آیا هوش مصنوعی واقعاً “هوشمند” است؟

برای جذب استعداد و پول لازم، باید نام جذابی باید برای هوش مصنوعی انتخاب می‌شد. تعاریف متعددی برای هوش مصنوعی ارائه شده اند. جدیدترین تعریف هوش مصنوعی به شرح زیر است:

“منظور از هوش مصنوعی نظریه پردازی و توسعه سیستم‌های کامپیوتری است. این سیستم‌ها باید بتوانند وظایفی را که نیازمند هوش انسانی است، انجام دهند. مانند درک بصری، تشخیص گفتار، تصمیم گیری و ترجمه زبان‌ها”.

 

 

یک داستان

اواخر دهه 50 بود. تشخیص گفتار، در مراحل ابتدایی خود بود. یک کارگر کارخانه صنعتی وظیفه تشخیص و چاپ گفتارهایی که شامل اعداد یک تا ده بودند را داشت. او با اسیلوسکوپ صحبت می‌کرد. شکل موج حاصل را نگریست. روزی ادعا کرد دستگاهی دارد که قادر به شناسایی اعداد است. این دستگاه توسط چند فرد دیگر تست شد، اما متاسفانه موفق نبود. بعدها مشخص شد که این دستگاه تنها با لهجه لهستانی می‌تواند کار کند.

مدتی بعد، نرم افزارهای تجاری وارد بازار شدند که نه تنها مجارستانی، بلکه همه زبان‌ها را تشخیص می‌دادند.

پیشرفت هوش مصنوعی

امروزه ماشین‌ها کارهای بیشتری نسبت به تشخیص گفتار انجام می‌دهند. اما آیا این ماشین‌ها واقعا باهوش هستند؟ این اطلاعات در مورد هوش مصنوعی، ما را به کجا می‌برد؟ بازی‌ها مثال‌های خوبی هستند. بیایید از ساده‌ترین آن‌ها، یعنی دوز، شروع کنیم.

 

یک مثال

بازی دوز یک نمونه ساده است. نه مربع وجود دارد. دستگاه‌ همه ترکیب حرکت‌ها و ضد حرکت‌ها را بررسی می‌کند. حدود 35000 حرکت وجود دارد. بازی بسیار پیچیده است. حرکات احتمالی بسیاری وجود دارد. حرکت فراگیر (Brute force)، یعنی در نظر گرفتن همه احتمالات، جایز نیست. پس چه کار باید کرد؟

 

استراتژی برد

یک استراتژی توسط آرتور ساموئل مطرح شد. این استراتژی به سال 1959 باز می‌گردد. وی یک تابع امتیاز را معرفی کرد. این تابع امتیاز، به هر حرکت، به نسبتی که حرکت به برد منجر می‌شد، امتیازی نسبت می‌داد.

ساموئل همچنین یادگیری ماشین را معرفی کرد. او هزاران بازی را طرح ریزی کرد، و استراتژی‌ها برد آن‌ها را تدوین کرد. برنامه نویسی‌های وی در IBM انجام می‌شد. بازی‌های او آماتورها را شکست می‌داد. همین موفقیت جزئی، باعث افزایش سهام بازی‌های IBM شد.

 

شطرنج

در راس بازی‌های کامپیوتری، شطرنج وجود دارد. شانس انجام همه حرکات ممکن وجود ندارد. بنابراین تابع امتیاز ساموئل به همراه یادگیری از مثال‌ها، پا به عرصه گذاشتند.

این روش یادگیری، اولین بار توسط شخصیت خیالی Stefan Zweig، در سال 1941، مطرح شد.  شخصیت اصلی، یک اشراف زاده اتریشی است، که توسط نازی‌ها زندانی شده است. وی در سلول انفرادی زندانی بود. همان زمان، توانست کتابی حاوی همه حرکات سطح بالای شطرنج بنویسد.

وی کتابی برای خواندن نداشت. بارها و بارها در ذهن خود شطرنج بازی می‌کرد. زمانی که از زندان آزاد شد، حال روحی خوبی نداشت. اما به اندازه‌ای شطرنج باز ماهری شده بود، که قهرمان جهان را شکست داد.

 

Deep Blue

Deep Blue، رایانه شطرنج باز IBM بود. در سال 1977، کاسپاروف، قهرمان واقعی شطرنج، را شکست دارد. Deep Blue یک استراتژی سه جانبه داشت. توسط افراد بیشماری تست شده بود. یک تابع امتیاز داشت. از Brute Force برای ارزیابی شش یا هفت حرکت بعدی استفاده می‌کرد.

پیروزی این دستگاه‌ها، بزرگترین پیروزی هوش مصنوعی، در آن‌ روزها بود. اگر چه کاسپاروف ادعا کرد که IBM تقلب کرده است. او گفت که این دستگاه از طریق یک انسان کنترل می‌شده است. معتقد بود که این رایانه بیشتر شبیه یک انسان بازی کرده است تا ماشین.

این بحث حل نشد. IBM این رایانه را از دور خارج کرد. اما آیا Deep Blue واقعا هوشمند بود؟ در واقع، هوشمند نبود. این دستگاه‌ها تنها کاری که برنامه ریزی شده بود را انجام می‌داد. برنامه نویسان این دستگاه باهوش بودند.

 

 

بازی Go

این بازی، توسط بسیاری یک بازی جذاب دیده شده است. رایانه‌ای به نام Deep Mind، قهرمانان این بازی را حدود سه سال پیش، به چالش کشید. دلیل برد این دستگاه این بود که از زمان Deep Blue، هوش مصنوعی تحولات بسیاری را متحمل شده بود. بدون هیچ اطلاعاتی شروع به کار کرد، و با بررسی میلیون‌ها بازی، در این بازی متخصص شد. دستگاه، خود را با یک هدف واحد بازی Go آموزش داد. فرق این رویکرد با رویکردهای قبلی قابلیت یادگیری بود.

بازی‌ها مسائل خوبی از حل مسائل و وجود معیارها برد و قوانین مشخص هستند. اما هوش مصنوعی فراتر از بازی‌ها است.

 

اتومبیل‌های بدون راننده

اگر اتومبیل‌های بدون راننده بی نقصی وجود داشته باشند. آیا هوش این اتومبیل‌ها با هوش انسان معادل است؟ فکر می‌کنم پاسخ این سوال مثبت باشد.

بی‌شک اتومبیل‌های بدون راننده پیشرفت بزرگی در عرصه هوش مصنوعی هستند. مزیت‌هایی مانند اینکه هرگز خوابالوده نیستند، تحت تاثیر موارد و الکل نیستند، از سرعت مجاز تخطی نمی‌کنند، را دارا هستند.

با وجود همه پیشرفت‌های هوش مصنوعی، تا یک اتومبیل بدون راننده کامل فاصله زیادی دارد. یک سال؟ دو سال؟ ده سال؟ سی سال؟ شاید هم یک قرن. بخشی از دلیل این فاصله، دلیل فنی است. چگونه می‌توان این ماشین‌ها را آموزش داد؟

ماشین‌های بدون راننده با بالا و پایین رفتن از خیابان‌ها نمی‌توانند آموزش ببینند. حتی اگر با هزاران بار پیمودن یک خیابان آموزش دیده شود، با ساخت یک چهارراه در مسیر، یا هر تغیر دیگر، آموزش دیگر تاثیری ندارد.

موانع دیگری مانند ترس از تصادف نیز وجود دارد. در بسیاری از مواقع اتومبیل های بدون راننده بسیار امن تر از اتومبیل های دارای راننده هستند. در سال حدود 1700 تصادف در انگلستان به دلیل خطاهای رانندگان رخ می دهد.

با این وجود ما خطاهای انسانی را می‌پذیریم چون مسئول این خطاها خود ما هستیم. اما اگر یک ماشین بدون راننده مرتکب خطا شود، تولید کنندگان را مقصر می‌دانیم. و خواهان این هستیم که این ماشین‌ها از جاده‌ها جمع شوند.

 

 

سخن پایانی

بیشتر برنامه‌های کاربردی امروزه هیچ هوش خاصی ندارند. این برنامه‌های از تکنیک‌های جمع آوری داده بیشتر استفاده می‌کنند. درکل، می‌توان ادعا کرد که این برنامه نویسان هستند که باهوش هستند، نه ماشین‌ها.

ممکن است ماشین‌های بدون راننده از انسان باهوش‌‌تر باشند، اما هیچ وقت همچین چیزی ساخته نمی‌شود. ماشین‌ها تنها می‌توانند در تصمیمات، یا تشخیص‌های پزشکی به انسان‌ها کمک کنند. اما هیچ وقت اینگونه نیست که به تنهایی کاری را انجام دهند.

 

 

5/5 - (1 امتیاز)
لینک کوتاه شده : https://amerandish.com/P8rzg

به اشتراک بگذارید

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

فارس آوا

تبدیل گفتار به متن

باتاوا

دستیارسازمانی - چت بات

هوشتل

اپراتورهوشمند مرکز تماس

_ مطالب مرتبط _

درخواست شما با موفقیت ارسال شد.

ضمن تشکر بابت ارسال پیام، در سریع‌ترین زمان ممکن کارشناسان شرکت عامراندیش درخواست شما را بررسی خواهند نمود.