آشنایی با 7 نوع هوش مصنوعی پرکاربرد

1. هوش مصنوعی ضعیف

هوش مصنوعی ضعیف (Weak Artificial Intelligence)، نوع خاصی از هوش مصنوعی است که برای انجام یک کار خاص طراحی شده است. به بیان دقیق‌تر، هوش مصنوعی ضعیف به نوع خاصی از سیستم‌ها یا برنامه‌های کامپیوتری اشاره دارد که تنها توانایی انجام یک کار خاص و محدود را دارند و قدرت آن‌ها محدود به کاری است که برای آن آموزش دیده‌اند. این نوع هوش مصنوعی تلاش می‌کند به‌صورت خودکار و هوشمندانه وظیفه‌ای را انجام دهد، اما در حوزه‌های دیگر عملکرد چندان جالبی ندارد. 

به‌عنوان مثال، برنامه‌های شطرنج با هوش مصنوعی ضعیف می‌توانند بازیکنان حرفه‌ای شطرنج را شکست دهند، اما در موارد دیگری که نیاز به تفسیر و فهم مفهومی واقعی دارد، مثل درک زبان طبیعی، نمی‌توانند به‌خوبی عمل کنند. برنامه تشخیص چهره نیز در زیرمجموعه هوش مصنوعی ضعیف قرار می‌گیرد که برای شناسایی چهره افراد در تصاویر طراحی شده است. یک برنامه رانندگی خودکار نیز نوع خاصی از هوش مصنوعی ضعیف است که برای رانندگی بدون دخالت انسان طراحی شده است. هوش مصنوعی ضعیف در نقطه مقابل هوش عمومی مصنوعی است که قادر به انجام هر کاری است که یک انسان می‌تواند انجام دهد. هوش مصنوعی ضعیف در حوزه‌های مختلفی استفاده می‌شود که از آن جمله باید به مراقبت‌های بهداشتی، مالی، خرده‌فروشی و غیره اشاره کرد. هوش مصنوعی ضعیف می‌تواند برای بهبود کارایی، کاهش هزینه‌ها و ارائه خدمات بهتر به مشتریان استفاده شود.

هوش مصنوعی ضعیف انجام برخی از کارها را برای ما ساده کرده است. با این حال، نکته مهمی که باید به آن دقت کنید این است که هوش مصنوعی ضعیف کامل نیست و ممکن است برخی کارها را به اشتباه انجام دهد. به همین دلیل، هنگام استفاده از آن باید در مورد خطرات آن آگاه باشید و اگر کاری برای شما انجام داد، آن‌را بررسی کنید تا مطمئن شوید به‌درستی انجام داده است. 

2. ماشین‌های واکنش‌گرا (Reactive Machines) 

ماشین‌های واکنش‌گرا ابتدایی‌ترین سیستم‌های هوش مصنوعی با قابلیت‌های بسیار محدود هستند که سعی می‌کنند با الگوبرداری از مغز انسان‌ها به محرک‌های مختلف محیطی پاسخ دهند. ماشین‌های واکنش‌گرا به هیچ دانش قبلی از محیط نیاز ندارند و می‌توانند به‌سرعت به تغییرات محیط پاسخ دهند. ماشین‌های واکنش‌گرا با استفاده از رویکردی که یادگیری تقویتی (Reinforcement Learning)  نام دارد، آموزش می‌بینند. یادگیری تقویتی یک فرآیند یادگیری است که در آن یک ماشین با آزمایش و خطا یاد می‌گیرد تا یک کار را به بهترین شکل انجام دهد. ماشین با دریافت پاداش برای اقداماتی که به‌سمت هدف نزدیک‌تر می‌شود، یاد می‌گیرد که وظیفه محوله را به‌درستی انجام داده است. ماشین‌های واکنش‌گرا در طیف گسترده‌ای از برنامه‌ها، از جمله کنترل خودکار، بازی‌های کامپیوتری و روباتیک استفاده می‌شوند. یک ماشین واکنش‌گرای ساده که برای تشخیص چهره انسان مورد استفاده قرار می‌گیرد، به این صورت عمل می‌کند که چهره انسان را به‌عنوان ورودی دریافت می‌کند و جعبه‌ای در اطراف آن ایجاد می‌کند تا آن‌را به‌عنوان یک چهره تشخیص دهد. مدل هیچ داده‌ای را ذخیره نمی‌کند و یاد نمی‌گیرد. عملکرد دوربین‌های نصب‌شده روی گوشی‌های هوشمند بر مبنای چنین مدلی کار می‌کنند. مدل هوشمند Deep Blue شرکت آی‌بی‌ام که در سال 1997 میلادی موفق شد استاد بزرگ شطرنج، گری کاسپاروف را شکست دهد، یک نمونه شناخته‌شده از هوش مصنوعی واکنش‌گرا است. 

این سیستم‌های هوشمند تنها بر اساس ورودی‌های فعلی خود واکنش نشان می‌دهند و حافظه‌ طولانی‌مدت برای ذخیره و استخراج اطلاعات ندارند. این نوع سیستم‌ها از روش‌های ساده‌ای برای پردازش ورودی استفاده می‌کنند و عملکرد آن‌ها معمولا محدود به وظیفه خاصی است که برای آن طراحی شده‌اند. به‌طور معمول، ماشین‌های واکنش‌گرا بر اساس قوانین و الگوریتم‌های ثابت عمل می‌کنند و قادر هستند با سرعت و دقت بالا به ورودی‌ها واکنش نشان می‌دهند، اما عملکرد آن‌ها در موقعیت‌هایی که از زمینه‌ آموزش‌‌شان خارج می‌شود، افت شدیدی پیدا می‌کند. به عبارت دیگر، ماشین‌های واکنش‌گرا نیاز به برنامه‌ریزی دقیق و دستی دارند تا بتوانند وظایف خاصی را به‌درستی انجام دهند و قادر نیستند به‌صورت خودکار و بدون نیاز به تغییر کد برنامه، به تغییرات محیط و وظایف جدید واکنش نشان دهند.

یک مثال از ماشین واکنشی، ربات‌هایی هستند که در خطوط تولید صنعتی استفاده می‌شوند. آن‌ها با توجه به سیگنال‌های ورودی فعلی خود (مانند سنسورها)، عملکرد خود را تنظیم می‌کنند و وظایف خاصی را در خط تولید انجام می‌دهند، اما نمی‌توانند درک کاملی از مفهوم خط تولید و فرآیند تولید داشته باشند و تنها بر اساس الگوریتم‌های تعریف‌شده واکنش نشان می‌دهند. به‌طور کلی، ماشین‌های واکنشی به‌عنوان بخشی از سیستم‌های هوشمند تلقی می‌شوند، اما توانایی‌های آن‌ها در مقایسه با سطوح بالاتر هوش مصنوعی محدودتر است. ماشین‌های واکنشی هنوز در مراحل اولیه توسعه هستند، اما قادر هستند تحولی بزرگ به‌وجود آورند. با ادامه توسعه این مدل‌های هوشمند، می‌توانیم انتظار داشته باشیم در آینده به‌شکل فزاینده‌ای با زندگی روزمره ما ادغام شوند.

3. ابر هوش مصنوعی (ASI)

ابرهوش مصنوعی (Artificial Superintelligence) یا به اختصار Super AI، اوج تحقیقات هوش مصنوعی است؛ زیرا این مدل عالی‌ترین سطح از هوش را در این سیاره به خود اختصاص خواهد داد. به‌دلیل حافظه بسیار بزرگ، پردازش و تجزیه‌وتحلیل سریع‌تر داده‌ها و مهارت‌های تصمیم‌گیری، ابرهوش مصنوعی در کنار تقلید از مغز انسان، در هر کاری عملکرد بهتری نسبت به ما خواهد داشت. 

به‌طور کلی، ابرهوش مصنوعی  از انسان‌ها باهوش‌تر است و می‌تواند اغلب کارها را بهتر انجام دهد. ابرهوش مصنوعی به نوع خاصی از هوش مصنوعی گفته می‌شود که به اندازه‌ای دقیق قادر به شبیه‌سازی احساسات و تجربیات انسانی است که نه‌تنها رفتارهایش برای انسان‌ها قابل درک است، بلکه قادر به متقاعد کردن افراد در انجام کارها خواهد بود. از ویژگی‌های کلیدی و شاخص ابرهوش مصنوعی باید به توانایی استدلال، حل مشکلات، قضاوت و تصمیم‌گیری به تنهایی و بدون دخالت عامل انسانی اشاره کرد. ابرهوش مصنوعی هنوز در حد یک فرضیه است، اما پیاده‌سازی چنین سیستمی در دنیای واقعی جهان را دستخوش تغییرات اساسی خواهد کرد. 

4. هوش مصنوعی عمومی (AGI)

هوش مصنوعی عمومی (Artificial General Intelligence)، هوشی است که می‌تواند هر کار فکری را همانند انسان‌ها به‌شکل دقیق انجام دهد. این مدل هوش مصنوعی به‌لحاظ عملکرد به تئوری ذهن که در ادامه به آن خواهیم پرداخت، مرتبط است. هوش مصنوعی عمومی هنوز وجود ندارد، اما برخی پژوهشگران معتقدند مسئله اصلی تنها زمان است تا به چنین هوشی دست پیدا کنیم، زیرا زیرساخت‌ها و دانش لازم برای ساخت چنین هوشی را در اختیار داریم. 

هوش مصنوعی عمومی قادر است حوزه‌های بزرگی مثل مراقبت‌های بهداشتی، مالی و آموزش را به‌طور کامل دگرگون کند. با این حال، برخی از کارشناسان هشدار داده‌اند که هوش مصنوعی عمومی می‌تواند خطرات جدی مانند بی‌کاری گسترده را به‌همراه داشته باشد. البته، ذکر این نکته ضروری است که در مقطع فعلی، هوش مصنوعی عمومی یک مفهوم نظری است و شاید در آینده به واقعیت ملموس دنیای ما تبدیل شود. با این حال، مهم است که خطرات و مزایای احتمالی هوش مصنوعی عمومی را در نظر بگیریم.

برخی از مزایای احتمالی هوش مصنوعی عمومی به‌شرح زیر است: 

•  می‌تواند برای حل برخی از پیچیده‌ترین مشکلات جهان مانند بحران آب، افزایش گرمای زمین یا حتا سکونت در سیارات دیگر استفاده شود.
•  می‌تواند نقش مهمی در بهبود زندگی روزمره ما و به‌ویژه در حوزه‌های حمل و نقل، مراقبت‌های بهداشتی و آموزش داشته باشد. 
•  می‌تواند به ما کمک کند شناخت دقیق‌تری در مورد جهان خود داشته باشیم. فرض کنید، داده‌های دریافتی از تلسکوپ جیمز وب را در اختیار هوش مصنوعی عمومی قرار بدهیم تا اطلاعات ارزشمندی در مورد کیهان در اختیار ما قرار دهد. 

برخی از خطرات احتمالی هوش مصنوعی عمومی به‌شرح زیر است: 

•  می‌تواند منجر به بی‌کاری گسترده شود، زیرا ماشین‌ها می‌توانند مشاغل و کارهایی را که امروزه توسط انسان‌ها انجام می‌شود به‌شکل بهتر و دقیق‌تری انجام دهند. 
•  می‌تواند برای توسعه سلاح‌های خودکار استفاده شود که احتمال ایجاد خطرات جدی برای بشر وجود دارد.
•  در نهایت، اگر چنین هوشی توسعه پیدا کند و کنترل آن‌را از دست بدهیم، این توانایی را دارد تا باعث نابودی بشریت شود. 

در حال حاضر، محققان به دنبال راه‌هایی هستند تا احساسات انسانی و سایر مهارت‌ها را به ماشین‌ها اضافه کنند تا بتوانند انسان‌وار رفتار کنند. لازم به توضیح است که «هوش مصنوعی قوی» (Strong AI) نام دیگری است که برای هوش مصنوعی عمومی در نظر گرفته شده است. 

5. حافظه محدود

مدل هوش مصنوعی حافظه محدود (Limited Memory Artificial Intelligence Model)، نوع خاصی از هوش مصنوعی است که قابلیت ذخیره و استفاده محدود از اطلاعات را دارد. در این مدل، اطلاعات و دانش قبلی در حافظه ذخیره می‌شوند و به‌عنوان یک منبع اطلاعاتی برای تصمیم‌گیری‌های آینده مورد استفاده قرار می‌گیرند.

مدل هوش مصنوعی حافظه محدود بر پایه الگوریتم‌های یادگیری تقویتی ساخته می‌شود. در این الگوریتم‌ها، یک عامل هوشمند با تعامل با محیط، داده‌هایی را دریافت می‌کند و براساس آن‌ها تصمیم‌گیری می‌کند. اطلاعات تجربی به‌صورت جفت ورودی-خروجی (Input-Output Pairs) به عامل ارائه می‌شوند و عامل با استفاده از الگوریتم‌های یادگیری تقویتی، قوانین و الگوهای موجود در داده‌ها را یاد می‌گیرد.

مدل هوش مصنوعی حافظه محدود قادر به ذخیره تعداد محدودی از تجربیات و دانش قبلی است. این محدودیت ممکن است مشکلاتی را در قابلیت یادگیری و تصمیم‌گیری مدل ایجاد کند، زیرا اطلاعات قدیمی در حافظه محدود باقی می‌مانند و ممکن است برخی از اطلاعات جدید را نادیده بگیرند. به‌طور کلی، مدل‌های حافظه محدود بیشتر در مسائلی که تغییرات سریع و پویا وجود دارد، کاربرد دارند. به‌عنوان مثال، یک مدل هوش مصنوعی حافظه محدود می‌تواند در مسئله بازی‌های کامپیوتری استفاده شود. در این وضعیت، حالت‌ها و تجربیات قبلی بازیکنان ذخیره می‌شود و به‌عنوان راهنمایی برای انتخاب حرکت‌های آینده استفاده می‌شود. با این حال، این نوع مدل‌ها معمولا در مقایسه با مدل‌های با حافظه بدون ‌محدودیت، کارایی کمتری در طولانی‌مدت دارند. در مجموع، مدل هوش مصنوعی حافظه محدود یک تعادل بین ظرفیت ذخیره و قابلیت یادگیری دارد و در برخی مسائل می‌تواند عملکرد خوبی داشته باشد، اما در برخی موارد ممکن است نتواند با مدل‌های با حافظه بدون محدودیت رقابت کند. امروزه، سیستم‌های مبتنی بر حافظه محدود، پاسخ‌هایی می‌دهند و از بازخوردها نکاتی را یاد می‌گیرند. سیستم‌های هوش مصنوعی حافظه محدود ظرفیت واکنش به داده‌های قبلی و یادگیری از داده‌های قبلی را ترکیب می‌کنند.

تقریبا تمام برنامه‌های کاربردی هوش مصنوعی فعلی که ما از آن‌ها آگاه هستیم در این دسته قرار می‌گیرند. تمام سیستم‌های هوش مصنوعی مدرن از جمله سیستم‌های یادگیری عمیق، با استفاده از مقادیر عظیمی از داده‌های آموزشی که در حافظه ذخیره می‌کنند، آموزش داده می‌شوند تا یک مدل مرجع برای پرداختن به مسائل آینده ایجاد کنند. برای مثال، به یک هوش مصنوعی تشخیص تصویر آموزش داده می‌شود که مواردی را که با استفاده از صدها عکس و برچسب‌‌ها اسکن می‌کند، نام‌گذاری کند. هنگامی که یک هوش مصنوعی تصویری را اسکن می‌کند، از عکس‌های آموزشی به‌عنوان مرجع برای درک محتوای تصویر ارائه‌شده به آن استفاده می‌کند و بر اساس تجربه یادگیری (Learning Experience) خود، تصاویر جدید را با دقت فزاینده برچسب‌گذاری می‌کند.

6. تئوری ذهن 

تئوری ذهن در هوش مصنوعی (Theory of Mind AI) به مدلی اشاره دارد که احساسات، شخصیت‌ها و باورهای انسانی را درک می‌کند و قابلیت تعامل اجتماعی را دارد، اما هنوز تا رسیدن به این هدف فاصله زیادی وجود دارد. این تئوری به بررسی فرآیندها و قابلیت‌های ذهنی مانند تفکر، ادراک، تصمیم‌گیری و انتقال دانش می‌پردازد و سعی می‌کند این فرآیندها را در مدل‌های هوش مصنوعی شبیه‌سازی کند. تئوری ذهن در هوش مصنوعی سعی می‌کند به پرسش‌هایی مثل «چگونه یک ماشین می‌تواند فکر کند؟» یا «چگونه می‌تواند دانش را درک کرده و استفاده کند؟» پاسخ دهد. این تئوری به دنبال شرح فعالیت‌های ذهنی است که نشان می‌دهد انسان‌ها در انجام برخی کارها برتری قابل توجهی نسبت به سایر موجودات هوشمند دارند. برای مثال، توانایی تفکر انتقادی، قابلیت حل مسئله، مهارت‌های کلامی و زبانی از جمله این موارد است.

یکی از مهم‌ترین مفاهیم در تئوری ذهن، توانایی فهمیدن و پیش‌بینی دیگران و درک این موضوع است که افراد دیگر چه دیدگاه و ذهنیتی دارند. به بیان دقیق‌تر، به قدرت پیش‌گویی ماشین‌ها اشاره دارد. استفاده از تئوری ذهن در هوش مصنوعی می‌تواند به توسعه سیستم‌هایی که قادر به فهمیدن و تعامل با انسان‌ها به‌صورت طبیعی هستند، کمک کند. این تئوری می‌تواند طراحی رابط‌های کاربری هوشمند و سیستم‌های ماشین به ماشین (Machine to machine) را وارد مرحله جدیدی کند. این حوزه همچنان یکی از چالش‌های بزرگ در هوش مصنوعی است و محققان در تلاش هستند تا بتوانند بر محدودیت‌های فنی غلبه کنند و بتوانند با مدل‌سازی الگوی فکری انسان‌ها از تئوری ذهن در دنیای هوش مصنوعی استفاده کنند. 

هوش عاطفی/هیجانی مصنوعی (Artificial Emotional Intelligence) و پیشرفت در تئوری تصمیم‌گیری دو زمینه مطالعاتی هستند که به این موضوع می‌پردازند. لازم به توضیح است که مایکل جردن بخشی از تحقیقات خود در مورد تصمیم‌گیری در آینده یادگیری ماشین و هوش مصنوعی را با رویداد مایکل جردن و یون استویکا در 13 می 2023 میلادی منتشر کرد و اطلاعات تکمیلی‌تر را نیز در کنفرانس ICLR 2020 ارائه کرد که جزئیات آن در اینترنت در دسترس عموم قرار دارد. 

7. خودیادگیری هوش مصنوعی

خودآموزی یا خودیادگیری (Self-learning) در هوش مصنوعی به معنای توانایی سیستم‌های هوشمند برای فراگیری و بهبود عملکرد خود بدون نیاز به دخالت انسان است. در این رویکرد، سیستم‌های هوشمند قادر به جمع‌آوری داده‌ها، تحلیل آن‌ها، استخراج الگوها و قوانین و ادامه یادگیری براساس این الگوها و قوانین هستند. روش‌های خودآموزی در هوش مصنوعی می‌توانند شامل مدل‌های یادگیری ماشین مثل شبکه‌های عصبی عمیق (Deep Neural Networks) و الگوریتم‌های یادگیری تقویتی باشند. در این روش‌ها، سیستم‌های هوشمند با استفاده از داده‌ها و سیگنال‌های ورودی، به‌طور خودکار الگوها و قوانین را تشخیص می‌دهند و بر اساس آن‌ها عمل می‌کنند. در نتیجه، با گذر زمان و استفاده مداوم از داده‌ها، عملکرد سیستم بهبود می‌یابد.

خودآموزی در هوش مصنوعی مزایایی مانند انعطاف‌پذیری بالا، توانایی تطبیق با تغییرات محیطی و قابلیت پاسخگویی به وظایف پیچیده را به دنبال دارد. با این حال، یکی از چالش‌های مهم مرتبط با خودآموزی، نیاز به داده‌های آموزشی زیاد است. برای دستیابی به یک عملکرد قابل قبول، سیستم‌های هوشمند نیاز به مجموعه‌ای از داده‌های ورودی متنوع و کافی دارند تا بتوانند الگوها و قوانین مورد نیاز را استخراج کنند. پیشرفت فناوری و توسعه روش‌های یادگیری ماشین، خودآموزی در هوش مصنوعی را به موضوع داغ این حوزه تبدیل کرده است. با توجه به وضعیت فعلی، این شکل از هوش مصنوعی بعید به‌نظر می‌رسد که در آینده نزدیک در اختیار ما قرار بگیرد. با این حال، در آینده ممکن است به چنین سطحی از هوش دست پیدا کنیم. این همان هوشی است که ایلان ماسک و استیون هاوکینگز بارها به ما در مورد توسعه آن هشدار داده‌اند.