آشنایی با اصطلاحات رایج و پر کاربرد هوش مصنوعی

اصطلاحات رایج هوش مصنوعی

در حالی که بیشتر مردم دید کلی پیرامون فناوری هوش مصنوعی دارند، اما اگر از آن‌ها سوال کنید که تعریف کوتاهی از هوش مصنوعی ارائه کنند، به سختی قادر به انجام این‌کار هستند. این در حالی است که برای مثال، واژه‌ای مثل الگوریتم توسط افراد زیادی شنیده شده، اما در تعریف عملکرد دقیق این فناوری نیز با مشکل روبرو هستند. امروزه در دنیای هوش مصنوعی با اصطلاحات مختلفی مثل هوش مصنوعی محدود، هوش مصنوعی عمومی، یادگیری ماشین، شبکه‌های عصبی، یادگیری عمیق و تکنیگی روبرو می‌شویم که در عمل تفاوت‌های زیادی با یکدیگر دارند. در این مقاله قصد داریم تعاریف بسیار کوتاهی از برخی از اصطلاحات متداول هوش مصنوعی ارائه کنیم، اما قبل از پرداختن به اصطلاحات متداول هوش مصنوعی بهتر است نگاهی کوتاه به مفهوم هوشمندی داشته باشیم و در ادامه به سراغ این اصطلاحات برویم.

هوشمندی چیست؟

هوشمندی به معنای توانایی کسب و به‌کارگیری دانش و مهارت برای رسیدن به یک هدف مشخص است. تعریف هوشمندی یکی از مواردی محسوب می‌شود که دانشمندان روی آن زیاد بحث می‌کنند و هنوز هم، اختلاف نظرهایی پیرامون آن وجود دارد. با این‌حال، بیشتر متخصصان عصب‌شناسی با یکدیگر اتفاق نظر دارند که هوشمندی، یک اصطلاح گسترده است که شامل انواع توانایی‌های ذهنی مانند حل مسئله، سرعت ذهنی، دانش عمومی، خلاقیت، تفکر انتزاعی و حافظه می‌شود. همان‌گونه که مشاهده کردید، ارائه تعریف برای هوش انسانی دشوار است، جالب آن‌که ارائه تعریفی پیرامون هوشمندی ماشین‌ها دشوارتر است. شرکت تحقیقاتی EMERJ  هوش مصنوعی را این‌گونه تعریف می‌کند: «هوش مصنوعی یک موجودیت یا تعامل چند موجودیت با یکدیگر است که قادر به دریافت ورودی‌ها از محیط، تفسیر ورودی‌ها و یادگیری از آن‌ها و نمایش رفتارها و اقدامات مرتبط و انعطاف‌پذیر است که به یک موجودیت کمک می‌کند تا در طول زمان به هدف خاصی برسد.»

هوش مصنوعی محدود (Narrow AI‎)

نوعی هوش مصنوعی است که در آن یک فناوری نسبت به انسان در وظیفه تعریف شده خاص عملکرد بهتری دارد. بر خلاف هوش مصنوعی عمومی ، هوش مصنوعی محدود بر زیر مجموعه واحد از توانایی ها و پیشرفت های شناختی در یک کار بخصوص تمرکز دارد هوش مصنوعی محدود (Narrow AI‎) که با اصطلاحاتی مثل هوش محدود مصنوعی (Artificial Narrow Intelligence) و هوش مصنوعی ضعیف (Weak AI‎) نیز توصیف می‌شود، در واقع اعمال هوش مصنوعی به وظایف خاصی مثل انجام یک بازی کامپیوتر فکری، فیلتر کردن هرزنامه‌ها، رانندگی در ترافیک، پیش‌بینی فیلمی برای تماشای کاربر و موارد این چنینی است. با این‌حال، هوش مصنوعی که برای انجام بازی شطرنج توسعه پیدا کرده است، نمی‌تواند ماشین را براند، مگر آنکه به طور خاصی برای انجام این کار برنامه‌ریزی شده باشد. بنابراین، هوش مصنوعی محدود یا ضعیف، هوش مصنوعی محسوب می‌شود که اغلب افراد به صورت روزمره با آن مواجه می‌شوند و آن را تجربه می‌کنند.

هوش مصنوعی عمومی (General AI‎)

هوش مصنوعی عمومی بسیار پیچیده‌تر است. این اصطلاح توصیف‌کننده سیستمی است که قادر به انجام بیشتر کارها است و عملکردی نزدیک به انسان‌ها دارد. هوش مصنوعی عمومی توانایی‌های شناختی و درک تجربی کلی از محیط‌هایی که در آن قرار دارد را به همراه توانایی پردازش این داده‌ها با سرعت بسیار بیشتر از انسان‌ها دارد. ‌به بیان دقیق‌تر، اشاره به هوش مصنوعی دارد که رقیب هوش انسانی محسوب می‌شود. هوش مصنوعی عمومی (General AI‎) که با اصطلاحاتی مثل هوش عمومی مصنوعی (Artificial General Intelligence | AGI)  و هوش مصنوعی قوی (Strong AI‎) نیز شناخته می‌شود، سطحی از هوش مصنوعی محسوب می‌شود که هنوز به‌طور کامل طراحی نشده است.  به لحاظ تئوری، یک هوش مصنوعی عمومی (AGI)، علاوه بر مزایای کنونی هوش مصنوعی نسبت به هوش انسانی مانند حافظه، سرعت، دسترسی به شبکه، صحت محاسباتی و دیگر موارد، دارای انعطاف‌پذیری‌هایی است مانند آنچه در توانایی‌های ادراکی انسانی وجود دارد.

الگوریتم

الگوریتم مفهومی است که مسائل را با استفاده از دستورالعمل‌های پشت سرهم و به کمک تحلیل‌های ریاضی و منطقی مورد بررسی قرار داده و راه حل مناسبی برای آن ارائه می کند، الگوریتم به ما کمک میکند مراحل حل مسئله را به زبان کامپیوتر نزدیک‌تر کرده و در نهایت آن را به کدهای قابل فهم کامپیوتر تبدیل کنیم. در ساده‌ترین تعریف الگوریتم به مبنای مرحله به مرحله انجام دادن یک عملیات است. الگوریتم یکی دیگر از اصطلاحات متداول در دنیای هوش مصنوعی است. الگوریتم، مجموعه‌ای از دستورالعمل‌ها است که می‌گوید یک عامل هوشمند باید چه کارهایی انجام دهد. یک الگوریتم باید آغاز، بدنه و پایان داشته باشد. دقت کنید که یک الگوریتم ضرورتی ندارد یک برنامه کامپیوتری باشد، با این‌حال، امروزه، این دو مفهوم با یکدیگر عجین شده‌اند. یک دستورالعمل، مسیر رسیدن به مقصد برای یک شخص خاص (جهت‌ها) و یا مکانیزمی که تصمیم می‌گیرد تا یک تبلیغ خاص را ضمن وب‌گردی به کاربر نشان دهد، همه و همه مثال‌هایی از الگوریتم‌ها هستند.

یادگیری ماشین

یادگیری ماشین یکی از مهم‌ترین شاخه‌های هوش مصنوعی است که خود زیرشاخه‌های مختلفی دارد. یادگیری ماشین به سیستم‌ها اجازه می‌دهد به شکل خودکار یاد گرفته و پیشرفت کنند، بدون این‌که نیازی به برنامه‌نویسی صریح داشته باشند. تمرکز اصلی یادگیری ماشین بر روند توسعه برنامه‌هایی است که بتوانند به داده‌ها دسترسی پیدا کنند و از آن‌ها برای کسب تجربه استفاده کنند. فرآیند یادگیری با مشاهدات یا داده‌ها آغاز می‌شود، به‌طوری که مجموعه داده‌هایی در اختیار مدل قرار داده می‌شود تا به یک الگو در داده‌ها برسد و بر آن تصمیماتی را اتخاذ کند. هدف اصلی آن است که به کامپیوتر این اجازه را بدهیم که بدون دخالت و کمک انسان به طور اتوماتیک یادگیری داشته باشند و بتوانند اقدامات خود را بر مطابق با آن تنظیم کنند. بر مبنای این تعریف باید بگوییم که توانایی یک ماشین برای یادگیری و فعالیت بدون آن‌که به طور صریح برای انجام آن برنامه‌ریزی شده باشد را یادگیری ماشین می‌نامیم. یادگیری ماشین یکی از شاخه‌های مهم و بزرگ هوش مصنوعی است. هدف یادگیری ماشین، توسعه سیستم‌هایی است که از داده‌ها می‌آموزند، الگوها را شناسایی می‌کند و با حداقل دخالت انسانی، تصمیم‌گیری می‌کنند. با خوراک دادن حجم انبوهی از داده‌ها به الگوریتم، الگوریتم‌ها می‌توانند خود را تطبیق دهند و به طور مداوم بهبود پیدا کنند (و بنابراین، یاد بگیرند).

شبکه‌های عصبی

ایده‌ اولیه پس‌زمینه یک شبکه عصبی، شبیه‌سازی سلول‌های عصبی مغز انسان در قالب معماری دیجیتالی است تا بتوان اعمال یادگیری، شناسایی الگوها و تصمیم‌گیری انسان‌گونه را انجام داد. نکته‌ جالب توجه در مورد شبکه‌ عصبی این است که نیازی نیست آن‌را برای یادگیری صریح، برنامه‌ریزی کنید. این شبکه در واقع می‌تواند همه‌چیز را مانند مغز انسان، خودش یاد بگیرد. با این‌حال، این شبکه‌ عصبی، عملکردی یکسان با مغز انسان نخواهد داشت. شبکه‌های عصبی عموما شبیه‌سازهای نرم‌افزاری هستند که از طریق برنامه‌نویسی کامپیوتری سعی دارند با استفاده‌ از ترانزیستورها و گیت‌وی‌های منطقی عملکرد میلیاردها سلول مغزی متصل و موازی به یکدیگر را تقلید کنند. بر مبنای این تعریف باید بگوییم که  شبکه عصبی یک سامانه کامپیوتری است که از لایه‌های پنهان که متشکل از سلول‌های عصبی مصنوعی هستند به دنبال الگوبرداری از مغز انسان است. به همین دلیل برخی منابع از اصطلاح شبکه‌های عصبی مصنوعی برای توصیف این فناوری استفاده می‌کنند، زیرا شبکه‌های عصبی غیر مصنوعی در واقع همان شکبه‌های عصبی هستند که در مغز انسان‌ها و سایر موجودات وجود دارد. در این مدل یادگیری ماشین، لایه‌های متصل از شبکه‌های عصبی، اطلاعات را به صورتی پردازش می‌کنند که بسیار مشابه با شیوه پردازش اطلاعات و یادگیری مغز انسان است.

یادگیری عمیق

یادگیری عمیق نوع پیشرفته‌ای از یادگیری ماشین است که در واقع از روشی که ذهن انسان برای یادگیری موضوع خاصی به کار می‌گیرد، الهام می‌گیرد. این نوع از یادگیری یکی از عناصر مهم در علم داده است که شامل آمار و مدل‌سازی پیش‌گویانه است. یادگیری عمیق برای دانشمندان داده که وظیفه جمع‌آوری، تجزیه و تحلیل و تفسیر مقادیر زیادی از داده‌ها را دارند مفید است، زیرا روند تحلیل‌ها را سریع‌تر و دقیق‌تر می‌کند.  اندرو ان‌جی (Andrew Ng)، دانشمند ارشد مرکز تحقیقات بایدو (Baidu)، پروژه‌ی Google Brain که در پروژه توسعه‌ یادگیری عمیق در سرویس‌های گوگل مسئولیت دارد در این خصوص می‌گوید: «یادگیری عمیق یا به عبارت دقیق‌تر شبیه‌سازی‌های مغز انسان برای بهتر کردن و ساده‌سازی استفاده‌ الگوریتم‌های یادگیری و ایجاد پیشرفت‌های انقلابی در زمینه‌ هوش مصنوعی و یادگیری ماشین استفاده می‌شود. به عقیده من یادگیری عمیق بهترین راه برای رسیدن به هوش مصنوعی واقعی است.» بر مبنای این تعریف باید بگوییم که یادگیری عمیق روی آموزش دادن شبکه‌های عصبی عمیق متمرکز شده است. کلمه عمیق در یادگیری عمیق، به تعداد لایه‌های موجود در شبکه عصبی اشاره دارد. هر لایه‌ای داده‌های ورودی را تجزیه می‌کند و سپس، در یک شکل انتزاعی‌تر، آن را به لایه بعدی پاس می‌دهد. در واقع، لایه بعدی، از داده‌هایی که از لایه پیشین تحویل گرفته است، به عنوان ورودی خود استفاده می‌کند.

تکنیگی (Singularity)

تکینگی فناوری فرضیه‌ای است که پیشبینی می‌کند که شتاب در فناوری در نهایت باعث می‌شود که هوش مصنوعی از هوش بشر پیشی بگیرد و منجر به تغییرات شگرف یا حتی پایان تمدن بشری بشود. چون توانایی‌های چنین هوشی ممکن است قابل درک نباشند، اتفاقاتی که بعد از تکینگی فناوری می‌افتند ممکن است پیش‌بینی‌ناپذیر باشند. اولین استفاده از واژه تکینگی در این معنا، توسط ریاضیدان جان فون نویمان بود. در سال ۱۹۵۸، استنی‌سواف اولام، با اشاره به بحثش با فون نویمان، بیان داشت که شتاب فزاینده پیشرفت فناوری و تغییر در حالت زندگی انسان، از نزدیک شدن به یک تکینگی بنیادی در تاریخ نژاد بشر حکایت دارد که فراتر از آن، امور انسانی آنگونه که ما آنها را می‌شناسیم، نمی‌تواند ادامه داشته باشد». این اصطلاح توسط نویسنده داستان‌های علمی تخیلی ورنر وینج رایج شد، که استدلال می‌کرد هوش مصنوعی، تقویت بیولوژیکی انسان، یا واسط مغز و رایانه می‌توانند از علل احتمالی تکینگی باشند. ری کورزویل در مقدمه کتاب رایانه و کامپیوتر نوشته فون نویمان، به استفاده از این واژه توسط فون نویمان اشاره می‌کند. تکینگی (Singularity) نقطه شروع بالقوه برای رشد فناورانه‌ای است که دیگر تحت کنترل انسان نیست. در صورت تحقق چنین توسعه بنیادی، بشر شاهد وقوع تغییرات پیش‌بینی نشده‌ای در جوامع انسانی و جهان هستی خواهد بود. تکینگی که به آن تکینگی فناورانه (Technological Singularity) می‌گویند، ایده تئوری پس از هوش مصنوعی عمومی است. با توجه به اینکه، یک ماشین فوق هوشمند می‌تواند به سرعت یاد بگیرد و خودش را ارتقا دهد، عمق عواقب آن را نمی‌توان از پیش سنجید. ورنر وینج  (Vernor Vinge) نویسنده داستان‌های علمی تخیلی و استاد علوم کامپیوتر و ریاضیات دانشگاه ایالتی سن‌دیگو، مفهوم تکینگی را برای اولین بار در سال ۱۹۹۳ میلادی در قالب یک مقاله تحقیقاتی با عنوان تکینگی فناورانه در حال بروز (Coming Technological Singularity)  از دید دیگری به این مفهوم اشاره کرد. او در این باره، گفت: «از نقطه نظر انسان‌ها، این تغییر، همه قواعد گذشته را به دور می‌اندازد؛ شاید در یک چشم به هم زدن، کنترل به طور کامل از دست بشر خارج شود… من بر این باورم که منصفانه است که این رویداد را تکینگی بنامیم». تکینگی نقطه‌ای است که مدل‌ها از رده خارج می‌شوند و واقعیت جدیدی حکمرانی می‌کند. هرچه بشر به این نقطه نزدیک و نزدیک‌تر بشود، تکینگی فناوری بیشتر در زندگی بشری تنیده می‌شود تا به نقطه‌ای برسد که به مفهومی عادی برای نوع بشر مبدل شود. تا به سرانجام رسیدن این موضوع، تکینگی فناوری همچنان یک سورپرایز بزرگ و ناشناخته‌ای عظیم خواهد بود.