يتمتع الذكاء الاصطناعي التوليدي بتاريخ قصير إلى حد ما، حيث تم تقديم التكنولوجيا لأول مرة خلال ستينيات القرن العشرين، في شكل روبوتات الدردشة. إنه شكل من أشكال الذكاء الاصطناعي الذي يمكنه حاليًا إنتاج نصوص وصور ومقاطع فيديو وصوت وبيانات تركيبية عالية الجودة في ثوانٍ. ومع ذلك، لم يكن الأمر كذلك حتى عام 1960، عندما تم تقديم مفهوم شبكة الخصومة التوليدية (GAN)، حيث تطور الذكاء الاصطناعي التوليدي إلى درجة القدرة على إنشاء صور ومقاطع فيديو وصوت تبدو تسجيلات أصلية لأشخاص حقيقيين.
حاليًا، يعد الذكاء الاصطناعي التوليدي مكونًا رئيسيًا في ChatGPT وأشكاله المختلفة.
و1950s
يعتمد الذكاء الاصطناعي التوليدي على آلة التعلم وخوارزميات التعلم العميق. تم تطوير أول خوارزمية للتعلم الآلي على يد آرثر صموئيل في عام 1952 للعب لعبة الداما - وقد توصل أيضًا إلى عبارة "التعلم الآلي".
تم تسمية أول "شبكة عصبية" قابلة للتدريب البيرسبترونوتم تطويره في عام 1957 من قبل عالم النفس بجامعة كورنيل، فرانك روزنبلات. كان تصميم Perceptron مشابهًا جدًا للشبكات العصبية الحديثة، ولكنه كان يحتوي فقط على طبقة واحدة تحتوي على عتبات وأوزان قابلة للتعديل، والتي تفصل بين طبقات الإدخال والإخراج. لقد فشل هذا النظام لأنه استغرق وقتا طويلا.
الثمانينات والتسعينات
أول مثال تاريخي للذكاء الاصطناعي التوليدي كان يسمى ELIZA. ويمكن أيضًا اعتباره نسخة مبكرة من برامج الدردشة الآلية. تم إنشاؤه في عام 1961 من قبل جوزيف وايزنباوم. ELIZA كان عبارة عن برنامج كمبيوتر ناطق يستجيب للإنسان باستخدام لغة طبيعية واستجابات مصممة لتبدو متعاطفة.
خلال ستينيات وسبعينيات القرن العشرين، تم إجراء الأبحاث الأساسية لرؤية الكمبيوتر وبعض أنماط التعرف الأساسية. حقق التعرف على الوجه قفزة هائلة إلى الأمام عندما قام Ann B. Lesk وLeon D. Harmon وAJ Goldstein بزيادة دقته بشكل كبير (التفاعل بين الإنسان والآلة في تحديد الوجه البشري، 1972). وطوّر الفريق 21 علامة محددة، بما في ذلك خصائص مثل سمك الشفاه ولون الشعر لتحديد الوجوه تلقائيًا.
في السبعينيات، بدأ استخدام الانتشار العكسي بواسطة سيبو لينينما. على المدى "انتشار عكسي"هي عملية نشر الأخطاء، بشكل عكسي، كجزء من عملية التعلم. الخطوات المعنية هي:
- معالجتها في نهاية الإخراج
- أرسلت ليتم توزيعها إلى الوراء
- انتقلت عبر طبقات الشبكة للتدريب والتعلم
(يتم استخدام الانتشار العكسي في تدريب الشبكات العصبية العميقة.)
فصل الشتاء الأول للذكاء الاصطناعي يفصل بين التعلم الآلي والذكاء الاصطناعي
أول شتاء لمنظمة العفو الدولية بدأت وانتهت ومن عام 1973 إلى عام 1979 تقريبًا - تم تقديم الوعود، ولكن لم يتم الوفاء بالتوقعات. وفجأة أصبحت الوكالات التي مولت أبحاث الذكاء الاصطناعي (داربا، والمجلس النرويجي للاجئين، والحكومة البريطانية) محرجة بسبب الافتقار إلى التحرك إلى الأمام في تطويره.
ومع ذلك، استمر التعلم الآلي (ML) في التطور. ليس لأنها كانت لا تزال تتلقى التمويل الحكومي، ولكن لأن التعلم الآلي أصبح مفيدًا للغاية للشركات كأداة للاستجابة. تعلم الآلة بدأت كتقنية تدريب للذكاء الاصطناعي، ولكن تم اكتشاف أنه يمكن استخدامها أيضًا لأداء مهام بسيطة، مثل الرد على الهاتف وتحويل المكالمات إلى الشخص المناسب. على الرغم من أن برامج تعلم الآلة قد لا تكون قادرة على إجراء محادثة ذكية، إلا أنها يمكنها أداء مهام أساسية ولكنها مفيدة جدًا. لم تكن الشركات مهتمة بالتخلي عن أداة فعالة من حيث التكلفة ومفيدة.
اختارت الشركات تمويل أبحاثها الخاصة لتطوير التعلم الآلي، وأعاد الباحثون السابقون تنظيم أنفسهم في صناعة منفصلة - حتى اندمجوا مع الذكاء الاصطناعي مرة أخرى في التسعينيات.
على الرغم من أن الشبكات العصبية تم اقتراحها في عام 1944 من قبل اثنين من الباحثين في جامعة شيكاغو، وارن ماكولو ووالتر بيتس، فإن أول شبكة عصبية اصطناعية وظيفية "متعددة الطبقات"، كوجنيترون, تم تطويره في عام 1975 من قبل كونيهيكو فوكوشيما.
تضع الشبكات العصبية الأساس لاستخدام التعلم الآلي والتعلم العميق. يدعم تصميمها طبقات الإدخال والإخراج، ويتم استخدام الطبقات المخفية بينهما لتحويل بيانات الإدخال، مما يجعلها مفيدة لطبقة الإخراج. وبفضل هذا التصميم الجديد، تم تحسين التعرف على الوجه والكلام بشكل كبير. توفر الطبقات المخفية أيضًا الأساس للتعلم العميق.
في 1979، كونهيكو فوكوشيما اقترح تطوير شبكة عصبية اصطناعية هرمية متعددة الطبقات، أطلق عليها اسم نيوكوجنيترون. وكانت هذه أول شبكة عصبية للتعلم العميق. دعم تصميمه قدرة الكمبيوتر على تعلم كيفية التعرف على الأنماط المرئية، وبشكل أكثر تحديدًا، التعرف على الأحرف المكتوبة بخط اليد. كما سمح تصميمه بتعديل البيانات المهمة يدويًا، مما سمح للبشر بزيادة "وزن" اتصالات معينة.
الثمانينيات وشتاء الذكاء الاصطناعي الثاني
وفي عام 1982، تم اكتشاف آخر بواسطة جون هوبفيلد، الذي طور شكلاً جديدًا من الشبكات العصبية – شبكة هوبفيلد - باستخدام نهج مختلف تماما. قامت شبكة هوبفيلد بجمع واسترجاع الذكريات بطريقة تشبه ما يفعله الدماغ البشري مقارنة بالأنظمة السابقة.
ومع ذلك، بدأ الشتاء الثاني للذكاء الاصطناعي تقريبًا في عام 1984 واستمر حتى عام 1990، وأبطأ تطور الذكاء الاصطناعي، وكذلك الذكاء الاصطناعي التوليدي. كان الغضب والإحباط من الوعود الكاذبة والتوقعات الكاذبة شديدين للغاية، حتى أن مصطلح "الذكاء الاصطناعي" اتخذ وضع العلم الزائف، وكثيرًا ما كان يتم الحديث عنه بازدراء. لقد نشأ شعور واسع بالشك فيما يتعلق بالذكاء الاصطناعي. ولسوء الحظ، تم قطع التمويل عن غالبية أبحاث الذكاء الاصطناعي والتعلم العميق.
في عام 1986، قدم ديفيد روملهارت وفريقه طريقة جديدة تدريب الشبكات العصبية باستخدام تقنية الانتشار العكسي التي تم تطويرها في السبعينيات.
في أواخر الثمانينات، موس (أشباه موصلات أكسيد المعادن)، التي تم تطويرها في عام 1959) تم دمجها مع VLSI (تكامل واسع النطاق) وقدمت شبكة عصبية اصطناعية أكثر عملية وأكثر كفاءة. وكان هذا الجمع يسمى أ MOS التكميلي (أو كموس).
أصبح التعلم العميق حقيقة وظيفية في عام 1989، عندما استخدم يان ليكون وفريقه خوارزمية الانتشار العكسي مع الشبكات العصبية للتعرف على الرموز البريدية المكتوبة بخط اليد.
تعلم عميق يستخدم الخوارزميات لمعالجة البيانات وتقليد عملية التفكير البشري. يستخدم طبقات من الخوارزميات المصممة لمعالجة البيانات والتعرف على الأشياء بصريًا وفهم الكلام البشري. تنتقل البيانات عبر كل طبقة، مع عرض المخرجات من الطبقة السابقة المدخلات اللازمة للطبقة التالية. في التعلم العميق، توفر الطبقات الإضافية المستخدمة "تجريدات" ذات مستوى أعلى، مما يؤدي إلى تنبؤات أفضل وتصنيفات أفضل. كلما زاد عدد الطبقات المستخدمة، زادت إمكانية الحصول على تنبؤات أفضل.
أصبح التعلم العميق عملية تدريب مفيدة للغاية، حيث يدعم التعرف على الصور والتعرف على الصوت ومعالجة كميات هائلة من البيانات.
التسعينيات وأبحاث الذكاء الاصطناعي تتعافى
ولأن تمويل الذكاء الاصطناعي بدأ مرة أخرى في التسعينيات، فقد تلقى التعلم الآلي، كآلية تدريب، التمويل أيضًا. استمرت صناعة التعلم الآلي في البحث عن الشبكات العصبية خلال فصل الشتاء الثاني للذكاء الاصطناعي، وبدأت في الازدهار في التسعينيات. كان جزء كبير من النجاح المستمر للتعلم الآلي هو استخدام التعرف على الشخصيات والكلام، جنبًا إلى جنب مع النمو الهائل للإنترنت واستخدام أجهزة الكمبيوتر الشخصية.
تمت مشاركة مفهوم "التعزيز" في عام 1990 في الورقة قوة ضعف القدرة على التعلمبقلم روبرت شابير. وأوضح أن مجموعة من المتعلمين الضعفاء يمكن أن تخلق متعلمًا قويًا واحدًا. تعزيز الخوارزميات تقليل التحيز أثناء عملية التعلم تحت الإشراف، وتضمين خوارزميات التعلم الآلي القادرة على تحويل العديد من المتعلمين الضعفاء إلى عدد قليل من المتعلمين الأقوياء. (يقوم المتعلمون الضعفاء بإجراء تنبؤات صحيحة في ما يزيد قليلاً عن 50% من الوقت).
تستحق صناعة ألعاب الكمبيوتر قدرًا كبيرًا من الفضل في المساعدة في تطور الذكاء الاصطناعي التوليدي. بطاقات رسومية ثلاثية الأبعادتم تقديم سلائف وحدات المعالجة الرسومية (GPUs) لأول مرة في أوائل التسعينيات لتحسين عرض الرسومات في ألعاب الفيديو.
في عام 1997، أنشأ يورجن شميدهوبر وسيب هوشريتر "ذاكرة طويلة المدى"(LSTM) ليتم استخدامه مع الشبكات العصبية المتكررة. حاليًا، تستخدم غالبية التدريبات الخاصة بالتعرف على الكلام هذه التقنية. يدعم LSTM مهام التعلم التي تتطلب ذاكرة تغطي الأحداث قبل آلاف الخطوات، والتي غالبًا ما تكون مهمة أثناء المحادثات.
قامت شركة Nvidia (المسؤولة عن العديد من التطورات التكنولوجية في مجال الألعاب) بتطوير وحدة معالجة رسومات متقدمة في عام 1999، مع سرعات حسابية زادت بمقدار ألف. كان أول GPU الخاص بهم يسمى غيفورس شنومكس.
لقد كان إدراكًا مفاجئًا أنه يمكن استخدام وحدات معالجة الرسومات لأكثر من مجرد ألعاب الفيديو. تم تطبيق وحدات معالجة الرسوميات الجديدة على الشبكات العصبية الاصطناعية، وكانت النتائج إيجابية بشكل مذهل. وحدات معالجة الرسومات أصبحت مفيدة جدًا في التعلم الآلي، حيث تستخدم ما يقرب من 200 ضعف عدد المعالجات لكل شريحة مقارنةً بوحدة المعالجة المركزية. (وحدات المعالجة المركزية، أو وحدات المعالجة المركزية (CPUs)، أكثر مرونة، وتؤدي مجموعة واسعة من العمليات الحسابية، في حين أن وحدات معالجة الرسومات (GPU) تميل إلى أن تكون مصممة لحالات استخدام محددة.)
و2000s
التحدي الكبير للتعرف على الوجوه، أ ترقية لتحسين تم تمويل تقنية التعرف على الوجه من قبل حكومة الولايات المتحدة وتم تنفيذها في الفترة من 2004 إلى 2006. وقد نتج عنها تقنيات جديدة للتعرف على الوجه وأداء التعرف على الوجه. كانت الخوارزميات المطورة حديثًا أكثر دقة بعشر مرات من خوارزميات التعرف على الوجوه المستخدمة في عام 2002. حتى أن بعض الخوارزميات يمكنها تحديد الاختلافات بين التوائم المتماثلة.
العقد الأول من القرن الحادي والعشرين والمساعدين الافتراضيين وروبوتات الدردشة
في 4 أكتوبر 2011 سيري، أول مساعد افتراضي رقمي تم اعتباره وظيفيًا، جاء كخدمة مع iPhone 4S. استخدام chatbots كما زادت بشكل ملحوظ.
في عام 2014، تم تقديم مفهوم شبكة الخصومة التوليدية (GAN). تُستخدم شبكات GAN لإنشاء الصور ومقاطع الفيديو والصوت التي تبدو وكأنها تسجيلات أصلية لمواقف حقيقية.
تستخدم شبكة الخصومة التوليدية شبكتين عصبيتين التي تلقت تدريبًا عدائيًا متزامنًا: تعمل إحدى الشبكات العصبية كأداة للتمييز والأخرى كمولد. تم تدريب المُميِّز على التمييز بين البيانات الناتجة والبيانات الحقيقية. يقوم المولد بإنشاء بيانات اصطناعية ويحاول تقليد البيانات الحقيقية. يتيح التدريب للمولد أن يصبح أفضل في إنشاء تسجيلات أكثر واقعية لخداع أداة التمييز. يمكن لشبكات GAN إنشاء بيانات تركيبية يصعب، إن لم يكن من المستحيل، التعرف عليها على أنها مصطنعة.
العقد 2020 وروبوتات الدردشة الأكثر ذكاءً
في نوفمبر من عام 2022، قدمت OpenAI ChatGPT، وهو ذكاء اصطناعي توليدي مدمج مع نماذج اللغات الكبيرة. لقد حقق ChatGPT وأشكاله المختلفة مستوى جديدًا من الذكاء الاصطناعي. يمكن لـ "روبوتات الدردشة الأكثر ذكاءً" إجراء الأبحاث، ودعم الكتابة الجيدة بشكل معقول، وإنشاء مقاطع فيديو وصوت وصور واقعية.
أدى الجمع بين تدريب الذكاء الاصطناعي التوليدي ونماذج اللغة الكبيرة إلى ظهور ذكاء اصطناعي يتمتع بالقدرة على التفكير والاستدلال. وقد يكون لديهم أيضًا القدرة على "التخيل". تم اتهام ChatGPT بالهلوسة، وهو ما يمكن تفسيره على أنه استخدام للخيال.
- محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
- PlatoData.Network Vertical Generative Ai. تمكين نفسك. الوصول هنا.
- أفلاطونايستريم. ذكاء Web3. تضخيم المعرفة. الوصول هنا.
- أفلاطون كربون، كلينتك ، الطاقة، بيئة، شمسي، إدارة المخلفات. الوصول هنا.
- أفلاطون هيلث. التكنولوجيا الحيوية وذكاء التجارب السريرية. الوصول هنا.
- المصدر https://www.dataversity.net/a-brief-history-of-generative-ai/
