ضدخاطرات

گمان نمی‌کنم به درد کس‌ای بخورد، اما به هر حال …

… Ùˆ آن‌هایی Ú©Ù‡ تکامل طبیعی را به میمون‌ای تشبیه می‌کنند Ú©Ù‡ تصادفی بر ماشین تحریری می‌کوبد Ùˆ بعد تعجب می‌کنند Ú©Ù‡ «مگر می‌توان آثار شکسپیر را چنین پدید آورد؟».

(۱) استاد می‌گفت فلانی چه باحاله چون می‌آد و می‌گه «نتیجه‌ی این سه ماه فعالیت‌مان این بود که کلی روش مختلف را بررسی و مطالعه کردیم و همه چیز عالی پیش رفت، و بله، البته مشکل کوچکی هم وجود دارد و آن هم این‌که هنوز نتوانسته‌ایم مساله‌ی اصلی را حل کنیم؛ گرچه امیدواریم تا دو سه هفته‌ی دیگر مساله حل شود.» در حالی که اگه من بودم (هم‌چنان استاد است که سخن می‌گوید) می‌گفتم «سه ماه زدیم توی سر خودمون، هیچ نتیجه‌ای نداد!».
من، خودِ خودِ من، هم در دل‌ام می‌گویم «البته که اعتماد به نفس چیز خوبی است!».
و البته فکر نکنید استاد من از اعتماد به نفس چیزی کم می‌آورد!

(۲) امروز کمی عصبانی شدم از بس بعضی‌ها بی‌شرمانه صاف صاف توی روز روشن پرت و پلا می‌گویند! بحث سر یک روش‌ای است که بر حسب اتفاق زمینه‌ی تخصصی‌ی من است. دقیق‌تر بگویم یک سال و نیم اخیر بیش‌تر روی آن وقت گذاشته‌ام و خب می‌توانم ادعا کنم که دست پایین می‌دانم مساله راجع به چیست. بعد طرف خیلی راحت می‌آید جلوی من می‌نشیند و می‌گوید که فلان چیز برای این مساله‌ها به کار نمی‌رود بلکه برای نوع کاملا متفاوتی از مساله‌ها به کار می‌رود. و بعد که می‌پرسم مطمئنی اشتباه نمی‌کنی پاسخ می‌دهد که بله، خودم مقاله‌اش را خوانده‌ام! می‌خواستم بگویم پدرسوخته، من خودم مقاله‌اش را نوشته‌ام، حالا تو داری به من می‌گویی این چیز به چه درد می‌خورد؟ به جای‌اش گفتم به نظرم miscommunicationای این وسط رخ‌داده و حرف مقاله چیز دیگری بوده است! این کلمه بی‌ادبانه‌ترین لفظی بود که امروز به طور عمومی به کار بردم!
اعتراف می‌کنم که ممکن است مقداری بیش از حد عصبانی شده باشم. یعنی هنوز نمی‌دانم که آیا به‌تر نبود که تنها لبخند می‌زدم و هیچ چیزی نمی‌گفتم. آخر من همیشه همین مشکل را با این شخص خاص دارم. هر وقت بحث علمی می‌شود،‌ دود از کله‌ام بیرون می‌زند از بس این شخص یک نفس با صلابت مزخرف می‌گوید. یکی دو سال پیش پس از چندین و چند بحث ناموفق تصمیم گرفتم که دیگر در هیچ بحث علمی‌ای با او شرکت نکنم چون به نظرم او به اصول علم و منطق پای‌بند نیست. گرچه این مورد ناموسی بود و داشت جلوی روی خودم کار مرا جور دیگری جلوه می‌داد!

(۳) این جور رفتارهای آدم‌ها را می‌توان در چارچوب استنتاج بیزی (Bayesian Inference) توضیح داد.
برای شروع یک مثال خیلی معمول استنتاج را در نظر بگیرید:
شما تاکنون آقای الف را ندیده‌اید اما به هر دلیل‌ای تصور می‌کنید که آدم بی‌تربیت‌ای است. مثلا شاید یکی از دوستان‌تان پیش‌ترها چیز بدی از او به‌تان گفته باشد. یا مثلا بر این تصورید که فلان نژاد یا قومیت کلا بی‌ادب است. حالا قرار است امروز برای اولین بار آقای الف را ببینید و یکی دو ساعت‌ای معاشرت کنید.
ابتدا که او را می‌بینید، او خندان پیش می‌آید و خیلی خون‌گرمانه به‌تان سلام می‌کند. چند دقیقه‌ای می‌گذرد که ناگهان متوجه می‌شوید که آقای الف گویا دارد به بینی‌اش دست می‌زند. با خودتان می‌گویید آقای الف که بی‌تربیت است و لابد نمی‌داند که دست توی دماغ‌کردن جلوی دیگران زشت است. بعد نوبت جوک تعریف‌کردن می‌شود. شما و دوست باادب مشترک‌تان هر کدام یک جوک تعریف می‌کنید. مثلا فرض کنید شما یک جوک معمول رشتی تعریف می‌کنید، دوست‌تان یک جوک معمول ترکی می‌گوید و حالا هم نوبت به آقای الف می‌رسد. آقای الف جوک‌ای قزوینی -طبیعتا با ته‌مایه‌ی سـکـسی- می‌گوید. در دل‌تان برافروخته می‌شوید و می‌گویید چقدر بی‌ادب است و در نتیجه باز هم باور اولیه‌تان محکم و محکم‌تر می‌شود. در نهایت پس از دو سه ساعت به قطعیت می‌رسید که آقای الف واقعا شخص بی‌تربیت‌ای است.

اما نکته‌ی اساسی این است که آقای الف الزاما بی‌تربیت‌تر از بقیه‌ی آدم‌هایی نیست که شما باتربیت‌شان می‌دانید. آقای الف به کنار بینی‌اش دست زد چون مثلا کمی می‌خارید اما به‌تان اطمینان می‌دهم که دست توی دماغ‌اش(!) نکرد. هم‌چنین جوک‌ای که تعریف کرد همان‌قدر زشت و بی‌ادبانه بود که جوک شما یا دوست‌تان بی‌ادبی بوده است. تفاوت در این است که به خاطر پیش‌قضاوت اولیه‌تان همه‌ی رفتارهای آقای الف را در چارچوبی بدبینانه تفسیر می‌کنید. و جالب این‌که چون از اول با قطعیت تصور کرده‌اید که رفتارهای آن شخص حتما بد هستند، دیگر هیچ شانس‌ای برای برداشت خوب از رفتارهای‌اش باقی نگذاشته‌اید. مثلا سلام گرم‌اش را نادیده می‌گیرید. و یا حتی شاید جوک‌ای که او تعریف کرد با این‌که کمی خلاف اصول اخلاقی‌ی عرف بود، اما هدف‌اش نه بی‌ادبی که خنداندن شما بوده باشد. در این صورت آقای الف اتفاقا باتربیت و آداب‌دان است چون سعی کرده بود خون‌گرم باشد.

اندکی مجردتر (ولی نه چندان) بگویم، یکی از نکات مهم در هر استنتاج این است که بدانی قطعیت‌ات نسبت به نتیجه‌ای که به دست می‌آوری چقدر است. مثلا تو یک فرضیه‌ی اولیه‌ای داری و دو سه نمونه هم از آن پدیده دیده‌ای و حالا یک نظری داری نسبت به آن فرضیه‌ی اولیه‌ات. اما چون دو سه مشاهده چندان زیاد نیست، باید مواظب باشی که خیلی نسبت به فرضیه‌ات یقین پیدا نکنی.
در چارچوب بیزی، ما باور اولیه‌ای (از-پیشین) داریم و آن باور اولیه را پس از مشاهده‌ی داده‌ها تصحیح می‌کنیم. معمولا آن باور اولیه نباید خیلی با قطعیت حرف‌ای بزند. مثلا نباید از اول بگوید که آقای الف بی‌تربیت است و لاغیر! باید شانس‌ای برای باادب-بودن‌اش هم باقی بگذارد. اما اگر آمدیم و باور اولیه‌مان از همان اول‌اش بیش از حد قطعیت داشت، نتیجه‌گیری‌مان پس از مشاهده‌ی داده‌ها نیز هم‌چنان قطعی خواهد بود و هر چه دیده‌ایم به این راحتی‌ها نظرمان را نسبت به او عوض نمی‌کند. اما مشکل این است که آن قطعیت کاذب است و چندان اعتباری ندارد چون تصور اولیه‌مان خیلی متعصبانه بوده است.

بعضی‌ها هم همین‌طور هستند. آن‌قدر به خودشان اطمینان دارند که به صرف خواندن یک مقاله چنان سینه ستبر می‌کنند و محکم حرف می‌زنند که آدم شاخ در می‌آورد. در واقع هیچ جایی برای برداشت اشتباه خود از چیزی نمی‌گذارند. و البته باز این موضوع الزاما محدود نمی‌شود به محیط‌های آکادمیک! مکانیزم عمل پیش‌قضاوت، تاثیر استریوتایپ‌های مرسوم در گفتمان‌های جـنـسیت‌زده و نژاد‌گرایانه بر قضاوت‌های فرد کم و بیش به نظرم همین می‌آید. و در نهایت این‌که متاسفانه یا شاید هم خوش‌بختانه چندان راه فراری از چنین پیش‌قضاوت‌هایی وجود ندارد. بدون اندکی پیش‌قضاوت نسبت به دنیای اطراف‌مان موجودی ناتوان بیش نخواهیم بود. شاید بعدترها راجع به این نکته‌ی آخر نوشتم.

(۴) این مشکل‌ای که توضیح دادم (تاثیر شدید باور پیشین بر باور نهایی) یکی از گرزهای محکم‌ای است که بر سر طرف‌داران احتمالات بیزی (Bayesian Probability) می‌کوبند. در واقع یک طرف‌دار چنین چارچوبی می‌تواند داده‌ها را کم و بیش هر جوری که دوست دارد تفسیر کند و به غلط احساس کند که روش‌اش درست است. این حرف‌ام البته بدان معنا نیست که مخالف روش‌های بیزی هستم. مهم این است که آدم به اندازه‌ی کافی عاقل باشد و زیادی «شادبازی» در نیاورد!

(۵) آخرین خاطره‌ی امروزم این‌که از این پس هر وقت دونات می‌خورم و دونات از حالت چنبره‌ی یک سوراخی به یک لوله‌ی U-شکل مانند (بدون سوراخ) تبدیل می‌شود ناخودآگاه به Morse theory می‌اندیشم! این هم جزو چیزهای بی‌ربطی است که دوست دارم یک زمانی یاد بگیرم.

(۶) خاطره‌های دیگرم -یا به‌تر بگویم افکار دیگرم- باشد برای من و خودم و بعضی‌ها!

مرتبط به قوانین بیز در همین بلاگ:
مروری بر قوانین احتمالات
یا بیزی یا فازی
Being Bayesian
در آداب ازدواج

نتایج نظرسنجی‌ی پیشین برای‌ام جالب بود. هدف نظرسنجی‌ی پیشین این بود که ببینم آیا انتخاب تصادفی با توزیع یک‌نواختِ گزینه‌ها کار ساده‌ای است یا خیر (یعنی هیچ گزینه‌ای بر گزینه‌ی دیگر برتری نداشته باشد؛ همه کم و بیش به یک میزان انتخاب شده باشند). پاسخ منفی بود. تا این لحظه ۱۱۸ نفر در نظرسنجی شرکت کرده‌اند (متشکرم از حضورتان!) و توزیع گزینه‌ها بدین‌گونه بود:

گزینه اول: ۱۰ درصد
گزینه دوم: ۳۲ درصد
گزینه سوم: ۴۴ درصد
گزینه چهارم: ۱۴ درصد

مشاهده می‌شود که گزینه‌ی سوم حدود چهار برابر بیش‌تر از گزینه‌ی اول انتخاب شده است. دلیل چنین اتفاق‌ای چیست؟
مطمئن نیستم، اما شاید دلیل‌اش این باشد که خیلی‌ها تصور می‌کنند که «بقیه» گزینه‌های کناری (یعنی اول و چهارم) را بیش‌تر از بقیه می‌پسندند، پس برای حفظ تعادل گزینه‌ی دوم یا سوم را انتخاب می‌کنند. اما نکته این است که بقیه هم چنین تصوری می‌کنند و در نتیجه بیش‌تر افراد گزینه‌ی دوم یا سوم را برمی‌گزینند.

آیا کس‌ای پیش خود چنین استدلال‌ای کرده است؟
کسانی که روی بازی‌های کامپیوتری (مثل پوکر) کار می‌کنند به چنین کاری می‌گویند opponent modeling. هدف این است که بفهمی طرف مقابل چه رفتاری ممکن است نشان دهد. مشکل این است که طرف مقابل هم ممکن است سعی کند همین کار را با تو بکند و در نتیجه رفتارهای خنده‌داری پیش بیاید.

به هر حال … اگر فرض من درست باشد Ùˆ آدم‌ها چنین استدلال‌ای می‌کنند، آن وقت این نظرسنجی ویژگی‌ی جالب‌ای دارد: نظردهنده بیش از این‌که سعی کند مساله را به صورت عینی حل کند،‌ سعی می‌کند رفتار آدم‌های دیگر را مدل کند Ùˆ متناسب با آن رفتار کند. یعنی «گزینه صحیح» نه از واقعیت‌ای خارجی Ú©Ù‡ از تصوری از آن‌چه دیگران ممکن است تصور کنند برمی‌آید.
البته فرض دیگر هم این است که آدم‌ها اصولا در تولید اعداد تصادفی بد هستند. برای این‌کار باید از یک فرد بخواهیم که مثلا صد بار پشت سر هم اعداد یک تا چهار را تصادفی انتخاب کند و بعد توزیع ایجاد شده را مطالعه کنیم.

حل این مساله (انتخاب یکی از گزینه‌ها با شانس یک‌سان) راحل‌حل ساده‌ای دارد: سکه‌اندازی. تصور عمومی بر این است که بیش‌تر سکه‌ها وسیله‌ی خوبی برای تولید عدد تصادفی با توزیع یک‌نواخت هستند. در واقع باور عمومی این است که احتمال شیر یا خط آمدن یک سکه تقریبا نزدیک به ۰.۵ است.

بیایید از سکه استفاده کنیم و ببینیم نتایج چه می‌شوند. چون نتیجه‌ی آزمایش سکه یا صفر است یا یک (شیر یا خط)، و ما چهار عدد می‌خواهیم، پس دو بار سکه می‌اندازیم و با توجه به نتیجه‌ی آزمایش اعلام می‌کنیم که ۱، ۲، ۳، یا ۴ آمده. خب، من از یک سکه‌ی ۲۵ سنتی کانادا استفاده می‌کنم که یک طرف‌اش عکس الیزابت دوم است (شیر = ۱) و طرف دیگرش عکس گوزن (خط = ۰). سکه را روی انگشت اشاره‌-شست‌ام می‌گذارم و با انگشت شست‌ام به زیرش ضربه می‌زنم و بعد می‌گذارم تا روی زمین بیافتد. زمین موکت است و ارتفاع سقوط حدود دو متر یا کمی بیش‌تر. پیش از پرتاب همیشه روی شیر (الیزابت دوم) سکه را به سمت سقف قرار می‌دهم.
نتایج ۵۰ بار آزمایش بدین صورت است:

00100101001101101000011000100100011100010100010010

که می‌شود از قراری(!) ۳۱ صفر و ۱۹ یک. در نتیجه مطابق این آزمایش به طور متوسط ۳۸ درصد سکه‌ها شیر می‌آیند. کمی عجیب نیست؟ انتظارم این بود که این عدد نزدیک‌تر به ۵۰ درصد می‌بود، اما حالا هم خیلی زیاد عجیب نیست. در واقع به احتمال ۲۴ درصد احتمال شیر افتادن واقعی حتی بیش از ۵۰ درصد باشد ولی در این تعداد محدود آزمایش (۵۰ آزمون) نتیجه همین‌ای بشود که دیده‌ایم. (یا به عبارت دیگر: مقدار واقعی پارامتر سکه به احتمال بیش از ۹۵ درصد در بازه‌ی ۰.۲۰ تا ۰.۵۵ قرار دارد.)
.

حدس می‌زنم که (۱) من خیلی خوب سکه را پرتاب نمی‌کنم و (۲) سکه واقعا ۵۰-۵۰ (unbiased به قول احتمالیون(!)) نباشد.

به هر حال بیاییم این نتایج را به نتایج چهار گزینه‌ای خودمان تبدیل کنیم. فرمول‌اش این‌طوری است: 00 می‌شود گزینه‌ی ۱، 01 می‌شود گزینه‌ی ۲ و الی آخر. پس داریم:

1322142331231321241221213

که می‌شود هشت بار گزینه‌ی اول، نه بار گزینه‌ی دوم، شش بار گزینه‌ی سوم و دو بار گزینه‌ی چهارم در ۲۵ تکرار آزمایش. درصدی باشد، می‌شود:

گزینه‌ی اول: ۳۲ درصد
گزینه‌ی دوم: ۳۶ درصد
گزینه‌ی سوم: ۲۴ درصد
گزینه‌ی چهارم: ۸ درصد

خب، با این‌که همه‌ی اعداد خیلی نزدیک به ۲۵ درصد نیستند، اما خیلی هم دور نیستند. احتمالا باید سکه را چندین و چند بار دیگر پرتاب کنم تا ببینم مشکل از کیست. شما چرا این‌کار را نمی‌کنید؟ بگویید چند بار سکه را چگونه پرتاب کرده‌اید و نتایج چه شده است. در ضمن بگویید از چه سکه‌ای استفاده کرده‌اید.

مرتبط:
رای گیری – روز آغاز

امروز (در واقع هفته‌ی پیش) دو مقاله از مجله‌ی Mind می‌خواندم. یکی‌شان Intelligence Evolved بود و دیگری High-Aptitude Minds.به وظیفه‌ی حرفه‌ای‌ام عمل نمی‌کنم و توضیح بیش‌تر درباره‌ی نویسنده و شماره‌ی مجله و غیره نمی‌دهم. پیداکردن‌شان نباید خیلی سخت باشد.

خلاصه‌ی مقاله‌ی اول (Intelligence Evolved) این بود که معیارهای ماکروسکوپیک‌ای چون حجم مغز، نسبت وزن مغز به وزن بدن برای توصیف هوش‌مندی‌ی موجودات کفایت نمی‌کنند. مثلا با این‌که وزن مغز انسان زیاد است، اما موجودات‌ای هستند که وزن مغزشان بیش‌تر است و از انسان خنگ‌تر (مثلا بعضی از وال‌ها). بعد می‌گوید شاید ویژگی‌های مایکروسکوپیک توصیف‌گر خوبی باشند. مثلا می‌گوید ضخامت غشای myelin نورون‌ها شاید هوش‌مندی را توصیف کند. ضخامت بیش‌تر آن غشا باعث انتقال سریع‌تر پیام‌های عصبی می‌شوند.
نکته‌ی دیگر مقاله این است که شاید تفاوت جزیی‌ی دیگر وجود بخش‌ای چون Broca در مغز باشد که وظیفه‌ی پردازش زبان‌ای را برعهده دارد (دقیق‌تر: speech area in the left frontal lobe طبق گفته‌ی مقاله). این بخش -تا جایی که من فهمیده‌ام- در موجودات دیگر دیده نشده است.
در ضمن نکته‌ی بامزه‌ی دیگر این است که هوش‌مندی‌ی زبانی‌ی موجودات دیگر فقط تا حد یک انسان سه ساله می‌تواند پیش‌رفت کند، اما پس از آن هوش‌مندی‌ی زبانی‌ی آن‌ها متوقف می‌شود. نکته‌ی ویژه درباره‌ی سه سالگی‌ی انسان تکوین بروکا است.

نکته‌ی جالب به نظرم نقش مهم زبان در هوش‌مندی است. به نظر می‌رسد جدا از پردازش سریع‌تر اطلاعات، ویژگی‌ی جالب دیگری که ما را هوش‌مندتر می‌کند داشتن بخش‌ای از مغز است که به طور اختصاصی به زبان تعلق دارد (نمی‌گویم دیگر موجودان چنین چیزی را ندارند، اما به نظر می‌آید به این حد تکامل‌یافته نباشد). به فکر فرو می‌روم که نکند یکی از چیزهایی که حتما می‌بایست در هر سیستم هوش‌مندی داشته باشیم بخش‌ای مجزا برای پردازش زبان‌ای است. یعنی شاید نتوان با یک مکانیزم یادگیری عمومی (مثل یک RL-based mind همه‌منظوره) به راحتی به هوش‌مندی‌ی سطح بالا برسیم. پیش‌نهادم (؟) این است که اگر کس‌ای می‌خواهد روی هوش‌مندی کار کند حتما باید آن وسط‌ها به زبان توجه خاص بکند. یعنی شاید انتظار این‌که زبان خود به خود به وجود بیاید نه غیرممکن اما در عوض بسیار دشوار باشد.

این از این!

مقاله‌ی دیگر درباره‌ی کودکان باهوش بود. حرف مقاله این بود که تفاوت این افراد (و بیش‌تر تاکید بر بچه‌ها بود) خیلی مشخص نیست. مثلا بعضی وقت‌ها تفاوت از حجم بیش‌تر مغز است. اما به نظر می‌آید حجم بیش‌تر مغز در بعضی قسمت‌ها (و نه همه‌ی بخش‌ها) اهمیت بیش‌تری دارد. مثلا parietal and frontal lobes و anterior cingulate.
علاوه بر این در بعضی آزمایش‌ها مشخص شد که مغز اینان انرژی‌ی کم‌تری برای فعالیت لازم دارد. از طرف دیگر در آزمایش‌های دیگری مشخص شده که مغزشان فعالیت بیش‌تری می‌کند. بگذریم از این‌که دو نوع آزمایش الزاما یک چیز را اندازه نگرفته بودند (یکی گلوکوز-سوزی بود به کمک PET و دیگری میزان اکسیژن رگ‌ها به کمک fMIR)، فرضیه این است که اگر مساله آسان باشد، افراد باهوش‌تر بدون زحمت حل‌اش می‌کنند اما از طرف دیگر اگر مساله سخت است افراد کم‌هوش‌تر اصلا حل‌اش نمی‌کنند (و در نتیجه فعالیت کم است) و افراد باهوش‌تر با شدت و حدت حل‌اش می‌کنند.
نکته‌ی بامزه‌ی دیگر این است که در سری آزمایش‌های اول (یعنی تست گلوکوز-سوزی) در بعضی وقت‌ها الگوی فعالیت کم دیده می‌شد و گاهی نمی‌شد.

شاید و فقط شاید مساله این است که افراد مختلف جورهای مختلف‌ای مساله را حل می‌کنند. مثال خیلی ساده ولی مجردش: سه خط داریم در صفحه‌ی دو بعدی. آیا این سه خط از یک نقطه می‌گذرند؟
ممکن است یک راه‌حل این باشد که تجسم هندسی‌شان بکنیم (یعنی تجسم فضایی) و بعد ببینیم که مثلا چنان چیزی محتمل به نظر نمی‌آید. احتمالا این راه‌حل بخش‌های تصویری‌ی مغزمان را فعال‌تر می‌کند.
ممکن است یک راه‌حل این باشد که سعی کنیم مساله را به صورت یک مساله‌ی جبر خطی در بیاوریم و بعد ببینیم که اصولا سه معادله و دو مجهول در حالت کلی منجر به پاسخ نمی‌شود، اما در عوض ببینیم که اگر rank ماتریس معادل را به دو تبدیل کنیم (یعنی یکی از معادلات را حذف کنیم)، آن وقت پاسخ دارد و بعد چون سه حالت مختلف از ترکیب‌های دو تایی سه گزینه داریم، پس احتمالا این خط‌ها در سه نقطه هم‌دیگر را قطع می‌کنند. این شیوه احتمالا بخش‌های دیگری از مغز را فعال می‌کند.

حالا اگر میزان بهره‌وری‌ی بخش‌های مختلف مغز یک‌سان نباشد و مثلا بخش پردازش تصویری و بینایی‌مان خیلی بهره‌ور باشد و بدون صرف انرژی‌ی زیاد مسایل را حل کند (چون مثلا بینایی صدها میلیون سال است که تکامل یافته) ولی در عوض بخش زبانی‌مان (فرض کنیم که جبر خطی را به صورت زبانی حل می‌کنم) آن‌قدرها هم بهره‌ور نباشد، آن وقت می‌توان نتیجه گرفت که ممکن است در فردی ببینیم که مسایل راحت حل می‌شوند و در فردی دیگر ببینیم که با انرژی‌ی زیاد حل می‌شوند. نکته این است که ممکن است ما بتوانیم مسایل آسان را به راحتی به صورت تصویری در بیاوریم ولی مسایل خیلی دشوار را لازم باشد از روش‌های دیگر حل کنیم (مثلا فرض کنید مساله‌ی پیشین را به این صورت در بیاوریم: اگر پنج صفحه‌ی دو بعدی دل‌بخواه داشته باشیم، نیاز به فضای چند بعدی داریم تا نقطه‌ی اشتراک همه‌ی صفحه‌ها تنها یک نقطه از آن فضا باشد؟ حدس می‌زنم تصور فضایی‌ی این مساله سخت‌تر از تصور جبری‌ی آن باشد.)

(Watch here)

این همان ماروین‌ای است که صحبت‌اش این‌جا شد.

Large Hadron Rap

از رپ خوش‌ام نمی‌آید، اما این به‌ترین و گیکی‌ترین رپ‌ای بود که تاکنون دیده‌ام!
برای اطلاعات بیش‌تر به این صفحه‌ی ویکی‌پدیا یا به صفحه‌ی خود LHC مراجعه کنید.

در این نوشته می‌خواهم به رسم‌ای اشاره کنم که در صورتی که شما نیز از آن پیروی کنید ممکن است باعث پیش‌رفت علمی‌ی چشم‌گیر شما و گروه پژوهشی‌تان شود.

گروه پژوهشی‌ی ما تابستان‌ها برنامه‌ی جالب‌ای دارد به نام سخنرانی‌های چای‌خوران (tea-time talks) از این قرار که عصر هر روز هفته (به جز جمعه‌ها و البته آخر هفته‌ها) حدود ساعت چهار بعد از ظهر جمع می‌شویم و یکی از ما درباره‌ی موضوع پژوهشی‌ی مربوطی صحبت می‌کند. معمولا سخنرانی‌ها یا درباره‌ی یک مقاله‌ی تازه منتشرشده است یا درباره‌ی نتایج اخیر پژوهش یکی از اعضای گروه. و البته چای و بیسکوییتی نیز فراهم است برای شکم‌های گرسنه و تن‌های خسته‌ی پس از یک روز کاری.
هدف این کار آشنایی اعضای گروه با طیف وسیعی از پژوهش‌های مربوط است. تقریبا هیچ‌کس‌ای نمی‌تواند همه‌ی مقاله‌های جدید مربوط به رشته‌های نزدیک به کارش را مطالعه کند. اما اگر کس‌ای حاضر باشد مقاله‌ای را بخواند و برای‌مان تعریف‌اش کند، شانس این‌که با حوزه‌ی علمی‌ی بزرگ‌تری آشنا شویم افزایش می‌یابد.
برای گروه نسبتا بزرگی مثل ما که بین بیست تا چهل نفر عضو دارد (بستگی دارد چگونه بشماریم)، پوشش طیف وسیعی از پژوهش‌های مربوط کار خیلی سختی نیست. اگر فرض کنیم بیست نفر حضور فعال در این برنامه داشته باشند، هر پنج هفته یک‌بار نوبت هر فرد می‌رسد و در نتیجه بار چندان زیادی به او وارد نمی‌شود. در عوض او شانس این را داشته است که با نوزده مقاله‌ی دیگر نیز آشنا شود بدون این‌که لازم باشد چندین ساعت برای خواندن هر مقاله وقت بگذارد.

این کار تقریبا شبیه به گروه‌های مطالعه (reading group) است با این تفاوت که در گروه‌های مطالعه همه‌ی افراد مقاله‌ی مورد نظر را می‌خوانند و دقیق بررسی می‌کنند، اما در این‌جا فقط یک نفر مقاله را می‌خواند و البته وظیفه‌ی اوست که به تنهایی آن را ارایه دهد.
شکل ارائه در گروه ما بدین صورت است که مثلا ساعت چهار بعد از ظهر چای و بیسکوییت آماده است و مردم به تدریج می‌آیند و کمی با هم گپ می‌زنند. راس ساعت چهار و ربع ارائه شروع می‌شود و راس ساعت چهار و سی و پنج (بیست دقیقه) تمام می‌شود. ده دقیقه نیز برای سوال‌ها اختصاص داده می‌شود و بعدش هر کس‌ای دل‌اش خواست می‌تواند بماند و هم‌چنان سوال بپرسد و بقیه هم آزادند تا بروند. البته هیچ محدودیتی برای سوال پرسیدن در میان سخنرانی وجود ندارد و هر وقت ابهام‌ای پیش بیاید،‌ می‌توان سوال پرسید. طبیعی است که سخنران‌ها ممکن است وقت کم بیاورند (مخصوصا اگر زیاد از آن‌ها سوال پرسیده شود) و مجبور می‌شوند از روی بعضی از اسلایدها بپرند. این دیگر هنر ارائه‌دهنده است که چگونه وقت را تنظیم کند و سوال‌ها را در صورت لزوم به آخر کار موکول کند.

نمی‌دانم آیا همه‌ی دانش‌گاه‌ها و دپارتمان‌ها چنین برنامه‌ی روزانه‌ای دارند یا خیر. در دانش‌گاه‌هایی که در ایران بوده‌ام، چنین چیزی را ندیده بودم. حتی گروه‌های مطالعه نیز کم‌یاب بودند. در این‌جایی که الان هستم،‌ گروه مطالعه چیز غریب‌ای نیست و ما چندین و چند تای‌اش را به طور موازی داریم. اما دو سال پیش سخنرانی‌ی چای‌خوران برای‌مان تازگی داشت. ایده‌اش سوغات بازدید یکی از بچه‌های گروه از Gatsby Computational Neuroscience Unit بود که برنامه‌ای داشتند شبیه به همین چیزی که ما سه تابستان اجرای‌اش می‌کنیم (الان این‌جا تابستان به حساب می‌آید!). یادم می‌آید محمد م. پیش‌ترها در یکی از کامنت‌های‌اش گفته بود که چنین چیزی در دپارتمان‌های ریاضی معمول است.

به نظرم اگر در دانش‌گاه‌های ایران نیز چنین برنامه‌ای گذاشته شود، خیلی خوب خواهد بود. این‌گونه یکی از مشکلات پژوهش در ایران -که دوری‌ی کم و بیش گروه‌های پژوهشی‌ی ایرانی از آن‌چه در دنیا می‌گذرد است- تا حدی رفع خواهد شد. نرخ ورود اطلاعات (یا دستِ کم کلیدواژه‌های پژوهشی‌ی بابِ روز) در این شیوه سریع‌تر از هر شیوه‌ی ارزان دیگری (از جمله گروه‌های مطالعه) است (راه گران‌اش سفر دایم به کنفرانس‌ها است).

البته این کار خیلی ساده نخواهد بود.
اول از همه چنین کاری در جایی معنا دارد که کمینه‌ای از پژوهش -به معنای واقعی‌ی کلمه- انجام شود.
چنین چیزی در ایران نه نایاب ولی کم‌یاب است. گروه ما در دانش‌گاه تهران واقعا پژوهش انجام می‌داد. گروه‌های دیگری هم بودند که چنان می‌کردند. در دانش‌گاه خواجه‌نصیر چنین چیزی کم‌تر دیده می‌شد بود ولی باز هم استادهای خوبی بودند که پژوهش می‌کردند. IPM هم چنین جوی داشت و از این لحاظ اتفاقا خیلی هم منظم بود. گمان می‌کنم در دانش‌گاه‌های دیگر نیز چنین فعالیت‌ای کم و بیش وجود داشته باشد.
یک نکته‌ی مهم دیگر نیل قابل ذکر است و آن این‌که حتی اگر در ایران پژوهش انجام شود،‌ پژوهش‌ها بسیار پراکنده‌اند. حتی به گونه‌ای که ممکن است دانش‌جویان یک استاد نیز با هم جلسه‌ی مشترک نداشته باشند. نتیجه این می‌شود که گروه پژوهشی نمی‌تواند از فشار گروه استفاده کنند تا کارش را به‌تر، سریع‌تر و با انگیزه‌ی بیش‌تری به پیش ببرد. نکته‌ی فراموش‌شده‌ی پژوهش در ایران این است: پژوهش نه در خلاء انجام می‌شود و نه در تنهایی!
البته ایده‌هایی دارم که دلیل چنین نقص‌ای چیست. بماند برای فرصت‌ای دیگر.

پس از آن نیاز به کمک استادان داریم. نمی‌توانم تصور کنم که چنین فعالیت‌ای بدون کمک استادان انجام شود. آن‌ها حتما لازم است در جلسات شرکت کنند و به طور دایم فیدبک بدهند و البته خودشان نیز باید سخنرانی ارائه دهند. در جلسات چای‌خوران ما در طول این مدت بین دو تا شش استاد حضور داشته‌اند (این اواخر معمولا دو یا سه نفر). در ضمن سه چهار پسا-دکترا نیز در جلسات هستند که فیدبک‌های آن‌ها نیز روشن‌گر است.
کاملا قابل تصور است که همه‌ی استادان نه حوصله‌ی چنین کاری را دارند و نه چارچوب ذهنی‌شان با چنین نوع کارهایی هم‌راستا است. بعید می‌دانم استادهایی که دغدغه‌ی اصلی‌شان ارائه‌ی ده باره‌ی یک کتاب قدیمی است و معیار اول ارزیابی‌شان نمره و معدل و حضور و غیاب است چندان برای این کار مناسب باشند. البته بری‌بودن از این ویژگی‌ها کافی نیست. استاد خود نیز باید یک پژوهش‌گر ناب باشد. اگر او حاضر نباشد چارچوب‌های کهنه را کنار بزند،‌ سوال‌های جدیدی از خود بپرسد، به دنبال‌شان برود و کارهای مشابه را پیدا کند، آن‌وقت چه فایده‌ای از خواندن مقاله‌های فلان کنفرانس یا نشریه منتشرشده در سال‌های اخیر می‌برد؟
در ایران چنین استادهایی کم‌ترند، اما من می‌توانم چندین و چند تای‌شان را در هر موسسه‌ای که زمان‌ای در آن درس خوانده‌ام نام ببرم.

در ضمن دانش‌جویان نیز به‌تر است از پیش با فعالیت‌ای به نام پژوهش آشنا باشند. خواندن یک مقاله‌ی پژوهشی برای یک دانش‌جوی لیسانس می‌تواند کمی سخت باشد و مهم‌تر از آن شاید او خیلی خوب نتواند نکات مهم و غیرمهم‌اش را از هم تشخیص دهد. به هر حال هدف این جلسات کمک به دانش‌جویان (و استادهایی) است که پژوهش انجام می‌دهند و در بیش‌تر مواقع دانش‌جویانی پژوهش انجام می‌دهند که یا دانش‌جوی تحصیلات تکمیلی باشند یا دانش‌جوی سال‌های آخر لیسانس. به همین دلیل برپایی چنین جلساتی را با «محوریت» دانش‌جویان سال اول و دوم لیسانس وقت تلف‌کنی می‌دانم.

اگر همه‌ی این‌ها فراهم شد، هزینه‌ی چای و بیسکوییت معمولا خیلی زیاد نمی‌شود. همیشه می‌توان مکان‌ای پیدا کرد که این جلسات را منظم برقرار کرد و حتی دست‌رسی به پروژکتور نیز خیلی سخت نیست.

پیش از خاتمه خوب است معایب و دشواری‌های این کار را هم بگویم:

* آماده‌کردن سخنرانی برای ارایه‌دهنده وقت‌گیر است. برای ارایه مقاله، نه تنها نیاز است که مقاله به خوبی فهمیده شود، بلکه باید اسلایدهایی نیز تهیه شود. حتی پسندیده(!) این است که شخص یکی دو بار با خودش تمرین کند تا خوب/به‌تر ارایه دهد. به دلیل این‌که ارائه‌دادن خیلی هم اختیاری نیست (وگرنه جلسات تداوم نمی‌یابند!)، خیلی‌ها ممکن است بخواهند تابع هزینه‌شان را با پایین‌آوردن کیفیت ارائه‌شان کمینه کنند. نتیجه این است که نمی‌توان همیشه انتظار سخنرانی‌های خوب داشت. خودِ من در همین جلسات یکی دو ارائه‌ی بد داشته‌ام و دو سه ارائه‌ی خوب. اشتباه اصلی‌ام هم این بوده که وقت کافی برای آماده‌کردن سخنرانی‌ها نگذاشته بودم.

* در چنین گروه‌هایی که بیش‌تر اعضای‌اش را دانش‌جویان تشکیل می‌دهند، بیش‌تر افراد در ارائه‌ی مطالب کم‌تجربه‌اند. نتیجه این‌که کیفیت ارائه‌ها ممکن است خیلی خوب نباشد. کاملا قابل تصور است که یک ارائه‌ی بد حوصله‌ی هم را سر می‌برد و چیزی هم به کس‌ای اضافه نمی‌کند. در ضمن این موضوع چندان ربطی هم به زبان مادری‌ی فرد ندارد. در دانش‌گاه ما انگلیسی‌زبان‌ها ممکن است همان‌قدر بد ارایه دهند که غیرانگلیسی‌زبان‌ها! در واقع ارائه‌ی خوب نیاز به نگاه‌ای دارد که خیلی‌ها هنوز به دست‌اش نیاورده‌اند. نگاه‌ای که دایم از خود می‌پرسد: «چه چیز این‌کار اصل است و چه چیزش فرع؟ چه شیوه‌ای برای فهماندن اصل این مطالب بهینه است؟»

این‌ها را نوشتم تا شاید کمک‌ای باشد برای کسانی که در ایران دوست دارند کیفیت پژوهش‌شان را بالاتر ببرند. اگر این ایده را پیاده کردید، لطفا به‌ام اطلاع دهید و بگویید نتیجه‌ی کارتان چقدر چشم‌گیر و موفقیت‌آمیز بوده است.

پ.ن: ترجمه‌ی به‌تری برای tea-time talk به نظرتان می‌رسد؟ «سخنرانی‌ی چای‌خوران» دقیقا هم‌معنا با آن نیست. در ضمن توجه کنید که این موضوع خیلی هم مهم نیست!

…

Read More Read More

در نوشته‌ی پیشین‌ام ضدخاطرات‌گویانه از این گفتم که با وجود این‌که شکِ گاه و بی‌گاه در بنیان باورها پسندیده است، اما گاهی لازم است در عمل از شک پرهیز کنیم.
این حرف‌ام کلی بود و می‌تواند به باورهای گوناگونی بازگردد. اما آن‌چه در ذهن من می‌گذشت به داستان‌ای خاص اشاره دارد.

دو سه شب پیش با سامان، یکی از دوستان‌ام، شام می‌خوردیم و بحث می‌کردیم.
بحث به این‌جا کشید که آیا اگر ما پدیده‌ای را بر روی زمین مشاهده می‌کنیم، می‌توانیم تعمیم‌اش دهیم به نقاط دور عالم؟
به عنوان نمونه [مثلا] می‌دانیم که اتم هیدروژن می‌تواند در طیف‌های خاص‌ای نور بتاباند و اتم هلیوم نیز در طیف‌های متمایزی و این طیف‌ها بستگی دارد به سطوح انرژی‌ی الکترون در آن اتم‌ها. بدین‌وسیله به کمک طیف‌نگاری می‌توانیم از ترکیب عناصر ستاره‌ای دوردست باخبر شویم. سوال این است که اگر ما روی کره‌ی زمین مشاهده کرده‌ایم که هیدروژن و فقط هیدروژن -که هیدروژن آن عنصری است که از خواص دیگرش نام‌گذاری‌اش کرده‌ایم- دارای این خاصیت طیفی نیز هست، آیا می‌توانیم نتیجه بگیریم که اگر نور ستاره‌ای را مشاهده کردیم با خواص طیفی‌ای شبیه به آن‌چه در آزمایش‌های‌مان با هیدروژن روی زمین مشاهده می‌کنیم، آن‌گاه آن نور ناشی از هیدروژن‌ای است که ما می‌شناسیم و نه عنصری ناشناس؟
یا ممکن است “فرضا” قوانین فیزیکی در دوردست متفاوت باشند. مثلا جوری باشند Ú©Ù‡ با این‌که خواص‌شان در نقطه‌ای Ú©Ù‡ نتیجه‌شان را مشاهده می‌کنیم دقیقا همان باشد Ú©Ù‡ فرضیه‌ی ما پیش‌بینی می‌کند، اما در واقع قوانین دیگری باشند Ú©Ù‡ تاثیر نزدیک‌دست‌شان کامل متفاوت باشد. اگر این‌گونه باشد، دیگر نمی‌توان گفت Ú©Ù‡ خاصیت ستارگان دوردست همان است Ú©Ù‡ ما تصور می‌کنیم.

این سوال به طور عام‌تر به این باز می‌گردد که آیا قوانین فیزیک جهانی هستند یا خیر؟

از دیدگاه من قوانین فیزیک “به اندازه‌ی کافی” جهانی هستند.
یعنی با این‌که ممکن است قوانین کوانتوم -بدان صورت که اینک می‌شناسیم‌شان- توضیح دقیق‌ای درباره‌ی همه‌ی شرایط ممکن‌ در جهان ندهند (مثلا در جایی که تاثیرات گرانش قابل صرف‌نظرکردن نیست)، اما می‌توانیم انتظار داشته باشیم که این قوانین در شرایط یک‌سان تا حد خوبی ثابت‌اند (و آن اندکی تفاوت هم همیشه به این خاطر است که شرایط هیچ‌گاه کاملا یک‌سان نبوده است؛ مثلا در مثال هیدروژن به دلیل دورشدن ستارگان از هم، فرکانس نوری که مشاهده می‌کنیم عملا کمی به سمت فرکانس نور قرمز متمایل می‌شود. با این‌حال با دانستن قوانین فیزیک (مکانیک کوانتوم، اثر دوپلر و انبساط جهان) همه چیز دقیقا همان‌گونه است که پیش‌بینی می‌کنیم).

تا جایی که من فهمیدم، سامان اعتقادی به این موضوع ندارد در حالی که این اعتقاد برای من جزو باورهای اولیه است. در واقع این اعتقاد کمک می‌کند که منِ نوعی به عنوان یک دانش‌مند علوم طبیعی (که البته می‌توان گفت که نیستم)، بدانم که کار بی‌هوده‌ای نمی‌کنم. اگر این باورم سست شود، فیزیک‌دان‌بودن از نظرم کار کم‌ارزشی خواهد بود.

اما سوال اصلی این است: چرا من باید به جهانی‌بودن قوانین فیزیک باور داشته باشم؟ بنیان چنین اعتقادی چیست؟ آیا می‌توان اثبات کرد که چنین چیزی صحیح است؟ آیا می‌توان این باور را بر گرده‌ی باوری ساده‌تر و قابل فهم‌تر بنیان کرد؟ مثلا چیزی از جنس اصل اوکام؟ اما باز سوال این است: صحت آن اصل از کجا ناشی می‌شود؟ آیا می‌توان آن را بر اساس استدلالی تحلیلی بنیان نهاد؟

به هر حال این موضوع برای‌ام جالب بود. از چند نفر دیگر از دوستان‌ام نظرشان را پرسیدم. نادر در وبلاگ‌اش به‌ام پاسخ داده است. پاسخ‌اش را در این‌جا بخوانید.

نظر شما چیست؟

نوشته‌ی پیشین‌ام
وبلاگ نادر
پاسخ‌ نادر

J. Craig Venter (The Richard Dimbleby Lecture Series)

در این سخنرانی Craig Venter درباره‌ی علم، ژنتیک و آینده‌ی آن صحبت می‌کند. دیدن یا شنیدن‌اش را به‌تان توصیه می‌کنم.
Craig Venter یکی از افراد تاثیرگذار بر پروژه‌ی ژنوم انسان بوده است.

اگر برنامه‌نویسی‌ی علمی می‌کنید، احتمال زیادی دارد که بخواهید اسم متغیرهای‌تان را آلفا،‌ بتا، گاما، تتا، یا دیگر حروف یونانی بگذارید. مخصوصا که راحت‌تر است که فرمول‌هایی را که از ابتدا به حروف یونانی نوشته شده است به طور مستقیم به صورت کد در بیاوریم.
مشکل خیلی مرسوم برای ما فارسی‌زبان‌ها این است که املای این لغات را به اشتباه می‌نویسیم. مثلا می‌نویسیم teta یا alfa. املای انگلیسی‌ی این لغات متفاوت است و به نظرم به‌تر (و زیباتر) است که املای درست‌شان را رعایت کنیم. بعضی از مرسوم‌ها را این‌جا می‌نویسم:

آلفا: Alpha (و نه Alfa)
بتا: Beta
گاما: Gamma (و نه Gama)
اتا: Eta
تتا: Theta (و نه Teta)
کاپا: Kappa (و نه Kapa)
لامبدا: Lambda (و نه Lamda)
رو: Rho (و نه ro)

املا بقیه را می‌توانید از این صفحه‌ی ویکی‌پدیا ببینید.
تلفظ حروف یونانی را هم می‌توانید در این‌جا بشنوید.

فیلم‌ای که می‌بینید، دقایقی از مسابقه‌ی مینی‌گلف بین روبات‌ای به نام Happy و مایکل بولینگ است.
بچه‌های [بیچاره‌ی] درس‌ای به نام Robotics Challenges در دانش‌گاه ما (دپارتمان علوم کامپیوتر؛ دانش‌گاه آلبرتا) حدود یک ترم زحمت کشیدند تا بتوانند به این روبات حالی کنند که چگونه مینی‌گلف بازی کند.

روبات‌ای که می‌بینید، یک Segway است که روبات‌ای دو چرخ با تعادل دینامیکی است. یعنی اگر خاموش باشد،‌ چپه می‌شود. در واقع دینامیک روبات شبیه به یک آونگ معکوس است و اگر به طور فعال کنترل نشود، سقوط می‌کند. با وجود این‌که کنترل روبات پیچیده‌تر است و روبات در ذات ناپایدار است، اما در عوض قابلیت حرکت روی سطوح ناهموار را دارد.
کاری که بچه‌های این کلاس انجام داده‌اند، نوشتن نرم‌افزارهایی بوده است که نقشه‌ای از محیط به دست بیاورد،
حرکت‌اش را برنامه‌ریزی کند، و در نهایت چوب گلف را حرکت دهد و به توپ ضربه بزند.

کسانی که در پروژه‌های روباتیک شرکت کرده‌اند می‌دانند که راه‌انداختن یک روبات برخلاف ظاهر هیجان‌انگیزش، یکی از مزخرف‌ترین کارهای ممکن برای بیش‌تر افراد است (البته کسانی را می‌شناسم که ادعا می‌کنند از کار با روبات لذت می‌برند.)
کار کردن با یک روبات، بسیار وقت‌گیر است، دردسر بسیار زیادی دارد، وقایع پیش‌بینی‌نشده معمول‌اند، و به نظر من بازده پژوهش به کمک روبات خیلی کم است (یعنی بیش‌تر وقت‌ات را به راه‌انداختن روبات سپری می‌کنی و کم‌تر وقت‌ات را به کشف چیزهای تازه).
نتیجه‌اش این‌که وقتی این بچه‌ها چنین روباتی را راه انداخته‌اند، می‌دانم که واقعا زحمت کشیده‌اند و اعصاب‌شان خرد شده است. همین‌جا به دو سه نفری‌شان که این‌جا را می‌خوانند تبریک می‌گویم!

…

Read More Read More

تولید کنندگان: Douglas Arnold and Jonathan Rogness
منبع اولیه‌ی من: Asymptotica

مسابقه‌ی بزرگ خودروهای خودکار دارپا (DARPA Urban Challenge) همین الان در حال برگزاری است.

از این‌جا می‌توانید مسابقه را تماشا کنید (Live Video)

—
تکمیلی: تاکنون تیم Stanford Ùˆ بعد از آن CMU مسابقه را تمام کردند (البته به این معنا نیست Ú©Ù‡ برنده Stanford است چون باید همه‌ی زمان‌ها Ùˆ … با هم جمع شود).

تکمیلی ۲:‌ تیم Virginia Tech هم از خط پایان گذشت.

تکمیلی ۳: الان که جدول را دیدم، تیم‌های MIT، Cornell و دانش‌گاه پنسیلوانیا هم از خط پایان گذشتند. البته هنوز برنده‌ها اعلام نشده‌اند. دلیل‌اش این است که سرعت تمام‌کردن تنها معیار مسابقه نبوده است و مراعات مقررات رانندگی و انجام‌دادن همه‌ی کارهایی که باید انجام می‌شد نیز مهم است.
مثلا دی‌روز تیم MIT و Cornell یک تصادف کوچکی کردند که فکر کنم اولین تصادف دو روبات خودرو در مقیاس بزرگ در تاریخ بشریت بود!!!