هوشمصنوعی چیست؟
آیا میدونید که در روز چند بار از هوشمصنوعی استفاده میکنید بدون آنکه اصلا متوجه باشید.بیایید کمی در مورد اینکه هوش مصنوعی واقعاً چیه و چگونه در زندگی ما نقش داره صحبت کنیم. هوشمصنوعی به بیانی ساده تلاش میکنه ماشینها رو به گونهای طراحی کنه که بتونن مثل انسان از تجربه کردن یاد بگیرن اطلاعات و دادهها رو تحلیل کنن با شرایط جدید سازگار کنن و بهترین تصمیم را بگیرن مثلا وقتی توی یوتیوب ویدیوهای مورد علاقه خودتون رو دنبال میکنید از روی جستجوهای شما یه سری ویدیو پیشنهاد میده یا گوگل وقتی شما کلماتی را تایپ میکنید عبارت مورد نظر شما را حدس میزنه اون موقع هوشمصنوعی از الگوریتمهای هوشمصنوعی استفاده میکنه برخلاف نرمافزارهای سنتی که فقط یه سری دستورالعمل ثابت رو اجرا میکردند امروزه سیستمهای مبتنی بر هوشمصنوعی توانایی اینو دارند که از دادههای جدید یاد بگیرند و به مرور زمان عملکرد خودشون رو بهتر و بهتر کنند.
یه ماشین حساب هیچ وقت چیزی یاد نمیگیره هر بار یه فرمول رو اجرا میکنه اما یه مدل هوشمصنوعی هرچی دادههای بیشتری بهش بدی عملکرد دقیقتری از خودش نشون میده. هوشمصنوعی یک فناوری یا نرمافزار خاصی نیست، بلکه مجموعهای از شاخههای علمی و مهندسی هست. مثلا برای اینکه گوشی شما بتونه تصویر شما یا اثر انگشت شما را به عنوان رمز عبور تشخیص بده یا هنگامیکه یه سیستمی بخواد یه متن تولید بکنه به ترکیبی از ریاضیات، آمار، برنامهنویسی و الگوریتمهای یادگیری نیاز داره و دقیقاً به همین دلیله که هوشمصنوعی یک علم میان رشتهای به حساب میاد.
امروزه کاربرد هوشمصنوعی رو در پزشکی میبینیم که چه جوری یه بیماری رو از روی تصاویر MRI تشخیص میده. در حوزه آموزش، محتوای آموزشی تولید میکنه. در بانکداری تراکنشهای مشکوک رو تشخیص میده و در تجارت محصولات پیشنهادی ارائه میکنه و چه قشنگ و دقیق کد برنامهنویسی شده را تکمیل و عیبیابی میکنه. فکر کنم تا اینجای مطلب در مورد توانایی یادگیری دادهها توسط هوشمصنوعی یه چیزایی متوجه شده باشید، به زبان ساده بخوام بگم فرض کنید میخواهید به یک کودک تفاوت بین گربه و سگ را یاد بدهید چند تا تصویر بهش نشون میدین تا کم کم تفاوتها را ببینه و یاد بگیره. یادگیری ماشین هم به همین شکله اما سیستمهای هوش مصنوعی با میلیونها نمونه آموزش میبین تا یاد بگیرن. این یه باور غلطه که فکر کنیم هوشمصنوعی مثل انسان فکر میکنه شاید بتونیم بگیم مثل انسانها از تفاوته ها یاد میگیره.
اگر دوست دارید هوشمصنوعی را از پایه و به زبان ساده یاد بگیرید پیشنهاد میکنم تا انتهای این مقاله همراه من باشید، در ابتدا با تاریخچه این فناوری آشنا میشویم و سپس به سراغ نحوه
عملکرد انواع کاربردها و مسیر یادگیری هوشمصنوعی میرویم.
تاریخچه
امروزه وقتی نام هوشمصنوعی را میشنویم ابزارهایی مثل Gemini، GPT Chat یا تولید کنندگان تصویر و محتوا به ذهنمون میرسه و فکر میکنیم یک فناوری جدید و امروزی هست اما برخلاف تصور بسیاری از افراد هوشمصنوعی یک فناوری جدید نیست.
ریشه این عمل به بیش از ۷۰ سال قبل برمیگرده زمانیکه دانشمندان این سوال را مطرح کردند که« آیا میتوان ماشینی ساخت که مانند انسان فکر کند ؟! ».
همین سوال ساده آغازگر یک انقلاب فناوری در تاریخ بشر شد. حتی اون موقع اینترنت به شکل امروزی وجود نداشت. در دهه ۱۹۴۰ میلادی از رایانهها فقط برای انجام محاسبات پیچیده استفاده میشد. هیچکس تصور نمیکرد که رایانه بتونه متن بنویسه ، تصویر خلق کنه یا به سوالهای انسان پاسخ بده. شاید نهایتاً به این فکر میکردند که آیا ماشینها میتونن فراتر از اجرای دستورات از پیش تعیینشده عمل کنند. ولی همین سوال یه نقطه عطفی شد که در سال ۱۹۵۰ آلن تورینگ مقاله معروف خودش رو با عنوان «Computing Machinery and Intelligence» منتشر کرد. در این مقاله پرسشی را مطرح کرد که هنوز هم یکی از مهمترین پرسشهای دنیای هوشمصنوعی است « آیا ماشینها میتوانند فکرکنند؟» تورینگ برای بررسی این موضوع آزمایشی را معرفی کرد که امروزه به نام « آزمون تورینگ » شناخته میشود.
به اینصورت که یک داور انسانی در یک اتاق قرار میگیرد و از طریق رایانه یا پیام متنی با دو طرف گفتگو میکند، یکی از آنها یک انسان و دیگری یک ماشین یا سیستم هوشمصنوعی است. داور نمیداند کدام پاسخها متعلق به انسان و کدام متعلق به ماشین هستند. او تنها با پرسیدن سؤالهای مختلف و بررسی پاسخها تلاش میکند هویت هر طرف را تشخیص دهد. اگر پس از پایان گفتگو، داور نتواند با اطمینان تشخیص دهد کدام طرف ماشین است، گفته میشود که ماشین، آزمون تورینگ را با موفقیت پشت سر گذاشتهاست و ماشین رفتاری هوشمندانه از خود نشان داده. آزمون تورینگ چیست؟
اگه بخواهیم یک سال را به عنوان نقطه آغاز رسمی هوشمصنوعی معرفی کنیم آن سال ۱۹۵۶ است در تابستان همان سال گروهی از پژوهشگران علوم کامپیوتر در کنفرانس دارتموث دور هم جمع شدند تا در مورد ساخت ماشینهای هوشمند بحث کنند و در همین کنفرانس برای اولین بار اصطلاح Intelligence Artificial یا هوشمصنوعی به صورت رسمی معرفی شد.
شرکتکنندگان در این پروژه معتقد بودند که اگر بتوان فرایندهای یادگیری و استدلال انسان را به درستی توصیف کنیم ساخت ماشینهای هوشمند هم امکانپذیر میشود. هرچند که این هدف در آن زمان سیار خوشبینانه به نظر میرسید. اما همین ایده پایهگذار دهها تحقیق و توسعه در حوزه هوشمصنوعی شد. اما این رشد همیشه صعودی نبود در دهههای ۱۹۷۰ و اواخر ۱۹۸۰ به دلیل محدودیت در سختافزار، کمبود داده و توان پردازشی پایین تقریباً متوقف شد. میتونیم این دوره را به زمستان هوشمصنوعی تعبیر کنیم. سرمایهگذاری بسیاری از شرکتها و دولتها کاهش پیدا کرد و برخی هم تصور کردند پروژه هوشمصنوعی شکست خورده اما هوش مصنوعی در دهه ۲۰۱۰ بازگشت پرقدرتی داشت.
با افزایش قدرت پردازندهها، ظهور پردازنده های گرافیکی GUI، رشد اینترنت و تولید حجم عظیمی از دادهها شرایط کاملا تغییر کرد. الگوریتمهای یادگیری عمیق( Deep Learning )تونستند در حوزههایی مثل تشخیص تصویر، تشخیص گفتار و و ترجمه ماشینی عملکردی فراتر از انتظار داشته باشند. سرمایهگذاریهای وسیعی صورت گرفت و هوشمصنوعی واحد مرحله تازهای شد.از جمله اتفاقاتی که در این دههها رخ داد شکست گریکاسپاروف قهرمان شطرنج جهان در مقابل ابر رایانه Blue Deep در سال ۱۹۹۷ بود.
رویدادی که نشان داد ماشینها میتونند در برخی وظایف تخصصی عملکرد بهتری از انسان داشته باشند. یا اوایل ۲۰۱۲ مدل AlexNet نقطه عطفی در بینایی ماشین بود پس از آن فناوریهایی مثل تشخیص گفتار، ترجمه ماشینی، خودروهای خودران و دستیارهای هوشمند با سرعت زیادی توسعه پیدا کردند. در سال ۲۰۱۷ معرفی معماری Transformer زمینه توسعه مدلهای زبانی بزرگ را فراهم کرد و از سال ۲۰۲۲ ابزارهایی مثل ChatGPT، Gemini، Claude نشان دادند که هوشمصنوعی مولد میتواند متن، تصویر، کد، صدا و حتی ویدیو تولید کند. این فناوری در مدت کوتاهی از آزمایشگاههای تحقیقاتی به خانهها، مدارس، دانشگاهها و کسب و کارها راه پیدا کرد.
هوشمصنوعی چگونه کار میکند ؟
شاید تا به حال براتون سوال شده وقتی مثلا از ChatGPT سوال میپرسید در عرض چند ثانیه چگونه پاسخی نسبتاً دقیق به شما میدهد. در نگاه اول ممکنه تصور کنید که هوشمصنوعی مثل مغز انسان فکر میکنه یا اینکه تنها مجموعهای از دستورها را اجرا میکنه؟! واقعیت امر اینه که هوشمصنوعی فکر نمیکنه، بلکه نحوه عملکرد اون کاملا بر پایه داده، الگوریتم و محاسبات ریاضیه. یه سیستم هوشمصنوعی هیچ شناختی و یا احساسی از دنیای اطراف خودش نداره و تنها با تحلیل حجم زیادی داده الگوها را شناسایی میکنه و بر اساس اونها تصمیم میگیره و یا پیشبینی میکنه.
برای توضیح این مطلب باز هم به سراغ آموزش یک کودک برویم این بار تفاوت سیب و پرتقال را میخواهیم به او آموزش بدهیم. ما بارها تصاویر این دو میوه را به کودک نشان میدهیم. ویژگی هر کدام را توضیح میدهیم بعد از مدتی کودک بدون کمک ما میتونه این دو میوه را از هم تشخیص بده. یه فرق ریز بین سیستم هوش مصنوعی و کودک اینجا تصور کنید سیستم میتونه میلیونها نمونه را در ظرف مدت چند میلی ثانیه بررسی کند.😃
با جمعآوری دادهها کار هوشمصنوعی آغاز میشه. این دادهها میتونن متن، تصویر، صدا، ویدیو یا حتی اطلاعات حسگرها باشند. هرچه دادههای آموزشی کاملتر، دقیقتر و متنوعتر باشد مدل نیز شانس بیشتری برای یادگیری صحیح خواهدداشت. به همین دلیل کیفیت دادهها از عوامل موفقیت یک پروژه هوشمصنوعی محسوب میشود. پس از جمعآوری ، دادهها پاکسازی و آمادهسازی میشوند تا کیفیت آنها برای آموزش مدل مناسب باشد. در همین راستا متخصصان علومداده زمان زیادی را صرف آمادهسازی و بررسی دادهها میکنند. پس از آماده شدن داده نوبت به آموزش مدل میرسه. در این مرحله الگوریتمهای یادگیری ماشین یا یادگیری عمیق بارها وبارها
داده ها را تحلیل میکنند و تالش میکنند الگوهای موجود را یاد بگیرند. هر بار که مدل پیشبینی نادرستی انجام میده با استفاده از روشهای بهینهسازی پارامتر داخلی آن اصلاح میشود تا در دفعات بعدی دقت بیشتری داشته باشند. این فرایند ممکنه هزاران بار یا میلیونها بار تکرار بشه تا به سطح قابل قبولی از دقت برسه. پ س از آموزش، مدل وارد مرحله استنتاج میشه. در این مرحله مدل دنبال یادگیری نیست. از دانشی که قبلا کسب کرده برای پاسخ دادن به درخواستهای جدید استفاده میکنه. مثلا وقتی یه تصویر رو برای تشخیص اشیا بارگذاری میکنید یا از چت بات سوال میپرسید، مدل با تحلیل اطلاعات ورودی و مقایسه آن با الگوهایی که قبلا یاد گرفته مناسبترین پاسخ را تولید میکند. یه نکته مهم اینجاست که توجه شما را به اون جلب میکنم و اون اینه که سیستمها پاسخها را مثل یک کتاب از قبل ذخیره نمیکنند.
مدلهای امروزی بهویژه مدلهای زبانی بزرگ بر اساس احتمال و الگوهایی که در زمان آموزش یاد گرفتهاند پاسخ جدید را در لحظه تولید میکنند. دقیقا بههمین دلیل هربارپاسخها از نظر نحوه بیان متفاوت خواهد بود.
به طور خلاصه عملکرد هوشمصنوعی را میتوانیم در چهار مرحله اصلی خلاصه کنیم:
- جمعآوری داده
- آموزش مدل
- ارزیابی عملکرد
- استفاده از مدل برای حل مسائل واقعی
دقت داشته باشیم که هرچه داده آموزشی با کیفیتتر باشند پاسخها خطاهای کمتری خواهند داشت.
انواع هوشمصنوعی کدامند؟
شاید فکر کنید تمام هوشمصنوعیها عملکرد یکسانی دارند اما واقعیت اینه که هوشمصنوعی انواع مختلفی داره با عملکردهای مختلف. هرکدام برای هدف خاصی طراحی شدهاند. برخی ازمدلها یک وظیفه مشخصی انجام میدهند در حالی که برخی دیگر با هدف انجام طیف وسیعتری از وظایف توسعه پیدا میکنند. به همین دلیل بر اساس سطح توانایی و نوع عملکرد دستهبندی میشوند
هوش مصنوعی محدود (Narrow AI)
این هوشمصنوعی با نام AI Weak شناخته میشه و رایجترین نوع هوشمصنوعی در دنیای امروز است. این سیستم برای انجام یک یا چند وظیفه مشخص آموزش میبینه و خارج از همان حوزه عملکردش توانایی تصمیمگیری یا یادگیری مستقل نداره مثل همون هوشمصنوعی در گوگل ترنسلیت یافروشگاه اینترنتی وقتی محصولی پیشنهاد میده یا Gemini . البته با وجود محدود بودن، این نوع هوش مصنوعی در انجام وظایف تخصصی عملکرد بسیار چشمگیری داره و دقیقتر از انسان عمل میکنه اما در خارج از محدوده آموزشش عملکرد خوبی نداره.
هوش مصنوعی عمومی (General AI)
lligence General Artificial با این نام شناخته میشود و این مفهومیه که بسیاری از شرکتهای بزرگ فناوری و مراکز تحقیقاتی در حال تلاش برای دستیابی به آن هستند. این سیستم میتونه مثل انسان در موضوعات مختلف یاد بگیره، استدلال کنه، تجربه گذشته خودش رو به مسائل جدید انتقال بده و بدون نیاز به آموزش اختصاصی برای هر وظیفه با شرایط جدید سازگار بشه. البته هنوز نمونه تایید شدهای وجود نداره پس بهتره این هوش مصنوعی های امروزی رو در دسته عمومی قرار ندیم و تفاوت این دو را درک کنیم.
ابر هوشمصنوعی (Artificial Super Intelligence)
توانایی آن در تمام زمینهها از انسان فراتر است. از حل مسائل پیچیده و تصمیمگیری گرفته تا خلاقیت، تحلیل و حتی کشف دانش جدید. در حال حاضر چنین سیستمی وجود ندارد و یک مفهوم نظری است که در مقالات علمی و مباحث آینده پژوهی از آن صحبت میشود اما باید در نظر داشت با پیشرفت سریع هوشمصنوعی خیلی دور از نظر نیست.ابرهوش مصنوعی چیست؟
این دستهبندیها بر اساس سطح توانایی بود اما از نظر نحوه عملکرد میتوان به چهار گروه:
از این چهار گروه تنها ماشینهای واکنشی مثل خودروهای خودران و سیستمهای با حافظه محدود مثل ابزارهای تولید محتوا در دنیای واقعی کاربرد دارند. دو گروه دیگر در حد مفاهیم پژوهشی هستند و نمونه عملی از آنها وجود ندارد.
هوشمصنوعی در چه زمینههایی استفاده میشود؟
حالا قسمت جالب موضوع استفاده از هوشمصنوعی در زندگی روزمره از مسیریابی، خرید آنلاین، تماشای فیلم، ترجمه متن، حتی استفاده از تلفن همراه. فکر میکنید امروز چند بار از هوشمصنوعی استفاده کردهاید؟ احتمالا بیشتر از چیزی که تصور میکنید.
کاربردهای هوشمصنوعی در موارد زیر میبینیم:
1️⃣ تولید محتوا: در نوشتن مقاله وهمچنین ایدهپردازی به تولید کنندگان محتوا در شبکههای اجتماعی از ابزارهایی مثل Perplexity AI ،Microsoft Copilot Claude ، Gemini ،ChatGP استفاده میشود ودر خلاصه کردن متن، ترجمه، نوشتن ایمیل، تولید کد، تولید تصویر از ابزارهایی مثل Midjourney ،E·DALL، Firefly Adobe، Diffusion Stable که امکان ساخت تصاویر را تنها با نوشتن چند جمله فراهم کردن استفاده میشود.هوشمصنوعی در تولید محتوا
2️⃣ آموزش : هوشمصنوعی یادگیری دانشآموزان و دانشجویان و حتی متخصصان را متحول کرده از ابزارهایی مثل ChatGPT، Gemini، Claude، Khanmigo، NotebookLM برای یادگیری مفاهیم، حل تمرین، خلاصهنویسی، برنامهریزی درسی و پاسخ به سوالات استفاده میشود. مطالب متناسب با سطح دانش هر فرد ارائه میشود و فرایند یادگیری را شخصسازی میکند.هوشمصنوعی در آموزش
3️⃣ پزشکی و سلامت :هوشمصنوعی به پزشکان کمک میکند بیماریها را سریعتر تشخیص بدهند. تصاویر پزشکی را تحلیل میکنند. داروهای جدید طراحی میکنند. روند درمان بیماران را بهتر مدیریت میکنند. ابزارهایی مثل MedLM Google، Copilot Dragon Microsoft و سامانههای هوشمند تحلیل تصاویر رادیولوژی نمونههایی از کاربرد هوشمصنوعی در این حوزه است. البته هوشمصنوعی نقش یک دستیار هوشمند را بازی میکند نه یک پزشک متخصص . هوشمصنوعی در پزشکی و سلامت
4️⃣ برنامهنویسی و توسعه نرمافزار :برای افزایش سرعت توسعه نرمافزار میتونیم از ابزارهای مثل Copilot GitHub، Cursor، Developer Q Amazon، Codeium، Tabnine استفاده کنیم که میتونن کد پیشنهاد بدن،خطاها را پیدا کنند ، مستندات بنویسند و حتی میتونن در طراحی بخشهایی از پروژه کمک کنند. البته باز هم بگم بررسی و اصلاح خروجی این ابزارها بر عهده برنامهنویس است.هوشمصنوعی در برنامهنویسی و توسعه نرمافزار
5️⃣ کسب و کار و بازاریابی : بسیاری از شرکتها برای تحلیل رفتار مشتریان، پیشبینی فروش، پاسخگویی خودکار به کاربران توسط chat bot ها که گوشه برخی وبسایتها هستند و همچنین تولید کمپینهای تبلیغاتی و تحلیل از ابزارهایی مثل Canva AI ،Jasper AI ،Salesforce Einstein ،HubSpot AI استفاده میکنند. هوشمصنوعی در کسب و کار
6️⃣ حملونقل و خودروهای هوشمند : در صنعت حملونقل برای تحلیل ترافیک، مسیریابی، مدیریت ناوگان و توسعه خودروهای خودران استفاده میشه. خودروها ی (FSD (Driving-Self Full Teslaسامانههای Waymo و
مسیریابهای Maps Googleو Waze از الگوریتمهای هوشمصنوعی برای پیشبینی مسیر، تحلیل شرایط جاده، ارائه بهترین مسیر ممکن استفاده میکنند. هوشمصنوعی در حملونقل
7️⃣ امنیت سایبری : با پیچیدهشدن حملات سایبری استفاده از هوشمصنوعی در امنیت اطلاعات هم افزایش پیداکرد ابزارهایی مثل IBM ،Darktrace ،CrowdStrike Falcon ، Microsoft Security Copilot Qradar میتونن رفتارهای مشکوک رو شناسایی کنند، حملات را پیشبینی کنند و در واکنش کارشناسان امنیت کمکهای شایانی کنند. هوشمصنوعی در امنیت سایبری
آیا کاربردهای هوشمصنوعی به این موارد محدود میشود؟! خیر هوشمصنوعی امروزه در صنایع متنوعی مثل کشاورزی، بانکداری، بورس، تولید انرژی، معماری، حقوق، منابع انسانی، بازیسازی، رباتیک و حتی مدیریت شهرهای هوشمند نیز استفاده میشود. هر سال ابزارهای جدید با دامنههای کاربردی متفاوت ارائه میشوند.
اما حالا بریم سر هدفی که توی این وبسایت دنبال میکنیم: آموزش هوش مصنوعی
خوب من هم میتونم یادش بگیرم یا خیلی سخته؟ یکی از سولات پرتکرار بیشتر افراد اینه که آیا یادگیری این حوزه واقعاً سخت است؟
پاسخ به این سوال به هدف شما بستگی دارد. اگر فقط میخواهید از ابزارهای هوشمصنوعی و ابزارهای هوشمند استفاده کنید چندان پیچیده نیست. در مدت کوتاهی میتوانید مهارتهای کاربردی آنرا یاد بگیرید. اما اگر هدفتان تبدیل شدن به یک متخصص هوشمصنوعی، مهندس یادگیریماشین یا پژوهشگر این حوزه باشد، مسیر یادگیری عمیقتر خواهد بود.
در این حالت باید علاوه بر آشنایی با مفاهیم هوش مصنوعی مباحثی مانند ریاضیات، آمار، برنامهنویسی، یادگیریماشین، یادگیریعمیق، شبکههایعصبی، مدلهای زبانیبزرگ را نیز بهتدریج یادبگیرید. مسیر یادگیری هوشمصنوعی
یکی از تصورات اشتباه افراد برای ورود به این حوزه اینه که فکر میکنند در همان ابتدا برای ورود باید ریاضیات بسیار پیشرفته یا برنامه نویسی حرفهای بلد باشند، در حالیکه امروزه با منابع آموزشی و ابزارهای تعاملی که وجود دارد و مدلهای هوشمند هوشمصنوعی یادگیری بسیار سادهتر از گذشته شده و بسیاری از افراد ابتدا کار با ابزارهای هوشمصنوعی را یاد میگیرند و سپس به مرور وارد مباحث تخصصی و توسعه مدلهای هوشمصنوعی میشوند.
پس نکته مهم اینه که یادگیری هوشمصنوعی بیشتر از اونکه به استعداد وابسته باشه به پشتکار تمرین و داشتن یک مسیر آموزشی مناسب بستگی داره. اما نگران نباشید ما اینجا هستیم که این مسیر را برای شما آسان کنیم تا با این مفاهیم به ترتیب از پایه شروع کنید و مرحله به مرحله یاد بگیرید و مسائل پیچیده را که در ابتدا سخت به نظر میرسند به مرور درک کنید و سپس به سراغ مباحث پیشرفتهتر برویم. از کجا یادگیری هوش مصنوعی را شروع کنیم.