رویکردها و مفاهیم هوش مصنوعی
کمتر از یک دهه پس از شکستن ماشین رمزگذاری نازی ها، انیگما، و کمک به نیروهای متفقین برای پیروزی در جنگ جهانی دوم، ریاضیدان آلن تورینگ با یک سؤال ساده تاریخ را برای بار دوم تغییر داد: "آیا ماشین ها می توانند فکر کنند؟"مقاله تورینگ "ماشین آلات محاسباتی و هوش " (1950) و آزمون تورینگ متعاقب آن، هدف و چشم انداز اساسی هوش مصنوعی را ایجاد کرد.
در هسته خود، هوش مصنوعی شاخه ای از علوم کامپیوتر است که هدف آن پاسخ مثبت به سؤال تورینگ است. این تلاشی برای تکرار یا شبیه سازی هوش انسانی در ماشین ها است.
هدف گسترده هوش مصنوعی سؤالات و بحث های زیادی را به وجود آورده است، به حدی که هیچ تعریف واحدی از این رشته به طور کلی پذیرفته نشده است.
محدودیت اصلی در تعریف هوش مصنوعی به‌عنوان «ساخت ماشین‌های هوشمند» این است که واقعاً توضیح نمی‌دهد که هوش مصنوعی چیست؟ چه چیزی یک ماشین را هوشمند می کند؟ هوش مصنوعی یک علم میان رشته‌ای با رویکردهای متعدد است، اما پیشرفت‌ها در یادگیری ماشین و یادگیری عمیق تقریباً در هر بخش از صنعت فناوری یک تغییر پارادایم ایجاد می‌کند.
در کتاب درسی پیشگامانه خود، هوش مصنوعی: رویکردی مدرن، مؤلفان، استوارت راسل و پیتر نورویگ، با یکپارچه‌سازی کار خود حول موضوع عوامل هوشمند در ماشین‌ها، به این سؤال می‌پردازند. با در نظر گرفتن این موضوع، هوش مصنوعی «مطالعه عواملی است که ادراکاتی را از محیط دریافت می‌کنند و اعمالی را انجام می‌دهند». (راسل و نورویگ viii)
نورویگ و راسل در ادامه به بررسی چهار رویکرد مختلف می‌پردازند که از لحاظ تاریخی حوزه هوش مصنوعی را تعریف کرده‌اند:
* انسان اندیشی
* عقلانی فکر کردن
* انسانی عمل کردن
* منطقی عمل کردن
دو ایده اول مربوط به فرآیندهای فکری و استدلال است، در حالی که بقیه با رفتار سروکار دارند. نورویگ و راسل به ویژه بر عوامل منطقی تمرکز می کنند که برای دستیابی به بهترین نتیجه عمل می کنند، و خاطرنشان می کنند "همه مهارت های مورد نیاز برای آزمون تورینگ همچنین به عامل اجازه می دهند تا منطقی عمل کند." (راسل و نورویگ 4).
پاتریک وینستون، استاد هوش مصنوعی و علوم کامپیوتر فورد در MIT، هوش مصنوعی را این گونه تعریف می‌کند: «الگوریتم‌هایی هستند که توسط قید‌هایی فعال می‌شوند، و در معرض ارائه‌هایی قرار می‌گیرند که از مدل‌هایی پشتیبانی می‌کنند که در حلقه‌هایی هدف قرار می‌گیرند که تفکر، ادراک و عمل را به هم گره می‌زنند».
در حالی که این تعاریف ممکن است برای افراد عادی انتزاعی به نظر برسند، اما به تمرکز این رشته به عنوان حوزه ای از علوم کامپیوتر کمک می کنند و طرحی را برای تزریق ماشین ها و برنامه ها با یادگیری ماشین و سایر زیرمجموعه های هوش مصنوعی ارائه می دهند.
بایدو الگوریتم هوش مصنوعی LinearFold خود را برای تیم‌های علمی و پزشکی که برای توسعه واکسنی در مراحل اولیه همه‌گیری کرونا کار می‌کردند، منتشر کرد. این الگوریتم قادر است توالی RNA ویروس را تنها در 27 ثانیه پیش بینی کند، یعنی 120 برابر سریعتر از روش های دیگر.
چهار نوع هوش مصنوعی
ماشین های واکنشی
یک ماشین واکنشی از ابتدایی‌ترین اصول هوش مصنوعی پیروی می‌کند و همان طور که از نامش پیداست، فقط قادر است از هوش خود برای درک و واکنش به دنیای مقابل خود استفاده کند. یک ماشین واکنشی نمی تواند یک حافظه را ذخیره کند و در نتیجه نمی تواند به تجربیات گذشته برای اطلاع رسانی برای تصمیم گیری بلادرنگ تکیه کند.درک جهان به طور مستقیم به این معنی است که ماشین‌های واکنشی فقط برای انجام تعداد محدودی از وظایف تخصصی طراحی شده‌اند. با این حال، محدود کردن عمدی جهان بینی یک ماشین واکنشی، هیچ نوع اقدامی برای کاهش هزینه نیست، و در عوض به این معنی است که این نوع هوش مصنوعی قابل اعتمادتر و قابل اتکاتر خواهد بود - هر بار به روشی یکسان به محرک های مشابه واکنش نشان می دهد.
نمونه معروف یک ماشین واکنشی Deep Blue است که توسط IBM در دهه 1990 به عنوان یک ابر رایانه شطرنج‌باز طراحی شد و استاد بزرگ بین‌المللی گری کاسپاروف را در یک بازی شکست داد. دیپ بلو فقط قادر بود مهره های روی صفحه شطرنج را شناسایی کند و بداند که هر کدام بر اساس قوانین شطرنج چگونه حرکت می کنند، موقعیت فعلی هر مهره را تصدیق کند و مشخص کند که منطقی ترین حرکت در آن لحظه چه خواهد بود. کامپیوتر حرکات احتمالی آتی حریف خود را دنبال نمی کرد یا سعی نمی کرد مهره های 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 می شد.
نمونه دیگری از ماشین‌های واکنشی بازی، AlphaGo گوگل است . AlphaGo نیز قادر به ارزیابی حرکت‌های آینده نیست، اما برای ارزیابی پیشرفت‌های بازی کنونی به شبکه عصبی خود متکی است که به آن برتری‌ای 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 یافت.
ا هوش مصنوعی ماشین واکنشی، گرچه از نظر دامنه محدود است و به راحتی تغییر نمی کند، می تواند به سطحی از پیچیدگی دست یابد و زمانی که برای انجام وظایف تکرارپذیر ایجاد شود، قابلیت اطمینان را ارائه می دهد.
حافظه محدود
هوش مصنوعی حافظه محدود توانایی ذخیره داده‌ها و پیش‌بینی‌های قبلی را هنگام جمع‌آوری اطلاعات و سنجش تصمیم‌های بالقوه دارد - اساساً به دنبال سرنخ‌هایی در مورد آن چه ممکن است در آینده رخ دهد، به گذشته نگاه می‌کند. هوش مصنوعی حافظه محدود پیچیده‌تر است و امکانات بیشتری را نسبت به ماشین‌های واکنشی ارائه می‌دهد.هوش مصنوعی حافظه محدود زمانی ایجاد می شود که یک تیم به طور مداوم مدلی را در مورد نحوه تجزیه و تحلیل و استفاده از داده های جدید آموزش دهد یا یک محیط هوش مصنوعی ساخته شود تا مدل ها به طور خودکار آموزش داده و تجدید شوند. هنگام استفاده از هوش مصنوعی حافظه محدود در یادگیری ماشین، شش مرحله باید دنبال شود: داده های آموزشی باید ایجاد شود، مدل یادگیری ماشین باید ایجاد شود، مدل باید قادر به پیش بینی باشد، مدل باید قادر به دریافت بازخورد انسانی یا محیطی باشد، آن بازخورد باید به عنوان داده ذخیره شود، و اهمه ین مراحل باید به عنوان یک چرخه تکرار شوند.
سه مدل اصلی یادگیری ماشینی وجود دارد که از هوش مصنوعی حافظه محدود استفاده می کنند:
* یادگیری تقویتی ، که یاد می گیرد از طریق آزمون و خطای مکرر پیش بینی های بهتری انجام دهد.
* حافظه کوتاه مدت طولانی (Long Short Term Memory یا LSTM)، که از داده های گذشته برای کمک به پیش بینی مورد بعدی در یک دنباله استفاده می کند. LTSMها به هنگام پیش بینی ها به اطلاعات اخیرتر به عنوان مهم ترین عامل می نگرند و از اطلاعات دورتر در گذشته فاکتور می گیرند، اگرچه هنوز از آنها بارای نتیجه‌گیری استفاده می‌کنند.
* شبکه‌های متخاصم مولد تکاملی (Evolutionary Generative Adversarial Networks یا E-GAN) که در طول زمان تکامل می‌یابند و مسیرهای کمی تغییر یافته را بر اساس تجربیات قبلی با هر تصمیم جدید کشف می‌کنند. این مدل دائماً به دنبال مسیری بهتر است و از شبیه‌سازی‌ها و آمار یا شانس برای پیش‌بینی نتایج در طول چرخه جهش تکاملی خود استفاده می‌کند.
نظریه ذهن
نظریه ذهن دقیقاً همین است – از لحاظ نظری. ما هنوز به توانایی های فنی و علمی لازم برای رسیدن به این سطح هوش مصنوعی دست نیافته ایم.این مفهوم بر اساس پیش‌فرض روانشناختی درک این موضوع 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 خود تأملی و تصمیم‌گیری تصمیم بگیرد و سپس از این اطلاعات برای تصمیم سازی خود استفاده کند. اساساً، ماشین‌ها باید بتوانند مفهوم «ذهن»، نوسانات احساسات در تصمیم‌گیری و مجموعه‌ای از مفاهیم روانشناختی دیگر را به صورت بلادرنگ درک و پردازش کنند و یک رابطه دو طرفه بین افراد و هوش مصنوعی ایجاد کنند.
خودآگاهی
زمانی که تئوری ذهن در هوش مصنوعی ایجاد شود، در آینده نزدیک، 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 می کند. این نوع هوش مصنوعی می تواند بفهمد که دیگران ممکن است به چه چیزهایی نیاز داشته باشند نه فقط بر اساس آن چه با آنها ارتباط برقرار می کنند، بلکه بر اساس نحوه ارتباط آنها.جان مک کارتی زبان برنامه نویسی هوش مصنوعی Lisp را توسعه داد و مقاله "برنامه هایی با عقل سلیم" را منتشر کرد. در این مقاله، مشاوره فرضی، یک سیستم هوش مصنوعی کامل با توانایی یادگیری از تجربیات به همان اندازه مؤثر، پیشنهاد شد.خودآگاهی در هوش مصنوعی همچنین به محققان انسانی متکی است که مقدمات آگاهی را درک کنند و سپس یاد بگیرند که چگونه آن را تکرار کنند تا بتوان آن را در ماشین‌ها ساخت.
تصویر: هوش مصنوعی کاربردهای زیادی دارد. مثال‌ها شامل همه چیز از آمازون الکسا گرفته تا خودروهای خودران است.
هوش مصنوعی چگونه استفاده می شود؟
جرمی آچین، مدیر عامل DataRobot، هنگام مخاطب قرار دادن جمعیتی در کنفرانس تجربه هوش مصنوعی ژاپن (Japan AI Experience) در سال 2017، سخنرانی خود را با ارائه تعریف زیر از نحوه استفاده از هوش مصنوعی امروزی آغاز کرد:"هوش مصنوعی یک سیستم کامپیوتری است که قادر به انجام وظایفی است که معمولاً به هوش انسانی نیاز دارند... بسیاری از این سیستم های هوش مصنوعی با یادگیری ماشینی، برخی از آنها با یادگیری عمیق و برخی از آنها با چیزهای بسیار خسته کننده مانند قواعد، قدرت می گیرند. "
آلن تورینگ "ماشین آلات محاسباتی و هوش" را منتشر می کند و چیزی را پیشنهاد می کند که اکنون به عنوان تست تورینگ شناخته می شود، روشی برای تعیین اینکه آیا یک ماشین هوشمند است.هوش مصنوعی به طور کلی در دو دسته کلی قرار می گیرد:
* هوش مصنوعی باریک: گاهی اوقات به عنوان "هوش مصنوعی ضعیف" شناخته می شود. این نوع هوش مصنوعی در یک زمینه محدود عمل می کند و شبیه سازی هوش انسانی است. هوش مصنوعی باریک اغلب بر روی انجام یک کار واحد متمرکز است و در حالی که این ماشین‌ها ممکن است هوشمند به نظر برسند، آنها تحت محدودیت‌ها و قیدهای بسیار بیشتری نسبت به ابتدایی‌ترین هوش انسانی کار می‌کنند.
* هوش عمومی مصنوعی (Artificial General Intelligence (AGI)) : AGI که گاهی به آن "هوش مصنوعی قوی" نیز گفته می شود، نوعی هوش مصنوعی است که در فیلم ها می بینیم، مانند روبات های Westworld یا Data از Star Trek: The Next Generation. AGI یک ماشین با هوش عمومی است و مانند یک انسان، می تواند از این هوش برای حل هر مسئله ای استفاده کند.
دونالد هب در کتاب خود به نام سازمان رفتار: یک نظریه عصب روانشناختی، این نظریه را پیشنهاد می کند که مسیرهای عصبی از تجربیات ایجاد می شوند و اتصالات بین نورون ها هر چه بیشتر مورد استفاده قرار گیرند قوی تر می شوند.
هوش مصنوعی باریک
هوش مصنوعی باریک در اطراف ما وجود دارد و به سادگی می توان گفت موفق ترین تحقق هوش مصنوعی تا به امروز است. با توجه به "آماده سازی برای آینده هوش مصنوعی"، با تمرکز بر انجام وظایف خاص، هوش مصنوعی باریک پیشرفت های متعددی را در دهه گذشته تجربه کرده است که "مزایای اجتماعی قابل توجهی داشته و به سرزندگی اقتصادی کشور کمک کرده است."چند نمونه از هوش مصنوعی باریک عبارتند از :
* جستجوی گوگل
* نرم افزار تشخیص تصویر
* سیری، الکسا و دستیاران شخصی دیگر
* ماشین های خودران
* واتسون IBM
یادگیری ماشین و یادگیری عمیق
بخش عمده ای از هوش مصنوعی باریک توسط پیشرفت هایی در یادگیری ماشینی و یادگیری عمیق ایجاد می شود . درک تفاوت بین هوش مصنوعی، یادگیری ماشین و یادگیری عمیق می تواند گیج کننده باشد. فرانک چن، سرمایه‌دار مخاطره‌آمیز، نمای کلی خوبی از نحوه تمایز بین آنها ارائه می‌دهد و خاطرنشان می‌کند:هوش مصنوعی مجموعه‌ای از الگوریتم‌ها و هوش برای تقلید از هوش انسان است. یادگیری ماشینی یکی از آنهاست و یادگیری عمیق یکی از آن تکنیک‌های یادگیری ماشینی است.
به زبان ساده، یادگیری ماشینی داده‌های رایانه را تغذیه می‌کند و از تکنیک‌های آماری استفاده می‌کند تا به آن کمک کند تا «بیاموزد» چگونه در یک کار به تدریج بهتر شود، بدون این که به طور خاص برای آن کار برنامه‌ریزی شده باشد، و نیاز به میلیون‌ها خط کد نوشته شده را از بین می‌برد. یادگیری ماشینی شامل یادگیری نظارت شده (با استفاده از مجموعه داده های برچسب دار) و یادگیری بدون نظارت (با استفاده از مجموعه داده های بدون برچسب) است.
یادگیری عمیق نوعی یادگیری ماشینی است که ورودی ها را از طریق معماری شبکه عصبی الهام گرفته از بیولوژیک اجرا می کند. شبکه‌های عصبی حاوی تعدادی لایه پنهان هستند که داده‌ها از طریق آنها پردازش می‌شوند و به ماشین اجازه می‌دهند تا در یادگیری خود به نحوی «عمیق» پیش برود، و اتصالات و ورودی وزنی را برای بهترین نتایج ایجاد کند.
هوش عمومی مصنوعی
ایجاد ماشینی با هوش در سطح انسانی که می تواند برای هر کاری به کار رود جام مقدس برای بسیاری از محققان هوش مصنوعی است، اما تلاش برای AGI با مشکل همراه بوده است.جستجو برای «الگوریتم جهانی برای یادگیری و عمل در هر محیطی» چیز جدیدی نیست، اما زمان، اساساً دشواریِ ایجاد ماشینی با مجموعه ای کامل از توانایی های شناختی را کاهش نداده است.
AGI مدت‌هاست که الهام‌بخش داستان‌های علمی تخیلی دیستوپیایی بوده است، که در آن روبات‌های فوق‌هوشمند بر بشریت غلبه می‌کنند، اما کارشناسان معتقدند که این چیزی نیست که لازم باشد به این زودی‌ها نگران آن باشیم.
تصویر: تاریخچه هوش مصنوعی طولانی و تنومند است و به دهه 1940 باز می گردد.
بارت هوش مصنوعی در "پروژه تحقیقاتی تابستانی دارتموث در مورد هوش مصنوعی" ابداع شد.روبات های هوشمند و موجودات مصنوعی اولین بار در اسطوره های یونان باستان دوران باستان ظاهر شدند. توسعه قیاس و استفاده ارسطو از استدلال قیاسی لحظه ای، کلیدی در تلاش بشر برای درک هوش خود بود. در حالی که ریشه ها طولانی و عمیق هستند، تاریخچه هوش مصنوعی آن طور که ما امروز به آن فکر می کنیم از کمتر از یک قرن پیش شروع می شود. به اختصار تنها به مهمترین رئوس این تاریخچه اشاره می کنیم:
"حساب منطقی ایده های ماندگار در فعالیت عصبی"، " سازمان رفتار: یک نظریه عصب روانشناختی "، "ماشین آلات محاسباتی و هوش"، اولین کامپیوتر شبکه عصبی، "برنامه نویسی یک کامپیوتر برای بازی شطرنج"، "سه قانون روباتیک"، توسعه یک برنامه خودآموز برای بازی چکرز، آزمایش ترجمه ماشینی، "پروژه تحقیقاتی تابستانی دارتموث در مورد هوش مصنوعی"، اولین برنامه استدلال، "برنامه هایی با عقل سلیم"، برنامه اثبات قضیه هندسه، یادگیری ماشین، پروژه هوش مصنوعی MIT، آزمایشگاه هوش مصنوعی در استنفورد، پردازش خودکار زبان، DENDRAL، زبان برنامه نویسی منطقی PROLOG ، "گزارش لایت هیل"، "اولین زمستان هوش مصنوعی"، XCON، سیستم های کامپیوتری نسل پنجم، محاسبات استراتژیک برای ارائه تحقیقات مالی دارپا، بازار ماشین‌های لیسپ، DART، FGCS ، دیپ بلو از IBM، ماشین خودران، روبات های خودگردان مانند "Big Dog" از Boston Dynamics و "PackBot" از iRobot، پیشرفت هایی در تشخیص گفتار توسط گوگل، Jeopardy، دستیار مجازی مبتنی بر هوش مصنوعی اپل سیری، شبکه عصبی یاد گرفت، خودروی خودران گوگل، خانه مجازی الکسای آمازون، AlphaGo، "شهروند ربات" سوفیا، BERT، Waymo One، الگوریتم هوش مصنوعی LinearFold.
منبع: builtin
