شاید اصطلاح هوش مصنوعی یا ماشین‌های هوشمند را شنیده باشید.
برخی از فیلم‌های سینمایی با ژانر علمی تخیلی و موضوع آینده این موضوع را به تصویر کشیده‌اند.
در این فیلم‌ها، ماشین‌هایی را می‌بینید با ظاهری عجیب و بعضاً شبیه به انسان که بر انسان‌ها حکومت می‌کنند.
جنگ‌های غیرقابل‌باور بین انسان‌ها و ربات‌ها.
در این نوشته می‌خواهیم کمی بیشتر در مورد هوش مصنوعی گفتگو کنیم.
به همین جهت در ابتدا تعریف درستی از هوش مصنوعی داشته باشیم.
هوش مصنوعی یا Artificial Intelligence:
سامانه‌هایی هستند که می‌توانند همانند انسان بیندیشند و عمل کنند.
ماشین‌هایی که با شیوه‌های درک و استدلالی آشنا هستند و می‌توانند مسائل را حل کنند.
سرعت و دقت تحلیل و محاسبه در انجام الگوریتم‌های پیچیده از دیگر مشخصات بارز آن‌هاست.
این ماشین‌ها به نرم‌افزارهایی مجهز هستند که می‌توانند با بررسی و شناخت محیط اطراف، وضعیت موجود را تحلیل کرده و بهترین تصمیمات را بگیرند.
این تصمیم‌ها فقط مربوط به همان زمان نیستند بلکه بسته به نوع مشکل، آن‌ها قادر خواهند بود تا چندین احتمال آینده را بررسی کرده و درست‌ترین راه‌حل‌ها را پیشنهاد و اجرا کنند.
هوش مصنوعی چه تفاوتی با یادگیری ماشین یا Machine Learning دارد؟
یادگیری ماشین همان‌طور که از نامش پیداست یعنی ماشین‌هایی که توانایی یادگیری دارند.
اگر انسان در مدت‌زمانی طولانی در حال آموختن مطالب زیادی باشد از دید دیگر انسان‌ها، او فرد باهوش و متخصصی است.
این انسان توانسته با استفاده از آموزش مطالب به درجه استدلال و تحلیل درست برسد و مشکلات مربوط به آن حیطه آموزشی را به‌درستی حل و بحث کند.
چنانچه این پدیده توسط ماشین انجام شود به آن «یادگیری ماشین» گفته می‌شود.
هوش مصنوعی نتیجه نهایی یادگیری ماشین است.
هدف نهایی هوش مصنوعی این است که بتوانیم رباتی بسازیم که همانند انسان بیندیشد.
تفاوت هوش مصنوعی با دیگر نرم‌افزارها چیست؟
هنگامی‌که یک مهندس یا طراح نرم‌افزار، سیستمی را طراحی می‌کند، اوست که روش کار و اجرای نرم‌افزار را مشخص می‌کند.
نرم‌افزار خودش قابلیت اجرای پروسه‌هایی که برایش برنامه‌ریزی نشده است را ندارد ولی در مبحث یادگیری ماشین، این ماشین است که می‌تواند بر اساس آموخته‌هایش حرکت بعدی را حدس بزند.
فرض کنید نرم‌افزاری شبیه به مغز انسان طراحی می‌کنیم.
اینک در کنار آن نرم‌افزار حجم عظیمی از اطلاعات و داده‌ها را قرار می‌دهیم.
همان‌طور که مغز انسان به‌مرور اطلاعات را درک می‌کند و روابط بین آن‌ها را تشخیص می‌دهد، آن برنامه نیز می‌تواند به‌مرور آموزش ببیند.
پس از مدتی نرم‌افزار می‌تواند ارتباط بین داده‌ها را تحلیل کرده و رفتار متناسب را برگزیند.
روند تکمیلی هوش مصنوعی چگونه است؟
اولین نسخه قابل‌اجرای هوش مصنوعی در سال ۱۹۷۰ ارائه شد.
بااینکه در حدود ۴۰ سال از آغاز به کار دانشمندان در این زمینه گذشته بود ولی تا آن موقع خروجی درستی از آن حاصل نشده بود.
هدف اصلی این بود که نرم‌افزاری ساخته شود تا بتواند بخشی از ذهن انسان را شبیه‌سازی کند.
مثلاً هوش مصنوعی که بتواند رانندگی کند، نقاشی کند، مانند یک پزشک دردهای انسان را تشخیص دهد، موزیک بنوازد و شبیه به آن.
تا سال ۲۰۱۳ حتی پیشرفته‌ترین هوش مصنوعی ساخته‌شده نمی‌توانست تفاوت بین سگ و گربه را تشخیص دهد ولی پس‌ازآن تحولات جالبی رخ داد.
اول: هم‌زمان با پیشرفت تکنولوژی، قدرت انتقال (Contagion Power) نیز افزایش یافت.
بدین معنا که ماشین‌های قوی‌تری به وجود آمدند که می‌توانستند اطلاعات را خیلی بیشتر و سریع‌تر پردازش کنند.
دوم: حجم اطلاعات (Data) خیلی زیاد شد.
این حجم بزرگ اطلاعات، به‌سرعتِ حل کردن الگوریتم‌ها کمک شایانی کرد.
با قوی شدن این دو عامل تئوری‌های هوش مصنوعی قدرت بیشتری گرفتند.
اینجا بود که پرسشی جالب مطرح شد:
با توجه به اینکه هوش مصنوعی تا سال ۲۰۱۳ هنوز فرق بین سگ و گربه را تشخیص نمی‌داد، چقدر زمان لازم بود تا آن‌ها از انسان باهوش‌تر شوند؟
برای رسیدن به پاسخ واقعی‌تر، روش مقایسه‌ای مطرح شد.
این روش به آزمون تورینگ معروف است و بدین‌صورت است که یک سری آزمون یا بازی مانند شطرنج (Chess)، پوکر (Poker) و گو (Go Game) تعریف می‌شود.
سپس مسابقه‌ای بین الگوریتم‌های یادگیری ماشین و انسان برگزار می‌گردد و نتیجه بررسی می‌شود.
بازی شطرنج:
بیست سال پیش این اتفاق افتاد و در آن سال انسان از ماشین شکست خورد.
بازی گو:
در سال ۲۰۱۶ تیم AlphaGo که متخصص بازی گو بودند، قهرمان دنیا را شکست داد.
در همان سال این تیم، با ماشین مسابقه داد و نتیجه ۴ بر ۱ به سود ماشین بود.
سال بعد الگوریتم هوش مصنوعی ۲۰۱۶ در برابر الگوریتم جدید آن در سال ۲۰۱۷ در مسابقه‌ای روبه‌روی هم قرار گرفتند. یعنی رویارویی دو ماشین به فاصله یک‌سال پیشرفت.
فکر می‌کنید نتیجه این مسابقه چه بود؟
الگوریتم جدید توانست با نتیجه ۴۰۰ بر صفر، الگوریتم سال قبل را شکست دهد.
این در حالی بود که نسل جدید یادگیری ماشین هیچ‌گونه دسترسی به بازی‌های قبلی انسان نداشت و هر چه بلد بود خودش یاد گرفته بود.
خوب دقت کنید؛ نسل اولیه (سال ۲۰۱۶) از بازی انسان‌ها آموخته بود و ۴ بر یک انسان را شکست داد؛ نسل جدید (سال ۲۰۱۷) بدون یادگیری از بازی انسان‌ها و با استفاده از داده‌های خودش، ۴۰۰ بر صفر نسخه قبلی خودش را بُرد!
بازی پوکر:
در سال ۲۰۱۹ یک گروه تحقیقاتی از فیس بوک (Facebook) و کارنگی ملون (Carnegie Mellon University) یک نرم‌افزار یادگیری ماشین طراحی کردند و با ۵ نفر از پوکر بازان حرفه‌ای سر یک میز ۶ نفره مشغول بازی شدند.
نتیجه این شد که ماشین توانست در طی ۱۰٫۰۰۰ دست بازی، هر پنج نفر را شکست دهد.
با این تحقیقات، پاسخ این پرسش این است:
این اتفاق پیش‌تر به وقوع پیوسته و ماشین از انسان هوشمندتر شده است.
بااین‌وجود هنوز ماشین‌ها نمی‌توانند مانند انسان به‌صورت عمومی یا همه‌جانبه (General Thinking) فکر کنند.
آن‌ها تنها قادرند در همان موضوعاتی که آموزش‌دیده‌اند خوب عمل کنند.
زمانی خواهد رسید که ماشین‌ها از انسان‌ها پیشی می‌گیرند.
دو دلیل برای این ادعا وجود دارد:
دلیل اول: ماشین‌ها قابل تکثیر و بزرگ شدن هستند. برای روشن‌تر شدن مثالی می‌زنم.
فرض کنید نرم‌افزاری بر روی یک سخت‌افزار باقدرت ثابت در حال کار کردن است.
با پیشرفت علم و تکنولوژی توانسته‌ایم آن سخت‌افزار را ۱۰۰ برابر کنیم درنتیجه قدرت ماشین تقریباً ۸۰ برابر می‌شود (چون دقیقاً نمی‌توانیم همان ۱۰۰ برابر را دریافت کنیم).
در مقابل آیا می‌توانم عملکرد مغز انسان را صد برابر کنیم یا مغز صد نفر را به هم وصل کنیم تا نتیجه بهتری بگیریم؟
دلیل دوم ارتباط کُند بین انسان‌هاست.
ردوبدل کردن اطلاعات در انسان‌ها از روش صحبت کردن، شنیدن یا به‌طورکلی به‌وسیله حواس ما انجام می‌شود.
نوع گفتگوی ما بسیار ضعیف‌تر از گفتگوی ماشین‌هاست.
آن‌ها در کسری از ثانیه چندین ترابایت اطلاعات را ردوبدل می‌کنند.
هیچ‌گاه انسان نمی‌تواند در این مورد با ماشین رقابت کند.
