هوش مصنوعی (AI) چیست؟ روش کار هوش مصنوعی چیست؟

هوش مصنوعی چیست؟

هوش مصنوعی (AI) زیرشاخه ای گسترده از علوم کامپیوتر است که روی ساخت ماشین های هوشمند تمرکز دارد، ماشین هایی هوشمند که می توانند وظایف و فعالیت هایی را انجام دهند که معمولا نیازمند هوش انسانی است.

با آنکه هوش مصنوعی، علمی میان رشته ای با چندین رویکرد متفاوت است، پیشرفت های اخیر به ویژه در حوزه یادگیری ماشین (ML) و یادگیری عمیق (Deep Learning)، کم کم در حال ایجاد یک پارادایم شیفت و تحولی اساسی در تمام بخش های صنعت تکنولوژی است.

هوش مصنوعی به ماشین ها این امکان را می دهد که ظرفیت و توانایی های ذهن انسانی را مدلسازی کنند یا حتی این توانایی ها را بهبود بخشند. از توسعه و ساخت اتومبیلهای خودران تا تکثیر ابزار هوش مصنوعی مولد (generative) همچون ChatGPT و Bard گوگل، هوش مصنوعی هر روز بیشتر از قبل به بخشی از زندگی روزمره ما (و حوزه ای که شرکتها در تمام صنایع روی آن سرمایه گذاری می کنند) تبدیل می شود.

آشنایی با هوش مصنوعی

به طور کلی، سیستم های هوش مصنوعی می توانند وظایفی را انجام دهند که معمولا مرتبط با کارکردهای شناختی انسان می شود. به طور مثال، تفسیر گفتار، بازی کردن و شناسایی الگوها. این سیستم ها معمولا با پردازش کردن حجم وسیعی از داده ها، جستجو برای یافتن الگوهایی برای مدلسازی در روندِ تصمیم‌گیری خود، یاد می گیرند که چطور این وظایف را انجام دهند.

در بسیاری از موارد، انسانها روی فرآیند یادگیری یک هوش مصنوعی نظارت می کنند و سیستم را به تصمیمات خوب تشویق و از تصمیمات بد دور می کنند. اما برخی سیستم های هوش مصنوعی به شکلی طراحی شده اند که بدون نیاز به نظارت، یاد بگیرند. به طور مثال، سیستم بارها و بارها یک بازی کامپیوتری را انجام می دهد تا کم کم متوجه شود که قوانین بازی به چه شکلی است و چطور باید برنده شود.

هوش مصنوعی قوی (Strong AI) در مقایسه با هوش مصنوعی ضعیف (Weak AI)

تعریف کردن هوش، کار ساده ای نیست، به همین دلیل است که متخصصان هوش مصنوعی معمولا از دو دسته بندی هوش مصنوعی قوی و هوش مصنوعی ضعیف استفاده می کنند.

هوش مصنوعی قوی (Strong AI)

هوش مصنوعی قوی، که به آن هوش جامع مصنوعی (AGI) هم گفته می شود، ماشینی است که می تواند مشکلاتی را حل کند که پیش از آن برای حل آنها آموزش ندیده است، درست همانطور که یک انسان می تواند.

این نوع هوش مصنوعی، همان نوع هوش مصنوعی است که در فیلم و سریال ها دیده اید، مثل ربات ها در سریال وست ورلد (Westworld) یا شخصیت دیتا (Data) در سریال پیشتازان فضا: نسل بعدی (Star Trek: The Next Generation). این نوع هوش مصنوعی هنوز در دنیای واقعی وجود ندارد.

خلق و ساخت ماشینی که از نظر هوش در سطح انسان باشد و بتواند هوش خود را در هر فعالیتی به کار بگیرد، آرزویی دست نیافتنی برای بسیاری از محققان حوزه هوش مصنوعی است، اما مسیر دستیابی به هوش جامع مصنوعی، مسیری بسیار سخت و پر پیچ و خم است.

برخی دیگر هم هستند که معتقدند تحقیقات در حوزه هوش مصنوعی قوی باید محدود شود، چون ساخت یک هوش مصنوعی قدرتمند، بدون ایجاد موانع ایمنی مناسب، ممکن است خطراتی را به همراه داشته باشد.

برخلاف هوش مصنوعی ضعیف، هوش مصنوعی قوی یعنی ماشینی با مجموعه کاملی از توانایی های شناختی (و همچنین مجموعه وسیعی از موارد استفاده) برخودار است اما هنوز دستیابی به چنین هدفی بسیار سخت و پیچیده است.

هوش مصنوعی ضعیف (Weak AI)

هوش مصنوعی ضعیف، که به آن هوش محدود مصنوعی (narrow AI) یا هوش تخصصی مصنوعی (specialized AI) هم گفته می شود، فقط در یک زمینه محدود عمل می کند و شبیه سازی از هوش انسانی است که فقط برای حل یک مشکل خاص و محدود تعریف و طراحی می شود (همچون راندن یک خودرو، ترانویسی یا همان تبدیل گفتار انسان به متن یا تولید و تهیه محتوا برای یک وبسایت).

هوش مصنوعی ضعیف، معمولا روی انجام یک فعالیت یا وظیفه خاص، در سطحی به شدت عالی متمرکز است. این نوع ماشین ها ممکن است هوشمند به نظر برسند، اما در واقع نسبت به ابتدایی ترین سطح هوش انسانی، با موانع و محدودیت های بسیار زیادی روبرو هستند.

چند نمونه هوش مصنوعی ضعیف عبارت هستند از:

• دستیارهای مجازی هوشمند مثل سیری (Siri) و الکسا (Alexa)
• اتومبیل های خودران
• موتور جستجوی گوگل
• ربات های مکالمه
• فیلترهای اسپم ایمیل (هرزنامه)
• فیلم های پیشنهادی در نتفلیکس (Netflix)

تفاوت یادگیری ماشین و یادگیری عمیق

ما در مقاله ای دیگر به طور مفصل تفاوت یادگیری ماشین و یادگیری عمیق را با هم بررسی کردیم اما اینجا فقط بدانید که با آنکه دو عبارت «یادگیری ماشین» (machine learning) و «یادگیری عمیق» (deep learning) بسیار در مباحث مرتبط با هوش مصنوعی مطرح می شوند، اما این دو عبارت نباید به جای یکدیگر استفاده شوند. یادگیری عمیق، نوعی یادگیری ماشینی است و یادگیری ماشین، زیرشاخه ای از هوش مصنوعی.

یادگیری ماشین (Machine Learning)

یک الگوریتم یادگیری ماشین، داده هایی هستند که به یک کامپیوتر داده می شوند و از تکنیک های آماری استفاده می کند تا به کامپیوتر کمک می کند که «یاد بگیرد» که چطور در انجام یک فعالیت، کم کم بهتر عمل کند، بدون آنکه الزاما برای انجام آن وظیفه، برنامه نویسی شده باشد.

به جای برنامه نویسی، الگوریتم های یادگیری ماشین (ML) از داده های پیشین به عنوان ورودی استفاده می کنند تا بتواند مقادیر خروجی جدید را پیش بینی کند. از این نظر، یادگیری ماشین هم شامل یادگیری با نظارت می شود (یعنی موقعیتی که خروجی مورد انتظار برای ورودی، بر اساس مجموعه داده های اسم گذاری شده مشخص است) و هم شامل یادگیری بدون نظارت می شود (جایی که خروجی های مورد انتظار مشخص نیست، چون از مجموعه داده هایی استفاده شده که اسم گذاری نشده اند).

یادگیری عمیق (Deep Learning)

یادگیری عمیق چیست؟ یادگیری عمیق یا دیپ لرنینگ، نوعی یادگیری ماشین است که ورودی ها را از یک معماری شبکه عصبی (الهام گرفته از بیولوژی) عبور می دهد. این شبکه های عصبی، متشکل از چندین لایه پنهان هستند که داده ها در این لایه ها پردازش می شوند که به ماشین این امکان را می دهد که در یادگیری خود «عمیق» شوند و برای دستیابی به بهترین نتیجه، بین مسائل مختلف ارتباطاتی را برقرار کند و ورودی را سبک سنگین کند.

انواع هوش مصنوعی

بر اساس نوع و پیچیدگی وظایفی که یک سیستم می تواند انجام دهد، هوش مصنوعی را می توان به چهار دسته تقسیم کرد:

1. ماشین های انفعالی (Reactive machines)
2. حافظه محدود (Limited Memory)
3. نظریه ذهن (Theory of Mind)
4. خودآگاهی (Self-awareness)

1- ماشین های انفعالی (Reactive Machines)

یک ماشین انفعالی یا واکنش پذیر، از ابتدایی ترین اصول هوش مصنوعی پیروی می کند و همانطور که از اسم آن مشخص است، تنها این توانایی را دارد که از هوش خود، برای درک و واکنش نشان دادن به جهان پیش روی خود استفاده کند. یک ماشین انفعالی توانایی ذخیره کردن حافظه را ندارد و در نتیجه، نمی تواند برای انجام تصمیماتی آگاهانه به شکل بلادرنگ (real time) به تجربیات پیشین تکیه کند.

این ادراک مستقیم جهان، یعنی این ماشین های انفعالی به شکلی طراحی شده اند که تنها می توانند تعداد محدودی از وظایف خاص و مشخص را انجام دهند. اینکه به شکل عمدی، جهان بینی یک ماشین انفعالی را کاهش دهیم، مزایایی را به همراه دارد. این نوع هوش مصنوعی بیشتر مورد اعتماد و قابل اطمینان است و همیشه در مواجهه با یک نوع محرک، واکنشی یکسان خواهد داشت.

مثال هایی از ماشین های انفعالی

✅ دیپ بلو (به معنی «آبی عمیق») که توسط IBM در دهه 1990 میلادی طراحی شده، یک ابرکامپیوتر شطرنج باز است که موفق شد در یک بازی شطرنج، استاد و قهرمان بین المللی شطرنج گری کاسپارووف را شکست دهد.

دیپ بلو تنها این توانایی را داشت که مهره ها را روی صفحه شطرنج شناسایی کند و می دانست که هر مهره بر اساس قوانین شطرنج به چه شکلی می تواند حرکت کند، موقعیت فعلی هر مهره را متوجه می شد و می توانست تخمین بزند که منطقی ترین حرکت شطرنج در هر لحظه، چه حرکتی است.

کامپیوتر دیپ بلو در حال بررسی حرکات احتمالی رقیبش در نوبت های آینده نبود یا در تلاش نبود که مهره های خود را در آینده، به موقعیتی بهتر برساند. برای دیپ بلو، هر نوبت بازی، مثل یک واقعیت مستقل و جداگانه بود و هر حرکت را مستقل از حرکاتی که پیش از آن انجام شده بود در نظر می گرفت.

✅ آلفاگو (AlphaGo) یک برنامه کامپیوتری ساخته گوگل است که می تواند بازی تخته ای گو (Go) را انجام دهد. آلفاگو هم نمی تواند حرکات آینده را ارزیابی کند اما برای ارزیابی روند پیشرفت بازی فعلی، از شبکه عصبی خود استفاده می کند، که این یعنی در یک بازی پیچیده، نسبت به دیپ بلو برتری دارد. آلفاگو هم موفق شد از برترین رقبای خود در این بازی، بهتر عمل کند و در سال 2016 قهرمان بازی گو، لی سدول (Lee Sedol) را شکست داد.

2- حافظه محدود (Limited Memory)

هوش مصنوعی حافظه محدود، توانایی ذخیره داده های پیشین و انجام پیش بینی در هنگام جمع آوری اطلاعات و سبک سنگین کردن تصمیمات احتمالی را دارد، یعنی اساسا می تواند برای پیش بینی آینده، در گذشته به دنبال سرنخ هایی بگردد. هوش مصنوعی حافظه محدود نسبت به ماشین های انفعالی، پیچیده تر است و توانایی های بالقوه برتری هم دارد.

هوش مصنوعی حافظه محدود به این شکل ساخته می شود که یک تیم متخصص، به شکل پیوسته یک مدل را تمرین و آموزش می دهند که یاد بگیرد چطور داده های جدید را تحلیل کند و به کار بگیرد یا یک محیط هوش مصنوعی ساخته می شود تا مدل ها بتوانند به شکل اتوماتیک، یاد بگیرند و بازآفرینی شوند.

در هنگام استفاده از هوش مصنوعی حافظه محدود در یادگیری ماشین (ML)، باید شش مرحله زیر را انجام داد:

1. مشخص کردن داده های تمرین و آموزش
2. ساخت مدل یادگیری ماشین
3. اطمینان حاصل کردن از اینکه این مدل می تواند پیش بینی انجام دهد
4. اطمینان حاصل کردن از اینکه این مدل می تواند بازخورد انسانی یا محیطی دریافت کند
5. ذخیره سازی و نگهداری بازخورد انسانی و محیطی به عنوان داده
6. تکرار مجدد مراحل بالا، به شکل یک چرخه

3- نظریه ذهن (Theory of Mind)

نظریه ذهن یا تئوری ذهن، دقیقا مثل اسم آن، مبحثی نظری یا تئوریک است. ما هنوز به ظرفیت های فنی و علمی لازم برای دستیابی به این سطح از هوش مصنوعی دست پیدا نکرده ایم.

مفهوم نظریه ذهن بر اساس این فرض روانشناسی است که یک موجود درک کند که دیگر موجودات زنده، دارای افکار و عواطفی هستند که روی رفتار آن ها تاثیرگذار است.

در مبحث ماشین های هوش مصنوعی، این یعنی هوش مصنوعی بتواند درک کند که انسان ها و حیوانات و دیگر ماشین ها، چه احساسی دارند و چطور بر اساس خویشتن اندیشی و با عزم و خواست خود تصمیم گیری می کنند و سپس هوش مصنوعی از این اطلاعات استفاده کند تا خود تصمیم گیری کند.

یعنی در واقع چنین ماشینی می تواند مفهومِ «ذهن» را درک و پردازش کند، یعنی نوسانات عواطف در تصمیم گیری و فهرستی بلندبالا از دیگر مفاهیم روانشناسی را به شکل بلادرنگ (real time) درک کند و در نتیجه یک رابطه دو طرف بین انسان و هوش مصنوعی ایجاد شود.

4- خودآگاهی (Self-Awareness)

وقتی که نظریه ذهن محقق شد، که مشخصا این مساله در آینده خواهد بود، آخرین قدم پیش روی هوش مصنوعی، خودآگاه شدن است. یک هوش مصنوعی خودآگاه، دارای آگاهی و هوشیاری در سطح انسان است و متوجه وجود و حضور خود در جهان است.

همچنین حضور و وضعیت عاطفی و احساسی دیگران را نیز درک می کند. این هوش مصنوعی می تواند متوجه شود که دیگران چه چیزی نیاز دارند، نه تنها از طریق آنچه که به هوش مصنوعی گفته می شود، بلکه از شیوه بیان آن ها.

خودآگاهی در هوش مصنوعی ابتدا به تحقیقات حوزه انسانی بستگی دارد که ما فرضیه هوشیاری و خودآگاهی انسانی را بهتر درک کنیم و سپس یاد بگیریم که چطور این خودآگاهی را بازتولید کنیم تا بتوانیم آن را در ماشین ها تعبیه کنیم.

مثال هایی از هوش مصنوعی

تکنولوژی هوش مصنوعی اَشکال و فرم های متنوعی دارد، از چت بات ها (بات های مکالمه) گرفته تا اپ های مسیریابی و تِرکرهای پوشیدنی ورزشی. در ادامه مثالهایی از هوش مصنوعی را مطرح کرده ایم که قدرت بالقوه کاربردهای هوش مصنوعی را نشان می دهند:

✅ ChatGPT

چت جی پی تی یا ChatGPT، یک چت بات هوش مصنوعی است که می تواند محتوای مکتوب در فرمت های مختلف تولید کند، مثلا مقاله و مطلب بنویسد یا کدنویسی کند یا به سوالاتی ساده جواب دهد.

ChatGPT در نوامبر 2022 توسط OpenAI ارائه شد. این چت بات از یک مدل زبانی بزرگ قدرت می گیرد و به این شکل می تواند مطلب نوشتاری انسانی را با دقت بالا تقلید کند. ChatGPT در می 2023 برای دستگاه های iOS و در جولای 2023 برای دستگاه های اندرویدی ارائه شد.

✅ گوگل مپس (Google Maps)

گوگل مپس از داده های موقعیت گوشی های هوشمند و همچنین داده های گزارش شده توسط کاربر (در مورد مسائلی همچون ساخت و ساز یا تصادفات) برای نظارت بر کاهش جریان ترافیک استفاده می کند تا ارزیابی کند که سریع ترین مسیر کدام است.

✅ دستیارهای هوشمند (Smart Assistants)

دستیارهای هوشمند شخصی مثل سیری (Siri) یا الکسا (Alexa) یا کورتانا (Cortana) از پردازش زبان طبیعی (NLP) استفاده می کنند تا برای تنظیم یادآورها (reminders)، جستجو و سرچ برای اطلاعات آنلاین و کنترل نورپردازی در خانه‌ها، از کاربران دستورات را دریافت و درک کنند.

در بسیاری از موارد، این دستیارها به شکلی طراحی شده اند که ترجیح و سلیقه کاربر را یاد بگیرند و با گذر زمان، با ارائه پیشنهادات و دیگر پاسخ های سفارشی و مخصوص آن کاربر، تجربه کاربری را بهبود بخشند.

✅ فیلترهای Snapchat

فیلترهای Snapchat از الگوریتم های یادگیری ماشین (ML) برای تمیز دادن بین تصویر سوژه و پس زمینه، دنبال کردن یا ترک کردن حرکات چهره و تنظیم تصویر روی صفحه نمایش بر اساس فعالیت کاربر، استفاده می کنند.

✅ اتومبیل های خودران (Self-driving Cars)

اتومبیل های خودران مثالی شناخته شده از یادگیری عمیق هستند. چون از شبکه های عصبی عمیق برای شناسایی و تشخیص اجسام کنار خود، تعیین فاصله خود از دیگر خودروها، شناسایی و درک تابلوها و علائم ترافیکی و… استفاده می کنند.

✅ پوشیدنی ها

سنسورها و دستگاه های پوشیدنی (wearable) که در صنعت خدمات درمانی و بهداشتی استفاده می شوند، از یادگیری عمیق برای ارزیابی شرایط و وضعیت سلامتی بیمار اسفتاده می کنند، مواردی همچون سطح قند خون، فشار خون و ضربان قلب. همچنین می توانند از الگوهای موجود در داده های پزشکی پیشین مرتبط با بیمار (تاریخچه پزشکی بیمار) استفاده کنند و وضعیت سلامتی احتمالی بیمار را در آینده تخمین بزنند.

✅ MuZero

MuZero یک برنامه کامپیوتری است که توسط شرکت DeepMind ساخته شده است و یکی از جدیدترین و برترین تلاش ها برای دستیابی به هوش جامع مصنوعی (AGI) است.

این برنامه تاکنون موفق شده که بر بازی هایی تسلط پیدا کند که حتی به آن یاد نداده بودند که چطور باید آن ها را انجام دهد، همچون شطرنج و مجموعه ی گسترده ای از بازی های آتاری (Atari). این کار را از طریق بروت فورس (brute force یا جستجوی فراگیر) انجام داده است، یعنی این بازی ها را میلیون ها بار انجام داده تا یاد بگیرد.

مزایای هوش مصنوعی

هوش مصنوعی کاربردهای بسیاری دارد، از تسریع روند ساخت واکسن گرفته تا اتوماتیک سازیِ شناسایی و تشخیص تقلب و کلاهبرداری احتمالی. بر اساس تحقیقات شرکت CB Insights، شرکت های هوش مصنوعی در سال 2022 نزدیک به 67 میلیارد دلار سرمایه جذب کرده اند، بیش از دو برابر سرمایه جذب شده در سال 2020. به دلیل این پذیرش و افزایش محبوبیت سریع، هوش مصنوعی موجی از تغییرات را در گستره ی وسیعی از صنایع به همراه داشته است.

بانکداری ایمن تر

در گزارش سال 2022 وبسایت مشهور بیزنس اینسایدر در مورد هوش مصنوعی ذکر کرده است که بیش از نیمی از شرکت های خدمات مالی، همین حالا از روش ها و محصولات هوش مصنوعی برای مدیریت ریسک و درآمدزایی استفاده می کنند. به کار گرفتن هوش مصنوعی در بانکداری، می تواند نزدیک به 400 میلیارد دلار در هزینه ها صرفه جویی کند.

دارو و پزشکی بهتر

در حوزه پزشکی و درمانی، گزارش 2021 سازمان بهداشت جهانی (WHO) ذکر کرده است که اگرچه ادغام و به کار گرفتن هوش مصنوعی در حوزه خدمات درمانی با چالش هایی روبروست، اما این تکنولوژی «بسیار آینده دار است»، چرا که می تواند مزایایی را برای پزشکی به ارمغان بیاورد، همچون سیاست های آگاهانه تر در حوزه سلامت و بهبود در دقت تشخیص بیماری ها.

رسانه نوآورانه

هوش مصنوعی بر حوزه سرگرمی نیز تاثیرگذار بوده است. بر اساس گزارش شرکت Grand View Research، تخمین زده می شود که بازار جهانی هوش مصنوعی در حوزه رسانه و سرگرمی، تا سال 2030 به 99 میلیارد دلار برسد.

این بازار در سال 2021 حدود 10 میلیارد دلار بوده است. این توسعه و گسترش، شامل موارد استفاده متنوعی از هوش مصنوعی می شود، همچون تشخیص دستبرد فکری (سرقت ادبی، سرقت هنری یا سرقت علمی) و توسعه گرافیک کامپیوتری با وضوح و کیفیت بسیار بالا.