از هوش مصنوعی محدود تا عمومی/ ماشینهایی که جا پای انسان گذاشتهاند
تاریخ انتشار: ۲۴ خرداد ۱۴۰۱ | کد خبر: ۳۵۲۲۷۵۹۰
گروه علم و پیشرفت خبرگزاری فارس؛ سال ۲۰۲۱ سالی بود که هوش مصنوعی از یک فناوری نوظهور به یک فناوری بالغ تبدیل شد که تأثیرات مثبت و منفی بر دنیای واقعی دارد. این فناوری شبیه سازی فرآیندهای هوش انسانی توسط ماشین ها به ویژه سیستم های کامپیوتری است. کاربردهای خاص این تکنولوژی شامل پردازش زبان طبیعی، تشخیص گفتار و چهره است.
بیشتر بخوانید:
اخباری که در وبسایت منتشر نمیشوند!
هوش مصنوعی (AI) چیست؟
در دهه ۱۹۵۰، مینسکی و مک کارتی پدران علم هوش مصنوعی، این فناوری را اینطور توصیف کردند: هرکار انجام شده توسط ماشین که قبلاً به هوش انسانی نیاز داشت. البته این تعریف نسبتا کلی است به همین دلیل است که گاهی اوقات بحث هایی در مورد اینکه آیا چیزی واقعاً هوش مصنوعی است یا خیر، وجود دارد.
فرانسوا شولت، محقق هوش مصنوعی در گوگل و خالق کتابخانه نرمافزار یادگیری ماشینی Keras، درباره این فناوری گفته: توانایی یک سیستم برای انطباق و بداههسازی در یک محیط جدید، تعمیم دانش و اعمال آن در سناریوهای ناآشنا.
این تعریفی است که براساس آن سیستمهای مجهز به هوش مصنوعی مدرن، مانند دستیارهای مجازی ساخته شدند. به طور معمول، این سیستمها حداقل برخی از رفتارهای مرتبط با هوش انسانی را نشان میدهند: برنامهریزی، یادگیری، استدلال، حل مسئله، بازنمایی دانش، ادراک، حرکت، تا حدی هوش اجتماعی و خلاقیت.
امروزه از این فناوری در همه جا استفاده می شود. از خرید آنلاین، دستور به دستیاران مجازی مانند الکسا و سیری، تشخیص اینکه چه کسی و چه چیزی در یک عکس است، شناسایی هرزنامه ها تا جلوگیری از کلاهبرداری.
این تکنولوژی را می توان به دو نوع کلی تقسیم کرد:
هوش مصنوعی محدود
این همان چیزی است که امروزه آن را در رایانه ها می بینیم. سیستم های هوشمندی که آموزش داده شده یا یاد گرفته اند که چگونه وظایف خاصی را بدون برنامه ریزی انجام دهند.
این نوع هوش ماشینی در تشخیص گفتار و زبان دستیار مجازی سیری در اپل، سیستمهای تشخیص بینایی در ماشینهای خودران، یا در موتورهای توصیهای که محصولات را براساس علاقه مشتری پیشنهاد می دهند، مشهود است. برخلاف انسانها، این سیستمها فقط میتوانند نحوه انجام وظایف تعریف شده یا چیزی که به آنها آموزش داده شده را یاد بگیرند و انجام دهند.
هوش مصنوعی عمومی
این بخش اما بسیار متفاوت و شبیه به هوش انسان است. نوعی هوش انعطافپذیر که میتواند یاد بگیرد چگونه وظایف بسیار متفاوتی را انجام دهد، از کوتاه کردن مو گرفته تا ساخت صفحات گسترده یا تحلیل موضوعات مختلف. ما این نوع از هوش مصنوعی را بیشتر در فیلم ها دیده ایم. البته کارشناسان هنوز روی اینکه این فناوری چه زمانی قرار است به واقعیت تبدیل و در زندگی روزمره استفاده شود، اختلاف نظر دارند.
تفسیر فیدهای ویدئویی از هواپیماهای بدون سرنشین که بازرسی بصری زیرساختها مانند خطوط لوله نفت را انجام میدهند، سازماندهی تقویم های شخصی و تجاری، پاسخگویی 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 شناسایی تومورها با استفاده از اشعه ایکس، شناسایی محتوای نامناسب آنلاین، تشخیص فرسودگی آسانسورها با استفاده از داده های جمع آوری شده توسط اینترنت اشیا، تولید یک مدل سه بعدی از جهان با کمک تصاویر ماهواره ای تنها نمونه هایی از محصولات این بخش از هوش مصنوعی است.
کاربردهای جدید این سیستم های یادگیری همیشه در حال پیشرفت هستند. طراح کارت گرافیک شرکت انویدیا اخیراً یک سیستم مبتنی بر هوش مصنوعی را معرفی کرده که به افراد امکان می دهد تقریباً بدون توجه به سرعت اینترنت، تماس های ویدئویی با کیفیت خوب برقرار کنند. البته گاهی جاه طلبی ها، در فناوری از واقعیت پیشی می گیرد. نمونهای از این موارد، خودروهای خودران هستند که توسط سیستمهای مجهز به هوش مصنوعی پشتیبانی میشوند.
هوش مصنوعی عمومی چه کاری می تواند انجام دهد؟
در نظرسنجی که در سال ۲۰۱۲ تا ۲۰۱۳ توسط وینسنت سی مولر و فیلسوف نیک بوستروم انجام شد، اعلام شد که ۵۰ درصد این فناوری بین سالهای ۲۰۴۰ تا ۲۰۵۰ توسعه می یابد و تا سال ۲۰۷۵ به ۹۰ درصد افزایش خواهد یافت.
با این حال، ارزیابی های اخیر توسط کارشناسان این حوزه محتاطانه تر است. پیشگامان در زمینه تحقیقات مدرن مانند جفری هینتون، دمیس حسابیس و یان لیکون می گویند که جامعه به هیچ وجه به توسعه اینو نوع از هوش مصنوعی نزدیک نیست. با این حال، برخی از کارشناسان معتقدند با توجه به درک محدود ما از مغز انسان، چنین پیشبینیهایی بسیار خوشبینانه است و می گویند که ما با رسیدن به هوش مصنوعی عمومی قرنها فاصله داریم.
نقاط عطف در توسعه این فناوری
در حالی که هوش مصنوعی محدود ممکن است فقط برای انجام وظایف خاص باشد، اما این سیستمها گاهی اوقات قادر به عملکرد مافوق بشری هستند، حتی در برخی موارد خلاقیت برتر که یک ویژگی انسانی است را نشان می دهند.
در سال ۲۰۰۹ گوگل نشان داد تویوتا پریوس خودران می تواند بیش از ۱۰ سفر به طول ۱۰۰ مایل را طی کند و جامعه را در مسیری به سمت وسایل نقلیه بدون راننده ببرد.
در سال ۲۰۱۱، سیستم کامپیوتری IBM Watson با برنده شدن در مسابقه آمریکایی Jeopardy، با شکست دادن دو نفر از بهترین بازیکنان، به تیتر خبرهای جهانی تبدیل شد. برای برنده شدن در این مسابقه، واتسون از پردازش و تجزیه و تحلیل زبان طبیعی روی مخازن وسیعی از داده ها استفاده کرد که برای پاسخ به سوالات انسان، اغلب در کسری از ثانیه، پردازش می شوند.
در سال ۲۰۱۲، پیشرفت دیگری از پتانسیل هوش مصنوعی برای مقابله با بسیاری از وظایف جدید به وجود آمد که قبلاً برای هر ماشینی بیش از حد پیچیده تصور می شد. در آن سال، سیستم الکس نت به طور قاطع در چالش تشخیص تصویری در مقیاس بزرگ ImageNet پیروز شد. دقت این فناوری به حدی بود که میزان خطا را در مقایسه با سیستم های رقیب در مسابقه تشخیص تصویر به نصف کاهش داد.
نمایش بعدی کارآمدی سیستمهای یادگیری ماشینی که توجه عموم را به خود جلب کرد، پیروزی Google DeepMind AlphaGo در سال ۲۰۱۶ بر یک استاد بزرگ بازی «گو» Go بود. پیچیدگی های این بازی چین باستان برای دههها کامپیوترها را تحت تأثیر قرار داد. بازی گو حدود ۲۰۰ حرکت در هر نوبت دارد. در طول این بازی حرکات احتمالی زیادی وجود دارد که جستجو برای شناسایی آنها از نظر محاسباتی بسیار پرهزینه است. آلفاگو با انجام حرکاتی که توسط متخصصان انسانی در ۳۰ میلیون بازی انجام میشود، آموزش دید چگونه بازی کند. برای آموزش به این شبکههای یادگیری عمیق زمان زیادی صرف می شود و نیاز به دریافت مقادیر زیادی از دادهها و تکرار آنها است.
با این حال، اخیراً، گوگل فرآیند آموزش را با AlphaGo Zero اصلاح کرد. این پلتفرم، سیستمی است که بازیهای کاملاً تصادفی را علیه خودش انجام میدهد و سپس از آنها یاد میگیرد. دمیس حسابیس، مدیرعامل گوگل دیپ مایند نیز از نسخه جدیدی از این سیستم رونمایی کرده که در بازی های شطرنج و شوگی تسلط دارد. سیستمی که توسط OpenAI آموزش دیده، بازیکنان برتر جهان را در مسابقات چند نفره آنلاین Dota ۲ شکست داده است.
سال ۲۰۲۰ سالی بود که در آن یک سیستم هوش مصنوعی ظاهراً این توانایی را به دست آورد که تقریباً در مورد هر موضوعی که فکرش را بکنید، مانند یک انسان بنویسد و صحبت کند. سیستم مورد بحث که با نام Generative Pre-trained Transformer ۳ یا GPT-۳ شناخته می شود، یک شبکه عصبی است که برای کار روی میلیاردها مقاله انگلیسی زبان موجود در اینترنت آموزش دیده است.
مدت کوتاهی پس از اینکه این سیستم توسط سازمان غیرانتفاعی OpenAI برای آزمایش در دسترس قرار گرفت، اینترنت پر از مقاله های این پلتفرم در هر موضوعی شد. در حالی که بسیاری از مقالات تولید شده توسط GPT-3 شبیه به نسخه انسانی بود، آزمایشات بیشتر نشان داد که جملات نوشته شده اغلب به نتیجه نمی رسند و عبارات سطحی قابل قبول اما گیج کننده و همچنین گاهی اوقات نامفهوم در مقالات وجود دارد.
شاید بارزترین نمونه از پتانسیل هوش مصنوعی مربوط به اواخر سال ۲۰۲۰ باشد. زمانی که شبکه عصبی AlphaFold ۲ نتیجهای را که برخی آن را شایسته دریافت جایزه نوبل شیمی میدانستند،نشان داد. توانایی این سیستم برای نگاه کردن به بلوکهای سازنده پروتئین، معروف به اسیدهای آمینه و استخراج ساختار سهبعدی آن، میتواند بر سرعت درک بیماریها و توسعه داروها تأثیر بگذارد.
برخلاف کریستالوگرافی که ماه ها طول می کشد تا نتایج را نشان دهد، AlphaFold 2 می تواند پروتئین ها را تنها در چند ساعت مدل سازی کند. باتوجه به اینکه ساختار سه بعدی پروتئین ها نقش مهمی در زیست شناسی و شناخت بیماری های انسان ایفا می کند، چنین سرعت بخشی به عنوان یک پیشرفت مهم برای علم پزشکی اعلام شده است.
یادگیری ماشینی چیست؟
عملاً تمام دستاوردهایی که تاکنون ذکر شد، از یادگیری ماشینی، که اکثریت عظیمی از دستاوردهای این حوزه در سالهای اخیر را تشکیل میدهد، سرچشمه میگیرد. وقتی امروزه مردم در مورد هوش مصنوعی صحبت می کنند، به طور کلی در مورد این فناوری نیز بحث می کنند.
یادگیری ماشینی جایی است که یک سیستم کامپیوتری به جای اینکه برای انجام کاری برنامه ریزی شود، یاد می گیرد که چگونه یک کار را انجام دهد. این توصیف از یادگیری ماشینی به سال ۱۹۵۹ و زمانی که توسط آرتور ساموئل، یکی از پیشگامان این حوزه که یکی از اولین سیستم های خودآموز جهان را توسعه داد، بر می گردد.
به این سیستم ها حجم عظیمی از داده ها داده می شود که سپس از آنها برای یادگیری نحوه انجام یک کار خاص، مانند درک گفتار یا نوشتن شرح عکس استفاده می کنند. کیفیت و اندازه این مجموعه داده برای ساختن سیستمی که بتواند وظایف تعیین شده خود را با دقت انجام دهد، مهم است. به عنوان مثال، اگر در حال ساختن یک سیستم یادگیری ماشینی برای پیشبینی قیمت خانه هستید، دادههای آموزشی باید علاوه بر اندازه ملک، سایر عوامل برجسته مانند تعداد اتاق خواب یا اندازه باغ را نیز شامل شود.
انتهای پیام/
منبع: فارس
کلیدواژه: فناوری انسان هوش مصنوعی تکنولوژی یادگیری ماشینی هوش مصنوعی سیستم ها داده ها انجام دهد هوش انسان یک سیستم
درخواست حذف خبر:
«خبربان» یک خبرخوان هوشمند و خودکار است و این خبر را بهطور اتوماتیک از وبسایت www.farsnews.ir دریافت کردهاست، لذا منبع این خبر، وبسایت «فارس» بوده و سایت «خبربان» مسئولیتی در قبال محتوای آن ندارد. چنانچه درخواست حذف این خبر را دارید، کد ۳۵۲۲۷۵۹۰ را به همراه موضوع به شماره ۱۰۰۰۱۵۷۰ پیامک فرمایید. لطفاً در صورتیکه در مورد این خبر، نظر یا سئوالی دارید، با منبع خبر (اینجا) ارتباط برقرار نمایید.
با استناد به ماده ۷۴ قانون تجارت الکترونیک مصوب ۱۳۸۲/۱۰/۱۷ مجلس شورای اسلامی و با عنایت به اینکه سایت «خبربان» مصداق بستر مبادلات الکترونیکی متنی، صوتی و تصویر است، مسئولیت نقض حقوق تصریح شده مولفان در قانون فوق از قبیل تکثیر، اجرا و توزیع و یا هر گونه محتوی خلاف قوانین کشور ایران بر عهده منبع خبر و کاربران است.
خبر بعدی:
هوش مصنوعی چگونه به معماران و طراحان کمک میکند؟
هوش مصنوعی تغییرات چشمگیری در روند کار متخصصان تمام رشتهها ایجاد کرده است و معماری و طراحی شهری نیز از این قائده مستثنی نیست.
به گزارش سرویس ترجمه خبرگزاری ایمنا، پس از معرفی فناوریهای هوش مصنوعی، بسیاری از مردم نگرانی خود را در مورد تاثیرات منفی این فناوری اعلام کردند، با این وجود نتایج ارزندهای که این فناوریها در بهبود کارایی فعالیتهای مختلف ایجاد کرده است غیرقابلانکار است. به نظر میرسد که هوش مصنوعی تغییرات چشمگیری در روند کار متخصصان هر رشته ایجاد خواهد کرد و میتواند به عنوان ابزاری متفاوت برای انواع مشاغل از جمله معماران و طراحان شهری باشد. برنامهها و پلتفرمهای زیادی در این زمینه وجود دارد که نه برای جایگزینی، بلکه برای کمک به انجام وظایف تکراری و تجسم ایدهها و رسیدگی به مجموعه دادههای بزرگ، توسعه مییابند تا مبنایی برای فرآیند تصمیمگیری معماران ایجاد کنند.
کوتاه کردن زمان بین ایده و تجسماولین ابزارهای هوش مصنوعی که توسط معماران و طراحان مورد استفاده قرار گرفت، موتورهای تولید تصویر مانند DALL-E، Midjourney و Stable Diffusion هستند که پیامهای متنی را به تصویر تبدیل میکنند. طراحان به کمک این ابزار، میتوانند از تصویرسازی مبتنی بر زبان استفاده کنند که نتیجه آن تست سریع ایدهها و کاهش سطح دانش مورد نیاز برای طراحی است.
طوفان فکری با ابزارهای مولد طراحی فضاابزارهای هوش مصنوعی مولد میتوانند از یادگیری ماشینی برای کمک به آزمایش و ایجاد طرحها و نمایشهای بصری فضاها با پیروی از مجموعه معیارهای ورودی استفاده کنند. فناوری جدید میتواند با تکیه بر ابزارهای گسترده برای طراحی به کمک رایانه (CAD)، به بهینهسازی فضاها، تهیه نقشههای دوبعدی و سهبعدی و بهبود گردش کار کمک کند. برای مثال، Hypar یک پلتفرم مبتنی بر ابر است که به تحلیل و شبیهسازی طرح اولیه ساختمانها سرعت و سهولت میبخشد. Ark AI طراحی شماتیک و مطالعات تناسب ساختمان را به صورت خودکار انجام میدهد و همچنین با انجام مطالعات امکانسنجی مطابق با کد، طرحهای پیشنهادی را بهینهسازی میکند. Planner 5D یک ربات گفتگو است که به طراحان کمک میکند تا با استفاده از فناوریهای هوش مصنوعی (AI)، واقعیت افزوده (AR) و واقعیت مجازی (VR) به تجسم بهتری از فضای داخلی دست پیدا کنند و طراحی داخلی را به صورت بهینه انجام دهند.
یکی دیگر از پلتفرمهای مورد استفاده در حوزه معماری، Architechtures است که از یادگیری ماشین برای طراحی ساختمانهای مبتنی بر هوش مصنوعی استفاده میکند، تعامل مستقیم با نتایج تولید شده را سرعت میبخشد و امکان ارزیابی ریسک برای ساختمانهای موجود را به صورت دقیقتر فراهم میکند.
ارزیابی ریسک برای ساختمانهای موجودمحققان در حال توسعه فناوریهایی مشابه تشخیص چهره هستند تا از آن برای شناسایی و ارزیابی آسیبهای ساختاری استفاده کنند، زیرا ارزیابیهای کارآمد و دقیق ساختمانهای موجود، زمینه را برای پروژههای مرمت و استفاده مجدد تطبیقی فراهم میکند. برای شناسایی ترکها و عیوب در عناصر ساختمان از یک دوربین عمقی استریو و یک شبکه به اصطلاح عصبی استفاده میکنند، سپس یک بازوی رباتیک را هدایت میکنند تا عیوب پیداشده را با یک اسکنر لیزری اسکن و یک مدل سهبعدی برای آن ایجاد کند. این فناوری، کارایی ارزیابی ریسک را افزایش، حجم فعالیت انسانی را کاهش و دادههای دقیقتری را برای تصمیمگیریهای مربوط به تعمیر و نگهداری ساختمان ارائه میدهد.
این سیستم میتواند علاوه بر معماری، برای ارزیابی یکپارچگی زیرساختها مانند پلها، تونلها یا سدها نیز مورد استفاده قرار گیرد و با تشخیص بهموقع از خطرات احتمالی جلوگیری کند.
برنامهریزی شهریسیستمهای هوش مصنوعی مهارت بسیاری در کمک به حوزههایی دارند که باید ورودی ابردادهها را مدیریت کنند که از این جمله میتوان به برنامهریزی شهری اشاره کرد. فناوریهایی مانند سیستمهای برنامهریزی شهری مبتنی بر هوش مصنوعی مانند Urban Insights و دوقلوهای دیجیتال، نمونهسازی سریع و شبیهسازی مناظر شهری را امکانپذیر میکنند و فرایندهای تصمیمگیری را ارتقا میبخشند. هوش مصنوعی همچنین برای سازگاری با شرایط اقلیمی مورد استفاده قرار میگیرد و با ابزارهای گوناگون پوشش درختی مناطق مختلف را ارزیابی و از این طریق به برنامههای مربوط به کاهش امواج گرمای شدید کمک میکند.
علاوه بر این، نقشهبرداری هوایی مبتنی بر هوش مصنوعی با شناسایی کارآمد سکونتگاههای غیررسمی، برنامهریزی زیرساخت را تسهیل میکند. همچنین هوش مصنوعی مشارکت جامعه را از طریق برنامههای کاربردی واقعیت افزوده (AR) و واقعیت مجازی (VR) و سیستمهای مدیریت هوشمند ترافیک تقویت میکند و کیفیت فرایندهای برنامهریزی مشارکتی را ارتقا میدهد. این فناوری برای ارزیابی و ارتقای ایمنی شهری نیز استفاده میشود و چندین برنامه کاربردی به طور خاص بر ایمنی شهری برای زنان متمرکز شدهاند.
تغییر محیط کاریمعماران شروع به ادغام هوش مصنوعی در طراحی محلهای کار کردهاند و از این فناوری برای شخصیسازی فضای کاری کارمندان بر اساس نیازها و ترجیحات فردی آنها استفاده میکنند. ابزارهای هوش مصنوعی گزینههای طراحی داخلی متعددی را در زمانی بسیار کوتاهتر از طراحی دستی ایجاد میکنند و نمونهسازی سریع بر اساس شرایط محیطی و حرکت انسان را تسهیل میکنند. آنها از مجموعه دادههای وسیع برای بهینهسازی طرحها و امکانات رفاهی ساختمان استفاده میکنند و همین امرنگرانیهایی را در مورد حفظ حریم خصوصی و استفاده از دادهها ایجاد کرده است.
کد خبر 749571