هوش مصنوعی چیست و چگونه وارد زندگی مان شد؟
شاید هوش مصنوعی هنوز مثل فیلم و رمانهای تخیلی ضمیر خودآگاه نداشته باشد، اما حداقل به برهم زدن تصور ما از آنچه ازهوش مصنوعی انتظار داریم نزدیک است.
در اوت ۱۹۵۵ گروهی از دانشجویان برای برگزاری کارگاهی در دانشگاه دارموث واقع در نیوهمشایر درخواست ۱۳ هزار و ۵۰۰ دلار اعتبار کردند. حوزه پیشنهادی آنها هوش مصنوعی (AI) بود.
با اینکه آنها درخواست خود را دست پایین گرفته بودند,، اما برآورد محققان اینطور نبود. «هر جنبه یادگیری یا دیگر ویژگیهای هوش طوری دقیق قابل توصیف است که برای شبیه سازی آن میتوان دستگاهی طراحی کرد.»
از زمان این شروع فروتنانه فیلمها و رسانه هوش مصنوعی را به عنوان شخصیتی شرور یا رمانتیک به تصویر کشیده اند. اما هوش مصنوعی همچنان موضوع بحث خیلی از افرادی است که آن را به عنوان یک تجربه زنده و آگاهانه قبول ندارند.
هوش مصنوعی وارد زندگی مان شد
اواخر ماه گذشته ای. آی درقالب چت جی. پی. تی از داستانهای علمی تخیلی و آزمایشگاهای تحقیقاتی قدم به دسکتاپ و تلفنهای مردم گذاشت. این پدیده به عنوان " هوش مصنوعی مولد" شناخته میشد. با یک پیام هوشمندانه میتواند مقاله بنویسد یا لیست خرید سرهم کند یا ترانهای به سبک الویس پریسلی بنویسد.
با اینکه چت جی. پی. تی نقش عظیمی در موفقیت هوش مصنوعی مولد داشت، سیستمهای مشابه هم قابلیت زیادی برای تولید محتوا از خود نشان دادند. مثل دستور تبدیل متن به عکس که توانست با تولید عکسهای پویا برنده مسابقات هنری هم بشود.
شاید هوش مصنوعی هنوز مثل فیلم و رمانهای تخیلی ضمیر خودآگاه نداشته باشد، اما حداقل به برهم زدن تصور ما از آنچه ازهوش مصنوعی انتظار داریم نزدیک است.
محققانی که پیوند کاری تنگاتنگی با این سامانهها دارند تحت تاثیر ایده ضمیر خودآگاه این سیستمها قرار گرفتند، مانند مدل زبان بزرگ گوگل ال. ای. ام. دی.ای ((LLM. ال. ال. ام برای پردازش و تولید زبان طبیعی تعلیم یافته. همچنین این نگرانی وجود دارد که هوش مصنوعی مولد بتواند سرقت ادبی کند، از محتوای اولیه که برای تولید مدل استفاده شده بهره برداری کند از اعتمادی که به آن شده سوء استفاده کند و اطلاعات را دستکاری کند و حتی باعث " پایان برنامه نویسی"
با تمامی این اتفاقات سوالی که از زمان برگزاری کارگاه تابستانی دارتموث ذهن همه را به خود مشغول کرده این است: هوش مصنوعی با هوش انسان چه تفاوتی دارد؟
AI یعنی چه؟
از یک سیستم زمانی به عنوان هوش مصنوعی یاد میشود که بتواند سطحی از یادگیری و سازگاری را از خود نشان دهد. به همین دلیل سیستمهای تصمیم گیری، خود کاری سازی و آماری ای. آی به حساب نمیآیند. به طور کلی هوش مصنوعی در دو دسته تعریف میشود: هوش مصنوعی تخصصی (ANI) و هوش مصنوعی کلی (AGI). در حال حاضر هوش مصنوعی کلی (AGI) وجود ندارد.
چالش اصلی برای خلق هوش مصنوعی کلی، مدل سازی جهان با تمام اطلاعات موجود به شیوهای سازگار و مفید است. حداقل چیزی که میتوان گفت این است که این کار بسیار طاقت فرساست.
بیشتر هوشهای مصنوعی موجود از هوش مصنوعی تخصصی استفاده میکنند، روشی که در آن یک سیستم خاص به یک مشکل خاص میپردازد. بر خلاف هوش انسان، هوش مصنوعی تخصصی فقط در زمینهای که تعلیم دیده موثر است. مانند کشف تقلب، تشخیص چهره یا توصیههای اجتماعی.
اما هوش مصنوعی کلی (AGI) مانند انسان عمل میکند. در حال حاضراز بارزترین تلاشها برای دست یابی به چنین چیزی میتوان به استفاده از شبکههای عصبی و تعلیم انبوه وسیعی از دادهها به روش "یادگیری عمیق" اشاره کرد.
شبکههای عصبی از روش کار مغز انسان الگو برداری میکنند. برخلاف مدلهای یادگیری ماشینی که روی دادههای آموزشی محاسبات انجام میشود، شبکههای عصبی با تغذیه یک به یک هر نقطه داده از طریق یک شبکه به هم پیوسته کار میکنند و هر بار پارامترها را تنظیم میکند. هرچه اطلاعات بیشتری وارد سیستم شود این پارامترها متعادلتر میشوند ودر نهایت ما به سیستم عصبی "تعلیم داده شده"ای دست مییابیم که میتواند نتیجه دلخواه را روی دادههای جدید تولید کند. مثل تشخیص این که آیا عکس حاوی یک سگ یا گربه است.
پیشرفت چشمگیری که امروزه در زمینه هوش مصنوعی شاهد آن هستیم، حاصل پیشرفت فناوری در زمینه تعلیم شبکههای عصبی بزرگ و تنظیم تعداد زیادی از پارامترها به لطف قابلیتهای زیرساختهای بزرگ ابری است.
برای مثال، جی. پی. تی-۳ (هوش مصنوعی موجود در چت جی. پی. تی) شبکه عصبی بزرگی با ۱۷۵ میلیارد پارامتر است.
هوش مصنوعی در چه زمینهای باید بهبود پیدا کند؟
هوش مصنوعی به سه چیز برای موفقیت نیاز دارد. ابتدا به مقدار زیادی اطلاعات با کیفیت و بی طرفانه نیاز است. محققان سازنده شبکههای عصبی از مجموعه اطلاعات عظیمی که با دیجیتالی شدن جوامع به وجود آمده استفاده میکنند. کمک خلبان (CO-PILOT) برای بهبود برنامه نویسی انسانی اطلاعات خود را از میلیاردها خط کد موجود در سایت گیت هاب دریافت میکند. چت جی. پی. تی و دیگر مدلهای زبانی موجود از میلیاردها وبسایت و اسناد ذخیره شده آنلاین اتفاده میکنند.
ابزارهای تبدیل متن به عکس مانند استیبل دیفیوشن (Stable Diffusion) دالی-۲ (DALLE-۲) و میدجورنی (Midjourney) از جفتهای تصویر متن مجموعه دادههایی مانند لیان-۵بی (LAION-۵ B) استفاده میکنند.
با دیجیتال شدن هرچه بیشتر زندگی ما و دسترسی مدلهای هوش مصنوعی به منابع اطلاعاتی بیشتر مانند دادههای شبیه سازی شده یا دادههای تنظیمات بازی مانند ماینکرفت، پیشرفت و تآثیرگذاری آنها بیشتر خواهد شد.
هوش مصنوعی برای آموزش مناسب به زیرساخت یارانشی مناسب هم نیاز دارد. با قدرتمند شدن کامپیوترها بعید نیست در آینده نزدیک، مدلهایی که به تلاش زیاد و محاسبات سنگین نیاز داشتند، در کامپیوترهای خانگی سامان یابند. برای مثال توضیع پایدار دیگر به محیط ابری نیاز ندارد و روی کامپیوترهای شخصی اجرا میشود.
سومین مورد مدل و الگوریتمهای بهبود یافته است. سیستمهای داده محور در حوزههای متعددی که قبلا به عنوان قلمرو شناختی انسان شناخته میشد پیشرفت چشمگیری کرده اند.
با این حال، با تغییر بی وقفه دنیای پیرامون ما، هوش مصنوعی هم باید همواره از اطلاعات جدید استفاده کند. بدون برداشتن این قدم مهم هوش مصنوعی پاسخهایی تولید میکند که یا غلط اند یا اطلاعات جدیدی که از زمان اموزش خود به دست آمده را در نظر نمیگیرند.
سیستمهای عصبی تنها رویکرد هوش مصنوعی نیست. یکی دیگر از شاخههای معروف در تحقیقات مربوط به هوش مصنوعی، هوش مصنوعی نمادین است. به جای دریافت تعداد زیادی دادههای اطلاعاتی، هوش مصنوعی نمادین به قوانین و اطلاعات تکیه میکند، مشابه فرآیند انسانی شکل گیری نمادهای درونی برای پدیدههای خاص. اما در دهه گذشته با سنگین شدن کفه ترازو به سمت رویکردهای داده محور"پدران" یادگیری عمیق مدرن به تازگی برنده جایزه تورینگ شدند. جایزهای که معادل نوبل در علوم کامپیوتری است.
داده ها، محاسبات و الگوریتمها شالودهی آینده هوش مصنوعی را تشکیل میدهند. همه شاخصها حاکی از آن است که در آینده نزدیک پیشرفت سریعی در هر سه دسته خواهیم دید.