هوش مصنوعی چیست؟

هوش مصنوعی چیست؟هوش مصنوعی (AI) یک شاخه گسترده از علوم رایانه است که با ساختن ماشین‌های هوشمند قادر به انجام تکالیفی است که معمولا نیازمند هوش انسانی است. در حالی که AI یک علم میان رشته‌ای با رویکردهای متعدد است، پیشرفت‌هایی در یادگیری ماشین و به طور خاص یادگیری عمیق ، باعث ایجاد یک تحول اساسی در تقریبا هر بخشی از حوزه فناوری شده‌ است.

هوش مصنوعی به ماشین‌ها اجازه می‌دهد توانایی‌های ذهن انسان را مدل‌سازی، یا حتی بهبود ببخشند. از توسعه خودروهای خودران گرفته تا گسترش ابزارهای هوش مصنوعی تولید کننده مانند چت جی‌پی‌تی و Google Bard، هوش مصنوعی به طور فزاینده‌ای بخشی از زندگی روزمره شده است و شرکت‌ها در تمامی صنایع در حال سرمایه‌گذاری در این حوزه هستند.

ادراک هوش مصنوعی

به طور کلی، سیستم‌های هوش مصنوعی می‌توانند وظایفی را که معمولاً با عملکردهای شناختی انسان در ارتباط هستند – مانند تفسیر گفتار، بازی کردن و شناسایی الگوها – انجام دهند. آنها معمولاً با پردازش حجم عظیمی از داده‌ها و جستجوی الگوها برای الگوبرداری در تصمیم‌گیری خود آموزش می بینند. در بسیاری از موارد، انسان‌ها  بر فرایند یادگیری هوش مصنوعی نظارت دارند، تصمیم‌های خوب را تقویت و تصمیم‌های بد را تضعیف می‌کنند. اما برخی از سیستم‌های هوش مصنوعی برای یادگیری بدون نظارت طراحی شده‌اند – به عنوان مثال، با بازی کردن یک بازی ویدیویی بارها و بارها تا زمانی که در نهایت قوانین و نحوه برنده شدن را پیدا کنند.

هوش مصنوعی قوی در برابر هوش مصنوعی ضعیف

باید به این موضوع اشاره کرد که هوش مصنوعی قوی، که به عنوان هوش مصنوعی عمومی نیز شناخته می‌شود، ماشینی است که می‌تواند مسائلی را حل کند که هرگز برای کار کردن روی آنها آموزش ندیده است – درست مانند یک انسان. این نوع هوش مصنوعی است که در فیلم‌ها می‌بینیم، مانند ربات‌های وست‌ورلد یا شخصیت دیتا از نسل بعدی استارترک. این نوع هوش مصنوعی هنوز وجود ندارد.

آیا انواع هوش مصنوعی وجود دارد؟ هوش یک مفهوم پیچیده است، به همین دلیل کارشناسان هوش مصنوعی معمولاً بین هوش مصنوعی قوی و هوش مصنوعی ضعیف تمایز قائل می‌شوند.

 هوش مصنوعی قوی 

ساخت یک ماشین با هوشی در سطح انسان که بتواند برای هر مسئله‌ای اعمال شود، هدف نهایی بسیاری از محققان هوش مصنوعی است، اما دستیابی به هوش مصنوعی عمومی با موانع زیادی همراه بوده است. و برخی معتقدند تحقیق در زمینه هوش مصنوعی قوی باید به دلیل خطرات بالقوه ایجاد یک هوش مصنوعی قدرتمند بدون محدودیت‌های لازم، محدود شود.

در مقابل، هوش مصنوعی قوی نشان‌دهنده ماشینی با یک مجموعه کامل از توانایی‌های شناختی – و همچنین طیف گسترده‌ای از کاربردها – است، اما زمان، سختی و پیچیدگی دستیابی به چنین دستاوردی را آسان‌تر نکرده است.

هوش مصنوعی ضعیف

در تعریف هوش مصنوعی ضعیف، که گاهی اوقات به عنوان هوش مصنوعی باریک یا هوش مصنوعی تخصصی شناخته می‌شود باید بیان کرد ک، در یک زمینه محدود عمل می‌کند و شبیه‌سازی هوش انسانی برای حل یک مسئله محدود تعریف شده‌است (مانند رانندگی یک خودرو، رونویسی گفتار انسان یا مدیریت محتوای یک وبسایت).

هوش مصنوعی ضعیف اغلب بر انجام بسیار خوب یک وظیفه خاص تمرکز دارد. در حالی که این ماشین‌ها ممکن است به نظر هوشمند باشند، آنها تحت محدودیت‌ها و مشکلات بسیار بیشتری نسبت به حتی ساده‌ترین هوش انسانی عمل می‌کنند. 

مثال‌هایی از هوش مصنوعی ضعیف عبارتند از:

* سیری، الکسا و دیگر دستیاران هوشمند 

* خودروهای خودران 

* جستجوی گوگل 

* رباتهای گفتگو محور 

* فیلترهای اسپم ایمیل 

* توصیه‌های نتفلیکس

یادگیری ماشین در برابر یادگیری عمیق

اگر چه اصطلاحات “یادگیری ماشین” و “یادگیری عمیق” اغلب در گفتگوهای مربوط به هوش مصنوعی مطرح می‌شوند، اما نباید آنها را به جای یکدیگر به کار برد. یادگیری عمیق یک نوع از یادگیری ماشین است و یادگیری ماشین زیرمجموعه‌ای از هوش مصنوعی محسوب می‌شود.

یادگیری ماشین

الگوریتم یادگیری ماشین داده‌ها را توسط یک رایانه دریافت می‌کند و از تکنیک‌های آماری برای “یادگیری” بهبود مداوم در یک تکلیف بدون اینکه لزوما به طور خاص برای آن تکلیف برنامه‌ریزی شده باشد، استفاده می‌کند. به جای آن، الگوریتم‌های یادگیری ماشین از داده‌های تاریخی به عنوان ورودی برای پیش‌بینی مقادیر خروجی جدید استفاده می‌کنند. به همین دلیل، یادگیری ماشین شامل یادگیری نظارت‌شده (که خروجی مورد انتظار برای ورودی با توجه به مجموعه داده‌های برچسب‌دار شناخته شده است) و یادگیری بدون نظارت (که خروجی‌های مورد انتظار ناشناخته هستند به دلیل استفاده از مجموعه داده‌های بدون برچسب) است.

یادگیری عمیق

یادگیری عمیق نوعی یادگیری ماشین است که ورودی‌ها را از طریق معماری شبکه عصبی الهام گرفته از زیست‌شناسی عبور می‌دهد. شبکه‌های عصبی شامل تعدادی لایه پنهان هستند که داده‌ها از طریق آنها پردازش می‌شوند و به ماشین امکان می‌دهد تا در “عمق” یادگیری خود فرو رود، ارتباط برقرار کند و ورودی را برای بهترین نتایج وزن‌دهی کند.

انواع هوش مصنوعی

انواع هوش مصنوعی چیست؟ هوش مصنوعی را می‌توان به چهار دسته تقسیم کرد، بر اساس نوع و پیچیدگی تکالیفی که یک سیستم قادر به انجام آن است. این دسته‌بندی‌ها عبارتند از:

1. ماشین‌های واکنشی

2. حافظه محدود

3. نظریه ذهن

4. خودآگاهی

ماشین‌های واکنشی

یک ماشین واکنشی ساده‌ترین اصول هوش مصنوعی را دنبال می‌کند و همانطور که از نام آن پیداست، تنها قادر به استفاده از هوش خود برای درک و واکنش به دنیای پیرامون خود است. یک ماشین واکنشی نمی‌تواند حافظه‌ای ذخیره کند و در نتیجه نمی‌تواند برای تصمیم‌گیری در زمان واقعی بر تجربیات گذشته تکیه کند.

ادراک مستقیم دنیا به این معنی است که ماشین‌های واکنشی برای انجام تنها تعداد محدودی وظیفه تخصصی طراحی شده‌اند. با این حال، تنگ کردن عمدی دید دنیای یک ماشین واکنشی مزایایی دارد: این نوع هوش مصنوعی قابل اطمینان‌تر و اعتمادپذیرتر خواهد بود و همیشه به یک شکل به محرک‌های یکسان واکنش نشان خواهد داد.

نمونه ماشین‌های واکنشی

* **دیپ بلو** در دهه 1990 توسط آی‌بی‌ام به عنوان یک ابررایانه شطرنج‌باز طراحی شد و استاد بین‌المللی شطرنج گری کاسپاروف را شکست داد. دیپ بلو تنها قادر به شناسایی قطعات روی صفحه شطرنج و دانستن نحوه حرکت هر کدام بر اساس قوانین شطرنج بود. این رایانه در حال دنبال کردن حرکات بالقوه آینده حریف یا قرار دادن قطعات خود در موقعیت بهتر نبود. هر نوبت به عنوان یک واقعیت جداگانه دیده می‌شد، مجزا از هر حرکت قبلی.  

* **آلفاگوی** گوگل نیز قادر به ارزیابی حرکات آینده نیست، اما برای ارزیابی تحولات بازی فعلی به شبکه عصبی خود متکی است که باعث برتری آن نسبت به دیپ بلو در یک بازی پیچیده‌تر می‌شود. آلفاگو همچنین برندگان درجه یک جهانی بازی گو را شکست داد و در سال 2016 از قهرمان بازی گو، لی سدول، پیشی گرفت.

حافظه محدود

هوش مصنوعی با حافظه محدود قادر به ذخیره داده‌ها و پیش‌بینی‌های قبلی هنگام جمع‌آوری اطلاعات و سنجش تصمیمات بالقوه است – که در واقع به دنبال راهنمایی‌هایی در گذشته در مورد آینده است. هوش مصنوعی با حافظه محدود پیچیده‌تر است و امکانات بیشتری نسبت به ماشین‌های واکنشی ارائه می‌دهد. 

هوش مصنوعی با حافظه محدود زمانی ایجاد می‌شود که یک تیم به‌طور مداوم یک مدل را در زمینه تجزیه و تحلیل و استفاده از داده‌های جدید آموزش می‌دهد یا یک محیط هوش مصنوعی به گونه‌ای ساخته می‌شود که مدل‌ها بتوانند به صورت خودکار آموزش داده شوند و به‌روز شوند. 

هنگام استفاده از هوش مصنوعی با حافظه محدود در یادگیری ماشین، باید شش مرحله زیر را دنبال کرد:

1. ایجاد داده‌های آموزشی 

2. ایجاد مدل یادگیری ماشین 

3. اطمینان از توانایی مدل در انجام پیش‌بینی 

4. اطمینان از توانایی مدل در دریافت بازخورد انسانی یا محیطی 

5. ذخیره بازخورد انسانی و محیطی به عنوان داده 

6. تکرار مراحل بالا به عنوان یک چرخه 

نظریه ذهن

نظریه ذهن دقیقاً همان است که از نامش پیداست –  در حد نظری. هنوز به قابلیت‌های فناورانه و علمی لازم برای رسیدن به این سطح بعدی از هوش مصنوعی دست نیافته‌ایم. 

این مفهوم بر پایه مبنای روان‌شناختی درک این موضوع استوار است که موجودات زنده دیگر افکار و احساساتی دارند که رفتار خود فرد را تحت تأثیر قرار می‌دهد. از لحاظ ماشین‌های هوش مصنوعی، این بدان معناست که هوش مصنوعی می‌تواند درک کند انسان‌ها، حیوانات و سایر ماشین‌ها چه احساسی دارند و از طریق خوداندیشی و خودتعیینی تصمیم می‌گیرند و سپس از این اطلاعات برای تصمیم‌گیری خودشان استفاده کنند. در واقع، ماشین‌ها باید قادر به درک و پردازش مفهوم “ذهن”، نوسانات احساسی در تصمیم‌گیری و بسیاری از دیگر مفاهیم روان‌شناختی در زمان واقعی باشند تا یک رابطه دوطرفه بین افراد و هوش مصنوعی ایجاد شود.

خودآگاهی

خودآگاهی در هوش مصنوعی چیست؟هنگامی که نظریه ذهن بتواند برقرار شود، که احتمالاً در آینده دور هوش مصنوعی رخ خواهد داد، مرحله نهایی ایجاد خودآگاهی در هوش مصنوعی خواهد بود. این نوع هوش مصنوعی دارای آگاهی در سطح انسان است و از وجود خودش در دنیا و همچنین حضور و وضعیت احساسی دیگران آگاه است. چنین هوش مصنوعی‌ای قادر خواهد بود درک کند دیگران بر اساس نه تنها آنچه با او ارتباط برقرار می‌کنند، بلکه نحوه ارتباط برقرار کردن‌شان به چه چیزی نیازمندند.

خودآگاهی در هوش مصنوعی به محققان انسانی بستگی دارد تا ابتدا مفهوم آگاهی را درک کنند و سپس یاد بگیرند که چگونه آن را شبیه‌سازی کنند تا بتوان آن را در ماشین‌ها تعبیه نمود.

مثال‌هایی از هوش مصنوعی

فناوری هوش مصنوعی اشکال متعددی به خود می‌گیرد، از ربات‌های گفتگو محور گرفته تا برنامه‌های ناوبری و دستگاه‌های پوشیدنی ردیابی تناسب اندام. مثال‌های زیر طیف گسترده‌ای از کاربردهای بالقوه هوش مصنوعی را نشان می‌دهند. 

چت جی‌پی‌تی

چت جی‌پی‌تی یک ربات گفتگو محور هوش مصنوعی است که قادر به تولید محتوای نوشتاری در انواع قالب‌ها، از مقاله‌ها گرفته تا کدنویسی و پاسخ به سوالات ساده است. چت جی‌پی‌تی در نوامبر 2022 توسط OpenAI راه‌اندازی شد و توسط یک مدل زبانی بزرگ که به آن امکان شبیه‌سازی نزدیک نوشتار انسانی را می‌دهد، پشتیبانی می‌شود. چت جی‌پی‌تی همچنین در مه 2023 به عنوان یک برنامه موبایل برای دستگاه‌های iOS و در ژوئیه 2023 برای دستگاه‌های اندروید در دسترس قرار گرفت. این تنها یکی از مثال‌های بسیاری از ربات‌های گفتگو محور است، هرچند که بسیار قدرتمند. 

گوگل مپس

گوگل مپس از داده‌های مکانی گوشی‌های هوشمند و همچنین داده‌های گزارش شده توسط کاربران در مورد مواردی مانند ساخت و ساز و تصادفات رانندگی برای نظارت بر جریان ترافیک و ارزیابی سریع‌ترین مسیر استفاده می‌کند. 

دستیاران هوشمند

دستیاران شخصی هوش مصنوعی مانند سیری، الکسا و کورتانا از پردازش زبان طبیعی برای دریافت دستورالعمل از کاربران برای تنظیم یادآوری‌ها، جستجوی اطلاعات آنلاین و کنترل چراغ‌های منازل افراد استفاده می‌کنند. در بسیاری از موارد، این دستیاران برای یادگیری ترجیحات کاربر و بهبود تجربه آن‌ها با گذشت زمان با پیشنهادها و پاسخ‌های سفارشی‌تر طراحی شده‌اند.

فیلترهای اسنپ‌چت

فیلترهای اسنپ‌چت از الگوریتم‌های یادگیری ماشین برای تمایز بین موضوع یک تصویر و پس‌زمینه آن، ردیابی حرکات صورت و تنظیم تصویر روی صفحه بر اساس آنچه کاربر انجام می‌دهد، استفاده می‌کنند.

خودروهای خودران 

خودروهای بدون راننده یک نمونه قابل تشخیص از یادگیری عمیق هستند، زیرا از شبکه‌های عصبی عمیق برای تشخیص اشیاء اطراف خود، تعیین فاصله خود از سایر خودروها، شناسایی علائم رانندگی و بسیاری موارد دیگر استفاده می‌کنند. 

پوشیدنی‌ها 

سنسورها و دستگاه‌های قابل پوشیدن مورد استفاده در صنعت بهداشت و درمان نیز یادگیری عمیق را برای ارزیابی وضعیت سلامت بیمار از جمله سطح قند خون، فشار خون و ضربان قلب آن‌ها به کار می‌گیرند. آن‌ها همچنین می‌توانند الگوهایی را از داده‌های پزشکی قبلی بیمار استخراج کرده و از آن‌ها برای پیش‌بینی هرگونه وضعیت بهداشتی آینده استفاده کنند. 

موزرو

موزرو، یک برنامه رایانه‌ای ایجاد شده توسط DeepMind است، که گزینه امیدوارکننده ای  برای دستیابی به هوش مصنوعی عمومی واقعی است. موزرو موفق شده بازی‌هایی را که حتی به آن آموزش داده نشده است، از جمله شطرنج و مجموعه کاملی از بازی‌های آتاری، فقط با آزمون و خطا، با بازی کردن میلیون ها بار بازی بر آن مسلط شود.

مزایای هوش مصنوعی

مزایای هوش مصنوعی چیست؟ هوش مصنوعی کاربردهای متعددی دارد – از تسریع توسعه واکسن گرفته تا خودکارسازی تشخیص تقلب بالقوه. بر اساس تحقیقات CB Insights، شرکت‌های هوش مصنوعی در سال 2022 مبلغ 66.8 میلیارد دلار سرمایه جذب کردند که بیش از دو برابر مبلغ جمع‌آوری شده در سال 2020 است. به دلیل پذیرش سریع آن، هوش مصنوعی موجی در صنایع مختلف ایجاد کرده است. 

بانکداری ایمن‌تر 

گزارش 2022 اطلاعات تجاری اینسایدر در مورد هوش مصنوعی در بانکداری نشان داد بیش از نیمی از شرکت‌های خدمات مالی از راه حل‌های هوش مصنوعی برای مدیریت ریسک و تولید درآمد استفاده می‌کنند. به‌کارگیری هوش مصنوعی در بانکداری می‌تواند منجر به صرفه‌جویی تا 400 میلیارد دلار شود.

پزشکی بهتر 

در زمینه پزشکی نیز، گزارش 2021 سازمان جهانی بهداشت خاطرنشان کرد که در حالی که یکپارچه‌سازی هوش مصنوعی در حوزه بهداشت و درمان با چالش‌هایی همراه است، این فناوری “امیدوارکننده است”، زیرا می‌تواند منجر به مزایایی مانند سیاست‌گذاری بهداشتی آگاهانه‌تر و بهبود دقت تشخیص بیماران شود. 

رسانه نوآورانه 

هوش مصنوعی همچنین در صنعت سرگرمی اثر گذاشته است. بازار جهانی هوش مصنوعی در رسانه و سرگرمی پیش‌بینی می‌شود تا سال 2030 به 99.48 میلیارد دلار برسد که نسبت به ارزش 10.87 میلیارد دلار در سال 2021 رشد کرده است. این گسترش شامل کاربردهایی از هوش مصنوعی مانند شناسایی سرقت ادبی و توسعه گرافیک با وضوح بالا است.

چالش‌ها و محدودیت‌های هوش مصنوعی چیست؟

در حالی که هوش مصنوعی قطعاً به عنوان یک دارایی مهم و در حال تکامل سریع دیده می‌شود، این حوزه نوظهور با سهم خود از معایب همراه است. 

مرکز تحقیقات پیو در سال 2021 نظرات 10260 نفر آمریکایی در مورد نگرششان نسبت به هوش مصنوعی را بررسی کرد. نتایج نشان داد 45 درصد از پاسخ‌دهندگان به یک اندازه هیجان‌زده و نگران بودند و 37 درصد بیشتر نگران بودند تا هیجان‌زده. علاوه بر این، بیش از 40 درصد از پاسخ‌دهندگان گفتند خودروهای بدون راننده برای جامعه بد هستند. اما ایده استفاده از هوش مصنوعی برای شناسایی گسترش اطلاعات غلط در شبکه‌های اجتماعی بیشتر مورد استقبال قرار گرفت، به طوری که نزدیک به 40 درصد از پاسخ‌دهندگان آن را ایده ای خوب دانستند. 

هوش مصنوعی برای بهبود بهره‌وری و کارایی در عین کاهش اشتباهات احتمالی انسانی سودمند است. اما برخی معایب نیز در این میان وجود دارد، مانند هزینه‌های توسعه و امکان جایگزینی شغل‌های انسانی توسط ماشین‌های خودکار. با این حال، قابل ذکر است که صنعت هوش مصنوعی قرار است شغل‌هایی را نیز ایجاد کند که برخی از آن‌ها حتی هنوز اختراع نشده‌اند. 

آینده هوش مصنوعی

وقتی به هزینه‌های محاسباتی و زیرساخت‌های فنی داده‌ای که در پشت هوش مصنوعی قرار دارند، فکر می‌کنیم، اجرای واقعی هوش مصنوعی یک کسب و کار پیچیده و پرهزینه است. خوشبختانه، پیشرفت‌های عظیمی در فناوری محاسباتی رخ داده است، همانطور که توسط قانون مور مشخص شده است، که می‌گوید تعداد ترانزیستورها روی یک تراشه حدود هر دو سال یک بار دو برابر می‌شود در حالی که هزینه رایانه‌ها نصف می‌شود. 

اگرچه بسیاری از کارشناسان معتقدند که قانون مور احتمالاً در دهه 2020 به پایان خواهد رسید، اما این تأثیر عمده‌ای بر تکنیک‌های هوش مصنوعی مدرن داشته است – بدون آن، یادگیری عمیق از نظر مالی غیرممکن بود. تحقیقات اخیر نشان داده است که نوآوری هوش مصنوعی در واقع از قانون مور فراتر رفته است و هر شش ماه یکبار یا بیشتر دو برابر شده است. 

با این استدلال، پیشرفت‌هایی که هوش مصنوعی در طول چند سال گذشته در صنایع مختلف داشته است، قابل توجه بوده است. و پتانسیل تأثیر حتی بیشتر در طول چند دهه آینده به نظر غیرقابل اجتناب می‌رسد.

تاریخچه هوش مصنوعی، یک خط زمانی

اولین بار ربات‌های هوشمند و موجودات مصنوعی در افسانه‌های یونان باستان ظاهر شدند. و توسعه قیاس ارسطو و استفاده از استدلال قیاسی توسط او، لحظه مهمی در مسیر بشر برای درک هوش خود به‌شمار می‌رود. در حالی که ریشه‌های آن بسیار طولانی و عمیق است، تاریخ هوش مصنوعی همان‌طور که امروز آن را می‌شناسیم، کمتر از یک قرن است. در زیر نگاه اجمالی به برخی از مهم‌ترین رویدادها در تاریخ هوش مصنوعی آمده است. 

دهه 1940 

* (1942) ایزاک آسیموف سه قانون رباتیک را منتشر می‌کند، ایده‌ای که معمولاً در رسانه‌های علمی-تخیلی درباره اینکه هوش مصنوعی نباید به انسان‌ها آسیب برساند، یافت می‌شود. 

* (1943) وارن مک‌کالو و والتر پیتز مقاله “محاسبات منطقی ایده‌های نهفته در فعالیت عصبی” را منتشر می‌کنند که اولین مدل ریاضی برای ساخت یک شبکه عصبی را پیشنهاد می‌دهد.

* (1949) دونالد هب در کتاب خود با عنوان “سازماندهی رفتار: نظریه‌ای عصب‌روان‌شناختی” نظریه‌ای را مطرح می‌کند که مسیرهای عصبی از تجربیات ایجاد می‌شوند و ارتباط بین نورون‌ها هرچه بیشتر استفاده شوند، قوی‌تر می‌شوند. یادگیری هبی همچنان یک مدل مهم در هوش مصنوعی به شمار می‌رود. 

دهه 1950 

* (1950) آلن تورینگ مقاله “ماشین‌های محاسب و هوش” را منتشر می‌کند و آزمون تورینگ را پیشنهاد می‌دهد، روشی برای تعیین اینکه آیا یک ماشین هوشمند است یا خیر.  

* (1950) دانشجویان کارشناسی هاروارد ماروین مینسکی و دین ادموندز اولین رایانه شبکه عصبی به نام اسنارک را می‌سازند. 

* (1950) کلود شانون مقاله “برنامه‌ریزی رایانه برای بازی شطرنج” را منتشر می‌کند.  

* (1952) آرتور ساموئل یک برنامه یادگیری خودکار برای بازی دام بازی می‌سازد.

* (1954) آزمایش ترجمه ماشین گیتاون-آی‌بی‌ام، خودکار 60 جمله روسی انتخاب شده با دقت را به انگلیسی ترجمه می‌کند. 

* (1956) اصطلاح “هوش مصنوعی” در پروژه تحقیقاتی تابستانی دارتموث درباره هوش مصنوعی ابداع می‌شود. این کنفرانس که به رهبری جان مک‌کارتی بود، عموماً به عنوان محل تولد هوش مصنوعی شناخته می‌شود. 

* (1956) آلن نیوول و هربرت سایمون اولین برنامه استدلال‌گر به نام منطق‌دان را نمایش می‌دهند. 

* (1958) جان مک‌کارتی زبان برنامه‌نویسی هوش مصنوعی لیسپ را توسعه می‌دهد و مقاله “برنامه‌هایی با شعور مشترک” را منتشر می‌کند و در آن یک سیستم هوش مصنوعی کامل فرضی به نام مشاوره‌گیرنده را پیشنهاد می‌دهد که توانایی یادگیری از تجربه به اندازه انسان‌های مؤثر دارد.

* (1959) آلن نیوول، هربرت سایمون و جی. سی. شاو برنامه حل‌کننده مسئله کلی را توسعه می‌دهند، یک برنامه طراحی شده برای تقلید از حل مسئله انسانی.

* (1959) هربرت گلرنتر برنامه اثبات‌کننده قضیه هندسی را توسعه می‌دهد. 

* (1959) آرتور ساموئل اصطلاح “یادگیری ماشین” را در حال کار در آی‌بی‌ام ابداع می‌کند. 

* (1959) جان مک‌کارتی و ماروین مینسکی پروژه هوش مصنوعی ام‌آی‌تی را تأسیس می‌کنند. 

دهه 1960

* (1963) جان مک‌کارتی آزمایشگاه هوش مصنوعی استنفورد را راه‌اندازی می‌کند. 

* (1966) گزارش کمیته مشورتی پردازش زبان خودکار دولت ایالات متحده مبنی بر فقدان پیشرفت در تحقیقات ترجمه ماشینی، یک ابتکار عمده جنگ سرد با وعده ترجمه خودکار و آنی زبان روسی منتشر می‌شود. گزارش ALPAC منجربه لغو همه پروژه‌های ترجمه ماشینی تأمین شده توسط دولت می‌شود. 

* (1969) اولین سیستم‌های خبره موفق به نام‌های دندرال و مایسین در استنفورد ایجاد می‌شوند.

دهه 1970

* (1972) زبان برنامه‌نویسی منطقی پرولوگ ایجاد می‌شود. 

* (1973) گزارش لیت‌هیل، جزئیات ناامیدکننده تحقیقات هوش مصنوعی را منتشر می‌کند و منجر به کاهش شدید بودجه پروژه‌های هوش مصنوعی توسط دولت بریتانیا می‌شود. 

* (1974-1980) نارضایتی از پیشرفت توسعه هوش مصنوعی منجر به کاهش اعطای بورس تحصیلی دارپا در دانشگاه‌ها می‌شود. همراه با گزارش قبلی ALPAC و گزارش لیت‌هیل سال قبل، تأمین بودجه هوش مصنوعی قطع می‌شود و تحقیقات متوقف می‌شود. این دوره به عنوان “زمستان اول هوش مصنوعی” شناخته می‌شود. 

دهه 1980

* (1980) شرکت دیجیتال ایکویپمنت کورپوریشن، R1 را توسعه می‌دهد (همچنین به نام اکس‌کان شناخته می‌شود)، اولین سیستم خبره تجاری موفق. R1 که برای پیکربندی سفارشات سیستم‌های رایانه‌ای جدید طراحی شده بود، منجر به شروع یک رونق سرمایه‌گذاری در سیستم‌های خبره می‌شود که بیشتر دهه ادامه می‌یابد و به طور مؤثر زمستان اول هوش مصنوعی را پایان می‌دهد. 

* (1982) وزارت بازرگانی بین‌المللی و صنعت ژاپن پروژه سیستم‌های رایانه‌ای نسل پنجم را که یک پروژه بلندپروازانه است، راه‌اندازی می‌کند. هدف FGCS دستیابی به عملکرد ابررایانه و یک پلتفرم برای توسعه هوش مصنوعی است. 

* (1983) در پاسخ به FGCS ژاپن، دولت آمریکا ابتکار راهبردی محاسبات را برای فراهم کردن تحقیق تأمین شده توسط دارپا در زمینه محاسبات پیشرفته و هوش مصنوعی راه‌اندازی می‌کند. 

* (1985) شرکت‌ها سالانه بیش از یک میلیارد دلار صرف سیستم‌های خبره می‌کنند و بازاری کامل به نام بازار ماشین‌های لیسپ برای پشتیبانی از آن‌ها ظهور می‌کند. شرکت‌هایی مانند سیمبولیکس و ماشین‌های لیسپ اینک رایانه‌های مخصوصی را برای اجرای زبان برنامه‌نویسی هوش مصنوعی لیسپ می‌سازند. 

* (1987-1993) با بهبود فناوری محاسباتی، جایگزین‌های ارزان‌تری ظهور کرد و بازار ماشین‌های لیسپ در سال 1987 فروپاشید که “زمستان دوم هوش مصنوعی” را آغاز کرد. در این دوره، سیستم‌های خبره خیلی گران برای نگهداری و به‌روزرسانی شدند و در نهایت محبوبیت خود را از دست دادند.

### دهه 1990

* (1991) نیروهای آمریکایی در جنگ خلیج‌فارس ابزار برنامه‌ریزی و زمان‌بندی خودکار به نام دارت را راه‌اندازی می‌کنند. 

* (1992) ژاپن پروژه FGCS را در سال 1992 متوقف می‌کند و عدم موفقیت در دستیابی به اهداف بلندپروازانه ترسیم شده یک دهه قبل را علت می‌داند.

* (1993) دارپا پس از هزینه کردن حدود 1 میلیارد دلار و از دست دادن انتظارات، ابتکار راهبردی محاسبات را در سال 1993 متوقف می‌کند. 

* (1997) دیپ بلو آی‌بی‌ام، قهرمان شطرنج جهان گری کاسپاروف را شکست می‌دهد. 

### دهه 2000

* (2005) استنلی، یک خودروی بدون راننده، چالش بزرگ دارپا را برنده می‌شود. 

* (2005) ارتش آمریکا شروع به سرمایه‌گذاری در ربات‌های خودمختاری مانند “سگ بزرگ” بوستون داینامیکس و “پک‌بات” آی‌ربات می‌کند.

* (2008) گوگل پیشرفت‌هایی در بازشناسی گفتار دارد و این ویژگی را در برنامه آیفون خود معرفی می‌کند. 

### دهه 2010

* (2011) واتسون آی‌بی‌ام به راحتی رقبای خود را در مسابقه جوپردی شکست می‌دهد.

* (2011) اپل سیری را منتشر می‌کند، یک دستیار مجازی هوشمند مبتنی بر هوش مصنوعی از طریق سیستم‌عامل iOS خود. 

* (2012) اندرو ان‌جی، بنیان‌گذار پروژه یادگیری عمیق مغز گوگل، 10 میلیون ویدیو یوتیوب را به عنوان مجموعه داده‌های آموزشی به یک شبکه عصبی تغذیه می‌کند. شبکه عصبی بدون اینکه به آن گفته شود گربه چیست، یاد گرفت گربه را بدون اطلاع قبلی تشخیص دهد که آغاز عصر طلایی شبکه‌های عصبی و تأمین مالی یادگیری عمیق بود.

* (2014) گوگل اولین خودروی خودرانی را که آزمون رانندگی ایالتی را پشت سر گذاشته است، عرضه می‌کند. 

* (2014) الکسای امازون به عنوان یک دستگاه هوشمند منزل ارائه می‌شود.

* (2016) آلفاگوی گوگل دیپ‌مایند، بازیکن قهرمان گو جهان لی سدول را شکست می‌دهد. پیچیدگی بازی کهن چینی به عنوان یک مانع عمده در هوش مصنوعی دیده می‌شد.

* (2016) اولین “شهروند ربات” به نام سوفیا که یک ربات انسان‌نمای ایجاد شده توسط شرکت هانسون رباتیکس بود و قادر به شناسایی چهره، ارتباط کلامی و بیان چهره‌ای ساخته شد.

* (2018) گوگل موتور پردازش زبان طبیعی برت را عرضه می‌کند که موانع ترجمه و درک توسط برنامه‌های یادگیری ماشینی را کاهش می‌دهد.

* (2018) ویمو سرویس خود، ویمو وان را راه‌اندازی می‌کند که به کاربران در سراسر منطقه کلان‌شهری فینیکس اجازه می‌دهد درخواست یکی از خودروهای بدون راننده شرکت را برای برداشتن خود ارائه دهند.

### دهه 2020

* (2020) بایدو الگوریتم LinearFold هوش مصنوعی خود را برای تیم‌های علمی و پزشکی که در مراحل اولیه همه‌گیری ویروس سارس-کووی-۲ در حال توسعه واکسن هستند، عرضه می‌کند. این الگوریتم قادر است توالی RNA ویروس را در عرض 27 ثانیه پیش‌بینی کند که 120 برابر سریع‌تر از سایر روش‌ها است. 

* (2020) OpenAI مدل پردازش زبان طبیعی GPT-3 را منتشر می‌کند که قادر به تولید متنی شبیه به نحوه صحبت کردن و نوشتن انسان است.

* (2021) OpenAI بر اساس GPT-3، DALL-E را توسعه می‌دهد که می‌تواند تصاویری از عبارات متنی ایجاد کند. 

* (2022) انستیتوی ملی استانداردها و فناوری اولین پیش‌نویس چارچوب مدیریت ریسک هوش مصنوعی خود را منتشر می‌کند که یک راهنمای داوطلبانه آمریکایی است “برای مدیریت بهتر ریسک‌های افراد، سازمان‌ها و جامعه مرتبط با هوش مصنوعی.”

* (2022) دیپ‌مایند سیستم هوش مصنوعی گیتو را رونمایی می‌کند که برای انجام صدها تکلیف از جمله بازی آتاری، زیرنویس تصاویر و استفاده از یک بازوی رباتیک برای قرار دادن بلوک‌ها آموزش دیده است. 

* (2022) OpenAI چت جی‌پی‌تی را راه‌اندازی می‌کند، یک ربات گفتگو محور توانمند شده با مدل زبانی بزرگ که در عرض چند ماه بیش از 100 میلیون کاربر به دست می‌آورد.

* (2023) مایکروسافت نسخه هوش مصنوعی از موتور جستجوی بینگ خود را که با همان فناوری که چت جی‌پی‌تی را قدرت می‌بخشد ساخته شده، راه‌اندازی می‌کند. 

* (2023) گوگل اعلام می‌کند بارد، یک هوش مصنوعی مکالمه‌ای رقیب خواهد داشت. 

* (2023) OpenAI جدیدترین و پیشرفته‌ترین مدل زبانی خود به نام جی‌پی‌تی-4 را عرضه می‌کند.

منبع: builti

درباره بیناپردازان هوشمند سپاهان

شرکت بیناپردازان هوشمند سپاهان با بیش از 10 سال تجربه در حوزه بینایی ماشین، اتوماسیون صنعتی و هوش مصنوعی، به عنوان یک پیشرو در عرصه فناوری در ایران شناخته می‌شود. 

ما به عنوان یک تیم متخصص و پر انگیزه، به دنبال راه‌حل‌های نوآورانه و هوش مصنوعی پیشرفته برای ارائه بهترین و با کیفیت‌ترین محصولات و خدمات به مشتریان خود هستیم. 

ما با افتخار به دنیایی از فرصت‌ها و امکاناتی که توسط فناوری هوش مصنوعی و اتوماسیون صنعتی ایجاد می‌شود، خوش آمدید می‌گوییم و متعهد به ارتقاء صنعت و کسب و کارهای شما هستیم. ما به عنوان شریکی قابل اعتماد در سفر شما به سوی موفقیت حضور داریم.

از اعتماد شما سپاسگزاریم و از همکاری‌های مستمر با شما برای ایجاد آینده‌ای روشن و نوآورانه در عرصه فناوری استقبال می‌کنیم.