هوش مصنوعی شبیه سازی فرآیندهای هوش انسانی توسط ماشین ها به ویژه سیستم های کامپیوتری است. کاربردهای خاص هوش مصنوعی شامل سیستم های خبره، پردازش زبان طبیعی، تشخیص گفتار و بینایی ماشین است.
هوش مصنوعی چگونه کار می کند؟
از آنجایی که هیاهوی هوش مصنوعی افزایش یافته است، فروشندگان در تلاش برای تبلیغ نحوه استفاده محصولات و خدماتشان از هوش مصنوعی هستند. اغلب آنچه آنها به عنوان AI از آن یاد می کنند، به سادگی یکی از اجزای هوش مصنوعی است، مانند یادگیری ماشین. هوش مصنوعی به پایه ای از سخت افزار و نرم افزار تخصصی برای نوشتن و آموزش الگوریتم های یادگیری ماشین نیاز دارد. هیچ زبان برنامه نویسی مترادف با هوش مصنوعی نیست، اما تعداد کمی از آنها از جمله پایتون، R و جاوا محبوب هستند.
به طور کلی، سیستمهای هوش مصنوعی با دریافت مقادیر زیادی از دادههای آموزشی برچسبگذاریشده، تجزیه و تحلیل دادهها برای همبستگیها و الگوها، و استفاده از این الگوها برای پیشبینی وضعیتهای آینده کار میکنند. به این ترتیب، یک ربات چت که از نمونههایی از چتهای متنی تغذیه میشود، میتواند یاد بگیرد که تبادلات واقعی با افراد ایجاد کند، یا یک ابزار تشخیص تصویر میتواند با مرور میلیونها مثال، شناسایی و توصیف اشیاء در تصاویر را بیاموزد.
برنامه نویسی هوش مصنوعی بر سه مهارت شناختی تمرکز دارد: یادگیری، استدلال و اصلاح خود.
فرآیندهای یادگیری این جنبه از برنامه نویسی هوش مصنوعی بر روی دستیابی به داده ها و ایجاد قوانینی برای چگونگی تبدیل داده ها به اطلاعات عملی تمرکز دارد. قوانین، که الگوریتم نامیده می شوند، دستورالعمل های گام به گام را برای دستگاه های محاسباتی برای نحوه تکمیل یک کار خاص ارائه می دهند.
فرآیندهای استدلال این جنبه از برنامه نویسی هوش مصنوعی بر انتخاب الگوریتم مناسب برای رسیدن به یک نتیجه دلخواه متمرکز است. فرآیندهای خود اصلاحی این جنبه از برنامه نویسی هوش مصنوعی برای تنظیم مداوم الگوریتم ها و اطمینان از ارائه دقیق ترین نتایج ممکن طراحی شده است.
چرا هوش مصنوعی مهم است؟
هوش مصنوعی به این دلیل مهم است که می تواند بینش هایی را در مورد عملیات خود به شرکت ها بدهد که ممکن است قبلاً از آن آگاه نبوده باشند و به این دلیل که در برخی موارد، هوش مصنوعی می تواند وظایف را بهتر از انسان ها انجام دهد. به ویژه هنگامی که صحبت از کارهای تکراری و جزئیات محور مانند تجزیه و تحلیل تعداد زیادی از اسناد قانونی برای اطمینان از پر شدن صحیح فیلدهای مربوطه می شود، ابزارهای هوش مصنوعی اغلب کارها را به سرعت و با خطاهای نسبتا کمی تکمیل می کنند.
این به انفجار در کارایی کمک کرده و دری را برای فرصتهای تجاری کاملاً جدید برای برخی از شرکتهای بزرگتر باز کرده است. قبل از موج فعلی هوش مصنوعی، تصور استفاده از نرم افزارهای کامپیوتری برای اتصال سواران به تاکسی سخت بود، اما امروزه اوبر با انجام این کار به یکی از بزرگترین شرکت های جهان تبدیل شده است. این برنامه از الگوریتمهای یادگیری ماشینی پیچیده برای پیشبینی اینکه چه زمانی افراد احتمالاً در مناطق خاصی نیاز به سواری دارند، استفاده میکند، که کمک میکند تا رانندگان پیش از نیاز، به طور فعال در جادهها حرکت کنند. به عنوان مثال دیگر، گوگل با استفاده از یادگیری ماشینی برای درک نحوه استفاده مردم از خدمات و سپس بهبود آنها، به یکی از بزرگترین بازیگران برای طیف وسیعی از خدمات آنلاین تبدیل شده است. در سال 2017، ساندار پیچای، مدیرعامل این شرکت، اعلام کرد که گوگل به عنوان یک شرکت “اول AI” فعالیت خواهد کرد.
بزرگترین و موفقترین شرکتهای امروزی از هوش مصنوعی برای بهبود عملکرد خود و کسب مزیت نسبت به رقبای خود استفاده کردهاند.
مزایا و معایب هوش مصنوعی چیست؟
شبکههای عصبی مصنوعی و فناوریهای هوش مصنوعی یادگیری عمیق به سرعت در حال تکامل هستند، در درجه اول به این دلیل که هوش مصنوعی مقادیر زیادی از دادهها را بسیار سریعتر پردازش میکند و پیشبینیها را دقیقتر از آنچه که انسان ممکن است انجام میدهد.
در حالی که حجم عظیم دادهای که به صورت روزانه ایجاد میشود، یک محقق انسانی را مدفون میکند، برنامههای کاربردی هوش مصنوعی که از یادگیری ماشینی استفاده میکنند، میتوانند آن دادهها را گرفته و به سرعت آنها را به اطلاعات عملی تبدیل کنند. در زمان نگارش این مقاله، عیب اصلی استفاده از هوش مصنوعی این است که پردازش مقادیر زیادی از دادههای مورد نیاز برنامهنویسی هوش مصنوعی گران است.
مزایا
در مشاغل مرتبط با جزئیات خوب است.
کاهش زمان برای کارهای سنگین داده؛
نتایج ثابتی را ارائه می دهد. و
عوامل مجازی مبتنی بر هوش مصنوعی همیشه در دسترس هستند.
معایب
معایب
به تخصص فنی عمیق نیاز دارد.
عرضه محدود کارگران واجد شرایط برای ساخت ابزارهای هوش مصنوعی؛
فقط می داند چه چیزی نشان داده شده است. و
عدم توانایی تعمیم از یک کار به کار دیگر.
هوش مصنوعی قوی در مقابل هوش مصنوعی ضعیف
هوش مصنوعی را می توان به دو دسته ضعیف یا قوی طبقه بندی کرد.
هوش مصنوعی ضعیف، همچنین به عنوان هوش مصنوعی باریک شناخته می شود، یک سیستم هوش مصنوعی است که برای انجام یک کار خاص طراحی و آموزش داده شده است. روباتهای صنعتی و دستیارهای شخصی مجازی مانند سیری اپل از هوش مصنوعی ضعیف استفاده میکنند.
هوش مصنوعی قوی، همچنین به عنوان هوش عمومی مصنوعی (AGI) شناخته می شود، برنامه ریزی را توصیف می کند که می تواند توانایی های شناختی مغز انسان را تکرار کند. هنگامی که با یک کار ناآشنا ارائه می شود، یک سیستم هوش مصنوعی قوی می تواند از منطق فازی برای اعمال دانش از یک دامنه به حوزه دیگر و یافتن راه حل به طور مستقل استفاده کند. در تئوری، یک برنامه هوش مصنوعی قوی باید بتواند هم تست تورینگ و هم تست اتاق چینی را پشت سر بگذارد.
4 نوع هوش مصنوعی چیست؟
آرند هینتز، استادیار زیست شناسی و علوم کامپیوتری و مهندسی در دانشگاه ایالتی میشیگان، در مقاله ای در سال 2016 توضیح داد که هوش مصنوعی را می توان به چهار نوع طبقه بندی کرد، که از سیستم های هوشمند ویژه کار که امروزه به طور گسترده استفاده می شود شروع می شود و به سیستم های حساس پیشرفت می کند. ، که هنوز وجود ندارند. دسته بندی ها به شرح زیر است:
نوع 1: ماشین های راکتیو این سیستمهای هوش مصنوعی حافظه ندارند و مختص وظایف هستند. به عنوان مثال Deep Blue، برنامه شطرنج IBM که گری کاسپاروف را در دهه 1990 شکست داد. آبی عمیق می تواند مهره های روی صفحه شطرنج را شناسایی کند و پیش بینی کند، اما چون حافظه ندارد، نمی تواند از تجربیات گذشته برای اطلاع رسانی به آینده استفاده کند.
نوع 2: حافظه محدود. این سیستم های هوش مصنوعی دارای حافظه هستند، بنابراین می توانند از تجربیات گذشته برای اطلاع رسانی تصمیمات آینده استفاده کنند. برخی از عملکردهای تصمیم گیری در خودروهای خودران به این شکل طراحی شده اند.
نوع 3: نظریه ذهن. نظریه ذهن یک اصطلاح روانشناسی است. وقتی برای هوش مصنوعی اعمال می شود، به این معنی است که این سیستم از هوش اجتماعی برای درک احساسات برخوردار است. این نوع هوش مصنوعی قادر به استنباط نیات انسان و پیش بینی رفتار خواهد بود، مهارتی ضروری برای سیستم های هوش مصنوعی برای تبدیل شدن به اعضای جدایی ناپذیر تیم های انسانی.
نوع 4: خودآگاهی. در این دسته، سیستمهای هوش مصنوعی حسی از خود دارند که به آنها آگاهی میدهد. ماشین های دارای خودآگاهی وضعیت فعلی خود را درک می کنند. این نوع هوش مصنوعی هنوز وجود ندارد.
نمونه هایی از فناوری هوش مصنوعی چیست و امروزه چگونه از آن استفاده می شود؟
هوش مصنوعی در انواع مختلف فناوری گنجانده شده است. در اینجا شش مثال آورده شده است:
- اتوماسیون. وقتی ابزارهای اتوماسیون با فناوریهای هوش مصنوعی همراه شوند، میتوانند حجم و انواع وظایف انجامشده را افزایش دهند. به عنوان مثال، اتوماسیون فرآیند روباتیک (RPA)، نوعی نرم افزار است که وظایف پردازش داده های تکراری و مبتنی بر قوانین را که به طور سنتی توسط انسان انجام می شود، خودکار می کند. وقتی RPA با یادگیری ماشینی و ابزارهای نوظهور هوش مصنوعی ترکیب شود، میتواند بخشهای بزرگتری از مشاغل سازمانی را خودکار کند و رباتهای تاکتیکی RPA را قادر میسازد تا اطلاعات هوش مصنوعی را منتقل کنند و به تغییرات فرآیند پاسخ دهند.
- فراگیری ماشین. این علم به کار بردن کامپیوتر بدون برنامه نویسی است. یادگیری عمیق زیرمجموعه ای از یادگیری ماشینی است که به زبان بسیار ساده می توان آن را خودکارسازی تحلیل های پیش بینی کننده در نظر گرفت. سه نوع الگوریتم یادگیری ماشین وجود دارد:
یادگیری تحت نظارت. مجموعه دادهها برچسبگذاری میشوند تا الگوها را بتوان شناسایی کرد و برای برچسبگذاری مجموعههای داده جدید استفاده کرد.
یادگیری بدون نظارت مجموعه داده ها برچسب گذاری نمی شوند و بر اساس شباهت ها یا تفاوت ها مرتب شده اند.
یادگیری تقویتی مجموعه دادهها برچسبگذاری نمیشوند، اما پس از انجام یک عمل یا چندین عمل، به سیستم هوش مصنوعی بازخورد داده میشود. - بینایی ماشین. این فناوری به ماشین توانایی دیدن می دهد. بینایی ماشین با استفاده از دوربین، تبدیل آنالوگ به دیجیتال و پردازش سیگنال دیجیتال، اطلاعات بصری را ضبط و تجزیه و تحلیل می کند. اغلب با بینایی انسان مقایسه میشود، اما بینایی ماشینی به بیولوژی محدود نمیشود و میتوان برای مثال برای دیدن از میان دیوارها برنامهریزی کرد. در طیف وسیعی از کاربردها از شناسایی امضا تا تجزیه و تحلیل تصویر پزشکی استفاده می شود. بینایی رایانهای که بر پردازش تصویر مبتنی بر ماشین متمرکز است، اغلب با بینایی ماشین ترکیب میشود.
- پردازش زبان طبیعی (NLP). این پردازش زبان انسان توسط یک برنامه کامپیوتری است. یکی از قدیمیترین و شناختهشدهترین نمونههای NLP، تشخیص هرزنامه است که به موضوع و متن ایمیل نگاه میکند و تصمیم میگیرد که آیا ناخواسته است یا خیر. رویکردهای فعلی NLP مبتنی بر یادگیری ماشینی است. وظایف NLP شامل ترجمه متن، تجزیه و تحلیل احساسات و تشخیص گفتار است.
- رباتیک. این رشته مهندسی بر طراحی و ساخت ربات ها تمرکز دارد. ربات ها اغلب برای انجام کارهایی استفاده می شوند که انجام آنها یا انجام مداوم آنها برای انسان دشوار است. به عنوان مثال، ربات ها در خطوط مونتاژ برای تولید خودرو یا توسط ناسا برای جابجایی اجسام بزرگ در فضا استفاده می شوند. محققان همچنین از یادگیری ماشینی برای ساخت ربات هایی استفاده می کنند که می توانند در محیط های اجتماعی تعامل داشته باشند.
- ماشین های خودران. وسایل نقلیه خودران از ترکیبی از دید کامپیوتر، تشخیص تصویر و یادگیری عمیق برای ایجاد مهارت خودکار در هدایت وسیله نقلیه در حالی که در یک خط معین میمانند و اجتناب از موانع غیرمنتظره مانند عابران پیاده استفاده میکنند.
کاربردهای هوش مصنوعی چیست؟
هوش مصنوعی راه خود را به بازارهای مختلف باز کرده است. در اینجا نه نمونه آورده شده است.
هوش مصنوعی در مراقبت های بهداشتی بزرگترین شرط ها بر روی بهبود نتایج بیمار و کاهش هزینه ها است. شرکتها از یادگیری ماشینی برای تشخیص بهتر و سریعتر از انسان استفاده میکنند. یکی از شناخته شده ترین فناوری های مراقبت های بهداشتی IBM Watson است. زبان طبیعی را می فهمد و می تواند به سوالاتی که از آن پرسیده می شود پاسخ دهد. این سیستم دادههای بیمار و سایر منابع دادههای موجود را استخراج میکند تا یک فرضیه را تشکیل دهد، که سپس با یک طرح امتیازدهی اطمینان ارائه میکند. سایر برنامه های کاربردی هوش مصنوعی شامل استفاده از دستیاران سلامت مجازی آنلاین و چت بات ها برای کمک به بیماران و مشتریان مراقبت های بهداشتی در یافتن اطلاعات پزشکی، برنامه ریزی قرار ملاقات، درک فرآیند صورتحساب و تکمیل سایر فرآیندهای اداری است. مجموعه ای از فناوری های هوش مصنوعی نیز برای پیش بینی، مبارزه و درک بیماری های همه گیر مانند COVID-19 استفاده می شود.
هوش مصنوعی در تجارت الگوریتمهای یادگیری ماشین در حال ادغام در پلتفرمهای تجزیه و تحلیل و مدیریت ارتباط با مشتری (CRM) هستند تا اطلاعاتی را در مورد نحوه ارائه خدمات بهتر به مشتریان کشف کنند. چت بات ها برای ارائه خدمات فوری به مشتریان در وب سایت ها گنجانده شده اند. اتوماسیون موقعیت های شغلی نیز به موضوعی در میان دانشگاهیان و تحلیلگران فناوری اطلاعات تبدیل شده است.
هوش مصنوعی در آموزش هوش مصنوعی می تواند نمره دهی را خودکار کند و به مربیان زمان بیشتری بدهد. می تواند دانش آموزان را ارزیابی کند و با نیازهای آنها سازگار شود و به آنها کمک کند تا با سرعت خودشان کار کنند. آموزگاران هوش مصنوعی میتوانند حمایت بیشتری از دانشآموزان ارائه دهند و از ماندن آنها در مسیر مطمئن شوند. و می تواند مکان و نحوه یادگیری دانش آموزان را تغییر دهد، شاید حتی جایگزین برخی از معلمان شود.
هوش مصنوعی در امور مالی هوش مصنوعی در برنامه های مالی شخصی، مانند Intuit Mint یا TurboTax، مؤسسات مالی را مختل می کند. برنامه هایی مانند اینها داده های شخصی را جمع آوری می کنند و مشاوره مالی ارائه می دهند. برنامه های دیگری مانند IBM Watson در فرآیند خرید خانه به کار گرفته شده است. امروزه نرم افزار هوش مصنوعی بیشتر معاملات را در وال استریت انجام می دهد.
هوش مصنوعی در قانون روند کشف — غربال کردن اسناد — در قانون اغلب برای انسان طاقت فرسا است. استفاده از هوش مصنوعی برای کمک به خودکارسازی فرآیندهای پر زحمت صنعت قانونی باعث صرفه جویی در زمان و بهبود خدمات مشتری می شود. شرکتهای حقوقی از یادگیری ماشینی برای توصیف دادهها و پیشبینی نتایج، بینایی کامپیوتری برای طبقهبندی و استخراج اطلاعات از اسناد و پردازش زبان طبیعی برای تفسیر درخواستهای اطلاعات استفاده میکنند.
هوش مصنوعی در تولید تولید در ترکیب روبات ها در جریان کار پیشرو بوده است. به عنوان مثال، رباتهای صنعتی که زمانی برای انجام وظایف منفرد برنامهریزی شده بودند و از کارگران انسانی جدا میشدند، به طور فزایندهای به عنوان رباتها عمل میکردند: روباتهای کوچکتر و چندوظیفهای که با انسانها همکاری میکنند و مسئولیت بخشهای بیشتری از کار را در انبارها، طبقات کارخانه بر عهده میگیرند. و سایر فضاهای کاری
هوش مصنوعی در بانکداری بانک ها با موفقیت از چت بات ها استفاده می کنند تا مشتریان خود را از خدمات و پیشنهادات آگاه کنند و تراکنش هایی را انجام دهند که نیازی به دخالت انسانی ندارند. دستیارهای مجازی هوش مصنوعی برای بهبود و کاهش هزینه های انطباق با مقررات بانکی استفاده می شود. سازمانهای بانکی همچنین از هوش مصنوعی برای بهبود تصمیمگیری برای وامها و تعیین محدودیتهای اعتباری و شناسایی فرصتهای سرمایهگذاری استفاده میکنند.
هوش مصنوعی در حمل و نقل علاوه بر نقش اساسی هوش مصنوعی در کارکرد وسایل نقلیه خودران، فناوریهای هوش مصنوعی در حملونقل برای مدیریت ترافیک، پیشبینی تاخیرهای پرواز و ایمنتر و کارآمدتر کردن کشتیهای اقیانوسی استفاده میشوند.
امنیت. هوش مصنوعی و یادگیری ماشینی در صدر فهرست کلیدواژههایی هستند که امروزه فروشندگان امنیتی برای متمایز کردن پیشنهادات خود از آن استفاده میکنند. این اصطلاحات همچنین نشان دهنده فناوری های واقعاً قابل دوام هستند. سازمانها از یادگیری ماشین در نرمافزار مدیریت رویداد و اطلاعات امنیتی (SIEM) و حوزههای مرتبط برای شناسایی ناهنجاریها و شناسایی فعالیتهای مشکوک که نشاندهنده تهدید هستند، استفاده میکنند. با تجزیه و تحلیل دادهها و استفاده از منطق برای شناسایی شباهتها به کدهای مخرب شناخته شده، هوش مصنوعی میتواند هشدار حملات جدید و در حال ظهور را خیلی زودتر از کارکنان انسانی و تکرارهای فناوری قبلی ارائه دهد. فناوری در حال رشد نقش بزرگی در کمک به سازمانها برای مقابله با حملات سایبری ایفا میکند.
هوش افزوده در مقابل هوش مصنوعی
برخی از کارشناسان صنعت معتقدند که اصطلاح هوش مصنوعی بسیار با فرهنگ عامه مرتبط است و این باعث شده است که عموم مردم انتظارات غیرمحتملی در مورد اینکه چگونه هوش مصنوعی محیط کار و زندگی را به طور کلی تغییر خواهد داد، داشته باشد.
- هوش افزوده برخی از محققان و بازاریابان امیدوارند که برچسب هوش افزوده، که مفهومی خنثیتری دارد، به مردم کمک کند تا درک کنند که بیشتر پیادهسازیهای هوش مصنوعی ضعیف هستند و به سادگی محصولات و خدمات را بهبود میبخشند. به عنوان مثال می توان به نمایش خودکار اطلاعات مهم در گزارش های هوش تجاری یا برجسته کردن اطلاعات مهم در پرونده های حقوقی اشاره کرد.
- هوش مصنوعی. هوش مصنوعی واقعی، یا هوش عمومی مصنوعی، ارتباط نزدیکی با مفهوم تکینگی فناوری دارد – آیندهای که توسط یک ابر هوش مصنوعی اداره میشود که بسیار فراتر از توانایی مغز انسان برای درک آن یا نحوه شکلدهی واقعیت ما است. این در قلمرو داستان های علمی تخیلی باقی می ماند، اگرچه برخی از توسعه دهندگان در حال کار بر روی این مشکل هستند. بسیاری بر این باورند که فناوری هایی مانند محاسبات کوانتومی می تواند نقش مهمی در تحقق AGI ایفا کند و ما باید استفاده از اصطلاح هوش مصنوعی را برای این نوع هوش عمومی محفوظ نگه داریم.
استفاده اخلاقی از هوش مصنوعی
در حالی که ابزارهای هوش مصنوعی طیف وسیعی از عملکردهای جدید را برای مشاغل ارائه می دهند، استفاده از هوش مصنوعی همچنین سوالات اخلاقی را ایجاد می کند زیرا، خوب یا بد، یک سیستم هوش مصنوعی آنچه را قبلاً آموخته است، تقویت می کند.
این میتواند مشکلساز باشد زیرا الگوریتمهای یادگیری ماشین، که زیربنای بسیاری از پیشرفتهترین ابزارهای هوش مصنوعی هستند، به اندازه دادههایی که در آموزش داده میشوند هوشمند هستند. از آنجایی که انسان انتخاب میکند که چه دادههایی برای آموزش یک برنامه هوش مصنوعی استفاده شود، پتانسیل سوگیری یادگیری ماشینی ذاتی است و باید به دقت نظارت شود.
هرکسی که به دنبال استفاده از یادگیری ماشینی به عنوان بخشی از سیستمهای در حال تولید در دنیای واقعی است، باید اخلاق را در فرآیندهای آموزشی هوش مصنوعی خود لحاظ کند و سعی کند از سوگیری جلوگیری کند. این امر به ویژه در هنگام استفاده از الگوریتمهای هوش مصنوعی که ذاتاً در برنامههای یادگیری عمیق و شبکههای متخاصم تولیدی (GAN) غیرقابل توضیح هستند، صادق است.
توضیح پذیری یک مانع بالقوه برای استفاده از هوش مصنوعی در صنایعی است که تحت الزامات انطباق مقرراتی دقیق عمل می کنند. به عنوان مثال، موسسات مالی در ایالات متحده تحت مقرراتی عمل می کنند که آنها را ملزم می کند تا تصمیمات خود را برای صدور اعتبار توضیح دهند. با این حال، زمانی که تصمیمی برای رد اعتبار توسط برنامهنویسی هوش مصنوعی گرفته میشود، توضیح چگونگی تصمیمگیری ممکن است دشوار باشد، زیرا ابزارهای هوش مصنوعی که برای اتخاذ چنین تصمیمهایی استفاده میشوند، با از بین بردن همبستگیهای ظریف بین هزاران متغیر عمل میکنند. هنگامی که فرآیند تصمیم گیری قابل توضیح نباشد، برنامه ممکن است به عنوان هوش مصنوعی جعبه سیاه نامیده شود.
علیرغم خطرات احتمالی، در حال حاضر مقررات کمی برای استفاده از ابزارهای هوش مصنوعی وجود دارد، و در مواردی که قوانین وجود دارد، معمولاً به طور غیرمستقیم به هوش مصنوعی مربوط می شوند. به عنوان مثال، همانطور که قبلا ذکر شد، مقررات وام دهی منصفانه ایالات متحده مؤسسات مالی را ملزم می کند که تصمیمات اعتباری را برای مشتریان بالقوه توضیح دهند. این میزان استفاده وام دهندگان از الگوریتم های یادگیری عمیق را محدود می کند که طبیعتاً غیرشفاف هستند و قابلیت توضیح ندارند.
مقررات عمومی حفاظت از دادههای اتحادیه اروپا (GDPR) محدودیتهای سختی را برای نحوه استفاده شرکتها از دادههای مصرفکننده تعیین میکند، که مانع آموزش و عملکرد بسیاری از برنامههای کاربردی هوش مصنوعی مصرفکننده میشود.
در اکتبر 2016، شورای ملی علم و فناوری گزارشی منتشر کرد که در آن نقش بالقوه مقررات دولتی ممکن است در توسعه هوش مصنوعی ایفا کند، اما توصیه نکرد که قانون خاصی در نظر گرفته شود.
تدوین قوانین برای تنظیم هوش مصنوعی آسان نخواهد بود، تا حدی به این دلیل که هوش مصنوعی شامل انواع فناوریهایی است که شرکتها برای اهداف مختلف از آنها استفاده میکنند، و تا حدودی به این دلیل که مقررات میتواند به قیمت پیشرفت و توسعه هوش مصنوعی تمام شود. تکامل سریع فناوریهای هوش مصنوعی مانع دیگری برای ایجاد مقررات معنادار هوش مصنوعی است. پیشرفت های فناوری و کاربردهای جدید می تواند قوانین موجود را فوراً منسوخ کند. به عنوان مثال، قوانین موجود که حریم خصوصی مکالمات و مکالمات ضبط شده را تنظیم می کند، چالش ایجاد شده توسط دستیارهای صوتی مانند الکسای آمازون و سیری اپل را که جمع آوری می کنند اما مکالمه را توزیع نمی کنند، پوشش نمی دهد – به جز برای تیم های فناوری شرکت ها که از آن برای بهبود ماشین استفاده می کنند. الگوریتم های یادگیری و البته، قوانینی که دولتها برای تنظیم هوش مصنوعی وضع میکنند، مجرمان را از استفاده از این فناوری با نیت مخرب باز نمیدارد.
محاسبات شناختی و هوش مصنوعی
اصطلاحات هوش مصنوعی و محاسبات شناختی گاهی به جای یکدیگر استفاده میشوند، اما، به طور کلی، از برچسب هوش مصنوعی در اشاره به ماشینهایی استفاده میشود که با شبیهسازی نحوه حس، یادگیری، پردازش و واکنش ما به اطلاعات در محیط، جایگزین هوش انسانی میشوند.
برچسب محاسبات شناختی در اشاره به محصولات و خدماتی که فرآیندهای فکری انسان را تقلید و تقویت می کنند، استفاده می شود.
تاریخچه هوش مصنوعی چیست؟
مفهوم اشیای بی جان دارای هوش از زمان های قدیم وجود داشته است. خدای یونانی هفائستوس در اسطوره ها به صورت جعل خدمتکاران روبات مانند از طلا به تصویر کشیده شد. مهندسان در مصر باستان مجسمه های خدایان را که توسط کشیشان متحرک شده بودند ساختند. در طول قرنها، متفکرانی از ارسطو گرفته تا رامون لول، الهیدان اسپانیایی قرن سیزدهم تا رنه دکارت و توماس بیز، از ابزارها و منطق زمان خود برای توصیف فرآیندهای فکری انسان بهعنوان نمادها استفاده کردند و پایه و اساس مفاهیم هوش مصنوعی مانند بازنمایی دانش عمومی را پایهریزی کردند.
اواخر قرن 19 و نیمه اول قرن 20 کار اساسی را به وجود آورد که باعث ایجاد رایانه مدرن شد. در سال 1836، چارلز بابیج، ریاضیدان دانشگاه کمبریج و آگوستا آدا بایرون، کنتس لاولیس، اولین طرح را برای یک ماشین قابل برنامه ریزی اختراع کردند.
دهه 1940 جان فون نویمان، ریاضیدان پرینستون، معماری کامپیوتر برنامه ذخیره شده را تصور کرد – این ایده که برنامه کامپیوتر و داده هایی که پردازش می کند را می توان در حافظه کامپیوتر نگه داشت. و وارن مک کالوچ و والتر پیتس پایه و اساس شبکه های عصبی را بنا نهادند.
دهه 1950 با ظهور رایانه های مدرن، دانشمندان می توانند ایده های خود را در مورد هوش ماشینی آزمایش کنند. یک روش برای تعیین اینکه آیا کامپیوتر دارای هوش است یا خیر توسط ریاضیدان بریتانیایی و رمز شکن جنگ جهانی دوم، آلن تورینگ ابداع شد. آزمون تورینگ بر توانایی رایانه برای فریب دادن بازجویان به این باور بود که پاسخ آن به سؤالات آنها توسط یک انسان ساخته شده است.
1956. به طور گسترده از حوزه مدرن هوش مصنوعی به عنوان شروع امسال در کنفرانس تابستانی در کالج دارتموث نام برده می شود. این کنفرانس که توسط آژانس پروژه های تحقیقاتی پیشرفته دفاعی (دارپا) حمایت می شود، با حضور 10 تن از افراد برجسته در این زمینه، از جمله پیشگامان هوش مصنوعی، ماروین مینسکی، الیور سلفریج و جان مک کارتی، که به عنوان ابداع اصطلاح هوش مصنوعی شناخته می شود، برگزار شد. همچنین آلن نیول، دانشمند کامپیوتر، و هربرت آ. سیمون، اقتصاددان، دانشمند علوم سیاسی و روانشناس شناختی، که نظریه پرداز منطقی پیشگامانه خود را ارائه کردند، یک برنامه کامپیوتری که قادر به اثبات برخی قضایای ریاضی است و از آن به عنوان اولین برنامه هوش مصنوعی یاد می شود. .
دهه 1950 و 1960. در پی کنفرانس کالج دارتموث، رهبران حوزه نوپای هوش مصنوعی پیش بینی کردند که هوش مصنوعی معادل مغز انسان در گوشه و کنار است و حمایت عمده دولت و صنعت را به خود جلب می کند. در واقع، نزدیک به 20 سال تحقیقات پایه با بودجه مناسب، پیشرفت های قابل توجهی را در هوش مصنوعی ایجاد کرد: به عنوان مثال، در اواخر دهه 1950، نیوول و سایمون الگوریتم حل مسئله عمومی (GPS) را منتشر کردند که در حل مسائل پیچیده کوتاهی می کرد، اما پایه های اولیه را برای آن ایجاد کرد. توسعه معماری های شناختی پیچیده تر؛ مک کارتی Lisp را توسعه داد، زبانی برای برنامه نویسی هوش مصنوعی که هنوز هم استفاده می شود. در اواسط دهه 1960، پروفسور جوزف وایزنبام MIT، ELIZA، یک برنامه پردازش زبان طبیعی اولیه را توسعه داد که پایه و اساس چت ربات های امروزی را بنا نهاد.
دهه 1970 و 1980. اما به دلیل محدودیت در پردازش کامپیوتر و حافظه و پیچیدگی مشکل، دستیابی به هوش عمومی مصنوعی گریزان بود، نه قریب الوقوع. دولت و شرکتها از حمایت خود از تحقیقات هوش مصنوعی عقبنشینی کردند و به دورهای ماندگار از سال 1974 تا 1980 منجر شد و به عنوان اولین “زمستان هوش مصنوعی” شناخته شد. در دهه 1980، تحقیق در مورد تکنیکهای یادگیری عمیق و پذیرش صنعت از سیستمهای خبره ادوارد فایگنبام، موج جدیدی از اشتیاق هوش مصنوعی را برانگیخت، اما پس از آن، بودجه دولتی و حمایتهای صنعتی از بین رفت. دومین زمستان هوش مصنوعی تا اواسط دهه 1990 ادامه داشت.
دهه 1990 تا امروز افزایش قدرت محاسباتی و انفجار داده ها جرقه یک رنسانس هوش مصنوعی را در اواخر دهه 1990 زد که تا امروز ادامه داشته است. آخرین تمرکز بر هوش مصنوعی باعث پیشرفت در پردازش زبان طبیعی، بینایی کامپیوتر، روباتیک، یادگیری ماشینی، یادگیری عمیق و موارد دیگر شده است. علاوه بر این، هوش مصنوعی در حال ملموستر شدن است، ماشینها را نیرو میدهد، بیماریها را تشخیص میدهد و نقش خود را در فرهنگ عامه تقویت میکند. در سال 1997، دیپ بلو از IBM، گری کاسپاروف، استاد بزرگ شطرنج روسی را شکست داد و به اولین برنامه کامپیوتری تبدیل شد که یک قهرمان شطرنج جهان را شکست داد. چهارده سال بعد، واتسون از IBM با شکست دو قهرمان سابق در نمایش بازی Jeopardy!، مردم را مجذوب خود کرد. اخیراً، شکست تاریخی قهرمان 18 بار World Go، لی سدول توسط AlphaGo گوگل دیپ مایند، جامعه Go را شگفتزده کرد و نقطه عطفی بزرگ در توسعه ماشینهای هوشمند رقم زد.