پرش به محتوا

هوش مصنوعی

از ویکی‌پدیا، دانشنامهٔ آزاد

هوش مصنوعی (به انگلیسی: Artificial intelligence) (مخفف انگلیسی: AI) هوشی است که توسط ماشین‌ها ظهور پیدا می‌کند، در مقابل هوش طبیعی[الف] که توسط جانوران شامل انسان‌ها نمایش می‌یابد. اما پیش از هرچیز باید این موضوع را دانست که کلمه هوش، نشان دهنده امکان استدلال است و اینکه آیا هوش مصنوعی می‌تواند به توانایی استدلال دست یابد یا خیر، خود موضوع اختلاف محققان است. کتاب‌های AI پیشرو، این شاخه را به عنوان شاخه مطالعه بر روی «عوامل هوشمند» تعریف می‌کنند: هر سامانه‌ای که محیط خود را درک کرده و کنش‌هایی را انجام می‌دهد که شانسش را در دستیابی به اهدافش بیشینه می‌سازد.[ب] برخی از منابع شناخته شده از اصطلاح «هوش مصنوعی» جهت توصیف ماشینی استفاده می‌کنند که عملکردهای «شناختی» را از روی ذهن انسان‌ها تقلید می‌کنند، همچون «یادگیری» و «حل مسئله»، با این حال این تعریف توسط محققان اصلی در زمینه AI رد شده است.[پ][۲][۳]

کاربردهای هوش مصنوعی شامل موتورهای جستجو پیشرفتهٔ وب (مثل گوگل و بینگسامانه توصیه‌گر (که توسط یوتیوب، آمازون و نتفلیکس استفاده می‌شوند.)، فهم زبان انسان‌ها (همچون سیری ، جمنای و آمازون الکساخودروهای خودران (مثل تسلاهوش مصنوعی مولد یا خلاقیت محاسباتی (مثل چت‌جی‌پی‌تی یا تولید اثر هنری مانند دال-ئی و میدجرنی) تصمیم‌گیری خودکار و رقابت در بالاترین سطوح سامانه‌های بازی استراتژیک (همچون شطرنج و گو). با بیشتر شدن توانایی ماشین‌ها، وظایفی که نیازمند «هوشمندی» هستند اغلب از تعریف AI برداشته می‌شود، پدیده‌ای که به آن اثر هوش مصنوعی گفته می‌شود. به عنوان مثال، فهم نوری کاراکتر را اغلب از چیزهایی که AI در نظر گرفته می‌شوند مستثنی می‌کنند، چرا که این فناوری تبدیل به فناوری عادی و روزمره‌ای شده است.[۴][۵][۶]

هوش مصنوعی در سال ۱۹۵۶ میلادی تبدیل به شاخه‌ای آکادمیک شد و در سال‌های پس از آن چندین موج خوش‌بینی را تجربه کرده و مجدد دچار امواج ناامیدی و کمبود بودجه شده (که به آن «زمستان AI» می‌گویند)، سپس فناوری‌های جدیدی در پی آن آمده و موفقیت و بودجه‌های تحقیقاتی این حوزه مجدداً احیا گشته‌اند. تحقیقات AI رهیافت‌های متفاوتی را از زمان تأسیسش امتحان کرده و آن‌ها را کنار گذاشته است، رهیافت‌هایی چون: شبیه‌سازی مغز، مدل‌سازی حل مسئله توسط مغز انسان، منطق صوری، بانک‌های اطلاعاتی بزرگ دانش و تقلید رفتار جانوران. در اولین دهه‌های قرن ۲۱ میلادی، یادگیری ماشینی که شدیداً از آمار ریاضیاتی بهره می‌برد در این حوزه غلبه داشت و این فناوری اثبات کرد که به شدت موفق است و به حل چندین مسئله چالش‌برانگیز در صنعت و فضای آکادمیک کمک نمود.[۷][۸]

شاخه‌های مختلف تحقیقات هوش مصنوعی حول اهداف به‌خصوصی متمرکز بوده و از ابزارآلات خاصی استفاده می‌کنند. اهداف سنتی تحقیقات AI شامل این موارد اند: استدلال، نمایش دانش، برنامه‌ریزی، یادگیری، پردازش زبان طبیعی، ادراک و توانایی در جابجایی و دستکاری اشیاء.[ت] هوش جامع (توانایی حل مسائل دلخواه) در میان اهداف بلند مدت این حوزه است. جهت حل چنین مسائلی، محققان AI فنون حل مسئله وسیع و یکپارچه‌ای را شامل این موارد به کار بسته‌اند: جست‌وجو و بهینه‌سازی ریاضیاتی، منطق صوری، شبکه‌های عصبی مصنوعی و روش‌های مبنی بر آمار، احتمالات و اقتصاد. AI همچنین با حوزه‌هایی چون علوم کامپیوتر، روان‌شناسی، زبان‌شناسی، فلسفه و بسیاری از حوزه‌های دیگر مرتبط است.[۹]

این شاخه بر این فرض بنا شده است که هوش انسانی «را می‌توان به دقت توصیف نمود، به طوری که می‌توان آن را توسط یک ماشین شبیه‌سازی نمود».[ث] این فرض بحث‌های فلسفی را پیرامون ذهن و اخلاقیات خلق موجودات هوشمند برانگیخته است، موجوداتی که دارای هوش شبیه-انسان اند. این مسائل توسط افسانه‌ها، داستان‌های تخیلی و فلسفه از زمان‌های باستان مورد کاوش واقع شده‌اند. ادبیات علمی-تخیلی و آینده‌پژوهی نیز پیشنهاد می‌دهند که AI با پتانسیل و قدرت عظیمی که دارد، ممکن است منجر به ایجاد ریسک وجودی برای بشریت گردد.[۱۱]

تاریخچه

هوش مصنوعی توسط فلاسفه و ریاضی‌دانانی نظیر جرج بول که اقدام به ارائهٔ قوانین و نظریه‌هایی در مورد منطق نمودند، مطرح شده بود. با اختراع رایانه‌های الکترونیکی در سال ۱۹۴۳، هوش مصنوعی، دانشمندان آن زمان را به چالشی بزرگ فراخواند. در این شرایط، چنین به‌نظر می‌رسید که این فناوری قادر به شبیه‌سازی رفتارهای هوشمندانه خواهد بود.

با وجود مخالفت گروهی از متفکران با هوش مصنوعی که با تردید به کارآمدی آن می‌نگریستند تنها پس از چهار دهه، شاهد تولد ماشین‌های شطرنج باز و دیگر سامانه‌های هوشمند در صنایع گوناگون شدیم.

حوزه پژوهش در زمینه هوش مصنوعی در یک کارگاه آموزشی در کالج دارتموث در سال ۱۹۵۶ متولد شد.[۱۲][۱۳][۱۴] شرکت‌کنندگان آلن نیول (دانشگاه کارنگی ملونهربرت سیمون (دانشگاه کارنگی ملون)، جان مک‌کارتی (مؤسسه فناوری ماساچوست)، ماروین منسکی (مؤسسه فناوری ماساچوست) و آرتور ساموئل (آی‌بی‌ام) از بنیان‌گذاران و رهبران پژوهش در زمینه هوش مصنوعی شدند.[۱۲] آن‌ها به همراه دانشجویانشان برنامه‌هایی نوشتند که مطبوعات آن را «شگفت‌آور» توصیف می‌کردند، رایانه‌ها استراتژی‌های بردِ بازی چکرز را فرا می‌گرفتند،[۱۵][۱۶] سوالاتی در جبر حل می‌کردند، قضیه‌های منطقی اثبات می‌کردند و انگلیسی صحبت می‌کردند.[۱۲][۱۷] در اواسط دهه ۱۹۶۰ میلادی وزارت دفاع آمریکا سرمایه‌گذاری‌های سنگینی در حوزه پژوهش در زمینه هوش مصنوعی انجام می‌داد،[۱۳] در آن دهه آزمایشگاه‌های فراوانی در سراسر جهان تأسیس شد.[۱۸] بنیانگذاران هوش مصنوعی در مورد آینده خوشبین بودند: هربرت سیمون پیش‌بینی کرد «ماشین‌ها ظرف بیست سال قادر به انجام هر کاری هستند که یک انسان می‌تواند انجام دهد». ماروین مینسکی، نوشت: «در طی یک نسل … مسئله هوش مصنوعی اساساً حل خواهد شد».[۱۳]

نام هوش مصنوعی در سال ۱۹۶۵ میلادی به عنوان یک دانش جدید ابداع گردید. البته فعالیت در این زمینه از سال ۱۹۶۰ میلادی شروع شد. (مرجع۱) بیشتر کارهای پژوهشی اولیه در هوش مصنوعی بر روی انجام ماشینی بازی‌ها و نیز اثبات قضیه‌های ریاضی با کمک رایانه‌ها بود. در آغاز چنین به نظر می‌آمد که رایانه‌ها قادر خواهند بود چنین فعالیت‌هایی را تنها با بهره گرفتن از تعداد بسیار زیادی کشف و جستجو برای مسیرهای حل مسئله و سپس انتخاب بهترین روش برای حل آن‌ها به انجام رسانند.

اصطلاح هوش مصنوعی برای اولین بار توسط جان مک‌کارتی (که از آن به‌عنوان پدر علم و دانش تولید ماشین‌های هوشمند یاد می‌شود) استفاده شد. وی مخترع یکی از زبان‌های برنامه‌نویسی هوش مصنوعی به نام لیسپ (به انگلیسی: lisp) است. با این عنوان می‌توان به هویت رفتارهای هوشمندانه یک ابزار مصنوعی پی برد. (ساختهٔ دست بشر، غیرطبیعی، مصنوعی) حال آنکه هوش مصنوعی به عنوان یک اصطلاح عمومی پذیرفته شده که شامل محاسبات هوشمندانه و ترکیبی (مرکب از مواد مصنوعی) است.

از اصطلاح "Strong and Weak AI" می‌توان تا حدودی برای معرفی رده‌بندی سامانه‌ها استفاده کرد.

آزمون تورینگ

آزمون تورینگ

آزمون تورینگ[۱۹] آزمونی است که توسط آلن تورینگ در سال ۱۹۵۰ در نوشته‌ای به نام «محاسبات و هوشمندی» مطرح شد. در این آزمون شرایطی فراهم می‌شود که شخصی با ماشینی تعامل برقرار کند و پرسش‌های کافی برای بررسی اقدامات هوشمندانهٔ ماشین، از آن بپرسد. چنانچه در پایان آزمایش نتواند تشخیص دهد که با انسان یا با ماشین در تعامل بوده است، آزمون با موفقیت انجام شده است. تاکنون هیچ ماشینی از این آزمون با موفقیت بیرون نیامده است. کوشش این آزمون برای تشخیص درستی هوشمندی یک سامانه است که سعی در شبیه‌سازی انسان دارد.

تعریف و طبیعت هوش مصنوعی

سامانه یک خودروی بدون راننده می‌تواند از یک شبکه عصبی استفاده کند تا بتواند تشخیص دهد که کدام قسمت از تصاویر می‌تواند با تصویر یک انسان تطابق داده شود، و سپس آن قسمت را به شکل یک مستطیل با حرکت آهسته شبیه‌سازی کند که باید از برخورد با آن خودداری شود.[۲۰][۲۱]

هنوز تعریف دقیقی برای هوش مصنوعی که مورد توافق دانشمندان این علم باشد ارائه نشده است و این به هیچ وجه مایهٔ تعجب نیست. چرا که مقولهٔ مادر و اساسی‌تر از آن، یعنی خود هوش هم هنوز به‌طور همه‌جانبه و فراگیر تن به تعریف نداده است. در واقع می‌توان نسل‌هایی از دانشمندان را سراغ گرفت که تمام دوران زندگی خود را صرف مطالعه و تلاش در راه یافتن جوابی به این سؤال عمده نموده‌اند که: هوش چیست؟

اما اکثر تعریف‌هایی که در این زمینه ارائه شده‌اند بر پایه یکی از ۴ باور زیر قرار می‌گیرند:

  1. سامانه‌هایی که به‌طور منطقی فکر می‌کنند
  2. سامانه‌هایی که به‌طور منطقی عمل می‌کنند
  3. سامانه‌هایی که مانند انسان فکر می‌کنند
  4. سامانه‌هایی که مانند انسان عمل می‌کنند (مرجع۱)

شاید بتوان هوش مصنوعی را این‌گونه توصیف کرد: «هوش مصنوعی عبارت است از مطالعه این که چگونه رایانه‌ها را می‌توان وادار به کارهایی کرد که در حال حاضر انسان‌ها آن‌ها را صحیح یا بهتر انجام می‌دهند» (مرجع۲). هوش مصنوعی به هوشی که یک ماشین از خود نشان می‌دهد یا به دانشی در کامپیوتر که سعی در ایجاد آن دارد گفته می‌شود. بیشتر نوشته‌ها و مقاله‌های مربوط به هوش مصنوعی آن را «دانش شناخت و طراحی عامل‌های هوشمند» تعریف کرده‌اند. یک عامل هوشمند، ساماندهی است که با شناخت محیط اطراف خود، شانس موفقیت خود را بالا می‌برد.

اینکه هوش مصنوعی چیست و چه تعریفی می‌توان از آن بیان نمود؟ مبحثی است که تاکنون دانشمندان به یک تعریف جامع در آن نرسیده‌اند و هریک تعریفی را ارائه نموده‌اند که در زیر نمونه‌ای از این تعاریف آمده است.

  • هنر ایجاد ماشین‌هایی که وظایفی را انجام می‌دهند که انجام آن‌ها توسط انسان‌ها نیاز به هوش دارد (کورزویل- ۱۹۹۰)
  • مطالعهٔ استعدادهای ذهنی از طریق مدل‌های محاسباتی (کارنیاک و مک درموت - ۱۹۸۵)
  • مطالعهٔ اینکه چگونه رایانه‌ها را قادر به انجام اعمالی کنیم که در حال حاضر، انسان آن اعمال را بهتر انجام می‌دهد. (ریچ و نایت -۱۹۹۱)
  • خودکارسازی فعالیت‌هایی که ما آن‌ها را به تفکر انسانی نسبت می‌دهیم. فعالیت‌هایی مثل تصمیم‌گیری، حل مسئله، یادگیری و … (بلمن -۱۹۷۸)
  • تلاشی نو و مهیج برای اینکه رایانه‌ها را قادر به فکر کردن کنیم. ماشین‌هایی با فکر و حس تشخیص واقعی (هاگلند-۱۹۸۵)
  • یک زمینهٔ تخصصی که به دنبال توضیح و شبیه‌سازی رفتار هوشمندانه به وسیلهٔ فرایندهای رایانه‌ای است. (شالکوف -۱۹۹۰)
  • مطالعه محاسباتی که درک، استدلال و عمل کردن را توسط ماشین‌ها را ممکن می‌سازد. (وینستون - ۱۹۹۲)
  • توانایی دست یافتن به کارایی در حد انسان در همهٔ امور شناختی توسط رایانه (آلن تورینگ – ۱۹۵۰)
  • هوش مصنوعی دانش و مهندسی ساخت ماشین‌های هوشمند و به خصوص برنامه‌های رایانه‌ای هوشمند است. هوش مصنوعی با وظیفه مشابه استفاده از رایانه‌ها برای فهم چگونگی هوش انسان مرتبط است، اما مجبور نیست خودش را به روش‌هایی محدود کند که بیولوژیکی باشند. (جان مک‌کارتی – ۱۹۸۰)

هوشمندی مفهومی نسبی دارد و نمی‌توان محدوده صحیحی را برای ارائه تعریف از آن مشخص نمود. رفتاری که از نظر یک فرد هوشمند به نظر می‌رسد؛ ممکن است برای یک فرد دیگر این‌گونه به نظر نرسد. اما در مجموع خصوصیات زیر قابلیت‌های ضروری برای هوشمندی است:

  • پاسخ به موقعیت‌های از قبل تعریف نشده با انعطاف بسیار بالا و بر اساس بانک دانش
  • معنا دادن به پیام‌های نادرست یا مبهم
  • درک تمایزها و شباهت‌ها
  • تجزیه و تحلیل اطلاعات و نتیجه‌گیری
  • توانمندی آموختن و یادگرفتن
  • برقراری ارتباط دوطرفه

به فرض اینکه تعاریف بالا را از هوشمندی بپذیریم، موارد زیر فهرستی است از وظایفی که از یک سامانه هوشمند انتظار می‌رود و تقریباً اکثر دانشمندان هوش مصنوعی بر آن توافق نظر دارند به شرح زیر است:

  • تولید گفتار
  • تشخیص و درک گفتار (پردازش زبان طبیعی انسان)
  • دستورپذیری و قابلیت انجام اعمال فیزیکی در محیط طبیعی و مجازی
  • استنتاج و استدلال
  • تشخیص الگو و بازشناسی الگو برای پاسخ گویی به مسائل بر اساس دانش قبلی
  • شمایلی گرافیکی یا فیزیکی جهت ابراز احساسات و عکس‌العمل‌های ظریف
  • سرعت عکس‌العمل بالا

رویکردهای اصلی به هوش مصنوعی

رویکردهای شاخص به هوش مصنوعی[۲۲] (به ترتیب روند زمانی که مطرح شدند و البته همگی سپس به بقا در حیطه خودشان ادامه دادند):

1-      مبتنی بر منطق و Rule [۲۳]

2-      مبتنی بر تشخیص الگو / روش‏های احتمالاتی / روش های آماری[۲۴]

3-      مبتنی بر الگوریتمهای مکاشفه ای (Heuristics)[۲۵]

4-      مبتنی بر گراف‏های دانش و هستان‏شناسی ها

5-      مبتنی بر یادگیری ماشین

6-      مبتنی بر شبکه های عصبی عمیق

7-      مبتنی بر GAN  و Transformers  و هوش مصنوعی مولد ( Generative AI )

8-      مبتنی بر مدل های بزرگ آموزش داده شده

9-      مبتنی بر مدل‏ های بزرگ زبانی LLM

10-  مبتنی بر دستوردهی به LLM ها (یعنی Prompt Engineering)

11-  هوش مصنوعی توضیح پذیر (XAI) / اعتماد پذیر / مسئول / جویا (RAG)

12-  هوش مصنوعی انسان‏ وار (Human Like)

13-  هوش مصنوعی  عمومی (AGI)

14-  ابرهوش مصنوعی (ASI)

کاربردهای هوش مصنوعی

هوش مصنوعی کاربردهای متنوعی دارد. تعدادی از مهم‌ترین کاربردهای هوش مصنوعی شامل استفاده در وسایل نقلیه خودگردان (مثل پهپادها و اتومبیل‌های خودران)، تشخیص‌های پزشکی، خلق آثار هنری، اثبات قضیه‌های ریاضی، انجام بازی‌های فکری، تعیین هویت تصاویر(تشخیص چهره) و صداها، ذخیره انرژی، جستجوگرهای اینترنتی، تهیه قراردادها و پیش‌بینی آرای قضایی می‌شوند.

هوش مصنوعی در اقتصاد

یکی از مهم‌ترین کاربردهای هوش مصنوعی در زمینهٔ تجارت، اقتصاد و کلان داده است. برای مثال، با استفاده از هوش مصنوعی می‌توان با ضریب خطای پایینی، تغییرات فصلی و بلندمدت در عرضه یا تقاضای محصولات مختلف را پیش‌بینی کرد. این موضوع می‌تواند به شدت در سیاست، اقتصاد کلان و کنترل عرضه و تقاضا مفید واقع شود. همچنین، شرکت‌هایی مانند گوگل خدماتی در زمینهٔ هوش مصنوعی به شرکت‌های بزرگ ارائه می‌دهند که می‌تواند به برنامه‌ریزی، انبارگردانی، پیش‌بینی سیر صعودی یا نزولی فروش در محصولات به خصوص و نیز برندسازی آن‌ها کمک کند.

پیش ‏بینی قیمت در بازارها (مانند پیش بینی قیمت نفت با هوش مصنوعی) یکی از کاربردهای هوش مصنوعی در اقتصاد است.[۲۶]

هوش مصنوعی در ورزش

به‌طور تاریخی، پیش‌بینی فوتبال به انسان‌های ماهری وابسته بود که می‌توانستند سوابق و وضعیت دو تیم و بازیکنان را تحلیل کنند. با انقلاب دیجیتال، سایت‌های شرط‌بندی کار را برای پیش‌بینی آسان و آسان‌تر کردند. اما حتی ظهور سایت‌ها و شرط‌بندی آنلاین هم تأثیری در نحوه شرط‌بندی ایجاد نکرد. همچنان علاقه‌مندان تلاش می‌کنند تا وضعیت طرفین و بازیکنان را بررسی کنند. هوش مصنوعی این را تغییر می‌دهد. اینترنت باعث ظهور سایت‌ها و فروم‌هایی شد که تیپسترهای شرط‌بندی فرم معرفی می‌کنند. با ظهور هوش مصنوعی، فرم شرط‌بندی می‌تواند چیزی فراتر از یک محاسبه انسانی باشد و الگوریتم‌های یادگیری ماشین، بازی را عوض می‌کنند.[۲۷][۲۸]

شبکه‌های اجتماعی

در شبکه‌های اجتماعی مطرح مانند توئیتر یا اینستاگرام، برای تشخیص الگوهای رفتاری انسانی، جلوگیری از هرزنامه و انتشار محتوای مجرمانه و نیز شناسایی مخاطبان هدف برای تبلیغات، از هوش مصنوعی استفاده می‌شود. همچنین، برخی از ربات‌های شبکهُ اجتماعی بر پایهٔ هوش مصنوعی فعالیت می‌کنند تا در بالاترین سطوح رفتارهای انسانی را شبیه‌سازی نمایند.[۲۹]

هوش مصنوعی در خدمات حقوقی

کاربرد هوش مصنوعی در خدمات حقوقی به سرعت در حال افزایش است و سیستم‌های نوین مبتنی بر پردازش زبان طبیعی به تدریج در حال به عهده گرفتن بخشی از وظایف حقوق‌دانان هستند. نرم‌افزارهای مبتنی بر تکنولوژی هوش مصنوعی در حال حاضر امکان تهیه قراردادهای دقیق، تحلیل قراردادها و اسناد حقوقی موجود و پیش‌بینی آرای دادگاه‌ها را فراهم کرده‌اند.

فلسفه هوش مصنوعی

به‌طور کلی ماهیت وجودی هوش به مفهوم جمع‌آوری اطلاعات، استقراء و تحلیل تجربیات به منظور رسیدن به دانش یا ارائه تصمیم است. در واقع هوش به مفهوم به‌کارگیری تجربه به منظور حل مسائل دریافت شده تلقی می‌شود. هوش مصنوعی علم و مهندسی ایجاد ماشین‌هایی هوشمند با به‌کارگیری از کامپیوتر و الگوگیری از درک هوش انسانی یا حیوانی و نهایتاً دستیابی به مکانیزم هوش مصنوعی در سطح هوش انسانی است.[۳۰]

در مقایسهٔ هوش مصنوعی با هوش انسانی می‌توان گفت که انسان قادر به مشاهده و تجزیه و تحلیل مسائل در جهت قضاوت و اخذ تصمیم است در حالی که هوش مصنوعی مبتنی بر قوانین و رویه‌هایی از قبل تعبیه شده بر روی کامپیوتر است. در نتیجه علی‌رغم وجود رایانه‌های بسیار کارا و قوی در عصر حاضر ما هنوز قادر به پیاده کردن هوشی نزدیک به هوش انسان در ایجاد هوش‌های مصنوعی نبوده‌ایم.

به‌طور کلّی، هوش مصنوعی را می‌توان از زوایای متفاوتی مورد بررسی و مطالعه قرار داد. مابین هوش مصنوعی به عنوان یک هدف، هوش مصنوعی به عنوان یک رشتهٔ تحصیلی دانشگاهی یا هوش مصنوعی به عنوان مجموعهٔ فنون و راهکارهایی که توسط مراکز علمی مختلف و صنایع گوناگون تنظیم و توسعه یافته است، باید تفاوت قائل بود.[۳۱]

اتاق چینی

اتاق چینی یک آزمایش ذهنی است که اولین بار توسط مقاله جان سرل به‌نام «ذهن‌ها، مغزها، و برنامه‌ها» (به انگلیسی: Minds, Brains, and Programs) در مجله «علوم رفتاری و ذهنی» (به انگلیسی: Behavioral and Brain Sciences) در سال ۱۹۸۰ منتشر شد. وی با این سؤال که آیا یک برنامه هوشمند مترجم که توانایی ترجمه از زبان چینی به زبان انگلیسی را دارد، ضرورتی برای فهم موضوع مورد ترجمه دارد یا خیر و با تشبیه ذهن به یک برنامهٔ هوشمند رایانه‌ای این استدلال را در برابر مواضع فلسفی کارکردگرایی و نظریه محاسباتی ذهن که در آن‌ها، ذهن به عنوان یک محاسبه‌گر یا دستکاری کنندهٔ نماد عمل می‌کند، قرار داد.[۳۲] در واقع نتایج حاصل از آزمایش اتاق چینی حکایت از این دارد که هیچ برنامه‌ای نمی‌تواند به کامپیوتر ذهن، فهم یا آگاهی بدهد. حال آن برنامه هر آنچه می‌خواهد هوشمند باشد و باعث شود کامپیوتر همچون انسان رفتار کند. اگر چه این آزمایش در اصل جوابی برای اظهارات محققان هوش مصنوعی بود، اما این ادعا در برابر اهداف تحقیقات هوش مصنوعی قرار نمی‌گیرد چرا که این موضوع حدی برای هوشمندی کامپیوتر قائل نیست. همچنین این آزمایش مختص رایانه‌های دیجیتال است و دامنه آن همه ماشین‌ها نیستند.[۳۲]

چگونگی استفاده هوش مصنوعی

هوش مصنوعی چگونه استفاده می‌شود؟

به‌طور کلی هوش مصنوعی به دو دسته زیر تفکیک می‌شود:

Narrow AI یا هوش مصنوعی ضعیف: این نوع هوش مصنوعی در یک زمینه محدود عمل می‌کند و شبیه‌سازی هوش انسانی است. هوش مصنوعی ضعیف اغلب بر روی یک کار مشخص تعریف می‌شود و در محدوده تعریفش بسیار عالی عمل می‌کند. شاید این ماشین‌ها بسیار هوشمند به نظر برسند اما حقیقت این است که حتی از ابتدائی‌ترین سطوح هوش انسانی هم ساده‌تر عمل می‌کنند.

Artificial General Intelligence یا هوش مصنوعی عمومی: که با عنوان هوش مصنوعی قوی هم شناخته می‌شود، نوعی از هوش مصنوعی است که بیشتر در فیلم‌ها دیده‌ایم، مانند ربات‌های فیلم Westworld. هوش مصنوعی قوی بسیار شبیه به انسان عمل می‌کند چنان‌که می‌تواند توانایی‌های خود را بر حل مسائلی در حوزه‌های مختلف به کار بگیرد.[۳۳]

مدیریت پیچیدگی

ایجاد و ابداع فنون و تکنیک‌های لازم برای مدیریت پیچیدگی را باید به عنوان هستهٔ بنیادین تلاش‌های علمی و پژوهشی گذشته، حال و آینده در تمامی زمینه‌های علوم رایانه و به ویژه در هوش مصنوعی معرفی کرد. شیوه‌ها و تکنیک‌های هوش مصنوعی در واقع، برای حل آن دسته از مسائل به وجود آمده است که به‌طور سهل و آسان توسط برنامه‌نویسی تابعی یا شیوه‌های ریاضی قابل حلّ نبوده‌اند.[۳۴]

در بسیاری از موارد، با پوشانیدن و پنهان ساختن جزئیّات فاقد اهمیت است که بر پیچیدگی فائق می‌آییم و می‌توانیم بر روی بخش‌هایی از مسئله متمرکز شویم که مهم‌تر است. تلاش اصلی در واقع، ایجاد و دستیابی به لایه‌ها و ترازهای بالاتر از هوشمندی انتزاع را نشانه می‌رود تا آنجا که سرانجام، برنامه‌های رایانه‌ای درست در همان سطحی کار خواهند کرد که خود انسان‌ها رسیده‌اند.

به یاری پژوهش‌های گستردهٔ دانشمندان علوم مرتبط، هوش مصنوعی تاکنون راه بسیاری پیموده است. در این راستا، تحقیقاتی که بر روی توانایی آموختن زبان‌ها انجام گرفت و همچنین درک عمیق از احساسات، دانشمندان را در پیشبرد این دانش کمک زیادی کرده است. یکی از اهداف متخصصین، تولید ماشین‌هایی است که دارای احساسات بوده و دست کم نسبت به وجود خود و احساسات خود آگاه باشند. این ماشین باید توانایی تعمیم تجربیات قدیمی خود در شرایط مشابه جدید را داشته و به این ترتیب اقدام به گسترش دامنه دانش و تجربیاتش کند.

برای نمونه ربات هوشمندی که بتواند اعضای بدن خود را به حرکت درآورد، نسبت به این حرکت خود آگاه بوده و با آزمون و خطا، دامنه حرکت خود را گسترش می‌دهد و با هر حرکت موفقیت‌آمیز یا اشتباه، دامنه تجربیات خود را وسعت بخشیده و سر انجام راه رفته یا حتی می‌دود یا به روشی برای جابجا شدن دست می‌یابد که سازندگانش برای او متصور نبوده‌اند.

هر چند نمونه بالا ممکن است کمی آرمانی به نظر برسد، ولی به هیچ عنوان دور از دسترس نیست. دانشمندان عموماً برای تولید چنین ماشین‌هایی از وجود مدل‌های زنده‌ای که در طبیعت وجود به ویژه آدمی نیز سود برده‌اند.

هوش مصنوعی اکنون در خدمت توسعه علوم رایانه نیز هست. زبان‌های برنامه‌نویسی پیشرفته، که توسعه ابزارهای هوشمند را ممکن ساخته‌اند، پایگاه‌های داده‌ای پیشرفته، موتورهای جستجو، و بسیاری نرم‌افزارها و ماشین‌ها از نتایج پژوهش‌هایی در راستای هوش مصنوعی بوده‌اند.

از زبان‌های برنامه‌نویسی هوش مصنوعی می‌توان به لیسپ، پرولوگ، کلیپس و ویپی اکسپرت اشاره کرد.

شاخه‌های هوش مصنوعی در دانش رایانه

شاخه‌های گوناگونی از هوش مصنوعی در دانش‌های رایانه‌ای مورد استفاده قرار می‌گیرند، برخی این شاخه‌ها عبارتند از:

تکنیک‌ها و زبان‌های برنامه‌نویسی هوش مصنوعی

عملکرد اولیهٔ برنامه‌نویسی هوش مصنوعی ایجاد ساختار کنترلی مورد لزوم برای محاسبهٔ سمبولیک است. از مهم‌ترین و پرکاربردترین زبان برای هوش مصنوعی می‌توان از پایتون نام برد و در کنار آن زبان‌های برنامه‌نویسی لیسپ و پرولوگ علاوه بر اینکه از مهم‌ترین زبان‌های مورد استفاده در هوش مصنوعی هستند خصوصیات نحوی و معنایی آن‌ها باعث شده که آن‌ها شیوه‌ها و راه حل‌های قوی برای حل مسئله ارائه کنند.

تأثیر قابل توجه این زبان‌ها بر روی توسعه هوش مصنوعی از جمله توانایی‌های آن‌ها به عنوان ابزارهای فکر کردن است. در حقیقت همان‌طور که هوش مصنوعی مراحل رشد خود را طی می‌کند، زبان‌های لیسپ و پرولوگ بیشتر مطرح می‌شوند که این زبان‌ها کار خود را در محدودهٔ توسعه سامانه‌های هوش مصنوعی در صنعت و دانشگاه‌ها دنبال می‌کنند و طبیعتاً اطلاعات در مورد این زبان‌ها به عنوان بخشی از مهارت هر برنامه‌نویس هوش مصنوعی است.

  • پرولوگ: یک زبان برنامه‌نویسی منطقی است. یک برنامهٔ منطقی دارای یک سری ویژگی‌های قانون و منطق است. در حقیقت خود این نام از برنامه‌نویسی PRO در LOGIC می‌آید. در این زبان یک مفسر برنامه را بر اساس یک منطق می‌نویسد. ایدهٔ استفادهٔ توصیفی محاسبهٔ اولیه برای بیان خصوصیات حل مسئله یکی از محوریت‌های پرولوگ است که برای علم کامپیوتر به‌طور کلی و به‌طور جزئی برای زبان برنامه‌نویسی هوشمند مورد استفاده قرار می‌گیرند.[۳۵]
  • لیسپ: اصولاً یک زبان کامل است که دارای عملکردها و لیست‌های لازمه برای توصیف عملکردهای جدید، تشخیص تناسب و ارزیابی معانی است. لیسپ به برنامه‌نویس قدرت کامل برای اتصال به ساختارهای اطلاعاتی را می‌دهد.[۳۶] گر چه لیسپ یکی از قدیمی‌ترین زبان‌های محاسباتی است که هنوز فعال است ولی دقت کافی در برنامه‌نویسی و طراحی توسعه باعث شده است که این یک زبان برنامه‌نویسی فعال باقی بماند. در حقیقت این مدل برنامه‌نویسی طوری مؤثر بوده است که تعدادی از دیگر زبان‌ها مانند اف پی، ام‌ال و اسکیم براساس عملکرد برنامه‌نویسی آن بنا شده‌اند. یکی از مهم‌ترین برنامه‌های مرتبط با لیسپ برنامهٔ اسکیم است که یک تفکر دوباره در بارهٔ زبان در آن وجود دارد که به وسیلهٔ توسعه هوش مصنوعی و برای آموزش و اصول علم کامپیوتر مورد استفاده قرار می‌گیرد.

استفاده از رابط‌های برنامه‌نویسی یا همان API می‌تواند استفاده از هوش مصنوعی در پروژه‌های برنامه‌نویسی را بسیار ساده‌تر سازد. APIهای هوش مصنوعی، رابط‌های RESTful هستند که به برنامه‌نویس اجازه می‌دهند به کمک مدل‌های از پیش تمرین داده شده شرکت‌های مختلف استفاده کنند و قابلیت‌های مرتبط با هوش مصنوعی نرم‌افزار خود را گسترش دهند در واقع در API برنامه‌ها از قابلیت‌های کاربردی یکدیگر استفاده می‌نمایند تا توانایی خود را افزایش دهند به‌طور مثال برنامه‌های مسیریابی از API نقشه گوگل و مسیریابی ترافیک ماهواره ای گوگل بهره می‌برند و توانایی خود را بسیار بهبود می‌بخشند. برای معرفی برخی از این APIهای هوش مصنوعی می‌توان از Wit.ai, Api.ai و ملیسا نام برد.

عامل‌های هوشمند

عامل‌ها (به انگلیسی: Agents) قادر به شناسایی الگوها و تصمیم‌گیری بر اساس قوانین فکر کردن خود هستند. قوانین و چگونگی فکر کردن هر عامل در راستای دستیابی به هدفش، تعریف می‌شود. این سامانه‌ها بر اساس قوانین خاص خود فکر کرده و کار خود را به درستی انجام می‌دهند. پس عاقلانه رفتار می‌کنند، هر چند الزاماً مانند انسان فکر نمی‌کنند.[۳۷]

در بحث هوشمندی اصطلاح پیس (به انگلیسی: PEAS) سرنام واژه‌های "کارایی (به انگلیسی: Performance)"، "محیط (به انگلیسی: Environment)"، "اقدام گر (به انگلیسی: Agent)" و "حسگر (به انگلیسی: Sensor)" است.

سامانه‌های خبره

سامانه‌های خبره زمینه‌ای پرکاربرد در هوش مصنوعی و مهندسی دانش است که با توجه به نیاز روزافزون جوامع بر اتخاذ راه حل‌ها و تصمیمات سریع در مواردی که دانش‌های پیچیده و چندگانهٔ انسانی مورد نیاز است و بر اهمیت نقش آن‌ها نیز افزوده می‌شود. سامانه‌های خبره به حل مسائلی می‌پردازند که به‌طور معمول نیازمند تخصص‌های کاردانان و متخصّصان انسانی است. به‌منظور توانایی بر حل مسائل در چنین سطحی (ترازی)، دسترسی هرچه بیشتر این‌گونه سامانه‌ها به دانش موجود در آن زمینه خاص ضروری می‌گردد.

اخبار جعلی، دیپ فیک و امنیت سیاسی

یک دیپ فیک ویدئو: هشدار ولادیمیر پوتین به آمریکایی‌ها در مورد دخالت در انتخابات و افزایش شکاف سیاسی

مفهومی به نام دیپ‌فیک (به انگلیسی: Deepfakes) به هوش‌های مصنوعی اطلاق می‌شود که قادر هستند چهره و صدای افراد را بازسازی و شبیه‌سازی نمایند. امروزه تشخیص نسخه‌های فیک و تقلبی از نسخه‌های اصلی کار بسیار مشکلی است.[۳۸]

این موضوع می‌تواند تهدیدی برای افراد مشهور اعم از هنرمندان، ورزشکاران و سیاست‌مداران باشد و زندگی حرفه‌ای آن‌ها را دچار خدشه و چالش نماید. بازسازی سخنرانی یک رئیس‌جمهور و درج موارد ناخواسته در میان آن یا بازسازی تصاویر سیاست‌مداران در یک فضای خاص می‌تواند نمونه‌ای از این موارد باشد.[۳۹]

به‌طورکلی هوش مصنوعی دیپ‌فیک، یک فناوری تغییر دهنده محتوا محسوب می‌شود. طبق گزارش ZDNet دیپ فیک «چیزی را ارائه می‌دهد که در واقع رخ نداده است». طبق این گزارش ۸۸٪ آمریکایی‌ها معتقدند دیپ فیک بیشتر از فایده باعث آسیب می‌شود اما تنها ۴۷٪ آنها معتقدند که ممکن است مورد هدف قرار گیرند. با اوج‌گیری رقابت‌های انتخاباتی شکل‌گیری فیلم‌های تبلیغاتی جعلی می‌تواند تهدیدی برای سیاست‌مداران محسوب شود.[۴۰]

جستارهای وابسته

یادداشت‌ها

  1. natural intelligence
  2. Definition of AI as the study of intelligent agents, drawn from the leading AI textbooks.
    • (Poole، Mackworth و Goebel 1998، p. 1), which provides the version that is used in this article. These authors use the term "computational intelligence" as a synonym for artificial intelligence.
    • (Russell و Norvig 2003، ص. 55) (who prefer the term "rational agent") and write "The whole-agent view is now widely accepted in the field".
  3. Stuart Russell and Peter Norvig characterize this definition as "thinking humanly" and reject it in favor of "acting rationally".[۱]
  4. This list of intelligent traits is based on the topics covered by the major AI textbooks, including: (Russell و Norvig 2003), (Luger و Stubblefield 2004), (Poole، Mackworth و Goebel 1998) and (Nilsson 1998)
  5. This statement comes from the proposal for the Dartmouth workshop of 1956, which reads: "Every aspect of learning or any other feature of intelligence can be so precisely described that a machine can be made to simulate it."[۱۰]

ارجاعات

  1. Russell & Norvig (2009), p. 2.
  2. «CNN.com - AI set to exceed human brain power - Jul 25, 2006». www.cnn.com. دریافت‌شده در ۲۰۲۴-۰۴-۲۶.
  3. Kaplan, Andreas; Haenlein, Michael (2019). "Siri, Siri, in my hand: Who's the fairest in the land? On the interpretations, illustrations, and implications of artificial intelligence". Business Horizons. 62: 15–25. doi:10.1016/j.bushor.2018.08.004. S2CID 158433736.
  4. Copeland, J., ed. (2004). The Essential Turing: the ideas that gave birth to the computer age (به انگلیسی). Oxford, England: Clarendon Press. ISBN 0-19-825079-7.
  5. First AI Winter, Lighthill report, Mansfield Amendment
  6. Second AI Winter:
  7. Successful programs the 1960s:
  8. Funding initiatives in the early 1980s: Fifth Generation Project (Japan), Alvey (UK), Microelectronics and Computer Technology Corporation (US), Strategic Computing Initiative (US):
  9. Artificial general intelligence:
  10. McCarthy et al. (1955).
  11. (Russell و Norvig 2021، §1.2).
  12. ۱۲٫۰ ۱۲٫۱ ۱۲٫۲ Stuart Russell, Peter Norvig (2003). Artificial intelligence: a modern approach (به انگلیسی) (Second edition ed.). Upper Saddle River, N.J. p. 17. OCLC 51325314. {{cite book}}: |edition= has extra text (help)
  13. ۱۳٫۰ ۱۳٫۱ ۱۳٫۲ Crevier, Daniel (1993). AI: The Tumultuous History of the Search for Artificial Intelligence (به انگلیسی). New York, NY, USA: Basic Books, Inc. pp. 47–49.{{cite book}}: نگهداری یادکرد:تاریخ و سال (link)
  14. P., Moravec, Hans (2010). Mind children: the future of robot and human intelligence (به انگلیسی). Harvard Univ. Pr. OCLC 917750079.
  15. Schaeffer J. (2009) Didn't Samuel Solve That Game?. In: One Jump Ahead. Springer, Boston, MA
  16. Samuel, A. L. (July 1959). "Some Studies in Machine Learning Using the Game of Checkers". IBM Journal of Research and Development. 3 (3): 210–229. doi:10.1147/rd.33.0210.
  17. Moravec, Hans (1988). Mind Children: The Future of Robot and Human Intelligence (به انگلیسی). Cambridge, MA, USA: Harvard University Press.{{cite book}}: نگهداری یادکرد:تاریخ و سال (link)
  18. Sisu، Diana. «School of Informatics: History of Artificial Intelligence at Edinburgh». www.inf.ed.ac.uk. دریافت‌شده در ۲۰۱۹-۰۱-۲۸.
  19. Turing test
  20. Matti, D.; Ekenel, H. K.; Thiran, J. P. (2017). Combining LiDAR space clustering and convolutional neural networks for pedestrian detection. 2017 14th IEEE International Conference on Advanced Video and Signal Based Surveillance (AVSS). pp. 1–6. arXiv:1710.06160. doi:10.1109/AVSS.2017.8078512. ISBN 978-1-5386-2939-0.
  21. Ferguson, Sarah; Luders, Brandon; Grande, Robert C.; How, Jonathan P. (2015). Real-Time Predictive Modeling and Robust Avoidance of Pedestrians with Uncertain, Changing Intentions. Algorithmic Foundations of Robotics XI. Springer Tracts in Advanced Robotics (به انگلیسی). Vol. 107. Springer, Cham. pp. 161–177. arXiv:1405.5581. doi:10.1007/978-3-319-16595-0_10. ISBN 978-3-319-16594-3.
  22. de la Fuente Ruiz, Alfonso, and Galia Novakova Nedeltcheva. "Comprehensive Review of Trustworthiness in Multimodal Language Models."
  23. Newell, A.; Simon, H. (1956-09). "The logic theory machine--A complex information processing system". IEEE Transactions on Information Theory. 2 (3): 61–79. doi:10.1109/tit.1956.1056797. ISSN 0018-9448. {{cite journal}}: Check date values in: |date= (help)
  24. Lafont, Y. (1988-07). "The linear abstract machine". Theoretical Computer Science. 59 (1–2): 157–180. doi:10.1016/0304-3975(88)90100-4. ISSN 0304-3975. {{cite journal}}: Check date values in: |date= (help)
  25. Romanycia, Marc HJ, and Francis Jeffry Pelletier. "What is a heuristic?." Computational intelligence 1, no. 1 (1985): 47-58.
  26. Fazli, MohammadAmin; Alian, Parsa; Owfi, Ali; Loghmani, Erfan (2024-06). "RPS: Portfolio asset selection using graph based representation learning". Intelligent Systems with Applications. 22: 200348. doi:10.1016/j.iswa.2024.200348. ISSN 2667-3053. {{cite journal}}: Check date values in: |date= (help)
  27. Jarow, Oshan (2024-06-15). "Will AI ever become conscious? It depends on how you think about biology". Vox (به انگلیسی). Archived from the original on 21 September 2024. Retrieved 2024-10-04.
  28. McCarthy, John. "The Philosophy of AI and the AI of Philosophy". jmc.stanford.edu. Archived from the original on 2018-10-23. Retrieved 2024-10-03.
  29. Affective computing: (Thro 1993), (Edelson 1991), (Tao و Tan 2005), (Scassellati 2002)
  30. AI in myth: (McCorduck 2004، صص. 4–5)
  31. Turing's original publication of the Turing test in "Computing machinery and intelligence": (Turing 1950) Historical influence and philosophical implications: (Haugeland 1985، صص. 6–9), (Crevier 1993، ص. 24), (McCorduck 2004، صص. 70–71), (Russell و Norvig 2021، صص. 2, 984)
  32. ۳۲٫۰ ۳۲٫۱ John R. Searle. «Minds, Brains, and Programs». The Behavioral and Brain Sciences, vol. 3. Copyright 1980 Cambridge University Press. بایگانی‌شده از اصلی در ۱۰ دسامبر ۲۰۰۷. دریافت‌شده در ۲۸ ژانویه ۲۰۱۹.
  33. «هوش مصنوعی چیست».
  34. Searle's Chinese room argument: (Searle 1980). Searle's original presentation of the thought experiment., (Searle 1999). Discussion: (Russell و Norvig 2021، صص. 985), (McCorduck 2004، صص. 443–445), (Crevier 1993، صص. 269–271)
  35. Crevier, Daniel (1993). AI: the tumultuous history of the search for artificial intelligence (به انگلیسی). New York, NY: Basic Books. pp. 209–210. OCLC 26858345. {{cite book}}: Check date values in: |سال= / |تاریخ= mismatch (help)
  36. McCorduck, Pamela (2004). Machines who think: a personal inquiry into the history and prospects of artificial intelligence (به انگلیسی) (25th anniversary update ed.). Natick, Mass: A.K. Peters. OCLC 52197627. {{cite book}}: Check date values in: |سال= / |تاریخ= mismatch (help)
  37. "AI Writing and Content Creation Tools". MIT Sloan Teaching & Learning Technologies. Archived from the original on 25 December 2023. Retrieved 25 December 2023.
  38. «Is AI Dangerous? 5 Immediate Risks Of Artificial Intelligence». MUO (به انگلیسی). ۲۰۲۱-۰۶-۱۵. دریافت‌شده در ۲۰۲۱-۰۸-۰۶.
  39. «آیا هوش مصنوعی انسان را تهدید می‌کند؟ 5 تهدید نزدیک تر از همیشه! | روکیدا». دریافت‌شده در ۲۰۲۱-۰۸-۰۶.
  40. Brown, Eileen. "Half of Americans do not believe deepfake news could target them online". ZDNet (به انگلیسی). Retrieved 2021-08-06.

خطای یادکرد: برچسپ <ref> که با نام «AI in the 80s» درون <references> تعریف شده، در متن قبل از آن استفاده نشده است.
خطای یادکرد: برچسپ <ref> که با نام «First AI winter» درون <references> تعریف شده، در متن قبل از آن استفاده نشده است.
خطای یادکرد: برچسپ <ref> که با نام «Second AI winter» درون <references> تعریف شده، در متن قبل از آن استفاده نشده است.
خطای یادکرد: برچسپ <ref> که با نام «AI widely used 1990s» درون <references> تعریف شده، در متن قبل از آن استفاده نشده است.
خطای یادکرد: برچسپ <ref> که با نام «Artificial General Intelligence» درون <references> تعریف شده، در متن قبل از آن استفاده نشده است.

منابع

کتب درسی AI

این کتب، پراستفاده‌ترین کتب درسی AI در ۲۰۰۷ میلادی بوده‌اند.

دوتا از پراستفاده‌ترین کتب درسی در ۲۰۲۱ میلادی.[۱]

سایر منابع

منابع آزاد

 این مقاله دربردارنده متونی از اثر محتوای آزاد است لیسانس تحت C-BY-SA 3.0 IGO. نوشته گرفته شده از UNESCO Science Report: the Race Against Time for Smarter Development., Schneegans, S. , T. Straza and J. Lewis (eds), یونسکو.