روزنامه آسیا-حوزه هوش مصنوعی AI به‌طور رسمی در کارگاهی که توسط جان مک کارتی در سال 1956 در پروژه تحقیقاتی تابستانی در مورد هوش مصنوعی برگزار شد، متولد و نامگذاری شد. هدف این بود که روش‌هایی را بررسی کنیم که در آن ماشین‌ها می‌توانند جنبه‌های هوشی انسان را شبیه‌سازی کنند.

ایده‌ای ضروری که از آن زمان تاکنون به پیشبرد این حوزه ادامه داده است، شبیه‌سازی ذهن است. اولین استفاده از اصطلاح «هوش مصنوعی» به مک کارتی در طرح پیشنهادی او برای کارگاه آموزشی با ماروین مینسکی، ناتانیل روچستر، و کلود شانون انجام شد. بسیاری از افرادی که در آن شرکت کردند بلافاصله پروژه‌های مهمی را تحت عنوان هوش مصنوعی رهبری کردند.

اگرچه این کارگاه یک هویت واحد برای این حوزه و یک جامعه تحقیقاتی اختصاصی ایجاد کرد، بسیاری از ایده‌های فنی که برای مشخص کردن هوش مصنوعی آمده بودند، خیلی قبل‌تر نیز وجود داشتند. در قرن هجدهم، توماس بیز چارچوبی برای استدلال در مورد احتمال رویدادها ارائه کرد. در قرن نوزدهم، جورج بول نشان داد که استدلال منطقی که قدمت آن به ارسطو بازمی‌گردد، می‌تواند به‌طور سیستماتیک به روشی مشابه حل یک سیستم معادلات انجام شود. 

در آغاز قرن بیستم، پیشرفت در علوم تجربی منجر به ظهور رشته آمار شد، که امکان استنتاج دقیق از داده‌ها را فراهم می‌کند. ایده مهندسی فیزیکی ماشینی برای اجرای توالی دستورالعمل‌ها، که تخیل پیشگامانی مانند چارلز بابیج را به خود جلب کرده بود، در دهه 1950 به بلوغ رسید و منجر به ساخت اولین رایانه‌های الکترونیکی شد. همچنین ربات‌های بدوی، که می‌توانستند مستقل عمل کنند، در آن زمان ساخته شده بودند.

تأثیرگذارترین ایده‌های زیربنای علم کامپیوتر از آلن تورینگ بود که یک مدل رسمی از محاسبات را پیشنهاد کرد. مقاله کلاسیک تورینگ، ماشین‌های محاسباتی و شبیه‌سازی هوش، امکان رایانه‌ها را تصور می‌کند و بسیاری از اجزای موجود هوش مصنوعیِ امروز، از جمله این‌که چگونه هوش ممکن است آزمایش شود و چگونه ماشین‌ها ممکن است به‌طور خودکار بیاموزند را بررسی می‌کند. اگرچه این ایده‌ها الهام‌بخش هوش مصنوعی بودند، تورینگ برای تبدیل ایده‌هایش به عمل به منابع محاسباتی مورد نیاز دسترسی نداشت.

چندین حوزه اصلی در جستجوی هوش مصنوعی بین دهه 1950 و 1970 پدیدار شد. نیوول و سایمون پیشگام در جستجوی روشی کارآمد برای یافتن راه‌حل در فضاهای بزرگ و ترکیبی بودند. به‌ویژه، آن‌ها این ایده را برای ساختن اثبات قضایای ریاضی، ابتدا از طریق برنامه نظریه منطقی خود و سپس از طریق حل‌المسائل عمومی به‌کار بردند.

در اواخر دهه شصت، کار بر روی پردازش زبان طبیعی نیز آغاز شد و سپس یک ربات چرخدار ساخته شد و رباتیک متحرک راه‌اندازی گردید. برنامه بازی چکرز ساموئل که خود را از طریق بازی با خود (کامپیوتر) بهبود بخشید، یکی از اولین نمونه‌های سیستم یادگیری ماشینی بود. بعد از آن نیز یک مدل محاسباتی مبتنی بر نورون‌های بیولوژیکی، پایه‌ای برای حوزه شبکه‌های عصبی مصنوعی شد. 

اسلاگل (Slagle) که از کودکی نابینا بود، دکترای خود را در ریاضیات از MIT دریافت کرد. اسلاگل در حالی‌که تحصیلات خود را ادامه می‌داد به کاخ سفید دعوت شد و در آنجا جایزه‌ای را از طرف شرکت ضبط برای نابینایان از رئیس‌جمهور به دلیل کار علمی استثنایی خود دریافت کرد. او برنامه‌ای که به‌عنوان یکی از اولین «سیستم‌های تصمیم‌گیری» شناخته می‌شود، در قالب یک سیستم کامپیوتری که می‌تواند توانایی تصمیم‌گیری یک متخصص انسانی را تقلید کند، ابداع کرد.

محققان هوش مصنوعی با پیشرفت این مسیر، دیگر وقت خود را صرف بررسی مجدد جوانب مثبت و منفی سؤال تورینگ که «آیا ماشین‌ها هم می‌توانند فکر کنند؟» نمی‌کردند. در عوض، آن‌ها این دیدگاه را پذیرفتند که «تفکر» باید به‌عنوان یک وضعیت پیوسته در نظر گرفته شود. این بدان معناست که استدلال ماشینی از مجموعه اطلاعاتی پدید می‌آید که در یک راستا و هم‌جهت ارائه گردد و سپس هوش مصنوعی می‌تواند نتیجه‌گیری و جمع‌بندی کند و داده‌های بسیاری را خلاصه کرده و استدلال نهایی را ارائه کند. 

 این‌که رایانه‌ها چطور فکر می‌کنند، و این‌که آیا نتیجه‌گیری واضح است یا خیر و این‌که آیا آن‌ها می‌توانند در آینده بهبود یابند یا خیر، همچنان یک سؤال باز بود. با این حال، تحقیقات و پیشرفت هوش مصنوعی پس از شروع استفاده از آن از رونق افتاد و تمایل به استفاده از آن کاهش یافت. در اواسط دهه 1970، بودجه دولت‌ها برای راه‌های جدید تحقیقات اکتشافی تمام شد. به‌طور مشابه در آزمایشگاه، گروه هوش مصنوعی منحل شد و پژوهشگران کار خود را در جای دیگری دنبال کردند. 

در اواخر دهه 1990 و اوایل دهه 2000، تحقیقات هوش مصنوعی با تمرکز بر یافتن راه‌حل‌های خاص برای مشکلات خاص به جای هدف اصلی ایجاد ماشین‌های همه‌کاره و کاملا هوشمند، به خط مقدم بازگشت. امروزه رایانه‌های سریع‌تر و دسترسی به حجم زیادی از داده‌ها باعث پیشرفت در روش‌های یادگیری عمیق مبتنی بر داده شده است. 

در حال حاضر، چندین حوزه تمرکز دیگر در هوش مصنوعی پیامدهای رشد فناوری هستند. تحلیل شبکه‌های اجتماعی که به بررسی تأثیر روابط در تأثیرگذاری بر رفتار افراد و جوامع می‌پردازد از جمله تازه‌ترین‌های هوش مصنوعی است. جمع‌سپاری یکی دیگر از روش‌های نوآورانه حل مسئله است که بر استفاده از هوش انسانی (معمولاً از هزاران انسان) برای حل مسائل سخت محاسباتی متکی است، زیرا هوش مصنوعی فقط دسته‌بندی داده انجام می‌دهد و تولید داده امری است که برای آینده هوش مصنوعی متصور است. با این‌حال می‌توان گفت که هوش مصنوعی، یک ابزار غیرقابل حذف در تمام تصمیم‌گیری‌های انسانی است.

علی جوانمردی، ایده‌پرداز و مؤسس گروه فنی مهندسی e.tok  (ایتوک) https://etok-co.com

آسیا نیوز