هوش مصنوعی هرچند که اخیرا و پس از ظهور Chat GPT بر سر زبان عموم مردم افتاد اما تاریخچه‌ای طولانی دارد. هوش مصنوعی در طی دهه‌های گذشته از یک مفهوم نظری به یک فناوری تحول آفرین تبدیل شده است که جهان ما را دگرگون خواهد کرد. در این مقاله به تاریخچه هوش مصنوعی می‌پردازیم و روند تکامل آن را با هم بررسی می‌کنیم.
هوش مصنوعی در دوران باستان
اگر واقعا بخواهیم تاریخچه تلاش‌های هوش مصنوعی را دنبال کنیم باید به دوران باستان برگردیم. شاید عجیب به نظر برسد اما هزاران سال پیش اسطوره‌های باستانی در فرهنگ‌‌های مختلف، نسبت به انسان‌های مکانیکی و رباتهای هوشمند آگاهی داشتند. در واقع در اندیشه‌ها و باورهای آنها ردی از موجودی مصنوعی که به دست انسان خلق می‌شود و همانند انسان عمل می‌کند دیده می‌شود.
در اساطیر یونانی، هفائستوس، خدای آهنگران، موجوداتی خودکار می‌سازد که به او و دیگران خدمت می‌کنند. به عنوان مثال کنیزانی از جنس طلا که زنده هستند و دارای فهم هستند به خوبی در آثار هومر وجود دارد. در واقع به نظر می‌رسد بشر از ابتدا به این موضوع که خودش یک موجودی خلق کند بوده است. احتمالا همان اندیشه‌ها منجر به این شده است که ما امروز هوش مصنوعی داریم.
هوش مصنوعی در دوران مدرن
اندیشه‌های کهن در نهایت در دنیای مدرن به تلاش‌هایی تبدیل شد که در کمتر از ۷۰ سال یک ایده را به یکی از مهمترین اتفاقات جهان تبدیل کرد.
آغاز هوش مصنوعی: دهه 1950
اولین تلاش‌ها در تاریخ برای هوش مصنوعی به دهه ۱۹۵۰ بر می‌گردد. در این دهه، ماشین‌های محاسباتی اساساً به عنوان ماشین حساب در مقیاس بزرگ عمل می کردند. در واقع، هنگامی که سازمان‌هایی مانند ناسا به پاسخ به محاسبات خاص نیاز داشتند، مانند مسیر پرتاب موشک، به طور منظم به «رایانه‌های» انسانی یا تیم‌هایی از زنان که وظیفه حل آن معادلات پیچیده را دارند، روی می‌آورند. (برای آشنا شدن با فضای آن دوران می‌توانید فیلم Hidden Figures را مشاهده کنید، هرچند که فیلم در دهه ۱۹۶۰ است اما به شما دید خوبی می‌دهد که در محاسبات ریاضی پیچیده در دوران پیش از کامپیوتر چگونه انجام می‌شده است.)
آلن تورینگ، پدر هوش مصنوعی
مدت‌ها پیش از اینکه ماشین‌های محاسباتی به کامپیوتر‌های مدرن امروزی تبدیل شوند، یک ریاضیدان و دانشمند کامپیوتر موضوع هوش مصنوعی را در سر پروراند و همین موضوع جرقه‌ای برای انقلاب هوش مصنوعی بود. این شخص کسی نیست جز آلن تورینگ
آلن تورینگ بدون شک یکی از مهمترین شخصت‌های جهان است. شاید با شخصیت او در فیلم The Imitation Game یا بازی تقلید آشنا شده باشید. عصر مدرن هوش مصنوعی با آلن تورینگ ریاضیدان و منطق‌دان بریتانیایی آغاز شد. در آن دوران که قدرت محاسباتی هنوز تا حد زیادی به مغز انسان وابسته بود، تورینگ ماشینی را تصور می‌کرد که می‌توانست فراتر از برنامه‌ریزی اولیه‌اش عمل کند.
در سال 1950، تورینگ مقاله مهمی با عنوان “ماشین‌های محاسباتی و هوش” منتشر کرد که در آن تست تورینگ را پیشنهاد کرد. هدف این آزمایش این اس که بفهمد آیا یک ماشین می‌تواند به گونه‌ایی هوشمندانه رفتار کند که با انسان اشتباه گرفته شود؟ همین ایده بود که زمینه ساز فعالیت‌ها و پژوهش‌های بسیاری در زمینه هوش منصوعی شد.
کنفرانس دارتموث، لحظه تولد رشته هوش مصنوعی
در تابستان سال 1956، جان مک کارتی، استاد ریاضیات دارتموث، گروه کوچکی از محققان را از رشته‌های مختلف را دعوت کرد تا در یک کارگاه تابستانی با تمرکز بر بررسی امکان «ماشین‌های تفکر» شرکت کنند.
این گروه معتقد بودند «هر جنبه از یادگیری یا هر ویژگی دیگری از هوش در اصل می‌تواند به قدری دقیق توصیف شود که بتوان ماشینی برای شبیه‌سازی آن ساخت». با توجه به صحبت ها و کارهایی که در تابستان انجام دادند، تا حد زیادی به آنها اعتبار داده می شود که حوزه هوش مصنوعی را پایه گذاری کنند.
در کنفرانس تابستانی دارتموث که تنها دو سال پس از مرگ آلن تورینگ برگزار می‌شد مک کارتی اصطلاحی را در نظر گرفت که می‌تواند عملکرد ماشین‌های شبیه انسان را تعریف کند. او در بیان هدف کارگاه در آن تابستان، آن را با استفاده از اصطلاحی که برای همیشه با آن شناخته می‌شود، یعنی «هوش مصنوعی» توصیف کرد. این لحظه را می‌توان لحظه تولد هوش مصنوعی در نظر گرفت.
اولین برنامه‌ها و روش‌های هوش مصنوعی
استدلال خودکار ( Logic Theorist) و حل المسائل عمومی
یکی از اولین برنامه‌های هوش مصنوعی، استدلال خودکار بود که توسط آلن نیوول و هربرت آ. سیمون در سال 1955( یک سال قبل از کنفرانس دارتموث) توسعه یافت. این برنامه قادر به اثبات قضایای ریاضی بود و اولین برنامه هوش مصنوعی محسوب می‌شود. با تکیه بر این موفقیت، نیوول و سایمون در سال 1957 حلال مسائل عمومی (GPS) را توسعه دادند که برای حل طیف گسترده‌ای از مسائل با استفاده از تکنیک‌های اکتشافی طراحی شده بود.
LISP و هوش مصنوعی نمادین
در سال 1958، جان مک کارتی زبان برنامه‌نویسی لیسپ (LISP) را برای تحقیقات هوش مصنوعی را توسعه داد. لیسپ به زبان غالب برنامه‌نویسی هوش مصنوعی تبدیل شد و محققان را قادر سازد تا هوش مصنوعی نمادین بپردازند. هوش مصنوعی نمادین یا Symbolic AI روشی در هوش مصنوعی است که از قوانین منطقی و نمادها برای نمایش و پردازش اطلاعات استفاده می‌کند.
این سیستم‌ها اطلاعات را به صورت قابل فهم برای انسان‌ها مدل‌سازی کرده و با استفاده از قواعد منطقی به استدلال و حل مسائل می‌پردازند. کاربردهای این روش شامل تشخیص پزشکی و بازی شطرنج است.
بسترسازی و اقدامات اولیه در مسیر هوش مصنوعی: دهه ۱۹۶۰ و ۱۹۷۰
کنفرانس دارتموث شور خاصی ایجاد کرد و طی دو دهه بعد، با نشانه‌های اولیه پیشرفت در قالب یک چت‌بات واقع گرایانه و سایر اختراعات و دستاورد‌ها در این حوزه، افزایش یافت. در تاریخچه فناوری هوش مصنوعی، دهه‌های ۱۹۶۰و ۱۹۷۰ میلادی دوران بسیار مهم و تاثیرگذاری هستند. دستاوردهای این دهه نقش مهمی در توسعه این فناوری داشته است. در ادامه به برخی از اتفاقات مهم در این دهه می‌پردازیم.
الیزا وارد می‌شود.
در بین سال‌های ۱۹۶۴ تا ۱۹۶۶، جوزف ویزنیام، دانشمند علوم کامپیوتر در آزمایشگاه هوش مصنوعی دانشگاه MIT، الیزا (ELIZA) را خلق کرد. الیزرا را می‌توان به عنوان اولین تجربه در پردازش زبان طبیعی و اولین چت‌بات جهان در نظر گرفت. الیزا در آن دوران بسیار سروصدا کرد و توجه همگان را برانگیخت. برای بسیاری از افراد که الیزا را دیده بودند، باور کردن این موضوع که الیزا یک انسان نیست سخت بوده است.
تصویر بالا گفتگوی یک انسان با چت‌بات الیزا را نشان می‌دهد.
ربات شیکی (Shakey the Robot)
بین سال‌های 1966 و 1972، مرکز هوش مصنوعی در ابتکار تحقیقات استنفورد،ربات شیکی یا Shakey the Robot را توسعه داد، یک سیستم روبات متحرک مجهز به حسگرها و یک دوربین تلویزیونی، که از آن برای حرکت در محیط‌های مختلف استفاده می‌کرد. طبق مقاله‌ای که SRI بعداً منتشر شد، هدف از ایجاد Shakey، «توسعه مفاهیم و تکنیک‌هایی در هوش مصنوعی [که به یک خودکار امکان می‌داد در محیط‌های واقع‌گرایانه مستقل عمل کند» بود.
در حالی که توانایی‌های شیکی در مقایسه با پیشرفت‌های امروزی تقریبا هیچ است، اما این ربات به پیشرفت هوش مصنوعی کمک بسیار بزرگی کرد.
سیستم های خبره
کلمه سیستم‌های خبره را شاید زیاد شنیده باشید. این کلمه حدود ۵۰ سال قدمت دارد. دهه 1970 شاهد ظهور سیستم‌های خبره بود که از رویکردهای مبتنی بر دانش برای حل مشکلات پیچیده در حوزه‌های خاص استفاده می کردند. یکی از اولین سیستم‌های خبره MYCIN بود که در دانشگاه استنفورد توسعه یافت. MYCIN می‌توانست عفونت‌های باکتریایی را تشخیص دهد و حتی درمان‌هایی را توصیه کند.
انجمن هوش مصنوعی آمریکا تاسیس شد
پس از کنفرانس دارتموث در دهه 1950، تحقیقات هوش مصنوعی در موسسات معتبری مانند MIT، استنفورد و کارنگی ملون کم کم شروع شدند. افراد کلیدی و مهم در آن دوران به فرصت‌هایی برای به اشتراک گذاشتن اطلاعات، ایده‌ها و اکتشافات نیاز داشتند. به همین منظور، کنفرانس مشترک بین‌المللی هوش مصنوعی در سال 1977 و بار دیگر در سال 1979 برگزار شد، اما جامعه منسجم‌تری هنوز به وجود نیامده بود.
انجمن هوش مصنوعی آمریکا در دهه 1980 برای پر کردن این شکاف شکل گرفت. تمرکز این سازمان بر ایجاد یک ژورنال در این زمینه، برگزاری کارگاه‌های آموزشی و برنامه‌ریزی کنفرانس سالانه بود.
این انجمن به انجمن پیشرفت هوش مصنوعی (Association for the Advancement of Artificial Intelligence) تبدیل شده است و به پیشبرد درک علمی مکانیسم‌های زیربنایی تفکر و رفتار هوشمند و تجسم آنها در ماشین ها اختصاص دارد.
زمستان‌‌های هوش مصنوعی
تاریخ هوش مصنوعی همیشه زیبا و بهاری نبوده است. هوش مصنوعی نه تنها پاییز و خزانی داشته، بلکه دو زمستان نیز داشته است. زمستان هوش مصنوعی توصیفی برای سال‌هایی است که امید به این فناوری کاسته شد و سرمایه گذاری‌ها هم کمتر شد. تا به امروز دو زمستان هوش مصنوعی داشته ایم ( آیا سومی هم وجود خواهد داشت؟)
اولین زمستان هوش مصنوعی (1974-1980)
اولین زمستان هوش مصنوعی در اواخر دهه ۱۹۶۰ و اوایل دهه ۱۹۷۰ رخ داد. در این دوره، پس از یک موج اولیه از هیجان و سرمایه‌گذاری در تحقیقات هوش مصنوعی، انتظارات بالا برای توسعه سیستم‌های هوشمند پیشرفته محقق نشدند. مشکلاتی مانند محدودیت‌های محاسباتی، ناکارآمدی الگوریتم‌ها، و عدم توانایی در پردازش زبان طبیعی و استدلال پیچیده ناامیدی‌های بسیاری را دنیای هوش مصنوعی تزریق کرد. گزارش‌های منتقدانه‌ای مانند گزارش لایت‌هیل در سال ۱۹۷۳ که بر محدودیت‌های هوش مصنوعی در آن دوران تأکید داشت، موجب کاهش بودجه و حمایت‌های مالی شد. او ادعا کرد که محققان اساساً در مورد هوش بالقوه ماشین‌ها بیش از حد وعده داده‌اند و کمتر ارائه کرده‌اند.
اما این زمستان هم دیری نپایید. ظهور چندین پیشرفت و تغییر در روش‌های تحقیقاتی موج امیدی را به جامعه هوش مصنوعی برگرداند. پیشرفت‌هایی که MYCIN و DENDRAL نیز نشان دادند بسیار تاثیرگذار بود. در این دوره سرمایه‌گذاری‌های جدیدی از سوی صنایع و دولت‌ها نیز در این حوزه انجام شد تا مجدد دوران رشد و شکوفایی فرا برسد.
هیجان شکل گیری هوش مصنوعی مدرن: دهه ۱۹۸۰ و ۱۹۹۰
پس از زمستان هوش مصنوعی، دوباره بهار رسید. در این دوران که از اواخر دهه ۱۹۸۰ شروع شد، دستاوردهای بسیار هیجان انگیزی در حوزه هوش منصوعی بدست آمد که به هوش مصنوعی‌ای که ما امروز در ذهن داریم بسیار نزدیک هستند(هر چند که یک زمستان دیگر هم در این وسط وجود دارد). به همین دلیل شاید این دوران را دوران شکل‌گیری هوش مصنوعی مدرن باید بنامیم. در ادامه برخی از این دستاورد‌ها را بررسی می‌کنیم.
اولین ماشین بدون راننده
ماشین‌های خودران که امروزه به دنبال آن هستیم سابقه‌ی طولانی دارند. ارنست دیکمان، دانشمندی که در آلمان کار می‌کرد، اولین خودروی خودران جهان را در سال 1986 اختراع کرد. این خودرو از نظر فنی یک ون مرسدس بنز بود که به یک سیستم کامپیوتری و سنسورهایی برای خواندن محیط مجهز بود، این وسیله نقلیه فقط می‌توانست در جاده‌های بدون خودرو حرکت کند.
تجاری سازی هوش مصنوعی
موفقیت سیستم های خبره در دهه 1980 منجر به افزایش سرمایه گذاری و علاقه دنیای تجارت شد. در این دوران شرکت‌ها کم کم توانایی و پتانسیل هوش مصنوعی را درک کردند. شرکت‌هایی مانند IBM، DEC و زیراکس در خط مقدم این موج تجاری سازی هوش مصنوعی بودند. ابزارهای هوش مصنوعی در صنایع مختلف از جمله امور مالی و تولید بکار گرفته‌شدند.
دومین زمستان هوش مصنوعی (1987-1993)
باز هم زمستانی دیگر در پیش بود. دومین زمستان هوش مصنوعی در اواخر دهه 1980 به دلیل هزینه بالا و قابلیت های محدود سیستم‌های خبره رخ داد. بسیاری از پروژه های هوش مصنوعی رها شدند و سرمایه‌گذاری‌‌ها بار دیگر کاهش یافت. با این حال، این دوره همچنین شاهد توسعه تکنیک ها و رویکردهای جدیدی بود که بعدها این رشته را احیا کرد.
شبکه‌های عصبی به صحنه باز می‌گردند
تاریخچه شبکه‌های عصبی به دهه ۱۹۶۰ باز می‌گردد اما از اواخر دهه ۱۸۸۰ و اوایل ۱۹۹۰ دوباره توجهات به این سمت کشیده شد. رایج شدن الگوریتم پس انتشار توسط دیوید روملهارت، جفری هینتون ( کمی جلوتر در مورد او بیشتر می‌خوانیم) و رونالد ویلیامز در سال 1986 تحقیقات شبکه عصبی را احیا کرد. این الگوریتم آموزش شبکه‌های عصبی چند لایه را قادر می‌سازد تا بر محدودیت های قبلی غلبه کند. همچنین پیشرفت در قدرت محاسباتی نیز در این مسیر بسیار تاثیرگذار بود.
توسعه یادگیری ماشین در دهه ۱۹۹۰
در دهه ۱۹۹۰ یادگیری ماشین به کانون توجهات تبدیل شده بود. برخلاف سیستم‌های مبتنی بر قانون، الگوریتم‌های یادگیری ماشین به رایانه‌ها این امکان را می‌داد که از داده‌ها یاد بگیرند و عملکرد خود را در طول زمان بهبود بخشند. محبوبیت تکنیک‌هایی مانند درخت تصمیم و جنگل تصادفی و ماشین بردار پشتیبان و … در این دوران بسیار حائز اهمیت است.
Deep Blue و بازی بزرگ
در سال 1996، IBM سیستم کامپیوتری خود که Deep Blue نام داشت و در بازی شطرنج تخصص داشت را در مقابل قهرمان شطرنج جهان در آن زمان، گری کاسپاروف قرار داد و در یک مسابقه شش بازی انجام دادند. در آن سال، دیپ بلو تنها یکی از شش بازی را برد، اما سال بعد، در مسابقه برگشت همه مسابقات را پیروز شد. اینجا جهان حیرت زده بود.
دیپ بلو عملکرد هوش مصنوعی مولد امروزی را نداشت، اما می‌توانست اطلاعات را با سرعتی بسیار سریع‌تر از مغز انسان پردازش کند. در یک ثانیه، می تواند 200 میلیون حرکت احتمالی شطرنج را بررسی کند.
هوش مصنوعی در هزاره جدید: دوران رشد
با توجه مجدد به هوش مصنوعی، این زمینه از سال 2000 رشد قابل توجهی را تجربه کرد.
ربات کیسمت
هر چند که تحقیقات و پژوهش ها در مورد ربات کیسمت به سال ۱۹۹۷ بر می‌گردد اما این پروژه در سال 2000 به نتیجه رسید. این پروژه در آزمایشگاه هوش مصنوعی MIT ایجاد شد و توسط دکتر سینتیا بریزیل هدایت شد.
حسگرها، میکروفون و برنامه‌نویسی که «فرایندهای احساسات انسانی» را تشریح می‌کرد به ربات کمک کرد تا طیف وسیعی از احساسات را بخواند و تقلید کند. این ربات که ظاهری خیلی ابتدایی داشت به خوبی نشان داد که هوش مصنوعی دارد روز به روز به انسان نزدیک تر می‌شود.
مریخ نورد‌های ناسا
مریخ در سال 2004 بسیار نزدیکتر به زمین می‌چرخید، بنابراین ناسا با ارسال دو مریخ نورد به نام های Spirit و Opportunity به سیاره سرخ فرستاد. این دو مریخ نورد هر دو به هوش مصنوعی مجهز بودند که به آنها کمک می‌کرد تا از زمین‌های صخره‌ای مریخ عبور کنند و به‌جای تکیه بر کمک‌های انسانی، در لحظه تصمیم‌گیری کنند.
آی بی ام واتسون (IBM Watson)
سال‌ها پس از اینکه برنامه deep blue شرکت IBM موفق شد قهرمان شطرنج جهان را شکست دهد، این شرکت در سال 2011 یک سیستم رایانه‌ای رقابتی دیگر ایجاد کرد که به برنامه Jeopardy ( یک برنامه تلویزیونی پرسش سوال). واتسون دیپ‌کیو در پیش از شروع به کار، داده‌ها را از دایره‌المعارف‌ها و در سراسر اینترنت میگرفت. واتسون برای دریافت سوالات زبان طبیعی و پاسخ دادن به آن طراحی شده بود، که از آن برای شکست دادن دو تن از برجسته‌ترین قهرمانان نمایش، کن جنینگز و برد راتر استفاده کرد.
سیری و الکسا
اپل در طی یک ارائه در مورد محصول آیفون خود در سال 2011 یک ویژگی جدید را به نمایش گذاشت: دستیار مجازی به نام سیری. سه سال بعد، آمازون دستیار مجازی اختصاصی خود به نام الکسا را منتشر کرد. هر دو دارای قابلیت‌های پردازش زبان طبیعی بودند که می‌توانستند یک سوال گفتاری را بفهمند و با یک پاسخ پاسخ دهند.
با این حال، آنها همچنان دارای محدودیت هایی بودند. سیری و الکسا که به عنوان «سیستم‌های فرمان و کنترل» شناخته می‌شوند، به گونه‌ای برنامه‌ریزی شده‌اند که فهرستی طولانی از سؤالات را بفهمند، اما نمی‌توانند به هر چیزی که خارج از حوزه کاری آنها است پاسخ دهند.
هوش مصنوعی در زمینه الگوریتم‌ها و تکنیک‌ها تا اینجا دستاوردهای خوبی را کسب کرده بود. در هزاره جدید شاید مهمترین اتفاقات را بتوان به توسعه شبکه‌های عصبی عمیق در نظر گرفت. در واقع همانطور که گفتیم مفهوم شبکه‌های عصبی در دهه ۱۹۶۰ شکل گرفتند و در دهه ۱۹۸۰ توسعه یافتند اما در این دوران بود که همه چیز جدی شد. جفری هینتون در این قضیه نقش جدی داشت.
جفری هینتون و شبکه های عصبی
دانشمند علوم کامپیوتر جفری هینتون در حالی که در دهه 1970 بر روی دکترای خود کار می کرد، شروع به کاوش در مورد ایده شبکه‌های عصبی (سیستم هوش مصنوعی ساخته شده برای پردازش داده ها به روشی مشابه مغز انسان) کرد. اما تا سال 2012، زمانی که او و دو تن از دانشجویانش تحقیقات خود را در مسابقه ImageNet به نمایش گذاشتند، صنعت فناوری راه‌های پیشرفت شبکه های عصبی را دید.امروزه جفری هینتون را به عنوان پدرخوانده یادگیری عمیق می‌شناسند.
کار هینتون روی شبکه‌های عصبی و یادگیری عمیق برای فرآیندهای هوش مصنوعی مانند پردازش زبان طبیعی و تشخیص گفتار بسیار اساسی بوده است. هیجان پیرامون کار هینتون منجر به پیوستن او به گوگل در سال 2013 شد. او در نهایت در سال 2023 استعفا داد تا بتواند آزادانه‌تر در مورد خطرات ایجاد هوش مصنوعی عمومی صحبت کند.
توسعه سخت افزارهای هوش مصنوعی و داده
تمامی الگوریتم‌ها و ایده‌ها در مورد هوش مصنوعی تا زمانی که سخت افزار لازم برای پردازش آنها نباشد،امکان پذیر نبود. در واقع در سال ۱۹۹۹ بود که شرکت انویدیا نخستین GPU جهان را به ساخت. اما زمان زیادی برد تا متخصصین از این GPU برای پردازش‌های مخصوص هوش مصنوعی استفاده کنند. علاوه بر سخت افزار، روش‌های هوش مصنوعی به داده نیاز دارند. در این دوران بود که داده‌ها در حجم کلان در دسترس قرار گرفت.
اگر بخواهیم ساده بگوییم، شاید اگر موضوع داده و سخت افزار زودتر حل شده بود، خیلی سال‌ها قبل فناوری هوش مصنوعی دنیا را فتح می‌کرد.
AlphaGO
AlphaGO، یک برنامه هوش مصنوعی که توسط آزمایشگاه تحقیقاتی هوش مصنوعی Google DeepMind ایجاد شده است، در سال 2016 لی سدول، یکی از بهترین بازیکنان جهان در بازی باستانی GO را شکست داد.
AlphaGO ترکیبی از شبکه‌های عصبی و الگوریتم‌های جستجوی پیشرفته است و برای بازی Go با استفاده از روشی به نام یادگیری تقویتی آموزش دیده است که توانایی‌های آن را در میلیون‌ها بازی که علیه خودش انجام می‌دهد تقویت می‌کند. زمانی که سدول را شکست داد، ثابت کرد که هوش مصنوعی می تواند مشکلاتی را که زمانی حل نشدنی بود، حل کند.
سوفیا تابعیت عربستان را گرفت
یکی از اتفاقات هیجان انگیز جهان هوش مصنوعی، خلق ربات سوفیا بود. به لطف هوش مصنوعی و توانایی نوآورانه‌اش. برای ارتباط با انسان، سوفیا به یک پدیده جهانی تبدیل شد و مرتباً در برنامه‌های گفتگوی تلویزیونی، از جمله برنامه The Tonight Show ظاهر می‌شد.
اوضاع عجیب‌تر هم شد، عربستان سعودی در سال 2017 به سوفیا شهروندی اعطا کرد و او را به اولین موجود با هوش مصنوعی تبدیل کرد که این حق را به او داده شد. این اتفاق توجهات جهانی را به هوش مصنوعی جلب کرد. گویا واقعا همه چیز در حال جدی شدن است.
جهان هوش مصنوعی پس از ۲۰۲۰
افزایش هوش مصنوعی در سال‌های اخیر تا حد زیادی به لطف پیشرفت‌هایی در هوش مصنوعی مولد یا توانایی هوش مصنوعی برای تولید متن، تصویر و ویدیو در پاسخ به درخواست‌های متنی به وجود آمده است. برخلاف سیستم‌های گذشته که برای پاسخ به یک پرسش مجموعه کدگذاری شده بودند، هوش مصنوعی مولد همچنان از مطالب (اسناد، عکس‌ها و موارد دیگر) از سراسر اینترنت یاد می‌گیرد. این که امروز ما در نکست مایند صد‌ها ابزار هوش مصنوعی را معرفی می‌کنیم، به واسطه همین پیشرفت‌ها در حوزه هوش مصنوعی مولد است.
OpenAI مدل GPT-3 را می‌سازد.
شرکت تحقیقاتی هوش مصنوعی OpenAI یک ترانسفورماتور از پیش آموزش‌دیده مولد یا Generative Pre-trained Transformer ساخت (همان چیزی که به نام GPT می‌شناسیم) که پایه و اساس معماری برای مدل‌های زبان اولیه GPT-1 و GPT-2 شد که بر روی میلیاردها ورودی آموزش داده شدند. حتی با این مقدار یادگیری، توانایی آنها برای ایجاد پاسخ های متنی متمایز محدود بود.
در عوض، این مدل زبان بزرگ GPT-3 بود که در سال 2020 سر و صدای زیادی ایجاد کرد و نشان از پیشرفت بزرگی در هوش مصنوعی داشت. GPT-3 بر روی 175 میلیارد پارامتر آموزش داده شد که بسیار فراتر از 1.5 میلیارد پارامتری است که GPT-2 روی آنها آموزش داده شده بود.
DALL-E
DALL-E یک ساخته OpenAI که در سال 2021 منتشر شد، یک مدل متن به تصویر است. هنگامی که کاربران از DALL-E با استفاده از متن زبان طبیعی درخواست می کنند، برنامه با تولید تصاویر واقعی و قابل ویرایش پاسخ می دهد. اولین تکرار DALL-E از نسخه ای از مدل GPT-3 OpenAI استفاده کرد و بر روی 12 میلیارد پارامتر آموزش دید.
جهان در آستانه انفجار بزرگ: ChatGPT منتشر شد.
در سال 2022، شرکت OpenAI چت‌بات هوش مصنوعی ChatGPT را منتشر کرد که به لطف پایه GPT-3 که بر روی میلیاردها ورودی برای بهبود توانایی های پردازش زبان طبیعی خود آموزش داده شده بود، به شیوه ای بسیار واقعی تر از چت ربات های قبلی با کاربران تعامل داشت.
کاربران ChatGPT را برای پاسخ‌های متفاوتی از جمله کمک به کدنویسی یا رزومه نویسی یا انجام پژوهش درخواست می‌کنند. با این حال، برخلاف رباتهای چت قبلی، ChatGPT می‌تواند سؤالات بعدی بپرسد و درخواست‌های نامناسب را تشخیص دهد.
هوش مصنوعی مولد رشد می کند.
سال 2023 از نظر هوش مصنوعی مولد یک سال عطف بود. نه تنها شرکت OpenAI نسخه بعدی یعنی GPT-4.0 را منتشر کرد، بلکه مایکروسافت ChatGPT را در موتور جستجوی خود Bing و گوگل ربات چت GPT خود Bard را منتشر کرد.
واقعیت این است بسیاری از ابزارهایی که امروزه از آنها استفاده می‌کنیم و بسیار برایمان عادی هستند. در همین دو سال گذشته به وجود آمده‌اند. همانطور که ابزارهای ده سال پیش برایمان ابتدایی و ساده هستند، احتمالا یک سال دیگر ابزارهای امروز ما برایمان خنده دار به نظر برسند.
پشت پیشرفت‌های اخیر فناوری هوش مصنوعی، ۷۰ سال تلاش هزاران هزار پژوهشگر، میلیون‌ها مهندس، هزاران شرکت و دانشگاه و موسسه تحقیقاتی است که هر کدام بخش کوچکی از پازل تاریخچه هوش مصنوعی را تکمیل کرده‌اند. در این مقاله تنها به بررسی برخی از مهمترین اتفاقات در تکامل هوش مصنوعی پرداختیم. بدون شک نام‌های بسیار و زحمات بسیاری در این مسیر وجود دارد که در هیچ جایی ثبت نشده است.
سرعت تحول جهان هوش مصنوعی به قدری زیاد است که احتمالا امکان ثبت تاریخچه از الان به بعد وجود نداشته باشد. تنها امیدواریم که به لطف هوش مصنوعی بتوانیم آینده بهتری را برای جهان خود بسازیم.
