تجهیزات صنعتی

 

هوش مصنوعی «ضعیف» یا «محدود» به این معناست که می‌توانند به‌طور هوشمندانه در حوزه‌های خاص مانند شطرنج یا تشخیص یک جسم رفتار کنند. از سوی دیگر، هوش مصنوعی «قوی» یا «عمومی» (AGI   )، به درک ما از هوش انسانی نزدیک‌تر است، زیرا به الگوریتم‌هایی اشاره می‌کند که می‌توانند در طیف وسیعی از زمینه‌ها و فضاهای مشکل، هوشمندی نشان دهند.

اگر هوش مصنوعی ضعیف در حال حاضر نسبتاً قوی باشد، AGI الگوی جدیدی از قابلیت ارائه خواهد کرد. با این حال، از آنجایی که هنوز وجود ندارد، به قلمرو هوش مصنوعی تعلق دارد. دومین اصطلاح کلیدی از حوزه گمانه‌زنی، ابر هوش مصنوعی (ASI) است، یعنی با سطوح بالاتر هوش عمومی نسبت به انسان‌های معمولی. سومین مورد تکینگی است که به لحظه ای اشاره دارد که هوش مصنوعی به اندازه کافی هوشمند و مستقل می شود تا هوش مصنوعی هوشمندتر و خودمختارتری تولید کند و از کنترل انسان رهایی یابد و روند توسعه فرار را آغاز کند.

توسعه هوش مصنوعی در آینده

بحث هایی در مورد اینکه آیا می توان با توسعه تدریجی فناوری ها و تکنیک های موجود به این هوش مصنوعی های گمانه زنی دست یافت یا خیر، وجود دارد. برخی از کارشناسان به قانون مور در مورد پیشرفت تصاعدی مستمر در قدرت کامپیوتر اشاره می کنند یا پیشنهاد می کنند که هوش مصنوعی امروزی می تواند برای تولید نسل بعدی هوش مصنوعی به کار گرفته شود.

با این حال، اکثر کارشناسان توافق دارند که محدودیت‌های اساسی هم برای قانون مور و هم برای قابلیت‌های پارادایم هوش مصنوعی فعلی وجود دارد. در میان این متفکران انتقادی، برخی استدلال می‌کنند که توسعه پارادایم تغییر در نهایت می‌تواند هوش مصنوعی قوی را ممکن کند - و شاید حتی اجتناب‌ناپذیر - در حالی که برخی دیگر شک دارند.

·         برخی به عنوان مسیرهایی به ابر هوش مصنوعی پیشنهاد می شوند،

·         در حالی که برخی دیگر اهداف ساده تر و عملی تری دارند.

·         برخی در معرض تحقیق و توسعه فعال هستند،

·         در حالی که برخی دیگر بیشتر شبیه آزمایش های فکری هستند.

با این حال، همه آنها با موانع فنی قابل توجهی برای اجرا روبرو هستند و به این ترتیب، همه آنها احتمالات آینده را بدون تضمین تحقق می‌مانند.

هوش مصنوعی خود توضیحی و زمینه ای

موج بعدی هوش مصنوعی می توانند قدرت پیچیده و پیچیده مرتبط با شبکه های عصبی مصنوعی را حفظ کنند و در عین حال همان سطح از توضیح پذیری مرتبط با سیستم های خبره را ارائه دهند. این کاربردهای هوش مصنوعی همچنین می‌توانند به منظور ارائه نتایج دقیق‌تر از مجموعه‌های کوچکتر داده‌های آموزشی، دانش زمینه‌ای گسترده‌تری را در مورد جهان در نظر بگیرند.

به عنوان مثال، چنین ابزاری برای تشخیص حیوانات ممکن است فقط با دو یا سه عکس از حیوانی که قبلاً ندیده است آموزش داده شود، اما بتواند از دانش گسترده‌تر خود از جهان استفاده کند - به عنوان مثال. در مورد حرکات حیوانات، بدن، و نحوه نگاه آنها از زوایای دیگر یا موقعیت هایی که قبلاً ندیده اند - برای شناسایی قابل اعتماد حیوان در تصاویر دیگر.

به طور مشابه، یک سیستم تشخیص دست خط که بر روی تصاویر متن نوشته شده آموزش داده می شود، ممکن است از دانش متنی آنها در مورد نحوه استفاده افراد از قلم برای نوشتن استفاده کند تا به آنها در رمزگشایی آنچه نوشته شده کمک کند. اهداف هوش مصنوعی خود توضیحی و متنی ممکن است ساده به نظر برسند (مثلاً در مقایسه با پیشرفت‌هایی که در زیر به آن اشاره می‌شود) اما پتانسیل – و موانع – افزودن این ویژگی‌ها به هوش مصنوعی امروزی را نباید دست کم گرفت.