هوش مصنوعی چیست

معرفی هوش مصنوعی

از آنجایی که هوش مصنوعی AI به تکنیک‌ها و زمینه‌های زیادی اشاره دارد، برای برگزاری بحث‌های معنادار و سازنده در مورد آن، دقت بیشتری لازم است.

برای مثال، استدلال‌های مربوط به «سیستم‌های خبره» ساده‌ای که در نقش‌های مشاوره استفاده می‌شوند، باید آن‌هایی را که مربوط به الگوریتم‌های پیچیده داده‌محور هستند که به‌طور خودکار تصمیم‌های مربوط به افراد را اجرا می‌کنند، متمایز کرد.

به طور مشابه، مهم است که بحث‌های مربوط به تحولات آتی که ممکن است هرگز رخ ندهند، از استدلال‌های مربوط به هوش مصنوعی فعلی که جامعه امروز را تحت تأثیر قرار می‌دهند، متمایز کنیم.

هوش مصنوعی چگونه کار می کند؟

در ادامه به بررسی هوش مصنوعی برای برخی از تکنیک های کلیدی که در زیر پرچم هوش مصنوعی قرار دارند را ارائه می شود. آنها به سه گروه تقسیم بندی می شوند که بر اساس جدول زمانی است. که عبارتند از:

• هوش مصنوعی نمادین
• هوش مصنوعی یادگیری آماری
• هوش مصنوعی «قوی» یا «عمومی»

موج اول هوش مصنوعی

موج اول تکنیک‌های اولیه هوش مصنوعی به عنوان «هوش مصنوعی نمادین» یا سیستم‌های خبره شناخته می‌شود. در اینجا، متخصصان انسانی رویه‌های دقیق مبتنی بر قوانین را ایجاد می‌کنند – معروف به «الگوریتم‌ها» – که یک کامپیوتر می‌تواند قدم به قدم آن‌ها را دنبال کند تا تصمیم بگیرد که چگونه هوشمندانه به یک موقعیت خاص پاسخ دهد.

منطق فازی گونه‌ای از رویکرد است که سطوح مختلف اطمینان را در مورد یک موقعیت امکان‌پذیر می‌کند، که برای گرفتن دانش شهودی مفید است، به طوری که الگوریتم می‌تواند در مواجهه با متغیرهای گسترده و نامشخصی که با یکدیگر تعامل دارند، تصمیم‌های خوبی بگیرد.

اما هوش مصنوعی نمادین در برخی مواقع بهتر عمل می‌کند. در حالی که این روش‌ها می‌توانند قدیمی به نظر برسند، اما بسیار مرتبط باقی می‌مانند و همچنان با موفقیت در چندین حوزه اعمال می‌شوند و نام مستعار "هوش مصنوعی خوب قدیمی" را به خود اختصاص داده‌اند.

موج دوم هوش مصنوعی

موج دوم هوش مصنوعی شامل رویکردهای جدیدتر «داده محور» است که در دو دهه گذشته به سرعت توسعه یافته اند و تا حد زیادی مسئول تجدید حیات هوش مصنوعی فعلی هستند. اینها فرآیند یادگیری الگوریتم‌ها را خودکار می‌کنند و متخصصان انسانی موج اول هوش مصنوعی را دور می‌زنند.

شبکه های عصبی مصنوعی (ANN) از عملکرد مغز الهام گرفته شده اند. ورودی ها به سیگنال هایی تبدیل می شوند که از طریق شبکه ای از نورون های مصنوعی عبور می کنند تا خروجی هایی تولید کنند که به عنوان پاسخ به ورودی ها تفسیر می شوند. افزودن سلول‌های عصبی و لایه‌های بیشتر به شبکه‌های عصبی مصنوعی اجازه می‌دهد تا با مشکلات پیچیده‌تری مقابله کنند. یادگیری عمیق به سادگی به شبکه های عصبی مصنوعی با چندین لایه اشاره دارد.

یادگیری ماشینی (ML) به تغییر شبکه اشاره دارد به طوری که این خروجی ها پاسخ های مفید – یا هوشمند – به ورودی ها در نظر گرفته شوند. الگوریتم‌های ML می‌توانند این فرآیند یادگیری را با ایجاد بهبودهای تدریجی در شبکه‌های عصبی مصنوعی منفرد، یا با استفاده از اصول تکاملی برای ایجاد پیشرفت‌های تدریجی در جمعیت‌های بزرگ شبکه‌های عصبی مصنوعی، خودکار کنند.

موج سوم هوش مصنوعی

موج سوم هوش مصنوعی به امواج احتمالی آینده هوش مصنوعی اشاره دارد. در حالی که تکنیک‌های موج اول و دوم به‌عنوان هوش مصنوعی ضعیف یا باریک توصیف می‌شوند به این معنا که می‌توانند هوشمندانه در کارهای خاص رفتار کنند، هوش مصنوعی «قوی» یا «عمومی» به الگوریتم‌هایی اشاره دارد که می‌توانند هوش را در طیف وسیعی از زمینه‌ها نشان دهند.

فضاهای مشکل ساز چنین هوش مصنوعی عمومی (AGI) با فناوری فعلی امکان پذیر نیست و به پیشرفت تغییر پارادایم نیاز دارد. برخی از رویکردهای بالقوه از جمله روش‌های تکاملی پیشرفته، محاسبات کوانتومی و شبیه‌سازی مغز در نظر گرفته شده‌اند. سایر اشکال هوش مصنوعی آینده نگرانه مانند هوش مصنوعی خود توضیحی و متنی می توانند در جاه طلبی های خود ساده به نظر برسند، اما تأثیر بالقوه آنها - و موانع اجرای آنها - را نباید دست کم گرفت.

چرا هوش مصنوعی اهمیت دارد؟

چندین چالش با هوش مصنوعی امروزی همراه است. به طور کلی، آنها را می توان به عنوان یک عمل متعادل کننده بین دو مسئله اجتناب از استفاده:

• ناکافی که به موجب آن فرصت های بالقوه را از دست می دهیم و
• بیش از حد که به موجب آن هوش مصنوعی برای کارهایی که مناسب نیست یا منجر به نتایج مشکل ساز می شود، به کار برده می شود.

فرآیند ML یا یادگیری ماشینی برخی از الگوریتم ها را در برابر سوگیری آسیب پذیر می کند و پیچیدگی آنها درک و توضیح منطق تصمیم گیری آنها را دشوار می کند. چالش‌های مهمی در

• حصول اطمینان از توزیع یکنواخت هزینه‌ها و مزایای هوش مصنوعی
• اجتناب از تمرکز منابع در بازارهای غیررقابتی
• اولویت‌بندی برنامه‌هایی که به جای تشدید نابرابری‌های ساختاری موجود را کاهش می‌دهند

وجود دارد. چالش‌های کلیدی دیگر شامل

• مقبولیت عمومی این فناوری،
• همسویی آن با ارزش‌های اجتماعی
• نگرانی‌ها در مورد برخی کاربردهای نظامی است.

چالش های آینده هوش مصنوعی

همچنین چندین فرصت و چالش بلندمدت وجود دارد که مشروط به تحولات آینده است که ممکن است هرگز اتفاق نیفتد. برخی از سناریوهای اتوپیایی و دیستوپیایی ممکن است به چرخه های تبلیغاتی کمک کنند، اما آنها همچنین فرصتی برای آماده شدن برای روندهای معتدل تر و تأمل در مورد آنچه از فناوری می خواهیم ارائه می دهند.

به عنوان مثال، پیشنهاد شده است که هوش مصنوعی می تواند:

• منجر به از دست دادن شغل عده ای شود یا مفهوم اشتغال را منسوخ کند
• از کنترل انسان فرار کند و کنترل توسعه خود را در دست بگیرد
• استقلال انسان را به چالش بکشد یا احساسات یا آگاهی مصنوعی را ایجاد کند