برای درک ظهور Generative AI، باید روند توسعه و پیشرفت هوش مصنوعی را بررسی کنیم. با وجود اینکه مبدأ دقیق این حوزه مورد بحث است، در سال 1939 نقطه عطف مهمی رخ داد زمانی که آلن تورینگ، نقش مهمی در شکستن کد Enigma ایفا کرد.

این دستاورد اگرچه مستقیماً مرتبط با Generative AI نبود، اما نشانگر پتانسیل ماشین‌ها برای استدلال‌های نمادین پیچیده بود و زمینه را برای پیشرفت‌های آینده هوش مصنوعی فراهم کرد. تاریخچه‌ی Generative AI جالب است.

روند تکامل هوش مصنوعی

قبل از ورودی به دنیای Generative AI، اجازه دهید به سال 1950 برگردیم، زمانی که هوش مصنوعی بوجود آمد.

در اوایل قرن بیستم، دو ذهن باهوش، زمینه را برای یکی از متحول کننده‌ترین فناوری‌های تاریخ بشر فراهم کردند یعنی هوش مصنوعی. اگرچه مسیر آنها هرگز با هم تلاقی پیدا نکرد اما آلن تورینگ و فرانک روزنبلات هر کدام کمک‌های زیادی کردند تا در نهایت روند به سیستم‌های هوش مصنوعی پیشرفته‌ای که امروز می‌شناسیم همگرا شوند.

آلن تورینگ، نابغه‌ای که به دلیل رمزگشایی ماشینEnigma  مشهور است فردی است که برای اولین بار امکان ریاضیاتی ساخت هوش مصنوعی را کشف کرد.

تورینگ مجذوب مفهوم ماشین‌هایی بود که می‌توانستند مانند انسان، فکر و استدلال کنند. در مقاله‌ی معروف خود “Computing Machinery and Intelligence”، این پرسش را مطرح کرد: «آیا ماشین‌ها می‌توانند فکر کنند؟». او نشان داد که انسان‌ها از اطلاعات موجود برای تصمیم گیری و حل مسائل استفاده می‌کنند بنابراین ماشین‌ها می‌توانند همین کار را انجام دهند.

او تست تورینگ را به عنوان راهی برای ارزیابی توانایی یک ماشین پیشنهاد کرد.

یک ماشین معمایی در ورودی موسسه آلن تورینگ در کتابخانه‌ی بریتانیا

به سرعت در اواخر دهه 1950، یکی دیگر از متخصصان کامپیوتر، فرانک روزنبلات با الهام از عملکرد مغز انسان، به دنبال ساخت ماشین‌هایی بود که بتوانند از تجربه، بیاموزند. در سال 1957، او پرسپترون را معرفی کرد که می‌توان آن را به عنوان اولین تحقق عملیاتی یک شبکه عصبی توضیف کرد. این شبکه‌های عصبی، امروزه نقش مهمی در یادگیری عمیق دارند.

ELIZA: اولین Generative AI

در سال 1961، اولین نمونه هوش مصنوعی مولد یعنی چت بات ELIZA ایجاد شد که می‌توانست مکالمات را با استفاده از روش تطبیق الگو و جایگزینی شبیه سازی کند. با این حال ELIZA هرگز محتوا را درک نکرد. فقط از قوانین ساده‌ای پیروی می‌کرد تا مکالمات انسانی را تقلید کند.

پس از آن، هوش مصنوعی دوره‌ای از رکود را بین دهه 1960 و 1990 تجربه کرد که اغلب به عنوان «زمستان هوش مصنوعی» شناخته می‌شود. در این مدت، علاقه و بودجه برای تحقیقات هوش مصنوعی به طور قابل توجهی کاهش یافت.

تکامل Generative AI

تا دهه 1990، با پیشرفت فناوری و در دسترس بودن داده‌های بیشتر، هوش مصنوعی پیشرفت چشمگیرتری داشت. ظهور اینترنت نقش مهمی در توسعه برنامه‌های پیشرفته‌ی هوش مصنوعی ایفا کرد.

با ظهور اینترنت و پیشرفت در کامپیوترها، یادگیری ماشین، شبکه‌های عصبی و یادگیری عمیق در دسترس‌تر شد. به این ترتیب فرصت‌های جدیدی برای ایجاد مدل‌های پیشرفته هوش مصنوعی باز شد. بیش از 60 سال طول کشید تا هوش مصنوعی به طور قابل توجهی پیشرفت کند.

ورود اینترنت با تکثیر داده‌ها، نقش مهمی ایفا کرد و به ماشین‌ها این امکان را داد تا رفتار انسان را بهتر تقلید کنند. با این حال، علیرغم این پیشرفت‌ها، برنامه‌های کاربردی هوش مصنوعی  تا سال 2022 که ChatGPT معرفی شد، چندان محبوب نبود.

امروزه هوش مصنوعی به مرحله‌ای رسیده است که می‌تواند نیت انسان، زبان طبیعی را درک کند و متن، تصویر، ویدیو و موارد دیگر را بسازد و به کسب و کارهای مختلف کمک کند. در توسعه‌ی مدل هوش مصنوعی امروزی، شبکه‌های مولد تخاصمی (GAN) نقش مهمی ایفا می‌کنند. GANها توسط Ian Goodfellow توسعه داده شدند. این فرآیند آموزش خصمانه، منجر به پیشرفت‌های قابل توجهی در تولید داده‌های واقعی و با کیفیت بالا در حوزه‌های مختلف شد.

جدول زمانی Generative AI

در ادامه یک جدول زمانی کوتاه از نقاط عطف کلیدی در توسعه ی Generative AI آورده شده است.

دهه 1950-1960:

مفاهیم اولیه هوش مصنوعی: اصطلاح «هوش مصنوعی»  ابداع شد و مفاهیم اولیه هوش مصنوعی ظاهر شد. کارهای قابل توجه در این دهه شامل توسعه تست تورینگ توسط آلن تورینگ بود.

دهه‌ی 1970-1980:

سیستم‌های خبره: تحقیقات هوش مصنوعی مبتنی بر سیستم‌های خبره است، سیستم‌های مبتنی بر قانون که برای تقلید از تخصص انسان در حوزه‌های خاص طراحی شدند.

پردازش زبان طبیعی اولیه: تلاش‌های اولیه برای درک و تولید زبان طبیعی آغاز شد.

دهه 1990:

ظهور یادگیری ماشین: رویکردهای یادگیری ماشین به برجستگی رسیدند و زمینه را برای مدل‌های مولد فراهم آوردند.

مدل‌های پنهان مارکوف (HMMs): مدل‌های HMM به طور گسترده برای تسک‌های مدلسازی توالی استفاده شدند.

دهه 2000:

یادگیری عمیق پدیدار می‌شود: تکنیک‌های یادگیری عمیق توجهات بیشتری را به خود جلب کردند و روش‌های قدرتمندتری برای یادگیری از داده‌ها ارائه می‌دهند.

شبکه‌های عصبی بازگشتی (RNN): RNNها برای کارهای تولید توالی به محبوبیت رسیدند.

مدل‌های مولد اولیه: شبکه‌های Variational Autoencoders (VAEs) و ماشین‌های بولتزمن محدود (RBM) توسعه یافتند.

دهه‌ی 2010:

پیشرفت‌های یادگیری عمیق: یادگیری عمیق، پیشرفت سریعی را تجربه می‌کند با پیشرفت‌های قدرت محاسباتی و دسترس پذیری داده‌ها تقویت می‌شود.

معرفی GANها: شبکه‌های مولد تخاصمی (GAN) توسط Ian Goodfellow معرفی شدند که مدلسازی مولد را متحول کرد.

مدل‌های Transformer: معماری ترنسفورمر مانند مکانیزیم Attention منجر به پیشرفت‌های قابل توجهی در پردازش زبان طبیعی شد.

دهه‌ی 2020:

ظهور برنامه‌های کاربردی: تولید متن، ترکیب تصویر و سایر برنامه‌های کاربردی که به طور فزاینده‌ای به محبوبیت رسیدند.

ظهور OpenAI: سازمان‌هایی مانند OpenAI سهم قابل توجهی در توسعه‌ی مدل‌های مولد در مقیاس بزرگ دارند.

پیشرفت‌های مستمر: مدل‌های مولد همچنان از نظر مقیاس، کیفیت و قابلیت بهبود می‌یابند.

ChatGPT و مدل‌های مشابه: مدل‌های زبانی در مقیاس بزرگ مانند ChatGPT توسعه یافته‌اند که می‌توانند متنی شبیه به انسان تولید کنند.

برنامه‌های کاربردی در صنایع مختلف: هوش مصنوعی در صنایع مختلف برای تسک‌هایی چون تولید محتوا، طراحی و موارد دیگر اعمال می‌شود.

منبع