هوش مصنوعی- بخش سوم
روندهای جهانی
بر اساس پیمایش گارتنر، با وجود آثار جهانی کووید-19، 47 درصد از سرمایه‌گذاری‌های هوش مصنوعی از زمان شروع همه‌گیری بی تغییر باقی مانده است و 30 درصد از سازمان‌ها واقعاً قصد دارند این سرمایه‌گذاری‌های را افزایش دهند. فقط 16 درصد از سرمایه‌گذاری‌های هوش مصنوعی به‌طور موقت به حالت تعلیق درآمده بودند و حدود 7 درصد از سازمان‌ها، آنها را کاهش داده بودند. در همین راستا، گارتنر بر این باور است که منحنی هایپ هوش مصنوعی در سال 2021 از چهار کلان‌روند[1] به شرح زیر متأثّر است: اوّل، عملیاتی‌سازی برنامههای هوش مصنوعی؛ دوم، استفاده کارامد از داده‌ها، مدل‌ها و پردازش؛ سوم، هوش مصنوعی مسئولانه؛ و چهارم، داده‌ها برای و در خدمت هوش مصنوعی. بر این اساس، منحنی هایپ هوش مصنوعی در سال 2021 به شرح زیر ازسوی گارتنر ارائه شده است
[1] Megatrend
برآوردها از درآمد ناشی از هوش مصنوعی در بازه زمانی 2025 – 2016 نیز شواهدی را در اختیار قرار می‌دهد که در پرتو آن می‌توان رویکرد شرکت‌ها را در توسعه فنون یا به‌کارگیری هوش مصنوعی شناسایی کرد. نگاره 6، این برآوردها را نشان می‌دهد.
در مطالعه‌ای از WIPO در سال 2019 درباره روندهای موجود و آینده هوش مصنوعی، روندها در سه بخش فنون[1]، نرم‌افزار‌های کاربردی[2] و زمینههای کاربرد ارائه شده‌اند [21]. در کنار این سه گروه که به نوعی روندهای درونی هوش مصنوعی حاکم است (به نوعی روندهای مربوط به خود فناوری هوش مصنوعی، با عنوان روند درونی ذکر شده‌اند)، روندها و عواملی بیرونی نیز بر توسعه آتی هوش مصنوعی اثر می‌گذارند و خود نیز از هوش مصنوعی اثر می‌پذیرند. از این‌رو، این گروه از عوامل در دسته چهارم با عنوان «روندهای بیرونی اثرگذار بر هوش مصنوعی» ارائه می‌شوند. در ادامه به تفصیل به بررسی روندهای آینده هوش مصنوعی در این چهار گروه پرداخته میشود.
1. روندهای مربوط به فنون هوش مصنوعی
در نگاه اول در سطح فنون، یادگیری ماشین غالب است و 89 درصد از کارها و 40 درصد از کل اختراعات مربوط به هوش مصنوعی در حوزه یادگیری ماشین است. در همین راستا، میزان پرونده‌های ثبت اختراع مربوط به یادگیری ماشین از سال 2013 تا سال 2016، تا 28 درصد افزایش یافته است؛ در همان دوره، منطق فازی[3] به میزان 16 درصد و برنامه‌ریزی منطقی[4]، 19 درصد افزایش یافته است.
از میان فنون یادگیری ماشین، یادگیری عمیق سریعترین فن رو به رشد در هوش مصنوعی، با افزایش 175 درصدی در طول دوره است. یادگیری چندوظیفه‌ای[5] با افزایش 49 درصدی، سریعترین رشد را داشته است. فنون دیگر با افزایش چشمگیر عبارتند از: شبکههای عصبی؛ بازنمایی پنهان[6]؛ و یادگیری بی نظارت[7] [21]. روندهای مربوط به فنون هوش مصنوعی را نشان می‌دهد.
[1] Techniques
[2] Functional applications
[3] Fuzzy logic
[4] Logic programming
[5] Multi-task learning
[6] Latent representation
[7] Unsupervised learning
در ادامه دو روند یادگیری ماشین، و استدلال احتمال ذیل روندهای مربوط به فنون هوش مصنوعی در منابع گوناگون بررسی می‌شوند.
1-1. یادگیری ماشین: پردازش هوشمند مجازی، توضیح‌پذیری و دستیابی به هوش عمومی مصنوعی
در بازه کوتاه‌مدت پنج‌ساله، انتظار می‌رود عملکرد مرتبط با توان محاسباتی و دسترسی به داده‌ها رشد تصاعدی داشته باشد. استقرار سیستمهای هوش مصنوعی در برنامههای کاربردی دنیای واقعی، به ویژه در بانکداری، سلامت و بهداشت، صنعت و حمل‌ونقل گسترش می‌یابد. روشهای یادگیری ماشین فراگیر می‌شوند و در نتیجه، کمتر قابل مشاهده هستند. به عبارتی، حوزه هوش مصنوعی توضیح‌پذیر شاهد توسعه سریع است. این امر، قابلیت اطمینان، شفافیت و توضیح‌پذیری را افزایش می‌دهد و تأثیر مهمی بر برنامه‌ها خواهد داشت؛ زیرا در این صورت، امکان استقرار فنون هوش مصنوعی در حوزههای حساسی که مسئولیت در آنها بسیار مهم است، وجود خواهد داشت. در زمینه یادگیری تقویتی، اجرای ملاحظات اخلاقی در الگوریتم‌ها با پاداش دادن به نتایج منطلق با ارزش‌های انسانی، ادامه می‌یابد [16]. هم‌اکنون، 48 درصد از کسب‌وکارها از یادگیری عمیق، یادگیری ماشین، پردازش زبان طبیعی و تحلیل داده‌ها برای استفاده مؤثر از کلان‌داده‌ها استفاده میکنند [22]. در همین راستا، 39 درصد از سازمان‌های بزرگ برای سرمایه‌گذاری بر هوش مصنوعی و ابزارهای یادگیری ماشین در سال 2020 برنامه‌ریزی کردند؛ این میزان با سرمایه‌گذاری 28 درصد از آنها در سال پیشین قابل مقایسه است[23]. راننده خودکار تسلا یکی از نمونه‌های عالی انقلاب خودکار است. این، اولین تجربه رانندگی با هوش مصنوعی در جهان است. رانندگی نیمه خودمختار شامل تنظیم سرعت، تغییر خط، ترمز خودکار، برخورد و پیشگیری از تصادف میشود. در این خودروی هوشمند، فردی که روی صندلی راننده نشسته است، فقط به دلایل قانونی در آنجا حضور دارد. او مجبور نیست کاری انجام دهد، زیرا خودرو خود را می‌راند. برای راننده خودکار، تسلا داده‌های هر خودرو را با استفاده از سیستم جدید فرمان خودکار یا تغییر خط دریافت میکند و از آن برای آموزش الگوریتم‌های خود استفاده میکند. سپس، تسلا این الگوریتم‌ها را دریافت میکند، آنها را آزمایش میکند و در نرم‌افزار عملیاتی جای می‌دهد.
یادگیری ماشین راهی است که به‌واسطه آن، رایانه‌ها می‌توانند به موجود مصنوعی هوشمند تبدیل شوند و راننده خودکار تسلا یک فناوری مهم است که در حوزه یادگیری ماشین پیشروی میکند [24].
ادغام موفقیت‌آمیز هوش مصنوعی نسل بعدی در برنامههای کاری باید بتواند با داده‌های ناقص، کم و مهم سازگار شود و همچنین با شرایطی غیرمنتظره مقابله کند که ممکن است هنگام حل مشکلات دنیای واقعی به وجود بیاید؛ بنابراین، مدل‌های محاسباتی جدیدی ضرورت دارند که کارآمد و قوی باشند، بتوانند مفاهیم جدید را با مثال‌های بسیار کم بیاموزند و بتوانند توسعه سخت‌افزار جدید کافی را برای پشتیبانی از آنها راهنمایی کنند. پردازش هوشمند مجازی[1] رویکردهای ریاضی و محاسباتی «الهام‌گرفته از مغز» با مقیاس‌پذیری جدید و تا کنون کم‌کاوش را بررسی میکند که ظرفیت پشتیبانی از راه‌حل‌هایی را برای مشکلات دنیای واقعی دارند.
باتوجه‌به افزایش تصاعدی علاقه به هوش مصنوعی، مطالعات عمدهای در مورد تأثیر هوش مصنوعی بر جامعه، نه‌فقط در حوزههای موضوعی فنی، بلکه در زمینههای حقوقی و اخلاقی نیز آغاز شده است. این پژوهش‌ها شامل گمانه‌زنی‌هایی در این زمینه است که اَبَر هوش مصنوعی مستقل و خودمختار[2]، ممکن است در مقطعی جایگزین تواناییهای شناختی انسان شود. این سناریوی آینده، «تکینگی هوش مصنوعی[3]» به معنای جنبه فوقالعاده و شگفتی‌ساز هوش مصنوعی نامیده میشود که عبارت است از: توانایی ماشینها برای ساخت ماشینهای بهتر توسط خودشان. محققان کنونی هوش مصنوعی بیشتر متمرکز بر سیستمهای در حال توسعهای هستند که در انجام وظایف در محدودهای از برنامههای کاربردی، عالی و فوقالعاده‌اند. تمرکز کنونی با ایده هوش عمومی مصنوعی با توانایی تقلید از همه تواناییهای شناختی گوناگون مربوط به هوش انسان مانند خودآگاهی و دانش هیجانی، در تضاد است. توسعه فعلی هوش مصنوعی و تهدید وضعیت برتر انسان به‌عنوان باهوش‌ترین گونه روی زمین، نگرانیهای اجتماعی فراوانی را طرح کرده است. بااین‌حال، فناوری‌های هوش مصنوعی همچنان محدود به برنامههای کاربردی و مواردی بسیار خاص هستند. یکی از محدودیت‌های هوش مصنوعی، فقدان عقل سلیم یا قدرت قضاوت درباره اطلاعات فراتر از دانش اکتسابی آن است. هوش مصنوعی، به لحاظ هوش هیجانی و عاطفی نیز محدود است [25]. هوش مصنوعی فقط میتواند حالات عاطفی اولیه و اساسی انسان مانند خشم، شادی، غم، فشار روانی، درد، ترس و بی‌طرفی را تشخیص دهد. هوش هیجانی یکی از مرزهای بعدی سطوح بالاتر شخصیسازی است. اصول علوم رایانه که هوش مصنوعی را هدایت میکنند، به‌سرعت در حال پیشرفت هستند و ارزیابی تأثیر آنها، هم از منظر فناورانه و هم از منظر اجتماعی، اخلاقی و قانونی مهم است [25].
پژوهش‌های کنونی در حوزه شبکههای مولد متخاصم و کار انجام شده ازسوی گروه پژوهشی محاسبات بصری دانشگاه فنی مونیخ و دانشگاه استنفورد به توسعه و گسترش فیس تو فیس[4] (برنامهای که چهره یک فرد مورد نظر را متحرک میکند و حالات صورت را از منبعی بیرونی جابجا میکند) انجامید. از آن زمان تا کنون، روشهای دیگری بر اساس شبکههای عصبی عمیق تأیید و اثبات شده که نام دیپ فیک[5] از آن گرفته شده است. اخیراً، جهت‌گیری‌ها، تمرکز و ابتکارات پژوهشی جدید به‌ویژه پژوهش در یادگیری ماشین کوانتومی، یادگیری تقویتی سلسله‌مراتبی[6]، یادگیری عمیق بِیزن[7]، محاسبات عاطفی انسان‌محور[8]، عصب‌شناسی[9]، خودروهای خودران و عوامل محاوره‌ای[10] پدید آمده است [25]. ابتکاراتی مانند گوگل مگنتا، در پی آن است که آیا هوش مصنوعی میتواند هنر و موسیقی متقاعدکنندهای ایجاد کند یا خیر. یکی دیگر از زمینهها و حوزههای موضوعی فعال در پژوهش‌های هوش مصنوعی، استفاده از هوش مصنوعی برای ایجاد هوش مصنوعی دیگر است[11]. این امر شامل پروژه یادگیری ماشین خودکار[12] گوگل برای تکامل توپولوژیهای شبکه عصبی جدید است. با معماری‌ها و توپولوژیهای جدید، عملکردی بیش از مجموع عملکردهای شبکه تصاویر[13] قبلی دیده شده است
[1] Virtual Intelligence Processing (VIP)
[2] Autonomous super AI
[3] AI SINGULARITY
[4] Face2Face
[5] DeepFake
[6] Hierarchical reinforcement learning
[7] Bayesian deep learning
[8] Human-centered affective computing
[9] Neuroscience
[10] Conversational agents
[11] AI to create other AI.
[12] AutoML project
[13] ImageNet
پاسخ شما به دیدگاه