تاریخچه هوش مصنوعی از زمان پیدایش تا ۲۰۲۵

هوش مصنوعی که ازش استفاده می‌کنیم، به سال ۱۹۵۶، یعنی نزدیک به ۷۰ سال پیش برمی‌گرده. ما ظهور این علم رو مدیون جان مک‌کارتی و آلن تورینگ هستیم. البته یه‌سری منابع علمی می‌گن که در دهه ۱۷۰۰ هم این مفهوم وجود داشته. 

ولی روی صحبت من توی این مقاله، با بحث‌های غیرکاربردی نیست؛ چون می‌خوام روی هوش مصنوعی، به‌شکلی که امروز می‌بینیم و استفاده می‌کنیم تمرکز کنم. این‌جوری کاربردی‌تر و ملموس‌تره.

تاریخچه هوش مصنوعی در جهان

پایه‌ریزی علمی مفهوم “Artificial Intelligence” به دهه ۱۹۵۰ میلادی برمی‌گرده؛ جایی‌که اسم دو دانشمند توی تاریخچه هوش مصنوعی درخشید و جاودانه شد: آلن تورینگ و مک‌کارتی.

پایه‌ریزی تئوری‌های AI در دهه ۱۹۵۰

۱. آلن تورینگ (Alan Turing) ریاضی‌دان و پیشگام علوم کامپیوتر بریتانیایی بود که توی این دهه، مقاله‌ای با عنوان «ماشین‌های کامپیوتری و هوش» منتشر کرد. 

این مقاله درباره آزمونی صحبت می‌کرد که برای سنجش هوش ماشینی به‌کار می‌رفت. در نهایت، «آزمون تورینگ» اسمی جاودانه شد که هنوزم مورد توجه هست. توی مقاله یه سوال مطرح شده بود که هنوزم مشهوره:
«آیا ماشین‌ها می‌تونن فکر کنن؟»

این آزمون، یه بازپرس انسانی رو پشت پرده می‌گذاشت و ماشین رو در مقابل اون. اگر بازپرس جواب‌ها رو انسان‌گونه تلقی می‌کرد، ماشین برنده می‌شد.

جذابیت و تاثیر پایدار این آزمون، از سادگی و تواناییش توی پوشش طیف گسترده‌ای از وظایف فکری انسان نشات می‌گرفت؛ ازجمله درک زبان طبیعی، یادگیری عمیق، استدلال و کاربرد دانش توسط ماشین.

۲. اتفاق جذاب بعدی، دقیقا سال ۱۹۵۶ رخ داد که جان مک‌کارتی (John McCarthy) – استاد کالج دارتموث – یه کنفرانس به اسم دارتموث برگزار کرد. کارتی محقق‌های برجسته رو دعوت کرد و بهشون گفت که هدفش معرفی رسمی اصطلاح هوش مصنوعی هست. اون‌چه مک‌کارتی دنبالش بود، توصیف علم و مهندسی هوشمندسازی ماشین‌ها بود.

دستور کار کنفرانس بلندپروازانه بود؛ چون قرار بود این‌کارها رو انجام بدن:

• چگونگی استفاده ماشین‌ها از زبان طبیعی
• شکل‌دهی مفاهیم اولیه
• ​​حل مسائل مختص انسان‌ها 
• بهبود عملکرد ماشین توسط خودش

این کنفرانس دستور کار تحقیقاتی رو برای دو دهه آینده تعیین کرد. این نقطه رو اولین عصر طلایی هوش مصنوعی می‌گن.

توی همین برهه، ماروین مینسکی (Marvin Minsky) هم وارد صحنه شد و در کنار مک‌کارتی قرار گرفت. این دوره شاهد موجی از خوش‌بینی و پیروزی‌های اولیه بود که به‌نظر می‌رسید هوش در سطح انسان داره نزدیک به واقعیت می‌شه.

دو دستاورد دهه ۱۹۵۰ برای AI

برنامه ELIZA ژوزف وایزنباوم (Joseph Weizenbaum) که سال ۱۹۶۶ توسعه داده شد، مکالمه انسانی رو با استفاده از تطبیق الگوهای ساده شبیه‌سازی کرد و تعجب همه رو برانگیخت.

یکی دیگه از دستاوردهای قابل توجه، Shakey بود. اولین ربات متحرک همه‌منظوره که می‌تونست اعمال خودش رو استدلال کنه. امروزه Shakey رو به‌عنوان پیش‌گام ماشین‌های خودران می‌شناسیم.

زمستون هوش مصنوعی و کور شدن ذوق‌ها

یادتونه گفتم بعد از کنفرانس دارتموث مردم حسابی ذوق‌زده شدن و خوش‌بین بودن؟ تو این دوره یه‌سری کمپانی‌ها روی ایده‌ها سرمایه‌گذاری کردن؛ اما خیلی طول نکشید که ذوق اولیه، جاشو به یه سرخوردگی گسترده داد.

اصطلاح زمستون هوش مصنوعی (AI Winter)، اولین بار تو سال ۱۹۸۴ متولد شد. علت اصلی این اتفاق، شکاف عمیق بین وعده‌های بلندپروازانه محقق‌های اولیه و واقعیت محدودکننده فناوری بود. 

درواقع سیستم‌های اولیه هوش مصنوعی برای یه‌سری کارهای جزئی و پیش‌پاافتاده خوب بودن؛ اما نمی‌تونستن پیچیدگی و غیرقابل‌پیش‌بینی بودن دنیای واقعی رو مدیریت کنن. 

این فناوری با دو محدودیت عمده فلج شد: 

۱. فقدان قدرت محاسباتی کافی 

۲. دشواری کدگذاری روی دانش دنیای واقعی

این عدم موفقیت، بودجه‌های سنگینی که از سمت سازمان‌های دولتی به پروژه‌های اولیه AI سرازیر شده بود رو قطع کرد. مثلا آژانس پروژه‌های تحقیقاتی پیشرفته دفاعی (DARPA) آمریکا و دولت بریتانیا، بودجه‌های هوش مصنوعی رو کاهش دادن. کاهش شدید سرمایه‌گذاری، شروع یه دوره طولانی کم شدن علاقه سرمایه‌گذارها به AI و پیشرفت سیستم‌ها بود.

خروج از بحران با سیستم‌های خبره

اوایل دهه ۱۹۸۰ بود که سیستم‌های خبره روی کار اومدن و حوزه AI رو از زمستون تاریکش نجات دادن. این سیستم‌ها تو حوزه‌های خاص و محدود، می‌تونستن از توانایی‌های تصمیم‌گیری متخصصان انسانی تقلید کنن.

موفقیت تجاری AI‌ با همین سیستم‌ها شروع شد که اساس کارشون قوانین «اگر-آنگاه» برای استدلال در مورد مسائل پیچیده بود. نمونه‌ مشهور MYCIN هست که می‌تونست عفونت‌های باکتریایی رو با دقتی مشابه متخصصان انسانی تشخیص بده. DENDRAL هم نمونه موفق دیگه‌ای بود که به شیمیدان‌ها توی شناسایی ساختارهای مولکولی کمک می‌کرد.

محدودیت‌های قوانین و زمستون دوم

اواخر دهه ۱۹۸۰ و اوایل دهه ۱۹۹۰، بازم AI درگیر عدم اشتیاق و زمستون شد. مشکلات قبلی همچنان پابرجا بودن: مقیاس‌پذیری سیستم‌های خبره سخت بود و پایگاه‌های دانش‌شون پیچیده و نیازمند منابع زیادی برای نگهداری بودن.

از طرف دیگه، تو این دهه ماشین‌های سخت‌افزاری Lisp برای سیستم‌های خبره استفاده می‌شد که این‌هم تو سال ۱۹۸۷ فروپاشید و رکود AI‌ رو سریع‌تر کرد.

انقلاب آهسته با ظهور یادگیری ماشین

دهه ۱۹۹۰ تا ۲۰۱۰، نشون‌دهنده یه تغییر پارادایم اساسی از رویکردهای نمادین و مبتنی بر قانون گذشته، به‌سمت روش‌شناسی جدید و داده‌محور بود. این دوره جدید روی یادگیری ماشین متمرکز بود و پیامش این بود که قوانین صریح و دانش رمزگذاری‌شده توسط انسان، نمی‌تونن پیچیدگی و ظرافت دنیای واقعی رو به تصویر بکشن. 

پس هدف جدید محقق‌های AI این شد که ماشین‌ها، الگوها و بینش‌ها رو مستقیما از داده‌ها یاد بگیرن. تمام اتفاقات این دهه روی یه چیز تمرکز داشت: مقابله با مسائل عملی و قابل‌حل، به‌جای تلاش برای رسیدن به هوش عمومی مصنوعی.

پس‌انتشار و تولد دوباره شبکه‌های عصبی

تو سال ۱۹۸۹ یه اتفاق جالب افتاد: الگوریتم شبکه‌های عصبی مجدد به‌کار گرفته شدن و به‌شکل چندلایه روی سیستم‌های موجود اجرا شدن. این کار توسط یان لکان (Yann LeCun)، دانشمند علوم کامپیوتر انجام شد. 

پروژه‌ای که ایشون با موفقیت به ثمر رسوند، تشخیص کدهای پستی دست‌نویس بود که با استفاده از الگوریتم‌های پس‌انتشار با شبکه‌های کانولوشن انجام شد.

رشد نمایی AI‌ با سخت‌افزارها و داده‌ها

رنسانس یادگیری ماشین فقط یه دستاورد فکری نبود؛ بلکه با دو نیروی خارجی و نمایی امکان‌پذیر شد: 

۱. رشد بی‌وقفه قدرت محاسباتی 

۲. دسترسی به حجم عظیمی از داده‌ها

رشد بی‌وقفه قدرت محاسباتی

این رشد توسط قانون مور پیش‌بینی شده بود. سخت‌افزارهای پردازش گرافیکی (GPU) که ​​در شروع برای بازی‌های ویدیویی طراحی شده بودن، اولین عامل دگرگون‌کننده بودن؛ چون معماری پردازش این چیپ‌ها موازی هست و برای محاسبات عظیم و هم‌زمان گزینه‌های خوبی هستن. 

این توانایی برای آموزش شبکه‌های عصبی نیاز بود و سرعت محاسبات رو در طول ده سال، ۱۰۰۰ برابر بیشتر کرد.

دسترسی به حجم عظیمی از داده‌ها

کاتالیزور دوم، افزایش نمایی در دسترس بودن داده‌ها بود که به‌لطف ظهور اینترنت رخ داد. اینترنت دسترسی به مجموعه عظیمی از داده‌ها رو ساده می‌کرد که برای آموزش مدل‌های یادگیری ماشین تشنه نیاز بود. تو همین نقطه بود که ایجاد مجموعه داده‌های بزرگ و برچسب‌گذاری‌شده از وب، به کانون توجه محقق‌ها تبدیل شد.

نقطه عطف AI

این رویکرد جدید، مجموعه‌ای از پیروزی‌های بارز رو با خودش آورد. مثلا تو سال ۱۹۹۷، دیپ بلو (Deep Blue) شرکت IBM، تونست گری کاسپاروف (Garry Kasparov)، قهرمان شطرنج جهان رو شکست بده؛ لحظه‌ای سرنوشت‌ساز که قدرت ماشین رو توی پیشی گرفتن از عملکرد انسان، در حوزه‌ای خاص و پیچیده نشون داد.

بعد از اون، تو سال ۲۰۱۱ واتسون (Watson) شرکت IBM تاریخ‌ساز شد؛ سیستمی که تونست به سوال‌های مجری مسابقه تلویزیونی جئوپاردی (Jeopardy) جواب بده. این موفقیت، توانایی ماشین توی استدلال‌چینی رو نشون داد.

رنسانس هوش مصنوعی مولد

شکل‌گیری هوش مصنوعی مولد از ۲۰۱۰ تا ۲۰۲۵ شروع شد؛ زمانی که یه شبکه عصبی کانولوشنی (CNN) توسط سه دانشمند علوم کامپیوتر Alex Krizhevsky، Ilya Sutskever و Geoffrey Hinton توسعه داده شد. 

سال ۲۰۱۲ این سه نفر یه رویداد به اسم AlexNet برگزار کردن و هم‌گرایی حیاتی بین سه روند مستقل رو نشون دادن:

۱. الگوریتم بالغ پس‌انتشار

۲. استفاده از GPU برای توسعه سیستم‌های AI

۳. دسترسی سریع به داده‌های عظیم و با کیفیت بالا

این تلاقی شرایط لازم رو برای تبدیل شدن یادگیری عمیق به الگوی غالب ایجاد کرد. درست تو همین مرحله بود که توسعه الگوریتم‌ها توی بینایی کامپیوتر، پردازش زبان طبیعی و رباتیک سرعت گرفت.

ظهور هوش مصنوعی امروزی

چند تاریخ خیلی مهم توی پیشینه هوش مصنوعی امروزی هست که هوش مصنوعی کلاد، ChatGPT و Gemini فرزند همین دوره‌ها هستن.

سال وقوع	رویداد	دستاورد
۲۰۱۴	معرفی شبکه‌های مولد تخاصمی (GAN)	– حضور دو شبکه عصبی رقیب در کنار هم- مولد؛ داده‌های جدید و مصنوعی تولید می‌کنه- متمایزکننده؛ برای ارزیابی داده‌ها و تشخیص واقعی یا جعلی بودن اون‌ها- پیدایش ابزار جدید و قدرت‌مند برای تولید تصاویر، صدا و متن‌های واقع‌گرایانه
۲۰۱۷	– انتشار مقاله «توجه، تمام چیزی است که نیاز دارید» توسط محقق‌های گوگل- معرفی معماری ترانسفورمرها	– ایجاد نوآوری کلیدی بر پایه «خودتوجهی» برای هوش مصنوعی- به مدل اجازه می‌داد موقع پردازش یه کلمه مشخص، اهمیت کلمات مختلف رو توی توالی بسنجه.- موازی‌سازی وظایف- بنا شدن مدل‌های LLM امروزی روی همین معماری
۲۰۲۲-۲۰۲۵	معرفی ChatGPT	– جمع‌آوری همه پیشرفت‌ها توی تاریخچه هوش مصنوعی- بیش از ۱۰۰ میلیون دانلود ChatGPT فقط توی دو ماه- رشد بی‌سابقه سرمایه‌گذاری روی AI – اندازه‌گیری پیشرفت سیستم‌ها به‌شکل ماهانه برای اولین بار در تاریخچه هوش مصنوعی؛ نه سال یا دهه- تولید محتوایی فراتر از متن؛ ازجمله تصویر، ویدیو و صوت

تاریخچه هوش مصنوعی در ایران

تاریخچه هوش مصنوعی ایران از دستاوردهای پروفسور لطف‌‌علی عسکرزاده شروع شد.

ایشون بنیان‌گذار منطق فازی هستن که بیشتر کارهاشون رو توی آمریکا انجام دادن. منطق فازی یه مفهوم انقلابی توی ریاضیات و علوم کامپیوتر هست که چارچوبی برای مدیریت مفاهیم با مرزهای مبهم می‌سازه. این منطق رویکرد انسانی‌تری به حل مسئله داره. 

نظریه پروفسور لطفی‌زاده به سنگ بنای هوش مصنوعی و سیستم‌های کنترل در سطح جهانی تبدیل شد. مشارکت اولیه ایشون به‌عنوان یکی از اعضای بنیان‌گذار آکادمی اوراسیا (Eurasian Academy)‌ و همراهی‌شون توی کنفرانس‌های مهمی مثل کارگاه دارتموث، جوابی برای سوال «هوش مصنوعی چیست» رو به ایران آورد.

ورود تکنولوژی‌های نرم‌افزاری AI‌ به ایران

سال ۱۳۶۳، دپارتمان مهندسی کامپیوتر دانشگاه صنعتی شریف باعث ورود تکنولوژی‌های نرم‌افزاری AI به ایران شد. این نقطه، شروع رسمی برنامه‌های ساختاریافته علوم کامپیوتر رو رقم زد و زمینه رو برای تخصص‌های بعدی ساخت. 

سال ۱۳۷۶، این دپارتمان رشته کارشناسی ارشد علوم هوش مصنوعی رو معرفی کرد.

ارائه برنامه‌های تخصصی AI توی دانشگاه‌های برجسته ایران

یه‌سری موسسه‌ها و دانشکده‌ها هم وارد میدون شدن. مثلا دانشکده مهندسی برق و کامپیوتر دانشگاه تهران، الان قطب مرکزی هوش مصنوعی هست؛ چون سالانه میزبان بزرگ‌ترین گروه اساتید بین دانشگاه‌های ایران هست که با بیش از ۱۸ عضو هیئت علمی برجسته، رویدادها رو برنامه‌ریزی و اجرا می‌کنن.

دانشگاه صنعتی امیرکبیر و دانشگاه علامه طباطبایی هم توی همین سال‌ها، شروع به ارائه برنامه‌های تخصصی هوش مصنوعی و فرصت‌های تحقیقاتی کردن. خروجی این رویدادها و اتفاقات توی تاریخچه هوش مصنوعی ایران، شده نیروی کار ماهر و تحصیل‌کرده که عامل مهمی توی پیشرفت اکوسیستم هوش مصنوعی ایران محسوب می‌شه.

از سال ۱۳۹۹، فعالیت‌های دانشگاهی AI‌ به اولویت ژئوپلیتیکی و اقتصادی تبدیل شد. آبان ۱۴۰۱ بود که نقشه راه ملی هوش مصنوعی تدوین شد. این نقشه راه شامل چند موضوع مهم هست:

• سرمایه‌گذاری روی توسعه سیستم‌ها
• ادغام AI با صنایع مولد و پردرآمد مثل مراقبت‌های بهداشتی، کشاورزی، حمل‌ونقل و آموزش
• آموزش نیروهای مستعد برای کار کردن روی مزایا و معایب هوش مصنوعی

برای نظارت روی این برنامه استراتژیک، دولت نهادهای جدیدی ازجمله کمیته راهبری ملی و مرکز ملی هوش مصنوعی رو توی سال ۱۴۰۲ تاسیس کرد. سازمان ملی هوش مصنوعی هم اوایل ۱۴۰۳ تاسیس شد تا تمام مجموعه‌ها بتونن ساختار متمرکزی برای غلبه بر چالش‌های گذشته بسازن.

مروری روی تاریخچه هوش مصنوعی به زبان ساده

همون‌طور که متوجه شدین، برای این‌که به این نقطه برسیم، مسیر طولانی و پر فرازونشیبی رو طی کردیم. تکنولوژی و علوم کامپیوتر حالا تولید یه متن، تصویر و ویدیو رو خیلی واسمون راحت کردن. الان می‌تونیم بدون صرف وقت زیاد برای یادگیری یه نرم‌افزار یا کلنجار رفتن با باگ‌های نصب، یه مقاله بلاگ بنویسیم یا ویدیو بسازیم. هدف از توسعه این سیستم‌ها، آزاد کردن زمان انسان‌ها هست تا بتونن به خلاقیت‌شون برسن؛ چیزی‌که هنوز AI نتونسته بهش دست پیدا کنه.

شما کدوم برهه رو بیشتر دوست داشتین؟ فکر می‌کنین اگر یکی از این تاریخ‌ها رو حذف کنیم، می‌تونستیم الان به‌راحتی چند کلیک به مدرن‌ترین سیستم‌ها دسترسی داشته باشیم؟

سوالات متداولی که شما می‌پرسین