تفاوت AGI با هوش مصنوعی معمولی چیست؟

تفاوت AGI با هوش مصنوعی معمولی چیست؟

هوش مصنوعی در چند سال گذشته از یک فناوری تخصصی به ابزاری تبدیل شده که در جست‌وجو، تولید محتوا، برنامه‌نویسی، ترجمه، تحلیل داده، تشخیص تصویر و ده‌ها کاربرد دیگر استفاده می‌شود. اما با مطرح‌شدن مفهوم AGI یا «هوش مصنوعی عمومی»، یک سؤال مهم شکل گرفته است:

مطالب مشابه: AGI چیست؟ هوش مصنوعی عمومی به زبان ساده

تفاوت AGI با هوش مصنوعی معمولی چیست؟

آیا ChatGPT و ابزارهای هوش مصنوعی امروزی همان AGI هستند؟ اگر یک مدل بتواند هم‌زمان متن بنویسد، کدنویسی کند، تصویر را تحلیل کند و به سؤال‌های پیچیده پاسخ دهد، آیا می‌توان آن را هوش مصنوعی عمومی دانست؟

مطالب مشابه: تفاوت هوش مصنوعی، یادگیری ماشین و یادگیری عمیق چیست؟

پاسخ کوتاه خیر است؛ دست‌کم بر اساس تعریف‌های رایج و وضعیت فعلی فناوری.

هوش مصنوعی معمولی یا Narrow AI معمولاً برای انجام یک وظیفه یا مجموعه‌ای مشخص از وظایف طراحی می‌شود، درحالی‌که AGI ایده ساخت سیستمی است که بتواند مانند انسان در حوزه‌های مختلف یاد بگیرد، استدلال کند، دانش خود را به مسائل جدید منتقل کند و با شرایط ناشناخته سازگار شود.

در ادامه تفاوت این دو را بدون اصطلاحات پیچیده بررسی می‌کنیم.

هوش مصنوعی معمولی چیست؟

هوش مصنوعی یا AI یک مفهوم بسیار گسترده است و به فناوری‌هایی گفته می‌شود که به ماشین‌ها اجازه می‌دهند برخی کارهایی را انجام دهند که معمولاً به توانایی‌های انسانی مانند تشخیص الگو، یادگیری، تصمیم‌گیری، پردازش زبان یا حل مسئله نیاز دارند.

اما چیزی که امروز بیشتر با نام AI می‌شناسیم، عمدتاً در دسته هوش مصنوعی محدود یا Narrow AI قرار می‌گیرد.

نکته مهم این است که «محدود» به معنی ضعیف نیست.

یک سیستم هوش مصنوعی محدود می‌تواند در یک کار خاص حتی از انسان بهتر عمل کند.

برای مثال:

• تشخیص چهره
• تشخیص اسپم
• پیشنهاد فیلم و موسیقی
• ترجمه ماشینی
• تشخیص بعضی الگوهای پزشکی
• تولید متن و تصویر
• پیش‌بینی تقاضا
• تشخیص اشیا در تصاویر
• کمک به برنامه‌نویسی

همگی می‌توانند نمونه‌هایی از کاربرد AI باشند.

بنابراین وقتی می‌گوییم AI معمولی، منظورمان لزوماً یک سیستم ساده نیست؛ بلکه سیستمی است که گستره توانایی آن محدود به مجموعه‌ای از وظایف و قابلیت‌های مشخص است.

AGI چیست؟

AGI مخفف Artificial General Intelligence یا هوش مصنوعی عمومی است.

AGI هنوز یک فناوری محقق‌شده و مورد توافق عمومی نیست؛ بلکه مفهومی برای ساخت سیستم‌هایی است که بتوانند طیف بسیار گسترده‌ای از فعالیت‌های فکری را مانند انسان یا حتی بهتر از انسان انجام دهند.

یک AGI ایده‌آل باید بتواند:

• موضوعات جدید را یاد بگیرد
• دانش قبلی خود را به مسائل جدید منتقل کند
• در شرایط ناشناخته تصمیم بگیرد
• مسئله‌های جدید را حل کند
• درباره مسائل مختلف استدلال کند
• از تجربه‌های قبلی استفاده کند
• بدون آموزش اختصاصی برای هر کار، مهارت‌های تازه کسب کند
• بین حوزه‌های مختلف ارتباط برقرار کند
• با تغییر شرایط خود را تطبیق دهد

به زبان ساده، AI معمولی معمولاً یک «حوزه فعالیت» دارد؛ اما AGI قرار است توانایی عمومی حل مسئله داشته باشد.

Stanford HAI نیز AGI را سیستمی با توانایی عمومی و در سطح انسانی یا بالاتر برای یادگیری، استدلال و استفاده از دانش در طیف گسترده‌ای از وظایف و حوزه‌ها توصیف می‌کند.

مهم‌ترین تفاوت AGI و AI چیست؟

تفاوت اصلی را می‌توان در چند ویژگی خلاصه کرد:

ویژگی	هوش مصنوعی معمولی	AGI
دامنه فعالیت	محدود یا مشخص	بسیار گسترده
یادگیری مهارت جدید	معمولاً نیازمند آموزش یا تنظیم جدید	باید بتواند مستقل‌تر یاد بگیرد
سازگاری	محدود به شرایط و توانایی‌های طراحی‌شده	سازگاری عمومی با شرایط جدید
حل مسئله	معمولاً در حوزه‌های مشخص	در حوزه‌های مختلف
انتقال دانش	محدودتر	گسترده و قابل انتقال
استدلال عمومی	محدود یا وابسته به نوع کار	در سطح عمومی و انعطاف‌پذیر
کار با مسائل ناشناخته	ممکن است عملکرد ضعیفی داشته باشد	باید بتواند با مسئله جدید کنار بیاید
وضعیت فعلی	وجود دارد	هنوز مورد توافق به‌عنوان فناوری تحقق‌یافته نیست

البته این جدول یک ساده‌سازی آموزشی است؛ زیرا حتی درباره اینکه دقیقاً چه سطحی از توانایی باید «AGI» نامیده شود، میان متخصصان توافق کاملی وجود ندارد.

تفاوت AI و AGI با یک مثال ساده

فرض کنید یک سیستم هوش مصنوعی برای تشخیص بیماری‌های خاص آموزش داده شده است.

این سیستم می‌تواند تصاویر پزشکی را بررسی کند و احتمال وجود یک بیماری را تخمین بزند.

اما اگر از همان سیستم بخواهید یک قرارداد حقوقی را تحلیل کند، برای یک کودک داستان بنویسد، یک آزمایش علمی طراحی کند یا یک ربات را در محیط ناشناخته هدایت کند، لزوماً نمی‌تواند این کارها را انجام دهد.

این یک نمونه از هوش مصنوعی محدود است.

حالا تصور کنید سیستمی وجود داشته باشد که بتواند ابتدا اطلاعات پزشکی را یاد بگیرد، سپس سراغ حقوق برود، بعد یک زبان جدید یاد بگیرد، برای یک مسئله علمی راه‌حل پیدا کند و در ادامه بدون ساخت یک مدل کاملاً جدید، مهارت تازه‌ای کسب کند.

چنین انعطاف‌پذیری عمومی چیزی است که از AGI انتظار می‌رود.

آیا ChatGPT یک AGI است؟

خیر، دست‌کم بر اساس تعریف رایج و معیارهای فعلی نمی‌توان ChatGPT را AGI دانست.

ChatGPT یک سیستم هوش مصنوعی بسیار توانمند و چندمنظوره است و می‌تواند کارهای زیادی مانند:

• نوشتن متن
• خلاصه‌سازی
• ترجمه
• برنامه‌نویسی
• تحلیل اطلاعات
• پاسخ به پرسش‌ها
• بررسی تصاویر
• کمک به پژوهش
• تولید ایده

را انجام دهد.

همین گستردگی باعث شده بعضی افراد تصور کنند مدل‌های زبانی بزرگ به AGI نزدیک شده‌اند.

اما چندمنظوره بودن با AGI یکی نیست.

IBM نیز تأکید می‌کند که مدل‌های زبانی فعلی با وجود توانایی انجام طیف گسترده‌ای از کارها، هنوز از سازگاری عمومی در سطح انسانی، درک کامل دنیای واقعی و توانایی عمومی حل مسئله‌ای که معمولاً برای AGI در نظر گرفته می‌شود، فاصله دارند.

پس چرا ChatGPT شبیه AGI به نظر می‌رسد؟

دلیل اصلی، افزایش چشمگیر توانایی مدل‌های زبانی و چندوجهی است.

مدل‌های جدید می‌توانند در یک مکالمه درباره موضوعات مختلف صحبت کنند و حتی در یک جلسه از نوشتن مقاله به کدنویسی، تحلیل تصویر یا حل مسئله ریاضی بروند.

این ویژگی، مرز بین «هوش مصنوعی محدود» و «هوش عمومی» را برای کاربران کمتر واضح کرده است.

اما یک تفاوت مهم همچنان وجود دارد:

توانایی انجام تعداد زیادی وظیفه، لزوماً به معنی داشتن هوش عمومی انسانی نیست.

AGI باید بتواند دانش و مهارت را در موقعیت‌های جدید به شکلی قابل‌اعتماد و عمومی به کار بگیرد.

تفاوت AGI با هوش مصنوعی مولد چیست؟

یکی دیگر از اشتباهات رایج، یکی دانستن Generative AI و AGI است.

هوش مصنوعی مولد یا Generative AI به سیستم‌هایی گفته می‌شود که می‌توانند محتوای جدید مانند:

• متن
• تصویر
• ویدیو
• صدا
• موسیقی
• کد

تولید کنند.

ChatGPT، ابزارهای تولید تصویر و مدل‌های تولید ویدیو نمونه‌هایی از هوش مصنوعی مولد هستند.

اما هوش مصنوعی مولد یک نوع قابلیت یا رویکرد در AI است، نه معادل AGI.

یک مدل می‌تواند در تولید محتوا بسیار قدرتمند باشد، اما همچنان در چارچوب قابلیت‌های مشخص خود فعالیت کند.

تفاوت در یادگیری

یکی از مهم‌ترین تفاوت‌های مورد انتظار بین AI معمولی و AGI، نحوه یادگیری است.

سیستم‌های AI امروزی معمولاً در یک فرایند آموزش گسترده روی داده‌های مشخص توسعه پیدا می‌کنند و سپس برای انجام وظایف خاص مورد استفاده قرار می‌گیرند.

البته برخی مدل‌های جدید می‌توانند در زمان استفاده از ابزار، اطلاعات جدید دریافت کنند، از نمونه‌های جدید یاد بگیرند یا با کمک روش‌های مختلف خود را با وظیفه تطبیق دهند.

اما این با چیزی که از یادگیری عمومی و پایدار یک AGI انتظار می‌رود تفاوت دارد.

AGI باید بتواند با یک مسئله جدید مواجه شود، آن را بفهمد، دانش مرتبط را پیدا کند و مهارت لازم برای حل آن را به دست آورد.

IBM نیز «توانایی یادگیری وظایف جدید» را یکی از رویکردهای مهم برای تعریف AGI می‌داند.

تفاوت در استدلال و حل مسئله

یک سیستم AI ممکن است در یک آزمون خاص عملکرد فوق‌العاده‌ای داشته باشد، اما عملکرد بالا در یک آزمون به‌تنهایی اثبات‌کننده AGI نیست.

AGI باید بتواند از دانسته‌های قبلی برای حل مسئله‌ای استفاده کند که دقیقاً مشابه نمونه‌های قبلی نیست.

این موضوع به تعمیم یا Generalization مربوط می‌شود.

برای مثال، اگر یک سیستم هزاران مسئله ریاضی دیده باشد، حل یک مسئله مشابه الزاماً نشان نمی‌دهد که می‌تواند مفهوم پشت مسئله را به شکل عمومی درک کند.

یکی از دلایل اهمیت آزمون‌هایی مانند ARC-AGI نیز بررسی توانایی سیستم‌ها برای حل مسائل جدید و تعمیم الگوهاست.

بنابراین در بحث AGI، فقط سؤال «چقدر باهوش است؟» مطرح نیست؛ بلکه سؤال مهم‌تر این است:

آیا می‌تواند در شرایطی که قبلاً ندیده، خودش راه‌حل پیدا کند؟

تفاوت در سازگاری با شرایط جدید

انسان وقتی وارد یک محیط جدید می‌شود، معمولاً می‌تواند با مشاهده، آزمون و خطا و استفاده از تجربه قبلی خود را با محیط سازگار کند.

مثلاً اگر یک ابزار جدید را برای اولین بار ببینید، احتمالاً با کمی بررسی متوجه می‌شوید چگونه باید از آن استفاده کنید.

یک AGI نیز باید چنین انعطاف‌پذیری عمومی داشته باشد.

اما بسیاری از سیستم‌های AI برای شرایط و وظایف مشخص بهینه شده‌اند.

به همین دلیل، سازگاری با ناشناخته‌ها یکی از مهم‌ترین مرزهای مفهومی بین AI و AGI است.

آیا AGI فقط نسخه قوی‌تر AI است؟

نه دقیقاً.

ممکن است در نگاه اول تصور کنیم AGI همان AI است که فقط قدرت پردازشی بیشتری دارد.

اما مسئله پیچیده‌تر از این است.

AGI فقط به قدرت بیشتر نیاز ندارد؛ بلکه باید قابلیت‌هایی مانند:

• یادگیری عمومی
• انتقال دانش
• استدلال قابل‌اعتماد
• حافظه پایدار
• درک زمینه
• برنامه‌ریزی
• سازگاری
• حل مسائل جدید
• تعامل مؤثر با جهان

را به شکل یکپارچه ارائه کند.

به همین دلیل، ساخت AGI صرفاً با افزایش اندازه مدل یا اضافه‌کردن داده بیشتر حل نمی‌شود.

آیا هوش مصنوعی امروز می‌تواند به AGI تبدیل شود؟

این موضوع یکی از بحث‌های داغ پژوهشگران AI است.

برخی متخصصان معتقدند مدل‌های بنیادین و مدل‌های چندوجهی امروزی می‌توانند یکی از پایه‌های رسیدن به AGI باشند.

در مقابل، گروهی دیگر معتقدند معماری‌های فعلی هنوز مشکلات بنیادی در زمینه‌هایی مانند حافظه بلندمدت، استدلال قابل‌اعتماد، یادگیری مداوم، درک دنیای واقعی و تعمیم به مسائل کاملاً جدید دارند.

IBM نیز اشاره می‌کند که مدل‌های بنیادین می‌توانند یکی از اجزای سازنده AGI باشند، اما به‌تنهایی AGI محسوب نمی‌شوند و احتمالاً قابلیت‌های بیشتری لازم است.

بنابراین بهتر است درباره این موضوع با احتیاط صحبت کنیم:

هوش مصنوعی امروز ممکن است بخشی از مسیر رسیدن به AGI باشد، اما نمی‌توان صرفاً از روی پیشرفت مدل‌های فعلی نتیجه گرفت که AGI ساخته شده است.

Agentic AI چه تفاوتی با AGI دارد؟

این تفاوت برای کاربران امروزی بسیار مهم است.

Agentic AI یا هوش مصنوعی عامل‌محور به سیستم‌هایی گفته می‌شود که می‌توانند یک هدف را دریافت کنند، برنامه‌ریزی کنند، چند مرحله را اجرا کنند، از ابزارها استفاده کنند و بر اساس نتیجه اقدامات خود تصمیم بعدی را بگیرند.

مثلاً یک AI Agent ممکن است بتواند:

1. یک هدف دریافت کند.
2. اطلاعات موردنیاز را جست‌وجو کند.
3. فایل‌ها را بررسی کند.
4. یک برنامه بنویسد.
5. نتیجه را آزمایش کند.
6. خطاها را اصلاح کند.
7. خروجی نهایی را تحویل دهد.

اما Agentic AI لزوماً AGI نیست.

ممکن است یک عامل بسیار مستقل باشد ولی همچنان در یک محدوده مشخص فعالیت کند.

Stanford و IBM نیز میان «استقلال در انجام کار» و «هوش عمومی» تفاوت قائل می‌شوند. Agentic AI بیشتر بر اجرای مستقل اهداف و وظایف تمرکز دارد، درحالی‌که AGI بر گستره و انعطاف‌پذیری هوش تمرکز می‌کند.

تفاوت AI، AGI و ASI چیست؟

برای درک بهتر موضوع، سه مفهوم را کنار هم قرار دهیم.

AI یا هوش مصنوعی

فناوری گسترده‌ای که به ماشین‌ها اجازه می‌دهد برخی وظایف نیازمند هوش انسانی را انجام دهند.

امروز وجود دارد.

AGI یا هوش مصنوعی عمومی

سیستمی فرضی که بتواند در طیف گسترده‌ای از وظایف فکری، توانایی عمومی نزدیک به انسان یا بالاتر داشته باشد.

هنوز تعریف واحد و مورد توافقی برای آن وجود ندارد و تحقق آن قطعی نشده است.

ASI یا ابرهوش مصنوعی

مفهومی فراتر از AGI که در آن هوش مصنوعی از انسان در طیف بسیار گسترده‌ای از توانایی‌های شناختی فراتر می‌رود.

فعلاً یک مفهوم نظری است.

پس می‌توان مسیر را به‌صورت ساده این‌گونه تصور کرد:

AI محدود → AGI → ASI

البته این یک مدل مفهومی ساده‌شده است و لزوماً مسیر واقعی پیشرفت فناوری نخواهد بود.

آیا AGI در حال حاضر ساخته شده است؟

در اینجا باید از پاسخ‌های قطعی و تبلیغاتی دوری کنیم.

تا امروز تعریف واحدی برای AGI و یک آزمون جهانی و مورد توافق برای اثبات تحقق آن وجود ندارد. به همین دلیل، ممکن است یک شرکت یا پژوهشگر ادعا کند سیستمش به AGI نزدیک شده، درحالی‌که گروه دیگری همان سیستم را هنوز یک AI بسیار پیشرفته بداند.

Stanford HAI نیز صراحتاً به نبود یک آزمون پذیرفته‌شده جهانی برای AGI اشاره می‌کند.

به همین دلیل بهتر است به جای اینکه بگوییم «AGI قطعاً وجود دارد» یا «AGI قطعاً سال خاصی ساخته می‌شود»، وضعیت فعلی را این‌گونه بیان کنیم:

سیستم‌های AI به سمت قابلیت‌های عمومی‌تر حرکت کرده‌اند، اما درباره اینکه چه زمانی باید آنها را AGI نامید، اجماع علمی وجود ندارد.

چرا تفاوت AI و AGI اهمیت دارد؟

شاید این سؤال پیش بیاید که این تفاوت صرفاً یک بحث علمی نیست؟

در واقع اهمیت زیادی دارد.

اگر یک سیستم AI محدود باشد، می‌توانیم قابلیت‌های آن را بهتر مشخص کنیم و بدانیم در چه شرایطی احتمال خطا وجود دارد.

اما یک AGI واقعی، در صورت تحقق، می‌تواند بسیار انعطاف‌پذیرتر باشد و در حوزه‌های مختلف فعالیت کند.

این موضوع می‌تواند فرصت‌های بزرگی ایجاد کند، اما هم‌زمان پرسش‌های مهمی درباره:

• امنیت
• کنترل سیستم
• حریم خصوصی
• اشتغال
• تصمیم‌گیری خودکار
• مسئولیت‌پذیری
• سوءاستفاده
• هم‌راستایی اهداف AI با اهداف انسان

ایجاد می‌کند.

AGI چه کاربردهایی می‌تواند داشته باشد؟

اگر AGI واقعاً با سطح عمومی توانایی مورد انتظار ساخته شود، کاربردهای احتمالی آن بسیار گسترده خواهد بود.

پزشکی

AGI می‌تواند اطلاعات پزشکی، مقالات علمی، داده‌های آزمایشگاهی و تصاویر را کنار هم قرار دهد و در پژوهش یا تصمیم‌سازی پزشکی کمک کند.

آموزش

می‌تواند برای هر فرد یک روش یادگیری شخصی ایجاد کند و براساس عملکرد دانش‌آموز، روش آموزش را تغییر دهد.

برنامه‌نویسی

می‌تواند یک پروژه نرم‌افزاری را از ایده اولیه تا طراحی، کدنویسی، آزمایش و رفع خطا دنبال کند.

پژوهش علمی

AGI می‌تواند در تحلیل داده‌ها، تولید فرضیه، طراحی آزمایش و بررسی نتایج به پژوهشگران کمک کند.

کسب‌وکار

می‌تواند وظایف پیچیده‌ای مانند تحلیل بازار، برنامه‌ریزی، پیش‌بینی و بهینه‌سازی فرایندها را انجام دهد.

اما تمام این موارد کاربردهای بالقوه هستند، نه قابلیت‌های اثبات‌شده AGI امروزی.

آیا AGI جای هوش مصنوعی معمولی را می‌گیرد؟

اگر AGI روزی ساخته شود و بتواند عملکرد عمومی و قابل‌اعتمادی ارائه دهد، احتمالاً بسیاری از سیستم‌های تخصصی را تحت تأثیر قرار خواهد داد.

اما این به معنی حذف کامل AIهای تخصصی نیست.

در بسیاری از کاربردها، یک سیستم تخصصی می‌تواند:

• ارزان‌تر باشد
• سریع‌تر باشد
• راحت‌تر کنترل شود
• انرژی کمتری مصرف کند
• برای یک وظیفه مشخص دقیق‌تر باشد

بنابراین حتی در دنیایی که AGI وجود داشته باشد، احتمالاً AIهای تخصصی همچنان کاربرد خود را حفظ خواهند کرد.

جمع‌بندی؛ تفاوت AGI با هوش مصنوعی معمولی چیست؟

تفاوت اصلی را می‌توان در یک جمله خلاصه کرد:

هوش مصنوعی معمولی برای انجام وظایف و حوزه‌های مشخص ساخته می‌شود، اما AGI با هدف ایجاد هوشی عمومی طراحی می‌شود که بتواند در حوزه‌های مختلف یاد بگیرد، استدلال کند، دانش خود را منتقل کند و با مسائل جدید سازگار شود.

AI امروزی می‌تواند در بسیاری از کارها فوق‌العاده قدرتمند باشد؛ از تولید متن و تصویر گرفته تا برنامه‌نویسی، تحلیل داده و تشخیص الگو.

اما توانایی بالا در چندین وظیفه به‌تنهایی به معنی AGI نیست.

AGI زمانی معنا پیدا می‌کند که یک سیستم بتواند انعطاف‌پذیری، یادگیری، استدلال و سازگاری عمومی را در طیف وسیعی از شرایط به شکلی قابل‌اعتماد نشان دهد.

به همین دلیل، وقتی درباره AGI صحبت می‌کنیم، نباید فقط بپرسیم:

«این هوش مصنوعی چقدر قدرتمند است؟»

سؤال مهم‌تر این است:

«آیا می‌تواند چیزی کاملاً جدید را یاد بگیرد، آن را بفهمد و دانش خود را در یک موقعیت ناآشنا به کار بگیرد؟»

همین تفاوت، مرز اصلی میان AI امروزی و ایده AGI است.

سوالات متداول

تفاوت اصلی AI و AGI چیست؟

AI معمولاً برای یک وظیفه یا مجموعه مشخصی از وظایف طراحی می‌شود، اما AGI به سیستمی گفته می‌شود که بتواند مانند انسان در حوزه‌های مختلف یاد بگیرد، استدلال کند و خود را با مسائل جدید سازگار کند.

آیا ChatGPT یک AGI است؟

خیر. ChatGPT یک سیستم هوش مصنوعی بسیار توانمند است، اما بر اساس تعریف‌های رایج، AGI محسوب نمی‌شود.

آیا AGI وجود دارد؟

در حال حاضر درباره اینکه چه سیستمی دقیقاً باید AGI نامیده شود، توافق علمی وجود ندارد و آزمون واحدی برای اثبات آن وجود ندارد.

آیا هوش مصنوعی مولد همان AGI است؟

خیر. هوش مصنوعی مولد می‌تواند متن، تصویر، ویدیو، صدا یا کد تولید کند، اما این قابلیت به‌تنهایی به معنی داشتن هوش عمومی نیست.

آیا AGI از AI قدرتمندتر است؟

اگر منظور از AGI، سیستم دارای هوش عمومی در سطح انسان باشد، بله؛ اما تفاوت فقط در قدرت بیشتر نیست. AGI باید توانایی یادگیری، انتقال دانش و سازگاری بسیار گسترده‌تری داشته باشد.

آیا Agentic AI همان AGI است؟

خیر. Agentic AI بر برنامه‌ریزی و اجرای مستقل وظایف تمرکز دارد، اما AGI به گستره و انعطاف‌پذیری عمومی هوش مربوط است.

آیا AGI جای انسان را می‌گیرد؟

نمی‌توان با اطمینان پاسخ داد. حتی اگر AGI ساخته شود، اثر آن بر مشاغل و جامعه به میزان توانایی، نحوه استفاده، قوانین و نحوه توسعه آن بستگی خواهد داشت.

این مطلب بر اساس گزارش وب‌سایت coursera ، forbes ، hammanitech ، servicenow  بازنویسی شده است.