هوش مصنوعی چیست؟ + مزایا و کاربردهای آن (معرفی جامع)

هوش مصنوعی (AI) حوزه ای جدید و بسیار جذاب است که به شبیه‌سازی هوش انسانی در ماشین‌هایی اشاره دارد که طوری برنامه‌ریزی شده‌اند تا مانند انسان‌ها فکر کنند و اعمال آن‌ها را تقلید کنند. در واقع هر ماشینی که ویژگی های مرتبط با ذهن انسان مانند یادگیری و حل مسئله را داشته باشد مجهز به هوش مصنوعی است.

ویژگی ایده آل هوش مصنوعی توانایی آن در یادگیری و انجام اقداماتی است که بیشترین شانس را برای دستیابی به یک هدف خاص دارد. زیرمجموعه‌ای از هوش مصنوعی، یادگیری ماشین (ML) است که به کمک آن برنامه‌های رایانه‌ای می‌توانند به طور خودکار از داده‌های جدید بیاموزند و بدون کمک انسان با آنها سازگار شوند. تکنیک‌های یادگیری عمیق این یادگیری خودکار را از طریق جذب مقادیر عظیمی از داده‌های ساختار نیافته مانند متن، تصاویر یا ویدیو امکان‌پذیر می‌سازد.

 

کاربردهای هوش مصنوعی

کاربردهای هوش مصنوعی بی پایان است. این فناوری را می‌توان در بسیاری از بخش ها و صنایع مختلف به کار برد. هوش مصنوعی در صنعت مراقبت های بهداشتی و پزشکی برای دوز کردن داروها و انجام درمان های مختلف متناسب با بیماران خاص و برای کمک به روش های جراحی در اتاق عمل می‌تواند مورد استفاده قرار بگیرد.

از دیگر نمونه‌های ماشین‌های دارای هوش مصنوعی می‌توان به رایانه‌ها و ماشین‌های خودران اشاره کرد. هوش مصنوعی همچنین کاربردهایی در حوزه اقتصادی و مالی دارد، برای شناسایی و نشان دادن فعالیت‌های بانکی و مالی مانند استفاده غیرمعمول از کارت نقدی و سپرده‌های حساب استفاده می‌شود که همگی به مبارزه با کلاهبرداری کمک می‌کنند. از برنامه های کاربردی هوش مصنوعی نیز کمک به ساده سازی و تسهیل تجارت است. این امر با تسهیل برآورد عرضه، تقاضا و قیمت گذاری اوراق بهادار می‌شود.

 

 

تعریف ساده هوش مصنوعی (AI)

وقتی اکثر مردم اصطلاح هوش مصنوعی را می‌شنوند، اولین چیزی که معمولاً در ذهن آنها پدیدار می شود ربات ها هستند. دلیل این تفکر هم این است که فیلم‌ها و رمان‌های پرهزینه داستان‌هایی درباره ماشین‌های انسان‌نمایی می‌سازند که زمین را ویران می‌کنند و به دشمن انسان بدل شده اند. با این حال هیچ چیز نمی‌تواند دور از ذهن باشد.

هوش مصنوعی بر این اصل استوار است که هوش انسانی را می‌توان به گونه‌ای تعریف کرد که ماشین بتواند به راحتی آن را تقلید کند و وظایف را از ساده‌ترین تا پیچیده‌ترین آنها انجام دهد. اهداف هوش مصنوعی شامل تقلید از فعالیت‌های شناختی انسان است. محققان و توسعه دهندگان در این زمینه در تقلید از فعالیت‌هایی مانند یادگیری، استدلال و ادراک در حال برداشتن گام‌های شگفت انگیزی هستند. برخی بر این باورند که مبتکران ممکن است به زودی قادر به توسعه سیستم‌هایی باشند که از ظرفیت انسان برای یادگیری یا استدلال هر موضوعی فراتر باشد.

با پیشرفت فناوری، معیارهای قبلی که هوش مصنوعی را تعریف می‌کردند، قدیمی می شوند. برای مثال، ماشین‌هایی که توابع اولیه را محاسبه می‌کنند یا متن را از طریق تشخیص نویسه نوری تشخیص می‌دهند، دیگر به عنوان تجسمی از هوش مصنوعی در نظر گرفته نمی‌شوند، زیرا این عملکرد اکنون به عنوان یک عملکرد ذاتی یک رایانه ساده تلقی می‌شود.

هوش مصنوعی به طور مداوم در حال تکامل است تا در خدمت بسیاری از صنایع مختلف باشد. ماشین‌ها با استفاده از یک رویکرد بین رشته‌ای مبتنی بر ریاضیات، علوم کامپیوتر، زبان‌شناسی، روان‌شناسی و غیره طراحی و ساخته می‌شوند.

 

انواع هوش مصنوعی

هوش مصنوعی را می‌توان به دو دسته کلی محدود یا Narrow AI و عمومی یا AGI تقسیم کرد. هوش مصنوعی محدود مظهر سیستمی است که برای انجام یک کار خاص طراحی شده است. سیستم‌های محدود هوش مصنوعی شامل بازی‌های ویدیویی مانند بازی شطرنج در کامپیوتر که شما می‌توانید با کامپیوتر به عنوان یک حریف بازی کنید.

سیستم‌های هوش مصنوعی عمومی، سیستم‌هایی هستند که وظایفی را انجام می‌دهند که شبیه اعمال انسان هستند. اینها معمولاً سیستم های پیچیده تری هستند. آن‌ها طوری برنامه‌ریزی شده‌اند که موقعیت‌هایی را مدیریت کنند که ممکن است نیاز به حل مشکل بدون مداخله شخصی باشد. این نوع سیستم ها را می‌توان در کاربردهایی مانند اتومبیل های خودران یا در اتاق های عمل بیمارستان یافت.

 

 

تاریخچه هوش مصنوعی

کامپیوتر و الکترونیک نقش بسیار زیادی در جامعه امروز ایفا می‌کنند و بر همه چیز از ارتباطات و پزشکی گرفته تا علم تاثیر می‌گذارند. اگرچه رایانه ها معمولاً به عنوان یک اختراع مدرن در نظر گرفته می‌شوند، محاسبات پیش از استفاده از دستگاه های الکتریکی به وجود آمده است. چرتکه باستانی شاید اولین نسخه هوش مصنوعی باشد.

معرفی نیروی الکتریکی در قرن نوزدهم منجر به ظهور دستگاه‌های الکترومکانیکی، الکتریکی و هیبریدی شد که برای انجام محاسبات دیجیتالی (دستگاه پانچ کارت هولریت) و آنالوگ (آنالیزگر دیفرانسیل بوش) انجام می‌شد. سوئیچینگ تلفن بر اساس این فناوری شکل گرفت که منجر به توسعه ماشین‌هایی شد که ما آنها را به عنوان رایانه های اولیه می‌شناختیم.

ارائه نظریه ادیسون در سال 1885 زمینه تئوری را برای دستگاه های الکترونیکی و نسخه های اولیه هوش مصنوعی فراهم کرد. در ابتدا به شکل لوله های خلاء، قطعات الکترونیکی به سرعت در دستگاه های الکتریکی ادغام شدند و رادیو و بعدها تلویزیون را متحول کردند. با این حال، در رایانه ها بود که تأثیر کامل هوش مصنوعی در آن احساس شد. هوش مصنوعی موجود در کامپیوترهای آنالوگ مورد استفاده برای محاسبات موشک های بالستیک برای نتیجه جنگ جهانی دوم بسیار مهم بودند .

 

تفاوت هوش مصنوعی و کد نویسی

در حالی که مفاهیم هوش مصنوعی و کد نویسی اهداف متفاوتی دارند، همیشه یک بحث حل نشده وجود دارد که در دنیای کدنویسی، هوش مصنوعی مورد نیاز نیست. اجازه دهید چند مثال را بررسی کنیم که ثابت می‌کند کدنویسی و هوش مصنوعی از هم مجزا هستند و قابل مقایسه نیستند:

نقشه‌ها: در حالی که ما از ساختارهای داده و نمودارها برای یافتن کوتاه‌ترین فاصله بین منبع A و مقصد B استفاده می‌کنیم، اما این مهارت‌های حل مسئله است که در کدنویسی پیاده‌سازی می‌شوند. در شهر بنگلور هند، ترافیک از معضلات بزرگ شهری بشمار میرود، بدیهی است که کوتاه ترین مسافت ها با وسایل نقلیه زمان زیادی می برد. نقشه چگونه می‌تواند بهترین فاصله را در میان ترافیک، شرایط آب‌وهوایی و موقعیت یابی جغرافیایی نشان دهد! تنها پاسخ ممکن استفاده از داده های هوش مصنوعی و تجزیه و تحلیل آنها برای پیش بینی بهترین مسیر بین A و Bاست.

اپراتورهای هوشمند: فناوری با جایگزینی تمام شیوه های سنتی به اوج خود رسیده است. جایگزینی سؤالات متداول با طیف گسترده ای از پرسش و پاسخ با ربات ها یکی از این پیشرفت ها است. ربات‌ها را می‌توان به‌عنوان برنامه‌ای توصیف کرد که برای ارائه تجربه‌ای شبیه به انسان در حین تعامل با سیستم برای پاسخگویی به سؤالات شما ساخته شده اند. یادگیری ماشین و پردازش زبان طبیعی برای تکامل ربات ها استفاده می‌شود. با پرس و جوهای کاربران قبلی، ربات آموزش داده می شود تا به سوالات لحظه ای پاسخ دهد و به درک و تفسیر اطلاعات کمک می کند.

 

 

شاخه های هوش مصنوعی

• یادگیری ماشین ( machine learning)
• یادگیری عمیق (deep learning)
• پردازش زبان طبیعی (natural language processing)
• حوزه رباتیک (robotics)
• سیستم های متخصص (expert systems)
• منطق فازی (fuzzy logic)

 

سطوح مختلف هوش مصنوعی

هوش مصنوعی  در سه سطح دسته بندی می‌شود:

• هوش مصنوعی محدود (ANI)
• هوش مصنوعی عمومی (AGI)
• ابر هوش مصنوعی (ASI)

 

سطح اول هوش مصنوعی محدود ANI، همانطور که از نام آن پیداست از نظر وسعت با اطلاعات محدود به یک حوزه عملکردی محدود است. به عنوان مثال، هوش مصنوعی محدود ANI برابر با یک نوزاد است. سطح دوم، هوش مصنوعی عمومی AGI، در سطح پیشرفته ای است: بیش از یک زمینه مانند قدرت استدلال، حل مسئله و تفکر انتزاعی را پوشش می‌دهد، که بیشتر با بزرگسالان برابری می‌کند. ابر هوش مصنوعی ASI آخرین و جدیدترین سطح مرحله انفجار اطلاعاتی است که در آن هوش مصنوعی در همه زمینه ها از هوش انسانی پیشی می‌گیرد.

انتقال از سطح اول به سطح دوم زمان زیادی طول کشیده است ، اما دانشمندان معتقدند که در حال حاضر در آستانه تکمیل مرحله انتقال به سطح دوم هستیم هوش مصنوعی عمومی AGI، که در آن هوش ماشین ها می‌تواند با انسان برابری کند به هیچ وجه یک دستاورد کوچک نیست.

هوش مصنوعی را می‌توان به عنوان مجموعه‌ای از ابزارها و برنامه‌ها تعریف کرد که نرم‌افزار را «هوشمندتر» می‌کند، به گونه‌ای که یک ناظر بیرونی فکر می‌کند خروجی توسط انسان تولید می‌شود.

به عبارت ساده‌تر، هوش مصنوعی از سیستم‌های خودآموز با استفاده از ابزارهای متعدد مانند داده کاوی، تشخیص الگو و پردازش زبان طبیعی بهره می‌برد. عملکرد آن شبیه به عملکرد مغز یک انسان در حین انجام کارهای منظم مانند استدلال عقل ، شکل دادن به عقیده یا رفتار اجتماعی است.

مهمترین مزیت های تجاری هوش مصنوعی نسبت به هوش انسانی، مقیاس پذیری بالای آن است که منجر به صرفه جویی قابل توجهی در هزینه می‌شود. مزایای دیگر شامل برنامه‌های مبتنی بر قواعد و سازگاری هوش مصنوعی است که در نهایت خطاها را کاهش می‌دهد (هم حذف و هم کارمزد)، طول عمر هوش مصنوعی همراه با پیشرفت‌های مستمر و توانایی آن در مستندسازی فرآیندها قابل افزایش و گسترش است اینها برخی از معدود دلایلی است که هوش مصنوعی مورد توجه گسترده‌ای قرار گرفته است.

 

 

عناصر یادگیری ماشین چیست؟

همانطور که گفته شد، یادگیری ماشین زیر مجموعه ای از هوش مصنوعی است و به طور کلی به دو دسته اصلی تقسیم می شود: یادگیری تحت نظارت و بدون نظارت و یادگیری تقویتی

 

1- یادگیری تحت نظارت

یک روش معمول برای آموزش سیستم های هوش مصنوعی، آموزش آنها با استفاده از تعداد بسیار زیادی از نمونه های برچسب خورده است. این سیستم های یادگیری ماشین از داده های عظیمی تغذیه می شوند که برای برجسته کردن ویژگی های مورد علاقه، حاشیه نویسی شده است.

این ها ممکن است عکس هایی باشند که نشان می دهد آیا آن ها دارای سگی هستند یا خیر، یا  یک سری جملات نوشتاری که پاورقی دارند تا نشان دهند آیا کلمه “Base” مربوط به موسیقی است یا ماهی. پس از آموزش، سیستم می تواند این برچسب ها را بر روی داده های جدید اعمال کند؛ به عنوان مثال هنگامی که یک عکس سگ جدید را به درون دستگاه آپلود می کنیم، برای آن عکس به طور خودکار برچسب سگ را اعمال می کند.

این پروسه، یادگیری نظارت شده نام دارد و وظیفه‌ی برچسب گذاری داده ها برعهده‌ی کاربران آنلاین یا کارکنان پلتفرم هایی مانند Amazon Mechanical Turk می باشد.

آموزش این سیستم ها به طور معمول به داده های گسترده ای نیاز دارد . به عنوان مثال در برخی سیستم ها برای یادگیری یک کار مشخص، باید میلیون ها داده به دستگاه تزریق شود؛ اگر چه، اکنون که در عصر داده ها قرار داریم و با تعداد نامحدودی از داده ها سروکار داریم، این کار ممکن است. مجموعه داده های آموزشی بسیار بزرگ‌ هستند و اندازه‌ی آن ها در حال افزایش است.

 

 

به عنوان مثال مجموعه داده های تصویری گوگل حدود 9 میلیون عکس می باشد در حالی که مخزن ویدیویی YouTube به چیزی حدود 7 میلیون لینک برچسب شده می رسد. ImageNet یکی از پایگاه  های داده‌ی اولیه، بیش از 14 میلیون تصویر طبقه‌بندی شده دارد. تمام این داده های تصویری در طی 2 سال توسط 50000 نفر جمع آوری شده‌اند که البته اکثر آن ها از طریقAmazon Mechanical Turk استخدام شده‌اند، که تقریبا یک میلیارد تصویر انتخابی را بررسی، برچسب‌گذاری و مرتب کرده‌اند.

در دراز مدت، دستیابی به مجموعه داده های بزرگ دارای برچسب ممکن است اهمیت کمتری نسبت به دسترسی به مقادیر زیادی از قدرت محاسباتی داشته باشد.

در سال های اخیر، شبکه های Generative Adversarial (GANs) نشان داده‌اند که چگونه سیستم های یادگیری ماشین می توانند با مقدار بسیار کمی از داده های برچسب شده، حجم زیادی از داده های جدید را برای آموزش خود تولید کنند.

این رویکرد می تواند به ظهور یادگیری نیمه نظارت منجر شود، جایی که سیستم ها یاد می گیرند که چگونه وظایف خود را با استفاده از مقدار بسیار کمتری از داده های برچسب خورده نسبت به آنچه امروزه برای سیستم های آموزشی با استفاده از یادگیری نظارت شده ضروری است، انجام دهند.

 

2- یادگیری بدون نظارت

در مقابل یادگیری تحت نظارت، یادگیری بدون نظارت از یک رویکرد دیگری استفاده می کند. به‌گونه‌ای که الگوریتم ها سعی در شناسایی الگوهای داده ها دارند و به دنبال شباهت هایی هستند که می توانند برای طبقه بندی آن داده ها استفاده کنند.

به عنوان مثال، می توان میوه هایی که وزن مشابه دارند یا ماشین هایی که اندازه‌ی موتور یکسانی را دارند در یک گروه قرار داد. این الگوریتم از قبل برای انتخاب انواع خاصی از داده ها تنظیم نشده است، بلکه به جستجوی داده هایی می پردازد که می توانند بر اساس شباهت های آن دسته بندی شوند. به عنوان مثال، Google News، هر روز داستان هایی را با موضوعات مشابه جمع‌آوری می کند.

 

3- یادگیری تقویتی

یک قیاس نسبتا خام و نپخته برای یادگیری تقویتی این است که زمانی که یک حیوان خانگی یک ترفند جالبی را اجرا می کند به او پاداش می دهیم و این‌کار باعث تقویت آن رفتار در او می شود.

در یادگیری تقویتی، سیستم تلاش می کند تا بر اساس داده های ورودی خود پاداش را به حداکثر برساند، به گونه‌ای که اساسا روند آزمایش و خطا را طی می کند تا اینکه به بهترین نتیجه ممکن برسد.

نمونه‌ای از یادگیری تقویت کننده، شبکه Google DeepMind Deep Q-Network است که برای بهترین عملکرد انسان در انواع بازی های ویدیویی کلاسیک استفاده شده است. این سیستم در هر بازی از پیکسل ها تغذیه می کند و اطلاعات مختلفی مانند فاصله‌ی بین اشیاء را تعیین می کند.

سیستم یک حرکت خاص را به عنوان بهترین حرکت تعیین کرده و با توجه به تفاوت حرکت شما با حرکت تعیین شده، به شما امتیاز می دهد. زمانی امتیاز کامل و بهترین عملکرد را خواهید داشت که همان عملی را انجام دهید که سیستم تعیین کرده است. به عنوان مثال در بازی Breakout  باید پارو را در بهترین مکان ممکن قرار دهید تا توپ از دسترس شما خارج نشود.

 

 

هوش مصنوعی محدود چیست؟

هوش مصنوعی محدود، نوعی هوش مصنوعی است که به یک سیستم یا هدف خاص محدود می‌شود. هوش مصنوعی محدود، شناخت انسان را شبیه سازی می‌کند. این پتانسیل را دارد که با خودکارسازی کارهای وقت گیر و با تجزیه و تحلیل داده ها به روش‌هایی که گاهی اوقات نیروی انسانی نمی‌تواند انجام دهد به جامعه کمک کند. هوش مصنوعی محدود را می توان در مقابل هوش مصنوعی عمومی قرار داد، شکلی نظری از هوش ماشینی که با هوش انسانی برابری می‌کند.

 

درک بیشتر هوش مصنوعی محدود

هوش مصنوعی محدود فاقد آگاهی انسان است، اگرچه ممکن است گاهی اوقات بتواند آن را شبیه سازی کند. تصویر کلاسیک هوش مصنوعی محدود، آزمایش فکری اتاق چینی جان سرل است.این آزمایش می‌گوید که فردی در خارج از اتاق ممکن است بتواند مکالمه ای به زبان چینی با ماشینی یا رایانه ای در داخل اتاق داشته باشد که به او دستورالعمل هایی در مورد نحوه انجام آن داده می‌شود. برای پاسخ دادن به مکالمات به زبان چینی ماشین درون اتاق باید قواعدی را فرا بگیرد.

در این آزمایش، به نظر می‌رسد که ماشین یا هوش مصنوعی محدودی که داخل اتاق است چینی صحبت می‌کند. در واقع، آنها نمی‌توانستند یک کلمه چینی را بدون دستورالعمل‌هایی که داده می‌شد صحبت کنند یا بفهمند. این به این دلیل است که این ماشین در پیروی از دستورالعمل ها خوب است و  نه صحبت کردن به زبان چینی. به نظر می‌رسد که آن ماشین هوش مصنوعی عمومی دارد  هوش ماشینی معادل هوش انسانی  اما در واقع فقط هوش مصنوعی محدودی دارد.

سیستم های محدود هوش مصنوعی هوش عمومی ندارند. آنها هوش خاصی دارند یک هوش مصنوعی که در آموزش نحوه رانندگی از نقطه A به نقطه B به شما خبره است، معمولاً نمی‌تواند شما را در بازی شطرنج به چالش بکشد. به همین ترتیب، نوعی از هوش مصنوعی که می‌تواند وانمود کند که با شما چینی صحبت می‌کند، احتمالاً نمی‌تواند طبقات شما را جارو کند.

 

برنامه های کاربردی هوش مصنوعی محدود

هوش مصنوعی محدود با شناسایی الگوها و پیش‌بینی به تبدیل کلان داده‌ها به اطلاعات قابل استفاده کمک می‌کند. نمونه هایی از هوش مصنوعی محدود عبارتند از فید خبری متا (سابق فیسبوک)، خریدهای پیشنهادی آمازون، و سیری اپل، فناوری آیفون که به سؤالات گفتاری کاربران پاسخ می‌دهد. فیلترهای اسپم ایمیل نمونه دیگری از هوش مصنوعی محدود است.

 

محدودیت های هوش مصنوعی محدود

علاوه بر قابلیت‌های محدود، برخی از مشکلات هوش مصنوعی محدود شامل امکان آسیب رساندن به سیستم در صورت از کار افتادن است. به عنوان مثال، خودروی بدون راننده را در نظر بگیرید که موقعیت مکانی یک وسیله نقلیه روبه‌رو را اشتباه محاسبه می‌کند و باعث تصادف مرگبار می‌شود. این سیستم همچنین می تواند باعث آسیب شود اگر سیستم توسط شخصی استفاده شود که مایل به ایجاد آسیب باشد. تروریستی را در نظر بگیرید که از یک خودروی خودران برای استفاده از انتقال مواد منفجره به یک منطقه شلوغ استفاده کند.

یکی دیگر از نگرانی های مرتبط با هوش مصنوعی محدود، از دست دادن مشاغل ناشی از اتوماسیون تعداد فزاینده ای از وظایف است. آیا بیکاری سر به فلک می‌کشد یا جامعه راه های جدیدی برای بهره وری اقتصادی انسان ها ایجاد خواهد کرد؟ اگرچه چشم انداز درصد زیادی از کارگران از دست دادن شغل خود ممکن است وحشتناک باشد، طرفداران هوش مصنوعی ادعا می‌کنند که در صورت وقوع چنین اتفاقی نیز منطقی است. با گسترش روزافزون استفاده از هوش مصنوعی، مشاغل جدیدی پدیدار خواهند شد که هنوز نمی‌توانیم آن‌ها را پیش‌بینی کنیم.

 

 

هوش مصنوعی عمومی چیست؟

هوش مصنوعی عمومی بیشتر یک فلسفه است تا یک رویکرد واقعی برای ایجاد هوش مصنوعی. این یک برداشت متفاوت از هوش مصنوعی است که در آن هوش مصنوعی را با انسان برابر می‌داند. این قانون تصریح می کند که یک رایانه می‌تواند برنامه ریزی شود تا در واقع مثل ذهن یک انسان باشد، به تمام معنا باهوش باشد، دارای ادراک، باورها و سایر حالت های شناختی باشد که معمولاً فقط به انسان نسبت داده می‌شود.

 

با این حال، از آنجایی که انسان‌ها حتی نمی‌توانند به درستی تعریف کنند که هوش چیست، ارائه یک معیار روشن در مورد موفقیت در توسعه هوش مصنوعی عمومی بسیار دشوار است. از سوی دیگر، هوش مصنوعی محدود به دلیل چگونگی تعیین هوش بسیار قابل دستیابی است. هوش مصنوعی محدود به جای تلاش برای تقلید کامل از ذهن انسان، بر توسعه هوش مربوط به یک کار یا رشته تحصیلی خاص متمرکز است. این مجموعه ای از فعالیت ها است که می تواند به فرآیندهای کوچکتر تقسیم شود و بنابراین می تواند در مقیاسی که برای آن تعیین شده است به کار گرفته شود.

 

کاربردهای هوش مصنوعی عمومی

یادگیری عمیق می‌تواند مشکلات پیچیده را به خوبی حل کند، و در نتیجه، امروزه در بسیاری از فناوری های نوظهور مورد استفاده قرار می‌گیرد. الگوریتم های یادگیری عمیق در زمینه های مختلفی به کار گرفته شده اند. در اینجا به چند نمونه می‌پردازیم:

اتومبیل های خودران: گوگل و ایلان ماسک به ما نشان داده اند که اتومبیل‌های خودران غیرواقعی نیستند. با این حال، خودروهای خودران به دلیل فعالیت‌های مختلفی که باید در نظر گرفته شوند، مانند تعیین حق تقدم یا شناسایی موانع در جاده، به داده‌های آموزشی و آزمایش بیشتری نیاز دارند. همانطور که فناوری به بلوغ می‌رسد، باید از موانع انسانی در پذیرش عبور کند زیرا نظرسنجی ها نشان می‌دهد که بسیاری از رانندگان مایل به استفاده از آن نیستند.

تشخیص گفتار: تشخیص گفتار، مانند چت ربات های هوش مصنوعی و عوامل مجازی، بخش بزرگی از پردازش زبان طبیعی است. پردازش ورودی صوتی برای یک هوش مصنوعی بسیار سخت‌تر است، زیرا بسیاری از عوامل مانند نویز پس‌زمینه، گویش‌ها، موانع گفتاری و سایر تأثیرات می‌توانند تبدیل ورودی به چیزی را که رایانه می‌تواند با آن کار کند برای هوش مصنوعی سخت‌تر کند.

تشخیص الگو: استفاده از شبکه های عصبی عمیق، تشخیص الگو را در کاربردهای مختلف بهبود می‌بخشد. با کشف الگوهای نقاط داده مفید، هوش مصنوعی می‌تواند اطلاعات نامربوط را فیلتر کند، همبستگی‌های مفیدی را ترسیم کند و کارایی محاسبات کلان داده‌ها را که معمولاً ممکن است توسط انسان نادیده گرفته شود، بهبود بخشد.

برنامه نویسی کامپیوتر: هوش مصنوعی محدود در تولید متن معنی دار موفقیت هایی داشته است که منجر به پیشرفت در کدنویسی شده است.

تشخیص تصویر: دسته بندی تصاویر زمانی که به صورت دستی انجام شود می‌تواند بسیار وقت گیر باشد. با این حال، انطباق های ویژه شبکه های عصبی عمیق، مانند DenseNet، که هر لایه را به لایه دیگر در شبکه عصبی متصل می‌کند، تشخیص تصویر را بسیار دقیق تر کرده است.

توصیه‌های متنی: برنامه‌های یادگیری عمیق می‌توانند هنگام ارائه توصیه‌ها، از جمله الگوهای درک زبان و پیش‌بینی‌های رفتاری، زمینه بسیار بیشتری را در نظر بگیرند.

بررسی حقایق: دانشگاه واترلو بلژیک اخیراً ابزاری را منتشر کرده است که می‌تواند اخبار جعلی را با تأیید اطلاعات موجود در مقالات با مقایسه آن با سایر منابع خبری شناسایی کند.

 

 

تفاوت بین هوش مصنوعی عمومی و محدود

هوش مصنوعی عمومی شکلی نظری از هوش مصنوعی است که از این دیدگاه پشتیبانی می‌کند که ماشین‌ها واقعاً می‌توانند هوش و هوشیاری انسان را به همان روشی که یک انسان را در هوشیاری توسعه می‌دهد، توسعه دهند. هوش مصنوعی عمومی به ماشینی فرضی اشاره دارد که توانایی های شناختی انسان را نشان می‌دهد. از سوی دیگر، هوش مصنوعی محدود نوعی از هوش مصنوعی است که به استفاده از الگوریتم های پیشرفته برای انجام وظایف حل مسئله یا استدلال خاص که طیف کاملی از توانایی های شناختی انسان را در بر نمی گیرد، اشاره دارد.

 

عملکرد

عملکردها در هوش مصنوعی محدود در مقایسه با هوش مصنوعی عمومی محدود هستند. هوش مصنوعی محدود به خودآگاهی نمی‌رسد یا طیف گسترده ای از توانایی های شناختی انسان را که ممکن است یک انسان داشته باشد نشان نمی‌دهد. هوش مصنوعی محدود به سیستم هایی اطلاق می‌شود که برای انجام طیف وسیعی از مشکلات برنامه ریزی شده اند اما در محدوده عملکردهای از پیش تعیین شده یا از پیش تعریف شده عمل می‌کنند. از سوی دیگر، هوش مصنوعی عمومی به ماشین هایی اطلاق می‌شود که بازتابی از هوش انسانی هستند.

 

هدف

هدف هوش مصنوعی محدود ایجاد فناوری است که به ماشین‌ها و رایانه‌ها اجازه می‌دهد تا وظایف حل مسئله یا استدلال خاص را با سرعتی بسیار سریع‌تر از یک انسان انجام دهند. اما لزوماً هیچ دانش دنیای واقعی در مورد دنیای مشکلی که در حال حل شدن است را در بر نمی‌گیرد. هدف هوش مصنوعی عمومی، توسعه هوش مصنوعی تا جایی است که بتوان آن را بعنوان هوش واقعی انسانی در نظر گرفت. هوش مصنوعی عمومی نوعی است که هنوز شکل واقعی به خود نگرفته است.

 

 

چند نوع هوش مصنوعی وجود دارد؟

چهار نوع هوش مصنوعی وجود دارد: ماشین های واکنشگر، حافظه محدود، تئوری ذهن و خودآگاهی.

 

1- ماشین های ریاکتیو یا واکنشگر

ابتدایی ترین انواع سیستم های هوش مصنوعی کاملاً واکنشگر هستند و نه توانایی تشکیل خاطرات و نه استفاده از تجربیات گذشته برای اطلاع رسانی تصمیمات فعلی را دارند. دیپ بلو، ابررایانه شطرنج IBM که در اواخر دهه 1990 استاد بزرگ بین المللی گری کاسپاروف را شکست داد، نمونه کامل این نوع ماشین است.

دیپ بلو می تواند مهره های روی صفحه شطرنج را شناسایی کند و بداند که هر کدام چگونه حرکت می‌کنند. می‌تواند پیش‌بینی کند که چه حرکاتی ممکن است برای خود و حریفش اتفاق بیوفتد. و می‌تواند بهینه ترین حرکات را از بین احتمالات انتخاب کند.

اما نه مفهومی از گذشته دارد و نه هیچ خاطره ای از آنچه قبلا اتفاق افتاده است. جدا از یک قانون خاص شطرنج که به ندرت استفاده می‌شود، در مورد تکرار یک حرکت سه بار، دیپ بلو همه چیز را قبل از لحظه حال نادیده می‌گیرد. تنها کاری که انجام می‌دهد این است که به مهره های روی صفحه شطرنج همانطور که در حال حاضر قرار گرفته اند نگاه کند و از بین حرکات بعدی احتمالی یکی را انتخاب کند.

این نوع از هوش شامل درک کامپیوتر از جهان به طور مستقیم و عمل بر اساس آنچه که می‌بیند است همچنین به مفهوم درونی جهان متکی نیست. رادنی بروکس، محقق هوش مصنوعی، در مقاله‌ای مهم استدلال کرد که ما فقط باید ماشین‌هایی مانند این بسازیم. دلیل اصلی او این بود که مردم در برنامه‌نویسی جهان‌های شبیه‌سازی شده دقیق برای رایانه‌ها مهارت ندارند، چیزی که در حوزه هوش مصنوعی «نماینده» جهان نامیده می‌شود.

 

 

ماشین‌های هوشمند کنونی که ما از آنها شگفت‌زده می‌شویم، یا چنین مفهومی از جهان ندارند، یا برای وظایف خاص خود، یک مفهوم بسیار محدود و تخصصی دارند. نوآوری در طراحی Deep Blue این نبود که گستره فیلم های احتمالی را که رایانه در نظر گرفته بود، گسترش دهد. در عوض، توسعه‌دهندگان راهی برای محدود کردن دیدگاه آن پیدا کردند تا از پیگیری برخی از حرکت‌های بالقوه آینده، بر اساس نحوه رتبه‌بندی نتیجه‌شان، خودداری کنند. بدون این توانایی، دیپ بلو باید یک کامپیوتر حتی قدرتمندتر باشد تا بتواند کاسپاروف را شکست دهد.

به طور مشابه، AlphaGo گوگل، که متخصصان برتر انسانی را شکست داده است، نمی تواند تمام حرکت های احتمالی آینده را ارزیابی کند. روش تجزیه و تحلیل آن پیچیده تر از Deep Blue است و از یک شبکه عصبی برای ارزیابی پیشرفت های بازی استفاده می‌کند.

این روش‌ها توانایی سیستم‌های هوش مصنوعی را برای اجرای بهتر بازی‌های خاص بهبود می‌بخشند، اما نمی‌توان آن‌ها را به راحتی تغییر داد یا در موقعیت‌های دیگر اعمال کرد. این تصورات کامپیوتری هیچ مفهومی از دنیای گسترده‌تر ندارند  به این معنی که نمی‌توانند فراتر از وظایف خاصی که به آنها محول شده است عمل کنند و به راحتی فریب می‌خورند.

آن‌ها نمی‌توانند به صورت تعاملی در جهان مشارکت داشته باشند، همانطور که ما تصور می‌کنیم روزی سیستم‌های هوش مصنوعی ممکن است به این قابلیت دست پیدا کنند. در عوض، این ماشین‌ها هر بار که با وضعیت مشابهی مواجه می‌شوند دقیقاً به همان شیوه رفتار می‌کنند. این می تواند برای اطمینان از قابل اعتماد بودن یک سیستم هوش مصنوعی بسیار خوب باشد: شما می‌خواهید ماشین خودران شما یک راننده قابل اعتماد باشد. اما اگر بخواهیم ماشین‌ها واقعاً با دنیا درگیر شوند و به آن پاسخ دهند،ممکن است مشکلاتی برای جامعه انسانی در پی داشته باشد. این ساده ترین سیستم های هوش مصنوعی هرگز خسته، علاقه مند یا غمگین نخواهند بود.

 

2- حافظه محدود

این دسته شامل ماشین‌هایی است که می‌توانند گذشته را مرور کنند. اتومبیل های خودران برخی از این کارها را قبلاً انجام می‌دهند. به عنوان مثال، آنها سرعت و جهت اتومبیل های دیگر را مشاهده می‌کنند. این کار را نمی توان تنها در یک لحظه انجام داد، بلکه نیازمند شناسایی اشیاء خاص و نظارت بر آنها در طول زمان است.

این مشاهدات به نمایش‌های از پیش برنامه‌ریزی‌شده خودروهای خودران از جهان اضافه می‌شوند، که شامل خط‌ها، چراغ‌های راهنمایی و سایر عناصر مهم مانند پیچ‌های جاده می‌شود. زمانی که خودرو تصمیم می‌گیرد چه زمانی باید خط را تغییر دهد، برای جلوگیری از قطع ارتباط با راننده دیگر یا برخورد با خودروی مجاور، شامل این حرکات می‌شود.

اما این اطلاعات ساده در مورد گذشته فقط گذرا هستند. آن‌ها به‌عنوان بخشی از مجموعه تجربیات خودرو که می‌تواند از آن بیاموزد، ذخیره نمی‌شوند، روشی که رانندگان انسانی تجربه‌ای را طی سال‌ها رانندگی جمع‌آوری می‌کنند.

بنابراین چگونه می‌توانیم سیستم‌های هوش مصنوعی بسازیم که عملکرد کاملی ارایه  دهند، تجربیات آن‌ها را به خاطر بسپارند و یاد بگیرند که چگونه موقعیت‌های جدید را مدیریت کنند؟

 

 

3- نظریه ذهن

ما ممکن است در اینجا توقف کنیم و این نقطه را شکاف مهم بین ماشین‌هایی که داریم و ماشین‌هایی که در آینده خواهیم ساخت. با این حال، بهتر است برای بحث در مورد انواع شبیه سازی هایی که ماشین ها باید تشکیل دهند، و اینکه آنها باید در چه زمینه ای گسترش پیدا کنند، دقیق تر صحبت کنیم.

ماشین‌های طبقه بعدی، پیشرفته‌تر، نه تنها بازتاب درباره جهان، بلکه درباره سایر عوامل یا موجودات در جهان نیز ایجاد می‌کنند. در روانشناسی، این را «نظریه ذهن» می‌نامند .درک این که افراد، موجودات و اشیاء در جهان می توانند افکار و احساساتی داشته باشند که بر رفتار آنها تأثیر می‌گذارد.

این برای چگونگی شکل گیری جوامع ما انسان ها بسیار مهم است، زیرا آنها به ما اجازه می‌دهند تا تعاملات اجتماعی داشته باشیم. بدون درک انگیزه ها و مقاصد یکدیگر، و بدون در نظر گرفتن چیزهایی که دیگران در مورد من یا محیط می‌دانند، کار با یکدیگر در بهترین حالت دشوار و در بدترین حالت غیرممکن است.

اگر سیستم‌های هوش مصنوعی واقعاً در میان ما قدم می‌زنند، باید بتوانند درک کنند که هر یک از ما افکار و احساسات و انتظاراتی در مورد نحوه رفتار با یکدیگر داریم. و آنها باید رفتار خود را بر این اساس تنظیم کنند.

 

4- خودآگاهی

مرحله نهایی توسعه هوش مصنوعی ساختن سیستم هایی است که می توانند بازتاب‌هایی در مورد خودشان ایجاد کنند. این، به یک معنا، توسعه‌ای از «نظریه ذهن» است که هوش مصنوعی نوع عمومی در اختیار دارد. به دلیلی به خودآگاهی «ادراک » نیز گفته می‌شود. موجودات آگاه از خود آگاه هستند، از حالات درونی خود با خبرند و می توانند احساسات دیگران را پیش بینی کنند. ما تصور می‌کنیم کسی که پشت سرمان در ترافیک بوق می‌زند عصبانی یا بی‌صبر است، زیرا وقتی به دیگران بوق می‌زنیم این احساس را داریم. بدون تئوری ذهن، نمی‌توانیم چنین استنباط‌هایی داشته باشیم.

در حالی که ما احتمالاً از ساخت ماشین‌هایی که خودآگاه هستند فاصله داریم، باید تلاش خود را به سمت درک حافظه، یادگیری و توانایی تصمیم‌گیری بر اساس تجربیات گذشته متمرکز کنیم. این یک گام مهم برای درک هوش انسان به تنهایی است. و اگر بخواهیم ماشین‌هایی را طراحی یا تکامل دهیم که در طبقه‌بندی آنچه در مقابلشان می‌بینند استثنایی باشند، بسیار مهم است.

 

کدام شرکت ها در زمینه هوش مصنوعی پیشرو هستند؟

با رشد روز افزون نقش هوش های مصنوعی در زندگی مدرن امروزی، هر یک از شرکت های بزرگ فناوری در تلاش هستند تا فناوری قوی‌تری در زمینه‌ی یادگیری ماشین برای استفاده در خانه ارائه دهند تا آن ها را با استفاده از خدمات ابری از طریق اینترنت به فروش برسانند.

هرکدام از آن ها به طور مرتب در حوزه‌ی خاصی از هوش مصنوعی، عناوینی را به دست می آورند؛ اگرچه احتمالا شرکت گوگل با DeepMind AI AlphaGo، بیشترین تاثیر را بر آگاهی مردم در زمینه‌ی هوش مصنوعی داشته است.

 

چه کشورهایی در زمینه هوش مصنوعی پیشرو هستند؟

این اشتباه بزرگی است که فکر کنید که غول های فناوری ایالات متحده‌ی آمریکا، در زمینه‌ی هوش مصنوعی یکه‌تاز میدان هستند. شرکت های چینی Alibaba، Baidu، Lenovo، سرمایه‌گذاری های عظیمی بر روی هوش مصنوعی در زمینه های مختلفی از قبیل تجارت الکترونیک و اتومبیل های اتومات انجام داده‌اند. به عنوان یک کشور، چین در حال دنبال کردن یک برنامه‌ی سه مرحله‌ای برای تبدیل هوش مصنوعی به هسته‌ی اصلی صنعت خود می باشد. برنامه‌ای که تا سال 2020 ارزشی به اندازه‌ی 150 میلیارد یوان (22 میلیارد دلار) خواهد داشت.

شرکت چینی بایدو، بر روی ساخت ماشین های اتومات سرمایه‌گذاری های عظیمی انجام داده‌است که در ساخت آن نوعی الگوریتم های یادگیری عمیق استفاده می کند که Baidu Auto Brain نام دارد و پس از چندین سال آزمایش، قصد دارد از این اتومبیل های کاملا اتومات خود در سال 2018 رونمایی و تا سال 2021 به تولید انبوه برساند.

شرکت بایدو همچنین با شرکت NVidia همکاری کرده‌است تا از هوش مصنوعی برای ساخت یک پلتفرم مستقل اتومبیل استفاده کنند به گونه‌ای که بتوان به راحتی یک اتومبیل را از حالت ابری به مدل واقعی تبدیل کرد و قصد دارند از این مدل برای ساخت اتومبیل توسط تولیدکنندگان در سراسر جهان استفاده کنند.

ترکیبی از قوانین حریم خصوصی ضعیف، سرمایه‌گذاری های کلان، جمع‌آوری داده های هماهنگ و تجزیه و تحلیل داده ها توسط شرکت های بزرگ چینی مانند بایدو، علی‌بابا و Tencent، همه و همه به این معنی است که چین در آینده‌ای نه‌چندان دور در زمینه‌ی تحقیقات در حوزه‌ی هوش مصنوعی، نسبت به آمریکا برتری بیشتری خواهد یافت. با یک تحلیلگر در مورد شانس برتری چین نسبت به آمریکا در آینده صحبت شد و او شانس چین را 500 به 1 به نفع چین بیان کرد.

 

 

هوش مصنوعی چگونه جهان را تغییر خواهد داد؟

1- روبات ها و ماشین های بدون سرنشین

تمایل به ساخت روبات هایی که بتوانند به طور مستقل عمل کنند و دنیای اطراف خود را درک و در آن گردش کنند، به این معنا است که یک همپوشانی طبیعی بین صنعت رباتیک و هوش مصنوعی وجود خواهد داشت. اگرچه هوش مصنوعی تنها یکی از فناوری های مورد استفاده در صنعت رباتیک است، اما استفاده از هوش مصنوعی به روبات ها کمک می کند که به حوزه های جدیدتر مانند ماشین های خودرو (روبات های تحویل دهنده‌ی بسته های پستی)، وارد شوند.

علاوه بر آن، این شرایط به روبات ها کمک می کند تا مهارت های جدیدی را کسب کنند. شرکت جنرال موتورز بیان کرده‌است که تا سال 2019 یک ماشین بدون سرنشین، فرمان و پدال خواهد ساخت، در حالی که شرکت فورد متعهد شده‌است که این کار را تا سال 2021 انجام دهد. شرکت وایمو (یک شرکت سازنده‌ی ماشین های خودرو تحت نظارت گوگل) نیز بیان کرده‌است که به زودی سرویس های تاکسی بدون سرنشین را در شهر Phoenix ارائه خواهد داد.

 

2- اخبار جعلی

ما در آستانه داشتن شبکه های عصبی هستیم که این توانایی را خواهند داشت که تصاویر واقعی از یک فرد ایجاد کنند یا صدای یک نفر را به شیوه‌ای کاملا دقیق تکرار کنند. با وجود این تکنولوژی که آثار مخرب اجتماعی خود را خواهد گذاشت، دیگر نمی توان به فیلم ها یا فیلم های صوتی به عنوان یک سند معتبر نگاه کرد. همچنین در مورد چگونگی استفاده از این فناوری برای سوء استفاده از تصاویر افراد، نگرانی هایی وجود دارد، همانطور که امروزه نیز مشاهده می کنیم، ابزار هایی ساخته شده‌است تا تصاویر بازیگران مشهور را به فیلم های بزرگسالان متصل کنند.

 

3- گفتار و تشخیص زبان

سیستم های یادگیری ماشین به رایانه ها کمک کرده‌اند تا آنچه را که مردم می گویند با دقت تقریبا 95 درصد تشخیص دهند. اخیرا هوش مصنوعی مایکروسافت و گروه تحقیقاتی آن ها گزارش داده‌است که سیستمی را تولید کرده است که قادر است به زبان رجیسترهای انسانی، به زبان انگلیسی صحبت کند. محققان هدفی با دقت 99% را دنبال می کنند تا بتوانند تعامل انسان با ماشین را به یک هنجار کاملا معمول تبدیل کنند.

 

4- تشخیص چهره و نظارت

در سال های اخیر دقت سیستم های تشخیص چهره، جهشی بسیار بزرگ به سمت جلو داشته است تا جایی یکی از شرکت های بزرگ چینی به نام بایدو بیان کرده‌است که می تواند چهره های مختلف را با دقت 99% به یکدیگر متصل کند، به شرطی که چهره‌ی آن در ویدیو به اندازه‌ی کافی واضح باشد. در حالی که نیروهای پلیس در کشور های غربی تنها با استفاده از سیستم های تشخیص چهره در رویداد های بزرگ حاضر می شوند، مقامات چینی به دنبال اجرای برنامه‌ای هستند تا در سراسر کشور، دوربین های مدار بسته‌ای را نصب کنند که با استفاده از هوش مصنوعی بتواند مظنونین و حرکات مشکوک را تشخیص دهد.

پلیس همچنین در حال استفاده از عینک تشخیص چهره‌ است. اگرچه مقررات حریم خصوصی در کشور های مختلف متفاوت است، اما به احتمال زیاد، این استفاده فضولانه از هوش مصنوعی (مانند استفاده از هوش مصنوعی برای تشخیص احساسات) به مرور زمان در کشور های دیگر نیز گسترش خواهد یافت.

 

5- مراقبت های بهداشتی

هوش مصنوعی سرانجام می تواند تأثیر چشمگیری در مراقبت های بهداشتی داشته باشد. به رادیولوژیست ها کمک می کنند تا تومور ها را با استفاده از اشعه‌ی ایکس تشخیص دهند و به محققان کمک می کنند تا توالی های ژنتیکی مرتبط با بیماری ها را تشخیص دهند یا مولکول های خاصی را که می توانند برای ساخت دارو مفید باشند را شناسایی کنند.

آزمایشاتی در مورد فناوری مرتبط با هوش مصنوعی در بیمارستان های‌ سراسر جهان انجام شده است. این موارد شامل ابزار پشتیبانی IBM Watson است که برای تشخیص های بالینی به پزشکان کمک می کند. این هوش مصنوعی در مرکز سرطان Memorial Sloan Kettering آموزش داده شد و درون خود از فناوریGoogle DeepMind استفاده می کند که هم‌اکنون در مراکز بهداشت ملی انگلستان مورد استفاده قرار می گیرد. این سیستم به تشخیص بیماری های چشم و ساده‌تر کردن روند تشخیص بیماران از نظر سرطان سر و گردن کمک می کند.

 

آیا هوش مصنوعی ممکن است شغلتان را از شما بگیرد؟

اگرچه هوش مصنوعی نمی تواند جایگزین تمام شغل ها شود، اما آنچه مسلم است، این است که هوش های مصنوعی ماهیت کار را تغییر خواهند داد. تنها سوال این است که اتوماسیون با چه سرعتی و به چه عمقی باعث تغییر محیط کار خواهد شد.

به سختی زمینه هایی را می توان یافت که انسان بتواند در آن فعالیت کند اما هوش مصنوعی پتانسیل آن را نداشته باشد. به گفته اندرو نگ، متخصص هوش مصنوعی “بسیاری از افراد مشغول انجام کارهای روزمره و تکراری هستند”. متاسفانه تکنولوژی های جدید در انجام کارهای روزمره و تکراری خوب عمل می کنند. او همچنین ادامه می دهد: “در چند دهه‌ی آینده، حجم زیادی از بیکاری مردم را می توانم تصور کنم”.

شواهدی وجود دارد که هم‌اکنون نیز شغل هایی وجود دارند که در حال واگذاری به هوش مصنوعی هستند. آمازون به تازگی Amazon Go، یک سوپر مارکت بدون صندوق پول در سیاتل را راه اندازی کرده است که در آن مشتریان فقط مواردی را که می خواهند از قفسه ها بر می دارند و به بیرون می روند. باید ببینیم برای 3 میلیون نفری که در ایالات متحده آمریکا به عنوان صندوقدار کار می کنند چه اتفاقی خواهد افتاد!

آمازون همچنین راه را برای استفاده از روبات ها برای بهبود کارایی در داخل انبارهای خود آسان کرده است. این روبات ها قفسه محصولات را به وانت های انسانی منتقل می کنند که مواردی را برای ارسال به آنها انتخاب می کنند. آمازون در مراکز تحقق خود بیش از 100000 ربات دارد که قصد دارد موارد دیگری را نیز به آن اضافه کند. اما آمازون همچنین تاکید می کند که با افزایش تعداد ربات ها، تعداد کارگران انسانی در این انبارها نیز افزایش یافته است. با این حال آمازون و دیگر شرکت های رباتیک کوچک، به دنبال این هستند تا بقیه‌ی شغل های باقی‌مانده در انبار ها را نیز به صورت اتوماتیک درآورند و این موضوع بدین معنا است که پس از مدتی، افزایش روبات ها باعث کاهش شدید در نیرو های انسانی این انبار ها را خواهد داشت.

 

 

وسایل نقلیه کاملا اتوماتیک هنوز به واقعیت نرسیده‌ است اما پیش‌بینی  ها نشان می دهد که در دهه های آینده، صنعت خودروسازی بدون در نظر گرفتن تاثیری که بر تاکسی ها و پیک ها می گذارد، چیزی حدود 1.7 میلیون شغل را به خود اختصاص می دهد.

با این وجود هنوز هم برخی از ساده‌ترین کارها که به راحتی می تواند اتومات شود، به روبات ها واگذار نشده است. در حال حاضر میلیون ها نفر در اداره، وارد کردن و کپی کردن داده ها بین سیستم ها، پیگیری و رزرو قرار ملاقات ها برای شرکت ها مشغول به کار هستند. هرچه نرم‌افزارها در آپدیت‌کردن سیستم های خودکار پیشرفت کنند، نیاز به نیروهای انسانی کاهش پیدا خواهد کرد.

برای برخی، هوش مصنوعی فناوری است که به جای جایگزین کردن کارمندان، تعداد آن ها را بیشتر خواهد کرد. نه تنها این، بلکه این امر یک ضرورت تجاری‌ است، چرا که در هر شغلی به یک نیروی انسانی نیاز است و این ربات ها می توانند به عنوان دستیار نیروی انسانی به او کمک کنند. به عنوان مثال زمانی که یک مشتری به نیروی انسانی شرکت شما مراجعه می کند، هوش مصنوعی که به صورت هدست درون گوش کارمندتان قرار گرفته است، به او می گوید که مشتری دقیقا به چه چیزی نیاز دارد، حتی قبل از اینکه مشتری شروع به صحبت کردن کرده ‌باشد. این شرایط موثر‌تر از زمانی ‌است که هوش مصنوعی به تنهایی کار کند.

در میان دانشمندان نیز اینکه هوش مصنوعی با چه سرعتی می تواند از هوش انسانی فراتر رود، اختلاف نظر هایی وجود دارد. موسسه Future of Humanity دانشگاه آکسفورد از چند صد کارشناس خبره ماشین سازی خواسته است تا طی دهه های آینده توانایی هوش مصنوعی را پیش بینی کنند.

تاریخ هایی که مشخص کرده‌اند نشان می دهد که هوش مصنوعی تا سال 2026، جای انسان را در نوشتن مقالات می گیرند. تا سال 2027، رانندگان کامیون از کار بی کار می شوند. تا سال 2031 از توانایی انسان در خرده فروشی، تا سال 2049، نوشتن مقالات پرفروش و تا سال 2053 در کار های جراحی پیشی خواهد گرفت.

آن ها تخمین زده‌اند که تا 45 سال آینده، هوش های مصنوعی بتوانند در تمام کار هایی که انسان ها انجام می دهند، آن ها را شکست دهند و تا 120 سال آینده تمام شغل ها به صورت اتوماتیک درآید.

 

چالش‌های پیش روی هوش مصنوعی

هوش مصنوعی از ابتدای پیدایش خود مورد توجه دانشمندان و عموم مردم قرار گرفته است. یکی از موضوعات رایج این ایده است که ماشین‌ها به قدری توسعه می‌یابند که انسان‌ها قادر به کنترل آن نخواهند .

مورد دیگر این است که ماشین ها و برنامه ها می توانند حریم خصوصی افراد را هک کنند و حتی به سلاح تبدیل شوند. بحث‌های دیگر در مورد اخلاق هوش مصنوعی و اینکه آیا سیستم‌های هوشمند مانند روبات‌ها باید با حقوقی برابر با انسان‌ها برخورد کنند،می‌پردازند.

خودروهای خودران نسبتاً بحث‌برانگیز بوده‌اند، زیرا ماشین‌های آن‌ها برای کمترین خطر ممکن و کمترین تلفات طراحی می‌شوند. اگر سناریوی برخورد همزمان با یک نفر یا دیگری ارائه شود، این خودروها گزینه ای را محاسبه می‌کنند که کمترین خسارت را به همراه داشته باشد.

یکی دیگر از مسائل بحث برانگیز بسیاری از افراد با هوش مصنوعی این است که چگونه ممکن است بر اشتغال انسان تأثیر بگذارد. با توجه به اینکه بسیاری از صنایع به دنبال خودکارسازی مشاغل خاص از طریق استفاده از ماشین آلات هوشمند هستند، این نگرانی وجود دارد که افراد از نیروی کار بیرون رانده شوند. ماشین‌های خودران ممکن است نیاز به تاکسی و برنامه‌های اشتراک خودرو را از بین ببرند، در حالی که تولیدکنندگان ممکن است به راحتی نیروی انسانی را با ماشین‌ها جایگزین کنند و مهارت‌های افراد را منسوخ کنند.