هوش مصنوعی چیست؟

کمتر از یک دهه پس از شکستن رمزگذاری ماشین انیگما نازی‌ها و کمک به نیروهای متفقین برای پیروزی در جنگ جهانی دوم، ریاضیدان آلن تورینگ با یک سوال ساده تاریخ را برای بار دوم تغییر داد: «آیا ماشین‌ها می‌توانند فکر کنند؟» مقاله تورینگ با نام «ماشین آلات محاسباتی و هوش» در سال ۱۹۵۰ و به دنبال آن تست تورینگ، هدف و چشم‌انداز اساسی هوش مصنوعی را شکل داد.

هوش مصنوعی یا AI شاخه‌ای از علوم کامپیوتر است که هدف آن پاسخ مثبت به سوال تورینگ و شبیه‌سازی هوش انسانی در ماشین‌هاست. هدف گسترده هوش مصنوعی سوالات و بحث‌های زیادی را به وجود آورده؛ به حدی که هیچ تعریف واحدی از این رشته به طور کلی پذیرفته نشده است. AI یک علم بین‌رشته‌ای با رویکردهای متعدد است که اقتصاد، روان‌شناسی، فلسفه، ریاضیات و علوم کامپیوتر را با هم درمی‌آمیزد.

امروزه هوش مصنوعی دیگر یک مفهوم نظری محض نیست؛ موتور جستجوی گوگل، سیستم پیشنهاددهی نتفلیکس، تشخیص چهره در گوشی‌های هوشمند، و حتی فیلترینگ اسپم ایمیل‌ها، همه از الگوریتم‌های هوش مصنوعی بهره می‌برند. شناخت درست این حوزه برای هر کسی که با فناوری سروکار دارد ضروری است.

انواع هوش مصنوعی

محققان معمولاً هوش مصنوعی را بر اساس قابلیت‌ها و سطح شباهت به هوش انسانی به چهار دسته تقسیم می‌کنند. این دسته‌بندی نه فقط توصیفی است، بلکه نقشه‌راه توسعه AI در دهه‌های آینده را نیز ترسیم می‌کند.

• ماشین واکنشی

ماشین واکنشی از ابتدایی‌ترین اصول هوش مصنوعی پیروی می‌کند و همان‌طور که از نامش پیداست، فقط قادر است از هوش خود برای درک و واکنش به دنیای مقابلش استفاده کند. این نوع ماشین نه حافظه دارد، نه می‌تواند از تجربیات گذشته برای تصمیم‌گیری‌های لحظه‌ای استفاده کند. محدودیت عمدی ماشین واکنشی در واقع نقطه قوت آن است؛ این ماشین‌ها قابل اعتمادتر هستند چون هر بار به محرک‌های مشابه به روشی یکسان پاسخ می‌دهند.

نمونه معروف این دسته Deep Blue است که IBM در دهه ۱۹۹۰ طراحی کرد. این ابرکامپیوتر شطرنج‌باز توانست کاسپاروف، استاد بزرگ بین‌المللی شطرنج، را شکست دهد. Deep Blue فقط مهره‌های روی صفحه را می‌شناخت، قوانین حرکت هر مهره را می‌دانست و منطقی‌ترین حرکت لحظه را تشخیص می‌داد. نمونه دیگری از این دسته AlphaGo گوگل است که در سال ۲۰۱۶ با شکست دادن Lee Sedol، قهرمان بازی Go، دنیا را شگفت‌زده کرد. AlphaGo برای ارزیابی وضعیت بازی به شبکه عصبی خود متکی است و از این جهت از Deep Blue پیشرفته‌تر است.

• حافظه محدود

هوش مصنوعی با حافظه محدود توانایی ذخیره داده‌ها و پیش‌بینی‌های قبلی را هنگام جمع‌آوری اطلاعات و اتخاذ تصمیم‌های بالقوه دارد؛ اساساً به دنبال سرنخ‌هایی در گذشته می‌گردد. این نوع هوش مصنوعی پیچیده‌تر است و امکانات بیشتری نسبت به ماشین‌های واکنشی ارائه می‌دهد.

هنگام استفاده از هوش مصنوعی حافظه محدود در یادگیری ماشین، مراحل زیر باید دنبال شود:

• داده‌های آموزشی باید ایجاد شود.
• مدل یادگیری ماشین باید ساخته شود.
• مدل باید قادر به پیش‌بینی و دریافت بازخورد انسانی یا محیطی باشد و این بازخوردها به عنوان داده ذخیره شوند.
• این مراحل باید به عنوان یک چرخه تکرار شوند.

سه مدل اصلی یادگیری ماشینی از هوش مصنوعی حافظه محدود استفاده می‌کنند: یادگیری تقویتی که از طریق آزمون و خطای مکرر پیش‌بینی‌های بهتر انجام می‌دهد؛ حافظه کوتاه‌مدت بلندمدت (LSTM) که از داده‌های گذشته برای پیش‌بینی مورد بعدی در یک دنباله استفاده می‌کند؛ و شبکه‌های متخاصم مولد تکاملی (E-GAN) که در طول زمان تکامل می‌یابد و دائماً به دنبال مسیری بهتر است.

• تئوری ذهن

تئوری ذهن دقیقاً در حد یک نظریه است؛ ما هنوز به توانایی‌های فنی و علمی لازم برای رسیدن به این سطح از هوش مصنوعی دست نیافته‌ایم. این دسته از هوش مصنوعی باید بتواند احساسات انسان‌ها، حیوانات و سایر ماشین‌ها را درک کند و از این اطلاعات برای تصمیم‌گیری استفاده کند.

موجودات زنده افکار و احساساتی دارند که بر رفتار فرد تأثیر می‌گذارند. از نظر ماشین‌های هوش مصنوعی، این بدان معناست که هوش مصنوعی می‌تواند احساس انسان‌ها، حیوانات و سایر ماشین‌ها را درک کند و از این اطلاعات برای تصمیم‌گیری خود استفاده کند.

اساساً ماشین‌ها باید بتوانند مفهوم «ذهن»، تأثیر احساسات در تصمیم‌گیری و مجموعه‌ای از مفاهیم روان‌شناختی دیگر را در لحظه درک و پردازش کنند و یک رابطه دوطرفه بین افراد و هوش مصنوعی ایجاد کنند. تحقیقات در این زمینه پیوسته در حال پیشرفت است، اما فاصله تا تحقق عملی آن هنوز زیاد است.

• خودآگاهی

گام نهایی در توسعه هوش مصنوعی، رسیدن به خودآگاهی است. این نوع هوش مصنوعی دارای آگاهی در سطح انسانی است؛ وجود خود در جهان را درک می‌کند، حضور و وضعیت عاطفی دیگران را می‌فهمد و می‌تواند بفهمد که دیگران به چه چیزهایی ممکن است نیاز داشته باشند. بسیاری از فیلسوفان و دانشمندان بر این باورند که رسیدن به این مرحله سوالات عمیق اخلاقی و فلسفی درباره حقوق ماشین‌ها و مسئولیت سازندگانشان مطرح خواهد کرد.

هوش مصنوعی چگونه استفاده می‌شود؟

جرمی آچین، مدیرعامل DataRobot، در سال ۲۰۱۷ در نمایشگاه هوش مصنوعی ژاپن تعریف جالبی ارائه داد:

هوش مصنوعی یک سیستم کامپیوتری است که قادر به انجام وظایفی است که معمولاً به هوش انسانی نیاز دارند. بسیاری از این سیستم‌ها با یادگیری ماشینی، برخی با یادگیری عمیق و برخی با قوانین ساده‌ای مانند قوانین قدرت کار می‌کنند.

کاربردهای عملی هوش مصنوعی در زندگی روزمره بسیار گسترده‌اند. وقتی Netflix فیلمی را به شما پیشنهاد می‌دهد، وقتی گوگل ترافیک مسیرتان را پیش‌بینی می‌کند، وقتی بانک تراکنش مشکوک را تشخیص می‌دهد — همه اینها هوش مصنوعی در کارند. در پزشکی، الگوریتم‌های AI در تشخیص سرطان از روی تصاویر MRI دقتی برابر یا حتی بیشتر از پزشکان متخصص دارند.

AI به دو دسته کلی تقسیم می‌گردد

• هوش مصنوعی ضعیف (Narrow AI)

گاهی اوقات به عنوان هوش مصنوعی محدود نیز شناخته می‌شود. این نوع AI در یک زمینه محدود عمل می‌کند و شبیه‌سازی هوش انسانی است. هوش مصنوعی ضعیف اغلب بر انجام یک کار واحد متمرکز است و هوش مصنوعی ضعیف در اطراف ماست.

چند نمونه از هوش مصنوعی ضعیف:

• جستجوی گوگل
• نرم‌افزار تشخیص تصویر
• Siri، الکسا و دستیاران شخصی دیگر
• ماشین‌های خودران
• سیستم‌های پیشنهاددهی در فروشگاه‌های آنلاین
• فیلترهای اسپم ایمیل

• هوش مصنوعی عمومی (AGI)

AGI الهام‌بخش داستان‌های علمی‌تخیلی است که در آن روبات‌های فوق‌هوشمند بر بشریت غلبه می‌کنند. AGI که گاهی «هوش مصنوعی قوی» نامیده می‌شود، نوعی از هوش مصنوعی است که در فیلم‌هایی مانند Westworld می‌بینیم. AGI یک ماشین با هوش عمومی است و مانند یک انسان می‌تواند از این هوش برای حل هر مشکلی استفاده کند.

تفاوت اصلی AGI با Narrow AI این است که Narrow AI در یک کار خاص بسیار خوب است اما در کارهای دیگر ناتوان است. یک موتور شطرنج‌باز قهرمان‌ساز، نمی‌تواند یک نقاشی بکشد یا زبانی تازه یاد بگیرد. AGI این محدودیت را ندارد. اکثر محققان معتقدند رسیدن به AGI واقعی هنوز دهه‌ها فاصله دارد.

یادگیری ماشین و یادگیری عمیق: موتور محرک AI مدرن

وقتی از هوش مصنوعی کاربردی امروز صحبت می‌کنیم، اغلب منظورمان یادگیری ماشین (Machine Learning) و یادگیری عمیق (Deep Learning) است. یادگیری ماشین به الگوریتم‌ها اجازه می‌دهد از داده‌ها بیاموزند بدون اینکه صریحاً برنامه‌ریزی شده باشند. اگر به سیستم نشان دهید که هزار عکس گربه چه شکلی است، یاد می‌گیرد گربه را بشناسد.

یادگیری عمیق زیرشاخه‌ای از یادگیری ماشین است که از شبکه‌های عصبی مصنوعی با لایه‌های متعدد استفاده می‌کند. این روش پشت اکثر پیشرفت‌های چشمگیر اخیر در تشخیص صدا، ترجمه ماشینی و تولید تصویر قرار دارد. مدل‌هایی مانند GPT و DALL-E همه از یادگیری عمیق بهره می‌برند.

چالش‌ها و نگرانی‌های اخلاقی هوش مصنوعی

هوش مصنوعی با وجود تمام مزایایش، چالش‌های جدی نیز به همراه دارد. یکی از بزرگ‌ترین نگرانی‌ها، سوگیری (Bias) در الگوریتم‌هاست. اگر داده‌های آموزشی یک سیستم AI سوگیری داشته باشند، خروجی آن هم سوگیری خواهد داشت. برای مثال، برخی سیستم‌های تشخیص چهره دقت کمتری برای پوست‌های تیره‌رنگ داشته‌اند.

نگرانی دیگر مربوط به حریم خصوصی است. سیستم‌های AI برای کار نیاز به حجم زیادی از داده دارند؛ این داده‌ها اغلب اطلاعات شخصی کاربران است. همچنین اثرات AI بر بازار کار موضوعی است که بسیاری از اقتصاددانان درباره آن بحث می‌کنند. برخی مشاغل تکراری احتمالاً در معرض اتوماسیون هستند، اما تاریخاً انقلاب‌های فناوری مشاغل جدیدی هم خلق کرده‌اند.

سوالات متداول

هوش مصنوعی با ربات‌ها چه فرقی دارد؟

ربات‌ها سخت‌افزار فیزیکی هستند که کارهای مکانیکی انجام می‌دهند، اما لزوماً هوشمند نیستند. هوش مصنوعی یک نرم‌افزار یا الگوریتم است. یک ربات می‌تواند هوش مصنوعی داشته باشد، اما اکثر سیستم‌های AI بدون بدن فیزیکی اجرا می‌شوند — مثل دستیار صوتی گوشی شما.

آیا هوش مصنوعی می‌تواند احساس کند؟

هوش مصنوعی فعلی احساس نمی‌کند؛ فقط الگوها را پردازش می‌کند. وقتی یک چت‌بات می‌گوید «خوشحالم که کمک کردم»، این جمله از داده‌های آموزشی استخراج شده، نه از یک احساس واقعی. رسیدن به هوش مصنوعی با احساسات واقعی (اگر ممکن باشد) هنوز دور از دسترس است.

یادگیری ماشین و هوش مصنوعی یکی هستند؟

یادگیری ماشین زیرمجموعه‌ای از هوش مصنوعی است. هوش مصنوعی مفهوم گسترده‌تری است که شامل هر سیستم ماشینی می‌شود که وظایف هوشمندانه انجام می‌دهد. یادگیری ماشین خاص‌تر است: سیستم‌هایی که از داده یاد می‌گیرند.

آیا برای یادگیری هوش مصنوعی باید ریاضی بدانم؟

برای درک مفاهیم پایه، نه. برای توسعه الگوریتم‌های جدید، بله — آمار، جبرخطی و حساب دیفرانسیل و انتگرال اهمیت زیادی دارند. اما ابزارهایی مانند TensorFlow و PyTorch بسیاری از پیچیدگی‌های ریاضی را پشت API ساده‌ای پنهان کرده‌اند.

جمع‌بندی

هوش مصنوعی از یک سوال فلسفی آلن تورینگ به فناوری‌ای تبدیل شده که در پس‌زمینه زندگی روزانه ما حضور دارد. چهار نوع اصلی آن — ماشین واکنشی، حافظه محدود، تئوری ذهن و خودآگاهی — مسیر تکامل این فناوری را نشان می‌دهند. ما اکنون عمدتاً در دوران هوش مصنوعی ضعیف هستیم؛ سیستم‌هایی که در کارهای خاص بسیار خوبند اما از هوش عمومی انسانی فاصله زیادی دارند.

یادگیری ماشین و یادگیری عمیق موتور محرک پیشرفت‌های امروز هستند، و مدل‌های اصلی مانند یادگیری تقویتی، LSTM و E-GAN ابزارهای اصلی این حوزه‌اند. با این وجود، چالش‌های اخلاقی، سوگیری داده‌ها و تأثیر بر بازار کار، موضوعاتی هستند که جامعه باید با دیدی باز با آن‌ها روبرو شود.

اگر سوالی دارید، در بخش نظرات مطرح کنید. این مقاله را با دوستانتان به اشتراک بگذارید.