نظریه و تولید سامانه‌های رایانه‌ای که قادر به انجام وظایفی هستند که معمولاً نیاز به هوش انسانی دارند، مانند ادراک بصری، بازشناسی کلام، تصمیم-گرفتن و ترجمه میان زبان‌ها.
به گزارش گرداب، امروزه هوش مصنوعی توجه افراد زیادی را در حوزه‌های متعدد، به خود جلب کرده است.
دیدگاه‌های متفاوتی درباره هوش مصنوعی وجود دارد؛ عده‌ای آن را مرحله‌ای از تکامل و پیشرفت بشری می‌دانند و بر ضرورت پژوهش‌های بیشتر و به‌کارگیری آن در زندگی روزمره تأکید می‌کند و عده‌ای دیگر پیرامون عواقب احتمالی آن هشدار می‌دهند.
به‌طور مثال استیون هاوکینگ فیزیکدان معروف دراین‌باره می‌گوید: ”اگر بیش از حد هوشمند شود، هوش مصنوعی می‌تواند بشریت را منقرض کند؛ همانگونه که انسان‌ها می‌توانند مورچه‌ها را منقرض کنند “ و یا ایلان ماسک، مؤسس تسلا، معتقد است که اگر قدرت بسیار زیادی به سامانه‌های هوشمند داده شود، احتمال خیلی کمی وجود دارد که انسان‌ها در امان بمانند.
اما باید دقت کرد که به‌خاطر تنوع رویکرد‌ها و تعاریف، هنگامی که افراد از هوش مصنوعی صحبت می‌کنند، احتمال دارد که درباره یک چیز واحد صحبت نکنند.
در هوش مصنوعی، رویکرد‌ها و نحله‌های متفاوتی وجود دارد که در عین این که بنیاد و اساس نسبتاً یکسانی با یکدیگر دارند، اما نقطه تمرکز و جهت‌گیری‌شان با یکدیگر کاملاً متفاوت است. در این نوشته می‌کوشیم راه را برای فهم حیطۀ نسبتاً پیچیده هوش مصنوعی باز کنیم.
تصویر
هوش مصنوعی چیست؟
جان مک‌کارتی که برای نخستین بار در سال ۱۹۵۶ واژه هوش مصنوعی (artificial intelligence) را به‌کار برد، آن را این‌گونه تعریف می‌کند:”آن علم و فناوری که ماشین‌های هوشمند تولید می‌کند“؛ یعنی حوزه‌ای که پژوهشگران و مهندسان در آن فعالیت دارند.
تأکید اصلی این تعریف و تعریف‌هایی از این دست که در نزد پیشگامان حوزه هوش مصنوعی یافت می‌شود، این است که هدف ساخت ماشین‌هایی است که به خودی خود هوشمند باشند.
اما امروزه که بیش از شش دهه از ظهور هوش مصنوعی می‌گذرد، چنین نگاهی خوش‌بینانه و غیرعلمی تلقی می‌شود. امروزه بیشتر در تعاریف هوش مصنوعی بر جنبۀ انسان‌گونه بودن آن و یا برای انسان بودن آن تأکید می‌شود.
باید دقت کرد که به همراه شکل‌گیری هوش مصنوعی، در دهه ۱۹۵۰ علوم شناختی نیز به وجودآمد و در آغاز هوش مصنوعی و ساختن رایانه‌های هوشمند، به مسئله فهم آگاهی و هوش در انسان گره خورده بود. اما به مرور با مشاهده پیچیدگی‌ها و سختی‌های مسئله، تعریفی عمل‌گرایانه‌تر از هوش مصنوعی ارائه شد. به‌طور مثال می‌توان به این دو تعریف اشاره کرد:
”نظریه و تولید سامانه‌های رایانه‌ای که قادر به انجام وظایفی هستند که معمولاً نیاز به هوش انسانی دارند، مانند ادراک بصری، بازشناسی کلام، تصمیم-گرفتن و ترجمه میان زبان‌ها“؛ و یا ”مطالعۀ چگونگی ساختن رایانه‌هایی که کار‌هایی بکنند که در حال حاضر آن کار‌ها را انسان‌ها بهتر انجام می‌دهند “.
تصویر
هوش مصنوعی قوی و ضعیف
به‌طورکلی دو نوع هوش مصنوعی را باید از هم جدا کرد. در آغاز هدف هوش مصنوعی ساخت سامانه‌هایی هوشمند بود که به‌گونه‌ای شبیه انسان از ذهن برخوردار باشند. چنین سامانه‌هایی را هوش مصنوعی قوی یا عمومی می‌خوانند. تاکنون جز در فیلم‌ها و داستان‌ها نمونۀ موفقی از چنین سامانه‌ای وجود ندارد.
بلکه اغلب سامانه‌های هوش مصنوعی فعلی، تنها بر روی یک وظیفه یا یک مرحله متمرکز هستند؛ چنین هوش مصنوعی را، هوش مصنوعی ضعیف و یا به‌خاطر محدوده باریک‌تر فعالیت‌هایش، هوش مصنوعی باریک می‌خوانند. اما ابر هوش مصنوعی اشاره به سامانه‌هایی هوشمند دارد که در همۀ جنبه‌ها از انسان فراتر باشند.
بسیاری از هشدار‌هایی که درباره هوش مصنوعی داده می‌شود، مربوط به این نوع از هوش مصنوعی است. از سوی دیگر گروهی نیز امیدوار هستند که ابر هوش مصنوعی بتواند در حل مشکلات بشر مانند بیماری‌ها، فقر و تغییرات آب‌وهوایی به ما کمک کند.
تصویر
هوش مصنوعی تاریخ مصرف گذشته
رویکردی که امروزه «هوش مصنوعی خوبِ تاریخ مصرف گذشته» (GOFAI) شناخته می‌شود، مربوط به فعالیت‌های غالب در این حوزه تا دهه ۱۹۸۰ است. پیش‌فرض این رویکرد این است که تفکر انسان حاصل ترکیب منطقی واژه‌هایی مستقل است و این واژه‌های مستقل حاوی شناخت ما از جهان هستند.
در این نگاه هر واژه نماد چیزی در جهان بیرون است. مطابق چنین دیدگاهی، محققان هوش مصنوعی تلاش کردند تا سامانه‌هایی نمادین طراحی کنند که بتوانند اطلاعات در جهان را دسته‌بندی نمادین کند و بتواند از آن‌ها نتایجی منطقی بگیرد.
اما GOFAI نتوانست انتظارات بالایی را که خود ایجاد کرده بود، جواب دهد و در نتیجه حمایت‌های دولتی و سرمایه‌گذاری‌ها در آن متوقف شد. امروزه، اما اهداف هوش مصنوعی تاریخ مصرف گذشته، به شکلی دیگر و با رویکرد‌هایی متفاوت در حوزه‌های روباتیک و عصب‌شناسی دنبال می‌شود، اما دیگر خبری از خوش‌بینی‌های اولیه موجود در آن نیست.
یادگیری ماشین
امروزه حوزه‌ای از هوش مصنوعی که بسیار مورد استفاده قرار گرفته است «یادگیری ماشین» (ML) و به‌خصوص حیطۀ تخصصی‌تر آن، «یادگیری عمیق» (DL) است.
از طریق «یادگیری ماشین»، سامانه‌هایی رایانه‌ای ساخته می‌شود که از داده‌هایی که دریافت می‌کنند، یاد می‌گیرند که چگونه وظایف خود را اجرا کنند؛ یعنی به جای آن که برنامه‌نویس و توسعه‌دهنده خط به خط دستورالعملی که یک برنامه کدنویسی‌شده باید انجام بدهد را مشخص کند، خود نرم‌افزار به‌طور مستقل کد خود را بعد از استفاده شدن به‌روز می‌کند و برای به دست آمدن نتیجۀ بهتر، کد خود را بهبود می‌بخشد.
بسیاری از سرویس‌های هوش مصنوعی که کنون در حال استفاده هستند، در حیطۀ «یادگیری ماشین» قرار می‌گیرند. ازجمله جستجوی گوگل و سایر ابزار‌های متنوع آن، سامانه معرفی فیلم و سریال در نتفلیکس و یا معرفی افراد مرتبط در فیسبوک.
تصویر
یادگیری عمیق
«یادگیری عمیق» یک نوع «یادگیری ماشین» به همراه شبکه‌های عصبی چندلایه است که با دقتی فزاینده الگو‌های موجود در داده‌ها کشف کرده و به همین‌خاطر می‌تواند علائق کاربر را بشناسد، اشیا را شناسایی کرده و زبان‌ها را بفهمد.
منظور از شبکه عصبی این است که در یادگیری عمیق، لایه‌ای میانی وجود دارد که در بین لایه ورودی و لایه خروجی قرار می‌گیرد و به‌طور مداوم براساس نتایج به‌دست‌آمده خود را اصلاح می‌کند. شبکه عصبی موجود در «یادگیری عمیق» از لایه‌های مختلفی تشکیل شده‌اند تا بتوانند الگو‌ها را از میان پایگاه دادۀ وسیع خود کشف کنند و به کار ببندند.
هرچند که «یادگیری عمیق» نوعی از «یادگیری ماشین» حساب می‌شود، اما تفاوت اصلی این دو در شیوۀ یادگیری الگوریتم است. برخلاف «یادگیری ماشین» به‌طور کلاسیک، الگوریتم‌های «یادگیری عمیق» نیاز به مداخله انسان یا دسته‌بندی اطلاعات به شاخه‌های مختلف ندارند؛ اما به‌خاطر شبکه چندلایه عصبی خود نیاز به آموزش بسیار زیادی دارند تا شناسایی الگو در فرایند یادگیری آن‌ها با دقت بیشتری شود و به همین خاطر نیاز به پردازش اطلاعات با سرعت بالا دارند.
این شبکه‌های پیچیده در سال‌های اخیر در تحلیل تصاویر به موفقیت چشمگیری رسیده‌اند. موفقیت سال‌های اخیر هوش مصنوعی، بیشتر وامدار اجرا شدن صحیح «یادگیری عمیق» است که امروزه در حیطه تشخیص چهره، خودرو‌های بی‌سرنشین و جعل عمیق (deepfake) توانسته است به موفقیت برسد.
پیشرفت «یادگیری عمیق» به‌خاطر پردازشگر‌های سریع‌تری است که ابرشرکت‌های فناوری به‌طور اختصاصی برای آن ایجاد کرده‌اند؛ به‌طور مثال به پردازشگر TPU گوگل باید اشاره کرد که ابزار‌های مختلف گوگل از آن برای بهبود عملکرد خود استفاده می‌کنند.
از سوی دیگر حجم عظیم داده‌هایی که برای یادگیری به این الگوریتم‌ها داده می‌شوند، تأثیر بسیار زیادی در بهبود عملکرد آن‌ها دارد و باید گفت پیشرفت‌های اخیر تا اندازه‌ای ناشی از انبوه اطلاعات ذخیره‌شده‌ای است که توسط غول‌های فناوری در اختیار این الگوریتم‌ها قرار گرفته است.
تصویر
الگوریتم‌های «یادگیری عمیق» می‌توانند مسائل پیچیده‌ای را نیز انجام دهند و نتیجۀ پیشرفت در این حوزه نوآوری‌ها و فناوری‌هایی جدیدی است که امروزه شاهد هستیم. «یادگیری عمیق» می‌تواند در حوزه‌های متنوعی به کار گرفته شود که در ادامه به تعدادی از این حوزه‌ها اشاره می‌کنیم:
خودروی خودران: گوگل و تسلا امروزه ثابت کرده‌اند که خودرو‌های بدون سرنشین یا خودران امکان‌پذیر هستند. اما به هرحال باید گفت این خودرو‌ها هنوز نیاز به یادگیری بیشتر و تمرین و آزمایش‌های متفاوتی هستند و فعالیت‌ها و متغیر‌های بسیاری باید مورد بررسی قرار بگیرد.
تشخیص صدا: تشخیص صدا جزئی جدانشدنی از فرایند زبان است. تحلیل صدای ورودی برای یک سامانه هوش مصنوعی بسیار سخت است؛ زیرا که عوامل متعددی در تشخیص درست صدا نقش دارند.
به‌طور مثال وجود نویز در پیش‌زمینه، لهجه‌ها، خلاقیت‌ها و بازی‌های زبانی افراد و همچنین ناتوانی‌های خاص گفتاری و عوامل دیگر تشخیص دقیق واژه‌های به کار رفته در صدای به چیزی که رایانه بتواند آن را تحلیل کند، سخت می‌کند.
تشخیص الگو: استفاده از شبکه‌های «یادگیری عمیق» می‌تواند در نرم‌افزار‌های متعددی با تشخیص الگوی به‌کار رفته توسط کاربر، کیفیت ارائۀ خدمات را بالا ببرد.
هوش مصنوعی‌ای که به خوبی با کاربر خود تطابق یافته باشد، می‌تواند اطلاعات غیر مرتبط را نادیده گرفته و برای کاربر اطلاعات مرتبط ارائه کند. تشخیص الگو همچنین می‌تواند تحلیل کلان داده را موثرتر سازد.
برنامه‌نویسی کامپیوتری: هوش مصنوعی ضعیف، موفقیت‌هایی در حوزه تولید متن با معنا و پیشرفت در حوزه کدنویسی داشته است. به‌طور مثال GPT-۳ از شرکت OpenAI یک نرم‌افزار اوپن سورس زبان تولیدکننده است که می‌تواند با کمترین دستورالعمل از سوی کاربر، کدنویسی کرده و یا برنامه‌های ساده کامپیوتری ایجاد کند. در آینده احتمالاً شاهد حضور نرم‌افزار‌های بیشتری که از این نوع فناوری‌ها بهره‌مندند خواهیم بود و کار با نرم‌افزار‌های تخصصی رنگ و بوی دیگری به خود خواهد گرفت.
امنیت سایبری: هوش مصنوعی نقش مهم‌تری در معیار‌های امنیت سایبری سازمان‌ها، افراد و دولت‌ها به عهده خواهد گرفت که شامل نظارت، شناسایی تهدید‌های اطلاعاتی، اطلاع از نفوذ امنیتی، پاسخ به اتفاقات و تحلیل ریسک خواهد بود. هوش مصنوعی همچنان می‌تواند ابزار‌های نظارتی قدرتمندی در اختیار دولت‌ها قرار دهد تا به‌طور راحت‌تری مخالفان خود را شناسایی کنند.
حوزه سرگرمی و تولید محتوا: برنامه‌های رایانه‌ای روزبه‌روز در تولید محتوا بهتر می‌شوند و هوش مصنوعی هم‌اکنون نیز در شناسایی موارد تخلف قانون حق نشر، ساخت بازی‌های ویدیویی و فیلم‌های سینمایی نقش مهمی دارند و در آینده این نقش برجسته‌تر خواهد شد.
تصویر: خودروی بدون سرنشین گوگل
_____________________________
منبع:
https://www.independent.co.uk/life-style/gadgets-and-tech/news/stephen-hawking-artificial-intelligence-could-wipe-out-humanity-when-it-gets-too-clever-humans-could-become-ants-being-stepped-a۶۶۸۶۴۹۶.html
Elon Musk
https://www.independent.co.uk/life-style/gadgets-and-tech/news/elon-musk-artificial-intelligence-openai-neuralink-ai-warning-a۸۰۷۴۸۲۱.html
http://teceze.com/sites/default/files/inline-images/Artificial%۲۰Intelligance.jpeg
https://www.youtube.com/watch?v=WKXxBIiFNnk
https://medium.com/@TheGeekiestOne/why-thepope-doesnt-care-about-the-ai-code-۲۰۷۳f۹b۱e۲۴۹
https://en.oxforddictionaries.com/definition/artificial_intelligence
Rich, E. (۱۹۸۸). Artificial Intelligence. McGraw-Hill Book Co. p. ۱
https://۱.bp.blogspot.com/-qxgaVMhCYwM/XPUz۳YPUOlI/AAAAAAAAAGc/gO۱drLfDNY۰yOIypt۳L۸Kf۸N۰xcmALJfQCLcBGAs/s۱۶۰۰/artificial-intelligence-illustration-human-brain-suit-digital-mind_۳۳۰۹۹-۵۵۶.jpg
https://www.ibm.com/cloud/learn/strong-ai
https://miro.medium.com/max/۳۲۰۰/۱*GX۸RXPy۴cPOCuvLnZf۹۶FQ.jpeg
Good, Old-Fashioned AI
https://thebestschools.org/magazine/limits-of-modern-ai/
Machine Learning
Deep learning
https://miro.medium.com/max/۲۴۰۰/۱*c_fiB-YgbnMl۶nntYGBMHQ.jpeg
https://www.youtube.com/watch?v=۶M۵VXKLf۴D۴
https://www.ibm.com/cloud/learn/strong-ai#:~:text=Weak%۲۰AI%۲C%۲۰also%۲۰known%۲۰as,to%۲۰solve%۲۰for%۲۰new%۲۰problems.
https://i۲.wp.com/semiengineering.com/wp-content/uploads/۲۰۱۸/۰۱/MLvsDL.png?resize=۷۳۳%۲C۴۰۵&ssl=۱
https://cloud.google.com/tpu
https://cdn.thenewstack.io/media/۲۰۱۹/۰۵/bf۰۰۴aea-samsumg-ai-few-shot-learning-۲.jpeg
https://www.vox.com/future-perfect/۲۰۲۰/۲/۱۴/۲۱۰۶۳۴۸۷/self-driving-cars-autonomous-vehicles-waymo-cruise-uber
برای توضیح بیشتر رجوع شود به:
https://www.cs.toronto.edu/~gdahl/papers/Dahl_George_E_۲۰۱۵۰۶_PhD_thesis.pdf
https://www.analyticsvidhya.com/blog/۲۰۲۰/۱۲/an-overview-of-neural-approach-on-pattern-recognition/
https://journalofbigdata.springeropen.com/articles/۱۰.۱۱۸۶/s۴۰۵۳۷-۰۱۴-۰۰۰۷-۷
https://www.technologyreview.com/۲۰۲۰/۰۷/۲۰/۱۰۰۵۴۵۴/openai-machine-learning-language-generator-gpt-۳-nlp/
https://blog.eccouncil.org/the-role-of-ai-in-cybersecurity/
https://theconversation.com/china-and-ai-what-the-world-can-learn-and-what-it-should-be-wary-of-۱۴۰۹۹۵
https://www.fastcompany.com/۴۰۱۳۶۰۳/youtube-is-using-ai-to-police-copyright-to-the-tune-of-۲-billion-in-payouts
https://time.com/۵۷۷۹۲۱۷/artificial-intelligence-video-games/
https://ai.plainenglish.io/how-ai-change-film-industry-a۱۵۱۴f۴۵۰۸۸۱
https://submarinechannel.com/۵-ways-artificial-intelligence-is-already-changing-cinema/
