هوش مصنوعی محدود برای یک حوزه یا مجموعه‌ای از کارهای مشخص ساخته می‌شود؛ هوش مصنوعی عمومی به توانایی گسترده در یادگیری و حل مسائل گوناگون اشاره دارد؛ و ابرهوش، مفهومی فرضی درباره توانایی شناختی فراتر از انسان در دامنه‌ای وسیع است. این سه را معمولاً با نام‌های ANI، AGI و ASI می‌شناسند.
اما «انواع هوش مصنوعی از ضعیف تا قوی» یک نردبان قطعی با زمان‌بندی مشخص نیست. توانایی بالا در یک کار، چندمهارتی بودن و داشتن اختیار عمل هم معنی یکسانی ندارند. در این مقاله، تفاوت این اصطلاح‌ها را با مثال بررسی می‌کنیم تا هم ابزارهای امروز را بهتر بشناسیم و هم ادعاهای مربوط به آینده را دقیق‌تر بسنجیم.
دسته‌بندی هوش مصنوعی بر چه اساسی است؟
پیش از مقایسه، باید مشخص کنیم درباره چه چیزی حرف می‌زنیم. وقتی می‌پرسیم یک سامانه «چه دامنه‌ای از کارها را انجام می‌دهد»، بحث درباره گستره توانایی است. وقتی می‌پرسیم «متن تولید می‌کند یا تصویر را تحلیل می‌کند»، درباره نوع کاربرد حرف می‌زنیم. یادگیری ماشین و یادگیری عمیق هم به روش‌های فنی مرتبط‌اند.
برای مثال، یک سامانه بازرسی محصول می‌تواند از یادگیری عمیق استفاده کند، ورودی تصویری بگیرد و در محدوده کنترل کیفیت یک خط تولید کار کند. این سه توصیف با هم سازگارند؛ لازم نیست آن را فقط در یکی از این دسته‌ها قرار دهیم.
هوش مصنوعی محدود یا ضعیف چیست؟
هوش مصنوعی محدود، یا Artificial Narrow Intelligence، برای دامنه مشخصی از وظایف طراحی یا تنظیم می‌شود. یک سامانه تشخیص عیب ممکن است تصاویر محصول را به «سالم» و «نیازمند بررسی» تقسیم کند؛ یک پیشنهادگر هم از میان کالاهای موجود، گزینه‌های مرتبط را پیشنهاد دهد.
واژه «ضعیف» در این کاربرد به معنی کند، ساده یا بی‌کیفیت نیست. یک ابزار تخصصی می‌تواند در وظیفه خودش بسیار توانمند باشد، اما همان توانایی به‌تنهایی درباره عملکرد آن در حوزه‌های دیگر چیزی ثابت نمی‌کند.
مثال‌هایی از هوش مصنوعی محدود
- دسته‌بندی پیام‌ها: تشخیص اینکه یک پیام درباره فروش، پشتیبانی یا همکاری است.
- پیشنهاد محصول: رتبه‌بندی کالاها با توجه به اطلاعات موجود درباره کاربر و محصولات.
- بازرسی تصویری: شناسایی عیوب تعریف‌شده در تصاویر گرفته‌شده با دوربین صنعتی.
- پیش‌بینی تقاضا: برآورد فروش آینده برای کالاها و بازه‌های زمانی مشخص، بر اساس داده‌های مرتبط.
محدوده هر کدام باید روشن باشد. اگر دوربین بازرسی برای بسته‌بندی خاصی ارزیابی شده، عوض‌شدن جنس بسته یا نور محیط می‌تواند نتیجه را تغییر دهد. برای آشنایی با چنین کاربردهایی، مقاله بینایی ماشین چیست؟ را ببینید.
هوش مصنوعی عمومی یا AGI چیست؟
هوش مصنوعی عمومی، یا Artificial General Intelligence، به ایده سامانه‌ای با توانایی گسترده و انعطاف‌پذیر در یادگیری و انجام طیف متنوعی از کارهای شناختی اشاره دارد. در این بحث، مسئله فقط بهترشدن در یک وظیفه نیست؛ توانایی روبه‌روشدن با مسائل تازه و استفاده از آموخته‌ها در موقعیت‌های متفاوت هم اهمیت دارد.
برای تعریف دقیق AGI و مرز تحقق آن، توافق واحدی وجود ندارد. بعضی تعریف‌ها بر عملکرد انسانی در کارهای متعدد تأکید دارند و بعضی بر یادگیری، تعمیم و انعطاف‌پذیری. بنابراین، هر ادعای دستیابی به AGI باید همراه با تعریف، دامنه آزمون و شواهد قابل‌بررسی خوانده شود.
چرا موفقیت در یک آزمون کافی نیست؟
فرض کنید سامانه‌ای مسائل ریاضی دشوار را حل می‌کند. این نتیجه ارزشمند است، اما برای شناخت گستره توانایی آن باید کارهای دیگری را هم بسنجیم: آیا دستور تازه را درست دنبال می‌کند؟ در مسئله ناآشنا چه می‌کند؟ آیا می‌تواند اشتباه خود را تشخیص دهد و برنامه‌اش را اصلاح کند؟
در چارچوب پژوهشی «سطوح AGI» دیپ‌مایند نیز کیفیت عملکرد و گستره توانایی جداگانه بررسی می‌شوند. به زبان ساده، «چقدر خوب انجام می‌دهد» و «چند نوع کار متفاوت را انجام می‌دهد» دو سؤال مستقل‌اند.
آیا هوش مصنوعی قوی همان هوش مصنوعی عمومی است؟
در بسیاری از متن‌های آموزشی، «هوش مصنوعی قوی» به‌جای AGI استفاده می‌شود، اما این دو اصطلاح در همه منابع دقیقاً یک معنی ندارند. AGI معمولاً درباره گستره و سطح توانایی است؛ Strong AI در بحث فلسفی می‌تواند به داشتن فهم یا ذهن واقعی اشاره کند.
این تمایز در بحث کلاسیک جان سرل درباره ذهن و برنامه کامپیوتری مطرح شده است. لازم نیست برای استفاده از یک ابزار وارد اختلاف‌های فلسفی شویم؛ کافی است عملکرد قابل‌اندازه‌گیری را با ادعای داشتن ذهن، احساس یا آگاهی یکی نگیریم. لحن انسانی یک پاسخ، به‌تنهایی چنین ادعاهایی را ثابت نمی‌کند.
ابرهوش مصنوعی یا ASI چیست؟
ابرهوش مصنوعی، یا Artificial Superintelligence، مفهومی فرضی درباره سامانه‌ای است که در دامنه وسیعی از توانایی‌های شناختی از انسان فراتر رود. تفاوت مهم آن با یک ابزار تخصصی این است که برتری فقط به یک مسابقه، یک نوع محاسبه یا یک وظیفه محدود مربوط نیست.
برای نمونه، آلفاگو در بازی گو به موفقیت برجسته‌ای رسید؛ اما برتری در آن بازی، به معنی برتری عمومی در مدیریت یک شرکت، طراحی آزمایش یا فهم همه موقعیت‌های انسانی نیست. نباید هر عملکرد فراتر از انسان در یک حوزه را «ابرهوش» بنامیم.
درباره امکان، مسیر و زمان تحقق ASI دیدگاه‌های متفاوتی وجود دارد. پیشرفت یک مدل یا افزایش اندازه آن، به‌تنهایی زمان رسیدن به ابرهوش را مشخص نمی‌کند. کاربرد این اصطلاح بیشتر در پژوهش و بحث درباره آینده و پیامدهای احتمالی آن است.
مقایسه ANI، AGI و ASI در یک نگاه
| نوع | دامنه توانایی | مثال یا وضعیت |
|---|---|---|
| هوش مصنوعی محدود ANI | وظیفه یا حوزه مشخص | پیشنهادگر محصول، تشخیص عیب و دسته‌بندی پیام |
| هوش مصنوعی عمومی AGI | یادگیری و حل مسئله در طیف گسترده‌ای از کارها | هدف پژوهشی؛ تعریف و معیار تحقق آن محل اختلاف است |
| ابرهوش مصنوعی ASI | توانایی شناختی فراتر از انسان در دامنه‌ای وسیع | مفهومی فرضی برای بحث درباره آینده |
این جدول دسته‌بندی مفهومی است، نه فهرست نسخه‌های یک محصول. یک سامانه محدود الزاماً با افزودن چند قابلیت به AGI و سپس ASI تبدیل نمی‌شود؛ برای هر ادعا، ارزیابی متناسب لازم است.
هوش مصنوعی مولد چه تفاوتی با AGI دارد؟
هوش مصنوعی مولد، یا Generative AI، بر تولید خروجی‌هایی مانند متن، تصویر، صدا، ویدئو یا کد تمرکز دارد. AGI درباره گستره توانایی یادگیری و حل مسئله است. پس این دو برچسب به دو سؤال متفاوت پاسخ می‌دهند.
مدل‌های مولد و چندوجهی می‌توانند چند نوع کار انجام دهند؛ مثلاً متن را خلاصه کنند، درباره تصویر پاسخ دهند و در نوشتن کد کمک کنند. محدودکردن توصیف همه این مدل‌ها به «ابزار تک‌وظیفه‌ای» دقیق نیست. با این حال، چندمهارتی بودن هم به‌تنهایی برای اثبات هوش عمومی کافی نیست.
برای مثال، یک مدل ممکن است توضیح روانی برای نمودار بنویسد، اما عددی را اشتباه بخواند. ممکن است برای یک مسئله کد پیشنهاد دهد، اما شرط مهمی را جا بیندازد. کیفیت باید برای هر کاربرد سنجیده شود. روش کنترل این موارد را در مقاله بررسی صحت خروجی هوش مصنوعی توضیح داده‌ایم.
آیا اتصال به فایل‌ها و ابزارها، هوش عمومی می‌سازد؟
دسترسی به جست‌وجو، ماشین‌حساب یا اسناد شرکت می‌تواند یک سامانه را کاربردی‌تر کند. با این حال، دسترسی بیشتر به اطلاعات با توانایی عمومی یکسان نیست. یک دستیار سازمانی ممکن است پاسخ را از راهنمای شرکت پیدا کند، اما همچنان در تشخیص منبع مرتبط یا تفسیر پرسش خطا کند.
همچنین اختیار عمل را جداگانه ببینید: سامانه‌ای که فقط پاسخ پیشنهادی می‌دهد با سامانه‌ای که اجازه تغییر سفارش دارد، ریسک یکسانی ندارد. تعداد ابزارهای متصل، معیار کافی برای تعیین میزان اختیار نیست.
آیا «واکنشی، حافظه محدود، نظریه ذهن و خودآگاه» چهار نوع دیگرند؟
این نام‌ها در برخی دسته‌بندی‌های آموزشی بر اساس نحوه عملکرد مطرح می‌شوند. «واکنشی» و «حافظه محدود» به استفاده از وضعیت فعلی و اطلاعات گذشته مربوط‌اند؛ «نظریه ذهن» و «خودآگاه» هم به بحث‌های پیچیده‌تر درباره حالات ذهنی و آگاهی اشاره دارند.
این فهرست را نباید چهار مرحله قطعی رشد یک نرم‌افزار دانست. به‌خصوص، ذخیره تاریخچه گفتگو با یادگیری دائمی مدل یا داشتن آگاهی یکسان نیست. برای انتخاب محصول، توصیف روشن ورودی‌ها، خروجی‌ها، محدودیت‌ها و نحوه ارزیابی مفیدتر از قراردادن آن در یک برچسب مبهم است.
این تفاوت‌ها برای انتخاب راهکار کسب‌وکار چه اهمیتی دارند؟
فرض کنید یک تولیدکننده در مازندران سه نیاز دارد: تشخیص بسته‌بندی معیوب، پاسخ به پرسش‌های نمایندگان فروش و گزارش سفارش‌های عقب‌افتاده. این نیازها را می‌توان جداگانه طراحی و ارزیابی کرد؛ برای شروع لازم نیست منتظر دستیابی به هوش عمومی بماند.
- تشخیص عیب: نوع عیب، شرایط تصویربرداری و خطای قابل‌قبول باید مشخص باشد.
- پاسخ‌گویی: منبع اطلاعات، سطح دسترسی و مسیر ارجاع به کارشناس باید روشن باشد.
- گزارش سفارش: وضعیت سفارش و محاسبات باید از داده معتبر گرفته شود؛ ممکن است یک گزارش نرم‌افزاری برای بخشی از کار کافی باشد.
این یک مثال فرضی برای تعریف مسئله است. نام «هوش مصنوعی پیشرفته» در پیشنهاد فروش، جای این جزئیات را نمی‌گیرد. در ارزیابی اولیه، نمونه‌های عادی و دشوار را امتحان کنید و نتیجه را با روش فعلی مقایسه کنید.
پیش از سفارش راهکار هوش مصنوعی و اتوماسیون، چهار سؤال را روشن کنید: ابزار دقیقاً چه کاری انجام می‌دهد، چه اطلاعاتی لازم دارد، خروجی چگونه کنترل می‌شود و هنگام خطا چه کسی تصمیم می‌گیرد؟ برای شروع در مقیاس کوچک نیز مقاله مزایا و معایب هوش مصنوعی برای کسب‌وکارهای کوچک می‌تواند کمک‌کننده باشد.
پرسش‌های متداول
آیا هوش مصنوعی ضعیف کاربرد کمی دارد؟
خیر. در کاربرد رایج، این نام به محدودبودن دامنه اشاره دارد. یک ابزار تخصصی می‌تواند برای یک مسئله مشخص بسیار ارزشمند باشد؛ کیفیت آن را باید با داده و معیار مرتبط با همان مسئله سنجید.
آیا ربات انسان‌نما حتماً هوش مصنوعی عمومی دارد؟
خیر. شکل بدن و چهره درباره دامنه توانایی شناختی نتیجه قطعی نمی‌دهد. ربات ممکن است فقط چند کار تعریف‌شده را انجام دهد؛ یک سامانه نرم‌افزاری بدون بدن هم می‌تواند چندمهارتی باشد.
آیا یک آزمون می‌تواند رسیدن به AGI را ثابت کند؟
برای چنین ادعایی، تعریف توانایی عمومی و مجموعه ارزیابی اهمیت دارد. نتیجه در یک آزمون محدود، عملکرد در همه حوزه‌ها را نشان نمی‌دهد. باید نوع وظایف، تازگی آن‌ها، شرایط آزمون و شیوه مقایسه روشن باشد.
آیا برای استفاده تجاری باید منتظر AGI بمانیم؟
خیر. بسیاری از مسائل را می‌توان با ابزارهای تخصصی، مدل‌های مولد یا ترکیب آن‌ها با نرم‌افزار حل کرد. تصمیم عملی به کیفیت خروجی، هزینه، امنیت اطلاعات و امکان کنترل فرایند بستگی دارد.
