[ شهروند ]  هوش مصنوعی یا همان Artificial General Intelligence به عنوان یکی از پیشرفته‌ترین فناوری‌های عصر حاضر، به مطالعه و توسعه سیستم‌هایی می‌پردازد که توانایی شبیه‌سازی هوش انسانی را دارند. این حوزه از مفاهیم پایه‌ای مانند یادگیری ماشین (Machine Learning) و شبکه‌های عصبی مصنوعی آغاز می‌شود و به زیرشاخه‌های تخصصی‌تری مانند پردازش زبان طبیعی (NLP)، بینایی ماشین (Computer Vision) و رباتیک گسترش می‌یابد.

یادگیری ماشین؛ پیش‌بینی براساس داده‌ها و تصمیمات جدید
یکی از مفاهیم پایه‌ای در هوش مصنوعی یادگیری ماشین یا همان Machine Learning است. به عبارت ساده‌تر  الگوریتم‌هایی که به سیستم‌ها امکان یادگیری از داده‌ها بدون برنامه‌نویسی صریح را می‌دهند و الگوها و روابط پنهان در داده‌ها را کشف می‌کنند. مدل یادگیری ماشین می‌تواند روی داده‌های جدید پیش‌بینی انجام دهد یا تصمیماتی بگیرد. برای نمونه، سیستم‌های توصیه‌گر فیلم و موسیقی (مثل آنچه در نتفلیکس یا اسپاتیفای می‌بینیم) با یادگیری از سلیقه و سابقه کاربران، محتوای جدید متناسب با علاقه آنها پیشنهاد می‌دهند. همچنین فیلترهای هرزنامه ایمیل با یادگیری از نمونه‌های ایمیل‌های اسپم و عادی، می‌آموزند که ایمیل‌های ناخواسته را تشخیص دهند. 
از انواع اصلی یادگیری ماشین می‌توان به یادگیری نظارت شده، یادگیری بدون نظارت، یادگیری تقویتی و یادگیری نیمه‌نظارت شده اشاره کرد. البته این زیرشاخه هوش مصنوعی کاربردهای صنعتی هم دارد. به عنوان نمونه در پزشکی برای پیش‌بینی خطر سرطان با تحلیل تصاویر MRIکاربرد دارد. در مسائل مالی با تشخیص تراکنش‌های تقلبی در بانکداری دیجیتال می‌تواند مورد بهره‌برداری قرار بگیرد. در بخش کشاورزی هم پیش‌بینی عملکرد محصول بر اساس داده‌های آب و هوایی یکی از ویژگی‌هایش است. 

شبکه‌های عصبی؛ یکی از مفاهیم پایه‌ای هوش مصنوعی 
شبکه‌های عصبی یا همان Neural Networks  به عبارت ساده‌تر مدل‌های الهام‌گرفته از مغز انسان برای پردازش اطلاعات یکی دیگر از مفاهیم پایه‌ای هوش مصنوعی به حساب می‌آید. این شبکه‌ها از تعداد زیادی واحد ساده به نام نورون تشکیل شده‌اند که در لایه‌هایی مرتب شده و به یکدیگر متصل هستند. هر نورون ورودی‌هایی را از نورون‌های لایه قبل دریافت کرده و پس از اعمال یک وزن (عدد تنظیم‌پذیر) و یک تابع ریاضی، خروجی خود را به نورون‌های لایه بعد منتقل می‌کند. شبکه عصبی با تنظیم این وزن‌ها طی فرایند آموزش، می‌تواند الگوهای پیچیده را در داده‌ها یاد بگیرد. برای مثال، یک شبکه عصبی ممکن است با مشاهده هزاران تصویر دست‌نویس اعداد، به تدریج نحوهٔ تشخیص ارقام صفر–۹ را فرا گیرد. شبکه‌های عصبی پایه اصلی بسیاری از روش‌های یادگیری ماشین (به‌ویژه یادگیری عمیق) هستند و در مسائلی مانند تشخیص تصویر، تشخیص گفتار و بازی‌های رایانه‌ای به کار می‌روند.

یادگیری عمیق؛  کاربردی در بسیاری از فناوری‌های پیشرفته
یادگیری عمیق یا همان  Deep Learning و به عبارت ساده‌تر زیرمجموعه‌ای از یادگیری ماشین با استفاده از شبکه‌های عصبی چندلایه یکی دیگر از مفاهیم پایه‌ای دیگر هوش مصنوعی به حساب می‌آید. در این روش، داده‌ها از سلسله‌مراتب لایه‌های مختلف عبور می‌کنند و هر لایه ویژگی‌های پیچیده‌تری را از داده استخراج می‌کند. به دلیل وجود همین لایه‌های متعدد، یک مدل یادگیری عمیق می‌تواند الگوها و مفاهیم سطح بالا (مانند تشخیص چهره یا درک معنی یک جمله) را به‌خوبی بیاموزد.
کاربردهای یادگیری عمیق را می‌توان در بسیاری از فناوری‌های پیشرفته مشاهده کرد. برای مثال، «تشخیص صدا» در دستیارهای صوتی (مانند الکسا یا گوگل) و «بینایی ماشین» در خودروهای خودران برای شناسایی عابرین پیاده یا علائم راهنمایی، هر دو مبتنی بر مدل‌های یادگیری عمیق هستند. همچنین در حوزه‌هایی مانند تشخیص بیماری از روی تصاویر پزشکی، ترجمهٔ ماشینی زبان‌ها و حتی خلق تصاویر و متون جدید (هوش مصنوعی مولد)، یادگیری عمیق نقش کلیدی ایفا می‌کند.

پردازش زبان طبیعی؛  تحلیل و تولید زبان انسان توسط ماشین
در گفتن از زیرشاخه‌های اصلی هوش مصنوعی باید به پردازش زبان طبیعی (NLP)اشاره داشت. به عبارت ساده‌تر تحلیل و تولید زبان انسان توسط ماشین مثل ترجمه خودکار، چت‌بات‌ها. هدف NLP این است که رایانه بتواند زبان انسان (متن یا گفتار) را درک کند و حتی تولید کند. به کمک تکنیک‌های این حوزه، کامپیوترها می‌توانند وظایفی مانند ترجمهٔ ماشینی مثل ترجمهٔ خودکار متون از فارسی به انگلیسی، تشخیص احساس در متن، پاسخ به سؤالات مانند چت‌بات‌ها و دستیارهای هوشمند و خلاصه‌سازی متون را انجام دهند.  
پردازش زبان طبیعی از الگوریتم‌های یادگیری ماشین و گاه شبکه‌های عصبی عمیق برای تحلیل متن و گفتار بهره می‌گیرد. نمونه‌های ملموس از NLP که بسیاری از ما با آن‌ها سروکار داریم شامل موتورهای جستجو (که سؤالات ما را می‌فهمند و نتایج مرتبط نشان می‌دهند)، دستیارهای صوتی (مثل Siri یا Google Assistant) و سیستم‌های تبدیل گفتار به متن (مانند قابلیت دیکته‌گویی در گوشی‌های هوشمند) است.

بینایی  کامپیوتر؛ درک تصاویر و ویدئوها مثل تشخیص چهره، خودروهای خودران
بینایی  کامپیوتر (Computer Vision)یکی دیگر از زیرشاخه‌های اصلی است. به عبارت ساده‌تر درک تصاویر و ویدئوها مثل تشخیص چهره، خودروهای خودران. الگوریتم‌های بینایی کامپیوتر قادرند در تصاویر دیجیتال وظایفی مانند تشخیص اشیا (مثلاً شناسایی وجود گربه در یک عکس)، تشخیص چهره (پیدا کردن هویت یا تمایز چهره‌ها در یک تصویر)، شناسایی الگوها و ویژگی‌ها (مانند تشخیص دست‌خط یا تشخیص بیماری در تصاویر پزشکی) و ردیابی اشیا در ویدئو را انجام دهند. یکی از کاربردهای مهم بینایی کامپیوتر در خودروهای خودران است که باید با تحلیل تصاویر دوربین‌ها، عابرین پیاده، خودروهای دیگر و علائم جاده را تشخیص دهند و واکنش مناسب نشان دهند. همچنین در حوزه‌هایی مثل نظارت امنیتی (تشخیص حرکت مشکوک در تصاویر دوربین مدار‌بسته) و واقعیت افزوده (شناسایی محیط برای جایگذاری اشیای مجازی) از بینایی کامپیوتر استفاده می‌شود.

رباتیک؛ترکیب هوش مصنوعی با مهندسی برای ساخت سیستم‌های فیزیکی هوشمند
رباتیک (Robotics)هم زیر شاخه دیگری است. به عبارتی ترکیب هوش مصنوعی با مهندسی برای ساخت سیستم‌های فیزیکی هوشمند. در زمینۀ رباتیکِ هوشمند، هدف آن است که ربات‌ها بتوانند وظایف خود را به‌صورت خودمختار و بدون دخالت مستقیم انسان انجام دهند. 
برای این منظور، از الگوریتم‌های هوش مصنوعی (مانند یادگیری ماشین و بینایی کامپیوتر) در ربات‌ها استفاده می‌شود تا آن‌ها بتوانند محیط خود را درک کنند (از طریق حسگرها و دوربین‌ها)، تصمیم‌گیری کنند و عمل مناسب انجام دهند. به‌عنوان‌مثال، یک ربات صنعتی در کارخانه می‌تواند با دیدن قطعات و موقعیت آن‌ها (از طریق بینایی کامپیوتر) تصمیم بگیرد که چگونه بازوی مکانیکی خود را حرکت دهد تا قطعه‌ای را بردارد و در جای مناسب قرار دهد. 
یا یک ربات خانگی (مثل جاروبرقی هوشمند) محیط اتاق را اسکن کرده و مسیر بهینه برای تمیز کردن را پیدا می‌کند. در عرصهٔ کاوش نیز ربات‌های هوشمندی مانند مریخ‌نوردها با بهره‌گیری از هوش مصنوعی ناوبری و کاوش در سیارات دیگر را انجام می‌دهند. رباتیک هوشمند به دنبال ساخت ماشین‌هایی است که بتوانند وظایف پیچیده را با دقت و سرعت بالا انجام دهند و در صورت تغییر شرایط، واکنش مناسب نشان دهند.

یادگیری تقویتی؛ آموزش عامل‌ها از طریق پاداش و تنبیه
یکی دیگر از زیر شاخه‌های هوش مصنوعی را باید در حوزه‌های تخصصی جستجو کرد. یادگیری تقویتی (Reinforcement Learning) یکی از این زیرشاخه‌هاست. به عبارتی آموزش عامل‌ها از طریق پاداش و تنبیه مثل بازی Go. یادگیری تقویتی رویکردی در یادگیری ماشین است که بر اساس پاداش و جریمه عمل می‌کند. در این روش، یک عامل هوشمند (مانند یک ربات یا یک برنامهٔ کامپیوتری) در محیطی قرار می‌گیرد و اقداماتی انجام می‌دهد. هر اقدام این عامل، متناسب با خوب یا بد بودن، از محیط بازخورد دریافت می‌کند که می‌تواند مثبت (پاداش) یا منفی (جریمه) باشد. هدف عامل هوشمند این است که با آزمون و خطا، راهبردی را یاد بگیرد که بیشترین پاداش ممکن را دریافت کند. 
سیستم‌های خبره (Expert Systems)هم هست؛ شبیه‌سازی تصمیم‌گیری متخصصان انسانی در حوزه‌های خاص. سیستم‌های خبره یکی از نخستین نمونه‌های کاربردی هوش مصنوعی بودند که در دهه‌های ۱۹۷۰ و ۱۹۸۰ توسعه یافتند. این سیستم‌ها برای انجام وظایف مشابه با متخصصان انسانی در حوزه‌های مختلف (مانند پزشکی، زمین‌شناسی، و مشاورهٔ مالی) طراحی شده بودند. هوش مصنوعی تولیدی  (Generative AI)  یا همان تولید محتوای جدید مانند متن، تصویر یا موسیقی هم یکی دیگر از زیرشاخه‌های هوش مصنوعی به حساب می‌آید. 

از اخلاق در هوش مصنوعی تا بهینه‌سازی ترافیک

مباحث نوظهور در هوش مصنوعی در سال 2025 عبارتند از اخلاق در هوش مصنوعی(AI Ethics) ؛ بررسی مسائل عدالت، شفافیت و حریم خصوصی. هوش مصنوعی توضیح‌پذیر (XAI)؛توسعه مدل‌هایی که تصمیماتشان برای انسان قابل درک است. محاسبات عصبی-نمادین (Neuro-Symbolic AI)؛ترکیب یادگیری عمیق با منطق نمادین برای استدلال پیچیده. در بحث  کاربردهای صنعتی هوش مصنوعی هم می‌توان به هوش مصنوعی در سلامت (Healthcare AI) اشاره داشت به عنوان نمونه تشخیص بیماری‌ها از طریق تصاویر پزشکی. در مقوله مسائل مالی هم هوش مصنوعی ورود کرده و می‌توان از آن برای  تحلیل ریسک، تشخیص تقلب در تراکنش‌ها استفاده کرد. مبحث بعدی شهرهای هوشمند (Smart Cities) هستند که به واسطه آنها می‌توان به  بهینه‌سازی ترافیک و مصرف انرژی با IoT و A امیدوار بود.