انواع هوش مصنوعی و کاربردهای آن
دیدگاه رایج و تکرار شونده از آخرین پیشرفت‌ها در تحقیقات هوش مصنوعی این است که ماشین‌های هوشمند و هوشیار در افق هستند. ماشین‌ها دستورات کلامی را درک می‌کنند، تصاویر را تشخیص می‌دهند، ماشین‌ها را می‌رانند و بهتر از ما بازی می‌کنند. چقدر بیشتر طول میکشه که بین ما قدم بزنن؟
گزارش جدید کاخ سفید در مورد هوش مصنوعی، دیدگاهی بدبینانه نسبت به این رویا دارد. این گزارش می‌گوید که احتمالاً در 20 سال آینده، ماشین‌ها «هوش گسترده‌ای قابل‌کاربرد قابل مقایسه یا فراتر از انسان‌ها را نشان نمی‌دهند»، اگرچه ادامه می‌دهد که در سال‌های آینده، «ماشین‌ها در موارد بیشتری به عملکرد انسان خواهند رسید و از آن فراتر خواهند رفت. و وظایف بیشتر.» اما مفروضات آن در مورد چگونگی توسعه آن قابلیت ها برخی از نکات مهم را نادیده گرفت.
به‌عنوان یک محقق هوش مصنوعی، اعتراف می‌کنم که برجسته کردن رشته خودم در بالاترین سطح دولت آمریکا خوب بود، اما این گزارش تقریباً منحصراً بر آنچه من «نوع خسته‌کننده هوش مصنوعی» می‌نامم تمرکز داشت. این در نیم جمله شاخه من از تحقیقات هوش مصنوعی را رد کرد که چگونه تکامل می تواند به توسعه سیستم های هوش مصنوعی همیشه در حال بهبود کمک کند و چگونه مدل های محاسباتی می توانند به ما در درک چگونگی تکامل هوش انسانی کمک کنند.
این گزارش بر چیزی تمرکز دارد که می‌توان آن را ابزارهای اصلی هوش مصنوعی نامید: یادگیری ماشینی و یادگیری عمیق. اینها انواع فناوری هایی هستند که توانسته اند "خطر" را بازی کنند! خوب، و انسان Go Masters را در پیچیده ترین بازی اختراع شده شکست دهید. این سیستم‌های هوشمند کنونی قادر به مدیریت حجم عظیمی از داده‌ها و انجام محاسبات پیچیده بسیار سریع هستند. اما آنها فاقد عنصری هستند که برای ساختن ماشین های حساسی که ما تصور می کنیم در آینده داشته باشیم، کلیدی باشد.
ما باید بیشتر از آموزش ماشین ها برای یادگیری انجام دهیم. ما باید بر مرزهایی غلبه کنیم که چهار نوع مختلف هوش مصنوعی را تعریف می کنند، موانعی که ماشین ها را از ما جدا می کند - و ما را از آنها.
چند نوع هوش مصنوعی وجود دارد؟
چهار نوع هوش مصنوعی وجود دارد: ماشین های واکنشی، حافظه محدود، تئوری ذهن و خودآگاهی.
1. ماشین های راکتیو
ابتدایی ترین انواع سیستم های هوش مصنوعی صرفاً واکنشی هستند و نه توانایی تشکیل خاطرات و نه استفاده از تجربیات گذشته برای اطلاع رسانی تصمیمات فعلی را دارند. دیپ بلو، ابررایانه شطرنج IBM که در اواخر دهه 1990 استاد بزرگ بین المللی گری کاسپاروف را شکست داد، نمونه کامل این نوع ماشین است.
آبی عمیق می تواند مهره های روی صفحه شطرنج را شناسایی کند و بداند که هر کدام چگونه حرکت می کنند. می‌تواند پیش‌بینی کند که چه حرکاتی ممکن است برای خود و حریفش باشد. و از بین احتمالات می تواند بهینه ترین حرکات را انتخاب کند.
اما نه مفهومی از گذشته دارد و نه هیچ خاطره ای از آنچه قبلا اتفاق افتاده است. جدا از یک قانون خاص شطرنج که به ندرت استفاده می شود در مورد تکرار یک حرکت سه بار، دیپ بلو همه چیز را قبل از لحظه حال نادیده می گیرد. تمام کاری که انجام می دهد این است که به مهره های روی صفحه شطرنج همانطور که در حال حاضر ایستاده است نگاه کند و از بین حرکات بعدی احتمالی یکی را انتخاب کند.
این نوع هوش شامل درک کامپیوتر از جهان به طور مستقیم و عمل بر اساس آنچه می بیند. این به مفهوم درونی جهان متکی نیست. رادنی بروکس، محقق هوش مصنوعی، در مقاله‌ای مهم استدلال کرد که ما فقط باید ماشین‌هایی مانند این بسازیم. دلیل اصلی او این بود که مردم در برنامه‌نویسی جهان‌های شبیه‌سازی‌شده دقیق برای رایانه‌ها خوب نیستند، چیزی که در بورسیه هوش مصنوعی «نماینده» جهان نامیده می‌شود.
ماشین‌های هوشمند کنونی که ما از آنها شگفت‌زده می‌شویم، یا چنین مفهومی از جهان ندارند، یا برای وظایف خاص خود، یک ماشین بسیار محدود و تخصصی دارند. نوآوری در طراحی Deep Blue این نبود که گستره فیلم های احتمالی را که کامپیوتر در نظر گرفته بود، گسترش دهد. در عوض، توسعه‌دهندگان راهی برای محدود کردن دیدگاه آن پیدا کردند تا از پیگیری برخی حرکت‌های بالقوه آینده، بر اساس نحوه رتبه‌بندی نتیجه‌شان، خودداری کنند. بدون این توانایی، دیپ بلو باید یک کامپیوتر حتی قدرتمندتر برای شکست دادن کاسپاروف باشد.
به طور مشابه، AlphaGo گوگل، که متخصصان برتر انسان Go را شکست داده است، نمی تواند تمام حرکت های احتمالی آینده را نیز ارزیابی کند. روش تجزیه و تحلیل آن پیچیده تر از Deep Blue است و از یک شبکه عصبی برای ارزیابی پیشرفت های بازی استفاده می کند.
این روش‌ها توانایی سیستم‌های هوش مصنوعی را برای اجرای بهتر بازی‌های خاص بهبود می‌بخشند، اما نمی‌توان آنها را به راحتی تغییر داد یا در موقعیت‌های دیگر اعمال کرد. این تخیلات رایانه‌ای هیچ مفهومی از دنیای گسترده‌تر ندارند - به این معنی که نمی‌توانند فراتر از وظایف خاصی که به آنها محول شده عمل کنند و به راحتی فریب می‌خورند.
آنها نمی‌توانند به صورت تعاملی در جهان مشارکت داشته باشند، همانطور که ما تصور می‌کنیم روزی سیستم‌های هوش مصنوعی ممکن است. در عوض، این ماشین‌ها هر بار که با وضعیت مشابهی مواجه می‌شوند دقیقاً به همان شیوه رفتار می‌کنند. این می تواند برای اطمینان از قابل اعتماد بودن یک سیستم هوش مصنوعی بسیار خوب باشد: شما می خواهید ماشین خودران شما یک راننده قابل اعتماد باشد. اما اگر بخواهیم ماشین‌ها واقعاً با دنیا درگیر شوند و به آن پاسخ دهند، بد است. این ساده ترین سیستم های هوش مصنوعی هرگز خسته، علاقه مند یا غمگین نخواهند بود.
2. حافظه محدود
این نوع II cl الاغ شامل ماشین آلات می تواند به گذشته نگاه کنید. خودروهای خودران بخشی از این کار را قبلا انجام می دهند. به عنوان مثال، آنها سرعت و جهت اتومبیل های دیگر را مشاهده می کنند. این کار را نمی توان تنها در یک لحظه انجام داد، بلکه نیازمند شناسایی اشیاء خاص و نظارت بر آنها در طول زمان است.
این مشاهدات به نمایش‌های از پیش برنامه‌ریزی‌شده خودروهای خودران از جهان اضافه می‌شود، که شامل خط‌کشی، چراغ‌های راهنمایی و سایر عناصر مهم مانند پیچ‌های جاده است. زمانی که خودرو تصمیم می‌گیرد چه زمانی باید خط را تغییر دهد، برای جلوگیری از قطع ارتباط با راننده دیگر یا برخورد با خودروی مجاور، شامل آنها می‌شود.
اما این اطلاعات ساده در مورد گذشته فقط گذرا هستند. آنها به‌عنوان بخشی از مجموعه تجربیات خودرو که می‌تواند از آن بیاموزد، ذخیره نمی‌شوند، روشی که رانندگان انسانی تجربیات خود را طی سال‌ها پشت فرمان جمع‌آوری می‌کنند.
پس چگونه می‌توانیم سیستم‌های هوش مصنوعی بسازیم که نمایش‌های کامل بسازند، تجربیات آنها را به خاطر بسپارند و یاد بگیرند که چگونه موقعیت‌های جدید را مدیریت کنند؟ بروکس حق داشت که انجام این کار بسیار دشوار است. تحقیقات خود من در مورد روشهای الهام‌گرفته از تکامل داروینی می‌تواند با اجازه دادن به ماشین‌ها برای ساختن بازنمایی‌های خود، کاستی‌های انسانی را جبران کند.
3. نظریه ذهن
ما ممکن است در اینجا توقف کنیم و این نقطه را شکاف مهم بین ماشین‌هایی که در اختیار داریم و ماشین‌هایی که در آینده خواهیم ساخت. با این حال، بهتر است برای بحث در مورد انواع بازنمایی هایی که ماشین ها باید تشکیل دهند، و اینکه آنها باید در مورد چه چیزی باشند، دقیق تر صحبت کنیم.
ماشین‌های طبقه بعدی، پیشرفته‌تر، نه تنها نمایش‌هایی درباره جهان، بلکه در مورد سایر عوامل یا موجودات در جهان نیز تشکیل می‌دهند. در روانشناسی، این را "نظریه ذهن" می نامند - این درک که افراد، موجودات و اشیاء در جهان می توانند افکار و احساساتی داشته باشند که بر رفتار آنها تأثیر می گذارد.
این برای چگونگی شکل گیری جوامع ما انسان ها بسیار مهم است، زیرا آنها به ما اجازه می دادند تا تعاملات اجتماعی داشته باشیم. بدون درک انگیزه ها و مقاصد یکدیگر، و بدون در نظر گرفتن چیزهایی که دیگران در مورد من یا محیط می دانند، کار با یکدیگر در بهترین حالت دشوار و در بدترین حالت غیرممکن است.
اگر سیستم‌های هوش مصنوعی واقعاً در میان ما قدم می‌زنند، باید بتوانند درک کنند که هر یک از ما افکار و احساسات و انتظاراتی در مورد نحوه رفتار با ما داریم. و آنها باید رفتار خود را بر این اساس تنظیم کنند.
4. خودآگاهی
مرحله نهایی توسعه هوش مصنوعی، ساختن سیستم هایی است که بتوانند بازنمایی هایی در مورد خودشان ایجاد کنند. در نهایت، ما محققان هوش مصنوعی نه تنها باید آگاهی را درک کنیم، بلکه باید ماشین‌هایی بسازیم که آن را دارند.
این، به یک معنا، توسعه‌ای از «نظریه ذهن» است که هوش مصنوعی نوع III در اختیار دارد. به دلیلی به خودآگاهی «خودآگاهی» نیز گفته می شود. ("من آن آیتم را می خواهم" یک عبارت بسیار متفاوت از "می دانم که آن مورد را می خواهم" است.) موجودات آگاه از خود آگاه هستند، از حالات درونی خود می دانند و می توانند احساسات دیگران را پیش بینی کنند. ما تصور می‌کنیم کسی که پشت سرمان در ترافیک بوق می‌زند عصبانی یا بی‌صبر است، زیرا وقتی به دیگران بوق می‌زنیم این احساس را داریم. بدون تئوری ذهن، ما نمی‌توانستیم چنین استنباط‌هایی داشته باشیم.
در حالی که احتمالاً از ایجاد ماشین‌هایی که خودآگاه هستند فاصله داریم، باید تلاش‌های خود را به سمت درک حافظه، یادگیری و توانایی تصمیم‌گیری بر اساس تجربیات گذشته متمرکز کنیم. این یک گام مهم برای درک هوش انسان به تنهایی است. و اگر بخواهیم ماشین‌هایی را طراحی یا تکامل دهیم که در طبقه‌بندی آنچه که در مقابلشان می‌بینند بسیار استثنایی باشند، بسیار مهم است.
کاربرد هوش مصنوعی در صنعت ساخت و ساز
به کمک هوش مصنوعی صنعت ساختمان سازی تغییر و تحولات فراوانی پیدا کرد و تکنولوژی مدرن جایگزین روشهای صنعتی شد. از دستاوردهای این تغییرات می توان به افزایش سرعت و دقت در حین کار اشاره کرد. ماشین های هوشمند در صنعت ساخت و ساز می توانند همچون یه دستیار قوی عمل کنند. برای آشنایی بیشتر با کاربرد هوش مصنوعی در صنعت ساختمان سازی می توانید این مقاله را مطالعه کنید.