غزل زیاری: در سال 1958 بود که نیویورک تایمز در مقاله ای کوتاه، کامپیوتری به اندازه اتاق به نام «پرسپترون» را به دنیا معرفی کرد که به نوع جدیدی از مدارات مجهز بود.
این داستان که توسط نیروی دریایی ایالات متحده نقل شده است، اشاره می کند که پرسپترون منجر به تولید ماشین هایی می شود که می توانند راه بروند، صحبت کنند، ببینند، بنویسند، نمونه هایی مانند آنها تولید کنند و از وجود آنها آگاه شوند.
از روبات تا هوش مصنوعی
اکنون پس از گذشت شش دهه، ادعاهای مشابهی در مورد هوش مصنوعی امروزی مطرح می شود. اما چه چیزی در این سال ها تغییر کرده است؟ از بسیاری جهات، چیزها محدود است.
حوزه هوش مصنوعی از زمان آغاز به کار در یک چرخه رونق و رکود قرار گرفت. اکنون که این حوزه بار دیگر در آستانه رونق جدیدی قرار گرفته است، به نظر می رسد بسیاری از طرفداران این فناوری شکست های قبلی و دلایل آن را فراموش کرده اند. در شرایطی که خوش بینی موجب رشد و پیشرفت می شود، مرور تاریخ نیز بسیار ارزشمند است.
با پرسپترون شناختن
پرسپترون ماشینی بود که توسط فرانک روزنبلات اختراع شد و احتمالاً پایه های هوش مصنوعی را بنا نهاد. این دستگاه در واقع یک کامپیوتر الکترونیکی آنالوگ بود که به عنوان یک ماشین یادگیری طراحی شده بود تا پیش بینی کند یک تصویر متعلق به کدام یک از دو دسته است. این دستگاه انقلابی پر از کابل هایی بود که به صورت فیزیکی اجزای مختلف را به هم متصل می کردند. چیزی شبیه به شبکه های عصبی مصنوعی مدرن امروزی که زیربنای هوش مصنوعی هستند، مانند ChatGPT و DALL-E که همگی نسخه های نرم افزاری مدرن Perceptron هستند که امروزه فاقد لایه ها، گره ها و اتصالات بیشتری هستند.
پرسپترون مانند ماشین های یادگیری امروزی، اگر پاسخ را اشتباه می گرفت، اتصالات خود را تغییر می داد تا دفعه بعد پیش بینی های بهتری انجام دهد. دقیقاً مانند سیستم‌های هوش مصنوعی مدرن، آنها نیز به همان روش کار می‌کنند و با استفاده از یک قالب مبتنی بر پیش‌بینی، مدل‌های زبان بزرگ یا LLM می‌توانند پاسخ‌های متنی طولانی ایجاد کنند و تصاویر را با متن مرتبط کنند تا تصاویر جدید را بر این اساس تولید کنند. با درخواست‌های ایجاد شده و نکته جالب این است که این سیستم ها با تعامل بیشتر با کاربران بهتر و بهتر می شوند.
ظهور و سقوط هوش مصنوعی
یک دهه پس از اینکه روزنبلات پرسپترون مارک 1 را معرفی کرد، کارشناسانی مانند ماروین مینسکی ادعا کردند که در اواسط دهه 1970، جهان ماشینی با هوش متوسط یک انسان معمولی خواهد داشت، اما علیرغم برخی موفقیت ها، هوش انسانی همچنان برتر است.
به سرعت مشخص شد که سیستم‌های هوش مصنوعی درباره موضوع کار خود چیزی نمی‌دانند و بدون پیش‌زمینه و دانش پیشینه کافی، حل دقیق ابهامات زندگی روزمره تقریباً غیرممکن است.. اما این کاری است که انسان ها بدون مشکل انجام می دهند. اولین سقوط یا دوره سرخوردگی هوش مصنوعی در سال 1974 پس از شکست پرسپترون رخ داد.
با این حال، در دهه 1980، هوش مصنوعی بازگشت و اولین رونق رسمی هوش مصنوعی رخ داد. سیستم‌های خبره جدیدی معرفی شدند و هوش مصنوعی برای حل مشکلات در زمینه‌های مختلف دانش طراحی شد که می‌توانست اشیاء را تشخیص دهد و با استفاده از داده‌های مرئی بیماری‌ها را تشخیص دهد.
برنامه هایی وجود داشتند که می توانستند از داستان های ساده تا خلاصه های پیچیده را دربر گیرند. اولین ماشین بدون راننده آماده شد و روبات هایی ساخته شدند که می توانستند نت های موسیقی را بخوانند، ساز بنوازند و برای تماشاگران اجرا کنند.
اما طولی نکشید که همین مشکلات یک بار دیگر این شور و شوق را فرو نشاند. در سال 1987 بود که دومین سقوط هوش مصنوعی فرا رسید. سیستم های خبره شکست می خورند. زیرا قادر به مدیریت اطلاعات جدید نبودند.
در دهه 1990، روش برخورد کارشناسان با مشکلات هوش مصنوعی تغییر کرد. اگرچه این تحولات منجر به ظهور رسمی هوش مصنوعی نشد، اما هوش مصنوعی در این دوره زمانی دستخوش تغییرات اساسی شد. در تلاش برای حل مشکلات، محققان به دنبال رویکردهای یادگیری ماشینی مبتنی بر داده بودند که روش کسب دانش را تغییر دهد.
این بار بازگشت به سبک شبکه عصبی پرسپترون را نشان داد. اما این نسخه بسیار پیچیده تر، پویا و دیجیتال بود. با بازگشت به شبکه عصبی، اختراع مرورگر وب و افزایش قدرت محاسباتی، جمع آوری تصاویر، استخراج داده ها و توزیع مجموعه داده ها را برای یادگیری ماشین آسان تر کرد.
سفر به زمان حال
سریع به جلو به زمان حال. دورانی که بار دیگر اعتماد به پیشرفت هوش مصنوعی بازگشته و شاهد تکرار وعده های نزدیک به شصت سال پیش هستیم. اصطلاح “هوش مصنوعی عمومی” برای توصیف فعالیت های LLM، مانند کارهای انجام شده توسط چت ربات های هوش مصنوعی مانند ChatGPT استفاده می شود. هوش عمومی مصنوعی یا AGI ماشینی را توصیف می کند که دارای هوش انسان مانند است. یک ماشین خودآگاه است و می تواند مشکلات را حل کند و قدرت یادگیری و برنامه ریزی برای آینده را دارد و احتمالاً آگاه است.
همانطور که روزنبلات فکر می کرد، پرسپترون او اساس یک ماشین هوشمند و انسان مانند است. این دقیقاً همان نظری است که برخی از نظریه پردازان هوش مصنوعی معاصر درباره شبکه های عصبی مصنوعی فعلی دارند.. در سال 2023، مایکروسافت مقاله ای منتشر کرد که در آن اشاره کرد که عملکرد GPT-4 به طور قابل توجهی به عملکرد انسان نزدیک است.
اما قبل از اینکه ادعا کنیم که LLM ها دارای هوش در سطح انسانی هستند، شاید مفید باشد که ماهیت چرخه ای توسعه هوش مصنوعی را بررسی کنیم. بسیاری از مشکلاتی که در دوره های قبلی هوش مصنوعی وجود داشت، هنوز وجود دارد و تفاوت در نحوه ظاهر شدن آنهاست.
مثلاً مشکل دانش تا امروز ادامه دارد. ChatGPT به طور مداوم در تلاش است تا به اصطلاحات، استعاره ها، سؤالات بلاغی و اشکال منحصر به فرد زبانی که فراتر از ارتباطات دستوری است، بپردازد.
شبکه‌های عصبی مصنوعی می‌توانند اشیاء را در صحنه‌های پیچیده با دقت بالا تشخیص دهند، اما اگر تصویری از اتوبوس مدرسه واژگون شده را به هوش مصنوعی نشان دهید، هوش مصنوعی در ۹۷ درصد مواقع با اطمینان بالا می‌گوید که برف‌روب است.
درس های مهم
در واقع، کشف شده است که هوش مصنوعی را می توان به راحتی با ترفندهایی که انسان به سرعت تشخیص می دهد فریب داد. من فکر می کنم این باید با توجه به اینکه اوضاع در گذشته چگونه پیش رفته است، در نظر گرفته شود.
هوش مصنوعی امروزی با هوش مصنوعی گذشته متفاوت است. اما مشکلات آن همچنان پابرجاست. به قول معروف: تاریخ ممکن است تکرار نشود، اما قافیه است.
آبنما: پاپسی
5858
