در دهه‌های اخیر، هوش مصنوعی (Artificial Intelligence) به عنوان یکی از مفاهیم برجسته و پرکاربرد در علم کامپیوتر و فناوری‌های مدرن مطرح شده است. این مفهوم که ابتدا تنها در دایره‌ی علمی بوده، به سرعت وارد زمینه‌های مختلفی از جامعه شده و برنامه‌ریزان، محققان و کسانی که به فناوری علاقه‌مندند را به خود جذب کرده است.
AI چیست؟
این پرسش برای بسیاری از افرادی که به دنبال فهم بهتر این مفهوم هستند، مطرح می‌شود. هوش مصنوعی با تکنولوژی و الگوریتم‌های کامپیوتری، سیستم‌ها را برنامه‌ریزی کرده و آنها را قادر می‌سازد تا وظایف نیازمند تفکر و دانش انسانی را به صورت هوشمندانه انجام دهند. این تکنولوژی شامل یک مجموعه گسترده از زیرمجموعه‌هاست که شامل یادگیری ماشین (Machine Learning)، شبکه‌های عصبی (ANN: Artificial Neural Networks)، پردازش زبان طبیعی (NLP: Natural Language Processing)، بینایی ماشین (Machine Vision)، رباتیک، بهینه‌سازی و داده‌کاوی می‌شود. از جمله بزرگ‌ترین و مهم‌ترین مزیت‌های هوش مصنوعی می‌توان به قابلیت یادگیری و بهبود پیوسته، توانایی پردازش داده‌های بزرگ و ایجاد مدل‌های پیش‌بینی اشاره کرد.
با پیشرفت فناوری و افزایش توانایی‌های کامپیوتری، هوش مصنوعی به دوران جدیدی از توسعه و کاربردهای گسترده وارد شده است. از کاربردهای آن در زمینه‌هایی همچون پزشکی، خودروهای هوشمند، صنایع تولیدی، سیستم‌های تصمیم‌گیری و بازی‌های رایانه‌ای می‌توان اشاره کرد.
هوش مصنوعی نه تنها در زمینه‌ی علمی و فناوری، بلکه در زندگی روزمره‌ی انسان‌ها نیز تأثیرگذاری داشته و خواهد داشت. با روز به روز شناخت بیشتر از این تکنولوژی، امکان ایجاد کاربردهای جدید و پرورش آینده‌ای پویا و هوشمند برای جامعه روشن می‌شود.
تعاریف هوش مصنوعی
در حالی که تعاریف متعددی از هوش مصنوعی در چند دهه اخیر ارائه شده است، جان مک کارتی در مقاله سال 2004 تعریف زیر را ارائه می‌دهد:
“هوش مصنوعی، علم و مهندسی ساخت ماشین‌های هوشمند است. به ویژه برنامه‌های کامپیوتری هوشمند. این علم به وظیفه مشابه استفاده از رایانه برای درک هوش انسان مربوط می‌شود، اما AI مجبور نیست خود را به روش‌هایی که از نظر بیولوژیکی قابل مشاهده هستند، محدود کند.”
جان مک کارتی
با این حال، چندین دهه قبل از این تعریف، تولد مکالمه هوش مصنوعی با مقاله‌ی اصلی آلن تورینگ نشان داده شد که در سال 1950 و با عنوان “ماشین‌های محاسباتی و هوش” منتشر شد. در این مقاله، تورینگ که به عنوان “پدر علوم کامپیوتر” شناخته می‌شود، این سوال را مطرح می‌کند: “آیا ماشین‌ها می‌توانند فکر کنند؟”. از این رو، او آزمایشی را ارائه داد که به نام “آزمون تورینگ” معروف است که در آن یک بازجوی انسانی سعی می‌کند بین پاسخ متنی کامپیوتری و انسانی تمایز قائل شود. در حالی که این آزمون از زمان انتشار خود مورد بررسی دقیق قرار گرفته است، اما همچنان بخش مهمی از تاریخ هوش مصنوعی و همچنین یک مفهوم مداوم در فلسفه است؛ زیرا از ایده‌های پیرامون زبان‌شناسی استفاده می‌کند.
تاریخچه و سیر تکاملی هوش مصنوعی
استوارت راسل و پیتر نورویگ سپس اقدام به انتشار “هوش مصنوعی: رویکردی مدرن” کردند که تبدیل به یکی از کتاب‌های درسی پیشرو در مطالعه این حوزه شد. در این کتاب، به چهار هدف یا تعریف بالقوه از AI پرداخته شد که سیستم‌های کامپیوتری بر اساس عقلانیت و تفکر در مقابل عمل متمایز می‌شدند:
رویکرد انسانی:
- سیستم‌هایی که مانند انسان فکر می‌کنند.
- سیستم‌هایی که مانند انسان عمل می‌کنند.
رویکرد ایده‌آل:
- سیستم‌هایی که منطقی فکر می‌کنند.
- سیستم‌هایی که منطقی عمل می‌کنند.
تعریف آلن تورینگ در دسته “سیستم‌هایی که مانند انسان عمل می‌کنند” قرار می‌گیرد.
در ساده‌ترین شکل، هوش مصنوعی حوزه‌ای است که علم کامپیوتر و مجموعه داده‌های قوی را ترکیب می‌کند تا امکان حل مسئله را فراهم کند. همچنین حوزه‌های فرعی یادگیری ماشین و یادگیری عمیق را در بر می‌گیرد که اغلب در ارتباط با Artificial Intelligence ذکر می‌شوند. این رشته‌ها متشکل از الگوریتم‌های هوش مصنوعی هستند که به دنبال ایجاد سیستم‌های خبره‌ای می‌باشند که بر اساس داده‌های ورودی، پیش‌بینی یا طبقه بندی می‌کنند.
در طول سال‌ها، هوش مصنوعی چرخه‌ها و فراز و نشیب‌های مختلفی را پشت سر گذاشته است، اما به نظر می‌رسد انتشار ChatGPT توسط شرکت OpenAI نقطه عطفی بوده باشد. آخرین باری که هوش مصنوعی مولد به این بزرگی ظاهر شد، پیشرفت‌ها در رابطه با بینایی کامپیوتری بود، اما اکنون جهش‌های رو به جلو در پردازش زبان طبیعی است و این فقط زبان نیست. مدل‌های مولد همچنین می‌توانند دستور زبان کد نرم‌افزار، مولکول‌ها، تصاویر طبیعی و انواع مختلف داده‌های دیگر را بیاموزند.
هوش مصنوعی مولد (Generative AI) چیست؟ تمام آنچه که نیاز است تا بدانید!
کاربردهای این فناوری هر روز در حال افزایش است و فرآیندهای مربوط به کشف احتمالات در حال مطرح شدن می‌باشد. اما همانطور که تبلیغات در مورد استفاده از هوش مصنوعی در تجارت بالا می‌رود، گفتگوها در مورد اخلاق نیز اهمیت بسیار زیادی پیدا می‌کنند.
درک هوش مصنوعی
به طور کلی، سیستم‌های هوشمند مصنوعی می‌توانند وظایفی را که معمولاً با عملکردهای شناختی انسان مرتبط هستند انجام دهند؛ مانند تفسیر گفتار، بازی کردن و شناسایی الگوها. آنها معمولاً یاد می‌گیرند که چگونه این کار را با پردازش مقادیر انبوهی از داده‌ها انجام دهند و به دنبال الگوهایی برای مدل‌سازی در تصمیم‌گیری خود هستند. در بسیاری از موارد، انسان‌ها بر فرآیند یادگیری هوش مصنوعی نظارت می‌کنند و تصمیم‌های خوب را تقویت می‌کنند و از تصمیم‌های بد جلوگیری می‌کنند. اما برخی از سیستم‌های هوش مصنوعی برای یادگیری بدون نظارت طراحی شده‌اند؛ به عنوان مثال، با انجام یک بازی ویدیویی بارها و بارها تا زمانی که در نهایت قوانین و نحوه برنده شدن را پیدا کنند.
در مفهوم علمی تخیلی، بسیاری از افراد به طور شهودی احساس می‌کنند که هوش مصنوعی به ربات‌ها و رایانه‌هایی با سطح هوش انسانی یا حتی فوق‌انسانی اشاره دارد. به عنوان مثال، در سریال Star Trek، کاراکتر “دیتا” یک نمونه از AI است که شخصیت و احساسات انسانی را تجربه می‌کند. در حالی که کامپیوترها فقط به عنوان یک ابزار فناوری نمایش داده می‌شوند.
یک برنامه کامپیوتری غیر AI فقط برای انجام یک وظیفه خاص برنامه‌ریزی شده است. این برنامه می‌تواند یک کار خاص را به صورت تکراری انجام دهد، مانند خم کردن یک نوار سیم برای ساخت گیره کاغذ. اما این برنامه، اگر چیز دیگری به آن داده شود، مثلاً یک تکه ماکارونی، قابلیت انجام کار دیگری را ندارد و نمی‌تواند مثلا تکه ماکارونی را خم کند. به عبارت دیگر، این برنامه قادر به تطبیق با موقعیت‌های جدید نیست و تنها محدود به انجام یک وظیفه خاص است.
هوش مصنوعی، توانایی یادگیری و حل مسائل پیچیده‌تر را دارد و می‌تواند با مواردی که قبلاً با آنها مواجه نشده‌اند، مقابله کند. برای ساخت یک ماشین بدون راننده، شرکت‌ها به جای آموزش رایانه‌ها برای حرکت در تقاطع‌ها و جاده‌های متفاوت، به ساخت برنامه‌های رایانه‌ای مجهز به حسگرهای مختلف برای ارزیابی محیط و واکنش به موقعیت‌های واقعی متمرکز شده‌اند. این نشان می‌دهد که برای ساخت یک ماشین بدون راننده، نیاز به سیستم‌های رایانه‌ای انعطاف‌پذیر و قادر به انطباق با شرایط مختلف است.
بدون شک، می‌توان سوال کرد که آیا یک خودروی بدون راننده واقعاً هوشمند خواهد بود؟ پاسخ احتمالاً یک “شاید” بزرگ است، اما برای اکثر تعاریف هوش، قطعاً هوشمندتر از یک جارو رباتیک است. برنده‌ی واقعی در هوش مصنوعی، ساخت یک هوش مصنوعی عمومی (AGI: Artificial General Intelligence) یا هوش مصنوعی قوی خواهد بود. به طور اصولی، یک هوش مصنوعی با هوش مانند انسان، قادر به یادگیری وظایف جدید، گفتگو و درک دستورات به اشکال مختلف و به دست آوردن تمام رویاهای علمی-تخیلی ما خواهد بود. هر چند که برای تحقق کامل این امر، فاصله‌ی زیادی باقی مانده است.
آنچه اکنون داریم گاهی اوقات هوش مصنوعی ضعیف یا هوش مصنوعی باریک (ANI: Artificial Narrow Intelligence) نامیده می‌شود: هوش مصنوعی‌هایی که برای انجام وظایف خاص آموزش دیده‌اند اما قادر به انجام همه کارها نیستند. مثلاً سیریِ اپل و الکسای آمازون از جمله ANIهای نسبتاً ساده هستند، اما همچنان می‌توانند به تعداد زیادی از درخواست‌ها پاسخ دهند. این نوع از هوش مصنوعی هنوز هم استفاده‌های بسیار چشمگیری دارد.
هوش مصنوعی چگونه کار می‌کند؟
در حال حاضر، بیشتر هوش مصنوعی‌ها برای توسعه الگوریتم‌های پیچیده‌ای که توانایی آنها برای عمل هوشمندانه را تشکیل می‌دهند، به فرآیندی به نام یادگیری ماشینی متکی هستند. این الگوریتم‌ها در حوزه‌های مختلفی از تحقیقات هوش مصنوعی مانند روباتیک، بینایی رایانه و پردازش زبان طبیعی استفاده می‌شوند و نقش مهمی در پیاده‌سازی‌های عملی هوش مصنوعی دارند. اما آموزش و توسعه اساسی هنوز با یادگیری ماشین شروع می‌شود.
یادگیری ماشین روشی است که با استفاده از مجموعه داده‌های آموزشی، برنامه‌های کامپیوتری را برای انجام وظایف خاص آموزش می‌دهد. به عنوان مثال، با استفاده از مجموعه داده‌های حاوی تصاویر حیوانات و برچسب‌های متنی مرتبط، می‌توان یک الگوریتم یادگیری ماشینی را به کامپیوتر آموزش داد تا بتواند حیوانات مختلف را تشخیص دهد. این روش به کامپیوتر امکان می‌دهد تا به طور خودکار و بدون نیاز به برنامه‌ریزی انسان، الگوریتم‌های شناسایی حیوانات را ایجاد کند.
این بدان معناست که کسب و کارها، اگر داده‌های موجود مانند پرسش‌های مشتریان را برای آموزش آن استفاده کنند، بیشترین موفقیت را در زمینه‌ی هوش مصنوعی خواهند داشت.
اگرچه جزئیات بسیار پیچیده‌تر می‌شوند، اما آموزش ساختاریافته با استفاده از یادگیری ماشین، هسته اصلی نحوه توسعه GPT نسخه‌ی 3 و 4 و Stable Diffusion است. GPT-3 در ChatGPT از روی تقریباً 500 میلیارد توکن (تقریباً چهار کاراکتر متن) از کتاب‌ها، مقالات خبری و وب‌سایت‌های سراسر اینترنت آموزش داده شد. از سوی دیگر، Stable Diffusion از مجموعه داده LAOIN-5B، که حاوی دیتا بیسی با 5.85 میلیارد جفت متن-تصویر بود استفاده کرد.
این داده‌های آموزشی برای توسعه دو مدل GPT و Stable Diffusion شبکه‌های عصبی استفاده شده‌اند. این شبکه‌ها الگوریتم‌های پیچیده و وزن‌داری هستند که بر اساس مغز انسان مدل‌سازی شده‌اند. این مدل‌ها به آنها اجازه می‌دهد بر اساس داده‌های آموزشی خود، محتوای جدید را پیش‌بینی و تولید کنند. به عنوان مثال، ChatGPT با استفاده از شبکه عصبی خود می‌تواند به سؤالات پاسخ دهد و Stable Diffusion می‌تواند تصاویر را با تغییر مجموعه‌ای از نویز تصادفی به تصویری که با متن مطابقت دارد، تولید کند.
هر دوی این شبکه‌های عصبی از نظر فنی “الگوریتم‌های یادگیری عمیق” هستند. اگرچه این کلمات اغلب به جای یکدیگر استفاده می‌شوند با این حال یک شبکه عصبی از نظر تئوری می‌تواند بسیار ساده باشد، در حالی که هوش مصنوعی مدرن به شبکه‌های عصبی عمیقی متکی است که اغلب میلیون‌ها یا میلیاردها پارامتر را در نظر می‌گیرند. این باعث می‌شود که عملیات آنها برای کاربران نهایی مبهم باشد، زیرا جزئیات آنچه آنها انجام می‌دهند به راحتی قابل تجزیه و تحلیل نیست. این هوش مصنوعی‌ها اغلب جعبه‌های سیاه هستند که یک ورودی را دریافت کرده و یک خروجی تولید می‌کنند؛ که ممکن است زمانی که به محتوای تبلیغاتی یا دارای اشکال دیگر بپردازد، مشکلاتی ایجاد کند.
روش‌های دیگری نیز برای آموزش هوش مصنوعی وجود دارد. به عنوان مثال، AlphaZero با انجام میلیون‌ها بازی در برابر خودش، توانست بازی شطرنج را به خود آموزش دهد. این هوش مصنوعی در ابتدا تنها قوانین اساسی بازی و شرط برد را می‌شناخت و از طریق آزمایش و خطا، بهترین راهبردها را یاد گرفت و حتی به تکنیک‌های جدیدی دست یافت که پیش از آن توسط انسان‌ها در نظر گرفته نشده بود.
مقاله جامع و خوبی بود. ممنون
ممنون از اطلاعات خوبتون