شبكه و دوربين مدار بسته

هوش مصنوعي (AI) يك فناوري تحول‌آفرين است كه عملكردهاي شناختي انسان را با استفاده از ماشين‌ها و سيستم‌هاي كامپيوتري شبيه‌سازي مي‌كند. هوش مصنوعي (AI) ديگر فقط يك مفهوم علمي تخيلي نيست. اين شامل طيف وسيعي از تكنيك‌ها و كاربردها است كه به ماشين‌ها اجازه مي‌دهد تا وظايفي را كه معمولاً توسط هوش انساني تحريك مي‌شوند، از جمله يادگيري، استدلال، حل مسئله، ادراك و درك زبان، اجرا كنند. با توسعه بيشتر هوش مصنوعي، به طور فزاينده‌اي در حال تبديل شدن به بخشي از بخش‌هاي مختلف، افزايش بهره‌وري و باز كردن راه‌هاي جديدي براي نوآوري است.

جان مك كارتي براي اولين بار در سال 1956 در كنفرانس دارتموث اصطلاح "هوش مصنوعي" را ابداع كرد. اين نشان دهنده شروع هوش مصنوعي به عنوان يك رشته تحصيلي است. از آن زمان، هوش مصنوعي به دليل پيشرفت در يادگيري ماشين (ML)، يادگيري عميق، شبكه‌هاي عصبي و قابليت‌هاي پردازش داده، راه طولاني را طي كرده است.

در اين مقاله، ضمن بحث در مورد پيامدهاي اجتماعي آن‌ها، به انواع مختلف هوش مصنوعي بر اساس عملكرد و قابليت‌ها اشاره مي‌كنيم.

وظايف هوش مصنوعي: رونمايي از قابليت هاي كليدي هوش مصنوعي

هوش مصنوعي به ماشين هايي اشاره دارد كه براي تقليد از عقل انسان طراحي شده اند و وظايفي را انجام مي دهند كه در غير اين صورت به حضور انسان نياز دارند. چنين وظايفي شامل يادگيري، استدلال، حل مسائل، درك و درك زبان است كه همگي حوزه‌هايي هستند كه هوش مصنوعي در آن‌ها گام‌هاي عميقي برداشته است.

• يادگيري

شايد قوي ترين نقطه قوت هوش مصنوعي يادگيري باشد. از طريق الگوريتم‌هاي يادگيري ماشين، سيستم‌هاي هوش مصنوعي مي‌توانند حجم عظيمي از داده‌ها را بررسي كنند، الگوها را تشخيص دهند و عملكرد خود را با گذشت زمان بهبود بخشند. به ويژه در مراقبت هاي بهداشتي، هوش مصنوعي انقلابي در توانايي تشخيصي به ارمغان مي آورد، خود را بر روي تصاوير پزشكي گسترده آموزش مي دهد و در نهايت تشخيص سريع بيماري هايي مانند سرطان توسط متخصصان پزشكي را تسهيل مي كند. در بانك‌ها و ساير مؤسسات مالي، هوش مصنوعي توانايي نظارت بر تراكنش‌ها و شناسايي فعاليت‌هاي مشكوك را ارائه مي‌دهد، بنابراين ايمني و بهره‌وري را بهبود مي‌بخشد.

• استدلال

هوش مصنوعي همچنين در استدلال برتر است - قدرت نتيجه گيري بر اساس اطلاعات داده شده. اين سيستم‌هاي هوش مصنوعي را قادر مي‌سازد حتي زماني كه نتايج به‌راحتي آشكار نيستند، انتخاب كنند. در قانون، برنامه‌هاي هوش مصنوعي تاريخچه پرونده‌هاي گسترده را اسكن مي‌كنند تا وكلا را قادر مي‌سازد تا در مورد حكم احتمالي پرونده‌ها حدس‌هاي آگاهانه بزنند و تحقيقات حقوقي و تصميم‌گيري را تسريع كنند. در صنعت بازي، برنامه‌هاي هوش مصنوعي مي‌توانند چندين حركت رو به جلو بينديشند، مشكلات پيچيده را حل كنند و همچنين بازيكنان انساني را در بازي‌هايي مانند شطرنج و Go شكست دهند.

• حل مسئله

ظرفيت حل مسئله هوش مصنوعي به همان اندازه چشمگير است. هوش مصنوعي در مقابله با وظايف پيچيده اي كه مستلزم تجزيه و تحليل نتايج بالقوه بي شمار و تعيين موثرترين راه حل است، مهارت دارد. به عنوان مثال، خودروهاي خودمختار از هوش مصنوعي براي عبور از شرايط چالش برانگيز استفاده مي‌كنند و به صورت پويا با ترافيك فعلي و تغييرات آب‌وهواي زماني كه اتفاق مي‌افتند سازگار مي‌شوند. به طور مشابه، در رباتيك، هوش مصنوعي در انجام عمليات هايي كه نياز به دقت دارند، از جراحي گرفته تا توليد كالاهاي پيچيده در كارخانه ها، كمك مي كند.

• ادراك

يكي ديگر از ويژگي هاي مهم هوش مصنوعي، قابليت هاي درك آن است. هوش مصنوعي مي‌تواند اطلاعات حسي را مديريت كند و به ماشين‌ها اجازه «ديدن» و «شنيدن» را مي‌دهد. نرم افزار تشخيص چهره از هوش مصنوعي براي اسكن تصاوير، شناسايي افراد و حتي تعيين احساسات استفاده مي كند و سيستم هاي امنيتي و دستگاه هاي شخصي را متحول مي كند. دستيارهاي صوتي مانند سيري يا الكسا كلمات گفتاري را تفسير مي كنند، متن را درك مي كنند و به روشي پاسخ مي دهند كه گفتگوي انساني را شبيه سازي مي كند. اين ويژگي‌ها دائماً در حال اصلاح هستند و تعامل با هوش مصنوعي را طبيعي‌تر و شهودي‌تر مي‌كنند.

• درك زبان

پردازش زبان هوش مصنوعي نيز مسير طولاني را طي كرده است. دستياران مجازي و ربات‌هاي چت به شيوه‌اي نرم و طبيعي صحبت مي‌كنند و مكالمه مي‌كنند و ماشين‌ها را قادر مي‌سازند تا زبان انسان را يكپارچه پردازش و توليد كنند. خدمات ترجمه هوش مصنوعي قادر به ايجاد شكاف هاي زباني هستند و ارتباطات را در سراسر جهان در دسترس تر مي كنند. هوش مصنوعي حتي براي ساخت موسيقي، نقاشي و روايت استفاده مي‌شود، معاني سنتي خلاقيت را منتشر مي‌كند و سؤالاتي در مورد نقش ماشين‌ها در تأثير هنري ايجاد مي‌كند.

• سازگاري

همانطور كه هوش مصنوعي به تكامل خود ادامه مي دهد، سازگاري آن آشكارتر مي شود. برنامه هاي هوش مصنوعي مي توانند با داده هاي جديد و محيط هاي در حال تغيير سازگار شوند. پلتفرم‌هاي خريد آنلاين محصولاتي را بر اساس فعاليت كاربر پيشنهاد مي‌كنند و الگوريتم‌هاي قيمت پويا با نوسانات بازار در زمان واقعي سازگار مي‌شوند و تجربه سفارشي‌تري را براي مصرف‌كنندگان و همچنين كسب‌وكارها فراهم مي‌كنند.

تمام اين قابليت‌ها توسط سيستم‌هاي هوش مصنوعي با پردازش حجم عظيمي از داده‌ها و تشخيص الگو كه بر تصميم‌گيري آن‌ها تأثير مي‌گذارد، تحقق مي‌يابد. اكثر سيستم‌هاي هوش مصنوعي تحت هدايت انسان‌ها ياد مي‌گيرند، جايي كه با استفاده از داده‌هاي برچسب‌گذاري شده براي تقويت رفتارهاي صحيح و جلوگيري از رفتارهاي نادرست آموزش مي‌بينند. برخي از سيستم‌هاي هوش مصنوعي با استفاده از روش‌هاي يادگيري بدون نظارت مي‌توانند به تنهايي ياد بگيرند.

انواع هوش مصنوعي چيست؟

هوش مصنوعي با سرعتي استثنايي در حال توسعه است. درك طبقه بندي هاي مختلف آن به ما كمك مي كند تا كاربردها و تأثيرات بالقوه آن را در بخش هاي مختلف كشف كنيم. هوش مصنوعي را مي توان به طور كلي از نظر قابليت ها و عملكردها طبقه بندي كرد. اين دسته‌بندي‌ها روش‌هاي مختلفي را كه ماشين‌ها مي‌توانند از ظرفيت فكري انسان تقليد كنند يا از آن فراتر بروند، برجسته مي‌كنند.

انواع هوش مصنوعي بر اساس قابليت ها

1. هوش مصنوعي باريك (هوش مصنوعي ضعيف)

هوش مصنوعي باريك يا هوش مصنوعي ضعيف، سيستم‌هاي هوش مصنوعي هستند كه براي انجام وظايف خاص ايجاد شده‌اند. سيستم‌هاي هوش مصنوعي باريك در عملكردهاي از پيش تعريف‌شده و منفرد بسيار خوب هستند، اما فاقد هوش كلي هستند، به اين معني كه نمي‌توانند با وظايف خارج از پارامترهاي برنامه‌ريزي شده خود سازگار شوند. هوش مصنوعي باريك رايج‌ترين نوع هوش مصنوعي است كه امروزه وجود دارد و بسياري از فناوري‌ها را هدايت مي‌كند كه مردم هر روز از آنها استفاده مي‌كنند.

نمونه هايي از Narrow AI دستيارهاي مجازي مانند سيري، الكسا و دستيار گوگل هستند. اين دستياران مجازي فقط مي‌توانند كارهاي خاصي مانند تنظيم يادآوري، پخش موسيقي، يا روشن/خاموش كردن دستگاه‌هاي هوشمند انجام دهند، اما نمي‌توانند هيچ فعاليتي را خارج از عملكردهاي تخصصي خود انجام دهند. به طور مشابه، الگوريتم هاي توصيه در سرويس هايي مانند Netflix، Amazon و Spotify توسط Narrow AI هدايت مي شوند. آنها رفتار كاربر را براي پيشنهاد محصولات، محتوا يا موسيقي بر اساس ترجيحات گذشته تجزيه و تحليل مي كنند. اما اين سيستم ها را نمي توان براي كارهايي كه خارج از عملكرد مورد نظرشان هستند استفاده كرد.

خودروهاي خودران/خودران نمونه ديگري از هوش مصنوعي باريك هستند. اين خودروها از الگوريتم‌ها و حسگرها براي تشخيص موانع، دنبال كردن علائم جاده‌اي و هدايت جاده‌ها استفاده مي‌كنند. اما آن‌ها ظرفيت زيادي براي گسترش توانايي‌هاي تصميم‌گيري خود فراتر از برنامه‌ريزي‌شان، مانند مديريت شرايط جاده‌اي تازه يا پيش‌بيني نشده، ندارند. اگرچه سيستم‌هاي هوش مصنوعي باريك در انجام يك كار ويژه دامنه‌گرا سريع و مؤثر هستند، اما فاقد انعطاف‌پذيري براي انجام وظايف عمومي هستند.

2 .  هوش مصنوعي نمادين يا هوش مصنوعي خوب قديمي (GOFAI)

اين  نوعي از هوش مصنوعي باريك است كه دانش را با استفاده از نمادها و قوانين از پيش تعريف شده نشان مي دهد. از اين نمادها و قوانين براي انجام استدلال استفاده مي كند. هوش مصنوعي نمادين براي تصميم گيري و حل مشكلات به داده هاي قالب بندي شده مانند قوانين if-then بستگي دارد. در محيط‌هايي با قوانين روشن و استدلال منطقي بسيار خوب عمل مي‌كند و در سيستم‌هاي خبره، از جمله تشخيص پزشكي و استدلال قانوني اعمال مي‌شود. با اين حال، با مديريت ابهام و داده هاي پيچيده و بدون ساختار مبارزه مي كند. اين امر باعث توسعه ساير رويكردهاي هوش مصنوعي مانند يادگيري ماشيني شده است. هوش مصنوعي نمادين از نظر دامنه محدود است و توانايي يادگيري از تجربه را ندارد.

3. هوش مصنوعي عمومي (هوش عمومي مصنوعي - AGI)

هوش عمومي مصنوعي (AGI) نوع ديگري از هوش مصنوعي است كه داراي قابليت هاي فكري مشابه انسان است. AGI قادر به يادگيري، استدلال، درك ايده ها و مفاهيم پيچيده، و سازگاري با تعداد زيادي از وظايف مختلف، دقيقا همانطور كه يك انسان خواهد بود. AGI مانند Narrow AI تخصصي نيست، اما همه كاره است و قادر به انجام طيف گسترده اي از وظايف شناختي است.

AGI قادر به درك زمينه، شناسايي الگوها و انطباق تفكر با محيط هاي در حال تغيير يا مجموعه جديدي از داده ها خواهد بود. به عنوان مثال، يك سيستم AGI ممكن است از تشخيص بيماري ها به توسعه راه حل هاي مهندسي يا صحبت اجتماعي بدون نياز به برنامه ريزي مجدد تغيير كند. اگرچه AGI يك ساختار تئوري است، اما ايجاد آن ممكن است با فعال كردن ماشين‌هايي كه مي‌توانند موقعيت‌هاي پيچيده را مانند انسان حس كنند و به آن پاسخ دهند، صنايع را به طرز چشمگيري تغيير دهد.

پيگيري AGI يك هدف بلند مدت براي بسياري از محققان هوش مصنوعي است. پس از تحقق، AGI مي‌تواند به ماشين‌هايي با سازگاري بي‌سابقه و انعطاف‌پذيري شناختي منجر شود، اگرچه برخي از سوالات اخلاقي در مورد استقلال ماشين و خطرات بالقوه ماشين‌هايي كه از هوش انساني پيشي مي‌گيرند را نيز مطرح مي‌كند.

4. Super AI (فوق هوش مصنوعي - ASI)

ابرهوش مصنوعي (ASI) به عنوان يك پيشرفت نظري اما احتمالاً قابل دستيابي در زمينه تحقيقات هوش مصنوعي تصور مي شود. اين سطحي از توسعه را نشان مي دهد كه در آن سيستم هاي رايانه اي توانايي هاي فكري را نشان مي دهند كه تا حد زيادي از توانايي هاي ذهن انسان پيشي مي گيرد. اين توانايي ها به هر جنبه اي از عملكرد شناختي، از جمله فرآيندهاي ابتدايي فكر، توليد خلاقانه ايده ها و آثار هنري بديع، و درك شهودي احساسات انساني گسترش مي يابد. ASI همچنين امكان استفاده استراتژيك از دانش را براي حل مشكلات پيچيده فراهم مي كند. اين راه‌حل‌ها در مقياس‌ها و سرعت‌هايي فراتر از توانايي‌هاي انساني رخ مي‌دهند.

به عنوان مثال، ASI مي تواند سهم قابل توجهي در حل مشكلات جهان مانند تغييرات آب و هوا، درمان بيماري ها و اپيدمي ها يا كنترل سيستم هاي اقتصادي پيچيده داشته باشد. كاركردهاي هميشگي آن در هر حوزه اي از ظرفيت هاي انساني پيشي مي گيرد. با اين وجود، توسعه ASI با خطرات زيادي نيز همراه است. يك سيستم هوش مصنوعي فوق هوشمند مي تواند غيرقابل كنترل شود و بنابراين ممكن است اثرات ناخواسته اي ايجاد كند يا استقلال و ايمني انسان را به خطر بيندازد.

عليرغم اينكه ASI همچنان حدس و گمان است، پيامدهاي احتمالي آن عميق و عميق هستند. محققان هنوز درباره قابليت و ملاحظات اخلاقي آن بحث مي كنند. براي بسياري از جامعه هوش مصنوعي، اطمينان از همسويي ASI با ارزش‌هاي انساني و تحت كنترل باقي ماندن يك نگراني اصلي باقي مي‌ماند.

انواع هوش مصنوعي بر اساس كاركردها

1. ماشين هاي واكنشي

ماشين هاي واكنشي نوع اصلي هوش مصنوعي هستند. آنها مي توانند از طريق قوانين مشخص به ورودي هاي صريح پاسخ دهند، هيچ خاطره اي در خود ندارند و مبتني بر يادگيري از تجربيات گذشته نيستند. ماشين هاي راكتيو فقط به وضعيت فعلي پاسخ مي دهند. آنها قادر به ايجاد تغييرات بر اساس تجربيات گذشته نيستند.

يكي از معروف‌ترين نمونه‌هاي ماشين واكنش‌گرا، Deep Blue شركت IBM است، كامپيوتر شطرنجي كه در سال 1997 قهرمان جهان گري كاسپاروف را شكست داد. Deep Blue وضعيت فعلي بازي را تجزيه و تحليل كرد و بر اساس فهرستي از قوانين برنامه‌ريزي شده در آن تصميم‌گيري كرد. با اين حال، هيچ خاطره‌اي از بازي‌هاي قبلي يا ظرفيت يادگيري از حركات گذشته نداشت. اين ماشين ها از نظر دامنه محدود هستند و نمي توانند فراتر از برنامه ريزي اوليه خود تعميم دهند.

اگرچه توانايي‌هاي آنها محدود است، اما ماشين‌هاي واكنش‌پذير براي كارهاي ثابت و تكراري كه يادگيري يا سازگاري غيرضروري است، بسيار مفيد هستند.

2. حافظه محدود

سيستم‌هاي هوش مصنوعي با حافظه محدود توانايي نگهداري اطلاعات را براي مدت كوتاهي دارند كه از آن براي هدايت انتخاب‌هاي آينده استفاده مي‌كنند. اين سيستم ها مي توانند در مدت زمان محدودي از تجربيات قبلي درس بگيرند اما حافظه بلند مدت ندارند.

يكي از كاربردهاي واقعي هوش مصنوعي با حافظه محدود، خودروهاي خودران است. اين خودروها اطلاعات مربوط به محيط خود را ذخيره مي‌كنند - به عنوان مثال، موقعيت اشياء اطرافشان، چراغ‌هاي راهنمايي و وضعيت جاده‌ها - تا تصميمات رانندگي در زمان واقعي را مطلع كنند. اين اطلاعات فقط در كوتاه مدت استفاده مي شود و به يادگيري بلند مدت منتقل نمي شود. اگرچه حافظه محدود از تصميم گيري بلادرنگ پشتيباني مي كند، اما اين سيستم ها توانايي به خاطر سپردن مقادير عظيمي از دانش را در طول زمان ندارند.

هوش مصنوعي حافظه محدود در محيط هاي پويا كه يادگيري كوتاه مدت و سازگاري سريع ضروري است مناسب است. با اين حال، زماني كه يادگيري بلندمدت يا زمينه وسيع‌تر درگير باشد، كوتاهي مي‌كند.

3. نظريه ذهن

هوش مصنوعي نظريه ذهن كامپيوترهايي را توصيف مي كند كه ممكن است قادر به درك احساسات، باورها و نيات انسان باشند. آنها سيگنال هاي عاطفي را شناسايي مي كنند و به نوبه خود عمل مي كنند و رفتار اجتماعي شبيه انسان را تقليد مي كنند. براي مثال، تئوري ذهن، هوش مصنوعي ممكن است متوجه شود كه كسي عصباني يا ناراحت است و اعمال خود را براي ايجاد آرامش يا همدلي تغيير دهد.

اگرچه اين مفهوم هنوز حدس و گمان است، اما مي تواند صنايعي مانند مراقبت هاي بهداشتي، پشتيباني مشتري و درمان را متحول كند. ماشين‌هايي كه احساسات انسان را درك مي‌كنند، مي‌توانند تعاملات شخصي و همدلانه‌تري ايجاد كنند، به‌ويژه در مناطقي كه هوش هيجاني كليدي است.

4. هوش مصنوعي خودآگاه

هوش مصنوعي خودآگاه پيشرفته ترين و گمانه زني ترين شكل هوش مصنوعي است. در اين نسخه، سيستم‌هاي هوش مصنوعي از خودآگاهي و درك وجود خود برخوردار خواهند بود. سيستم ها فقط وظايف را اجرا نمي كنند، بلكه مي توانند اقدامات، انگيزه ها و انتخاب هاي خود را بازتاب دهند.

دستيابي به هوش مصنوعي خودآگاه نگراني‌هاي اخلاقي بزرگي را در مورد استقلال، آگاهي و حقوق ايجاد مي‌كند. اگر ماشين‌ها خودآگاه شوند، ممكن است توانايي تصميم‌گيري مستقل و بدون كنترل انسان را داشته باشند كه منجر به تغيير در رابطه بين انسان و ماشين مي‌شود. اگرچه هوش مصنوعي خودآگاه هنوز محقق نشده است، ظرفيت آن براي تغيير جامعه بسيار زياد است.

انواع هوش مصنوعي بر اساس مداليته ها

1. هوش مصنوعي Unimodal: برخورد با يك نوع داده

هوش مصنوعي Unimodal يك سيستم هوش مصنوعي است كه با يك شكل از داده ها، مثلاً متن، تصوير يا صدا سر و كار دارد و آن را درك مي كند. چنين سيستم‌هاي هوش مصنوعي در يك روش تخصص دارند و براي انجام وظايف محدود بر اساس آن شكل خاص از داده‌ها طراحي شده‌اند. هوش مصنوعي Unimodal به‌عنوان ساده‌ترين شكل هوش مصنوعي در نظر گرفته مي‌شود، زيرا بر ورودي‌هاي يك‌بعدي متمركز است و بنابراين، در پردازش ورودي‌هاي داده‌هاي چند وجهي پيچيده، توانايي‌اش محدود است. به عنوان مثال، در حالي كه سيستم‌هاي هوش مصنوعي تك‌وجهي ممكن است وظايف خاصي را با درجه بالايي از دقت انجام دهند، اما نه تنوع مدل‌هاي پيشرفته‌تر هوش مصنوعي را دارند و نه پاسخگويي آنها به تغييرات.

كاربردهاي هوش مصنوعي Unimodal

هوش مصنوعي Unimodal كاربردهاي گسترده تري دارد، به ويژه در حوزه هايي كه يك نوع داده واحد رايج است. چند نمونه عبارتند از:

• هوش مصنوعي مبتني بر متن:  سيستم‌هاي NLP مانند ربات‌هاي گفتگو يا دستياران مجازي (مثلا سيري، الكسا) ورودي متن يا صوتي را تفسير كرده و به آن واكنش نشان مي‌دهند.
• تشخيص تصوير:  Computer Vision AI در تشخيص و پردازش تصوير برتر است، به عنوان مثال، تشخيص اشيا، چهره ها يا متن در تصاوير.
• پردازش صدا:  سيستم‌هاي گفتار به متن يا نرم‌افزارهاي تشخيص صدا نمونه‌هايي از هوش مصنوعي تك‌وجهي هستند كه سيگنال‌هاي صوتي را به تنهايي پردازش مي‌كنند، آنها را به متن تبديل مي‌كنند يا صداها را دسته‌بندي مي‌كنند.

سيستم‌هاي Unimodal، اگرچه در استفاده‌هاي تك منظوره‌شان كارآمد هستند، اما وقتي با وظايفي كه نيازمند تحليل جامع‌تر است كه شامل داده‌هاي چندوجهي است، به چالش كشيده مي‌شوند.

2. هوش مصنوعي چندوجهي: ادغام انواع داده هاي متعدد

برخلاف هوش مصنوعي Unimodal، هوش مصنوعي چندوجهي اشكال مختلفي از داده ها مانند متن، تصاوير، صدا و ويدئو را ادغام و پردازش مي كند. با تركيب چندين ورودي از داده‌هاي مختلف، سيستم‌هاي هوش مصنوعي چندوجهي مي‌توانند خروجي‌هاي پيچيده‌تر و غني‌تري ايجاد كنند كه يك سيستم Unimodal هرگز قادر به ارائه آن نيست. اين نوع هوش مصنوعي يك پيشرفت عظيم در فناوري هوش مصنوعي است زيرا سيستم‌ها را قادر مي‌سازد تا درك انسان‌مانند را از طريق تركيب روش‌هاي مختلف حسي مختلف شبيه‌سازي كنند.

مدل‌هاي هوش مصنوعي چندوجهي مي‌توانند بينش‌هايي را براساس به هم پيوستگي نقاط داده مختلف درك كرده و ايجاد كنند. به عنوان مثال، مدل توليد تصوير DALL-E OpenAI كه تصاوير را از ورودي هاي متن توليد مي كند، يك مدل هوش مصنوعي چندوجهي است. به طور مشابه، Gemini گوگل از ورودي هاي چندوجهي استفاده مي كند تا سيستم هاي هوش مصنوعي خود را كارآمدتر كند و به آنها اجازه مي دهد در حوزه هاي مختلف مانند پردازش زبان، توليد تصوير و غيره كار كنند.

كاربردهاي هوش مصنوعي چندوجهي

نقطه قوت هوش مصنوعي چندوجهي اين است كه مي تواند اشكال مختلف داده را براي دستيابي به نتايج كامل تري ادغام كند:

• ايجاد محتوا:  سيستم‌هاي چندوجهي مانند DALL-E تصاوير واقعي را بر اساس توضيحات نوشته شده توليد مي‌كنند و دنياي متن به بصري را پل مي‌كنند.
• وسايل نقليه خودمختار:  هوش مصنوعي در وسايل نقليه خودران، داده هاي دوربين (براي تصاوير)، داده هاي حسگر (براي نقشه برداري محيط) و صدا (براي ارتباط با راننده) را يكپارچه مي كند تا ناوبري و تصميم گيري را تسهيل كند.
• مراقبت هاي بهداشتي:  هوش مصنوعي چندوجهي مي تواند تصاوير پزشكي، تاريخچه بيمار و اطلاعات صوتي (به عنوان مثال، مكالمات پزشك و بيمار) را براي تشخيص دقيق تر و توصيه هاي درماني يكپارچه كند.
• دستياران مجازي:  سيستم‌هاي چندوجهي مي‌توانند هم دستورالعمل‌هاي صوتي (صوتي) و هم اطلاعات بصري (مثلاً تصاوير يا ويديوها) را تفسير كنند تا يك رابط كاربري تعاملي‌تر و پوياتر ايجاد كنند.

هوش مصنوعي چندوجهي نشان‌دهنده پيشرفتي در توسعه سيستم‌هاي هوش مصنوعي هوشمندتر، انعطاف‌پذيرتر و قادر به انجام كارها با مقدار بيشتري از هوش مشابه انسان است.

3. هوش مصنوعي چند كاناله: استفاده از هوش مصنوعي در كانال هاي مختلف

همانطور كه بحث شد، هوش مصنوعي چندوجهي بر تركيب انواع مختلف اطلاعات تاكيد دارد. با اين حال، هوش مصنوعي چند كانالي با به كارگيري هوش مصنوعي در انواع مختلف كانال هاي ارتباطي، آن را يك درجه بالاتر مي برد. اين كانال ها مي توانند از رابط هاي صوتي گرفته تا ويدئو، تعامل با صفحه يا حتي دستگاه هاي فيزيكي متفاوت باشند. هوش مصنوعي چند كاناله ارتباطات روان و حساس به زمينه را در چندين پلتفرم تسهيل مي‌كند و هوش مصنوعي را در محيط‌هاي مختلف قابل حمل‌تر و كاربردي‌تر مي‌كند.

تفاوت اصلي با هوش مصنوعي چند كاناله، ظرفيت آن براي همگرايي نه تنها انواع داده‌هاي مختلف، بلكه رسانه‌هاي مختلف تعامل است. چه كاربران از طريق صدا، متن، ويدئو يا لمس با يك سيستم هوش مصنوعي تعامل داشته باشند، هوش مصنوعي چند كاناله تضمين مي‌كند كه سيستم مي‌تواند در تمام اين حالت‌ها بدون از دست دادن دقت يا زمينه پاسخ دهد.

كاربردهاي هوش مصنوعي چند كاناله

هوش مصنوعي چند كاناله به طور گسترده در خدمات مشتري، مراقبت هاي بهداشتي و اتوماسيون خانگي استفاده مي شود، جايي كه مشتريان از طريق چندين رابط با هوش مصنوعي درگير مي شوند. برخي از كاربردها عبارتند از:

• خدمات مشتري:  ربات‌هاي چت هوش مصنوعي يا دستيارهاي صوتي كه با استفاده از صدا، متن يا حتي ويديو با مشتريان صحبت مي‌كنند، همانطور كه كاربر ترجيح مي‌دهد.
• خانه‌هاي هوشمند:  سيستم‌هاي هوش مصنوعي كه وسايل خانه هوشمند را با صدا (مانند آمازون الكسا يا دستيار گوگل)، صفحه‌هاي لمسي (برنامه‌هاي تلفن هوشمند) و ورودي‌هاي بصري (دوربين‌هاي امنيتي) كار مي‌كنند.
• نظارت بر مراقبت‌هاي بهداشتي:  سيستم‌هاي هوش مصنوعي كه بيماران را با ورودي‌هاي بصري (دوربين) براي تشخيص رفتار، صدا براي تشخيص گفتار و متن براي تجزيه و تحليل سوابق سلامت نظارت مي‌كنند.

هوش مصنوعي چند كاناله با ارائه تعامل روان از طريق كانال‌هاي متعدد، تجربه كاربران را بهبود مي‌بخشد و مطمئن مي‌شود كه سيستم‌هاي هوش مصنوعي محدود به يك رسانه خاص نمي‌مانند.

ساير طبقه بندي هاي هوش مصنوعي

علاوه بر دسته بندي هاي مبتني بر روش، هوش مصنوعي را مي توان با توجه به عملكردها، اهداف و كاربردهاي آن دسته بندي كرد. اين دسته بندي ها بينش بهتري در مورد قابليت هاي هوش مصنوعي و اينكه چگونه مي توانند بر صنايع مختلف تأثير بگذارند، مي دهد. برخي ديگر از طبقه بندي هاي مهم به شرح زير است:

هوش مصنوعي مولد: توليد محتواي تازه و متنوع

هوش مصنوعي مولد براي توصيف سيستم‌هايي استفاده مي‌شود كه محتواي جديد و اصلي را در قالب متن، تصوير، صدا يا ويديو توليد مي‌كنند. چنين سيستم هايي معمولاً از الگوريتم هاي يادگيري ماشيني، به ويژه يادگيري عميق، براي توليد خروجي هايي كه شبيه داده هاي دنياي واقعي هستند، استفاده مي كنند. برنامه هاي كاربردي هوش مصنوعي مولد به طور گسترده مورد استفاده قرار مي گيرند و شامل توليد متن (به عنوان مثال، GPT-3)، توليد تصوير (به عنوان مثال، DALL-E) و توليد موسيقي است.

هوش مصنوعي مولد فقط به كپي كردن محتواي موجود محدود نمي شود، بلكه مي تواند به طور كلي قطعات جديدي از كار ايجاد كند، و اين پيامدهاي بسيار مهمي در هنر، سرگرمي، كارهاي تحقيقاتي و كسب و كارهاي توليد محتوا دارد. 

هوش مصنوعي قابل توضيح (XAI): تسهيل شفافيت

هوش مصنوعي قابل توضيح (XAI) هوش مصنوعي است كه بينش صريح و روشني را در مورد نحوه رسيدن آنها به تصميماتشان مي دهد. همانطور كه سيستم هاي هوش مصنوعي پيچيده تر مي شوند، فرآيندهاي تصميم گيري آنها مي تواند مبهم شود. XAI به دنبال ابهام زدايي از اين فرآيندها و ارائه توضيحاتي است كه براي كاربران انساني قابل درك و اعتماد باشد. اين امر به ويژه در بخش‌هايي مانند مراقبت‌هاي بهداشتي، مالي و قانون، كه در آن‌ها دانستن دليل تصميم‌هاي هوش مصنوعي حياتي است، ضروري است.

در زير چند نمونه از هوش مصنوعي قابل توضيح (XAI) آورده شده است:

• مراقبت هاي بهداشتي:  XAI به پزشكان كمك مي كند تا تشخيص ها و توصيه هاي درمان مبتني بر هوش مصنوعي را درك كنند تا مراقبت و اطمينان بهتري در سيستم هاي هوش مصنوعي ارائه دهند.
• امور مالي:  XAI براي توضيح تصميمات در مورد امتيازات اعتباري، شناسايي تقلب و اعطاي وام براي اطمينان از شفافيت و اطمينان بيشتر در موسسات بانكي استفاده مي شود.
• وسايل نقليه خودران:  درك تصميم گيري خودروي خودران را تسهيل مي كند، به عنوان مثال، چرا يك وسيله نقليه اقدام خاصي را انجام داده است، كه براي ايمني و رعايت مقررات ضروري است.
• حقوقي و انطباق:  XAI به تفسير تصميمات هوش مصنوعي در چارچوب هاي قانوني كمك مي كند، به عنوان مثال، پيش بيني نتيجه پرونده يا ارزيابي شواهد، وكلا و قضات را قادر مي سازد تا تصميمات متفكرانه بگيرند.

Edge AI: پردازش در زمان واقعي در دستگاه هاي Edge

هوش مصنوعي Edge به معناي اجراي مدل‌هاي هوش مصنوعي به‌جاي وابستگي به محاسبات ابري است. اين تأخير را به حداقل مي‌رساند و امكان پردازش بلادرنگ را فراهم مي‌كند، كه مخصوصاً براي برنامه‌هايي كه نياز به پاسخ فوري دارند يا در محيط‌هاي با اتصال كم كار مي‌كنند مفيد است. هوش مصنوعي Edge به طور فزاينده اي در رانندگي خودران، توليد و اتوماسيون خانگي كاربرد پيدا مي كند. در زير چند برنامه كاربردي كه Edge AI را پياده سازي مي كنند آورده شده است:

• دوربين هاي هوشمند:  هوش مصنوعي Edge براي امنيت، تشخيص چهره يا تشخيص حركت، ويديو را به صورت محلي پردازش مي كند.
• اتومبيل‌هاي خودمختار: داده‌هاي حسگر بي‌درنگ را براي ايمني و ناوبري پردازش مي‌كند.
• پوشيدني‌ها: دستگاه‌هاي پوشيدني مانند ساعت‌هاي هوشمند، اطلاعات سلامتي را روي خود دستگاه پردازش مي‌كنند.
• اينترنت اشيا صنعتي: حسگرها مشكلات تجهيزات را پيش‌بيني مي‌كنند يا توليد را در زمين ساده مي‌كنند.
• گوشي‌هاي هوشمند: هوش مصنوعي به دستيارهاي صوتي و قابليت‌هاي دوربين روي تلفن كمك مي‌كند.

هوش مصنوعي تركيبي: ادغام چندين روش هوش مصنوعي

هوش مصنوعي تركيبي دو پارادايم اصلي را تركيب مي كند: هوش مصنوعي نمادين (مبتني بر قوانين) و هوش مصنوعي ارتباطگرا (شبكه هاي عصبي). هوش مصنوعي نمادين از قوانين منطقي و استدلال نمادين براي مديريت اطلاعات استفاده مي‌كند، در حالي كه هوش مصنوعي پيوندگرا (شامل يادگيري عميق) براي شناسايي الگوها به شبكه‌هاي عصبي وابسته است. با ادغام هر دو، سيستم‌هاي هوش مصنوعي تركيبي ممكن است از نقاط قوت هر يك از پارادايم‌ها براي بهبود عملكرد، سازگاري و توانايي‌هاي حل مسئله استفاده كنند.

برنامه هايي كه كاربردهاي هوش مصنوعي تركيبي را نشان مي دهند عبارتند از:

• مديريت زنجيره تامين:  پيش‌بيني مبتني بر هوش مصنوعي (يادگيري ماشين) را با سيستم‌هاي مبتني بر قوانين براي ساده‌سازي موجودي، كاهش خطرات و پيش‌بيني تقاضا و افزايش كارايي لجستيك ادغام مي‌كند.
• شهرهاي هوشمند:  هوش مصنوعي تركيبي را براي مديريت ترافيك، ادغام پردازش داده‌هاي بلادرنگ (مانند تشخيص تراكم) با الگوريتم‌هاي برنامه‌ريزي براي توسعه زيرساخت‌هاي بلندمدت اعمال مي‌كند.
• بهينه‌سازي انرژي:  مدل‌هاي هوش مصنوعي را با تخصص حوزه در شبكه‌هاي انرژي ادغام مي‌كند تا تقاضا را پيش‌بيني كند و شبكه‌هاي برق را در زمان واقعي براي تحويل موثر انرژي تنظيم كند.
• بازاريابي شخصي:  هوش مصنوعي تركيبي تجزيه و تحليل رفتار مصرف كننده (يادگيري ماشيني) را با قوانين كسب و كار تركيب مي كند تا كمپين هاي تبليغاتي بسيار هدفمند و آگاه از زمينه را ارائه دهد.
• امنيت سايبري:  ادغام يادگيري ماشين با سيستم‌هاي خبره مبتني بر قوانين براي شناسايي تهديدات جديد و خودكار كردن واكنش‌هاي دفاعي، كه با آسيب‌پذيري‌هاي نوظهور تكامل مي‌يابد.

انواع هوش مصنوعي بر اساس برنامه هاي كاربردي

علاوه بر طبقه بندي هاي ذكر شده در بالا، هوش مصنوعي را مي توان با توجه به كاربردهاي آن نيز تعريف كرد. اين دسته بندي هاي مبتني بر برنامه بر نحوه استفاده از هوش مصنوعي در بخش هاي مختلف براي رسيدگي به مسائل خاص تأكيد مي كنند.

• Robotics AI: ادغام هوش مصنوعي با Robotics

هوش مصنوعي رباتيك كاربرد هوش مصنوعي در ربات‌ها است تا بتوانند با محيط اطراف خود بياموزند و خود را تطبيق دهند، وظايف خود را انجام دهند و از تعاملات بياموزند. هوش مصنوعي رباتيك حسگرها، الگوريتم‌هاي كنترل و تصميم‌گيري را ادغام مي‌كند تا ماشين‌ها را به طور مستقل در حوزه‌هاي فيزيكي كار كند.

• هوش مصنوعي در امنيت سايبري: تقويت ويژگي هاي امنيتي

در حوزه امنيت سايبري، هوش مصنوعي براي شناسايي تهديدها، واكنش به حوادث امنيتي و پيش‌بيني آسيب‌پذيري‌هاي احتمالي پياده‌سازي مي‌شود. هوش مصنوعي مي‌تواند براي اسكن حجم عظيمي از داده‌ها براي شناسايي روندهاي غيرمعمول، شناسايي رفتار مشكوك و خودكار كردن پاسخ به حملات سايبري، ارائه يك اقدام امنيتي پيشگيرانه در برابر تهديدات سايبري در حال ظهور، استفاده شود.

• هوش مصنوعي كوانتومي: استفاده از محاسبات كوانتومي براي مسائل پيچيده

اين شامل استفاده از قدرت محاسبات كوانتومي براي رسيدگي به مشكلاتي است كه براي كامپيوترهاي كلاسيك غيرقابل حل هستند. هوش مصنوعي مي‌تواند با استفاده از محاسبات كوانتومي علاوه بر شبيه‌سازي برهم‌كنش‌هاي مولكولي و پيش‌بيني‌هاي دقيق‌تر در زمينه‌هايي مانند كشف دارو، مدل‌سازي مالي و تحقيقات آب و هوايي، مشكلات بهينه‌سازي پيچيده را حل كند.

• هوش مصنوعي مستقل

سيستم با هوش مصنوعي مستقل شامل انجام وظايف و تصميم گيري بدون نظارت يا ورودي از سوي انسان است. آنها از الگوريتم ها و حسگرها براي به دست آوردن داده ها از محيط، درك داده ها و تصميم گيري آگاهانه يا شروع اقدامات استفاده مي كنند. هوش مصنوعي خودمختار در زمينه هايي مانند روباتيك، اتومبيل هاي خودران، هواپيماهاي بدون سرنشين و كنترل صنعتي در حال افزايش است. اين سيستم‌هاي هوش مصنوعي معمولاً از يادگيري ماشيني و يادگيري تقويتي براي بهبود عملكرد خود با گذشت زمان و مقابله با محيط‌هاي پيچيده و پويا استفاده مي‌كنند.

مثال: خودروهاي خودران مانند خودروهاي خودران تسلا كه از حسگرها، دوربين ها و الگوريتم هاي هوش مصنوعي براي رانندگي در خيابان ها و تصميم گيري فوري در مورد رانندگي بدون دخالت انسان استفاده مي كنند، يا پهپادهاي خودران كه براي اهداف تحويل يا نظارت استفاده مي شوند.

• هوش مصنوعي نورومورفيك

اين نوع ديگري از سيستم هوش مصنوعي است كه به منظور شبيه سازي سازماندهي و عملكرد مغز انسان با استفاده از سخت افزار و نرم افزار تخصصي براي تقليد از شبكه هاي عصبي است. هوش مصنوعي نورومورفيك با بهره‌گيري از ظرفيت مغز براي پردازش موازي اطلاعات، يادگيري از داده‌هاي جديد و اجراي كم‌توان وظايف، مدل‌هاي مؤثرتر يادگيري و تصميم‌گيري را توسعه مي‌دهد. به عنوان مثال، تراشه‌هاي نورومورفيك براي تكرار فعاليت نورون‌ها و سيناپس‌ها طراحي شده‌اند كه پتانسيل آنها را براي انجام سريع وظايف پيچيده، مشابه مغزهاي بيولوژيكي، به حداكثر مي‌رساند. چنين سيستم هايي در مناطقي كه بهره وري انرژي و پردازش در زمان واقعي اهميت دارد، از جمله روباتيك، خودروهاي خودران و فناوري پوشيدني بسيار ارزشمند هستند.

مثال: تراشه‌هاي نورومورفيك مانند Loihi اينتل در روبات‌ها براي پردازش فوري ورودي‌هاي حسي براي تصميم‌گيري سريع‌تر و يادگيري مؤثرتر استفاده مي‌شوند.

• هوش مصنوعي براي تعامل انسان و كامپيوتر (HCI)

هوش مصنوعي براي HCI بر توسعه ابزارهاي طبيعي، شهودي و كارآمدتر براي تعامل افراد با فناوري متمركز است. اين سيستم‌ها به افراد اجازه مي‌دهند به روش‌هاي متفاوتي غير از ماوس و صفحه كليد معمولي با ماشين‌ها تعامل داشته باشند. از طريق ادغام فناوري‌هايي مانند تشخيص صدا، كنترل حركات و تشخيص چهره، هوش مصنوعي براي HCI مي‌تواند به‌طور طبيعي رفتار انسان را تشخيص دهد و به آن پاسخ دهد. اين كار با ساده‌سازي استفاده از دستگاه‌ها و برنامه‌ها و پاسخگويي بيشتر به نيازهاي مردم، تجربيات كاربر را افزايش مي‌دهد. هوش مصنوعي HCI بيشتر و بيشتر در لوازم الكترونيكي مصرفي، نرم افزارهاي دسترسي و سيستم هاي ديجيتال تعاملي استفاده مي شود.

مثال:  دستيارهاي خانه هوشمند با كنترل صوتي مانند Amazon Echo يا Google Home كه دستگاه هاي مختلف را از طريق تشخيص صدا يا رابط هاي حركتي مانند Microsoft Kinect براي بازي يا برنامه واقعيت مجازي كار مي كنند.

• هوش مصنوعي آگاه از زمينه

اين نوع هوش مصنوعي به سيستم‌هايي اطلاق مي‌شود كه مي‌توانند بر اساس زمينه‌اي كه در آن كار مي‌كنند، درك كنند و بر اساس آن عمل كنند. جنبه هايي مانند مكان كاربر، زمان، فعاليت يا محيطي كه در آن كار مي كنند را در نظر مي گيرد. اين سيستم ها از اطلاعاتي استفاده مي كنند كه در زمان واقعي براي تصميم گيري يا ارائه پاسخ هاي شخصي توليد مي شوند.

به عنوان مثال، يك تلفن هوش مصنوعي مبتني بر زمينه، ترجيحات خود را - مانند حجم يا روشنايي صفحه نمايش - با توجه به شدت نور محيط يا عملكردي كه كاربر انجام مي دهد (به عنوان مثال، در طول جلسه يا تمرين) تغيير مي دهد. لوازم خانگي مي توانند عادات و روال هاي كاربر را ياد بگيرند، به عنوان مثال، هنگام ورود به خانه بخاري يا چراغ ها را روشن مي كنند. اين امر با پاسخگو بودن و شهودي بيشتر، تجربه كاربران را با فناوري افزايش مي دهد.

موضوع اضافي:

هوش مصنوعي باريك

برخي از كاربردهاي ديگر Narrow AI:

• اتوماسيون توليد:  ربات ها عمليات مكرر مانند مونتاژ و بسته بندي را در واحدهاي توليدي انجام مي دهند. آنها بسيار كارآمد هستند اما محدود به وظايف خاصي هستند كه براي انجام آنها طراحي شده اند.
• تجارت مالي:  سيستم‌هاي هوش مصنوعي اطلاعات بازار را براي معاملات با فركانس بالا بررسي مي‌كنند و بر روي پارامترهاي از پيش تعيين‌شده تصميم مي‌گيرند، اما نمي‌توانند نوسانات غيرمنتظره بازار را تطبيق دهند.
• دستگاه‌هاي خانه هوشمند:  دستگاه‌هايي مانند ترموستات‌ها و لامپ‌ها عادت‌هاي كاربر را براي كنترل عمليات خانه ياد مي‌گيرند، اما آنها فقط براي عملكردهاي خاص خانه هوشمند هستند.
• خرده‌فروشي:  مديريت موجودي هوش مصنوعي تقاضا را پيش‌بيني مي‌كند و سطوح سهام را مطابق با الگوها تنظيم مي‌كند، اما در هنگام تطبيق تغييرات ناگهاني در بازار يا عرضه‌هاي جديد، با مشكل مواجه است.

چالش ها:

• انعطاف ناپذيري: هوش مصنوعي باريك توانايي تعميم يا رسيدگي به موقعيت هاي خارج از وظيفه اصلي خود را ندارد.
• يادگيري محدود: اين سيستم ها نمي توانند وظايف جديد را بدون برنامه ريزي مجدد يا بازآموزي صريح بياموزند.

هوش مصنوعي نمادين

كاربردهاي هوش مصنوعي نمادين:

• سيستم هاي خبره: در زمينه هايي مانند تشخيص پزشكي (مانند MYCIN) براي شبيه سازي تصميم گيري متخصص از طريق قوانين از پيش تعريف شده استفاده مي شود.
• پردازش زبان طبيعي (NLP): به وظايف زباني ساختاريافته مانند ترجمه رسمي يا تفسير دستوري ساده كمك مي كند.
• رباتيك: به ربات ها در انجام وظايف بر اساس قوانين واضح و منطقي، مانند توليد كمك مي كند.

محدوديت ها:

• بازنمايي دانش سفت و سخت: با داده هاي بدون ساختار يا مبهم مبارزه مي كند، زيرا به قوانين از پيش تعريف شده بستگي دارد.
• عدم سازگاري: در طول زمان ياد نمي‌گيرد يا بهبود نمي‌يابد، به‌روزرساني‌هاي دستي براي موقعيت‌هاي جديد نياز دارد.
• مسائل مقياس پذيري: با افزايش پيچيدگي وظايف، مديريت قوانين پيچيده دشوار مي شود.
• Handling Ambiguity: در محيط هايي كه داده ها نامشخص يا مبهم هستند محدود است.

ماشين هاي واكنشي

ويژگي هاي اصلي ماشين هاي راكتيو:

• بدون حافظه:  ماشين هاي واكنشي فاقد هر گونه حافظه يا سابقه اي از تعاملات قبلي هستند و نمي توانند بر اساس آن ياد بگيرند يا تنظيم كنند.
• تصميم گيري مبتني بر قانون:  چنين سيستم هايي بر اساس مجموعه اي از قوانين يا الگوريتم هاي تعريف شده اي عمل مي كنند كه پاسخ آنها به ورودي ها را ديكته مي كند.
• عدم سازگاري:  ماشين هاي واكنش پذير نمي توانند عملكرد خود را بهبود بخشند يا رفتار خود را بر اساس تجربيات گذشته يا تغييرات محيطي تغيير دهند.
• كارايي در كارهاي ثابت:  اگرچه محدود است، اما ماشين‌هاي واكنشي در كارهاي ثابت و تكراري كه در آن‌ها اقدامات و پاسخ‌ها مشخص است، كارآمد هستند.

كاربرد ماشين هاي راكتيو:

• ربات هاي خدمات مشتري:  چت ربات هاي ساده اي كه بدون هيچ گونه يادگيري شخصي يا تسهيلات تطبيقي ​​پاسخ هاي از پيش تعريف شده اي را به سوالات مشتري مي دهند.
• بازي‌هاي ويديويي:  شخصيت‌هاي غيربازيكن بازي‌هاي ويديويي (NPC) كه به اقدامات انجام‌شده توسط بازيكنان طبق قوانين از پيش برنامه‌ريزي‌شده بدون تغيير رفتارشان مطابق با تاريخچه تعامل قبلي در بازي واكنش نشان مي‌دهند.
• رباتيك صنعتي:  ربات هايي كه عملكردهاي مكرر مانند جوشكاري، رنگ آميزي يا مرتب سازي قطعات در خط مونتاژ را انجام مي دهند.

نتيجه گيري

هوش مصنوعي نشان دهنده يك پيشرفت تكنولوژيكي قابل توجه با پيامدهاي گسترده است. هوش مصنوعي باريك امروزه به طور گسترده براي اهداف متمايز استفاده مي شود. هوش مصنوعي عمومي فقط در تئوري وجود دارد اما پتانسيل زيادي دارد. Super AI، زماني كه ايجاد شود، به طور بالقوه فراتر از هوش انساني خواهد بود. همه اشكال هوش مصنوعي اهداف خاص خود را دارند و مشكلات متمايز ايجاد مي كنند.

نگراني هاي اخلاقي با پيشرفت تكنولوژي بسيار مهم است. آنها به فناوري كمك مي كنند تا بدون ايجاد خطر، كمك مثبتي به جامعه داشته باشد. مقوله‌هايي مانند ماشين‌هاي واكنش‌گرا، حافظه محدود و سيستم‌هاي خودآگاه، تكامل هوش مصنوعي را نشان مي‌دهند. دانش اين انواع ما را براي دنيايي آماده مي كند كه در آن هوش مصنوعي كار، ارتباطات و حل مسئله را دوباره تعريف مي كند. رويكرد ما نقش هوش مصنوعي در جامعه را تعيين خواهد كرد.