هوش مصنوعی (AI) چیست؟

هوش مصنوعی (AI) چیست؟

Intelligence در لغت به معنای «هوش» است و هوش همان چیزی است تمامی رفتارهای انسان -حتی ساده‌ترین رفتارها- به آن نسبت داده می‌شود و این در حالی است که در مورد موجودی مانند حشره -حتی در مورد پیچیده‌ترین رفتارهایی که از خود می‌تواند نشان دهد- کلمهٔ هوش مصداقی ندارد. چه تفاوتی میان این دو وجود دارد؟ 

موضوع بحث ما در این مقاله بررسی تفاوت هوش انسان با سایر موجودات نیست اما به عنوان نمونه، یک وجه تمایز میان انسان و اغلب موجودات این است که انسان‌ها (و البته برخی حیوانات) قادرند تا در موقعیت‌های مختلف اطلاعاتی را کسب نموده و سپس این اطلاعات را در موقعیتی جدید، به شیوه‌ای دیگر و حتی با هدفی دیگر به کار ببندند؛ اما موجودی مانند حشره چنین قابلیتی را ندارد و اگر یک موقعیت کاملاً مشابه بارها و بارها برای آن تکرار شود باز هم -حداقل در ظاهر- چیزی نخواهد آموخت و پیشرفت چشمگیری در رفتار آ‌ن‌ مشاهده نخواهد شد (البته این تنها وجه تمایز انسان و سایر موجودات نیست و همان‌طور که می‌دانیم هوش انسان از پیچیدگی و گستردگی خارق‌العاده‌ای برخوردار بوده و جنبه‌های مختلفی را در بر می‌گیرد).

Artificial Intelligence (هوش مصنوعی) که به طور خلاصه AI خوانده می‌شود، شاخه‌ای از علوم کامپیوتر است که در بر گیرندهٔ تمام فرآیندهایی است که به شبیه‌سازی هوش انسان (و یا حیوانات) بر روی کامپیوتر‌ها و یا دستگاه‌هایی که توسط کامپیوتر کنترل می‌شوند می‌پردازند. امروزه پژوهش‌های هوش مصنوعی عمدتاً بر جنبه‌های Learning  (یادگیری)، Reasoning (استدلال)، Problem Solving (حل مسئله)، Perception (ادراک) و Language (زبان) متمرکز شده است. در ادامه، ابتدا به بررسی‌ این مفاهیم در هوش مصنوعی پرداخته، سپس به روندها و اهداف این علم اشاره خواهیم نمود و در پایان برخی از کاربردهای روزمرهٔ هوش مصنوعی را مورد بررسی قرار خواهیم داد.

Learning (یادگیری)
در هوش مصنوعی، چند روش یادگیری مطرح است که یکی از ساده‌ترین این روش‌ها، آزمون و خطا است. به عنوان مثال، مسئلهٔ مطرح شده برای یک برنامهٔ کامپیوتری ساده در بازی شطرنج این است که بازیکن مقابل را مات کند. در روش آزمون و خطا، کامپیوتر هر بار به طور تصادفی حرکتی را انجام می‌دهد تا سرانجام به نتیجهٔ مطلوب (یعنی مات نمودن بازیکن مقابل) دست پیدا کند. پس از دستیابی به نتیجهٔ مطلوب، برنامه می‌تواند موقعیت‌های ایجاد شده در این بازی و تصمیمات گرفته شدهٔ خود را ذخیره کند تا اگر بعداً دوباره با موقعیتی مشابه مواجه شد، بتواند تصمیمی که قبلاً اتخاذ نموده را به سرعت فراخوانی نماید.

در یک برنامهٔ کامپیوتری، انجام ذخیره‌سازی و فراخوانی موقعیت مهره‌ها و روند حرکات صورت گرفته کار نسبتاً ساده‌ای است بلکه چیزی که دشوار است، تعمیم و گسترش این تجربیات به موقعیت‌های جدید اما مشابه است. یک برنامهٔ کامپیوتری را در نظر بگیرید که قابلیت تعمیم‌دادن تجربیات را ندارد؛ اگر این برنامه‌ قبلاً با استفاده از تکرار در مورد تعدادی از افعال با قاعدهٔ انگلیسی آموزش دیده باشد، با مواجه شدن با کلمهٔ جدیدی مانند Jump قادر نخواهد بود حالت گذشتهٔ آن را ایجاد نماید مگر اینکه قبلاً با کلمهٔ Jumped آموزش دیده باشد. در حقیقت، یک برنامهٔ کامپیوتری با فرایند تعمیم‌‌ دادن، می‌تواند این قانون را یاد بگیرد که با افزودن ed به انتهای افعال می‌توان شکل گذشتهٔ آن‌ها را ایجاد نمود. بنابراین این برنامه می‌تواند با توجه به تجربه‌ای که قبلاً با سایر افعال داشته، اکنون حالت گذشتهٔ‌ افعال جدید ارائه شده را نیز ایجاد نماید.

Reasoning (استدلال)
استدلال بر دو نوع است: استدلال استنتاجی و استدلال استقرایی (قیاسی). برای روشن‌تر شدن این مسئله، به این دو مثال دقت کنید:

۱- یکی از دوستان شما در این ساعت از شبانه‌روز یا مشغول مطالعه است و یا در حال استراحت. در این مثال، اگر شما بدانید که او هم‌اکنون در حال مطالعه نیست، می‌توانید به شیوهٔ استنتاجی استدلال کنید که حتماً در حال استراحت است.

۲- یکی از دوستان شما در کلاس‌های ساعت ۸ صبح، همیشه کمی دیرتر از سایرین حاضر می‌شود و هنگامی که دلیل آن را جویا می‌شوید، بیان می‌کند که صبح خواب مانده است. اگر این دوست شما در جلسهٔ بعدی کلاس باز هم دیر حاضر شود، شما به روش استقرایی استدالال می‌کنید که گویا باز هم خواب مانده است.

تفاوت اساسی این دو استدلال در میزان پشتیبانی از قطعیت نتایج است. در استدلال استنتاجی (مثال نخست)، اگر فرضیات استدلال درست باشند، درستی نتیجهٔ استدلال نیز تضمین شده است اما در استدلال استقرایی (مثال دوم)، تضمینی برای درست بودن نتیجه وجود ندارد. در واقع، در مثال دوم شما بر اساس آنچه در روزهای قبل رخ داده بود،‌ به این نتیجه رسیدید که دوست شما امروز هم خواب مانده و به همین دلیل به موقع در کلاس حاضر نشده است؛ اما این استدلال قطعی نیست زیرا ممکن است او این بار خواب نمانده باشد بلکه به دلیل ترافیک سنگین و عدم مدیریت زمان، باز هم دیر کرده باشد.

استدلال استقرایی بیشتر در علوم طبیعی مرسوم است زیرا در این علوم روند پژوهش به این صورت است که اطلاعاتی در مورد موضوعی جمع‌آوری شده و مدل‌سازی می‌شوند و سپس با استفاده از آن مدل، پیش‌بینی و توصیف وقایع آینده صورت می‌گیرد. در حالی که در علوم ریاضیاتی و منطقی، استدلال استنتاجی کاربرد بیشتری دارد زیرا این علوم بر بدیهیات و قوانینی ثابت استوار هستند.

تاکنون در هوش مصنوعی پیشرفت‌های خوبی در زمینهٔ استدلال به ویژه استدلال استنتاجی صورت گرفته است اما استدلال فقط شامل استنباط کردن موضوعی از مجموعهٔ داده‌ها نیست بلکه این استنباط باید در راستای ارائهٔ راه‌حل یک مسئله باشد و این یکی از دشوارترین چالش‌های پیش روی هوش مصنوعی است.

Problem Solving (حل مسئله)
در هوش مصنوعی،‌ حل مسئله عبارت است از انجام یک جستجوی سیستماتیک و نظام‌مند در میان مجموعه‌ای از پاسخ‌های ممکن که با هدف دستیابی به یک راه‌حل یا هدف از پیش تعین‌شده صورت می‌گیرد. حل مسئله ممکن است اهداف خاص و یا اهداف عمومی را دنبال کند.

روش‌هایی که برای یک هدف خاص ایجاد می‌شوند، معمولاً فیچر‌های ویژه‌ای دارند که با شرایط آن‌ هدف و مسئلهٔ خاص هماهنگ هستند. در مقابل، روش‌های عمومی قرار دارند که در مورد دامنهٔ‌ وسیعی از مسائل و اهداف، قابل استفاده هستند. یکی از تکنیک‌های هوش مصنوعی که با اهداف عمومی مورد استفاده قرار می‌گیرد، Means-end Analysis است. این روش به صورت گام به گام اختلاف میان حالت فعلی و حالت نهایی تعیین شده را کاهش می‌دهد تا در نهایت به هدف مورد نظر دست پیدا کند. مثلاً در مورد یک روبات ساده، دستوراتی مانند بگیر، بردار، برو به چپ، برو به راست، برو به جلو، به عقب برگرد و … می‌تواند نهایتاً روبات را به هدف تعیین‌شده (مثلاً قرار دادن یک شیٔ در یک مکان) برساند.

تاکنون مسائل مختلفی با استفاده از برنامه‌های هوش مصنوعی حل شده است؛ به عنوان مثال، می‌توان در یک بازی، پیش‌بینی حرکت بُرد (یا مجموعه‌ای از حرکاتی که منجر به بُرد می‌شوند) را به هوش مصنوعی واگذار کرد.

Perception (ادراک)
در فرآیند ادراک، محیط با اندام‌های حسی (طبیعی یا مصنوعی) اِسکَن می‌شود؛ سپس مجموعهٔ اطلاعات جمع‌آوری شده توسط این اندام‌های حسی، به اشیاء مجزا با روابط مکانی مشخص تجزیه می‌شوند. باید در نظر داشت که زاویهٔ دید، جهت و شدت نور و میزان تضاد رنگ یک شیٔ نسبت به اطراف و عواملی از این دست می‌توانند بر تحلیل این اطلاعات تأثیرگذار باشند و این موضوع، فرآیند ادراک را دشوارتر می‌نماید. در حال حاضر، ادراک مصنوعی تا حدودی توسعه یافته و توانسته است امکان شناسایی اشیاء، راندن خودروهای بدون راننده با سرعت‌های متوسط و در جاده‌های خلوت و همچنین جمع‌آوری زباله از طبیعت توسط روبات‌ها را فراهم آورد.

Language (زبان)
زبان مجموعه‌ای از علائمی است که به طور قراردادی دارای معنا هستند؛ با این تعریف، زبان به آواها و کلماتی که برای گفتگو به کار می‌روند محدود نمی‌شود و قراردادی مانند علائم راهنمایی نیز می‌تواند یک زبان محسوب شود. به طور مثال، علامت به نوعی تداعی کنندهٔ «تحصیلات تکمیلی» است.

به عنوان مثال، در چنین زبانی هنگامی که شما علامت خطر را می‌بینید، به شکل هندسی آن فکر نمی‌کنید بلکه این مفهوم برای شما تداعی می‌شود که در حال نزدیک شدن به یک موقعیت خطرناک هستید. در زبان‌های انسانی نیز ممکن است کلمات و عباراتی که بیان می‌شوند با مفهومی که در بر دارند کاملاً متفاوت باشد. مثلاً ممکن است شخصی بگوید «ابرها رو ببین» که منظور اصلی‌اش مفهوم باران است و یا بگوید «اُفت فشار داریم» که در اینجا هم منظور اصلی‌اش این است که دریچه‌ها خوب کار نمی‌کنند. هر چند ما به عنوان انسان می‌توانیم به سرعت منظور این شخص را بفهمیم، اما اگر کمی دقت کنیم متوجه خواهیم شد که معنای این جملات با مجموع معانی تک‌تک کلمات آن‌ها متفاوت است. همچنین یکی از ویژگی‌های مهم یک زبان انسانی تکامل یافته، زایایی زبان است. یک زبان زایا،‌ قابلیت تولید تنوعی نامتناهی از مفاهیم را دارا است.

نوشتن یک برنامهٔ کامپیوتری که بتواند در موارد محدود به طور روان و سلیس به سخنان و سؤالات انسان پاسخ دهد، کار دشواری نیست. هرچند هیچ‌ یک از این برنامه‌ها،‌ عملاً قادر به درک زبان نیستند، اما به طور بالقوه این قابلیت را دارند تا در بیان و کاربرد عبارات و جملات به حدی برسند که از انسان قابل تمایز نباشند. اما آیا می‌توان گفت کامپیوتری که همچون یک انسان واقعی سخن می‌گوید، واقعاً آن زبان را فهمیده است؟

سؤال دشواری است و بر سر پاسخ آن اختلاف نظرهای زیادی وجود دارد؛ بر اساس یک نظریه، اینکه کسی زبانی را فهمیده است یا نه فقط به رفتار او بستگی ندارد بلکه به پیشینهٔ او نیز مرتبط است و هنگامی می‌توان گفت کسی زبانی را حقیقتاً فهمیده است که در محیطی که آن زبان حاکم است آموزش دیده باشد و در عمل بخشی از جامعهٔ آن زبان بوده و در تعاملات گویشوران آن زبان شرکت داشته باشد.

روندها و اهداف کاربردی در هوش مصنوعی
پژوهش‌های هوش مصنوعی از دو روند مجزا -و در برخی جنبه‌ها، متقابل- پیروی می‌کنند. این دو روند عبارتند از روند Symbolic (یا روش بالا به پایین) و روند Connectionist (یا روش پایین به بالا). روش سیمبولیک تلاش می‌کند تا صرف‌ نظر از ساختار مغز، فقط هوش و ادراک آن از علائم و نمادها (Symboles) را شبیه‌سازی و تقلید نماید، به همین دلیل این روش را Symbolic می‌نامند. روش کانکشنیست که در مقابل روش سیمبولیک قرار دارد، تلاش می‌کند تا با ایجاد شبکه‌های عصبی مصنوعی، ساختار مغز را شبیه‌سازی نماید و از این روی این روش Connectionist نامیده می‌شود.

برای اینکه تفاوت این دو روش آشکارتر شود، فرض کنید که قرار است سیستمی مجهز به یک اسکنر نوری ایجاد شود که قادر به تشخیص حروف الفبا باشد. در روش کانکشنیست، برای این منظور یک شبکهٔ عصبی ایجاد می‌شود و سپس این شبکهٔ عصبی با نشان دادن یک به یک حروف الفبا آموزش دیده و به تدریج کارایی آن افزایش می‌یابد. اما در روش سیمبولیک، برای دستیابی به این هدف برنامه‌ای نوشته می‌شود که هر یک از حروف اسکن شده را با ویژگی‌های هندسی حروف الفبا مقایسه نماید و به این ترتیب بر اساس ویژگی‌های هندسی، حروف را تشخیص دهد. بنابراین به طور کلی می‌توان گفت که اساس روش کانکشنیست بر فعالیت‌های عصبی و اساس روش سیمبولیک بر توصیف نمادها و علائم استوار است.

علیرغم افت و خیزهایی که از زمان ایجاد تاکنون در مورد این دو روند رخ داده است، هر دو روش Symbolic و Connectionist تاکنون به موفقیت‌هایی دست پیدا نموده‌اند. به عبارت دیگر، هر کدام از این روش‌ها نقاط قوت و ضعف و البته طرفداران خاص خود را دارند.

بر اساس دو روند فوق، پژوهشگران هوش مصنوعی در تلاشند تا به سه هدف کلی دست پیدا کنند؛ این سه هدف عبارتند از Applied AI (هوش‌ مصنوعی کاربردی)، Strong AI (هوش مصنوعی تقویت شده) و Cognitive Simulation (شبیه‌سازی شناختی).

در یک کلام، هدف Applied AI تولید سیستم‌های هوشمندی است که ارزش تجاری داشته باشند؛ مانند سیستم‌های تخصصی تشخیص طبی و همچنین سیستم‌های معملات سهام و این در حالی است که این رویکرد تا به امروز به موفقیت‌های بزرگی دست پیدا کرده است.

به طور کلی، هدف Strong AI ساخت دستگاه‌هایی است که قادر به فکر کردن باشند؛ شاید بسیار بلندپروازانه باشد، اما Strong AI در نهایت قرار است به جایی برسد که از هوش انسانی قابل تمایز نباشد! امروزه در حالی که عده‌ای از پژوهشگران با هدف شبیه‌سازی کامل هوش انسان در حال کار در زمینه Strong AI هستند، عده‌ای دیگر معتقدند که این هدف ارزش دنبال نمودن را ندارد.

در Cognitive Simulation، کامپیوترها با هدف بررسی نظریه‌های مطرح شده در مورد نحوهٔ عملکرد مغز انسان، به کار گرفته می‌شوند. به عنوان مثال، در مورد اینکه انسان‌ها چطور چهره‌ها را تشخیص می‌دهند یا اینکه چطور خاطره‌ها را به یاد می‌آورند می‌توان از این رویکرد استفاده نمود. Cognitive Simulation در حال حاضر یکی از ابزارهای قدرتمند در علم عصب‌شناسی و روانشناسی شناختی به حساب می‌آید.

برخی از کاربردهای روزمرهٔ هوش مصنوعی
هوش مصنوعی در صنعت، پزشکی،‌ آموزش، بانکداری، تجارت و بسیاری از زمینه‌های دیگر کاربرد دارد. به نظر به می‌رسد که هوش مصنوعی تا رسیدن به اهداف نهایی خود راه زیادی برای پیمودن دارد اما شاید جالب باشد اگر بدانید که هم‌اکنون نیز بسیاری از انسان‌ها در زندگی روزمرهٔ خود از هوش مصنوعی دانسته یا ندانسته بهره می‌برند. در ادامه به چند مورد از کاربردهای روزمرهٔ‌ هوش مصنوعی پرداخته‌ایم.

دستیار شخصی مجازی: Siri ،Google Now و Cortana دستیارهای شخصی هوشمندی هستند که به ترتیب در پلتفرم‌های اندروید، آی‌او‌اس و ویندوز در اختیار کاربران قرار دارند. کاربران هر یک از این پلتفرم‌ها می‌توانند با صحبت کردن از دستیار خود در مورد موضوعی سؤال نموده و اطلاعاتی کسب کنند، می‌توانند از آن‌ بخواهند که در ساعت خاصی موضوعی را به آنها یادآوری نمایند و یا اینکه نزدیک‌ترین پمپ‌بنزین را برایشان پیدا کنند و بسیاری از درخواست‌های دیگری از این دست.

بازی‌های کامپیوتری: بازی کامپیوتری از جمله مواردی است که اغلب مردم با آن آشنایی دارند. هرچند هوش مصنوعی در همان نسخه‌های اولیه و قدیمی این نوع بازی‌ها نیز حضور داشته، اما در چند دههٔ اخیر نقش بسیار پررنگ‌تری پیدا کرده است.

امروزه هوش مصنوعی در بازی‌های کامپیوتری سبب شده است تا شخصیت بازی بتواند رفتار شما را بیاموزد، به حرکات شما در بازی پاسخ داده و عکس‌العمل‌های دور از انتظاری از خود نشان دهد. در بازی‌های تک شخصیتی مانند Far Cry و Call of Duty نیز هوش مصنوعی کاربرد قابل‌توجهی دارد؛ در واقع، در این بازی‌ها دشمنان شما -که شخصیت‌های هوش مصنوعی هستند- می‌توانند محیط خود را تحلیل نموده، اشیاء مورد نیاز خود را پیدا کنند و با نشان دادن واکنش‌های مناسب جان خود را نجات دهند. این شخصیت‌ها حتی می‌توانند با سایر شخصیت‌های هوش مصنوعی تعامل داشته و به این ترتیب شانس پیروزی خود را بیشتر کنند.

خودروهای هوشمند: شاید تا به حال ندیده باشید که کسی هنگام رانندگی روزنامه یا کتاب بخواند اما در آینده به احتمال زیاد خواهید دید! زیرا خودروهای بدون راننده روز به روز به واقعیت نزدیک‌تر شده و در آینده به زندگی روزمرهٔ انسان‌ها وارد خواهند شد.

پشتیبانی و خدمات مشتریان: بسیاری از شرکت‌ها در سایت‌های خود این امکان را برای مشتری در نظر گرفته‌اند تا در صورت نیاز بتواند با پشتیبان به صورت آنلاین گفتگو نموده و اطلاعات مورد نظر خود را به دست آورد ولی ممکن است همیشه یک شخص واقعی آنلاین نباشد تا به شما پاسخ دهد و البته با ورود هوش مصنوعی به این عرصه، دیگر نیازی هم به آنلاین بودن شبانه‌روزی نیروی انسانی نیست زیرا شما می‌توانید هر لحظه که نیاز به اطلاعاتی داشتید با یک روبات باهوش به گفتگوی آنلاین بپردازید و پاسخ خود را دریافت کنید.

مراقبت‌های امنیتی: چک کردن چندین نمایشگر که به دوربین‌های کنترل کننده امنیت متصل هستند،‌ کار خسته‌کننده‌ای است به نحوی که فرد پس از مدتی، دقت اولیهٔ خود را عملاً از دست می‌دهد. بنابراین آموزش دادن کامپیوترها در این زمینه کار بسیار معقولی به نظر می‌رسد. امروزه کامپیوترها قادرند تا خطرات امنیتی را -البته به صورت محدود- تشخیص داده و در صورت نیاز به نگهبان و یا پلیس اطلاع دهند.

لوازم خانگی هوشمند: امروزه لوازم خانگی هوشمندی تولید شده‌اند که می‌توانند عادت‌ها و رفتارهای شما را بیاموزند. مثلاً سیستم گرمایش/سرمایش منزل شما می‌تواند با توجه به ساعت ورود و خروج شما، دمای منزل را تنظیم کند تا در هزینه‌ها صرفه‌جویی شود.

می‌توانید به جای اینکه وقتی به منزل رسدید اجاق گاز را روشن کنید تا غذایتان گرم شود، به محض اتمام ساعت کاری یا دقایقی پیش از رسیدن به منزل آن را روشن کنید. روشنایی منزل شما می‌تواند به صورت خودکار و با توجه به اینکه در کجای منزل و مشغول چه کاری هستید، تنظیم شود و بسیاری از کاربردهای بزرگ و کوچک دیگر (امروزه این حوزه تحت عنوان Internet of Things شناخته می‌‌شود که برای کسب اطلاعات بیشتر، توصیه می‌کنیم به مقالهٔ اینترنت اشیاء (Internet of Things) چیست؟ مراجعه نمایید).

سال‌ها پس از شکل‌گیری نخستین جرقه‌های شبیه‌سازی هوش‌ انسان، هوش مصنوعی پیشرفت قابل‌توجهی داشته و امروزه به جنبه‌های مختلف زندگی انسان وارد شده است؛ با این حال، هوش مصنوعی تا رسیدن به اهداف نهایی خود هنوز راه طولانی و پر فراز و نشیبی را در پیش دارد.

هر چند برخی در مورد آینده و خطرات هوش مصنوعی نیز اظهار نظر نموده‌ و ابراز نگرانی کرده‌اند، اما بی‌شک استفادهٔ صحیح از این دانش می‌تواند افق‌های جدیدی را در برابر دیدگان بشر گشوده و زندگی آسان‌تر و شاید هیجان‌انگیزتری را برای ما رقم بزند.

اگر علاقمند به کسب اطلاعات بیشتر پیرامون هوش مصنوعی هستید، می‌توانید به پادکست‌های تخصصی زیر از رادیو فول‌استک سکان آکادمی نیز مراجعه نمایید:
- علی امیری: متخصص هوش مصنوعی و یادگیری ماشینی در گوگل
- دکتر محمود کریمیان: متخصص در حوزهٔ هوش مصنوعی
- دکتر اسماعیل آتش‌پز گرگری: متخصص هوش‌مصنوعی، داده کاوی و دانش داده
- دکتر سیدمصطفی کلامی هریس: یکی از دو بنیان‌گذار سازمان علمی-آموزشی فرادرس 

آیا شما هم در پیاده‌سازی و کاربرد هوش مصنوعی تجربه‌ای دارید؟ از کدام جنبه‌های هوش مصنوعی تاکنون بهره برده‌اید؟ آینده و پیشرفت هوش مصنوعی را چگونه ارزیابی می‌کنید؟ نظرات، دیدگاه‌ها و تجربیات خود را با ما و سایر کاربران سکان آکادمی به اشتراک بگذارید.

منبع


رائفه خلیلی