وقتی نرم‌افزار شروع به نوشتن نرم‌افزار کرد

اگر شما کد عرضه می‌کنید، شغل شما در حال تغییر است.

شما از نوشتن تک‌تک خطوط به سمت استفاده از قابلیت تکمیل خودکار (autocomplete) حرکت کرده‌اید. اکنون، شما مشخصات (specs) را می‌نویسید و تماشا می‌کنید که عامل‌ها (agents) کد را برای شما نوشته، تست و عرضه می‌کنند.

این اتفاق یک‌شبه رخ نداد. این یک داستان ۷۰ ساله از بازتعریف هوش است.

مسیر رسیدن به اینجا به این صورت بوده است:

۱. عصر نمادین (دهه ۱۹۵۰ تا ۱۹۸۰) هوش به معنای منطق بود. انسان‌ها هر قانون را با استفاده از دستورات IF-THEN به صورت دستی می‌نوشتند. این سیستم‌ها در یک فضای محدود بسیار درخشان بودند اما در دنیای واقعی شکست می‌خوردند. آن‌ها نمی‌توانستند از داده‌ها یاد بگیرند.

۲. عصر آماری (دهه ۱۹۹۰ تا ۲۰۰۰) ما دیگر قوانین را به ماشین‌ها دیکته نکردیم. در عوض، به آن‌ها نمونه نشان دادیم. ماشین‌ها از ریاضیات برای یافتن الگوها در داده‌ها استفاده کردند. این کار باعث ایجاد فیلترهای اسپم و موتورهای پیشنهادگر شد. هوش همچنان برای انتخاب ویژگی‌های درستِ داده‌ها به انسان‌ها متکی بود.

۳. عصر یادگیری عمیق (۲۰۱۲ تا ۲۰۱۷) با AlexNet بازی تغییر کرد. ما دریافتیم که اگر لایه‌های کافی را روی هم قرار دهیم و از داده‌های کافی استفاده کنیم، مدل ویژگی‌های خودش را پیدا می‌کند. دیگر نیازی به مهندسی ویژگی (feature engineering) دستی نبود. کامپیوترها شروع به دیدن و شنیدن مانند انسان‌ها کردند.

۴. عصر ترنسفورمر (۲۰۱۷ تا ۲۰۲۲) معماری Transformer به مدل‌ها اجازه داد تا حجم عظیمی از متن را به صورت یکجا پردازش کنند. این امر منجر به ظهور GPT شد. هوش، ترکیبی (compositional) شد. یک مدل می‌توانست شعر بنویسد، Python را دیباگ کند و ریاضیات را توضیح دهد. زبان به رابطی (interface) برای تمام وظایف تبدیل شد.

۵. عصر عاملیت (۲۰۲۳ تا امروز) ما در حال دادن «دست» به مدل‌ها هستیم. یک عامل (agent) فقط به یک سوال پاسخ نمی‌دهد؛ بلکه از ابزارها استفاده می‌کند، در وب جستجو می‌کند، کد را اجرا می‌کند و اشتباهات خود را اصلاح می‌کند. این یعنی حرکت از یک پاسخ غیرفعال به یک حلقه فعال.

الگو واضح است. هر عصر، کار را از انسان به ماشین منتقل کرد.

  • هوش مصنوعی نمادین: انسان‌ها قوانین را می‌نوشتند.
  • یادگیری ماشین آماری: انسان‌ها ویژگی‌ها را انتخاب می‌کردند.
  • یادگیری عمیق: مدل‌ها بازنمایی‌ها (representations) را یاد می‌گرفتند.
  • LLMs: مدل‌ها از اینترنت یاد می‌گرفتند.
  • عامل‌ها: مدل‌ها برنامه‌ریزی و عمل می‌کنند.

هر جهش، یک داستان اقتصادی نیز بود. ما آنچه را که توانایی اجرای هزینه‌اش را داریم، می‌سازیم. با ارزان‌تر شدن توان محاسباتی (compute)، عامل‌ها هوشمندتر می‌شوند.

ما فقط در حال ساخت ابزار نیستیم؛ ما در حال ساخت همکار هستیم.

Source: https://dev.to/adamthedeveloper/when-software-started-writing-software-a-developers-history-of-ai-4p9n

Optional learning community: https://t.me/GyaanSetuAi