گشت‌وگذار در دنیای هوش مصنوعی (AI)؛ تکنولوژی هوشمندی که غوغا به‌پا کرد

هوش مصنوعی چیست؟ ابزاری که داده‌ها را تحلیل می‌کند، کدهای اشتباه‌تان را به‌شکلی صحیح می‌نویسد، تقویم محتوایی تنظیم می‌کند، نگارش یک مقاله وب‌سایت را انجام می‌دهد، اطلاعات سطح وب را گردآوری می‌کند، پیش‌بینی نیازهای مشتریان را با اطلاعات کافی انجام می‌دهد و در مجموع، یک دستیار باهوش و دانا است. 

با رونمایی از ChatGPT در نوامبر 2022 و هیاهوی پس از آن، اهمیت آموزش هوش مصنوعی و برگزاری دوره یادگیری ماشین بیش از پیش برجسته شد؛ زیرا افراد در سراسر دنیا به انجام وظایف روزانه و گسترش خلاقیت با کمک AI روی آوردند، شرکت‌های مطرح استخدام متخصصان هوش مصنوعی را در برنامه خود گنجاندند و علاقه‌مندان به این حوزه کنجکاوی بیشتری به‌خرج دادند.

ما در این مقاله از کوئرا بلاگ، به بررسی جواب «هوش مصنوعی چیست؟» و مباحث مهمی که پیرامون آن مطرح می‌شوند، خواهیم پرداخت؛ تاریخچه، اهداف، زیرشاخه‌ها، انواع AI و تفاوت هر یک، ترندهای پیش‌رو در سال 2024، رشته هوش مصنوعی در ایران، بازار کار آن و غیره از عنوان‌هایی هستند که در این نوشتار زیر ذره‌بین قرار می‌گیرند.

هوش مصنوعی چیست؟ 

در پاسخ به «هوش مصنوعی چیست؟» به‌شکلی جزئی می‌توانیم بگوییم که کلمه هوش به توانایی یادگیری، تفکر، تحلیل و تصمیم‌گیری ماشین اشاره دارد و کلمه مصنوعی ذات ماشین را توصیف می‌کند؛ ماشینی که توسط انسان ساخته شده و ذات آن از طبیعت نیست. 

درواقع هوش مصنوعی فناوری‌ای است که به ماشین‌ها و برنامه‌های کامپیوتری اجازه می‌دهد تا هوش انسانی را تقلید کنند و به‌واسطه پردازش داده‌ها و وظایف تکراری و آموزش الگوریتمی، پاسخ‌دهی به مشکلات جدید را یاد بگیرند.

روانشناسان عموما هوش انسان را نه‎تنها با یک ویژگی، بلکه با ترکیبی از بسیاری از توانایی‌های متنوع توصیف می‌کنند. تحقیقات در حوزه AI عمدتا بر مولفه‌های زیر از هوش متمرکز شده است: یادگیری، استدلال، حل مسئله، ادراک و استفاده از زبان. براساس این تعریف، محققان و توسعه‌دهندگان تلاش دارند هوش مصنوعی را برپایه توانایی‌های هوش انسان ساخته و گسترش دهند.

در تعریفی دیگر، IBM در مقاله‌ای تحت عنوان «هوش مصنوعی چیست؟» از توصیف موجود در کتاب “Artificial Intelligence: A Modern Approach” استفاده کرده است. کتاب مذکور تبدیل به یکی از کتاب‌های پژوهشی پیش‌رو در مطالعات AI شد که پرسش «هوش مصنوعی چیست؟» را این‌گونه پاسخ می‌دهد:

رویکرد انسانی:

•  سیستم‌هایی که مانند انسان فکر می‌کنند؛
•  سیستم‌هایی که مانند انسان عمل می‌کنند.

رویکرد ایده‌آل:

•  سیستم‌هایی که منطقی فکر می‌کنند؛
•  سیستم‌هایی که منطقی عمل می‌کنند.

تعریف هوش مصنوعی به زبان ساده

برای تعریف هوش مصنوعی به زبان ساده، باید بگوییم که ماشین‌ها توسط داده‌هایی که از انسان دریافت می‌کنند، آموزش می‌بینند. این داده‌ها در طی زمان توسط ماشین پردازش و الگوهای بین آن‌ها کشف می‌شود. به‌کارگیری الگوها هوش مصنوعی را قادر به درک دستورات، تصمیم‌گیری و ارائه پاسخ می‌کند.

 این مبحث را با یک مثال از دنیای واقعی و بیان اشتراک‌های یادگیری ذهن انسان و AI به اتمام خواهیم رساند.

تصور کنید کودک نوپایی هستید که راه رفتن را یاد می‌گیرد. چند قدم برمی‌دارید، زمین می‌خورید، دوباره بلند می‌شوید، همچنان تلاش می‌کنید و به‌تدریج متوجه می‌شوید که چگونه تعادل داشته باشید و پیوسته راه بروید. این فرآیند یادگیری از طریق تجربه و آزمون‌وخطا شبیه به مفهوم هوش مصنوعی (AI) است.

بیشتر بخوانید: نقشه راه یادگیری هوش مصنوعی – در سال ۲۰۲۳ و برای مبتدیان

تاریخچه هوش مصنوعی

تاریخچه هوش مصنوعی سرنخی برای درک تولد این مفهوم و پیشرفت آن در طول زمان است. در ادامه تاریخچه هوش مصنوعی را به‌صورت تایم‌لاین نشان خواهیم داد.

بیشتر بخوانید: تاریخچه یادگیری ماشین

تولید هوش ماشین (پیش از 1956)

در دهه‌های 1940 و 1950، تعداد انگشت‌شماری از دانشمندان فعال در رشته‌های مختلف (ریاضیات، روانشناسی، مهندسی، اقتصاد و علوم سیاسی) شروع به بحث در مورد امکان ایجاد یک مغز مصنوعی کردند. 

آلن تورینگ (Alan Turing) اولین کسی بود که تحقیقات قابل‌توجهی در این زمینه انجام داد و نام آن را «هوش ماشینی» (Machine Intelligence) نامید. 

در دهه 1950 و پس از تحقیقات تورینگ، رشته تحقیقات هوش مصنوعی به جامعه معرفی شد.

تولد هوش مصنوعی (1960-1956)

اصطلاح «هوش مصنوعی» به‌طور رسمی توسط جان مک کارتی (John McCarthy) در سال 1956 در کارگاه دارتموث (Dartmouth Workshop) معرفی شد؛ رویدادی مهم که آغاز رسمی هوش مصنوعی را به‌عنوان یک رشته دانشگاهی نشان داد. 

پروپوزال کنفرانس شامل این ادعا بود: «هر جنبه از هوش انسان یا هر ویژگی دیگری از آن را می‌توان به‌قدری دقیق توصیف کرد که بتوان ماشینی برای شبیه‌سازی آن ساخت». 

در این سال‌ها محققان بسیار خوش‌بین بودند و پیش‌بینی کردند که یک ماشین کاملا هوشمند در کمتر از 20 سال دیگر ساخته خواهد شد. 

سازمان‌های دولتی مانند دارپا (DARPA) پول زیادی را به حوزه جدید سرازیر کردند. آزمایشگاه‌های هوش مصنوعی در تعدادی از دانشگاه‌های بریتانیا و ایالات متحده در اواخر دهه 1950 و اوایل دهه 1960 راه‌اندازی شد.

ربات صنعتی – Unimate (1961)

Unimate اولین ربات صنعتی بود که توسط جورج دِوُل (George Devol) ساخته شد. این ربات در خط مونتاژ جنرال موتورز برای حمل ریخته‌گری و جوش دادن این قطعات روی بدنه‌ها استفاده می‌شد. 

کارگران در هنگام انجام این فعالیت باید بسیار محتاطانه عمل می‌کردند. در غیر این صورت، احتمال مسمومیت یا از دست دادن اندام‌های بدنشان وجود داشت. 

Unimate که به‌خاطر بازوی رباتیک سنگینش شناخته می‌شود، 1814 کیلوگرم وزن داشت.

پس از موفقیت Unimate و معرفی ربات‌های صنعتی مختلف، چندین نمونه مشابه با آن طراحی و ساخته شد.

الیزا، اولین چت‌بات (1964)

اختراع پس از Unimate به‌عنوان یک کشف بزرگ در تایم‌لاین هوش مصنوعی ثبت شد؛ زیرا با موفقیت این ربات صنعتی، بازار هوش مصنوعی هنوز پررونق بود.

Eliza اولین چت‌بات در دهه 1960 توسط جوزف ویزنبام (Joseph Wiezenbaum) در آزمایشگاه هوش مصنوعی MIT اختراع شد. 

الیزا یک ربات روان‌درمانی است که پاسخ کاربران را خیلی سریع آماده می‌کند؛ به‌طوری‌که آن‌ها احساس می‌کنند در حال صحبت کردن با کسی هستند که مشکلاتشان را درک می‌کند.

ایده اصلی توسعه الیزا این بود که فرد بیشتر حرف کند و این تصور را داشته باشد که واقعا با یک روان‌شناس در حال صحبت کردن است.

بیشتر بخوانید: معرفی هوش مصنوعی گوگل بارد (Google Bard) – دانستنی‌ها، کاربردها و نحوه استفاده

اولین روزهای تاریک هوش مصنوعی (اولین زمستان AI (1974-1980)

در دهه 1970، هوش مصنوعی در معرض نقدها و شکست‌های مالی قرار گرفت. محققان این علم در درک دشواری مشکلاتی که با آن مواجه بودند، ناکام ماندند. 

خوش‌بینی بسیار زیاد آن‌ها انتظارات عمومی را به‌‌شکل بدی بالا برده بود و زمانی که نتایج وعده داده‌شده محقق نشد، بودجه‌ای که هدفش هوش مصنوعی بود، تقریبا ناپدید شد. 

در همان زمان، اکتشاف شبکه‌های عصبی مصنوعی ساده و تک‌لایه تقریبا به‌طور کامل برای یک دهه، به‌دلیل کتاب ماروین مینسکی (Marvin Minsky) با نام Perceptrons: an introduction to computational geometry تا حدودی متوقف شد. 

در این کتاب، مینسکی بر محدودیت‌های کاری که الگوریتم‌های یادگیری ماشین می‌توانند انجام دهند، تاکید می‌کرد و این حوزه را از زاویه دیگری مورد بررسی قرار داد. 

علی‌رغم مشکلات به‌وجودآمده در جامعه و اذهان عمومی در دهه 70، ایده‌های جدیدی در برنامه‌نویسی منطقی، استدلال ماشین از داده و بسیاری از زمینه‌های دیگر مورد بررسی قرار گرفت.

و بلاخره (1987-1980)

در دهه 1980، نوعی برنامه هوش مصنوعی به‌نام «سیستم‌های خبره» (Expert Systems) توسط شرکت‌های سراسر جهان استفاده و دانش به کانون اصلی تحقیقات هوش مصنوعی تبدیل شد. 

دانش حوزه‌ای از هوش مصنوعی است که هدف دریافت اطلاعات از منابع و سیستم‌ها و به‌کارگیری آن‌ها برای حل مسائل پیچیده را دنبال می‌کند.

در همان سال‌ها، دولت ژاپن با پروژه نسل پنجم رایانه‌ای خود با استقبال زیادی از هوش مصنوعی حمایت مالی کرد. 

یکی دیگر از رویدادهای دلگرم‌کننده در اوایل دهه 1980، احیای پیوندگرایی (Connectionism) در آثار جان هاپفیلد (John Hopfield) و دیوید روملهارت (David Rumelhart) بود. در این رویداد، بار دیگر هوش مصنوعی به موفقیت دست یافت.

پیوندگرایی نام رویکردی برای مطالعه فرآیندهای ذهنی و شناخت انسان است که از مدل‌های ریاضی معروف به شبکه‌های پیوندگرا یا شبکه‌های عصبی مصنوعی استفاده می‌کند.

دومین ناکامی هوش مصنوعی (دومین زمستان AI) (1987-1993)

شیفتگی جامعه تجاری نسبت به هوش مصنوعی در دهه 1980 دچار حباب اقتصادی (Economic Bubble) شد و در این جریان، افزایش و کاهش بودجه را به خود دید. 

از آنجایی‌که بسیاری از شرکت‌های فعال در این زمینه شکست خوردند، تصور این بود که این فناوری دوام نمی‌آورد. با این حال، علی‌رغم انتقادها، این رشته همچنان به پیشرفت خود ادامه داد. 

بسیاری از محققان، از جمله توسعه‌دهندگان رباتیک مانند رادنی بروکس (Rodney Brooks) و هانس موراوک (Hans Moravec)، درباره یک رویکرد کاملا جدید در زمینه هوش مصنوعی به بحث نشستند.

در این زمان بیش از 300 شرکت هوش مصنوعی تعطیل یا ورشکست شده و برخی از آن‌ها تا پایان سال 1993 خریداری شده بودند. این جریان به اولین موج تجاری هوش مصنوعی پایان داد. 

در سال 1994، HP Newquist معروف به The Brain Makers بیان کرد که: «به‌نظر می‌رسد در آینده‌ای نزدیک، هوش مصنوعی – در شکل تجاری آن – تا حدی با موفقیت مستمر شبکه‌های عصبی، به پایان برسد.»

ربات چت آلیس (1995)

A.L.I.C.E، ساخته ریچارد والاس (Richard Wallace)، در سوم نوامبر 1995 در دسترس مردمان سراسر جهان قرار گرفت. 

اگرچه الیزای جوزف وایزن‌بام به‌شدت الهام‌بخش این ربات بود، اما در ساخت و آموزش این هوش مصنوعی ترفندهای بزرگی به‌کار رفت که آن را یک هوش مصنوعی استثنایی می‌کرد. این AI توسط NLP تقویت شد که با اعمال قوانین تطبیق الگوریتمی با انسان‌ها گفتگو می‌کرد و به ربات اجازه می‌داد مکالمه را به‌طور طبیعی پیش ببرد.

در طول سال‌ها، ALICE جوایز و افتخارات زیادی مانند جایزه Loebner را در سه سال متوالی (2000، 2001 و 2004) به دست آورد. علاوه بر این، فیلم Her در سال 2013، ساخته اسپایک جونز از این ربات الهام گرفته است. 

انسان در مقابل ماشین (1997)

در این سال هوش مصنوعی Deep Blue ساخته و عرضه شد که توانست اسطوره شطرنج، گری کاسپاروف (Kasparov) را شکست دهد. DeepBlue توسط IBM توسعه یافت و شگفت‌زدگی حاضران را به‌دنبال داشت. این موضوع باعث شد که مردم در مورد پیشی گرفتن ماشین‌ از انسان‌ها در کارهای مختلف تعجب کنند و به فکر فرو بروند.

سیری اپل (2008)

با معرفی سیری در آیفون، کاربران می‌توانستند برای اولین بار از ویژگی تشخیص صدا استفاده کنند. 

این پیشرفت در ابتدا کوچک به‌نظر می‌رسید، اما خبر از پیشرفت قابل توجهی در ربات‌های صوتی، جست‌وجوی مبتنی بر صوت و دستیارهای صوتی دیگر مانند Alexa و Google Home داد. 

اگرچه سیری در نسخه‌های اولیه خود دچار اشتباهات زیادی بود، اما به‌روزرسانی‌های مداوم، ارتقاء و بهبودهای قابل توجه توانست تشخیص صدا را به یکی از ویژگی‌های کلیدی دستگاه‌های اپل و همچنین هوش مصنوعی تبدیل کند.

هوش مصنوعی (2011)

حوزه هوش مصنوعی که اکنون بیش از نیم قرن قدمت دارد، سرانجام به برخی از قدیمی‌ترین اهداف خود دست یافت. در طی این سال‌ها AI توانست در سراسر صنعت فناوری به‌شکل موفقیت‌آمیزی استفاده شود؛ اگرچه این به‌کارگیری اغلب پشت پرده رخ می‌داد. 

بخشی از موفقیت‌ها به‌دلیل افزایش قدرت کامپیوتر و برخی دیگر به‌دلیل تمرکز روی مشکلات خاص، تلاش برای حل آن‌ها و کمک گرفتن از استانداردهای سطح بالا در روش‌های علمی بود.

در رشته AI، توافق‌هایی درباره دلایل شکست هوش مصنوعی وجود داشت؛ شکستی که نتوانست هوش انسان را شبیه‌سازی کند؛ تصوری که دنیا را در دهه 1960 تسخیر کرده بود. 

همه این عوامل در کنار هم به تقسیم رشته هوش مصنوعی به زیرشاخه‌های دیگر کمک کردند. هر یک از این زیرشاخه‌ها بر مشکلات یا رویکردهای خاصی متمرکز شده بودند و اسامی جدیدی به خود گرفتند. برخی از این اسامی سعی در پوشاندن شجره خدشه‌دار هوش  مصنوعی داشتند. 

در طی سال‌های 1993 تا 2011، AI هم محتاط‌تر و هم موفق‌تر از همیشه بود.

عصر هوش مصنوعی (2011 تاکنون)

یادگیری عمیق، کلان داده و هوش مصنوعی عمومی از سال 2011 توسعه یافت و تا به امروز در حال پیشرفت و عرضه است. 

در اوایل قرن بیست و یک، دسترسی به مقادیر زیادی از داده‌ها (معروف به Big Data)، کامپیوترهای ارزان‌تر و سریع‌تر و تکنیک‌های پیشرفته یادگیری ماشین، ساده شد. در همین زمان، متخصصان و پژوهش‌گران از این حجم اطلاعات برای حل مشکلات اقتصادی استفاده میکردند.

در سال 2016، بازار محصولات، سخت‌افزار و نرم‌افزار مرتبط با هوش مصنوعی به بیش از 8 میلیارد دلار رسید و نیویورک تایمز گزارش داد که علاقه به هوش مصنوعی به یک جنون رسیده است. 

کاربردهای کلان داده به حوزه‌های دیگر هم رسید؛ مانند مدل‌های آموزشی در بوم‌شناسی و کاربردهای مختلف AI در اقتصاد. 

پیشرفت‌ها در یادگیری عمیق (به‌ویژه شبکه‌های عصبی کانولوشن (Deep Convolutional Neural) و شبکه‌های عصبی مکرر (Recurrent Neural Networks)) باعث پیشرفت و تحقیق در زمینه پردازش تصویر و ویدیو، تجزیه‌وتحلیل متن و حتی تشخیص گفتار شد.

بیشتر بخوانید: شبکه عصبی کانولوشن (CNN) چیست؟

در سال 2011، IBM از سیستم خود با نام Watson رونمایی کرد. واتسون یک مدل زبانی بزرگ (Large Language Models-LLM) و سیستم پاسخ‌گویی به سوالات است. از این هوش مصنوعی در زمینه‌های مختلفی از جمله سلامت، آموزش و خدمات مشتری استفاده می‌شد. توانایی واتسون در پردازش حجم زیادی از داده‌ها و تولید اطلاعات کاربردی از آن‌ها باعث شد توجه بسیاری از برندهای مطرح به مدل LLM معطوف شود.

آمازون الکسا (2014)

الکسا یک دستیار مجازی است که توسط آمازون توسعه یافت. این سیستم روی ساعت‌های هوشمند، مانیتور خودرو، بلندگوها، تلویزیون و پلتفرم‌های مختلف دیگر در دسترس است. 

هر زمان که شخصی می‌گوید «الکسا»، دستگاه فعال شده و دستور کاربر را انجام می‌دهد. این سیستم قادر است نویزهای محیط را فیلتر کند و صدای انسان را تشخیص دهد.

الکسا می‌تواند موسیقی پخش کند، اطلاعات درخواستی را ارائه دهد، اخبار و نمرات ورزشی را اعلام کند، وضعیت آب‌وهوا را بگوید و خانه هوشمند افراد را کنترل کند. 

اعضای Amazon Prime می‌توانند به کمک این دستیار لیست‌های خریدشان را کامل کنند و محصولات را از آمازون سفارش دهند.

سوفیا، اولین ربات شهروند (2016)

Hansen Robotics با کمک هوش مصنوعی یک ربات انسان‌نما با نام سوفیا (Sophia) را ساخت. سوفیا می‌تواند حالات چهره، زبان، مهارت‌های گفتاری و نظرات انسان‌ها را در مورد موضوعات از پیش تعریف‌شده تقلید کند و ظاهرا طوری طراحی شده است که بتواند در طول زمان باهوش‌تر شود.

سوفیا در فوریه 2016 فعال شد و در همان سال به دنیا عرضه گردید. پس از آن، یک شهروند عربستانی شد که توانست به‌عنوان اولین ربات، به تابعیت یک کشور دست یابد. 

علاوه‌براین، Sophia به‌عنوان اولین قهرمان نوآور توسط برنامه توسعه سازمان ملل متحد معرفی شد.

GPT 3 (2020)

GPT-3، مخفف Generative Pre-trained Transformer، اوایل ماه می 2020 به دنیا معرفی شد و حوزه اتوماسیون را به‌طورکل متحول کرد.

این هوش مصنوعی توانست به هر متنی که شخص در کامپیوتر خود تایپ می‌کند، پاسخ دهد. 

GPT-3 براساس زبان طبیعی (NLP) و یادگیری عمیق  ساخته شده است و آن را قادر می‌سازد تا الگوهای جمله را پیدا کند، نه فقط متن زبان انسانی. 

قدرت و توان‌مندی این AI از وظایف ساده مانند پیشنهاد عنوان برای یک مقاله تا کشف خطاهای کد را دربرمی‌گیرد.

انفجار AI در 2023: ChatGPT، Bard، DALL-E 3 و Gemini

توسعه و افزایش LLM تغییر عظیمی در عملکرد هوش مصنوعی و پتانسیل آن برای افزایش ارزش در صنعت و فناوری به‌وجود آورد.

در سال 2023 رونمایی از ChatGPT، Bard، DALL-E 3 و Google Gemini توجه بسیار زیادی دریافت کرد و افراد در سراسر دنیا خلاقیت خود را با این ابزارها گسترش دادند. تولید محتوا با ChatGPT، نحوه استفاده از Bard، ساخت تصاویر خارق‌العاده با DALL-E3 و ویژگی‌های Gemini Pro و Gemini Ultra به عنوان‌های پرجست‌وجو در گوگل و یوتیوب تبدیل شدند.

هوش مصنوعی چطور کار می‌کند؟ 

هوش مصنوعی مجموعه‌ای از چندین علوم مختلف از جمله یادگیری ماشین، یادگیری عمیق، شبکه‌های عصبی، محاسبات شناختی، پردازش زبان طبیعی و بینایی ماشین است. 

سیستم‌های هوش مصنوعی با ترکیب مجموعه‌های بزرگی از داده‌ها و پردازش چندباره آن‌ها به‌وسیله الگوریتم‌های هوشمند، تلاش می‌کنند خروجی‌های دقیق ارائه دهند. هدف آن‌ها از این فرآیند کشف الگوها و ویژگی‌های موجود در داده‌هایی که آنالیز می‌کنند، است. 

هربار که سیستم AI یک‌بار داده‌ها را پردازش می‌کند، عملکرد خود را مورد آزمایش و اندازه‌گیری قرار می‌دهد و به این شکل دانش و تخصصش را گسترش می‌دهد. 

از آنجایی‌که هوش مصنوعی هرگز نیازی به استراحت ندارد، می‌تواند صدها، هزاران یا حتی میلیون‌ها کار را به‌سرعت انجام دهد، در زمان بسیار کمی چیزهای زیادی یاد بگیرد و در انجام هر کاری که برای انجام آن آموزش داده می‌شود، بسیار توانا شود.

مثالی در دنیای واقعی برای درک پاسخ «هوش مصنوعی چطور کار می‌کند؟» را در ادامه خواهید خواند:

تصور کنید یک جعبه بزرگ از داده‌ها دارید، مانند چندین جلد کتاب. هوش مصنوعی مانند دستیار هوشمندی است که می‌تواند تمام کتاب‌های موجود در جعبه را بخواند و از آن‌ها بیاموزد. هرچه AI کتاب‌های بیشتری بخواند، هوشمندتر می‌شود. 

هوش مصنوعی چه اهدافی دارد؟

هدف هوش مصنوعی شبیه‌سازی هوش انسان در ماشین‌ها است و می‌خواهد ماشین را برای انجام وظایف پیچیده و فرآیندهای تصمیم‌گیری مستقل توانمند سازد. اهداف هوش مصنوعی طیف وسیعی از کاربردها را در برمی‌گیرد، از جمله:

• حل مسئله و تصمیم‌گیری
• پردازش زبان طبیعی و ارتباط با انسان
• پیشرفت سیستم‌های بینایی ماشین، تشخیص گفتار و سیستم‌های پیشنهاددهنده
• اتوماسیون وظایف تکرارشونده، انجام خودکار فرآیندها و حذف تکرارهای مکرر
• بهبود تجربه درمان در حوزه پزشکی
• پرورش خلاقیت و نوآوری
• کاهش خطای انسانی
• سرعت و دقت‌بخشی
• دسترسی‌پذیری آنی
• افزایش شتاب تحقیق و توسعه

کاربردهای هوش مصنوعی 

AI کاربردهای گسترده‌ای در صنایع و حوزه‌های مختلف دارد که در ادامه هر یک از آن‌ها را شرح خواهیم داد.

دستیاران مجازی در توسعه نرم‌افزار

ابزارهای مولد AI را می‌توان برای طیف گسترده‌ای از وظایف ساده تا پیچیده برنامه‌نویسی، خطایابی برنامه‌ها و غیره، تنها براساس دستورات متنی که توسط انسان نوشته شده‌اند، استفاده کرد. البته این ابزارها تازه‌متولد هستند و بعید است به‌زودی جایگزین مهندسان نرم‌افزار شوند. 

استفاده از هوش مصنوعی در مهندسی نرم‌افزار و IT، برای خودکارسازی بسیاری از فرآیندهای تکراری از جمله ورود داده‌ها، کشف آسیب‌پذیری، نوشتن Test Case و نگهداری از کد بسیار متداول است.

بیشتر بخوانید: Github Copilot چیست؟ دستیار برنامه‌نویس یا جایگزین برنامه‌نویسان؟

تجزیه‌وتحلیل تصویر و فیلم

تکنیک‌های هوش مصنوعی، از جمله بینایی کامپیوتری، امکان تفسیر تصاویر و فیلم‌ها را فراهم می‌کند. این قابلیت در تشخیص چهره، تشخیص و ردیابی اشیاء، امکان شناسایی محتوای غیرمرتبط، تصویربرداری پزشکی و وسایل نقلیه خودران کاربرد دارد. 

بیشتر بخوانید: 13 فیلمی که هر برنامه نویس باید ببیند

رباتیک و اتوماسیون

ربات‌های مجهز به الگوریتم‌های هوش مصنوعی می‌توانند وظایف پیچیده‌ای را در زمینه‌های تولید، مراقبت‌های بهداشتی، تدارکات و اکتشاف انجام دهند. 

استفاده از بازوهای رباتیک مجهز به هوش مصنوعی و سایر ربات‌های تولیدی در بخش‌های مختلف کارخانه و صنایع سازنده، کار انسان را راحت‌تر کرده است. 

حسگرهای آنالیز پیش‌بینی‌کننده می‌توانند با زیرنظر گرفتن ربات‌ها و فرآیند تولید، بروز هرگونه مشکل و خطا را سریعا شناسایی و حل کنند.

بیشتر بخوانید: کاربرد پایتون در حوزه‌های مختلف

سیستم‌های پیشنهاددهنده

سیستم‌های پیشنهاددهنده (Recommendation Systems) مبتنی بر هوش مصنوعی در تجارت الکترونیک، پلتفرم‌های استریم و رسانه‌های اجتماعی برای شخصی‌سازی تجربیات کاربر استفاده می‌شوند. 

آن‌ها می‌توانند با توجه به ترجیحات، رفتار و داده‌های پیشین کاربر محصولات، فیلم‌ها، موسیقی یا محتوای مرتبط را پیشنهاد دهند.

بیشتر بخوانید: کاربرد جاوا اسکریپت چیست ؟ – ۱۱ مورد از مهم‌ترین کاربردها

خدمات مالی

هوش مصنوعی به‌طور گسترده در صنعت مالی برای کشف تقلب، ترید الگوریتمی، امتیازدهی به اعتبار حساب‌ها و سرمایه‌گذاران و ارزیابی ریسک استفاده می‌شود. 

دو نمونه مشهور از هوش مصنوعی‌های موفق در خدمات مالی Intuit Mint و TurboTax هستند که داده‌های شخصی را جمع کرده و مشاوره مالی ارائه می‌دهند. 

بانک‌داری

بانک‌ها با موفقیت از ربات‌های گفت‌وگو استفاده می‌کنند تا مشتریانشان را از خدمات و پیشنهادات جدید آگاه کنند و تراکنش‌هایی را انجام دهند که نیازی به دخالت انسانی ندارند. 

سازمان‌های بانکی از هوش مصنوعی برای بهبود تصمیم‌گیری درخصوص وام‌ها، تعیین محدودیت‌های اعتباری و شناسایی فرصت‌های سرمایه‌گذاری استفاده می‌کنند.

حمل‌ونقل

فناوری‌های هوش مصنوعی در حمل‌ونقل برای مدیریت ترافیک، پیش‌بینی تاخیرهای پرواز، ایمن‌تر و کارآمدتر کردن کشتی‌های اقیانوسی استفاده می‌شوند.

کشاورزی

کشاورزی یکی از صنایع پرزحمت و زمان‌بر است که افراد زیادی را درگیر می‌کند. از AI می‌توان برای مدیریت منابع مزرعه مانند آب، کود و آفت‌کش‌ها استفاده کرد. 

همچنین تجزیه‌وتحلیل داده‌هایی همچون شرایط آب‌وهوایی، اطلاعات خاک و برداشت‌ها با کمک AI ممکن است. 

کشاورزان و مزرعه‌داران می‌توانند از این تحلیل‌ها برای شناسایی الگوها و ترندها استفاده کنند تا شرایط مزرعه و محصولات را بهبود دهند.

امکان خودکارسازی فرآیندهای تکراری مانند کاشت، برداشت و رسیدگی به محصولات توسط هوش مصنوعی به‌راحتی قابل انجام است و می‌توان محصولات مقاوم به آفات و بیماری‌ها را در مدت زمانی کوتاه‌تر نسبت به روش‌های سنتی کشاورزی تولید کرد.

پزشکی، بهداشت و درمان

کاربردهای هوش مصنوعی در پزشکی و مراقبت‌های بهداشتی شامل تشخیص بیماری، تجزیه‌وتحلیل تصاویر پزشکی، یافتن بهترین دارو، داروهای شخصی‌سازی‌شده و نظارت بر بیمار است. 

استفاده از AI در حوزه پزشکی امکاناتی نظیر پاسخ‌دهی به پرسش‌های عمومی، چت‌بات‌هایی برای کمک به بیماران، نوبت‌دهی هوشمند، صدور صورت‌حساب و تکمیل فرآیندهای اداری را به‌همراه دارد.

چت‌بات‌ها

چت‌بات‌های مجهز به هوش مصنوعی با کاربران تعامل می‌کنند، درک زیادی از پرسش‌هایشان دارند، اطلاعات مرتبط را نشان و وظایفی را انجام می‌دهند. 

این ابزارها در پشتیبانی مشتری، بازیابی اطلاعات و انجام کارهای روزمره کاربران استفاده می‌شوند.

تشخیص گفتار

تشخیص گفتار یکی از توانایی‌های AI برای درک و تفسیر زبان گفتاری است. این فناوری در محصولات مختلفی استفاده می‌شود، از جمله سیری و الکسا. این دستیاران مجازی از تشخیص گفتار انسان برای پاسخ به دستورات صوتی استفاده می‌کنند. 

Google Translate ابزاری است که چندین کاربرد هوش مصنوعی را به‌طور یک‌جا در خود جای داده است. 

درصورتی‌که از قابلیت مکالمه این برنامه استفاده کرده باشید، متوجه می‌شوید که در لحظه حال گفتارتان را تشخیص داده و آن را به زبان دیگری ترجمه می‌کند. 

بیشتر بخوانید: بهترین ابزارهای تغییرصدا با هوش مصنوعی – فهرست ۷ ابزار کاربردی

پیش‌بینی‌

یکی دیگر از کاربردهای هوش مصنوعی، پیش‌بینی رویدادهای آینده است. این فناوری در کاربردهای مختلفی از جمله تشخیص تقلب، احتمال کاهش تعداد مشتریان و پیش‌بینی تقاضا برای محصول یا سرویس استفاده می‌شود.

تحلیل داده

یکی از کاربردهای هوش مصنوعی، تحلیل داده است که به شرکت‌ها اجازه می‌دهد خدمات و محصولاتشان را براساس نیاز بازار خودشان و ترجیحات مشتریانشان توسعه دهند. 

فرآیند جمع‌آوری، سازماندهی و تحلیل داده‌ها برای استخراج اطلاعات است. از این فناوری می‌توان در زمینه‌های مختلفی مانند هوش تجاری، تحقیقات بازار و تحقیقات علمی استفاده کرد. 

گوگل نمونه بارزی از این کاربرد AI است. این کمپانی بزرگ با تجزیه‌وتحلیل داده‌های به‌دست‌آمده، تلاش دارد تجربه کاربری در موتور جست‌وجوی خود را بهبود دهد. گوگل داده‌های مربوط به نحوه جست‌وجوی اطلاعات توسط افراد را تحلیل می‌کند تا الگوریتم‌های آینده خود را بهینه‌تر کند و محتوای ارزشمندتری را در معرض دید کاربر قرار دهد.

بیشتر بخوانید: بیگ دیتا چیست؟ آشنایی با کلان داده (Big Data) و کاربردهای آن

امنیت شبکه

محافظت از سیستم‌ها، شبکه‌ها و داده‌ها در برابر دسترسی، سوءاستفاده، افشا، اختلال، اصلاح یا تخریب موضوع بسیار مهمی در شبکه‌های کامپیوتری است. هوش مصنوعی در امنیت سایبری، شناسایی و جلوگیری از حملات به کمک متخصصان شبکه می‌آید و فرآیند را خودکار می‌کند.

گوگل در حوزه امنیت سایبری از AI کمک می‌گیرد. سیستم هوش مصنوعی این شرکت می‌تواند داده‌های میلیون‌ها دستگاه را برای شناسایی الگوهایی که حکایت از حمله سایبری دارند، تجزیه‌وتحلیل کند.

کسب‌وکار

AI در حال ادغام شدن با سیستم‌های مدیریت ارتباط با مشتریان (CRM) است و می‌تواند انجام وظایفی مانند پاسخ‌دهی به سوالات، درک اهداف مشتریان و پیش‌بینی نیازهای آن‌ها را آسان کند.

آموزش

هوش مصنوعی در آموزش می‌تواند نمره‌دهی را خودکار کند و به مربیان زمان بیشتری برای انجام کارهای دیگر بدهد. این کاربرد هوش مصنوعی قادر به ذخیره زمان زیادی برای دانش‌آموزان و معلمان است.

کمک گرفتن از AI در آموزش می‌تواند مسیر یادگیری را با ذائقه افراد هم‌سو کند تا هر شخص، با سرعت و ترجیحات خودش پیش برود و پشتیبانی بهتری دریافت کند. 

همچنین این فناوری می‌تواند مکان و نحوه یادگیری دانش‌آموزان را تغییر دهد. همان‌طور که توسط ChatGPT، Google Bard و سایر AIهای LLM نشان داده شده است، هوش مصنوعی مولد می‌تواند به مربیان کمک کند تا وظایف درسی و سایر مواد آموزشی را طراحی و دانش‌آموزان را با روش‌های جدیدی درگیر یادگیری کنند. 

ظهور این ابزارها، خلاقیت مربیان را در بررسی تکالیف و بازنگری سیاست‌های آموزشی‌شان افزایش می‌دهد.

قانون

فرآیند غربال‌ کردن اسناد برای انسان‌ها زمان‌بر و طاقت‌فرسا است. استفاده از هوش مصنوعی برای کمک به خودکارسازی فرآیندهای پرزحمت، در زمان صرفه‌جویی کرده و ارائه خدمات به وکلا و سایر مراجعه‌کنندگان را بهبود می‌دهد. 

شرکت‌های حقوقی از یادگیری ماشینی برای توصیف داده‌ها و پیش‌بینی نتایج، بینایی کامپیوتری برای طبقه‌بندی و استخراج اطلاعات از اسناد و NLP برای تفسیر درخواست‌های اطلاعات استفاده می‌کنند. 

رسانه و سرگرمی

یکی از کاربردهای هوش مصنوعی، استفاده از آن در حوزه رسانه و سرگرمی است. به‌کارگیری تکنیک‌های AI برای تبلیغات هدفمند، ایده محتوا، توزیع، کشف تقلب، نوشتن فیلم‌نامه و ساخت فیلم از متداول‌ترین کاربردهای هوش مصنوعی در رسانه و سرگرمی هستند. 

روزنامه‌نگاری با کمک AI کمک می‌کند تا جریان کار رسانه‌ای ساده‌تر شود و زمان، هزینه‌ها و پیچیدگی‌ها کاهش یابند. 

رسانه‌های خبری از هوش مصنوعی برای خودکارسازی کارهای معمولی مانند ورود داده‌ها، تصحیح، تحقیق در مورد موضوعات و کمک به تدوین سرفصل‌ها استفاده می‌کنند. 

بازی

الگوریتم‌های هوش مصنوعی در بازی برای ایجاد کاراکترهای مجازی اما بسیار نزدیک به واقعیت، پیش‌بینی رفتار حریف و تصمیم‌گیری هوشمندانه استفاده می‌شوند. 

کاربردهای هوش مصنوعی در بازی شامل بهینه‌سازی گرافیک، شبیه‌سازی ظاهر کاراکترها براساس ظاهر انسان‌ها و تست بازی هم می‌شود.

بیشتر بخوانید: آموزش ساخت بازی مار با پایتون در ۸ مرحله – تصویری و آسان

خانه‌های هوشمند و اینترنت اشیا

به‌کارگیری هوش مصنوعی در خانه می‌تواند وظایف روزمره را خودکار کند، کنترل دستگاه‌ها را به‌دست بگیرد و از اولویت‌های کاربر باخبر شود. همچنین AI می‌تواند عملکرد و کارایی دستگاه‌ها و شبکه‌های اینترنت اشیا (IoT) را افزایش دهد.

امنیت سایبری

هوش مصنوعی با تجزیه‌وتحلیل ترافیک شبکه، شناسایی ناهنجاری‌ها و پیش‌بینی حملات احتمالی به شناسایی و پیشگیری از تهدیدات سایبری کمک می‌کند. AI می‌تواند امنیت سیستم‌ها و داده‌ها را از طریق مکانیسم‌های پیشرفته در تشخیص تهدید و پاسخ افزایش دهد.

بیشتر بخوانید: یادگیری ماشین در امنیت سایبری

تولید متن، تصویر و صدا

هوش مصنوعی مولد یا Generative AI مانند ChatGPT، Bard و Copilot کاربردهای گسترده‌ای در مشاغل گوناگون دارند. آن‌ها می‌توانند طیف نسبتا نامحدودی از انواع محتوا شامل تصاویر هنری، تولید پاسخ‌ برای ایمیل و نوشتن متن فیلم‌نامه‌ را انجام دهند.

دیپ‌فیک

دیپ‌فیک یکی از کاربردهای هوش مصنوعی – البته در جهت منفی – است که در آن از یادگیری عمیق برای دست‌کاری تصویر، صوت و ویدیو استفاده می‌شود. معمولا از این تکنولوژی برای شبیه‌سازی حالات و حرکات یک انسان مشهور استفاده می‌شود؛ سپس با تغییر کلام یا چهره، سازنده تلاش می‌کند به هدف خود برسد.

چرا هوش مصنوعی در سال 2023 غوغا کرد و معروف‌ترین AIهای آن چه بودند؟

اگر بخواهیم سال 2023 را با فناوری خاصی تعریف کنیم، قطعا آن فناوری هوش مصنوعی است. به لطف پیشرفت‌های گسترده در تکنولوژی که در اواخر سال 2022 بیشتر شد، هوش مصنوعی به سطح کاملا جدیدی از انجام وظایف متنوع رسید. چت‌بات‌ها و سایر تولیدکنندگان محتوا در سال 2023 توانستند وظایف پیچیده و زمان‌بر را انجام دهند و این حوزه را به پربحث‌ترین و داغ‌ترین محفل تبدیل کنند.

علت غوغا کردن هوش مصنوعی در سال 2023، عرضه قابل توجه‌ترین پلتفرم‌ها بود. این پلتفرم‌ها توسط شرکت‌های بزرگی مانند مایکروسافت، گوگل، آمازون و OpenAI توسعه داده و عرضه شدند و همین موضوع گردوخاک به‌پا کردن AI را تقویت کرد. ابزارهای ارائه‌شده توسط این شرکت‌ها می‌توانند طیف گسترده‌ای از وظایف شامل پاسخ به سوالات، تولید محتوای متنی و حتی تولید تصاویر را با سطوح بالایی از آگاهی و نیازسنجی شما انجام دهند.

از طرفی دیگر، افراد با دانش کم یا مشاغل غیرمرتبط توانستند در مدت زمانی کوتاه، از مهارت‌هایی مانند تولید محتوای متنی و تصویری درآمد داشته باشند. برخی از کارفرماها با تکیه بر این ابزارها هزینه‌های صرف‌شده برای نیروی کار را تا حد زیادی کاهش دادند.

نمونه‌هایی از ابزارهای غوغاکننده در سال 2023 را در ادامه نام خواهیم برد.

ChatGPT

GPT مخفف Generative Pre-trained Transformer و یک هوش مصنوعی مبتنی بر LLM است که همه چیز را شروع کرد. گردوخاک به‌پا کردن این هوش مصنوعی یکه‌تاز به‌قدری زیاد بود که طبق گفته مجله فوربس، توانست در پنج روز اول انتشار، یک میلیون کاربر را به سوی خود بکشاند.

 این AI تداعی‌گر تلاش‌های فراوان در تاریخ هوش مصنوعی بود که توسط OpenAI ساخته و در نوامبر 2022 وارد صحنه فناوری شد. ChatGPT پیش‌تاز، کاربران را با توانایی خود برای پاسخ دادن به سوالات، اصلاح خطاهای موجود در کد، ارائه ایده در زمینه‌های گوناگون و نوشتن محتوا در عرض چند ثانیه تحت تاثیر قرار داد. درعین‌حال، پاسخ‌های آن شبیه به یک شخص واقعی به‌نظر می‌رسیدند و تعجب همگان از این موضوع برانگیخته شده بود.

اکنون، پس از گذشت یک سال از معرفی، ChatGPT بیش از 180 میلیون کاربر دارد، روزانه 10 میلیون درخواست دریافت می‌کند و بیش از دو میلیون مشتری دارد که اشتراک ماهانه آن را می‌خرند. علاوه‌براین، ChatGPT به‌طور مداوم به‌روز می‌شود تا اطلاعات تازه و کافی در اختیار کاربران خود قرار دهد.

نسخه GPT-3 با 175 میلیارد پارامتر بزرگترین مدل زبان موجود در زمان عرضه در سال 2020 بود. آخرین نسخه، یعنی GPT-4 دارای یک تریلیون پارامتر است که به دو شکل می‌توانید از آن استفاده کنید: 

1.  ChatGPT Plus 
2.  Bing Chat

Google Bard و Gemini

درحالی‌که ChatGPT اولین تازه‌وارد به این حوزه بود، اما گوگل مانند همیشه در اتاق فکر خود به‌دنبال ساخت یک AI قدرتمند بود تا با دیتابیس عظیم این کمپانی ادغام شود. این غول فناوری و موتور جست‌وجو در می سال 2023، چت‌بات خود را با نام Bard در 180 کشور و منطقه دنیا فعال کرد و دسترسی عموم مردم به این هوش مصنوعی امکان‌پذیر شد. 

پلتفرم Bard از مدل زبانی PalM 2 قدرت می‌گیرد و برای استفاده از آن تنها نیاز به ورود با اکانت گوگل خواهید داشت.

Google Bard به‌دلیل دقت و صحت نسبتا زیاد خروجی و عدم تمایل به انتشار اطلاعات نادرست، سهم کمتری نسبت به ChatGPT دارد؛ اما با انبوهی از داده‌هایی که گوگل در اختیار آن می‌گذارد، می‌توان بارد را حریفی قدرتمند برای ChatGPT معرفی کرد.

علاوه‌براین، گوگل اخیرا پلتفرم Gemini را راه‌اندازی کرده است؛ یک هاب همه‌کاره برای تولید انواع محتوا. این ابزار می‌تواند متن، کد، صدا، تصاویر و ویدیو را بدون جابه‌جایی و کمک گرفتن از سرویس‌های دیگر تولید کند و همین موضوع Gemini را به بزرگ‌ترین و تواناترین هوش مصنوعی گوگل تبدیل می‌کند.

DALL-E

DALL-E (Dall-E 2 و Dall-E 3) یک مدل هوش مصنوعی متن به تصویر قدرتمند است که توسط OpenAI توسعه یافت. این AI می‌تواند با توجه به دستورات متنی (Prompt) کاربر از جمله توصیف اشیا، صحنه‌ها و افراد، تصاویر را تولید کند. DALL-E هنوز در دست توسعه است، اما خروجی‌های فعلی آن، به‌خصوص DALL-E 3 نشان دادند که می‌تواند نتایج چشم‌گیری بسازد. 

به‌‎عنوان مثال، DALL-E می‌تواند تصاویر اشیایی را ایجاد کند که در دنیای واقعی وجود ندارند؛ مانند گربه‌ای که بال دارد یا سگی که در وسط شهر پاریس به یک پایه تکیه داده است. همچنین می‌تواند تصاویری را بسازد که در سبک‌های هنری داوینچی یا تصاویر پیکسلی یا روغنی طراحی می‌شوند.

Midjourney

Midjourney یک سرویس AI مولد – AIیی که قادر است دستورات نوشته‌شده توسط انسان را بگیرد و آن را به محتوای بصری یا صوتی تبدیل کند – است که تصاویری را از توصیفات متنی کاربر می‌سازد. این ابزار از طریق پلتفرم Discord قابل دسترسی است و عملکردی مانند DALL-E دارد. 

این AI چندین تصویر را براساس دستورات ورودی کاربر می‌سازد. سپس کاربران می‌توانند درخواست خود را اصلاح یا یکی از تصاویر تولیدشده را انتخاب کنند. Midjourney ابزارهای مختلفی را برای اصلاح تصاویر ارائه می‌دهد که از انواع آن‌ها می‌توان به تنظیم رنگ‌ها، امکان برش عکس و افزودن جزئیات اشاره کرد.

Microsoft Copilot

مایکروسافت به‌عنوان شریک و سرمایه‌گذار مهم ChatGPT، توانست هوش مصنوعی مولد خودش را به‌سرعت و به‌طور موثر در پلتفرم‌هایش ادغام کند. هوش مصنوعی این کمپانی عظیم با نام‌ Bing Chat شناخته می‌شود که در فوریه 2023 معرفی شد؛ اما اخیرا و در اکتبر 2023، این شرکت AI خود را تحت یک نام و سیستم واحد معرفی و عرضه کرده است و نام آن را Microsoft Copilot گذاشت.

این سرویس به‌صورت رایگان در موتور جست‌وجوی بینگ و ویندوزهای 10 و 11 قابل استفاده است. علاوه‌براین، نسخه پیشرفته‌تر Microsoft Copilot به‌عنوان یک افزونه پولی برای Microsoft 365 وجود دارد که می‌تواند با Teams، Office، Outlook و سایر خدمات مایکروسافت ادغام شود تا تجربه کاربری بهتری بسازد، وظایف تکراری را انجام دهد و زمان زیادی را برای کاربران خود ذخیره کند.

Amazon Q

آمازون در مقایسه با شرکت‌هایی مانند گوگل و مایکروسافت بسیار دیر به بازی هوش مصنوعی رسید و در نوامبر 2023 – تقریبا یک سال پس از ورود ChatGPT به بازار – Amazon Q را معرفی کرد. 

برخلاف ChatGPT و Google Bard، این هوش مصنوعی تنها برای کاربران AWS – پلتفرمی جامع که خدمات سرویس‌های ابری از جمله محاسبات، پایگاه داده، شبکه، تجزیه‌وتحلیل، یادگیری ماشین و هوش مصنوعی را ارائه می‌دهد – در دسترس است و برای استفاده از آن، باید اشتراک Q Business یا Q Builder را بخرید.

طرح Business برای استفاده از امکانات استاندارد هوش مصنوعی Q عرضه شد؛ درحالی‌که طرح Builder برای توسعه‌دهندگان اپلیکیشن است که می‌خواهند از فناوری‌های جدید و پیش‌گامانه برای پیشرفت‌های خود و برنامه‌هایشان استفاده کنند.

Claude

همه پلتفرم‌های هوش مصنوعی توسط شرکت‌های بزرگ فناوری تولید نمی‌شوند. Claude که در مارس 2023 راه‌اندازی شد، همان چت‌بات‌ مولد است که شرکت Anthropic طراحی و ساخت آن را پیش برد؛ استارتاپی که متعلق به دو کارمند سابق OpenAI است. 

اگرچه Claude متعلق به یک شرکت بزرگ فناوری نیست، اما توانست فرصت‌های سرمایه‌گذاری بزرگی را در اختیار شرکت‌های مطرح بگذارد. درواقع، گوگل 400 میلیون دلار در این شرکت سرمایه‌گذاری کرد و آمازون با نگاهی به آینده روبه‌پیشرفت و ایده این AI، 4 میلیارد دلار به این استارتاپ نوپا اختصاص داده است.

آمازون اعلام کرد که می‌تواند 1.5 میلیارد دلار دیگر هم روی Anthropic سرمایه‌گذاری کند. این سرمایه‌گذاری آمازون یک رای اعتماد قابل‌ توجه به Anthropic و فناوری آن است و احتمالا به Claude کمک می‌کند تا به بازیگر اصلی در صنعت هوش مصنوعی تبدیل شود.

مثال‌هایی از هوش مصنوعی در دنیای واقعی 

هوش مصنوعی (AI) به بخشی جدایی‌ناپذیر از زندگی روزمره ما تبدیل شده است، صنایع مختلف را متحول کرده و تجربه‌های جدیدی را برای کاربران رقم می‌زند. در ادامه نمونه‌ هایی از هوش مصنوعی به‌همراه تکنولوژی‌های مورداستفاده هریک را  نام برده‌ایم. 

AlphaCode 2

در ششم دسامبر 2023، گوگل AlphaCode 2 را معرفی کرد که توسط مدل جدید هوش مصنوعی گوگل، یعنی Gemini ساخته شده است. هدف از ساخت این AI حل مشکلات برنامه‌نویسی، تولید کدهای خلاقانه، کشف تکنولوژی‌ها و الگوریتم‌های جدید، کمک به برنامه‌نویسان و خودکارسازی وظایف است.

 AlphaCode 2 در مسابقات برنامه‌نویسی Codeforces موفق شد تقریبا از 85٪ رقبای خود بهتر عمل کند. 

ChatGPT 

ChatGPT یک مدل زبان پیشرفته که توسط OpenAI توسعه یافت و قادر به تولید پاسخ‌های انسان‌مانند و درک دستورات آن‌ها است. این AI پرسروصدا از تکنیک‌های یادگیری عمیق برای درک و تولید متن‌های منسجم استفاده می‌کند. 

نقشه گوگل 

نقشه گوگل (Google Maps) از الگوریتم‌های هوش مصنوعی برای نمایش مسیر درست در لحظه، به‌روزرسانی ترافیک و پیشنهادهای شخصی بهره می‌گیرد. حجم وسیعی از داده‌ها، از جمله الگوهای ترافیکی پیشین و ورودی کاربر را تجزیه‌وتحلیل می‌کند تا سریع‌ترین مسیرها را پیشنهاد دهد و زمان رسیدن را تخمین بزند. 

مترجم زبان

یکی از پراستفاده‌ترین سرویس‌های AI، برنامه‌ها و وب‌سایت‌های ترجمه زبان هستند که بر پایه علم یادگیری ماشین ساخته می‌شوند. Google Translate، Microsoft Translator و Amazon Translate همگی از تکنولوژی‌های هوش مصنوعی برای ترجمه متن استفاده می‌کنند.

دستیاران هوشمند 

دستیارهای هوشمند مانند الکسای آمازون، سیری اپل و دستیار گوگل با به‌کارگیری فناوری‌های هوش مصنوعی برای تفسیر دستورات صوتی، پاسخ به سوالات و انجام وظایف قادر به تسهیل امور روزانه انسان‌ها هستند. این دستیارها از الگوریتم‌های پردازش زبان طبیعی و یادگیری ماشین برای درک هدف کاربر، بازیابی اطلاعات مرتبط و انجام اقدامات درخواستی استفاده می‌کنند. 

فیلترهای اسنپ‌چت

فیلترها یا لنزهای اسنپ‌چت بسیار نزدیک به واقعیت هستند و با به‌کارگیری هوش مصنوعی برای تشخیص ویژگی‌های چهره و ردیابی حرکات در لحظه، می‌توانند فیلترهای مناسب با سلیقه کاربر را پیشنهاد دهند. الگوریتم‌های AI اسنپ‌چت را قادر می‌سازند تا فیلترها، ماسک‌ها و انیمیشن‌های مختلفی را اعمال کند که با حالات و حرکات صورت کاربر هم‌خوانی دارند.

ماشین‌های خودران

خودروهای خودران برای درک، تصمیم‌گیری و کنترل به‌شدت به هوش مصنوعی متکی هستند. این وسایل نقلیه با استفاده از ترکیبی از سنسورها، دوربین‌ها و الگوریتم‌های یادگیری ماشین می‌توانند اشیاء را تشخیص دهند، علائم راهنمایی‌ورانندگی را تفسیر و شرایط پیچیده جاده را با دانش و تصمیم خودشان مدیریت کنند تا بتوانند مسافر را با سطح بالایی از ایمنی به مقصد برسانند. 

ابزارهای پوشیدنی 

دستگاه‌های پوشیدنی، مانند ساعت‌های هوشمند و مچ‌بندهای ورزشی، از هوش مصنوعی برای نظارت و تحلیل داده‌های مربوط به وضعیت بدنی کاربران استفاده می‌کنند. آن‌ها با ردیابی فعالیت‌ها، ضربان قلب، الگوهای خواب و غیره تلاش دارند اطلاعات و توصیه‌های شخصی‌سازی‌شده برای بهبود رفاه کلی و سلامت افراد ارائه دهند.

ادوبی فایرفلای

Adobe Firefly یکی دیگر از هوش‌های مصنوعی که در حال حاضر نسخه بتا آن عرضه شده است. این ابزار از تکنولوژی‎‌های یادگیری ماشین، یادگیری عمیق و شبکه‌های مولد تخاصمی (Generative Adversarial Network) استفاده می‌کند. 

فتوشاپ یکی از نرم‌افزارهای ادوبی، با به‌کارگیری این AI می‌تواند امکاناتی مانند پر کردن فضاهای خالی به‌صورت هوشمند، ساخت کاراکترهای جدید، ساخت الگو (Pattern) برای تصاویر گرافیکی و بهبود رنگ و روشنایی عکس را ارائه دهد. تمام این امکانات تنها با نوشتن دستورات متنی و فشردن یک دکمه در فتوشاپ انجام می‌شوند.

نتفلیکس

این پلتفرم مشهور از الگوریتم‌های یادگیری ماشین برای ارائه پیشنهاد فیلم و انیمیشن به کاربران استفاده و براساس ترجیحات، سلیقه و بازدیدهای سابق هر فرد بهترین فیلم‌ها را توصیه می‌کند.

پردازش تصویر

Clarifai پلتفرم پردازش تصویر است که به‌دلیل رابط کاربری آسان و توانایی آن در درک مفاهیم پیچیده شناخته شده است. این هوش مصنوعی برای مشاغلی که نیاز به پردازش حجم زیادی از تصاویر را دارند، گزینه خوبی است.

بیشتر بخوانید: پردازش تصویر چیست و چه کاربردهایی دارد؟

کدام حوزه‌ها از هوش مصنوعی بیشتر استفاده می‌کنند؟

تحقیقات گسترده موسسه مک‌کینزی از 1684 شرکت‌کننده در آوریل 2023، نشان می‌دهند که افراد فعال در حوزه‌های زیر بیشترین استفاده را از هوش مصنوعی مولد می‌برند:

• صنایع پیشرفته مانند هوا و فضا، اتومبیل، بیوتکنولوژی، تجهیزات پزشکی و صنایعی که با سطوح بالای سرمایه‌گذاری در تحقیق و توسعه (R&D)، استفاده از فناوری‌های پیشرفته و استخدام کارگران ماهر مشخص می‌شوند؛
• کسب‌وکار، حقوق و سرویس‌های حرفه‌ای
• خرده‌فروشی
• انرژی و مواد موردنیاز این صنعت
• سرویس‌های مالی
• سلامت، دارو و محصولات پزشکی
• تکنولوژی، رسانه و ارتباطات

براساس این آمار، زنان بیشتر از مردان از هوش مصنوعی استفاده می‌کنند و چینی‌ها بالاترین درصد بهره‌مندی از این تکنولوژی را به خود اختصاص داده‌اند.

جالب است بدانید که افراد با رده‌های بالای سازمانی مانند مدیران ارشد و افراد Senior، بیش از افراد با سابقه کاری پایین از AI استفاده می‌کنند. 

تفاوت یادگیری ماشین و هوش مصنوعی

یادگیری ماشین و هوش مصنوعی در تکنیک‌ها و اهداف با یکدیگر متفاوت هستند. هوش مصنوعی یک اصطلاح گسترده‌تر برای هر فناوری با هدف شبیه‌سازی هوش انسان است و به ماشین امکان تفکر و تصمیم‌گیری مشابه انسان را می‌دهد؛ درحالی‌که یادگیری ماشین زیرمجموعه هوش مصنوعی است که هدف استفاده از داده‌ها، اطلاعات و یادگیری از آن‌ها را دنبال می‌کند، بدون آنکه این دانش از قبل برنامه‌ریزی شده باشد.

دیگر تفاوت یادگیری ماشین و هوش مصنوعی تکنیک‌های مورداستفاده آن‌ها است؛ AI طیف وسیعی از تکنیک‌ها از جمله یادگیری ماشین، پردازش زبان طبیعی، بینایی کامپیوتر و رباتیک را دربرمی‌گیرد؛ اما الگوریتم‌های ماشین لرنینگ حجم زیادی از داده‌ها را تجزیه‌وتحلیل می‌کنند، به کشف الگوهای موجود در آن‌ها می‌پردازند و در نهایت از این اطلاعات برای پیش‌بینی یا تصمیم‌گیری استفاده می‌کنند.

بیشتر بخوانید: تفاوت هوش مصنوعی و یادگیری ماشین چیست؟

تفاوت رباتیک و هوش مصنوعی 

رباتیک و هوش مصنوعی ارتباط تنگاتنگی با یکدیگر دارند؛ اما درعین‌حال تفاوت‌های مشهودی را شامل می‌شوند. 

رباتیک روش طراحی، ساخت و راه‌اندازی ربات‌ها است. ربات‌ها ماشین‌هایی هستند که می‌توانند محیط خود را حس و درک کنند و برای انجام برخی کارها در آن اقداماتی صورت دهند. آن‌ها در طیف گسترده‌ای از کاربردها از جمله تولید، حوزه سلامت و اکتشاف فضا استفاده می‌شوند.

در طرفی دیگر، هوش مصنوعی تلاش دارد عملکرد ربات‌ها را تعیین و کنترل کند و از این ماشین‌ها در جهت پیش‌برد اهداف انسان‌ها بهره بگیرد.

به عبارت ساده‌تر، رباتیک یک کاربرد عملی از هوش مصنوعی است، درحالی‌که هوش مصنوعی زمینه مطالعاتی گسترده‌تری را شامل می‌شود که رباتیک و همچنین سایر حوزه‌های فناوری را دربرمی‌گیرد.

آیا برنامه نویسی و هوش مصنوعی یکسان هستند؟

خیر. برنامه نویسی و هوش مصنوعی را می‌توان خواهر و برادر یکدیگر نامید که تفاوت‌های معناداری باهم دارند. 

برای توسعه یک هوش مصنوعی نیاز به برنامه‌نویسی آن داریم و پس از تولید AI بالغ، می‌توانیم از آن به‌عنوان دستیار برنامه‌نویسان استفاده کنیم.

تاثیر هوش مصنوعی روی برنامه‌نویسی در جنبه‌های مختلفی از این علم رخ داد و منجر به افزایش خلاقیت برنامه‌نویسان و صرفه‌جویی در زمان آن‌ها شد و از طرفی دیگر، برخی از مسئولیت‌های توسعه نرم‌افزار و وب‌سایت‌ها را تقبل کرد. 

امروزه به کمک هوش مصنوعی می‌توانیم وظایف کدنویسی تکراری را خودکار کنیم، کدهای مرتبط بسازیم، باگ‌ها را شناسایی و آن‌ها را برطرف کنیم، از AI بخواهیم کد را توضیح دهد و اشکالات آن را برطرف کند. برنامه نویسی و هوش مصنوعی ارتباط بسیار نزدیکی با یکدیگر دارند و می‌توانند به عملکرد بهینه‌تر و کارآمدتر دوطرفه کمک کنند.

برنامه‌نویسان چگونه می‌توانند از هوش مصنوعی استفاده کنند؟

استفاده از هوش مصنوعی توسط مهندسان نرم‌افزار می‌تواند تاثیرات زیادی بر کارایی فردی و ساخت تکنولوژی‌های جدید بگذارد. در ادامه به نحوه اثرگذاری هوش مصنوعی روی برنامه‌نویسی اشاره خواهیم کرد. 

• هوش مصنوعی می‌تواند داده‌های به‌دست‌آمده از تکنولوژی‌های جدید را جمع‌آوری کند و متناسب با اهداف و نیازهای ما، تکنولوژی یا فریم‌ورک مناسب را پیشنهاد دهد؛
• در توسعه یک زبان جدید و کارآمد به ما کمک کند؛ طوری‌که نیاز نباشد همه‌چیز را از ابتدا پایه‌ریزی کنیم؛
• در IDEها از آن به‌عنوان یک دستیار که در لحظه کدهایمان را می‌خواند و خطاها را نشان می‌دهد، بهره ببریم؛
• وظایف تکراری مانند نوشتن کدهای ساده و ریفکتوری را خودکار کنیم تا از این طریق بتوانیم در زمان خود صرفه‌جویی و بر جنبه‌های پیچیده‌تر و فرآیندهای استراتژیک توسعه نرم‌افزارهایمان تمرکز کنیم؛
• سرویس‌ها و پلتفرم‌هایی را توسعه دهیم که بتوانند برنامه‌نویسی را به‌شکلی ساده، هدفمند و عملی به علاقه‌مندان آموزش دهند؛
• از این دستیار نسبتا باهوش بخواهیم تست و تضمین کیفیت نرم‌افزار و برنامه‌هایمان را انجام دهد. هوش مصنوعی‌های فعلی قادرند تجزیه‌وتحلیل کدها را انجام دهند، آسیب‌پذیری‌های احتمالی آن‌ها را شناسایی کنند و تست‌کیس‌های آزمایشی بسازند. 

AI برای انجام این کار، از تکنیک‌های ماشین لرنینگ برای یادگیری از نتایج آزمایش‌های گذشته و پیش‌بینی مناطقی از کد که احتمال بیشتری دارد حاوی باگ باشند، استفاده می‌کند. این امکان می‌تواند به توسعه‌دهندگان کمک کند تا مشکلات را در اوایل چرخه توسعه شناسایی و برطرف کنند و به نرم‌افزار کیفیت بالاتری بدهند.

• توسعه برنامه‌ها و سرویس‌هایی که نیاز به کدنویسی ندارند را ساده کند؛ همچنین می‌تواند ساخت برنامه‌هایی که حداقل‌ترین کدها را برای توسعه می‌طلبند، ممکن کند. کاری که بدون کمک گرفتن از هوش مصنوعی تقریبا غیرممکن یا خیلی سخت است.
• با انجام وظایف پیش‌پاافتاده توسط AI، مهندسان نرم‌افزار زمان بیشتری برای نوآوری خواهند داشت. این مزیت به آن‌ها امکان می‌دهد فناوری‌های نوظهور را کشف کنند، راه‌حل‌های پیشگامانه را توسعه دهند و مرزهای آنچه در توسعه نرم‌افزار امکان‌پذیر است را جابه‌جا کنند. 
• استفاده از هوش مصنوعی در توسعه نرم‌افزار باعث تقویت همکاری بین مهندسان و متخصصان هوش مصنوعی خواهد شد. این رویکرد بین رشته‌ای منجر به ادغام ایده‌ها، افزایش نوآوری و اثربخشی کلی راه‌حل‌ها می‌شود.

چگونه به‌عنوان برنامه‌نویس توسط هوش مصنوعی جایگزین نشویم؟

برای آن‌که هوش مصنوعی جایگزین برنامه‌نویسان نشود، باید این افراد از تکنولوژی AI پیشی بگیرند. چگونه؟

از نظر وب‌سایت Indeed، برنامه‌نویسان باید مهارت‌های خود را تقویت کرده و توسعه دهند و به‌اصطلاح شکاف‌های مهارتی‌‌شان را پر کنند.

برای پر کردن شکاف مهارتی که در صنعت نرم‌افزار وجود دارد، توسعه‌دهندگان باید به اهمیت تغییر مجموعه مهارت‌ها و گسترش آن‌ها پی ببرند.

براساس گزارشی از سایت کاریابی Indeed، سه شغل پرتقاضای هوش مصنوعی در بازار بین‌الملل عبارتند از:

1. دانشمند داده (Data Scientist) 
2. مهندس نرم‌افزار (Software Engineer) 
3. مهندس یادگیری ماشین (Machine Learning Engineer) 

تقاضا برای این متخصص‌ها و سایر تکنولوژی‌های مرتبط با هوش مصنوعی از سال 2020 بیش از دو برابر شده است و انتظار می‌رود که با سرعتی مشابه به رشد خود ادامه دهد.

مهارت‌هایی که توسعه‌دهندگان نرم‌افزار برای موفقیت و عدم جایگزینی با هوش مصنوعی نیاز دارند عبارتند از: 

• ریاضی
• جبر
• حساب دیفرانسیل و انتگرال
• آمار
• کلان داده
• داده‌کاوی
• علوم داده
• یادگیری ماشین
• MLOps
• محاسبات شناختی
• تجزیه‌وتحلیل متن
• پردازش زبان طبیعی
• R
• Hadoop
•  Spark

البته وب‌سایت Brainhub در مقاله‌ای تحت عنوان «تاثیر هوش مصنوعی بر مهندسی نرم‌افزار در سال 2024» می‌گوید علاوه بر این مهارت‌ها، عنوان‌های دیگری هم وجود دارد که یک توسعه‌دهنده باید آن را در لیست خود جا دهد؛ اما تسلط به این مهارت‌ها و آشنایی با مهارت‌های تکمیلی دیگر می‌تواند یک برنامه‌نویس را در صنعت حفظ و برجسته کند.

بیشتر بخوانید:  آینده برنامه نویسی با هوش مصنوعی؛ آیا هوش مصنوعی جای برنامه نویسان را می‌گیرد؟

مهارت‌های ضروری برای مهندسان نرم‌افزار در عصر هوش مصنوعی

در عصر هوش مصنوعی، توسعه‌دهندگان می‌توانند مهارت‌های خود را برای به‌روز ماندن و استفاده از فرصت‌های جدیدی که توسط AI ساخته شده‌اند، افزایش دهند. در ادامه چند مهارت حیاتی برای توسعه‌دهندگان در عصر هوش مصنوعی را تشریح خواهیم کرد.

یادگیری ماشین (ML) و علم داده

درک اصول و تکنیک‌های یادگیری ماشین اولین مهارت ضروری برای برنامه‌نویسان است. توسعه‌دهندگان باید در مورد الگوریتم‌های مختلف ML، پیش‌پردازش داده‌ها، مهندسی ویژگی، ارزیابی مدل و استقرار آموزش ببینند. 

علاوه‌براین، کسب دانش در علم داده از جمله تجسم داده (Data Visualization)، تحلیل داده‌های اکتشافی (Exploratory Data Analysis) و تحلیل آماری (Statistical Analysis)، می‌تواند دانش کافی را برای کار با سیستم‌های هوش مصنوعی ارائه دهد.

بیشتر بخوانید: نقشه راه یادگیری ماشین

شبکه‌های عصبی و یادگیری عمیق

یادگیری عمیق انقلابی در هوش مصنوعی ایجاد کرد که در حال حاضر به‌طور گسترده در نرم‌افزارهای مختلف استفاده می‌شود. 

توسعه‌دهندگان باید زمانی را به یادگیری شبکه‌های عصبی از جمله شبکه‌های عصبی کانولوشن (CNN) برای پردازش تصویر و شبکه‌های عصبی مکرر (RNN) برای پردازش داده‌های توالی، اختصاص دهند. 

فریم‌ورک‌های یادگیری مانند TensorFlow و PyTorch می‌توانند در ساخت و آموزش مدل‌های یادگیری عمیق ارزشمند باشند.

بیشتر بخوانید: یادگیری عمیق چیست؟ با Deep Learning آشنا شوید

پردازش زبان طبیعی (NLP)

NLP بر درک و پردازش زبان انسان تمرکز دارد. برنامه‌نویسان می‌توانند در تکنیک‌هایی مانند پیش‌پردازش متن، تجزیه‌وتحلیل احساسات، تشخیص موجودیت نام‌گذاری‌شده و تولید زبان دانش خود را افزایش دهند. 

کتابخانه‌هایی مانند NLTK، spaCy و ترانسفورماتورها می‌توانند در کار با وظایف NLP مفید باشند.

بیشتر بخوانید: پردازش زبان طبیعی چیست ؟ – هرچه باید راجع به NLP بدانید

مهندسی و مدیریت داده

کار با هوش مصنوعی اغلب نیاز به مدیریت مجموعه بزرگی از داده‌ها دارد. مهندسان نرم‌افزار باید در زمینه تکنیک‌های مهندسی داده، پیش‌پردازش و پاک‌سازی داده‌ها به‌منظور نگه داشتن داده‌های باکیفیت، دانش خود را ارتقا دهند. 

علاوه‌براین، درک پایگاه‌های داده، فریم‌ورک‌های محاسباتی توزیع‌شده مانند Apache Hadoop و Apache Spark و خدمات داده مبتنی بر ابر می‌تواند در مدیریت و پردازش داده‌ها برای برنامه‌های کاربردی هوش مصنوعی ارزشمند باشد.

شیوه‌ها و ابزارهای توسعه نرم‌افزار

تمام مهارت‌های هوش مصنوعی بسیار مهم هستند؛ اما مهندسان نباید شیوه‌های اصلی توسعه نرم‌افزار را نادیده بگیرند. مهارت‌های برنامه‌نویسی ارزشمند، اصول طراحی نرم‌افزار و دانش زبان‌های برنامه‌نویسی محبوب مانند پایتون، جاوا یا C++ هنوز هم جزو مهارت‌های حیاتی برای یک توسعه‌دهنده هستند. 

در کنار این مهارت‌های، آشنایی با سیستم‌های کنترل نسخه (به‎عنوان مثال Git)، ابزارهای توسعه مشارکتی و روش‌های تست نرم‌افزار هم از مهارت‌های ضروری به‌حساب می‌آیند.

بیشتر بخوانید: تفاوت توسعه‌دهنده‌ی تازه‌کار، سطح‌متوسط و ارشد

توسعه هوش مصنوعی اخلاقی و مسئولانه

همانطور که AI در حال ادغام با بسیاری از وظایف روزمره و مسئولیت‌های ما است، باید به‌طور مداوم به ملاحظات اخلاقی آن هم اهمیت دهیم. 

برنامه‌نویسان باید پیامدهای اخلاقی هوش مصنوعی مانند عدالت، شفافیت، حریم خصوصی و تعصب را درک کنند. 

آن‌ها باید تلاش کنند سیستم‌های هوش مصنوعی‌ای را توسعه دهند که به دستورالعمل‌های اخلاقی پایبند باشد و خطرات بالقوه را کاهش دهد.

دانش متمرکز و حل مسئله

AI در حوزه‌های مختلفی مانند مراقبت‌های بهداشتی، مالی، رباتیک و سیستم‌های مستقل کاربرد دارد. 

مهندسان نرم‌افزار باید دانش مربوط به این حوزه را برای درک چالش‌ها، الزامات و محدودیت‌های تکنولوژی کسب کنند. 

مهارت‌های قوی مانند حل مسئله، تفکر انتقادی و توانایی تجزیه مشکلات پیچیده به اجزای قابل مدیریت در طراحی مدل‌های AI بسیار مهم است.

بیشتر بخوانید: ۱۱ باور غلط درمورد برنامه نویسی که شما را از یادگیری منصرف می‌کنند

مدیریت بدهی فنی

توسعه‌دهندگان باید بدانند که چگونه با انواع مختلف بدهی فنی روبه‌رشد کنار بیایند. 

مدیریت بدهی فنی برای اطمینان از اینکه نرم‌افزار می‌تواند بدون اضافه‌کاری قابل توجهی رشد و تکامل یابد، ضروری است. 

مهندسان و توسعه‌دهندگان باید با مدیریت بدهی فنی به‌شکلی بهینه و اصولی، تعادلی میان مزایای راه‌حل‌های سریع در مقابل روش‌هایی با اثرات بلندمدت برقرار کنند.

یادگیری مادام‌العمر و سازگاری

حوزه هوش مصنوعی به‌سرعت در حال پیشرفت است؛ بنابراین توسعه‌دهندگان باید آغوشی باز به روی یادگیری مادام‌العمر باز کنند. 

این افراد باید در طول فعالیت خود، با مطالعه آخرین تحقیقات، تکنیک‌ها و پیشرفت‌های هوش مصنوعی به‌روز بمانند. 

شرکت در دوره‌های آنلاین، کنفرانس‌ها، ایونت‌های هوش مصنوعی و تجزیه یک پروژه منبع باز می‌تواند به برنامه‌نویسان کمک کند تا در این زمینه پویا و پیش‌تاز باشند.

آینده هوش مصنوعی؛ AI در سال‌های آینده چگونه خواهد شد؟

آینده هوش مصنوعی توسط بسیاری از متخصصان و پژوهش‌گران مورد بررسی قرار گرفته است؛ به همین دلیل افراد مختلف نظرهای متفاوتی دارند. در ادامه به‌تفکیک، پیش‌بینی نام‌داران این حوزه را بررسی خواهیم کرد.

آینده هوش مصنوعی از نظر Tech.co

وب‌سایت Tech.co به آینده هوش مصنوعی خوش‌بین و امیدوار است و در این زمینه می‌گوید:

«در سال 2023، پیشرفت هوش مصنوعی گام بزرگی به جلو برداشت و قابلیت‌های این صنعت توانست انجام وظایف روزانه میلیون‌ها نفر را راحت کند و تسریع ببخشد. 

امکاناتی همچون تولید محتوای متنی، نوشتن و اصلاح کد، تولید تصاویر منحصربه‌فرد و چشم‌نواز، ساخت صوت و آوا، تولید ویدیوهای خلاقانه و تقریبا هر چیزی که فکرش را بکنید، توسط این ابزارهای مولد ممکن شد. 

هوش مصنوعی در سال‌های آینده بسیار سریع‌تر و دقیق‌تر خواهد شد، همان‌طور که اغلب در مورد هر فناوری دیگری در طول تاریخ رخ داده است. 

علاوه‌براین، امکان ساخت تراشه‌های اختصاصی مبتنی‌بر هوش مصنوعی در آینده‌ای نه‌چندان دور، تصور می‌شود. به کمک این تراشه‌ها دستگاه‌هایی ساخته می‌شوند که می‌توانند درخواست‌ها را در دستگاه کاربر، به‌جای اینترنت پردازش کنند و پاسخ دهند. این تکنولوژی عملکرد AI و انسان را تا حد زیادی بهبود می‌بخشد. 

ما تصویر بهتری نسبت به آنچه اکنون وجود دارد، از آینده هوش مصنوعی داریم؛ پلتفرم‌های AI برخلاف پلتفرم‌های فعلی که در حوزه‌های گسترده‌‌ای پاسخ‌گو هستند، تخصصی‌تر خواهند شد. 

بنابراین آینده هوش مصنوعی به‌سمت ارائه پاسخ‌های تخصصی‌تر و دقیق‌تر حرکت خواهد کرد و می‌توانید جواب‌هایی متناسب با موضوع و موقعیت خاص خود دریافت کنید.»

آینده هوش مصنوعی از نظر مجله فوربس

فوربس با همکاری پلتفرم مالی خود – Forbes Advisor – برخی آمارها و رقم‌های عجیب درآمدزایی از هوش مصنوعی را چنین توصیف می‌کند:

«پیش‌بینی می‌شود که بازار هوش مصنوعی تا سال 2027 به رقم خیره‌کننده 407 میلیارد دلار برسد و رشد بیشتری را از درآمد تخمینی خود در سال 2022 – 86.9 میلیارد دلار – تجربه کند.

با توجه به تحقیقات و آمارهای ما، انتظار می‌رود هوش مصنوعی تا سال 2030 به افزایش خالص 21 درصدی در تولید ناخالص داخلی ایالات متحده کمک کند و تاثیر آن را بر رشد اقتصادی نشان دهد.

همچنین ما براساس داده‌ها و اطلاعات جمع‌آوری‌شده، حدس می‌زنیم که تا سال 2030 10 درصد وسایل نقلیه بدون راننده و خودران باشند؛ زیرا پیش‌بینی‌ها حاکی از آن است که بازار جهانی خودروهای خودران از 20.3 میلیون در سال 2021 به 62.4 میلیون افزایش خواهد یافت.

طبق نظرسنجی ما، 64 درصد از کسب‌وکارها انتظار دارند که هوش مصنوعی بهره‌وری شغلی و وظایف آن‌ها را افزایش دهد. این انتظار نشان‌دهنده اعتماد روبه‌رشد به پتانسیل هوش مصنوعی برای تغییر عملیات تجاری است.»

آینده هوش مصنوعی از نظر IBM

براساس گزارش IBM، هوش مصنوعی می‌تواند با افزایش قابلیت‌های کارکنان، فرصت‌های بیشتری را برای آن‌ها ایجاد کند. درواقع، در نظرسنجی انجام‌شده توسط IBM، مشخص شد که 87 درصد از مدیران شرکت‌کننده بر این باورند که احتمال افزایش کارمندان بیشتر از جایگزینی با هوش مصنوعی مولد است. 

این پاسخ در عملکردهای گوناگون متفاوت است؛ 97٪ از مدیران فکر می‌کنند که احتمال افزایش کارمندان در بخش تدارکات بیشتر از جایگزین شدن آن‌ها است؛ در مقایسه با 93٪ برای کارکنان در ریسک و انطباق، 93٪ برای امور مالی، 77٪ برای خدمات به مشتریان و 73٪ برای بازاریابی.

طبق این گزارش می‌توان نتیجه گرفت که علی‌رغم نگرانی‌های عمومی، نیاز به متخصصانی که بتوانند با هوش مصنوعی، وظایف روزمره و پیش‌پاافتاده را انجام دهند، دچار تقاضای زیادی در آینده خواهد شد.

بنابراین از نگاه IBM، AI تهدیدی برای نیروی کار به‌حساب نمی‌آید؛ بلکه نیاز به مهارت‌های جدید و افرادی با توانایی‌های بیشتر خواهد داشت.

آینده هوش مصنوعی از نظر دکتر پابلو ریواس

دکتر پابلو ریواس (Dr. Pablo Rivas)، استادیار علوم کامپیوتر در دانشگاه بیلور (Baylor)، تصویری خوش‌بینانه از آنچه در آینده برای هوش مصنوعی در پیش است، ارائه کرد. او با پیش‌بینی ادغام بیشتر AI با جنبه‌های روزمره زندگی ما، از حوزه سلامت گرفته تا حمل‌ونقل، ادعا می‌کند: «آینده هوش مصنوعی امیدوارکننده است».

این ادغام فقط برای کارآمدتر کردن کارهای روزمره ما نیست؛ بلکه دنیایی از فرصت‌ها را برای مهندسان نرم‌افزار باز خواهد کرد. 

مهندسان نرم‌افزار نقش اساسی در ساخت این سیستم‌های هوشمند خواهند داشت. کار آن‌ها نه تنها نوشتن کد، بلکه درک و شکل دادن به نحوه تعامل هوش مصنوعی و بهبود تجربیات انسانی خواهد بود. 

دکتر ریواس باور دارد که هوش مصنوعی به‌زودی جایگزین برنامه‌نویسان نخواهد شد؛ به‌خصوص تا زمانی که هوش مصنوعی عمومی (AGI) به‌طور کامل توسعه یابد. او می‌گوید این تکامل ممکن است چندین دهه به طول بینجامد. 

در حال حاضر اگرچه ابزارهای هوش مصنوعی کارآمد هستند، اما به‌دلیل وابستگی زیاد به ورودی‌ای که دریافت می‌کنند، تنها قادر به ارائه پاسخ‌های مشخص و از پیش تعیین‌شده هستند. درواقع اثربخشی آن‌ها به‌شدت به توانایی کاربر برای پرسیدن سوالات درست یا ارائه دستورات دقیق بستگی دارد. 

یک دستور اگر کمی نادرست تنظیم شود، منجر به خروجی غیرصحیح خواهد شد. در این حالت ممکن است خروجی از نظر فنی درست باشد، اما دستیابی به هدف موردنظر را ممکن نکند.

AIهای امروزی حتی با دستورات دقیق، همچنان پاسخ‌های خیالی ارائه می‌دهند که تطابقی با واقعیت و علم ندارند.

آینده هوش مصنوعی از نظر معاون محصول DeepMind

الی کالینز (Eli Collins)، معاون ارشد محصول در DeepMind، به آینده‌ای مشترک بین برنامه‌نویسان و هوش مصنوعی اشاره می‌کند و می‌گوید: «در آینده، برنامه‌نویسانی را می‌بینیم که از مدل‌های هوش مصنوعی بسیار توانمند به‌عنوان ابزارهای مشترکی استفاده می‌کنند که به کل فرآیند توسعه نرم‌افزار، از استدلال در مورد مشکلات تا کمک به پیاده‌سازی کمک می‌کنند.»

دیدگاه کالینز از عملکردهای AI برای برنامه‌نویسان که در سال 2023 نسبت به سال‌های قبل به اوج رسید، نشات می‌گیرد. 

آینده هوش مصنوعی از نظر موسسه مک‌کینزی

گزارش مک‌کینزی پتانسیل AI را این‌گونه برجسته می‌کند: «هوش مصنوعی مولد می‌تواند وظایفی را که در حال حاضر 60 تا 70 درصد از زمان کارمند را می‌گیرد، خودکار کند. ابزارهایی مانند GitHub Copilot توسعه را روان‌تر می‌کنند، درحالی‌که پلتفرم‌هایی مانند ChatGPT و Google Bard در مستندات فنی انقلابی ایجاد و راه‌اندازی محصول را تسریع می‌کنند.» 

آینده هوش مصنوعی از نظر طراح تجربه nVIDIA

از نظر مایک مندلسون (Mike Mendelson)، طراح تجربه یادگیری در شرکت انویدیا، برخی از جالب‌ترین تحقیقات و آزمایش‌های هوش مصنوعی که پیامدهایی در آینده نزدیک خواهند داشت، در دو حوزه اتفاق می‌افتند: یادگیری تقویت‌کننده و شبکه‌های متخاصم مولد. 

از دیدگاه مندلسون، آینده هوش مصنوعی به سمت پاداش‌ها و مجازات به‌جای استفاده از داده‌های برچسب‌گذاری‌شده خواهد رفت. 

از طرفی دیگر، شبکه‌های متخاصم مولد (Generative Adversarial Networks یا به اختصار GAN)، به الگوریتم‌های کامپیوتری اجازه می‌دهند که به‌جای ارزیابی داده‌های آموزشی، به تولید آن‌ها بپردازند. 

مندلسون معتقد است که در مقیاسی بسیار بزرگ‌تر، هوش مصنوعی تاثیر عمده‌ای بر پایداری، تغییرات آب‌وهوا و مسائل زیست‌محیطی خواهد گذاشت. 

او می‌گوید در حالت ایده‌آل می‌توان با استفاده از حسگرهای پیچیده، شهرهای کم‌ازدحام‌تر، آلودگی کمتر و امکان سکونت با امکانات و آسایش بیشتر را فراهم کرد.

ترندهای هوش مصنوعی در 2024

IBM در مقاله‌ای تحت عنوان «شش پیش‌بینی برتر برای توسعه و ترندهای هوش مصنوعی در سال 2024» اظهار می‌کند که در سال 2024، AI به‌طور خاص روی برخی حوزه‌ها عمیق شده و قادر به رفع نیازهای گسترده‌تر ما هم خواهد بود. 

در این وب‌سایت به آمارهای موسسه مک‌کینزی اشاره شده که نشان می‌دهند این ترندها می‌توانند بین 2.6 تا 4.4 تریلیون دلار به اقتصاد جهانی کمک کنند.

IBM اطلاعات پیش‌رو را با کمک مشتریان و شرکا خود در بیش از 25 کشور جمع‌آوری کرده است که در ادامه آن‌ها را شرح خواهیم داد.

1. سفارشی‌سازی هوش مصنوعی سازمانی

سفارشی‌سازی هوش مصنوعی سازمانی (Customization of Enterprise AI) در حال افزایش است و کسب‌وکارها در سال 2024، پذیرای هوش مصنوعی مولد که به‌طور خاص در زمینه کاری آن‌ها فعالیت می‌کند، هستند. این AIها رفع نیازهای خاص کسب‌وکار را با یکپارچه‌سازی داده‌های اختصاصی برطرف می‌کنند و پاسخ‌های دقیق‌تر و مرتبط‌تری ارائه می‌دهند. 

به‌عنوان مثال، یک فروشگاه زنجیره‌ای خرده‌فروشی جهانی می‌تواند هوش مصنوعی منطقه‌ای را توسعه دهد که براساس داده‌ها، مانند ترجیحات مشتری و تفاوت‌های فرهنگی، آموزش دیده‌اند. این رویکرد منجر به تعاملات بسیار شخصی با مشتری می‌شود.

در ژاپن، هوش مصنوعی کارایی و دقت را در اولویت قرار می‌دهد، درحالی‌که در برزیل، بر گرما و تعامل با کاربران تاکید می‌کند و از این طریق ارزش‌های فرهنگی هر بازار را نشان می‌دهد. 

انتظار می‌رود این ترند هوش مصنوعی به صنایع مختلف گسترش یابد و AI را از یک ابزار عمومی به یک دارایی استراتژیک حیاتی برای کسب‌وکارها تبدیل کند. 

با تلاش و توسعه در این زمینه می‌توان توسط هوش مصنوعی نوآوری خلق کرد و به بررسی چالش‌های خاص بازار و فرآیند تولید و عرضه پرداخت. 

2. هوش مصنوعی منبع باز

در سال 2024، مدل‌های AI از پیش آموزش‌دیده و منبع باز جذابیت قابل توجهی به‌دست خواهند آورد و کسب‌وکارها را قادر می‌سازند تا با ترکیب این مدل‌ها با داده‌های خصوصی یا لحظه‎ای خود، رشدشان را تسریع کنند. 

IBM به‌طور فعالانه به توسعه مدل‌های AI منبع باز کمک می‌کند که نمونه‌ای از همکاری آن با ناسا و توسعه پلتفرم Hugging Face است.

Hugging Face یک مدل پایه هوش مصنوعی جغرافیایی و منبع باز است  که با مشارکت ناسا ساخته شد. این مدل دسترسی به داده‌های علوم زمین ناسا را، به ویژه برای هوش مکانی و پیشرفت تحقیقات مرتبط با آب‌وهوا، ممکن می‌سازد. 

پلتفرم مذکور برگرفته از داده‌های ماهواره‌ای ناسا و تعهد IBM به استفاده از فناوری‌های منبع باز است که برای زمینه‌های حیاتی مانند تغییرات آب‌وهوا به‌کار می‌رود.

هدف IBM و NASA با در دسترس قرار دادن این مدل در Hugging Face – معروف به مخزن مدل‌های ترانسفورماتور -دموکراتیک کردن دسترسی و تشویق به استفاده از آن در نوآوری‌های آب‌وهوا و علوم زمین است. 

پلتفرم Hugging Face به ابزاری قدرتمند برای کارهایی مانند ردیابی جنگل‌زدایی، پیش‌بینی عملکرد محصول، تشخیص و نظارت بر گازهای گلخانه‌ای تبدیل شد و امید داریم که در آینده، توسعه چنین هوش مصنوعی سرعت بیشتری پیدا کند.

3. میکروسرویس مبتنی بر API

گسترش رابط‌های برنامه‌نویسی کاربردی (API)، ساخت برنامه‌های کاربردی پیچیده مبتنی بر هوش مصنوعی را ساده می‌کند و بهره‌وری را در بخش‌های مختلف افزایش می‌دهد. 

IBM در این زمینه شروع به تحقیق کرد و در نهایت توانست مجموعه‌ای از میکروسرویس‌های هوش مصنوعی سفارشی را برای یک خرده‌فروش توسعه دهد. 

این میکروسرویس‌ها از طریق APIها قابل دستیابی و استفاده توسط کسب‌وکار هستند. خدمات ارائه‌شده شامل تجزیه‌وتحلیل رفتار مشتری، مدیریت موجودی و ابزارهای بازاریابی شخصی‌سازی‌شده است.

یکی از ویژگی‌های کلیدی این میکروسرویس‌ها، ادغام دستیارهای هوشمند IBM با هوش مصنوعی در سیستم خدمات مشتریان بود. این دستیاران می‌توانند به سوالات متعدد مشتریان در لحظه رسیدگی کنند و پاسخ‌های مناسبی را براساس داده‌های آن‌ها ارائه دهند. 

علاوه‌براین، خرده‌فروش مذکور از ابزارهای خلاصه‌سازی مبتنی بر AI برای تجزیه‌وتحلیل بازخورد مشتری و داده‌های فروش استفاده می‌کند تا فرآیند تصمیم‌گیری، سریع و آگاهانه شود. 

تاثیر این میکروسرویس‌های IBM قابل توجه بود؛ زیرا بهره‌وری خدمات مشتریان بهبود یافت، استراتژی‌های بازاریابی مبتنی بر داده‌های فعلی طراحی و فرآیند مدیریت موجودی بهینه شد. 

این APIها می‌توانند انعطاف‌پذیری و مقیاس‌پذیری را افزایش دهند و امکان سازگاری کسب‌وکارها با تغییرات بازار را فراهم کنند. 

4. هوش مصنوعی به‌عنوان یک اولویت ملی

در سال 2023، اتحادیه اروپا قانون EU AI Act را نهایی کرد. این قانون نشان می‌دهد که اروپا به ارتقای AI به‌عنوان یک اولویت ملی نگاه می‌کند. 

EU AI Act یک مقررات پیشنهادی است که هدف ایجاد چهارچوب جامع برای توسعه، استقرار و استفاده از هوش مصنوعی در اتحادیه اروپا را در عین حفظ حقوق و ارزش‌های اساسی دنبال می‌کند. 

این اولین قانون جهان در زمینه AI است که سیستم‌های هوش مصنوعی را در سطوح مختلف ریسک (ریسک غیرقابل قبول، ریسک بالا و ریسک محدود) طبقه‌بندی می‌کند و تلاش دارد اهدافی از جمله افزایش شفافیت و توضیح‌پذیری، محافظت از کاربران و جامعه، رشد نوآوری و غیره را محقق سازد.  

به‌علاوه، این قانون برخی از کاربردهای AI که خطرات غیرقابل قبولی در نظر گرفته می‌شوند، از جمله استفاده از تشخیص احساسات در محل کار و امتیازدهی اجتماعی براساس رفتار اجتماعی یا ویژگی‌های شخصی را ممنوع می‌کند.

قانون هوش مصنوعی اتحادیه اروپا نشان‌دهنده گامی مهم در استقرار AI در اتحادیه اروپا است که می‌تواند الهام‌بخش سایر کشورها باشد.

5. هوش مصنوعی مولد چندوجهی

هوش مصنوعی مولد چندوجهی (Multimodal Generative AI) یکی از ترندهای AI در سال 2024 است که IBM آن را مفید تلقی می‌کند. این نوع هوش مصنوعی پا را فراتر از پاسخ‌های متنی، تصویری، صوتی و ویدیویی گذاشته و قادر به انجام وظایف پیچیده‌تر و ادغام با مدل‌های پیشین است. 

به‌عنوان مثال، در طول تماس با واحد خدمات مشتریان، هوش مصنوعی می‌تواند درخواست تلفنی مشتری را تجزیه‌وتحلیل کند، تفسیر اسناد مالی او را انجام دهد و حالات چهره‌اش را در قالب یک مکالمه ویدیویی به تصویر بکشد. 

با ترکیب این نقاط داده (گفتار، متن و نشانه‌های بصری)، هوش مصنوعی می‌تواند توصیه‌های مالی شخصی‌سازی‌شده‌تری ارائه دهد و حساب بانکی یک فرد را به‌طور دقیق ارزیابی کند.

6. ایمنی و اخلاق هوش مصنوعی

همان‌طور که هوش مصنوعی با زندگی ما ادغام می‎شود، تمرکز بر ایمنی و اخلاق AI هم اهمیت بیشتری پیدا می‌کند. 

سازمان‌های پیشرو در AI برای توسعه سیستم‌های هوش مصنوعی قوی و ایمن، در زمینه‌ پروتکل‌های ایمنی استاندارد و بهترین شیوه‌های اخلاقی به‌کارگیری AI، با یکدیگر همکاری می‌کنند. 

IBM و Meta اتحاد ایمنی (Safety Alliance) هوش مصنوعی را برای رفع نگرانی‌های این حوزه، همراه با رهبران صنعت مانند Intel، Oracle، AMD، Dell و بنیاد لینوکس (Linux® Foundation) راه‌اندازی کردند. 

هدف این اتحاد ایجاد جایگزین‌هایی برای سیستم‌های هوش مصنوعی انحصاری، تقویت نوآوری و کمک به اطمینان از دقت علمی، اعتماد، ایمنی، امنیت، تنوع و رقابت اقتصادی است. 

اتحادیه مذکور از رشد سخت‌افزارهای هوش مصنوعی پشتیبانی می‌کند، توسعه فناوری AIهای غیرانحصاری را پیش می‌برد و معیارها، منابع و استانداردهای جهانی را برای توسعه هوش مصنوعی ایده‌آل می‌سازد. 

انواع هوش مصنوعی

انواع هوش مصنوعی به سه دسته هوش مصنوعی محدود (Narrow AI)، هوش مصنوعی قوی (Strong AI) و ابر هوش مصنوعی (Super AI) تقسیم می‌شوند و شامل ANI، AGI و ASI هستند که در ادامه هریک را توضیح خواهیم داد.

هوش مصنوعی محدود (ANI)

Weak AI – که به آن هوش مصنوعی Narrow AI یا Artificial Narrow Intelligence (ANI) هم می‌گویند – یک AI آموزش‌دیده و متمرکز برای انجام وظایف خاص است. این نوع بیشتر هوش مصنوعی‌های امروزی که ما را احاطه کرده‌اند را هدایت می‌کند. 

برخی از دستیاران مبتنی بر AI و برنامه‌های بسیار قوی مانند سیری اپل، الکسای آمازون، آی‌بی‌ام واتسون و وسایل نقلیه خودران بر پایه این نوع ساخته شد‌ه‌اند.

هوش مصنوعی قوی (AGI)

 Strong AI از هوش عمومی مصنوعی (Artificial General Intelligence-AGI) و ابر هوش مصنوعی (Artificial Super Intelligence-ASI) تشکیل شده است. هوش عمومی مصنوعی (AGI)، شکلی نظری از AI است که در آن یک ماشین هوشی برابر با انسان دارد. این نوع خودآگاهی AI را توصیف می‌کند که توانایی حل مشکلات، یادگیری و برنامه‌ریزی برای آینده را دارد. 

ابر هوش مصنوعی (ASI)

ابر هوش مصنوعی (Artificial Super Intelligence- ASI) از هوش و توانایی مغز انسان پیشی می‌گیرد. 

Super AI هنوز به‌طور کامل شکل تئوری دارد و تاکنون هیچ نمونه عملی از آن استفاده نمی‌کند؛ اما این بدان معنا نیست که محققان هوش مصنوعی در حال بررسی و توسعه آن نیستند. 

در این میان، بهترین نمونه‌ ASI را می‌توان در داستان‌های علمی-تخیلی یافت: HAL نمونه بارز یک ASI است؛ دستیار کامپیوتری سرکش و مافوق بشر در سال 2001 و نقش‌آفرین برجسته در سریال ادیسه فضایی (Space Odyssey).

ANI، AGI یا ASI؟ تفاوت هر یک از انواع هوش مصنوعی به زبان ساده

هوش مصنوعی ANI قابلیت‌های کمی در مقایسه با هوش انسان دارد و تنها روی یک کار خاص می‌تواند تمرکز کند؛ درحالی‌که هوش مصنوعی AGI هم‌تراز با توانایی‌های هوش انسان است. ASI به‌عنوان یک AI که از هوش انسان پیشی می‌گیرد، شناخته می‌شود.

تفاوت انواع هوش مصنوعی را در جدول زیر همراه با جزئیات کامل هریک تشریح کرده‌ایم.

نام هوش مصنوعی	ANI	AGI	ASI
تعریف	ANI برای انجام یک کار مشخص، تک‌بعدی یا وظیفه منحصربه‌فردی ساخته شده و فاقد قابلیت یادگیری برای حل مشکلات ناآشنا است.	AGI یا هوش مصنوعی عمومی می‌تواند طیف وسیعی از وظایف، استدلال، یادگیری و بهبود توانایی‌های شناختی قابل مقایسه با هوش انسان را انجام دهد.	ASI یا ابر هوش مصنوعی، توانایی‌هایی فراتر از هوش انسان را نشان می‌دهد.
هدف	Narrow AI طوری برنامه‌ریزی شده است که در مجموعه‌ای از توابع از پیش تعریف‌شده برای تکمیل یا رفع یک مشکل خاص عمل کند.	هوش مصنوعی قوی ذهن خود را دارد و می‌تواند هر نوع کاری را که ذهنش تصور می‌کند، انجام دهد.	Super AI در انجام هر کاری بهتر از همتایان خود و حتی ذهن و عملکرد انسان می‌درخشد.
مدل هوش مصنوعی	ANI از مدل‌های تابعی ثابتی استفاده می‌کند که برنامه‌ریزی شده‌اند.	AGIها در محیط عملیاتی خود مباحث بیشتری را یاد می‌گیرند. درواقع خودآموز هستند.	ASI به‌صورت خودآموز آگاهی خود را گسترش داده و تکامل می‌یابد.
آگاهی و یادگیری	هوش مصنوعی محدود فاقد خودآگاهی، هوشیاری و توانایی‌های شناختی است.	هوش مصنوعی قوی واقعا پیشرفته، باهوش و کاملا خودآگاه تلقی می‌شود؛ به این معنی که دارای عقل سالم، خلاقیت و توانایی بیان احساسات است.	ابر هوش مصنوعی  در سطح بسیار بالایی استدلال و تجربیات انسانی را شبیه‌سازی می‌کند تا درک عاطفی، باورها و خواسته‌های خود را توسعه دهد.
پردازش داده	ANI داده‌ها را با استفاده از یادگیری ماشینی، پردازش زبان طبیعی، شبکه‌های عصبی مصنوعی و یادگیری عمیق طبقه‌بندی می‌کند.	AGI با استفاده از نسخه‌های پیشرفته یادگیری ماشین، یادگیری عمیق، NLP و شبکه‌های عصبی مصنوعی، از تکنیک پردازش داده به‌صورت خوشه‌بندی و ارتباط استفاده می‌کند.	ASI ممکن است از مغز انسان به‌عنوان مدلی برای استخراج هوش رفتاری، درک، تفسیر احساسات و تجربیات انسان استفاده کند.
انتقال دانش	Narrow AI انتقال دانش به حوزه‌ها یا وظایف دیگر را تسهیل نمی‌کند.	Strong AI از انتقال دانش به حوزه‌ها و وظایف جدید استفاده می‌کند.	Super AI همواره انتقال دانش را در کارها و حوزه‌های مختلف اعمال می‌کند.
مفاهیم	هوش مصنوعی محدود در کارهای تکراری خاص مانند رانندگی، تشخیص‌های پزشکی و مشاوره مالی بهتر از انسان‌ها عمل می‌کند.	هوش مصنوعی قوی در تمام زمینه‌ها، از کسب مدرک دانشگاهی گرفته تا رسیدگی به موقعیت‌های فوری پزشکی، با انسان‌ها رقابت می‌کند.	ابر هوش مصنوعی برای دستیابی به اهداف اجتماعی و تسهیل اکتشاف فضا از انسان‌ها بهتر عمل می‌کند؛ اما به‌طور همزمان موجودیت نژاد بشر را هم تهدید می‌کند.
وضعیت	هوش مصنوعی امروزی	هوش مصنوعی آینده تا سال 2040	به‌زودی پس از AGI

انواع هوش مصنوعی از نظر آرنت هینتز 

آرنت هینتز (Arend Hintze) استادیار زیست‌شناسی تلفیقی و علوم کامپیوتر در دانشگاه میشیگان بود که انواع AI را به چهار دسته تقسیم کرد. در ادامه همراه با مثال و توضیح، انواع هوش مصنوعی از نظر آرنت هینتز را نام خواهیم برد.

نوع اول: ماشین‌های واکنشی

ابتدایی‌ترین انواع سیستم‌های هوش مصنوعی کاملا واکنشی بودند که نه توانایی تشکیل خاطرات و نه استفاده از تجربیات گذشته برای گرفتن تصمیمات فعلی را داشتند.

 Deep Blue، ابرکامپیوتر IBM که استاد بزرگ شطرنج، گری کاسپاروف (Garry Kasparov) را در اواخر دهه 1990 شکست داد، نمونه کامل این نوع ماشین است.

از AlphaGo گوگل هم می‌توان به‌عنوان نمونه دیگری از ماشین‌های واکنشی نام برد که توانست بازیکنان حرفه‌ای بازی Go را شکست دهد. این ماشین نمی‌تواند تمام حرکت‌های احتمالی آینده را ارزیابی کند. روش تجزیه‌وتحلیل آن پیچیده‌تر از Deep Blue است و از یک شبکه عصبی برای ارزیابی پیشرفت‌های بازی استفاده می‌کند.

نوع دوم: هوش مصنوعی حافظه محدود

این نوع برخلاف ماشین‌های واکنشی، توانایی ذخیره اطلاعات و تجارب گذشته خود را دارند؛ اما حجم مشخصی از داده و تجربیات را حفظ می‌کنند. 

نوع دوم انواع هوش مصنوعی از نظر آرنت هینتز شامل ماشین‌هایی است که می‌توانند به داده‌های پیشین استناد کنند. خودروهای خودران نمونه‌ای از هوش مصنوعی حافظه محدود در دنیای واقعی  هستند. 

این ماشین‌ها فقط می‌توانند تا حد مشخصی یاد بگیرند و با محیط سازگار شوند. انجام وظایفی که نیاز به درک عمیق جریان‌ها یا الگوهای طولانی‌مدت دارند، از عهده این نوع برنمی‌آید.

نوع سوم: ماشین مبتنی بر تئوری ذهن

این AI می‌تواند نقطه مهم و جداکننده ماشین‌هایی که در حال حاضر داریم و هوش مصنوعی‌هایی که در آینده خواهیم ساخت، باشد. 

آرنت هینتز معتقد بود ماشین‌هایی که ما در آینده می‌خواهیم، فقط بیانگر دنیا و اتفاقاتش نیستند؛ بلکه آن‌ها اطلاعات خوبی راجع‌به سایر عامل‌ها و موجودیت‌های این جهان می‌دهند.

در علم روان‌شناسی، به این موضوع «تئوری ذهن» می‌گویند. این تئوری می‌گوید انسان‌ها و موجودات جهان افکار و احساسات خودشان را دارند که روی رفتار آن‌ها تاثیر می‌گذارند.

آرنت هینتز معتقد بود که اگر بخواهیم هوش مصنوعی‌هایی را توسعه دهیم که از انسان پیشی بگیرند، باید به آن‌ها قدرت تفکر و درک احساس را دهیم تا بتوانند انگیزه‌ها و امیال سایر موجودات را بفهمند؛ زیرا انسان‌ها به همین شکل ارتباطات اجتماعی‌شان را می‌سازند و خود و دیگران را می‌شناسند.

در حال حاضر هوش مصنوعی تئوری ذهن در مراحل اولیه توسعه است؛ اما محققان سیستم‌هایی را توسعه داده‌اند که بر پایه این تئوری بنا شده‌اند؛ 

• سیستم‌هایی که قادر به تشخیص چهره و حالت‌های آن هستند و می‌توانند نشانه‌های غیرکلامی را تفسیر کنند؛
• موضوع موردبحث سخنران‌ها را درک کنند؛
• اقدامات احتمالی سایر عوامل را براساس باورها و اهداف آن‌ها پیش‌بینی کنند؛ 
• مشکلاتی که نیاز به همکاری یا مذاکره بین چندین عامل دارند را حل کنند.

نوع چهارم: هوش مصنوعی خودآگاه

هوش مصنوعی خودآگاه هنوز در حد فرضیات باقی مانده است و بحث‌های زیادی راجع‌به آن می‌شود. 

Self-Aware AI توان درک خود و ارتباطش با جهانی که در آن زندگی می‌کند را دارد. هوش مصنوعی خودآگاه قادر به شناخت خود به‌عنوان موجودی مستقل از محیط، درک افکار، احساسات و تصمیم‌ها، دلیل وجودش در جهان و تصمیم‌گیری براساس منافع و انتخاب‌های خودش است.

زیرشاخه‌های هوش مصنوعی

زیرشاخه‌های هوش مصنوعی به 10 حوزه تقسیم می‌شوند که در ادامه آن‌ها را نام خواهیم برد.

1. یادگیری ماشین (Machine Learning)
2. یادگیری عمیق (Deep Learning)
3. پردازش زبان طبیعی (Natural Language Processing- NLP)
4. داده‌کاوی (Data Mining)
5. سیستم‌های خبره (Expert Systems)
6. منطق فازی (Fuzzy Logic)
7. رباتیک (Robotics)
8. بینایی ماشین (Computer Vision)
9. علوم داده (Data Science)
10. شبکه‎‌های عصبی (Neural Networks)

برای آن‌که بدانیم این زیرشاخه‌ها به چه شکل پدید آمدند و AI به چه سمت خواهد رفت، در بخش بعد تاریخچه هوش مصنوعی را بررسی خواهیم کرد.

بازار کار هوش مصنوعی

بازار کار هوش مصنوعی در سراسر جهان به یک بازار داغ تبدیل شده است که همچنان به رشد سریع خود ادامه می‌دهد. 

طبق گفته Coursera درخصوص حقوق متخصصان هوش مصنوعی، افراد با سابقه کار بالا در آمریکا که در حوزه AI کار می‌کنند، می‌توانند انتظار داشته باشند که برای مهارت‌های خود، حقوقی بالاتر از حد متوسط دریافت کنند. 

این وب‌سایت اظهار می‌کند که حقوق پایه در آمریکا در می 2022، معادل 46.310 دلار بود که توسط دفتر آمار کار ایالات متحده (BLS) به‌عنوان میانگین حقوق سالانه در تعیین شد. 

کورسرا می‌گوید که به‌طورکل، میزان درآمد هر متخصص هوش مصنوعی بسته به مهارت‌ها و دانش او متغیر است؛ اما انتظار می‌رود که حقوق دریافتی ماهانه‌اش رقمی بیش از حقوق پایه باشد.

طبق گفته Glassdoor – وب‌سایت کاریابی جهانی – مشاغل حوزه AI به‌همراه میانگین حقوق سالانه آن‌ها به شرح زیر است:

• مهندس هوش مصنوعی: 120,298 دلار
• محقق هوش مصنوعی: 110,094 دلار
• مهندس یادگیری ماشین: 122,617 دلار
• مهندس رباتیک: 95,762 دلار
• مهندس نرم‌افزار: 109,901 دلار
• دانشمند داده: 117,665 دلار

چشم‌انداز بازار کار هوش مصنوعی در سال‌های آینده وسیع خواهد بود؛ به‌طوری‌که طبق گزارش Coursera، با رشد عجیبی مواجه خواهد شد.

این وب‌سایت، براساس آمارهای BLS ایالات متحده می‌گوید: «احتمالا در سال‌های آینده افراد حرفه‌ای با تسلط زیاد بر مهارت‌های هوش مصنوعی، در بازار کار تقاضای بیشتری خواهند داشت. 

براساس گفته‌های BLS ایالات متحده، انتظار می‌رود که تعداد مشاغل برای دانشمندان تحقیقات کامپیوتر و اطلاعات، بین سال‌های 2022 و 2032 به میزان 23 درصد افزایش یابد. این تقاضا به‌طور قابل توجهی بالاتر از رشد کلی مشاغل دیگر در آمریکا است.»

به‌طور مشابه، طبق تحقیقات سال 2023 که در  Statista منتشر شد، پیش‌بینی می‌شود که اندازه بازار جهانی هوش مصنوعی تا سال 2030 به دو تریلیون دلار یا تقریبا 20 برابر ارزش آن در سال 2021 – که تقریبا 100 میلیارد بود – برسد. 

این ارقام نشان می‌دهند که بازار کار هوش مصنوعی و موقعیت‌های شغلی مرتبط با آن در سال‌های آینده تقاضای بالایی خواهند داشت.

بازار کار هوش مصنوعی در ایران

بازار کار هوش مصنوعی در ایران رشد فزاینده اما آهسته‌ای را تجربه می‌کند. متخصصان رشته AI در بازار کار تحت عنوان‌هایی همچون پژوهش‌گر هوش مصنوعی، مهندس هوش مصنوعی، برنامه‌نویس هوش مصنوعی، تحلیل‌گر داده و مهندس رباتیک به استخدام شرکت‌های فعال در تکنولوژی، مالی، دارویی و غیره درمی‌آیند. 

عناوین دیگری که متخصصان آموزش‌دیده امکان استخدام در بازار کار هوش مصنوعی را دارند عبارتند از:

• کارشناس هوش تجاری
• سرپرست هوش تجاری
• کارشناس تحلیل داده و هوش تجاری
• کارشناس هوش مصنوعی
• برنامه‌نویس پردازش تصویر و هوش مصنوعی
• کارشناس پردازش تصویر
• کارشناس ارشد پردازش تصویر
• دانشمند داده 
• کارشناس تحول دیجیتال
• طراح و تحلیل‌گر نرم‌افزار
• مدیر امنیت اطلاعات
• مدیر شبکه
• طراح ابزارهای هوشمند
• دانشمند تحقیقات AI

رشته هوش مصنوعی در ایران

رشته هوش مصنوعی در ایران یکی از گرایش‌های مهندسی کامپیوتر است که در دو مقطع ارشد و دکترا ارائه می‌شود. افراد فارغ‌التحصیل از هر رشته در مقطع کارشناسی می‌توانند با شرکت در کنکور ارشد، رشته هوش مصنوعی را انتخاب کنند.

در مقطع ارشد، رشته هوش مصنوعی به دو صورت پروژه‌محور و آموزش‌محور ارائه می‌شود.

دانشجویان ارشد AI که مایلند به‌صورت پروژه‌محور تحصیلاتشان را تکمیل کنند، ملزم به گذراندن 32 واحد درسی هستند. این 32 واحد شامل 24 واحد درسی، دو واحد سمینار و شش واحد پایان‌نامه می‌شود. 24 واحد شامل درس‌های نظری، عملی، پژوهشی و تحقیقاتی است که هرکدام ارتباط مستقیمی با علم کامپیوتر و سیستم‌های مرتبط با برنامه‌نویسی و ریاضیات دارند.

دانشجویان آموزش‌محور تنها 30 واحد می‌‌گذرانند که دو واحد سمینار را نخواهند داشت.

گرایش‌های ارشد رشته هوش مصنوعی در ایران شامل:

• بینایی ماشین
• یادگیری ماشین
• شبکه عصبی
• سامانه‌های خبره
• رباتیک
• پردازش زبان طبیعی
• الگوریتم ژنتیک

ورود به رشته هوش مصنوعی در ایران و مقطع دکترا با شرکت در کنکور مهندسی کامپیوتر و گرایش رباتیکز امکان‌پذیر است. علاوه بر محصلان رشته مهندسی کامپیوتر، افراد فارغ‌التحصیل از رشته‌های آمار یا علوم داده هم می‌توانند در کنکور دکترا هوش مصنوعی شرکت کنند.

تعداد واحدهای درسی در مقطع دکترا AI در ایران بین 36 الی 50 واحد آموزشی، 24 واحد رساله و تحقیقات است. این تعداد واحد براساس نوع ارائه دانشگاه، دروس پیش‌نیاز و هم‌نیاز متفاوت خواهد بود.

هدف رشته هوش مصنوعی در ایران هوشمندسازی کامپیوترها و سیستم‌های مبتنی بر کامپیوتر، یادگیری و رفتار هوشمندانه، تجزیه‌وتحلیل اطلاعات، حس بینایی، استدلال، درک، تولید زبان و گفتار در کامپیوترها است.

دانشجویان برای ورود به رشته هوش مصنوعی در ایران باید خود را آماده گذراندن دروسی همچون ریاضیات، آمار و احتمالات و شناخت الگوریتم‌های کامپیوتری کنند تا بتوانند با تحلیل واکنش‌های انسان در شرایط متفاوت، نحوه تفکر و رفتار او را پیش‌بینی و شبیه‌سازی کنند.

آینده هوش مصنوعی در ایران

با توجه به ادغام AI با وظایف روزمره، پیش‌بینی می‌شود که آینده هوش مصنوعی در ایران روشن باشد و متخصصان این حوزه توسط شرکت‌های مطرح و پیش‌رو جذب شوند. 

استفاده از هوش مصنوعی در پزشکی، حمل‌ونقل، امنیت شبکه، بانک‌داری و غیره در حال حاضر تا حدودی در ایران رایج است و امید داریم در آینده‌ای نه‌چندان دور، فناوری‌های پیشرفته‌تری در این زمینه ساخته شوند.

خطرات هوش مصنوعی

فناوری هوش مصنوعی هم فرصت‌ها و هم چالش‌هایی را پیش‌روی ما قرار داده است. برخی از پربحث‌ترین خطرات هوش مصنوعی را در ادامه شرح می‌دهیم.

تعصب و تبعیض

به‌عنوان اولین مورد از خطرات هوش مصنوعی می‌توان به سوگیری، تعصب و تبعیض آن اشاره کرد. ازآنجایی‌که انسان‌ها AI را آموزش می‌دهند، در نتیجه ممکن است پاسخ‌ها دچار سوگیری و جهت باشند و ما را دچار گمراهی کنند. 

سوگیری در طول فرآیند آموزش AI، به‌ویژه هنگام استفاده از الگوریتم‌های هوش مصنوعی، یادگیری عمیق و شبکه‌های متخاصم تولیدی (GAN) بیشتر رخ می‌دهد. 

اولگا روساکوفسکی (Olga Russakovsky)، استاد علوم کامپیوتر پرینستون، در گفت‌وگو با نیویورک تایمز گفت: «تعصب هوش مصنوعی فراتر از جنسیت و نژاد است. علاوه بر داده‌ها و سوگیری الگوریتمی، هوش مصنوعی توسط انسان‌ها توسعه یافته است و انسان ذاتا سوگیری دارد.»

او همچنین اظهار کرد: «محققان AI عمدتا انسان‌هایی هستند که از جمعیت‌های نژادی خاص می‌آیند، در مناطق اجتماعی-اقتصادی مرفه و سطح بالا بزرگ شده‌اند و به‌طورکلی افراد بدون معلولیت هستند.»

فقدان شفافیت 

درک مدل‌های هوش مصنوعی و یادگیری عمیق، حتی برای کسانی که مستقیما با این فناوری کار می‌کنند، دشوار است. این موضوع منجر به عدم شفافیت در مورد چگونگی و چرایی نتیجه‌گیری هوش مصنوعی می‌شود. 

از طرفی دیگر، در حال حاضر توضیحات شفاف و مستند در مورد اینکه الگوریتم‌های هوش مصنوعی از چه داده‌هایی استفاده می‌کنند و چرا گاهی اوقات تصمیمات غیرامن می‌گیرند، در دست نداریم. 

از دست دادن شغل

اتوماسیون وظایف تکراری توسط هوش مصنوعی یک نگرانی مبرم و جهان‌شمول است؛ زیرا این فناوری در صنایعی مانند بازاریابی، تولید مواد و سلامت که نیروهای انسانی زیادی دارند، جای خود را باز کرده است. 

به گفته مک‌کینزی، تا سال 2030، وظایفی که 30 درصد از ساعت‌های کاری آمریکا را تشکیل می‌دهند، می‌توانند خودکار شوند. حتی گلدمن ساکس بیان می‌کند که 300 میلیون شغل تمام‌وقت ممکن است به‌دلیل اتوماسیون توسط هوش مصنوعی از بین بروند.

همان‌طور که ربات‌ها و ماشین‌ها باهوش‌تر و ماهرتر می‌شوند، نقش‌هایی که می‌توانند ایفا کنند هم بیشتر می‌شوند و به مرور برای انجام برخی وظایف، انسان‌های کمتری نیاز خواهیم داشت. 

تخمین زده می‌شود که هوش مصنوعی تا سال 2025 97 میلیون شغل جدید ایجاد خواهد کرد. این پیش‌بینی به‌معنی الزام به همگام شدن با تکنولوژی و استفاده از ابزارهای AI است.

از دست دادن شغل به‌واسطه حضور AI را می‌توان از زاویه دیگری هم نگاه کرد؛ ماشین‌ها مانند انسان دچار خستگی، خواب‌آلودگی، ضعف یا بی‌انگیزگی نمی‌شوند و می‌توانند بدون وقفه، ساعت‌های طولانی انجام وظایف خود را با دقت پیش ببرند. 

از این جهت، کسب‌وکارها ترجیح می‌دهند از ماشین، کامپیوتر و ربات استفاده کنند تا بازدهی و سود خود را به حداکثر برسانند.

نقض حریم خصوصی

فناوری‌های هوش مصنوعی اغلب مقادیر زیادی از داده‌های شخصی را جمع‌آوری و تحلیل می‌کنند که نگرانی‌هایی را در زمینه مسائل مربوط به حریم خصوصی و امنیت داده‌ها در پی دارد.

بین 25 اکتبر 2006 تا 30 سپتامبر 2013، ظاهرا گوگل اطلاعات شخصی کاربران کروم را جمع‌آوری می‌کرد و با نقض تعهدات حفظ حریم خصوصی، آن‌ها را نزد اشخاص ثالث فاش کرد.

این موضوع جریمه گوگل به مبلغ 23 میلیون دلار را در پی داشت و او متعهد شد که به کاربران خود، بسته به اثبات تقاضا، مبلغی را پرداخت کند.

در اتفاقی دیگر، کره جنوبی در سال 2022، گوگل را 50 میلیون دلار و متا را 22 میلیون دلار، به‌دلیل نقض حریم خصوصی جریمه کرد. 

مقامات این کشور توضیح دادند که گوگل هنگام ثبت‌نام در سرویس خود، به کاربران اطلاعات شفافی از جمع‌آوری و استفاده از داده‌های آن‌ها نداده است. 

همچنین متا، جزئیات موردنیاز قانونی‌ای را که کاربران هنگام ثبت‌نام در پلتفرم‌هایش باید بدانند، به‌طور واضح مشخص نکرده است.

لو رفتن اطلاعات شخصی

در مارچ 2023، یک باگ در ChatGPT باعث شد کاربران بتوانند تاریخچه چت یک کاربر فعال دیگر را ببینند. این باگ افشای اطلاعات کارت‌های اعتباری برخی کاربران را هم به‌دنبال داشت.

OpenAI، سازنده ChatGPT در صفحه مذکور ادعا کرد که: «پس از بررسی عمیق‌تر، ما متوجه شدیم که همین اشکال ممکن است باعث مشاهده ناخواسته اطلاعات مربوط به پرداخت 1.2٪ از مشترکین ChatGPT Plus شده باشد که از این سرویس به‌مدت 9 ساعت استفاده کرده‌اند.» 

این باگ منجر به نگرانی کاربران و افراد متخصص درباره افشای اطلاعات شخصی و گاه حساس شد.

سوءاستفاده از داده‌های حساس

فرقی نمی‌کند از یک چت‌بات استفاده کنید یا فیلتر چهره در اپلیکیشن‌هایی مانند اسنپ‌چت یا توسط کارت بانکی خود، پرداخت انجام داده باشید؛ در هر صورت داده‌های شما توسط هوش مصنوعی جمع‌آوری می‌شوند. اما این اطلاعات به کجا می‌روند و چگونه از آن‌ها استفاده می‌شود؟ 

شرکت‌های سازنده ادعا می‌کنند که قوانین سخت‌گیرانه‌ای در زمینه حریم خصوصی دارند و سیستم‌های هوش مصنوعی آن‌ها، اغلب داده‌های شخصی را برای سفارشی‌سازی تجربیات کاربر یا کمک به آموزش مدل‌های AI بعدی جمع‌آوری می‌کنند؛ اما خطراتی از جمله حملات سایبری، اعمال فشار دولت بر کمپانی سازنده AI برای در اختیار قرار دادن داده‌های کاربران، باگ امنیتی و سایر موارد می‌توانند منجر به سوءاستفاده از داده‌های حساس شوند.

زیرنظر گرفتن افراد توسط دولت

برخی دولت‌ها از هوش مصنوعی برای زیرنظر گرفتن افراد استفاده می‌کنند. نمونه بارز این موضوع، کشور چین است که از فناوری تشخیص چهره در ادارات، مدارس و سایر مکان‌ها استفاده می‌کند. 

علاوه بر ردیابی حرکات بدن افراد، دولت چین با کمک AI می‌تواند داده‌های کافی برای نظارت بر فعالیت‌ها، روابط و دیدگاه‌های سیاسی یک فرد جمع‌آوری کند. 

گسترش سلاح‌های خودگردان

در سال 2016، محققان هوش مصنوعی و رباتیک در نامه‌ای سرگشاده نوشتند: «سوال کلیدی برای بشریت امروز این است که آیا باید یک مسابقه تسلیحاتی جهانی AI را آغاز کرد یا از شروع آن جلوگیری کرد؟ اگر هر قدرت نظامی بزرگی با توسعه تسلیحات هوش مصنوعی پیش‌روی کند، یک مسابقه تسلیحاتی جهانی عملا اجتناب‌ناپذیر خواهد بود و نقطه پایانی این خط سیر فناوری آشکار است: سلاح‌های خودمختار به کلاشینکف‌های فردا تبدیل خواهند شد.»

اگر در عصر هوش مصنوعی رقابت‌های سیاسی و تمایلات جنگ‌افروز کنترل نشود، AI ممکن است با بدترین نیت‌ها به‌کار گرفته شود.

از دست دادن نفوذ انسانی

اتکای بیش از حد به فناوری‌های AI می‌تواند منجر به از بین رفتن نفوذ انسانی – و فقدان عملکرد انسانی – در برخی از بخش‌های جامعه شود. به‌عنوان مثال، استفاده از هوش مصنوعی در حوزه سلامت و مراقبت می‌تواند منجر به کاهش همدلی و استدلال انسان شود. 

به‌کارگیری AIهای مولد برای تولید محتوا می‌تواند خلاقیت و بیان احساسات انسان را کاهش دهد. 

حتی تعامل بیش از حد با سیستم‌های هوش مصنوعی، می‌تواند باعث کاهش مهارت‌های ارتباطی و اجتماعی با افراد دیگر شود. 

هوش مصنوعی غیرقابل کنترل

یکی از خطرات هوش مصنوعی که بسیاری را نگران می‌کند، از کنترل خارج شدن AI است. متخصصان، دانشمندان و کاربران AI این نگرانی را دارند که هوش مصنوعی آنقدر در تفکر، خلاقیت و هوشمندی پیشرفت کند که فراتر از کنترل انسان پیش برود.

از آنجایی‌که احتمال ساخت و توسعه هوش مصنوعی ASI در آینده‌ای نه‌چندان دور وجود دارد، متخصصان و دانشمندان زیادی تقاضای توقف توسعه AI در همین نقطه را داده‌اند.

دیپ‌فیک و فیشینگ

مطالعه‌ای در دانشگاه استنفورد به مهم‌ترین خطرات هوش مصنوعی اشاره کرد. در این مطالعه محققان گفتند: «سیستم‌های هوش مصنوعی در خدمت اطلاعات نادرست سراسر اینترنت هستند و به آن‌ها امکان تبدیل شدن به تهدیدی برای دموکراسی و ابزاری برای فاشیسم را می‌دهند. ویدیوهای دیپ‌فیک و ربات‌های آنلاین می‌توانند با جعل نظرات و انتشار اخبار جعلی، اذهان عمومی را در جهت منفی هدایت کنند.» 

این خطر وجود دارد که سیستم‌های هوش مصنوعی اعتماد اجتماعی را تضعیف کنند. این فناوری می‌تواند توسط جنایت‌کاران، دولت‌های سرکش، افراط‌گرایان ایدئولوژیک یا صرفا گروه‌های ذینفع خاص مورد سوءاستفاده قرار گیرد. چنین مصارفی برای جهت‌دهی به اذهان عمومی به‌منظور رسیدن به منافع اقتصادی یا سیاسی انجام می‌شود.

آنچه در هوش مصنوعی چیست آموختیم

• هوش مصنوعی توانایی یک ماشین یا کامپیوتر برای یادگیری و تطبیق بدون برنامه‌ریزی مستقیم است. AI قابلیت تجربه جهان، تجزیه‌وتحلیل داده‌ها و تصمیم‌گیری براساس آموخته‌هایش را دارد. 
• پتانسیل هوش مصنوعی بسیار زیاد است و با پیشرفت فناوری، کاربردهای آن همچنان در حال گسترش هستند.
• عملکرد خیره‌کننده و قدرتمند AI، به‌خصوص در زمان رونمایی از معروف‌ترین آن‌ها مانند Midjourney، ChatGPT، Bard و DALL-E فرآیند استفاده از داده و نحوه تصمیم‌گیری ماشین را به ما نشان داد. این ابزارها در نسخه‌های پیشرفته بهبود چشم‌گیری داشتند و توانستند خروجی دقیقی را ارائه دهند. 

سوالات متداول