هوش مصنوعی به شبیه سازی هوش انسان در ماشین هایی گفته می شود که طوری برنامه ریزی شده اند که مانند انسان ها فکر کنند و از اعمال آنها تقلید کنند. این اصطلاح همچنین ممکن است برای هر دستگاهی که دارای ویژگی های مرتبط با ذهن انسان مانند یادگیری و حل مسئله است ، به کار رود.
ویژگی ایده آل هوش مصنوعی توانایی آن در منطقی سازی و انجام اقداماتی است که بیشترین شانس را برای دستیابی به یک هدف خاص دارد. زیرمجموعه ای از هوش مصنوعی یادگیری ماشینی است که به مفهومی اشاره دارد که برنامه های رایانه ای می توانند به طور خودکار از داده های جدید بیاموزند و با کمک آنها انسان ها سازگار شوند. تکنیک های یادگیری عمیق این یادگیری خودکاراز طریق جذب حجم عظیمی از داده های بدون ساختار مانند متن ، تصاویر یا فیلم امکان پذیر می شود.
هوش مصنوعی به شبیه سازی هوش انسان در ماشین ها اشاره دارد.
اهداف هوش مصنوعی شامل یادگیری ، استدلال و ادراک است.
هوش مصنوعی در صنایع مختلف از جمله امور مالی و مراقبت های بهداشتی مورد استفاده قرار می گیرد.
هوش مصنوعی ضعیف معمولاً ساده و تک کاره است ، در حالی که هوش مصنوعی قوی وظایف پیچیده تر و شبیه به انسان را انجام می دهد.
وقتی اکثر مردم عبارت هوش مصنوعی را می شنوند ، اولین چیزی که معمولاً به آن فکر می کنند ربات ها هستند. این به این دلیل است که فیلم ها و رمان های با بودجه بالا داستان هایی در مورد ماشین هایی شبیه انسان می سازند که ویرانی هایی را بر روی زمین ایجاد می کنند. اما هیچ چیز نمی تواند بیشتر از حقیقت باشد.
هوش مصنوعی بر این اصل استوار است که می توان هوش انسانی را به گونه ای تعریف کرد که یک ماشین بتواند به راحتی از آن تقلید کرده و وظایف خود را انجام دهد ، از ساده ترین تا پیچیده تر. اهداف آن شامل تقلید از فعالیت های شناختی انسان است. محققان و توسعه دهندگان در این زمینه قدم های شگفت انگیزی در تقلید فعالیتهایی مانند یادگیری ، استدلال و ادراک دارند ، تا حدی که می توان آنها را به طور دقیق تعریف کرد. برخی معتقدند که مبتکران ممکن است به زودی بتوانند سیستم هایی را توسعه دهند که بیش از ظرفیت انسان ها برای یادگیری یا استدلال در هر موضوعی باشد. اما برخی دیگر تردید دارند زیرا همه فعالیت های شناختی با قضاوت های ارزشی که تابع تجربه بشری است ، همراه است.
با پیشرفت تکنولوژی ، معیارهای قبلی که هوش مصنوعی را تعریف می کردند ، قدیمی می شوند. به عنوان مثال ، ماشین هایی که عملکردهای اساسی را محاسبه می کنند یا متن را از طریق تشخیص نویسه نوری تشخیص می دهند ، دیگر مصنوع هوش مصنوعی نیستند ، زیرا این عملکرد اکنون به عنوان یک عملکرد ذاتی رایانه امری طبیعی تلقی می شود.
هوش مصنوعی به طور مداوم در حال پیشرفت است تا به نفع صنایع مختلف باشد. ماشین ها با استفاده از رویکردی بین رشته ای بر اساس ریاضیات ، علوم رایانه ، زبان شناسی ، روانشناسی و موارد دیگر سیم کشی می شوند.
هر شرکت بزرگ فناوری در حال اختصاص منابع برای پیشرفت در شرکت های هوش مصنوعی است.
کاربردهای هوش مصنوعی بی پایان است. این فناوری را می توان در بخش ها و صنایع مختلف استفاده کرد.
هوش مصنوعی در صنعت مراقبت های بهداشتی برای دوز داروها و درمان های مختلف در بیماران و روش های جراحی در اتاق عمل مورد آزمایش و استفاده قرار می گیرد.
نمونه های دیگر ماشین های دارای هوش مصنوعی شامل رایانه هایی است که شطرنج و اتومبیل های خودران بازی می کنند. هر یک از این ماشین ها باید پیامدهای هر اقدامی را که انجام می دهند وزن کنند ، زیرا هر عملی بر نتیجه نهایی تأثیر می گذارد. در شطرنج ، نتیجه نهایی بردن بازی است. برای خودروهای خودران ، سیستم کامپیوتری باید تمام داده های خارجی را محاسبه کرده و آن را محاسبه کند تا از برخورد جلوگیری کند.
هوش مصنوعی همچنین دارای کاربردهایی در صنعت مالی است ، جایی که از آن برای شناسایی و پرچم گذاری فعالیت های بانکی و مالی مانند استفاده از کارت های نقدی غیرمعمول و سپرده های حساب بزرگ استفاده می شود. همه این موارد به بخش کلاهبرداری یک بانک کمک می کند.
همچنین از برنامه های کاربردی برای هوش مصنوعی برای ساده سازی و سهولت تجارت استفاده می شود. این امر با سهولت برآورد عرضه ، تقاضا و قیمت گذاری اوراق بهادار انجام می شود.
هوش مصنوعی را می توان به دو دسته مختلف تقسیم کرد: ضعیف و قوی.
تجسم سیستمی است که برای انجام یک کار خاص طراحی شده است. سیستم های هوش مصنوعی ضعیف شامل بازی های ویدئویی مانند مثال شطرنج از بالا و دستیاران شخصی مانند Alexa آمازون و Siri اپل است. جستجوی گوگل ، نرم افزار تشخیص تصویرسیری ، الکسا و دیگر دستیاران شخصی ، اتومبیل های خودران . شما از دستیار سوالی می پرسید ، این به شما پاسخ می دهد.
سیستم هایی هستند که وظایفی را انجام می دهند که شبیه انسان است. اینها سیستم های پیچیده تر و پیچیده تری هستند.
آنها طوری برنامه ریزی شده اند که در شرایطی که ممکن است از آنها خواسته شود بدون دخالت شخص ، مشکلات را حل کنند ، برنامه ریزی کنند. این نوع سیستم ها را می توان در برنامه هایی مانند اتومبیل های خودران یا اتاق عمل بیمارستان یافت. ملاحظات ویژه هوش مصنوعی از همان ابتدا مورد توجه دانشمندان و عموم مردم قرار گرفته است. یکی از موضوعات رایج این ایده است که ماشین ها به قدری توسعه می یابند که انسانها قادر به ادامه کار نیستند و خود به خود حرکت می کنند و خود را با سرعت نمایی دوباره طراحی می کنند.
مورد دیگر این است که ماشین ها می توانند حریم خصوصی افراد را هک کرده و حتی مورد سلاح قرار گیرند. استدلال های دیگر اخلاق هوش مصنوعی و این که آیا سیستم های هوشمند مانند روبات ها باید با حقوق انسان برابر باشند مورد بحث قرار می گیرد. خودروهای خودران نسبتاً بحث برانگیز بوده اند زیرا ماشین های آنها معمولاً با کمترین خطر ممکن و کمترین تلفات طراحی شده اند. اگر سناریوی برخورد همزمان با یک نفر یا شخص دیگر ارائه شود ، این خودروها گزینه ای را محاسبه می کنند که کمترین میزان خسارت را ایجاد کند.
یکی دیگر از مسائل بحث برانگیز بسیاری از افراد در مورد هوش مصنوعی این است که چگونه ممکن است بر اشتغال انسان تأثیر بگذارد. با توجه به اینکه بسیاری از صنایع به دنبال خودکارسازی مشاغل خاص با استفاده از ماشین آلات هوشمند هستند ، این نگرانی وجود دارد که افراد از نیروی کار رانده شوند. اتومبیل های خودران ممکن است نیاز به تاکسی و برنامه های اشتراک خودرو را برطرف کنند ، در حالی که تولید کنندگان به راحتی نیروی انسانی را با ماشین جایگزین می کنند و مهارت افراد را منسوخ می کند.
کمتر از یک دهه پس از شکستن دستگاه رمزنگاری نازی Enigma و کمک به نیروهای متفقین در پیروزی در جنگ جهانی دوم ، ریاضیدان آلن تورینگ با یک سوال ساده بار دیگر تاریخ را تغییر داد: "آیا ماشین ها می توانند فکر کنند؟" مقاله تورینگ "ماشینهای محاسباتی و هوش" (1950) و آزمون تورینگ بعدی آن ، هدف و چشم انداز اساسی هوش مصنوعی را تعیین کرد. در اصل ، 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 انسان در ماشین ها است. هدف گسترده هوش مصنوعی پرسش ها و بحث های زیادی را ایجاد کرده است. آنقدر که هیچ تعریف واحدی از این حوزه به طور جهانی پذیرفته نیست.
هوش مصنوعی یک علم بین رشته ای با رویکردهای متعدد است ، اما پیشرفت در یادگیری ماشینی و یادگیری عمیق باعث ایجاد تغییر پارادایم در تقریباً هر بخش از صنعت فناوری می شود. استوارت راسل و پیتر نورویگ ، در کتاب درسی مبتکرانه خود به نام هوش مصنوعی: رویکردی مدرن ، با یکپارچه سازی کار خود پیرامون موضوع عوامل هوشمند در ماشین ها به این پرسش نزدیک می شوند.
با این اوصاف ، هوش مصنوعی "مطالعه عوامل است که از محیط درک می کنند و اقدامات را انجام می دهند." (راسل و نورویگ viii) شرکت های برتر AI در حال حاضر استخدام می شوند. این شرکت های هوش مصنوعی در حال حاضر مشاغل آزاد زیادی در اختیار دارند. مشاهده استخدام شرکت هانورویگ و راسل در ادامه به بررسی چهار رویکرد متفاوت می پردازند که به طور تاریخی زمینه هوش مصنوعی را تعریف کرده اند:
انسانی فکر کردن
منطقی فکر کردن
رفتار انسانی
منطقی عمل کردن
دو ایده اول به فرایندهای تفکر و استدلال مربوط می شود ، در حالی که دیگران به رفتار می پردازند. نورویگ و راسل به ویژه بر عوامل منطقی تمرکز می کنند که برای دستیابی به بهترین نتیجه عمل می کنند و خاطرنشان می کنند "تمام مهارت های مورد نیاز برای آزمون تورینگ همچنین به یک نماینده اجازه می دهد تا منطقی عمل کند.
پاتریک وینستون ، استاد هوش مصنوعی و علوم کامپیوتر در MIT ، هوش مصنوعی را اینگونه تعریف می کند: "الگوریتم های فعال شده توسط محدودیت ها ، نشان داده شده از مدل هایی که حلقه هایی را که تفکر ، ادراک و عمل را به هم پیوند می دهند ، پشتیبانی می کند."
در حالی که ممکن است این تعاریف برای افراد عادی انتزاعی به نظر برسند ، اما به تمرکز این حوزه به عنوان حوزه ای از علوم رایانه و ارائه نقشه ای برای تزریق ماشین ها و برنامه ها با یادگیری ماشین و سایر زیر مجموعه های هوش مصنوعی کمک می کند.
یک ماشین واکنشی از اساسی ترین اصول هوش مصنوعی پیروی می کند و همانطور که از نامش پیداست ، قادر است فقط از هوش خود برای درک و واکنش نسبت به جهان روبرو استفاده کند.
یک ماشین واکنشی نمی تواند یک حافظه را ذخیره کند و در نتیجه نمی تواند به تجربیات گذشته تکیه کند تا تصمیم گیری را در زمان واقعی اطلاع دهد. درک مستقیم جهان به این معنی است که ماشینهای واکنشی طوری طراحی شده اند که فقط تعداد محدودی از وظایف تخصصی را انجام دهند. محدود کردن عمدی جهان بینی یک ماشین واکنش گرا هیچ گونه اقدامی برای کاهش هزینه نیست و در عوض به این معنی است که این نوع هوش مصنوعی قابل اعتمادتر و قابل اعتمادتر است، هر بار به همان محرک ها واکنش مشابه نشان می دهد.
یک نمونه مشهور از ماشین واکنشی Deep Blue است که توسط IBM در دهه 1990 به عنوان یک ابر رایانه شطرنج طراحی شد و در یک بازی ، گری کاسپاروف ، استاد بین المللی را شکست داد. دیپ بلو فقط قادر بود مهره ها را روی یک تخته شطرنج تشخیص دهد و بداند که چگونه هر کدام بر اساس قوانین شطرنج حرکت می کند ، موقعیت فعلی هر مهره را تصدیق کرده و منطقی ترین حرکت در آن لحظه را تعیین کند. رایانه حرکات احتمالی آینده حریف خود را دنبال نمی کرد و سعی نمی کرد قطعات خود را در موقعیت بهتری قرار دهد. هر دور به عنوان واقعیت خاص خود ، جدا از هر حرکت دیگری که قبلاً انجام شده بود ، تلقی می شد.
یکی دیگر از نمونه های دستگاه واکنش گرا بازی AlphaGo گوگل است. AlphaGo همچنین قادر به ارزیابی حرکتهای آینده نیست ، اما برای ارزیابی پیشرفت های بازی فعلی به شبکه عصبی خود متکی است و در بازی پیچیده تر به برتری آبی عمیق می پیوندد. AlphaGo همچنین با شکست دادن قهرمان بازی Go Lee Sedol در سال 2016 ، از رقبای کلاس جهانی این بازی برتر شد.
هوش مصنوعی واکنشی با وجود اینکه محدود است و به راحتی تغییر نمی کند ، می تواند به سطحی از پیچیدگی برسد ، و هنگامی که برای انجام کارهای تکراری ایجاد می شود ، قابلیت اطمینان را ارائه می دهد.
حافظه مصنوعی با حافظه محدود این قابلیت را دارد که داده ها و پیش بینی های قبلی را هنگام جمع آوری اطلاعات و سنجش تصمیمات احتمالی ذخیره کند . اساساً در گذشته به دنبال سرنخ هایی در مورد موارد بعدی باشید. هوش مصنوعی با حافظه محدود پیچیده تر است و امکانات بیشتری را نسبت به ماشین های واکنشی ارائه می دهد.
هوش مصنوعی حافظه محدود زمانی ایجاد می شود که یک تیم مدلی را در زمینه تجزیه و تحلیل و استفاده از داده های جدید آموزش می دهد یا محیط هوش مصنوعی ایجاد می 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 بتواند پیش بینی کند ، مدل باید بتواند بازخورد انسانی یا محیطی را دریافت کند ، که بازخورد باید به عنوان داده ذخیره شود و این مراحل باید به صورت یک چرخه تکرار شود.
سه مدل اصلی یادگیری ماشین وجود دارد که از حافظه مصنوعی محدود استفاده می کنند: یادگیری تقویتی ، که یاد می گیرد پیش بینی های بهتری را از طریق آزمایش و خطای مکرر انجام دهد.حافظه کوتاه مدت بلند (LSTM) ، که از داده های گذشته برای پیش بینی مورد بعدی در یک دنباله استفاده می کند. LTSM ها اطلاعات بیشتری را در هنگام پیش بینی و تخفیف داده های بیشتر در گذشته مهم ترین می دانند ، اگرچه هنوز از آنها برای نتیجه گیری استفاده می کنند شبکه های تکاملی متخاصم تکاملی (E-GAN) ، که با گذشت زمان تکامل می یابد و با هر تصمیم جدید ، مسیرهای کمی تغییر یافته بر اساس تجربیات قبلی را کشف می کند. این مدل دائماً در جستجوی راهی بهتر است و از شبیه سازی و آمار یا شانس برای پیش بینی نتایج در چرخه جهش تکاملی خود استفاده می کند.
نظریه ذهن فقط این است، نظری. ما هنوز به قابلیت های تکنولوژیکی و علمی لازم برای دستیابی به این سطح بعدی از هوش مصنوعی دست نیافته ایم. این مفهوم مبتنی بر فرض روانشناختی است که درک می کند سایر موجودات زنده دارای افکار و احساساتی هستند که بر رفتار خود تأثیر می گذارد. این بدان معناست که هوش مصنوعی می تواند درک کند که انسان ، حیوانات و ماشین های دیگر چگونه احساس می کنند و از طریق خوداندیشی و تصمیم گیری تصمیم می گیرند و سپس از این اطلاعات برای تصمیم گیری خود استفاده می کند. در اصل ، ماشین ها باید بتوانند مفهوم "ذهن" ، نوسانات احساسات در تصمیم گیری و مجموعه ای از مفاهیم روانشناختی دیگر را در زمان واقعی درک کرده و پردازش کنند ، که رابطه ای دو طرفه بین مردم و هوش مصنوعی ایجاد می کند.
هنگامی که نظریه ذهن تثبیت شد ، در آینده ای نه چندان دور ، آخرین مرحله این است که هوش مصنوعی خودآگاه شود. این نوع هوش مصنوعی دارای آگاهی در سطح انسان است و وجود خود را در جهان و همچنین حضور و وضعیت عاطفی دیگران را درک می کند. این می تواند بفهمد که دیگران ممکن است بر اساس آنچه آنها با آنها ارتباط برقرار می کنند ، بلکه نحوه ارتباط آنها با آنها را درک کنند. خودآگاهی در هوش مصنوعی هم متکی بر این است که محققان فرضیه آگاهی را درک کرده و سپس یاد می گیرند که چگونه آن را در ماشین ها بسازند.
چگونه از هوش مصنوعی استفاده می شود؟ جرمی آچین ، مدیرعامل DataRobot ، هنگام سخنرانی در جمع مردم در نمایشگاه هوش مصنوعی ژاپن در سال 2017 ، صحبت خود را با ارائه تعریف زیر از نحوه استفاده از هوش مصنوعی امروز آغاز کرد: "هوش مصنوعی یک سیستم کامپیوتری است که قادر به انجام وظایفی است که معمولاً به هوش انسان نیاز دارد. بسیاری از این سیستم های هوش مصنوعی با استفاده از یادگیری ماشین ، برخی از آنها با یادگیری عمیق و برخی از آنها با موارد بسیار خسته کننده مانند قوانین کار می کنند.
بسیاری از هوش مصنوعی باریک از پیشرفت هایی در یادگیری ماشین و یادگیری عمیق برخوردار است. درک تفاوت بین هوش مصنوعی ، یادگیری ماشین و یادگیری عمیق می تواند گیج کننده باشد. فرانک چن ، سرمایه گذار خطرپذیر ، مروری خوب بر نحوه تمایز بین آنها ارائه می دهد و خاطرنشان می کند:
"هوش مصنوعی مجموعه ای از الگوریتم ها و هوش برای تلاش برای تقلید از هوش انسان است. یادگیری ماشین یکی از آنهاست و یادگیری عمیق یکی از آن تکنیک های یادگیری ماشین است."
به زبان ساده ، یادگیری ماشینی داده های رایانه را تغذیه می کند و از تکنیک های آماری برای کمک به "یادگیری" نحوه پیشرفت تدریجی در یک کار ، بدون برنامه ریزی خاص آن کار ، استفاده می کند و نیاز به میلیون ها خط کد نوشتاری را از بین می برد. یادگیری ماشین شامل یادگیری تحت نظارت (با استفاده از مجموعه داده های دارای برچسب) و یادگیری بدون نظارت (با استفاده از مجموعه داده های بدون برچسب) است. یادگیری عمیق نوعی از یادگیری ماشین است که ورودی ها را از طریق معماری شبکه عصبی با الهام از بیولوژیکی اجرا می کند.
شبکه های عصبی شامل تعدادی لایه پنهان است که از طریق آنها داده ها پردازش می شوند و به دستگاه اجازه می دهد تا در یادگیری خود "عمیق" شده ، ارتباطات را ایجاد کرده و وزن را برای بهترین نتایج ایجاد کند.هوش عمومی مصنوعیایجاد ماشینی با هوش در سطح انسان که بتواند در هر کاری به کار گرفته شود ، برای بسیاری از محققان هوش مصنوعی مقدس است ، اما جستجوی AGI با دشواری همراه بوده است.
جستجوی "الگوریتم جهانی برای یادگیری و عمل در هر محیطی" (راسل و نورویگ 27) چیز جدیدی نیست ، اما زمان دشواری ایجاد دستگاهی با مجموعه ای کامل از توانایی های شناختی را کاهش نداده است. AGI مدتهاست که موز داستان های علمی تخیلی است ، که در آن روباتهای فوق هوشمند بر بشریت غلبه می کنند ، اما کارشناسان معتقدند این چیزی نیست که ما به زودی نگران آن باشیم.
تهیه شده توسط تیم تولید محتوای هلدینگ کاسپین
