آگست ۱۹۵۵ را می‌توان آغاز رسمی رویای هوش مصنوعی دانست. در آن زمان، جان مک‌کارتی، استاد جوان ریاضیات در کالج دارتموث، به همراه ماروین مینسکی، ناتانیل راچستر و کلود شنون، طرحی با عنوان «پروژه پژوهشی تابستانی دارتموث» را که بعداً به کارگاه دارتموث شهرت یافت، به بنیاد خیریه راکفلر ارائه کردند. ایده محوری این طرح جسورانه، ساده اما انقلابی بود: «هر جنبه از یادگیری و هر ویژه‌گی هوش را می‌توان چنان دقیق توصیف کرد که ساخت ماشینی برای شبیه‌سازی آن امکان‌پذیر شود.» خوش‌بینی و بلندپروازی آنان تا آن‌جا پیش می‌رفت که تصور می‌کردند با گرد هم آوردن بیست تن از درخشان‌ترین ذهن‌های حوزه محاسبات در کالج دارتموث، تنها در یک تابستان می‌توان به راز ساخت ماشین‌های هوشمند دست یافت!
اگرچه شرکت‌کننده‌گان کارگاه دارتموث نتوانستند رویای ساخت ماشین‌های هوشمند را در همان تابستان محقق کنند، اما سه میراث ماندگار از خود برجای گذاشتند. نخست، آنان نام «هوش مصنوعی» را بر این حوزه نوپا نهادند؛ نامی که به‌سرعت فراگیر شد و تا امروز باقی مانده است. دوم، بنیان‌های نظری و مفهومی رشته‌ای را پی ریختند که بعدها به یکی از تحول‌آفرین‌ترین حوزه‌های علمی و فناورانه جهان تبدیل شد. و سوم، با گرد هم آوردن پژوهشگران برجسته، هسته اولیه یک جامعه علمی منسجم را شکل دادند؛ جامعه‌ای که در دهه‌های بعد موتور محرک پیشرفت‌های چشمگیر هوش مصنوعی شد.
شرکت‌کننده‌گان کارگاه تابستانی دارتموث، ۱۹۵۶
منبع:
https://indiaai.gov.in/article/exploring-the-significance-of-the-dartmouth-workshop
هرچند رشته هوش مصنوعی به‌طور رسمی در سال‌های ۱۹۵۵ و ۱۹۵۶ بنیان‌گذاری شد، تلاش‌های نظری و عملی برای انتقال توانایی‌های شناختی، یادگیری، حل مساله و استدلال انسان به ماشین‌ها سابقه‌ای بسیار طولانی‌تر دارد. در واقع، پژوهش‌های نظام‌مند و اثرگذار در این زمینه از دههٔ ۱۹۴۰ شتاب گرفت. یکی از برجسته‌ترین چهره‌های این دوران، آلن تورینگ، ریاضی‌دان و دانشمند علوم کامپیوتری بریتانیایی بود. او در مقالات و پژوهش‌های خود کوشید مفهوم «هوش محاسباتی» را صورت‌بندی و نظریه‌پردازی کند. تورینگ بر این باور بود که فرایندهای ذهنی انسان را می‌توان در قالب محاسبات مدل‌سازی کرد و از این طریق به ماشین‌ها توانایی‌های هوشمندانه بخشید؛ ایده‌ای که امروزه نیز در بنیان بسیاری از تکنالوژی‌های هوش مصنوعی قرار دارد.
آثار و دیدگاه‌های نظری تورینگ تأثیر بسیار عمیقی بر شکل‌گیری و توسعه پژوهش‌های علمی و کاربردی در حوزه هوش مصنوعی و علوم کامپیوتری گذاشت. اهمیت دستاوردهای او تا آن‌جاست که امروزه جایزه تورینگ به یاد او هر ساله به برجسته‌ترین و تأثیرگذارترین پژوهشگران علوم کامپیوتری اعطا می‌شود. این جایزه که از معتبرترین افتخارات علمی در حوزه علوم کامپیوتر به شمار می‌رود، اغلب «نوبل علوم کامپیوتر» نامیده می‌شود.
آلن تورینگ و ماشین تورینگ، ۱۹۳۶
منبع: pivot.digital
در همین دوره، دو پارادایم/مکتب پژوهشی مهم در حوزه هوش محاسباتی یا هوش مصنوعی پدیدار شد که مسیر تحقق رویای ماشین‌های هوشمند را هموارتر ساخت. نخست، پارادایم هوش مصنوعی نمادین بود که تأثیر عمیق آن همچنان در بسیاری از شاخه‌های هوش مصنوعی معاصر دیده می‌شود. از برجسته‌ترین اندیشمندان این رویکرد می‌توان به هربرت سایمون و آلن نیوول از دانشگاه کارنگی ملون و نیز جان مک‌کارتی، ابداع‌کننده اصطلاح «هوش مصنوعی»، اشاره کرد. در این پارادایم، تلاش بر آن بود که فرایند تفکر و استدلال انسانی از طریق مجموعه‌ای از قواعد و دستورالعمل‌های گام‌به‌گام به کامپیوتر آموزش داده شود تا ماشین بتواند بر پایه نمادها و استدلال منطقی از پیش تعریف‌شده به حل مساله بپردازد.
دومین رویکرد، پارادایم نیمه‌نمادین یا اتصال‌گرایانه بود که امروزه بنیان بسیاری از پیشرفته‌ترین فناوری‌های هوش مصنوعی، از جمله مدل‌های زبانی بزرگ مانند ChatGPT، را تشکیل می‌دهد. از پیشگامان این حوزه می‌توان به وارن مک‌کالوچ و والتر پیتس از دانشگاه شیکاگو و فرانک روزنبلات از دانشگاه کرنل اشاره کرد. این پارادایم به جای تکیه بر دستورالعمل‌های صریح و از پیش نوشته‌شده، بر یادگیری از داده‌ها و شبیه‌سازی ساختار شبکه‌های عصبی مغز انسان تأکید دارد و به ماشین‌ها امکان می‌دهد الگوها و روابط پیچیده را به‌صورت خودکار و بسیار دقیق‌تر فراگیرند.
فرانک روزنبلات و پرسپترون (نمونه اولیه شبکه‌های عصبی از مدل‌های بسیار قدرتمند هوش مصنوعی)
منبع: https://news.cornell.edu/stories/2019/09/professors-perceptron-paved-way-ai-60-years-too-soon
رویای ساخت ماشین‌های هوشمند از دهه ۱۹۴۰ تاکنون فراز و فرودهای بسیاری را پشت سر گذاشته است؛ دوره‌هایی که امروزه از آن‌ها با عنوان «تابستان‌ها» و «زمستان‌ها»ی هوش مصنوعی یاد می‌شود. ریشه‌های این تحول را می‌توان در چهار شاخه اصلی دنبال کرد. نخستین شاخه، «یادگیری ماشین» است؛ روشی که به سیستم‌های هوشمند امکان می‌دهد با بررسی حجم زیادی از داده‌ها، الگوها را پیدا کنند و به مرور عملکرد خود را بهبود دهند. یادگیری ماشین یکی از مهم‌ترین زیرشاخه‌های هوش مصنوعی است. هرچند پایه‌های آن به دهه ۱۹۴۰ بازمی‌گردد، اصطلاح «یادگیری ماشین» را آرتور ساموئل در سال ۱۹۵۹ برای توصیف این حوزه به کار برد. امروزه بسیاری از فناوری‌های پیشرفته هوش مصنوعی بر همین روش بنا شده‌اند. برای مثال، زمانی که یوتیوب بر اساس ویدیوهای قبلی شما، محتوای جدیدی پیشنهاد می‌کند، در واقع از یادگیری ماشین استفاده می‌شود.
دومین شاخه، «پردازش زبان طبیعی» است؛ حوزه‌ای که به کامپیوترها کمک می‌کند زبان انسان را درک کنند و به آن پاسخ دهند. این فناوری در سال‌های اخیر با ظهور ابزارهای تولید محتوا و گفت‌وگو، مانند چت‌جی‌پی‌تی، بیش از هر زمان دیگری مورد توجه قرار گرفته است. با این حال، ریشه‌های آن به دهه‌های ۱۹۴۰ و ۱۹۵۰ بازمی‌گردد. ژوزف وایزن‌باوم، استاد انستیتوت فناوری ماساچوست (MIT)، بین سال‌های ۱۹۶۴ تا ۱۹۶۶ یکی از نخستین چت‌بات‌های تاریخ را با نام «الیزا» طراحی کرد. الیزا با استفاده از قواعد و الگوهای ساده زبانی، گفت‌وگویی شبیه یک روان‌درمانگر را شبیه‌سازی می‌کرد؛ برای مثال، پرسش‌های کاربر را به شکل سوال‌های جدید به خود او بازمی‌گرداند. اگرچه توانایی‌های آن در مقایسه با تکنالوژی‌های امروزی مانند چت‌جی‌پی‌تی بسیار محدود بود، اما نشان داد که ماشین‌ها می‌توانند با انسان وارد تعامل زبانی شوند.
سومین شاخه، «بینایی ماشین» است؛ حوزه‌ای که به کامپیوترها امکان می‌دهد تصاویر و ویدیوها را مشاهده، تحلیل و تفسیر کنند؛ به عبارتی، قابلیت دیداری انسان را در ماشین‌ها بازتولید کند. احتمالاً شما هم از قابلیت تشخیص چهره برای باز کردن قفل تلفن همراه خود استفاده کرده‌اید یا هنگام دریافت پاسپورت و تذکره، اطلاعات بیومتریک شما ثبت شده است. همه این کاربردها به کمک فناوری‌های بینایی ماشین امکان‌پذیر شده‌اند. ریشه‌های این حوزه به دهه ۱۹۵۰ بازمی‌گردد. در سال ۱۹۵۷، راسل کرش، پژوهشگر مؤسسه ملی استاندارد و فناوری امریکا، نخستین تصویر دیجیتال کودکش را با استفاده از یک اسکنر کامپیوتری ثبت و پردازش کرد. این دستاورد گامی مهم در مسیر توسعه فناوری‌هایی بود که امروزه به کامپیوترها اجازه می‌دهند چهره افراد، اشیا، علائم راهنمایی و حتا تصاویر پزشکی را شناسایی و تحلیل کنند.
نخستین تصویر دیجیتال، ۱۹۵۷
منبع: https://www.nist.gov/mathematics-statistics/first-digital-image
چهارمین شاخه، «رباتیک» است؛ حوزه‌ای که دستاوردهای شاخه‌های مختلف هوش مصنوعی را با یکدیگر ترکیب می‌کند و به ماشین‌ها توانایی حرکت، درک محیط و انجام کارهای فیزیکی را می‌دهد. به لطف رباتیک، هوش مصنوعی تنها به تحلیل اطلاعات محدود نمی‌شود، بلکه می‌تواند در دنیای فیزیکی نیز عمل کند. یکی از نخستین ربات‌های هوشمند تاریخ، «شِکی» (Shakey) بود که در اواخر دهه ۱۹۶۰ توسط گروهی از پژوهشگران دانشگاه استنفورد طراحی و ساخته شد. شِکی می‌توانست محیط اطراف خود را تا حدی درک کند، مسیر خود را برنامه‌ریزی کرده و برای رسیدن به یک هدف، تصمیم‌های ساده‌ای بگیرد. این ربات نقطه عطفی در تاریخ هوش مصنوعی و رباتیک به شمار می‌رود و راه را برای توسعه ربات‌های پیشرفته امروزی هموار کرد.
شِکی، ۱۹۶۶-۱۹۷۲
منبع: https://www.computerhistory.org/revolution/artificial-intelligence-robotics/13/289
این نمونه‌های تاریخی یادآور یک واقعیت مهم است: فناوری‌های پیشرفته امروز حاصل دهه‌ها پژوهش، آزمایش، شکست و نوآوری مستمر و بلندپروازانه هستند و نه محصول یک جهش ناگهانی و یک شبه. درک تحولات اولیه این حوزه کمک می‌کند وضعیت فعلی و مسیر آینده هوش مصنوعی را بهتر درک کنیم.
