ما هو الذكاء الاصطناعي الذي يثير في وقتنا الحالي الكثير من الجدل

ما هو الذكاء الإصطناعي، بينما ظهر عدد من تعريفات الذكاء الاصطناعي (AI) على مدار العقود القليلة الماضية، يقدم جون مكارثي التعريف التالي في ورقة بحثية في عام 2004، “إنه علم وهندسة صنع آلات ذكية، وخاصة برامج الكمبيوتر الذكية. وهي مرتبطة بالمهمة المماثلة لاستخدام أجهزة الكمبيوتر لفهم الذكاء البشري، لكن الذكاء الاصطناعي لا يجب أن يقتصر على الأساليب التي يمكن ملاحظتها بيولوجيًا”.

ومع ذلك، قبل عقود من هذا التعريف، تم الإشارة إلى ولادة محادثة الذكاء الاصطناعي من خلال عمل آلان تورينج الأساسي، “ماكينات الحوسبة والذكاء”، والذي تم نشره في عام 1950. في هذا يطرح الورق، تورينج، الذي يشار إليه غالبًا باسم “أب علوم الكمبيوتر”، السؤال التالي، “هل تستطيع الآلات التفكير؟” من هناك ، يقدم اختبارًا، يُعرف الآن باسم “اختبار تورينج”، حيث يحاول المحقق البشري التمييز بين استجابة الكمبيوتر والنص البشري. بينما خضع هذا الاختبار للكثير من التدقيق منذ نشره، إلا أنه يظل جزءًا مهمًا من تاريخ الذكاء الاصطناعي بالإضافة إلى مفهوم مستمر في الفلسفة حيث يستخدم أفكارًا حول اللغويات.

مقالة ذات صلة: أعظم المهندسين الذين أحدثوا تأثيرات هائلة على العالم

ثم شرع ستيوارت راسل وبيتر نورفيج في نشر الذكاء الاصطناعي: نهج حديث، ليصبح أحد الكتب المدرسية الرائدة في دراسة الذكاء الاصطناعي. في ذلك، يتعمقون في أربعة أهداف أو تعريفات محتملة للذكاء الاصطناعي، والتي تميز أنظمة الكمبيوتر على أساس العقلانية والتفكير مقابل التمثيل:

النهج البشري:

• الأنظمة التي تفكر مثل البشر
• الأنظمة التي تتصرف مثل البشر

النهج المثالي:

• الأنظمة التي تفكر بعقلانية
• الأنظمة التي تعمل بعقلانية

تعريف آلان تورينج

كان تعريف آلان تورينج يندرج تحت فئة “الأنظمة التي تتصرف مثل البشر”.

في أبسط أشكاله، يعد الذكاء الاصطناعي مجالًا يجمع بين علوم الكمبيوتر ومجموعات البيانات القوية، لتمكين حل المشكلات. كما يشمل المجالات الفرعية للتعلم الآلي والتعلم العميق، والتي يتم ذكرها بشكل متكرر بالاقتران مع الذكاء الاصطناعي. تتكون هذه التخصصات من خوارزميات الذكاء الاصطناعي التي تسعى إلى إنشاء أنظمة خبيرة تقوم بالتنبؤات أو التصنيفات بناءً على بيانات الإدخال.

على مر السنين، مر الذكاء الاصطناعي بعدة دورات من الضجيج، ولكن حتى ذلك الحين المتشككين، يبدو أن إصدار “ChatGPT” من “OpenAI” يمثل نقطة تحول. آخر مرة كان فيها الذكاء الاصطناعي التوليدي يلوح في الأفق بهذا الحجم، كانت الاختراقات في رؤية الكمبيوتر، ولكن الآن القفزة إلى الأمام هي في معالجة اللغة الطبيعية. وهي ليست لغة فقط: يمكن للنماذج التوليدية أيضًا أن تتعلم القواعد النحوية لشفرة البرامج والجزيئات والصور الطبيعية ومجموعة متنوعة من أنواع البيانات الأخرى.

تتزايد تطبيقات هذه التقنية كل يوم، وقد بدأنا للتو في ذلك ولكن مع تزايد الضجيج حول استخدام الذكاء الاصطناعي في الأعمال، تصبح المحادثات حول الأخلاق مهمة للغاية. 

مقالة ذات صلة: اختراعات نيكولا تسلا الغريبة التي لم يتم بناؤها أبدًا

أنواع الذكاء الاصطناعي – الذكاء الاصطناعي الضعيف مقابل الذكاء الاصطناعي القوي

الذكاء الاصطناعي الضعيف

 يسمى أيضًا بالذكاء الاصطناعي الضيق (ANI) – هو الذكاء الاصطناعي الذي يتم تدريبه وتركيزه على أداء مهام محددة. يقود الذكاء الاصطناعي الضعيف معظم الذكاء الاصطناعي الذي يحيط بنا اليوم. قد يكون مصطلح “ضيق” وصفًا أكثر دقة لهذا النوع من الذكاء الاصطناعي لأنه ليس ضعيفًا. إنه يمكّن بعض التطبيقات القوية للغاية، مثل ابل سيري وأمازون الكسا آي بي أم واتسون والمركبات المستقلة.

مقالة ذات صلة: الطائرات بدون طيار تاريخ موجز

الذكاء الاصطناعي القوي

يتكون الذكاء الاصطناعي القوي من الذكاء الاصطناعي العام (AGI) والذكاء الاصطناعي الخارق (ASI). الذكاء الاصطناعي العام (AGI)، أو الذكاء الاصطناعي العام، هو شكل نظري للذكاء الاصطناعي حيث يكون للآلة ذكاء مساوٍ للبشر. سيكون لديه وعي مدرك لذاته ولديه القدرة على حل المشكلات والتعلم والتخطيط للمستقبل. الذكاء الاصطناعي الفائق (ASI) – المعروف أيضًا باسم الذكاء الخارق – سيتفوق على ذكاء وقدرة الدماغ البشري. في حين أن الذكاء الاصطناعي القوي لا يزال نظريًا تمامًا مع عدم وجود أمثلة عملية مستخدمة اليوم، فإن هذا لا يعني أن باحثي الذكاء الاصطناعي لا يستكشفون تطوره أيضًا. في غضون ذلك، قد تكون أفضل الأمثلة على “ASI” من الخيال العلمي ، مثل “HAL“. مساعد الكمبيوتر الخارق الخارق في عام 2001: A Space Odyssey.

مقالة ذات صلة: الذكاء الإصطناعي لجوجل يكتسب وعيا بشريا

التعلم العميق مقابل التعلم الآلي

نظرًا لأن التعلم العميق والتعلم الآلي يميلان إلى الاستخدام بالتبادل، فمن الجدير بالذكر الفروق الدقيقة بين الاثنين. كما ذكرنا أعلاه ، يعد كل من التعلم العميق والتعلم الآلي مجالين فرعيين للذكاء الاصطناعي، والتعلم العميق هو في الواقع مجال فرعي للتعلم الآلي.

يتكون التعلم العميق في الواقع من شبكات عصبية. يشير مصطلح “عميق” في التعلم العميق إلى شبكة عصبية تتكون من أكثر من ثلاث طبقات – والتي ستكون شاملة للمدخلات والمخرجات – يمكن اعتبارها خوارزمية تعلم عميق. يتم تمثيل هذا بشكل عام باستخدام الرسم البياني أدناه.

الطريقة التي يختلف بها التعلم العميق والتعلم الآلي هي في كيفية تعلم كل خوارزمية. يقوم التعلم العميق بأتمتة جزء كبير من عملية استخراج الميزات، مما يلغي بعض التدخل البشري اليدوي المطلوب ويمكّن من استخدام مجموعات بيانات أكبر. يمكنك التفكير في التعلم العميق على أنه “تعلم آلي قابل للتطوير” كما أشار ليكس فريدمان في نفس محاضرة معهد ماساتشوستس للتكنولوجيا من أعلى. يعتمد التعلم الآلي الكلاسيكي أو “غير العميق” بشكل أكبر على التدخل البشري للتعلم. يحدد الخبراء البشريون التسلسل الهرمي للميزات لفهم الاختلافات بين مدخلات البيانات، والتي تتطلب عادةً المزيد من البيانات المنظمة للتعلم.

يمكن للتعلم الآلي “العميق” الاستفادة من مجموعات البيانات المصنفة، والمعروفة أيضًا باسم التعلم الخاضع للإشراف، لإبلاغ الخوارزمية الخاصة بها، ولكنها لا تتطلب بالضرورة مجموعة بيانات مصنفة. يمكنه استيعاب البيانات غير المهيكلة في شكلها الأولي (مثل النصوص والصور)، ويمكنه تلقائيًا تحديد التسلسل الهرمي للميزات التي تميز فئات البيانات المختلفة عن بعضها البعض. على عكس التعلم الآلي، لا يتطلب الأمر تدخلاً بشريًا لمعالجة البيانات، مما يسمح لنا بتوسيع نطاق التعلم الآلي بطرق أكثر إثارة للاهتمام.

مقالة ذات صلة: تاريخ جوجل ومحطات عديدة لأهم شركة في عصر التكنولوجيا

ظهور النماذج التوليدية

يشير الذكاء الاصطناعي التوليدي إلى نماذج التعلم العميق التي يمكنها أخذ البيانات الأولية – على سبيل المثال، كل ويكيبيديا أو الأعمال المجمعة لرامبرانت – و “تعلم” لتوليد مخرجات محتملة إحصائيًا عند المطالبة بذلك. على مستوى عالٍ، تقوم النماذج التوليدية بترميز ملف

تمثيل بيانات التدريب الخاصة بهم والاستفادة منها لإنشاء عمل جديد مشابه، ولكن ليست مطابقة للبيانات الأصلية.

تم استخدام النماذج التوليدية لسنوات في الإحصاء لتحليل البيانات الرقمية. ومع ذلك، فإن ظهور التعلم العميق جعل من الممكن توسيعها لتشمل الصور والكلام وأنواع البيانات المعقدة الأخرى. من بين الفئة الأولى من النماذج لتحقيق هذا العمل الفذ المتقاطع، كانت أجهزة التشفير التلقائي المتغيرة، أو “VAEs”، التي تم تقديمها في عام 2013. كانت نماذج “VAE” أول نماذج التعلم العميق التي يتم استخدامها على نطاق واسع لتوليد صور واقعية وكلام.

“فتحت VAEs الباب أمام النمذجة التوليدية العميقة من خلال جعل النماذج أسهل

قال أكاش سريفاستافا، خبير في الذكاء الإصطناعي التوليدي في “MIT-IBM Watson AI Lab”.

“الكثير مما نعتقده اليوم على أنه ذكاء اصطناعي توليدي بدأ هنا.”

مقالة ذات صلة: تاريخ الفيسبوك، وما هي معالمه الرئيسية؟

النماذج المبكرة للذكاء الإصطناعي

أظهرت الأمثلة المبكرة للنماذج، مثل GPT-3 أو BERT أو DALL-E 2، ما هو ممكن. المستقبل عبارة عن نماذج يتم تدريبها على مجموعة واسعة من البيانات. غير المسماة والتي يمكن استخدامها لمهام مختلفة، مع الحد الأدنى من الضبط الدقيق. الأنظمة التي تنفذ مهام محددة في مجال واحد تفسح المجال أمام الذكاء الإصطناعي الواسع الذي يتعلم بشكل أكثر عمومية ويعمل عبر المجالات والمشكلات. نماذج الأساس ، المدربة على مجموعات بيانات كبيرة غير مسماة ومُحسنة لمجموعة من التطبيقات ، تقود هذا التحول.

عندما يتعلق الأمر بالذكاء الإصطناعي التوليدي، فمن المتوقع أن النماذج الأساسية ستكون بشكل كبير

تسريع اعتماد الذكاء الإصطناعي في المؤسسة. الحد من متطلبات وضع العلامات سيجعلها كبيرة يسهل على الشركات الانغماس فيها. كما أن الأتمتة عالية الدقة والفعالة القائمة على الذكاء الإصطناعي. التي تتيحها ستعني أن المزيد من الشركات ستكون قادرة على نشر الذكاء الاصطناعي في مجموعة واسعة من المواقف الحرجة للمهام. يكمن الأمل في إمكانية جلب قوة نماذج الأساس في النهاية إلى كل مؤسسة في بيئة سحابية هجينة خالية من الاحتكاك.

إقرأ أيضاً: الرموز الغير قابلة للاستبدال قادمة إلى إنستغرام، مارك زوكربيرج يؤكد

تطبيقات الذكاء الاصطناعي

هناك العديد من التطبيقات الواقعية لأنظمة الذكاء الإصطناعي اليوم. فيما يلي بعض حالات الاستخدام الأكثر شيوعًا:

التعرف على الكلام: يُعرف أيضًا باسم التعرف التلقائي على الكلام (ASR)، أو التعرف على الكلام بالكمبيوتر. أو تحويل الكلام إلى نص، وهي قدرة تستخدم معالجة اللغة الطبيعية (NLP) لمعالجة الكلام البشري في تنسيق مكتوب. تدمج العديد من الأجهزة المحمولة التعرف على الكلام في أنظمتها لإجراء بحث صوتي – على سبيل المثال، Siri — أو توفير المزيد من إمكانية الوصول حول الرسائل النصية.

خدمة العملاء: يحل الوكلاء الافتراضيون عبر الإنترنت محل الوكلاء البشريين على طول رحلة العميل. إنهم يجيبون على الأسئلة المتداولة (FAQs) حول مواضيع، مثل الشحن. أو يقدمون نصائح مخصصة، أو منتجات البيع العابر أو اقتراح أحجام للمستخدمين. ويغيرون الطريقة التي نفكر بها في تفاعل العملاء عبر مواقع الويب ومنصات التواصل الاجتماعي. تشمل الأمثلة روبوتات المراسلة على مواقع التجارة الإلكترونية مع وكلاء افتراضية. وتطبيقات المراسلة، مثل سلاك و فايسبوك ماسنجر، والمهام التي يقوم بها عادةً المساعدون الافتراضيون والمساعدون الصوتيون.

رؤية الكمبيوتر: تمكّن تقنية الذكاء الإصطناعي هذه أجهزة الكمبيوتر والأنظمة من استخلاص معلومات ذات مغزى. مثل الصور الرقمية ومقاطع الفيديو والمدخلات المرئية الأخرى، وبناءً على تلك المدخلات، يمكنها اتخاذ إجراءات. هذه القدرة على تقديم توصيات تميزها عن مهام التعرف على الصور. مدعومة بالشبكات العصبية التلافيفية، رؤية الكمبيوتر لها تطبيقات ضمن علامات الصور في وسائل التواصل الاجتماعي، والتصوير الإشعاعي في الرعاية الصحية ، والسيارات ذاتية القيادة في صناعة السيارات.

المحركات والتداول

محركات التوصية: باستخدام بيانات سلوك الاستهلاك السابقة ، يمكن أن تساعد خوارزميات الذكاء الإصطناعي في اكتشاف اتجاهات البيانات التي يمكن استخدامها لتطوير استراتيجيات بيع أكثر فعالية. يستخدم هذا لتقديم توصيات إضافية ذات صلة للعملاء أثناء عملية الدفع لتجار التجزئة عبر الإنترنت.

التداول الآلي في الأسهم: تم تصميم منصات التداول عالية التردد التي تعتمد على الذكاء الإصطناعي لتحسين محافظ الأسهم، مما يجعل الآلاف أو حتى ملايين الصفقات يوميًا دون تدخل بشري.

تاريخ الذكاء الإصطناعي: التواريخ والأسماء الرئيسية

تعود فكرة “الآلة التي تفكر” إلى اليونان القديمة. ولكن منذ ظهور الحوسبة الإلكترونية (وفيما يتعلق ببعض الموضوعات التي نوقشت في هذه المقالة)

تشمل الأحداث والمعالم الهامة في تطور الذكاء الإصطناعي ما يلي:

1950: نشر آلان تورينج ماكينات الحوسبة والذكاء. في الورقة ، يقترح تورينج – المشهور بكسر رمز إنيغما النازي خلال الحرب العالمية الثانية – الإجابة على السؤال “هل يمكن للآلات أن تفكر؟” ويقدم اختبار تورينج لتحديد ما إذا كان الكمبيوتر يمكنه إظهار نفس الذكاء (أو نتائج نفس الذكاء) للإنسان. تم مناقشة قيمة اختبار تورينج منذ ذلك الحين.

1956: صاغ جون مكارثي مصطلح “الذكاء الإصطناعي” في أول مؤتمر للذكاء الإصطناعي على الإطلاق في كلية دارتموث. (استمر مكارثي في ابتكار لغة Lisp.) في وقت لاحق من ذلك العام، قام Allen Newell و JC Shaw و Herbert Simon بإنشاء “The “Logic Theorist، وهو أول برنامج تشغيل للذكاء الإصطناعي.

1967: بنى فرانك روزنبلات “Mark 1 Perceptron“، أول كمبيوتر يعتمد على شبكة عصبية “تعلمت” من خلال التجربة والخطأ. بعد عام واحد فقط ، نشر مارفن مينسكي وسيمور بابيرت كتابًا بعنوان Perceptrons، والذي أصبح عملًا بارزًا على الشبكات العصبية، ولفترة من الوقت على الأقل، حجة ضد مشاريع أبحاث الشبكات العصبية المستقبلية.

مقالة ذات صلة:أكبر حفارات التعدين في العالم

الثمانينات وما بعدها

الثمانينيات: أصبحت الشبكات العصبية التي تستخدم خوارزمية الانتشار العكسي لتدريب نفسها مستخدمة على نطاق واسع في تطبيقات الذكاء الإصطناعي.

1997: ديب بلو من شركة آي بي أم  يتفوق على بطل العالم للشطرنج آنذاك غاري كاسباروف، في مباراة شطرنج (ومباراة ثانية).

2011: فاز آي بي أم  واتسون على البطل كين جينينغز وبراد راتر في لعبة الخطر المحيق!

2015: يستخدم كمبيوتر مينوا الفائق من بايدو نوعًا خاصًا من الشبكة العصبية العميقة. تسمى الشبكة العصبية التلافيفية لتحديد وتصنيف الصور بمعدل دقة أعلى من متوسط الإنسان.

2016: برنامج ألفاجو من العقل العميق، المدعوم بشبكة عصبية عميقة ، يتفوق على لي سودول، لاعب Go بطل العالم، في مباراة من خمس مباريات. النصر مهم بالنظر إلى العدد الهائل من الحركات الممكنة مع تقدم اللعبة (أكثر من 14.5 تريليون بعد أربع حركات فقط!). في وقت لاحق، اشترت جوجل ديب مايند مقابل 400 مليون دولار أمريكي.

2023: أدى الارتفاع في نماذج اللغات الكبيرة، مثل “ChatGPT”، إلى إنشاء ملف تغيير هائل في أداء الذكاء الإصطناعي وقدرته على دفع قيمة المؤسسة.

مع ممارسات الذكاء الإصطناعي التوليدية الجديدة هذه، يمكن تدريب نماذج التعلم العميق مسبقًا عليها كميات هائلة من البيانات الأولية غير المسماة.