تاریخچه هوش مصنوعی

آیا می‌دانید تاریخچه هوش مصنوعی توسط چه کسانی رقم خورد؟ اگر علاقمند به دانستن در این باره هستید، به شما پیشنهاد می‌کنیم حتما این مطلب را بخوانید تا بدانید دقیقا باید قدردان چه کسانی باشید!

ماشین‌ها هم می‌توانند فکر کنند؟

در نیمه اول قرن بیستم، داستان های علمی تخیلی جهان را با مفهوم ربات های باهوش مصنوعی آشنا کرد. همه چیز با مرد قلع “بی دل” از جادوگر شهر اوز شروع شد و با روبات انسان نما که خود را شبیه ماریا در متروپلیس کرد ادامه یافت. در دهه 1950ما نسلی از دانشمندان، ریاضیدانان و فیلسوفان را داشتیم که مفهوم هوش مصنوعی AI از نظر فرهنگی در ذهنشان نهادینه شده بود و می‌توان گفت این افراد سازنده تاریخچه هوش مصنوعی هستند.

یکی از این افراد آلن تورینگ (پدر هوش مصنوعی) بود، یک جوان انگلیسی که امکان ریاضی هوش مصنوعی را بررسی می کرد. تورینگ پیشنهاد کرد که انسان ها از اطلاعات موجود و همچنین عقل برای حل مشکلات و تصمیم گیری استفاده کنند، آیا می‌توان روزی گفت: چرا ماشین ها نمی توانند همین کار را انجام دهند؟ این چارچوب منطقی مقاله او در سال 1950 با عنوان ماشین‌های محاسباتی و هوش بود که در آن نحوه ساخت ماشین‌های هوشمند و چگونگی آزمایش هوش آنها را مورد بحث قرار داد.

راه طولانی تا رسیدن به هدف ناشناخته

حرف زدن به تنهایی کافی نیست. چه چیزی باعث شد که تورینگ نتواند در آن زمان دست بکار شود؟
اول: کامپیوترها نیاز به تغییر اساسی داشتند. قبل از سال 1949 کامپیوترها فاقد یک پیش نیاز کلیدی برای هوش بودند، آنها قادر به ذخیره دستورات نبودند و فقط آنها را اجرا می‌کردند. به عبارت دیگر، می‌توان به رایانه‌ها گفت که چه کاری انجام دهند، اما نمی‌توانستند آنچه را که انجام داده‌اند به خاطر بیاورند.

دوم: محاسبات بسیار گران بود. در اوایل دهه 1950، هزینه اجاره یک کامپیوتر تا 200000 دلار در ماه می رسید. فقط دانشگاه‌های معتبر و شرکت‌های بزرگ فناوری می‌توانستند از پس اتلاف وقت در این دنیای ناشناخته برآیند.. برای متقاعد کردن منابع مالی مبنی بر اینکه هوش ماشینی ارزش پیگیری دارد، به اثبات مفهوم و همچنین حمایت از افراد با سابقه و خبرساز نیاز بود.

کنفرانسی که همه چیز را آغاز کرد

پنج سال بعد، اثبات مفهوم از طریق آلن نیوول، کلیف شاو، و نظریه‌پرداز منطق هربرت سایمون آغاز شد. نظریه منطق برنامه ای بود که برای تقلید از مهارت های حل مسئله یک انسان طراحی شده بود و توسط شرکت تحقیق و توسعه RAND تامین مالی شد.

بسیاری آن را اولین برنامه هوش مصنوعی می دانند و در پروژه تحقیقاتی تابستانی دارتموث در زمینه هوش مصنوعی DSRPA به میزبانی جان مک کارتی و ماروین مینسکی در سال 1956 ارائه شد. در این کنفرانس تاریخی مک کارتی پژوهشگران عالی رتبه از رشته ‌های متفاوت را گرد هم جمع کرد برای یک بحث آزاد در مورد هوش مصنوعی، متأسفانه کنفرانس کمتر از انتظارات مک کارتی بود. مردم هر طور که می خواستند می آمدند و می رفتند و در مورد روش های استاندارد برای این رشته به توافق نرسیدند.

با این وجود همه از صمیم قلب دسترسی به هوش مصنوعی را باور داشتند، اهمیت این رویداد را نمی‌توان نادیده گرفت. زیرا بیست سال آینده تحقیقات هوش مصنوعی را سرعت بخشید.

ترن هوایی تحقیقات هوش مصنوعی

از سال 1957 تا 1974، هوش مصنوعی شکوفا شد. رایانه ها می توانستند اطلاعات بیشتری را ذخیره کنند و سریع تر، ارزان تر و در دسترس تر شدند. الگوریتم‌های یادگیری ماشینی نیز بهبود یافتند و افراد بهتر می‌دانستند کدام الگوریتم را برای مشکل خود اعمال کنند.

مشاهدات اولیه مانند Newell و Simon’s General Problem Solver و Joseph Weizenbaum’s ELIZA به ترتیب به اهداف حل مسئله و تفسیر زبان گفتاری امیدوار کننده بود.این موفقیت‌ها و همچنین حمایت از محققان برجسته یعنی شرکت‌کنندگان در DSRPAI) )سازمان‌های دولتی مانند آژانس پروژه‌های تحقیقاتی پیشرفته دفاعی ((دارپا)) را متقاعد کرد که تحقیقات هوش مصنوعی را در چندین موسسه تأمین مالی کنند. دولت به‌ویژه به ماشینی علاقه‌مند بود که بتواند زبان گفتاری و همچنین پردازش داده‌ها را با توان عملیاتی بالا رونویسی و ترجمه کند. خوش بینی بالا بود و توقعات حتی بالاتر.

در سال 1970، ماروین مینسکی به مجله لایف گفت: از سه تا هشت سال ما ماشینی با هوش عمومی یک انسان معمولی خواهیم داشت. با این حال، در حالی که اثبات اصل وجود داشت، هنوز راه زیادی تا دستیابی به اهداف نهایی پردازش زبان طبیعی، تفکر انتزاعی و شناخت خود باقی مانده بود.

بزرگ‌ترین فقدان هوش مصنوعی قدرت محاسباتی برای انجام هر کاری اساسی بود. رایانه‌ها به سادگی نمی‌توانستند اطلاعات کافی را ذخیره یا با سرعت کافی پردازش کنند. به عنوان مثال: برای برقراری ارتباط، باید معانی بسیاری از کلمات را بداند و آنها را در ترکیبات مختلف درک کند. هانس موراوک، دانشجوی دکترای مک کارتی در آن زمان، اظهار داشت که (کامپیوترها هنوز میلیون‌ها برابر ضعیف‌تر از آن بودند که هوش خود را نشان دهند). با کاهش صبر، بودجه کاهش یافت و تحقیقات به مدت ده سال به کندی پیش‌رفت.

در 1980 دوباره هوش مصنوعی فعال شد. جان هاپفیلد و دیوید روملهارت بوسیله گسترش ابزار الگوریتمی و افزایش سرمایه. تکنیک‌های یادگیری عمیق را رایج کردند که به رایانه‌ها اجازه می‌داد با استفاده از تجربه یاد بگیرند. از سوی دیگر ادوارد فایگنبام سیستم خبره ای را معرفی کرد که فرآیند تصمیم گیری یک متخصص انسانی را تقلید می کرد. سیستم های خبره به طور گسترده در صنایع مورد استفاده قرار گرفتند.

دولت ژاپن به‌عنوان بخشی از پروژه نسل پنجم رایانه FGCP سیستم‌های خبره و سایر تلاش‌های مرتبط با هوش مصنوعی را به شدت تأمین کرد. از سال 1982 تا 1990، آنها 400 میلیون دلار با اهداف انقلابی در پردازش کامپیوتری، اجرای برنامه‌نویسی منطقی و بهبود هوش مصنوعی سرمایه‌گذاری کردند. متاسفانه اکثر اهداف بلندپروازانه محقق نشد. با این حال، می توان استدلال کرد که اثرات غیر مستقیم FGCP الهام بخش نسل جوان با استعدادی از مهندسان و دانشمندان است. صرف نظر از این، تأمین مالی FGCP متوقف شد و هوش مصنوعی از کانون توجه خارج شد.

از قضا در غیاب بودجه دولتی و تبلیغات عمومی، هوش مصنوعی رشد کرد. در طول دهه های 1990 و 2000، بسیاری از اهداف برجسته هوش مصنوعی محقق شده بود. در سال 1997، گری کاسپاروف، قهرمان و استاد بزرگ شطرنج جهان، توسط برنامه کامپیوتری شطرنج Deep Blue شرکت IBM شکست خورد. این مسابقه بسیار تبلیغاتی اولین باری بود که قهرمان شطرنج جهان در مقابل کامپیوتر شکست خورد و به عنوان یک گام بزرگ به سوی یک برنامه تصمیم گیری هوشمندانه مصنوعی عمل کرد.

در همان سال نرم افزار تشخیص گفتار که توسط Dragon Systems توسعه یافته بود بر روی ویندوز پیاده سازی شد. این یک گام بزرگ دیگر به جلو بود اما در جهت تلاش برای تفسیر زبان گفتاری. به نظر می رسید که مشکلی وجود ندارد که ماشین ها نتوانند از پس آن برآیند. حتی احساسات انسانی نیز بازی منصفانه ای بود، همانطور که Kismet، رباتی که توسط سینتیا بریزیل ساخته شد و می توانست احساسات را تشخیص داده و نمایش دهد، نشان می دهد.

زمان همه زخم ها را درمان می کند

ما در مورد نحوه کدنویسی هوش مصنوعی هوشمندتر نشده‌ایم، پس چه چیزی تغییر کرد؟
به نظر می رسد، محدودیت اساسی ذخیره سازی رایانه که 30 سال پیش ما را عقب نگه می داشت دیگر مشکل نبود. قانون مور، تخمین می‌زد که حافظه و سرعت رایانه‌ها هر سال دو برابر می‌شود، سرانجام توانسته بود و در بسیاری موارد از نیازهای ما پیشی بگیرد.

این دقیقاً چگونه بود که دیپ بلو توانست گری کاسپاروف را در سال 1997 شکست دهد و آلفا گو گوگل توانست تنها چند ماه پیش قهرمان چینی گو، کی جی را شکست دهد. این یک توضیح کمی برای ترن هوایی تحقیقات هوش مصنوعی ارائه می دهد. ما توانایی‌های هوش مصنوعی را به سطح قدرت محاسباتی فعلی خود ((سرعت ذخیره‌سازی و پردازش رایانه)) اشباع می‌کنیم و سپس منتظر می‌مانیم تا قانون مور دوباره فرا برسد.

هوش مصنوعی همه جا هست

ما اکنون در عصر «داده‌های بزرگ» زندگی می‌کنیم، عصری که در آن توانایی جمع‌آوری حجم عظیمی از اطلاعات را داریم که پردازش آن برای شخص بسیار دشوار است. استفاده از هوش مصنوعی در این زمینه قبلاً در چندین صنعت مانند فناوری، بانکداری، بازاریابی،سرگرمی، پزشکی و… بسیار پربار بوده است.

ما دیده‌ایم که حتی اگر الگوریتم‌ها پیشرفت چندانی نداشته باشند، داده‌های بزرگ و محاسبات عظیم به سادگی به هوش مصنوعی اجازه می‌دهد تا از طریق نیروی بی‌رحمانه یاد بگیرد. ممکن است شواهدی وجود داشته باشد که قانون مور کمی کند می شود، اما افزایش داده ها مطمئناً هیچ حرکتی را از دست نداده است. پیشرفت‌ها در علوم کامپیوتر، ریاضیات یا علوم اعصاب همگی به عنوان دستاوردهای بالقوه از سقف قانون مور عمل می‌کنند.

مقالات بیشتر را در لینک زیر بخوانید:

دنیای فناوری

صفحه اصلی وبسایت ما:

فناوری ارتباط سایپا

 

مطالب مرتبط

fasa logo 3 - Footer Dark 02 - 1

فسا با انجام پروژه های متعدد و ارائه راه حل های مورد اعتماد در حوزه های صنعتی، بیمه ای، خدمات ارزش افزوده، حمل و نقل هوشمند و مراکز داده، امنیت و تجهیز ساختمان ها تبدیل به یکی از فعالترین شرکت های مطرح در فناوری اطلاعات و ارتباطات در سطح مطلوب فناوری و تکنولوژی روز شده است.

 



اطلاعات تماس



 آدرس: تهران – بلوار میرداماد – خیابان کازرون – خیابان نیکنام – پلاک ۱۰


 ایمیل: info@fasatech.com

 تلفن: 5 -26424001-021



خدمات

• تولید و توسعه نرم‌افزار(IS)

• شبکه و زیرساخت(IT)

• برنامه‌ریزی منابع انسانی(EPR)

• امنیت اطلاعات و ارتباطات

• تامین تجهیزات و سخت‌افزار

• تامین منابع انسانی متخصص



لینک‌های مرتبط

car - Footer Dark 02 - 3
bike - Footer Dark 02 - 4