پرسشی به ظاهر ساده که احتمالا پاسخش را نمی دانید - مجله 10 از 10

به گزارش خبرآنلاین، در اوت 1955 گروهی از دانشجویان برای برگزاری کارگاهی در دانشگاه دارموث واقع در نیوهمشایر درخواست 13 هزار و 500 دلار اعتبار کردند. حوزه پیشنهادی آنها هوش مصنوعی(AI) بود.

با اینکه آنها درخواست خود را دست پایین گرفته بودند, اما برآورد محققان اینطور نبود. هر جنبه یادگیری یا دیگر ویژگیهای هوش طوری دقیق قابل توصیف است که برای شبیه سازی آن می توان دستگاهی طراحی کرد.

از زمان این آغاز فروتنانه فیلم ها و رسانه هوش مصنوعی را به عنوان شخصیتی شرور یا رمانتیک به تصویر کشیده اند. اما هوش مصنوعی همچنان موضوع بحث خیلی از افرادی است که آن را به عنوان یک تجربه زنده و آگاهانه قبول ندارند.

هوش مصنوعی وارد زندگی مان شد.

اواخر ماه گذشته ای.آی درقالب چت جی.پی.تی از داستان های علمی تخیلی و آزمایشگاهای تحقیقاتی قدم به دسکتاپ و تلفن های مردم گذاشت. این پدیده به عنوان هوش مصنوعی مولد شناخته می شد. با یک پیغام هوشمندانه می تواند مقاله بنویسد یا فهرست خرید سرهم کند یا ترانه ای به سبک الویس پریسلی بنویسد.

با اینکه چت جی.پی.تی نقش عظیمی در موفقیت هوش مصنوعی مولد داشت, سیستم های مشابه هم قابلیت زیادی برای فراوری محتوا از خود نشان دادند. مثل دستور تبدیل متن به عکس که توانست با فراوری عکس های پویا برنده مسابقات هنری هم بگردد.

شاید هوش مصنوعی هنوز مثل فیلم و رمان های تخیلی ضمیر خودآگاه نداشته باشد اما حداقل به برهم زدن تصور ما از آنچه ازهوش مصنوعی انتظار داریم نزدیک است.

محققانی که پیوند کاری تنگاتنگی با این سامانه ها دارند تحت تاثیر ایده ضمیر خودآگاه این سیستم ها قرار گرفتند, مانند مدل زبان بزرگ گوگل ال.ای.ام.دی.ای((LLM. ال.ال.ام برای پردازش و فراوری زبان طبیعی تعلیم یافته. بعلاوه این نگرانی وجود دارد که هوش مصنوعی مولد بتواند سرقت ادبی کند, از محتوای اولیه که برای فراوری مدل استفاده شده بهره برداری کند از اعتمادی که به آن شده سوء استفاده کند و اطلاعات را دستکاری کند و حتی باعث انتها برنامه نویسی

با تمامی این اتفاقات سوالی که از زمان برگزاری کارگاه تابستانی دارتموث فکر همه را به خود مشغول نموده این است: هوش مصنوعی با هوش انسان چه تفاوتی دارد؟

AI یعنی چه؟

از یک سیستم زمانی به عنوان هوش مصنوعی یاد می گردد که بتواند سطحی از یادگیری و سازگاری را از خود نشان دهد. به همین علت سیستم های تصمیم گیری, خود کاری سازی و آماری ای.آی به حساب نمی آیند. به طور کلی هوش مصنوعی در دو دسته تعریف می گردد: هوش مصنوعی تخصصی (ANI) و هوش مصنوعی کلی (AGI). در حال حاضر هوش مصنوعی کلی (AGI) وجود ندارد.

چالش اصلی برای خلق هوش مصنوعی کلی, مدل سازی دنیا با تمام اطلاعات موجود به شیوه ای سازگار و مفید است. حداقل چیزی که می توان گفت این است که این کار بسیار طاقت فرساست.

بیشتر هوش های مصنوعی موجود از هوش مصنوعی تخصصی استفاده می نمایند, روشی که در آن یک سیستم خاص به یک مشکل خاص می پردازد. بر خلاف هوش انسان, هوش مصنوعی تخصصی فقط در زمینه ای که تعلیم دیده موثر است. مانند کشف تقلب, تشخیص چهره یا توصیه های اجتماعی.

اما هوش مصنوعی کلی (AGI) مانند انسان عمل می نماید.در حال حاضراز بارزترین کوشش ها برای دست یابی به چنین چیزی می توان به استفاده از شبکه های عصبی و تعلیم انبوه وسیعی از داده ها به روش یادگیری عمیق اشاره نمود.

شبکه های عصبی از روش کار مغز انسان الگو برداری می نمایند. برخلاف مدل های یادگیری ماشینی که روی داده های آموزشی محاسبات انجام می گردد, شبکه های عصبی با تغذیه یک به یک هر نقطه داده به وسیله یک شبکه به هم پیوسته کار می نمایند و هر بار پارامترها را تنظیم می نماید. هرچه اطلاعات بیشتری وارد سیستم گردد این پارامترها متعادل تر می شوند ودر نهایت ما به سیستم عصبی تعلیم داده شده ای دست می یابیم که می تواند نتیجه دلخواه را روی داده های تازه فراوری کند. مثل تشخیص این که آیا عکس حاوی یک سگ یا گربه است.

پیشرفت چشمگیری که امروزه در زمینه هوش مصنوعی شاهد آن هستیم, حاصل پیشرفت فناوری در زمینه تعلیم شبکه های عصبی بزرگ و تنظیم تعداد زیادی از پارامترها به لطف قابلیت های زیرساخت های بزرگ ابری است.

برای مثال, جی.پی.تی-3(هوش مصنوعی موجود در چت جی.پی.تی) شبکه عصبی بزرگی با 175 میلیارد پارامتر است.

هوش مصنوعی در چه زمینه ای باید بهبود پیدا کند؟

هوش مصنوعی به سه چیز برای موفقیت احتیاج دارد. ابتدا به میزان زیادی اطلاعات با کیفیت و بی طرفانه احتیاج است.محققان سازنده شبکه های عصبی از مجموعه اطلاعات عظیمی که با دیجیتالی شدن جوامع به وجود آمده استفاده می نمایند. یاری خلبان(CO-PILOT) برای بهبود برنامه نویسی انسانی اطلاعات خود را از میلیاردها خط کد موجود در سایت گیت هاب دریافت می نماید. چت جی.پی.تی و دیگر مدل های زبانی موجود از میلیاردها وبسایت و اسناد ذخیره شده آنلاین اتفاده می نمایند.

ابزارهای تبدیل متن به عکس مانند استیبل دیفیوشن(Stable Diffusion) دالی-2(DALLE-2) و میدجورنی(Midjourney) از جفت های تصویر متن مجموعه داده هایی مانند لیان-5بی(LAION-5B) استفاده می نمایند.

با دیجیتال شدن هرچه بیشتر زندگی ما و دسترسی مدل های هوش مصنوعی به منابع اطلاعاتی بیشتر مانند داده های شبیه سازی شده یا داده های تنظیمات بازی مانند ماینکرفت, پیشرفت و تآثیرگذاری آنها بیشتر خواهد شد.

هوش مصنوعی برای آموزش مناسب به زیرساخت یارانشی مناسب هم احتیاج دارد. با قدرتمند شدن کامپیوترها بعید نیست در آینده نزدیک, مدل هایی که به کوشش زیاد و محاسبات سنگین احتیاج داشتند, در کامپیوترهای خانگی سامان یابند. برای مثال توضیع پایدار دیگر به محیط ابری احتیاج ندارد و روی کامپیوترهای شخصی اجرا می گردد.

سومین مورد مدل و الگوریتم های بهبود یافته است. سیستم های داده محور در حوزه های متعددی که قبلا به عنوان قلمرو شناختی انسان شناخته می شد پیشرفت چشمگیری نموده اند.

با این حال, با تغییر بی وقفه دنیای پیرامون ما, هوش مصنوعی هم باید همیشه از اطلاعات تازه استفاده کند. بدون برداشتن این قدم مهم هوش مصنوعی پاسخ هایی فراوری می نماید که یا غلط اند یا اطلاعات تازهی که از زمان اموزش خود به دست آمده را در نظر نمی گیرند.

سیستم های عصبی تنها رویکرد هوش مصنوعی نیست. یکی دیگر از شاخه های معروف در تحقیقات مربوط به هوش مصنوعی, هوش مصنوعی نمادین است. به جای دریافت تعداد زیادی داده های اطلاعاتی, هوش مصنوعی نمادین به قوانین و اطلاعات تکیه می نماید, مشابه فرآیند انسانی شکل گیری نمادهای درونی برای پدیده های خاص.اما در دهه گذشته با سنگین شدن کفه ترازو به سمت روینمودهای داده محورپدران یادگیری عمیق مدرن به تازگی برنده جایزه تورینگ شدند. جایزه ای که معادل نوبل در علوم کامپیوتری است.

داده ها, محاسبات و الگوریتم ها شالوده آینده هوش مصنوعی را تشکیل می دهند. همه شاخص ها حاکی از آن است که در آینده نزدیک پیشرفت سریعی در هر سه دسته خواهیم دید.