0 تومان 0 سبد خرید
  • صفحه اصلی
  • خدمات
    • تحلیل بازار مالی
    • سامانه هوشمند ریسک‌لب
    • آکادمی
  • مجله کورپی
  • پنل کاربری
منو
  • صفحه اصلی
  • خدمات
    • تحلیل بازار مالی
    • سامانه هوشمند ریسک‌لب
    • آکادمی
  • مجله کورپی
  • پنل کاربری
پنل کاربری
0 تومان 0 سبد خرید
  • صفحه اصلی
  • حساب کاربری
  • ریسک لب
  • بیشتر
    • آکادمی
    • تحلیل بازار مالی
    • خدمات
    • مجله کورپی
منو
  • صفحه اصلی
  • حساب کاربری
  • ریسک لب
  • بیشتر
    • آکادمی
    • تحلیل بازار مالی
    • خدمات
    • مجله کورپی

هوش فراانسانی مصنوعی چیست: نگاهی عمیق به گام بزرگ بعدی هوش مصنوعی

5 مرداد 1404
ارسال شده توسط admin
دسته‌بندی نشده ، سیستم های پیچیده ، هوش مصنوعی
528 بازدید

هوش فراانسانی مصنوعی (ASI) چیست

هوش فراانسانی مصنوعی یا ASI چیست؟ ساده‌ترین تعریف این است که ASI سطحی از هوش مصنوعی است که در تمام زمینه‌ها از هوش انسانی فراتر می‌رود.
دستگاه‌هایی در سطح ASI قادر خواهند بود در تقریباً تمامی جنبه‌ها از انسان بهتر عمل کنند.
دانشمندان و توسعه‌دهندگان معتقدند که در مسیر رسیدن به ASI، هم دستاوردهای مهم و هم چالش‌های بزرگی وجود دارد — اما به نظر می‌رسد پیشرفت در این مسیر با سرعت در حال افزایش است.

هوش فراانسانی مصنوعی (ASI) سطحی از هوش مصنوعی را نشان می‌دهد که در تمامی زمینه‌ها، از جمله خلاقیت، خرد عمومی و مهارت‌های اجتماعی، از هوش انسانی فراتر می‌رود. برخلاف هوش مصنوعی محدود (ANI) که در انجام وظایف خاص مانند ترجمه زبان یا بازی‌های کامپیوتری عملکرد بسیار خوبی دارد، و هوش مصنوعی عمومی (AGI) که توانایی‌های شناختی مشابه انسان را تقلید می‌کند، ASI قادر خواهد بود در تقریباً تمام جنبه‌ها از انسان پیشی بگیرد.

ابتدا باید مسیر پیشِ رو را مشخص کرد: گذار از هوش مصنوعی محدود به هوش مصنوعی عمومی و در نهایت به هوش فراانسانی، هنوز در حال توسعه است و به گفته دانشمندان و توسعه‌دهندگان، نقاط عطف مهم و چالش‌های پیچیده‌ای در این مسیر وجود دارد. با این حال، جهش‌های اخیر در قدرت فناوری باعث شده‌اند بحث درباره ASI از موضوعی تخیلی و دور از دسترس به آینده‌ای نزدیک‌تر و علمی‌تر تبدیل شود.

در حال حاضر، بیشتر کاربردهای هوش مصنوعی در دسته ANI قرار می‌گیرند، یعنی سیستم‌هایی که بسیار تخصصی‌اند و در انجام وظایف خاص، مانند تشخیص تصویر، پردازش زبان طبیعی و انجام بازی‌ها، بسیار موفق عمل می‌کنند. نمونه‌هایی از این فناوری‌ها شامل سیری (Siri)، آلفاگو (AlphaGo) و GPT-4 هستند.

توسعه AGI، که هدف آن تقلید از توانایی‌های شناختی انسان در طیف گسترده‌ای از وظایف است، نیازمند تلاش‌های گسترده‌تر و عمیق‌تری است. سازمان‌هایی مانند OpenAI، DeepMind و مؤسسات دانشگاهی مختلف در این زمینه پیشرفت‌هایی داشته‌اند، اما به‌دلیل پیچیدگی بازسازی تفکر، یادگیری و سازگاری انسانی، AGI همچنان هدفی بلندپروازانه باقی مانده است.

رسیدن به ASI – جایی که هوش مصنوعی در تمام حوزه‌ها از انسان برتر باشد – هنوز جنبه‌ای فرضی دارد و موضوع بحث‌های گسترده‌ای در زمینه‌های اخلاقی، فنی و ایمنی است. هرچند چارچوب‌های نظری و تحقیقات زیربنایی در حال شکل‌گیری‌اند، تحقق عملی ASI احتمالاً چند دهه با ما فاصله دارد و مشروط به پیشرفت‌هایی اساسی در درک و مهندسی هوش است که با ارزش‌ها و نیازهای انسانی و اجتماعی هم‌راستا باشد.

چگونه ممکن است هوش فراانسانی مصنوعی (ASI) شکل بگیرد؟

با در نظر گرفتن این بازه زمانی، تکامل از سیستم‌های هوش مصنوعی کنونی به سیستم‌های بسیار پیشرفته می‌تواند از مسیرهای مختلفی شکل بگیرد یا تکامل یابد. اگرچه این موضوع فرضی است، دانشمندان چند سناریوی متفاوت را برای ظهور ASI مطرح می‌کنند:

بهبود بازگشتی خودکار: یک هوش مصنوعی عمومی (AGI) می‌تواند معماری و الگوریتم‌های خود را بهبود بخشد و منجر به چرخه سریعی از بهبودهای خودکار شود. این فرایند که به «انفجار هوش» معروف است، می‌تواند موجودیتی بسیار فراتر از هوش انسانی ایجاد کند.

شبیه‌سازی کامل مغز: این روش شامل اسکن و شبیه‌سازی مغز انسان در سطح مولکولی است. در صورت موفقیت، مغز شبیه‌سازی‌شده می‌تواند روی سخت‌افزار سریع‌تر و قابل اطمینان‌تر اجرا شود که احتمالاً به شکل‌گیری ASI منجر خواهد شد.

ادغام با محاسبات کوانتومی: ترکیب هوش مصنوعی با محاسبات کوانتومی می‌تواند توانایی‌های حل مسئله را به‌شدت افزایش دهد و ممکن است شرایط مناسبی برای توسعه ASI فراهم کند.

چه عواملی می‌توانند مانع ظهور هوش فراانسانی مصنوعی (ASI) شوند؟

ASI بزرگ‌ترین چالش بشر خواهد بود — و برخی معتقدند آخرین چالش انسان — و موانع فنی آن تاریخی و بی‌سابقه هستند. از نظر فناوری، پیچیدگی خلق یک هوش مصنوعی عمومی (AGI) و حتی فراتر از آن ASI، بسیار عظیم است؛ این کار نیازمند پیشرفت‌های چشمگیر در درک و شبیه‌سازی شناخت و آگاهی انسانی است.

بسیاری از کارشناسان معتقدند موانع فنی ممکن است در مقایسه با موانع غیر فنی — که شامل ابعاد اخلاقی، اجتماعی و قانونی می‌شوند، آسان‌تر باشند.

نگرانی‌های اخلاقی، مانند اطمینان از هم‌راستایی سیستم‌های ASI با ارزش‌های انسانی و جلوگیری از خطرات وجودی، چالش بزرگی به شمار می‌آید. همچنین، احتمال سوءاستفاده از فناوری ASI مسائل امنیتی و ایمنی جدی را مطرح می‌کند که نیازمند چارچوب‌های حکومتی قوی است. مقاومت اجتماعی و ترس عمومی، که از روایت‌های تیره و تار و نگرانی درباره از دست رفتن شغل‌ها ناشی می‌شود، می‌تواند روند توسعه ASI را کند کند.

موانع قانونی، از جمله قوانین و توافقات بین‌المللی برای کنترل گسترش و استفاده از فناوری‌های پیشرفته هوش مصنوعی، ممکن است تحقیقات و پیاده‌سازی را محدود کنند. قوانین جدید همچنین ممکن است به نفع برخی شرکت‌ها و سازمان‌ها باشد و رقابتی را که ممکن است منجر به ظهور ASI شود محدود کرده و سناریوهای نگران‌کننده‌ای برای کنترل ASI ایجاد کند.

بن گورتزل، مدیرعامل و بنیان‌گذار SNET، می‌نویسد:
«با شدت گرفتن انقلاب هوش مصنوعی، ضروری است که AGI و ASI تحت مالکیت و کنترل هیچ گروه خاصی با منافع جانبدارانه نباشند. آن‌ها باید به صورت باز، دموکراتیک و غیرمتمرکز عرضه شوند. این دیدگاه مشترک SNET، Fetch.ai و Ocean Protocol از ابتدا بوده است و به همین دلیل منطقی است که این سه پروژه کنار هم قرار بگیرند تا شبکه‌ای توکنیومیک بسازند که قدرت بیشتری برای مقابله با شرکت‌های بزرگ فناوری داشته باشد و مرکز ثقل دنیای هوش مصنوعی را به اکوسیستم غیرمتمرکز منتقل کند.»

در نهایت، سرمایه‌گذاری‌های عظیم مالی و منابع لازم نیز ممکن است پیشرفت را محدود کند، به‌ویژه اگر شرایط اقتصادی تغییر کند یا اولویت‌های مالی ناگهان دچار تحول شوند.

هوش فراانسانی مصنوعی (ASI) چه معنایی می‌تواند برای بشریت داشته باشد؟

وودی آلن زمانی نوشت:
«بیش از هر زمان دیگری در تاریخ، بشریت در یک چهارراه قرار دارد. یکی از مسیرها به ناامیدی و یأس مطلق می‌رسد و دیگری به نابودی کامل. بیایید دعا کنیم که خرد لازم را برای انتخاب درست داشته باشیم.»

این نقل قول به نوعی درباره معضل وجودی ASI نیز صدق می‌کند، زیرا پس از خلق ASI، هیچ چیز مثل قبل نخواهد بود. اینکه این رویداد خوب است یا بد، هنوز پرسشی باز است. در نهایت — و امیدواریم — این گذار به نفع بشریت باشد، اما سناریوهای مختلفی وجود دارد که از اوتوپیایی (آرمانی) تا دیستوپیایی (تیره و تار) متغیرند:

سناریوهای آرمانی (اوتوپیایی):

  • پیشرفت‌های علمی و فناوری: ASI می‌تواند مشکلات پیچیده در فیزیک، پزشکی و علوم محیطی را حل کند و به پیشرفت‌های بی‌سابقه‌ای منجر شود.

  • رونق اقتصادی: اتوماسیون نیروی کار و بهینه‌سازی تخصیص منابع می‌تواند دوره‌ای از فراوانی و شکوفایی را به ارمغان آورد.

  • افزایش کیفیت زندگی: ASI قادر خواهد بود بیماری‌ها را ریشه‌کن کند، طول عمر انسان‌ها را افزایش دهد و از طریق پزشکی شخصی‌سازی‌شده و مداخلات سبک زندگی هدفمند، رفاه کلی را بهبود بخشد.

سناریوهای تیره و تار (دیستوپیایی):

  • از دست دادن کنترل: اگر اهداف ASI هم‌راستا با منافع بشریت نباشد، ممکن است رفتارهایی داشته باشد که به بشریت آسیب برساند و پیامدهای فاجعه‌باری ایجاد کند.

  • اختلال اقتصادی: اتوماسیون گسترده ممکن است به بیکاری فراگیر و بی‌ثباتی اقتصادی منجر شود.

  • معضلات اخلاقی و معنوی: خلق موجوداتی با هوش برتر، سوالات اخلاقی بزرگی درباره حقوق، آگاهی و مسئولیت‌های اخلاقی خالقان به وجود می‌آورد.

فناوری‌های هوش فراانسانی مصنوعی (ASI)

توسعه ASI کار ساده‌ای نخواهد بود و شکل‌دهی آن به‌گونه‌ای که به سناریوهای آرمانی نزدیک شود، به‌خصوص دشوار است. برای خلق یا هدایت توسعه ASI، پژوهشگران گزینه‌های فناوری پیشرفته متعددی دارند. در ادامه فناوری‌های کلیدی که هم‌اکنون به کار گرفته شده یا در حال بررسی برای دستیابی به ASI هستند آورده شده‌اند:

یادگیری ماشین (ML) و یادگیری عمیق (DL)

  • یادگیری ماشین: الگوریتم‌هایی که به کامپیوترها امکان می‌دهند از داده‌ها یاد بگیرند و بر اساس آن تصمیم‌گیری کنند. تکنیک‌هایی مانند یادگیری نظارت‌شده، بدون نظارت و تقویتی بسیار حیاتی‌اند.

  • یادگیری عمیق: زیرمجموعه‌ای از یادگیری ماشین که با استفاده از شبکه‌های عصبی چندلایه (به همین دلیل «عمیق» نامیده می‌شود) الگوهای پیچیده داده را مدل می‌کند. معماری‌هایی مانند شبکه‌های عصبی کانولوشنی (CNN) و بازگشتی (RNN) نقش مهمی دارند.

شبکه‌های عصبی و معماری‌ها

  • شبکه‌های عصبی مصنوعی (ANN): الهام گرفته از مغز انسان، این شبکه‌ها برای شناسایی الگوها و حل مسائل به روش‌های مشابه سیستم‌های زیستی طراحی شده‌اند.

  • شبکه‌های مولد خصمانه (GAN): شامل دو شبکه عصبی، یک تولیدکننده و یک تمیزدهنده، که در مقابل هم کار می‌کنند تا داده‌های مصنوعی با کیفیت بالا تولید کنند.

  • ترنسفورمرها: به‌ویژه در پردازش زبان طبیعی مؤثر هستند. مدل‌هایی مانند GPT-4 نمونه‌ای از پیشرفته‌ترین مدل‌ها برای درک و تولید زبان انسان‌اند.

محاسبات کوانتومی

  • محاسبات کوانتومی با استفاده از پدیده‌های مکانیک کوانتومی، محاسباتی با سرعت‌هایی انجام می‌دهد که برای کامپیوترهای کلاسیک قابل دسترسی نیست. الگوریتم‌های کوانتومی مانند شُر و گروور می‌توانند مسائل خاصی را به‌طور نمایی سریع‌تر حل کنند و توسعه هوش مصنوعی را تسریع کنند.

محاسبات نورومورفیک

  • هدف این روش تقلید معماری عصبی مغز انسان با استفاده از سخت‌افزارهای تخصصی است که می‌تواند منجر به سیستم‌های هوش مصنوعی کارآمدتر و قدرتمندتر شود با شبیه‌سازی قابلیت‌های پردازش موازی مغز.

شبیه‌سازی کامل مغز

  • اسکن و شبیه‌سازی مغز انسان در سطح سلولی یا مولکولی، با استفاده از فناوری‌های تصویربرداری با وضوح بالا مانند MRI و میکروسکوپ الکترونی به همراه مدل‌های محاسباتی، برای بازسازی ساختار و عملکرد مغز.

الگوریتم‌های پیشرفته

  • الگوریتم‌های تکاملی: الگوریتم‌هایی که با الهام از فرایندهای تکامل زیستی مانند جهش، ترکیب و انتخاب، راه‌حل‌های مسأله را طی نسل‌ها بهبود می‌بخشند.

  • شبکه‌های بیزی: مدل‌های احتمالاتی که مجموعه‌ای از متغیرها و وابستگی‌های شرطی آن‌ها را نشان می‌دهند و در تصمیم‌گیری در شرایط عدم قطعیت کاربرد دارند.

یادگیری تقویتی (RL)

  • آموزش عامل‌ها برای اتخاذ دنباله‌ای از تصمیمات با پاداش دادن به تصمیمات خوب و جریمه دادن به تصمیمات نادرست. تکنیک‌هایی مانند یادگیری تقویتی عمیق در بازی‌ها و رباتیک پیشرفت‌های چشمگیری داشته‌اند.

بیوانفورماتیک و زیست‌شناسی مصنوعی

  • استفاده از تکنیک‌های بیوانفورماتیک و زیست‌شناسی مصنوعی برای درک و بازتولید فرآیندهای زیستی در قالب سیلیکون، با هدف ترکیب سیستم‌های زیستی و محاسباتی برای هوش مصنوعی پیشرفته.

هوش جمعی (Swarm Intelligence)

  • الهام گرفته از رفتار جمعی حشرات اجتماعی، استفاده از سیستم‌های غیرمتمرکز و خودسازمان‌یافته برای حل مسائل و بهینه‌سازی الگوریتم‌ها و افزایش سازگاری هوش مصنوعی.

محاسبات شناختی

  • سیستم‌هایی که هدف‌شان شبیه‌سازی فرآیندهای فکری انسان در قالب مدل‌های کامپیوتری است. نمونه آن، واتسون IBM است که یادگیری ماشین، استدلال، پردازش زبان طبیعی و تعامل انسان و کامپیوتر را ترکیب می‌کند.

روباتیک و هوش مصنوعی تجسم‌یافته

  • ادغام هوش مصنوعی در روبات‌های فیزیکی برای تعامل با دنیای واقعی، که به درک بهتر جنبه‌های فیزیکی هوش و یادگیری از محیط کمک می‌کند.

پردازش زبان طبیعی (NLP)

  • فناوری‌هایی که به ماشین‌ها امکان می‌دهند زبان انسان را درک، تفسیر و تولید کنند. مدل‌های پیشرفته NLP مانند سری GPT از OpenAI پیشرفت‌های قابل توجهی در هوش مصنوعی مکالمه‌ای و درک زبان داشته‌اند.

اخلاق و فناوری‌های هم‌راستایی ارزش‌ها

  • تضمین اینکه ASI با ارزش‌های انسانی هماهنگ باشد اهمیت زیادی دارد. پژوهش در حوزه اخلاق هوش مصنوعی و هم‌راستایی ارزش‌ها به دنبال ساخت سیستم‌هایی است که بتوانند چارچوب‌های اخلاقی و معنوی انسان را درک و رعایت کنند.

محاسبات توزیع‌شده و زیرساخت‌های ابری

  • منابع محاسباتی گسترده لازم برای ASI با محاسبات توزیع‌شده و زیرساخت‌های ابری تأمین می‌شود. شرکت‌هایی مانند گوگل، آمازون و مایکروسافت این مقیاس‌پذیری و قدرت را برای تحقیقات و توسعه گسترده هوش مصنوعی فراهم می‌کنند.

مدل‌های ترکیبی هوش مصنوعی

  • ترکیب تکنیک‌های مختلف هوش مصنوعی، مانند ادغام هوش مصنوعی نمادین با شبکه‌های عصبی، می‌تواند سیستم‌های مقاوم‌تر و همه‌کاره‌تری خلق کند که قادر به رسیدن به سطوح بالاتری از هوش باشند.

کارشناسان هوش فراانسانی مصنوعی (ASI)

  • نیک بوستروم: فیلسوف سوئدی دانشگاه آکسفورد و مدیر مؤسسه آینده بشریت. کتاب او با عنوان «فراهوش: مسیرها، خطرات، استراتژی‌ها» اثری پایه‌ای در این زمینه است که مسیرهای ممکن رسیدن به ASI و پیامدهای آن را بررسی می‌کند.

  • استوارت راسل: استاد علوم کامپیوتر دانشگاه کالیفرنیا، برکلی و یکی از پیشروان در زمینه هوش مصنوعی و پیامدهای اخلاقی آن. کتاب او «سازگار با انسان: هوش مصنوعی و مسئله کنترل» چالش‌های اطمینان از مفید بودن سیستم‌های هوش مصنوعی را مطرح می‌کند.

  • ری کرزویل: نویسنده، مخترع و آینده‌پژوه آمریکایی، شناخته شده به‌خاطر کارهای پیشگامانه در حوزه‌هایی مانند تشخیص کاراکتر نوری، تبدیل متن به گفتار و فناوری‌های شناسایی گفتار. مدیر مهندسی در گوگل و معروف به پیش‌بینی‌هایش درباره آینده هوش مصنوعی و تکینگی فناوری است.

  • ایلان ماسک: مدیرعامل SpaceX و Tesla که درباره خطرات بالقوه ASI هشدار داده و خواستار مقررات پیشگیرانه و توسعه هوش مصنوعی ایمن است. او همچنین یکی از بنیان‌گذاران OpenAI است، سازمانی که هدفش تضمین سودمندی هوش مصنوعی برای همه انسان‌هاست.

  • ایلیا سوتس‌کیور: پژوهشگر برجسته هوش مصنوعی و یکی از بنیان‌گذاران OpenAI که به‌عنوان دانشمند ارشد در آنجا فعالیت کرده است. او به خاطر کارهایش در یادگیری عمیق و شبکه‌های عصبی و پیشرفت‌های چشمگیر در پردازش زبان طبیعی و شناسایی تصویر شناخته می‌شود. اخیراً OpenAI را ترک کرده و شرکت Safe Superintelligence Inc. را تأسیس کرده است.

شرکت‌های فعال در زمینه ASI

  • OpenAI: توسط ایلان ماسک، ایلیا سوتس‌کیور و سم آلتمن تأسیس شده و هدف آن تضمین این است که AGI و ASI به نفع همه بشریت باشند. تحقیقات آنها شامل توسعه پیشرفته‌ترین مدل‌های هوش مصنوعی و بررسی پیامدهای اخلاقی آن است.

  • DeepMind: که در سال ۲۰۱۵ توسط گوگل خریداری شد، پیشرو در تحقیقات هوش مصنوعی است و سازنده AlphaGo، اولین هوش مصنوعی که یک بازیکن حرفه‌ای بازی Go را شکست داد، است. DeepMind تمرکز خود را بر پیشرفت توانایی‌های هوش مصنوعی و درک پیامدهای اخلاقی گذاشته است.

  • IBM: با هوش مصنوعی Watson، IBM یکی از پیشگامان و رهبران تحقیقات و کاربردهای هوش مصنوعی است و در تلاش برای توسعه سیستم‌های هوش مصنوعی پیشرفته‌تر است که می‌تواند در نهایت به توسعه ASI کمک کند.

  • Safe Superintelligence Inc.: استارتاپی تازه تأسیس توسط ایلیا سوتس‌کیور، بنیان‌گذار مشترک OpenAI.

مزایا و معایب هوش فراانسانی مصنوعی (ASI)

ASI ممکن است قوی‌ترین ابزار یا حتی سلاحی باشد که بشر تاکنون داشته است. حرکت در مسیر توسعه این فناوری نیازمند بررسی دقیق مزایا و معایب آن است.

مزایا:

  • حل مسائل پیچیده جهانی مانند تغییرات اقلیمی، فقر و بیماری‌ها

  • افزایش کارایی و رشد اقتصادی از طریق خودکارسازی و بهینه‌سازی صنایع

  • گسترش چشمگیر دانش و فهم انسان از جهان

معایب:

  • چالش کنترل و اطمینان از اینکه سیستم‌های ASI تحت کنترل انسان باقی بمانند و به نفع بشریت عمل کنند

  • مسائل اخلاقی عمیق درباره آگاهی، حقوق و نحوه برخورد با موجودات هوشمند

  • تأثیرات اقتصادی ناشی از اتوماسیون گسترده که می‌تواند منجر به بیکاری و ناپایداری اجتماعی شود

نقل‌قول‌هایی درباره هوش فراانسانی مصنوعی (ASI):

نیک بوستروم:
«فراهوش یعنی یک هوش بسیار فراتر از بهترین مغزهای انسانی در تقریباً همه زمینه‌ها، از جمله خلاقیت علمی، حکمت کلی و مهارت‌های اجتماعی. این تعریف مشخص نمی‌کند که فراهوش چگونه پیاده‌سازی می‌شود: ممکن است یک کامپیوتر دیجیتال، مجموعه‌ای از کامپیوترهای شبکه‌ای، بافت کورتیکال کشت‌شده یا هر چیز دیگری باشد. همچنین مشخص نمی‌کند که آیا فراهوش دارای آگاهی و تجربه‌های ذهنی است یا نه.»

ایلان ماسک:
«سرعت پیشرفت در هوش مصنوعی فوق‌العاده سریع است. (منظورم هوش مصنوعی محدود نیست) مگر اینکه مستقیماً با گروه‌هایی مثل DeepMind در ارتباط باشید، نمی‌توانید تصور کنید چقدر سریع است — این رشد تقریباً نمایی است.»

استوارت راسل:
«ماشین‌های هوشمندی با چنین توانایی‌هایی قادر خواهند بود آینده را بهتر از انسان‌ها پیش‌بینی کنند. همچنین می‌توانند اطلاعات بسیار بیشتری را در نظر بگیرند. این دو توانایی ترکیب شده منجر به تصمیم‌گیری‌های بهتر در دنیای واقعی می‌شود. در هر نوع موقعیت نزاع بین انسان و ماشین، ما سریعاً متوجه خواهیم شد، مثل گَری کاسپاروف و لی سدول، که هر حرکت ما پیش‌بینی و مسدود شده است. ما حتی قبل از شروع بازی بازنده خواهیم بود.»

ایروینگ جان گود:
«یک ماشین فوق‌العاده هوشمند را می‌توان ماشینی تعریف کرد که بتواند فراتر از هر فعالیت فکری انسانی، هرچقدر هم که باهوش باشد، عمل کند. از آنجا که طراحی ماشین‌ها نیز یکی از این فعالیت‌های فکری است، یک ماشین فوق‌العاده هوشمند می‌تواند ماشین‌های بهتری طراحی کند؛ در این صورت بی‌شک یک “انفجار هوش” رخ خواهد داد و هوش انسان به کلی پشت سر گذاشته می‌شود.»

منبع : مقاله اصلی

اشتراک گذاری:
برچسب ها: aiaisArtificial SuperintelligenceَASIdeep learningmachine learningopenAIsuperintelligenceteslaایلان ماسکتسلاهوش فرا انسانی

مطالب زیر را حتما مطالعه کنید

محققان روش جدیدی برای “دیدن” هوش مصنوعی معرفی کردند
الگوریتم‌های جدید، یادگیری ماشین کارآمد با داده‌های متقارن را ممکن می‌سازند
شناسایی ویژگی‌های شبکه‌های اجتماعی
پژوهشگران MIT ابزاری برای شبیه‌سازی دقیق سامانه‌های پیچیده ایجاد کردند
یادگیری عمیق دقت و کارایی در پیش‌بینی ساختار پروتئین را افزایش می‌دهد
مطالعه MIT می‌تواند به بهبود استدلال پیچیده در مدل‌های زبانی بزرگ (LLMها) منجر شود
قدیمی تر یادگیری عمیق دقت و کارایی در پیش‌بینی ساختار پروتئین را افزایش می‌دهد
جدیدتر پژوهشگران MIT ابزاری برای شبیه‌سازی دقیق سامانه‌های پیچیده ایجاد کردند

دیدگاهتان را بنویسید لغو پاسخ

جستجو برای:
دسته‌ها
  • اسکالرشیب دکتری
  • اطلاعیه
  • دسته‌بندی نشده
  • سیستم های پیچیده
  • فیزیک
  • فیزیک اقتصاد
  • کارآموزی
  • مقالات
  • مهندسی کوانتومی
  • نوروساینس
  • هوش مصنوعی
نوشته‌های تازه
  • کارآموزی فول فاند مهندسی و علوم کامپیوتر در موسسه ماکس پلانک آلمان
  • محققان روش جدیدی برای “دیدن” هوش مصنوعی معرفی کردند
  • الگوریتم‌های جدید، یادگیری ماشین کارآمد با داده‌های متقارن را ممکن می‌سازند
  • شناسایی ویژگی‌های شبکه‌های اجتماعی
  • پژوهشگران MIT ابزاری برای شبیه‌سازی دقیق سامانه‌های پیچیده ایجاد کردند