هوش مصنوعی (Artificial Intelligence)
هوش مصنوعی(AI)، عبارت است از توانایی یک کامپیوتر یا ربات کنترل شده توسط کامپیوتر برای انجام وظایفی که معمولاً با موجودات هوشمند مرتبط است. این اصطلاح غالباً به پروژه توسعه سیستم‌هایی اطلاق می‌شود که دارای فرآیندهای فکری مشخصه انسان‌ها هستند، مانند توانایی استدلال، کشف معنا، تعمیم یا یادگیری از تجربیات گذشته. از زمان توسعه رایانه در دهه 1940، نشان داده شده است که رایانه ها را می توان برای انجام کارهای بسیار پیچیده مانند کشف برهان های قضایای ریاضی یا بازی شطرنج با مهارت زیاد برنامه ریزی کرد. با این حال، علیرغم پیشرفت‌های مداوم در سرعت پردازش رایانه ها و ارتقاء ظرفیت حافظه، هنوز هیچ برنامه‌ای وجود ندارد که بتواند انعطاف‌پذیری انسان را در حوزه‌های وسیع‌تر یا در کارهایی که نیاز به دانش روزانه زیادی دارد، مطابقت دهد. از سوی دیگر، برخی از برنامه‌ها در انجام برخی وظایف خاص به سطوح کارایی متخصصان انسانی دست یافته‌اند، به طوری که هوش مصنوعی در این معنای محدود در کاربردهایی مانند تشخیص پزشکی، موتورهای جستجوی رایانه‌ای و تشخیص صدا یا دست خط یافت می‌شود.
همه رفتار های انسان به جز رفتارهای ساده، به هوش نسبت داده می شود، در حالی که حتی پیچیده ترین رفتار حشرات هرگز به عنوان نشانه ای از هوش تلقی نمی شود. تفاوت در چیست؟ رفتار زنبور را در نظر بگیرید. هنگامی که زنبور ماده، با غذا به لانه خود برمی گردد، ابتدا آن را روی آستانه می گذارد، وجود مزاحمان را در داخل لانه خود بررسی می کند و تنها پس از آن که اطمینان یابد، غذای خود را به داخل می برد. ماهیت واقعی رفتار غریزی زنبور اینگونه آشکار می شود که اگر غذا در حالی که او در داخل است، چند سانتیمتر از ورودی لانه او دورتر شود، هنگامی که بیرون می آید، هر چند باری که غذا جابجا می شود، کل روش را تکرار می کند.
روان شناسان عموماً هوش انسان را تنها با یک ویژگی مشخص نمی کنند، بلکه با ترکیبی از توانایی های بسیارمتنوع مشخص می نمایند. تحقیقات در هوش مصنوعی عمدتاً بر مؤلفه‌هایی از هوش مانند: یادگیری، استدلال، حل مسئله، ادراک و استفاده از زبان متمرکز شده است.
یادگیری
انواع مختلفی از یادگیری برای هوش مصنوعی وجود دارد. ساده ترین آن یادگیری با آزمون و خطا است. به عنوان مثال، یک برنامه کامپیوتری ساده برای حل مسائل شطرنج mate-in-one ممکن است حرکات را به صورت تصادفی امتحان کند تا زمانی که جفت پیدا شود. سپس برنامه ممکن است راه حل را با موقعیت ذخیره کند تا دفعه بعد که رایانه با همان موقعیت روبرو شد، راه حل را به خاطر بیاورد. این به خاطر سپردن ساده اقلام و رویه‌های فردی که به عنوان یادگیری روت (Rote Learning) شناخته می‌شود بر روی کامپیوتر نسبتاً آسان است. چالش برانگیزتر، مشکل اجرای چیزی است که تعمیم نامیده می شود. تعمیم شامل استفاده از تجربه گذشته در موقعیت های مشابه جدید است. به عنوان مثال، برنامه‌ای که زمان گذشته افعال معمولی انگلیسی را به‌طور خلاصه یاد می‌گیرد، نمی‌تواند زمان گذشته کلمه‌ای مانند jump را تولید کند، مگر اینکه قبلاً با jumped ارائه شده باشد، در حالی که برنامه‌ای که قادر به تعمیم دادن باشد، می‌تواند یاد بگیرد.
استدلال
استدلال به معنای استنتاج مناسب با موقعیت است. استنتاج ها به دو دسته قیاسی یا استقرایی طبقه بندی می شوند. مثال اول این است: «فرد باید در موزه یا کافه باشد. او در کافه نیست. بنابراین او در موزه است.» مثال دوم این است: ترمز ماشین چند دقیقه بعد از خروج از تعمیرگاه خالی کرد و ماشین دچار حادثه شد. بنابراین این حادثه ناشی از خرابی ابزار بوده است. مهم‌ترین تفاوت بین این اشکال استدلال این است که در حالت قیاسی، صدق مقدمات صدق نتیجه را تضمین می‌کند، در حالی که در مورد استقرایی، صدق مقدمه به نتیجه‌گیری بدون اطمینان مطلق کمک می‌کند. استدلال استقرایی در علم رایج است، جایی که داده‌ها جمع‌آوری می‌شوند و مدل‌های آزمایشی برای توصیف و پیش‌بینی رفتار آینده توسعه می‌یابند تا زمانی که ظاهر داده‌های غیرعادی مدل را مجبور به تجدید نظر کند. استدلال قیاسی در ریاضیات و منطق رایج است، جایی که ساختارهای پیچیده از قضایای انکار ناپذیر از مجموعه کوچکی از بدیهیات و قوانین اساسی ساخته شده است. موفقیت قابل توجهی در برنامه نویسی رایانه ها برای استنتاج، به ویژه استنتاج های قیاسی وجود داشته است. با این حال، استدلال واقعی شامل چیزی بیش از استنتاج است. این شامل استخراج استنتاج های مرتبط با راه حل یک کار یا موقعیت خاص است. این یکی از سخت ترین مشکلات پیش روی هوش مصنوعی است.
حل مسئله
حل مسئله، به ویژه در هوش مصنوعی، ممکن است به عنوان یک جستجوی سیستماتیک از طریق طیف وسیعی از اقدامات ممکن برای رسیدن به یک هدف یا راه حل از پیش تعریف شده مشخص شود. روش های حل مسئله به دو هدف خاص و هدف کلی تقسیم می شوند. یک روش با هدف خاص برای یک مشکل خاص ساخته شده است و اغلب از ویژگی های بسیار خاص موقعیتی که مشکل در آن جاسازی شده است استفاده می کند. در مقابل، یک روش همه منظوره برای طیف وسیعی از مسائل قابل استفاده است. یکی از تکنیک‌های همه‌منظوره مورد استفاده در هوش مصنوعی، تجزیه و تحلیل میانگین پایه است. کاهش گام به گام یا افزایشی تفاوت بین وضعیت فعلی و هدف نهایی. این برنامه اقدامات را از فهرستی از ابزارها انتخاب می‌کند. در مورد یک ربات ساده، این ممکن است شامل Pickup و Putdown و Moveleft و Moveback و Moveforward و Moveright باشد. تا زمانی که به هدف برسد. بسیاری از مشکلات مختلف توسط برنامه های هوش مصنوعی حل شده است. برخی از نمونه‌ها یافتن حرکت برنده (یا دنباله حرکت‌ها) در یک بازی رومیزی، ابداع برهان‌های ریاضی، و دستکاری «اشیاء مجازی» در دنیای کامپیوتری است.
ادراک
در ادراک، محیط با استفاده از اندام‌های حسی مختلف واقعی یا مصنوعی اسکن می‌شود و صحنه در روابط فضایی مختلف به اشیاء جداگانه تجزیه می‌شود. تجزیه و تحلیل این واقعیت پیچیده است زیرا ممکن است که یک شی بسته به زاویه‌ای که از آن مشاهده می شود (جهت و شدت نور در صحنه و میزان تضاد جسم با میدان اطراف خود) متفاوت به نظر برسد. در حال حاضر، ادراک مصنوعی به اندازه کافی پیشرفته است تا جائیکه از حسگرهای نوری برای شناسایی افراد، وسایل نقلیه خودران برای رانندگی با سرعت متوسط در جاده‌های باز و روبات‌ها برای پرسه زدن در ساختمان‌هایی که قوطی‌های خالی نوشابه را جمع‌آوری می‌کنند، استفاده می شود. یکی از اولین سیستم‌هایی که ادراک و عمل را ادغام کرد،FREDDY بود، یک ربات ثابت با چشم تلویزیون متحرک و یک دست گیره، که در دانشگاه ادینبورگ اسکاتلند در دوره 1966-1973 به سرپرستی دونالد میچی ساخته شد FREDDY قادر بود اشیاء مختلفی را تشخیص دهد و می‌توانست به او دستور داده شود که مصنوعات ساده مانند یک ماشین اسباب‌بازی را از انبوهی تصادفی از اجزا جمع‌آوری کند.
زبان
زبان، سیستمی از نشانه‌هاست که بر اساس قرارداد معنا دارند. در این معنا زبان نیازی به محدود شدن به کلام گفتاری ندارد. به عنوان مثال، علائم راهنمایی و رانندگی، یک زبان کوچک را تشکیل می دهند، این یک موضوع قراردادی است که این علامت (⚠) در برخی کشورها به معنای "خطر پیش رو" بوده و متمایز از زبان‌ها است. واحدهای زبانی به طور قراردادی دارای معنا هستند و معنای زبانی با آنچه که معنای طبیعی نامیده می‌شود بسیار متفاوت است که نمونه آن در جملاتی مانند «آن ابرها به معنای باران است» و «کاهش فشار به این معنی است که شیر کار نمی‌کند». یکی از ویژگی‌های مهم زبان‌های انسانی تمام عیار بر خلاف صدای پرندگان و علائم راهنمایی و رانندگی، بهره وری آنهاست. یک زبان سازنده می تواند انواع نامحدودی از جملات را فرموله کند. نوشتن برنامه‌های رایانه‌ای که به نظر می‌رسد در زمینه‌های بسیار محدود، قادر به پاسخ روان به زبان انسانی و به سؤالات و اظهارات باشند، نسبتاً آسان است. اگرچه هیچ یک از این برنامه ها واقعاً زبان را نمی فهمند، اما اصولاً ممکن است به جایی برسند که تسلط آنها بر یک زبان از یک انسان معمولی قابل تشخیص نباشد. در این صورت، اگر حتی کامپیوتری که از زبانی مانند زبان یک انسان بومی استفاده می‌کند، درک درستی نداشته باشد، چه چیزی را شامل می‌شود؟ هیچ پاسخ مورد توافق جهانی برای این سوال دشوار وجود ندارد. بر اساس یک نظریه، فهمیدن یا نفهمیدن فرد نه تنها به رفتار، بلکه به تاریخچه او نیز بستگی دارد. برای اینکه بتوان گفت که می فهمد، باید زبان را یاد گرفته باشد و آموزش دیده باشد تا به وسیله ابزاری جایگاه خود را در جامعه زبانی بگیرد. (تعامل با سایر کاربران زبان)
روش ها و اهداف در هوش مصنوعی
تحقیقات هوش مصنوعی از دو روش متمایز پیروی می کند، رویکرد نمادین (یا "از بالا به پایین") و رویکرد پیوندگرا (یا "از پایین به بالا)“. رویکرد از بالا به پایین به دنبال تکرار هوش با تجزیه و تحلیل شناخت مستقل از ساختار بیولوژیکی مغز بر حسب پردازش نمادها از آنجا که برچسب نمادین است می باشد. از سوی دیگر، رویکرد پایین به بالا شامل ایجاد شبکه‌های عصبی مصنوعی به تقلید از ساختار مغز از آنجایی که برچسب پیوندگرایانه است میباشد. برای نشان دادن تفاوت بین این رویکردها، وظیفه ساختن یک سیستم مجهز به یک اسکنر نوری را در نظر بگیرید که حروف الفبا را تشخیص دهد. رویکرد پایین به بالا معمولاً شامل آموزش یک شبکه عصبی مصنوعی با ارائه حروف یک به یک به آن، بهبود تدریجی عملکرد با "تنظیم" شبکه است. (تنظیم پاسخگویی مسیرهای عصبی مختلف را با محرک‌های مختلف تنظیم می‌کند.) در مقابل، رویکرد از بالا به پایین معمولاً شامل نوشتن یک برنامه رایانه‌ای است که هر حرف را با توضیحات هندسی مقایسه می‌کند. به بیان ساده، فعالیت های عصبی اساس رویکرد از پایین به بالا هستند، در حالی که توصیفات نمادین اساس رویکرد از بالا به پایین هستند. در کتاب مبانی یادگیری (1932)، ادوارد تورندایک روانشناس دانشگاه کلمبیا درشهر نیویورک برای اولین بار پیشنهاد کرد که یادگیری انسان شامل برخی از ویژگی های ناشناخته اتصالات بین نورون های مغز است. در سازمان رفتار (1949)، دونالد هب، روانشناس در دانشگاه مک گیل مونترال کانادا، پیشنهاد کرد که یادگیری به طور خاص شامل تقویت الگوهای خاصی از فعالیت عصبی با افزایش احتمال شلیک نورون القایی بین اتصالات مرتبط است.
در سال 1957 دو طرفدار سرسخت هوش مصنوعی نمادین، آلن نیول، محقق شرکت RAND در سانتا مونیکای کالیفرنیا و هربرت سیمون، روانشناس و دانشمند کامپیوتر در دانشگاه کارنگی ملون پیتسبورگ پنسیلوانیا، رویکرد از بالا به پایین را در آنچه آنها فرضیه سیستم نماد فیزیکی نامیده می شود ارائه کردند. این فرضیه بیان می‌کند که ساختارهای پردازش نمادها، اصولاً برای تولید هوش مصنوعی در یک رایانه دیجیتال کافی است و علاوه بر این، هوش انسانی نتیجه همان نوع دستکاری‌های نمادین است.
در طول دهه‌های 1950 و 1960، رویکردهای بالا به پایین و پایین به بالا به طور همزمان دنبال می‌شد و مدعیان هر دو نظریه به نتایج قابل توجهی دست یافتند. با این حال، در طول دهه 1970، نظریه هوش مصنوعی از پایین به بالا نادیده گرفته شد و تا دهه 1980 بود که این رویکرد دوباره برجسته شد. امروزه هر دو رویکرد دنبال می شود و هر دو در اثبات نظر خود با مشکلاتی مواجه هستند. تکنیک‌های نمادین در حوزه‌های ساده‌شده کار می‌کنند، اما معمولاً در مواجهه با دنیای واقعی از بین می‌روند. در همین حال، محققان از پایین به بالا قادر به تکرار سیستم عصبی حتی ساده ترین موجودات زنده هم نبوده اند.
Caenorhabditis elegans، یک کرم بسیار مطالعه شده، تقریباً 300 نورون دارد که الگوی اتصالات آنها کاملاً شناخته شده است. با این حال، مدل‌های پیوندگرا حتی در تقلید از این کرم شکست خورده‌اند. بدیهی است که نورون‌های نظریه پیوندگرایی، ساده‌سازی بیش از حد فاحش یک شیء واقعی هستند.
هوش مصنوعی قوی، هوش مصنوعی کاربردی و شبیه سازی شناختی
با استفاده از روش های ذکر شده در بالا، تحقیقات هوش مصنوعی برای رسیدن به یکی از سه هدف تلاش می کند: هوش مصنوعی قوی، هوش مصنوعی کاربردی، یا شبیه سازی شناختی.
هدف هوش مصنوعی قوی ساخت ماشین‌هایی است که فکر می‌کنند. اصطلاح هوش مصنوعی قوی برای این دسته از تحقیقات در سال 1980 توسط فیلسوف جان سرل از دانشگاه کالیفرنیا در برکلی معرفی شد. جاه طلبی نهایی هوش مصنوعی قوی این است که ماشینی تولید کند که توانایی کلی فکری آن از توانایی های ذهنی انسان قابل تشخیص نباشد. همانطور که در بخش نقاط عطف اولیه در هوش مصنوعی توضیح داده شده است، این هدف در دهه های 1950 و 1960 علاقه زیادی ایجاد کرد، اما چنین خوش بینی جای خود را به درک دشواری های شدید موجود داده است و تا به امروز پیشرفت ناچیزی داشته است. برخی از منتقدان تردید دارند که آیا تحقیقات در آینده ای قابل پیش بینی، حتی سیستمی با توانایی فکری کلی یک مورچه ایجاد کند یا خیر. در واقع برخی از محققانی که در دو شاخه دیگر هوش مصنوعی کار می‌کنند، بر این باورند که هوش مصنوعی قوی ارزش پیگیری ندارد.
هوش مصنوعی کاربردی، که به عنوان پردازش اطلاعات پیشرفته نیز شناخته می‌شود، با هدف تولید سیستم‌های "هوشمند" تجاری قابل دوام است. به عنوان مثال، سیستم‌های تشخیص پزشکی "متخصص" و سیستم‌های معاملات سهام. همانطور که در بخش سیستم های خبره توضیح داده شد، هوش مصنوعی کاربردی موفقیت قابل توجهی داشته است. در شبیه‌سازی شناختی، رایانه‌ها برای آزمایش تئوری‌هایی در مورد نحوه عملکرد ذهن انسان استفاده می‌شوند. برای مثال، نظریه‌هایی درباره نحوه تشخیص چهره‌ها یا یادآوری خاطرات.
شبیه سازی شناختی در حال حاضر یک ابزار قدرتمند در علوم اعصاب و روانشناسی شناختی است.