هوش مصنوعی چیست؟

هوش مصنوعی

هوش مصنوعی چیست؟

هوش مصنوعی (AI) شاخه ای وسیع از علوم رایانه است که با ساخت ماشین های هوشمند قادر به انجام وظایفی که به طور معمول به هوش انسان نیاز دارند ، توجه دارد.

 

چهار نوع هوش مصنوعی وجود دارد:

ماشین های واکنشی (Reactive Machines)

حافظه محدود (Limited Memory)

نظریه ذهن  (Theory of Mind)

خودآگاهی (Self-Awarnes)

 

هوش مصنوعی چگونه کار می کند؟

هوش مصنوعی

رویکردها و مفاهیم هوش مصنوعی
کمتر از یک دهه پس از شکست  رمز  دستگاه رمزنگاری نازی Enigma و کمک به نیروهای متفقین در پیروزی در جنگ جهانی دوم ، ریاضیدان آلن تورینگ با یک سوال ساده بار دیگر تاریخ را تغییر داد: “آیا ماشین ها می توانند فکر کنند؟”

مقاله تورینگ “ماشینهای محاسباتی و هوش” (1950) و آزمون تورینگ بعدی آن ، هدف و چشم انداز اساسی هوش مصنوعی را تعیین کرد. در اصل ، هوش مصنوعی شاخه ای از علوم کامپیوتر است که هدف آن پاسخ مثبت به سوال آلن  تورینگ است. این تلاش برای تکرار یا شبیه سازی هوش انسان در ماشین ها است.  هدف گسترده هوش مصنوعی پرسش ها و بحث های زیادی را به وجود آورده است. آنقدر که هیچ تعریف واحدی از این حوزه به طور جهانی پذیرفته نیست.

 

آیا ماشین ها می توانند فکر کنند؟ – آلن تورینگ ، 1950

 

محدودیت اصلی در تعریف هوش مصنوعی به عنوان “ساخت ماشین های هوشمند” این است که در واقع توضیح نمی دهد هوش مصنوعی چیست؟ چه چیزی ماشین را هوشمند می کند؟ هوش مصنوعی یک علم بین رشته ای با رویکردهای متعدد است ، اما پیشرفت در یادگیری ماشین و یادگیری عمیق باعث ایجاد تغییر پارادایم در تقریباً هر بخش از صنعت فناوری می شود.

 

استوارت راسل و پیتر نورویگ ، در کتاب درسی پیشگامانه خود هوش مصنوعی: “رویکردی مدرن” ، با یکپارچه سازی کار خود پیرامون موضوع عوامل هوشمند در ماشین ها به این پرسش نزدیک می شوند. با این اوصاف ، هوش مصنوعی (هوش مصنوعی چیست)”مطالعه عوامل است که از محیط درک می کنند و اقدامات را انجام می دهند.” (راسل و نورویگ viii)

نورویگ و راسل در ادامه به بررسی چهار رویکرد متفاوت می پردازند که به طور تاریخی زمینه هوش مصنوعی را تعریف کرده اند:

  • انسانی فکر کردن
  • منطقی فکر کردن
  • رفتار انسانی
  • منطقی عمل کردن

دو ایده اول به فرایندهای تفکر و استدلال مربوط می شود ، در حالی که دیگران به رفتار می پردازند. نورویگ و راسل به ویژه بر عوامل منطقی که برای دستیابی به بهترین نتیجه عمل می کنند تمرکز می کنند و خاطرنشان می کنند “همه مهارت های مورد نیاز برای آزمون تورینگ همچنین به یک نماینده اجازه می دهد تا منطقی عمل کند.” (راسل و نورویگ 4).

مقالات شرکت پرتوتاپ رایان

پاتریک وینستون ، استاد هوش مصنوعی و علوم کامپیوتر در MIT ، هوش مصنوعی را اینگونه تعریف می کند: “الگوریتم های فعال شده توسط محدودیت ها ، نشان داده شده از مدل هایی که حلقه هایی را که تفکر ، ادراک و عمل را به هم پیوند می دهند ، پشتیبانی می کند.”

در حالی که ممکن است این تعاریف برای افراد عادی انتزاعی به نظر برسند ، اما به تمرکز این حوزه به عنوان حوزه ای از علوم رایانه و ارائه نقشه ای برای تزریق ماشین ها و برنامه ها با یادگیری ماشین و سایر زیر مجموعه های هوش مصنوعی کمک می کند.

چهار نوع هوش مصنوعی

ماشین های واکنشی Reactive Machines

 

یک ماشین واکنشی از اساسی ترین اصول هوش مصنوعی پیروی می کند و همانطور که از نامش پیداست ، قادر است فقط از هوش خود برای درک و واکنش نسبت به جهان روبرو استفاده کند. یک ماشین واکنشی نمی تواند یک حافظه را ذخیره کند و در نتیجه نمی تواند به تجربیات گذشته تکیه کند تا تصمیم گیری را در زمان واقعی اطلاع دهد.

 

درک مستقیم جهان به این معنی است که ماشینهای واکنشی طوری طراحی شده اند که تنها تعداد محدودی از وظایف تخصصی را انجام دهند. محدود کردن عمدی جهان بینی یک ماشین واکنش گرا هیچ گونه اقدامی برای کاهش هزینه نیست و در عوض به این معنی است که این نوع هوش مصنوعی(هوش مصنوعی چیست) قابل اعتمادتر و قابل اطمینان تر است-هر بار به همان محرک ها یکسان واکنش نشان می دهد.

 

یک نمونه مشهور از ماشین واکنشی Deep Blue است که توسط IBM در دهه 1990 به عنوان یک ابر رایانه شطرنج طراحی شد و در یک بازی ، گری کاسپاروف ، استاد بزرگ بین المللی را شکست داد. دیپ بلو فقط قادر بود مهره ها را روی یک صفحه شطرنج تشخیص دهد و بداند که چگونه هر کدام بر اساس قوانین شطرنج حرکت می کند ، موقعیت فعلی هر مهره را تصدیق کرده و منطقی ترین حرکت در آن لحظه را تعیین کند. رایانه حرکات احتمالی آینده حریف خود را دنبال نمی کرد یا سعی نمی کرد قطعات خود را در موقعیت بهتری قرار دهد.

هر دور به عنوان واقعیت خاص خود ، جدا از هر حرکت دیگری که قبلاً انجام شده بود ، تلقی می شد.

 

یکی دیگر از نمونه های دستگاه واکنش گرا بازی AlphaGo گوگل است. AlphaGo همچنین قادر به ارزیابی حرکتهای آینده نیست اما برای ارزیابی پیشرفت های بازی فعلی به شبکه عصبی خود متکی است و در بازی پیچیده تر به برتری آبی عمیق می پیوندد. AlphaGo همچنین با شکست دادن قهرمان Go بازیکن Le Sedol در سال 2016 ، از رقبای این بازی در سطح جهانی برتر شد.

 

هوش مصنوعی ماشین واکنش گرچه محدوده محدودی دارد و به راحتی قابل تغییر نیست ، اما می تواند به سطحی از پیچیدگی برسد و هنگامی که برای انجام کارهای تکراری ایجاد شود ، قابلیت اطمینان را ارائه می دهد.

حافظه محدود Limited Memory

حافظه مصنوعی با حافظه محدود این قابلیت را دارد که داده ها و پیش بینی های قبلی را هنگام جمع آوری اطلاعات و سنجش تصمیمات احتمالی ذخیره کند – اساساً در گذشته به دنبال سرنخ هایی در مورد موارد بعدی باشید. هوش مصنوعی با حافظه محدود پیچیده تر است و امکانات بیشتری را نسبت به ماشین های واکنشی ارائه می دهد.

 

هوش مصنوعی (هوش مصنوعی چیست)با حافظه محدود زمانی ایجاد می شود که یک تیم مدلی را در زمینه تجزیه و تحلیل و استفاده از داده های جدید آموزش می دهد یا محیط هوش مصنوعی ایجاد می 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 بتواند پیش بینی کند ، مدل باید بتواند بازخورد انسانی یا محیطی را دریافت کند ، که بازخورد باید به عنوان داده ذخیره شود و این مراحل باید به صورت یک چرخه تکرار شود.

 

سه مدل اصلی یادگیری ماشین وجود دارد که از حافظه مصنوعی محدود استفاده می کنند:

 

یادگیری تقویتی ، که می آموزد پیش بینی های بهتری را از طریق آزمایش و خطای مکرر انجام دهد.

حافظه کوتاه مدت بلند (LSTM) ، که از داده های گذشته برای پیش بینی مورد بعدی در یک دنباله استفاده می کند. LTSM ها اطلاعات بیشتری را در هنگام پیش بینی و تخفیف داده های بیشتر در گذشته مهم ترین می دانند ، اگرچه هنوز از آنها برای نتیجه گیری استفاده می کنند

شبکه های تکاملی جنبشی مخالف (E-GAN) ، که با گذشت زمان تکامل می یابد و با هر تصمیم جدید ، مسیرهای کمی تغییر یافته را بر اساس تجربیات قبلی کاوش می کند. این مدل دائماً در جستجوی راهی بهتر است و از شبیه سازی و آمار یا شانس برای پیش بینی نتایج در چرخه جهش تکاملی خود استفاده می کند.

نظریه ذهن Theory of Mind

نظریه ذهن فقط این است – نظری. ما هنوز به قابلیت های تکنولوژیکی و علمی لازم برای دستیابی به این سطح بعدی از هوش مصنوعی دست نیافته ایم.

 

این مفهوم مبتنی بر فرض روانشناختی است که درک می کند سایر موجودات زنده دارای افکار و احساساتی هستند که بر رفتار خود تأثیر می گذارد. از نظر ماشین های هوش مصنوعی(هوش مصنوعی چیست) ، این بدان معناست که هوش مصنوعی می تواند درک کند که چگونه انسانها ، حیوانات و ماشینهای دیگر احساس می کنند و از طریق خوداندیشی و تصمیم گیری تصمیم می گیرند و سپس از این اطلاعات برای تصمیم گیری خود استفاده می کنند. در اصل ، ماشین ها باید بتوانند مفهوم “ذهن” ، نوسانات احساسات در تصمیم گیری و مجموعه ای از مفاهیم روانشناختی دیگر را در زمان واقعی درک کرده و پردازش کنند ، که یک رابطه دو طرفه بین مردم و هوش مصنوعی ایجاد می کند.

خودآگاهی Self-awareness

 

هوش مصنوعی

هنگامی که نظریه ذهن در هوش مصنوعی تثبیت شد ، در آینده ای نه چندان دور ، آخرین مرحله این است که هوش مصنوعی خودآگاه شود. این نوع هوش مصنوعی دارای آگاهی در سطح انسان است و وجود خود را در جهان و همچنین حضور و وضعیت عاطفی دیگران را درک می کند. این می تواند بفهمد که دیگران ممکن است بر اساس آنچه آنها با آنها ارتباط برقرار می کنند ، بلکه نحوه ارتباط آنها با آنها را درک کنند.

خودآگاهی در هوش مصنوعی هم متکی بر این است که محققان فرضیه آگاهی را درک کرده و سپس یاد می گیرند که چگونه آن را در ماشین ها بسازند.

موارد استفاده ، مثالها + برنامه ها

هوش مصنوعی

جرمی آچین ، مدیرعامل DataRobot ، هنگام سخنرانی در جمع مردم در نمایشگاه هوش مصنوعی ژاپن در سال 2017 ، سخنرانی خود را با ارائه تعریف زیر از نحوه استفاده از هوش مصنوعی امروز آغاز کرد:
“هوش مصنوعی یک سیستم کامپیوتری است که قادر به انجام وظایفی است که معمولاً به هوش انسان نیاز دارد … بسیاری از این سیستم های هوش مصنوعی از یادگیری ماشینی استفاده می کنند ، برخی از آنها با یادگیری عمیق و برخی دیگر از چیزهای بسیار خسته کننده مانند قوانین استفاده می کنند. .

اخبار شرکت پرتوتاپ رایان

هوش مصنوعی به طور کلی به دو دسته کلی تقسیم می شود:

1 . هوش مصنوعی باریک Narrow AI : گاهی اوقات به عنوان “هوش مصنوعی”(هوش مصنوعی چیست) نامیده می شود ، این نوع هوش مصنوعی در یک زمینه محدود عمل می کند و شبیه سازی هوش انسان است. هوش مصنوعی باریک اغلب بر انجام یک کار واحد بسیار خوب متمرکز است و اگرچه ممکن است این ماشینها هوشمند به نظر برسند ، اما تحت محدودیتها و محدودیتهای بسیار بیشتری حتی از ابتدایی ترین هوش انسانی کار می کنند.

2 . هوش مصنوعی عمومی (AGI): AGI ، که گاهی اوقات به عنوان “هوش مصنوعی قوی” نیز شناخته می شود ، نوعی هوش مصنوعی است که در فیلم ها می بینیم ، مانند روبات های Westworld یا Data from Star Trek: The Next Generation. AGI یک ماشین با هوش عمومی است و مانند یک انسان ، می تواند از این هوش برای حل هر مشکلی استفاده کند.

هوش مصنوعی باریک

هوش مصنوعی باریک در اطراف ما وجود دارد و به راحتی موفق ترین تحقق هوش مصنوعی تا به امروز است. بر اساس “آماده سازی برای آینده هوش مصنوعی” ، Narrow AI با تمرکز بر انجام وظایف خاص ، در دهه گذشته پیشرفت های زیادی را تجربه کرده است که “مزایای اجتماعی قابل توجهی داشته و به نشاط اقتصادی کشور کمک کرده است”. گزارش سال 2016 توسط دولت اوباما منتشر شد.

چند نمونه از هوش مصنوعی باریک عبارتند از:

1 . جستجوی گوگل

2 . نرم افزار تشخیص تصویر

3 . سیری ، الکسا و سایر دستیاران شخصی

4 . اتومبیل های خودران

5 . واتسون IBM

یادگیری ماشین و یادگیری عمیق Machine Learning & Deep Learning

 

بسیاری از هوش مصنوعی باریک با پیشرفت هایی در یادگیری ماشین و یادگیری عمیق تأمین می شود. درک تفاوت بین هوش مصنوعی ، یادگیری ماشینی و یادگیری عمیق می تواند گیج کننده باشد. فرانک چن ، سرمایه گذار خطرپذیر ، مروری خوب بر نحوه تمایز بین آنها ارائه می دهد و خاطرنشان می کند:

“هوش مصنوعی(هوش مصنوعی چیست) مجموعه ای از الگوریتم ها و هوش برای تلاش برای تقلید از هوش انسان است. یادگیری ماشین یکی از آنهاست و یادگیری عمیق یکی از آن تکنیک های یادگیری ماشین است.”

به زبان ساده ، یادگیری ماشینی داده های رایانه را تغذیه می کند و از تکنیک های آماری برای کمک به “یادگیری” نحوه پیشرفت تدریجی در یک کار ، بدون برنامه ریزی خاص آن کار ، استفاده می کند و نیاز به میلیون ها خط کد نوشتاری را از بین می برد. یادگیری ماشین شامل یادگیری تحت نظارت (با استفاده از مجموعه داده های دارای برچسب) و یادگیری بدون نظارت (با استفاده از مجموعه داده های بدون برچسب) است.

یادگیری عمیق نوعی از یادگیری ماشین است که ورودی ها را از طریق معماری شبکه عصبی با الهام از بیولوژیکی اجرا می کند. شبکه های عصبی شامل تعدادی لایه پنهان است که داده ها از طریق آنها پردازش می شود و به دستگاه اجازه می دهد تا در یادگیری خود “عمیق” شده و ارتباطات را ایجاد کرده و وزن را برای بهترین نتایج ایجاد کند.

هوش عمومی مصنوعی  Artificial General Intelligence

ایجاد ماشینی با هوش در سطح انسان که بتواند در هر کاری کاربرد داشته باشد ، برای بسیاری از محققان هوش مصنوعی مقدس است ، اما جستجوی AGI با دشواری همراه بوده است.

جستجوی “الگوریتم جهانی برای یادگیری و عمل در هر محیطی” (راسل و نورویگ 27) چیز جدیدی نیست ، اما زمان مشکل ایجاد یک ماشین با مجموعه ای کامل از توانایی های شناختی را کاهش نداده است.

AGI مدتهاست که موز داستان های علمی تخیلی است ، که در آن روباتهای فوق هوشمند بر بشریت غلبه می کنند ، اما کارشناسان معتقدند این چیزی نیست که ما به زودی نگران آن باشیم.

تاریخچه

تاریخچه مختصر هوش مصنوعی(هوش مصنوعی چیست)

روبات های هوشمند و موجودات مصنوعی برای اولین بار در اسطوره های یونان باستان در دوران باستان ظاهر شدند. توسعه قیاس گرایی ارسطو و استفاده از استدلال قیاسی یک لحظه کلیدی در تلاش بشر برای درک هوش خود بود. در حالی که ریشه ها طولانی و عمیق هستند ، تاریخچه هوش مصنوعی آنطور که ما امروز فکر می کنیم کمتر از یک قرن را شامل می شود. در زیر نگاهی گذرا به برخی از مهمترین رویدادهای هوش مصنوعی است.

دهه 1940

1 . (1943) وارن مک کالو و والتر پیتس “محاسبه منطقی ایده ها در فعالیت عصبی” را منتشر می کنند. این مقاله اولین مدل ریاضی را برای ایجاد یک شبکه عصبی پیشنهاد کرد.

2 . (1949) دونالد هب در کتاب خود سازمان رفتار: نظریه عصب روانشناختی این نظریه را ارائه می دهد که مسیرهای عصبی از تجربیات ایجاد می شود و ارتباطات بین نورونها هرچه بیشتر مورد استفاده قرار می گیرد قوی تر می شود. یادگیری هبیان همچنان یک مدل مهم در هوش مصنوعی است.

دهه 1950

1 . (1950) آلن تورینگ “ماشین های محاسباتی و هوش” را منتشر می کند ، چیزی را که امروزه به نام آزمون تورینگ شناخته می شود ، پیشنهاد می کند ، روشی برای تعیین اینکه آیا یک ماشین هوشمند است.

2 . (1950) فارغ التحصیلان دانشگاه هاروارد ماروین مینسکی و دین ادموندز SNARC ، اولین کامپیوتر شبکه عصبی را ساختند.

3 . (1950) کلود شانون مقاله “برنامه نویسی کامپیوتر برای بازی شطرنج” را منتشر می کند.

4 . (1950) ایزاک آسیموف “سه قانون روباتیک” را منتشر می کند.

5 . (1952) آرتور ساموئل یک برنامه خودآموزی برای بازی چکرز ایجاد می کند.

6 . (1954) آزمایش ترجمه ماشینی جورج تاون-آی بی ام به طور خودکار 60 جمله روسی را که با دقت انتخاب شده اند به انگلیسی ترجمه می کند.

7 . (1956) عبارت هوش مصنوعی در “پروژه تحقیقاتی تابستانی دارتموث در زمینه هوش مصنوعی” ابداع شده است. این کنفرانس که دامنه و اهداف هوش مصنوعی را مشخص کرد ، به رهبری جان مک کارتی ، به عنوان تولد هوش مصنوعی به عنوان آنچه که امروزه می شناسیم ، تلقی می شود.

8 . (1956) آلن نیوئل و هربرت سایمون تئوریسین منطق (LT) ، اولین برنامه استدلال را نشان می دهند.

9 . (1958) جان مک کارتی زبان برنامه نویسی Lisp را توسعه می دهد و مقاله “برنامه هایی با عقل سلیم” را منتشر می کند. این مقاله فرضیه Advice Taker را پیشنهاد کرد ، یک سیستم هوش مصنوعی کامل با توانایی یادگیری از تجربه به همان اندازه که انسانها انجام می دهند.

10 . (1959) آلن نیول ، هربرت سیمون و جی سی شاو برنامه حل مشکل عمومی (GPS) را توسعه می دهند ، برنامه ای که برای تقلید از حل مشکلات انسان طراحی شده است.

11 . (1959) هربرت گلرنتر برنامه اثبات قضیه هندسه را توسعه می دهد.

12 . (1959) آرتور ساموئل اصطلاح یادگیری ماشین را در IBM به کار می برد.

13 . (1959) جان مک کارتی و ماروین مینسکی پروژه هوش مصنوعی MIT را تاسیس کردند.

دهه 1960

1 . (1963) جان مک کارتی آزمایشگاه هوش مصنوعی را در استنفورد راه اندازی می کند.

2 . (1966) گزارش کمیته مشورتی پردازش خودکار زبان (ALPAC) توسط دولت ایالات متحده عدم پیشرفت در تحقیقات ترجمه ماشینی ، یک ابتکار بزرگ جنگ سرد با وعده ترجمه خودکار و آنی زبان روسی را توضیح می دهد. گزارش ALPAC منجر به لغو کلیه پروژه های MT توسط دولت می شود.

3 . (1969) اولین سیستم های متخصص موفق در DENDRAL ، یک برنامه XX ، و MYCIN ، طراحی شده برای تشخیص عفونت های خون ، در استنفورد ایجاد شده است.

دهه 1970

1 . (1972) زبان برنامه نویسی منطقی PROLOG ایجاد شده است.

2 . (1973) “گزارش Lighthill” ، با جزئیات ناامیدی در تحقیقات هوش مصنوعی ، توسط دولت انگلیس منتشر می شود و منجر به کاهش شدید بودجه پروژه های هوش مصنوعی می شود.

3 . (1974-1980) سرخوردگی از پیشرفت توسعه هوش مصنوعی منجر به کاهش عمده DARPA در کمک های تحصیلی می شود. در ترکیب با گزارش قبلی ALPAC و سال گذشته “گزارش Lighthill” ، بودجه هوش مصنوعی خشک می شود و تحقیقات متوقف می شود. این دوره به عنوان “اولین زمستان هوش مصنوعی” شناخته می شود.

دهه 1980

1 . (1980) شرکت Digital Equipment Corporation R1 (همچنین به عنوان XCON شناخته می شود) ، اولین سیستم تجاری موفق تجاری را توسعه می دهد. R1 که برای پیکربندی سفارشات برای سیستم های کامپیوتری جدید طراحی شده است ، رونق سرمایه گذاری در سیستم های متخصص را آغاز می کند که بیشتر دهه طول خواهد کشید و عملاً اولین “زمستان هوش مصنوعی” را خاتمه می دهد.

2 . (1982) وزارت تجارت و صنعت بین المللی ژاپن پروژه بلند پروازانه سیستم های رایانه ای نسل پنجم را راه اندازی می کند. هدف FGCS توسعه عملکردی شبیه به ابر رایانه و بستری برای توسعه هوش مصنوعی است.

3 . (1983) در پاسخ به FGCS ژاپن ، دولت ایالات متحده ابتکار محاسبه استراتژیک را برای ارائه تحقیقات با بودجه DARPA در محاسبات پیشرفته و هوش مصنوعی آغاز می کند.

4 . (1985) شرکت ها بیش از یک میلیارد دلار در سال برای سیستم های متخصص هزینه می کنند و کل صنعت معروف به بازار ماشین های Lisp برای حمایت از آنها به راه می افتد. شرکت هایی مانند Symbolics و Lisp Machines Inc. رایانه های تخصصی برای کار با زبان برنامه نویسی Lisp Lisp ایجاد می کنند.

5 . (1987-1993) با پیشرفت فناوری محاسبات ، جایگزین های ارزان تری پدیدار شد و بازار ماشین های Lisp در سال 1987 سقوط کرد و “زمستان دوم هوش مصنوعی” را آغاز کرد. در این دوره ، نگهداری از سیستم های متخصص بسیار گران تمام شد .


محصولات شرکت دانش بنیان پرتوتاپ رایان

برای دریافت اطلاعات بیشتر وارد شوید و فرم های زیر را تکمیل بفرمایید

مشاوره

ورود بیشتر بدانید

آموزش

ورود بیشتر بدانید

اشتراک گذاری / مقالات و اخبار دیگر

[/row] [/section]

دیدگاهتان را بنویسید