بسم الله الرحمن الرحیم
عنوان:
فلسفه هوش مصنوعی
هوش مصنوعی چیست؟
هوش مصنوعی یا هوش ماشینی (به انگلیسی: Artificial Intelligence) هوش مصنوعی به هوشی که یک ماشین در شرایط مختلف از خود نشان می دهد، گفته می شود. به عبارت دیگر هوش مصنوعی به سیستم هایی گفته می شود که می توانند واکنش هایی مشابه رفتارهای هوشمند انسانی از جمله درک شرایط پیچیده، شبیه سازی فرایندهای تفکری و شیوه های استدلالی انسانی و پاسخ موفق به آنها، یادگیری و توانایی کسب دانش و استدلال برای حل مسایل را داشته باشند. بیشتر نوشته ها و مقاله های مربوط به هوش مصنوعی، آن را به عنوان "دانش شناخت و طراحی عامل های هوشمند
تعریف کرده اند.
هوش مصنوعی را باید عرصهٔ پهناور تلاقی و ملاقات بسیاری از دانش ها، علوم، و فنون قدیم و جدید دانست. ریشه ها و ایده های اصلی آن را باید در فلسفه،زبان شناسی، ریاضیات، روان شناسی، عصب شناسی، فیزیولوژی، تئوری کنترل، احتمالات و بهینه سازی جستجو کرد و کاربردهای گوناگون و فراوانی در علوم رایانه، علوم مهندسی، علوم زیست شناسی و پزشکی، علوم اجتماعی و بسیاری از علوم دیگر دارد.
از زبان های برنامه نویسی هوش مصنوعی می توان به لیسپ، پرولوگ، کلیپس و ویپی اکسپرت اشاره کرد.
یک "عامل هوشمند" سیستمی است که با شناخت محیط اطراف خود، شانس موفقیت خود را پس از تحلیل و بررسی افزایش می دهد.[۳] جان مکارتی که واژه هوش مصنوعی را در سال ۱۹۵۶۶ استفاده نمود، آن را "دانش و مهندسی ساخت ماشین های هوشمند" تعریف کرده است.
هوش مصنوعی در علم پزشکی امروزه به دلیل گسترش دانش و پیچیده تر شدن فرایند تصمیم گیری، استفاده از سیستم های اطلاعاتی به خصوص سیستم های هوش مصنوعی در تصمیم گیری، اهمیت بیشتری یافته است. هوش مصنوعی گسترش دانش در حوزهٔ پزشکی و پیچیدگی تصمیمات مرتبط با تشخیص و درمان – به عبارتی حیات انسان – توجه متخصصین را به استفاده از سیستم های پشتیبان تصمیم گیری در امور پزشکی جلب نموده است. به همین دلیل، استفاده از انواع مختلف سیستم های هوشمند در پزشکی رو به افزایش است، به گونه ای که امروزه تاثیر انواع سیستم های هوشمند در پزشکی مورد مطالعه قرار گرفته است.
تاریخچه
نمونه ای از مدل شبکه عصبی مصنوعی در مغز انسان
هوش مصنوعی توسط فلاسفه و ریاضی دانانی نظیر جرج بول که اقدام به ارائهٔ قوانین و نظریه هایی در مورد منطق نمودند، مطرح شده بود. با اختراع رایانه های الکترونیکی در سال ۱۹۴۳۳، هوش مصنوعی، دانشمندان آن زمان را به چالشی بزرگ فراخواند. دراین شرایط، چنین به نظر می رسید که این فناوری قادر به شبیه سازی رفتارهای هوشمندانه خواهد بود.
با وجود مخالفت گروهی از متفکّرین با هوش مصنوعی که با تردید به کارآمدی آن می نگریستند تنها پس از چهار دهه، شاهد تولد ماشینهای شطرنج باز و دیگرسامانه های هوشمند در صنایع گوناگون شدیم.
نام هوش مصنوعی در سال ۱۹۶۵ میلادی به عنوان یک دانش جدید ابداع گردید. البته فعالیت در این زمینه از سال ۱۹۶۰ میلادی شروع شد. (مرجع۱) بیشتر کارهای پژوهشی اولیه در هوش مصنوعی بر روی انجام ماشینی بازی ها و نیز اثبات قضیه های ریاضی با کمک رایانه ها بود. در آغاز چنین به نظر می آمد که رایانه ها قادر خواهند بود چنین فعالیت هایی را تنها با بهره گرفتن از تعداد بسیار زیادی کشف و جستجو برای مسیرهای حل مسئله و سپس انتخاب بهترین روش برای حل آن ها به انجام رسانند.
اصطلاح هوش مصنوعی برای اولین بار توسط جان مکارتی (که از آن به عنوان پدر علم و دانش تولید ماشین های هوشمند یاد می شود) استفاده شد. وی مخترع یکی از زبان های برنامه نویسی هوش مصنوعی به نام لیسپ (به انگلیسی: lisp) است. با این عنوان می توان به هویت رفتارهای هوشمندانه یک ابزار مصنوعی پی برد. (ساختهٔ دست بشر، غیرطبیعی، مصنوعی) حال آنکه هوش مصنوعی به عنوان یک اصطلاح عمومی پذیرفته شده که شامل محاسبات هوشمندانه و ترکیبی (مرکب از مواد مصنوعی) است.
از اصطلاح "Strong and Weak AI" می توان تا حدودی برای معرفی رده بندی سیستم ها استفاده کرد.
کاربردها
کاربردهای هوش مصنوعی چنان گسترده و فراگیر شده اند که بسیاری از این کاربردها دیگر با نام هوش مصنوعی شناخته نمی شوند و نام تخصصی خود را دارند. تاثیر هوش مصنوعی را اکنون می توان در همه جهات و نقاط زندگی مردم دید. آیفونی که قادر به تشخیص اعضای خانه است یا تلویزیونی که نور صفحه نمایش دلخواه را با تعداد افراد تنظیم می کند، همه و همه کاربردهای هوش مصنوعی هستند.
کاربردهای عملی آن دسته از کاربردهای هوش مصنوعی هستند که عملیات خاصی را انجام داده و عمل یا تاثیر آن به وضوح توسط کاربر احساس خواهد شد. برای مثال جست و جوی خودکار گوگل که از الگوریتم ها و متدهای پیچیده هوش مصنوعی استفاده می کند، پس از انجام یک عملیات پرهزینه و البته سریع نتایج مرتبط را به شما نشان خواهد داد. ماشین هایی که قادر هستند خودشان را کنترل کنند. ربات های پرنده و یا قایق های هوشمند نمونه ای بارز و موفق از این نوع کاربردها هستند.
نیاز به تحلیل و استخراج الگو از داده های ترافیک شهری، دریافتی کارکنان و جابه جایی پول در یک بانک برای جلوگیری از اختلاس یک عملیات نیست و تاثیر یا خود عمل به وضوح توسط کاربر لمس نخواهد شد؛ اما در مقابل یک تحلیل هوشمند و خودکار است که کاربرد تحلیلی هوش مصنوعی به حساب می آید.
آزمون تورینگ
آزمون تورینگ[۴] آزمونی است که توسط آلن تورینگ در سال ۱۹۵۰ در نوشته ای به نام "محاسبات ماشینی و هوشمندی" مطرح شد. در این آزمون شرایطی فراهم می شود که شخصی با ماشینی تعامل برقرار کند و پرسش های کافی برای بررسی اقدامات هوشمندانهٔ ماشین، از آن بپرسد. چنانچه در پایان آزمایش نتواند تشخیص دهد که با انسان و یا با ماشین در تعامل بوده است، آزمون با موفقیت انجام شده است. تا کنون هیچ ماشینی از این آزمون با موفقیت بیرون نیامده است. کوشش این آزمون برای تشخیص درستی هوشمندی یک سیستم است که سعی در شبیه سازی انسان دارد.
تعریف و طبیعت هوش مصنوعی
هنوز تعریف دقیقی برای هوش مصنوعی که مورد توافق دانشمندان این علم باشد ارائه نشده است و این به هیچ وجه مایهٔ تعجب نیست. چرا که مقولهٔ مادر و اساسی تر از آن، یعنی خود هوش هم هنوز بطور همه جانبه و فراگیر تن به تعریف نداده است. در واقع می توان نسل هایی از دانشمندان را سراغ گرفت که تمام دوران زندگی خود را صرف مطالعه و تلاش در راه یافتن جوابی به این سوال عمده نموده اند که: هوش چیست؟
اما اکثر تعریف هایی که در این زمینه ارایه شده اند بر پایه یکی از ۴ باور زیر قرار می گیرند:
1.
1. سیستم هایی که به طور منطقی فکر می کنند
2. سیستم هایی که به طور منطقی عمل می کنند
3. سیستم هایی که مانند انسان فکر می کنند
4. سیستم هایی که مانند انسان عمل می کنند
شاید بتوان هوش مصنوعی را این گونه توصیف کرد: "هوش مصنوعی عبارت است از مطالعه این که چگونه کامپیوترها را می توان وادار به کارهایی کرد که در حال حاضر انسان ها آنها را صحیح یا بهتر انجام می دهند" هوش مصنوعی به هوشی که یک ماشین از خود نشان می دهد و یا به دانشی در کامپیوتر که سعی در ایجاد آن دارد گفته می شود. بیشتر نوشته ها و مقاله های مربوط به هوش مصنوعی آن را "دانش شناخت و طراحی عامل های هوشمند" تعریف کرده اند. یک عامل هوشمند، سیستمی است که با شناخت محیط اطراف خود، شانس موفقیت خود را بالا می برد.
اینکه هوش مصنوعی چیست و چه تعریفی می توان از آن بیان نمود؟ مبحثی است که تاکنون دانشمندان به یک تعریف جامع در آن نرسیده اند و هریک تعریفی را ارائه نموده اند که در زیر نمونه ای از این تعاریف آمده است.
*
* هنر ایجاد ماشینهایی که وظایفی را انجام می دهند که انجام آنها توسط انسانها نیاز به هوش دارد (کورزویل- ۱۹۹۰)
* مطالعهٔ استعدادهای ذهنی از طیق مدل های محاسباتی (کارنیاک و مک درموت – ۱۹۸۵)
* مطالعهٔ اینکه چگونه کامپیوترها را قادر به انجام اعمالی کنیم که در حال حاضر، انسان آن اعمال را بهتر انجام می دهد. (ریچ و نایت -۱۹۹۱)
* خودکارسازی فعالیت هایی که ما آنها را به تفکر انسانی نسبت می دهیم. فعالیت هایی مثل تصمیم گیری، حل مسئله، یادگیری و … (بلمن -۱۹۷۸)
* تلاشی نو و مهیج برای اینکه کامپیوترها را قادر به فکر کردن کنیم. ماشین هایی با فکر و حس تشخیص واقعی (هاگلند-۱۹۸۵)
* یک زمینهٔ تخصصی که به دنبال توضیح و شبیه سازی رفتار هوشمندانه بوسیله فرایندهای کامپیوتری است. (شالکوف -۱۹۹۰)
* مطالعه محاسباتی که درک، استدلال و عمل کردن را توسط ماشین ها را ممکن می سازد. (وینستون – ۱۹۹۲)
* توانایی دست یافتن به کارایی در حد انسان در همهٔ امور شناختی توسط رایانه (آلن تورینگ – ۱۹۵۰)
* هوش مصنوعی دانش و مهندسی ساخت ماشین های هوشمند و به خصوص برنامه های رایانه ای هوشمند است. هوش مصنوعی با وظیفه مشابه استفاده از کامپیوترها برای فهم چگونگی هوش انسان مرتبط است، اما مجبور نیست خودش را به روش هایی محدود کند که بیولوژیکی باشند. (جان مک کارتی – ۱۹۸۰)
* هوش مصنوعی علم طراحی سیستم هایی رایانه ای ویا الکترونیکی است که تلاش می نماید تا رفتار انسان گونه را بازسازی نماید." به عبارت دیگر: هوش مصنوعی علم و مهندسی ایجاد ماشین هایی با هوش با به کارگیری از کامپیوتر و الگوگیری از درک هوش انسانی و یا حیوانی و نهایتاً دستیابی به مکانیزم هوش مصنوعی در سطح هوش انسانی می باشد. (مسعود مولوی-۲۰۰۶)
هوشمندی مفهومی نسبی دارد و نمی توان محدوده صحیحی را برای ارائه تعریف از آن مشخص نمود. رفتاری که از نظر یک فرد هوشمند به نظر می رسد؛ ممکن است برای یک فرد دیگر اینگونه به نظر نرسد. اما در مجموع خصوصیات زیر قابلیت های ضروری برای هوشمندی است:
*
* پاسخ به موقعیت های از قبل تعریف نشده با انعطاف بسیار بالا و بر اساس بانک دانش
* معنا دادن به پیام های نادرست یا مبهم
* درک تمایزها و شباهت ها
* تجزیه و تحلیل اطلاعات و نتیجه گیری
* توانمندی آموختن و یادگرفتن
* برقراری ارتباط دوطرفه
به فرض اینکه تعاریف بالا را از هوشمندی بپذیریم، موارد زیر فهرستی است از وظایفی که از یک سیستم هوشمند انتظار می رود و تقریباً اکثر دانشمندان هوش مصنوعی بر آن توافق نظر دارند به شرح زیر است:
*
* تولید گفتار
* تشخیص و درک گفتار (پردازش زبان طبیعی انسان)
* دستور پذیری و قابلیت انجام اعمال فیزیکی در محیط طبیعی و مجازی
* استنتاج و استدلال
* تشخیص الگو و بازشناسی الگو برای پاسخ گویی به مسائل بر اساس دانش قبلی
* شمایلی گرافیکی و یا فیزیکی جهت ابراز احساسات و عکس العمل های ظریف
* سرعت عکس العمل بالا
فلسفه هوش مصنوعی
نوشتار اصلی: فلسفه هوش مصنوعی
بطور کلی ماهیت وجودی هوش به مفهوم جمع آوری اطلاعات، استقراء و تحلیل تجربیات به منظور رسیدن به دانش و یا ارایه تصمیم است. در واقع هوش به مفهوم به کارگیری تجربه به منظور حل مسائل دریافت شده تلقی می شود. هوش مصنوعی علم و مهندسی ایجاد ماشین هایی هوشمند با به کارگیری از کامپیوتر و الگوگیری از درک هوش انسانی و یا حیوانی و نهایتاً دستیابی به مکانیزم هوش مصنوعی در سطح هوش انسانی است.
در مقایسهٔ هوش مصنوعی با هوش انسانی می توان گفت که انسان قادر به مشاهده و تجزیه و تحلیل مسایل در جهت قضاوت و اخذ تصمیم است در حالی که هوش مصنوعی مبتنی بر قوانین و رویه هایی از قبل تعبیه شده بر روی کامپیوتر است. در نتیجه علی رغم وجود کامپیوترهای بسیار کارا و قوی در عصر حاضر ما هنوز قادر به پیاده کردن هوشی نزدیک به هوش انسان در ایجاد هوش های مصنوعی نبوده ایم.
بطور کلّی، هوش مصنوعی را می توان از زوایای متفاوتی مورد بررسی و مطالعه قرار داد. مابین هوش مصنوعی به عنوان یک هدف، هوش مصنوعی به عنوان یک رشتهٔ تحصیلی دانشگاهی، و یا هوش مصنوعی به عنوان مجموعهٔ فنون و راه کارهایی که توسط مراکز علمی مختلف و صنایع گوناگون تنظیم و توسعه یافته است باید تفاوت قائل بود.
اتاق چینی
اتاق چینی بحثی است که توسط جان سیرل در ۱۹۸۰ مطرح شد در این راستا که یک ماشین نمادگرا هرگز نمی تواند دارای ویژگی هایی مانند مغز و یا فهمیدن باشد. صرف نظر از اینکه چقدر از خود هوشمندی نشان دهد.
مدیریت پیچیدگی
ایجاد و ابداع فنون و تکنیک های لازم برای مدیریت پیچیدگی را باید به عنوان هستهٔ بنیادین تلاش های علمی و پژوهشی گذشته، حال و آینده در تمامی زمینه های علوم رایانه و به ویژه در هوش مصنوعی معرفی کرد. شیوه ها و تکنیک های هوش مصنوعی در واقع، برای حل آن دسته از مسائل به وجود آمده است که به طور سهل و آسان توسط برنامه نویسی تابعی یا شیوه های ریاضی قابل حلّ نبوده اند.
در بسیاری از موارد، با پوشانیدن و پنهان ساختن جزئیّات فاقد اهمیت است که بر پیچیدگی فائق می آییم و می توانیم بر روی بخش هایی از مسئله متمرکز شویم که مهم تر است. تلاش اصلی در واقع، ایجاد و دستیابی به لایه ها و ترازهای بالاتر از هوشمندی انتزاع را نشانه می رود تا آنجا که سرانجام، برنامه های کامپیوتری درست در همان سطحی کار خواهند کرد که خود انسان ها رسیده اند.
به یاری پژوهش های گستردهٔ دانشمندان علوم مرتبط، هوش مصنوعی تاکنون راه بسیاری پیموده است. در این راستا، تحقیقاتی که بر روی توانایی آموختن زبان ها انجام گرفت و همچنین درک عمیق از احساسات، دانشمندان را در پیشبرد این دانش کمک زیادی کرده است. یکی از اهداف متخصصین، تولید ماشینهایی است که دارای احساسات بوده و دست کم نسبت به وجود خود و احساسات خود آگاه باشند. این ماشین باید توانایی تعمیم تجربیات قدیمی خود در شرایط مشابه جدید را داشته و به این ترتیب اقدام به گسترش دامنه دانش و تجربیاتش کند.
برای نمونه ربات هوشمندی که بتواند اعضای بدن خود را به حرکت درآورد، نسبت به این حرکت خود آگاه بوده و با آزمون و خطا، دامنه حرکت خود را گسترش می دهد و با هر حرکت موفقیت آمیز یا اشتباه، دامنه تجربیات خود را وسعت بخشیده و سر انجام راه رفته و یا حتی می دود و یا به روشی برای جابجا شدن دست می یابد که سازندگانش برای او متصور نبوده اند.
هر چند نمونه بالا ممکن است کمی آرمانی به نظر برسد، ولی به هیچ عنوان دور از دسترس نیست. دانشمندان عموماً برای تولید چنین ماشینهایی از وجود مدلهای زنده ای که در طبیعت وجود به ویژه آدمی نیز سود برده اند.
هوش مصنوعی اکنون در خدمت توسعه علوم رایانه نیز هست. زبان های برنامه نویسی پیشرفته، که توسعه ابزارهای هوشمند را ممکن ساخته اند، پایگاه های داده ای پیشرفته، موتورهای جستجو، و بسیاری نرم افزارها و ماشین ها از نتایج پژوهش هایی در راستای هوش مصنوعی بوده اند.
از زبان های برنامه نویسی هوش مصنوعی می توان به لیسپ، پرولوگ، کلیپس و ویپی اکسپرت می باشد.
تکنیک ها و زبان های برنامه نویسی هوش مصنوعی
عملکرد اولیهٔ برنامه نویسی هوش مصنوعی ایجاد ساختار کنترلی مورد لزوم برای محاسبهٔ سمبولیک است. زبان های برنامه نویسی لیسپ و پرولوگ علاوه بر اینکه از مهمترین زبان های مورد استفاده در هوش مصنوعی هستند خصوصیات نحوی و معنایی آنها باعث شده که آنها شیوه ها و راه حل های قوی برای حل مسئله ارایه کنند. تاثیر قابل توجه این زبان ها بر روی توسعه هوش مصنوعی از جمله توانایی های آنها به عنوان ابزارهای فکرکردن است. در حقیقت همان طور که هوش مصنوعی مراحل رشد خود را طی می کند، زبان های لیسپ و پرولوگ بیشتر مطرح می شوند که این زبان ها کار خود را در محدودهٔ توسعه سیستم های هوش مصنوعی در صنعت و دانشگاه ها دنبال می کنند و طبیعتاً اطلاعات در مورد این زبان ها به عنوان بخشی از مهارت هر برنامه نویس هوش مصنوعی است.
*
* پرولوگ: یک زبان برنامه نویسی منطقی است. یک برنامهٔ منطقی دارای یک سری ویژگی های قانون و منطق است. در حقیقت خود این نام از برنامه نویسی PRO در LOGIC می آید. در این زبان یک مفسر برنامه را بر اساس یک منطق می نویسد. ایدهٔ استفادهٔ توصیفی محاسبهٔ اولیه برای بیان خصوصیات حل مسئله یکی از محوریت های پرولوگ است که برای علم کامپیوتر به طور کلی و بطور جزئی برای زبان برنامه نویسی هوشمند مورد استفاده قرار می گیرند.
* لیسپ: اصولاً یک زبان کامل است که دارای عملکردها و لیست های لازمه برای توصیف عملکردهای جدید، تشخیص تناسب و ارزیابی معانی است. لیسپ به برنامه نویس قدرت کامل برای اتصال به ساختارهای اطلاعاتی را می دهد. گر چه لیسپ یکی از قدیمی ترین زبان های محاسباتی است که هنوز فعال است ولی دقت کافی در برنامه نویسی و طراحی توسعه باعث شده است که این یک زبان برنامه نویسی فعال باقی بماند. در حقیقت این مدل برنامه نویسی طوری موثر بوده است که تعدادی از دیگر زبان ها مانند اف پی، ام ال و اسکیم براساس عملکرد برنامه نویسی آن بنا شده اند. یکی از مهمترین برنامه های مرتبط با لیسپ برنامهٔ اسکیم است که یک تفکر دوباره در بارهٔ زبان در آن وجود دارد که بوسیله توسعه هوش مصنوعی وبرای آموزش و اصول علم کامپیوتر مورد استفاده قرار می گیرد.
عامل های هوشمند
نوشتار اصلی: کارگزار هوشمند
عامل ها (Agents) قادر به شناسایی الگوها و تصمیم گیری بر اساس قوانین فکر کردن خود هستند. قوانین و چگونگی فکر کردن هر عامل در راستای دستیابی به هدفش، تعریف می شود. این سیستم ها بر اساس قوانین خاص خود فکر کرده و کار خود را به درستی انجام می دهند. پس عاقلانه رفتار می کنند، هر چند الزاماً مانند انسان فکر نمی کنند.
در بحث هوشمندی اصطلاح پیس (به انگلیسی: PEAS) سرنام واژه های "کارایی (Performance)"، "محیط (Environment)"، "اقدام گر (Agent)" و "حسگر (Sensor)" است.
سیستم های خبره
نوشتار اصلی: سیستم های خبره
سیستم های خبره زمینه ای پرکاربرد در هوش مصنوعی و مهندسی دانش است که با توجه به نیاز روزافزون جوامع بر اتخاذ راه حل ها و تصمیمات سریع در مواردی که دانش های پیچیده و چندگانهٔ انسانی مورد نیاز است و بر اهمیت نقش آنها نیز افزوده می شود. سیستم های خبره به حل مسائلی می پردازند که به طور معمول نیازمند تخصص های کاردانان و متخصّصان انسانی است. به منظور توانایی بر حل مسائل در چنین سطحی (ترازی)، دسترسی هرچه بیشتر اینگونه سامانه ها به دانش موجود در آن زمینه خاص ضروری می گردد.
فلسفه هوش مصنوعی
هدف از مطالعهٔ فلسفهٔ هوش مصنوعی، یافتن رابطهٔ میان ربات ها و تفکر، همچنین یافتن پاسخی برای چنین سوالاتی است:
*
* آیا یک ربات توانایی عملکردی هوشمندانه را دارد؟ آیا او نیز، همانند انسان می تواند مشکلات را با اندیشیدن برطرف کند؟
* آیا ربات می تواند فکر داشته باشد؟ آیا می تواند همان هوشیاری و حالت ذهنی ای که انسان داراست را داشته باشد؟ آیا می تواند حس کند؟
* آیا هوش انسان و هوش ربات یکسانند؟ آیا در اصل، ذهن انسان یک رایانه است؟
سه سوال بالا، در واقع بیانگرdivergent interestِ پژوهشگران حوزهٔ هوش مصنوعی، فیلسوف ها و دانشمندان علوم شناختی است.
پاسخ به این سوالها مستلزم آن است که ما چطور واژه های "هوش" و "هوشیاری" را معنی کنیم، و اینکه بدانیم دقیقاً چه نوع ربات هایی مورد مطالعه قرار داده می شوند.
آیا یک ربات (ماشین) می تواند جلوه ای از هوش عمومی باشد؟
آیا ممکن است روزی ماشینی ساخته شود، که همانند بشر تمامی مشکلات را با هوشش از میان بردارد؟ این سوالی است که پژوهشگران حوزهٔ هوش مصنوعی علاقه مندند، پاسخی به آن بدهند. این پاسخ گسترهٔ توانایی ربات ها را در آینده مشخص کرده و مسیر پژوهشگران هوش مصنوعی را راهنمایی می کند. این تنها به رفتار ربات ها ارتباط داشته و تفکر روانشناسان، دانشمندان علوم شناختی و فیلسوف ها را را مورد بررسی قرار نمی دهند. برای پاسخ به این سوال، لزومی ندارد که یک ماشین واقعاً همانطوری که یک انسان فکر می کند، فکر کند یا اینکه ادای فکر کردن را در بیاورد. جایگاه اصلی پژوهشگران هوش مصنوعی، در این جمله که در طرح پیشنهادی Dartmouth Conferences در سال ۱۹۵۶ مطرح شده است خلاصه می گردد: هر جنبه ای از یادگیری، یا دیگر خصوصیات هوش را می توان چنان بدقت تشریح کرد که یک ماشین (ربات) بتواند آنرا شبیه سازی کند. بحث و جدل علیه قضیهٔ اصلی باید نشان دهد که بوجود آوردن سامانهٔ پویای هوش مصنوعی امکان ندارد. چرا که در حال حاضر توانایی های کامپیوترها، دارای یک سری محدودیت هایی است؛ یا اینکه توانایی های شگرفی برای اندیشیدن در ذهن انسان وجود دارد که هنوز، ماشین ها (یا شیوه هایی که پژوهشگران هوش مصنوعی در این رابطه پیش گرفته اند) قادر به پردازش آنها نیستند و بحث در این خصوص باید مهر تاییدی بر غیر عملی بودن این سامانه باشد.
نخستین گام برای پاسخ به این سوال، یافتن معنی درست واژهٔ "هوش" است.
هوش
بررسی هوشمند بودن کامپیوتر (آزمایش تورینگ)
نوشتار اصلی: آزمایش تورینگ
آلن تورینگ در مقالهٔ مشهور و حائز اهمیت سال ۱۹۵۰ میلادی، مشکل تعریف واژهٔ هوش را به پرسشی ساده در بارهٔ مکالمه تقلیل (تغییر) داد. پیشنهاد وی این بود: اگر یک ماشین قادر باشد که به تمامی پرسش هایی که از آن می شود پاسخ دهد، و از جملاتی که یک انسان از آن استفاده می کند، بهره گیرد، آن موقع است که ما به آن ماشین، باهوش می گوییم. نمونهٔ مدرن طرح وی را می توان در تالارهای برخط گفتگو جستجو کرد؛ جایی که یکی از دو شرکت کننده، انسانی حقیقی و دیگری برنامه ای کامپیوتری است. برنامهٔ کامپیوتری هنگامی می تواند از این آزمون سربلند بیرون بیاید که هیچ کس نتواند بین آن و انسان تمییز قائل شود. تورینگ، خاطر نشان کرد که هیچ کس (به غیر از فلاسفه) هرگز سوالی با این مضمون مطرح نکرده است که: "آیا مردم هم فکر می کنند؟" وی می نویسد: "بجای اینکه مدام دربارهٔ این موضوع بحث کنیم، عادی است که یک polite convention داشته باشیم که همهٔ فکر می کنند." و آزمون تورینگ، اینpolite convention را به ربات ها هم بسط داد.
اگر یک ماشین، بمانند انسان، هوشمندانه عمل کند، آن هنگام است که می توان گفت بمانند انسان، هوشمند است.
مقایسهٔ هوش انسان با مفهوم کلی هوش
یک نقد دربارهٔ آزمون تورینگ این است که این آزمون، کاملاً انسان نماست. اگر هدف نهایی ما خلق ماشین هایی است که هوشمندانه تر از انسان ها عمل کنند، چرا بر این امر تاکید داریم که ماشین ها باید دقیقاً شبیه به انسان باشند؟ به گفتهٔ راسل و نوروینگ، متون نوشته شده توسط مهندسان علم هوانوردی، نمی تواند تعریف درستی برای تولید ماشین هایی باشد که درست مانند کبوترها پرواز کنند، بطوری که دیگر کبوترها نیز فریب بخورند. در پژوهش تازه ای که در حوزهٔ هوش مصنوعی انجام گرفت، واژهٔ هوش در عبارات "عوامل عقلانی" و "عوامل هوشی"، معنا شد. "عامل" چیزی است که در یک محیط، مشاهده و عمل می کند؛ و اندازه گیری عملکرد، بیانگر مقدار موفقیت یک عامل است.
اگر یک "عامل" با توجه به تجربیات و دانش پیشین خود، بیشترین عملکرد را داشته باشد، می توان گفت که باهوش است.
چنین تعریفاتی، سعی در بدست آوردن مفهوم و ماهیت هوش دارند. آنها این مزیت را دارد که بر خلاف آزمون تورینگ، برای ویژگی های انسانی ای که نمی خواهیم به عنوان هوش تلقی شوند، بکار روند، مانند "توانایی توهین کردن" و "وسوسهٔ دروغ گفتن". اما مشکل اساسی آنها این است که نمی توانند، بطور منطقی، بین "چیزهایی که فکر می کند" و "چیزهایی که فکر نمی کنند" تفاوتی قائل شوند. با این تعریف حتی یک دما سنج هم دارای هوشی ابتدایی است.
استدلال هایی که یک ماشین می تواند هوش عمومی را نمایش دهد
مغز می تواند شبیه سازی گردد
بر اساس نوشتهٔ ماروین مینسکی: "اگر دستگاه عصبی از قوانین فیزیک و شیمی پیروی کند، که تمام شواهد هم حاکی از صحَّت این امر است، سپس ما باید بتوانیم که توسط یک دستگاه فیزیکی، عملکرد سیستم عصبی را بازسازی کنیم". این بحث برای نخستین بار در اوایل سال ۱۹۴۳ مطرح شد و توسط هانس موراوک در سال ۱۹۸۸ روشن تر شد؛ و هم اکنون ری کورزول پیش بینی می کند که توانایی کامپیوترها به حدی خواهد رسید که می توانند مغز کامل یک انسان را شبیه سازی کنند. اما برخی پژوهشگران هوش مصنوعی و حتی منتقدین این حوزه مانند هربرت دریفوس و جان سیرل با اینکه این طرح در تئوری تحقق یابد هم رای نیستند. اما سیرل خاطر نشان کرد که در اصل، هر چیزی می تواند توسط کامپیوترها شبیه سازی گردد، و اگر شما بخواهید که به مفهوم شکست، دامنه بزنید، باید بدانید که تمام مراحل محاسبه خواهد شد. وی افزود: "آنچه ما می خواهیم بدانیم این است که چه چیزی ذهن آدمی را از دماسنج و جگر متمایز می کند!" هر مقاله ای که به نوعی با کپی برداری از مغز در ارتباط باشد، مقاله ایست که بر نادانی ما در خصوص چگونگی عملکرد هوش صحّه گذاشته است. اگر ما باید می دانستیم که مغز چگونه هوش مصنوعی را می سازد، هرگز نگران آن (هوش مصنوعی) نبودیم!
تفکر انسان، سَمبُل پردازش است
Physical symbol system معنی لازم و کافی عملکرد هوش عمومی دارد.
این ادعا بسیار محکم است: چرا که معتقد است تفکر انسان نوعی symbol manipulation است (چرا که سامانهٔ سمبل برای هوش ضروری است) و آن ماشین می تواند باهوش باشد. (چرا که سامانهٔ سمبل برای هوش، کافی است) نسخهٔ دیگری از این نظریه را هربرت دریفوس فیلسوف مطرح کرد و آنرا philosophical assumption نامید.
* مغز می تواند بمانند دستگاهی تصور شود که اطلاعاتی را طبق قوانین از پیش تعیین شده بکار می گیرد.
معمولاً، این تفاوت، بین سمبل های سطح بالایی که در دنیای پیرامون هستند، مثل <سگ> و <دُم> و سمبل هایی که پیچیدگی بیشتری دارند و در ماشینهایی مثل سیستم شبکهٔ عصبی بکار گرفته می شوند، دیده می شود. پیشتر، پژوهشی در خصوص هوش مصنوعی توسط جان هاگلند، انجام گرفت که good old fashioned artificial intelligence یا GOFAI نامیده شد. طی این پژوهش سمبل های دسته بالا(high level symbolss) مورد بررسی قرار گرفتند.
مبحثی علیه نماد پردازش
این مباحث نشان می دهد که تفکر انسان شاملِhigh level symbol manipulation. نیست. این مباحث هوش مصنوعی را رد نمی کنند، تنها به چیزی بیش از نماد پردازش اشاره دارند.
لوکاس، پنروز و گودل
در سال ۱۹۳۱ کورت گدل ثابت کرد: که همواره می توان عباراتی را خلق کرد، تا یک سیستم صوری (مانند: برنامهٔ هوش مصنوعی) قادر به اثبات آن نباشد. هر انسانی می تواند با کمی اندیشیدن به صحّت گفته های گودل برسد. این گفته توسط جان لوکاس فیلسوف نیز تایید شده که منطق انسان همواره قوی تر از منطقِ ربات (ماشین)ها ست. وی نوشته است که به نظر من قضیهٔ گدل برای اثبات نقض ماشین گرایی کافی است، چرا که ذهن را نمی توان در قابل ماشین گنجاند. آقای راجر پنروز در کتاب خود به نام "ذهن تازهٔ امپراتور" که در سال ۱۹۸۹۹ منتشر گشت، به این موضوع بیشتر پرداخته است. در این کتاب وی می اندیشد که فرایند مکانیکی کوانتومی که در داخل تک تکِ رشته های عصبی انجام می شود، به انسان قابلیت ویژه ای می دهد که بر ماشین ها غلبه کند.
دریفوس: برتری مهارت های ناخودآگاه
هربرت دریفوس معتقد است که هوش انسان و مهارتش ابتدا به غریزه ناخود آگاهش مربوط است تا conscious symbolic manipulation. و خاطر نشان کرد که این مهارت های ناخود آگاه، هرگز تحت سلطهٔ قوانین کلی در نخواهدآمد.
آقای ترنینگ روی بحث دری فوس در مقاله ای که تحت عنوان بررسی ِماشین آلات و هوش در سال ۱۹۵۰ مطرح شد تامل بیشتری کرد. وی این مبحث را در دسته بندیِ arguments from informal behaviorr جای داد. وی در پاسخ گفت: هنگامی که ما، خودمان قوانینی را که رفتارهای پیچیده را رهبری می کنند نمی دانیم، دلیل نمی شود آنها را نقض کنیم. (ندانستن ما دلیلی بر وجود نداشتن آنها نیست) وی افزود: ما ابداً نمی توانیم خودمان را قانع کنیم که هیچگونه قانون کلی ای برای رفتارها وجود ندارد. تنها راهی که ما می توانیم برا ی یافتن چنین قوانینی پیش گیریم، مشاهدات علمی است و هنگامی که در یافتیم هیچگونه شرایطی تحت این عنوان وجود ندارد می توانیم بگوییم: "ما به اندازهٔ کافی جستجو کردیم و چنین قوانینی وجود ندارند".
راسل و نوروینگ اظهار داشتند، طی سالهایی که دری فوس مقالهٔ انتقادیش را منتشر کرد، فرایندی برای پی بردن به "قوانینی" که منطق ناخود آگاه را رهبری می کنند بوجود آمد. این جنبش های جایگزین شده در تحقیق های روبوتیک در واقع تلاشی است بر ای دستیابی مهارت های ناخود آگاهِ ما در درک و توجه. الگوی هوش محاسباتی، مانند رشته های عصبی، الگوریتم های پویا و غیره، غالباً به شبیه سازی استدلال و یادگیری ناخودآگاه رهنمود می شوند. تحقیقات در خصوص دانش عمومی روی بازسازی معلومات پیشین و مفهوم دانش، متمرکز شده است. در واقع تحقیق در خصوص هوش مصنوعی، از high level symbol manipulation و GOFAI جدا گشته و به مدلهایی تبدیل شده که گرایش بیشتری به capture کردن منطق ناخود آگاه ما دارند. مورخ و پژوهشگر هوش مصنوعی، آقای دانیل کرویر، نوشته است: "زمان صحت برخی از گفته های دری فوس را ثابت می کند". ؟
آیا یک ماشین می تواند دارای هوشیاری و حالات ذهنی باشد
این یک سوال فلسفی است، که بی ارتباط با مشکل ذهنهای دیگر و مشکل اساسی هوشیاری نیست. این سوال در حوزهٔ مطالعاتی نظریهٔ هوش مصنوعی قوی (strong AI) که توسط آقای جان سیرل ارائه شده می چرخد.
*
* یک physical symbol system می تواند دارای ذهن و حالات ذهنی باشد.
آقای سیرل این نظریه را با چیزی که هوش مصنوعی ضعیف می نامد، (weak AI) متفاوت می داند.
*
* یک physical symbol system می تواند عملکردی هوشمندانه داشته باشد.
وی با جدا کردن هوش مصنوعی قوی از ضعیف، ذهن خودش را روی مطلبی که فکر می کرد بحث برانگیز تر خواهد بود متمرکز کرد. وی گفت: حتی اگر فرض کنیم که برنامهٔ کامپیوتری ای ابداع کرده ایم که دقیقاً بمانند ذهن انسان عمل می کند، هنوز سوال های فلسفی دشوار وجود دارد که باید به آنها پاسخ دهیم. هیچ یک از دو نظریهٔ آقای سیرل نتوانستند به این سوال پاسخ دهند که: "آیا یک ماشین می تواند جلوه ای از یک هوش عمومی باشد؟" (مگر اینکه ثابت شود که آگاهی لازمهٔ بوجود آمدن هوش است) وی گفت، نمی خواهم اینگونه برداشت کنم که هیچ رمز و رازی در بارهٔ آگاهی و هوشیاری وجود ندارد. اما در عین حال فکر نمی کنم که لزوماً این معماها باید پیش از آنکه به سوال {آیا ماشین ها می توانند فکر کنند} پاسخ دهیم، حل شوند. راسل و نوروینگ معتقدند که بیشتر پژوهشگران حوزهٔ هوشِ مصنوعی، فرضیهٔ هوش مصنوعی ضعیف را بدیهی فرض می کنند و (انگار) اصلاً فرضیهٔ هوش مصنوعی قوی برایشان جذابیتی ندارد.
پیش از آنکه پاسخی به این سوال بدهیم، باید بیشتر به معنا و مفهوم واژه های minds- mental states-consciousness بپردازیم.
هوشیاری، ذهن، حالات ذهنی و معنا
واژه های "ذهن" و "هوشیاری" در جوامع گوناگون، معانی متفاوتی دارند. بعنوان مثال، برخی از متفکرینِnew age از واژهٔ "هوشیاری" برای وصف چیزهایی شبیه به "élan vital" برگسون، ماده ای نامرئی و حاوی انرژی که به زندگی و بخصوص ذهن رخنه می کند، بهره می جویند. نویسندگان داستانهای علمی تخیلی، از واژه برای توصیف ویژگی ذاتی ی مان که ما را به انسان مبدل کرده است، استفاده می کنند. ماشینی که آگاهی دارد و یا هوشیار است، به عنوان یک شخصیت کاملاً انسان نما ظاهر می شود، با خصوصیاتی نظیر هوش، میل، آرزو، امید، بینش، غرور و بسیاری دیگر… این نویسندگان همچنین از واژه های درک، معرفت و دانایی، خود آگاهی و روح، بمنظور توصیف این ویژگی های اصلی انسانی استفاده می کنند. برای دیگرِ افراد واژه های "ذهن" و "هوشیاری (آگاهی)" بفهوم معنانی وابستهٔ "روح" تلقی می شوند. برای فیلسوفها و دانشمندان علم عصب شناسی و علوم شناختی، این دو واژه به مفهومی، دقیق تر و دنیوی تر دارند. مفهومی ملموس و روزمره تر دارند. مانند فکر کردن، درک کردن، یک رویا، یک خیال یا یک برنامه (نقشه)، و چیزی که ما می دانیم و درک می کنیم. کار دشواری نیست که ما مفهوم دقیق و قابل درکی از آگاهی ارائه کنیم. چیزی که مبهم و اسسرار آمیز است، خود آن نیست، بلکه چگونگی آن است.
فلاسفه این را مشکل اصلی آگاهی (هوشیاری) می دانند. این نسخهٔ نهایی مشکلات روتین (کلاسیک) فلسفهٔ ذهن است که مسئله ذهن و بدن نامیده می شود. مشکل مربوط، مشکلات معنایی یا مفهومی است که فلاسفه آنرا intentionality می نامند. چه رابطه ای میان تفکر ما، (مثل الگوهای عصبی) و چیزی که ما بدان می اندیشیم، (مانند موقعیت های پیرامونمان) وجود دارد؟ سومین مورد، مشکل تجربه (یا پدیدار شناسی) است. اگر دو فرد، یک چیز راببینند آیا نسبت یه آن به یک شکل می نگرد. (هر دو ی آنها احساسی مشابه نسبت به آن دارند؟) یا اینکه چیزی در ذهنشان وجود دارد (بنام qualia) که در همهٔ اشخاص متفاوت است؟ Neurobiologists معتقدند که هنگامی که ما شروع به شناختن رابطهٔ عصبیِ هوشیاری کنیم، تمامی این مشکلات حل خواهند شد. ماشینی حقیقی که در مغز ما وجود دارد و ذهن، تجربه و فهم را خلق می کند. حتی تندترین منتقدین حوزه هوش مصنوعی نیز، بر این امر واقفند که مغز، تنها ماشینی است که هوشیاری (آگاهی) و هوش را در نتیجهٔ فرایندهای فیزیکی می سازد. سوال دشوار فلسفی این است که: آیا یک برنامهٔ کامپیوتری که توسط ماشین دیجیتالی با ادغام ارقام دو دویی صفر و یک، اجرا می شود، می تواند توانایی نورونها (رشته های عصبی) را برای خلق ذهن، و در نهایت تجربهٔ هوشیاری دوبرابر کنند؟
آیا تفکر نوعی محاسبه است؟
این مقاله از اهمیت ابتدایی ای برای دانشمندان رفتار شناختی برخوردار است که ذات تفکر بشر و حل مشکلاتش را مطالعه کرده اند. تئوریِ محاسباتی ذهن، یا computationalism، ادعا می کند که رابطهٔ بین ذهن و جسم، همانند رابطهٔ بین برنامهٔ اجرایی و کامپیوتر است. این ایده ریشه ای فلسفی دارد. هابز می گوید: استدلال چیزی بیشتر از حساب کردن نیست. لایبنیتز که تمامی تلاشش را برای خلق محاسبات منطقی همهٔ ایده های انسان بکار گرفت. هیوم کسی که می اندیشید، درک می تواند به اجزای ریزی تقسیم بندی شود؛ و حتی کانت که تمامی تجربه ها را کنترل و با قوانین رسمی، تحلیل کرد. نسخهٔ نهایی، با همکاری دو فیلسوف، هیلاری پاتنام و جری فودور تهیه شد. این سوال در اصل، زاییدهٔ سوال های پیشین است. اگر مغز انسان نوعی کامپیوتر باشد، آنگاه کامپیوترها می توانند هم باهوش باشند و هم آگاه که قادر خواهند بود به سوالات فلسفی و عملی هوش مصنوعی پاسخ دهند. براساس سوالات عملی هوش مصنوعی، نظیر (آیا یک ماشین می تواند جلوه ای از هوش عمومی باشد؟) برخی نسخ computationalism اعلام کردند (همانطوری که هوبز نوشته:):
*
* استدلال چیزی جز محاسبه نیست
به بیان دیگر، هوش ما، برگرفته از نوعی محاسبه است، شبیه به حسابگری (arithmetic). این فرضیه ای که در بالا مطرح شد (همان: physical symbol system) نشان می دهد که تولید هوش مصنوعی غیرممکن نیست. در خصوص سوال فلسفی ای که در مورد هوش مصنوعی مطرح شد، (آیا یک ماشین می تواند، ذهن، حس و آگاهی داشته باشد)، اغلب نسخ در رابطه با محاسبه گرایی(computationalism) همانطوری که استیون هارناد (Steven Harnad) گفته:
*
* حالات ذهنی، تنها اجرای درست برنامه های کامپیوتری است.
دیگر سوالات مربوطه
ویکی پدیا آلن تورینگ گفت: مباحث بی شماری با این عناوین وجود دارند: "یک ماشین هرگز فلان کار را نمی کند". و این "فلان"، می تواند هر چیزی باشد! مانند:
مهربان بودن، ابتکار داشتن، زیبا، دوستانه و خوش ذوق بودن، شوخ طبع بودن، تشخیص درست از نادرست، اشتباه کردن، عاشق شدن، لذت بردن از توت فرنگی و خامه، کسی را شیفتهٔ خود کردن، از تجربه ها پند گرفتن، از واژه ها به درستی استفاده کردن، از افکار خویش بهره گرفتن، بمانند انسان رفتارهای گوناگونی داشتن و یا اینکه، دست به کارهایی کاملاً تازه بزند. "تورینگ" معتقد است که این استدلال ها اغلب بر اساس فرضیاتی ساده، مبنی بر تطبیق پذیری ماشین ها هستند یا فرم دیگری از مبحث هوشیاری. نوشتن برنامه ای که رفتارهای فوق را ارائه دهد، تاثیر چندانی نخواهد داشت. تمام این مباحث نسبت به قضیهٔ اصلی هوش مصنوعی، tangential هستند، مگر اینکه بتوانند ثابت کنند که یکی از این ویژگی ها برای هوش عمومی ضروری است.
آیا یک ماشین می تواند احساس داشته باشد
هنس مراوک می گوید: "به عقیدهٔ من ربات ها در کل در خصوص اینکه مردمان خوبی باشند کاملاً احساسی برخورد می کنند". و احساسات را در راستای اعمالی که انجام می دهند تعریف می کنند. ترس سرچشمهٔ فوریت است. همدلی یک عنصر مهم در تعامل میان انسان و کامپیوتر است. به گفتهٔ وی ربات ها سعی می کنند که در ظاهری کاملاً عاری از خویشتن بینی، از شما در خواست کنند چرا که این عمل تاثیر مثبتی روی آنها می گذارد. شما می توانید از این عمل آنها به عنوان محبت (عشق) یاد کنید. دانیل کرویر می نویسد: "مراوک معتقد است که احساسات تنها ابزاری برای به چالش کشیدن رفتار به سوی بقای یک گونه باشد" این سوال که آیا یک ماشین قادر به درک احساسات هست یا تنها اینگونه می نمایاند، یک سوال فلسفی است.
آیا یک ماشین می تواند از خود آگاه باشد؟
خود آگاهی همان طور که در بالا اشاره شد، گاهی اوقات توسط نویسندگان داستان های علمی تخیلی تحت عنوان یک اسم برای عمده دارایی یک انسان که شخصیت را کاملاً به یک انسان مبدل می کند، بکار گرفته می شود. تورینگ انسان را از دیگر دارایی هایش تهی کرد و سوال را به بک جمله تبدیل کرد: "آیا یک ماشین می تواند از افکارش تبعیت کند؟" آیا می تواند به خودش فکر کند؟ کاملاً واضح و روشن است که در این رابطه می توان برنامه ای نوشت که ماشین، گزارش هایی را از درون خویش بدهد. (مانند debugger).
آیا یک ماشین می تواند خلاّق یا مبتکر باشد؟
تورینگ سوالی مطرح کرد و آن سوال این بود که آیا یک ماشین می تواند کاری کند که برای ما تازگی داشته باشد؟ (می تواند ما را شگفت زده کند؟) و روی آن بحث کرد، پاسخ مثبت است؛ و هربرنامه نویسی می تواند آنرا تصدیق کند. وی افزود، کامپیوترها با داشتن ظرفیت بالای حافظه ای، قادر خوهند بود بی شمار رفتار مختلف انجام دهند. احتمال این قضیه، هرچند اندک، وجود دارد که کامپوترها قادر باشند با ترکیب چند ایده، ایده ای نو بسازند. به عنوان مثال، Automated Mathematiciann داگلاس لناتس، چند ایده را برای پی بردن به حقیقت تازه علم ریاضی با هم ترکیب کرد.
آیا یک ماشین می تواند روح داشته باشد؟
در نهایت افرادی که به وجود روح عقیده دارند، می توانند بر سر این موضوع بحث کنند که:
* تفکر یکی از قابلیتهای روح جاودان بشر است.
آلن تورینگ این را "هدفی الهی" نامید و نوشت: برای ساختن چنین ماشینهایی، ما نباید به قدرت او (پروردگار) در ساختن روح بی حرمتی کنیم.
همه ی ما جمله ی معروف دکارت، "فکر می کنم؛ پس هستم"، را شنیده ایم. جمله ای که تبدیل به سنگ بنای فلسفه ی مدرن، خودآگاهی و فردگرایی شد. هرچند دکارت راه ساده تر را انتخاب کرد. برای او "تفکر" بدیهی بود؛ از این جهت نیازی به تعریف آن نداشت. اما تفکر چیست؟ هوش به چه معنا است؟ و در نهایت اینکه آیا می توان آن را به یک ماشین منتقل کرد؟ به همین دلیل است که به نظر می رسد هوش مصنوعی، همان قدر که به دنبال پاسخ است؛ سوالات جدیدی ایجاد می کند و در کنارِ تفکر ماشین، به دنبال درک تفکر انسان است.
جهت روشن تر شدن این پرسش ها آزمایش زیر را در نظر بگیرید.
اتاق چینی
اتاقی بسته را تصور کنید. داخل اتاق افراد زیادی پشت میزهای خود نشسته اند. از یک سمت اتاق قطعه ای کاغذ از محفظه ای وارد می شود. روی این کاغذ علائم و نشانه های ناآشنایی نوشته شده است. افراد داخل اتاق کاری را انجام می دهند که به آن ها آموزش داده شده است. آن ها کاغذ را به بخش های کوچک تر تقسیم می کنند و با توجه به نشانه ای که مشاهده خواهند کرد، چک باکس هایی را علامت می زنند. اگر خطی مورب در گوشه ی راست صفحه ببینند، چک باکسِ 2-B را علامت می زنند. اگر شکل ضربدر را مشاهده کنند، 17-Y را و مانند این. پس از اتمام کار، آن ها کاغذهای علامت گذاری شده را به سمت دیگر اتاق می فرستند. افرادی که در سمت دیگر هستند (با توجه به یادگیری متفاوت خود) برگه ی سومی را علامت گذاری می کنند. در صورتی که چک باکس 2-B داشته باشند، خطی افقی رسم می کنند و اگر 17-Y داشته باشند، یک دایره در سمت راست آن می کشند. سپس تمامی کاغذها را به شخصی می دهند که آن ها را به هم متصل و محصول نهایی را ارائه می کند.
کاغذی که در مرحله ی اول وارد اتاق شد؛ متنی چینی درون خود جای داده بود. کاغذ نهایی ترجمه ی کامل آن متن به انگلیسی است. باید توجه کنید که هیچ کدام از افراد داخل اتاق توانایی درک زبان چینی یا انگلیسی ندارند.
این آزمایشِ ذهنی که نخستین بار توسط پیشگام رایانه، جان سرل، طراحی شد معمولا به عنوان راهی کوتاه برای توصیف دشواری های مفهوم هوش به کار می رود. با تعدادی کافی از افراد، می توان اتاق بالا را به انجام هر کاری واداشت. رسم یا توصیف تصاویر، ترجمه یا تصحیح زبان های مختلف، فاکتور کردن اعداد بسیار بزرگ و… . اما آیا می توان این کار را هوش در نظر گرفت؟ شخصی که خارج از اتاق است، شاید به این تعریف راضی شود؛ هرچند افراد داخل اتاق مخالف این نظریه خواهند بود.
اگر به جای انسان ها، همین جعبه را با ترانزیستور پر کنیم؛ به شِمایی از یک کامپیوتر خواهیم رسید. پس سوال اصلی اینجا است که آیا کامپیوترها هرگز از نمونه ی پیچیده تر اتاق چینی فراتر خواهند رفت؟ یکی از پاسخ های رایج به این سوال که مانند سایر ابعاد هوش مصنوعی به سوالات بیشتر می انجامد، این است که ترانزیستورها را با نورون های مغز جایگزین کنیم. پس آیا مغز خود یک نمونه ی بزرگ از اتاق چینی نیست؟
این سوالات می تواند تا بی نهایت ادامه یابد. هرچند ما نمی توانیم در این متن کوتاه یکی از بزرگ ترین مسئله های تاریخ فلسفه را حل کنیم. بحث درباره ی این پرسش ها ممکن است برای بسیاری سرگرم کننده باشد؛ اما برای رسیدن به هدف، بهتر است درباره ی نمونه ای عملی تر صحبت کنیم.
هوش مصنوعیِ ضعیف، هوش مصنوعی قوی
این روزها واژه ی هوش مصنوعی به وفور و در حالت کلی برای توصیف میزبان چند سیستم رایانه ای استفاده می شود. هرچند نمی شود به استفاده ی گسترده از این واژه خرده گرفت. از آنجا که هوش مصنوعی به خودی خود تعریف مشخصی ندارد؛ می توان گفت هوش مصنوعی نرم افزاری است که پروسه ی تفکر انسان را بازسازی و نتایجی مشابه آن کسب می کند.
امروزه ماشین هایی وجود دارند که آهنگ بعدی شما را انتخاب می کنند؛ به شکل داینامیک پاهای یک ربات را کنترل می کنند؛ اشیایی را از درون یک تصویر انتخاب و آن را توصیف می کنند یا زبان آلمانی را به انگلیسی، روسی، کره ای و بالعکس ترجمه می کنند. تمام این ها فعالیت هایی هستند که پیش از این توسط انسان ها به درجه ی تکامل رسیده اند و مکانیزه کردن آن ها منافع بسیاری خواهد داشت.
هرچند در نهایت حتی پیچیده ترینِ این وظایف نیز تنها یک "وظیفه" خواهد بود. یک شبکه ی عصبی که توسط میلیون ها جمله تمرین دیده است و می تواند ترجمه ای بی نقص از ۸ زبان مختلف ارائه کند؛ در نهایت چیزی بیشتر از یک ماشین پیچیده نیست. ماشینی که کارکرد آن می تواند به راحتی توسط اتاق چینی بازسازی شود. پس آیا می توان از واژه ی "هوش" به جای "محاسبه" در چنین مواقعی استفاده کرد؟
به همین دلیل نیاز است که مفهوم هوش مصنوعیِ ضعیف از هوش مصنوعی قوی جدا شود. این دو، دسته های مختلف هوش مصنوعی نیستند، بلکه نحوه ای از نگاه کردن به مفهوم اصلی این واژه خواهند بود. مانند بسیاری مفهوم های فلسفی، این دو مفهوم نیز الزاما بر دیگری برتری ندارند. اما مقایسه ی آن ها همچنان دارای اهمیت است.
در یک سمت این گفتگو افرادی قرار دارند که می گویند مهم نیست یک هوش مصنوعی تا چه اندازه پیچیده باشد؛ این ماشین هرگز از توانایی ذهن سازنده ی خود عبور نخواهد کرد. یا به عبارت دیگر هرگز از ماهیت ماشینی خود فراتر نخواهد رفت. این ماشین ها حتی در محدوده ی خود توانایی رسیدن به دستاوردهای مهمی خواهند داشت؛ هرچند در نهایت تمام این دستاوردها توسط یک نرم افزار بسیار قوی ممکن شده است. این دیدگاهی است که هوش مصنوعی ضعیف را توضیح می دهد. افراد حامی این ایده، با توجه به محدودیت های قائل شده برای هوش مصنوعی، بیشتر بر ساخت سیستم هایی تمرکز دارند که در انجام وظایف انفرادی موفق است.
در طرف دیگر هوادارانِ هوش مصنوعی قوی قرار دارند. کسانی که می گویند یک ماشین می تواند به سطحی از توانایی دست یابد که بتوان آن را از ذهن انسان متمایز دانست. این افراد همان هایی هستند که ذهن انسان را نیز یک اتاق چینی توصیف می کنند و می پرسند اگر تعداد گسترده ای از مدارهای بیولوژیکی در مغز انسان می توانند هوش و خودآگاهی به ارمغان بیاورند؛ چرا مدارهای سیلیکونی این توانایی را پیدا نکنند؟ تئوری هوش مصنوعی قوی بر این پایه است که روزی می توان ماشینی به هوشمندی انسان (یا حتی فراتر از آن) اختراع کرد.
هرچند همچنان یک مشکل پابرجا است: ما هنوز تعریفی واقعی از هوش ارائه نداده ایم.
هوش، بدونِ مصنوعی
نمی توان ادعا کرد که انسان ها پیشرفتی به سزا در تعریف هوش در سه هزاره ی گذشته انجام داده اند. نسل بشر بیشتر وقت خود را صرف ایده هایی ابتدایی کرده است. ایده هایی مانند اینکه هوش می تواند به راحتی اندازه گیری شود، یا اینکه به نشانه های بیولوژیکی مانند شکل سر یا اندازه ی مغز وابسته است.
هر کسی تعریف شخصی خود را از مفهوم هوش دارد؛ به همین دلیل به سختی می توان ادعا کرد که هوش مصنوعی (در هر مرحله ای) از هوش انسان پیشی گرفته است. تعریف هایی که تا به امروز ارائه شده اند، مانند تیرهایی هستند که هرگز به هدف نمی نشینند. هرچند با در نظر گرفتن تمام آن ها می توان شکلی حدودی از هدف را تصور کرد.
از بین تمامی این تعریف ها به نظر تنها یکی به اندازه ی کافی ساده و اصولی است که ارزش پیگیری داشته باشد: هوش، توانایی حل مسائل جدید است.
این تعریف به نظر ایده ی پشت تمامی مفهوم های اساسی ذهن، مانند "سازگاری"، "کلی نگری" و "خلاقیت" است که در کنار هم مفاهیمی مانند "استدلال"، "قضاوت" و "مشاهده" را برای استفاده در ذهن هوشمند به وجود می آورند. توانایی حل مسئله و استدلال برای ذهن بسیار حیاتی است. اما مهم تر این است که ذهن باید از راه حل دسته ای از مسائل، برای حل مسائل دیگر بهره بگیرد. ماهیت تبدیل پذیر، مهم ترین مشخصه ی هوش است. حتی اگر کسی از فرمول اساسی این اتفاق مطلع نباشد.
آیا روزی ربات ها می توانند به چنین سطحی از درک برسند و راه خود را از انسان ها جدا کنند؟ آیا آن ها می توانند مشکلاتی ایجاد کنند که هرگز به فکر یک انسان نرسیده است؟ پژوهشگران در حال تولید نسل های جدید از هوش مصنوعی هستند که توانایی پردازش و یادگیری اطلاعاتی دارند که تا پیش از این غیر ممکن به نظر می رسیدند؛ ربات هایی که در یادگیری به خوبی انسان عمل می کنند. اما این سوال که آیا تمام این ها "تفکر" است یا تنها گونه ای پیچیده از محاسبه را باید به فیلسوف ها و دانشمندان کامپیوتر واگذار کرد. هرچند همین که ما به دنبال جواب چنین سوالاتی هستیم؛ از دستاوردهای بی نظیر هوش مصنوعی خبر می دهد.
مفهوم هوش مصنوعی چیست؟
هوش مصنوعی یا هوش ماشینی را باید عرصه پهناور تلاقی و ملاقات بسیاری از دانش ها، علوم، و فنون قدیم و جدید دانست.
به گزارش خبرنگار اورژانس IT باشگاه خبرنگاران؛ ریشه ها و ایده های اصلی آن را باید در فلسفه، زبان شناسی، ریاضیات، روان شناسی، نورولوژی و فیزیولوژی جستجو کرد و کاربردهای گوناگون و فراوانی در علوم رایانه، علوم مهندسی، علوم زیست شناسی و پزشکی، علوم ارتباطات و بسیاری از علوم دیگر دارد. هوش مصنوعی در علم پزشکی امروزه به دلیل گسترش دانش و پیچیده تر شدن فرایند تصمیم گیری، استفاده از سیستم های اطلاعاتی به خصوص سیستم های در حمایت ازArtificial Intelligence (هوش مصنوعی) تصمیم گیری اهمیت بیشتری یافته است.
هوش مصنوعی به سیستم هایی گفته می شود که می تواند واکنش هایی مشابه رفتارهای هوشمند انسانی از جمله درک شرایط پیچیده، شبیه سازی فرایندهای تفکری و شیوه های استدلالی انسانی و پاسخ موفق به آن ها، یادگیری و توانایی کسب دانش و استدلال برای حل مسایل را داشته باشند.
گسترش دانش در حوزهٔ پزشکی و پیچیدگی تصمیمات مرتبط با تشخیص و درمان – به عبارتی حیات انسان – توجه متخصصین را به استفاده از سیستم های پشتیبان تصمیم گیری در امور پزشکی جلب نموده است.
به همین دلیل، استفاده از انواع مختلف سیستم های هوشمند در پزشکی رو به افزایش است، به گونه اى که امروزه تاثیر انواع سیستم های هوشمند در پزشکی مورد مطالعه قرار گرفته است.
هوش مصنوعی به هوشی که یک ماشین در شرایط مختلف از خود نشان می دهد، گفته می شود. بیشتر نوشته ها و مقاله های مربوط به هوش مصنوعی، آن را به عنوان "دانش شناخت و طراحی عامل های هوشمند" تعریف کرده اند.
یک عامل هوشمند، سیستمی است که با شناخت محیط اطراف خود، شانس موفقیت خود را پس از تحلیل و بررسی افزایش می دهد.
جان مکارتی که واژه هوش مصنوعی را در سال ۱۹۵۶ استفاده نمود، آن را "دانش و مهندسی ساخت ماشین های هوشمند" تعریف کرده است. تحقیقات و جستجوهایی انجام شده برای رسیدن به ساخت چنین ماشین هایی با بسیاری از رشته های علمی در ارتباط و همکاری است، مانند علوم رایانه، روان شناسی، فلسفه، عصب شناسی، علوم ادراکی، تئوری کنترل، احتمالات، بهینه سازی و منطق.
هوش مصنوعی توسط فلاسفه و ریاضی دانانی نظیر بول که اقدام به ارائهٔ قوانین و نظریه هایی در مورد منطق نمودند، مطرح شده بود. با اختراع رایانه های الکترونیکی در سال ۱۹۴۳، هوش مصنوعی، دانشمندان آن زمان را به چالشی بزرگ فراخواند. در این شرایط، چنین به نظر می رسید که این فنّاوری قادر به شبیه سازی رفتارهای هوشمندانه خواهد بود.
با وجود مخالفت گروهی از متفکرین با هوش مصنوعی که با تردید به کارآمدی آن می نگریستند تنها پس از چهار دهه، شاهد تولد ماشینهای شطرنج باز و دیگر سامانه های هوشمند در صنایع گوناگون شدیم. نام هوش مصنوعی در سال ۱۹۶۵ میلادی به عنوان یک دانش جدید ابداع گردید.
البته فعالیت در این زمینه از سال ۱۹۶۰ میلادی شروع شد. بیشتر کارهای پژوهشی اولیه در هوش مصنوعی بر روی انجام ماشینی بازی ها و نیز اثبات قضیه های ریاضی با کمک رایانه ها بود. در آغاز چنین به نظر می آمد که رایانه ها قادر خواهند بود چنین فعالیت هایی را تنها با بهره گرفتن از تعداد بسیار زیادی کشف و جستجو برای مسیرهای حل مسئله و سپس انتخاب بهترین روش برای حل آن ها به انجام رسانند.
این اصطلاح (هوش مصنوعی) برای اولین بار توسط جان مکارتی (John McCorthy) -که از آن به عنوان پدر "علم و دانش تولید ماشینهای هوشمند" یاد می شود، استفاده شد. آقای جان مکارتی مخترع یکی از زبان های برنامه نویسی هوش مصنوعی به نام لیسپ (به انگلیسی: lisp) نیز هستند. با این عنوان می توان به هویت رفتارهای هوشمندانه یک ابزار مصنوعی پی برد.
(ساختهٔ دست بشر، غیر طبیعی، مصنوعی) حال آنکه AI به عنوان یک اصطلاح عمومی پذیرفته شده که شامل محاسبات هوشمندانه و ترکیبی (مرکب از مواد مصنوعی) است. از اصطلاح "strong and weak AI" می توان تا حدودی برای معرفی رده بندی سیستم ها استفاده کرد. AI ها در رشته های مشترکی چون علم کامپیو تر، روان شناسی و فلسفه مورد مطالعه قرار می گیرند، که مطابق آن باعث ایجاد یک رفتار هوشمندانه، یادگیری و سازش می شود و معمولاً نوع پیشرفتهٔ آن در ماشین ها و کامپیوتر ها استفاده می شود. زبان های برنامه نویسی هوش مصنوعی lisp، Prolog، clips، VP-Expert می باشد.
آزمون تورینگ
آزمون تورینگ آزمونی است که توسط آلن تورینگ در سال ۱۹۵۰ در نوشته ای به نام "محاسبات ماشینی و هوشمندی" مطرح شد. در این آزمون شرایطی فراهم می شود که شخصی با ماشینی تعامل برقرار کند و پرسش های کافی برای بررسی اقدامات هوشمندانهٔ ماشین، از آن بپرسد. چنانچه در پایان آزمایش نتواند تشخیص دهد که با انسان و یا با ماشین در تعامل بوده است، تست تورینگ با موفقیت انجام شده است. تا کنون هیچ ماشینی از این آزمون با موفقیت بیرون نیامده است. کوشش این آزمون برای تشخیص درستی هوشمندی یک سیستم است که سعی در شبیه سازی انسان دارد.
مدیریت پیچیدگی
ایجاد و ابداع فنون و تکنیک های لازم برای مدیریت پیچیدگی را باید به عنوان هستهٔ بنیادین تلاش های علمی و پژوهشی گذشته، حال، و آینده، در تمامی زمینه های علوم رایانه، و به ویژه، در هوش مصنوعی معرفی کرد. شیوه ها و تکنیک های هوش مصنوعی، در واقع، برای حل آن دسته از مسائل به وجود آمده است که به طور سهل و آسان توسط برنامه نویسی تابعی (Functional programming)، یا شیوه های ریاضی قابل حلّ نبوده اند.
در بسیاری از موارد، با پوشانیدن و پنهان ساختن جزئیات فاقد اهمیت است که بر پیچیدگی فائق می آییم و می توانیم بر روی بخش هایی از مسئله متمرکز شویم که مهم تر است. تلاش اصلی در واقع، ایجاد و دستیابی به لایه ها و ترازهای بالا تر از هوشمندی تجرید را نشانه می رود، تا آنجا که، سرانجام برنامه های کامپیوتری درست در همان سطحی کار خواهند کرد که خود انسان ها رسیده اند.
به یاری پژوهش های گسترده دانشمندان علوم مرتبط، هوش مصنوعی تاکنون راه بسیاری پیموده است. در این راستا، تحقیقاتی که بر روی توانایی آموختن زبان ها انجام گرفت و همچنین درک عمیق از احساسات، دانشمندان را در پیشبرد این دانش کمک زیادی کرده است. یکی از اهداف متخصصین، تولید ماشینهایی است که دارای احساسات بوده و دست کم نسبت به وجود خود و احساسات خود آگاه باشند. این ماشین باید توانایی تعمیم تجربیات قدیمی خود در شرایط مشابه جدید را داشته و به این ترتیب اقدام به گسترش دامنه دانش و تجربیاتش کند.
هوش مصنوعی اکنون در خدمت توسعه علوم رایانه نیز است. زبانهای برنامه نویسی پیشرفته، که توسعه ابزارهای هوشمند را ممکن ساخته اند، پایگاه های داده ای پیشرفته، موتورهای جستجو، و بسیاری نرم افزار ها و ماشین ها از نتایج پژوهش هایی در راستای هوش مصنوعی بوده اند.
تکنیک ها و زبان های برنامه نویسی هوش مصنوعی
عملکرد اولیه برنامه نویسی هوش مصنوعی ایجاد ساختار کنترلی مورد لزوم برای محاسبه سمبولیک است زبانهای برنامه نویسی LISP، PROLOG علاوه بر اینکه از مهم ترین زبانهای مورد استفاده در هوش مصنوعی هستند خصوصیات نحوی و معنایی آن ها باعث شده که آن ها شیوه ها و راه حل های قوی برای حل مسئله ارایه کنند. تاثیر قابل توجه این زبان ها بر روی توسعه AI از جمله توانایی های آن ها به عنوان "ابزارهای فکرکردن" است. در حقیقت همان طور که هوش مصنوعی مراحل رشد خود را طی می کند، زبانهای LISP، PROLOG بیشتر مطرح می شوند که این زبان ها کار خود را در محدوده توسعه سیستم های AI در صنعت و دانشگاه ها دنبال می کنند و طبیعتاً اطلاعات در مورد این زبان ها به عنوان بخشی از مهارت هر برنامه نویس AI است.
PROLOG: یک زبان برنامه نویسی منطقی است. یک برنامه منطقی دارای یک سری ویژگیهای قانون و منطق است. در حقیقت خود این نام از برنامه نویسی PRO در LOGICC می آید. در این زبان یک مفسر برنامه را بر اساس یک منطق می نویسد. ایده استفاده توصیفی محاسبهٔ اولیه برای بیان خصوصیات حل مسئله یکی از محوریتهای مشارکت PROLOG است که برای علم کامپیو تر به طور کلی و بطور جزئی برای زبان برنامه نویسی هوشمند مورد استفاده قرار می گیرند.
LISP: اصولاً LISP یک زبان کامل است که دارای عملکرد ها و لیست های لازمه برای توصیف عملکردهای جدید، تشخیص تناسب و ارزیابی معانی است. LISP به برنامه نویس قدرت کامل برای اتصال به ساختارهای اطلاعاتی را می دهد گر چه LISPP یکی از قدیمی ترین ترین زبانهای محاسباتی است که هنوز فعال است ولی دقت کافی در برنامه نویسی وطراحی توسعه باعث شده است که این یک زبان برنامه نویسی فعال باقی بماند.
در حقیقت این مدل برنامه نویسی طوری موثر بوده است که تعدادی از دیگر زبان ها براساس عملکرد برنامه نویسی آن بنا شده اند: مثل FP، ML، SCHEME
یکی از مهم ترین برنامه های مرتبط با LISP برنامه SCHEME است که یک تفکر دوباره در باره زبان در آن وجود دارد که بوسیله توسعه AI و برای آموزش و اصول علم کامپیو تر مورد استفاده قرار می گیرد.
عامل های هوشمند
سیستم های خبره
سیستم های خبره زمینه ای پرکاربرد در هوش مصنوعی و مهندسی دانش است که با توجه به نیاز روزافزون جوامع بر اتخاذ راه حل ها و تصمیمات سریع در مواردی که دانش های پیچیده و چندگانهٔ انسانی مورد نیاز است، بر اهمیت نقش آن ها افزوده هم می شود. سیستم های خبره به حل مسائلی می پردازند که به طور معمول نیازمند تخصّص های کاردانان و متخصّصان انسانی است. به منظور توانایی بر حل مسائل در چنین سطحی (ترازی)، دسترسی هرچه بیشتر اینگونه سامانه ها به دانش موجود در آن زمینه خاص ضروری می گردد.
اگر شما یک طراح وب هستید، باید بدانید که یک هوش مصنوعی جدید می تواند کار شما را انجام دهد. مشتریان می توانند مستقیما مشخص کنند که وبسایت دقیق شان چه شکلی باشد. این هوش مصنوعی هنوز به مدت محدودی یک بتای آزمایشی است، اما به زودی ارایه می شود. این هوش مصنوعی "گرید" (The Grid) نام دارد و این احساس را به شما می دهد که گویا با یک انسان تعامل می کنید.
هوش مصنوعی از راه رسیده است و باید بتوانیم رزومه هایمان را قوی تر کنیم. امروزه، محققان هوش مصنوعی می توانند انبوهی از داده های مصرف اینترنت را استخراج کنند. در گذشته، پیشرفت در فناوری باعث شد کارگرانی که کارهای یدی سنگین انجام می دهند، کنار گذاشته شوند. حالا هم پیشرفت در هوش مصنوعی درصد قابل توجهی از شغل ها را در معرض خطر قرار داده است.
پژوهش ها نشان می دهند که تقریبا هر کاری که افراد حرفه در یک روز کاری عادی انجام می دهند، می تواند با هوش مصنوعی اتوماتیک شود. حتی پیش بینی شده که نصف شغل های رایج فعلی به احتمال زیاد تا سال ۲۰۳۵ اتوماسیون می شوند.
در ادامه ۱۰ شغل را مثال می زنیم که احتمالا هوش مصنوعی جای آنها را می گیرد.
۱- طراح وب/توسعه دهنده وب
تکنولوژی جایگزین: گرید
شاید ما انتظار داشتیم که کامپیوترها جای دیگر کامپیوترها را بگیرند، اما هوش مصنوعی پس گرید طراحی و کد نوشتن را از دست طراحان و توسعه دهندگان وب خارج می کند. این هوش مصنوعی می تواند یک ایده کسب و کار و چند تصویر را به یک شاهکار بازرگانی تبدیل کند.
۲- بازاریاب آنلاین
تکنولوژی جایگزین: پرسادو (Persado)
یک هوش مصنوعی به نام "پرسادو" (Persado) می تواند تقریبا نصف نیروی واحد روابط عمومی را جایگزین کند. پرسادو می تواند کمپین های تبلیغاتی راه بیندازند و به مشتریان پیام های شخصی شده بدهد.
۳- مدیر دفتر
تکنولوژی جایگزین: بتی
هوش مصنوعی نه تنها در دفتر شما کار می کند، بلکه آن را مدیریت می کند. بتی یک بات هوشمند است که در حال حاضر به عنوان یک مدیر دفتر در انگلستان آزمایش می شود، اما تاکنون بسیار کاربردی و موثر ظاهر شده. او مسوول خوشامدگویی به میهمانان، پیگیری ساعت های کاری و اضافه کاری کارمندان و نگه داری و اندوختن اموال اداره است. او از طریق یادگیری ماشین منحصر به فرد و تطبیقی می تواند نقشه ی ذهنی زنده ای از دفتر کار داشته باشد.
۴- حسابدار
تکنولوژی جایگزین: اسمک (Smacc)
انسان ها دیگر برای سر و کله زدن با اعداد نیاز نیستند. اسمک فرایند حسابداری را کاملا اتوماتیک کرده و می تواند ۳ میلیون کارمند حسابداری آمریکا را از کار برکنار کند. کافی است رسیدها را به آن تحویل دهیم تا این هوش مصنوعی تمام رکوردهای مالی ما را بررسی و مدیریت کند.
۵- کارشناس منابع انسانی
تکنولوژی جایگزین: فلت پای (FlatPi)
فلت پای بهترین جوینده نیروی کار است. فرایند استخدام برای انسان ملال آور و خسته کننده است، اما هوش مصنوعی می تواند در ظرف چند ثانیه کاندیداها را رتبه بندی کند.
۶- ژورنالیست
تکنولوژی جایگزین: ورداسمیت (Wordsmith)
خبر فوری: دیگر نیازی به خلاقیت شما نیست. خبرگزاری های بزرگ از همین حالا خبرهایی را منتشر می کنند که برنامه های هوش مصنوعی مثل ورداسمیت آنها را نوشته است. کار یک نویسنده انسان نیاز به چند مرحله ویرایش دارد. ورداسمیت می تواند حجم زیادی از داده را بخواند و موارد جذاب را گزینش کند و سپس یک گزارش خلاصه و دقیق ارایه دهد.
۷- ویراستار
تکنولوژی جایگزین: بولد (Bold)
حالا که صحبت از ویرایش به میان آمد، چرا ویراستار هم در کنار ژورنالیست حذف نشود؟ دستیاران هوشمند بولد اصلاحاتی را پیشنهاد می دهند تا ساختار جمله، شفافیت، انتخاب کلمات و دیگر موارد را بهتر کنند.
۸- وکیل
تکنولوژی جایگزین: راس
راس یک هوش مصنوعی وکیل است که برای پاسخ به سوالات، انجام تحقیق و به روز ماندن درباره پرونده های اخیر مناسب است و می تواند مفید باشد.
۹- پزشک
تکنولوژی جایگزین: بابیلون
بابیلون حواسش به شما هم هست. این هوش مصنوعی می تواند زبان ساده را بفهمد تا علایم را هنگام بروز تشخیص دهد. سپس یک قدم فراتر می رود و سلامت کلی ما را زیر نظر می گیرد تا از بیماری در آینده جلوگیری کند.
۱۰- روان شناس/روان پزشک
تکنولوژی جایگزین: الی
الی یک هوش مصنوعی روان پزشک است که از احساسات انسانی آگاه به نظر می رسد. الی با استفاده از حسگر کینکت که از آن برای Just Dance استفاده می کنیم، زبان بدن ما را می فهمد و مثل یک انسان واکنش نشان می دهد و از طریق آواتار روی صفحه نمایش اش کارهایی مثل لبخند زدن، سر تکان دادن و شانه بالا انداختن را انجام می دهد. نکته جالب اینجاست که او مردم ترجیح می دهند سفره دلشان را پیش او بگشایند تا یک انسان.
منبع: Venture Beat
هوش مصنوعی یکی از مقوله هایی است که در علوم کامپیوتر، اهمیت فراوان دارد و تغییرات در هوش مصنوعی می توانند تحولات گسترده ای را در فناوری اطلاعات پدید بیاورند. در این مقاله قصد داریم که هوش مصنوعی را به شما معرفی کنیم
هوش مصنوعی، هوش ماشین هاست! در واقع شاخه ای از علوم کامپیوتر است که قصد دارد راه حل های الگوریتمی را ارائه کند تا بتوانیم به وسیله آنها در ماشین ها هوشمندی ایجاد کنیم. اما این تعریف کافی نیست؛ اول از همه باید بدانیم که تعریف هوشمندی چیست و بعد باید منظور از ماشین را دربیابیم:
استدلال، منطق، تصمیم گیری ؛ این ها توانایی هستند که شما از آنها استفاده می کنید. پس شما هوشمند هستید. اگر این توانایی ها را در کامپیوتر هم ایجاد کنیم، آنگاه به ماشین هوشمند دست می یابیم! به همین سادگی … ولی به جز این ها چیز های دیگری هم در رابطه با تعریف هوشمندی وجود دارند که دانستن آنها را می توان مهم ارزیابی کرد. در واقع بحث هایی که در مورد هوشمندی و هوش مصنوعی مطرح شده است؛ تنها به دوره ی امروزه ی ما و قرن 21 مربوط نمی شود، بلکه از سال 1950 این مباحث به طور جدی مطرح شد
– پیشینه ی هوش مصنوعی:
باید گفت که از این نظر هوش مصنوعی یکی از غنی ترین تاریخ ها را دارد، منتها در قصه ها! ماشین ها و مخلوقات مصنوعی باشعور، اولین بار در افسانه های یونان باستان مطرح شدند. شبه انسان ها باور داشتند که باید یک تمدن بزرگ را تشکیل دهند؛ تندیس ها و مجسمه های انسان نما در مصر و یونان به حرکت در آمده بودند و … حتی در مواردی این قصه ها، پای جابر بن حیّان و چند تن دیگر را هم به سازندگان موجودات مصنوعی باز کردند.
از قصه ها که بگذریم ؛ فیلسوف ها و ریاضی دان ها از مدت ها پیش مباحث مربوط به استدلال و منطق را پیش کشیدند و امروزه این مباحث به صورت قرار دادی، به رسمیت پذیرفته شده است. این گونه منطق ها اساس کامپیوتر های دیجیتال و برنامه پذیر شده اند. یکی از افرادی که نقش اساسی و مهمی در این مورد ایفا کرد آقای آلن تورینگ بود
نظریه تورینگ:
تئوری تورینگ مبتنی بر این بود که می توانیم با استفاده از نشانه ها و اعدادی مانند 0 و 1، هر استدلال ریاضی ای را در کامپیوتر عملی کنیم. همزمان با این نظریه کشف های تازه ای در زمینه ی عصب شناسی، نظریه اطلاعات و فرمانشناسی، به وقوع پیوسته بود. این پیشرفت ها الهام بخش گروهی کوچک از پژوهشگران شد تا به طور جدی به مساله ایجاد یک مغز الکترونیکی رسیدگی نمایند
– تست تورینگ:
در سال 1950، آلن تورینگ مقاله ای را در رابطه با هوش مصنوعی منتشر ساخت که بعد ها به تست تورینگ مشهور شد. در این مقاله عنوان شده بود که اگر فردی از پشت یک دیوار یا هر چیز جدا کننده دیگری، با کامپیوتر مکالمه کتبی داشته باشد و نداند که طرف مقابلش انسان نیست و پس از پایان مکالمه نیز متوجه این موضوع نشود، آنگاه می توان کامپیوتر را ماشینی هوشمند نامید زیرا توانسته است که در برابر یک انسان به اندازه کافی از استدلال و منطق استفاده کند. تست تورینگ تا حدی توانست هوش مندی را توجیه کند ولی فقط ((تا حدی))! اما از آن زمان تا کنون ماشینی اختراع نشده است که توانسته باشد این تست را با موفقیت بگذراند. هر چند زبان AIML ابداع شد، اما این زبان هرگز به این حد از هوش مصنوعی دست نیافت.
تیمی که در زمینه هوش مصنوعی تحقیق می کردند، در تابستان سال 1956، کنفرانسی را در محوطه کالج دارتموس برگزار کردند. این کنفرانس به همراه افرادی مانند جان مک کارتی، ماروین مینسکی، آلین نویل و هربت سیمون که برای دهه ها پیشتازان تحقیق برای هوش مصنوعی بودند انجام شد. آنها و دانش آموزان آنها، برنامه ای نوشته بودند که حقیقتا برای عده زیادی از مردم شگفت آور بود. این برنامه می توانست مشکلات نوشتاری در جبر را حل کند، استدلال های منطقی را اثبات کند و به زبان انگلیسی سخن بگوید. در اواسط دهه ی 1960، بودجه سنگینی برای دایرکردن آزمایشگاه های تحقیقاتی در گرداگرد دنیا، از سوی حوزه ی دفاعی ایالات متحده آمریکا، اختصاص داده شد. پیشتازان هوش مصنوعی درباره آینده آن در جهان بسیار خوش بین بودند. هربت سیمون پیشبینی کرده بود که در مدت 20 سال، کامپیوتر های هوشمند می توانند، هر کاری را که انسان انجام می دهد، انجام دهند. در واقع مشکلات بزرگی که در آن زمان برای ایجاد هوش مصنوعی وجود داشت، اساسا حل شده بود
مقایسه، استدلال و حل مسائل:
خیلی زود توسعه دهندگان هوش مصنوعی به این نتیجه رسیدند که باید در الگوریتم های خود از نحوه حل مساله ((گام به گام)) استفاده کنند. در واقع انسان ها هم معمولا برای حل مواردی از جمله: ساختن پازل و … از این روش استفاده می کنند. آنها همچنین توانستند که پس از دهه های 80 و 90 الگوریتم های موفقیت آمیزی را برای درک داده ها و اطلاعات نا کامل عرضه کنند که این الگوریتم ها از احتمالات، برای درک این اطلاعات استفاده می کردند.
برای حل مسائل سخت، بیشتر این الگوریتم ها به کامپیوتر های بزرگ و قدرتمندی برای پردازش نیاز داشتند. بسیاری از این الگوریتم ها به مقدار زیادی حافظه (رم) نیاز داشتند و حتی در صورت فراهم آمدن آن، با وجود سخت افزار های آن زمان، مدت مورد نیاز برای پردازش نجومی بود. بنابر این می توان این مساله را دریافت که: جستجو برای الگوریتم های بهتر و موثر تر در آن زمان، از اولویت های اصلی پژوهشگران هوش مصنوعی بود.
انسان برای حل مسائل خود خیلی سریع عمل می کند. چیزی که باید فهمید این است که اگر چه انسان در جمع و تفریق اعداد از کامپیوتر شکست می خورد، اما مساله فقط جمع و تفریق نیست. در واقع اولین گام برای حل مساله درک آن است و این چیزی است که برای انسان بسیار ساده و برای کامپیوتر ها بسیار سخت است. بر این اساس آنها به تحقیقات زیادی پرداختند و به این نتیجه رسیدند که باید برای بازدهی بیشتر از شبکه های عصبی استفاده کنند. این کار به آنها کمک می کرد تا بتوانند به ساختار اعصاب و مغز انسان و سایر حیوانات نزدیک تر شوند.
نمایش معلومات:
نمایش معلومات و مهندسی معلومات مرکز توجه در پژوهش های هوش مصنوعی بودند. بسیاری از دستگاه های حل مساله برای حل مسائل نیازمند معلومات گسترده و وسیعی بودند این معلومات عبارت می شد از : شناختن اشیاء، خواص و اقلام- شناختن روابط بین اشیاء- درک موقعیت، نوع واقعه و زمان و مکان- علت ها و تاثیر عوامل و بسیاری چیز های دیگر…
و سخت ترین مشکلات درباره نمایش اطلاعات و معلومات عبارت بود از:
– استدلال پیش فرض و مسائل نسبی: دانسته ی یک فرد از یک چیز برابر است با پنداشت او از آن چیز، برای مثال وقتی نام پرنده به گوش کسی می خورد، معمولا یک موجود کوچک را به یاد می آورد با صدای زیبا و قابلیت پرواز؛ در حالی که این موضوع برای همه ی پرندگان صدق نمی کند. مثلا پنگوئن هیچکدام از این ویژگی ها را ندارد! جان مک کارتی این موضوع را به عنوان یک مسئله نسبی در سال 1969 کشف کرد. برای هر قضاوت صحیح (در تعریف عام) که محققان هوش مصنوعی، سعی در پیاده سازی آن داشتند، تعداد زیادی استثنا وجود داشت. بنابر این، آنها به این نتیجه دست یافتند که در قضاوت عام، نمی توان یک چیز را مطلقا درست یا غلط دانست بلکه همه چیز نسبی است. مثلا وقتی به شما می گویند که فلان شخص، خوب است یا بد؟ شما اول به مواردی توجه می کنید که مهم تر هستند و بر این اساس در مورد خوبی و بدی قضاوت می کنید. در حالی که هیچ کس مطلقا خوب یا بد نیست! در واقع شما اول به مواردی اهمیت می دهید که مهم تر است. محققان هوش مصنوعی هم با پیاده کردن چنین الگوریتمی توانستند این مشکلات را حل کنند.
2- سطح وسیع اطلاعات مورد نیاز برای قضاوت عام: منظور از قضاوت عام، همان نحوه قضاوتی است که در بالا توضیح داده شد که شما به نکاتی که بیشتر اهمیت دارند، امتیاز بیشتری اختصاص می دهید و آنها را ملاک قضاوت خود قرار می دهید. اما این نوع قضاوت، شاید در زندگی روزمره ما کار عادی ای شده باشد؛ اما در واقع برای کامپیوتر این کار نیاز به اطلاعات پایه ای زیادی در زمینه هستی شناسی و شناخت ویژگی های موجودات دارد. محققان هوش مصنوعی می بایست، مفاهیم دقیق و پیچیده ای را با دست خود، به کامپیوتر می فهماندند. کار بزرگی که انجام شد این بود که توانستند کامپیوتر را قادر سازند که از منابع اطلاعاتی (نظیر اینترنت امروزی) ، مفاهیمی را کسب کند و از این راه به اطلاعات خود در این باره بیافزاید.
3- استفاده از زبان Sub-Symbolic برای توضیح بعضی مفاهیم در قضاوت عام: بسیاری از معلوماتی که مردم دارند، چیز هایی است که نمی توان آن ها را تصویر کرد و یا توضیح داد. برای مثال یک شطرنج باز ماهر، از قرار دادن یک مهره در یک وضعیت خاص پرهیز می کند زیرا احساس می کند که این کار خطرناک است و یا یک کارشناس و منتقد هنری با نگاه کردن به یک مجسمه و یا یک نقاشی تشخیص می دهد که آن جعلی و تقلبی است. پیاده کردن چنین الگوریتم هایی با استفاده از زبان سمبلیک ممکن نبود و باید از زبان دیگری بر پایه Sub-Symbolic استفاده می شد. قبل از هر چیز باید، توضیح مختصری از این دو را به شما ارائه کنیم:
در واقع اساس کار زبان های سمبلیک بر پایه استدلال و نتیجه گیری و به طور کلی، منطق است. در این گونه زبان ها برای متغیر ها و توابع مقدار های مشخصی در نظر گرفته می شود و بدین وسیله، هر متغیر حاوی بخشی از اطلاعات برنامه و هر تابع حاوی بخشی از قوانین استنباطی برنامه است.
اما روش Sub-Symbolic تا حد زیادی متفاوت است. این روش از شبکه های عصبی برای پردازش اطلاعات استفاده می کند. این شبکه های عصبی از واحد های ورودی، واحد های پنهان و واحد های خروجی تشکیل شده اند که همگی با یکدیگر ارتباط دارند. این واحد ها گاهی سلول عصبی نیز، خطاب می شوند. همانطور که گفته شد، این سلول های عصبی با یک دیگر ارتباط دارند. اما چیزی که باید بدانید این است که اطلاعات در بین این ارتباطات، پردازش می شوند و بر این اساس ممکن است یک سلول عصبی در پردازش اطلاعات موثر و یا کم اثر باشد. در عوض، در شبکه های عصبی تمامی اجزا مهم تلقی می شود. چون هیچ کدام از آنها به تنهایی نمی توانند، اطلاعات را پردازش کنند ولی وقتی تمام اجزا با هم کار کنند، موجب ایجاد یک عملکرد هوشمند می شوند.
برای این که این روش را بهتر درک کنید، به این مثال توجه نمایید: یک مورچه تنها را در نظر بگیرید، طبعا نه کاری می تواند بکند و نه اثری دارد، اما وقتی مجموعه ای از این مورچه ها جمع می شوند و یک کلونی را تشکیل می دهند، آنگاه جامعه ای از آنها درست می شود که در کلیت، هوشمند و موثر است، به طوری که حتی ما هم با دانستن راز های زندگی جمعی مورچه ها، به فکر فرو می رویم! همین کار را هم می توان با شبکه های عصبی انجام داد و یک شبه مغز را ایجاد کرد.
– برنامه ریزی:
موجودات و به طور کلی، چیز های هوشمند، باید بتوانند هدف هایی را برای خود تعیین کرده و به آنها دست یابند. برای این کار اولا لازم است که تصوری از آینده خود داشته باشیم. یعنی وضع کنونی هدف مورد نظر را در نظر بگیریم و پیش بینی کنیم که تصمیماتی که خواهیم گرفت، چگونه می تواند بر آن تاثیر بگزارد. پس از این کار باید، برای رسیدن به بهترین نتیجه؛ از بین گزینه هایی که داریم، بهترین و سودمند ترین آنها را انتخاب نماییم.
پس تصمیم گیری و برنامه ریزی از این روش، کاری است که بدون هوشمندی، نمی توان آن را انجام داد و فقط موجودات هوشمند از پس آن بر می آیند!
در مسائل کلاسیکی که در مورد برنامه ریزی وجود داشت، عامل هوشمند می توانست فرض کند که تنها یک چیز (هدف مورد نظر) در جهان فعال است و احتمالا می توان نتیجه آن را تغییر داد. بنا بر این هدف مورد نظر تعیین می شد و برای آن راه حل هایی ارائه می گردید. همچنین عامل هوشمند – که میتواند برنامه و یا هر چیز دیگری باشد – به طور مرتب و دائمی چک می کرد که پیشگویی هایش درست باشد و اگر اینطور نبود، راه حل مورد نظر برای هدفش را تغییر می داد.
در این مورد می توانید یک روبوت را در نظر بگیرید که می خواهد از یک مسیر مارپیچ عبور نماید. این روبوت ابتدا هر یک از این مسیر ها را امتحان می کند و اگر هر کدام از آنها به بن بست، بر خورد، آن را به حافظه می سپارد تا دوباره تکرارش نکند و این عمل را آنقدر ادامه می دهد که راه خودش را بیابد! ( این یک تعریف بسیار ساده بود)
– یادگیری:
ایجاد امکان یادگیری برای ماشین ها، همواره از پژوهش های اصلی در زمینه ی هوش مصنوعی بوده است. یادگیری بدون نظارت: قابلیت یادگیری الگو ها، از اطلاعات ورودی را فراهم میکند. یادگیری نظارت شده هم، می تواند هردو امکان: طبقه بندی و عبرت عددی را ایجاد کند.
طبقه بندی این امکان را می دهد که کامپیوتر بتواند تشخیص دهد که چه چیز هایی را می توان در یک گروه خاص گنجاند. عبرت عددی (Regression takes) نیز به این صورت عمل می کند که بعد از دادن چیز هایی به عنوان ورودی به کامپیوتر و مشخص کردن خروجی دقیق آنها، کامپیوتر می تواند روابط بین ورودی و خروجی را کشف کرده و الگوریتم ها و توابع پیوسته ای را برای آنها تعیین کند. این روش برای به وجود آوردن الگوریتم های بسیار پیچیده، مفید خواهد بود.
اجازه دهید تا در این مورد مثالی بزنیم: وقتی در حال رانندگی هستید و به عابران پیاده نگاه می کنید، می توانید تا حد زیادی تشخیص دهید که آنها قصد چه کاری را دارند. مثلا می خواهند از خیابان رد شوند یا این که تاکسی بگیرند و یا این که فقط سر جای خود ایستاده اند. خب، این کار برای من و شما نسبتا ساده است اما اساسا برای نوشتن الگوریتم آن برای کامپیوتر، از دست یک انسان کاری ساخته نیست. با استفاده از روش عبرت عددی می توان با روش های خاص این مورد را با مثال های زیادی به کامپیوتر و برنامه ی مربوطه نشان داد و به تدریج الگوریتم مورد نیاز را تحویل گرفت.
اما چیزی که باید هم اکنون به آن اشاره کرد، عملیات تقویت یادگیری است. این کار به این صورت انجام می پذیرد که تئوری تصمیم گیری کامپیوتر آنالیز شده و برداشت های سودمند آن تئوری، مورد تاکید قرار می گیرند. در واقع کار های درست با تشویق (به صورت اولویت دادن) و کار های غلط با تنبیه (به صورت امتیاز منفی) پاسخ داده می شوند و به همین خاطر یادگیری کامپیوتر به طور مرتب بهبود می یابد.
یادداشت: آنالیز الگوریتم های یادگیری ماشین ها، شاخه ای از علوم نظری کامپیوتر است که با نام تئوری یادگیری کامپیوتری شناخته می شود.
پردازش زبان طبیعی:
پردازش زبان طبیعی یا Natural Language Processing، به ماشین های هوش مند این قابلیت را می دهد که زبان انسان ها را بخوانند و آنها را متوجه شوند. بسیاری از تحقیقات به این نتیجه رسید که برای ایجاد قدرت کافی برای سیستم پردازش زبان طبیعی، نیاز است که اطلاعات زیاد و کاملی را به این سیستم ارائه کنیم که می تواند با استفاده از خواندن متن های موجود در اینترنت انجام شود.
برنامه هایی که هم اکنون در زمینه پردازش زبان طبیعی درست عمل می کنند، از امکاناتی مانند: بازیابی اطلاعات، جستجو در متن ها و امکان ترجمه ماشینی بهره مند اند.
– حرکت و جا به جا کردن اجسام: تحقیقات در زمینه روبوتیک، بیش از هر چیزی به هوش مصنوعی وابسته است. روبات ها برای موارد بسیار زیادی نیاز به هوشمندی دارند که از جمله آنها می توان مواردی مانند: مسیر یابی ، جا به جا کردن، این که بدانند کجا هستند، این که درکی از محیط خود داشته باشند و بتوانند برای حرکت به سوی نقطه خاصی، برنامه ریزی نمایند و هدف خود را تعیین کنند. بدین ترتیب هوش مصنوعی برای روبات ها بسیار پر کاربرد است و تقریبا در تمام زمینه های ذکر شده از آن استفاده می نمایند
ادراک:
درک ماشینی، به آنها این امکان را می دهد که بتوانند با استفاده از سنسور های ورودی خود، نظیر: دوربین، میکروفون ها و دیگر سنسور های عجیب و غریب (!) ؛ از محیط خود برداشت صحیحی داشته و بتواند محیط پیرامون خود را درک کند. در اصل، بینایی کامپیوتری این امکان را می دهد که کامپیوتر بتواند چیز هایی که می بیند را مورد تجزیه و تحلیل قرار دهد. چند مورد از آنالیز های معروف در روبات ها عبارت است از : آنالیز صحبت و صدا ها و تشخیص منظور، آنالیز چهره ها و تشخیص حالات آن ها. مانند: خشم، ناراحتی، خنده و … ، آنالیز اشیاء پیرامون و تشخیص آنها .
با استفاده از انواع آنالیز ها و تجزیه و تحلیل هایی که در بالا ذکر شدند، روبات ها قادر خواهند بود که بسیار هوشمند تر از قبل عمل کنند. مثلا در جا به جایی اجسام شیشه ای، دقت بیشتری کنند. برای کسی که ناراحت و عصبانی است، جک تعریف نکند! و سلام را با خدا حافظ پاسخ ندهد.
ابتکار وخلاقیت:
یکی از شاخه های مهم، هوش مصنوعی سعی در ایجاد قوه ی خلاقیت در کامپیوتر دارد. پیاده سازی ابتکار و خلاقیت در هوش مصنوعی، هم از نظر فلسفی و هم از نظر فیزیولوژی قابل توجیه می باشد. همچنین از نظر عملی هم با پیاده سازی یک الگوریتم مخصوص که خروجی هایی هوشمندانه و متفکرانه تولید نماید، امکان پذیر است. این شاخه معمولا با نام های: درک مصنوعی (Artificial Intuition) و پندار مصنوعی (Artificial Imagination) شناخته می شود. برای پرهیز از پیچیده شدن مقاله، توضیح بیشتری نمی دهیم اما می توانید مباحث مربوط به این دو را نیز در سایت های دیگر دنبال نمایید
هوش عمومی:
برای پیاده سازی هوش عمومی روی کامپیوتر نیاز است که از تمامی توانایی های بالقوه ی هوش مصنوعی استفاده کنیم. برای مثال مترجم متن گوگل را در نظر بگیرید؛ می دانیم که این مترجم در حال حاضر با خطا های بسیاری رو به رو است. حال اگر بخواهیم که اشکالات کار ترجمه، حل شود؛ می توانیم از هوش عمومی استفاده نماییم: برای ترجمه خوب باید اول بفهمیم که نویسنده از چه استدلال ها و چه دلایلی برای مطرح کردن یک منظور خاص استفاده می کند.( به کار گیری جنبه درک استدلال و منطق)، همچنین باید بدانیم که موضوعی که درباره آن صحبت می شود چیست.(درک و جمع آوری اطلاعات). مرحله بعدی کار ما این است که مقصود نویسنده از جملات را پیدا کنیم؛ مثلا بفهمیم که دارد انتقاد می کند یا تعریف. (هوش اجتماعی). پس از این کار ها و در نظر گرفتن موارد فوق می توانیم به ترجمه یک متن بپردازیم.
– فرمان شناسی و شبیه سازی مغز:
در بین دهه های 1940 تا 1950، تعدادی از پژوهشگران توانستند، ارتباطی را بین علم عصب شناسی، نظریه اطلاعات و فرمان شناسی کشف کنند. نظریه اطلاعات، شاخه ای از ریاضیات کاربردی و مهندسی الکترونیک است که به تعیین و تعریف اطلاعات می پردازد. نظریه اطلاعات در ابتدا به بررسی راه حل هایی برای تعریف حد و حدود پردازش سیگنال ها می پرداخت و در کار هایی مانند فشرده سازی، ذخیره و رد و بدل کردن اطلاعات استفاده می شد. پس از آن، نظریه اطلاعات به سرعت وسعت پیدا کرد و اکنون در زمینه های گسترده ای از جمله پردازش زبان طبیعی، رمز گذاری و استنباط آماری استفاده می شود.
تعدادی از این پژوهشگران، به منظور پیاده سازی هوش مصنوعی (هر چند ناقص) در آن زمان، از شبکه های الکترونیکی استفاده کردند. پس از آن تحقیقات در این باره بیشتر هم شدند و معمولا در انجمن های علمی دانشگاه های پرینستون (Princeton) آمریکا و Ratio Club انگلستان، نتایج این تحقیقات ارائه می شد. با این که در این مورد، زحمت بسیاری کشیده شد، ولی در عمل، استفاده از روش های شبیه سازی به مغز، در آن زمان نتوانست راه به جایی ببرد و سر انجام در سال 1960 متوقف شد. زیرا تحقیقات بر روی این مساله علاوه بر این که بازدهی کمی داشتند، بسیار پر دردسر، پر هزینه، سخت و وقت گیر بودند پس استفاده از زبان سمبلیک، از همه ی جهات صرفه بیشتری نسبت به این مورد داشت
استفاده از زبان سمبلیک:
اواسط دهه ی 1950، زمانی بود که دسترسی به کامپیوتر های دیجیتالی عملا ممکن شده بود. در همان زمان بود که کاوش ها برای "ممکن کردن شبیه سازی هوش انسان در کامپیوتر با استفاده از سمبل ها و نماد ها"، شروع شد. مرکز پژوهش ها در این زمینه روی چند دانشگاه مهم، متمرکز شده بود. یعنی دانشگاه های : ام آی تی، سی ام یو و استنفورد آمریکا. هر یک از این دانشگاه ها سعی داشتند تا سبک مخصوص به خود را در تحقیقات پیاده سازی کنند.
— شبیه سازی شناختی شبیه سازی روش حل مساله توسط انسان ها:
هربت سیمون، اقتصاد دان و آلن نویل، مطالعه هایی در مورد توانایی حل مسئله توسط انسان ها انجام دادند و تلاش کردند که به مطالعه های خود رسمیت ببخشند. در واقع کار این دو فرد بود که اساس و بنیان هوش مصنوعی شد و تحقیقات جدی و پرثمری را در این باره پایه ریزی کرد. تیم تحقیقاتی آنها از نتایج آزمایشات روانشناختی انجام شده، استفاده می کرد تا بتوانند، برنامه هایی را طراحی کنند که شیوه حل مسائل توسط انسان ها را شبیه سازی نماید. (درک مساله، جمع آوری اطلاعات و آگاهی از جزئیات، پردازش اطلاعات ، حل مساله و آزمایش راه حل) مرکز تحقیقات در این مورد، دانشگاه سی ام یو بود. سر انجام این روش، پدید آمدن Soar بود که یک معماری نرم افزاری برای موارد این چنینی را عرضه می کرد.
در واقع اساس کار آنها در شبیه سازی شناختی، این بود که: سعی کنند؛ نحوه فکر، درک،شناخت و حل مسائل توسط انسان را در کامپیوتر شبیه سازی کنند تا بدین وسیله بتوانند، رفتار کامپیوتر را به انسان که نزدیک کنند
روش مبنی بر منطق:
برخلاف هربت سیمون و آلن نویل؛ جان مک کارتی احساس می کرد که ماشین ها نیازی به شبیه سازی نحوه فکر انسان ها ندارند! بلکه در عوض باید سعی کنیم تا ماهیت و اساس، استدلال و حل مسائل را بیابیم و نیازی نیست، توجه کنیم که آیا انسان ها دقیقا از همان روش ها برای استدلال خود کمک می گیرند یا خیر.
آزمایشگاه او در دانشگاه استنفورد، تحقیقاتش را روی استفاده از منطق قراردادی برای حل انواع و اقسام مسائل متمرکز کرده بود. همچنین تحقیقات و یافته های این آزمایشگاه شامل روش هایی برای پیاده سازی: نمایش اطلاعات، برنامه ریزی و یادگیری می شد. منطق قرار دادی شامل قوانین منطقی ای می شود که به اثبات رسیده اند، مانند قوانین دمورگان و …. (ترکیب های فصلی، عطفی،شرطی، دو شرطی و …)
تحقیقات متمرکز این تیم در دانشگاه ادینبرگ منجر به گسترش علوم مربوط به برنامه نویسی منطقی (Logic Programming) و پدید آمدن زبانی به نام پرولُگ (Prolog) شد
روش غیر منطقی یا ((نا متعارف))!
پژوهشگران در دانشگاه ام آی تی (از جمله: ماروین مینسکی و سیمور پیپرت) این نکته را دریافتند که حل مسائل مشکل و پیچیده، چه در منطق کامپیوتری و چه در پردازش زبان طبیعی، دارای یک فرمول یک پارچه و خاص نیست. در واقع هیچ فرمول و قانون ثابتی (مانند منطق) وجود ندارد که بتواند، تمام جوانب هوش مندی را دربر بگیرد. راجر اسچنک روش غیر منطقی یا نا متعارف را به عنوان راه حلی برای حل مسائل توضیح داد ( درست بر خلاف راه حل هایی که دانشگاه های سی ام یو و استنفورد توضیح داده بودند.)
شعور و تحلیل و قضاوت عام انسان ها و یا تعبیری که به آن Commonsense knowledge bases نیز نمونه هایی از روش غیر منطقی و ( از نظر منطقی نا متعارف هستند). می توانید برای بهتر فهمیدن این مساله به تعریف قضاوت عام در بخش اول مطلب مراجعه کنید اما این را بدانید که اگر فهم این مساله برای شما نسبتا آسان است، برای کامپیوتر بسیار سخت بود، چون در آن زمان، محققان پرتلاش باید با دستان خود این مباحث را به کامپیوتر می فهماندن و این مساله فوق العاده مشکل بود اما دست کم امکان پذیر بودن آن برای توسعه هوشمندی، محققان را دلگرم به ادامه تلاش های خود می کرد.
بانک ادراک و اطلاعات:
در سال 1970، یعنی زمانی که کامپیوتر های با حافظه های بیشتر وارد بازار شدند. محققان هر سه جنبه ای که در بالا ذکر شد؛ تلاش های خود را برای تولید معرفت و ادراک در نرم افزار های هوش مصنوعی، شروع کردند. این انقلاب اطلاعات و ادراک، موجب شد تا سیستم های هوشمند، بیش از پیش گسترش یابند و این را می توان اولین موفقیت مشترک، در زمینه هوش مصنوعی دانست.
این انقلاب اطلاعاتی و ادراکی باعث افزایش برنامه های هوش مصنوعی شد هر چند بعضی از این برنامه ها ساده بودند، ولی از این رو نیاز به اطلاعات بیشتر همواره از سوی این برنامه ها طلب می شد و با بیشتر شدن اطلاعات باز هم برنامه های بیشتری تولید می شد. پس این مساله به صورت چرخه ای در آمده بود که باعث بیشتر شدن پیشرفت هوش مصنوعی در این دوره شد.
– استفاده از زبان های بر پایه Sub-Symbolic:
در طی دهه ی 1960، زبان های سمبلیک، توانستند به موفقیت های بزرگی در شبیه سازیِ ادراک و شعور و هوشمندیِ سطح بالا، در برنامه های استدلالی و اثباتی (هر چند کوچک) برسند. در آن دوره استفاده از شبکه های عصبی تقریبا کمرنگ شده بود. هرچند که در سال های دهه ی 1970، همانطور که در بالا گفته شد، زبان سمبلیک گسترش زیادی پیدا کرد؛ اما این موفقیت، باعث این نشد که محققان نسبت به شبکه های عصبی، نا امید شوند.
در دهه ی 1980، در حالی که هنوز تحقیقات در باره زبان های سمبلیک ادامه داشت، عده ای معتقد بودند که زبان سمبلیک هیچگاه نخواهد توانست که تمامی اعمال هوشمند انسان را شبیه سازی نماید. آن ها، ادراک کامل، الگوشناسی و الگویابی، یادگیری و موفقیت در زمینه های روبوتیک را، انحصاری برای زبان های Sub-Symbolic می دانستند. پس به همین دلیل عده ای از محققان تحقیقات بیشتر در مورد زبان Sub-Symbolic را شروع کردند.
محققانی در زمینه های وابسته به علم روبوتیک، مانند رادنی بروکس؛ استفاده از زبان های سمبلیک در هوش مصنوعی را رد کردند و ترجیه دادند که روی مهندسی مسائل و مشکلات پایه ای تمرکز کنند تا بتوانند به حرکت و اعمال بهتر در ربات ها دست پیدا کنند.کار های این گروه از پژوهشگران، تحقیقات در زمینه ی فرمانشناسی و زبان Sub-Symbolic را دوباره احیا کرد. کار های آنان همزمان با پیشرفت هایی بود که در زمینه هایی از جمله: نظریه تجسم ذهنی، که یکی از شاخه های وابسته به ((شبیه سازی شناختی)) بود؛ انجام می شد. همانطور که به یاد دارید، شبیه سازی شناختی سعی می کرد که رفتار انسان ها در زمینه هایی مانند: حرکت، ادراک، احساسات و تفکر را شبیه سازی نماید. شبیه سازی این موارد هم نیاز به سطح بالاتری از هوشمندی داشت که محققان سعی در ایجاد آن داشتند.
– هوش الگوریتمی:
Computational Intelligence یا هوش الگوریتمی، که به نوعی به شبکه های عصبی وابسته بود، توسط دیوید رامل هارت و چند تن دیگر در اواسط دهه ی 1980 احیا شد. هم اکنون مواردی از جمله سیستم های فازی و محاسبات تکاملی، از مواردی هستند که از دل هوش الگوریتمی بیرون آمده اند
سیستم های فازی، یک نوع سیستم کنترلی هستند که بر پایه منطق فازی فعالیت می کنند، کار این گونه سیستم ها ، تجزیه و تحلیل منطقی داده های ورودی آنالوگ؛ و تبدیل آنها به دیجیتال است. یعنی داده ها را میگیرد و به دیجیتال تبدیل میکند. اما به یک نکته ی مهم توجه داشته باشید: برنامه هایی که نوشته می شوند، دیجیتال هستند و بر پایه 0 و 1، یعنی اطلاعات را یا درست می دانند، یا غلط (بر اساس منطق) اما دنیا و جهان حقیقی این گونه نیست، در همانگونه که بعضی از متخصصان هوش مصنوعی گفته بودند، منطق نمی تواند تمام جوانب انسانی را در کامپیوتر عملی سازد؛ در جهان واقعی نیز هیچ چیز مطلقا درست یا نادرست نیست، و همه چیز تا حدی درست و تا حدی نادرست است؛ تا حدی خوب و تا حدی بد است؛ تا حدی مشکل و تا حدی آسان است. سیستم های فازی درکی این چنینی از مسائل دارند؛ یعنی چیزی بین 0 و 1 !
برای این که این مفاهیم برای شما مبهم نباشد، لازم است به چند مثال در زندگی روزمره خود، روی بیاوریم. ما می توانیم از اطلاعاتی که مبهم هستند، نتیجه گیری صحیحی داشته باشیم، منطق فازی هم قصد انجام چنین کاری را دارد. مثلا ما می توانیم با در نظر گرفتن دمای هوا، تعیین کنیم که چه نوع لباسی بپوشیم. این داده مبهم است چون ما از دما بر حسب درجه سانتی گراد، خبر نداریم ولی می توانیم دمای نسبی را احساس کنیم. مثلا بگوییم هوا گرم است و این دما دقیق نیست؛ چون برای یک اسکیمو دمای 12 درجه متعادل است. اما یک افریقایی در این دما، می لرزد! اما هر دوی آنها با توجه به گرمی و سردی هوا (از نظر خودشان) در مورد نوع لباس خود تصمیم گیری می کنند.
گردآورنده:
منابع تکمیلی :
ویکی پدیا(انگلیسی)
انجمن سیستم های فازی ایران
36