اطلاعات علمی در رشته‌ای بعد از رشته‌ای دیگر با همتای خود تلاقی می‌کنند. اطلاعات علوم مختلف در حال گسترش و ترکیب شدن با یکدیگر هستند. در زیست شناسی پایگاه اطلاعاتی ژنوم و پروتئین رشد می‌کند، در ستاره شناسی بررسی‌های آسمانی با وسعت هرچه بیشتر انجام می‌شوند، در علوم اجتماعی میلیون‌ها پست و توییت در اطراف اینترنت کمانه می‌کنند، این سیل عظیم داده‌ها می‌توانند فراتر بینش و تحلیل انسانی باشند، اما پیشرفت‌های محاسباتی و ابزارهای شناختی جدید انسان را در این راه یاری می‌کنند.
گسترش علم انسان را نیازمند هوش مصنوعی (AI) کرده است. برخلاف سیستم‌های کامپیوتری قبلی، سیستم‌های یادگیری عمیق هوش مصنوعی نیاز به برنامه‌ریزی توسط انسان ندارند. آن‌ها خود به خود از مجموعه‌های بزرگ داده‌ها یاد می‌گیرند، تاحدی که بتوانند الگوها و ناهنجاری‌هایی را که بسیار بزرگ‌تر از دید انسانی هستند ببینند.
زمینه‌ی فعالیت هوش مصنوعی فقط گسترش علم نیست، بلکه سیستمی است که از طریق موبایل با شما صحبت می‌کند، اتومبیل‌های بدون راننده را می‌راند، اما از آنجایی که بی‌کاری عظیمی را برای انسان به همراه خواهد داشت، آینده‌ای نگران کننده را می‌سازد، اما دانشمندان این دورنما را روشن و هوش مصنوعی نوید دهنده‌ی افزایش فوق‌العاده‌ای در فرآیند کشف‌های علمی می‌دانند.
مقاله مرتبط: هوش مصنوعی؛ نکات مثبت و منفی
نقطه ضعف موجود این است که هوش مصنوعی بر خلاف یک دانشجوی فارغ التحصیل، نمی‌تواد روند تفکر خود را توضیح دهد و محاسبات منجر به نتیجه، پنهان هستند. بنابراین دانشمندان در تلاشند تا جعبه‌ی سیاه شبکه‌ی عصبی هوش مصنوعی را باز کنند تا اطمینانی از آن‌چه هوش مصنوعی بیان می‌کند حاصل کنند. شناخت هوش درون دستگاه احتمالا تایید کننده نقش هوش مصنوعی در گسترش علم است. در حال حاضر برخی پیشگامان نوعی هوش مصنوعی را طراحی می‌کنند که به انجام آزمایش تفسیر نتایج می‌پردازد و چشم انداز علمی کاملا خودکار است. هوش مصنوعی که هم اکنون شاگرد خستگی ناپذیر دانشمندان محسوب می‌شود، روزی به عنوان همکار آن‌ها فعالیت خواهد کرد.
هوش مصنوعی در قالب کلمات
مردم چه چیزی را هوش مصنوعی می‌دانند؟ اصطلاح هوش مصنوعی هیچگاه مرزهای روشنی نداشته است. وقتی این اصلاح در سال ۱۹۵۶ در کالج دارتموث معرفی شد منظور از آن، ماشینی بود که بتواند مجموعه‌ای از هوش‌های انسانی را در خود جمع کند و به شیوه‌ی یک انسان هوشمند محسوب شود، اما دستاورد امروزی در زمینه‌ی هوش مصنوعی ماشین یادگیری است، که بتواند از بررسی‌های دقیق گرفته تا رانندگی خودکار را انجام دهد و معمولا در سیستم‌های کامپیوتری به نام شبکه‌ی عصبی وجود دارد. امروزه هرگونه بحث درباره‌ی هوش مصنوعی احتمالا شامل اصطلاحاتی می‌شود که با برخی از آن‌ها آشنا می‌شویم.
ALGORITHM: مجموعه‌ای از دستوالعمل‌های گام به گام، لگاریتم‌های کامپیوتری ساده یا پیچیده
BACKPROPAGATION: راه‌های یادگیری شبکه عصبی، این راه‌های تفاوت بین خروجی خود و خروجی مورد نظر را پیدا کرده و روند را معکوس می‌کنند.
BLACK BOX: سیستم یادگیری عمیق که با ورودی را دریافت کرده و خروجی ارائه می‌دهد، اما تفسیر محاسباتی که در این میان اتفاق می‌افتد، برا انسان روشن نیست.
DEEP LEARNING: چگونه یک شبکه عصبی با لایه‌های چندگانه، یک مفهوم انتزاعی را دریافت می‌کند.
EXPERT SYSTEM: نوعی هوش مصنوعی که تلاش می‌کند تا یک تخصص انسانی را در یک زمینه مثل تشخیص‌های پزشکی تکرار کند. در این نوع هوش یادگیری خود ماشین جایگزین برنامه نویسی دستی شده‌است.
GENERATIVE ADVERSARIAL NETWORK: یک جفت شبکه‌ی عصبی که به طور مشترک آموزش داده می‌شوند تا از طریق رقابت بهبود یابند، وقتی یک شبکه اطلاعات جدیدی تولید می‌کند دیگری تلاش می‌کند تا اطلاعات جعلی را شناسایی کند.
MACHINE LEARNING: استفاده از الگوریتم‌های که الگوها را بدون دستورالعمل صریح پیدا می‌کند، مثلا یک سیستم یا بگیرد تصاویر ورودی را با برچسب‌ها مرتبط کند.
NATURAL LANGUAGE PROCESSING: تلاش یک رایانه برای درک زبان گفته شده یا نوشته شده که در آن سیستم باید معنی لغات، دستور زبان و مفهوم کلام را دریابد و اجازه‌ی تغییر در هنگام به کار بردن زبان را به آن بدهد، این روند جز فرآیندهای یادگیری یک ماشین است.
NEURAL NETWORK: یک مدل بسیار ساده و انتزاعی از مغز انسان بر پایه‌ی یادگیری ماشین که شامل واحد‌های ورودی است که اطلاعات را به واحد‌های بالاتر انتقال می‌دهد با پردازش ساده‌ای در پاسخ‌ها در لایه نهایی ایجاد می‌شوند.
NEUROMORPHIC CHIP: یک تراشه‌ی رایانه‌ای که به عنوان یک شبکه‌ی عصبی طراحی شده‌است و می‌تواند آنالوگ، دیجیتال یا ترکیبی باشد.
PERCEPTRON: یک نمونه‌ی اولیه از شبکه‌های عصبی که دردهه‌ی ۱۹۵۰ توسعه یافت و در ابتدا به شدت مورد تحسین قرار گرفت اما بعد با مشخص شدن محدودیت زیاد آن علاقه‌ی افراد به شبکه‌های عصبی را برای سال‌ها از بین برد.
REINFORCEMENT LEARNING: نوعی یادگیری ماشین براساس یک الگوریتم برای رسیدن به یک هدف انتزاعی مثل امتیاز گیری در یک بازی ویدیویی یا مدیریت موثر یک کارخانه است. در این نوع آموزش، ماشین در طول آموزش نیز ارزیابی می‌شود.
