اختبار Turing

في عام 1950، ابتكر Alan Turing اختبار Turing الذي قدمه في ورقته البحثية التي تحمل عنوان "“Computing Machinery and Intelligence" (رابط موجود خارج موقع ibm.com). عُرف الاختبار في الأصل باسم "لعبة المحاكاة"، ويهدف إلى تقييم ما إذا كان يمكن تمييز سلوك الآلة عن سلوك الإنسان. يتضمن هذا الاختبار شخصًا يُدعى "المحقق"، الذي يحاول من خلال سلسلة من الأسئلة التمييز بين المخرجات التي يولدها الكمبيوتر وتلك الصادرة عن الإنسان. فإذا عجز المحقق عن التمييز بشكل موثوق بين المخرجات البشرية وتلك الناتجة عن الآلة، فإن الآلة تُعتبر قد اجتازت الاختبار. أما إذا استطاع المقيّم تحديد الإجابات البشرية بدقة، فسيتم استبعاد الآلة من تصنيفها كآلة ذكية.

رغم أنه لا توجد معايير ثابتة لتقييم  اختبار Turing، إلا أن Turing أشار إلى أن المحقق البشري سيكون لديه فرصة بنسبة 70٪ لتمييز الإنسان عن الآلة بعد 5 دقائق من المحادثة. وقد ساهم اختبار Turing  في إرساء قبول واسع لفكرة ذكاء الآلة.

من ناحية أخرى، فإن اختبار Turing الأصلي يقيس مجموعة واحدة فقط من المهارات - مثل إنتاج النصوص أو لعب الشطرنج. ويحتاج الذكاء الاصطناعي القوي إلى القدرة على أداء مجموعة متنوعة من المهام بنفس الكفاءة، الأمر الذي أسفر عن تطوير اختبار Turing الموسع؛ إذ يقيّم هذا الاختبار الأداء النصي والمرئي والسمعي للذكاء الاصطناعي ويقارن بينه وبين المخرجات البشرية. وتُستخدم هذه النسخة في مسابقة Loebner Prize الشهيرة، حيث يحاول الحَكَم البشري تخمين ما إذا كانت المخرجات قد أُنتِجت بواسطة إنسان أم آلة.

حجة الغرفة الصينية (CRA)

قدّم John Searle في عام 1980 حجة الغرفة الصينية ، حيث تناول في ورقته البحثية مفهوم الفهم والتفكير، مشيرًا إلى أن أجهزة الكمبيوتر لن تتمتع أبدًا بهذه القدرات. وفي اقتباس من ورقته التي نُشرت على  على الموقع الإلكتروني لجامعة ستانفورد (رابط غير تابع لموقع ibm.com)، لخص Searle حجته بشكل جيد على النحو التالي:

"تُعرَّف الحوسبة بشكلٍ نحوي أو شكلي بحت، في حين أن العقول تمتلك محتويات عقلية أو دلالية فعلية، ولا يمكننا الانتقال من النحو إلى الدلالة لمجرد الاعتماد على العمليات النحوية وحدها... نظامٌ مثل نظامي، على سبيل المثال، لن يكتسب فهمًا للغة الصينية من مجرد اتباع برنامج حاسوبي يحاكي سلوك المتحدث باللغة الصينية (ص. 17)."

تقترح حجة غرفة اللغة الصينية السيناريو التالي:

تخيل شخصًا لا يتحدث اللغة الصينية يجلس داخل غرفة مغلقة. في هذه الغرفة، يوجد كتاب يشتمل على بعض القواعد والعبارات والتعليمات باللغة الصينية. يقوم شخص آخر يتقن اللغة الصينية ويتحدثها بطلاقة بتمرير ملاحظات مكتوبة باللغة الصينية إلى داخل الغرفة. بفضل كتاب العبارات اللغوية، يمكن للشخص الموجود داخل الغرفة اختيار الرد المناسب وإعادته إلى المتحدث باللغة الصينية.

على الرغم من أن الشخص الموجود داخل الغرفة استطاع تقديم الرد الصحيح مستعينًا بكتاب العبارات اللغوية، فإنه لا يزال لا يتحدث اللغة الصينية أو يفهمها؛ بل كانت مجرد محاكاة للفهم من خلال مطابقة الأسئلة أو العبارات مع الردود المناسبة. يرى Searle أن الذكاء الاصطناعي القوي يتطلب وجود عقل فعلي يمتلك الوعي والفهم. وتُظهِر حجة الغرفة الصينية أوجه القصور الموجودة في اختبار Turing، موضحةً الفروق في تعريفات  الذكاء الاصطناعي.

يتمحور الذكاء الاصطناعي الضعيف، المعروف أيضًا بالذكاء الاصطناعي الضيق، حول أداء مهمة محددة، مثل الإجابة عن الأسئلة بناءً على إدخالات المستخدم أو لعب الشطرنج. ويمتاز بقدرته على تنفيذ نوع واحد من المهام، وليس كلا النوعين. وعلى النقيض، يتمتع الذكاء الاصطناعي القوي بالقدرة على أداء مجموعة متنوعة من المهام، ما يمكِّنه في النهاية من تعليم نفسه كيفية حل مشكلات جديدة. ويعتمد الذكاء الاصطناعي الضعيف على التدخل البشري لتحديد معايير خوارزميات التعلم الخاصة به وتوفير بيانات التدريب ذات الصلة لضمان الدقة. ورغم أن الإدخال البشري يُسرِع من مرحلة نمو الذكاء الاصطناعي القوي، فإنه ليس شرطًا أساسيًا، ومع مرور الوقت، يتمكن هذا النوع من الذكاء من تطوير وعي مشابه للوعي البشري بدلاً من مجرد محاكاته، كما يحدث في الذكاء الاصطناعي الضعيف. وتُعتبر السيارات ذاتية القيادة والمساعدات الافتراضية، مثل Siri، أمثلة نموذجية للذكاء الاصطناعي الضعيف.  

على الرغم من عدم وجود أمثلة واضحة تخص الذكاء الاصطناعي القوي، فإن مجال الذكاء الاصطناعي يشهد تطورًا متسارعًا. وقد ظهرت نظرية جديدة في مجال الذكاء الاصطناعي تُعرف باسم "الذكاء الاصطناعي الفائق"  (ASI) أو الذكاء الفائق أو الذكاء الاصطناعي المتفوق، هذا النوع من الذكاء الاصطناعي يتفوق على الذكاء الاصطناعي القوي من حيث الذكاء البشري والقدرة على الأداء. ومع ذلك، لا يزال الذكاء الاصطناعي الفائق مجرد مفهوم نظري، إذ لم نصل بعد إلى أمثلة حقيقية على الذكاء الاصطناعي القوي.

ورغم ذلك، هناك مجالات يشهد فيها الذكاء الاصطناعي دورًا أكثر أهمية، مثل:

• الأمن الإلكتروني:سيضطلع الذكاء الاصطناعي بالمزيد من الأدوار في تدابير الأمن الإلكتروني داخل المنظمات، بما في ذلك الكشف عن الاختراقات، والمراقبة، واستعلامات التهديدات، والاستجابة للحوادث، وتحليل المخاطر.
• الترفيه وإنتاج المحتوى: تشهد برامج علوم الكمبيوتر تطورًا متسارعًا في قدراتها على إنتاج محتوى متنوع، سواء أكان ذلك في كتابة النصوص التسويقية، أم الشعر، أم ألعاب الفيديو، وحتى الأفلام. وقد وصل تطبيق الذكاء الاصطناعي GBT-3 من OpenAI إلى مستوى من الإتقان في إنشاء المحتوى، بحيث أصبح من الصعب التمييز بين المحتوى الذي ينتجه وبين ما يكتبه البشر.
• التعرف على السلوك والتنبؤ به: تُسهم خوارزميات التنبؤ في تعزيز قدرات الذكاء الاصطناعي وجعله أقوى إلى حد كبير، بدءًا من تطبيقات التنبؤ بالطقس وحركة الأسواق المالية، وصولاً إلى مجالات أكثر إثارة للاهتمام، مثل التنبؤ بسلوك الإنسان. إلا أن هذا التطور يثير تساؤلات مهمة حول التحيزات الضمنية والأخلاقيات المرتبطة بالذكاء الاصطناعي. ولهذا السبب، يسعى بعض الباحثين في مجتمع الذكاء الاصطناعي إلى وضع قواعد صارمة لمكافحة التمييز، والتي تُنشر غالبًا تحت وسم #responsibleAI (#الذكاء_الاصطناعي_المسؤول).

غالبًا ما يتم استخدام مصطلحات الذكاء الاصطناعي، والتعلم الآلي، والتعلم العميق في سياقات غير دقيقة، لا سيما عند وصف الذكاء الاصطناعي القوي. لذلك، يجدر بنا توضيح كل مصطلح بشكل موجز:

الذكاء الاصطناعي كما عرفه  John McCarthy (رابط موجود خارج موقع ibm.com) هو "علم وهندسة صناعة الآلات الذكية، وخاصة برامج الكمبيوتر الذكية، وهو مرتبط بالمهمة المماثلة لاستخدام أجهزة الكمبيوتر لفهم الذكاء البشري، لكن الذكاء الاصطناعي لا يقتصر على الأساليب التي يمكن ملاحظتها بيولوجيًا".

التعلم الآلي يُعد مجالاً فرعيًا من الذكاء الاصطناعي. وتعتمد النماذج التقليدية (غير العميقة) للتعلم الآلي بشكل أكبر على التدخل البشري لتصنيف البيانات إلى فئات محددة (أي من خلال ما يُعرف بعملية "تعلم الميزات").

التعلم العميق يعتبر أيضًا مجالاً فرعيًا من التعلم الآلي، يحاول محاكاة الترابطات التي توجد في الدماغ البشري من خلال استخدام الشبكات العصبية. وتتألف هذه الشبكات العصبية الاصطناعية من طبقات متتابعة من النماذج، التي تقوم بالكشف عن الأنماط الدقيقة داخل مجموعة بيانات محددة. تستفيد هذه النماذج من كميات هائلة من بيانات التدريب لتعزيز دقة تعلمها، ما يستدعي في المقابل استخدام أجهزة قوية مثل وحدات معالجة الرسوميات (GPUs) أو وحدات معالجة تنسر (TPUs). كما ترتبط خوارزميات التعلُّم العميق ارتباطًا وثيقًا بالذكاء الاصطناعي على المستوى البشري.   

لقراءة المزيد حول الفروق الدقيقة بين هذه التقنيات، يمكنك الاطلاع على "مقارنة بين الذكاء الاصطناعي والتعلم الآلي والتعلم العميق والشبكات العصبية: ما الفرق بينها؟"

يمتاز التعلم العميق بقدرته على حل المشكلات المعقدة، ما يجعله محركًا أساسيًا للعديد من التقنيات المبتكرة والناشئة في الوقت الراهن. تم تطبيق خوارزميات التعلم العميق في مجموعة متنوعة من المجالات. فيما يلي بعض الأمثلة:

• السيارات ذاتية القيادة : أثبتت شركة Google و Elon Musk أن السيارات ذاتية القيادة ليست مجرد فكرة مستقبلية، بل واقع يمكن تحقيقه. ومع ذلك، تحتاج هذه السيارات إلى بيانات تدريبية واختبارات مكثفة نظرًا لتعدد المهام التي يجب أن تتعامل معها، مثل إعطاء الأولوية في المرور أو التعرف على العوائق على الطريق. ومع تطور هذه التقنية ونضوجها، سيكون التحدي الأكبر هو التغلب على عقبة القبول البشري لها، حيث تشير الاستطلاعات إلى أن العديد من السائقين لا يزالون مترددين في استخدامها.
• التعرف على الكلام: يُعتبر التعرف على الكلام، مثل روبوتات المحادثة المدعومة بالذكاء الاصطناعي والوكلاء الافتراضيين، جزءًا كبيرًا من معالجة اللغة الطبيعية. إلا أن معالجة الإدخالات الصوتية تمثل تحديًا أكبر للذكاء الاصطناعي، نظرًا لوجود العديد من العوامل، مثل الضوضاء المحيطة واختلاف اللهجات واضطرابات الكلام وغيرها من المؤثرات التي يمكن أن تجعل من الصعب على الذكاء الاصطناعي تحويل الإدخالات إلى نص يمكن للكمبيوتر معالجته.
• التعرف على الأنماط: يعزز استخدام الشبكات العصبية العميقة القدرة على التعرف على الأنماط في العديد من التطبيقات. فمن خلال اكتشاف أنماط نقاط البيانات المفيدة، يتمكن الذكاء الاصطناعي من تصفية المعلومات غير الضرورية، واستخلاص الروابط ذات الأهمية، وتحسين كفاءة حوسبة البيانات الكبيرة التي قد يصعب على البشر ملاحظتها عادة.
• برمجة الكمبيوتر: شهد الذكاء الاصطناعي الضعيف بعض النجاح في إنتاج نصوص هادفة، ما أدى إلى إحراز تقدم في مجال تطوير البرمجيات. ففي الآونة الأخيرة، أصدرت OpenAI برنامج GPT-3، وهو برنامج مفتوح المصدر يمكنه بالفعل كتابة الرموز البرمجية وبرامج الكمبيوتر البسيطة بتعليمات محدودة للغاية، مما يسهم في أتمتة تطوير البرامج.
• التعرف على الصور: يمكن أن يستغرق تصنيف الصور يدويًا وقتًا طويلاً للغاية. لكن مع التعديلات الخاصة على الشبكات العصبية العميقة، مثل DenseNet، التي تربط كل طبقة ببقية الطبقات في الشبكة العصبية، اصبح التعرف على الصور أكثر دقة بكثير.
• التوصيات السياقية: أصبحت تطبيقات التعلم العميق أكثر قدرة على استيعاب السياق عند تقديم التوصيات، بما في ذلك أنماط فهم اللغة والتنبؤات السلوكية.
• التأكد من الحقائق: أصدرت جامعة واترلو مؤخرًا أداة يمكنها كشف الأخبار الزائفة من خلال التحقق من المعلومات الواردة في المقالات بمقارنتها مع مصادر إخبارية أخرى.