انواع هوش مصنوعی؛ دسته‌بندی بر اساس توانایی، عملکرد و روش یادگیری

۱ چرا هوش مصنوعی را دسته‌بندی می‌کنیم؟

هوش مصنوعی یک چتر بزرگ است که فناوری‌های بسیار متفاوتی را پوشش می‌دهد. دسته‌بندی به ما کمک می‌کند بفهمیم یک سیستم چه توانایی‌هایی دارد و چه چیزی از آن انتظار نداشته باشیم. مثلاً اگر بدانیم یک چت‌بات «هوش مصنوعی محدود» است، دیگر انتظار نداریم مثل یک انسان قضاوت اخلاقی یا درک واقعی از دنیا داشته باشد.

شناخت انواع هوش مصنوعی برای مدیران هم کاربرد عملی دارد: وقتی فروشنده‌ای محصولی را «هوشمند» معرفی می‌کند، با این دسته‌بندی‌ها می‌توانید بپرسید دقیقاً چه نوع هوشی در کار است و انتظارتان را واقع‌بینانه تنظیم کنید.

هیچ دسته‌بندی رسمی و واحدی وجود ندارد؛ پژوهشگران و کتاب‌های درسی از زاویه‌های مختلف به این موضوع نگاه می‌کنند. چهار دسته‌بندی پرکاربرد را در ادامه می‌بینید.

۲ انواع هوش مصنوعی بر اساس توانایی

نکته جالب: با اینکه چت‌بات‌های امروزی در طیف وسیعی از کارها مهارت دارند، اما همچنان محدود محسوب می‌شوند؛ چون درک واقعی از دنیا، یادگیری مستمر از تجربه و توانایی عمل مستقل در محیط‌های ناآشنا را ندارند.

۳ انواع هوش مصنوعی بر اساس عملکرد

این دسته‌بندی چهارگانه که آرند هینتز، پژوهشگر دانشگاه ایالتی میشیگان، مطرح کرد، بسیار رایج است:

۴ انواع هوش مصنوعی بر اساس روش یادگیری

این دسته‌بندی بیشتر به یادگیری ماشین مربوط است:

• یادگیری نظارت‌شده: مدل با داده‌های برچسب‌دار آموزش می‌بیند؛ مثلاً هزاران ایمیل که مشخص شده اسپم هستند یا نه.
• یادگیری بدون نظارت: مدل بدون برچسب، الگوها و گروه‌ها را خودش پیدا می‌کند؛ مثل دسته‌بندی مشتریان بر اساس رفتار خرید.
• یادگیری نیمه‌نظارتی و خودنظارتی: استفاده از حجم زیاد داده بدون برچسب و مقدار کمی داده برچسب‌دار؛ پایه آموزش مدل‌های زبانی بزرگ.
• یادگیری تقویتی: مدل با آزمون و خطا و دریافت پاداش یاد می‌گیرد؛ مثل AlphaGo یا آموزش ربات‌ها.

۵ هوش مصنوعی نمادین و آماری

از نظر فلسفه طراحی، دو رویکرد تاریخی وجود دارد:

رویکرد «عصبی-نمادین» تلاش می‌کند مزایای هر دو را ترکیب کند. سیر تاریخی این دو رویکرد را در تاریخچه هوش مصنوعی بخوانید.

۶ هوش مصنوعی تحلیلی و مولد

یک دسته‌بندی کاربردی امروزی، تفکیک بر اساس خروجی است:

• هوش مصنوعی تحلیلی (تشخیصی): داده را تحلیل و دسته‌بندی یا پیش‌بینی می‌کند. مثال: تشخیص تقلب بانکی، پیش‌بینی فروش، تشخیص چهره.
• هوش مصنوعی مولد: محتوای جدید تولید می‌کند. مثال: ChatGPT، Midjourney، سازنده‌های ویدیو و موسیقی.
• هوش مصنوعی عامل‌محور: برای رسیدن به هدف چند گام برمی‌دارد و از ابزارها استفاده می‌کند؛ بیشتر در ایجنت هوش مصنوعی.

۷ انواع هوش مصنوعی بر اساس کاربرد و شاخه

۸ انواع عامل‌های هوشمند

در کتاب مرجع «هوش مصنوعی: رویکردی مدرن» نوشته استوارت راسل و پیتر نورویگ، پنج نوع عامل هوشمند معرفی شده است: عامل واکنشی ساده، عامل واکنشی مبتنی بر مدل، عامل هدف‌گرا، عامل سودمندی‌گرا و عامل یادگیرنده. این دسته‌بندی در دانشگاه‌ها پرکاربرد است و درک آن برای فهم ایجنت‌های امروزی مفید است:

• عامل واکنشی ساده: فقط به ورودی همان لحظه و با قوانین «اگر این، پس آن» واکنش نشان می‌دهد. ترموستاتی که با سرد شدن هوا بخاری را روشن می‌کند، نمونه‌ای ساده از آن است. حافظه‌ای از گذشته ندارد.
• عامل واکنشی مبتنی بر مدل: یک مدل درونی از وضعیت جهان نگه می‌دارد تا بخش‌هایی را که در لحظه نمی‌بیند هم در نظر بگیرد؛ مثل جاروبرقی رباتیکی که نقشه اتاق را به خاطر می‌سپارد.
• عامل هدف‌گرا: علاوه بر وضعیت فعلی، هدف مشخصی دارد و اقداماتی را انتخاب می‌کند که به آن هدف نزدیک‌ترش کند؛ مثل مسیریابی که بهترین راه رسیدن به مقصد را پیدا می‌کند.
• عامل سودمندی‌گرا: وقتی چند راه برای رسیدن به هدف وجود دارد، بهترین گزینه را بر اساس معیارهایی مثل سرعت، هزینه یا ایمنی انتخاب می‌کند؛ مثلاً مسیری که هم کوتاه است و هم ترافیک کمتری دارد.
• عامل یادگیرنده: از تجربه یاد می‌گیرد و عملکردش را به مرور بهتر می‌کند؛ مثل سیستم پیشنهاد فیلم که با هر انتخاب شما دقیق‌تر می‌شود.

ایجنت‌های هوش مصنوعی امروزی که بر پایه مدل‌های زبانی بزرگ ساخته می‌شوند، معمولاً ترکیبی از عامل هدف‌گرا و یادگیرنده هستند: هدف را از کاربر می‌گیرند، برای رسیدن به آن برنامه‌ریزی می‌کنند و از ابزارهای مختلف کمک می‌گیرند.

۹ چت‌بات‌های امروزی کجای این دسته‌بندی‌اند؟

یک چت‌بات مثل ChatGPT را می‌توان این‌طور توصیف کرد: از نظر توانایی «محدود»، از نظر عملکرد «حافظه محدود»، از نظر یادگیری «خودنظارتی همراه با یادگیری تقویتی از بازخورد انسانی»، از نظر رویکرد «آماری» و از نظر خروجی «مولد». هرچند دامنه مهارت‌هایش آن‌قدر وسیع است که برخی پژوهشگران معتقدند مرز بین محدود و عمومی در حال کم‌رنگ شدن است؛ موضوعی که در آینده هوش مصنوعی به آن پرداخته‌ایم.

۱۰ کدام نوع هوش مصنوعی برای سازمان شما مناسب است؟

تمرین عملی: ابزارهای روزمره شما چه نوع هوش مصنوعی‌اند؟

بهترین راه یادگرفتن دسته‌بندی‌ها، به کار بردن آن‌ها روی ابزارهایی است که هر روز می‌بینید. جدول زیر هشت نمونه آشنا را از چهار زاویه این مقاله بررسی می‌کند. پیش از خواندن ستون‌ها، خودتان حدس بزنید و بعد پاسخ را ببینید:

یک نکته جالب از این جدول: ستون «توانایی» برای همه ابزارها یکسان است. حتی پیشرفته‌ترین ابزارهای امروز هم هوش مصنوعی محدودند. تفاوت واقعی آن‌ها در روش یادگیری و نوع خروجی است.

سه سؤال برای تشخیص نوع هر ابزار جدید

1. خروجی‌اش چیست؟ اگر برچسب، عدد یا پیش‌بینی می‌دهد، تحلیلی است؛ اگر متن، تصویر یا صدای تازه می‌سازد، مولد است؛ اگر برای رسیدن به هدف چند کار پشت‌سرهم انجام می‌دهد، به سمت ایجنت هوش مصنوعی می‌رود.
2. از چه چیزی یاد گرفته؟ از نمونه‌های برچسب‌دار، از داده بی‌برچسب یا از آزمون و خطا و پاداش؟
3. بیرون از تخصصش چه می‌کند؟ اگر در کاری غیر از کار اصلی‌اش درمی‌ماند، که تقریباً همیشه همین‌طور است، با یک هوش مصنوعی محدود سروکار دارید.

با همین سه سؤال، ادعاهای تبلیغاتی مثل «هوش مصنوعی همه‌چیزدان» را راحت‌تر محک می‌زنید و انتظار واقع‌بینانه‌تری از هر ابزار خواهید داشت.

جمع‌بندی: کدام نوع هوش مصنوعی را بشناسیم؟

شناخت انواع هوش مصنوعی کمک می‌کند انتظارمان را از این فناوری واقع‌بینانه کنیم. همه سیستم‌های امروزی، حتی پیشرفته‌ترین چت‌بات‌ها، هوش مصنوعی محدودند و از نظر عملکرد در دسته حافظه محدود قرار می‌گیرند. هوش مصنوعی عمومی و ابرهوش هنوز ساخته نشده‌اند. از نظر روش، یادگیری نظارت‌شده، بدون نظارت و تقویتی سه رویکرد اصلی‌اند و از نظر خروجی، هوش مصنوعی تحلیلی تشخیص می‌دهد و هوش مصنوعی مولد می‌سازد. وقتی ابزاری «هوشمند» معرفی می‌شود، با همین دسته‌بندی‌ها می‌توانید بپرسید دقیقاً چه نوع هوشی در کار است و چه کاری از آن برمی‌آید.

سؤالات متداول درباره انواع هوش مصنوعی