زمان مطالعه: 10 دقیقه 2 از 5

هوش مصنوعی

هوش مصنوعی چیست؟

?What is the Artificial intelligence

آغاز هوش مصنوعی

روانشناسان عموماً هوش انسان را تنها با یک ویژگی مشخص نمی کنند، بلکه با ترکیبی از توانایی های متنوع بسیار مشخص می شوند. تحقیقات در زمینه هوش مصنوعی عمدتاً بر مؤلفه های زیر از هوش متمرکز شده است: یادگیری، استدلال، حل مسئله، ادراک و استفاده از زبان.

یادگیری

انواع مختلفی از یادگیری برای هوش مصنوعی وجود دارد. ساده ترین آن یادگیری با آزمون و خطا است. به عنوان مثال، یک برنامه کامپیوتری ساده برای حل مسائل شطرنج mate-in-one ممکن است حرکات را به صورت تصادفی امتحان کند تا زمانی که جفت پیدا شود. سپس برنامه ممکن است راه حل را با موقعیت ذخیره کند تا دفعه بعد که رایانه با همان موقعیت روبرو شد راه حل را به خاطر بیاورد. این به خاطر سپردن ساده اقلام و رویه‌های فردی - که به عنوان یادگیری روت (Rote Learning) شناخته می‌شود- بر روی کامپیوتر نسبتاً آسان است. چالش برانگیزتر، مشکل اجرای چیزی است که تعمیم نامیده می شود. تعمیم شامل استفاده از تجربه گذشته در موقعیت های مشابه جدید است. به عنوان مثال، برنامه‌ای که زمان گذشته افعال معمولی انگلیسی را به‌طور خلاصه یاد می‌گیرد، نمی‌تواند زمان گذشته کلمه‌ای مانند jump را تولید کند، مگر اینکه قبلاً با jumped ارائه شده باشد، در حالی که برنامه‌ای که قادر به تعمیم دادن باشد، می‌تواند یاد بگیرد. قانون "افزودن ed" و بنابراین زمان گذشته پرش را بر اساس تجربه با افعال مشابه تشکیل دهید. می توانید با مراجعه به دوره اموزش پایتون ما مراجعه کنید دوره اموزش پایتون از  مقدماتی  شروع می شود تا اموزش پیشرفته پایتون را شامل می شود.

استدلال

استدلال به معنای استنتاج مناسب با موقعیت است. استنتاج ها به دو دسته قیاسی یا استقرایی طبقه بندی می شوند. مثال اولی این است: «فرد باید در موزه یا کافه باشد. او در کافه نیست. بنابراین او در موزه است. بنابراین این حادثه ناشی از خرابی ابزار بوده است. مهم‌ترین تفاوت بین این اشکال استدلال این است که در حالت قیاسی، صدق مقدمات صدق نتیجه را تضمین می‌کند، در حالی که در مورد استقرایی، صدق مقدمه به نتیجه‌گیری بدون اطمینان مطلق کمک می‌کند. استدلال استقرایی در علم رایج است، جایی که داده‌ها جمع‌آوری می‌شوند و مدل‌های آزمایشی برای توصیف و پیش‌بینی رفتار آینده توسعه می‌یابند - تا زمانی که ظاهر داده‌های غیرعادی مدل را مجبور به تجدید نظر کند. استدلال قیاسی در ریاضیات و منطق رایج است، جایی که ساختارهای پیچیده از قضایای انکار ناپذیر از مجموعه کوچکی از بدیهیات و قوانین اساسی ساخته شده است. موفقیت قابل توجهی در برنامه نویسی رایانه ها برای استنتاج، به ویژه استنتاج های قیاسی وجود داشته است. با این حال، استدلال واقعی شامل چیزی بیش از استنتاج است. این شامل استخراج استنتاج های مرتبط با راه حل یک کار یا موقعیت خاص است. این یکی از سخت ترین مشکلات پیش روی هوش مصنوعی است.

حل مسئله

حل مسئله، به ویژه در هوش مصنوعی، ممکن است به عنوان یک جستجوی سیستماتیک از طریق طیف وسیعی از اقدامات ممکن برای رسیدن به یک هدف یا راه حل از پیش تعریف شده مشخص شود. روش های حل مسئله به دو هدف خاص و هدف کلی تقسیم می شوند. یک روش با هدف خاص برای یک مشکل خاص ساخته شده است و اغلب از ویژگی های بسیار خاص موقعیتی که مشکل در آن جاسازی شده است استفاده می کند. در مقابل، یک روش همه منظوره برای طیف وسیعی از مسائل قابل استفاده است. یکی از تکنیک‌های همه‌منظوره مورد استفاده در هوش مصنوعی، تجزیه و تحلیل میانگین پایان است – کاهش گام به گام، یا افزایشی، تفاوت بین وضعیت فعلی و هدف نهایی. این برنامه اقدامات را از فهرستی از ابزارها انتخاب می کند - در مورد یک ربات ساده، این ممکن است شامل PICKUP، PUTDOWN، MOVEFORWARD، MOVEBACK، MOVELEFT و MOVERIGHT باشد تا زمانی که به هدف برسد.بسیاری از مشکلات متنوع توسط برنامه های هوش مصنوعی حل شده است. برخی از نمونه‌ها یافتن حرکت برنده (یا دنباله حرکت‌ها) در یک بازی رومیزی، ابداع برهان‌های ریاضی، و دستکاری «اشیاء مجازی» در دنیای کامپیوتری است.

ادراک

در ادراک، محیط با استفاده از اندام‌های حسی مختلف، واقعی یا مصنوعی، اسکن می‌شود و صحنه در روابط فضایی مختلف به اشیاء جداگانه تجزیه می‌شود. تجزیه و تحلیل با این واقعیت پیچیده است که یک شی ممکن است بسته به زاویه ای که از آن مشاهده می شود، جهت و شدت نور در صحنه و میزان تضاد جسم با میدان اطراف متفاوت به نظر برسد.در حال حاضر، ادراک مصنوعی به اندازه کافی پیشرفته است که حسگرهای نوری را برای شناسایی افراد، وسایل نقلیه خودران برای رانندگی با سرعت متوسط در جاده‌های باز و روبات‌ها برای پرسه زدن در ساختمان‌هایی که قوطی‌های خالی نوشابه را جمع‌آوری می‌کنند، قادر می‌سازد. یکی از اولین سیستم‌هایی که ادراک و عمل را ادغام می‌کرد، FREDDY بود، یک ربات ثابت با یک چشم تلویزیون متحرک و یک دست گیره، که در دانشگاه ادینبورگ، اسکاتلند، در دوره 73-1966 به سرپرستی دونالد میچی ساخته شد. FREDDY قادر بود اشیاء مختلفی را تشخیص دهد و می‌توانست به او دستور داده شود که مصنوعات ساده مانند یک ماشین اسباب‌بازی را از انبوهی تصادفی از اجزا جمع‌آوری کند.

زبان

زبان یک است سیستم نشانه هایی که بر اساس قرارداد معنا دارند. در این معنا، زبان نیازی به محدود شدن به کلام گفتاری ندارد. به عنوان مثال، علائم راهنمایی و رانندگی، یک زبان کوچک را تشکیل می دهند، این یک موضوع قراردادی است که ⚠ در برخی کشورها به معنای "خطر پیش رو" است. متمایز از زبان‌ها است که واحدهای زبانی به طور قراردادی دارای معنا هستند و معنای زبانی با آنچه که معنای طبیعی نامیده می‌شود بسیار متفاوت است، که نمونه آن در جملاتی مانند «آن ابرها به معنای باران است» و «کاهش فشار به این معنی است که شیر کار نمی‌کند».یکی از ویژگی‌های مهم زبان‌های انسانی تمام عیار - بر خلاف صدای پرندگان و علائم راهنمایی و رانندگی - بهره‌وری آنهاست. یک زبان سازنده می تواند انواع نامحدودی از جملات را فرموله کند. نوشتن برنامه‌های رایانه‌ای که به نظر می‌رسد در زمینه‌های بسیار محدود، قادر به پاسخ روان به زبان انسانی به سؤالات و اظهارات باشند، نسبتاً آسان است. اگرچه هیچ یک از این برنامه ها واقعاً زبان را نمی فهمند، اما اصولاً ممکن است به جایی برسند که تسلط آنها بر یک زبان از یک انسان معمولی قابل تشخیص نباشد. در این صورت، اگر حتی کامپیوتری که از زبانی مانند یک انسان بومی زبان استفاده می‌کند، درک درستی نداشته باشد، چه چیزی را شامل می‌شود؟ هیچ پاسخ مورد توافق جهانی برای این سوال دشوار وجود ندارد. بر اساس یک نظریه، فهمیدن یا نفهمیدن فرد نه تنها به رفتار، بلکه به تاریخچه او نیز بستگی دارد: برای اینکه بتوان گفت که می فهمد، باید زبان را یاد گرفته باشد و آموزش دیده باشد تا به وسیله ابزاری جایگاه خود را در جامعه زبانی بگیرد. تعامل با سایر کاربران زبان

آلن تورینگ و آغاز هوش مصنوعی

اولین کار اساسی در زمینه هوش مصنوعی در اواسط قرن بیستم توسط منطق‌دان بریتانیایی و پیشگام کامپیوتر آلن متیسون تورینگ انجام شد. در سال 1935 تورینگ یک ماشین محاسباتی را توصیف کرد که از یک حافظه بی حد و حصر و یک اسکنر تشکیل شده بود که در حافظه به جلو و عقب حرکت می کند،.

اقدامات اسکنر توسط برنامه ای از دستورالعمل ها دیکته می شود که همچنین به شکل نمادها در حافظه ذخیره می شود. این مفهوم برنامه ذخیره‌شده تورینگ است، و به طور ضمنی امکان کار کردن ماشین روی برنامه خود و اصلاح یا بهبود آن وجود دارد. مفهوم تورینگ اکنون به سادگی به عنوان ماشین تورینگ جهانی شناخته می شود. تمام کامپیوترهای مدرن در اصل ماشین های تورینگ جهانی هستند. در طول جنگ جهانی دوم، تورینگ یکی از تحلیلگران پیشرو در حوزه کد دولتی و مدرسه سایفر در بلچلی پارک، باکینگهامشر، انگلستان بود. تورینگ تا زمان توقف خصومت ها در اروپا در سال 1945 نتوانست به پروژه ساخت یک ماشین محاسباتی الکترونیکی با برنامه ذخیره شده روی آورد. یکی از همکاران تورینگ در بلچلی پارک، دونالد میچی (که بعداً دپارتمان هوش و ادراک ماشینی را در دانشگاه ادینبورگ تأسیس کرد)، بعداً به یاد آورد که تورینگ اغلب در مورد چگونگی یادگیری کامپیوترها از تجربه و همچنین حل مشکلات جدید از طریق استفاده از اصول راهنما - فرآیندی که اکنون به عنوان حل مسئله اکتشافی شناخته می شود.

تورینگ احتمالاً اولین سخنرانی عمومی (لندن، 1947) را برای اشاره به هوش رایانه ای ارائه کرد و گفت: "آنچه ما می خواهیم ماشینی است که بتواند از تجربه بیاموزد" و اینکه "امکان اجازه دادن به ماشین برای تغییر دستورالعمل های خود مکانیزم را فراهم می کند. برای این." در سال 1948 او بسیاری از مفاهیم محوری هوش مصنوعی را در گزارشی با عنوان «ماشین‌های هوشمند» معرفی کرد. با این حال، تورینگ این مقاله را منتشر نکرد و بسیاری از ایده های او بعداً توسط دیگران ابداع شد. برای مثال، یکی از ایده‌های اولیه تورینگ آموزش شبکه‌ای از نورون‌های مصنوعی برای انجام وظایف خاص بود، رویکردی که در بخش ارتباط‌گرایی توضیح داده شد.

شطرنج

در بلچلی پارک، تورینگ ایده‌های خود را در مورد هوش ماشینی با ارجاع به شطرنج نشان داد - منبع مفیدی از مسائل چالش‌برانگیز و واضح تعریف‌شده که روش‌های پیشنهادی برای حل مسئله را می‌توان آزمایش کرد. در اصل، یک کامپیوتر شطرنج‌باز می‌توانست با جستجوی کامل در تمام حرکات موجود بازی کند، اما در عمل این غیرممکن است، زیرا شامل بررسی تعداد زیادی از حرکات به طور نجومی می‌شود. اکتشافی برای هدایت یک جستجوی محدودتر و متمایزتر ضروری است. اگرچه تورینگ طراحی برنامه های شطرنج را آزمایش کرد، اما در غیاب کامپیوتری که برنامه شطرنج خود را اجرا می کرد، مجبور بود به تئوری بسنده کند. اولین برنامه های واقعی هوش مصنوعی باید منتظر ورود رایانه های دیجیتال الکترونیکی با برنامه ذخیره شده بودند.

در سال 1945 تورینگ پیش‌بینی کرد که روزی رایانه‌ها شطرنج بسیار خوبی بازی می‌کنند و کمی بیش از 50 سال بعد، در سال 1997، «دیپ بلو»، رایانه‌ای شطرنج که توسط شرکت بین‌المللی ماشین‌های تجاری (IBM) ساخته شد، قهرمان جهان، «گری کاسپاروف» را شکست داد. در یک مسابقه شش بازی در حالی که پیش‌بینی تورینگ به حقیقت پیوست، انتظار او مبنی بر اینکه برنامه‌ریزی شطرنج به درک چگونگی تفکر انسان‌ها کمک می‌کند. پیشرفت عظیم در شطرنج کامپیوتری از زمان تورینگ به جای پیشرفت در هوش مصنوعی به پیشرفت در مهندسی کامپیوتر نسبت داده می‌شود – ۲۵۶ پردازنده موازی Deep Blue به آن اجازه می‌دهد تا ۲۰۰ میلیون حرکت ممکن در ثانیه را بررسی کند و به ۱۴ نوبت بازی نگاه کند. بسیاری با نوام چامسکی، زبان‌شناس مؤسسه فناوری ماساچوست (MIT) موافق هستند، که معتقد بود رایانه‌ای که یک استاد بزرگ را در شطرنج شکست می‌دهد به همان اندازه جالب است که بولدوزر در مسابقه وزنه‌برداری المپیک برنده شود.

تست تورینگ

اولین برنامه های هوش مصنوعی

اولین برنامه موفق هوش مصنوعی در سال 1951 توسط کریستوفر استراچی، مدیر گروه تحقیقات برنامه‌نویسی در دانشگاه آکسفورد نوشته شد. برنامه چکرز استراچی (پیش‌نگاری) روی رایانه Ferranti Mark I در دانشگاه منچستر، انگلستان اجرا شد. در تابستان 1952 این برنامه می توانست یک بازی کامل چکرز را با سرعت معقول انجام دهد.اطلاعات مربوط به اولین نمایش موفق یادگیری ماشینی در سال 1952 منتشر شد. خریدار، نوشته آنتونی اوتینگر در دانشگاه کمبریج، بر روی رایانه EDSAC اجرا شد. دنیای شبیه‌سازی شده‌ی خریداران، یک مرکز خرید از هشت مغازه بود. هنگامی که به خرید یک کالا دستور داده می شود، خریدار آن را جستجو می کند و تا زمانی که کالا پیدا شود به طور تصادفی از مغازه ها بازدید می کند. در حین جستجو، خریدار چند مورد از اقلام موجود در هر مغازه ای را که بازدید می کرد حفظ می کرد (درست مانند خریدار انسانی). دفعه بعد که Shopper برای همان کالا یا برای کالای دیگری که قبلاً آن را پیدا کرده بود فرستاده می شد، بلافاصله به فروشگاه سمت راست می رفت. این شکل ساده از یادگیری، همانطور که در بخش مقدماتی به آن اشاره شد، هوش چیست؟، یادگیری تکه‌ای نامیده می‌شود. شبکه های عصبی مصنوعی و فناوری های هوش مصنوعی به سرعت در حال تکامل هستند، در درجه اول به این دلیل که هوش مصنوعی مقادیر زیادی از داده ها را بسیار سریع تر پردازش می کند و پیش بینی ها را دقیق تر از حد انسانی می کند.در حالی که حجم عظیم داده های ایجاد شده روزانه  یک محقق انسانی را دفن می کند، برنامه های هوش مصنوعی که از آن استفاده می کنند یادگیری ماشین می تواند آن داده را بگیرد و به سرعت آن را به اطلاعات عملی تبدیل کند. از این نوشته، مشکل اصلی استفاده از هوش مصنوعی این است که پردازش مقادیر زیادی از داده هایی که برنامه های هوش مصنوعی نیاز دارند، بسیار گران است.

محاسبات تکاملی : برنامه چکرز ساموئل همچنین به دلیل یکی از اولین تلاش‌ها در محاسبات تکاملی قابل توجه بود. (برنامه او با قرار دادن یک نسخه اصلاح شده در برابر بهترین نسخه فعلی برنامه خود "تکامل" پیدا کرد، و برنده به استاندارد جدید تبدیل شد.) محاسبات تکاملی معمولاً شامل استفاده از برخی روش های خودکار برای تولید و ارزیابی "نسل های" متوالی یک برنامه است. ، تا زمانی که یک راه حل بسیار ماهر تکامل یابد.یکی از حامیان برجسته محاسبات تکاملی، جان هالند، همچنین نرم افزار آزمایشی را برای نمونه اولیه کامپیوتر IBM 701 نوشت. به ویژه، او به طراحی یک موش «مجازی» شبکه عصبی کمک کرد که می‌توان آن را برای حرکت در پیچ و خم آموزش داد. این کار هالند را در مورد اثربخشی رویکرد پایین به بالا متقاعد کرد. هالند در حالی که به مشاوره برای IBM ادامه می داد، در سال 1952 به دانشگاه میشیگان نقل مکان کرد تا دکترای خود را در ریاضیات ادامه دهد. با این حال، او به زودی به یک برنامه بین رشته ای جدید در رایانه و پردازش اطلاعات (که بعدها به عنوان علم ارتباطات شناخته شد) تغییر کرد که توسط آرتور بورکز، یکی از سازندگان ENIAC و جانشین آن EDVAC ایجاد شد. هالند در پایان نامه خود در سال 1959، به احتمال زیاد برای اولین دکترای علوم کامپیوتر در جهان، نوع جدیدی از کامپیوتر را پیشنهاد کرد - یک کامپیوتر چند پردازنده ای - که هر نورون مصنوعی در یک شبکه را به یک پردازنده جداگانه اختصاص می داد. (در سال 1985 دانیل هیلیس مشکلات مهندسی را برای ساختن اولین کامپیوتر، ابررایانه Thinking Machines Corporation با 65536 پردازنده حل کرد.)

هالند پس از فارغ التحصیلی به دانشکده میشیگان پیوست و در طی چهار دهه بعد، بیشتر تحقیقات را به روش‌های خودکارسازی محاسبات تکاملی هدایت کرد، فرآیندی که اکنون با واژه الگوریتم‌های ژنتیک شناخته می‌شود. سیستم‌های پیاده‌سازی شده در آزمایشگاه هلند شامل یک برنامه شطرنج، مدل‌های موجودات بیولوژیکی تک سلولی و یک سیستم طبقه‌بندی کننده برای کنترل یک شبکه شبیه‌سازی شده خط لوله گاز بود. با این حال، الگوریتم‌های ژنتیک دیگر محدود به نمایش‌های «آکادمیک» نیستند. در یکی از کاربردهای عملی مهم، یک الگوریتم ژنتیک با شاهد یک جنایت همکاری می کند تا تصویری از مجرم ایجاد کند.

استدلال منطقی و حل مسئله: توانایی استدلال منطقی جنبه مهمی از هوش است و همیشه تمرکز اصلی تحقیقات هوش مصنوعی بوده است. نقطه عطف مهم در این زمینه یک برنامه اثبات قضیه بود که در سالهای 1955-1956 توسط آلن نیوول و جی. کلیفورد شاو از شرکت RAND و هربرت سایمون از دانشگاه کارنگی ملون نوشته شد. نظریه منطق، همانطور که برنامه شناخته شد، برای اثبات قضایای Principia Mathematica (13-1910) طراحی شد، اثری سه جلدی توسط فیلسوف-ریاضی بریتانیایی. آلفرد نورث وایتهد و برتراند راسل، متخصصان علم. در یک نمونه، اثبات ابداع شده توسط این برنامه زیباتر از اثبات ارائه شده در کتاب ها بود. نیوول، سایمون و شاو در ادامه برنامه قدرتمندتری به نام «حل کننده مسائل عمومی» یا GPS نوشتند. اولین نسخه از GPS در سال 1957 اجرا شد و کار بر روی این پروژه برای حدود یک دهه ادامه یافت. GPS می‌تواند با استفاده از روش آزمون و خطا، طیف گسترده‌ای از پازل‌ها را حل کند. با این حال، یکی از انتقادات به GPS، و برنامه‌های مشابهی که فاقد هرگونه قابلیت یادگیری هستند، این است که هوشمندی برنامه کاملاً دست دوم است و از هر اطلاعاتی که برنامه‌نویس صراحتاً درج می‌کند ناشی می‌شود.

دیالوگ انگلیسی: دو تا از شناخته‌شده‌ترین برنامه‌های هوش مصنوعی اولیه، الیزا و پری، ظاهری وهم‌آور از مکالمه هوشمندانه داشتند. (جزئیات هر دو برای اولین بار در سال 1966 منتشر شد.) الیزا، نوشته جوزف وایزنبام از آزمایشگاه هوش مصنوعی MIT، یک درمانگر انسانی را شبیه سازی کرد. پری که توسط روانپزشک دانشگاه استنفورد، کنت کولبی نوشته شده است، یک انسان پارانویا را شبیه سازی کرده است. روانپزشکانی که از آنها خواسته می شد تصمیم بگیرند که آیا با پری در ارتباط هستند یا یک پارانویا انسانی، اغلب قادر به تشخیص این موضوع نبودند. با این وجود، نه پری و نه الیزا را نمی توان به طور منطقی به عنوان باهوش توصیف کرد. مشارکت‌های پری در مکالمه، از قبل توسط برنامه‌نویس ساخته شده و در حافظه رایانه ذخیره شده است. الیزا نیز به جملات ساده و ترفندهای برنامه نویسی ساده تکیه می کرد.

مزایا و معایب هوش مصنوعی

Advantages and disadvantages of artificial intelligence

کیفیت های هوش مصنوعی
اگرچه هیچ تعریف یکسانی وجود ندارد، اما به طور کلی تصور می‌شود که هوش مصنوعی به ماشین‌هایی اشاره می‌کند که با توجه به ظرفیت انسان برای تفکر، قضاوت و نیت انسان به تحریک سازگار با پاسخ‌های سنتی انسان پاسخ می‌دهند. سیستم‌های نرم‌افزاری «تصمیم‌هایی می‌گیرند که معمولاً نیاز به یک سطح انسانی از تخصص دارند» و به افراد کمک می‌کنند تا مشکلات را پیش‌بینی کنند یا با مسائلی که پیش می‌آیند برخورد کنند.

عمدی بودن
الگوریتم‌های هوش مصنوعی برای تصمیم‌گیری طراحی شده‌اند که اغلب از داده‌های بلادرنگ استفاده می‌کنند. آنها بر خلاف ماشین های غیرفعال هستند که فقط قادر به پاسخ های مکانیکی یا از پیش تعیین شده هستند. آنها با استفاده از حسگرها، داده‌های دیجیتال یا ورودی‌های راه دور، اطلاعات را از منابع مختلف ترکیب می‌کنند، مطالب را فورا تجزیه و تحلیل می‌کنند و بر اساس بینش‌های حاصل از آن داده‌ها عمل می‌کنند. با پیشرفت های گسترده در سیستم های ذخیره سازی، سرعت پردازش و تکنیک های تحلیلی، آنها قادر به پیچیدگی فوق العاده ای در تجزیه و تحلیل و تصمیم گیری هستند.

هوش مصنوعی در حال حاضر جهان را تغییر داده و سوالات مهمی را برای جامعه، اقتصاد و حکومت مطرح می کند.

هوش
هوش مصنوعی عموماً همراه با یادگیری ماشینی و تجزیه و تحلیل داده ها انجام می شود.5 یادگیری ماشینی داده ها را می گیرد و به دنبال روندهای اساسی می گردد. اگر چیزی را پیدا کند که برای یک مشکل عملی مرتبط است، طراحان نرم افزار می توانند آن دانش را بگیرند و از آن برای تجزیه و تحلیل مسائل خاص استفاده کنند. تنها چیزی که مورد نیاز است داده هایی است که به اندازه کافی قوی باشند که الگوریتم ها بتوانند الگوهای مفید را تشخیص دهند. داده ها می توانند به شکل اطلاعات دیجیتال، تصاویر ماهواره ای، اطلاعات بصری، متن یا داده های بدون ساختار باشند.

تطبیق پذیری
سیستم‌های هوش مصنوعی توانایی یادگیری و تطبیق با تصمیم‌گیری را دارند. به عنوان مثال، در منطقه حمل و نقل، وسایل نقلیه نیمه خودران ابزارهایی دارند که به رانندگان و وسایل نقلیه اجازه می دهد از ازدحام، چاله ها، ساخت بزرگراه یا سایر موانع احتمالی ترافیکی مطلع شوند. وسایل نقلیه می توانند بدون دخالت انسان از تجربه سایر وسایل نقلیه در جاده استفاده کنند و کل مجموعه "تجربه" به دست آمده آنها بلافاصله و به طور کامل به سایر وسایل نقلیه با پیکربندی مشابه قابل انتقال است. الگوریتم‌ها، حسگرها و دوربین‌های پیشرفته آن‌ها از تجربه در عملیات جاری استفاده می‌کنند و از داشبورد و نمایشگرهای بصری برای ارائه اطلاعات در زمان واقعی استفاده می‌کنند تا رانندگان انسانی بتوانند ترافیک جاری و شرایط خودرو را درک کنند. و در مورد وسایل نقلیه کاملاً خودمختار، سیستم های پیشرفته می توانند ماشین یا کامیون را کاملاً کنترل کنند و تمام تصمیمات ناوبری را بگیرند.
کاربرد در بخش های مختلف
هوش مصنوعی یک چشم‌انداز آینده‌نگر نیست، بلکه چیزی است که امروزه در اینجا وجود دارد و با بخش‌های مختلف ادغام شده و در آن مستقر شده است. این شامل زمینه هایی مانند امور مالی، امنیت ملی، مراقبت های بهداشتی، عدالت کیفری، حمل و نقل و شهرهای هوشمند می شود. نمونه های متعددی وجود دارد که در آن هوش مصنوعی در حال حاضر بر جهان تأثیر گذاشته و توانایی های انسان را به روش های قابل توجهی افزایش می دهد.

یکی از دلایل نقش رو به رشد هوش مصنوعی، فرصت های فوق العاده ای برای توسعه اقتصادی است که ارائه می دهد. پروژه‌ای که توسط PriceWaterhouseCoopers انجام شد تخمین زد که «فناوری‌های هوش مصنوعی می‌توانند تولید ناخالص داخلی جهانی را تا سال 2030 به میزان 15.7 تریلیون دلار، یعنی 14 درصد، افزایش دهند». 1.2 تریلیون دلار برای آفریقا و اقیانوسیه، 0.9 تریلیون دلار در بقیه آسیا خارج از چین، 0.7 تریلیون دلار در جنوب اروپا و 0.5 تریلیون دلار در آمریکای لاتین. چین در حال برداشتن گام های سریع است زیرا هدف ملی سرمایه گذاری 150 میلیارد دلاری در هوش مصنوعی و تبدیل شدن به رهبر جهانی در این زمینه تا سال 2030 را تعیین کرده است.

در همین حال، یک مطالعه موسسه جهانی مک‌کینزی در چین نشان داد که «اتوماسیون مبتنی بر هوش مصنوعی می‌تواند به اقتصاد چین تزریق بهره‌وری بدهد که بسته به سرعت پذیرش، سالانه 0.8 تا 1.4 درصد به رشد تولید ناخالص داخلی اضافه می‌کند». از آنجایی که چین در حال حاضر از نظر استقرار هوش مصنوعی از ایالات متحده و بریتانیا عقب است، وسعت بازار هوش مصنوعی به آن کشور فرصت های فوق العاده ای برای آزمایش آزمایشی و توسعه آینده می دهد.

دارایی، مالیه، سرمایه گذاری
سرمایه‌گذاری در هوش مصنوعی مالی در ایالات متحده بین سال‌های 2013 و 2014 سه برابر شد و در مجموع به 12.2 میلیارد دلار رسید. به گفته ناظران در آن بخش، «تصمیم‌گیری‌ها در مورد وام‌ها اکنون توسط نرم‌افزاری گرفته می‌شود که می‌تواند انواع داده‌های دقیق تجزیه‌شده را در نظر بگیرد. یک وام گیرنده، نه فقط یک امتیاز اعتباری و یک بررسی سوابق.»10 علاوه بر این، به اصطلاح مشاوران رباتیکی وجود دارند که «پرتفوی سرمایه گذاری شخصی ایجاد می کنند و نیاز به کارگزاران سهام و مشاوران مالی را از بین می برند». احساسات سرمایه گذاری را از بین ببرید و بر اساس ملاحظات تحلیلی تصمیم بگیرید و این انتخاب ها را در عرض چند دقیقه انجام دهید.

نمونه بارز آن در بورس‌ها اتفاق می‌افتد، جایی که معاملات با فرکانس بالا توسط ماشین‌ها جایگزین بسیاری از تصمیم‌گیری‌های انسانی شده است. مردم سفارشات خرید و فروش را ارسال می کنند و رایانه ها بدون دخالت انسان در یک چشم به هم زدن آنها را مطابقت می دهند. ماشین‌ها می‌توانند ناکارآمدی‌های معاملاتی یا تفاوت‌های بازار را در مقیاس بسیار کوچک تشخیص دهند و معاملاتی را انجام دهند که طبق دستورالعمل‌های سرمایه‌گذار درآمد کسب می‌کنند.12 این ابزارها که در برخی مکان‌ها توسط محاسبات پیشرفته قدرت می‌گیرند، ظرفیت بسیار بیشتری برای ذخیره‌سازی اطلاعات دارند، زیرا تاکیدشان بر صفر نیست. یا یک، اما روی «بیت‌های کوانتومی» که می‌توانند مقادیر متعددی را در هر مکان ذخیره کنند. این به طور چشمگیری ظرفیت ذخیره‌سازی را افزایش می‌دهد و زمان پردازش را کاهش می‌دهد.

کشف تقلب نشان دهنده راه دیگری است که هوش مصنوعی در سیستم های مالی مفید است. گاهی اوقات تشخیص فعالیت‌های متقلبانه در سازمان‌های بزرگ دشوار است، اما هوش مصنوعی می‌تواند ناهنجاری‌ها، موارد دورافتاده یا موارد انحرافی را که نیاز به بررسی بیشتر دارند شناسایی کند. این به مدیران کمک می کند تا مشکلات را در اوایل چرخه، قبل از رسیدن به سطوح خطرناک پیدا کنند

امنیت ملی
هوش مصنوعی نقش مهمی در دفاع ملی ایفا می کند. به گفته پاتریک، معاون وزیر دفاع، ارتش آمریکا از طریق پروژه Maven خود، هوش مصنوعی را به کار می‌گیرد تا «مجموعه‌های عظیم داده‌ها و ویدیوهای ضبط‌شده توسط نظارت را بررسی کند و سپس به تحلیل‌گران انسانی درباره الگوها یا زمانی که فعالیت‌های غیرعادی یا مشکوک وجود دارد، هشدار دهد». شاناهان، هدف فناوری‌های نوظهور در این حوزه «برآوردن نیازهای جنگنده‌هایمان و افزایش سرعت و چابکی توسعه و تدارکات فناوری» است.
هوش مصنوعی روند سنتی جنگ را آنقدر سریع تسریع می کند که اصطلاح جدیدی ابداع شده است: هایپرجنگ.

تجزیه و تحلیل داده های بزرگ مرتبط با هوش مصنوعی عمیقاً بر تجزیه و تحلیل اطلاعات تأثیر می گذارد، زیرا مقادیر انبوهی از داده ها در زمان واقعی - اگر نه در نهایت در زمان واقعی - الک می شوند و به فرماندهان و کارکنان آنها سطحی از تجزیه و تحلیل اطلاعات و بهره وری را ارائه می دهند که تاکنون دیده نشده است. فرماندهی و کنترل نیز به طور مشابه تحت تأثیر قرار می‌گیرند زیرا فرماندهان انسانی روال خاصی و در شرایط خاص، تصمیمات کلیدی را به پلتفرم‌های هوش مصنوعی واگذار می‌کنند و زمان مرتبط با تصمیم و اقدامات بعدی را به‌طور چشمگیری کاهش می‌دهند. در نهایت، جنگ یک فرآیند رقابتی زمانی است که در آن طرفی که بتواند سریع‌ترین تصمیم را بگیرد و سریع‌ترین حرکت را برای اجرا انجام دهد، عموماً پیروز می‌شود. در واقع، سیستم‌های هوش مصنوعی که به سیستم‌های فرماندهی و کنترل به کمک هوش مصنوعی گره خورده‌اند، می‌توانند پشتیبانی تصمیم‌گیری و تصمیم‌گیری را به سرعتی بسیار برتر از سرعت ابزارهای سنتی جنگ سوق دهند. این روند به قدری سریع خواهد بود، به ویژه اگر با تصمیم گیری های خودکار برای راه اندازی سیستم های تسلیحاتی خودمختار با هوشمندی مصنوعی که قادر به نتایج مرگبار هستند، همراه شود، که اصطلاح جدیدی به طور خاص برای پذیرش سرعت آغاز جنگ ابداع شده است: هایپرجنگ.

در حالی که بحث اخلاقی و حقوقی بر سر اینکه آیا آمریکا هرگز با سیستم‌های مرگبار خود مختار هوشمند مصنوعی جنگی را آغاز خواهد کرد، در جریان است، چینی‌ها و روس‌ها تقریباً در این بحث غرق نشده‌اند و ما باید نیاز خود را برای دفاع در برابر این سیستم‌ها که با سرعت‌های فراجنگ کار می‌کنند پیش‌بینی کنیم. . چالش در غرب برای قرار دادن «انسان در حلقه» در یک سناریوی جنگ فوق‌العاده، در نهایت ظرفیت غرب برای رقابت در این شکل جدید درگیری را تعیین می‌کند.
همانطور که هوش مصنوعی به شدت بر سرعت جنگ تأثیر می گذارد، گسترش تهدیدات سایبری روز صفر یا صفر ثانیه و همچنین بدافزارهای چند شکلی، حتی پیچیده ترین حفاظت سایبری مبتنی بر امضا را نیز به چالش می کشد. این امر باعث بهبود قابل توجهی در دفاع سایبری موجود می شود. به طور فزاینده‌ای، سیستم‌های آسیب‌پذیر در حال مهاجرت هستند و باید به سمت یک رویکرد لایه‌ای به امنیت سایبری با پلتفرم‌های هوش مصنوعی مبتنی بر ابر تغییر کنند. این رویکرد جامعه را به سمت یک قابلیت دفاعی «متفکر» سوق می دهد که می تواند از طریق آموزش مداوم در مورد تهدیدات شناخته شده از شبکه ها دفاع کند. این قابلیت شامل تجزیه و تحلیل در سطح DNA کدهای ناشناخته تا کنون، با امکان شناسایی و توقف کدهای مخرب ورودی با شناسایی یک جزء رشته ای از فایل است. این گونه بود که برخی از سیستم‌های کلیدی مستقر در ایالات متحده، ویروس‌های ضعیف‌کننده «WannaCry» و «Petya» را متوقف کردند.

آماده شدن برای جنگ بیش از حد و دفاع از شبکه های سایبری حیاتی باید به اولویت بالایی تبدیل شود زیرا چین، روسیه، کره شمالی و سایر کشورها منابع قابل توجهی را برای هوش مصنوعی اختصاص می دهند. در سال 2017، شورای دولتی چین طرحی را برای این کشور صادر کرد که تا سال 2030 یک صنعت داخلی به ارزش تقریباً 150 میلیارد دلار بسازد. علاوه بر این، شهرهایی مانند شنژن تا سقف 1 میلیون دلار برای حمایت از آزمایشگاه‌های هوش مصنوعی ارائه می‌کنند. آن کشور امیدوار است که هوش مصنوعی امنیت، مبارزه با تروریسم و بهبود برنامه های تشخیص گفتار را فراهم کند. 19 ماهیت استفاده دوگانه بسیاری از الگوریتم های هوش مصنوعی به این معنی است که تحقیقات هوش مصنوعی متمرکز بر یک بخش از جامعه را می توان به سرعت برای استفاده در بخش امنیتی نیز تغییر داد. 20

مراقبت های بهداشتی
ابزارهای هوش مصنوعی به طراحان کمک می کنند تا پیچیدگی محاسباتی در مراقبت های بهداشتی را بهبود بخشند. به عنوان مثال، Merantix یک شرکت آلمانی است که از یادگیری عمیق در مسائل پزشکی استفاده می کند. این یک کاربرد در تصویربرداری پزشکی دارد که «غدد لنفاوی بدن انسان را در تصاویر توموگرافی کامپیوتری (CT) تشخیص می‌دهد.»21 به گفته توسعه‌دهندگان آن، کلید برچسب زدن به گره‌ها و شناسایی ضایعات یا رشدهای کوچکی است که می‌توانند مشکل‌ساز باشند. انسان ها می توانند این کار را انجام دهند، اما رادیولوژیست ها 100 دلار در ساعت دریافت می کنند و ممکن است بتوانند تنها چهار تصویر در ساعت را با دقت بخوانند. اگر 10000 تصویر وجود داشت، هزینه این فرآیند 250000 دلار بود که اگر توسط انسان انجام شود بسیار گران است.

کاری که یادگیری عمیق در این شرایط می تواند انجام دهد این است که کامپیوترها را بر روی مجموعه داده ها آموزش دهد تا بیاموزند ظاهر طبیعی در مقابل غدد لنفاوی با ظاهر نامنظم چیست. پس از انجام این کار از طریق تمرینات تصویربرداری و افزایش دقت برچسب‌گذاری، متخصصان تصویربرداری رادیولوژی می‌توانند این دانش را در بیماران واقعی به کار ببرند و میزان خطر ابتلا به غدد لنفاوی سرطانی را تعیین کنند. از آنجایی که تنها تعداد کمی از آنها احتمالاً مثبت می‌شوند، تشخیص گره ناسالم در مقابل سالم است.

هوش مصنوعی برای نارسایی احتقانی قلب نیز به کار گرفته شده است، بیماری که 10 درصد از شهروندان سالخورده را مبتلا می کند و هر ساله 35 میلیارد دلار هزینه در ایالات متحده دارد. ابزارهای هوش مصنوعی به این دلیل مفید هستند که «چالش‌های احتمالی پیش رو را از قبل پیش‌بینی می‌کنند و منابعی را به آموزش بیمار، سنجش و مداخلات پیشگیرانه اختصاص می‌دهند که بیماران را از بیمارستان دور نگه می‌دارد».

عدالت کیفری
هوش مصنوعی در حوزه عدالت جنایی مستقر شده است. شهر شیکاگو یک "فهرست سوژه های استراتژیک" مبتنی بر هوش مصنوعی ایجاد کرده است که افرادی را که به دلیل خطر تبدیل شدن به مجرمان آینده دستگیر شده اند، تجزیه و تحلیل می کند. با استفاده از مواردی مانند سن، فعالیت مجرمانه، قربانی شدن، سوابق دستگیری مواد مخدر و وابستگی به باند، 400000 نفر را در مقیاس 0 تا 500 رتبه بندی می کند. در بررسی داده‌ها، تحلیلگران دریافتند که جوانی پیش‌بینی‌کننده قوی خشونت است، قربانی تیراندازی با تبدیل شدن به یک مجرم در آینده مرتبط است، وابستگی به باند ارزش پیش‌بینی‌کنندگی کمی دارد، و دستگیری مواد مخدر ارتباط قابل‌توجهی با فعالیت‌های مجرمانه آینده ندارد.

چرا هوش مصنوعی مهم است؟

هوش مصنوعی مهم است زیرا می تواند به شرکت ها بینش هایی در مورد عملشان بدهد که ممکن است قبلاً از آن آگاه نشده باشند و به این دلیل که در برخی موارد، هوش مصنوعی می تواند وظایف بهتری از انسان انجام دهد. به طور خاص وقتی به وظایف تکراری و با جزئیات، ابزارهای هوش مصنوعی اغلب مشاغل را سریع و با خطا های نسبتاً کمی تکمیل میکند.این کار به سوخت انفجار در بهره وری کمک کرده و در را به سمت فرصت های کسب و کار برای برخی از شرکت های بزرگ تر باز کرده است. پیش از موج فعلی هوش مصنوعی، تصور استفاده از نرم افزار کامپیوتری برای اتصال مسافران به تاکسی ها دشوار بود، اما امروز اوبر با این کار به یکی از بزرگترین شرکت های جهان تبدیل شده است. این روش از الگوریتم های یادگیری ماشین پیچیده برای پیش بینی اینکه چه زمانی افراد به احتمال زیاد نیاز به سواری در مناطق خاصی دارند استفاده می کند که به طور فعال به رانندگان در جاده قبل از نیاز کمک می کند. به عنوان مثال دیگر، گوگل به یکی از بزرگ ترین بازیکنان برای طیف وسیعی از خدمات آنلاین تبدیل شده است که با استفاده از یادگیری ماشین برای درک نحوه استفاده مردم از خدمات خود و سپس بهبود آن ها در سال ۲۰۱۷، مدیر عامل شرکت، sorndar پیکای اعلام کرد که گوگل به عنوان یک شرکت "AI" فعالیت خواهد کرد.بزرگترین و موفق ترین شرکت های امروز از هوش مصنوعی برای بهبود خود و به دست آوردن برتری بر رقبایشان استفاده میکنند.

هوش مصنوعی از ابتدای پیدایش خود مورد توجه دانشمندان و عموم مردم قرار گرفته است. یکی از موضوعات رایج این ایده است که ماشین‌ها به قدری توسعه می‌یابند که انسان‌ها قادر به ادامه آن نخواهند بود و خود به خود بلند می‌شوند و خود را با سرعتی تصاعدی دوباره طراحی می‌کنند. مورد دیگر این است که ماشین ها می توانند به حریم خصوصی افراد نفوذ کنند و حتی به سلاح تبدیل شوند. بحث‌های دیگر در مورد اخلاق هوش مصنوعی و اینکه آیا سیستم‌های هوشمندی مانند ربات‌ها باید با حقوقی برابر با انسان‌ها برخورد کنند، بحث می‌کنند. خودروهای خودران نسبتاً بحث‌برانگیز بوده‌اند، زیرا ماشین‌های آن‌ها برای کمترین خطر ممکن و کمترین تلفات طراحی می‌شوند. اگر سناریوی برخورد همزمان با یک نفر یا دیگری ارائه شود، این خودروها گزینه ای را محاسبه می کنند که کمترین خسارت را به همراه داشته باشد. یکی دیگر از مسائل بحث برانگیز بسیاری از افراد با هوش مصنوعی این است که چگونه ممکن است بر اشتغال انسان تأثیر بگذارد. با توجه به اینکه بسیاری از صنایع به دنبال خودکارسازی مشاغل خاص از طریق استفاده از ماشین آلات هوشمند هستند، این نگرانی وجود دارد که افراد از نیروی کار بیرون رانده شوند. اتومبیل های خودران ممکن است حذف کنند نیاز به تاکسی و برنامه‌های اشتراک خودرو، در حالی که تولیدکنندگان ممکن است به راحتی نیروی انسانی را با ماشین‌ها جایگزین کنند و مهارت‌های افراد را منسوخ کنند.

تصور می شود اولین هوش مصنوعی یک رایانه چکرز باشد که توسط دانشمندان کامپیوتر دانشگاه آکسفورد (بریتانیا) در سال 1951 ساخته شد.

زبان های برنامه نویسی هوش مصنوعی

نیوول، سایمون و شاو در جریان کار خود بر روی نظریه‌پرداز منطق و GPS، زبان پردازش اطلاعات خود (IPL) را توسعه دادند که یک زبان کامپیوتری است که برای برنامه‌نویسی هوش مصنوعی طراحی شده است. در قلب IPL یک ساختار داده بسیار منعطف بود که آنها آن را لیست می نامیدند. یک لیست صرفاً یک توالی مرتب شده از اقلام داده است. برخی یا همه موارد موجود در یک لیست ممکن است خود لیست باشند. این طرح منجر به ساختارهای بسیار انشعاب می شود. در سال 1960 جان مک کارتی عناصر IPL را با حساب لامبدا (یک سیستم ریاضی-منطقی رسمی) ترکیب کرد تا زبان برنامه نویسی LISP (پردازنده فهرست) را تولید کند که همچنان زبان اصلی برای کارهای هوش مصنوعی در ایالات متحده است. (خود حساب لامبدا در سال 1936 توسط منطق‌دان پرینستون، آلونزو چرچ، در حالی که او در حال بررسی مسئله انتزاعی Entscheidungsproblem یا «مسئله تصمیم‌گیری» برای منطق محمول بود اختراع شد - همان مشکلی که تورینگ هنگام اختراع ماشین تورینگ جهانی به آن حمله می‌کرد.)

زبان برنامه نویسی منطقی PROLOG (Programmation en Logique) توسط Alain Colmerauer در دانشگاه Aix-Marseille فرانسه طراحی شد، جایی که این زبان برای اولین بار در سال 1973 پیاده سازی شد. PROLOG بیشتر توسط منطقدان Robert Kowalski، عضو گروه هوش مصنوعی توسعه داده شد در دانشگاه ادینبورگ این زبان از یک تکنیک قدرتمند اثبات قضیه به نام تفکیک استفاده می‌کند که در سال 1963 در آزمایشگاه ملی آرگون کمیسیون انرژی اتمی ایالات متحده توسط منطق‌دان انگلیسی آلن رابینسون اختراع شد. PROLOG می تواند تعیین کند که آیا یک دستور داده شده به طور منطقی از سایر عبارات داده شده پیروی می کند یا خیر. برای مثال، با توجه به جملات «همه منطق‌دانان منطقی هستند» و «رابینسون یک منطق‌دان است»، یک برنامه PROLOG به سؤال «رابینسون منطقی است؟» پاسخ مثبت می‌دهد. PROLOG به طور گسترده برای کارهای هوش مصنوعی، به ویژه در اروپا و ژاپن استفاده می شود.محققان موسسه نسل جدید فناوری کامپیوتر در توکیو از PROLOG به عنوان پایه زبان های برنامه نویسی منطقی پیچیده استفاده کرده اند. این زبان‌ها که به عنوان زبان‌های نسل پنجم شناخته می‌شوند، در رایانه‌های موازی غیرعددی توسعه‌یافته در مؤسسه استفاده می‌شوند.دیگر کارهای اخیر شامل توسعه زبان هایی برای استدلال در مورد داده های وابسته به زمان مانند "حساب دیروز پرداخت شد." این زبان‌ها مبتنی بر منطق زمان هستند، که به گزاره‌ها اجازه می‌دهد در جریان زمان قرار گیرند. (منطق تنش در سال 1953 توسط فیلسوف آرتور پریور در دانشگاه کانتربری، کرایست چرچ، نیوزلند اختراع شد.)

برنامه های Microworld

برای کنار آمدن با پیچیدگی گیج کننده دنیای واقعی، دانشمندان اغلب جزئیات کمتر مرتبط را نادیده می گیرند. به عنوان مثال، فیزیکدانان اغلب اصطکاک و کشش را در مدل های خود نادیده می گیرند. در سال 1970 ماروین مینسکی و سیمور پپرت از آزمایشگاه هوش مصنوعی MIT پیشنهاد کردند که تحقیقات هوش مصنوعی نیز باید بر توسعه برنامه‌هایی متمرکز شود که قادر به رفتار هوشمند در محیط‌های مصنوعی ساده‌تر به نام جهان‌های کوچک هستند. تحقیقات زیادی روی دنیای به اصطلاح بلوک ها متمرکز شده است که شامل بلوک های رنگی با اشکال و اندازه های مختلف است که روی یک سطح صاف چیده شده اند.موفقیت اولیه رویکرد دنیای کوچک SHRDLU بود که توسط تری وینوگراد از MIT نوشته شد. (جزئیات این برنامه در سال 1972 منتشر شد). هم بازو و هم بلوک ها مجازی بودند. SHRDLU به دستورات تایپ شده به زبان انگلیسی طبیعی پاسخ می دهد، مانند "لطفاً هر دو بلوک قرمز و یک مکعب سبز یا یک هرم را جمع کنید." این برنامه همچنین می تواند به سوالات مربوط به o خود پاسخ دهد

برای کنار آمدن با پیچیدگی گیج کننده دنیای واقعی، دانشمندان اغلب جزئیات کمتر مرتبط را نادیده می گیرند. به عنوان مثال، فیزیکدانان اغلب اصطکاک و کشش را در مدل های خود نادیده می گیرند. در سال 1970 ماروین مینسکی و سیمور پپرت از آزمایشگاه هوش مصنوعی MIT پیشنهاد کردند که تحقیقات هوش مصنوعی نیز باید بر توسعه برنامه‌هایی متمرکز شود که قادر به رفتار هوشمند در محیط‌های مصنوعی ساده‌تر به نام جهان‌های کوچک هستند. تحقیقات زیادی روی دنیای به اصطلاح بلوک ها متمرکز شده است که شامل بلوک های رنگی با اشکال و اندازه های مختلف است که روی یک سطح صاف چیده شده اند.موفقیت اولیه رویکرد دنیای کوچک SHRDLU بود که توسط تری وینوگراد از MIT نوشته شد. (جزئیات این برنامه در سال 1972 منتشر شد). هم بازو و هم بلوک ها مجازی بودند. SHRDLU به دستورات تایپ شده به زبان انگلیسی طبیعی پاسخ می دهد، مانند "لطفاً هر دو بلوک قرمز و یک مکعب سبز یا یک هرم را جمع کنید." این برنامه همچنین می تواند به سوالات مربوط به o خود پاسخ دهد

اگرچه در ابتدا SHRDLU به عنوان یک پیشرفت بزرگ مورد استقبال قرار گرفت، وینوگراد به زودی اعلام کرد که این برنامه در واقع یک بن بست است. تکنیک‌های پیشگام در این برنامه برای کاربرد در جهان‌های وسیع‌تر و جالب‌تر نامناسب بودند. علاوه بر این، ظاهری که SHRDLU از درک ریزجهان بلوک‌ها و اظهارات انگلیسی در مورد آن ارائه کرد، در واقع یک توهم بود. SHRDLU هیچ ایده ای نداشت که بلوک سبز چیست.

اصطلاحات اساسی در زمینه هوش مصنوعی

شبکه عصبی

مغز ما عمدتاً از سلول های به هم پیوسته ای به نام نورون ها ساخته شده است که به هم متصل می شوند و شبکه های پیچیده ای را تشکیل می دهند که وظایف را انجام می دهند و اطلاعات را ذخیره می کنند. بازآفرینی این سیستم شگفت‌انگیز در نرم‌افزار از دهه 60 آغاز شده است، اما قدرت پردازشی مورد نیاز تا 15 تا 20 سال پیش، زمانی که پردازنده‌های گرافیکی به شبکه‌های عصبی تعریف‌شده دیجیتالی اجازه شکوفایی می‌دادند، به‌طور گسترده در دسترس نبود. در قلب آنها آنها فقط نقاط و خطوط زیادی هستند: نقاط داده و خطوط روابط آماری بین آن مقادیر هستند. همانطور که در مغز، این می تواند یک سیستم همه کاره ایجاد کند که به سرعت یک ورودی را می گیرد، آن را از طریق شبکه عبور می دهد و یک خروجی تولید می کند. این سیستم یک مدل نامیده می شود.

مدل

مدل مجموعه واقعی کدهایی است که ورودی‌ها را می‌پذیرد و خروجی‌ها را برمی‌گرداند. شباهت اصطلاحات به یک مدل آماری یا یک سیستم مدل سازی که یک فرآیند پیچیده طبیعی را شبیه سازی می کند تصادفی نیست. در هوش مصنوعی، مدل می‌تواند به یک سیستم کامل مانند ChatGPT یا تقریباً هر ساختار هوش مصنوعی یا یادگیری ماشینی، هر کاری که انجام دهد یا تولید کند، اشاره کند. مدل‌ها در اندازه‌های مختلفی عرضه می‌شوند، یعنی هم چقدر فضای ذخیره‌سازی را اشغال می‌کنند و هم چقدر قدرت محاسباتی برای اجرا مصرف می‌کنند. و اینها به نحوه آموزش مدل بستگی دارد.

آموزش

برای ایجاد یک مدل هوش مصنوعی، شبکه‌های عصبی که پایه سیستم را تشکیل می‌دهند در معرض مجموعه‌ای از اطلاعات در آنچه مجموعه داده یا پیکره نامیده می‌شود، قرار می‌گیرند. با انجام این کار، این شبکه های غول پیکر نمایشی آماری از آن داده ها ایجاد می کنند. این فرآیند آموزشی فشرده‌ترین بخش محاسباتی است، به این معنی که هفته‌ها یا ماه‌ها طول می‌کشد (شما می‌توانید تا زمانی که بخواهید ادامه دهید) در بانک‌های عظیم رایانه‌های پرقدرت. دلیل این امر این است که نه تنها شبکه ها پیچیده هستند، بلکه مجموعه داده ها می توانند بسیار بزرگ باشند: میلیاردها کلمه یا تصویر که باید تجزیه و تحلیل شوند و در مدل آماری غول پیکر ارائه شوند. از سوی دیگر، هنگامی که مدل پخت و پز تمام می شود، می تواند بسیار کوچکتر و کمتر در هنگام استفاده باشد، فرآیندی به نام استنتاج.

وقتی مدل واقعاً کار خود را انجام می‌دهد، آن را استنتاج می‌نامیم، تقریباً معنای سنتی کلمه: بیان نتیجه‌گیری با استدلال درباره شواهد موجود. البته این دقیقاً "استدلال" نیست، بلکه از نظر آماری نقاط موجود در داده هایی را که مصرف کرده است به هم وصل می کند و در واقع نقطه بعدی را پیش بینی می کند. به عنوان مثال، با گفتن «دنباله زیر را کامل کنید: قرمز، نارنجی، زرد…»، متوجه می‌شوید که این کلمات با ابتدای فهرستی که بلعیده است، رنگ‌های رنگین کمان مطابقت دارد و تا زمانی که آن را تولید کند، مورد بعدی را استنباط می‌کند. بقیه آن لیست استنباط عموماً از نظر محاسباتی بسیار کمتر از آموزش هزینه دارد: آن را مانند نگاه کردن به فهرست کارت به جای مونتاژ آن در نظر بگیرید. مدل‌های بزرگ هنوز باید روی ابررایانه‌ها و پردازنده‌های گرافیکی کار کنند، اما مدل‌های کوچک‌تر را می‌توان روی یک تلفن هوشمند یا حتی ساده‌تر اجرا کرد.

هوش مصنوعی مولد

همه در مورد هوش مصنوعی مولد صحبت می کنند و این اصطلاح گسترده فقط به معنای یک مدل هوش مصنوعی است که یک خروجی اصلی مانند یک تصویر یا متن تولید می کند. برخی از هوش مصنوعی‌ها خلاصه می‌کنند، برخی دوباره سازمان‌دهی می‌کنند، برخی شناسایی می‌کنند و غیره - اما هوش مصنوعی که در واقع چیزی تولید می‌کند (خواه «ایجاد» کند) در حال حاضر به‌ویژه محبوب است. فقط به یاد داشته باشید که فقط به این دلیل که هوش مصنوعی چیزی را تولید کرده است، به این معنی نیست که درست است یا حتی واقعیت را منعکس می کند! فقط این که قبل از درخواست شما وجود نداشت، مثل یک داستان یا نقاشی.

اصطلاحات برتر هوش مصنوعی امروزی

مدعی بزرگ

فراتر از اصول اولیه، در اینجا اصطلاحات هوش مصنوعی وجود دارد که در اواسط سال 2023 بسیار مرتبط هستند.

مدل زبان بزرگ

مدل فونداسیون

آموزش یک مدل عظیم از ابتدا بر روی مجموعه داده های عظیم پرهزینه و پیچیده است، و بنابراین نمی خواهید بیش از آنچه که باید آن را انجام دهید. مدل‌های پایه از ابتدا مدل‌های بزرگی هستند که برای اجرا به ابررایانه‌ها نیاز دارند، اما می‌توان آن‌ها را به گونه‌ای برش داد تا در ظروف کوچک‌تر قرار گیرند، معمولاً با کاهش تعداد پارامترها. می‌توانید آن‌ها را به‌عنوان کل نقاطی که مدل باید با آن‌ها کار کند، در نظر بگیرید، و این روزها می‌تواند به میلیون‌ها، میلیاردها یا حتی تریلیون‌ها برسد.

تنظیم دقیق

مدل پایه‌ای مانند GPT-4  هوشمند است، اما از نظر طراحی نیز کلی‌گرا است - همه چیز را از دیکنز گرفته تا ویتگنشتاین گرفته تا قوانین سیاه‌چال‌ها و اژدها را جذب می‌کند، اما اگر بخواهید به شما در نوشتن یک نامه کمکی کمک کند، هیچ کدام مفید نیست. برای رزومه شما خوشبختانه، مدل‌ها را می‌توان با کمی آموزش بیشتر با استفاده از مجموعه داده‌های تخصصی، به‌عنوان مثال چند هزار درخواست شغلی که اتفاقاً در دسترس هستند، به خوبی تنظیم کرد. این به مدل احساس بسیار بهتری در مورد چگونگی کمک به شما در آن حوزه می دهد بدون اینکه دانش کلی را که از بقیه داده های آموزشی خود جمع آوری کرده است دور بریزید.یادگیری تقویتی از بازخورد انسانی، یا RLHF، نوع خاصی از تنظیم دقیق است که درباره آن بسیار خواهید شنید - از داده‌های انسان‌هایی که با LLM در تعامل هستند برای بهبود مهارت‌های ارتباطی آن استفاده می‌کند.

انتشار

تولید تصویر را می‌توان به روش‌های متعددی انجام داد، اما تا به امروز موفق‌ترین روش انتشار، تکنیکی است که در قلب Stable Diffusion، Midjourney و دیگر هوش مصنوعی‌های مولد محبوب قرار دارد. مدل‌های انتشار با نشان دادن تصاویری به آن‌ها آموزش داده می‌شوند که با افزودن نویز دیجیتال به تدریج تخریب می‌شوند تا زمانی که چیزی از نسخه اصلی باقی نماند. با مشاهده این، مدل‌های انتشار یاد می‌گیرند که فرآیند را به صورت معکوس نیز انجام دهند، و به تدریج جزئیات را به نویز خالص اضافه می‌کنند تا یک تصویر دلخواه تعریف شده را تشکیل دهند. ما در حال حاضر شروع به حرکت فراتر از این برای تصاویر کرده‌ایم، اما این تکنیک قابل اعتماد است و نسبتاً به خوبی درک شده است، بنابراین انتظار نداشته باشید به این زودی‌ها ناپدید شود.

توهم

این می تواند یک دارایی یا یک بدهی باشد. هوش مصنوعی که از او خواسته می شود تا هنر اصیل یا مشتق شده را ایجاد کند، خروجی خود را توهم می کند. می توان به یک LLM گفت که یک شعر عاشقانه به سبک یوگی برا بنویسد، و با خوشحالی این کار را خواهد کرد - علیرغم اینکه چنین چیزی در هیچ کجای مجموعه داده وجود ندارد. اما زمانی که یک پاسخ واقعی مورد نظر باشد، می تواند مسئله ای باشد. مدل ها با اطمینان پاسخی را ارائه می دهند که نیمه واقعی و نیمی توهم است. در حال حاضر هیچ راه آسانی برای تشخیص اینکه کدام است وجود ندارد، به جز اینکه خودتان بررسی کنید، زیرا خود مدل در واقع نمی‌داند چه چیزی «درست» یا «نادرست» است، فقط سعی می‌کند یک الگو را به بهترین شکل ممکن تکمیل کند.

هوش مصنوعی عمومی یا هوش مصنوعی قوی

مطمئناً این یک ایده ترسناک است و فیلم‌هایی مانند «ماتریکس» و «ترمیناتور» به بررسی این موضوع پرداخته‌اند که اگر هوش مصنوعی از کنترل خارج شود و تلاش کند بشریت را از بین ببرد یا به بردگی بکشد، چه اتفاقی ممکن است بیفتد. اما این داستان ها بر اساس واقعیت نیستند. ظاهر هوشی که در چیزهایی مانند ChatGPT می‌بینیم، عملی تأثیرگذار است، اما با استدلال انتزاعی و فعالیت چند دامنه‌ای پویا که ما با هوش «واقعی» مرتبط می‌کنیم، اشتراک چندانی ندارد. در حالی که پیش بینی چگونگی پیشرفت چیزها تقریبا غیرممکن است، ممکن است فکر کردن به AGI به عنوان چیزی شبیه سفر فضایی بین ستاره ای مفید باشد: همه ما این مفهوم را درک می کنیم و ظاهراً در حال کار روی آن هستیم، اما در عین حال به طرز باورنکردنی از آن فاصله داریم. دستیابی به هر چیزی شبیه آن و با توجه به منابع عظیم و پیشرفت های علمی اساسی مورد نیاز، هیچ کس قرار نیست به طور ناگهانی آن را به طور تصادفی انجام دهد!

AGI جالب است که در مورد آن فکر کنید، اما مشکلی برای قرض گرفتن وجود ندارد

n، همانطور که مفسران اشاره می کنند، هوش مصنوعی در حال حاضر با وجود محدودیت هایش و در واقع تا حد زیادی به دلیل آن، تهدیدات واقعی و پیامدی را امروز ارائه می کند. هیچ‌کس اسکای‌نت را نمی‌خواهد، اما برای ایجاد آسیب واقعی به یک ابراطلاعات مجهز به سلاح‌های هسته‌ای نیاز ندارید: امروزه مردم شغل خود را از دست می‌دهند و گرفتار حقه‌ها می‌شوند. اگر ما نتوانیم این مشکلات را حل کنیم، چه شانسی در برابر T-1000 داریم؟

اخلاق مداران به نامه "مکث هوش مصنوعی" که می گویند "مضرات واقعی را نادیده می گیرد" پاسخ دادند.

هوش مصنوعی چگونه بر صنایع تأثیر می گذارد؟

 چشم انداز پویا فناوری و نوآوری، مطالعه اطلاعات مصنوعی (AI) به عنوان یک انتخاب قانع کننده برای دانش آموزان و متخصصان به شکل مشابه ظاهر شده است. همان طور که ما به سال ۲۰۲۳ می رسیم، اهمیت هوش مصنوعی همچنان رشد می کند، بر صنایع مختلف تأثیر می گذارد و شیوه زندگی و کار را تغییر می دهد.اینکه آیا در مورد مسیر دانشگاهی خود را در نظر می گیرید یا به دنبال ارتقاء مهارت های خود هستید، در اینجا دلایل قانع کننده ای وجود دارد که چرا مطالعه اطلاعات مصنوعی در سال ۲۰۲۳ می تواند یک تصمیم تغییر دهنده بازی باشد.

هوش مصنوعی با خودکار کردن وظایف، بهبود کارایی و فعال کردن بینش‌های مبتنی بر داده، بر صنایع تأثیر عمیقی می‌گذارد. در مراقبت های بهداشتی، به تشخیص و کشف دارو کمک می کند. امور مالی برای کشف و تجارت تقلب به هوش مصنوعی متکی است. تولید از تعمیر و نگهداری پیش بینی سود می برد. هوش مصنوعی تجربیات مشتری را افزایش می دهد و بازاریابی در خرده فروشی را شخصی می کند. حمل و نقل را با خودروهای خودران متحول می کند. در سراسر بخش‌ها، فناوری‌های هوش مصنوعی در حال تغییر شکل عملیات و ایجاد نوآوری هستند.

بازار کار هوش مصنوعی در حال رونق است و پیش بینی می شود در سال های آینده به رشد خود ادامه دهد. شرکت ها فعالانه به دنبال کارشناسان هوش مصنوعی برای توسعه و پیاده سازی استراتژی های مبتنی بر هوش مصنوعی هستند. نقش هایی مانند مهندس هوش مصنوعی، دانشمند داده و متخصص یادگیری ماشین.محققان هوش مصنوعی تقاضای زیادی در شرکت‌ها دارند و بسته‌های جبرانی جذاب و فرصت‌هایی برای پیشرفت شغلی ارائه می‌دهند. با مطالعه دوره های هوش مصنوعی، موقعیت شغلی خود را در مسیر شغلی ارزشمند و ایمن پیدا می کنید.

هوش مصنوعی در مقابله با مشکلات پیچیده ای که اغلب از رویکردهای سنتی دوری می کنند، برتری دارد. از طریق الگوریتم‌های پیشرفته و تجزیه و تحلیل داده‌ها، هوش مصنوعی می‌تواند الگوها را کشف کند، پیش‌بینی کند و بینش‌هایی ارائه دهد که تصمیم‌گیری آگاهانه را هدایت می‌کند. هوش مصنوعی چه در بهینه‌سازی زنجیره‌های تامین، پیش‌بینی شیوع بیماری یا افزایش تجربیات مشتری باشد، هوش مصنوعی به شما این امکان را می‌دهد تا با پرداختن به برخی از چالش‌های مهم آن به طور معناداری به جامعه کمک کنید.

پیشرفت سریع هوش مصنوعی پیامدهای اخلاقی را به همراه دارد که نیاز به بررسی دقیق دارد. از سوگیری در الگوریتم‌ها تا نگرانی‌های مربوط به حفظ حریم خصوصی داده‌ها، مطالعه هوش مصنوعی شما را با ابزارهایی برای عبور از این معضلات پیچیده اخلاقی مجهز می‌کند. با درک ابعاد اخلاقی هوش مصنوعی، می‌توانید به توسعه مسئولانه آن کمک کنید و به شکل‌دهی سیاست‌هایی کمک کنید که اطمینان حاصل شود که هوش مصنوعی به طور کلی به نفع جامعه است.

آینده هوش مصنوعی

حوزه هوش مصنوعی همواره در حال پیشرفت است و آن را به یک انتخاب ایده آل برای زبان آموزان مادام العمر تبدیل می کند. تحقیقات مستمر و پیشرفت های تکنولوژیکی به این معنی است که همیشه چیز جدیدی برای کشف و کشف وجود دارد. مطالعه هوش مصنوعی نه تنها شما را به دانش فعلی مجهز می کند، بلکه ذهنیت سازگاری و کنجکاوی را القا می کند که در طول حرفه شما به خوبی به شما خدمت خواهد کرد.

جامعه هوش مصنوعی پر جنب و جوش و در سطح جهانی مرتبط است. با پیوستن به این انجمن، به کنفرانس ها، کارگاه ها، انجمن های آنلاین و همکاری هایی که از مرزهای جغرافیایی فراتر می روند دسترسی پیدا می کنید. شبکه‌سازی با دیگر علاقه‌مندان و متخصصان هوش مصنوعی به شما این امکان را می‌دهد که از آخرین پیشرفت‌ها به‌روز باشید و ارتباطات ارزشمندی ایجاد کنید که می‌تواند سفر تحصیلی و حرفه‌ای شما را شکل دهد.

هوش مصنوعی یا هوش مصنوعی فوق العاده همه کاره است. این یک فناوری است که هوش انسانی را شبیه‌سازی می‌کند و می‌تواند کارهایی را انجام دهد که معمولاً به هوش انسانی نیاز دارند، مانند درک زبان طبیعی، تشخیص الگوها، تصمیم‌گیری و حتی یادگیری از تجربه. تطبیق پذیری هوش مصنوعی در سراسر صنایع مشهود است - از مراقبت های بهداشتی گرفته تا امور مالی، سرگرمی تا تولید. در دنیایی که توسط داده ها و اتوماسیون هدایت می شود، تطبیق پذیری هوش مصنوعی آن را به نیرویی دگرگون کننده با پتانسیل بی حد و حصر تبدیل می کند.

4. چند کاربرد هوش مصنوعی در زندگی روزمره چیست؟
کاربردهای هوش مصنوعی در زندگی روزمره عبارتند از:

دستیارهای مجازی مانند سیری و الکسا که به دستورات صوتی و بازیابی اطلاعات کمک می کنند.
الگوریتم های رسانه های اجتماعی که محتوای شخصی سازی شده را برای کاربران تنظیم می کند.
سیستم‌های توصیه در پلتفرم‌های پخش، پیشنهاد فیلم و نمایش بر اساس سابقه مشاهده.
  موسسات مالی از سیستم های کشف تقلب برای شناسایی تراکنش های مشکوک استفاده می کنند.
تشخیص مراقبت های بهداشتی مبتنی بر هوش مصنوعی برای تشخیص بیماری و برنامه ریزی درمان.

زبان های برنامه نویسی برای یادگیری هوش مصنوعی

پایتون، لیسپ، جاوا، سی++ و R زبان های برنامه نویسی محبوب برای توسعه AI هستند. توسعه دهندگان  از اینهابرای ایجاد نرم افزار، برنامه ها و وب سایت ها استفاده می کنند. زبان های برنامه نویسی های مختلف دارای سنک، ساختار و قابلیت خاص خود هستند که آن ها را برای وظایف و پروژه های خاص مناسب می سازد. یادگیری و درک زبان های برنامه نویسی برای توسعه دهندگان ضروری است که کد کارآمد و مؤثر را بنویسند و همچنین همکاری با دیگر توسعه دهندگان در پروژه ها را بنویسند. در اینجا پنج زبان برنامه نویسی برای یادگیری توسعه هوش مصنوعی وجود دارد.

 

پایتون

 

پایتون به دلیل سادگی، قابل خواندن و قابلیت بودن آن، یک انتخاب محبوب برای توسعه هوش مصنوعی است. این یک بزرگ است مجموعه کتابخانه و چارچوب هایی برای یادگیری ماشین، پردازش زبان طبیعی و تجزیه و تحلیل داده ها از جمله تنسورفلو، کراس، پی تورچ، اسکیکیت-learn و NLTK.با کمک این ابزارها، می توان شبکه های عصبی را ایجاد و آموزش داد، با مجموعه های داده های بزرگ، زبان طبیعی تفسیر شده و بسیار بیشتر کار کرد.

 

Lisp

 

لیسپ (به انگلیسی: Lisp) یک زبان برنامه نویسی است که در اواخر دهه ۱۹۵۰ ایجاد شد و این زبان را یکی از قدیمی ترین زبان های برنامه نویسی که امروزه مورد استفاده است. لیسپ به خاطر سندیک منحصر به فرد خود و حمایت قدرتمندی آن از برنامه های کاربردی شناخته می شود.از آنجا که برای ایجاد برخی از اولین سیستم های هوش مصنوعی استفاده می شد، لیسپ به طور سنتی تأثیر قابل توجهی بر حوزه هوش مصنوعی داشت. لیسپ انتخاب خوبی برای تحقیقات و توسعه هوش مصنوعی است زیرا از محاسبات نمادین حمایت می کند و می تواند به عنوان داده ها کد را مدیریت کند.با وجود این که لیسپ به عنوان برخی از دیگر زبهای مورد بحث در توسعه هوش مصنوعی استفاده نمی شود، با این حال، این موضوع در میان کارشناسان هوش مصنوعی است. ویژگی های بیان و پیچیدگی لیزپ توسط بسیاری از محققان و توسعه دهندگان هوش مصنوعی ارزش گذاری شده است. اطلاعات مصنوعی مشترک لیسپ (CLAI) و استاندارد قابل حمل لیسپ (PSL) دو چارچوب و کتابخانه های شناخته شده AI هستند که در لیسپ اجرا می شوند

جاوا

 

جاوا یک زبان برنامه نویسی عمومی است که اغلب در توسعهٔ کاربردهای هوش مصنوعی سازمانی در مقیاس بزرگ استفاده می شود. به دلیل شهرت جاواس برای امنیت، قابلیت وابستگی و مقیاس پذیری، اغلب برای ایجاد سیستم های هوش مصنوعی پیچیده که باید حجم گسترده ای را مدیریت کند، استفاده می شود.

Deeplearning4j, Weka و Java-ML تنها تعدادی از کتابخانه ها و چارچوب های توسعه AI در جاوا هستند. با کمک این ابزارها ممکن است شبکه های عصبی، داده های پردازش و کار با الگوریتم های یادگیری ماشین را ایجاد و آموزش دهید.علاوه بر این جاوا یک جایگزین مناسب برای ایجاد برنامه های AI است که در چندین دستگاه یا در زمینه های توزیع شده به دلیل آزادی پلتفرم و حمایت از محاسبات توزیع شده عمل می کند. با توجه به پذیرش جاوا در توسعه سازمانی، یک جامعه توسعه دهنده جاوا و ثروت مواد برای کسانی که می خواهند توسعه AI را در جاوا آغاز کنند، در دسترس است.

 

 

C+

 در حال توسعه AI، C+++ یک زبان برنامه نویسی با کارایی بالا است که اغلب مورد استفاده قرار می گیرد، به ویژه زمانی که الگوریتم ها و مدل هایی که باید سریع و مؤثر باشند. به دلیل کنترل سخت افزار سطح پایین، C+++ اغلب برای ایجاد سیستم های هوش مصنوعی که نیاز به کنترل دقیق بر روی حافظه و منابع پردازنده دارند استفاده می شود.تنسور فلو، کاف و MXNet تنها تعدادی از کتابخانه ها و فریمهایی برای توسعه AI در C+++ هستند. با کمک این ابزارها ممکن است شبکه های عصبی، داده های پردازش و کار با الگوریتم های یادگیری ماشین را ایجاد و آموزش دهید.

C+++ همچنین در صنعت بازی محبوب است، جایی که برای ساخت موتورهای بازی های واقعی و کتابخانه های گرافیکی استفاده می شود. این تجربه به توسعه برنامه های هوش مصنوعی که نیاز به پردازش واقعی دارند، مانند وسایل نقلیه خودمختار یا رباتیک. اگرچه C+++ می تواند از برخی از زبان های دیگر سخت تر باشد، اما قدرت و سرعت آن آن را به یک انتخاب محبوب برای ساخت سیستم های هوش مصنوعی با کارایی بالا تبدیل می کند.

 

 

R

 

R یک محیط نرم افزار و برای محاسبات آماری و گرافیکی است. R به طور گسترده در زمینه توسعه هوش مصنوعی به ویژه برای مدل سازی آماری و تجزیه و تحلیل داده استفاده می شود. R به دلیل حمایت قوی از تحلیل آماری و تجسم مدل های یادگیری ماشین به دلیل حمایت قوی از تحلیل آماری و تجسم است.کرت، mlr و h2o فقط چند کتابخانه و قاب های موجود در R برای توسعه AI هستند. ساخت و آموزش شبکه های عصبی، با استفاده از روش های یادگیری ماشین و پردازش داده ها توسط این فناوری ها امکان پذیر است.در دنیای دانشگاهی، جایی که تحقیقات و تجزیه و تحلیل داده ها مشترک است، R نیز به خوبی شبیه است. محققان که می خواهند تجزیه های داده های پیچیده ای را انجام دهند یا مدل های پیش بینی را ایجاد کنند، اغلب به دلیل رابط کاربر دوست و توانایی های تحلیلی آماری قوی از آن استفاده می کنند.

 

کدام زبان برنامه نویسی در توسعه DAP استفاده می شود؟

 

فناوری زنجیره بلوکی به عنوان یک نیروی مختل در سراسر صنایع، از مالی تا مراقبت های بهداشتی تا مدیریت زنجیره تأمیندر نتیجه، تقاضای رو به رشد برای توسعه دهندگان با تخصص در زبان های برنامه نویسی زنجیره بلاک وجود دارد.همبستگی یکی از محبوب ترین افراد است زبان های برنامه نویسی برای ایجاد قراردادهای هوشمند در زنجیره بلوط اتر، در حالی که جاواس اسکریپت اغلب برای ایجاد استفاده می شود برنامه های غیر متمرکز (DApps)پایتون یک زبان انعطاف پذیر است که برای کارهای مختلف مربوط به زنجیره های بلاک از طراحی پلتفرم های تحلیلی تا ایجاد قراردادهای هوشمند استفاده می شود، در حالی که گو و C++ جایگزین های محبوب برای ایجاد سیستم های زنجیره با کارایی بالا هستند.قابل تصور است که زبان های برنامه نویسی جدید ممکن است در پاسخ به نیاز توسعه دهندگان که در این موضوع جذاب و سریع در حال گسترش هستند، توسعه یابند.

هوش ، قوی, ضعیف , هوش مصنوعی کاربردی

هوش مصنوعی  ضعیف (به انگلیسی: Weak AI) که به آن هوش مصنوعی باریک نیز می‌گویند – هوش مصنوعی آموزش دیده و متمرکز برای انجام وظایف خاص است. در واقع  هوش مصنوعی ضعیف  بیشتر هوش مصنوعی را که امروز ما را احاطه کرده است هدایت می کند. «Narrow» ممکن است توصیف دقیق‌تری برای این نوع هوش مصنوعی باشد، زیرا چیزی جز ضعیف است. برخی از برنامه های بسیار قوی مانند سیری اپل، الکسای آمازون، آی بی ام واتسون و وسایل نقلیه خودران را فعال می کند. یک سیستم هوش مصنوعی است که برای تکمیل یک کار خاص طراحی و آموزش داده شده است. ربات های صنعتی و دستیاران شخصی مجازی مانند سیری اپل از هوش مصنوعی ضعیف استفاده می کنند.

هوش مصنوعی قوی از هوش عمومی مصنوعی (AGI) و هوش مصنوعی فوق العاده (ASI) تشکیل شده است. هوش مصنوعی عمومی، شکلی نظری از هوش مصنوعی است که در آن یک ماشین دارای هوشی برابر با انسان است. این یک آگاهی خودآگاه است که توانایی حل مشکلات، یادگیری و برنامه ریزی برای آینده را دارد. ابر هوش مصنوعی (ASI) که به عنوان ابر هوش نیز شناخته می شود، از هوش و توانایی مغز انسان پیشی می گیرد. در حالی که هوش مصنوعی قوی هنوز کاملاً تئوری است و امروزه هیچ نمونه عملی در آن استفاده نمی شود، این بدان معنا نیست که محققان هوش مصنوعی نیز در حال بررسی توسعه آن نیستند. (AGI) که به عنوان هوش قوی مصنوعی (AGI) نیز شناخته می شود، برنامه هایی را توصیف می کند که می تواند توانایی های شناختی مغز انسان را تکرار کند. هنگامی که یک کار ناآشنا ارائه می شود، یک سیستم هوش مصنوعی قوی می تواند استفاده کند منطق فازی برای اینکه دانش را از یک حوزه به یک حوزه دیگر و برای پیدا کردن راه حل به طور مستقل کمک کند.

---