موضوع: هوش مصنوعی (ai) چیست؟

Intelligence در لغت به معنای «هوش» است و هوش همان چیزی است تمامی رفتارهای انسان -حتی ساده‌ترین رفتارها- به آن نسبت داده می‌شود و این در حالی است که در مورد موجودی مانند حشره -حتی در مورد پیچیده‌ترین رفتارهایی که از خود می‌تواند نشان دهد- کلمهٔ هوش مصداقی ندارد. چه تفاوتی میان این دو وجود دارد؟
موضوع بحث ما در این مقاله بررسی تفاوت هوش انسان با سایر موجودات نیست اما به عنوان نمونه، یک وجه تمایز میان انسان و اغلب موجودات این است که انسان‌ها (و البته برخی حیوانات) قادرند تا در موقعیت‌های مختلف اطلاعاتی را کسب نموده و سپس این اطلاعات را در موقعیتی جدید، به شیوه‌ای دیگر و حتی با هدفی دیگر به کار ببندند؛ اما موجودی مانند حشره چنین قابلیتی را ندارد و اگر یک موقعیت کاملاً مشابه بارها و بارها برای آن تکرار شود باز هم -حداقل در ظاهر- چیزی نخواهد آموخت و پیشرفت چشمگیری در رفتار آ‌ن‌ مشاهده نخواهد شد (البته این تنها وجه تمایز انسان و سایر موجودات نیست و همان‌طور که می‌دانیم هوش انسان از پیچیدگی و گستردگی خارق‌العاده‌ای برخوردار بوده و جنبه‌های مختلفی را در بر می‌گیرد).
Artificial Intelligence (هوش مصنوعی) که به طور خلاصه AI خوانده می‌شود، شاخه‌ای از علوم کامپیوتر است که در بر گیرندهٔ تمام فرآیندهایی است که به شبیه‌سازی هوش انسان (و یا حیوانات) بر روی کامپیوتر‌ها و یا دستگاه‌هایی که توسط کامپیوتر کنترل می‌شوند می‌پردازند. امروزه پژوهش‌های هوش مصنوعی عمدتاً بر جنبه‌های Learning (یادگیری)، Reasoning (استدلال)، Problem Solving (حل مسئله)، Perception (ادراک) و Language (زبان) متمرکز شده است.

https://sokanacademy.com/blog/4972/%...8C%D8%B3%D8%AA

تاریخ هوش مصنوعی
هوش مصنوعی به خودی خود علمی است كاملاً جوان. در واقع بسیاری شروع هوش مصنوعی را 1950 می‌ دانند زمانی كه آلن تورینگ مقاله دوران‌ساز خود را در باب چگونگی ساخت ماشین هوشمند نوشت (آنچه بعدها به تست تورینگ مشهور شد) تورینگ درآن مقاله یك روش را برای تشخیص هوشمندی پیشنهاد می‌كرد. این روش بیشتر به یك بازی شبیه بود.

فرض كنید شما در یك سمت یك دیوار (پرده یا هر مانع دیگر) هستید و به صورت تله تایپ باآن سوی دیوار ارتباط دارید و شخصی از آن سوی دیوار از این طریق با شما در تماس است. طبیعتاً یك مكالمه بین شما و شخص آن سوی دیوار می‌تواند صورت پذیرد. حال اگر پس از پایان این مكالمه، به شما گفته شود كه آن سوی دیوار نه یك شخص بلكه (شما كاملاً از هویت شخص آن سوی دیوار بی‌خبرید) یك ماشین بوده كه پاسخ شما را می‌داده، آن ماشین یك ماشین هوشمند خواهد بود، در غیر این صورت(یعنی در صورتی كه شما در وسط مكالمه به مصنوعی بودن پاسخ پی ببرید) ماشین آن سوی دیوار هوشمند نیست و موفق به گذراندن تست تورینگ نشده است. باید دقت كرد كه تورینگ به دو دلیل كاملاً مهم این نوع از ارتباط(ارتباط متنی به جای صوت) را انتخاب كرد. اول این كه موضوع ادراكی صوت را كاملاً از صورت مساُله حذف كند و این تست هوشمندی را درگیر مباحث مربوط به دریافت و پردازش صوت نكند و دوم این كه بر جهت دیگری هوش مصنوعی به سمت نوعی از پردازش زبان طبیعی تاكید كند.
در هر حال هر چند تاكنون تلاش‌های متعددی در جهت پیاده سازی تست تورینگ صورت گرفته مانند برنامه Eliza و یا AIML (زبانی برای نوشتن برنامه‌‌‌‌هایی كه قادر به chat كردن اتوماتیك باشند) اما هنوز هیچ ماشینی موفق به گذر از چنین تستی نشده است.
همانگونه كه مشخص است، این تست نیز كماكان دو پیش فرض اساسی را در بردارد:
1ـ نمونه كامل هوشمندی انسان است.
2ـ مهمترین مشخصه هوشمندی توانایی پردازش و درك زبان طبیعی است. درباره نكته اول به تفصیل تا بدین جا سخن گفته ایم؛ اما نكته دوم نیز به خودی خود باید مورد بررسی قرارگیرد. این كه توانایی درك زبان نشانه هوشمندی است تاریخی به قدمت تاریخ فلسفه دارد. از نخستین روزهایی كه به فلسفه(Epistemology) پرداخته شده زبان همیشه در جایگاه نخست فعالیت‌های شناختی قرار داشته است. از یونانیان باستان كه لوگوس را به عنوان زبان و حقیقت یكجا به كار می‌بردند تا فیلسوفان امروزین كه یا زبان را خانه وجود می‌دانند، یا آن را ریشه مسائل فلسفی می‌خوانند؛ زبان، همواره شاُن خود را به عنوان ممتازترین توانایی هوشمندترین موجودات حفظ كرده است. با این ملاحظات می‌توان درك كرد كه چرا آلن تورینگ تنها گذر از این تست متظاهرانه زبانی را شرط دست‌یابی به هوشمندی می‌داند. تست تورینگ اندكی كمتر از نیم‌قرن هوش مصنوعی را تحت تاُثیر قرار داد اما شاید تنها در اواخر قرن گذشته بود كه این مسئله بیش از هر زمان دیگری آشكار شد كه متخصصین هوش مصنوعی به جای حل این مسئله باشكوه ابتدا باید مسائل كم‌اهمیت‌تری همچون درك تصویر (بینایی ماشین) درك صوت و… را حل كنند.به این ترتیب با به محاق رفتن آن هدف اولیه، اینك گرایش‌های جدیدتری در هوش مصنوعی ایجاد شده‌اند. در سال‌های آغازین AI تمركز كاملاً برروی توسعه سیستم‌هایی بود كه بتوانند فعالیت‌های هوشمندانه(البته به زعم آن روز) انسان را مدل كنند، و چون چنین فعالیت‌هایی را در زمینه‌های كاملاً خاصی مانند بازی‌های فكری، انجام فعالیت‌های تخصصی حرف‌های، درك زبان طبیعی، و…. می‌دانستند طبیعتاً به چنین زمینه‌هایی بیشتر پرداخته شد.
در زمینه توسعه بازی‌ها، تا حدی به بازی شطرنج پرداخته شد كه غالباً عده‌ای هوش مصنوعی را با شطرنج همزمان به خاطر می‌آورند. مك‌كارتی كه پیشتر اشاره شد، از بنیان‌گذاران هوش مصنوعی است این روند را آنقدر اغراق‌آمیز می‌داند كه می‌گوید:
«محدود كردن هوش مصنوعی به شطرنج مانند این است كه علم ژنتیك را از زمان داروین تا كنون تنها محدود به پرورش لوبیا كنیم.» به هر حال دستاورد تلاش مهندسین و دانشمندان در طی دهه‌های نخست را می‌توان توسعه تعداد بسیار زیادی سیستم‌های خبره در زمینه‌های مختلف مانند پزشكی عمومی، اورژانس، دندانپزشكی، تعمیرات ماشین،….. توسعه بازی‌های هوشمند، ایجاد مدل‌های شناختی ذهن انسان، توسعه سیستمهای یادگیری،…. دانست. دستاوردی كه به نظر می‌رسد برای علمی با كمتر از نیم قرن سابقه قابل قبول به نظر می‌رسد.

https://article.tebyan.net/9676/%D9%...C%D8%B3%D8%AA-

افق‌های هوش مصنوعی در 1943،Mcclutch (روانشناس، فیلسوف و شاعر) و Pitts (ریاضیدان) طی مقاله‌ای، دیده‌های آن روزگار درباره محاسبات، منطق و روانشناسی عصبی را تركیب كردند. ایده اصلی آن مقاله چگونگی انجام اعمال منطقی به وسیله اجزای ساده شبكه عصبی بود. اجزای بسیار ساده (نورون‌ها) این شبكه فقط از این طریق سیگنال های تحریك (exitory) و توقیف (inhibitory) با هم درتماس بودند. این همان چیزی بود كه بعدها دانشمندان كامپیوتر آن را مدارهای (And) و (OR) نامیدند و طراحی اولین كامپیوتر در 1947 توسط فون نیومان عمیقاً از آن الهام می‌گرفت. امروز پس از گذشته نیم‌قرن از كار Mcclutch و Pitts شاید بتوان گفت كه این كار الهام بخش گرایشی كاملاً پویا و نوین در هوش مصنوعی است. پیوندگرایی (Connectionism) هوشمندی را تنها حاصل كار موازی و هم‌زمان و در عین حال تعامل تعداد بسیار زیادی اجزای كاملاً ساده به هم مرتبط می‌داند. شبكه‌های عصبی كه از مدل شبكه عصبی ذهن انسان الهام گرفته‌اند امروزه دارای كاربردهای كاملاً علمی و گسترده تكنولوژیك شده‌اند و كاربرد آن در زمینه‌های متنوعی مانند سیستم‌های كنترلی، رباتیك، تشخیص متون، پردازش تصویر،… مورد بررسی قرار گرفته است.

علاوه بر این كار بر روی توسعه سیستم‌های هوشمند با الهام از طبیعت (هوشمندی‌های ـ غیر از هوشمندی انسان) اكنون از زمینه‌های كاملاً پرطرفدار در هوش مصنوعی است. الگوریتم ژنیتك كه با استفاده از ایده تكامل داروینی و انتخاب طبیعی پیشنهاد شده روش بسیار خوبی برای یافتن پاسخ به مسائل بهینه سازیست. به همین ترتیب روش‌های دیگری نیز مانند استراتژی‌های تكاملی نیز (Evolutionary Algorithms) در این زمینه پیشنهاد شده اند. دراین زمینه هر گوشه‌ای از سازو كار طبیعت كه پاسخ بهینه‌ای را برای مسائل یافته است مورد پژوهش قرار می‌گیرد. زمینه‌هایی چون سیستم امنیتی بدن انسان (Immun System) كه در آن بیشمار الگوی ویروس‌های مهاجم به صورتی هوشمندانه ذخیره می‌شوند و یا روش پیدا كردن كوتاه‌ترین راه به منابع غذا توسط مورچگان (Ant Colony) همگی بیانگر گوشه‌هایی از هوشمندی بیولوژیك هستند. گرایش دیگر هوش مصنوعی بیشتر بر مدل سازی اعمال شناختی تاُكید دارد (مدل سازی نمادین یا سمبولیك) این گرایش چندان خود را به قابلیت تعمق بیولوژیك سیستم‌های ارائه شده مقید نمی‌كند. CASE-BASED REASONING یكی از گرایش‌های فعال در این شاخه می‌باشد. بعنوان مثال روند استدلال توسط یك پزشك هنگام تشخیص یك بیماری كاملاً شبیه به CBR است به این ترتیب كه پزشك در ذهن خود تعداد بسیار زیادی از شواهد بیماری‌های شناخته شده را دارد و تنها باید مشاهدات خود را با نمونه‌های موجود در ذهن خویش تطبیق داده، شبیه‌ترین نمونه را به عنوان بیماری بیابد. به این ترتیب مشخصات، نیازمندی‌ها و توانایی‌های CBR به عنوان یك چارچوب كلی پژوهش در هوش مصنوعی مورد توجه قرارگرفته است. البته هنگامی كه از گرایش‌های آینده سخن می‌گوییم، هرگز نباید از گرایش‌های تركیبی غفلت كنیم. گرایش‌هایی كه خود را به حركت در چارچوب شناختی یا بیولوژیك یا منطقی محدود نكرده و به تركیبی از آنها می‌اندیشند. شاید بتوان پیش‌بینی كرد كه چنین گرایش‌هایی فرا ساختارهای (Meta –Structure) روانی را براساس عناصر ساده بیولوژیك بنا خواهند كرد.
1- Jon Mccarthy
2-NP-Complete Problems
3-Von Neumen
4-Artificial Intelligence Markup Language

https://article.tebyan.net/9676/%D9%...C%D8%B3%D8%AA-

طبقه‌بندی هوش مصنوعی
یادگیری ماشین

یادگیری ماشین (Machine Learning) شاخه‌ای از هوش مصنوعی است که به مطالعه و ساخت سیستم‌هایی با قابلیت یادگیری از داده‌ها می‌پردازد. به طور مثال، به کمک سیستم یادگیری ماشین می‌توان یک سیستم مدیریت ایمیل را آموزش داد تا پیام‌های هرزنامه را از دیگر پیام‌ها تشخیص دهد. این سیستم پس از یادگیری می‌تواند به دسته‌بندی ایمیل‌های جدید به هرزنامه و غیر آن بپردازد.
مساله اصلی در یادگیری ماشین، عرضه و کلی‌سازی است. عرضه نمونه‌های داده‌ای و توابعی که بر اساس این نمونه‌ها ارزیابی می‌شوند، همگی بخشی از سیستم‌های یادگیری ماشین هستند. کلی‌سازی به معنی این قابلیت است که سیستم روی نمونه‌های داده‌ای نادیده نیز به خوبی عمل خواهد کرد. شرایطی که تحت آنها بتوان این مساله را تضمین کرد، از موضوعات اصلی مطالعه در زیرمجموعه نظریه یادگیری محاسباتی است.
انواع گسترده ای از فعالیت‌ها و کاربردهای موفق یادگیری ماشین وجود دارد. تشخیص اپتیکال کاراکتر که در آن کاراکترهای چاپی به صورت خودکار و بر اساس نمونه‌های قبلی شناخته می‌شوند، مثالی سنتی از یادگیری دستگاه است.

تعریف و شاخه‌های هوش مصنوعی | ماهنامه پیوست

بینایی ماشین

بینایی ماشین (Machine Vision) فناوری و روش‌های مورد استفاده برای بهبود شناسایی و تحلیل خودکار مبتنی بر تصویر در کاربردهایی مانند بازرسی خودکار، کنترل روند و هدایت روبات در صنعت است. حوزه بینایی ماشین بسیار گسترده است. کاربرد اصلی بینایی ماشین در بازرسی خودکار و هدایت روبات‌های صنعتی است، همچنین برخی کاربردهای رایج بینایی ماشین در تضمین کیفیت، دسته‌بندی، کار با مواد، هدایت روبات‌ها و اندازه‌گیری نوری است.
روش‌های بینایی ماشین به دو صورت تعریف می‌شوند، تعریف و ایجاد یک برنامه بینایی ماشین و نیز روندی فنی که در جریان اجرای این برنامه اتفاق می‌افتد. در اینجا به مورد دوم می‌پردازیم. این مساله شامل رابط‌های کاربری، رابط‌های ادغام سیستم‌های چندبخشی و تبادل داده اتوماتیک می‌شود. به هر حال، اولین قدم در جریان اجرای بینایی ماشین، گرفتن یک تصویر است که معمولا با استفاده از دوربین، لنز و نورپردازی انجام می‌شود و باید وضوح مورد نیاز در پردازش‌های بعدی در طراحی آن لحاظ شده باشد. سپس بسته نرم‌افزاری بینایی ماشین از تکنیک‌های مختلف پردازش تصویر دیجیتال استفاده کرده و اطلاعات مورد نیاز را استخراج و معمولا بر اساس اطلاعات استخراج‌شده تصمیم‌گیری (معمولا تایید/رد) می‌کند.
پردازش زبان طبیعی

پردازش زبان طبیعی (Natural Language Processing) یکی از حوزه‌های علوم کامپیوتر، هوش مصنوعی و زبانشناسی است که به تعامل کامپیوتر و زیان انسان (طبیعی) می‌پردازد. از این منظر پردازش زبان طبیعی به حوزه تعامل انسان-کامپیوتر مربوط می‌شود. بسیاری از چالش‌های پردازش زبان طبیعی به درک زبان طبیعی مربوط می‌شود – یعنی ایجاد توانایی در کامپیوتر برای استخراج مفهوم ورودی زیان انسانی یا طبیعی.
با وجود فعالیت‌های قدیمی‌تر، تاریخچه پردازش زبان طبیعی عموما در دهه ۱۹۵۰ آغاز شد. در سال ۱۹۵۰ آلن تورینگ مقاله‌ای را با عنوان «هوش و دستگاه محاسباتی» منتشر و در آن، آنچه را امروز به تست تورینگ موسوم است، به عنوان ابزاری برای هوش معرفی کرده بود.
روباتیک

روباتیک شاخه‌ای از فناوری است که به طراحی، ساخت، عملیات و کاربرد روبات‌ها و سیستم‌های کامپیوتری برای کنترل، فیدبک حسگرها و پردازش اطلاعات می‌پردازد. این فناوری‌ها با دستگاه‌های خودکاری سر و کار دارند که می‌توانند جانشین انسان در محیط‌ها یا روندهای تولیدی خطرناک‌ شوند یا ظاهر، رفتار و درک انسانی را شبیه‌سازی کنند. بسیاری از روبات‌های امروزی از طبیعت الهام گرفته‌اند که به شاخه روباتیک ملهم از بیولوژی مربوط می‌شوند. مفهوم ایجاد ماشین‌هایی که بتوانند خودکار کار کنند، به زمان‌های دور برمی‌گردد اما تحقیق روی عملیاتی کردن و کاربردهای احتمالی روبات‌ها از قرن بیستم آغاز شد. در طول تاریخ، روبات‌ها به تقلید رفتار انسانی شناخته شده و توانسته‌اند کارهای مشابهی نیز انجام دهند. امروزه و با پیشرفت فناوری، رشته روباتیک با سرعت زیادی در حال پیشرفت است. تحقیق، طراحی و ساخت روبات‌های جدید با اهداف کاربردی متفاوت عمومی، تجاری یا نظامی انجام شده است. بسیاری از روبات‌ها کارهایی را انجام می‌دهند که برای انسان خطرناک است؛ مانند خنثی‌سازی بمب و مین و بازرسی لاشه کشتی.
سیستم‌های خبره

در هوش مصنوعی، یک سیستم خبره (Expert System) یک سیستم کامپیوتری است که توانایی تصمیم‌سازی یک انسان خبره را شبیه‌سازی می‌کند. سیستم‌های خبره برای حل مشکلات پیچیده از طریق استنتاج در دانش خبرگی همانند یک انسان خبره است نه پیروی از دستورالعمل‌های برنامه‌نویس، آن‌طور که در برنامه‌های معمولی است. اولین سیستم‌های خبره در دهه ۱۹۷۰ ایجاد شدند و در دهه ۱۹۸۰ توسعه یافتند. سیستم‌های خبره از اولین اشکال واقعا موفق نرم‌افزارهای هوش مصنوعی بودند.
سیستم خبره یک ساختار خاص، متفاوت از برنامه‌های کامپیوتری متداول است و به دو بخش تقسیم می‌شود؛ یک بخش ثابت، مستقل از سیستم خبره: موتور استنتاج و یک بخش متغیر: پایگاه دانش. در اجرای سیستم خبره، موتور همانند یک انسان بر اساس پایگاه دانش، استدلال می‌کند. در دهه ۸۰ بخش سومی هم ظاهر شد: رابط مکالمه برای ارتباط با کاربران. این توانایی برای مکالمه با کاربران بعدها به مکالمه‌ای شهرت یافت.
شبکه عصبی

شبکه عصبی (Neural Networks) مصنوعی گروهی از گره‌ها (نودها)ی به هم پیوسته، همانند شبکه عصبی گسترده در مغز است. در اینجا هر کدام از نودهای دایره‌شکل نشان‌دهنده یک عصب مصنوعی و فلش‌ها نشانگر اتصال از خروجی یک عصب به ورودی عصب دیگر هستند.
در علوم کامپیوتر و رشته‌های مربوطه، شبکه‌های عصبی مصنوعی مدل‌هایی الهام‌گرفته شده از سیستم عصبی مرکزی حیوانات (به ویژه مغز) هستند که توانایی یادگیری دستگاه و تشخیص الگو را دارند. این شبکه‌ها معمولا سیستمی از عصب‌های به هم پیوسته‌اند که می‌توانند مقادیر ورودی را با تزریق اطلاعات در شبکه محاسبه کنند.
به طور مثال در شبکه عصبی تشخیص دست‌خط، مجموعه‌ای از عصب‌های ورودی با پیکسل‌های تصویر ورودی فعال می‌شوند که نماینده یک حرف یا عدد است. فعال شدن این عصب‌ها بر اساس تابعی که توسط طراح شبکه تعیین شده، به دیگر عصب‌ها منتقل، ارزیابی یا تغییر داده می‌شود تا نهایتا عصب خروجی فعال شود و تعیین کند چه کاراکتری خوانده شده است.
همانند دیگر روش‌های یادگیری ماشین، شبکه‌های عصبی هم در انواع فعالیت‌هایی استفاده می‌شوند که انجام آنها با برنامه‌نویسی قراردادی معمولی دشوار است؛ از جمله بینایی ماشین و تشخیص صحبت.
الگوریتم ژنتیک

در شاخه هوش مصنوعی از رشته علوم کامپیوتر، یک الگوریتم ژنتیک (Genetic Algorithm) یک جست‌وجوی مکاشفه‌ای است که روند انتخاب طبیعی را شبیه‌سازی می‌کند. این کاشف (که گاهی متامکاشفه نیز نامیده می‌شود)، به صورت معمول برای ایجاد راه‌حل‌های مفید در مسائل بهینه‌سازی و جست‌وجو استفاده می‌شود. الگوریتم‌های ژنتیکی به طبقه‌ای بزرگ‌تر از الگوریتم‌های تکاملی (Evolutionary Algorithm) تعلق دارند که با استفاده از تکنیک‌های الهام‌گرفته از تکامل طبیعی، مانند ارث‌بری، جهش، انتخاب و عبور، راه‌حل‌هایی را برای مسائل بهینه‌سازی تولید می‌کنند.
الگوریتم‌های ژنتیکی در بیوانفورماتیک، فیلوژنتیک، علوم محاسباتی، مهندسی، اقتصاد، شیمی، تولید، فیزیک، ریاضیات، داروشناسی و دیگر موارد کاربرد دارد

تعریف و شاخه‌های هوش مصنوعی | ماهنامه پیوست

زبان‌های برنامه‌نویسی پرکاربرد در صنعت هوش مصنوعی
برنامه‌های هوش مصنوعی تقریباً به همهٔ زبان‌های برنامه‌نویسی نوشته شده‌اند اما به نظر می‌رسد که محبوب‌ترین زبان‌ها در این زمینه Lisp ،Prolog ،Java و Python هستند.
Lisp: در دهه‌های ۱۹۷۰ و ۱۹۸۰ زبان Lisp، کامل‌ترین و محبوب‌ترین زبان در برنامه‌نویسی هوش مصنوعی به حساب می‌آمد. این محبوبیت به دلیل قابلیت Prototyping فوق‌العادهٔ آن و همچنین پشتیبانی آن از Symbolic Expressions بود. البته این زبان هنوز هم زبان محبوبی است و عمدتاً در یادگیری ماشینی کاربرد دارد. Lisp زبان قدرتمندی است که در پروژه‌های بزرگ هوش مصنوعی همچون Macsyma ،Dart و CYC مورد استفاده قرار گرفته است.
Prolog: زبان Prolog از لحاظ کارایی در سطح زبان Lisp است. قابلیت‌هایی مانند Pattern Matching ،Automatic Backtracking و مکانیسم‌های مبتنی بر دیتا استراکچر درخت مانند، آن را به یک زبان کاربردی تبدیل نموده است. زبان Prolog به طور گسترده‌ای در سیستم‌های خبره (Expert System) و همچنین در سایر پروژه‌های هوش مصنوعی با مقاصد پزشکی کاربرد دارد.
Java: برای برنامه‌نویسی هوش مصنوعی، زبان جاوا می‌تواند یک انتخاب عالی باشد. این زبان شیی‌ٔگرا عمدتاً بر ایجاد قابلیت‌های سطح بالای مورد نیاز در پروژه‌های هوش مصنوعی کاربرد دارد و فرآیند گاربیج کالکشن نیز به صورت خودکار در آن انجام می‌شود. جامعهٔ پرجمعیت زبان جاوا نیز یک امتیاز مثبت دیگر این زبان است زیرا با وجود این جامعهٔ بزرگ همیشه کسی برای پاسخ دادن به سؤالات و مشکلات دولوپرها وجود خواهد داشت.
زبان جاوا از این جهت که کدنویسی الگوریتم‌ها را آسان می‌کند نیز از اهمیت خاصی برخوردار است زیرا برنامه‌های هوش مصنوعی اغلب الگوریتم‌های فراوان و متعددی را شامل می‌شوند. همچنین مقیاس‌پذیری این زبان نیز از جمله مزیت‌های آن برای استفاده در هوش مصنوعی به حساب می‌آید (برای شروع یادگیری این زبان، می‌توانید به دورهٔ آموزش رایگان جاوا در سکان آکادمی مراجعه نمایید).
Python: زبان Python به علت سینتکس سادهٔ خود، یکی از پرکاربردترین زبان‌ها در حوزهٔ هوش مصنوعی است. این زبان در زمینه‌های دیتا استراکچر و سایر الگوریتم‌های پرکاربرد در هوش مصنوعی مورد استفاده قرار می‌گیرد. از دیگر دلایل محبوبیت این زبان در حوزهٔ هوش مصنوعی می‌توان به وجود لایبرری‌های کاربردی آن -مانند Numpy (برای ایجاد قابلیت انجام محاسبات علمی)، Scypy (برای محاسبات پیشرفته) و Pybrain (برای استفاده در حوزهٔ یادگیری ماشینی) اشاره نمود (برای شروع یادگیری این زبان، می‌توانید به دورهٔ آموزش رایگان پایتون در سکان آکادمی مراجعه نمایید).
حوزه‌های مختلف هوش مصنوعی
دامنهٔ علم هوش مصنوعی بسیار گسترده بوده و همچنان نیز در حال گسترده‌تر شدن و پیشرفت است؛ با این حال، پژوهش‌های هوش مصنوعی را می‌توان در ۵ زیرشاخهٔ کلی طبقه‌بندی نمود:
منطق فازی
ایدهٔ Fuzzy Logic (منطق فازی) نخستین بار در سال ۱۹۶۵ توسط دکتر لطفی‌زاده مطرح شد. منطق فازی روشی در محاسبات است که برخلاف منطق رایج بولینی (۰ یا ۱)، بر مبنای درجهٔ‌ درستی بنا شده است. این روش، نحوهٔ‌ استدلال انسان را شبیه‌سازی می‌کند و تمام حالت‌های مابین دو حالت بولینی بله و خیر (مطمئناً بله، احتمالاً بله، نمی‌توان گفت بله یا خیر، احتمالاً خیر، مطمئناً خیر) را در نظر می‌گیرد. به عنوان مثال، در یک سیستم تهویهٔ هوا، حالت‌های مختلفی مانند خیلی گرم، گرم، معمولی، سرد،‌ خیلی سرد می‌تواند در مورد میزان دمای اتاق در نظر گرفته شود.
این روش را می‌توان در سیستم‌هایی با ابعاد و قابلیت‌های مختلف و همچنین بر روی سخت‌افزار، نرم‌افزار و یا ترکیبی از هر دو، پیاده‌سای نمود. از جمله کاربرد‌های روزمرهٔ سیستم‌های فازی در هوش مصنوعی می‌توان به دندهٔ اتوماتیک اتومبیل‌ها، کنترل محیط خودرو، دستگاه‌های فتوکپی،‌ دوربین‌های عکاسی و فیلم برداری، تلویزیون‌، مایکرویو،‌ یخچال، تُستر،‌ جاروبرقی، ماشین لباس‌شویی، تهویهٔ مطبوع، خشک‌کن، رطوبت‌ساز و … اشاره نمود. همچنین این روش در هوشمندسازی نرم‌افزارها و شخصیت‌های نرم‌افزاری، جلوه‌های ویژهٔ سینمایی و … نیز کاربرد دارد.
پردازش زبان طبیعی
Natural Language Processing (پردازش زبان طبیعی) روشی در هوش مصنوعی است که توسط سیستم‌های هوشمند برای تحلیل یک زبان طبیعی -مثلاً انگلیسی- مورد استفاده قرار می‌گیرد. پردازش زبان طبیعی در مواردی همچون ترجمه و خلاصه‌سازی خودکار متون، ایجاد جملاتی به زبان طبیعی (به صورت نوشتار و گفتار) و تکنولوژی تشخیص گفتار (به عنوان مثال در گفتگو با دستیارهای مجازی و یا در هنگام سرچ صوتی)، قطعه‌بندی متون و اطلاعات و بسیاری حوزه‌های دیگر کاربرد دارد.
سیستم‌های خُبره
Expert Systems (سیستم‌های خُبره) نرم‌افزارهایی هستند که -در یک حوزهٔ‌ تخصصی- مانند یک انسان متخصص عمل می‌کنند. این سیستم‌ها هنگامی کاربرد دارند که قرار است کاری تخصصی در غیاب متخصص، صورت بگیرد (مثلاً در مورادی که استخدام یک متخصص از لحاظ اقتصادی مقرون‌ به‌ صرفه نیست و یا اینکه دسترسی به محل انجام کار بسیار دشوار است و متخصصی حاضر نیست تا در آنجا کار کند).
سیستم‌های خبره در مواردی چون تشخیص پزشکی،‌ انجام بازی‌هایی که نیاز به فکر کردن دارند (مانند شطرنج)، پیشنهادات اقتصادی، تشخیص اشیاء، تعیین محل مناسب حفاری برای دستیابی به آب یا نفت و … به کار می‌روند.
روباتیک
روبات‌ها عواملی ساختهٔ دست بشر هستند که در دنیای واقعی اعمالی همچون انسان‌ها را انجام می‌دهند و روباتیک شاخه‌ای از هوش مصنوعی است که با ایجاد روبات‌های هوشمند و کارا سر و کار دارد و مجموعه‌ای از علوم مهندسی الکترونیک، مهندسی مکانیک و کامپیوتر را شامل می‌گردد.
جنبه‌های مختلفی از هوش مصنوعی در حوزهٔ روباتیک کاربرد دارند. به عنوان مثال Computer Vision (بینایی کامپیوتری) یکی از جنبه‌های کاربردی هوش مصنوعی در روباتیک است که امکان بررسی و تحلیل محیط پیرامون را برای روبات‌ها فراهم می‌آورد. روبات‌ها در صنایع تولیدی، صنایع دفاعی، خدمات درمانی، پژوهش‌های علمی (مانند فعالیت‌های اکتشافی)، سرگرمی و … مورد استفاده قرار می‌گیرند.
شبکه‌های عصبی
تعریف دکتر Robert Hecht-Nielsen، مخترع نخستین کامپیوتر عصبی (Neurocomputer) از شبکهٔ عصبی مصنوعی این‌گونه است که شبکهٔ‌ عصبی مصنوعی از تعدادی عناصر ساده تشکیل شده است که ارتباط درونی بالایی با یکدیگر دارند و با پاسخ‌های دینامیک خود، قادرند اطلاعات ورودی به سیستم را پردازش نمایند.
شبکه‌های عصبی مصنوعی در صنایع هوافضا، خودروهای بدون راننده، صنایع دفاعی،‌ صنایع الکترونیک،‌ مسائل مالی و اقتصادی، صنایع تولیدی، نرم‌افزارها و … مورد استفاده قرار می‌گیرند.

https://sokanacademy.com/blog/4972/%...8C%D8%B3%D8%AA

هوش مصنوعی چیست ؟

هوش مصنوعی (Artificial Intelligence) را باید عرصهٔ پهناور تلاقی و ملاقات بسیاری از دانشها، علوم، و فنون قدیم و جدید دانست. ریشه‌ها و ایده‌های اصلی آن را باید در فلسفه، زبان‌شناسی، ریاضیات، روان‌شناسی، نورولوژی، و فیزیولوژی نشان گرفت و شاخه‌ها، فروع، و کاربردهای گونه‌گونه و فراوان آن را در علوم رایانه، علوم مهندسی، علوم زیست‌شناسی و پزشکی، علوم ارتباطات و زمینه‌های بسیار دیگر.

هوش مصنوعی را به عنوان کوششهائی در پی ساختن رایانه های نظام مند ( سخت افزار و نرم افزار ) که رفتاری شبیه انسان داشته باشند ، بیان می کنند . یک سیستم هوش مصنوعی به راستی نه مصنوعی است و نه هوشمندبلکه دستگاهی است هدف گرا که مسائل را به روش مصنوعی حل می کند ، این سیستم ها بر پایه دانش ، تجربه و الگوهای استدلالی انسان به وجود آمده اند .

هدف هوش مصنوعی بطور کلی ساخت ماشینی است که بتواند «فکر» کند. اما برای دسته بندی و تعریف ماشینهای متفکر، می‌بایست به تعریف «هوش» پرداخت. همچنین به تعاریفی برای «آگاهی» و «درک» نیز نیازمندیم و در نهایت به معیاری برای سنجش هوش یک ماشین نیازمندیم.

هنوز تعریف دقیقی که مورد قبول همهٔ دانشمندان این علم باشد برای هوش مصنوعی ارائه نشده‌است، و این امر، به هیچ وجه مایهٔ تعجّب نیست. چرا که مقولهٔ مادر و اساسی‌تر از آن، یعنی خود هوش هم هنوز بطور همه‌جانبه و فراگیر تن به تعریف نداده‌است. در واقع، می‌توان نسل‌هایی از دانشمندان را سراغ گرفت که تمام دوران زندگی خود را صرف مطالعه و تلاش در راه یافتن جوابی به این سؤال عمده نموده‌اند که: هوش چیست؟

اما اکثر تعریف‌هایی که در این زمینه ارایه شده‌اند بر پایه یکی از چهار باور زیر قرار می‌گیرند:

• سیستم‌هایی که به طور منطقی فکر می‌کنند
  
  
• سیستم‌هایی که به طور منطقی عمل می‌کنند
  
  
• سیستم‌هایی که مانند انسان فکر می‌کنند
  
  
• سیستم‌هایی که مانند انسان عمل می‌کنند
  
  

شاید بتوان هوش مصنوعی را این گونه توصیف کرد:«هوش مصنوعی عبارت است از مطالعه این که چگونه کامپیوترها را می‌توان وادار به کارهایی کرد که در حال حاضر انسان‌ها آنها رابهتر انجام می‌دهند»

تعریف دیگری که از هوش مصنوعی می‌توان ارائه داد به قرار زیر است:

« هوش مصنوعی، شاخه‌ایست از علم کامپیوتر که ملزومات محاسباتی اعمالی همچون ادراک (Perception) ، استدلال (Reasoning) و یادگیری (Learning) را بررسی کرده و سیستمی جهت انجام چنین اعمالی ارائه می‌دهد.»

و در نهایت تعریف سوم هوش مصنوعی از قرار زیر است:

«هوش مصنوعی، مطالعه روش‌هایی است برای تبدیل کامپیوتر به ماشینی که بتواند اعمال انجام شده توسط انسان را انجام دهد.»

بطور کلی ماهیت وجودی هوش به مفهوم جمع آوری اطلاعات, استقرا و تحلیل تجربیات به منظور رسیدن به دانش و یا ارایه تصمیم میباشد . در واقع هوش به مفهوم به کارگیری تجربه به منظور حل مسایل دریافت شده تلقی میشود. هوش مصنویی علم و مهندسی ایجاد ماشینهایی با هوش با به کارگیری از کامپیوتر و الگوگیری از درک هوش انسانی و نهایتا دستیابی به مکانیزم هوش مصنوعی در سطح هوش انسانی میباشد.

در مقایسه هوش مصنوعی با هوش انسانی می توان گفت که انسان قادر به مشاهده و تجزیه و تحلیل مسایل در جهت قضاوت و اخذ تصمیم میباشد در حالی که هوش مصنوعی مبتنی بر قوانین و رویه هایی از قبل تعبیه شده بر روی کامپیوتر میباشد. در نتیجه علی رغم وجود کامپیوترهای بسیار کارا و قوی در عصر حاضر ما هنوز قادر به پیاده کردن هوشی نزدیک به هوش انسان در ایجاد هوشهای مصنوعی نبوده ایم.

روش شناسی ( Methodology ) هوش مصنوعی هنوز به عنوان یک نقطه ضعف مورد انتقاد بسیاری از صاحبنظران است ، از نظر برخی از آنان این ضعف یک شکل تکاملی است که به تاریخچه کوتاه علم رایانه مربوط است .

روش های هوش مصنوعی روش هائی هستند که به درد مسائلی می خورند که به خوبی تعریف شده اند ، به طور مثال بسیاری از مسائل محاسباتی معمولی از محاسبات فیزیک گرفته تا محاسبه حقوق و دستمزد از این دسته مسئل هستند که برای آنها الگوریتم مشخصی وجود دارد و نیازی به جستجو برای یافتن حل مسأله نیست .

دانشمندان هوش مصنوعی و به طور کلی دانشمندان رشته های مختلف ، اکنون مایلند با مدل هائی کار کنند که آنها را ” مدل مؤلف ” می نامند.

آنها بدنبال ساخت ماشینی مقلد هستند، که بتواند با شبیه‌سازی رفتارهای میلیونها یاخته مغز انسان، همچون یک موجود متفکر به اندیشیدن بپردازد.

در بسیاری از موارد، با پوشانیدن و پنهان ساختن جزئیّات فاقد اهمّیّت است که بر پیچیدگی فائق می‌آییم، و می‌توانیم بر روی بخش‌هایی از مسئله متمرکز شویم که مهم‌تر است. تلاش اصلی، در واقع، ایجاد و دستیابی به لایه‌ها و ترازهای بالاتر است ، تا آنجا که ، سر‌انجام برنامه‌های کامپوتری درست در همان سطحی کار خواهند کرد که خود انسان‌ها به کار مشغولند.

به یاری پژوهش‌های گسترده دانشمندان علوم مرتبط، هوش مصنوعی از آغاز پیدایش تاکنون راه بسیاری پیموده‌است. در این راستا، تحقیقاتی که بر روی توانایی آموختن زبانها انجام گرفت و همچنین درک عمیق از احساسات، دانشمندان را در پیشبرد این علم، یاری کرده‌است. یکی از اهداف متخصصین، تولید ماشینهایی است که دارای احساسات بوده و دست کم نسبت به وجود خود و احساسات خود آگاه باشند. این ماشین باید توانایی تعمیم تجربیات قدیمی خود در شرایط مشابه جدید را داشته و به این ترتیب اقدام به گسترش دامنه دانش و تجربیاتش کند.

برای نمونه به رباتی هوشمند بیاندیشید که بتواند اعضای بدن خود را به حرکت درآورد، او نسبت به این حرکت خود آگاه بوده و با سعی و خطا، دامنه حرکت خود را گسترش می‌دهد، و با هر حرکت موفقیت آمیز یا اشتباه، دامنه تجربیات خود را وسعت بخشیده و سر انجام راه رفته و یا حتی می‌دود و یا به روشی برای جابجا شدن، دست می‌یابد، که سازندگانش، برای او، متصور نبوده‌اند.

هر چند مثال ما در تولید ماشینهای هوشمند، کمی آرمانی است، ولی به هیچ عنوان دور از دسترس نیست. دانشمندان، عموماً برای تولید چنین ماشینهایی، از تنها مدلی که در طبیعت وجود دارد، یعنی توانایی یادگیری در موجودات زنده بخصوص انسان، بهره می‌برند.

هوش مصنوعی که همواره هدف نهایی دانش رایانه بوده‌است، اکنون در خدمت توسعه علوم رایانه نیز است. زبانهای برنامه نویسی پیشرفته، که توسعه ابزارهای هوشمند را ممکن می‌سازند، پایگاههای داده‌ای پیشرفته، موتورهای جستجو، و بسیاری نرم‌افزارها و ماشینها از نتایج پژوهش‌های هوش مصنوعی بهره می‌برند.

سیستمی که عاقلانه فکر کند. سامانه‌ای عاقل است که بتواند کارها را درست انجام دهد. در تولید این سیستم‌ها نحوه اندیشیدن انسان مد نظر نیست. این سیستم‌ها متکی به قوانین و منطقی هستند که پایه تفکر آنها را تشکیل داده و آنها را قادر به استنتاج و تصمیم گیری می‌نماید. آنها با وجودی که مانند انسان نمی‌اندیشند، تصمیماتی عاقلانه گرفته و اشتباه نمی‌کنند. این ماشینها لزوما درکی از احساسات ندارند. هم اکنون از این سیستم‌ها در تولید عامل‌ها در نرم افزارهای رایانه‌ای، بهره گیری می‌شود. عامل تنها مشاهده کرده و سپس عمل می‌کند.

هوش مصنوعی چیست؟ | مهندس مسعود معاونی

هوش مصنوعی چیست و چه کاربردی در صنعت گوشی‌های هوشمند دارد؟

هوش مصنوعی عبارتی بوده که بسیاری از ما حداقل یکبار آن را شنیده‌ایم، البته اگر به دنیای تکنولوژی علاقه داشته باشید، مسلما با آن و حاشیه‌های پیرامونش آشنایی دارید.
به گزارش مشرق، هوش مصنوعی عبارتی بوده که بسیاری از ما حداقل یکبار آن را شنیده‌ایم، البته اگر به دنیای تکنولوژی علاقه داشته باشید، مسلما با آن و حاشیه‌های پیرامونش آشنایی دارید. شرکت‌های بی‌شماری بر روی هوش مصنوعی سرمایه‌گذاری کرده‌اند که البته چنین موضوعی مخالفان و موافقان سرسخت زیادی دارد که از ایلان ماسک و استیون هاوکینگ می‌توان به عنوان مخالفان یاد کرد.
هوش مصنوعی چیست؟
همانگونه که می‌توان حدس زد، هوش ماشینی یا هوش مصنوعی به هوشی گفته می‌شود که قادر به انجام برخی کارها همانند انسان است، یعنی می‌تواند فکر کند، قادر به درک شرایط باشد و به سوالات نیز پاسخ دهد. یکی از دلایل مخالفت برخی افراد با توسعه هوش مصنوعی، قدرتمندتر شدن آن نسبت به انسان است که در این‌صورت شرایطی مانند فیلم ترمیناتور را باید متصور شویم! البته تحقیقات در حال حاضر چنین چیزی را نشان نمی‌دهند و همانند بسیاری از تکنولوژی‌ها، هوش مصنوعی نیز فواید و معایبی دارد که البته مزیت‌های آن بسیار بیشتر است (از بین رفتن برخی مشاغل مسلما امری خوشایند نیست). هوش مصنوعی در بسیاری از علوم و صنایع کاربرد دارد و می‌توان از آن بهره گرفت. هوش مصنوعی به علت امکان درک کردن، استدلال و همچنین یادگیری، تبدیل به یکی از هیجان‌انگیزترین مباحث دنیای تکنولوژی شده و شاهد رشته‌ای (گرایشی) به این نام در دانشگاه‌های جهان و ایران هستیم که خود نشان از اهمیت بالای هوش مصنوعی دارد. در زمینه هوش مصنوعی، شاهد دو عبارت هوش مصنوعی قوی و هوش مصنوعی ضعیف هستیم. متاسفانه هنوز برای هوش مصنوعی تعریف مشخصی نداریم، البته به این موضوع توجه کنید که برای خود هوش هم نمی‌توان تعریف مشخصی ارایه داد. شما توسط هوش مصنوعی می‌توانید کامپیوترها را مجبور به انجام کارهایی کنید که شاید خودتان بهتر بتوانید آن‌ها را اجرا نمایید، ولی این تازه اول راه است! در ابتدای امر از هوش مصنوعی برای انجام کارهای ساده استفاده می‌شد و حال با پیشرفت آن، نه تنها می‌توان وظایف مهم‌تری را بدان سپرد، بلکه با یادگیری، قادر به مبارزه با شما نیز خواهد بود. همانند دنیای واقعی، در زمینه هوش مصنوعی نیز نمی‌توان هوشمندی را از نظر همه یکسان دانست، در بسیاری از مواقع ما کار یک فرد را هوشمندانه می‌دانیم در صورتی‌که برخی آن را احمقانه تلقی می‌کنند. با این وجود می‌توان برای خصوصیات مربوط به هوشمندی، به موارد زیر اشاره کرد: امکان پاسخ به موقعیت‌هایی که از قبل نسبت به آن‌ها آگاهی نداریم، البته با انعطاف بالا تجزیه و تحلیل اطلاعات و نتیجه‌گیری امکان یادگیری برقراری ارتباط با دیگران با توجه به تعاریف بالا، دانشمندان چه انتظاراتی از هوش مصنوعی دارند؟ موارد زیر برخی از آن‌ها را شامل می‌شود: تولید، تشخیص و درک گفتار (همانند دستیارهای دیجیتالی) امکان انجام اعمال فیزیکی و دستور پذیری (همانند ربات‌های موجود در کارخانه‌ها) امکان پاسخ‌گویی به مسائل با استفاده از بانک اطلاعات پاسخ‌گویی سریع و دقیق به مسائل امکان تحلیل و استدلال نگاهی به تاریخچه هوش مصنوعی با وجود این‌که فعالیت در رابطه با هوش مصنوعی از سال 1960 میلادی شروع شد، ولی نام هوش مصنوعی از سال 1965 به عنوان یک دانش جدید مورد استفاده قرار گرفت. در ابتدا از هوش مصنوعی برای انجام بازی‌ها و همچنین اثبات قضایای ریاضی بهره گرفته می‌شد. یکی از زبان‌های برنامه‌نویسی هوش مصنوعی، لیسپ (Lisp) نام دارد که مخترع آن، جان مکارتی، برای اولین‌بار از اصطلاح هوش مصنوعی استفاده کرد. در رابطه با هوش مصنوعی آزمون‌های مختلفی وجود دارد که می‌توان به آزمون تورینگ و آزمایش اتاق چینی اشاره کرد. آزمایش تورینگ توسط آلن تورینگ در سال 1950 مطرح شد که براساس آن، فرد با ماشینی ارتباط برقرار کرده و از آن سوالاتی را می‌پرسد. در نهایت اگر فرد متوجه نشود که با شخص یا ماشین در ارتباط بوده، این آزمون موفقیت‌آمیز تلقی می‌شود، البته تا امروز شاهد چنین امری نبوده‌ایم. آزمایش اتاق چینی بدین صورت بوده که ماشین بعد از قبولی در آزمون تورینگ، باید زبان چینی را متوجه شود. برای این امر به ماشین حروف چینی داده می‌شود و ماشین باید توسط آن‌ها کلمات معنا‎دار بسازد به گونه‌ای که یک فرد چینی احساس کند با یک کاربر چینی زنده در ارتباط است. حال سوالی وجود دارد، آیا هوش مصنوعی زبان چینی را می‌فهمد یا فقط شبیه‌سازی می‌کند؟! امروزه این آزمایش برای انجام محاسبات و شبیه‌سازی با دستکاری اشیا فیزیکی صورت می‌گیرد. هوش مصنوعی و کاربرد آن در صنعت گوشی‌های هوشمند شاید ملموس‌ترین استفاده از هوش مصنوعی برای بسیاری از ما، گوشی‌های هوشمند باشند، البته نمی‌توان هوش مصنوعی که در جستجوگرهایی مانند گوگل استفاده می‌شود را نادیده گرفت. همان‌گونه که در بالا گفته شد، یکی از کاربردهای هوش مصنوعی امکان تشخیص صدا و همچنین ایجاد تعامل با کاربر است، چنین ویژگی را ما در دستیارهای دیجیتالی مانند الکسا و گوگل اسیستنت می‌بینیم. یکی دیگر از کاربردهایی که هوش مصنوعی در صنعت گوشی‌های هوشمند دارد، یادگیری ماشینی بوده که در سال‌های اخیر بسیار مورد توجه قرار گرفته است. یادگیری ماشینی به‌گونه‌ای بوده که دستگاه‌تان به مرور عادت‌های شما را می‌فهمد و توسط آن به مدیریت گوشی هوشمندتان می‌پردازد. برای مثال بعد از مدتی کار کردن با آن، می‌تواند تشخیص دهد که شما از کدام برنامه بیشتر استفاده می‌کنید تا منابع بیشتری را در اختیارش قرار دهد؛ در نتیجه عملکرد سریع‌تری را در آن شاهد باشید.
در این میان برخی شرکت‌های تولیدکننده پا را از این فراتر گذاشته و پردازنده مورد استفاده در محصولات خود را به ویژگی هوش مصنوعی مجهز کرده‌اند. اخیرا شرکت هواوی از پردازنده Kirin 970 رونمایی کرد که به هوش مصنوعی مجهز بوده که آن را تبدیل به اولین نمونه در نوع خود می‌کند. پردازنده Kirin 970 در جدیدترین پرچمداران این غول چینی، میت 10 (Mate 10) و میت 10 پرو (Mate 10 Pro)، مورد استفاده قرار گرفته و ویژگی‌های قابل‌توجهی را به آن‌ها افزوده‌ است. اضافه شدن واحد پردازش عصبی یا NPU، باعث می‌شود که دستگاه‌های مجهز به این پردازنده نسبت به گذشته هوشمندانه‌تر برخورد کنند و علاوه‌بر موارد ذکر شده قبلی، امکانات بیشتری را در اختیار کاربر قرار دهد. منبع: آی‌تی‌رسان
https://www.mashreghnews.ir/news/790...A7%D8%B1%D8%AF

این روزها بحث راجع به هوش مصنوعی بسیار داغ است. به گونه‌ای که تقریبا تمام کمپانی‌ها تلاش می‌کنند بگویند که محصول آخرشان را مجهز به این فن‌آوری کرده‌اند.
برخی از این محصولات واقعا کاربردی هستند اما برخی دیگر مضحک به نظر می‌آیند، هر چند با توجه به شرایط فعلی می‌توان دید و مطمئن بود که دنیا با سرعت زیادی به این سمت پیش می‌رود.
این پیش‌روی برای افراد دلهره ایجاد کرده است، مخصوصا آن‌هایی که می‌ترسند مشاغل‌شان تحت تاثیر اتوماسیون از بین برود. اما نمی‌شود منکر فواید هوش مصنوعی بود. فن‌آوری که با کمک آن می‌توانیم قدرت مغز خود را تقویت کنیم.
در مقاله زیر می‌خواهیم نگاه مختصری بی‌اندازیم به مواردی که در حال حاضر مجهز به هوش مصنوعی هستند و زندگی ما را آسوده‌تر کرده‌اند.
دستیاران صوتی

یکی از آسان‌ترین و قابل درک‌ترین مثال‌هایی که می‌توان از هوش مصنوعی زد، دستیار صوتی است. مثل الکسا، سیری، دستیار گوگل، کورتانا، بیکسبی و غیره.

در واقع پشت آن صدای روباتی و هر درخواستی که می‌کنیم، NLP یا پردازش طبیعی زبان اتفاق می‌افتد.
با استفاده از پردازش طبیعی زبان، دستیار صوتی آن اطلاعاتی را که نیاز است و اهمیت دارد بیرون می‌کشد و با توجه به آن‌ها دستور شما را اجرا می‌کند. در حال حاضر دستیاران صوتی مسئولیت محدودی دارند، اما می‌توان انتظار داشت که در آینده نزدیک مسئولیت‌های بیش‌تری را بر عهده بگیرند.
حافظه

یکی از واضح‌ترین حوزه‌هایی که توانسته به کمک مغز بیاید، بخش حافظه است. دیگر نیازی نیست که شماره‌ای را به خاطر بسپاریم (البته این‌که چطور کاهش کارکرد مغز قرار است به آن کمکی بکند خود پرسشی است که پاسخ آن از حوصله متن خارج است). تقویم‌ها روزهایی را که می‌خواهیم به یادمان می‌آورند، سیستم گرمایشی خانه‌امان با توجه به سلیقه و نوع استفاده تنظیم می‌شود و اپلیکیشن‌های نقشه هم مقاصدی را که بیش‌تر رفته‌ایم به خاطر می‌سپارند و هر بار که آن را باز می‌کنیم با توجه به روزی که در آن قرار داریم مقصد مورد نظر را به ما پیشنهاد می‌دهند. عملا این روزها مغزمان بیکار شده است.
پیشنهادهای هوشمندانه این روزها بسیار مورد استفاده قرار می‌گیرند. مثلا نت‌فیلیکس با توجه به فیلم‌هایی که تا به‌حال دیده‌اید الگوریتمی می‌سازد و طبق آن به شما فیلم‌های جدیدی پیشنهاد می‌دهد. شبکه‌های اجتماعی با توجه به اطلاعاتی که در پروفایل‌تان ذخیره کرده‌اید برای‌تان گزینه‌هایی را به صورت پیشنهاد ارائه می‌دهند و فیس‌بوک به طور ویژه و با کمک هوش مصنوعی که در مسنجر آن قرار دارد، می‌تواند بر اساس چت به شما پیشنهادهایی را ارائه دهد.
مثلا وقتی در حال چت با دوست‌تان هستید و به او یادآوری می‌کنید که مقداری پول بدهکار است، مسنجر پیشنهاد می‌دهد که از سیستم پرداخت درون برنامه استفاده کنید.

اون چیه؟

یکی از حوزه‌های جذاب هوش مصنوعی شناسایی سوژه‌های درون عکس است. مثلا سیستم تشخیص چهره در فیس‌بوک و تگ کردن نام آن فرد در عکس. اما در حال حاضر قدم‌های بزرگ‌تری در این زمینه برداشته شده است و هوش مصنوعی الان می‌تواند هر آیتمی در اطراف را شناسایی کند.
گوگل لنز از پیشروهای این حوزه است. فن‌آوری که با کمک آن می‌توان هر آیتمی را شناسایی کرد و اطلاعاتی راجع بدان بدست آورد.

این یعنی از این پس می‌توانید هر چیزی را که می‌خواهید تنها با نشانه رفتن تلفن‌همراه به سویش گوگل کنید. افزون‌ بر این تکنولوژی نامبرده می‌تواند یک ابزار بسیار مفید برای آن‌هایی باشد که مشکلات بینایی دارند.
غیر از گوگل لنز، مایکروسافت یک اپلیکیشن با نام Seeing AI دارد. ابزاری که با کمک آن می‌توان آیتم‌های موجود در یک عکس را شناسایی کرد. این برنامه هم می‌تواند گزینه بسیار مناسبی برای آن‌دسته از افرادی باشد که مشکلات بینایی دارند و دید جدیدی به آن‌ها بدهد.
این فن‌آوری فعلا در مراحل اولیه خود به‌سر می‌برد، اما همین الانش هم می‌تواند افراد را شناسایی کند، دما را بسنجد، رنگ‌ها را تشخیص دهد، برخی از پول‌های رایج سرتاسر جهان را بشناسد و بتواند نوشته‌های پرینت شده یا دست نوشته را بخواند.
برخاستن ماشین‌ها

با این‌که هوش مصنوعی می‌تواند قدرت مغز ما را بیش‌تر و زندگی را آسوده‌تر کند، این پرسش مطرح می‌شود که اگر به همین منوال پیش برود و ماشین‌ها از ما هوشمندتر شوند، چه اتفاقی خواهد افتاد؟
ایلان ماسک موسس کمپانی‌های تسلا، اسپیس ایکس و هایپرلوپ کمپانی دیگری به نام نرولینک Neuralink دارد. شرکتی که مشغول کار بر روی ایجاد یک رابط کاربری بین مغز و کامپیوتر است. رابطی که می‌تواند مساله تکینگی را با قرار دادن یک رابط کاربری درون مغزمان حل و یک ارتباط هم‌زیستی بین مغز و هوش مصنوعی ایجاد کند.

تصور کنید که بتوانید فقط با ذهن‌تان در اینترنت جستجو کنید، تمام قرارهای ملاقات‌تان را به یاد بیاورید و با افرادی که از این رابط بین مغز و کامپیوتر بهره می‌برند ارتباط برقرار کنید. شاید الان این توصیفات شبیه به فیلم‌های علمی تخیلی باشد اما تیمی که مشغول کار بر روی نرولینک است، پیشرفت‌های چشم‌گیری داشته‌اند.
ماسک درباره وابستگی انسان به فن‌آوری چنین می‌گوید:
مساله این است که افراد هنوز باورشان نشده است که به یک سایبورگ تبدیل شده‌اند. همین الان را هم اگر در نظر بگیرید، خواهید دید که با ۲۰ سال پیش یا حتی همین ده سال پیش چقدر فرق کرده‌ایم. این تفاوت را می‌توانید در نتیجه تحقیقاتی ببینید که مدت زمان دور بودن افراد از اسمارت‌فون‌های‌شان را می‌سنجد. اگر شما یک نوجوانید یا در بیست سالگی به سر می‌برید، احتمالا دوری یک روزه هم می‌تواند بسیار آزاردهنده باشد. اگر تلفن هوشمندتان کنارتان نباشد انگار به سندروم اندام خیالی (سندرومی که فرد در آن فکر می‌کند عضو قطع شده هنوز وجود دارد و آن را حس می‌کند) دچار شده‌اید. من همین الان هم می‌بینم که افراد با لپ‌تاپ‌ها، اسمارت‌فون‌ها و اپلیکیشن‌های‌شان بیش از حد قاطی شده و به آن‌ها وابستگی پیدا کرده‌اند.
https://itresan.com/210944/%D9%87%D9...85%D8%A7/.html

دانش ساخت ماشین‌هایی که توانایی انجام اعمالی که برای آن‌ها معمولاً نیاز به هوش انسان است را هوش مصنوعی (AI: Artificial Intelligence) می‌نامند.
هوش مصنوعی شاخه‌ای از علوم کامپیوتر است و در چند دهه گذشته در بعضی حوزه‌های محدود دستاوردهای زیادی داشته‌است. در چند سال گذشته با سرعت گرفتن رشد این شاخته از کامپیوتر و وارد شدن آن به محصولات تجاری و همچنین علاقمند شدن مصرف کنندگان به این محصولات علاوه بر ایجاد یک بازار جدید، بسیاری از دانشمندان و اندیشمندان از مخاطرات هوشمند شدن کامپیوترها سخن گفته‌اند.
هوش مصنوعی تا سال‌ها با تصویری که مردم از روبات‌ها داشتند گره خورده بود اما در یک دهه اخیر کاربردهای غیر سخت‌افزاری هوش مصنوعی در زندگی روزمره بیشتر ملموس شده‌است.
تاریخچه پیدایش هوش مصنوعی به عنوان یک شاخه از علوم به سال‌های جنگ جهانی دوم و تحقیقات الن تورینگ باز می‌گردد. پایه تحقیقات علمی برروی هوش مصنوعی به سال ۱۹۵۶ و کنفرانس علمی در دانشگاه راتماوث و با حضور چهره‌های جامعه هوش مصنوعی نظیر جان مک‌کارتی، ماروین مینسکی، آلن نیوول و هربرت سایمون بازمی‌گردد.
هوش چیست؟
در تعریفی که اکثر دانشمندان بر آن اجماع دارند رفتار ساده انسانی هوشمند و پیچیده‌ترین رفتار یک مورچه یا موریانه غیر هوشمند تلقی می‌شود. تفاوت این دو در چیست؟ مثال ساده برای تعریف این تفاوت در رفتار زنبور هورنت آمریکایی است. وقتی زنبور ماده به کندوی خود غذا می‌آورد آن را در محلی قرار می‌دهد و بعد دوباره از کندو خارج می‌شود تا از نبود حشرات مزاحم مطمئن شود. غیر هوشمند بودن رفتار این موجود زمانی روشن می‌شود که بعد از خروج آن از کندو، غذایی که با خود آورده کمی جابجا شود. در این شرایط حشره دوباره تمام مراحل را تکرار می‌کند و اگر هر بار غذای وی جابجا شود تا ابد این روند را تکرار می‌کند. ساده‌ترین خصوصیت یک ارگانیسم هوشمند قابلیت تطبیق با شرایط جدید است.
در علوم رفتاری برای هوشمندی جنبه‌های متعددی تعریف شده اما در علوم کامپیوتر و هوش مصنوعی تنها دارا بودن پنج خصوصیت یادگیری، استنتاج، حل مسئله، ادراک و فهم زبان برای هوشمند بودن یک سیستم کافی است.
در هوش مصنوعی برای ساخت ماشین‌های هوشمند علاوه بر مطالعه این پنج شاخه، از دستاوردهای شاخه‌های دیگر کامپیوتر نظیر پردازش تصویر و صوت، پردازش زبان‌های طبیعی و پردازش سیگنال استفاده می‌کنند. یکی از مباحث اصلی هوش مصنوعی که در یک دهه گذشته متخصصان علوم دیگر و همچنین شرکت‌های تجاری نیز از آن استقبال زیادی کرده‌اند، یادگیری ماشین (Machine Learning) نام دارد.
یادگیری ماشین برروی فرآیند یادگیری با استفاده از مشاهدات و داده‌ها در ماشین‌ها تمرکز می‌کند. در یادگیری ماشین، مجموعه داده به عنوان داده آموزشی (Training Data) به ماشین ارائه می‌شود و ماشین با استفاده از روش‌های مختلفی می‌تواند از این داده‌ها برای یادگیری یک روند (Pattern) استفاده کند. این روند ماشین را قادر می‌سازد تا در آینده بتواند داده‌هایی که به آن ارائه می‌شود را تمیز دهد یا برروی آن‌ها تصمیم ‌گیری انجام دهد.
یکی از کاربردهای پرطفدار یادگیری ماشین که شرکت‌های تجاری و مصرف کنندگان به آن علاقه زیادی نشان داده‌اند، دسته بندی داده‌ها (Classification)، تصمیم‌گیری (Decision Making) و پیش‌بینی تحلیلی (Predictive Analysis) است. در حال حاضر سیستم عامل پردازش ابری مایکروسافت به نام ویندوز آزور (Azure) سرویس‌های یادگیری ماشین خود را به کاربران این نرم‌افزار ارائه می‌دهد و اکثر شرکت‌های تجاری بزرگ نظیر بوئینگ و مرسدس بنز از این سرویس‌ها بهره می‌برند.
شرکت‌ فیس‌بوک در سال ۲۰۱۴ با استفاده از یکی از زیرشاخه‌های یادگیری ماشین به نام یادگیری عمیق (Deep Learning) سیستم تشخیص چهره‌ای تولید کرد که ۰.۳ درصد از میانگین انسان‌ها دقیق‌تر است. بسیاری از رابط‌های صوتی نظیر سرویس Siri شرکت اپل از پردازش زبان‌های طبیعی و یادگیری ماشین برای ارتباط با کاربران استفاده می‌کنند.
مفاهیم: هوش مصنوعی چیست؟