مفهوم هوش مصنوعی در سال ۱۹۵۶ ابداع شد و به سیستم‌ های جامعی اشاره دارد که محیط اطراف را تجزیه و تحلیل می ‌کنند، از هوش برای انجام اقدامات مورد نیاز استفاده می ‌کنند و با استفاده از اختیارات داده شده، به اهداف تعریف شده دست می‌ یابند. این سیستم‌ ها می‌ توانند مبتنی بر نرم‌ افزار (مانند دستیارهای صوتی) یا مبتنی بر سخت‌ افزار (مانند خودروهای خودکار) باشند. برای درک هوش مصنوعی، مهم است که بدانیم هوش چیست. هوش فعالیت به دست آوردن دانش از محیط اطراف و استفاده از آن دانش و تجربه برای انجام وظایف است. هوش مصنوعی سیستم‌ هایی است که می‌ توانند مثل انسان‌ ها فکر کنند. هوش مصنوعی می ‌تواند از طریق گفت‌ و گوها و دستورات صوتی با انسان‌ ها تعامل کند. سپس داده‌ ها را در دستگاه‌ های ذخیره‌ سازی ذخیره کند و از این داده‌ ها به عنوان حافظه یا دانش مانند انسان‌ ها استفاده کند. هوش مصنوعی همچنین قادر به واکنش و نظارت بر اقدامات خود به شکلی مشابه با موجودات زنده است.

در زندگی روزمره ‌ی ما، مثال‌ های متعددی از هوش مصنوعی وجود دارد. به عنوان مثال، دستیارهای آنلاین مانند Google Assistant، Amazon Alexa، Apple Siri، خودروهای متصل به شبکه و چت بات ‌ها.

تاریخچه هوش مصنوعی

در سال ۱۹۴۰، یک ریاضیدان برجسته، ایده‌ ای را مطرح کرد که در آن داده‌ ها و فرآیندها می‌ توانند به عنوان حافظه در کامپیوتر ذخیره شوند. در سال ۱۹۴۹ مدلی ارائه شد که در آن تجربه ها شبکه ای از مسیرهای عصبی را ایجاد می کنند و این مسیرهای شبکه بسته به فراوانی و دفعات این تجربه ها قدرتمند می‌شوند. در سال ۱۹۵۰، آزمونی به نام آزمون Turing معرفی شد که تشخیص می داد که آیا ماشین یا سیستم مورد آزمایش، هوشمند است یا خیر. دانشجویان دانشگاه هاروارد، یک ماشین محاسباتی با ۴۰ نورون مصنوعی ساختند که از شبکه‌ های عصبی و الگوریتم‌ های تقویتی برای انجام محاسبات و تصمیم ‌گیری‌ های احتمالی استفاده می ‌کرد. در سال ۱۹۵۲، برنامه ی کامپیوتری برای بازی شطرنج طراحی شد که یک کامپیوتر را قادر می ساخت تا شطرنج را به تنهایی بازی کند همچنین ماشینی را توسعه دادند که خطوط محدودی از زبان روسی را به انگلیسی ترجمه می کرد.

در سال ۱۹۵۶، مفهوم هوش مصنوعی در ورکشاپ Dartmouth به وجود آمد. توافق شد که هوش محدود به موجودات زنده محدود نیست و می ‌تواند به ماشین ‌های مصنوعی نیز نسبت داده شود. سپس منطق ‌گرایی پیشنهاد شد . این ماشین های منطق گرا می ‌توانستند مثل انسان‌ها فکر کنند و مطابق با آن عمل کنند. در سال ۱۹۵۸، McCarthy زبان برنامه‌نویسی کامپیوتری LISP را ایجاد کرد و به همراه Marvin Minsky یک پروژه هوش مصنوعی را آغاز کردند. در سال ۱۹۶۰، McCarthy مقاله‌ای منتشر کرد که در آن از یادگیری ماشین ‌ها با استفاده از تجربیات، به همان روشی که انسان‌ها انجام می‌دهند، صحبت شده است. سپس در سال ۱۹۵۹ یک سرور عمومی ارائه شد که مشکلات عمومی را حل می کرد همچنین برنامه‌ای ارائه شد که می‌توانست مسایل هندسی را حل کند. Arthur Samuel در حین همکاری با IBM، عبارت یادگیری ماشین را معرفی کرد. در سال ۱۹۶۳، McCarthy ، معروف به پدر هوش مصنوعی، یک آزمایشگاه هوش مصنوعی در دانشگاه استنفورد را تاسیس کرد. در سال ۱۹۶۹، یک سیستم متخصص به نام MYCIN، مبتنی بر هوش مصنوعی، معرفی شد که می‌توانست نوع باکتری‌ های را که بیماران از آن ها آلوده شده بودند، شناسایی کند و نوع آنتی‌بیوتیک‌هایی که برای درمان موثر هستند ، معرفی کند.

در سال ۱۹۸۱، شرکت Digital Equipment Corporation، eXpert CONfigurer را معرفی کرد که در تاثیر زیادی در هوش مصنوعی داشت و نقش مهمی در تغییرات و پیشرفت‌هایی که هوش مصنوعی در جهان به وجود آورده ایفا کرد و بدین ترتیب دوره اول زمستان هوش مصنوعی پایان یافت . در سال ۱۹۸۲، پروژه سیستم کامپیوتری نسل پنجم توسط ژاپن آغاز شد که می‌توانست پلتفرمی بزرگ برای پروژه‌های آینده مرتبط با هوش مصنوعی فراهم کند. این پروژه در نهایت در سال ۱۹۹۲ به دلیل عدم توانایی در برآورده کردن انتظارات پایان یافت. در دوره‌ی بین سال‌های ۱۹۸۷ تا ۱۹۹۳، به دلیل فعالیت‌های تحقیقاتی گران ‌قیمت که نتایج مطلوبی نداشتند، دور دوم زمستان هوش مصنوعی شروع شد.

پس از سال ۲۰۰۰، فعالیت‌های تحقیقاتی مرتبط با هوش مصنوعی شتاب زیادی گرفت. DARPA یک مسابقه برگزار کرد که هدف آن ترویج نوآوری در وسایل نقلیه بود. در سال ۲۰۰۵ این مسابقه توسط یک ماشین رباتیک به نامStanley که یک ماشین رباتیک ساخته شده توسط دانشگاه استنفورد بود، برنده شد. نیروی نظامی ایالات متحده راه را برای سرمایه‌گذاری در ربات‌ها مانند Big Dog توسعه ‌یافته توسط Boston Dynamics و PackBot توسط iRobots هموار کرد. گوگل در سال ۲۰۰۸ قابلیت تشخیص گفتار را در برنامه آیفون معرفی کرد و پس از آن یک خودروی خودران در سال ۲۰۱۴، AlphaGo در سال ۲۰۱۶ و زبان BERT در سال ۲۰۱۸ را معرفی کرد. پیشرفت های دیگری مانند Apple’s Siri در سال ۲۰۱۱، Amazon’s Alexa در سال ۲۰۱۴، ربات Sophia توسط Hanson Robotics در سال ۲۰۱۶ و Waymo One Service توسط Waymo در سال ۲۰۱۸ ارائه شد. در طول پاندمی COVID-19، در سال ۲۰۲۰، Baidu، یک شرکت چند ملیتی چینی، الگوریتمی را ارائه داد که تنها در چند ثانیه با استفاده از تکنیک های هوش مصنوعی به درک توالی ویروس کمک کرد.

ChatGPTبرای اولین بار در تاریخ ۳۰ نوامبر ۲۰۲۲ توسط OpenAI معرفی شد. این چت‌بات بر اساس مدل‌های زبانی بزرگ (LLMs) ساخته شده است . از آن زمان به بعد، ChatGPT به عنوان یکی از ابزارهای هوش مصنوعی محبوب برای مکالمات تعاملی و پاسخ به سوالات کاربران مورد استفاده قرار گرفته است.چند نمونه از چت بات های هوش مصنوعی عبارتند از :

جمینای (Gemini) از گوگل
چت‌بات‌های متداول مایکروسافت (LLaMA) و بینگ
چت بات Q از آمازون

به طور کلی، در دهه‌ی گذشته، هوش مصنوعی در زمینه‌های مختلف پیشرفت‌های چشمگیری کرده است. چند تکنولوژی مهم در حوزه هوش مصنوعی عبارتند از:

یادگیری ماشینی (Machine Learning)
بازاریابی خودکار (Marketing Automation)
یادگیری عمیق (Deep Learning)
پردازش زبان طبیعی (NLP)
اتومبیل‌های خودران

به نظر می‌رسد هوش مصنوعی در سال‌های آینده نقش مهمی در تحولات فناوری خواهد داشت و تکنولوژی‌های جدیدی همچون ChatGPT-4 با توانایی‌های بهتر در درک زبان ، به توسعه‌ ی این حوزه کمک می ‌کنند.

انواع هوش مصنوعی

چهار نوع هوش مصنوعی وجود دارد که به شرح زیر می باشند:

سیستم‌های واکنشی (Reactive Systems): همانطور که از نامش پیداست، این نوع هوش مصنوعی بر اساس عوامل محیطی، واکنش نشان می‌ دهد. این نوع هوش مصنوعی قادر به ذخیره اطلاعات نیست و از تجربه یا دانش تاریخی استفاده نمی کند. فقط عوامل موجود را درک می کند و بهترین عکس‌العمل را انجام می‌ دهد. یک مثال از ماشین واکنشی، Deep Blue شرکت IBM است. این نام کامپیوتری است که در یک بازی شطرنج بهترین قهرمان جهان را شکست داد. این کامپیوتر بر اساس وضعیت موجود پس از هر حرکت عمل می‌کرد و نمی‌توانست حرکات آینده را ارزیابی کند . مثال دیگری از ماشین ‌های واکنشی، AlphaGo شرکت Google است که در بازی Go به مقام قهرمان جهانی رسید .
سیستم‌های حافظه محدود (Limited Memory Systems): همانطور که از نامش پیداست، این نوع هوش مصنوعی نه تنها بر اساس عوامل موجود عکس‌العمل نشان می‌ دهد، بلکه قابلیت محدودی در ذخیره داده‌ های گذشته و تجزیه و تحلیل آنچه ممکن است در آینده اتفاق بیفتد را دارد. فرآیند حافظه محدود در شکل زیر خلاصه شده است. در این فرآیند ابتدا داده‌ های پایه جمع ‌آوری می‌ شود سپس داده‌ ها با استفاده از مدل‌ ها برای سیستم یادگیری، تجزیه و تحلیل می‌شوند. با استفاده از تجزیه و تحلیل، پیش ‌بینی ‌ها انجام می‌ شود و برای بررسی و بازخورد ارسال می‌شوند. خروجی کلی این فرآیند برای مراجعه آینده ذخیره می‌ شود و بر اساس نیازها قابل بازیابی است. حافظه محدود سه مدل هوش مصنوعی را دنبال می کند:

یادگیری از طریق تقویت‌ها (Reinforcements): این نوع سیستم ها از تکنیک‌های آزمایش و خطا برای رسیدن به تصمیمات نهایی استفاده می کنند. هر جا که نتایج مطلوب باشند، آن نتیجه انتخاب می‌ شود. این نوع یادگیری بدون هیچ ناظری عمل می کند؛ بنابراین نیاز به مجموعه‌ای از الگوریتم‌ های قوی دارد.
سیستم‌های حافظه‌ی بلند و کوتاه ‌مدت (LSTM) : هوش مصنوعی مبتنی بر LSTM از حافظه‌های طولانی ‌مدت و کوتاه ‌مدت و تجربیات استفاده می کند. سپس مدل‌ها را برای پیش‌ بینی‌های آینده ایجاد می کند و توسعه می‌ دهد. این سیستم‌ها هنگام تصمیم‌ گیری نهایی به حافظه‌ی کوتاه‌ مدت نسبت به حافظه‌ی طولانی‌ مدت وزن بیشتری می ‌دهند زیرا بر اساس فرضیه ‌ی پایه آن ها، رویدادهای گذشته‌ ی نزدیک بیشتر از رویدادهای گذشته دور بر روی نتایج آینده تأثیر دارند.
سیستم‌های شبکه‌ های مولد مبارزه‌ای تکاملی (Evolutionary GAN): در این نوع یادگیری، سیستم‌های شبکه‌ های مولد مبارزه‌ای بر اساس رویدادها پیوسته تکامل می‌ یابند و در طول زمان مراحل تکاملی مختلفی را طی می کنند. در این نوع یادگیری، سیستم‌ها همیشه مسیر یکسانی را دنبال نمی ‌کنند، بلکه شبکه‌ ها هر بار به دنبال مسیر جدید و بهتری می ‌گردند تا راه ‌حل‌ های بهتری ارائه دهند و اینگونه تکامل می‌یابند.

نظریه ذهن (Theory of Mind): این نوع هوش مصنوعی رفتاری را که موجودات زنده بر اساس آن تصمیم گیری می کنند مورد مطالعه قرار می‌ دهد. این سیستم‌ها تحلیل می ‌کنند که موجودات زنده در زمان تصمیم گیری چه احساسی را تجربه می کنند تا به سطح معینی از استقلال و خودمختاری برسند. برای دستیابی به این هدف، سیستم‌ها باید بفهمند که ذهن موجودات زنده چگونه کار می کند و این دانش را مفهوم سازی کنند تا مطابق با آن عمل کنند. این نوع هوش مصنوعی بیشتر به صورت نظری است و تا به امروز اجرایی نشده است^.
خودآگاهی (Self-awareness): این مرحله از هوش مصنوعی فقط پس از دستیابی به نظریه ذهن قابل دستیابی است. در این سطح، هوش مصنوعی سطح آگاهی موجودات زنده را تجزیه و تحلیل می کند و فقط بر روی چرایی تمرکز نمی کنند بلکه برای دستیابی به سطح مشابهی از آگاهی بر روی “چگونگی” نیز تمرکز می کند.

کاربردهای هوش مصنوعی

هوش مصنوعی موضوعی است که در تقریباً همه ‌ی زمینه‌ ها مورد بحث قرار می‌ گیرد. بدون شک، هوش مصنوعی پتانسیل زیادی برای تغییر حوزه‌ های گوناگون زندگی را دارد . کاربردهای هوش مصنوعی در حوزه های مختلف به شرح زیر است:

بهداشت و درمان: هوش مصنوعی در حوزه بهداشت کاربردهای فراوانی دارد. فعالیت های ساده شامل نگهداری سوابق پزشکی بیمار در گذشته و حال، زمان ‌بندی نوبت ‌دهی به صورت زمان ‌واقعی، فعالیت‌ های مرتبط با صورتحساب و پرداخت و سایر فعالیت‌ های اداری می‌ شوند. ابزارها و برنامه‌ های پیشرفته در هوش مصنوعی شامل تشخیص خودکار بیماران و به اشتراک گذاری نتایج می شود که به پزشکان در درمان بیماران بسیار کمک می کند. در شرایط ویژه مانند اپیدمی ویروس کووید-۱۹، هوش مصنوعی به شدت در درک توالی ویروس در عرض چند ثانیه مفید بود. تحقیقات زیادی در حال انجام است تا هوش مصنوعی را در حوزه پزشکی به سطحی برساند که بیمارستان‌ ها به طور کامل خودکار شوند و با دخالت بسیار کم انسانی عمل کنند.
کسب و کار: تحقیقات زیادی برای توسعه محصولات جدید یا معرفی ویژگی‌های جدید برای تحقق نیازهای مصرف‌کنندگان انجام می‌ شود. برای دستیابی به این هدف، درک بازار هدف بسیار مهم است. از ابزارهای تحلیلی زیادی برای درک رفتار مصرف‌ کنندگان استفاده می‌ شود. هوش مصنوعی الگوریتم‌ های پیچیده‌ای را فراهم می کند که به تجزیه و تحلیل داده ها کمک می کند و نتایج تاثیر گذاری را ارائه می‌ دهد.
آموزش: هوش مصنوعی می ‌تواند بیشتر فعالیت‌های اداری را که بر عهده معلمان است، خودکار کند. اتوماسیون زمان بیشتری به معلمان می‌ دهد تا بر روی بهبود دانش‌آموزان تمرکز کنند. با تحقیقات بیشتر، ممکن است زمانی بیاید که هوش مصنوعی بتواند جایگزین برخی از مربیان شود.
مالی: هوش مصنوعی در زمینه‌ های زیادی مانند تجزیه و تحلیل داده‌ های مالی، مدلسازی ریسک و معامله‌ گری مفید است. هوش مصنوعی می ‌تواند به سرمایه ‌گذاران مشاوره‌ های مالی مفیدی ارائه دهد. نرم‌ افزارهای پیچیده برای معامله در سهام، با استفاده از هوش مصنوعی بهبود یافته اند.
قانون: در حوزه حقوق، برای بررسی صحت اسناد و درک متون، وقت و تلاش زیادی صرف می شود. انجام این کارها با استفاده از هوش مصنوعی بسیار ساده می شود، به این صورت که دستگاه می تواند به سرعت منبع اسناد را تأیید کند، بازخورد خود را در مورد صحت سند به اشتراک بگذارد، و درک اسناد را با کلمات ساده از متن نوشته شده با کلمات پیچیده، به اشتراک بگذارد.
ساخت و ساز: در بسیاری از واحدهای تولیدی، بیشتر کار توسط ماشین هایی انجام می شود که از طریق هوش مصنوعی با حداقل تعامل انسانی انجام می شود. در گذشته ماشین‌ ها فقط در یک جهت فعالیت می کردند و ماشین ‌ها با کارگران انسانی همزیستی نداشتند. اکنون، با کمک هوش مصنوعی ماشین ‌ها مسئولیت‌ های کاملی را از اول تا آخر به عهده می گیرند و با نیروی انسانی همزیستی می کنند.
بانکداری: چت بات ها نمونه بارز هوش مصنوعی در مورد عملیات بانکی هستند. هنگامی که از وب سایت یک بانک بازدید می کنید، یک ربات چت به سوالات شما جواب می دهد. سوالات زیادی در ذهن مشتریان وجود دارد که نیازمند زمان و هزینه زیادی توسط نیروی انسانی است. شرکت های بانکی منابع مالی هنگفتی را برای مدیریت تعاملات مشتریان صرف می کنند که با استفاده از هوش مصنوعی، این هزینه ها به طور قابل ملاحظه ای کاهش می یابد .
حمل و نقل: هوش مصنوعی می تواند در بخش حمل و نقل به طرق مختلف از جمله مدیریت ترافیک در جاده، تجزیه و تحلیل حرکت پروازها، و پیش بینی تاخیر در پرواز و وسایل نقلیه مرتبط، بسیار مفید باشد.
امنیت: حملات سایبری مختلفی وجود دارد که از برقراری ارتباط امن در شبکه های ارتباطی جلوگیری می کند. هوش مصنوعی در تشخیص زودهنگام هرگونه تلاش غیرمجاز در شبکه، بسیار مفید است. هوش مصنوعی در صورت ادغام با فناوری های دیگر مانند بلاک چین، می تواند شبکه را از حملات مختلف محافظت کند.

چالش های هوش مصنوعی

اجرای موفق هوش مصنوعی نیاز به مدیریت چالش‌های مختلف دارد. در زیر به برخی از این چالش‌ها و راه ‌حل‌ های ممکن برای غلبه بر آن‌ها می‌پردازیم:

دانش فنی پیچیده: هوش مصنوعی یک فناوری بسیار پیچیده و در حال تکامل است. محققان سال‌ هاست که بر روی درک و پیاده‌سازی هوش مصنوعی کار می کنند، اما هنوز بسیاری از اهداف آن‌ها دور از دسترس است. بنابراین رسیدن به تخصص فنی مورد نیاز، برای هر نهادی بسیار دشوار است.
هزینه‌های زیاد: فقط سازمان‌های بزرگ مانند گوگل، اپل و آمازون می‌ توانند منابع مالی زیادی را برای تحقیقات در زمینه هوش مصنوعی اختصاص دهند. سازمان‌ های کوچک، ممکن است نتوانند هزینه‌های مورد نیاز برای پروژه‌های تحقیقاتی مرتبط با هوش مصنوعی را تامین کنند.
ظرفیت ذخیره‌سازی بالا: موفقیت هوش مصنوعی تا حد زیادی در دسترسی به داده‌ ها بستگی دارد. الگوریتم‌ ها و ابزارهای برنامه‌ نویسی هوش مصنوعی مقدار زیادی داده را تجزیه و تحلیل می ‌کنند، که موجب چالش ذخیره ‌سازی این حجم عظیم از داده‌ ها می‌ شود.
نیروی کار تخصصی: همانطور که قبلاً گفته شد، کار با هوش مصنوعی نیاز به دانش فنی پیچیده دارد. در دسترس بودن کارکنان با این دانش فنی محدود است، که منجر به هزینه‌های بالای استخدام نیروی کار ماهر می‌ شود.
سرعت بالای محاسباتی: الگوریتم‌ های پردازش شده در مدل‌های هوش مصنوعی بسیار پیچیده هستند، و نیاز به فناوری‌ها و ابزارهای پیشرفته ‌ای دارند تا سرعت محاسباتی بالا را فراهم کنند.
چالش‌های حقوقی: مدل‌های ساخته شده از طریق هوش مصنوعی ممکن است به دلیل عدم شفافیت و دیدگاه واضح، با چالش های قانونی روبرو شوند زیرا ممکن است افراد نتوانند تصمیم ‌گیری‌های مدل را درک کنند یا توضیح دهند.
امنیت فنی: به دلیل عدم توانایی هوش مصنوعی در مدیریت موقعیت‌های خاص، ممکن است در مواقع غیر عادی ایمنی افراد به خطر بیافتد. این مسئله می ‌تواند به تدابیر امنیتی و حقوقی منجر شود.
مسائل متفرقه دیگر: استفاده از هوش مصنوعی می ‌تواند به مشکلات متعدد دیگر نیز منجر شود. این مشکلات شامل بیکاری گسترده، افزایش نابرابری اقتصادی و تأثیر مخرب بر محیط زیست می‌ شود.