هوش مصنوعی موضوع داغ در فناوری و نیروی محرکه و پشتوانه بسیاری از پیشرفت های تکنولوژیکی بزرگ در سال های اخیر است. با تمام اخبار و اطلاعاتی که راجع به نقاط منفی هوش مصنوعی در چند سال اخیر به گوش می رسد، می توان مشاهده کرد هوش مصنوعی، اصلا علم جدیدی نیست! در طول قرن گذشته، هوش مصنوعی از حوزه علم تخیلی وارد دنیای واقعی شده است. تئوری و علوم پایه کامپیوتر که هوش مصنوعی باعث ایجاد آن می گردد، در دهه های گذشته رخ داده است.
از زمان سحابی محاسبات و رایانش در اوایل قرن بیستم، دانشمندان و مهندسان متوجه شده اند که هدف نهایی هوش مصنوعی، ساخت ماشین هایی است که قادر به تفکر و یادگیری مانند مغز انسان هستند که پیشرفته ترین سیستم تصمیم گیری در جهان شناخته شده است. امروزه پیشرفته تر شدن آموزش با استفاده از اصول یادگیری ماشین شامل شبکه های عصبی مصنوعی، الگوریتم های تکاملی و هوش ازدحامی، مدرن ترین حالت فعلی در ساخت چنین سیستم های هوشمند می باشد، اما نقاط عطف بسیاری وجود داشته اند که چنین فناوری تا سال 2019 را امکان پذیر شده است. در این مقاله سعی در ارائه ای خلاصه از افراد و علومی که پایه گذار هوش مصنوعی تا به امروز بوده اند، پرداخته شده است.
1637 میلادی – دکارت، اختلاف را از بین می برد.
مدت ها قبل از این که ربات ها حتی یک ویژگی علمی تخیلی بودند، رنه دکارت، دانشمند و فیلسوف، این احتمال را مطرح کرد که ماشین ها یک روز فکر می کنند و تصمیم می گیرند. در حالی که او اشتباه تصمیم گرفت که هرگز قادر نخواهد بود مانند انسان صحبت کند، او یک تقسیم بین ماشین ها را شناسایی کرد که ممکن است یک روز در مورد انجام یک کار خاص یاد بگیرند و کسانی که ممکن است بتوانند به هر شغل سازگار شوند. امروزه این دو زمینه به عنوان هوش مصنوعی تخصصی و عمومی شناخته می شوند. از بسیاری جهات، رنه دکارت یک چالش در زمینه های هوش مصنوعی را ایجاد نموده بود.
1956 میلادی – کنفرانس دارتموث
با ظهور ایده هایی مانند شبکه های عصبی و یادگیری ماشین، استاد دانشکده دارتموت جان مک کارتی اصطلاح «هوش مصنوعی» را تعریف کرد و یک کارگاه آموزشی تابستانی را با همکاری متخصصان برجسته در این زمینه گرد هم آورد. در طول جلسه طوفان مغزی، تلاش برای ایجاد یک چارچوب برای اجازه اکتشاف و توسعه ماشین آلات “تفکر” آغاز شد. بسیاری از مولفه هایی که برای هوش مصنوعی پیشرفته امروزه دارای آن است، مانند پردازش زبان طبیعی، بینایی ماشین و شبکه های عصبی، بخشی از دستور کار این کنفرانس بوده است.
1966 میلادی – الیزا به کامپیوترها صدا می دهد.
ELIZA، که توسط Joseph Weizenbaum در MIT توسعه یافته بود، شاید اولین سیستم چت دنیا بود و در واقع پدر مواردی مانند الکسا و سیری (Siri) است. ELIZA اولین اجرای پردازش زبان طبیعی است که هدف آن آموزش کامپیوترها برای ارتباط با ما در زبان انسانی است، نه این که به ما نیاز داشته باشد که آن ها را در کد رایانه برنامه ریزی کنند یا از یک رابط کاربر تعامل کنند. ELIZA نمیتوانست مانند الکسا صحبت کند. او از طریق متن صحبت و ارتباط برقرار می کرد و او قادر به یادگیری از مکالماتش با انسان نبود. با این وجود، او راه را برای تلاش های بعدی برای از بین بردن مانع ارتباطی بین مردم و ماشین ها را بست.
1980 میلادی – XCON و ظهور هوش مصنوعی به صورت مفید
سیستم آموزش تخصصی XCON در سال 1980 برای اولین بار ره کار گرفته شد و تا سال 1986 به تولید درآمد سالانه 40 میلیون دلار برای شرکت آن، منجر شد. پیشرفت XCON بسیار مهم تلقی می شود، زیرا تا آن لحظه، سیستم های هوش مصنوعی به طور کلی به عنوان شاهکارهای تکنیکی چشمگیر با سودمندی محدود در دنیای واقعی محسوب می شدند. با وجود XCON واضح و مبرهن شده بود که ایجاد سیستم های کسب و کار با ماشین های هوشمند، امری جالب توجه و سودآوری است، به طوری که تا سال 1985 میلادی، شرکت ها را سقف 1 میلیارد دلار، سرمایه گذاری در ساخت جنین سیستم های هوشمندی نمودند.
1988 میلادی – رویکرد آماری
محققان IBM یک رویکرد آماری برای ترجمه زبان را منتشر کردند که اصول احتمالی را در حوزه آموزش و یادگیری ماشین تا حدی تحت کنترل قرار می داد. این مسئله به چالش ترجمه خودکار بین زبان های انسانی – فرانسوی و انگلیسی پرداخت. این عمل نشانگر یک حالت مناسب در تاکید بر طراحی برنامه ها برای تعیین احتمال نتایج مختلف بر اساس اطلاعات و داده ها است که آن ها را به جای آموزش همراه با قوانین، فقط آموزش داده است. این امر اغلب به عنوان یک جهش عظیم از لحاظ تقلید از فرآیندهای شناختی مغز انسان محسوب می شود و اساس یادگیری ماشین را همان طور که از امروز استفاده می شود را تشکیل می دهد.
1991 – تولد اینترنت
اهمیت این یکی را به هیچ عنوان نمی توان نادیده گرفت! در سال 1991 میلادی، تیم Berners-Lee، پژوهشگر CERN، اولین وب سایت جهان را در اینترنت قرار داد و پروتکل HTTP را منتشر کرد. کامپیوترها برای چند دهه برای اشتراک گذاری داده ها در ارتباط بودند، به خصوص در موسسات آموزشی و کسب و کارهای بزرگ، اینترنت یک مسئله مهم تلقی می شد. اما ورود اینترنت به صورت عامل، کاتالیزور جامع جهانی بود تا خود را به جهان آنلاین متصل کند. در عرض چند سال کوتاه، میلیون ها نفر از هر بخش از جهان، داده ها را تولید و به اشتراک می گذارند که روزانه تا امر نیز رو به پیشرفت است. اینترنت، سوخت هوش مصنوعی به شمار رود و هوش مصنوعی، قابلیت ارتقای ابعاد و استفاده های متنوع از آن را امکان پذیر می کند.
1997 میلادی، Deep Blue قرمان شطرنج جهان، گری کاسپاروف را شکست داد!
سوپر کامپیوتر شطرنج IBM از تکنیک هایی استفاده نمی کرد که توسط استانداردهای امروز هوش مصنوعی مورد استفاده قرار می گیرد. اساسا این سیستم به روش های “نیروی بی رحم” یا Brute Force برای محاسبه هر گزینه احتمالی با سرعت بالا، به جای تجزیه و تحلیل روال بازی و یادگیری در مورد بازی، متکی بود. با این حال، از یک دیدگاه تبلیغاتی، شکست کاسپاروف در شطرنج توسط یک کامپیوتر، بسیار مهم بود. این امر توجه به این واقعیت که کامپیوترها به سرعت در حال تکامل هستند و به طور فزاینده ای در فعالیت هایی که در آن انسان ها پیش از این بدون قید و شرط به سر می بردند، صلاحیت داشتند، مدنظر واقع گردید.
2005 میلادی – چالش بزرگ DARPA
سال 2005 میلادی به عنوان دومین سالی که DARPA یک چالش بزرگ را مطرح می کرد، برشمرده می شود این چالش مسابقه ای برای وسایل نقلیه مستقل در بیش از 100 کیلومتر از جاده های بدون سرنشین در کویر Mojave بود. در چالش قبلی و دور اول در سال 2004، هیچ کدام از افراد شرکت کننده موفق به انجام این امر نشده بودند. در سال 2005 پنج خودرو ساخت داتنشگاه استنفورد امریکا، جایزه را برای سرعت و طی کردن سریع بردند.
این مسابقه طراحی شده بود تا فناوری رانندگی مستقل را تحریک کند و این کار را نیز انجام داد. تا سال 2007 میلادی، یک محیط شهری شبیه سازی شده برای وسایل نقلیه به حرکت در آمد، به این معنی که آن ها مجبور بودند بتوانند با مقررات ترافیک و سایر وسایل نقلیه مواجه شوند.
2011 میلادی، IBM Watson’s Jeopardy
موتور محاسبات شناختی به نام Watson در مقابل برندگان باهوش در مسابقه تلویزین پرسش و پاسخ Jeopardy قرار گرفت. سیستم Watson این افراد باهوش را در پرسش و پاسخ ها شکست داد و بعد طلب 1 میلیون دلار جایزه نقدی نمود. این یک امر مهم در زمینه علوم شناختی و سیستم های یادگیر به شمار می رود. در حالی که سیستم Deep Blue در طول یک دهه قبل ثابت کرده بود که یک بازی در تحرک قابلیت مدل سازی ریاضیاتی مانند بازی شطرنج را دارد، می توان با قانون Broute Force یک حالت بهینه و سریع ایجاد نمود که توان مقابله زبانی کامپیوترها با انسان ها را داشته باشد. این بازی خلاقانه و طراحی Watson توسط IBM یک امر بی پروا در دوره ای بود که افراد زیادی هوش مصنوعی را به زیر می کشیدند.
2012 میلادی، قدرت واقعی یادگیری عمیق به جهان القا می شود – کامپیوترها توان شناسایی الگوها را خواهند داشت.
محققان در استنفورد و گوگل شامل Jeff Dean و Andrew Ng مقاله خود تحت عنوان “ساخت ویژگی های سطح بالا با استفاده از آموزش بدون نظارت در ابعاد بزرگ” را منتشر کردند. این تحقیق بر اساس شبکه های عصبی چند لایه که در دهه های قبلی ارائه شده بود، توسعه و تحت عنوان شکبه های عمیق نام نهاده شد. تحقیقات این دو شخص برجسته علمی منجر به ایجاد یک ساختار آموزش بدون ناظر گردید. این امر منجر به کاهش هزینه های گران و پردازش با زمان اجرای بالا در برچسب گذاری داده ها شد و توانست راهکاری جدید برای آموزش داده ها در علوم یادگیری ماشین را ارائه بدهد. چنین دستاوری می تواند روند تکامل هوش مصنوعی را به شدت تحت تاثیر قرار بدهد و منجر به رشد فزاینده آن گردد و فرصت هایی را ایجاد می کند که علاوه بر انجام آن توسط انسان ها در سالیان قبل، توسط ماشین ها نیز قابلیت انجام داشته باشد. Jeff Dean و Andrew Ng یک سیستم تشخیص الگو را نیز ارائه دادند که می توانست یک گربه را به درستی از بین سایر الگوها و اشیای موجود در یک تصویر، تمایز و تشخیص بدهد. این مقاله یک مدل را توصیف کرد که امکان ساخت یک شبکه عصبی مصنوعی با حدود یک میلیارد اتصال را فراهم می کند. همچنین تصدیق کرد می کند که این یک گامی مهم در جهت ساختن یک “مغز مصنوعی” بود، هنوز راهی برای رفتن وجود دارد.
2015 میلادی – ماشین ها بهتر از انسان ها می بینند.
محققان در چالش ImageNet سالیان که در آن الگوریتم ها به رقابت برای نمایش مهارت هایشان جهت تشخیص و شناسایی می پردازند، علام می کنند که دستگاه ها در حال حاضر از انسان ها در دیدن برتر هستند. از زمان برگزاری مسابقه در سال 2010 میلادی، میزان دقت الگوریتم برنده از 71.8 درصد به 97.3 درصد افزایش یافته است. این محققان اعلام کردند که کامپیوترها می توانند اشیا را با اطلاعات بصری دقیق تری از انسان تشخیص دهند.
2016 میلادی، AlphaGo به جایی می رود که هیچ ماشینی تا به امروز به آن جا نرفته است!
گیم پلی یا روال بازی مدت هاست که یک روش انتخاب شده برای نشان دادن توانایی های ماشین های تفکر است و این روند در سال 2016 میلادی، سرفصل های جدید ادامه می دهد. AlphaGo توسط Deep Mind (که اکنون یک شرکت تابعه Google) است، بیش از پنج بازی مسابقه قهرمان جهان را شکست داد. اگر چه حرکت Go را می توان ریاضیاتی توصیف کرد، تعداد قابل توجهی از تغییرات بازی در آن وجود دارد که قابلیت بازی در آن می باشد. بیش از 100،000 حرکت باز ممکن در Go وجود دارد که در مقایسه با 400 حرکت در شطرنج، می توان توان بالای آن را مشاهده نمود. AlphaGo از شبکه های عصبی برای مطالعه بازی استفاده می کند و یاد می گیرد که چگونه بازی کند.
2018 میلادی – اتومبیل های دارای راننده – اینترنت اشیا – شهر هوشمند – خانه های هوشمند و …
عوامل مهمی منجر به ایجاد یک فضای مناسب برای زندگی در آینده خواهند شد که می توان با تاثیرات هوش مصنوعی در ایجاد ان ها اشاره نمود که از جمله آن ها اتومبیل های دارای راننده، اینترنت اشیا، شهر هوشمند، خانه های هوشمند و … می باشند.
www.nn4e.com
nn4e@aol.com
شناسه تلگرام @nimanamira
09360703858
کانال تلگرام https://t.me/nn4enamira
کانال تام تام https://tt.me/nn4enamira
کانال تلپادو http://telepado.me/1/nn4enamira
اینستاگرام https://www.instagram.com/nn4enamira