تاریخچه و تحولات هوش مصنوعی: از آغاز تا آینده

هوش مصنوعی (AI)، به‌عنوان شاخه‌ای از علوم کامپیوتر، به ایجاد سیستم‌هایی اشاره دارد که می‌توانند وظایفی را انجام دهند که معمولا به هوش انسانی نیاز دارند.

 

 تاریخچه هوش مصنوعی به دهه‌های ۱۹۴۰ و ۱۹۵۰ باز می‌گردد، زمانی‌که دانشمندان مانند آلن تورینگ نظریه‌پردازی درباره ماشین‌های هوشمند را آغاز کردند. در سال ۱۹۵۶، کنفرانس دارتموث به‌عنوان نقطه عطفی در تاریخ هوش مصنوعی شناخته شد، جایی که اصطلاح “هوش مصنوعی” رسما مطرح شد.

 

اولین تلاش‌ها شامل برنامه‌هایی مانند الیزا (۱۹۶۶) بود که می‌توانست گفت‌وگوی ساده‌ای شبیه به یک روانشناس انجام دهد. همچنین، سیستم‌های مبتنی بر قوانین مانند دندراال (۱۹۷۰) برای تشخیص ساختار مولکولی‌ها توسعه یافتند. این تلاش‌های اولیه نشان داد که ماشین‌ها می‌توانند تا حدی شبیه انسان فکر کنند.

 

 تاریخچه هوش مصنوعی به دهه‌های ۱۹۴۰ و ۱۹۵۰ باز می‌گردد، زمانی‌که دانشمندان مانند آلن تورینگ نظریه‌پردازی درباره ماشین‌های هوشمند را آغاز کردند. در سال ۱۹۵۶، کنفرانس دارتموث به‌عنوان نقطه عطفی در تاریخ هوش مصنوعی شناخته شد، جایی که اصطلاح “هوش مصنوعی” رسما مطرح شد

 

بعدها در دهه‌های ۱۹۷۰ و ۱۹۸۰، هوش مصنوعی با زمستان هوش مصنوعی (AI Winter) مواجه شد، دورانی که پیشرفت‌ها کند شد و سرمایه‌گذاری‌ها کاهش یافت. به دلایلی مانند، محدودیت‌های محاسباتی زیرا قدرت پردازش کامپیوترها برای اجرای الگوریتم‌های پیچیده کافی نبود. از طرفی، یادگیری ماشین به حجم عظیمی از داده نیاز داشت که در آن زمان در دسترس نبود.

 

تبلیغات بیش از حد درباره قابلیت‌های هوش مصنوعی هم سطح انتظارات را آن‌قدر بالا برده بود که باعث ناامیدی سرمایه‌گذاران شد. مشکلات الگوریتمی هم وجود داشت، چون سیستم‌های مبتنی بر قانون (Rule-Based) در حل مسائل پیچیده شکست خوردند. همین عوامل باعث شد بسیاری از پروژه‌های هوش مصنوعی متوقف شوند و تحقیقات در این زمینه به کندی پیش برود.

 

در دهه ۲۰۱۰، هوش مصنوعی با جهش چشم‌گیری مواجه شد. با ظهور پردازنده‌های گرافیکی (GPU) و ابررایانه‌ها امکان پردازش سریع‌تر داده‌ها را فراهم کرد. گسترش اینترنت و ذخیره‌سازی ابری، دسترسی به حجم عظیمی از داده را ممکن ساخت.

 

الگوریتم‌های جدید شبکه‌های عصبی، مانند CNN و RNN، دقت سیستم‌های هوش مصنوعی را افزایش دادند. غول‌های تکنولوژی مانند گوگل، فیسبوک و مایکروسافت منابع عظیمی را به تحقیق در این حوزه اختصاص دادند.

 

Big Data یا همان داده های بزرگ، سوخت اصلی هوش مصنوعی هستند. یادگیری ماشین و یادگیری عمیق برای آموزش مدل‌ها به حجم انبوهی از داده نیاز دارند. با گسترش اینترنت، شبکه‌های اجتماعی و دستگاه‌های IoT، داده‌های ساختاریافته و غیرساختاریافته به میزان بی‌سابقه‌ای در دسترس قرار گرفتند.

 

این داده‌ها به الگوریتم‌ها کمک می‌کنند تا الگوهای پیچیده را شناسایی کنند درست مثل تشخیص چهره یا پیش‌بینی بیماری‌ها. همچنین موجب می‌شوند، پیش‌بینی‌های دقیق‌تری انجام بدهند (مانند پیش‌بینی بازارهای مالی) و از طرفی عملکرد سیستم‌های توصیه‌گر را بهتر کنند مانند پیشنهادهای Netflix یا Amazon.

 

سخت‌افزارهای جدید نقش کلیدی در تسریع یادگیری عمیق داشته‌اند. پردازنده‌های گرافیکی یا GPU برای پردازش موازی عملیات ریاضی در شبکه‌های عصبی بهینه شده‌اند. واحدهای پردازش تنسور یا TPU  تراشه‌های اختصاصی گوگل که برای یادگیری ماشین طراحی شده‌اند. ابررایانه‌ها و محاسبات ابری هم امکان اجرای مدل‌های پیچیده را بدون نیاز به سخت‌افزارهای گران‌قیمت فراهم کرده‌اند.

 

شبکه‌های عصبی و یادگیری عمیق نقش مهمی دارند. ANN یا همان شبکه‌های عصبی مصنوعی با تقلید از ساختار مغز انسان، انقلابی در هوش مصنوعی ایجاد کرده‌اند. یادگیری عمیق یا Deep Learning زیرمجموعه‌ای از این شبکه‌هاست که با استفاده از لایه‌های پنهان، مسائل پیچیده را حل می‌کند.

 

با وجود مزایای فراوان، هوش مصنوعی چالش‌هایی نیز دارد. جمع‌آوری داده‌های شخصی بدون رضایت کاربران، جایگزینی مشاغل انسانی با ربات‌ها، تصمیم‌گیری ناعادلانه بر اساس داده‌های نامتوازن، خطر استفاده نظامی از هوش مصنوعی از جمله چالش‌های قابل نام‌بردن است

 

دستاوردهای بزرگی به‌دست آمد. از جمله تشخیص تصاویر و گفتار (دستیارهای صوتی مانند Siri و Alexa)، پردازش زبان طبیعی یا همان  NLP  (ترجمه ماشینی Google Translate) و خودروهای خودران (سیستم‌های Tesla).

 

هوش مصنوعی در صنایع مختلف تحول ایجاد کرده است. هوش مصنوعی در پزشکی به تشخیص بیماری‌ها با دقت بالا منجر شده است مانند تحلیل تصاویرMRI.

 

در خودروسازی هم منجر به توسعه خودروهای خودران و سیستم‌های کمک راننده (ADAS) شده. در مدیریت مالی هوش مصنوعی توانسته است با تشخیص تقلب، تحلیل ریسک و معاملات الگوریتمی انقلابی ایجاد کرده است. هوش مصنوعی حتی در خرده‌فروشی هم تحول ایجاد کرده است. به طوری‌که سیستم‌های توصیه‌گر و مدیریت موجودی هوشمند را متحول کرده است.

 

با وجود مزایای فراوان، هوش مصنوعی چالش‌هایی نیز دارد. جمع‌آوری داده‌های شخصی بدون رضایت کاربران، جایگزینی مشاغل انسانی با ربات‌ها، تصمیم‌گیری ناعادلانه بر اساس داده‌های نامتوازن، خطر استفاده نظامی از هوش مصنوعی از جمله چالش‌های قابل نام‌بردن است.

 

 البته در این موارد راه‌حل‌هایی هم پیشنهاد شده، از آن‌جمله؛ تنظیم مقررات شفاف (مانند GDPR در اتحادیه اروپا)، توسعه هوش مصنوعی مسئولیت‌پذیر(Responsible AI) و آموزش عمومی درباره تأثیرات اجتماعی هوش مصنوعی.

 

 برای آینده هوش مصنوعی هم پیش‌بینی های متنوعی وجود دارد. هوش عمومی مصنوعی (AGI)با ایجاد سیستم‌هایی با توانایی تفکر مشابه انسان از جمله‌ی این پیش‌بینی‌هاست.  همین‌طور هوش مصنوعی با ادغام در فناوری‌های دیگر (مانند اینترنت اشیا  (IoT)  و بلاکچین) و در پیوند با پزشکی، شخصی‌سازی شده و به درمان‌های سفارشی بر اساس ژنتیک افراد منجر خواهد شد.

 

 نقش دولت‌ها و شرکت‌های بزرگ برای افق هوش مصنوعی اهمیت دارد. دولت‌ها با سیاست‌گذاری و سرمایه‌گذاری در تحقیق و توسعه، می‌توانند اکوسیستم هوش مصنوعی را تقویت کنند. 

 

شرکت‌های بزرگ هم مانند گوگل، مایکروسافت و OpenAI با توسعه مدل‌های پیشرفته (مانند ChatGPT) پیشران این فناوری هستند.

 

امروزه، هوش مصنوعی از یک مفهوم نظری به یک فناوری تحول‌آفرین تبدیل شده است. با وجود چالش‌های اخلاقی و فنی، آینده آن امیدوارکننده به نظر می‌رسد. همکاری بین دولت‌ها، شرکت‌ها و جامعه علمی برای هدایت این فناوری به سمت منافع عمومی و منافع انسان‌ها ضروری است

 

به‌طورکلی و در فرآیند پیش رو، مشاغلی که شامل وظایف تکراری هستند، به‌ احتمال زیاد جایگزین خواهند شد. اگر فردی در حال حاضر مشغول به کارهای یکنواخت و روزمره است، باید به فکر یادگیری مهارت‌های جدید یا تغییر شغل باشد.

 

اما مشاغلی که نیازمند خلاقیت، نوآوری و فعالیت ذهنی هستند، به این زودی‌ها دچار تحول اساسی نمی‌شوند و هوش مصنوعی جایگزین آن‌ها نخواهد شد. همچنین، کارهایی که به نیروی بدنی نیاز دارند، اگرچه در آینده ممکن است توسط ربات‌ها انجام شوند، ولی در کوتاه‌مدت شاهد تغییرات گسترده در این حوزه نخواهیم بود.

 

 نکته مهم این است که مغز انسان توانایی‌های منحصربه‌فردی دارد. مشاغلی که صرفا بر انجام کارهای تکراری متمرکز هستند، از حداقل ظرفیت ذهنی انسان استفاده می‌کنند. بنابراین، اگر ماشین‌ها بتوانند این وظایف را با کیفیت بالاتر و کارایی بهتر انجام دهند، منطقی است که آن‌ها را به هوش مصنوعی بسپاریم. این کار باعث افزایش بهره‌وری می‌شود و انسان‌ها می‌توانند بر کارهای پیچیده‌تر، تحلیلی و خلاقانه تمرکز کنند.

 

امروزه در فرآیند استخدام، بخشی از کارها (مانند غربالگری اولیه رزومه‌ها) تکراری هستند و به‌راحتی توسط هوش مصنوعی انجام می‌شوند. اما بخش‌های دیگر، مانند مصاحبه‌های تخصصی و ارزیابی‌های رفتاری، نیازمند حضور انسان هستند. مثلا، وقتی فردی برای موقعیت شغلی جدید جذب می‌شود، تعامل انسانی می‌تواند ابعاد مختلف شخصیت و مهارت‌های او را بسنجد.

 

 متأسفانه، برخی سیستم‌های هوش مصنوعی که امروزه در فرآیند استخدام استفاده می‌شوند، صرفا معیارهای سطحی را بررسی می‌کنند و قادر به ارزیابی عمیق فرد نیستند. مثال دیگر در طراحی چیپ‌های الکترونیکی است. بخش‌های تکراری این فرآیند، زمان و هزینه زیادی می‌طلبد. با استفاده از عامل‌های هوش مصنوعی، می‌توان این بخش‌ها را خودکار کرد تا طراحی با سرعت بیشتر و هزینه کم‌تری انجام شود.

 

هوش مصنوعی در جایگزینی کارهای تکراری بسیار موفق عمل می‌کند، اما در کارهای خلاقانه، تحلیلی و نیازمند تعامل انسانی، هنوز محدودیت دارد. بنابراین، بهترین راه‌حل، ترکیب هوش مصنوعی و توانمندی‌های انسانی برای دستیابی به بازدهی بالاتر است.

 

امروزه، هوش مصنوعی از یک مفهوم نظری به یک فناوری تحول‌آفرین تبدیل شده است. با وجود چالش‌های اخلاقی و فنی، آینده آن امیدوارکننده به نظر می‌رسد. همکاری بین دولت‌ها، شرکت‌ها و جامعه علمی برای هدایت این فناوری به سمت منافع عمومی و منافع انسان‌ها ضروری است.

 

 

* فوق دکتری در زمینه کنترل و علوم اعصاب، دانشگاه کالیفرنیا لس آنجلس(UCLA)
MBAفوق‌لیسانس مدیریت اجرایی، مدرسه کسب و کار‌اندرسون، دانشگاه کالیفرنیا، لس آنجلس (UCLA)
دکتری مهندسی مکانیک و هوافضا، دانشگاه کالیفرنیا، ایرواین (UCI)
مدیرعامل و بنیان‌گذار پلتفورم بهینه‌سازی فرآیند استخدام مبتنی بر هوش مصنوعی