هوش مصنوعی | Ai

با شنیدن یا خواندن اصطلاح هوش مصنوعی، تصاویر و اصوات گوناگونی در ذهن ما شکل می‌گیرد. برخی صدای دستیارهای هوشمندی همچون سیری و کورتانا و الکسا را می‌شنویم و برخی دیگر، به‌یاد تصاویر وحشتناک و نگران‌کننده‌ی فیلم‌های علم‌تخیلی همچون ترمیناتور می‌افتیم. عاشقان جدی‌تر سینما هم به‌احتمال زیاد چهره‌ی معصوم کاراکتر دیوید در فیلم تحسین‌شده‌ی استیون اسپیلبرگ (A.I. Artificial Intelligence) را به‌یاد می‌آورند. به‌هرحال هوش مصنوعی امروزه در ذهن و فکر بسیار از ما کاربران دنیای فناوری جا خوش کرده است و تا آینده‌ی نامعلوم هم جزوی از زندگی ما خواهد بود. همیار و همکاری که شاید آینده‌ای روشن و شاید ویرانه‌ای شبیه به فیلم ترمیناتور برای ما بسازد.

هنوز هیچ تعریف دقیقی از هوش مصنوعی که تمامی دانشمندادن بر روی آن توافق داشته باشند ارائه نشده است ولی می‌تونیم ویژگی های هوش مصنوعی رو به این شکل دسته بندی کنیم؛

1. مانند انسان فکر می‌کند
2. منطقی فکر می‌کند
3. مانند انسان عمل می‌کند
4. منطقی عمل می‌کند

دو تعریف اول مربوط به فرآیندهای تفکر و استدلال است، در حالی دو تعریف دیگر با رفتار سر و کار دارند.

در علوم کامپیوتر، هوش مصنوعی یا هوش ماشینی به هوشمندی گفته می‌شود که از هرنوع ماشین (و نه انسان) به‌دست بیاید. کتاب‌های مرجع در حوزه‌ی هوش مصنوعی، این علم را دانش مطالعه‌ی کارگزارهای هوشمند می‌دانند که چنین تعریف می‌شوند: «هر دستگاهی که توانایی درک محیط و فعالیت با حداکثر شانس موفقیت را داشته باشد». درمجموع اصطلاح هوش مصنوعی برای توصیف ماشین‌ها یا کامپیوترهایی به‌کار می‌رود که فعالیت‌های شناختی وابسته به ذهن انسان را به‌خوبی انجام دهند. ازمیان فعالیت‌های مهم شناختی می‌توان به «یادگیری» و «حل مسئله» اشاره کرد.

فعالیت‌هایی که در دسته‌ی فعالیت‌های هوشمندانه‌ی ماشینی قرار می‌گیرند، به‌مرور زمان تغییر می‌کنند و درواقع با توانمندتر شدن ماشین‌ها، برخی فعالیت‌ها دیگر لزوما هوشمندانه نیستند. تئوری تسلر در تعریف هوش مصنوعی می‌گوید هر دستاوردی که تاکنون انجام نشده باشد، هوش مصنوعی نام می‌گیرد. درنتیجه امروزه انجام فعالیت‌هایی همچون تشخیص کاراکتر دیگر یک ماشین را هوشمند نمی‌کنند. در دنیای مدرن، وظایف پیچیده‌تری همچون تشخیص صحبت‌های انسان، رقابت در بازی‌های استراتژیک همچون شطرنج و گو و هدایت خودکار ماشین‌ها، هوشمندی واقعی را در کامپیوترها تعریف می‌کنند.

هوش مصنوعی در محیط‌های آکادمیک تاریخچه‌ای متعلق به میانه‌ی قرن بیستم دارد. هرچند تفکر انسان درباره‌ی هوشمند شدن ماشین‌ها به قرن‌ها پیش باز می‌گردد. تاریخچه‌ی مذکور، فراز و فرودهای متعددی را تجربه کرد تا اینکه اکنون و در قرن ۲۱، یکی از مهم‌ترین موضوع‌های مطالعه و بحث بشر محسوب می‌شود. قرن حاضر با رشد چشم‌گیر قدرت کامپیوترها و داده‌های در دسترس برای آموزش آن‌ها، قرن شکوفایی هوش مصنوعی محسوب می‌شود که این موضوع علمی را به بخشی الزامی از صنعت فناوری تبدیل کرده است.

تاریخچه هوش مصنوعی

از گذشته طراحان کامپیوتر رویای ساخت ماشین هایی را در سر داشتند که بتوانند رفتاری شبیه به انسان داشته باشد و واکنشی منطقی و معقول در برابر اتفاقات به نمایش بگذارند. این رویا با ساخت کامپیوتر تا حدودی به حقیقت تبدیل شد.

ایده های مربوط به هوش مصنوعی از سال های خیلی پیش وجود داشته است. در سال 1950 آلن تورینگ در مقاله ای به وجود آمدن ماشین های هوشمند را پیش بینی کرد
همان طور که می‌دانید آلن تورینگ را پدر علم کامپیوتر می‌نامند و از بسیاری از جهات می‌توان آن را پدر علم هوش مصنوعی نیز دانست. با این حال مسئله هوش مصنوعی تا قبل از معرفی شدن ابر کامپیوتر Deep blue توسط IBM در نیمه دوم دهه نود میلادی توجه جهانیان را به خود جلب نکرده بود، این ابر کامپیوتر اولین کامپیوتر و ماشینی بود که توانست در سال 1996 میلادی در یک مسابقه شطرنج گری کاسپاروف قهرمان شطرنج جهان را شکست دهد. سال هاست الگوریتم های هوش مصنوعی در ابر کامپیوتر ها و دیتا سنتر ها استفاده می‌شود ولی حضور هوش مصنوعی در وسایلی که مردم در زندگی روز مره خود استفاده می‌کنند به سال های اخیر بر می گردد.

موجودات هوشمندی که توانایی تفکر داشته باشند، در اسناد تاریخی از دوران باستان دیده می‌شوند. اولین تعریف از چنین موجوداتی، آن‌ها را ابزارهایی با قابلیت داستان‌گویی می‌دانستند. پس از گذشت قرن‌ها، در کتاب‌های داستانی همچون فرانکشتاین و R.U.R، نمونه‌هایی از ماشین‌های هوشمند دیده شدند. کاراکترهای موجود در داستان‌های مذکور، اولین چالش‌ها را درباره‌ی اخلاقیات حوزه‌ی هوش مصنوعی مطرح کردند و به‌نوعی موجب تولد نگرانی‌ها نیز شدند.

مطالعه‌ی عقل و منطق، به دوران فیلسوف‌های عصر باستان مربوط می‌شود. ازطرفی منطقی که از ریاضیات نشأت گرفته باشد، بیشتر به آلان تورینگ و نظریه‌ی پردازش او باز می‌گردد. تورینگ در نظریه‌ی پردازش می‌گوید که هر ماشینی با ترکیب علامت‌های ریاضی و اعداد صفر و یک، توانایی شبیه‌سازی هر عملکرد ممکن را در استنتاج ریاضی دارد. چنین رویکرد و چشم‌اندازی به‌نام نظریه‌ی چرچ-تورینگ شناخته می‌شود.

توسعه‌ی علومی همچون عصب‌شناسی و نظریه‌ی اطلاعات و سایبرنتیک، محققان را به تصور و تحقیق درباره‌ی احتمال توسعه‌ی یک مغز الکترونیکی واداشت. تورینگ، پرسش امکان‌پذیر بودن هوشمندی ماشین را به این پرسش تغییر داد: «آیا یک ماشین می‌تواند رفتارهای هوشمندانه انجام دهد»؟ اولین مقاله‌ی رسمی که در این حوزه نوشته شد، اثر سال ۱۹۴۳ مک‌کولا و پیتس بود که نورون‌های مصنوعی را باتوجه به نظریه‌ی «کامل بودن» تورینگ تعریف کردند.

حوزه‌ی تحقیق پیرامون هوش مصنوعی، در سال ۱۹۵۶ و آزمایشگاهی در کالج دارتموث متولد شد. جان مک‌کارتی این حوزه را از زیرمجموعه‌ی سایبرنتیک و نظریه‌های سایبرنتیست‌هایی همچون نوربرت وینر خارج کرد و اصطلاح «هوش مصنوعی» به‌نوعی توسط او متولد شد. از پیش‌گامان و رهبران حوزه‌ی هوش مصنوعی می‌توان به آلن نول، هربرت سیمون، جان مک‌کارتی، ماروین مینسکی و آرتور ساموئل اشاره کرد. آن‌ها به‌کمک دانشجویان خود برنامه‌هایی توسعه می‌دادند که رسانه‌های جهان، لقب «عجیب» را برایشان انتخاب می‌کردند. 

کامپیوترهایی که مجهز به اولین برنامه‌های هوشمند در قرن بیستم بودند، عملکردهای خارق‌العاده‌ای همچون یادگیری استراتژی بازی چکرز و بازی کردن آن، حل مسائل گوناگون در حوزه‌ی جبر، اثبات نظریه‌های منطقی و صحبت کردن به زبان انگلیسی داشتند. تا میانه‌ی دهه‌ی ۱۹۶۰، تحقیق پیرامون هوش مصنوعی به یکی از موضوع‌های اصلی دنیای فناوری با سرمایه‌گذاری‌های عظیم تبدیل شد. وزارت دفاع آمریکا یکی از سرمایه‌گذارهای اصلی پروژه‌های هوش مصنوعی بود و آزمایشگاه‌های متعدد نیز در کشورهای دیگر راه‌اندازی می‌شدند. محققان هوش مصنوعی در آن سال‌ها با خوش‌بینی بسیار مشغول فعالیت بودند. هربرت سیمون پیش‌بینی کرده بود که تا ۲۰ سال بعد، ماشین‌ها توانایی انجام همه‌ی کارهای انسانی را خواهند داشت. مارتین مینسکی نیز اعتقاد داشت پس از یک نسل، چالش توسعه‌ی هوش مصنوعی کاملا از بین خواهد رفت.

تلاش‌ محققان برای توسعه‌ی هوش مصنوعی تا میانه‌ی دهه‌ی ۱۹۷۰ به موفقیت‌های آن‌چنانی دست پیدا نکرده بود، چون با پیشرفت هرچه بیشتر آن‌ها، چالش‌های جدیدی در فرایند توسعه پیدا می‌شد. دراین‌میان دولت‌های ثروتمند همچون آمریکا و بریتانیا نیز به‌مرور سرمایه‌گذاری روی پروژه‌ها را کاهش دادند. از آن زمان دورانی موسوم به «زمستان هوش مصنوعی»‌ شروع شد؛ زمستانی که پیدا کردن و جذب سرمایه برای پروژه‌های هوش مصنوعی، بزرگ‌ترین چالش آن بود.

با ورود به دهه‌ی ۱۹۸۰، اولین موفقیت‌های چشم‌گیر باوجود سرمایه‌گذاری‌های نه‌چندان قوی در حوزه‌ی هوش مصنوعی دیده شد. کامپیوترهایی موسوم به سیستم خبره متولد شدند که توانایی شبیه‌سازی دانش و مهارت‌های تحلیلی متخصصان انسانی را داشتند. تا میانه‌ی دهه‌ی ۱۹۸۰، بازار هوش مصنوعی به ابعاد میلیارد دلاری رسید و ژاپن نیز با پروژه‌ی «کامپیوتر نسل پنجم» خود، گواهی بر موفقیت علم ارائه کرده بود. آمریکا و بریتانیا مجددا به سرمایه‌گذاری در هوش مصنوعی تشویق شدند،‌ اما به‌هرحال باز هم شکست پروژه‌هایی همچون ماشین Lisp، آینده‌ی هوش ماشینی را تیره و تار کرد و دورانی طولانی‌تر بدون سرمایه‌گذاری شروع شد.

فناوری‌هایی همچون MOS و VLSI که در فرم CMOS و در میانه‌ی دهه‌ی ۱۹۸۰ معرفی شدند، توسعه‌ی شبکه‌های عصبی مصنوعی (ANN) را ممکن می‌کردند. چنین سخت‌افزارهایی موجب شدند تا بار دیگر استفاده از ماشین‌ها برای فعالیت‌های هوشمدانه، به موضوعی داغ تبدیل شود. دهه‌ی ۱۹۹۰ و ابتدای قرن ۲۱، زمان استفاده از هوش مصنوعی در فعالیت‌هایی همچون معدن‌کاوی داده و تشخیص‌های پزشکی بود که به‌مرور، ظرفیت‌های علم جدید را اثبات می‌کرد. گره خوردن هوش مصنوعی با حوزه‌هایی همچون آمار و اقتصاد و ریاضی در سال‌های ابتدایی قرن ۲۱ رخ داد و به‌مرور، دوران تازه‌ای از توسعه‌ی هوش ماشینی، شروع شد. شاید شکست خوردن قهرمان شطرنج جهان، گری کاسپاروف، از کامپیوتر Deep Blue در سال ۱۹۹۷، جرقه‌ی انفجار هوش مصنوعی بود.

تفاوت هوش مصنوعی و برنامه نویسی

ما در برنامه نویسی ورودی‌های معلوم و مشخص دازیم و با استفاده از دستورات شرطی مانند if و else میتوانیم معادلات را حل کنیم و به نتیجه‌ی دلخواه برسیم ولی مسائلی که با هوش مصنوعی حل می‌شوند از تنوع ورودی زیادی بهرمند هستند به همین دلیل نمی‌توان با برنامه نویسی معمولی تمام جنبه‌ها را پوشش داد مثل یک سیستم تبدیل صدا به متن یا تشخیص چهره که داده‌های ورودی آنها بسیار متنوع هستند به همین دلیل مجبور به استفاده از مدل‌های هوش مصنوعی برای انجام این کارها هستیم

در مقاله‌ای دیگر به صورت کامل به مهم‌ترین تفاوت‌های هوش مصنوعی و برنامه نویسی اشاره کردیم برای خواندن مقاله “تفاوت هوش مصنوعی و برنامه نویسی” بر روی عنوان مقاله کلیک کنید.

شاخه های هوش مصنوعی

هوش مصنوعی یک علم بسیار گسترده و پیچیده است که شاخه‌های متعددی دارد؛ شاخه های هوش مصنوعی عبارتند از:

1. سیستم خبره (Experts Systems)
2. رباتیک (Robotics)
3. یادگیری ماشین (Machine Learning)
4. شبکه عصبی (Neural Network)
5. منطق فاری (Fuzzy Logic)
6. پردازش زبان طبیعی (Natural Language Processing)

سطوح مختلف هوش مصنوعی

یک سیستم هوش مصنوعی بر اساس آن چه که از دنیای بیرون درک می‌کند و می‌تواند به آن پاسخ دهد، دارای سه سطح می‌باشد. هوش مصنوعی محدود، عمومی و سوپر هوش مصنوعی. در ادامه هر کدام را به تفصیل توضیح می‌دهیم.

دهه‌ی شکوفایی دستاوردهای ملموس

دهه‌ی ۲۰۱۰ را می‌توان دوران شکوفایی دستاوردهای هوش مصنوعی دانست که در زندگی روزمره‌ی بشر به‌وضوح حس شدند. در سال ۲۰۱۱، مسابقه‌ی مشهور Jeopardy تلویزیون آمریکا (مسابقه‌ای با محوریت اطلاعات عمومی) با حضور دو نفر از برترین شرکت‌کننده‌ها، برد راتر و کن جنینگز، برگزار شد و در برابر آن‌ها، کامپیوتر واتسون IBM قرار داشت. کامپیوتر واتسون با اختلاف بالایی توانست دو قهرمان انسانی را شکست دهد. در سال ۲۰۱۲، کامپیوترهای سریع‌تر با تجهیز به الگوریتم‌های پیشرفته‌تر و دسترسی به منابع داده‌ای عظیم‌تر، پیشرفت در حوزه‌های درک و یادگیری ماشین را ممکن کردند. رویکردهای یادگیری عمیق هم در همان سال متولد شدند که نیاز به داده را به‌عنوان خوراک سیستم‌‌های هوش مصنوعی، افزایش دادند.

کاربرد هوش مصنوعی

از کاربردهای مهم هوش مصنوعی در زندگی کاربران دهه‌ی ۲۰۱۰، می‌توان به کنسول بازی ایکس‌باکس ۳۶۰ و ابزار کینکت آن اشاره کرد که پس از سال‌ها تحقیق و توسعه، درک ساختار سه‌بعدی بدن را ممکن می‌کرد. دستیارهای صوتی نیز به‌مرور به گوشی‌های هوشمند اضافه می‌شدند که کاربرد فناوری جدید را در زندگی ما بیشتر کردند. دستاورد مهم بعدی، شکست قهرمان بازی گو لی سدول، توسط هوش مصنوعی AlphaGo در سال ۲۰۱۶ بود. یک سال بعد، آلفاگو توانست کی جی، قهرمان وقت بازی را شکست دهد که به گواه بسیاری، نقطه‌ی مهم پیشرفت هوش مصنوعی در تاریخ بود. بازی گو پیچیدگی‌های بسیار بیشتری نسبت به بازی شطرنج دارد و توانایی شکست دادن قهرمان آن، نشان‌دهنده‌ی هوشمندی بسیار بالای کامپیوتر بود.

جک‌کلارک در مقاله‌ای در بلومبرگ، سال ۲۰۱۵ را سال شکوفایی هوش مصنوعی دانست. استفاده‌های پراکنده از هوش مصنوعی در سال ۲۰۱‍۲، به ۲،۷۰۰ پروژه‌ در سال ۲۰۱۵ رسیده بود که انفجاری از کاربردهای علم قدیمی را نشان می‌داد. توسعه‌‌ی زیرساخت‌های پردازش ابری و امکانات بیشتر داده‌ای که در اختیار محققان بود، شبکه‌های عصبی را به ابزارهای قابل دست‌رس همگان تبدیل کرد که توسعه‌ی فناوری را آسان‌تر کرده بود. در سال ۲۰۱۷، نتایج یک نظرسنجی ادعا کرد که یک‌پنجم شرکت‌های حاضر، هوش مصنوعی را به‌گونه‌ای در فعالیت‌های خود به‌کار گرفته‌اند. درنهایت امروز به وضعیتی رسیده‌ایم که شاید زندگی بدون حضور کارگزارهای هوشمند، برای بسیاری از ما غیرممکن باشد. ازطرفی روز‌به‌روز نگرانی‌ها درباره‌ی توسعه‌ی بی‌ حد و حصر هوش مصنوعی نیز افزایش می‌یابد.

انواع هوش مصنوعی

هوش مصنوعی در سطوح بالا به دو نوع وسیع به‌نام‌های «هوش مصنوعی محدود (Narrow AI)» و «هوش عمومی مصنوعی (General AI)» تقسیم می‌شود. چنین دسته‌بندی به درک بهتر مفاهیم و دستاوردهای هوش مصنوعی و روش توسعه‌ی آن‌ها کمک می‌کند. هوش مصنوعی محدود، به‌نام «هوش مصنوعی ضعیف (Weak AI)» هم شناخته می‌شود.

هوش مصنوعی محدود همان هوشمندی است که همه‌ی ما در کامپیوترهای امروزی مشاهده می‌کنیم. سیستم‌های هوشمندی که تحت آموزش یا یادگیری خودکار، انجام وظایف خاص را بدون برنامه‌ریزی اختصاصی برای آن وظایف، ممکن می‌کنند. چنین نوعی از هوشمندی در کاربردهایی همچون تشخیص صدا و زبان در دستیارهای مجازی مانند سیری دیده می‌شود. از کاربردهای دیگر هوش مصنوعی محدود می‌توان به سیستم‌های شناسایی بصری در خودروهای خودران و موتورهای پیشنهاد محصول در خرده‌فروشی‌های آنلاین اشاره کرد. چنین سیستم‌های هوشمندی برخلاف انسان‌ها تنها توانایی یادگیری انجام وظایف محدودی را دارند و به‌همین دلیل،‌ هوش مصنوعی محدود نامیده می‌شوند.

توانایی‌های هوش مصنوعی محدود

امروزه کاربردهای متنوعی برای هوش مصنوعی محدود وجود دارد که روز‌به‌روز هم بر تعداد آن‌ها افزوده می‌شود. تفسیر داده‌های تصویری یکی از کاربردهای مهم این نوع از هوش مصنوعی است که خصوصا در پهپادهای صنعتی با وظیفه‌ی بررسی خطوط لوله‌ی نفت دیده می‌شود. هوش مصنوعی محدود امروز می‌تواند تقویم‌های شخصی و کاری افراد را منظم و برنامه‌ریزی کرده و حتی با هوش‌های دیگر همکاری کند؛ همکاری که در کاربردهای روزمره‌ای همچون رزرو هتل یا درخواست خودرو و موارد دیگر، مشاهده کرده‌ایم.

هوش مصنوعی محدود در کاربردهای پزشکی نیز به‌وفور دیده می‌شود. امروز برخی از ماشین‌ها می‌توانند در تشخیص تومورهای احتمالی به رادیولوژیست‌ها کمک کنند. این کارگزاران هوشمند در شبکه‌های اجتماعی نیز کاربرد زیادی دارند و زندگی در این شهرهای جدید را آسان‌تر و سالم‌تر می‌کنند. درحال‌حاضر هوش مصنوعی در شبکه‌های اجتماعی توانایی تشخیص محتوای نامرتبط یا آزاردهنده را دارد و مرتب کردن فید‌های نمایش محتوا نیز از وظایف ساده‌ی آن محسوب می‌شود. ترکیب هوش مصنوعی محدود با تجهیزات اینترنت اشیاء نیز کاربردهای فراوانی را به‌همراه دارد.

توانایی‌های هوش عمومی مصنوعی

هوش عمومی مصنوعی تفاوت‌های عمده‌ای با نوع محدود داد. چنین سبکی از هوشمندی می‌تواند رفتارهایی بسیار شبیه به انسان را از خود نشان دهد. درواقع هوش عمومی، انعطاف‌پذیری بیشتری داشته و امکاتن یادگیری مهارت برای انجام دادن وظایف بسیار متنوع را دارد. هر فعالیتی از کوتاه کردن مو تا منظم کردن فایل‌های صفحه‌ی گسترده‌ی مدیران تا حتی استنباط و نتیجه‌گیری از اطلاعات و تجربه‌های کسب‌شده، توسط یک هوش عمومی مصنوعی قابل انجام هستند.

هوش مصنوعی که در فیلم‌های سینمایی می‌بینیم و نگرانی ما را از آینده‌ای تحت سلطه‌ی ماشین‌ها افزایش می‌دهد، همان هوش عمومی مصنوعی است. HAL در سری ادیسه‌ی فضایی یا Skynet در ترمیناتور، هوش‌های عمومی مصنوعی (AGI) هستند که توانایی تسلط بر بشر را پیدا کرده‌اند. البته چنین نوعی از هوشمندی امروز در جهان وجود ندارد و محققان هوش مصنوعی نیز همه‌ی تلاش خود را برای توسعه‌ی آن به‌کار گرفته‌اند. از لحاظ پیش‌بینی زمان رسیدن به هوش مصنوعی عمومی نیز پیش‌بینی‌های متعددی و متفاوتی ازسوی دانشمندان ارائه می‌شود.

در سال‌های ۲۰۱۲ و ۲۰۱۳ یک نظرسنجی در میان چهار گروه متخصص هوش مصنوعی توسط وینسنت سی مور و نیک بوستروم، متخصصان هوش مصنوعی و فلسفه انجام شد. نتایج نظرسنجی احتمال رسیدن به هوش عمومی مصنوعی را تا دهه‌های ۲۰۴۰ و ۲۰۵۰، حدود ۵۰ درصد بیان می‌کرد که تا سال ۲۰۷۵، به احتمال ۹۰ درصد می‌رسید. گروه محققان، پیش‌بینی را فراتر بردند و اصطلاحی موسوم به «ابرهوشمندی (Superintelligence)» مطرح کردند. بوستروم می‌گوید ابرهوشمندی هرگونه هوشی است که از لحاظ توانایی‌های شناختی در همه‌ی حوزه‌های ممکن، انسان را شکست دهد. او زمان رسیدن به ابرهوشمندی را ۳۰ سال پس از رسیدن به هوش عمومی مصنوعی پیش‌بینی می‌کند.

دسته‌ای از متخصصان و نظریه‌پردازان هوش مصنوعی، پیش‌بینی‌های موجود با تخمین دهه‌های ۲۰۴۰ و ۲۰۵۰ را به‌دور از واقعیت می‌دانند. آن‌ها باتوجه به رویکرد توسعه‌ی هوش مصنوعی که ابتدا نیامند درک مغز و ذهن انسان است، رسیدن به چنان دستاوردهایی را دور می‌دانند. درواقع در چنین نظریه‌ای، محدودیت دانش انسان نسبت به مغز خود، توسعه‌ی سریع‌تر هوش مصنوعی را غیرممکن می‌کند.

فاکتورهای کلیدی هوش مصنوعی

هوش مصنوعی امروزه مفاهیم و تعاریف زیرمجموعه‌ای متعددی دارد که آشنایی با برخی از المان‌های کلیدی آن خالی از لطف نیست:

• فرایندهای پردازش بازگشتی (پردازش خطی) سطوح متعددی از درک انتزاعی را در سیستم هوشمند ممکن می‌کنند.
• اطلاعات در فرایندها به‌صورت جامع پردازش می‌شود. در هر نقطه، اطلاعات ابتدا بسته به موضوع و زمینه مشخص می‌شوند؛ اما زمینه‌هایی که بین و در امتداد مفاهیم انتزاعی جابه‌جا می‌شوند، نقش مهمی در تبدیل اطلاعات دارند.
• دسته‌بندی، یکی از بخش‌های اصلی در فرایندهای هوش مصنوعی محسوب می‌شود.
• گراف اطلاعات، دائما درحال تغییر است و از فیلترهایی برای تغییر استفاده می‌کند که خود، براساس اطلاعات موجود ساخته می‌شوند.
• هوشمندی به‌صورت نقطه‌ای، توزیع‌یافته و تصادفی تعریف می‌شود. به‌بیان دیگر اطلاعاتی که در سیستم داریم، هیچ‌گاه کامل یا همه‌جانبه نیستند و تصمیم‌گیری هوش مصنوعی تنها زمانی ممکن می‌شود که نقطه‌ی اوجی از اطلاعات تأییدکننده یا ردکننده‌ی یک حقیقت، ارائه شود.
• در هر نقطه از فعالیت سیستم، اطلاعات در یک مدل وجود دارد، اما خود مدل طبیعتی انعطاف‌پذیر داشته و توانایی اصلاح خود را دارد. چنین مدلی با مدل‌های کنونی که از پیش تعریف شده و ثابت هستند، تفاوت پیدا می‌کند.
• سیستم اکنون سطحی از خودآگاهی دارد.

مفاهیم کلیدی بالا نشان می‌دهد که هوش مصنوعی در سال ۲۰۲۰ به سطحی قابل‌توجه از پیچیدگی رسیده است و مدل‌های پردازشی آن نیز هیچ‌گاه ثابت نمی‌مانند.

یادگیری ماشین و شبکه‌های عصبی و یادگیری عمیق

در بخش تاریخچه و تعارف هوش مصنوعی، دو مفهوم به‌عنوان ابزارهای اصلی شکوفایی این فناوری مطرح شدند. یادگیری ماشین یکی از ابزارهای اصلی توسعه‌ی هوشمندی در ماشین‌ها محسوب می‌شود که مفاهیم پایه‌ای هوش را شکل می‌دهد. درواقع ماشینی که به یادگیری مجهز باشد، قدم اول را به‌سمت هوشمند شدن برداشته است (دقیقا شبیه به انسان).

یادگیری ماشین در تعریف ساده با ارائه‌ی داده‌های وسیع به ماشین شروع می‌شود. سپس ماشین با استفاده از همان داده‌ها، چگونگی انجام وظایف خاص مانند درک صحبت یا برچسب‌گذاری تصاویر را می‌آموزد. داده، عنصر اصلی در توسعه‌ی یادگیری ماشین محسوب می‌شود و به‌همین دلیل در سال‌های اخیر شاهد افزایش جمع‌آوری داده توسط شرکت‌های فناوری بوده‌ایم. درواقع امروز کلان‌داده و یادگیری ماشین، دو مفهوم درهم تنیده‌شده هستند. مفهوم دیگری که مثلث بنیادی هوش مصنوعی را تکمیل می‌کند، شبکه‌‌ی عصبی نام دارد.

شبکه‌های عصبی، کلید پردازشی در یادگیری ماشین هستند. چنین شبکه‌هایی با الهام از ساختار نورون‌های مغز انسان توسعه یافته‌اند و از لایه‌های متعدد و متصل به هم الگوریتم موسوم به نورون تشکیل می‌شوند. لایه‌های الگوریتمی در شبکه‌ی عصبی، داده را با یکدیگر تبادل می‌کنند. هر نورون، قابلیت یادگیری انجام وظیفه‌ای خاص را دارد و با اولویت‌بندی ساختار داده‌ی درحال تبادل، فرایندی را روی آن انجام می‌دهد. در مسیر یادگیری شبکه‌های عصبی، اولویت و وطن داده‌های ورودی تغییر می‌کند تا اینکه درنهایت خروجی موردنیاز از شبکه استخراج می‌شود. در چنین وضعیتی، شبکه‌ به‌نوعی انجام دادن یک وظیفه‌ی خاص را آموخته است.

نمونه های هوش مصنوعی

یادگیری عمیق از مفاهیم زاده‌شده از دل یادگیری ماشین است. شبکه‌های عصبی در چنین سبکی از یادگیری به شبکه‌هایی گسترده توسعه می‌یابند و لایه‌های بسیار متعددی دارند. در یادگیری عمیق، هر لایه توانایی بررسی و پردازش داده‌های بسیار عظیمی را خواهد داشت. یادگیری عمیق، موجب شد تا کامپیوترهای امروزی به توانایی‌های مثال‌زدنی هوشمندی و یادگیری دست پیدا کنند که نمونه‌هایی از آن را در تشخیص صحبت و بینایی کامپیوتری می‌بینیم.

پردازش تکاملی، یکی از حوزه‌های تحقیقات هوش مصنوعی محسوب می‌شود که با پیشرفت شبکه‌های عصبی متولد شد. محققان، با تکیه بر نظریه‌های داروین و مفاهیم جهش ژنتیکی، سبک جدیدی از هوش مصنوعی را مطرح می‌کنند. چنین رویکردی موجب توسعه‌ی هوش مصنوعی با توانایی ساختن هوش مصنوعی دیگر شد. استفاده از الگوریتم‌های تکاملی برای بهینه‌سازی شبکه‌های عصبی، به عبارت Neuroevolution شناخته می‌شود و در توسعه‌ی نسل‌های بعدی از سیستم‌های هوشمند،‌ کارایی بسیاری خواهد داشت. جدیدترین دستاوردها در این حوزه، در آزمایشگاه هوش مصنوعی اوبر رخ داد که از الگوریتم‌های ژنتیکی برای آموزش شبکه‌های عصبی عمیق در جهت یادگیری پیشرفته استفاده کرد.

سیستم‌های خبره، از مفاهیم دیگر توسعه‌‌یافته در مسیر هوش مصنوعی هستند. این سیستم‌ها با قوانینی برنامه‌ریزی می‌شوند که امکان تصمیم‌گیری براساس مجموعه‌ای عظیم از داده را به آن‌ها می‌دهد. چنین رویکردی، رفتار ذهن انسان را در حوزه‌ای خاص، شبیه‌سازی می‌کند. از نمونه‌های سیستم خبره می‌توان به خلبان خودکار در هواپیما اشاره کرد.

پردازنده‌های اختصاصی یادگیری ماشین

از دستاوردهای مهم سال‌های اخیر در حوزه‌ی هوش مصنوعی، پیشرفت‌های یادگیری ماشین و خصوصا یادگیری عمیق، مهم‌ترین تأثیر را بر پیشرفت علم داشته‌اند. بخش مهمی از دستاوردها، به‌خاطر ظهور مفاهیم کلان‌داده ممکن شد. به‌علاوه، افزایش قدرت در حوزه‌ی رایانش موازی هم به سرعت گرفتن توسعه‌ی فناوری کمک کرد. در رایانش موازی، خوشه‌هایی از پردازنده‌های گرافیکی برای آموزشی سیستم‌های یادگیری ماشین استفاده می‌شوند.

خوشه‌های پردازنده‌ی گرافیکی، سیستم‌‌های قدرتمندتری در آموزش مدل‌های یادگیری ماشین هستند و امروزه به‌‌صورت سرویس‌های ابری هم در اختیار کارشناسان قرار دارند. با توسعه‌ی چنین مفاهیمی، ساخت تراشه‌های اختصاصی برای اجرا و آموزش مدل‌های یادگیری ماشین هم سرعت گرفت. از میان پردازنده‌های اختصاصی می‌توان به واحد پردازشی تنسور (TPU) محصول شرکت گوگل اشاره کرد که از کتابخانه‌ی نرم‌افزاری TensorFlow ساخت همان شرکت، برای استخراج اطلاعات از داده استفاده می‌کند.

تراشه‌های اختصاصی گوگل نه‌تنها در پرورش مدل‌های دیپ‌مایند و گوگل برین کاربرد دارند، در کارایی‌های مرسوم‌تری همچون سرویس ترجمه‌ای این شرکت یا شناسایی تصویر در جست‌وجوی عکس، دیده می‌شوند. به‌علاوه کاربران عمومی نیز می‌توانند با سرویس‌های ابری همچون TensorFlow Research Cloud مدل‌های یادگیری ماشین خود را با استفاده از پردازنده‌های گوگل توسعه دهند.

یادگیری تحت نظارت

یادگیری ماشینی تحت نظارت، یکی از مرسوم‌ترین روش‌های آموزش مدل‌ها محسوب می‌شود. در چنین روشی، سیستم هوش مصنوعی با استفاده از مثال‌های متعدد برچسب‌گذاری‌شده، تحت آموزش قرار می‌گیرد. داده‌های آموزشی می‌توانند مجموعه‌ای از تصاویر باشند که محتوای آن‌ها، با برچسب اختصاصی مشخص شده باشد. در نمونه‌های دیگر، شاهد استفاده از متونی برای آموزش هستیم که با پاورقی‌های اختصاصی، موضوع اصلی آن‌ها تعیین می‌شود. مدل یادگیری با بهره‌گیری از همین برچسب‌ها، برچسب‌گذاری روی داده‌های جدید را می‌آموزد.

آموزش دادن مدل ماشینی با بهره‌گیری از مثال، با اصطلاح یادگیری تحت نظارت (Supervised Learning) شناخته می‌شود. برای برچسب‌گذاری داده‌های اولیه، از کاربران انسانی استفاده می‌شود که در پلتفرم‌‌هایی همچون Amazon Mechanical Turk استخدام می‌شوند. آموزش مد‌ل‌های این‌چنینی، نیاز به پایگاه‌های عظیم داده دارد و برخی اوقات برای یادگیری یک وظیفه‌ی به‌خصوص، باید میلیون‌های مثال به الگوریتم تزریق شود.

دیتاست‌های آموزشی برای مدل‌های یادگیری ماشین، روز‌به‌روز بزرگ‌تر و در دسترس‌تر می‌شوند. گوگل دیتاستی به‌نام Open Images دارد که ۹ میلیون تصویر را در اختیار کاربر قرار می‌دهد. یوتیوب نیز مجموعه‌ای ای از ویدئوهای برچسب‌گذاری‌شده دارد که شامل هفت میلیون ویدئوی است. از دیتابیس‌های دیگر می‌توان به دیتاست پیش‌گام ImageNet اشاره کرد که ۱۴ میلیون تصویر با دسته‌بندی مشخص را ارائه می‌کند. حدود ۵۰ هزار نفر در توسعه‌ی این دیتاست نقش داشتند که کامل شدنش دو سال طول کشید. اکثر آن افراد، در پلتفرم آمازون استخدام شده بودند که بررسی و دسته‌بندی برچسب‌گذاری تصاویر را برعهده داشتند.

با پیشرفت ابزارهای هوش مصنوعی، دست‌رسی به دیتاست‌های عظیم برچسب‌گذاری شده، اهمیت کمتری نسبت به دست‌رسی به قدرت پردازشی عظیم پیدا کرد. در سال‌های اخیر شبکه‌های موسوم به GAN نشان دادند که سیستم‌های یادگیری ماشین، تنها با دریافت داده‌های محدود و کوچک، توانایی تولید داده‌های عظیم برای آموزش خود را دارند. چنین رویکردی، احتمالا به توسعه‌ی مفهوم یادگیری نیمه نظارتی منجر خواهد شد که در آن، سیستم‌‌ها با دیتاست‌های بسیار کوچک‌تر از دیتاست‌های امروزی، آموزش می‌بینند.

یادگیری بدون نظارت

یادگیری بدون نظارت، بدون نیاز به دیتاست‌های برچسب‌گذاری‌شده انجام می‌شود. الگوریتم‌ها در چنین روندی از یادگیری، تلاش می‌کنند تا الگوی مشترک میان داده‌ها را بیابند. درواقع آن‌ها به‌دنبال شباهت‌هایی می‌گردند که دسته‌بندی داده‌ها را راحت می‌کند. به‌عنوان مثال می‌توان به دسته‌بندی میوه‌های هم‌وزن یا خودروهایی با ابعاد موتور برابر اشاره کرد.

یادگیری بدون نظارت، با هدف انتخاب داده‌‌ی خاص از میان دیتاست داده انجام نمی‌شود. درواقع چنین الگوریتم‌هایی تنها تلاش می‌کنند تا داده‌های با مشخصات مشابه را پیدا کنند. به‌عنوان مثالی کاربردی، می‌توان به فیدهای خبری اشاره کرد که موضوع‌های مشابه را به‌صورت روزمره در دسته‌های مشخص قرار می‌دهند.

یادگیری تقویت‌شده

یادگیری تقویت‌شده یا جایزه‌ای، شباهت زیادی به آموزش حیوانات خانگی دارد. در چنین مدلی، سیستم به‌خاطر دستیابی به خروجی موردنظر، پاداش دریافت می‌کند. درنتیجه تلاش می‌کند تا پاداش خود را براساس داده‌های ورودی، به حداکثر برساند. چنین روشی از آموزش، بیشتر با سعی و خطا انجام می‌شود تا بیشترین پاداش درنهایت از میان گزینه‌های متعدد پیدا شود.

شبکه‌ی Deep Q گوگل یکی از مثال‌های معروف در یادگیری تقویت‌شده محسوب می‌شود. این شبکه تاکنون بازیکنان حرفه‌ای را در مسابقه‌های گوناگون بازی ویدئویی شکست داده است. سیستم مذکور، پیکسل‌های هر بازی را دریافت کرده و مواردی همچون فاصله‌ی المان‌‌ها را در نمایشگر، تشخیص می‌دهد. در ادامه، سیستم با مشاهده‌ی امتیاز هر بازی، مدلی از انتخاب‌ها می‌سازد که بیشترین امتیاز را به‌‌همراه دارند.

هوش مصنوعی در پزشکی

یکی از حوزه‌های مهم کاربرد هوش مصنوعی، علم پزشکی است. ماشین‌های هوشمند امروزه در کنار پزشکان و متخصصان به تشخیص بیماری از تصاویر پزشکی کمک می‌کنند. به‌علاوه آن‌ها توانایی تشخیص الگوهای ژنتیکی را دارند که منجر به بیماری‌های خاص می‌شوند. در داروسازی نیز می‌توان با استفاده از هوش مصنوعی، مولکول‌های کاربردی‌تر در ساخت دارو را کشف کرد.

برنامه‌های آزمایشی متعددی در سرتاسر جهان انجام شده‌اند تا تأثیر و کاربرد هوش مصنوعی را در بیمارستان‌ها بررسی کنند. به‌عنوان مثال ابزار پشتیبانی تصمیم‌های کلینیکی واتسون از شرکت IBM، در برخی بیمارستان‌ها به‌صورت آزمایشی استفاده می‌شود. هوش مصنوعی دیپ‌مایند گوگل نیز در سرویس سلامت ملی بریتانیا و در بخش بیماری‌های سر و گردن استفاده می‌شود که ناهنجاری‌های چشمی را در مسیر تشخیص بیماری، بررسی می‌کند.

آینده هوش مصنوعی و تأثیر آن بر جهان

رویکرد کنونی جهان به‌سمت توسعه‌ی ربات‌هایی با قابلیت فعالیت خودکار و درک و حرکت در جهان پیرامون، نشان‌دهنده‌ی هم‌پوشانی طبیعی است که بین علم رباتیک و هوش مصنوعی وجود دارد. هوش مصنوعی یکی از فناوری‌های متعدد مورد استفاده در ربات‌ها محسوب می‌شود. ازطرفی توسعه‌ی هوش مصنوعی باعث شد تا ربات‌ها در حوزه‌های جدیدی همچون خودروهای خودران و ربات‌های تحویل کالا و ربات‌های آموزگار دیده شوند.

جهان فناوری امروز در لبه‌‌ی پرش به مرحله‌ای جدید از توانایی‌های هوش مصنوعی قرار دارد. شبکه‌های عصبی امروزی توانایی ساختن تصاویر واقعی را دارند و حتی با کیفیت بالا، صدای افراد را شبیه‌سازی می‌کنند. البته چنین پیشرفت‌هایی، با نگرانی‌های اجتماعی نیز همراه بوده است. از دستاوردهای خبرساز اخیر می‌توان به دیپ‌فیک اشاره کرد که لزوم کنترل و قانون‌گذاری بیشتر بر روند توسعه‌ی هوش مصنوعی را دوچندان می‌کند.

از پیشرفت‌های مهم یادگیری ماشین در دوران کنونی می‌توان به تشخیص دقیق صحبت‌های کاربر اشاره کرد. سیستم‌‌های کنونی با دقت ۹۵ درصد، صحبت‌های انسان را تشخیص می‌دهند. مایکروسافت اخیرا اعلام کرد که هوش مصنوعی با دقت برابر با انسان توسعه داده است که توانایی تبدیل صوت به متن را دارد. محققان به‌دنبال دقت ۹۹ درصدی در تشخیص صوت هوش مصنوعی هستند و در آینده‌ی نه‌چندان دور، صحبت کردن با ماشین به یکی از رویکردهای اصلی تعامل کاربر با کامپیوتر تبدیل خواهد شد.

در سال‌های اخیر دقت و کیفیت تشخیص چهره در سیستم‌‌های کامپیوتری بهبود یافته است. امروز غول چینی دنیای فناوری، بایدو، ادعا می‌کند که سیستم با توانایی تشخیص چهره با دقت ۹۹ درصد دارد. نیروهای پلیس و دیگر مجریان قانون در کشورهای غربی، برنامه‌های آزمایشی با هدف استفاده از هوش مصنوعی در تشخیص چهره‌ی مجرمان اجرا کرده‌اند. چینی‌ها چند قدم فراتر رفته‌اند و برنامه‌ای در سطح ملی برای اتصال دوربین‌های مداربسته به هوش مصنوعی عظیم تشخیص چهره دارند. آن‌ها همچنین به‌دنبال تجهیز پلیس خود به عینک‌هایی با قابلیت تشخیص چهره هستند.

آیا هوش مصنوعی بشر را نابود می‌کند؟

پاسخ به نگرانی درباره‌ی تهدیدهای هوش مصنوعی، به مخاطب سؤال بستگی دارد. به‌هرحال با پیشرفت سیستم‌‌های مبتنی بر هوش مصنوعی، نگرانی‌ها از خطر آن‌ها نیز بیشتر شده است. مدیرعامل تسلا و اسپیس ایکس،‌ ایلان ماسک، هوش مصنوعی را «تهدیدی بنیادی برای موجودیت تمدن بشری» می‌داند. او در مسیر تلاش‌هایش برای افزایش نظارت و تنظیم‌گری بر تحقیقات هوش مصنوعی و کاهش اثرات مضر آن، شرکت تحقیقاتی OpenAI را به‌صورت یک سازمان غیرانتفاعی راه‌اندازی کرد. استیون هاوکینگ فقید نیز درباره‌ی تهدیدهای هوش مصنوعی هشدار داده بود. او اعتقاد داشت وقتی هوش مصنوعی حرفه‌ای و پیشرفته توسعه داده شود، با سرعت زیادی انسان را پشت سر می‌‌گذارد و به‌خاطر اصلی تکینگی، تهدیدی جدی برای جامعه‌ی بشری خواهد بود.

باوجود نگرانی‌های متعددی که ازسوی برخی کارشناسان پیرامون هوش مصنوعی مطرح می‌شود، بسیاری از محققان آن را مضحک می‌دانند. درواقع ازنظر آن‌ها هنوز فاصله‌ی زیادی با انفجار هوش مصنوعی و پیش افتادن آن از عقل انسانی داریم. کریس بیشاپ، مدیر واحد تحقیقات مایکروسافت در کمبریج انگلستان اعتقاد دارد هوش مصنوعی محدود کنونی، فاصله‌ی زیادی با هوش عمومی مصنوعی دارد. ازنظر او نگرانی‌های «مضحک» که آینده‌ای شبیه به فیلم ترمیناتور را ترسیم می‌کنند، هنوز دهه‌ها با واقعیت فاصله دارند.

آیا هوش مصنوعی موجب بیکاری ما می‌شود؟

از میان نگرانی‌هایی که پیرامون هوش مصنوعی مطرح می‌شود، نگرانی از جایگزینی شغل‌ها توسط ماشین‌های هوشمند، عاقلانه‌تر و محتمل‌تر به‌نظر می‌رسد. اگرچه هوش مصنوعی به‌صورت کامل جایگزین اشتغال انسانی نمی‌شود، اما به‌هرحال طبیعت شغل و کار را تغییر می‌دهد. اکنون تنها سرعت و چگونگی تغییر و تحول در محیط کار به‌خاطر اتوماسیون مطرح می‌شود. ازطرفی هوش مصنوعی توانایی جایگزینی بسیاری از توانایی‌های انسانی را دارد. اندرو ان‌جی، متخصص هوش مصنوعی می‌گوید انسان‌ها امروزه فعالیت‌های تکراری و ساده‌ی زیادی را در محیط‌‌های کاری انجام می‌دهند که هوش مصنوعی به‌راحتی توانایی جایگزینی آن‌ها را خواهد داشت.

اخبار کنونی از جایگزینی شغل‌های انسانی توسط اتوماسیون، به‌هرحال نگرانی‌هایی را ایجاد می‌کند. آمازون یکی از پیش‌گامان جایگزینی نیروی انسانی با ربات است. آن‌ها چندی پیش فروشگاه آمازون گو را در سیاتل راه‌اندازی کردند که نیاز به صندوق‌دار را در فروشگاه‌های زنجیره‌ای از بین برد. چنین رویکردی می‌تواند حداقل برای سه میلیون صندوق‌دار شاغل در آمریکا، تهدیدی جدی باشد. به‌علاوه غول تجارت الکترونیک در انبارهای خود برای جابه‌جایی کالا از ربات استفاده می‌کند و تاکنون ۱۰۰ هزار ربات کارگر را در انبارهای خود به‌کار گرفته است. البته آن‌ها ادعا می‌کنند که به‌اندازه‌ی افزایش ربات‌ها، نیروی انسانی را هم افزایش داده‌اند، اما به‌هرحال آمازون و شرکت‌های رباتیک همکار در تلاش هستند تا شغل‌های دستی باقی‌مانده در انبارها را نیز با فرایند اتوماسیون جایگزین کنند.

اتوماسیون در صنعت حمل‌ونقل، هنوز به زمان زیادی برای توسعه نیاز دارد. اگرچه خودروهای سواری و باری خودکار هنوز سال‌ها تا توسعه‌ی نهایی فاصله دارند، اما به‌هرحال نگرانی از جایگزینی شغل‌های رانندگی توسط هوش مصنوعی، غیرمنطقی نخواهد بود. ازطرفی همه‌ی شغل‌های در معرض جایگزینی توسط هوش مصنوعی، با ربات‌ها جایگزین نمی‌شوند. درحال‌حاضر افراد زیادی هستند که فعالیت‌های اداری تکراری انجام می‌دهند و با پیشرفت نرم‌افزارها و سیستم‌های اتوماسیون، شغل آن‌ها نیز در معرض خطر قرار دارد.

هر تغییر مسیری در دنیای فناوری، با از بین رفتن تعدادی شغل و تولد شغل‌هایی جدید همراه می‌شود. منتقدان نظریه‌ی تسلط هوش مصنوعی بر دنیای کسب‌وکار نیز اعتقاد دارند شغل‌های جدید، فرصت کار را همیشه برای نیروی انسانی زنده نگه می‌دارند. به‌هرحال هنوز این سؤال وجود دارد که آیا شغل‌‌های جدید، با سرعت مناسب و برابر با از بین رفتن شغل‌های قدیمی، متولد می‌شوند؟

همه‌ی نظریه‌ها پیرامون آینده‌ی اشتغال با حضور هوش مصنوعی، بدبینانه نیست. برخی اعتقاد دارند که هوش مصنوعی در آینده به‌جای جایگزینی شغل ما، به بهبود فعالیت‌ها کمک می‌کند. به‌عنوان مثال می‌توان به ابزارهای هوشمند مانند عینک واقعیت مجازی اشاره کرد که به افزایش بهره‌وری کارگران می‌انجامند.