زمستان هوش مصنوعی چیست و آیا به زودی فرا خواهد رسید؟

هوش مصنوعی زمستان به کاهش بودجه در تحقیق و توسعه سیستم‌های هوش مصنوعی گفته می‌شود.

معمولا بعد از دوره ای از تبلیغات اغراق آمیز و عدم تحقق انتظارات از توانایی سیستم های هوش مصنوعی اتفاق می افتد. آیا این توصیف هوش مصنوعی امروزی است؟

در طول چند ماه گذشته، چند مورد مهم را مشاهده کردیم. هوش مصنوعی مولد سیستم‌هایی که نتوانسته‌اند وعده‌های سرمایه‌گذاران و مدیران سیلیکون ولی را – از جمله مدل اخیر GPT-4o Open AI، مرورهای هوش مصنوعی گوگل، موتور سرقت ادبی Perspective و بسیاری دیگر – برآورده کنند.

هرچند این دوره‌ها معمولا موقتی هستند، اما می‌توانند بر رشد صنعت تاثیر بگذارند.

تاریخچه مختصری از زمستان‌های هوش مصنوعی و دلایل وقوع هر یک

زمینه هوش مصنوعی دارای تاریخی غنی (هرچند کوتاه) است که با دوره‌هایی از شور و هیجان شدید و در پی آن ناامیدی همراه بوده است. این دوره‌های نزول را اکنون زمستان هوش مصنوعی می‌نامیم.

اولین دوره رکود در دهه ۱۹۷۰ رخ داد. پروژه‌های اولیه هوش مصنوعی مانند ترجمه ماشینی و تشخیص گفتار نتوانستند انتظارات بلندپروازانه‌ای را که برای آنها تعیین شده بود، برآورده کنند. بودجه تحقیقات هوش مصنوعی به طور کامل قطع شد و این امر منجر به کند شدن پیشرفت در این زمینه شد.

چند عامل در وقوع اولین زمستان هوش مصنوعی نقش داشتند.

به طور خلاصه، پژوهشگران بیش از حد وعده داده بودند که هوش مصنوعی در کوتاه مدت چه توانایی‌هایی خواهد داشت.

هنوز هم ما به طور کامل هوش انسانی را درک نمی‌کنیم و همین موضوع ساختن هوش مصنوعی شبیه به آن را دشوار می‌کند.

یکی دیگر از عوامل مهم این بود که قدرت محاسباتی در دسترس در آن زمان برای پاسخگویی به نیازهای روزافزون حوزه هوش مصنوعی کافی نبود، و این امر به طور اجتناب‌ناپذیری پیشرفت در این زمینه را متوقف کرد.

در دهه ۱۹۸۰، با توسعه سیستم‌های خبره که به طور موفقیت آمیز مسائل خاص در حوزه‌های محدود را حل می‌کردند، پیشرفت‌هایی مشاهده شد. این دوره هیجان انگیز تا اواخر دهه ۱۹۸۰ و اوایل دهه ۱۹۹۰ ادامه یافت تا اینکه زمستان دیگری در هوش مصنوعی فرا رسید.

این بار دلایل بیشتر به مرگ یک فناوری محاسباتی – ماشین لیسب – مربوط می‌شد که جایگزین‌های کارآمدتر جای آن را گرفتند.

در همان زمان، سیستم‌های خبره در مواجهه با ورودی‌های غیرمنتظره نتوانستند به انتظارات پاسخ دهند و این امر منجر به خطا و تضعیف اعتماد شد.

یکی از تلاش‌های کلیدی برای جایگزینی ماشین‌های لیسپ پروژه نسل پنجم ژاپن لطفاً متنی که می‌خواهید ترجمه شود را در پرانتز بنویسید.

این پروژه حاصل همکاری صنعت کامپیوتر و دولت بود که هدف از آن متحول کردن سیستم عامل‌های هوش مصنوعی و تکنیک‌ها، فناوری‌ها و سخت افزارهای محاسباتی بود. در نهایت این پروژه در رسیدن به اکثر اهدافش ناکام ماند.

با وجود اینکه تحقیقات در زمینه هوش مصنوعی در طول دهه 1990 ادامه داشت، بسیاری از پژوهشگران از استفاده از اصطلاح “هوش مصنوعی” خودداری می‌کردند تا خود را از تاریخچه وعده‌های شکست‌خورده این حوزه جدا کنند.

این موضوع شباهت زیادی به گرایشی دارد که در حال حاضر مشاهده می‌شود، که در آن بسیاری از پژوهشگران برجسته با دقت به حوزه خاص تحقیقاتی خود اشاره می‌کنند و از استفاده از اصطلاحات کلی دوری می‌کنند.

علاقه به هوش مصنوعی در اوایل دهه ۲۰۰۰ به دلیل پیشرفت‌های یادگیری ماشین و محاسبات افزایش یافت، اما ادغام عملی آن کند بود.

با وجود اینکه این دوره به عنوان “بهار هوش مصنوعی” شناخته می‌شد، اصطلاح “هوش مصنوعی” همچنان به دلیل شکست‌های گذشته و عدم تحقق انتظارات، خدشه‌دار شده بود.

هم سرمایه‌گذاران و هم پژوهشگران از این اصطلاح دوری می‌کردند و آن را با سیستم‌های پر سر و صدا و کم کارآمد مرتبط می‌دانستند.

در نتیجه، هوش مصنوعی اغلب با نام‌های دیگری مانند یادگیری ماشین، انفورماتیک یا سیستم‌های شناختی معرفی می‌شد. این امر به محققان اجازه می‌داد تا خود را از انگ مرتبط با هوش مصنوعی دور نگه دارند و بودجه لازم برای کار خود را تامین کنند.

از سال ۲۰۰۰ تا ۲۰۲۰، واتسونِ آی‌بی‌ام نمونه‌ای بارز از ادغام ناکام هوش مصنوعی بود که با وعده انقلاب در مراقبت‌های بهداشتی و تشخیص پزشکی همراه بود.

با وجود موفقیت در برنامه‌ی مسابقه‌ای «جپاردای»، این پروژه ابر هوش مصنوعی با چالش‌های جدی مواجه بود هنگامی که در مراقبت های بهداشتی واقعی به کار گرفته می شود.

مشاور متخصص انکولوژی، در همکاری با مرکز سرطان MD Anderson، در تفسیر یادداشت‌های پزشکان و اعمال یافته‌های تحقیقاتی به موارد بیماران فردی با مشکل مواجه بود.

پروژه مشابهی در مرکز سرطان اسلون کترینگ، به دلیل استفاده از داده‌های مصنوعی با مشکل مواجه شد. این داده‌ها، تعصباتی را وارد سیستم کرده و تغییرات واقعی در موارد بیماران و گزینه‌های درمانی را در نظر نگرفتند.

هنگامی که واتسون در سایر نقاط جهان پیاده‌سازی شد، توصیه‌های آن اغلب نامرتبط یا با زیرساخت‌های مراقبت‌های بهداشتی و رژیم‌های درمانی محلی ناسازگار بودند.

حتی در ایالات متحده، به خاطر ارائه مشاوره‌های آشکار یا غیرعملی مورد انتقاد قرار گرفت.

در نهایت، شکست واتسون در حوزه سلامت، نشان دهنده چالش‌های استفاده از هوش مصنوعی در مسائل پیچیده دنیای واقعی و اهمیت توجه به زمینه و محدودیت‌های داده‌هاست.

در همین حین، چندین روند مرتبط با هوش مصنوعی پدیدار شد. این فناوری‌های نوظهور با سروصدا و بودجه روبرو شدند، اما پس از ناکامی در تحقق انتظارات، به سرعت محو شدند.

به این فکر کن:

• چت‌بات‌ها
• اینترنت اشیا
• دستگاه‌های صوتی
• داده‌های حجیم
• بلاکچین
• واقعیت افزوده
• خودروهای خودران

همه این زمینه‌های تحقیق و توسعه هنوز پتانسیل زیادی دارند، اما علاقه سرمایه‌گذاران در دوره‌های مختلفی در گذشته به اوج خود رسیده است.

(منبع: گوگل ترندز)

به طور کلی، تاریخچه هوش مصنوعی، داستانی هشداری از خطرات اغراق و انتظارات غیرواقعی است، هرچند پایداری و پیشرفت ماموریت این صنعت را نیز نشان می‌دهد. با وجود شکست‌ها، فناوری‌های هوش مصنوعی پیشرفت کرده‌اند.

ویژگی‌ها و درس‌هایی که از زمستان‌های گذشته هوش مصنوعی آموخته‌ایم

هوش مصنوعی مولد آخرین تحول در چرخه پیشرفت هوش مصنوعی، هیاهو، سرمایه گذاری و ادغام فناوری چند وجهی در بسیاری از زمینه‌های زندگی و کسب و کار است.

بیایید ببینیم آیا هوش مصنوعی در حال ورود به زمستان خود است یا نه. اما قبل از آن، اجازه دهید به طور مختصر به درس‌هایی که از هر زمستان هوش مصنوعی در گذشته گرفته‌ایم، نگاهی بیندازیم.

هر زمستان هوش مصنوعی این نقاط عطف مشترک را به اشتراک می‌گذارد:

چرخه هیجان

• زمستان‌های هوش مصنوعی اغلب پس از دوره‌های هیاهو و انتظارات اغراق‌آمیز رخ می‌دهند.
• تفاوت بین این انتظارات غیرواقعی و توانایی‌های واقعی فناوری هوش مصنوعی، منجر به ناامیدی و سرخوردگی می‌شود.

موانع فنی

• زمستان‌های هوش مصنوعی غالباً با محدودیت‌های فنی همزمان می‌شوند.
• چه کمبود قدرت محاسباتی باشد، چه چالش‌های الگوریتمی یا کمبود داده، این موانع می‌توانند به طور قابل توجهی پیشرفت را مختل کنند.

خشکسالی مالی

• با کاهش علاقه به هوش مصنوعی، بودجه تحقیق و توسعه آن هم رو به اتمام است.
• این کمبود سرمایه گذاری می‌تواند نوآوری را بیشتر خفه کند و روند کندی را تشدید کند.

واکنش منفی و تردید

• در دوران زمستان هوش مصنوعی، انتقاد و تردید از سوی جامعه علمی و عموم مردم به شدت افزایش می‌یابد.
• این حس منفی می‌تواند حال و هوا را بیشتر خراب کند و جذب سرمایه یا پشتیبانی را دشوار سازد.

عقب‌نشینی استراتژیک

• در پاسخ به این چالش‌ها، پژوهشگران هوش مصنوعی غالبا تمرکز خود را به سمت پروژه‌های قابل مدیریت‌تر و کم‌جاه‌طلبانه‌تر تغییر می‌دهند.
• این می‌تواند شامل تغییر برند کار آنها یا تمرکز بر کاربردهای خاص برای اجتناب از بار منفی مرتبط با هوش مصنوعی باشد.
• سپس یک پیشرفت برجسته اتفاق می‌افتد و چرخه دوباره از نو آغاز می‌شود.

زمستان‌های هوش مصنوعی فقط یک شکست موقت نیستند، بلکه می‌توانند به پیشرفت واقعی آسیب بزنند.

بودجه‌ها به اتمام می‌رسند، پروژه‌ها رها می‌شوند و افراد با استعداد از این حوزه می‌روند.

علاوه بر این، دوره‌های رکود هوش مصنوعی می‌تواند باعث ایجاد سوء ظن به هوش مصنوعی در مردم شود و پذیرش حتی هوش مصنوعی خوب را دشوارتر کند.

از آنجا که هوش مصنوعی به طور فزاینده‌ای در اقتصاد کشورها، زندگی ما و بسیاری از مشاغل در حال ادغام شدن است، رکود اقتصادی به همه آسیب می‌رساند.

انگار ترمز می‌زنیم درست زمانی که به سمت رسیدن به برخی از بزرگ‌ترین اهداف مرتبط با فناوری در دنیا مثل هوش مصنوعی عمومی (AGI) در حال پیشرفت هستیم.

این چرخه ها پژوهش های بلندمدت را نیز ناامیدکننده می کند و باعث تمرکز بر سودهای کوتاه‌مدت می‌شود.

با وجود کند شدن پیشرفت، زمستان‌های هوش مصنوعی تجربیات ارزشمندی را به همراه دارند. آنها به ما یادآوری می‌کنند که در مورد توانایی‌های هوش مصنوعی واقع‌بین باشیم، روی تحقیقات بنیادی تمرکز کنیم و منابع مالی متنوعی را تضمین کنیم.

همکاری بین بخش‌های مختلف و شفافیت در ارتباط‌گیری درباره مزایا و محدودیت‌های هوش مصنوعی، به ویژه برای سرمایه‌گذاران و عموم مردم، بسیار حائز اهمیت است.

با پذیرش این درس‌ها، می‌توانیم آینده‌ای پایدار و تأثیرگذار برای هوش مصنوعی خلق کنیم که واقعاً به نفع جامعه باشد.

آیا ما در حال حاضر به سمت زمستان هوش مصنوعی حرکت می‌کنیم؟

آیا زمستان هوش مصنوعی در راه است؟

به نظر می‌رسد پیشرفت در هوش مصنوعی بعد از سال انفجاری ۲۰۲۳ کمی کند شده است، هم در مورد تکنولوژی‌های جدیدی که منتشر می‌شوند، هم در مورد آپدیت‌های مدل‌های موجود، و هم در مورد هیاهوی پیرامون هوش مصنوعی مولد.

افراد (یا مردم) گری مارکوس اعتقاد دارم که پیشرفت‌های چشمگیر در عملکرد مدل‌های هوش مصنوعی کمتر از قبل اتفاق می‌افتد.

عدم پیشرفت چشمگیر در هوش مصنوعی مولد و توسعه مدل‌های جدید از سوی رهبران این حوزه، نشانگر احتمالی کند شدن سرعت پیشرفت است.

با توجه به تماس های سرمایه گذاران اشاره به هوش مصنوعی نیز کاهش یافته است. این امر بیشتر به این باور می‌انجامد که افزایش بهره‌وری که هوش مصنوعی مولد وعده داده بود، فراتر از آنچه تاکنون به دست آمده، تحقق نخواهد یافت.

درستش اینه که زیاد نیست، بازده سرمایه گذاری (ROI) هم چندان بالا نیست. تلاش برای یافتن بازده بهره‌وری انتظار می‌رود که از سرمایه‌گذاری‌های هوش مصنوعی خود سود ببرند.

پیشرفت‌های سریع و هیجان‌انگیز پیرامون ابزارهایی مانند ChatGPT، توقعاتی بیش از حد درباره توانایی‌ها و تأثیر بالقوه آن‌ها ایجاد کرده است.

چیزی که قبلاً فقط برای تعداد کمی از مردم، عمدتاً پژوهشگران هوش مصنوعی، آشکار بود، اکنون به دانش عمومی تبدیل شده است – مدل‌های زبانی بزرگ مدل‌های زبانی بزرگ

این مدل‌ها با محدودیت‌های اساسی از جمله توهم و عدم درک واقعی مواجه هستند که کاربرد عملی آن‌ها را کاهش می‌دهد.

مردم متوجه می‌شوند که این فناوری‌ها، در صورت سوء استفاده، در حال حاضر به وب آسیب می‌رسانند. محتوای تولید شده توسط هوش مصنوعی در سراسر وب، از نظرات شبکه‌های اجتماعی تا پست‌ها، وبلاگ‌ها، ویدئوها و پادکست‌ها پخش شده است.

محتوای اصیل تولید شده توسط انسان به ندرت یافت می شود. مدل‌های هوش مصنوعی آینده به طور اجتناب‌ناپذیری با محتوای مصنوعی آموزش داده خواهد شد و این امر اجتناب از آن را غیرممکن کرده و در نهایت منجر به عملکرد ضعیف‌تر در طول زمان خواهد شد.

ما حتی به سادگی هک کردن هوش مصنوعی مولد، مسائل اخلاقی در جمع‌آوری داده‌های آموزشی، چالش‌های محافظت از داده‌های کاربران و بسیاری از مشکلات دیگر که شرکت‌های فناوری غالبا در بحث‌های هوش مصنوعی از آن چشم‌پوشی می‌کنند، نپرداخته‌ایم.

با این حال، برخی نشانه ها از یک زمستان هوش مصنوعی قریب الوقوع در کوتاه مدت خبر نمی دهند.

فناوری هوش مصنوعی به سرعت در حال تکامل است، مدل‌های متن‌باز با سرعت در حال نزدیک شدن به مدل‌های بسته هستند و برنامه‌های نوآورانه‌ای مانند عوامل هوش مصنوعی ظهور می‌کنند.

علاوه بر این، هوش مصنوعی در حال ادغام در صنایع و برنامه‌های مختلف است، اغلب به طور یکپارچه (گاهی اوقات نه – به شما نگاه می‌کنم،). بررسی اجمالی هوش مصنوعی (و حداقل کاربرد عملی آن را نشان می‌دهد)

معلوم نیست که آیا این اجراها آزمون زمان را پشت سر می‌گذارند.

سرمایه‌گذاری مداوم در شرکت‌هایی مانند گیج شدن، سردرگمی، حیرت ( نشان دهنده اعتماد سرمایه گذاران به پتانسیل هوش مصنوعی در جستجو، با وجود … ) افرادی که تردید دارند ادعاهای برخی از شرکت ها را رد می کنند. و به روش‌های آن در زمینه مالکیت معنوی تردید می‌کند.

آینده هوش مصنوعی در جستجو و نقش شما در آن

هوش مصنوعی قطعا اینجا خواهد ماند. من و دیگر مشتاقان اتوماسیون، از هیجان و کنجکاوی همه برای این تکنولوژی و کاوش آن به وجد آمده ایم.

مهم است که هیجان فعلی باعث نشود انتظارات شما بیش از حد بالا برود. این فناوری هنوز محدودیت هایی دارد و تا رسیدن به پتانسیل کامل خود راه درازی در پیش دارد.

هوشیار باشید نسبت به برنامه‌نویسان و مدیران اجرایی که سود فوق‌العاده‌ای یا پیش‌بینی‌های روز قیامت را (همیشه خیلی زود) به شما ارائه می‌دهند که در آن هوش مصنوعی عمومی (AGI) وجود خواهد داشت و هوش مصنوعی جای شما را خواهد گرفت.

هر چند اتوماسیون در حال متحول کردن نیروی کار است، اما این تغییر تدریجی است.

در حال حاضر، پیشرفت هایی در زمینه هوش مصنوعی عمومی (AGI) حاصل شده، اما محققان معتبر هوش مصنوعی معتقدند که این واقعیت به زودی اتفاق نخواهد افتاد. هنوز موانع زیادی برای رسیدن به این هدف وجود دارد.

درک هر فناوری نوظهوری، به خصوص فناوری‌هایی که مانند هوش مصنوعی در حال حاضر به طور گسترده‌ای مورد بحث قرار می‌گیرند و نحوه عملکرد آنها، برای ایجاد استراتژی‌هایی که در گذر زمان پایدار باشند، حیاتی است.

ممکن است در جستجو (به‌ویژه) شاهد یکی از دو سناریو باشیم.

پیشرفت ادامه دارد.

پیاده‌سازی‌ها آزمون زمان را پشت سر می‌گذارند و مدل‌ها بهبود می‌یابند.

برای بازاریابان جستجو، این ممکن است به معنای محتوای تولید شده توسط هوش مصنوعی بیشتر برای رقابت باشد، اما در عین حال سیستم‌های جستجوی پیشرفته‌تر و الگوریتم‌های تشخیص هوش مصنوعی نیز وجود دارند که با تقویت صداهای اصیل و نوشته شده توسط انسان، این وظیفه را آسان‌تر می‌کنند.

سرمایه‌گذاران می‌برند، فناوری‌های بزرگ می‌برند، همه می‌برند.

البته که اگر چالش‌های مربوط به اخلاق، امنیت، مالکیت معنوی و استفاده از منابع حل شود. اما از موضوع اصلی دور می‌شوم.

پیشرفت متوقف شده است.

سیستم‌ها بدتر می‌شوند. فکر کن.

• هیچ پیشرفتی در مرور کلی هوش مصنوعی گوگل وجود ندارد.
• نتایج وب پر از اسپم بیشتر شده است.
• اطلاعات نادرست
• تمام فیدهای رسانه‌های اجتماعی، انجمن‌های آنلاین و سایر فضاهای دیجیتال مسموم شده

در این سناریو، شرکت‌های بزرگ فناوری به سرعت شروع به از دست دادن پول می‌کنند. (برخی شواهد نشان می‌دهد که این روند در حال حاضر آغاز شده است.)

در نهایت، توسعه، نگهداری و بهبود سیستم‌های هوش مصنوعی هزینه‌بر است.

با این حال، عدم انجام این کار، اعتماد سرمایه‌گذاران را خدشه‌دار خواهد کرد و آنها در نهایت به کاهش اجرای برنامه‌ها در این زمینه تن خواهند داد.

عدم موفقیت عمومی چندین مورد از این فناوری‌ها در برآورده کردن انتظارات، به از بین رفتن اعتماد گسترده نسبت به پتانسیل هوش مصنوعی مولد منجر خواهد شد.

در هر دو حالت، برند اصالت شرکت و افراد آن و رویکرد در ارتباط با مشتریان، از اهمیت بیشتری برخوردار خواهد شد.

سناریوی دوم نیز تمایل مصرف‌کننده به تجربیات واقعی و غیردیجیتالی را تقویت خواهد کرد.

پیشنهاد من به بازاریابان جستجو این است که از خطرات هوش مصنوعی آگاه باشند و نحوه کارکرد مدل‌های مختلف را یاد بگیرند. مزایا و محدودیت‌های این مدل‌ها چیست؟ چه کارهایی را به خوبی انجام می‌دهند و چه کارهایی را ضعیف؟

ابزارهایی را برای افزایش بهره‌وری خود امتحان کنید. بسیاری از مدل‌ها هنوز برای استفاده کامل در بازاریابی آماده نیستند و رفتار با آن‌ها به عنوان چنین، می‌تواند مشکلات ذکر شده در این مقاله را تشدید کند.