هوش مصنوعی محدود
| شناسنامه | |
|---|---|
| نام‌های دیگر | هوش مصنوعی ضعیف، هوش مصنوعی باریک، هوش مصنوعی تخصصی، Narrow AI، Weak AI، ANI |
| حوزه | هوش مصنوعی، علوم رایانه، یادگیری ماشین، مهندسی نرم‌افزار، علوم شناختی |
| خاستگاه | پژوهش‌های هوش مصنوعی، سامانه‌های خبره، تشخیص الگو و محاسبات هوشمند |
| اندیشه و تاریخ | |
| مفاهیم کلیدی | هوش تخصصی، وظیفهٔ مشخص، دامنهٔ عملکرد، یادگیری نظارت‌شده، تشخیص الگو، تعمیم، مدل هوشمند، محدودیت دامنه، تصمیم‌گیری الگوریتمی |
| جریان‌های مرتبط | هوش مصنوعی نمادین، سامانه‌های خبره، یادگیری ماشین، یادگیری عمیق، پردازش زبان طبیعی، بینایی ماشین، رباتیک |
| تأثیرپذیرفته از | منطق ریاضی، نظریهٔ محاسبات، آمار، علوم شناختی، نظریهٔ اطلاعات و علوم داده |
| تأثیرگذار بر | پزشکی هوشمند، خدمات مالی، موتورهای جست‌وجو، سامانه‌های توصیه‌گر، صنعت، حمل‌ونقل، امنیت سایبری و هوش مصنوعی مولد |
| نقد و ارزیابی | |
هوش مصنوعی محدود (به انگلیسی: Artificial Narrow Intelligence یا ANI)، که با نام‌های هوش مصنوعی ضعیف (Weak AI) و هوش مصنوعی تخصصی نیز شناخته می‌شود، نوعی از هوش مصنوعی است که برای انجام یک وظیفه یا مجموعه‌ای محدود از وظایف طراحی، آموزش یا بهینه‌سازی شده است. این سامانه‌ها می‌توانند در حوزه‌هایی مانند تشخیص تصویر، ترجمهٔ ماشینی، شناسایی گفتار، تحلیل داده، پیش‌بینی، بازی‌های راهبردی و تولید محتوا عملکردی بسیار پیشرفته داشته باشند، اما برخورداری از چنین توانایی‌هایی به‌تنهایی به معنای داشتن هوش عمومی و قابلیت سازگاری نامحدود با موقعیت‌های تازه نیست.
هوش مصنوعی محدود در مقابل هوش مصنوعی عمومی (Artificial General Intelligence یا AGI) قرار می‌گیرد. هوش مصنوعی عمومی به سامانه‌ای فرضی یا مورد بحث اطلاق می‌شود که بتواند توانایی‌های شناختی خود را به‌صورت انعطاف‌پذیر در گسترهٔ وسیعی از وظایف و محیط‌های متفاوت به کار گیرد. برخلاف آن، عملکرد هوش مصنوعی محدود به قابلیت‌های آموخته‌شده، ساختار سامانه، ابزارهای در دسترس و شرایط استفاده وابسته است.
اصطلاح «محدود» به معنای ساده، ابتدایی یا کم‌توان‌بودن این فناوری نیست. یک سامانهٔ هوش مصنوعی محدود ممکن است در وظیفه‌ای مشخص از متخصصان انسانی سریع‌تر یا دقیق‌تر عمل کند، اما نتواند توانایی خود را بدون تغییرات مناسب به مسئله‌ای کاملاً متفاوت منتقل کند.
سازمان همکاری و توسعه اقتصادی در گزارش «هوش مصنوعی در جامعه» در سال ۲۰۱۹، هوش مصنوعی محدود را سامانه‌ای توصیف می‌کند که برای انجام یک مسئلهٔ مشخص در حل مسئله یا استدلال طراحی شده است و آن را در برابر مفهوم هوش مصنوعی عمومی قرار می‌دهد.[۱]
همچنین سازمان بین‌المللی استانداردسازی (ایزو) تأکید می‌کند که هوش مصنوعی ضعیف یا محدود می‌تواند در وظایف تخصصی بسیار کارآمد باشد، بی‌آنکه دارای هوش عمومی باشد.[۲]
بخش بزرگی از کاربردهای عملی هوش مصنوعی، از سامانه‌های پیشنهاد فیلم و موسیقی گرفته تا ابزارهای تحلیل تصاویر پزشکی و مدل‌های زبانی، در چارچوب هوش مصنوعی محدود یا سامانه‌هایی با قابلیت‌های محدود و تعریف‌شده بررسی می‌شوند. بااین‌حال، با گسترش مدل‌های چندمنظوره، مرز میان «محدود» و «عمومی» به موضوعی پیچیده‌تر در پژوهش‌های معاصر تبدیل شده است.
تعریف و ماهیت هوش مصنوعی محدود
هوش مصنوعی محدود به سامانه‌هایی گفته می‌شود که توانایی آنها در انجام وظایف مشخص، حاصل طراحی الگوریتمی، آموزش بر داده‌ها یا ترکیبی از روش‌های محاسباتی است.
این سامانه‌ها ممکن است بتوانند الگوهای پیچیده را تشخیص دهند، احتمال وقوع رویدادها را محاسبه کنند، از تجربه‌های گذشته برای بهبود عملکرد استفاده کنند یا پاسخ‌هایی متناسب با ورودی تولید کنند.
بااین‌حال، توانایی آنها لزوماً به معنای برخورداری از شناخت عمومی جهان، درک انسانی از مفاهیم یا توانایی یادگیری مستقل همهٔ مهارت‌ها نیست.
برای مثال، سامانه‌ای که برای تشخیص نشانه‌های بیماری در تصاویر پزشکی آموزش دیده است، ممکن است در همان حوزه عملکرد قابل توجهی داشته باشد، اما نتواند بدون آموزش و طراحی مناسب مسائل اقتصادی یا حقوقی را حل کند.
در تعریف هوش مصنوعی محدود، دامنهٔ توانایی اهمیت بیشتری از میزان پیچیدگی محاسباتی دارد. بنابراین، سامانه‌ای با میلیاردها پارامتر نیز ممکن است همچنان در این دسته قرار گیرد.
واژه‌شناسی
اصطلاح Artificial Narrow Intelligence از سه جزء تشکیل شده است:
«Artificial» به معنای مصنوعی، «Narrow» به معنای محدود یا دارای دامنهٔ مشخص و «Intelligence» به معنای هوش است.
مخفف ANI از حروف نخست این سه واژه گرفته شده است.
اصطلاح «هوش مصنوعی ضعیف» نیز در بسیاری از منابع آموزشی برای اشاره به هوش مصنوعی محدود به کار می‌رود.
بااین‌حال، این دو اصطلاح در همهٔ مباحث فلسفی دقیقاً مترادف نیستند. در فلسفهٔ ذهن، «هوش مصنوعی ضعیف» گاهی به دیدگاهی اشاره می‌کند که رایانه را ابزاری برای شبیه‌سازی یا مطالعهٔ شناخت می‌داند، بدون آنکه لزوماً برای آن فهم یا ذهن واقعی قائل شود.
در مقابل، اصطلاح «هوش مصنوعی محدود» بیشتر به گسترهٔ قابلیت‌های عملی یک سامانه اشاره دارد.
تاریخچهٔ هوش مصنوعی محدود
ریشه‌های نظری
پیدایش هوش مصنوعی محدود با توسعهٔ نظریهٔ محاسبات، منطق ریاضی و پژوهش دربارهٔ امکان انجام فعالیت‌های شناختی توسط ماشین ارتباط دارد.
آلن تورینگ در مقالهٔ «ماشین‌های محاسباتی و هوش» در سال ۱۹۵۰، پرسش دربارهٔ توانایی ماشین در نمایش رفتار هوشمندانه را مطرح کرد.
اگرچه تورینگ اصطلاح هوش مصنوعی محدود را به معنای امروزی به کار نبرد، پژوهش‌های او از مبانی نظری توسعهٔ سامانه‌های هوشمند به شمار می‌روند.
کنفرانس دارتموث
در سال ۱۹۵۶، گروهی از پژوهشگران در کارگاه تابستانی دارتموث دربارهٔ امکان ساخت ماشین‌هایی با قابلیت‌های مرتبط با هوش انسانی به پژوهش پرداختند.
این رویداد معمولاً یکی از نقاط آغاز رسمی رشتهٔ هوش مصنوعی شناخته می‌شود.
در دهه‌های نخست، بسیاری از پروژه‌ها بر حل مسائل مشخصی مانند اثبات قضیه، بازی شطرنج و حل معماهای منطقی متمرکز بودند.
سامانه‌های نمادین
در دهه‌های ۱۹۶۰ و ۱۹۷۰، پژوهشگران از قواعد منطقی و بازنمایی نمادین دانش برای ساخت سامانه‌های هوشمند استفاده کردند.
این رویکرد بر این فرض استوار بود که می‌توان بخشی از فرایند استدلال را با مجموعه‌ای از قواعد و نمادها بازنمایی کرد.
سامانه‌های اولیه معمولاً در محیط‌هایی با قواعد روشن موفق‌تر بودند و در مواجهه با پیچیدگی‌های جهان واقعی محدودیت داشتند.
ظهور سامانه‌های خبره
در دهه‌های ۱۹۷۰ و ۱۹۸۰، سامانه‌های خبره به یکی از شاخه‌های مهم هوش مصنوعی کاربردی تبدیل شدند.
این سامانه‌ها تلاش می‌کردند دانش متخصصان را در قالب قواعد قابل پردازش ذخیره کنند.
از نمونه‌های تاریخی می‌توان به MYCIN اشاره کرد که برای کمک به بررسی برخی عفونت‌های باکتریایی و پیشنهاد درمان پژوهشی طراحی شده بود.
سامانه‌های خبره نشان دادند که رایانه‌ها می‌توانند در مسائل تخصصی عملکرد مفیدی داشته باشند، اما گردآوری و نگهداری قواعد آنها دشوار است.
گسترش یادگیری ماشین
از دههٔ ۱۹۹۰، استفاده از روش‌های آماری و یادگیری ماشین در بسیاری از کاربردهای هوش مصنوعی گسترش یافت.
در این رویکرد، سامانه به‌جای اتکای کامل به قواعد نوشته‌شده توسط انسان، می‌تواند الگوهایی را از داده‌های آموزشی بیاموزد.
تشخیص هرزنامه، طبقه‌بندی اسناد، پیش‌بینی مالی و شناسایی الگوهای تصویری از کاربردهای مهم این دوره بودند.
موفقیت‌های تخصصی
در سال ۱۹۹۷، سامانهٔ Deep Blue شرکت IBM در یک مسابقهٔ شطرنج بر گری کاسپاروف پیروز شد.
این رویداد نشان داد که سامانه‌ای محاسباتی می‌تواند در یک فعالیت فکری مشخص به سطحی بسیار بالا برسد.
بااین‌حال، Deep Blue دارای هوش عمومی نبود و توانایی آن به حوزهٔ بازی شطرنج مربوط می‌شد.
در سال ۲۰۱۶ نیز AlphaGo، توسعه‌یافته توسط DeepMind، در مسابقه‌ای شناخته‌شده لی سدول، بازیکن برجستهٔ بازی گو، را شکست داد.
AlphaGo نمونه‌ای از توانایی چشمگیر هوش مصنوعی تخصصی در یک حوزهٔ پیچیده بود.
عصر یادگیری عمیق
در دههٔ ۲۰۱۰، توسعهٔ یادگیری عمیق و افزایش قدرت پردازشی موجب پیشرفت چشمگیر سامانه‌های تشخیص تصویر، شناسایی گفتار و ترجمهٔ ماشینی شد.
شبکه‌های عصبی عمیق توانستند الگوهای پیچیده‌ای را از مجموعه‌های بزرگ داده استخراج کنند.
این پیشرفت‌ها کاربردهای هوش مصنوعی محدود را در صنایع مختلف گسترش دادند.
ظهور مدل‌های مولد
از اوایل دههٔ ۲۰۲۰، مدل‌های زبانی بزرگ و سامانه‌های چندوجهی توانستند وظایف متنوعی مانند نوشتن متن، ترجمه، برنامه‌نویسی، تحلیل تصویر و پاسخ‌گویی به پرسش‌ها را انجام دهند.
این تحول موجب شد تعریف سنتی هوش مصنوعی محدود، که گاهی تنها بر یک وظیفهٔ منفرد تأکید می‌کرد، نیازمند تفسیر دقیق‌تری شود.
مدل‌های چندمنظوره می‌توانند دامنهٔ وسیعی از فعالیت‌ها را انجام دهند، اما گستردگی وظایف به‌تنهایی اثبات‌کنندهٔ دستیابی به هوش مصنوعی عمومی نیست.
ویژگی‌های اصلی هوش مصنوعی محدود
تمرکز بر وظایف مشخص
مهم‌ترین ویژگی هوش مصنوعی محدود، تمرکز بر مجموعه‌ای تعریف‌شده از اهداف و وظایف است.
این وظایف ممکن است بسیار ساده یا بسیار پیچیده باشند.
برای مثال، تشخیص پیام‌های هرزنامه و تحلیل تصاویر پزشکی هر دو می‌توانند در چارچوب هوش مصنوعی محدود قرار گیرند، اگرچه سطح پیچیدگی آنها متفاوت است.
عملکرد تخصصی بالا
سامانه‌های محدود ممکن است در حوزهٔ تخصصی خود به دقت، سرعت یا مقیاسی برسند که انجام آن برای انسان دشوار باشد.
برای مثال، یک الگوریتم می‌تواند میلیون‌ها تراکنش مالی را برای شناسایی الگوهای مشکوک بررسی کند.
اما این توانایی لزوماً به معنای درک کامل روابط اقتصادی یا پیامدهای اجتماعی تصمیم‌ها نیست.
وابستگی به داده و طراحی
بسیاری از سامانه‌های محدود برای یادگیری یا تنظیم عملکرد به داده‌های آموزشی نیاز دارند.
کیفیت داده‌ها، معماری مدل، معیارهای ارزیابی و شرایط استفاده بر نتیجه تأثیر می‌گذارند.
البته همهٔ سامانه‌های هوش مصنوعی محدود مبتنی بر یادگیری از داده نیستند؛ برخی از قواعد نمادین، جست‌وجو یا روش‌های ترکیبی استفاده می‌کنند.
محدودیت در انتقال دانش
یکی از محدودیت‌های مهم سامانه‌های تخصصی، دشواری انتقال توانایی از یک حوزه به حوزه‌ای کاملاً متفاوت است.
برای مثال، الگوریتمی که برای تشخیص یک نوع بیماری آموزش دیده است، لزوماً برای تشخیص بیماری دیگری مناسب نیست.
این مسئله با مفهوم «تعمیم» در یادگیری ماشین ارتباط دارد.
فقدان تضمین فهم انسانی
تولید پاسخ درست یا رفتار هوشمندانه لزوماً نشان نمی‌دهد که سامانه از مفاهیم به همان شیوهٔ انسان فهم دارد.
این موضوع یکی از مسائل مورد بحث در فلسفه ذهن و علوم شناختی است.
نباید صرفاً بر اساس موفقیت در یک وظیفه، دربارهٔ وجود یا فقدان آگاهی به معنای فلسفی نتیجه‌گیری قطعی کرد.
مبانی فنی هوش مصنوعی محدود
هوش مصنوعی محدود می‌تواند با استفاده از روش‌های گوناگون ساخته شود.
برخی سامانه‌ها بر قواعد صریح استوارند و برخی دیگر با استفاده از مدل‌های آماری یا شبکه‌های عصبی آموزش می‌بینند.
در بسیاری از کاربردهای امروزی، ترکیبی از چند روش مورد استفاده قرار می‌گیرد.
هوش مصنوعی نمادین
هوش مصنوعی نمادین (Symbolic AI) بر استفاده از قواعد، منطق و بازنمایی صریح دانش تکیه دارد.
در این روش، روابط و قواعد می‌توانند به‌صورت ساخت‌یافته تعریف شوند.
سامانه‌های خبره از نمونه‌های مهم این رویکرد هستند.
یادگیری ماشین
یادگیری ماشین (Machine Learning) به روش‌هایی گفته می‌شود که در آنها سامانه از داده‌ها برای شناسایی الگو و بهبود عملکرد در وظایف مشخص استفاده می‌کند.
مدل‌های طبقه‌بندی، رگرسیون و خوشه‌بندی از روش‌های رایج این حوزه هستند.
یادگیری نظارت‌شده
در یادگیری نظارت‌شده، مدل با استفاده از نمونه‌هایی آموزش می‌بیند که خروجی مطلوب آنها مشخص است.
برای مثال، سامانهٔ تشخیص هرزنامه ممکن است با مجموعه‌ای از پیام‌های برچسب‌خورده آموزش داده شود.
یادگیری بدون نظارت
در یادگیری بدون نظارت، الگوریتم تلاش می‌کند ساختارها یا الگوهای موجود در داده‌های فاقد برچسب خروجی را شناسایی کند.
خوشه‌بندی مشتریان بر اساس رفتار خرید نمونه‌ای از کاربرد این روش است.
یادگیری تقویتی
در یادگیری تقویتی، عامل هوشمند از طریق تعامل با محیط و دریافت پاداش یا بازخورد، سیاستی برای انتخاب عمل می‌آموزد.
این روش در بازی‌ها، کنترل و برخی مسائل رباتیک کاربرد دارد.
یادگیری عمیق
یادگیری عمیق از شبکه‌های عصبی چندلایه برای استخراج الگوهای پیچیده استفاده می‌کند.
این روش در تشخیص تصویر، پردازش گفتار و مدل‌های زبانی نقش مهمی داشته است.
ترنسفورمر
ترنسفورمر (Transformer) نوعی معماری شبکهٔ عصبی است که در بسیاری از مدل‌های زبانی و چندوجهی استفاده می‌شود.
این معماری امکان پردازش روابط میان اجزای ورودی را فراهم می‌کند و در پیشرفت هوش مصنوعی مولد نقش داشته است.
چرخهٔ توسعهٔ یک سامانهٔ هوش مصنوعی محدود
توسعهٔ یک سامانهٔ تخصصی معمولاً با تعریف مسئله آغاز می‌شود.
برای مثال، یک بیمارستان ممکن است بخواهد سامانه‌ای برای کمک به شناسایی نشانه‌های بیماری در تصاویر پزشکی طراحی کند.
در مرحلهٔ نخست، هدف سامانه و معیارهای موفقیت مشخص می‌شوند.
سپس داده‌های مناسب گردآوری و آماده‌سازی می‌شوند. پس از انتخاب روش یا معماری مدل، فرایند آموزش و تنظیم انجام می‌گیرد.
در مرحلهٔ ارزیابی، عملکرد سامانه بر داده‌هایی که برای آموزش مستقیم استفاده نشده‌اند بررسی می‌شود.
پس از استقرار نیز لازم است عملکرد واقعی سامانه، تغییر شرایط و احتمال بروز خطا به‌صورت مستمر ارزیابی شود.
نمونه‌های هوش مصنوعی محدود
تشخیص چهره
سامانه‌های تشخیص چهره از روش‌های بینایی ماشین برای شناسایی یا مقایسهٔ ویژگی‌های چهره استفاده می‌کنند.
این سامانه‌ها ممکن است در کنترل دسترسی یا مدیریت هویت کاربرد داشته باشند.
بااین‌حال، خطاهای شناسایی و مخاطرات مربوط به حریم خصوصی و نظارت گسترده از مسائل مهم این فناوری هستند.
تشخیص گفتار
سامانه‌های تشخیص گفتار، سیگنال صوتی را به متن یا فرمان قابل پردازش تبدیل می‌کنند.
این فناوری در دستیارهای صوتی، زیرنویس خودکار و ابزارهای دسترس‌پذیری کاربرد دارد.
ترجمهٔ ماشینی
سامانه‌های ترجمهٔ ماشینی تلاش می‌کنند متن یا گفتار را از زبانی به زبان دیگر منتقل کنند.
کیفیت ترجمه به زبان‌ها، موضوع متن، داده‌های آموزشی و پیچیدگی ساختارهای زبانی بستگی دارد.
سامانه‌های توصیه‌گر
سامانهٔ توصیه‌گر (Recommender System) بر اساس داده‌ها و الگوهای رفتاری، محتوا یا محصولاتی را به کاربر پیشنهاد می‌کند.
پیشنهاد فیلم، موسیقی، کتاب یا کالا از نمونه‌های شناخته‌شدهٔ آن است.
تشخیص تقلب مالی
در خدمات مالی، الگوریتم‌ها می‌توانند تراکنش‌ها را برای شناسایی الگوهای غیرعادی بررسی کنند.
چنین سامانه‌هایی به کاهش برخی مخاطرات کمک می‌کنند، اما احتمال هشدار اشتباه نیز وجود دارد.
بازی‌های رایانه‌ای و راهبردی
سامانه‌های شطرنج و گو از نمونه‌های تاریخی هوش مصنوعی محدود هستند.
این سامانه‌ها می‌توانند در محیط‌هایی با قواعد مشخص عملکرد بسیار بالایی داشته باشند.
تحلیل تصاویر پزشکی
مدل‌های هوش مصنوعی می‌توانند برای شناسایی برخی الگوهای تصویری در رادیولوژی، آسیب‌شناسی و دیگر حوزه‌های پزشکی آموزش ببینند.
کاربرد بالینی آنها نیازمند ارزیابی علمی، تأییدهای لازم و نظارت حرفه‌ای است.
هوش مصنوعی محدود در صنعت
در صنعت، سامانه‌های تخصصی برای کنترل کیفیت، پیش‌بینی خرابی تجهیزات و بهینه‌سازی فرایندها به کار می‌روند.
برای مثال، مدل می‌تواند بر اساس داده‌های حسگرها احتمال خرابی یک دستگاه را برآورد کند.
این کاربرد با عنوان نگهداری پیش‌بینانه شناخته می‌شود.
هوش مصنوعی محدود همچنین می‌تواند در شناسایی نقص‌های تولید، مدیریت موجودی و برنامه‌ریزی عملیات نقش داشته باشد.
هوش مصنوعی محدود در حمل‌ونقل
در حمل‌ونقل، الگوریتم‌ها برای پیش‌بینی ترافیک، بهینه‌سازی مسیر و تحلیل داده‌های حسگرها استفاده می‌شوند.
برخی سامانه‌های کمک‌راننده نیز از بینایی ماشین و مدل‌های پیش‌بینی استفاده می‌کنند.
بااین‌حال، باید میان سامانهٔ کمک‌راننده و خودروی کاملاً خودران تفاوت گذاشت.
توانایی انجام برخی وظایف رانندگی به معنای قابلیت ایمن رانندگی در همهٔ شرایط و محیط‌ها نیست.
هوش مصنوعی محدود در کشاورزی
در کشاورزی، سامانه‌های هوشمند می‌توانند برای تحلیل تصاویر گیاهان، پیش‌بینی برخی بیماری‌ها و مدیریت منابع استفاده شوند.
برای مثال، مدل تشخیص تصویر ممکن است نشانه‌های بیماری را در برگ گیاه شناسایی کند.
این کاربردها می‌توانند به تصمیم‌گیری کشاورزان کمک کنند، اما دقت آنها به شرایط محیطی و داده‌های مورد استفاده وابسته است.
هوش مصنوعی محدود در آموزش
سامانه‌های آموزشی مبتنی بر هوش مصنوعی می‌توانند برای پیشنهاد تمرین، ارزیابی برخی پاسخ‌ها و تحلیل پیشرفت یادگیری استفاده شوند.
برای مثال، نرم‌افزاری ممکن است بر اساس پاسخ‌های دانش‌آموز، تمرین‌های مناسب‌تری پیشنهاد کند.
بااین‌حال، ارزیابی آموزشی تنها یک مسئلهٔ محاسباتی نیست و عوامل انسانی، اجتماعی و تربیتی نیز اهمیت دارند.
هوش مصنوعی محدود در رسانه‌ها
الگوریتم‌های هوش مصنوعی در رتبه‌بندی مطالب، پیشنهاد محتوا، تشخیص گفتار و تولید خودکار برخی متن‌ها کاربرد دارند.
این سامانه‌ها می‌توانند دسترسی به اطلاعات را آسان‌تر کنند، اما ممکن است بر تنوع اطلاعات دریافتی و شکل‌گیری ترجیحات کاربران تأثیر بگذارند.
شفافیت معیارهای پیشنهاد محتوا و امکان کنترل تنظیمات از مسائل مهم این حوزه هستند.
هوش مصنوعی محدود و پردازش زبان طبیعی
پردازش زبان طبیعی (Natural Language Processing) شاخه‌ای از هوش مصنوعی است که به پردازش و تولید زبان انسانی می‌پردازد.
بسیاری از سامانه‌های پردازش زبان طبیعی در چارچوب هوش مصنوعی محدود توسعه یافته‌اند.
از کاربردهای آنها می‌توان به طبقه‌بندی متن، تحلیل احساسات، استخراج اطلاعات، خلاصه‌سازی و ترجمه اشاره کرد.
مدل‌های زبانی بزرگ دامنهٔ این کاربردها را گسترش داده‌اند، اما همچنان باید توانایی آنها در موقعیت‌های مختلف به‌صورت تجربی بررسی شود.
هوش مصنوعی محدود و هوش مصنوعی مولد
هوش مصنوعی مولد (Generative AI) به سامانه‌هایی گفته می‌شود که می‌توانند محتوای تازه‌ای مانند متن، تصویر، صدا یا ویدئو تولید کنند.
هوش مصنوعی مولد و هوش مصنوعی محدود دو دسته‌بندی بر اساس معیارهای متفاوت هستند.
اصطلاح «مولد» به نوع خروجی و کارکرد سامانه اشاره دارد، درحالی‌که اصطلاح «محدود» به گسترهٔ قابلیت‌های شناختی آن مربوط است.
بنابراین، یک سامانه می‌تواند هم مولد و هم محدود باشد.
برای مثال، مدل زبانی می‌تواند در چندین وظیفهٔ زبانی و حتی برخی وظایف چندوجهی عملکرد قابل توجهی داشته باشد، اما این موضوع به‌تنهایی نشان نمی‌دهد که دارای هوش عمومی در همهٔ حوزه‌هاست.
تفاوت هوش مصنوعی محدود و هوش مصنوعی عمومی
هوش مصنوعی عمومی (Artificial General Intelligence) به مفهوم سامانه‌ای اشاره دارد که بتواند در گسترهٔ وسیعی از مسائل، دانش و مهارت خود را به‌صورت انعطاف‌پذیر به کار گیرد.
در مقابل، هوش مصنوعی محدود برای انجام وظایف یا مجموعه‌ای از قابلیت‌های مشخص طراحی شده است.
تفاوت اصلی این دو مفهوم، میزان توانایی در تعمیم، انتقال دانش، سازگاری با موقعیت‌های جدید و حل مسائل خارج از دامنهٔ آموخته‌شده است.
البته تعریف دقیق هوش مصنوعی عمومی محل اختلاف است. گزارش شاخص هوش مصنوعی دانشگاه استنفورد در سال ۲۰۲۵ نیز به نبود تعریف مورد توافق جهانی برای AGI اشاره می‌کند.[۳]
دامنهٔ وظایف
هوش مصنوعی محدود در حوزه‌های معین عملکرد دارد.
هوش مصنوعی عمومی، در تعریف نظری خود، باید بتواند در گسترهٔ وسیع‌تری از فعالیت‌های شناختی عمل کند.
انتقال یادگیری
در سامانه‌های محدود، انتقال دانش از یک حوزه به حوزهٔ دیگر ممکن است دشوار یا نیازمند آموزش تکمیلی باشد.
در مفهوم هوش مصنوعی عمومی، توانایی انتقال و ترکیب دانش از ویژگی‌های محوری محسوب می‌شود.
سازگاری با محیط‌های تازه
سامانه‌های تخصصی ممکن است در شرایط متفاوت از محیط آموزش دچار افت عملکرد شوند.
هوش مصنوعی عمومی، در صورت تحقق، انتظار می‌رود در مواجهه با مسائل تازه انعطاف بیشتری داشته باشد.
وضعیت تحقق
هوش مصنوعی محدود به‌صورت گسترده در جهان واقعی استفاده می‌شود.
در مقابل، دربارهٔ معیارهای دقیق تحقق هوش مصنوعی عمومی و اینکه چه سامانه‌ای می‌تواند واجد آن معیارها باشد، توافق علمی فراگیر وجود ندارد.
هوش مصنوعی محدود و ابرهوش مصنوعی
ابرهوش مصنوعی (Artificial Superintelligence یا ASI) به مفهوم سامانه‌ای اشاره دارد که توانایی‌های شناختی آن در گستره‌ای وسیع از توانایی‌های انسانی فراتر رود.
این مفهوم عمدتاً در مباحث نظری و آینده‌پژوهی هوش مصنوعی مطرح است.
هوش مصنوعی محدود ممکن است در یک وظیفهٔ مشخص از انسان بهتر عمل کند، اما این برتری تخصصی به معنای ابرهوش مصنوعی نیست.
برای مثال، توانایی شکست‌دادن قهرمان شطرنج نشان‌دهندهٔ عملکرد بسیار بالا در شطرنج است، نه برتری عمومی در همهٔ فعالیت‌های فکری.
آیا هوش مصنوعی محدود می‌تواند یاد بگیرد؟
بله. بسیاری از سامانه‌های هوش مصنوعی محدود از روش‌های یادگیری ماشین استفاده می‌کنند.
آنها می‌توانند در فرایند آموزش، پارامترهای خود را بر اساس داده‌ها تغییر دهند.
برخی سامانه‌ها نیز در شرایط کنترل‌شده امکان به‌روزرسانی یا یادگیری تدریجی دارند.
بااین‌حال، توانایی یادگیری در یک حوزه به معنای قابلیت یادگیری نامحدود در همهٔ حوزه‌ها نیست.
همچنین باید میان آموزش اولیهٔ مدل، تنظیم تکمیلی و تغییر رفتار موقت آن بر اساس ورودی کاربر تفاوت گذاشت.
تعمیم در هوش مصنوعی محدود
تعمیم (Generalization) به توانایی مدل در ارائهٔ عملکرد مناسب بر داده‌ها یا موقعیت‌هایی اشاره دارد که در آموزش مستقیم مشاهده نکرده است.
تعمیم یکی از معیارهای مهم ارزیابی مدل‌های یادگیری ماشین است.
برای مثال، مدل تشخیص تصویر باید بتواند نمونه‌های جدیدی از اشیای آشنا را شناسایی کند.
بااین‌حال، تعمیم درون یک حوزه با انتقال توانایی به حوزه‌ای کاملاً متفاوت یکسان نیست.
مدلی که تصاویر گربه و سگ را تشخیص می‌دهد، لزوماً قادر به تحلیل مسائل حقوقی نیست.
بیش‌برازش و کم‌برازش
بیش‌برازش (Overfitting) زمانی رخ می‌دهد که مدل الگوهای خاص داده‌های آموزشی، از جمله نویزهای غیرضروری، را بیش‌ازحد یاد بگیرد و بر داده‌های جدید عملکرد ضعیف‌تری داشته باشد.
کم‌برازش (Underfitting) زمانی رخ می‌دهد که مدل نتواند الگوهای مهم داده‌ها را به‌اندازهٔ کافی یاد بگیرد.
هر دو وضعیت می‌توانند کیفیت عملکرد سامانهٔ هوش مصنوعی محدود را کاهش دهند.
برای کاهش این مشکلات از روش‌هایی مانند ارزیابی بر داده‌های مستقل، اعتبارسنجی و تنظیم پیچیدگی مدل استفاده می‌شود.
شکنندگی و تغییر توزیع داده‌ها
سامانه‌های هوش مصنوعی محدود ممکن است نسبت به تغییر شرایط محیطی حساس باشند.
برای مثال، مدل تشخیص تصویر که با تصاویر روشن آموزش دیده است، ممکن است در شرایط نور بسیار ضعیف عملکرد متفاوتی داشته باشد.
این مسئله با تغییر توزیع داده‌ها و تفاوت میان محیط آموزش و محیط استفاده ارتباط دارد.
بنابراین، ارزیابی سامانه باید شرایط واقعی استفاده را نیز در بر بگیرد.
توضیح‌پذیری هوش مصنوعی محدود
برخی سامانه‌های تخصصی، به‌ویژه مدل‌های پیچیدهٔ یادگیری عمیق، ممکن است تصمیم‌هایی تولید کنند که توضیح دقیق آنها دشوار باشد.
در کاربردهای حساس، دانستن اینکه سامانه چگونه به یک نتیجه رسیده است اهمیت دارد.
برای مثال، در ارزیابی اعتبار مالی، متقاضی ممکن است نیاز داشته باشد عوامل مؤثر بر رد درخواست خود را بداند.
روش‌های توضیح‌پذیری می‌توانند به بررسی رفتار مدل کمک کنند، اما توضیح تولیدشده لزوماً بازنمایی کامل فرایند درونی سامانه نیست.
مزایای هوش مصنوعی محدود
یکی از مهم‌ترین مزایای هوش مصنوعی محدود، توانایی انجام سریع و مکرر وظایف مشخص است.
این سامانه‌ها می‌توانند حجم زیادی از داده‌ها را بررسی کنند و در برخی کاربردها دقت یا ثبات عملکرد را افزایش دهند.
همچنین امکان استفاده از آنها در محیط‌هایی وجود دارد که پردازش دستی اطلاعات زمان‌بر یا پرهزینه است.
در پزشکی، صنعت و خدمات مالی، این قابلیت می‌تواند به تصمیم‌گیری بهتر کمک کند.
بااین‌حال، میزان سودمندی هر سامانه باید بر اساس شواهد و شرایط واقعی ارزیابی شود.
محدودیت‌های هوش مصنوعی محدود
محدودیت دامنه
سامانهٔ تخصصی معمولاً نمی‌تواند بدون تغییرات مناسب همهٔ وظایف خارج از حوزهٔ طراحی خود را انجام دهد.
وابستگی به داده
مدل‌های یادگیری ماشین ممکن است از داده‌های ناقص، نامتوازن یا نادرست تأثیر بپذیرند.
خطای پیش‌بینی
هیچ مدل آماری یا یادگیری ماشینی در همهٔ شرایط تضمین‌کنندهٔ پاسخ صحیح نیست.
دشواری تفسیر
در برخی مدل‌های پیچیده، توضیح دلایل خروجی دشوار است.
حساسیت به شرایط تازه
تغییر محیط، رفتار کاربران یا نوع داده‌ها ممکن است باعث افت عملکرد شود.
نبود داوری اخلاقی مستقل
انجام یک وظیفهٔ تخصصی به معنای برخورداری از مسئولیت‌پذیری اخلاقی یا توانایی قضاوت انسانی در همهٔ موقعیت‌ها نیست.
پیامدهای اقتصادی هوش مصنوعی محدود
هوش مصنوعی محدود می‌تواند برخی وظایف را خودکار کند و بر بهره‌وری سازمان‌ها تأثیر بگذارد.
در برخی مشاغل، این فناوری جایگزین بخشی از فعالیت‌های تکراری می‌شود؛ در برخی دیگر، نقش ابزار کمکی را ایفا می‌کند.
پیامدهای اقتصادی آن به نوع فعالیت، هزینهٔ استقرار، مهارت نیروی کار و سیاست‌های سازمانی بستگی دارد.
افزایش بهره‌وری لزوماً به معنای توزیع عادلانهٔ منافع میان همهٔ گروه‌های اجتماعی نیست.
هوش مصنوعی محدود و بازار کار
کاربرد سامانه‌های تخصصی می‌تواند ساختار برخی مشاغل را تغییر دهد.
برای مثال، ابزارهای خودکار ممکن است بخشی از فعالیت‌های پردازش اسناد، تحلیل داده و خدمات مشتریان را انجام دهند.
در مقابل، نیاز به مهارت‌هایی مانند ارزیابی مدل‌ها، نظارت انسانی و مدیریت سامانه‌های هوشمند افزایش می‌یابد.
آموزش مجدد کارکنان و حمایت از گروه‌های آسیب‌پذیر از مسائل مهم سیاست‌گذاری در این حوزه هستند.
اخلاق هوش مصنوعی محدود
اخلاق هوش مصنوعی به بررسی پیامدهای اخلاقی طراحی و استفاده از سامانه‌های هوشمند می‌پردازد.
در هوش مصنوعی محدود، مسائل اخلاقی اغلب با کاربردهای مشخص ارتباط دارند.
برای مثال، یک سامانهٔ استخدام ممکن است به‌دلیل داده‌های تاریخی، الگوهای تبعیض‌آمیز را بازتولید کند.
همچنین سامانهٔ تشخیص چهره ممکن است مخاطراتی برای حریم خصوصی و آزادی‌های فردی ایجاد کند.
ازاین‌رو، محدودبودن دامنهٔ وظایف به معنای محدودبودن پیامدهای اجتماعی و اخلاقی سامانه نیست.
سوگیری الگوریتمی
سوگیری الگوریتمی به الگوهای نظام‌مند در داده‌ها یا عملکرد سامانه اشاره دارد که می‌توانند نتایج نامتوازن یا ناعادلانه ایجاد کنند.
برای مثال، اگر داده‌های آموزشی نمایندهٔ مناسبی از همهٔ گروه‌های مورد استفاده نباشند، نرخ خطا ممکن است میان گروه‌ها متفاوت باشد.
کاهش سوگیری نیازمند بررسی داده‌ها، معیارهای ارزیابی، نحوهٔ طراحی مدل و شرایط استقرار است.
حریم خصوصی و هوش مصنوعی محدود
بسیاری از سامانه‌های هوش مصنوعی محدود برای عملکرد خود از اطلاعات کاربران استفاده می‌کنند.
این اطلاعات ممکن است شامل داده‌های رفتاری، مکانی، مالی یا پزشکی باشند.
جمع‌آوری و پردازش چنین داده‌هایی باید با رعایت الزامات حقوقی و اصول حفاظت از حریم خصوصی انجام شود.
همچنین استفاده از داده‌های شخصی باید متناسب با هدف مشخص و خطرهای احتمالی باشد.
امنیت سامانه‌های تخصصی
سامانه‌های هوش مصنوعی محدود ممکن است در برابر حملات یا ورودی‌های دست‌کاری‌شده آسیب‌پذیر باشند.
برای مثال، مهاجم ممکن است تلاش کند با تغییر ورودی، مدل طبقه‌بندی را به اشتباه بیندازد.
امنیت این سامانه‌ها به طراحی نرم‌افزار، کیفیت داده‌ها، کنترل دسترسی و روش‌های آزمون بستگی دارد.
نظارت انسانی
در کاربردهای حساس، نظارت انسانی نقش مهمی در کاهش خطر خطا دارد.
برای مثال، خروجی سامانهٔ پشتیبان تشخیص پزشکی باید در چارچوب مسئولیت حرفه‌ای و ارزیابی بالینی استفاده شود.
نظارت مؤثر زمانی تحقق می‌یابد که انسان اطلاعات، زمان و اختیار کافی برای بررسی و اصلاح تصمیم را داشته باشد.
هوش مصنوعی محدود و حقوق بشر
کاربرد سامانه‌های تخصصی در نظارت عمومی، استخدام، خدمات اجتماعی و نظام قضایی می‌تواند بر حقوق بنیادین افراد تأثیر بگذارد.
مسائلی مانند آزادی بیان، حریم خصوصی، اصل برائت و دادرسی عادلانه در این زمینه اهمیت دارند.
برای مثال، استفاده از یک سامانهٔ پیش‌بینی خطر در تصمیم قضایی بدون امکان بررسی و اعتراض می‌تواند پرسش‌هایی دربارهٔ عدالت فرایندی ایجاد کند.
بنابراین، ارزیابی هوش مصنوعی محدود نباید تنها به معیارهای فنی مانند دقت یا سرعت محدود شود.
هوش مصنوعی محدود در حکومت‌ها
دولت‌ها می‌توانند از سامانه‌های تخصصی برای مدیریت خدمات عمومی، تحلیل داده‌ها و برنامه‌ریزی استفاده کنند.
این کاربردها ممکن است کارایی اداری را افزایش دهند.
در مقابل، استفادهٔ نامتناسب از سامانه‌های شناسایی، رتبه‌بندی یا نظارت می‌تواند مخاطراتی برای حقوق شهروندان ایجاد کند.
وجود مبنای قانونی، نظارت مستقل، شفافیت و امکان اعتراض از عوامل مهم در ارزیابی این کاربردها هستند.
هوش مصنوعی محدود و نظام‌های اقتدارگرا
در نظام‌های اقتدارگرا، سامانه‌های هوش مصنوعی محدود ممکن است برای شناسایی افراد، پایش ارتباطات یا تحلیل رفتار جمعی به کار گرفته شوند.
برای مثال، ترکیب تشخیص چهره با پایگاه‌های دادهٔ گسترده می‌تواند ظرفیت نظارت بر جمعیت را افزایش دهد.
این کاربردها ممکن است آزادی بیان، آزادی تجمع و حریم خصوصی را تهدید کنند.
بااین‌حال، خطر سوءاستفاده از فناوری نظارتی منحصر به یک نوع نظام سیاسی نیست و در همهٔ جوامع به نظارت حقوقی و عمومی نیاز دارد.
هوش مصنوعی محدود و زبان فارسی
سامانه‌های تخصصی پردازش زبان فارسی در حوزه‌هایی مانند تشخیص گفتار، تحلیل احساسات، جست‌وجوی متن و ترجمه کاربرد دارند.
کیفیت این سامانه‌ها به داده‌های آموزشی، پوشش گویش‌ها و رعایت ویژگی‌های نگارشی فارسی وابسته است.
تفاوت نویسه‌های فارسی و عربی، نیم‌فاصله و ساختار صرفی زبان فارسی می‌تواند بر پردازش خودکار متن تأثیر بگذارد.
بنابراین، ارزیابی مدل‌های فارسی باید با داده‌های مناسب و معیارهای متناسب با زبان انجام شود.
آیندهٔ هوش مصنوعی محدود
آیندهٔ هوش مصنوعی محدود با پیشرفت مدل‌های یادگیری، افزایش توان پردازشی و توسعهٔ سامانه‌های چندوجهی ارتباط دارد.
مدل‌های جدید ممکن است مجموعهٔ گسترده‌تری از وظایف را انجام دهند و در برخی زمینه‌ها انعطاف بیشتری نشان دهند.
همچنین ترکیب مدل‌های تخصصی با ابزارهای نرم‌افزاری و سامانه‌های برنامه‌ریزی می‌تواند کاربردهای تازه‌ای ایجاد کند.
بااین‌حال، افزایش تعداد وظایف قابل انجام به‌تنهایی معادل تحقق هوش مصنوعی عمومی نیست.
پژوهشگران همچنان دربارهٔ معیارهای سنجش هوش عمومی، توانایی تعمیم و محدودیت‌های سامانه‌های پیشرفته اختلاف‌نظر دارند.
جستارهای وابسته
- هوش مصنوعی
- هوش مصنوعی عمومی
- ابرهوش مصنوعی
- هوش مصنوعی مولد
- اخلاق هوش مصنوعی
- یادگیری ماشین
- یادگیری عمیق
- یادگیری نظارت‌شده
- یادگیری بدون نظارت
- یادگیری تقویتی
- شبکه عصبی مصنوعی
- ترنسفورمر
- پردازش زبان طبیعی
- بینایی ماشین
- سامانه خبره
- الگوریتم
- تحلیل داده
- علم داده
- داده‌کاوی
- سوگیری الگوریتمی
- حریم خصوصی
- فلسفه ذهن
- علوم شناختی
- علوم رایانه
منابع
```