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 می توان دستگاهی طراحی کرد.»
از زمان این شروع فروتنانه فیلم ها 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.
اواخر ماه گذشته ای.آی درقالب چت جی.پی.تی از داستان های علمی تخیلی و آزمایشگاهای تحقیقاتی قدم به دسکتاپ و تلفن های مردم گذاشت. این پدیده به عنوان " هوش مصنوعی مولد" شناخته می شد. با یک پیام هوشمندانه می تواند مقاله بنویسد یا لیست خرید سرهم کند یا ترانه ای به سبک الویس پریسلی بنویسد.
با اینکه چت جی.پی.تی نقش عظیمی در موفقیت هوش مصنوعی مولد داشت, سیستم های مشابه هم قابلیت زیادی برای تولید محتوا از خود نشان دادند. مثل دستور تبدیل متن به عکس که توانست با تولید عکس های پویا برنده مسابقات هنری هم بشود.
شاید هوش مصنوعی هنوز مثل فیلم و رمان های 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 سامانه ها دارند تحت تاثیر ایده ضمیر خودآگاه این سیستم ها 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 می شود که بتواند سطحی از یادگیری و سازگاری را از خود نشان دهد. به همین دلیل سیستم های تصمیم گیری, خود کاری سازی و آماری ای.آی به حساب نمی آیند. به طور کلی هوش مصنوعی در دو دسته تعریف می شود: 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 شیوه ای سازگار و مفید است. حداقل چیزی که می توان گفت این است که این کار بسیار طاقت فرساست.
بیشتر هوش های مصنوعی موجود از هوش مصنوعی تخصصی استفاده می کنند, روشی که در آن یک سیستم خاص به یک مشکل خاص می پردازد. بر خلاف هوش انسان, هوش مصنوعی تخصصی فقط در زمینه ای که تعلیم دیده موثر است. مانند کشف تقلب, تشخیص چهره یا توصیه های اجتماعی.
اما هوش مصنوعی کلی (AGI) مانند انسان عمل می کند.در حال حاضراز بارزترین تلاش ها برای دست یابی به چنین چیزی می توان به استفاده از شبکه های عصبی و تعلیم انبوه وسیعی از داده ها به روش "یادگیری عمیق" اشاره کرد.
شبکه های عصبی از روش کار مغز انسان الگو برداری می کنند. برخلاف مدل های یادگیری ماشینی که روی داده های آموزشی محاسبات انجام می شود, شبکه های عصبی با تغذیه یک به یک هر نقطه داده از طریق یک شبکه به هم پیوسته کار می کنند و هر بار پارامترها را تنظیم می کند. هرچه اطلاعات بیشتری وارد سیستم شود این پارامترها متعادل تر می شوند ودر نهایت ما به سیستم عصبی "تعلیم داده شده" ای دست می یابیم که می تواند نتیجه دلخواه را روی داده های 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 شبکه های عصبی بزرگ و تنظیم تعداد زیادی از پارامترها به لطف قابلیت های زیرساخت های 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 به سه چیز برای موفقیت نیاز دارد. ابتدا به مقدار زیادی اطلاعات با کیفیت و بی طرفانه نیاز است.محققان سازنده شبکه های عصبی از مجموعه اطلاعات عظیمی که با دیجیتالی شدن جوامع به وجود آمده استفاده می کنند. کمک خلبان(CO-PILOT) برای بهبود برنامه نویسی انسانی اطلاعات خود را از میلیاردها خط کد موجود در سایت گیت هاب دریافت می کند. چت جی.پی.تی و دیگر مدل های زبانی موجود از میلیاردها وبسایت و اسناد ذخیره شده آنلاین اتفاده می کنند.
ابزارهای تبدیل متن به عکس مانند استیبل دیفیوشن(Stable Diffusion) دالی-۲(DALLE-۲) و میدجورنی(Midjourney) از جفت های تصویر متن مجموعه داده هایی مانند لیان-۵بی(LAION-۵B) استفاده می کنند.
با دیجیتال شدن هرچه بیشتر زندگی ما و دسترسی مدل های هوش مصنوعی به منابع اطلاعاتی بیشتر مانند داده های شبیه سازی شده یا داده های 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, مدل هایی 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 می شود.
سومین مورد مدل و الگوریتم های بهبود یافته است. سیستم های داده محور در حوزه های متعددی که قبلا به عنوان قلمرو شناختی انسان شناخته می شد 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 پاسخ هایی تولید می کند که یا غلط اند یا اطلاعات جدیدی که از زمان اموزش خود به دست آمده را در نظر نمی گیرند.
سیستم های عصبی تنها رویکرد هوش مصنوعی نیست. یکی دیگر از شاخه های معروف در تحقیقات مربوط به هوش مصنوعی, هوش مصنوعی نمادین است. به جای دریافت تعداد زیادی داده های اطلاعاتی, هوش مصنوعی نمادین به قوانین و اطلاعات تکیه می کند, مشابه فرآیند انسانی شکل گیری نمادهای درونی برای پدیده های 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. جایزه ای که معادل نوبل در علوم کامپیوتری است.
داده ها, محاسبات و الگوریتم ها شالوده ی آینده هوش مصنوعی را تشکیل می دهند. همه شاخص ها حاکی از آن است که در آینده نزدیک پیشرفت سریعی در هر سه دسته خواهیم دید.
