تاریخچه و سیر تکاملی هوش مصنوعی

در دوران تغییرات بزرگ عصر جدید، هوش مصنوعی نه تنها مرزهای دانش بشری را گسترش داده، بلکه رویای علمی را به واقعیت امروزی تبدیل کرده‌است. این مقاله که با عنوان تاریخچه هوش مصنوعی و سیر تکاملی آن است، به شما این امکان را می‌دهد که کاوش کنید که هوش مصنوعی چگونه ما را به آستانه توانایی‌ها و چالش‌های جدیدی سوق داده‌ است.

هوش مصنوعی (AI: Artificial Intelligence) یک زمینه چندجانبه و پرکاربرد در علوم کامپیوتر است. این علم به مطالعه و ساختن دستگاه‌ها و سیستم‌هایی می‌پردازد که به طور هوشمندانه عمل می‌کنند و قادر به انجام کارهایی هستند که اغلب نیازمند تفکر و دانش انسانی هستند.

تاریخچه هوش مصنوعی به دهه‌ها پیش برمی­‌گردد، اما می‌توان گفت که در دهه ۱۹۵۰، شکل‌گیری و توسعه‌ی فعالیت‌های علمی و تحقیقاتی در این زمینه را شاهد بودیم. در این دوران، پایه‌های نظری و روش‌های اولیه برای ساخت دستگاه‌هایی که بتوانند به طور هوشمندانه مسائلی را حل کنند، فراهم شد. در دهه‌های بعدی، با پیشرفت تکنولوژی، الگوریتم‌ها و مدل‌های مختلفی در زمینه‌هایی مانند یادگیری ماشین، شبکه‌های عصبی، پردازش زبان طبیعی (NLP)، بینایی ماشین، بهینه‌سازی، افزایش عملکرد کامپیوترها و همچنین داده‌های بزرگ ایجاد شد و این حوزه به سرعت پیشرفت کرد.

یکی از مهم‌ترین مراحل توسعه هوش مصنوعی، دوران “شکست هوش مصنوعی”، “زمستان هوش مصنوعی” و یا “AI Winter” نامیده می‌شود که در آن پیشرفت‌های کمتری در این زمینه صورت گرفت. این دوران به دلیل انتظارات بیش از حد بالا و عدم توانایی تکنولوژی در ارائه‌ی نتایجِ مورد انتظار بود. اما با افزایش توانایی‌های سخت‌افزاری، پردازش‌های بهتر، الگوریتم‌های پیشرفته‌تر و تمرکز بر روی یادگیری عمیق، هوش مصنوعی به دوران جدیدی از رشد و توسعه‌ی خود وارد شد.

استفاده از هوش مصنوعی، امروزه در حوزه‌های مختلفی از جمله پزشکی، خودروها و فناوری‌های هوشمند، مدیریت منابع، مدل‌های پیش‌بینی، بازی‌های ویدئویی و بسیاری زمینه‌های دیگر به طور گسترده صورت می‌گیرد.

تعریف هوش مصنوعی و طبقه‌ بندی­‌های اصلی

هوش مصنوعی (AI) یک حوزه پیچیده و چندوجهی است که تعاریف و طبقه بندی‌های مختلفی را در بر می‌­گیرد. هنگام بحث در مورد هوش مصنوعی، در نظر گرفتن انواع مختلف سیستم‌های هوش مصنوعی بسیار حائز اهمیت است، مانند سیستم‌هایی که تفکر انسان و رفتار انسان را تقلید می‌کنند؛ سیستم‌هایی که منطقی فکر می‌کنند و آن‌هایی که منطقی عمل می‌کنند. این تمایزات به درک قابلیت‌­ها و کاربردهای متنوع هوش مصنوعی کمک می­‌کند.

علاوه بر این، AI اغلب بر اساس سطح هوش آن دسته­‌بندی می­‌شود. هوش مصنوعی باریک (ANI: Artificial Narrow Intelligence) به سیستم‌های هوش مصنوعی اطلاق می‌شود که برای کارهای خاص طراحی شده‌اند و دامنه توانایی‌های محدودی دارند. از سوی دیگر، هوش مصنوعی عمومی (AGI: Artificial General Intelligence) با هدف تکرار توانایی‌های شناختی وسیع انسان‌ها، امکان حل مسئله و یادگیری انعطاف‌پذیرتر را فراهم می‌کند. علاوه بر این، مفهوم اَبَرهوش مصنوعی (ASI: Artificial Super Intelligence) مربوط به سیستم‌های هوش مصنوعی است که در همه حوزه‌ها از هوش انسانی پیشی می‌گیرد.

در قلمرو هوش مصنوعی، یادگیری ماشین (ML: Machine Learning) به عنوان زیرشاخه‌ای که بر توسعه الگوریتم‌ها و مدل‌هایی که قادر به یادگیری از داده‌ها هستند تمرکز می‌کند، نقش مهمی ایفا می‌کند. در یادگیری ماشین، رویکردهای و مدل‌های مختلفی وجود دارد، از جمله:

• یادگیری تحت نظارت
• یادگیری بدون نظارت
• یادگیری نیمه نظارتی
• یادگیری تقویتی

مراحل هوش مصنوعی

هوش مصنوعی در سه مرحله اصلی توسعه یافته است. در ابتدا، توجه اصلی به توسعه شبکه‌های عصبی بود، اما از سال 1980 تا 2010، این شبکه‌ها به یادگیری ماشین (ML) متمرکز شدند.

ما در فاز یادگیری عمیق هستیم که یک روش از هوش مصنوعی است. این روش از شبکه‌های عصبی برای ایجاد الگوریتم‌ها استفاده می‌کند. یادگیری عمیق تفاوت زیادی با یادگیری ماشین دارد. به عنوان مثال، در یادگیری عمیق، الگوریتم‌ها به صورت خودکار و بدون نیاز به مداخله برنامه‌نویسان تغییر می‌کنند. اما در یادگیری ماشین، برنامه‌نویسان برای ایجاد تغییرات باید مداخله کنند.

ریشه­‌های هوش مصنوعی

دوران “ریشه‌های هوش مصنوعی (۱۹۵۰ تا ۱۹۷۰)” یک مرحله مهم در تاریخچه هوش مصنوعی بود. این دوره با کنفرانس دارتموث در سال ۱۹۵۶ آغاز شد و اصطلاح “هوش مصنوعی” برای اولین بار معرفی شد. در این دوره، برنامه‌های اولیه هوش مصنوعی توسعه یافتند که قادر به حل مسائل و نشان دادن رفتار هوشمندانه بودند. در این دوره پیشرفت‌های قابل توجهی صورت گرفت؛ توسعه بازی چکرز، نظریه پرداز منطق، پرسپترون و الیزا از جمله مواردی است که در این دوره بهبود یافتند. ویژگی اصلی این دوره، پیش‌بینی‌های جاه‌طلبانه و اشتیاق اولیه در مورد پتانسیل هوش مصنوعی بود.

پیش بینی‌­ها و سرمایه گذاری­‌ها، جنبه‌­های قابل توجهی در سیر تکاملی هوش مصنوعی بوده است. گزارش‌های متعددی در مورد چگونگی پیش بینی­‌های جسورانه اغلب به سرمایه گذاری­‌های گسترده در هوش مصنوعی منجر شده است، اما آنها نیز با موضوعات مهمی همراه بوده‌­اند. به عنوان مثال، گزارش ALPAC و گزارش Lighthill چالش‌ها و محدودیت‌­های تحقیقات هوش مصنوعی را در دوره‌­های مربوطه برجسته می­‌کند. حملات خصمانه، دیپ‌فیک‌ها و ملاحظات اخلاقی نیز به‌عنوان مسائل مهمی در دوره اخیر یادگیری ماشین و یادگیری عمیق ظاهر شده‌اند.

سیر زمانی هوش مصنوعی

معرفی هوش مصنوعی در دهه 1950 همزمان با آغاز عصر اتم بود. در طول سال‌ها، هوش مصنوعی و شکستن اتم تا حدودی مورد توجه یکسانی از سوی نظاره‌گران آرماگدون (جنگ آخرالزمان) قرار گرفته‌اند. از دیدگاه آنها، بشر محکوم است در یک فاجعه هسته‌ای ناشی از تصرف سیاره زمین توسط ربات‌ها خود را نابود کند. اضطرابی که هوش مصنوعی مولد (generative AI) ایجاد کرده، برای فرو نشاندن ترس‌های آن‌ها کار چندانی نکرده است.

اگر بدبینی‌ها نسبت به جنبه‌های تاریک هوش مصنوعی را کنار بگذاریم، ابزارها و فناوری‌های هوش مصنوعی از زمان ظهور آزمون تورینگ (Turing) در سال ۱۹۵۰، پیشرفت‌های باورنکردنی داشته‌اند؛ علی‌رغم فراز و نشیب‌های دوره‌ای عمدتاً به دلیل کمبود بودجه و وقفه در پژوهش‌های هوش مصنوعی. بسیاری از این پیشرفت‌های چشمگیر تا یک دهه گذشته عمدتاً برای محافل دانشگاهی، دولتی و تحقیقات علمی قابل مشاهده بود و کمتر مورد توجه عموم قرار می‌گرفت، تا زمانی که هوش مصنوعی به طور عملی برای خواسته‌ها و نیازهای مردم به کار گرفته شد. محصولاتی مانند سیری اپل و الکسای آمازون، خرید آنلاین، کانال‌ها شبکه‌های اجتماعی و خودروهای خودران، سبک زندگی مصرف‌کنندگان و شیوه عملکرد کسب‌وکارها را برای همیشه تغییر داده‌اند.

در طول دهه‌ها، برخی از قابل توجه‌ترین پیشرفت‌ها عبارتند از:

• توسعه شبکه‌های عصبی و ابداع اصطلاحات هوش مصنوعی و یادگیری ماشین در دهه ۱۹۵۰.
• الیزا (Eliza)، چت‌باتی با قابلیت‌های شناختی و شیکی (Shakey)، اولین ربات متحرک هوشمند، در دهه ۱۹۶۰.
• زمستان هوش مصنوعی و در پی آن رنسانس هوش مصنوعی در دهه‌های ۱۹۷۰ و ۱۹۸۰.
• پردازش گفتار و ویدیو در دهه ۱۹۹۰.
• ظهور IBM Watson، دستیارهای شخصی، تشخیص چهره، ویدیوهای جعلی (deepfakes)، وسایل نقلیه خودران و تولید محتوا و تصویر در دهه ۲۰۰۰.

تاریخچه تکامل هوش مصنوعی از الگوریتم‌های ساده تا سیستم‌های هوشمند مانند ChatGPT

هوش مصنوعی هر روز در زندگی ما حضور دارد، از دستیارهای صوتی و خدمات خودکار تا استفاده در حوزه پزشکی. هر روز پیشرفت‌های جدیدی در این زمینه اتفاق می‌افتد و به نظر می‌رسد که هوش مصنوعی هنوز یک زمینه نسبتاً جدید است. اما این فرض کاملاً درست نیست؛ زیرا هوش مصنوعی از 70 سال پیش وجود دارد. تاریخچه تکامل هوش مصنوعی از الگوریتم‌های ساده تا سیستم‌های هوشمند مانند ChatGPT به شرح زیر است:

تاریخچه هوش مصنوعی در سال 1950

در سال ۱۹۵۰، آلن تورینگ مقاله “ماشین‌های محاسباتی و هوش” را منتشر کرد که در آن، آزمون تورینگ را معرفی کرد و درهایی را به روی چیزی که بعدها به عنوان هوش مصنوعی شناخته می‌شد، گشود.

تاریخچه هوش مصنوعی در سال 1951

ماروین مینسکی (Marvin Minsky) و دین ادموندز (Dean Edmonds) اولین شبکه عصبی مصنوعی (ANN) را با نام SNARC توسعه دادند. آنها از ۳۰۰۰ لوله‌ی خلأ برای شبیه‌سازی شبکه‌ای از ۴۰ نورون استفاده کردند.

تاریخچه هوش مصنوعی در سال 1952

آرتور ساموئل (Arthur Samuel)، برنامه‌ی بازی شطرنج ساموئل (Samuel Checkers-Playing Program) را توسعه داد که اولین برنامه بازی در جهان با قابلیت یادگیری خودکار بود.

تاریخچه هوش مصنوعی در سال 1956

جان مک‌کارتی (John McCarthy)، ماروین مینسکی، ناتانیل روچستر (Nathaniel Rochester) و کلود شانون (Claude Shannon) در پیشنهادی برای یک کارگاه آموزشی که به طور گسترده به عنوان رویدادی بنیادین در زمینه هوش مصنوعی شناخته می‌شود، اصطلاح “هوش مصنوعی (AI)” را ابداع کردند.

تاریخچه هوش مصنوعی در سال 1958

فرانک روزنبلات (Frank Rosenblatt)، پِرِسپترون را توسعه داد؛ یک شبکه عصبی مصنوعی اولیه که می‌توانست از داده‌ها یاد بگیرد و به زیربنای شبکه‌های عصبی مدرن تبدیل شد.

جان مک‌کارتی زبان برنامه‌نویسی لیسپ (Lisp) را توسعه داد که به سرعت توسط صنعت هوش مصنوعی پذیرفته شد و در بین توسعه‌دهندگان محبوبیت فراوانی به دست آورد.

تاریخچه هوش مصنوعی در سال 1959

آرتور ساموئل در یک مقاله‌ی تأثیرگذار توضیح داد که چگونه کامپیوتر می‌تواند طوری برنامه‌ریزی شود که از برنامه‌نویس خود بهتر عمل کند و بدین ترتیب اصطلاح “یادگیری ماشین (Machine Learning) ” را ابداع کرد.

الیور سلفریج (Oliver Selfridge) مقاله‌ی “هرج و مرج: الگویی برای یادگیری” را منتشر کرد، که یک سهم برجسته در زمینه یادگیری ماشین محسوب می‌شود. این مقاله مدلی را توصیف می‌کند که می‌تواند به‌طور تطبیقی خود را برای یافتن الگوها در رویدادها بهبود بخشد.

تاریخچه هوش مصنوعی در سال 1964

دنیل بابرو (Daniel Bobrow) در حالی که دانشجوی دکترای ‌دانشگاه MIT بود، برنامه STUDENT را توسعه داد. STUDENT یکی از اولین برنامه‌های پردازش زبان طبیعی (NLP) بود که برای حل مسائل متنی جبری طراحی شده بود.

تاریخچه هوش مصنوعی در سال 1965

ادوارد فینبا (Edward Feigenbau)، بروس جی. بوکانان (Bruce G. Buchanan)، جاشوا لدربرگ (Joshua Lederberg) و کارل جراسی (Carl Djerassi) اولین سیستم خبره به نام دندرال (Dendral) را توسعه دادند. این سیستم به منظور کمک به شیمیدانان آلی در شناسایی مولکول‌های آلی ناشناخته طراحی شده بود.

تاریخچه هوش مصنوعی در سال 1966

جوزف وِیزِنباوم (Joseph Weizenbaum) برنامه‌ی “الیزا” را خلق کرد. الیزا یکی از شناخته‌شده‌ترین برنامه‌های کامپیوتری در تمام دوران است که توانایی درگیر شدن در مکالمه با انسان‌ها و القای این باور به آن‌ها را دارد که این نرم‌افزار دارای احساسات شبیه انسان است.

مؤسسه‌ی تحقیقاتی استنفورد، ربات متحرک و باهوش به نام “شِیکی” را توسعه داد. شِیکی، اولین ربات سیار هوشمند دنیا بود که هوش مصنوعی، بینایی کامپیوتری، ناوبری و پردازش زبان طبیعی را در خود ترکیب می‌کرد. شِیکی را می‌توان پدرِ خودروهای خودران و پهپادهای امروزی دانست.

تاریخچه هوش مصنوعی در سال 1968

تری وینوگراد (Terry Winograd) برنامه‌ی “شردلو (SHRDLU)” را خلق کرد. شردلو اولین هوش مصنوعی چندوجهی (multimodal) بود که می‌توانست بر اساس دستورات کاربر، دنیایی مجازی از بلوک‌ها را دستکاری کند و در مورد آن استدلال نماید.

تاریخچه هوش مصنوعی در سال 1969

آرتور برایسون (Arthur Bryson) و یو-چی هو (Yu-Chi Ho) الگوریتم یادگیری پس انتشار (backpropagation learning) را برای شبکه‌های عصبی مصنوعی چندلایه (Multilayer ANN) توصیف کردند. این الگوریتم پیشرفتی نسبت به پرسپترون بود و زمینه‌ای برای یادگیری عمیق (Deep Learning) به شمار می‌رود.

ماروین مینسکی و سیمور پاپرت (Seymour Papert) کتابی با عنوان “پرسپترون‌ها” منتشر کردند. این کتاب محدودیت‌های شبکه‌های عصبی ساده را شرح می‌داد و باعث کاهش توجه به تحقیقات شبکه‌های عصبی و رونق گرفتن تحقیقات هوش مصنوعی نمادین (Symbolic AI) شد.

تاریخچه هوش مصنوعی در سال 1973

جیمز لایت‌هیل (James Lighthill) گزارش “هوش مصنوعی: یک بررسی کلی” را منتشر کرد. این گزارش باعث شد تا دولت بریتانیا به طور قابل توجهی حمایت خود را از تحقیقات هوش مصنوعی کاهش دهد که این اقدام به نوبه خود در شروع زمستان اول هوش مصنوعی تاثیرگذار بود.

تاریخچه هوش مصنوعی در سال 1980

ماشین‌های لیسپ شرکت Symbolics وارد بازار شدند و این رویداد، نشانه‌ای از احیای هوش مصنوعی بود. با این حال، چندین سال بعد، بازار ماشین‌های لیسپ با فروپاشی روبرو شد.

تاریخچه هوش مصنوعی در سال 1981

دنی هیلیس (Danny Hillis) کامپیوترهای موازی (Parallel Computers) را برای هوش مصنوعی و دیگر محاسبات پیچیده طراحی کرد. این معماری شباهت زیادی به پردازنده‌های گرافیکی مدرن (GPU) دارد.

انویدیا تاریخ رونمایی از نسل بعدی کارت گرافیک ها را تعیین کرد

تاریخچه هوش مصنوعی در سال 1984

ماروین مینسکی و راجر شانک (Roger Schank) در جلسه‌ای از انجمن پیشرفت هوش مصنوعی، اصطلاح “زمستان هوش مصنوعی” را ابداع کردند. آن‌ها با هشدار به جامعه‌ی تجارت، اعلام نمودند که جنجال و تبلیغات بیش از حد در مورد هوش مصنوعی منجر به ناامیدی و فروپاشی این صنعت خواهد شد، که این اتفاق سه سال بعد رخ داد.

تاریخچه هوش مصنوعی در سال 1985

جودا پرل (Judea Pearl) تحلیل عِلّی معلولی شبکه‌های بیزی (Bayesian networks causal analysis) را معرفی کرد. این روش، تکنیک‌های آماری را برای نمایش عدم قطعیت در رایانه‌ها ارائه می‌دهد.

تاریخچه هوش مصنوعی در سال 1988

پیتر براون (Peter Brown) و همکارانش مقاله‌ای با عنوان “رویکردی آماری به ترجمه زبان” منتشر کردند که زمینه‌ساز یکی از پرکاربردترین روش‌های ترجمه ماشینی شد.

تاریخچه هوش مصنوعی در سال 1989

یان لکان (Yann LeCun)، یوشوا بنگیو (Yoshua Bengio) و پاتریک هافنر (Patrick Haffner) نشان دادند که چگونه می‌توان از شبکه‌های عصبی پیچشی یا کانولوشن (CNN) برای تشخیص حروف دست‌نویس استفاده کرد. این امر نشان داد که شبکه‌های عصبی می‌توانند برای حل مسائل دنیای واقعی به کار گرفته شوند.

تاریخچه هوش مصنوعی در سال 1997

سپ هوخرایتر (Sepp Hochreiter) و یورگن اشمیدهوبر (Jürgen Schmidhuber) شبکه عصبی بازگشتی با حافظه بلندمدت (LSTM) را پیشنهاد کردند که قادر به پردازش کل توالی داده‌ها مانند گفتار یا ویدیو بود.

کامپیوتر دیپ بلو شرکت IBM در یک مسابقه‌ی تاریخیِ شطرنج، گری کاسپاروف را شکست داد. این اولین باری بود که یک قهرمانِ شطرنج جهان، در مسابقه‌ای رسمی تن به شکست در برابر رایانه داد.

تاریخچه هوش مصنوعی در سال 2000

پژوهشگران دانشگاه مونترال مقاله‌ای با عنوان “یک مدل زبانی احتمالی عصبی” منتشر کردند که روشی را برای مدل‌سازی زبان با استفاده از شبکه‌های عصبی پیشخور (FFN) ارائه می‌داد.

تاریخچه هوش مصنوعی در سال 2006

فی-فی لی (Fei-Fei Li) کار بر روی پایگاه داده تصویری ImageNet را آغاز کرد. این پایگاه داده در سال ۲۰۰۹ معرفی شد و به عنوان کاتالیزوری برای پیشرفت هوش مصنوعی و همچنین زیربنایی برای یک رقابت سالانه برای الگوریتم‌های تشخیص تصویر قرار گرفت.

پروژه واتسونِ شرکت IBM با هدف اولیه‌ی شکست دادن انسان در مسابقه‌ی تلویزیونی مشهور Jeopardy آغاز شد. در سال ۲۰۱۱، این سیستم پاسخ‌دهنده به سوالات، کن جنینگز، قهرمان همیشگی (انسان) این مسابقه را شکست داد.

تاریخچه هوش مصنوعی در سال 2009

رجات رینا (Rajat Raina)، آناند مادهوان (Anand Madhavan) و اندرو نگ (Andrew Ng) مقاله “یادگیری عمیق بدون نظارت در مقیاس بزرگ با استفاده از پردازنده‌های گرافیکی” را منتشر کردند که در آن ایده‌ی استفاده از پردازنده‌های گرافیکی (GPU) برای آموزش شبکه‌های عصبی بزرگ را ارائه دادند.

تاریخچه هوش مصنوعی در سال 2011

يورگن اشميدهوبر، دن کلودیو چیرشان (Dan Claudiu Cireșan)، اويلي ماير (Ueli Meier) و جاناتان ماسي (Jonathan Masci)، اولین شبکه عصبی پیچشی (CNN) را توسعه دادند که با کسب مقام اول در مسابقه تشخیص علائم راهنمایی و رانندگی آلمان، به عملکردی “فراتر از انسان” دست یافت.

شرکت اپل، سیری (Siri) را معرفی کرد، یک دستیار صوتی شخصی که با پردازش دستورات صوتی، قادر به پاسخگویی و انجام اقدامات مختلف است.

Android یا iOS؟ کدام سیستم عامل مناسب‌تر است؟

تاریخچه هوش مصنوعی در سال 2012

جفری هينتون (Geoffrey Hinton)، اليا ساتسکور (Ilya Sutskever) و الکس کریژفسکی (Alex Krizhevsky) معماری عمیق شبکه‌های عصبی پیچشی (CNN) را معرفی کردند که با کسب مقام اول در مسابقه‌ی ImageNet، باعث انفجار تحقیقات و کاربردهای یادگیری عمیق شد.

تاریخچه هوش مصنوعی در سال 2013

ابررایانه‌ی چین به نام “Tianhe-2” با سرعت پردازش خیره‌کننده‌ی ۳۳.۸۶ پتافلاپ، رکورد سریع‌ترین ابررایانه‌ی جهان را برای سومین سال پیاپی به دست آورد و سرعت پردازش ابررایانه‌های برتر جهان را دو برابر کرد.

شرکت DeepMind یادگیری عمیق تقویتی (Deep Reinforcement Learning) را معرفی کرد. این شبکه عصبی پیچشی (CNN) بر اساس پاداش یاد می‌گرفت و با تکرار، بازی‌ها را در سطحی بالاتر از کارشناسان انسانی انجام می‌داد.

توماس میکولوف (Tomas Mikolov)، محقق گوگل و همکارانش، Word2vec را برای شناسایی خودکار روابط معنایی بین کلمات معرفی کردند.

تاریخچه هوش مصنوعی در سال 2014

ایان گودفلو (Ian Goodfellow) و همکارانش شبکه‌های مولدِ متخاصم (Generative Adversarial Networks) را ابداع کردند. این شبکه‌ها چارچوبی از یادگیری ماشین است که برای تولید عکس، تغییر تصاویر و ساخت “دیپ‌فیک” (ویدیوهای جعلی مبتنی بر هوش مصنوعی) به کار می‌رود.

دیدریک کینگما (Diederik Kingma) و مکس ولینگ (Max Welling) خودرمزگذارهای متغیر (Variational Autoencoders) را برای تولید تصاویر، ویدیوها و متن معرفی کردند.

فیسبوک (متا) سیستم تشخیص چهره عمیق به نام “دیپ‌فیس” را بر پایه یادگیری عمیق توسعه داد. این سیستم با دقتی نزدیک به انسان، چهره افراد را در تصاویر دیجیتال شناسایی می‌کند.

معرفی ابزارهای جدید هوش مصنوعی در برنامه‌ها و نرم‌افزارهای شرکت متا (meta)

تاریخچه هوش مصنوعی در سال 2016

دیپ‌مایندِ شرکت گوگل، با هوش مصنوعی خود به نام “آلفاگو”، در سئول کره جنوبی، بر “لی سدال” برترین بازیکن بازی “گو” پیروز شد. این رویداد، یادآور رویارویی تاریخی میان “گری کاسپاروف” قهرمان شطرنج و ابررایانه‌ی “دیپ بلو” در حدود ۲۰ سال پیش بود.

روش‌های نوین جستجو در گوگل – مروری بر ابتکارات گوگل در جستجوی تصویری و متنی

شرکت “اوبر” برنامه‌ی آزمایشی خودروهای خودران خود را در شهر پیتسبورگ آمریکا برای گروهی خاص از کاربران آغاز کرد.

تاریخچه هوش مصنوعی در سال 2017

پژوهشگران دانشگاه استنفورد در مقاله‌ای با عنوان “یادگیری عمیق بدون نظارت با استفاده از ترمودینامیک غیرتعادلی” روی مدل‌های انتشاری (diffusion models) کار کردند. این روش، راهی برای مهندسی معکوس فرآیند اضافه کردن نویز به یک تصویر نهایی ارائه می‌دهد.

محققان گوگل در مقاله‌ای تاثیرگذار با عنوان “همه‌ی آن چیزی که نیاز دارید، توجه نام دارد”، مفهوم ترنسفورمرها را توسعه دادند. این پژوهش الهام‌بخش تحقیقات بعدی در زمینه ابزارهایی شد که می‌توانند به طور خودکار متن بدون برچسب را به مدل‌های زبانی بزرگ (LLMs) تجزیه کنند.

استیون هاوکینگ، فیزیکدان بریتانیایی هشدار داد: “اگر یاد نگیریم که چگونه برای خطرات بالقوه هوش مصنوعی آماده شویم و از آن‌ها اجتناب کنیم، هوش مصنوعی ممکن است به بدترین رویداد در تاریخ تمدن ما تبدیل شود.”

بهترین مدل‌های زبانی بزرگ (LLM) در سال 2024

تاریخچه هوش مصنوعی در سال 2018

سیمون (Cimon)، اولین رباتی که برای کمک به فضانوردان ساخته شد، توسط شرکت‌های “IBM”، “ایرباس” و “مرکز هوافضای آلمان (DLR)” توسعه داده شد و به فضا فرستاده شد.

شرکت OpenAI مدل GPT (Generative Pre-trained Transformer) را عرضه کرد که زمینه‌ساز توسعه مدل‌های زبانی بزرگ بعدی شد. این مدل با پردازش پیش‌فرض حجم عظیمی از متن، توانایی تولید متن‌های منسجم و پاسخ به سوالات را پیدا می‌کند.

شرکت Groove X از یک مینی‌ربات خانگی به نام Lovot رونمایی کرد که قادر به تشخیص و تحت تاثیر قرار دادن تغییرات خلقی انسان‌ها است. این ربات با هدف ایجاد حس همراهی و دوستی برای انسان‌ها ساخته شده است.

تاریخچه هوش مصنوعی در سال 2019

شرکت مایکروسافت مدل تولید زبان طبیعی تورینگ (Turing Natural Language Generation) را با ۱۷ میلیارد پارامتر راه‌اندازی کرد. این مدل با حجم عظیم داده‌ای که تحلیل کرده، قادر به تولید متن‌های روان و پاسخ به سوالات پیچیده است.

الگوریتم یادگیری عمیقِ مشترکِ بخش هوش مصنوعی گوگل و مرکز پزشکی لانگون، در تشخیص بالقوه‌ی سرطان ریه از متخصصان رادیولوژی پیشی گرفت.

تاریخچه هوش مصنوعی در سال 2020

دانشگاه آکسفورد یک تست هوش مصنوعی به نام Curial برای تشخیص سریع COVID-19 در بیماران بخش اورژانس توسعه داد.

شرکت OpenAI مدل GPT-3، یک مدل زبان بزرگ با ۱۷۵ میلیارد پارامتر را منتشر کرد که قادر به تولید متن به سبک انسان است.

کمپانی انویدیا از نسخه‌ی آزمایشی پلتفرم Omniverse برای ایجاد مدل‌های سه‌بعدی در دنیای فیزیکی رونمایی کرد. این پلتفرم به طراحان و مهندسان امکان می‌دهد تا مدل‌های سه‌بعدی واقع‌گرایانه‌ای بسازند.

سیستم آلفافولدِ DeepMind در رقابت پیش‌بینی ساختار پروتئین (Critical Assessment of Protein Structure Prediction) برنده شد. این سیستم با هوش مصنوعی قادر است ساختار سه‌بعدی پروتئین‌ها را با دقت بالا پیش‌بینی کند که در زمینه‌های پزشکی و داروسازی کاربرد فراوانی دارد.

تاریخچه هوش مصنوعی در سال 2021

شرکت OpenAI سیستم هوش مصنوعی چندوجهی (multimodal) Dall-E را معرفی کرد که قادر است بر اساس متن‌های ورودی، تصاویر تولید کند.

دانشگاه کالیفرنیا، سن دیگو، یک ربات چهارپا را توسعه داد که به جای اجزای الکترونیکی، با فشار هوا کار می‌کند.

تاریخچه هوش مصنوعی در سال 2022

بلیک لموین (Blake Lemoine)، مهندس نرم‌افزار گوگل، به دلیل افشای اسرار لامدا (Lamda) و ادعای احساس داشتن آن، اخراج شد. لامدا یک مدل هوش مصنوعی بزرگ برای گفتگو است که توسط گوگل ساخته شده است.

شرکت DeepMind از ” AlphaTensor” برای “کشف الگوریتم‌های جدید، کارآمد و با اثبات درستی” رونمایی کرد.

شرکت Intel ادعا کرد که سیستم تشخیص لحظه‌ای دیپ‌فیک “فِیک‌کچر” (FakeCatcher) دارای دقت ۹۶ درصدی است.

OpenAI در ماه نوامبر، چت‌جی‌پی‌تی (ChatGPT) را برای ارائه‌ی یک رابط کاربری مبتنی بر چت به مدل زبان بزرگ GPT-3.5 خود منتشر کرد.

تاریخچه هوش مصنوعی در سال 2023

OpenAI مدل LLM چندوجهی GPT-4 را معرفی کرد که می‌تواند هم از متن و هم از تصاویر به عنوان ورودی استفاده کند.

تاریخچه هوش مصنوعی در سال 2024

در سال 2024 شرکت های پیشرو در زمینه‌ی هوش مصنوعی به قابلیت های بسیار جذاب و نوآورانه دست یافته‌اند که چند نمونه از مهم ترین آنها به شرح زیر است:
OpenAI: ارائه GPT-4o با توانایی‌های بهبود یافته در درک متن و تولید محتوا.

Google: معرفی Gemini Pro، مدل چندوجهی با قابلیت‌های پیشرفته در پردازش زبان طبیعی و بینایی ماشین.

Anthropic: توسعه خانواده مدل‌های Claude 3 با قابلیت‌های پیشرفته در انجام وظایف پیچیده و استدلال.

DeepMind: پیشرفت‌های قابل توجه در زمینه یادگیری تقویتی و کاربرد آن در حل مسائل پیچیده علمی.

Microsoft: ادغام بیشتر فناوری‌های هوش مصنوعی در محصولات خود و بهبود قابلیت‌های Copilot.

تاریخچه هوش مصنوعی فراتر از 2024

ما فقط می توانیم شروع به تصور پیشرفت های مداوم فناوری هوش مصنوعی و تأثیرات آن بر فرآیندهای کسب و کار، تولید، مراقبت های بهداشتی، خدمات مالی، بازاریابی، تجربه مشتری، محیط های نیروی کار، آموزش، کشاورزی، حقوق، سیستم های فناوری اطلاعات و مدیریت، امنیت سایبری و حمل و نقل زمینی، هوایی و فضایی کنیم.

با این حال، با توجه به یک نظرسنجی گارتنر در سال ۲۰۲۳، در دنیای تجارت، ۵۵ درصد از سازمان‌هایی که هوش مصنوعی را پیاده‌سازی کرده‌اند، همواره در ارزیابی هر مورد استفاده جدید، هوش مصنوعی را مدنظر قرار می‌دهند. گارتنر همچنین گزارش داده است که تا سال ۲۰۲۶، سازمان‌هایی که شفافیت، اعتماد و امنیت هوش مصنوعی را عملیاتی کنند، شاهد بهبود ۵۰ درصدی مدل‌های هوش مصنوعی خود از نظر پذیرش، اهداف تجاری و پذیرش کاربر خواهند بود.

پیشرفت‌های ملموس امروزی (برخی تدریجی و برخی انقلابی ) در حال پیشبرد هدف نهایی هوش مصنوعی برای دستیابی به هوش مصنوعی عمومی (AGI) هستند. در همین راستا، پردازش نورومورفیک (شبیه‌سازی مغز) در تقلید از سلول‌های مغز انسان امیدوارکننده به نظر می‌رسد و به برنامه‌های رایانه‌ای اجازه می‌دهد تا به طور همزمان به جای اجرای دستوری، چندین کار را با هم انجام دهند. در میان این پیشرفت‌های حیرت‌انگیز و پیشرفت‌های دیگر، مسائل اعتماد، حریم خصوصی، شفافیت، پاسخگویی، اخلاق و انسان‌دوستی مطرح شده‌اند و همچنان بین تجارت و جامعه در تضاد خواهند بود و برای دستیابی به سطوح قابل قبولی تلاش خواهند کرد.

به طور کلی پیشرفت‌های هوش مصنوعی در آینده احتمالاً در چند محور اصلی خواهد بود:

1. افزایش قدرت محاسباتی: این امر امکان آموزش مدل‌های بزرگتر و پیچیده‌تر را فراهم می‌کند.
2. بهبود در یادگیری خودکار: سیستم‌های هوش مصنوعی توانایی بیشتری در یادگیری مستقل و سازگاری با شرایط جدید خواهند داشت.
3. هوش مصنوعی چندوجهی: ترکیب قابلیت‌های مختلف مانند پردازش زبان، بینایی ماشین و استدلال در یک سیستم واحد.
4. هوش مصنوعی قابل توضیح: توسعه سیستم‌هایی که تصمیمات خود را به شکل قابل فهم برای انسان توضیح می‌دهند.
5. کاربردهای گسترده‌تر: نفوذ هوش مصنوعی در صنایع مختلف مانند پزشکی، آموزش و تولید.
6. چالش‌های اخلاقی و اجتماعی: مسائلی مانند حریم خصوصی، امنیت و تأثیر بر بازار کار اهمیت بیشتری می‌یابند.
7. همکاری انسان و ماشین: تمرکز بر توسعه سیستم‌هایی که مکمل توانایی‌های انسان هستند، نه جایگزین آن.

انقلاب اخلاقی یا آپوکالیپس؟ چرا حریم خصوصی داده های شما در خطر است؟

این پیشرفت‌ها می‌توانند تأثیرات عمیقی بر جامعه، اقتصاد و زندگی روزمره ما داشته باشند. با این حال، پیش‌بینی دقیق آینده هوش مصنوعی دشوار است و ممکن است پیشرفت‌های غیرمنتظره‌ای نیز رخ دهد.

هوش مصنوعی نمادین

همانطور که مشاهده کردید، از 1970 تا 1990، هوش مصنوعی تغییر کرد و به سمت استفاده از “سیستم‌­های خبره” یا “سیستم‌­های مبتنی بر دانش” رفت. این سیستم‌­ها سعی داشتند دانش متخصصان را در یک برنامه کامپیوتری جای دهند، اما محدودیت‌هایی در بدست آوردن دانش تخصصی وسیع وجود داشت. این دوره پیشرفت‌های زیادی در سیر تکاملی هوش مصنوعی به همراه داشت و توسعه‌های مهمی مانند Prolog، Stanford Cart و Hopfield Net صورت گرفت.

در دهه 1980، پیش‌بینی‌های جسورانه در مورد دستیابی به قابلیت‌های هوش مصنوعی در سطح انسانی صورت گرفت. سرمایه‌گذاری در سیستم­‌های خبره هوش مصنوعی، به ویژه در ایالات متحده و بریتانیا، به بیش از 1 میلیارد دلار رسید. همچنین، ابتکارات دولتی مانند پروژه کامپیوتری نسل پنجم ژاپن و برنامه استراتژیک اروپا در تحقیق در فناوری اطلاعات (ESPRIT)، بودجه قابل توجهی را برای حمایت از توسعه هوش مصنوعی اختصاص دادند.

یادگیری ماشین و یادگیری عمیق (1990 تا 2020)

در دوره 1990 تا 2020، حوزه هوش مصنوعی (AI) پیشرفت‌های چشمگیری را تجربه کرد. این پیشرفت‌ها باعث تغییرات زیادی در حوزه‌های مختلفی مانند داده‌کاوی، رباتیک، هوش تجاری و مراقبت‌های بهداشتی شد. یکی از تغییرات مهم در این دوره، استفاده گسترده از ابزارهای پیچیده ریاضی و همکاری با زمینه‌های دیگر بود. ظهور یادگیری عمیق نیز به عنوان یک پارادایم مهم در حوزه هوش مصنوعی مطرح شد و با پیشرفت‌های قابل توجه در زمینه طبقه‌بندی تصاویر و عملکرد کلی، نقش بسیار مهمی را ایفا کرد.

در سال‌های اخیر، پیشرفت‌های چشمگیری در حوزه یادگیری ماشین و یادگیری عمیق صورت گرفته است. این پیشرفت‌ها منجر به ادغام گسترده‌تر و سریع‌تر هوش مصنوعی در برنامه‌های مختلف شده است. بهبودهای قابل توجهی در تشخیص تصویر، یادگیری تقویتی و پردازش زبان طبیعی به وجود آمده است که نقش مهمی در تحول هوش مصنوعی داشته است. این پیشرفت‌ها، پایه‌ای برای ادامه نوآوری و استفاده از فناوری‌های هوش مصنوعی در رسیدگی به چالش‌های پیچیده و ایجاد پیشرفت بیشتر در آینده فراهم کرده است.

آینده‌ی هوش مصنوعی از دیدگاه افراد تاثیرگذار

در مورد آینده هوش مصنوعی (AI)، دیدگاه‌های گوناگونی وجود دارد. برخی معتقدند که هوش مصنوعی می‌تواند خطرات جدی به همراه داشته باشد، در حالی که برخی دیگر آن را به عنوان فرصتی بزرگ برای پیشرفت انسانی می‌بینند.

استیون هاوکینگ از خطرات بالقوه هوش مصنوعی هشدار داده و ایلان ماسک بر نیاز به مرجع نظارتی تأکید دارد. از سوی دیگر، لری پیج هوش مصنوعی را به عنوان موتور جستجوی نهایی متغیر معرفی می‌کند و ری کورزویل پیشرفت قابل توجهی را در قابلیت‌های هوش مصنوعی پیش‌بینی می‌کند. دیدگاه‌های مختلف دیگری نیز وجود دارند؛ باراک اوباما هم به مزیت و هم به جنبه‌های منفی احتمالی هوش مصنوعی اشاره می‌کند و ولادیمیر پوتین آن را فناوری‌ پیشرفته­‌ای می‌داند که آینده بشریت را شکل می‌دهد. با این حال، جینی رومتی هوش مصنوعی را تکنولوژی برتری می‌داند که هوش انسانی را تقویت می‌کند و اندرو نگ پتانسیل تحول‌آفرین هوش مصنوعی را با نیروی برق در گذشته مقایسه می‌کند.

این دیدگاه‌ها نشان از تفاوت‌های گسترده در نگرش به هوش مصنوعی دارند. از سوی دیگر، دانشمندان برجسته، مدیران عامل شرکت‌های فناوری اطلاعات و رهبران سیاسی نیز در این بحث‌ها شرکت دارند. بحث‌های بسیار زیادی درباره تکامل هوش مصنوعی و خطرات بالقوه آن وجود دارد. البته الگوهای تاریخی نشان می‌دهد که دانشمندان، با رویکردی محتاطانه به توسعه هوش مصنوعی می‌نگرند، زیرا دوره‌­ی زمستان‌های هوش مصنوعی قبلی را که در آن پیشرفت­‌های هوش مصنوعی ساکن بود و هیچ پیشرفتی وجود نداشت را تجربه کرده‌اند.

مزایا و معایب هوش مصنوعی

سرمایه‌گذاری‌ها

در حال حاضر، شرکت‌های خصوصی به عنوان سرمایه‌گذاران اصلی در حوزه توسعه هوش مصنوعی فعالیت می‌کنند. شرکت‌های بزرگ اینترنتی مانند گوگل، فیس بوک و مایکروسافت سرمایه‌گذاری‌های قابل توجهی در این زمینه انجام داده و دانشمندان برجسته‌ای را استخدام کرده‌اند. اکوسیستم ICT چین نیز قدرتمند است و شرکت‌هایی مانند Tencent، Baidu و Alibaba سرمایه‌گذاری‌های قابل توجهی در حوزه هوش مصنوعی انجام می‌دهند. کمیسیون اروپا نیز صندوق‌های سرمایه‌گذاری قابل توجهی در حوزه هوش مصنوعی پیشنهاد کرده است که هدف آن افزایش سرمایه‌گذاری به 20 میلیارد یورو در دهه‌های آینده است.

نظرسنجی انجام شده در بین مدیران ارشد در سراسر جهان نشان داد که اکثریت آنها معتقدند که هوش مصنوعی در آینده تأثیر مثبتی بر صنایع آنها خواهد داشت. علاوه بر این، نظرسنجی کمیسیون اروپا از شرکت‌ها در اتحادیه اروپا نشان داد که آگاهی از هوش مصنوعی بالا است، زیرا بسیاری از شرکت‌ها، فناوری‌های هوش مصنوعی را اتخاذ کرده‌اند یا در آینده نزدیک برنامه‌ریزی خواهند کرد.

به طور کلی، چشم انداز جهانی فعالان هوش مصنوعی متنوع است، به طوری که ایالات متحده از نظر تعداد فعالان در حوزه هوش مصنوعی پیشتاز است، چین در درخواست‌­های ثبت اختراع برتر است و اتحادیه اروپا میزبان یک شبکه تحقیقاتی قوی است. این نظرسنجی همچنین نشان داد که بیش از 85 درصد از پاسخ‌دهندگان، داده‌ها را منبع اصلی برای تصمیم‌گیری بهینه کسب‌ و کار در نظر می‌گیرند. در نتیجه، چشم انداز هوش مصنوعی با سرمایه گذاری­‌ها و پیشرفت‌های قابل توجهی که توسط شرکت‌­ها و دولت­‌ها در سراسر جهان صورت گرفته است، به سرعت در حال تحول است.

مسائل و مشکلات مرتبط با هوش مصنوعی

یادگیری عمیق بخشی از هوش مصنوعی است که با چالش‌های بسیاری روبه‌رو می‌شود. این چالش‌ها شامل مسائلی مانند حملات خصمانه، تکثیر محتوای دیپ فیک و پیامدهای اخلاقی هستند. در این بخش، قصد بر آن است تا به بررسی این چالش‌ها، تأثیر آنها و راه‌حل‌های ممکن پرداخته شود.

آیا هوش مصنوعی واقعاً شغل ما را خواهد دزدید؟

حملات خصمانه (Adversarial attacks)

چالش “حملات خصمانه” تهدید قابل توجهی برای یکپارچگی مدل­‌های یادگیری ماشین (ML) است. یادگیری ماشین خصمانه (Adversarial machine learning) شامل ارائه ورودی‌­های فریبنده به مدل­‌های بی پایه و اساس است. این تکنیک می‌تواند باعث نقص در مدل‌هایی از ML شود که برای فعالیت در مجموعه مشکل­‌های خاصی طراحی شده‌اند، جایی که داده‌های آموزش و آزمایش از توزیع آماری یکسانی برخوردارند. در سناریوهای دنیای واقعی، افرادی که بکار گیری اشتباه از این علم را اتخاذ کرده­‌اند، ممکن است داده‌هایی را معرفی کنند که این فرض آماری را نقض، داده‌­های آسیب‌پذیر را استفاده و منجر به شکست‌های قابل توجهی در مدل‌های ML شود. یادگیری عمیق در برابر نمونه­‌های متخاصم به طور ویژه‌تری حساس است. این نوع از بکار گیری این علم، به عنوان “حملات خصمانه” نامیده می‌­شود که می‌­تواند عواقب زیان­باری به همراه داشته باشد، مانند هدف قرار دادن وسایل نقلیه خودران با نشانه‌­های بصری فریبنده.

دیپ فیک (Deepfake)

یکی دیگر از مسائل مبرم، ظهور محتوای دیپ فیک تولید شده توسط هوش مصنوعی است. این فناوری، هزینه تولید محتوای جعلی را کاهش، جریان­‌هایی متشکل از اطلاعات نادرست را فعال و اعتبار محتوای آنلاین از جمله متن، گفتار، تصاویر و ویدیوها را تهدید می‌کند. ویدئوها و تصاویر تولید شده توسط دیپ فیک می‌تواند افرادی را به تصویر بکشد که کارهایی را انجام یا حرف‌­هایی می­‌زنند که هرگز در عمل اتفاق نیفتاده است، که این امر منجر به انتشار اطلاعات نادرست می‌شود. برخی از این افراد قبلاً از این فناوری برای جعل هویت سایرین و انجام فعالیت‌­های کلاهبرداری سوء استفاده کرده‌­اند.

پیامدهای اخلاقی سیستم‌­های هوش مصنوعی (AI ethics)

پیامدهای اخلاقی سیستم‌­های هوش مصنوعی در سال‌­های اخیر توجهات قابل ملاحظه‌­ای را به خود جلب کرده است. گروه کارشناسان ارشد کمیسیون اروپا در زمینه هوش مصنوعی در تعریف دستورالعمل­‌های اخلاقی برای هوش مصنوعی قابل اعتماد، نقش مهمی ایفا کرده است. این دستورالعمل‌ها بر اهمیت اطمینان از قانونی بودن و اخلاقی بودن سیستم‌های هوش مصنوعی در طول چرخه عمرشان تاکید می‌کنند. اصول کلیدی اخلاقی شامل احترام به استقلال انسان، پیشگیری از آسیب، انصاف و توضیح پذیری است. ذینفعانی مانند توسعه دهندگان، کاربران نهایی و در کل جامعه، نقش مهمی در حمایت از این الزامات اخلاقی ایفا می­‌کنند.

اخلاق هوش مصنوعی یا هوش مصنوعی اخلاقی | آینده پایدار با توسعه فناوری‌های مسئولانه

سازمان‌ها و مؤسسات مختلف، برای رسیدگی به نگرانی‌های اخلاقی مرتبط با هوش مصنوعی، اصول و توصیه‌هایی را تدوین کرده‌اند. این اصول شامل ایجاد هوش مصنوعی مفید اجتماعی، اجتناب از تعصبات ناعادلانه، تضمین پاسخگویی و حمایت از حقوق بشر می‌شود. همچنین، رهبران دانشگاهی و صنعت نیز به منظور ایجاد چارچوب‌های جامع برای توسعه و استقرار هوش مصنوعی، به مسائلی همچون ایمنی، شفافیت، مسئولیت و کنترل انسانی توجه ویژه‌ای دارند.

نیاز به انصاف، پاسخگویی و شفافیت در یادگیری ماشین منجر به تشکیل کمیته‌های اخلاقی و ابتکارات تحقیقاتی شده است که به توسعه چارچوب‌های ارزیابی برای این جنبه‌های حیاتی اختصاص یافته است. جامعه FAT-ML، همراه با سازمان‌هایی مانند مؤسسه هوش مصنوعی استنفورد، مؤسسه آلن تورینگ، IEEE، مشارکت در هوش مصنوعی، AI Now و سایرین، فعالانه درگیر پیشرفت تحقیقات در مورد عدالت، مسئولیت‌پذیری و شفافیت در زمینه‌­ی یادگیری ماشین هستند.

تهدید واقعی هوش مصنوعی | نزاع حقیقت و دروغ

در نتیجه، چالش‌های پیش روی یادگیری عمیق نه تنها جنبه‌های فنی، بلکه ملاحظات اخلاقی را نیز در بر می‌گیرد که نیازمند پیمایش دقیق است. رسیدگی به حملات خصمانه، تولید محتوای دیپ فیک، پیامدهای اخلاقی و اطمینان از انصاف، مسئولیت‌پذیری و شفافیت برای تکامل و استقرار مسئولانه سیستم‌­های هوش مصنوعی حیاتی است. با حمایت از اصول اخلاقی و استفاده از ابتکارات تحقیقاتی پیشرفته، جامعه هوش مصنوعی می‌تواند در جهت ایجاد سیستم‌های هوش مصنوعی قابل اعتماد و سودمند که با ارزش‌های اجتماعی و استانداردهای اخلاقی همسو هستند، تلاش کند.

سوالات مرتبط

• با توجه به پیشرفت‌های رخ داده در حوزه یادگیری ماشین، چه تأثیری بر آینده‌‌ی حرفه‌های مختلف، از جمله شغل شما، متصور هستیم؟

• چگونه یادگیری ماشین می‌تواند به حل چالش‌های کنونی ما در عرصه‌های مختلف از پزشکی گرفته تا مدیریت منابع کمک کند و ما را قادر سازد تا مسیرمان را به سوی آینده‌ای بهتر هدایت کنیم؟

• اخلاق، چه نقشی در توسعه و چگونگی استفاده‌ی ما از سیستم‌های هوش مصنوعی خواهد داشت و چگونه می‌توانیم اطمینان حاصل کنیم که این فناوری‌ها به نفع بشریت به کار گرفته می‌شوند؟

• از جنبه‌ی فنی، چه مهارت‌ها و دانشی نیاز است تا بتوان در عرصه‌ی یادگیری ماشین پیشرفت کرد و چه گام‌هایی باید برداشت تا به سطح بالایی در این حوزه رسید؟