هوش مصنوعی (AI) شاخه‌ای گسترده از علوم کامپیوتر است که با ساخت ماشین‌های هوشمندی که قادر به انجام وظایفی هستند که معمولاً به هوش انسانی نیاز دارند، مربوط می‌شود. در حالی که AI یک علم میان رشته‌ای با رویکردهای متعدد است. پیشرفت‌ها در یادگیری ماشینی و عمیق، در حال ایجاد یک تغییر پارادایم در هر بخش از صنعت فناوری هستند. AI به ماشین‌ها اجازه می‌دهد تا توانایی‌های ذهن انسان را مدل‌سازی کنند یا حتی آن‌ها را بهبود بخشند و از توسعه خودروهای خودران تا تکثیر دستیارهای هوشمند مانند سیری و الکسا، هوش مصنوعی به طور فزاینده‌ای به بخشی از زندگی روزمره تبدیل می‌شود.

 درباره رابطه جنسی و نیاز روانی اینجا بخوانید

هوش مصنوعی

درک هوش مصنوعی

به طور کلی، سیستم‌های AI می‌توانند وظایفی را که معمولاً با عملکردهای شناختی انسان مرتبط هستند انجام دهند، مانند تفسیر گفتار، بازی کردن و شناسایی الگوها. آنها معمولاً یاد می‌گیرند که چگونه این کار را با پردازش مقادیر انبوه داده انجام دهند و به دنبال الگوهایی برای مدل سازی در تصمیم‌گیری خود هستند. در بسیاری از موارد، انسان‌ها بر فرآیند یادگیری  AI نظارت می‌کنند و تصمیمات خوب را تقویت می‌کنند و از تصمیم‌های بد جلوگیری می‌کنند. اما برخی از سیستم‌های AI برای یادگیری بدون نظارت طراحی شده‌اند، به عنوان مثال، با انجام یک بازی ویدیویی بارها و بارها تا زمانی که در نهایت قوانین و نحوه برنده شدن را پیدا کنند.

هوش مصنوعی قوی در مقابل هوش مصنوعی ضعیف

تعریف هوش دشوار است، به همین دلیل است که کارشناسان هوش مصنوعی معمولاً بین AI قوی و هوش مصنوعی ضعیف تمایز قائل می‌شوند .

هوش مصنوعی قوی

هوش مصنوعی قوی، که به عنوان هوش عمومی ‌مصنوعی نیز شناخته می‌شود، ماشینی است که می‌تواند مشکلاتی را که هرگز برای کار روی آن‌ها آموزش ندیده‌اند، حل کند، بسیار شبیه به یک انسان. این همان AI است که در فیلم‌ها می‌بینیم، مانند ربات‌های Westworld .
ایجاد ماشینی با هوش در سطح انسانی که می‌تواند برای هر کاری به کار رود جام مقدس برای بسیاری از محققان هوش مصنوعی است، اما تلاش برای هوش مصنوعی عمومی ‌با مشکل همراه بوده است. برخی معتقدند تحقیقات قوی هوش مصنوعی باید محدود شود، زیرا خطرات بالقوه ایجاد یک هوش مصنوعی قدرتمند بدون نرده‌های محافظ مناسب وجود دارد. برخلاف AI ضعیف، هوش مصنوعی قوی نشان‌دهنده ماشینی با مجموعه کاملی از توانایی‌های شناختی – و طیف وسیعی از موارد استفاده – است، اما زمان دشواری دستیابی به چنین شاهکاری را کاهش نداده است.

هوش مصنوعی ضعیف

AI ضعیف، که گاهی به عنوان هوش مصنوعی باریک یا هوش مصنوعی تخصصی شناخته می‌شود، در یک زمینه محدود عمل می‌کند و شبیه‌سازی هوش انسانی است که برای یک مشکل تعریف‌شده (مانند رانندگی با ماشین، رونویسی گفتار انسانی یا مدیریت محتوا در یک وب‌سایت) اعمال می‌شود. هوش مصنوعی ضعیف اغلب بر روی انجام یک کار به خوبی متمرکز است. در حالی که این ماشین‌ها ممکن است هوشمند به نظر برسند، اما تحت محدودیت‌های بسیار بیشتری از ابتدایی‌ترین هوش انسانی کار می‌کنند.
نمونه‌های ضعیف هوش مصنوعی عبارتند از:
سیری، الکسا و دستیاران هوشمند دیگر
ماشین‌های خودران
جستجوی گوگل
ربات‌های مکالمه ای
فیلترهای اسپم ایمیل
توصیه‌های نتفلیکس

یادگیری ماشین در مقابل یادگیری عمیق

اگرچه اصطلاحات «یادگیری ماشینی» و «یادگیری عمیق» اغلب در مکالمات مربوط به AI به کار می‌روند، اما نباید به جای یکدیگر از آنها استفاده کرد. یادگیری عمیق نوعی یادگیری ماشینی است و یادگیری ماشین زیرشاخه هوش مصنوعی است.

فراگیری ماشین

یک الگوریتم یادگیری ماشینی داده‌ها را توسط یک کامپیوتر تغذیه می‌کند و از تکنیک‌های آماری استفاده می‌کند تا به آن کمک کند “بیاموزد” چگونه به تدریج در یک کار بهتر شود، بدون اینکه لزوماً به طور خاص برای آن کار برنامه‌ریزی شده باشد. در عوض، الگوریتم‌های ML از داده‌های تاریخی به عنوان ورودی برای پیش بینی مقادیر خروجی جدید استفاده می‌کنند. برای این منظور، ML هم از یادگیری نظارت شده (که در آن خروجی مورد انتظار برای ورودی به لطف مجموعه داده‌های برچسب دار شناخته شده است) و هم از یادگیری بدون نظارت (که در آن خروجی‌های مورد انتظار به دلیل استفاده از مجموعه داده‌های بدون برچسب ناشناخته هستند) تشکیل می‌شود.

یادگیری عمیق

یادگیری عمیق نوعی از یادگیری ماشینی است که ورودی‌ها را از طریق معماری شبکه عصبی الهام گرفته از بیولوژیکی اجرا می‌کند. 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.

نمونه‌هایی ازAI
بر اساس نوع و پیچیدگی وظایفی که یک سیستم قادر به انجام آن است، هوش مصنوعی را می‌توان به چهار دسته تقسیم کرد. آن‌ها هستند:
1. ماشین‌های راکتیو
2. حافظه محدود
3. نظریه ذهن
4. خودآگاهی

ماشین‌های 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 نمی‌تواند یک حافظه را ذخیره کند و در نتیجه نمی‌تواند به تجربیات گذشته برای اطلاع رسانی تصمیم گیری در زمان واقعی تکیه کند.
درک جهان به طور مستقیم به این معنی است که ماشین‌های واکنشی برای انجام تنها تعداد محدودی از وظایف تخصصی طراحی شده‌اند. با این حال، محدود کردن عمدی جهان‌بینی یک ماشین واکنشی مزایای خود را دارد: این نوع هوش مصنوعی قابل اعتمادتر خواهد بود و هر بار به همان روش به محرک‌های مشابه واکنش نشان می‌دهد.

نمونه‌های ماشین واکنشی

• دیپ بلو توسط IBM در دهه 1990 به عنوان یک ابر رایانه شطرنج طراحی شد و استاد بزرگ بین‌المللی گری کاسپاروف را در یک بازی شکست داد. دیپ بلو فقط قادر بود 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 کرده و مشخص کند که منطقی‌ترین حرکت در آن لحظه چه خواهد بود. کامپیوتر حرکات بالقوه آتی حریف خود را دنبال نمی‌کرد یا سعی نمی‌کرد مهره‌های 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 می‌شد.

• AlphaGo گوگل همچنین قادر به ارزیابی حرکات آینده نیست، اما برای ارزیابی پیشرفت‌های بازی حاضر 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.

حافظه محدود

AI حافظه محدود این توانایی را دارد که داده‌ها و پیش‌بینی‌های قبلی را هنگام جمع‌آوری اطلاعات و سنجیدن تصمیم‌های بالقوه ذخیره کند – اساساً به دنبال سرنخ‌هایی در مورد آنچه ممکن است در آینده رخ دهد، به گذشته نگاه می‌کنیم. همچنین هوش مصنوعی حافظه محدود پیچیده‌تر است و امکانات بیشتری را نسبت به ماشین‌های واکنشی ارائه می‌دهد.
AI حافظه محدود زمانی ایجاد می‌شود که یک تیم به طور مداوم مدلی را در مورد نحوه تجزیه و تحلیل و استفاده از داده‌های جدید آموزش می‌دهد یا یک محیط هوش مصنوعی ساخته می‌شود تا مدل‌ها به طور خودکار آموزش داده و تجدید شوند.
هنگام استفاده از هوش مصنوعی حافظه محدود در ML، شش مرحله باید دنبال شود:
1. ایجاد داده‌های آموزشی
2. مدل یادگیری ماشین را ایجاد کنید
3. اطمینان حاصل کنید که مدل می‌تواند پیش بینی کند
4. اطمینان حاصل کنید که مدل می‌تواند بازخورد انسانی یا محیطی را دریافت کند
5. بازخوردهای انسانی و محیطی را به عنوان داده ذخیره کنید
6. مراحل بالا را به صورت چرخه ای تکرار کنید

هوش مصنوعی

نظریه ذهن

نظریه ذهن فقط همین است – نظری. ما هنوز به توانایی‌های فنی و علمی‌لازم برای رسیدن به این سطح بعدی هوش مصنوعی دست نیافته‌ایم. این مفهوم مبتنی بر پیش‌فرض روان‌شناختی درک این است که موجودات زنده دیگر افکار و احساساتی دارند که بر رفتار فرد تأثیر می‌گذارند. از نظر ماشین‌های هوش مصنوعی، این بدان معناست که هوش مصنوعی می‌تواند احساسات انسان‌ها، حیوانات و سایر ماشین‌ها را درک کند و از طریق خوداندیشی 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 AI ایجاد کنند.

خودآگاهی

هنگامی‌که نظریه ذهن می‌تواند ایجاد شود، در آینده‌ای نزدیک به هوش مصنوعی، گام نهایی برای خودآگاهی هوش مصنوعی 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 می‌کند. این می‌تواند بفهمد که دیگران به چه چیزهایی ممکن است نیاز داشته باشند، نه فقط بر اساس آنچه با آنها ارتباط برقرار می‌کنند، بلکه بر اساس نحوه ارتباط آنها. خودآگاهی در هوش مصنوعی هم به محققان انسانی متکی است که مقدمات هوشیاری را درک کنند و سپس یاد بگیرند که چگونه آن را تکرار کنند تا بتوان آن را در ماشین‌ها ساخت.

نمونه‌های هوش مصنوعی

فناوری AI اشکال مختلفی دارد، از چت ربات گرفته تا اپلیکیشن‌های ناوبری و ردیاب‌های تناسب اندام پوشیدنی. مثال‌های زیر وسعت کاربردهای بالقوه هوش مصنوعی را نشان می‌دهد.
ChatGPT
چت جی‌پی‌تی یک چت بات AI است که قادر به تولید محتوای نوشتاری در قالب‌های مختلف، از مقاله گرفته تا کد و پاسخ به سوالات ساده است. ChatGPT که در نوامبر 2022 توسط OpenAI راه اندازی شد، از یک مدل زبان بزرگ پشتیبانی می‌کند که به آن اجازه می‌دهد تا از نزدیک نوشته‌های انسان را تقلید کند.
نقشه‌های گوگل
Google Maps از داده‌های موقعیت مکانی گوشی‌های هوشمند و همچنین داده‌های گزارش‌شده توسط کاربر در مورد مواردی مانند ساخت‌وساز و تصادفات رانندگی برای نظارت بر جزر و مد ترافیک و ارزیابی سریع‌ترین مسیر استفاده می‌کند.
دستیاران هوشمند
دستیارهای شخصی مانند سیری، الکسا و کورتانا از پردازش زبان طبیعی یا NLP برای دریافت دستورالعمل‌های کاربران برای تنظیم یادآورها، جستجوی اطلاعات آنلاین و کنترل چراغ‌های خانه افراد استفاده می‌کنند. در بسیاری از موارد، این دستیارها برای یادگیری ترجیحات کاربر و بهبود تجربه آنها در طول زمان با پیشنهادات بهتر و پاسخ‌های مناسب‌تر طراحی شده‌اند.
فیلترهای اسنپ چت
فیلترهای اسنپ چت از الگوریتم‌های ML برای تمایز بین سوژه تصویر و پس زمینه، ردیابی حرکات صورت و تنظیم تصویر روی صفحه بر اساس آنچه کاربر انجام می‌دهد، استفاده می‌کنند.

ماشین‌های خودران

اتومبیل‌های خودران نمونه قابل تشخیصی از یادگیری عمیق هستند، زیرا از شبکه‌های عصبی عمیق برای شناسایی اشیاء اطراف خود، تعیین فاصله آنها از سایر اتومبیل‌ها، شناسایی علائم راهنمایی و رانندگی و موارد دیگر استفاده می‌کنند.
پوشیدنی‌ها
حسگرها و دستگاه‌های پوشیدنی مورد استفاده در صنعت مراقبت‌های بهداشتی نیز از یادگیری عمیق برای ارزیابی وضعیت سلامتی بیمار، از جمله سطح قند خون، فشار خون و ضربان قلب آن‌ها استفاده می‌کنند. آنها همچنین می‌توانند الگوهایی را از داده‌های پزشکی قبلی بیمار استخراج کنند و از آن برای پیش‌بینی هر گونه شرایط سلامتی آینده استفاده کنند.
MuZero
MuZero، یک برنامه کامپیوتری که توسط DeepMind ایجاد شده است، یک پیشرو امیدوار کننده در تلاش برای دستیابی به هوش عمومی‌مصنوعی واقعی است. او توانسته است بر بازی‌هایی که حتی به آن‌ها آموزش داده نشده است، از جمله شطرنج و مجموعه کاملی از بازی‌های آتاری، با استفاده از نیروی بی‌رحمانه، میلیون‌ها بار بازی‌ها را انجام دهد.

مزایا، چالش‌ها و آینده هوش مصنوعی

مزایای هوش مصنوعی

AI کاربردهای زیادی دارد – از تقویت توسعه واکسن گرفته تا تشخیص خودکار تقلب بالقوه. بر اساس تحقیقات CB Insights ، شرکت‌های هوش مصنوعی در سال 2022 بودجه 66.8 میلیارد دلاری جمع‌آوری کردند که این رقم در سال 2020 بیش از دو برابر شد. به دلیل پذیرش سریع آن، هوش مصنوعی در صنایع مختلف موج ایجاد می‌کند.
بانکداری ایمن تر
گزارش 2022 Business Insider Intelligence در مورد هوش مصنوعی در بانکداری نشان داد که بیش از نیمی ‌از شرکت‌های خدمات مالی در حال حاضر از راه حل‌های هوش مصنوعی برای مدیریت ریسک و تولید درآمد استفاده می‌کنند. استفاده از هوش مصنوعی در بانکداری می‌تواند منجر به صرفه جویی بیش از 400 میلیارد دلار شود.
داروی بهتر
در مورد پزشکی، گزارش سازمان جهانی بهداشت در سال 2021 اشاره کرد که در حالی که ادغام هوش مصنوعی در حوزه مراقبت‌های بهداشتی با چالش‌هایی همراه است، این فناوری “نویدبخش زیادی دارد”، زیرا می‌تواند به مزایایی مانند سیاست‌های بهداشتی آگاهانه‌تر و بهبود در دقت تشخیص بیماران منجر شود.
رسانه‌های نوآورانه
AI روی سرگرمی‌ها نیز اثر گذاشته است. بر اساس تحقیقات گراند ویو، بازار جهانی هوش مصنوعی در رسانه‌ها و سرگرمی‌ها تا سال 2030 به 99.48 میلیارد دلار می‌رسد که از ارزش 10.87 میلیارد دلاری در سال 2021 افزایش می‌یابد . این گسترش شامل کاربردهای هوش مصنوعی مانند تشخیص سرقت ادبی و توسعه گرافیک با کیفیت بالا است.

چالش‌ها و محدودیت‌های هوش مصنوعی

در حالی که AI مطمئناً به عنوان یک دارایی مهم و به سرعت در حال تکامل در نظر گرفته می‌شود، این حوزه نوظهور دارای جنبه‌های منفی است .
مرکز تحقیقات پیو در سال 2021 از 10260 آمریکایی در مورد نگرش آنها نسبت به هوش مصنوعی نظرسنجی کرد . نتایج نشان داد 45 درصد از پاسخ دهندگان به همان اندازه هیجان زده و نگران هستند و 37 درصد بیشتر نگران هستند تا هیجان زده. علاوه بر این، بیش از 40 درصد از پاسخ دهندگان گفتند که اتومبیل‌های بدون راننده را برای جامعه مضر می‌دانند. با این حال، ایده استفاده از هوش مصنوعی برای شناسایی انتشار اطلاعات نادرست در رسانه‌های اجتماعی با استقبال بیشتری روبرو شد و نزدیک به 40 درصد از افراد مورد بررسی آن را ایده خوبی دانستند.
AI یک موهبت برای بهبود بهره وری و کارایی است و در عین حال پتانسیل خطای انسانی را کاهش می‌دهد. اما برخی از معایب نیز وجود دارد، مانند هزینه‌های توسعه و امکان ماشین‌های خودکار برای جایگزینی مشاغل انسانی . با این حال، شایان ذکر است که صنعت AI نیز می‌تواند شغل ایجاد کند – که برخی از آنها هنوز اختراع نشده‌اند.

آینده هوش مصنوعی

وقتی هزینه‌های محاسباتی و زیرساخت داده‌های فنی در پشت AI را در نظر بگیریم، در واقع اجرای بر روی AI یک تجارت پیچیده و پرهزینه است. خوشبختانه، پیشرفت‌های عظیمی ‌در فناوری محاسبات صورت گرفته است، همانطور که قانون مور نشان می‌دهد که تعداد ترانزیستورهای روی یک ریزتراشه تقریباً هر دو سال دو برابر می‌شود در حالی که هزینه رایانه‌ها به نصف می‌رسد.
اگرچه بسیاری از کارشناسان بر این باورند که قانون مور احتمالاً در دهه 2020 به پایان خواهد رسید ، اما این تأثیر عمده‌ای بر تکنیک‌های مدرن AI داشته است – بدون آن، یادگیری عمیق از نظر مالی دور از ذهن خواهد بود. تحقیقات اخیر نشان داده است که نوآوری AI در واقع از قانون مور بهتر عمل کرده است و هر شش ماه یا بیشتر در مقایسه با دو سال دو برابر می‌شود. با این منطق، پیشرفت‌هایی که AI در صنایع مختلف ایجاد کرده است، در چند سال گذشته بسیار مهم بوده است. و پتانسیل تأثیر حتی بیشتر در چند دهه آینده کاملاً اجتناب ناپذیر به نظر می‌رسد.