصطناعي للتعلم الآلي بين الحلول من أسفل إلى أعلى والأساليب البديلة من أعلى إلى أسفل. تستفيد الأساليب "من الأعلى إلى الأسفل" مما يعرفه النظام بالفعل للمساعدة في تعلم أشياء جديدة. يعتقد أفلاطون، وغيره من الفلاسفة العقلانيين مثل رينيه ديكارت، أن التعلم يتم "من الأعلى إلى الأسفل"، وقد أثر هذا بشكل كبير على الذكاء الاصطناعي في بدايته. وفي العقد الأول من القرن الحادي والعشرين، ولدت مثل هذه الأساليب أيضًا من جديد في شكل نماذج احتمالية، أو بايزي.

وعلى غرار الطريقة التي يعمل بها العلماء، تبدأ الأنظمة "من أعلى إلى أسفل" أيضًا في التعلم من خلال إنشاء فرضيات مجردة وواسعة حول العالم. يتنبأ النظام بالشكل الذي ستبدو عليه البيانات إذا كانت فرضياته صحيحة، ويصححها وفقًا لتحقق التوقعات أو فشلها.

نيجيريا والفياجرا والبريد العشوائي

من الأسهل فهم الأساليب من أسفل إلى أعلى، لذلك دعونا نبدأ بها. تخيل أنك تحاول جعل جهاز الكمبيوتر الخاص بك يفصل الرسائل المهمة التي تصل إلى صندوق بريدك الإلكتروني عن الرسائل غير المرغوب فيها. قد تلاحظ أن معظم رسائل البريد العشوائي لها خصائص واضحة: قائمة طويلة من المستلمين، أو عنوان المصدر في نيجيريا أو بلغاريا، أو إشارات إلى جوائز بملايين الدولارات، أو ربما ذكر للفياجرا. ومع ذلك، يمكن أن تكون الرسائل المفيدة حقًا متشابهة، ولا تريد أن تفوت ترقية في العمل أو الفوز بجائزة أكاديمية.

إذا قمت بمقارنة عدد كبير بما فيه الكفاية من رسائل البريد العشوائي مع أنواع أخرى من البريد الإلكتروني، فقد تلاحظ أن البريد العشوائي فقط هو الذي يحتوي على مجموعات محددة من الميزات: إذا كانت الرسالة واردة من نيجيريا ووعدت أيضًا بمكافأة مليون دولار، فهي مزيفة. قد تكون هناك أيضًا أنماط على مستوى أعلى ودقة تميز بين الرسائل غير المرغوب فيها والرسائل المفيدة: على سبيل المثال الأخطاء الإملائية أو عناوين IP غير الواضحة. إذا تمكنت من تحديد هذه الأنماط، فيمكنك تصفية الرسائل غير المرغوب فيها بنجاح دون الخوف من فقدان رسالة حقيقية تفيد بأن عقار الفياجرا الذي طلبته قد تم إرساله إليك.

التعلم الآلي "من الأسفل إلى الأعلى" قادر على استخلاص الإشارات ذات الصلة لأداء مثل هذه المهام. ولهذا السبب، يجب أن تمر الشبكة العصبية بمرحلة التعلم الخاصة بها. فهو يفحص ملايين الأمثلة من قواعد بيانات واسعة، مع تصنيف كل مثال مسبقًا على أنه بريد عشوائي أو بريد إلكتروني شرعي. يستخرج الكمبيوتر مجموعة من الخصائص التعريفية التي تفصل البريد العشوائي عن أي شيء آخر.

وبالمثل، قد تقوم الشبكة العصبية بتحديد صور على الإنترنت تسمى "قطة"، و"منزل"، و"ستيجوسورس"، والمزيد. ومن خلال استخراج الميزات المشتركة لكل نوع من الصور، مثل النمط الذي يميز جميع القطط عن جميع الكلاب، تصبح الشبكة قادرة على التعرف على الصور الجديدة للقطط، حتى لو لم تتعرض لتلك الصور المحددة من قبل.

وقد أدت القدرة على تعليم الذكاء الاصطناعي باستخدام مجموعات كبيرة من البيانات - الملايين من صور إنستغرام أو رسائل البريد الإلكتروني أو التسجيلات الصوتية - إلى حلول لمشاكل كانت تبدو في السابق صعبة للغاية.

إحدى الطرق "من الأسفل إلى الأعلى" تسمى "تعليم غير مشرف عليه"، لا يزال في بداياته ولكنه قادر على تحديد الأنماط في البيانات التي ليس لها تسميات. إنه ببساطة يبحث عن مجموعات من الخصائص التي تحدد بعض الأشياء - على سبيل المثال، ترتبط الأنوف والعيون دائمًا بالوجوه، مما يميزها عن الأشجار والجبال في الخلفية. يتم تحديد هوية الكائن في شبكات التعلم العميق المتقدمة هذه من خلال تقسيم العمل، حيث يتم تقسيم مهمة التعريف بين طبقات مختلفة من الشبكة.

أظهر مقال في مجلة Nature من عام 2015 إلى أي مدى وصلت الأساليب "من القاعدة إلى القمة". الباحثين فيالعقل العميقاستخدمت إحدى الشركات المملوكة لشركة Google مزيجًا من أسلوبين "من الأسفل إلى الأعلى" - التعلم العميق والتعلم العميقالتعلم بمساعدة التعزيزات - بطريقة تسمح للحاسوب بتشغيل وحدة الألعاب أتاري 2600. في البداية، لم يكن الحاسوب يعرف شيئا عن الألعاب، وكان يخمن بشكل عشوائي ما هي أفضل الحركات، في حين كان يتلقى ردود فعل مستمرة على أدائه. ساعد التعلم العميق النظام في التعرف على الشخصيات التي تظهر على الشاشة، وكافأه التعلم المعزز على تحطيم الأرقام القياسية السابقة. وبعد بضع مباريات، وصل الكمبيوتر إلى مستوى عالٍ من النجاح، وفي بعض الحالات لعب بشكل أفضل من اللاعبين ذوي الخبرة من البشر. ومع ذلك، في الألعاب الأخرى، تلك التي يتعلمها البشر بنفس السهولة، يفشل تمامًا.

وقد أدت القدرة على تعليم الذكاء الاصطناعي باستخدام مجموعات كبيرة من البيانات - ملايين الصور أو رسائل البريد الإلكتروني أو التسجيلات الصوتية على إنستغرام - إلى حلول لمشاكل كانت تبدو في السابق صعبة للغاية، مثل التعرف على الصور والتعرف على الكلام. ومع ذلك، يجدر بنا أن نتذكر أن حفيدي لا يواجه أي مشكلة على الإطلاق في التعرف على حيوان أو الرد على شيء يقال له، بناءً على بيانات وتدريبات محدودة للغاية. لا تزال المشكلات التي يمكن لطفل يبلغ من العمر خمس سنوات حلها بسهولة تمثل تحديًا كبيرًا لأجهزة الكمبيوتر، وأكثر تعقيدًا بكثير من تعلم لعب الشطرنج.

غالبًا ما تحتاج أجهزة الكمبيوتر التي تتعلم كيفية التعرف على الوجه ذو الشارب إلى ملايين الأمثلة لتصنيف الأشياء التي يمكننا تصنيفها بناءً على بضعة أمثلة فردية فقط. قد يتمكن الكمبيوتر، بعد تدريب جاد، من التعرف على صورة قطة لم يرها من قبل، لكن الطريقة التي يفعل بها ذلك تختلف تمامًا عن التعميمات البشرية. طريقة التفكير المختلفة للبرنامج تسبب أخطاء. لن يتم تصنيف بعض صور القطط على هذا النحو، في حين أن البقع غير الواضحة، التي لن تربك أي مشاهد بشري، يمكن اعتبارها قططًا.

على طول الطريق

النهج الثاني للتعلم الآلي، والذي غير وجه الذكاء الاصطناعي في السنوات الأخيرة، يعمل في الاتجاه المعاكس: من الأعلى إلى الأسفل. يفترض هذا النهج أننا قادرون على استيعاب المعلومات المجردة من البيانات الملموسة لأننا نعرف الكثير بالفعل، وخاصة لأن الدماغ قادر بالفعل على فهم المفاهيم المجردة الأساسية. مثل العلماء، يمكننا استخدام هذه المفاهيم لصياغة فرضيات حول العالم والتنبؤ بالشكل الذي يجب أن تبدو عليه البيانات (الأحداث) إذا كانت تلك الفرضيات صحيحة. وهذا هو عكس محاولة استخراج الأنماط من البيانات الأولية، كما يحدث في الذكاء الاصطناعي "من القاعدة إلى القمة".

أفضل عرض لهذه الفكرة هو النظر إلى وباء البريد العشوائي، من منظور حالة حقيقية كنت متورطًا فيها. تلقيت بريدًا إلكترونيًا من محرر مجلة تحمل اسمًا غريبًا. لقد أشار على وجه التحديد إلى إحدى مقالاتي واقترح أن أكتب مقالاً لمجلته. لا نيجيريا ولا الفياجرا ولا ملايين الدولارات - لم تكن هذه الرسالة تحمل أيًا من الخصائص المشتركة للبريد العشوائي. ولكن بفضل ما كنت أعرفه بالفعل، والتفكير المجرد حول عملية إنتاج البريد العشوائي، تمكنت من فهم أن الرسالة كانت مشبوهة.

بداية، كنت أعلم أن مرسلي الرسائل غير المرغوب فيها يحاولون الحصول على المال من الناس من خلال مناشدة الجشع البشري، ويمكن للأكاديميين أن يطمعوا في الدعاية كما قد يطمع الأشخاص العاديون في الحصول على جائزة مليون دولار أو تحسين الأداء في غرفة النوم. كنت أعلم أيضًا أن المجلات الشرعية "ذات الوصول المفتوح" بدأت في تغطية تكاليفها عن طريق فرض رسوم على المؤلفين بدلاً من المشتركين. بالإضافة إلى ذلك، لم يكن لمقالتي أي علاقة باسم المجلة. بناءً على كل هذه المعلومات، قمت بوضع فرضية منطقية، مفادها أن الرسالة تهدف إلى إغراء الأكاديميين بدفع ثمن "نشر" مقال في مجلة مزيفة. يمكنني التوصل إلى هذا الاستنتاج بناءً على مثال واحد فقط، ويمكنني أيضًا التحقق من ذلك من خلال البحث عن معلومات حول المحرر في محرك بحث على الويب.

قد يطلق عالم الكمبيوتر على عملية تفكيري اسم "النموذج التوليدي"، وهو قادر على تمثيل المفاهيم المجردة، مثل الجشع والخداع. يمكن للنموذج نفسه أيضًا أن يصف العملية المستخدمة لإنشاء فرضية: الفكرة التي أدت إلى استنتاج مفاده أن الرسالة قد تكون محاولة احتيال عبر البريد الإلكتروني. يسمح لي النموذج بشرح كيفية عمل هذا النوع من البريد العشوائي، وكذلك تخيل أنواع أخرى من البريد العشوائي، بما في ذلك تلك التي لم أرها أو سمعت عنها من قبل. عندما أتلقى الرسالة من المجلة، يسمح لي النموذج بالعمل من النهاية إلى البداية وفهم، خطوة بخطوة، لماذا ليس هناك شك في أنها بريد عشوائي.

كانت النماذج التوليدية ضرورية في الموجة الأولى من الذكاء الاصطناعي والعلوم المعرفية في الخمسينيات والستينيات. ومع ذلك، لديهم أيضا قيود. أولاً، يمكن تفسير معظم الأنماط الموجودة في البيانات، من حيث المبدأ، بمساعدة العديد من الفرضيات المختلفة. في حالتي، ربما كانت الرسالة مشروعة، حتى لو لم تكن تبدو محتملة. ولذلك فإن النماذج التوليدية يجب أن تتضمن مفاهيم الاحتمالية، وهذا من أهم التطورات الحديثة في هذا المجال. ثانياً، ليس من الواضح في كثير من الأحيان من أين تأتي المفاهيم الأساسية التي تشكل النماذج. لقد زعم مفكرون مثل ديكارت أو نعوم تشومسكي أننا نولد معهم وهم ثابتون في مكانهم بالفعل، لكن هل نولد حقًا مع معرفة كيف يؤدي الجشع والخداع إلى الاحتيال؟

تحاول النماذج الافتراضية - وهي مثال ممتاز للنهج الحديث "من أعلى إلى أسفل" - الإجابة على كلا السؤالين. سميت هذه النماذج على اسم الإحصائي والفيلسوف في القرن الثامن عشر توماس بايس، يجمع بين النماذج التوليدية ونظرية الاحتمالات في تقنية تسمى "الاستدلال البايزي". يمكن للنموذج التوليدي الاحتمالي أن يخبرنا عن مدى احتمالية رؤية نمط معين في البيانات إذا كانت فرضية معينة صحيحة. إذا كانت رسالة البريد الإلكتروني عبارة عن عملية احتيال، فمن المرجح أن تثير جشع القراء. لكن بالطبع، يمكن للرسالة أن تثير الجشع حتى لو لم تكن بريدًا عشوائيًا. يجمع النموذج بايزي بين المعرفة التي لدينا بالفعل حول الفرضيات المحتملة والبيانات الموجودة أمام أعيننا، حتى نتمكن من حساب احتمالية أن تكون الرسالة مشروعة أو غير مرغوب فيها بدقة عالية.

يعد هذا النهج "من أعلى إلى أسفل" أكثر اتساقًا مع ما نعرفه عن كيفية تعلم الأطفال من النهج "من أسفل إلى أعلى". ولذلك، على مدى السنوات الخمس عشرة الماضية، استخدمت أنا وزملائي نماذج بايزي في عملنا بشأن تنمية الطفل. استخدمت مختبراتنا وغيرها هذه التقنيات لفهم كيفية تعلم الأطفال لعلاقات السبب والنتيجة، وللتنبؤ بكيفية ومتى سيطور الشباب معتقدات جديدة حول العالم، ومتى سيغيرون المعتقدات التي لديهم بالفعل.

تعمل النماذج البايزية أيضًا كطريقة رائعة لتعليم الآلات كيفية التعلم مثل البشر. جوشوا ب. تانينباوم من معهد ماساتشوستس للتكنولوجيا (الذي أعمل معه أحيانًا)، نشر بريندان إم ليك من جامعة نيويورك وزملاؤه دراسة عام 2015 في مجلة ساينس، حيث صمموا نظام ذكاء اصطناعي قادر على التعرف على الكتابة اليدوية غير المألوفة الشخصيات، مهمة سهلة بالنسبة للبشر ولكنها صعبة بشكل خاص بالنسبة لأجهزة الكمبيوتر.

فكر في مهارات تحديد الهوية الخاصة بك. حتى لو لم يسبق لك رؤية أي حرف في لفافة يابانية، فمن المحتمل أن تتمكن من معرفة ما إذا كانت هي نفسها أو مختلفة عن شخصية في لفيفة أخرى. يمكنك أيضًا رسمها، وحتى تصميم شخصية يابانية مزيفة، وفهم، بالإضافة إلى ذلك، أنها مختلفة عن الشخصيات باللغة الكورية أو الروسية. وهذا بالضبط ما تمكن تانينباوم وفريقه من جعل البرنامج يقوم به.

في النهج "من الأسفل إلى الأعلى"، يتلقى الكمبيوتر آلاف العينات ويستخدم الأنماط التي يجدها فيها للتعرف على الشخصيات الجديدة. وفي المقابل، أعطى برنامج بايزي للآلة نموذجًا عامًا لرسم الشخصيات. على سبيل المثال، يمكن أن تمتد الخطوط إلى اليمين أو إلى اليسار. وبعد أن ينهي البرنامج حرفًا واحدًا، ينتقل إلى الحرف التالي في السطر.

عندما رأى البرنامج شخصية معينة، كان قادرًا على استنتاج تسلسل الخطوط اللازمة لإنشائها، ثم قام بإنشاء مجموعة مماثلة من الخطوط بنفسه. لقد فعلت ذلك بنفس الطريقة التي استنتجت بها تسلسل الخطوات التي أدت إلى إنشاء رسالة البريد العشوائي التي تلقيتها من المجلة. بدلاً من النظر فيما إذا كان من المحتمل أن تنشأ الرسالة من عملية احتيال تسويقية، يخمن نموذج تاننباوم ما إذا كان من المحتمل أن تنشأ الرسالة المطلوبة من سلسلة معينة من السطور. لقد عمل هذا البرنامج من أعلى إلى أسفل بشكل أفضل بكثير من التعلم العميق المطبق على نفس البيانات بالضبط، وهو يعكس بأمانة أداء البشر.

مباراة ممتازة

يتمتع هذان النهجان الرائدان في التعلم الآلي - من أسفل إلى أعلى ومن أعلى إلى أسفل - بمزايا وعيوب متكاملة. في النهج "من القاعدة إلى القمة"، لا يحتاج الكمبيوتر إلى فهم أي شيء عن القطط مقدمًا، ولكنه يحتاج إلى الكثير من البيانات.

يمكن للنظام البايزي أن يتعلم من بعض الأمثلة، وأن يعمم بشكل أفضل. ومع ذلك، فإن هذا النهج "من الأعلى إلى الأسفل" يتطلب قدراً كبيراً من العمل التحضيري لصياغة المجموعة الصحيحة من الفرضيات. كما أن مصممي كلا النوعين من الأنظمة قد يواجهون عقبات مماثلة. كلاهما يعمل فقط على المشكلات الضيقة والمحددة جيدًا، مثل التعرف على الحروف المكتوبة أو القطط، أو لعب أتاري.

ولا ينبغي للأطفال أن يواجهوا مثل هذه القيود. وقد وجد علماء النفس التنموي أن الأطفال الصغار يتمكنون بطريقة أو بأخرى من الجمع بين مزايا كلا النهجين، والارتقاء بهم إلى أبعد من ذلك بكثير. Ogi قادر على التعلم من مثال واحد أو اثنين فقط مثل النظام "من أعلى إلى أسفل"، ولكن يمكنه أيضًا بطريقة أو بأخرى استخلاص مفاهيم جديدة من البيانات نفسها، مثل نظام "من أسفل إلى أعلى". هذه المفاهيم لم تكن في يديه منذ البداية.

وفي الواقع، يستطيع أوجي أن يفعل أكثر من ذلك بكثير. فهو يتعرف على القطط على الفور، ويفرق بين الحروف، ولكنه يتمكن أيضًا من الوصول إلى استنتاجات جديدة مبتكرة ومثيرة للدهشة، تتجاوز بكثير خبرته الشخصية أو معرفته العامة. وأوضح مؤخراً أنه إذا أراد شخص بالغ أن يعود طفلاً مرة أخرى، فعليه أن يتجنب تناول الخضروات الصحية، لأنها تجعل الأطفال ينمون ويصبحون بالغين. ليس لدينا أي فكرة تقريبًا عن كيفية حدوث هذا الاستدلال الإبداعي.

عندما نسمع ادعاءات بأن الذكاء الاصطناعي يشكل تهديدا وجوديا، يجب علينا أن نتذكر القوى التي لا تزال غامضة للعقل البشري. قد يبدو الذكاء الاصطناعي والتعلم الآلي مخيفين، وهو كذلك في بعض النواحي. ويدرس العسكريون سبل استخدام هذه الأنظمة للسيطرة على الأسلحة. لكن الغباء الطبيعي قد يكون أكثر ضررا من الذكاء الاصطناعي، ويتعين علينا نحن البشر أن نكون أكثر ذكاء بكثير مما كنا عليه في الماضي حتى نتمكن من تنظيم التكنولوجيات الجديدة بشكل صحيح. إن قانون مور يشكل قوة عاتية: فحتى لو كان التقدم في مجال الحوسبة يأتي من التقدم الكمي في البيانات وقوة المعالجة، وليس من الثورات في فهمنا للدماغ، فإنه قد يظل له عواقب عملية هائلة. ومع ذلك، لا داعي للخوف من تجسيد تكنولوجي جديد على وشك الظهور إلى العالم.