هوش مصنوعی: از تورینگ تا چت جی پی تی4

مقدمه

در دنیای امروز، پیشرفت‌های چشمگیری در زمینه‌های مختلف تکنولوژی شاهد هستیم که یکی از بحث‌برانگیزترین و جذاب‌ترین آنها، ظهور ابزارهایی است که به نوعی قادر به انجام وظایفی هستند که قبلاً فقط از انسان‌ها برمی‌آمد. ابزارهایی به اسم هوش مصنوعی!

این ابزارها به طرز شگفت‌انگیزی در حال تغییر نحوه زندگی و کار ما هستند. از مشاوره‌های فوری آنلاین و چت بات هایی مثل چت جی پی تی گرفته تا تحلیل‌های پیچیده داده‌ها و حتی تشخیص بیماری‌ها، این فناوری‌ها در حال تبدیل شدن به بخشی جدایی‌ناپذیر از زندگی روزمره ما هستند.

با این حال، هنوز بسیاری از مردم از ماهیت این پیشرفت‌ها و اینکه دقیقاً چطور به چنین توانایی‌هایی دست یافته‌اند، سردرگم هستند. برای فهم بهتر اینکه اصلا این هوش مصنوعی که این روزها همه درباره آن حرف می‌زنند چیست؟ بهتر است ابتدا به این بپردازیم که از نظر ما انسان‌ها هوش چیست؟ هوش طبیعی چیست که یک نسخه مصنوعی(!) هم از روی آن ساخته‌اند؟ چرا به این ابزارها می‌گوییم هوش مصنوعی؟

هوش مصنوعی چیست؟ تعریف و مفاهیم پایه

مفهوم هوش در طول تاریخ تا به امروز دستخوش تغییرات زیادی شده است و فاکتورهای زیادی نشان دهنده هوشمندی یک موجود است. اما به طور خلاصه فاکتورهایی که در ادامه به آنها میپردازم فاکتورهای اصلی هوشمندی یک موجود هستند:

یادگیری

موجود هوشمند قابلیت یادگیری از راه های مختلف را دارد از جمله آزمایش و خطا، تعمیم دادن اطلاعات گذشته به اطلاعات و چیزهای جدیدی که می بیند. به همین شکل، اشکال مختلفی از یادگیری در هوش مصنوعی وجود دارند. ساده‌ترین آن یادگیری از طریق آزمایش و خطا است. به‌عنوان مثال، یک برنامه کامپیوتری ساده برای حل مسائل مات در یک حرکت شطرنج ممکن است به‌طور تصادفی حرکات را امتحان کند تا زمانی که مات پیدا شود. سپس برنامه ممکن است راه‌حل را همراه با موقعیت ذخیره کند به‌طوری که دفعه بعدی که کامپیوتر با همان موقعیت روبه‌رو شد، راه‌حل را به یاد آورد.

استدلال

استدلال به معنای نتیجه گیری و استنتاج‌های مناسب با وضعیت موجود است و توانایی اینکه با توجه به دانسته های خود به نتایج منطقی برسید. در هوش مصنوعی، دو نوع استدلال داریم:

1. استدلال قیاسی: اگر اطلاعات درست باشند، نتیجه هم درست است. مثلاً اگر بگوییم “همه گربه‌ها حیوانند” و “این یک گربه است”، نتیجه می‌گیریم که “این یک حیوان است”. این نوع استدلال در سیستم‌های هوش مصنوعی برای تصمیم‌گیری‌های قطعی استفاده می‌شود.
2. استدلال استقرایی: در این نوع، سیستم از تجربیات گذشته برای پیش‌بینی استفاده می‌کند، ولی نتیجه همیشه قطعی نیست. مثلاً سیستم تشخیص بیماری ممکن است بر اساس علائم مشابه پیش‌بینی کند که یک فرد بیمار است، ولی همیشه درست نخواهد بود.

در مجموع، قدرت استدلال به هوش مصنوعی کمک می‌کند تا از داده‌ها برای گرفتن تصمیمات هوشمندانه استفاده کند.

حل مسئله

قدرت حل مسئله به این معنی است که بتوانید در موقعیت های مختلف، راه حل مرتبط با آن موقعیت را بدهید. به همین شکل مسائل متنوع بسیاری توسط برنامه‌های هوش مصنوعی حل شده‌اند. برخی از مثال‌ها شامل پیدا کردن حرکت برنده (یا دنباله‌ای از حرکات) در یک بازی تخته‌ای، ایجاد اثبات‌های ریاضی و … در دنیای تولید شده توسط کامپیوتر است.

ادراک

در ادراک، محیط توسط ارگان‌های حسی مختلف، واقعی یا مصنوعی، اسکن می‌شود و صحنه به اشیاء جداگانه با روابط فضایی مختلف تجزیه می‌شود. تجزیه و تحلیل با این واقعیت پیچیده می‌شود که یک شیء ممکن است بسته به زاویه‌ای که از آن مشاهده می‌شود، جهت و شدت نور در صحنه و میزان تضاد شیء با زمینه اطراف، به شکلی متفاوت به نظر برسد. در حال حاضر، ادراک مصنوعی به اندازه کافی پیشرفته است که حسگرهای نوری قادرند افراد را شناسایی کرده و به وسایل نقلیه خودران اجازه دهند تا با سرعت‌های متوسط در جاده‌های باز رانندگی کنند.

زبان

درباره زبان شاید هوش مصنوعی نتواند مانند انسان آن را ادراک و پردازش کند اما در حال حاضر، چت بات هایی مانند چت‌جی‌پی‌تی می‌تواند آن را به‌طور کارآمدی پردازش کند و پاسخ‌های منطقی و مرتبط به سوالات بدهد. این مدل‌ها از داده‌ها و الگوهای آماری برای تولید پاسخ‌ها استفاده می‌کنند و قادرند جملات مختلفی بسازند که به نظر می‌رسد به‌خوبی معنی دارند. اما این مدل‌ها در واقع هیچ درکی از زبان یا مفاهیم پشت آن ندارند. آن‌ها صرفاً کلمات و جملات را بر اساس احتمال و الگوریتم‌های پیچیده تولید می‌کنند، نه اینکه واقعاً آن‌ها را درک کنند. با این حال به جایی رسیده‌اند که تسلط آنها به زبان از تسلط یک انسان عادی قابل تمایز نیست.

در نتیجه تعریف هوش مصنوعی را میتوان به طور خلاصه این چنین بیان کرد: توانایی ماشین‌ها برای شبیه‌سازی فرآیندهای ذهنی انسان مانند یادگیری، تصمیم‌گیری و حل مسئله و …

تاریخچه هوش مصنوعی

شاید فکر کنید که هوش مصنوعی پدیده ای نوین است که در سالهای اخیر شکل گرفته است اما چیزی که امروزه از آن به دست ما رسیده محصول پروسه ای طولانی مدت و قدیمی است. ایده اشیای بی‌جانِ هوشمند از دوران باستان وجود داشته است؛ از خدمتکاران طلایی هفائستوس در اساطیر یونان گرفته تا مجسمه‌های متحرک در مصر باستان. در طول قرن‌ها، اندیشمندانی مانند ارسطو، دکارت و توماس بیز، فرآیندهای فکری انسان را به‌صورت نمادین توصیف کردند و پایه‌های مفاهیم هوش مصنوعی مانند بازنمایی دانش و استدلال منطقی را بنا نهادند.

مخصوصا اواخر قرن نوزدهم و اوایل قرن بیستم، کارهای بنیادینی شکل گرفت که زمینه‌ساز ظهور کامپیوتر مدرن شد که در ادامه به بیان هر یک از آنها میپردازیم:

دهه ۱۹۴۰

ریاضی‌دان دانشگاه پرینستون، جان فون نویمان، معماری رایانه برنامه ذخیره‌شده را مطرح کرد – ایده‌ای که برنامه رایانه و داده‌هایی که پردازش می‌کند می‌توانند در حافظه رایانه نگهداری شوند. وارن مک‌کالوک و والتر پیتس نیز یک مدل ریاضی از نورون‌های مصنوعی پیشنهاد کردند که پایه‌گذار شبکه‌های عصبی و دیگر پیشرفت‌های آینده هوش مصنوعی شد.

دهه ۱۹۵۰

در سال ۱۹۵۰، آلن تورینگ روشی را برای تشخیص هوشمندی رایانه ابداع کرد که آن را بازی تقلید نامید، اما امروزه بیشتر به نام آزمون تورینگ شناخته می‌شود. این آزمایش دربارهٔ توانایی یک ماشین برای ارائه رفتارهای هوشمندانه برابر یا غیرقابل تمایز از رفتارهای یک انسان است. اگر علاقه مندید تا با ساز و کار این آزمایش بیشتر آشنا شوید پیشنهاد میکنیم این صفحه را مطالعه کنید.

حوزه مدرن هوش مصنوعی به‌طور گسترده‌ای از سال ۱۹۵۶ در یک کنفرانس تابستانی در کالج دارتموث آغاز شد. این کنفرانس که توسط آژانس پروژه‌های تحقیقاتی پیشرفته دفاعی (DARPA) حمایت مالی شد، با حضور ۱۰ چهره برجسته این حوزه برگزار شد. از جمله پیشگامان هوش مصنوعی در این رویداد می‌توان به ماروین مینسکی، الیور سلفریج و جان مک‌کارتی اشاره کرد که اصطلاح «هوش مصنوعی» را ابداع کرد. همچنین آلن نیوول، دانشمند رایانه، و هربرت اِی. سایمون، اقتصاددان، دانشمند علوم سیاسی و روان‌شناس شناختی نیز در این کنفرانس حضور داشتند.

دهه ۱۹۶۰

پس از کنفرانس کالج دارتموث، رهبران حوزه نوپای هوش مصنوعی پیش‌بینی کردند که ساخت هوشی برابر با مغز انسان به‌زودی ممکن خواهد شد، و این پیش‌بینی حمایت‌های گسترده‌ای از سوی دولت و صنعت را به همراه داشت. در واقع، نزدیک به ۲۰ سال تحقیق بنیادی با بودجه‌های قابل‌توجه پیشرفت‌های مهمی در هوش مصنوعی ایجاد کرد. جان مک‌کارتی زبان Lisp را توسعه داد، زبانی که در ابتدا برای برنامه‌نویسی هوش مصنوعی طراحی شد و همچنان امروزه مورد استفاده قرار می‌گیرد.

در اواسط دهه ۱۹۶۰، پروفسور جوزف ویزنبام از مؤسسه MIT برنامه Eliza را توسعه داد، یک برنامه اولیه پردازش زبان طبیعی (NLP) که پایه و اساس چت‌بات‌های امروزی را بنا نهاد.(در ادامه توضیحات بیشتری درباره NLP و مدل های زبانی بزرگ خواهم گفت.)

دهه ۱۹۷۰

در دهه ۱۹۷۰، دستیابی به هوش مصنوعی عمومی (AGI) به دلیل محدودیت‌های پردازش و حافظه کامپیوتر و پیچیدگی بالای مسئله، دور از دسترس و غیرممکن به نظر می‌رسید. در نتیجه، حمایت‌های دولتی و شرکتی از تحقیقات هوش مصنوعی کاهش یافت و این امر منجر به دوره رکودی از سال ۱۹۷۴ تا ۱۹۸۰ شد که به اولین زمستان هوش مصنوعی معروف است. در این دوره، حوزه نوپای هوش مصنوعی با کاهش قابل توجه بودجه و علاقه مواجه شد.

دهه ۱۹۸۰

در دهه ۱۹۸۰، تحقیقات در زمینه تکنیک‌های یادگیری عمیق و پذیرش صنعتی سیستم‌های خبره ادوارد فایگنباوم موج جدیدی از اشتیاق به هوش مصنوعی را ایجاد کرد. سیستم‌های خبره، که از برنامه‌های مبتنی بر قوانین برای تقلید تصمیم‌گیری متخصصان انسانی استفاده می‌کردند، در وظایفی مانند تحلیل مالی و تشخیص بالینی به کار گرفته شدند. با این حال، به دلیل هزینه بالا و محدودیت‌های این سیستم‌ها، این موج احیا شده از هوش مصنوعی کوتاه‌مدت بود و بار دیگر با کاهش بودجه دولتی و حمایت صنعتی مواجه شد. این دوره که به دومین زمستان هوش مصنوعی معروف است، تا اواسط دهه ۱۹۹۰ ادامه یافت.

دهه ۱۹۹۰

افزایش قدرت محاسباتی و انفجار داده‌ها در اواسط تا اواخر دهه ۱۹۹۰ موجب احیای هوش مصنوعی شد و زمینه‌ساز پیشرفت‌های چشمگیری شد که امروز در هوش مصنوعی شاهد آن هستیم. ترکیب بیگ دیتا و قدرت محاسباتی بیشتر، موجب پیشرفت‌هایی در پردازش زبان طبیعی (NLP)، بینایی کامپیوتر، رباتیک، یادگیری ماشین و یادگیری عمیق شد.

دهه ۲۰۰۰

پیشرفت‌های بیشتر در یادگیری ماشین، یادگیری عمیق، پردازش زبان طبیعی (NLP)، تشخیص گفتار و بینایی کامپیوتر به محصولات و خدماتی منجر شد که نحوه زندگی ما را شکل داده‌اند. پیشرفت‌های مهم این دهه شامل راه‌اندازی موتور جستجوی گوگل در سال ۲۰۰۰ و موتور پیشنهاددهنده آمازون در سال ۲۰۰۱ بود.

در همین دهه، نتفلیکس سیستم پیشنهاد فیلم خود را توسعه داد، فیسبوک سیستم تشخیص چهره خود را معرفی کرد و مایکروسافت سیستم تشخیص گفتار برای تبدیل صوت به متن را راه‌اندازی کرد. IBM واتسون، سیستم پرسش و پاسخ خود را ارائه داد و گوگل پروژه خودروی خودران خود، ویمو را آغاز کرد.

دهه ۲۰۱۰

دهه بین ۲۰۱۰ تا ۲۰۲۰ شاهد پیشرفت‌های مستمر در زمینه هوش مصنوعی بود. این پیشرفت‌ها شامل راه‌اندازی دستیارهای صوتی سیری اپل و الکسا آمازون، پیروزی‌های واتسون آی‌بی‌ام در مسابقه Jeopardy، توسعه ویژگی‌های خودران برای خودروها و پیاده‌سازی سیستم‌های مبتنی بر هوش مصنوعی برای تشخیص سرطان با دقت بالا بود.

یک نقطه عطف مهم در سال ۲۰۱۲ با معرفی الکس‌نت، یک شبکه عصبی پیچشی که پیشرفت چشمگیری در زمینه شناسایی تصویر داشت و استفاده از واحد پردازش گرافیکی (GPU) برای آموزش مدل‌های هوش مصنوعی را محبوب ساخت، به‌وجود آمد. در سال ۲۰۱۶، مدل آلفاگو گوگل دیپ‌مایند، قهرمان جهانی بازی گو، لی سیدول را شکست داد که توانایی هوش مصنوعی در تسلط بر بازی‌های استراتژیک پیچیده را به نمایش گذاشت. سال قبل از آن، OpenAI، یک آزمایشگاه تحقیقاتی، تأسیس شد که در نیمه دوم این دهه گام‌های مهمی در زمینه یادگیری تقویتی و پردازش زبان طبیعی برداشت.

دهه ۲۰۲۰

دهه کنونی تاکنون تحت سلطه هوش مصنوعی تولیدی بوده است، که می‌تواند محتواهای جدیدی بر اساس درخواست‌های کاربران ایجاد کند. این درخواست‌ها معمولاً به صورت متن هستند، اما می‌توانند شامل تصاویر، ویدئوها، نقشه‌های طراحی، موسیقی یا هر ورودی دیگری باشند که سیستم هوش مصنوعی قادر به پردازش آن باشد. خروجی این محتواها می‌تواند از مقالات و توضیحات حل مسائل تا تصاویر واقع‌گرایانه مبتنی بر عکس‌های یک فرد متغیر باشد.

در سال ۲۰۲۰، OpenAI نسخه سوم مدل زبان GPT خود را منتشر کرد، اما این فناوری تا سال ۲۰۲۲ به آگاهی گسترده‌تری نرسید. با انتشار عمومی ChatGPT در نوامبر همان سال، هیجان و تبلیغات به اوج خود رسید .

رقبای OpenAI به سرعت پس از انتشار ChatGPT با راه‌اندازی چت‌بات‌های رقابتی مدل زبان بزرگ (LLM) پاسخ دادند، مانند Claude از Anthropic و Gemini از Google. مولدهای صوتی و ویدیویی مانند ElevenLabs و Runway در سال‌های ۲۰۲۳ و ۲۰۲۴ به این روند پیوستند.

در کنار پیشرفت‌های چشمگیر هوش مصنوعی در حوزه‌های مختلف، یکی از زمینه‌هایی که به طور خاص تحت تاثیر این تکنولوژی قرار گرفته است، حوزه حقوق و وکالت است. در مقاله‌ای دیگر در مجله آماگ، به بررسی کاربردهای هوش مصنوعی در تسهیل فرایندهای حقوقی، جستجوی مستندات قانونی و حتی مشاوره حقوقی پرداخته شده است. این مقاله نشان می‌دهد که چگونه وکلا می‌توانند از ابزارهای هوش مصنوعی برای افزایش دقت و سرعت در ارائه خدمات خود استفاده کنند.

فناوری هوش مصنوعی تولیدی هنوز در مراحل ابتدایی خود است، با این حال، این تحولات هوش مصنوعی را به گونه‌ای جدید وارد گفتگوهای عمومی کرده است و به هیجان و نگرانی‌های مختلف منجر شده است.

نتیجه گیری

در پایان میتوان گفت که هوش مصنوعی در طول تاریخ پیشرفت‌های چشم‌گیری داشته و از ابتدایی‌ترین مدل‌ها تا به تکنولوژی‌های پیشرفته‌ای مانند مدل‌های زبان طبیعی، یادگیری عمیق و سیستم‌های مولد رسیده‌ایم. اگرچه هوش مصنوعی هنوز در برخی حوزه‌ها با چالش‌ها و محدودیت‌هایی مواجه است، همچنان یکی از مهم‌ترین و پرتوان‌ترین حوزه‌های علمی و صنعتی محسوب می‌شود که می‌تواند به حل مسائل پیچیده و بهبود کیفیت زندگی انسان‌ها کمک کند.

در مقالات بعدی سعی میکنم تا از کاربردهای دقیقتر این حوزه صحبت کنم.

منابع

• techtarget
• britannica
• ویکی پدیا