سیستم های هوش مصنوعی وجود دارند که اطلاعات دریافتی را تجزیه و تحلیل می کنند و بر اساس آن اقداماتی را انجام می دهند. رفتار هوشمندانه با هدف دستیابی به اهداف مشخص است. سیستم هوش مصنوعی این اقدامات را با درجه ای از استقلال انجام می دهد.
مقدمه ای بر هوش مصنوعی
از آنجایی که هوش مصنوعی تکنیکها و زمینههای زیادی را پوشش میدهد، برای انجام بحثهای معنادار و سازنده در مورد آن، مراقبت بیشتری لازم است.
برای مثال، استدلالهای مربوط به «سیستمهای خبره» ساده که در نقشهای مشاوره استفاده میشوند، باید از استدلالهای مربوط به الگوریتمهای پیچیده مبتنی بر داده که بهطور خودکار درباره افراد تصمیمگیری میکنند، متمایز شوند.
همچنین جدا کردن بحثها در مورد تحولات آینده که ممکن است هرگز از بحثهایی در مورد هوش مصنوعی مدرن که بر جامعه امروزی تأثیر میگذارد، نشأت نگیرد، مهم است.
هوش مصنوعی چگونه کار می کند؟
در زیر مروری بر برخی از رویکردهای اصلی زیر بنر هوش مصنوعی است. از نظر زمانی به سه بخش تقسیم می شود. آن شامل:
هوش مصنوعی نمادین
یادگیری آماری هوش مصنوعی
هوش مصنوعی "قدرتمند" یا "عمومی".
موج اول هوش مصنوعی
موج اول تکنیک های هوش مصنوعی اولیه به عنوان "هوش مصنوعی نمادین" یا سیستم های خبره شناخته می شود. در اینجا، متخصصان انسانی رویههای دقیق مبتنی بر قانون را ایجاد میکنند که به نام «الگوریتمها» شناخته میشوند که رایانه گام به گام آنها را دنبال میکند تا تصمیم بگیرد که چگونه هوشمندانه به یک موقعیت خاص پاسخ دهد.
منطق فازی نوعی رویکرد است که به درجات مختلفی از اطمینان در یک موقعیت اجازه میدهد، برای به دست آوردن دانش درونی مفید است، به طوری که یک الگوریتم میتواند در مواجهه با طیف وسیعی از متغیرهای متقابل و نامشخص الگوریتم خوبی را اتخاذ کند.
اما توکن AI گاهی اوقات بهتر عمل می کند. اگرچه ممکن است این روشها قدیمی به نظر برسند، اما همچنان بسیار مرتبط هستند و هنوز در بسیاری از زمینهها با موفقیت به کار میروند، به همین دلیل است که به آنها لقب «هوش مصنوعی قدیمی» دادهاند.
موج دوم هوش مصنوعی
موج دوم هوش مصنوعی شامل رویکردهای جدید "داده محور" است که در دو دهه گذشته به سرعت توسعه یافته اند و تا حد زیادی مسئول بازیابی هوش مصنوعی فعلی هستند. آنها فرآیند یادگیری الگوریتم ها را خودکار می کنند و متخصصان انسانی موج اول هوش مصنوعی را دور می زنند.
شبکه های عصبی مصنوعی (ANN) از فعالیت مغز الهام گرفته شده اند. ورودیها به سیگنالهایی تبدیل میشوند که از شبکهای از نورونهای مصنوعی عبور میکنند تا خروجیهایی تولید کنند که به عنوان پاسخ به ورودیها تعریف میشوند. با افزودن نورون ها و لایه های بیشتر، شبکه های عصبی مصنوعی می توانند مسائل پیچیده تری را حل کنند. یادگیری عمیق به سادگی به شبکه های عصبی مصنوعی چند لایه اشاره دارد.
یادگیری ماشین (ML) با اصلاح شبکهها سر و کار دارد تا این خروجیها به عنوان پاسخهای مفید یا هوشمند به ورودیها در نظر گرفته شوند. الگوریتمهای ML میتوانند این فرآیند یادگیری را با ایجاد پیشرفتهای افزایشی در یک ANN منفرد یا با استفاده از اصول تکاملی برای ایجاد بهبودهای افزایشی در جمعیت زیادی از شبکههای عصبی مصنوعی خودکار کنند.
موج سوم هوش مصنوعی
موج سوم هوش مصنوعی به امواج احتمالی آینده هوش مصنوعی اشاره دارد. در حالی که تکنیکهای موج اول و دوم بهعنوان هوش مصنوعی ضعیف یا باریکی تعریف میشوند که میتوانند هوشمندانه روی وظایف خاص کار کنند، هوش مصنوعی «قوی» یا «عمومی» به الگوریتمهایی اطلاق میشود که میتوانند اطلاعات را در زمینههای مختلف ارائه دهند.
فضاهای مشکل این هوش عمومی مصنوعی (AGI) با فناوری فعلی امکان پذیر نیست و نیاز به توسعه پارادایم تغییر دارد. برخی از رویکردهای بالقوه، از جمله روشهای تکاملی پیشرفته، محاسبات کوانتومی و شبیهسازی مغز در نظر گرفته شدهاند. سایر اشکال هوش مصنوعی آیندهنگر، مانند هوش مصنوعی خود توضیحی و زمینهای، ممکن است در بلندپروازیهای خود متواضع به نظر برسند، اما تأثیر بالقوه آنها و موانع اجرای آنها را نباید دست کم گرفت.
چرا هوش مصنوعی مهم است؟
امروزه چندین چالش در ارتباط با هوش مصنوعی وجود دارد. به طور کلی، آنها می توانند به عنوان تعادل بین دو مشکل اجتنابی استفاده شوند:
ناکافی در جایی که فرصت های بالقوه را از دست می دهیم و
خیلی زیاد است، جایی که هوش مصنوعی برای کارهایی که نامناسب هستند یا منجر به نتایج مشکلساز میشوند استفاده میشود.
فرآیند یادگیری ماشینی یا ML برخی از الگوریتم ها را در برابر سوگیری آسیب پذیر می کند و پیچیدگی آنها درک و توضیح منطق تصمیم گیری آنها را دشوار می کند. مشکلات قابل توجه در
تضمین توزیع برابر هزینه ها و منافع هوش مصنوعی
اجتناب از تمرکز منابع در بازارهای غیررقابتی
اولویتبندی برنامههایی که نابرابریهای ساختاری موجود را کاهش میدهند به جای گسترش آنها
دارند. چالش های کلیدی دیگر عبارتند از:
پذیرش عمومی این فناوری،
سازگاری آن با ارزش های اجتماعی
نگرانی هایی در مورد برخی کاربردهای نظامی وجود دارد.
چالش های آینده هوش مصنوعی
همچنین تعدادی فرصت و چالش درازمدت وجود دارد که به پیشرفت های بعدی بستگی دارد که ممکن است هرگز اتفاق نیفتد. برخی از سناریوهای اتوپیایی و دیستوپیایی می توانند به چرخه های تبلیغاتی کمک کنند، اما آنها همچنین فرصتی را برای آماده شدن برای روندهای معتدل تر و تفکر در مورد آنچه از فناوری می خواهیم ارائه می دهند.
به عنوان مثال، پیشنهاد شده است که هوش مصنوعی می تواند:
از دست دادن برخی مشاغل یا منسوخ شدن مفهوم اشتغال
از کنترل انسان فرار کنید و کنترل رشد خود را به دست بگیرید
استقلال انسان را به چالش بکشید یا احساسات یا آگاهی مصنوعی ایجاد کنید
لینک منبع:https://www.fardanews.com/%D8%A8%D8%AE%D8%B4-%D8%A7%D8%AE%D8%A8%D8%A7%D8%B1-2/1214055-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%DA%86%DB%8C%D8%B3%D8%AA