هوش مصنوعی (Artificial Intelligence یا AI) دیگر فقط یک ایده علمی‌تخیلی نیست. امروز آن را در موتورهای جست‌وجو، نقشه‌ها، سیستم‌های پیشنهاددهنده، فیلتر هرزنامه، تشخیص تقلب، ابزارهای پزشکی و سرویس‌هایی می‌بینیم که متن می‌نویسند، تصویر می‌سازند یا به برنامه‌نویسی کمک می‌کنند. خیلی از مردم حالا هوش مصنوعی را از طریق چت‌بات‌ها می‌شناسند، اما چت‌بات فقط یکی از جلوه‌های این حوزه است.
در این مطلب می‌خوانید هوش مصنوعی چیست، سیستم‌های امروزی چطور کار می‌کنند، هوش مصنوعی مولد دقیقاً چه جایگاهی دارد، در زندگی روزمره کجا با AI روبه‌رو می‌شویم، و چرا محدودیت‌های آن به اندازه توانایی‌هایش اهمیت دارند. این اولین مطلب از یک مجموعه سه‌تایی است. دو مطلب دیگر به انواع هوش مصنوعی و نقش داده در هوش مصنوعی و یادگیری ماشین می‌پردازند.
هوش مصنوعی چیست؟
هوش مصنوعی شاخه‌ای گسترده از علوم کامپیوتر است که به ساخت سیستم‌هایی می‌پردازد که می‌توانند کارهایی مثل تشخیص الگو، فهم یا تولید زبان، پیش‌بینی، توصیه و پشتیبانی از تصمیم‌گیری را انجام دهند.
یکی از تعریف‌های به‌روز و کاربردی را OECD ارائه کرده است. بر اساس این تعریف، سیستم هوش مصنوعی یک سیستم ماشینی است که برای هدف‌هایی صریح یا ضمنی، از ورودی‌هایی که دریافت می‌کند استنتاج می‌کند چگونه خروجی‌هایی مانند پیش‌بینی، محتوا، توصیه یا تصمیم تولید کند؛ خروجی‌هایی که می‌توانند بر محیط فیزیکی یا مجازی اثر بگذارند. متن کامل این تعریف را می‌توانید در صفحه تعریف سیستم هوش مصنوعی در OECD (در زبانه تازه باز می‌شود) ببینید.
نکته مهم، مفهوم «استنتاج» است. در هوش مصنوعی همیشه قرار نیست انسان همه قواعد را یکی‌یکی بنویسد. یک سیستم ممکن است از داده الگو یاد بگیرد، میان گزینه‌ها جست‌وجو کند، از روش‌های آماری استفاده کند یا مدل‌های یادگرفته‌شده را با قواعدی که انسان طراحی کرده ترکیب کند. به همین دلیل، هوش مصنوعی فقط به چت‌بات‌ها خلاصه نمی‌شود و فقط هم یادگیری ماشین نیست.
همین نکته توضیح می‌دهد چرا هوش مصنوعی هم می‌تواند چشمگیر باشد و هم محدود. یک سیستم ممکن است در یک کار مشخص عملکرد بسیار خوبی داشته باشد، اما بیرون از همان شرایط، ناگهان ضعیف عمل کند. عملکرد خوب لزوماً به این معنا نیست که سیستم مثل انسان فهم عمومی دارد؛ فقط یعنی برای نوع خاصی از مسئله طراحی یا آموزش دیده است.
هوش مصنوعی چگونه کار می‌کند؟
بخش بزرگی از آنچه امروز هوش مصنوعی می‌نامیم با یادگیری ماشین (Machine Learning) ساخته می‌شود. در یادگیری ماشین، سیستم به‌جای اینکه فقط با دستورهای مستقیم برنامه‌ریزی شود، از روی نمونه‌ها یاد می‌گیرد.
یادگیری از نمونه‌ها
مدل یادگیری ماشین یک مدل ریاضی است با تعداد زیادی پارامتر قابل تنظیم. در رایج‌ترین شکل آموزش (Training) که یادگیری نظارت‌شده نام دارد، نمونه‌های زیادی همراه با نتیجه مورد انتظار به مدل نشان داده می‌شود. خروجی مدل با آن نتیجه مقایسه می‌شود و پارامترها طوری تغییر می‌کنند که خطا کمتر شود. روش‌های دیگر طور دیگری کار می‌کنند: بعضی مدل‌ها بدون هیچ پاسخ آماده‌ای، ساختار موجود در داده را پیدا می‌کنند و بعضی با آزمون و پاداش یاد می‌گیرند. اما در همه این روش‌ها، آموزش یعنی تنظیم پارامترها تا مدل الگوهای مفید را به دست آورد، و مدلی که خوب آموزش دیده باشد معمولاً روی ورودی‌های تازه‌ای که قبلاً ندیده نیز عملکرد قابل قبولی دارد.
وقتی مدل آموزش دید، می‌توان از آن برای پردازش ورودی‌های تازه استفاده کرد. به این مرحله معمولاً استنتاج (Inference) می‌گویند. وقتی از یک چت‌بات سؤال می‌پرسید، وقتی یک تراکنش مشکوک بانکی علامت‌گذاری می‌شود، یا وقتی نرم‌افزاری به تحلیل یک تصویر پزشکی کمک می‌کند، مدل در حال استنتاج است.
کیفیت نتیجه به داده، شیوه آموزش، روش ارزیابی و محیط استفاده بستگی دارد. مدلی که بیشتر با تصاویر روز آموزش دیده باشد، ممکن است در شب ضعیف‌تر عمل کند. مدلی که با سابقه تصمیم‌های استخدامی گذشته آموزش دیده باشد، ممکن است همان سوگیری‌های گذشته را بازتاب دهد. به همین دلیل کیفیت داده اهمیت زیادی دارد.
یادگیری عمیق و شبکه‌های عصبی
بخش مهمی از پیشرفت‌های اخیر از یادگیری عمیق (Deep Learning) آمده است. یادگیری عمیق شاخه‌ای از یادگیری ماشین است که از شبکه‌های عصبی مصنوعی استفاده می‌کند. این مدل‌ها از لایه‌های متعدد واحدهای محاسباتی ساده تشکیل می‌شوند. هیچ‌کدام از این واحدها به‌تنهایی هوشمند نیستند، اما شبکه‌های بسیار بزرگ می‌توانند با داده کافی و توان محاسباتی مناسب، الگوهای پیچیده را یاد بگیرند.
رشد یادگیری عمیق تا حد زیادی مدیون دو چیز بود: پردازنده‌های گرافیکی (GPU) که آموزش مدل‌های بزرگ را عملی کردند، و حجم عظیم داده‌های دیجیتال که برای آموزش در دسترس قرار گرفتند. این ترکیب باعث جهش در تشخیص تصویر، تشخیص گفتار، ترجمه و بسیاری از کاربردهای دیگر شد.
شاخه‌های اصلی
یادگیری ماشین پشت بسیاری از کاربردهای امروزی هوش مصنوعی است. خود هوش مصنوعی را معمولاً با کاری که به آن گمارده می‌شود توصیف می‌کنند:
- پردازش زبان طبیعی (NLP) با زبان انسان سروکار دارد: ترجمه، خلاصه‌سازی، جست‌وجو و همان چت‌بات‌ها.
- بینایی رایانه‌ای (Computer Vision) تصویر و ویدئو را تفسیر می‌کند؛ از باز کردن قفل گوشی با چهره تا خواندن ماموگرافی.
- رباتیک هوش مصنوعی را به ماشین‌هایی می‌برد که در دنیای فیزیکی عمل می‌کنند؛ از ربات‌های انبار تا مریخ‌نوردها.
هوش مصنوعی مولد و مدل‌های زبانی بزرگ
هوش مصنوعی مولد (Generative AI) به سیستم‌هایی گفته می‌شود که محتوای تازه تولید می‌کنند؛ مثل متن، تصویر، صدا، ویدئو یا کد. مدل زبانی بزرگ (Large Language Model یا LLM) نوعی مدل است که با حجم بسیار زیادی از متن آموزش می‌بیند تا قطعه بعدی یک دنباله را پیش‌بینی کند و سپس، با تنظیم‌های بعدی، بتواند دستورها را بهتر دنبال کند و کارهای زبانی مختلفی انجام دهد.
همین سازوکار ساده در ظاهر، به رفتارهایی نسبتاً گسترده منجر می‌شود. یک مدل زبانی می‌تواند پاسخ بدهد، خلاصه کند، بازنویسی کند، ترجمه کند، ایده بدهد، متن‌ها را دسته‌بندی کند یا در نوشتن کد کمک کند. بعضی از مدل‌های جدید چندوجهی (Multimodal) هستند؛ یعنی علاوه بر متن، با تصویر، صدا یا ویدئو هم کار می‌کنند.
در عین حال، مدل‌های مولد تضمین نمی‌کنند که خروجی‌شان درست باشد. ممکن است پاسخی روان و قانع‌کننده تولید کنند که ناقص، گمراه‌کننده یا نادرست باشد. در مدل‌های زبانی، این مسئله را معمولاً «توهم» (Hallucination) می‌نامند. به همین دلیل، در موضوع‌های مهم، به‌ویژه علمی، پزشکی، حقوقی یا مالی، همچنان باید نتیجه را بررسی کرد.
از یادگیری ماشین تا عامل‌های هوش مصنوعی
این اصطلاح‌ها به هم مربوط‌اند، اما یکی نیستند:
- هوش مصنوعی حوزه کلی است.
- یادگیری ماشین یکی از رویکردهای اصلی در AI است که در آن مدل‌ها از داده یاد می‌گیرند.
- یادگیری عمیق شاخه‌ای از یادگیری ماشین است که بر شبکه‌های عصبی بزرگ تکیه دارد.
- هوش مصنوعی مولد به سیستم‌هایی گفته می‌شود که محتوای تازه تولید می‌کنند.
- عامل‌های هوش مصنوعی سیستم‌هایی هستند که از مدل، ابزار، حافظه یا فرایند کاری برای دنبال‌کردن یک هدف استفاده می‌کنند.
عامل هوش مصنوعی فقط یک چت‌بات با ظاهر متفاوت نیست. چت‌بات بیشتر به پرسش شما پاسخ می‌دهد. اما عامل می‌تواند مراحل را برنامه‌ریزی کند، از ابزارهای بیرونی استفاده کند، اطلاعات را جست‌وجو کند، فرم پر کند، کد بنویسد و اجرا کند یا با نرم‌افزارهای دیگر تعامل داشته باشد. به بیان ساده، مدل توانایی زبانی یا استدلالی را فراهم می‌کند و لایه عامل، امکان عمل را اضافه می‌کند.
این تفاوت مهم است، چون فرصت‌ها و ریسک‌ها را هم تغییر می‌دهد. مدلی که فقط پاسخ می‌دهد، ممکن است در حد یک پاسخ اشتباه خطا کند. اما سیستمی که می‌تواند کاری را انجام دهد، رزرو کند، فایل بفرستد یا چیزی را اجرا کند، اگر خطا کند ممکن است پیامد مهم‌تری داشته باشد. هرچه دسترسی این سیستم‌ها بیشتر شود، نیاز به نظارت انسانی هم بیشتر می‌شود.
تاریخچه کوتاه هوش مصنوعی
با اینکه AI در زندگی روزمره پدیده‌ای نسبتاً تازه به نظر می‌رسد، تاریخ آن طولانی است.
- ۱۹۵۰: آلن تورینگ در مقاله «ماشین‌های محاسباتی و هوش (در زبانه تازه باز می‌شود)» (Computing Machinery and Intelligence) این پرسش مشهور را مطرح کرد که آیا ماشین‌ها می‌توانند فکر کنند.
- ۱۹۵۶: پروژه پژوهشی تابستانی دارتموث به تثبیت هوش مصنوعی به‌عنوان یک حوزه مستقل کمک کرد.
- دهه‌های ۱۹۷۰ و ۱۹۸۰: دوره‌هایی از کاهش بودجه و کندی پیشرفت به «زمستان‌های هوش مصنوعی» معروف شدند.
- ۱۹۹۷: Deep Blue از IBM گری کاسپاروف، قهرمان شطرنج جهان، را شکست داد.
- ۲۰۱۲: AlexNet تحولی مهم در تشخیص تصویر ایجاد کرد و به آغاز دوران جدید یادگیری عمیق کمک کرد.
- ۲۰۱۶: AlphaGo لی سدول را شکست داد و توانایی‌های AI مدرن را در بازی گو نشان داد.
- ۲۰۱۷: مقاله «Attention Is All You Need (در زبانه تازه باز می‌شود)» معماری ترنسفورمر را معرفی کرد؛ معماری‌ای که در بسیاری از مدل‌های زبانی امروزی به کار می‌رود.
- از ۲۰۲۲ به بعد: ابزارهای هوش مصنوعی مولد، از چت‌بات‌ها تا تولید تصویر، در مقیاس عمومی در دسترس قرار گرفتند.
بنابراین، وضعیت امروز هوش مصنوعی آغاز این حوزه نیست؛ نتیجه چند دهه پژوهش در الگوریتم‌ها، داده و زیرساخت محاسباتی است.
هوش مصنوعی در زندگی و علم
هوش مصنوعی همین حالا هم بخشی از زندگی دیجیتال روزمره است، حتی اگر همیشه متوجه آن نباشیم.
- جست‌وجو و پیشنهاد محتوا: موتورهای جست‌وجو نتایج را رتبه‌بندی می‌کنند، سرویس‌های ایمیل هرزنامه را فیلتر می‌کنند و پلتفرم‌های پخش محتوا پیشنهاد می‌دهند چه چیزی ببینیم یا گوش کنیم.
- نقشه و حمل‌ونقل: ابزارهای مسیریابی زمان رسیدن را پیش‌بینی می‌کنند و مسیرها را پیشنهاد می‌دهند. تاکسی‌های بدون راننده نیز در بعضی شهرهای آمریکا فعال‌اند.
- سلامت: ابزارهای کمکی مبتنی بر AI در کارهایی مثل تحلیل تصاویر پزشکی به کار می‌روند. سازمان غذا و داروی آمریکا بیش از ۱٬۶۰۰ ابزار پزشکی مبتنی بر هوش مصنوعی (در زبانه تازه باز می‌شود) را مجاز کرده است، هرچند این ابزارها جای پزشک را نمی‌گیرند.
- علم: AlphaFold ساختار بیش از ۲۰۰ میلیون پروتئین (در زبانه تازه باز می‌شود) را پیش‌بینی کرده و در اختیار پژوهشگران قرار داده است؛ نمونه‌ای روشن از اینکه AI چگونه می‌تواند پژوهش علمی را سریع‌تر کند.
- کار: خیلی‌ها از AI برای نوشتن پیش‌نویس ایمیل، خلاصه‌کردن جلسه، استخراج اطلاعات از سندها، تولید کد یا خودکارسازی کارهای تکراری استفاده می‌کنند.
در نتیجه، هوش مصنوعی یک محصول واحد نیست؛ لایه‌ای رو به رشد درون محصولات و سرویس‌های بسیار مختلف است.
هوش مصنوعی کجا خطا می‌کند؟
یک سیستم می‌تواند مفید باشد و در عین حال محدودیت‌های جدی داشته باشد. چند مورد از مهم‌ترین آن‌ها را باید شناخت.
خطاهای مطمئن
مدل‌های زبانی ممکن است پاسخ‌هایی تولید کنند که روشن، روان و باورپذیرند، اما نادرست‌اند. این یکی از شناخته‌شده‌ترین ضعف‌های هوش مصنوعی مولد است. پاسخ خوش‌بیان، لزوماً پاسخ درست نیست.
سوگیری و عملکرد نابرابر
سیستم‌های AI ممکن است تحت تأثیر داده آموزشی، انتخاب‌های طراحی، روش ارزیابی یا محیط استفاده، برای بعضی افراد یا موقعیت‌ها بهتر از بعضی دیگر عمل کنند. اگر داده نامتوازن باشد یا مسئله بد تعریف شده باشد، خروجی هم می‌تواند مشکل‌دار شود.
حریم خصوصی و حق نشر
بسیاری از سیستم‌های هوش مصنوعی با مجموعه‌های بسیار بزرگی از متن، تصویر و داده‌های دیگر آموزش می‌بینند. این موضوع پرسش‌های دشواری درباره اطلاعات شخصی، رضایت، مالکیت و استفاده از آثار دارای حق نشر ایجاد می‌کند.
انرژی و زیرساخت
هوش مصنوعی مدرن به مراکز داده، تراشه‌ها و زیرساخت محاسباتی گسترده وابسته است. به همین دلیل، AI فقط یک داستان نرم‌افزاری نیست؛ مسئله‌ای مرتبط با انرژی و صنعت هم هست.
کار و مسئولیت
هوش مصنوعی می‌تواند بخشی از بسیاری از کارها را سریع‌تر کند، اما هم‌زمان می‌تواند ساختار کار و مهارت‌های مهم را هم تغییر دهد. اثر واقعی آن بسته به صنعت و نوع کار متفاوت است. چیزی که تغییر نمی‌کند، نیاز به مسئولیت‌پذیری روشن در تصمیم‌هایی است که بر انسان‌ها اثر می‌گذارند.
استفاده مسئولانه و قانون‌گذاری
هرچه هوش مصنوعی فراگیرتر و توانمندتر می‌شود، دولت‌ها، نهادهای استاندارد و سازمان‌ها نیز در حال تدوین مقررات و راهنماهایی برای استفاده ایمن‌تر از آن هستند. قانون هوش مصنوعی اتحادیه اروپا یکی از نمونه‌های مهم است، اما تنها مسیر موجود نیست. در کنار قانون‌گذاری، چارچوب‌هایی مثل چارچوب مدیریت ریسک هوش مصنوعی NIST (در زبانه تازه باز می‌شود) بر مدیریت ریسک و استقرار مسئولانه تمرکز دارند.
برای بیشتر خوانندگان، نکته عملی مهم‌تر از جزئیات حقوقی است:
- دقیق بگویید از سیستم چه می‌خواهید.
- پاسخ مطمئن را با پاسخ درست یکی نگیرید.
- خروجی‌های مهم را با منبع معتبر بررسی کنید.
- بدون توجه به ریسک‌ها، اطلاعات حساس را وارد نکنید.
- در تصمیم‌های مهم، مسئولیت نهایی را به عهده انسان نگه دارید.
آینده چه می‌تواند باشد؟
چند روند از همین حالا دیده می‌شود. سیستم‌های هوش مصنوعی در حال چندوجهی‌تر شدن‌اند، بیشتر در ابزارهای نرم‌افزاری ادغام می‌شوند و در بعضی موارد به عامل نزدیک‌تر می‌شوند. مدل‌های کوچک‌تر و ارزان‌تر هم AI را وارد دستگاه‌ها و محصولات بیشتری می‌کنند. از طرف دیگر، هوش مصنوعی در علم، مهندسی و کارهای تخصصی حرفه‌ای نیز نقش پررنگ‌تری پیدا می‌کند.
در عین حال، پرسش‌های مهمی هنوز باز هستند. هنوز نمی‌دانیم رویکردهای فعلی تا کجا پیش می‌روند، چقدر می‌توانند به نوعی هوش عمومی نزدیک شوند، و جوامع چطور باید میان منافع AI و هزینه‌های آن در حریم خصوصی، بازار کار، تمرکز قدرت و مصرف انرژی توازن برقرار کنند. این پرسش‌ها فقط فنی نیستند؛ اجتماعی، اقتصادی و سیاسی هم هستند.
به همین دلیل، آشنایی پایه با هوش مصنوعی اهمیت دارد. لازم نیست متخصص یادگیری ماشین شوید تا از AI بهره ببرید، اما لازم است آن‌قدر بدانید که چند سؤال ساده اما مهم بپرسید: این سیستم دقیقاً چه کاری می‌کند؟ در چه چیزی خوب است؟ در چه چیزی ضعیف است؟ چطور ارزیابی شده است؟ کجا باید یک انسان نتیجه را بررسی کند؟