تاریخچه هوش مصنوعی؛ از تورینگ و دارتموث تا ChatGPT و مدل‌های چندوجهی

تاریخ هوش مصنوعی داستان یک رشد خطی و بدون شکست نیست. این حوزه چند بار با وعده‌های بزرگ، سرمایه‌گذاری سنگین و سپس ناامیدی روبه‌رو شد. جهش‌های امروز حاصل کنار هم قرارگرفتن چند عامل است: داده بیشتر، تراشه‌های سریع‌تر، روش‌های یادگیری بهتر، اینترنت، نرم‌افزار متن‌باز و سرمایه‌گذاری گسترده.

اگر بخواهیم یک پاسخ کوتاه بدهیم: ایده ماشین هوشمند پیش از دهه ۱۹۵۰ وجود داشت، مقاله آلن تورینگ در سال ۱۹۵۰ بحث «ماشین و هوش» را صورت‌بندی کرد، اصطلاح Artificial Intelligence در پروژه تابستانی دارتموث در ۱۹۵۶ تثبیت شد، یادگیری عمیق در دهه ۲۰۱۰ جهش کرد، معماری Transformer در ۲۰۱۷ مسیر مدل‌های زبانی بزرگ را تغییر داد و عرضه عمومی ChatGPT در ۳۰ نوامبر ۲۰۲۲ هوش مصنوعی مولد را به محصولی روزمره تبدیل کرد.

پیش از نام‌گذاری AI: رؤیای ماشین محاسبه‌گر و متفکر

انسان قرن‌ها درباره ماشین‌های خودکار و موجودات مصنوعی خیال‌پردازی کرده است، اما AI مدرن به منطق ریاضی و رایانش وابسته بود. در نیمه نخست قرن بیستم، نظریه محاسبه، آمار، عصب‌شناسی و ساخت رایانه‌های دیجیتال پایه‌های لازم را ایجاد کردند.

در سال ۱۹۴۳، وارن مک‌کالاک و والتر پیتس مدلی ریاضی از نورون ارائه کردند که بعدها در روایت تاریخ شبکه‌های عصبی اهمیت یافت. این مدل مغز واقعی نبود، اما نشان داد می‌توان بعضی رفتارهای منطقی را با واحدهای ساده و اتصال آن‌ها نمایش داد.

۱۹۵۰: آلن تورینگ و بازی تقلید

آلن تورینگ در مقاله مشهور Computing Machinery and Intelligence پرسش «آیا ماشین‌ها می‌توانند فکر کنند؟» را به شکلی عملی‌تر تبدیل کرد. او «بازی تقلید» را مطرح کرد؛ آزمونی که بعدها به نام آزمون تورینگ شناخته شد.

اهمیت مقاله فقط در آزمون نیست. تورینگ به یادگیری ماشین، مخالفت‌های فلسفی، محدودیت‌های محاسبه و امکان آموزش یک «ماشین کودک» پرداخت. با این حال، آزمون تورینگ تعریف کامل هوش نیست. یک سیستم می‌تواند در مکالمه متقاعدکننده باشد و در فهم جهان یا تصمیم‌گیری قابل اعتماد ضعف داشته باشد.

۱۹۵۶: دارتموث و تولد رسمی نام «هوش مصنوعی»

در تابستان ۱۹۵۶ گروه کوچکی از دانشمندان در پروژه پژوهشی تابستانی دارتموث گرد هم آمدند. جان مک‌کارتی از سازمان‌دهندگان اصلی بود و اصطلاح Artificial Intelligence در همین پروژه به‌صورت رسمی وارد نام یک حوزه پژوهشی شد.

پیشنهاد اولیه بسیار خوش‌بینانه بود: فرض بر این بود که جنبه‌های یادگیری و هوش را می‌توان آن‌قدر دقیق توصیف کرد که ماشین قادر به شبیه‌سازی آن باشد. این خوش‌بینی به جذب پژوهشگر و سرمایه کمک کرد، اما باعث شد زمان لازم برای حل مسئله‌ها کمتر از واقع برآورد شود.

آیا یک نفر «پدر هوش مصنوعی» است؟

جان مک‌کارتی اغلب با این عنوان معرفی می‌شود، چون اصطلاح AI را جا انداخت و نقش مهمی در شکل‌گیری حوزه داشت. با این حال تاریخ واقعی حاصل کار افراد بسیاری مانند آلن تورینگ، ماروین مینسکی، کلود شانون، آلن نیوول، هربرت سایمون و پژوهشگران شبکه عصبی است. نسبت‌دادن کل حوزه به یک نفر، تاریخ را بیش از حد ساده می‌کند.

دهه ۱۹۵۰ و ۱۹۶۰: دوران خوش‌بینی نمادین

پژوهشگران نخستین برنامه‌هایی ساختند که می‌توانستند قضیه‌های منطقی را اثبات کنند، مسئله حل کنند یا بازی انجام دهند. رویکرد غالب Symbolic AI یا هوش مصنوعی نمادین بود: دانش و قواعد به شکل نشانه‌ها و منطق نمایش داده می‌شد.

نمونه‌های معروف این دوره شامل Logic Theorist و General Problem Solver بود. برنامه ELIZA در دهه ۱۹۶۰ با الگوهای متنی مکالمه‌ای شبیه درمانگر را تقلید می‌کرد. ELIZA فهم عمیق نداشت، اما نشان داد کاربران به‌راحتی می‌توانند به خروجی زبانی ماشین معنا و شخصیت نسبت دهند؛ مسئله‌ای که امروز هم درباره چت‌بات‌ها مهم است.

چرا وعده‌های اولیه به مشکل خوردند؟

چند محدودیت هم‌زمان وجود داشت:

• رایانه‌ها کند و حافظه بسیار محدود بود.
• داده دیجیتال کافی در دسترس نبود.
• بسیاری از مسئله‌های دنیای واقعی حالت‌های بی‌شمار دارند.
• تبدیل «دانش ضمنی انسان» به قواعد دقیق دشوار است.
• سیستم‌هایی که در آزمایش کوچک خوب بودند، در محیط واقعی شکننده می‌شدند.

این فاصله میان نمایش آزمایشگاهی و محصول قابل اتکا، یکی از الگوهای تکرارشونده تاریخ AI است.

دهه ۱۹۷۰: نخستین زمستان هوش مصنوعی

وقتی نتایج با انتظار دولت‌ها و سرمایه‌گذاران هماهنگ نشد، بودجه برخی پروژه‌ها کاهش یافت. این دوره را AI Winter یا زمستان هوش مصنوعی می‌نامند. زمستان به معنی توقف کامل پژوهش نبود؛ بلکه هیجان عمومی و سرمایه کاهش پیدا کرد.

درس مهم: وقتی معیار موفقیت مبهم باشد و وعده‌ها جلوتر از توان فناوری حرکت کنند، اعتماد بازار از بین می‌رود. این خطر در موج‌های جدید AI نیز وجود دارد.

دهه ۱۹۸۰: سیستم‌های خبره و بازگشت سرمایه

سیستم‌های خبره تلاش می‌کردند دانش یک متخصص را به قواعد قابل اجرا تبدیل کنند. در حوزه‌های محدود، این سیستم‌ها می‌توانستند پیشنهاد تشخیصی یا تصمیم عملیاتی بدهند. شرکت‌ها برای ساخت Knowledge Base یا پایگاه دانش سرمایه‌گذاری کردند.

اما نگهداری هزاران قاعده سخت و گران بود. اگر محیط تغییر می‌کرد یا حالت پیش‌بینی‌نشده رخ می‌داد، سیستم انعطاف کمی داشت. سخت‌افزارها و شرکت‌های تخصصی نیز با تغییر بازار آسیب دیدند.

اواخر دهه ۱۹۸۰ و اوایل ۱۹۹۰: زمستان دوم

شکست تجاری بخشی از سیستم‌های خبره و کاهش انتظارات، موج دوم ناامیدی را شکل داد. در همین زمان، پژوهش یادگیری ماشین و روش‌های آماری ادامه یافت؛ فقط کمتر در مرکز توجه رسانه بود.

این دوره نشان می‌دهد فناوری ممکن است در سکوت پیشرفت کند، حتی وقتی عنوانش از مد افتاده است.

دهه ۱۹۹۰: پیروزی روش‌های آماری و داده‌محور

به جای نوشتن همه قواعد، پژوهشگران بیشتر به مدل‌هایی روی آوردند که از داده یاد می‌گرفتند. افزایش داده دیجیتال و توان محاسباتی این تغییر را تقویت کرد.

در ۱۹۹۷، رایانه Deep Blue شرکت IBM قهرمان شطرنج جهان، گری کاسپاروف، را در یک مسابقه شکست داد. این اتفاق نمادین بود، اما Deep Blue یک هوش عمومی نبود؛ سیستمی بسیار تخصصی برای جست‌وجو و ارزیابی وضعیت شطرنج بود.

دهه ۲۰۰۰: اینترنت، داده بزرگ و محصول‌شدن AI

موتورهای جست‌وجو، تبلیغات آنلاین، تجارت الکترونیک و شبکه‌های اجتماعی حجم عظیمی از داده و مسئله‌های اقتصادی واقعی ایجاد کردند. سیستم‌های پیشنهاددهنده، رتبه‌بندی جست‌وجو، تشخیص تقلب و تبلیغات هدفمند به موتور درآمد شرکت‌ها تبدیل شدند.

در این دوره، بسیاری از کاربران بدون دیدن برچسب «AI» با آن زندگی می‌کردند. هوش مصنوعی از آزمایشگاه به زیرساخت محصول منتقل شد.

۲۰۱۲: جهش یادگیری عمیق و AlexNet

شبکه‌های عصبی ایده جدیدی نبودند، اما ترکیب داده، پردازنده گرافیکی و روش‌های آموزش باعث بازگشت قدرتمند آن‌ها شد. مدل AlexNet در رقابت ImageNet سال ۲۰۱۲ خطای تشخیص تصویر را به شکل چشمگیری کاهش داد و توجه صنعت را به یادگیری عمیق جلب کرد.

پس از آن، پیشرفت در تشخیص تصویر، گفتار، ترجمه و بازی شتاب گرفت. این موفقیت‌ها نشان دادند مدل‌های بزرگ‌تر با داده و محاسبه بیشتر می‌توانند الگوهای پیچیده‌تری یاد بگیرند؛ هرچند هزینه و وابستگی آن‌ها به داده نیز بیشتر شد.

۲۰۱۶: AlphaGo و ترکیب یادگیری عمیق با جست‌وجو

AlphaGo شرکت DeepMind در سال ۲۰۱۶ لی سدول، قهرمان بازی Go، را شکست داد. Go فضای جست‌وجوی بسیار بزرگی دارد و سال‌ها نماد مسئله‌ای دشوار برای ماشین بود. AlphaGo شبکه عصبی، یادگیری تقویتی و جست‌وجوی درختی را ترکیب کرد.

درس مهم این موفقیت، قدرت ترکیب چند روش بود؛ نه اینکه یک الگوریتم واحد همه چیز را حل کرده باشد.

۲۰۱۷: معماری Transformer

مقاله Attention Is All You Need معماری Transformer را معرفی کرد. Transformer پردازش وابستگی‌های دور در متن و آموزش موازی در مقیاس بزرگ را آسان‌تر کرد و پایه بسیاری از مدل‌های زبانی و چندوجهی بعدی شد.

اصطلاح‌هایی مانند GPT و مدل زبانی بزرگ یا LLM بدون این نقطه عطف قابل توضیح نیستند. البته Transformer به‌تنهایی محصول نهایی نیست؛ داده، روش تنظیم، زیرساخت و طراحی تجربه کاربر نیز نقش دارند.

۲۰۱۸ تا ۲۰۲۱: مدل‌های بنیادی و مقیاس

مدل‌های زبانی پیش‌آموزش‌دیده نشان دادند یک مدل می‌تواند روی داده گسترده آموزش ببیند و سپس برای کارهای مختلف تنظیم یا با Prompt هدایت شود. مفهوم Foundation Model برای مدل‌هایی رایج شد که پایه چندین کاربرد هستند.

مزیت این رویکرد، استفاده مجدد از یک مدل در وظایف متعدد بود. هزینه پنهان آن تمرکز توان محاسباتی، ابهام داده آموزشی، سوگیری و دشواری ارزیابی در همه کاربردها بود.

۳۰ نوامبر ۲۰۲۲: عرضه عمومی ChatGPT

OpenAI در ۳۰ نوامبر ۲۰۲۲ ChatGPT را به‌عنوان یک Research Preview منتشر کرد. رابط گفت‌وگویی ساده باعث شد کاربران غیرمتخصص نیز قدرت مدل زبانی را مستقیم تجربه کنند. این لحظه از نظر عمومی شبیه «تولد AI» دیده شد، اما در واقع نتیجه دهه‌ها پژوهش و زیرساخت بود.

ChatGPT دو تغییر مهم ایجاد کرد:

1. AI مولد را از API و آزمایشگاه به رابط عمومی آورد.
2. اهمیت Prompt، بازخورد انسانی و طراحی محصول را نشان داد.

هم‌زمان، ضعف‌هایی مانند اطلاعات ساختگی، وابستگی کاربران و مسائل آموزشی و کپی‌رایت به بحث عمومی تبدیل شدند.

۲۰۲۳ تا ۲۰۲۶: چندوجهی، عامل‌ها و رقابت مدل‌ها

مدل‌های جدید فقط متن را پردازش نمی‌کنند؛ تصویر، صدا، فایل، ویدیو و ابزارهای نرم‌افزاری را نیز وارد جریان کار کرده‌اند. همچنین مفهوم Agent یا عامل گسترش یافته است: سیستمی که برای رسیدن به هدف، چند مرحله برنامه‌ریزی می‌کند، ابزار فراخوانی می‌کند و نتیجه را بررسی می‌کند.

اما عامل‌بودن مساوی استقلال کامل نیست. هرچه سیستم اقدام بیشتری انجام دهد، کنترل مجوز، ثبت رویداد، محدودیت هزینه و تأیید انسانی مهم‌تر می‌شود.

در سال ۲۰۲۶ رقابت فقط بر «بزرگ‌ترین مدل» نیست؛ سرعت، قیمت، طول Context، قابلیت استفاده از ابزار، اجرا روی دستگاه، منبع‌بازبودن، ایمنی و تجربه محصول نیز تعیین‌کننده‌اند. مدل‌های کوچک‌تر برای بسیاری از کارها اقتصادی‌تر شده‌اند.

جدول خط زمانی کوتاه تاریخ AI

سه درس مهم از تاریخ هوش مصنوعی

۱. پیشرفت فقط الگوریتم نیست

بسیاری از ایده‌ها دهه‌ها قدیمی‌اند، اما وقتی سخت‌افزار، داده و ابزار توسعه آماده شد، عملی شدند. بنابراین یک مقاله یا محصول نباید هر پیشرفت را فقط به «کشف الگوریتم جادویی» نسبت دهد.

۲. نمایش جذاب با قابلیت پایدار فرق دارد

از ELIZA تا چت‌بات‌های امروز، انسان به زبان طبیعی حساس است و ممکن است فهم یا اطمینان بیشتری از واقع به سیستم نسبت دهد. ارزیابی باید روی کار واقعی، تکرارپذیری و هزینه خطا انجام شود.

۳. چرخه هیجان تکرار می‌شود

AI زمستان‌هایی را تجربه کرده است. اگر شرکت‌ها وعده نامحدود بدهند، ریسک، هزینه و محدودیت را پنهان کنند یا محصول مسئله واقعی حل نکند، بخشی از بازار دوباره ناامید می‌شود. مزیت بلندمدت با اعتماد، کیفیت و کاربرد واقعی ساخته می‌شود.

آینده تاریخ AI چگونه نوشته می‌شود؟

پیش‌بینی دقیق ممکن نیست. حوزه‌هایی که احتمالاً مسیر را شکل می‌دهند شامل مدل‌های کارآمدتر، AI روی دستگاه، عامل‌های قابل کنترل، رباتیک، علم و پزشکی، ارزیابی ایمنی، قوانین و رقابت بر سر تراشه و انرژی است.

سؤال اصلی فقط «مدل چه کاری می‌تواند انجام دهد؟» نیست؛ بلکه «چه کسی آن را کنترل می‌کند، هزینه اشتباه را چه کسی می‌دهد و آیا منفعت آن عادلانه توزیع می‌شود؟» نیز بخشی از تاریخ آینده خواهد بود.

جمع‌بندی

هوش مصنوعی از یک لحظه واحد شروع نشده است. تورینگ در ۱۹۵۰ سؤال را صورت‌بندی کرد، دارتموث در ۱۹۵۶ نام حوزه را تثبیت کرد، سیستم‌های نمادین و خبره پیشرفت و شکست را تجربه کردند، روش‌های آماری و یادگیری عمیق با داده و محاسبه رشد کردند، Transformer مسیر مدل‌های زبانی را باز کرد و ChatGPT در ۲۰۲۲ آن را عمومی کرد.

شناخت این تاریخ کمک می‌کند نه شیفته هر ادعای جدید شویم و نه پیشرفت واقعی را نادیده بگیریم.

سؤال‌های متداول

هوش مصنوعی از چه سالی شروع شد؟

برای پاسخ قراردادی معمولاً سال ۱۹۵۶ و پروژه دارتموث ذکر می‌شود، چون اصطلاح Artificial Intelligence در آنجا نام یک حوزه پژوهشی شد. اما پایه‌های نظری و فنی آن پیش از این سال شکل گرفته بود.

چه کسی هوش مصنوعی را اختراع کرد؟

هوش مصنوعی اختراع یک نفر نیست. جان مک‌کارتی، آلن تورینگ، ماروین مینسکی، کلود شانون، آلن نیوول، هربرت سایمون و بسیاری دیگر در شکل‌گیری آن نقش داشتند.

اولین چت‌بات چه بود؟

ELIZA که در دهه ۱۹۶۰ ساخته شد، یکی از نخستین و مشهورترین برنامه‌های مکالمه‌ای بود. پاسخ‌های آن عمدتاً بر پایه تطبیق الگو بود و فهم امروزی از مدل زبانی را نداشت.

زمستان هوش مصنوعی چیست؟

دوره‌ای است که به دلیل فاصله میان وعده‌ها و نتایج، سرمایه‌گذاری و توجه به AI کاهش می‌یابد. تاریخ معمولاً از دو زمستان مهم در دهه ۱۹۷۰ و اواخر دهه ۱۹۸۰ یاد می‌کند.

ChatGPT چه زمانی منتشر شد؟

OpenAI نسخه عمومی اولیه ChatGPT را در ۳۰ نوامبر ۲۰۲۲ عرضه کرد.

مطالب مرتبط

• هوش مصنوعی چیست؟
• انواع مختلف هوش مصنوعی
• نقشه راه عملی یادگیری AI
• نسخه قابل چاپ تحقیق هوش مصنوعی

منابع و تاریخ بازبینی

• Alan Turing, Computing Machinery and Intelligence: https://academic.oup.com/mind/article/LIX/236/433/986238
• Dartmouth, Artificial Intelligence Coined at Dartmouth: https://home.dartmouth.edu/about/artificial-intelligence-ai-coined-dartmouth
• AlexNet paper: https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf
• Attention Is All You Need: https://arxiv.org/abs/1706.03762
• OpenAI, Introducing ChatGPT: https://openai.com/index/chatgpt/
• Stanford AI Index 2026: https://hai.stanford.edu/ai-index/2026-ai-index-report

آخرین بازبینی: ۱ اوت ۲۰۲۶.