تعریف هوش مصنوعی چیست؟

تعریف هوش مصنوعی چیست؟

تعریف کلی که می توان راجـــع به هوش مصنوعی کـــرد ایـــن است کــه به هوشی

 گفته می شود کــه بر خلاف تصـــور از هوشـــی که در انســــان ها و حیوانات داریم

توسط ماشیـــن ها ارائــــه می شود. کتاب های درسی پیشـــرو AI ، این زمینه را به

عنوان مطالعه “عوامل هوشمنــــد” تعریف می کنند: هـــر وسیلـــه ای که محیط خود

را درک کند و اقداماتی انجـام دهـــد که شانس خـود را برای دستیابی به اهداف خود

به حداکثر برساند.به صورت عامیانه ،  تعریف اصطلاح “هوش مصنوعی” اغلب برای

توصیف ماشین ها (یا رایانــه ها) استفـــاده می شود که عملکــردهای “شناختــی” که

با ذهن انسان در ارتباط هستند ، مانند “یادگیری” و “حل مسئله” را تقلید می کنند.

در قاعده ای به نام تسلر به این اشاره می شود که هوش مصنوعی چیزی است که

هنوز انجام نشده است. 

تعریف پایه ای از هوش مصنوعی چیست ؟

هوش مصنوعی معمولی محیط خود را تجزیه و تحلیل می کند و اقداماتی انجام می دهد که شانس

موفقیت آن را به حداکثــر می رسانــد. این کــار ها می توانند ساده باشند(حالت 0،1) و یا پیچیده

    باشند (انجام اقدامات ریاضی شبیه به آنهایی کـــه در گذشتـه انجـام شده بودند). از طرف دیگر 

یک سیستــم تکــاملی می تــواند مانند حیوانــات ،با استفــاده از Fitness Function ها جهــت

تغییر و تکرار سیستم های ترجیح داده شده اقـــدام کند. بعضی از سیستــم ها مانند nearest-

neighbor, بدون هدف هستند و فقط تا حدی کـــه لازم بـــوده تمـریـن داده شــده اند بنابـراین

می توانند در مسیـر خاص مورد نظــر هــدف گذاری شونــد. هوش مصنوعی اغلب با استفــاده از

الگوریتم کار می کنـــد. یک الگوریتــــم، مجمـــوعه ای از دستورالعمـل های بدون ابهام است که

یک کامپیوتـــر مکانیــکی قــادر بــه اجـــرای آن است. یک الگوریتـــم پیچیـــده اغلـــب در بالای

الگوریتم هــای ساده تر دیگـــر،  ساختـــه می شود. یک مثـــال کار آمد بازی ایکـــس او است

در این شرایط تعریف الگوریتم هوش مصنوعی از پیامد ها اینگونه خواهد بود :

– اگر دو خانه پر شده بود و تهدید بود خانه سوم را بگیر در غیر این صورت

– اگر خانه ای را بگیری دو راهی ایجاد می کند آن را بگیر در غیر این صورت

– خانه مرکزی را اگر خالی بود بگیر درغیر این صورت

– اگر حریف خانه گوشه را گرفت،  خانه گوشه مقابلش را بگیر در غیر این صورت

– اگر گوشه خالی وچود دارد بگیر در غیر این صورت

– هر خانه خالی که وجود دارد بگیر

بسیاری از الگوریتــم هــای هوش مصنوعی قـادر بـه یادگیری هستنـد.آنها می توانند با یادگیری

اکتشافات جدید خود را تقویت کنند ، یا خود می توانند الگوریتم های دیگری بنویسند.  برخی

از الـگـوریـتــم هـایـی کـه مـی آمـوزنـد شامـل : Bayesian networks , decision trees ,

and nearest-neighbor,از لحاظ تئـوری یــاد می گــیرند کـه تقریبـاً هر عملکردی را انجام

دهند ، از جمله اینکــه کدام یــک از تـوابـع ریـاضی به بهتــرین وجـه کار می کنند. بنابراین این

فراگیران هوش های مصنوعی می توانند با در نظر گرفتن هر فرضیـه احتمـالی و مطابقت آنها

با داده ها ، تمام دانش ممکن را به دست آورند.

رویکردها به سمت هوش مصنوعی 

اولین و قابل درک ترین رویکرد، هوش مصنوعی نمادگرایانه است برای مثال اگر فرد سالمی 

تب داشت پس آنفــولانزا دارد دومیـــن رویکــرد استنباط Bayesian است، اگر بیمار فعلی

تب داشته باشد ، احتمال ابتلا به آنفلوانزا را از این مسیر خاص تنظیم کنید. رویکرد سوم، که

در اپلیکیشــن های هوش مصنوعی تجاری بسیار محبــوب هستند، آنالیزر هــایی مانند SMV و

nearest-neighbor  هستند، این مدل پس از بررسی سوابق بیماران شناخته شده  گذشته

  که درجه حرارت ، علائــم ، ســن و سایر عــوامل اکــثراً مطابق با بیمار فعلی است اعلام می کند

که، X٪  احتمال دارد که بیمار آنفولانزا داشته باشد. رویکرد چهارم که شبکه عصبی  مصنوعی

است از “نورونهای مصنوعی” استفــاده می کند که می تــواند بــا مقایسه خود با خروجی مطلوب

و تغییر نقاط قوت اتصالات بین نورونهای داخلی آن ، یاد بگیرد.

تفاوت هوش مصنوعی با هوش انسانی

در مقایسه با انسانبرای هوش مصنوعی استدلال های عام تعریف نشده است. انسان ها مکانیزم های

قدرتمندی برای استدلال درباره “فیزیک ساده” مانند فضا ، زمان و فعل و انفعالات جسمی دارند. این

حتی کودکان خردسال را قادر می سازد تا به راحتی استنتاج هایی از قبیل “اگر این قلم را از روی میز

بریزم ، روی زمین می افتد” را داشته باشند. آنها همچنین فاقد روانشناسی عامیانه هستند بــه همین

دلیل نمی توانند جملاتی مانند : اعضای شورای شهر از صدور مجــوز تظــاهرکنندگان خودداری کردند

زیرا آنها از خشونت حمایت می کردند ” متوجه شود چون نمی تواند که کدام دسته از افراد درون جمله

از خشونت همایت میکنند.این فقدان “دانش مشترک” یعنی که هوش مصنوعی غالباً اشتباهات متفاوتی

را نسبت به انسان مرتکب می شود ، به طریقی که ممکن است غیرقابل درک به نظر برسد. به عنوان

مثال ، اتومبیل های خود ران موجود نمی توانند به روشی دقیق که انسان انجام می دهد در مورد مکان

و یا مقاصد عابر پیاده استدلال کنند و در عوض باید از حالتهای استدلال غیر انسانی برای جلوگیری از

تصادفات استفاده کنند.

چالش های هوش مصنوعی

هدف کلی تحقیق از هوش مصنوعی ایجاد فناوری است که به رایانه ها و ماشین ها اجازه می دهد تا به

روشی هوشمند عمل کنند. مشکل کلی شبیه سازی (یا ایجاد) هوش به مشکلات فرعی تقسیم شده است.

اینها شامل ویژگی ها یا عملکرد های خاصی است که محققان انتظار دارند سیستم هوشمندی از خود نشان

دهند صفاتی که شامل موارد زید می شود :

استدلال و حل مشکل:

، بنا به تعریف هایی که از هوش مصنوعی شده محققان اولیه الگوریتم هایی را ایجاد کردند که از استدلال

گام به گام که انسان هنگام حل معماها یا استنتاج های منطقی استفاده می کند ، تقلید می کنند.

ارائه دانش:

ارائه دانش و مهندسی دانش در تحقیقات کلاسیک هوش مصنوعی مبحثی اساسی است. برخی از “سیستم های

حرفه ای” سعی در جمــع آوری دانــش صریح و صاحب نظران در برخی حوزه های تخصصی دارند. علاوه بر این،

برخی از پروژه ها تلاش می کنند تا “دانش عام” را که یک فرد متوسط دارا است ، در یک پایگاه داده حاوی دانش

گسترده در مورد جهان جمع کنند.

:برنامه ریزی

عوامل هوشمند باید بتوانند اهدافی را تعیین کنند و به آنها دست یابند. آنها به روشی نیاز دارند تا آینده را به صورت

تصویری از وضعیت جهــان نمایــان سازند و بتوانند پیش بینی هایی را در مورد چگونگی تغییر اعمال خود در آن انجام

دهند تا انتخاب هایی را انجام دهند که حداکثر استفاده از گزینه های موجود یا ارزش ها را داشته باشد.

یادگیری: 

یادگیری ماشینی (ML) ، یک مفهوم اساسی از تحقیقات هوش مصنوعی از زمان شروع این زمینه است ،

مطالعه الگوریتم های رایانه ای است که به طور خودکار از طریق تجربه بهبود می یابد.

کاربرد هوش مصنوعی در زندگی روزمره

کاربرد هوش مصنوعی در زندگی روزمره

هوش مصنوعی در زندگی روزمره کاربرد های بسیــار زیــادی دارد کــه شاید به چشــم نیــاید

 اما همــه ی مــا بـه نحوی از  کـاربرد هـــای هوش مصنوعی در طول روز استفــاده مـــی کنیــم.

حتی هنگامی که در گــوگل ســــرچ به دنبال مطلب  خود می گردید از هوش مصنــوعی استفاده

می کنید. و این حقیقتی است که بسیاری از مردم از آن بی خبر هستند. نه تنها گوگل بلکه حتی 

بسیاری از نرم افزار های دیگر مانــند اوبـر هم از هوش مصنوعی استفاده می کنند. و یا حتی

رادیو آنلاینی که با آن موسیقی گوش می دهید هم از هوش مصنوعی استفاده می کند.

مثال هایی برای کاربرد  های هوش مصنوعی در زندگی روزمره مردم

اولیــن مثـــالی کـه مــی تــوان برای این کاربرد ها زد اتومبیـــل های خود پارک و خود ران هستند

ایــن دستــه از خودرو ها از یادگیــــری عمیــق ، زیر مجموعه ای از هوش مصنوعی ، برای شناخت

فضــای اطــراف وسیـله نقلیــه استفــاده می کنند.شرکت فنـاوری Nvidia از AI استفاده می کند تا

به اتومبیل ها قدرت دیـــدن ، تفکــر و یادگیری را بـبــخشد ، بنابرایـن آنها می توانند با طیف تقریبا

نامحدودی از سناریوهای احتمالی در هنگام رانندگی، حرکت کنند . دستیــار هــای صــوتی می تواند

مثال بارز دیگری برای این استفاده باشد. دستیــار هایی مثل سیری، الکسا و گوگل ناو از این دسته 

هستند تمــامی ابـــزار هایــی کــه نـام بـرده شد از هوش مصنوعی بــرای انجام کار هایی مانند چک 

کردن برنامه روزانه فرستادن دستورات در نــرم افـــزار هـــای دیـــگر استفاده می کننـــد در نتیجه

هوش مصنوعی بخش مهمی از نحوه عملکرد ایـــن برنامه ها است زیرا آنهــا از هر تـعـامـل کــاربــر

یاد می گیرند. حتی دوربین های ترافیکی ازهوش مصنوعی برای خواندن پلاک ها استفاده می کنند.

ربات هایی مثل جارو برقی های  Roomba 980 model که خانه های شما را جارو می کند  هم از

هوش مصنوعی استفاده می کنند.

هوش مصنوعی و خواندن افکار

هوش مصنوعی و خواندن افکار

هوش مصنوعی تفکر بسیاری ازمردم و دانشمندان را پیــرامون خواندن افکار تغییــــر داد.

فیلسوفی بـــه نــــام جان لاک که در عصــــر روشنـــگری زندگی می کرد می گفت : اقدامات

افراد همیشه طرز تفکر آنها را نشان می دهد. اما افـــرادی مثـــل او از در مورد تکنولوژی 

انسان-دستگاه فکر نمی کردند . اما اینکه اعمال دستگاه ها نتیجه تفکر انسان باشد چیست؟

خیلی ها بر این باورند که ارتباط مغز-ماشین و مغز-کامپیوتر راه بعـــدی اســـت کـــه مــا با

ماشین ها و حتی با یکدیگر ارتباط برقرار خواهیم کرد.رابط های دستگاه مغـــزی (BMI) و

رابط های مغزی و رایانه ای (BCI) دستگاه هایی هستند که ارتباط مستقیم بین مغز و یک 

دستگاه خارجی را امکان پذیر می کنند.

شرکت های هوش مصنوعی و موسساتی  که در زمینه خواندن افکار فعالیت می کنند

این نوع فناوری ، دنیای کاملی از برنامه های تجاری را نمایان می کند. از مشاغــل خطـــرناک

که در حــال حاضر از ربات ها استفاده می کنند گرفته تا ساخت و حتــی فضای مصرف کننده 

همه از این فناوری استفاده می کنند . شرکت Neurable در زمینه کنتـــرل اعضای بدن به

وسیله افکار کـــار مــــی کند ایده این پروژه زمانی به ذهن بیانگذار این شرکت Ramses

Alcaide رسید که شاهد از دست دادن پاهای عمـــوی خـــود در یک تصــادف اتومبیـل بود

شرکت MindX معتقد است که مرحلـــه بعدی در کامپیوتـــر ها یک پیوند مستقیـــم از مغــز

به دنیای دیجیتال است این شرکت از عینک های هوشمند برای ایجاد پیوندی بین مغز انسان

و فناوری استفاده می کند. شرکت MindX این ارتباط را با “ترکیـــب فنـــاوری عصبـــی ،

واقعیت افزوده وهوش مصنوعی برای ایجاد یـــک رابـــــط” نگاه- فکری بـــرای برنامه های

رایانه ای فضایـــی نســل بعـــدی ایجـاد می کنند.در حالی که برخی از شرکت های رابط مغز

و کامپیوتر بر درک مغـــز و معیارهای شنـــاختــی تمرکــز دارند ، بــــرخی دیـگر بر کنترل

دستگاه در زمـان واقــعی تمرکز مــی کـنـنـد. NextMind ، که مقر آن در پاریس ، است

، از BMI غیــر تهـــاجمی استفـــاده می کند که سیگنال های مغزی را فوراً از قشر بصری

کاربر به دستورات دیجیتـــالی بـــرای هر وسیلــه ای در زمان واقعی ترجمه می کند. البته 

موسسات دیگری هم در این زمینه فعالیت دارند و سعــی مـــی کـنـنـد که رایانه هایی بر پایه

مغز-دستگاه درست کنند.

هوش مصنوعی در صنعت موسیقی

هوش مصنوعی در صنعت موسیقی

.بدون شک هوش مصنوعی در صنعت موسیقی تحول چشمگیـری به وجود خواهد آورد چندیــن بـرنامه دیجیتالی

وجود دارد که قادر به ایجاد آهنگهای نسبتاً اصلی موسیقی که تقریباً به طور کامل با استفاده از شبکه های مخالف

مولد (Generator Adversarial Networks) هستند.هـوش مـصـنـوعـی لـزوماً آن چیزی نیست که مردم تصور

می کنند.ایـن اصطلاح چندین معنـا دارد ، امـا مـی تواند براساس استدلال های یک سیستم رایانه ای ، به عنوان

تصمیم گیری تعریف شود. روش های مختلفی برای تحقق ایـن امـــر وجــود دارد ، امــا ایده کلی ایـن اسـت کـه

الگوریتم هایی را برنامه ریزی کنید که یاد می گیرند الگوهای را پـس از خـوانـدن یک بانــک اطلاعــاتی طولانی

شناسایی کنند و سپس بر اساس آنها تصمیم گیری کنند.

هوش مصنوعی در صنعت موسیقی چگونه کار می کند؟

شما می توانید ملودی های موسیقی را  با استفاده از هوش مصنوعی تنـــظیـــم کنیـــد.در سال 2016 ، IBM

واتسون بیت را ایجاد کرد ، نرم افزاری که میلیــون هـــا آهـنـگ را آنــالیز کــرده و قـادر به تولید یک ملودی

مصنوعی است.این ایــده برای موسیقی دانانی طــراحی شــد که در ساختن موسیقی خـــود گیــــر کــرده اند یا 

هنگامی که می خواهند چیزهای مختلفی را امتحان کنند ، از واتــسون بیـــت به عنــوان راهنمـــا استفاده کنند.

موسیقی دانان می تواند از برنامه تم مورد نظر آهنگ خود را بخواهند و بـرنــامه حتـی می تواند پیشناهاد هایی

برای شعر  موسیقی هم به کاربر ارائه کند. البـتـه بـرنـامـه هــای دیـگری نیز وجود دارند که از هوش مصنوعی

استقاده می کنند.به عنوان مثال ، Jukedeck آهنـگ هـا را بـا تـوجـه بـه ژانـر ، سـازها ، مـدت زمان و سرعت

مورد نـظر کـاربـر ایـجـاد می کند.آنـها سپـس مـجوز استفاده را برای 0.99 دلار برای افراد یا 21.99 دلار برای

شرکتهای بـزرگ بـه فروش می رسانند. امروزه این شرکت بیش از 500،000 آهنگ ایجاد کرده است و توسط

شرکت های مختلفی مانند Coca-Cola یا Google مورد استفاـده قـرار مـی گـیـرد کـه در جستجوی موسیقی

پس زمینه برای تبلیغات خود هستند.

هوش مصنوعی نقاط پر خطر در حریق را شناسایی می کند

هوش مصنوعی نقاط پر خطر در حریق را شناسایی می کند

محققان استنفورد راهی برای ردیابی و پیش بینی مناطق خشک و نقاط پر خطر ، با استفاده از هوش مصنوعی

و یادگیری ماشین و تصـــاویر مـــاهواره ای پیـدا کرده اند . در حال حاضر نحوه آزمایش جنگل ها و گلخانه ها

برای حساسیت به آتش سوزی با جمع آوری دستــی شاخه هــا و شاخ و برگ و آزمایش میزان آب آنها است .

که دقیق و قابل اعتماد است ، اما بدیهی است که بسیار کار دشـــواری است . اما خوشبختانه بــا استفاده از 

هوش مصنوعی و الگوریتم های یادگیری ماشینی می توان بر این مشکل قلبه کرد.

چگونه هوش مصنوعی نقاط پر خطر را شناسایی می کند؟

مـــاهواره های Sentinel و Landsat آژانس فضــایی اروپــا یک مجموعه تصویری از سطح زمین راگــــردآوری

کرده اند که می تواننـد مـنـبـع ثـانویه ای بـــرای ارزیابی خطر آتش سوزی باشند . این اولین تلاش بـــرای ایجاد این

نـوع مـشـاهـدات از تصـاویر مـداری نیست ، اما تلاش های قبلی به اندازه گیری های بصری “بسیــار خــاص سایت”

وابسته بودند ، به این معنی که روش تجزیه و تحلیل بسته به مکان متفاوت بود. ایـن راهـکـار بـدون شـکاف است

امـا هـنـوز هـم مـقـیـاس کـردن آن سخـت است. پیشـرفتی کـه تیم اسـتـنـفـورد از آن بـهـره گـرفتـه ، مـاهـواره های

Sentinel “رادار دیـــافراگم مصنوعی” هستنـــد کـــه مـــی توانند پوشش جنگل را حذف  کرده و از سطح زیرین 

تصویر برداری کنند. این تیم این تصاویر جدید را که بطور منظم از سال 2016 جمع آوری شده اند ، به یــک مدل

یادگیری ماشین به همراه اندازه گیری دستی که توسط سرویس جنگل ایالات متحده انجام شده است ، تغذیه کردند.

آنها سپس عامل هوش مصنوعی حاصل را با آزمایـــش پیش بینی بر اساس داده های قدیمی که قبلاً جواب آنها را

می دانستند ، آزمایش کردند. و جواب به دست آمده دقیق بـــود ، اما بیشتر از همه در اسکراب ها ، یکی از رایج

ترین بیوم های غرب آمریکا و همچنین یکی از مستعدترین آتش سوزی هایی که در آمریکا وجود دارد.