هوش مصنوعی چیست: مسیر هوش مصنوعی از گذشته تا آینده
ایده جان بخشیدن به اجسام بی جان به زمان‌های خیلی دور برمی‌گردد. یونانیان باستان افسانه‌هایی درمورد ربات‌ها داشته اند؛ چینی‌ها و مصری‌ها نیز چنین افسانه‌هایی را برای خودشان داشته‌اند. هوش ماشینی به معنای امروزی به زمان فلاسفه‌ای باز می‌گردد که تلاش داشتند تفکر انسان را به عنوان یک سیستم نمادین نشان دهند. اما از عبارت هوش مصنوعی تا سال 1956 استفاده نمی‌شد. این عبارت اولین بار در یک کنفرانس در دانشگاه دارتموث، نیوهمپشایر ساخته شد.
ماروین مینسکی که یکی از دانشمندان شناختی دانشگاه MIT بود به همراه دیگر شرکت‌کنندگان این کنفرانس، به شدت نسبت به آینده هوش ماشینی امیدوار بودند. مینسکی در کتاب “هوش مصنوعی: جستجوی طاقت‌فرسا به دنبال هوش مصنوعی” نقل می‌کند: “در همین نسل مشکلات مربوط به هوش مصنوعی به اندازه قابل ملاحظه‌ای حل خواهد شد.”
اما رسیدن به یک موجود با هوش ماشینی کار آسانی نبود. پس از انتشار چند گزارش در نقد هوش ماشینی علاقه و سرمایه‌گذاری‌های دولتی در زمینه هوش ماشینی کاهش یافت. این دوره که از سال 1974 تا 1980 طول کشید به عنوان “زمستان هوش مصنوعی” شناخته می‌شد. در دهه هشتاد میلادی دولت بریتانیا به منظور مقابله با تلاش‌های ژاپن در این زمینه حمایت‌های خودش را از این صنعت دوباره آغاز کرد.
هوش مصنوعی از سال‌های 1987 تا 1993 نیز شاهد یک زمستان دیگر بود. این اتفاق با رکود بازار برای برخی از کامپیوترهای عمومی و کاهش سرمایه‌گذاری دولتی همراه بود. اما پس از این دوره تحقیقات دوباره از سر گرفته شدند. در سال 1997 Deep Blue شرکت IBM توانست با شکست گری کاسپاروف روسی تبدیل به اولین کامپیوتری شود که یک قهرمان شطرنج را شکست می‌دهد. در سال 2011 نیز سیستم پاسخگویی به سوالات این شرکت که واتسون نام داشت توانست در مسابقه اطلاعات عمومی Jeopardy با شکست قهرمان‌های این مسابقه برد راتر و کن جنینگز برنده شود.
همین سال یک کامپیوتر سخنگو یوجین گوستمن با به اشتباه انداختن داوران یکی از تست‌های تورینگ درمورد اینکه یک انسان واقعی است توانست سرخط خبرها را از آن خود کند. تست تورینگ در سال 1950 توسط ریاضیدان و مهندس کامپیوتر بریتانیایی آلن تورینگ و به منظور ارزیابی هوش یک ماشین طراحی شد.
هوش ماشینی چیست؟
در دهه 50 میلادی پدران این علم یعنی مینسکی و مک‌کارتی هوش ماشینی را انجام هر عملی توسط یک دستگاه یا برنامه به صورتی که اگر یک انسان آن عمل را انجام می‌داد گفته می‌شد با استفاده از هوش این کار را انجام داده است می‌دانستند. اما این یک تعریف گسترده و جامع است و به همین دلیل ممکن است برخی اوقات شاهد بحث‌هایی راجع به این موضوع باشید که یک عمل خاص هوش ماشینی واقعی است یا نه.
یک سیستم با هوش مصنوعی حداقل یکی از کارهای زیر که به هوش انسان بستگی دارد را انجام می‌دهد: برنامه‌ریزی، یادگیری، توجیه، حل مسئله، ارائه دانش، ادراک، پیشنهاد و دستکاری. هوش اجتماعی و خلاقیت نیز برخی دیگر از نشانه‌های یک سیستم هوش ماشینی هستند اما کمتر از دیگر موارد اهمیت دارند.
موارد استفاده از هوش ماشینی
هوش ماشینی امروزه در همه جا کاربرد دارد. از این سیستم برای پیشنهاد خرید آنلاین بعدی شما، درک چیزهایی که شما از دستیارهای مجازی مانند الکسای آمازون و سیری اپل می‌خواهید، تشخیص اینکه چه کسی داخل یک عکس است، شناسایی ایمیل‌های اسپم و تشخیص کلاه‌برداری از کارت اعتباری مورد استفاده قرار می‌گیرد.
انواع مختلف هوش ماشینی
هوش ماشینی در سطح بالا به دو نوع عمده تقسیم می‌شود: هوش محدود و هوش عمومی:
هوش محدود چیزی است که ما هر روز در کامپیوترهای اطراف خودمان می‌بینیم. سیستم‌های هوشمندی که یاد گرفته‌اند و یا به آن‌ها یاد داده شده که کارهای خاصی را بدون برنامه‌ریزی اختصاصی انجام دهند.
این نوع هوش ماشینی در سیستم‌های تشخیص صدا و زبان دستیار مجازی آیفون یعنی Siri، در سیستم‌های تشخیص بصری و یا ماشین‌های خودران مشهود است. برخلاف انسان‌ها این ماشین‌ها فقط می‌توانند کارهایی که یاد گرفته‌اند و یا به آن‌ها آموزش داده شده است را انجام دهند. به همین خاطر به آن‌ها هوش مصنوعی محدود گفته می‌شود.
هوش ماشینی محدود چه کارهایی می‌تواند انجام دهد؟
نرم‌افزارهای زیادی از هوش ماشینی محدود استفاده می‌کنند. برای مثال می‌توان به برنامه‌هایی که فیدهای ویدئویی را از پهپادهای نظارت‌کننده روی خطوط لوله تفسیر می‌کنند، برنامه‌هایی که تقویم‌های شخصی و تجاری را ساماندهی می‌کنند، برنامه‌هایی که با کمک سیستم‌های هوش ماشینی دیگر کارهایی مانند رزرو هتل در بهترین زمان و مکان را انجام می‌دهند و… اشاره کرد.
هوش ماشینی عمومی چه کارهایی انجام می‌دهد؟
هوش ماشینی عمومی خیلی متفاوت‌تر است و شباهت زیادی به هوش انسانی دارد. این نوع هوش خیلی انعطاف‌پذیرتر است و می‌تواند اعمال خیلی متفاوت‌تری را انجام دهد. این کارها می‌توانند از ساخت یک فایل ورد تا توجیه مسائل مختلف براساس تجربه‌ای که داشته است متفاوت باشد. این نوع هوش ماشینی همان چیزی است که در فیلم‌هایی مانند ترمیناتور دیده‌اید اما دانشمندان هنوز نتوانسته‌اند به چنین چیزی دست یابند و به شدت در تلاش هستند تا این هوش مصنوعی به واقعیت بپیوندد.
طی تحقیقاتی که در سال 2012 توسط محقق هوش مصنوعی Vincent C Muller و فیلسوف Nick Bostrom از چهار گروه متخصص انجام شد مشخص شد که به احتمال 50 درصد انسان بین سال‌های 2040 و 2050 به هوش مصنوعی عمومی دست خواهد یافت و تا سال 2075 این احتمال به 90 درصد افزایش خواهد یافت.
یادگیری ماشین چیست؟
یادگیری ماشین یکی از متدهای آنالیز داده است که ساخت مدل‌های تحلیلی را خودکار می‌کند. یادگیری ماشین یکی از شاخه‌های هوش مصنوعی است و برپایه این ایده که سیستم‌های ماشینی می‌توانند از داده‌ها موضوعات مختلف را یاد بگیرند، الگوها را تشخیص دهند و بدون دخالت انسان تصمیم بگیرند شکل گرفته است.
یادگیری ماشین با هوش مصنوعی تفاوت دارد. درحالی که هوش مصنوعی یک علم کلی برای تقلید توانایی‌های انسان است، یادگیری ماشین یکی از بخش‌های خاص هوش مصنوعی است که به یک ماشین می‌گوید چگونه یاد بگیرد.
شبکه عصبی چیست؟
کلید پروسه یادگیری ماشین شبکه‌های عصبی (NEURAL NETWORKS) هستند. شبکه‌های عصبی از سیستم عصبی انسان برای اتصال لایه‌های مختلف الگوریتم‌ها الگو می‌گیرند. این شبکه‌ها که نورون نام دارند یکدیگر را با داده‌های مختلف تغذیه می‌کنند تا کارهای مختلف را با اصلاح اهمیت تخصیص داده شده به داده‌های ورودی که بین لایه‌های مختلف منتقل می‌شود انجام دهند. طی انجام این کار وزن ورودی‌های مختلف تا وقتی که داده خروجی نزدیک به نتیجه موردنظر باشد تغییر می‌کند. در این نقطه گفته می‌شود که ماشین یاد گرفته است چطور یک کار خاص را انجام دهد.
یکی از زیر مجموعه‌های یادگیری ماشین، یادگیری عمیق است. در این نوع یادگیری شبکه‌های عصبی به شبکه‌های گسترده‌ای با تعداد لایه‌های خیلی زیاد گسترده می‌شوند که توسط مقدار زیادی داده آموزش داده شده‌اند. این شبکه‌های عصبی عمیق باعث شده‌اند کامپیوترهای امروزی بتوانند کارهایی مانند تشخیص گفتار و یا تشخیص بصری را انجام دهند.
انواع مختلفی از شبکه‌های عصبی با نقاط قوت و ضعف مختلف وجود دارند. شبکه عصبی بازگشت‌پذیر نوعی از شبکه‌های عصبی هستند که برای پردازش زبان و تشخیص گفتار مناسب هستند. اما شبکه‌های عصبی کانولوشن بیشتر برای تشخیص تصویر مورد استفاده قرار می‌گیرند.
یکی دیگر از بخش‌های هوش ماشینی محاسبات تکاملی است که ایده آن از تئوری مشهور داروین یعنی انتخاب طبیعی گرفته شده است. در این روش الگوریتم‌های ژنتیک تحت جهش‌ها و ترکیب‌های تصادفی بین نسل‌های مختلف قرار می‌گیرند تا یک راه حل مناسب برای مسئله موردنظر تکامل یابد.
از این روش از مدت‌ها قبل برای طراحی مدل‌های هوش ماشینی استفاده می‌شد. در واقع در این مدل از هوش ماشینی برای تولید هوش ماشینی استفاده می‌شد. این روش استفاده از الگوریتم‌های تکاملی برای بهینه کردن شبکه‌های عصبی نوروتکامل (neuroevolution) نامیده می‌شود و می‌تواند نقش مهمی در طراحی سیستم‌های هوش ماشینی موثر داشته باشد.
اخرین بخش هوش مصنوعی نیز سیستم‌های خبره هستند که یک مجموعه دستور در کامپیوترها برنامه‌ریزی می‌شوند و به آن‌ها اجازه داده می‌شود مجموعه تصمیماتی را براساس تعداد زیادی ورودی بگیرند. این روش باعث می‌شود یک کامپیوتر بتواند رفتار یک انسان متخصص را در زمینه خاصی تقلید کند. یکی از نمونه‌های این سیستم‌های بر پایه دانش سیستم‌های اتوپایلوت هستند که به صورت خودکار هواپیما را هدایت می‌کنند.
انواع مختلف هوش ماشینی
آرند هینتزه دستیار پروفسور زیست‌شناسی یکپارچه و علوم کامپیوتر و مهندسی دانشگاه میشیگان هوش مصنوعی را در چهار دسته مختلف ماشین‌های واکنشی، حافظه محدود، تئوری ذهن و خودآگاهی تقسیم می‌کند.
ماشین‌های واکنشی
ابتدایی‌ترین نوع سیستم‌های هوش مصنوعی کاملا واکنش‌گرا هستند و هیچ توانایی برای شکل دادن حافظه یا استفاده از تجربیات قبلی برای اتخاذ تصمیمات جدید ندارند. ابرکامپیوتر شطرنج‌باز IBM یعنی Deep Blue که گری کاسپاروف را در اواخر دهه نود میلادی شکست داد، یکی از بهترین نمونه‌های این ماشین است.
این ابرکامپیوتر می‌توانست مهره‌های روی یک تخته شطرنج را شناسایی کند و نحوه حرکت هرکدام از آن‌ها را تشخیص دهد. همچنین این سیستم می‌توانست حرکات بعدی خودش و حریفش را پیش‌بینی کند و بهترین حرکت را انجام دهد.
اما این ماشین هیچ درکی از گذشته و یا اتفاقاتی که قبلا رخ داده بود نداشت. به جز یکی از قوانین شطرنج که نباید یک حرکت را سه بار تکرار کرد، Deep Blue هر اتفاقی که قبلا افتاده بود را نادیده می‌گرفت. تمام کاری که این سیستم انجام می‌داد این بود که مهره‌های روی صفحه شطرنج را همانطور که بودند می‌دید و از بین حرکاتی که می‌توانست انجام دهد یکی را انجام می‌داد.
این نوع هوش مصنوعی فقط براساس درکی که کامپیوتر مستقیما از دنیا داشت بود و تمام فعالیت کامپیوتر براساس چیزهایی بود که می‌دید. این سیستم براساس درک داخلی کامپیوتر از دنیای واقعی نبود. رادنی بروکز در یک مقاله می‌گوید که ما فقط باید سیستم‌هایی شبیه به این را بسازیم. دلیل اصلی او نیز این بود که انسان به اندازه‌ای دقیق نیست که بتواند یک دنیا را به صورت دقیق برای هوش مصنوعی برنامه‌ریزی کند.
ماشین‌هایی با حافظه محدود
این نوع از سیستم‌های هوش ماشینی می‌توانند از دانش گذشته استفاده کنند. ماشین‌های خودران تقریبا از این هوش مصنوعی استفاده می‌کنند. برای مثال آن‌ها سرعت و مسیر ماشین‌های دیگر را تحت نظر می‌گیرند. این کار نمی‌تواند در یک لحظه انجام شود و باید در مدت زمان خاصی انجام شود.
این مشاهدات به مفهوم برنامه‌ریزی شده‌ای که ماشین‌های خودران از دنیا دارند و شامل خط‌کشی‌های خیابان، چراغ‌های راهنمایی و عناصر مهم دیگری مانند پیچ‌های جاده می‌باشند افزوده می‌شود. ماشین‌های خودران از این اطلاعات برای تغییر لاین استفاده می‌کنند تا جلوی ماشین‌های دیگر نپیچند و یا با ماشین‌های دیگر تصادف نکنند.
اما این اطلاعات ساده درمورد آینده کاملا گذرا هستند و برخلاف انسان‌ها که از این نوع اطلاعات برای کسب تجربه استفاده می‌کنند، بخشی از کتابخانه تجربیات ماشین که می‌تواند در آینده با استفاده از آن‌ها چیزی را یاد بگیرد نخواهند بود.
تئوری ذهن
این همان تفاوتی که هوش مصنوعی امروز با هوش مصنوعی آینده دارد. بهتر است دقیق‌تر باشیم و انواع ادراک‌هایی که ماشین‌ها به آن نیاز دارند و اینکه باید چگونه باشند را بررسی کنیم.
هوش مصنوعی در آینده پیشرفته‌تر خواهند بود و علاوه بر اینکه می‌توانند دنیا را درک کنند، می‌توانند موجودیت‌ها و عوامل دیگر دنیا را هم درک کنند. در روانشناسی این مبحث با نام تئوری ذهن شناخته می‌شود. تئوری ذهن توانایی درک این موضوع است که انسان‌ها، مخلوقات و اشیاء دنیا هم می‌توانند فکر و احساساتی داشته باشند که روی رفتار آن‌ها تاثیرگذار باشد.
با استفاده از این مفهوم است که انسان‌ها توانسته‌اند جوامع مختلف را تشکیل دهند. بدون درک انگیزه‌ها و اهداف یکدیگر و بدون درنظر گرفتن اطلاعات یک نفر دیگر درمورد ما و دنیای اطراف، ارتباط برقرار کردن با یکدیگر خیلی سخت و یا غیرممکن خواهد بود.
اگر قرار باشد سیستم‌هایی با هوش مصنوعی در کنار ما زندگی کنند باید بتوانند درک کنند که هرکدام از ما احساسات، تفکرات و انتظارات خودمان را داریم و آن‌ها نیز باید رفتار خودشان را براساس این موضوعات تغییر دهند.
خودآگاهی
مرحله آخر گسترش هوش مصنوعی، ساخت سیستم‌هایی است بتوانند خودشان را درک کنند. ما علاوه بر اینکه باید آگاهی از اطراف را درک کنیم، بلکه باید دستگاه‌هایی بسازیم که بتوانند از آن استفاده کنند.
این مفهوم به شکلی همان تئوری ذهن است که در بخش قبلی به آن پرداختیم. آگاهی از اطراف به دلایلی خودآگاهی نیز خوانده می‌شود. موجودات خودآگاه از خودشان آگاهی دارند، احساسات درونی خودشان را می‌شناسند و می‌توانند احساسات دیگران را هم پیش‌بینی کنند. ما می‌دانیم کسی که داخل ترافیک پشت سر ما بوق می‌زند عصبانی است زیرا مواقعی که خودمان هم عصبانی هستیم پشت سر بقیه بوق می‌زنیم. بدون تئوری ذهن چنین استنتاج‌هایی غیرممکن خواهند بود.
با اینکه با ساخت ماشین‌هایی که خودآگاهی دارند فاصله زیادی داریم، باید تلاش‌های خودمان را روی درک حافظه، یادگیری و توانایی تصمیم‌گیری براساس تجربیات گذشته متمرکز کنیم. این کار یکی از قدم‌های مهم برای درک خود حافظه انسانی هم می‌باشد. همچنین اگر می‌خواهیم ماشین‌هایی را طراحی یا گسترش دهیم که بتوانند چیزهایی که می‌بینند را دسته‌بندی کنند، این امر کاملا ضروری است.
در این مقاله با تاریخچه هوش مصنوعی از زمان‌های باستان تا به امروز و سیر تحول آن در طول زمان آشنا شدیم. همچنین نگاهی داشتیم به هوش مصنوعی در آینده و اینکه این تکنولوژی در صد سال آینده به چه شکلی خواهد بود. در صورتی که هرگونه سوالی در این مورد دارید، با استفاده از بخش کامنت‌ها آن را با ما در میان بگذارید؛ کارشناسان نت ران در اسرع وقت به سوالات شما پاسخ می‌دهند.
