تاریخچه مختصری از هوش مصنوعی/ چگونه به اینجا رسیدیم و به کجا می‌رویم؟

خبرگزاری علم و فناوری آنا؛ با هیاهوی فعلی هوش مصنوعی به راحتی می‌توان فهمید که این فناوری یکی از نوآوری‌های آینده‌دار قرن اخیر است. در واقع، هوش مصنوعی بیش از ۷۰ سال است که به این شکل وجود داشته، از این رو بررسی مسیری که هوش مصنوعی در این سال‌ها طی کرده است می‌تواند به درک نسل فعلی ابزار‌های هوش مصنوعی و آینده این فناوری کمک کند.

هر نسل از ابزار‌های هوش مصنوعی را می‌توان به‌عنوان یک پیشرفت نسبت به ابزار‌های قبلی در نظر گرفت، اما هیچ‌کدام از این ابزار‌ها به سمت هوشیاری و اگاهی کامل پیش نمی‌روند.

آلن تورینگ، ریاضیدان و دانشمند رایانه، سال ۱۹۵۰ مقاله‌ای را با این جمله آغازین منتشر کرد: پیشنهاد می‌کنم این سوال را در نظر بگیرید که آیا ماشین‌ها می‌توانند فکر کنند؟ او در ادامه چیزی به نام بازی تقلید را پیشنهاد می‌کند که امروزه معمولاً «تست تورینگ» نامیده می‌شود، که در آن ماشینی هوشمند در نظر گرفته می‌شود که در یک مکالمه کور از یک انسان قابل تشخیص نباشد.

پنج سال بعد، نخستین استفاده منتشر شده از عبارت هوش مصنوعی در یک پیشنهاد برای پروژه تحقیقاتی تابستانی دانشگاه دارتموث در مورد هوش مصنوعی منتشر شد.

همان ابتدا و از دهه ۱۹۶۰ به بعد شاخه‌ای از هوش مصنوعی به نام سیستم‌های خبره توسعه یافت. این سیستم‌ها برای جذب تخصص انسانی در حوزه‌های تخصصی طراحی شدند. آنها از بازنمایی صریح دانش استفاده کردند و بنابراین نمونه‌ای از آنچه که هوش مصنوعی نمادین نامیده می‌شود بودند؛ و توانستند موفقیت‌های اولیه بسیاری از جمله سیستم‌هایی برای شناسایی مولکول‌های آلی، تشخیص عفونت‌های خونی و جستجوی مواد معدنی کسب کنند. یکی از چشم‌نوازترین نمونه‌ها، سیستمی به نام «آر ۱» (R ۱) بود که در سال ۱۹۸۲، با طراحی پیکربندی‌های کارآمد از سیستم‌های مینی کامپیوتری شرکت تجهیزات دیجیتال، سالانه ۲۵ میلیون دلار صرفه‌جویی می‌کرد.

مزیت کلیدی این سیستم‌ها این بود که یک متخصص حوزه بدون هیچ گونه تخصص برنامه نویسی می‌تواند پایه دانش کامپیوتر را بسازد و حفظ کند. سپس یک جزء نرم‌افزاری که به عنوان موتور استنتاج شناخته می‌شود، آن دانش را برای حل مسائل جدید در حوزه موضوعی با دنباله‌ای از شواهد که شکلی از توضیح را ارائه می‌دهد، به کار برد.

این سیستم‌ها در دهه ۱۹۸۰ مورد توجه قرار گرفتند و سازمان‌ها به ساخت سیستم‌های خبره خود علاقه‌مند بودند، که امروز هم همچنان بخش مفیدی از هوش مصنوعی هستند.

ورود به عصر یادگیری ماشین

مغز انسان شامل حدود ۱۰۰ میلیارد سلول عصبی یا نورون است که توسط یک ساختار دندریتی (شاخه‌ای) به هم مرتبط هستند. بنابراین، در حالی که هدف سیستم‌های خبره مدل‌سازی دانش بشری بود، حوزه جداگانه‌ای به نام پیوندگرایی نیز در حال ظهور بود که هدف آن مدل‌سازی مغز انسان به روشی واقعی‌تر بود. در سال ۱۹۴۳، دو محقق به نام‌های «وارن مک‌کالوچ» و «والتر پیتس» یک مدل ریاضی برای نورون‌ها تولید کردند که به موجب آن، هر کدام بسته به ورودی‌های خود یک خروجی دودویی تولید می‌کردند.

یکی از اولین پیاده‌سازی‌های رایانه‌ای از نورون‌های متصل توسط «برنارد ویدرو» و «تد هاف» در سال ۱۹۶۰ توسعه یافت. چنین پیشرفت‌هایی جالب بود، اما تا زمان توسعه الگوریتم یادگیری برای یک مدل نرم‌افزاری به نام پرسپترون چند لایه یا «ام ال پی» (MLP) در سال ۱۹۸۶ کاربرد عملی محدودی داشت.

«ام ال پی» آرایشی از سه یا چهار لایه از نورون‌های شبیه‌سازی شده ساده است که در آن هر لایه کاملاً با لایه بعدی مرتبط است. الگوریتم یادگیری برای «ام ال پی» یک پیشرفت بود. این نخستین ابزار عملی را فعال می‌کند که می‌تواند از مجموعه‌ای از مثال‌ها (داده‌های آموزشی) یاد بگیرد و سپس آنها را تعمیم دهد تا بتواند داده‌های ورودی قبلا دیده نشده (داده‌های آزمایشی) را طبقه بندی کند.

«ام ال پی» این موفقیت را با ضمیمه کردن وزن‌های عددی روی اتصالات بین نورون‌ها و تنظیم آنها برای بدست آوردن بهترین طبقه‌بندی با داده‌های آموزشی، پیش از استفاده برای طبقه‌بندی نمونه‌های دیده نشده قبلی، به دست آورد.

«ام ال پی» می‌تواند طیف وسیعی از کاربرد‌های عملی را انجام دهد، مشروط بر اینکه داده‌ها در قالبی ارائه شوند که بتواند از آن استفاده کند. یک مثال کلاسیک، تشخیص کاراکتر‌های دست‌نویس بود، اما تنها در صورتی می‌توانست ویژگی‌های کلیدی را انتخاب کند که تصاویر از قبل پردازش شده باشند.

مدل‌های جدیدتر هوش مصنوعی

پس از موفقیت «ام ال پی»، اشکال جایگزین متعددی از شبکه عصبی شروع به ظهور کردند. یکی از موارد مهم شبکه عصبی کانولوشنال یا شبکه عصبی پیچشی (CNN) در سال ۱۹۹۸ بود که به غیر از لایه‌های نورون اضافی آن برای شناسایی ویژگی‌های کلیدی یک تصویر، مشابه یک «ام ال پی» بود و در نتیجه نیاز به پیش پردازش را از بین برد.

هر دو مدل هوش مصنوعی «ام ال پی» و شبکه عصبی پیچشیمدل‌های تبعیض‌آمیز بودند، به این معنی که آنها می‌توانستند تصمیم بگیرند و ورودی‌های خود را برای تولید تفسیر، تشخیص، پیش‌بینی یا توصیه طبقه‌بندی می‌کنند. در همین حال، مدل‌های شبکه عصبی دیگری در حال توسعه بودند که مولد بودند، به این معنی که می‌توانستند پس از آموزش بر روی تعداد زیادی از نمونه‌های قبلی، چیز جدیدی ایجاد کنند.

شبکه‌های عصبی مولد می‌توانند متن، تصویر یا موسیقی تولید کنند و همچنین توالی‌های جدیدی را برای کمک به اکتشافات علمی تولید کنند

دو مدل از شبکه‌های عصبی مولد برجسته شده‌اند: شبکه‌های مولد تخاصمی (GAN) و شبکه‌های ترانسفورماتور. شبکه‌های مولد تخاصمی به نتایج خوبی دست می‌یابند، زیرا تا حدی متخاصم هستند، که می‌توان آن را به عنوان یک منتقد داخلی در نظر گرفت که کیفیت بهبود یافته را از مولفه مولد می‌طلبد.

شبکه‌های ترانسفورماتور از طریق مدل‌هایی مانند «جی پی تی ۴» (GPT ۴) و نسخه مبتنی بر متن آن یعنی چت جی‌پی‌تی (ChatGPT)، برجسته شده‌اند. این مدل‌های زبان بزرگ (LLM) بر روی مجموعه داده‌های عظیمی که از اینترنت گرفته شده‌اند، آموزش دیده‌اند. بازخورد انسان از طریق به اصطلاح یادگیری تقویتی، عملکرد آنها را بیشتر بهبود می‌بخشد.

علاوه بر تولید یک قابلیت تولیدی چشمگیر، مجموعه آموزشی گسترده به این معنی است که چنین شبکه‌هایی دیگر مانند شبکه‌های قبلی خود به حوزه‌های تخصصی محدود نمی‌شوند، بلکه اکنون برای پوشش هر موضوعی تعمیم داده شده‌اند.

هوش مصنوعی به کجا می‌رود؟

قابلیت‌های مدل‌های زبان بزرگ منجر به پیش‌بینی‌های وحشتناکی از تسخیر هوش مصنوعی در جهان شده است. به نظر  چنین ترس و وحشتی غیر قابل توجیه است. اگرچه مدل‌های کنونی ظاهراً قوی‌تر از مدل‌های قبلی خود هستند، اما مسیر به جای هر شکلی از آگاهی به سمت ظرفیت، قابلیت اطمینان و دقت بیشتر باقی می‌ماند.

همانطور که پروفسور مایکل وولدریج در مجلس اعیان پارلمان بریتانیا در سال ۲۰۱۷ اظهار داشت: «رویای هالیوود در مورد ماشین‌های آگاه و هوشمند قریب الوقوع نیست و در واقع من هیچ راهی نمی‌بینم که ما را به آنجا برساند.» به طوری که پس از گذشت هفت سال، ارزیابی او همچنان صادق است.

کاربرد‌های بالقوه مثبت و هیجان انگیز زیادی برای هوش مصنوعی وجود دارد، اما نگاهی به تاریخچه نشان می‌دهد که یادگیری ماشین تنها ابزار نیست. هوش مصنوعی نمادین همچنان نقش دارد، زیرا اجازه می‌دهد حقایق شناخته شود و در درک و دیدگاه‌های انسانی گنجانده شود.

به عنوان مثال، یک خودروی بدون راننده، می‌تواند با قوانین جاده‌ای ارائه شود نه اینکه آنها را با مثال یاد بگیرد. یک سیستم تشخیص پزشکی را می‌توان در برابر دانش پزشکی برای تأیید و توضیح خروجی‌های یک سیستم یادگیری ماشین بررسی کرد.

دانش اجتماعی را می‌توان برای فیلتر کردن خروجی‌های توهین آمیز یا مغرضانه به کار برد. آینده روشن است و شامل استفاده از طیف وسیعی از تکنیک‌های هوش مصنوعی خواهد بود.