هوش مصنوعی چیست؟

هوش مصنوعی به زبان ساده

هوش مصنوعی (AI) نظریه و توسعه سیستم‌های کامپیوتری است که قادر به انجام وظایفی هستند که در طول تاریخ نیاز به هوش انسانی داشتند، مانند تشخیص گفتار، اتخاذ تصمیمات و شناسایی الگوها. هوش مصنوعی یک اصطلاح جامع است که شامل انواع مختلفی از فناوری‌ها می‌شود، از جمله یادگیری ماشین، یادگیری عمیق، بینایی ماشین و پردازش زبان طبیعی (NLP).[1]

اگرچه این اصطلاح به‌طور رایج برای توصیف دامنه‌ای از فناوری‌های مختلف که امروز در حال استفاده‌اند، به کار می‌رود، بسیاری بر این باورند که آیا این‌ تکنولوژی ها واقعاً تشکیل‌دهنده هوش مصنوعی هستند یا خیر. در عوض، برخی استدلال می‌کنند که بخش زیادی از فناوری‌های مورد استفاده در دنیای واقعی امروز در واقع شامل یادگیری ماشین پیشرفته‌ای است که فقط یک قدم اولیه به سوی هوش مصنوعی واقعی یا “هوش مصنوعی عمومی” (Artificial General Intelligence) به شمار می‌رود. هوش مصنوعی عمومی AGI) به یک حالت نظری اشاره دارد که در آن سیستم‌های کامپیوتری قادر خواهند بود به هوش انسانی دست یابند یا از آن فراتر روند. به عبارت دیگر، AGI هوش مصنوعی “واقعی” است که در بی‌شماری از رمان‌های علمی-تخیلی، برنامه‌های تلویزیونی، فیلم‌ها و کمیک‌ها مانند Star Trek: The Next Generation’s Data و  Terminator’s  T-800 به تصویر کشیده شده است.

در مورد معنای دقیق “هوش مصنوعی” (AI) خود، پژوهشگران چندان توافقی ندارند که چگونه می‌توانیم “هوش عمومی مصنوعی واقعی” را شناسایی کنیم. با این حال، معروف‌ترین روش برای شناسایی اینکه آیا یک ماشین هوشمند است یا نه، آزمون تورینگ یا بازی تقلید نامیده می‌شود؛ آزمایشی که اولین‌بار توسط ریاضیدان، دانشمند و رمزنگار تأثیرگذار آلن تورینگ در مقاله‌ای در سال 1950 درباره هوش کامپیوتری مطرح شد. در آنجا، تورینگ یک بازی سه‌نفره را توصیف کرد که در آن یک کاربر انسانی از طریق متن با یک انسان دیگر و یک ماشین ارتباط برقرار می‌کند و قضاوت می‌کند که هر پاسخ را چه کسی نوشته است. اگر کاربر انسانی نتواند به‌طور قابل اعتماد انسان را شناسایی کند، آنگاه تورینگ می‌گوید که می‌توان گفت ماشین هوشمند است.[2]

برای پیچیده‌تر کردن موضوع، پژوهشگران و فیلسوفان کماکان نمی‌توانند به توافق برسند که آیا ما در حال نزدیک شدن به AGI هستیم؟ آیا هنوز فاصله زیادی داریم یا این امر به‌طور کلی غیرممکن است. برای مثال، در حالی که یک مقاله اخیر از مایکروسافت ریسرچ و OpenAI ادعا می‌کند که Chat GPT-4 یک شکل اولیه از AGI است، بسیاری از پژوهشگران دیگر به این ادعاها شک دارند و استدلال می‌کنند که این ادعاها صرفاً برای تبلیغ مطرح شده‌اند.[3]

هوش مصنوعی در چه سالی ساخته شد؟

تاریخچه هوش مصنوعی به اوایل دهه 1950 بازمی‌گردد، زمانی که نظریات اولیه در مورد ایجاد ماشین‌های هوشمند شکل گرفت. در سال 1956، کنفرانسی در Dartmouth College ایالت نیوهمپشایر برگزار شد که به‌طور رسمی به عنوان آغاز عصر هوش مصنوعی شناخته می‌شود. در این کنفرانس، دانشمندانی همچون جان مک‌کارتی، ماروین میسکی و نوربرت وینر دور هم جمع شدند و ایده‌های خود را در مورد برنامه‌نویسی ماشین‌هایی که قادر به انجام وظایف هوشمندانه بودند، به اشتراک گذاشتند. این دوران با دستاوردهای قابل توجهی همچون توسعه برنامه‌های اولیه بازی شطرنج و حل مسائل ریاضی همراه بود که نشان‌دهنده پتانسیل‌های هوش مصنوعی در انجام وظایف پیچیده بود.

در دهه‌های 1960 و 1970، پژوهش‌ها در حوزه هوش مصنوعی به طور قابل توجهی گسترش یافت و سیستم‌های خبره (Expert Systems) و زبان‌های برنامه‌نویسی مخصوص هوش مصنوعی مانند LISP توسعه یافتند. این سیستم‌ها توانایی تحلیل و تصمیم‌گیری در زمینه‌های خاص مانند پزشکی و مهندسی را داشتند و در برخی از صنایع به کار گرفته شدند. با این حال، محدودیت‌های فناوری در آن زمان و عدم توانایی این سیستم‌ها در انجام وظایف عمومی‌تر باعث شد که بسیاری از محققان نسبت به آینده هوش مصنوعی بدبین شوند و دوره‌ای به نام “زمستان هوش مصنوعی” آغاز شد که در آن تأمین مالی و تحقیقات به شدت کاهش یافت.

از اوایل دهه 1990 به بعد، با پیشرفت‌های چشمگیر در سخت‌افزار و الگوریتم‌های یادگیری ماشین، هوش مصنوعی دوباره مورد توجه قرار گرفت. ظهور داده‌های کلان و افزایش توان محاسباتی در دهه اول 2000، به توسعه فناوری‌های نوین همچون یادگیری عمیق (Deep Learning) و پردازش زبان طبیعی (Natural Language Processing) کمک کرد. پس از سال 2012، زمانی که یادگیری عمیق از تکنیک‌های قبلی هوش مصنوعی پیشی گرفت، بودجه و علاقه به حوزه هوش مصنوعی به‌طور چشمگیری افزایش یافت. این رشد پس از سال 2017 با معرفی معماری ترنسفورمر شتاب بیشتری گرفت و تا اوایل دهه 2020، صدها میلیارد دلار در هوش مصنوعی سرمایه‌گذاری شد که به “انفجار هوش مصنوعی” معروف است. استفاده گسترده از هوش مصنوعی در قرن 21 پیامدها و آسیب‌های ناخواسته‌ای را در زمان حاضر آشکار کرد و نگرانی‌هایی را درباره خطرات و اثرات بلندمدت آن در آینده برانگیخت، که منجر به بحث‌هایی در مورد سیاست‌های تنظیم‌گری برای اطمینان از ایمنی و بهره‌مندی از این فناوری شد.

برخی از برنامه‌های برجسته هوش مصنوعی شامل موتورهای جستجوی پیشرفته وب (مانند جستجوی گوگل)، سیستم‌های توصیه‌گر (مانند یوتیوب، آمازون و نتفلیکس)، تعامل از طریق گفتار انسانی (مانند دستیار گوگل، سیری و الکسا)، خودروهای خودران (مانند ویمو) و بازی و تحلیل‌های فراانسانی در بازی‌های استراتژیک (مانند شطرنج و گو) هستند. البته در سال ۲۰۲۴، بیشتر پژوهشگران و متخصصان هوش مصنوعی—و همچنین بیشتر تیترهای مربوط به هوش مصنوعی—بر روی پیشرفت‌های هوش مصنوعی مولد (gen AI) تمرکز دارند، فناوری‌ای که می‌تواند متن، تصاویر، ویدیو و محتوای دیگری را به‌طور خلاقانه و اورجینال ایجاد کند مانند ChatGPT یا DALL-E

انواع هوش مصنوعی

سیستم های هوش مصنوعی را میتوان از منظرهای متفاوتی به دسته های مختلفی تقسیم بندی کرد. برای مثال میتوان آن ها از لحاظ توانایی به سه دسته هوش مصنوعی ضعیف، قوی و فوق قوی تقسیم کرد.

هوش مصنوعی ضعیف (Weak AI)

هوش مصنوعی ضعیف، که به عنوان هوش مصنوعی محدود (Narrow AI) نیز شناخته می‌شود، به سیستم‌هایی اشاره دارد که برای انجام وظایف خاص و محدود طراحی شده‌اند. این سیستم‌ها قادر به تحلیل و پردازش اطلاعات هستند، اما فاقد درک واقعی یا خودآگاهی هستند. به عبارت دیگر، هوش مصنوعی ضعیف تنها می‌تواند در چارچوب وظایف مشخصی عمل کند و از این رو، نمی‌تواند فراتر از آنچه که برای آن برنامه‌ریزی شده است، عمل کند. مثال‌هایی از هوش مصنوعی ضعیف شامل چت‌بات‌ها، سیستم‌های توصیه‌گر، و دستیارهای مجازی مانند سیری و الکسا هستند.

هوش مصنوعی قوی (Strong AI)

هوش مصنوعی قوی یا همان هوش مصنوعی عمومی (General AI) به سیستم‌هایی اطلاق می‌شود که توانایی‌های مشابهی با هوش انسانی دارند و می‌توانند درک، یادگیری، و استدلال کنند. این نوع از هوش مصنوعی به ماشین‌ها این امکان را می‌دهد که در برابر انواع مختلف وظایف و شرایط، مانند انسان‌ها عمل کنند. به عبارت دیگر، هوش مصنوعی قوی می‌تواند نه تنها در انجام وظایف خاص بلکه در حل مسائل جدید و ناشناخته نیز موثر باشد. با وجود اینکه هنوز هیچ نمونه عملی از هوش مصنوعی قوی وجود ندارد، تحقیقات در این زمینه ادامه دارد و هدف نهایی بسیاری از پژوهشگران و مهندسان در این حوزه دستیابی به این نوع هوش است.

هوش مصنوعی فوق‌قوی (Super AI)

هوش مصنوعی فوق‌قوی به سطحی از هوش اشاره دارد که از توانایی‌های هوش انسانی فراتر رفته و می‌تواند به صورت مستقل تصمیم‌گیری کند و توانایی‌های شناختی و خلاقیتی را به نمایش بگذارد. این نوع هوش مصنوعی قادر به یادگیری و بهبود خود در طول زمان است و می‌تواند در زمینه‌های مختلف، از جمله حل مسائل پیچیده، نوآوری، و توسعه دانش جدید، عمل کند. در حال حاضر، هوش مصنوعی فوق‌قوی تنها یک مفهوم نظری است و هنوز به مرحله تحقق نرسیده است. اما بسیاری از کارشناسان پیش‌بینی می‌کنند که اگر چنین سیستمی توسعه یابد، تأثیرات عمیق و گاه ترسناکی بر جامعه خواهد داشت.

جدول زیر به طور خلاصه ویژگی‌ها و تفاوت‌های اصلی میان هوش مصنوعی ضعیف، قوی و فوق‌قوی را نشان می‌دهد و کمک می‌کند تا درک بهتری از هر یک از این دسته‌ها داشته باشیم.

سیستم های هوش مصنوعی را میتوان بر اساس نوع تکنولوژی به کار رفته در آن ها نیز دسته بندی کرد. تکنولوژی های رایج مورد استفاده امروزی عبارتند از : یادگیری ماشین (Machine Learning)، یادگیری عمیق (Deep Learning)، پردازش زبان طبیعی (NLP) ، بینایی ماشین (Computer Vision) ، رباتیک (Robotics) ، سیستم های فازی (Fuzzy Systems) و سیستم های خبره (Expert Systems) .

یادگیری ماشین (Machine Learning)

یادگیری ماشین یکی از زیرمجموعه‌های هوش مصنوعی است که به سیستم‌ها این امکان را می‌دهد تا بدون نیاز به برنامه‌نویسی صریح، از داده‌ها یاد بگیرند و بهبود یابند. این تکنولوژی بر اساس الگوریتم‌هایی کار می‌کند که به تحلیل داده‌ها می‌پردازند و الگوها و روابط میان آن‌ها را شناسایی می‌کنند. یادگیری ماشین به دو دسته اصلی تقسیم می‌شود: یادگیری تحت نظارت، که در آن مدل‌ها با استفاده از داده‌های برچسب‌گذاری‌شده آموزش می‌بینند، و یادگیری بدون نظارت، که در آن سیستم‌ها به شناسایی الگوها و ساختارها در داده‌های بدون برچسب می‌پردازند.

کاربردهای یادگیری ماشین در پیش‌بینی، تشخیص کلاهبرداری، و تجزیه و تحلیل احساسات در متون به وضوح مشاهده می‌شود. به عنوان مثال، در صنعت مالی، الگوریتم‌های یادگیری ماشین می‌توانند به شناسایی فعالیت‌های مشکوک و جلوگیری از کلاهبرداری کمک کنند. همچنین، در حوزه بازاریابی، این تکنولوژی می‌تواند به تحلیل داده‌های مشتریان و ارائه پیشنهادات شخصی‌سازی‌شده بپردازد، که باعث افزایش فروش و رضایت مشتریان می‌شود.

یادگیری عمیق (Deep Learning)

یادگیری عمیق یکی از شاخه‌های پیشرفته یادگیری ماشین است که به شبکه‌های عصبی عمیق متکی است. این شبکه‌ها از لایه‌های متعدد تشکیل شده‌اند که قادر به پردازش و تحلیل داده‌های پیچیده‌تری هستند. یادگیری عمیق به ویژه در زمینه‌های بینایی ماشین و پردازش زبان طبیعی کاربرد گسترده‌ای دارد. این تکنولوژی می‌تواند با شبیه‌سازی ساختار مغز انسان، به شناسایی الگوهای بسیار پیچیده بپردازد و نتایج دقیقی ارائه دهد.

به عنوان مثال، در تشخیص چهره، این تکنولوژی می‌تواند ویژگی‌های مختلف صورت را شناسایی کرده و افراد را با دقت بالا شناسایی کند. همچنین در ترجمه ماشینی، یادگیری عمیق به تولید متن‌های طبیعی و قابل فهم کمک می‌کند، که به کاربران این امکان را می‌دهد تا به راحتی با زبان‌های مختلف ارتباط برقرار کنند. این پیشرفت‌ها در یادگیری عمیق موجب تحول در بسیاری از صنایع و خدمات شده و به بهبود کیفیت زندگی افراد کمک می‌کند.

پردازش زبان طبیعی (NLP)

پردازش زبان طبیعی یا NLP به تکنولوژی‌هایی اشاره دارد که به ماشین‌ها امکان می‌دهند زبان انسانی را درک و تحلیل کنند. این فناوری شامل تجزیه و تحلیل متن، تولید زبان، و حتی ترجمه زبان‌ها است. NLP به کاربران این امکان را می‌دهد که به صورت طبیعی و بدون نیاز به یادگیری زبان برنامه‌نویسی، با ماشین‌ها ارتباط برقرار کنند. به عنوان مثال، چت‌بات‌ها و دستیارهای مجازی می‌توانند به سوالات کاربران پاسخ دهند و با آن‌ها به صورت محاوره‌ای تعامل کنند.

با استفاده از NLP، سیستم‌ها می‌توانند متون را پردازش کرده و معانی، احساسات و روابط موجود در آن‌ها را استخراج کنند. این فناوری به شرکت‌ها کمک می‌کند تا بازخورد مشتریان را به راحتی درک کرده و به نیازهای آن‌ها پاسخ دهند. همچنین، تجزیه و تحلیل احساسات در رسانه‌های اجتماعی به کسب‌وکارها کمک می‌کند تا دیدگاه‌ها و احساسات عمومی را نسبت به محصولات و خدمات خود بررسی کنند و در نتیجه، استراتژی‌های بازاریابی خود را بهبود بخشند.

بینایی ماشین (Computer Vision)

بینایی ماشین به تکنولوژی‌هایی اشاره دارد که به کامپیوترها این امکان را می‌دهند که تصاویر و ویدیوها را تحلیل کرده و اطلاعات مفیدی استخراج کنند. این سیستم‌ها می‌توانند اشیاء، چهره‌ها، و حتی حرکات را شناسایی کنند و به دقت عمل کنند. با استفاده از بینایی ماشین، کامپیوترها می‌توانند تصاویر را تجزیه و تحلیل کرده و الگوهای موجود در آن‌ها را شناسایی کنند، که این امر در بسیاری از صنایع اهمیت دارد.

کاربردهای بینایی ماشین شامل تشخیص چهره، شناسایی اشیاء در تصاویر، و ردیابی حرکات در ویدیوها است. به عنوان مثال، در صنعت خودرو، فناوری بینایی ماشین به خودروهای خودران این امکان را می‌دهد که محیط اطراف خود را شناسایی کرده و تصمیمات به موقع اتخاذ کنند. همچنین، در حوزه پزشکی، این تکنولوژی می‌تواند در تحلیل تصاویر پزشکی مانند MRI و CT به تشخیص دقیق‌تر بیماری‌ها کمک کند.

رباتیک (Robotics)

رباتیک به طراحی و ساخت ربات‌ها و سیستم‌های خودکار اشاره دارد که قادر به انجام وظایف فیزیکی هستند. ربات‌ها می‌توانند با استفاده از هوش مصنوعی و تکنیک‌های یادگیری ماشین، وظایف پیچیده‌ای را انجام دهند، مانند جابه‌جایی اجسام، نظارت بر محیط‌ها، و انجام کارهای خانگی. این فناوری در صنعت، پزشکی و خدمات بهداشتی به کار می‌رود و می‌تواند به بهبود کارایی و کاهش هزینه‌ها کمک کند.

به عنوان مثال، ربات‌های صنعتی در خطوط تولید می‌توانند وظایف تکراری را با دقت و سرعت بالا انجام دهند و به کاهش خطاهای انسانی کمک کنند. همچنین، ربات‌های جراحی می‌توانند دقت بالاتری را در انجام عملیات جراحی فراهم کنند و به پزشکان این امکان را می‌دهند تا در محیط‌های حساس و خطرناک به بهبود سلامت بیماران کمک کنند. به این ترتیب، رباتیک نقش کلیدی در تحول و نوآوری در بسیاری از صنایع ایفا می‌کند.

از بازوهای رباتی در جهت خودکارسازی خطوط تولید در صنعت میتوان بهره برد.

سیستم‌های فازی (Fuzzy Systems)

سیستم‌های فازی نوعی از سیستم‌های هوش مصنوعی هستند که قادر به مدیریت عدم قطعیت و ابهام در داده‌ها هستند. برخلاف سیستم‌های سنتی که تنها به مقادیر دقیق و مشخص پرداخته و تصمیم‌گیری می‌کنند، سیستم‌های فازی به کاربر اجازه می‌دهند تا با استفاده از زبان طبیعی و عبارات مبهم، نظرات و داده‌های خود را وارد کند. این قابلیت به سیستم‌ها این امکان را می‌دهد که در شرایطی که اطلاعات ناقص یا مبهم هستند، تصمیمات بهتری اتخاذ کنند.

سیستم‌های فازی معمولاً در کنترل سیستم‌ها، تشخیص الگو و تصمیم‌گیری‌های پیچیده استفاده می‌شوند. به عنوان مثال، در سیستم‌های کنترل دما، می‌توان از سیستم‌های فازی برای تنظیم دقیق دما بر اساس شرایط محیطی مختلف استفاده کرد. این سیستم‌ها به دلیل توانایی بالای خود در پردازش اطلاعات نامشخص و عدم قطعیت، در کاربردهای متنوعی از جمله صنعت، کشاورزی و سیستم‌های هوشمند به کار می‌روند.

از منطق فازی در توسعه سیستم ترمز ماشین میتوان استفاده کرد.

سیستم‌های خبره (Expert Systems)

سیستم‌های خبره نوعی از سیستم‌های هوش مصنوعی هستند که برای حل مسائل خاص و ارائه مشاوره در زمینه‌های خاص طراحی شده‌اند. این سیستم‌ها با استفاده از پایگاه‌های دانش و قواعد استنتاج، می‌توانند به کاربران در تصمیم‌گیری کمک کنند. سیستم‌های خبره در زمینه‌هایی مانند پزشکی، مهندسی و مدیریت منابع طبیعی کاربرد دارند و می‌توانند به تشخیص بیماری‌ها، پیشنهاد راه‌حل‌های فنی و بهینه‌سازی استفاده از منابع کمک کنند.

به عنوان مثال، در پزشکی، سیستم‌های خبره می‌توانند اطلاعات بیماران را تحلیل کرده و به پزشکان در تشخیص بیماری‌ها و انتخاب درمان مناسب یاری رسانند. همچنین، در مدیریت منابع طبیعی، این سیستم‌ها می‌توانند به تحلیل داده‌ها و ارائه پیشنهادات بهینه برای استفاده پایدار از منابع کمک کنند. این فناوری‌ها به دلیل توانایی‌شان در ارائه دانش تخصصی و حل مسائل پیچیده، در بسیاری از حوزه‌ها به کار می‌روند و به بهبود کیفیت خدمات و تصمیم‌گیری‌ها کمک می‌کنند.

ادوارد فاین‌باوم (Edward Feigenbaum) پدر سیستم های خبره در حال کار با اولین سیستم خبره به نام DENDRAL در سال 1966

از هوش مصنوعی میتوان در در جهت بهبود گستره زیادی از کسب و کارها بهره برد. برای مثال در حوزه سلامت و بهداشت هوش مصنوعی میتواند با پردازش تصاویر پزشکی به تشخیص هرچه سریعتر بافت های بدخیم و سرطانی کمک کند یا از بروز سطوح حاد آن جلوگیری کند. در حوزه تولید و ساخت قطعات، هوش مصنوعی با پردازش تصاویر و به کمک بازوهای رباتی میتواند قطعات منتاژ شده ای که دچار اشکال هستند را تشخیص دهد و آن ها را از خط تولید خارج کند یا به کمک الگوریتم های یادگیری ماشین و یادگیری عمیق با انجام تعمیرات پیشگیرانه دستگاه ها را از خرابی های جبران ناپذیر رها کند. گوشه ای از این کسب و کارها را میتوان در تصویر زیر مشاهده کرد.

تکنولوژی های مورد استفاده در هوش مصنوعی و کسب و کارهای منتفع از آن

مزایا و معایب هوش مصنوعی

هوش مصنوعی با ارائه مزایای گسترده‌ای در حوزه‌های مختلف زندگی و کسب‌وکارها، نقش مهمی در بهبود عملکرد، کارایی و دقت فرآیندها ایفا می‌کند. از جمله مزایای آن می‌توان به افزایش بهره‌وری، خودکارسازی وظایف تکراری و کاهش بار کاری انسان‌ها اشاره کرد، که موجب می‌شود کارکنان زمان بیشتری برای تمرکز بر فعالیت‌های خلاقانه و استراتژیک داشته باشند. در صنایع مختلف مانند تولید و خدمات، ربات‌ها و سیستم‌های مبتنی بر هوش مصنوعی می‌توانند وظایف تکراری و فیزیکی را با دقت و سرعت بالا انجام دهند و با کاهش خطاهای انسانی، بهره‌وری سازمان‌ها را افزایش دهند. همچنین، قابلیت‌های تحلیل داده و پیش‌بینی دقیق، به تصمیم‌گیری بهتر و سریع‌تر کمک می‌کند و به سازمان‌ها این امکان را می‌دهد تا از فرصت‌ها بهینه استفاده کنند و هزینه‌های عملیاتی خود را کاهش دهند​.

با این حال، هوش مصنوعی چالش‌ها و ریسک‌هایی نیز به همراه دارد که نیازمند توجه ویژه‌ای است. یکی از بزرگ‌ترین نگرانی‌ها، تأثیرات منفی بر بازار کار است؛ خودکارسازی می‌تواند منجر به کاهش مشاغل سنتی و افزایش نابرابری‌های اقتصادی شود. همچنین، الگوریتم‌های هوش مصنوعی گاهی ممکن است حاوی سوگیری‌هایی باشند که در تصمیم‌گیری‌ها بروز پیدا می‌کند و منجر به بی‌عدالتی می‌شود. از دیگر چالش‌ها، خطرات امنیتی و حریم خصوصی است، چرا که حجم زیادی از داده‌های شخصی توسط سیستم‌های هوش مصنوعی جمع‌آوری و تحلیل می‌شود. این موضوع نگرانی‌هایی در خصوص استفاده نادرست از داده‌ها و تهدیدات احتمالی در برابر حریم خصوصی افراد به همراه دارد​.

[1] https://www.coursera.org/articles/what-is-artificial-intelligence

[2] A. M. TURING, I.—COMPUTING MACHINERY AND INTELLIGENCE, Mind, Volume LIX, Issue 236, October 1950, Pages 433–460, https://doi.org/10.1093/mind/LIX.236.433

[3] Bubeck, Sébastien, et al. “Sparks of artificial general intelligence: Early experiments with gpt-4.” arXiv preprint arXiv:2303.12712 (2023).