هوش مصنوعی چیست و چگونه عمل می‌کند؟

از زمان شروع توسعه فناوری هوش مصنوعی، فیلم ها و رسانه ها آن را یا به شکل یک قهرمان جلوه داده اند یا به عنوان یک شخصیت شرور معرفی کرده اند.

به گزارش تکناک، با این حال برای اکثر مردم،هوش مصنوعی به عنوان یک نقطه بحث باقی مانده است و بخشی از یک تجربه زنده ای که آنرا انجام دادند نیست.

هوش مصنوعی وارد زندگی ما شده است

در اواخر ماه گذشته، هوش مصنوعی در قالب ChatGPT، از گمانه‌زنی‌های علمی تخیلی و آزمایشگاه‌های تحقیقاتی بیرون آمد و به رایانه‌ها و گوشی های اکثر مردم وارد شد.

این چیزی است که به عنوان “هوش مصنوعی مولد” شناخته می شود و خیلی ناگهانی، یک پیام هوشمندانه می تواند مقاله ای بنویسد یا یک دستور پخت و لیست خرید را جمع آوری کند،و یا شعری به سبک الویس پریسلی خلق کند.

در حالی که ChatGPT در یک سال چشمگیرترین تولید کننده هوش مصنوعی بوده است،سیستم های مشابه هم پتانسیل گسترده تری را برای ایجاد محتوای جدید نشان داده اند،مثلا با دستور تبدیل متن به تصویر برای ایجاد تصاویر پر جنب و جوش که حتی در مسابقات هنری برنده شده اند.

شاید هوش مصنوعی هنوز آنطور که در فیلم ها و رمان های علمی و تخیلی نشان داده می شود باهوش نباشد،اما حداقل دارد به انجام کارهایی که ما فکر می‌کنیم سیستم‌های هوش مصنوعی می‌توانند انجام دهند، نزدیک‌تر می‌شود.

محققانی که از نزدیک با این سیستم‌ها کار می‌کنند،مانند مدل (LLM) LaMDA گوگل که مدلی است که برای پردازش و تولید زبان طبیعی آموزش دیده است،بسیار شگفت زده هستند.

هوش مصنوعی همچنین نگرانی هایی را در مورد سرقت ادبی، سوء استفاده از محتوای اصلی که برای تولید نمونه ها استفاده می شود،دستکاری اطلاعات و سوء استفاده از اعتماد و حتی “پایان عصر برنامه نویسی” ایجاد کرده است.

در مرکز همه اینها سؤالی وجود دارد که از زمان کارگاه تابستانی دارتموث به شدت افزایش یافته است: آیا هوش مصنوعی با هوش انسانی تفاوت دارد؟

برای واجد شرایط شدن به عنوان هوش مصنوعی،یک سیستم باید سطحی از یادگیری و سازگاری را نشان دهد. به همین دلیل،سیستم های تصمیم گیری، اتوماسیون و آمار هوش مصنوعی محسوب نمی شوند.

هوش مصنوعی به طور کلی در دو دسته تعریف می شود: هوش مصنوعی محدود (ANI) و هوش مصنوعی عمومی (AGI). تا به امروز، AGI وجود نداشته است.

اکنون چالش کلیدی ایجاد یک هوش مصنوعی عمومی با تمامی دانش های موجود در جهان،به شیوه ای سازگار و مفید است.می توان گفت که این مسئله یک مسئولیت بزرگ است.

بسیاری از آنچه که ما امروزه به عنوان هوش مصنوعی می شناسیم هوش محدودی دارد که میتواند فقط به یک سیستم خاص با یک مشکل خاص رسیدگی می کند.برخلاف هوش انسانی، چنین هوش مصنوعی محدودی تنها در حوزه ای که در آن آموزش دیده است،مؤثر است: به عنوان مثال، تشخیص اشتباه، تشخیص چهره یا توصیه های اجتماعی.

با این حال، هوش مصنوعی همانند انسان ها عمل می کند.در حال حاضر، بارزترین نمونه تلاش برای دستیابی به این هدف، استفاده از شبکه های عصبی و یادگیری عمیق است که بر روی حجم وسیعی از داده ها آموزش دیده اند.

سیستم شبکه های عصبی از شیوه کار مغز انسان الهام گرفته اند.برخلاف اکثر نمونه های یادگیری ماشینی که محاسبات را روی داده‌های آموزشی انجام می‌دهند،شبکه‌های عصبی با تغذیه هر نقطه داده یک به یک از طریق یک شبکه به هم پیوسته کار می‌کنند و هر بار پارامترها را تنظیم می‌کنند.

همانطور که داده های بیشتری از طریق شبکه تغذیه می شود،پارامترها هم بیشتر تثبیت می شوند.نتیجه نهایی شبکه عصبی تاییدیه «آموزش‌دیده» است، که سپس می‌تواند خروجی مورد نظر را روی داده‌های جدید تولید کند.برای مثال، تشخیص اینکه آیا تصویر شامل گربه یا سگ است.

جهش قابل توجهی که امروزه در هوش مصنوعی وجود دارد ناشی از پیشرفت‌های فناوری در روشی است که می‌توانیم شبکه‌های عصبی بزرگ را آموزش دهیم و به لطف قابلیت‌های زیرساخت‌های بزرگ محاسبات ابری، تعداد زیادی از پارامترها را در هر اجرا دوباره تنظیم کنیم. به عنوان مثال، GPT-3 (سیستم هوش مصنوعی که ChatGPT را تامین می کند) یک شبکه عصبی بزرگ با 175 میلیارد پارامتر است.

هوش مصنوعی برای کار کردن به چه چیزی نیاز دارد؟

هوش مصنوعی برای موفقیت به سه چیز نیاز دارد.اول از همه ،به داده های باکیفیت و بی طرفانه به مقدار زیاد نیاز دارد.محققان برای ساخت شبکه های عصبی از مجموعه داده های بزرگی استفاده می کنند که با دیجیتالی شدن زندگی به وجود آمده است.

Co-Pilot، برای تقویت برنامه نویسان انسانی،داده های خود را از میلیاردها خط کد به اشتراک گذاشته شده در GitHub می گیرد. ChatGPT و سایر مدل های زبان بزرگ از میلیاردها وب سایت و اسناد متنی ذخیره شده به صورت آنلاین استفاده می کنند.

ابزارهای تبدیل متن به تصویر، مانند Stable Diffusion، DALLE-2 و Midjourney، از جفت های تصویر-متن از مجموعه داده ها مانند LAION-5B استفاده می کنند.مدل‌های هوش مصنوعی همچنان که ما بیشتر زندگی خود را دیجیتالی می‌کنیم و منابع اطلاعاتی جایگزین مانند داده‌های شبیه‌سازی‌شده یا داده‌های تنظیمات بازی مانند Minecraft را در اختیار آنها قرار می‌دهیم،به پیچیدگی و تأثیرگذاری خود ادامه خواهند داد.

فناوری هوش مصنوعی همچنین برای آموزش موثر به زیرساخت محاسباتی نیاز دارد.با قدرتمندتر شدن رایانه ها یعنی  مدل هایی که اکنون به تلاش های فشرده و محاسبات در مقیاس بزرگ نیاز دارند،ممکن است هوش مصنوعی در آینده نزدیک به صورت محلی مورد استفاده قرار بگیرد.برای مثال، Stable Diffusion را می‌توان در رایانه‌های محلی به جای محیط‌های ابری اجرا کرد.

سومین نیاز برای فناوری هوش مصنوعی ،مدل ها و الگوریتم های بهبود یافته است.سیستم‌های مبتنی بر داده همچنان به پیشرفت سریع خود در یک حوزه‌ بعد از حوزه‌ای که زمانی تصور می‌شد قلمرو شناخت انسان هستند،ادامه می‌دهند.

با این حال، از آنجایی که دنیای اطراف ما دائماً در حال تغییر است،سیستم‌های هوش مصنوعی باید دائماً با استفاده از داده‌های جدید،بازآموزی شوند.بدون این مرحله حیاتی، سیستم‌های هوش مصنوعی پاسخ‌هایی تولید می‌کنند که از نظر واقعی نادرست هستند یا اطلاعات جدیدی را که از زمان آموزش به دست آمده را در نظر نمی‌گیرند.

شبکه های عصبی تنها رویکرد هوش مصنوعی نیستند.یکی دیگر از نقاط برجسته در تحقیقات هوش مصنوعی، هوش مصنوعی نمادین است که به جای هضم مجموعه داده های عظیم بر قوانین و دانشی مشابه فرآیند انسانی برای شکل دادن به بازنمایی نمادین درونی پدیده های خاص تکیه می کند.

اما توازن قدرت در دهه گذشته به شدت به سمت رویکردهای داده محور متمایل شده است،به طوری که توسعه دهندگان این هوش مصنوعی،اخیراً جایزه تورینگ که معادل جایزه نوبل در علوم رایانه است را دریافت کردند.

داده ها،محاسبات و الگوریتم ها پایه و اساس آینده هوش مصنوعی را تشکیل می دهند.همه شاخص ها حاکی از آن است که در آینده ای قابل پیش بینی در هر سه دسته پیشرفت سریعی حاصل خواهد شد.