هوش مصنوعی.

هوش مصنوعی (AI) چیست؟هوش مصنوعی چگونه کار می کند؟

نوشته شده توسط آلیسا شرور به روز شده توسط آندریاس ركدال |03 مارس 2023 بازبینی شده بوسیله Jye Sawtell-Rickson |19 سپتامبر 2022

هوش مصنوعی چیست؟

هوش مصنوعی (AI) شاخه ای گسترده از علوم رایانه است که مربوط به ساخت ماشین های هوشمند است که قادر به انجام کارهایی هستند که به طور معمول به هوش انسانی نیاز دارند. در حالی که هوش مصنوعی یک علم بین رشته ای با رویکردهای متعدد است ، پیشرفت در یادگیری ماشین و یادگیری عمیق ، به ویژه ، در حال ایجاد تغییر پارادایم در تقریباً در هر بخش از صنعت فناوری است. هوش مصنوعی به ماشین آلات اجازه می دهد تا توانایی های ذهن انسان را الگوبرداری یا حتی بهبود بخشند. و از توسعه خودروهای خودران تا گسترش دستیاران هوشمند مانند سیری و الکسا ، هوش مصنوعی به طور فزاینده ای به بخشی از زندگی روزمره تبدیل می شود-و شرکت های منطقه ای در هر صنعت سرمایه گذاری می کنند.

تعریف هوش مصنوعی: اصول AI نمونه هایی از هوش مصنوعی مزایا ، چالش ها و آینده تاریخچه AI ، یک جدول زمانی تعریف هوش مصنوعی: اصول AI

درک هوش مصنوعی

به طور گسترده ، سیستم های هوشمند مصنوعی می توانند کارهایی را انجام دهند که معمولاً با عملکردهای شناختی انسان همراه است - مانند تفسیر گفتار ، بازی کردن و شناسایی الگوهای. آنها به طور معمول می آموزند که چگونه با پردازش مقادیر گسترده ای از داده ها ، این کار را انجام دهند و به دنبال الگوهای برای مدل سازی در تصمیم گیری خود هستند. در بسیاری از موارد ، انسان ها بر روند یادگیری هوش مصنوعی نظارت می کنند ، تصمیمات خوب را تقویت می کنند و موارد بد را دلسرد می کنند. اما برخی از سیستم های هوش مصنوعی برای یادگیری بدون نظارت طراحی شده اند - به عنوان مثال ، با انجام یک بازی ویدیویی بارها و بارها تا زمانی که در نهایت قوانین و نحوه پیروزی را بفهمند.

AI قوی در مقابلهوش مصنوعی ضعیف

هوش برای تعریف مشکل است ، به همین دلیل متخصصان هوش مصنوعی به طور معمول بین هوش مصنوعی قوی و AI ضعیف تمایز قائل می شوند.

هوش مصنوعی قوی

هوش مصنوعی قوی ، که به عنوان هوش عمومی مصنوعی نیز شناخته می شود ، دستگاهی است که می تواند مشکلاتی را که هرگز برای کار در آن آموزش داده نشده است - درست مانند یک قوطی انسانی - حل کند. این نوع هوش مصنوعی است که ما در فیلم ها می بینیم ، مانند روبات های Westworld یا داده های شخصیت از Star Trek: The Next Generation. این نوع هوش مصنوعی هنوز وجود ندارد. ایجاد یک دستگاه با هوش سطح انسانی که می تواند برای هر کار اعمال شود ، مقدس مقدس برای بسیاری از محققان هوش مصنوعی است ، اما تلاش برای هوش عمومی مصنوعی مملو از دشواری بوده است. و برخی معتقدند که تحقیقات قوی هوش مصنوعی به دلیل خطرات احتمالی ایجاد یک هوش مصنوعی قدرتمند بدون نگهبان مناسب باید محدود باشد. برخلاف هوش مصنوعی ضعیف ، هوش مصنوعی قوی دستگاهی با مجموعه کاملی از توانایی های شناختی - و طیف وسیعی از موارد استفاده را نشان می دهد - اما زمان مشکل دستیابی به چنین شاهکاری را کاهش نداده است.

هوش مصنوعی ضعیف

• سیری ، الکسا و سایر دستیاران هوشمند
• خودروهای رانندگی
• جستجوی گوگل
• رباتهای مکالمه
• فیلترهای اسپم ایمیل
• توصیه های Netflix

یادگیری ماشین در مقابلیادگیری عمیق

اگرچه اصطلاحات "یادگیری ماشین" و "یادگیری عمیق" به طور مکرر در مکالمات مربوط به هوش مصنوعی ظاهر می شوند ، اما نباید از آنها به صورت متقابل استفاده شود. یادگیری عمیق نوعی یادگیری ماشین است و یادگیری ماشین زیر مجموعه ای از هوش مصنوعی است.

فراگیری ماشین

یک الگوریتم یادگیری ماشین توسط یک کامپیوتر داده می شود و از تکنیک های آماری برای کمک به "یادگیری" چگونگی بهتر شدن در یک کار استفاده می کند ، بدون اینکه لزوماً برای آن کار برنامه ریزی شده باشد. در عوض ، الگوریتم های ML از داده های تاریخی به عنوان ورودی برای پیش بینی مقادیر خروجی جدید استفاده می کنند. برای این منظور ، ML از هر دو یادگیری تحت نظارت (جایی که خروجی مورد انتظار برای ورودی به لطف مجموعه داده های دارای برچسب شناخته شده است) و یادگیری بدون نظارت (جایی که خروجی های مورد انتظار به دلیل استفاده از مجموعه داده های بدون برچسب ناشناخته هستند).

یادگیری عمیق

Deep Leaing نوعی از یادگیری ماشین است که ورودی ها را از طریق یک معماری شبکه عصبی با الهام از بیولوژیکی اجرا می کند. شبکه های عصبی حاوی تعدادی از لایه های پنهان هستند که از طریق آن داده ها پردازش می شوند و به دستگاه اجازه می دهد تا در یادگیری خود "عمیق" شود ، اتصالات و وزن گیری را برای بهترین نتیجه انجام دهد.

نمونه هایی از هوش مصنوعی

چهار نوع هوش مصنوعی

هوش مصنوعی را می توان بر اساس نوع و پیچیدگی کارهایی که یک سیستم قادر به انجام آن است ، به چهار دسته تقسیم کرد. آن ها هستند:

1. ماشین های واکنشی
2. حافظه محدود
3. نظریه ذهن
4. خود آگاهی

ماشین های واکنشی

یک دستگاه واکنشی اساسی ترین اصول هوش مصنوعی را دنبال می کند و همانطور که از نام آن پیداست ، فقط می تواند از هوش خود برای درک و واکنش به جهان در مقابل آن استفاده کند. یک دستگاه واکنشی نمی تواند یک حافظه را ذخیره کند و در نتیجه ، نمی تواند به تجربیات گذشته اعتماد کند تا تصمیم گیری را در زمان واقعی اطلاع دهد.

درک مستقیم جهان به این معنی است که ماشینهای واکنشی برای انجام تنها تعداد محدودی از وظایف تخصصی طراحی شده اند. با این وجود عمداً باریک کردن جهان بینی یک ماشین واکنشی فواید خود را دارد ، با این حال: این نوع هوش مصنوعی قابل اعتماد تر و قابل اعتماد تر خواهد بود و هر بار به همان روش واکنش نشان می دهد.

نمونه های دستگاه واکنشی

• Deep Blue توسط IBM در دهه 1990 به عنوان یک ابر رایانه شطرنج بازی کرد و در یک بازی ، گری کسپاروف ، گراند بین المللی بین المللی را شکست داد. Deep Blue فقط قادر به شناسایی قطعات روی صفحه شطرنج و دانستن چگونگی حرکت هر یک بر اساس قوانین شطرنج بود ، تصدیق موقعیت فعلی هر قطعه و تعیین منطقی ترین حرکت در آن لحظه است. رایانه حرکات احتمالی آینده را توسط حریف خود دنبال نمی کرد یا سعی می کرد قطعات خاص خود را در موقعیت بهتری قرار دهد. هر نوبت به عنوان واقعیت خاص خود ، جدا از هر جنبش دیگری که از قبل انجام شده بود ، تلقی می شد.
• Alphago Google همچنین قادر به ارزیابی حرکات آینده نیست اما برای ارزیابی پیشرفت های بازی حاضر به شبکه عصبی خود متکی است و در یک بازی پیچیده تر به آن می بخشد. Alphago همچنین بهترین رقبای کلاس جهانی این بازی را کسب کرد و لی لی Sedol بازیکن قهرمان Go را شکست داد.

حافظه محدود

AI حافظه محدود توانایی ذخیره داده ها و پیش بینی های قبلی را هنگام جمع آوری اطلاعات و وزن گیری تصمیمات بالقوه دارد - اساساً به دنبال گذشته برای سرنخ هایی در مورد آنچه ممکن است آینده باشد. AI حافظه محدود پیچیده تر است و امکانات بیشتری را نسبت به ماشین های واکنشی نشان می دهد.

AI حافظه محدود هنگامی ایجاد می شود که تیمی به طور مداوم مدلی را در نحوه تجزیه و تحلیل و استفاده از داده های جدید آموزش می دهد یا یک محیط هوش مصنوعی ساخته می شود تا مدل ها بتوانند به طور خودکار آموزش داده و تمدید شوند.

هنگام استفاده از AI حافظه محدود در ML ، باید شش مرحله دنبال شود:

1. داده های آموزشی را ایجاد کنید
2. مدل یادگیری ماشین را ایجاد کنید
3. اطمینان حاصل کنید که مدل می تواند پیش بینی کند
4. اطمینان حاصل کنید که این مدل می تواند بازخورد انسانی یا محیطی را دریافت کند
5. بازخورد انسانی و محیطی را به عنوان داده ذخیره کنید
6. مراحل فوق را به عنوان یک چرخه تکرار کنید

نظریه ذهن

نظریه ذهن فقط همین است - نظری. ما هنوز به توانایی های فنی و علمی لازم برای رسیدن به این سطح بعدی هوش مصنوعی دست نیافته ایم.

این مفهوم مبتنی بر پیش‌فرض روان‌شناختی درک این است که موجودات زنده دیگر افکار و احساساتی دارند که بر رفتار فرد تأثیر می‌گذارند. از نظر ماشین‌های هوش مصنوعی، این بدان معناست که هوش مصنوعی می‌تواند احساسات انسان‌ها، حیوانات و سایر ماشین‌ها را درک کند و از طریق خود اندیشی و تصمیم‌گیری تصمیم بگیرد و سپس از این اطلاعات برای تصمیم‌گیری خود استفاده کند. اساساً، ماشین‌ها باید بتوانند مفهوم «ذهن»، نوسانات احساسات در تصمیم‌گیری و مجموعه‌ای از مفاهیم روان‌شناختی دیگر را در زمان واقعی درک و پردازش کنند و یک رابطه دو طرفه بین افراد و هوش مصنوعی ایجاد کنند.

خودآگاهی

هنگامی که نظریه ذهن می تواند ایجاد شود، در آینده ای نزدیک به هوش مصنوعی، گام نهایی برای خودآگاهی هوش مصنوعی خواهد بود. این نوع هوش مصنوعی دارای آگاهی در سطح انسانی است و وجود خود در جهان و همچنین حضور و وضعیت عاطفی دیگران را درک می کند. این می تواند بفهمد که دیگران به چه چیزهایی ممکن است نیاز داشته باشند، نه فقط بر اساس آنچه با آنها ارتباط برقرار می کنند، بلکه بر اساس نحوه ارتباط آنها.

خودآگاهی در هوش مصنوعی هم به محققان انسانی متکی است که مقدمات هوشیاری را درک کنند و سپس یاد بگیرند که چگونه آن را تکرار کنند تا بتوان آن را در ماشین ها ساخت.

انواع هوش مصنوعی |توضیح هوش مصنوعی |هوش مصنوعی چیست؟|ادورکا |ویدئو: edureka!

نمونه های هوش مصنوعی

فناوری هوش مصنوعی اشکال مختلفی دارد، از چت ربات گرفته تا اپلیکیشن های ناوبری و ردیاب های تناسب اندام پوشیدنی. مثال های زیر وسعت کاربردهای بالقوه هوش مصنوعی را نشان می دهد.

ChatGPT

ChatGPT یک چت بات هوش مصنوعی است که قادر به تولید محتوای نوشتاری در قالب‌های مختلف، از مقاله گرفته تا کد و پاسخ به سوالات ساده است. ChatGPT که در نوامبر 2022 توسط OpenAI راه اندازی شد، از یک مدل زبان بزرگ پشتیبانی می کند که به آن اجازه می دهد تا از نزدیک نوشته های انسان را تقلید کند.

نقشه های گوگل

Google Maps از داده‌های موقعیت مکانی گوشی‌های هوشمند و همچنین داده‌های گزارش‌شده توسط کاربر در مورد مواردی مانند ساخت‌وساز و تصادفات رانندگی برای نظارت بر جزر و مد ترافیک و ارزیابی سریع‌ترین مسیر استفاده می‌کند.

دستیاران هوشمند

دستیاران شخصی مانند Siri ، Alexa و Cortana از پردازش زبان طبیعی یا NLP برای دریافت دستورالعمل کاربران برای تنظیم یادآوری ، جستجوی اطلاعات آنلاین و کنترل چراغ ها در خانه های افراد استفاده می کنند. در بسیاری از موارد ، این دستیاران برای یادگیری ترجیحات کاربر و بهبود تجربه خود در طول زمان با پیشنهادات بهتر و پاسخ های متناسب تر طراحی شده اند.

فیلترهای اسنپ چت

فیلترهای Snapchat از الگوریتم های ML برای تمایز بین موضوع یک تصویر و پس زمینه استفاده می کنند ، حرکات صورت را ردیابی می کنند و تصویر را بر اساس آنچه کاربر انجام می دهد ، روی صفحه تنظیم می کند.

خودروهای رانندگی

اتومبیل های خودران یک نمونه قابل تشخیص از یادگیری عمیق هستند ، زیرا از شبکه های عصبی عمیق برای تشخیص اشیاء اطراف خود استفاده می کنند ، فاصله آنها را از سایر اتومبیل ها تعیین می کنند ، سیگنال های راهنمایی و رانندگی و موارد دیگر را مشخص می کنند.

پوشیدنی

سنسورهای پوشیدنی و دستگاههای مورد استفاده در صنعت مراقبت های بهداشتی نیز از یادگیری عمیق برای ارزیابی وضعیت سلامتی بیمار ، از جمله سطح قند خون آنها ، فشار خون و ضربان قلب استفاده می کنند. آنها همچنین می توانند از داده های پزشکی قبلی بیمار الگوهای خود را بدست آورند و از آن برای پیش بینی شرایط بهداشتی آینده استفاده کنند.

موزرو

Muzero ، یک برنامه رایانه ای که توسط DeepMind ایجاد شده است ، یک پیشکسوت امیدوار کننده در تلاش برای دستیابی به هوش عمومی مصنوعی واقعی است. این کشور موفق شده است بازی هایی را که حتی به آنها آموزش داده نشده است ، از جمله شطرنج و مجموعه ای از بازی های Atari ، از طریق Brute Force ، بازی های میلیون ها بار انجام دهد.

مزایا ، چالش ها و آینده

مزایای هوش مصنوعی

هوش مصنوعی کاربردهای بسیاری دارد - از افزایش توسعه واکسن گرفته تا خودکار سازی تشخیص کلاهبرداری احتمالی. براساس تحقیقات CB Insights ، شرکت های هوش مصنوعی در سال 2022 66. 8 میلیارد دلار بودجه جمع آوری کرده اند ، بیش از دو برابر شدن مبلغ جمع آوری شده در سال 2020. به دلیل پذیرش سریع آن ، هوش مصنوعی در صنایع مختلفی موج می زند.

بانکداری ایمن تر

گزارش 2022 اطلاعات Insider Intelligence در مورد هوش مصنوعی در بانکداری نشان داد که بیش از نیمی از شرکت های خدمات مالی در حال حاضر از راه حل های هوش مصنوعی برای مدیریت ریسک و تولید درآمد استفاده می کنند. استفاده از هوش مصنوعی در بانکداری می تواند منجر به افزایش 400 میلیارد دلار پس انداز شود.

داروی بهتر

در مورد پزشکی ، یک گزارش سازمان بهداشت جهانی 2021 خاطرنشان کرد که در حالی که ادغام هوش مصنوعی در زمینه مراقبت های بهداشتی با چالش هایی همراه است ، این فناوری "وعده بزرگی" دارد ، زیرا این امر می تواند منجر به مزایایی مانند سیاست های بهداشتی آگاهانه و بهبود در صحت تشخیص بیماران شود. بشر

رسانه نوین

هوش مصنوعی همچنین در سرگرمی خود نشان داده است. براساس تحقیقات Grand View Research ، بازار جهانی هوش مصنوعی در رسانه و سرگرمی تا سال 2030 به 99. 48 میلیارد دلار رسیده است که از ارزش 10. 87 میلیارد دلار در سال 2021 رشد می کند. این گسترش شامل استفاده از هوش مصنوعی مانند شناخت سرقت ادبی و توسعه گرافیک با کیفیت بالا است.

چالش ها و محدودیت های هوش مصنوعی

در حالی که مطمئناً هوش مصنوعی به عنوان یک دارایی مهم و به سرعت در حال تحول تلقی می شود ، این زمینه در حال ظهور با سهم خود از نزولی همراه است.

مرکز تحقیقات پیو در سال 2021 10،260 آمریکایی را در مورد نگرش خود به هوش مصنوعی مورد بررسی قرار داد. نتایج نشان داد که 45 درصد از پاسخ دهندگان به همان اندازه هیجان زده و نگران هستند و 37 درصد بیشتر از هیجان نگران هستند. علاوه بر این ، بیش از 40 درصد از پاسخ دهندگان گفتند که آنها اتومبیل های بدون راننده را برای جامعه بد می دانند. با این حال ، ایده استفاده از هوش مصنوعی برای شناسایی اطلاعات دروغین در رسانه های اجتماعی با استقبال بیشتری روبرو شد ، و نزدیک به 40 درصد از کسانی که مورد بررسی قرار گرفته اند ، ایده خوبی را نشان می دهند.

هوش مصنوعی یک مزیت برای بهبود بهره وری و کارآیی است و در عین حال پتانسیل خطای انسانی را کاهش می دهد. اما همچنین برخی از معایب مانند هزینه های توسعه و امکان دستگاه های خودکار برای جایگزینی مشاغل انسانی وجود دارد. با این وجود شایان ذکر است که صنعت هوش مصنوعی نیز در ایجاد شغل است - برخی از آنها حتی هنوز اختراع نشده اند.

آینده هوش مصنوعی

هنگامی که شخصی هزینه های محاسباتی و زیرساخت داده های فنی را که در پشت هوش مصنوعی قرار دارد ، در نظر می گیرد ، در واقع اجرای AI یک تجارت پیچیده و پر هزینه است. خوشبختانه ، همانطور که در قانون مور نشان داده شده است ، پیشرفت های گسترده ای در فناوری محاسبات وجود داشته است ، که بیان می کند که تعداد ترانزیستورها در یک میکروچیپ حدود هر دو سال دو برابر می شود در حالی که هزینه رایانه ها نصف می شوند.

اگرچه بسیاری از کارشناسان بر این باورند که قانون مور به احتمال زیاد در دهه 2020 به پایان می رسد ، اما این تأثیر عمده ای بر تکنیک های مدرن هوش مصنوعی داشته است - بدون آن ، یادگیری عمیق از نظر مالی از این مسئله خارج خواهد بود. تحقیقات اخیر نشان داد که نوآوری هوش مصنوعی در واقع از قانون مور بهتر است ، هر شش ماه دو برابر می شود و بر خلاف دو سال.

با این منطق ، پیشرفت های هوش مصنوعی در صنایع مختلف در طی چند سال گذشته مهم بوده است. و پتانسیل تأثیر حتی بیشتر در طی چند دهه آینده همه چیز اجتناب ناپذیر به نظر می رسد.

تاریخچه AI ، یک جدول زمانی

تاریخچه هوش مصنوعی

روبات های هوشمند و موجودات مصنوعی برای اولین بار در اسطوره های یونان باستان ظاهر شدند. و توسعه هجوم و استفاده از استدلال قیاسی ، یک لحظه مهم در تلاش بشریت برای درک هوش خود بود. در حالی که ریشه ها طولانی و عمیق است ، تاریخ هوش مصنوعی همانطور که امروز به آن فکر می کنیم کمتر از یک قرن است. در زیر نگاهی گذرا به برخی از مهمترین وقایع هوش مصنوعی است.

دهه 1940

• (1942) اسحاق آسیموف سه قانون روباتیک را منتشر می کند ، ایده ای که معمولاً در رسانه های علمی تخیلی یافت می شود که چگونه هوش مصنوعی نباید به انسان آسیب برساند.
• (1943) وارن مک کالو و والتر پیتز مقاله را "یک حساب منطقی از ایده ها در فعالیت عصبی" منتشر می کنند ، که اولین مدل ریاضی را برای ساختن یک شبکه عصبی ارائه می دهد.
• (1949) در کتاب خود "سازماندهی رفتار: یک تئوری عصبی روانی ، دونالد هب این تئوری را پیشنهاد می کند که مسیرهای عصبی از تجربیات ایجاد می شود و ارتباط بین نورونها بیشتر از آنها استفاده می شود. یادگیری Hebbian همچنان الگوی مهمی در هوش مصنوعی است.

دهه 1950

• (1950) آلن تورینگ مقاله "ماشین آلات محاسباتی و اطلاعات" را منتشر می کند ، و آنچه را که اکنون به عنوان تست تورینگ شناخته می شود ، ارائه می دهد ، روشی برای تعیین هوشمند بودن دستگاه.
• (1950) دانشجویان کارشناسی ارشد هاروارد ماروین مینسکی و دین ادموندز SNARC ، اولین رایانه شبکه عصبی را می سازند.
• (1950) کلود شانون مقاله "برنامه نویسی رایانه ای را برای بازی در شطرنج" منتشر می کند.
• (1952) آرتور ساموئل یک برنامه خودآموزی را برای بازی در چک ها تهیه می کند.
• (1954) آزمایش ترجمه دستگاه Georgetown-IBM به طور خودکار 60 جمله روسی را با دقت انتخاب شده به انگلیسی ترجمه می کند.
• (1956) عبارت "هوش مصنوعی" در پروژه تحقیقاتی تابستانی دارتموث در مورد هوش مصنوعی ابداع شده است. به رهبری جان مک کارتی ، این کنفرانس به طور گسترده ای به عنوان زادگاه هوش مصنوعی محسوب می شود.
• (1956) آلن نیول و هربرت سیمون نظریه پرداز منطق (LT) ، اولین برنامه استدلال را نشان می دهند.
• (1958) جان مک کارتی زبان برنامه نویسی AI را LISP توسعه می دهد و "برنامه هایی با عقل سلیم" را منتشر می کند ، مقاله ای که به عنوان مشاوره فرضی ، یک سیستم کامل هوش مصنوعی با توانایی یادگیری از تجربه به همان اندازه انسان ارائه می دهد.
• (1959) آلن نیول ، هربرت سیمون و J. C. شاو حل کننده مشکل عمومی (GPS) ، برنامه ای را برای تقلید از حل مسئله انسانی تهیه کرد.
• (1959) هربرت گلرنتر برنامه ضرب و شتم قضیه هندسه را تدوین می کند.
• (1959) آرتور ساموئل اصطلاح "یادگیری ماشین" را در حالی که در IBM است ، سکه می کند.
• (1959) جان مک کارتی و ماروین مینسکی پروژه اطلاعات مصنوعی MIT را پیدا کردند.

دهه 1960

• (1963) جان مک کارتی آزمایشگاه هوش مصنوعی را در استنفورد آغاز می کند.
• (1966) گزارش کمیته مشاوره پردازش زبان (ALPAC) توسط دولت آمریكا عدم پیشرفت در تحقیقات ترجمه های ماشین ، ابتکار مهم جنگ سرد با وعده ترجمه خودکار و فوری روسی را نشان می دهد. گزارش ALPAC منجر به فسخ کلیه پروژه های MT با بودجه دولت می شود.
• (1969) اولین سیستم های متخصص موفق ، دندرال و میسین ، در استنفورد ایجاد می شوند.

دهه 1970

• (1972) پیش نویس زبان برنامه نویسی منطق ایجاد می شود.
• (1973) گزارش Lighthill ، جزئیات ناامیدی در تحقیقات هوش مصنوعی ، توسط دولت انگلیس منتشر شده و منجر به کاهش شدید بودجه برای پروژه های هوش مصنوعی می شود.
• (1974-1980) ناامیدی از پیشرفت توسعه هوش مصنوعی منجر به کاهش عمده دارپا در کمک های دانشگاهی می شود. همراه با گزارش قبلی ALPAC و گزارش Lighthill در سال گذشته ، بودجه هوش مصنوعی خشک می شود و غرفه های تحقیق را انجام می دهد. این دوره به "اولین زمستان هوش مصنوعی" معروف است.

1980

• (1980) شرکت های تجهیزات دیجیتال R1 (همچنین به عنوان XCON نیز شناخته می شود) ، اولین سیستم موفق تجاری موفق. R1 که برای پیکربندی سفارشات برای سیستم های رایانه ای جدید طراحی شده است ، رونق سرمایه گذاری در سیستم های تخصصی را آغاز می کند که برای بیشتر دهه ماندگار خواهد شد و به طور موثری به اولین زمستان هوش مصنوعی پایان می یابد.
• (1982) وزارت تجارت و صنعت بین المللی ژاپن پروژه جاه طلبانه سیستم های رایانه ای نسل پنجم را راه اندازی می کند. هدف FGC ها توسعه عملکرد مانند ابر رایانه و سکویی برای توسعه هوش مصنوعی است.
• (1983) در پاسخ به FGC های ژاپن ، دولت آمریكا ابتكار محاسبات استراتژیک را برای ارائه تحقیقات بودجه DARPA در محاسبات پیشرفته و هوش مصنوعی آغاز كرد.
• (1985) شرکت ها بیش از یک میلیارد دلار در سال برای سیستم های متخصص و کل صنعت معروف به بازار ماشین Lisp برای پشتیبانی از آنها هزینه می کنند. شرکت هایی مانند Symbolics و Lisp Machines Inc. رایانه های تخصصی را برای اجرای زبان برنامه نویسی AI LISP می سازند.
• (1987-1993) با بهبود فناوری محاسبات ، گزینه های ارزان تر ظاهر شد و بازار ماشین Lisp در سال 1987 فروپاشید ، و در "زمستان دوم هوش مصنوعی" استفاده کرد. در این دوره ، سیستم های خبره برای حفظ و به روزرسانی بسیار گران بودند و در نهایت از طرفداری خارج شدند.

1990

• (1991) نیروهای ایالات متحده دارت ، یک ابزار برنامه ریزی و برنامه ریزی تدارکات خودکار را در طول جنگ خلیج فارس مستقر می کنند.
• (1992) ژاپن پروژه FGCS را در سال 1992 با استناد به عدم موفقیت در رسیدن به اهداف بلندپروازانه که یک دهه قبل بیان شده بود ، خاتمه می دهد.
• (1993) DARPA ابتکار عمل استراتژیک را در سال 1993 پس از هزینه نزدیک به 1 میلیارد دلار و به مراتب از انتظارات پایان داد.
• (1997) Gary Kasparov ، قهرمان جهان شطرنج جهان Deep Blue Beats IBM.

2000

• (2005) استنلی ، یک ماشین خودران ، برنده چالش بزرگ Darpa است.
• (2005) ارتش آمریكا شروع به سرمایه گذاری در روبات های خودمختار مانند "سگ بزرگ" بوستون دینامیک و "Packbot" Irobot می کند.
• (2008) گوگل در تشخیص گفتار پیشرفت هایی ایجاد می کند و این ویژگی را در برنامه آیفون خود معرفی می کند.

2010

• (2011) واتسون IBM به راحتی رقابت در معرض خطر را شکست می دهد!.
• (2011) اپل سیری ، دستیار مجازی با هوش مصنوعی را از طریق سیستم عامل iOS خود منتشر می کند.
• (2012) اندرو NG ، بنیانگذار پروژه یادگیری عمیق Google Brain ، با استفاده از الگوریتم های یادگیری عمیق 10 میلیون فیلم YouTube به عنوان یک مجموعه آموزش ، یک شبکه عصبی را تغذیه می کند. شبکه عصبی آموخته است که یک گربه را بدون اینکه گفته شود گربه چیست ، در دوره دستیابی به موفقیت در شبکه های عصبی و بودجه یادگیری عمیق به رسمیت می شناسد.
• (2014) Google اولین خودروی خودران را برای گذراندن یک تست رانندگی ایالتی انجام می دهد.
• (2014) الکسا آمازون ، یک دستگاه هوشمند خانگی مجازی ، منتشر می شود.
• (2016) Alphago Google DeepMind ، لی لی Sedol ، بازیکن Go Go ، قهرمان جهان را شکست می دهد. پیچیدگی بازی باستانی چینی به عنوان یک مانع اساسی برای پاکسازی در هوش مصنوعی دیده می شد.
• (2016) اولین "شهروند ربات" ، یک ربات انسان دوستانه به نام سوفیا ، توسط هانسون روباتیک ایجاد شده است و قادر به شناخت صورت ، ارتباط کلامی و بیان صورت است.
• (2018) Google موتور پردازش زبان طبیعی BERT را آزاد می کند و موانع ترجمه و درک برنامه های ML را کاهش می دهد.
• .

2020s

• (2020) بایدو الگوریتم خطی خطی خود را به تیم های علمی و پزشکی که برای ایجاد واکسن در مراحل اولیه همه گیر SARS-COV-2 کار می کنند ، منتشر می کند. این الگوریتم قادر به پیش بینی توالی RNA ویروس در 27 ثانیه ، 120 برابر سریعتر از سایر روش ها است.
• (2020) OpenAI مدل پردازش زبان طبیعی GPT-3 را منتشر می کند ، که می تواند پس از نحوه صحبت و نوشتن افراد ، متنی را تولید کند.
• (2021) Openai برای توسعه DALL-E بر روی GPT-3 ساخته شده است ، که قادر به ایجاد تصاویر از متن متن است.
• (2022) مؤسسه ملی استانداردها و فناوری اولین پیش نویس چارچوب مدیریت ریسک هوش مصنوعی خود ، راهنمایی داوطلبانه ایالات متحده "برای مدیریت بهتر خطرات برای افراد ، سازمان ها و جامعه مرتبط با هوش مصنوعی" را منتشر می کند.
• .
• (2022) Openai Chatgpt را راه اندازی می کند ، یک چت بابات که از یک مدل بزرگ زبان استفاده می شود که فقط در چند ماه بیش از 100 میلیون کاربر را به دست می آورد.
• (2023) مایکروسافت یک نسخه با قدرت AI از بینگ ، موتور جستجوی آن را راه اندازی می کند ، که بر روی همان فناوری ساخته شده است که قدرت چتپ را دارد.
• (2023) گوگل BARD ، یک AI مکالمه رقیب را اعلام کرد.

68 شرکت هوش مصنوعی (AI) برای دانستن

آنها ممکن است نام خانوادگی نباشند ، اما این 42 شرکت اطلاعاتی مصنوعی روی برخی از فناوری های بسیار هوشمند کار می کنند.