هوش مصنوعی
زمان مطالعه: 10 دقیقه از 5

هوش مصنوعی

هوش مصنوعی چیست؟

?What is the Artificial intelligence

هوش مصنوعی (AI) ابزار گسترده‌ای است که به مردم امکان می‌دهد درباره نحوه ادغام اطلاعات، تجزیه و تحلیل داده‌ها و استفاده از بینش‌های حاصله برای بهبود تصمیم‌گیری تجدیدنظر کنند - و در حال حاضر در حال تغییر در هر جنبه‌ای از زندگی است. در این گزارش، دارل وست و جان آلن در مورد کاربرد هوش مصنوعی در بخش‌های مختلف بحث می‌کنند، به مسائل مربوط به توسعه آن می‌پردازند، و توصیه‌هایی برای بهره‌گیری از هوش مصنوعی و در عین حال حفظ ارزش‌های مهم انسانی ارائه می‌دهند.

بیشتر مردم با مفهوم هوش مصنوعی (AI) آشنایی چندانی ندارند. به عنوان مثال، وقتی از 1500 رهبر ارشد تجاری در ایالات متحده در سال 2017 در مورد هوش مصنوعی سؤال شد، تنها 17 درصد گفتند که با آن آشنایی دارند.1 تعدادی از آنها مطمئن نبودند که چیست و چگونه بر شرکت های خاص آنها تأثیر می گذارد. آنها درک کردند که پتانسیل قابل توجهی برای تغییر فرآیندهای تجاری وجود دارد، اما روشن نبودند که چگونه هوش مصنوعی می تواند در سازمان خود مستقر شود.
علیرغم عدم آشنایی گسترده، هوش مصنوعی فناوری است که هر بخش از زندگی را متحول می کند. این ابزار گسترده ای است که به افراد امکان می دهد درباره نحوه ادغام اطلاعات، تجزیه و تحلیل داده ها و استفاده از بینش های حاصل برای بهبود تصمیم گیری تجدید نظر کنند. امید ما از طریق این بررسی اجمالی جامع این است که هوش مصنوعی را برای مخاطبانی از سیاست گذاران، رهبران افکار و ناظران علاقه مند توضیح دهیم و نشان دهیم که چگونه هوش مصنوعی در حال حاضر جهان را تغییر می دهد و سؤالات مهمی را برای جامعه، اقتصاد و حکومت مطرح می کند.
در این مقاله، ما در مورد برنامه‌های کاربردی جدید در امور مالی، امنیت ملی، مراقبت‌های بهداشتی، عدالت کیفری، حمل‌ونقل و شهرهای هوشمند بحث می‌کنیم و به مسائلی مانند مشکلات دسترسی به داده‌ها، سوگیری الگوریتمی، اخلاق و شفافیت هوش مصنوعی، و مسئولیت قانونی برای تصمیمات هوش مصنوعی می‌پردازیم. ما با رویکردهای نظارتی ایالات متحده و اتحادیه اروپا مخالفت می کنیم و با ارائه تعدادی توصیه برای حداکثر استفاده از هوش مصنوعی در حالی که همچنان از ارزش های مهم انسانی محافظت می کنیم، پایان می دهیم.

به منظور به حداکثر رساندن مزایای هوش مصنوعی، ما 9 مرحله را برای پیشرفت توصیه می کنیم:

تشویق به دسترسی بیشتر به داده‌ها برای محققان بدون به خطر انداختن حریم خصوصی کاربران،

سرمایه گذاری بیشتر دولت در تحقیقات طبقه بندی نشده هوش مصنوعی،

مدل های جدید آموزش دیجیتال و توسعه نیروی کار هوش مصنوعی را ترویج دهید تا کارکنان مهارت های مورد نیاز در اقتصاد قرن بیست و یکم را داشته باشند.
ایجاد یک کمیته مشاوره فدرال هوش مصنوعی برای ارائه توصیه های سیاستی،

با مقامات ایالتی و محلی تعامل کنید تا آنها سیاست های مؤثری را اعمال کنند،

به جای الگوریتم های خاص، اصول گسترده هوش مصنوعی را تنظیم کنید،

شکایات سوگیری را جدی بگیرید تا هوش مصنوعی بی عدالتی تاریخی، بی عدالتی یا تبعیض در داده ها یا الگوریتم ها را تکرار نکند،

مکانیسم های نظارت و کنترل انسانی را حفظ کند و رفتار مخرب هوش مصنوعی را جریمه کنید و امنیت سایبری را ارتقا دهید.

هوش مصنوعی که یادگیری ماشین نیز نامیده می‌شود، نوعی سیستم نرم‌افزاری مبتنی بر شبکه‌های عصبی است، تکنیکی که در واقع دهه‌ها پیش پیشگام بود، اما اخیراً به لطف منابع محاسباتی قدرتمند جدید شکوفا شده است. هوش مصنوعی تشخیص موثر صدا و تصویر و همچنین توانایی تولید تصاویر مصنوعی و گفتار را فعال کرده است. و محققان به سختی در تلاش هستند تا این امکان را برای یک هوش مصنوعی فراهم کنند تا وب گردی کند، بلیط رزرو کند، دستور العمل ها را تغییر دهد و موارد دیگر.اوه، اما اگر نگران افزایش ماشین‌ها از نوع ماتریکس هستید، نگران نباشید. بعداً در مورد آن صحبت خواهیم کرد!

راهنمای ما برای هوش مصنوعی دارای سه بخش اصلی است که هر کدام را به طور منظم به روز می کنیم و می توان آنها را به هر ترتیبی خواند:
اول، اساسی‌ترین مفاهیمی که باید بدانید و همچنین مفاهیمی که اخیراً مهم‌تر هستند. در مرحله بعد، مروری بر بازیگران اصلی هوش مصنوعی و چرایی اهمیت آنها. و در آخر، فهرستی از سرفصل‌ها و پیشرفت‌های اخیر که باید از آنها آگاه باشید.در پایان این مقاله شما به همان اندازه به روز خواهید بود که هر کسی می تواند این روزها امیدوار باشد. ما همچنین با فشار بیشتر به عصر هوش مصنوعی، آن را به‌روزرسانی و گسترش خواهیم داد.
و یک چیز را که می‌خواهیم در ابتدا روشن کنیم: اگرچه به آن «هوش مصنوعی» می‌گویند، این اصطلاح کمی گمراه‌کننده است. هیچ تعریف مشخصی از هوش وجود ندارد، اما کاری که این سیستم‌ها انجام می‌دهند قطعاً به ماشین‌حساب‌ها نزدیک‌تر است تا مغز. ورودی و خروجی این ماشین حساب بسیار انعطاف پذیرتر است. ممکن است به هوش مصنوعی مانند نارگیل مصنوعی فکر کنید - این هوش تقلیدی است.


هوش مصنوعی (AI) به شبیه سازی هوش انسانی توسط اکتشافی کدگذاری شده با نرم افزار اشاره دارد. امروزه این کد در همه چیز از برنامه‌های مبتنی بر ابر، برنامه‌های کاربردی سازمانی گرفته تا برنامه‌های مصرف‌کننده و حتی سیستم‌افزار تعبیه‌شده رایج است.ویژگی ایده آل هوش مصنوعی توانایی آن در منطقی کردن و انجام اقداماتی است که بیشترین شانس را برای دستیابی به یک هدف خاص دارد. زیرمجموعه‌ای از هوش مصنوعی، یادگیری ماشینی (ML) است، که به مفهومی اشاره دارد که برنامه‌های رایانه‌ای می‌توانند به طور خودکار از داده‌های جدید بیاموزند و بدون کمک انسان با آنها سازگار شوند. تکنیک‌های یادگیری عمیق این یادگیری خودکار را از طریق جذب مقادیر عظیمی از داده‌های ساختار نیافته مانند متن، تصاویر یا ویدیو امکان‌پذیر می‌سازد. هوش مصنوعی شبیه سازی فرایندهای هوش انسان توسط دستگاه ها به ویژه سیستم‌های کامپیوتری است. برنامه های خاص هوش مصنوعی شامل سیستم‌های پردازش زبان طبیعی، تشخیص گفتار و...است.در مورد این موضوع می توانید به مقاله چرا هوش مصنوعی انقدر که ما فکر میکنیم هوشمند نیست مراجعه کنید.

آشنایی با هوش مصنوعی (AI)

وقتی بیشتر مردم اصطلاح هوش مصنوعی را می‌شنوند، اولین چیزی که معمولاً به آن فکر می‌کنند ربات‌ها هستند. دلیلش این است که فیلم‌ها و رمان‌های پرهزینه داستان‌هایی درباره ماشین‌های انسان‌مانند می‌بافند که بر روی زمین ویران می‌کنند. اما هیچ چیز نمی تواند دور از حقیقت باشد. هوش مصنوعی بر این اصل استوار است که هوش انسانی را می‌توان به گونه‌ای تعریف کرد که یک ماشین بتواند به راحتی آن را تقلید کند و وظایفی از ساده‌ترین تا پیچیده‌تر را انجام دهد. اهداف هوش مصنوعی شامل تقلید از فعالیت های شناختی انسان است. محققان و توسعه دهندگان در این زمینه در تقلید از فعالیت هایی مانند یادگیری، استدلال و ادراک، تا حدی که بتوان آنها را به طور مشخص تعریف کرد، گام های شگفت انگیزی سریع برداشته اند. برخی بر این باورند که مبتکران ممکن است به زودی قادر به توسعه سیستم هایی باشند که از ظرفیت انسان برای یادگیری یا استدلال هر موضوعی فراتر باشد. اما برخی دیگر بدبین هستند زیرا تمام فعالیت های شناختی با قضاوت های ارزشی همراه است که تابع تجربه انسانی است.

با پیشرفت فناوری، معیارهای قبلی که هوش مصنوعی را تعریف می کردند، قدیمی می شوند. برای مثال، ماشین‌هایی که توابع اولیه را محاسبه می‌کنند یا متن را از طریق تشخیص کاراکتر نوری تشخیص می‌دهند، دیگر به عنوان تجسم هوش مصنوعی در نظر گرفته نمی‌شوند.هوش مصنوعی به طور مداوم در حال تکامل است تا به نفع بسیاری از صنایع مختلف باشد. ماشین‌ها با استفاده از یک رویکرد بین رشته‌ای مبتنی بر ریاضیات، علوم رایانه، زبان‌شناسی، روان‌شناسی و موارد دیگر سیم‌کشی می‌شوند. الگوریتم‌ها اغلب نقش بسیار مهمی در ساختار هوش مصنوعی بازی می‌کنند، جایی که الگوریتم‌های ساده در برنامه‌های کاربردی ساده استفاده می‌شوند، در حالی که الگوریتم‌های پیچیده‌تر به چارچوب‌بندی هوش مصنوعی قوی کمک می‌کنند.


                                                                                                      


تاریخچه هوش مصنوعی: تاریخ ها و نام های کلیدی

ایده ماشینی به یونان باستان برمی گردد. اما از زمان ظهور محاسبات الکترونیکی رویدادها و نقاط عطف مهم در تکامل هوش مصنوعی شامل موارد زیر است:

1950: آلن تورینگ ماشین‌های محاسباتی را منتشر کرد .تورینگ - که به دلیل شکستن کد ENIGMA نازی ها در طول جنگ جهانی دوم مشهور است - پیشنهاد می کند به این سوال پاسخ دهد که آیا ماشین ها می توانند فکر کنند؟ و تست تورینگ را برای تعیین اینکه آیا کامپیوتر می تواند همان هوش (یا نتایج همان هوش) را با یک انسان نشان دهد، معرفی می کند. ارزش آزمون تورینگ از آن زمان تاکنون مورد بحث بوده است.

1956: جان مک کارتی در اولین کنفرانس هوش مصنوعی در کالج دارتموث، اصطلاح «هوش مصنوعی» را به کار برد. در اواخر همان سال، آلن نیول، جی سی شاو و هربرت سایمون، نظریه منطقی، اولین برنامه نرم افزاری هوش مصنوعی را ایجاد کردند.

1967:در این سال  فرانک روزنبلات Perceptron Mark 1 را می سازد. اولین کامپیوتر مبتنی بر یک شبکه عصبی که با آزمون و خطا "یاد گرفت". فقط یک سال بعد، ماروین مینسکی و سیمور پیپرت کتابی با عنوان پرسپترون‌ها منتشر کردند که هم به کار برجسته در مورد شبکه‌های عصبی تبدیل شد و هم حداقل برای مدتی به استدلالی علیه پروژه‌های تحقیقاتی شبکه‌های عصبی آینده تبدیل شد.

 1980: شبکه‌های عصبی که از پس انتشار استفاده می‌کنند. الگوریتم تمرین خود به طور گسترده در برنامه های کاربردی هوش مصنوعی مورد استفاده قرار گرفت.

1997: IBM Deep Blue در یک مسابقه شطرنج (و مسابقه مجدد) قهرمان شطرنج جهان، گری کاسپاروف را شکست داد. ابرکامپیوتر Minwa از نوع خاصی از شبکه عصبی عمیق به نام شبکه عصبی کانولوشنال برای شناسایی و دسته‌بندی تصاویر با دقت بالاتری نسبت به یک انسان معمولی استفاده می‌کند.

هوش مصنوعی چگونه کار می کند؟

فروشندگان برای ترویج نحوه استفاده از محصولات و خدمات خود از هوش مصنوعی بهره میبرند. اغلب چیزی که به عنوان هوش مصنوعی یاد می کنند تنها یک جزء از هوش مصنوعی است.به طور کلی، سیستم های هوش مصنوعی با استفاده از مقادیر زیادی از داده های آموزشی برچسب گذاری شده، تجزیه و تحلیل داده ها برای همبستگی الگوها و استفاده از این الگوها برای پیش بینی در مورد  آینده کار بهره میبرند . به این ترتیب، یک چت بوت که نمونه های تغذیه شده از چت های متنی است می تواند برای ایجاد تبادلات زندگی با مردم یادبگیرد، یا یک ابزار تشخیص تصویر می تواند با بررسی میلیون ها نمونه، شناسایی و توصیف اشیاء در تصاویر را با بررسی میلیون ها نمونه یاد بگیرد. برنامه های هوش مصنوعی بر سه مهارت شناختی تمرکز دارد: یادگیری، استدلال و خود اصلاح کنندگی
برای اموزش هوش مصنوعی می توانید از زبان های ابتدایی ان همانند پایتونPHP , بوت استرپتhtml 5css3 و... را اموزش ببینید با پشتیبانی 24 ساعته و پروژه محور بهترین دوره ها را از سایت ماتهیه کنید . همچنین یک مژده برای علاقه مندان به دوره های برنامه نویسی طراحی سایت ما دو دوره برایتان اماده کرده ایم دوره اول دوره مقدماتی طراحی سایت و دوره دوم برنامه نویسی وب، طراحی سایت از مقدماتی تا پیشرفته ( پروژه محور) .

• هوش مصنوعی (AI) به شبیه سازی یا تقریب هوش انسانی در ماشین ها اشاره دارد.

• اهداف هوش مصنوعی شامل یادگیری، استدلال، و ادراک با رایانه است.

• هوش مصنوعی امروزه در صنایع مختلف از مالی تا مراقبت های بهداشتی استفاده می شود.

• هوش مصنوعی ضعیف معمولاً ساده و تک کاره است، در حالی که هوش مصنوعی قوی کارهایی را انجام می دهد که پیچیده تر و شبیه انسان هستند.

• برخی از منتقدان می ترسند که استفاده گسترده از هوش مصنوعی پیشرفته می تواند تأثیر منفی بر جامعه داشته باشد.


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

در سال 1950 تورینگ بحث سنتی در مورد تعریف هوش را کنار گذاشت و یک آزمون عملی برای هوش کامپیوتری ارائه کرد که اکنون به سادگی به عنوان تست تورینگ شناخته می شود. آزمون تورینگ شامل سه شرکت کننده است: یک کامپیوتر، یک بازجوی انسانی و یک فویل انسانی. بازجو سعی می کند با پرسیدن سوال از دو شرکت کننده دیگر مشخص کند که کامپیوتر چیست. تمام ارتباطات از طریق صفحه کلید و صفحه نمایش است. بازجو ممکن است هر طور که دوست دارد سؤالات نافذ و گسترده ای بپرسد و رایانه مجاز است هر کاری که ممکن است برای شناسایی اشتباه انجام دهد. (مثلاً، رایانه ممکن است در پاسخ به «آیا شما رایانه‌ای؟» پاسخ دهد، «نه» و ممکن است به دنبال درخواست ضرب یک عدد بزرگ در دیگری با مکث طولانی و پاسخ نادرست باشد.) فویل باید کمک کند. بازجو برای شناسایی صحیح تعدادی از افراد مختلف نقش بازجو و فویل را بازی می‌کنند و اگر تعداد کافی از بازجوها نتوانند از هم تفکیک کنند.
کامپیوتر را از انسان خارج کنید، سپس (طبق نظر طرفداران تست تورینگ) کامپیوتر موجودی باهوش و متفکر در نظر گرفته می شود. در سال 1991، نیکوکار آمریکایی، هیو لوبنر، مسابقه سالانه جایزه لوبنر را آغاز کرد و وعده پرداخت 100000 دلاری به اولین رایانه را داد. قبولی در آزمون تورینگ و اعطای 2000 دلار هر سال به بهترین تلاش. با این حال، هیچ برنامه هوش مصنوعی به موفقیت در آزمون تورینگ رقیق نشده نزدیک نشده است. در اواخر سال 2022، ظهور ChatGPT گفتگوها را در مورد احتمال برآورده شدن مؤلفه‌های آزمون تورینگ برانگیخت.

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 انگلیسیدو 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

مزایا و معایب هوش مصنوعی
برنامه هوش مصنوعی برنامه ای است که توانایی یادگیری و تفکر را دارد. ممکن است هر چیزی را هوش مصنوعی بدانیم اگر شامل برنامه ای باشد که وظیفه ای را انجام می دهد که ما معمولاً فرض می کنیم یک انسان انجام می دهد.

در حالی که هوش مصنوعی مزایای زیادی دارد، معایبی نیز دارد. مزایای هوش مصنوعی شامل کارایی از طریق اتوماسیون وظایف، تجزیه و تحلیل داده ها برای تصمیم گیری آگاهانه، کمک در تشخیص پزشکی و پیشرفت وسایل نقلیه خودران است. معایب هوش مصنوعی شامل جابجایی شغلی، نگرانی های اخلاقی در مورد تعصب و حریم خصوصی، خطرات امنیتی ناشی از هک، فقدان خلاقیت و همدلی شبیه انسان است.

بیایید با مزایای هوش مصنوعی شروع کنیم.

مزایای هوش مصنوعی
1. کاهش خطای انسانی
یکی از بزرگترین مزایای هوش مصنوعی این است که می تواند به میزان قابل توجهی خطاها را کاهش دهد و دقت و دقت را افزایش دهد. تصمیماتی که هوش مصنوعی در هر مرحله اتخاذ می کند با اطلاعات جمع آوری شده قبلی و مجموعه خاصی از الگوریتم ها تعیین می شود. هنگامی که به درستی برنامه ریزی شود، این خطاها را می توان به صفر کاهش داد.

مثال:
نمونه‌ای از کاهش خطای انسانی از طریق هوش مصنوعی، استفاده از سیستم‌های جراحی رباتیک است که می‌تواند روش‌های پیچیده را با دقت و دقت انجام دهد، خطر خطای انسانی را کاهش دهد و ایمنی بیمار در مراقبت‌های بهداشتی را بهبود بخشد.

2. خطرات صفر
یکی دیگر از مزایای بزرگ هوش مصنوعی این است که انسان ها می توانند با اجازه دادن به ربات های هوش مصنوعی بر بسیاری از خطرات غلبه کنند. خواه خنثی کردن بمب، رفتن به فضا، کاوش در عمیق‌ترین بخش‌های اقیانوس‌ها، ماشین‌هایی با بدنه‌های فلزی در طبیعت مقاوم هستند و می‌توانند در جو غیر دوستانه جان سالم به در ببرند. علاوه بر این، آنها می توانند با مسئولیت بیشتر کار دقیقی ارائه دهند و به راحتی فرسوده نشوند.

مثال:
یک نمونه از خطرات صفر، یک خط تولید کاملاً خودکار در یک مرکز تولیدی است. ربات ها تمام وظایف را انجام می دهند و خطر خطای انسانی و آسیب را در محیط های خطرناک از بین می برند.

3. در دسترس بودن 24x7
مطالعات زیادی وجود دارد که نشان می‌دهد انسان‌ها فقط ۳ تا ۴ ساعت در روز بازدهی دارند. انسان ها همچنین برای ایجاد تعادل بین زندگی کاری و شخصی خود به استراحت و استراحت نیاز دارند. اما هوش مصنوعی می تواند بدون وقفه بی پایان کار کند. آنها خیلی سریعتر از انسان ها فکر می کنند و چندین کار را همزمان با نتایج دقیق انجام می دهند. آنها حتی می توانند کارهای تکراری خسته کننده را به راحتی با کمک الگوریتم های هوش مصنوعی انجام دهند.

مثال:
نمونه ای از این چت ربات های پشتیبانی مشتری آنلاین است که می توانند در هر زمان و هر مکان به مشتریان کمک فوری ارائه دهند. با استفاده از هوش مصنوعی و پردازش زبان طبیعی، ربات‌های چت می‌توانند به سؤالات رایج پاسخ دهند، مشکلات را حل کنند، و مشکلات پیچیده را برای عوامل انسانی تشدید کنند، و از خدمات یکپارچه مشتریان در شبانه‌روز اطمینان حاصل کنند.

شغل AI/ML شما در گوشه و کنار است!
برنامه تحصیلات تکمیلی Caltech در برنامه هوش مصنوعی و MLEXPLORE
4. کمک دیجیتال
برخی از پیشرفته‌ترین شرکت‌ها از نظر فناوری با کاربرانی که از دستیارهای دیجیتالی استفاده می‌کنند، درگیر می‌شوند که نیاز به نیروی انسانی را از بین می‌برد. بسیاری از وب سایت ها از دستیارهای دیجیتال برای ارائه محتوای درخواستی کاربر استفاده می کنند. می‌توانیم در گفتگو با آنها درباره جستجوی خود صحبت کنیم. برخی از چت بات ها به گونه ای ساخته شده اند که تشخیص اینکه آیا با یک انسان صحبت می کنیم یا یک ربات چت را دشوار می کند.

مثال:
همه ما می دانیم که کسب و کارها دارای خدمه خدمات مشتری هستند که باید به شکها و نگرانی های مشتریان رسیدگی کنند. کسب و کارها می توانند یک ربات چت یا ربات صوتی ایجاد کنند که می تواند با استفاده از هوش مصنوعی به تمام سوالات مشتریان خود پاسخ دهد.

مطالب مرتبط: برترین روندهای بازاریابی دیجیتال

5. اختراعات جدید
عملاً در هر زمینه ای، هوش مصنوعی نیروی محرکه پشت نوآوری های متعددی است که به انسان ها در حل اکثر مسائل چالش برانگیز کمک می کند.

به عنوان مثال، پیشرفت‌های اخیر در فناوری‌های مبتنی بر هوش مصنوعی به پزشکان این امکان را داده است که سرطان سینه را در زنان در مراحل اولیه تشخیص دهند.

مثال:
نمونه دیگری از اختراعات جدید خودروهای خودران هستند که از ترکیبی از دوربین ها، حسگرها و الگوریتم های هوش مصنوعی برای هدایت جاده ها و ترافیک بدون دخالت انسان استفاده می کنند. خودروهای خودران پتانسیل بهبود ایمنی جاده ها، کاهش تراکم ترافیک و افزایش دسترسی برای افراد دارای معلولیت یا محدودیت حرکت را دارند. آنها توسط شرکت های مختلفی از جمله تسلا، گوگل و اوبر در حال توسعه هستند و انتظار می رود تحولی در حمل و نقل ایجاد کنند.

6. تصمیمات بی طرفانه
انسانها خواه ناخواه توسط احساسات هدایت می شوند. از سوی دیگر هوش مصنوعی عاری از احساسات و در رویکرد خود بسیار کاربردی و منطقی است. مزیت بزرگ هوش مصنوعی این است که هیچ دیدگاه مغرضانه ای ندارد که تصمیم گیری دقیق تر را تضمین می کند.

مثال:
نمونه ای از این سیستم های استخدام مبتنی بر هوش مصنوعی است که متقاضیان شغل را بر اساس مهارت ها و صلاحیت ها به جای جمعیت شناسی بررسی می کند. این به حذف تعصب در فرآیند استخدام کمک می کند و منجر به نیروی کار فراگیر و متنوع تر می شود.

7. کارهای تکراری انجام دهید
ما کارهای تکراری زیادی را به عنوان بخشی از کار روزانه خود انجام خواهیم داد، مانند از جمله موارد دیگر، اسناد و مدارک را از نظر ایراد بررسی می‌کند و یادداشت‌های سپاسگزاری را پست می‌کند. ما ممکن است از هوش مصنوعی برای خودکارسازی کارآمد این کارهای ساده و حتی حذف کارهای "خسته کننده" برای افراد استفاده کنیم و به آنها اجازه دهیم بر خلاقیت بیشتر تمرکز کنند.

مثال:
نمونه ای از آن استفاده از ربات ها در ساخت خطوط مونتاژ است که می توانند کارهای تکراری مانند جوشکاری، رنگ آمیزی و بسته بندی را با دقت و سرعت بالا انجام دهند، هزینه ها را کاهش دهند و کارایی را بهبود بخشند.

8. برنامه های روزانه
امروزه زندگی روزمره ما کاملاً به دستگاه های تلفن همراه و اینترنت وابسته است. ما از برنامه‌های مختلفی مانند Google Maps، Alexa، Siri، Cortana در ویندوز، OK Google، گرفتن سلفی، برقراری تماس، پاسخ دادن به ایمیل‌ها و غیره استفاده می‌کنیم. با استفاده از تکنیک‌های مختلف مبتنی بر هوش مصنوعی، می‌توانیم آب و هوای امروز را نیز پیش‌بینی کنیم. و روزهای پیش رو

مثال:
حدود 20 سال پیش، حتماً از شخصی که قبلاً آنجا بوده است، خواسته اید تا در زمان برنامه ریزی سفر، دستورالعمل هایی را ارائه دهد. اکنون تنها کاری که باید انجام دهید این است که از گوگل بپرسید بنگلور کجاست. بهترین مسیر بین شما و بنگلور به همراه موقعیت مکانی بنگلور در نقشه گوگل نمایش داده می شود.

9. هوش مصنوعی در موقعیت های مخاطره آمیز
یکی از مزایای اصلی هوش مصنوعی همین است. با ایجاد یک ربات هوش مصنوعی که می تواند وظایف خطرناکی را از طرف ما انجام دهد، می توانیم از بسیاری از محدودیت های خطرناکی که انسان ها با آن روبرو هستند، عبور کنیم. می توان از آن در هر نوع بلای طبیعی یا مصنوعی استفاده کرد، چه رفتن به مریخ، خنثی کردن بمب، کاوش در عمیق ترین مناطق اقیانوس ها، یا استخراج زغال سنگ و نفت.

مثال:
به عنوان مثال، انفجار در تاسیسات هسته ای چرنوبیل در اوکراین. همانطور که هر فردی که به هسته نزدیک می شد در عرض چند دقیقه از بین می رفت، در آن زمان هیچ ربات مجهز به هوش مصنوعی وجود نداشت که بتواند با کنترل آتش در مراحل اولیه آن در کاهش اثرات تشعشعات به ما کمک کند.

10. تصمیم گیری سریعتر
تصمیم گیری سریعتر یکی دیگر از مزایای هوش مصنوعی است. با خودکار کردن وظایف خاص و ارائه بینش در زمان واقعی، هوش مصنوعی می‌تواند به سازمان‌ها در تصمیم‌گیری سریع‌تر و آگاهانه‌تر کمک کند. این می تواند به ویژه در محیط های پرمخاطره، که در آن تصمیمات باید به سرعت و با دقت گرفته شود تا از خطاهای پرهزینه جلوگیری شود یا جان افراد را نجات دهد، ارزشمند باشد.

مثال:
مثالی از تصمیم‌گیری سریع‌تر، استفاده از تحلیل‌های پیش‌بینی مبتنی بر هوش مصنوعی در معاملات مالی است، که در آن الگوریتم‌ها می‌توانند حجم وسیعی از داده‌ها را در زمان واقعی تجزیه و تحلیل کنند و تصمیمات سرمایه‌گذاری آگاهانه را سریع‌تر از معامله‌گران انسانی اتخاذ کنند که در نتیجه بازدهی بهتر و کاهش ریسک‌ها را به همراه دارد.

11. شناسایی الگو
شناسایی الگو یکی دیگر از زمینه هایی است که هوش مصنوعی در آن برتری دارد. هوش مصنوعی با توانایی خود در تجزیه و تحلیل حجم وسیعی از داده ها و شناسایی الگوها و روندها، می تواند به کسب و کارها و سازمان ها کمک کند تا رفتار مشتری، روند بازار و سایر عوامل مهم را بهتر درک کنند. از این اطلاعات می توان برای تصمیم گیری بهتر و بهبود نتایج کسب و کار استفاده کرد.

مثال:
نمونه‌ای از شناسایی الگو، استفاده از هوش مصنوعی در تشخیص تقلب است، که در آن الگوریتم‌های یادگیری ماشینی می‌توانند الگوها و ناهنجاری‌ها را در داده‌های تراکنش شناسایی کرده و از فعالیت‌های متقلبانه جلوگیری کنند، امنیت را بهبود بخشند و زیان‌های مالی افراد و سازمان‌ها را کاهش دهند.

12. کاربردهای پزشکی
هوش مصنوعی همچنین با کاربردهای مختلف از تشخیص و درمان گرفته تا کشف دارو و آزمایش‌های بالینی، سهم قابل توجهی در زمینه پزشکی داشته است. ابزارهای مبتنی بر هوش مصنوعی می توانند به پزشکان و محققان کمک کنند تا داده های بیمار را تجزیه و تحلیل کنند، خطرات بالقوه سلامتی را شناسایی کنند و برنامه های درمانی شخصی سازی شده را توسعه دهند. این می تواند منجر به نتایج سلامت بهتر برای بیماران شود و به تسریع توسعه درمان ها و فناوری های پزشکی جدید کمک کند.

حال بیایید به معایب اصلی هوش مصنوعی نگاه کنیم.

ابزارها و چارچوب های AI محبوب در سال 2024
وبینار رایگان | 8 آبان، چهارشنبه | ساعت 7 عصر همین الان ثبت نام کنید
معایب هوش مصنوعی
1. هزینه های بالا
توانایی ایجاد ماشینی که بتواند هوش انسان را شبیه سازی کند، کار کوچکی نیست. این کار به زمان و منابع زیادی نیاز دارد و می تواند هزینه زیادی داشته باشد. هوش مصنوعی همچنین باید بر روی جدیدترین سخت افزار و نرم افزار کار کند تا به روز بماند و آخرین نیازها را برآورده کند، در نتیجه آن را بسیار پرهزینه می کند.

2. بدون خلاقیت
یک عیب بزرگ هوش مصنوعی این است که نمی تواند یاد بگیرد که خارج از چارچوب فکر کند. هوش مصنوعی قادر است در طول زمان با داده های از قبل تغذیه شده و تجربیات گذشته یاد بگیرد، اما نمی تواند در رویکرد خود خلاق باشد. یک مثال کلاسیک ربات Quill است که می تواند گزارش های درآمد فوربس را بنویسد. این گزارش‌ها فقط حاوی داده‌ها و حقایقی هستند که قبلاً به ربات ارائه شده است. اگرچه قابل توجه است که یک ربات می تواند به تنهایی مقاله بنویسد، اما فاقد حس انسانی موجود در سایر مقالات فوربس است.

3. بیکاری
یکی از کاربردهای هوش مصنوعی ربات است که جانشین مشاغل و افزایش بیکاری (در موارد معدودی) می شود. بنابراین، برخی ادعا می کنند که همیشه احتمال بیکاری در نتیجه ربات های چت و ربات هایی که جایگزین انسان می شوند وجود دارد.

به عنوان مثال، ربات

اینها اغلب برای جایگزینی منابع انسانی در مشاغل تولیدی در برخی از کشورهای پیشرفته‌تر از نظر فناوری مانند ژاپن مورد استفاده قرار می‌گیرند. اگرچه همیشه اینطور نیست، زیرا فرصت‌های بیشتری را برای انسان ایجاد می‌کند تا در عین حال جایگزین انسان‌ها به منظور افزایش کارایی شود.

4. انسان ها را تنبل کنید
برنامه های کاربردی هوش مصنوعی اکثر کارهای خسته کننده و تکراری را خودکار می کنند. از آنجایی که برای انجام کار مجبور نیستیم چیزها را به خاطر بسپاریم یا معماها را حل کنیم، تمایل داریم کمتر و کمتر از مغزمان استفاده کنیم. این اعتیاد به هوش مصنوعی می تواند برای نسل های آینده مشکلاتی ایجاد کند.

5. بدون اخلاق
اخلاق و اخلاق ویژگی های مهم انسانی هستند که گنجاندن آنها در هوش مصنوعی دشوار است. پیشرفت سریع هوش مصنوعی تعدادی از نگرانی ها را ایجاد کرده است که روزی هوش مصنوعی به طور غیرقابل کنترلی رشد خواهد کرد و در نهایت بشریت را از بین خواهد برد. از این لحظه به عنوان تکینگی هوش مصنوعی یاد می شود.

6. بی احساس
از اوایل کودکی به ما آموخته اند که نه کامپیوترها و نه ماشین های دیگر احساساتی ندارند. انسان ها به عنوان یک تیم عمل می کنند و مدیریت تیم برای دستیابی به اهداف ضروری است. با این حال، نمی توان انکار کرد که ربات ها در هنگام کارکرد مؤثر نسبت به انسان برتری دارند، اما این نیز درست است که ارتباطات انسانی، که اساس تیم ها را تشکیل می دهند، نمی توانند با رایانه جایگزین شوند.

7. بدون بهبود
انسان ها نمی توانند هوش مصنوعی را توسعه دهند زیرا این فناوری مبتنی بر واقعیت ها و تجربیات از پیش بارگذاری شده است. هوش مصنوعی در انجام مکرر یک کار مهارت دارد، اما اگر می‌خواهیم هر گونه تنظیمات یا بهبودی داشته باشیم، باید کدها را به صورت دستی تغییر دهیم. هوش مصنوعی قابل دسترسی نیست و مانند هوش انسانی قابل استفاده نیست، اما می تواند داده های بی نهایت را ذخیره کند.

ماشین‌ها فقط می‌توانند وظایفی را که برای آن‌ها توسعه یا برنامه‌ریزی شده‌اند، انجام دهند. اگر از آنها خواسته شود چیز دیگری را تکمیل کنند، اغلب شکست می خورند یا نتایج بی فایده ای ارائه می دهند که می تواند اثرات منفی قابل توجهی داشته باشد. بنابراین، ما نمی توانیم چیزی را متعارف کنیم.

مزایا و معایب هوش مصنوعی در بخش ها و صنایع مختلف
مزایا و معایب هوش مصنوعی
مزایای هوش مصنوعی
معایب هوش مصنوعی
هوش مصنوعی در بهداشت و درمان

توانایی افزایش تشخیص و درمان الگوریتم های هوش مصنوعی می توانند حجم زیادی از داده های پزشکی از جمله سوابق بیمار، نتایج آزمایشگاهی و تصاویر پزشکی را تجزیه و تحلیل کنند تا به متخصصان مراقبت های بهداشتی در تشخیص دقیق و به موقع کمک کنند. هوش مصنوعی می‌تواند الگوها و ناهنجاری‌هایی را شناسایی کند که تشخیص آنها برای پزشکان انسانی ممکن است دشوار باشد، که منجر به تشخیص زودتر بیماری‌ها و بهبود نتایج درمان می‌شود.

یک نقطه ضعف هوش مصنوعی در مراقبت های بهداشتی پتانسیل نگرانی های اخلاقی و حفظ حریم خصوصی است. سیستم های هوش مصنوعی در مراقبت های بهداشتی به شدت به داده های بیمار، از جمله اطلاعات حساس پزشکی، متکی هستند. باید اطمینان حاصل شود که این داده ها به شیوه ای ایمن و آگاهانه از حفظ حریم خصوصی جمع آوری، ذخیره و استفاده می شوند. حفاظت از حریم خصوصی بیمار، حفظ محرمانه بودن داده ها و جلوگیری از دسترسی غیرمجاز به اطلاعات سلامت شخصی ملاحظات حیاتی است.

هوش مصنوعی در بازاریابی

توانایی افزایش هدف گذاری و شخصی سازی کمپین های بازاریابی. الگوریتم‌های هوش مصنوعی می‌توانند حجم وسیعی از داده‌های مشتری، از جمله جمعیت‌شناسی، ترجیحات، رفتار مرور، و سابقه خرید را تجزیه و تحلیل کنند تا مخاطبان را تقسیم‌بندی کنند و پیام‌های بازاریابی بسیار هدفمند و شخصی‌شده را ارائه دهند. با استفاده از هوش مصنوعی، بازاریابان می‌توانند کمپین‌های خود را برای بخش‌های خاص مشتری تنظیم کنند و ارتباط و اثربخشی تلاش‌های بازاریابی خود را افزایش دهند. این سطح از هدف‌گیری و شخصی‌سازی می‌تواند منجر به نرخ تبدیل بالاتر، بهبود رضایت مشتری و افزایش بازگشت سرمایه (ROI) برای کمپین‌های بازاریابی شود.

یکی از معایب هوش مصنوعی در بازاریابی، کمبود بالقوه تماس و خلاقیت انسانی است. در حالی که هوش مصنوعی می تواند وظایف مختلف بازاریابی را خودکار کند و بینش های مبتنی بر داده را ایجاد کند، ممکن است برای تکرار عناصر انسانی منحصر به فرد بازاریابی، مانند ارتباط عاطفی، شهود و تفکر خلاق، دچار مشکل شود. الگوریتم‌های هوش مصنوعی ممکن است تنها بر داده‌ها و الگوهای از پیش تعریف‌شده تکیه کنند و به‌طور بالقوه رویکردهای بازاریابی نوآورانه یا خارج از چارچوب را که به خلاقیت و شهود انسانی نیاز دارند، از دست بدهند.

هوش مصنوعی در آموزش

توانایی ارائه تجربیات یادگیری شخصی. سیستم‌های مبتنی بر هوش مصنوعی می‌توانند حجم وسیعی از داده‌ها را در مورد عملکرد دانش‌آموز، ترجیحات و سبک‌های یادگیری برای ایجاد محتوای آموزشی مناسب و مسیرهای یادگیری تطبیقی تجزیه و تحلیل کنند. این شخصی‌سازی به دانش‌آموزان اجازه می‌دهد تا با سرعت خودشان یاد بگیرند، روی مناطقی که نیاز به حمایت بیشتری دارند تمرکز کنند و با محتوایی که برایشان مرتبط و جالب است تعامل کنند.

یک نقطه ضعف هوش مصنوعی در آموزش، پتانسیل نگرانی های اخلاقی و حفظ حریم خصوصی است. سیستم های هوش مصنوعی حجم قابل توجهی از داده های دانش آموزان از جمله عملکرد، رفتار و اطلاعات شخصی آنها را جمع آوری و تجزیه و تحلیل می کنند. لازم است اطمینان حاصل شود که این داده ها به طور ایمن و با حفاظت از حریم خصوصی مناسب مدیریت می شوند.

هوش مصنوعی در خلاقیت

یکی از مزیت‌های هوش مصنوعی در خلاقیت، توانایی آن در تقویت خلاقیت انسان و ارائه راه‌های جدیدی برای بیان هنری است. فناوری‌های هوش مصنوعی مانند ge
مدل‌های عصبی و الگوریتم‌های یادگیری ماشینی، می‌توانند به هنرمندان، نوازندگان و نویسندگان در تولید ایده‌های جدید، کشف سبک‌های هنری جدید و پیش‌بردن مرزهای فرآیندهای خلاقانه سنتی کمک کنند.

یکی از معایب هوش مصنوعی در خلاقیت، فقدان بالقوه اصالت و اصالت در کارهای خلاقانه تولید شده توسط هوش مصنوعی است. در حالی که سیستم‌های هوش مصنوعی می‌توانند سبک‌ها و الگوهای موجود را تقلید کنند، بحث‌های مداومی در مورد اینکه آیا هوش مصنوعی واقعاً می‌تواند خلاقیتی مشابه انسان‌ها داشته باشد وجود دارد. آثار تولید شده توسط هوش مصنوعی ممکن است فاقد عمق، ارتباط عاطفی و دیدگاه های منحصر به فرد ناشی از تجربیات و احساسات انسانی باشند.

هوش مصنوعی در حمل و نقل

یکی از مزایای هوش مصنوعی در حمل و نقل، پتانسیل افزایش ایمنی و کارایی در جاده ها و در حالت های مختلف حمل و نقل است. سیستم‌های مجهز به هوش مصنوعی می‌توانند داده‌های بی‌درنگ از حسگرها، دوربین‌ها و سایر منابع را برای تصمیم‌گیری سریع و آگاهانه تجزیه و تحلیل کنند. این می تواند ویژگی هایی مانند سیستم های پیشرفته کمک راننده (ADAS) و وسایل نقلیه خودران را فعال کند که می تواند به کاهش خطاهای انسانی و تصادفات کمک کند. هوش مصنوعی همچنین می‌تواند جریان ترافیک را بهینه کند، برنامه‌ریزی مسیر را بهبود بخشد، و تعمیر و نگهداری پیش‌بینی‌کننده وسایل نقلیه را فعال کند، که منجر به شبکه‌های حمل‌ونقل کارآمدتر و کاهش ازدحام می‌شود.

یکی از معایب هوش مصنوعی در حمل و نقل، چالش های اخلاقی و قانونی است که ارائه می دهد. به عنوان مثال، وسایل نقلیه خودران سوالاتی را در مورد مسئولیت در صورت تصادف ایجاد می کنند. تعیین اینکه چه کسی در هنگام تصادف یک وسیله نقلیه کنترل شده با هوش مصنوعی مسئول است، می تواند پیچیده باشد. علاوه بر این، تصمیمات اتخاذ شده توسط سیستم های هوش مصنوعی، مانند تصمیماتی که مربوط به مدیریت ترافیک یا اجتناب از تصادف است، ممکن است نیاز به در نظر گرفتن ملاحظات اخلاقی داشته باشد، مانند تخصیص منابع محدود یا محافظت از مسافران در مقابل عابران پیاده. ایجاد تعادل بین این دوراهی های اخلاقی و تدوین مقررات و دستورالعمل های مناسب برای هوش مصنوعی در حمل و نقل یک چالش پیچیده و مداوم است.

برنامه مناسب را انتخاب کنید
با دوره های جامع Simplilearn، حرفه خود را در هوش مصنوعی و ML افزایش دهید. مهارت ها و دانش را به دست آورید تا صنایع را متحول کنید و پتانسیل واقعی خود را آزاد کنید. اکنون ثبت نام کنید و امکانات بی حد و حصر را باز کنید!

نام برنامه مهندس هوش مصنوعی برنامه تحصیلات تکمیلی در هوش مصنوعی برنامه تحصیلات تکمیلی در هوش مصنوعی
Geo All Geos All Geos IN/ROW
دانشگاه Simplilearn Purdue Caltech
مدت دوره 11 ماه 11 ماه 11 ماه
تجربه کدنویسی مورد نیاز پایه پایه شماره
مهارت هایی که بیش از 10 مهارت از جمله ساختار داده، دستکاری داده ها، NumPy، Scikit-Learn، Tableau و غیره را خواهید آموخت. 16+ مهارت از جمله
ربات‌های چت، NLP، پایتون، کراس و موارد دیگر. 8+ مهارت از جمله
یادگیری تحت نظارت و بدون نظارت
یادگیری عمیق
تجسم داده ها و موارد دیگر.
مزایای اضافی - دسترسی به جلسات انحصاری Hackathon، Masterclass و Ask-Me-Anything توسط IBM
- یادگیری کاربردی از طریق 3 پروژه Capstone و 12 پروژه مرتبط با صنعت عضویت در انجمن فارغ التحصیلان پوردو عضویت رایگان IIMJobs Pro-عضویت 6 ماهه رزومه کمکی در ساخت تا 14 اعتبار CEU عضویت در حلقه CTME Caltech
هزینه $$$$$$$$$$
کاوش برنامه کاوش برنامه کاوش برنامه
بر ابزارهای هوش مصنوعی مناسب برای شغل مناسب مسلط شوید!
برنامه تحصیلات تکمیلی Caltech در برنامه هوش مصنوعی و MLEXPLORE
مزایا و معایب هوش مصنوعی - خط پایین
اکنون که مزایا و معایب هوش مصنوعی را می‌دانید، مطمئناً یک چیز پتانسیل عظیمی برای ایجاد دنیای بهتری برای زندگی در آن دارد. از دست اگرچه هوش مصنوعی مزایا و معایب قابل بحثی دارد، تأثیر آن بر صنعت جهانی غیرقابل انکار است. هر روز به رشد خود ادامه می دهد و باعث پایداری کسب و کارها می شود. این قطعاً نیاز به سواد هوش مصنوعی و ارتقاء مهارت را برای پیشرفت در بسیاری از مشاغل عصر جدید می طلبد. برنامه تحصیلات تکمیلی Simplilearn Caltech در AI و ML به شما کمک می کند تا سریعاً حرفه خود را در هوش مصنوعی دنبال کنید و شما را برای یکی از هیجان انگیزترین مشاغل جهان آماده کند. این برنامه هم مبانی هوش مصنوعی و هم موضوعات پیشرفته ای مانند شبکه های یادگیری عمیق، NLP و یادگیری تقویتی را پوشش می دهد. همین امروز با این دوره شروع کنید و حرفه رویایی خود را در هوش مصنوعی بسازید.

هوش مصنوعی یکی از فناوری های نوظهور است که سعی در شبیه سازی استدلال انسان در سیستم های هوش مصنوعی دارد. جان مک کارتی اصطلاح هوش مصنوعی را در سال 1950 اختراع کرد.او گفت: «هر جنبه از یادگیری یا هر ویژگی دیگری از هوش در اصل می‌تواند آنقدر دقیق توصیف شود که می‌توان ماشینی برای شبیه‌سازی آن ساخت.هوش مصنوعی توانایی یک برنامه کامپیوتری برای یادگیری و تفکر است. هر چیزی را می‌توان هوش مصنوعی در نظر گرفت، اگر شامل برنامه‌ای باشد که کاری را انجام می‌دهد که ما معمولاً فکر می‌کنیم به هوش یک انسان متکی است.

مزایای کاربردهای هوش مصنوعی بسیار زیاد است و می تواند هر بخش حرفه ای را متحول کند. برخی از آنها را ببینیم

1) کاهش خطای انسانی: عبارت "خطای انسانی" به این دلیل به وجود آمد که انسان ها هر از گاهی مرتکب اشتباه می شوند. اما اگر کامپیوترها به درستی برنامه ریزی شده باشند، این اشتباهات را مرتکب نمی شوند. با هوش مصنوعی، تصمیمات از اطلاعات جمع آوری شده قبلی با استفاده از مجموعه خاصی از الگوریتم ها گرفته می شود. بنابراین خطاها کاهش می یابد و احتمال دستیابی به دقت با درجه دقت بیشتر وجود دارد.
مثال: در پیش بینی آب و هوا با استفاده از هوش مصنوعی، اکثر خطاهای انسانی را کاهش داده اند.

2) به جای انسان ها ریسک می کند:این یکی از بزرگترین مزایای هوش مصنوعی است. ما می‌توانیم با توسعه یک ربات هوش مصنوعی بر بسیاری از محدودیت‌های مخاطره‌آمیز انسان غلبه کنیم که به نوبه خود می‌تواند کارهای خطرناک را برای ما انجام دهد. بگذارید به مریخ برود، بمب را خنثی کند، عمیق ترین قسمت های اقیانوس ها را کاوش کند، معدن زغال سنگ و نفت را استخراج کند، می تواند به طور موثر در هر نوع بلایای طبیعی یا مصنوعی استفاده شود.
مثال: آیا درباره انفجار نیروگاه هسته ای چرنوبیل در اوکراین شنیده اید؟ در آن زمان هیچ ربات مجهز به هوش مصنوعی وجود نداشت که بتواند به ما کمک کند تا با کنترل آتش در مراحل اولیه، تأثیر تشعشعات را به حداقل برسانیم، زیرا هر انسانی که به هسته نزدیک می شد در عرض چند دقیقه مرده بود. آنها در نهایت ماسه و بور را از هلیکوپترها از راه دور ریختند. ربات های هوش مصنوعی را می توان در چنین شرایطی که مداخله می تواند خطرناک باشد استفاده کرد.

3) در دسترس 24x7:یک انسان متوسط 4 تا 6 ساعت در روز بدون وقفه کار می کند. انسان‌ها به گونه‌ای ساخته شده‌اند که برای شاداب کردن خود و آماده شدن برای یک روز جدید کاری وقت بگذارند و حتی هر هفته برای دست نخورده ماندن در زندگی کاری و زندگی شخصی خود تلاش می‌کنند. اما با استفاده از هوش مصنوعی می‌توانیم ماشین‌ها را 24x7 بدون هیچ وقفه‌ای کار کنیم و بر خلاف انسان‌ها حتی خسته نشوند.
به عنوان مثال: مؤسسات آموزشی و مراکز خطوط کمکی سؤالات و مسائل زیادی دریافت می کنند که می توان با استفاده از هوش مصنوعی به طور مؤثر آنها را حل کرد.

4) کمک در مشاغل تکراری:در کار روزمره خود، کارهای تکراری زیادی مانند ارسال نامه تشکر، تأیید برخی از اسناد برای خطاها و بسیاری موارد دیگر را انجام خواهیم داد. با استفاده از هوش مصنوعی می‌توانیم این وظایف پیش پاافتاده را به‌طور مولد خودکار کنیم و حتی می‌توانیم کارهای «خسته‌کننده» را برای انسان‌ها حذف کنیم و آن‌ها را آزاد کنیم تا خلاق‌تر شوند.

مثال: در بانک ها اغلب شاهد تایید اسناد و مدارک زیادی برای دریافت وام هستیم که برای صاحب بانک یک کار تکراری است. با استفاده از AI Cognitive Automation، مالک می تواند روند تأیید اسنادی را تسریع بخشد که هم مشتریان و هم مالک از آنها بهره مند می شوند.

5) کمک دیجیتال:برخی از سازمان های بسیار پیشرفته از دستیارهای دیجیتال برای تعامل با کاربران استفاده می کنند که نیاز به منابع انسانی را کاهش می دهد. دستیارهای دیجیتال همچنین در بسیاری از وب سایت ها برای ارائه چیزهایی که کاربران می خواهند استفاده می شود. ما می توانیم با آنها در مورد آنچه به دنبال آن هستیم چت کنیم. برخی از ربات‌های چت به‌گونه‌ای طراحی شده‌اند که تشخیص اینکه ما با یک ربات چت یا یک انسان چت می‌کنیم، دشوار است.

مثال: همه ما می دانیم که سازمان ها یک تیم پشتیبانی مشتری دارند که باید شک و تردیدها و سوالات مشتریان را روشن کند. با استفاده از هوش مصنوعی، سازمان‌ها می‌توانند یک ربات صوتی یا ربات چت راه‌اندازی کنند که می‌تواند به مشتریان در تمام سوالاتشان کمک کند. ما می‌توانیم بسیاری از سازمان‌ها را ببینیم که قبلاً از آنها در وب‌سایت‌ها و برنامه‌های تلفن همراه خود استفاده می‌کنند.

6) تصمیم گیری سریعتر: با استفاده از هوش مصنوعی در کنار سایر فناوری‌ها، می‌توانیم کاری کنیم که ماشین‌ها سریع‌تر از انسان تصمیم بگیرند و اقدامات را سریع‌تر انجام دهند. در حین تصمیم گیری، انسان عوامل بسیاری را هم از نظر احساسی و هم از نظر عملی تجزیه و تحلیل می کند، اما دستگاه مجهز به هوش مصنوعی بر روی برنامه ریزی شده کار می کند و نتایج را به روشی سریعتر ارائه می دهد.

مثال: همه ما بازی های شطرنج را در ویندوز انجام داده ایم. به دلیل هوش مصنوعی پشت آن بازی، شکست دادن CPU در حالت سخت تقریبا غیرممکن است. با توجه به الگوریتم های به کار رفته در پشت آن، در زمان بسیار کوتاهی بهترین گام ممکن را برمی دارد.

7) برنامه های روزانه: روزانه برنامه‌هایی مانند سیری اپل، کورتانا پنجره، گوگل OK Google اغلب در برنامه‌های روزمره ما استفاده می‌شوند، چه برای جستجوی مکان، گرفتن عکس سلفی، برقراری تماس تلفنی، پاسخ دادن به ایمیل و بسیاری موارد دیگر.

مثال: حدود 20 سال پیش، زمانی که قصد رفتن به جایی را داشتیم، از شخصی که قبلاً به آنجا رفته بود، راهنمایی می‌کردیم. اما اکنون تنها کاری که باید انجام دهیم این است که بگوییم "OK Google Where is Visakhapatnam". مکان Visakhapatnam در نقشه گوگل و بهترین مسیر بین شما و Visakhapatnam را به شما نشان می دهد.

8) اختراعات جدید: هوش مصنوعی تقریباً در هر حوزه ای اختراعات بسیاری را تقویت می کند که به انسان در حل اکثر مشکلات پیچیده کمک می کند.

مثال: اخیراً پزشکان می توانند سرطان سینه را در زنان در مراحل اولیه با استفاده از فناوری های پیشرفته مبتنی بر هوش مصنوعی پیش بینی کنند. همانطور که هر طرف روشن یک نسخه تیره تر در خود دارد.
معایب هوش مصنوعی 
هوش مصنوعی نیز دارای معایبی است. برخی از آنها را ببینیم

1) هزینه های بالای ایجاد:از آنجایی که هوش مصنوعی هر روز در حال به روز رسانی است، سخت افزار و نرم افزار باید به مرور زمان به روز شوند تا آخرین نیازها را برآورده کنند. ماشین آلات نیاز به تعمیر و نگهداری دارند که به هزینه های زیادی نیاز دارند. ایجاد آن مستلزم هزینه های هنگفتی است زیرا ماشین های بسیار پیچیده ای هستند.

2) تنبل کردن انسان ها:هوش مصنوعی با برنامه های کاربردی خود که اکثر کارها را خودکار می کند، انسان ها را تنبل می کند. انسان ها به این اختراعات معتاد می شوند که می تواند برای نسل های آینده مشکل ایجاد کند.

3) بیکاری:از آنجایی که هوش مصنوعی در حال جایگزینی اکثر کارهای تکراری و کارهای دیگر با روبات‌ها است، دخالت انسان در حال کاهش است که باعث ایجاد مشکل بزرگی در استانداردهای اشتغال خواهد شد. هر سازمانی به دنبال جایگزینی حداقل افراد واجد شرایط با ربات های هوش مصنوعی است که می توانند کارهای مشابه را با کارایی بیشتر انجام دهند.

4) بدون احساسات:هیچ شکی وجود ندارد که ماشین‌ها در مورد کارآمدی بسیار بهتر هستند، اما نمی‌توانند جایگزین ارتباط انسانی که تیم را ایجاد می‌کند، شوند. ماشین‌ها نمی‌توانند با انسان‌ها پیوند برقرار کنند که این یک ویژگی اساسی در مدیریت تیم است.

5) نداشتن تفکر خارج از چارچوب:ماشین‌ها فقط می‌توانند کارهایی را انجام دهند که برای انجام آن‌ها طراحی یا برنامه‌ریزی شده‌اند، هر چیزی که منجر به خرابی یا خروجی‌های نامربوط می‌شود که می‌تواند یک پس‌زمینه اصلی باشد.

جابجایی شغل: اتوماسیون هوش مصنوعی ممکن است منجر به از دست دادن شغل در صنایع خاص شود و بر بازار کار و نیروی کار تأثیر بگذارد.
نگرانی های اخلاقی: هوش مصنوعی مسائل اخلاقی از جمله حریم خصوصی داده ها، سوگیری الگوریتم و سوء استفاده احتمالی از فناوری های هوش مصنوعی را مطرح می کند.
فقدان خلاقیت و همدلی: هوش مصنوعی فاقد ویژگی های انسانی مانند خلاقیت و همدلی است و توانایی آن را برای درک احساسات یا تولید ایده های اصلی محدود می کند.
هزینه و پیچیدگی: توسعه و پیاده سازی سیستم های هوش مصنوعی می تواند گران باشد، به دانش و منابع تخصصی نیاز دارد.
قابلیت اطمینان و اعتماد: سیستم های هوش مصنوعی ممکن است همیشه کاملاً قابل اعتماد نباشند، که منجر به بی اعتمادی به توانایی های تصمیم گیری آنها می شود.
وابستگی به فناوری: اتکای بیش از حد به هوش مصنوعی می‌تواند انسان‌ها را به فناوری وابسته کند و مهارت‌های تفکر انتقادی را کاهش دهد.
3. کسب و کارها چگونه می توانند از استفاده از هوش مصنوعی سود ببرند؟
کسب‌وکارها می‌توانند از روش‌های مختلفی از هوش مصنوعی بهره ببرند، مانند:

ساده سازی عملیات و کاهش هزینه های عملیاتی.
افزایش تجربیات مشتری از طریق خدمات و پشتیبانی شخصی.
بهینه سازی مدیریت زنجیره تامین و کنترل موجودی.
تجزیه و تحلیل پیش بینی برای تصمیم گیری بهتر و بینش بازار.
بهبود ارائه محصول و خدمات بر اساس بازخورد مشتری و تجزیه و تحلیل داده ها.


اینها برخی از مزایا و معایب هوش مصنوعی است. هر اختراع یا پیشرفت جدیدی هر دو را خواهد داشت، اما ما به عنوان انسان باید مراقب آن باشیم و از جنبه های مثبت اختراع برای ایجاد دنیایی بهتر استفاده کنیم. هوش مصنوعی مزایای بالقوه زیادی دارد. کلیدی است که  برای انسان تضمین می کند که "ظهور روبات ها" از کنترل خارج نمی شود. برخی افراد همچنین می گویند که اگر هوش مصنوعی به دست افراد نادرستی برود، می تواند تمدن بشری را نابود کند. اما هنوز هیچ یک از برنامه های کاربردی هوش مصنوعی در این مقیاس ساخته نشده است که بتواند بشریت را نابود کند یا به بردگی بکشد.

مزایای هوش مصنوعی در آموزش چیست؟
یادگیری شخصی: هوش مصنوعی توانایی تجزیه و تحلیل داده‌های دانش‌آموزان را دارد و امکان ارائه تجربیات یادگیری شخصی‌شده را فراهم می‌کند که نیازهای هر دانش‌آموز و سبک‌های یادگیری ترجیحی را برآورده می‌کند. در نتیجه دانش آموزان می توانند با سرعت خود پیشرفت کنند و از کمک های لازم برای موفقیت تحصیلی خود بهره مند شوند.
تعامل و انگیزه بهبود یافته: هوش مصنوعی می تواند تجربیات یادگیری تعاملی و جذاب تری ایجاد کند که می تواند به دانش آموزان کمک کند تا در یادگیری خود متمرکز بمانند.
ارزیابی و بازخورد پیشرفته: هوش مصنوعی می‌تواند ارزیابی و بازخورد دقیق‌تر و به‌موقع‌تری ارائه دهد تا به دانش‌آموزان کمک کند پیشرفت خود را پیگیری کنند و مناطقی را که نیاز به حمایت بیشتری دارند شناسایی کنند.
افزایش دسترسی به آموزش: هوش مصنوعی می‌تواند با ارائه فرصت‌های یادگیری شخصی‌سازی‌شده و مقرون‌به‌صرفه به افزایش دسترسی به آموزش کمک کند.
بهبود آموزش معلمان: هوش مصنوعی می‌تواند با ارائه داده‌ها و بینش‌هایی به معلمان که می‌تواند به درک بهتر دانش‌آموزان و نیازهایشان کمک کند، به بهبود آموزش معلمان کمک کند.
6. هوش مصنوعی چگونه هزینه ها را کاهش می دهد؟
هوش مصنوعی می تواند هزینه ها را با خودکارسازی کارهای تکراری، افزایش کارایی و به حداقل رساندن خطاها کاهش دهد. این منجر به بهبود بهره وری و تخصیص منابع می شود که در نهایت منجر به صرفه جویی در هزینه می شود.

7. آیا هوش مصنوعی می تواند جایگزین هوش و خلاقیت انسان شود؟
  در حالی که هوش مصنوعی می تواند وظایف خاصی را با دقت قابل توجهی انجام دهد، نمی تواند هوش و خلاقیت انسان را به طور کامل تکرار کند. هوش مصنوعی فاقد آگاهی و احساسات است و توانایی آن را برای درک تجربیات پیچیده انسانی و تولید آثار واقعا خلاقانه محدود می کند.

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

با این گفته، در اینجا اصطلاحات اساسی وجود دارد که در هر بحثی در مورد هوش مصنوعی خواهید یافت.

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.

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

تاثیرگذارترین و همه کاره‌ترین شکل هوش مصنوعی موجود امروزی، مدل‌های زبان بزرگ تقریباً بر روی تمام متن‌های وب و بسیاری از ادبیات انگلیسی آموزش داده می‌شوند. مصرف همه اینها منجر به یک مدل پایه (بخوانید) با اندازه عظیم می شود. LLM ها می توانند به زبان طبیعی مکالمه کنند و به سؤالات پاسخ دهند و انواع مختلفی از سبک ها و انواع اسناد نوشتاری را تقلید کنند، همانطور که توسط افرادی مانند ChatGPT، Claude و LLaMa نشان داده شده است. در حالی که این مدل ها به طور غیرقابل انکاری چشمگیر هستند، باید در نظر داشت که آنها هنوز موتورهای تشخیص الگو هستند و وقتی پاسخ می دهند تلاشی برای تکمیل الگویی است که شناسایی کرده است، خواه آن الگو واقعیت را منعکس کند یا نه. LLM ها اغلب در پاسخ های خود دچار توهم می شوند، که به زودی به آن خواهیم پرداخت.و یک چیز را که می‌خواهیم در ابتدا روشن کنیم: اگرچه به آن «هوش مصنوعی» می‌گویند، این اصطلاح کمی گمراه‌کننده است. هیچ تعریف مشخصی از هوش وجود ندارد، اما کاری که این سیستم‌ها انجام می‌دهند قطعاً به ماشین‌حساب‌ها نزدیک‌تر است تا مغز. ورودی و خروجی این ماشین حساب بسیار انعطاف پذیرتر است. ممکن است به هوش مصنوعی مانند نارگیل مصنوعی فکر کنید - این هوش تقلیدی است.با این گفته، در اینجا اصطلاحات اساسی وجود دارد که در هر بحثی در مورد هوش مصنوعی خواهید یافت.

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

در اصل، این مشکل مربوط به تصاویری خاص در آموزش بود که به خروجی های نامرتبط، مانند ساختمان هایی که به نظر می رسید از سگ ساخته شده بودند، به دلیل شیوع بیش از حد سگ ها در مجموعه آموزشی بود. اکنون گفته می‌شود که یک هوش مصنوعی زمانی دچار توهم می‌شود که، چون داده‌های ناکافی یا متناقض در مجموعه آموزشی خود دارد، فقط چیزی را ایجاد می‌کند.
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

هوش مصنوعی عمومی ، یا هوش مصنوعی قوی، واقعاً مفهومی کاملاً تعریف‌شده نیست، اما ساده‌ترین توضیح این است که هوشی است که به اندازه کافی قدرتمند است نه فقط برای انجام کارهایی که مردم انجام می‌دهند، بلکه مانند ما خود را یاد می‌گیرد و بهبود می‌بخشد. برخی نگرانند که این چرخه یادگیری، ادغام آن ایده‌ها، و سپس یادگیری و رشد سریع‌تر، یک چرخه خود ماندگار باشد که منجر به یک سیستم فوق‌هوشمند می‌شود که مهار یا کنترل آن غیرممکن است. برخی حتی پیشنهاد به تاخیر انداختن یا محدود کردن تحقیقات برای جلوگیری از این احتمال را داده‌اند.

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.

فرصت های شغلی فراوان است

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.

حل مسائل پیچیده
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.

ابعاد اخلاقی هوش مصنوعی
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

هوش مصنوعی یک فناوری یادگیری مادام العمر است
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.

پیوستن به جامعه جهانی هوش مصنوعی
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 همه کاره است
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 رباتیکاگرچه 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.

تحقیقات هوش مصنوعی برای رسیدن به یکی از سه هدف تلاش می‌کند: هوش مصنوعی قوی، هوش مصنوعی کاربردی، یا شبیه‌سازی شناختی.

هدف هوش مصنوعی قوی ساخت ماشین‌هایی است که فکر می‌کنند. (اصطلاح هوش مصنوعی قوی برای این دسته از تحقیقات در سال 1980 توسط فیلسوف جان سیرل از دانشگاه کالیفرنیا در برکلی معرفی شد.) جاه طلبی نهایی هوش مصنوعی قوی این است که ماشینی تولید کند که توانایی کلی ذهنی آن از انسان قابل تشخیص نباشد.
تا به امروز، پیشرفت ناچیز بوده است. برخی از منتقدان تردید دارند که آیا تحقیقات در آینده ای قابل پیش بینی حتی سیستمی با توانایی فکری کلی یک مورچه ایجاد کند یا خیر. در واقع، برخی از محققانی که در دو شاخه دیگر هوش مصنوعی کار می‌کنند،  معتقدند که هوش مصنوعی قوی ارزش پیگیری ندارد.

هوش مصنوعی کاربردی، که به‌عنوان پردازش اطلاعات پیشرفته نیز شناخته می‌شود، با هدف تولید سیستم‌های «هوشمند» تجاری قابل دوام است - برای مثال، سیستم‌های تشخیص پزشکی «متخصص» و سیستم‌های معاملات سهام. همانطور که در بخش «سیستم‌های خبره» توضیح داده شد، هوش مصنوعی کاربردی موفقیت چشمگیری داشته است . در شبیه‌سازی شناختی، رایانه‌ها برای آزمایش تئوری‌هایی درباره نحوه عملکرد ذهن انسان استفاده می‌شوند - به عنوان مثال، نظریه‌هایی درباره نحوه تشخیص چهره‌ها یا یادآوری خاطرات توسط افراد. شبیه‌سازی شناختی در حال حاضر یک ابزار قدرتمند هم در علوم اعصاب و هم در روان‌شناسی شناختی است.


دیدگاه و پرسش
  • امیرحسین  پورسمیع

    امیرحسین پورسمیع

    1 سال پیش

    ثبت امتیاز بسیار عالی
    اتنا  حاجوی

    اتنا حاجوی

    10 ماه پیش

    ثبت امتیاز بسیار عالی

مقالات مرتبط

دوره های برنامه نویسی جدید

تخفیف
برنامه نویسی پایتون از مقدماتی تا پیشرفته
تخفیف
دوره مقدماتی طراحی سایت
دوره مقدماتی طراحی سایت
25 ساعت 100 درس

17

(دانشجو)

5.0

( 1 نظر )
دوره کامل CSS3
دوره کامل CSS3
10 ساعت 55 درس

4

(دانشجو)

5.0

( 1 نظر )
دوره کامل PHP
دوره کامل PHP
10 ساعت 100 درس

1

(دانشجو)
دوره کامل HTML5
دوره کامل HTML5
10 ساعت 26 جلسه

1

(دانشجو)

شش مقاله اخیر