در مجله هم رویش منتشر شد:
هر آنچه که نیاز است درباره هوش مصنوعی بدانید را بخوانید
تاریخچه مختصر هوش مصنوعی (AI) – جدول زمانی هوش مصنوعی
هوش مصنوعی- داستان تاکنون
ایده توسعه یک هوش ماشینی غیر انسانی از نظر مفهومی از 100 سال پیش وجود داشته است. این در حالی است که در اواسط قرن بیستم، تکنولوژی به حدی پیشرفت کرد که موارد علمی توسعه آن ایده توانست به واقعیت تبدیل شود.
علوم و تکنولوژی محاسباتی همزمان در کنار یکدیگر به سرعت رشد کردند. در همین حال می توان تاریخچه هوش مصنوعی را به 50 سال قبل از آغاز هزاره نسبت داد. این زمان بدون شک، زمینه را برای این رشته همان طور که امروزه آن را می شناسیم فراهم کرد.
ریشه های هوش مصنوعی مدرن
هنگامی که در مورد تاریخچه هوش مصنوعی صحبت می کنیم. این تاریخچه شامل طیف گسترده ای از یک سری تحولات است. این تحولات در پروژه تحقیقاتی Dartmouth جان مک کارتی در تابستان 1956 در زمانی که اصطلاح ‘AI’ ساخته شد، به وجود آمد. این دوره، اساسی را برای آن چه که امروزه به عنوان هوش مصنوعی مدرن می شناسیم، پایه ریزی کرد. همچنین نقطه شروع همه کارهایی است که تا کنون دراین حوزه انجام شده است.
مک کارتی یکی از بنیان گذاران هوش مصنوعی و پیشگامان پروژه تحقیقاتی دارتموث است. در پروپوزالی که یک سال قبل از انجام پروژه تحقیقاتی دارتموث تهیه شده بود، مک کارتی در کنار کلود شانون (پدر تئوری اطلاعات)، ماروین مینسکی (پیشگام شبکه های عصبی محاسباتی) و ناتانیل روچستر ( او اولین رایانه تجاری علمی IBM را طراحی کرده است)، هفت جنبه از هوش مصنوعی را بیان کرد. این هفت مورد برای ایجاد هوش مصنوعی واقعی باید حل می شد.
هم رویش منتشر کرده است:
آموزش شبکه عصبی مصنوعی -- از صفر به زبان ساده
جنبه هایی که نیاز به حل داشتند:
کامپیوترهای خودکار:
برای شبیه سازی عملکرد های بالاتر مغز انسان
چگونه یک کامپیوتر برای استفاده از یک زبان، برنامه نویسی می شود؟
برای حل این مسئله که ما امروزه آن را پردازش زبان طبیعی می نامیم.
شبکه های نورون:
برای تنظیم نورون های مصنوعی تا بتوانند مفاهیم را شکل دهند.
نظریه اندازه یک محاسبه:
برای اندازه گیری پیچیدگی یک مسئله.
خود ارتقایی:
برای دستیابی به سطحی از هوش که امکان فعالیت های خود ارتقایی را به صورت بازگشتی فراهم کند.
انتزاعی:
برای جدا کردن موضوعات پیچیده و انتزاع آن ها با استفاده از داده های حسی و سایر اشکال.
غیر قابل پیش بینی(تصادفی) و خلاقیت:
برای تزریق درجه ای از تصادفی بودن ( با یک بینش هدایت شده) برای تشویق تفکر”خلاق” در مقابل تفکر ساده “مناسب”
در چندین سال بعد از کنفرانس دارتموث، هوش مصنوعی وارد دوره ای از جذب و علاقه زیادی از طرف انسان ها شد. همچنین این امر، همزمان به رشد انفجاری محاسبات که در نیمه دوم قرن بیستم رخ داد کمک بزرگی کرد.
با پیشرفت در هر دو زمینه سخت افزاری و نرم افزار و همچنین رشد علوم کامپیوتر در کنار آن ها، امکان توسعه الگوریتم های مبتنی بر نظریه هوش مصنوعی فراهم شد. امروزه این الگوریتم ها می توانند بر روی پلتفرم هایی با قابلیت های روز افزون تست شوند.
با توجه به رشد روز افزون در این زمینه، ماروین مینسکی در سال 1967 معتقد بود که:
“در طی یک نسل، مشکل ایجاد یک هوش مصنوعی به طور اساسی حل خواهد شد.”
هرچند همه ما در حال حاضر می دانیم که این پیش بینی ماروین بیش از حد خوش بینانه بوده است. اما به آسانی می توان فهمید که با توجه به موفقیت های اولیه ، آن دیدگاه در زمان خودش غالب بوده است.
کند شدن مسیر
یکی از بزرگ ترین مشکلات بیش از حد امیدوار بودن روی یک مسئله ای، این است که نتایج واقعی که در پایان بدست می آیند فاصله زیادی با آن چه که انتظار می رفت، داشته باشد.
این مسئله دقیقا همان اتفاقی است که در اواسط دهه 70 رخ داد. زمانی که انتظارات، بیش از آن چه که هوش مصنوعی ارائه می داد، امیدوارانه بود. سرخوردگی از نتایج واقعی و پیشرفت های انجام شده باعث کاهش مقدار قابل توجهی بودجه است. و سبب پایین آمدن بهره وری شد.
دلایل زیادی برای این مسئله وجود دارد. تعدادی از موارد اصلی را در زیر بیان کردیم:
- بدوی بودن نسبی علوم کامپیوتر: این رشته آنقدر نوپا و جوان بود که حتی نمی دانستند کدام یک از مشکلات AI قابل حل است. همچنین کدام مشکل را نمی توانند حل کنند.
- محدودیت های سخت افزاری: تکنولوژی و عملکرد واقعی تجهیزات موجود، محدودیت هایی را برای انجام دادن کارها ایجاد می کنند. قدرت محاسباتی و محدودیت های حافظه به طور قابل توجهی پتانسیل پیشرفت زیاد تر را کاهش می دهد.
- عدم وجود داده ها: در قرن بیستم هیچ منبع قابل توجهی از داده ها در مقایسه با امروز وجود نداشت. وظایف مربوط به برنامه های هوش مصنوعی مانند بینایی رایانه یا پردازش زبان طبیعی به داده های بسیاری نیاز داشتند. در آن زمان برای انجام این وظایف، حجم داده های موجود مطلوب نبود.
- تعریف در حال تکامل هوش مصنوعی– همان گونه که جان مک کارتی در سال 1980 بیان کرد:” به محض این که کار کند، هیچ کس آن را دیگر هوش مصنوعی نمی نامد.” این موضوع یکی از مشکلات همیشگی توسعه هوش مصنوعی را بیان می کند. این مشکل بیان می کند که معیار موفقیت به محض رسیدن به یک نقطه عطف به سمت بالا تغییر مسیر می دهد. در واقع هر چیزی را که باعث پیشرفت بیشتر شود از آن دور می کند.
ظهور سیستم های خبره
به دنبال کاهش عطش علاقه به هوش مصنوعی، توسعه سیستم های خبره تبدیل به یک نقطه عطف در احساسات، توسعه و پیشرفت هوش مصنوعی شد. با استفاده از دانش برنامه ریزی شده توسط متخصصان این حوزه، سیستم های خبره از این منطق برای حل مسائل خاص در این موضوع استفاده می کردند.
این تمرکز بر ایجاد زمینه های خاص اطلاعاتی (هوش مصنوعی محدود)، در مقابل تلاش برای یک هوش عمومی فراگیر (هوش مصنوعی قوی)، به این معنی بود که دستیابی به اهداف اطلاعاتی متمرکز بر یک حوزه یا منطقه خاص، بسیار آسان تر می شود. همچنین باعث توسعه AI می شود که قادر به حل یک کار یا مشکل واحد است.
موفقیت سیستم های خبره در زمان کوتاهی منجر به علاقه تجاری شد. سپس با پیشرفت در این زمینه بودجه به سرعت در حال بازگشت به حوزه بود.
کاربردهای سیستم های خبره اولیه از موارد دولتی تا استفاده تجاری در زمینه هایی مانند پزشکی و دارایی بود. در سال 1988، Deep Thought از شرکت IBM اولین رایانه ای بود که استاد بزرگ دانمارکی در شطرنج، یورگن بنت لارسن، را شکست داد. این کامپیوتر با این موفقیت باعث شد کارها به سطح بعدی پیش بروند.
دومین فصل هوش مصنوعی
در حالی که در ابتدا سیستم های خبره با استقبال مثبتی روبرو شدند. محدودیت های این سیستم ها در زمان کوتاهی نمایان شد. همچنین باید در نظر داشته باشید که گزینه های تجاری دیگری نیز وجود داشت. این گزینه ها می توانستند همان کار را با هزینه کمتری انجام دهند.
حتی عنصر مالی در اواخر دهه 80 بیشتر تحت فشار قرار گرفت. زیرا پیامدهای اقتصادی سقوط بازار سهام دوشنبه سیاه منجر به مسدود شدن سرمایه گذاری و بودجه جدید شد.
مانند اولین دوره توسعه هوش مصنوعی، تعجب آور نبود که انتظارات بیش از حد و در نتیجه، افزایش علاقه و بودجه ی تجربه شده در این رشته دنبال شود. بازهم مشکل، انتظار بیش از حد و نتیجه نامطلوب بود.
کاستی های سیستم های خبره به ویژه، مقیاس گذاری آن ها برای مقابله با مشکلات پیچیده و پیشرفته در مدت زمان کوتاهی آشکار شد. با توجه به نبود راه حلی برای رفع این مشکلات، سطحی که هوش مصنوعی در آن زمان به آن رسیده بود. بیشتر مورد توجه قرار گرفت.
محدودیت ها در قدرت محاسبات فیزیکی همانند دوره قبلی، توسعه هوش مصنوعی را تحت تأثیر قرار داد. علی رغم پیشرفت عملکرد محاسباتی مطابق با قانون مور، بدون سخت افزار قدرتمندتر جایی برای پیشرفت در این حوزه وجود نداشت.
هم رویش منتشر کرده است:
آموزش ساخت شبکه عصبی با پایتون (و دیگر زبان‌ها) از صفر
انقلاب یادگیری ماشین (ماشین لرنینگ)
همانند دوره های قبلی طولی نکشید که اشتیاق در این زمینه دوباره از سر گرفته شد. اما این بار اوضاع متفاوت به نظر می رسید. مجدداً با توجه به پیشرفت های سخت افزاری و فناوری در زمینه هایی مانند ارتباطات و علم داده ها، بودجه مجدداً افزایش یافت. همچنین تحقیقات هوش مصنوعی نیز دوباره رشد کرد.
با داشتن تجهیزات و تکنولوژِی های بهتر و مقرون به صرفه تر، همچنین پیشرفت هایی مانند ظهور رایانه های شخصی، رشد انفجاری اینترنت و استفاده گسترده از تلفن های هوشمند در سراسر جهان، هوش مصنوعی وارد مرحله بعدی تکامل خود شد.
به طور فزاینده ای محاسبات و مقادیر باورنکردنی اطلاعات مستمر، زمینه مناسبی برای انقلاب در توسعه هوش مصنوعی ( انقلاب یادگیری ماشین ) ایجاد کرد. این اطلاعات، هر ثانیه با ورود کلان داده ها تولید می شود. همچنین امکان پیشرفت در زمینه ارتباط متقابل هوش ماشین نیز فراهم شد.
اندکی پس از آغاز هزاره جدید، ورود تراشه های بسیار سریع و جریان بی پایان داده ها باعث ایجاد الگوریتم های bottle-necked شبکه عصبی پیشگام مانند جفری هینتون کرد. آن چه که بعد از این دنبال شد، یادگیری ماشینی پیشرفته ای است که در حال حاضر تجربه می کنیم.
سپس رایانه ها شروع به درک گفتار انسان کردند. همچنین توانستند آن چه در تصویر وجود دارد را تشخیص دهند و شناسایی کنند. این موارد فقط طعم چیزی است که ممکن است به تدریج هوشمندتر و هوشمندتر شود.
عصر یادگیری ماشین فرا رسیده بود.
** پیش از این آموزش یادگیری ماشین از صفر در هم‌رویش منتشر شد. برای دیدن فیلم معرفی این آموزش بر روی این لینک (+) و یا پخش کننده پایین کلیک کنید:
برای دریافت بسته کامل این آموزش بر روی لینک زیر کلیک کنید:
آموزش یادگیری ماشین از صفر — یادگیری سریع و آسان
آینده هوش مصنوعی
آینده هوش مصنوعی چیست ؟ بنابراین سوال این است که آیا توسعه هوش مصنوعی همان الگوی قبلی را ادامه خواهد داد؟ آیا رشد کنونی منجر به دوره اجتناب ناپذیر دیگری خواهد شد؟
آیا پیشرفت های هوش مصنوعی در یک چرخه ماندگار پر رونق باقی می مانند؟ آیا در حال حاضر فقط در اوج قرار گرفته ایم؟
با این وجود بسیار ممکن است که این زمان متفاوت از قبل باشد.
به عنوان مثال، رشد نمایی فعلی هوش مصنوعی تا حد زیادی توسط حجم باور نکردنی داده های رو به رشد که اکنون به آنها دسترسی داریم و تا همین اواخر وجود نداشته اند، تقویت می شود.
علاوه بر این، قدرت سخت افزار و سرعت زیرساخت های ارتباطی در حال حاضر از توسعه سریع در این زمینه پشتیبانی می کند. در حالی که این عوامل در گذشته باعث ایجاد گلوگاه هایی شده اند.
اگر می خواهید در مورد تاریخچه اخیر هوش مصنوعی بیشتر بدانید. این که در حال حاضردر کجا قرار دارد. همچنین این که به کجا خواهد رفت. می توانید به این لیست که برخی از بهترین کتاب ها را برای یادگیری سریع در مورد این موضوع ارائه کرده است، سری بزنید و مطالعه کنید.
برای مطالعه بخش اول این مقاله در مجله هم رویش ، تاریخچه کوتاه از هوش مصنوعی : بخش اول ______ تاریخچه تصویری کلیک کنید.
کلید واژگان
تاریخچه تحلیلی هوش مصنوعی – تاریخچه هوش مصنوعی – هوش مصنوعی – یادگیری عمیق – یادگیری ماشین – ماشین لرنینگ – آینده هوش مصنوعی – آینده ai – هوش مصنوعی مدرن – کاربرد هوش مصنوعی در آینده – ai – artificial intelligence – تاریخچه هوش مصنوعی در ایران – تاریخچه هوش مصنوعی در جهان – تاریخچه کوتاه از هوش مصنوعی
منبع :
A SHORT HISTORY OF ARTIFICIAL INTELLIGENCE
