به گزارش سایت خبری پرسون، هوش مصنوعی را میتوان بر اساس نوع و پیچیدگی وظایفی که قادر به انجام آن است، به ۴ دسته تقسیم کرد. برای مثال، فیلتر خودکار اسپم یا هرزنامهها، در ردیف ابتداییترین کارهایی قرار میگیرد که هوش مصنوعی میتواند از پسش بربیاید. در مقابل، ماشینهایی که میتوانند افکار و احساسات افراد را درک کنند، بخشی از زیرمجموعهای کاملا متفاوت از هوش مصنوعی است.
چهار نوع هوش مصنوعی کدامند؟
هوش مصنوعی را به میتوان در ۴ گروه زیر دستهبندی کرد:
ماشینهای واکنشگرا: قادر به درک و واکنش به دنیای مقابل خود است، اما در عین حال وظایف محدودی انجام میدهد.
حافظه محدود: قادر به ذخیره دادهها و تحلیل گذشته برای دادن اطلاعات درباره رویدادهای ممکن در زمان آینده است.
نظریه ذهن: قادر به تصمیمگیری بر اساس درک خود از احساس دیگران و تصمیمگیری است.
خودآگاهی: میتواند با آگاهی در سطح انسان عمل و وجود خود را درک کند.
ماشینهای واکنشگرا
یک ماشین واکنشگرا از ابتداییترین اصول هوش مصنوعی پیروی میکند و همانطور که از نامش پیداست، فقط قادر است از هوش خود برای درک و واکنش به دنیای مقابلش استفاده کند. یک ماشین واکنشگرا نمیتواند چیزی را در حافظه ذخیره کند و در نتیجه نمیتواند از تجربیات گذشته برای تصمیمگیری در آینده استفاده کند.
درک جهان به طور مستقیم به این معنی است که ماشینهای واکنشی برای انجام تنها تعداد محدودی از وظایف تخصصی طراحی شدهاند. با این حال، محدود کردن عمدی جهانبینی یک ماشین واکنشی، برای کاهش هزینه نیست، بلکه این نوع هوش مصنوعی برای کاربرانش قابل اعتمادتر و پیشبینیپذیرتر است: هر بار به محرکهای مشابه، به همان روش همیشگی پاسخ میدهد.
یک نمونه معروف از ماشینهای واکنشی دیپ بلو (Deep Blue) است که توسط IBM در دهه ۱۹۹۰ به عنوان یک ابر رایانه شطرنجباز طراحی شد و استاد بزرگ بینالمللی گری کاسپاروف را در یک بازی شطرنج شکست داد. دیپ بلو فقط میتوانست مهرههای روی صفحه شطرنج را شناسایی کند و بداند که هر کدام بر اساس قوانین شطرنج چگونه حرکت میکنند، موقعیت فعلی هر مهره را درک کند و منطقیترین حرکت را در آن لحظه تشخیص دهد. کامپیوتر حرکات بالقوه آتی حریف خود را دنبال نمیکرد یا سعی نمیکرد مهرههای خود را در موقعیت بهتری قرار دهد.
نمونه دیگری از ماشینهای واکنشگرای بازی، آلفاگوی (AlphaGo) گوگل است. آلفاگو هم قادر به ارزیابی حرکتهای آینده نیست، اما برای ارزیابی پیشرفتهای بازی کنونی به شبکه عصبی خود متکی است و این در قیاس با دیپ بلو به آن در بازیهای پیچیدهتر، برتری میبخشد. آلفاگو، لی سدول قهرمان بازی گو را شکست داد.
هوش مصنوعی واکنشی اگرچه از نظر دامنه محدود است و سخت تغییر میکند، میتواند به سطحی از پیچیدگی دست یابد و زمانی که برای انجام وظایف تکرارپذیر ساخته شود، قابل اطمینان است.
حافظه محدود
هوش مصنوعی حافظه محدود این توانایی را دارد که دادهها و پیشبینیهای قبلی را هنگام جمعآوری اطلاعات و سنجیدن تصمیمهای بالقوه ذخیره کند. با استفاده از این نوع هوش مصنوعی، اساسا برای دریافت سرنخهایی درباره اینکه چه چیزی ممکن است در آینده رخ دهد، به گذشته نگاه میکنیم. هوش مصنوعی حافظه محدود، نسبت به ماشینهای واکنشگرا پیچیدهتر است و امکانات بیشتری ارائه میدهد.
هوش مصنوعی حافظه محدود زمانی ایجاد میشود که تیمی به طور مداوم مدلی را در مورد نحوه تجزیه و تحلیل و استفاده از دادههای جدید آموزش میدهد یا زمانی که یک محیط هوش مصنوعی ساخته میشود تا مدلها در آن به طور خودکار آموزش داده و تجدید شوند.
هنگام استفاده از هوش مصنوعی حافظه محدود در یادگیری ماشینی، شش مرحله باید دنبال شود: مرحله اول ایجاد دادههای آموزشی است، سپس باید مدل یادگیری ماشین ایجاد شود، مدل باید قادر به پیشبینی باشد، همچنین باید قادر به دریافت بازخورد انسانی یا محیطی باشد، بازخورد دریافتشده باید به عنوان داده ذخیره شود و این مراحل باید در یک چرخه تکرارشونده قرار بگیرند.
چندین مدل یادگیری ماشینی (ML) وجود دارد که از هوش مصنوعی حافظه محدود استفاده میکنند:
مدل یادگیری تقویتی، که ماشین یاد میگیرد از طریق آزمون و خطای مکرر پیشبینیهای بهتری انجام دهد.
مدل شبکههای عصبی بازگشتی (RNN)، که از دادههای متوالی برای گرفتن اطلاعات از ورودیهای قبلی، برای تاثیرگذاری بر ورودی و خروجی فعلی استفاده میکنند. اینها معمولا برای ترجمه زبان، پردازش زبان طبیعی، تشخیص گفتار و شرح تصویر استفاده میشوند. یکی از زیرمجموعههای شبکههای عصبی بازگشتی به حافظه طولانیِ کوتاهمدت (LSTM) معروف است که از دادههای گذشته برای کمک به پیشبینی آیتم بعدی در یک دنباله استفاده میکند. «LTSM»ها اطلاعات جدیدتر را در هنگام پیشبینی مهمتر تلقی میکنند و دادههای مربوط به گذشته را تخفیف میدهند، در حالی که هنوز از آن برای نتیجهگیری استفاده میکنند.
شبکههای متخاصم مولد تکاملی (E-GAN)، که در طول زمان تکامل مییابند و برای کشف مسیرهای کمی تغییر یافته، با هر تصمیم جدید، بر اساس تجربیات قبلی رشد میکنند. این مدل دائما به دنبال مسیری بهتر است و از شبیهسازیها و آمار یا شانس برای پیشبینی نتایج در طول چرخه جهش تکاملی خود استفاده میکند.
ترانسفورماتورها، شبکههایی از گرهها هستند که یاد میگیرند چگونه یک کار خاص را با استفاده از دادههای موجود انجام دهند. ترانسفورماتورها به جای داشتن گروهی از عناصر در کنار هم، میتوانند فرآیندهایی را اجرا کنند که طی آن هر عنصر در دادههای ورودی، خود متوجه داده دیگری شود.
نظریه ذهن
نظریه ذهن فقط همین است: نظریه. ما هنوز به تواناییهای فنی و علمی لازم برای رسیدن به ساخت این سطح از هوش مصنوعی دست نیافتهایم. این مفهوم مبتنی بر این پیشفرض روانشناختی است که موجودات زنده افکار و احساساتی دارند که بر رفتار آنها تاثر میگذارد. این در حیطه هوش مصنوعی، بدان معناست که هوش مصنوعی میتواند احساس انسانها، حیوانات و سایر ماشینها را درک کند، فکر کند و از این طریق تصمیم بگیرد. اساسا، ماشینها باید بتوانند مفهوم «ذهن»، نوسانات احساسات در تصمیمگیری و مجموعهای از مفاهیم روانشناختی دیگر را در زمان واقعی درک و پردازش و یک رابطه دو طرفه بین افراد و هوش مصنوعی ایجاد کنند.
خودآگاهی
زمانی که بتوان وش مصنوعی بر اساس نظریه ذهن ساخت، گاه نهایی ایجاد خودآگاهی برای هوش مصنوعی است. هوش مصنوعی خودآگاه دارای آگاهی در سطح انسانی است و وجود خود در جهان و همچنین حضور و وضعیت عاطفی دیگران را درک میکند. هوش مصنوعی خودآگاه میتواند بفهمد که دیگران به چه چیزهایی ممکن است نیاز داشته باشند، و نه بر اساس آنچه با آنها ارتباط برقرار میکند، بلکه بر اساس چگونگی ارتباط پاسخ میدهد.
خودآگاهی در هوش مصنوعی هم به محققان انسانی متکی است که بتوانند مقدمات هوشیاری را درک کنند و سپس یاد بگیرند که چگونه آن را تکرار کنند و در ماشینها به کار بگیرند.
منبع: builtin
کد خبر