هوش مصنوعی

​

​

آلن متیسون تورینگ (Alan Mathison Turing) دانشمند بریتانیایی متولد قرن بیستم است. تورینگ را می‌توان با القابی مانند دانشمند علوم کامپیوتر، ریاضی‌دان،‌ استاد منطق و فلسفه، تحلیل‌گر رمز و زیست‌شناس ریاضیاتی شناخت. تحقیقات این دانشمند بزرگ را می‌توان پایه و اساس علوم کامپیوتر مدرن دانست. نتایج تحقیقات او، مبنا و مفهوم‌هایی از الگوریتم و پردازش را به کمک ماشین مخصوصش یعنی ماشین تورینگ، توصیف کرد. ماشین تورینگ (Turing Machine) را می‌توان اولین نسل از کامپیوترهای امروزی دانست.

آلن تورینگ در خلال جنگ جهانی دوم برای انگلستان و جبهه‌ی متفقین فعالیت می‌کرد. او در یک مرکز آموزشی 

رمزنگاری تعلیم دیده و در پروژه‌ای برای رمزگشایی ارتباط نیروهای دریایی نازی‌ها نقش مدیر را برعهده داشت. هدف اصلی تیم تحت رهبری او، رمزگشایی پیام‌های ماشین معروف آلمانی‌ها با نام انیگما بود. روش‌هایی که تورینگ و تیمش در این پروژه ابداع کردند، سرعت رمزگشایی پیام‌های این ماشین را افزایش داده و موجب موفقیت‌های زیادی برای ارتش متفقین در جنگ جهانی دوم شد. این پیروزی‌ها، جان میلیون‌ها نفر را در این جنگ خانمان سوز نجات داد.

آلن تورینگ پس از جنگ نیز به مطالعات و فعالیت‌های خود پیرامون علوم کامپیوتر ادامه داد. او در این زمان به علوم زیست ریاضیاتی علاقه‌مند شده و مقالاتی را در زمینه‌های ریخت‌زایی و واکنش‌های ساعتی شیمیایی منتشر کرد. آلن تورینگ در سال ۱۹۵۲ به خاطر گرایش‌های خاص جنسی محکوم شناخته شده و مجازات تزریق دی‌اتیل‌استیل بسترول برای او در نظر گرفته شد. او در سال ۱۹۵۴ و ۱۶ روز پیش از جشن 

تولد ۴۲ سالگی از دنیا رفت. بزرگترین و معتبرترین جایزه‌ی دنیای کامپیوتر، از سال ۱۹۶۶ به نام این دانشمند فرهیخته، با عنوان Turing Award به فعالان تاثیرگذار دنیای کامپیوتر اهدا می‌شود.

ورود به حوزه‌ی رمزنگاری

فعالیت‌های اصلی تورینگ در زمینه‌‌ی رمزنگاری به دوران جنگ جهانی دوم مربوط است. در طول این جنگ، تورینگ در بلچلی پارک (Bletchley Prk) به 

تحقیق و ساخت دستگاه‌های رمزنگاری مشغول بود.

از سپتامبر سال ۱۹۳۸، آلن تورینگ در سازمان رمزنگاری بریتانیا به نام GC&CS به فعالیت پاره‌وقت مشغول بود. این سازمان امروزه با نام ستاد ارتباطات 

دولت بریتانیا شناخته می‌‌شود. تمرکز اصلی فعالیت‌های تورینگ در این سازمان، رمزگشایی دستگاه انیگما بود. دستگاه انیگما متعلق به دولت آلمان بود که دانشمندی آلمانی به نام آرتور شربیوس آن را اختراع کرده بود. دستگاه انیگما در دهه‌ی ۱۹۲۰ برای محافظت از ارتباطات تجاری، 

نظامی و دیپلماتیک استفاده می‌شد. آلن تورینگ رمزنگاری این دستگاه‌ها را به همراه همکار ارشدش دیلی ناکس انجام می‌داد. 

در گردهم‌آیی معروف ورشو در سال ۱۹۳۹، سازمان رمزنگاری لهستان به کشورهای فرانسه و انگستان اعلام کرد که روشی برای رمزگشایی دستگاه‌های انیگما دارد. تورینگ و ناکس پس از شنیدن این خبر، تلاش کردند تا روشی پایدارتر برای این رمزگشایی کشف کنند. روش لهستانی‌ها روی فرآیندی تشخیصی استوار بود که امکان تغییر آن توسط آلمان‌ها، هر لحظه وجود داشت. روشی که تورینگ ابداع کرد، رمزگشایی بر اساس Crib نام داشت و فرآیندی مفیدتر و عمومی‌تر بود. او با استفاده از همین روش، مشخصات عملکردی دستگاه رمزگشایی الکتریکی-مکانیکی Bombe را با بهبود دستگاه لهستانی Bomba تدوین کرد.

تورینگ ۴ سپتامبر سال ۱۹۳۹ و پس از آن که انگلستان به‌صورت رسمی در برابر آلمان اعلام جنگ کرد، به بلچلی پارک اعزام شد. بلچلی پارک در آن زمان ایستگاه جنگی GC&QC بود. آلن با استفاده از تکنیک‌های آماری توانست روشی برای 

آزمایش نتایج احتمالی در فرآیند رمزگشایی ابداع کند. او روندی خلاقانه را ابداع کرد و دو مقاله در ارتباط با آنها تالیف کرد. نام مقالات او «استفاده از احتمالات در رمزگشایی» و «مقاله‌ای در باب 

آمار تکرارهای ریاضی» بود. این مقالات آنچنان برای سازمان ارتباطات انگلستان باارزش بودند که تا آوریل سال ۲۰۱۲ به آرشیو ملی انگلستان تحویل داده نشدند. یکی از ریاضی‌دانان این سازمان که با هویتی مبهم و نام «ریچارد» اخیرا در این باره مصاحبه کرده گفته است:

تاخیر ۷۰ ساله در تحویل این مقاله‌ها، نشان‌دهنده‌ی اهمیت آنها است. مقاله‌های تورینگ، جزئیات آنالیزهای ریاضی را برای سعی و خطا و پیدا کردن محتمل‌ترین تنظیمات ماشین‌های رمزنگاری شرح داده‌اند. سازمان ارتباطات انگلستان تاکنون حداکثر استفاده را از این مقاله‌ها کرده و اکنون مشکلی با انتشار عمومی آنها ندارد.

نابغه‌ی ریاضیات و احتمالات قرن بیستم در زمان فعالیت در بلچلی به رفتارهای خاص شهرت داشت. همکارانش لقب Prof را برای او انتخاب کردند و تا سال‌ها از رفتارهای عجیب این نابغه یاد می‌کردند. تورینگ در این زمان یک دونده‌ی استقامت حرفه‌ای نیز بود. او مسافت ۶۴ کیلومتری تا لندن را برای حضور در جلسات مهم می‌دوید. این آمادگی بدنی باعث شد که این دانشمند ریاضیات برای حضور در تیم المپیک ۱۹۴۸ انگلستان کاندید شود. او تنها ۱۱ دقیقه دیرتر از قهرمان آن سال‌های انگلستان یعنی توماس ریچارد به خط پایان رسید و از تیم المپیک جا ماند. تورینگ در سال ۱۹۴۶ مفتحر به دریافت نشان «رتبه‌ی امپراتوری بریتانیا - OBE» از دستان شاه جورج ششم شد اما فعالیت‌هایش تا سال‌ها بعد مخفی ماند.

اختراع دستگاه Bombe

آلن تورینگ چند هفته پس از ورود به بلچلی پارک، دستگاه الکترومکانیکی Bombe را برای رمزگشایی پیام‌های دستگاه انیگما تولید کرد. دستگاه او با بهبود فرآیندهای دستگاه لهستانی Bomba تولید شده بود. این دستگاه به جستجو میان تنظیمات احتمالی برای رمزگشایی انیگما می‌پرداخت. اولین دستگاه Bombe در ۱۸ مارس سال ۱۹۴۰ شروع به کار کرد.

تیم تحت رهبری تورینگ از اختراع خود شگفت‌زده بودند؛ چرا که سرعت رمزگشایی آنها بیشتر از دستگاه لهستانی بود. تنها مشکل آنها در دوران جنگ، کمبود نیروی انسانی و دستگاه‌های رمزگشایی بود. این مشکل امکان رمزگشایی سیگنال‌های فراوان نازی‌ها را از متفقین گرفته بود. تیم رمزگشایی بلچلی از کمبود امکانات رنج می‌برد؛ به همین خاطر آنها پس از تلاش‌های ناموفق، در اقدامی جسورانه نامه‌ای مستقیم به وینستون چرچیل نوشتند. در این نامه که اسم آلن تورینگ در ابتدای لیست امضا کنندگان آن بود، از کمبود امکانات گلایه شده و به این نکته اشاره شده بود که در صورت تامین مالی کافی، تولید بیشتر دستگاه‌های رمزگشایی، از خسارات بسیاری در جنگ جلوگیری خواهد کرد. چرچیل واکنشی سریع به این نامه داشت و به مسئولان امر کرد که تمامی نیازهای این تیم رمزگشایی را تامین کنند. از آن زمان تا پایان جنگ جهانی دوم، حدود ۲۰۰ دستگاه رمزگشایی ساخته شدند.

نابغه‌ی هوش مصنوعی در خلال فعالیت‌هایش در طول جنگ جهانی دوم، دستگاه‌های رمزگشایی متعددی تولید کرد. یکی از این دستگاه‌ها Hut 8 نام داشت که برای رمزگشایی دستگاه مخصوص نیروی دریایی نازی‌ها ساخته شده بود. دستگاه انیگمای نیروی دریایی ارتش نازی، بسیار حرفه‌ای‌تر از دیگر دستگاه‌های انیگما بود و تورینگ با رمزگشایی تنظیمات آن، کمک بزرگی به پایان جنگ جهانی دوم کرد.

تیم رمزگشایی برای تامین نیازهای مالی و تجهیزاتی خود، مستقیما به وینستون چرچیل نامه نوشت

یکی دیگر از دستگاه‌هایی که تورینگ در ساخت آنها نقش داشت، Delilah نام دارد. این دستگاه برای رمزنگاری و رمزگشایی پیام‌های صوتی استفاده می‌شد. ایده‌ی ساخت این دستگاه پس از سفر سال ۱۹۴۲ به آمریکا به ذهن آلن خطور کرد. او این دستگاه را به کمک دونالد بیلی ساخت. دستگاه دلیلا به خوبی کار می‌کرد اما ساخت آن بیش از حد به طول انجامید و نیروهای متفقین نتوانستند از این دستگاه در جنگ استفاده کنند.

​

تست تورینگ و اولین کامپیوترهای مدرن

پدر علوم مدرن کامپیوتر در سال‌های ۱۹۴۵ تا ۱۹۴۷ در منطقه‌ی همپتون لندن زندگی می‌کرد. او در این زمان در کتابخانه‌ی ملی فیزیک لندن مشغول طراحی «دستگاه محاسبه‌گر اتوماتیک» بود. او در ۱۹ فوریه‌ی سال ۱۹۴۶ مقاله‌ای منتشر کرد که پایه و اساس ساخت کامپیوترهای اولیه با حافظه‌های الکترونیکی را شرح می‌داد.

اگرچه دستگاهی که تورینگ توضیح داده بود یک طرح اولیه بود، اما او تصمیم داشت تا آن را به طور واقعی بسازد. فعالیت‌های محرمانه در خلال جنگ، تولید این دستگاه‌ها را به تعویق انداخت و انرژی آلن برای ساخت آن نیز از بین رفت. به هر حال زمانی که او در سال ۱۹۴۷ به کمبریج بازگشت، ساخت کامپیوتر مورد نظرش در غیاب او شروع شد. اولین کامپیوتری که از طرح او ساخته شد، Pilot ACE نام داشت که اولین برنامه‌ی خود را در ۱۰ می سال ۱۹۵۰ اجرا کرد. 

تورینگ در سال ۱۹۴۸ یک کرسی تحقیقاتی در دانشگاه منچستر دریافت کرد. یک سال بعد او قائم مقام آزمایشگاه کامپیوتر این دانشگاه شد. فعالیت اصلی او در این دانشگاه، توسعه‌ی نرم‌افزار برای یکی از اولین کامپیوترهای حافظه‌دار تاریخ با نام Manchester Mark 1 بود. در خلال فعالیت‌های آن سال‌ها، او آزمایشی تحت نام «تست تورینگ» معرفی کرد که با انجام آن، هوشمندی کامپیوترها اندازه‌گیری می‌شد. مدل برعکس تست تورینگ، امروزه تحت نام Captcha در 

اینترنت استفاده می‌شود. او در ادامه پیشنهاد داد که برای صحبت با کامپیوترها، به جای آن که آنها را توانمند به درک زبان افراد بالغ کنیم، کامپیوتری با ذهن یک کودک ساخته و آن را برای یادگیری برنامه‌ریزی کنیم.

آلن تورینگ اولین نرم‌افزار کامپیوتری شطرنج را توسعه داد

از دیگر فعالیت‌های نرم‌افزاری تورینگ در آن سال‌ها می‌توان به توسعه‌ی نرم‌افزار شطرنج برای کامپیوتر Ferranti Mark 1 اشاره کرد. البته این نرم‌افزار به خاطر نبود 

زیرساخت لازم در دستگاه، قابل اجرا نبود. آلن نرم‌افزار را شبیه‌سازی کرده و خودش الگوریتم آن را اجرا کرد. در یک اجرای آزمایشی، هر حرکت او بر طبق الگوریتم نیم ساعت به طول انجامید اما بالاخره این نرم‌افزار و الگوریتم به عنوان اولین نرم‌افزار بازی شطرنج در کامپیوتر شناخته شد.

یادبودها

یکی از ماندگارترین یادبودهای پدر علم کامپیوتر مدرن، «جایزه‌ی تورینگ» است. این جایزه که به 

نوبل دنیای کامپیوتر معروف است، از سال ۱۹۶۶ هرساله به برترین فعالان این صنعت تعلق می‌گیرد. انتخاب فرد برتر و برگزاری مراسم این جایزه، توسط انجمن دستگاه‌های محاسباتی یا 

ACM برگزار می‌شود. این انجمن، قدیمی‌ترین انجمن علوم کامپیوتر در جهان است.

​

مجسمه‌ها و یادبودهای ساختمانی زیادی نیز تاکنون به یاد این دانشمند بزرگ ساخته شده‌اند. خیابان و پل آلن تورینگ در شهر منچستر، از مشهورترین این یادبودها هستند. در سال ۱۹۹۹، مجله‌ی تایمز تورینگ را در میان ۱۰۰ فرد مهم قرن بیستم قرار داد. جمله‌ی یادبود این مجله برای تورینگ به این صورت بود: «هر فردی که دکمه‌ای را روی صفحه‌کلید می‌فشارد یا یک نرم‌افزار را باز می‌کند، در حال کار روی تجسمی از ماشین تورینگ است.»

جایزه‌ی تورینگ معروف به نوبل کامپیوتر هرساله به برترین فعالان این صنعت اعطا می‌شود

برخی از کارشناسان و کاربران دنیای کامپیوتر، لوگوی شرکت 

اپل که سیبی گاززده است را نیز به آلن تورینگ مربوط می‌دانند و این در حالی است که هم شرکت و هم طراح لوگو، هرگونه ارتباط این طراحی را با این دانشمند تکذیب کرده‌اند. البته استیو جابز در جایی گفته بود که ای کاش این طراحی به تورینگ مربوط می‌شد!

​

اتاق‌ها، سالن‌های کامپیوتر و بورسیه‌های متعددی در دانشگاه‌های بزرگ دنیا به نام این دانشمند فقید نامگذاری شده‌اند. دانشگاه‌های کمبریج، ادینزبرگ، آستین، استنفورد، واشنگتن و منچستر، برخی از دانشگاه‌هایی هستند که یادبودهایی به نام آلن تورینگ دارند.

​

هوش مصنوعی

​

آرند هینتز، استادیار زیست شناسی تلفیقی و علوم کامپیوتر دانشگاه ایالتی میشیگان، هوش مصنوعی را به چهار دسته کلی تقسیم بندی می کند. این دسته بندی شامل سیستم هایی که امروزه وجود دارند تا سیستم های احساسی که هنوز وجود ندارند را در بر می گیرد. این دسته ها به شرح زیر هستند:

نوع اول: ماشین های انفعالی

نمونه این دسته deep blue است که یک برنامه شطرنج بود که در دهه ۱۹۹۰ توانست گری کاسپاروف، قهرمان شطرنج جهان را شکست دهد. deep blue می توانست مهره های روی هر خانه شطرنج را شناسایی کند و حرکت های پیش رو را پیش بینی کند. مشکل برنامه آن بود که نمی توانست تجربه های قبلی خود را به یاد بسپارد و از آن برای حرکت های آینده اش استفاده کند. این برنامه هربار تمام حرکت های استراتژیک ممکن خود و رقیب را بررسی و آنالیز می کرد و بهترین آن ها را انتخاب می کرد. این نوع از هوش مصنوعی و برنامه های این چنینی برای هدف های محدودی قابل استفاده هستند و نمی توانند به راحتی در موقعیت های دیگری کاربرد داشته باشند.

نوع دوم: حافظه محدود

این سیستم هوش مصنوعی برعکس قبلی می تواند از تجارب گذشته برای تصمیمات آینده اش استفاده کند. برخی از کارکرد های تصمیم گیری در ماشین های خود ران از این نوع طراحی هستند. این نوع ماشین ها از مشاهداتشان برای تصمیماتی که در آینده ای نه چندان دور می خواهند بگیرند استفاده می کنند. مثلا اینکه لاینی که در آن در حال رانندگی هستند را عوض کنند. البته این نوع مشاهدات و تجربیات به صورت همیشگی ذخیره نمی شوند.

نوع سوم: تئوری ذهن

این نوع از هوش مصنوعی هنوز وجود ندارد اما اساس این عبارت روانشناختی به تمامی اعتقادات و دانش ها، آرزوها و آمال و نیت هر فرد بر می گردد و تاثیری که هر کدام از آن ها بر تصمیم گیری یک فرد دارد. این هوش مصنوعی قادر به درک و آنالیز این نوع از تصمیم گیری ها می باشد.

نوع چهارم: خود آگاهی

در این دسته سیستم هوش مصنوعی آگاهی از خود و هوشیاری وجود دارد. ماشین های دارای خود آگاهی می توانند بفهمند که در چه سطح و حالتی هستند و می توانند از اطلاعاتی که بدست می آورند احساسات دیگران را نتیجه گیری کنند. البته این نوع از هوش مصنوعی نیز همانند مورد سوم هنوز وجود ندارد.

​

هوش مصنوعی

یادگیری ماشین و شبکه‌های عصبی و یادگیری عمیق​ 

در بخش تاریخچه و تعارف هوش مصنوعی، دو مفهوم به‌عنوان ابزارهای اصلی شکوفایی این فناوری مطرح شدند. یادگیری ماشین یکی از ابزارهای اصلی توسعه‌ی هوشمندی در ماشین‌ها محسوب می‌شود که مفاهیم پایه‌ای هوش را شکل می‌دهد. درواقع ماشینی که به یادگیری مجهز باشد، قدم اول را به‌سمت هوشمند شدن برداشته است (دقیقا شبیه به انسان).

یادگیری ماشین، محور اصلی توسعه‌ی هوش مصنوعی محسوب می‌شود

یادگیری ماشین در تعریف ساده با ارائه‌ی داده‌های وسیع به ماشین شروع می‌شود. سپس ماشین با استفاده از همان داده‌ها، چگونگی انجام وظایف خاص مانند درک صحبت یا برچسب‌گذاری تصاویر را می‌آموزد. داده، عنصر اصلی در توسعه‌ی یادگیری ماشین محسوب می‌شود و به‌همین دلیل در سال‌های اخیر شاهد افزایش جمع‌آوری داده توسط شرکت‌های فناوری بوده‌ایم. درواقع امروز کلان‌داده و یادگیری ماشین، دو مفهوم درهم تنیده‌شده هستند. مفهوم دیگری که مثلث بنیادی هوش مصنوعی را تکمیل می‌کند، شبکه‌‌ی عصبی نام دارد.

شبکه‌های عصبی، کلید پردازشی در یادگیری ماشین هستند. چنین شبکه‌هایی با الهام از ساختار نورون‌های مغز انسان توسعه یافته‌اند و از لایه‌های متعدد و متصل به هم الگوریتم موسوم به نورون تشکیل می‌شوند. لایه‌های الگوریتمی در شبکه‌ی عصبی، داده را با یکدیگر تبادل می‌کنند. هر نورون، قابلیت یادگیری انجام وظیفه‌ای خاص را دارد و با اولویت‌بندی ساختار داده‌ی درحال تبادل، فرایندی را روی آن انجام می‌دهد. در مسیر یادگیری شبکه‌های عصبی، اولویت و وطن داده‌های ورودی تغییر می‌کند تا اینکه درنهایت خروجی موردنیاز از شبکه استخراج می‌شود. در چنین وضعیتی، شبکه‌ به‌نوعی انجام دادن یک وظیفه‌ی خاص را آموخته است.

​

یادگیری عمیق از مفاهیم زاده‌شده از دل یادگیری ماشین است. شبکه‌های عصبی در چنین سبکی از یادگیری به شبکه‌هایی گسترده توسعه می‌یابند و لایه‌های بسیار متعددی دارند. در یادگیری عمیق، هر لایه توانایی بررسی و پردازش داده‌های بسیار عظیمی را خواهد داشت. یادگیری عمیق، موجب شد تا کامپیوترهای امروزی به توانایی‌های مثال‌زدنی هوشمندی و یادگیری دست پیدا کنند که نمونه‌هایی از آن را در تشخیص صحبت و بینایی کامپیوتری می‌بینیم.

پردازش تکاملی، یکی از حوزه‌های تحقیقات هوش مصنوعی محسوب می‌شود که با پیشرفت شبکه‌های عصبی متولد شد. محققان، با تکیه بر نظریه‌های داروین و مفاهیم جهش ژنتیکی، سبک جدیدی از هوش مصنوعی را مطرح می‌کنند. چنین رویکردی موجب توسعه‌ی هوش مصنوعی با توانایی ساختن هوش مصنوعی دیگر شد. استفاده از الگوریتم‌های تکاملی برای بهینه‌سازی شبکه‌های عصبی، به عبارت Neuroevolution شناخته می‌شود و در توسعه‌ی نسل‌های بعدی از سیستم‌های هوشمند،‌ کارایی بسیاری خواهد داشت. جدیدترین دستاوردها در این حوزه، در آزمایشگاه هوش مصنوعی اوبر رخ داد که از الگوریتم‌های ژنتیکی برای آموزش شبکه‌های عصبی عمیق در جهت یادگیری پیشرفته استفاده کرد.

سیستم‌های خبره، از مفاهیم دیگر توسعه‌‌یافته در مسیر هوش مصنوعی هستند. این سیستم‌ها با قوانینی برنامه‌ریزی می‌شوند که امکان تصمیم‌گیری براساس مجموعه‌ای عظیم از داده را به آن‌ها می‌دهد. چنین رویکردی، رفتار ذهن انسان را در حوزه‌ای خاص، شبیه‌سازی می‌کند. از نمونه‌های سیستم خبره می‌توان به خلبان خودکار در هواپیما اشاره کرد.

​

هوش مصنوعی

​

سطوح مختلف هوش مصنوعی

یک سیستم هوش مصنوعی بر اساس آن چه که از دنیای بیرون درک می‌کند و می‌تواند به آن پاسخ دهد، دارای سه سطح می‌باشد. هوش مصنوعی محدود، عمومی و سوپر هوش مصنوعی. در ادامه هر کدام را به تفصیل توضیح می‌دهیم.

هوش مصنوعی محدود (artificial narrow intelligence)

در تاریخچه هوش مصنوعی ، هوش مصنوعی محدود بسیار زودتر از انواع دیگر هوش مصنوعی پدید آمده است. این روزها نمونه های هوش مصنوعی محدود زیاد است. برای مثال رایانه‌هایی که در بازی های پیچیده‌ای مانند شطرنج ، تصمیم گیری هوشمندانه در زمینه تجارت و انواع دیگر کارهای مهم توانسته‌اند بهتر از انسان عمل کنند نمونه‌هایی از هوش مصنوعی محدود هستند. زمانی که در مورد هوش مصنوعی محدود صحببت می‌کنیم منظورمان سیستم‌های هوشمندی است که در انجام دادن یک وظیفه (task) به خصوص بهتر از انسان عمل می‌کنند. برای مثال سیستم هوشمندی که می‌تواند به صورت خودکار گفتار را به نوشتار تبدیل کند یا سیستم‌های تشخیص چهره که قادرند هویت یک فرد را حتی در شلوغی و سیل عظیمی از جمعیت تشخیص دهند. اگر بخواهیم برخی از کاربرد‌های هوش مصنوعی محدود را مثال بزنیم، عبارتند از:

• اتومبیل های خودران که به کمک هوش مصنوعی یاد می‌گیرند که چگونه رانندگی کنند.
• سیستم‌های پردازش تصویر و تشخیص چهره که می‌توانند کارهای بسیاری را انجام دهند و عملیات تشخیص هویت افراد را انجام دهند.
• سیستم‌های هوش مصنوعی که به انجام فرآیندهای مالی در بانک‌ها و سایر کسب و کارهای مالی کمک می‌کند.
• دستیارهای هوشمند که بر اساس نیازهایتان به شما کمک می‌کنند و حتی پروازها و هتل هایتان را از قبل رزرو می‌کنند.
• و غیره

هوش مصنوعی عمومی (Artificial General Intelligence)

منظور از هوش مصنوعی عمومی ماشینی است که می‌تواند دنیای اطراف خود را همانند یک انسان درک کند و دارای ظرفیت و گنجایش مشابه برای انجام فعالیت‌ها و وظایفی است که یک انسان به طور معمول آن‌ها را انجام می‌دهد. در حال حاضر هوش مصنوعی عمومی وجود ندارد اما رد پای آن را می‌توانیم در داستان های دارای ژانر عملی-تخیلی مشاهده کنیم. از نظر تئوری یک هوش مصنوعی عمومی می‌تواند هم سطح انسان فعالیت کند و یا حتی در زمینه‌هایی مانند حافظه و غیره از او بهتر عمل کند.

با این سطح از آگاهی و دانش یک ماشین می‌تواند تمام کارهایی که زمانی بر انسان محول می‌شد را بدون نیاز به وجود انسان انجام دهد و با گذشت زمان بیشتر ماشین‌های دارای هوش مصنوعی عمومی می‌توانند در بسیاری از زمینه‌ها جای انسان را پر کنند. خاتمه دادن به نیاز حضور نیروی انسانی در بسیاری از کارها و استفاده از تکنولوژی هوش مصنوعی عمومی یا کامل می‌تواند مانند هر تکنولوژی دیگری هر دو جنبه مثبت و منفی در زندگی اجتماعی و فردی انسان‌ها داشته باشد. اما با همه‌ی این‌ها وجود آن بسیار مفید و در عین حال اجتناب ناپذیر خواهد بود. به کمک هوش مصنوعی عمومی که دارای توانایی‌ها و ظرفیت‌های زیادی برای کمک به بشریت می‌باشد، بسیاری از مشکلاتی انسان امروزی با آن سر و کله می‌زند، همانند تغییرات شدید آب و هوایی، حل خواهد شد.

سیستم‌های هوش مصنوعی عمومی می‌تواند از کارهای عادی تا کارهای بسیار مهم و خطیر را به بهترین شکل انجام دهند. در سطح عمومی آن‌ها می‌توانند کارهایی مثل رانندگی، دستیار شخصی هوشمند با توانایی درک همه‌ی نیازهای کاربر، یک دستیار پزشک و یا سیستم تشخیص بیماری و غیره باشد. در سطوح بالا این سیستم‌ها می‌توانند کارهایی را انجام دهند که به زندگی و امنیت و جان انسان‌ها بستگی دارد و می‌توانند به خوبی از پس چنین کارهایی بر بیایند.

سوپر هوش مصنوعی

سوپر هوش مصنوعی در واقع عبارتی است که برای هوش مصنوعی استفاده می‌شود که سطح هوش و درک انسانی را پشت سر گذاشته و به نوعی دارای هوش فرا بشری خواهد شد. تا به حال هنوز هیچ جامعه‌ای نتوانسته به سوپر هوش مصنوعی دست پیدا کند. در حقیقت رسیدن یا نرسیدن و یا حتی زمان رسیدن به آن در حاله‌ای از ابهام می‌باشد. هم چنین این مسئله که چنین هوش مصنوعی چه کارهایی انجام می‌دهد و یا این مسئله که آیا قرار است تهدیدی برای بشر باشد یا فرصتی برای او، هم مبهم است و بسیاری از صاحب نظران نظرات بسیار متفاوتی را در این مورد دارد وبحثی داغ بین صاحبان غول‌های تکنولوژی می‌باشد. برای رسدن به این سطح از هوش مصنوعی، یک سیستم هوشمند باید تست تورینگ را پشت سر گذاشته باشد و هیچ ماشینی تا به حال به سطحی از درک و شعور و وسعت دانش یک انسان بالغ نرسیده است که از این تست سر بلند بیرون آمده باشد.

​

هوش مصنوعی

​

  الگوریتم

مهم‌ترین مفهوم در AI، الگوریتم است. الگوریتم فرمول‌های ریاضی هستند که یک کامپیوتر معمولی را قادر می‌سازند تا به صورت هوشمندانه به حل مسئله بپردازد. الگوریتم‌ها در واقع کامپیوتر را قادر می‌کنند تا به صورت مستقل به یادگیری بپردازد.

یادگیری ماشین

یادگیری ماشین همان هوش مصنوعی نیست! بلکه یادگیری ماشین تنها بخشی از هوش مصنوعی است؛ اما موضوعات آن‌ها همپوشانی زیادی دارند. یک الگوریتم یادگیری ماشین، با دیدن مجموعه‌ای از داده‌ها می‌تواند به یک هوشمندی نسبی برسد. به عنوان مثال کافی است عکس گربه‌های زیادی را به الگوریتم یادگیری ماشین نشان دهید تا از آن پس قادر به تشخیص هر گربه‌ای باشد. 

شبکه عصبی

اگر بخواهیم الگوریتم‌های AI دقت و درستی بالاتری داشته باشند، باید از شبکه عصبی استفاده کنیم. شبکه عصبی بسیار شبیه به سیستم عصبی انسان است. یک شبکه عصبی با شکستن داده‌ها و تجزیه و تحلیل آن‌ها در لایه‌های مختلف از شبکه، کامپیوتر را قادر می‌سازد تا مسائل پیچیده را حل کند. 

یادگیری عمیق

یادگیری عمیق (Deep Learning) بخشی از خانواده‌ی بزرگ‌تر یادگیری ماشین است که بر روش‌هایی تمرکز دارد که مبتنی بر شبکه‌های عصبی مصنوعی هستند. یادگیری عمیق تکنولوژی اصلی ساخت خودروهای خودران است؛ یادگیری عمیق به خودروها این توانایی را می‌دهد که تابلوها را شناسایی کنند، و یا تیر چراغ برق را از انسان تشخیص دهند. یادگیری عمیق تکنولوژی کلیدی مورد استفاده در رابط کاربری صوتی تلفن‌های همراه، تبلت‌ها، تلویزیون‌ها و هندزفری‌ها است. مدتی است که یادگیری عمیق توجه بیش‌تری را به سمت خود جلب کرده است؛ چرا که نتایجی را با خود به همراه داشته است که هیچگاه در گذشته ممکن نبوده‌اند.

پردازش زبان طبیعی

پردازش زبان طبیعی (Natural Language Processing) یا به اختصار، NLP، یکی از شاخه‌های هوش مصنوعی است که به تعاملات بین رایانه و انسان، از طریق زبان طبیعی می‌پردازد. هدف غایی NLP، خواندن، رمزگشایی، فهم و درک زبان انسان با روشی ارزشمند است. بیش‌تر روش های پردازش زبان طبیعی برای استخراج و فهم معنای زبان انسانی، مبتنی بر تکنیک‌های یادگیری ماشین است.

یادگیری تقویتی

نوع یادگیری AI و انسان، بسیار به یکدیگر شبیه است؛ یکی از راه‌‌‌های آموزش به کامپیوتر به شیوه انسانی، استفاده از 

یادگیری تقویتی (reinforcement learning) است. در این روش، هدفی به رایانه داده می‌‌‌‌شود که به صورت دقیق تعریف نشده است! به عنوان مثال به رایانه می‌‌‌‌گوییم که «جواب را پیدا کن» یا «بهره‌‌‌‌وری را بالا ببر». این اهداف متریک معینی ندارند؛ پس از آن که رایانه به هدف دست یافت، نتیجه را در اختیار انسان قرار می‌‌‌‌دهد تا بررسی شود. هوش مصنوعی فیدبک را از انسان می‌‌‌‌گیرد و خود را اصلاح می‌‌‌‌کند تا به نتیجه مطلوب دست یابد.

​

هوش مصنوعی