حتما تا به حال نام هوش مصنوعی به گوش شما خورده است. بنابراین می خواهید بدانید که این عبارتی که جدیدا زیاد به کار برده می شود چه معنایی دارد. در این مقاله قصد داریم همه چیز را در مورد هوش مصنوعی به شما بگوییم. بنابراین با ما همراه باشید.  در این مقاله هر جا از AI استفاده شد به معنای هوش مصنوعی است!.

هوش مصنوعی چیست؟

هوش مصنوعی (AI) شاخه ای گسترده از علوم کامپیوتر است که با ساخت ماشین های هوشمندی که قادر به انجام وظایفی هستند که معمولاً به هوش انسانی نیاز دارند، مربوط می شود.

چهار نوع AI چیست؟

ماشین های واکنشی
حافظه محدود
نظریه ذهن
خودآگاهی

نمونه هایی از AI چیست؟

سیری، الکسا و دستیاران هوشمند دیگر
ماشین های خودران
مشاوران روبو
ربات های مکالمه ای
فیلترهای اسپم ایمیل
توصیه های نتفلیکس

AI چگونه کار می کند؟

کاربرد های هوش مصنوعی

رویکردها و مفاهیم هوش مصنوعی

کمتر از یک دهه پس از شکستن ماشین رمزگذاری انیگما و کمک به نیروهای متفقین برای پیروزی در جنگ جهانی دوم، ریاضیدان آلن تورینگ با یک سوال ساده تاریخ را برای بار دوم تغییر داد: “آیا ماشین ها می توانند فکر کنند؟”

مقاله تورینگ “ماشین آلات محاسباتی و هوش” (1950) و آزمون تورینگ متعاقب آن، هدف و چشم انداز اساسی هوش مصنوعی را ایجاد کرد.

در هسته خود، هوش مصنوعی شاخه ای از علوم کامپیوتر است که هدف آن پاسخ مثبت به سوال تورینگ است. این تلاش برای تکرار یا شبیه سازی هوش انسانی در ماشین ها است.

هدف گسترده AI سوالات و بحث های زیادی را به وجود آورده است. به حدی که هیچ تعریف واحدی از این رشته به طور کلی پذیرفته نشده است.

آیا ماشین ها می توانند فکر کنند؟ – آلن تورینگ، 1950

محدودیت اصلی در تعریف AI به‌عنوان «ساخت ماشین‌های هوشمند» این است که واقعاً توضیح نمی‌دهد که AI چیست؟ چه چیزی یک ماشین را هوشمند می کند؟ هوش مصنوعی یک علم میان رشته‌ای با رویکردهای متعدد است، اما پیشرفت‌ها در یادگیری ماشینی و یادگیری عمیق تقریباً در هر بخش از صنعت فناوری یک تغییر پارادایم ایجاد می‌کند. به عنوان مثال امروزه هوش مصنوعی در زمینه اینترنت اشیا استفاده می شود. اما می تواند امنیت سایبری را هم به خطر بیندازد.

نویسندگان استوارت راسل و پیتر نورویگ در کتاب درسی پیشگامانه خود هوش مصنوعی: رویکردی مدرن، با یکپارچه‌سازی کار خود پیرامون موضوع عوامل هوشمند در ماشین‌ها، به این سؤال می‌پردازند. با در نظر گرفتن این موضوع، هوش مصنوعی «مطالعه عواملی است که ادراکاتی را از محیط دریافت می‌کنند و اعمالی را انجام می‌دهند»

نورویگ و راسل در ادامه به بررسی چهار رویکرد مختلف می‌پردازند که از لحاظ تاریخی حوزه هوش مصنوعی را تعریف کرده‌اند:

انسان اندیشی
عقلانی فکر کردن
انسانی عمل کردن
منطقی عمل کردن

بررسی ایده ها

دو ایده اول مربوط به فرآیندهای فکری و استدلال است، در حالی که بقیه با رفتار سروکار دارند. نورویگ و راسل به ویژه بر عوامل منطقی تمرکز می کنند که برای دستیابی به بهترین نتیجه عمل می کنند، و خاطرنشان می کنند “همه مهارت های مورد نیاز برای آزمون تورینگ همچنین به عامل اجازه می دهد تا منطقی عمل کند.”

پاتریک وینستون، استاد هوش مصنوعی و علوم کامپیوتر فورد در MIT، هوش مصنوعی را اینگونه تعریف می‌کند: «الگوریتم‌هایی که توسط محدودیت‌ها فعال می‌شوند، در معرض نمایش‌هایی قرار می‌گیرند که از مدل‌هایی پشتیبانی می‌کنند که در حلقه‌هایی هدف قرار می‌گیرند که تفکر، ادراک و عمل را به هم گره می‌زنند».

در حالی که این تعاریف ممکن است برای افراد عادی انتزاعی به نظر برسند، اما به تمرکز این رشته به عنوان حوزه ای از علوم کامپیوتر کمک می کنند و طرحی را برای تزریق ماشین ها و برنامه ها با یادگیری ماشین و سایر زیرمجموعه های هوش مصنوعی ارائه می دهند.

انواع هوش مصنوعی

چهار نوع هوش مصنوعی

ماشین های واکنشی

یک ماشین واکنش‌گرا از ابتدایی‌ترین اصول هوش مصنوعی پیروی می‌کند و همانطور که از نامش پیداست، فقط قادر است از هوش خود برای درک و واکنش به دنیای مقابل خود استفاده کند. یک ماشین واکنشی نمی تواند یک حافظه را ذخیره کند و در نتیجه نمی تواند به تجربیات گذشته برای اطلاع رسانی تصمیم گیری در زمان واقعی (در لحظه) تکیه کند.

درک جهان به طور مستقیم به این معنی است که ماشین‌های راکتیو فقط برای انجام تعداد محدودی از وظایف تخصصی طراحی شده‌اند. با این حال، محدود کردن عمدی جهان بینی یک ماشین واکنشی، هیچ نوع اقدامی برای کاهش هزینه نیست، و در عوض به این معنی است که این نوع AI قابل اعتمادترخواهد بود – هر بار به همان روشی به محرک های مشابه واکنش نشان می دهد.

یک نمونه معروف از ماشین های واکنشی Deep Blue است که توسط IBM در دهه 1990 به عنوان یک ابررایانه شطرنج بازی طراحی شد و استاد بزرگ بین المللی گری کاسپاروف را در یک بازی شکست داد. دیپ بلو فقط می‌توانست مهره‌های روی صفحه شطرنج را شناسایی کند و بداند که هر کدام بر اساس قوانین شطرنج چگونه حرکت می‌کنند، موقعیت فعلی هر مهره را تصدیق کند، و منطقی‌ترین حرکت را در آن لحظه تعیین کند. کامپیوتر حرکات احتمالی آتی حریف خود را دنبال نمی کرد یا سعی نمی کرد مهره های خود را در موقعیت بهتری قرار دهد. هر چرخشی به عنوان واقعیت خود، جدا از هر حرکت دیگری که از قبل انجام شده بود، تلقی می شد.

مثال

نمونه‌ای از یک ماشین واکنش‌گرای بازی، AlphaGo گوگل است. AlphaGo همچنین قادر به ارزیابی حرکت‌های آینده نیست، اما برای ارزیابی پیشرفت‌های بازی کنونی به شبکه عصبی خود متکی است و به آن برتری نسبت به Deep Blue در یک بازی پیچیده‌تر می‌دهد. AlphaGo همچنین با شکست دادن قهرمان Go Lee Sedol در سال 2016 بر رقبای کلاس جهانی برتری داشت.

اگرچه از نظر دامنه محدود است و به راحتی تغییر نمی کند، هوش مصنوعی ماشین واکنشی می تواند به سطحی از پیچیدگی دست یابد و زمانی که برای انجام وظایف تکرارپذیر ایجاد شود، قابلیت اطمینان را ارائه می دهد. به دلیل اینکه هوش مصنوعی می تواند به شدت پیشرفته باشد در بشخ های محتلف از احراز هویت دو عاملی برای جلوگیری از نفوذ  این ماشین ها استفاده می شود.

حافظه محدود

AIی حافظه محدود این توانایی را دارد که داده‌ها و پیش‌بینی‌های قبلی را هنگام جمع‌آوری اطلاعات و سنجیدن تصمیمات بالقوه ذخیره کند – اساساً به دنبال سرنخ‌هایی در مورد آنچه ممکن است در آینده رخ دهد، به گذشته نگاه می‌کند. هوش مصنوعی حافظه محدود پیچیده‌تر است و امکانات بیشتری را نسبت به ماشین‌های واکنش‌پذیر ارائه می‌دهد.

هوش مصنوعی حافظه محدود زمانی ایجاد می شود که یک تیم به طور مداوم مدلی را در مورد نحوه تجزیه و تحلیل و استفاده از داده های جدید آموزش دهد یا یک محیط هوش مصنوعی ساخته شود تا مدل ها به طور خودکار آموزش داده و تجدید شوند. هنگام استفاده از هوش مصنوعی حافظه محدود در یادگیری ماشین، شش مرحله باید دنبال شود:

داده های آموزشی باید ایجاد شود، مدل یادگیری ماشین باید ایجاد شود، مدل باید قادر به پیش بینی باشد، مدل باید قادر به دریافت بازخورد انسانی یا محیطی باشد. که بازخورد باید به عنوان داده ذخیره شود، و این مراحل باید به عنوان یک چرخه تکرار شوند.

سه مدل اصلی یادگیری ماشینی وجود دارد که از AI حافظه محدود استفاده می کنند:

یادگیری تقویتی، که یاد می گیرد از طریق آزمون و خطای مکرر پیش بینی های بهتری انجام دهد.
حافظه کوتاه مدت بلند مدت (LSTM)، که از داده های گذشته برای کمک به پیش بینی مورد بعدی در یک دنباله استفاده می کند. LTSMها اطلاعات جدیدتر را هنگام پیش‌بینی و تخفیف داده‌های گذشته در گذشته مهم‌تر می‌دانند. اگرچه هنوز از آن برای نتیجه‌گیری استفاده می‌کنند.
شبکه‌های متخاصم مولد تکاملی (E-GAN)، که در طول زمان تکامل می‌یابد و مسیرهای کمی تغییر یافته را بر اساس تجربیات قبلی با هر تصمیم جدید کشف می‌کند. این مدل دائماً به دنبال مسیری بهتر است و از شبیه‌سازی‌ها و آمار یا شانس برای پیش‌بینی نتایج در طول چرخه جهش تکاملی خود استفاده می‌کند.

ارتباط انسان ها و هوش مصنوعی به شدت موضوع چالش برانگیزی است

نظریه ذهن

نظریه ذهن دقیقاً همین است. ما هنوز به توانایی های فنی و علمی لازم برای رسیدن به این سطح AI دست نیافته ایم.

این مفهوم بر اساس پیش‌فرض روان‌شناختی درک این موضوع است که موجودات زنده دیگر افکار و احساساتی دارند که بر رفتار شخص تأثیر می‌گذارند. از نظر ماشین‌های AI، این بدان معناست که هوش مصنوعی می‌تواند احساسات انسان‌ها، حیوانات و سایر ماشین‌ها را درک کند و از طریق خود اندیشی و تصمیم‌گیری تصمیم بگیرد و سپس از این اطلاعات برای تصمیم‌گیری خود استفاده کند. اساساً، ماشین‌ها باید بتوانند مفهوم «ذهن»، نوسانات احساسات در تصمیم‌گیری و مجموعه‌ای از مفاهیم روان‌شناختی دیگر را در زمان واقعی درک و پردازش کنند و یک رابطه دو طرفه بین افراد و هوش مصنوعی ایجاد کنند.

اگر AI خودآگاه شود چه؟

خودآگاهی

زمانی که تئوری ذهن در AI ایجاد شود، در آینده نزدیک، گام نهایی برای خودآگاهی AI خواهد بود. این نوع هوش مصنوعی دارای آگاهی در سطح انسانی است و وجود خود در جهان و همچنین حضور و وضعیت عاطفی دیگران را درک می کند. این می تواند بفهمد که دیگران ممکن است به چه چیزهایی نیاز داشته باشند. نه فقط بر اساس آنچه با آنها ارتباط برقرار می کنند، بلکه بر اساس نحوه ارتباط آنها.

خودآگاهی در AI هم به محققان انسانی متکی است. که مقدمات آگاهی را درک کنند . سپس یاد بگیرند که چگونه آن را تکرار کنند تا بتوان آن را در ماشین ها ساخت.

هوش مصنوعی چگونه استفاده می شود؟

جرمی آچین، مدیر عامل DataRobot در حالی که در سال 2017 در نمایشگاه هوش مصنوعی ژاپن سخنرانی می کرد، سخنرانی خود را با ارائه تعریف زیر از نحوه استفاده از هوش مصنوعی امروزی آغاز کرد:

“AI یک سیستم کامپیوتری است که قادر به انجام وظایفی است که معمولاً به هوش انسانی نیاز دارند… بسیاری از این سیستم های هوش مصنوعی با یادگیری ماشینی، برخی از آنها با یادگیری عمیق و برخی از آنها با چیزهای بسیار خسته کننده مانند قوانین قدرت می گیرند. ”

AI به طور کلی در دو دسته کلی قرار می گیرد:

AI باریک: گاهی اوقات به عنوان “هوش مصنوعی ضعیف” شناخته می شود، این نوع هوش مصنوعی در یک زمینه محدود عمل می کند و شبیه سازی هوش انسانی است. هوش مصنوعی باریک اغلب بر روی انجام یک کار واحد متمرکز است . در حالی که این ماشین‌ها ممکن است هوشمند به نظر برسند، حتی از ابتدایی‌ترین هوش انسانی تحت محدودیت‌ها و محدودیت‌های بسیار بیشتری کار می‌کنند.

هوش مصنوعی قوی (AGI): AGI که گاهی به آن “هوش مصنوعی قوی” نیز گفته می شود، نوعی هوش مصنوعی است که در فیلم ها می بینیم، مانند روبات های Westworld یا Data from Star Trek: The Next Generation. AGI یک ماشین با هوش عمومی است و مانند یک انسان، می تواند از این هوش برای حل هر مشکلی استفاده کند.

هوش مصنوعی انواع زیادی دارد که کاربرد های متفاوتی را از خود نشان می دهند

1-هوش مصنوعی باریک

AI باریک در اطراف ما وجود دارد و به راحتی موفق ترین تحقق هوش مصنوعی تا به امروز است. با توجه به “آماده سازی برای آینده هوش مصنوعی”، با تمرکز بر انجام وظایف خاص، Narrow AI پیشرفت های متعددی را در دهه گذشته تجربه کرده است که “مزایای اجتماعی قابل توجهی داشته و به سرزندگی اقتصادی کشور کمک کرده است.” گزارش سال 2016 که توسط دولت اوباما منتشر شد.

چند نمونه از Narrow AI عبارتند از:

جستجوی گوگل
نرم افزار تشخیص تصویر
سیری، الکسا و دستیاران شخصی دیگر
ماشین های خودران
واتسون IBM

یادگیری ماشینی و یادگیری عمیق

بخش عمده ای از Narrow AI توسط پیشرفت هایی در یادگیری ماشینی و یادگیری عمیق ایجاد می شود. درک تفاوت بین هوش مصنوعی، یادگیری ماشین و یادگیری عمیق می تواند گیج کننده باشد. فرانک چن، سرمایه‌دار ، نمای کلی خوبی از نحوه تمایز بین آنها ارائه می‌دهد و خاطرنشان می‌کند:

AI مجموعه ای از الگوریتم ها و هوش برای تقلید از هوش انسان است. یادگیری ماشینی یکی از آنهاست و یادگیری عمیق یکی از آن تکنیک های یادگیری ماشینی است.

به زبان ساده، یادگیری ماشینی داده‌های رایانه را تغذیه می‌کند و از تکنیک‌های آماری استفاده می‌کند تا به آن کمک کند تا «بیاموزد» چگونه در یک کار به تدریج بهتر شود، بدون اینکه به طور خاص برای آن کار برنامه‌ریزی شده باشد، و نیازی به میلیون‌ها خط کد نوشته شده را از بین می‌برد. یادگیری ماشینی شامل یادگیری نظارت شده (با استفاده از مجموعه داده های برچسب دار) و یادگیری بدون نظارت (با استفاده از مجموعه داده های بدون برچسب) است.

یادگیری عمیق نوعی یادگیری ماشینی است که ورودی ها را از طریق معماری شبکه عصبی الهام گرفته از بیولوژیکی اجرا می کند. شبکه‌های عصبی حاوی تعدادی لایه پنهان هستند که داده‌ها از طریق آنها پردازش می‌شوند و به ماشین اجازه می‌دهند تا در یادگیری خود “عمیق” پیش برود، اتصالات و وزن ورودی را برای بهترین نتایج ایجاد کند.

2-AI عمومی

ایجاد ماشینی با هوش در سطح انسانی که می تواند برای هر کاری به کار رود جام مقدس برای بسیاری از محققانAI

است، اما تلاش برای AGI با مشکل همراه بوده است.

جستجو برای “الگوریتم جهانی برای یادگیری و عمل در هر محیطی”  چیز جدیدی نیست، اما زمان دشواری اساساً ایجاد ماشینی با مجموعه ای کامل از توانایی های شناختی را کاهش نداده است.

AGI مدت‌هاست که الهام بخش داستان‌های علمی تخیلی دیستوپیایی بوده است. که در آن روبات‌های فوق‌هوشمند بر بشریت غلبه می‌کنند. اما کارشناسان معتقدند که این چیزی نیست که به این زودی‌ها نگران آن باشیم.