هوش مصنوعی (AI) در همه جنبه های زندگی ما نفوذ کرده است. از نحوه برقراری ارتباط تا نحوه کار، خرید، بازی و تجارت، ابزارهای هوش مصنوعی در هر کجا که نگاه کنیم وجود دارند.
در حال حاضر هوش مصنوعی مزایای تجاری ملموسی را تقریباً در هر صنعتی که می توانید نام ببرید ارائه می دهد. بدون شک فناوری موجود امروزه مانند ماشین حساب جیبی در یک دهه گذشته قدیمی به نظر می رسد. رایانه ها هوشمندتر، سریعتر و به طور فزاینده ای قادر به انجام وظایفی می شوند که به طور سنتی فقط توسط انسان ها قابل انجام است. مانند تصمیم گیری های پیچیده یا مشارکت در فکر خلاق. در اینجا خلاصه ای از برخی احتمالاتی آورده شده که ممکن است امروزه علمی تخیلی به نظر برسد، اما می تواند زودتر از آنچه فکر می کنید بخشی از واقعیت روزمره باشد!
راهی برای هوش مصنوعی عمومی (قوی)
اکثر برنامه های کاربردی هوش مصنوعی امروزه به عنوان هوش مصنوعی “باریک” یا “ضعیف” طبقه بندی می شوند. بدین معنی که در حالی که از جهاتی معیارهای کلی ما را برای هوش برآورده می کنند که مهمترین آنها توانایی یادگیری است، آنها معمولاً طراحی شده اند تا فقط وظیفه خاصی را انجام دهند. موجودات واقعاً هوشمند (“به طور طبیعی هوشمند”) برای هیچ وظیفه ای “طراحی” نشده اند بلکه تکامل یافته اند تا تعدادی از وظایف مورد نیاز خود را انجام دهند. “هوش مصنوعی عمومی” مربوط به توسعه ماشین های هوشمند است که می توانند به شیوه ای مشابه عمل کنند.
برنامه های هوش مصنوعی را که امروز در دسترس داریم باید بهبود بخشید. به عنوان مثال، Alexa آمازون از هوش مصنوعی برای درک آنچه ما می گوییم استفاده می کند. هر چند که میزان “هوشمندی” آن کم و بیش است، ولی وقتی دستورالعمل های ما را درک کرد، آنها را به طور کامل اجرا می کند.
با حرکت به سمت کاربردهای عمومی تر هوش مصنوعی، دستگاه های دستیار خانگی توانایی تفکر فعالانه را خواهند داشت. علاوه بر اینکه مکالمات با پیشرفت فناوری پردازش زبان طبیعی (NLP) بسیار فعالتر و روانتر می شوند، در پیش بینی آنچه ما نیاز داریم یا چگونه عمل می کنیم و اقدامی که برای تطبیق آن انجام می دهیم، بهتر می شود. این می تواند به معنای هر چیزی از سفارش خرید تا نظارت بر سلامتی ما، برنامه ریزی تعمیر و نگهداری خودرو در مواقع ضروری و تماس پلیس در صورت تشخیص مزاحم در خانه ما باشد. از همه مهمتر، اینکه هوش مصنوعی این کارها را انجام می دهد زیرا تشخیص می دهد این بهترین کاری است که در یک موقعیت خاص انجام می دهد، نه به این دلیل که به صراحت به آن دستور داده شده.
آینده ای با قدرت کوانتومی
قدرت محاسبه موتور هوش مصنوعی جهش های بزرگی در ده سال گذشته داشته. به طور خاص، تحقیقات در آغاز دهه گذشته به طور مستقیم منجر به بسیاری از تکنیک ها و برنامه های یادگیری عمیق شده است که امروزه بسیار مفید هستند.
محاسبه کوانتومی، همراه با دیگر قابلیت های پردازش سطح بعدی مانند محاسبات بیولوژیکی و نورومورفیک، احتمالاً امکانات بیشتری را نیز باز می کند.
محاسبه کوانتومی مطمئناً نمی تواند به سادگی توضیح داده شود، اما اساساً با مهار عجیب و تا حدی گیج کننده کار می کند! به دلیل وجود ذرات زیر اتمی در بیش از یک حالت به طور همزمان. اما برای هدف از این پیش بینی، کافی است که بدانید از لحاظ نظری قادر به تکمیل برخی از محاسبات تا 100 تریلیون برابر سریعتر از سریعترین کامپیوترهای امروزی هستند.
به منظور پیشرفت مداوم و هوشمندتر شدن، مدلهای یادگیری ماشین به ناچار بزرگتر می شوند. یکی از پیچیده ترین مدل های هوش مصنوعی امروزی GPT-3 OpenAI در حال حاضر دارای بیش از 175 میلیارد پارامتر مختلف در کد است. این امر مستلزم افزایش قدرت پردازشی است. علاوه بر این، قدرت پردازش بیشتر به این معنی است که ما می توانیم مقادیر بیشتری از داده های “مصنوعی” را برای اهداف آموزشی ایجاد کنیم و نیاز به جمع آوری داده های واقعی را برای الگوریتم های بسیاری از برنامه ها کاهش دهیم.
به عنوان یک مثال خوب، داده های مورد نیاز برای آموزش یک ماشین خودران را در نظر بگیرید. این الگوریتم ها برای یادگیری نحوه حرکت ایمن در جاده ها نیاز به صدها ساعت تجربه رانندگی دارند. قدرت پردازش بیشتر به این معنی است که می توان شبیه سازی دقیق تر و واقعی تری ایجاد کرد، بنابراین بیشتر این یادگیری را می توان در محیط های شبیه سازی شده انجام داد. این نه تنها ارزان تر و ایمن تر است، بلکه می تواند با سرعت بسیار زیادی انجام شود. هزاران ساعت رانندگی در زمان واقعی می تواند در مدت زمان بسیار کوتاهتری از زمان کارکرد کامپیوتر فشرده شود.
در حالی که محاسبات کوانتومی واقعاً مفید با برنامه های کاربردی خارج از تحقیقات تخصصی دانشگاهی ممکن است راهگشا نباشد، فناوریهای دیگری مانند محاسبات عصبی شکل در این بین موج ایجاد می کنند. هدف آنها شبیه سازی قابلیت های “ارتجاعی” مغز انسان برای سازگاری با پردازش اشکال جدید اطلاعات است. اینتل به تازگی از تراشه پردازشی Loihi خود که دارای بیش از دو میلیارد ترانزیستور است، رونمایی کرد که یکی از برنامه های کاربردی است که قادر است ده نوع مختلف مواد خطرناک را تنها با بو تشخیص دهد، سریعتر و دقیقتر از سگهای اسنایفر آموزش دیده.
هوش مصنوعی خلاق
این روزها می توانیم هنر، موسیقی، شعر و حتی کد رایانه ای را که توسط هوش مصنوعی ایجاد شده است، مشاهده کنیم. بیشتر اینها با توسعه مداوم هوش مصنوعی “مولد” (از جمله مدل GPT-3 که در بالا ذکر شد) امکان پذیر شده است. این اصطلاحی است که برای توصیف هوش مصنوعی زمانی مورد استفاده قرار می گیرد که وظیفه آن ایجاد داده های جدید است نه تجزیه و تحلیل و درک داده های موجود.
با هوش مصنوعی مولد، تجزیه و تحلیل و درک هنوز اولین قدم این فرایند است. سپس آنچه را که آموخته است می گیرد و از آن برای ساختن نمونه های بیشتری از مدل هایی که مورد مطالعه قرار داده است استفاده می کند. تاثیرگذارترین نتایج موجود امروزه معمولاً هنگامی به دست می آید که این کار از طریق یک مدل “خصومت آمیز” انجام شود. به طور موثر، دو هوش مصنوعی در مقابل یکدیگر قرار می گیرند. یکی وظیفه ایجاد چیزی بر اساس داده های موجود و دیگری وظیفه پیدا کردن اشکال در مدل جدید را دارد. هنگامی که این نقص ها کشف می شوند، شبکه خلاق (که به عنوان “ژنراتور” شناخته می شود) از اشتباهات خود درس می گیرد و در نهایت قادر به ایجاد داده هایی می شود که طرف مقابلش (شبکه “تبعیض آمیز”) تشخیص آن را با داده های موجود به طور فزاینده ای دشوار می کند.
در حالی که کامپیوترها می توانند به خودی خود شگفت انگیز باشند، قابلیت در توانایی ایجاد داده های مصنوعی است که می تواند برای آموزش ماشین های دیگر استفاده شود. به عنوان مثال، الگوریتم های تشخیص چهره متکی بر دسترسی به کتابخانه عظیمی از تصاویر چهره افراد برای یادگیری نحوه تشخیص افراد است، همانطور که اتومبیل های خودران برای یادگیری نحوه رانندگی به تجربه رانندگی زیادی احتیاج دارند. این توانایی برای ایجاد داده های مصنوعی ما را وارد عصری می کند که برنامه های کاربردی اصلی هوش مصنوعی تنها با عامل “wow” نیستند. ماشین ها کارهایی را انجام می دهند که قبلاً آنها را ندیده بودیم. در عوض، تمرکز بر کاربردهای واقعاً ارزشمند و مفید هوش مصنوعی خواهد بود که در جهت حل چالش های اصلی دنیای واقعی کار می کند.
هوش مصنوعی اخلاقی و پاسخگو
این به وضوح به آخرین، اما از جهاتی مهمترین راهی که در آن هوش مصنوعی تکامل می یابد منتهی می شود. در حال حاضر، بسیاری از عملکردهای داخلی هوش مصنوعی امروزی مبهم است. گاهی اوقات در الگوریتم های اختصاصی قفل می شود که به عنوان اسرار شرکتی تحت مراقبت جدی قرار می گیرند، در حالی که گاهی اوقات درک آن برای خیلی از ما بسیار پیچیده است.
در هر صورت، این منجر به یک مشکل مهم می شود. ما به طور فزاینده ای تصمیمات مهمی را می گیریم که می تواند زندگی مردم را تحت تأثیر ماشین هایی قرار دهد که ما آنها را کاملاً درک نمی کنیم. این پیامدهای بزرگی برای اعتماد دارد و اگر مردم به هوش مصنوعی اعتماد ندارند، بعید است که در مورد ایده تصمیم گیری به آن احساس خوبی داشته باشند، حتی اگر داده ها به وضوح نشان دهند که احتمالاً تصمیمات مناسب را می گیرد.
اگر قرار است هوش مصنوعی از پتانسیل خود استفاده کند، ماشینهای هوشمند در آینده نزدیک باید شفاف تر، قابل توضیح و پاسخگوتر از دستگاههایی باشند که ما در حال حاضر با آنها آشنا هستیم. مطمئناً برخی از افراد فرصت های نامحدودی را که هوش مصنوعی برای سودآوری ارائه می دهد مشاهده می کنند و وسوسه می شوند که درس بگیرند یا به سادگی دستورالعمل ها و توصیه های ارائه شده توسط چنین گروه هایی را نادیده بگیرند. بنابراین ما همچنین احتمالاً شاهد اعمال تغییرات قانونی و نظارتی هستیم تا احتمال آسیب احتمالی را به حداقل برسانیم. همه این راه حل ها، با همکاری یکدیگر، می توانند به اطمینان از بالقوه بودن هوش مصنوعی کمک کنند.
آیا تمایل به آشنایی با موقعیت شغلی مهندس داده دارید؟اکنون بیاموزید.
آیا تمایل به آشنایی با موقعیت شغلی دانشمند داده دارید؟اکنون بیاموزید.
آیا تمایل به آشنایی با موقعیت شغلی تحلیلگر داده دارید؟اکنون بیاموزید.
