هوش مصنوعی، از Deep Blue تا AlphaGo

هوش مصنوعی

قبل از اینکه دو Gamer کامپیوتری رو بررسی کنیم، ابتدا بیایید ببینیم افراد مطرح این حوزه  چطور هوش مصنوعی رو تعریف می‌کنند.

انواع هوش مصنوعی

تعریف جان مکارتی از هوش مصنوعی

دانش مهندسی که ماشین‌ها را هوشمند می‌کند.

جان مک‌کارتی دانشمند آمریکایی علوم رایانه و علوم شناختی بود که در سال ۱۹۷۱ به خاطر خدماتش به پیشرفت علوم کامپیوتر در زمینه هوش مصنوعی، در سال ۱۹۷۱، جایزه تورینگ را دریافت کرد.

تعریف Yoshua Bengio از هوش مصنوعی

هوش مصنوعی به کامپیوترها کمک میکند که کارهایی بکنند که ما، انسانها، می‌تونیم انجام بدیم ولی کامپیوترهای امروزی نمی‌تونند انجام بدهند.

یوشوا بنجیو یکی از پیشگامان یادگیری عمیق و استاد تمام دانشگاه مونترال هست و در سال 2018 برنده جایزه تورینگ شد.

تعریف جفری هینتون از هوش مصنوعی

هوش مصنوعی امروزی براساس این ایده که چطور مغز کار می‌کند مدلسازی شده است. مغز به این شکل کار می‌کند که شما یک شبکه ی بسیار بزرگ از سلولهای عصبی در مغز دارید، یک ورودی میاد و مسیری رو طی میکند و شما یک خروجی بدست میارید. خروجی که شما میگیرید بستگی داره به قدرت ارتباطات بین سلولهای عصبی در مغز. اگر شما بتونید قدرت اون ارتباطات رو تغییر بدهید، شما در واقع خروجی که میگیرید را تغییر داده‌اید.

طوری که هوش مصنوعی کار میکنه اینه که بدون اینکه شما برنامه ی صریحی برای کامپیوتر بنویسید، به جاش میایید مثالهای مختلفی رو بهش نشون میدید تا اون بتونه براساس اونها قدرت ارتباط نورونهای (مصنوعی) خودش رو تغییر بده و یاد بگیره که چطور جوابهای درستی تولید کند.

جفری هینتون یکی از برجسته‌ترین دانشمندان هوش مصنوعی است که اغلب به عنوان “پدرخوانده هوش مصنوعی” شناخته می‌شود. در سال 2018 جایزه تورینگ رو به خاطر خدماتش در زمینه یادگیری عمیق کسب کرد و در سال 2024 هم به طور مشترک با جان هاپفیلد برنده جایزه نوبل فیزیک شد. هینتون سال 2023 از گوگل استعفا داد تا بتواند آزادانه در مورد خطرات ناشی از هوش مصنوعی هشدار دهد.

این پست رو چند سال پیش در مورد هوش مصنوعی آماده کردم. میتونید ویدیو رو نگاه کنید که در مورد تفاوت هوش مصنوعی، یادگیری ماشین و یادگیری عمیق هست.

هوش مصنوعی مبتنی بر قانون و قاعده (rule-based models)

در هوش مصنوعی مبتنی بر قاعده، برنامه نویس یک برنامه صریح مینویسه که یجورایی شبیه دستورات if-end هست و براساس اون رفتار مدل مشخص میشود و طبق قاعده مشخص شده، مدل رفتار کرده و به ازای ورودی مشخص، خروجی مشخصی رو تولید می‌کند.

اینجا ماشین هوشمند شده، ولی هوش پایین، محدود و وابسته ای دارد. به قول خودمون پاشو نمیتونه از گلیمش درازتر کنه!!

مزایای هوش مصنوعی مبتنی بر قانون و قاعده

• شفافیت: چون قواعد توسط برنامه‌نویس مشخص میشه، رفتار مدل کامل واضح هست و افراد میدونند دقیقا چطور یک تصمیمی توسط کامپیوتر گرفته شده است. مثل یک جعبه سیاه نیست! همه چی واضح و روشنه. این شفافیت مسئله بسیار مهمیه، مخصوصا در حوزه پزشکی! چرا که پزشک میخواد بدونه چرا کامپیوتر یه تصمیم خاصی گرفته، براساس چه فاکتوری تصمیم گرفته که یک فرد بیمار هست یا نه…
• کنترل: قواعد توسط توسعه‌دهنده مشخص شده و مدل کاملا تحت کنترل هست و دقیقا طبق قوانین از پیش تعیین شده رفتار می‌کند.
• عدم نیاز به آموزش: مدل نیاز به یادگیری نداره، چرا که هرچی لازم است همون اول تعریف میشه. امااااا! در عوض، خود برنامه نویس باید کلی وقت بگذاره و در یک حوزه خاص مدلی را هوشمند کنه! دانش اون برنامه نویس خیلی حیاتی هست. فرض کنید میخواد یک مدل برای تشخیص بیماری طراحی کنه، یا یک مدل برای تصمیمات تجاری! باید کلی تحقیق در اون حوزه انجام بشه که بتونند قواعد و دستورات رو درست تعریف کنند.
• مناسب برای مسائل خوب-تعریف‌شده: در جاهایی که میشه قواعد رو راحت و درست تعریف کرد، این مدلها خیلی میتونند موثر و مفید باشند. مثل محاسبه مالیات، مدیریت اسناد.

معایب هوش مصنوعی مبتنی بر قانون و قاعده

• شکنندگی: یک ابهام کوچک یا سناریوی جدید در بین دستورات پوشش داده نشده کلا همه چی رو بهم میریزه!
• سختی توسعه: هرچقدر پیچیدگی زیاد میشه، میزان دستورات به صورت نمایی اضافه میشه و گاها واقعا نمیشه مدل رو براساس شرایط جدید تغییر داد.
• عدم تطبیق پذیری: این مدلها توانایی یادگیری ندارند، برای همین با تغییر شرایط عملا فلج میشند و نیاز دارند که توسعه دهندگان بیان قواعد جدید رو برای شرایط جدید مشخص کنند!
• هزینه طراحی و توسعه بسیار بالا (مخصوصا مدلهایی که برای گمینگ طراحی شدند): چون همه چی به توسعه دهندگان وابسته است، نیاز به یک تیم قوی هست که مدت زیادی برای تحقیق بگذارند و مدلی رو ارائه بدهند، بعدش هم به صورت مستمر باید قواعد جدید برای شرایط جدید ارائه دهند. از طرف دیگر هم سخت افزار عظیمی برای پردازش لازم هست (این بیشتر برای گیمرها هست، مثلا در یک بازی مدل قبل هر حرکت باید میلیون ها حرکت مختلف رو بررسی کنه تا بتونه بهترین تصمیم رو بگیره! هزینه محاسباتی بسیار بالایی دارند!)

ماشین Deep Blue : اولین کامپیوتری بود که تونست در یک بازی شطرنج بهترین شطرنج باز (Garry Kasparov) رو شکست بده!

Deep Blue یه چیزی شبیه این مزرعه داران زحمت کشورمون انجام میداد!! اونم کلی هزینه برق و محاسبات و اینا داشت! ولی برق جایی نمیرفت!

Deep Blue یک کامپیوتری تک هدفه بود که برای بازی شطرنج توسط شرکت IMB در سال 1990 طراحی شد. این مدل سیستم مبتنی بر قواعد بود و از روش brute force برای جستجوی بهترین و بهینه ترین حرکت در بازی استفاده میکرد.

اولین بار در سال 1996 در یک بازی که تحت پوشش رسانه ای شدید قرار گرفت، روبری بهترین شطرنج باز اون دوران، گری کاسبارو روسی، قرار گرفت. نتیجه بازی 4-2 به نفع کاسپارو تمام شد…

درسته Deep Blue بازی رو باخت، ولی این در تاریخ اولین بار بود که یک کامپیوتر تونسته بود در یک بازیِ شطرنج رو در مقابل بهترین شطرنج باز جهان ببره!!!

یک سال بعد! باز هم دو مدعی روبروی هم قرار گرفتند! اینبار داستان فرق میکرد!

تیم IBM تعییرات زیادی داده بودند، از ارائه قواعد جدید برای بهبود ایرادات قبلی تا ارتقاء معنادار سخت افزار. در این بازی از IBM RS6000-SP استفاده شد که 256 پردازشگر داشت که میتونست 200 میلیون حرکت شطرنج رو در یک ثانیه ارزیابی کنه!! این دوبرابر سرعت پزدازش نسبت به یک سال قبل بود!

یکی از پردازشگرهای Deep Blue

بازی دوم رو Deep Blue با نتیجه  3½–2½ برد و همه چی دیگه تغییر کرد!!

برد Deep Blue به صورت نمادین خیلی اهمیت داشت، چرا که نشانه این بود که هوش مصنوعی میتونه به هوش انسانی برسد و حتی نابغه شطرنج رو شکست بده!

حالا این کامیپوتر چطوری کار میکرد؟؟

در ابتدا یک ارزش به تک تک مهره های شطرنج میداد.

سپس در هر مرحله میلیونها حرکت رو ارزیابی میکرد تا بتونه بهترین حرکت ممکنه رو از بینشون انتخاب کنه.

مثل این میمونه که دنبال کاراکترهای یک پسورد میگشت! انقدر حالتهای مختلف رو بررسی میکنه تا به جواب برسه!

قطعا هزینه محاسباتی بسیار بالایی داشت! باید یک سیستم cooling قوی باشه که پردازنده ها رو خنک نگه داره!

مشکل اساسی Deep Blue؟ در بازی های پیچیده تر که نیاز به بررسی تعداد حرکتهای بیشتری هست عملا ناکارامد هست! مثل بازی چیینی Go! این بازی قواعد ساده ای دارد ولی تعداد حرکات در این بازی به مراتب بیشتر از بازی شطرنج هست!!

یادگیری ماشین

یادگیری ماشین شاخه ای از هوش مصنوعی هست که برخلاف روشهای مبتنی بر قاعده، نیاز به کد صریح و مشخص در مورد مسائل مختلف ندارد. یادگیری ماشین به الگوریتمهای گفته میشود که سعی دارند به کامپیوترها توانایی یادگیری بدهند! درست مثل ما انسان ها!

حالا یک فرد چطوری یاد میگیره؟

میبینه، امتحان میکنه، اشتباه میکنه! از اشتباهش یاد میگیره. به مرور زمان مهارت کافی برای انجام اون کارو بدست میاره!

AlphaGo

یک برنامه کامپیوتری هست که توسط  تیم DeepMind گوگل برای بازی Go طراحی شده است. این برنامه کامپیوتری از رویکرد یادگیری ماشین برای بازی استفاده می‌کند.

AlphaGo مثل ما قادر به اندازه گیری تمام احتمالات ممکن در Go نیست! به جای اینکه بیاد بی نهایت حرکت ممکن رو بررسی کنه، مثل یک انسان یاد میگیره و بازی میکنه!

چطوری؟ با دانش صفر شروع میکنه (برخلافDeep Blue  که همون ابتدا تمام دانش بهش داده میشه)، بعد به مرور زمان یاد میگیره. میاد بازی های مختلف رو نگاه میکنه، بعد خودش باز میکنه و اشتباه میکنه. سعی میکنه از اشتباهاتش درس بگیره و دوباره اونارو تکرار نکنه، اینطوری بعد از میلیونها بازی دانش کافی بدست میاره!

AlphaGo به قدری قدرمند شد که تونست در بازی با بهترین بازیکن Go یعنی Lee Sedol، با اختلاف بازی رو ببرد! از 5 بازی 4 تارو AlphaGo برد!

راز موفقیت AlphaGo این بود که به جای متکی به توسعه دهنده ها، از شبکه های عصبی و یادگیری تقویتی برای یادگیری استفاده کرد. 

پیروزی AlphaGo نقطه عطفی در تحقیقات زمینه هوش مصنوعی بود!

هوش مصنوعی امروزه چیزی فراتر از بازی های کامپیوتری هست، و علارغم همه نگرانی هایی که در مورد آینده هوش مصنوعی هست، سطح زندگی را برای بشر بهتر کرده و در آینده هم در این حوزه دستاوردهای خیلی خوبی خواهد داشت.

یکی از مهمترین کاربردهای هوش مصنوعی در حوزه پزشکی هست. قابلیتی که هوش مصنوعی داره، سرعت، دقت و هزینه تشخیص را بسیار کاهش میده و همین میتونه زندگی خیلی هارو نجات دهد. همانطور که همه میدانیم تشخیص زودهنگام در پزشکی امری بسیار کلیدی هست، قبل اینکه بیماری کل بدن رو بگیره، تشخیص زودهنگام میتونه به پزشکها کمک کنه بهتر بتونند از پیشرفت بیماری جلوگیری کنند.

در یک مطالعه ی تیم Deep mind یک سیستم مبتنی بر هوش مصنوعی ارائه داد که میتونست علائم سرطان سینه رو دقیق تشخیص بدهد، طوری که 6 پزشک متخصص در مطالعه نتونسته بودند به درستی تشخیص دهند.

در حوزه ی BCI، هوش مصنوعی بخش اساسی و جدایی ناپذیر هست و با الگوریتمهایی که ارائه میشه، رمزگشایی سیگنالهای مغزی قطعا دقیقتر انجام خواهد شد و این میتونه پایانی باشه برای افراد ناتوان. با پیشرفت هوش مصنوعی، قطعا راه ارتباطی بهتری برای افراد Locked-in paralysis ارائه خواهد شد که استقلال عملکردی خودشون رو بدست بیارند و بتونند با محیط پیرامون خود به راحتی ارتباط برقرار کنند.