برنامه نویسی کودکان و نوجوانان

f یادگیری عمیق آنها الگوریتم هینتون را برای شبکه‌های هوش مصنوعی حل تکالیف  عصبی با لایه‌های بسیار بیشتر از حد معمول به کار بردند و باعث تمرکز جدیدی بر روی شبکه‌های عصبی عمیق شد. اینها رویکردهای اصلی هوش مصنوعی در سال های اخیر بوده اند.

روباتیک سنتی (1968). در طول چند دهه اول هوش مصنوعی، محققان ربات هایی را برای پیشبرد تحقیقات ساختند. برخی از روبات‌ها متحرک بودند و روی چرخ‌ها حرکت می‌کردند، د هوش مصنوعی حل تکالیف ر حالی که برخی دیگر ثابت بودند و بازوهای مفصلی داشتند. ربات ها از اولین تلاش ها در بینایی کامپیوتری برای شناسایی و پیمایش در محیط خود یا درک هندسه اجسام و مانور دادن بر روی آنها استفاده می کردند. این می تواند شامل حرکت در اطراف بلوک هایی با اشکال و رنگ های مختلف باشد. بیشتر این ربات‌ها، درست مانند ربات‌هایی که برای دهه‌ها هوش مصنوعی حل تکالیف  در کارخانه‌ها مورد استفاده قرار گرفته‌اند، به محیط‌های بسیار کنترل‌شده با رفتارهای کاملاً برنامه‌ریزی‌شده متکی هستند که به طور مکرر انجام می‌دهند. آنها کمک قابل توجهی به پیشرفت خود هوش مصنوعی نکرده اند.

اما روباتیک سنتی از طریق فرآیندی به نام "محلی سازی و  هوش مصنوعی حل تکالیف  نقشه برداری همزمان" (SLAM) تأثیر قابل توجهی در یک منطقه داشت. الگوریتم‌های SLAM به خودروهای خودران کمک کردند و در محصولات مصرفی مانند روبات‌های جاروبرقی و پهپادهای کوادکوپتر استفاده می‌شوند. امروزه این کار به رباتیک مبتنی بر رفتار تبدیل شده است که به آن فناوری لمسی نیز می‌گویند زیرا به لمس انسان پاسخ می‌دهد.

رباتیک مبتنی بر رفتار (1985). در دنیای واقعی، همیشه دستوهوش مصنوعی حل تکالیف رالعمل‌های روشنی برای ناوبری، تصمیم‌گیری یا حل مشکل وجود ندارد. محققان مشاهده کردند که حشرات به خوبی با نورون های کمی حرکت می کنند (و از نظر تکاملی بسیار موفق هستند). محققان رباتیک مبتنی بر رفتار از این الهام گرفتند و به دنبال راه هایی بودند که روبات ها بتوانند مشکلات را با دانش جزئی و دستورالعمل های متناقض حل کنند.  هوش مصنوعی حل تکالیف این ربات های مبتنی بر رفتار با شبکه های عصبی تعبیه شده اند.

درباره QuantumBlack، AI by McKinsey بیشتر بیاموزید.

هوش عمومی مصنوعی چیست؟

اصطلاح «هوش عمومی مصنوعی» (AGI) برای توصیف سیس هوش مصنوعی حل تکالیف تم‌های هوش مصنوعی ابداع شد که دارای قابلیت‌های قابل مقایسه با یک انسان هستند. در تئوری، AGI روزی می‌تواند توانایی‌های شناختی انسان مانند استدلال، حل مسئله، ادراک، یادگیری و درک زبان را تکرار کند. اما بیایید از خودمان جلوتر نرویم: کلمه کلیدی در اینجا "روزی" است. اکثر محققان و دانشگاهیان بر این باورند که ما ده ها سال تا تحقق AGI  هوش مصنوعی حل تکالیف فاصله داریم. برخی حتی پیش‌بینی می‌کنند که AGI را در این قرن یا هرگز نخواهیم دید. رادنی بروکس، رباتیک MIT و یکی از بنیانگذاران iRobot، باور ندارد که AGI تا سال 2300 از راه برسد.

زمان ظهور AGI ممکن است نامشخص باشد. اما وقتی ظهور کرد - و احتمالاً هم خواهد شد - در هر جنبه ای از زندگی ما یک اتفاق بسیار بزرگ خواهد بود. مدیران باید شروع به کار کنند تا م هوش مصنوعی حل تکالیف سیر ماشین‌هایی را که اکنون به هوش سطح انسانی دست می‌یابند و انتقال به دنیای خودکارتر را درک کنند.

برای اطلاعات بیشتر در مورد AGI، از جمله چهار تلاش قبلی در AGI، توضیح ما را بخوانید.

هوش مصنوعی باریک چیست؟

هوش مصنوعی محدود، کاربرد تکنیک‌های هوش مصنوعی هوش مصنوعی حل تکالیف  برای یک مشکل خاص و کاملاً تعریف شده است، مانند ربات‌های چت مانند ChatGPT، الگوریتم‌هایی که تقلب را در تراکنش‌های کارت اعتباری شناسایی می‌کنند، و موتورهای پردازش زبان طبیعی که به سرعت هزاران سند قانونی را پردازش می‌کنند. اکثر برنامه های کاربردی فعلی هوش مصنوعی در دسته هوش مصنوعی باریک قرار می گیرند. د هوش مصنوعی حل تکالیف ر مقابل، AGI هوش مصنوعی است که برای انجام طیف وسیعی از وظایف به اندازه کافی هوشمند است.

درباره QuantumBlack، AI by McKinsey بیشتر بیاموزید.

استفاده از هوش مصنوعی چگونه در حال گسترش است؟

هوش مصنوعی داستان بزرگی برای انواع کسب‌وکارها آموزش برنامه نویسی کودکان و نوجوانان   است، اما برخی از شرکت‌ها به وضوح جلوتر از همه چیز حرکت می‌کنند. بررسی وضعیت  هوش مصنوعی حل تکالیف هوش مصنوعی ما در سال 2022 نشان داد که پذیرش مدل‌های هوش مصنوعی از سال 2017 بیش از دو برابر شده است و سرمایه‌گذاری با سرعت افزایش یافته است. علاوه بر این، حوزه‌های خاصی که شرکت‌ها ارزش هوش مصنوعی را در آن می‌بینند، از تولید و ریسک گرفته تا موارد زیر تکامل یافته‌اند:

بازاریابی و فروش

توسعه محصول و خدمات

استراتژی و امور مالی شرکت

یک گروه از شرکت ها در حال جلوتر از رقبای خود هستند. رهبران این سازمان‌ها به طور مداوم سرمایه‌گذاری‌های بزرگ‌تری در هوش مصنوعی انجام می‌دهند، شیوه‌های خود را برای مقیاس سریع‌تر ارتقا می‌دهند، و بهترین استعدادهای هوش مصنوعی را استخدام و ارتقا می‌دهند. به طور خاص، آنها استراتژی هوش مص هوش مصنوعی حل تکالیف نوعی را به نتایج تجاری مرتبط می کنند و با طراحی معماری داده های مدولار که می تواند به سرعت برنامه های جدید را در خود جای دهد، عملیات هوش مصنوعی را "صنعتی" می کند.

محدودیت های مدل های هوش مصنوعی چیست؟ چگونه می توان بر این موارد بالقوه غلبه کرد؟

ما هنوز اثر طولانی مدل های هوش مصنوعی نسل را نبینیم. این بدان معنی است که برخی از خطرات ذاتی در استفاده از آنها وجود دارد - چه شناخته شده و چه ناشناخته.

خروجی‌هایی که مدل‌های هوش مصنوعی تولید می‌کنند اغلب ممکن است بسیار قانع‌کننده به نظر برسند. این بر اساس طراحی است. اما گاهی اوقات اطلاعاتی که تولید می کنند کاملاً اشتباه است. بدتر از آن، گاهی اوقات مغرضانه است (زیرا بر اساس جنسیت، نژاد و سایر تعصبات اینترنت و جامعه به طور کلی ساخته شده است).

همچنین می توان آن را دستکاری کرد تا فعالیت غیراخلاقی Artificial intelligence to solve homework یا مجرمانه را فعال کند. از زمانی که مدل‌های هوش مصنوعی ژنرال به صحنه آمدند، سازمان‌ها متوجه شده‌اند که کاربرانی که سعی می‌کنند مدل‌ها را جیلبریک کنند.