ایده ساخت ماشینهایی که بتوانند شبیه انسانها فکر کنند همزمان با ساخت اولین رایانهها شکل گرفت. در کنفرانس دارتموث که سال ۱۹۵۶ برگزار شد پژوهشگران به بحث و بررسی درباره ماشینهای متفکر پرداختند؛ ماشینهایی که آنها را با نام هوش مصنوعی یا به اختصار AI میشناسیم. در سال ۱۹۹۷ شرکت IBM با ابررایانه دیپبلو توانست استاد بزرگ گریکاسپاروف را شکست دهد. پس از این مسابقه به همه ثابت شد ماشینها میتوانند بهتر از انسانها مسائل پیچیده را حل کنند. از مسابقه شطرنج به بعد سرعت ساخت و توسعه انواع هوش مصنوعی بیشتر شد. در سالها اخیر نیز هوش مصنوعی به یکی از موارد ضروری در زندگی روزمره ما تبدیل شده است. از این ماشینها میتوان برای ساخت دستیارهای مجازی و الگوریتمهای مختلف تا طراحی خودروهای خودران و سامانههای پزشکی تشخیص بیماری استفاده کرد.
مرتبط: رودمپ یادگیری هوش مصنوعی
انواع هوش مصنوعی چیست؟
یکی از شگفتانگیزترین ویژگیهای هوش مصنوعی متنوع بودن آن است. از این فناوری میتوانید با شیوههای مختلف استفاده کنید. برای درک کامل تواناییها و ظرفیتهای آنها، آشنایی با انواع هوش مصنوعی ضروری است.
انواع هوش مصنوعی بر اساس توانایی
هوش مصنوعی بسته به میزان توانایی یک سیستم در بازآفرینی هوش انسانی و اجرای وظایف مختلف، در چند دسته مختلف طبقهبندی میشود.
هوش مصنوعی محدود
هوش مصنوعی ضعیف یا هوش مصنوعی محدود (ANI) سیستمهایی هستند که برای انجام یک کار مشخص یا حل یک مسئله خاص در یک حوزه تعریفشده طراحی شدهاند. این سیستمها توانایی فکر کردن یا تصمیمگیری فراتر از آن محدوده را ندارند. خلاف انسان که میتواند در موقعیتهای مختلف از هوش خود استفاده کند، هوش مصنوعی محدود تنها در چارچوب تعیینشده فعالیت میکند و نمیتواند خارج از محدوده تصمیم بگیرد.
از نمونههای معروف هوش مصنوعی محدود میتوان به Siri و Alexa، الگوریتمهای توصیهگر مورد استفاده در پلتفرمهای استریم، و سیستمهای تشخیص چهره اشاره کرد. هرچند این فناوریها در حوزه عملکرد خود رفتاری شبیه انسان دارند، اما توانایی آنها تنها محدود به یک زمینه تخصصی است.
هوش مصنوعی عمومی
ماشینهایی که توانایی تفکر، یادگیری و بهکارگیری دانش در وظایف مختلف مشابه انسان را دارند به نام هوش مصنوعی عمومی یا قوی شناخته میشوند. خلاف نوع قبلی که فقط برای یک کار خاص طراحی شده بود، هوش مصنوعی عمومی میتواند آموختههای خود را از یک موقعیت به موقعیت دیگر منتقل کند و بدون کمک انسان با چالشهای جدید مواجه شود.
در حال حاضر این نوع هوش مصنوعی تنها مفهومی نظری است و پژوهشها برای دستیابی به چنین سطحی از تطبیقپذیری و خودمختاری همچنان ادامه دارد.
هوش مصنوعی ابرهوشمند
هوش مصنوعی ابرهوشمند، یا ASI، نوعی از هوش مصنوعی و قویتر از هوش انسانی است. خلاف هوش مصنوعی عمومی که هدف آن رسیدن به سطح هوش انسان است، هوش مصنوعی ابرهوشمند توانایی تفکر، نوآوری و استدلال در سطحی بالاتر از توانایی انسان را خواهد داشت.
این نوع هوش مصنوعی نیز در حال حاضر تنها یک فرضیه است و توسعه آن مسائل اخلاقی و وجودی مهمی را مطرح میکند.
انواع هوش مصنوعی بر اساس ویژگیهای عملکردی
هوش مصنوعی را میتوان بر اساس نحوه عملکرد و تعامل آن با محیط نیز دستهبندی کرد. در این روش تفاوتها به نحوه پردازش اطلاعات، یادگیری از دادهها و پاسخ به محرکها بستگی دارد.
ماشینهای واکنشی
ماشینهای واکنشی سادهترین و ابتداییترین نوع هوش مصنوعی هستند. این سیستمها فقط میتوانند به ورودیهای مشخص، پاسخهای از پیش تعیینشده بدهند؛ یعنی هیچ حافظهای ندارند، نمیتوانند اطلاعات را ذخیره کنند و از تجربههای گذشته چیزی یاد نمیگیرند. تمام وظیفه آنها واکنش سریع و لحظهای به دادههایی است که همان لحظه دریافت میکنند.
بهدلیل همین سادگی، ماشینهای واکنشی پایه و اساس بسیاری از انواع پیشرفتهتر هوش مصنوعی محسوب میشوند. مدلهای آماده و بدونتغییر یادگیری ماشین، که نوعی هوش مصنوعی واکنشی هستند، معمولاً از طریق پلتفرمهایی مثل GitHub در دسترس توسعهدهندگان قرار میگیرند و بهسادگی در پروژهها استفاده میشوند.
نمونههایی از هوش مصنوعی واکنشی شامل سیستم IBM Deep Blue است؛ سیستمی که میتوانست هزاران حرکت احتمالی را تحلیل کند، اما هیچگونه حافظه یا توانایی یادگیری نداشت.
هوش مصنوعی واکنشی همچنین در کاربردهای عملی دیگری بهکار میرود؛ مانند الگوریتم توصیهگر نتفلیکس و سامانههای مدیریت ترافیک که با استفاده از دادههای لحظهای، ازدحام را کاهش و ایمنی را افزایش میدهند.
هوش مصنوعی با حافظه محدود
سیستمهایی که میتوانند دادههای گذشته را ذخیره کرده و برای بهبود پیشبینیها و عملکرد خود در طول زمان از آنها استفاده کنند هوش مصنوعی با حافظه محدود هستند. این نوع هوش مصنوعی پیشرفتهتر است، زیرا از تجربه یاد میگیرد و بر اساس الگوهایی که شناسایی میکند، پاسخهای خود را تنظیم میکند.
درحالیکه تمام مدلهای یادگیری ماشین در مرحله توسعه با استفاده از حافظه محدود ساخته میشوند، اما همه آنها پس از استقرار همچنان به یادگیری ادامه نمیدهند. برخی از مثالهای هوش مصنوعی با حافظه محدود شامل خودروهای خودران، چتباتهای خدمات مشتری، دستگاههای هوشمند خانگی و رباتهای صنعتی هستند.
هوش مصنوعی با حافظه محدود با استفاده از دو روش کلیدی کار میکند؛ آموزش مداوم که در آن تیم توسعهدهنده مدل را بهطور منظم با دادههای جدید بهروزرسانی میکند، و یادگیری خودکار که در آن سیستم هوش مصنوعی طوری طراحی میشود که میزان استفاده و عملکرد خود را پایش کرده و بر اساس بازخورد و ورودیهای جدید، بهصورت خودکار دوباره آموزش ببیند.
هوش مصنوعی مبتنیبر نظریه ذهن
این نوع هوش مصنوعی نشاندهنده مرحلهای پیشرفته و آیندهمحور از هوش مصنوعی است که هدف آن درک و واکنش به افکار و احساسات انسان است. سامانههای فعلی هوش مصنوعی صرفاً بر اساس داده و دستورات عمل میکنند، اما هوش مصنوعی مبتنیبر نظریه ذهن میتواند نشانههای احساسی را تفسیر کرده و متناسب با آنها پاسخ خود را تغییر دهد.
برای مثال، دستیارهای مجازی امروزی مانند Alexa یا Siri پاسخهایی مستقیم ارائه میکنند بدون اینکه بتوانند زمینهٔ احساسی پیام را تشخیص دهند. اگر شخصی هنگام رانندگی از روی عصبانیت بر سر Google Maps فریاد بزند، این برنامه همچنان همان اطلاعات ترافیکی را بدون هیچ نوع دلجویی یا حمایت احساسی ارائه میکند.
بااینحال، پیشرفتهایی مانند ChatGPT در حال پیشرفت هستند. با اینکه هنوز قادر به درک کامل احساسات نیست، اما میتواند نوعی همدلی مصنوعی ایجاد کند؛ مثلاً به تعریف و تمجید واکنش مناسب نشان میدهد یا در مواجهه با پیامهای همراه با ناراحتی، پاسخهای همدلانه ارائه میکند. این ویژگی خبری خوب برای سامانههایی است که در آینده میتوانند ارتباطی انسانیتر و آگاه از احساسات برقرار کنند.
موضوع «همراهان هوش مصنوعی» و نحوه تعامل انسانها با آنها نیز حوزهای جذاب برای پژوهش است. «جیمی بنکس»، دانشیار مدرسه مطالعات اطلاعات، موفق به دریافت کمکهزینهای ۶۰۰ هزار دلاری از بنیاد ملی علوم آمریکا (NSF) شده تا بررسی کند زبان و شناخت اجتماعی چگونه برداشت انسان از همراهان هوش مصنوعی را شکل میدهد. همانطور که بنکس توضیح میدهد:
«میخواهیم تجربه ذهنی افراد را از اینکه یک همراه هوش مصنوعی را شخص تلقی میکنند، درک کنیم و اینکه این تجربه چگونه با پیامدهای مثبت یا منفی ارتباط برقرار میکند».
هوش مصنوعی خوداگاه
مفهوم هوش مصنوعی خودآگاه در حال حاضر تنها در داستانهای علمیتخیلی و مباحث نظری وجود دارد. این مفهوم به مرحلهای فرضی از هوش مصنوعی اشاره دارد که در آن ماشینها دارای آگاهی و درک از خود خواهند بود.
با داشتن چنین تواناییهایی، هوش مصنوعی میتواند حوزههایی مانند مراقبتهای بهداشتی، پژوهشهای علمی و اکتشافات فضایی را متحول کند. با این حال، این پتانسیل با نگرانیهای جدی همراه است؛ یرا اگر هوش مصنوعی به سطحی از آگاهی برسد که ارزشها و اولویتهایش با ارزشهای انسانی همسو نباشد، ممکن است به شیوههایی متضاد با منافع انسان عمل کند.
ایده هوش مصنوعی خودآگاه همچنان باعث بحثهای گستردهای درباره اخلاق و کنترل میشود، زیرا چنین فناوریای میتواند به سناریوهایی منجر شود که انسانها مجبور شوند با ماشینهایی که اهداف و دیدگاههای مستقل خود را دارند، مذاکره کرده یا در کنار آنها زندگی کنند.
طبقهبندیهای مبتنیبر فناوری در هوش مصنوعی
هوش مصنوعی شامل مجموعهای از فناوریهاست که به ماشینها امکان میدهد یاد بگیرند، استدلال کنند و تصمیمگیری کنند. چهار دستهبندی اصلی که بر اساس فناوری قابل تعریف هستند عبارتاند از:
یادگیری ماشینی (ML)
یادگیری ماشینی یکی از شاخههای اصلی هوش مصنوعی است که به سیستمها امکان میدهد بدون نیاز به برنامهنویسی مستقیم برای هر مرحله، از دادهها یاد بگیرند. مدلهای یادگیری ماشینی با پردازش دادهها میتوانند الگوها را شناسایی کرده، نتایج را پیشبینی کنند و به مرور زمان دقت خود را افزایش دهند. بنابراین، خلاف هوش مصنوعی سنتی که بر اساس قوانین ثابت عمل میکند، یادگیری ماشینی از طریق تجربه بهطور مداوم تکامل پیدا میکند.
مرتبط: ماشین لرنینگ چه ارتباطی با هوش مصنوعی دارد؟
یادگیری عمیق (DL)
یادگیری عمیق زیرمجموعه تخصصی یادگیری ماشین است که ساختار مغز انسان را با استفاده از شبکههای عصبی مصنوعی شبیهسازی میکند. این شبکهها به ماشینها امکان میدهند الگوهای پیچیده را شناسایی کنند و تصمیمات پیشرفتهای بگیرند.
پردازش زبان طبیعی (NLP)
پردازش زبان طبیعی شاخهای از هوش مصنوعی است که به ماشینها امکان میدهد زبان انسانی را درک کرده، آن را تفسیر کنند و به آن پاسخ دهند. با ترکیب زبانشناسی و یادگیری ماشین، پردازش زبان طبیعی به کامپیوترها اجازه میدهد متن و گفتار را پردازش کنند تا ارتباط بین انسان و ماشین راحتتر شود.
هر دو شاخه یادگیری ماشین و یادگیری عمیق در پردازش زبان طبیعی نقش اساسی دارند و به آن کمک میکنند الگوها را شناسایی، موارد را پیشبینی کرده و زبان انسانی را با دقت بیشتری درک کند.
دانشجوی دکتری دانشگاه سیراکیوز، Lizhen Liang، از پردازش زبان طبیعی و روشهای دیگر برای تحقیق درباره نحوه کمک هوش مصنوعی در شناسایی و کاهش نابرابری در علوم استفاده میکند. او در توضیح رویکرد خود میگوید: «با استفاده از روشهای علمی مانند پردازش زبان طبیعی، تحلیل آماری و علوم شبکه، تلاش میکنم روابط پیچیده بین مقالات، پژوهشگران، مؤسسات و ایدههای نوآورانه را درک کنم.»
بصیرت رایانهای
بصیرت رایانهای به سیستمهای هوش مصنوعی کمک میکند اطلاعات بصری محیط اطراف خود را تفسیر و تحلیل کنند. با استفاده از تکنیکهای یادگیری عمیق، بصیرت رایانهای به ماشینها اجازه میدهد اشیاء را شناسایی کنند، چهرهها را تشخیص دهند و روابط فضایی را درک کنند. با توانایی دیدن و تفسیر محیط، بصیرت رایانهای دامنه وظایفی که هوش مصنوعی میتواند انجام دهد را گسترش میدهد و آن را به درک شبیه به انسان نزدیکتر میکند.
مرتبط: چگونه متخصص هوش مصنوعی شویم؟
انواع تخصصی هوش مصنوعی و کاربردهای آن
هوش مصنوعی محدود به فضاهای دیجیتال نیست و در صنایع مختلف و تجربیات روزمره انسان نفوذ کرده است. کاربردهای هوش مصنوعی به همان اندازه که متنوع هستند، تأثیرگذار نیز هستند.
رباتیک و هوش مصنوعی
رباتیک نمایانگر کاربرد فیزیکی هوش مصنوعی است. ادغام هوش مصنوعی با رباتها به ماشینها کمک میکند وظایفی را که معمولاً نیازمند تلاش انسانی است انجام دهند. همچنین بتوانند محیط خود را درک کنند، تصمیم بگیرند و بهصورت خودکار یا نیمهخودکار عمل کنند.
با الهام از رباتهای فیلمی مانند C-3PO و HAL 9000، Keisuke Inoue، فارغالتحصیل iSchool، حرفه خود را در زمینه هوش مصنوعی مکالمهای (Conversational AI) ساخته است. او به توسعه سیستمهایی میپردازد که به ماشینها اجازه میدهد با زبان انسان ارتباط برقرار کنند. در حال حاضر، وی بهعنوان مدیر دادههای علمی در شرکت PandoLogic، یک شرکت استخدام مبتنیبر هوش مصنوعی در نیویورک، مسئول هدایت توسعه چتباتها و ابزارهای اتوماسیون هوش مصنوعی است که فرآیند جذب نیرو را سادهتر و سریعتر میکنند.
سامانههای خبره
سیستمهای خبره تواناییهای تصمیمگیری متخصصان انسانی را شبیهسازی میکنند. این سیستمها با کمک مجموعههای بزرگ داده و الگوریتمهای پیشرفته عمل میکنند تا بتوانند دادههای پیچیده را تحلیل کنند، بینش و توصیههایی ارائه دهند.
بهعنوان مثال، در حوزه بهداشت و درمان، ابزارهای تشخیص پزشکی مبتنیبر هوش مصنوعی به پزشکان کمک میکنند تا با تحلیل علائم بیماران و سوابق پزشکی آنها، بیماریها را شناسایی کنند.
هوش مصنوعی در حوزه بازیها
هوش مصنوعی با خلق تجربههای جذابتر و تطبیقپذیرتر باعث تحول صنعت بازیهای ویدئویی شده است. با استفاده از یادگیری ماشین و الگوریتمهای رفتاری، شخصیتهای غیرقابل بازی (NPC) میتوانند به اقدامات بازیکن با هوشمندی پاسخ دهند، تعاملات واقعیتر ایجاد کنند و بازی را چالشبرانگیزتر کنند.
مرتبط: بوتکمپ هوش مصنوعی شما را به یک متخصص هوش مصنوعی تبدیل میکند.
پرسشهای متداول
- چه نوع دادههایی در هوش مصنوعی مولد استفاده میشود؟
هوش مصنوعی مولد با انواع دادهها کار میکند، متن، تصویر، صدا و ویدئو. حتی میتواند از دادههای ساختاریافته مانند اعداد و صفحات گسترده نیز استفاده کند. - کدام رویکرد ترکیب چند نوع هوش مصنوعی را توصیف میکند؟
این مورد رویکرد هوش مصنوعی هیبریدی است، سیستمهای مختلف هوش مصنوعی با هم کار میکنند تا باعث بهبود عملکرد و انعطافپذیری شوند. - چه نوع مشاغلی بیشترین تأثیر را از هوش مصنوعی دریافت خواهند کرد؟
انتظار میرود هوش مصنوعی بر مشاغلی تأثیر بگذارد که شامل کارهای تکراری، پردازش دادهها، پشتیبانی مشتری و تولید هستند، تقریباً هر کاری که الگوی قابل پیشبینی داشته باشد. - سه نوع اصلی پرامپتینگ در هوش مصنوعی چیست؟ Zero-shot prompting؛ Few-shot prompting و Chain-of-thought prompting سه نوع اصلی پرامپتینگ در هوش مصنوعی هستند.
منبع
