مکانیک استنتاج بیزی: چگونه باورهای پیشین با شواهد جدید به‌روزرسانی می‌شوند تا پیش‌بینی صورت گیرد

هر بار که یک فیلتر هرزنامه (اسپم) ایمیلی مخرب را رهگیری می‌کند، یک الگوریتم پزشکی تومور احتمالی را علامت می‌زند، یا مغز خود شما تشخیص می‌دهد که صدای ناگهانی خش‌خش در بوته‌ها فقط صدای باد است، یک عملیات ریاضی خاص در حال انجام است. شما دائماً در حال به‌روزرسانی فرضیات خود بر اساس شواهد جدید هستید. این فرآیند، که اغلب توسط کلمات پر زرق و برق بازاریابی مانند «هوش مصنوعی» یا «استدلال ماشینی» پنهان می‌شود، اساساً توسط یک مفهوم ریاضی هدایت می‌شود که بیش از دو قرن پیش رسمی شد: استنتاج بیزی.[1]

شرکت‌های فناوری اغلب مدل‌های پیش‌بینی‌کننده خود را به گونه‌ای تبلیغ می‌کنند که گویی دارای نوعی درک نوپا هستند. آن‌ها الگوریتم‌هایی را توصیف می‌کنند که در مورد جهان «یاد می‌گیرند» و «استدلال می‌کنند»، و مکانیک آماری را در قالب زبان انسان‌نما می‌پیچند. با این حال، اگر این هیاهو کنار گذاشته شود، این سیستم‌ها در حال اجرای یک فرآیند دقیق و مکانیکی برای تنظیم احتمال هستند. آن‌ها جهان را درک نمی‌کنند؛ بلکه احتمال درست بودن یک فرضیه را با توجه به یک قطعه داده جدید محاسبه می‌کنند و وزن‌های داخلی خود را بر اساس آن تنظیم می‌کنند.[5]

در قلب این محاسبه، قضیه بیز قرار دارد، فرمولی که نحوه به‌روزرسانی یک باور «پیشین» را هنگام مواجهه با شواهد جدید برای تشکیل یک باور «پسین» دیکته می‌کند. همانطور که در دانشنامه فلسفه استنفورد آمده است، این قضیه یک قانون هنجاری برای بازنگری منطقی باورها ارائه می‌دهد. این قضیه یک سیستم – خواه سیلیکونی باشد یا بیولوژیکی – را مجبور می‌کند تا قدرت شواهد جدید را در برابر خط مبنای تاریخی آنچه قبلاً شناخته شده بود، به صورت ریاضی وزن کند.[1]

این سازوکار با احتمال پیشین آغاز می‌شود. این فرض پایه است قبل از مشاهده هر داده جدید. اگر در صحرای ساهارا زندگی می‌کنید، باور پیشین شما مبنی بر اینکه امروز باران خواهد آمد، بسیار پایین است. اگر در لندن زندگی می‌کنید، احتمال پیشین شما بالا است. در یادگیری ماشینی، احتمالات پیشین توسط داده‌های آموزشی تعیین می‌شوند. الگوریتم با یک فرض پایه در مورد اینکه یک تراکنش «عادی» کارت اعتباری یا یک تصویر «عادی» چگونه به نظر می‌رسد، شروع می‌کند که کاملاً بر اساس سابقه اطلاعاتی است که به آن خورانده شده است.[4]

هنگامی که داده‌های جدید می‌رسند، سیستم «درست‌نمایی» (Likelihood) را ارزیابی می‌کند – یعنی احتمال مشاهده این شواهد خاص در صورتی که فرضیه درست باشد. اگر ابرهای تیره را در صحرای ساهارا ببینید، درست‌نمایی ظاهر شدن آن ابرها در طول باران زیاد است، اما همچنان باید آن را در احتمال پیشین بسیار پایین خود ضرب کنید. شواهد جدید باید به طرز چشمگیری قوی باشند تا یک باور پیشین عمیقاً ریشه‌دار را واژگون کنند، واقعیتی ریاضی که از واکنش بیش از حد سیستم‌ها به نقاط داده منفرد جلوگیری می‌کند.[1]

نتیجه این ضرب، که در برابر همه احتمالات نرمال‌سازی شده است، احتمال پسین است. نکته مهم این است که این احتمال پسین برای محاسبه بعدی، به احتمال پیشین جدید تبدیل می‌شود. این یک حلقه یادگیری پیوسته است. سیستم به دنبال حقیقت مطلق نیست؛ بلکه به دنبال محتمل‌ترین مدل آماری واقعیت با توجه به داده‌های موجود در همین میلی‌ثانیه است. این حلقه تکراری همان چیزی است که به متن پیش‌بین اجازه می‌دهد کلمه بعدی شما را حدس بزند و وسایل نقلیه خودران حرکت عابران پیاده را پیش‌بینی کنند.[2][5]

این به‌روزرسانی مکانیکی فقط مختص نرم‌افزار نیست؛ بلکه به طور فزاینده‌ای به عنوان مبنای رسمی ریاضی خود روش علمی در نظر گرفته می‌شود. مدل‌های معرفت‌شناسی اخیر نشان می‌دهند که اجماع علمی اساساً یک فرآیند به‌روزرسانی بیزی در مقیاس کلان است. هنگامی که یک نتیجه تجربی جدید منتشر می‌شود، جامعه علمی فوراً نظریه‌های قدیمی را کنار نمی‌گذارد؛ بلکه «باور پیشین» جمعی خود را بر اساس وزن آماری یافته‌های جدید تنظیم می‌کند.[2]

این توضیح می‌دهد که چرا تغییرات پارادایمی در علم زمان می‌برند. ادعاهای خارق‌العاده نیازمند شواهد خارق‌العاده هستند، دقیقاً به این دلیل که «باور پیشین» در نظریه تثبیت شده بسیار بالا است. یک نتیجه ناهنجار واحد از نظر ریاضی برای واژگون کردن دهه‌ها داده انباشته شده کافی نیست. چارچوب بیزی نشان می‌دهد که شکاکیت علمی نه تنها یک موضع فلسفی، بلکه یک ضرورت ریاضی برای یادگیری پایدار و تجمعی در طول نسل‌ها از محققان است.[2]

شاید جذاب‌ترین کاربرد استنتاج بیزی نه در مراکز داده، بلکه در داخل جمجمه انسان باشد. عصب‌شناسان به طور فزاینده‌ای فرضیه «مغز بیزی» را پذیرفته‌اند، که فرض می‌کند مدارهای عصبی به طور فعال به‌روزرسانی بیزی را انجام می‌دهند. مغز ورودی حسی را به طور منفعل مانند یک دوربین دریافت نمی‌کند؛ بلکه دائماً پیش‌بینی‌هایی در مورد جهان تولید می‌کند و آن‌ها را تنها زمانی به‌روزرسانی می‌کند که داده‌های حسی با پیش‌بینی در تضاد باشند.[3]

این سازوکار، که به عنوان کدگذاری پیش‌بینانه (Predictive Coding) شناخته می‌شود، نشان می‌دهد که آنچه ما درک می‌کنیم، در واقع احتمال پسین مغز ما است. هنگامی که وارد اتاق نشیمن خود می‌شوید، مغز شما یک انتظار پیشین از محل قرارگیری مبلمان را طرح‌ریزی می‌کند. تنها در صورتی انرژی متابولیک قابل توجهی را صرف پردازش داده‌های بصری می‌کند که چیزی تغییر کرده باشد – یک «خطای پیش‌بینی». مغز با پردازش تنها موارد غیرمنتظره، با کارایی انرژی قابل توجهی عمل می‌کند.[3]

در سطح سلولی، اعتقاد بر این است که این به‌روزرسانی از طریق انعطاف‌پذیری سیناپسی (Synaptic Plasticity) رخ می‌دهد. قدرت اتصالات بین نورون‌ها به گونه‌ای تنظیم می‌شود که از نظر ریاضی بازتاب‌دهنده تخفیف باورهای پیشین در معرفت‌شناسی رسمی باشد. هنگامی که داده‌های جدید و با واریانس بالا می‌رسند – مانند یک صدای بلند و غیرمنتظره در یک اتاق ساکت – مغز به شدت شواهد جدید را وزن می‌کند و به سرعت انتظار پیشین سکوت را نادیده می‌گیرد تا یک واکنش وحشت را آغاز کند.[3]

با وجود ظرافت، چارچوب بیزی محدودیت‌هایی دارد، به ویژه هنگامی که در مورد رفتار انسان اعمال می‌شود. در حالی که سیستم‌های حسی سطح پایین ما ممکن است ماشین‌حساب‌های بیزی بسیار بهینه‌شده‌ای باشند، استدلال شناختی سطح بالاتر ما اغلب از عقلانیت ریاضی دقیق منحرف می‌شود. انسان‌ها اغلب از سوگیری تأیید (Confirmation Bias) رنج می‌برند – یعنی به طور مصنوعی وزن شواهدی را که از باورهای پیشین ما حمایت می‌کنند، افزایش می‌دهند، در حالی که شواهدی را که با آن‌ها در تضاد هستند، به شدت نادیده می‌گیرند و قوانین ریاضی دقیق قضیه را زیر پا می‌گذارند.[4]

علاوه بر این، کیفیت یک پیش‌بینی بیزی کاملاً به کیفیت پیشین و شواهد بستگی دارد. همانطور که محققان مدل‌سازی اطلاعات و باورها اشاره کرده‌اند، اگر به یک سیستم داده‌های آموزشی مغرضانه خورانده شود، احتمال پیشین آن منحرف خواهد شد. هیچ مقدار به‌روزرسانی بیزی دقیق نمی‌تواند یک فرض پایه اساساً معیوب را بدون هجوم گسترده داده‌های متناقض اصلاح کند، داده‌هایی که سیستم‌های مغرضانه اغلب آن‌ها را فیلتر می‌کنند.[4]

اینجاست که دیدگاه شکاکانه نسبت به هوش مصنوعی تجاری حیاتی می‌شود. هنگامی که یک فروشنده فناوری ادعا می‌کند که مدل پیش‌بینی‌کننده آن‌ها «بی‌طرف» یا «عینی» است، آن‌ها این واقعیت را پنهان می‌کنند که هر سیستم بیزی به یک احتمال پیشین نیاز دارد، و آن احتمال پیشین توسط انسان‌ها از طریق انتخاب داده‌های آموزشی انتخاب می‌شود. عملیات ریاضی عینی است، اما ورودی‌هایی که محاسبه را هدایت می‌کنند، ذاتاً ذهنی و تعریف شده توسط انسان هستند.[5]

در نهایت، استنتاج بیزی یک لنز مکانیکی قدرتمند برای درک یادگیری در هر دو حوزه بیولوژیکی و مصنوعی فراهم می‌کند. این مفهوم «جادوی» هوش مصنوعی را از بین می‌برد و آن را به یک حلقه پیوسته تنظیم احتمال تقلیل می‌دهد. با تشخیص اینکه هم الگوریتم‌های ما و هم مغز ما درگیر یک محاسبه اساسی مشابه هستند، می‌توانیم نقاط قوت – و آسیب‌پذیری‌های ذاتی – نحوه پیش‌بینی آینده را بهتر درک کنیم.[5]