هوش مصنوعی

هوش مصنوعی (به انگلیسی: Artificial intelligence و به اختصار: AI)، هوشی است که توسط ماشین‌ها ظهور پیدا می‌کند و در مقابل هوش طبیعی که توسط جانوران شامل انسان‌ها نمایش می‌یابد.

اما پیش از هرچیز باید این موضوع را دانست که کلمه هوش نشان دهنده امکان استدلال است و اینکه آیا هوش مصنوعی می‌تواند به توانایی استدلال دست یابد یا خیر، خود موضوع اختلاف محققان است.

کتاب‌های AI پیشرو، این شاخه را به عنوان شاخه مطالعه بر روی عوامل هوشمند تعریف می‌کنند: هر سامانه‌ای که محیط خود را درک کرده و کنش‌هایی را انجام می‌دهد که شانسش را در دستیابی به اهدافش بیشینه می‌سازد.

برخی از منابع شناخته شده از اصطلاح هوش مصنوعی جهت توصیف ماشینی استفاده می‌کنند که عملکردهای شناختی را از روی ذهن انسان‌ها تقلید می‌کنند، همچون یادگیری و حل مسئله، با این حال این تعریف توسط محققان اصلی در زمینه AI رد شده‌است.

هوش مصنوعی در ۱۹۵۶ میلادی تبدیل به شاخه‌ای آکادمیک شد و در سال‌های پس از آن چندین موج خوش‌بینی را تجربه کرده و مجدد دچار امواج ناامیدی و کمبود بودجه شده (که به آن زمستان AI می‌گویند) سپس فناوری‌های جدیدی در پی آن آمده و موفقیت و بودجه‌های تحقیقاتی این حوزه مجدداً احیا گشته‌اند.

تحقیقات AI رهیافت‌های متفاوتی را از زمان تأسیسش امتحان کرده و آن‌ها را کنار گذاشته‌است، رهیافت‌هایی چون: شبیه‌سازی مغز، مدل‌سازی حل مسئله توسط مغز انسان، منطق صوری، بانک‌های اطلاعاتی بزرگ دانش و تقلید رفتار جانوران.

در اولین دهه‌های قرن ۲۱ میلادی یادگیری ماشینی که شدیداً از آمار ریاضیاتی بهره می‌برد در این حوزه غلبه داشت و این فناوری اثبات کرد که به شدت موفق است و به حل چندین مسئله چالش‌برانگیز در صنعت و فضای آکادمیک کمک نمود.

شاخه‌های مختلف تحقیقات هوش مصنوعی حول اهداف به‌خصوصی متمرکز بوده و از ابزارآلات خاصی استفاده می‌کنند و اهداف سنتی تحقیقات AI شامل این موارد اند: استدلال، نمایش دانش، برنامه‌ریزی، یادگیری، پردازش زبان طبیعی، ادراک و توانایی در جابجایی و دستکاری اشیاء.

هوش جامع (توانایی حل مسائل دلخواه) در میان اهداف بلند مدت این حوزه است.

 جهت حل چنین مسائلی محققان AI فنون حل مسئله وسیع و یکپارچه‌ای را شامل این موارد به کار بسته‌اند: جست‌وجو و بهینه‌سازی ریاضیاتی، منطق صوری، شبکه‌های عصبی مصنوعی و روش‌های مبنی بر آمار، احتمالات و اقتصاد.

AI همچنین با حوزه‌هایی چون علوم کامپیوتر، روان‌شناسی، زبان‌شناسی، فلسفه و بسیاری از حوزه‌های دیگر مرتبط است.

این شاخه بر این فرض بنا شده‌است که هوش انسانی را می‌توان به دقت توصیف نمود، به طوری که می‌توان آن را توسط یک ماشین شبیه‌سازی نمود». این فرض بحث‌های فلسفی را پیرامون ذهن و اخلاقیات خلق موجودات هوشمند برانگیخته است، موجوداتی که دارای هوش شبیه-انسان اند. این مسائل توسط افسانه‌ها، داستان‌های تخیلی و فلسفه از زمان‌های باستان مورد کاوش واقع شده‌اند.

به طور کلی سیستم‌های هوشمند مصنوعی می‌توانند وظایفی را که معمولاً با عملکردهای شناختی انسان مرتبط هستند انجام دهند - مانند تفسیر گفتار، بازی کردن و شناسایی الگوها. آنها معمولاً یاد می گیرند که چگونه این کار را با پردازش مقادیر انبوه داده انجام دهند و به دنبال الگوهایی برای مدل سازی در تصمیم گیری خود هستند.

در بسیاری از موارد، انسان‌ها بر فرآیند یادگیری هوش مصنوعی نظارت می‌کنند و تصمیم‌های خوب را تقویت می‌کنند و از تصمیم‌های بد جلوگیری می‌کنند. اما برخی از سیستم‌های هوش مصنوعی برای یادگیری بدون نظارت طراحی شده‌اند - به عنوان مثال با انجام یک بازی ویدیویی بارها و بارها تا زمانی که در نهایت قوانین و نحوه برنده شدن را پیدا کنند.

هوش مصنوعی قوی در مقابل هوش مصنوعی ضعیف (Strong AI Vs. Weak AI)

تعریف هوش دشوار است به همین دلیل است که کارشناسان هوش مصنوعی معمولاً بین هوش مصنوعی قوی و هوش مصنوعی ضعیف تمایز قائل می شوند.

هوش مصنوعی قوی

هوش مصنوعی قوی، که به عنوان هوش عمومی مصنوعی نیز شناخته می‌شود، ماشینی است که می‌تواند مشکلاتی را که هرگز برای کار روی آن‌ها آموزش ندیده‌اند، حل کند - بسیار شبیه به یک انسان.

این همان هوش مصنوعی است که در فیلم‌ها می‌بینیم، مانند ربات‌های Westworld یا شخصیت Data از Star Trek: The Next Generation. این نوع هوش مصنوعی هنوز وجود ندارد.

ایجاد ماشینی با هوش در سطح انسانی که می تواند برای هر کاری به کار رود جام مقدس برای بسیاری از محققان هوش مصنوعی است، اما تلاش برای هوش مصنوعی عمومی با مشکل همراه بوده است. و برخی معتقدند تحقیقات قوی هوش مصنوعی باید محدود شود، زیرا خطرات بالقوه ایجاد یک هوش مصنوعی قدرتمند بدون نرده‌های محافظ مناسب وجود دارد.

برخلاف هوش مصنوعی ضعیف، هوش مصنوعی قوی نشان‌دهنده ماشینی با مجموعه کاملی از توانایی‌های شناختی - و طیف وسیعی از موارد استفاده - است، اما زمان دشواری دستیابی به چنین شاهکاری را کاهش نداده است.

هوش مصنوعی ضعیف

هوش مصنوعی ضعیف، که گاهی به عنوان هوش مصنوعی باریک یا هوش مصنوعی تخصصی شناخته می‌شود، در یک زمینه محدود عمل می‌کند و شبیه‌سازی هوش انسانی است که برای یک مشکل تعریف‌شده (مانند رانندگی با ماشین، رونویسی گفتار انسانی یا مدیریت محتوا در یک وب‌سایت) اعمال می‌شود.

هوش مصنوعی ضعیف اغلب بر روی انجام یک کار به خوبی متمرکز است. در حالی که این ماشین ها ممکن است هوشمند به نظر برسند، اما تحت محدودیت ها و محدودیت های بسیار بیشتری از ابتدایی ترین هوش انسانی کار می کنند.

نمونه های ضعیف هوش مصنوعی عبارتند از:

• سیری، الکسا و دستیاران هوشمند دیگر

• ماشین های خودران

• جستجوی گوگل

• ربات های مکالمه ای

• فیلترهای اسپم ایمیل

• توصیه های نتفلیکس

یادگیری ماشین در مقابل یادگیری عمیق

اگرچه اصطلاحات یادگیری ماشینی و یادگیری عمیق اغلب در مکالمات مربوط به هوش مصنوعی به کار می روند، اما نباید به جای یکدیگر از آنها استفاده کرد و یادگیری عمیق نوعی یادگیری ماشینی است و یادگیری ماشین زیرشاخه هوش مصنوعی است.

یادگیری ماشین

یک الگوریتم یادگیری ماشینی داده ها را توسط یک کامپیوتر تغذیه می کند و از تکنیک های آماری استفاده می کند تا به آن کمک کند بیاموزد چگونه به تدریج در یک کار بهتر شود، بدون اینکه لزوماً به طور خاص برای آن کار برنامه ریزی شده باشد. در عوض، الگوریتم های ML از داده های تاریخی به عنوان ورودی برای پیش بینی مقادیر خروجی جدید استفاده می کنند.

برای این منظور ML هم از یادگیری نظارت شده (که در آن خروجی مورد انتظار برای ورودی به لطف مجموعه داده های برچسب دار شناخته شده است) و هم از یادگیری بدون نظارت (که در آن خروجی های مورد انتظار به دلیل استفاده از مجموعه داده های بدون برچسب ناشناخته هستند) تشکیل می شود.

یادگیری عمیق

یادگیری عمیق نوعی از یادگیری ماشینی است که ورودی ها را از طریق معماری شبکه عصبی الهام گرفته از بیولوژیکی اجرا می کند.

شبکه‌های عصبی حاوی تعدادی لایه پنهان هستند که داده‌ها از طریق آن‌ها پردازش می‌شوند و به ماشین اجازه می‌دهند تا در یادگیری خود عمیق پیش برود، اتصالات و وزن ورودی را برای بهترین نتایج ایجاد کند.

نمونه هایی از هوش مصنوعی

بر اساس نوع و پیچیدگی وظایفی که یک سیستم قادر به انجام آن است، هوش مصنوعی را می توان به چهار دسته تقسیم کرد:

1. ماشین های راکتیو یا واکنشی (Reactive machines)

2. حافظه محدود (Limited memory)

3. نظریه ذهن (Theory of mind)

4. خودآگاهی (Self awareness)

1. ماشین های واکنشی

یک ماشین واکنش‌گرا از ابتدایی‌ترین اصول هوش مصنوعی پیروی می‌کند و همانطور که از نامش پیداست، فقط قادر است از هوش خود برای درک و واکنش به دنیای مقابل خود استفاده کند. یک ماشین واکنشی نمی تواند یک حافظه را ذخیره کند و در نتیجه نمی تواند به تجربیات گذشته برای اطلاع رسانی تصمیم گیری در زمان واقعی تکیه کند.

درک جهان به طور مستقیم به این معنی است که ماشین های واکنشی برای انجام تنها تعداد محدودی از وظایف تخصصی طراحی شده اند.

با این حال محدود کردن عمدی جهان بینی یک ماشین واکنش‌دهنده مزایای خود را دارد: این نوع هوش مصنوعی قابل اعتمادتر و قابل اعتمادتر خواهد بود، و هر بار به همان روش به محرک‌های مشابه واکنش نشان می‌دهد.

نمونه های ماشین واکنشی

• دیپ بلو توسط IBM در دهه 1990 به عنوان یک ابر رایانه شطرنج طراحی شد و استاد بزرگ بین المللی گری کاسپاروف را در یک بازی شکست داد.

  دیپ بلو فقط می‌توانست مهره‌های روی صفحه شطرنج را شناسایی کند و بداند که هر کدام بر اساس قوانین شطرنج چگونه حرکت می‌کنند، موقعیت فعلی هر مهره را تصدیق کرده و منطقی‌ترین حرکت را در آن لحظه تعیین کند.

  کامپیوتر حرکات بالقوه آتی حریف خود را دنبال نمی کرد یا سعی نمی کرد مهره های خود را در موقعیت بهتری قرار دهد. هر چرخشی به عنوان واقعیت خود، جدا از هر حرکت دیگری که از قبل انجام شده بود، تلقی می شد.

• AlphaGo گوگل همچنین قادر به ارزیابی حرکات آینده نیست، اما برای ارزیابی پیشرفت‌های بازی کنونی به شبکه عصبی خود متکی است و به آن برتری نسبت به Deep Blue در یک بازی پیچیده‌تر می‌دهد، AlphaGo همچنین با شکست دادن قهرمان Go Lee Sedol در سال 2016 بر رقبای کلاس جهانی برتری داشت.

2. حافظه محدود

هوش مصنوعی حافظه محدود این توانایی را دارد که داده‌ها و پیش‌بینی‌های قبلی را هنگام جمع‌آوری اطلاعات و سنجیدن تصمیم‌های بالقوه ذخیره کند - اساساً به دنبال سرنخ‌هایی در مورد آنچه ممکن است در آینده رخ دهد، به گذشته نگاه می‌کنیم.

هوش مصنوعی حافظه محدود پیچیده‌تر است و امکانات بیشتری را نسبت به ماشین‌های واکنشی ارائه می‌دهد.

هوش مصنوعی حافظه محدود زمانی ایجاد می شود که یک تیم به طور مداوم مدلی را در مورد نحوه تجزیه و تحلیل و استفاده از داده های جدید آموزش می دهد یا یک محیط هوش مصنوعی ساخته می شود تا مدل ها به طور خودکار آموزش داده و تجدید شوند.

هنگام استفاده از هوش مصنوعی حافظه محدود در ML، شش مرحله باید دنبال شود:

• ایجاد داده های آموزشی

• مدل یادگیری ماشین را ایجاد کنید

• اطمینان حاصل کنید که مدل می تواند پیش بینی کند

• اطمینان حاصل کنید که مدل می تواند بازخورد انسانی یا محیطی را دریافت کند

• بازخوردهای انسانی و محیطی را به عنوان داده ذخیره کنید

• مراحل بالا را به صورت چرخه ای تکرار کنید

3. نظریه ذهن

نظریه ذهن فقط همین است - نظری، ما هنوز به توانایی های فنی و علمی لازم برای رسیدن به این سطح بعدی هوش مصنوعی دست نیافته ایم، این مفهوم مبتنی بر پیش‌فرض روان‌شناختی درک این است که موجودات زنده دیگر افکار و احساساتی دارند که بر رفتار فرد تأثیر می‌گذارند.

از نظر ماشین‌های هوش مصنوعی، این بدان معناست که هوش مصنوعی می‌تواند احساسات انسان‌ها، حیوانات و سایر ماشین‌ها را درک کند و از طریق خود اندیشی و تصمیم‌گیری تصمیم بگیرد و سپس از این اطلاعات برای تصمیم‌گیری خود استفاده کند.

اساساً ماشین‌ها باید بتوانند مفهوم ذهن، نوسانات احساسات در تصمیم‌گیری و مجموعه‌ای از مفاهیم روان‌شناختی دیگر را در زمان واقعی درک و پردازش کنند و یک رابطه دو طرفه بین افراد و هوش مصنوعی ایجاد کنند.

4. خودآگاهی

هنگامی که نظریه ذهن می تواند ایجاد شود، در آینده ای نزدیک به هوش مصنوعی، گام نهایی برای خودآگاهی هوش مصنوعی خواهد بود. این نوع هوش مصنوعی دارای آگاهی در سطح انسانی است و وجود خود در جهان و همچنین حضور و وضعیت عاطفی دیگران را درک می کند.

این می تواند بفهمد که دیگران به چه چیزهایی ممکن است نیاز داشته باشند، نه فقط بر اساس آنچه با آنها ارتباط برقرار می کنند، بلکه بر اساس نحوه ارتباط آنها.

خودآگاهی در هوش مصنوعی هم به محققان انسانی متکی است که مقدمات هوشیاری را درک کنند و سپس یاد بگیرند که چگونه آن را تکرار کنند تا بتوان آن را در ماشین ها ساخت.

نمونه هایی (کاربردی) از هوش مصنوعی

فناوری هوش مصنوعی اشکال مختلفی دارد، از چت ربات گرفته تا اپلیکیشن های ناوبری و ردیاب های تناسب اندام پوشیدنی. مثال های زیر وسعت کاربردهای بالقوه هوش مصنوعی را نشان می دهد.

ChatGPT

ChatGPT یک چت بات هوش مصنوعی است که قادر به تولید محتوای نوشتاری در قالب‌های مختلف، از مقاله گرفته تا کد و پاسخ به سوالات ساده است، ChatGPT که در نوامبر 2022 توسط OpenAI راه اندازی شد، از یک مدل زبان بزرگ پشتیبانی می کند که به آن اجازه می دهد تا از نزدیک نوشته های انسان را تقلید کند.

ChatGPT همچنین به عنوان یک برنامه تلفن همراه برای دستگاه های iOS در ماه مه 2023 و برای دستگاه های Android در ژوئیه 2023 در دسترس قرار گرفت. این تنها یکی از نمونه های ربات چت بسیار است، البته بسیار قدرتمند.

نقشه های گوگل

Google Maps از داده‌های موقعیت مکانی گوشی‌های هوشمند و همچنین داده‌های گزارش‌شده توسط کاربر در مورد مواردی مانند ساخت‌وساز و تصادفات رانندگی برای نظارت بر جزر و مد ترافیک و ارزیابی سریع‌ترین مسیر استفاده می‌کند.

دستیاران هوشمند (Smart Assistants)

دستیارهای هوش مصنوعی شخصی مانند سیری، الکسا و کورتانا از پردازش زبان طبیعی یا NLP برای دریافت دستورالعمل‌هایی از کاربران برای تنظیم یادآوری‌ها، جستجوی اطلاعات آنلاین و کنترل چراغ‌های خانه افراد استفاده می‌کنند.

در بسیاری از موارد، این دستیارها برای یادگیری ترجیحات کاربر و بهبود تجربه آنها در طول زمان با پیشنهادات بهتر و پاسخ های مناسب تر طراحی شده اند.

فیلترهای اسنپ چت

فیلترهای اسنپ چت از الگوریتم های ML برای تمایز بین سوژه تصویر و پس زمینه، ردیابی حرکات صورت و تنظیم تصویر روی صفحه بر اساس آنچه کاربر انجام می دهد، استفاده می کنند.

ماشین های خودران (Self-Driving Cars)

اتومبیل های خودران نمونه قابل تشخیصی از یادگیری عمیق هستند، زیرا از شبکه های عصبی عمیق برای شناسایی اشیاء اطراف خود، تعیین فاصله آنها از سایر اتومبیل ها، شناسایی علائم راهنمایی و رانندگی و موارد دیگر استفاده می کنند.

پوشیدنی ها (Wearables)

حسگرها و دستگاه‌های پوشیدنی مورد استفاده در صنعت مراقبت‌های بهداشتی نیز از یادگیری عمیق برای ارزیابی وضعیت سلامتی بیمار، از جمله سطح قند خون، فشار خون و ضربان قلب آن‌ها استفاده می‌کنند.

آنها همچنین می‌توانند الگوهایی را از داده‌های پزشکی قبلی بیمار استخراج کنند و از آن برای پیش‌بینی هر گونه شرایط سلامتی آینده استفاده کنند.

MuZero

MuZero یک برنامه کامپیوتری است که توسط DeepMind ایجاد شده است، یک پیشرو امیدوار کننده در تلاش برای دستیابی به هوش عمومی مصنوعی واقعی است.

این نرم افزار توانسته است بر بازی هایی که حتی به آن ها آموزش داده نشده است، از جمله شطرنج و مجموعه کاملی از بازی های آتاری، با استفاده از نیروی بی رحمانه، میلیون ها بار بازی ها را انجام دهد.

مزایا، چالش ها و آینده هوش مصنوعی

مزایای هوش مصنوعی

هوش مصنوعی کاربردهای زیادی دارد - از تقویت توسعه واکسن گرفته تا تشخیص خودکار تقلب بالقوه. بر اساس تحقیقات CB Insights، شرکت‌های هوش مصنوعی در سال 2022 66.8 میلیارد دلار بودجه جمع‌آوری کردند که بیش از دوبرابر مبلغ جمع‌آوری‌شده در سال 2020 است.

به دلیل پذیرش سریع آن، هوش مصنوعی در صنایع مختلف موج ایجاد می‌کند.

بانکداری ایمن تر

گزارش 2022 Business Insider Intelligence در مورد هوش مصنوعی در بانکداری نشان داد که بیش از نیمی از شرکت های خدمات مالی در حال حاضر از راه حل های هوش مصنوعی برای مدیریت ریسک و تولید درآمد استفاده می کنند. استفاده از هوش مصنوعی در بانکداری می تواند منجر به صرفه جویی بیش از 400 میلیارد دلار شود.

داروی بهتر

در مورد پزشکی، گزارش سازمان جهانی بهداشت در سال 2021 اشاره کرد که در حالی که ادغام هوش مصنوعی در حوزه مراقبت های بهداشتی با چالش هایی همراه است، این فناوری نویدبخش زیادی دارد، زیرا می تواند به مزایایی مانند سیاست های بهداشتی آگاهانه تر و بهبود در دقت تشخیص بیماران منجر شود.

رسانه های نوآورانه

هوش مصنوعی روی سرگرمی ها نیز اثر گذاشته است و بر اساس تحقیقات گراند ویو، بازار جهانی هوش مصنوعی در رسانه ها و سرگرمی ها تا سال 2030 به 99.48 میلیارد دلار می رسد که از ارزش 10.87 میلیارد دلاری در سال 2021 افزایش می یابد.

این گسترش شامل کاربردهای هوش مصنوعی مانند تشخیص سرقت ادبی و توسعه گرافیک با کیفیت بالا است.

چالش ها و محدودیت های هوش مصنوعی

در حالی که هوش مصنوعی مطمئناً به عنوان یک دارایی مهم و به سرعت در حال تکامل در نظر گرفته می شود، این حوزه نوظهور دارای جنبه های منفی است.

مرکز تحقیقات پیو در سال 2021 از 10260 آمریکایی در مورد نگرش آنها نسبت به هوش مصنوعی نظرسنجی کرد و نتایج نشان داد 45 درصد از پاسخ دهندگان به همان اندازه هیجان زده و نگران هستند و 37 درصد بیشتر نگران هستند تا هیجان زده , علاوه بر این بیش از 40 درصد از پاسخ دهندگان گفتند که اتومبیل های بدون راننده را برای جامعه مضر می دانند.

با این حال ایده استفاده از هوش مصنوعی برای شناسایی انتشار اطلاعات نادرست در رسانه‌های اجتماعی با استقبال بیشتری روبرو شد و نزدیک به 40 درصد از افراد مورد بررسی آن را ایده خوبی دانستند.

هوش مصنوعی یک موهبت برای بهبود بهره وری و کارایی است و در عین حال پتانسیل خطای انسانی را کاهش می دهد. اما برخی از معایب نیز وجود دارد، مانند هزینه های توسعه و امکان ماشین های خودکار برای جایگزینی مشاغل انسانی. با این حال، شایان ذکر است که صنعت هوش مصنوعی نیز می‌تواند شغل ایجاد کند - که برخی از آنها هنوز اختراع نشده‌اند.

آینده هوش مصنوعی

وقتی هزینه‌های محاسباتی و زیرساخت داده‌های فنی در پشت هوش مصنوعی را در نظر بگیریم، در واقع اجرای بر روی هوش مصنوعی یک تجارت پیچیده و پرهزینه است.

خوشبختانه پیشرفت های عظیمی در فناوری محاسبات صورت گرفته است، همانطور که قانون مور نشان می دهد که تعداد ترانزیستورهای روی یک ریزتراشه تقریباً هر دو سال دو برابر می شود در حالی که هزینه رایانه ها به نصف می رسد.

اگرچه بسیاری از کارشناسان بر این باورند که قانون مور احتمالاً در دهه 2020 به پایان خواهد رسید، اما این تأثیر زیادی بر تکنیک‌های مدرن هوش مصنوعی داشته است – بدون آن، یادگیری عمیق از نظر مالی دور از ذهن خواهد بود.

تحقیقات اخیر نشان داده است که نوآوری هوش مصنوعی در واقع از قانون مور بهتر عمل کرده است و هر شش ماه یا بیشتر در مقایسه با دو سال دو برابر می شود.

با این منطق پیشرفت‌هایی که هوش مصنوعی در صنایع مختلف ایجاد کرده است، در چند سال گذشته بسیار مهم بوده است. و پتانسیل تأثیر حتی بیشتر در چند دهه آینده کاملاً اجتناب ناپذیر به نظر می رسد.

تاریخچه هوش مصنوعی، جدول زمانی

ربات های هوشمند و موجودات مصنوعی اولین بار در اسطوره های یونان باستان ظاهر شدند و توسعه قیاس ارسطو و استفاده آن از استدلال قیاسی یک لحظه کلیدی در تلاش بشر برای درک هوش خود بود. در حالی که ریشه ها طولانی و عمیق هستند، تاریخچه هوش مصنوعی همانطور که امروز به آن فکر می کنیم کمتر از یک قرن است.

در ادامه نگاهی گذرا به برخی از مهم ترین رویدادهای هوش مصنوعی آورده شده است.

دهه 1940

• (1942) آیزاک آسیموف سه قانون رباتیک را منتشر می کند، ایده ای که معمولاً در رسانه های علمی تخیلی در مورد اینکه چگونه هوش مصنوعی نباید به انسان آسیب برساند یافت می شود.

• (1943) وارن مک کالو و والتر پیتس مقاله "حساب منطقی ایده های ماندگار در فعالیت عصبی را منتشر کردند که اولین مدل ریاضی را برای ساخت شبکه عصبی پیشنهاد می کند.

• (1949) دونالد هب در کتاب خود با نام سازمان رفتار: یک نظریه عصب روان‌شناختی، این نظریه را پیشنهاد می‌کند که مسیرهای عصبی از تجربیات ایجاد می‌شوند و ارتباط بین نورون‌ها هر چه بیشتر مورد استفاده قرار گیرد قوی‌تر می‌شود و یادگیری Hebbian همچنان یک مدل مهم در هوش مصنوعی است.

دهه 1950

• (1950) آلن تورینگ مقاله «ماشین‌های محاسباتی و هوش را منتشر می‌کند و چیزی را پیشنهاد می‌کند که اکنون به عنوان آزمون تورینگ شناخته می‌شود، روشی برای تعیین هوشمند بودن یک ماشین.

• (1950) ماروین مینسکی و دین ادموندز، دانشجویان کارشناسی هاروارد، SNARC، اولین کامپیوتر شبکه عصبی را ساختند.

• (1950) کلود شانون مقاله برنامه ریزی یک کامپیوتر برای بازی شطرنج را منتشر می کند.

• (1952) آرتور ساموئل یک برنامه خودآموز برای بازی چکرز ایجاد می کند.

• (1954) آزمایش ترجمه ماشینی جورج تاون-IBM به طور خودکار 60 جمله روسی را که با دقت انتخاب شده اند به انگلیسی ترجمه می کند.

• (1956) عبارت هوش مصنوعی در پروژه تحقیقاتی تابستانی دارتموث در مورد هوش مصنوعی ابداع شد و این کنفرانس به رهبری جان مک کارتی به طور گسترده ای به عنوان زادگاه هوش مصنوعی در نظر گرفته می شود.

• (1956) آلن نیول و هربرت سایمون نظریه پرداز منطق (LT) را نشان دادند، اولین برنامه استدلال.

• (1958) جان مک کارتی زبان برنامه نویسی هوش مصنوعی Lisp را توسعه می دهد و برنامه هایی با عقل سلیم را منتشر می کند، مقاله ای که توصیه گیر فرضی را پیشنهاد می کند، یک سیستم هوش مصنوعی کامل با توانایی یادگیری از تجربه به اندازه انسان ها.

• (1959) آلن نیوول، هربرت سایمون و جی سی شاو برنامه حل مشکل عمومی (GPS) را توسعه دادند، برنامه ای که برای تقلید از حل مسئله انسان طراحی شده است.

• (1959) هربرت گلرنتر برنامه اثبات قضیه هندسه را توسعه داد.

• (1959) آرتور ساموئل اصطلاح یادگیری ماشینی را در زمانی که در IBM کار می کرد ابداع کرد.

• (1959) جان مک کارتی و ماروین مینسکی پروژه هوش مصنوعی MIT را پیدا کردند.

دهه 1960

• (1963) جان مک کارتی آزمایشگاه هوش مصنوعی را در استنفورد راه اندازی کرد.

• (1966) گزارش کمیته مشورتی پردازش خودکار زبان (ALPAC) توسط دولت ایالات متحده، عدم پیشرفت در تحقیقات ترجمه ماشینی را شرح می دهد، یک ابتکار بزرگ جنگ سرد با وعده ترجمه خودکار و فوری زبان روسی. گزارش ALPAC منجر به لغو تمام پروژه های MT با بودجه دولت می شود.

• (1969) اولین سیستم های خبره موفق، DENDRAL و MYCIN، در استانفورد ایجاد شدند.

دهه 1970

• (1972) زبان برنامه نویسی منطقی PROLOG ایجاد شد.

• (1973) گزارش لایت‌هیل که ناامیدی‌ها در تحقیقات هوش مصنوعی را شرح می‌دهد، توسط دولت بریتانیا منتشر شد و منجر به کاهش شدید بودجه برای پروژه‌های هوش مصنوعی شد.

• (1974-1980) ناامیدی از پیشرفت توسعه هوش مصنوعی منجر به کاهش عمده DARPA در کمک هزینه تحصیلی می شود. همراه با گزارش قبلی ALPAC و گزارش Lighthill سال قبل، بودجه هوش مصنوعی خشک می شود و تحقیقات متوقف می شود. این دوره به اولین زمستان هوش مصنوعی معروف است.

دهه 1980

• (1980) Digital Equipment Corporations R1 (همچنین به عنوان XCON شناخته می شود) اولین سیستم متخصص تجاری موفق را توسعه داد.

  R1 که برای پیکربندی سفارشات برای سیستم‌های رایانه‌ای جدید طراحی شده است، رونق سرمایه‌گذاری در سیستم‌های خبره را آغاز می‌کند که تا بیشتر دهه دوام خواهد داشت و عملاً به اولین زمستان هوش مصنوعی پایان می‌دهد.

• (1982) وزارت تجارت و صنعت بین المللی ژاپن پروژه جاه طلبانه سیستم های کامپیوتری نسل پنجم را راه اندازی کرد. هدف FGCS توسعه عملکرد ابررایانه مانند و پلتفرمی برای توسعه هوش مصنوعی است.

• (1983) در پاسخ به FGCS ژاپن، دولت ایالات متحده ابتکار محاسبات استراتژیک را برای ارائه تحقیقات با بودجه دارپا در محاسبات پیشرفته و هوش مصنوعی راه اندازی کرد.

• (1985) شرکت‌ها سالانه بیش از یک میلیارد دلار برای سیستم‌های خبره هزینه می‌کنند و یک صنعت کامل به نام بازار ماشین‌های لیسپ برای حمایت از آنها به وجود می‌آید و شرکت هایی مانند Symbolics و Lisp Machines Inc. کامپیوترهای تخصصی را برای اجرا بر روی زبان برنامه نویسی هوش مصنوعی Lisp می سازند.

• (1987-1993) با بهبود فناوری محاسبات، جایگزین‌های ارزان‌تری پدیدار شد و بازار ماشین‌های Lisp در سال 1987 سقوط کرد و "زمستان دوم هوش مصنوعی" را آغاز کرد. در این دوره، سیستم های خبره برای نگهداری و به روز رسانی بسیار گران بودند و در نهایت از بین رفتند.

دهه 1990

• (1991) نیروهای ایالات متحده، DART، یک ابزار برنامه ریزی و برنامه ریزی لجستیک خودکار را در طول جنگ خلیج فارس مستقر کردند.

• (1992) ژاپن پروژه FGCS را در سال 1992 خاتمه داد و دلیل آن شکست در دستیابی به اهداف بلندپروازانه ای است که یک دهه پیش از آن مشخص شده بود.

• (1993) دارپا به ابتکار محاسبات استراتژیک در سال 1993 پس از صرف نزدیک به 1 میلیارد دلار و بسیار کمتر از انتظارات، پایان داد.

• (1997) دیپ بلو IBM، قهرمان شطرنج جهان، گری کاسپاروف را شکست داد.

دهه ابتدایی 2000

• (2005) استنلی، یک ماشین خودران، برنده چالش بزرگ دارپا است.

• (2005) ارتش ایالات متحده سرمایه گذاری در ربات های خودمختار مانند Big Dog از Boston Dynamics و PackBot iRobot را آغاز کرد.

• (2008) گوگل پیشرفت هایی در تشخیص گفتار ایجاد می کند و این ویژگی را در برنامه آیفون خود معرفی می کند.

دهه 2010

• (2011) واتسون IBM به راحتی رقابت را در Jeopardy شکست می دهد.

• (2011) اپل سیری، یک دستیار مجازی مجهز به هوش مصنوعی را از طریق سیستم عامل iOS خود منتشر کرد.

• (2012) Andrew Ng بنیانگذار پروژه Google Brain Deep Learning با استفاده از الگوریتم های یادگیری عمیق 10 میلیون ویدیوی یوتیوب را به عنوان یک مجموعه آموزشی به شبکه عصبی تغذیه می کند.

  شبکه عصبی یاد گرفت که گربه را بدون اینکه به او گفته شود گربه چیست، بشناسد، این امر آغازگر دوران پیشرفت شبکه‌های عصبی و بودجه یادگیری عمیق است.

• (2014) گوگل اولین خودروی خودران را می سازد که در آزمون رانندگی دولتی موفق شد.

• (2014) الکسای آمازون، یک دستگاه هوشمند خانه مجازی، منتشر شد.

• (2016) AlphaGo از Google DeepMind، قهرمان جهان Go Lee Sedol را شکست داد. پیچیدگی بازی باستانی چینی به عنوان یک مانع بزرگ برای رفع در هوش مصنوعی تلقی می شد.

• (2016) اولین شهروند رباتی، یک ربات انسان نما به نام سوفیا، توسط Hanson Robotics ساخته شده است و قادر به تشخیص چهره، ارتباط کلامی و بیان چهره است.

• (2018) گوگل موتور پردازش زبان طبیعی BERT را منتشر می کند که موانع ترجمه و درک توسط برنامه های ML را کاهش می دهد.

• (2018) Waymo سرویس Waymo One خود را راه‌اندازی می‌کند و به کاربران این امکان را می‌دهد که در سرتاسر منطقه شهری فونیکس درخواست دریافت یکی از خودروهای خودران این شرکت کنند.

دهه 2020

• (2020) بایدو الگوریتم LinearFold AI خود را برای تیم‌های علمی و پزشکی که برای توسعه واکسن در مراحل اولیه همه‌گیری SARS-CoV-2 کار می‌کنند، منتشر می‌کند و این الگوریتم قادر است توالی RNA ویروس را تنها در 27 ثانیه پیش بینی کند که 120 برابر سریعتر از روش های دیگر است.

• (2020) OpenAI مدل پردازش زبان طبیعی GPT-3 را منتشر می‌کند که قادر است متنی را با الگوبرداری از نحوه صحبت و نوشتن افراد تولید کند.

• (2021) OpenAI بر روی GPT-3 برای توسعه DALL-E ساخته شده است، که قادر به ایجاد تصاویر از پیام های متنی است.

• (2022) موسسه ملی استانداردها و فناوری اولین پیش نویس چارچوب مدیریت ریسک هوش مصنوعی خود را منتشر می کند، دستورالعمل داوطلبانه ایالات متحده برای مدیریت بهتر خطرات برای افراد، سازمان ها و جامعه مرتبط با هوش مصنوعی.

• (2022) DeepMind از Gato، یک سیستم هوش مصنوعی آموزش دیده برای انجام صدها کار، از جمله پخش آتاری، شرح تصاویر و استفاده از یک بازوی رباتیک برای چیدن بلوک ها، رونمایی کرد.

• (2022) OpenAI ChatGPT را راه اندازی کرد، یک ربات چت با یک مدل زبان بزرگ که تنها در چند ماه بیش از 100 میلیون کاربر به دست آورد.

• (2023) مایکروسافت نسخه مجهز به هوش مصنوعی Bing را راه اندازی کرد، موتور جستجوی خود، که بر اساس همان فناوری ساخته شده است که ChatGPT را تقویت می کند.

• (2023) گوگل بارد، هوش مصنوعی محاوره ای رقیب را معرفی کرد.

• (2023) OpenAI GPT-4 پیچیده ترین مدل زبان خود را تا کنون راه اندازی می کند.

مالکیت معنوی مجله انرژی (energymag.ir) علامت تجاری ناشر است... سایر علائم تجاری مورد استفاده در این مقاله متعلق به دارندگان علامت تجاری مربوطه می باشد، ناشر وابسته یا مرتبط با دارندگان علامت تجاری نیست و توسط دارندگان علامت تجاری حمایت، تایید یا ایجاد نشده است، مگر اینکه خلاف آن ذکر شده باشد و هیچ ادعایی از سوی ناشر نسبت به حقوق مربوط به علائم تجاری شخص ثالث وجود ندارد.