هرآنچه باید درباره انواع مختلف هوش مصنوعی بدانید
هوش مصنوعی دارای سطوح و انواع مختلفی است که توانایی و عملکرد هر یک از آن‌ها در شبیه‌سازی هوش و توانایی‌های انسانی متفاوت است. برخی از انواع هوش مصنوعی تنها قابلیت انجام کارهای ساده را دارند؛ اما در نوع پیشرفته می‌توانند در برخی کارها از انسان‌ها هم پیشی بگیرند.
در این مطلب قصد داریم با انواع هوش مصنوعی، عملکرد و کاربردهای هر یک از آن‌ها و تفاوت‌ها و شباهت‌های آن‌ها با یکدیگر آشنا شویم. در گذشته در مقاله‌ای شما را بطور کامل با هوش مصنوعی آشنا کردیم، حالا می‌خواهیم به سراغ انواع مختلف آن برویم.
انواع هوش مصنوعی از نظر قابل‌مقایسه بودن توانایی‌های آن‌ها با توانایی‌های انسان
به دلیل اینکه هدف پژوهشگران حوزه هوش مصنوعی ساخت دستگاه‌هایی با قابلیت تقلید توانایی‌های شبه انسانی است، معیار دسته‌بندی انواع هوش مصنوعی، میزان توانایی هریک از آن‌ها در تقلید دقیق از توانایی‌های انسانی است؛ بنابراین انواع هوش مصنوعی می‌توانند بسته به قابل‌مقایسه بودن آن‌ها با انسان از نظر تطبیق‌پذیری و عملکرد در یکی از این دسته‌بندی‌ها قرار گیرند. طبیعتاً آن نوع از هوش مصنوعی که قابلیت انجام توانایی‌های شبه‌انسانی بیشتری را داشته باشد و بتواند آن‌ها را ماهرانه‌تر انجام دهد، نوع تکامل‌یافته‌تری محسوب می‌شود. در مقابل نوعی که عملکرد و قابلیت‌های محدودتری داشته باشد، نوع ساده‌تر و کمتر تکامل‌یافته است.
هوش مصنوعی بر اساس این معیار معمولاً به دو روش دسته‌بندی می‌شود. در یک روش انواع مختلف هوش مصنوعی و دستگاه‌های ایجاد شده بر پایه آن‌ها بر اساس شباهت به ذهن انسان و همچنین وجود توانایی تفکر یا حتی توانایی احساس کردن مانند انسان دسته‌بندی می‌شوند. چهار گروه اصلی برای دسته‌بندی هوش مصنوعی یا سیستم‌های ایجاد شده بر پایه هوش مصنوعی وجود دارد که شامل هوش مصنوعی واکنشی (Reactive Machines)، هوش مصنوعی دارای حافظه محدود (Limited Memory)، هوش مصنوعی ایجاد شده بر پایه نظریه ذهن (Mind theory) و هوش مصنوعی خودآگاه (self-aware AI) می‌شود.
اصلی‌ترین انواع هوش مصنوعی
هوش مصنوعی واکنشی
سیستم‌های ایجاد شده بر پایه این نوع، قدیمی‌ترین سیستم‌های هوش مصنوعی هستند و توانایی‌های آن‌ها به‌شدت محدود است. این نوع از سیستم‌ها تنها می‌توانند از توانایی ذهنی انسان برای پاسخ دادن به محرک‌های مختلف تقلید کنند و فاقد توانایی‌های مبتنی بر حافظه هستند؛ این موضوع به معنای این است که چنین سیستم‌هایی برای انجام فعالیت‌هایی که در حال انجام آن‌ها هستند، نمی‌توانند از تجارب قبلی خود کمک بگیرند. به بیان ساده چنین سیستم‌هایی توانایی یادگیری ندارند.
استفاده از هوش مصنوعی واکنشی برای بازی شطرنج
این سیستم‌ها تنها می‌توانند برای ارائه پاسخ خودکار به مجموعه‌ای محدود از داده‌ها یا ترکیب ساده‌ای از داده‌ها استفاده شوند. آن‌ها نمی‌توانند برای تقویت عملکرد خود در انجام کارهایی که قبلاً نیز آن‌ها را انجام داده‌اند، از حافظه استفاده کنند. کامپیوتر Deep blue شرکت IBM که توانست در سال ۱۹۹۷ در یک مسابقه شطرنج، «گری کاسپارف» (Grandmaster Garry)، قهرمان شطرنج جهان از سال ۱۹۸۵ تا سال ۲۰۰۰ را شکست دهد، یکی از نمونه‌های شناخته‌شده دستگاه‌های واکنشی است.
ابزارهای مورداستفاده برای فیلتر کردن ایمیل‌های اسپم مثل ایمیل‌های تبلیغاتی و ایمیل‌های ارسال‌شده با هدف فیشینگ (دام‌های سایبری با هدف به دست آوردن اطلاعاتی مانند نام کاربری، رمز عبور و اطلاعات حساب بانکی) و سیستم پیشنهادکننده محتوا در سرویس‌های استریم محتوا مانند نتفلیکس نیز از هوش مصنوعی واکنشی استفاده می‌کنند.
هوش مصنوعی دارای حافظه محدود
این نوع از هوش مصنوعی علاوه بر اینکه از تمام قابلیت‌های هوش مصنوعی واکنشی برخوردار است، می‌تواند برای تصمیم‌گیری از داده‌های ورودی که قبلاً در اختیار آن قرار گرفته نیز استفاده کند. تقریباً تمام کاربردهای هوش مصنوعی که امروزه در حال بهره‌مندی از آن‌ها هستیم و تمام سیستم‌های ایجاد شده بر پایه هوش مصنوعی جزو این دسته هستند.
چنین سیستم‌هایی (مثل سیستم‌هایی که از فناوری یادگیری عمیق استفاده می‌کنند) با استفاده از حجم گسترده از داده‌های ورودی ذخیره شده در حافظه خود آموزش می‌بینند تا بتوانند برای حل مشکلاتی که ممکن است در آینده با آن‌ها مواجه شوند، یک مدل مرجع ایجاد کنند؛ به‌عنوان‌مثال یک سیستم تشخیص تصویر مبتنی بر هوش مصنوعی با استفاده از هزاران عکس و برچسب‌های آن‌ها برای نام‌گذاری تصاویری که سیستم اسکن می‌کند، آموزش داده می‌شود.
زمانی که تصویری توسط چنین سیستمی اسکن می‌شود، از تصاویری که برای آموزش در اختیار سیستم قرار گرفته است به‌عنوان مرجع برای تشخیص محتوای تصویر اسکن شده استفاده می‌کند. چنین فرآیندی به تقویت عملکرد سیستم کمک می‌کند و استفاده این سیستم از داده‌هایی که فراگرفته است، باعث می‌شود دقت آن در برچسب‌گذاری تصاویر به‌تدریج افزایش یابد.
تقریباً تمام توانایی‌های مختلف هوش مصنوعی که امروزه در حال بهره‌مندی از آن‌ها هستیم، برپایه سیستم‌های هوش مصنوعی دارای حافظه محدود ایجاد شده‌اند؛ از چت‌بات‌ها گرفته تا دستیارهای مجازی و سیستم‌های خودران.
به‌عنوان‌مثال در سیستم خودروهای خودران از این نوع هوش مصنوعی برای مطلع شدن از سرعت و جهت حرکت سایر خودروهای اطراف این خودروها و همچنین بررسی شرایط جاده و تنظیم تنظیمات مختلف خودروهای خودران بر اساس این شرایط استفاده می‌شود. هوش مصنوعی دارای حافظه محدود در این خودروها برای پردازش و تفسیر داده‌های ورودی و افزایش امنیت چنین خودروهایی در جاده‌ها نیز استفاده می‌شود.
البته این هوش مصنوعی همان‌طور که از نامش مشخص است، حافظه محدودی دارد و اطلاعاتی که در سیستم‌های دارای این نوع از هوش مصنوعی ذخیره می‌شوند، برای مدت زیادی حفظ نمی‌شوند.
هوش مصنوعی دارای حافظه محدود می‌تواند از طریق سه روش یادگیری ماشینی آموزش ببیند که شامل موارد زیر می‌شود:
یادگیری تقویتی (Reinforcement learning)
این روش یادگیری به هوش مصنوعی کمک می‌کند در چرخه‌های متعدد آزمون‌وخطا پیش‌بینی‌های بهتری داشته باشد. یادگیری تقویتی برای آموزش دادن کامپیوتر برای انجام بازی‌هایی مثل شطرنج، گو (یک نوع بازی تخته‌ای) و بازی‌های استراتژیک مثل DOTA 2 با انسان استفاده می‌شود تا کامپیوتر به حریف قدرتمندی برای انسان تبدیل شود و انسان به‌سادگی نتواند آن را شکست دهد.
حافظه طولانی کوتاه‌مدت (Long Short Term Memory یا به‌اختصار LSTM)
پژوهشگران حوزه هوش مصنوعی می‌دانند که داده‌هایی که قبلاً در اختیار سیستم‌های هوش مصنوعی قرار گرفته‌اند به پیش‌بینی آیتم‌های متوالی بعدی سیستم کمک می‌کنند؛ مخصوصاً در زبان‌ها. بنابراین آن‌ها مدلی را ایجاد کرده‌اند که حافظه طولانی کوتاه‌مدت نام دارد. این مدل یادگیری داده‌های جدید را به‌عنوان آیتم‌هایی با اهمیت بیشتر و داده‌های قدیمی را به‌عنوان آیتم‌هایی با اهمیت کمتر برچسب می‌زند.
شبکه‌های مولد دشمن گونه تکاملی (Evolutionary Generative Adversarial Networks یا به‌اختصار E-GAN)
این شبکه‌ها دارای حافظه‌هایی هستند که در هر مرحله از تکامل، وارد سطح بالاتری از تکامل می‌شود و در حقیقت مدل‌های ایجاد شده بر پایه آن‌ها مدل‌هایی با قابلیت رشد مستمر محسوب می‌شود.
استفاده از این شبکه‌ها در حقیقت روشی مؤثر برای آموزش مدل‌های ایجادکننده (Generative Models) بر اساس داده‌های واقعی هستند و یکی از روش‌های ساخت عکس و فیلم ساختگی با استفاده از هوش مصنوعی (دیپ فیک) به شمار می‌رود. به بیان ساده این شبکه‌ها می‌توانند با بهره‌مندی از داده‌های ورودی یک محصول خروجی ایجاد کند.
در ضمن E-GAN روند تکامل طبیعی انسان در سیاره زمین را برای هوش مصنوعی شبیه‌سازی می‌کند. همان‌طور که می‌دانید، انسان در طول روند تکامل خود از زمان پیدایش انسان‌های نخستین تاکنون به‌تدریج به توانایی‌های و زندگی بسیار بهتری نسبت به نیاکان خود دست یافته است.
روش‌های پیاده‌سازی هوش مصنوعی دارای حافظه محدود به‌صورت عملی
این نوع هوش مصنوعی به دو روش عمل می‌کند:
- اعضای یک تیم همیشه مدلی را با استفاده از داده‌های جدید آموزش می‌دهند.
- محیط هوش مصنوعی با روشی ساخته می‌شود که مدل‌های مختلف در آن به‌صورت خودکار آموزش می‌بینند و بر اساس کاربرد و رفتار خود دوباره از نو ایجاد می‌شوند.
تکنیک یادگیری ماشینی فعال در هوش مصنوعی حافظه محدود دارای پنچ مرحله است که به شرح زیر هستند:
- یادگیری بر اساس داده‌های ورودی: برای آموزش یک سیستم هوش مصنوعی ابتدا باید داده‌هایی در اختیار آنان قرار داده شود.
- ساخت مدل یادگیری ماشین
- پیش‌بینی توسط مدل
- دریافت بازخورد: مدل یادگیری ماشینی واکنش انسان یا محیط شبیه‌سازی به پیش‌بینی خود را دریافت می‌کند
- تبدیل بازخوردها به داده جهت استفاده از آن‌ها برای تقویت عملکرد سیستم
پس از انجام این مرحله دوباره فرآیند تکرار می‌شود.
نظریه ذهن
با وجود اینکه دو نوع قبلی هوش مصنوعی به‌صورت گسترده ایجاد شده‌اند و به میزان وسیعی در حال استفاده هستند، تمام فناوری‌ها و کاربردهای معرفی‌شده بر اساس این نوع از هوش مصنوعی و هوش مصنوعی خودآگاه، یا در حد طرح مفهومی هستند یا در مراحل اولیه توسعه و ایجاد قرار دارند. نظریه ذهن سطح بعدی از هوش مصنوعی است که پژوهشگران تازه در حال ورود به این حیطه هستند و امیدوارند بتوانند فناوری‌های مبتکرانه‌ای را بر پایه این سطح از هوش مصنوعی ایجاد کنند. هوش مصنوعی در سطح نظریه ذهن می‌تواند افرادی را که با آن‌ها در تعامل است، با فهم روندهای مرتبط با نیازها، احساسات، باورها و افکار آن‌ها، کاملاً درک کند.
با وجود اینکه هوش عاطفی مصنوعی هنوز یک فناوری نوپا محسوب می‌شود و برای پژوهشگران برجسته هوش مصنوعی یک حیطه پژوهشی جذاب به شمار می‌رود، دستیابی به چنین سطحی از هوش مصنوعی، توسعه انواع دیگر این فناوری را نیز می‌طلبد؛ زیرا این سطح از هوش مصنوعی برای درک حقیقی تمام نیازهای انسانی نیازمند چنین پیشرفتی است. این سطح از هوش مصنوعی باید تک‌تک انسان‌ها را به‌عنوان افرادی که ذهن هر یک از آن‌ها با عوامل مختلفی شکل داده شده است، درک کند و به بیان ساده تمام انسان‌ها را بفهمد.
ربات سوفیا با قابلیت شبیه‌سازی حالت‌های عاطفی چهره انسان در چهره خود
اجازه دهید برای درک تفاوت هوش مصنوعی ایجاد شده بر پایه نظریه ذهن با سطوح پایین‌تر این فناوری، مثالی کاملاً ساده و قابل‌فهم بیان کنیم. همان‌طور که می‌دانید، دستیارهای مجازی مختلف مثل سیری، الکسا، گوگل اسیستنت و غیره، پس از دریافت فرمان‌های صوتی تنها آن‌ها را انجام می‌دهند و واکنش خاصی به این فرمان‌ها ندارند.
ربات‌های انسان‌نمایی که می‌توانند حالت‌های عاطفی چهره انسان را به‌سرعت تشخیص دهند و با این روش به‌خوبی با انسان‌ها ارتباط برقرار کنند (مثل ربات مشهور سوفیا)، دارای این نوع از هوش مصنوعی هستند؛ حتی برخی از این ربات‌ها می‌توانند پس از تشخیص حالت‌های مختلف چهره انسان، به‌سرعت از این حالت‌ها تقلید و آن‌ها را در چهره خود ایجاد کنند!
هوش مصنوعی خودآگاه
این نوع هوش مصنوعی که آخرین مرحله تکامل هوش مصنوعی محسوب می‌شود، در حال حاضر تنها در حد نظریه است؛ زیرا هنوز سخت‌افزار و الگوریتم‌های لازم برای پشتیبانی از آن وجود ندارد. هوش مصنوعی خودآگاه که می‌تواند توضیحات و استدلال‌های مختلفی را ارائه دهند، به حدی تکامل‌یافته است که می‌تواند مانند مغز انسان عمل کند. جالب است بدانید که ده‌ها سال از آغاز تلاش برای دستیابی به این سطح از هوش مصنوعی می‌گذرد و چه در زمان حال و چه در آینده بزرگ‌ترین هدف برای پژوهشگران حیطه هوش مصنوعی محسوب می‌شود.
این نوع از هوش مصنوعی نه‌تنها می‌تواند احساسات افرادی که با آن‌ها در تعامل است درک کند و حتی احساسات تنها را برانگیزد، بلکه خود آن هم دارای عواطف و احساسات، نیازها و اعتقادات است و حتی ممکن است مانند انسان خواسته‌های متفاوتی داشته باشد؛ البته در صورت تمایل برای استفاده از این سطح از هوش مصنوعی باید با احتیاط کامل از آن استفاده کرد و افراد مطرح در حوزه فناوری به‌خوبی به این موضوع واقف هستند.
اگرچه خودآگاهی هوش مصنوعی می‌تواند روند پیشرفت ما را به‌عنوان ساکنان یک تمدن بسیار سریع کند؛ اما همین مزیت می‌تواند پیامدهای فاجعه باری را به دنبال داشته باشد؛ زیرا زمانی که هوش مصنوعی به سطح خودآگاهی برسد، ممکن است برخی مواقع بخواهد از خود محافظت کند و چنین تصمیمی می‌تواند برای انسان بسیار تهدیدکننده باشد یا حتی نسل بشر را نابود کند. در ضمن هوش مصنوعی در این سطح می‌تواند از هوش انسانی پیشی بگیرد و حتی نقشه‌های پیچیده برای از میان برداشتن بشر و نابودی او طرح کند.
اجازه دهید برای فهم بهتر سطح بالای عملکرد این نوع از هوش مصنوعی مثالی را بیان کنیم. ربات‌های دارای این نوع از هوش مصنوعی ممکن است در واکنش به کارهایی که انسان‌های اطراف آن‌ها انجام می‌دهند، عصبانی، ناراحت یا خوشحال شوند.
انواع هوش مصنوعی از نظر عملکرد
هوش مصنوعی را می‌توان بر این اساس به سه دسته تقسیم کرد که شامل هوش محدود مصنوعی یا ضعیف (Artificial Narrow Intelligence یا به‌اختصار ANI)، هوش عمومی مصنوعی یا هوش جامع مصنوعی (Artificial General Intelligence یا به‌اختصار AGI) و ابر هوش مصنوعی یا فراهوش (Artificial Superintelligence یا به‌اختصار ASI) می‌شود.
هوش محدود مصنوعی
تمام سیستم‌های هوش مصنوعی که اکنون استفاده می‌شوند، بر اساس این نوع هوش مصنوعی ایجاد شده‌اند؛ حتی پیچیده‌ترین سیستم‌های هوش مصنوعی با بیشترین توانایی‌ها و قابلیت‌ها که تا به امروز ساخته شده‌اند نیز بر پایه این نوع هوش مصنوعی ایجاد شده‌اند. هوش محدود مصنوعی به سیستم‌های اشاره می‌کند که با استفاده از قابلیت‌های شبه‌انسانی خود تنها می‌توانند یک وظیفه را به‌صورت خودکار و مستقل انجام دهند. چنین دستگاه‌هایی تنها می‌توانند وظایفی را انجام دهند که برای آن برنامه‌ریزی شده‌اند و هیچ کاری فراتر از این وظایف نمی‌توانند انجام دهند؛ بنابراین این نوع هوش مصنوعی توانمندی‌های بسیار محدودی دارد.
سیستم‌های هوش مصنوعی مورداستفاده در صنایع بر پایه هوش محدود مصنوعی ایجاد شده‌اند
این نوع از هوش مصنوعی بر اساس دسته‌بندی ذکرشده در بخش قبلی، در دسته هوش مصنوعی واکنشی و هوش مصنوعی دارای حافظه محدود قرار می‌گیرد. حتی آن دسته سیستم‌های هوش مصنوعی کنونی که برای آموزش خودشان از فناوری‌های یادگیری ماشینی و یادگیری عمیق استفاده می‌کند نیز جزو هوش محدود مصنوعی هستند.
هوش عمومی مصنوعی
هوش عمومی مصنوعی را می‌توان توانایی یک عامل هوش مصنوعی برای یادگیری، درک، فهم و انجام کارهای مختلف، درست مانند انسان تعریف کرد. سیستم‌های ایجاد شده برپایه این سطح از هوش مصنوعی قادر خواهند بود به‌صورت مستقل توانایی‌های مختلفی را به دست آورند، بین منابع مختلف اطلاعاتی ارتباط برقرار کنند و اطلاعات لازم را از آن‌ها به دست آورند.
چنین قابلیت‌هایی علاوه بر اینکه باعث می‌شود مدت‌زمان لازم برای آموزش چنین سیستم‌هایی به میزان قابل‌توجهی کاهش پیدا کند، امکان انجام چند فعالیت مختلف توسط سیستم درست مانند انسان را نیز فراهم می‌کند.
ابر هوش مصنوعی یا فراهوش
شاید این سطح از هوش مصنوعی والاترین هدف پژوهشگران حوزه هوش مصنوعی است و قطعا در آینده ابر هوش مصنوعی توانمندترین شکل هوش مصنوعی خواهد بود. این نوع از هوش مصنوعی علاوه بر اینکه می‌تواند از هوش چندوجهی انسان تقلید کند، به دلیل برخورداری از حافظه بسیار بیشتر و قدرتمندتر نسبت به حافظه انسان و همچنین توانایی پردازش و تحلیل سریع‌تر داده‌ها نسبت به بشر و توانایی تصمیم‌گیری بهتر می‌تواند در تمام زمینه‌ها از انسان پیشی بگیرد.
احتمالا توسعه ابر هوش مصنوعی و عمومی هوش مصنوعی در آینده به سناریویی منجر خواهد شد که در اغلب موارد به‌عنوان تکینگی فناوری از آن یاد می‌شود. طبق پیش‌بینی ارائه‌شده در نظریه تکینگی فناوری، سرعت گرفتن و پیشرفت فناوری باعث پیشی گرفتن هوش مصنوعی از هوش انسان می‌شود و ممکن است چنین اتفاقی پایان نسل بشر را به دنبال داشته باشد. با وجود اینکه به نظر می‌رسد دسترسی بشر به این سطح هوش مصنوعی و بهره‌مندی از توانایی‌های بالقوه آن می‌تواند جذاب باشد؛ اما این موضوع را هم باید در نظر بگیریم که قدرت زیاد هوش مصنوعی می‌تواند تهدید بزرگی برای بقای بشر یا حداقل سبک زندگی او باشد.
هوش مصنوعی قوی و ضعیف
اگر دسته‌بندی انواع هوش مصنوعی کمی شما را گیج کرده است، باید بگوییم که هوش مصنوعی را به‌صورت ساده می‌توان به دو دسته قوی و ضعیف نیز تقسیم کرد. به‌طور خلاصه باید بگوییم هوش مصنوعی قوی تقریباً مانند هوش انسان عمل می‌کند و می‌تواند قابلیت درک، تفکر و توجه را برای دستگاه‌های محاسباتی ایجاد شده بر پایه هوش مصنوعی، فراهم کند (درست مانند ذهن انسان). در مقابل هوش مصنوعی ضعیف (مانند دستیارهای مجازی) فاقد قابلیت خودآگاهی یا بسیاری از قابلیت‌های شناختی انسان است.
به بیان ساده، هوش مصنوعی ضعیف، هوش مصنوعی به معنای واقعی محسوب نمی‌شود؛ زیرا این نوع هوش مصنوعی مانند انسان قابلیت تفکر و تصمیم‌گیری ندارد و سیستم‌های ایجاد شده بر پایه آن تنها بر اساس وظایف تعریف شده و برنامه‌های مشخص شده برای آن‌ها عمل می‌کنند؛ در حقیقت هدف از ایجاد هوش مصنوعی ضعیف، حل مشکلات خاص و وظایف مرتبط با استدلال با سرعتی سریع‌تر از سرعت انسان برای انجام چنین کارهایی است. اما در مقابل هوش مصنوعی قوی که هنوز در حد نظریه است، بسیاری از قابلیت‌های شناختی مختص انسان را دارد و با هدف ساخت سیستم‌هایی با هوش ماشینی نزدیک به هوش انسان ایجاد شده است.
در حال حاضر ترسیم چشم‌اندازی از زمانی که بشر بتواند به سطوح پیشرفته‌تری از هوش مصنوعی دست پیدا کند، دشوار است؛ اما تردیدی نیست که در حال حاضر هوش مصنوعی تازه در ابتدای راه خود قرار دارد و تا دستیابی به سطوح پیشرفته آن فاصله زیادی داریم. اگر شما هم جزو آن دسته از افرادی هستید که نگران پیشرفت و توسعه تهدیدکننده هوش مصنوعی و تسلط کامل آن بر بشر هستند، باید بگوییم در حال حاضر اصلاً نباید نگران این موضوع باشید؛ زیرا هوش مصنوعی در حال حاضر بی‌خطر است.
حتی اگر نیمه پر لیوان را می‌بینید و در مورد آینده هوش مصنوعی امیدوار هستید، باز هم باید بگوییم هنوز میزان بسیار کمی از کاربردها و توانایی‌های این فناوری کشف شده و قطعاً آینده جذاب‌تری در انتظار آن است.
