هوش مصنوعی چیست؟

هوش مصنوعی

 هوش مصنوعی چیست؟

اصطلاح «هوش مصنوعی» (Artificial Intelligence) یا AI برای توصیف سیستمی استفاده می شود که می‌تواند فعالیت‌های مرتبط با ذهن انسان ازجمله «یادگیری» و «حل مسئله» را به‌خوبی یا حتی بهتر از انسان‌ها انجام دهد. اما امروزه اکثر افراد هوش مصنوعی را با ظاتوماسیون و یا خودکارسازی اشتباه می گیرند.برای درک بهتر نسبت به واژه هوش مصنوعی ابتدا باید تفاوت آن را با اتوماسیون و یا ربات ها درک کنیم.

ابتدا برای آشنایی با تعریف هوش مصنوعی نگاهی به ویکی‌پدیا بیندازید، اطلاعات موجود از هوش مصنوعی و تعاریف آن به گونه ای است که بیان می کند «هوش مصنوعی هوشی است که توسط ماشین‌ها ظهور پیدا می‌کند، در مقابل آن هوش طبیعی وجود دارد که توسط جانوران شامل انسان‌ها نمایش می‌یابد.».البته با بررسی سایت های مختلف و دانش نامه های متفاوت هم، به تعریف دقیقی از هوش مصنوعی دست نمی یابیم اما بطور کلی هوش مصنوعی را می توان از دو منظر مورد بررسی قرار داد تا با نگاه دقیق تر بتوان به مفهوم و معنی این علم دست پیدا کرد. ما در مقاله ی انواع هوش مصنوعی به بررسی تعدادی از انواع مختلف آن پرداخته ایم.

به‌طور کلی، سه نوع هوش مصنوعی وجود دارد:

1.  هوش مصنوعی قوی (strong AI)
2. هوش مصنوعی ضعیف (weak AI)
3. فراهوش یا ابر هوش مصنوعی Artificial Super Intelligence (ASI)

درک هوش مصنوعی

به طور کلی، سیستم‌های هوش مصنوعی می‌توانند وظایفی را که معمولاً با عملکردهای شناختی انسان مرتبط هستند انجام دهند – مانند تفسیر گفتار، بازی کردن و شناسایی الگوها. آنها معمولاً یاد می گیرند که چگونه این کار را با پردازش مقادیر انبوه داده انجام دهند و به دنبال الگوهایی برای مدل سازی در تصمیم گیری خود هستند. در بسیاری از موارد، انسان‌ها بر فرآیند یادگیری هوش مصنوعی نظارت می‌کنند و تصمیم‌های خوب را تقویت می‌کنند و از تصمیم‌های بد جلوگیری می‌کنند. اما برخی از سیستم‌های هوش مصنوعی برای یادگیری بدون نظارت طراحی شده‌اند.

انواع هوش مصنوعی

سیستم‌های هوش مصنوعی ضعیف (Artificial Narrow Intelligence) چه سیستم‌هایی هستند؟

هوش مصنوعی ضعیف یا ANI به سیستم‌هایی گفته می‌شود که برای یک کار خاص و ثابت طراحی می‌شوند و بازه عملکردی آنها در همان حیطه تعریف شده است. هوش مصنوعی ضعیف، مغز انسان و خصوصیات و ویژگی های اصلی آن را بگونه ای در خود قرار داده است تا تمامی کارها و فعالیت هایی که برای انسان ها سخت و یا زمان بر می باشد را به آسانی انجام دهد.هوش مصنوعی ضعیف علاوه بر نقاط قوت خود ، نقاط ضعفی هم دارد که مهمترین آن عدم خودآگاهی این نوع سیستم ها نسبت به انسان است.

این سیستم‌ها، صرفا به تقلید از رفتارهای انسانی می‌پردازند و یاد می‌گیرند که در هر موقعیت، چه واکنش تعریف شده‌ای را از خود نشان دهند در حالی‌که خودشان به این رفتار واقف نیستند و چیزی در مورد آن نمی‌دانند. سیستم هوش مصنوعی ضعیف فقط بر مسائلی که به سیستم آموزش داده شده است قادر به تصمیم گیری می باشد. این سیستم‌ها، این اطلاعات را از طریق الگوسازی‌های مشخص و پیش بینی‌های آموخته شده، برای استفاده، اماده سازی می‌نمایند. به عنوان مثال، تازه ترین اطلاعاتی که در بخش های مانند فضای پیش نمایش جستجو اینستاگرام وجود دارد از نوع سیستم های هوش مصنوعی ضعیف می باشد و بگونه ای عمل می کند که با توجه به آموزش های تعیین شده برای شبکه مجازی و بازنگری جستجو و علاقه مندی های شما مطالب مرتبط با سلیقه شما را منتشر می کند.

سیستم‌های هوش مصنوعی قوی (Artificial General Intelligence) چه سیستم‌هایی هستند؟

هوش مصنوعی قوی یا AGI به سیستم‌هایی گفته می‌شود که دقیقا مانند انسان، توانایی درک و استدلال بالایی در تصمیم گیری‌های عقلانی بر اساس اطلاعات دریافتی را دارند. این نوع سیستم باید دارای حافظه نامحدود باشد تا بتواند تمامی فرامین را مانند انسان بدون هیچ کم و کاستی انجام دهد.

استفاده از این نوع سیستم سالهاست مورد تحقیق و توسعه بشر قرار گرفته است تا با جایگزین کردن ربات هایی مجهز به این نوع سیستم بهره مندی بیشتری را در صنایع فراهم کند. بطور کلی استفاده از هوش مصنوعی قوی میتواند فعالیت انسانها را با دقت بیشتر و خطای کمتر یا بهتر بگوییم بدن خطا انجام دهد.

فراهوش یا ابر هوش مصنوعی Artificial Super Intelligence (ASI) چیست؟

ابر هوش مصنوعی به این معنا می باشد که این نوع سیستم از هوش انسانی فراتر رفته است تا به حال هیچ یک از جوامع در حال توسعه نتوانسته اند به این مرحله از هوش مصنوعی دست پیدا کننددر حقیقت اطلاعات مربوط به این نوع هوش هم اکنون در حاله ای از ابهام می باشد.

بیشتر مطالعه کنیم: 4 مورد از مهمترین انواع هوش مصنوعی را بشناسیم

مزایای هوش مصنوعی

• بانکداری ایمن تر

گزارش 2022 Business Insider Intelligence در مورد هوش مصنوعی در بانکداری نشان داد که بیش از نیمی از شرکت های خدمات مالی در حال حاضر از راه حل های هوش مصنوعی برای مدیریت ریسک و تولید درآمد استفاده می کنند. استفاده از هوش مصنوعی در بانکداری می تواند منجر به صرفه جویی بیش از 400 میلیارد دلار شود.

• داروی بهتر

در مورد پزشکی، گزارش سازمان جهانی بهداشت در سال 2021 اشاره کرد که در حالی که ادغام هوش مصنوعی در حوزه مراقبت های بهداشتی با چالش هایی همراه است، این فناوری “نویدبخش زیادی دارد”، زیرا می تواند به مزایایی مانند سیاست های بهداشتی آگاهانه تر و بهبود در دقت تشخیص بیماران منجر شود.

• رسانه های نوآورانه

هوش مصنوعی روی سرگرمی ها نیز اثر گذاشته است. بر اساس تحقیقات گراند ویو، بازار جهانی هوش مصنوعی در رسانه ها و سرگرمی ها تا سال 2030 به 99.48 میلیارد دلار می رسد که از ارزش 10.87 میلیارد دلاری در سال 2021 افزایش می یابد. این گسترش شامل کاربردهای هوش مصنوعی مانند تشخیص سرقت ادبی و توسعه گرافیک با کیفیت بالا است.

چالش ها و محدودیت های هوش مصنوعی

در حالی که هوش مصنوعی مطمئناً به عنوان یک دارایی مهم و به سرعت در حال تکامل در نظر گرفته می شود، این حوزه نوظهور دارای جنبه های منفی است.

مرکز تحقیقات پیو در سال 2021 از 10260 آمریکایی در مورد نگرش آنها نسبت به هوش مصنوعی نظرسنجی کرد. نتایج نشان داد 45 درصد از پاسخ دهندگان به همان اندازه هیجان زده و نگران هستند و 37 درصد بیشتر نگران هستند تا هیجان زده. علاوه بر این، بیش از 40 درصد از پاسخ دهندگان گفتند که اتومبیل های بدون راننده را برای جامعه مضر می دانند. با این حال، ایده استفاده از هوش مصنوعی برای شناسایی انتشار اطلاعات نادرست در رسانه‌های اجتماعی با استقبال بیشتری روبرو شد و نزدیک به 40 درصد از افراد مورد بررسی آن را ایده خوبی دانستند.

هوش مصنوعی یک موهبت برای بهبود بهره وری و کارایی است و در عین حال پتانسیل خطای انسانی را کاهش می دهد. اما برخی از معایب نیز وجود دارد، مانند هزینه های توسعه و امکان ماشین های خودکار برای جایگزینی مشاغل انسانی. با این حال، شایان ذکر است که صنعت هوش مصنوعی نیز می‌تواند شغل ایجاد کند – که برخی از آنها هنوز اختراع نشده‌اند.

آینده علم هوش‌مصنوعی

وقتی هزینه‌های محاسباتی و زیرساخت داده‌های فنی در هوش مصنوعی را در نظر بگیریم، متوجه می شویم که هوش مصنوعی یک تجارت پیچیده و پرهزینه است. خوشبختانه، پیشرفت های عظیمی در فناوری محاسبات صورت گرفته است، همانطور که قانون مور نشان می دهد که تعداد ترانزیستورهای روی یک ریزتراشه تقریباً هر دو سال دو برابر می شود در حالی که هزینه رایانه ها به نصف می رسد.

اگرچه بسیاری از کارشناسان بر این باورند که قانون مور احتمالاً در دهه 2020 به پایان خواهد رسید، اما این تأثیر زیادی بر تکنیک‌های مدرن هوش مصنوعی داشته است – بدون آن، یادگیری عمیق از نظر مالی دور از ذهن خواهد بود. تحقیقات اخیر نشان داده است که نوآوری هوش مصنوعی در واقع از قانون مور بهتر عمل کرده است و هر شش ماه یا بیشتر در مقایسه با دو سال دو برابر می شود. با این منطق، پیشرفت‌هایی که هوش مصنوعی در صنایع مختلف ایجاد کرده است، در چند سال گذشته بسیار مهم بوده است.

تاریخچه هوش مصنوعی

تاریخچه هوش مصنوعی

برگرفته که تاریخچه هوش مصنوعی در ویکی پدیا اینطور بیان میشوذ که در نیمه اول قرن بیستم، داستان های علمی تخیلی جهان را با مفهوم ربات های باهوش مصنوعی آشنا کرد. با مرد قلع “بی دل” از جادوگر شهر اوز شروع شد و با روبات انسان نما که خود را شبیه ماریا در متروپلیس کرد ادامه یافت. در دهه 1950، ما نسلی از دانشمندان، ریاضیدانان و فیلسوفان را داشتیم که مفهوم هوش مصنوعی (یا AI) از نظر فرهنگی در ذهنشان ادغام شده بود. یکی از این افراد آلن تورینگ بود، یک جوان انگلیسی که امکان ریاضی هوش مصنوعی را بررسی می کرد. تورینگ پیشنهاد کرد که انسان ها از اطلاعات موجود و همچنین عقل برای حل مشکلات و تصمیم گیری استفاده کنند، پس چرا ماشین ها نمی توانند همین کار را انجام دهند؟

این چارچوب منطقی مقاله او در سال 1950 با عنوان ماشین‌های محاسباتی و هوش بود که در آن نحوه ساخت ماشین‌های هوشمند و چگونگی آزمایش هوش آنها را مورد بحث قرار داد.

چه چیزی باعث شد که تورینگ نتواند در آن زمان به سر کار برود؟ اول، کامپیوترها نیاز به تغییر اساسی داشتند. قبل از سال 1949 کامپیوترها فاقد یک پیش نیاز کلیدی برای هوش بودند: آنها نمی توانستند دستورات را ذخیره کنند، فقط آنها را اجرا کنند. به عبارت دیگر، می‌توان به رایانه‌ها گفت که چه کاری انجام دهند، اما نمی‌توانستند آنچه را که انجام داده‌اند به خاطر بیاورند. دوم، محاسبات بسیار گران بود. در اوایل دهه 1950، هزینه اجاره یک کامپیوتر تا 200000 دلار در ماه می رسید. فقط دانشگاه‌های معتبر و شرکت‌های بزرگ فناوری می‌توانستند در این آب‌های ناشناخته به‌صورت دلخراش زندگی کنند. برای متقاعد کردن منابع مالی مبنی بر اینکه هوش ماشینی ارزش پیگیری دارد، به اثبات مفهوم و همچنین حمایت از افراد با سابقه نیاز بود.

اثبات مفهوم هوش‌مصنوعی توسط آلن نیوول، کلیف شاو، و هربرت سایمون

پنج سال بعد، اثبات مفهوم از طریق آلن نیوول، کلیف شاو، و نظریه‌پرداز منطق هربرت سایمون آغاز شد. نظریه منطق برنامه ای بود که برای تقلید از مهارت های حل مسئله یک انسان طراحی شده بود و توسط شرکت تحقیق و توسعه (RAND) تامین مالی شد. بسیاری آن را اولین برنامه هوش مصنوعی می دانند و در پروژه تحقیقاتی تابستانی دارتموث در زمینه هوش مصنوعی (DSRPAI) به میزبانی جان مک کارتی و ماروین مینسکی در سال 1956 ارائه شد.

در این کنفرانس تاریخی، مک کارتی، با تصور یک تلاش مشترک بزرگ، ارائه شد محققان برتر از حوزه‌های مختلف را برای یک بحث آزاد در مورد هوش مصنوعی، اصطلاحی که او در همان رویداد ابداع کرد، همراهی کرد. متأسفانه، کنفرانس کمتر از انتظارات مک کارتی بود. مردم هر طور که می خواستند می آمدند و می رفتند و در مورد روش های استاندارد برای این رشته به توافق نرسیدند. با وجود این، همه با تمام وجود این احساس را داشتند که هوش مصنوعی قابل دستیابی است. اهمیت این رویداد را نمی توان تضعیف کرد زیرا بیست سال آینده تحقیقات هوش مصنوعی را کاتالیز کرد.

ادامه‌ی روند از سال 1957 به بعد

از سال 1957 تا 1974، هوش مصنوعی شکوفا شد. رایانه ها می توانستند اطلاعات بیشتری را ذخیره کنند و سریع تر، ارزان تر و در دسترس تر شدند. الگوریتم‌های یادگیری ماشینی نیز بهبود یافتند و افراد بهتر می‌دانستند کدام الگوریتم را برای مشکل خود اعمال کنند. تظاهرات اولیه مانند Newell و Simon’s General Problem Solver و Joseph Weizenbaum’s ELIZA به ترتیب به اهداف حل مسئله و تفسیر زبان گفتاری امیدوارکننده بود. این موفقیت‌ها و همچنین حمایت از محققان برجسته (یعنی شرکت‌کنندگان در DSRPAI) سازمان‌های دولتی مانند آژانس پروژه‌های تحقیقاتی پیشرفته دفاعی (دارپا) را متقاعد کرد که تحقیقات هوش مصنوعی را در چندین مؤسسه تأمین مالی کنند.

دولت به‌ویژه به ماشینی علاقه‌مند بود که بتواند زبان گفتاری و همچنین پردازش داده‌ها را با توان عملیاتی بالا رونویسی و ترجمه کند. خوش بینی بالا بود و توقعات حتی بالاتر. در سال 1970 ماروین مینسکی به مجله لایف گفت: “از سه تا هشت سال ما ماشینی با هوش عمومی یک انسان معمولی خواهیم داشت.” با این حال، در حالی که اثبات اصلی اصل وجود داشت، هنوز راه زیادی تا دستیابی به اهداف نهایی پردازش زبان طبیعی، تفکر انتزاعی و شناخت خود وجود داشت.

شکستن مه اولیه هوش مصنوعی کوهی از موانع را آشکار کرد. بزرگ‌ترین آن فقدان قدرت محاسباتی برای انجام هر کاری اساسی بود: رایانه‌ها به سادگی نمی‌توانستند اطلاعات کافی را ذخیره یا با سرعت کافی پردازش کنند. به عنوان مثال، برای برقراری ارتباط، باید معانی بسیاری از کلمات را بداند و آنها را در ترکیبات مختلف درک کند. هانس موراوک، دانشجوی دکترای مک کارتی در آن زمان، اظهار داشت که «کامپیوترها هنوز میلیون‌ها بار ضعیف‌تر از آن بودند که هوش را نشان دهند». با کاهش صبر، بودجه کاهش یافت و تحقیقات به مدت ده سال به کندی رسید.

گسترش الگوریتمی در سال 1980

در دهه 1980، هوش مصنوعی توسط دو منبع فعال شد: گسترش ابزار الگوریتمی و افزایش سرمایه. جان هاپفیلد و دیوید روملهارت تکنیک‌های «یادگیری عمیق» را رایج کردند که به رایانه‌ها اجازه می‌داد با استفاده از تجربه یاد بگیرند. از سوی دیگر ادوارد فایگنبام سیستم های خبره ای را معرفی کرد که فرآیند تصمیم گیری یک متخصص انسانی را تقلید می کرد. این برنامه از یک متخصص در یک زمینه می پرسد که چگونه در یک موقعیت خاص پاسخ دهد، و هنگامی که این تقریباً برای هر موقعیتی یاد گرفت، افراد غیرمتخصص می توانند از آن برنامه مشاوره دریافت کنند. سیستم های خبره به طور گسترده در صنایع مورد استفاده قرار گرفتند.

دولت ژاپن به‌عنوان بخشی از پروژه نسل پنجم رایانه (FGCP) سیستم‌های خبره و سایر تلاش‌های مرتبط با هوش مصنوعی را به شدت تأمین کرد. از سال 1982 تا 1990، آنها 400 میلیون دلار با هدف ایجاد تحول در پردازش کامپیوتری، اجرای برنامه نویسی منطقی و بهبود هوش مصنوعی سرمایه گذاری کردند. متاسفانه اکثر اهداف بلندپروازانه محقق نشد. با این حال، می توان استدلال کرد که اثرات غیر مستقیم FGCP الهام بخش نسل جوان با استعدادی از مهندسان و دانشمندان است. صرف نظر از این، تأمین مالی FGCP متوقف شد و هوش مصنوعی از کانون توجه خارج شد.

رشد هوش‌مصنوعی در غیاب تبلیغات

از قضا، در غیاب بودجه دولتی و تبلیغات عمومی، هوش مصنوعی رشد کرد. در طول دهه های 1990 و 2000، بسیاری از اهداف برجسته هوش مصنوعی محقق شده بود. در سال 1997، گری کاسپاروف، قهرمان و استاد بزرگ شطرنج جهان، توسط برنامه کامپیوتری شطرنج Deep Blue شرکت IBM شکست خورد. این مسابقه بسیار تبلیغاتی اولین باری بود که قهرمان شطرنج جهان در مقابل کامپیوتر شکست خورد و به عنوان یک گام بزرگ به سوی یک برنامه تصمیم گیری هوشمندانه مصنوعی عمل کرد.

در همان سال نرم افزار تشخیص گفتار که توسط Dragon Systems توسعه یافته بود بر روی ویندوز پیاده سازی شد. این یک گام بزرگ دیگر به جلو بود اما در جهت تلاش برای تفسیر زبان گفتاری. به نظر می رسید که مشکلی وجود ندارد که ماشین ها نتوانند از پس آن برآیند. حتی احساسات انسانی نیز بازی منصفانه ای بود، همانطور که Kismet، رباتی که توسط سینتیا بریزیل ساخته شد و می توانست احساسات را تشخیص داده و نمایش دهد، نشان می دهد.

ما در مورد نحوه کدنویسی هوش مصنوعی هوشمندتر نشده‌ایم، پس چه چیزی تغییر کرد؟

به نظر می رسد، محدودیت اساسی ذخیره سازی رایانه که 30 سال پیش ما را عقب نگه می داشت، دیگر مشکلی نبود. قانون مور، که تخمین می‌زند که حافظه و سرعت رایانه‌ها هر سال دو برابر می‌شود، سرانجام توانسته بود و در بسیاری موارد از نیازهای ما پیشی بگیرد. این دقیقاً چگونه بود که دیپ بلو توانست گری کاسپاروف را در سال 1997 شکست دهد و آلفا گو گوگل توانست تنها چند ماه پیش قهرمان چینی گو، که جی را شکست دهد. این یک توضیح کمی برای ترن هوایی تحقیقات هوش مصنوعی ارائه می دهد. ما توانایی‌های هوش مصنوعی را به سطح قدرت محاسباتی فعلی خود (سرعت ذخیره‌سازی و پردازش رایانه) اشباع می‌کنیم و سپس منتظر می‌مانیم تا قانون مور دوباره فرا برسد.

ما اکنون در عصر «داده‌های بزرگ» زندگی می‌کنیم، عصری که در آن ظرفیت جمع‌آوری حجم عظیمی از اطلاعات را داریم که پردازش آن برای یک فرد بسیار دشوار است. استفاده از هوش مصنوعی در این زمینه قبلاً در چندین صنعت مانند فناوری، بانکداری، بازاریابی و سرگرمی بسیار پربار بوده است. ما دیده‌ایم که حتی اگر الگوریتم‌ها پیشرفت چندانی نداشته باشند، داده‌های بزرگ و محاسبات عظیم به سادگی به هوش مصنوعی اجازه می‌دهد تا از طریق نیروی بی‌رحمانه یاد بگیرد. ممکن است شواهدی وجود داشته باشد که قانون مور کمی کند می شود، اما افزایش داده ها مطمئناً هیچ حرکتی را از دست نداده است. پیشرفت‌ها در علوم کامپیوتر، ریاضیات یا علوم اعصاب همگی به عنوان دستاوردهای بالقوه از سقف قانون مور عمل می‌کنند.

چه چیزی در انتظار آینده AI است؟

در آینده نزدیک، زبان هوش مصنوعی مانند چیز بزرگ بعدی به نظر می رسد. در واقع، در حال حاضر در حال انجام است. آخرین باری که با یک شرکت تماس گرفتم و مستقیماً با یک انسان صحبت کردم را به یاد نمی‌آورم. این روزها حتی ماشین ها به من زنگ می زنند! می‌توان تعامل با یک سیستم خبره را در یک مکالمه روان تصور کرد، یا مکالمه‌ای را به دو زبان مختلف در زمان واقعی ترجمه کرد. ما همچنین می توانیم انتظار داشته باشیم که در بیست سال آینده اتومبیل های بدون راننده را در جاده ها ببینیم (و این محافظه کارانه است).

در درازمدت، هدف هوش عمومی است، یعنی ماشینی که در همه کارها از توانایی های شناختی انسان پیشی می گیرد. این در امتداد خطوط ربات حساسی است که ما به دیدن آن در فیلم ها عادت کرده ایم. به نظر من غیرقابل تصور به نظر می رسد که این امر در 50 سال آینده محقق شود. حتی اگر توانایی وجود داشته باشد، سؤالات اخلاقی به عنوان یک مانع قوی در برابر به ثمر نشستن عمل خواهند کرد. وقتی آن زمان فرا رسید (اما بهتر است حتی قبل از رسیدن زمان)، ما باید یک گفتگوی جدی در مورد سیاست و اخلاق ماشین داشته باشیم (از قضا هر دو موضوع اساساً انسانی هستند)، اما در حال حاضر، به هوش مصنوعی اجازه می‌دهیم به طور پیوسته بهبود یابد و بی‌نقص کار کند.

تاریخچه زمانی AI

دهه1940

(1942) آیزاک آسیموف سه قانون رباتیک را منتشر می کند، ایده ای که معمولاً در رسانه های علمی تخیلی در مورد اینکه چگونه هوش مصنوعی نباید به انسان آسیب برساند یافت می شود.

(1943) وارن مک کالو و والتر پیتس مقاله “حساب منطقی ایده های ماندگار در فعالیت عصبی” را منتشر کردند که اولین مدل ریاضی را برای ساخت شبکه عصبی پیشنهاد می کند.

(1949) دونالد هب در کتاب خود با نام سازمان رفتار: یک نظریه عصب روان‌شناختی، این نظریه را پیشنهاد می‌کند که مسیرهای عصبی از تجربیات ایجاد می‌شوند و ارتباط بین نورون‌ها هر چه بیشتر مورد استفاده قرار گیرد قوی‌تر می‌شود. یادگیری Hebbian همچنان یک مدل مهم در هوش مصنوعی است.

دهه1950

(1950) آلن تورینگ مقاله «ماشین‌های محاسباتی و هوش» را منتشر می‌کند و چیزی را پیشنهاد می‌کند که اکنون به عنوان آزمون تورینگ شناخته می‌شود، روشی برای تعیین هوشمند بودن یک ماشین. همچنین در همین سال ماروین مینسکی و دین ادموندز، دانشجویان کارشناسی هاروارد، SNARC، اولین کامپیوتر شبکه عصبی را ساختند.

(1950) کلود شانون مقاله “برنامه ریزی یک کامپیوتر برای بازی شطرنج” را منتشر می کند.

(1952) آرتور ساموئل یک برنامه خودآموز برای بازی چکرز ایجاد می کند.

(1954) آزمایش ترجمه ماشینی جورج تاون-IBM به طور خودکار 60 جمله روسی را که با دقت انتخاب شده اند به انگلیسی ترجمه می کند.

(1956) عبارت “هوش مصنوعی” در پروژه تحقیقاتی تابستانی دارتموث در مورد هوش مصنوعی ابداع شد. این کنفرانس به رهبری جان مک کارتی به طور گسترده ای به عنوان زادگاه هوش مصنوعی در نظر گرفته می شود.

(1956) آلن نیول و هربرت سایمون نظریه پرداز منطق (LT) را نشان دادند، اولین برنامه استدلال.

(1958) جان مک کارتی زبان برنامه نویسی هوش‌مصنوعی Lisp را توسعه می دهد و “برنامه هایی با عقل سلیم” را منتشر می کند، مقاله ای که توصیه گیر فرضی را پیشنهاد می کند، یک سیستم هوش مصنوعی کامل با توانایی یادگیری از تجربه به اندازه انسان ها.

(1959) آلن نیوول، هربرت سایمون و جی سی شاو برنامه حل مشکل عمومی (GPS) را توسعه دادند، برنامه ای که برای تقلید از حل مسئله انسان طراحی شده است.

در سال (1959) هربرت گلرنتر برنامه اثبات قضیه هندسه را توسعه داد. و همچنین آرتور ساموئل اصطلاح “یادگیری ماشینی” را در زمانی که در IBM کار می کرد ابداع کرد. در همین سال بود که جان مک کارتی و ماروین مینسکی پروژه هوش مصنوعی MIT را پیدا کردند.

دهه1960

(1963) جان مک کارتی آزمایشگاه هوش‌مصنوعی را در استنفورد راه اندازی کرد.

(1966) گزارش کمیته مشورتی پردازش خودکار زبان (ALPAC) توسط دولت ایالات متحده، عدم پیشرفت در تحقیقات ترجمه ماشینی را شرح می دهد، یک ابتکار بزرگ جنگ سرد با وعده ترجمه خودکار و فوری زبان روسی. گزارش ALPAC منجر به لغو تمام پروژه های MT با بودجه دولت می شود.

(1969) اولین سیستم های خبره موفق، DENDRAL و MYCIN، در استانفورد ایجاد شدند.

دهه 1970

(1972) زبان برنامه نویسی منطقی PROLOG ایجاد شد.

(1973) گزارش لایت‌هیل، که ناامیدی‌ها در تحقیقات هوش مصنوعی را شرح می‌دهد، توسط دولت بریتانیا منتشر شد و منجر به کاهش شدید بودجه برای پروژه‌های هوش‌مصنوعی شد.

(1974-1980) ناامیدی از پیشرفت توسعه هوش مصنوعی منجر به کاهش عمده DARPA در کمک هزینه تحصیلی می شود. همراه با گزارش قبلی ALPAC و گزارش Lighthill سال قبل، بودجه هوش مصنوعی خشک می شود و تحقیقات متوقف می شود. این دوره به “اولین زمستان هوش مصنوعی” معروف است.

دهه 1980

(1980) Digital Equipment Corporations R1 (همچنین به عنوان XCON شناخته می شود)، اولین سیستم متخصص تجاری موفق را توسعه داد. R1 که برای پیکربندی سفارشات برای سیستم‌های رایانه‌ای جدید طراحی شده است، رونق سرمایه‌گذاری در سیستم‌های خبره را آغاز می‌کند که تا بیشتر دهه دوام خواهد داشت و عملاً به اولین زمستان هوش مصنوعی پایان می‌دهد.

(1982) وزارت تجارت و صنعت بین المللی ژاپن پروژه جاه طلبانه سیستم های کامپیوتری نسل پنجم را راه اندازی کرد. هدف FGCS توسعه عملکرد ابررایانه مانند و پلتفرمی برای توسعه هوش مصنوعی است.

(1983) در پاسخ به FGCS ژاپن، دولت ایالات متحده ابتکار محاسبات استراتژیک را برای ارائه تحقیقات با بودجه دارپا در محاسبات پیشرفته راه اندازی کرد.

(1985) شرکت‌ها سالانه بیش از یک میلیارد دلار برای سیستم‌های خبره هزینه می‌کنند و یک صنعت کامل به نام بازار ماشین‌های لیسپ برای حمایت از آنها به وجود می‌آید. شرکت هایی مانند Symbolics و Lisp Machines Inc. کامپیوترهای تخصصی را برای اجرا بر روی زبان برنامه نویسی هوش‌مصنوعی Lisp می سازند.

(1987-1993) با بهبود فناوری محاسبات، جایگزین‌های ارزان‌تری پدیدار شد و بازار ماشین‌های Lisp در سال 1987 سقوط کرد و “زمستان دوم هوش‌مصنوعی” را آغاز کرد. در این دوره، سیستم های خبره برای نگهداری و به روز رسانی بسیار گران بودند و در نهایت از بین رفتند.

دهه 1990

(1991) نیروهای ایالات متحده، DART، یک ابزار برنامه ریزی و برنامه ریزی لجستیک خودکار را در طول جنگ خلیج فارس مستقر کردند.

(1992) ژاپن پروژه FGCS را در سال 1992 خاتمه داد و دلیل آن شکست در دستیابی به اهداف بلندپروازانه ای است که یک دهه پیش از آن مشخص شده بود.

(1993) دارپا به ابتکار محاسبات استراتژیک در سال 1993 پس از صرف نزدیک به 1 میلیارد دلار و بسیار کمتر از انتظارات، پایان داد.

(1997) دیپ بلو IBM، قهرمان شطرنج جهان، گری کاسپاروف را شکست داد.

دهه 2000

(2005) استنلی، یک ماشین خودران، برنده چالش بزرگ دارپا است.

(2005) ارتش ایالات متحده سرمایه گذاری در ربات های خودمختار مانند “Big Dog” از Boston Dynamics و “PackBot” iRobot را آغاز کرد.

(2008) گوگل پیشرفت هایی در تشخیص گفتار ایجاد می کند و این ویژگی را در برنامه آیفون خود معرفی می کند.

دهه 2010

(2011) واتسون IBM به راحتی رقابت را در Jeopardy شکست می دهد.

(2011) اپل سیری، یک دستیار مجازی مجهز به هوش‌مصنوعی را از طریق سیستم عامل iOS خود منتشر کرد.

(2012) Andrew Ng، بنیانگذار پروژه Google Brain Deep Learning، با استفاده از الگوریتم های یادگیری عمیق 10 میلیون ویدیوی یوتیوب را به عنوان یک مجموعه آموزشی به شبکه عصبی تغذیه می کند. شبکه عصبی یاد گرفت که گربه را بدون اینکه به او گفته شود گربه چیست، بشناسد، این امر آغازگر دوران پیشرفت شبکه‌های عصبی و بودجه یادگیری عمیق است.

(2014) گوگل اولین خودروی خودران را می سازد که در آزمون رانندگی دولتی موفق شد.

(2014) الکسای آمازون، یک دستگاه هوشمند خانه مجازی، منتشر شد.

(2016) AlphaGo از Google DeepMind، قهرمان جهان Go Lee Sedol را شکست داد. پیچیدگی بازی باستانی چینی به عنوان یک مانع بزرگ برای رفع در هوش‌یمصنوعی تلقی می شد.

(2016) اولین شهروند رباتی، یک ربات انسان نما به نام سوفیا، توسط Hanson Robotics ساخته شده است و قادر به تشخیص چهره، ارتباط کلامی و بیان چهره است.

(2018) گوگل موتور پردازش زبان طبیعی BERT را منتشر می کند که موانع ترجمه و درک توسط برنامه های ML را کاهش می دهد.

(2018) Waymo سرویس Waymo One خود را راه‌اندازی می‌کند و به کاربران این امکان را می‌دهد که در سرتاسر منطقه شهری فونیکس درخواست دریافت یکی از خودروهای خودران این شرکت کنند.

دهه 2020

(2020) بایدو الگوریتم LinearFold AI خود را برای تیم‌های علمی و پزشکی که برای توسعه واکسن در مراحل اولیه همه‌گیری SARS-CoV-2 کار می‌کنند، منتشر می‌کند. این الگوریتم قادر است توالی RNA ویروس را تنها در 27 ثانیه پیش بینی کند که 120 برابر سریعتر از روش های دیگر است.

(2020) OpenAI مدل پردازش زبان طبیعی GPT-3 را منتشر می‌کند که قادر است متنی را با الگوبرداری از نحوه صحبت و نوشتن افراد تولید کند.

(2021) OpenAI بر روی GPT-3 برای توسعه DALL-E ساخته شده است، که قادر به ایجاد تصاویر از پیام های متنی است.

(2022) موسسه ملی استانداردها و فناوری اولین پیش نویس چارچوب مدیریت ریسک هوش‌مصنوعی خود را منتشر می کند. این پیش نویس حاوی دستورالعمل داوطلبانه ایالات متحده “برای مدیریت بهتر خطرات برای افراد، سازمان ها و جامعه مرتبط با هوش مصنوعی” بود.

در سال (2022) DeepMind از Gato، یک سیستم هوش‌مصنوعی آموزش دیده برای انجام صدها کار، از جمله پخش آتاری، شرح تصاویر و استفاده از یک بازوی رباتیک برای چیدن بلوک ها، رونمایی کرد.

(2022) OpenAI ChatGPT را راه اندازی کرد، یک ربات چت با یک مدل زبان بزرگ که تنها در چند ماه بیش از 100 میلیون کاربر به دست آورد.

(2023) مایکروسافت نسخه مجهز به هوش مصنوعی Bing را راه اندازی کرد، موتور جستجوی خود، که بر اساس همان فناوری ساخته شده است که ChatGPT را تقویت می کند.

(2023) گوگل بارد، هوش مصنوعی محاوره ای رقیب را معرفی کرد.

هوش مصنوعی