اگر امروز از اینترنت، هوش مصنوعی، موتورهای جستجو یا ابزارهایی مثل ChatGPT استفاده میکنیم، باید بدانیم که این فناوریها حاصل دههها پژوهش و تلاش دانشمندانی هستند که پایههای علوم کامپیوتر مدرن را ساختند.
در طول تاریخ، برخی مقالات علمی آنقدر تأثیرگذار بودند که نهتنها یک حوزه تحقیقاتی، بلکه کل صنعت فناوری را تغییر دادند. در این مطلب سراغ مهمترین پژوهشهایی میرویم که آینده دنیای دیجیتال را شکل دادند.
در سال ۱۹۳۶ آلن تورینگ مقالهای منتشر کرد که امروزه یکی از بنیادیترین آثار تاریخ علوم کامپیوتر شناخته میشود.
او در این مقاله مفهوم ماشین تورینگ را معرفی کرد؛ مدلی نظری که نشان میداد هر الگوریتم قابل محاسبه را میتوان توسط یک ماشین انتزاعی اجرا کرد.
تورینگ همچنین مسئله معروف Halting Problem را مطرح کرد و ثابت کرد برخی مسائل ذاتاً غیرقابل حل هستند و هیچ الگوریتمی نمیتواند برای آنها پاسخ قطعی ارائه دهد.
این مقاله پایه نظری تمام کامپیوترهای امروزی را شکل داد
در سال ۱۹۴۸ کلود شانون مقالهای منتشر کرد که پایهگذار دنیای ارتباطات دیجیتال شد.
او در مقاله A Mathematical Theory of Communication نشان داد که اطلاعات را میتوان به صورت ریاضی مدلسازی کرد و هر پیام را میتوان به مجموعهای از صفر و یک تبدیل کرد.
مفاهیمی مانند بیت، فشردهسازی داده، انتقال بدون خطا و نظریه آنتروپی اطلاعاتی همگی از این مقاله نشأت گرفتهاند.
اگر اینترنت امروز وجود دارد، بخشی از آن را مدیون شانون هستیم.
در سال ۱۹۵۸ فرانک روزنبلات مدل Perceptron را معرفی کرد که یکی از اولین نمونههای شبکه عصبی مصنوعی بود.
در آن زمان بسیاری تصور میکردند هوش مصنوعی به زودی به سطح تفکر انسانی خواهد رسید.
اما چند سال بعد مشخص شد پرسپترون تکلایه محدودیتهای جدی دارد و نمیتواند برخی مسائل ساده مانند XOR را حل کند.
همین موضوع باعث کاهش شدید سرمایهگذاری در حوزه هوش مصنوعی شد؛ دورهای که بعدها با نام اولین زمستان هوش مصنوعی شناخته شد.
با این حال همین تحقیقات پایه توسعه شبکههای عصبی مدرن را فراهم کرد.
یکی از چالشهای بزرگ سیستمهای توزیعشده این است که چندین کامپیوتر به صورت همزمان کار میکنند و تعیین ترتیب دقیق رویدادها کار سادهای نیست.
لزلی لمپورت در مقاله مشهور خود مفهوم Logical Clocks را معرفی کرد.
او نشان داد چگونه میتوان بدون نیاز به ساعت واقعی، ترتیب منطقی اتفاقات را در یک سیستم مشخص کرد.
امروزه فناوریهایی مثل رایانش ابری، پایگاههای داده توزیعشده و بلاکچین بر پایه همین ایده ساخته شدهاند.
اگر امروز هوش مصنوعی میتواند متن تولید کند، تصویر بسازد یا صدا پردازش کند، بخش بزرگی از آن به الگوریتم Backpropagation مربوط میشود.
ایده اصلی این الگوریتم ساده است.
شبکه عصبی خروجی تولید میکند، میزان خطا محاسبه میشود و این خطا به لایههای قبلی بازگردانده میشود تا وزنها اصلاح شوند.
این فرآیند امکان آموزش شبکههای عصبی چندلایه را فراهم کرد و پایه اصلی Deep Learning شد.
بدون این مقاله احتمالاً انقلاب هوش مصنوعی امروز وجود نداشت.
در اواخر دهه نود لری پیج و سرگئی برین ایدهای ساده اما قدرتمند مطرح کردند.
هر لینک اینترنتی مانند یک رأی اعتماد است.
آنها با همین ایده الگوریتم PageRank را ساختند که اهمیت صفحات وب را براساس ساختار لینکها محاسبه میکرد.
این الگوریتم باعث شد گوگل نتایج بسیار بهتری نسبت به سایر موتورهای جستجو ارائه دهد و بعدها به بزرگترین موتور جستجوی جهان تبدیل شود.
تا سال ۲۰۱۲ بسیاری از پژوهشگران نسبت به شبکههای عصبی بدبین بودند.
اما مدل AlexNet در مسابقه ImageNet با اختلاف چشمگیری از رقبا بهتر عمل کرد و همه چیز تغییر کرد.
این مدل نشان داد اگر داده زیاد، سختافزار قدرتمند و معماری مناسب کنار هم قرار بگیرند، شبکههای عصبی میتوانند عملکرد خارقالعادهای داشته باشند.
از همین نقطه موج جدید هوش مصنوعی آغاز شد.
در سال ۲۰۱۷ محققان گوگل مقاله Attention Is All You Need را منتشر کردند.
این مقاله معماری Transformer را معرفی کرد که نسبت به معماریهای قبلی بسیار سریعتر و کارآمدتر بود.
مکانیزم Attention باعث شد مدل بتواند بهتر روابط بین کلمات و دادهها را درک کند.
تقریباً تمام مدلهای هوش مصنوعی مدرن از جمله GPT، Claude و Gemini بر پایه همین معماری ساخته شدهاند.
زمانی که OpenAI مدل GPT-3 را معرفی کرد، صنعت فناوری متوجه موضوع مهمی شد.
گاهی فقط بزرگتر کردن مدل باعث ظهور قابلیتهای جدید میشود.
GPT-3 با ۱۷۵ میلیارد پارامتر توانست بدون آموزش اختصاصی روی بسیاری از وظایف عملکرد قابل قبولی ارائه دهد.
این مدل نقطه آغاز موج جدید دستیارهای هوش مصنوعی بود.
اگر GPT-3 نشان داد مدلهای بزرگ چه تواناییهایی دارند، ChatGPT ثابت کرد این فناوری آماده استفاده عمومی است.
برای اولین بار میلیونها نفر توانستند مستقیماً با یک هوش مصنوعی گفتگو کنند و از آن برای برنامهنویسی، تولید محتوا، آموزش و حل مسائل روزمره استفاده کنند.
هوش مصنوعی از یک ابزار تحقیقاتی تبدیل شد به بخشی از زندگی روزمره مردم.
اگر بخواهیم مسیر صد سال گذشته علوم کامپیوتر را خلاصه کنیم:
تورینگ مفهوم محاسبه را تعریف کرد.
شانون اطلاعات را دیجیتالی کرد.
شبکههای عصبی ایده یادگیری ماشین را شکل دادند.
Backpropagation امکان آموزش مدلهای عمیق را فراهم کرد.
PageRank اینترنت را قابل جستجو کرد.
Transformer معماری عصر جدید هوش مصنوعی را ساخت.
GPTها نشان دادند مقیاس میتواند رفتارهای جدید ایجاد کند.
