اپیزود سوم | تکامل هوش مصنوعی

در فصل سوم از کتاب و اپیزود سوم از پادکست، یک نگاه کلی درباره هوش مصنوعی از گذشته تا آینده (تکامل هوش مصنوعی) را برسی کرده. نکنه قابل توجه این است که کتاب در سال 2021 نوشته شده و تا امسال یعنی سال 2026 می‌توان پیش‌بینی های مطرح شده در این کتاب را مشاهده نمود. از سال 1943 که اولین کامپیوتر مدرن ساخته شد بزرگ‌ترین سوال محققان این بود که آیا ماشین‌ها می‌توانند فکر کنند یا خیر؟

آزمون تورینگ  

درسال 1050 آلن تورینگ (ریاضی‌دان و رمزشکن) یک مقاله‌ای نوشت که به آزمون تورینگ شهرت یافت. آلن تورینگ در مقاله خود به این موضوع اشاره کرد‌ که وقتی نمی‌توانیم افکار دیگر موجودات را متوجه شویم چرا باید افکار ماشین‌هارا بدانیم؟

بعد از مطرح شدن این تئوری قرن‌ها بحث فلسفی درباره هوش مصنوعی کنار زده شود.

زمستان هوش مصنوعی

بعد از آزمون تورینگ، بسیاری از پژوهشگران تصور می‌کردند ساخت ماشین‌های هوشمند تنها چند سال زمان می‌برد. اما برخلاف این انتظار، اولین نسل از سیستم‌های هوش مصنوعی عملکرد موفقی نداشتند. در آن زمان، ماشین‌ها بر اساس مجموعه‌ای از قوانین از پیش تعریف‌شده کار می‌کردند و کوچک‌ترین تغییری در شرایط باعث می‌شد نتوانند تصمیم درستی بگیرند. این محدودیت‌ها باعث شد سرمایه‌گذاری روی پروژه‌های هوش مصنوعی کاهش پیدا کند و دوره‌ای به وجود بیاید که امروز آن را با نام زمستان هوش مصنوعی می‌شناسیم.

یادگیری ماشین چگونه انجام می‌شود؟

کتاب یادگیری ماشین را به سه دسته اصلی تقسیم می‌کند:

• یادگیری نظارت‌شده (Supervised Learning): در این روش، داده‌ها همراه با پاسخ صحیح در اختیار مدل قرار می‌گیرند تا بتواند رابطه بین ورودی و خروجی را یاد بگیرد.
• یادگیری بدون نظارت (Unsupervised Learning): در اینجا خبری از پاسخ صحیح نیست. مدل باید خودش شباهت‌ها، الگوها و دسته‌بندی‌های موجود در داده‌ها را پیدا کند.
• یادگیری تقویتی (Reinforcement Learning): در این روش، هوش مصنوعی از طریق دریافت پاداش و جریمه یاد می‌گیرد و به مرور بهترین تصمیم را پیدا می‌کند.

یادگیری بدون آموزش مستقیم

قبلا برای آموزش هرچیزی ساعت‌ها کد نویسی انجام می‌شد. در این پادکست و کتاب به شکل ظاهری گربه اشاده شده است. به طور مثال برای یک گربه ساعت‌ها وقت صرف می‌شد تا مفاهیم اولیه از ظاهر گربه (گوش نوک تیز و سیبیل) را به هوش آموزش می‌دهیم ولی بعدا یکی از مهم‌ترین تغییرات زمانی اتفاق افتاد که پژوهشگران به جای آموزش تک‌تک قوانین، تصمیم گرفتند اجازه دهند ماشین‌ها خودشان از داده‌ها یاد بگیرند. نمونه‌ای از این موضوع را می‌توان در ترجمه ماشینی مشاهده کرد. در روش‌های قدیمی، باید تمام قواعد دستوری، معنی کلمات و استثناهای هر زبان به صورت دستی برای کامپیوتر تعریف می‌شد؛ اما این روش هیچ‌وقت نتیجه مطلوبی نداشت.

مهم ترین موضوعی که در کتاب به آن اشاره می‌شود، پروژه‌ای است که طی آن یک شبکه عصبی پس از مشاهده میلیون‌ها تصویر، بدون اینکه کسی مفهوم «گربه» را به آن آموزش داده باشد، توانست خودش الگوی مربوط به گربه را تشخیص دهد. این اتفاق نشان داد که ماشین‌ها می‌توانند برخی مفاهیم را تنها از طریق داده‌ها یاد بگیرند.

همچنین گوگل نیز به جای تعریف قوانین، میلیون‌ها متن ترجمه‌شده را در اختیار شبکه عصبی قرار داد تا الگوها را خودش پیدا کند. نتیجه این تغییر رویکرد، پیشرفت چشمگیر کیفیت ترجمه ماشینی بود.

سیستم پاداش؛ یاد گرفتن با آزمون و خطا

روش دیگری که در یادگیری ماشین استفاده می‌شود، یادگیری تقویتی (Reinforcement Learning) است. در این روش، کسی پاسخ درست را به ماشین آموزش نمی‌دهد. تنها یک سیستم پاداش و جریمه وجود دارد و هوش مصنوعی باید با آزمون و خطا یاد بگیرد که کدام تصمیم، پاداش بیشتری برایش به همراه دارد.

در واقع، ماشین بارها یک کار را انجام می‌دهد، نتیجه آن را می‌بیند و به مرور رفتارش را تغییر می‌دهد تا بیشترین امتیاز ممکن را به دست بیاورد. این همان روشی است که بسیاری از سیستم‌های هوشمند امروزی از آن استفاده می‌کنند.

AlphaZero؛ یادگیری بدون آموزش انسان

همانطور که در اپیزود اولی به آن اشاره شد. یکی از معروف‌ترین نمونه‌های یادگیری تقویتی، AlphaZero است. برخلاف بسیاری از سیستم‌های قدیمی، هیچ استراتژی یا حرکت خاصی به این هوش مصنوعی آموزش داده نشد. تنها قوانین بازی در اختیار آن قرار گرفت و سپس میلیون‌ها بار با خودش بازی کرد.

بعد از مدت کوتاهی، AlphaZero توانست در بازی‌هایی مانند شطرنج، گو و شوگی، بهترین بازیکنان و قوی‌ترین نرم‌افزارهای آن زمان را شکست دهد. این موفقیت نشان داد که گاهی یادگیری از تجربه می‌تواند از آموزش مستقیم نیز مؤثرتر باشد.

Halicin؛ وقتی هوش مصنوعی داروی جدید کشف می‌کند

کاربرد هوش مصنوعی تنها به بازی یا ترجمه محدود نمی‌شود. یکی از نمونه‌های مهمی که کتاب به آن اشاره می‌کند، کشف آنتی‌بیوتیکی به نام Halicin است.

پژوهشگران با استفاده از شبکه‌های عصبی، میلیون‌ها ترکیب شیمیایی را بررسی کردند تا موادی را پیدا کنند که احتمال دارد خاصیت ضدباکتریایی داشته باشند. در میان این ترکیب‌ها، هوش مصنوعی ماده‌ای را شناسایی کرد که بعدها با نام Halicin معرفی شد. نکته جالب این بود که این ماده با روش‌های سنتی کشف نشده بود و هوش مصنوعی توانست گزینه‌ای را پیدا کند که از دید پژوهشگران پنهان مانده بود.

ظهور هوش مصنوعی مولد

سال‌ها هدف اصلی هوش مصنوعی تحلیل داده‌ها و پیش‌بینی نتایج بود، اما با ظهور مدل‌های مولد، این نقش تغییر کرد. حالا هوش مصنوعی می‌تواند متن بنویسد، تصویر تولید کند، موسیقی بسازد و حتی ویدئو ایجاد کند.

نکته جالب اینجاست که کتاب در سال ۲۰۲۱ نوشته شده است؛ یعنی زمانی که ابزارهای هوش مصنوعی مولد هنوز به گستردگی امروز در دسترس نبودند. حالا که در سال ۲۰۲۶ هستیم، می‌توان دید بسیاری از پیش‌بینی‌های مطرح‌شده درباره گسترش این فناوری، تا حد زیادی به واقعیت تبدیل شده‌اند.

حرکت به سوی AGI

آخرین موضوعی که در این فصل به آن پرداخته می‌شود، هوش مصنوعی عمومی (AGI) است. برخلاف مدل‌های امروزی که هرکدام برای انجام وظیفه‌ای مشخص آموزش دیده‌اند، هدف AGI ساخت سیستمی است که بتواند مانند انسان در حوزه‌های مختلف یاد بگیرد، استدلال کند و مسئله حل کند.

کتاب پیش‌بینی می‌کند که رسیدن به چنین مرحله‌ای می‌تواند بسیاری از صنایع و حتی شیوه زندگی انسان‌ها را تغییر دهد. هرچند هنوز AGI به معنای واقعی محقق نشده است، اما اگر وضعیت امروز را با سال ۲۰۲۱ مقایسه کنیم، مشخص است که سرعت پیشرفت هوش مصنوعی بسیار بیشتر از چیزی بوده که بسیاری از افراد تصور می‌کردند.

این اپیزود برای چه کسانی مناسب است؟

این اپیزود را به تمام علاقه‌مندان به دنیای هوش توصیه می‌کنیم. این پادکست می‌تواند برای افرادی که وقت خواندن کتاب‌ را ندارند، پادکست هام شرایطی را فراهم نموده تا علاوه بر شنیدن یه کتاب به طور خلاصه تحلیل آن از زبان یک متخصص در این حوزه را هم بشنوید. علاوه بر تمامی این‌ها این پادکست می‌تواند برای دانشجویان رشته علوم کامپیوتر و مهندسی کامپیوتر نیز جذاب باشد.

برای مطالعه بیشتر به عصر پلتفرم‌های شبکه‌ای و هوش مصنوعی مراجعه کنید.