الذكاء الاصطناعي الضيق (ANI)

الخصائص الأساسية

السمة المميزة لأنظمة الذكاء الاصطناعي هي تخصصها. وعادةً ما يتم تطوير هذه الأنظمة باستخدام مجموعات بيانات ضخمة ذات صلة بوظيفتها المحددة، وغالبًا ما تستفيد من تقنيات التعلم الآلي (ML). تشمل الخصائص الرئيسية ما يلي:

• خاص بالمهام: مصممة لغرض واحد أو مجموعة محدودة للغاية من المهام ذات الصلة الوثيقة، مثل لعب الشطرنج أو التعرف على الوجوه(التعرف على الوجه) أو ترجمة اللغات.
• تعتمد على البيانات: يعتمد الأداء بشكل كبير على جودة وكمية بيانات التدريب المستخدمة أثناء التطوير. وتشمل نماذج التدريب الشائعة التعلم تحت الإشراف والتعلم غير الخاضع للإشراف والتعلم غير الخاضع للإشراف والتعلم المعزز.
• موجهة نحو الهدف: تعمل بناءً على خوارزميات ومعايير يحددها المطورون لتحقيق أهداف محددة وقابلة للقياس.
• انعدام الوعي: لا تمتلك أنظمة الذكاء الاصطناعي الذاتي الوعي الذاتي أو الإدراك أو الفهم الحقيقي؛ فهي تحاكي الذكاء في نطاقها الضيق بناءً على الأنماط المستفادة من البيانات. يمكنك استكشاف وثائقUltralytics لمزيد من التفاصيل حول كيفية تدريب هذه النماذج ونشرها.

التمييز عن أنواع الذكاء الاصطناعي الأخرى

يتطلب فهم الذكاء الاصطناعي الذاتي التلقائي التفريق بينه وبين الأشكال النظرية الأكثر تقدمًا للذكاء الاصطناعي:

• الذكاء الاصطناعي العام (AGI): غالبًا ما يُطلق على الذكاء الاصطناعي العام الاصطناعي اسم الذكاء الاصطناعي القوي، ويشير الذكاء الاصطناعي العام الاصطناعي إلى آلات افتراضية ذات قدرات إدراكية شبيهة بقدرات الإنسان، قادرة على الفهم والتعلم وتطبيق الذكاء عبر مجموعة واسعة من المهام، على غرار الإنسان. وتبحث مؤسسات مثل Google DeepMind وOpenAI بنشاط في مسارات الذكاء الاصطناعي المُعدَّل المُشابه للإنسان. لا يزال الذكاء الاصطناعي للذكاء الاصطناعي المُعزز نظرياً إلى حد كبير وهو خطوة مهمة تتجاوز قدرات الذكاء الاصطناعي الذاتي الحالية.
• الذكاء الاصطناعي الخارق (ASI): هذه مرحلة مستقبلية افتراضية يتفوق فيها الذكاء الاصطناعي على الذكاء البشري في جميع المجالات ذات القيمة الاقتصادية تقريبًا. ويمثل ASI مستوى ذكاء يفوق بكثير حتى ألمع العقول البشرية، وهو مفهوم استكشفه بالتفصيل مفكرون مثل نيك بوستروم.

على الرغم من أن الذكاء الاصطناعي يعمل على تشغيل تطبيقات متطورة، إلا أنه يعمل بشكل صارم بناءً على برمجته وبيانات التدريب الخاصة به، دون فهم حقيقي أو القدرة على التعميم خارج نطاق مهمته المحددة.

التطبيقات الواقعية

ينتشر الذكاء الاصطناعي في التكنولوجيا الحديثة. وفيما يلي مثالان بارزان:

1. أنظمة الرؤية الحاسوبية (CV): نماذج مثل Ultralytics YOLOبما في ذلك إصدارات مثل YOLOv8 و YOLO11هي أمثلة رئيسية على الذكاء الاصطناعي. وهي تتفوق في مهام بصرية محددة مثل اكتشاف الأجسام (تحديد الأجسام وتحديد مواقعها باستخدام المربعات المحدودة)، وتجزئة المثيل (تحديد مثيلات الأجسام الفردية)، وتقدير الوضع (اكتشاف نقاط الجسم الرئيسية). تُعد هذه القدرات ضرورية في مجالات متنوعة مثل المركبات ذاتية القيادة للملاحة (انظر نهج Waymo)، وتعزيز أنظمة الأمان، وأتمتة مراقبة جودة التصنيع، والمساعدة في تحليل الصور الطبية. تعمل منصات مثل Ultralytics HUB على تسهيل تدريب ونشر مثل هذه النماذج المتخصصة للسيرة الذاتية. يمكنك العثور على مقارنات بين نماذج YOLO في وثائقنا.
2. أنظمة معالجة اللغات الطبيعية (NLP): المساعدات الافتراضية مثل Siri من Apple وAmazon Alexa من Apple، وروبوتات الدردشة الآلية المتطورة المستخدمة في خدمة العملاء، وأدوات الترجمة الآلية مثل Google Translate، كلها مدعومة من قبل ANI. يتم تدريبها على مجموعات بيانات نصية ضخمة لفهم اللغة البشرية وتوليدها لتطبيقات محددة مثل الإجابة على الأسئلة، أو اتباع الأوامر، أو ترجمة النصوص بين اللغات. وعلى الرغم من كفاءتها العالية في هذه المهام، إلا أنها تفتقر إلى المعرفة العالمية الواسعة أو المنطق السليم خارج نطاقها المُدرَّب. وتوفر أطر عمل مثل محولاتHugging Face أدوات لبناء مثل هذه النماذج في مجال البرمجة اللغوية العصبية.

ومن أمثلة الذكاء الاصطناعي للذكاء الاصطناعي الأخرى واسعة الانتشار أنظمة التوصيات التي تستخدمها منصات مثل نتفليكس وسبوتيفاي، ومرشحات البريد الإلكتروني غير المرغوب فيه، والبرمجيات المستخدمة في النمذجة المالية. ينطوي تطوير ونشر هذه الأنظمة على دراسة متزايدة لأخلاقيات الذكاء الاصطناعي بعناية لضمان العدالة ومنع التحيز الضار، مسترشدين في ذلك بمنظمات مثل الشراكة في الذكاء الاصطناعي ومبادئ الذكاء الاصطناعي القابل للتفسير.