از هوش مصنوعی محدود تا عمومی/ ماشین‌ها جا پای انسان گذاشته‌اند
کارشناسان می گویند که هوش مصنوعی می‌تواند طی سال‌های آینده از انسان پیشی گرفته و همه مشاغل و حتی کارهایی که بشر امروزه با دست انجام می‌دهد را ماشینی کند.
سال ۲۰۲۱ سالی بود که هوش مصنوعی از یک فناوری نوظهور به یک فناوری بالغ تبدیل شد که تأثیرات مثبت و منفی بر دنیای واقعی دارد. این فناوری شبیه سازی فرآیندهای هوش انسانی توسط ماشین ها به ویژه سیستم های کامپیوتری است. کاربردهای خاص این تکنولوژی شامل پردازش زبان طبیعی، تشخیص گفتار و چهره است.
هوش مصنوعی (AI) چیست؟
در دهه ۱۹۵۰، مینسکی و مک کارتی پدران علم هوش مصنوعی، این فناوری را اینطور توصیف کردند: هرکار انجام شده توسط ماشین که قبلاً به هوش انسانی نیاز داشت. البته این تعریف نسبتا کلی است به همین دلیل است که گاهی اوقات بحث هایی در مورد اینکه آیا چیزی واقعاً هوش مصنوعی است یا خیر، وجود دارد.
فرانسوا شولت، محقق هوش مصنوعی در گوگل و خالق کتابخانه نرم‌افزار یادگیری ماشینی Keras، درباره این فناوری گفته: توانایی یک سیستم برای انطباق و بداهه‌سازی در یک محیط جدید، تعمیم دانش و اعمال آن در سناریوهای ناآشنا.
این تعریفی است که براساس آن سیستم‌های مجهز به هوش مصنوعی مدرن، مانند دستیارهای مجازی ساخته شدند. به طور معمول، این سیستم‌ها حداقل برخی از رفتارهای مرتبط با هوش انسانی را نشان می‌دهند: برنامه‌ریزی، یادگیری، استدلال، حل مسئله، بازنمایی دانش، ادراک، حرکت، تا حدی هوش اجتماعی و خلاقیت.
امروزه از این فناوری در همه جا استفاده می شود. از خرید آنلاین، دستور به دستیاران مجازی مانند الکسا و سیری، تشخیص اینکه چه کسی و چه چیزی در یک عکس است، شناسایی هرزنامه ها تا جلوگیری از کلاهبرداری.
این تکنولوژی را می توان به دو نوع کلی تقسیم کرد:
هوش مصنوعی محدود
این همان چیزی است که امروزه آن را در رایانه ها می بینیم. سیستم های هوشمندی که آموزش داده شده یا یاد گرفته اند که چگونه وظایف خاصی را بدون برنامه ریزی انجام دهند.
این نوع هوش ماشینی در تشخیص گفتار و زبان دستیار مجازی سیری در اپل، سیستم‌های تشخیص بینایی در ماشین‌های خودران، یا در موتورهای توصیه‌ای که محصولات را براساس علاقه مشتری پیشنهاد می دهند، مشهود است. برخلاف انسان‌ها، این سیستم‌ها فقط می‌توانند نحوه انجام وظایف تعریف شده یا چیزی که به آنها آموزش داده شده را یاد بگیرند و انجام دهند.
هوش مصنوعی عمومی
این بخش اما بسیار متفاوت و شبیه به هوش انسان است. نوعی هوش انعطاف‌پذیر که می‌تواند یاد بگیرد چگونه وظایف بسیار متفاوتی را انجام دهد، از کوتاه کردن مو گرفته تا ساخت صفحات گسترده یا تحلیل موضوعات مختلف. ما این نوع از هوش مصنوعی را بیشتر در فیلم ها دیده ایم. البته کارشناسان هنوز روی اینکه این فناوری چه زمانی قرار است به واقعیت تبدیل و در زندگی روزمره استفاده شود، اختلاف نظر دارند.
تفسیر فیدهای ویدئویی از هواپیماهای بدون سرنشین که بازرسی بصری زیرساخت‌ها مانند خطوط لوله نفت را انجام می‌دهند، سازماندهی تقویم های شخصی و تجاری، پاسخگویی به سوالات ساده خدمات مشتری، هماهنگی با سایر سیستم های هوشمند برای انجام وظایفی مانند رزرو هتل در زمان و مکان مناسب، کمک به رادیولوژیست ها برای شناسایی تومورها با استفاده از اشعه ایکس، شناسایی محتوای نامناسب آنلاین، تشخیص فرسودگی آسانسورها با استفاده از داده های جمع آوری شده توسط اینترنت اشیا، تولید یک مدل سه بعدی از جهان با کمک تصاویر ماهواره ای تنها نمونه هایی از محصولات این بخش از هوش مصنوعی است.
کاربردهای جدید این سیستم های یادگیری همیشه در حال پیشرفت هستند. طراح کارت گرافیک شرکت انویدیا اخیراً یک سیستم مبتنی بر هوش مصنوعی را معرفی کرده که به افراد امکان می دهد تقریباً بدون توجه به سرعت اینترنت، تماس های ویدئویی با کیفیت خوب برقرار کنند. البته گاهی جاه طلبی ها، در فناوری از واقعیت پیشی می گیرد. نمونه‌ای از این موارد، خودروهای خودران هستند که توسط سیستم‌های مجهز به هوش مصنوعی پشتیبانی می‌شوند.
هوش مصنوعی عمومی چه کاری می تواند انجام دهد؟
در نظرسنجی که در سال ۲۰۱۲ تا ۲۰۱۳ توسط وینسنت سی مولر و فیلسوف نیک بوستروم انجام شد، اعلام شد که ۵۰ درصد این فناوری بین سال‌های ۲۰۴۰ تا ۲۰۵۰ توسعه می یابد و تا سال ۲۰۷۵ به ۹۰ درصد افزایش خواهد یافت.
با این حال، ارزیابی های اخیر توسط کارشناسان این حوزه محتاطانه تر است. پیشگامان در زمینه تحقیقات مدرن مانند جفری هینتون، دمیس حسابیس و یان لیکون می گویند که جامعه به هیچ وجه به توسعه اینو نوع از هوش مصنوعی نزدیک نیست. با این حال، برخی از کارشناسان معتقدند با توجه به درک محدود ما از مغز انسان، چنین پیش‌بینی‌هایی بسیار خوش‌بینانه است و می گویند که ما با رسیدن به هوش مصنوعی عمومی قرن‌ها فاصله داریم.
نقاط عطف در توسعه این فناوری
در حالی که هوش مصنوعی محدود ممکن است فقط برای انجام وظایف خاص باشد، اما این سیستم‌ها گاهی اوقات قادر به عملکرد مافوق بشری هستند، حتی در برخی موارد خلاقیت برتر که یک ویژگی انسانی است را نشان می دهند.
در سال ۲۰۰۹ گوگل نشان داد تویوتا پریوس خودران می تواند بیش از ۱۰ سفر به طول ۱۰۰ مایل را طی کند و جامعه را در مسیری به سمت وسایل نقلیه بدون راننده ببرد.
در سال ۲۰۱۱، سیستم کامپیوتری IBM Watson با برنده شدن در مسابقه آمریکایی Jeopardy، با شکست دادن دو نفر از بهترین بازیکنان، به تیتر خبرهای جهانی تبدیل شد. برای برنده شدن در این مسابقه، واتسون از پردازش و تجزیه و تحلیل زبان طبیعی روی مخازن وسیعی از داده ها استفاده کرد که برای پاسخ به سوالات انسان، اغلب در کسری از ثانیه، پردازش می شوند.
در سال ۲۰۱۲، پیشرفت دیگری از پتانسیل هوش مصنوعی برای مقابله با بسیاری از وظایف جدید به وجود آمد که قبلاً برای هر ماشینی بیش از حد پیچیده تصور می شد. در آن سال، سیستم الکس نت به طور قاطع در چالش تشخیص تصویری در مقیاس بزرگ ImageNet پیروز شد. دقت این فناوری به حدی بود که میزان خطا را در مقایسه با سیستم های رقیب در مسابقه تشخیص تصویر به نصف کاهش داد.
نمایش بعدی کارآمدی سیستم‌های یادگیری ماشینی که توجه عموم را به خود جلب کرد، پیروزی Google DeepMind AlphaGo در سال ۲۰۱۶ بر یک استاد بزرگ بازی «گو» Go بود. پیچیدگی های این بازی چین باستان برای دهه‌ها کامپیوترها را تحت تأثیر قرار داد. بازی گو حدود ۲۰۰ حرکت در هر نوبت دارد. در طول این بازی حرکات احتمالی زیادی وجود دارد که جستجو برای شناسایی آنها از نظر محاسباتی بسیار پرهزینه است. آلفاگو با انجام حرکاتی که توسط متخصصان انسانی در ۳۰ میلیون بازی انجام میشود، آموزش دید چگونه بازی کند. برای آموزش به این شبکه‌های یادگیری عمیق زمان زیادی صرف می شود و نیاز به دریافت مقادیر زیادی از داده‌ها و تکرار آنها است.
با این حال، اخیراً، گوگل فرآیند آموزش را با AlphaGo Zero اصلاح کرد. این پلتفرم، سیستمی است که بازی‌های کاملاً تصادفی را علیه خودش انجام می‌دهد و سپس از آنها یاد می‌گیرد. دمیس حسابیس، مدیرعامل گوگل دیپ مایند نیز از نسخه جدیدی از این سیستم رونمایی کرده که در بازی های شطرنج و شوگی تسلط دارد. سیستمی که توسط OpenAI آموزش دیده، بازیکنان برتر جهان را در مسابقات چند نفره آنلاین Dota ۲ شکست داده است.
سال ۲۰۲۰ سالی بود که در آن یک سیستم هوش مصنوعی ظاهراً این توانایی را به دست آورد که تقریباً در مورد هر موضوعی که فکرش را بکنید، مانند یک انسان بنویسد و صحبت کند. سیستم مورد بحث که با نام Generative Pre-trained Transformer ۳ یا GPT-۳ شناخته می شود، یک شبکه عصبی است که برای کار روی میلیاردها مقاله انگلیسی زبان موجود در اینترنت آموزش دیده است.
مدت کوتاهی پس از اینکه این سیستم توسط سازمان غیرانتفاعی OpenAI برای آزمایش در دسترس قرار گرفت، اینترنت پر از مقاله های این پلتفرم در هر موضوعی شد. در حالی که بسیاری از مقالات تولید شده توسط GPT-3 شبیه به نسخه انسانی بود، آزمایشات بیشتر نشان داد که جملات نوشته شده اغلب به نتیجه نمی رسند و عبارات سطحی قابل قبول اما گیج کننده و همچنین گاهی اوقات نامفهوم در مقالات وجود دارد.
شاید بارزترین نمونه از پتانسیل هوش مصنوعی مربوط به اواخر سال ۲۰۲۰ باشد. زمانی که شبکه عصبی AlphaFold ۲ نتیجه‌ای را که برخی آن را شایسته دریافت جایزه نوبل شیمی می‌دانستند،نشان داد. توانایی این سیستم برای نگاه کردن به بلوک‌های سازنده پروتئین، معروف به اسیدهای آمینه و استخراج ساختار سه‌بعدی آن، می‌تواند بر سرعت درک بیماری‌ها و توسعه داروها تأثیر بگذارد.
برخلاف کریستالوگرافی که ماه ها طول می کشد تا نتایج را نشان دهد، AlphaFold 2 می تواند پروتئین ها را تنها در چند ساعت مدل سازی کند. باتوجه به اینکه ساختار سه بعدی پروتئین ها نقش مهمی در زیست شناسی و شناخت بیماری های انسان ایفا می کند، چنین سرعت بخشی به عنوان یک پیشرفت مهم برای علم پزشکی اعلام شده است.
یادگیری ماشینی چیست؟
عملاً تمام دستاوردهایی که تاکنون ذکر شد، از یادگیری ماشینی، که اکثریت عظیمی از دستاوردهای این حوزه در سال‌های اخیر را تشکیل می‌دهد، سرچشمه می‌گیرد. وقتی امروزه مردم در مورد هوش مصنوعی صحبت می کنند، به طور کلی در مورد این فناوری نیز بحث می کنند.
یادگیری ماشینی جایی است که یک سیستم کامپیوتری به جای اینکه برای انجام کاری برنامه ریزی شود، یاد می گیرد که چگونه یک کار را انجام دهد. این توصیف از یادگیری ماشینی به سال ۱۹۵۹ و زمانی که توسط آرتور ساموئل، یکی از پیشگامان این حوزه که یکی از اولین سیستم های خودآموز جهان را توسعه داد، بر می گردد.
به این سیستم ها حجم عظیمی از داده ها داده می شود که سپس از آنها برای یادگیری نحوه انجام یک کار خاص، مانند درک گفتار یا نوشتن شرح عکس استفاده می کنند. کیفیت و اندازه این مجموعه داده برای ساختن سیستمی که بتواند وظایف تعیین شده خود را با دقت انجام دهد، مهم است. به عنوان مثال، اگر در حال ساختن یک سیستم یادگیری ماشینی برای پیش‌بینی قیمت خانه هستید، داده‌های آموزشی باید علاوه بر اندازه ملک، سایر عوامل برجسته مانند تعداد اتاق خواب یا اندازه باغ را نیز شامل شود.