هوش مصنوعی چیست؟

هوش مصنوعی (AI) شاخه گسترده‌ای از علوم رایانه است که مربوط به ساخت ماشین‌های هوشمندی است که قادر به انجام وظایفی هستند که معمولاً به هوش انسانی نیاز دارند. AI یک علم میان رشته‌ای با چندین رویکرد است. اما پیشرفت در یادگیری ماشین و یادگیری عمیق باعث ایجاد تغییر الگوی تقریباً در هر بخش از صنعت فناوری می‌شود.

هوش مصنوعی چگونه کار می‌کند؟

آیا ماشین‌ها می‌توانند فکر کنند؟ – آلن تورینگ، 1950

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

مقاله تورینگ “ماشین آلات و هوش محاسباتی” (1950)، و آزمایش تورینگ متعاقب آن، هدف اساسی و چشم‌انداز هوش مصنوعی را تعیین کرد. در هسته اصلی خود، AI شاخه‌ای از علوم کامپیوتر است که هدف آن پاسخ مثبت به سوال تورینگ است. این تلاش برای تکرار یا شبیه‌سازی هوش انسان در ماشین است.

هدف گسترده AI سوالات و بحث‌های زیادی را به وجود آورده است. تا آنجا که هیچ تعریف واحدی از این رشته در سطح جهانی پذیرفته نشده است. عمده‌ترین محدودیت در تعریف هوش مصنوعی به عنوان ساده “ساخت ماشین‌هایی که هوشمند هستند” این است که در واقع توضیح نمی‌دهد که هوش مصنوعی چیست؟ چه چیزی یک ماشین را هوشمند می‌کند؟

نویسندگان استوارت راسل و پیتر نورویگ در کتاب درسی پیشگامانه خود، هوش مصنوعی: رویکردی مدرن، با یکسان‌سازی کار خود پیرامون موضوع عوامل هوشمند در ماشین‌ها، به این سوال می‌پردازند. با توجه به این نکته، هوش مصنوعی”مطالعه عواملی است که از محیط دریافت می‌کنند و اعمال را انجام می‌دهند”.

Norvig و Russell در ادامه به بررسی چهار رویکرد مختلف می‌پردازند که به طور تاریخی زمینه AI را تعریف کرده‌اند:

• انسانی فکر کردن
• منطقی فکر کردن
• انسانی عمل می‌کند
• منطقی عمل می‌کند

دو ایده اول مربوط به فرایندهای تفکر و استدلال است، در حالی که دیگران با رفتار سرو کار دارند. نورویگ و راسل به ویژه بر عوامل منطقی که برای رسیدن به بهترین نتیجه عمل می‌کنند تمرکز می‌کنند و خاطرنشان می‌کنند: “تمام مهارت‌های مورد نیاز برای آزمون تورینگ همچنین به یک نماینده امکان می‌دهد منطقی عمل کند.”

پاتریک وینستون، استاد AI و علوم رایانه‌ای فورد در MIT، هوش مصنوعی را چنین تعریف می‌کند: “الگوریتم‌هایی که توسط محدودیت‌ها فعال می‌شوند، در معرض نمایش‌هایی قرار می‌گیرند که از مدل‌های هدفمند حلقه‌هایی پشتیبانی می‌کنند که تفکر، ادراک و عمل را به هم گره می‌زند.”

اگرچه این تعاریف به نظر می‌رسد برای یک فرد عادی انتزاعی و غیرقابل درک باشد، اما به تمرکز حوزه به عنوان حوزه‌ای از علوم رایانه کمک می‌کند و طرحی برای تزریق ماشین‌آلات و برنامه‌ها با یادگیری ماشین و سایر زیر مجموعه‌های هوش مصنوعی فراهم می‌کند.

مدیرعامل DataRobot، جرمی آچین، هنگام سخنرانی در جمع افراد در Japan AI Experience در سال 2017، سخنرانی خود را با ارائه تعریف زیر از نحوه استفاده از هوش مصنوعی امروز آغاز کرد:

تعریف هوش مصنوعی

هوش مصنوعی یک سیستم رایانه‌ای است که قادر به انجام وظایفی است که معمولاً به هوش انسان نیاز دارد. بسیاری از این سیستم‌های هوش مصنوعی با یادگیری ماشینی کار می‌کنند، برخی از آنها با یادگیری عمیق و برخی دیگر با چیزهای بسیار کسل کننده مانند قوانین کار می‌کنند.

هوش مصنوعی چگونه استفاده می‌شود؟

هوش مصنوعی به طور کلی تحت دو دسته گسترده قرار می‌گیرد:

هوش مصنوعی باریک: گاهی اوقات به عنوان “هوش مصنوعی ضعیف” نیز شناخته می‌شود، این نوع هوش مصنوعی در یک زمینه محدود عمل می‌کند و شبیه‌سازی هوش انسانی است. هوش مصنوعی باریک اغلب بر انجام یک کار واحد بسیار خوب متمرکز است و گرچه به نظر می‌رسد این ماشین‌ها هوشمند هستند، اما آنها با محدودیت‌های بسیار بیشتری حتی از ابتدایی‌ترین هوش انسانی کار می‌کنند.

Artificial General Intelligence (AGI) :AGI که گاهی اوقات با عنوان “Strong AI” نیز شناخته می‌شود، نوعی هوش مصنوعی است که در فیلم‌ها می‌بینیم، مانند ربات های Westworld یا Data from Star Trek: The Next Generation .AGI ماشینی با هوش عمومی است و دقیقاً مانند یک انسان می‌تواند از این هوش برای حل هر مشکلی استفاده کند.

مثال‌های هوش مصنوعی

• دستیارهای هوشمند
• ابزار نقشه‌برداری و پیش بینی بیماری
• تولید ربات‌های بدون سرنشین
• توصیه‌های بهینه شده و درمانی مراقبت‌های بهداشتی
• ربات‌های مکالمه برای بازاریابی و خدمات به مشتری
• مشاوران روبو برای تجارت سهام
• فیلترهای هرزنامه از طریق ایمیل
• ابزارهای نظارت بر شبکه های اجتماعی برای محتوای خطرناک یا اخبار دروغ
• توصیه های آهنگ یا برنامه تلویزیونی از Spotify و Netflix

هوش مصنوعی باریک

هوش مصنوعی باریک در پیرامون زندگی ما بوده و به راحتی موفق‌ترین تحقق هوش مصنوعی تاکنون است. با تمرکز بر انجام وظایف خاص، هوش مصنوعی باریک در دهه گذشته موفقیت‌های زیادی را تجربه کرده است که دارای مزایای قابل توجهی در جامعه بوده و به نشاط اقتصادی ملت کمک کرده است.

چند نمونه از هوش مصنوعی باریک عبارتند از:

• جستجوی گوگل
• نرم‌افزار تشخیص تصویر
• سیری، الکسا و سایر دستیاران شخصی
• اتومبیل‌های خودران
• واتسون IBM

یادگیری ماشین و یادگیری عمیق

بیشتر هوش مصنوعی باریک با پیشرفت‌هایی در یادگیری ماشین و یادگیری عمیق ایجاد می‌شود. درک تفاوت بین هوش مصنوعی، یادگیری ماشین و یادگیری عمیق می‌تواند گیج کننده باشد. سرمایه‌گذار خطرپذیر، فرانک چن، نمای خوبی از چگونگی تمایز بین آنها ارائه می‌دهد، و خاطرنشان می‌کند:

هوش مصنوعی مجموعه‌ای از الگوریتم‌ها و هوش برای تقلید از هوش انسان است. یادگیری ماشین یکی از آنهاست، و یادگیری عمیق یکی از آن تکنیک‌های یادگیری ماشین است.

به زبان ساده، یادگیری ماشینی داده‌های رایانه را تغذیه می‌کند و از تکنیک‌های آماری برای کمک به “یادگیری” نحوه پیشرفت بهتر در یک کار، بدون اینکه برای آن کار به طور خاص برنامه‌ریزی شده باشد، استفاده می‌کند و میلیون‌ها خط کد نوشته شده را از بین می‌برد. یادگیری ماشین شامل یادگیری تحت نظارت (با استفاده از مجموعه داده‌های دارای برچسب) و یادگیری بدون نظارت (با استفاده از مجموعه داده‌های بدون برچسب) است.

یادگیری عمیق

یادگیری عمیق نوعی یادگیری ماشینی است که ورودی‌ها را از طریق ساختار شبکه عصبی الهام گرفته از زیست‌شناسی اجرا می‌کند. شبکه‌های عصبی شامل تعدادی لایه پنهان است که داده ها از طریق آنها پردازش می‌شوند، و به ماشین اجازه می‌دهد تا درک عمیق در یادگیری خود داشته باشد، اتصالات و ورودی وزنی را برای بهترین نتیجه ایجاد کند.

هوش عمومی مصنوعی

ایجاد ماشینی با هوش در سطح انسانی که برای هر کاری قابل استفاده باشد ، برای بسیاری از محققان هوش مصنوعی جام مقدس است، اما تلاش برای AGI با دشواری همراه بوده است.

جستجوی الگوریتم جهانی برای یادگیری و عملکرد در هر محیط (راسل و نورویگ 27) چیز جدیدی نیست، اما زمان دشواری اساسی در ایجاد یک ماشین با مجموعه کامل توانایی‌های شناختی را کاهش نداده است.

---

تاریخچه هوش مصنوعی

روبات‌های هوشمند و موجودات مصنوعی اولین بار در افسانه‌های باستان یونان باستان پدیدار شدند. پیشرفت ارسطو برای هم‌افزایی و استفاده از استدلال قیاسی لحظه‌ای اساسی در تلاش بشر برای درک هوش خود بود. در حالی که ریشه‌ها طولانی و عمیق است، تاریخچه هوش مصنوعی که امروز به آن فکر می‌کنیم، کمتر از یک قرن طول می‌کشد. در زیر نگاهی گذرا به برخی از مهمترین وقایع AI می‌اندازیم.

1943

وارن مک کالو و والتر پیتز “حساب منطقی ایده‌های ماندگار در فعالیت عصبی” را منتشر کردند. در این مقاله اولین مدل ریاضی برای ایجاد یک شبکه عصبی ارائه شده است.

1949

دونالد هب در کتاب خود با عنوان “سازمان رفتار: یک نظریه عصب روانشناختی” این نظریه را ارائه می‌دهد که مسیرهای عصبی از تجربیات ایجاد می‌شوند و ارتباطات بین سلولهای عصبی هرچه بیشتر مورد استفاده قرار می‌گیرند، تقویت می‌شوند. یادگیری Hebbian همچنان به عنوان یک مدل مهم در هوش مصنوعی شناخته می‌شود.

1950

آلن تورینگ با انتشار محاسبات و ماشین آلات رایانه، پیشنهادی را ارائه می‌دهد که اکنون به عنوان آزمایش تورینگ شناخته می‌شود. روشی برای تعیین هوشمند بودن ماشین است. در دانشگاه هاروارد، ماروین مینسکی و دین ادموندز، لیسانس SNARC، اولین کامپیوتر شبکه عصبی را ساختند.
کلود شانون مقاله برنامه نویسی کامپیوتر برای بازی شطرنج را منتشر می‌کند.
آیزاک آسیموف سه قانون رباتیک را منتشر می‌کند.

1952

آرتور ساموئل یک برنامه خودآموزی برای بازی شطرنجی ایجاد می‌کند.

1954

آزمایش ترجمه ماشین Georgetown-IBM به طور خودکار 60 جمله روسی، با دقت انتخاب شده را به انگلیسی ترجمه می‌کند.

1956

عبارت هوش مصنوعی در پروژه تحقیقاتی تابستان دارتموث در مورد هوش مصنوعی ابداع شده است. به همت جان مک کارتی، کنفرانسی که دامنه و اهداف هوش مصنوعی را مشخص می‌کند، تولد هوش مصنوعی است که امروزه می‌شناسیم.
آلن نیول و هربرت سایمون تئوریست منطق (LT)، اولین برنامه استدلال را نشان می‌دهند.

1958

جان مک کارتی، زبان برنامه نویسی هوش مصنوعی Lisp را توسعه داده و مقاله Programs with Common Sense را منتشر می‌کند. در این مقاله فرضیه Advice Taker، یک سیستم هوش مصنوعی کامل با توانایی یادگیری از تجربه به همان اندازه موثر بودن انسان ارائه شده است.

1959

• آلن نیول، هربرت سایمون و جی‌شاو برنامه عمومی مسئله (GPS) را توسعه دادند، برنامه‌ای که برای تقلید از حل مسئله انسان طراحی شده است.
• هربرت گلرنتر برنامه Proore Theorem Prover را توسعه می‌دهد.
• آرتور ساموئل اصطلاح یادگیری ماشین را در IBM ارائه می‌کند.
• جان مک کارتی و ماروین مینسکی پروژه هوش مصنوعی MIT را پیدا کردند.

1963

جان مک کارتی آزمایشگاه هوش مصنوعی را در استنفورد راه‌اندازی می‌کند.

1966

گزارش کمیته مشورتی پردازش خودکار زبان (ALPAC) توسط دولت ایالات متحده جزئیات عدم پیشرفت در تحقیقات ترجمه ماشینی، یک ابتکار اصلی جنگ سرد با قول ترجمه خودکار و فوری روسی را شرح می‌دهد. گزارش ALPAC منجر به لغو تمام پروژه‌های MT بودجه دولت می‌شود.

1969

اولین سیستم‌های موفق متخصص در DENDRAL، برنامه XX، و MYCIN، طراحی شده برای تشخیص عفونت‌های خون، در استنفورد ایجاد شده است.

1972

زبان برنامه نویسی منطقی PROLOG ایجاد شده است.

1973

گزارش لایت هیل که جزئیات ناامیدکننده‌ها در تحقیقات هوش مصنوعی است، توسط دولت انگلیس منتشر شده و منجر به کاهش شدید بودجه پروژه‌های هوش مصنوعی می‌شود.

1974 – 1980

سرخوردگی از پیشرفت توسعه هوش مصنوعی منجر به کاهش عمده DARPA در کمک‌های تحصیلی می‌شود. همراه با گزارش قبلی ALPAC و گزارش Lighthill سال قبل، بودجه هوش مصنوعی تمام می‌شود و تحقیقات را متوقف می‌کند. این دوره به عنوان اولین زمستان هوش مصنوعی شناخته می‌شود.

1980

شرکت‌های دیجیتال تجهیزات، R1 (همچنین به عنوان XCON شناخته می‌شود) که اولین سیستم متخصص تجاری موفق را توسعه می‌دهد. R1 که برای پیکربندی سفارشات سیستم‌های رایانه‌ای جدید طراحی شده است، رونق سرمایه‌گذاری را در سیستم‌های خبره آغاز می‌کند که بیشتر ادامه خواهد داشت و در واقع زمستان AI پایان می‌یابد.

سال 1982

وزارت تجارت و صنعت بین الملل ژاپن پروژه بلند پروازانه نسل پنجم سیستم‌های رایانه‌ای را آغاز کرد. هدف FGCS توسعه عملکرد فوق‌العاده کامپیوتر و بستر توسعه هوش مصنوعی است.

1983

در پاسخ به FGCS ژاپن، دولت ایالات متحده ابتکار محاسبات استراتژیک را برای ارائه تحقیقات با بودجه DARPA در محاسبات پیشرفته و هوش مصنوعی آغاز می‌کند.

1985

شرکت‌ها سالانه بیش از یک میلیارد دلار صرف سیستم‌های خبره می‌کنند و کل صنعت معروف به بازار ماشین آلات Lisp برای حمایت از آنها به وجود می‌آید. شرکت‌هایی مانند Symbolics و Lisp Machines Inc. کامپیوترهای ویژه‌ای را برای کار با زبان برنامه نویسی AI Lisp می‌سازند.

1987 – 1993

• با پیشرفت فناوری محاسبات، گزینه‌های ارزان‌تری ظهور کردند و بازار ماشین آلات Lisp در سال 1987 فروپاشید و دومین زمستان هوش مصنوعی را آغاز کرد. در این دوره، نگهداری سیستم‌های خبره بسیار گران بود و سرانجام از آن خارج شد.
• ژاپن پروژه FGCS را با استناد به عدم تحقق اهداف بلند پروازانه‌ای که یک دهه قبل ترسیم شده بود، در سال 1992 خاتمه داد.
• DARPA پس از صرف تقریباً 1 میلیارد دلار و بسیار دور از انتظار، ابتکار عمل محاسباتی استراتژیک را در سال 1993 پایان می‌دهد.

1991

نیروهای ایالات متحده در زمان جنگ خلیج فارس، DART، ابزاری برای برنامه‌ریزی لجستیک خودکار، مستقر می‌کنند.

1997

Deep Blue از IBM قهرمان شطرنج جهان گری کاسپاروف را شکست داد.

2005

• استنلی، اتومبیل خودران، برنده Grand Dancer چالش می‌شود.
• ارتش آمریكا شروع به سرمایه‌گذاری در روبات‌های خودمختار مانند “Big Dog” بوستون دینامیك و “PackBot” iRobot می‌كند.

2008

گوگل پیشرفت زیادی در تشخیص گفتار دارد و این ویژگی را در برنامه iPhone خود معرفی می‌کند.

2011

واتسون IBM رقابت را در معرض خطر قرار می‌دهد.

2012

Andrew Ng، بنیانگذار پروژه Google Brain Deep Learning، با استفاده از الگوریتم‌های یادگیری عمیق 10 میلیون فیلم YouTube به عنوان یک مجموعه آموزشی، یک شبکه عصبی را تغذیه می‌کند. شبکه عصبی یاد گرفت که گربه را تشخیص دهد بدون اینکه به او بگوید گربه چیست. شروع موفقیت در شبکه‌های عصبی و بودجه یادگیری عمیق است.

2014

گوگل اولین اتومبیل خودران را برای قبولی در آزمون رانندگی دولتی تولید می‌کند.

2016

AlphaGo گوگل DeepMind بازیکن جهان، قهرمان Go ،Lee Sedol را شکست می‌دهد. پیچیدگی بازی باستان چینی به عنوان یک مانع اساسی برای پاک کردن در هوش مصنوعی تلقی می‌شد.

---

مقاله مرتبط:

هوش تجاری (BI)

منبع:

Builtin