هوش مصنوعی: آینده‌نگاری و مفاهیم اساسی
روزی روزگار، هوش مصنوعی (AI) به عنوان یک آیندهٔ واعده معرفی شد، اما امروز، بشر به دنبال شاهد بودن آینده‌ای فراتر از تصورات قبلی است. این مقاله به تحلیل دیدگاه‌های متنوع پژوهشگران دربارهٔ آیندهٔ هوش مصنوعی در طول پنج سال آینده با توجه به گرایش‌های فعلی و توسعه‌های اخیر در زمینه‌های اینترنت اشیا (IoT)، رباتیک، نانوتکنولوژی و یادگیری ماشین می‌پردازد.
در آغاز، باید به واضح‌تر شدن تعاریف این حوزه‌ها پرداخت. اینترنت اشیا به شبکه‌ای از اشیاء متصل به اینترنت اطلاق می‌شود که امکان تبادل اطلاعات بین آن‌ها را فراهم می‌کند. رباتیک به طراحی و توسعهٔ ربات‌ها می‌پردازد که در موارد گوناگونی از جمله خدمات خودکار، پزشکی و صنعت به کار می‌روند. نانوتکنولوژی به تلاش برای کنترل و تغییر ساختار مواد در ابعاد نانومتر اختصاص دارد. همچنین، یادگیری ماشین به توانایی ماشین‌ها برای یادگیری از داده‌ها و بهبود عملکرد بر اساس تجربیات گذشته اشاره دارد.
تحولات اخیر در این زمینه‌ها، آیندهٔ هوش مصنوعی را با افق‌های جدیدی روشن‌تر کرده است. ارتباط نزدیک اینترنت اشیا با هوش مصنوعی، به ساختارهای هوشمند و متصل تر در انواع مختلف صنایع منجر خواهد شد. رباتیک نیز با استفاده از الگوریتم‌های پیشرفتهٔ یادگیری ماشین، به ایجاد ربات‌هایی هوشمند و هماهنگ تر پرداخته و در دسترسی به خدمات پیشرفته برای جامعه کمک خواهد کرد. همچنین، نانوتکنولوژی با امکان تولید موادی با ویژگی‌ها و کاربردهای منحصر به فرد، به نقل و انتقال اطلاعات در سطح مولکولی پیشرفت خواهد کرد.
در پایان، ترکیب هوش مصنوعی با اینترنت اشیا، رباتیک، نانوتکنولوژی و یادگیری ماشین، نقطه عطفی در تحول فناوری خواهد بود که به بشر امکان می‌دهد تا به طور فعال‌تر و هوشمندانه‌تر با محیط اطراف خود تعامل کند. این تجربه جدید، نه تنها زندگی روزمره را تغییر خواهد داد بلکه به ارتقاء بخش‌های مختلف اقتصاد، بهداشت و صنعت نیز کمک خواهد کرد. به نظر می‌رسد که آیندهٔ هوش مصنوعی، با پیشرفت‌های این حوزه‌ها، مملو از فرصت‌ها و امکانات نوآورانه خواهد بود.
چشم انداز کلی هوش مصنوعی در آینده
در مقالات گذشته، به تفصیل به مباحث مرتبط با هوش مصنوعی پرداختیم. امروزه، تاثیر چشمگیر هوش مصنوعی بر جهان و زندگی انسان‌ها از زاویه‌های مختلف قابل مشاهده است. در اینجا، قصد داریم به بررسی آینده هوش مصنوعی در پنج سال آینده بپردازیم و ببینیم چگونه این فناوری نوظهور تحولاتی را در زندگی ما ایجاد خواهد کرد.
1. هوش مصنوعی در صنایع مختلف
در پنج سال آینده، انتظار می‌رود که هوش مصنوعی به طور گسترده‌تری در صنایع مختلف مورد استفاده قرار بگیرد. از جمله این صنایع می‌توان به بهداشت، حمل و نقل، مالی، و تولید اشاره کرد. به کمک الگوریتم‌ها و شبکه‌های عصبی پیشرفته، بهینه‌سازی فرآیندها و افزایش بهره‌وری در این صنایع قابل انتظار است.
2. هوش مصنوعی در پزشکی
توسعه هوش مصنوعی در حوزه پزشکی نیز یکی از چالش‌های بزرگ در آینده است. از تشخیص بیماری‌های پیشرفته تا پیش‌بینی واکنش به درمان، هوش مصنوعی می‌تواند نقش مهمی در بهبود خدمات بهداشتی ارائه دهد.
3. هوش مصنوعی و اینترنت اشیا
در آینده، ادغام هوش مصنوعی با اینترنت اشیا (IoT) به وسیله سیستم‌های هوشمند، خانه‌هوشمند، و شهرهای هوشمند، تجربه زندگی را برای افراد بهبود خواهد بخشید. این ترکیب امکان مدیریت بهتر منابع و ارتباطات را ارائه خواهد داد.
4. اخلاق در هوش مصنوعی
با گسترش استفاده از هوش مصنوعی، مسائل اخلاقی نیز به چالش‌هایی پیچیده تبدیل خواهند شد. حفظ حریم خصوصی، عدالت در الگوریتم‌ها، و مسائل اخلاقی مرتبط با تصمیم‌گیری‌های هوش مصنوعی از جمله مسائلی هستند که در آینده نیاز به توجه خاصی دارند.
5. آموزش و توسعه تخصص‌های مرتبط
پیشرفت هوش مصنوعی نیازمند توسعه تخصص‌های مرتبط با آن است. افرادی که دارای مهارت‌های برنامه‌نویسی، یادگیری ماشین، و علوم داده هستند، می‌توانند در جهت توسعه و پیشرفت این حوزه نقش مهمی ایفا کنند.
به طور کلی، هوش مصنوعی در پنج سال آینده می‌تواند به یکی از مهمترین فناوری‌های تحول‌آفرین در جهان تبدیل شود. این تحولات نه تنها در صنعت و فناوری، بلکه در زندگی روزمره افراد نیز تاثیر خواهند گذاشت.
از همین‌رو، در این مطلب برخی گرایش‌های مرتبط با هوش مصنوعی که طی سال‌های اخیر ظهور کرده‌اند و بشر از وجود آن‌ها آگاه است و پیش‌بینی‌هایی که پیرامون توسعه‌های آتی یادگیری ماشین انجام شده مورد بررسی قرار گرفته‌اند. لیستی که در ادامه ارائه شده جامع و یا سنگ‌بنای آینده این علم نیست اما دیدگاه‌های بسیاری از افراد پیرامون تاثیر هوش مصنوعی بر آینده جهان و روند تکامل آن را به تصویر خواهد کشید.
۱۳ پیش‌بینی برای هوش مصنوعی در آینده
۱. کاهش وابستگی هوش مصنوعی به حجم زیاد داده‌ها: به نظر می‌رسد که در آینده، هوش مصنوعی نیاز کمتری به حجم عظیم داده برای تحلیل خواهد داشت. شرکت‌هایی مانند "ویکاریوس" و "ژئومتریک اینتلیجنس" در حال تلاش برای کاهش وابستگی به داده‌ها برای آموزش شبکه‌های عصبی هستند. استفاده از "استقرای احتمالی"، که در مقاله "برندن لیک" مطرح شده است، می‌تواند به حل مسائل اساسی در توسعه هوش مصنوعی عمومی کمک کند.
۲. پیشرفت در روش‌های یادگیری ماشین: جدیدترین روش‌های یادگیری ماشین نشان می‌دهد که آینده هوش مصنوعی در جهت تنوع بیشتری در روش‌های یادگیری پیشرفت خواهد کرد. مثلاً، "یادگیری انتقال" از "دیپ‌مایند" این امکان را می‌دهد که سیستم‌های یادگیری تقویتی استاندارد براساس دانش قبلی ساخته شوند. همچنین، "متامایند" با استفاده از "یادگیری چند وظیفه‌ای" و مفهوم "شبکه حافظه پویا" عملکرد شبکه‌های عصبی را بهبود می‌بخشد.
۳. تأثیر هوش مصنوعی بر ساختار اجتماعی انسان: نقش هوش مصنوعی در تغییر شکل و نقش اجتماعی انسان‌ها نیز بحرانی خواهد بود. هربرت سایمون در ۱۹۵۵ در مورد اینکه تصمیم‌گیری‌های انسانی همواره بهینه نیستند، ارائه استدلال کرده است. این نقطه نشان‌دهنده تأثیر هوش مصنوعی بر تصمیم‌گیری انسان‌ها و تغییر در الگوهای اجتماعی است.
این پیش‌بینی‌ها نشان‌دهنده راه‌های متنوعی است که هوش مصنوعی در آینده به تحول خواهد پیوست و چگونگی تأثیر آن بر جوامع و تکنولوژی را نشان می‌دهد.
«آندرو لو» (Andrew Lo) در مقاله دیگری با عنوان «فرضیه بازارهای سازگار: کارایی بازار از منظر تکاملی» (the Adaptive Markets Hypothesis: Market Efficiency from an Evolutionary Perspective) که در سال ۲۰۰۴ منتشر شد محدودیت بشر در توانایی‌های محاسباتی را دلیل دیگری برای آنچه بیان شد برمی‌شمارد. بنابراین کاری که نوع بشر انجام می‌دهد «رضایتمندی» است، یعنی انتخاب کردن چیزی که دستکم برای آن‌ها رضایت‌بخش باشد.
با ورود هوش مصنوعی به زندگی روزمره انسان‌ها احتمالا این جریان پایان خواهد یافت. ایده اینکه بشر یک‌بار برای همیشه به لحاظ تلاش‌های محاسباتی مستقل شود (computationally-effort-independent) سرانجام به این پرسش پاسخ خواهد داد که آیا سوگیری‌های رفتاری وجود داشته و جزو ذات بشر هستند یا تنها میانبرهایی برای اتخاذ تصمیمات در محیط اطلاعاتی محدود شده یا «مسائل محدودیت» (constrained problems) محسوب می‌شوند.
آندرو لو در مقاله‌ای که پیش‌تر به آن اشاره شد چنین بیان می‌کند که نقطه قوت رضایت‌بخشی از طریق تکامل آزمون و خطا و انتخاب طبیعی (افراد انتخابی برپایه داده‌های گذشته انجام داده، تجربه می‌کنند و آن‌ها را به بهترین حدس‌ها مبدل می‌سازند) به دست می‌آید. انسان‌ها با دریافت بازخوردهای مثبت/منفی یاد می‌گیرند و اکتشافاتی (heuristics) انجام می‌دهند تا چنین مسائلی را به سرعت حل کنند. اگرچه، هنگامی که محیط تغییر می‌کند، تاخیر/کندی در انطباق به وقوع می‌پیوندد و عادت‌های قدیمی مناسب تغییرات جدید نیستند (این موارد سوگیری‌های رفتاری محسوب می‌شوند).
هوش مصنوعی این زمان‌های تاخیر را به صفر رسانده و به طور مجازی هر سوگیری رفتاری را حذف می‌کند. علاوه بر این، با یادگیری بر اساس تجربه در طول زمان، هوش مصنوعی به عنوان یک ابزار تکاملی جدید راه‌اندازی می‌شود. انسان‌ها اغلب همه جایگزین‌ها را مورد ارزیابی قرار نمی‌دهند زیرا نمی‌توانند همه آن‌ها را ببینند (فضای دانش انسان محدود است).
۴. هوش مصنوعی می‌تواند فریب بخورد: هوش مصنوعی هنوز فاصله زیادی تا کامل شدن دارد و بسیاری از افراد بر این بحث تمرکز کرده‌اند که چگونه ممکن است هوش مصنوعی اغوا شود و فریب بخورد. اخیرا، روش ابداعی برای گمراه کردن «بینایی ماشین» (computer vision) طی مقالاتی جداگانه در سال ۲۰۱۶ توسط «پیپرنات» (Papernot) و همکاران (Practical black-box attacks against deep learning systems using adversarial examples) و «کوراکین» (Kurakin) و همکاران (Adversarial Examples in the Physical World) معرفی شد که به آن «نمونه‌های محوری» (adversarial examples) گفته می‌شود.
در واقع، نرم‌افزار بازشناسی تصویر هوشمند با انجام اصلاحات ظریفی در تصویر به شکلی فریب می‌خورد که نرم‌افزار هوش مصنوعی نقاط داده را متعلق به دسته دیگری (غیر از دسته واقعی آن نقاط داده) تشخیص داده و دسته‌بندی می‌کند. مساله جالب دیگر در این رابطه آن است که چنین روش‌هایی توانایی فریب دادن مغز انسان را ندارند. برای آشنایی بیشتر با این روش، مطالعه بخش هشتم از آموزش یادگیری ماشین با مثال‌های کاربردی که در آن به ترفندهایی در شبکه‌های عصبی و شیوه دور زدن آن‌ها پرداخته شده توصیه می‌شود.
۵. خطراتی مرتبط با هوش مصنوعی وجود دارد: نگاه کردن به هوش مصنوعی به چشم فاجعه‌ای که در آینده به وقوع خواهد پیوست تبدیل به یک جریان فکری شده است. اگر (یا هنگامی که) یک «اَبَرهوش مصنوعی» (Artificial SuperIntelligence | ASI) ساخته شود، هوشمندی عامل‌های هوشمند تا حد بسیار زیادی از هوشمندی انسان تجاوز کرده و عامل‌های هوشمند قادر به فکر کردن به چیزها و انجام دادن کارهایی هستند که نوع بشر در حال حاضر از پیش‌بینی آن‌ها قاصر است.
با این وجود، بشر باور دارد که خطرات اندکی در رابطه با هوش مصنوعی افزون بر تهدیدهای ترسناک ذاتی آن وجود دارد. خطری که انسان از فهم و درک جامع آن ناتوان محسوب می‌شود این است که اَبَرهوش مصنوعی مستقل از مثبت یا منفی بودن آن برای نژاد انسانی، چگونه ساخته خواهد شد. همچنین، در دوران گذار از هوش مصنوعی ناقص به هوش مصنوعی عمومی/اَبَرهوش مصنوعی، یک خطر مسئولیت ذاتی ایجاد خواهد شد و آن این است که در صورت وقوع خطا یا ناکارآمدی چه کسی پاسخگو خواهد بود؟
علاوه بر این، این خطر نیز وجود دارد که چه کسی قدرت هوش مصنوعی را متوقف خواهد کرد و چگونه از این قدرت استفاده خواهد شد. در این وضعیت، برخی پژوهشگران حقیقتا بر این باور هستند که هوش مصنوعی باید به عنوان یک ابزار (یک خدمت اجتماعی برای همگان) اجرا شود و درجاتی از قدرت تصمیم‌گیری پیرامون آن به انسان سپرده شود تا به سیستم در مدیریت استثناهای نادر کمک کند.
۶. هوش مصنوعی عمومی واقعی احتمالا یک «هوش جمعی» (Collective Intelligence | CI) است: «لوئیس رُزنبرگ» (Louis Rosenberg) در مقاله‌ای با عنوان «ازدحام‌های انسانی، یک روش زمان واقعی برای هوش جمعی» (Human Swarms, a real-time method for collective intelligence) اذعان می‌کند که این احتمال به شدت وجود دارد که اَبَرهوش مصنوعی یک ترمینال منفرد که توانایی تصمیم‌سازی‌های پیچیده را دارد نبوده، بلکه یک هوش جمعی باشد. یک «هوش ازدحامی» (swarm intelligence) یا تجمعی را می‌توان به عنوان «مغز مغزها» تعریف کرد.
تاکنون، به سادگی از افراد درخواست می‌شد که ورودی‌ها را فراهم کنند و سپس ورودی‌ها به شکل «هوش احساسات میانگین» (average sentiment intelligence) تجمیع می‌شدند. مطابق آنچه روزنبرگ بیان کرده، روش‌های موجود برای شکل دادن هوش جمعی انسانی به کاربران این امکان را نمی‌دهد که یکدیگر را تحت تاثیر قرار دهند، و هنگامی که آن‌ها چنین کاری را انجام می‌دهند تنها تاثیری که به صورت ناهمگام اتفاق افتاده را می‌پذیرند که موجب تجمیع سوگیری‌ها می‌شود.
از سوی دیگر یک هوش مصنوعی قادر خواهد بود شکاف‌های ارتباطی برای ساخت هوش جمعی یکپارچه را پُر کند که این امر بسیار مشابه مواردی است که دیگر گونه‌ها دارند. یک مثال الهام‌بخش خوب از این مورد در جهان طبیعی زنبورهای عسل هستند که فرآیند تصمیم‌سازی آن‌ها بسیار شبیه روش عصبی انسان است. هر دو این موارد از جمعیت‌های بالایی از واحدهای تحریک‌پذیر ساده تشکیل شده‌اند که به طور موازی برای ادغام کردن شواهد دارای نویز، جایگزینی‌های وزن و در نهایت رسیدن به یک تصمیم مشخص استفاده می‌کنند.
مطابق آنچه روزنبرگ بیان کرده، این تصمیم از طریق یک رقابت حلقه بسته زمان واقعی در میان زیر جمعیت‌های واحدهای تحریک‌پذیر توزیع شده حاصل می‌شود. هر زیرجمعیت از انتخابی متفاوت پشتیبانی کرده و اجماع به دست آمده از اکثریت یا ناگفته‌ها به عنوان وضعیت احساسات میانگین حاصل نشده بلکه به عنوان «مقدار کافی از تحریک» است. یک مکانیزم بازدارندگی از جایگزین‌های ارائه شده توسط دیگر زیرجمعیت‌ها از رسیدن سیستم به تصمیم زیرمجموعه جلوگیری می‌کند.
۷. هوش مصنوعی پیامدهای سیاسی-اجتماعی غیر منتظره‌ای دارد: اولین پیامد اجتماعی-اقتصادی آن معمولا مربوط به از دست دادن کار انسان‌ها با ظهور هوش مصنوعی است (هوش مصنوعی نقش انسان را در بسیاری از مشاغل عهده‌دار می‌شود). حتی اگر از یک سو این یک مساله واقعی باشد (و از بسیاری جنبه‌ها فرصت محسوب شود)، بخشی از پژوهشگران همچنان باور دارند که از منظر چندین تفاوت ریز دیگر باید به مساله نگریست.
ابتدا آنکه مشاغل از بین نخواهند رفت بلکه متفاوت خواهند شد. بسیاری از سرویس‌ها ناپدید می‌شوند زیرا داده‌ها به جای شرکت‌ها به‌طور مستقیم توسط خود افراد تحلیل خواهد شد و تاثیر اصلی که هوش مصنوعی خواهد داشت تمرکززدایی کامل از دانش است. به عقیده برخی پژوهشگران، یک نگرانی مهم‌تر در این رابطه پیامدهای دوگانه این انقلاب است. اول از همه، استفاده همیشگی از سیستم‌های هوشمند موجب خواهد شد که انسان‌های بیشتر و بیشتری تخصص خود را در زمینه‌های خاص از دست بدهند.
این موجب می‌شود که نرم‌افزار هوش مصنوعی با گونه‌ای از حلقه‌های دو-بازخوردی طراحی شود که رویکرد انسان و ماشین را یکپارچه می‌کنند. دومین نگرانی آن است که انسان‌ها به تکنسین‌های ماشین مبدل خواهند شد، زیرا ما باور داریم هوش مصنوعی در حل مسائل بهتر عمل می‌کند و احتمالا فریب‌ناپذیر است. این مارپیچ پایین از خلاقیت، اصالت و هوشمندی انسان می‌کاهد و به طور نمایی اختلاف انسان-ماشین را تقویت می‌کند. در حال حاضر انسان‌ها سیستم‌هایی را تجربه می‌کنند که آن‌ها را در حین استفاده هوشمندتر می‌کند و موجب می‌شوند در حین عدم استفاده از آن‌ها احساس افتضاحی داشته باشند.
پژوهشگران می‌خواهند که هوش مصنوعی در دسته اول قرار بگیرد و «پدیده تلفن هوشمند» جدیدی نباشد که در حال حاضر بشر کاملا به آن وابسته است. در نهایت جهان روبو-پسندتر (ربات-دوستانه‌تر) خواهد شد و در حال حاضر نیز انسان به جای مخالف با ربات‌ها به عنوان رابطی برای آن‌ها عمل می‌کند. نظر به نقش‌های پیشرو و رو به رشدی که ماشین‌ها ایفا می‌کنند و قدرت بیشتر آن‌ها برای تحت تاثیر قرار دادن بشر در مقایسه با توانایی انسان‌ها برای متاثر کردن ربات‌ها، امکان مبهوت ماندن بشر با رشد هوش مصنوعی وجود دارد.
در عوض از جنبه ژئوپلتیکی، بسیاری از پژوهشگران باور دارند که تاثیر هوش مصنوعی روی جهانی‌سازی ممکن است بسیار عظیم باشد. در این راستا، یک احتمال قریب به یقین آن است که کارخانجات بهینه که به وسیله سیستم‌های هوش‌مصنوعی که ربات‌های عملیاتی را کنترل می‌کنند فعالیت انجام می‌دهند، به کشورهای توسعه یافته نقل مکان کنند. در واقع هزینه‌های کم اقتصادی و مزایای راه‌اندازی کسب‌و‌کار در کشورهای نوظهور این نکته را شفاف نمی‌کند که هوش مصنوعی تفاوت‌های میان کشورها را حذف و آن‌ها را به سوی برابری هدایت می‌کند و یا شکاف‌های موجود بین رشد و توسعه اقتصادی آن‌ها را افزایش خواهد داد.
۸. یک هوش مصنوعی واقعی باید بپرسد «چرا»: تاکنون، سیستم‌های یادگیری ماشین در تشخیص الگوها و کمک به تصمیم‌سازان در فرآیندهای تصمیم‌گیری کمک کرده‌اند و از آنجا که بسیاری از الگوریتم‌ها همچنان به صورت هارد-کد شده هستند این مساله قابل درک است. با این حال، حتی اگر شفاف‌سازی «چه چیزی» و «چگونه» همچنان دستاورد بزرگی باشد، هوش مصنوعی نمی‌تواند «چرایی» نهفته در پس چیزها را بفهمد. لیک و همکاران در مقاله‌ای با عنوان «ساخت ماشین‌هایی که همچون انسان‌ها می‌آموزند و فکر می‌کنند» (Building Machines That Learn and Think Like People) می‌گوید: ما باید الگوریتم عمومی طراحی کنیم که قادر به ساخت «مدل‌های علّی» (causal models) جهان هم برای فیزیک و هم روانشناسی باشد.
۹. هوش مصنوعی مزرهای حفاظت از حریم خصوصی و نشت داده را جابه‌جا خواهد کرد: هوش مصنوعی مرزهای بازی حریم خصوصی موجود در میان مردم، سازمان‌ها و دولت‌ها را به سطح کاملا جدیدی تغییر داده است. سنجه‌های حریم خصوصی جدیدی باید ساخته و پذیرفته شوند که پیشرفته‌تر از «محاسبات چندگانه امن ساده» (Simpler Secure Multi-Party Computation | SMPC) یا سریع‌تر از «رمزنگاری هم‌ریختی» (Homomorphic Encryption) باشند. پژوهش‌های اخیر حاکی از آن است که حریم خصوصی تفاضلی می‌تواند بسیاری از مسائل حریم خصوصی که بشر در زندگی روزمره با آن مواجه می‌شود را حل کند، همچنین شرکت‌هایی وجود دارند که یک گام جلوتر را دیده‌اند و از این جمله می‌توان به «Post-Quantum» که یک استارتاپ محاسبات امنیت سایبری کوانتومی است اشاره کرد.
۱۰. هوش مصنوعی، «اینترنت چیزها» (Internet of Things | IoT) را تغییر می‌دهد: هوش مصنوعی این امکان را فراهم کرده تا اینترنت چیزها به عنوان یک معماری کاملا غیرمتمرکز ساخته شود، که در آن حتی یک گره مجرد نیز می‌تواند تحلیل‌های خود را داشته باشد (برای مثال «رایانش لبه‌ای» یا همان (Edge Computing)). در مدل مرکزی کلاسیک، مساله بزرگی به نام پاردایم سرور/کلاینت وجود دارد. هر دستگاهی از طریق سرورهای ابری شناسایی، احراز هویت و متصل شده که مستلزم یک زیرساخت پرهزینه است. یک رویکرد توزیع شده برای شبکه‌سازی اینترنت چیزها یا معماری استاندارد شده «همتا به همتا» (Peer-to-peer | P2P) می‌تواند این مساله را حل کرده، هزینه‌ها را کاهش دهد و از شکست خوردن یک گره مجزا برای از کار انداختن کل سیستم جلوگیری کند.
۱۱. رباتیک، به جریان اصلی فناوری مبدل خواهد شد: برخی پژوهشگران بر این باور هستند که توسعه هوش مصنوعی به پیشرفت علم رباتیک محدود شده و هر دو زمینه باید به منظور دستیابی به کسب هوش مصنوعی عمومی/اَبَر هوش مصنوعی شانه به شانه هم پیشرفت کنند. در تصویر زیر مشهود است که چگونه پژوهش‌های انجام شده و افکار عمومی، هوش مصنوعی را بدون داشتن بدنه فیزیکی به عنوان یک چیز عمومی یا فوق‌العاده در نظر نمی‌گیرند (انتظاری که عموم مردم از هوش مصنوعی دارند یک آدم‌آهنی است!).
دیگر شواهدی که این دیدگاه را تصدیق می‌کنند عبارتند از: ۱) مساله اخیر در رابطه با درخواست‌های پتنت رباتیک است که مطابق IFI Claims به بیش از ۳۰۰۰ درخواست در چین رسیده و رقم تقریبا مشابهی در ایالات متحده آمریکا، ژاپن و کره شمالی وجود دارد. ۲) روند قیمت برای Robo Stox ETF که در شکل زیر نشان داده شده است.
۱۲. موانع جدی ممکن است در راه توسعه هوش مصنوعی وجود داشته باشند: مانع جدی برای رفتن به سوی یک عامل هوش مصنوعی عمومی انتخاب الگوریتم یا داده‌هایی که استفاده شده نیست (حداقل تنها مشکلات نیستند)، بلکه یک مساله ساختاری است. ظرفیت‌های سخت‌افزاری همچون ارتباطات فیزیکی (برای مثال اینترنت) و قدرت دستگاه‌ها موانعی جهت ساخت یک هوش مصنوعی به اندازه کافی سریع محسوب می‌شوند و به همین دلیل است که وابستگی‌هایی مانند «گوگل فایبر» (Google Fiber) وجود دارد. از همین رو، موضوع «رایانش کوانتومی» (quantum computing) به عنوان راهکار بسیار مناسبی برای حل این چالش مطرح شده است.
رایانش کوانتومی این امکان را فراهم می‌کند تا محاسباتی را اجرا کند که طبیعت فورا آن‌ها را انجام می‌دهد با این حال انجام این کار با استفاده از کامپیوترهای سنتی نیازمند زمان بسیار زیادی است. رایانش کوانتومی بر ویژگی‌های فیزیک کوانتوم تکیه دارد و کل آن بر پایه این ایده بنا شده که کامپیوترهای سنتی هر مساله‌ای را به صورت یک رشته از صفر و یک‌ها در نظر می‌گیرند در حالیکه، «کیوبیت‌ها» (qubits) وضعیت‌های کوانتومی را به صورتی در نظر می‌گیرند که در آن یک بیت می‌تواند هم‌زمان صفر یا یک باشد. از این رو، مطابق آنچه «فرانک چن» (Frank Chen) از شرکای «اندرسون هوروویتز» (Andreessen Horowitz) می‌گوید ترانزیستورها، نیمه‌هادی‌ها و رساناهای الکتریکی با کیوبیت‌ها جایگزین می‌شوند که قابل ارائه به وسیله بردارها هستند و عملیات روی آن‌ها متفاوت از «جبر بولی» (Boolean algebra) سنتی است.
یک راهکار متداول برای تشریح رویکردهای متفاوت رایانش سنتی و کوانتومی، مساله دفترچه تلفن است. در رویکرد سنتی یافتن عددی در دفترچه تلفن از طریق اسکن کردن مورد به مورد به منظور یافتن همتای صحیح انجام می‌شود. یک الگوریتم جست‌و‌جوی کوانتومی پایه که با عنوان الگوریتم «گروور» (Grover) شناخته می‌شود بر آنچه که «برهم‌نهی کوانتومی حالات» نامیده می‌شود و اساسا هر عنصر را یکباره مورد تحلیل قرار می‌دهد تکیه کرده و پاسخ صحیح را به طور احتمالاتی تعیین می‌کند. ساخت کامپیوتر کوانتومی یک پیشرفت علمی انقلابی خواهد بود، اما بر اساس نظر «چن»، ساخت چنین کامپیوتری در حال حاضر بسیار سخت خواهد بود.
مهمترین مساله مربوط به این حوزه درجه حرارت بالای مورد نیاز برای مواد ابررسانایی است که کامپیوترها از آن‌ها ساخته می‌شوند. «زمان همدوسی» (coherence time) کوچک، که پنجره زمانی است که در آن یک کامپیوتر کوانتومی می‌تواند محاسبات را انجام دهد؛ زمان انجام یک عمیات منفرد؛ و در نهایت بسیار کوچک بودن تفاوت انرژی بین پاسخ‌های صحیح و غلط که موجب دشواری در شناسایی آن‌ها می‌شود.
همه این مسائل فضای بازار را کوچک کرده و موجب شده‌اند به جز چند کمپانی غول‌پیکر مانند IBM و Intel و استارتاپ‌هایی مانند D-Wave Systems که در سال ۲۰۱۳ توسط اینتل خریداری شد، Rigetti Computing، QxBranch، 1Qbit، Post-Quantum، ID Quantique، Eagle Power Technologies، Qubitekk، QC Ware، Nano-Meta Technonoliges و Cambridge Quantum Computing Limited که در زمینه رایانش کوانتومی مشغول به کار هستند، شرکت دیگری در این حوزه فعال نباشد.
۱۳. ربات‌های بیولوژیکی و نانوتکنولوژی هوش مصنوعی در آینده هستند: بشر در حال حاضر شاهد مجموعه‌ای از نوآوری‌های باورنکردنی است که تکیه بر تلاقی هوش مصنوعی و نانورباتیک دارند. پژوهشگران در حال کار برای ساخت موجوداتی هستند که به طور کامل مصنوعی محسوب می‌شوند و حتی در تلاش برای توسعه بیووایرها (زیست سیم‌ها | biowires) - برای مثال سیم‌های الکتریکی ساخته شده از باکتری‌ها - و «اندام-تراشه‌ها» (organs on chips) - بخش‌هایی از اندام‌های بدن در ابعاد مینیاتوری که توسط سلول های انسان ساخته شده و می‌توانند برخی از عملکرد اندام‌ها را تکثیر کنند - (Emulate پیشرفته‌ترین شرکت در این زمینه است) هستند.
پژوهش بیوبات‌ها نیز مرزهای مواد و ربات‌های نرم که اخیرا با استفاده از مولفه‌های نرم ساخته شده‌اند را مورد ارزیابی قرار می‌دهد. شرکت BAE Systems نیز در صدد رفع محدودیت‌های موجود بر رایانش با تلاش برای ساخت «کامپیوتر شیمیایی» (chemical computer)، که به آن «Chemputer» نیز گفته می‌شود و ماشینی است که از فرآیندهای شیمیایی پیشرفته برای رشد سیستم‌های الکترونیکی پیچیده استفاده می‌کند برآمده است.
برای ثبت نظر لطفا وارد حساب کاربری شوید
ورود / ثبت نام
