هوش مصنوعی (Artificial intelligence = AI) یکی از موضوعات داغ و جذاب این روزها است. حتی اگر رشته تحصیلی و فعالیت شغلی شما مستقیما به هوش مصنوعی مرتبط نباشد، باید با هوش مصنوعی آشنا شوید چون هوش مصنوعی در آینده‌ای نزدیک در همه حوزه‌ها استفاده خواهد شد و نباید از رقبا جا بمانید.

در ابتدا به معنای لغوی هوش مصنوعی می‌پردازیم. کلمه هوش مصنوعی از دو کلمه هوش (intelligence) و مصنوعی (artificial) تشکیل شده است. تعریف “هوش” عبارت است از توانایی کسب و بکارگیری دانش برای حل مشکلات پیچیده و گرفتن تصمیم درست، و واژه “مصنوعی” به چیزی گفته می‌شود که به صورت طبیعی وجود ندارد و ساخته دست بشر است.

هوش مصنوعی (Artificial Intelligence) چیست؟

هوش مصنوعی (Artificial Intelligence) به شاخه‌ای از علم کامپیوتر (computer science) گفته می‌شود که تمرکز اصلی آن بر ساخت ماشین‌های هوشمند با توانایی انجام اموری که غالبا نیازمند هوش انسانی است.

به زبان ساده، هوش مصنوعی شبیه‌سازی هوش انسان و جانوران (هوش طبیعی) توسط ماشین‌ها (خصوصا کامپیوترها) است. به عبارت دقیق‌تر هوش مصنوعی شاخه‌ای از علوم کامپیوتر (Computer Science) است که با شیبه‌سازی هوش انسان (natural intelligence)، توانایی یادگیری تعمیم یافته (generalized learning)، تصمیم گیری (decision-making) و قدرت حل مسئله (problem-solving) را به کامپیوترها و ماشین‌ها می‌دهد.

تشخیص صدای انسان (speech recognition)، شناسایی و تشخیص اشیاء (object detection)، برنامه‌ریزی (planning)، استدلال (reasoning) و حل مسئله (problem solving) از جمله قابلیت‌های هوش مصنوعی است.

ویژگی‌های هوش مصنوعی
توانایی‌ها و ویژگی‌های هوش مصنوعی
هوش مصنوعی
قابلیت‌های هوش مصنوعی

هوش مصنوعی با پردازش و بررسی الگو داده‌ها در حجم بالا که در اختیارش قرار گرفته شده، نحوه انجام کار مورد نظر را فرا می‌گیرد. در بسیاری از موارد، انسان‌ها فرایند یادگیری هوش مصنوعی را با تقویت تصمیمات درست که توسط هوش مصنوعی گرفته شده و کمرنگ کردن اشتباهات صورت گرفته توسط آنها، مدیریت می‌کنند.

ولی برخی از انواع هوش مصنوعی طوری طراحی شده‌اند که فرآیند یادگیری را بدون نظارت انسان انجام می‌دهند. به عنوان مثال، یک بازی کامپیوتری را به صورت مکرر انجام می‌دهند تا زمانیکه الگو برنده شدن در آن بازی را فراگیرند

تعاریف دیگری نیز برای هوش مصنوعی وجود دارد. برای مثال استوارت راسل (Stuart Russell) و پیتر نورویگ (Peter Norvig) بر اساس دو رویکرد سیستم‌های دارای هوش مصنوعی را این چنین تعریف کرده اند:

رویکرد انسانی (Human approach)

  • سیستم‌هایی که مثل انسان فکر می‌کنند (Systems that think like humans)
  • سیستم‌هایی که مثل انسان عمل می‌کنند (Systems that act like humans)

رویکرد ایده‌آل (Ideal approach)

  • سیستم‌هایی که منطقی فکر می‌کنند (Systems that think rationally)
  • سیستم‌هایی که منطقی عمل می‌کنند (Systems that act rationally)

هوش مصنوعی با بهرمندی از الگوریتم‌های پیچیده (complex algorithms) و توابع ریاضی (mathematical functions) به سیستم‌های هوشمند (smart systems) و ماشین‌های هوشمند (intelligent machines) توانایی یادگیری تعمیم‌یافته (generalized learning)، استدلال (reasoning) و حل مسئله (problem solving) را می‌دهد. امروزه هوش مصنوعی در گوشی‌های هوشمند (samart phones)، خودروها، شبکه‌های اجتماعی و سایت‌ها، بازی‌های کامپیوتری، بانک‌ها و سیستم‌های نظارتی (surveillance) به کار می‌رود.

استفاده هوش مصنوعی
هوش مصنوعی در گوشی‌های هوشمند، خودروها، شبکه‌های اجتماعی و سایت‌ها، بازی‌های کامپیوتری، بانک‌ها و سیستم‌های نظارتی به کار می‌رود

پیداش و تکامل هوش مصنوعی

کلمه هوش مصنوعی یک تکنولوژی و واژه جدید برای محققین نبوده و از آنچه فکر می‌کنید قدمت بیشتری دارد. افسانه‌هایی از وجود مردان مکانیکی (Mechanical men) در افسانه‌های یونان و مصر وجود دارد. ولی بلوغ و پیشرفت هوش مصنوعی به اواسط قرن بیستم یعنی سال‌های ۱۹۴۳ تا ۱۹۵۲ برمی‌گردد. هنگامی که دانشمندان شروع به ساخت الگوریتم‌ها و نرم‌افزارهایی کردند که قابلیت انجام کارهایی را داشت که عموما نیازمند هوش انسانی بودند؛ مانند حل مسئله و تشخیص الگو.

آلن تورینگ (Alen Turing) یکی از اولین پیشگامان در زمینه هوش مصنوعی است که مفهوم ماشین با توانایی شبیه‌سازی هوش انسان برای انجام کارها را ارائه کرد. آلن تورینگ در سال ۱۹۵۰ یک تست تحت عنوان ” ماشین‌های محاسباتی و هوش (Computing Machinery and Intelligence) ” ارائه کرد. این تست میزان توانایی ماشین در نمایش رفتار هوشمندانه و تطابق با هوش انسان را بررسی می‌کرد و این آزمایش به اسم آزمایش تورینگ (Turing test) مشهور شد.

امروزه هوش مصنوعی در حد پیشرفته‌ای توسعه یافته است. مفاهیم یادگیری عمیق، علوم کامپیوتر و هوش مصنوعی روز به روز پرطرفدار تر و کارآمد تر می‌شوند. کمپانی‌هایی مانند گوگل، فیس‌بوک، IBM و آمازون توسط هوش مصنوعی کار می‌کنند و با استفاده از هوش مصنوعی دستگاه‌های خارق‌العاده‌ای ساخته‌اند. آینده هوش مصنوعی الهام بخش بوده و به مراحل پیشرفته‌تری خواهد رسید.

تاریخچه هوش مصنوعی
تاریخچه هوش مصنوعی

جایگاه هوش مصنوعی (Artificial Intelligence) در علوم کامپیوتر (Computer Science)

علم کامپیوتر به مطالعه کامپیوترها و سیستم‌های محاسباتی می‌پردازد که برخلاف مهندسین الکترونیک و کامپیوتر، بیشتر با نرم‌افزارها و سیستم‌های نرم‌افزاری شامل تئوری، طراحی، توسعه و کاربرد، سروکار دارند. هوش مصنوعی یکی از اصلی‌ترین زمینه‌های علوم کامپیوتر است.

یادگیری ماشین (Machine Learning) زیرشاخه هوش مصنوعی و یادگیری عمیق (Deep Learning) زیر شاخه یادگیری ماشین می‌باشد. باتوجه به اینکه وقتی بحث از هوش مصنوعی می‌شود دو اصطلاح یادگیری ماشین و یادگیری عمیق زیاد مورد استفاده قرار می‌گیرد، در ادامه خلاصه‌ای از هرکدام ذکر شده است.

AI-Classifications
جایگاه هوش مصنوعی (Artificial Intelligence) در علوم کامپیوتر (Computer Science)

یادگیری ماشین (Machine Learning)

الگوریتم یادگیری ماشین با استفاده از داده‌های کامپیوتری و روش آماری روش انجام یک کار را یاد می¬گیرد و به صورت مشخص برای انجام آن کار برنامه‌ریزی نشده و نحوه انجام درست آن کار را با داده‌ها فرا می‌گیرد. الگوریتم یادگیری ماشین به این شکل است که از داده‌های موجود در حافظه بعنوان ورودی استفاده می¬کند و خروجی مورد نظر را حدس می‌زند.

یادگیری عمیق (Deep Learning)

یادگیری عمیق یک نوع یادگیری ماشین است که از معماری شبکه عصبی انسان الهام گرفته شده‌است. شبکه عصبی از چندین لایه پنهان تشکیل شده که داده‌های ورودی را پردازش می‌کند. وجود این لایه‌ها باعث ایجاد ارتباط بین ورودی‌ها شده و ماشین می‌تواند بهترین نتایج را در اختیار ما قرار دهد.

ارتباط هوش مصنوعی (AI) با یادگیری ماشین (ML) و یادگیری عمیق (DL)
ارتباط هوش مصنوعی (AI) با یادگیری ماشین (ML) و یادگیری عمیق (DL)

هوش مصنوعی چگونه کار می‌کند؟

از آنجایی که هیاهو در مورد هوش مصنوعی سرعت گرفته است، فروشندگان در تلاش برای تبلیغ نحوه استفاده محصولات و خدمات خود از آن هستند. اغلب، آنچه آنها به عنوان AI از آن یاد می کنند، به سادگی جزئی از این فناوری است، مانند یادگیری ماشین. هوش مصنوعی به پایه‌ای از سخت افزار و نرم افزار تخصصی برای نوشتن و آموزش الگوریتم های یادگیری ماشین نیاز دارد. هیچ زبان برنامه نویسی به تنهایی مترادف با هوش مصنوعی نیست، اما پایتون، R، جاوا، سی پلاس پلاس و جولیا دارای ویژگی های محبوب توسعه دهندگان هوش مصنوعی هستند.

به طور کلی سیستم‌های هوش مصنوعی با دریافت مقادیر زیادی از داده‌های آموزشی برچسب گذاری شده و یک سری الگوریتم‌ها از همبستگی الگو های داده‌ها برای پیشبینی وضعیت آینده استفاده می‌کند. به این ترتیب است که یک ابزار تشخیص چهره میتواند با مرور میلیون‌ها مثال، شناسایی و توصیف اشیا در تصاویر جدید را بیاموزد.
الگوریتم‌ها و تکنیک‌های مختلف هوش مصنوعی به سرعت درحال بهبود هستند و درحال حاضر می‌توانند متن، تصاویر و موسیقی های واقعی خلق کنند.

برنامه‌های نوشته شده برای هوش مصنوعی بر مهارت‌های شناختی (cognitive skills) تمرکز دارد که شامل موارد زیر است:

  • یادگیری (Learning): این جنبه از برنامه‌های نوشته شده برای هوش مصنوعی، بر بدست آوردن داده‌ها و ایجاد قوانینی برای چگونگی تبدیل آن به اطلاعات کارآمد متمرکز است. این قوانین الگوریتم نامیده می‌شود. الگوریتم‌ها دستورالعمل گام به گام برای نحوه تکمیل یک کار خاص را به سیستم‌های محاسباتی ارایه می‌دهد.
  • استدلال (Reasoning): این جنبه از برنامه‌های نوشته شده برای هوش مصنوعی، بر انتخاب الگوریتم مناسب برای رسیدن به نتیجه مطلوب تمرکز دارد.
  • خوداصلاحی (Self-correction): این بخش از برنامه‌ها برای تنظیم مداوم الگوریتم‌ها و اطمینان از ارایه دقیق‌ترین نتایج طراحی شده است.
  • خلاقیت (Creativity): بخش خلاقیت برنامه‌های هوش مصنوعی از شبکه های عصبی (neural networks)، سیستم‌های مبتنی بر قوانین (rules-based systems) و روش‌های آماری (statistical methods) برای تولید تصاویر، متن، موسیقی و ایده‌های جدید استفاده می‌کند.

انواع هوش مصنوعی (Types of AI) بر اساس توانایی (Capability)

انواع هوش مصنوعی (Types of AI) بر اساس توانایی (Capability)
انواع هوش مصنوعی (Types of AI) بر اساس توانایی (Capability)

هوش مصنوعی ضعیف (Weak AI or Narrow AI)

هوش مصنوعی ضعیف که با نام هوش مصنوعی باریک (narrow AI) نیز شناخته می‌شود، برای انجام یک کار خاص طراحی و آموزش داده شده است. ربات‌های صنعتی، چت بات‌ها و دستیاران مجازی مانند اپل siri و Alexa از هوش مصنوعی ضعیف (weak AI) استفاده می‌کنند.

هوش مصنوعی ضعیف (Weak AI or Narrow AI)
هوش مصنوعی ضعیف (Weak AI or Narrow AI)

ویژگی‌های هوش مصنوعی ضعیف:

• محدود به انجام وظایف خاص
• برنامه‌ریزی شده برای عملکرد ثابت
• عدم آگاهی از خود
• هدف‌مندی در جهت به پایان رساندن یک کار با راه‌حل‌های خلاصه و دقیق

هوش مصنوعی قوی (Strong AI or General AI)

هوش مصنوعی قوی (Strong AI) به هوش عمومی مصنوعی (artificial general intelligent) نیز شناخته می‌شود. هوش مصنوعی قوی، توانایی‌های ذهنی (mental abilities)، فرآیندهای فکری (thought processes) و عملکردهای الهام گرفته از مغز انسان را می‌سازد. هنگامی یک سیستم هوش مصنوعی قوی کاری جدید آشنا می‌شود، از منطق فازی برای اعمال اطلاعات از یک دامنه به حوزه دیگر و یافتن راه حل مستقل استفاده می‌کند.

اگر محققان قادر به توسعه هوش مصنوعی قوی باشند، این ماشین به هوشی برابر با انسان نیاز دارد. این یک هوش خودآگاه است که توانایی حل مشکلات، یادگیری و برنامه ریزی برای آینده را دارد.

هوش مصنوعی قوی (Strong AI or General AI)
هوش مصنوعی قوی (Strong AI or General AI)

ویژگی‌های هوش مصنوعی قوی:

• انجام فعالیت‌های هوشمند در سطح انسانی
• توانایی یادگیری، تفکر و انجام فعالیت های جدید مانند انسان‌ها
• طراحی و اجرای خلاقیت، عقل و منطق مانند انسان‌ها
• هدفمند در جهت حل مشکلات با سرعت بیشتر

هوش مصنوعی فوق‌العاده (Super AI)

هوش مصنوعی فوق‌العاده (Super AI)، هوشی فراتر از هوش انسان هست که می‌تواند انسان را به خدمت بگیرد.

هوش مصنوعی فوق‌العاده (Super AI)
هوش مصنوعی فوق‌العاده (Super AI)

انواع هوش مصنوعی (Types of AI) بر اساس کارآمدی (Functionality)

هوش مصنوعی را می‌توان بر اساس نوع و پیچیدگی وظایفی که می‌توانند انجام دهند در چهار گروه دسته‌بندی کرد که عبارتند از:
• ماشین‌های انفعالی (Reactive machines)
• هوش مصنوعی حافظه محدود (Limited memory)
• نظریه ذهن (Theory of mind)
• خودآگاه (Self awareness)

که در ادامه هر نوع هوش مصنوعی توضیح داده شده است.

ماشین‌های انفعالی (Reactive Machine)

این سیستم های هوش مصنوعی حافظه ندارند و مختص انجام یک سری وظایف خاص هستند به عنوان مثال میتوان به Deep Blue اشاره نمود که توسط IBM توسعه پیدا کرد و گری کاسپاروف استاد بزرگ شطرنج جهان را در دهه ۱۹۹۰ شکست داد. ماشین‌های انفعالی از ابتدایی‌ترین اصول و قوانین مربوط به هوش مصنوعی پیروی می‌کنند و همان طور که از اسم آن‌ها مشخص است فقط قابلیت استفاده از هوش برای درک و واکنش به دنیای پیش‌رو خودشان را دارند.

درک دنیای پیش‌رو به این معناست که این نوع ماشین‌ها برای تعداد محدود و خاصی از وظایف طراحی شده‌اند. یک ماشین انفعالی قابلیت ذخیره حافظه را ندارد، در نتیجه نمی‌تواند با توجه به تجربیات گذشته‌تصمیم و پیش‌بینی درست انجام دهد. محدود کردن عمدی وظایف و یادگیری یک ماشین دارای مزایای خودش است؛ زیرا این نوع هوش مصنوعی قابل اعتمادتر بوده و واکنش‌های یکسان و قابل پیش‌بینی به محرک‌ها نشان می‌دهد.

حافظه محدود (Limited Memory)

هوش مصنوعی حافظه محدود (limited memory)، قابلیت ذخیره داده‌ها و نتایج قبلی در هنگام جمع‌آوری اطلاعات را دارد و می‌تواند با توجه به آن‌ها تصمیمات احتمالی بگیرد و با استناد به داده‌های قبلی برای رویدادهای پیش روی سرنخ پیدا کند. این نوع هوش مصنوعی از ماشین‌های انفعالی (reactive machine) پیچیده‌تر بوده و قابلیت انجام وظایف بیشتری را دارند.


این نوع هوش مصنوعی برای مدل‌هایی که به صورت پیوسته در حال آموزش بوده، یا نمونه‌هایی که محیط و بستر هوش مصنوعی آنها آماده است، ساخته شده اند. آموزش هوش مصنوعی حافظه محدود (limited memory) غالبا برای آنالیز و استفاده از داده‌های جدید است.
هنگام استفاده از هوش مصنوعی دارای حافظه محدود (limited memory) در یادگیری ماشین ۶ مرحله زیر باید دنبال شوند:

  1. ایجاد داده جهت آموزش
  2. ساخت مدل (model) یادگیری ماشین
  3. اطمینان حاصل کردن از پیش‌بینی صحیح نمونه
  4. اطمینان حاصل کردن از دریافت بازخورد توسط ماشین
  5. جمع‌آوری بازخوردها به عنوان داده ورودی
  6. تکرار کردن مراحل بالا به صورت چرخه‌وار

نظریه ذهن (Theory of Mind)

نظریه ذهن (Theory of Mind) یک اصطلاح روانشناسی است. هنگامی که برای هوش مصنوعی اعمال می‌شود به این معناست که سیستم از هوش اجتماعی برای درک احساسات برخوردار است این نوع هوش مصنوعی قادر به استنباط نیت انسان و پیش بینی رفتار آن خواهد بود، که مهارتی ضروری برای سیستم های هوش مصنوعی جهت تبدیل به عضو جدا ناپذیر زندگی انسان خواهد بود. برای نمونه می‌توان به هوش مصنوعی استفاده شده در اسپاتیفای جهت پیشنهاد آهنگ‌های بعدی اشاره نمود. این نوع هوش مصنوعی همانطور که از اسمش مشخص است فقط یک تئوری می‌باشد.

مفهوم کلی این نوع هوش مصنوعی بر پایه فرضیات و مفاهیم روانشناسی مبنی بر فهم این موضوع که احساسات و افکار موجودات زنده بر رفتار آن‌ها تاثیر دارد، بنا شده است. به این معنا که، ماشین‌های هوش مصنوعی در این مرحله احساسات و نحوه تصمیم‌گیری انسان‌ها را درک می‌کنند و با توجه به رفتارهای روانشناختی آن‌ها جهت تعلیم و پیش‌بینی داده برداری می‌کنند. به صورت اساسی لازم است که هوش مصنوعی قابلیت درک و پردازش مفهوم “ذهن”، نوسانات احساسات در تصمیم‌گیری و سایر مفاهیم روانشناسی را داشته باشد.

خود آگاه (Self-awareness)

بعد از درک مفاهیم روانشناسی توسط هوش مصنوعی، مرحله آخر یعنی آگاه شدن آن‌هاست. در این مرحله هوش مصنوعی به خودآگاهی رسیده و متوجه حضورش در جهان هستی می‌شود. همانند وجود دیگر موجودات.
هوش مصنوعی خودآگاه نیازمند دو موضوع است: اول اینکه محققان اساس و بنیاد “آگاهی” را درک کرده سپس چگونگی تکرار آن را یاد بگیرند و بتوانند در غالب ماشین بسازند. این نوع هوش مصنوعی هنوز وجود ندارد!

منابع و مطالعه بیشتر

techtarget.com/searchenterpriseai/definition/AI-Artificial-Intelligence: هوش مصنوعی (Artificial Intelligence)youtube.com/@SimplilearnOfficial/search?query=Artificial Intelligence: هوش مصنوعی (Artificial Intelligence)