الصفحة الرئيسية
الموضوعات
ذكاء اصطناعي قوي
الذكاء الاصطناعي القوي (AI)، المعروف أيضًا باسم الذكاء الاصطناعي العام أو بالاختصار AGI، هو شكل نظري للذكاء الاصطناعي يهدف إلى تطوير آلات تمتلك ذكاءً مكافئًا للبشر.
إذا تمكّن الباحثون من تطوير ذكاء اصطناعي قوي، فإن الآلة ستكون قادرة على امتلاك وعي ذاتي وحل المشكلات والتعلم والتخطيط للمستقبل، تمامًا مثل العقل البشري.
يسعى الذكاء الاصطناعي القوي إلى تطوير آلات ذكية تتساوى في قدراتها مع العقل البشري لدرجة يصعب التمييز بينهما. وشأنها شأن الأطفال في التعلم، سيتعين على آلة الذكاء الاصطناعي أن تتعلم من خلال المدخلات والتجارب مع الاستمرار في التطور والارتقاء بقدراتها بمرور الوقت.
على الرغم من أن الباحثين في مجال الذكاء الاصطناعي سواء في الأوساط الأكاديمية أو في القطاع الخاص يسعون لتطوير الذكاء الاصطناعي العام، فإنه لا يزال حتى اليوم مجرد مفهوم نظري وليس واقعًا ملموسًا. وبينما عبّر البعض، مثل Marvin Minsky، عن تفاؤل مفرط بشأن ما يمكن تحقيقه في غضون بضعة عقود في مجال الذكاء الاصطناعي؛ يرى آخرون أن أنظمة الذكاء الاصطناعي القوي قد تكون غير قابلة للتطوير على الإطلاق. وإلى أن يتم تحديد مقاييس النجاح، مثل الذكاء والفهم، بوضوح، فإن هذا الرأي يظل منطقيًا. في الوقت الحالي، يعتمد الكثيرون على "اختبار تورينغ" لتقييم ذكاء الأنظمة الاصطناعية.
تعرَّف على كيفية الاستفادة من قواعد البيانات الملائمة للتطبيقات والتحليلات والذكاء الاصطناعي التوليدي.
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.
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:
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:
إن Watsonx Assistant هو روبوت محادثة مدعوم بالذكاء الاصطناعي خاص بالأعمال. ومن خلال تقنية الذكاء الاصطناعي هذه الخاصة بالمؤسسات، يتمكن المستخدمون من بناء حلول الذكاء الاصطناعي الحواري.
يوفر حل IBM Watsonx Assistant للعملاء إجابات سريعة ومتسقة ودقيقة عبر أي تطبيق أو جهاز أو قناة.