هوش مصنوعی محدود چه کاری می تواند انجام دهد؟

تعداد زیادی برنامه در حال ظهور برای هوش مصنوعی محدود وجود دارد:

• تفسیر فیدهای ویدئویی از هواپیماهای بدون سرنشین که بازرسی های بصری زیرساخت هایی مانند خطوط لوله نفت را انجام می دهند.
• سازماندهی تقویم های شخصی و تجاری
• پاسخگویی به سوالات ساده خدمات مشتری
• هماهنگی با سایر سیستم های هوشمند برای انجام کارهایی مانند رزرو هتل در زمان و مکان مناسب.
• کمک به رادیولوژیست ها برای تشخیص تومورهای بالقوه در اشعه ایکس.
• پرچم گذاری محتوای نامناسب آنلاین، تشخیص فرسودگی آسانسورها از داده های جمع آوری شده توسط دستگاه های اینترنت.
• تولید یک مدل سه بعدی از جهان از تصاویر ماهواره ای ... این لیست ادامه دارد و ادامه دارد.

کاربردهای جدید این سیستم های یادگیری همیشه در حال ظهور هستند. طراح کارت گرافیک Nvidia اخیرا سیستم Maxine مبتنی بر هوش مصنوعی را معرفی کرده است که به افراد امکان می‌دهد تقریباً بدون توجه به سرعت اتصال اینترنت خود، تماس‌های ویدیویی با کیفیت خوب برقرار کنند. این سیستم پهنای باند مورد نیاز برای چنین تماس‌هایی را با انتقال ندادن جریان کامل ویدئو از طریق اینترنت و به جای متحرک کردن تعداد کمی از تصاویر ثابت تماس‌گیرنده به روشی که برای بازتولید حالات و حرکات چهره تماس‌گیرندگان طراحی شده است، ۱۰ برابر کاهش می‌دهد. در زمان واقعی و غیر قابل تشخیص از ویدیو.

با این حال، به همان اندازه که این سیستم ها دارای پتانسیل استفاده نشده هستند، گاهی جاه طلبی ها برای فناوری از واقعیت پیشی می گیرد. نمونه‌ای از آن خودروهای خودران هستند که خود توسط سیستم‌های مجهز به هوش مصنوعی مانند بینایی کامپیوتری پشتیبانی می‌شوند. شرکت خودروهای برقی تسلا تا حدودی از جدول زمانی اصلی مدیرعامل ایلان ماسک برای ارتقای سیستم خلبان خودکار خودرو به "خودرانی کامل" از قابلیت‌های محدودتر کمکی این سیستم عقب مانده است، در حالی که گزینه "خودران کامل" به تازگی در دسترس قرار گرفته است.

هوش مصنوعی عمومی چه کاری می تواند انجام دهد؟

نظرسنجی انجام شده بین چهار گروه از متخصصان در سال 2012/2013 توسط محققین هوش مصنوعی وینسنت سی مولر و فیلسوف نیک بوستروم، 50 درصد احتمال ایجاد هوش عمومی مصنوعی (AGI) بین سال‌های 2040 تا 2050 را گزارش کرد که تا سال 2075 به 90 درصد افزایش خواهد یافت. گروه حتی فراتر رفت و پیش‌بینی کرد که به اصطلاح «ابر هوش» - که بوستروم آن را به عنوان «هر عقلی که تقریباً در همه حوزه‌های مورد علاقه از عملکرد شناختی انسان‌ها بسیار فراتر می‌رود» تعریف می‌کند - حدود 30 سال پس از دستیابی به AGI انتظار می‌رفت.

با این حال، ارزیابی های اخیر توسط کارشناسان هوش مصنوعی محتاطانه تر است. پیشگامان در زمینه تحقیقات مدرن هوش مصنوعی مانند جفری هینتون، دمیس حسابیس و یان لیکان می گویند که جامعه به هیچ وجه به توسعه AGI نزدیک نیست. با توجه به شک و تردید نسبت به چراغ‌های پیشرو در زمینه هوش مصنوعی مدرن و ماهیت بسیار متفاوت سیستم‌های محدود هوش مصنوعی مدرن با AGI، شاید دلیل کمی برای ترس از اینکه هوش مصنوعی عمومی جامعه را در آینده نزدیک مختل کند وجود داشته باشد.

با این حال، برخی از کارشناسان هوش مصنوعی معتقدند که با توجه به درک محدود ما از مغز انسان، چنین پیش بینی هایی بسیار خوش بینانه است و معتقدند که AGI هنوز قرن ها با آن فاصله دارد.

نقاط عطف اخیر در توسعه هوش مصنوعی چیست؟

در حالی که هوش مصنوعی محدود مدرن ممکن است محدود به انجام وظایف خاص باشد، در تخصص های خود، این سیستم ها گاهی اوقات قادر به عملکرد مافوق انسانی هستند، در برخی موارد حتی خلاقیت برتر را نشان می دهند، ویژگی که اغلب ذاتاً انسانی است.

پیشرفت های زیادی برای جمع آوری یک لیست قطعی وجود دارد، اما برخی از نکات برجسته عبارتند از:

• در سال 2009 گوگل نشان داد تویوتا پریوس خودران خود می تواند بیش از 10 سفر به طول 100 مایل را طی کند و جامعه را در مسیری به سمت وسایل نقلیه بدون راننده قرار دهد.
• 
  در سال 2011، سیستم کامپیوتری IBM Watson با برنده شدن در مسابقه آمریکایی Jeopardy!، با شکست دادن دو نفر از بهترین بازیکنانی که این نمایش تا به حال تولید کرده بود، تیتر خبرهای جهانی شد. برای برنده شدن در این نمایش، واتسون از پردازش و تجزیه و تحلیل زبان طبیعی بر روی مخازن وسیعی از داده‌ها استفاده کرد که برای پاسخ به سؤالات انسان، اغلب در کسری از ثانیه پردازش می‌شوند.
• 
  در سال 2012، پیشرفت دیگری از پتانسیل هوش مصنوعی برای مقابله با بسیاری از وظایف جدید خبر داد که قبلاً برای هر ماشینی بیش از حد پیچیده تصور می شد. در آن سال، سیستم AlexNet به طور قاطع در چالش تشخیص تصویری در مقیاس بزرگ ImageNet پیروز شد. دقت AlexNet به حدی بود که میزان خطا را در مقایسه با سیستم های رقیب در مسابقه تشخیص تصویر به نصف کاهش داد.
  عملکرد AlexNet قدرت سیستم‌های یادگیری مبتنی بر شبکه‌های عصبی را نشان داد، مدلی برای یادگیری ماشینی که برای دهه‌ها وجود داشت، اما در نهایت به دلیل اصلاحات در معماری و جهش در قدرت پردازش موازی که توسط قانون مور امکان‌پذیر شده بود، پتانسیل خود را محقق می‌کرد. مهارت سیستم‌های یادگیری ماشینی در اجرای بینایی رایانه‌ای نیز در آن سال سرفصل خبرها شد و گوگل سیستمی را آموزش داد تا یک مورد علاقه اینترنتی را تشخیص دهد.

نمایش بعدی کارآمدی سیستم‌های یادگیری ماشینی که توجه عموم را به خود جلب کرد، پیروزی هوش مصنوعی Google DeepMind AlphaGo در سال 2016 بر یک استاد بزرگ انسانی در Go بود، یک بازی چینی باستانی که پیچیدگی آن برای دهه‌ها کامپیوترها را تحت تأثیر قرار داد. Go حدود 200 حرکت ممکن در هر نوبت دارد در مقایسه با حدود 20 حرکت در شطرنج. در طول بازی Go، حرکات احتمالی زیادی وجود دارد که جستجو در هر یک از آنها از قبل برای شناسایی بهترین بازی از نظر محاسباتی بسیار پرهزینه است. در عوض، AlphaGo با انجام حرکات توسط متخصصان انسانی در 30 میلیون بازی Go و تغذیه آنها در شبکه های عصبی عمیق آموزش دید که چگونه بازی کند.

آموزش این شبکه‌های یادگیری عمیق می‌تواند زمان بسیار زیادی طول بکشد، و نیاز به دریافت مقادیر زیادی از داده‌ها و تکرار آنها دارد، زیرا سیستم به تدریج مدل خود را برای دستیابی به بهترین نتیجه اصلاح می‌کند.

با این حال، اخیراً، گوگل فرآیند آموزش را با AlphaGo Zero اصلاح کرده است، سیستمی که بازی‌های "کاملاً تصادفی" را علیه خودش انجام می‌دهد و سپس از آن یاد می‌گیرد. دمیس حسابیس، مدیرعامل گوگل دیپ مایند نیز از نسخه جدیدی از AlphaGo Zero رونمایی کرده است که در بازی های شطرنج و شوگی تسلط دارد.

و هوش مصنوعی همچنان از نقاط عطف جدید عبور می کند: سیستمی که توسط OpenAI آموزش دیده است، بازیکنان برتر جهان را در مسابقات تک نفره بازی چند نفره آنلاین Dota 2 شکست داده است.

در همان سال، OpenAI عوامل هوش مصنوعی را ایجاد کرد که زبان خود را برای همکاری و رسیدن به هدف خود به طور مؤثرتر اختراع کردند و به دنبال آن ماموران فیس بوک برای مذاکره و دروغ گفتن آموزش دادند.

سال 2020 سالی بود که در آن یک سیستم هوش مصنوعی ظاهراً این توانایی را به دست آورد که تقریباً در مورد هر موضوعی که فکرش را بکنید مانند یک انسان بنویسد و صحبت کند.

سیستم مورد بحث که با نام Generative Pre-trained Transformer 3 یا GPT-3 به اختصار شناخته می شود، یک شبکه عصبی است که بر روی میلیاردها مقاله انگلیسی زبان موجود در وب باز آموزش دیده است.

از مدت کوتاهی پس از اینکه توسط سازمان غیرانتفاعی OpenAI برای آزمایش در دسترس قرار گرفت، اینترنت پر از توانایی GPT-3 برای تولید مقاله در مورد تقریباً هر موضوعی بود که به آن داده می شد، مقالاتی که در نگاه اول اغلب دشوار بود. از آنهایی که توسط یک انسان نوشته شده است متمایز شود. به طور مشابه، نتایج چشمگیر در سایر زمینه ها به دنبال داشت، با توانایی آن در پاسخ قانع کننده به سؤالات در مورد طیف گسترده ای از موضوعات و حتی برای یک کدنویس جاوا اسکریپت مبتدی.

اما در حالی که بسیاری از مقالات تولید شده توسط GPT-3 حالتی واقعی داشتند، آزمایش‌های بیشتر نشان داد که جملات تولید شده اغلب به نتیجه نمی‌رسند، و عبارات سطحی قابل قبول اما گیج‌کننده و همچنین گاهی اوقات مزخرف آشکار را ارائه می‌دهند.

هنوز علاقه قابل توجهی به استفاده از درک زبان طبیعی مدل در مورد مبنای خدمات آینده وجود دارد. برای توسعه دهندگان منتخب برای ایجاد نرم افزار از طریق API بتای OpenAI در دسترس است. همچنین در سرویس‌های آتی موجود از طریق پلتفرم ابری Azure مایکروسافت گنجانده خواهد شد.

شاید بارزترین نمونه از پتانسیل هوش مصنوعی اواخر سال 2020 بود، زمانی که شبکه عصبی مبتنی بر توجه گوگل AlphaFold 2 نتیجه‌ای را نشان داد که برخی آن را شایسته دریافت جایزه نوبل شیمی می‌دانستند.

توانایی سیستم برای نگاه کردن به بلوک های سازنده پروتئین، معروف به اسیدهای آمینه، و استخراج ساختار سه بعدی آن پروتئین می تواند عمیقاً تحت تأثیر قرار گیرد. در مسابقه ارزیابی انتقادی پیش‌بینی ساختار پروتئین، AlphaFold 2 ساختار سه‌بعدی یک پروتئین را با دقت کریستالوگرافی رقیب، استاندارد طلایی برای مدل‌سازی متقاعدکننده پروتئین‌ها، تعیین کرد.

برخلاف کریستالوگرافی، که ماه ها طول می کشد تا نتایج را نشان دهد، AlphaFold 2 می تواند پروتئین ها را در چند ساعت مدل سازی کند. با توجه به اینکه ساختار سه‌بعدی پروتئین‌ها نقش مهمی در زیست‌شناسی و بیماری‌های انسان ایفا می‌کنند، چنین سرعت‌گیری به عنوان یک پیشرفت مهم برای علم پزشکی اعلام شده است، بدون اینکه به کاربردهای بالقوه در سایر مناطقی که آنزیم‌ها در بیوتکنولوژی استفاده می‌شوند اشاره کنیم.