هوش مصنوعی چیست؟
سیستم هایی با هوش مصنوعی وجود دارند که اطلاعات دریافتی خود را تجزیه و تحلیل می کنند و بر اساس آن اقدام می کنند. رفتار هوشمندانه با هدف دستیابی به هدفی. سیستم های هوش مصنوعی این عملیات را تا حدودی مستقل انجام می دهند.
از آنجایی که هوش مصنوعی به روش‌ها و زمینه‌های زیادی اشاره دارد، برای انجام بحث‌های معنادار و سازنده در مورد آن توجه بیشتری لازم است.
برای مثال، استدلال‌های مربوط به «سیستم‌های خبره» مورد استفاده در خدمات مشاوره باید از استدلال‌های مربوط به الگوریتم‌های مبتنی بر داده که به‌طور خودکار درباره افراد تصمیم‌گیری می‌کنند، متمایز شود.
بنابراین، مهم است که بحث در مورد آنچه در آینده اتفاق می افتد، که ممکن است رخ ندهد، از بحث در مورد هوش مصنوعی، که جامعه امروز را تحت تاثیر قرار می دهد، تشخیص دهد.
هوش مصنوعی چگونه کار می کند؟
در زیر مروری بر هوش مصنوعی برای برخی از تکنیک های کلیدی زیر پرچم هوش مصنوعی آورده شده است. بر اساس گاه شماری به سه گروه تقسیم می شوند. این شامل:
هوش مصنوعی نمادین
یادگیری آماری هوش مصنوعی
هوش مصنوعی "قوی" یا "عمومی".
موج اول هوش مصنوعی
موج اول تکنیک های اولیه هوش مصنوعی به عنوان "هوش مصنوعی نمادین" یا سیستم های خبره شناخته می شود. در اینجا، متخصصان انسانی رویه‌های دقیق مبتنی بر قوانین را که به نام «الگوریتم‌ها» شناخته می‌شوند، توسعه می‌دهند که یک رایانه می‌تواند قدم به قدم دنبال کند تا تصمیم بگیرد که چگونه هوشمندانه به یک موقعیت خاص پاسخ دهد.
منطق فازی نوعی روش است که به درجات مختلفی از اطمینان در مورد یک موقعیت اجازه می دهد، برای کسب دانش شهودی مفید است، به طوری که یک الگوریتم می تواند تصمیمات خوبی را زمانی که متغیرها بزرگ و نامطمئن هستند، اتخاذ کند.
اما به نظر می رسد AI گاهی اوقات بهتر عمل می کند. اگرچه ممکن است این روش‌ها قدیمی به نظر برسند، اما بسیار مرتبط هستند و هنوز در بسیاری از زمینه‌ها با موفقیت استفاده می‌شوند و لقب «هوش مصنوعی قدیمی» را به خود اختصاص 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 تجدید حیات فعلی هوش مصنوعی هستند. آنها فرآیند یادگیری الگوریتم ها را خودکار می کنند و متخصصان انسانی موج اول هوش مصنوعی را حذف می کنند.
شبکه های عصبی مصنوعی (ANN) بر اساس مغز هستند. ورودی ها به سیگنال هایی تبدیل می شوند که از طریق شبکه ای از نورون های مصنوعی ارسال می شوند تا خروجی هایی تولید کنند که گفته می شود پاسخ هایی به ورودی ها هستند. افزودن نورون ها و لایه ها به شبکه های عصبی مصنوعی اجازه می دهد تا مسائل پیچیده تری را حل کنند. یادگیری عمیق به شبکه های عصبی مصنوعی با چند لایه اشاره دارد.
یادگیری ماشینی (ML) به اصلاح شبکه اشاره دارد به طوری که این خروجی ها پاسخ های مفید - یا هوشمند - به ورودی ها در نظر گرفته شوند. الگوریتم‌های ML می‌توانند این یادگیری را با ایجاد بهبودهای تدریجی در شبکه‌های عصبی مصنوعی منفرد یا با استفاده از اصول تکاملی برای ایجاد پیشرفت‌های افزایشی در جمعیت‌های بزرگ 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 اغلب به‌عنوان هوش مصنوعی ضعیف یا باریک توصیف می‌شوند، به این معنا که می‌توانند به طور هوشمندانه روی وظایف خاص عمل کنند، هوش مصنوعی «قوی» یا «عمومی» به الگوریتم‌هایی اشاره دارد که می‌توانند اطلاعات را در طیف وسیعی از زمینه‌ها فراهم کنند. .
حوزه مشکل هوش عمومی مصنوعی (AGI) با فناوری فعلی امکان پذیر نیست و نیاز به یک تغییر پارادایم دارد. برخی از رویکردهای بالقوه در نظر گرفته شده اند، از جمله تکنیک های تکاملی پیشرفته، محاسبات کوانتومی و شبیه سازی مغز. سایر انواع هوش مصنوعی آینده، مانند هوش مصنوعی خود توضیحی و متنی، ممکن است در جاه طلبی های خود متواضع به نظر برسند، اما تأثیر بالقوه و موانع اجرای آنها را نباید دست کم گرفت.
چرا هوش مصنوعی مهم است؟
مشکلات زیادی در رابطه با هوش مصنوعی وجود دارد. به طور کلی می توان از آنها به عنوان یک عمل متعادل کننده بین دو موضوع پیشگیری استفاده کرد:
فرصت های بالقوه را از دست می دهیم و
بیش از حد، بنابراین از هوش مصنوعی برای کارهایی استفاده می شود که نامناسب هستند یا منجر به نتایج مشکل ساز می شوند.
فرآیند ML یا یادگیری ماشینی برخی از الگوریتم‌ها را در برابر سوگیری آسیب‌پذیر می‌کند و پیچیدگی آنها درک و توضیح منطق تصمیم‌گیری آنها را دشوار می‌کند. چالش های مهم در
تضمین توزیع عادلانه هزینه ها و مزایای هوش مصنوعی
از تمرکز منابع در بازارهای غیر رقابتی خودداری کنید
اولویت با برنامه هایی است که به جای افزایش ارزش ساختارهای موجود را کاهش می دهد
آنجاست. چالش های کلیدی دیگر عبارتند از:
پذیرش گسترده این فناوری؛
سازگاری آن با ارزش های اجتماعی
نگرانی هایی در مورد برخی کاربردهای نظامی وجود دارد.
چالش های آینده هوش مصنوعی
همچنین فرصت ها و چالش های درازمدت زیادی وجود دارد که به پیشرفت های آینده بستگی دارد که ممکن است هرگز اتفاق نیفتد. برخی از سناریوهای اتوپیایی و دیستوپیایی ممکن است به چرخه تبلیغات کمک کنند، اما آنها همچنین فرصتی را برای آماده شدن برای روندهای معتدل تر و تأمل در مورد آنچه از فناوری می خواهیم ارائه می دهند.
به عنوان مثال، هوش مصنوعی می تواند:
منجر به از دست دادن برخی مشاغل یا منسوخ شدن مفهوم اشتغال می شود
از کنترل انسان بپرهیزید و رشد خود را کنترل کنید
استقلال انسان را به چالش بکشید یا احساس یا آگاهی ایجاد کنید