سیستم هایی با هوش مصنوعی وجود دارند که اطلاعات دریافتی را تجزیه و تحلیل می کنند و بر اساس آن اقدام می کنند. رفتار هوشمندانه برای دستیابی به اهداف خاصی طراحی شده است. سیستم های هوش مصنوعی این اقدامات را با کمی استقلال انجام می دهند.
پیاده سازی هوش مصنوعی
از آنجایی که هوش مصنوعی بر بسیاری از سیستمها و حوزهها تأثیر میگذارد، توجه بیشتری برای انجام بحثهای معنادار و معنادار در مورد آن مورد نیاز است. به عنوان مثال، بحثهای مربوط به «سیستمهای خبره» ساده که در خدمات مشاوره استفاده میشوند باید شامل مواردی در مورد الگوریتمهای پیچیدهای باشند که بهطور خودکار درباره افراد تصمیمگیری میکنند.
به همین ترتیب، مهم است که استدلالهای مربوط به تحولات آینده را که ممکن است هرگز رخ ندهند، از استدلالهایی درباره هوش مصنوعی فعلی که بر جامعه امروزی تأثیر میگذارد، متمایز کنیم.
هوش مصنوعی چگونه کار می کند؟
در زیر مروری بر برخی از فناوریهای کلیدی که در زیر پرچم هوش مصنوعی قرار میگیرند، آورده شده است. آنها بر اساس برنامه به سه گروه تقسیم می شوند. از جمله:
شبیه سازی هوش مصنوعی
یادگیری آماری هوش مصنوعی
هوش مصنوعی "قوی" یا "عمومی".
اولین بیداری موقت آگاهی
موج اول فناوریهای هوش مصنوعی اولیه با نام «هوش مصنوعی نمادین» یا سیستمهای خبره شناخته میشوند. در اینجا، متخصصان انسانی رویههای مبتنی بر قوانین دقیق به نام «الگوریتمها» را ایجاد میکنند که یک رایانه میتواند قدم به قدم آنها را دنبال کند تا تصمیم بگیرد که چگونه معقولانه به یک موقعیت خاص واکنش نشان دهد.
منطق فازی رویکردی است که سطوح مختلفی از اطمینان را برای یک موقعیت معین امکان پذیر می کند، که برای کسب دانش شهودی مفید است تا یک الگوریتم بتواند در مواجهه با متغیرهای بزرگ و نامشخصی که a با دیگری رابطه دارد، تصمیمات بهتری بگیرد.
اما هوش مصنوعی نمادین گاهی اوقات بهتر عمل می کند. اگرچه این روش ممکن است قدیمی به نظر برسد، اما همچنان بسیار مرتبط است و هنوز هم با موفقیت در چندین زمینه استفاده می شود و نام مستعار "هوش مصنوعی قدیمی خوب" را به خود اختصاص داده است.
موج دوم هوش مصنوعی
موج دوم هوش مصنوعی شامل رویکردهای جدید «داده محور» است که در دو دهه گذشته به سرعت توسعه یافته اند و تا حد زیادی مسئول تجدید حیات فعلی هوش مصنوعی هستند. اینها فرآیند یادگیری الگوریتمها را خودکار میکنند و متخصصان انسانی را در موج اول هوش مصنوعی دور میزنند.
شبکه های عصبی مصنوعی (ANN) از فعالیت مغز الهام گرفته شده اند. ورودی ها به سیگنال هایی تبدیل می شوند که از طریق شبکه ای از نورون های مصنوعی ارسال می شوند که خروجی ها را به عنوان پاسخ به ورودی ها تفسیر می کنند. افزودن نورون ها و لایه های بیشتر به شبکه های عصبی مصنوعی اجازه می دهد تا با مشکلات پیچیده تری مقابله کنند. یادگیری عمیق به شبکه های عصبی مصنوعی با چند لایه اشاره دارد.
یادگیری ماشینی (ML) به اصلاح یک شبکه اشاره دارد و این خروجی ها پاسخ های مفید یا هوشمند به ورودی ها هستند. یک الگوریتم ML می تواند این فرآیند یادگیری را با بهبود تدریجی یک ANN منفرد یا اعمال اصول تکاملی برای چندین ANN خودکار کند.
موج سوم هوش مصنوعی
موج سوم هوش مصنوعی به امواج احتمالی آینده هوش مصنوعی اشاره دارد. در حالی که تکنیکهای موج اول و دوم بهعنوان هوش مصنوعی ضعیف یا باریکی تعریف میشوند که میتواند به صورت هوشمندانه در وظایف خاص انجام شود، هوش مصنوعی «قوی» یا «عمومی» به الگوریتمهایی اشاره دارد که میتوانند هوشمندی ارائه دهند. در شرایط مختلف اتفاق افتاد.
چنین حوزه مشکل هوش عمومی مصنوعی (AGI) با فناوری فعلی غیرممکن است و نیاز به توسعه یک تغییر پارادایم دارد. چندین رویکرد بالقوه از جمله روشهای تکاملی پیشرفته، محاسبات کوانتومی و شبیهسازی مغز در نظر گرفته شدهاند. سایر اشکال هوش مصنوعی آیندهنگر، مانند هوش مصنوعی توصیفی و متنی، ممکن است در جاهطلبیهایشان ساده به نظر برسند، اما تأثیر بالقوه آنها - و موانع اجرایی - را نباید دست کم گرفت.
چرا هوش مصنوعی مهم است؟
امروزه چالش های زیادی با هوش مصنوعی همراه است. به طور کلی، می توان از آنها به عنوان تعادل بین دو موضوع پیشگیری استفاده کرد:
ما فرصت های بالقوه را از دست دادیم و
بسیاری، که در آن از هوش مصنوعی برای کارهایی استفاده می شود که مفید نیستند یا مشکلی ایجاد می کنند.
فرآیند ML یا یادگیری ماشینی، برخی از الگوریتمها را در برابر سوگیری آسیبپذیر میسازد و پیچیدگی آنها درک و توضیح منطق تصمیمگیری آنها را دشوار میکند. چالش های مهم
از توزیع عادلانه هزینه ها و مزایای هوش مصنوعی اطمینان حاصل کنید
اجتناب از تمرکز منابع در بازارهای غیر رقابتی
اولویت بندی برنامه هایی که نابرابری های ساختاری موجود را کاهش می دهند نه تشدید آنها
مشکلات جدی دیگری نیز وجود دارد که عبارتند از:
پذیرش عمومی این فناوری،
انطباق آن با ارزش های اجتماعی
نگرانی هایی در مورد برخی کاربردهای نظامی وجود دارد.
چالش های آینده برای هوش مصنوعی
همچنین فرصت ها و چالش های بلندمدتی وجود دارد که به تحولات آینده بستگی دارد و ممکن است هرگز محقق نشود. برخی از سناریوهای اتوپیایی و دیستوپیایی می توانند به چرخه های تبلیغاتی کمک کنند، اما آنها همچنین فرصتی را برای آماده شدن برای روندهای ساده تر و فکر کردن در مورد آنچه از فناوری می خواهیم فراهم می کنند.
به عنوان مثال، این نشان می دهد که هوش مصنوعی می تواند.
منجر به از دست دادن برخی مشاغل یا منسوخ شدن مفهوم اشتغال شود
از کنترل انسان دوری کنید و رشد خود را کنترل کنید
استقلال انسان را به چالش بکشید یا احساسات یا آگاهی مصنوعی ایجاد کنید
سیستم هایی با هوش مصنوعی وجود دارند که اطلاعات دریافتی را تجزیه و تحلیل می کنند و بر اساس آن اقدام می کنند. رفتار هوشمندانه برای دستیابی به اهداف خاصی طراحی شده است. سیستم های هوش مصنوعی این اقدامات را با کمی استقلال انجام می دهند.
پیاده سازی هوش مصنوعی
از آنجایی که هوش مصنوعی بر بسیاری از سیستمها و حوزهها تأثیر میگذارد، توجه بیشتری برای انجام بحثهای معنادار و معنادار در مورد آن مورد نیاز است. به عنوان مثال، بحثهای مربوط به «سیستمهای خبره» ساده که در خدمات مشاوره استفاده میشوند باید شامل مواردی در مورد الگوریتمهای پیچیدهای باشند که بهطور خودکار درباره افراد تصمیمگیری میکنند.
به همین ترتیب، مهم است که استدلالهای مربوط به تحولات آینده را که ممکن است هرگز رخ ندهند، از استدلالهایی درباره هوش مصنوعی فعلی که بر جامعه امروزی تأثیر میگذارد، متمایز کنیم.
هوش مصنوعی چگونه کار می کند؟
در زیر مروری بر برخی از فناوریهای کلیدی که در زیر پرچم هوش مصنوعی قرار میگیرند، آورده شده است. آنها بر اساس برنامه به سه گروه تقسیم می شوند. از جمله:
شبیه سازی هوش مصنوعی
یادگیری آماری هوش مصنوعی
هوش مصنوعی "قوی" یا "عمومی".
اولین بیداری موقت آگاهی
موج اول فناوریهای هوش مصنوعی اولیه با نام «هوش مصنوعی نمادین» یا سیستمهای خبره شناخته میشوند. در اینجا، متخصصان انسانی رویههای مبتنی بر قوانین دقیق به نام «الگوریتمها» را ایجاد میکنند که یک رایانه میتواند قدم به قدم آنها را دنبال کند تا تصمیم بگیرد که چگونه معقولانه به یک موقعیت خاص واکنش نشان دهد.
منطق فازی رویکردی است که سطوح مختلفی از اطمینان را برای یک موقعیت معین امکان پذیر می کند، که برای کسب دانش شهودی مفید است تا یک الگوریتم بتواند در مواجهه با متغیرهای بزرگ و نامشخصی که a با دیگری رابطه دارد، تصمیمات بهتری بگیرد.
اما هوش مصنوعی نمادین گاهی اوقات بهتر عمل می کند. اگرچه این روش ممکن است قدیمی به نظر برسد، اما همچنان بسیار مرتبط است و هنوز هم با موفقیت در چندین زمینه استفاده می شود و نام مستعار "هوش مصنوعی قدیمی خوب" را به خود اختصاص داده است.
موج دوم هوش مصنوعی
موج دوم هوش مصنوعی شامل رویکردهای جدید «داده محور» است که در دو دهه گذشته به سرعت توسعه یافته اند و تا حد زیادی مسئول تجدید حیات فعلی هوش مصنوعی هستند. اینها فرآیند یادگیری الگوریتمها را خودکار میکنند و متخصصان انسانی را در موج اول هوش مصنوعی دور میزنند.
شبکه های عصبی مصنوعی (ANN) از فعالیت مغز الهام گرفته شده اند. ورودی ها به سیگنال هایی تبدیل می شوند که از طریق شبکه ای از نورون های مصنوعی ارسال می شوند که خروجی ها را به عنوان پاسخ به ورودی ها تفسیر می کنند. افزودن نورون ها و لایه های بیشتر به شبکه های عصبی مصنوعی اجازه می دهد تا با مشکلات پیچیده تری مقابله کنند. یادگیری عمیق به شبکه های عصبی مصنوعی با چند لایه اشاره دارد.
یادگیری ماشینی (ML) به اصلاح یک شبکه اشاره دارد و این خروجی ها پاسخ های مفید یا هوشمند به ورودی ها هستند. یک الگوریتم ML می تواند این فرآیند یادگیری را با بهبود تدریجی یک ANN منفرد یا اعمال اصول تکاملی برای چندین ANN خودکار کند.
موج سوم هوش مصنوعی
موج سوم هوش مصنوعی به امواج احتمالی آینده هوش مصنوعی اشاره دارد. در حالی که تکنیکهای موج اول و دوم بهعنوان هوش مصنوعی ضعیف یا باریکی تعریف میشوند که میتواند به صورت هوشمندانه در وظایف خاص انجام شود، هوش مصنوعی «قوی» یا «عمومی» به الگوریتمهایی اشاره دارد که میتوانند هوشمندی ارائه دهند. در شرایط مختلف اتفاق افتاد.
چنین حوزه مشکل هوش عمومی مصنوعی (AGI) با فناوری فعلی غیرممکن است و نیاز به توسعه یک تغییر پارادایم دارد. چندین رویکرد بالقوه از جمله روشهای تکاملی پیشرفته، محاسبات کوانتومی و شبیهسازی مغز در نظر گرفته شدهاند. سایر اشکال هوش مصنوعی آیندهنگر، مانند هوش مصنوعی توصیفی و متنی، ممکن است در جاهطلبیهایشان ساده به نظر برسند، اما تأثیر بالقوه آنها - و موانع اجرایی - را نباید دست کم گرفت.
چرا هوش مصنوعی مهم است؟
امروزه چالش های زیادی با هوش مصنوعی همراه است. به طور کلی، می توان از آنها به عنوان تعادل بین دو موضوع پیشگیری استفاده کرد:
ما فرصت های بالقوه را از دست دادیم و
بسیاری، که در آن از هوش مصنوعی برای کارهایی استفاده می شود که مفید نیستند یا مشکلی ایجاد می کنند.
فرآیند ML یا یادگیری ماشینی، برخی از الگوریتمها را در برابر سوگیری آسیبپذیر میسازد و پیچیدگی آنها درک و توضیح منطق تصمیمگیری آنها را دشوار میکند. چالش های مهم
از توزیع عادلانه هزینه ها و مزایای هوش مصنوعی اطمینان حاصل کنید
اجتناب از تمرکز منابع در بازارهای غیر رقابتی
اولویت بندی برنامه هایی که نابرابری های ساختاری موجود را کاهش می دهند نه تشدید آنها
مشکلات جدی دیگری نیز وجود دارد که عبارتند از:
پذیرش عمومی این فناوری،
انطباق آن با ارزش های اجتماعی
نگرانی هایی در مورد برخی کاربردهای نظامی وجود دارد.
چالش های آینده برای هوش مصنوعی
همچنین فرصت ها و چالش های بلندمدتی وجود دارد که به تحولات آینده بستگی دارد و ممکن است هرگز محقق نشود. برخی از سناریوهای اتوپیایی و دیستوپیایی می توانند به چرخه های تبلیغاتی کمک کنند، اما آنها همچنین فرصتی را برای آماده شدن برای روندهای ساده تر و فکر کردن در مورد آنچه از فناوری می خواهیم فراهم می کنند.
به عنوان مثال، این نشان می دهد که هوش مصنوعی می تواند.
منجر به از دست دادن برخی مشاغل یا منسوخ شدن مفهوم اشتغال شود
از کنترل انسان دوری کنید و رشد خود را کنترل کنید
استقلال انسان را به چالش بکشید یا احساسات یا آگاهی مصنوعی ایجاد کنید