هوش مصنوعی چیست؟

هوش مصنوعی یا به اختصار AI شاخه ی  گسترده ای از علوم رایانه است که مربوط به ساخت ماشین آلات هوشمند است که قادر به انجام وظایفی هستند که معمولاً انجام دادن آن ها به هوش انسانی نیاز دارند. هوش مصنوعی در واقع یک علم میان رشته ای و ترکیبی است که رویکردهای مختلف و متفاوتی نیز دارد.

امروزه با پیشرفت های زیاد و شگفت انگیزی که در زمینه  های یادگیری ماشین ( Machine Learning ) و یادگیری عمیق ( Deep Learning ) وجود داشته است، به جرأت می توان گفت که هوش مصنوعی به نوعی در حال ایجاد یک تغییر نگرشی در صنعت و فناوری است. در واقع هوش مصنوعی با قابلیت های خاص خودش در حال ایجاد یک انقلاب در بخش های مختلف صنعت وفناوری است.

هوش مصنوعی چگونه کار می کند؟

این بخش را با یک سوال بسیار معروف شروع می کنیم که آلن تورینگ ( Alan Turing ) در سال ۱۹۵۰ آن را مطرح کرد: آیا ماشین ها هوشیار هستند و می توانند فکر کنند؟  بهتر است کمی در تاریخ سفر کنیم تا ببینیم چرا آلن تورینگ این حرف را زده است…

کمتر از یک دهه پس از رمزگشایی و شکست خوردن سیستم رمزگذاری نازی ها به نام انیگما ( Enigma ) – که در ظاهر کاملاً امن و غیر قابل رمزگشایی بود! – گذشته بود. این رمزگشایی کمک شایگانی به نیروهای متفقین برای پیروزی در جنگ جهانی دوم کرد و سرنوشت جنگ جهانی دوم را به سمت و سویی کشید که آلمان ها فکرش را هم نمی کردند.

آلن تورینگ یک ریاضیدان و رمزنگار مشهورانگلیسی بود که رمزگشایی سیستم های رمزنگاری نازی ها را انجام داد. جالب است بدانید که تورینگ به عنوان پدر علوم کامپیوتر و هوش مصنوعی شناخته می شود و مهم ترین جایزهٔ علمی رایانه نیز به افتخارش تورینگ نام گرفته است. آلن تورینگ با یک سؤال ساده – که در ابتدا به آن اشاره کردیم – تاریخ را تغییر داد: آیا ماشین ها هوشیار هستند و می توانند فکر کنند؟ 

مقاله ی تورینگ به نام ماشین محاسبه گر و هوش که در سال ۱۹۵۰ منتشر شد، و پس از آن هم  آزمون تورینگ ( Turing Test )، هدف و چشم انداز اساسی هوش مصنوعی را تعیین کرد و هوش مصنوعی را به جهانیان معرفی کرد.

هوش مصنوعی یک رشته ی بسیار جذاب و شگفت انگیز است که هسته ی اصلی اش را علوم رایانه و کامپیوتر تشکیل می دهند. هدف اصلی هوش مصنوعی و بخش های مختلفش هم به نوعی پاسخ مثبت دادن به سوال تاریخی آلن تورینگ است، یعنی تلاش برای شبیه سازی و یا حتی جایگزینی هوش انسان در دل ماشین ها!

هدف گسترده و چشم انداز هوش مصنوعی به قدری شگفت انگیز است که همه ی جوانب زندگی انسان را در بر گرفته است، این گستردگی و عظمت در ذهن همه سؤالات و مباحث بسیاری را به وجود آورده است. در واقع می توان گفت که به خاطر همین گستردگی و ارتباط نمی توان در مورد بخش های مختلف و جزئیات کوچک هوش مصنوعی اظهار نظر یا تعریف خاصی را ارائه داد.

ارائه ی یک تعریف ساده از هوش مصنوعی را می توان به صورت ” ساخت ماشین هایی که هوشمند هستند ” بیان کرد در حالی که نشان دادن عظمت آن بسیار سخت است، چرا که این گونه تعاریف نمی توانند مفهوم و شکوه هوش مصنوعی را نشان دهند. زیرا آن ها توضیح نمی دهند که هوش مصنوعی واقعا چیست؟ و یا چه چیزی باعث می شود یک دستگاه هوشمند شود؟

چالش اساسی در تعریف هوش مصنوعی این است که وقتی از ساختن و تولید ماشین های هوشمند سخن می گوییم، نمی دانیم که هوش مصنوعی از نظر فنی چیست و یا چه چیزی باعث می شود که یک دستگاه را هوشمند تلقی کنیم.

استوارت راسل ( Stuart Russell ) و پیتر نورویگ ( Peter Norvig )، در کتاب استثنایی و نوآورانه ی خودشان به نام ” هوش مصنوعی: رهیافتی نوین ” با ترکیب کردن کار خودشان پیرامون موضوع عامل های هوشمند در ماشین ها به این سوال نزدیک می شوند. آن ها تعریفی بسیار جالب را در مورد هوش مصنوعی ارائه دادند که بسیار تأمل برانگیز است:

هوش مصنوعی در واقع ” بررسی و مطالعه عامل هایی است که از محیط اطراف ادراک کسب می کنند و اقدامات مورد نظر ما را انجام می دهند. “

در واقع از نظر راسل و نورویگ هوش مصنوعی مطالعه و آنالیز عواملی است که محیط اطرافشان را درک کرده و متناسب با آن اقداماتی انجام می دهند.

نورویگ و راسل در ادامه به بررسی و مطالعه ی چهار رویکرد و نگرش متفاوت پرداختند که از لحاظ تاریخی، زمینه های مختلف هوش مصنوعی را تعریف کرده اند ، این چهار رویکرد عبارتند از:

۱. تفکر انسانی

۲. تفکر منطقی

۳. اقدام انسانی

۴. اقدام منطقی

همان طور که از عناوین پیداست دو مورد اول این لیست چهارگانه به طور اختصاصی در حوزه ی « تفکر و استدلال » هستند، درحالی  که دو مورد دیگر این لیست به طور مستقیم با « رفتار و عملکرد » سروکار دارند. جالب است بدانید که  نورویگ و راسل نیز به  طور ویژه ای روی عوامل منطقی تمرکز می کردند، عواملی که برای رسیدن به بهترین نتیجه  ها عمل می کنند. نورویگ و راسل در راستای همین تمرکز روی عوامل منطقی اشاره می کنند که :

کلیه ی مهارت های موردنیاز برای آزمون آلن تورینگ ، به یک عامل اجازه می دهند که به  صورت منطقی عمل کند.

یک تعریف جالب دیگر از هوش مصنوعی نیز مربوط به پروفسور وینستون است. پروفسور پاتریک وینستون ( Patrick Winston ) که استاد هوش مصنوعی و علوم رایانه ای در دانشگاه MIT است، هوش مصنوعی را به این شکل تعریف می کند:

« هوش مصنوعی مجموعه ی الگوریتم هایی است که توسط محدودیت ها فعال شده اند و با مدل هایی بازنمایی می شوند که چرخه هایی را دنبال می کنند که تفکر ، ادراک و عمل را با یک دیگر پیوند می دهند. »

شاید در دیدگاه اول این تعاریف انتزاعی به نظر برسند، اما بهتر است بدانید که همین تعاریف به نگاه و دیدگاه ما بر روی هوش مصنوعی به عنوان بخشی از علوم کامپیوتر کمک بسیار زیادی می کنند و همچنین یک طرح اولیه را برای پیاده سازی یادگیری ماشین و سایر بخش ها یا زیرمجموعه های هوش مصنوعی روی ماشین ها و برنامه ها را ایجاد می کنند. در واقع همین تعاریف هستند که موجب شکل گرفتن یک نگرش درست از هوش مصنوعی در ما می شوند، و این امر برای سرعت گرفتن پیشرفت در این زمینه کاملاً ضروری است.

در شلوغی و فضای جذاب کنفرانس تجربه هوش مصنوعی ژاپن ( Japan AI Experience ) در سال  ۲۰۱۷ بود که جرمی آچین ( Jeremy Achin )، مدیرعامل شرکت بزرگ دیتا روبات ( DataRobot )، سخنان خودش در مورد نحوه ی استفاده و تاثیر هوش مصنوعی بر دنیای امروز را با ارائه ی این تعریف جالب آغاز کرد:

« هوش مصنوعی در واقع یک سیستم کامپیوتری است که  دارای توانایی انجام وظایف و عملیاتی است که در حالت معمولی نیاز به هوش انسانی دارند، بسیاری از سیستم های هوش مصنوعی با اتکا به یادگیری ماشین  است که  قدرت پیدا می کنند، تعدادی از آن ها بر اساس یادگیری عمیق طراحی  شده اند و بعضی از آن ها هم توسط فاکتورهای  بسیار خسته و کسل  کننده ای مانند قوانین، قدرت گرفته اند. »

تمام مواردی که با هم مرور کردیم به اندازه ی خودشان تعریفی خوب را از هوش مصنوعی ارائه کردند، حالا وقت آن رسیده که کمی با چگونگی کاربرد های هوش مصنوعی در دنیای امروز آشنا شویم…

هوش مصنوعی چگونه استفاده می شود؟

اگر به صورت کلی به این قضیه نگاه کنیم، هوش مصنوعی به دو دسته ی زیر تقسیم می شود:

۱. Narrow AI یا هوش مصنوعی محدود : در برخی منابع از این بخش هوش مصنوعی تحت عنوان هوش ضعیف هم یاد می کنند، این بخش از هوش مصنوعی معمولاً در یک زمینه ی محدود عمل می کند، به صورت خلاصه و کلی می توان گفت که هوش مصنوعی محدود در واقع یک شبیه سازی از هوش انسانی است. هوش مصنوعی محدود در بیشتر اوقات به روی یک کار یا عملکرد خاص و مشخص تعریف می شود و در محدوده ی تعریف شده هم عملکردی بسیارعالی و دقیق را ارائه می دهد. شاید در نگاه اول این ماشین ها – که دارای هوش مصنوعی محدود هستند – بسیارهوشمند به نظر برسند، اما حقیقت داستان این است که ماشین های دارای هوش مصنوعی از نوع محدود، حتی از ساده ترین و ابتدائی ترین سطوح هوش انسان هم ساده تر کار می کنند.

۲. Artificial General Intelligence یا هوش مصنوعی عمومی : این بخش شگفت انگیز از هوش مصنوعی با عنوان هوش مصنوعی قوی نیز شناخته می شود. برای درک بهتر این بخش از هوش مصنوعی بهتر است از سینما کمک بگیریم، چرا که این بخش از هوش مصنوعی را بیشتر در فیلم  ها دیده ایم، برای مثال ربات های سریال Westworld ، فیلم Star Trek: The Next Generation ، البته بهترین نمونه از این گونه ربات ها را استنلی کوبریک بزرگ Stanley Kubrick در فیلم ۲۰۰۱: A Space Odyssey معرفی کرده است. به طور کلی می توان گفت که هوش مصنوعی عمومی ( AGI ) یا همان هوش مصنوعی قوی بسیار شبیه به انسان عمل می کند، چرا که می تواند توانایی های خود را بر حل مسائل ریز و درشت در موضوعات مختلف به کار بگیرد و محاسبات و آنالیزهای ذهن انسان را روی پدیده های مختلف محیط انجام دهد.

در این لیست تعدادی از نمونه های کاربرد هوش مصنوعی را – فارغ از محدود بودن یا عمومی بودن – مشاهده می کنیم:

• دستیار های هوشمند مانند سیری ( Siri ) یا آمازون الکسا ( Amazon Alexa )
• ابزار های تشخیص و نگاشت بیماری های مختلف
• ربات های صنعتی مونتاژ و ماشین های بدون سرنشین
• توصیه های شخصی بهداشتی و درمانی از نوع بهینه سازی شده
• ربات های سخنگو برای بازاریابی و خدمات به مشترکین
• ربات های مشاوره دهنده برای معاملات سهام
• فیلتر کردن اسپم ها در ایمیل
• ابزارهای نظارت بر رسانه های اجتماعی برای تشخیص محتوای خطرناک یا اخبار جعلی و دروغ
• پیشنهادات نمایش برنامه های مختلف از نتفلیکس ( Netfelix ) یا پیشنهاد آهنگ از اسپاتیفای ( Spotify )

هوش مصنوعی محدود

نمونه های استفاده ازهوش مصنوعی محدود در اطراف ما به وفور پیدا می شوند، به همین دلیل می توان گفت که این بخش از هوش مصنوعی شامل موفق ترین  ساخته های بشر در زمینه ی  هوش مصنوعی تا به امروز است، چرا که جای خودش را در همه  جا ی زندگی انسان باز کرده است. البته باید این نکته را هم در نظر داشت که تمرکزهوش مصنوعی محدود برای انجام وظایف خاص و محدود تعیین شده است، و به همین دلیل در دهه ی گذشته با پیشرفت های زیادی همراه بوده است، و منافع اجتماعی و تأثیرات اقتصادی بسیار قابل توجهی را رقم زده است. چند مثال خوب  از کاربردهای هوش مصنوعی محدود یا ضعیف عبارت اند از:

• موتور جستجوی گوگل
• نرم افزارهای تشخیص و آنالیز تصویر
• سیری ، الکسا و دیگر دستیارهای شخصی هوشمند
• اتومبیل های بدون راننده
• سامانه ی واتسون آی بی ام ( Watson IBM )

یادگیری ماشین و یادگیری عمیق

بخش اعظمی از هوش مصنوعی محدود از پیشرفت های موجود در یادگیری ماشین و یادگیری عمیق بهره برده و در طول زمان قدرت گرفته است. درک صحیح تفاوت بین هوش مصنوعی ، یادگیری ماشین و یادگیری عمیق می تواند امری پیچیده و گیج کننده باشد، در همین راستا برای راهنمایی شما سراغ یک نقل قول بسیار جالب می رویم.

 فرانک چن که یک سرمایه گذار بزرگ است، یک نمای کلی از نحوه ی تمایز بین هوش مصنوعی، یادگیری ماشین و یادگیری عمیق ارائه می دهد :

« هوش مصنوعی ، مجموعه ای از الگوریتم ها و نبوغ است که در تلاش است تا ازهوش انسان تقلید کند. یادگیری ماشین یکی از همین الگوریتم هاست، در حالی که یادگیری عمیق یکی از تکنیک های یادگیری ماشین است. »

این اظهار نظر می تواند کمک خوبی برای ما باشد تا این سه اصطلاح مهم را با هم اشتباه نگیریم. اما اگر بخواهیم در این مورد بیشتر توضیح بدهیم باید بگوییم که به عبارت ساده، یادگیری ماشین از داده های رایانه ای و پایگاه های داده ( Database ) و تکنیک های آماری تغذیه می کند که به آنالیز و یادگیری چگونگی پیشرفت بیشتر و انجام بهتر یک کار کمک می کنند، و نکته ی مهم هم این است که این یادگیری بدون نیاز به میلیون ها خط کد نویسی، انجام می شود. یادگیری ماشین دو حالت یادگیری نظارت شده ( استفاده از مجموعه داده های دارای برچسب ) و یادگیری بدون نظارت ( با استفاده از مجموعه های داده بدون برچسب ) را شامل می شود.

یادگیری عمیق نیزنوعی یادگیری ماشین است که ورودی های مختلف را از طریق یک معماری که بسیار شبیه به شبکه های عصبی انسان است، پردازش می کند. شبکه های عصبی شامل تعداد زیادی ازلایه های پردازشی پنهان هستند که از طریق آن ها داده ها پردازش می شوند و به دستگاه اجازه می دهند تا ” عمیق ” یاد بگیرد و از طریق ایجاد ارتباطات و وزن دهی به بهترین نتایج دست یابد.

پیشنهاد می کنیم برای درک بهتری از تفاوت هوش مصنوعی ، یادگیری ماشین و یادگیری عمیق، این ویدیو را تماشا کنید.

هوش مصنوعی عمومی

ایجاد یک دستگاه با سطح هوشی نزدیک به انسان هدف والای بسیاری از محققان در زمینه ی هوش مصنوعی است، هدف نهایی آن ها ساخت دستگاهی است که از پس تمام کارها و محاسباتی که یک انسان انجام می دهد بربیاید و کمک حال بشر باشد، اما تلاش در زمینه ی هوش مصنوعی عمومی یا AGI همواره با با دشواری های خاص خودش همراه بوده است.

جستجوی برای یک ” الگوریتم جهانی برای یادگیری و عمل در هر محیط ( راسل و نورویگ  27) ” چیز جدیدی نیست، امّا نکته ی مهم اینجاست که گذر زمان، مشکل ایجاد پایه و اساس یک ماشین با مجموعه ای کامل از توانایی های شناختی – دقیقاً مانند انسان – را کاهش نداده است، و این مورد نشان دهنده ی سختی های این راه است.

هوش مصنوعی عمومی مدت هاست که دارای جایگاهی خاص و استثنایی در داستان های علمی – تخیلی نشانه ای از دیستوپیا یا  پادآرمان شهری  است. همه ی این داستان ها برای افکار عمومی این نگرانی و سوال را ایجاد می کنند که ” اگر ربات ها بر انسان ها غلبه کنند چه خواهد شد؟ ” ، که بر اساس این فرضیه ما در شهرهایی زندانی خواهیم بود که در آن ربات های بسیار هوشمند بر بشریت غلبه دارند، اما کارشناسان و متخصصان در این زمینه اذعان می کنند که دارند این اتفاق عجیب و غریب چیزی نیست که به زودی بشر درگیر آن شود، چرا که رسیدن به این سطح از هوش مصنوعی عمومی سال ها طول خواهد کشید و در دنیای واقعی نباید نگران آن باشیم.

تاریخچه ی هوش مصنوعی

(موارد عنوان شده در تصویر با مواردی که در ادامه می خوانید متفاوت هستند)

 ربات های هوشمند و موجودات باهوش ساخته ی دست بشر، برای اولین بار در اسطوره های یونان باستان پدیدار شدند. رشد و توسعه ی نظریات ارسطو درباره تفکر ومتعاقباً استفاده از این نظریات در استدلال های استقرایی و قیاسی، موجب رخ دادن یک اتفاق مهم در تلاش های بشریت برای درک صحیح از میزان توانایی های ذهن و هوش خودش بود.
 در حالی که  ریشه های هوش مصنوعی در تاریخ بسیار طولانی و عمیق است، تاریخچه ی هوش مصنوعی به شکلی که امروزه با آن سر و کار داریم، کمتر از یک قرن قدمت دارد. در ادامه نگاهی گذرا به برخی از مهمترین و تاثیرگذارترین رویدادهای هوش مصنوعی می پردازیم.

۱۹۴۳

• در این سال بود که وارن مک کلاف ( Warren McCullough ) و والتر پیتز ( Walter Pitts ) ، مقاله ای را تحت عنوان ” محاسبه ای منطقی از ایده های برجسته در فعالیت های عصبی ” منتشر می کنند. در این مقاله ی جسورانه و نبوغ آمیز اولین مدل ریاضی برای ایجاد یک شبکه ی عصبی اطلاعاتی ارائه شده است.

۱۹۴۹

• دونالد هب ( Dolnald Hebb ) در کتاب خودش با عنوان « سازماندهی رفتار: یک تئوری روان شناختی » نظریه ای را پیشنهاد کرد که بر اساس آن مسیرهای عصبی از تجربیات مختلف ایجاد می شوند و هر چه پیوند بین نورون ها بیشتر و بهتر باشند، متعاقباً مسیرهای عصبی نیز قوی تر می شوند. از طرفی یادگیری هبیان همچنان یکی از مدل های مهم هوش مصنوعی است.

۱۹۵۰

• در سال ۱۹۵۰ بود که آلن تورینگ مقاله ی « ماشین آلات رایانه ای و هوشمند » را منتشر کرد که یک مقاله ی بسیار کلیدی در زمینه ی هوش مصنوعی به شمار می آید. او در این مقاله روشی را برای ارائه ی هوشمند بودن یک ماشین ارائه کرد، روشی که به « آزمایش تورینگ » مشهور است.
• دو تن از فارغ التحصیلان دانشگاه هاروارد به نام های ماروین مینسکی ( Marvin Minsky ) و دین ادموندز ( Dean Edmonds ) اسنارک ( SNARC ) را ساختند. اسنارک نخستین رایانه ی دارای شبکه ی عصبی بود.
• کلاود شانون ( Claude Shannon ) مقاله ای با عنوان « برنامه نویسی یک رایانه برای بازی شطرنج » را منتشر کرد.
• آیزاک آسیموف کتاب « سه قانون از رباتیک » را منتشر کرد.

۱۹۵۲

• آرتور ساموئل ( Arthur Samuel ) یک برنامه ی خودآموز را برای انجام بازی چکرز ارائه داد.

۱۹۵۴

• ماشین Georgetown-IBM به طور خودکار و دقیق ۶۰ جمله مشخص از زبان روسی را به انگلیسی تبدیل کرد.

۱۹۵۶

• عبارت هوش مصنوعی در این سال ساخته شده است. در پروژه ی ” تحقیقاتی تابستان دارتموت درباره ی هوش مصنوعی ” بود که این عبارت به وجود آمد. این کنفرانس توسط جان مک کارتی رهبری شد و در آن دامنه و اهداف هوش مصنوعی مشخص شد، این اتفاق به گونه ای تولد واژه ی هوش مصنوعی – به شکلی که امروز آن را می شناسیم – است.
• آلن نیول ( Allen Newell ) و هربرت سیمون ( Herbert Simon ) از برنامه ی تئوریسین مطلق (Logic Theorist ) پرده برداری کردند. LT نخستین برنامه ی استدلال است.

۱۹۵۸

• جان مک کارتی ( John McCartney ) ابتدا زبان برنامه نویسی هوش مصنوعی Lisp را توسعه داد و سپس مقاله ی بی نظیر « برنامه هایی با حس عمومی » را منتشر کرد. این مقاله فرضیه ی یک دستیار هوشمند – مشورت کننده ی فرضی – را ارائه کرد. این دستیار هوشمند یک سیستم کامل مبتنی بر هوش مصنوعی بود که توانایی یادگیری از تجربه را داشت، این یادگیری از تجربه به همان اندازه موثر بود که انسان با ذهن خودش آن را انجام می داد.

۱۹۵۹

• آلن نیول ، هربرت سیمون و جی سی شاو ( C. Shaw ) برنامه حل مسائل عمومی  General Problem Solver )  ) را توسعه دادند، برنامه ای که برای تقلید از سیستم ذهن انسان برای حل مسائل مختلف طراحی شده بود.
• هربرت گلرنترت ( Herbert Gelernter ) برنامه ی اثبات قضایای هندسی یاGeometry Theorem Proverرا نوشت.
• آرتور ساموئل واژه ی یادگیری ماشین Machine Learning را – در حالی که در IBM مشغول به کار بود – ابداع کرد.
• جان مک کارتی و ماروین مینسکی پروژه ی هوش مصنوعی MIT را آغاز کردند.

۱۹۶۳

• جان مک کارتی یک آزمایشگاه هوش مصنوعی در استنفورد را به راه انداخت.

۱۹۶۶

• گزارش کمیته مشاوره پردازش خودکار زبان ( ALPAC) به وسیله ی دولت ایالات متحده گزارشی بسیار مهم را ارائه داد. این گزارش به شرح جزئیات عدم پیشرفت در زمینه ی «تحقیقات ترجمه  ماشین» می پرداخت. این طرح قرار بود که یک ابزار مهم و اساسی در دوران جنگ سرد باشد، چرا که سازندگانش این طرح بزرگ را با تضمین ترجمه خودکار و فوری زبان روسی به انگلیسی شروع کرده بودند. جالب است بدانید که این گزارش ALPAC منجر به لغو کلیه ی حمایت ها و سرمایه  گذاری های دولت روی پروژه های « ترجمه ی ماشین – MT » است.

۱۹۶۹

• اولین سیستم های خبره موفق در زمینه هوش مصنوعی در قالب پروژه ی DENDRAL ایجاد شدند، یک برنامه XX و MYCIN که برای تشخیص عفونت های خونی طراحی شده بود. MYCIN اولین سیستم پیشرفته و تخصصی موفق در جهان بود که در دانشگاه استنفورد ساخته شد. هدف تیم طراح و سازنده اش نیز از ابداع این سیستم، کمک به پزشکان در تشخیص بیماری های ناشی از باکتری از طریق آنالیز فاکتورهای خون بود. مشکل اصلی در تشخیص بیماری برای یک پزشک عدم توانایی تشخیص سریع و قطعی یک بیماری است، دلیل این امر نیز تعداد بسیار زیاد بیماری های احتمالی موجود است. بدیهی است که در این شرایطی تشخیص سریع و دقیق امری بسیار سخت است. اما MYCIN با تشخیص دادن قطعی و سریع بیماری ها توانست که این نیاز را برآورده کند و به پزشکان کمک بسیار زیادی بکند.

 ۱۹۷۲

• یک زبان برنامه نویسی پرولوگ PROLOG که مبتنی بر منطق بود ایجاد شد.

۱۹۷۳

• در این سال بود که « گزارش لایت هیل (Lighthill Report ) با بیان ناامیدی از تحقیقات در باره ی هوش مصنوعی ، توسط دولت انگلیس منتشر شد. این گزارش روی سرمایه گذاران در این زمینه تاثیر به شدت منفی و بدی را گذاشت و در نهایت منجر به کاهش شدید بودجه ها و سرمایه گذاری ها برای پروژه های هوش مصنوعی شد.

۱۹۷۴-۱۹۸۰

• ناامیدی از پیشرفت پیشرفت در زمینه ی هوش مصنوعی منجر به کاهش چشمگیر حمایت ها و بورسیه های DARPA ( آژانس پروژه های پژوهشی پیشرفته ی دفاعی ) شد. گزارش منفی  ALPAC در سال ۱۹۶۶ و همچنین  گزارش Lighthill  در سال ۱۹۷۳ وضعیت بغرنجی را برای هوش مصنوعی به وجود آورد. در نتیجه ی این وضعیت وحشتناک بودجه ی هوش مصنوعی به طرز چشمگیری کاهش پیدا کرد و تحقیقات در زمینه هوش مصنوعی نیز متعاقباً با افت وحشتناکی مواجه شد. به سبب همین وضعیت اسفناک این دوره در تاریخ هوش مصنوعی به « اولین زمستان هوش مصنوعی » معروف شده است.

۱۹۸۰

•  شرکت تجهیزات دیجیتال ( Digital Equipment Corporations ) که به عنوان XCON نیز شناخته می شود، اولین سیستم تخصصی تجاری موفق را ابداع کرد. R1 طراحی شده بود تا دستورات مختلف را برای سیستم های رایانه ای جدید دسته بندی یا به طور دقیق تر پیکربندی کند. R1 شروع به جذب سرمایه گذاری در سیستم های خبره  ( Expert System ) کرد و رونقی استثنایی را در بازار هوش مصنوعی ایجاد کرد که در بیشتر سال های دهه ی ۸۰ میلادی ادامه داشت.R1  با موفقیت خودش موقتآً به اولین زمستان هوش مصنوعی پایان داد.

۱۹۸۲

• وزارت تجارت و صنایع بین المللی ژاپن یک پروژه ی بلند پروازانه ی ساخت و بهره برداری از نسل پنجم سیستم های رایانه ای ( FGCS ) را آغاز کرد. هدف پروژه ی FGCS توسعه ی عملکرد ابررایانه ای و همچنین ایجاد یک زمینه و بستر مناسب برای توسعه ی هوش  مصنوعی بود.

۱۹۸۳

• ایالات متحده آمریکا برای پاسخ به پروژه ی FGCS و وزارت تجارت و صنایع بین الملل ژاپن، وارد عمل شد. دولت ایالات متحده طرح ابتکارعمل محاسبات استراتژیک ( Strategic Computing Initiative ) را به راه انداخت. هدف این طرح در دست گرفتن ابتکارعمل در زمینه ی هوش مصنوعی و محاسبات پیشرفته رایانه ای از ژاپن بود. این طرح با حمایت مالی خودش از DARPA تحقیقات در زمینه ی محاسبات پیشرفته و هوش مصنوعی  را راه اندازی کرد.

۱۹۸۵

• شرکت های مختلف سالانه بیش از یک میلیارد دلار را در زمینه ی سیستم های خبره و صنایع مرتبط آن خرج می کنند. در این دوره ی خاص  ماشین لیسپ ) Lisp Machine ( سرآمد همه ی نمونه ها برای حمایت و سرمایه گذاری آن ها به شمار می آمد. در طی این سال ها شرکت هایی مانند Symbolics و Lisp Machines Inc. رایانه های تخصصی خودشان را برای اجرای زبان برنامه نویسی هوش مصنوعی  Lisp ساختند.

۱۹۸۷-۱۹۹۳

• با پیشرفت های خوب فن آوری محاسبات ، گزینه ها و انتخاب های ارزان و مقرون به صرفه تری از هوش مصنوعی به وجود آمدند. در نتیجه ی این اتفاقات بازار ماشین های هوشمند Lisp در سال ۱۹۸۷  از هم فرو پاشید. این اتفاقات موجب شد تا « زمستان دوم هوش مصنوعی » از راه برسد. در این دوره هزینه ی نگهداری و به روزرسانی سیستم های خبره بسیار بالا رفت  و در نهایت نیز از سطح امتیاز مطلوب برای صنایع و سرمایه گذاران خارج شد.
• ژاپن پروژه FGCS را در سال ۱۹۹۲ خاتمه داد و این امر به عدم موفقیت در تحقق اهداف بلند پروازانه که یک دهه قبل ترسیم شده بود ، پایان داد.
• DARPA پس از هزینه نزدیک به یک میلیارد دلار و فاصله ی خیلی زیاد با انتظارات و برآوردها ، طرح ابتکار عمل محاسبات استراتژیک را در سال ۱۹۹۳ به پایان رساند.

۱۹۹۱

• نیروهای آمریکایی برنامه ی DART را به راه انداختند. DART یک سیستم برای برنامه ریزی خودکار آماد و پشتیبانی ارتش ایالات متحده ی آمریکا بود.

۱۹۹۷

• در یک مسابقه ی جذاب شطرنج در سال ۱۹۹۷، کامپیوتر شطرنج باز Deep Blue شرکت IBM ، گری کاسپاروف ( Gary Kasparov ) که قهرمان شطرنج جهان بود را شکست داد.

۲۰۰۵

• STANLEY – که یک خودروی بدون نیاز به راننده بود – موفق شد تا جایزه ی مسابقات بزرگ دارپا را دریافت کند.
• ارتش آمریکا در سال ۲۰۰۵ تصمیم گرفت تا سرمایه گذاری روی ربات های خودران و مستقلی مانند Big Dog از کمپانی Boston Dynamic  و PackBot از کمپانی iRobot را آغاز کند.

۲۰۰۸

• گوگل در سیستم تشخیص صدای خودش به موفقیت های بسیار بزرگی دست پیدا کرد و دستاوردهای خودش را در قالب یک برنامه برای آیفون ارائه کرد.

۲۰۱۱

• سامانه ی رایانه ای واتسون Watson وارد بازی شد! این سامانه توسط IBM ساخته شده بود.

۲۰۱۲

• اندرو انگ – بنیان گذار پروژه ی Google Brain Deep learning – با استفاده از الگوریتم های یادگیری عمیق Deep Learning تعداد ۱۰ میلیون فیلم از یوتیوب را درقالب یک مجموعه ی آموزشی برای یک سیستم مبتنی بر هوش مصنوعی قرار داد و سعی در تعلیم این سیستم با استفاده از این ویدیو ها کرد. او یک شبکه ی عصبی ساخت که در انتهای آموزش توانست گربه را تشخیص دهد، این در حالی بود که ماهیت گربه برای شبکه تعریف نشده بود! این اتفاق یک پیشرفت بسیار شایگان و بزرگ برای هوش مصنوعی به شمار می آمد، و باعث شد تا در ادامه ی کار بودجه ها و حمایت های خوبی از هوش مصنوعی بشود.

۲۰۱۴

• خودروی خودران گوگل موفق شد آزمون رانندگی ایالتی را با موفقیت پشت سر بگذارد و تبدیل به اولین خودروی هوشمند موفق در این زمینه شود.

۲۰۱۶

• AlpaGo که تیم Google DeepMind آن را ابداع کرده بود موفق شد لی سدول (Lee Sedol ) قهرمان جهان در بازی Go را شکست دهد. این اتفاق در حالی رخ داد که حل کردن سختی و پیچدگی بازی چینی Go برای سیستم های مبتنی بر هوش مصنوعی امری بسیار سخت تصور می شد.

امیدواریم این مقاله برای آشنایی شما با هوش مصنوعی و تاریخچه آن مفید بوده باشد. در صورتی که علاقه مند هستید که به حوزه هوش مصنوعی وارد شوید، پیشنهاد می کنیم این مقاله را مطالعه کنید. لطفا نظرات خود را با ما درمیان بگذارید.

بیشتر بخوانید : 

• پلاک خوان های شهر گرینزبوروی آمریکا فعلاً قرار نیست افزایش پیدا کنند
• فرماندار اوکلند از پلاک خوان ها حمایت می کند اما مخالفان در اثربخشی آن تردید دارند
• لبنان استفاده از پلاک خوان های خودکار را تایید کرد
• چالش های مدیریت کلاس با ابزار جدید تشخیص چهره هوش مصنوعی
• آیا می توان از دوربین های ترافیکی برای گرفتن رانندگان الکلی استفاده کرد؟

منبع Builtin