انواع هوش مصنوعی
- طبقه بندی انواع هوش مصنوعی
- ۱- ماشین های انفعالی یا واکنشی (Reactive Machine)
- 2- حافظه محدود (Limited Memory)
- 3- هوش مصنوعی نظریه ذهن (Theory of Mind)
- 4- هوش مصنوعی خود آگاه (Self Awareness)
- ۱- هوش مصنوعی ضعیف (Weak AI)
- 2 –هوش مصنوعی کلی (General AI)
- 3– ابر هوش مصنوعی (Super AI)
- ۱. یادگیری ماشینی (Machine Learning):
- ۲. یادگیری عمیق (Deep Learning):
عصر هوش مصنوعی پیش روی ما است و از بسیاری جهات، ما را مجذوب خود کرده است. هوش مصنوعی را می‌توان پیچیده‌ترین و در عین حال جالب‌ترین سازه دست بشری تا به امروز خواند که البته هنوز تا حدود زیادی کشف نشده باقی مانده و این یعنی کاربردهای جالبی که در برهه کنونی از این تکنولوژی می‌بینیم صرفا معرف نمونه کوچکی از قابلیت‌های آن هستند.
ما در اطلاعات، مقالات و نظریه‌ها در مورد هوش مصنوعی غرق شده‌ایم. کارشناسان و غیر کارشناسان تلاش می‌کنند آینده‌ای را که ناشی از ظهور این فناوری است برای ما پیش‌بینی کنند. به دلیل جریان مداوم اطلاعات در هوش مصنوعی، تشخیص اینکه دقیقاً هوش مصنوعی چیست، دشوارتر می‌شود. تعداد کمی از ما قادر به تعریف هوش مصنوعی هستیم. بسیاری از ما آن را با سایر کلید واژه‌ها مانند «ربات» اشتباه می‌گیریم و مترادف می‌دانیم.
به لطف کتاب‌های علمی تخیلی، فیلم‌ها و گمانه‌زنی‌های مربوط به آینده، بسیاری از ما تصوری از دنیایی را که توسط ربات‌ها اداره می‌شود را داریم. حالا که ظاهراً در دوره هوش مصنوعی قرار گرفته‌ایم، ناگزیریم که بپرسیم و بیشتر بدانیم که هوش مصنوعی چیست؟ چقدر با آنچه در تصور ماست متفاوت است؟
بنابراین دستیابی به نقطه نظری جامع و فراگیر در رابطه با اثرات احتمالی هوش مصنوعی بر آینده بشر امری بسیار دشوار است. علت این مساله نیز تاثیر انقلابی هوش مصنوعی بر جامعه است که حتی در مراحله اولیه پیشرفتش به خوبی خود را نشان داده است.
اما رشد سریع هوش مصنوعی و قابلیت‌های پیشرفته آن نوعی ترس از آسیب‌پذیری را در افراد ایجاد کرده و بیم آن را به وجود آورده که مبادا روزی هوش مصنوعی کنترل جوامع را در دست بگیرد. علاوه بر این تغییراتی که به موجب هوش مصنوعی در صنایع مختلف ایجاد شده رهبران کسب و کارها و مردم را بر آن داشته که باور کنند به نقطه انتهایی پیشرفت تحقیقات و فعالیت یافتن پتانسیل‌های هوش مصنوعی نزدیک شده‌اند.
حقیقت این است که، با وجود اینکه در محاصره هوش مصنوعی و اطلاعات آن هستیم، کمتر کسی از اصطلاح «هوش مصنوعی» به درستی استفاده می‌کنند. سو استفاده و سو تفاهم از این اصطلاح می‌تواند باعث شود كه ما اظهارات و مفروضات غلطی را در مورد آنچه كه آینده در اختیار دارد، قرار دهیم. همانطور که می‌دانیم، جهان با یک سرعت رو به افزایش در حال تغییر است، بنابراین اگر می‌خواهیم در آینده پیشرفت کنیم، داشتن تفکر منطقی در مورد این تغییرات بسیار مهم است. برای انطباق در دنیایی با محوریت تغییر، درک پیامدهای هوش مصنوعی بر جامعه و روشن شدن جایگاهمان که باید امروز در کجا بایستیم، ابتدا باید بین انواع مختلف هوش مصنوعی تمایز قایل شویم.
طبقه بندی انواع هوش مصنوعی
از آنجایی که هدف از تحقیقات هوش مصنوعی ایجاد ماشین‌هایی با قابلیت شبیه‌سازی کارکردهای مشابه به انسان است، میزانی که یک سیستم هوش مصنوعی بتواند قابلیت های انسان را تقلید کند به عنوان معیاری برای طبقه‌بندی انواع هوش مصنوعی به کار می‌رود. بنابراین بسته به اینکه یک ماشین از نظر عملکرد در چه سطحی نسبت به انسان قرار دارد و می‌تواند کارهای انسان گونه را انجام دهد یا خیر در سطوح مختلفی از پیشرفت قرار خواهد گرفت.
براساس این معیار، هوش مصنوعی به طور کلی به دو شیوه تقسیم‌بندی می‌شود.
در یکی از روش‌ها هوش مصنوعی و ماشین‌های مبتنی بر آن براساس شباهتشان به ذهن انسان و توانایی‌شان در تفکر و شاید حس انسانگونه بودنشان طبقه‌بندی می شوند. بر اساس این سیستم طبقه‌بندی چهار نوع هوش مصنوعی یا سیستم مبتنی بر هوش مصنوعی داریم: ماشین های انفعالی، ماشین های دارای حافظه محدود، نظریه ذهن و هوش مصنوعی خودآگاه.
۱- ماشین های انفعالی یا واکنشی (Reactive Machine)
اینها قدیمی‌ترین شکل از سیستم‌های هوش مصنوعی هستند که توانمندی‌های بسیار محدودی دارند. این ماشین ها توانایی ذهن انسان را به نحوی که بتوانند به انواع محرک‌ها پاسخ دهند شبیه‌سازی می‌کنند و کارکردهای مبتنی بر حافظه ندارند؛ به بیان دیگر چنین ماشین‌هایی نمی‌توانند از تجربیات قبلی خود برای اقدامات کنونی‌شان استفاده کنند. به این ترتیب این ماشین‌ها توانایی یادگیری ندارند و صرفا می‌توان از آنها برای پاسخ‌گویی به مجموعه محدودی از ورودی‌ها استفاده کرد. در نتیجه نمی‌توان توقع داشت که این ماشین‌ها براساس تجربیات قبلی عملکرد بهتری را به مرور زمان از خود نشان دهند.
هوش مصنوعی Deep Blue متعلق به شرکت IBM که استاد بزرگ شطرنج، گری کاسپاروف، را شکست داد، یک ماشین واکنشی است که با دیدن محل مهره‌های صفحه شطرنج نسبت به آنها واکنش نشان می‌دهد. ماشین Deep Blue نمی‌تواند سوابق و تجربیات قبلی خود را در نظر بگیرد و با یادگیری از عملیات قبلی، خود را بهبود بدهد. این ماشین صرفا مهره‌های شطرنج را شناسایی میکند، نحوه حرکت آنها را می‌داند و پیش‌بینی میکند حرکت‌های بعدی او و رقیبش چه خواهند بود. دیپ‌بلو هیچ یک از داده‌های قبل از لحظه حاضر را در نظر نمی‌گیرد و با نگاه به صفحه شطرنج از بین حرکت‌های ممکن، یک حرکت را انتخاب و اجرا میکند.
2- حافظه محدود (Limited Memory)
ماشین های دارای حافظه محدود آنهایی هستند که علاوه بر توانمندی‌های انواع انفعالی، قادرند از دیتای تاریخی خود یاد بگیرند و براساس آنها تصمیم‌گیری نمایند. تقریبا تمامی کاربردهای کنونی هوش مصنوعی در این گروه جای می‌گیرند. تمامی سیستم‌های فعلی هوش مصنوعی نظیر آنهایی که از یادگیری عمیق استفاده می‌کنند توسط حجم بالایی از دیتای یادگیری آموزش داده می‌شوند که درون حافظه‌هایشان ذخیره‌سازی می‌گردند تا مدل مرجعی برای حل مسائل آینده بسازند. برای نمونه یک هوش‌مصنوعی تشخیص عکس با استفاده از هزاران تصویر آموزش می‌بیند و برچسب مربوط به چیز‌هایی که در این تصاویر دیده می‌شود نیز در اختیارشان قرار داده می‌شود. زمانی که یک عکس توسط این هوش مصنوعی اسکن می‌شود سیستم از عکس‌های قبلی به عنوان مرجع استفاده میکند تا محتوای عکس جدید را درک نماید و براساس تجربیات یادگیری‌اش عکس‌های جدید را با دقت بالا برچسب‌گذاری میکند. حافظه در چنین سیستم‌هایی کوتاه مدت است. این سیستم‌ها صرفا در بازه زمانی معینی امکان استفاده از داده‌ها را دارند و مجاز به بایگانی داده‌ها در کتابخانه تجربیات خود نیستند. تقریبا تمامی مصارف فعلی هوش مصنوعی از چت‌بات‌ها و دستیارهای مجازی گرفته تا وسایل نقلیه خودران همگی به واسطه شکل محدودی از هوش مصنوعی حافظه ظهور یافته اند.
نحوه عملکرد هوش مصنوعی حافظه محدود در خودروهای خودران به صورت زیر است:
- هوش مصنوعی حافظه محدود مشاهده میکند که وسایل نقلیه در محیط اطراف، در زمان حاضر و با گذر زمان، چگونه حرکت می‌کنند.
- این نوع ماشین، علاوه بر دریافت جریان داده‌های مستمر، داده‌های ایستا شامل خط‌کشی مسیر و چراغ‌های راهنمایی و رانندگی را ذخیره میکند.
- موقعی که وسیله نقلیه تصمیم دارد خط مسیر خود را تغییر دهد، این داده‌ها فراخوانی می‌شوند؛ به‌طوری که در حرکت دیگر رانندگان اختلالی ایجاد نشود یا تصادفی رخ ندهد.
شرکت میتسوبیشی الکتریک در حال انجام تحقیقاتی برای بهبود این نوع از هوش مصنوعی در موارد استفاده مختلفی از جمله خودروی خودران است.
3- هوش مصنوعی نظریه ذهن (Theory of Mind)
دو نوع هوش مصنوعی که پیشتر گفتیم به وفور یافت می‌شوند با این حال دو مورد بعدی یا به صورت مفهومی وجود دارند یا صرفا پروژه‌هایی تحقیقاتی هستند. نظریه ذهن سطح بعدی از سیستم‌های هوش مصنوعی است که پژوهشگران هم اکنون روی آن تحقیق می‌کنند. یک هوش مصنوعی در سطح نظریه ذهن موجودیت‌هایی که با آنها تعامل دارد را بهتر درک میکند و قادر است نیازها، احساسات، باورها و افکار آنها را بفهمد و پردازش کند. هوش مصنوعی احساسی (Artificial Emotional Intelligence) همین حالا صنعتی شکوفا به شمار می‌رود و محققان بسیاری به آن علاقمند هستند، با این حال دستیابی به سطح نظریه ذهن مستلزم توسعه در دیگر شاخه‌های هوش مصنوعی است. در واقع برای آن که ماشین‌های هوش مصنوعی نیازهای بشر را به طور کامل درک کنند باید انسان ها را به عنوان افرادی در نظر بگیرند که ذهنشان به واسطه فاکتورهای مختلفی شکل می‌گیرد و در وهله نخست باید به درک درستی از انسان ها برسند.
- ماشین Kismet نمونه عملی نظریه ذهن به حساب می‌آید که شامل یک ربات به شکل سر انسان است و توسط پژوهشگری در مرکز فناوری‌های ماساچوست (MIT) در اواخر دهه ۹۰ ساخته شد. Kismet می‌تواند از عواطف انسانی تقلید کند و آنها را تشخیص دهد. هر دوی این توانمندی‌ها، پیشرفت‌های مهمی در نظریه ذهن و AI به حساب می‌آیند، اما Kismet قادر نیست تماس چشمی برقرار کند و به انسان‌ها توجه نشان دهد.
- «سوفیا» (Sophia) از «هانسون روباتیکس» (Hanson Robotics)، مثال دیگری از نظریه ذهن است. دوربین‌های کار گذاشته شده در چشمان سوفیا با استفاده از الگوریتم‌های کامپیوتری به او حس بینایی می‌بخشند. سوفیا می‌تواند افراد را بشناسد، نگاه‌ها را دنبال کند و تماس چشمی برقرار کند.
4- هوش مصنوعی خود آگاه (Self Awareness)
این مرحله نهایی توسعه هوش مصنوعی است که هم اکنون به صورت نظری وجود دارد و شکل توسعه یافته‌ای از هوش مصنوعی است که بسیار شبیه به مغز انسان عمل می کند و به درجه خودآگاهی رسیده است. توسعه این شکل از هوش مصنوعی که به چندین دهه (اگر نگوییم چند قرن) نیاز دارد همواره هدف نهایی تمامی تحقیقات صورت گرفته در زمینه هوش مصنوعی بوده و خواهد بود. این نوع هوش مصنوعی نه تنها می‌تواند احساسات را درک کرده و برانگیزد بلکه احساسات، نیازها، باورها و علایق خود را دارد. و این همان شکلی از هوش مصنوعی است که بسیاری نگران پیامدهایش هستند. گرچه توسعه هوش مصنوعی خود آگاه می‌تواند به میزان چشم گیری باعث پیشرفت تمدن بشری شود اما این پتانسیل را هم دارد که فاجعه آفرین باشد. علت هم این است که وقتی هوش مصنوعی خودآگاه تفکراتی نظیر حفظ خویشتن پیدا کند ممکن است مستقیم یا غیرمستقیم رای بر نابودی بشر بدهد.
سیستم دیگر طبقه بندی، هوش مصنوعی را به دسته‌های هوش مصنوعی ضعیف، هوش مصنوعی کلی و ابرهوش مصنوعی تقسیم می کند.
۱- هوش مصنوعی ضعیف (Weak AI)
هوش مصنوعی ضعیف که نام دیگر آن «هوش مصنوعی محدود (Narrow AI)» است. این نوع هوش مصنوعی معرف تمامی انواع کنونی آن است و حتی پیشرفته‌ترین نوعی که بشر تا به حال به چشم دیده را در بر می‌گیرد. هوش مصنوعی ضعیف در اصل به سیستم‌هایی اشاره دارد که صرفا می‌توانند کارهای خاصی را به صورت خودکار و با استفاده از توانمندی‌های شبیه به انسان انجام دهند. این ماشین‌ها کاری غیر از آنچه برایش برنامه‌ریزی شده را انجام نمی‌دهند و بنابراین مهارت‌های بسیار محدودی دارند. براساس روش طبقه‌بندی یاد شده، این سیستم ها با انواع هوش مصنوعی انفعالی و حافظه محدود مطابقت دارند و حتی پیچیده‌ترین نوع هوش مصنوعی که از یادگیری ماشینی و یادگیر عمیق برای آموزش دادن به خود استفاده میکند هم در این گروه جای می‌گیرد.
- دستیار صوتی هوشمند Siri اپل نمونه‌ای از هوش مصنوعی محدود است که با مجموعه‌ای از کارکردهای از پیش‌تعریف‌شده عمل میکند. فعالیت Apple Siri در خارج از محدوده ممکن است آن را دچار اختلال کند.
- دستیار IBM Watson نیز نمونه‌ای دیگر از هوش مصنوعی محدود به حساب می‌آید که با به‌کارگیری «رایانش شناختی (Cognitive Computing)»، یادگیری ماشین و «پردازش زبان طبیعی (Natural Language Processing)»، اطلاعات را پردازش میکند و به سوالات کاربران پاسخ می‌دهد. IBM Watson توانست یکبار رقیب انسانی خود را در نمایش بازی محبوب «Jeopardy» شکست دهد و قهرمان شود.
- برخی نمونه‌های دیگر از هوش مصنوعی محدود شامل مترجم گوگل، برنامه‌های بازشناسی تصویر، سیستم‌های توصیه‌گر (ریکامندر)، فیلتر اسپم و الگوریتم های گوگل در سئو است.
2 –هوش مصنوعی کلی (General AI)
هوش مصنوعی کلی که به «هوش مصنوعی قوی (Strong AI)» نیز معروف است در واقع همان توانایی یک هوش مصنوعی در یادگیری، درک، شناخت و عملکرد شبیه به انسان است. این سیستم‌ها قادر خواهند بود که به صورت مستقل مهارت‌های مختلفی را کسب کنند و با کاهش قابل توجه زمان یادگیری، ارتباطات تازه‌ای را میان مفاهیم مختلف ایجاد کرده و قوانین کلی را برایشان بسازند. به این ترتیب این شکل از هوش مصنوعی توانایی تقلید از توانایی‌های چند بعدی انسان را دارد.
پژوهشگران AI تاکنون موفق به دستیابی به هوش مصنوعی قوی نشده‌اند. شرط لازم برای دستیابی به این هدف و به منظور هوشمند‌سازی کامل ماشین‌ها، برنامه‌نویسی مجموعه کاملی از توانایی‌های شناختی است. شرکت مایکروسافت به منظور توسعه هوش مصنوعی عمومی، در موسسه OpenAI، مبلغ یک میلیارد دلار سرمایه گذاری کرده است.
3– ابر هوش مصنوعی (Super AI)
توسعه ابر هوش مصنوعی را احتمالا می‌توان نقطه اوج تحقیقات این حوزه دانست که علاوه بر تقلید هوش چند وجهی انسان می‌تواند به خاطر حافظه بیشتر، سرعت بالاتر در پردازش و تحلیل اطلاعات و توانایی‌های فوق‌العاده‌اش در تصمیم‌گیری حتی بهتر از انسان نیز عمل نماید. چشم‌انداز ابر هوش مصنوعی نه صرفا شبیه‌سازی و درک احساسات انسانی است، بلکه شامل قابلیت برانگیختن عواطف، نیازها، باورها و آرزوهای انسانی نیز می‌شود. در حال حاضر، دستیابی به این هدف در حد یک فرضیه است. برخی ویژگی‌های برجسته ابر هوش مصنوعی شامل فکر کردن، حل معما، قضاوت کردن و تصمیم‌گرفتن به صورت مستقل است.
همچنین، هوش مصنوعی بر اساس روش‌هایی که برای یادگیری استفاده می‌شوند، به دو دسته کلی زیر تقسیم می‌شود:
۱. یادگیری ماشینی (Machine Learning):
در یادگیری ماشینی، سیستم‌های هوش مصنوعی با استفاده از الگوریتم‌های آماری و ریاضی، قادر به یادگیری از داده‌های ورودی هستند. این داده‌ها می‌توانند از جمله داده‌های تصویری، صوتی، متنی و … باشند. به‌عنوان مثال، الگوریتم‌های یادگیری ماشینی در برخی از کاربردهای هوش مصنوعی مانند تشخیص چهره، تشخیص گفتار، تشخیص مواد مخدر و … استفاده می‌شوند.
۲. یادگیری عمیق (Deep Learning):
در یادگیری عمیق، سیستم‌های هوش مصنوعی با استفاده از شبکه‌های عصبی عمیق، قادر به یادگیری از داده‌های ورودی هستند. این شبکه‌ها، به‌طور مشابه با شبکه‌های عصبی انسان، از لایه‌های مختلفی تشکیل شده‌اند که هر لایه، ویژگی‌های مختلفی را از داده‌های ورودی استخراج میکند. الگوریتم‌های یادگیری عمیق در برخی از کاربردهای هوش مصنوعی مانند تشخیص تصاویر، پردازش زبان طبیعی، شناسایی الگوهای پیچیده و … استفاده می‌شوند.
توسعه هوش مصنوعی عمومی و ابرهوش مصنوعی به سناریوهایی منجر می‌شود که غالبا با نام تکینگی می‌شناسیم. و با وجود آنکه در اختیار داشتن دستگاه‌هایی با این حجم از قدرت می‌تواند وسوسه برانگیز باشد، باید آگاه بود که این ماشین‌ها به تهدیدی برای هستی بشر یا دست کم مسیر زندگی‌اش بدل می‌شوند.
همانطور که در ابتدا گفته شد فعلا نمی‌توان تصویر روشنی از آینده جهان در سایه حضور انواع پیشرفته هوش مصنوعی متصور شد، با این حال روشن است که مسیری طولانی برای رسیدن به این نقطه از پیشرفت پیش روی بشر قرار دارد. لذا اگر افکارتان در رابطه با آینده هوش مصنوعی چندان مثبت نیست باید بگوییم که فعلا برای نگرانی بابت تکینگی زود است و هنوز برای تفکر در مورد امنیت و ایمنی هوش مصنوعی وقت باقیست.
برای ارسال نظر لطفا ابتدا وارد حساب کاربری خود شوید. صفحه ورود و ثبت نام