وقتی کامپیوتری را برای انجام یک بازی شطرنج به چالش می‌کشید، با یک دستیار هوشمند تعامل می‌کنید، سؤالی را در ChatGPT تایپ می‌کنید یا در DALL-E اثر هنری ایجاد می‌کنید، در حال تعامل با برنامه‌ای هستید که دانشمندان رایانه آن را به عنوان هوش مصنوعی طبقه‌بندی می‌کنند.
اما تعریف هوش مصنوعی می‌تواند پیچیده شود، به خصوص زمانی که اصطلاحات دیگری مانند «رباتیک» و «یادگیری ماشینی» در ترکیب قرار می‌گیرند. برای کمک به شما در درک اینکه چگونه این زمینه‌ها و اصطلاحات مختلف با یکدیگر مرتبط هستند، راهنمای سریعی را گردآوری و در ادامه ارائه داده‌ایم.
تعریف هوش مصنوعی خوب چیست؟
هوش مصنوعی یک رشته تحصیلی بسیار شبیه به شیمی یا فیزیک است که در سال ۱۹۵۶ آغاز شد.
دانیلا روس، مدیر علوم کامپیوتر و هوش مصنوعی می‌گوید: «هوش مصنوعی درباره علم و مهندسی ساخت ماشین‌هایی با ویژگی‌های انسان‌مانند در نحوه دیدن جهان، نحوه حرکت، بازی‌ها و حتی نحوه یادگیری است. هوش مصنوعی از اجزای فرعی بسیاری تشکیل شده است و انواع الگوریتم‌هایی وجود دارد که مشکلات مختلفی را در هوش مصنوعی حل می‌کنند».
مردم تمایل دارند هوش مصنوعی را با رباتیک و یادگیری ماشینی ترکیب کنند، اما این‌ها زمینه‌های جداگانه و مرتبطی هستند که هر کدام تمرکز مشخصی دارند. به طور کلی یادگیری ماشینی را می‌بینید که زیر چتر هوش مصنوعی طبقه بندی شده است، اما این همیشه درست نیست.
هوش مصنوعی در مورد تصمیم گیری برای ماشین‌ها است. رباتیک در مورد به حرکت درآوردن محاسبات است و یادگیری ماشینی در مورد استفاده از داده‌ها برای پیش بینی در مورد آنچه ممکن است در آینده اتفاق بیفتد یا آنچه سیستم باید انجام دهد، است. هوش مصنوعی یک زمینه گسترده است. در مورد تصمیم گیری است. شما می‌توانید با استفاده از یادگیری تصمیم بگیرید یا می‌توانید با استفاده از مدل‌ها تصمیم بگیرید.
ژنراتور‌های هوش مصنوعی، مانند ChatGPT و DALL-E، برنامه‌های یادگیری ماشینی هستند، اما حوزه هوش مصنوعی بسیار فراتر از یادگیری ماشینی است و یادگیری ماشین به طور کامل در هوش مصنوعی گنجانده نشده است. یادگیری ماشینی زیرشاخه هوش مصنوعی است. روس می‌گوید این امر به نوعی درگیر آمار و حوزه وسیع‌تر هوش مصنوعی است.
ارتباط هوش مصنوعی با یادگیری ماشینی و رباتیک چیست؟
از الگوریتم‌های یادگیری غیر ماشینی می‌توان برای حل مسائل در هوش مصنوعی استفاده کرد. به عنوان مثال، یک کامپیوتر می‌تواند بازی Tic-Tac-Toe را با یک الگوریتم یادگیری غیر ماشینی به نام بهینه سازی minimax بازی کند. این یک الگوریتم مستقیم است.
در سال ۱۹۹۷، الگوریتم آبی عمیقی که IBM برای شکست گری کاسپاروف از آن استفاده کرد، هوش مصنوعی بود، اما نه یادگیری ماشینی، زیرا از داده‌های بازی استفاده نمی‌کرد. روس می‌گوید: «استدلال برنامه دست ساز بود. در حالی که AlphaGo (یک برنامه جدید شطرنج بازی) از یادگیری ماشینی برای ایجاد قوانین و تصمیمات خود برای نحوه حرکت استفاده می‌کند».
وقتی ربات‌ها باید در دنیا حرکت کنند، باید محیط اطراف خود را درک کنند. اینجا است که هوش مصنوعی وارد می‌شود: آن‌ها باید ببینند موانع کجا هستند و نقشه‌ای برای رفتن از نقطه A به نقطه B بیابند.
روس می‌گوید: «روش‌هایی وجود دارد که در آن ربات‌ها از مدل‌هایی مانند مکانیک نیوتنی استفاده می‌کنند، برای مثال، برای تشخیص اینکه چگونه حرکت کنند، چگونه سقوط نکنند تا بفهمند چگونه یک شی را بدون انداختن آن به چنگ بیاورند. اگر ربات باید مسیری را از نقطه A به نقطه B برنامه ریزی کند، می‌تواند به هندسه فضا نگاه کند و سپس می‌تواند بفهمد که چگونه خطی را بکشد که به هیچ مانعی برخورد نکند و آن خط را دنبال کند. این نمونه‌ای از تصمیم گیری رایانه‌ای است که از یادگیری ماشینی استفاده نمی‌کند، زیرا مبتنی بر داده نیست».
یا مثلا آموزش رانندگی به یک ربات را در نظر بگیرید؛ به عنوان مثال، در یک راه حل مبتنی بر یادگیری ماشین برای آموزش به ربات که چگونه آن کار را انجام دهد، ربات می‌تواند نحوه هدایت یا دور زدن انسان‌ها از پیچ را تماشا کند. بر اساس سطحی بودن خمیدگی، می‌آموزد که چرخ را کمی یا زیاد بچرخاند. برای مقایسه در راه حل یادگیری غیر ماشینی برای یادگیری رانندگی، ربات به سادگی به هندسه جاده نگاه می‌کند، دینامیک ماشین را در نظر می‌گیرد و از آن برای محاسبه زاویه اعمال بر روی چرخ برای حفظ ماشین استفاده می‌کند. در جاده بدون انحراف هر چند هر دو نمونه‌هایی از هوش مصنوعی در کار هستند.
در مورد مبتنی بر مدل، شما به هندسه نگاه می‌کنید، به فیزیک فکر می‌کنید و محاسبه می‌کنید که محرک چه چیزی باید باشد. در مورد یادگیری ماشینی مبتنی بر داده، شما به کار‌هایی که انسان انجام داده نگاه می‌کنید و آن را به خاطر می‌آورید و در آینده وقتی با موقعیت‌های مشابه مواجه می‌شوید، می‌توانید کاری را که انسان انجام داده است، انجام دهید، اما هر دوی این‌ها راه حل‌هایی هستند که ربات‌ها را وادار به تصمیم گیری و حرکت در جهان می‌کند.
اطلاعات بیشتر در مورد نحوه عملکرد یادگیری ماشینی
روس می‌گوید: «وقتی یادگیری ماشینی مبتنی بر داده را انجام می‌دهید که مردم آن را با هوش مصنوعی یکسان می‌کنند، وضعیت بسیار متفاوت است. یادگیری ماشینی از داده‌ها برای تعیین وزن و پارامتر‌های یک شبکه عظیم به نام شبکه عصبی مصنوعی استفاده می‌کند».
همانطور که از نامش پیداست، یادگیری ماشینی ایده یادگیری نرم افزار از داده‌ها است، در مقابل نرم افزار‌هایی که فقط از قوانین نوشته شده توسط انسان پیروی می‌کنند.
راید غنی، استاد دپارتمان یادگیری ماشین در دانشگاه کارنگی ملون می‌گوید: «بیشتر الگوریتم‌های یادگیری ماشینی در سطحی هستند که فقط یکسری آمار را محاسبه می‌کنند. قبل از یادگیری ماشینی، اگر می‌خواهید کامپیوتری یک شی را تشخیص دهد، باید آن را با جزئیات خسته‌کننده توصیف کنید. به عنوان مثال اگر می‌خواهید بینایی کامپیوتری علامت توقف را شناسایی کند، باید کدی بنویسید که رنگ، شکل و ویژگی‌های خاص را روی صفحه علامت توضیح دهد.
اصلی‌ترین تغییری که در یادگیری ماشین رخ داد این است که مردم در ارائه نمونه‌هایی از چیز‌ها بهتر بودند. رمزی که مردم می‌نوشتند برای توصیف یک علامت توقف نبود، بلکه برای تشخیص چیز‌های دسته A در مقابل دسته B مثلا علامت توقف در مقابل علامت تسلیم بود و سپس کامپیوتر تمایزات را کشف کرد که کارآمدتر بود.
آیا باید نگران پیشی گرفتن هوش مصنوعی از هوش انسانی باشیم؟
پاسخ کوتاه، در حال حاضر: نه.
امروزه هوش مصنوعی توانایی‌های خود را بسیار محدود کرده و قادر به انجام کار‌های خاصی است. هوش مصنوعی طراحی شده برای انجام بازی‌های بسیار خاص یا تشخیص چیز‌های خاص فقط می‌تواند این کار را انجام دهد و به گفته غنی نمی‌تواند کار دیگری را به خوبی انجام دهد؛ بنابراین شما باید یک سیستم جدید برای هر کار ایجاد کنید.
به یک معنا، روس می‌گوید تحقیقات تحت هوش مصنوعی برای توسعه ابزار‌ها استفاده می‌شود، اما نه ابزار‌هایی که بتوانید به طور مستقل در جهان آزاد کنید. او خاطرنشان می‌کند ChatGPT چشمگیر است، اما همیشه درست نیست. او می‌گوید: «آن‌ها ابزار‌هایی هستند که بینش‌ها، پیشنهاد‌ها و ایده‌هایی را برای مردم به ارمغان می‌آورند تا بر اساس آن‌ها عمل کنند و این بینش‌ها، پیشنهاد‌ها و ایده‌ها پاسخ نهایی نیستند».
به علاوه، غنی می‌گوید در حالی که این سیستم‌ها «به نظر هوشمند هستند»، تنها کاری که واقعا انجام می‌دهند، نگاه کردن به الگو‌ها است. آن‌ها فقط برای کنار هم قرار دادن چیز‌هایی که در گذشته اتفاق افتاده‌اند، کدگذاری شده‌اند و آن‌ها را به روش‌های جدید کنار هم قرار می‌دهند. یک کامپیوتر به تنهایی یاد نمی‌گیرد که زمین خوردن بد است. نیاز به دریافت بازخورد از یک برنامه نویس انسانی دارد که به آن می‌گوید بد است.
همچنین، الگوریتم‌های یادگیری ماشین می‌توانند تنبل باشندریال به عنوان مثال، تصور کنید به یک سیستم تصاویری از مردان و زنان بدهید و به آن بگویید که بین این دو تمایز قائل شود. الگو‌هایی را پیدا می‌کند که متفاوت هستند، اما لزوما الگو‌هایی معنادار یا مهم نیستند. اگر همه مردان یک رنگ لباس بپوشند، یا همه عکس‌های زنان با پس زمینه یک رنگ گرفته شده باشند، رنگ‌ها ویژگی‌هایی هستند که این سیستم‌ها از خود نشان می‌دهند.
این هوشمندانه نیست، اساسا می‌گوید «از من خواستی بین دو ست تمایز قائل شوم» و این تنبل‌ترین راه برای تشخیص این ویژگی بود؛ علاوه بر این، برخی از سیستم‌ها طراحی شده‌اند تا پاسخ اکثریت را از طریق اینترنت برای بسیاری از این موارد ارائه دهند.
به نظر او، هنوز باید کار‌های زیادی برای سفارشی کردن الگوریتم‌ها برای موارد استفاده خاص انجام شود، تا برای انسان قابل درک باشد که چگونه مدل بر اساس ورودی‌هایی که داده شده به خروجی‌های خاصی می‌رسد.
دهه آینده برای هوش مصنوعی چگونه است؟
الگوریتم‌های کامپیوتری در گرفتن مقادیر زیادی از اطلاعات و ترکیب آن خوب هستند، در حالی که افراد در بررسی چند چیز در یک زمان خوب هستند. به همین دلیل، کامپیوتر‌ها به طور قابل درک، در بررسی یک میلیارد سند و کشف حقایق یا الگو‌های تکراری بسیار بهتر هستند. اما انسان‌ها می‌توانند به یک سند بروند، جزئیات کوچک را انتخاب کنند و از طریق آن‌ها استدلال کنند.
غنی می‌گوید: «من فکر می‌کنم یکی از چیز‌هایی که بیش‌ازحد مطرح می‌شود، خودمختاری هوش مصنوعی است که در محیط‌های کنترل‌نشده‌ای که انسان‌ها نیز در آن یافت می‌شوند، عمل می‌کند. در تنظیمات بسیار کنترل شده مانند تعیین قیمت برای دریافت محصولات غذایی در محدوده مشخصی بر اساس هدف نهایی بهینه سازی سود، هوش مصنوعی واقعا خوب عمل می‌کند؛ با این حال همکاری با انسان‌ها همچنان مهم است و در دهه‌های آینده، این حوزه شاهد پیشرفت‌های زیادی در سیستم‌هایی باشد که به صورت مشارکتی طراحی شده‌اند».
او می‌گوید تحقیقات کشف دارو نمونه خوبی است. انسان‌ها هنوز بسیاری از کار‌ها را با آزمایش‌های آزمایشگاهی انجام می‌دهند و رایانه به سادگی از یادگیری ماشینی استفاده می‌کند تا به آن‌ها کمک کند تا اولویت‌بندی آزمایش‌ها و تعاملات را بررسی کنند.
الگوریتم‌های هوش مصنوعی می‌توانند کار‌های واقعا خارق‌العاده‌ای را بسیار سریع‌تر از ما انجام دهند، اما راه فکر کردن در مورد آن این است که آن‌ها ابزار‌هایی هستند که قرار است نحوه عملکرد ما را تقویت کرده و بهبود بخشند و مانند هر ابزار دیگری، این راه حل‌ها ذاتا خوب یا بد نیستند. آن‌ها همان کاری هستند که ما انتخاب می‌کنیم با آن‌ها انجام دهیم».
منبع: popsci