تاریخچه‌ای مختصر از هوش مصنوعی: از آغاز تا آینده‌ای روشن!
با توجه به هیاهوی کنونی پیرامون هوش مصنوعی (AI)، به راحتی می‌توان فرض کرد که این یک نوآوری جدید است.
در واقع، هوش مصنوعی به شکلی از اشکال مختلف، بیش از 70 سال است که وجود دارد.
برای درک نسل کنونی ابزارهای هوش مصنوعی و اینکه این فناوری‌ها به کجا خواهند رفت، مفید است که بدانیم چگونه به اینجا رسیدیم.
نسل‌های مختلف هوش مصنوعی
هر نسل از ابزارهای هوش مصنوعی را می‌توان به عنوان بهبودی بر روی نسل‌های قبلی دید، اما هیچ‌یک از این ابزارها به سمت آگاهی و هوش واقعی پیش نمی‌روند..!
آلن تورینگ و آزمون هوش
ریاضی‌دان و پیشگام محاسبات، آلن تورینگ، در سال 1950 مقاله‌ای منتشر کرد که با این جمله آغاز می‌شود: “من پیشنهاد می‌کنم که به سؤال ‘آیا ماشین‌ها می‌توانند فکر کنند؟’ بپردازیم.”
او سپس چیزی به نام بازی تقلید را پیشنهاد می‌دهد که اکنون به عنوان آزمونتورینگ شناخته می‌شود.
در این آزمون، یک ماشین زمانی هوشمند تلقی می‌شود که نتوان آن را از یک انسان در یک مکالمه‌ی کور تشخیص داد.
اولین استفاده از عبارت “هوش مصنوعی”
پنج سال بعد، اولین استفاده منتشر شده از عبارت “هوش مصنوعی” در یک پیشنهاد برای پروژه تحقیقاتی تابستانی دارتموث در زمینه هوش مصنوعی به ثبت رسید.
توسعه سیستم‌های خبره
از آن آغازهای اولیه، شاخه‌ای از هوش مصنوعی که به سیستم‌های خبره معروف شد، از دهه 1960 به بعد توسعه یافت. این سیستم‌ها برای ثبت تخصص انسانی در حوزه‌های خاص طراحی شده بودند. آنها از نمایش‌های صریح دانش استفاده می‌کردند و بنابراین نمونه‌ای از آنچه به عنوان هوش مصنوعی نمادین شناخته می‌شود، به شمار می‌روند.
موفقیت‌های اولیه در هوش مصنوعی
موفقیت‌های اولیه قابل توجهی در این زمینه وجود داشت، از جمله سیستم‌هایی برای شناسایی مولکول‌های آلی، تشخیص عفونت‌های خونی و جستجوی مواد معدنی. یکی از چشمگیرترین نمونه‌ها، سیستمی به نام R1 بود که در سال 1982، به گفته منابع، سالانه 25 میلیون دلار برای شرکت Digital Equipment Corporation با طراحی پیکربندی‌های بهینه برای سیستم‌های مینی‌کامپیوتری‌ا, صرفه‌جویی می‌کرد.
مزایای سیستم‌های خبره
مزیت کلیدی سیستم‌های خبره این بود که یک متخصص در موضوع خاص، بدون هیچ‌گونه تخصص برنامه‌نویسی، می‌توانست به طور نظری پایگاه دانش کامپیوتر را بسازد و نگهداری کند. یک مؤلفه نرم‌افزاری به نام موتور استنتاج سپس آن دانش را برای حل مسائل جدید در حوزه موضوعی به کار می‌برد و با ارائه شواهد، نوعی توضیح ارائه می‌کرد.
محبوبیت در دهه 1980
این سیستم‌ها در دهه 1980 بسیار محبوب شدند و سازمان‌ها به شدت به دنبال ساخت سیستم‌های خبره خود بودند. آنها هنوز هم بخشی مفید از هوش مصنوعی امروز به شمار می‌آیند.
ورود به یادگیری ماشین
مغز انسان و هوش مصنوعی: از نورون‌ها تا پرسپترون چندلایه
مغز انسان حاوی حدود 100 میلیارد سلول عصبی یا نورون است که توسط ساختاری شاخه‌ای به نام دندریت به هم متصل شده‌اند. بنابراین، در حالی که سیستم‌های خبره به دنبال مدل‌سازی دانش انسانی بودند، یک حوزه جداگانه به نام اتصالات‌گرایی (Connectionism) نیز در حال ظهور بود که هدف آن مدل‌سازی مغز انسان به شکلی دقیق‌تر و ملموس‌تر بود.
مدل‌سازی نورون‌ها
در سال 1943، دو پژوهشگر به نام‌های وارن مک‌کلاچ و والتر پیتس یک مدل ریاضی برای نورون‌ها تولید کردند که در آن هر نورون بسته به ورودی‌هایش یک خروجی باینری تولید می‌کرد.
پیاده‌سازی‌های اولیه
یکی از اولین پیاده‌سازی‌های کامپیوتری نورون‌های متصل، در سال 1960 توسط برنارد ویدرو و تد هاف توسعه یافت. این پیشرفت‌ها جالب بودند، اما تا زمان توسعه یک الگوریتم یادگیری برای مدلی نرم‌افزاری به نام پرسپترون چندلایه (MLP) در سال 1986، کاربرد عملی محدودی داشتند. 
پرسپترون چندلایه
پرسپترون چندلایه شامل معمولاً سه یا چهار لایه از نورون‌های شبیه‌سازی شده ساده است که هر لایه به طور کامل با لایه بعدی متصل است. الگوریتم یادگیری برای MLP یک پیشرفت بزرگ بود. این الگوریتم اولین ابزار عملی را فراهم کرد که می‌توانست از مجموعه‌ای از
مثال‌ها (داده‌های آموزشی) یاد بگیرد و سپس به‌گونه‌ای عمومی‌سازی کند که بتواند داده‌های ورودی جدیدی (داده‌های آزمایشی) را طبقه‌بندی کند.
موفقیت در طبقه‌بندی داده‌ها
این موفقیت با اتصال وزن‌های عددی به اتصالات بین نورون‌ها و تنظیم آنها به منظور دستیابی به بهترین طبقه‌بندی با داده‌های آموزشی به دست آمد، قبل از اینکه برای طبقه‌بندی مثال‌های جدید استفاده شود.
کاربردهای عملی
پرسپترون چندلایه می‌توانست دامنه وسیعی از کاربردهای عملی را مدیریت کند، مشروط بر اینکه داده‌ها به فرمت قابل استفاده‌ای ارائه شوند. یکی از مثال‌های کلاسیک، شناسایی کاراکترهای دست‌نویس بود، اما تنها در صورتی که تصاویر پیش‌پردازش شده و ویژگی‌های
کلیدی آنها استخراج شده باشد.
مدل‌های جدید هوش مصنوعی
پس از موفقیت پرسپترون چندلایه (MLP)، شکل‌های جایگزین متعددی از شبکه‌های عصبی آغاز به ظهور کردند. یکی از مهم‌ترین آنها، شبکه‌های عصبی پیچشی (CNN) در سال 1998 بود که شبیه به MLP بود، به جز لایه‌های اضافی نورون‌هایش برای شناسایی ویژگی‌های کلیدی یک تصویر، از این طریق نیاز به پیش‌پردازش را برطرف می‌کرد.
مدل‌های تشخیصی
هم MLP و هم CNN مدل‌های تشخیصی بودند، به این معنی که می‌توانستند تصمیم بگیرند، معمولاً ورودی‌های خود را طبقه‌بندی کنند تا تفسیر، تشخیص، پیش‌بینی یا توصیه‌ای تولید کنند. در همین حال، مدل‌های دیگری از شبکه‌های عصبی در حال توسعه بودند که ژنراتیو بودند، به این معنی که می‌توانستند پس از آموزش بر روی تعداد زیادی از نمونه‌های قبلی، چیزی جدید خلق کنند.
توانایی‌های شبکه‌های ژنراتیو
شبکه‌های عصبی ژنراتیو می‌توانستند متن، تصویر یا موسیقی تولید کنند، همچنین توالی‌های جدیدی برای کمک به کشفیات علمی ایجاد کنند.
مدل‌های برجسته
دو مدل از شبکه‌های عصبی ژنراتیو برجسته شده‌اند:
شبکه‌های ژنراتیو-رقابتی (GAN) & شبکه‌های ترانسفورمر
این مدل ها به این دلیل نتایج خوبی به دست می‌آورند که تا حدی “رقابتی” هستند، که می‌توان آن را به عنوان یک منتقد داخلی در نظر گرفت که بهبود کیفیت را از جزء “ژنراتیو” طلب می‌کند.
ظهور شبکه‌های ترانسفورمر
شبکه‌های ترانسفورمر از طریق مدل‌هایی مانند GPT4 (Generative Pre-trained Transformer 4) و نسخه مبتنی بر متن آن، ChatGPT، به برجستگی رسیده‌اند. این مدل‌های زبان بزرگ (LLM) بر روی مجموعه داده‌های عظیمی آموزش دیده‌اند که از اینترنت گرفته شده‌اند. بازخورد انسانی از طریق یادگیری تقویتی به اصطلاح، عملکرد آنها را بیشتر بهبود می‌بخشد.
دامنه کاربرد
علاوه بر تولید توانایی ژنراتیو چشمگیر، مجموعه داده‌های آموزشی گسترده به این معنی است که چنین شبکه‌هایی دیگر به حوزه‌های تخصصی باریک مانند پیشینیان محدود نیستند، بلکه اکنون به پوشش هر موضوعی تعمیم یافته‌اند.
هوش مصنوعی کجا میرود؟
توانایی‌های مدل‌های زبان بزرگ (LLMs) منجر به پیش‌بینی‌های نگران‌کننده‌ای درباره تسلط هوش مصنوعی بر جهان شده است.
به نظر من، این نوع ترس‌افکنی غیرمنصفانه و بی‌اساس است.
اگرچه مدل‌های کنونی به وضوح قوی‌تر از پیشینیان خود هستند، اما مسیر پیشرفت آنها به سمت افزایش ظرفیت، قابلیت اطمینان و دقت است، نه به سمت هر نوع آگاهی.
همان‌طور که پروفسور مایکل وولدرج در شهادت خود به مجلس لردهای پارلمان بریتانیا در سال 2017 اشاره کرد، “رویای هالیوودی ماشین‌های هوشمند نزدیک نیست و واقعاً هیچ مسیری به آنجا نمی‌برد.”
هفت سال بعد، ارزیابی او همچنان صحیح و معتبر است!
کاربردهای مثبت هوش مصنوعی
برخی از کاربردهای مثبت و هیجان‌انگیز هوش مصنوعی وجود دارد که می‌تواند زندگی ما را متحول کند. اما نگاهی به تاریخ نشان می‌دهد که یادگیری ماشین تنها ابزار موجود نیست. هوش مصنوعی نمادین هنوز نقشی کلیدی ایفا می‌کند، زیرا به ما این امکان را می‌دهد که حقایق شناخته‌شده، درک و دیدگاه‌های انسانی را در فرآیندهای خود بگنجانیم.
مثال‌های کاربردی
به عنوان مثال، یک خودروی بدون راننده می‌تواند قوانین راه را به طور مستقیم دریافت کند، به جای اینکه آنها را از طریق تجربه یاد بگیرد. همچنین، یک سیستم تشخیص پزشکی می‌تواند با دانش پزشکی موجود مقایسه شود تا تأیید و توضیحاتی برای خروجی‌های سیستم یادگیری ماشین ارائه دهد.
آینده روشن
دانش اجتماعی می‌تواند به ما کمک کند تا خروجی‌های توهین‌آمیز یا مغرضانه را فیلتر کنیم. آینده هوش مصنوعی روشن و امیدوارکننده است و شامل استفاده از مجموعه‌ای از تکنیک‌های متنوع خواهد بود، از جمله برخی که سال‌هاست در حال توسعه و بهبود هستند.
