هوش مصنوعی چیست؟
هوش مصنوعی (AI) به عنوان شاخه وسیعی از علوم کامپیوتر، به ساخت ماشین‌های هوشمند می‌پردازد. این ماشین ها قادر به انجام وظایفی هستند که معمولا به هوش انسانی نیاز دارند.

چهار نوع هوش مصنوعی کدامند؟
۱- ماشین های واکنشی
۲- حافظه محدود
۳- نظریه ذهن
۴- خودآگاهی

نمونه هایی از هوش مصنوعی کدامند؟
• سیری، الکسا و دستیاران هوشمند دیگر
• ماشین های بدون راننده
• مشاوران Robo
• ربات های مکالمه‌ای
• فیلترهای اسپم ایمیل
• توصیه های نتفلیکس

رویکردها و مفاهیم هوش مصنوعی
کمتر از یک دهه پس از شکستن دستگاه رمزگذاری نازی‌ها به نام Enigma و کمک به نیروهای متفقین برای پیروزی در جنگ جهانی دوم، ریاضیدان آلن تورینگ (Alan Turing) با یک سوال ساده تاریخ را برای بار دوم تغییر داد: "آیا ماشین ها می توانند فکر کنند؟"
مقاله تورینگ با عنوان "ماشین آلات محاسباتی و هوش" (1950) و به دنبال آن، آزمون تورینگ، هدف و چشم‌انداز اساسی هوش مصنوعی را ایجاد کرد.
در هسته خود، هوش مصنوعی شاخه ای از علوم کامپیوتر است که هدف آن پاسخ مثبت به سوال تورینگ است. این تلاش برای تکرار یا شبیه سازی هوش انسانی در ماشین ها است.
هدف گسترده هوش مصنوعی سوالات و بحث های زیادی را به وجود آورده است. به حدی که هیچ تعریف واحدی از این رشته به طور کلی پذیرفته نشده است.
محدودیت اصلی در تعریف هوش مصنوعی به‌عنوان «ساخت ماشین‌هایی که هوشمند هستند» این است که واقعا توضیح نمی‌دهد که هوش مصنوعی چیست؟ چه چیزی یک ماشین را هوشمند می کند؟ هوش مصنوعی یک علم میان رشته‌ای با رویکردهای متعدد است، اما پیشرفت‌ها در یادگیری ماشین و یادگیری عمیق، تقریباً در هر بخش از صنعت فناوری یک تغییر پارادایم ایجاد می‌کند.
نویسندگان، استوارت راسل و پیتر نورویگ، در کتاب درسی پیشگامانه خود یعنی «هوش مصنوعی: یک رویکرد مدرن»، با متحد کردن کار خود حول موضوع عوامل هوشمند در ماشین‌ها، به این سوال نزدیک می‌شوند. با در نظر گرفتن این موضوع، هوش مصنوعی «مطالعه عواملی است که ادراکاتی را از محیط دریافت می‌کنند و اعمالی را انجام می‌دهند». (Russel and Norvig viii)
نورویگ و راسل در ادامه به بررسی چهار رویکرد مختلف می‌پردازند که از لحاظ تاریخی حوزه هوش مصنوعی را تعریف کرده‌اند:
۱- مانند انسان فکر کردن
۲- عقلانی فکر کردن
۳- انسانی عمل کردن
۴- منطقی عمل کردن
دو ایده اول مربوط به فرآیندهای فکری و استدلال است، در حالی که بقیه موارد با رفتار سروکار دارند. نورویگ و راسل به‌طور ویژه‌ای بر عوامل منطقی تمرکز می کنند که برای دستیابی به بهترین نتیجه عمل می کنند، و خاطرنشان می کنند که "تمام مهارت های مورد نیاز برای آزمون تورینگ هم به یک عامل اجازه می دهد تا منطقی عمل کند." (Russel and Norvig 4)
پاتریک وینستون، استاد هوش مصنوعی و علوم کامپیوتر فورد در MIT، هوش مصنوعی را اینگونه تعریف می‌کند: «الگوریتم‌هایی که توسط محدودیت‌ها فعال می‌شوند، در معرض نمایش‌ قرار می‌گیرند و از مدل‌هایی پشتیبانی می‌کنند که هدفشان حلقه‌هایی است که تفکر، ادراک و عمل را به هم گره می‌زنند».
در حالی که این تعاریف ممکن است برای افراد معمولی انتزاعی به نظر برسند، اما به تمرکز این رشته به عنوان حوزه ای از علوم کامپیوتر کمک می کنند و طرحی برای برانگیختن ماشین ها و برنامه ها با یادگیری ماشینی و سایر زیر مجموعه های هوش مصنوعی ارائه می دهند.

۱- ماشین های واکنشی:
یک ماشین واکنشی از ابتدایی‌ترین اصول هوش مصنوعی پیروی می‌کند و همانطور که از نامش پیداست، فقط می‌تواند از هوش خود برای درک و واکنش به دنیای مقابل استفاده کند. یک ماشین واکنشی نمی تواند یک حافظه را ذخیره کند و در نتیجه نمی تواند به تجربیات گذشته برای اطلاع رسانی تصمیم گیری در زمان واقعی تکیه کند.
درک جهان به طور مستقیم به این معنی است که ماشین‌های واکنشی فقط برای انجام تعداد محدودی از وظایف تخصصی طراحی شده‌اند. با این حال، محدود کردن عمدی جهان‌بینی یک ماشین واکنشی، هیچ نوع معیاری برای کاهش هزینه نیست، و در عوض به این معنی است که این نوع هوش مصنوعی قابل اعتمادتر و موثق‌ترخواهد بود، و هر بار به محرک های یکسانی واکنش نشان می دهد.
یک نمونه معروف از یک ماشین واکنشی Deep Blue است که توسط IBM در دهه ۱۹۹۰ به عنوان یک ابر رایانه شطرنج‌باز طراحی شد و استاد بزرگ بین‌المللی، گری کاسپاروف را در یک بازی شکست داد. دیپ بلو فقط می‌توانست مهره‌های روی صفحه شطرنج را شناسایی کند و بداند که هر کدام از آنها بر اساس قوانین شطرنج چگونه حرکت می‌کنند، موقعیت فعلی هر مهره را تصدیق کند و منطقی‌ترین حرکت را در آن لحظه تعیین کند. کامپیوتر حرکات احتمالی آتی حریف خود را دنبال نمی کرد یا سعی نمی کرد مهره های خود را در موقعیت بهتری قرار دهد. هر چرخشی به عنوان واقعیت خود، جدا از هر حرکت دیگری که از قبل انجام شده بود، تلقی می شد.
نمونه دیگری از ماشین های واکنشی بازی، AlphaGo گوگل است. AlphaGo همچنین قادر به ارزیابی حرکت‌های آینده نیست، اما برای ارزیابی پیشرفت‌های بازی کنونی به شبکه عصبی خود متکی است و به آن برتری نسبت به Deep Blue در یک بازی پیچیده‌تر می‌دهد. AlphaGo همچنین با شکست دادن قهرمان Go Lee Sedol در سال 2016 بر رقبای کلاس جهانی برتری داشت. اگرچه دامنه هوش مصنوعی ماشین واکنشی محدود است و به راحتی تغییر نمی کند، اما می تواند به سطحی از پیچیدگی دست یابد، و هنگامی که برای انجام وظایف تکرارپذیر ایجاد می شود، به صورت قابل اطمینان ارائه شود.

۲- حافظه محدود:
هوش مصنوعی حافظه محدود، توانایی ذخیره داده‌ها و پیش‌بینی‌های قبلی را هنگام جمع‌آوری اطلاعات و سنجش تصمیم‌های بالقوه دارد (اساسا به دنبال سرنخ‌هایی در مورد آنچه ممکن است در آینده رخ دهد، به گذشته نگاه می‌کند). هوش مصنوعی حافظه محدود پیچیده‌تر است و امکانات بیشتری را نسبت به ماشین‌های واکنشی ارائه می‌دهد.
هوش مصنوعی حافظه محدود، زمانی ایجاد می شود که یک تیم به طور مداوم مدلی را در مورد نحوه تجزیه و تحلیل و استفاده از داده‌های جدید آموزش دهد یا یک محیط هوش مصنوعی ساخته شود تا مدل ها به طور خودکار آموزش داده و تجدید شوند. هنگام استفاده از هوش مصنوعی حافظه محدود در یادگیری ماشینی، شش مرحله باید دنبال شود: ۱- داده های آموزشی باید ایجاد شود، ۲- مدل یادگیری ماشین باید ایجاد شود، ۳- مدل باید قادر به پیش بینی باشد، ۴- مدل باید قادر به دریافت بازخورد انسانی یا محیطی باشد، ۵- آن بازخورد باید به عنوان داده ذخیره شود، و ۶- این مراحل باید به عنوان یک چرخه تکرار شوند.
سه مدل اصلی یادگیری ماشینی وجود دارد که از هوش مصنوعی حافظه محدود استفاده می کنند:
• یادگیری تقویتی، که یاد می گیرد از طریق آزمون و خطای مکرر پیش بینی های بهتری انجام دهد.
• حافظه بلند مدت کوتاه مدت (LSTM)، که از داده های گذشته برای کمک به پیش‌بینی مورد بعدی در یک ترتیب استفاده می کند. LTSM ها هنگام پیش‌بینی و کاهش داده‌ها در گذشته، اطلاعات جدیدتر را مهم‌تر می‌دانند. اگرچه هنوز از آن برای نتیجه گیری استفاده می‌کنند.
• شبکه‌های متخاصم مولد تکاملی / Evolutionary Generative Adversarial Networks (E-GAN)، که در طول زمان تکامل می‌یابد و با هر تصمیم جدید مسیرهایی که کمتر تغییر یافته‌اند را بر اساس تجربیات قبلی کشف می‌کند. این مدل دائما به دنبال مسیری بهتر است و از شبیه‌سازی‌ها و آمار یا شانس برای پیش‌بینی نتایج در طول چرخه جهش تکاملی خود استفاده می‌کند.

۳- نظریه ذهن:
نظریه ذهن دقیقا همین است، نظری. ما هنوز به توانایی های فنی و علمی لازم برای رسیدن به این سطح هوش مصنوعی دست نیافته‌ایم.
این مفهوم بر اساس پیش‌فرض روان‌شناختی درک این موضوع است که دیگر موجودات زنده، افکار و احساساتی دارند که بر رفتار شخص 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.

۴- خودآگاهی:
زمانی که تئوری ذهن در هوش مصنوعی ایجاد شود، در آینده‌ای نزدیک، گامی نهایی برای خودآگاهی هوش مصنوعی خواهد بود. این نوع هوش مصنوعی دارای آگاهی در سطح انسان است و وجود خود در جهان و همچنین حضور و وضعیت عاطفی دیگران را درک می کند. نه فقط بر اساس آنچه با دیگران ارتباط برقرار می کنند، بلکه بر اساس نحوه ارتباط آنها می تواند بفهمد که ممکن است آنها به چه چیزهایی نیاز داشته باشند.
خودآگاهی در هوش مصنوعی به دو چیز متکی است. اول به محققان انسانی متکی است که مقدمات آگاهی را درک می کنند و سپس به یادگیری این‌که چگونه آن را تکرار کند تا بتوان آن را در ماشین ها ساخت.

Jeremy Achin ، مدیر عامل DataRobot در حالی که در سال 2017 در نمایشگاه هوش مصنوعی ژاپن سخنرانی می کرد، سخنرانی خود را با ارائه تعریف زیر از نحوه استفاده از هوش مصنوعی امروزی آغاز کرد:
« هوش مصنوعی یک سیستم کامپیوتری است که قادر به انجام وظایفی است که معمولا به هوش انسانی نیاز دارند... بسیاری از این سیستم های هوش مصنوعی با یادگیری ماشینی، برخی از آنها با یادگیری عمیق و برخی از آنها با چیزهای بسیار خسته کننده مانند قوانین، قدرت می گیرند».
هوش مصنوعی به طور کلی، در دو دسته کلی قرار می گیرد:

• هوش مصنوعی محدود (Narrow AI): گاهی اوقات به عنوان "هوش مصنوعی ضعیف" شناخته می شود، این نوع هوش مصنوعی در یک زمینه محدود عمل می کند و شبیه ساز هوش انسانی است. هوش مصنوعی محدود، اغلب بر روی انجام یک کار واحد متمرکز است و در حالی که این ماشین‌ها ممکن است هوشمند به نظر برسند، تحت محدودیت‌ها و فشارهای بسیار بیشتر از ابتدایی‌ترین هوش انسانی عمل می کنند.

• هوش عمومی مصنوعی (AGI): AGI که گاهی به آن "هوش مصنوعی قوی" نیز گفته می شود، نوعی هوش مصنوعی است که در فیلم ها می بینیم، مانند روبات های Westworld یا Data from Star Trek: The Next Generation.AGI یک ماشین با هوش عمومی است و مانند یک انسان، می تواند از این هوش برای حل هر مشکلی استفاده کند.

هوش مصنوعی محدود، در اطراف ما وجود دارد و به راحتی موفق ترین تحقق هوش مصنوعی تا به امروز است. با توجه به "آماده سازی برای آینده هوش مصنوعی"، با تمرکز بر انجام وظایف خاص، هوش مصنوعی محدود پیشرفت های متعددی را در دهه گذشته تجربه کرده است که با توجه به گزارش سال 2016 که توسط دولت اوباما منتشر شد، مزایای اجتماعی قابل توجهی داشته و به سرزندگی اقتصادی کشور کمک کرده است.

چند نمونه از هوش مصنوعی محدود عبارتند از:
• جستجوی گوگل
• نرم‌افزار تشخیص تصویر
• سیری، الکسا و دستیاران شخصی دیگر
• ماشین های بدون راننده
• واتسون IBM

یادگیری ماشین و یادگیری عمیق
بخش عمده ای از هوش مصنوعی محدود (Narrow AI)، توسط پیشرفت هایی در یادگیری ماشین و یادگیری عمیق ایجاد می شود. درک تفاوت بین هوش مصنوعی، یادگیری ماشین و یادگیری عمیق می تواند گیج کننده باشد. فرانک چن، سرمایه‌دار با شهامت، نمای کلی خوبی از نحوه تمایز بین آنها ارائه می‌دهد و خاطرنشان می‌کند:
« هوش مصنوعی مجموعه‌ای از الگوریتم‌ها و ذکاوت برای تقلید از هوش انسان است. یادگیری ماشین یکی از آنهاست و یادگیری عمیق یکی از تکنیک‌های یادگیری ماشین است».
به زبان ساده، یادگیری ماشین داده‌های رایانه را تغذیه می‌کند و از تکنیک‌های آماری استفاده می‌کند تا به آن کمک کند تا «بیاموزد» چگونه در یک کار به تدریج بهتر شود، بدون اینکه به طور خاص برای آن کار برنامه‌ریزی شده باشد، و نیاز به میلیون‌ها خط کد نوشته شده را از بین می‌برد. یادگیری ماشین شامل یادگیری نظارت شده (با استفاده از مجموعه داده های برچسب دار) و یادگیری بدون نظارت (با استفاده از مجموعه داده های بدون برچسب) است.
یادگیری عمیق نوعی یادگیری ماشین است که ورودی ها را از طریق ساختار شبکه عصبی الهام گرفته از ساختار بیولوژیکی اجرا می‌کند. شبکه‌های عصبی، حاوی تعدادی لایه پنهان هستند که داده‌ها از طریق آنها پردازش می‌شوند و به ماشین اجازه می‌دهند تا در یادگیری خود "عمیق" پیش برود، و اتصالات و وزن ورودی را برای بهترین نتایج ایجاد کند.

ایجاد ماشینی با سطح هوش انسانی که می تواند برای هر کاری استفاده شود، هدف تعالی برای بسیاری از محققان هوش مصنوعی است، اما تلاش برای AGI با مشکل همراه بوده است.
جستجو برای "الگوریتم جهانی برای یادگیری و عمل در هر محیطی" جدید نیست، اما زمان، از دشواری ایجاد ماشینی با مجموعه کاملی از توانایی های شناختی کم نکرده است.
AGI مدت‌هاست که الهام بخش داستان‌های علمی تخیلی دیستوپیایی بوده است، که در آن روبات‌های فوق‌هوشمند بر بشریت غلبه می‌کنند، اما کارشناسان معتقدند که این چیزی نیست که به این زودی‌ها نگران آن باشیم.

روبات های هوشمند و موجودات مصنوعی اولین بار در اسطوره های یونان باستان ظاهر شدند. توسعه قیاس و استفاده ارسطو از استدلال قیاسی، لحظه ای کلیدی در تلاش بشر برای درک هوش خود بود. در حالی که ریشه ها طولانی و عمیق هستند، تاریخچه هوش مصنوعی به شکل امروزی، کمتر از یک قرن است. در ادامه نگاهی گذرا به برخی از مهم ترین رویدادهای هوش مصنوعی آورده شده است.

دهه ۱۹۴۰
• ۱۹۴۳: وارن مک کالو و والتر پیتس (Warren McCullough and Walter Pitts)، «حساب منطقی ایده های ماندگار در فعالیت عصبی» را منتشر کردند. این مقاله اولین مدل ریاضی را برای ساخت یک شبکه عصبی پیشنهاد کرد.
• ۱۹۴۹: دونالد هب (Donald Hebb)، در کتاب خود با نام «سازمان رفتار: یک نظریه عصب روانشناختی»، این نظریه را پیشنهاد می کند که مسیرهای عصبی از تجربیات ایجاد می شوند و هر چه ارتباط بین نورون ها بیشتر مورد استفاده قرار گیرد، قوی‌تر می شود. Hebbian learning (HL) همچنان یک مدل مهم در هوش مصنوعی است.

دهه ۱۹۵۰
• ۱۹۵۰: آلن تورینگ (Alan Turing)، «ماشین آلات و هوش محاسباتی» را منتشر می کند و چیزی را پیشنهاد می‌کند که اکنون به عنوان تست تورینگ، روشی برای تعیین اینکه آیا یک ماشین هوشمند است، شناخته می شود.
• ۱۹۵۰: ماروین مینسکی و دین ادموندز (Marvin Minsky and Dean Edmonds)، دانشجویان کارشناسی هاروارد، SNARC، اولین کامپیوتر شبکه عصبی را ساختند.
• ۱۹۵۰: کلود شانون (Claude Shannon)، مقاله «برنامه نویسی یک کامپیوتر برای بازی شطرنج» را منتشر می کند.
• ۱۹۵۰: ایزاک آسیموف (Isaac Asimov)، «سه قانون رباتیک» را منتشر می کند.
• ۱۹۵۲: آرتور ساموئل (Arthur Samuel)، یک برنامه خودآموز برای بازی checkers توسعه می دهد.
• ۱۹۵۴: آزمایش ترجمه ماشینی Georgetown-IBM به طور خودکار ۶۰ جمله روسی که با دقت انتخاب شده‌اند را به انگلیسی ترجمه می کند.
• ۱۹۵۶: عبارت هوش مصنوعی در «پروژه تحقیقاتی تابستانی دارتموث در زمینه هوش مصنوعی» ابداع شده است. این کنفرانس به رهبری جان مک کارتی (John McCarthy)، که دامنه و اهداف هوش مصنوعی را تعریف کرد، به طور گسترده ای به عنوان تولد هوش مصنوعی، به همان شکلی که امروزه آن را می‌شناسیم، در نظر گرفته می شود.
• ۱۹۵۶: آلن نیوول و هربرت سایمون (Allen Newell and Herbert Simon)، نظریه‌پرداز منطق (LT)، اولین برنامه استدلال را به اثبات رساندند.
• ۱۹۵۸: جان مک کارتی (John McCarthy)، زبان برنامه نویسی هوش مصنوعی Lisp را توسعه می دهد و مقاله «برنامه هایی با هوش معمولی» را منتشر می کند. در این مقاله، یک توصیه‌گیرنده فرضی، که یک سیستم هوش مصنوعی کامل با توانایی یادگیری موثر از تجربیات همانند انسان است، پیشنهاد شد.
• ۱۹۵۹: آلن نیوول، هربرت سایمون و جی سی شاو (Allen Newell, Herbert Simon and J.C. Shaw)، برنامه حل مشکلات عمومی (GPS) را توسعه می دهند؛ برنامه ای که برای تقلید از روند حل مسئله انسان، طراحی شده است.
• ۱۹۵۹: هربرت گلرنتر (Herbert Gelernter)، برنامه اثبات قضیه هندسه را توسعه می دهد.
• ۱۹۵۹: آرتور ساموئل (Arthur Samuel)، اصطلاح یادگیری ماشین را در IBM به کار می برد.
• ۱۹۵۹: جان مک کارتی و ماروین مینسکی (John McCarthy and Marvin Minsky)، پروژه هوش مصنوعی MIT را تأسیس کردند.

دهه ۱۹۶۰
• ۱۹۶۳: جان مک کارتی (John McCarthy)، آزمایشگاه هوش مصنوعی را در استنفورد راه اندازی کرد.
• ۱۹۶۶: گزارش کمیته مشورتی پردازش خودکار زبان (ALPAC) توسط دولت ایالات متحده، جزئیات عدم پیشرفت در تحقیقات ترجمه ماشینی، ابتکار بزرگ جنگ سرد با وعده ترجمه خودکار و فوری زبان روسی را شرح داد. گزارش ALPAC منجر به لغو تمام پروژه های MT با بودجه دولت می شود.
• ۱۹۶۹: اولین سیستم های خبره موفق در DENDRAL، یک برنامه XX، و MYCIN، طراحی شده برای تشخیص عفونت‌های خون، در استنفورد ایجاد شدند.

دهه ۱۹۷۰
• ۱۹۷۲: زبان برنامه نویسی منطقی PROLOG ایجاد شد.
• ۱۹۷۳: "گزارش لایت هیل (Lighthill)" که جزئیات ناامیدکننده‎‌ای در تحقیقات هوش مصنوعی نشان می دهد، توسط دولت بریتانیا منتشر می شود و منجر به کاهش شدید بودجه برای پروژه های هوش مصنوعی می شود.
• ۱۹۷۴-۱۹۸۰: ناامیدی از پیشرفت توسعه هوش مصنوعی منجر به کاهش عمده DARPA در کمک هزینه های تحصیلی می‌شود. همراه با گزارش قبلی ALPAC و "گزارش لایت هیل (Lighthill)" سال قبل، بودجه هوش مصنوعی و تحقیقات متوقف می شوند. این دوره به عنوان "اولین زمستان هوش مصنوعی" شناخته می شود.

دهه ۱۹۸۰
• ۱۹۸۰: شرکت‌ تجهیزات دیجیتال (Digital Equipment Corporations)، R1 (که همچنین به عنوان XCON شناخته می‌شود) اولین سیستم تخصصی تجاری موفق را توسعه داد. R1 که برای پیکربندی سفارش‌ها برای سیستم‌های کامپیوتری جدید طراحی شده است، رونق سرمایه‌گذاری در سیستم‌های تخصصی را آغاز می‌کند که تا چندین دهه دوام خواهد داشت و عملا به اولین "زمستان هوش مصنوعی" پایان می‌دهد.
• ۱۹۸۲: وزارت تجارت و صنعت بین المللی ژاپن، پروژه بلند پروازانه نسل پنجم سیستم های کامپیوتری را راه اندازی کرد. هدف FGCS، توسعه عملکردی مانند ابررایانه و پلتفرمی برای توسعه هوش مصنوعی است.
• ۱۹۸۳: در پاسخ به FGCS ژاپن، دولت ایالات متحده ابتکار محاسبات استراتژیک را برای ارائه تحقیقات با بودجه DARPA در زمینه محاسبات پیشرفته و هوش مصنوعی راه اندازی می کند.
• ۱۹۸۵: شرکت‌ها سالانه بیش از یک میلیارد دلار برای سیستم‌های تخصصی هزینه می‌کنند و یک صنعت کامل به نام بازار ماشین‌های Lisp برای حمایت از آنها به وجود می‌آید. شرکت هایی مانند Symbolics و Lisp Machines Inc کامپیوترهای تخصصی می سازند تا با زبان برنامه نویسی هوش مصنوعی Lisp اجرا شوند.
• ۱۹۸۷-۱۹۹۳: با بهبود فناوری محاسباتی، جایگزین‌های ارزان‌تری پدیدار شدند و بازار ماشین‌های Lisp در سال ۱۹۸۷ سقوط کرد و «زمستان دوم هوش مصنوعی» آغاز شد. در طی این دوره، سیستم های تخصصی برای نگهداری و به روز رسانی بسیار گران بودند و در نهایت از بین رفتند.

دهه ۱۹۹۰
• ۱۹۹۱: نیروهای ایالات متحده در طول جنگ خلیج فارس، DART، یک ابزار برنامه‌ریزی و زمان‌بندی لجستیک خودکار را مستقر کردند.
• ۱۹۹۲: ژاپن پروژه FGCS را در سال ۱۹۹۲ خاتمه داد و دلیل آن شکست در دستیابی به اهداف بلند پروازانه ای است که یک دهه پیش از آن مشخص شده بود.
• ۱۹۹۳: DARPA در سال ۱۹۹۳ به ابتکار محاسبات استراتژیک خاتمه داد، زیرا نزدیک به ۱ میلیارد دلار هزینه کرد و نتیجه بسیار کمتر از انتظارات بود.
• ۱۹۹۷: دیپ بلو از IBM، گری کاسپاروف (Gary Kasparov)، قهرمان شطرنج جهان را شکست داد.

دهه ۲۰۰۰
• ۲۰۰۵: STANLEY، یک خودروی اتوماتیک بدون راننده، برنده رقابت بزرگ DARPA شد.
• ۲۰۰۵: ارتش ایالات متحده سرمایه گذاری روی ربات های مستقل مانند “Big Dog” از Boston Dynamics و “PackBot” از iRobot را آغاز می‌کند.
• ۲۰۰۸: گوگل در تشخیص گفتار پیشرفت‌هایی ایجاد می کند و این ویژگی را در برنامه آیفون خود معرفی می کند.

۲۰۱۰-۲۰۱۴
• ۲۰۱۱: واتسون از IBM رقابت را در Jeopardy شکست می دهد.
• ۲۰۱۱: اپل، Siri یک دستیار مجازی مبتنی بر هوش مصنوعی را از طریق سیستم عامل iOS خود منتشر کرد.
• ۲۰۱۲: Andrew Ng، بنیانگذار پروژه یادگیری عمیق مغز گوگل (Google Brain Deep Learning)، با استفاده از الگوریتم های یادگیری عمیق، از ۱۰ میلیون ویدیوی یوتیوب به عنوان یک مجموعه آموزشی، به یک شبکه عصبی تغذیه می‌کند. شبکه عصبی یاد گرفت که گربه را بدون اینکه به او گفته شود گربه چیست، بشناسد، و این امر آغازگر دوران پیشرفت شبکه‌های عصبی و سرمایه‌گذاری برای یادگیری عمیق است.
• ۲۰۱۴: گوگل اولین خودروی اتوماتیک بدون راننده را برای قبولی در آزمون رانندگی دولتی می‌سازد.
• ۲۰۱۴: الکسای آمازون، یک خانه مجازی، منتشر شد.

۲۰۱۵-۲۰۲۱
• ۲۰۱۶: AlphaGo از Google DeepMind، قهرمان جهان Go Lee Sedol را شکست داد. پیچیدگی بازی باستانی چینی به عنوان یک مانع بزرگ برای واضح شدن در هوش مصنوعی تلقی می شد.
• ۲۰۱۶: اولین "روبات شهروند"، یک ربات انسان نما به نام سوفیا، توسط Hanson Robotics ساخته شده است و قادر به تشخیص چهره، ارتباط کلامی و بیان چهره است.
• ۲۰۱۸: گوگل موتور پردازش زبان طبیعی BERT، که موانع در ترجمه و درک توسط برنامه های کاربردی یادگیری ماشین را کاهش می دهد، منتشر می کند.
• ۲۰۱۸: Waymo سرویس Waymo One خود را راه‌اندازی می‌کند و به کاربران در سرتاسر کلانشهر Phoenix این امکان را می‌دهد تا یکی از وسایل نقلیه اتوماتیک بدون راننده این شرکت را درخواست و دریافت کنند.
• ۲۰۲۰: بایدو (Baidu)، الگوریتم LinearFold AI خود را برای تیم‌های علمی و پزشکی که برای تولید واکسن در مراحل اولیه همه‌گیری SARS-CoV-2 کار می‌کنند، منتشر می‌کند. این الگوریتم قادر است توالی RNA ویروس را تنها در ۲۷ ثانیه، یعنی ۱۲۰ برابر سریعتر از روش های دیگر پیش بینی کند.

شرکت فناوران اینترنت اشیاء هیوا از سال ۱۳۹۷ با بهره‌گیری از دانش، تخصص و تجربه افراد توانمند در زمینه هوش مصنوعی فعالیت می کند.

سایت مرجع: builtin.com