هوش مصنوعی چیست؟

برای هوش مصنوعی (AI) تعاریف پرشماری ارائه شده است، اما جان مک کارتی تعریف زیر را در مقاله ای در سال 2004 مطرح می‌کند:

«این علم و مهندسی ساخت ماشین‌های هوشمند، به ویژه برنامه های کامپیوتری هوشمند است که این مربوط به وظیفه مشابه استفاده از کامپیوتر برای درک هوش انسان است، اما هوش مصنوعی مجبور نیست خود را از راه و روش هایی که از به صورت بیولوژیکی قابل مشاهده هستند محدود کند»، با این حال دهه ها قبل از ارائه این تعریف، گفتگو درباره‌ی هوش مصنوعی با انتشار مقاله‌ی بنیادین الن تورینگ، “ماشین الات محاسباتی و هوش”  در سال 1950 آغاز شده بود، کار تورینگ آغاز علم کامپیوتر انگاشته می‌شود و از میان کارهای او، این مقاله سرآغاز تفکری دانسته می‌شود که ماشین‌‌ها را تا ابد تغییر داد. جرقه‌ی این تفکر با یک پرسش زده شد: آیا ماشین‌ها می‌توانند فکر کنند؟ بدین ترتیب، او ازمونی را طراحی کرد که به نام ازمون تورینگ شناخته می شود، در این آزمایش، یک پژوهنده‌ی  انسانی سعی می‌کند دریابد که از میان دو پاسخ پیش رویَش، کدام متعلق به کامپیوتر و کدام پاسخ متنی یک انسان‌اند. این آزمون اگرچه از زمان انتشار بسیار مورد نقد قرار گرفته، بخش مهمی از تاریخ  هوش مصنوعی و همچنین یک مفهوم مداوم در فلسفه است، زیرا از ایده‌های مربوط به زبانشناسی استفاده می‌کند، گام بعدی در تغییر تفکر ما درباره‌ی ماشین‌‌ها و پیشرفت آن‌ها، اثر مشترک استوارت راسل و پیتر نورویگ بود. این محققان در مقاله‌ای با عنوان «هوش مصنوعی: رویکرد مدرن» که بعدا به یکی از کتاب‌های درسی پیشرو در مطالعه هوش مصنوعی تبدیل شد، به چهار هدف بالقوه یا تعریف هوش مصنوعی پرداخته‌اند. این چهار طبقه تمایزهای سیستم های کامپیوتری را بر اساس عقلانیت و تفکر در مقابل عمل، بیان می‌‌کنند:

*رویکرد انسانی

-سیستم‌های دارای تفکری مشابه تفکر انسان

– سیستم‌های دارای اعمال مشابه اعمال انسان

*رویکرد ایده ال

-سیستم‌هایی که منطقی فکر می‌کنند.

-سیستم‌هایی که منطقی عمل می‌کنند.

تعریف الن تورینگ در زیر مجموعه ” سیستم‌هایی که مانند انسان عمل می‌کنند” قرار می‌گرفت.

هوش مصنوعی در ساده‌ترین شکلش شامل ترکیبی از علوم کامپیوتر و مجموعه داده‌های قوی است که حل مسئله را امکان پذیر می‌کنند. همچنین، شامل گرایش‌‌های یادگیری ماشین و یادگیری عمیق‌اند. این رشته‌ها عبارت‌‌اند از الگوریتم‌های AI  که به دنبال ایجاد سیستم‌های متخصص هستند و پیش‌بینی‌ها یا طبقه‌بندی‌ها را براساس داده‌های ورودی انجام می‌دهند.

طی سالیان، محبوبیت هوش مصنوعی دچار خیزها و افول‌‌های بسیاری شده است، اما حتی به نظر شکاکان نیز انتشار CHAT GPT شرکت Open AI   نقطه عطف بزرگی است. اخرین باری که هوش مصنوعی نوظهور چنین در کانون توجه قرار گرفت، پیشرفت‌‌ آن در زمینه‌ی بینایی کامپیوتری بود، اما اکنون جهش رو به جلو در پردازش زبان طبیعی است. هرچند این جهش در عرصه‌ی زبان نیست: مدل های مولد همچنین می‌توانند دستور زبان کد نرم افزار، مولکول ها، تصاویر طبیعی و انواع داده‌های دیگر را بیاموزند.

برنامه‌های کاربردی این تکنولوژی هر روز در حال رشد هستند و ما تنها در آغاز مسیر درک پتانسیل‌‌های این عرصه هستیم. هرچند، زمانی که از محبوبیت استفاده از هوش مصنوعی در کسب و کار از بین می‌رود، بحث در مورد اخلاق بسیار مهم می‌شود.

انواع هوش مصنوعی:

• هوش مصنوعی ضعیف(محدود)
• هوش مصنوعی قوی( نامحدود)

نوع اول که  با عنوان ضعیف یا اصطلاحا «باریک» شناخته می‌شود دارای دو ویژگی است که آن را متمایز می‌سازد: این نوع، اولا آموزش‌دیده است و دوم، برای وظایف خاصی طراحی شده است که در کانون برنامه‌ آن نهاده شده‌‌اند. هوش مصنوعی ضعیف بیشترین سهم هوش مصنوعی ای که ما را احاطه کرده است تشکیل می‌دهد. “باریک” می تواند توصیف دقیق تری برای این نوع هوش مصنوعی باشد زیرا تقریبا هر چیزی جز ضعیف است، این نوع هوش مصنوعی امکان‌هایی مانند برنامه های بسیار قوی مثل سیری اپل، الکسا امازون، IBM واتسون و وسایل نقلیه مستقل را فراهم می‌کند.

هوش مصنوعی قوی نیز خود دو قِسم دارد که دارای ویژگی‌‌های متمایزند:

هوش عمومی مصنوعی (AGI)

هوش مصنوعی فوق العاده (ASI).

نوع اول با عنوان هوش مصنوعی عمومی نیز شناخته می‌شود و وجه تمایز این نوع آن است که از شاکله‌ای نظری و هوشی برابر با  هوش انسان برخوردار است. به عبارت دیگر، هوش مصنوعی عمومی یک اگاهی خوداگاه است که توانایی حل مشکلات، یادگیری و برنامه ریزی برای اینده را دارد.

نوع دوم: ابر هوش مصنوعی (ASI)  یا ابرهوش. این طبقه‌ی هوش مصنوعی از هوش و توانایی مغز انسان پیشی می‌گیرد.

اگرچه هوش مصنوعی قوی هنوز کاملا نظری است و امروزه هیچ نمونه عملی در حال استفاده نیست، محققان هوش مصنوعی نیز از مطالعه‌ی آن بارنمانده‌‌اند، در عین حال، بهترین نمونه های ASI ممکن است داستان های علمی تخیلی مانند HAL، دستیار کامپیوتری فوق العاده انسانی و سرکش در فیلم «سال 2001: ادیسه فضایی» باشد.

یادگیری عمیق در مقابل یادگیری ماشینی

لازم به ذکر است از انجا که یادگیری عمیق و یادگیری ماشینی به جای یکدیگر مورد استفاده قرار می گیرند، تفاوت های ظریفی بین این دو وجود دارد، همانطور که در بالا ذکر شد، هر دو مورد یادگیری عمیق و یادگیری ماشینی جزو گرایش‌‌های هوش مصنوعی هستند و یادگیری عمیق در واقع یکی از گرایش‌‌های یادگیری ماشینی است.

سامانه‌های شکل‌دهنده‌ی یادگیری عمیق شبکه‌‌های عصبی‌اند، بدین ترتیب، عبارت عمیق در حقیقت آن است که شبکه‌‌ای عصبی که دارای بیش از سه لایه است، به منظور یادگیری ماشینی طراحی شده است. شبکه‌های عصبی که به عنوان شاکله‌ی یادگیری ماشینی تعبیه می‌شوند دارای ورودی‌ها و خروجی‌‌هایی هستند که به نوبه‌ی خود، الگوریتم یادگیری  را تشکیل می‌‌دهند، این مفهوم در نمودار ذیل به صورت کلی نشان داده شده است.

تفاوت یادگیری عمیق و یادگیری ماشینی در نحوه یادگیری هر الگوریتم است، یادگیری عمیق بسیاری از ویژگی‌‌های استخراج ویژگی های فرایند را خودکار می‌سازد، برخی از مداخلات دستی انسان مورد نیاز را از بین می برد و امکان استفاده از مجموعه داده‌های بزرگتر را فراهم می‌کند. شما می توانید یادگیری عمیق را به عنوان «یادگیری ماشین مقیاس پذیر» در نظر بگیرید، همانطور که Lex Fridman در همان سخنرانی MIT اشاره کرد. یادگیری ماشینی کلاسیک یا “غیر عمیق” بیشتر به مداخله انسان برای یادگیری وابسته است. کارشناسان انسانی سلسله مراتب ویژگی ها را برای درک تفاوت بین ورودی های داده تعیین می‌کنند و معمولا نیاز به داده‌های ساختار یافته بیشتری برای یادگیری دارند.

یکی از انواع پیشرفته‌تر هوش مصنوعی یادگیری ماشینی «عمیق» نام دارد و با عنوان یادگیری تحت‌نظر نیز شناخته می‌شود. این طبقه‌ی هوش مصنوعی به خاطر توانایی خاصی که دارد در کانون توجه قرار گرفته است: این نوع یادگیری ماشینی قابلیت عبور از مجموعه داده‌های برچسب‌دار را دارد. این قِسم پس از عبور از داده

افزایش مدل های مولد

هوش مصنوعی مولد به مدل‌های یادگیری عمیق اشاره دارد که می‌توانند داده‌های خام را بگیرند – مثلا تمامیت ویکی پدیا یا اثار جمع اوری شده رامبراند – و “یاد بگیرند” که  تولید خروجی‌های اماری احتمالی زمانی که درخواست می شود را به وجود بیاورند. در سطح بالا، مدل‌های مولد ساده شده را رمزگذاری می کنند و از ان استفاده می‌کنند، برای یک کار جدید که شبیه است اما کاملا با داده‌های اصلی یکسان نیست، مدل‌های مولد سایلیان زیادی در امار برای تجزیه و تحلیل داده‌های عددی استفاده شده‌‌اند. با این حال، افزایش یادگیری عمیق، امکان گسترش انها را به تصاویر، گفتار و سایر انواع داده‌های پیچیده امکان پذیر کرد. در میان اولین کلاس از مدل‌ها برای رسیدن به این شاهکار متقابل، خودرمزگذاران متغیر یا VAEها در سال 2013 معرفی شد. وی.اِی.ای.‌‌ها اولین مدل های یادگیری عمیق بود که به طور گسترده ای برای تولید تصاویر و گفتار واقعی مورد استفاده قرار می‌گرفت، وی.اِی.ای.ها دریچه ای به مدل سازی مولد عمیق باز کرد. اَکاش سیرواستاوا که متخصص هوش مصنوعی مولد در ازمایشگاه هوش مصنوعی MIT-IBM Watson  است می گوید” بسیاری از انچه ما هوش مصنوعی مولد می‌‌انگاریم این‌ جا خلق شده است”.

نمونه‌های اولیه مدل‌ها مانند GPT-3، BERT یا DALL-E 2 نشان داده‌اند که چه چیزهایی ممکن‌‌اند. در اینده مدل‌هایی خواهند بود که با مجموعه گسترده ای از داده های بدون برچسب اموزش دیده باشند که می‌توانند برای وظایف مختلف با حداقل تنظیم دقیق استفاده شوند. سیستم هایی که وظایف خاص را در یک دامنه واحد اجرا می‌کنند، راه را برای AI گسترده ای که یادگیری را در سطح گسترده‌ای انجام می‌‌دهند و در حوزه‌ها و مشکلات کار می‌کنند، باز می‌‌نمایند.  مدل‌های پایه که با مجموعه داده‌های بزرگ و بدون برچسب و تنظیم دقیق برای مجموعه ای از برنامه های کاربردی آموزش دیده‌اند، این تغییر را هدایت می کنند و اما درباره‌ی هوش مصنوعی مولد، پیش بینی می‌شود که مدل‌های پایه به طور چشمگیری باعث سرعت بخشیدن به پذیرش AI  در سرمایه گذاری ها می‌شوند. کاهش الزامات برچسب زدن ان را بسیار زیاد خواهد کرد و کسب و کارها با شور و اشتیاق بیشتری ان را اغاز خواهند کرد و اتوماسیون بسیار دقیق و کارامد مبتنی بر هوش مصنوعی که انها فعال می‌کنند، به این معنی است که شرکت‌های بسیار بیشتری قادر به استقرار هوش مصنوعی در طیف گسترده ای از شرایط بحرانی ماموریت خواهند بود. برای IBM، امید است که قدرت مدل های پایه در نهایت بتواند به هر شرکت در یک محیط ابر ترکیبی بدون اصطکاک اورده شود.

کاربردهای هوش مصنوعی

امروزه کاربردهای متعددی در دنیای واقعی از سیستم های AI وجود دارد. برخی از رایج ترین موارد آن عبارت‌ اند از:

• تشخیص گفتار:

که همچنین با عنوان تشخیص خودکار گفتار(ASR)، تشخیص گفتار کامپیوتری یا گفتار به متن شناخته می‌شود و قابلیتی است که از پردازش زبان طبیعی ( (NLP) برای پردازش گفتار انسان و تبدیل آن به نوشتار بهره می‌گیرد. بسیاری از دستگاه‌های تلفن همراه تشخیص گفتار را در سیستم‌های خود برای انجام جستجوی صوتی  یا دسترسی آسان‌تر به اس.ام.اس.ها فراهم می‌کنند. – برای مثال سیری

• امور مشتریان:

در مسیر ارائه‌ی خدمات به مشتریان، عوامل مجازی انلاین جایگزین عوامل انسانی. عوامل مجازی به سوالات متداول در مورد موضوعاتی مانند حمل و نقل پاسخ می دهند یا مشاوره شخصی، فروش محصولات یا پیشنهادهای مختلف به کاربران ارائه می‌دهند. پاسخگویی خودکار تفکر ما  را در مورد تعامل مشتری در وب سایت‌ها و سیستم عامل های رسانه های اجتماعی تغییر داده است. از جمله‌ی نمونه‌های این‌چنینی عبارت‌‌اند از:  ربات‌های پیام‌رسان در سایت‌های تجارت الکترونیک دارای اپراتورهای مجازی، برنامه‌های پیام رسانی مانند فیس‌بوک  و وظایفی که معمولا توسط دستیاران مجازی و دستیاران صوتی انجام می‌شود.

• بینایی کامپیوتری:

این تکنولوژی هوش مصنوعی رایانه‌ها و سیستم‌ها را قادر می‌سازد تا اطلاعات معنی دار را از تصاویر دیجیتال، فیلم‌ها و ورودی های دیداری دیگر به دست اورند و براساس این ورودی‌ها، کار انجام دهند. این قابلیت میان ارائه توصیه ها و وظایف تشخیص تصویر تمایز قائل می‌شود. این فناوری از شبکه های عصبی پیچشی قدرت می‌گیرد و از حیطه‌‌های کاربردی آن می‌توان به تگ کردن عکس در رسانه های اجتماعی، تصویربرداری رادیولوژی در مراقبت های بهداشتی و اتومبیل های خودران در صنعت خودرو اشاره کرد.

• موتورهای پیشنهاد کننده:

الگوریتم های هوش مصنوعی می‌توانند با استفاده از داده‌های رفتار مصرف گذشته به کشف روند داده ها کمک کنند و این امر به نوبه‌ی خود می تواند برای طراحی استراتژی های فروش متقابل موثرتر استفاده شود. این فناوری در طراحی توصیه های افزونه‌ای مربوط به مشتریان در طول فرایند پرداخت برای خرده فروشان انلاین استفاده می شود.

• تجارت خودکار سهام:

سیستم عامل های معاملاتی که برای بهینه سازی سبد سهام طراحی شده‌اند، با فرکانس بالا و مبتنی بر هوش مصنوعی هزاران یا حتی میلیون ها معامله در روز بدون دخالت انسان انجام می‌دهند.

تاریخچه هوش مصنوعی: تاریخ ها و نام های کلیدی

ایده “ماشینی که فکر می کند” به یونان باستان باز می گردد. اما از زمان ظهور محاسبات الکترونیکی (و نسبت به برخی از موضوعات مورد بحث در این مقاله)، رویدادهای مهم و نقاط عطف در تکامل هوش مصنوعی شامل موارد زیر است:

1950: الن تورینگ مقاله ای با نام Computing Machinery and Intelligence منتشر کرد که در این مقاله، تورینگ که به خاطر شکستن کد ENIGMA نازی ها در طول جنگ جهانی دوم مشهور است، برای سوال “ایا ماشین ها می توانند فکر کنند؟” پاسخی پیشنهاد می‌دهد و ازمون تورینگ را برای تعیین این‌ که ایا یک کامپیوتر می تواند همان هوش (یا نتایج همان هوش) را به عنوان یک انسان نشان دهد، معرفی می کند. ارزش ازمون تورینگ از ان زمان مورد بحث قرار گرفته است.

1956: جان مک کارتی اصطلاح “هوش مصنوعی” را در اولین کنفرانس هوش مصنوعی در کالج دارتموث به کار گرفته است. (مک کارتی زبان لیسپ را اختراع کرد.) بعدا در همان سال، الن نیول، جی سی شاو و هربرت سیمون نظریه پرداز منطق را ارائه کردند- اولین برنامه نرم افزاری هوش مصنوعی.

1967: فرانک روزنبلات Mark 1 Perceptron را ساخت:  اولین کامپیوتر مبتنی بر یک شبکه عصبی که از هر ازمون و خطا “اموخته” است. تنها یک سال بعد، ماروین مینسکی و سیمور کاغذ کتابی با عنوان Perceptrons منتشر کردند که هم کار برجسته ای در شبکه های عصبی و هم حداقل برای مدتی استدلالی علیه پروژه های تحقیقاتی شبکه عصبی اینده بود.

1980: شبکه‌های عصبی که از یک الگوریتم پساانتشار برای اموزش خود استفاده می کنند که به طور گسترده ای در برنامه های AI استفاده می شود.

1997: «دیپ بلو»ی شرکت IBM  گری کاسپاروف، قهرمان شطرنج سابق جهان را در یک مسابقه شکست می دهد.

2011: IBM Watson  قهرمانانی مانند کن جنینگز و برد راتر را در یک مسابقه تلویزیونی شکست داد.

2015: ابر رایانه Minwa Baidu از نوع خاصی از شبکه عصبی عمیق به نام شبکه عصبی کانولوشن یا پیچشی برای شناسایی و طبقه بندی تصاویر با سرعت بالاتری نسبت به انسان متوسط استفاده کرد.

2016: برنامه AlphaGo DeepMind، که توسط یک شبکه عصبی عمیق طراحی شده است، لی سُدُل، بازیکن قهرمان جهان «گو» را در یک مسابقه پنج دوری شکست می‌دهد. پیروزی با توجه به تعداد زیادی از حرکت های ممکن در جریان پیشرفت بازی قابل توجه است (بیش از 14.5 تریلیون پس از تنها چهار حرکت!). گوگل، دیپ مایند را به مبلغ 400 میلیون دلار خریداری کرد.

2023: افزایش مدل های زبان بزرگ یا LLMs  مانند chat GPT  باعث ایجاد یک تغییر عظیم در عملکرد هوش مصنوعی و پتانسیل ان برای هدایت ارزش سازمانی شد. با استفاده از این شیوه‌های جدید AI  مولد، مدل های یادگیری عمیق را میتوان بدون برچسب و با مقدار زیادی از داده‌های خام اموزش داد.

برای جزئیات بیشتر می‌توانید مقاله https://www.ibm.com/topics/artificial-intelligence را مطالعه کنید.