هوش مصنوعی چیست؟

هوش مصنوعی (AI) فناوری‌ای است که رایانه‌ها و ماشین‌ها را قادر می‌سازد تا یادگیری، ادراک، حل مسئله، تصمیم‌گیری، خلاقیت و خودمختاری انسانی را شبیه‌سازی کنند.

کاربردها و دستگاه‌های مجهز به هوش مصنوعی می‌توانند اشیاء را ببینند و شناسایی کنند. آن‌ها می‌توانند زبان انسانی را درک کرده و به آن پاسخ دهند. آن‌ها می‌توانند از اطلاعات و تجربیات جدید یاد بگیرند. آن‌ها می‌توانند توصیه‌های دقیق به کاربران و متخصصان ارائه دهند. آن‌ها می‌توانند به‌طور مستقل عمل کنند و نیاز به هوش یا مداخله انسانی را جایگزین کنند (یک مثال کلاسیک، خودروی خودران است).

اما در سال 2024، اکثر محققان و متخصصان هوش مصنوعی—و اکثر عناوین خبری مرتبط با هوش مصنوعی—بر پیشرفت‌های هوش مصنوعی مولد (gen AI) متمرکز هستند، فناوری‌ای که می‌تواند متن، تصاویر، ویدیو و سایر محتوای اصیل را ایجاد کند. برای درک کامل هوش مصنوعی مولد، ابتدا باید فناوری‌هایی را که ابزارهای هوش مصنوعی مولد بر اساس آن‌ها ساخته شده‌اند، درک کرد: یادگیری ماشین (ML) و یادگیری عمیق.

یادگیری ماشین

یک روش ساده برای تفکر در مورد هوش مصنوعی، مجموعه‌ای از مفاهیم تودرتو یا مشتق شده است که در طول بیش از 70 سال ظهور کرده‌اند:

مستقیماً زیر هوش مصنوعی، یادگیری ماشین را داریم که شامل ایجاد مدل‌ها از طریق آموزش یک الگوریتم برای پیش‌بینی یا تصمیم‌گیری بر اساس داده‌ها است. این شامل طیف گسترده‌ای از تکنیک‌ها است که رایانه‌ها را قادر می‌سازد تا از داده‌ها بدون برنامه‌ریزی صریح برای وظایف خاص، یاد بگیرند و استنتاج کنند.

انواع مختلفی از تکنیک‌ها یا الگوریتم‌های یادگیری ماشین وجود دارد، از جمله رگرسیون خطی، رگرسیون لجستیک، درخت‌های تصمیم، جنگل تصادفی، ماشین‌های بردار پشتیبان (SVM)، نزدیک‌ترین همسایه k (KNN)، خوشه‌بندی و موارد دیگر. هر یک از این رویکردها برای انواع مختلف مسائل و داده‌ها مناسب است.

اما یکی از محبوب‌ترین انواع الگوریتم‌های یادگیری ماشین، شبکه عصبی (یا شبکه عصبی مصنوعی) نامیده می‌شود. شبکه‌های عصبی از ساختار و عملکرد مغز انسان الگوبرداری می‌کنند. یک شبکه عصبی از لایه‌های متصل به هم از گره‌ها (مشابه نورون‌ها) تشکیل شده است که با هم برای پردازش و تجزیه و تحلیل داده‌های پیچیده کار می‌کنند. شبکه‌های عصبی برای وظایفی که شامل شناسایی الگوها و روابط پیچیده در مقادیر زیادی از داده‌ها است، مناسب هستند.

ساده‌ترین شکل یادگیری ماشین، یادگیری نظارت شده نامیده می‌شود که شامل استفاده از مجموعه‌های داده برچسب‌گذاری شده برای آموزش الگوریتم‌ها برای طبقه‌بندی داده‌ها یا پیش‌بینی نتایج به‌طور دقیق است. در یادگیری نظارت شده، انسان‌ها هر مثال آموزشی را با یک برچسب خروجی جفت می‌کنند. هدف این است که مدل، نگاشت بین ورودی‌ها و خروجی‌ها را در داده‌های آموزشی یاد بگیرد، تا بتواند برچسب‌های داده‌های جدید و دیده‌نشده را پیش‌بینی کند.

یادگیری عمیق

یادگیری عمیق زیرمجموعه‌ای از یادگیری ماشین است که از شبکه‌های عصبی چندلایه، به نام شبکه‌های عصبی عمیق، استفاده می‌کند که قدرت تصمیم‌گیری پیچیده مغز انسان را نزدیک‌تر شبیه‌سازی می‌کنند.

شبکه‌های عصبی عمیق شامل یک لایه ورودی، حداقل سه اما معمولاً صدها لایه پنهان، و یک لایه خروجی هستند، برخلاف شبکه‌های عصبی مورد استفاده در مدل‌های یادگیری ماشین کلاسیک، که معمولاً فقط یک یا دو لایه پنهان دارند.

این لایه‌های متعدد یادگیری نظارت‌نشده را فعال می‌کنند: آن‌ها می‌توانند استخراج ویژگی‌ها را از مجموعه‌های داده بزرگ، بدون برچسب و بدون ساختار، خودکار کنند و پیش‌بینی‌های خود را در مورد آنچه داده‌ها نشان می‌دهند، انجام دهند.

از آنجا که یادگیری عمیق به مداخله انسانی نیاز ندارد، یادگیری ماشین را در مقیاس بسیار بزرگ فعال می‌کند. این برای پردازش زبان طبیعی (NLP)، بینایی رایانه‌ای و سایر وظایفی که شامل شناسایی سریع و دقیق الگوها و روابط پیچیده در مقادیر زیادی از داده‌ها است، مناسب است. برخی از اشکال یادگیری عمیق، اکثر برنامه‌های هوش مصنوعی (AI) در زندگی امروز ما را تامین می‌کنند.

یادگیری عمیق همچنین موارد زیر را فعال می‌کند:

• یادگیری نیمه‌نظارتی، که یادگیری نظارت شده و نظارت‌نشده را با استفاده از داده‌های برچسب‌گذاری شده و بدون برچسب برای آموزش مدل‌های هوش مصنوعی برای وظایف طبقه‌بندی و رگرسیون ترکیب می‌کند.
• یادگیری خودنظارتی، که برچسب‌های ضمنی را از داده‌های بدون ساختار تولید می‌کند، به جای تکیه بر مجموعه‌های داده برچسب‌گذاری شده برای سیگنال‌های نظارتی.
• یادگیری تقویتی، که از طریق آزمون و خطا و توابع پاداش به جای استخراج اطلاعات از الگوهای پنهان، یاد می‌گیرد.
• یادگیری انتقالی، که در آن دانش به دست آمده از طریق یک وظیفه یا مجموعه داده برای بهبود عملکرد مدل در یک وظیفه مرتبط دیگر یا مجموعه داده متفاوت استفاده می‌شود.

هوش مصنوعی مولد

هوش مصنوعی مولد، که گاهی اوقات “gen AI” نامیده می‌شود، به مدل‌های یادگیری عمیق اشاره دارد که می‌توانند محتوای اصیل پیچیده—مانند متن طولانی، تصاویر با کیفیت بالا، ویدیو یا صدای واقعی و موارد دیگر—را در پاسخ به درخواست یا دستور کاربر ایجاد کنند.

در سطح بالا، مدل‌های مولد یک نمایش ساده شده از داده‌های آموزشی خود را رمزگذاری می‌کنند و سپس از آن نمایش برای ایجاد کار جدیدی که مشابه، اما نه یکسان، با داده‌های اصلی است، استفاده می‌کنند.

مدل‌های مولد سال‌ها در آمار برای تجزیه و تحلیل داده‌های عددی استفاده شده‌اند. اما در دهه گذشته، آن‌ها تکامل یافته‌اند تا انواع داده‌های پیچیده‌تر را تجزیه و تحلیل و تولید کنند. این تکامل با ظهور سه نوع مدل یادگیری عمیق پیچیده همزمان شد:

• خودرمزگذارهای متغیر یا VAEها، که در سال 2013 معرفی شدند و مدل‌هایی را فعال کردند که می‌توانند چندین تغییر از محتوا را در پاسخ به یک درخواست یا دستورالعمل تولید کنند.
• مدل‌های انتشار، که برای اولین بار در سال 2014 دیده شدند، که “نویز” را به تصاویر اضافه می‌کنند تا زمانی که غیرقابل تشخیص شوند، و سپس نویز را حذف می‌کنند تا تصاویر اصیل را در پاسخ به درخواست‌ها تولید کنند.
• ترانسفورمرها (همچنین مدل‌های ترانسفورمر نامیده می‌شوند)، که بر روی داده‌های دنباله‌ای آموزش داده می‌شوند تا دنباله‌های طولانی از محتوا (مانند کلمات در جملات، اشکال در یک تصویر، فریم‌های یک ویدیو یا دستورات در کد نرم‌افزار) را تولید کنند. ترانسفورمرها در هسته اکثر ابزارهای هوش مصنوعی مولد امروزی قرار دارند، از جمله ChatGPT و GPT-4، Copilot، BERT، Bard و Midjourney.

نحوه عملکرد هوش مصنوعی مولد

به طور کلی، هوش مصنوعی مولد در سه مرحله عمل می‌کند:

1. آموزش (Training): ایجاد یک مدل پایه.
2. تنظیم (Tuning): تطبیق مدل با یک کاربرد خاص.
3. تولید (Generation)، ارزیابی (Evaluation) و تنظیم بیشتر (Further Tuning): بهبود دقت.

آموزش

هوش مصنوعی مولد با یک “مدل پایه” آغاز می‌شود؛ یک مدل یادگیری عمیق که به عنوان مبنایی برای انواع مختلف کاربردهای هوش مصنوعی مولد عمل می‌کند.

امروزه رایج‌ترین مدل‌های پایه، مدل‌های زبانی بزرگ (LLMها) هستند که برای کاربردهای تولید متن ایجاد شده‌اند. اما مدل‌های پایه برای تولید تصویر، ویدئو، صدا یا موسیقی و مدل‌های پایه چندوجهی که از چندین نوع محتوا پشتیبانی می‌کنند نیز وجود دارند.

برای ایجاد یک مدل پایه، متخصصان یک الگوریتم یادگیری عمیق را بر روی حجم عظیمی از داده‌های خام، بدون ساختار و بدون برچسب مرتبط، مانند ترابایت‌ها یا پتابایت‌ها از متن، تصاویر یا ویدئو از اینترنت، آموزش می‌دهند. این آموزش منجر به یک شبکه عصبی با میلیاردها پارامتر می‌شود—نمایش‌های رمزگذاری شده از موجودیت‌ها، الگوها و روابط در داده‌ها—که می‌تواند به طور خودکار در پاسخ به دستورات، محتوا تولید کند. این مدل پایه است.

این فرآیند آموزش، محاسباتی فشرده، زمان‌بر و پرهزینه است. به هزاران واحد پردازش گرافیکی خوشه‌ای (GPU) و هفته‌ها پردازش نیاز دارد که همگی معمولاً میلیون‌ها دلار هزینه دارند. پروژه‌های مدل پایه متن‌باز، مانند Llama-2 متا، توسعه‌دهندگان هوش مصنوعی مولد را قادر می‌سازد تا از این مرحله و هزینه‌های آن اجتناب کنند.

تنظیم

در مرحله بعد، مدل باید برای یک وظیفه تولید محتوای خاص تنظیم شود. این کار را می‌توان به روش‌های مختلفی انجام داد، از جمله:

• تنظیم دقیق (Fine-tuning): که شامل تغذیه مدل با داده‌های برچسب‌گذاری شده مخصوص کاربرد—سوالات یا دستوراتی که احتمالاً برنامه دریافت می‌کند و پاسخ‌های صحیح مربوطه در قالب مورد نظر—است.
• یادگیری تقویتی با بازخورد انسانی (RLHF): که در آن کاربران انسانی دقت یا ارتباط خروجی‌های مدل را ارزیابی می‌کنند تا مدل بتواند خود را بهبود بخشد. این می‌تواند به سادگی تایپ یا صحبت کردن اصلاحات توسط افراد به یک ربات چت یا دستیار مجازی باشد.

تولید، ارزیابی و تنظیم بیشتر

توسعه‌دهندگان و کاربران به طور منظم خروجی‌های برنامه‌های هوش مصنوعی مولد خود را ارزیابی می‌کنند و مدل را برای دقت یا ارتباط بیشتر—حتی به اندازه یک بار در هفته—بیشتر تنظیم می‌کنند. در مقابل، خود مدل پایه بسیار کمتر به‌روزرسانی می‌شود، شاید هر سال یا 18 ماه یک بار.

گزینه دیگر برای بهبود عملکرد یک برنامه هوش مصنوعی مولد، تولید افزوده بازیابی (RAG) است، یک تکنیک برای گسترش مدل پایه برای استفاده از منابع مرتبط خارج از داده‌های آموزشی برای اصلاح پارامترها برای دقت یا ارتباط بیشتر.

مزایای هوش مصنوعی

هوش مصنوعی مزایای متعددی را در صنایع و کاربردهای مختلف ارائه می‌دهد. برخی از رایج‌ترین مزایای ذکر شده عبارتند از:

• خودکارسازی وظایف تکراری.
• بینش بیشتر و سریع‌تر از داده‌ها.
• تصمیم‌گیری پیشرفته.
• خطاهای انسانی کمتر.
• دسترسی 24 ساعته.
• کاهش خطرات فیزیکی.

خودکارسازی وظایف تکراری

هوش مصنوعی می‌تواند وظایف معمول، تکراری و اغلب خسته‌کننده را خودکار کند—از جمله وظایف دیجیتالی مانند جمع‌آوری داده‌ها، ورود و پیش پردازش، و وظایف فیزیکی مانند انتخاب سهام انبار و فرآیندهای تولید. این خودکارسازی، افراد را آزاد می‌کند تا روی کارهای با ارزش بالاتر و خلاقانه‌تر کار کنند.

تصمیم‌گیری پیشرفته

چه برای پشتیبانی از تصمیم‌گیری و چه برای تصمیم‌گیری کاملاً خودکار استفاده شود، هوش مصنوعی پیش‌بینی‌های سریع‌تر و دقیق‌تر و تصمیمات قابل اعتماد و مبتنی بر داده را امکان‌پذیر می‌کند. هوش مصنوعی همراه با خودکارسازی، کسب‌وکارها را قادر می‌سازد تا به فرصت‌ها عمل کنند و به بحران‌ها در زمان ظهور، در زمان واقعی و بدون دخالت انسان، پاسخ دهند.

خطاهای انسانی کمتر

هوش مصنوعی می‌تواند خطاهای انسانی را به روش‌های مختلفی کاهش دهد، از هدایت افراد از طریق مراحل مناسب یک فرآیند، تا علامت‌گذاری خطاهای احتمالی قبل از وقوع، و خودکارسازی کامل فرآیندها بدون دخالت انسان. این امر به ویژه در صنایعی مانند مراقبت‌های بهداشتی که، برای مثال، رباتیک جراحی با هدایت هوش مصنوعی دقت ثابت را امکان‌پذیر می‌کند، اهمیت دارد.

الگوریتم‌های یادگیری ماشین می‌توانند با قرار گرفتن در معرض داده‌های بیشتر و “یادگیری” از تجربه، به طور مداوم دقت خود را بهبود بخشند و خطاهای بیشتری را کاهش دهند.

دسترسی و ثبات شبانه‌روزی

هوش مصنوعی همیشه روشن است، به صورت شبانه‌روزی در دسترس است و هر بار عملکرد ثابت ارائه می‌دهد. ابزارهایی مانند ربات‌های چت یا دستیاران مجازی هوش مصنوعی می‌توانند تقاضای کارکنان را برای خدمات مشتری یا پشتیبانی کاهش دهند. در سایر کاربردها—مانند پردازش مواد یا خطوط تولید—هوش مصنوعی می‌تواند به حفظ کیفیت کار و سطوح خروجی ثابت هنگام استفاده برای تکمیل وظایف تکراری یا خسته‌کننده کمک کند.

کاهش خطر فیزیکی

هوش مصنوعی با خودکارسازی کارهای خطرناک—مانند کنترل حیوانات، دست زدن به مواد منفجره، انجام وظایف در آب‌های عمیق اقیانوس، ارتفاعات بالا یا در فضای بیرونی—می‌تواند نیاز به قرار دادن کارگران انسانی در معرض خطر آسیب یا بدتر را از بین ببرد. خودروهای خودران و سایر وسایل نقلیه، در حالی که هنوز کامل نشده‌اند، پتانسیل کاهش خطر آسیب به مسافران را ارائه می‌دهند.

موارد استفاده از هوش مصنوعی

کاربردهای دنیای واقعی هوش مصنوعی بسیار زیاد است. در اینجا فقط نمونه کوچکی از موارد استفاده در صنایع مختلف برای نشان دادن پتانسیل آن آمده است:

• تجربه مشتری، خدمات و پشتیبانی: شرکت‌ها می‌توانند ربات‌های چت و دستیاران مجازی با هوش مصنوعی را برای رسیدگی به سوالات مشتری، بلیط‌های پشتیبانی و موارد دیگر پیاده‌سازی کنند. این ابزارها از پردازش زبان طبیعی (NLP) و قابلیت‌های هوش مصنوعی مولد برای درک و پاسخ به سوالات مشتری در مورد وضعیت سفارش، جزئیات محصول و سیاست‌های بازگشت استفاده می‌کنند.
• تشخیص تقلب: الگوریتم‌های یادگیری ماشین و یادگیری عمیق می‌توانند الگوهای تراکنش را تجزیه و تحلیل کرده و ناهنجاری‌هایی مانند هزینه‌های غیرمعمول یا مکان‌های ورود به سیستم را که نشان‌دهنده تراکنش‌های جعلی است، علامت‌گذاری کنند.
• بازاریابی شخصی‌سازی شده: خرده‌فروشان، بانک‌ها و سایر شرکت‌های مشتری‌محور می‌توانند از هوش مصنوعی برای ایجاد تجربیات مشتری شخصی‌سازی شده و کمپین‌های بازاریابی که مشتریان را خوشحال می‌کند، فروش را بهبود می‌بخشد و از ریزش جلوگیری می‌کند، استفاده کنند.
• منابع انسانی و استخدام: پلتفرم‌های استخدام مبتنی بر هوش مصنوعی می‌توانند با غربالگری رزومه‌ها، تطبیق نامزدها با توضیحات شغلی و حتی انجام مصاحبه‌های مقدماتی با استفاده از تحلیل ویدئو، استخدام را ساده کنند.
• توسعه و نوسازی برنامه: ابزارهای تولید کد هوش مصنوعی مولد و ابزارهای خودکارسازی می‌توانند وظایف کدنویسی تکراری مرتبط با توسعه برنامه را ساده کرده و مهاجرت و نوسازی (تغییر قالب و تغییر پلتفرم) برنامه‌های قدیمی را در مقیاس تسریع کنند.
• نگهداری پیش‌بینی‌کننده: مدل‌های یادگیری ماشین می‌توانند داده‌های حسگرها، دستگاه‌های اینترنت اشیا (IoT) و فناوری عملیاتی (OT) را برای پیش‌بینی زمان مورد نیاز نگهداری و پیش‌بینی خرابی‌های تجهیزات قبل از وقوع تجزیه و تحلیل کنند.

چالش‌ها و خطرات هوش مصنوعی

سازمان‌ها در تلاش برای بهره‌برداری از آخرین فناوری‌های هوش مصنوعی و استفاده از مزایای متعدد آن هستند. این پذیرش سریع ضروری است، اما پذیرش و حفظ گردش‌های کاری هوش مصنوعی با چالش‌ها و ریسک‌هایی همراه است.

ریسک‌های داده

سیستم‌های هوش مصنوعی بر مجموعه‌های داده‌ای تکیه می‌کنند که ممکن است در برابر مسمومیت داده، دستکاری داده، سوگیری داده یا حملات سایبری که منجر به نقض داده می‌شوند، آسیب‌پذیر باشند. سازمان‌ها می‌توانند این ریسک‌ها را با حفاظت از یکپارچگی داده و اجرای امنیت و دسترس‌پذیری در طول چرخه عمر کامل هوش مصنوعی، از توسعه تا آموزش و استقرار و پس از استقرار، کاهش دهند.

ریسک‌های مدل

بازیگران تهدید می‌توانند مدل‌های هوش مصنوعی را برای سرقت، مهندسی معکوس یا دستکاری غیرمجاز هدف قرار دهند. مهاجمان ممکن است یکپارچگی مدل را با دستکاری معماری، وزن‌ها یا پارامترهای آن، اجزای اصلی که رفتار، دقت و عملکرد مدل را تعیین می‌کنند، به خطر بیندازند.

ریسک‌های عملیاتی

مانند همه فناوری‌ها، مدل‌ها مستعد ریسک‌های عملیاتی مانند رانش مدل، سوگیری و نقص در ساختار حاکمیت هستند. در صورت عدم رسیدگی، این ریسک‌ها می‌توانند منجر به خرابی سیستم و آسیب‌پذیری‌های امنیت سایبری شوند که بازیگران تهدید می‌توانند از آن‌ها استفاده کنند.

ریسک‌های اخلاقی و قانونی

اگر سازمان‌ها ایمنی و اخلاق را در هنگام توسعه و استقرار سیستم‌های هوش مصنوعی در اولویت قرار ندهند، خطر ارتکاب نقض حریم خصوصی و تولید نتایج مغرضانه را دارند. به عنوان مثال، داده‌های آموزشی مغرضانه مورد استفاده برای تصمیم‌گیری‌های استخدامی ممکن است کلیشه‌های جنسیتی یا نژادی را تقویت کرده و مدل‌های هوش مصنوعی را ایجاد کند که گروه‌های جمعیتی خاص را نسبت به سایرین ترجیح می‌دهند.

اخلاق و حاکمیت هوش مصنوعی

اخلاق هوش مصنوعی یک حوزه چندرشته‌ای است که به بررسی چگونگی بهینه‌سازی تأثیر مفید هوش مصنوعی در عین کاهش ریسک‌ها و پیامدهای نامطلوب می‌پردازد. اصول اخلاق هوش مصنوعی از طریق یک سیستم حاکمیت هوش مصنوعی متشکل از حفاظ‌هایی اعمال می‌شود که به اطمینان از ایمن و اخلاقی ماندن ابزارها و سیستم‌های هوش مصنوعی کمک می‌کند.

حاکمیت هوش مصنوعی شامل مکانیزم‌های نظارتی است که به ریسک‌ها رسیدگی می‌کنند. یک رویکرد اخلاقی به حاکمیت هوش مصنوعی مستلزم مشارکت طیف گسترده‌ای از ذینفعان، از جمله توسعه‌دهندگان، کاربران، سیاست‌گذاران و متخصصان اخلاق است، که به اطمینان از توسعه و استفاده از سیستم‌های مرتبط با هوش مصنوعی در راستای ارزش‌های جامعه کمک می‌کند.

در اینجا ارزش‌های رایج مرتبط با اخلاق هوش مصنوعی و هوش مصنوعی مسئولانه آورده شده است:

قابلیت توضیح و تفسیرپذیری

با پیشرفت هوش مصنوعی، انسان‌ها برای درک و ردیابی چگونگی رسیدن الگوریتم به یک نتیجه به چالش کشیده می‌شوند. هوش مصنوعی قابل توضیح مجموعه‌ای از فرآیندها و روش‌هایی است که کاربران انسانی را قادر می‌سازد نتایج و خروجی‌های ایجاد شده توسط الگوریتم‌ها را تفسیر، درک و به آن‌ها اعتماد کنند.

عدالت و شمولیت

اگرچه یادگیری ماشین، به خودی خود، نوعی تبعیض آماری است، اما تبعیض زمانی نامطلوب می‌شود که گروه‌های ممتاز را در مزیت سیستماتیک و گروه‌های غیرممتاز خاص را در ضرر سیستماتیک قرار دهد، که به طور بالقوه باعث آسیب‌های متنوع می‌شود. برای تشویق عدالت، متخصصان می‌توانند سعی کنند سوگیری الگوریتمی را در سراسر جمع‌آوری داده و طراحی مدل به حداقل برسانند و تیم‌های متنوع‌تر و فراگیرتر بسازند.

استحکام و امنیت

هوش مصنوعی مستحکم به طور موثر شرایط استثنایی، مانند ناهنجاری در ورودی یا حملات مخرب را بدون ایجاد آسیب ناخواسته مدیریت می‌کند. همچنین برای مقاومت در برابر تداخل عمدی و غیرعمدی با محافظت در برابر آسیب‌پذیری‌های آشکار ساخته شده است.

پاسخگویی و شفافیت

سازمان‌ها باید مسئولیت‌های واضح و ساختارهای حاکمیتی را برای توسعه، استقرار و نتایج سیستم‌های هوش مصنوعی اجرا کنند. علاوه بر این، کاربران باید بتوانند نحوه عملکرد یک سرویس هوش مصنوعی را ببینند، عملکرد آن را ارزیابی کنند و نقاط قوت و محدودیت‌های آن را درک کنند. افزایش شفافیت اطلاعاتی را برای مصرف‌کنندگان هوش مصنوعی فراهم می‌کند تا بهتر درک کنند که مدل یا سرویس هوش مصنوعی چگونه ایجاد شده است.

حریم خصوصی و انطباق

بسیاری از چارچوب‌های نظارتی، از جمله GDPR، سازمان‌ها را ملزم می‌کنند که هنگام پردازش اطلاعات شخصی از اصول حریم خصوصی خاصی پیروی کنند. محافظت از مدل‌های هوش مصنوعی که ممکن است حاوی اطلاعات شخصی باشند، کنترل داده‌هایی که در وهله اول وارد مدل می‌شوند و ساخت سیستم‌های سازگار که می‌توانند با تغییرات در مقررات و نگرش‌ها در مورد اخلاق هوش مصنوعی سازگار شوند، بسیار مهم است.

هوش مصنوعی ضعیف در مقابل هوش مصنوعی قوی

به منظور زمینه‌سازی استفاده از هوش مصنوعی در سطوح مختلف پیچیدگی و پیشرفت، محققان چندین نوع هوش مصنوعی را تعریف کرده‌اند که به سطح پیشرفت آن اشاره دارد:

هوش مصنوعی ضعیف: که به عنوان “هوش مصنوعی باریک” نیز شناخته می‌شود، سیستم‌های هوش مصنوعی را تعریف می‌کند که برای انجام یک کار خاص یا مجموعه‌ای از کارها طراحی شده‌اند. نمونه‌ها ممکن است شامل برنامه‌های دستیار صوتی “هوشمند”، مانند الکسای آمازون، سیری اپل، یک ربات چت رسانه‌های اجتماعی یا وسایل نقلیه خودران وعده داده شده توسط تسلا باشد.

هوش مصنوعی قوی: که به عنوان “هوش مصنوعی عمومی” (AGI) یا “هوش مصنوعی عمومی” نیز شناخته می‌شود، توانایی درک، یادگیری و اعمال دانش در طیف گسترده‌ای از وظایف را در سطحی برابر یا فراتر از هوش انسانی دارد. این سطح از هوش مصنوعی در حال حاضر نظری است و هیچ سیستم هوش مصنوعی شناخته شده‌ای به این سطح از پیشرفت نزدیک نمی‌شود. محققان استدلال می‌کنند که اگر AGI حتی امکان‌پذیر باشد، نیاز به افزایش عمده‌ای در قدرت محاسباتی دارد. علی‌رغم پیشرفت‌های اخیر در توسعه هوش مصنوعی، سیستم‌های هوش مصنوعی خودآگاه علمی تخیلی همچنان به طور قاطع در آن قلمرو باقی می‌مانند.

تاریخچه هوش مصنوعی

ایده “ماشینی که فکر می‌کند” به یونان باستان برمی‌گردد. اما از زمان ظهور محاسبات الکترونیکی (و در رابطه با برخی از موضوعات مورد بحث در این مقاله) رویدادها و نقاط عطف مهم در تکامل هوش مصنوعی شامل موارد زیر است:

1950

آلن تورینگ مقاله “ماشین‌های محاسباتی و هوش” را منتشر می‌کند. در این مقاله، تورینگ که به دلیل شکستن کد ENIGMA آلمان در طول جنگ جهانی دوم مشهور است و اغلب به عنوان “پدر علوم کامپیوتر” از او یاد می‌شود، این سوال را می‌پرسد: “آیا ماشین‌ها می‌توانند فکر کنند؟”

از آنجا، او آزمایشی را ارائه می‌دهد که اکنون به طور مشهور به عنوان “آزمون تورینگ” شناخته می‌شود، جایی که یک بازجو انسانی سعی می‌کند بین پاسخ متنی رایانه و انسان تمایز قائل شود. در حالی که این آزمون از زمان انتشار آن مورد بررسی‌های زیادی قرار گرفته است، اما همچنان بخش مهمی از تاریخ هوش مصنوعی و یک مفهوم مداوم در فلسفه باقی می‌ماند، زیرا از ایده‌های مربوط به زبان‌شناسی استفاده می‌کند.

1956

جان مک‌کارتی اصطلاح “هوش مصنوعی” را در اولین کنفرانس هوش مصنوعی در کالج دارتموث ابداع می‌کند. (مک‌کارتی زبان Lisp را اختراع کرد.) بعداً در همان سال، آلن نیول، جی.سی. شاو و هربرت سیمون نظریه‌پرداز منطق را ایجاد می‌کنند، اولین برنامه رایانه‌ای هوش مصنوعی در حال اجرا.

1967

فرانک روزنبلات، پرسپترون مارک 1 را می‌سازد، اولین رایانه مبتنی بر شبکه عصبی که از طریق آزمون و خطا “یاد می‌گرفت”. فقط یک سال بعد، ماروین مینسکی و سیمور پاپرت کتابی با عنوان “پرسپترون‌ها” منتشر می‌کنند که هم به عنوان اثر برجسته در زمینه شبکه‌های عصبی و هم، حداقل برای مدتی، به عنوان استدلالی علیه ابتکارات تحقیقاتی آتی شبکه‌های عصبی تبدیل می‌شود.

1980

شبکه‌های عصبی، که از الگوریتم پس‌انتشار برای آموزش خود استفاده می‌کنند، به طور گسترده در کاربردهای هوش مصنوعی مورد استفاده قرار گرفتند.

1995

استوارت راسل و پیتر نورویگ کتاب “هوش مصنوعی: رویکردی مدرن” را منتشر می‌کنند که به یکی از کتاب‌های درسی پیشرو در مطالعه هوش مصنوعی تبدیل می‌شود. در آن، آن‌ها به چهار هدف یا تعریف بالقوه هوش مصنوعی می‌پردازند که سیستم‌های رایانه‌ای را بر اساس عقلانیت و تفکر در مقابل عمل متمایز می‌کند.

1997

دیپ بلو IBM، گری کاسپاروف، قهرمان وقت شطرنج جهان را در یک مسابقه شطرنج (و مسابقه مجدد) شکست می‌دهد.

2004

جان مک‌کارتی مقاله‌ای با عنوان “هوش مصنوعی چیست؟” می‌نویسد و یک تعریف اغلب نقل‌شده از هوش مصنوعی را پیشنهاد می‌کند. در این زمان، عصر کلان‌داده و رایانش ابری در حال آغاز است و سازمان‌ها را قادر می‌سازد تا مجموعه‌های داده‌ای بزرگ‌تر را مدیریت کنند، که روزی برای آموزش مدل‌های هوش مصنوعی مورد استفاده قرار خواهند گرفت.

2011

IBM واتسون® قهرمانان کن جنینگز و برد روتر را در مسابقه “جپردی!” شکست می‌دهد. همچنین، در این زمان، علم داده به عنوان یک رشته محبوب در حال ظهور است.

2015

ابررایانه مینوای بایدو از یک شبکه عصبی عمیق ویژه به نام شبکه عصبی کانولوشنال برای شناسایی و طبقه‌بندی تصاویر با نرخ دقت بالاتر از میانگین انسان استفاده می‌کند.

2016

برنامه آلفاگو DeepMind، که توسط یک شبکه عصبی عمیق تغذیه می‌شود، لی سدول، قهرمان جهانی بازی گو را در یک مسابقه پنج‌گیمه شکست می‌دهد. این پیروزی با توجه به تعداد زیاد حرکات احتمالی در طول پیشرفت بازی (بیش از 14.5 تریلیون پس از فقط چهار حرکت) قابل توجه است. بعداً، گوگل DeepMind را با مبلغ گزارش شده 400 میلیون دلار آمریکا خریداری کرد.

2022

ظهور مدل‌های زبانی بزرگ یا LLMها، مانند ChatGPT OpenAI، تغییری عظیم در عملکرد هوش مصنوعی و پتانسیل آن برای ایجاد ارزش سازمانی ایجاد می‌کند. با این شیوه‌های هوش مصنوعی مولد جدید، مدل‌های یادگیری عمیق می‌توانند بر روی مقادیر زیادی از داده‌ها پیش‌آموزش شوند.

2024

آخرین روندهای هوش مصنوعی به یک رنسانس مداوم هوش مصنوعی اشاره دارد. مدل‌های چندوجهی که می‌توانند انواع مختلفی از داده‌ها را به عنوان ورودی دریافت کنند، تجربیات غنی‌تر و قوی‌تری را ارائه می‌دهند. این مدل‌ها قابلیت‌های بینایی رایانه‌ای تشخیص تصویر و پردازش زبان طبیعی تشخیص گفتار را با هم ترکیب می‌کنند. مدل‌های کوچک‌تر نیز در عصر بازدهی نزولی با مدل‌های عظیم با تعداد پارامترهای زیاد، پیشرفت‌هایی را حاصل می‌کنند.