هوش مصنوعی است? در اینجا همه چیزهایی است که باید در مورد هوش مصنوعی بدانید

راهنمای اجرایی هوش مصنوعی از یادگیری ماشین و هوش مصنوعی عمومی گرفته تا شبکه های عصبی.

هوش مصنوعی چیست (هوش مصنوعی)?

بستگی دارد از چه کسی بپرسید.

در دهه 1950 پدران میدان مینسکی و مک کارتی هوش مصنوعی را هر کاری که توسط ماشینی انجام می شد توصیف می کردند که قبلا به هوش انسانی نیاز داشت.

بدیهی است که این یک تعریف نسبتا گسترده است و به همین دلیل است که گاهی اوقات استدلال هایی را در مورد اینکه چیزی واقعا هوش مصنوعی است یا خیر خواهید دید.

تعاریف مدرن از معنای ایجاد هوش مشخص تر است. فرانسوا چولت یک محقق هوش مصنوعی در گوگل و خالق کتابخانه نرمافزار یادگیری ماشین کراس گفته است که هوش با توانایی یک سیستم در انطباق و بداهه پردازی در یک محیط جدید گره خورده است تا دانش خود را تعمیم داده و در سناریوهای ناشناخته به کار گیرد.

"هوش است که بهره وری است که با شما کسب مهارت های جدید در وظایف شما قبلا تهیه نمی," او گفت:.

"هوش خود مهارت نیست; این چیزی نیست که شما می توانید انجام دهید; این است که چگونه به خوبی و چگونه موثر شما می توانید چیزهای جدید یاد بگیرند."

این تعریفی است که تحت سیستم های مدرن مجهز به هوش مصنوعی مانند دستیارهای مجازی مشخص می شود که 'هوش مصنوعی باریک' را نشان می دهند و توانایی تعمیم تمرینات خود را هنگام انجام مجموعه محدودی از وظایف مانند تشخیص گفتار یا بینایی رایانه ای دارند.

به طور معمول هوش مصنوعی سیستم نشان دادن حداقل برخی از رفتارهای زیر در ارتباط با هوش انسانی: برنامه ریزی, یادگیری, استدلال, حل مشکل, نمایندگی دانش, ادراک, حرکت, و دستکاری و, به میزان کمتر, هوش اجتماعی و خلاقیت.

استفاده برای هوش مصنوعی چیست?

هوش مصنوعی امروزه در همه جا وجود دارد و به شما توصیه می کند که چه چیزی را در اینترنت خریداری کنید تا بفهمید به دستیاران مجازی مانند الکسا و سیری اپل چه می گویید تا تشخیص دهید چه کسی و چه چیزی در عکس وجود دارد, اسپم نقطه ای, یا اسپم نقطه ای تقلب در کارت اعتباری را تشخیص دهد.

انواع مختلف هوش مصنوعی چیست?

در سطح بسیار بالا می توان هوش مصنوعی را به دو نوع گسترده تقسیم کرد:

هوش مصنوعی باریک

هوش مصنوعی باریک همان چیزی است که امروزه در رایانه های اطراف خود می بینیم-سیستم های هوشمندی که یاد گرفته اند یا یاد گرفته اند چگونه وظایف خاصی را انجام دهند بدون اینکه به صراحت برنامه ریزی شوند چگونه این کار را انجام دهند.

این نوع هوش ماشینی در تشخیص گفتار و زبان دستیار مجازی سیری در اپل ایفون در سیستم های تشخیص بینایی در اتومبیل های خودران یا در موتورهای پیشنهادی که محصولاتی را که ممکن است دوست داشته باشید بر اساس چیزی که در گذشته خریداری کرده اید نشان می دهد. این سیستم ها برخلاف انسان ها فقط می توانند یاد بگیرند یا یاد بگیرند که چگونه وظایف تعریف شده را انجام دهند و به همین دلیل هوش مصنوعی باریک نامیده می شوند.

ژنرال هوش مصنوعی

هوش مصنوعی عمومی بسیار متفاوت است و نوع عقل سازگار موجود در انسان است, یک شکل انعطاف پذیر از هوش قادر به یادگیری چگونه به انجام وظایف بسیار متفاوت, هر چیزی از کوتاه کردن مو به صفحات گسترده ساختمان و یا استدلال در مورد طیف گسترده ای از موضوعات بر اساس تجربه انباشته خود.

این نوعی هوش مصنوعی است که بیشتر در فیلم ها مانند هال در سال 2001 یا اسکای نت در ترمیناتور دیده می شود اما امروزه وجود ندارد – و کارشناسان هوش مصنوعی به شدت بر سر اینکه چقدر زود به واقعیت تبدیل می شود اختلاف نظر دارند.

هوش مصنوعی باریک چه کاری می تواند انجام دهد?

تعداد زیادی از برنامه های کاربردی در حال ظهور برای هوش مصنوعی باریک وجود دارد:

• تفسیر فیدهای ویدیویی از هواپیماهای بدون سرنشین که بازرسی بصری زیرساخت ها مانند خطوط لوله نفت را انجام می دهند.
• سازماندهی تقویم شخصی و کسب و کار.
• پاسخ به سوالات ساده خدمات مشتری.
• هماهنگی با سایر سیستم های هوشمند برای انجام وظایفی مانند رزرو هتل در زمان و مکان مناسب.
• کمک به رادیولوژیست ها برای تشخیص تومورهای بالقوه در اشعه ایکس.
• پرچم گذاری محتوای نامناسب در اینترنت, تشخیص ساییدگی و پارگی در بالابرها از داده های جمع شده توسط دستگاه های اینترنت اشیا.
• تولید یک مدل 3 بعدی از جهان از تصاویر ماهواره ای. لیست در می رود و در.

برنامه های جدید این سیستم های یادگیری همیشه در حال ظهور هستند. طراح کارت گرافیک انویدیا اخیرا یک سیستم مبتنی بر هوش مصنوعی ماکسین را فاش کرده است که به افراد امکان می دهد تقریبا بدون توجه به سرعت اتصال به اینترنت خود تماس ویدیویی با کیفیت خوب برقرار کنند. این سیستم پهنای باند مورد نیاز برای چنین تماس هایی را با ضریب 10 کاهش می دهد و جریان ویدیوی کامل را از طریق اینترنت منتقل نمی کند و به جای متحرک سازی تعداد کمی از تصاویر ساکن تماس گیرنده به روشی که برای بازتولید حالات و حرکات صورت تماس گیرنده در زمان واقعی طراحی شده است و از فیلم قابل تشخیص نیست.

با این حال, پتانسیل بکر به همان اندازه که این سیستم ها, گاهی اوقات جاه طلبی برای تکنولوژی پیشی واقعیت. یک مورد در مورد خودروهای خودران است که خودشان زیربنای سیستم های مجهز به هوش مصنوعی مانند بینایی رایانه هستند. شرکت خودروهای برقی تسلا تا حدودی از جدول زمانی اصلی مدیرعامل ایلان ماسک عقب مانده است تا سیستم خلبان اتوماتیک خودرو از قابلیتهای محدودتر رانندگی کمکی به "خودران کامل" ارتقا یابد و گزینه کامل خودران به تازگی به گروهی منتخب از رانندگان خبره به عنوان بخشی از برنامه تست بتا عرضه شده است.

چه کاری می تواند هوش مصنوعی عمومی انجام?

نظرسنجی انجام شده بین چهار گروه از متخصصان در سال 2012/13 توسط محققان هوش مصنوعی وینسنت سی ام ارملر و فیلسوف نیک بوستروم گزارش داد که 50 درصد احتمال توسعه هوش عمومی مصنوعی بین سالهای 2040 تا 2050 وجود دارد که تا سال 2075 به 90 درصد افزایش می یابد. این گروه حتی فراتر رفت و پیش بینی کرد که به اصطلاح "ابرهوش" – که بوستروم به عنوان "هر عقل که تا حد زیادی از عملکرد شناختی انسان در تقریبا تمام حوزه های مورد علاقه فراتر می رود" - حدود 30 سال پس از دستیابی به هوش مصنوعی انتظار می رود.

با این حال ارزیابی های اخیر توسط کارشناسان هوش مصنوعی محتاط تر است. پیشگامان در زمینه تحقیقات هوش مصنوعی مدرن مانند جفری هینتون, دمیس حسابیس و یان لکون می گویند جامعه به هیچ وجه در حال توسعه نیست. با توجه به شک و تردید چراغ های پیشرو در زمینه هوش مصنوعی مدرن و ماهیت بسیار متفاوت سیستم های باریک هوش مصنوعی مدرن شاید مبنای کمی برای ترس وجود داشته باشد که یک هوش مصنوعی عمومی به زودی جامعه را مختل کند.

برخی از کارشناسان هوش مصنوعی معتقدند که چنین پیش بینی هایی با توجه به درک محدود ما از مغز انسان بسیار خوش بینانه است و معتقدند که اگی هنوز قرن ها با ما فاصله دارد.

نشانه های اخیر در توسعه هوش مصنوعی چیست?

در حالی که هوش مصنوعی باریک مدرن ممکن است به انجام وظایف خاص محدود, در تخصص خود, این سیستم ها گاهی اوقات قادر به عملکرد فوق بشری, در برخی موارد حتی نشان دادن خلاقیت برتر, یک صفت اغلب به عنوان ذاتا انسان برگزار شد تا.

شده اند وجود دارد بیش از حد بسیاری از پیشرفت برای کنار هم قرار دادن یک لیست قطعی, اما برخی از نکات برجسته عبارتند از:

• در سال 2009 گوگل نشان داد که تویوتا پریوس خودران می تواند بیش از 10 سفر 100 مایلی را طی کند و جامعه را در مسیری به سمت وسایل نقلیه بدون راننده قرار دهد. r
• در سال 2011 سیستم کامپیوتری ای بی ام واتسون با برنده شدن در مسابقه مسابقه ایالات متحده در سراسر جهان خبرساز شد!, ضرب و شتم دو نفر از بهترین بازیکنانی که این نمایش تاکنون تولید کرده بود. برای برنده شدن نشان می دهد, واتسون پردازش زبان طبیعی و تجزیه و تحلیل ترافیک در مخازن گسترده ای از داده ها است که پردازش برای پاسخ به سوالات انسان مطرح استفاده, اغلب در کسری از ثانیه.
• در سال 2012 یکی دیگر از دستیابی به موفقیت منادی هوش مصنوعی بالقوه برای مقابله با بسیاری از وظایف جدید که قبلا تصور می شد به عنوان بیش از حد پیچیده برای هر ماشین. در همان سال سیستم الکسنت قاطعانه در چالش تشخیص بصری در مقیاس بزرگ تصویر پیروز شد. دقت الکسنت به حدی بود که میزان خطا را در مقایسه با سیستم های رقیب در مسابقه تشخیص تصویر به نصف کاهش داد.

عملکرد الکسنت قدرت سیستم های یادگیری مبتنی بر شبکه های عصبی را نشان داد که مدلی برای یادگیری ماشین است که برای دهه ها وجود داشته است اما سرانجام به دلیل اصلاحات در معماری و جهش در قدرت پردازش موازی که توسط قانون مور امکان پذیر شده است به پتانسیل خود پی می برد. مهارت سیستم های یادگیری ماشین در انجام بینایی رایانه نیز در همان سال با سرفصل های گوگل در حال تربیت سیستمی برای تشخیص مورد علاقه اینترنت بود: تصاویر گربه ها.

تظاهرات بعدی از اثربخشی سیستم های یادگیری ماشینی که توجه عموم را به خود جلب کرد پیروزی سال 2016 هوش مصنوعی عمیق گوگل بر یک استاد بزرگ انسانی در برو بود, یک بازی باستانی چینی که پیچیدگی کامپیوتر را برای چندین دهه متوقف کرد. برو حدود 200 حرکت ممکن در هر نوبت در مقایسه با حدود 20 در شطرنج دارد. در طول یک بازی از برو, بسیاری از حرکت ممکن است که در حال جستجو از طریق هر یک در پیش برای شناسایی بهترین بازی بیش از حد پر هزینه از نقطه نظر محاسباتی از نظر وجود دارد. در عوض الفاگو یاد گرفت که چگونه بازی را با انجام حرکاتی که توسط متخصصان انسانی در 30 میلیون بازی انجام می شود و به شبکه های عصبی یادگیری عمیق تغذیه می کند.

تمرین این شبکه های یادگیری عمیق می تواند زمان زیادی طول بکشد و نیاز به مقدار زیادی از داده ها برای مصرف و تکرار دارد زیرا سیستم به تدریج مدل خود را اصلاح می کند تا به بهترین نتیجه برسد.

با این حال اخیرا گوگل روند تمرین را با الفاگو صفر تصفیه کرد که سیستمی بود که بازیهای "کاملا تصادفی" را علیه خود انجام میداد و سپس از این روش یاد میگرفت. گوگل دیپمایند مدیر عامل شرکت دمیس حسابیس همچنین یک نسخه جدید از الفاگو صفر است که بازی های شطرنج و شوگی تسلط پرده برداری کرد.

و هوش مصنوعی همچنان به دویدن از نقاط عطف جدید ادامه می دهد: سیستمی که توسط اوپنای تمرین شده است بازیکنان برتر جهان را در مسابقات یک به یک بازی چند نفره اینترنتی دوتا 2 شکست داده است.

اوپنای در همان سال ماموران هوش مصنوعی را ایجاد کرد که زبان خود را برای همکاری و دستیابی به هدفشان اختراع کردند و سپس ماموران فیسبوک Facebook را برای مذاکره و دروغ گفتن ابداع کردند.

سال 2020 سالی بود که به نظر می رسید یک سیستم هوش مصنوعی توانایی نوشتن و صحبت کردن مانند یک انسان را در مورد تقریبا هر موضوعی که فکرش را بکنید پیدا کرده است.

سیستم مورد نظر که به عنوان ترانسفورماتور 3 یا ترانسفورماتور 3 شناخته می شود یک شبکه عصبی است که بر روی میلیاردها مقاله انگلیسی زبان موجود در وب باز است.

به زودی پس از تست توسط سازمان غیر انتفاعی اپنای در دسترس قرار گرفت, اینترنت مملو از توانایی جی پی تی 3 برای تولید مقالات در مورد تقریبا هر موضوعی بود که به او داده می شد, مقالاتی که در نگاه اول اغلب به سختی از مقالات نوشته شده توسط یک انسان متمایز می شدند. به طور مشابه, نتایج قابل توجه به دنبال در مناطق دیگر, با توانایی خود را به متقاعد کننده پاسخ به سوالات در طیف گسترده ای از موضوعات و حتی برای یک رمز گذار جاوا اسکریپت تازه کار عبور.

اما در حالی که بسیاری از مقالات تولید جی پی تی 3 هوا از حقیقت بود, تست بیشتر پیدا شده است جملات تولید اغلب جمع اوری عبور نمی کند, پیشنهاد تا اظهارات سطحی قابل قبول اما اشتباه, و همچنین مزخرف گاهی اوقات کاملا.

هنوز علاقه قابل توجهی به استفاده از درک زبان طبیعی مدل در مورد اساس خدمات بعدی وجود دارد. این در دسترس است برای انتخاب توسعه دهندگان برای ساخت به نرم افزار از طریق بتا اپنای بتا. همچنین به خدمات بعدی در دسترس از طریق پلت فرم لاجورد ابر مایکروسافت گنجانیده شود.

شاید بارزترین نمونه از پتانسیل هوش مصنوعی در اواخر سال 2020 زمانی رخ داد که شبکه عصبی مبتنی بر توجه گوگل الفافولد 2 نتیجه ای را نشان داد که برخی شایسته جایزه نوبل شیمی نامیده اند.

توانایی این سیستم برای نگاه کردن به بلوک های ساختمانی پروتیین که به عنوان اسید های امینو شناخته می شوند و به این نتیجه می رسند که ساختار 3 بعدی پروتیین می تواند عمیقا بر میزان درک بیماری ها و توسعه داروها تاثیر بگذارد. در ارزیابی انتقادی از مسابقه پیش بینی ساختار پروتیین, الفافولد 2 تعیین ساختار 3 بعدی از یک پروتیین با دقت رقابتی کریستالوگرافی, استاندارد طلا برای متقاعد کننده مدل سازی پروتیین.

بر خلاف کریستالوگرافی که ماه ها طول می کشد تا نتایج را برگرداند الفافولد 2 می تواند پروتیین ها را بر حسب ساعت مدل کند. با ساختار 3 بعدی پروتیین ها نقش مهمی در زیست شناسی و بیماری های انسانی ایفا می کند, چنین سرعت بخشیدن به عنوان یک پیشرفت برجسته برای علم پزشکی مطرح شده است, نیازی به ذکر کاربردهای بالقوه در سایر زمینه هایی نیست که از بیوتکنولوژی استفاده می شود.