ما هو الذكاء الاصطناعي؟ كل ما تحتاج معرفته حول الذكاء الاصطناعي
دليل تنفيذي للذكاء الاصطناعي ، من التعلم الآلي والذكاء الاصطناعي العام إلى الشبكات العصبية.
ما هو الذكاء الاصطناعي (AI)؟
في 1950، الآباء في هذا المجال، مينسكي و مكارثي وصفوا، الذكاء الاصطناعي أداء أي مهمة من قبل الجهاز الذي كان يعتبر سابقا أنه يتتطلب الذكاء البشري لتنفيذ هذه المهمة.
التعريفات الحديثة لما يعنيه إنشاء الذكاء أكثر تحديدًا.
قال فرانسوا شوليت ، باحث الذكاء الاصطناعي في Google ومؤسس مكتبة برامج التعلم الآلي Keras ، إن الذكاء مرتبط بقدرة النظام على التكيف والارتجال في بيئة جديدة ، لتعميم معرفته وتطبيقها على سيناريوهات غير مألوفة.
"الذكاء ليس مهارة بحد ذاته ، وليس ما يمكنك القيام به ، إنه مدى جودة وكفاءة تعلم أشياء جديدة."
تعريف يمكن بموجبه وصف الأنظمة الحديثة التي تعمل بالذكاء الاصطناعي ، مثل المساعدين الافتراضيين ، بأنها أظهرت "ذكاءً اصطناعيًا ضيقًا" القدرة على تعميم تدريبهم عند تنفيذ مجموعة محدودة من المهام ، مثل التعرف على الكلام أو رؤية الكمبيوتر.
عادةً ما تُظهر أنظمة الذكاء الاصطناعي على الأقل بعض السلوكيات التالية المرتبطة بالذكاء البشري: التخطيط ، والتعلم ، والاستدلال ، وحل المشكلات ، وتمثيل المعرفة ، والإدراك ، والحركة ، والتلاعب ، وبدرجة أقل ، الذكاء الاجتماعي والإبداع.
ما هي استخدامات الذكاء الاصطناعي؟
ينتشر الذكاء الاصطناعي اليوم في كل مكان ، ويستخدم للتوصية بما يجب عليك شراؤه بعد ذلك عبر الإنترنت ، لفهم ما تقوله للمساعدين الافتراضيين ، مثل
Amazon's Alexa
و Apple's Siri ، للتعرف على من وما هو موجود في الصورة ، لاكتشاف البريد العشوائي ، أو اكتشاف بطاقة الائتمان الاحتيال .
ما هي أنواع الذكاء الاصطناعي المختلفة؟
على مستوى عالٍ جدًا ، يمكن تقسيم الذكاء الاصطناعي إلى نوعين عريضين: الذكاء الاصطناعي الضيق والذكاء الاصطناعي العام.
كما ذكرنا سابقًا ، فإن الذكاء الاصطناعي الضيق هو ما نراه من حولنا في أجهزة الكمبيوتر اليوم: أنظمة ذكية تم تعليمها أو تعلمت كيفية تنفيذ مهام محددة دون أن تتم برمجتها بشكل صريح حول كيفية القيام بذلك.
يتجلى هذا النوع من ذكاء الآلة في التعرف على الكلام واللغة للمساعد الافتراضي Siri على Apple iPhone ، أو في أنظمة التعرف على الرؤية في السيارات ذاتية القيادة ، أو في محركات البحث التي تقترح المنتجات التي قد تعجبك بناءً على ما تريده.
على عكس البشر ، لا يمكن لهذه الأنظمة أن تتعلم أو تعلم سوى كيفية القيام بمهام محددة ، وهذا هو سبب تسميتها بالذكاء الاصطناعي الضيق.
ما الذي يمكن أن يفعله الذكاء الاصطناعي الضيق؟
هناك عدد كبير من التطبيقات الناشئة للذكاء الاصطناعي الضيق: تفسير موجزات الفيديو من الطائرات بدون طيار وإجراء عمليات التفتيش المرئي للبنية التحتية مثل خطوط أنابيب النفط ، وتنظيم التقويمات الشخصية والتجارية ، والرد على استفسارات خدمة العملاء البسيطة ، والتنسيق مع الأنظمة الذكية الأخرى لتنفيذها مهام مثل حجز فندق في الوقت والمكان المناسبين ، ومساعدة أخصائيي الأشعة على اكتشاف الأورام المحتملة في الأشعة السينية ، والإبلاغ عن المحتوى غير المناسب عبر الإنترنت ،وإنشاء الصور بنموذج ثلاثي الأبعاد للعالم من الأقمار الصناعية ، والقائمة تطول وتطول.
تظهر التطبيقات الجديدة لأنظمة التعلم هذه في كل وقت.
كشفت مصممة بطاقة الرسومات Nvidia مؤخرًا عن نظام Maxine القائم على الذكاء الاصطناعي ، والذي يسمح للأشخاص بإجراء مكالمات فيديو عالية الجودة ، بغض النظر عن سرعة اتصالهم بالإنترنت.
يقلل النظام من عرض النطاق الترددي اللازم لمثل هذه المكالمات بعامل 10 من خلال عدم إرسال تدفق الفيديو الكامل عبر الإنترنت وبدلاً من ذلك تحريك عدد صغير من الصور الثابتة للمتصل ، بطريقة مصممة لإعادة إنتاج تعابير وجه المتصل وحركاته في في الوقت الفعلي ولا يمكن تمييزها عن الفيديو.
ومع ذلك ، فإن طموحات التكنولوجيا في بعض الأحيان تفوق الواقع.
ومن الأمثلة على ذلك السيارات ذاتية القيادة ، والتي هي نفسها مدعومة بأنظمة تعمل بالذكاء الاصطناعي مثل رؤية الكمبيوتر. تتخلف شركة Tesla للسيارات الكهربائية بعض الشيء عن الجدول الزمني الأصلي للرئيس التنفيذي Elon Musk لترقية نظام الطيار الآلي للسيارة إلى "القيادة الذاتية الكاملة" من قدرات القيادة المساعدة المحدودة في النظام ، مع خيار القيادة الذاتية الكاملة الذي تم طرحه مؤخرًا .
فقط مجموعة مختارة من السائقين الخبراء كجزء من برنامج اختبار تجريبي.
ما الذي يمكن أن يفعله الذكاء الاصطناعي العام؟
يختلف الذكاء الاصطناعي العام اختلافًا كبيرًا ، وهو نوع الذكاء القابل للتكيف الموجود في البشر ، وهو شكل مرن من الذكاء قادر على تعلم كيفية تنفيذ مهام مختلفة تمامًا ، أي شيء من قص الشعر إلى بناء جداول البيانات ، أو التفكير في مجموعة متنوعة من الموضوعات بناءً على خبرتها المتراكمة.
هذا هو نوع الذكاء الاصطناعي الأكثر شيوعًا في الأفلام ، مثل HAL في عام 2001 أو Skynet في The Terminator ، لكنه غير موجود اليوم - وينقسم خبراء الذكاء الاصطناعي بشدة حول الوقت الذي سيصبح فيه حقيقة واقعة.
أفاد استطلاع أجري بين أربع مجموعات من الخبراء في 2012/13 من قبل باحثي الذكاء الاصطناعي فينسينت سي مولر والفيلسوف نيك بوستروم أن هناك فرصة بنسبة 50٪ لتطوير الذكاء الاصطناعي العام (AGI) بين عامي 2040 و 2050 ، ويرتفع إلى 90٪ بحلول عام 2075. وذهبت المجموعة إلى أبعد من ذلك ، وتوقعت أن ما يسمى بـ "الذكاء الخارق " - والذي يعرِّفه بوستروم بأنه "أي ذكاء يتجاوز بشكل كبير الأداء المعرفي للإنسان في جميع مجالات الاهتمام تقريبًا" - كان متوقعًا بعد حوالي 30 عامًا من تحقيق الذكاء الاصطناعي العام.
ومع ذلك ، فإن التقييمات الأخيرة التي أجراها خبراء الذكاء الاصطناعي تتسم بقدر أكبر من الحذر.
يقول الرواد في مجال أبحاث الذكاء الاصطناعي الحديثة مثل جيفري هينتون وديميس هاسابيس ويان ليكون إن المجتمع ليس قريبًا من تطوير الذكاء الاصطناعي العام .
بالنظر إلى شكوك الأضواء الرائدة في مجال الذكاء الاصطناعي الحديث والطبيعة المختلفة جدًا لأنظمة الذكاء الاصطناعي الحديثة الضيقة مقارنة بالذكاء الاصطناعي العام ، فربما لا يوجد أساس يذكر للمخاوف من أن المجتمع سوف يتعطل بسبب الذكاء الاصطناعي العام في المستقبل القريب.
ومع ذلك ، يعتقد بعض خبراء الذكاء الاصطناعي أن مثل هذه التوقعات متفائلة للغاية نظرًا لفهمنا المحدود للدماغ البشري ، ويعتقدون أن الذكاء الاصطناعي العام لا يزال على بعد قرون.
ما هي المعالم الحديثة في تطوير الذكاء الاصطناعي؟
في حين أن الذكاء الاصطناعي الضيق الحديث قد يقتصر على أداء مهام محددة ، إلا أن هذه الأنظمة في إطار تخصصاتها تكون أحيانًا قادرة على الأداء الخارق ، وفي بعض الحالات تظهر إبداعًا متفوقًا ، وغالبًا ما يتم اعتبار سمة بشرية جوهرية.
كان هناك الكثير من الاختراقات لوضع قائمة نهائية ، ولكن بعض النقاط البارزة تشمل: في عام 2009 ، أظهرت Google أنه من الممكن لتويوتا بريوس ذاتية القيادة أن تكمل أكثر من 10 رحلات طول كل منها 100 ميل ، مما يضع المجتمع على طريق نحو القيادة بدون سائق مركبات.
IBM Watson يتنافس على Jeopardy! في 14 يناير 2011
في عام 2011 ، احتل نظام الكمبيوتر IBM Watson عناوين الصحف في جميع أنحاء العالم عندما فاز في مسابقة Jeopardy بالولايات المتحدة! ، بفوزه على اثنين من أفضل اللاعبين الذين قدمهم العرض على الإطلاق.
للفوز بالعرض ، استخدم Watson معالجة وتحليلات اللغة الطبيعية على مستودعات ضخمة من البيانات التي عالجتها للإجابة على أسئلة يطرحها الإنسان ، غالبًا في جزء من الثانية.
في عام 2012 ، بشرت طفرة أخرى بإمكانية الذكاء الاصطناعي في التعامل مع العديد من المهام الجديدة التي كان يُعتقد سابقًا أنها معقدة للغاية بالنسبة لأي جهاز.
في ذلك العام ، انتصر نظام AlexNet بشكل حاسم في تحدي التعرف المرئي على نطاق واسع على ImageNet.
كانت دقة AlexNet
من النوع الذي خفض معدل الخطأ إلى النصف مقارنة بالأنظمة المنافسة في مسابقة التعرف على الصور.
أظهر أداء AlexNet قوة أنظمة التعلم القائمة على الشبكات العصبية ، وهو نموذج للتعلم الآلي كان موجودًا لعقود من الزمان ولكنه كان يدرك أخيرًا إمكاناته بسبب التحسينات في الهندسة المعمارية والقفزات في قوة المعالجة المتوازية التي أتاحها قانون مور.
احتلت براعة أنظمة التعلم الآلي في تنفيذ رؤية الكمبيوتر عناوين الصحف أيضًا في ذلك العام ، حيث قامت Google بتدريب نظام للتعرف على ماهو المفضل على الإنترنت.
كان العرض التالي لفعالية أنظمة التعلم الآلي الذي لفت انتباه الجمهور هو انتصار Google DeepMind AlphaGo AI لعام 2016 على خبير بشري في Go ، وهي لعبة صينية قديمة تسبب تعقيدها في إعاقة أجهزة الكمبيوتر لعقود.
لدى Go حوالي 200 حركة ممكنة لكل دور ، مقارنة بحوالي 20 حركة في الشطرنج.
على مدار لعبة Go ، هناك العديد من الحركات الممكنة التي تجعل البحث في كل منها مقدمًا لتحديد أفضل لعبة مكلفًا للغاية من وجهة نظر حسابية.
بدلاً من ذلك ، تم تدريب AlphaGo على كيفية لعب اللعبة من خلال اتخاذ الحركات التي يلعبها خبراء بشريون في 30 مليون لعبة Go وإدخالها في الشبكات العصبية ذات التعلم العميق.
يمكن أن يستغرق تدريب شبكات التعلم العميق هذه وقتًا طويلاً للغاية ، مما يتطلب استيعاب كميات هائلة من البيانات وتكرارها حيث يقوم النظام تدريجياً بتحسين نموذج من أجل تحقيق أفضل النتائج.
ومع ذلك ، قامت Google مؤخرًا بتحسين عملية التدريب باستخدام AlphaGo Zero ، وهو نظام لعب ألعاب "عشوائية تمامًا" ضد نفسه ، ثم تعلم من النتائج.
كما كشف ديميس هاسابيس ، الرئيس التنفيذي لشركة Google DeepMind ، عن إصدار جديد من AlphaGo Zero الذي أتقن ألعاب الشطرنج والشوجي.
ويستمر الذكاء الاصطناعي في تجاوز الإنجازات الجديدة: لقد هزم نظام تم تدريبه بواسطة OpenAI أفضل اللاعبين في العالم في مباريات ثنائية من لعبة Dota 2 متعددة اللاعبين عبر الإنترنت.
في نفس العام ، أنشأت OpenAI وكلاء للذكاء الاصطناعي اخترعوا لغتهم الخاصة للتعاون وتحقيق هدفهم بشكل أكثر فعالية ، تبعهم بعد فترة وجيزة وكلاء تدريب Facebook للتفاوض.
كان عام 2020 هو العام الذي اكتسب فيه نظام الذكاء الاصطناعي على ما يبدو القدرة على الكتابة والتحدث كإنسان ، حول أي موضوع تقريبًا قد يخطر ببالك.
النظام المعني ، المعروف باسم Transformer 3 Generative Pre-trainer 3 أو GPT-3 باختصار ، عبارة عن شبكة عصبية مدربة على مليارات المقالات باللغة الإنجليزية المتاحة على شبكة الويب المفتوحة.
بعد فترة وجيزة من إتاحتها للاختبار من قبل منظمة OpenAI غير الربحية ، كان الإنترنت يضج بقدرة GPT-3 على إنشاء مقالات حول أي موضوع تقريبًا تم تغذيته به ، وهي مقالات كان من الصعب غالبًا للوهلة الأولى تميز عن تلك التي كتبها الإنسان.
وبالمثل جاءت نتائج باهرة في مجالات أخرى، مع قدرته على الإجابة على الأسئلة بشكل مقنع على مجموعة واسعة من المواضيع.
ولكن في حين أن العديد من المقالات التي تم إنشاؤها بواسطة GPT-3 كانت تتمتع بجو من الواقعية ، فإن المزيد من الاختبارات وجدت أن الجمل التي تم إنشاؤها في كثير من الأحيان لم تنجح ، حيث تقدم عبارات معقولة ظاهريًا ولكنها مشوشة ، وكذلك في بعض الأحيان هراء صريح .
لا يزال هناك اهتمام كبير باستخدام فهم اللغة الطبيعية للنموذج كأساس للخدمات المستقبلية وهو متاح للمطورين المختارين لتضمينه في البرامج عبر OpenAI's beta API . سيتم أيضًا دمجها في الخدمات المستقبلية المتاحة عبر منصة Azure السحابية من Microsoft .
ربما جاء المثال الأبرز لإمكانيات الذكاء الاصطناعي في أواخر عام 2020 ، عندما أظهرت الشبكة العصبية القائمة على الانتباه AlphaFold 2 من Google نتيجة وصفها البعض بأنها تستحق جائزة نوبل في الكيمياء.
إن قدرة النظام على النظر إلى اللبنات الأساسية للبروتين ، والمعروفة باسم الأحماض الأمينية ، واشتقاق بنية البروتين ثلاثية الأبعاد يمكن أن يكون لها تأثير عميق على معدل فهم الأمراض وتطوير الأدوية.
في مسابقة التقييم النقدي لتوقع بنية البروتين ، تمكن AlphaFold 2 من تحديد البنية ثلاثية الأبعاد للبروتين بدقة تنافس علم البلورات ، وهو المعيار الذهبي لنمذجة البروتينات بشكل مقنع.
على عكس علم البلورات ، الذي يستغرق شهورًا لإرجاع النتائج ، يمكن لـ AlphaFold 2 نمذجة البروتينات في غضون ساعات.
نظرًا لأن البنية ثلاثية الأبعاد للبروتينات تلعب دورًا مهمًا في علم الأحياء والأمراض البشرية ، عن مثل هذا التسريع باعتباره إنجازًا بارزًا في العلوم الطبية، ناهيك عن التطبيقات المحتملة في مجالات أخرى حيث تُستخدم الإنزيمات في التكنولوجيا الحيوية.
ما هو التعلم الآلي؟
عمليا جميع الإنجازات المذكورة حتى الآن نابعة من التعلم الآلي ، وهي مجموعة فرعية من الذكاء الاصطناعي تمثل الغالبية العظمى من الإنجازات في هذا المجال في السنوات الأخيرة.
عندما يتحدث الناس عن الذكاء الاصطناعي اليوم ، فإنهم يتحدثون عمومًا عن التعلم الآلي.
تستمتع حاليًا بشيء من الانبعاث ، بعبارات بسيطة ، التعلم الآلي هو المكان الذي يتعلم فيه نظام الكمبيوتر كيفية أداء مهمة ، بدلاً من أن تتم برمجته على كيفية القيام بذلك.
يعود تاريخ هذا الوصف للتعلم الآلي إلى عام 1959 ، عندما صاغه آرثر صموئيل ، رائد هذا المجال الذي طور أحد أنظمة التعلم الذاتي الأولى في العالم ، وهو برنامج Samuel Checkers-play.
للتعلم ، يتم تغذية هذه الأنظمة بكميات هائلة من البيانات ، والتي تستخدمها بعد ذلك لتعلم كيفية تنفيذ مهمة معينة ، مثل فهم الكلام أو كتابة تعليق على الصورة.
تعد جودة وحجم مجموعة البيانات هذه مهمين لبناء نظام قادر على تنفيذ المهمة المحددة له بدقة.
على سبيل المثال ، إذا كنت تقوم ببناء نظام للتعلم الآلي للتنبؤ بأسعار المنازل ، فيجب أن تتضمن بيانات التدريب أكثر من مجرد حجم العقار ، ولكن عوامل أخرى بارزة مثل عدد غرف النوم أو حجم الحديقة.
التعلم العميق كل ماتحتاج الى معرفتة حول التعلم العميق
ما هي الشبكات العصبية؟
مفتاح نجاح التعلم الآلي هي الشبكات العصبية.
هذه النماذج الرياضية قادرة على تعديل المعلمات الداخلية لتغيير ما ينتجونه.
أثناء التدريب ، يتم تغذية الشبكة العصبية بمجموعات البيانات التي تعلمها ما يجب أن تصفية عند تقديم بيانات معينة.
بعبارات ملموسة ، قد يتم تغذية الشبكة بصور ذات تدرج رمادي للأرقام بين صفر و تسعه ، جنبًا إلى جنب مع سلسلة من الأرقام الثنائية - الأصفار والآحاد - التي تشير إلى الرقم الذي يظهر في كل صورة ذات تدرج رمادي.
يتم بعد ذلك تدريب الشبكة ، وتعديل معاملاتها الداخلية ، حتى يتم تصنيف الرقم الموضح في كل صورة بدرجة عالية من الدقة.
يمكن بعد ذلك استخدام هذه الشبكة العصبية المدربة لتصنيف الصور الرمادية الأخرى للأرقام بين صفر و تسعه.
يعتمد هيكل وعمل الشبكات العصبية بشكل فضفاض للغاية على الروابط بين الخلايا العصبية في الدماغ.
تتكون الشبكات العصبية من طبقات مترابطة من الخوارزميات ، والتي تغذي البيانات في بعضها البعض ، والتي يمكن تدريبها على تنفيذ مهام محددة عن طريق تعديل الأهمية المنسوبة للبيانات أثناء مرورها بين هذه الطبقات.
أثناء تدريب هذه الشبكات العصبية ، ستستمر الأوزان المرتبطة بالبيانات أثناء مرورها بين الطبقات في التنوع حتى يصبح الناتج من الشبكة العصبية قريبًا جدًا مما هو مرغوب فيه ، وعند هذه النقطة ستكون الشبكة قد "تعلمت" كيفية حملها.
من مهمة معينة يمكن أن يكون الناتج المطلوب أي شيء من وضع العلامات الصحيحة للفاكهة في صورة ما إلى التنبؤ بمتى قد يفشل المصعد بناءً على بيانات المستشعر.
مجموعة فرعية من التعلم الآلي هي التعلم العميق ، حيث يتم توسيع الشبكات العصبية إلى شبكات مترامية الأطراف مع عدد كبير من الطبقات الكبيرة التي يتم تدريبها باستخدام كميات هائلة من البيانات.
هذه الشبكات العصبية العميقة هي التي غذت القفزة الحالية إلى الأمام في قدرة أجهزة الكمبيوتر على تنفيذ مهام مثل التعرف على الكلام ورؤية الكمبيوتر.
هناك أنواع مختلفة من الشبكات العصبية ، مع نقاط قوة وضعف مختلفة.
الشبكات العصبية المتكررة (RNN) هي نوع من الشبكات العصبية مناسبة بشكل خاص لمعالجة اللغة الطبيعية (NLP) - فهم معنى النص - والتعرف على الكلام ، في حين أن الشبكات العصبية التلافيفية لها جذورها في التعرف على الصور ، ولها استخدامات متنوعة مثل أنظمة التوصية و البرمجة اللغوية العصبية.
يتطور تصميم الشبكات العصبية أيضًا ، حيث يعمل الباحثون على تحسين شكل أكثر فاعلية للشبكة العصبية العميقة يسمى الذاكرة طويلة المدى أو LSTM - وهو نوع من بنية RNN المستخدمة في مهام مثل البرمجة اللغوية العصبية وتنبؤات سوق الأوراق المالية - مما يسمح لها بالعمل بسرعة كافية لاستخدامها في الأنظمة عند الطلب مثل Google Translate.
هيكل وتدريب الشبكات العصبية العميقة.
ما هي الأنواع الأخرى من الذكاء الاصطناعي؟
مجال آخر لأبحاث الذكاء الاصطناعي هو الحساب التطوري ، الذي يستعير من نظرية داروين في الانتقاء الطبيعي ، ويرى أن الخوارزميات الجينية تخضع لطفرات وتوليفات عشوائية بين الأجيال في محاولة لتطوير الحل الأمثل لمشكلة معينة.
تم استخدام هذا النهج للمساعدة في تصميم نماذج الذكاء الاصطناعي ، واستخدام الذكاء الاصطناعي بشكل فعال للمساعدة في بناء الذكاء الاصطناعي.
يسمى هذا الاستخدام للخوارزميات التطورية لتحسين الشبكات العصبية بالتطور العصبي ، ويمكن أن يلعب دورًا مهمًا في المساعدة في تصميم الذكاء الاصطناعي الفعال حيث يصبح استخدام الأنظمة الذكية أكثر انتشارًا ، خاصة وأن الطلب على علماء البيانات غالبًا ما يفوق العرض.
تم عرض هذه التقنية من قبل مختبرات أوبر للذكاء الاصطناعي ، والتي أصدرت أوراقًا حول استخدام الخوارزميات الجينية لتدريب الشبكات العصبية العميقة على مشكلات التعلم المعزز.
أخيرًا ، هناك أنظمة خبيرة ، حيث تتم برمجة أجهزة الكمبيوتر بقواعد تسمح لها باتخاذ سلسلة من القرارات بناءً على عدد كبير من المدخلات ، مما يسمح لهذا الجهاز بتقليد سلوك خبير بشري في مجال معين.
مثال على هذه الأنظمة القائمة على المعرفة قد يكون ، على سبيل المثال ، نظام الطيار الآلي الذي يطير على متن طائرة.
ما الذي يؤجج عودة ظهور الذكاء الاصطناعي؟
كما هو موضح أعلاه ، كانت أكبر الإنجازات التي حققتها أبحاث الذكاء الاصطناعي في السنوات الأخيرة في مجال التعلم الآلي ، ولا سيما في مجال التعلم العميق.
كان الدافع وراء ذلك جزئيًا هو سهولة توفر البيانات ، ولكن بشكل أكبر بسبب الانفجار في قوة الحوسبة المتوازية ، حيث أصبح استخدام مجموعات وحدات معالجة الرسومات (GPU) لتدريب أنظمة التعلم الآلي أكثر انتشارًا.
لا تقدم هذه المجموعات أنظمة أكثر قوة لتدريب نماذج التعلم الآلي فحسب ، بل إنها متاحة الآن على نطاق واسع كخدمات سحابية عبر الإنترنت.
بمرور الوقت ، انتقلت شركات التكنولوجيا الكبرى ، مثل Google و Microsoft و Tesla ، إلى استخدام شرائح متخصصة مصممة خصيصًا لكل من نماذج التعلم الآلي الجارية والتدريب مؤخرًا.
مثال على إحدى هذه الرقائق المخصصة هي وحدة معالجة Tensor (TPU) من Google ، أحدث إصدار منها يعمل على تسريع معدل نماذج التعلم الآلي المفيدة التي تم إنشاؤها باستخدام مكتبة برامج Google TensorFlow التي يمكن أن تستنتج المعلومات من البيانات ، بالإضافة إلى المعدل في التي يمكن تدريبهم عليها.
لا تُستخدم هذه الرقائق فقط لتدريب النماذج الخاصة بـ DeepMind و Google Brain ، ولكن أيضًا النماذج التي تدعم الترجمة من Google والتعرف على الصور في صور Google ، بالإضافة إلى الخدمات التي تسمح للجمهور ببناء نماذج التعلم الآلي باستخدام TensorFlow Research من Google Cloud. تم الكشف عن الجيل الثالث من هذه الرقائق في مؤتمر Google I / O في مايو 2018 ، ومنذ ذلك الحين تم تجميعها في مراكز قوة للتعلم الآلي تسمى pods التي يمكنها تنفيذ أكثر من مائة ألف تريليون عملية فاصلة عائمة في الثانية (100 بيتافلوب) . سمحت ترقيات TPU المستمرة هذه لشركة Google بتحسين خدماتها المبنية على أعلى نماذج التعلم الآلي ، على سبيل المثال تقليل الوقت المستغرق في تدريب النماذج المستخدمة في ترجمة Google إلى النصف .
ما هي عناصر التعلم الآلي؟
كما ذكرنا ، يعد التعلم الآلي مجموعة فرعية من الذكاء الاصطناعي وينقسم عمومًا إلى فئتين رئيسيتين: التعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف.
التعلم تحت الإشراف
من الأساليب الشائعة لتدريس أنظمة الذكاء الاصطناعي تدريبها باستخدام عدد كبير جدًا من الأمثلة المصنفة.
يتم تغذية أنظمة التعلم الآلي هذه بكميات هائلة من البيانات ، والتي تم شرحها لإبراز ميزات الاهتمام.
قد تكون هذه صورًا مصنفة للإشارة إلى ما إذا كانت تحتوي على كلب أو جمل مكتوبة بها حواشي سفلية للإشارة إلى ما إذا كانت كلمة "باس" تتعلق بالموسيقى أو بسمكة.
بمجرد التدريب ، يمكن للنظام بعد ذلك تطبيق هذه الملصقات على البيانات الجديدة ، على سبيل المثال لكلب في صورة تم تحميلها للتو.
تسمى عملية تعليم الآلة بالقدوة التعلم الخاضع للإشراف ويتم تنفيذ دور وضع العلامات على هذه الأمثلة عادة بواسطة العاملين عبر الإنترنت ، الذين يعملون من خلال منصات مثل Amazon Mechanical Turk .
يتطلب تدريب هذه الأنظمة عادةً كميات هائلة من البيانات ، حيث تحتاج بعض الأنظمة إلى البحث عن ملايين الأمثلة لمعرفة كيفية تنفيذ مهمة ما بشكل فعال - على الرغم من أن هذا ممكن بشكل متزايد في عصر البيانات الضخمة واستخراج البيانات على نطاق واسع.
مجموعات بيانات التدريب ضخمة ومتنامية في الحجم - تحتوي مجموعة بيانات الصور المفتوحة من Google على حوالي تسعة ملايين صورة ، في حين أن مستودع الفيديو المسمى YouTube-8M يحتوي على سبعة ملايين مقطع فيديو مصنّف. ImageNet، إحدى قواعد البيانات الأولى من هذا النوع ، لديها أكثر من 14 مليون صورة مصنفة. تم تجميعها على مدار عامين ، وتم تجميعها من قبل ما يقرب من 50000 شخص - تم تجنيد معظمهم من خلال Amazon Mechanical Turk - الذين قاموا بفحص وفرز وتسمية ما يقرب من مليار صورة مرشحة.
على المدى الطويل ، قد يكون الوصول إلى مجموعات بيانات ضخمة ذات علامات أقل أهمية أيضًا من الوصول إلى كميات كبيرة من قوة الحوسبة.
في السنوات الأخيرة ، تم استخدام شبكات الخصومة التوليدية ( GANs ) في أنظمة التعلم الآلي التي لا تتطلب سوى كمية صغيرة من البيانات المصنفة جنبًا إلى جنب مع كمية كبيرة من البيانات غير الموسومة ، والتي ، كما يوحي الاسم ، تتطلب عملاً يدويًا أقل للتحضير.
يمكن أن يسمح هذا النهج بزيادة استخدام التعلم شبه الخاضع للإشراف ، حيث يمكن للأنظمة تعلم كيفية تنفيذ المهام باستخدام كمية أقل بكثير من البيانات المصنفة مما هو ضروري لأنظمة التدريب التي تستخدم التعلم تحت الإشراف اليوم.
تعليم غير مشرف عليه
في المقابل ، يستخدم التعلم غير الخاضع للإشراف نهجًا مختلفًا ، حيث تحاول الخوارزميات تحديد الأنماط في البيانات ، والبحث عن أوجه التشابه التي يمكن استخدامها لتصنيف تلك البيانات.
مثال على ذلك قد يكون تجميع الفواكه التي تزن نفس الكمية أو سيارات ذات حجم محرك مشابه.
لم يتم إعداد الخوارزمية مسبقًا لانتقاء أنواع معينة من البيانات ، بل تبحث ببساطة عن البيانات التي يمكن تجميعها حسب أوجه التشابه بينها ، على سبيل المثال ، تجمع أخبار Google معًا قصصًا حول مواضيع متشابهة كل يوم.
تعزيز التعلم
تشبيه بسيط للتعلم المعزز يكافئ حيوانًا أليفًا بمكافأة عندما يؤدي خدعة.
في التعلم المعزز ، يحاول النظام تعظيم المكافأة بناءً على بيانات الإدخال الخاصة به ، ويمر بشكل أساسي بعملية التجربة والخطأ حتى يصل إلى أفضل نتيجة ممكنة.
مثال على التعلم المعزز هو شبكة Google DeepMind's Deep Q-network ، والتي تم استخدامها لأفضل أداء بشري في مجموعة متنوعة من ألعاب الفيديو الكلاسيكية .
يتم تغذية النظام بالبكسل من كل لعبة ويحدد المعلومات المختلفة ، مثل المسافة بين الكائنات على الشاشة.
من خلال النظر أيضًا في النتيجة التي تم تحقيقها في كل لعبة ، يبني النظام نموذجًا من شأنه أن يزيد الإجراء من النتيجة في ظروف مختلفة ، على سبيل المثال ، في حالة لعبة الفيديو Breakout ، حيث يجب تحريك المضرب من أجل اعتراض الكرة.
يستخدم هذا النهج أيضًا في أبحاث الروبوتات، حيث يمكن أن يساعد التعلم المعزز في تعليم الروبوتات المستقلة الطريقة المثلى للتصرف في بيئات العالم الحقيقي.
تقترب العديد من التقنيات المتعلقة بالذكاء الاصطناعي ، أو وصلت بالفعل ، إلى "ذروة التوقعات المتضخمة" في Hype Cycle من Gartner ، مع وجود "حوض خيبة الأمل" الذي يحركه رد الفعل العنيف في الانتظار.
ما هي الشركات الرائدة في مجال الذكاء الاصطناعي؟
DeepMind من Google و NHS: لمحة عما يعنيه الذكاء الاصطناعي لمستقبل الرعاية الصحية
أبرمت شركة Google الفرعية سلسلة من الصفقات مع مؤسسات في الخدمة الصحية في المملكة المتحدة - فما الذي يحدث حقًا؟
مع لعب الذكاء الاصطناعي دورًا رئيسيًا بشكل متزايد في البرامج والخدمات الحديثة ، تكافح كل من شركات التكنولوجيا الكبرى لتطوير تقنية قوية للتعلم الآلي لاستخدامها داخليًا وبيعها للجمهور عبر الخدمات السحابية.
يتصدر كل منها عناوين الأخبار بانتظام لكسر آفاق جديدة في أبحاث الذكاء الاصطناعي ، على الرغم من أنه من المحتمل أن يكون Google مع أنظمة DeepMind AI AlphaFold و AlphaGo
التي ربما يكون لها أكبر تأثير على الوعي العام بالذكاء الاصطناعي.
ما هي خدمات الذكاء الاصطناعي المتوفرة؟
توفر جميع المنصات السحابية الرئيسية - Amazon Web Services و Microsoft Azure و Google Cloud Platform - إمكانية الوصول إلى عرض GPU استعداد Google أيضًا للسماح للمستخدمين باستخدام وحدات معالجة Tensor الخاصة بها للتدريب وتشغيل نماذج التعلم الآلي ، مع استعداد Google أيضًا للسماح للمستخدمين باستخدام وحدات معالجة Tensor الخاصة بها - وهي شرائح مخصصة بتصميمها مُحسَّن للتدريب وتشغيل نماذج التعلم الآلي.
تتوفر جميع البنية التحتية والخدمات الضرورية المرتبطة بها من الثلاثة الكبار ، مخازن البيانات المستندة إلى السحابة ، القادرة على الاحتفاظ بكمية هائلة من البيانات اللازمة لتدريب نماذج التعلم الآلي ، والخدمات لتحويل البيانات لإعدادها للتحليل ، وأدوات التصور لعرض النتائج بوضوح ، والبرامج التي تبسط بناء النماذج.
تعمل الأنظمة الأساسية السحابية هذه على تبسيط إنشاء نماذج مخصصة للتعلم الآلي ، حيث تقدم Google خدمة تعمل على أتمتة إنشاء نماذج الذكاء الاصطناعي ، تسمى Cloud AutoML . تعمل خدمة السحب والإفلات هذه على إنشاء نماذج مخصصة للتعرف على الصور وتتطلب من المستخدم ألا يمتلك خبرة في التعلم الآلي.
تتطور خدمات التعلم الآلي القائمة على السحابة باستمرار.
أمازون الآن يقدم مجموعة من العروض AWS تهدف إلى تبسيط عملية تدريب نماذج التعلم الألي و أطلقت مؤخرا أمازون SageMaker ، وأداة مساعدة لمنظمات اجتثاث التحيز وعدم التوازن في بيانات التدريب التي يمكن أن تؤدي إلى توقعات الانحراف عن طريق نموذج تدريب .
بالنسبة لتلك الشركات التي لا ترغب في بناء نماذج التعلم الآلي الخاصة بها ولكنها ترغب بدلاً من ذلك في استهلاك الخدمات التي تعمل بالذكاء الاصطناعي عند الطلب ، مثل الصوت والرؤية والتعرف على اللغة ، فإن Microsoft Azure تتميز بمجموعة واسعة من الخدمات على تقدم ، تليها Google Cloud Platform عن كثب ثم AWS.
وفي الوقت نفسه ، تحاول شركة IBM ، جنبًا إلى جنب مع عروضها العامة عند الطلب ، بيع خدمات الذكاء الاصطناعي الخاصة بالقطاع والتي تستهدف كل شيء من الرعاية الصحية إلى البيع بالتجزئة ، وتجميع هذه العروض معًا تحت مظلة IBM Watson الخاصة بها ، واستثمار ملياري دولار في شراء The Weather Channel لفتح مجموعة من البيانات لتعزيز خدمات الذكاء الاصطناعي.
أي من شركات التكنولوجيا الكبرى تفوز في سباق الذكاء الاصطناعي؟
داخليًا ، يستخدم كل من عمالقة التكنولوجيا - وآخرين مثل Facebook - الذكاء الاصطناعي للمساعدة في دفع عدد لا يحصى من الخدمات العامة: تقديم نتائج البحث ، وتقديم التوصيات ، والتعرف على الأشخاص والأشياء في الصور ، والترجمة عند الطلب ، واكتشاف البريد العشوائي - القائمة واسعة النطاق.
لكن أحد أبرز مظاهر حرب الذكاء الاصطناعي هذه كان ظهور المساعدين الافتراضيين ، مثل Apple's Siri ، و Alexa من Amazon
، ومساعد Google ، و Microsoft Cortana.
Amazon Echo Plus هو مكبر صوت ذكي مع إمكانية الوصول إلى مساعد Amazon الظاهري و Alexa المدمج.
بالاعتماد بشكل كبير على التعرف على الصوت ومعالجة اللغة الطبيعية ، فضلاً عن الحاجة إلى مجموعة هائلة للاستفادة منها للإجابة على الاستفسارات ، يذهب قدر هائل من التكنولوجيا في تطوير هؤلاء المساعدين.
ولكن على الرغم من أن Siri من Apple قد احتل مكانة بارزة أولاً ، إلا أن Google و Amazon اللذان تجاوز مساعدا شركة Apple منذ ذلك الحين في مجال الذكاء الاصطناعي - Google Assistant بقدرته على الإجابة على مجموعة واسعة من الاستفسارات و Alexa من Amazon مع العدد الهائل من `` المهارات ''. التي أنشأها مطورو الجهات الخارجية للإضافة إلى إمكاناتها.
بمرور الوقت ، يكتسب هؤلاء المساعدون قدرات تجعلهم أكثر استجابة وأكثر قدرة على التعامل مع أنواع الأسئلة التي يطرحها الأشخاص في المحادثات العادية.
على سبيل المثال ، يقدم مساعد Google الآن ميزة تسمى المحادثة المستمرة ، حيث يمكن للمستخدم طرح أسئلة متابعة على استعلامه الأولي ، مثل "ما هو الطقس اليوم؟" ، متبوعًا بـ "ماذا عن الغد؟" ويتفهم النظام سؤال المتابعة يتعلق أيضًا بالطقس.
يمكن أيضًا لهؤلاء المساعدين والخدمات المرتبطة بها التعامل مع أكثر من مجرد الكلام ، مع أحدث تجسيد لـ Google Lens قادرة على ترجمة النص في الصور والسماح لك بالبحث عن الملابس أو الأثاث باستخدام الصور.
على الرغم من كونه مدمجًا في نظام التشغيل Windows 10 ، فقد واجه Cortana وقتًا عصيبًا بشكل خاص مؤخرًا ، مع توفر Alexa من Amazon الآن مجانًا على أجهزة الكمبيوتر التي تعمل بنظام Windows 10 ، بينما جددت Microsoft دور Cortana في نظام التشغيل للتركيز بشكل أكبر على المهام الإنتاجية ، مثل إدارة المستخدم.
الجدول الزمني ، بدلاً من الميزات التي تركز على المستهلك الموجود في المساعدين الآخرين ، مثل تشغيل الموسيقى.
ما هي الدول التي تقود الطريق في مجال الذكاء الاصطناعي؟
سيكون من الخطأ الفادح الاعتقاد أن عمالقة التكنولوجيا في الولايات المتحدة لديهم مجال الذكاء الاصطناعي.
تستثمر الشركات الصينية علي بابا وبايدو ولينوفو بكثافة في الذكاء الاصطناعي في مجالات تتراوح من التجارة الإلكترونية إلى القيادة الذاتية.
كبلد تنتهج الصين خطة من ثلاث خطوات لتحويل الذكاء الاصطناعي إلى صناعة أساسية للبلاد ، تبلغ قيمتها 150 مليار يوان (22 مليار دولار) بحلول نهاية عام 2020 ، بهدف أن تصبح قوة الذكاء الاصطناعي الرائدة في العالم بحلول عام 2030 .
استثمرت Baidu في تطوير سيارات ذاتية القيادة ، مدعومة بخوارزمية التعلم العميق ، Baidu AutoBrain ، وبعد عدة سنوات من الاختبارات ، مع سيارتها ذاتية القيادة Apollo التي قطعت أكثر من ثلاثة ملايين ميل من القيادة في الاختبارات وحملتها أكثر من 100،000 مسافر في 27 مدينة حول العالم .
أطلقت Baidu أسطولًا من 40 Apollo Go Robotaxis في بكين هذا العام وتوقع مؤسس الشركة أن تكون المركبات ذاتية القيادة شائعة في مدن الصين في غضون خمس سنوات.
سيارة بايدو ذاتية القيادة ، سلسلة BMW 3 معدلة.
مزيج من قوانين الخصوصية الضعيفة والاستثمارات الضخمة وجمع البيانات المتضافر وتحليلات البيانات الضخمة من قبل الشركات الكبرى مثل Baidu و Alibaba و Tencent ، يعني أن بعض المحللين يعتقدون أن الصين ستتمتع بميزة على الولايات المتحدة عندما يتعلق الأمر بأبحاث الذكاء الاصطناعي المستقبلية ، حيث وصف أحد المحللين فرص تفوق الصين على الولايات المتحدة بـ500 مقابل واحد لصالح الصين .
كيف يمكنني البدء في استخدام الذكاء الاصطناعي؟
بينما يمكنك شراء Nvidia GPU متوسط القوة لجهاز الكمبيوتر الخاص بك - في مكان ما حول Nvidia GeForce RTX 2060
أو أسرع - والبدء في تدريب نموذج التعلم الآلي ، ربما تكون أسهل طريقة لتجربة الخدمات المرتبطة بالذكاء الاصطناعي عبر cloud.
تقدم جميع شركات التكنولوجيا الكبرى خدمات الذكاء الاصطناعي المختلفة ، من البنية التحتية لبناء وتدريب نماذج التعلم الآلي الخاصة بك إلى خدمات الويب التي تتيح لك الوصول إلى الأدوات التي تعمل بالذكاء الاصطناعي مثل التعرف على الكلام واللغة والرؤية والمشاعر عند الطلب .
الروبوتات والسيارات ذاتية القيادة
إن الرغبة في أن تكون الروبوتات قادرة على التصرف بشكل مستقل وفهم العالم من حولهم والتنقل فيه تعني وجود تداخل طبيعي بين الروبوتات والذكاء الاصطناعي.
في حين أن الذكاء الاصطناعي هو واحد فقط من التقنيات المستخدمة في الروبوتات ، فإن استخدام الذكاء الاصطناعي يساعد الروبوتات على الانتقال إلى مجالات جديدة مثل السيارات ذاتية القيادة ، وروبوتات التوصيل ، وكذلك مساعدة الروبوتات على تعلم مهارات جديدة .
في بداية عام 2020 ، كشفت جنرال موتورز وهوندا عن سيارة Cruise Origin ، وهي سيارة بدون سائق تعمل بالكهرباء ، وافتتحت Waymo ، المجموعة ذاتية القيادة داخل شركة Alphabet التابعة لشركة Google ، خدمة نقل الروبوتات الخاصة بها لعامة الناس في مدينة فينيكس بولاية أريزونا ، حيث تقدم خدمة تغطي مساحة 50 ميلا مربعا في المدينة .
التعرف على الكلام واللغة
ساعدت أنظمة التعلم الآلي أجهزة الكمبيوتر في التعرف على ما يقوله الأشخاص بدقة تقارب 95٪. ذكرت مجموعة مايكروسوفت للذكاء الاصطناعي والأبحاث أيضًا أنها طورت نظامًا قادرًا على نسخ اللغة الإنجليزية المنطوقة بدقة مثل الناسخين البشريين .
مع متابعة الباحثين لهدف الدقة بنسبة 99٪ ، توقع أن يصبح التحدث إلى أجهزة الكمبيوتر أمرًا شائعًا بشكل متزايد جنبًا إلى جنب مع الأشكال التقليدية للتفاعل بين الإنسان والآلة.
وفي الوقت نفسه ، تسبب نموذج التنبؤ اللغوي GPT-3 الخاص بـ OpenAI مؤخرًا في إثارة ضجة في قدرته على إنشاء مقالات يمكن أن تمر على أنها مكتوبة بواسطة إنسان.
التعرف على الوجه والمراقبة
في السنوات الأخيرة ، قفزت دقة أنظمة التعرف على الوجه إلى الأمام ، لدرجة أن شركة التكنولوجيا الصينية العملاقة بايدو تقول إنها تستطيع مطابقة الوجوه بدقة تصل إلى 99٪ ، شريطة أن يكون الوجه واضحًا بدرجة كافية في الفيديو.
في حين أن قوات الشرطة في الدول الغربية قد حاولت عمومًا فقط استخدام أنظمة التعرف على الوجه في الأحداث الكبيرة ، فإن السلطات في الصين تقوم بوضع برنامج وطني لربط الدوائر التلفزيونية المغلقة في جميع أنحاء البلاد بالتعرف على الوجه واستخدام أنظمة الذكاء الاصطناعي لتتبع المشتبه بهم والسلوك المشبوه ، وقد سعت أيضا استخدام نظارات والتعرف على الوجه من قبل الشرطة .
على الرغم من اختلاف لوائح الخصوصية في جميع أنحاء العالم ، فمن المحتمل أن هذا الاستخدام الأكثر تدخلاً لتقنية الذكاء الاصطناعي - بما في ذلك الذكاء الاصطناعي الذي يمكنه التعرف على المشاعر - سيصبح أكثر انتشارًا تدريجيًا ، على الرغم من ردود الفعل المتزايدة والتساؤلات حول عدالة أنظمة التعرف على الوجه التي أدت إلى قيام أمازون ، تقوم IBM و Microsoft بإيقاف بيع هذه الأنظمة مؤقتًا أو إيقافها إلى سلطات تطبيق القانون.
الرعاىة الصحية
يمكن أن يكون للذكاء الاصطناعي في نهاية المطاف تأثير كبير على الرعاية الصحية ، مما يساعد أطباء الأشعة على اكتشاف الأورام في الأشعة السينية ، ومساعدة الباحثين في اكتشاف التسلسلات الجينية المتعلقة بالأمراض وتحديد الجزيئات التي يمكن أن تؤدي إلى عقاقير أكثر فعالية.
من المتوقع أن يؤدي الاختراق الأخير الذي حققه نظام التعلم الآلي AlphaFold 2 من Google إلى تقليل الوقت المستغرق خلال خطوة رئيسية عند تطوير عقاقير جديدة من شهور إلى ساعات.
كانت هناك تجارب للتكنولوجيا المتعلقة بالذكاء الاصطناعي في المستشفيات في جميع أنحاء العالم.
وتشمل هذه أداة دعم القرار السريري Watson من شركة IBM ، والتي يتم تدريبها من قبل أطباء الأورام في مركز ميموريال سلون كيترينج للسرطان ، واستخدام أنظمة Google DeepMind من قبل الخدمة الصحية الوطنية في المملكة المتحدة ، حيث ستساعد في اكتشاف تشوهات العين وتبسيط عملية فحص المرضى.
تعزيز التمييز والتحيز
مصدر قلق متزايد هو الطريقة التي يمكن بها لأنظمة التعلم الآلي أن تقنن التحيزات البشرية والتفاوتات المجتمعية التي تنعكس في بيانات التدريب الخاصة بها.
تم إثبات هذه المخاوف من خلال العديد من الأمثلة حول كيف أن عدم وجود تنوع في البيانات المستخدمة لتدريب مثل هذه الأنظمة له عواقب سلبية في العالم الحقيقي.
في عام 2018 ، وجدت ورقة بحثية من معهد ماساتشوستس للتكنولوجيا ومايكروسوفت أن أنظمة التعرف على الوجه التي تبيعها شركات التكنولوجيا الكبرى عانت من معدلات خطأ كانت أعلى بكثير عند تحديد الأشخاص ذوي البشرة الداكنة ، وهي مشكلة تُعزى إلى مجموعات بيانات التدريب التي تتكون أساسًا من الرجال البيض.
سلطت دراسة أخرى بعد عام الضوء على أن نظام التعرف على الوجه من أمازون يواجه مشكلات في تحديد جنس الأفراد ذوي البشرة الداكنة ، وهي تهمة اعترض عليها التنفيذيون في أمازون ، مما دفع أحد الباحثين إلى معالجة النقاط التي أثيرت في تفنيد أمازون .
منذ نشر الدراسات ، توقفت العديد من شركات التكنولوجيا الكبرى ، مؤقتًا على الأقل ، عن بيع أنظمة التعرف على الوجه إلى أقسام الشرطة.
مثال آخر على نتائج تحريف بيانات التدريب المتنوعة بشكل غير كافٍ احتل العناوين الرئيسية في عام 2018 ، عندما ألغت أمازون أداة توظيف للتعلم الآلي حددت المتقدمين الذكور على أنهم الأفضل . البحث مستمر اليوم حول طرق تعويض التحيزات في أنظمة التعلم الذاتي .
الذكاء الاصطناعي والاحتباس الحراري
مع نمو حجم نماذج التعلم الآلي ومجموعات البيانات المستخدمة لتدريبها ، تزداد أيضًا البصمة الكربونية لمجموعات الحوسبة الضخمة التي تشكل هذه النماذج وتشغلها.
كان التأثير البيئي لتشغيل المزارع الحاسوبية وتبريدها موضوع بحث أعده المنتدى الاقتصادي العالمي في عام 2018 .
كان أحد التقديرات لعام 2019 هو أن الطاقة التي تتطلبها أنظمة التعلم الآلي تتضاعف كل 3.4 شهرًا .
تم التركيز مؤخرًا على مسألة الكم الهائل من الطاقة اللازمة لتدريب نماذج التعلم الآلي القوية من خلال إصدار نموذج التنبؤ اللغوي GPT-3 ، وهو عبارة عن شبكة عصبية مترامية الأطراف تضم حوالي 175 مليار معلمة.
في حين أن الموارد اللازمة لتدريب مثل هذه النماذج يمكن أن تكون هائلة ، ومتاحة إلى حد كبير فقط للشركات الكبرى ، بمجرد التدريب تكون الطاقة اللازمة لتشغيل هذه النماذج أقل بكثير.
ومع ذلك ، مع تزايد الطلب على الخدمات القائمة على هذه النماذج ، يصبح استهلاك الطاقة والتأثير البيئي الناتج مشكلة مرة أخرى.
إحدى الحجج هي أن التأثير البيئي للتدريب وتشغيل النماذج الأكبر يحتاج إلى الموازنة بينه وبين التعلم الآلي المحتمل يجب أن يكون له تأثير إيجابي كبير ، على سبيل المثال ، التقدم السريع في الرعاية الصحية الذي يبدو على الأرجح بعد الاختراق الذي حققته AlphaFold 2 من Google DeepMind .
هل سيقتلنا الذكاء الاصطناعي جميعًا؟
مرة أخرى ، هذا يعتمد على من تسأل.
نظرًا لأن الأنظمة التي تعمل بالذكاء الاصطناعي أصبحت أكثر قدرة ، فقد أصبحت التحذيرات من الجوانب السلبية أكثر خطورة.
ادعى إيلون ماسك ، الرئيس التنفيذي لشركة Tesla و SpaceX ، أن الذكاء الاصطناعي يمثل "خطرًا أساسيًا على وجود الحضارة البشرية".
كجزء من مساعيه من أجل إشراف تنظيمي أقوى وأبحاث أكثر مسؤولية في التخفيف من سلبيات الذكاء الاصطناعي ، أنشأ شركة OpenAI ، وهي شركة أبحاث ذكاء اصطناعي غير هادفة للربح تهدف إلى تعزيز وتطوير الذكاء الاصطناعي الودود الذي سيعود بالنفع على المجتمع ككل.
وبالمثل ، حذر الفيزيائي الموقر ستيفن هوكينغ من أنه بمجرد إنشاء ذكاء اصطناعي متقدم بما فيه الكفاية ، فإنه سيتقدم بسرعة إلى النقطة التي يتفوق فيها بشكل كبير على القدرات البشرية ، وهي ظاهرة تُعرف باسم التفرد ، ويمكن أن تشكل تهديدًا وجوديًا للجنس البشري.
ومع ذلك ، فإن الفكرة القائلة بأن البشرية على وشك انفجار ذكاء اصطناعي من شأنه أن يقزم عقولنا تبدو سخيفة لبعض باحثي الذكاء الاصطناعي.
يؤكد كريس بيشوب ، مدير أبحاث Microsoft في كامبريدج بإنجلترا ، على مدى اختلاف الذكاء الضيق للذكاء الاصطناعي اليوم عن الذكاء العام للبشر ، قائلاً إنه عندما يقلق الناس بشأن "المنهي وصعود الآلات وما إلى ذلك؟هذا هراء مطلق ، نعم ، في أحسن الأحوال ، مثل هذه المناقشات تفصلنا عقودًا ".
هل سيسرق الذكاء الاصطناعي وظيفتك؟
ربما تكون إمكانية حلول أنظمة الذكاء الاصطناعي محل الكثير من العمل اليدوي الحديث احتمالًا أكثر مصداقية في المستقبل القريب.
على الرغم من أن الذكاء الاصطناعي لن يحل محل جميع الوظائف ، إلا أن ما يبدو مؤكدًا هو أن الذكاء الاصطناعي سيغير طبيعة العمل ، والسؤال الوحيد هو مدى السرعة والكيفية التي ستغير بها الأتمتة مكان العمل.
بالكاد يوجد مجال من مجالات المساعي البشرية لا يملك الذكاء الاصطناعي القدرة على التأثير فيه.
كما قال خبير الذكاء الاصطناعي أندرو نغ : "يقوم العديد من الأشخاص بوظائف روتينية ومتكررة.
لسوء الحظ ، التكنولوجيا جيدة بشكل خاص في أتمتة العمل الروتيني المتكرر" ، قائلاً إنه يرى "خطرًا كبيرًا للبطالة التكنولوجية خلال العقود القليلة القادمة".
بدأ الدليل على الوظائف التي سيتم استبدالها في الظهور.
في الولايات المتحدة ، يوجد الآن 27 متجرًا من متاجر Amazon Go ، ومتاجر سوبر ماركت خالية من الصراف حيث يأخذ العملاء الأشياء من الرفوف ويخرجون منها.
ما يعنيه هذا بالنسبة لأكثر من ثلاثة ملايين شخص في الولايات المتحدة يعملون كصرافين لا يزال غير معروف.
مرة أخرى ، تقود أمازون الطريق في استخدام الروبوتات لتحسين الكفاءة داخل مستودعاتها.
تحمل هذه الروبوتات أرفف للمنتجات لمن يلتقطونها من البشر الذين يختارون العناصر لإرسالها.
تمتلك أمازون أكثر من 200000 روبوت في مراكز التنفيذ الخاصة بها ، مع خطط لإضافة المزيد.
لكن أمازون تؤكد أيضًا أنه مع زيادة عدد الروبوتات ، زاد عدد العاملين في هذه المستودعات أيضًا.
ومع ذلك ، فإن Amazon و شركات الروبوتات الصغيرة تعمل على أتمتة الوظائف اليدوية المتبقية في المستودع ، لذلك ليس من المسلم به أن العمالة اليدوية والروبوتية ستستمر في النمو جنبًا إلى جنب.
اشترت Amazon روبوتات Kiva في عام 2012 وتستخدم اليوم روبوتات Kiva في جميع مستودعاتها.
السيارات ذاتية القيادة بالكامل ليست حقيقة واقعة حتى الآن ، ولكن وفقًا لبعض التوقعات ، فإن صناعة الشاحنات ذاتية القيادة.
وحدها تستعد لتولي أكثر من 1.7 مليون وظيفة في العقد المقبل ، حتى دون النظر في التأثير على شركات النقل وسائقي سيارات الأجرة.ومع ذلك ، فإن بعض أسهل الوظائف للأتمتة لن تتطلب حتى الروبوتات.
في الوقت الحالي ، هناك ملايين الأشخاص الذين يعملون في الإدارة ، ويقومون بإدخال البيانات ونسخها بين الأنظمة ، ومطاردة وحجز المواعيد للشركات.
مع تحسن البرنامج في تحديث الأنظمة تلقائيًا والإبلاغ عن المعلومات المهمة ، ستنخفض الحاجة إلى المسؤولين.
كما هو الحال مع كل تحول تكنولوجي ، سيتم إنشاء وظائف جديدة لتحل محل تلك المفقودة.
ومع ذلك ، ما هو غير مؤكد هو ما إذا كان سيتم إنشاء هذه الأدوار الجديدة بسرعة كافية لتوفير فرص عمل للنازحين ، وما إذا كان العاطلون عن العمل الجدد سوف يتمتعون بالمهارات أو المزاج اللازم لملء هذه الأدوار الناشئة.
الذكاء الاصطناعي: إنه على وشك إحداث ثورة كبيرة في الوظائف
يعد التقدم في رؤية الكمبيوتر والكلام والتحليلات والروبوتات المتنقلة بالتأثير على أي وظائف مرتبطة بهذه المهارات.
بالنسبة للبعض ، الذكاء الاصطناعي هو تقنية من شأنها زيادة العاملين بدلاً من استبدالهم .
ليس هذا فقط ولكنهم يجادلون بأنه سيكون هناك ضرورة تجارية لعدم استبدال الأشخاص بشكل مباشر ، كعامل مساعد في الذكاء الاصطناعي - فكر في كونسيرج بشري مع سماعة رأس AR تخبرهم بالضبط ما يريده العميل قبل أن يطلبه - سيكون أكثر منتج أو فعال من الذكاء الاصطناعي الذي يعمل بمفرده.
بين خبراء الذكاء الاصطناعي ، هناك مجموعة واسعة من الآراء حول مدى سرعة أنظمة الذكاء الاصطناعي في تجاوز القدرات البشرية.
طلب معهد مستقبل الإنسانية التابع لجامعة أكسفورد من عدة مئات من خبراء التعلم الآلي التنبؤ بقدرات الذكاء الاصطناعي خلال العقود القادمة.
تضمنت التواريخ البارزة مقالات كتابة منظمة العفو الدولية التي يمكن أن تمر ليتم كتابتها من قبل إنسان بحلول عام 2026 ، وسائقي الشاحنات يصبحون زائدين عن الحاجة بحلول عام 2027 ، والذكاء الاصطناعي يتفوق على القدرات البشرية في البيع بالتجزئة بحلول عام 2031 ، وكتابة أكثر الكتب مبيعًا بحلول عام 2049 ، والقيام بعمل الجراح بحلول عام 2053 .
قدّروا أن هناك فرصة كبيرة نسبيًا لأن يتفوق الذكاء الاصطناعي على البشر في جميع المهام في غضون 45 عامًا وأتمته جميع الوظائف البشرية في غضون 120 عامًا.
تعليقات
إرسال تعليق