هوش مصنوعی (AI) چیست و چگونه به ما کمک می‌کند؟

هوش مصنوعی (Artificial Intelligence) به ماشین‌ها اجازه می‌دهد تا توانایی‌های ذهن انسان را تکرار کنند. از توسعه‌ ماشین‌های اتوماتیک گرفته‌ تا گسترش دستیارهای هوشمند، مانند سیری و الکسا، AI  بخش رو به رشدی از زندگی روزمره‌ است. در نتیجه، بسیاری از شرکت‌های فناوری در صنایع مختلف در حال سرمایه‌گذاری روی فناوری‌های مربوط به هوش مصنوعی هستند. در این مقاله تمامی آنچه باید در مورد این تکنولوژی بدانید را برای شما آورده‌ایم تا همه چیز را بدانید. پس همراه زردنیوز باشید.

هوش مصنوعی یا AI چیست؟

AI شاخه وسیعی از علوم کامپیوتر است که به ساخت ماشین‌های هوشمندی می‌پردازد که قادر به انجام وظایفی هستند که معمولاً به هوش انسانی نیاز دارند.

AI چیست؟

کمتر از یک دهه پس از کمک به نیروهای متفقین برای پیروزی در جنگ جهانی دوم با شکستن ماشین رمزگذاری نازی‌ها به نام Enigma، ریاضیدانی به نام آلن تورینگ برای بار دوم تاریخ را با یک سوال ساده‌ تغییر داد: “آیا ماشین‌ها می‌توانند فکر کنند؟”

مقاله تورینگ در سال 1950 با عنوان “ماشین آلات محاسباتی و هوش” و آزمونی که متعاقب آن انجام شد، هدف و چشم انداز اساسی هوش مصنوعی را مشخص کرد.

در حقیقت، هوش مصنوعی یا AI شاخه‌ای از علوم کامپیوتر است که هدف آن پاسخ مثبت به سوال تورینگ است. این تلاشی برای تکرار یا شبیه سازی هوش انسانی در ماشین‌ها است. هدف گسترده هوش مصنوعی، سوالات و بحث‌های زیادی را پیرامون خود به وجود آورده‌ است. به حدی که هیچ تعریف واحدی از این رشته به طور کلی و کامل پذیرفته‌ نشده‌ است.

| آیا ماشین‌ها می‌توانند فکر کنند؟ – آلن تورینگ، 1950

تعریف AI

محدودیت اصلی در تعریف هوش مصنوعی یعنی «ساخت ماشین‌هایی که هوشمند هستند» وجود دارد. محدودیت این است که در واقع توضیح نمی‌دهد که هوش مصنوعی چیست و چه چیزی یک ماشین را هوشمند می‌کند. AI یک علم میان رشته‌ای با رویکردهای متعدد است، اما پیشرفت‌ها در یادگیری علوم ماشینی و آموزش عمیق مفاهیم، تقریباً در هر بخش از صنعت و فناوری یک تغییر قابل توجه ایجاد می‌کند.

استوارت راسل و پیتر نورویگ در کتاب خود، “هوش مصنوعی: رویکردی مدرن”، به تعریف مفهوم AI  می‌پردازند. این تعریف را با اتفاق نظر حول موضوع عوامل هوشمند موجود در ماشین‌ها بیان می‌کنند. با در نظر گرفتن‌ این موضوع، هوش مصنوعی در واقع به معنای “مطالعه عواملی است که ادراکاتی را از محیط دریافت می‌کنند و اعمالی را انجام می‌دهند”.

نورویگ و راسل در ادامه به بررسی چهار رویکرد مختلف می‌پردازند که از لحاظ تاریخی حوزه AI  را تعریف کرده‌اند:

تعریف هوش مصنوعی: چهار نوع رویکرد

• انسان اندیشی: تقلید از اندیشه‌هایی بر مبنای ذهن انسان.
• عقلانی فکر کردن‌‌: ساختن افکاری بر اساس استدلال منطقی.
• رفتار انسانی: انجام رفتارها به گونه‌ای که رفتار انسان را تقلید کند.
• منطقی عمل کردن‌‌: انجام کارها به نحوی که برای رسیدن‌ به هدفی خاص باشد.

دو ایده اول مربوط به فرآیندهای فکری و استدلال است، در حالی که بقیه با رفتار سروکار دارند. نورویگ و راسل به طور ویژه بر عوامل منطقی که برای دستیابی به بهترین نتیجه عمل می‌کنند تمرکز می‌کنند. و خاطرنشان می‌کنند که “همه مهارت‌های مورد نیاز برای آزمون تورینگ خواستار انجام کارهای یک عامل به صورت منطقی هستند”.

پاتریک وینستون، استاد سابق هوش مصنوعی و علوم کامپیوتر MIT، AI  را به این شکل تعریف می‌کند: «الگوریتم‌هایی که توسط محدودیت‌ها فعال می‌شوند، توسط نمونه‌های مجسمی که از الگوهایی پشتیبانی می‌کنند، در حلقه‌هایی که تفکر، ادراک و عمل را به هم گره می‌زنند، آشکار می‌شوند.»

اگرچه ممکن است این تعاریف برای افراد عادی انتزاعی به نظر برسند، اما به فهم تمرکز این رشته به عنوان حوزه‌ای از علوم کامپیوتر کمک می‌کنند. و طرحی را برای ترکیب ماشین‌ها و برنامه‌ها با ML و سایر زیرمجموعه‌های هوش مصنوعی ارائه می‌دهند.

چهار نوع AI

بر اساس نوع و پیچیدگی وظایفی که یک سیستم قادر به انجام آن است، هوش مصنوعی را می‌توان به چهار دسته تقسیم کرد. به عنوان مثال، فیلتر خودکار اسپم در ابتدایی‌ترین رده AI  قرار می‌گیرد. در حالی که پتانسیل ماشین‌هایی که می‌توانند افکار و احساسات افراد را درک کنند، بخشی از یک زیرمجموعه کاملاً متفاوت AI  است.

چهار نوع هوش مصنوعی چیست؟

• ماشین‌های واکنش‌گرا: قادر به درک و واکنش به دنیای مقابل در هنگام انجام وظایف محدود خود هستند.
• حافظه محدود: می‌تواند داده‌ها و پیش‌بینی‌های گذشته را ذخیره کند، تا پیش‌بینی‌هایی را از آنچه ممکن است در آینده رخ دهد، ارائه کند.
• تئوری ذهن: قادر به تصمیم گیری بر اساس درک خود از احساس دیگران و تصمیمات آنهاست.
• خودآگاهی: می‌تواند با آگاهی‌ای در سطح انسان عمل کند و وجود خود را درک کند.

ماشین‌های واکنش‌گرا

یک ماشین واکنش‌گرا از ابتدایی‌ترین اصول AI  پیروی می‌کند. همانطور که از نامش پیداست، فقط قادر است از هوش خود برای درک و واکنش به دنیای مقابل خود استفاده کند. یک ماشین واکنش‌گرا نمی‌تواند چیزی را در حافظه ذخیره کند. در نتیجه نمی‌تواند به تجربیات گذشته برای الهام گرفتن برای تصمیم گیری خود در زمان واقعی تکیه کند.

درک جهان به طور مستقیم، به این معنی است که ماشین‌های واکنش‌گرا برای انجام تنها تعداد محدودی از وظایف تخصصی طراحی شده‌اند. با این حال، محدود کردن عمدی جهان‌بینی یک ماشین واکنش‌گرا، اقدامی برای کاهش هزینه نیست. در عوض به این معنی است که این نوع هوش مصنوعی قابل اعتمادتر و معتبرتر خواهد بود – این ماشین‌ها هر بار به همان روش قبل به محرک‌های مشابه واکنش نشان می‌دهند.

نمونه‌هایی از ماشین‌های واکنش‌گرا

یک نمونه معروف از ماشین‌های واکنش‌گرا، Deep Blue است که توسط IBM در دهه 1990 به عنوان یک ابر رایانه برای بازی شطرنج طراحی شد؛ و استاد بزرگ بین‌المللی، گری کاسپاروف را در یک بازی شکست داد. دیپ بلو فقط می‌توانست مهره‌های روی صفحه شطرنج را شناسایی کند و بداند که هر کدام بر اساس قوانین شطرنج چگونه حرکت می‌کنند. همچنین موقعیت فعلی هر مهره را تصدیق کرده و منطقی‌ترین حرکت را در آن لحظه تعیین کند. کامپیوتر حرکات آینده حریف خود را دنبال نمی‌کرد یا سعی نمی‌کرد مهره‌های خود را در موقعیت بهتری قرار دهد. بازی در هر نوبت، جدا از هر حرکت دیگری که از قبل انجام شده‌ بود، تصمیم‌گیری و اجرا می‌شد.

نمونه دیگری از ماشین‌های واکنش‌گرا برای بازی، AlphaGo گوگل است. AlphaGo نیز قادر به ارزیابی حرکت‌های آینده نیست، اما برای ارزیابی پیشرفت‌های بازی کنونی به شبکه عصبی خود متکی است. همین مورد به آن برتری نسبت به Deep Blue برای انجام یک بازی پیچیده‌تر می‌دهد. AlphaGo همچنین با شکست دادن قهرمان Go Lee Sedol در سال 2016 بر رقبای این بازی در رده‌ جهانی برتری دارد.

هوش مصنوعی ماشین واکنش‌گرا از نظر دامنه محدود است و به راحتی تغییر نمی‌کند. اما می تواند به سطحی از پیچیدگی دست یابد و زمانی که برای انجام وظایف تکرارپذیر ایجاد شود، قابل اطمینان است.

حافظه محدود

AI  حافظه محدود این توانایی را دارد که داده‌ها و پیش‌بینی‌های قبلی را برای جمع‌آوری اطلاعات و سنجیدن تصمیم‌های بالقوه ذخیره کند – اساساً به دنبال سرنخ‌هایی در مورد آنچه ممکن است در آینده رخ دهد، به گذشته نگاه می‌کند. هوش مصنوعی حافظه محدود پیچیده‌تر است و امکانات بیشتری را نسبت به ماشین‌های واکنش‌گرا ارائه می‌دهد.

هوش مصنوعی حافظه محدود زمانی ایجاد می‌شود که یک تیم به طور مداوم مدلی را در مورد نحوه تجزیه و تحلیل و استفاده از داده‌های جدید آموزش می‌دهد. یا زمانی که یک محیط AI  ساخته می‌شود تا مدل‌ها به طور خودکار آموزش داده‌ شده‌ و تجدید شوند.

هنگام استفاده از هوش مصنوعی حافظه محدود در ML، شش مرحله باید دنبال شود: داده های آموزشی باید ایجاد شوند، مدل ML باید ایجاد شود، مدل باید قادر به پیش‌بینی باشد، مدل باید قادر به دریافت بازخورد انسانی یا محیطی باشد، آن بازخوردباید به عنوان داده ذخیره‌ شوند. و در ادامه این مراحل باید به عنوان یک چرخه تکرار شوند.

سه مدل اصلی ML وجود دارد که از AI  حافظه محدود استفاده می‌کنند:

• یادگیری تقویتی، که یاد می‌گیرد از طریق آزمون و خطای مکرر، پیش‌بینی‌های بهتری انجام دهد.
• حافظه کوتاه بلند مدت (LSTM)، که از داده‌های گذشته برای کمک به پیش‌بینی مورد بعدی در یک دنباله استفاده می‌کند. LTSMها اطلاعات جدیدتر را در هنگام پیش‌بینی‌ها نسبت به داده‌های محاسبه شده قدیمی‌تر را مهم‌تر می‌دانند، اگرچه هنوز از داده‌های قدیمی‌تر نیز برای نتیجه‌گیری استفاده می‌کنند.
• شبکه‌های متخاصم مولد تکاملی (E-GAN)، در طول زمان تکامل می‌یابند و برای کشف مسیرهای کمی تغییر یافته بر اساس تجربیات قبلی با هر تصمیم جدید رشد می‌کنند. این مدل دائماً به دنبال مسیری بهتر است و از شبیه‌سازی‌ها و آمار یا شانس، برای پیش‌بینی نتایج در طول چرخه جهش تکاملی خود استفاده می‌کند.

نظریه ذهن

نظریه ذهن دقیقاً مشابه نام آن است – نظری و تئوریک است. ما هنوز به توانایی‌های فنی و علمی لازم برای رسیدن به این سطح هوش مصنوعی دست نیافته‌ایم.

این مفهوم مبتنی بر پیش‌فرض روان‌شناختی درک این موضوع است که موجودات زنده دیگر، افکار و احساساتی دارند که بر رفتار فرد تأثیر می‌گذارند. از نظر ماشین‌های مبتنی بر AI ، این بدان معناست که هوش مصنوعی قادر به درک احساسات انسان‌ها، حیوانات و سایر ماشین‌هاست و می‌تواند قدرت خوداندیشی و اراده را به کار بگیرد و از این اطلاعات برای تصمیم‌گیری خود استفاده کند. اساساً، ماشین‌ها باید بتوانند مفهوم «ذهن»، نوسانات احساسات در تصمیم‌گیری و مجموعه‌ای از مفاهیم روان‌شناختی دیگر را در زمان واقعی درک و پردازش کنند تا یک رابطه دو طرفه بین افراد و AI  ایجاد کنند.

خودآگاهی

در آینده‌ای نزدیک هنگامی که نظریه ذهن بتواند در هوش مصنوعی ایجاد شود، گام نهایی برای خودآگاهی AI  برداشته خواهد شد. این نوع هوش مصنوعی دارای آگاهی در سطح انسانی است و وجود خود در جهان و همچنین حضور و وضعیت عاطفی دیگران را درک می‌کند. می‌تواند بفهمد که دیگران به چه چیزهایی ممکن است نیاز داشته باشند. این اتفاق فقط بر اساس آنچه با آنها ارتباط برقرار می‌کنند نیست، بلکه بر اساس نحوه ارتباط آنهاست.

رسیدن به خودآگاهی در AI  به محققان انسانی متکی است که مقدمات هوشیاری را درک کنند و سپس یاد بگیرند که چگونه آن را تکرار کنند تا بتوانند در نهایت آن را در ماشین‌ها ایجاد کنند.

چرا AI  مهم است؟

هوش مصنوعی کاربردهای زیادی دارد – از تقویت و توسعه واکسن گرفته‌ تا تشخیص خودکار تقلب‌ها.

بر اساس گزارش CB Insights، فعالیت بازار خصوصی هوش مصنوعی در سال 2021 با افزایش 108 درصدی بودجه جهانی در مقایسه با سال 2020، رکورد زده است.

گزارش Business Insider Intelligence در سال 2022 در مورد AI  در بانکداری نشان داد که بیش از نیمی از شرکت‌های خدمات مالی در حال حاضر از راه حل‌های هوش مصنوعی برای مدیریت ریسک و تولید درآمد استفاده می‌کنند. استفاده از آن در بانکداری می‌تواند منجر به صرفه جویی بیش از 400 میلیارد دلار شود!

در حوزه پزشکی، گزارش سازمان جهانی بهداشت در سال 2021 اشاره کرد که در حالی که همگام سازی AI  با حوزه مراقبت‌های بهداشتی با چالش‌هایی همراه است، این فناوری “نویدبخش موفقیت بالایی است”. زیرا می‌تواند به مزایایی مانند دستیابی به سیاست‌های بهداشتی آگاهانه‌تر و بهبود دقت در تشخیص بیماران منجر شود.

هوش مصنوعی روی سرگرمی‌ها نیز اثر گذاشته‌ است. بر اساس تحقیقات Grand View، بازار جهانی آن در رسانه‌ها و سرگرمی‌ها تا سال 2030 به 99.48 میلیارد دلار می‌رسد که نسبت به ارزش 10.87 میلیارد دلاری در سال 2021 افزایش خواهد یافت. این گسترش شامل کاربردهایی مانند تشخیص سرقت ادبی و توسعه گرافیک با کیفیت بالا است.

مزایا و معایب AI

در حالی که هوش مصنوعی مطمئناً به عنوان یک دارایی مهم و در حال تکامل در نظر گرفته می‌شود، این حوزه نوظهور دارای نقاط منفی نیز هست.

مرکز تحقیقاتی Pew در سال 2021 از 10260 آمریکایی در مورد نگرش آنها نسبت به AI  نظرسنجی کرده است. نتایج نشان می‌دهد 45 درصد از پاسخ دهندگان به یک اندازه هیجان زده‌ و نگران هستند، و 37 درصد بیشتر نگران هستند تا هیجان زده‌. علاوه بر این، بیش از 40 درصد از پاسخ دهندگان گفتند که اتومبیل‌های بدون راننده را برای جامعه مضر می‌دانند. با این حال، ایده استفاده از آن برای شناسایی انتشار اطلاعات نادرست در رسانه‌های اجتماعی با استقبال بیشتری مواجه شد و نزدیک به 40 درصد از افراد مورد بررسی آن را ایده خوبی دانستند.

این هوش یک موهبت برای بهبود بهره‌وری و کارایی است و در عین حال پتانسیل خطای انسانی را کاهش می‌دهد. اما معایبی مانند هزینه‌های توسعه ماشین‌های خودکار برای جایگزینی مشاغل انسانی وجود دارد.

AI چگونه استفاده می‌شود؟ نمونه‌هایی از هوش مصنوعی

جرمی آچین، مدیر عامل DataRobot در حالی که در سال 2017 در نمایشگاه هوش مصنوعی ژاپن سخنرانی می‌کرد، با ارائه تعریف زیر از نحوه استفاده از AI  امروزی سخنان خود را آغاز کرد:

“هوش مصنوعی یک سیستم کامپیوتری است که قادر به انجام وظایفی است که معمولاً به هوش انسانی نیاز دارند… بسیاری از این سیستم‌های AI  با یادگیری ماشینی، برخی از آنها با یادگیری عمیق و برخی از آنها با چیزهای بسیار خسته کننده مانند قوانین تعریف شده، نیرو می‌گیرند. “

AI  به طور کلی در دو دسته کلی قرار می‌گیرد:

• هوش مصنوعی محدود: گاهی اوقات به عنوان “هوش مصنوعی ضعیف” نیز شناخته می‌شود. این نوع در یک زمینه محدود عمل می‌کند و شبیه ساز هوش انسانی است. AI  محدود اغلب بر روی انجام یک کار واحد بسیار خوب متمرکز است. اگرچه این ماشین‌ها ممکن است هوشمند به نظر برسند، اما تحت چارچوب‌ها و محدودیت‌های بسیار بیشتری از ابتدایی‌ترین هوش انسانی کار می‌کنند.
• هوش مصنوعی همه جانبه (AGI): گاهی به آن “هوش مصنوعی قوی” نیز گفته‌ می‌شود. نوعی است که در فیلم‌ها می بینیم – مانند روبات‌های Westworld یا شخصیت Data در Star Trek: The Next Generation.  AGI یک ماشین با هوش همه جانبه و عمومی است و مانند یک انسان، می‌تواند از این هوش برای حل هر مشکلی استفاده کند.

هوش مصنوعی محدود

هوش مصنوعی محدود یا همانطور که اغلب به آن AI  ضعیف گفته‌ می‌شود، در اطراف ما وجود دارد و به راحتی موفق‌ترین نمونه تحقق این هوش تا به امروز است. عملکردهای محدودی دارد که می‌تواند به خودکارسازی وظایف خاص کمک کند.

بر اساس گزارشی که در سال 2016 توسط دولت اوباما منتشر شد، به دلیل این تمرکز، هوش مصنوعی محدود پیشرفت‌های متعددی را در دهه گذشته تجربه کرده است. این پیشرفت‌ها “مزایای اجتماعی قابل توجهی داشته و به سرزندگی اقتصادی کشور کمک کرده است”.

نمونه‌هایی از AI: هوش مصنوعی محدود

• سیری، الکسا و دستیاران هوشمند دیگر
• ماشین‌های خودران
• موتور جستجوی گوگل
• ربات‌های مکالمه
• فیلترهای اسپم ایمیل
• توصیه‌های نتفلیکس

یادگیری ماشینی و یادگیری عمیق

بخش عمده‌ای از هوش مصنوعی محدود توسط پیشرفت‌هایی در ML و یادگیری عمیق ایجاد می‌شود. درک تفاوت بین AI ، ML و یادگیری عمیق می‌تواند کمی گیج کننده باشد. فرانک چن، سرمایه‌دار ریسک‌پذیر، نمای کلی خوبی از نحوه تمایز بین آنها ارائه می‌دهد و خاطرنشان می‌کند:

هوش مصنوعی مجموعه‌ای از الگوریتم‌ها و تکنولوژی برای تقلید از هوش انسان است. یادگیری ماشینی یکی از آنهاست و یادگیری عمیق یکی از تکنیک‌های یادگیری ماشینی است.

به زبان ساده، ML داده‌های رایانه را تغذیه می‌کند و از تکنیک‌های آماری استفاده می‌کند تا به آن کمک کند تا «بیاموزد» که چگونه در یک کار به تدریج بهتر شود. بدون اینکه به طور خاص برای آن کار برنامه‌ریزی شده باشد، که نیاز به میلیون‌ها خط کد نوشته شده را از بین می‌برد. ML هم از یادگیری نظارت شده (با استفاده از مجموعه داده‌های برچسب دار) و هم از یادگیری بدون نظارت (با استفاده از مجموعه داده‌های بدون برچسب) تشکیل شده است.

یادگیری عمیق نوعی از ML است که ورودی‌ها را از طریق یک طراحی شبکه عصبی با الهام از علوم بیولوژیک اجرا می‌کند. شبکه‌های عصبی حاوی تعدادی لایه پنهان هستند که داده‌ها از طریق آنها پردازش می‌شوند. این شبکه‌ها به ماشین اجازه می‌دهند تا در یادگیری خود به صورت «عمیق» پیش برود، و اتصالات و وزن ورودی را برای کسب بهترین نتایج ایجاد کند.

هوش مصنوعی همه جانبه

ایجاد ماشینی بهره‌مند از هوش در سطح انسانی که می‌تواند در هر زمینه‌ای کاربردی باشد، جام مقدس و هدف نهایی برای بسیاری از محققان هوش مصنوعی است. اما تلاش برای ایجاد AI  همه جانبه با مشکل همراه بوده است.

همانطور که راسل و نورویگ می‌گویند، جستجو برای «الگوریتم جهانی برای یادگیری و کارآمدی در هر محیطی» چیز جدیدی نیست. برخلاف هوش مصنوعی ضعیف، AI  قوی نشان دهنده ماشینی با مجموعه‌ای کامل از توانایی‌های شناختی است. اما زمان دشواری دستیابی به چنین شاهکاری را کاهش نداده است.

AGI مدت‌هاست که الهام‌بخش داستان‌های علمی تخیلی دیستوپیایی و ویران‌شهری بوده است، که در آن روبات‌های فوق‌ هوشمند بر بشریت غلبه می‌کنند. اما کارشناسان معتقدند که این موضوع چیزی نیست که به این زودی‌ها نگران آن باشیم.

تاریخچه هوش مصنوعی

ربات‌های هوشمند و موجودات مصنوعی برای اولین بار در اسطوره‌های یونان باستان ظاهر شدند. توسعه قیاس ارسطو و استفاده آن از استدلال قیاسی لحظه‌ای کلیدی در تلاش بشر برای درک هوش خود بود. در حالی که ریشه‌ها طولانی و عمیق هستند، تاریخچه این موضوع همانطور که امروز به آن فکر می‌کنیم کمتر از یک قرن است.

در ادامه نگاهی گذرا به برخی از مهم‌ترین رویدادهای هوش مصنوعی داریم:

دهه 1940

(1943) وارن مک کالو و والتر پیتس مقاله “حساب منطقی ایده‌های ماندگار در فعالیت عصبی” را منتشر کردند که اولین مدل ریاضی را برای ساخت شبکه عصبی پیشنهاد می‌کند.

(1949) دونالد هب در کتاب خود با نام “سازمان رفتار: یک نظریه عصب روانشناختی”، این نظریه را پیشنهاد می‌کند که مسیرهای عصبی از تجربیات ایجاد می‌شوند و ارتباط بین نورون‌ها هر چه بیشتر مورد استفاده قرار گیرد قوی‌تر می‌شود. یادگیری Hebbian همچنان یک مدل مهم در هوش مصنوعی است.

دهه 1950

(1950) آلن تورینگ مقاله «ماشین‌های محاسباتی و هوش» را منتشر می‌کند. و چیزی را پیشنهاد می‌کند که اکنون به عنوان آزمون تورینگ شناخته می‌شود، روشی برای تعیین هوشمندی یک ماشین.

(1950) ماروین مینسکی و دین ادموندز، دانشجویان کارشناسی هاروارد، SNARC، اولین کامپیوتر شبکه عصبی را ساختند.

(1950)‌ کلود شانون مقاله “برنامه نویسی یک کامپیوتر برای بازی شطرنج” را منتشر کرده است.

(1950) آیزاک آسیموف سه قانون رباتیک را منتشر می‌کند. بر این اساس ایده‌ای که معمولاً در رسانه‌های علمی تخیلی در مورد اینکه چگونه AI  نباید به انسان آسیب برساند، یافت می‌شود.

(1952) آرتور ساموئل یک برنامه خودآموز برای بازی چکرز توسعه می‌دهد.

(1954) آزمایش ترجمه ماشینی جورج تاون-IBM به طور خودکار 60 جمله روسی را که با دقت انتخاب شده‌اند، به انگلیسی ترجمه می‌کند.

(1956) عبارت “هوش مصنوعی” در پروژه تحقیقاتی تابستانی دارتموث در مورد AI  ابداع شد. این کنفرانس به رهبری جان مک کارتی به طور گسترده‌ای به عنوان زادگاه هوش مصنوعی در نظر گرفته می‌شود.

(1956) آلن نیوول و هربرت سایمون نظریه پرداز منطق (LT)، اولین برنامه استدلال را نشان دادند.

(1958) جان مک کارتی زبان برنامه نویسی هوش مصنوعی Lisp را توسعه می‌دهد و “برنامه‌هایی مبنی بر عقل سلیم” را منتشر می‌کند. مقاله‌ای که توصیه کننده فرضی را پیشنهاد می‌کند، یک سیستم هوش مصنوعی کامل و موثر با توانایی یادگیری از تجربه.

(1959) آلن نیوول، هربرت سایمون و جی سی شاو برنامه حل مشکل عمومی (GPS) را توسعه دادند. برنامه‌ای که برای تقلید از قدرت حل مسئله انسان طراحی شده‌ است.

(1959) هربرت گلرنتر برنامه اثبات قضیه هندسه را توسعه داد.

(1959)‌ آرتور ساموئل اصطلاح “یادگیری ماشینی” را در زمانی که در IBM کار می‌کرد به کار می‌برد.

(1959) جان مک کارتی و ماروین مینسکی پروژه هوش مصنوعی MIT را پیدا کردند.

دهه 1960

(1963) جان مک کارتی آزمایشگاه AI  را در استنفورد راه اندازی کرد.

(1966) گزارش کمیته مشورتی پردازش خودکار زبان (ALPAC) توسط دولت ایالات متحده به جزئیات عدم پیشرفت در تحقیقات ترجمه ماشینی، یک ابتکار بزرگ جنگ سرد با وعده ترجمه خودکار و فوری زبان روسی است. گزارش ALPAC منجر به لغو تمام پروژه‌های MT با بودجه دولت می‌شود.

(1969) اولین سیستم‌های خبره موفق در DENDRAL، یک برنامه XX، و MYCIN، برای تشخیص عفونت‌های خون، در استانفورد ایجاد شدند.

دهه 1970

(1972) زبان برنامه نویسی منطقی PROLOG ایجاد شد.

(1973) گزارش لایت‌هیل، که ناامیدی‌ها در تحقیقات هوش مصنوعی را شرح می‌دهد، توسط دولت بریتانیا منتشر شد و منجر به کاهش شدید بودجه برای پروژه‌های هوش مصنوعی شد.

(1974-1980) ناامیدی از پیشرفت و توسعه AI  منجر به کاهش عمده DARPA در کمک هزینه تحصیلی می‌شود. همراه با گزارش قبلی ALPAC و گزارش Lighthill سال قبل، بودجه هوش مصنوعی پایان یافته و تحقیقات متوقف می‌شود. این دوره به عنوان “اولین زمستان هوش مصنوعی” شناخته می‌شود.

دهه 1980

(1980) Digital Equipment Corporations R1 (که همچنین به عنوان XCON شناخته می‌شود)، اولین سیستم متخصص تجاری موفق را توسعه داد. R1 که برای پیکربندی سفارشات برای سیستم‌های رایانه‌ای جدید طراحی شده است، رونق سرمایه‌گذاری در سیستم‌های خبره را آغاز می‌کند که تا اواخر دهه دوام خواهد داشت و عملاً به اولین زمستان AI  پایان می‌دهد.

(1982) وزارت تجارت و صنعت بین المللی ژاپن  پروژه جاه طلبانه سیستم‌های کامپیوتری نسل پنجم (FGCS) را راه‌اندازی کرد. هدف آن توسعه عملکرد ابررایانه مانندها و ایجاد پلتفرمی برای توسعه هوش مصنوعی است.

(1983) در پاسخ به FGCS ژاپن، دولت ایالات متحده ابتکار محاسبات استراتژیک را برای ارائه تحقیقات با بودجه دارپا در محاسبات پیشرفته راه اندازی کرد.

(1985) شرکت‌ها سالانه بیش از یک میلیارد دلار برای سیستم‌های خبره هزینه می‌کنند و یک صنعت کامل به نام بازار ماشین‌های Lisp برای حمایت از آنها به وجود می‌آید. شرکت‌هایی مانند Symbolics و Lisp Machines Inc کامپیوترهای تخصصی را برای اجرا بر روی زبان برنامه نویسی هوش مصنوعی Lisp می سازند.

(1987-1993) با بهبود فناوری محاسبات، جایگزین‌های ارزان‌تری پدیدار شد و بازار ماشین‌های Lisp در سال 1987 سقوط کرد. این پدیده باعث شروع “زمستان دوم هوش مصنوعی” شد. در این دوره، سیستم‌های خبره برای نگهداری و به روز رسانی بسیار گران بودند و در نهایت از بین رفتند.

دهه 1990

(1991) نیروهای ایالات متحده، DART، یک ابزار برنامه ریزی و زمان بندی لجستیک خودکار را در طول جنگ خلیج فارس مستقر کردند.

(1992) ژاپن پروژه FGCS را در سال 1992 خاتمه داد. دلیل آن شکست در دستیابی به اهداف بلندپروازانه‌ای است که یک دهه پیش از آن برای پروژه مشخص شده‌ بود.

(1993) دارپا به ابتکار محاسبات استراتژیک در سال 1993 پس از صرف نزدیک به 1 میلیارد دلار و مقداری بسیار کمتر از انتظارات، پایان داد.

(1997) دیپ بلو IBM، قهرمان شطرنج جهان، گری کاسپاروف را شکست داد.

دهه 2000

(2005) استنلی، یک ماشین خودران، برنده چالش بزرگ دارپا شد.

(2005) ارتش ایالات متحده سرمایه گذاری در ربات‌های خودکار مانند “Big Dog” از Boston Dynamics و “PackBot” iRobot را آغاز کرد.

(2008) گوگل پیشرفت‌هایی در تشخیص گفتار ایجاد می‌کند و این ویژگی را در برنامه آیفون خود معرفی می‌کند.

دهه 2010

(2011) واتسون IBM به راحتی رقابت را در Jeopardy شکست می‌دهد.

(2011) کمپانی اپل، سیری را به عنوان یک دستیار مجازی مجهز به هوش مصنوعی، از طریق سیستم عامل iOS خود منتشر کرد.

(2012) Andrew Ng، بنیانگذار پروژه Google Brain Deep Learning، با استفاده از الگوریتم‌های یادگیری عمیق، 10 میلیون ویدیوی یوتیوب را به عنوان یک مجموعه آموزشی به شبکه عصبی اضافه می‌کند. شبکه عصبی آموزش می‌بیند که گربه را بدون اینکه به او گفته‌ شود گربه چیست، بشناسد. این امر آغازگر دوران پیشرفت شبکه‌های عصبی و پشتیبانی برای تامین بودجه یادگیری عمیق است.

(2014) گوگل اولین اتومبیل خودران را می‌سازد که در آزمون رانندگی دولتی موفق می‌شود.

(2014) الکسای آمازون، یک دستگاه هوشمند خانگی و مجازی، منتشر شد.

(2016) AlphaGo از Google DeepMind، قهرمان جهان Go Lee Sedol را شکست داد. پیچیدگی بازی باستانی چینی به عنوان یک مانع بزرگ برای رفع در هوش مصنوعی تلقی می‌شد که از پس آن بر آمد.

(2016) اولین شهروند رباتی با تکیه بر AI، یک ربات انسان نما به نام سوفیا، توسط Hanson Robotics ساخته شد. این روبات قادر به تشخیص چهره، ارتباط کلامی و ایجاد واکنش‌هایی در چهره است.

(2018) گوگل موتور پردازش زبان طبیعی BERT را منتشر می‌کند که موانع ترجمه و درک توسط برنامه‌های ML را کاهش می‌دهد.

(2018) Waymo سرویس Waymo One خود را راه‌اندازی می‌کند و به کاربران این امکان را می‌دهد که در سرتاسر منطقه شهری فونیکس درخواست دریافت یکی از خودروهای خودران این شرکت را ثبت کنند.

دهه 2020

(2020) بایدو الگوریتم LinearFold  هوش مصنوعی خود را برای تیم‌های علمی و پزشکی که برای توسعه واکسن در مراحل اولیه همه‌گیری SARS-CoV-2 کار می‌کنند، منتشر می‌کند. این الگوریتم قادر است توالی RNA ویروس را تنها در 27 ثانیه پیش‌بینی کند که 120 برابر سریعتر از روش‌های دیگر است.

(2020) OpenAI مدل پردازش زبان طبیعی GPT-3 را منتشر می‌کند که قادر است متنی را با الگوبرداری از نحوه صحبت و نوشتن افراد تولید کند.

(2021) OpenAI ، GPT-3 را برای توسعه DALL-E می‌افزاید، که قادر به ایجاد تصاویری مبتنی بر پیام‌های متنی است.

(2022) مؤسسه ملی استانداردها و فناوری، اولین پیش‌نویس چارچوب مدیریت ریسک هوش مصنوعی خود را منتشر می‌کند. این یک دستورالعمل داوطلبانه ایالات متحده برای مدیریت بهتر خطرات برای افراد، سازمان‌ها و جامعه مرتبط با AI  است.

(2022) DeepMind از Gato، یک سیستم هوش مصنوعی آموزش دیده برای انجام صدها کار، از جمله پخش آتاری، شرح تصاویر و استفاده از یک بازوی رباتیک برای چیدن بلوک‌ها، رونمایی کرد.