بینایی ماشین چیست؟ راهنمای کامل Computer Vision در هوش مصنوعی

وقتی گوشی شما با نگاه کردن به صورتتان قفلش باز می‌شود، وقتی ماشین‌های خودران عابر پیاده را از تیر چراغ برق تشخیص می‌دهند، یا وقتی یک اپلیکیشن پزشکی روی عکس رادیولوژی، نشانه‌های اولیه سرطان را پیدا می‌کند، همه این‌ها به یک فناوری واحد وابسته‌اند: بینایی ماشین.

بینایی ماشین (Computer Vision) شاخه‌ای از هوش مصنوعی است که به کامپیوترها یاد می‌دهد دنیای بصری اطراف را ببینند، بفهمند و درباره آن تصمیم بگیرند. با این حال، حتی پیشرفته‌ترین سیستم‌های امروزی هنوز به اندازه چشم و مغز انسان دقیق و سریع نیستند.

در این مقاله، از تعریف دقیق بینایی ماشین شروع می‌کنیم، تاریخچه‌اش را با اسم و تاریخ واقعی مرور می‌کنیم و می‌بینیم این حوزه در سال ۱۴۰۵ (۲۰۲۶ میلادی) دقیقاً کجا ایستاده و چه کاربردهایی در زندگی واقعی دارد.

بینایی ماشین چیست؟

به زبان ساده‌تر، کامپیوتر با استفاده از تصاویر دیجیتالی که از دوربین‌ها، ویدیوها یا حسگرهای عمق می‌گیرد، الگوهایی از پیکسل‌ها را با کمک مدل‌های شبکه عصبی عمیق تحلیل می‌کند. خروجی این تحلیل یک برچسب یا تصمیم است: «این یک گربه است»، «این عابر پیاده در حال عبور است» یا «این ناحیه از عکس رادیولوژی مشکوک است».

نکته مهم این است که بینایی ماشین زیرمجموعه هوش مصنوعی است، نه معادل آن. هوش مصنوعی مفهومی گسترده‌تر است که شامل زبان، تصمیم‌گیری و یادگیری هم می‌شود؛ بینایی ماشین فقط بخش «دیدن» را پوشش می‌دهد.

بینایی ماشین چه فرقی با دید انسان دارد؟

مغز انسان در کسری از ثانیه یک صحنه شلوغ را می‌فهمد، بدون آنکه نیاز به میلیون‌ها نمونه آموزشی داشته باشد. کامپیوتر برعکس این مسیر را طی می‌کند: هیچ درک ذاتی از دنیا ندارد و باید همه‌چیز را از روی داده یاد بگیرد.

تصور کنید در حال حل یک پازل هستید. شما تمام تکه‌ها را دارید و باید آن‌ها را کنار هم بگذارید تا یک تصویر کامل بسازید. کامپیوتر هم دقیقاً همین کار را می‌کند، اما هیچ‌وقت تصویر روی جعبه پازل را از قبل ندیده است. شبکه‌های عصبی لبه‌های تصویر را تشخیص می‌دهند، مولفه‌های ساده را شناسایی می‌کنند و لایه‌به‌لایه، تکه‌های تصویر را کنار هم می‌گذارند تا به یک نتیجه برسند.

فرآیند آموزش هم به همین شکل است. برای اینکه کامپیوتر یک گربه را تشخیص دهد، هیچ‌کس اجزای بدن گربه را برایش تعریف نمی‌کند. به‌جای آن، میلیون‌ها عکس گربه در اختیارش قرار می‌گیرد و خود مدل، ویژگی‌های مشترک را کشف می‌کند: شکل گوش، بافت مو، نسبت اندازه سر به بدن. همین باعث می‌شود بینایی ماشین در برابر داده‌های جدید و متفاوت، انعطاف‌پذیر باشد.

تاریخچه بینایی ماشین: از دهه ۱۹۵۰ تا امروز

مطالعات اولیه بینایی ماشین به دهه ۱۹۵۰ برمی‌گردد، جایی که پژوهشگران از مدل‌های ساده شبکه عصبی برای تشخیص لبه‌های اشیا و دسته‌بندی شکل‌های هندسی ساده مثل مربع و دایره استفاده می‌کردند.

اولین استفاده تجاری در دهه ۱۹۷۰ اتفاق افتاد: سیستم‌های تشخیص حروف نوری (OCR) که متن دست‌نویس یا تایپ‌شده را می‌خواندند و کاربرد مهمی هم داشتند، تبدیل متن نوشته‌شده به صدا برای افراد نابینا. با رشد اینترنت در دهه ۱۹۹۰ و انباشته شدن حجم عظیمی از عکس‌های آنلاین، اولین برنامه‌های تشخیص چهره هم ظاهر شدند.

اما جهش واقعی از دو نقطه عطف مشخص شروع شد:

روند بهبود دقت تشخیص تصویر پس از این پیروزی، در چالش رسمی ImageNet این‌طور بود:

در سال ۲۰۱۵، مدل ResNet ساخته تیم مایکروسافت ریسرچ به نرخ خطای ۳٫۵۷٪ رسید، یعنی پایین‌تر از خطای ۵٫۱٪ که آندری کارپثی، پژوهشگر وقت استنفورد، در آزمایش دستی خودش روی همین مجموعه داده ثبت کرده بود. نکته مهم این است که این عدد خطای یک نفر متخصص و آموزش‌دیده بود، نه میانگین دقت همه انسان‌ها؛ با این حال، عبور مدل‌ها از این آستانه، لحظه‌ای نمادین برای این حوزه بود.

بینایی ماشین چگونه کار می‌کند؟

هر سیستم بینایی ماشین، از ساده‌ترین تا پیچیده‌ترین، سه مرحله اصلی را طی می‌کند.

در عمل، این سه مرحله با ترکیبی از تکنیک‌های زیر پیاده‌سازی می‌شوند:

برنامه‌های ساده معمولاً فقط از یکی از این روش‌ها استفاده می‌کنند، اما سیستم‌های پیچیده‌ای مثل خودروهای خودران، به‌طور همزمان از ترکیب چندین روش بهره می‌برند.

از شبکه‌های پیچشی تا ترنسفورمرها: بینایی ماشین در ۱۴۰۵

از پیروزی AlexNet در سال ۲۰۱۲ تا سال ۲۰۲۰، شبکه‌های عصبی پیچشی (CNN) تقریباً بدون رقیب، استاندارد بینایی ماشین بودند. اما این سلطه هشت‌ساله در پاییز ۲۰۲۰ به چالش کشیده شد.

همین شباهت معماری، مسیر را برای نسل جدیدی از هوش مصنوعی هموار کرد: مدل‌های چندوجهی (Multimodal) که هم‌زمان تصویر و متن را می‌فهمند. مدل‌های فعلی مثل GPT، Gemini و Claude دیگر فقط با متن کار نمی‌کنند؛ می‌توانند یک عکس را ببینند، توضیح دهند و درباره‌اش سؤال پاسخ دهند. بر اساس تخته امتیاز عمومی Artificial Analysis برای آزمون استدلال چندوجهی MMMU-Pro، در سال ۱۴۰۵ همه مدل‌های پیشرو، بالای ۸۰٪ امتیاز می‌گیرند و به سطح متخصصان انسانی نزدیک شده‌اند.

در کنار این روند، نیاز به تشخیص اشیا در لحظه هم مسیر جداگانه‌ای باز کرد. در سال ۲۰۱۶، جوزف ردمون و همکارانش الگوریتم YOLO (You Only Look Once) را معرفی کردند: به‌جای پردازش تصویر در چند مرحله جداگانه، یک شبکه عصبی در یک عبور واحد، همه اشیای داخل فریم را همزمان تشخیص می‌دهد. همین سرعت باعث شده YOLO هنوز هم، با نسخه‌های به‌روزشده تا سال ۱۴۰۴، پایه بسیاری از سیستم‌های رانندگی خودران، رباتیک و نظارت تصویری باشد.

بینایی ماشین در دنیای واقعی چه کاری انجام می‌دهد؟

این آمار انتزاعی نیستند، دو نمونه مستند از تاثیر واقعی بینایی ماشین در جان انسان‌ها را ببینید.

نکته مشترک هر دو نمونه این است: بینایی ماشین در این موارد جایگزین انسان نشده، کنار او کار می‌کند. رادیولوژیست‌ها تصمیم نهایی را می‌گیرند، هوش مصنوعی فقط نگاه دومی است که خسته نمی‌شود.

آیا مغز انسان هم مثل بینایی ماشین کار می‌کند؟

این سؤالی است که مسیر برعکس را طی می‌کند: به‌جای اینکه از بینایی انسان الهام بگیریم تا ماشین بسازیم، پژوهشگران حالا از مدل‌های کامپیوتری استفاده می‌کنند تا بفهمند مغز انسان چطور کار می‌کند.

در پژوهشی از دانشگاه MIT (اسفند ۱۳۹۸ / مارس ۲۰۲۰)، تیمی به سرپرستی جاش تننبام، مدلی کامپیوتری ساختند که فرآیند «گرافیک معکوس کارآمد» (efficient inverse graphics) را شبیه‌سازی می‌کند. فرض این مدل این است که مغز، وقتی چهره‌ای را می‌بیند، مراحل یک برنامه گرافیکی کامپیوتری را برعکس اجرا می‌کند تا از یک تصویر دوبعدی، یک بازنمایی سه‌بعدی بسازد.

«مغز ما به این شکل کار نمی‌کند که فقط یک برچسب روی جسم بگذارد. ما شکل، هندسه، سطح و بافت جسم را می‌بینیم؛ دنیایی بسیار غنی‌تر از یک برچسب ساده به دست می‌آوریم.»

ییکل یلدیریم، پژوهشگر سابق MIT، اکنون عضو هیئت‌علمی دانشگاه ییل

مغز انسان تنها در ۱۰۰ تا ۲۰۰ میلی‌ثانیه، یک بازنمایی جزئی از صحنه می‌سازد؛ الگوریتم‌های کامپیوتری معادل، معمولاً چرخه‌های تکراری بسیار بیشتری نیاز دارند. مدل MIT نشان داد شبکه‌های عصبی سلسله‌مراتبی می‌توانند بخشی از این سرعت را بازتولید کنند، بدون آنکه از داده‌های برچسب‌گذاری‌شده معمول استفاده کنند.

بینایی ماشین و آموزش برنامه‌نویسی به کودکان

خبر خوب این است که برای فهمیدن منطق پشت بینایی ماشین، نیازی به دانستن ریاضیات پیچیده نیست. بسیاری از ابزارهای آموزشی امروز، مثل پروژه‌های بازی و رباتیک مبتنی بر هوش مصنوعی برای کودکان، همین ایده اصلی «آموزش با نمونه» را به‌شکل ساده و بصری به بچه‌ها نشان می‌دهند: به کامپیوتر مثال بدهید، نه دستور مستقیم.

کودکی که با منطق طبقه‌بندی و تشخیص الگو آشنا شود، همان تفکر پایه‌ای را می‌سازد که پشت هر سیستم بینایی ماشین قرار دارد؛ نه لزوماً برای اینکه فردا مهندس هوش مصنوعی شود، بلکه برای اینکه بفهمد این فناوری‌هایی که هر روز با آن‌ها زندگی می‌کند، دقیقاً چطور تصمیم می‌گیرند.

سوالات رایج