هوش مصنوعی که امروزه سروصدای زیادی به پا کرده، بدون شک یکی از نوآورانه‌ترین فناوری‌های قرن حاضر به شمار می‌رود. اما ریشه‌های این علم به بیش از هفت دهه قبل باز می‌گردد. بررسی سیر تحول هوش مصنوعی در طول این سال‌ها می‌تواند به درک بهتر ابزارهای فعلی این حوزه و همچنین چشم‌اندازی از آینده آن کمک کند.

نسل‌های هوش مصنوعی: گام‌هایی به سوی پیشرفت

هر نسل از ابزارهای هوش مصنوعی را می‌توان به عنوان تکاملی از نسل قبلی خود در نظر گرفت، با این حال هیچ‌کدام از این ابزارها به طور کامل به سطح هوشیاری و آگاهی مطلق دست نیافته‌اند.

• دهه ۱۹۵۰: طلوع هوش مصنوعی و ظهور تست تورینگ

در سال ۱۹۵۰، آلن تورینگ، ریاضیدان و دانشمند کامپیوتر، مقاله‌ای را با این پرسش آغاز کرد: "آیا ماشین‌ها می‌توانند فکر کنند؟" او در ادامه مفهوم "بازی تقلید" را که بعدها به "تست تورینگ" مشهور شد، معرفی کرد. در این تست، یک ماشین هوشمند باید در یک مکالمه متنی، از یک انسان قابل تشخیص نباشد.

• دهه ۱۹۶۰: ظهور سیستم‌های خبره

پنج سال پس از مقاله تورینگ، اولین استفاده ثبت‌شده از عبارت "هوش مصنوعی" در پیشنهادی برای یک پروژه تحقیقاتی تابستانی در دانشگاه دارتموث در مورد هوش مصنوعی به کار رفت. در این دهه، شاهد ظهور شاخه‌ای از هوش مصنوعی به نام "سیستم‌های خبره" بودیم. این سیستم‌ها برای به کارگیری دانش و تخصص انسانی در حوزه‌های تخصصی طراحی شده بودند و با استفاده از بازنمایی صریح دانش، به موفقیت‌های اولیه‌ای در زمینه‌هایی مانند تشخیص مولکول‌های آلی، عفونت‌های خونی و اکتشاف مواد معدنی دست یافتند.

• دهه ۱۹۸۰: عصر یادگیری ماشین و شبکه‌های عصبی

مغز انسان شامل میلیاردها سلول عصبی یا نورون است که به طور پیچیده‌ای به یکدیگر متصل شده‌اند. در حالی که هدف سیستم‌های خبره، مدل‌سازی دانش بشری بود، حوزه "پیوندگرایی" نیز در حال ظهور بود که به دنبال مدل‌سازی مغز انسان به روشی واقعی‌تر بود. در سال ۱۹۴۳، وارن مک‌کالوچ و والتر پیتس، مدل ریاضی برای نورون‌ها ارائه دادند و در سال ۱۹۶۰، برنارد ویدرو و تد هاف اولین پیاده‌سازی کامپیوتری از نورون‌های متصل را توسعه دادند.

اما نقطه عطفی در این زمینه، سال ۱۹۸۶ و معرفی الگوریتم یادگیری برای یک مدل نرم‌افزاری به نام "پرسپترون چندلایه" یا "MLP" بود. MLP اولین ابزار عملی بود که می‌توانست از طریق مجموعه‌ای از مثال‌ها (داده‌های آموزشی) یاد بگیرد و سپس آنها را برای دسته‌بندی داده‌های جدید (داده‌های آزمایشی) تعمیم دهد.

• دهه ۱۹۹۰ و به بعد: ظهور مدل‌های پیچیده‌تر هوش مصنوعی

پس از موفقیت MLP، اشکال مختلف و جایگزینی از شبکه‌های عصبی به وجود آمدند. در سال ۱۹۹۸، شاهد ظهور "شبکه‌های عصبی کانولوشنال" یا "CNN" بودیم که با شناسایی ویژگی‌های کلیدی یک تصویر بدون نیاز به پیش پردازش، عملکرد بهتری نسبت به MLP داشتند.

در کنار مدل‌های تبعیض‌آمیزی مانند MLP و CNN، مدل‌های شبکه عصبی دیگری نیز توسعه یافتند که "مولد" بودند. این مدل‌ها می‌توانستند پس از آموزش بر روی حجم عظیمی از داده، محتوای جدیدی مانند متن، تصویر و موسیقی تولید کنند و یا در اکتشافات علمی یاری برسانند.

دو نمونه برجسته از شبکه‌های عصبی مولد، "شبکه‌های مولد تخاصمی" (GAN) و "شبکه‌های ترانسفورماتور" هستند. GANها به دلیل ماهیت رقابتی خود و وجود یک "منتقد داخلی" که کیفیت خروجی را ارتقا می‌دهد، به نتایج چشمگیری دست یافته‌اند. شبکه‌های ترانسفورماتور نیز با مدل‌هایی مانند GPT-4 و ChatGPT که بر روی مجموعه داده‌های عظیم اینترنت آموزش دیده‌اند، به شهرت رسیده‌اند. بازخورد انسان از طریق یادگیری تقویتی، عملکرد این مدل‌ها را به طور مداوم بهبود می‌بخشد.

هوش مصنوعی در آینده: فراتر از تصورات

قابلیت‌های چشمگیر مدل‌های زبان بزرگ، منجر به برخی پیش‌بینی‌های اغراق‌آمیز و ترسناک در مورد تسلط هوش مصنوعی بر جهان شده است. با بررسی تاریخچه این علم، درمی‌یابیم که مسیر هوش مصنوعی نه به سمت آگاهی، بلکه به سوی افزایش ظرفیت، قابلیت اطمینان و دقت است.

پروفسور مایکل وولدریج، در سال ۲۰۱۷ در مجلس اعیان بریتانیا اظهار داشت: « رویای هالیوود در مورد ماشین‌های آگاه و هوشمند قریب الوقوع نیست و در واقع هیچ راهی نمی‌بینم که ما را به آنجا برساند.» این گفته، حتی پس از گذشت هفت سال، همچنان معتبر است.

آینده‌ای روشن با هوش مصنوعی همه‌جانبه

هوش مصنوعی کاربردهای مثبت و هیجان‌انگیز فراوانی دارد. نگاهی به گذشته نشان می‌دهد که یادگیری ماشین تنها ابزار موجود در این عرصه نیست. هوش مصنوعی نمادین همچنان نقش مهمی ایفا می‌کند؛ زیرا به ما اجازه می‌دهد تا دانش شناخته‌شده را در درک و دیدگاه‌های انسانی بگنجانیم.

به عنوان مثال، یک خودروی بدون راننده می‌تواند با قوانین راهنمایی و رانندگی “برنامه‌ریزی” شود، نه اینکه صرفاً از طریق نمونه یاد بگیرد. خروجی‌های یک سیستم تشخیص پزشکی را می‌توان با دانش پزشکی انسان مقایسه کرد تا تأیید و توضیح داده شود. همچنین، دانش اجتماعی می‌تواند برای فیلتر کردن خروجی‌های توهین‌آمیز یا مغرضانه به کار رود.

آینده‌ای روشن در انتظار هوش مصنوعی است که شامل استفاده از طیف وسیعی از تکنیک‌ها و در کنار هم است. در این آینده، شاهد همکاری هوش مصنوعی نمادین و یادگیری ماشین خواهیم بود تا به راه‌حل‌های جامع و قابل اطمینان برای مسائل پیچیده دست یابیم.

مسئولیت‌پذیری در قبال هوش مصنوعی

البته توسعه هوش مصنوعی با چالش‌هایی نیز همراه است. سوگیری در داده‌های آموزشی می‌تواند منجر به خروجی‌های تبعیض‌آمیز شود و ماهیت جعبه سیاه برخی از الگوریتم‌های یادگیری ماشین، درک نحوه‌ی رسیدن آن‌ها به نتایج خاص را دشوار می‌سازد.

برای دستیابی به آینده‌ای مطلوب با هوش مصنوعی، باید بر روی شفافیت، عدالت و ایمنی در این فناوری تمرکز کنیم. محققان، توسعه‌دهندگان و قانون‌گذاران باید با هم همکاری کنند تا هوش مصنوعی را به گونه‌ای توسعه دهند که منافع همه‌ی انسان‌ها را تأمین کند.

جمع‌بندی

هوش مصنوعی با سرعتی سرسام‌آور در حال پیشرفت است و این فناوری پتانسیل متحول کردن بسیاری از صنایع و جنبه‌های زندگی ما را دارد. با درک تاریخچه و مسیر پیشرفت هوش مصنوعی، می‌توانیم بهتر برای رویارویی با آینده‌ی این فناوری قدرتمند آماده شویم.

آینده‌ای که در آن هوش مصنوعی به عنوان ابزاری کارآمد در خدمت انسان عمل می‌کند و به ما در حل چالش‌های جهانی و بهبود کیفیت زندگی یاری می‌رساند.