مروری جامع بر تاریخچه هوش مصنوعی

تاریخچه هوش مصنوعی از ابتدا تا اکنون

هوش مصنوعی (AI) به عنوان شاخه‌ای از علوم کامپیوتر به مطالعه و توسعه سیستم‌هایی اطلاق می‌شود که قادر به انجام کارهایی هستند که به طور معمول نیازمند هوش انسانی است، مانند یادگیری، استدلال، درک زبان طبیعی و تشخیص تصاویر. تاریخچه هوش مصنوعی به دهه‌های ۱۹۵۰ و ۱۹۶۰ برمی‌گردد، زمانی که پژوهشگران مانند آلن تورینگ و جان مک‌کارتی به ایده ایجاد ماشین‌هایی با قابلیت‌های مشابه به انسان‌ها پرداخته و نخستین الگوریتم‌ها و سیستم‌های هوش مصنوعی را معرفی کردند.

این حوزه با فراز و نشیب‌های مختلفی روبه‌رو بوده است، از دوره‌های رونق تا “زمستان‌های هوش مصنوعی” که در آن‌ها تحقیقات و سرمایه‌گذاری‌ها به طور قابل توجهی کاهش یافت. با این حال، در دهه‌های اخیر و به خصوص با پیشرفت‌های در زمینه یادگیری ماشین و داده‌های بزرگ، هوش مصنوعی به یکی از پیشرفته‌ترین و پرکاربردترین شاخه‌های علمی تبدیل شده است که در بسیاری از جنبه‌های زندگی روزمره از جمله پزشکی، حمل‌ونقل، تجارت و سرگرمی‌ها نقش مهمی ایفا می‌کند.
با ما همراه باشید تا در آی لرن به بررسی کامل تاریخچه هوش مصنوعی بپردازیم.

آغاز رویاهای فلزی: سیر تحول هوش مصنوعی در نیمه اول قرن بیستم از 1900 تا 1950

در اوایل قرن بیستم، تصور خلق موجوداتی هوشمند و شبیه به انسان، ذهن بسیاری از اندیشمندان را به خود مشغول کرده بود. با پیشرفت فناوری، تلاش برای ساخت ماشین‌هایی که بتوانند برخی از قابلیت‌های شناختی انسان را تقلید کنند، شدت گرفت، از پرسش در مورد اینکه آیا ساخت مغز مصنوعی امکان پذیر است تا ساخت نمونه های ابتدایی ربات ها!

در سال ۱۹۲۱، کارل چاپک(Karel Čapek)، نویسنده اهل چک، با خلق رمان “ربات‌های جهانی روسوم” (Rossum’s Universal Robots)، مفهوم “ربات” را وارد ادبیات علمی تخیلی کرد. این رمان، تصویری خیالی از موجودات مصنوعی با توانایی انجام کارهای پیچیده را ارائه داد. با این حال، در آن زمان، بیشتر تلاش‌ها برای ساخت ربات‌ها به ساخت دستگاه‌های مکانیکی ساده‌ای محدود می‌شد که قادر به انجام حرکات محدودی بودند.

علاقه مندان می‌توانند با مراجعه به این لینک متن نمایشنامه ربات های جهانی روسوم را مشاهده کنند.

پروفسور ماکوتو نیشیمورا، دانشمند ژاپنی، در سال ۱۹۲۹ با ساخت ربات گاکوتنسوکو (Gakutensoku) ، گامی مهم در جهت تحقق رویاهای ساخت موجودات مصنوعی برداشت. این ربات، یکی از اولین ربات‌های انسان‌نما بود که توانایی انجام برخی حرکات ساده را داشت.

ماکوتو نیشیمورا، زیست‌شناس ژاپنی، در دهه 1920 تصمیم به ساخت یک ربات مصنوعی به نام گاکوتنسوکو گرفت تا از آن به عنوان الگویی الهام‌بخش برای بشر استفاده کند. نیشیمورا از نمایشنامه RUR اثر کارل چاپک، که ربات‌ها را به عنوان موجوداتی شورشی علیه انسان‌ها نشان می‌دهد، متاثر شد و نگرانی داشت که ساخت ربات‌ها به‌عنوان برده‌های انسانی منجر به انحراف در طبیعت و جامعه شود. او به دنبال ساخت رباتی بود که به جای برده بودن، دوست و الگو برای انسان‌ها باشد.

این ربات به شکل یک غول بزرگ طراحی شد که با استفاده از هوای فشرده به حرکت درمی‌آمد و قادر به نمایش احساسات انسانی مانند لبخند و حرکت سر بود. هدف نیشیمورا ایجاد رباتی بود که توانایی بیان احساسات انسانی را داشته باشد و در تکامل بشری موثر واقع شود.
گاکوتنسوکو در سال 1928 در نمایشگاهی در ژاپن به نمایش گذاشته شد و توجه زیادی جلب کرد، اما پس از آن به طرز مرموزی ناپدید شد. این ربات به رغم ناپدید شدنش، تاثیری ماندگار در فرهنگ ژاپن و دنیای رباتیک گذاشت. همچنین در آثار پاپ ژاپنی و کارتون‌های دهه‌های بعدی به عنوان نمادی از ربات‌های الهام‌بخش و همدل ظاهر شد.

ادوارد کالیس برکلی (Edmund Callis Berkley)، دانشمند کامپیوتر، در کتاب خود با عنوان مغزهای غول‌پیکر(Giant Brains, or Machines that Think)، مقایسه‌ای بین مغز انسان و رایانه‌های آن دوره انجام داد و به بررسی امکان ساخت ماشین‌هایی با توانایی تفکر پرداخت. این کتاب، تأثیر بسزایی بر تحقیقات بعدی در زمینه هوش مصنوعی داشت.

ادوارد کالیس برکلی (1909–1988) یک دانشمند کامپیوتر آمریکایی بود که در سال 1947 انجمن ماشین‌های محاسباتی (ACM) را تأسیس کرد. کتاب او با عنوان “مغزهای غول‌پیکر، یا ماشین‌هایی که می‌اندیشند” در سال 1949 تصویرهایی از کامپیوترهای اولیه را معرفی کرد. برکلی همچنین فعال اجتماعی بود و تلاش‌هایی برای کاهش تهدیدات جنگ هسته‌ای انجام داد.

نیمه اول قرن بیستم، دوره‌ای بود که ایده ساخت موجودات مصنوعی هوشمند، از قلمرو خیال به عرصه واقعیت قدم گذاشت. با وجود پیشرفت‌های قابل توجه، این فناوری هنوز در مراحل ابتدایی خود قرار داشت و تحقق کامل رویاهای ساخت ماشین‌هایی با هوش انسانی، سال‌ها زمان برد.”

تولد هوش مصنوعی: از 1950 تا 1956

دهه ۱۹۵۰ را در تاریخچه هوش مصنوعی می‌توان دوران طلایی شکل‌گیری مفهوم هوش مصنوعی دانست. در این دوره، علاقه به ساخت ماشین‌هایی که بتوانند فکر کنند و یاد بگیرند، به اوج خود رسید.

آلن تورینگ، ریاضیدان و دانشمند کامپیوتر بریتانیایی، در سال ۱۹۵۰ مقاله‌ای تأثیرگذار با عنوان “ماشین‌آلات محاسباتی و هوش” منتشر کرد. در این مقاله، تورینگ آزمونی به نام “بازی تقلید” یا “آزمون تورینگ” را پیشنهاد کرد. در این آزمون، یک داور انسانی باید بین یک انسان و یک کامپیوتر که هر دو به سؤالات داور پاسخ می‌دهند، تفاوت قائل شود. اگر داور نتواند به درستی تشخیص دهد که کدام یک از پاسخ‌ها توسط انسان و کدام یک توسط کامپیوتر ارائه شده است، به این معنی است که آن کامپیوتر از هوش مصنوعی برخوردار است.

در همین دوران، پیشرفت‌های قابل توجهی در زمینه برنامه‌نویسی کامپیوتر و یادگیری ماشین حاصل شد. آرتور ساموئل، دانشمند کامپیوتر، در سال ۱۹۵۲ برنامه‌ای برای بازی چکرز توسعه داد که توانایی یادگیری از تجربه و بهبود عملکرد خود را داشت. این برنامه، یکی از اولین نمونه‌های موفق یادگیری ماشین محسوب می‌شود.

در دهه‌های میانه قرن ۲۰، پژوهشگران کامپیوتر برای مطالعه هوش مصنوعی از بازی‌ها استفاده می‌کردند. این بازی‌ها با قوانین مشخص و نیاز به تصمیم‌گیری پیچیده، شبیه به یادگیری انسان‌ها بودند. برنامه‌هایی مانند Samuel Checkers و TD-Gammon از بازی‌هایی مانند دامی و تخته‌نرد برای مطالعه استراتژی و بهبود بازی خود استفاده کردند. این برنامه‌ها از طریق آزمایش و خطا یاد می‌گرفتند و به تدریج هوش مصنوعی را به سطحی رساندند که قادر به رقابت با انسان‌های خبره شدند.

آرتور ساموئل در دهه ۱۹۴۰ برنامه‌ای به نام “Samuel Checkers” توسعه داد که می‌توانست از بازی‌های قبلی یاد بگیرد و به تدریج بهتر شود. این اولین استفاده از مفهوم “یادگیری ماشین” بود که امروزه در هوش مصنوعی کاربرد دارد. در دهه ۱۹۹۰، برنامه‌های دیگر مانند TD-Gammon توسعه یافتند که توانستند در بازی تخته‌نرد با بازیکنان حرفه‌ای رقابت کنند.

در نهایت، در سال ۱۹۹۷، برنامه Deep Blue از IBM توانست قهرمان جهان شطرنج، گری کاسپاروف، را شکست دهد. این دستاورد نقطه عطفی در تاریخ هوش مصنوعی بود. از آن زمان به بعد، پژوهشگران هوش مصنوعی بازی‌های پیچیده‌تری مانند Go را برای آموزش سیستم‌های جدید به کار گرفتند و هدف آنها ایجاد هوش مصنوعی است که قادر به تعامل مؤثرتر با انسان‌ها باشد.

در سال ۱۹۵۵، جان مک‌کارتی و گروهی از دانشمندان برجسته، کارگاهی در دارتموث برگزار کردند که در آن برای اولین بار از اصطلاح “هوش مصنوعی” استفاده شد. این کارگاه، نقطه عطفی در تاریخ هوش مصنوعی محسوب می‌شود و باعث شد تا این حوزه به عنوان یک رشته علمی مستقل شناخته شود. شرکت‌کنندگان در این کارگاه، به بحث و تبادل نظر در مورد چالش‌ها و فرصت‌های پیش روی هوش مصنوعی پرداختند و چشم‌اندازی روشن از آینده این حوزه ترسیم کردند.

آزمون تورینگ، برنامه بازی چکرز و کنفرانس دارتموث، همگی به عنوان رویدادهای کلیدی در شکل‌گیری و توسعه هوش مصنوعی شناخته می‌شوند. این رویدادها، انگیزه و الهام بخش بسیاری از دانشمندان و مهندسان شدند تا به تحقیق و توسعه در این حوزه بپردازند و در نهایت به پیشرفت‌های شگفت‌انگیزی در زمینه هوش مصنوعی دست یابند.”

رشد و بلوغ هوش مصنوعی: از ۱۹۵۷ تا ۱۹۷۹

در بازه‌ای که از معرفی عبارت «هوش مصنوعی» آغاز شد و تا دهه ۱۹۸۰ ادامه یافت، شاهد دوره‌ای پر از پیشرفت‌ها و چالش‌ها در این حوزه بودیم. دهه‌های پایانی ۱۹۵۰ و ۱۹۶۰ زمانه‌ای از خلاقیت و نوآوری بودند. در این سال‌ها، از توسعه زبان‌های برنامه‌نویسی که همچنان پرکاربرد هستند تا ساخت فیلم‌ها و کتاب‌هایی که به بررسی ایده ربات‌ها پرداختند، هوش مصنوعی به سرعت جایگاه خود را در اذهان عمومی تثبیت کرد.

دهه ۱۹۷۰ نیز با پیشرفت‌هایی مانند ساخت نخستین ربات انسان‌نما در ژاپن و تولید اولین نمونه از خودروهای خودران همراه بود. با این حال، این دوره با چالش‌هایی نیز همراه شد، از جمله کاهش حمایت مالی از سوی دولت آمریکا برای ادامه تحقیقات هوش مصنوعی.

رویدادهای کلیدی این دوره عبارت‌اند از:

• ۱۹۵۸: جان مک‌کارتی زبان برنامه‌نویسی لیسپ را معرفی کرد. این زبان که برای تحقیقات هوش مصنوعی طراحی شده بود، هنوز هم کاربردهای گسترده‌ای دارد.
• ۱۹۵۹: آرتور ساموئل مفهوم «یادگیری ماشین» را معرفی کرد و درباره برنامه‌هایی صحبت کرد که می‌توانند بهتر از سازندگان خود در بازی شطرنج عمل کنند.
• ۱۹۶۱: اولین ربات صنعتی به نام «یونیمیت» در خط تولید شرکت جنرال موتورز شروع به کار کرد. این ربات وظایفی مانند حمل قطعات سنگین و جوشکاری را انجام می‌داد که برای انسان‌ها خطرناک بودند.

ربات یونیمیت که به‌عنوان پدربزرگ ربات های صنعتی شناخته می‌شود اولین نمونه کاربرد موفق ربات صنعتی است

• ۱۹۶۵: ادوارد فایگنباوم و جوشوا لدربرگ اولین سیستم خبره را طراحی کردند، نوعی از هوش مصنوعی که قابلیت شبیه‌سازی تفکر متخصصان انسانی را داشت.

• ۱۹۶۶: جوزف ویزنباوم نخستین چت‌بات به نام الیزا را ساخت. این برنامه با استفاده از پردازش زبان طبیعی توانست شبیه به یک روان‌درمانگر با کاربران مکالمه کند.

در سال 1966، جوزف ویزنباوم برنامه‌ای به نام ELIZA را توسعه داد که هدف آن فریب دادن کاربران و ایجاد این تصور بود که در حال گفتگو با یک انسان واقعی هستند. ELIZA به گونه‌ای طراحی شده بود که شبیه به یک درمانگر عمل کند و سؤالات باز بپرسد و حتی پاسخ‌های پی‌درپی دهد.

ELIZA به عنوان اولین چت‌بات در تاریخ علم کامپیوتر شناخته می‌شود، هرچند که اصطلاح “چت‌بات” در آن زمان هنوز ساخته نشده بود. این اصطلاح تنها در سال 1994 توسط مایکل مولدین (خالق اولین وربوت، جولیا) برای توصیف این برنامه‌های گفتگویی ابداع شد.
ELIZA با شناسایی کلمات یا عبارات کلیدی از ورودی، پاسخ‌هایی از پیش برنامه‌ریزی‌شده را با استفاده از این کلمات کلیدی تولید می‌کند. به عنوان مثال، اگر یک انسان بگوید “مادرم غذای خوبی می‌پزد”، ELIZA کلمه “مادر” را شناسایی کرده و با پرسیدن سؤالی باز مانند “درباره خانواده‌ات بیشتر بگو” پاسخ می‌دهد. این فرآیند به ایجاد توهم درک و تعامل با یک انسان واقعی می‌پردازد، هرچند که این فرایند در واقع مکانیزه است.

• ۱۹۶۸: الکسی ایواخنکو، ریاضیدان شوروی، رویکرد جدیدی به نام «روش گروهی برای پردازش داده‌ها» را ارائه داد که بعدها به یکی از پایه‌های یادگیری عمیق تبدیل شد.
• ۱۹۷۳: جیمز لایت‌هیل در گزارشی به دولت بریتانیا اشاره کرد که پیشرفت‌های انجام‌شده در هوش مصنوعی به‌اندازه وعده‌های اولیه دانشمندان قابل توجه نبوده است. این گزارش منجر به کاهش بودجه دولتی برای تحقیقات هوش مصنوعی شد.
• ۱۹۷۹: یک نمونه اولیه از خودروهای خودران، به نام «گاری! استنفورد (وسیله نقلیه خودران استنفورد) » (The Stanford Cart)، موفق شد مسیر خود را بدون دخالت انسان از میان موانع پیدا کند.

وسیله نقلیه خودران استنفورد
استنفورد کارت، یکی از معروف‌ترین وسایل نقلیه خودران، ابتدا در دهه 1960 به‌عنوان یک وسیله تحقیقاتی برای کنترل دستگاه‌هایی از راه دور در مأموریت‌های فضایی ساخته شد. این ربات در سال 1966 به‌عنوان یک دنبال‌کننده خط سفید آغاز به کار کرد و تا 1980 در پروژه‌های مختلف تحقیقاتی فعالیت کرد.

استنفورد کارت توسط جیمز آدامز در سال 1961 برای پروژه‌ای به‌نام “پروژه پروسپکتور” در آزمایشگاه پیشرانه جت ناسا طراحی شد تا حرکت از راه دور یک وسیله را با استفاده از تصاویر تلویزیونی از سطح ماه شبیه‌سازی کند. این وسیله، که به‌طور اولیه چهار چرخ داشت، از یک دوربین تلویزیونی و سیستم‌های کنترل رادیویی برای حرکت در محیط‌های ساده استفاده می‌کرد.

در سال 1964، لِس ارنست از آزمایشگاه هوش مصنوعی استنفورد (SAIL) این وسیله را برای آزمایش‌های مربوط به ناوبری بصری مورد استفاده قرار داد. استنفورد کارت پس از اصلاحات مختلف و افزودن سیستم‌های بینایی، توانست با استفاده از تصاویر تلویزیونی، مسیرهای مختلف را دنبال کند. در دهه 1970، این وسیله با استفاده از فناوری بینایی استریو به‌طور خودکار قادر به حرکت در مسیرهای پیچیده‌تر شد.

استنفورد کارت در طول زمان به پلتفرم تحقیقاتی مهمی تبدیل شد و پس از تعطیلی SAIL در 1980، به موزه تاریخ کامپیوتر ارسال شد. این وسیله اکنون به‌عنوان نمادی از پیشرفت در رباتیک و هوش مصنوعی شناخته می‌شود و تأثیر زیادی بر توسعه فناوری‌های خودران و پردازش تصویر داشت.

همچنین در همین سال(1979)، انجمن پیشرفت هوش مصنوعی (AAAI) (Association for the Advancement of Artificial Intelligence) تأسیس شد.
پس از کنفرانس دارتموث در دهه 1950، تحقیقات در زمینه هوش مصنوعی در مؤسسات معتبر همچون MIT، استنفورد و کارنگی ملون آغاز شد. پژوهشگران اصلی این حوزه به فضایی برای تبادل اطلاعات، ایده‌ها و کشفیات نیاز داشتند. به همین منظور، کنفرانس بین‌المللی هوش مصنوعی در سال‌های 1977 و 1979 برگزار شد، هرچند که هنوز جامعه‌ای منسجم در این زمینه شکل نگرفته بود.

برای پر کردن این خلا، انجمن هوش مصنوعی آمریکا در دهه 1980 تأسیس شد. این سازمان بر ایجاد مجله‌های تخصصی، برگزاری کارگاه‌ها و برنامه‌ریزی برای کنفرانس‌های سالانه تمرکز داشت. این انجمن بعدها به انجمن پیشبرد هوش مصنوعی (AAAI) تغییر نام داد و هدف خود را “پیشبرد درک علمی از مکانیسم‌های زیربنایی تفکر و رفتار هوشمندانه و تجسم آن‌ها در ماشین‌ها” قرار داد.

دوران رونق هوش مصنوعی: از ۱۹۸۰ تا ۱۹۸۷

دهه ۱۹۸۰ یکی از مقاطع زمانی مهم در تاریخ هوش مصنوعی بود که به دلیل پیشرفت‌های گسترده و افزایش علاقه به این فناوری، با عنوان «رونق هوش مصنوعی» شناخته می‌شود. این دوران از یک سو به‌واسطه پیشرفت‌های تحقیقاتی و از سوی دیگر به‌دلیل حمایت‌های مالی گسترده دولتی، به رشد این حوزه کمک شایانی کرد. در این دوره، تکنیک‌هایی مانند یادگیری عمیق و سیستم‌های خبره بیش از پیش مطرح شدند و به رایانه‌ها این امکان را دادند که از تجربیات گذشته بیاموزند و تصمیم‌گیری‌های مستقل‌تری داشته باشند.

رویدادهای مهم این دوره عبارت‌اند از:

• ۱۹۸۰: اولین کنفرانس انجمن پیشرفت هوش مصنوعی (AAAI) در دانشگاه استنفورد برگزار شد و به‌عنوان نقطه عطفی در گردهمایی متخصصان این حوزه شناخته شد.
• ۱۹۸۰: سیستم خبره XCON برای اولین بار وارد بازار شد. این ابزار توانایی پیکربندی خودکار قطعات کامپیوتری بر اساس نیاز مشتری را داشت و به عنوان یک موفقیت تجاری مهم شناخته شد.

برنامه R1 (که به طور داخلی(درون‌سازمانی) XCON نامیده می‌شود و مخفف eXpert CONfigurer است) یک سیستم مبتنی بر قوانین تولید بود که در سال ۱۹۷۸ توسط جان مک‌دِرموت از دانشگاه کارنگی ملون نوشته شد. هدف این برنامه، کمک به سفارش‌دهی سیستم‌های کامپیوتری VAX شرکت DEC بود و به طور خودکار اجزای سیستم کامپیوتر را بر اساس نیازهای مشتری انتخاب می‌کرد.

در طول توسعه این سیستم، مک‌دِرموت از کارشناسان گروه‌های سیستم‌های PDP/11 و VAX DEC استفاده کرد. این کارشناسان گاهی اوقات در مورد بهترین پیکربندی اختلاف نظر داشتند، اما این بحث‌ها باعث بهبود کیفیت سیستم‌های VAX تحویل داده‌شده شد.

XCON برای اولین بار در سال ۱۹۸۰ در کارخانه DEC در سالم، نیوهمپشایر استفاده شد. این سیستم در نهایت حدود ۲۵۰۰ قانون داشت و تا سال ۱۹۸۶، ۸۰,۰۰۰ سفارش را پردازش کرد و دقت ۹۵ تا ۹۸ درصد را به دست آورد. این سیستم تخمین زده می‌شد که سالانه ۲۵ میلیون دلار برای DEC صرفه‌جویی کند، زیرا نیاز به ارسال قطعات اضافی به مشتریان در صورت بروز اشتباه توسط تکنسین‌ها کاهش می‌یافت، فرآیند مونتاژ سریع‌تر می‌شد و رضایت مشتریان افزایش می‌یافت.

قبل از XCON، هنگام سفارش یک سیستم VAX از DEC، هر کابل، اتصال و نرم‌افزار به طور جداگانه باید سفارش داده می‌شد. (کامپیوترها و لوازم جانبی به صورت کامل در جعبه‌ها فروخته نمی‌شدند.) فروشندگان معمولاً از نظر فنی بسیار متخصص نبودند، بنابراین مشتریان ممکن بود سیستم‌هایی را دریافت کنند که کابل‌های صحیح نداشتند، چاپگرها درایور مناسب نداشتند، پردازنده‌ها بدون چیپ زبان مناسب بودند و… این موضوع باعث تأخیر و نارضایتی مشتریان و مشکلات قانونی می‌شد. XCON با فروشندگان تعامل داشت و سوالات مهمی می‌پرسید تا یک مشخصات سیستم دقیق و قابل استفاده را چاپ کند.

موفقیت XCON باعث شد که DEC نسخه جدیدی به نام XSEL بسازد که برای استفاده تیم فروش DEC طراحی شده بود تا به مشتریان کمک کند تا سیستم‌های VAX خود را به درستی پیکربندی کنند و از انتخاب اشتباه اجتناب کنند، مثلاً انتخاب کامپیوتری که از درب آن‌ها بزرگ‌تر بود یا انتخاب تعداد کمی کابینت برای قرار دادن اجزا. مشکلات مربوط به موقعیت و پیکربندی توسط سیستم تخصصی دیگری به نام XSITE مدیریت می‌شد.

مقاله مک‌دِرموت در سال ۱۹۸۰ در مورد R1 در سال ۱۹۹۹ برنده جایزه مقاله کلاسیک AAAI شد. گفته می‌شود که نام R1 از گفته مک‌دِرموت ناشی می‌شود که هنگام نوشتن آن گفته بود: “سه سال پیش نمی‌توانستم واژه مهندس دانش را بنویسم، حالا یکی از آن‌ها هستم.”

• ۱۹۸۱: دولت ژاپن پروژه رایانه‌های نسل پنجم را با بودجه‌ای معادل ۸۵۰ میلیون دلار (ارزش معادل بیش از ۲ میلیارد دلار امروز) آغاز کرد. هدف این پروژه طراحی سیستم‌هایی بود که بتوانند زبان انسانی را پردازش کنند، ترجمه‌های دقیق انجام دهند و استدلالی نزدیک به انسان داشته باشند.
• ۱۹۸۴: انجمن AAAI نسبت به ظهور «زمستان هوش مصنوعی» هشدار داد، دوره‌ای که ممکن بود علاقه و بودجه در این حوزه کاهش یابد و توسعه تحقیقات را با چالش مواجه کند.
• ۱۹۸۵: برنامه‌ای به نام آران(AARON) که توسط هارولد کوهن توسعه داده شده بود و قابلیت ترسیم خودکار داشت، در کنفرانس AAAI به نمایش گذاشته شد و توجه بسیاری را به خود جلب کرد.

هارولد کوهن یکی از پیشگامان برجسته هنر دیجیتال و الگوریتمی بود که با اختراع سیستم AARON تأثیر شگرفی بر دنیای هنر و فناوری گذاشت. کوهن که در سال ۱۹۵۰ از مدرسه هنرهای زیبای دانشگاه لندن فارغ‌التحصیل شد، ابتدا به عنوان یک نقاش انتزاعی شناخته شد و به سرعت در صحنه هنری بریتانیا و سپس در سطح بین‌المللی مشهور شد. در دهه ۱۹۶۰، او با نمایش آثار انتزاعی و بیومورفیک خود در نمایشگاه‌های بزرگ جهانی چون بینال‌های ونیز و پاریس به شهرت رسید و نام خود را در تاریخ هنر ثبت کرد.

اما نقطه عطف واقعی کار هارولد کوهن زمانی آغاز شد که به دنیای فناوری‌های نوین و کامپیوتر علاقه‌مند شد. او در اواخر دهه ۱۹۶۰ به دانشگاه کالیفرنیای سن دیگو رفت و با معرفی رایانه‌ها به دنیای هنر، سیستم AARON را خلق کرد. AARON یک سیستم هوش مصنوعی پیشرفته بود که توانایی تولید آثار هنری به صورت خودکار را داشت. این سیستم قادر بود از مجموعه‌ای از الگوریتم‌ها و قوانین برای خلق نقاشی‌ها استفاده کند و آثار سیاه و سفید اولیه را به آثار رنگی تبدیل کند. پس از مدتی، سیستم AARON قادر شد حتی اشیاء، گیاهان و انسان‌ها را نیز به تصویر بکشد.

هارولد کوهن در فرآیند توسعه AARON، با استفاده از رویکردهای نوین، سیستم را به یک ابزار هنری تبدیل کرد که نه تنها برای خلق آثار هنری، بلکه به عنوان یک وسیله تحقیقاتی برای گسترش دانش خود در زمینه هنر و فناوری مورد استفاده قرار می‌گرفت. از آنجا که AARON به عنوان یک ابزار تولید هنری شناخته می‌شد، این سوال مطرح شد که آیا AARON خود می‌تواند هنرمند باشد یا این که هنوز انسان است که در این فرآیند هدایت می‌کند. کوهن در پاسخ به این سوالات همیشه تأکید می‌کرد که AARON تنها یک ابزار است و خلاقیت اصلی از هنرمند نشأت می‌گیرد.

در دهه ۱۹۸۰، AARON در نمایشگاه‌های مهم جهانی، از جمله موزه هنر مدرن سان‌فرانسیسکو و گالری تیت لندن به نمایش درآمد و در کنار نقاشی‌های دستی کوهن، آثار بسیاری خلق شد که بسیاری از آن‌ها به رنگ‌آمیزی دستی کوهن مزین بودند. در سال ۱۹۹۵، سیستم جدیدتری از AARON رونمایی شد که قادر بود نقاشی‌ها را به صورت خودکار رنگ‌آمیزی کند. این نسخه جدید AARON با استفاده از ربات‌های بازو و ترکیب رنگ‌های مختلف توانست آثار رنگی پیچیده‌ای خلق کند.

AARON از ابتدا به عنوان یک سیستم ساده آغاز شد، اما با گذشت زمان و به‌روز رسانی‌های پی در پی، توانایی‌های آن افزایش یافت و حتی قادر شد تصاویری از انسان‌ها، حیوانات و اشیاء روزمره را به تصویر بکشد. این تغییرات به تدریج AARON را به یک سیستم پیشرفته‌تر تبدیل کرد که آثار هنری مشابه آثار انسان‌ها را تولید می‌کرد. در واقع، AARON به عنوان یک سیستم هوش مصنوعی و همکار هنری در کنار هارولد کوهن، بخش مهمی از تحقیقات و خلق آثار هنری معاصر را تشکیل داد.

در نهایت، هارولد کوهن در سال ۲۰۱۶ درگذشت، اما میراث او و سیستم AARON همچنان ادامه دارد. آثار او در موزه‌های مهم جهانی مانند موزه ویکتوریا و آلبرت لندن و موزه تیت نگهداری می‌شوند. در سال‌های پایانی زندگی‌اش، کوهن همچنان به نوشتن و خلق آثار جدید ادامه داد و در کتاب‌های خود به بررسی نحوه ارتباط بین هنر و فناوری‌های جدید پرداخته و بر اهمیت همکاری انسان و ماشین در خلق آثار هنری تأکید کرد.

AARON و هنر دیجیتال امروز: سیستم AARON نه تنها در دنیای هنرهای تجسمی، بلکه در پژوهش‌های علمی و فناوری‌های نوین نیز نقشی کلیدی ایفا کرد. آثار خلق‌شده توسط AARON از جمله آثار رنگی و نقاشی‌های پیچیده، همچنان در نمایشگاه‌ها و موزه‌های مختلف به نمایش گذاشته می‌شوند. این سیستم به عنوان یکی از نمادهای مهم هنر دیجیتال و الگوریتمی شناخته می‌شود و همچنان به پژوهش‌ها و آثار هنری در دنیای معاصر تأثیر می‌گذارد.

شاید در اینجا این سوال برای شما پیش بیاید که تفاوت AARON با مدل‌های هوش مصنوعی تولید تصویر امروزی چیست؟ به زبان ساده و بطور خلاصه شده:

هوش مصنوعی‌های امروزی (مثل DALL·E یا MidJourney) می‌توانند با هر ورودی که دریافت می‌کنند، چندین خروجی متفاوت بدهند. به این معنا که حتی اگر یک متن مشابه وارد کنید، هوش مصنوعی می‌تواند چندین تصویر متفاوت، با جزئیات و سبک‌های مختلف ایجاد کند. این سیستم‌ها به‌طور خودکار و با توجه به داده‌هایی که قبلاً یاد گرفته‌اند، می‌توانند تصمیم بگیرند که چگونه تصویری بسازند، بنابراین خروجی‌ها می‌توانند متنوع و متغیر باشند.

در AARON، وضعیت کمی متفاوت بود. وقتی ورودی‌ها داده می‌شدند، این سیستم بر اساس الگوریتم‌ها و قوانینی که از پیش برای آن تعریف شده بود، فقط یک خروجی ثابت و مشخص تولید می‌کرد. به عبارت دیگر، اگر شما همان ورودی را به سیستم بدهید، AARON همان تصویر را دوباره می‌ساخت، مگر اینکه تغییراتی در کد یا الگوریتم‌ها ایجاد می‌شد.

پس به‌طور خلاصه، AARON فقط یک تصویر ثابت با یک ورودی خاص می‌داد، در حالی که هوش مصنوعی‌های امروزی می‌توانند خروجی‌های متنوعی از یک ورودی مشابه تولید کنند.

• ۱۹۸۶: ارنست دیکمنز و تیم تحقیقاتی او در دانشگاه نظامی مونیخ اولین خودرو بدون راننده را طراحی و معرفی کردند. این خودرو می‌توانست با سرعت ۵۵ مایل در ساعت در مسیرهای بدون مانع حرکت کند و نویدبخش آینده‌ای مستقل برای وسایل نقلیه بود.
• ۱۹۸۷: شرکت Alactrious Inc. اولین سیستم مشاوره استراتژیک خود با نام Alacrity را به بازار عرضه کرد. این سیستم بر اساس یک سیستم خبره با بیش از ۳۰۰۰ قانون طراحی شده بود و توانست به‌عنوان ابزاری پیشرفته برای مدیریت تصمیم‌گیری مطرح شود.

زمستان هوش مصنوعی: از ۱۹۸۷ تا ۱۹۹۳

به نقل از انجمن AAAI، دوره‌ای به نام “زمستان هوش مصنوعی” آغاز شد. این عبارت به زمانی اشاره دارد که علاقه عمومی و سرمایه‌گذاری در زمینه هوش مصنوعی به شدت کاهش یافت، به طوری که منجر به افت منابع مالی برای تحقیقات و در نتیجه پیشرفت‌های بسیار محدود شد. سرمایه‌گذاران و نهادهای دولتی به دلیل هزینه‌های سنگین و بازدهی کم، دیگر تمایل به حمایت از پروژه‌های هوش مصنوعی نداشتند و منابع مالی خود را متوقف کردند. این افت در توجه به هوش مصنوعی به دلیل مشکلات موجود در بازار فناوری‌های مبتنی بر ماشین‌ها و سیستم‌های خبره، مانند شکست پروژه‌های نسل پنجم، کاهش بودجه در پروژه‌های محاسباتی استراتژیک و کندی در پذیرش سیستم‌های خبره به وقوع پیوست.

مراحل برجسته این دوره:

• ۱۹۸۷: بازار سخت‌افزارهای اختصاصی که بر پایه زبان برنامه‌نویسی لیسب ساخته شده بودند، به دلیل رقابت ارزان‌تر و قابل دسترسی‌تر از سوی شرکت‌هایی مانند IBM و اپل با شکست مواجه شد. این امر باعث شد که بسیاری از شرکت‌های فعال در این حوزه نتواسته و در نتیجه شکست خوردند، چرا که فناوری مذکور دیگر محدود به سخت‌افزارهای گران‌قیمت نبود.
• ۱۹۸۸: در این سال، رولو کارپنتر، یک برنامه‌نویس کامپیوتر، چت‌باتی به نام جابرواکی طراحی کرد. هدف او از این پروژه، ایجاد گفت‌وگوهای جذاب و سرگرم‌کننده برای انسان‌ها بود.

پیشرفت‌های هوش مصنوعی: از ۱۹۹۳ تا ۲۰۱۱

با وجود کاهش بودجه در دوران زمستان هوش مصنوعی، اوایل دهه ۹۰ شاهد دستاوردهای مهمی در تحقیقات هوش مصنوعی بود. از جمله این پیشرفت‌ها می‌توان به معرفی اولین سیستم هوش مصنوعی اشاره کرد که توانست یک قهرمان شطرنج را که در آن زمان سلطنت می‌کرد، شکست دهد. این دوره همچنین با نوآوری‌های برجسته‌ای همچون معرفی اولین ربات رومبا و نرم‌افزارهای تجاری تشخیص گفتار در سیستم‌های ویندوز، هوش مصنوعی را به بخشی از زندگی روزمره تبدیل کرد.

افزایش توجه به این حوزه با افزایش بودجه‌های تحقیقاتی همراه بود که امکان تحقق دستاوردهای بیشتر را فراهم کرد.

رویدادهای مهم در این دوره:

• ۱۹۹۷: دیپ بلو (ساخته‌شده توسط IBM) در یک مسابقه پرطرفدار موفق شد گری کاسپاروف، قهرمان شطرنج جهان را شکست دهد و به اولین برنامه‌ای تبدیل شود که توانسته یک قهرمان انسانی شطرنج را مغلوب کند.
• ۱۹۹۷: ویندوز نرم‌افزار تشخیص گفتار را که توسط دراگون سیستمز توسعه یافته بود، معرفی کرد.
• ۲۰۰۰: پروفسور سینتیا بریزال رباتی طراحی کرد که قادر بود احساسات انسانی را با تغییرات صورت شبیه‌سازی کند. این ربات به نام کِسمت شناخته می‌شد.
• ۲۰۰۲: رومبا، اولین ربات جاروبرقی خودکار، وارد بازار شد.
• ۲۰۰۳: ناسا دو مریخ‌نورد (اسپیریت و آپورچونیتی) را به سطح مریخ فرود آورد که بدون نیاز به کنترل انسانی به حرکت در می‌آمدند.
• ۲۰۰۶: شرکت‌هایی مانند توییتر، فیسبوک و نتفلیکس شروع به استفاده از هوش مصنوعی در الگوریتم‌های تبلیغاتی و تجربه کاربری (UX) خود کردند.
• ۲۰۱۰: مایکروسافت کینکت ایکس‌باکس ۳۶۰ را معرفی کرد که اولین سخت‌افزار بازی بود که قابلیت ردیابی حرکات بدن انسان و تبدیل آن به دستورات بازی را داشت.
• ۲۰۱۱: کامپیوتر واتسون (توسعه‌یافته توسط IBM) که برای پردازش زبان طبیعی و پاسخ به سؤالات طراحی شده بود، در بازی تلویزیونی جئوپاردی توانست دو قهرمان سابق را شکست دهد.
• ۲۰۱۱: اپل دستیار مجازی سیری را معرفی کرد که به سرعت محبوبیت یافت.

پیشرفت‌های هوش مصنوعی عمومی: ۲۰۱۲ تا به امروز

این دوره به جدیدترین تحولات هوش مصنوعی تا کنون می‌پردازد. در این مدت شاهد گسترش استفاده از ابزارهای هوش مصنوعی عمومی مانند دستیاران مجازی، موتورهای جستجو و دیگر سیستم‌های مشابه بوده‌ایم. علاوه بر این، یادگیری عمیق و داده‌های بزرگ در این دوره به یکی از محورها و روندهای اصلی در پیشرفت‌های هوش مصنوعی تبدیل شده‌اند.

لحظات برجسته این دوره:

• ۲۰۱۲: دو محقق گوگل، جف دین و اندرو ان جی، شبکه عصبی‌ای را طراحی کردند که می‌توانست تصاویر گربه‌ها را تنها با مشاهده تصاویر بدون برچسب و بدون داده‌های زمینه‌ای تشخیص دهد.
• ۲۰۱۵: ایلان ماسک، استیون هاوکینگ و استیو وزنیاک (و بیش از ۳۰۰۰ نفر دیگر) با امضای نامه‌ای سرگشاده از دولت‌ها خواستند که توسعه و استفاده از سلاح‌های خودمختار برای مقاصد جنگی را ممنوع کنند.
• ۲۰۱۶: هانسون رباتیک ربات انسان‌نمایی به نام سوفیا را طراحی کرد. سوفیا اولین رباتی بود که توانایی دیدن، شبیه‌سازی احساسات و برقراری ارتباط به شیوه‌ای انسانی را داشت و لقب «شهروند ربات» را دریافت کرد.
• ۲۰۱۷: فیسبوک دو چت‌بات هوش مصنوعی را طراحی کرد که توانایی یادگیری و مذاکره داشتند. با این حال، این چت‌بات‌ها در تعاملات خود زبان خاص خود را ایجاد کردند و دیگر از زبان انگلیسی استفاده نکردند.
• ۲۰۱۸: تیم تحقیقاتی شرکت علی‌بابا در چین موفق شد در آزمون خواندن و درک مطلب استنفورد، هوش انسانی را شکست دهد.
• ۲۰۱۹: گوگل با توسعه آلفاستار توانست در بازی ویدیویی استارکرفت ۲ به مقام گرند مستر برسد و تنها ۰.۲ درصد از بازیکنان انسانی عملکرد بهتری داشت.
• ۲۰۲۰: OpenAI نسخه بتای GPT-3 را معرفی کرد که از یادگیری عمیق برای ایجاد متن، شعر و حتی کدنویسی استفاده می‌کند. این مدل توانایی تولید محتوایی را دارد که تقریباً غیرقابل تشخیص از تولیدات انسانی است.
• ۲۰۲۱: OpenAI از DALL-E رونمایی کرد، سیستم هوش مصنوعی‌ای که قادر به پردازش و درک تصاویر است و می‌تواند زیرنویس‌های دقیقی برای آن‌ها تولید کند، به این ترتیب یک گام دیگر به درک دنیای بصری توسط هوش مصنوعی نزدیک‌تر شد.
• 2022: ظهور مدل‌های زبان بزرگ (LLM) مانند ChatGPT متعلق به OpenAI، تحولی بزرگ در عملکرد هوش مصنوعی و ظرفیت آن برای خلق ارزش سازمانی ایجاد کرده است. با این روش‌های نوین هوش مصنوعی مولد، مدل‌های یادگیری عمیق می‌توانند بر روی حجم عظیمی از داده‌ها پیش‌آموزش داده شوند.
• 2024: جدیدترین روندهای هوش مصنوعی به رونق مداوم این فناوری اشاره دارند. مدل‌های چندمنظوره که قادر به دریافت انواع مختلف داده‌ها به عنوان ورودی هستند، تجارب پیچیده‌تر و قدرتمندتری را ارائه می‌دهند. این مدل‌ها قابلیت‌های تشخیص تصویر در بینایی کامپیوتری و تشخیص گفتار در پردازش زبان طبیعی (NLP) را ترکیب می‌کنند. مدل‌های کوچکتر نیز در عصر بهره‌وری بالاتر، در کنار مدل‌های عظیم با پارامترهای زیاد، پیشرفت‌هایی را به نمایش گذاشته‌اند.

این بررسی جامعی بود از تاریخچه هوش مصنوعی در جهان از ابتدا تا حال حاضر.