دسته هوش مصنوعی

هوش مصنوعی (به انگلیسی: Artificial intelligence) (به اختصار: AI)، هوشی است که توسط ماشین‌ها ظهور پیدا می‌کند، در مقابل هوش طبیعی[الف] که توسط جانوران شامل انسان‌ها نمایش می‌یابد. اما پیش از هرچیز باید این موضوع را دانست که کلمه هوش، نشان دهنده امکان استدلال است و اینکه آیا هوش مصنوعی می‌تواند به توانایی استدلال دست یابد یا خیر، خود موضوع اختلاف محققان است. کتاب‌های AI پیشرو، این شاخه را به عنوان شاخه مطالعه بر روی «عوامل هوشمند» تعریف می‌کنند: هر سامانه‌ای که محیط خود را درک کرده و کنش‌هایی را انجام می‌دهد که شانسش را در دستیابی به اهدافش بیشینه می‌سازد.[ب] برخی از منابع شناخته شده از اصطلاح «هوش مصنوعی» جهت توصیف ماشینی استفاده می‌کنند که عملکردهای «شناختی» را از روی ذهن انسان‌ها تقلید می‌کنند، همچون «یادگیری» و «حل مسئله»، با این حال این تعریف توسط محققان اصلی در زمینه AI رد شده است.[پ][۲][۳]

کاربردهای هوش مصنوعی شامل موتورهای جستجو پیشرفتهٔ وب (مثل گوگل و بینگ)، سامانه توصیه‌گر (که توسط یوتیوب، آمازون و نتفلیکس استفاده می‌شوند.)، فهم زبان انسان‌ها (همچون سیری ، جمنای و آمازون الکسا)، خودروهای خودران (مثل تسلا)، هوش مصنوعی مولد یا خلاقیت محاسباتی (مثل چت‌جی‌پی‌تی یا تولید اثر هنری مانند دال-ئی و میدجرنی) تصمیم‌گیری خودکار و رقابت در بالاترین سطوح سامانه‌های بازی استراتژیک (همچون شطرنج و گو). با بیشتر شدن توانایی ماشین‌ها، وظایفی که نیازمند «هوشمندی» هستند اغلب از تعریف AI برداشته می‌شود، پدیده‌ای که به آن اثر هوش مصنوعی گفته می‌شود. به عنوان مثال، فهم نوری کاراکتر را اغلب از چیزهایی که AI در نظر گرفته می‌شوند مستثنی می‌کنند، چرا که این فناوری تبدیل به فناوری عادی و روزمره‌ای شده است.[۴][۵][۶]

هوش مصنوعی در سال ۱۹۵۶ میلادی تبدیل به شاخه‌ای آکادمیک شد و در سال‌های پس از آن چندین موج خوش‌بینی را تجربه کرده و مجدد دچار امواج ناامیدی و کمبود بودجه شده (که به آن «زمستان AI» می‌گویند)، سپس فناوری‌های جدیدی در پی آن آمده و موفقیت و بودجه‌های تحقیقاتی این حوزه مجدداً احیا گشته‌اند. تحقیقات AI رهیافت‌های متفاوتی را از زمان تأسیسش امتحان کرده و آن‌ها را کنار گذاشته است، رهیافت‌هایی چون: شبیه‌سازی مغز، مدل‌سازی حل مسئله توسط مغز انسان، منطق صوری، بانک‌های اطلاعاتی بزرگ دانش و تقلید رفتار جانوران. در اولین دهه‌های قرن ۲۱ میلادی، یادگیری ماشینی که شدیداً از آمار ریاضیاتی بهره می‌برد در این حوزه غلبه داشت و این فناوری اثبات کرد که به شدت موفق است و به حل چندین مسئله چالش‌برانگیز در صنعت و فضای آکادمیک کمک نمود.[۷][۸]

شاخه‌های مختلف تحقیقات هوش مصنوعی حول اهداف به‌خصوصی متمرکز بوده و از ابزارآلات خاصی استفاده می‌کنند. اهداف سنتی تحقیقات AI شامل این موارد اند: استدلال، نمایش دانش، برنامه‌ریزی، یادگیری، پردازش زبان طبیعی، ادراک و توانایی در جابجایی و دستکاری اشیاء.[ت] هوش جامع (توانایی حل مسائل دلخواه) در میان اهداف بلند مدت این حوزه است. جهت حل چنین مسائلی، محققان AI فنون حل مسئله وسیع و یکپارچه‌ای را شامل این موارد به کار بسته‌اند: جست‌وجو و بهینه‌سازی ریاضیاتی، منطق صوری، شبکه‌های عصبی مصنوعی و روش‌های مبنی بر آمار، احتمالات و اقتصاد. AI همچنین با حوزه‌هایی چون علوم کامپیوتر، روان‌شناسی، زبان‌شناسی، فلسفه و بسیاری از حوزه‌های دیگر مرتبط است.[۹]

این شاخه بر این فرض بنا شده است که هوش انسانی «را می‌توان به دقت توصیف نمود، به طوری که می‌توان آن را توسط یک ماشین شبیه‌سازی نمود».[ث] این فرض بحث‌های فلسفی را پیرامون ذهن و اخلاقیات خلق موجودات هوشمند برانگیخته است، موجوداتی که دارای هوش شبیه-انسان اند. این مسائل توسط افسانه‌ها، داستان‌های تخیلی و فلسفه از زمان‌های باستان مورد کاوش واقع شده‌اند. ادبیات علمی-تخیلی و آینده‌پژوهی نیز پیشنهاد می‌دهند که AI با پتانسیل و قدرت عظیمی که دارد، ممکن است منجر به ایجاد ریسک وجودی برای بشریت گردد.

وال‌استریت ژورنال: تعرفه‌های ترامپ شاید هزینه هوش مصنوعی را افزایش دهد

طبق گزارشی از وال‌استریت ژورنال پیرامون تاثیر تعرفه‌های سنگین دونالد ترامپ بر صنعت هوش مصنوعی، افزایش قیمت مواد و تجهیزات مورد نیاز برای توسعه و ساخت مراکز داده احتمالا باعث افزایش هزینه پردازش هوش مصنوعی می‌شود و در نتیجه شرکت‌های ارائه دهنده مجبورند تا هزینه اشتراک این خدمات را افزایش دهند. شرکت‌های فناوری آمریکا مبالغ سنگینی را به توسعه زیرساخت مورد نیاز هوش مصنوعی اختصاص داده‌اند و توسعه دهندگان مجبورند تا افزایش هزینه‌ها را به مصرف‌کننده منتقل کنند.

دیپ‌سیک از رویکرد جدیدی برای بهبود توانایی مدل‌های استدلال‌گر رونمایی کرد

دیپ‌سیک پیش از عرضه مدل جدید هوش مصنوعی خود، رویکرد نوآورانه‌ای را برای بهبود توانایی استدلال مدل‌های زبانی بزرگ (LLM) معرفی کرده است. این شرکت در همکاری با پژوهشگران دانشگاه تسینگ‌هوا، تکنیکی ترکیبی از دو روش با نام‌های «مدل‌سازی پاداش مولد» (Generative Reward Modelling یا GRM) و «تنظیم انتقادی مبتنی بر اصول درونی» (Self-Principled Critique Tuning) را برای بهبود توان استدلال توسعه داده است.

متا از مدل‌های جدید Llama 4 رونمایی کرد

شرکت متا با معرفی نسل جدید مدل‌های زبان هوش مصنوعی خود با نام Llama 4، بار دیگر در مسیر توسعه مدل‌های متن‌باز و چندرسانه‌ای گام برداشت. این مجموعه شامل سه مدل جدید با نام‌های Llama 4 Scout، Llama 4 Maverick و Llama 4 Behemoth است که هرکدام با ویژگی‌ها و توانمندی‌های منحصر به فرد، بخشی از جهان هوش مصنوعی را هدف می‌گیرند.

یافته‌های یک مطالعه جدید: ابزارهای هوش مصنوعی محتوای دارای حق نشر را حفظ کرده‌اند

مطالعه جدیدی درمورد هوش مصنوعی اوپن‌ا‌ی‌آی شواهدی را ارائه کرده است که ادعای شاکیان نقض حق نشر حمایت می‌کند. طبق این مطالعه، شرکت اوپن‌ای‌آی در آموزش برخی از مدل‌های هوش مصنوعی خود از محتوای دارای حق نشر استفاده کرده است و مدل‌های این شرکت داده‌های دارای حق نشر را به خاطر سپرده‌اند.

شرکت IBM از مین‌فریم جدیدی برای عصر هوش مصنوعی رونمایی کرد

شرکت IBM از نسخه جدید سخت‌افزار مین‌فریم خود با هدف تسریع در پذیرش هوش مصنوعی و تمرکز بر بازار خارج از ابر داده‌ها، رونمایی کرد. این نسخه جدید که IBM z17 نام دارد، به گفته شرکت از بیش از ۲۵۰ کاربرد مختلف در حوزه هوش مصنوعی پشتیبانی می‌کند که از جمله آنها می‌تواند به استفاده در حوزه ایجنت‌های هوشمند و مدل‌های مولد اشاره کرد. این مین‌فریم کاملا رمزنگاری شده از پردازنده قدرتمند IBM Telum II برخوردار است.

گزارش دانشگاه استنفورد از صنعت هوش مصنوعی: یکه‌تازی آمریکا به پایان رسیده است

موسسه هوش مصنوعی انسان‌محور (Institute for Human-Centered AI یا HAI) از دانشگاه استنفورد طی گزارش جدیدی که خبر آن را مجله وایرد منتشر کرده است به بررسی وضعیت صنعت هوش مصنوعی و رقابت جهانی پرداخته است. این گزارش نشان می‌دهد که جدال در عرصه هوش مصنوعی دیگر تحت سلطه کامل ایالات متحده نیست و همچنین از سلطه دوقطبی اوپن‌ای‌آی و گوگل در این بازار کاسته شده است.

مدل‌های کوچک زبانی، آینده بزرگ هوش مصنوعی هستند

 مدل‌های زبانی کوچک با وجود اندازه به ظاهر کوچکشان، می‌توانند نقشی کلیدی در دسترس‌پذیرتر کردن، کارآمدتر کردن و تخصصی‌تر کردن هوش مصنوعی ایفا کنند. در حالی که غول‌های فناوری بر ساخت مدل‌های عظیم با میلیاردها پارامتر تمرکز کرده‌اند، مدل‌های زبانی کوچک با مزایای منحصربه‌فرد خود، مسیری نوآورانه را در دنیای هوش مصنوعی باز می‌کنند.