هوش مصنوعی چیست؟ هوش مصنوعی (به انگلیسی: Artificial Intelligence) که معمولا به‌اختصار AI گفته می‌شود، شاخه‌ای گسترده از علوم کامپیوتر است در آن ماشین‌های هوشمندی با قابلیت انجام کارهایی که معمولا به هوش انسانی نیاز دارند، ساخته می‌شود.
اگرچه هوش مصنوعی یک علم بین‌رشته‌ای با رویکردهای متعدد است، پیشرفت‌های اخیر در یادگیری ماشینی و یادگیری عمیق باعث شده است تا تغییرات چشمگیری را در هر بخش از صنعت فناوری شاهد باشیم.
هوش مصنوعی به ماشین‌ها اجازه می‌دهد تا توانایی‌های ذهن انسان را مدل‌سازی کنند یا حتی آن‌ها را بهبود بخشند. از توسعه خودروهای خودران تا گسترش ابزارهای مولد هوش مصنوعی مانند ChatGPT و گوگل بارد، هوش مصنوعی به‌طور فزاینده‌ای به بخشی از زندگی روزمره و حوزه‌های سرمایه‌گذاری شرکت‌ها در صنایع مختلف، تبدیل خواهد شد.
در این مقاله قصد داریم بررسی کنیم که هوش مصنوعی چیست و به چه شکل‌هایی در دسترس قرار دارد. همچنین به چند نمونه از کاربرد هوش مصنوعی اشاره می‌کنیم و به این پرسش می‌پردازیم که آیا هوش مصنوعی قرار است جایگزین انسان شود یا خیر.
هوش مصنوعی چیست؟
هوش مصنوعی به شبیه‌سازی هوش انسانی با استفاده از برنامه‌نویسی اشاره می‌کند که طی آن یک مدل با قابلیت کشف اطلاعات جدید ساخته می‌شود. امروزه این کدهای نرم‌افزاری به‌طور رایجی در همه چیز از کاربردهای مبتنی بر ابر گرفته تا کاربردهای سازمانی و کاربردهای مصرف کننده و حتی فریمور تعبیه شده در سخت‌افزار استفاده می‌شود.
سال 2022 هوش مصنوعی با ترنسفورمر مولد از پیش آموزش‌دیده به جریان اصلی وارد شد. محبوب ترین برنامه در این زمینه ChatGPT از شرکت OpenAI است. جذابیت فراگیر این برنامه باعث شده است تا در ذهن بسیاری از مصرف کنندگان، ChatGPT مترادف با مفهوم هوش مصنوعی باشد.
در ادامه مقاله به این پرسش که ChatGPT چیست پاسخ می‌دهیم. اما خوب است بدانید که این فقط بخش کوچکی از روش‌هایی است که امروزه از فناوری هوش مصنوعی استفاده می‌شود.
ویژگی ایده‌آل هوش مصنوعی توانایی آن در منطقی کردن فرآیند و انجام اقداماتی است که بیش‌ترین شانس را برای دستیابی به یک هدف خاص دارد. زیرمجموعه‌ای از هوش مصنوعی، یادگیری ماشینی (ML) است؛ یادگیری ماشین به این مفهوم اشاره دارد که برنامه‌های کامپیوتری می‌توانند به‌طور خودکار از داده‌های جدید بیاموزند و بدون کمک انسان با آن‌ها سازگار شوند.
تکنیک‌های یادگیری عمیق از طریق جذب مقادیر عظیمی از داده‌های ساختارنیافته مانند متن، تصاویر یا ویدیو، این یادگیری خودکار را امکان‌پذیر می‌سازد.
درک بهتر مفهوم هوش مصنوعی
اما مفهوم واقعی هوش مصنوعی چیست؟ وقتی اکثر مردم اصطلاح هوش مصنوعی را می‌شنوند، معمولا اولین چیزی که به ذهن‌شان می‌رسد ربات‌ها هستند. این برداشت ذهنی به فیلم‌ها و رمان‌هایی مربوط است که همیشه ربات‌ها را موجوداتی قدرتمند با توانایی نابود کردن کره زمین و بشر تجسم کرده‌اند.
هوش مصنوعی بر این اصل استوار است که هوش انسانی را می‌توان به‌گونه‌ای تعریف کرد که یک ماشین بتواند به‌راحتی آن را تقلید کند و وظایف را از ساده‌ترین موارد تا موارد پیچیده‌تر انجام دهد. اهداف هوش مصنوعی شامل تقلید از فعالیت‌های شناختی انسان است.
محققان و توسعه‌دهندگان در این زمینه در تقلید از فعالیت‌هایی مانند یادگیری، استدلال و ادراک که تا حدی بتوان آن‌ها را به‌طور مشخص تعریف کرد، گام‌های شگفت‌انگیزی برداشته‌اند. برخی بر این باورند که مبتکران ممکن است به‌زودی قادر به توسعه سیستم‌هایی باشند که برای یادگیری یا استدلال هر موضوعی از ظرفیت انسان فراتر باشد.
اما برخی دیگر بدبین هستند، زیرا تمام فعالیت‌های شناختی با قضاوت‌های ارزشی همراه است که از تجارب انسانی پیروی می‌کند.
با پیشرفت فناوری، معیارهای قبلی که هوش مصنوعی را تعریف می‌کردند، قدیمی می‌شوند. به‌عنوان مثال، ماشین‌هایی که توابع اولیه را محاسبه می‌کنند یا متن را از طریق تشخیص نوری کاراکتر (OCR) تشخیص می‌دهند، دیگر به‌عنوان مفهوم هوش مصنوعی در نظر گرفته نمی‌شوند؛ زیرا این عملکرد اکنون به‌عنوان یک عملکرد ذاتی کامپیوتر، بدیهی تلقی می‌شود.
هوش مصنوعی به‌طور مداوم در حال تکامل است تا صنایع زیادی قادر به بهره‌مندی از مزایای آن باشند. منطق در ماشین‌ها با استفاده از یک رویکرد بین‌رشته‌ای مبتنی بر علوم ریاضیات، کامپیوتر، زبان‌شناسی، روان‌شناسی و غیره مدل‌سازی می‌شود.
الگوریتم‌ها معمولا نقش بسیار مهمی در ساختار هوش مصنوعی ایفا می‌کنند؛ الگوریتم‌های ساده در کاربردهای ساده استفاده می‌شوند و الگوریتم‌های پیچیده‌تر به ایجاد هوش مصنوعی قوی کمک می‌کنند.
انواع هوش مصنوعی
برای اینکه هر چه بهتر درک کنیم AI چیست باید حتما انواع آن را هم بشناسیم. هوش مصنوعی مفهومی گسترده است که در سه دسته طبقه‌بندی می‌شود؛ هوش مصنوعی محدود یا ضعیف، هوش مصنوعی عمومی یا قوی و هوش مصنوعی فوق هوشمند.
هوش مصنوعی ضعیف چیست؟
هوش مصنوعی محدود یا ضعیف که با کلمه اختصاری ANI شناخته می‌شود برای دستیارهای صوتی مانند سیری، الکسا و گوگل اسیستنت بسیار مهم است. این دسته شامل سیستم‌های هوشمندی می‌شود که برای انجام وظایفی مشخص یا حل مشکلات مشخص طراحی یا آموزش دیده‌اند. البته این هوش مصنوعی دقیقا برای این کار طراحی نمی‌شود.
ممکن است ANI معمولا به‌عنوان هوش مصنوعی ضعیف شناخته شود؛ زیرا از هوش عمومی برخوردار نیست. اما برخی از نمونه‌های کاربرد این هوش مصنوعی مانند دستیارهای صوتی و همچنین سیستم‌های تشخیص تصویر، فناوری‌هایی هستند که به درخواست‌های ساده خدمات مشتری پاسخ می‌دهند و همچنین ابزارهایی که محتوای نامناسب را در اینترنت علامت‌گذاری می‌کنند.
ChatGPT نمونه‌ای از هوش مصنوعی ANI است، زیرا برای انجام یک کار خاص برنامه‌ریزی شده است؛ ChatGPT با توجه به پرامپت‌های (Prompt) دریافت‌شده از سوی کاربر، پاسخ‌های متنی را تولید می‌کند.
هوش مصنوعی عمومی چیست؟
هوش مصنوعی عمومی یا AGI که به‌عنوان هوش مصنوعی قوی نیز شناخته می‌شود؛ هنوز یک مفهوم فرضی است، زیرا قابلیت درک ماشینی و انباشته کردن تجارب را دارد وبر اساس آن قادر است وظایف بسیار متفاوتی را انجام دهد.
این نوع هوش مصنوعی بیشتر در سطح عقل انسان است، زیرا سیستم‌های AGI می‌توانند مانند یک انسان استدلال و فکر کنند.
AGI مانند یک انسان، به‌طور بالقوه قادر به درک هر کار فکری، تفکر انتزاعی، یادگیری از تجربیات قبلی و استفاده از آن دانش برای حل مشکلات جدید است. اساسا، ما در مورد یک سیستم یا ماشینی صحبت می‌کنیم که دارای عقل سلیم است؛ که در حال حاضر با هیچ شکلی از هوش مصنوعی موجود، قابل دستیابی نیست.
توسعه سیستمی که آگاهی خاص خودش را داشته باشد، اگرچه هنوز رویاپردازانه به‌حساب می‌آید، اما هدف نهایی در تحقیقات هوش مصنوعی است.
هوش مصنوعی فوق هوشمند چیست؟
هوش مصنوعی فوق هوشمند (ASI) که با عنوان ابر هوش مصنوعی نیز شناخته می‌شود، سیستمی است که نه تنها بسیاری از مزایای انسانی را به چالش می‌کشد بلکه توانایی نابود کردن نسل بشر را هم دارد. اگر احساس می‌کنید در حال خواندن یک رمان علمی تخیلی هستید، باید بگوییم این هوش مصنوعی واقعا به‌همین شکل است!
ASI سیستمی است که در آن هوش یک ماشین از تمام انواع هوش انسانی در تمامی جنبه‌ها پیشی می‌گیرد و در هر کارکردی از انسان‌ها بهتر عمل می‌کند.
یک سیستم هوشمند که بتواند خود را آموزش دهد و به‌طور مداوم بهبود یابد؛ هنوز یک مفهوم فرضی است. با این حال، چنین سیستمی اگر به‌طور موثر و در چارچوب‌های اخلاقی پیاده‌سازی شود، می‌تواند به پیشرفت‌ها و دستاوردهای فوق‌العاده‌ای در پزشکی، فناوری و موارد دیگر منجر شود.
هوش مصنوعی به چه شکل‌هایی در دسترس است؟
در حال حاضر تعداد زیادی سرویس هوش مصنوعی در دسترس مصرف‌کنندگان عمومی و کسب‌وکارها قرار دارد که می‌توان از آن‌ها برای تسریع انجام وظایف و تسهیل زندگی روزمره استفاده کرد. احتمالا همین حالا که این مقاله را مطالعه می‌کنید یکی از دستگاه‌های هوشمند در خانه شما از این فناوری بهره می‌برد.
در اینجا چند نمونه متداول از هوش مصنوعی که به‌صورت رایگان یا پولی در دسترس عموم قرار دارد را بررسی می‌کنیم.
دستیارهای صوتی: آمازون الکسا که در بلندگوی هوشمند Echo تعبیه شده است یا اپل سیری در آیفون و گوگل اسیستنت همگی برای درک و پاسخ به سوالات یا دستورات شما از فناوری پردازش زبان طبیعی استفاده می‌کنند.
چت‌بات‌ها: چت‌بات‌های هوش مصنوعی شکل دیگری از دستیارهای مجازی هستند که می‌توانند با مردم تعامل داشته باشند و در برخی موارد، مکالمات انسان‌گونه را انجام دهند و حتی احساس همدلی و نگرانی را تقلید کنند.
ترجمه زبان: یادگیری ماشینی بسیار گسترده است و سرویس‌هایی مانند Google Translate، Microsoft Translator، Amazon Translate و ChatGPT همگی برای ترجمه متن از این فناوری بهره می‌برند.
بهره‌وری: Microsoft 365 Copilot یک نمونه عالی از LLM (مدل زبانی وسیع) است که به‌عنوان ابزار بهره‌وری هوش مصنوعی استفاده می‌شود و در نرم‌افزارهای Word، Excel، Outlook، PowerPoint، Microsoft Teams و موارد دیگر تعبیه شده است تا اتوماسیون وظایف را انجام دهد.
به‌کمک این فناوری فقط با پرسیدن عبارت «درباره آخرین وضعیت پروژه به تیم ایمیل بفرست»، Copilot به‌طور خودکار اطلاعات را از ایمیل‌ها و اسناد مختلف جمع‌آوری می‌کند تا متنی را مطابق با آنچه که شما خواسته‌اید تولید کند.
تشخیص تصویر و ویدیو: برنامه‌های مختلف برای یافتن اطلاعاتی در مورد محتوای تصاویر و ویدیوها مانند چهره‌ها، متن و اشیای استفاده شده در آن‌ها، از هوش مصنوعی استفاده می‌کنند. Clarifai سرویسی است که برای سازماندهی داده‌های بدون ساختار از منابع مختلف از یادگیری ماشینی استفاده می‌کند.
سرویس Rekognition آمازون که یکی از قابلیت‌های سرویس AWS این شرکت است، به کاربران اجازه می‌دهد با آپلود کردن تصاویر، اطلاعات مورد نیاز را دریافت کنند.
توسعه نرم‌افزار: بسیاری از توسعه‌دهندگان استفاده از ChatGPT را برای نوشتن و عیب‌یابی کدهای خود شروع کرده‌اند؛ اما به‌غیر از ChatGPT، ابزارهای هوش مصنوعی بسیاری برای آسان کردن کار برنامه‌نویس‌ها در دسترس است.
برای مثال، سرویس برنامه‌نویسی جفت یا دونفره GitHub Copilot که توسط شرکت OpenAI Codex توسعه یافته است، یک مدل زبان مولد است که می‌تواند با تکمیل خودکار و فوری کدها و کامنت‌ها، کدنویسی سریع‌تر را با تلاش کمتر میسر کند.
ایجاد یک کسب‌وکار: جدا از اینکه یک کاربر معمولی به‌صورت روزمره از هوش مصنوعی در اشکال مختلف استفاده می‌کند، سرویس‌هایی وجود دارد که ابزارهای هوش مصنوعی را برای کسب‌وکارها ارائه می‌دهد. از جمله این سرویس‌ها می‌توان به GPT-4 API از شرکت OpenAI اشاره کرد که با استفاده از فناوری LLM، قابلیت ساخت اپلیکیشن‌ها و سرویس‌ها را میسر می‌کند.
سرویس Bedrock از آمازون نیز مجموعه‌ای از ابزارهای هوش مصنوعی مبتنی بر ابر را در دسترس توسعه‌دهندگان قرار می‌دهد.
یادگیری ماشین چیست؟
مهم‌ترین خصوصیتی که هوش مصنوعی را از سایر موضوعات علوم کامپیوتر جدا می‌کند، توانایی اتوماسیون آسان وظایف با استفاده از یادگیری ماشینی است. این قابلیت به کامپیوترها اجازه می‌دهد تا از تجربیات مختلف یاد بگیرند و این امکان را به توسعه‌دهندگان بدهند تا آن‌ها را برای انجام هر کاری برنامه‌ریزی کنند.
این قابلیت همان چیزی است که بسیاری از آن به‌عنوان هوش مصنوعی یاد می‌کنند؛ اما یادگیری ماشینی در واقع زیرمجموعه‌ای از هوش مصنوعی است.
یادگیری ماشینی شامل یک سیستم است که بر روی مقادیر زیادی داده آموزش می‌بیند. بنابراین، این سیستم می‌تواند از اشتباهات درس بگیرد و الگوها را تشخیص دهد تا پیش‌بینی‌ها و تصمیم‌گیری‌ها را به‌شکل دقیق‌تری انجام دهد. نکته مهم این است که سیستم این قابلیت را برای ارزیابی داده‌های جدید به‌دست می‌آورد.
نمونه‌هایی از یادگیری ماشینی شامل تشخیص تصویر و گفتار، محافظت در برابر کلاهبرداری و موارد دیگر است. برای مثال در یک سیستم تشخیص تصویر، کاربران عکسی را در فیسبوک آپلود می‌کنند. شبکه اجتماعی می‌تواند تصویر را تجزیه‌وتحلیل کند و چهره‌ها را تشخیص دهد؛ در واقع پیشنهاداتی که برای تگ کردن دوستان ارائه می‌شود بر اساس همین قابلیت است.
با گذشت زمان و تمرین بیشتر، سیستم این مهارت را تقویت می‌کند و یاد می‌گیرد که پیشنهادات دقیق‌تری را ارائه دهد.
المان‌های یادگیری ماشین
همان‌طور که در بالا اشاره شد، یادگیری ماشینی زیرمجموعه‌ای از هوش مصنوعی است و به‌طور کلی به دو دسته اصلی تقسیم می‌شود؛ یادگیری تحت نظارت و بدون نظارت.
یادگیری تحت نظارت
برای درک بهتر یادگیری ماشین باید ببینیم یادگیری تحت نظارت در هوش مصنوعی چیست و چطور کار می‌کند.
یادگیری تحت نظارت یک تکنیک متداول برای آموزش سیستم‌های هوش است که در آن با استفاده از تعداد زیادی نمونه‌های برچسب‌گذاری‌شده که توسط افراد طبقه‌بندی شده‌اند، به سیستم آموزش داده می‌شود. این سیستم‌های یادگیری ماشینی با حجم عظیمی از داده‌ها تغذیه می‌شوند؛ در واقع سیستم درباره هر مفهوم با استفاده از تعداد زیادی مثال آموزش می‌بیند.
فرض کنید می‌خواهید به یک مدل یادگیری ماشینی برای تشخیص و تمایز تصاویر دایره‌ها و مربع‌ها آموزش دهید. شما باید با جمع‌آوری مجموعه بزرگی از داده‌های متشکل از تصاویر دایره‌ها و مربع‌ها در زمینه‌های مختلف مانند نقاشی یک سیاره برای نمایش مفهوم دایره؛ یا تصویری از یک میز برای نمایش مفهوم مربع کار خودتان را شروع کنید. تمام تصاویر دارای برچسب‌هایی هستند که مفهوم را برای سیستم توضیح می‌دهد.
سپس الگوریتم این مجموعه داده برچسب‌گذاری‌شده از تصاویر را برای تشخیص اشکال و ویژگی‌های آن به‌کار می‌گیرد. مثلا سیستم یاد می‌گیرد که دایره‌ها گوشه ندارند و در مربع‌ها همیشه اندازه چهار ضلع برابر است.
پس از اینکه با مجموعه داده‌ها کار آموزش را به پایان رساندید، سیستم می‌تواند تصویر کاملا جدیدی را ببیند و تعیین کند که دایره است یا مربع.
یادگیری بدون نظارت
در نقطه مقابل، یادگیری بدون نظارت قرار دارد که در آن از رویکرد متفاوتی استفاده می‌شود. در این رویکرد الگوریتم‌ها سعی می‌کنند با شناسایی الگوها در داده‌های ارائه‌شده، به‌دنبال شباهت‌هایی باشند که می‌توانند از آن‌ها برای دسته‌بندی استفاده کنند.
یک مثال می‌تواند دسته‌بندی میوه‌هایی با وزن مشابه یا خودروهایی با حجم موتور مشابه باشد.
الگوریتم از قبل برای انتخاب انواع خاصی از داده‌ها تنظیم نشده است. در واقع فقط به‌دنبال داده‌های دارای شباهت می‌گردد که بتواند آن‌ها را گروه‌بندی کند. برای مثال، گروه‌بندی مشتریان بر اساس رفتار خرید برای هدف قرار دادن آن‌ها با کمپین‌های بازاریابی شخصی‌سازی‌شده.
یادگیری تقویتی
در یادگیری تقویتی، سیستم تلاش می‌کند تا بر اساس داده‌های ورودی خود، پاداش را به حداکثر برساند و اساس تا زمانی که به بهترین نتیجه‌های ممکن برسد، فرآیند آزمون‌وخطا را ادامه می‌دهد.
آموزش سیستمی برای انجام یک بازی ویدیویی را در نظر بگیرید. در این مثال سیستم با کسب امتیاز بیشتر پاداش مثبت و برای امتیاز پایین، پاداش منفی دریافت می‌کند. سیستم یاد می‌گیرد که بازی را تجزیه‌وتحلیل و تصمیم بگیرد چه حرکتی را انجام دهد.
سپس با استفاده از پاداش‌هایی که دریافت می‌کند یاد می‌گیرد و به نقطه‌ای می‌رسد که بتواند به‌تنهایی بازی و بدون دخالت انسان، امتیاز بالایی کسب کند.
یادگیری تقویتی همچنین در تحقیقات مورد استفاده قرار می‌گیرد؛ از این رویکرد برای آموزش ربات‌های مستقل در مورد روش بهینه رفتار در محیط دنیای واقعی استفاده می‌کنند.
یادگیری عمیق چیست؟
بخشی از خانواده یادگیری ماشینی، یادگیری عمیق است که در آن شبکه‌های عصبی مصنوعی با سه لایه یا بیشتر برای انجام وظایف مختلف آموزش می‌بینند. این شبکه‌های عصبی به شبکه‌های گسترده با تعداد زیادی لایه عمیق که با استفاده از حجم عظیمی از داده آموزش داده می‌شوند، گسترش یافته‌اند.
مدل‌های یادگیری عمیق معمولا بیش از سه لایه دارند و می‌توانند صدها لایه داشته باشند. در فرآیند آموزش این مدل‌ها می‌توان از رویکرد یادگیری تحت نظارت یا بدون نظارت یا ترکیبی از هر دو استفاده کرد.
از آنجایی که فناوری یادگیری عمیق می‌تواند تشخیص الگوهای پیچیده در داده‌ها را با استفاده از هوش مصنوعی بیاموزد، اغلب در پردازش زبان طبیعی (NLP)، تشخیص گفتار و تشخیص تصویر استفاده می‌شود.
منظور از شبکه‌های عصبی در هوش مصنوعی چیست؟
موفقیت یادگیری ماشین به شبکه‌های عصبی متکی است. شبکه‌های عصبی مدل‌های ریاضیاتی هستند که ساختار و عملکرد آن‌ها بر اساس ارتباط بین نورون‌ها در مغز انسان طراحی شده است و شیوه‌ای که نورون‌ها به یکدیگر سیگنال می‌دهند را تقلید می‌کنند.
گروهی از ربات‌ها را تصور کنید که برای حل یک معما با هم کار می‌کنند. هر کدام به‌گونه‌ای برنامه‌ریزی شده‌اند که شکل یا رنگ متفاوتی را در قطعات پازل تشخیص دهند. ربات‌ها توانایی‌های خود را برای حل معما با هم ترکیب می‌کنند. یک شبکه عصبی مانند گروهی از ربات‌هاست.
شبکه‌های عصبی می‌توانند برای تغییر خروجی‌های‌شان، پارامترهای داخلی را تغییر دهند. هر ربات با پایگاه‌های اطلاعاتی تغذیه می‌شود تا در طول آموزش یاد بگیرد که وقتی داده‌های خاصی ارائه می‌شود، چه چیزی را باید به‌عنوان خروجی ارائه دهد.
شبکه‌های عصبی از لایه‌های به‌هم‌پیوسته الگوریتم‌هایی تشکیل شده‌اند که داده‌ها را به یکدیگر تغذیه می‌کنند. شبکه‌های عصبی را می‌توان برای انجام وظایف خاص با تغییر اهمیت داده‌ها در هنگام عبور از بین لایه‌ها آموزش داد.
در طول آموزش این شبکه‌های عصبی، تا زمانی که خروجی شبکه عصبی به آنچه موردنظر است بسیار نزدیک شود، وزن‌های متصل به داده‌ها هنگام عبور از بین لایه‌ها تغییر می‌کند. در این مرحله، شبکه یاد گرفته است که چگونه یک کار خاص را انجام دهد. خروجی موردنظر می‌تواند هر چیزی باشد؛ از برچسب زدن صحیح میوه در تصویر گرفته تا پیش‌بینی زمان خرابی آسانسور بر اساس داده‌های حسگر آن.
تاریخچه هوش مصنوعی
ایده «ماشینی که فکر می‌کند» به یونان باستان بازمی‌گردد. اما از زمان ظهور محاسبات الکترونیکی، رویدادها و نقاط عطف مهم در سیر تکامل هوش مصنوعی شامل موارد زیر است:
1950 میلادی: آلن تورینگ مقاله «ماشین‌های محاسباتی و هوش» را منتشر کرد. در این مقاله، توربینگ که به‌دلیل شکستن کد ENIGMA ارتش نازی در جریان جنگ جهانی دوم به شهرت رسیده بود، به این سوال پاسخ می‌دهد که آیا ماشین‌ها می‌توانند فکر کنند؟
او در ادامه آزمایشی را پیشنهاد می‌دهد که به کمک آن می‌توان دریافت که آیا ماشین می‌تواند هوشی مانند انسان را از خود نشان بدهد یا خیر. ارزش و اعتبار آزمون تورینگ از همان زمان تا به امروز مورد بحث بوده است.
1956 میلادی: جان مک‌کارتی در اولین کنفرانس هوش مصنوعی در کالج دارتموث، اصطلاح «هوش مصنوعی» را ابداع کرد. کمی بعد در همان سال، آلن نیوول، جی.سی شاو و هربرت سایمون یک نظریه منطقی ایجاد کردند که اساسا نخستین برنامه نرم‌افزاری هوش مصنوعی قابل اجرا به‌حساب می‌آمد.
1967 میلادی: Mark 1 Perceptron توسط فرانک روزنبلات ساخته شد؛ اولین کامپیوتر مبتنی بر یک شبکه عصبی که از طریق آزمون و خطا یاد گرفت. دقیقا یک سال بعد، ماروین مینسکی و سیمور پیپرت کتابی با عنوان پرسپترون‌ها منتشر کردند که هم به کاری برجسته در مورد شبکه‌های عصبی و هم حداقل برای مدتی به‌عنوان استدلالی علیه پروژه‌های تحقیقاتی آینده در مورد شبکه‌های عصبی مطرح شد.
دهه 1980 میلادی: شبکه‌های عصبی که از یک الگوریتم پس انتشار خطا (Backpropagation) برای آموزش خود استفاده می‌کنند، به‌طور گسترده در کاربردهای هوش مصنوعی مورد استفاده قرار گرفتند.
1997 میلادی: هوش مصنوعی Deep Blue از شرکت IBM موفق شد در دو مسابقه قهرمان و اسطوره شطرنج جهان، گری کاسپاروف را شکست دهد.
2011 میلادی: هوش مصنوعی Watson از شرکت IBM موفق شد کن جنینگز و براد راتر، دو قهرمان مسابقه تلویزیونی Jeopardy را شکست دهد.
2015 میلادی: ابرکامپیوتر Minwa شرکت بایدو از نوعی شبکه عصبی عمیق به‌نام شبکه عصبی کانولوشن برای شناسایی و دسته‌بندی تصاویر استفاده می‌کرد که نسبت به یک انسان معمولی دقت بالاتری داشت.
2016 میلادی: برنامه AlphaGo شرکت DeepMind که از یک شبکه عصبی عمیق بهره می‌برد، لی سودول، قهرمان جهان در بازی Go را در یک مسابقه متشکل از پنج دست شکست داد. این پیروزی با توجه به تعداد زیادی حرکات ممکن در طول بازی (بیش از 14.5 تریلیون حرکت بعد از چهار حرکت اول!) قابل توجه است. مدتی بعد، گوگل شرکت DeepMind را به مبلغ 400 میلیون دلار خریداری کرد.
2023 میلادی: ظهور مدل‌های زبانی وسیع یا LLM مانند ChatGPT؛ تغییر عظیم در عملکرد هوش مصنوعی و پتانسیل آن برای افزایش ارزش سازمانی. با این شیوه‌های جدید هوش مصنوعی مولد، می‌توان مدل‌های یادگیری عمیق را از قبل با حجم عظیمی از داده‌های خام و بدون برچسب آموزش داد.
مزایای هوش مصنوعی
هوش مصنوعی کاربردهای زیادی دارد؛ از تقویت فرآیند توسعه واکسن گرفته تا تشخیص خودکار تقلب‌های بالقوه. بر اساس تحقیقات موسسه CB Insights، شرکت‌های هوش مصنوعی در سال 2022 موفق به جمع‌آوری بودجه 66.8 میلیارد دلاری شدند که بیش از دو برابر مبلغ جمع‌آوری‌شده در سال 2020 است. هوش مصنوعی به‌دلیل پذیرش سریع، در صنایع مختلف پویایی ایجاد می‌کند.
بانکداری ایمن
گزارش بیزینس اینسایدر اینتلیجنس در سال 2022 در مورد هوش مصنوعی در حوزه بانکداری نشان داد که بیش از نیمی از شرکت‌های خدمات مالی در حال حاضر از راه‌حل‌های هوش مصنوعی برای مدیریت ریسک و درآمدزایی استفاده می‌کنند.
استفاده از هوش مصنوعی در بانکداری می‌تواند به صرفه‌جوی بیش از 400 میلیارد دلاری منجر شود.
بهبود صنعت پزشکی
گزارش سازمان بهداشت جهانی در سال 2021 اشاره کرد در حالی که ادغام هوش مصنوعی در حوزه مراقبت‌های بهداشتی با چالش‌های همراه است، این فناوری «بسیار امیدوارکننده است»؛ زیرا هوش مصنوعی می‌تواند به مزایایی مانند سیاست‌های بهداشتی آگاهانه‌تر و تشخیص دقیق‌تر بیماری مراجعان منجر شود.
رسانه‌های نوآورانه
هوش مصنوعی روی سرگرمی‌ها نیز اثر گذاشته است. بر اساس تحقیقات گراند ویو، بازار جهانی هوش مصنوعی در رسانه‌ها و سرگرمی‌ها تا سال 2030 به 99.48 میلیارد دلار می‌رسد که از ارزش 10.87 میلیارد دلاری در سال 2021 رشد چشمگیری را نشان می‌دهد.
تشخیص سرقت ادبی و توسعه محتوای گرافیکی با کیفیت بالا از جمله کاربردهای هوش مصنوعی هستند که در این زمینه اثرگذار خواهند بود.
کاربردهای هوش مصنوعی
در این بخش می‌بینیم که کاربردهای هوش مصنوعی چیست و در زندگی روزمره انسان‌ها چه تاثیری می‌گذارد. کاربردهای هوش مصنوعی بی‌انتهاست. این فناوری را می‌توان در بسیاری از بخش‌ها و صنایع مختلف به‌کار برد.
در حال حاضر هوش مصنوعی در صنعت مراقبت‌های بهداشتی برای پیشنهاد دوز دارو، شناسایی درمان‌های بالقوه و کمک به روش‌های جراحی در اتاق عمل آزمایش و استفاده می‌شود.
از دیگر نمونه‌های ماشین‌های داری هوش مصنوعی می‌توان به کامپیوترهای متخصص در شطرنج و ماشین‌های خودران اشاره کرد. هر یک از این ماشین‌ها باید عواقب هر اقدامی که انجام می‌دهند را بسنجند، زیرا هر اقدامی بر نتیجه نهایی تاثیر می‌گذارد.
در شطرنج، نتیجه نهایی برنده شدن در بازی است. برای ماشین‌های خودران، سیستم کامپیوتری باید تمام داده‌های خارجی را در نظر گرفته و با محاسبه به‌گونه‌ای عمل کند که از هرگونه برخورد احتمالی جلوگیری شود.
هوش مصنوعی همچنین در صنعت مالی کاربردهایی دارد. از این فناوری برای شناسایی و علامت‌گذاری فعالیت‌های بانکی و مالی مشکوک مانند استفاده غیرعادی از کارت اعتباری و سپرده‌های بزرگ استفاده می‌شود که همگی به بخش شناسایی کلاهبرداری بانک کمک می‌کند.
از کاربردهای دیگر هوش مصنوعی می‌توان به ساده‌سازی و تسهیل تریدینگ اشاره کرد. این امر با تسیل برآورده عرضه، تقاضا و قیمت‌گذاری اوراق بهادار انجام می‌شود.
هوش مصنوعی مولد یا Generative AI چیست؟
هوش مصنوعی مولد به مدل‌های یادگیری عمیقی اطلاق می‌شود که حجم زیادی از داده‌های خام (مثلا تمام محتوای موجود در ویکی‌پدیا) را دریافت می‌کنند و سپس با بررسی آن‌ها یاد می‌گیرند که در صورت درخواست (پرامپت)، خروجی‌های آماری احتمالی را تولید کنند.
در سطوح بالا، مدل‌های مولد با رمزگشایی نمونه‌ای ساده‌شده از داده‌های آموزشی خود، طرح یا محتوای جدیدی را تولید می‌کنند که با داده‌های آموزشی مشابه است اما دقیقا یکسان نیست.
مدل‌های مولد سال‌هاست در علم آمار برای تجزیه‌وتحلیل داده‌های عددی استفاده می‌شود. با این حال، ظهور یادگیری عمیق، گسترش آن‌ها را به تصاویر، گفتار و دیگر انواع داده‌های پیچیده ممکن کرد.
در بین اولین کلاس از مدل‌هایی که به این مقطع رسیدند، رمزگذاری‌های متغیر خودکار یا VAE بودند که در سال 2013 معرفی شدند. VAEها اولین مدل‌های یادگیری عمیق بودند که به‌طور گسترده برای تولید تصاویر و گفتار واقعی استفاده شدند.
آکاش سریواستاوا، کارشناس هوش مصنوعی مولد در آزمایشگاه هوش مصنوعی MIT-IBM Watson در این خصوص گفت «VAEها با آسان‌تر کردن مدل‌ها، دروازه‌های مدل‌سازی مولد عمیق را باز کردند. بخش زیادی از آنچه امروزه به‌عنوان هوش مصنوعی مولد می‌شناسیم، در واقع از VAE شروع شد.»
نمونه‌های اولیه مدل‌ها، مانند BERT، GPT-3 یا DALL-E 2 نشان داده‌اند که چه پتانسیلی وجود دارد. مدل‌های آینده بر روی مجموعه گسترده‌ای از داده‌های بدون برچسب آموزش می‌بینند که می‌توانند برای کارهای مختلف با حداقل نیاز به تنظیم دقیق استفاده شوند.
سیستم‌هایی که وظایف خاصی را در یک دامنه واحد اجرا می‌کنند، جای خود را به هوش مصنوعی گسترده‌ای می‌دهند که به‌طور جامع‌تری یاد می‌گیرد و توانایی کار کردن در دامنه‌ها و مشکلات مختلف را دارد. مدل‌های بنیادی که بر روی مجموعه داده‌های بزرگ و بدون برچسب آموزش دیده‌اند و برای مجموعه‌ای از کاربردها به‌خوبی تنظیم شده‌اند، این تغییر را هدایت می‌کنند.
وقتی از آینده هوش مصنوعی مولد صحبت می‌کنیم، پیش‌بینی می‌شود که مدل‌های بنیادین به‌طرز چشمگیری سرعت پذیرش هوش مصنوعی در سازمان را افزایش دهند.
کاهش نیاز به برچسب‌گذاری داده‌ها استفاده از هوش مصنوعی را برای کسب‌وکارها تسهیل می‌کند؛ و دقت بالا به‌همراه اتوماسیون مبتنی بر هوش مصنوعی به کسب‌وکارهای به‌مراتب بیش‌تری اجازه می‌دهد تا از این فناوری در طیف وسیع‌تری از موقعیت‌های بحرانی در ماموریت کسب‌وکار خود استفاده کنند.
IBM امیدوار است که در نهایت بتوان قدرت مدل‌های بنیادین را در یک محیط ابری-هیبریدی بدون اصطکاک در دسترس هر سازمانی قرار دارد.
چه کسب‌و‌کارهایی از هوش مصنوعی استفاده می‌کنند؟
اما نقش کسب‌وکارها در توسعه هوش مصنوعی چیست و چه شرکت‌های مطرحی در این حوزه فعالیت می‌کنند؟ اگرچه هوش مصنوعی مولد پیشتاز پیشرفت‌های هوش مصنوعی در سال 2023 است، شرکت‌های برتر دیگری نیز هستند که پیشرفت‌هایی را تجربه کردند.
OpenAI
جای تعجب نیست که OpenAI در رقابت هوش مصنوعی امسال پیشتاز بوده است. پس از اینکه OpenAI ابزارهای هوش مصنوعی مولد را برای استفاده گسترده به‌صورت رایگان در دسترس قرار داده است، این شرکت به محبوبیت زیادی دست پیدا کرد. ChatGPT چت‌بات هوش مصنوعی و Dall-E 2 تولیدکننده تصویر بر اساس دستورات متنی دو ابزار محبوب ارائه‌شده توسط OpenAI هستند.
Alphabet
شرکت مادر گوگل یعنی آلفابت از طریق چند مورد از شرکت‌های خود از جمله DeepMind، Waymo و گوگل، چندین سیستم هوش مصنوعی را معرفی کرد.
DeepMind همچنان به‌دنبال هوش مصنوعی عمومی است. مدل‌های یادگیری ماشینی توسعه‌یافته برای Document AI، تجربه بهبودیافته بینندگان در پلتفرم یوتیوب، در دسترس قرار دادن AlphaFold برای محققان در سراسر جهان و بسیاری دیگر از جمله دستاوردهای آلفابت در حوزه هوش مصنوعی است.
اگرچه ممکن است هر روز خبری از تلاش‌های هوش مصنوعی آلفابت منتشر نشود، اما کارهایی که در زمینه یادگیری عمیق و هوش مصنوعی انجام می‌دهد، به‌طور کلی پتانسیل تغییر آینده انسان‌ها را دارد.
مایکروسافت
مایکروسافت علاوه بر ایجاد Microsoft 365 Copilot برای نرم‌افزارهای سرویس 365 خود، مجموعه‌ای از ابزارهای هوش مصنوعی را برای توسعه‌دهندگان در Azure فراهم می‌کند. این ابزارها شامل پلتفرم‌هایی برای توسعه یادگیری ماشینی، تجزیه‌وتحلیل داده‌ها، هوش مصنوعی مکالمه‌ای و APIهای قابل تنظیم که در دید کامپیوتری، گفتار و زبان در حد‌واندازه انسان هستند.
مایکروسافت همچنین سرمایه‌گذاری سنگینی را در توسعه OpenAI انجام داده است و از GPT-4 در سرویس Bing Chat جدید و همچنین نسخه پیشرفته‌تر Dall-E 2 برای سرویس Bing Image Creator استفاده می‌کند.
شرکت‌های دیگر
این‌ها فقط چند نمونه از شرکت‌هایی بودند که در رقابت هوش مصنوعی پیشرو هستند؛ اما شرکت‌های زیادی در سراسر جهان وجود دارند که در حال پیشرفت در زمینه هوش مصنوعی هستند که از جمله می‌توان به بایدو، علی‌بابا، کروز، لنوو و تسلا اشاره کرد.
نمونه‌هایی از هوش مصنوعی
با تمام توضیحاتی که تا به اینجا داده شد، حال ببینیم نمونه‌های واقعی از کاربرد هوش مصنوعی چیست و در حال حاضر چه سرویس‌هایی از این فناوری بهره می‌برند. فناوری هوش مصنوعی اشکال مختلفی دارد؛ از چت‌بات گرفته تا اپلیکیشن‌های ناوبری و ردیاب‌های تناسب اندام پوشیدنی. مثال‌های زیر وسعت کاربردهای بالقوه هوش مصنوعی را نشان می‌دهد.
ChatGPT
ChatGPT یک چت‌بات هوش مصنوعی است که توانایی تولید محتوای نوشتاری در قالب‌های مختلف؛ از مقاله گرفته تا کد و پاسخ‌گویی به سوالات کاربر را دارد. ChatGPT که در نوامبر 2022 توسط OpenAI عرضه شد، از یک مدل زبانی وسیع (LLM) پشتیبانی می‌کند که امکان تقلید نزدیک از نوشته‌های انسان را ارائه می‌دهد.
Google Maps
سرویس گوگل مپ از داده‌های موقعیت مکانی تلفن‌های هوشمند و همچنین داده‌های گزارش‌شده توسط کاربر در مورد ساخت‌وساز و تصادفات رانندگی، برای نظارت بر جریان ترافیکی و ارزیابی سریع‌ترین مسیر استفاده می‌کند.
دستیاران هوشمند
دستیارهای شخصی مانند سیر، الکسا و کورتانا برای دریافت دستورالعمل از کاربران از پردازش زبان طبیعی یا NLP استفاده می‌کنند. این دستیارها توانایی تنظیم یادآورها، جستجو در اطلاعات آنلاین و کنترل چراغ‌های خانه را دارند.
در بسیاری از موارد، این دستیارها برای یادگیری ترجیحات کاربر و بهبود تجربه آن‌ها در طول زمان با ارائه پیشنهادات بهتر و پاسخ‌های مناسب‌تر طراحی شده‌اند.
فیلترهای اسنپ‌چت
فیلترهای اسنپ‌چت برای تمایز بین سوژه تصویر و پس‌زمینه، ردیابی حرکات صورت و تنظیم تصویر روی صفحه بر اساس تحرکات کاربر، از الگوریتم‌های یادگیری ماشینی استفاده می‌کند.
ماشین‌های خودران
ماشین‌های خودران نمونه ملموسی از یادگیری عمیق هستند؛ زیرا برای شناسایی اشیای اطراف خود، تعیین فاصله از سایر ماشین‌ها، شناسایی علایم راهنمایی و رانندگی و موارد دیگر از شبکه‌های عصبی عمیق استفاده می‌کنند.
گجت‌های پوشیدنی
حسگرها و دستگاه‌های پوشیدنی مورد استفاده در صنعت مراقبت‌های بهداشتی نیز برای ارزیابی وضعیت سلامتی بیمار، از جمله سطح قند خون، فشار خون و ضربان قلب آن‌ها از یادگیری عمیق استفاده می‌کنند.
این گجت‌ها همچنین می‌توانند الگوهایی را از داده‌های پزشکی قبلی بیمار استخراج و از آن برای پیش‌بینی شرایط سلامتی فرد در آینده استفاده کنند.
MuZero
MuZero یک برنامه کامپیوتری است که توسط DeepMind توسعه یافته و برای دستیابی به هوش مصنوعی عمومی یک تلاش امیدوارکننده به‌حساب می‌آید. این برنامه توانسته است در بازی‌هایی مثل شطرنج و مجموعه کاملی از بازی‌های آتاری که حتی در مورد آن‌ها آموزش ندیده بود، میلیون‌ها بار و بدون اشتباهات محسوس بازی کند.
میدجورنی
میدجورنی از یک مدل زبانی بزرگ برای تولید تصاویر استفاده می‌کند که بر روی مجموعه داده‌ای از تصاویر و متن آموزش دیده است. کاربران می‌توانند با وارد کردن یک توضیح متنی، میدجورنی را برای ایجاد یک تصویر سفارش دهند. میدجورنی می‌تواند طیف گسترده‌ای از تصاویر را ایجاد کند، از جمله تصاویر واقع‌گرایانه تا تصاویر خیالی.
آینده AI چگونه خواهد بود؟
اگر از علاقه‌مندان به این حوزه باشید احتمالا برایتان این سوال پیش آمده که آینده هوش مصنوعی چیست و قرار است چه تاثیر بر روی زندگی روزمره انسان داشته باشد.
هوش مصنوعی قادر است نحوه کار، سلامت ما، نحوه استفاده از رسانه، نحوه رسیدن به محل کار، حریم خصوصی ما و موارد دیگر را به‌کلی تغییر دهد. تاثیری را که برخی از سیستم‌های هوش مصنوعی می‌توانند بر کل جهان داشته باشند، در نظر بگیرید.
مردم می‌توانند از یک دستیار صوتی در تلفن‌های همراه خود بخواهند تا یک ماشین خودران به آدرس دلخواه ارسال کند تا به محل کار بروند. اما این پایان ماجرا نیست، همین افراد می‌توانند با استفاده از ابزارهای مبتنی بر هوش مصنوعی، به‌طور شگفت‌انگیزی کارآمدتر کار کنند.
پزشکان و رادیولوژیست‌ها می‌توانند با استفاده از منابع کمتر، سرطان را تشخیص دهند؛ توالی‌های ژنتیکی مرتبط با بیماری‌ها را شناسایی کنند و مولکول‌هایی که می‌تواند به تولید داروهای موثرتر و به‌طور بالقوه نجات جان افراد بیشتر منجر شود را کشف کنند.
از سوی دیگر، ممکن است شبکه‌های عصبی با قابلیت تولید تصاویر واقعی مانند میدرجرنی، دال ای 2 و بینگ مشکلاتی را به‌وجود بیاورند. همچنین هوش مصنوعی‌هایی وجود دارد که امکان تقلید صدای یک نفر را دارد و یا با استفاده از شباهت افراد، ویدیوهای دیپ فیک تولید کند.
این چالش‌ها ممکن است باعث شود که مردم دیگر نتوانند به عکس‌ها، ویدیوها یا فایل‌های صوتی که قبلا اعتماد داشتند، اعتماد کنند.
یکی دیگر از مسائل اخلاقی هوش مصنوعی مربوط به تشخیص چهره و نظارت است؛ و اینکه این فناوری چطور می‌تواند به حریم خصوصی افراد نفوذ کند و به‌دلیل همین چالش‌ها بسیاری از کارشناسان به‌دنبال ممنوعیت عمومی شدن هوش مصنوعی هستند.
آیا هوش مصنوعی می‌تواند جایگزین نیروی انسانی شود؟
امکان وجود سیستم‌های هوش مصنوعی که جایگزین بخش قابل توجهی از نیروی کار مدرن شود، یک احتمال معتبر در آینده نزدیک است. در حالی که هوش مصنوعی معمولی جایگزین تمام مشاغل نمی‌شود، آنچه مسلم به‌نظر می‌رسد این است که هوش مصنوعی ماهیت کار را تغییر خواهد داد. تنها سوال این است که اتوماسیون چقدر سریع و عمیق محل کار را تغییر می‌دهد.
اما هوش مصنوعی نمی‌تواند به‌تنهایی کار کند. در حالی که بسیاری از مشاغلی که با داده‌های معمول و تکراری سروکار دارند، ممکن است به فرآیندهای خودکار تبدیل شوند؛ کارگران سایر مشاغل می‌توانند برای بهره‌وری بیشتر و کارآمدتر شدن از ابزارهایی مانند هوش مصنوعی مولد استفاده کنند.
در مورد سرعت پیشی گرفتن سیستم‌های هوش مصنوعی از توانایی‌های انسان، طیف گسترده‌ای از نظرات در میان کارشناسان هوش مصنوعی وجود دارد. وسایل نقلیه خودران کاملا مختار هنوز واقعیت ندارند، اما طبق برخی پیش‌بینی‌ها، صنعت کامیون‌های خودران به‌تنهایی می‌تواند بیش از 500 هزار شغل را در ایالات متحده به‌طور اجتناب‌ناپذیری اشغال کند.
این در حالیست که اگر تاثیر آن بر روی پیک‌ها و رانندگان تاکسی را در نظر بگیریم این رقم چندین برابر می‌شود.
سوالات متداول
هوش مصنوعی مولد چیست؟
این هوش مصنوعی به مدل‌های یادگیری عمیقی که با حجم زیادی از داده‌های خام آموزش دیده‌اند متکی است. این داده‌ها تفسیر شده و ماشین یاد می‌گیرد که برای هر پرامپت یا درخواست کدام خروجی می‌تواند بهترین پاسخ باشد.
آینده هوش مصنوعی چیست؟
هوش مصنوعی به‌زودی در تمام جنبه‌های زندگی انسان تاثیر می‌گذارد؛ از سفارش غذا و تاکسی گرفته تا کشف درمان‌های جدید برای بیماری‌های لاعلاج و بهبود چشم‌گیر فرآیند تصمیم‌گیری در سطوح حیاتی کسب‌وکارهای مختلف.
