دوران هوش مصنوعی رو به شکوفایی بیشتر است

چرا دوران طلایی هوش مصنوعی به این زودی به پایان نمی‌رسد

14 اردیبهشت 1396

رایورز - امروزه شاهد پیشرفت هوش مصنوعی و کاربرد آن در تمامی وسایل هستیم. اما با وجود پرکاربرد بودن این فناوری، عمر آن به این زودی به پایان نمی‌رسد.

بدون تردید تاکنون اصطلاح "هوش مصنوعی" را شنیده‌اید. بر اساس گزارش گوگل ترندز، در سال 2012 فقط 5 درصد از مردم آمریکا در مورد هوش مصنوعی در اینترنت جست‌وجو کرده بودند. اما در سال 2017 این عدد به حدود 60 درصد رسیده است.

هوش مصنوعی بر خلاف سایر فناوری‌های زودگذری که وارد صنعت تکنولوژی می‌شود، به این زودی دچار افت و نزول نمی‌شود. توسعه هوش مصنوعی در حقیقت به گونه‌ای است که روز به روز نفوذ خود را در زندگی افراد بیشتر می‌کند.

به گزارش ونچربیت، بر خلاف روزهای اولی که فناوری هوش مصنوعی وارد بازار شده بود، امروز شاهد این هستیم چارچوب‌های قوی و مفید زیادی نظیر تنسورفلو و کافه وجود دارد که نیاز بسیاری از مهندسان به کدنویسی را مرتفع کرده و باعث اجرای آسان فناوری‌های هوش مصنوعی شده است.

این چارچوب، موجب صرفه جویی قابل توجه در وقت و منابع شده است و فناوری هوش مصنوعی را روز به روز گسترده‌تر خواهد کرد و در اختیار تمامی شرکت‌ها قرار خواهد داد.

شبکه‌های عصبی بسیار زیادی وجود دارد که از پیش آموزش‌دیده هستند و برای مصارف عمومی در زمینه‌های مختلف نظیر محتوا، تصویر و تشخیص صدا مورد استفاده قرار می‌گیرند.

این شبکه‌ها به رشد و رونق تلاش‌های مربوط کارآفرینی در حوزه هوش مصنوعی کمک می‌کنند و امکان استفاده از مدل‌های شبکه عصبی از پیش تهیه‌شده را فراهم می‌کنند. یولو، فستکست و دیپ اسپیچ از جمله مواردی هستند که از این امکانات بهره برده‌اند.

نگهداشت سرویس‌های هوش مصنوعی به مقدار زیادی مقرون به صرفه است و افزایش سرعت محاسبات در آن، به لطف جی.پی.یو عامل بسیار مهمی در رشد روزافزون هوش مصنوعی می‌باشد.

از آنجا که ارائه دهندگان فضای ابری مانند آمازون، هزینه خدمات خود را به طور مداوم کاهش می‌دهند، هزینه‌های نگهداشت هوش مصنوعی، مقرون به صرفه است. همچنین بازده محاسبات روی جی.پی.یو، خیلی بیشتر از روش‌های دیگر است. به همین خاطر هم بسیاری از فناوری‌ها، می‌کوشند که به نحوی از این فناوری بهره‌مند شوند.

Ten Breakthrough Technologies 2017

These technologies all have staying power. They will affect the economy and our politics, improve medicine, or influence our culture. Some are unfolding now; others will take a decade or more to develop. But you should know about all of them right now.

• Reversing Paralysis

  Scientists are making remarkable progress at using brain implants to restore the freedom of movement that spinal cord injuries take away.

  

• Self-Driving Trucks

  Tractor-trailers without a human at the wheel will soon barrel onto highways near you. What will this mean for the nation’s 1.7 million truck drivers?

  

• Paying with Your Face

  Face-detecting systems in China now authorize payments, provide access to facilities, and track down criminals. Will other countries follow?

  

• Practical Quantum Computers

  Advances at Google, Intel, and several research groups indicate that computers with previously unimaginable power are finally within reach.

  

• The 360-Degree Selfie

  Inexpensive cameras that make spherical images are opening a new era in photography and changing the way people share stories.

  

• Hot Solar Cells

  By converting heat to focused beams of light, a new solar device could create cheap and continuous power.

  

• Gene Therapy 2.0

  Scientists have solved fundamental problems that were holding back cures for rare hereditary disorders. Next we’ll see if the same approach can take on cancer, heart disease, and other common illnesses.

  

• The Cell Atlas

  Biology’s next mega-project will find out what we’re really made of.

  

• Botnets of Things

  The relentless push to add connectivity to home gadgets is creating dangerous side effects that figure to get even worse.

  

• Reinforcement Learning

  By experimenting, computers are figuring out how to do things that no programmer could teach them.

  

اتصال مستقیم مغز انسان‌ و رایانه‌ها

الون ماسک، بنیانگذار شرکت هایی نظیر تسلا و اسپیس‌ایکس‌ حالا پروژه بلندپروازانه دیگری در سر دارد که قصد دارد با کمپانی "نورالینک" به آن جامه عمل بپوشاند.

به گزارش ایسنا به نقل از وال‌استریت ژورنال، نورالینک اتصالی مستقیم میان مغز انسان‌ها و دنیای کامپیوتر برقرار خواهد کرد.

این کارآفرین تاریخ‌ساز که از دیرباز رویای ارسال انسان‌ها به مریخ را در سر داشته، می‌خواهد با تکنولوژی جدیدش شبکه عصبی مغز انسان‌ها را با الکترودهایی متصل به مغز به کامپیوترهایی وصل کند که می‌توانند پردازش‌هایی بی‌سابقه روی مغز انجام دهند.

الون ماسک، نابغه‌ای از تبار آفریقای جنوبی، هنوز خبر تاسیس شرکت جدیدش را اعلام نکرده، اما پس از انتشار گزارش روزنامه وال‌استریت ژورنال در توییتی خبر مرتبط با تاسیس نورالینک را تایید کرد و گفت: هفته آینده خبرهای تکمیلی منتشر خواهند شد.

نورالینک به عنوان یک شرکت "پژوهش‌های پزشکی" در کالیفرنیا ثبت شده و آن‌طور که در گزارش‌ها آمده ماسک قصد دارد خودش منابع مالی این شرکت را تامین کند. وی چندی پیش گفته بود برای اینکه انسان‌ها بخواهند همچنان از نظر اقتصادی ارزشمند بمانند، باید هوش بیولوژیک خود را با هوش مصنوعی و ماشینی ادغام کنند.

این کارآفرین میلیاردر ۴۵ ساله که از تاسیس و فروش PayPal در جوانی به ثروتی هنگفت(۱۶۵ میلیون دلار) رسید،‌ سرمایه‌گذاری روی ایده‌های عظیمش را از سال‌ها پیش آغاز کرد. او با بیش از ۹۰ میلیون دلار از سرمایه‌ اش کمپانی اسپیس‌ایکس را تاسیس کرد و نزدیک به ۷۰ میلیون دلار آن را هم صرف تاسیس کمپانی تسلا کرد که حالا پیشتاز تولید خودروهای الکتریکی در جهان است.

الون ماسک با تکیه بر انرژی خورشیدی و با نوآوری‌هایش در زمین و فضا و حالا سیاحت دنیای پیچیده مغز می‌خواهد به شکاف‌ها و نابرابری‌های موجود در جهان پایان دهد.

کارکرد بازی‌های ویدئویی در آموزش سربازان آمریکایی

تاریخ انتشار: ۲۷ اسفند ۱۳۹۵ 

 

ارتش آمریکا چگونه از بازی‌های ویدئویی برای آموزش سربازان خود استفاده می‌کند؟

 

به گزارش شفقنا، «اسکات نیکولاس رومانیوک» و «توبیاس برگر» در مقاله‌ای در وبسایت «سالون» نوشتند:

طی چند دهه‌ی گذشته و خصوصا پس از ۱۱ سپتامبر، بازی‌های ویدئویی خشن به عنصری ریشه‌دار در فرهنگ آمریکایی تبدیل شده‌ است. بازی‌های تیراندازی اول-شخص بطور خاص محبوبیت روزافزون یافته‌ است.

این بازی‌ها، که بازی‌کننده را پشت یک اسلحه به تصویر می‌کشد، نسلی از کودکان را به جنگجویان دیجیتالی تبدیل کرده است که با تروریست‌ها و متجاوزان بیگانه می‌جنگند. بسیاری از افراد صرفا بخاطر لذت خالص و بی‌ غل و غش پای بازی‌های تیراندازی اول-شخص می‌نشینند. برخی‌ها می‌خواهند به اهداف بازی دست یابند و بخشی از یک تیم باشند. و برای دیگران، همین که دشمنی را نابود کنند، خصوصا کسی که قصد آسیب رساندن به آنها را دارد، حس خوبی به ارمغان می‌آورد.

برای ارتش آمریکا، رشد بازی‌های تیراندازی اول-شخص یک رویداد خوشایند بوده است. در سال‌های اخیر،‌ ارتش بسیاری از سربازانش را تشویق کرده است تا برای تداوم آموزش‌های نظامی‌شان درگیر بازی‌های ویدئویی خشن بشوند، حتی زمانی که سر خدمت نیستند. (در واقع، استفاده از بازی‌ها برای آموزش تاکتیک‌های نظامی یک روال دیرینه در ارتش آمریکا است: قبل از ظهور بازی‌های ویدئویی، نیروها را تشویق می‌کردند تا مشغول بازی‌های روی صفحه‌ای با موضوعات نظامی بشوند).

بازی‌های ویدئویی این امکان را برای سربازان فراهم می‌کند که نقش‌های رزمی‌شان را با خود به خانه ببرند و مسئولیت‌های در حین خدمت خود را در لوای امور روزمره و غیر نظامی خود در اوقات مرخصی بپوشانند.

اما این بازی‌های ویدئویی چه تاثیری بر سربازان آمریکایی داشته است؟ این بازی‌ها در انعکاس زندگی نظامی چقدر دقیق است؟ و آیا واقعا نقشی در استخدام، آموزش، و حفظ نیروهای‌ نظامی دارد؟

از صفحه‌ی نمایش نبرد تا میدان نبرد
در حین انجام یک پژوهش، ما با ۱۵ نفر از اعضای فعلی و سابق ارتش آمریکا که بین ۲۴ تا ۳۵ سال سن داشتند مصاحبه کردیم تا متوجه شویم بازی‌های تیراندازی اول-شخص خشن چه نقشی در استخدام و آموزش آنها داشته است.

اکثریت مصاحبه‌شوندگان به ما گفتند اینکه سرباز ذهنیت سربازی را حتی وقتی سر خدمت نیست حفظ کند اهمیت دارد. از نظر آنها، بازی‌های تیراندازی اول-شخص بهترین وسیله برای دستیابی به این هدف بود.

بازی‌های باب میل این افراد با هم متفاوت بود، اما عناوین محبوب بین آنها عبارت بود از بازی‌های Ghost Recon Advanced Warfighter 2 و ARMA 2، که بازی دوم به قول یکی از اعضای فعلی ارتش «یکی از پر تب و تاب ترین تجربه‌های حمله در عرصه‌ی بازی را» برایش رقم زده است.

در عین حال، یکی از سربازان سابق جنگ عراق بازی‌های Call of Duty: Black Ops2 و Call of Duty: Modern Warfare را «آخرین حد از تجربه در بازی‌های تیراندازی اول-شخص» و دارای «رویکردهایی فوق العاده واقع‌گرایانه نسبت به جنگ تاکتیکی» توصیف کرد. [از نظر او،] «اینکه مخفیانه حمله کنید یا یک حمله‌ی همه‌جانبه، رودررو، و پر از خونریزی صورت دهید، انتخاب شماست. این بازی خشن است، آشوبناک است، زیباست».

از این منظر، گویا کهنه سرباز جنگ عراق می‌خواهد بگوید که بازی‌های ویدئویی می‌توانند موقعیت‌های جنگی واقعی را منعکس کنند، دیدگاهی که دیگران هم به آن اذعان داشتند.

واقعیت‌های دگرگون شده

اما این ادعا که بازی‌ها وضعیت واقعی زندگی یک سرباز را به طور دقیقا شبیه‌سازی می‌کنند، ادعای دشواری است. اول اینکه، مأموریت‌های نظامی همیشه پر از جنگ‌های سنگین و پر آشوب، شبیه آنچه در بازی‌های تیراندازی اول-شخص می‌بینیم، نیست. اکثریت سربازان در طول خدمتشان هیچ‌گاه درگیر عملیات‌های رزمی رودررو نمی‌شوند.

دوم، و مهمتر از همه، اینکه در دنیای دیجیتال هیچ‌گونه ملاحظات حقوقی و اخلاقی در کار نیست. وقتی کسی خطایی مرتکب می‌شود، وقتی افراد بیگناه کشته می‌شوند، هیچ پیامدی در کار نیست. کاملا برعکس، بازی‌های ویدئویی این پیامدهای موجود در جهان واقعی را در ذهن بازی‌کننده ته‌نشین می‌کنند؛ در سال ۲۰۱۲، سه روان‌شناس به نام‌های «بروک باستین»، «جولاندا جتن»، و «هلنا رادکه» توانستند با استفاده از اسکن مغزی نشان دهند مشغولیت به بازی‌های ویدئویی خشن قادر است حساسیت بازی‌کنندگان را نسبت به خشونت و رنج دیگران در زندگی واقعی از بین ببرد.

«پیتر سینگر» دانشمند علوم سیاسی در مقاله‌ای که در سال ۲۰۱۲ برای انستیتو «بروکینگز» نوشت، جمله‌ای را از یک سرباز نیروهای ویژه نقل کرد که در تولید بازی «ارتش آمریکا ۳۶۰» نقش داشته است. این بازی برای استخدام و آموزش داوطلبان طراحی شده بود.

این سرباز گفته بود: «به محض اینکه یکی از شخصیت‌های بازی را از دست بدهی، فقط کافی است بازی را از اول شروع کنی. در زندگی واقعی، وقتی سربازت را از دست بدهی، یعنی سربازت را از دست داده‌ای. و بعد باید او را دفن کنی، بعدش هم باید به همسرش خبر بدهی».

در واقع، «ایون رایت» روزنامه‌نگار در کتابش با عنوان «نسل کشتار» نوشته است که سربازان «با فرهنگ بازی‌های ویدئویی، شوهای تلویزیونی واقع‌نما، و هرزه‌نگاری‌های اینترنتی، رابطه‌ای بسیار صمیمانه» دارند.

با این حال، جنگ در فضای واقعی، چیزی کاملا متفاوت به نظر می‌رسید.

«رایت» می‌نویسد: «چیزی که من مشاهده کردم این بود که بسیاری از آنها با سطوحی از معصومیت خود روبرو می‌شدند که شاید فکر نمی‌کردند واجد آن باشند. وقتی واقعا به سمت افراد گلوله شلیک می‌کردند، مخصوصا افراد بی‌گناه، و با این واقعیت روبرو می‌شدند، می‌دیدم که از پا در می‌آمدند. خشونت بازی‌ها آنها را برای این واقعیت آماده نکرده بود».

بنابراین بازی‌های ویدئویی ممکن است سربازان را درون خود غرق کند؛ و طعمی وسوسه‌انگیز از شکوه و هیجان میدان جنگ در دهانشان بیاندازد. اما این بازی‌ها آمادگی چندانی برای مواجهه با خطرهای واقعی در میدان جنگ به آنها عرضه نمی‌کند.

یکی از مصاحبه‌شوندگان به ما گفت: «وقتی واقعا به این فکر می‌کنم که دولت از این بازی‌ها به عنوان وسیله آموزشی استفاده می‌کند، خنده‌ام می‌گیرد. اما کمی هم حس اضطراب به من دست می‌دهد».

ایجاد روحیه‌ی نظامی در لشگر بازی‌کنندگان

بازی‌های ویدئویی خشن، فارغ از اینکه در نقش ابزارهای آموزشی چقدر تاثیرگذار هستند، قطعا می‌توانند ابزاری ارزشمند برای ارتباط ارتش با داوطلبان احتمالی باشند. این بازی‌ها، علاوه بر تاثیرگذاری بر تصمیم بازی‌کنندگان و ترغیب آنها به خدمت در ارتش، می‌توانند نقش ابزاری برای ترویج اهداف ژئوپلیتیک ارتش را هم بازی کنند.

«حمزه شعبان» روزنامه‌نگار، در مقاله‌ای که در سال ۲۰۱۳ برای نشریه «آتلانتیک» نوشت، توضیح داد که روابط ارتش با صنعت بازی‌سازی چقدر عمیق شده است، و چیزی را ایجاد کرده است که او نامش را یک «مجتمع نظامی-سرگرمی» گذاشته است. به گفته‌ی «شعبان»، بازی‌هایی که از دل این رابطه بیرون آمدند، و تصویری هیجان‌انگیز، ساده شده، و آسان از جنگ‌آوری را نشان دادند، بازی‌کنندگان را تشویق می‌کردند که امکان خدمت در ارتش را در نظر بگیرند.

در عین حال، بازی‌هایی همچون UrbanSim، Tactical Iraqi، و Frontlines: Fuel of War، به بازی‌کنندگان و داوطلبان بالقوه گفتمان جنگ‌آوری امروزی را آموزش می‌دهند. مأموریت‌ها در این بازی‌ها عبارت است از مبارزه با ستیزه‌جویان اسلامی، پیروزی بر گروه‌های احتمالا مخاصمه‌جو، و تاسیس جوامع طرفدار غرب و طرفدار دموکراسی. این بازی‌ها کاربران خود را با مبانی شورش و ضد شورش درگیر می‌کنند، خطرات دستگاه‌های انفجاری دست‌ساز را توضیح می‌دهند، و فواید نظامی پهپادهای مسلح را برجسته می‌سازند.

با این وجود، از نظر برخی سربازان فعلی و سابق که با ما گفتگو کردند، ارزش بازی‌های تیراندازی اول-شخص نهایتا چیزی بیش از ابزاری برای پروپاگاندا نبود.

یکی از این افراد گفت: «اینکه ما را با این بازی‌ها آموزش بدهند یکجور [فاجعه] است. هدفی که آمریکا با استفاده از این بازی‌ها دنبال می‌کند بطور کامل در کنترل این بازی‌ها نیست. بازی ممکن است راهی ارزان قیمت برای مشغول کردن ما باشد… ولی چندان قادر به «آموزش» نیست.»

یک سرباز دیگر اینگونه بازی‌ها را «بیش از هر چیز شبیه شستشوی مغزی» دانست.

او افزود: «اما واقعا باید احمق باشید که فریب این بازی‌ها را بخورید».

منبع: The Conversation/ Scott Nicholas Romaniuk and Tobias Burgers

بازیگران عرصه هوشمندی

هوش مصنوعی، شبکه‌های عصبی و یادگیری ماشینی چه کاری انجام می‌دهند؟

17 اسفند 1395

• حمیدرضا تائبی

• عصرشبکه

ماهنامه شبکه ۱۸۹

هر زمان یک برنامه کاربردی ادعا می‌کند به «فناوری هوش مصنوعی تجهیز شده است» احساس می‌کنیم در آینده قرار داریم. اما به‌راستی معنای این جمله چیست؟ اصطلاحات اعجاب‌انگیزی همچون هوش مصنوعی، یادگیری ماشینی، شبکه‌های عصبی و... دقیقاً چه کاری انجام می‌دهند؟ آیا این فناوری‌ها آن‌گونه که ادعا می‌شود، این پتانسیل را دارند تا عملکرد و کارایی برنامه‌های کاربردی را بهبود بخشند؟

گوگل و مایکروسافت به‌تازگی یادگیری مبتنی بر شبکه‌های عصبی را به برنامه‌های ترجمه خود اضافه کرده‌اند. گوگل گفته است از یادگیری ماشینی به‌منظور تهیه فهرستی از آهنگ‌های پیشنهادی استفاده می‌کند. Todoist می‌گوید از هوش مصنوعی به‌منظور مشخص کردن زمان پایان یافتن کارها استفاده می‌کند. Any.do ادعا کرده است بات مبتنی بر هوش مصنوعی این سایت قادر است یک سری از وظایف کاربران را خود انجام دهد. جالب آن‌که تمام این شرکت‌ها تنها در یک هفته این صحبت‌ها را مطرح کرده‌اند. در حالی که به نظر می‌رسد تعدادی از این گفته‌ها بیشتر تکنیک‌های تبلیغاتی هستند و شرکت‌ها سعی کرده‌اند، این‌گونه وانمود کنند که برنامه‌های ‌آن‌ها مورد علاقه طیف گسترده‌ای از کاربران قرار دارد. اما در بعضی موارد این فناوری‌ها تأثیرگذاری محسوس خود را نشان داده‌اند. هوش مصنوعی، یادگیری ماشینی و شبکه‌های عصبی همگی به توصیف راهکارهایی می‌پردازند که به کامپیوترها اجازه می‌دهند فعالیت‌های خود را به شکل پیشرفته‌تر و بر مبنای شرایط محیطی انجام دهد. در این بین تعدادی از توسعه‌دهندگان برنامه‌های کاربردی برای توصیف برنامه هوشمند خود به یک شکل از این اصطلاحات استفاده می‌کنند، اما واقعیت این است که این فناوری‌ها به طور کامل با یکدیگر متفاوت بوده و هر یک کارکرد خاص خود را دارند. ما در این مقاله سعی خواهیم کرد به بیانی ساده هر یک از این فناوری‌ها را مورد بررسی قرار دهیم.

شبکه‌های عصبی با تقلید از مغز انسان داده‌های پیچیده را تحلیل می‌کنند
(ANN) (سرنام Artificial Neural Networks) به گونه‌ای از شبکه‌های عصبی مصنوعی گفته می‌شود که رویکرد ویژه‌ای از مدل یادگیری را مورد استفاده قرار می‌دهند و از رویکرد سیناپس‌ها در مغز انسان الگوبرداری می‌کنند. رویکردهایی که در محاسبات‌ سنتی از آن‌ها استفاده می‌شود، به این شکل عمل می‌کنند که یک سری عبارات منطقی را برای انجام وظیفه‌ای مورد استفاده قرار می‌دهند. اما در شبکه‌های عصبی مجموعه‌ای از گره‌های شبکه (شبیه به سلول‌های عصبی عمل می‌کنند) و یال‌ها (Edges) که شبیه به سیناپس‌ها عمل می‌کنند برای پردازش داده‌ها مورد استفاده قرار می‌گیرند. ورودی‌ها به درون سامانه وارد شده، مورد پردازش قرار گرفته و یک سری خروجی را تولید می‌کنند. در ادامه، خروجی‌های تولید شده با داده‌های شناخته شده مورد مقایسه قرار می‌گیرد. 

---

مطلب پیشنهادی

سرمقاله ماهنامه شبکه ۱۹۰

فرصتی برای شکفتن

---

به طور مثال، در نظر دارید به یک کامپیوتر آموزش دهید یک سگ را در یک تصویر شناسایی کند. برای این کار میلیون‌ها تصویر از سگ‌های مختلف را به درون این شبکه وارد می‌کنید و سپس تصاویری که سامانه تشخیص داده‌ است شبیه به سگ‌ها هستند را دریافت می‌کنید. در این گام، عامل انسانی می‌تواند به شبکه عصبی اعلام دارد کدام‌یک از خروجی‌ها دقیقاً تصویر متعلق به یک سگ است. به این ترتیب، مسیرهایی که منتهی به تشخیص درست می‌شوند را روی یک شبکه عصبی مصنوعی تقویت می‌کنید. با تکرار این پروسه به دفعات، شبکه عصبی مصنوعی به اندازه‌ای مهارت پیدا می‌کند که قادر خواهد بود تصویر متعلق به سگ‌ها را با دقیق‌ترین جزییات شناسایی کند. برای آن‌که از نزدیک با شیوه کارکرد این شبکه‌ها آشنا شوید، پیشنهاد می‌کنم سرویس Quick Draw گوگل را مورد آزمایش قرار دهید. 
در این پروژه مطالعاتی گوگل به شبکه‌ای عصبی یاد می‌دهد تصاویری که مردم ترسیم می‌کنند را شناسایی کند. به طور مثال، در شکل‌های 1 و 2 شبکه عصبی موفق شد، شکل ترسیمی را شناسایی کرده و به کاربر بگوید (به شکل صوتی) این تصویر یک گربه است. حتی اگر مهارت‌های شما در رسم تصاویر ضعیف باشد، این شبکه عصبی باز هم قادر است تصاویر را تشخیص دهد. با وجود این، شبکه‌های عصبی مصنوعی را نمی‌توان برای حل تمام مشکلات مورد استفاده قرار داد. اما زمانی که با داده‌های پیچیده‌ای سروکار دارید، آن‌ها بهترین گزینه هستند. با توجه به این‌که فرآیند ترجمه متون کار تخصصی و سختی به شمار می‌رود، گوگل و مایکروسافت از این رویکرد قدرتمند در ارتباط با برنامه‌های ترجمه خود استفاده کرده و نتایج خوبی نیز به دست آورده‌اند. همه ما تا به امروز ترجمه‌های ضعیف بسیاری را مشاهده کرده‌ایم، اما شبکه‌های یادگیری عمیق عصبی به یک سامانه اجازه می‌دهند به‌مرور زمان از ترجمه‌های صحیحی که انجام داده است نکات بیشتری را یاد بگیرد.

شکل 1 - یک تصویر ابتدایی که توسط عامل انسانی رسم شده است.

مشابه چنین رویکردی در ارتباط با تشخیص گفتار نیز وجود دارد. زمانی که گوگل شبکه‌های عمیق عصبی را به سرویس صوتی خود Google Voice اضافه کرد، نرخ اشتباهات این برنامه به میزان 49 درصد کم شد. البته این قابلیت هیچ‌گاه کامل نخواهد بود، اما به‌مرور زمان ویژگی‌های عصبی بیشتری به موازات این دستاورد به برنامه‌ها افزوده خواهد شد. به هر ترتیب، با استفاده از رویکرد یادگیری مبتنی بر شبکه‌های عمیق عصبی، تحلیل داده‌های پیچیده‌تر روزبه‌روز پیشرفت خواهد کرد، به طوری که ویژگی‌های طبیعی‌تری به برنامه‌های کاربردی اضافه خواهد شد. 

یادگیری ماشینی با رویکرد تمرین بیشتر باعث پیشرفت کامپیوترها می‌شود
یادگیری ماشینی یکی از پراستفاده‌ترین اصطلاحاتی است که این روزها آن ‌را مشاهده می‌کنید. هرگونه تلاشی که درنهایت به یک کامپیوتر اجازه دهد به شکلی مستقل و پیشرفته کارهای خود را انجام دهد، در زمره دستاوردهای این شاخه قرار می‌گیرد. اگر در نظر داشته باشیم این اصطلاح را به شکل تخصصی‌تری توصیف کنیم، باید بگوییم یادگیری ماشینی به سامانه‌هایی اشاره دارد که در آن عملکرد یک ماشین در انجام یک وظیفه منحصراً بر پایه تجربیاتی است که از اجرای همان وظیفه به دست آورده و بهبود پیدا کرده است. شبکه‌های عصبی مثالی از یادگیری ماشینی هستند. اما این فناوری را به اشکال مختلفی می‌توان پیاده‌سازی کرد. یکی دیگر از زیرشاخه‌های یادگیری ماشینی که این روزها به‌کرات شاهد آن هستیم، یادگیری تقویتی (Reinforcement Learning) است. در یادگیری تقویتی، کامپیوتر وظیفه‌ای را انجام داده و در ادامه نتایج مورد بررسی قرار می‌گیرد. بازی شطرنج مثال خوبی در این زمینه است. یک کامپیوتر یک بازی شطرنج را به طور کامل انجام می‌دهد و درنهایت یا برنده بازی می‌شود یا در بازی شکست می‌خورد. اگر کامپیوتر برنده این بازی باشد، به مجموعه حرکاتی که در طول بازی انجام داده و به پیروزی کامپیوتر منجر شده‌اند، یک امتیاز مثبت تخصیص داده می‌شود. 

شکل 2 - شبکه عصبی تصویر را شناسایی می‌کند و اعلام می‌دارد که یک گربه است.

در ادامه، بعد از آن‌که میلیون‌‌ها بار این بازی را انجام داد، سامانه بر مبنای نتایجی که در این مدت به دست آورده است می‌تواند تشخیص دهد که چه حرکاتی احتمال برد او را در بازی‌ها بیشتر می‌کنند. در شرایطی که شبکه‌های عصبی برای انجام کارهایی همچون تشخیص الگوها در تصاویر کارکرد خوبی دارند، اما در مقابل مدل‌های دیگر یادگیری ماشینی می‌توانند به‌منظور انجام یک سری وظایف خاص به صورت بهینه‌سازی شده مورد استفاده قرار ‌گیرند. گوگل در این ارتباط گفته است: «برنامه موسیقی به این شکل عمل می‌کند که قطعه مورد علاقه شما را پیدا می‌کند و هر زمان شما اراده کنید که به موسیقی گوش فرا دهید آن قطعه را برای شما پخش می‌کند.» 
این برنامه بر مبنای الگوی رفتاری شما کار کرده و فهرستی را منطبق با علایق شما آماده می‌کند. اگر شما از قطعه‌ای که برایتان انتخاب شده است راضی نباشید، به منزله آن است که سیستم شکست خورده است. با این حال، اگر هریک از قطعات موسیقی انتخابی را قبول کنید، سیستم این نتیجه مثبت را ثبت کرده و رویکردهایی که درنهایت به‌منظور ساخت یک فهرست شخصی مورد استفاده قرار می‌گیرند را تقویت می‌کند. به طور مثال، اگر برای اولین بار برنامه موسیقی گوگل را باز کنید، با پیشنهادات درهم و برهمی روبه‌رو می‌شود. اما هرچه بیشتر از این برنامه استفاده کنید پیشنهادات هدفمندتر و دقیق‌تری را مشاهده خواهید کرد. این رویکرد دقیقاً در ارتباط با یوتیوب نیز صدق می‌کند. کافی است با حساب کاربری خود وارد یوتیوب شوید و به جست‌وجو بپردازید. در زمان‌های بعد مشاهده خواهید کرد یوتیوب فهرست‌هایی را در اختیار شما قرار می‌دهد که در تشابه نزدیکی با علایق شما قرار دارند. با وجود‌ این باز هم یادگیری ماشینی را در همه امور نمی‌توان مورد استفاده قرار داد و ممکن است در بعضی موارد یک سری ناهمگونی‌هایی را مشاهده کنید. 
به طور مثال، اگر هر 6 ماه یک بار از برنامه موسیقی گوگل استفاده کنید، پیشنهاداتی که ارائه می‌شوند هیچ‌گاه باب میل شما نخواهند بود. به عبارت دقیق‌تر، این رویکرد تنها زمانی دقیق و درست عمل می‌کند که شما به دفعات از آن استفاده کنید. 
به هر ترتیب، یادگیری ماشینی به عنوان یکی از پرکاربردترین اصطلاحات روز دنیای فناوری نکات مبهم بسیاری در مقایسه با شبکه‌های عصبی دارد. ولی نشان داده است، اگر از نرم‌افزاری استفاده کنید و بازخوردهای مرتب و منظمی را در اختیار آن برنامه قرار دهید، به‌مرور زمان شاهد بهبود عملکرد آن برنامه خواهید بود.

هوش مصنوعی به هر شی‌ء هوشمند اطلاق می‌شود
دقیقاً مشابه با شبکه‌های عصبی که شکلی از یادگیری ماشینی هستند، یادگیری ماشینی خود شکلی از هوش مصنوعی است. با وجود این، گروه‌بندی‌های دیگری نیز در زیر شاخه هوش مصنوعی قرار می‌گیرند، اما آن‌گونه که باید و شاید مورد توجه نیستند، به طوری که در ارتباط با بعضی از این گروه‌ها ارائه یک تعریف واحد کمی بی‌معنا به نظر می‌رسد. در حالی که در تعدادی از فیلم‌های علمی و تخیلی یک سری تصورات ذهنی را مشاهده می‌کنیم. اما واقعیت این است که در بعضی از حوزه‌های هوش مصنوعی به اندازه‌ای از پیشرفت‌ دست پیدا کرده‌ایم که تا همین چند سال پیش تقریباً تصور آن‌ را هم نمی‌کردیم. به طور مثال، نویسه‌خوانی نوری (OCR) (سرنام Optical Character Recognition) از جمله نقاط عطف هوش مصنوعی به شمار می‌رود. این فناوری در شرایطی این روزها به سهولت در اختیار ما قرار دارد که تا چند سال پیش اگر در نظر داشتید این فناوری را در اختیار داشته باشید، باید هزینه سنگینی پرداخت می‌کردید. امروزه ابتدایی‌ترین گوشی‌ها نیز قادر هستند یک سند را اسکن و آن ‌را به متن تبدیل کنند. این فناوری به اندازه‌ای پیشرفت کرده است که به‌راحتی می‌توانید گوشی خود را روی یک تصویری که به طور مثال لغات فرانسوی در آن قرار دارد نگه داشته و برنامه به طور هم‌زمان کلمات را شناسایی و آ‌ن‌ها را به زبان مورد نظر شما ترجمه می‌کند. این فناوری دیگر هیجان‌برانگیز تلقی نمی‌شود و بیشتر به عنوان یکی از وظایف ابتدایی هوش مصنوعی از آن نام برده می‌شود. دلیل این‌که چنین کار ساده‌ای در مجموعه هوش مصنوعی قرار می‌گیرد به این دلیل است که ما دو رویکرد کلی ضعیف (Weak or narrow) و قوی (Strong) را در حوزه هوش مصنوعی داریم. ضعیف در حوزه هوش مصنوعی اشاره به سامانه‌هایی دارد که برای انجام یک یا چند وظیفه خاص طراحی شده‌اند. به طور مثال، سیری اپل و Google Assistant دو برنامه کاملاً قدرتمند هستند، با وجود این در این گروه قرار می‌گیرند به دلیل این‌که دامنه فعالیت‌های آن‌ها به یک سری دستورات صوتی و پاسخ دادن به آن‌ها محدود می‌شود. در حالی که تحقیقات گسترده‌ای برای پیاده‌سازی چنین قابلیت‌هایی از سوی گوگل و اپل انجام شده است، اما باز هم به این چنین برنامه‌هایی در حوزه هوش مصنوعی weak گفته می‌شود. 

واقعیت این است که در بعضی از حوزه‌های هوش مصنوعی به اندازه‌ای از پیشرفت‌ دست پیدا کرده‌ایم که تا همین چند سال پیش تقریباً تصور آن‌ را هم نمی‌کردیم.

قوی در مقابل ضعیف قرار دارد. واژه قوی اشاره به هوش مصنوعی عمومی (AGI) (سرنام Artificial General Intelligence) دارد. در بعضی منابع از واژه هوش مصنوعی کامل (full AI) نیز استفاده می‌شود. این سامانه‌ها قادر هستند همانند انسان‌ها هر وظیفه‌ای را انجام دهند و همان‌ گونه که در مقاله شماره قبل «همزیستی مستقل انسان و هوش مصنوعی» به آن اشاره کردیم، هنوز چنین سامانه‌هایی ساخته نشده‌اند. در نتیجه نباید در آینده نزدیک در انتظار روبات‌های هوشمندی همچون Alan Tudky باشید که بتوانند تمام کارهای روزمره زندگی را انجام دهند. از آن‌جا که تقریباً تمام سامانه‌های هوشمندی که از آن‌ها استفاده می‌کنید در رده weak AI قرار دارند، هر زمان عبارت هوش مصنوعی را در ارتباط با یک برنامه مشاهده کردید، بدانید که منظور این است که برنامه فوق فقط هوشمند است. این احتمال وجود دارد که جملات یا پیشنهادهای جالب توجهی را در این ارتباط مشاهده کنید، اما باید این واقعیت را بدانید که هنوز هیچ‌یک از این برنامه‌ها قادر نیستند با هوش انسانی رقابت کنند. 

دقیقاً مشابه با شبکه‌های عصبی که شکلی از یادگیری ماشینی هستند، یادگیری ماشینی خود شکلی از هوش مصنوعی است

در شرایطی که معناشناسی این اصطلاحات کمی پیچیده است، اما در مقابل پژوهش‌های علمی و دستاوردهایی که در حوزه هوش مصنوعی به دست آمده کارایی خود را به‌خوبی نشان داده‌اند. به طوری که امروزه در زندگی روزمره خود تأثیرات این پژوهش‌ها را مشاهده می‌کنیم. به طور مثال، هر زمان گوشی هوشمند شما مکانی که خودروی خود را در آن‌جا پارک کرده‌اید را به شما یادآوری می‌کند، چهره‌هایی را درون تصاویر مختلف شناسایی می‌کند یا در هنگام جست‌وجوی معمول نتایج مشابهی را به شما نشان می‌دهد یا قادر است تصاویر مربوط به سفرهای مختلف را به شکل دقیقی برچسب‌گذاری و طبقه‌بندی کند در تمام این موارد به طور مستقیم و غیر مستقیم از هوش مصنوعی استفاده کرده‌اید. تا حدی می‌توانیم تعریف هوش مصنوعی را به معنای هوشمندتر کردن برنامه‌های کاربردی بسط دهیم. رویکردی که همه ما به دنبال آن هستیم. این هوشمندی در شرایطی است که یادگیری ماشینی و به‌ پیروی آن شبکه‌های عمیق عصبی به شکل منحصر به فردی به منظور انجام یک سری از وظایف آن هم به شکلی ایده‌آل مناسب هستند.

اما به این نکته توجه داشته باشید زمانی که یک برنامه اعلام می‌دارد که از هوش مصنوعی استفاده می‌کند این حرف کمتر به معنای آن است که این برنامه از یادگیری ماشینی استفاده می‌کند. همین موضوع در ارتباط با شبکه‌های عصبی نیز صادق است. گفتن این حرف که یک برنامه از یادگیری ماشینی به منظور انجام بهتر کارها استفاده می‌کند، تقریباً شبیه به گفتن این جمله است که یک دوربین بهتر است، به این دلیل ‌که دیجیتالی است؛ بله دوربین‌های دیجیتالی برای انجام بعضی از کارها بهتر از دوربین‌های نگاتیو قدیمی هستند، اما این حرف لزوماً به معنای آن نیست که هر عکس دیجیتالی بهتر از یک عکس آنالوگ خواهد بود. به عبارت دیگر، خوب بودن هرچیز به طرز استفاده از آن وسیله بستگی دارد. تعدادی از شرکت‌ها این توانایی را دارند تا شبکه‌های عصبی قدرتمندی را توسعه دهند که به‌خوبی قادر به انجام وظایف پیچیده هستند، به طوری که زندگی بهتری را برای ما به ارمغان می‌آورند.

اما تعداد دیگری از این شرکت‌ها تنها یک برچسب یادگیری ماشینی روی محصولات خود قرار می‌دهند. در حالی که در عمل محصول آن‌ها همان کاری که در گذشته انجام می‌داده است را بدون هیچ‌گونه تغییری انجام می‌دهد. اما بدون شک در پشت صحنه، یادگیری ماشینی و شبکه‌های عصبی فناوری‌های هیجان‌برانگیزی هستند. با وجود این به این نکته توجه داشته باشید، هر زمان در توضیحات یک برنامه چنین اصطلاحاتی را مشاهده کردید، این حرف به معنای آن است که این برنامه‌ها احتمالاً کمی هوشمندتر است. در نتیجه همانند گذشته، ابتدا یک برنامه را مورد استفاده قرار دهید و بررسی کنید که این برنامه تا چه اندازه برای شما مفید بوده است، آن‌گاه درباره آن قضاوت کنید.

---

==============================

شاید به این مقالات هم علاقمند باشید:

سامسونگ اینترنت 5G فوق‌سریع را به لندن می‌برد

سخنرانی بیل گیتس درباره بیماری‌های فراگیر، بهداشت جهانی و حملات بیولوژیکی

آینده دنیای امنیت را به دستان پرتوان هوش مصنوعی بسپاریم

گوگل در حال آزمایش تماس صوتی روی LTE است

انسان‌ها و هوش مصنوعی همزیستی مستقل را تجربه خواهند کرد

راه‌حل دانشجوی ۱۹ ساله برای بزرگ‌ترین مشکل کنونی وب + لینک دانلود

اندروید لقب آسیب‌پذیرترین محصول سال 2016 را از آن خود کرد

چگونه می‌توانیم یک توسعه‌دهنده اینترنت اشیا شویم؟

---

برچسب: 

• هوش مصنوعی - یادگیری ماشینی - شبکه عصبی - گوگل