هوش مصنوعی چیست؟ تعریف AI به زبان ساده + کاربردها

هوش مصنوعی (Artificial Intelligence) که به صورت اختصار با نام AI هم شناخته می‌شود، به ایجاد سیستم‌های کامپیوتری اشاره دارد که وظایف آن‌ها (مثل استدلال، تصمیم‌گیری یا حل مساله) در گذشته تنها توسط انسان قابل انجام بود.

امروزه اصطلاح هوش مصنوعی یا AI دامنه وسیعی از فناوری‌ها را شامل می‌شود که نیرومحرکه بسیاری از خدمات و کالاهای مورد استفاده ما (از اپلیکیشن‌های پیشنهاد فیلم گرفته تا چت‌بات‌های مخصوص پشتیبانی از مشتریان) محسوب می‌شود. اما سوالی که ذهن اکثر ما را به خود مشغول ساخته این است که هوش مصنوعی چیست؟

در این مقاله از پارسیان کریپتو قصد داریم راهنمای جامعی درباره هوش مصنوعی ارائه بدهیم. شما در این مقاله متوجه خواهید شد که هوش مصنوعی چیست؟ و تاریخچه هوش مصنوعی از چه زمانی آغاز شده است؟ پس از تعریف هوش مصنوعی، کاربردهای هوش مصنوعی را هم معرفی می‌کنیم و نشان می‌دهیم هوش مصنوعی در کسب و کارهای مختلف چگونه کار می‌کند.

اگر شما هم کنجکاوید که هوش مصنوعی چه کارهایی انجام می دهد این مقاله برای شما نوشته شده است. با ما همراه باشید. در بخش بعدی به تعریف هوش مصنوعی پرداخته‌ایم و با جزئیات بیشتر به شما نشان می‌دهیم که هوش مصنوعی چیست.

هوش مصنوعی چیست؟

در تعریف هوش مصنوعی باید گفت؛ این فناوری نوعی شبیه‌سازی فرایندهای هوش انسانی توسط ماشین‌ها به ویژه سیستم‌های کامپیوتری است. کاربردهای هوش مصنوعی شامل سیستم‌های کارشناس، پردازش زبان طبیعی، تشخیص گفتار و دید ماشینی می‌شود.

به عبارت ساده‌تر، هوش مصنوعی باعث شده اعمالی مثل تشخیص گفتار، تصمیم‌گیری و شناسایی الگوها که پیش از این تنها توسط مغز انسان انجام می‌شد، اکنون توسط ماشین‌ها قابل انجام باشند. فناوری‌هایی چون یادگیری ماشینی، یادگیری عمیق و پردازش طبیعی زبان، نوعی زیرمجموعه برای AI به شمار می‌روند.

هوش عمومی مصنوعی (Artificial General Intelligence) یا AGI، به حالتی گفته می‌شود که در آن سیستم‌های کامپیوتری قادر خواهند بود به هوش انسانی دست پیدا کنند یا اینکه از آن فراتر بروند. در واقع، AGI، هوش مصنوعی واقعی است که در رمان‌های علمی تخیلی، نمایش‌های تلویزیونی، فیلم‌ها و بسیاری از کمیک‌ها به تصویر کشیده شده است.

چت‌جی‌بی‌تی (ChatGPT)، گوگل ترنسلیت (Google Translate)، گوگل مپ (Google Maps)، نت‌فلیکس (Netflix) و تسلا (Tesla) از جمله نمونه‌های شاخصی هستند که از تکنولوژی هوش مصنوعی استفاده می‌کنند و اکثر ما با آن‌ها آشنا هستیم. در بخش بعدی درباره نحوه کار هوش مصنوعی مطالبی را عنوان می‌کنیم.

بیشتر بخوانید: آموزش استفاده از چت جی بی تی

نحوه کار هوش مصنوعی

با بالا گرفتن هیاهوی این روزها در مورد هوش مصنوعی، تولیدکنندگان به تکاپو افتاده‌اند تا به نحوی از آن در محصولات و خدمات خود بهره بگیرند. اغلب اوقات، چیزی که فروشندگان به عنوان AI معرفی می‌کنند، تنها بخشی از این فناوری مثل یادگیری ماشینی را در خود دارد.

برای به وجود آمدن قابلیت‌های نوشتن و آموزش الگوریتم‌های یادگیری ماشینی در ابزار مربوط به هوش مصنوعی، زیرساخت‌های سخت‌افزاری و نرم‌افزاری خاصی نیاز است. هیچ یک از زبان‌های برنامه‌نویسی به تنهایی قادر نیست هوش مصنوعی ایجاد کند.

 البته پایتون (Python)، آر (R)، جاوا (Java)، سی‌پلاس‌پلاس (C++) و جولیا (Julia) ویژگی‌هایی دارند که باعث محبوبیت‌ آن‌ها در بین توسعه‌دهندگان هوش مصنوعی شده است.

در کل، سیستم‌های هوش مصنوعی با دریافت مقادیر زیادی از داده‌های آموزشی برچسب‌دار، تجزیه و تحلیل داده برای ایجاد همبستگی و الگوهای خاص و استفاده از این الگوها برای پیش‌بینی موقعیت‌های آینده کار می‌کنند. در نتیجه، یک چت‌بات با نمونه‌های متنی بسیار تغذیه می‌شود تا تعامل با افراد را شبیه‌سازی کند.

 همچنین، یک ابزار تشخیص تصویر با مرور میلیون‌ها مثال، این توانایی را پیدا می‌کند تا تصاویر را تشخیص داده و توصیف کند. در حال حاضر، تکنیک‌های جدید AI به سرعت در حال بهبود هستند و می‌توانند متن، تصاویر، موسیقی و سایر محتواهای چندرسانه‌ای واقعی را ایجاد کنند.

برنامه‌نویسی AI، بر مهارت‌های شناختی تمرکز دارد. این مهارت‌ها به شرح زیر است:

• یادگیری: این جنبه از برنامه‌نویسی هوش مصنوعی بر اکتساب داده‌ها و ایجاد قواعدی تمرکز دارد که باعث استخراج اطلاعات عملی می‌شود. این قواعد که نوعی الگوریتم هستند به دستگاه‌های محاسباتی کمک می‌کنند تا با دستورالعمل گام به گام متوجه شوند یک کار خاص باید به چه نحوی انجام شود.
• استدلال: این جنبه از برنامه‌نویسی AI بر انتخاب الگوریتم صحیح برای دستیابی به نتیجه دلخواه تمرکز دارد.
• خود-اصلاحی: این جنبه از برنامه‌نویسی هوش مصنوعی برای تنظیم مداوم الگوریتم‌های صحیح و اطمینان از ارائه دقیق‌ترین نتایج ممکن طراحی شده است.
• خلاقیت: جنبه خلاقیت هوش مصنوعی از شبکه‌های عصبی، سیستم‌های قانون محور، روش‌های آماری و سایر تکنیک‌های AI برای ایجاد تصاویر، متون، موسیقی و ایده‌های جدید استفاده می‌کند.

در بخش بعدی به تفاوت هوش مصنوعی، یادگیری ماشینی و یادگیری عمیق پرداخته شده است.

مطالعه بیشتر: استخراج ارز دیجیتال در خانه 

تفاوت بین هوش مصنوعی، یادگیری ماشینی و یادگیری عمیق

هوش مصنوعی (AI)، یادگیری ماشینی (Machine Learning) و یادگیری عمیق (Deep Learning) اصطلاحاتی هستند که در فناوری اطلاعات سازمانی بسیار به گوش می‌خورند و حتی برخی از شرکت‌ها در حین بازاریابی ممکن است این اصطلاحات را به جای هم استفاده کنند.

همانطور که در تعریف هوش مصنوعی هم عنوان کردیم، اصطلاح AI، به شبیه‌سازی هوش انسانی در ماشین‌ها اشاره دارد. این اصطلاح، تمامی فناری‌های جدیدی که چنین قابلیت‌هایی را فراهم می‌کنند را هم پوشش می‌دهد. یادگیری ماشینی و یادگیری عمیق هم نوعی زیرمجموعه و مدل برای AI به حساب می‌آیند.

اپلیکیشن‌ها یا برنامه‌های نرم‌افزاری به کمک یادگیری ماشینی این امکان را پیدا می‌کنند تا بدون هیچ برنامه‌ریزی صریحی، نتایج یک فرایند را به صورت دقیق پیش‌بینی کنند. الگوریتم‌های یادگیری ماشینی از سوابق داده‌ها به عنوان ورودی یا Input استفاده کرده و با تجزیه و تحلیل آن می‌توانند مقادیر خروجی را پیش‌بینی کنند. هر چه مجموعه داده‌های ورودی برای آموزش این ابزار عظیم‌تر باشد، رویکرد یادگیری ماشینی به شکل موثرتری اتفاق می‌افتد.

یادگیری عمیق، زیرمجموعه یادگیری ماشینی است و براساس ادراک ما از ساختار مغز کار می‌کند. دیپ لرنینگ یا یادگیری عمیق از ساختار شبکه عصبی مصنوعی بهره می‌برد که زیربنای پیشرفت‌های اخیر هوش مصنوعی مثل ماشین‌های خودران و چت‌جی‌پی‌تی را تشکیل می‌دهد.

حال که با تعریف هوش مصنوعی و تفاوت یادگیری ماشینی و عمیق را آموختید، بهتر است با اهمیت این فناوری‌ها در ابعاد مختلف زندگی بشر آشنا شوید.

اهمیت هوش مصنوعی در کسب و کارهای مختلف

پتانسیل AI در تغییر نحوه زندگی، کار و سرگرمی‌های ما باعث شده این حوزه اهمیت زیادی پیدا کند. هوش مصنوعی در کسب و کارهای مختلف باعث خودکارسازی اعمالی شده که پیش از این توسط انسان انجام می‌شد. از جمله این اعمال می‌توان به پشتیبانی از مشتریان، جذب مشتری، تشخیص کلاهبرداری و کنترل کیفیت اشاره کرد.

حتی در برخی از حوزه‌ها، عملکرد هوش مصنوعی بهتر از انسان بوده است. مخصوصا وقتی که پای اعمال تکرار شونده و دارای جزئیات زیاد (مثل تحلیل تعداد زیادی از اسناد قانونی و اطمینان از وارد شدن اطلاعات صحیح در فیلدهای مربوطه) در میان باشد. ابزار AI، معمولا با کمترین خطا و با بیشترین سرعت ممکن وظایف خود را تکمیل می‌کنند.

 از آنجا که AI توانایی پردازش مجموعه عظیمی از داده‌ها را دارد می‌تواند بینش‌هایی را درباره عملیات‌های سازمانی به  شرکت‌ها ارائه کند که خودشان از آن آگاه نبوده‌اند. تعداد ابزارهای مولد هوش مصنوعی در کسب و کارهای مختلف از حوزه آموزش و بازاریابی گرفته تا طراحی محصول به سرعت در حال رشد است.

در واقع، پیشرفت فناوری‌های هوش مصنوعی نه تنها باعث افزایش بی‌سابقه کارایی امور مختلف شده، بلکه فرصت‌های کسب‌وکاری کاملا جدیدی را هم برای سازمان‌های بزرگ فراهم آورده است. پیش از به راه افتادن موج AI، تصور استفاده از نرم‌افزارهای کامپیوتری برای ایجاد ارتباط بین مسافران و تاکسی‌ها، سخت بود اما شرکت اوبر (Uber) با انجام این کار توانست به لیست شرکت‌های Fortune 500 بپیوندد.

AI در بسیاری از شرکت‌های بزرگ و موفق امروز از جمله آلفابت (Alphabet)، اپل (Apple)، مایکروسافت (Microsoft) و متا (Meta) به منظور بهبود عملیات‌ها و سبقت گرفتن از رقبا استفاده می‌شود.

گوگل در مقام زیرمجموعه شرکت آلفابت، از هوش مصنوعی به عنوان هسته مرکزی موتور جستجوی خود استفاده می‌کند. همچنین، در مبحث خودروهای خودران Waymo و پروژه Google Brain، معماری شبکه عصبی ترنسفورمر (Transformer Neural Network) اختراع شد که خود زیربنای پیشرفت‌های اخیری بوده که در پردازش طبیعی زبان حاصل شده است.

در بخش بعدی به مرور مزایا و معایب هوش مصنوعی خواهیم پرداخت.

پیشنهاد PCrypto: بازی های کریپتویی رایگان کدام اند؟

مزایا و معایب هوش مصنوعی

فناوری‌های یادگیری عمیق (Deep Learning) و شبکه‌های عصبی مصنوعی (Artificial Neural Networks) به سرعت در حال تکامل هستند. دلیل اصلی این رشد فزاینده در این است که هوش مصنوعی، حجم عظیمی از داده‌ها را با سرعتی بسیار بیشتر نسبت به انسان پردازش می‌کند و پیش‌بینی‌های آن هم نسبت به توانایی انسان دقیق‌تر هستند.

ذهن انسان نمی‌تواند حجم عظیم تمام داده‌هایی که روزانه به وجود می‌آیند را مورد بررسی قرار دهد، در حالی که برنامه‌های AI با استفاده از فناوری یادگیری ماشینی می‌توانند این داده‌ها را دریافت کرده و آن‌ها را به سرعت به اطلاعات قابل اجرا تبدیل کنند.

یکی از معایب AI در زمان نگارش این محتوا، گران بودن پردازش حجم عظیم داده‌هایی است که برای برنامه‌نویسی هوش مصنوعی مورد نیاز هستند. از آنجا که هر روز، آمار استفاده از فناوری‌های AI در کالاها و خدمات مختلف افزایش پیدا می‌کند، سازمان‌ها باید از پتانسیل این فناوری‌ها در ساخت عمدی یا سهوی سیستم‌های مغرضانه و تبعیض‌آمیز آگاه باشند.

مزایای هوش مصنوعی

برخی از مزیای AI به این شرح است:

• عملکرد خوب در وظایفی که جزئیات-محور هستند: AI ثابت کرده که در انجام اموری چون تشخیص سرطان پستان و سرطان ملانوما بهتر از پزشکان عمل می‌کند.
• کاهش زمان لازم برای کارهای سنگین مربوط به داده‌ها: AI به صورت گسترده در صنایعی که با داده‌های مختلف سروکار دارند (مانند بانکداری و اوراق بهادار، داروسازی و بیمه) استفاده می‌شود تا زمان مورد نیاز برای تجزیه و تحلیل مجموعه‌های کلان داده را کاهش دهد.
• صرفه‌جویی در نیروی کار و افزایش بهره‌وری: اتوماسیون (خودکارسازی) انبار را تصور کنید. این حوزه در زمان همه‌گیری کرونا رشد کرد و با ادغام AI و یادگیری ماشینی انتظار می‌رود پیشرفت‌های بیشتری هم داشته باشد.
• ارائه نتایج ثابت: بهترین ابزارهای هوش مصنوعی ترجمه، از ثبات خوبی برخوردار هستند و حتی باعث شده‌اند کسب‌وکارهای کوچک با مشتریان خود با کمک زبان مادری خودشان ارتباط بگیرند.
• افزایش رضایت مشتری یا شخصی‌سازی: AI می‌تواند محتوا، پیام‌ها، تبلیغات، پیشنهادات و وب‌سایت‌های مشتریان منفرد را شخصی‌سازی کند.
• دسترسی همیشگی به عوامل مجازی بوجود آمده توسط هوش مصنوعی: برنامه‌های AI نیازی به خواب یا استراحت ندارند و می‌توانند به صورت ۲۴ ساعته در هفت روز هفته به ارائه خدمات بپردازند.

معایب هوش مصنوعی

برخی از معایبی که در حال حاضر می‌توان برای هوش مصنوعی به آن‌ها اشاره کرد به شرح زیر است:

• گران بودن
• نیاز به متخصصان خبره فنی
• کم بودن تعداد کارکنان باصلاحیت برای ساخت ابزارهای AI
• انعکاس جانبداری‌های اعمال شده در داده‌های ورودی
• عدم توانایی تعمیم‌دهی از یک وظیفه به وظیفه دیگر
• حذف مشاغل انسانی، افزایش نرخ بیکاری

در بخش بعدی تفاوت هوش مصنوعی ضعیف و قوی را بررسی خواهیم کرد.

تفاوت هوش مصنوعی ضعیف و قوی

می‌توان هوش مصنوعی را به دو دسته ضعیف (Weak) و قوی (Strong) تقسیم کرد. در ادامه نشان می‌دهیم که این دو دسته چه مفهومی دارند:

هوش مصنوعی ضعیف: هوش مصنوعی ضعیف یا محدود برای تکمیل یک کار یا وظیفه خاص طراحی و آموزش داده شده است. ربات‌های صنعتی و دستیاران مجازی شخصی مثل سیری (Siri) در اپل از هوش مصنوعی ضعیف استفاده می‌کنند.

هوش مصنوعی قوی: هوش مصنوعی قوی یا عمومی (AGI)، شامل برنامه‌هایی است که توانایی‌های شناختی ذهن انسان را شبیه‌سازی می‌کنند. وقتی یک وظیفه ناآشنا به سیستم هوش مصنوعی قوی داده می‌شود، منطق فازی به آن کمک کرده و معلومات یک دامنه را به دامنه دیگر بسط می‌دهد تا به طور خودکار راه حل آن را پیدا کند. برنامه هوش مصنوعی قوی از نظر تئوری باید بتواند دو تست Turning و Chinese Room را پشت سر بگذارد.

در بخش بعدی انواع مختلف هوش مصنوعی را معرفی خواهیم کرد.

پیشنهاد مطالعه: میم کوین چیست؟ همه چیز در مورد NFT

انواع هوش مصنوعی

به گفته آرند هنتزه (Arend Hentze)، استادیار رشته زیست‌شناسی و علوم کامپیوتر در دانشگاه ایالتی میشیگان، AI‌ در چهار دسته قابل طبقه‌بندی است که از سیستم‌های هوشمند تک‌کاره (که  امروزه به طور گسترده استفاده می‌شوند) شروع شده و به سیستم‌های حساس (که هنوز به وجود نیامده‌اند) ختم می‌شود. دسته‌بندی AI از نظر هنتزه به این شرح است:

• نوع اول: ماشین‌های واکنشی. این سیستم‌ها هیچ حافظه‌ای ندارند و برای انجام کار خاصی طراحی شده‌اند. دیپ بلو (Deep Blue) و برنامه شطرنج تولید شده توسط آی‌بی‌ام (IBM)، که در سال ۱۹۹۰ گری کاسپاروف (Garry Kasparov) را شکست داد در این دسته قرار می‌گیرد. دیپ بلو مهره‌های شطرنج را تشخیص داده و حرکات را پیش‌بینی می‌کند، اما چون حافظه ندارد نمی‌تواند از تجربیات قبلی خود برای بازی‌های آینده استفاده کند.
• نوع دوم: حافظه محدود. این سیستم‌ها حافظه دارند، پس می‌توانند از تجربیات گذشته برای گرفتن تصمیمات آگاهانه در آینده استفاده کنند. برخی از کارکردهای تصمیم‌گیری در ماشین‌های خودران به این شیوه طراحی شده‌اند.
• نوع سوم: نظریه ذهن. نظریه ذهن یک اصطلاح روانشناسی است. وقتی این اصطلاح در مورد هوش مصنوعی به کار می‌رود به معنی سیستمی است که هوش اجتماعی دارد و احساسات را درک می‌کند. این نوع AI توانایی استنباط نیت‌های انسان و پیش‌بینی رفتار او را دارد. وجود چنین مهارتی، برای ورود سیستم‌های AI درتیم‌های انسانی ضروری است.
• نوع چهارم: خودآگاهی. در این دسته، سیستم‌های AI یک شخصیت برای خود قائل هستند که به آن‌ها آگاهی می‌دهد. ماشین‌های دارای این مشخصه، وضعیت فعلی خود را درک می‌کنند. هنوز این نوع از AI به وجود نیامده است.

در بخش بعدی به این موضوع خواهیم پرداخت که چند نمونه‌ را معرفی کرده و نشان می‌دهیم هوش مصنوعی چه کارهایی انجام می دهد.

نمونه‌های مختلف فناوری هوش مصنوعی چه کارهایی انجام می دهد؟

هوش مصنوعی خود، فناوری‌های مختلفی را شامل می‌شود که در اینجا هفت مورد از آن‌ها به عنوان نمونه معرفی می‌شوند و خواهید دید که هر نمونه هوش مصنوعی چه کارهایی انجام می دهد.

۱. اتوماسیون یا خودکارسازی: وقتی ابزارهای اتوماسیون در کنار فناوری هوش مصنوعی قرار می‌گیرند، می‌توانند حجم و نوع فعالیتی که برای آن طراحی شده‌اند را گسترش دهند. اتوماسیون فرایند روباتیک (RPA) یک نمونه از این امر است. این نرم‌فزار براساس قواعدی که تعیین شده، به پردازش داده‌های تکراری می‌پردازد. ترکیب اتوماسیون با یادگیری ماشینی و ابزارهای نوظهور هوش مصنوعی باعث خودکارسازی بخش‌های بزرگ‌تری از مشاغل سازمانی شده و ربات‌های تاکتیکی RPA را قادر می‌سازد تا در امتداد هوش مصنوعی عمل کرده و به تغییرات پیش آمده در یک فرایند پاسخ دهد.

۲. یادگیری ماشینی: این فناوری باعث می‌شود یک کامپیوتر بدون برنامه‌نویسی کار کند. یادگیری عمیق هم به عنوان زیرمجموعه یادگیری ماشینی است که به زبان ساده، تجزیه و تحلیل‌های پیش‌بینی‌کننده را خوکارسازی می‌کند. سه نوع الگوریتم برای یادگیری ماشینی وجود دارد:

• یادگیری تحت نظارت (Supervised Learning): مجموعه‌های داده برچسب‌گذاری می‌شوند تا الگوها مشخص شده و برای برچسب‌گذاری مجموعه‌های جدید داده، استفاده شوند.
• یادگیری بدون نظارت (Unsupervised Learning): مجموعه‌های داده برچسب‌گذاری نمی‌شوند و براساس شباهت‌ها و تفاوت‌هایشان مرتب می‌شوند.
• یادگیری تقویتی (Reinforcement Learning): مجموعه‌های داده برچسب‌گذاری نمی‌شوند اما پس از انجام یک یا چند عمل، به سیستم هوش مصنوعی بازخورد می‌دهند.

۳. دید ماشینی: این فناوری توانایی دیدن را برای یک ماشین امکان‌پذیر می‌کند. دید ماشینی، اطلاعات دیداری را با استفاده از دوربین، تبدیل آنالوگ به دیجیتال و پردازش سیگنال دیجیتال دریافت کرده و مورد تجزیه و تحلیل قرار می‌دهد. این دید معمولا با بینایی انسان مقایسه می‌شود اما دید ماشینی محدودیت‌های زیست‌شناسی را ندارد و می‌تواند طوری برنامه‌نویسی شود که برای مثال آن طرف دیوار را ببیند.

دامنه کاربرد این فناوری بسیار وسیع است و از شناسایی امضا گرفته تا تحلیل تصاویر پزشکی را شامل می‌شود. دید کامپیوتری یا رایانه‌ای، روی پردازش تصاویر ماشینی تمرکز دارد و اغلب با دید ماشینی ترکیب می‌شود.

۴. پردازش طبیعی زبان (Natural Language Processing) یا NLP: این فناوری به پردازش زبان انسان توسط یک برنامه کامپیوتری مربوط است. یکی از نمونه‌های قدیمی و شناخته شده NLP، سیستم تشخیص اسپم است که با نگاه به موضوع و متن یک ایمیل تصمیم می‌گیرد که آیا هرزنامه است یا خیر. رویکردهای فعلی پردازش زبان طبیعی بر مبنای یادگیری ماشینی است. وظایف NLP، شامل ترجمه متن، تجزیه و تحلیل احساسات و تشخیص گفتار است.

۵. روباتیک: این حوزه از رشته مهندسی بر روی طراحی و ساخت روبات‌ها تمرکز دارد. معمولا از ربات‌ها برای انجام کارهای دشوار یا مداوم استفاده می‌شود. مثلا در خطوط مونتاژ تولید خودرو یا توسط ناسا برای جابجایی اجسام بزرگ در فضا استفاده می‌شوند. محققان همچنین با استفاده از یادگیری ماشینی، ربات‌هایی می‌سازند که می‌توانند در محیط‌های اجتماعی تعامل داشته باشند.

۶. ماشین‌های خودران: وسایل نقلیه خودران از ترکیب فناوری‌های دید کامپیوتری، تشخیص تصویر و یادگیری عمیق برای ایجاد مهارت‌های خودکار که در هدایت وسیله نقلیه در یک خط معین و اجتناب از موانع غیرمنتظره (مثل عابران پیاده) کاربرد دارند، استفاده می‌کنند.

۷. تولید متن، تصویر و صدا: تکنیک‌های هوش مصنوعی مولد، از روی پیام‌های متنی انواع مختلفی از رسانه‌ها را ایجاد می‌کنند. این ابزارها در کسب‌وکارهای مختلف به وفور و برای ایجاد دامنه به ظاهر نامحدودی از انواع محتوا (از تصاویر واقع‌گرایانه گرفته تا پاسخ ایمیل و فیلمنامه) مورد استفاده قرار می‌گیرند.

در بخش بعدی شما را با انواع مختلفی از کاربردهای هوش مصنوعی آشنا خواهیم کرد. با ما همراه باشید.

پیشنهاد مطالعه: ماینر چیست؟

کاربردهای هوش مصنوعی

AI در طیف وسیعی از بازارهای متنوع جایگاه خود را پیدا کرده است. در این بخش ۱۱ مورد از کاربردهای هوش مصنوعی در حوزه‌های مختلف را معرفی می‌کنیم:

هوش مصنوعی در حوزه مراقبت‌های بهداشتی: یکی از مهم‌ترین کاربردهای هوش مصنوعی به حوزه سلامت یعنی بهبود نتایج بیمار و کاهش هزینه‌ها در این حوزه مربوط می‌شود. شرکت‌های مختلف با به‌کارگیری یادگیری ماشینی در صدد یافتن روشی هستند که در آن تشخیص بیماری‌های انسانی سریع‌تر و بهتر انجام گیرد.

 یکی از فناوری‌های شناخته شده در مبحث سلامت، ابزار آی‌بی‌ام واتسون (IBM Watson) است. این ابزار زبان طبیعی را درک می‌کند و می‌تواند به سوالاتی که از او پرسیده می‌شود پاسخ بدهد. آی‌بی‌ام واتسون با تجزیه و تحلیل داده‌های مربوط به بیمار و سایر منابع اطلاعاتی یک فرضیه ساخته و سپس با توجه به یک سیستم امتیازدهی از نظر درجه اطمینان، آن را ارائه می‌کند.

سایر کاربردهای هوش مصنوعی در حوزه سلامت شامل دستیاران مجازی سلامت و چت‌بات‌هایی است که به بیماران و مشتریان مراکز سلامت کمک می‌کنند تا اطلاعات پزشکی را به دست آورند، نوبت معاینه بگیرند، روند پرداخت صورت‌حساب را بیاموزند و سایر فرایندهای اداری را تکمیل کنند. یکی از شاخه‌های فناوری AI نیز برای پیش‌بینی، مبارزه و درک همه‌گیری‌هایی چون کووید-۱۹ استفاده می‌شود.

هوش مصنوعی در حوزه کسب و کار: الگوریتم‌های هوش AI با پلتفرم‌های تجزیه و تحلیل و مدیریت ارتباط با مشتریان (CRM) ترکیب می‌شوند تا نشان دهند چطور می‌توان خدمات بهتری به مشتریان ارائه داد. چت‌بات‌ها در وب‌سایت‌ها برای ارائه خدمات فوری به مشتریان به کار گرفته شده‌اند. انتظار می‌رود با پیشرفت سریع فناوری هوش مصنوعی مولد (مانند چت‌جی‌پی‌تی)، با تحولات عظیمی چون حذف مشاغل، منقلب شدن طراحی محصول و اختلال در مدل‌های کسب‌وکاری رو به رو شویم.

هوش مصنوعی در حوزه آموزش: AI می‌تواند فرایند نمره‌دهی را خودکارسازی کند تا مدرسان زمان بیشتری را برای تمرکز روی سایر وظایفشان داشته باشند. هوش مصنوعی با رخنه در ابزارهای آموزشی می‌تواند با نیازهای دانش‌آموزان سازگار شده و به آن‌ها کمک کند با توجه به سرعت یادگیری خودشان از مواد آموزشی استفاده کنند. مدرسان AI پشتیبانی بیشتری از دانش‌آموزان به عمل آورده و اطمینان حاصل می‌کنند که آن‌ها در مسیر درست در حال پیشروی هستند.

این فناوری می‌تواند نحوه یادگیری دانش‌آموزان را تغییر داده و حتی جای مدرسان را بگیرد. همانطور که در چت‌جی‌پی‌تی، بارد (Bard) و سایر مدل‌های زبانی مشاهده شد، این ابزارها می‌توانند به مربیان کمک کنند تا مواد آموزشی و تمارین درسی را ایجاد کرده و به روش‌های جدیدی باعث درگیری ذهن دانش‌آموزان شوند. روی کار آمدن این نوع ابزار، همچنین مدرسان را مجبور خواهد ساخت تا درباره تکالیف خانه، آزمون گرفتن و سیاست‌های مربوط به سرقت ادبی بازنگری کنند.

هوش مصنوعی در حوزه امور مالی: AI در اپلیکیشن‌های امور مالی شخصی مثل اینتویت مینت (Intuit Mint) یا توربو تکس (Turbo Tax)، کار موسسات مشاور مالی را کساد می‌کند. چنین اپلیکیشن‌هایی اطلاعات شخصی فرد را گرداوری کرده و به او توصیه مالی می‌دهند. برنامه‌های دیگری چون آی‌بی‌ام واتسون برای فرایند خرید خانه هم به کار گرفته شده‌اند. امروزه، بیشتر معاملات وال استریت (Wall Street) از طریق نرم‌افزارهای هوش مصنوعی انجام می‌شوند.

هوش مصنوعی در حوزه قضایی: معمولا تکمیل فرایند غربال‌گری اسناد قانونی برای انسان کاری طاقت‌فرسا است. استفاده از AI‌ برای خودکارسازی فرایندهای پرزحمت حوزه قضایی، باعث صرفه‌جویی در زمان و بهبود خدمات مشتری می‌شود. شرکت‌های حقوقی به کمک یادگیری ماشینی به توصیف داده‌ها و پیش‌بینی نتایج می‌پردازند، از دید کامپیوتری برای طبقه‌بندی و استخراج اطلاعات موجود در اسناد استفاده می‌کنند و با به‌کارگیری پردازش زبان طبیعی (NLP) درخواست‌های اطلاعات را تفسیر می‌کنند.

هوش مصنوعی در حوزه سرگرمی و رسانه: صنعت سرگرمی با استفاده از تکنیک‌های AI به تبلیغ، پیشنهاد محتوا، توزیع، تشخیص کلاهبرداری، ایجاد فیلمنامه و ساخت فیلم می‌پردازد. با خودکار شدن وظایف خبرنگاران، از بار و پیچیدگی جریان کاری اتاق‌های خبر رسانه‌های مختلف کاسته شده و در زمان و هزینه آن‌ها صرفه‌جویی می‌شود.

اتاق‌های خبر، به کمک AI، وظایف روتینی چون ورود داده‌ها، تصحیح نگارشی آن‌ها، تحقیق درباره موضوعات و تعیین سرفصل‌ها را خودکار می‌سازند. البته اطمینان کردن خبرنگاران به استفاده از چت‌جی‌پی‌تی و سایر فناوری‌های هوش‌مصنوعی مولد برای تولید محتوا هنوز جای سوال دارد.

هوش مصنوعی در حوزه آی‌تی و برنامه‌نویسی نرم‌افزار: ابزارهای جدید و مولد AI براساس پرامپت‌های زبان طبیعی قابلیت استفاده در ساخت کد برای اپلیکیشن را دارند. البته این ابزارها در مراحل اولیه خود به سر می‌برند و بعید است که به این زودی جایگزین مهندسان نرم‌افزار شوند. می‌توان از AI برای خودکارسازی بسیاری از فرایندهای حوزه آی‌تی (IT) مانند ورود داده، تشخیص کلاهبرداری، خدمات مشتریان و موارد پیش‌بینی‌شده در حوزه نگهداری و امنیت هم استفاده کرد.

هوش مصنوعی در حوزه امنیت: AI و یادگیری ماشینی از جمله کلیدواژه‌های امنیتی پرتکراری هستند که فروشندگان برای بازاریابی محصولات خود از آن استفاده می‌کنند؛ بنابراین، خریداران باید در برخورد با این موارد جانب احتیاط را رعایت کنند. تکنیک‌های هوش مصنوعی در جنبه‌های مختلف امنیت سایبری (همچون تشخیص ناهنجاری، حل مشکل مثبت کاذب و انجام تجزیه و تحلیل تهدیدات رفتاری) موفقیت‌های خوبی را نصیب این حوزه کرده‌اند.

 سازمان‌های مختلف با استفاده از فناوری یادگیری ماشینی در نرم‌افزار مدیریت رویداد و اطلاعات امنیتی (SIEM) و حوزه‌های مشابه، به تشخیص ناهنجاری‌ها و شناسایی فعالیت‌های مشکوکی می‌پردازند که نشانه تهدید هستند. AI با استفاده از منطق و شناسایی شباهت‌های موجود با کدهای مخرب شناخته‌شده به تجزیه و تحلیل داده‌ها پرداخته و در صورت شناسایی حملات هکری جدید یا در حال پیشرف، بسیار زودتر از کارکنان انسانی و فناوری‌های پیشین هشدارهای لازم را ارائه می‌دهند.

هوش مصنوعی در حوزه تولید: حوزه تولید، جزء صنایع پیشگامی است که ربات‌ها را در جریان امور خود به کار گرفته است. برای مثال، ربات‌های صنعتی که زمانی برای انجام وظایف منفرد برنامه‌ریزی شده بودند و کارشان جدای از کارگران بود، امروزه به طور فزاینده به کوبات (Cobot) تبدیل شدند، یعنی ربات‌های کوچک‌تر چندکاره‌ای که به همکاری در کنار انسان مشغول هستند و در انبارها، کارخانه‌ها و سایر فضاهای کاری، مسئولیت بیشتر کارها را بر عهده دارند.

هوش مصنوعی در حوزه بانکداری: بانک‌ها با به‌کارگیری چت‌بات‌ها توانسته‌اند از آن‌ها برای آگاه‌سازی مشتریان در زمینه خدمات و پیشنهادات و مدیریت تراکنش‌هایی که نیازی به دخالت انسانی ندارند با موفقیت بهره ببرند. در این حوزه، از دستیاران مجازی AI به منظور بهبود و کاهش هزینه‌های مربوط به ایجاد انطباق با مقررات بانکی استفاده می‌شود. همچنین استفاده سازمان‌های بانکی از AI، سبب بهبود تصمیم‌گیری‌ این نهادها درباره وام‌ها، تنظیم محدودیت‌های اعتباری و شناسایی فرصت‌های سرمایه‌گذاری شده است.

هوش مصنوعی در حوزه حمل‌ونقل: AI، علاوه بر نقش مهمی که در به کار انداختن وسایل نقلیه خودران دارد، در حمل‌ونقل عمومی به منظور مدیریت ترافیک، پیش‌بینی تاخیر پرواز و ایمن‌سازی و کارآمدسازی کشتی‌های اقیانوسی مورد استفاده قرار می‌گیرد. هوش مصنوعی در زنجیره تامین، جایگزین روش‌های پیش‌بینی تقاضا و اختلالات شده است. این روند با همه‌گیری کووید-۱۹ سرعت بیشتری گرفت، یعنی زمانی که بسیاری از شرکت‌ها از تاثیر همه‌گیری جهانی این ویروس بر میزان عرضه و تقاضای کالا غافلگیر شدند.

پس از پرداختن به کاربردهای هوش مصنوعی، در بخش بعدی تفاوت بین هوش مصنوعی و هوش افزوده را به اختصار توضیح خواهیم داد.

بیشتر بخوانید: تاریخچه NFT

مقایسه هوش مصنوعی با هوش افزوده

برخی از کارشناسان صنعت معتقدند هوش مصنوعی ارتباط بسیار نزدیکی با فرهنگ عامه دارد و این موضوع باعث شده عموم مردم انتظارات نامحتملی را درباره نحوه تاثیر آن بر محل کار و زندگی خود داشته باشند. آن‌ها پیشنهاد کرده‌اند برای تفاوت قائل شدن بین سیستم‌های AI، که به طور مستقل کار می‌کنند (مانند Hal 9000 و Terminator) و سایر ابزارهای AI که از انسان پشتیبانی می‌کنند، از اصطلاح هوش افزوده استفاده شود.

هوش افزوده: برخی محققان و بازاریابان معتقدند برچسب هوش افزوده (که مفهوم خنثی‌تری دارد) به آن دسته از ابزارهای AI اطلاق می‌شود که در دسته هوش مصنوعی ضعیف قرار دارند و تنها باعث بهبود کالاها و خدمات می‌شوند. نمایش خودکار اطلاعات مهم در گزارش‌های هوشمند کسب‌وکار یا هایلایت ساختن اطلاعات مهم در پرونده‌های قانونی از جمله وظایفی است که این دسته از ابزار انجام می‌دهند.

هوش مصنوعی: AI حقیقی یا به عبارتی هوش عمومی مصنوعی (AGI)، با مفهوم تکینگی فناوری (Technology Singularity) ارتباط تنگاتنگی دارد. فرضیه تکینگی فناوری، خبر از آینده‌ای می‌دهد که در آن هوش مصنوعی از توانایی ذهن انسانی و درک او فراتر رفته و بر جهان بشری حکم‌فرما خواهد شد.

 با اینکه برخی از توسعه‌دهندگان در حال کار روی این نظریه هستند، احتمالا مفهوم آن از قلمروی داستان‌های علمی تخیلی فراتر نخواهد رفت. بسیاری بر این باورند که فناوری‌هایی مثل محاسبات کوانتوم نقش مهمی در به حقیقت پیوستن هوش عمومی مصنوعی خواهند داشت و ما باید اصطلاح هوش مصنوعی را برای این نوع از هوش عمومی محفوظ نگه داریم.

پس از تعریف هوش مصنوعی و هوش افزوده، این نکته هم حائز اهمیت است که اخلاقیات در استفاده از ابزارهای هوش مصنوعی چگونه حفظ می‌شود.

پیشنهاد مطالعه: واقعیت مجازی چیست؟

استفاده اخلاقی از هوش مصنوعی

با اینکه ابزارهای AI دامنه جدیدی از کارکردها را برای کسب‌وکارها فراهم کرده، استفاده از آن‌ها برخی سوالات اخلاقی را به وجود آورده چون خوب یا بد، یک سیستم هوش مصنوعی باعث تقویت آن اطلاعاتی می‌شود که پیش از این آموخته است.

این موضوع می‌تواند مشکل‌ساز باشد چون هوش الگوریتم‌های یادگیری ماشینی (که در بسیاری از ابزارهای AI پیشرفته مورد استفاده قرار گرفته) تنها به اندازه اطلاعاتی است که به منظور آموزش به آن‌ها داده شده است. از آنجا که انسان انتخاب می‌کند تا یک برنامه هوش مصنوعی چه مطالبی را بیاموزد، احتمال تزریق اطلاعات جانبدارانه به فناوری یادگیری ماشینی وجود دارد و از این نظر، نیاز به نظارت وجود دارد.

هر شخصی که برای سیستم‌های تولیدی به دنبال استفاده از یادگیری ماشینی است باید فاکتورهای اخلاقی را در فرآیند آموزش ماشین به کار گرفته و از هر گونه سوگیری در این زمینه پیشگیری کند. این مورد، مخصوصا زمانی به کار می‌آید که از الگوریتم‌های AI غیرقابل توضیح در یادگیری عمیق و اپلیکیشن‌های شبکه‌های مولد متخاصم (GAN) استفاده می‌شود.

توضیح‌پذیری، یکی از موانع بالقوه برای استفاده از هوش مصنوعی در صنایعی است که تحت قوانین و الزامات سخت‌گیرانه کار می‌کنند. برای مثال، موسسات مالی ایالات متحده آمریکا، براساس قانون ملزم هستند تصمیماتی که درباره اعتبارات صادر کرده‌اند را توضیح دهند.

وقتی برنامه‌نویسی هوش مصنوعی باعث رد اعتبار یک فرد می‌شود، توضیح نحوه تصمیم‌گیری آن دشوار خواهد بود چون ابزارهای AI با از بین بردن همبستگی‌های ظریفی که بین هزاران متغیر وجود دارد، دست به تصمیم‌گیری می‌زنند. وقتی فرایند تصمیم‌گیری قابل توضیح نباشد، آن برنامه به عنوان «جعبه سیاه هوش مصنوعی» شناخته می‌شود.

در کل، چالش‌های اخلاقی مربوط به هوش مصنوعی شامل موارد زیر است:

• جانبداری: آموزش نامناسب الگوریتم‌ها و تعصب انسانی
• سوءاستفاده: دیپ‌فیک و فیشینگ
• مشکلات حقوقی: مسائل مربوط به افترای هوش مصنوعی و قوانین کپی رایت
• حذف مشاغل
• نگرانی درباره حفظ حریم خصوصی، مخصوصا در زمینه‌های بانکی، سلامت و حقوقی

قوانین و مقررات هوش مصنوعی

با وجود خطرات بالقوه‌ای که در استفاده از ابزارهای هوش مصنوعی وجود دارد، در حال حاضر، مقررات کمی بر این سیستم‌ها حاکم است. قوانین موجود هم به طور غیرمستقیم به هوش مصنوعی مربوط می‌شوند. برای مثال، همانطور که در بخش پیش اشاره کردیم، طبق مقررات وام‌دهی منصفانه ایالات متحده آمریکا (U.S Fair Lending)، موسسات مالی ملزم هستند نحوه اتخاذ تصمیمات اعتباری را برای مشتریان توضیح دهند. این امر باعث می‌شود موسسات وام‌دهنده اجازه استفاده از الگوریتم‌های یادگیری عمیق را نداشته باشند، چون ماهیت آن‌ها شفاف نبوده و روند اتخاذ تصمیماتشان قابل توضیح نیست.

سازمان مقررات عمومی حفاظت از داده اتحادیه اروپا (GDRR)، در حال بررسی قوانین مربوط به حوزه هوش مصنوعی است. محدودیت‌های سخت‌گیرانه GDRR درباره نحوه استفاده سازمان‌ها از داده‌های مشتریان، باعث محدودیت ساخت و استفاده بسیاری از اپلیکیشن‌های هوش مصنوعی می‌شود.

سیاست‌گذاران آمریکایی هنوز قوانین مربوط به AI را صادر نکرده‌اند اما ممکن است به زودی اخبار جدیدی از این موضوع به گوش برسد. طرحی که در اکتبر  ۲۰۲۲ توسط دفتر سیاست علم و فناوری کاخ سفید (OSTP) با عنوان «منشور حقوق هوش مصنوعی»  منتشر شد، درباره چگونگی پیاده‌سازی سیستم‌های هوش مصنوعی اخلاقی، کسب‌وکارها را راهنمایی می‌کند. اتاق بازرگانی ایالات متحده (U.S. Chamber of Commerce) هم در گزارش ماه مارس ۲۰۲۳، خواستار قانونگذاری درباره هوش مصنوعی شد.

تدوین قانون برای حوزه هوش مصنوعی کار چندان ساده‌ای نخواهد بود. چون از یک طرف، AI خود از فناوری‌های مختلفی تشکیل شده که شرکت‌ها با اهداف مختلف از آن‌ها استفاده می‌کنند و از طرف دیگر، قانونگذاری هوش مصنوعی می‌تواند به قیمت جلوگیری از پیشرفت و توسعه آن تمام شود.

رشد سریع فناوری‌های AI هم مانع دیگری برای شکل‌گیری قوانین معنادار در این زمینه می‌شود. چالش‌های مربوط به عدم شفافیت نحوه نتیجه‌گیری در الگوریتم‌های یادگیری ماشینی نیز یک مانع دیگر به شمار می‌رود. علاوه بر این، پیشرفت‌های فناوری و اپلیکیشن‌های جدیدی مثل چت‌جی‌پی‌تی و دال‌-ای (Dall-E) می‌توانند خیلی زود قوانین موجود را منسوخ کنند. البته، باید این موضوع را هم در نظر داشت که، قوانینی که توسط دولت‌ها وضع می‌شود، باعث بازداشتن مجرمان در سوءاستفاده از این فناوری نمی‌گردد.

در بخش بعدی نگاهی به تاریخچه هوش مصنوعی خواهیم داشت. با ما همراه باشید.

بیشتر بخوانید: میکر و تیکر چیست؟

تاریخچه هوش مصنوعی

مفهوم اشیای بی‌جان اما دارای هوش از زمان‌های گذشته وجود داشته است. در اسطوره‌ها آمده که هفائستوس (Hephaestus)، خدای یونانی، از طلا برای خود خدمتکاران ربات-مانندی می‌سازد. در طول قرن‌ها، از ارسطو (Aristotle) در قرن ۱۳ گرفته تا رامون لول (Ramon Llull)، الهی‌دان اسپانیایی، رنه دکارت (Rene Descartes) و توماس بیز (Thomas Bayes) از ابزارها و منطق زمان خود برای توصیف فرایندهای فکری انسان به عنوان نماد استفاده کرده و در حقیقت از همان زمان پایه و اساس مفاهیم هوش مصنوعی مانند بازنمایی دانش عمومی را برپا کردند.

در اواخر قرن ۱۹ و نیمه اول قرن ۲۰، کامپیوترهای مدرن روی کار آمدند. چارلز بابیج (Charles Babage)، ریاضی‌دان دانشگاه کمبریج (Cambridge University) و آگوستا آدا کینگ (Augusta Ada King)، کنتس لاولیس (Lovelace)، اولین طرح را برای یک ماشین قابل‌برنامه‌ریزی اختراع کردند.

در دهه ۱۹۴۰، جان فون نویمان (John Von Neumann)، ریاضیدان دانشگاه پرینستون (Princeton)، معماری مورد نیاز برای ذخیره برنامه کامپیوتر را طرح‌ریزی کرد. طبق این ایده، برنامه کامپیوتری و داده‌هایی که توسط آن پردازش می‌شد در حافظه کامپیوتر قابل ذخیره بود. در همین دهه، وارن مک‌کالوچ (Warren McCulloch) و والتر پیتس (Walter Pitts) پایه و اساس شبکه‌های عصبی را بنا کردند.

در دهه ۱۹۵۰، با ظهور کامپیوترهای مدرن، دانشمندان توانستند ایده‌های خود درباره هوش ماشینی را مورد آزمایش قرار دهند. یک ریاضیدان انگلیسی به نام آلن تورینگ (Alan Turing) که کدشکن جنگ جهانی دوم بود، یکی از روش‌هایی را ابداع کرد که برای تعیین وجود هوش در کامپیوتر مورد استفاده قرار گرفت. آزمایش تورینگ بر توانایی کامپیوتر در فریب دادن بازجویان تمرکز داشت و سعی داشت به بازجویان بقبولاند که پاسخ‌های کامپیوتر به سوالات، توسط انسان تولید شده‌اند.

در سال ۱۹۵۶، طی یک کنفرانس در کالج دارتموث (Dartmouth) از حوزه مدرن هوش مصنوعی نام برده شد. ۱۰ نفر از افراد برجسته و پیشگام در حوزه هوش مصنوعی همچون ماروین مینسکی (Marvin Minsky)، الیور سلفریج (Oliver Selfridge) و جان مک‌کارتی (John McCarthy) که واژه هوش مصنوعی را ابداع کردند در این کنفرانس که با حمایت ِآژانس پروژه‌های تحقیقاتی پیشرفته دفاعی (DARPA) برپا شده بود شرکت داشتند.

همچنین، آلن نیول (Alan Newel)، مهندس کامپیوتر و هربرت ای. سیمون (Herbert A. Simon)، اقتصاددان و دانشمند علوم سیاسی و روانشناسی شناختی در این مراسم حضور داشتند. این دو نظریه‌پرداز، منطق پیشگامانه خود را در این زمینه ارائه کرده و یک برنامه کامپیوتری را معرفی کردند که می‌توانست برخی از قضایای ریاضی را اثبات کند که به عنوان اولین برنامه هوش مصنوعی از آن یاد می‌شود.

در دهه‌های ۱۹۵۰ و ۱۹۶۰، در پی کنفرانس کالج دارتموث، رهبران حوزه نوپای AI پیش‌بینی کردند که یک نمونه هوش مصنوعی ساخته دست بشر به وجود خواهد آمد که با ذهن انسان برابری خواهد داشت. این موضوع باعث جلب نظر دولت شده و حمایت آن از این صنعت را به دنبال داشت. در واقع حدود ۲۰ سال، تحقیقات پایه‌ای در این زمینه با بودجه بسیار خوبی انجام گرفت و پیشرفت‌های قابل‌توجهی در AI به وجود آورد. برای مثال، در اواخر دهه ۱۹۵۰، نیول و سیمون الگوریتم عمومی حل مساله (GPS) را منتشر کردند که در حل مسائل پیچیده نتوانست انتظارات را برآورده کند، اما پایه‌های اولیه را برای توسعه معماری‌های شناختی پیچیده ایجاد کرد.

مک‌کارتی و لیسپ (Lisp) یک زبان برای برنامه‌نویسی هوش مصنوعی ابداع کردند که امروزه هم مورد استفاده قرار می‌گیرد. در اواسط دهه ۱۹۶۰، جوزف ویزن‌بام (Joseph Weizenbaum)، پروفسور دانشگام MIT، پروژه الیزا (ELIZA) را توسعه داد. الیزا برنامه اولیه پردازش زبان طبیعی (NLP) بود که پایه و اساس چت‌بات‌های امروزی را شکل داد.

در دهه‌های ۱۹۷۰ و ۱۹۸۰، مشخص شد رسیدن به هوش عمومی مصنوعی کار چندان ساده‌ای نیست و به این زودی میسر نخواهد شد، چرا که محدودیت‌های حافظه و پردازش کامپیوتر با میزان پیچیدگی مسائل همخوانی نداشته و باعث بروز چالش شده بود. به این ترتیب، دولت به حمایت‌های خود از تحقیقات هوش مصنوعی خاتمه داد و از ۱۹۷۴ تا ۱۹۸۰ دوره‌ای شکل گرفت که به آن «زمستان هوش مصنوعی» (AI Winter) می‌گفتند.

در دهه ۱۹۸۰، تحقیقات درباره تکنیک‌های یادگیری عمیق و پذیرش سیستم‌های کارشناس ادوارد فایگنبام (Edward Feigenbaum)، موج جدیدی از اشتیاق را در حوزه هوش مصنوعی برانگیخت. البته، پس از آن باز هم بودجه دولتی و حمایت‌های صنعتی  قطع شد و دومین زمستان AI تا اواسط دهه ۱۹۹۰ ادامه یافت.

در اواخر دهه ۱۹۹۰، افزایش قدرت محاسباتی و انفجار داده‌ها یک رنسانس هوش مصنوعی را پدید آورد که زمینه را برای پیشرفت‌های قابل‌توجهی که امروزه شاهد هستیم فراهم آورد. ترکیب داده‌های کلان و افزایش قدرت محاسباتی کامپیوترها باعث رشد فناوری‌های NLP، دید کامپیوتری، روباتیک، یادگیری ماشینی و یادگیری عمیق شد.

 در سال ۱۹۹۷، با سرعت گرفتن پیشرفت حوزه هوش مصنوعی، برنامه آی‌بی‌ام دیپ بلو (IBM’s Deep Blue)، استادبزرگ شطرنج روسی یعنی گری کاسپاروف (Garry Kasparov) را شکست داد و به اولین برنامه کامپیوتری تبدیل شد که توانسته قهرمان شطرنج دنیا را شکست دهد.

در دهه ۲۰۰۰، پیشرفت‌های جدیدی در عرصه یادگیری ماشینی، یادگیری عمیق، NLP، تشخیص گفتار و دید کامپیوتری پدید آمد که باعث ظهور محصولات و خدماتی شد که امروزه در زندگی ما راه پیدا کرده‌اند. در سال ۲۰۰۰، موتور جستجوی گوگل (Google) و در سال ۲۰۰۱، موتور توصیه (پیشنهاد) محصول آمازون (Amazon) راه‌اندازی شد.

 نتفلیکس (Netflix) هم سیستم توصیه و پیشنهاد فیلم خود را توسعه داد و فیس‌بوک (Facebook) از سیستم تشخیص چهره رونمایی کرد. مایکروسافت سیستم تشخیص گفتار را برای تبدیل گفتار به نوشتار توسعه داد و شرکت آی‌بی‌ام (IBM) برنامه واتسون (Watson) را راه‌اندازی کرد. در نهایت گوگل اختراع خودران خود با نام ویمو (Waymo) را به دنیا معرفی کرد.

در فاصله بین دهه‌های ۲۰۱۰ تا ۲۰۲۰، جریان ثابتی از پیشرفت‌های هوش مصنوعی را شاهد بودیم. دستیار صوتی سیری (Siri) اپل، و الکسای (Alexa)  آمازون، موفقیت‌های برنامه واتسون (Watson) در مسابقه تلویزیونی جئوپاردی (Jeopardy)، ماشین‌های خودران، توسعه اولین شبکه مولد متخاصم، راه‌اندازی تنسورفلو (TensorFlow)، چارچوب یادگیری عمیق متن‌باز گوگل، همگی جزئی از این محصولات و خدمات بودند.

 با تاسیس آزمایشگاه تحقیقاتی اوپن‌اِی‌آی (OpenAI)، توسعه‌دهندگان، مدل‌های زبانی جی‌پی‌تی-تری (GPT-3) و تصویرساز دال-ای (Dall-E) را پدید آورند. شکست قهرمان گوی جهان لی سدول (Lee Sedol) توسط محصول آلفاگوی (AlphaGo) گوگل و پیاده‌سازی سیستم‌های هوش مصنوعی برای تشخیص سرطان (با دقت بسیار بالا) هم از دیگر دستاوردهای این حوزه بوده است.

در دهه کنونی شاهد ظهور هوش مصنوعی مولد هستیم، نوعی از فناوری مصنوعی که می‌تواند محتوای جدید تولید کند. هوش مصنوعی مولد با یک پرامپت (prompt) شروع می‌شود که می‌تواند به شکل متن، تصویر، ویدیو، طراحی، نوت موسیقی یا هر ورودی دیگری باشد که در سیستم AI قابل پردازش است.

محتوای خروجی می‌تواند مقاله، راه حل یک مساله یا محتواهای فیک اما واقع‌گرایانه‌ای باشد که از تصاویر یا صدای یک شخص پدید آمده‌اند. توانایی‌های مدل‌های زبانی هوش مصنوعی مثل چت‌جی‌پی‌تی-تری، گوگل بارد و مگاترون-تورینگ ان‌ال‌جی (Megatron-Turing NLG) مایکروسافت، جهان را شگفت‌زده کرده اما این فناوری هنوز در مراحل اولیه است و گاه پاسخ‌های انحرافی و بدون قابلیت استناد ارائه می‌دهند.

جمع‌بندی

در این مقاله از پارسیان کریپتو ابتدا به مفهوم هوش مصنوعی چیست پرداخته و نحوه کار آن را توضیح دادیم. پس از تعریف هوش مصنوعی، درباره هوش مصنوعی قوی و ضعیف سخن گفتیم و انواع آن را نام بردیم. سپس، مزایا و معایب و هوش مصنوعی در کسب و کارهای مختلف را مورد بررسی قرار داده و نشان دادیم هوش مصنوعی چه کارهای انجام می دهد. در ادامه، به قوانین و اخلاقیات این حوزه پرداخته و کاربردهای هوش مصنوعی را برشمردیم و در نهایت تاریخچه هوش مصنوعی را مرور کردیم. امیدواریم این مقاله، اطلاعات مورد نیاز شما درباره حوزه هوش مصنوعی را در اختیارتان قرار داده باشد.

سوالات متداول درباره هوش مصنوعی

هوش مصنوعی چیست؟

هوش مصنوعی (AI) به زبان ساده، به توانایی ماشین‌ها یا سیستم‌های کامپیوتری در انجام کارهایی اشاره دارد که معمولا تا پیش از این تنها توسط انسان قابل انجام بوده است. AI یک فناوری و رشته تحصیلی است که هدف آن ایجاد ماشین‌هایی است که می‌توانند از تجارب گذشته خود درس گرفته، با اطلاعات جدید سازگاری پیدا کنند و بدون نیاز به هیچ برنامه‌نویسی صریحی کارهایی را انجام دهند. در واقع به شبیه‌سازی هوش بشر در ماشین‌های برنامه‌ریزی شده (که مانند انسان فکر کرده و از اعمال آن‌ها تقلید می‌کنند) هوش مصنوعی گفته می‌شود.

انواع هوش مصنوعی کدامند؟

هوش مصنوعی چهار نوع دارد: واکنشی (Reactive)، تئوری ذهن (Theory of mind)، حافظه محدود (Limited Memory) و خودآگاه (Self-aware).

هوش مصنوعی چه کارهایی انجام می دهد؟

هوش مصنوعی اغلب برای ارائه پیشنهادهای شخصی‌سازی شده (براساس جستجوها و خریدهای قبلی و سایر رفتارهای آنلاین افراد) مورد استفاده قرار می‌گیرد. در بهینه‌سازی محصول، برنامه‌ریزی موجودی و تدارکات هم کاربرد دارد. یادگیری ماشینی، امنیت سایبری، مدیریت ارتباط با مشتریان، جستجوهای اینترنتی و دستیاران شخصی محصولات دیجیتالی هم از دیگر کاربردهای رایج هوش مصنوعی است. فناوری‌های دستیار صوتی، تشخیص چهره برای باز کردن قفل تلفن همراه و تشخیص کلاهبرداری مالی براساس ML هم نمونه‌هایی از نرم‌افزارهای هوش مصنوعی هستند که در حال استفاده از آن هستیم.