هوش مصنوعی چیست؟ و چگونه کار میکند

آیا هوش مصنوعی در آینده به جایگاه انسانها خواهد رسید؟

دسته بندی

آخرین آپدیت

1400/06/03

زمان خواندن

9 دقیقه

پیمان احمدی هستم موسس سایت تیک پارس،در زمینه طراحی و برنامه نویسی سایت و اپلیکیشن فعالیت دارم

جدیدترین مقاله سایت

دسته بندی

آخرین آپدیت

1400/06/03

زمان خواندن

9 دقیقه

هوش مصنوعی چیست؟ و چگونه کار میکند

هوش مصنوعی (AI) شاخه ای وسیع از علوم رایانه است که با ساخت ماشین های هوشمند قادر به انجام وظایفی که به طور معمول به هوش انسان نیاز دارند.

چهار نوع هوش مصنوعی.

  • ماشینهای واکنشی
  • حافظه محدود
  • نظریه ذهن
  • خودآگاهی


نمونه های هوش مصنوعی چیست؟

 

  • سیری ، الکسا و دیگر دستیاران هوشمند
  • اتومبیل های خودران
  • مشاوران روبو
  • ربات های محاوره ای
  • فیلترهای هرزنامه ایمیل
  • توصیه های Netflix


هوش مصنوعی چگونه کار می کند؟

رویکردها و مفاهیم هوش مصنوعی


کمتر از یک دهه پس از شکستن دستگاه رمزنگاری نازی Enigma و کمک به نیروهای متفقین در پیروزی در جنگ جهانی دوم ، ریاضیدان آلن تورینگ با یک سوال ساده بار دیگر تاریخ را تغییر داد: "آیا ماشین ها می توانند فکر کنند؟"

مقاله تورینگ "ماشینهای محاسباتی و هوش" (1950) و آزمون بعدی آن، هدف و چشم انداز اساسی هوش مصنوعی را تعیین کرد.

در اصل ، هوش مصنوعی شاخه ای از علوم رایانه است که هدف آن پاسخ مثبت به سوال تورینگ است. این تلاش برای تکرار یا شبیه سازی هوش انسان در ماشین ها است.

هدف گسترده هوش مصنوعی باعث ایجاد سوالات و بحث های زیادی شده است. آنقدر که هیچ تعریف واحدی از این حوزه به طور جهانی پذیرفته نیست.

آیا ماشین ها می توانند فکر کنند؟

محدودیت اصلی در تعریف هوش مصنوعی به عنوان "ساخت ماشین های هوشمند" این است که در واقع توضیح نمی دهد هوش مصنوعی چیست؟ چه چیزی ماشین را هوشمند می کند؟ هوش مصنوعی یک علم بین رشته ای با رویکردهای متعدد است ، اما پیشرفت در یادگیری ماشین و یادگیری عمیق باعث ایجاد تغییر پارادایم در تقریباً هر بخش از صنعت فناوری می شود.

استوارت راسل و پیتر نورویگ ، در کتاب درسی پیشگامانه خود هوش مصنوعی: رویکردی مدرن ، با یکپارچه سازی کار خود پیرامون موضوع عوامل هوشمند در ماشین ها به این پرسش نزدیک می شوند. با این اوصاف ، هوش مصنوعی "مطالعه عوامل است که از محیط درک می کنند و اقدامات را انجام می دهند." 

نورویگ و راسل در ادامه به بررسی چهار رویکرد متفاوت می پردازند که به طور تاریخی زمینه هوش مصنوعی را تعریف کرده اند:

  • انسانی فکر کردن
  • منطقی فکر کردن
  • رفتار انسانی
  • منطقی عمل کردن


دو ایده اول به فرایندهای تفکر و استدلال مربوط می شود ، در حالی که دیگران به رفتار می پردازند. نورویگ و راسل به ویژه بر عوامل منطقی تمرکز می کنند که برای دستیابی به بهترین نتیجه عمل می کنند و خاطرنشان می کنند "تمام مهارت های مورد نیاز برای آزمون تورینگ همچنین به یک نماینده اجازه می دهد تا منطقی عمل کند.

پاتریک وینستون ، استاد هوش مصنوعی و علوم کامپیوتر در MIT ، هوش مصنوعی را اینگونه تعریف می کند: "الگوریتم های فعال شده توسط محدودیت ها ، نشان داده شده از مدل هایی که حلقه هایی را که تفکر ، ادراک و عمل را به هم پیوند می دهند ، پشتیبانی می کند."

در حالی که ممکن است این تعاریف برای افراد عادی انتزاعی به نظر برسند ، اما به تمرکز این حوزه به عنوان حوزه ای از علوم رایانه و ارائه نقشه ای برای تزریق ماشین ها و برنامه ها با یادگیری ماشین و سایر زیر مجموعه های هوش مصنوعی کمک می کند.

چهار نوع هوش مصنوعی
 

  • ماشینهای واکنشی


یک ماشین واکنشی از اساسی ترین اصول هوش مصنوعی پیروی می کند و همانطور که از نامش پیداست ، قادر است فقط از هوش خود برای درک و واکنش نسبت به جهان مقابل استفاده کند. یک ماشین واکنشی نمی تواند یک حافظه را ذخیره کند و در نتیجه نمی تواند به تجربیات گذشته تکیه کند تا تصمیم گیری را در زمان واقعی اطلاع دهد.

درک مستقیم جهان به این معنی است که ماشینهای واکنشی طوری طراحی شده اند که فقط تعداد محدودی از وظایف تخصصی را انجام دهند. محدود کردن عمدی جهان بینی یک ماشین واکنش گرا هیچ گونه اقدامی برای کاهش هزینه نیست و در عوض به این معنی است که این نوع هوش مصنوعی قابل اعتمادتر و قابل اطمینان تر است-هر بار به همان محرک ها یکسان واکنش نشان می دهد.

یک نمونه مشهور از ماشین واکنشی Deep Blue است که توسط IBM در دهه 1990 به عنوان یک ابر رایانه شطرنج طراحی شد و در یک بازی ، گری کاسپاروف ، استاد بین المللی را شکست داد. دیپ بلو فقط قادر بود مهره ها را روی یک تخته شطرنج تشخیص دهد و بداند که چگونه هر کدام بر اساس قوانین شطرنج حرکت می کند ، موقعیت فعلی هر مهره را تصدیق کرده و منطقی ترین حرکت در آن لحظه را تعیین کند. رایانه حرکات احتمالی آینده حریف خود را دنبال نمی کرد و سعی نمی کرد قطعات خود را در موقعیت بهتری قرار دهد. هر دور به عنوان واقعیت خاص خود ، جدا از هر حرکت دیگری که قبلاً انجام شده بود ، تلقی می شد.

یکی دیگر از نمونه های دستگاه واکنش گرا بازی AlphaGo گوگل است. AlphaGo همچنین قادر به ارزیابی حرکتهای آینده نیست اما برای ارزیابی پیشرفت های بازی فعلی به شبکه عصبی خود متکی است و در بازی پیچیده تر به برتری آبی عمیق می پیوندد. AlphaGo همچنین با شکست دادن قهرمان بازی Go Lee Sedol در سال 2016 ، از رقبای کلاس جهانی این بازی برتر شد.

هوش مصنوعی واکنشی اگرچه محدوده محدودی دارد و به راحتی قابل تغییر نیست ، اما می تواند به سطح پیچیدگی برسد و هنگامی که برای انجام کارهای تکراری ایجاد شود ، قابلیت اطمینان را ارائه می دهد.

 

  • حافظه محدود
  •  

حافظه مصنوعی با حافظه محدود این قابلیت را دارد که داده ها و پیش بینی های قبلی را هنگام جمع آوری اطلاعات و سنجش تصمیمات احتمالی ذخیره کند - اساساً در گذشته به دنبال سرنخ هایی در مورد موارد بعدی باشید. هوش مصنوعی با حافظه محدود پیچیده تر است و امکانات بیشتری را نسبت به ماشین های واکنشی ارائه می دهد.

هوش مصنوعی با حافظه محدود زمانی ایجاد می شود که یک تیم مدلی را در زمینه تجزیه و تحلیل و استفاده از داده های جدید آموزش دهد یا محیط هوش مصنوعی ایجاد شود تا مدل ها به طور خودکار آموزش داده و تجدید شوند. هنگام استفاده از هوش مصنوعی حافظه محدود در یادگیری ماشین ، شش مرحله باید دنبال شود: داده های آموزشی باید ایجاد شود ، مدل یادگیری ماشین باید ایجاد شود ، مدل باید بتواند پیش بینی کند ، مدل باید بتواند بازخورد انسانی یا محیطی را دریافت کند ، که بازخورد باید به عنوان داده ذخیره شود و این مراحل باید به صورت یک چرخه تکرار شود.

سه مدل اصلی یادگیری ماشین وجود دارد که از حافظه مصنوعی محدود استفاده می کنند:

یادگیری تقویتی ، که یاد می گیرد پیش بینی های بهتری را از طریق آزمایش و خطای مکرر انجام دهد.
حافظه کوتاه مدت بلند (LSTM) ، که از داده های گذشته برای پیش بینی مورد بعدی در یک دنباله استفاده می کند. LTSM ها اطلاعات بیشتری را در هنگام پیش بینی و تخفیف داده های بیشتر در گذشته مهمترین می دانند ، اگرچه هنوز از آنها برای نتیجه گیری استفاده می کنند
شبکه های تکاملی متخاصم تکاملی (E-GAN) ، که با گذشت زمان تکامل می یابد و با هر تصمیم جدید مسیرهای کمی تغییر یافته را بر اساس تجربیات قبلی کاوش می کند. این مدل دائماً در جستجوی راهی بهتر است و از شبیه سازی و آمار یا شانس برای پیش بینی نتایج در چرخه جهش تکاملی خود استفاده می کند.

 

  • نظریه ذهن
  •  

ما هنوز به قابلیت های تکنولوژیکی و علمی لازم برای دستیابی به این سطح بعدی از هوش مصنوعی دست نیافته ایم.

این مفهوم مبتنی بر فرض روانشناختی است که درک می کند سایر موجودات زنده دارای افکار و احساساتی هستند که بر رفتار خود تأثیر می گذارد. از نظر ماشین های هوش مصنوعی ، این بدان معناست که هوش مصنوعی می تواند درک کند که انسان ، حیوانات و ماشین های دیگر چگونه احساس می کنند و از طریق خوداندیشی و تصمیم گیری تصمیم می گیرند و سپس از این اطلاعات برای تصمیم گیری خود استفاده می کند. در اصل ، ماشین ها باید بتوانند مفهوم "ذهن" ، نوسانات احساسات در تصمیم گیری و مجموعه ای از مفاهیم روانشناختی دیگر را در زمان واقعی درک کرده و پردازش کنند ، که یک رابطه دو طرفه بین مردم و هوش مصنوعی ایجاد می کند.

 

  • خودآگاهی


هنگامی که نظریه ذهن در هوش مصنوعی تثبیت شد ، در آینده ای نه چندان دور ، آخرین مرحله این است که هوش مصنوعی خودآگاه شود. این نوع هوش مصنوعی دارای آگاهی در سطح انسان است و وجود خود در جهان و همچنین حضور و وضعیت عاطفی دیگران را درک می کند. این می تواند بفهمد که دیگران ممکن است نه تنها بر اساس آنچه که به آنها می گویند بلکه به نحوه ارتباط آنها نیاز دارند.

خودآگاهی در هوش مصنوعی هم متکی بر این است که محققان فرض آگاهی را درک کرده و سپس نحوه تکثیر آن را یاد می گیرند تا بتواند در ماشین ها ساخته شود.

 

چگونه از هوش مصنوعی استفاده می شود؟


جرمی آچین ، مدیرعامل DataRobot ، هنگام سخنرانی در جمع مردم در نمایشگاه هوش مصنوعی ژاپن در سال 2017 ، سخنرانی خود را با ارائه تعریف زیر از نحوه استفاده از هوش مصنوعی امروز آغاز کرد:

"هوش مصنوعی یک سیستم کامپیوتری است که قادر به انجام وظایفی است که معمولاً به هوش انسان نیاز دارد ... بسیاری از این سیستم های هوش مصنوعی از یادگیری ماشینی استفاده می کنند ، برخی از آنها با یادگیری عمیق و برخی دیگر از چیزهای بسیار خسته کننده مانند قوانین استفاده می کنند. . "


بیش از 20 نمونه هوش مصنوعی در زندگی روزمره

هوش مصنوعی به طور کلی به دو دسته کلی تقسیم می شود:

هوش مصنوعی باریک: گاهی اوقات با عنوان "هوش مصنوعی ضعیف" شناخته می شود ، این نوع هوش مصنوعی در محدوده محدودی عمل می کند و شبیه سازی هوش انسانی است. هوش مصنوعی باریک اغلب بر انجام یک کار واحد بسیار خوب متمرکز است و در حالی که این ماشین ها ممکن است هوشمند به نظر برسند ، اما تحت محدودیت ها و محدودیت های بسیار بیشتری حتی از ابتدایی ترین هوش انسانی کار می کنند.
 
هوش مصنوعی عمومی (AGI):

AGI ، که گاهی اوقات به عنوان "هوش مصنوعی قوی" نیز شناخته می شود ، نوعی هوش مصنوعی است که در فیلم ها می بینیم ، مانند روبات های Westworld یا Data from Star Trek: The Next Generation. AGI یک ماشین با هوش عمومی است و مانند یک انسان ، می تواند از این هوش برای حل هر مشکلی استفاده کند.
هوش مصنوعی باریک در اطراف ما وجود دارد و به راحتی موفق ترین تحقق هوش مصنوعی تا به امروز است. بر اساس "آماده سازی برای آینده هوش مصنوعی" ، Narrow AI با تمرکز بر انجام وظایف خاص ، در دهه گذشته پیشرفت های زیادی را تجربه کرده است که "مزایای اجتماعی قابل توجهی داشته و به نشاط اقتصادی کشور کمک کرده است". گزارش سال 2016 توسط دولت اوباما منتشر شد.

چند نمونه از هوش مصنوعی باریک عبارتند از:

 

  • جستجوی گوگل
  • نرم افزار تشخیص تصویر
  • سیری ، الکسا و دیگر دستیاران شخصی
  • اتومبیل های خودران
  • واتسون IBM
  • یادگیری ماشین و یادگیری عمیق
  •  

بسیاری از هوش مصنوعی باریک از پیشرفت هایی در یادگیری ماشین و یادگیری عمیق برخوردار است. درک تفاوت بین هوش مصنوعی ، یادگیری ماشین و یادگیری عمیق می تواند گیج کننده باشد. فرانک چن ، سرمایه گذار خطرپذیر ، مروری خوب بر نحوه تمایز بین آنها ارائه می دهد و خاطرنشان می کند:

"هوش مصنوعی مجموعه ای از الگوریتم ها و هوش است که سعی می کند از هوش انسان تقلید کند. یادگیری ماشین یکی از آنهاست و یادگیری عمیق یکی از آن تکنیک های یادگیری ماشین است."

به زبان ساده ، یادگیری ماشینی داده های رایانه را تغذیه می کند و از تکنیک های آماری برای کمک به "یادگیری" نحوه پیشرفت تدریجی در یک کار ، بدون برنامه ریزی خاص آن کار ، استفاده می کند و نیاز به میلیون ها خط کد نوشتاری را از بین می برد. یادگیری ماشین شامل یادگیری تحت نظارت (با استفاده از مجموعه داده های دارای برچسب) و یادگیری بدون نظارت (با استفاده از مجموعه داده های بدون برچسب) است.

یادگیری عمیق نوعی از یادگیری ماشین است که ورودی ها را از طریق معماری شبکه عصبی با الهام از بیولوژیکی اجرا می کند. شبکه های عصبی شامل تعدادی لایه پنهان است که داده ها از طریق آنها پردازش می شود و به دستگاه اجازه می دهد تا در یادگیری خود "عمیق" شده و ارتباطات و وزن دهی را برای بهترین نتایج ایجاد کند.

هوش عمومی مصنوعی


ایجاد ماشینی با هوش در سطح انسان که بتواند در هر کاری کاربرد داشته باشد ، برای بسیاری از محققان هوش مصنوعی مقدس است ، اما جستجوی AGI با دشواری همراه بوده است.

جستجوی "الگوریتم جهانی برای یادگیری و عمل در هر محیطی" (راسل و نورویگ) چیز جدیدی نیست ، اما زمان مشکل ایجاد یک ماشین با مجموعه ای کامل از توانایی های شناختی را کاهش نداده است.

AGI مدتهاست که موز داستان های علمی تخیلی است ، که در آن روباتهای فوق هوشمند بر بشریت غلبه می کنند ، اما کارشناسان معتقدند این چیزی نیست که ما به زودی نگران آن باشیم.

نتیجه گیری:

در این مقاله به صورت کامل در مورد هوش مصنوعی و کاربرد آن در دنیای واقعی و مجازی صحبت کردیم، اگر علاقه مند به دنیای ai هوش مصنوعی هستین ما به شما پیشنهاد میکنیم برترین زبان برنامه نویسی پایتون رو دنبال کنین که در زمینه های گوناگونی از جمله طراحی سایت برنامه نویسی هوش مصنوعی و... کاربرد بسیاری دارد، تیم تیک پارس در این زمینه به شما در یادگیری زبان پایتون و دیگر زبانان کمک خواهد کرد تا بهتر زبان مورد علاقه ی خود را دنبال کنید.

نظرات خود را در این باره برای ما ارسال کنید.

 

نظرات کاربران


برای ارسال نظر ابتدا وارد حساب کاربری خود شوید