ما المقصود بالذكاء الاصطناعي (AI)؟

يمكن للتطبيقات والأجهزة المزودة بالذكاء الاصطناعي رؤية الأشياء وتحديدها. يمكنها فهم اللغة البشرية والاستجابة لها. يمكنها التعلم من المعلومات والخبرات الجديدة. يمكنها تقديم توصيات مفصلة للمستخدمين والخبراء. ويمكنها التصرف بشكل مستقل، لتحل محل الحاجة إلى الذكاء البشري أو التدخل البشري (مثال كلاسيكي على ذلك السيارة ذاتية القيادة).

لكن في عام 2024، يركز معظم الباحثين والممارسين ومعظم العناوين المتعلقة بالذكاء الاصطناعي على الاختراقات في الذكاء الاصطناعي التوليدي (gen AI)، وهي تقنية يمكنها إنشاء نصوص أصلية وصور وفيديو ومحتوى آخر. لفهم الذكاء الاصطناعي التوليدي بشكل كامل، من المهم أولًا فهم التقنيات التي تم بناء أدوات الذكاء الاصطناعي التوليدي عليها: التعلم الآلي (ML) والتعلم العميق.

من الطرق البسيطة للتفكير في الذكاء الاصطناعي هو أنه سلسلة من المفاهيم المتداخلة أو المشتقة التي ظهرت على مدار أكثر من 70 عامًا:

تحت الذكاء الاصطناعي مباشرةً، لدينا التعلم الآلي، والذي يتضمن إنشاء نماذج عن طريق تدريب خوارزمية على إجراء تنبؤات أو اتخاذ قرارات بناءً على البيانات. وهو يشمل مجموعة واسعة من التقنيات التي تمكّن أجهزة الكمبيوتر من التعلم من البيانات واستنتاج نتائج بناءً عليها دون أن يتم برمجتها صراحةً لمهام محددة.

هناك العديد من أنواع تقنيات أو خوارزميات تعلم الآلة، بما في ذلك الانحدار الخطي، والانحدار اللوجستي، وأشجار القرار، والغابة العشوائية، وآلات المتجهات الداعمة (SVMs)، وخوارزمية الجار الأقرب (KNN)، والتجميع وغيرها الكثير. كل من هذه الأساليب مناسب لأنواع مختلفة من المشكلات والبيانات.

ولكن أحد أكثر أنواع خوارزميات التعلم الآلي شيوعًا هو ما يسمى بالشبكة العصبية (أو الشبكة العصبية الاصطناعية). يتم تصميم الشبكات العصبية على غرار بنية الدماغ البشري ووظيفته. تتكون الشبكة العصبية من طبقات مترابطة من العقدة (على غرار الخلايا العصبية) التي تعمل معًا لمعالجة وتحليل البيانات المعقدة. الشبكات العصبية مناسبة تمامًا للمهام التي تنطوي على تحديد الأنماط والعلاقات المعقدة في كميات كبيرة من البيانات.

يطلق على أبسط شكل من أشكال التعلم الآلي التعلم الخاضع للإشراف، والذي يتضمن استخدام مجموعات البيانات المصنفة لتدريب الخوارزميات على تصنيف البيانات أو التنبؤ بالنتائج بدقة. في التعلم الخاضع للإشراف، يقوم البشر بإقران كل مثال تدريبي بتسمية المخرجات. الهدف هو أن يتعلم النموذج التعيين بين المدخلات والمخرجات في بيانات التدريب، حتى يتمكن من التنبؤ بتسميات البيانات الجديدة غير المرئية.

التعلم العميق هو فرع من فروع التعلم الآلي يستخدم الشبكات العصبية متعددة الطبقات، والتي تسمى الشبكات العصبية العميقة، بهدف محاكاة قدرة الدماغ البشري المعقدة على اتخاذ القرارات.

تشتمل الشبكات العصبية العميقة على طبقة إدخال، وطبقات مخفية لا تقل عن ثلاث ولكن عادةً مئات الطبقات، وطبقة مخرجات، على عكس الشبكات العصبية المستخدمة في نماذج التعلم الآلي الكلاسيكية، والتي عادةً ما تحتوي على طبقة مخفية واحدة أو طبقتين فقط.

تتيح هذه الطبقات المتعددة التعلم غير الخاضع للإشراف: يمكنها أتمتة استخراج الميزات من مجموعات البيانات الكبيرة غير المصنفة وغير المنظمة، وتقديم تنبؤاتها الخاصة حول ما تمثله البيانات.

نظرًا لأن التعلم العميق لا يتطلب تدخلًا بشريًا، فإنه يمكّن التعلم الآلي على نطاق هائل. وهو مناسب تمامًا لمعالجة اللغة الطبيعية (NLP)، ورؤية الكمبيوتر، والمهام الأخرى التي تنطوي على التعرف السريع والدقيق على الأنماط والعلاقات المعقدة في كميات كبيرة من البيانات. تعتمد معظم تطبيقات الذكاء الاصطناعي (AI) المستخدمة في حياتنا حاليًا على بعض نماذج التعلم العميق.

يتيح التعلم العميق أيضًا:

• التعلم شبه الخاضع للإشراف، الذي يجمع بين التعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف باستخدام كل من البيانات المصنفة وغير المصنفة لتدريب نماذج الذكاء الاصطناعي على مهام التصنيف والانحدار.
  
  
• التعلم الخاضع للإشراف الذاتي، والذي يقوم بإنشاء تصنيفات ضمنية من البيانات غير المنظمة، بدلاً من الاعتماد على مجموعات البيانات المصنفة لإشارات الإشراف.
  
  
• التعلّم المعزز، الذي يتعلم من خلال التجربة والخطأ ودوال المكافأة بدلًا من استخراج المعلومات من الأنماط الخفية.
  
  
• نقل التعلم، حيث يتم فيه استخدام المعرفة المكتسبة من خلال مهمة واحدة أو مجموعة بيانات لتحسين أداء النموذج في مهمة أخرى ذات صلة و/أو مجموعة بيانات مختلفة.

يشير الذكاء الاصطناعي التوليدي، والذي يُطلق عليه أحيانًا "gen AI"، إلى نماذج التعلم العميق التي يمكنها إنشاء محتوى أصلي معقد—مثل النصوص الطويلة والصور عالية الجودة ومقاطع الفيديو أو الصوت الواقعي والمزيد استجابةً لموجِّه المستخدم أو طلبه.

على مستوى عالٍ، تقوم النماذج التوليدية بتشفير تمثيل مبسط لبيانات التدريب الخاصة بها، ثم الاستفادة من هذا التمثيل لإنشاء عمل جديد مشابه، ولكن ليس مطابقًا، للبيانات الأصلية.

تم استخدام النماذج التوليدية لسنوات في الإحصاء لتحليل البيانات العددية. ولكن على مدار العقد الماضي، تطورت هذه النماذج لتحليل وتوليد أنواع بيانات أكثر تعقيداً. تزامن هذا التطور مع ظهور ثلاثة أنواع متطورة من نماذج التعلم العميق:

• برامج التشفير التلقائي المتغيرة أو VAEs، التي تم تقديمها في عام 2013، ومكّنت النماذج من توليد أشكال متعددة من المحتوى استجابةً لموجِّه أو تعليمات.
  
  
• نماذج الانتشار، التي ظهرت لأول مرة في عام 2014، والتي تضيف "تشويش" إلى الصور حتى تصبح غير قابلة للتعرف عليها، ثم تقوم بإزالة التشويش لتوليد صور أصلية استجابة للموجِّه.
  
  
• المحولات (وتسمى أيضًا نماذج المحولات)، والتي يتم تدريبها على البيانات المتسلسلة لإنشاء تسلسلات موسعة من المحتوى (مثل الكلمات في الجمل أو الأشكال في الصورة أو إطارات الفيديو أو الأوامر في كود البرنامج). تعد المحولات في صميم معظم أدوات الذكاء الاصطناعي التوليدي التي تتصدر العناوين الرئيسية اليوم، بما في ذلك ChatGPT و GPT-4 و Copilot و BERT و Bard و Midjourney.

في العادة، يعمل الذكاء الاصطناعي التوليدي على ثلاث مراحل:

1. التدريب، لإنشاء نموذج أساس.
2. الضبط، لتكييف النموذج مع تطبيق محدد.
3. التوليد والتقييم والمزيد من الضبط، لتحسين الدقة.
   

يبدأ الذكاء الاصطناعي التوليدي "بنموذج أساس"؛ وهو نموذج تعلم عميق يعمل كأساس لأنواع مختلفة ومتعددة من تطبيقات الذكاء الاصطناعي التوليدي.

النماذج الأساسية الأكثر شيوعًا اليوم هي النماذج اللغوية الكبيرة (LLMs)، التي تم إنشاؤها لتطبيقات إنشاء النصوص. هناك أيضًا نماذج أساسية لتوليد الصور ومقاطع الفيديو والصوت أو الموسيقى، ونماذج الأساس المتعددة الوسائط التي يمكن أن تدعم عدة أنواع من إنشاء المحتوى.

لإنشاء نموذج الأساس، يقوم الممارسون بتدريب خوارزمية التعلم العميق على كميات هائلة من البيانات الخام وغير المنظمة وغير المصنفة ذات الصلة، مثل التيرابايتات أو البيتابايتات من البيانات النصية أو الصور أو مقاطع الفيديو من الإنترنت. ينتج عن التدريب شبكة عصبية مكونة من مليارات المعلمات التي ترمز إلى تمثيلات مشفرة للكيانات والأنماط والعلاقات في البيانات التي يمكنها توليد محتوى بشكل مستقل استجابة لموجِّهات. وهذا هو نموذج الأساس.

تتطلّب عملية التدريب هذه حوسبة مكثّفة وتستغرق وقتًا طويلاً ومكلفة: فهي تتطلب الآلاف من وحدات معالجة الرسومات (GPU) المجمّعة وأسابيع من المعالجة، وكل ذلك يكلّف ملايين الدولارات. تُمكّن مشاريع نماذج الأساس المفتوحة المصدر، مثل Llama-2 التابعة لشركة Meta، مطوري الذكاء الاصطناعي التوليدي من تجنب هذه الخطوة وتكاليفها الباهظة.

بعد ذلك، يجب ضبط النموذج على مهمة توليد محتوى محدد. يمكن القيام بذلك بطرق مختلفة، بما في ذلك:

• الضبط الدقيق، والذي يتضمن تغذية البيانات المصنفة الخاصة بتطبيق النموذج أو الأسئلة أو الموجِّهات التي من المحتمل أن يتلقاها التطبيق، والإجابات الصحيحة المقابلة بالتنسيق المطلوب.
  
  
• التعلم المعزز باستخدام التعليقات البشرية (RLHF)، حيث يقوم المستخدمون البشر بتقييم دقة أو ملاءمة مخرجات النموذج حتى يتمكن النموذج من تحسين نفسه. يمكن أن يكون هذا بسيطًا مثل قيام الأشخاص بكتابة أو التحدث عن تصحيحات إلى روبوت محادثة أو مساعد افتراضي.

يستطيع المطورون والمستخدمون تقييم مخرجات تطبيقات الذكاء الاصطناعي التوليدي باستمرار، وضبط النموذج بشكل أكبر حتى ولو مرة واحدة في الأسبوع من أجل المزيد من الدقة أو الملاءمة. في المقابل، يتم تحديث نموذج الأساس نفسه بوتيرة أقل بكثير، ربما كل سنة أو 18 شهرًا.

خيار آخر لتحسين أداء تطبيق الذكاء الاصطناعي التوليدي هو التوليد المعزز بالاسترجاع (RAG)، وهي تقنية لتوسيع نموذج الأساس لاستخدام المصادر ذات الصلة خارج بيانات التدريب لتحسين المعلمات لتحقيق قدر أكبر من الدقة أو الصلة.

وكيل الذكاء الاصطناعي هو برنامج ذكاء اصطناعي مستقل، يمكنه تنفيذ المهام وتحقيق الأهداف نيابةً عن المستخدم أو نظام آخر دون تدخل بشري، من خلال تصميم سير العمل الخاص به واستخدام الأدوات المتاحة (تطبيقات أو خدمات أخرى).

الذكاء الاصطناعي الوكيل هو نظام مكون من عدة وكلاء ذكاء اصطناعي، يتم تنظيم جهودهم أو تنسيقها لتحقيق مهمة أكثر تعقيدًا أو هدف أكبر مما يمكن لوكيل ذكاء اصطناعي واحد في النظام تحقيقه.

وعلى عكس روبوتات المحادثة ونماذج الذكاء الاصطناعي الأخرى التي تعمل ضمن قيود محددة مسبقًا وتتطلب تدخلًا بشريًا، فإن وكلاء الذكاء الاصطناعي والذكاء الاصطناعي الوكيل يظهرون استقلالية وسلوكًا مدفوعًا بالأهداف والقدرة على التكيف مع الظروف المتغيرة. يشير مصطلح "الوكيل" إلى وكالة ونيابة هذه النماذج، أي قدرتها على التصرف بشكل مستقل وهادف.

إحدى طرق النظر إلى الوكلاء هي اعتبارهم الخطوة الطبيعية التالية بعد الذكاء الاصطناعي التوليدي. تركز نماذج الذكاء الاصطناعي التوليدي على إنشاء المحتوى بناءً على الأنماط التي تعلمتها؛ بينما تستخدم الوكلاء ذلك المحتوى للتفاعل مع بعضها البعض ومع الأدوات الأخرى لاتخاذ القرارات، وحل المشكلات، وإنجاز المهام. فعلى سبيل المثال، قد يكون تطبيق الذكاء الاصطناعي التوليدي قادرًا على إخبارك بأفضل وقت لتسلق جبل إيفرست بناءً على جدول عملك؛ أما الوكيل، فيمكنه إخبارك بذلك، ثم استخدام خدمة سفر عبر الإنترنت لحجز أفضل رحلة طيران لك، وحجز غرفة في الفندق الأكثر ملاءمة في نيبال.

يقدم الذكاء الاصطناعي العديد من الفوائد في مختلف الصناعات والتطبيقات. وتشمل بعض الفوائد الأكثر شيوعاً ما يلي:

• أتمتة المهام المتكررة.
• رؤى أكثر وأسرع من البيانات.
  
• تحسين عملية اتخاذ القرار.
  
• أخطاء بشرية أقل.
• توافر على مدار الساعة.
• تقليل المخاطر المادية.

الذكاء الاصطناعي يمكنه أتمتة المهام الروتينية والمتكررة والمملة في كثير من الأحيان بما في ذلك المهام الرقمية مثل جمع البيانات وإدخالها ومعالجتها مسبقًا، والمهام المادية مثل اختيار المخزون في المستودعات وعمليات التصنيع. هذه الأتمتة تحرر العاملين للعمل على أعمال ذات قيمة أعلى وأكثر إبداعية.

سواءً استُخدم للدعـم في اتخاذ القرارات أو لصنع القرارات بشكل آلي بالكامل، فإن الذكاء الاصطناعي يتيح تنبؤات أسرع وأكثر دقة، واتخاذ قرارات قائمة على البيانات وموثوقة. وبالاقتران مع الأتمتة، يمكّن الذكاء الاصطناعي الشركات من اغتنام الفرص والاستجابة للأزمات فور ظهورها، في الوقت الفعلي ودون تدخل بشري.

يمكن للذكاء الاصطناعي أن يقلل من الأخطاء البشرية بطرق مختلفة، بدءًا من توجيه الأشخاص خلال الخطوات الصحيحة للعملية، إلى الإبلاغ عن الأخطاء المحتملة قبل حدوثها، وأتمتة العمليات بالكامل دون تدخل بشري. وهذا مهم بشكل خاص في المجالات مثل الرعاية الصحية حيث تتيح الروبوتات الجراحية الموجهة بالذكاء الاصطناعي دقة متناسقة.

يمكن لخوارزميات التعلم الآلي تحسين دقتها باستمرار وتقليل الأخطاء بشكل أكبر مع تعرضها لمزيد من البيانات و "التعلم" من التجربة.

إن الذكاء الاصطناعي يعمل ومتاح دائمًا على مدار الساعة، ويقدم أداءً ثابتًا في كل مرة. ويمكن للمساعدين الافتراضيين أو روبوت المحادثة المدعومة بالذكاء الاصطناعي تخفيف متطلبات التوظيف لخدمة العملاء أو الدعم. في تطبيقات أخرى مثل معالجة المواد أو خطوط الإنتاج، يمكن للذكاء الاصطناعي أن يساعد في الحفاظ على جودة العمل ومستويات الإنتاج المتسقة عند استخدامه لإكمال المهام المتكررة أو المملة.

من خلال أتمتة الأعمال الخطرة مثل مراقبة الحيوانات أو التعامل مع المتفجرات أو أداء المهام في مياه المحيطات العميقة أو الارتفاعات العالية أو في الفضاء الخارجي، يمكن للذكاء الاصطناعي أن يلغي الحاجة إلى تعريض العمال البشر لخطر الإصابة أو ما هو أسوأ من ذلك. على الرغم من أنه لم يتم تحسينها بعد، إلا أن السيارات ذاتية القيادة وغيرها من المركبات توفر إمكانية الحد من خطر إصابة الركاب.

تطبيقات الذكاء الاصطناعي في العالم الحقيقي كثيرة. فيما يلي عينة صغيرة من حالات الاستخدام عبر مختلف الصناعات لتوضيح إمكاناتها:

يمكن للشركات تنفيذ روبوتات المحادثة والمساعدين الافتراضيين المدعومين بالذكاء الاصطناعي للتعامل مع استفسارات العملاء وتذاكر الدعم والمزيد. تستخدم هذه الأدوات معالجة اللغات الطبيعية (NLP) وقدرات الذكاء الاصطناعي التوليدي لفهم أسئلة العملاء والاستجابة لها حول حالة الطلبات وتفاصيل المنتج وسياسات الإرجاع.

تمَكِّن روبوتات الدردشة والمساعدون الافتراضيون من توفير الدعم على مدار الساعة، وتوفير إجابات أسرع على الأسئلة الشائعة (FAQs)، وتحرير الوكلاء البشريين للتركيز على المهام عالية المستوى، وتقديم خدمة عملاء أسرع وأكثر اتساقًا.

يمكن للتعلم الآلي والتعلم العميق تحليل أنماط المعاملات وتحديد حالات الخلل، مثل الإنفاق غير المعتاد أو مواقع تسجيل الدخول، التي تشير إلى المعاملات الاحتيالية. وهذا يمكّن المؤسسات من الاستجابة بسرعة أكبر للاحتيال المحتمل والحد من تأثيره، مما يمنحها ويمنح العملاء مزيدًا من راحة البال.

يمكن لمتاجر التجزئة والبنوك وغيرها من الشركات التي تتعامل مع العملاء استخدام الذكاء الاصطناعي لإنشاء تجارب مخصصة للعملاء وحملات تسويقية تسعد العملاء وتحسّن المبيعات وتمنع فقدان العملاء. بناءً على البيانات المستمدة من تاريخ مشتريات العملاء وسلوكياتهم، يمكن للتعلم العميق أن يوصي بالمنتجات والخدمات التي من المرجح أن يرغب العملاء في الحصول عليها، بل وحتى إنشاء نصوص مخصصة وعروض خاصة للعملاء الأفراد في الوقت الفعلي.

يمكن لمنصات التوظيف المستندة إلى الذكاء الاصطناعي تبسيط عملية التوظيف من خلال فحص السير الذاتية، ومطابقة المرشحين مع الوصف الوظيفي، وحتى إجراء المقابلات الأولية باستخدام تحليل الفيديو. يمكن لهذه الأدوات وغيرها من الأدوات أن تقلل بشكل كبير من الأعمال الورقية الإدارية الكثيرة المرتبطة بتوظيف عدد كبير من المرشحين. كما يمكنها أيضاً تقليل أوقات الاستجابة والوقت اللازم للتوظيف، مما يحسّن تجربة المرشحين سواء حصلوا على الوظيفة أم لا.

يمكن لأدوات توليد التعليمات البرمجية للذكاء الاصطناعي التوليدي وأدوات الأتمتة تبسيط مهام البرمجة المتكررة المرتبطة بتطوير التطبيقات، وتسريع عمليات الترحيل والتحديث (إعادة التنسيق وإعادة الاستضافة) للتطبيقات القديمة على نطاق واسع. يمكن لهذه الأدوات تسريع المهام، والمساعدة في ضمان اتساق التعليمات البرمجية وتقليل الأخطاء.

يمكن لنماذج التعلم الآلي تحليل البيانات من أجهزة الاستشعار وإنترنت الأشياء (IOT) والتكنولوجيا التشغيلية (OT) للتنبؤ بموعد الحاجة إلى الصيانة والتنبؤ بأعطال المعدات قبل حدوثها. تساعدك الصيانة الوقائية المدعومة بالذكاء الاصطناعي على منع فترة التعطل وتُمكِّنك من استباق مشكلات سلسلة التوريد قبل أن تؤثر على الأرباح النهائية.

تتسابق المؤسسات للاستفادة من أحدث تقنيات الذكاء الاصطناعي والاستفادة من الفوائد العديدة التي يوفرها. ويعد هذا التبني السريع ضروريًا، ولكن تبني سير عمل الذكاء الاصطناعي والحفاظ عليه يأتي مع تحديات ومخاطر.

تعتمد أنظمة الذكاء الاصطناعي على مجموعات البيانات التي قد تكون عرضة لتسمم البيانات أو التلاعب بالبيانات أو تحيز البيانات أو الهجمات الإلكترونية التي يمكن أن تؤدي إلى اختراق أمن البيانات. يمكن للمؤسسات التخفيف من هذه المخاطر من خلال حماية سلامة البيانات وتنفيذ الأمان والتوافر طوال دورة حياة الذكاء الاصطناعي بأكملها، من التطوير إلى التدريب والنشر وما بعد النشر.

يمكن لمصادر التهديد استهداف نماذج الذكاء الاصطناعي للسرقة أو الهندسة العكسية أو التلاعب غير المصرح به. وقد يعرِّض المهاجمون صلاحية النموذج للخطر من خلال التلاعب ببنيته أو أوزانه أو معلماته، وهي العناصر الأساسية التي تحدِّد أداء ودقة وسلوك نموذج الذكاء الاصطناعي.

مثل جميع التقنيات، فإن النماذج عرضة للمخاطر التشغيلية مثل انحراف النموذج والتحيز والأعطال في هيكل الحوكمة. ذا تُركت دون معالجة، يمكن أن تؤدي هذه المخاطر إلى فشل النظام وثغرات أمنية في الأمن السيبراني التي يمكن لمصادر التهديد استخدامها.

إذا لم تعطِ المؤسسات الأولوية للسلامة والأخلاقيات عند تطوير وتطبيق أنظمة الذكاء الاصطناعي، فإنها قد تعرِّض نفسها لخطر انتهاك الخصوصية وإنتاج نتائج متحيزة. على سبيل المثال، قد تعزِّز البيانات المدربة المتحيزة المستخدَمة في قرارات التوظيف الصور النمطية المتعلقة بالجنس أو العرق وتُنتِج نماذج ذكاء اصطناعي تفضِّل مجموعات ديموغرافية معينة على أخرى.

يُعد مجال أخلاقيات الذكاء الاصطناعي مجالاً متعدد التخصصات، يدرس كيفية تعزيز التأثير النافع للذكاء الاصطناعي مع تقليل مخاطره ونتائجه السلبية. يتم تطبيق مبادئ أخلاقيات الذكاء الاصطناعي من خلال نظام حوكمة الذكاء الاصطناعي الذي يتكون من حواجز حماية تساعد على ضمان بقاء أدوات وأنظمة الذكاء الاصطناعي آمنة وأخلاقية.

تتضمن حوكمة الذكاء الاصطناعي آليات رقابية تعالج المخاطر. ويتطلب النهج الأخلاقي لحوكمة الذكاء الاصطناعي إشراك مجموعة واسعة من الأطراف المعنيين، بما في ذلك المطورين والمستخدمين وصناع السياسات وخبراء الأخلاق، للمساعدة في ضمان تطوير الأنظمة المرتبطة بالذكاء الاصطناعي واستخدامها بما يتماشى مع قيم المجتمع.

فيما يلي القيم المشتركة المرتبطة بأخلاقيات الذكاء الاصطناعي والذكاء الاصطناعي المسؤول:

من أجل وضع سياق لاستخدام الذكاء الاصطناعي في مستويات مختلفة من التعقيد والتطور، حدد الباحثون عدة أنواع من الذكاء الاصطناعي تشير إلى مستوى تعقيده وتطوره:

الذكاء الاصطناعي الضعيف: يُعرف أيضًا باسم "الذكاء الاصطناعي الضيق"، وهو أنظمة الذكاء الاصطناعي المصممة لأداء مهمة محددة أو مجموعة من المهام. قد تشمل الأمثلة تطبيقات المساعد الصوتي "الذكية"، مثل Alexa من Amazon، و Siri من Apple، أو روبوت المحادثة على وسائل التواصل الاجتماعي، أو المركبات ذاتية القيادة التي وعدت بها Tesla.

الذكاء الاصطناعي القوي: المعروف أيضا باسم "الذكاء الاصطناعي العام" (AGI) أو "general AI"، يمتلك القدرة على فهم المعرفة وتعلمها وتطبيقها عبر مجموعة واسعة من المهام على مستوى يساوي أو يفوق الذكاء البشري. هذا المستوى من الذكاء الاصطناعي نظري حاليًا ولا توجد أنظمة ذكاء اصطناعي معروفة تقترب من هذا المستوى من التطور. يزعم الباحثون بأنه إذا كان الذكاء الاصطناعي العام ممكنًا، فإنه يتطلب زيادات كبيرة في قوة الحوسبة. وعلى الرغم من التطورات الحديثة في تطوير الذكاء الاصطناعي، تظل أنظمة الذكاء الاصطناعي ذاتية الإدراك بالخيال العلمي راسخة في هذا المجال.

تعود فكرة "الآلة التي تفكر" إلى اليونان القديمة. ولكن منذ ظهور الحوسبة الإلكترونية (وبالنسبة لبعض المواضيع التي تمت مناقشتها في هذه المقالة)، تتضمن الأحداث والإنجازات المهمة في تطور الذكاء الاصطناعي ما يلي:

1950
نشر Alan Turing آلات الحوسبة والذكاء. في هذه الورقة البحثية، يطرح Turing—الذي اشتهر بفك شفرة ENIGMA الألمانية خلال الحرب العالمية الثانية وغالباً ما يشار إليه كأب علم الحاسوب"، السؤال التالي: "هل يمكن للآلات أن تفكر؟"

من هناك، يقترح اختبارًا، يُعرف الآن باسم "اختبار تورينج"، حيث يحاول محقق بشري التمييز بين استجابة نصية للكمبيوتر والبشر. على الرغم من أن هذا الاختبار خضع لفحص دقيق منذ نشره، إلا أنه لا يزال جزءًا مهمًا من تاريخ الذكاء الاصطناعي، ومفهومًا مستمرًا ضمن الفلسفة حيث يستخدم أفكارًا حول اللغويات.

1956
صاغ John McCarthy مصطلح "الذكاء الاصطناعي" في أول مؤتمر للذكاء الاصطناعي على الإطلاق في كلية دارتموث. (استمر McCarthy في ابتكار لغة Lisp). وفي وقت لاحق من ذلك العام ، ابتكر Allen Newell و J.C. Shaw و Herbert Simon برنامج The Logic Theorist، وهو أول برنامج كمبيوتر يعمل بالذكاء الاصطناعي على الإطلاق.

1967
يقوم Frank Rosenblatt ببناء Mark 1 Perceptron، وهو أول كمبيوتر يعتمد على الشبكة العصبية التي "تتعلم" من خلال التجربة والخطأ. بعد عام واحد فقط، نشر Marvin Minsky و Seymour Papert كتابًا بعنوان Perptrons، والذي أصبح العمل الرائد في مجال الشبكات العصبية، وحجة ضد مبادرات البحث المستقبلية في مجال الشبكات العصبية، على الأقل لفترة من الوقت.

1980
أصبحت الشبكات العصبية، التي تستخدم خوارزمية الانتشار الخلفي لتدريب نفسها، تُستخدم على نطاق واسع في تطبيقات الذكاء الاصطناعي.

1995
ينشر Stuart Russell و Peter Norvig كتاب الذكاء الاصطناعي: النهج الحديث، والذي أصبح أحد الكتب الرائدة في دراسة الذكاء الاصطناعي. وفي هذا الكتاب، يتطرق الباحثان إلى أربعة أهداف أو تعريفات محتملة للذكاء الاصطناعي، والتي تميز أنظمة الكمبيوتر على أساس العقلانية والتفكير مقابل الفعل.

1997
يتغلب حاسوب Deep Blue التابع لشركة IBM على بطل العالم في الشطرنج آنذاك Garry Kasparov، في مباراة شطرنج (ومباراة إعادة).

2004
يكتب جون مكارثي ورقة بحثية بعنوان ما هو الذكاء الاصطناعي؟، ويقترح تعريفًا للذكاء الاصطناعي كثيرًا ما يتم الاستشهاد به. بحلول هذا الوقت، بدأ عصر البيانات الضخمة والحوسبة السحابية، مما يمكّن المؤسسات من إدارة مجموعات البيانات الضخمة، والتي سيتم استخدامها يومًا ما لتدريب نماذج الذكاء الاصطناعي. 

2011
يتفوق IBM® Watson على البطلين Ken Jennings و Brad Rutter في بطولة Jeopardy! أيضًا، في هذا الوقت تقريبًا، بدأ علم البيانات في الظهور كتخصص شائع.

2015
يستخدم كمبيوتر Minwa العملاق من Baidu شبكة عصبية عميقة خاصة تسمى الشبكة العصبية التلافيفية لتحديد وتصنيف الصور بمعدل دقة أعلى من الإنسان العادي.

2016
تغلب برنامج AlphaGo التابع لشركة DeepMind، المدعوم بشبكة عصبية عميقة، على Lee Sodol، بطل العالم في لعبة Go player في مباراة من خمس مباريات. يُعد هذا الانتصار مهمًا نظرًا للعدد الهائل من الحركات المحتملة مع تقدم اللعبة (أكثر من 14.5 تريليون بعد أربع حركات فقط). في وقت لاحق، قامت شركة Google بشراء DeepMind مقابل 400 مليون دولار أمريكي.

2022
ظهور النماذج اللغوية الكبيرة أو LLMs، مثل ChatGPT من OpenAI، إلى إحداث تغيير هائل في أداء الذكاء الاصطناعي وقدرته على زيادة قيمة المؤسسة. باستخدام ممارسات الذكاء الاصطناعي التوليدي الجديدة هذه، يمكن تدريب نماذج التعلم العميق على كميات كبيرة من البيانات.

2024
تشير أحدث اتجاهات الذكاء الاصطناعي إلى استمرار نهضة الذكاء الاصطناعي. توفر النماذج متعددة الوسائط التي يمكن أن تأخذ أنواعًا متعددة من البيانات كمدخلات تجربة أكثر ثراءً وفعالية. تجمع هذه النماذج بين قدرات رؤية الكمبيوتر والتعرف على الصور ومعالجة اللغة الطبيعية والتعرف على الصوت. تحرز النماذج الأصغر أيضًا تقدماً ملحوظاً في عصر تناقص العائدات مع النماذج الضخمة ذات المعلمات الضخمة.