هوش مصنوعی

در حال حاضر، یک شبکه عصبی عمیق یک مکعب روبیک را در 1,2 ثانیه حل می کند. برای رسیدن به این نتیجه، در آستانه قرن XNUMX و XNUMX میلادی، ماشین های منطقی Ramon Lull ساخته شدند. در این مقاله گام به گام با آنچه در طول قرن ها اتفاق افتاده است آشنا خواهید شد.

قرن XIII-IV فیلسوف اسپانیایی رامون لولی (1) توسعه می یابد ماشین های منطقی. او ماشین های خود را به عنوان اجسام مکانیکی توصیف کرد که می توانند حقایق اساسی و غیرقابل انکار را از طریق عملیات منطقی ساده ای که توسط ماشین با نشانگرهای مکانیکی انجام می شود، به هم متصل کنند.

30-50 ساله. قرن بیستم این را تحقیقات در زمینه علوم اعصاب نشان داده است. نوربرت وینر کنترل سایبرنتیک و انعطاف پذیری در شبکه های الکتریکی را توصیف می کند. کلود شانون نظریه "اطلاعات توصیف شده توسط سیگنال های دیجیتال" را ایجاد می کند.

1936 ، که هدف آن حل مشکل حل پذیری ارائه شده توسط دیوید هیلبرت در سال 1928، این چیزی است که او به آن معرفی کرد ماشین انتزاعیقادر به انجام یک عملیات ریاضی برنامه ریزی شده، یعنی یک الگوریتم است.

ماشین فقط می توانست یک الگوریتم خاص مانند مربع کردن یک عدد، تقسیم، جمع، تفریق را انجام دهد. در کار خودم تورینگ او بسیاری از این ماشین‌ها را توصیف کرد که نام رایج را به خود اختصاص داده‌اند مازین تورینگا. توسعه این مفهوم، ماشین تورینگ یونیورسال بود که بسته به دستورالعمل های ثبت شده روی نوار، باید هر عملیاتی را انجام می داد (2).

2. یکی از مدل های ماشین تورینگ

1943 وارن مک کالوچ i والتر پیتس آن را نشان می دهد نورون مصنوعی می تواند عملیات ساده را با ایجاد یک مدل شبیه سازی کند شبکه عصبی. مدل آنها صرفاً مبتنی بر ریاضیات و الگوریتم بود و به دلیل کمبود منابع محاسباتی قابل آزمایش نبود.

1950 در متن خود با عنوان "علوم کامپیوتر و هوش" که در مجله ذهن منتشر شده است، آلن ام تورینگ برای اولین بار آزمونی را ارائه می دهد که سپس "آزمون تورینگ" نامیده می شود. این راه تعریف است توانایی ماشین برای استفاده از زبان طبیعی و به طور غیرمستقیم به معنای اثبات این بود که او بر توانایی تفکر به همان شیوه یک شخص تسلط داشته است.

1951 ماروین مینسکی اوراز دین ادموندز آنها می سازند SNARK (انگلیسی)، اولین شبکه عصبی مصنوعی با 3 هزار لوله وکیوم. این دستگاه نقش یک موش را داشت که به دنبال راهی برای خروج از پیچ و خم برای رسیدن به غذا است. این سیستم امکان ردیابی تمام حرکات موش را در پیچ و خم فراهم کرد. یک خطای طراحی باعث شد تا بیش از یک "رت" در آنجا معرفی شود و "رتها" شروع به تعامل با یکدیگر کردند. تلاش‌های زیادی که انجام دادند به آن‌ها این امکان را داد که بر اساس منطقی «تفکر» کنند و این به تقویت انتخاب درست کمک کرد. موش‌های پیشرفته‌تر به دنبال «موش‌های صحرایی» دیگر قرار گرفتند.

1955 آلن نیول و (برنده آینده نوبل) هربرت A. سیمون نظریه پرداز منطق را بنویسید. در نهایت، این برنامه 38 مورد از 52 عبارت اول Principia Mathematica را اثبات می کند. راسل i سر سفیدپیدا کردن شواهد جدید و زیباتر برای برخی.

1956 اصطلاح "" متولد می شود. اولین بار در کنفرانسی که توسط کالج دارتموث در نیوهمپشایر سازماندهی شده بود استفاده شد (3). مفهوم جدید به عنوان "سیستمی که آگاهانه محیط خود را درک می کند و به آن پاسخ می دهد تا شانس موفقیت خود را به حداکثر برساند" تعریف شد. از جمله برگزارکنندگان این رویداد بودند ماروین مینسکی, جان مک کارتی و دو دانشمند ارشد: کلود شانون i ناتان روچستر z IBM.

. اعضای کنفرانس دارتموث 1956 از چپ به راست: ماروین مینسکی و کلود شانون.

1960 ساخت شبکه های الکتروشیمیایی موارد آموزشی نامگذاری شده است آدالین. ساخته شده برنارد ویدرو از دانشگاه استنفورد، شبکه متشکل از عناصر منفرد آدالین بود که وقتی بازتولید و ترکیب شدند، منجر به مدالین گفت (انگلیسی Adalines). اولین بود کامپیوتر عصبی تجاری ارائه می شود. شبکه مدالین توسط رادار، سونار، مودم و خطوط تلفن استفاده می شود.

1966 بالا می رود برنامه الیزا، یک نمونه اولیه چت بات که در MIT آزمایش شده است. این به روشی ساده طراحی شده است: جملات توضیحی داده شده توسط کاربر را به سؤال تبدیل می کند و آنها را وادار می کند تا عبارات بیشتری دریافت کنند. به عنوان مثال، زمانی که کاربری گفت: «سردرد دارم»، برنامه پرسید: «چرا سرت درد می‌کند؟» ELIZA با موفقیت در درمان افراد مبتلا به اختلالات روانی مورد استفاده قرار گرفته است..

1967 در ژاپن، دانشگاه Waseda آغاز شد پروژه VABOT (4) در سال 1967 برای اولین بار در جهان ربات انسان نما هوشمند با اندازه کامل. سیستم کنترل اندام او به او این امکان را می داد که با اندام تحتانی خود راه برود و همچنین با استفاده از حسگرهای لمسی اشیا را با دستان خود بگیرد و حرکت دهد. سیستم بینایی او به او این امکان را می‌داد تا با استفاده از گیرنده‌های خارجی، چشم‌ها و گوش‌های مصنوعی، فواصل و جهت اشیا را اندازه‌گیری کند. و سیستم مکالمه به او اجازه می داد با استفاده از لب های مصنوعی با شخصی به زبان ژاپنی ارتباط برقرار کند.

1969 ماروین مینسکی i سیمور پاپرت محدودیت های پرسپترون را نشان می دهد. کتاب آنها حاوی شواهد رسمی بود مبنی بر اینکه شبکه های تک لایه دارای طیف بسیار محدودی از کاربردها هستند که منجر به رکود در این زمینه تحقیقاتی شد. این وضعیت حدود 15 سال ادامه یافت تا اینکه مجموعه ای از نشریات منتشر شد که در آنها به طور قانع کننده ای نشان داده شد که شبکه های غیرخطی از محدودیت هایی که در کارهای قبلی نشان داده شده بود فارغ هستند. در آن زمان اعلام شد طیف وسیعی از روش های یادگیری ماشین برای شبکه های چند لایه.

1973 ادوارد شورت لیف، پزشک و دانشمند کامپیوتر، او ایجاد کرد برنامه MAISINیکی از اولین سیستم های خبره برای تشخیص درمان عفونت های باکتریایی بر اساس تشخیص بیماری های خونی بر اساس نتایج آزمایشات و محاسبه دوز صحیح آنتی بیوتیک ها می باشد.

در دهه 70، اکثر پزشکان قبل از تجویز آنتی بیوتیک برای بیمار به مشاوره تخصصی نیاز داشتند. هر آنتی بیوتیک بر گروه خاصی از میکروارگانیسم ها تأثیر می گذارد، اما عوارض جانبی خاصی نیز ایجاد می کند. با این حال، دانش این موضوع در بین پزشکان عادی زیاد نبود. به همین دلیل است که دانشکده پزشکی دانشگاه استنفورد، یک مرکز تحقیقاتی معتبر جهانی در زمینه آنتی بیوتیک ها، برای کمک به متخصصان فناوری اطلاعات مراجعه کرد. بنابراین، یک سیستم مشاوره ایجاد شد که شامل یک پایگاه داده گسترده و 500 اصل برای کمک به پزشکان در استفاده صحیح از آنتی بیوتیک ها بود.

1975 پل وربوس پس انتشار را ابداع می کند که مشکل و محدودیت های شبکه های تک لایه را حل کرده و به طور کلی ساخته شده است شبکه های عصبی را کارآمدتر آموزش دهید.

80-s به عنوان "سیستم های خبره" شناخته می شود و دانش به کانون اصلی تحقیقات AI تبدیل شده است. سیستم های خبره به جای تمرکز بر هوش عمومی، بر استفاده از مجموعه ای از اصول برای خودکارسازی وظایف خاص و تصمیم گیری های خاص در دنیای واقعی تمرکز کرده اند.

اولین راه حل موفق، معروف به RI، توسط Digital Equipment Corporation برای سفارشی سازی سفارشات شرکت و بهبود دقت معرفی شد. با این حال، اپل و آی‌بی‌ام به زودی رایانه‌های مرکزی با قدرت پردازشی بیشتری نسبت به رایانه‌های مورد استفاده برای تعمیر و نگهداری معرفی کردند. هوش مصنوعی، صنعت هوش مصنوعی را مختل می کند. این دوباره سرمایه گذاری در هوش مصنوعی را متوقف کرد.

1988 محققان IBM مقاله ای را منتشر کرده اند که اصول احتمال را در ترجمه خودکار از فرانسوی به انگلیسی ارائه می کند. این رویکرد، نزدیک‌تر به آن، پایه‌های فناوری یادگیری ماشینی امروزی را بنا نهاد.

1989 ظاهر می شود الوین () که نتیجه هشت سال تحقیق با بودجه نظامی در موسسه رباتیک CMU بود (5). می توان آن را جد امروزی دانست. اجرای ALVINN داده ها را از دو منبع پردازش می کند: یک دوربین فیلمبرداری و یک فاصله یاب لیزری. این یک سیستم ادراکی بود که کنترل وسایل نقلیه را با مشاهده راننده یاد می گرفت. او از آن استفاده کرد شبکه عصبی و بدون نقشه تصمیم گیری کنید.

5. وسیله نقلیه با سیستم خودمختار ALVINN

دهه 90 در دنیای هوش مصنوعی، پارادایم جدیدی به نام «عوامل هوشمند» در حال اتخاذ است. مروارید یهودا, آلن نیول, لزلی پی کلبلینگ و دیگران استفاده از نظریه تصمیم گیری و اقتصاد را در تحقیقات هوش مصنوعی پیشنهاد کرده اند.

1997 آبی عمیق ایجاد شده توسط IBM استاد بزرگ را شکست می دهد گریم کاسپاروف (6). این ابرکامپیوتر نسخه تخصصی پلتفرم ایجاد شده توسط آی‌بی‌ام بود و می‌توانست در هر ثانیه دو برابر بازی اول (که ماشین از دست داد)، که طبق گزارش‌ها 200 میلیون حرکت در ثانیه انجام می‌شد، انجام دهد.

6. مسابقه گری کاسپاروف در مقابل دیپ بلو

1998 چهار میلیون به درخت کریسمس می روند ربات های گوش Furbyکه در نهایت زبان انگلیسی را یاد خواهند گرفت.

2002-09 در سال 2002، دارپا جهان را به چالش کشید. فناوری های هوشمند: 140 میلیون دلار برای سازندگان برای رانندگی 18 مایلی در سراسر صحرای موهاوی. 2005 مه 7 استنلی (XNUMX) در چالش بزرگ شرکت کرد، مجهز به لیزر، رادار، دوربین فیلمبرداری، گیرنده GPS، شش پردازنده و معماری نرم افزاری یکپارچه، و برنده شد. این خودرو از آن زمان در موزه ملی تاریخ آمریکا اسمیتسونیان به نمایش گذاشته شده است. همراه با استنلی در تاریخ هوش مصنوعی تیم طراحی دانشگاه استنفورد به رهبری پروفسور. سباستین ترون، که در آن زمان رئیس ماشین خودران گوگل بود، در سال 2009 ایجاد شد.

2005 هوندا آسیمو را معرفی کرد ربات انسان نما که روی دو پا راه می رود (8). در طول توسعه آن، داده هایی به دست آمد که به عنوان مثال در طراحی پروتزهایی که به افراد مسن اجازه حرکت می دهد استفاده شد.

2011 ابرکامپیوتر Watson از IBM که در سال 2011 در نمایش بازی "Jeopardy" (که در لهستان با نام "Va Banque" پخش می شود) استادان آن زمان را شکست داد.

2016 برنامه کامپیوتری AlphaGo ایجاد شده توسط یکی از شرکت های گوگل، از لی سدول، 18 بار قهرمان جهان در Go (9) پیشی می گیرد.

9. مسابقه بین Go Li Sedol و AlphaGo

2018 گوگل و موسسه آلن برای هوش مصنوعی BERT را ایجاد کردند، "اولین نمایش زبانی دوسویه بدون نظارت که می تواند برای انواع وظایف زبان طبیعی با استفاده از انتقال دانش استفاده شود." BERT یک هوش مصنوعی است که می تواند قسمت های از دست رفته جملات را به همان روشی که یک انسان انجام می دهد تکمیل کند. برت یکی از هیجان‌انگیزترین پیشرفت‌ها در زمینه پردازش زبان طبیعی (NLP)، حوزه‌ای از هوش مصنوعی است که در سال‌های اخیر به سرعت در حال توسعه بوده است. به لطف او، روزی که بتوانیم با دستگاه صحبت کنیم بسیار نزدیکتر شده است.

2019 شبکه عصبی عمیق نامگذاری شده است توسط دانشمندان دانشگاه کالیفرنیا ایجاد شده است، او مکعب روبیک را در 1,2 ثانیه حل کرد، تقریباً سه برابر سریعتر از ماهرترین فرد است. به طور متوسط، او به حدود 28 حرکت نیاز دارد، در حالی که یک فرد به طور متوسط ​​50 حرکت انجام می دهد.

طبقه بندی و کاربردهای هوش مصنوعی

XNUMX- هوش مصنوعی دو معنای اصلی دارد:

• این یک هوش فرضی است که از طریق یک فرآیند مهندسی محقق می شود، نه یک فرآیند طبیعی.
• نام یک فناوری و زمینه تحقیقاتی در علوم کامپیوتر است که بر پیشرفت های علوم اعصاب، ریاضیات، روانشناسی، علوم شناختی و فلسفه نیز بنا شده است.

II. در ادبیات مربوط به این موضوع، سه درجه اصلی هوش مصنوعی وجود دارد:

1. هوش مصنوعی باریک (، ANI) که فقط در یک زمینه تخصص دارد، مانند AlphaGo، که یک هوش مصنوعی است که قادر به شکست دادن یک قهرمان در بازی Go است. با این حال، این تنها کاری است که او می تواند انجام دهد.
2. هوش مصنوعی عمومی (، AGI) - که به عنوان هوش مصنوعی قوی شناخته می شود، به رایانه ای در سطح فکری یک فرد معمولی اشاره دارد - قادر به انجام هر کاری که انجام می دهد. به گفته بسیاری از کارشناسان، ما در راه ایجاد یک AGI موثر هستیم.
3. ابر هوش مصنوعی (، AS I). نیک بوستروم، نظریه‌پرداز هوش مصنوعی آکسفورد، هوش فوق‌العاده را این‌گونه تعریف می‌کند: «هوش بسیار باهوش‌تر از باهوش‌ترین ذهن‌های انسان از هر نظر، از جمله خلاقیت علمی، دانش عمومی، و مهارت‌های اجتماعی».

III. کاربردهای عملی مدرن هوش مصنوعی:

• فناوری های مبتنی بر منطق فازی - معمولاً به عنوان مثال برای کنترل پیشرفت فرآیندهای فناوری در کارخانه ها در شرایط "عدم وجود همه داده ها" استفاده می شود.
• سیستم های خبره - سیستم هایی که از پایگاه دانش و مکانیسم های استنتاج برای حل مسائل استفاده می کنند.
• ترجمه ماشینی متون - سیستم های ترجمه برای انسان سازگار نیستند، به شدت توسعه یافته اند و به ویژه برای ترجمه متون فنی مناسب هستند.
• شبکه های عصبی - با موفقیت در بسیاری از برنامه ها از جمله برنامه نویسی "مخالفان هوشمند" در بازی های رایانه ای استفاده می شود.
• فراگیری ماشین شاخه ای از هوش مصنوعی که با الگوریتم هایی سر و کار دارد که می تواند تصمیم گیری یا کسب دانش را یاد بگیرد.
• جمع آوری داده ها - در مورد زمینه ها، ارتباط با نیازهای اطلاعاتی، کسب دانش، روش های تجزیه و تحلیل اعمال شده، نتایج مورد انتظار بحث می کند.
• تشخیص تصویر - برنامه هایی در حال استفاده هستند که افراد را از روی عکس یک چهره تشخیص می دهند یا به طور خودکار اشیاء انتخاب شده در عکس های ماهواره ای را تشخیص می دهند.
• تشخیص گفتار و تشخیص گوینده در حال حاضر به طور گسترده به صورت تجاری استفاده می شود.
• تشخیص دست خط (OCR) - قبلاً در مقیاس گسترده استفاده می شود، به عنوان مثال، برای مرتب سازی خودکار حروف و در دفترچه یادداشت الکترونیکی.
• خلاقیت مصنوعی - برنامه هایی وجود دارند که به طور خودکار فرم های کوتاه شعری را تولید می کنند، آثار موسیقی را می سازند، تنظیم می کنند و تفسیر می کنند که می تواند به طور مؤثر حتی هنرمندان حرفه ای را "گیج" کند تا آنها آثار را مصنوعی در نظر نگیرند.
• معمولا در اقتصاد استفاده می شود سیستم ها به صورت خودکار ارزیابی، از جمله اعتبار، مشخصات بهترین مشتریان یا برنامه ریزی کمپین های تبلیغاتی. این سیستم ها بر اساس داده هایی که در اختیار دارند (به عنوان مثال، مشتریان بانکی که به طور منظم وام را پرداخت می کنند و مشتریانی که با آن مشکل داشتند) به طور خودکار آموزش داده می شوند.
• رابط های هوشمند - برای کنترل خودکار، نظارت، گزارش و تلاش برای حل مشکلات احتمالی در فرآیندهای تکنولوژیکی استفاده می شود.
• پیش بینی و تشخیص تقلب - با استفاده از V.I. سیستم های رگرسیون لجستیک مجموعه داده ها را برای شناسایی، به عنوان مثال، تراکنش های مالی مشکوک تجزیه و تحلیل می کنند.