هوش مصنوعی چیست؟
هوش مصنوعی (Artificial Intelligence)، هوشی است که مربوط به ماشین و رایانه است؛ بر خلاف هوش طبیعی که متعلق به انسان و حیوان است.
اثر هوش مصنوعی (AI effect) چیست؟
به مرور و هر چه کامپیوترها و ماشین‌ها هوشمندتر می‌شوند، اعمالی که قبلا قادر به انجام آن بودند دیگر هوشمند محسوب نمی‌شوند! در واقع پژوهشگران به این نتیجه می‌رسند که کارهای قبلی واقعا هم هوشمند نبوده‌اند. به این پدیده اثر هوش مصنوعی می‌گویند. در حقیقت هر گاه یک فناوری و سطحی از هوشمندی کاملا برای ما روتین شود، دیگر آن را AI نمی‌نامیم و به دنبال دستیابی به قابلیت‌های عجیب‌تر هستیم. به عنوان مثال تکنولوژی OCR (خواندن نوشته‌های کاغذ توسط رایانه) دیگر هوش مصنوعی به حساب نمی‌آید چون یک عمل کاملا روتین شده است. برخی از فناوری‌های جدیدی که AI به حساب می‌آیند عبارتند از:
- توانایی فهمیدن صحبت‌های انسان (پردازش زبان طبیعی یا NLP)
- بازی در رقابت‌های استراتژیک مانند شطرنج و Go
- خودروهای خودران
- مسیریابی هوشمند در شبکه‌های توزیع محتوا یا CDN
- شبیه‌سازی‌های پیچیده جنگی
هوش مصنوعی از سال ۱۹۵۵ به عنوان یک رشته مشخص آکادمیک به وجود آمده است. از آن زمان تا کنون، AI با فراز و نشیب‌های مختلفی روبرو بوده است. گاهی خوش‌بینی زیادی نسبت به این تکنولوژی به وجود آمده است )به این دوران موج خوش‌بینی یا waves of optimism می‌گویند)، گاهی هم پژوهشگران کاملا ناامید شده‌اند (که به این دوران زمستان AI یا AI winter می‌گویند) . در طول تاریخ، فیلدهای مختلف کاری در هوش مصنوعی به وجود آمده‌اند که معمولا هم با یکدیگر تفاوت زیادی داشته‌اند و یکپارچه نشده‌اند. برخی از این فیلدهای اهداف گوناگونی را دنبال کرده‌اند (مانند یادگیری ماشین و رباتیک، (برخی نیز از تکنیک‌های متفاوتی استفاده کرده‌اند (مانند منطق و شبکه عصبی)
اهداف AI چه چیزهایی هستند؟
اهداف و مسئله‌های تاریخی در حوزه AI عبارتند از:
- توانایی استدلال کردن (reasoning)
- ایجاد درخت دانش به منظور استفاده از دانش قبلی برای حل مسائل جدید
- توانایی برنامه ریزی و تعیین استراتژی
- توانایی یادگیری
- پردازش زبان طبیعی
- درک محیط پیرامون (machine perception)
و بزرگ‌ترین هدف متخصصان هوش مصنوعی نیز دستیابی به یک هوش عمومی (General AI) هست که توانایی همه‌ی کارهای بالا را با هم دارد و کاملا هوشمند است.
AIیک علم بین رشته‌ای است و در آن از علوم مختلفی مانند علوم کامپیوتر، مهندسی اطلاعات، ریاضیات، روانشناسی، زبان شناسی و فلسفه استفاده میشود. AI با این پیش فرض به وجود آمده است که ما می‌توانیم به طور کامل هوش انسانی را شبیه سازی کنیم و به شکل یک AI درآوریم. شبیه سازی AI مسائل فلسفی و اخلاقی زیادی نیز به وجود آورده است؛ عده‌ای عقیده دارند که AI خطری برای بشریت به حساب می‌آید. برخی نیز می‌پندارند هوش مصنوعی یک بیکاری عمومی به وجود خواهد آورد (به خاطر گرفتن جای انسان‌ها در انجام بسیاری از امور)
هوش مصنوعی چیست؟
AI شاخه‌‌ای از علوم کامپیوتر است که به مطالعه‌‌ی عامل‌‌های هوشمند (intelligent agents) میپردازد. عامل هوشمند هر وسیله‌‌ای است که با درک دنیای پیرامون، احتمال دستیابی به اهدافش را بیشینه میکند. یک تعریف واضح‌‌تر از هوش مصنوعی عبارت است از: AI توانایی یک سیستم برای تفسیر دادههای خارجی است؛ این سیستم با دیدن دادهها، یاد میگیرد و آموخته‌‌های خود را برای رسیدن به اهداف خاصی به کار می‌‌بندد.
مقدمات هوش مصنوعی
در سال‌های ابتدایی قرن ۲۱ شاید کم‌تر کسی در مورد اینترنت اطلاعات زیادی داشت و با مفاهیمی مثل پهنای باند و روتر آشنا بود؛ اما این مفاهیم دیگر جزء بدیهیات برای همگان شده‌اند. امروز نیز هوش مصنوعی شاید یک مفهوم قابل فهم عمومی نباشد؛ اما در آینده‌ای نزدیک، شرکت‌های زیادی در محصولات خود از هوش مصنوعی استفاده می‌کنند و ما ناگریزیم با این مفهوم آشنا شویم. در ادامه مفاهیم پایه‌ای و مقدماتی AI را توضیح میدهیم:
الگوریتم
مهم‌ترین مفهوم در AI، الگوریتم است. الگوریتم فرمول‌های ریاضی هستند که یک کامپیوتر معمولی را قادر می‌سازند تا به صورت هوشمندانه به حل مسئله بپردازد. الگوریتم‌ها در واقع کامپیوتر را قادر می‌کنند تا به صورت مستقل به یادگیری بپردازد.
یادگیری ماشین
یادگیری ماشین همان هوش مصنوعی نیست! بلکه یادگیری ماشین تنها بخشی از AI است؛ اما موضوعات آنها همپوشانی زیادی دارند. یک الگوریتم یادگیری ماشین، با دیدن مجموعه‌ای از دادهها میتواند به یک هوشمندی نسبی برسد. به عنوان مثال کافی است عکس گربه‌های زیادی را به الگوریتم یادگیری ماشین نشان دهید تا از آن پس قادر به تشخیص هر گربه‌ای باشد.
شبکه عصبی
اگر بخواهیم الگوریتم‌های AI دقت و درستی بالاتری داشته باشند، باید از شبکه عصبی استفاده کنیم. شبکه عصبی بسیار شبیه به سیستم عصبی انسان است. یک شبکه عصبی با شکستن دادهها و تجزیه و تحلیل آنها در لایه‌های مختلف از شبکه، کامپیوتر را قادر می‌سازد تا مسائل پیچیده را حل کند.
یادگیری عمیق
یادگیری عمیق (Deep Learning) بخشی از خانواده‌ی بزرگ‌تر یادگیری ماشین است که بر روش‌هایی تمرکز دارد که مبتنی بر شبکه‌های عصبی مصنوعی هستند. یادگیری عمیق تکنولوژی اصلی ساخت خودروهای خودران است؛ یادگیری عمیق به خودروها این توانایی را میدهد که تابلوها را شناسایی کنند، و یا تیر چراغ برق را از انسان تشخیص دهند. یادگیری عمیق تکنولوژی کلیدی مورد استفاده در رابط کاربری صوتی تلفن‌های همراه، تبلت‌ها، تلویزیون‌ها و هندزفری‌ها است. مدتی است که یادگیری عمیق توجه بیش‌تری را به سمت خود جلب کرده است؛ چرا که نتایجی را با خود به همراه داشته است که هیچگاه در گذشته ممکن نبوده‌اند.
پردازش زبان طبیعی
پردازش زبان طبیعی (Natural Language Processing) یا به اختصار، NLP، یکی از شاخه‌های AI است که به تعاملات بین رایانه و انسان، از طریق زبان طبیعی میپردازد. هدف غایی NLP، خواندن، رمزگشایی، فهم و درک زبان انسان با روشی ارزشمند است. بیش‌تر روش های پردازش زبان طبیعی برای استخراج و فهم معنای زبان انسانی، مبتنی بر تکنیک‌های یادگیری ماشین است.
یادگیری تقویتی
نوع یادگیری AI و انسان، بسیار به یکدیگر شبیه است؛ یکی از راه‌‌‌های آموزش به کامپیوتر به شیوه انسانی، استفاده از یادگیری تقویتی (reinforcement learning) است. در این روش، هدفی به رایانه داده میشود که به صورت دقیق تعریف نشده است! به عنوان مثال به رایانه می‌‌‌‌گوییم که «جواب را پیدا کن» یا «بهره‌‌‌‌وری را بالا ببر». این اهداف متریک معینی ندارند؛ پس از آن که رایانه به هدف دست یافت، نتیجه را در اختیار انسان قرار میدهد تا بررسی شود. هوش مصنوعی فیدبک را از انسان میگیرد و خود را اصلاح میکند تا به نتیجه مطلوب دست یابد.
یادگیری با ناظر
در یادگیری با ناظر (supervised learning)، ما یک سری سوال و جواب‌‌‌‌های آنها را به رایانه میدهیم؛ رایانه با استفاده از یک الگوریتم یادگیری ماشین، روابط بین ورودی‌‌‌‌ها (سوال) و خروجی (جواب) را پیدا میکند. پس از آن اگر سوال جدیدی به رایانه دهیم که جواب آن را ندانیم، مدل میتواند جواب را پیشبینی کند.
یادگیری بدون ناظر
در یادگیری بدون ناظر (unsupervised learning)، ما دیگر با ورودی و خروجی سر و کار نداریم؛ بلکه مقدار زیادی داده داریم که میخواهیم الگوی بین این دادهها را به دست آوریم!
انتقال یادگیری (transfer learning)
فرض کنید یک مدل ساخته‌‌‌‌‌‌ایم که به خوبی میتواند وجود خودرو سواری در یک تصویر را تشخیص دهد. آیا این مدل (دانش کسب‌‌‌‌‌‌شده) را میتوان در تشخیص وجود تراکتور در تصویر به کار برد؟ موضوع انتقال یادگیری دقیقا چنین مبحثی است. در واقع میخواهیم با مدل‌هایی که train کرده‌ایم، مسائل جدیدی را حل کنیم.
سطوح هوش مصنوعی چیست؟
به طور کلی میتوان سه سطح برای هوش مصنوعی تعریف کرد:
- هوش مصنوعی ضعیف (ANI) تقریبا تمام سیستم‌های AI که تا به امروز توسعه داده شده‌اند، هوش مصنوعی ضعیف هستند. در این سطح از AI، ماشین‌ها تنها قادر به انجام امور مشخص هستند و هوشمندی محدودی دارند.
- هوش مصنوعی عمومی (AGI) هوش مصنوعی عمومی نوعی از AI بسیار قدرتمند است که توانایی تصمیم‌گیری به شکل مستقل ندارد. بشر تا کنون به چنین هوشی دست نیافته است.
- هوش مصنوعی سوپر (ASI)این نوع هوش آن قدر قوی شده است که میتواند بر انسان چیره شود؛ این نوع از AI تنها در حد تئوری باقی مانده است.
شاخه های AI و کاربردهای آن ها چیست؟
اگر بخواهیم یک تقسیم‌بندی از شاخه‌های هوش مصنوعی داشته باشیم، باید به صورت زیر عنوان کنیم:
- یادگیری ماشین
- یادگیری عمیق
- پردازش زبان طبیعی
- رباتیک
- سیستم‌های متخصص
- منطق فازی
انواع هوش مصنوعی
اگر بخواهیم تقسیم‌بندی خوبی از AI داشته باشیم، می‌توانیم آن را بر اساس کاربردهایش گروه‌بندی کنیم. انواع AI بر اساس کاربرد عبارتند از:
- ماشین‌های هوش مصنوعی واکنش‌گر (Reactive Machines AI)
این نوع از ماشین‌ها، تنها بر اساس دادههای فعلی و شرایط کنونی عمل می‌کنند. ماشین‌های AI واکنش‌گرا، نمی‌توانند بر اساس دادههای فعلی، شرایط آینده را پیشبینی کنند و تنها بر اساس مجموعه‌ای از دستورات از پیش تعیین‌شده و محدود عمل می‌کنند.
مثال معروف این نوع از ماشین هوش مصنوعی، برنامه‌ی شطرنج‌باز شرکت IBM است که توانست Garry Kasparov، قهرمان جهانی شطرنج، را شکست دهد.
- AI با حافظه محدود (Limited Memory AI)
همان‌طور که از اسم این نوع از ماشین‌ها برمی‌آید، می‌توانند مجموعه‌ای از دادهها را در حافظه‌ی خود ذخیره کنند و بر اساس آن، تصمیم‌هایی بهینه و مناسب بگیرند. هوش مصنوعی با حافظه محدود، با استفاده از داده‌هایی که در حافظه‌ی کوتاه‌مدت خود ذخیره کرده، میتواند تصمیمات سنجیده‌ای بگیرد.
خودروهای خودران، نمونه‌ای از ماشین‌های هوش مصنوعی با حافظه محدود است. این خودروها، به وسیله‌ی سنسورهای مختلف، عابران، سایر ماشین‌ها، علائم راهنمایی و رانندگی، شیب جاده و … را تشخیص می‌دهند و از هرگونه تصادف جلوگیری می‌کنند.
- AI مبتنی بر تئوری ذهن (Theory Of Mind AI)
هوش مصنوعی مبتنی بر تئوری ذهن، گونه‌ی پیچیده‌تری از هوش مصنوعی است. این نوع هوش مصنوعی، اهمیت زیادی در روانشناسی دارد. تمرکز اصلی هوش مصنوعی مبتنی بر تئوری ذهن، حوزه‌ی هوش احساسی است. با استفاده از آن، قادر هستیم، احساسات و تفکرات انسانی را راحت‌تر درک کنیم. هوش مصنوعی مبتنی بر تئوری ذهن، هنوز توسعه‌ی زیادی نیافته‌است؛ اما، تحقیقات زیادی در این زمینه در حال انجام است.
- AI خودآگاه (Self-aware AI)
نتیجه اینکه :
در حال حاضر، ساخت ماشین هوش مصنوعی که بدون دخالت انسان، تصمیم‌گیری کند، ممکن نیست و با شرایط فعلی فناوری، چنین چیزی ممکن نیست. اما، شاید در آینده و با استفاده از یک AI بسیار پیشرفته، چنین امری ممکن شود.
منبع : علیرضا کریمی- فنولوژی
