انواع هوش مصنوعی: هوش مصنوعی ضعیف در مقابل هوش مصنوعی قوی

هوش مصنوعی چیست؟

هوش مصنوعی یا AI، فناوری است که رایانه‌ها و ماشین‌ها را قادر می‌سازد تا هوش انسانی و قابلیت‌های حل مسئله را شبیه‌سازی کنند.

هوش مصنوعی به تنهایی یا همراه با سایر فناوری‌ها (مانند حسگرها، مکان‌یابی جغرافیایی، روباتیک) می‌تواند وظایفی را انجام دهد که در غیر این صورت به هوش یا مداخله انسانی نیاز دارند. دستیارهای دیجیتال، راهنمایی GPS، وسایل نقلیه خودران و ابزارهای هوش مصنوعی (مانند Open AI's Chat GPT) تنها چند نمونه از هوش مصنوعی در اخبار روزانه و زندگی روزمره ما هستند.

به عنوان یک رشته از علوم کامپیوتر، هوش مصنوعی شامل (و اغلب همراه با آن ذکر می شود) یادگیری ماشین و یادگیری عمیق است . این رشته‌ها شامل توسعه الگوریتم‌های هوش مصنوعی هستند که بر اساس فرآیندهای تصمیم‌گیری مغز انسان مدل‌سازی شده‌اند، که می‌توانند از داده‌های موجود «یاد بگیرند» و در طول زمان طبقه‌بندی یا پیش‌بینی دقیق‌تری انجام دهند.

هوش مصنوعی چرخه های زیادی از تبلیغات را پشت سر گذاشته است، اما حتی برای افراد شکاک، به نظر می رسد انتشار ChatGPT نقطه عطفی باشد. آخرین باری که هوش مصنوعی مولد به این بزرگی ظاهر شد، پیشرفت‌ها در دید کامپیوتری بود، اما اکنون جهش به جلو در پردازش زبان طبیعی (NLP) است. امروزه، هوش مصنوعی مولد می تواند نه تنها زبان انسان، بلکه انواع دیگر داده ها از جمله تصاویر، ویدئو، کد نرم افزار و حتی ساختارهای مولکولی را بیاموزد و ترکیب کند.

برنامه های کاربردی برای هوش مصنوعی هر روز در حال افزایش هستند. اما با افزایش تبلیغات در مورد استفاده از ابزارهای هوش مصنوعی در تجارت، اخلاق هوش مصنوعی بسیار مهم می شود.

انواع هوش مصنوعی

هوش مصنوعی ضعیف

هوش مصنوعی ضعیف همچنین به عنوان هوش مصنوعی باریک یا هوش مصنوعی باریک (ANI) شناخته می شود. هوش مصنوعی برای انجام وظایف خاص آموزش دیده و متمرکز است. هوش مصنوعی ضعیف بیشتر هوش مصنوعی را که امروز ما را احاطه کرده است هدایت می کند. "" Narrow ممکن است توصیف مناسب تری برای این نوع هوش مصنوعی باشد زیرا ضعیف است: برخی از برنامه های بسیار قوی مانند سیری اپل، الکسای آمازون، IBM watsonx™  و وسایل نقلیه خودران را فعال می کند.

هوش مصنوعی قوی

هوش مصنوعی قوی از هوش عمومی مصنوعی (AGI) و ابر هوش مصنوعی (ASI) تشکیل شده است . AGI یا هوش مصنوعی عمومی، شکلی نظری از هوش مصنوعی است که در آن یک ماشین دارای هوشی برابر با انسان است. خودآگاهی با آگاهی است که توانایی حل مشکلات، یادگیری و برنامه ریزی برای آینده را داشته باشد. ASI  که به عنوان ابر هوش نیز شناخته می شود، از هوش و توانایی مغز انسان پیشی می گیرد. در حالی که هوش مصنوعی قوی هنوز کاملاً تئوری است و هیچ نمونه عملی امروزی مورد استفاده قرار نمی گیرد، این بدان معنا نیست که محققان هوش مصنوعی نیز در حال بررسی توسعه آن نیستند.

یادگیری عمیق در مقابل یادگیری ماشینی

یادگیری ماشینی و یادگیری عمیق زیرشاخه‌های هوش مصنوعی هستند و یادگیری عمیق زیرشاخه‌ای از یادگیری ماشینی است.

هم الگوریتم‌های یادگیری ماشین و هم الگوریتم‌های یادگیری عمیق از شبکه‌های عصبی برای «یادگیری» از حجم عظیمی از داده‌ها استفاده می‌کنند. این شبکه‌های عصبی ساختارهای برنامه‌ای هستند که بر اساس فرآیندهای تصمیم‌گیری مغز انسان مدل‌سازی شده‌اند. آنها از لایه‌هایی از گره‌های به هم پیوسته تشکیل شده‌اند که ویژگی‌هایی را از داده‌ها استخراج می‌کنند و پیش‌بینی می‌کنند که داده‌ها چه چیزی را نشان می‌دهند.

یادگیری ماشینی و یادگیری عمیق در انواع شبکه‌های عصبی که استفاده می‌کنند و میزان مداخله انسان متفاوت است. الگوریتم‌های یادگیری ماشین کلاسیک از شبکه‌های عصبی با یک لایه ورودی، یک یا دو لایه پنهان و یک لایه خروجی استفاده می‌کنند. به طور معمول، این الگوریتم‌ها به یادگیری نظارت شده محدود می‌شوند : داده‌ها باید توسط متخصصان انسانی ساختار یا برچسب‌گذاری شوند تا الگوریتم بتواند ویژگی‌هایی را از داده‌ها استخراج کند.

الگوریتم‌های یادگیری عمیق از شبکه‌های عصبی عمیق استفاده می‌کنند. شبکه‌هایی که از یک لایه ورودی، سه یا بیشتر (اما معمولاً صدها) لایه پنهان و یک طرح‌بندی خروجی تشکیل شده‌اند. این لایه‌های چندگانه، یادگیری بدون نظارت را امکان‌پذیر می‌کنند : آنها استخراج ویژگی‌ها را از مجموعه داده‌های بزرگ، بدون برچسب و بدون ساختار خودکار می‌کنند. از آنجایی که نیازی به مداخله انسانی ندارد، یادگیری عمیق اساساً یادگیری ماشین را در مقیاس ممکن می‌سازد.

کاربردهای هوش مصنوعی

امروزه برنامه های کاربردی متعددی در دنیای واقعی برای سیستم های هوش مصنوعی وجود دارد. در زیر برخی از رایج ترین موارد استفاده آورده شده است:

تشخیص خودکار گفتار

همچنین به عنوان تشخیص خودکار گفتار (ASR)، تشخیص گفتار کامپیوتری، یا گفتار به متن شناخته می شود، تشخیص گفتار از NLP برای پردازش گفتار انسان در قالب نوشتاری استفاده می کند. بسیاری از دستگاه‌های تلفن همراه برای انجام جستجوی صوتی (مثلاً Siri)  تشخیص گفتار را در سیستم‌های خود گنجانده‌اند یا دسترسی بیشتری در مورد ارسال پیامک به زبان انگلیسی یا بسیاری از زبان‌های پرکاربرد فراهم می‌کنند.

خدمات مشتری

عوامل مجازی آنلاین و چت بات ها جایگزین عوامل انسانی در طول مسیر مشتری می شوند. برای سرعت بخشیدن به زمان پاسخگویی به مشتریان تا 99٪ می توان استفاده کرد . آن‌ها به سؤالات متداول (پرسش‌های متداول) درباره موضوعاتی مانند حمل و نقل پاسخ می‌دهند، یا توصیه‌های شخصی‌سازی شده، محصولات متقابل فروش یا اندازه‌های پیشنهادی را برای کاربران ارائه می‌دهند، و طرز فکر ما را در مورد تعامل با مشتری در وب‌سایت‌ها و پلتفرم‌های رسانه‌های اجتماعی تغییر می‌دهند. به عنوان مثال می‌توان به ربات‌های پیام‌رسان در سایت‌های تجارت الکترونیک با عوامل مجازی، برنامه‌های پیام‌رسانی مانند Slack و Facebook Messenger و کارهایی که معمولاً توسط دستیاران مجازی و  دستیارهای صوتی انجام می‌شود، اشاره کرد .

بینایی کامپیوتر

این فناوری هوش مصنوعی رایانه‌ها و سیستم‌ها را قادر می‌سازد تا اطلاعات معنی‌داری را از تصاویر دیجیتال، ویدیوها و سایر ورودی‌های بصری استخراج کنند و بر اساس آن ورودی‌ها، می‌تواند اقدام کند. این توانایی در ارائه توصیه ها آن را از وظایف تشخیص تصویر متمایز می کند. بینایی رایانه با پشتیبانی از شبکه های عصبی کانولوشنال، کاربردهایی در برچسب گذاری عکس در رسانه های اجتماعی، تصویربرداری رادیولوژی در حوزه درمان و خودروهای خودران در صنعت خودرو دارد.

زنجیره تامین

روباتیک تطبیقی ​​بر روی اطلاعات دستگاه اینترنت اشیا (IoT) و داده های ساختاریافته و بدون ساختار برای تصمیم گیری مستقل عمل می کند. ابزار NLP می تواند گفتار انسان را درک کند و به آنچه به آنها گفته می شود واکنش نشان دهد. تجزیه و تحلیل پیش بینی برای پاسخگویی به تقاضا، موجودی و بهینه سازی شبکه، تعمیر و نگهداری پیشگیرانه و تولید دیجیتال اعمال می شود. الگوریتم‌های جستجو و تشخیص الگو که دیگر فقط پیش‌بینی‌کننده نیستند، بلکه سلسله مراتبی هستند، داده‌های بلادرنگ را تجزیه و تحلیل می‌کنند و به زنجیره‌های تامین کمک می‌کنند تا به هوش افزوده و تولید شده توسط ماشین واکنش نشان دهند و در عین حال دید و شفافیت فوری را ارائه دهند.

پیش بینی آب و هوا

مدل‌های آب و هوایی که پخش‌کنندگان برای پیش‌بینی دقیق به آن تکیه می‌کنند شامل الگوریتم‌های پیچیده‌ای است که روی ابررایانه‌ها اجرا می‌شوند. تکنیک‌های یادگیری ماشینی این مدل‌ها را با کاربردی‌تر و دقیق‌تر کردن آن‌ها تقویت می‌کنند.

تشخیص ناهنجاری

مدل‌های هوش مصنوعی می‌توانند مقادیر زیادی داده را بررسی کنند و نقاط داده غیرمعمول را در یک مجموعه داده کشف کنند. این ناهنجاری ها می توانند آگاهی را در مورد تجهیزات معیوب، خطای انسانی یا نقض امنیت افزایش دهند.