هوش مصنوعی؛ مسیر توسعه، زنجیره ارزش و کاربردها در آینده

محسن افشارچی شامگاه روز گذشته (یکم خردادماه) در جمع دانشجویان دانشگاه زنجان  در سالن الغدیر دانشگاه زنجان با اشاره به عنوان ارائه خود یعنی یک بینش نیمه فنی در مورد مدل‌های زبان (بزرگ) ماشین و ChatGPT، اظهار کرد: اساس هوش مصنوعی آن است که هوش انسان و روش کار آن به‌گونه‌ای تعریف شود که یک ماشین بتواند آن را به راحتی اجرا کرده و وظایفی که بر آن محول می‌شود را، به درستی اجرا کند.

وی با بیان اینکه هدف هوش مصنوعی در حقیقت بر سه پایه یادگیری، استدلال و ادراک استوار است، افزود: تاریخچه هوش مصنوعی به سال‌های جنگ جهانی دوم و سال‌های ۱۹۵۰ بر می‌گردد. یک دانشمند انگلیسی، به نام آلن تورینگ ماشینی را هوشمند می‌دانست که بدون اینکه به انسان حس صحبت با ماشین را بدهد، با او ارتباط برقرار کند و این مسئله پایه علم هوش مصنوعی شده است، یعنی ساخت ماشینی که همانند انسان فکر، تصمیم‌گیری و عمل کند. 

افشارچی با اشاره به نقطه قوت هوش مصنوعی، ادامه داد: ماشین‌ها می‌توانند هوش را نشان دهند، اما لزوما ذهن، حالات ذهنی یا هوشیاری ندارند؛ ضعف Al (هوش مصنوعی) به استفاده از نرم‌افزار برای مطالعه یا انجام وظایف حل مسئله یا استدلال خاص گفته می‌شود که طیف کاملی از توانایی‌های شناختی انسان را در بر نمی‌گیرد.  

این استاد دانشگاه با بیان اینکه رفته‌رفته با پیشرفت فناوری و سایر سخت‌افزارهای مورد نیاز برای توسعه هوش مصنوعی، ابزار هوشمند و سرویس‌های هوشمندی به بازار عرضه شدند که از هوش مصنوعی در بسیاری از فرآیندهای‌شان استفاده می‌کردند، اضافه کرد: بسیاری از سرویس‌های معروفی همانند موتورهای جست‌وجو، ماهواره‌ها و غیره از هوش مصنوعی استفاده می‌کردند. 

وی با اشاره به شاخه‌های هوش مصنوعی اعم از سیستم خبره، رباتیک، یادگیری ماشین، شبکه عصبی، منطق فازی و پردازش زبان طبیعی، ابراز کرد: هوش مصنوعی یک علم بسیار گسترده و پیچیده است. هوش مصنوعی محدود، عمومی و سوپر هوش مصنوعی وجود دارد که هوش مصنوعی محدود (ضعیف) جایی است که ما در حال حاضر در آن قرار داریم و هوش مصنوعی عمومی آینده‌ای است که می‌خواهیم به آن برسیم.

عضو هیئت علمی دانشگاه زنجان در ادامه اذعان کرد: در یادگیری ماشین، فرآیند یادگیری با مشاهدات یا داده‌ها آغاز می‌شود و سیستم از مثال‌ها، تجارب مستقیم و یا دستورالعمل‌ها و … استفاده می‌کند تا به یک الگوی مشخص برسد و بر اساس آن الگو شروع به تصمیم‌گیری و حل مسئله کند. 

وی افزود: هدف اصلی یادگیری ماشین آن است که به کامپیوتر اجازه دهیم که بدون دخالت و کمک انسان به طور اتوماتیک یادگیری داشته باشد و بتواند بر اساس مشاهدات و داده‌ها رفتار خود را تنظیم کند.

افشارچی با اشاره به هوش مصنوعی مولد مدل‌های انتشار، شبکه‌های متخاصم مولد و رمزگذارهای خودکار متغیر، تشریح کرد: در آینده، ماشین حجم کار بیشتری از امور بشر را انجام‌ می‌دهد اما باید به این نکته نیز توجه داشت که در ازای پیشرفت تکنولوژی، توان بشریت نیز بالا خواهد رفت.  

دانشیار علوم و مهندسی کامپیوتر گرایش هوش مصنوعی دانشگاه زنجان در بخش دیگری از سخنان خود به یادگیری عمیق نیز اشاره کرد و افزود: یادگیری عمیق، نوعی از یادگیری ماشین و هوش مصنوعی است که در واقع از روشی که ذهن انسان برای یادگیری موضوع خاصی به کار می‌گیرد، تقلید می‌کند. این نوع از یادگیری یکی از عناصر مهم در علم داده است که شامل آمار و مدل‌سازی پیش‌بینی است.  

وی افزود: یادگیری عمیق در واقع همان یادگیری ماشین است؛ به‌گونه‌ای که در سطح کارهای پیچیده، نمایش یا انتزاع، عمل یادگیری را برای یک سیستم هوش مصنوعی انجام می‌دهد و به این صورت ماشین درک بهتری از واقعیت‌های وجودی پیدا کرده و می‌تواند الگوهای مختلف را شناسایی کند. در ساده‌ترین سطح، یادگیری عمیق را می‌توان راهی برای خودکارسازی تجزیه و تحلیل پیش‌بینی‌ها دانست. 

افشارچی با اشاره به دسته خودآگاهی هوش مصنوعی و نقش این هوش در تفسیر داده‌ها، افزود: از کلان داده‌ها می‌توان برای استخراج اطلاعات مورد نیاز جهت تصمیم‌گیری‌های مهم استفاده کرد. با بهره‌گیری از هوش مصنوعی در تفسیر کلان‌ داده‌ها به بسیاری از مفاهیم جدید می‌رسیم؛ چرا که حجم داده بسیار گسترده است و هر روز بر میزان این حجم افزوده می‌شود.  

وی با اشاره به چالش‌های موجود هوش مصنوعی و داده‌ها و اطلاعات، بیان کرد: چگونگی کیفیت و کمیت داده‌ها و مقابله با خطای مدل‌ها، گوشه‌ای از چالش‌های موجود در این حوزه از علم است که باید به آن توجه داشت و برای رفع آن تلاش کرد.

این استاد دانشگاه در بخش دیگری از سخنان خود با بیان اینکه مهندسی سریع هوش مصنوعی فرآیند ایجاد و اصلاح دستورات برای سیستم‌های هوش مصنوعی است‌، افزود: هوش مصنوعی مولد، مانند ChatGPT، کلمات را به ترتیب پیش‌بینی می‌کند. این فناوری بر روی یک مجموعه داده بزرگ آموزش داده شده است تا بهترین توالی کلمات محتمل را پس از دریافت یک درخواست ایجاد کند. 

این استاد هوش مصنوعی با بیان اینکه ChatGPT به‌عنوان یک نمونه اولیه در نوامبر ۲۰۲۲ معرفی شد و در بسیاری از حوزه‌ها، توجه‌ها را به خود جلب کرد، ادامه داد: به دلیل ظرفیت آن در ترکیب و تفسیر زبان طبیعی مشابه انسان، استفاده از ChatGPT محبوبیت پیدا کرده‌ است؛ چرا که پاسخ‌های دقیق و اکثریت درستی را به سرعت ارائه می‌دهد. 

وی با بیان اینکه ChatGPT در واقع مبتنی بر نسخه به‌روز شده GPT-3، نوعی مدل زبانی بزرگ (LLM) بوده که بر شبکه عظیمی از نورون‌های مصنوعی متکی است که به‌نوعی، رفتار نورون‌های مغز انسان را تقلید می‌کنند، ابراز کرد: برای رساندن نسخه ابتدایی چت GPT، به نسخه GPT4 از الگوریتم یادگیری نظارت شده و یادگیری تقویتی (اصلاح و بهبود خطا) استفاده شد. در هر دو الگو، برای بهبود عملکرد مدل، از نیروی انسانی به کار گرفته شد. 

افشارچی افزود: مدل زبانی GPT برپایه معماری شبکه عصبی ترانسفورمر گوگل ایجاد شده و گوگل از این شبکه عصبی در ساخت مدل زبانی پیشرفته LaMDA (خودآگاه) استفاده کرده‌ است. به‌طور کلی، به هوش مصنوعی مدل‌های زبانی بزرگ، صدها میلیارد کلمه در قالب کتاب، مکالمات، صفحات وب و حتی پست‌های توییتر و دیگر شبکه‌های اجتماعی «خورانده» می‌شود و هوش مصنوعی به کمک این منابع عظیم از داده، مدلی بر اساس احتمال آماری می‌سازد. 

دانشیار علوم و مهندسی کامپیوتر گرایش هوش مصنوعی دانشگاه زنجان بیان کرد: روش آموزش دادن مدل زبانی به‌کار رفته در ChatGPT به این صورت بود که ابتدا تعداد زیادی سوال و جواب که توسط افراد متخصص این حوزه، دست‌چین شده بودند، به آن داده شد. سپس، این سؤال و جواب‌ها در مجموعه داده مدل گنجانده شد. در مرحله بعد، از سیستم خواسته شد تا برای مجموعهٔ بسیار بزرگی از سوالات متنوع، چندین پاسخ مختلف ارائه دهد تا کارشناسان انسانی هر یک از آن‌ها را از بهترین تا بدترین پاسخ، رتبه‌بندی کنند. 

وی با اشاره به نگرانی انسان از هوش مصنوعی (Al) در فرسایش خلاقیت انسان و قدرت تحلیل مغزهای تنبل، خاطرنشان کرد: مواقعی وجود دارد که نتیجه یک پدیده خاص را می‌دانیم و از آن می‌ترسیم؛ واقعیت این است که در این موقعیت خاص ما از نتیجه آن آگاه نیستیم، بنابراین ما را ترسانده است. 

انتهای پیام