هوش مصنوعی

هوش مصنوعی

شناسنامه
نام‌های دیگر	AI، هوش ماشینی
حوزه	علوم رایانه، مهندسی کامپیوتر، علوم شناختی، فلسفه ذهن، رباتیک، علم داده
خاستگاه	علوم رایانه، ریاضیات، منطق، نظریهٔ محاسبات، علوم شناختی و پژوهش دربارهٔ امکان شبیه‌سازی یادگیری و استدلال توسط ماشین
اندیشه و تاریخ
مفاهیم کلیدی	یادگیری، استدلال، الگوریتم، داده، مدل، استنتاج، بهینه‌سازی، شبکهٔ عصبی، عامل هوشمند، آموزش، پیش‌بینی، تصمیم‌گیری، خودمختاری و سازگاری
جریان‌های مرتبط	یادگیری ماشین، یادگیری عمیق، شبکه عصبی مصنوعی، پردازش زبان طبیعی، بینایی ماشین، رباتیک، هوش مصنوعی مولد، مدل زبانی بزرگ
تأثیرپذیرفته از	ریاضیات، آمار، منطق، نظریهٔ محاسبات، علوم اعصاب، روان‌شناسی شناختی، زبان‌شناسی، نظریهٔ اطلاعات و علوم رایانه
تأثیرگذار بر	علوم رایانه، پزشکی، صنعت، اقتصاد، آموزش، رسانه، پژوهش علمی، حمل‌ونقل، امنیت، هنر، ارتباطات و بسیاری از حوزه‌های زندگی اجتماعی
نقد و ارزیابی

هوش مصنوعی (به انگلیسی: Artificial Intelligence و به اختصار AI) حوزه‌ای میان‌رشته‌ای از علوم و فناوری است که به طراحی و مطالعهٔ سامانه‌هایی می‌پردازد که قادرند وظایفی مانند یادگیری، استدلال، حل مسئله، تشخیص الگو، ادراک، پردازش زبان، پیش‌بینی، تولید محتوا یا تصمیم‌گیری را انجام دهند؛ وظایفی که برخی از آنها در صورت انجام توسط انسان با مفهوم هوش مرتبط دانسته می‌شوند.

تعریف واحد و تغییرناپذیری برای هوش مصنوعی وجود ندارد. جان مک‌کارتی، که اصطلاح Artificial Intelligence را در دههٔ ۱۹۵۰ مطرح کرد، بعدها آن را «علم و مهندسی ساخت ماشین‌های هوشمند» تعریف کرد. در تعریف‌های جدیدتر، تمرکز بیشتر بر عملکرد سامانه است. سازمان همکاری و توسعهٔ اقتصادی (OECD) سامانهٔ هوش مصنوعی را سامانه‌ای مبتنی بر ماشین می‌داند که برای اهداف صریح یا ضمنی از ورودی‌های دریافتی استنتاج می‌کند چگونه خروجی‌هایی مانند پیش‌بینی، محتوا، توصیه یا تصمیم تولید کند که بتوانند بر محیط‌های فیزیکی یا مجازی اثر بگذارند.

هوش مصنوعی یک فناوری واحد نیست، بلکه مجموعه‌ای از روش‌ها، مدل‌ها و حوزه‌های پژوهشی است. یادگیری ماشین، یادگیری عمیق، شبکه عصبی مصنوعی، پردازش زبان طبیعی، بینایی ماشین، برنامه‌ریزی، استدلال خودکار، رباتیک و هوش مصنوعی مولد از حوزه‌های مرتبط با آن هستند.

تاریخچه

ریشه‌های فکری هوش مصنوعی بسیار قدیمی‌تر از رایانهٔ دیجیتال‌اند. فیلسوفان و ریاضی‌دانان طی قرن‌ها دربارهٔ منطق، استدلال، شناخت و امکان صورت‌بندی قواعد اندیشه بحث کرده بودند.

اما شکل‌گیری هوش مصنوعی به‌عنوان یک رشتهٔ علمی مستقل با پیدایش رایانه‌های الکترونیکی در میانهٔ سدهٔ بیستم امکان‌پذیر شد.

پژوهشگران اکنون نه‌تنها می‌توانستند دربارهٔ سازوکار استدلال بحث کنند، بلکه می‌توانستند برنامه‌هایی بسازند که قواعد مشخصی را اجرا و مسائل پیچیده را حل کنند.

آلن تورینگ

آلن تورینگ از مهم‌ترین پیشگامان نظری هوش مصنوعی بود.

او در سال ۱۹۵۰ مقالهٔ مشهور Computing Machinery and Intelligence را منتشر کرد و بحث را با پرسش «آیا ماشین‌ها می‌توانند فکر کنند؟» آغاز کرد.

تورینگ به جای تلاش برای تعریف فلسفی کامل «تفکر»، آزمونی رفتاری پیشنهاد کرد که بعدها به نام آزمون تورینگ شناخته شد.

در این آزمون، توانایی ماشین در ایجاد گفت‌وگویی بررسی می‌شود که تشخیص آن از پاسخ یک انسان برای ارزیاب دشوار باشد.

آزمون تورینگ تعریف جامع هوش نیست، اما در تاریخ فلسفه و علوم رایانه به یکی از نقاط مهم بحث دربارهٔ هوش ماشینی تبدیل شد.

شکل‌گیری اصطلاح هوش مصنوعی

اصطلاح Artificial Intelligence با جان مک‌کارتی پیوند تاریخی نزدیکی دارد.

در سال ۱۹۵۵، مک‌کارتی همراه با ماروین مینسکی، ناتانیل روچستر و کلود شانون پیشنهادی برای برگزاری پروژهٔ پژوهشی تابستانی دارتموث تهیه کرد.

در این پیشنهاد فرض بنیادی پژوهش چنین بود که جنبه‌های یادگیری و دیگر ویژگی‌های هوش را می‌توان چنان دقیق توصیف کرد که ماشین قادر به شبیه‌سازی آنها باشد.

کارگاه در تابستان ۱۹۵۶ در کالج دارتموث برگزار شد و بعدها به‌عنوان یکی از نقاط تولد هوش مصنوعی به‌عنوان یک حوزهٔ علمی مستقل شناخته شد.

کنفرانس دارتموث

پروژهٔ پژوهشی تابستانی دارتموث دربارهٔ هوش مصنوعی نقطهٔ عطفی در تاریخ این رشته بود.

پژوهشگران حاضر و مرتبط با این جریان دربارهٔ موضوعاتی مانند زبان، شبکه‌های عصبی، محاسبات، یادگیری و حل مسئله بحث کردند.

اهمیت دارتموث بیش از آنکه ناشی از اختراع یک فناوری مشخص باشد، در شکل‌گیری یک برنامهٔ پژوهشی بود: این ایده که بخش‌هایی از رفتار هوشمند را می‌توان به موضوع پژوهش محاسباتی تبدیل کرد.

از این دوره به بعد اصطلاح «هوش مصنوعی» به‌تدریج به نام یک رشتهٔ علمی تبدیل شد.

هوش مصنوعی نمادین

یکی از نخستین رویکردهای مهم هوش مصنوعی، هوش مصنوعی نمادین بود.

در این رویکرد، دانش با نمادها و قواعد صریح بازنمایی می‌شود و سامانه با استفاده از قواعد منطقی روی آنها عملیات انجام می‌دهد.

پژوهشگران امیدوار بودند بسیاری از اشکال استدلال انسانی را بتوان به مجموعه‌ای از قواعد و نمادهای قابل پردازش توسط رایانه تبدیل کرد.

برنامه‌های حل مسئله، اثبات قضیه و بعدها سامانه‌های خبره از دستاوردهای این سنت بودند.

آلن نیوول و هربرت سایمون

آلن نیوول و هربرت سایمون از چهره‌های مهم نسل نخست هوش مصنوعی بودند.

آنها همراه با کلیف شاو برنامهٔ Logic Theorist را توسعه دادند که می‌توانست برخی قضایای منطقی را اثبات کند.

نیوول و سایمون سپس General Problem Solver را توسعه دادند و به مطالعهٔ حل مسئله توسط انسان و ماشین پرداختند.

این پژوهش‌ها به شکل‌گیری سنتی کمک کردند که هوش را از منظر بازنمایی نمادین و جست‌وجوی فضای مسئله بررسی می‌کرد.

سامانه‌های خبره

در دهه‌های ۱۹۷۰ و ۱۹۸۰، سامانه‌های خبره به یکی از کاربردهای مهم هوش مصنوعی تبدیل شدند.

این سامانه‌ها تلاش می‌کردند دانش متخصصان انسانی را به مجموعه‌ای از قواعد تبدیل کنند.

برای مثال یک سامانه می‌توانست بر اساس مجموعه‌ای از علائم و قواعد، پیشنهادهایی برای تشخیص یا تصمیم‌گیری ارائه دهد.

مزیت آنها امکان استفاده از دانش تخصصی در رایانه بود.

اما استخراج و نگهداری هزاران قاعده دشوار بود و این سامانه‌ها در مواجهه با شرایط خارج از قواعد از پیش تعریف‌شده انعطاف محدودی داشتند.

زمستان هوش مصنوعی

تاریخ هوش مصنوعی خطی و پیوسته نبوده است.

در دوره‌هایی انتظارات دربارهٔ سرعت پیشرفت این فناوری بسیار بالا رفت، اما سامانه‌های موجود نتوانستند وعده‌های مطرح‌شده را تحقق بخشند.

کاهش بودجه و علاقهٔ سرمایه‌گذاران و دولت‌ها در برخی از این دوره‌ها با اصطلاح زمستان هوش مصنوعی شناخته می‌شود.

این تجربه نشان داد که پیشرفت در هوش مصنوعی نه‌تنها به ایده‌های نظری، بلکه به قدرت محاسباتی، داده، الگوریتم، زیرساخت و امکان استفادهٔ عملی وابسته است.

یادگیری ماشین

یادگیری ماشین (Machine Learning) یکی از مهم‌ترین شاخه‌های هوش مصنوعی معاصر است.

در برنامه‌نویسی سنتی، برنامه‌نویس تا حد زیادی قواعدی را که رایانه باید اجرا کند مشخص می‌کند.

در یادگیری ماشین، سامانه از داده‌ها برای یافتن الگو و ساخت مدلی استفاده می‌کند که بتواند پیش‌بینی، طبقه‌بندی یا تصمیم‌گیری انجام دهد.

به این ترتیب لازم نیست همهٔ قواعد مسئله به‌صورت صریح توسط برنامه‌نویس نوشته شوند.

یادگیری نظارت‌شده

در یادگیری نظارت‌شده، مدل با نمونه‌هایی آموزش می‌بیند که پاسخ یا برچسب مطلوب آنها مشخص است.

برای مثال می‌توان مجموعه‌ای از تصاویر را همراه با نام اشیای موجود در آنها به سامانه ارائه کرد.

مدل با مشاهدهٔ تعداد زیادی نمونه می‌آموزد رابطه‌ای میان ویژگی‌های ورودی و برچسب خروجی پیدا کند.

پس از آموزش، مدل می‌تواند برای نمونه‌های جدید پیش‌بینی انجام دهد.

یادگیری بدون نظارت

در یادگیری بدون نظارت، داده‌ها لزوماً دارای پاسخ از پیش تعیین‌شده نیستند.

سامانه تلاش می‌کند ساختارها و الگوهای موجود در داده را کشف کند.

خوشه‌بندی نمونه‌های مشابه یکی از کاربردهای این رویکرد است.

این روش می‌تواند برای کشف ساختارهایی مفید باشد که پیشاپیش برای پژوهشگر مشخص نیستند.

یادگیری تقویتی

یادگیری تقویتی بر تعامل یک عامل با محیط استوار است.

عامل اقداماتی انجام می‌دهد و بر اساس نتیجهٔ آنها پاداش یا بازخورد دریافت می‌کند.

هدف آن یادگیری راهبردی است که در طول زمان بیشترین پاداش را ایجاد کند.

این رویکرد در بازی‌ها، کنترل، رباتیک و مسائل تصمیم‌گیری متوالی کاربرد دارد.

شبکه‌های عصبی مصنوعی

شبکه‌های عصبی مصنوعی مدل‌های محاسباتی متشکل از واحدهای به‌هم‌پیوسته‌اند که به‌صورت الهام‌گرفته ــ و نه نسخه‌برداری دقیق ــ از برخی جنبه‌های شبکه‌های عصبی زیستی توسعه یافته‌اند.

شبکه با تنظیم پارامترهای خود از داده‌ها الگو می‌آموزد.

شبکه‌های عصبی از دهه‌های نخست هوش مصنوعی مورد مطالعه بودند، اما افزایش داده‌های دیجیتال، توان پردازشی و پیشرفت روش‌های آموزش موجب شد از دههٔ ۲۰۱۰ نقش بسیار مهم‌تری پیدا کنند.

یادگیری عمیق

یادگیری عمیق (Deep Learning) به روش‌هایی از یادگیری ماشین گفته می‌شود که معمولاً از شبکه‌های عصبی دارای لایه‌های متعدد استفاده می‌کنند.

این روش‌ها در حوزه‌هایی مانند تشخیص تصویر، گفتار، ترجمهٔ ماشینی و پردازش زبان پیشرفت‌های مهمی ایجاد کردند.

سه عامل در رشد یادگیری عمیق اهمیت ویژه داشتند:

• دسترسی به مجموعه‌داده‌های بزرگ؛
• افزایش قدرت محاسباتی؛
• پیشرفت معماری‌ها و الگوریتم‌های آموزش.

یادگیری عمیق بعدها زیرساخت بسیاری از سامانه‌های هوش مصنوعی مولد را نیز فراهم کرد.

پردازش زبان طبیعی

پردازش زبان طبیعی یا NLP حوزه‌ای است که به تعامل رایانه با زبان انسانی می‌پردازد.

کاربردهای آن شامل:

• ترجمهٔ ماشینی؛
• تشخیص گفتار؛
• خلاصه‌سازی؛
• پاسخ به پرسش؛
• تحلیل متن؛
• تولید زبان

است.

زبان انسانی به دلیل ابهام، زمینه، استعاره، تفاوت فرهنگی و وابستگی معنا به موقعیت یکی از مسائل دشوار علوم رایانه بوده است.

ظهور مدل‌های زبانی بزرگ توانایی سامانه‌ها در پردازش و تولید متن را به شکل قابل توجهی افزایش داد.

بینایی ماشین

بینایی ماشین یا Computer Vision به توسعهٔ سامانه‌هایی می‌پردازد که اطلاعات موجود در تصویر و ویدئو را پردازش و تحلیل می‌کنند.

کاربردهای آن شامل تشخیص اشیا، تحلیل تصاویر پزشکی، کنترل صنعتی، سامانه‌های حمل‌ونقل و پردازش تصاویر ماهواره‌ای است.

پیشرفت یادگیری عمیق از دههٔ ۲۰۱۰ موجب بهبود چشمگیر بسیاری از وظایف بینایی ماشین شد.

رباتیک

رباتیک و هوش مصنوعی حوزه‌هایی مرتبط اما مستقل‌اند.

ربات سامانه‌ای فیزیکی است که می‌تواند در محیط عمل کند؛ هوش مصنوعی مجموعه‌ای از روش‌های محاسباتی برای ادراک، یادگیری، تصمیم‌گیری و دیگر وظایف است.

یک ربات الزاماً دارای هوش مصنوعی پیشرفته نیست و یک سامانهٔ هوش مصنوعی نیز الزاماً ربات نیست.

ترکیب این دو می‌تواند سامانه‌هایی ایجاد کند که محیط را حس کنند، تصمیم بگیرند و در جهان فیزیکی عمل کنند.

هوش مصنوعی محدود

بیشتر سامانه‌های موجود در عمل در گروه هوش مصنوعی محدود یا Narrow AI قرار می‌گیرند.

این سامانه‌ها برای انجام یک وظیفه یا مجموعه‌ای از وظایف طراحی و آموزش داده شده‌اند.

یک سامانه ممکن است در شطرنج، تشخیص تصویر، ترجمه یا تولید متن عملکرد بسیار بالایی داشته باشد، اما این توانایی به معنای برخورداری از همهٔ قابلیت‌های شناختی انسان نیست.

هوش عمومی مصنوعی

هوش عمومی مصنوعی یا AGI مفهومی برای سامانه‌ای فرضی یا آینده‌نگر است که بتواند طیف گسترده‌ای از وظایف شناختی را با قابلیت تعمیم بالا انجام دهد.

تعریف دقیق AGI محل توافق کامل نیست.

سامانه‌های هوش مصنوعی امروزی، حتی اگر بتوانند مجموعهٔ بزرگی از وظایف را انجام دهند، نباید بدون معیار مشخص با هوش عمومی انسانی یکسان دانسته شوند.

AGI همچنان موضوع پژوهش، آینده‌پژوهی و مناقشهٔ علمی و فلسفی است.

هوش مصنوعی مولد

هوش مصنوعی مولد یا Generative AI به سامانه‌هایی گفته می‌شود که می‌توانند محتوای جدید مانند متن، تصویر، صوت، ویدئو یا دیگر داده‌های مصنوعی تولید کنند.

مؤسسهٔ ملی استانداردها و فناوری آمریکا (NIST) در نمایهٔ مدیریت ریسک هوش مصنوعی مولد، این حوزه را شامل مدل‌هایی می‌داند که ساختار و ویژگی‌های داده‌های ورودی را برای تولید محتوای مصنوعی مشتق‌شده بازنمایی می‌کنند.

گسترش هوش مصنوعی مولد از اوایل دههٔ ۲۰۲۰ باعث افزایش چشمگیر استفادهٔ عمومی از سامانه‌های هوش مصنوعی شد.

مدل‌های بنیادین

مدل‌های بنیادین مدل‌هایی هستند که با حجم زیادی از داده آموزش می‌بینند و می‌توان آنها را برای طیف گسترده‌ای از وظایف به کار گرفت یا سازگار کرد.

برخلاف مدلی که فقط برای یک وظیفهٔ محدود ساخته شده است، یک مدل بنیادین می‌تواند زیربنای کاربردهای متعدد قرار گیرد.

مدل‌های زبانی بزرگ یکی از مهم‌ترین انواع مدل‌های بنیادین هستند.

مدل‌های زبانی بزرگ

مدل‌های زبانی بزرگ یا LLMها مدل‌هایی هستند که با حجم بسیار زیادی از داده‌های زبانی و محاسبات آموزش می‌بینند.

این مدل‌ها روابط آماری پیچیده میان واحدهای زبان را می‌آموزند و می‌توانند بر اساس زمینه، ادامهٔ متن را پیش‌بینی یا تولید کنند.

در مقیاس بزرگ، این سازوکار می‌تواند توانایی‌هایی مانند پاسخ به پرسش، خلاصه‌سازی، ترجمه، تولید متن، کمک به برنامه‌نویسی و تحلیل اسناد ایجاد کند.

با این حال، تولید متنی روان به‌خودی‌خود تضمین نمی‌کند که محتوای تولیدشده درست باشد.

ترنسفورمر

یکی از معماری‌های مهم در توسعهٔ مدل‌های زبانی معاصر ترنسفورمر (Transformer) است.

این معماری امکان پردازش مؤثر روابط میان بخش‌های مختلف داده، به‌ویژه متن، را فراهم کرد.

ترنسفورمرها بعدها پایهٔ بسیاری از مدل‌های زبانی بزرگ و سامانه‌های هوش مصنوعی مولد شدند.

گسترش آنها یکی از عوامل اصلی جهش توانایی سامانه‌های پردازش زبان در اواخر دههٔ ۲۰۱۰ و اوایل دههٔ ۲۰۲۰ بود.

آموزش مدل

مدل‌های یادگیری ماشین طی فرایندی به نام آموزش پارامترهای خود را بر اساس داده تنظیم می‌کنند.

در مدل‌های بزرگ، این فرایند می‌تواند به حجم عظیمی از داده و منابع محاسباتی نیاز داشته باشد.

پس از آموزش اولیه، مدل ممکن است با روش‌های دیگری برای کاربرد خاص سازگار شود.

کیفیت، تنوع و ترکیب داده‌های آموزشی می‌تواند بر عملکرد و محدودیت‌های مدل اثر بگذارد.

استنتاج

پس از آموزش، هنگامی که مدل ورودی جدیدی دریافت و خروجی تولید می‌کند، این مرحله معمولاً استنتاج (Inference) نامیده می‌شود.

برای مثال، هنگامی که یک مدل تصویر را طبقه‌بندی می‌کند یا یک مدل زبانی به پرسش پاسخ می‌دهد، در حال اجرای استنتاج است.

تفکیک آموزش و استنتاج از نظر محاسبات، هزینه، زیرساخت و تحلیل عملکرد اهمیت دارد.

داده

داده یکی از عناصر اصلی بسیاری از سامانه‌های هوش مصنوعی معاصر است.

مدل‌ها ممکن است از متن، تصویر، صوت، ویدئو، داده‌های حسگر یا داده‌های ساختاریافته آموزش ببینند.

کیفیت داده اهمیت زیادی دارد.

داده‌های ناقص، نامتوازن یا دارای خطا می‌توانند بر عملکرد مدل اثر بگذارند.

همچنین گردآوری و استفاده از داده‌ها پرسش‌هایی دربارهٔ حریم خصوصی، مالکیت، رضایت و حقوق پدیدآورندگان ایجاد کرده است.

الگوریتم

الگوریتم مجموعه‌ای از دستورها یا قواعد برای حل یک مسئله است.

هوش مصنوعی و الگوریتم مترادف نیستند.

هر سامانهٔ هوش مصنوعی از الگوریتم‌ها استفاده می‌کند، اما هر الگوریتم هوش مصنوعی نیست.

برای نمونه الگوریتم ساده‌ای که فهرستی از اعداد را مرتب می‌کند، لزوماً یک سامانهٔ هوش مصنوعی محسوب نمی‌شود.

OECD نیز میان مفهوم الگوریتم و سامانهٔ هوش مصنوعی تمایز قائل می‌شود و الگوریتم را مجموعه‌ای از دستورهای مرحله‌به‌مرحله برای حل مسئله تعریف می‌کند.

هوش مصنوعی و آگاهی

یکی از بحث‌های فلسفی مهم این است که آیا عملکرد هوشمندانهٔ ماشین به معنای برخورداری آن از آگاهی است.

توانایی حل مسئله، تولید زبان یا تشخیص تصویر به خودی خود پاسخ این پرسش را تعیین نمی‌کند.

جان سرل با آزمایش فکری مشهور اتاق چینی استدلال کرد که اجرای قواعد نمادین و تولید پاسخ مناسب لزوماً به معنای فهم معنا نیست.

این بحث همچنان بخشی از فلسفه ذهن و فلسفهٔ هوش مصنوعی است.

هوش مصنوعی و شناخت انسان

هوش مصنوعی از برخی مفاهیم علوم شناختی الهام گرفته است، اما نباید سامانه‌های مصنوعی را نسخهٔ دیجیتال مغز انسان دانست.

شبکهٔ عصبی مصنوعی تنها الهام‌هایی کلی از ساختارهای عصبی زیستی گرفته و سازوکار آن با مغز انسان تفاوت‌های بنیادی دارد.

در مقابل، مطالعهٔ هوش مصنوعی گاهی پرسش‌های تازه‌ای دربارهٔ ماهیت یادگیری، زبان، استدلال و هوش انسانی ایجاد کرده است.

به همین دلیل رابطهٔ هوش مصنوعی و علوم شناختی دوطرفه بوده است.

کاربرد در پزشکی

هوش مصنوعی در پزشکی برای تحلیل تصاویر، پشتیبانی از تصمیم‌گیری، پردازش اسناد، پژوهش دارویی و تحلیل داده‌های زیستی مورد مطالعه و استفاده قرار گرفته است.

سامانه‌های هوش مصنوعی می‌توانند حجم زیادی از داده را پردازش کنند، اما عملکرد آنها به کیفیت داده، شرایط استفاده و ارزیابی بالینی وابسته است.

به همین دلیل کاربرد هوش مصنوعی در حوزه‌های پرخطر نیازمند ارزیابی، نظارت و مدیریت ریسک است.

کاربرد در علم

هوش مصنوعی به ابزاری برای پژوهش علمی تبدیل شده است.

مدل‌ها می‌توانند در تحلیل مجموعه‌داده‌های بزرگ، شناسایی الگوها، شبیه‌سازی و طراحی فرضیه‌های قابل بررسی کمک کنند.

کاربردهای آن از زیست‌شناسی و شیمی تا فیزیک، هواشناسی و علوم زمین گسترش یافته‌اند.

با این حال خروجی مدل همچنان نیازمند ارزیابی روش‌شناختی و علمی است.

آموزش

هوش مصنوعی در آموزش می‌تواند برای آموزش شخصی‌سازی‌شده، ترجمه، تولید تمرین، توضیح مفاهیم و کمک به معلم و دانش‌آموز استفاده شود.

در مقابل، استفاده از آن پرسش‌هایی دربارهٔ صحت اطلاعات، وابستگی بیش از حد، ارزیابی دانش‌آموز، حریم خصوصی و تقلب آموزشی ایجاد کرده است.

بنابراین تأثیر آن به نحوهٔ طراحی و استفاده از فناوری وابسته است.

اقتصاد و بازار کار

هوش مصنوعی می‌تواند برخی وظایف را خودکار کند، برخی مشاغل را تغییر دهد و وظایف جدیدی ایجاد کند.

تأثیر آن بر بازار کار در همهٔ مشاغل یکسان نیست.

در بسیاری از موارد، واحد مناسب تحلیل نه «حذف کامل یک شغل»، بلکه تغییر مجموعهٔ وظایفی است که انسان و ماشین انجام می‌دهند.

آثار بلندمدت آن به سرعت پذیرش فناوری، سیاست آموزشی، سرمایه‌گذاری، مقررات و توانایی نیروی کار برای سازگاری بستگی دارد.

هنر و فرهنگ

هوش مصنوعی مولد امکان تولید تصویر، موسیقی، متن و ویدئو را گسترش داده است.

این تحول پرسش‌هایی دربارهٔ مفهوم خلاقیت، مؤلف، مالکیت فکری، داده‌های آموزشی و ارزش آثار انسانی ایجاد کرده است.

از سوی دیگر، هنرمندان نیز از هوش مصنوعی به‌عنوان ابزار تازه‌ای برای آزمایش سبک‌ها و فرایندهای خلاق استفاده می‌کنند.

بنابراین رابطهٔ هوش مصنوعی و هنر تنها مسئلهٔ «جایگزینی» نیست، بلکه شامل شکل‌های تازهٔ همکاری انسان و ماشین نیز می‌شود.

رسانه و اطلاعات

هوش مصنوعی می‌تواند در جست‌وجو، ترجمه، خلاصه‌سازی، توصیهٔ محتوا و تولید رسانه استفاده شود.

هم‌زمان امکان تولید سریع محتوای جعلی، تصویر مصنوعی و جعل عمیق را نیز افزایش داده است.

این وضعیت مسئلهٔ تشخیص منشأ و اصالت محتوا را مهم‌تر کرده است.

سامانه‌های تولید محتوا همچنین ممکن است اطلاعات نادرست اما ظاهراً متقاعدکننده تولید کنند.

خطای ساختگی

مدل‌های مولد گاهی اطلاعاتی تولید می‌کنند که از نظر زبانی منسجم اما از نظر واقعی نادرست است. این پدیده در ادبیات فنی معمولاً با اصطلاح Hallucination شناخته می‌شود.

مدل ممکن است نام کتاب، منبع، واقعه یا داده‌ای را تولید کند که وجود ندارد.

این ویژگی یکی از دلایلی است که خروجی هوش مصنوعی در پژوهش، روزنامه‌نگاری، پزشکی، حقوق و دیگر حوزه‌های حساس باید راستی‌آزمایی شود.

NIST در نمایهٔ ریسک هوش مصنوعی مولد، «Confabulation» یا تولید محتوای به‌ظاهر معتبر اما نادرست را از ریسک‌های مهم این سامانه‌ها بررسی کرده است.

سوگیری

سامانه‌های هوش مصنوعی ممکن است الگوها و نابرابری‌های موجود در داده‌ها را بازتاب یا تقویت کنند.

سوگیری الگوریتمی می‌تواند از داده، طراحی مدل، تعریف مسئله، معیار ارزیابی یا شرایط استفاده ناشی شود.

این مسئله در حوزه‌هایی مانند استخدام، اعتبارسنجی، خدمات عمومی و تصمیم‌های پراثر اهمیت ویژه دارد.

به همین دلیل ارزیابی عدالت و آثار متفاوت سامانه بر گروه‌های مختلف بخشی از بحث هوش مصنوعی مسئولانه است.

حریم خصوصی

آموزش و استفاده از سامانه‌های هوش مصنوعی می‌تواند مستلزم پردازش حجم زیادی از داده باشد.

اگر این داده‌ها حاوی اطلاعات شخصی باشند، مسائل مربوط به حریم خصوصی مطرح می‌شود.

جمع‌آوری داده، هدف استفاده، نگهداری، امنیت و امکان استخراج اطلاعات حساس از مدل از موضوعات مهم این حوزه‌اند.

روش‌های فنی و حقوقی مختلفی برای کاهش این خطرها توسعه یافته‌اند.

امنیت

سامانه‌های هوش مصنوعی هم می‌توانند ابزار امنیتی باشند و هم خود در معرض حمله قرار گیرند.

دستکاری داده‌های آموزشی، ورودی‌های خصمانه، سوءاستفاده از مدل و افشای اطلاعات از جمله موضوعات امنیت هوش مصنوعی هستند.

از سوی دیگر، هوش مصنوعی می‌تواند در تشخیص الگوهای حمله، تحلیل آسیب‌پذیری و پردازش حجم بزرگی از داده‌های امنیتی مورد استفاده قرار گیرد.

هوش مصنوعی قابل توضیح

برخی مدل‌های پیچیده به‌گونه‌ای عمل می‌کنند که توضیح دقیق علت یک خروجی برای انسان دشوار است.

هوش مصنوعی توضیح‌پذیر یا XAI به روش‌هایی می‌پردازد که فهم عملکرد یا دلایل خروجی سامانه را افزایش دهند.

اهمیت توضیح‌پذیری در همهٔ کاربردها یکسان نیست.

در تصمیم‌های پراثر، مانند برخی کاربردهای پزشکی یا حقوقی، امکان فهم و بررسی تصمیم می‌تواند اهمیت بیشتری داشته باشد.

هوش مصنوعی قابل اعتماد

با گسترش کاربرد AI، مفهوم هوش مصنوعی قابل اعتماد اهمیت یافته است.

چارچوب مدیریت ریسک هوش مصنوعی NIST ویژگی‌هایی مانند اعتبار و قابلیت اعتماد، ایمنی، امنیت و تاب‌آوری، پاسخ‌گویی و شفافیت، توضیح‌پذیری، حفاظت از حریم خصوصی و مدیریت سوگیری زیان‌بار را در بحث اعتمادپذیری سامانه‌ها مطرح می‌کند.

این ویژگی‌ها الزاماً به‌طور خودکار با افزایش توانایی مدل حاصل نمی‌شوند و باید در طراحی، توسعه، استقرار و ارزیابی سامانه مورد توجه قرار گیرند.

مدیریت ریسک

گسترش هوش مصنوعی موجب توسعهٔ چارچوب‌هایی برای مدیریت ریسک شده است.

NIST در ژانویهٔ ۲۰۲۳ چارچوب AI RMF 1.0 را منتشر کرد تا سازمان‌ها بتوانند خطرهای مرتبط با طراحی، توسعه، استقرار و استفاده از هوش مصنوعی را بهتر شناسایی و مدیریت کنند.

این چارچوب داوطلبانه است و هدف آن کمک به مدیریت آثار بالقوهٔ هوش مصنوعی بر افراد، سازمان‌ها و جامعه است.

NIST همچنین در سال ۲۰۲۴ نمایه‌ای ویژه برای ریسک‌های هوش مصنوعی مولد منتشر کرد.

اخلاق هوش مصنوعی

اخلاق هوش مصنوعی حوزه‌ای میان‌رشته‌ای است که پیامدهای اخلاقی طراحی و استفاده از سامانه‌های هوش مصنوعی را بررسی می‌کند.

موضوعات آن شامل:

• عدالت؛
• تبعیض؛
• حریم خصوصی؛
• پاسخ‌گویی؛
• شفافیت؛
• خودمختاری انسان؛
• ایمنی؛
• تأثیر بر کار؛
• مالکیت فکری؛
• استفادهٔ نظامی؛
• تمرکز قدرت

است.

اخلاق هوش مصنوعی تنها دربارهٔ رفتار خود مدل نیست؛ تصمیم‌های انسان‌ها و نهادهایی که سامانه را طراحی، مالک، مستقر یا استفاده می‌کنند نیز موضوع این حوزه است.

مسئولیت

وقتی یک سامانهٔ هوش مصنوعی موجب زیان می‌شود، مسئلهٔ مسئولیت مطرح می‌شود.

مسئولیت ممکن است میان توسعه‌دهنده، ارائه‌دهنده، سازمان استفاده‌کننده یا فرد تصمیم‌گیرنده توزیع شده باشد.

پیچیدگی زنجیرهٔ توسعه و استقرار می‌تواند تعیین مسئولیت را دشوار کند.

به همین دلیل بحث پاسخ‌گویی یکی از محورهای حکمرانی هوش مصنوعی است.

نظارت انسانی

یکی از رویکردهای مطرح در کاربردهای پراثر، حفظ سطحی مناسب از نظارت انسانی است.

اما حضور یک انسان در فرایند به تنهایی کافی نیست.

ناظر باید اطلاعات، اختیار، زمان و توانایی لازم برای ارزیابی و در صورت لزوم رد یا اصلاح خروجی سامانه را داشته باشد.

در غیر این صورت نظارت انسانی ممکن است صرفاً صوری باشد.

مقررات هوش مصنوعی

با افزایش کاربرد AI، دولت‌ها و سازمان‌های بین‌المللی به توسعهٔ سیاست‌ها و مقررات مرتبط با آن پرداخته‌اند.

مسائل مورد توجه شامل ایمنی، شفافیت، حفاظت از داده، تبعیض، مسئولیت و کاربردهای پرخطر است.

رویکردهای حقوقی در کشورها متفاوت‌اند و این حوزه همچنان در حال تحول است.

OECD نیز تعریف سامانهٔ هوش مصنوعی و اصول مرتبط با آن را در سال‌های اخیر به‌روزرسانی کرده است تا تغییرات فنی این حوزه را بهتر پوشش دهد.

هوش مصنوعی و قدرت

هوش مصنوعی تنها موضوعی فنی نیست.

توسعهٔ مدل‌های بزرگ به داده، تراشه‌های پیشرفته، زیرساخت محاسباتی، انرژی و سرمایه نیاز دارد.

در نتیجه دسترسی به این منابع می‌تواند بر توزیع قدرت اقتصادی و فناوری تأثیر بگذارد.

تمرکز زیرساخت و مدل‌های پیشرفته در شمار محدودی از شرکت‌ها یا دولت‌ها نیز موضوع بحث‌های اقتصادی و سیاسی است.

از این منظر مطالعهٔ هوش مصنوعی با اقتصاد سیاسی و مطالعات قدرت فناوری پیوند پیدا می‌کند.

کاربرد نظامی

هوش مصنوعی در حوزهٔ نظامی می‌تواند در تحلیل اطلاعات، شناسایی، لجستیک، برنامه‌ریزی، سامانه‌های بدون سرنشین و پشتیبانی از تصمیم‌گیری به کار رود.

این کاربردها پرسش‌هایی دربارهٔ سرعت تصمیم‌گیری، مسئولیت، خطا و میزان کنترل انسانی ایجاد کرده‌اند.

بحث دربارهٔ سامانه‌های تسلیحاتی خودمختار یکی از مهم‌ترین حوزه‌های اخلاقی و حقوقی مرتبط با هوش مصنوعی نظامی است.

هوش مصنوعی و جنگ اطلاعاتی

توانایی تولید و تحلیل حجم بزرگی از محتوا موجب شده است هوش مصنوعی با جنگ اطلاعاتی و عملیات روانی نیز ارتباط پیدا کند.

سامانه‌های مولد می‌توانند تولید متن، تصویر، صدا و ویدئو را سریع‌تر و ارزان‌تر کنند.

همین قابلیت می‌تواند برای ارتباطات مشروع یا برای تولید اطلاعات گمراه‌کننده مورد استفاده قرار گیرد.

در نتیجه هوش مصنوعی نه خودِ جنگ اطلاعاتی، بلکه فناوری‌ای است که می‌تواند ظرفیت برخی فعالیت‌های اطلاعاتی را افزایش دهد.

جعل عمیق

جعل عمیق یا Deepfake به محتوای مصنوعی یا دستکاری‌شده‌ای گفته می‌شود که می‌تواند تصویر، ویدئو یا صدای فردی را به شکلی واقع‌نما بازسازی کند.

این فناوری کاربردهای مشروع هنری و فنی دارد، اما می‌تواند برای جعل هویت یا انتشار محتوای گمراه‌کننده نیز مورد سوءاستفاده قرار گیرد.

افزایش کیفیت محتوای مصنوعی اهمیت روش‌های احراز اصالت و سواد رسانه‌ای را افزایش داده است.

رابطه انسان و هوش مصنوعی

یکی از پرسش‌های مهم آینده این نیست که «انسان یا ماشین» کدام یک به‌تنهایی بهتر است، بلکه در چه شرایطی ترکیب توانایی‌های انسان و سامانهٔ مصنوعی نتیجهٔ بهتری ایجاد می‌کند.

ماشین می‌تواند حجم بزرگی از داده را با سرعت پردازش کند.

انسان در مقابل دارای تجربهٔ اجتماعی، مسئولیت اخلاقی، درک زمینه و توانایی قضاوتی است که لزوماً به شکل کامل در یک مدل بازنمایی نمی‌شود.

طراحی سامانه‌های انسان‌محور می‌کوشد این رابطه را به‌گونه‌ای سازمان دهد که فناوری ابزار افزایش توانایی انسان باشد.

محدودیت‌های هوش مصنوعی

سامانه‌های هوش مصنوعی با وجود پیشرفت‌های سریع دارای محدودیت‌اند.

مدل ممکن است:

• اطلاعات نادرست تولید کند؛
• در شرایط متفاوت از داده‌های آموزشی عملکرد ضعیف‌تری داشته باشد؛
• سوگیری داده‌ها را بازتاب دهد؛
• درک ناقصی از زمینه داشته باشد؛
• نسبت به ورودی‌های خاص آسیب‌پذیر باشد؛
• توضیح روشنی برای خروجی خود ارائه نکند.

به همین دلیل ارزیابی عملکرد باید متناسب با کاربرد واقعی انجام شود.

توانایی بالا در یک معیار آزمایشگاهی تضمین نمی‌کند که سامانه در همهٔ شرایط قابل اعتماد باشد.

مسئله هوش و تعریف آن

یکی از دشواری‌های بنیادین این حوزه آن است که خود مفهوم هوش تعریف واحدی ندارد.

هوش می‌تواند شامل یادگیری، حل مسئله، برنامه‌ریزی، زبان، ادراک، سازگاری یا ترکیبی از این توانایی‌ها باشد.

در نتیجه تعریف هوش مصنوعی نیز همراه با تغییر فناوری و برداشت ما از هوش تحول یافته است.

برخی وظایفی که زمانی نمونهٔ برجستهٔ «هوش مصنوعی» محسوب می‌شدند، پس از عادی‌شدن فناوری دیگر در زبان روزمره به‌عنوان AI دیده نمی‌شوند.

آیا هوش مصنوعی فکر می‌کند؟

پاسخ به این پرسش به تعریف «فکر کردن» بستگی دارد.

از منظر مهندسی، می‌توان عملکرد سامانه را بدون فرض داشتن تجربهٔ ذهنی بررسی کرد.

یک مدل ممکن است مسئله‌ای را حل کند یا متن پیچیده تولید کند، بی‌آنکه این عملکرد به‌تنهایی اثبات کند تجربهٔ آگاهانه دارد.

از منظر فلسفی، مسئلهٔ فهم، آگاهی و قصد همچنان مورد مناقشه است.

بنابراین نباید توانایی رفتاری یک سامانه را بدون استدلال مستقل معادل آگاهی یا ذهن انسانی دانست.

آینده هوش مصنوعی

پیش‌بینی دقیق مسیر بلندمدت هوش مصنوعی دشوار است.

سرعت پیشرفت به الگوریتم‌ها، داده، سخت‌افزار، سرمایه‌گذاری، انرژی، مقررات و کشفیات علمی بستگی دارد.

برخی پژوهش‌ها بر افزایش توانایی و کاربردهای عمومی‌تر متمرکزند و برخی دیگر بر ایمنی، کارایی، قابلیت اعتماد و کاهش هزینه.

به همین دلیل آیندهٔ هوش مصنوعی تنها نتیجهٔ پیشرفت فنی نخواهد بود؛ تصمیم‌های اجتماعی، اقتصادی، حقوقی و سیاسی نیز بر مسیر آن اثر خواهند گذاشت.

اهمیت هوش مصنوعی

اهمیت هوش مصنوعی از قابلیت آن برای خودکارسازی یا تقویت بخشی از فرایندهای شناختی ناشی می‌شود.

ماشین‌های صنعتی پیشین عمدتاً توان فیزیکی انسان را گسترش می‌دادند. سامانه‌های هوش مصنوعی می‌توانند در فعالیت‌هایی مانند تحلیل، طبقه‌بندی، پیش‌بینی، تولید محتوا و تصمیم‌گیری نیز نقش داشته باشند.

این ویژگی موجب شده است هوش مصنوعی نه‌فقط یک فناوری در صنعت رایانه، بلکه فناوری‌ای با آثار بالقوه بر بسیاری از بخش‌های اقتصاد و جامعه باشد.

نقد هوش مصنوعی

نقد هوش مصنوعی از آغاز این رشته وجود داشته است.

هیوبرت دریفوس برخی فرض‌های پژوهشگران اولیه دربارهٔ امکان بازنمایی کامل هوش انسانی با قواعد صریح را نقد کرد.

جان سرل میان اجرای محاسبات و فهم معنا تمایز گذاشت.

جوزف وایزنباوم نیز دربارهٔ سپردن برخی قضاوت‌های انسانی و اخلاقی به رایانه هشدار داد.

در دورهٔ معاصر، نقدها علاوه بر امکان فنی هوش مصنوعی، بر پیامدهای اجتماعی آن نیز تمرکز دارند: تمرکز قدرت، نظارت، سوگیری، تغییر بازار کار، حقوق پدیدآورندگان، حریم خصوصی و مسئولیت از جمله این مسائل‌اند.

جمع‌بندی

هوش مصنوعی حوزه‌ای از علم و مهندسی است که به ساخت و مطالعهٔ سامانه‌هایی می‌پردازد که می‌توانند وظایف مرتبط با یادگیری، استدلال، ادراک، زبان، پیش‌بینی و تصمیم‌گیری را انجام دهند. اصطلاح آن در پیشنهاد پژوهشی دارتموث در ۱۹۵۵ مطرح شد و گردهمایی دارتموث در تابستان ۱۹۵۶ یکی از نقاط اصلی شکل‌گیری این رشته بود.

این حوزه از رویکردهای نمادین و سامانه‌های خبره به یادگیری ماشین، شبکه‌های عصبی، یادگیری عمیق، مدل‌های بنیادین و هوش مصنوعی مولد گسترش یافته است. تعریف جدید OECD نیز بر سامانه‌های مبتنی بر ماشین تأکید می‌کند که از ورودی‌های خود استنتاج می‌کنند چگونه خروجی‌هایی مانند پیش‌بینی، محتوا، توصیه یا تصمیم ایجاد کنند.

هوش مصنوعی فرصت‌هایی در علم، پزشکی، آموزش، صنعت و ارتباطات ایجاد کرده است، اما هم‌زمان خطرهایی در زمینهٔ خطا، سوگیری، امنیت، حریم خصوصی و اطلاعات نادرست پدید آورده است. چارچوب‌هایی مانند AI RMF مؤسسهٔ NIST با هدف مدیریت این خطرها و تقویت توسعه و استفادهٔ قابل اعتماد و مسئولانه از سامانه‌های هوش مصنوعی تدوین شده‌اند.

در نتیجه، هوش مصنوعی را نمی‌توان صرفاً یک نرم‌افزار یا فناوری منفرد دانست. این اصطلاح مجموعه‌ای گسترده از نظریه‌ها، روش‌ها و سامانه‌ها را دربرمی‌گیرد که مرز میان محاسبات، شناخت و تصمیم‌گیری را موضوع پژوهش قرار داده‌اند و آثار آنها از آزمایشگاه‌های علوم رایانه به بخش‌های گسترده‌ای از جامعه منتقل شده است.

جستارهای وابسته

• یادگیری ماشین
• یادگیری عمیق
• شبکه عصبی مصنوعی
• پردازش زبان طبیعی
• بینایی ماشین
• رباتیک
• هوش مصنوعی مولد
• هوش عمومی مصنوعی
• هوش مصنوعی محدود
• مدل بنیادین
• مدل زبانی بزرگ
• ترنسفورمر
• آزمون تورینگ
• آلن تورینگ
• جان مک‌کارتی
• ماروین مینسکی
• علوم شناختی
• فلسفه ذهن
• اخلاق هوش مصنوعی
• سوگیری الگوریتمی
• هوش مصنوعی توضیح‌پذیر
• سامانه‌های تسلیحاتی خودمختار
• جعل عمیق
• جنگ اطلاعاتی
• عملیات روانی