سیستم هایی که از فرآیند تصمیم گیری هوش مصنوعی حل تکالیف یک متخصص انسانی تقلید می کنند. این برنامه از یک متخصص در یک زمینه می پرسد که چگونه در یک موقعیت خاص پاسخ دهد، و هنگامی که این تقریباً برای هر موقعیتی آموخته شد، افراد غیرمتخصص می توانند از آن برنامه مشاوره دریافت کنند. سیستم های خبره به طور گسترده در صنایع مورد استفاده قرار گرفتند. دولت ژاپن به‌عنوان بخشی از پروژه نسل پنجم رایانه (FGCP) سیستم‌های خبره و سایر تلاش‌های مرتبط با هوش مصنوعی را به شدت تأمین کرد. از سال 1982 تا 1990، آنها 400 میلیون دلار با اهداف انقلابی در پردازش کامپیوتری، اجرای برنامه‌نویسی منطقی و بهبود هوش مصنوعی سرمایه‌گذاری کردند. متاسفانه اکثر اهداف بلندپروازانه محقق نشد. با این حال، می توان استدلال کرد که اثرات غیر مستقیم FGCP الهام بخش نسل جوان با هوش مصنوعی حل تکالیف استعدادی از مهندسان و دانشمندان است. صرف نظر از این، تأمین مالی FGCP متوقف شد و هوش مصنوعی از کانون توجه خارج شد.

از قضا، در غیاب بودجه دولتی و تبلیغات عمومی، هوش مصنوعی رشد هوش مصنوعی حل تکالیف کرد. در طول دهه های 1990 و 2000، بسیاری از اهداف برجسته هوش مصنوعی محقق شده بود. در سال 1997، گری کاسپاروف، قهرمان و استاد بزرگ شطرنج جهان، توسط برنامه کامپیوتری شطرنج Deep Blue شرکت IBM شکست خورد. این مسابقه بسیار تبلیغاتی اولین باری بود که قهرمان شطرنج جهان در مقابل کامپیوتر شکست خورد و به عنوان یک گام بزرگ هوش مصنوعی حل تکالیف به سوی یک برنامه تصمیم گیری هوشمندانه مصنوعی عمل کرد. در همان سال نرم افزار تشخیص گفتار که توسط Dragon Systems توسعه یافته بود بر روی ویندوز پیاده سازی شد. این یک گام بزرگ دیگر به جلو بود اما در جهت تلاش برای تفسیر زبان گفتاری. به نظر می رسید که مشکلی وجود ندارد که ماشین ها نتوانند از پس آن برآیند. حتی احساسات انسانی نیز بازی منصفانه ای بود، همانطور که Kismet، رباتی که توسط سینتیا بریزیل ساخته شدهوش مصنوعی حل تکالیف و می توانست احساسات را تشخیص داده و نمایش دهد، نشان می دهد.

زمان همه زخم ها را درمان می کند

ما در مورد نحوه کدنویسی هوش مصنوعی هوشمندتر آموزش برنامه نویسی کودکان و نوجوانان نشده‌ایم، پس هوش مصنوعی حل تکالیف چه چیزی تغییر کرد؟ به نظر می رسد، محدودیت اساسی ذخیره سازی رایانه که 30 سال پیش ما را عقب نگه می داشت، دیگر مشکلی نبود. قانون مور، که تخمین می‌زند که حافظه و سرعت رایانه‌ها هر سال دو برابر می‌شود، سرانجام توانسته بود و در بسیاری موارد از نیازهای ما پیشی بگیرد. این دقیقاً چگونه بود که دیپ بلو توانست گری کاسپاروف را در سال 1997 شکست دهد و آلفا گو گوگل توانست تنها چند ماه پیش قهرمان چینی گو، کی جی را شکست دهد. این یک توضیح کمی برای ترن هوایی تحقیقات هوش مصنوعی ارائه می دهد. ما توانایی‌های هوش مصنوعی را به سطح قدرت هوش مصنوعی حل تکالیف محاسباتی فعلی خود (سرعت ذخیره‌سازی و پردازش رایانه) اشباع می‌کنیم و سپس منتظر می‌مانیم تا قانون مور دوباره فرا برسد.

هوش مصنوعی همه جا هست

ما اکنون در عصر «داده‌های بزرگ» زندگی می‌کنیم، عصری که در آن توانایی جمع‌آوری حجم عظیمی از اطلاعات را داریم که پردازش آن برای شخص بسیار دشوار است. استفاده از هوش مصنوعی در هوش مصنوعی حل تکالیف این زمینه قبلاً در چندین صنعت مانند فناوری، بانکداری، بازاریابی و سرگرمی بسیار پربار بوده است. ما دیده‌ایم که حتی اگر الگوریتم‌ها پیشرفت چندانی نداشته باشند، داده‌های بزرگ و محاسبات عظیم به سادگی به هوش مصنوعی اجازه می‌دهد تا از طریق نیروی بی‌رحمانه یاد بگیرد. ممکن است شواهدی وجود داشته باشد که قانون مور کمی کند می شود، اما افزایش داده ها مطمئناً هیچ حرکتی را از دست نداده است. پیشرفت‌ها در علوم کامپیوتر، ریاضیات یا علوم اعصاب همگی به عنوان دستاوردهای بالقوه از سقف قانون مور عمل می‌کنند.

آینده

پس چه چیزی در انتظار آینده است؟ در آینده نزدیک، زبان هوش مصنوعی مانند چیز بزرگ بعدی به نظر می رسد. در واقع، در حال حاضر در حال انجام است. آخرین باری که با یک شرکت تماس گرفتم و مستقیماً با یک انسان صحبت کردم را به یاد نمی‌آورم. این روزها حتی ماشین ها به من زنگ می زنند! می‌توان تعامل با یک سیستم خبره را در یک مکالمه روان تصور کرد، یا مکالمه‌ای را به دو زبان مختلف در زمان واقعی ترجمه کرد. ما همچنین می توانیم انتظار داشته باشیم که در بیست سال آینده اتومبیل های بدون راننده را در جاده ها ببینیم (و این محافظه کارانه است). در درازمدت، هدف هوش عمومی است، یعنی ماشینی که در همه کارها از توانایی های شناختی انسان پیشی می گیرد. این در امتداد خطوط ربات حساسی است که ما به دیدن آن در فیلم ها عادت کرده ایم. به نظر من غیرقابل تصور به نظر می رسد که این امر در 50 سال آینده محقق شود. حتی اگر توانایی وجود داشته باشد، سؤالات اخلاقی به عنوان یک مانع قوی در برابر به ثمر نشستن عمل خواهند کرد. زمانی که آن زمان فرا رسید (اما حتی قبل از اینکه زمانش برسد بهتر است)، ما باید یک گفتگوی جدی در مورد سیاست و اخلاق ماشین داشته باشیم (از قضا هر دو موضوع اساساً انسانی هستند)، اما در حال حاضر، به هوش مصنوعی اجازه می‌دهیم به طور پیوسته بهبود یابد و بی‌نقص کار کند. در جامعه.

راکول آنیوها دانشجوی کارشناسی ارشد در بخش زیست شناسی مولکولی با پیشینه فیزیک و ژنتیک است. پروژه فعلی او از یادگیری ماشینی برای مدل‌سازی رفتار حیوانات Artificial intelligence to solve homework استفاده می‌کند. راکول در اوقات فراغت خود از بازی فوتبال و بحث در مورد موضوعات پیش پا افتاده لذت می برد.