انواع هوش مصنوعی کدام است؟ ، از ماشین های شطرنج باز تا هوش مصنوعی خودآگاه - وبلاگ کوجی هامی

به گزارش وبلاگ کوجی هامی، همه انواع هوش مصنوعی قابلیت ها و عملکردهای یکسانی ندارند. می توان انواع هوش مصنوعی را از نظر وظایف و نوع عملکرد به 4 دسته تقسیم کرد.

به گزارش وبلاگ کوجی هامی، هوش مصنوعی را می توان بر اساس نوع و پیچیدگی وظایفی که قادر به انجام آن است، به 4 دسته تقسیم کرد. برای مثال، فیلتر اتوماتیک اسپم یا هرزنامه ها، در ردیف ابتدایی ترین کارهایی قرار می گیرد که هوش مصنوعی می تواند از پسش بربیاید. در مقابل، ماشین هایی که می توانند افکار و احساسات افراد را درک نمایند، بخشی از زیرمجموعه ای کاملا متفاوت از هوش مصنوعی است.

چهار نوع هوش مصنوعی کدامند؟

هوش مصنوعی را به می توان در 4 گروه زیر دسته بندی کرد:

ماشین های واکنش گرا: قادر به درک و واکنش به دنیای مقابل خود است، اما در عین حال وظایف محدودی انجام می دهد.

حافظه محدود: قادر به ذخیره داده ها و تحلیل گذشته برای دادن اطلاعات درباره رویدادهای ممکن در زمان آینده است.

نظریه فکر: قادر به تصمیم گیری بر اساس درک خود از احساس دیگران و تصمیم گیری است.

خودآگاهی: می تواند با آگاهی در سطح انسان عمل و وجود خود را درک کند.

ماشین های واکنش گرا

یک ماشین واکنش گرا از ابتدایی ترین اصول هوش مصنوعی پیروی می نماید و همانطور که از نامش پیداست، فقط قادر است از هوش خود برای درک و واکنش به دنیای مقابلش استفاده کند. یک ماشین واکنش گرا نمی تواند چیزی را در حافظه ذخیره کند و در نتیجه نمی تواند از تجربیات گذشته برای تصمیم گیری در آینده استفاده کند.

درک دنیا به طور مستقیم به این معنی است که ماشین های واکنشی برای انجام تنها تعداد محدودی از وظایف تخصصی طراحی شده اند. با این حال، محدود کردن عمدی دنیا بینی یک ماشین واکنشی، برای کاهش هزینه نیست، بلکه این نوع هوش مصنوعی برای کاربرانش قابل اعتمادتر و پیش بینی پذیرتر است: هر بار به محرک های مشابه، به همان روش همیشگی پاسخ می دهد.

یک نمونه معروف از ماشین های واکنشی دیپ بلو (Deep Blue) است که به وسیله IBM در دهه 1990 به عنوان یک ابر رایانه شطرنج باز طراحی شد و استاد بزرگ بین المللی گری کاسپاروف را در یک بازی شطرنج شکست داد. دیپ بلو فقط می توانست مهره های روی صفحه شطرنج را شناسایی کند و بداند که هر کدام بر اساس قوانین شطرنج چگونه حرکت می نمایند، موقعیت فعلی هر مهره را درک کند و منطقی ترین حرکت را در آن لحظه تشخیص دهد. کامپیوتر حرکات بالقوه آینده حریف خود را دنبال نمی کرد یا سعی نمی کرد مهره های خود را در موقعیت بهتری قرار دهد.

نمونه دیگری از ماشین های واکنش گرای بازی، آلفاگوی (AlphaGo) گوگل است. آلفاگو هم قادر به ارزیابی حرکت های آینده نیست، اما برای ارزیابی پیشرفت های بازی کنونی به شبکه عصبی خود متکی است و این در قیاس با دیپ بلو به آن در بازی های پیچیده تر، رجحان می بخشد. آلفاگو، لی سدول قهرمان بازی گو را شکست داد.

هوش مصنوعی واکنشی اگرچه از نظر دامنه محدود است و سخت تغییر می نماید، می تواند به سطحی از پیچیدگی دست یابد و زمانی که برای انجام وظایف تکرارپذیر ساخته گردد، قابل اطمینان است.

حافظه محدود

هوش مصنوعی حافظه محدود این توانایی را دارد که داده ها و پیش بینی های قبلی را هنگام جمع آوری اطلاعات و سنجیدن تصمیم های بالقوه ذخیره کند. با استفاده از این نوع هوش مصنوعی، اساسا برای دریافت سرنخ هایی درباره اینکه چه چیزی ممکن است در آینده رخ دهد، به گذشته نگاه می کنیم. هوش مصنوعی حافظه محدود، نسبت به ماشین های واکنش گرا پیچیده تر است و امکانات بیشتری ارائه می دهد.

هوش مصنوعی حافظه محدود زمانی ایجاد می گردد که تیمی به طور مداوم مدلی را در خصوص نحوه تجزیه و تحلیل و استفاده از داده های نو آموزش می دهد یا زمانی که یک محیط هوش مصنوعی ساخته می گردد تا مدل ها در آن به طور اتوماتیک آموزش داده و تنو شوند.

هنگام استفاده از هوش مصنوعی حافظه محدود در یادگیری ماشینی، شش مرحله باید دنبال گردد: مرحله اول ایجاد داده های آموزشی است، سپس باید مدل یادگیری ماشین ایجاد گردد، مدل باید قادر به پیش بینی باشد، بعلاوه باید قادر به دریافت بازخورد انسانی یا محیطی باشد، بازخورد دریافت شده باید به عنوان داده ذخیره گردد و این مراحل باید در یک چرخه تکرارشونده قرار بگیرند.

چندین مدل یادگیری ماشینی (ML) وجود دارد که از هوش مصنوعی حافظه محدود استفاده می نمایند:

• مدل یادگیری تقویتی، که ماشین یاد می گیرد به وسیله آزمون و خطای مکرر پیش بینی های بهتری انجام دهد.

• مدل شبکه های عصبی بازگشتی (RNN)، که از داده های متوالی برای گرفتن اطلاعات از ورودی های قبلی، برای تاثیرگذاری بر ورودی و خروجی فعلی استفاده می نمایند. اینها معمولا برای ترجمه زبان، پردازش زبان طبیعی، تشخیص گفتار و توضیح تصویر استفاده می شوند. یکی از زیرمجموعه های شبکه های عصبی بازگشتی به حافظه طولانیِ کوتاه مدت (LSTM) معروف است که از داده های گذشته برای یاری به پیش بینی آیتم بعدی در یک دنباله استفاده می نماید. LTSMها اطلاعات نوتر را در هنگام پیش بینی مهم تر تلقی می نمایند و داده های مربوط به گذشته را تخفیف می دهند، در حالی که هنوز از آن برای نتیجه گیری استفاده می نمایند.

• شبکه های متخاصم مولد تکاملی (E-GAN)، که در طول زمان تکامل می یابند و برای کشف مسیرهای کمی تغییر یافته، با هر تصمیم نو، بر اساس تجربیات قبلی رشد می نمایند. این مدل دائما در پی مسیری بهتر است و از شبیه سازی ها و آمار یا شانس برای پیش بینی نتایج در طول چرخه جهش تکاملی خود استفاده می نماید.

• ترانسفورماتورها، شبکه هایی از گره ها هستند که یاد می گیرند چگونه یک کار خاص را با استفاده از داده های موجود انجام دهند. ترانسفورماتورها به جای داشتن گروهی از عناصر در کنار هم، می توانند فرآیندهایی را اجرا نمایند که طی آن هر عنصر در داده های ورودی، خود متوجه داده دیگری گردد.

نظریه فکر

نظریه فکر فقط همین است: نظریه. ما هنوز به توانایی های فنی و علمی لازم برای رسیدن به ساخت این سطح از هوش مصنوعی دست نیافته ایم. این مفهوم مبتنی بر این پیش فرض روانشناختی است که موجودات زنده افکار و احساساتی دارند که بر رفتار آن ها تاثر می گذارد. این در حیطه هوش مصنوعی، بدان معناست که هوش مصنوعی می تواند احساس انسان ها، حیوانات و سایر ماشین ها را درک کند، فکر کند و از این طریق تصمیم بگیرد. اساسا، ماشین ها باید بتوانند مفهوم فکر، نوسانات احساسات در تصمیم گیری و مجموعه ای از مفاهیم روان شناختی دیگر را در زمان واقعی درک و پردازش و یک رابطه دو طرفه بین افراد و هوش مصنوعی ایجاد نمایند.

خودآگاهی

زمانی که بتوان وش مصنوعی بر اساس نظریه فکر ساخت، گاه نهایی ایجاد خودآگاهی برای هوش مصنوعی است. هوش مصنوعی خودآگاه دارای آگاهی در سطح انسانی است و وجود خود در دنیا و بعلاوه حضور و شرایط عاطفی دیگران را درک می نماید. هوش مصنوعی خودآگاه می تواند بفهمد که دیگران به چه چیزهایی ممکن است احتیاج داشته باشند، و نه بر اساس آنچه با آن ها ارتباط برقرار می نماید، بلکه بر اساس چگونگی ارتباط پاسخ می دهد.

بیشتر بخوانید:

• هوش مصنوعی چیست و به چه کار می آید؟ | تعریف AI با 4 رویکرد گوناگون

خودآگاهی در هوش مصنوعی هم به محققان انسانی متکی است که بتوانند مقدمات هوشیاری را درک نمایند و سپس یاد بگیرند که چگونه آن را تکرار نمایند و در ماشین ها به کار بگیرند.

منبع: builtin