توجه ! این یک نسخه آرشیو شده می باشد و در این حالت شما عکسی را مشاهده نمی کنید برای مشاهده کامل متن و عکسها بر روی لینک مقابل کلیک کنید : هوش مصنوعی
هوش یك روبات را چگونه می‌سنجند؟
یك گروه از محققان سوئیسی معیار تازه‌ی پیشنهاد كرده‌اند كه می‌تواند نظیر یك آزمون هوش عام برای سنجش میزان هوش روباتهای مختلف مورد استفاده قرار گیرد.
روشهای متعارف برای سنجش ضریب هوش انسانها، برای آزمودن هوش روباتها مناسب نیست زیرا این سیستمها داری حواس، توانائیهای ادراكی و محیطی كاملا متفاوت با انسانها هستند.
چند دهه قبل نیز یك ریاضیدان انگلیسی به نام آلن تورینگ آزمون ساده ی را برای تشخیص هوشمند بودن كامپیوترها پیشنهاد كرده بود اما این آزمایش نیز به كار مقایسه توانایی نسبی روباتهای امروز نمی آ‌ید.
آزمایش تورینگ نوعی آزمایش سیاه یا سفید بود: در این آزمایش معلوم می‌شد كه یا روبات به اندازه آدمی هوشمند است و یا چنین نیست.
آزمون تورین مبتنی بود بر برقرار ساختن گفت و گو با روبات. اگر روبات می‌توانست به نحو معناداری با مخاطب خود گفت و گو كند، آنگاه از آزمییش موفق بیرون می‌آمد، در غیر این صورت مردود محسوب میشود.
به نوشته هفته نامه علمی نیو سینتیست شین لگ و ماركوس هاتر در موسسه سوئیسی تحقیقات درباره هوش مصنوعی آزمون بدلیلی برای سنجش هوش سیستمهای هوشمند پیشنهاد كرده‌اند كه می‌تواند هوش انواع مختلف این سیستمها را، مانند سیستمهای رویت كامپیوتری، روباتها، سیستمهای پردازش زبان طبیعی، یا سیستمهایی كه در امور تجاری مورد استفاده قرار دارند، با یكدیگر مقایسه كند.
هرچند هنوز در میان متخصصان در این خصوص كه تعریف "هوش" چیست توافقی وجود ندارد اما مجموعه‌ی از مشخصه‌ها در این زمینه مطرح میشود كه عموماً ناظر به توانایی برای دستیابی به اهداف معین در محیطهای متنوع است.
این دو محقق همین تعریف را درباره سیستمهای هوشمند به كار گرفته‌اند و هوش سیستمهای هوشمند را بر مبنای توانائی آنها در اجری اهداف پیچیده در چارچوب محیطهای خاص، در قیاس با همه دیگر انواع محیطهاف تعریف می‌كنند.
اما محدودیتی كه در این تعریف وجود دارد آنست كه هنوز توافقی بر سر تعیین میزان پیچیدگی هر محیط میان متخصصان هوش مصنوعی وجود ندارد و دستیابی به چنین توافقی كار آسانی نیست.
به عنوان مثال بر مبنای تعریف پیشنهادی كامپیوتر دیپ بلو متعلق به شركت "ibm" كه موفق شد گاسپاروف را در مسابقات شطرنج شكست دهد، از حیث ضریب هوش از یك كامپیوتر مجهز به آلگوریتم یادگیری كلی و عام، كم هوش تر است زیرا تنها برای انجام یك وظیفه خاص طراحی شده است.
هوش مصنوعي چيست؟
تلاش در راه برخوردار نمودن رايانه از توانائيهاي شناخت وتقليد جنبه‌هاي هوشي انسان از دهه 1950 ميلادي آغاز شده است.در سال 1956 ميلادي، گروهي از دانشمندان از جمله ماروين‌مينسكي(2) (از دانشگاه فني ماساچوست)، كلود شانن(3) (ازآزمايشگاه نامدار بل) و جان مك‌كارتي(4) (از دانشگاه دارتموت(همايش در دارت موت (5)كانادا برگزار نمودند تا در اين‌زمينه به گفتگو بپردازند. جان مك كارتي دانشيار كرسي رياضي‌دانشگاه و ميزبان همايش، عنوان پهوش مصنوعي) را بر اين نشست‌نهاد.از آن زمان تاكنون ميان دانشمندان و خبرگان آگاه همچنان‌بحث در مفهوم هوش مصنوعي جريان دارد.
هوش مصنوعي را كوششهايي تعريف مي‌كنند كه در پي ساختن‌نظامهاي رايانه‌اي )سخت‌افزار و نرم‌افزار) است كه رفتاري انسان وارداشته باشند. چنين نظامهايي توان يادگيري زبانهاي طبيعي، انجام‌وظيفه‌هاي انساني به صورت آدمواره (ربات) و رقابت با خبرگي و توان‌تصميم‌گيري انسان را دارند.
يك سيستم هوش مصنوعي به راستي (نه مصنوعي (و )نه‌هوشمند (است. بلكه دستگاهي است هدف‌گرا كه مشكل را به روش مصنوعي حل‌مي‌كند اين سيستم‌ها بر پايه دانش، تجربه و الگوهاي استدلايي انسان‌بوجود آمده‌اند.
سيستم‌هاي هوش مصنوعي مانند كتاب با ديگر آثار فكري انسان‌مي‌باشند، تا زماني كه نوشته نشوند معلوماتي در خود ندارند. پس از آماده‌شدن نيز نمي‌توانند چيزي تازه بسازند و يا راه‌حل نويني ابداع كنند.سيستم‌هاي هوشمند، تنها و توانايي‌هاي كارشناسان را بالا مي‌برند وهرگز نمي‌توانند جانشين آنها شوند. اين سيستم‌ها فاقد عقل سليم هستند.
هوش مصنوعی
________________________________________
عناوين:
* چكيده
* مقدمه
* هوش مصنوعي چيست؟
* هوش مصنوعي و هوش انساني
* شاخه‌هاي هوش مصنوعي
* سيستم‌هاي خبره
* مزاياي سيستم‌هاي خبره
* آدمواره ها
* پردازش زبانهاي طبيعي (NLP)
* چكيده:
ـ هدف از اين مقاله آشنائي با هوش مصنوعي به عنوان سمبل ونماد دوران فراصنعتي و نقش و كاربرد آن در صنايع و مؤسسات‌توليدي ميباشد. بدين منظور، اين موضوع در قالب دو مقاله جداگانه‌و يا دو بخش ارائه ميشود. در (بخش اول) هوش مصنوعي موردمطالعه قرار مي‌گيرد و سئوالاتي نظير اين كه هوش مصنوعي‌چيست؟ تفاوت هوش‌مصنوعي و هوش طبيعي (انساني) درچيست؟ شاخه‌هاي عمده هوش مصنوعي كدامند؟ و نهايتأ، اجزاي‌هوش مصنوعي نيز تشريح ميشود. در بخش دوم،كاربردهاي هوش مصنوعي‌در صنايع و مؤسسات‌توليدي، بخصوص در زمينه‌سيستم‌هاي خبره وآدمواره‌ها مورد مطالعه وتجزيه و تحليل قرارمي‌گيرد.
* مقدمه:
دهه‌هاي آغازين سده بيستم ميلادي و دوران پيشرفت شگرف‌صنعتي، همراه با توليد خودرو بود كه انقلاب همه جانبه‌اين درترابري، افزايش شتاب جابجايي و صدها كار و پيشه جديد دررشته‌ها بازرگاني بوجود آورده است.
به نظر مي‌رسد كه سمبل دوران فراصنعتي و نماد فرآورده‌هاي‌بي‌همتاي قرن آينده«هوش مصنوعي»(1) است. امروزه موضوع‌هوش مصنوعي داغ‌ترين بحث ميان كارشناسان دانش رايانه واطلاعات و ديگر دانشمندان و تصميم‌گيرندگان است. در سراسرتاريخ تا به امروز انسان از جنبه تن و روان، مركز و محور بحث‌هاو پژوهش‌ها بوده است. ولي اكنون موجودي با رتبه‌اي پائين‌تر،بي‌جان و ساختگي مي‌خواهد جانشين او شود، امري كه بدون شك مي‌توان ادعا نمود بيشتر انسانها با آن مخالفند.
هوش مصنوعي چنانچه به هدف‌هاي والاي خود برسد، جهش‌بزرگي در راه دستيابي بشر به رفاه بيشتر و حتي ثروت افزون‌ترخواهد بود. هم اكنون نمونه‌هاي خوب و پذيرفتن از هوش مصنوعي‌در دنياي واقعي ما به كار افتاده است. چنين دستاوردهايي، صرف‌منابع لازم در آينده را همچنان توجيه خواهد كرد.
از سوي ديگر، منتقدين هوش مصنوعي چنين استدلال مي‌كنندكه صرف زمان و منابع ارزشمندديگر در راه ساخت فراورده‌اي كه‌پر از نقص و كاستي ودست‌آوردهاي مثبت اندكي است،مايه بدنام كردن و زير پا گذاشتن‌توانمندي‌ها و هوشمندي‌هاي‌انسان ميباشد. تلخ‌ترين انتقادهابر اين باور است كه هوش‌مصنوعي، توهين آشكار به گوهر طبيعت و نقش انسان است.
* هوش مصنوعي چيست؟
تلاش در راه برخوردار نمودن رايانه از توانائيهاي شناخت وتقليد جنبه‌هاي هوشي انسان از دهه 1950 ميلادي آغاز شده است.در سال 1956 ميلادي، گروهي از دانشمندان از جمله ماروين‌مينسكي(2) (از دانشگاه فني ماساچوست)، كلود شانن(3) (ازآزمايشگاه نامدار بل) و جان مك‌كارتي(4) (از دانشگاه دارتموت(همايش در دارت موت (5)كانادا برگزار نمودند تا در اين‌زمينه به گفتگو بپردازند. جان مك كارتي دانشيار كرسي رياضي‌دانشگاه و ميزبان همايش، عنوان پهوش مصنوعي) را بر اين نشست‌نهاد.از آن زمان تاكنون ميان دانشمندان و خبرگان آگاه همچنان‌بحث در مفهوم هوش مصنوعي جريان دارد.
هوش مصنوعي را كوششهايي تعريف مي‌كنند كه در پي ساختن‌نظامهاي رايانه‌اي )سخت‌افزار و نرم‌افزار) است كه رفتاري انسان وارداشته باشند. چنين نظامهايي توان يادگيري زبانهاي طبيعي، انجام‌وظيفه‌هاي انساني به صورت آدمواره (ربات) و رقابت با خبرگي و توان‌تصميم‌گيري انسان را دارند.
يك سيستم هوش مصنوعي به راستي (نه مصنوعي (و )نه‌هوشمند (است. بلكه دستگاهي است هدف‌گرا كه مشكل را به روش مصنوعي حل‌مي‌كند اين سيستم‌ها بر پايه دانش، تجربه و الگوهاي استدلايي انسان‌بوجود آمده‌اند.
سيستم‌هاي هوش مصنوعي مانند كتاب با ديگر آثار فكري انسان‌مي‌باشند، تا زماني كه نوشته نشوند معلوماتي در خود ندارند. پس از آماده‌شدن نيز نمي‌توانند چيزي تازه بسازند و يا راه‌حل نويني ابداع كنند.سيستم‌هاي هوشمند، تنها و توانايي‌هاي كارشناسان را بالا مي‌برند وهرگز نمي‌توانند جانشين آنها شوند. اين سيستم‌ها فاقد عقل سليم هستند.
* هوش مصنوعي و هوش انساني:
براي شناخت هوش مصنوعي شايسته است تا تفاوت آن را با هوش‌انساني به خوبي بدانيم. مغز انسان از ميلياردها سلول يا رشته عصبي‌درست شده است و اين سلول‌ها به صورت پيچيده‌اي به يكديگرمتصل‌اند. شبيه‌سازي مغز انسان ميتواند از طريق سخت‌افزار يا نرم‌افزارانجام گيرد. تحقيقات اوليه نشان داده است شبيه‌سازي مغز، كاري‌مكانيكي و ساده ميباشد. براي مثال، يك كرم داراي چند شبكه عصبي‌است. يك حشره حدود يك ميليون رشته عصبي دارد و مغز انسان ازهزار ميليارد رشته عصبي درست شده است. با تمركز و اتصال رشته‌هاي‌عصبي مصنوعي مي‌توان واحد هوش مصنوعي را درست كرد.
هوش انساني بسيار پيچيده‌تر و گسترده‌تر از سيستم‌هاي رايانه‌اي‌است و توانمنديهاي برجسته‌اي مانند: استدلال، رفتار، مقايسه، آفرينش‌و بكار بستن مفهومها را دارد.
هوش انساني توان ايجاد ارتباط ميان موضوع‌ها و قياس ونمونه سازيهاي تازه را دارد. انسان همواره قانون‌هاي تازه‌اي مي‌سازد و ياقانون پيشين را در موارد تازه بكار مي‌گيرد. توانايي بشر در ايجادمفهوم‌هاي گوناگون در دنياي پيرامون خود، از ويژگيهاي ديگر اوست.مفهوم‌هاي گسترده‌اي همچون روابط علت و معلولي، رمان و يامفهوم‌هاي ساده‌تري مانند گزينش وعده‌هاي خوراك (صبحانه، ناهار وشام) را انسان ايجاد كرده است. انديشيدن در اين مفهومها و بكاربستن‌آنها، ويژه رفتار هوشمندانه انسان است.
هوش مصنوعي در پي ساخت دستگاههايي است كه بتوانندتوانمندهاي ياد شده (استدلال، رفتار، مقايسه و مفهوم آفريني) را از خودبروز دهند. آنچه تاكنون ساخته شده نتوانسته است خود را به اين پايه‌برساند، هر چند سودمندي‌هاي فراواني به بار آورده است.
نكته آخر اينكه، يكي از علل رويارويي با مقوله هوش مصنوعي،ناشي از نام‌گذاري نامناسب آن ميباشد. چنانچه جان مك‌كارتي در سال1956 ميلادي آن را چيزي مانند «برنامه‌ريزي پيشرفته» ناميده بود شايد جنگ و جدلي در پيرامون آن رخ نمي‌داد.
* شاخه‌هاي هوش مصنوعي:
هوش مصنوعي به تعدادي ميدانهاي فرعي تقسيم شده است و سعي‌دارد تا سيستم‌ها و روشهايي را ايجاد كند كه بطور تقليدي مانند هوش ومنطق تصميم‌گيرندگان عمل نمايد.
سه شاخه اصلي هوش مصنوعي عبارتند از: سيستم‌هاي‌خبره(ES)(6)، آدمواره‌ها(7) و پردازش زبان طبيعي (8) كه در زير به‌صورت تصويري نشان داده شده است.
هوش مصنوعي در يك نگاه
* سيستم‌هاي خبره
سيستم‌هاي خبره، برنامه‌هاي كاميپوتري هوشمندي هستند كه دانش‌و روشهاي استنباط و استنتاج را بكار مي‌گيرند تا مسائلي را حل كنند كه‌براي حل آنها به مهارت انساني نياز است.
سيستم‌هاي خبره كاربر را قادر به مشاوره با سيستم‌هاي كامپيوتري‌در مورد يك مسئله و يافتن دلايل بروز مسئله و راه‌حل‌هاي آن مي‌كند.در اين حالات مجموعه سخت‌افزار و نرم‌افزار تشكيل دهنده سيستم‌خبره، مانند فرد خبره اقدام به طرح سئوالات مختلف و دريافت‌پاسخ‌هاي كاربر، مراجعه به پايگاه دانش (تجربيات قبلي) و استفاده ازيك روش منطقي براي نتيجه‌گيري و نهايتا ارائه راه‌حل مي‌نمايد.همچنين سيستم خبره قادر به شرح مراحل نتيجه‌گيري خود تا رسيدن به‌هدف)چگونگي نتيجه‌گيري(و دليل مطرح شدن يك سئوال اجرايي)روش حركت تا رسيدن به هدف(خواهد بود.
سيستم‌هاي خبره برخلاف سيستم‌هاي اطلاعاتي كه بر روي داده‌ها(Data) عمل مي‌كنند، بر دانش (Knowledge) متمركز شده است. همچنين دريك فرآيند نتيجه‌گيري، قادر به استفاده از انواع مختلف داده‌ها )عدديDigital، نمادي Symbolic و مقايسه‌اي Analoge( مي‌باشند. يكي ديگر ازمشخصات اين سيستم‌ها استفاده از روشهاي ابتكاري (Heuristic) به جاي‌روشهاي الگوريتمي ميباشد. اين توانايي باعث قرار گرفتن محدودوسيعي از كاربردها در برد عملياتي سيستم‌هاي خبره ميشود. فرآيندنتيجه‌گيري در سيستم‌هاي خبره بر روشهاي استقرايي و قياسي پايه‌گذاري‌شده است. از طرف ديگر اين سيستم‌ها مي‌توانند دلايل خود در رسيدن‌به يك نتيجه‌گيري خاص و يا جهت و مسير حركت خود به سوي هدف‌را شرح دهند. با توجه به توانايي اين سيستم‌ها در كار در شرايط فقدان‌اطلاعات كامل و يا درجات مختلف اطمينان در پاسخ به سئوالات مطرح‌شده، سيستم‌هاي خبره نماد مناسبي براي كار در شرايط عدم اطمينان(Uncertainty) و يا محيطهاي چند وجهي مي‌باشند.
* مزاياي سيستم‌هاي خبره
مزاياي سيستم‌هاي خبره را مي‌توان به صورت زير دسته‌بندي كرد:
1-افزايش قابليت دسترسي: تجربيات بسياري از طريق كامپيوتر دراختيار قرار مي‌گيرد و به طور ساده‌تر مي‌توان گفت يك سيستم خبره،توليد انبوه تجربيات است.
2-كاهش‌هزينه:هزينه‌كسب‌ت �� � ?ربه‌براي‌كاربربه‌طورزيا دي‌كاهش‌مي‌يابد.
3-كاهش خطر: سيستم خبره ميتواند در محيطهايي كه ممكن است‌براي انسان سخت و خطرناك باشد نيز بكار رود.
4-دائمي بودن: سيستم‌هاي خبره دائمي و پايدار هستند. بعبارتي مانندانسان‌ها نمي‌ميرند و فنا ناپذيرند.
5-تجربيات چندگانه: يك سيستم خبره ميتواند مجموع تجربيات وآگاهي‌هاي چندين فرد خبره باشد.
6-افزايش قابليت اطمينان: سيستم‌هاي خبره هيچ وقت خسته وبيمار نمي‌شوند، اعتصاب نمي‌كنند و يا عليه مديرشان توطئه نمي‌كنند، درصورتي كه اغلب در افراد خبره چنين حالاتي پديد مي‌آيد.
7-قدرت تبيين (Explanation يك سيستم خبره ميتواند مسير و مراحل‌استدلالي منتهي شده به نتيجه‌گيري را تشريح نمايد. اما افراد خبره اغلب‌اوقات بدلايل مختلف (خستگي، عدم تمايل و…) نمي‌توانند اين عمل رادر زمانهاي تصميم‌گيري انجام دهند. اين قابليت، اطمينان شما را در موردصحيح بودن تصميم‌گيري افزايش مي‌دهد.
8-پاسخ‌دهي‌سريع:سيستم‌ها �� � ?خبره،سريع‌ودراسرع‌وقؠ ?جواب‌مي‌دهند.
9-پاسخ‌دهي در همه حالات: در مواقع اضطراري و مورد نياز،ممكن است يك فرد خبره بخاطر فشار روحي و يا عوامل ديگر، صحيح‌تصميم‌گيري نكند ولي سيستم خبره اين معايب را ندارد.
10-پايگاه تجربه: سيستم خبره ميتواند همانند يك پايگاه تجربه‌عمل كند وانبوهي از تجربيات را در دسترس قرار دهد.
11-آموزش كاربر: سيستم خبره ميتواند همانند يك خودآموز هوش(Intelligent Tutor) عمل كند. بدين صورت كه مثالهايي را به سيستم خبره‌مي‌دهند و روش استدلال سيستم را از آن مي‌خواهند.
12-سهولت انتقال دانش: يكي از مهمترين مزاياي سيستم خبره،سهولت انتقال آن به مكان‌هاي جغرافيايي گوناگون است. اين امر براي‌توسعه‌كشورهايي‌كه استطاعت خريد دانش متخصصان‌راندارند،مهم‌است .
* آدمواره‌ها
كلمه آدمواره (ربات)بعد از به صحنه درآمدن يك نمايش در سال1920 ميلادي در فرانسه متداول و مشهور گرديد. در اين نمايش كه اثر«كارل كپك» بود، موجودات مصنوعي شبيه انسان، وابستگي شديدي‌نسبت به اربابان خويش از خود نشان مي‌دادند. اين موجودات مصنوعي‌شبيه انسان در آن نمايش، آدمواره نام داشتند(9).
در حال حاضر آدمواره‌هايي را كه در شاخه‌هاي مختلف صنايع مورداستفاده مي‌باشند، مي‌توان به عنوان «ماشين‌هاي مدرن، خودكار، قابل‌هدايت و برنامه‌ريزي»تعريف كرد. اين آدمواره‌ها قادرند در محل‌هاي‌متفاوت خطوط توليد، به طور خودكار، وظايف گوناگون توليدي را تحت‌يك برنامه از پيش نوشته شده انجام دهند. گاهي ممكن است يك‌آدمواره، جاي اپراتور در خط توليد بگيرد و زماني اين امكان هم وجوددار كه يك كار مشكل و يا خطرناك به عهده آدمواره واگذار شود.همانطور كه يك آدمواره ميتواند به صورت منفرد يا مستقل به كاربپردازد، اين احتمال نيز وجود دارد كه چند آدمواره به صورت جمعي و به‌شكل رايانه‌اي در خط توليد به كار گرفته شوند.
آدمواره‌ها عموماً داراي ابزار و آلاتي هستند كه به وسيله آنهامي‌توانند شرايط محيط را دريابند.اين آلات و ابزار «حس كننده»(10)نام دارند، آدمواره‌ها مي‌توانند در چارچوب برنامه اصلي خود، برنامه‌هاي‌جديد عملياتي توليد نمايند. اين آدمواره‌ها داراي سيستم‌هاي كنترل وهدايت خودكار هستند.
آدمواره‌هاي صنايع علاوه بر اين كه داراي راندمان، سرعت، دقت وكيفيت بالاي عملياتي مي‌باشند، از ويژگيهاي زير نيز برخوردارند:
1-بسياري از عمليات طاقت فرسا و غيرقابل انجام توسط متصديان رامي‌توانند انجام دهند.
2-آنها، برخلاف عامل انساني يعني متصدي خط توليد، قادر هستند سه‌شيفت به كار بپردازند و در اين خصوص نه منع قانوني وجود دارد و نه‌محدوديت‌هاي فيزيولوژيكي نيروي كار.
3-هزينه‌هاي مربوط به جلوگيري از آلودگي صوتي، تعديل هوا و فراهم‌آوردن روشنايي لازم براي خط توليد، ديگر بر واحد توليد تحميل‌نخواهد شد.
4-براي اضافه كاري اين آدمواره‌ها، هزينه اضافي پرداخت نمي‌شود.حق بيمه، حق مسكن و هزينه اياب و ذهاب پرداخت نمي‌شود. احتياج به‌افزايش حقوق ندارند و هزينه‌اين نيز از بابت بهداشت و درمان بر واحدتوليدي تحميل نمي‌كنند.
ويژگيهاي ذكر شده سبب مي‌شوند كه سهم هزينه كار مستقيم نيروي‌انساني در هزينه محصولات توليدي، واحدهاي توليدي كاهش پيداكند.(11)
* پردازش زبانهاي طبيعي (NLP)
پردازش زبانهاي طبيعي بعنوان زيرمجموعه‌اي از هوش مصنوعي،ميتواند توصيه‌ها و بيانات را با استفاده از زباني كه شما به طور طبيعي درمكالمات روزمره بكار مي‌بريد، بفهمد و مورد پردازش قرار دهد. به طوركلي نحوه كار اين شاخه از هوش مصنوعي اين است كه زبانهاي طبيعي‌انسان را تقليد مي‌كند. در اين ميان، پيچيدگي انسان از بعد روانشناسي برروي ارتباط متعامل تاثير مي‌گذارد.
در پردازش زبانهاي طبيعي، انسان و كامپيوتر ارتباطي كاملا نزديك‌با يكديگر دارند. كامپيوتراز لحاظ رواني در مغز انسان جاي داده مي شود. بدين ترتيب يك سيستم خلاق شكل مي گيرد كه انسان نقش سازمان دهنده اصلي آن را برعهاده دارد. اگر چه هنوز موانع روانشناختي و زبانشناختي بسياري بر سر راه سبستمهاي محاوره اي وجود دارد. اما چشم اندهزهاي پيشرفت آنها يقيناً نويدبخش است. در حقيقت، توقعات يكسان از محاوره انسان- ماشني و محاوره انسان- انسان، معقول نيست.
بدين ترتيب سئوالاتي نظير اينكه هوش مصنوعي چيست، تفاوت‌هوش مصنوعي و هوش طبيعي (انساني) در چيست، شاخه‌هاي عمده‌هوش مصنوعي كدامند؟ و نهايتاً جزاي هوش مصنوعي مشخص شد. دربخش دوم، مي‌توان كاربردهاي هوش مصنوعي در صنايع و مؤسسات‌توليدي، بخصوص در زمينه سيستم‌هاي خبره و آدمواره‌ها را مورد مطالعه‌و تجزيه و تحليل قرار داد.
منابع و مأخذ:
1.Phlippe coiffet, "Robots technology" volume 1, Prentice - Hall Inc. , 1983. P.ll.
2. Derrek Kelley , " A Loyman, S., "Introduction to Rabaties," New Jersey, 1986.
3. Martin A. Fischer Oscar Firschern,"Questions, Intelligence and IntelligentBehavior," Computer and people, Vol., 36, Nos, 5.6, May 1987.
4. Lotfizadeh A., "The calculeus of Fuzzy If / Then Pulls All Expert, " March 1992.
5. Povl William, " Silicon Babies, " Scientific American, Dec. 1991.
1 - Artifcial Intelligence
2 - Marvin Minsky
3 - Glaude Shannon
4 - John MeCarthy
5 - Dartmouth
6 - Expert Systems
7 - Robatic Machines
8 - Natural Language Processing
9 - Phillippe coiffet, "Robots Techonology", Volume 1, Prentice - Hall Inco,1983, p,11
10 - Sensor
11 - Derrek Kelley, "A L ayman, S. "Introduction to Robotics" New Jersey, 1986
تكنولوژي هوشمند
تكنولوژي هوشمند
همه ما زمانی را به خاطر مى‌‌‌آوريم كه تصوير ذهنى‌‌‌مان از كامپيوتر ، تصور ماشينى هوشمند و پيچيده بود؛ ماشينى كه پاسخ بسيارى از سئوالات را مى‌‌‌داند و آنچه را كه نمى‌‌‌داند نيز مى‌‌‌آموزد. اين ماشين هوشمند، گاه مشاورﻯ همه‌چيزدان بود كه در تمامى مسائل، بهتر از ما تصميم مى‌‌‌گرفت(تنها با اين اشكال كه كمى بى‌‌‌احساس بود!)، گاه محاسبه‌گرﻯ توانا كه دقيق‌‌ترين و ظريف‌‌ترين نكات علمى را درمى‌‌‌يافت، و گاه بيگانه‌اﻯ خشن، وتنها هدفش نابودﻯ نوع بشر.
تنها، نوشتن اولين خطوط يك برنامه ساده و يا پياده سازﻯ يك الگوريتم ابتدايى لازم بود تا اين تصور ساده انگارانه پايان پذيرد و جاﻯ خود را به تصور واقعى‌ترﻯ از كامپيوتر بدهد: «يك ماشين محاسبه گر». اين ماشين تنها آنچه را بدان سپرده ايم به ما بازپس مى‌دهد، مرتب شده و سامان يافته، اما بدون هيچ خلاقيتى.
آن تصور ساده و ابتدايى، تنها منحصر به ما يا هر كاربر تازه آشنايى با كامپيوتر نبوده است، بلكه چندين دهه تلاش دانشمندان و مهندسين براﻯ ساخت ماشينى كه همچون انسان بينديشد، بياموزد و تصميم بگيرد را در پى داشته است. خيلی پيش از آنكه انسان با اولين ماشينهاﻯ آدم‌نما مواجه شود ، با تخيل خود حتى تا پايان اين راه را نيز پيموده بود. از فرانكشتاين تا ترميناتور ، از دشمنان و بيگانگان تا آدم‌نماهاﻯ منجى، همگى حاصل برداشت تخيلى از هوش مصنوعى است.
اما سواﻯ اين داستان پردازﻯها و تخيلات كه در خام‌ترين شكل خود نوعى سرگرمى مدرن و در جدﻯترين شكل آن محل مباحث شبه فلسفى است، بايد ديد هوش مصنوعى به عنوان يك علم چيست و دستاوردهاﻯ مشخص و معين تئوريك و تكنولوژيك آن تا به امروز چه چيزهايى بوده است. فراتر از آن اين كه هوش مصنوعى در حال پيمودن چه مسيرﻯ است.
آنچه محل پرسش و تأمل جدﻯ است اين كه آيا در نهايت ماشين‌هايى خواهيم داشت كه چون انسان بينديشند؟، و مهم‌تر آن كه اگر اساساً چنين هدفى قابل دستيابى است، اينك علم و تكنولوژﻯ در كجاﻯ اين مسير هستند؟ و اگر دستيابى به آن مقدور نيست، سمت و سوﻯ آينده هوش مصنوعى به كجاست؟
هنگامی كه اولين كامپيوترها ساخته شدند، تمامى تلاش‌ها در اين جهت بود كه سخت‌ترين مسائل شناخته شده تا آن روز را توسط اين ماشين ها حل كنند. آنجا كه بيشترين توان خلاقه و هوشمندﻯ انسان به كار گرفته مى‌شود، محل چالش جدﻯ او با كامپيوتر خواهد بود. بدين ترتيب مسائلى همچون بازﻯ شطرنج، مورد توجه و علاقه شديد دانشمندان هوش مصنوعى واقع شدند. وقتى روشهاﻯ ساده اﻯ برای حل اين سرﻯ مسائل پيشنهاد شد، تنها چيزﻯ كه باقى مانده بود افزايش سرعت ماشين بود، تا اين كه كامپيوتر بتواند از طريق يك روش كاملاً غيرهوشمند انسان را در هوشمندانه‌ترين فعاليتش شكست دهد.
روزی كه ديپ بلو[1]، كاسپاروف را شكست داد، سال‌ها از افسانه هوش مصنوعی سپری شده بود؛ ديگر هيچ كس بر اين باور نبود كه برای هوشمند بودن حتماً بايد كاسپاروف وار شطرنج بازی كرد! يا اقليدس گونه به اثبات قضايای هندسی پرداخت. خيلی پيش از اين مسائل، بايد پاسخ به پرسش‌هايی را يافت كه در گذشته ای نزديك، ابتدايی و پيش پاافتاده به نظر مى‌رسيدند.
دانشمندان اينك حتی در ساده ترين حركات دست برای برداشتن يك مهره شطرنج نيز نشانه های هوشمندی را جست وجو مى‌كردند. يك حركت كوچك انگشتان برای برداشتن يك فنجان يا نوشتن يك كلمه بر كاغذ چنان درجه ای از دقت رياضی و چنان حجمی از محاسبات را مى‌طلبد كه ساخت يك دست با انگشتان مصنوعی، سال ها تحقيق وبررسی و مطالعه را نيازمند است. نگاه كردن به يك چهره و به خاطر آوردن سريع نام يك شخص، كاری است كه حتی پيشرفته‌ترين كامپيوترهای امروزين از انجام آن ناتوانند. راه رفتن نرم و مقاوم انسان بر روی دوپا(كه خود اين انتخاب برای انسان بسيار مورد تأمل است) كماكان آنقدر جالب توجه است، كه محل سرمايه گذاری ميليون دلاری شركت هايی نظر هوندا، آنهم تحت قالب حساس‌ترين و مخفی‌ترين پروژه ها باشد. سازو كار و نحوه عمل گلبول های سفيد داخل بدن انسان وتحت قالب سيستم ايمنی بدن به گونه ايست كه به صورت يك حافظه عملاً نامحدود عمل مى‌كند. يك حافظه با بی شمار الگوی ذخيره شده برای مقابله و دفع. حال آنكه امروزه تكنولوژی اصولاً در جايی نيست كه چنان حجمی از حافظه حتی قابل تصور باشد.
علاوه بر تمامی اينها، بخش بسيار مهمی كه پيش از اين و حتی تا چند سال پيش مغفول مانده بود، اين است كه هيچ موجود هوشمندی تنها و ايزوله نيست. بخش عمده ای از هوشمندی ، هوشمندی اجتماعی و ارتباطی است. اين سئوال كه چرا اجتماع موجودات هوشمند كه هر يك در پی نفع خويشند از هم نمى‌پاشد و نه تنها عقلانی، بلكه بهينه رفتار مى‌كند، اينك از حالت يك سئوال در تئوری های اقتصادی خارج شده و راه به درون هوش مصنوعی و حتی رباتيك برده است.
" "
اين سئوال كه چرا اجتماع موجودات هوشمند كه هر يك در پی نفع خويشند از هم نمى‌پاشد و نه تنها عقلانی، بلكه بهينه رفتار مى‌كند، اينك از حالت يك سئوال در تئوری های اقتصادی خارج شده و راه به درون هوش مصنوعی و حتی رباتيك برده است.
" "
فهرست فوق تنها بخشی از مسائلی بود كه باعث ورود پروژه هوش مصنوعی به مرحله ای جديدتر شد. دانشمندان آرمانگرای رياضيدان دهه های پيش، اينك جای خود را به موشكافانی خرده گير مى‌دهند كه مانند زيست شناسان به بررسی دقيق و جزئی تمامی رفتارهای موجودات هوشمند و الگوبرداری از آنها مشغولند(اينهم يك نمونه ديگر از انقراض نسل آرمانگرايان!).
اما آنچه در بالا به صورت بسيار ناقص و مجمل گفته شد، طرحی بود برای ايجاد سئوال و افزايش ابهام؛ اين كه هوش مصنوعی چيست؟
اين سئوال بايد تا بدينجا بعنوان يك پرسش علمی، شايستگی كافی را جهت طرح و بررسی پيدا كرده باشد. غرض از اين سری مقالات، نگاهی هرچند اجمالی، اما از درون به مقوله هوش مصنوعی است. هدف اين است كه علاوه بر معرفی هوش مصنوعی به عنوان يك شاخه و گرايش علمی ، كاربردهای جاری و آينده آن از لحاظ تكنولوژيك نيز مورد بررسی قرار گيرد.
برای دستيابی به اين هدف مراحل زير را طی خواهيم كرد:
1. بررسی علوم دخيل در هوش مصنوعی
تا بدان جايی كه هوش مصنوعی تنها به بررسی روش های حل مسائل رياضی و مجرد توسط كامپيوتر مى‌پرداخت، مى‌توانستيم قطعاً آن را يكی از زير شاخه های علوم كامپيوتر بدانيم؛ اما امروزه با اضافه شدن ملاحظات جديدی كه در فوق اشاره ای بدان رفت، ديگر نمى‌توان با اين قطعيت قضاوت كرد. علومی از قبيل: معرفت شناسی كه در فلسفه ذهن (Epistemology) مطرح است ، عصب شناسی شناختی(Cognitive Neuro Science) و نيز روانشناسی شناخت (Cognitive Psychology) به همراه هوش مصنوعی مجموعه ای تحت عنوان علوم شناختی (Cognitive Science) را تشكيل مى‌دهند. از ديگر سو، رباتيك به عنوان همبسته تكنولوژيك هوش مصنوعی، خود دانشی است كه داده های علوم مكانيك و كامپيوتر و كنترل را يك جا مى‌طلبد.
2. بررسی هوشمندی
چه چيزی در انسان يا هر موجود ديگری آنقدر ويژه و خاص است كه او را با صفت هوشمند از ساير موجودات متمايز مى‌كند؟ آيا چنين صفتی تنها خاص انسان است، يا مى‌توان درجات مختلف آن را به موجودات ديگر نيز نسبت داد. قدر مسلم اين كه از ساده‌ترين رفتار مورچه ها و زنبورها تا رفتارهای پيچيده ميمون ها در تعيين سلسله مراتب پيچيده اجتماعی يا روش های تشخيص الگوهای چند بعدی توسط كبوتران، همگی حاوی درجاتی از هوشمندی هستند(و در بعضی موارد نه چندان كمتر از انسان). بنابر اين پاسخ به اين سئوال كه هوشمندی چيست يا حتی چگونه ايجاد شده است ما را در ساخت يك موجود هوشمند با توانايی تطبيق و عمل در محيط واقعی ياری مى‌دهد.
3.آشنايی با روش های هوشمند و كاربرد آنها در تكنولوژی
آنچه كه باعث شده تا هوش مصنوعی امروزه به عنوان يك رشته مهندسی مطرح باشد اين است كه طيف وسيعی از كاربردهای آن، از رباتيك گرفته تا روش های هوشمند كنترلی مقبوليت وسيعی در صنعت يافته اند. روش هايی همچون منطق فازی [2] ، استرا[3]تژی تکاملی، الگوريتم ژنتيك، شبكه های عصبی مصنوعی ... همگی روش هايی هستند كه با الهام از طبيعت و برای دستيابی به هوشمندی طبيعی طراحی شده اند اما كاربرد عظيمی در مهندسی و صنعت يافته اند. كاربردی كه تا حدود يك دهه قبل حتی گمان آن نيز نمى‌رفت. رباتيك نيز چه در غالب روش های جابجايی بازوهای مكانيكی، و چه در شكل ربات های متحرك(Mobile Robots) در اين بحث جايگاه ويژه ای را به خود اختصاص داده است.
. بررسی هوش مصنوعی گسترده (Distributed Artificial Intelligence)
يك روش برخورد با مسائل حل آنهاست! بله تعجب نكنيد، اين تنها يك روش مواجهه با مسائل است. بجز اين روش(و البته حل نكردن مسئله!) راه ديگری نيز وجود دارد. فرض كنيد مى‌خواهيم يك ربات متحرك بسازيم كه در شرايط طبيعی حركت كند، مسير انتخاب كند و ...يك روش اين است كه طراح تمامی جزئيات را از ابتدا و به صورت كاملاً دقيق در نظر بگيرد. اين روش منجر به ماشينی كاملاً پيچيده و عموماً غير قابل پياده سازی خواهد شد. ماشينی كه با اندك تغييری در شرايط پيش بينی شده ناكارا خواهد بود. روش ديگر اين است كه مانند خود طبيعت ، ربات بسيار ساده ای طراحی كنيم(گاه به سادگی يك مورچه) و اجازه دهيم تا اين ربات ساده خود مسائل را به جای ما حل كند. يا حتی اجازه دهيم يك اجتماع از ربات ها از طريق تعامل با يكديگر به حل مسائل بپردازند.
قانون طلايی در اينجا اين است كه پيچيدگی يك اجتماع، حاصلضرب پيچيدگی تك تك عناصر آن است(تئوری پيچيدگی يا Complexity Theory) ، بنابراين يك اجتماع با عناصر بسيار ساده هم ممكن است به صورت كاملاً پيچيده و هوشمند عمل كند.
بحث های هوش مصنوعی گسترده(DAI) كه اغلب عجين با مبحث عامل های هوشمند(Artificial Agents)است و نيز مباحث زندگی مصنوعی(Artificial Life) به عنوان جديد‌ترين مباحث هوش مصنوعی اينك چه در دنيای رباتيك و چه در دنيای نرم افزارهای كامپيوتری طرفداران زيادی پيدا كرده است (شركت های بزرگی همچون IBM و[4] نيز نهادهای نظامی كشورهای پيشرفته سرمايه گذاری های كلانی در اين زمينه كرده اند).همانگونه كه گفته شد، هدف از اين مقاله در ابتدا آشنايی اجمالی با مسائل هوش مصنوعی و معرفی برخی گرايش های موجود و مهم در آن، و سپس معرفی مباحث جديد در اين زمينه به علاقه مندان علوم اطلاعات و ارتباطات مى‌باشد.
نوشت ها:
[1]اDeep Blue : كامپيوتری كه توسط IBM تنها برای شكست كاسپاروف ساخته شد و سپس به موزه سپرده شد.
Fuzzy Logic [2]يا منطق شولا: منطقی كه به جای پاسخ درست يا غلط (دو ارزشی) طيفی از پاسخهای درست يا غلط را پيشنهاد می‌كند. اين منطق در دهه 60 توسط پروفسورلطفی‌زاده(ايرانی �� �بار) پيشنهاد شد و امروزه دارای كاربرد وسيعی در زمينه های مختلف كنترلی است.
Evolutional Algorithms [3] : روشی كه برای بهينه‌سازی عبارات رياضی از منطقی شبيه به تكامل داروينی استفاده می‌كند.
[4] IBM Agent Builder و نيز Mobile Aglets نمونه چنين تلاش هايی هستند.
پدر هوش مصنوعی
پدر هوش مصنوعی - جان مک کارتی
پروفسور بازنشسته دانشگاه استنفورد و مؤسس آزمایشگاه هوش مصنوعی دانشگاه استنفورد، جان مک کارتی، از سیر تا پیاز هوش مصنوعی را برای شما تعریف می کند.
هوش مصنوعی چیست ؟
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 کامپیوتر ها برای فهم چگونگی هوش انسان مرتبط است، اما مجبور نیست خودش را به روش هایی محدود کند که بیولوژیکی باشند.
"هوش" چه چیزی است ؟
هوش بخش محاسباتی توانایی است در وجود یک نفر یا شیء برای رسیدن به یک سری اهداف در دنیا. انواع و درجه های مختلفی از هوش در آدم ها، حیوانات و ماشین ها وجود دارد.
آیا تعریف مستقلی از هوش (بدون ارتباط با هوش انسان) وجود دارد ؟
نه هنوز. مشکل این است که ما اهنوز نتوانسته ایم به طور کلی مشخص کنیم که به کدام یک از روش های محاسباتی می خواهیم «هوش» بگوییم. چون از بعضی از مکانیزم های هوش سر در آورده ایم و از بقیه نه.
آیا هوش مصنوعی درباره شبیه سازی هوش انسانی است ؟
گاهی اوقات بله اما نه همیشه. از یک طرف ما با مشاهده آدم های دیگر و یا فقط با مشاهده روش های خودمان، می توانیم چیزهایی درباره حل مسائل توسط ماشین ها یاد بگیریم. از طرف دیگر بیشتر کارها در هوش مصنوعی بیشتر از این که بر اساس مطالعه آدم ها و حیوانات باشد، شامل مطالعه مسایلی است که دنیا به هوش ارائه می کند. محققان هوش مصنوعی برای استفاده از روش هایی که آدم های از آن استفاده نمی کنند و یا استفاده از قدرت محاسباتی بیشتر از توانایی آدم ها آزاد هستند.
تحقیقات هوش مصنوعی از کی شروع شد ؟
بعد از جنگ جهانی دوم، تعدادی از آدم ها به طور مستقل کار روی ماشین های هوشمند را شروع کردند. اولین نفر احتمالا ریاضیدان انگلیسی، آلن تورینگ، است. او در سال 1947 در این باره سخنرانی کرد. او احتمالا اولین نفری هم هست که گفت تحقیقات هوش مصنوعی به جای ساخت ماشین ها بهتر است با برنامه نویسی رایانه ها ادامه پیدا کند. تا اواخر 1950 محققان زیادی در این حوزه فعالیت می کردند و بیشتر آن ها کارشان را بر اساس برنامه نویسی رایانه ها قرار داده بودند.
آیا هدف هوش مصنوعی ایجاد چیزی مثل فکر انسان برای رایانه ها است ؟
بعضی محققان می گویند که آن ها چنین هدفی دارند، اما شاید آن ها دارند از یک اصطلاح مشابه استفاده می کنند. چون فکر انسان ویژگی های عجیب و غریبی دارد و من مطمئن نیستم که کسی به طور جدی بخواهد ساخت همه ویژگی های فکر آدم را عملی کند.
آیا هدف هوش مصنوعی رسیدن به هوشی هم سطح هوش انسان است ؟
بله. نهایت تلاش، ساخت برنامه های رایانه ای است که بتواند به خوبی انسان مسائل را حل کنند و به اهداف مورد نظر برسند. اگر چه سطح آرزو های خیلی از آدم های در گیر در هوش مصنوعی، به خصوص در زمینه های تحقیقاتی، کمتر از این حرف هاست.
هوش مصنوعی چقدر با رسیدن به هوش هم سطح انسان فاصله دارد ؟ این اتفاق کی می افتد ؟
بیشتر محققان هوش مصنوعی عقیده دارند که برای رسیدن به هوش هم سطح انسان، ایده های جدیدی لازم است. برای همین نمی توان پیش بینی کرد چه وقتی می توان به هوش هم سطح انسان رسید.
آیا از بین ماشین ها، رایانه ها انتخاب خوبی برای هوشمند شدن هستند ؟
رایانه های می توانند برای شبیه سازی هر نوع ماشینی برنامه ریزی شوند. خیلی از محققان ماشین های غیر رایانه ها اختراع کردند به این امید که آن ها بتوانند با روش هایی غیر از روش هایی که برنامه های رایانه ای هوشمند می شوند، هوشمند شوند. اگر چه آن ها معمولا ماشین های اختراعی شان را در رایانه ها شبیه سازی می کنند و در شک و تردید می افتند که ماشین جدید ارزش ساخت دارد یا نه. به خاطر میلیارد ها دلاری که صرف سریع تر و سریع تر کردن رایانه ها شده است، ماشین جدید باید خیلی سریع باشد تا بتواند بهتر از برنامه ي رایانه ای، که همان ماشین را شبیه سازی می کند، عمل کند.
آیا رایانه های برای هوشمند شدن به اندازه کافی سریع هستند ؟
بعضی ها فکر می کنند هم به رایانه های سریع تر نیاز داریم و هم به ایده های جدید. عقیده شخصی من این است که رایانه های 30 سال پیش هم به اندازه کافی سریع بودند، اگر ما می دانستیم چگونه آن ها را برنامه ریزی کنیم.
آیا امکان ساخت «یک ماشین کودک» وجود دارد که با خواند و یاد گرفتن از تجربه هایش بتواند رشد کند و هوش خود را توسعه دهد ؟
این ایده بارها پیشنهاد شده است. اولین بار هم در دهه 1940 بود. سرانجام هم این کار انجام خواهد شد. به هر حال برنامه های هوش مصنوعی به سطحی نرسیده اند که قادر به یادگیری بیشتر از چیزهایی که بچه ها از تجربیات عملی یاد می گیرند، باشند. هم چنین برنامه های فعلی به اندازه کافی از زبان سر در نمی آورند که بخواهند با خواندن چیزی یاد بگیرند.
آیا ممکن است که یک سیستم هوش مصنوعی قادر باشد با فکر کردن درباره هوش مصنوعی، خودش سطح هوشش را بالا ببرد ؟
من فکر می کنم ممکن است، اما الان در سطحی از هوش مصنوعی نیستیم که این کار بخواهد شروع شود.
شطرنج این طوری نیست ؟
بازی شطرنج به مکانیزم های فکری مشخصی نیاز دارد و به خیلی دیگر از مکانیزم های فکری نیاز ندارد. برنامه های شطرنج الان در سطح جهانی بازی می کنند، اما آن ها با جایگزینی مقادیر زیادی محاسبات به جای ادراک، از مکانیزم های فکری محدودی در مقایسه با مکانیز های استفاده شده توسط یک شطرنج باز استفاده می کنند. زمانی که ما این مکانیزم ها را بهتر بفهمیم می توانیم برنامه های شطرنجی هم سطح انسان بسازیم که محاسبات کمتری را نسبت به برنامه های فعلی انجام دهند. متاسفانه جنبه های رقابتی و تجاری ساخت رایانه های شطرنج باز، بر استفاده از شطرنج به عنوان یک حوزه علمی پیشی گرفته است.
آیا کسانی هستند که بگویند ساخت هوش مصنوعی ایده بدی است ؟
جان سرل که یک فیلسوف است می گوید ایده هوشمند بودن یک ماشین غیربیولوژیک تناقض دارد. یک فیلسوف دیگر هیوبرت دریفوس می گوید که رسیدن به هوش مصنوعی غیر ممکن است. دانشمند رایانه جوزف ویزنبام می گوید این ایده زشت، ضد انسانی و غیراخلاقی است.
آدم های مختلفی گفته اند که چون هوش مصنوعی تا به حال به هوش هم سطح انسان نرسیده است، این کار به طور کلی غیر ممکن است. بعضی دیگر هم نا امید هستند چون شرکت هایی که در این زمینه سرمایه گذاری کردند، ورشکست شدند.
هوش مصنوعی 2
هوش مصنوعی (artificial intelligence) را باید عرصهٔ پهناور تلاقی و ملاقات بسیاری از دانشها، علوم، و فنون قدیم و جدید دانست. ریشه‌ها و ایده‌های اصلی آن را باید در فلسفه، زبان‌شناسی، ریاضیات، روانشناسی، نورولوژی، و فیزیولوژی نشان گرفت و شاخه‌ها، فروع، و کاربردهای گونه‌گونه و فراوان آن را در علوم رایانه، علوم مهندسی، علوم زیست‌شناسی و پزشکی، علوم ارتباطات و زمینه‌های بسیار دیگر.
این شاخه از علوم بسیار گسترده و متنوع است و از موضوعات و رشته‌های مختلف علوم و فناوری، مانند سازوکارهای ساده در ماشینها شروع شده، و به سیستمای خبره ختم میشود. هدف هوش مصنوعی بطور کلی ساخت ماشینی است که بتواند «فکر» کند. اما برای دسته بندی و تعریف ماشینهای متفکر، می‌بایست به تعریف «هوش» پرداخت. همچنین به تعاریفی برای «آگاهی» و «درک » نیز نیازمندیم و در نهایت به معیاری برای سنجش هوش یک ماشین نیازمندیم.
تاریخچه
نام هوش مصنوعی در سال ۱۹۶۵ میلادی به عنوان یک دانش جدید ابداع گردید. البته فعالیت درزمینه این علم از سال ۱۹۶۰ میلادی شروع شده بود.(مرجع۱)
تعریف
هنوز تعریف دقیقی که مورد قبول همه دانشمندان این علم باشد برای هوش مصنوعی ارائه شده‌است.اما اکثر تعریف‌هایی که در این زمینه ارایه شده‌اند بر پایه یکی از ۴ باور زیر قرار می‌گیرند:
1. سیستمهایی که به طور منطقی فکر میکنند
2. سیستمهایی که به طور منطقی فکر میکنند
3. سیستمهایی که مانند انسان فکر میکنند
4. سیستمهایی که مانند انسان عمل میکنند(مرجع۱)
شاید بتوان هوش مصنوعی را این گونه توصیف کرد:«هوش مصنوعی عبارت است از مطالعه این که چگونه کامپیوترها را می‌توان وادار به کارهایی کرد که در حال حاضر انسانها آنها رابهتر انجام میدهند»(مرجع۲).
به یاری پژوهش‌های گسترده دانشمندان علوم مرتبط، هوش مصنوعی از آغاز پیدایش تاکنون راه بسیاری پیموده‌است. در این راستا، تحقیقاتی که بر روی توانایی آموختن زبانها انجام گرفت و همچنین درک عمیق از احساسات، دانشمندان را در پیشبرد این علم، یاری کرده‌است. 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 به رباتی هوشمند بیاندیشید که بتواند اعضای بدن خود را به حرکت درآورد، او نسبت به این حرکت خود آگاه بوده و با سعی و خطا، دامنه حرکت خود را گسترش میدهد، و با هر حرکت موفقیت آمیز یا اشتباه، دامنه تجربیات خود را وسعت بخشیده و سر انجام راه رفته و یا حتی می‌دود و یا به روشی برای جابجا شدن، دست می‌یابد، که سازندگانش، برای او، متصور نبوده‌اند.
هر چند مثال ما در تولید ماشینهای هوشمند، کمی آرمانی است، ولی به هیچ عنوان دور از دسترس نیست. دانشمندان، عموما برای تولید چنین ماشینهایی، از تنها مدلی که در طبیعت وجود دارد، یعنی توانایی یادگیری در موجودات زنده بخصوص انسان، بهره می‌برند.
آنها بدنبال ساخت ماشینی مقلد هستند، که بتواند با شبیه‌سازی رفتارهای میلیونها یاخته مغز انسان، همچون یک موجود متفکر به اندیشیدن بپردازد.
مباحث هوش مصنوعی پیش از بوجود آمدن علوم الکترونیک، توسط فلاسفه و ریاضی دانانی نظیر بول (Boole) که اقدام به ارائه قوانین و نظریه‌هایی در باب منطق نمودند، مطرح شده بود. در سال ۱۹۴۳، با اختراع رایانه‌های الکترونیکی، هوش مصنوعی، دانشمندان را به چالشی بزرگ فراخواند. بنظر می‌رسید، فناوری در نهایت قادر به شبیه سازی رفتارهای هوشمندانه خواهد بود.
با وجود مخالفت گروهی از متفکرین با هوش مصنوعی که با دیده تردید به کارآمدی آن می‌نگریستند تنها پس از چهار دهه، شاهد تولد ماشینهای شطرنج باز و دیگر سامانه‌های هوشمند در صنایع گوناگون هستیم.
هوش مصنوعی که همواره هدف نهایی دانش رایانه بوده‌است، اکنون در خدمت توسعه علوم رایانه نیز می‌باشد. زبانهای برنامه نویسی پیشرفته، که توسعه ابزارهای هوشمند را ممکن می‌سازند، پایگاههای داده‌ای پیشرفته، موتورهای جستجو، و بسیاری نرم‌افزارها و ماشینها از نتایج پژوهش‌های هوش مصنوعی بهره می‌برند.
در سال ۱۹۵۰ آلن تورینگ (َAlain Turing)، ریاضی دان انگلیسی، معیار سنجش رفتار یک ماشین هوشمند را چنین بیان داشت: «سزاوارترین معیار برای هوشمند شمردن یک ماشین، اینست که آن ماشین بتواند انسانی را( و حتی یک محقق) توسط یک پایانه (تله تایپ) به گونه‌ای بفریبد که آن فرد ( و حتی یک محقق) متقاعد گردد با یک انسان روبروست.»
در این آزمایش شخصی از طریق ۲ عدد پایانه (رایانه یا تله تایپ) که امکان برقراری ارتباط و گپ‌زنی را برای وی فراهم میکنند با یک انسان و یک ماشین هوشمند، بطور همزمان به پرسش و پاسخ می‌پردازد. در صورتی که وی نتواند ماشین را از انسان تشخیص دهد، آن ماشین، هوشمند است. خلاصه ابنکه مورد تحقیق قرار گیرد و محقق نتواند دریابد در آن طرف انسان قرار دارد یا کامپیوتر.
آزمایش تورینگ از قرار دادن انسان و ماشین بطور مستقیم در برابر یکدیگر اجتناب میکند و بدین ترتیب، چهره و فیریک انسانی مد نظر آزمایش کنندگان نمی‌باشد. ماشینی که بتواند از پس آزمون تورینگ برآید، از تفکری انسانی برخوردار است.
آزمایش تورینگ مدل سازی نحوه تفکر انسان، تنها راه تولید ماشینهای هوشمند نیست. هم اکنون دو هدف برای تولید ماشینهای هوشمند، متصور است، که تنها یکی از آن دو از الگوی انسانی جهت فکر کردن بهره می‌برد:
سیستمی که مانند انسان فکر کند. این سیستم با مدل کردن مغز انسان و نحوه اندیشیدن انسان تولید خواهد شد و لذا از آزمون تورینگ سر بلند بیرون می‌آید. از این سیستم ممکن است اعمال انسانی سر بزند.
سیستمی که عاقلانه فکر کند. سامانه‌ای عاقل است که بتواند کارها را درست انجام دهد. در تولید این سیستمها نحوه اندیشیدن انسان مد نظر نیست. این سیستمها متکی به قوانین و منطقی هستند که پایه تفکر آنها را تشکیل داده و آنها را قادر به استنتاج و تصمیم گیری می‌نماید. آنها با وجودی که مانند انسان نمی‌اندیشند، تصمیماتی عاقلانه گرفته و اشتباه نمی‌کنند. این ماشینها لزوما درکی از احساسات ندارند. هم اکنون از این سیستمها در تولید عامل‌ها در نرم افزارهای رایانه‌ای، بهره گیری میشود. عامل تنها مشاهده کرده و سپس عمل میکند.
Agent قادر به شناسایی الگوها، و تصمیم گیری بر اساس قوانین فکر کردن خود است. قوانین و چگونگی فکر کردن هر Agent در راستای دستیابی به هدفش، تعریف میشود. این سیستمها بر اساس قوانین خاص خود فکر کرده و کار خودرا به درستی انجام میدهند. پس عاقلانه رفتار میکنند، هر چند الزاما مانند انسان فکر نمی‌کنند.
با وجودی که برآورده سازی نیازهای صنایع نظامی، مهمترین عامل توسعه و رشد هوش مصنوعی بوده‌است، هم اکنون از فراورده‌های این شاخه از علوم در صنایع پزشکی، رباتیک، پیش بینی وضع هوا، نقشه‌برداری و شناسایی عوارض، تشخیص صدا، تشخیص گفتار و دست خط و بازی‌ها و نرم افزارهای رایانه‌ای استفاده میشود
كنيك ها وزبانهاي برنامه نويسي هوش مصنوعي
تكنيك ها وزبانهاي برنامه نويسي هوش مصنوعي
ما در عصري زندگي مي كنيم كه جامعه شناسان آن را عصر انقلاب كامپيوتر نام نهاده اند و مانند هر انقلاب واقعي ديگر، انقلابي است گسترده و فراگير و تأثير پايداري برجامعه خواهد داشت.
اين انقلاب در اقتصاد امروز و نظم جامعه، به همان ميزان انقلاب صنعتي در قرن 19 تأثير دارداين تحولات قادر است الگوي فكري و فرم زندگي هر فرد را تغيير دهد.
انقلاب كامپيوتر توان ذهني ما را گسترش مي دهد.
عملكرد اولية برنامه نويسي هوش مصنوعي (AI) ايجاد ساختار كنترلي مورد لزوم براي محاسبه سمبوليك است خصوصيات اين ساختارها به مقدار زيادي موجب تشخيص خصوصياتي مي شود كه يك زبان كاربردي مي بايستي فراهم كند.
در اين مقدمه به يك سري خصوصيات مورد نظر براي زبان برنامه نويسي سمبوليك مي پردازيم و زبانهاي برنامه نويسي LISP و PROLOG را معرفي خواهيم كرد.
اين دو زبان علاوه بر اين كه از مهمترين زبانهاي مورد استفاده در هوش مصنوعي هستند، خصوصيات semantic و syntactic آنها نيز باعث شده كه آنها شيوه ها و راه حل هاي قوي براي حل مسئله ارئه كنند.
تأثير قابل توجه اين زبانها بر روي توسعه AI از جمله توانائي آنها به عنوان «ابزارهاي فكر كردن» مي باشد كه از جمله نقاط قوت آنها در زبانهاي برنامه نويسي مي باشد.
همان طور كه هوش مصنوعي مراحل رشد خود را طي مي كند زبانهاي LISP و PROLOG بيشتر مطرح مي شوند.
اين زبانها كار خود را در محدودة توسعه و prototype سازي سيستم هاي AI در صنعت و دانشگاهها دنبال مي كنند.
اطلاعات در مورد اين زبانها به عنوان بخشي از مهارت هر برنامه نويس AI مي باشد ما به بررسي اين دو زبان در هوش مصنوعي مي پردازيم.
آنــــچه را كـــه نمي دانيم موجب دردسر و گرفتاري ما نخواهد شد، بلكه دردسرها از دانسته ها سرچشمه مي گيرند.
W.ROGERS
زبان ، شناخت و خلاصه پردازي
توانايي شكل گيري خلاصه برداري از تجربيات از توانمند ترين و اساسي ترين توانائي هاي ذهن انسان است خلاصه پردازي به ما اين اجازه را مي دهد كه به فهم جزئيات از يك محدوده ي كلي اطلاعات مربوط به يك خصوصيت كلي سازمان و رفتار برسيم . اين خلاصه ها به ما اجازه شناخت و درك كامل موارد دريافت شده در حوزه خاص را مي دهند . اگر ما وارد يك خانه شويم كه به خوبي ساخته شده باشد ، راههاي خود را به اطراف پيدا خواهيم كرد . ساختار خصوصيات اطاق نشيمن ، اطاق خواب ،آشپزخانه و حمام عموماً از ويژگيهاي يك مدل خانة استاندارد مي باشد .
خلاصه پردازي به ما حس شناخت خانه هاي متفاوت را مي دهد . يك تصوير ممكن است بياني قوي تر از هزاران كلمه داشته باشد ، اما يك خلاصه مشخصاً بيان كنندة خصوصيات مهم يك كليت از نوع تصوير است .
وقتي كه ما به تئوري براي توصيف كلاس هاي يك پديده مي پردازيم ، خصوصيات و ويژگيهاي كمي و كيفي مربوط به كلاس از كل جزئيات خلاصه مي شود .
كه اعضاء به خصوص خود را مشخص مي كند . اين كاهش جزئيات به وسيله قدرت توصيف و پيش بيني يك نظريه ارزشمند جبران مي شود .
خلاصه سازي يكي از ابزارهاي اساسي شناخت و ارزيابي كليت هاي جهان اطراف ما و همچنين ساختار ذهني ما است . در حقيقت اين پروسه به طور مداوم براساس دانش و اطلاعات صورت مي گيرد . دانش و اطلاعا نيز در لايه ها و بخش هايي از خلاصه پردازي ساخته مي شود كه از مكانيسم هايي كه ساختار را فشرده ساخته و از حس اوليه به سمت يك سري تئوري هاي علمي سوق داده مي شود و در نهايت بيشتر اين ايده ها دربارة ايده هاي ديگر و نشأت گرفته از آنها مي باشد .
خلاصه پردازي طبقه بندي شده (سلسله مراتبي ) :
ساختار و سازمان آزمايش و تجربه در ارتباط با توصيفات كلاس هاي خلاصه سازي يكي از ابزارهاي شناخت رفتار و ساختار سيستم هاي مركب است كه شامل برنامه هاي كامپيوتر مي شوند .
همانند رفتار يك حيوان كه ممكن است بدون توجه به فيزيولوژي سيستم عصبي نهفته در پشت آن مورد مطالعه قرار گيرد .
يك الگوريتم داراي خصوصيات مربوط به خود مي باشد كه كاملاً آن را از برنامه اي كه آن را به كار مي برد جدا مي سازد .
به عنوان مثال دو نوع كاربر متفاوت جستجوي باينري را در نظر بگيريد .
يكي از آنها يعني Fortran از محاسبات و طبقه بندي استفاده مي كند و ديگري يعني Ctt از Pointer استفاده مي كند كه بتواند در جستجوي درون شاخه هاي binary كاربرد داشته باشد .
اگر دقيق تر نگاه كنيم اين برنامه ها مثل هم مي باشند چون اگر جز اين باشد كاربردهاي آنها نيز تفاوت خواهد شد . جداسازي الگوريتم از كه مورد استفاده در كاربرد آن يكي از نمونه هاي خلاصه سازي سلسله مراتبي مي باشد .
Allen New ell بين سطح دانش و سطح نشانه ها براي توصيف يك سيستم هوشمند تفاوت قائل شده است.
سطح نشانه ها همراه سازماندهي به خصوصي مورد توجه قرار گرفته كه براي بيان اطلاعات حل مسئله مورد استفاده قرار مي گيرد. بحث مربوط به توجه به منطق به عنوان يك زبان يك نمونه از مواردي است كه به سطح نشانه پرداخته است.
علاوه بر سطح نشانه سطح دانش است كه توجه آن به مقدار و محتوي اطلاعات يك برنامه و شيوه استفاده از آن اطلاعات مي باشد.
اين نوع تمايز در ساختار و معماري سيستم هايي كه بر اساس دانش و اطلاعات و سبك توسعه اي كه آن را پشتيباني مي كتد منعكس مي گردد.
به دليل اينكه كاربرها برنامه ها را در قالب دانش و توانايي خودشان مي شناسند بنابراين حائز اهميت است كه برنامه هاي AI داراي يك سطح خصوصيات اطلاعاتي باشند.
جداسازي اصل دانش و اطلاعات از ساختار كنترل اين نظريه را آشكار مي سازد و توسعه رفتار سطح دانش را ساده مي سازد.
همانند اين نيز سطح نشانه اي يك زبان توصيفي را تشريح مي كند كه شبيه قوانين و روشهاي توليد يا منطق براساس دانش و اطلاعات مي باشد.
جداسازي آن از سطح و دانش و اطلاعات نه برنامه نويس اين اجازه را مي دهد كه به سمت خلاصه پردازي ت،ثير پذيري و راحتي برنامه نويسي سوق پيدا كندكه در ارتباط با رفتار و عملكرد بالاي برنامه نمي باشد.
كاربرد بيان سطح نشانه اي شامل يك سطح دوره پائين تر از ساختار برنامه مي شود و بيانگر يك سري ملاحظات طراحي اضافي مي شود.
اهميت نظريه چند مرحله اي نسبت به طراحي سيستم نمي تواند بيش از اين مورد توجه قراار گيرد.
يعني اينكه به برنامه نويس اجازه مي دهد كه با پيچيدگي نهفته شده در سطوح پائين تر خود را درگير نكند و توجه و تاكيدش بر روي منابع مناسب با سطح فعلي خلاصه پردازي كند.
همچنين موجب مي شود كه اصول تئوري هوش مصنوعي عاري از كاربردهاي خاص يا زبان برنامه نويسي باشد . اين همچنين به ما قدرت توصيف يك كاربرد را مي دهد و تاثير گذاري خود را بر روي ماشين ديگر اثبات مي كند بدون اينكه بر رفتارش در سطوح بالاتر تاثير بگذارد .
سطح اطلاعات توصيف كننده توانائي هاي يك سيستم هوشمند است. محتوي دانش و اطلاعات مستقل از شكل پذيري مورد استفاده براي بيان آن است به همان اندازه كه زبان بيان كاملا مؤثر مي باشد .
توجه به سطح دانش شامل سؤالاتي از اين قبيل است:
از اين سيستم چه چيزي ساخته خواهد شد؟ چه اشيا و چه ارتباطي در آن محدوده مؤثر و مفيد است ؟ چگونه يك اطلاعات جديد به سيستم اضافه مي گردد؟
آيا واقعيات در طي زمان تغيير مي كنند؟ چگونه و چطور سيستم نيازمند است كه دلائل اطلاعات خود را ثابت كند؟ آيا محدوده ارتباطي داراي يك طبقه بندي درست و شناخته شده است؟
آيا اين محدوده شامل يك سري اطلاعات نادرست و غير ممكن است؟
تجزيه و تحليل دقيق در اين سطح يك گام مبهم در طراحي كلي ساختار يك برنامه مي باشد.
در سطح نشانه تصميمات درباره ساختارها صورت مي گيرد كه براي بيان و ايجاد دانش مورد استفادده قرار مي گيرند. انتخاب يك زبان براي بيان يك مورد مربوط به سطح نشانه مي باشد.
منطق يكي از چندين نوع اشكال است كه اصولا در حال حاضر براي بيان دانش و اطلاعات در دسترس مي باشد.
زبان بيان نه تنها مي بايستي توانايي بيان اطلاعات مورد لزوم براي كاربر را داشته باشد بلكه مي بايستي خلاصه و قابل توصيف و داراي كاربرد مؤثر باشد و مي بايستي به برنامه نويس براي دستيابي و سازماندهي اصل و اساس اطلاعات كمك كند.
وقتي كه بين سطح اطلاعات و سطح نشانه يك برنامه تمايز به وجود آمد ما مي توانيم بين سطح نشانه و الگوريتم و ساختمان داده ها مورد استفاده براي كاربرد آن نيز تمايز قايل شويم. به عنوان مثال بدون تاثيرگذاري رفتار و عملكرد يك تحليل گر برنامه كه اساس منطقي داشته باشد مي بايستي تاثير ناپذير از انتخاب بين يك سري جزئيات و يك مجموعه و دسته بايزي باشد تا بتواند يك جدول مربوط به نشانه ها را به كار برد.
اين تصميمات كاربردي هستند و مي بايستي در سطح نشانه قابل رؤيت باشند . بسياري از الگوريتم و ساختمان داده ها در كاربرد بيان زبان AI به كار مي روند كه از روشهاي معمول علم كامپيوتر مي باشند مثل شاخه ها و جداول بايزي.
ديگر موارد در رابطه با AI بسيار تخصصي هستند و به گونه يك كه مستعار بيان مي شوند كه از طريق متن و بخش هاي مربوط به LISP و PROLOG بيان مي شوند .
در سطح پائين تر مربوط به الگوريتم و ساختمان داده ها ( سطح زبان ) واقع شده است در اين جا ست كه زبان كاربردي براي برنامه مشخص مي شود .
با اين حال سبك برنامه نويسي مطلوب احتياج به اين دارد كه ما يك خلاصه داده اي بسازيم كه بين خصوصيات ويژه يك زبان برنامه نويسي و لايه هاي بالاي آن قرار گيرد . نيازهاي منحصر به فرد برنامه نويسي سطح نشانه اي تأثير به روي طراحي و استفاده از زبانهاي برنامه نويسي AI ايجاد مي كند . علاوه بر اين طراحي زبان مي بايستي در برگيرنده و مطابق با ساختار آن كه بر گرفته از سطوح پائين تر ساختمان كامپيوتر كه شامل زبان اسمبلي و سيستم عامل و دستور العملهاي ماشين و سطوح سخت افزار ي باشد .
و محدوديت هاي فيزيكي كامپيوتر مي بايستي بر روي منابعي همچون حافظه و سرعت پردازشگر تأ كيد كند . روش هاي PROLOG , LISP در جهت مستعاذل كردن نيازهاي سطح نشانه و نيازهاي نهفته در ساختار هر دو منبع مورد استفاده مي باشند و هم چنين يك هدف هوشمند و ذهني با اهميت مي باشند . در دنباله ما از ساختارهاي سطح اطلاعات در محيطهاي برنامه نويسي بر روي يك زبان كاربردي صحبت خواهيم كرد و سپس به مصزفي زبانهاي عمده AI يعني PROLOG , LISP مي پردازيم .
خصوصيات مطلوب يك زبان AI
يكي از خصوصيات و ويژگيهاي مهم خلاصه سازي سلسله مراتبي در ساختار برنامه غير حساس بودن سطوح بالاتر نهفته در كاربرد زبان مي باشد .
اين مشاهده در عمل سنجيده مي شود كه همراه با سيستم هاي موفق دانش مدار مي باشد كه در زبانهاي برنامه نويسي مختلفي مثل Pascal , C , Ctt , Java , PROLOG , LISP و حتي Fortran به كار مي رود .
برنامه هاي مختلفي اصولاً در PROLOG , LISP و سپس در C به كار گرفته مي شوند تا بتواند تاثيرپذيري و انتقال پذيري بهتر ايجاد كنند. در هر دوي اين موارد رفتار و عملكرد در سطح نشانه به طور قطع بي اثر مي باشد.
با اين حال محدوديتهاي خلاصه سازي در يك برنامه جامع بيان مي شود كه كامل نمي باشد . ساختار سطح بالاتر باعث ايجاد ساختارهاي قوي بر روي لايه هاي زيرين مي شود و نياز به اين دارد كه برنامه نويسي AI بر روي سطح نشانه اي قرار گيرد كه در سطح زبان تكرار مي شوند.
به عنوان مثال ساختارهاي اطلاعاتي مورد لزوم براي ادغام سمبوليك خود را مقيد به اشكال تكراري مثل فلش ها و ليست ها نمي كنند.
اهداف و پيش بيني هاي منطقي ابزارهاي كاربردي طبيعي تر و انعطاف پذيرتر خواهند بود.
علاوه بر اين به دليل مشكلات موجود در بسياري از مسائل مربوط به AI اغلب توسعه را قبل از اينكه يك شناخت كامل از نهايت فرم برنامه داشته باشيم شروع مي كنيم.
توسعه AI لزوما در طبيعت به صورت كشف و تجزيه و آزمايش است.
اين نياز هم چنين وابسته به يك زبان و ابزارهايي است كه بايد فراهم ساخت . يك زبان نه تنها مي بايستي متناسب با كاربرد ساختارهاي سطح بالا باشد بلكه مي بايستي يك ابزار مناسب براي انتقال كل چرخه نرم افزار از آناليز و تجزيه و تحليل تا حصول برنامه باشد.
در پنــج زير گـــروه بعدي ما به صورت جزئي و كامل در مورد نيازهايي كه ساختارهاي سطح نشانه اي برنامه هاي AI كه بر روي كاربرد زبان دارند بحث مي كنيم.
اين موارد عبارتند از :
1. پشتيباني از محاسبه سمبوليك
2. انعطاف پذيري كنترل
3. پشتيباني از متدولوژي و روش هاي برنامه نويسي جستجويي
4. پويايي
5. مستنند سازي خوب و واضح
`پشتيباني از محاسبات سمبوليك
گرچه روش هاي زيادي براي سازماندهي اطلاعات در يك سطح نشانه وجود دارد . ولي تمامي آنها نهايتاً به عنوان عملكردهايي بر روي نشانه ها به كار مي روند .
اين روش در تئوري نشانه هاي آقاي Simon , Newell آمده است . تئوري هاي سيستم فيزيكي نشانه نياز اصلي براي زبان برنامه نويسي است كه كاربردهاي يك سري از عمليات سمبوليك را آسان مي كند .
حتي شبكه هاي عصبي و ديگر شكل هاي ضروري محاسبه مي بايستي شامل اطلاعات سمبوليك در وروديها و خروجي هايشان باشند . انواع كاربردها و اطلاعات دادهاي عددي تاكيد شان بر روي زبانهاي برنامه نويسي معمول است كه براي كاربردهاي جستجوي الگوريتمي يا بيان زبان AI مناسب نمي باشند.
علاوه بر اين يك زبان AI مي بايستي ساختار ايجاد نشانه هاي اوليه را ساده سازد و بر روي آنها كار كند. اين يكي از مهمترين نيازهاي يك زبان برنامه نويسي AI مي باشد.
محاسبات و پيش بيني يكي از قوي ترين و عمومي ترين ابزارهاي ايجاد ساختار كيفي يك محدوده از مسئله مي باشد.
خصوصيات بارز يك محدوده ممكن است به گونه يك سري واقعيات منطقي بيان شود. از طريق استفاده از متغيرها امكان ايجاد واقعيات كلي درابره ارتباط بين اهداف در يك محدوده به وجود مي آيد.
PROLOG يك زبان برنامه نويسي كلي است كه بر اساس پيش بيني محاسباتي است.
به عنوان يك كاربرد رسمي منطق PROLOG بعضي اوقات مستقيما به عنوان يك زبان در سطح نشانه مورد استفاده قرار مي گيرد.
با اين حال قدرت واقعي آن به عنوان يك زبان براي كاربرد دقيق تر و كامل همانند چهارچوب ها و شبكه ها در يك روش سيستماتيك و فشرده مي باشد بسياري از ساختارهاي سطح نشانه اي به سادگي با استفاده از ساختارهاي سطح بالاي PROLOG ساخته مي شوند.
PROLOG ممكن است براي كاربرد در جستجوي الگوريتم ها يك سيستم محافظ و يك شبكه سمانتيكي مورد استفاده قرار گيرد.
يك ابزار مهم ديگر براي ساخت ساختارهاي نشانه ليست مي باشد يك ليست شامل يك سري عناصر مي شود كه در آن هر عنصر ممكن است حتي يك ليست و يك نشانه باشد.
چند نمونه از ليست ها با استفاده از ساختار برنامه نويسي LISP عبارتند از :
(اين يك ليست است)
(اين هست) (يك ليست) (از ليست ها)
(زمانها (بعلاوه 13)(بعلاوه 23) )
((123)(456)(789))
توجه داشته باشيم كه اينها نمونه هايي مي باشند كه شامل ليستهاي درون ليست هاي ديگر مي شود اين موجب مي شود كه ارتباطات ساختاري ايجاد گردد. قدرت ليست ها عمدتا در نتيجه توانايي بيان هر نوع ساختار نشانه اي بدون در نظر گرفتن پيچيدگي يا عملكردهايي كه مي بايد از آن پشتيباني كند مي باشد.
اين شامل شاخه ها گراف هاي اوليه يك سري مشخصه هاي منطقي جهت ها اصول اطلاعاتي كليدي مي شود. به طور خلاصه هر نوع ساختار ممكن است بر اساس يك تركيب مناسب متشكل از ليست ها و عملكردهاي واقع شده بر روي آنها حاصل شوند.
ليست ها يك سري بلوك هاي مهم مي باشند كه PROLOG , LASP كه موجب مي شود كه كاربر را با عناصر اطلاعاتي و عملياتي براي دستيابي و تاكيد بر آنها در درون يك سري ساختارهاي پيچيده مهيا سازد. در حاليكه PROLOG مستقيما به محاسبات پيش بيني شده وابسته است و شامل يك سري ليست به عنوان ابزارهاي بيان مي شود.
LISP ليست را به عنوان اصول انواع داده ها و برنامه ها مورد استفاده قرار مي دهد. تمامي ساختارهاي LISP از ليست ها ساخته مي شوند و زبان فراهم كردن يك سري ابزارهاي قوي براي تركيب اينها (ساختارها) را به عهده دارد و توصيف كننده عمليات جديد براي ايجاد توسعه و تغيير آنها است. يك شكل كردن ساختار LISP و توانائي توسعه آن توصيف هر نوع زباني را براي ساختار آن ساده مي سازد . بوسيله پرداختن به نظريه جمع آوري اطلاعات فشرده برنامه نويس LISP مي تواند ساختارهاي نشانه را توصيف كند و عمليات مورد نياز هر نوع شكل گيري سطح بالا شامل كنترل كننده هاي جستجو حل كننده هاي تئوريهاي منطقي و ديگر اظهارات سطح بالا مي باشد.
انعطاف پذير بودن كنترل:
يكي از مشخصه هاي اساسي رفتار هوشمند قابليت انعطاف پذيري آن مي باشد . در حقيقت مشكل بتوان تصور كرد كه هوشمندي مي تواند از طريق توسعه گام به گام مراحل ثابت كه بوسيله برنامه هاي معمول كامپيوتري نشان داده مي شود حاصل شود. خوشبختانه اين تنها راه سازماندهي محاسبات نمي باشد.
يكي از مهمترين و در عين حال قديمي ترين نمونه هاي مربوط به ساخت يك برنامه AI سيستم توليد مي باشد.
در سيستم توليدي برنامه شامل يك سري قوانين مي شود. در منطق اطلاعات اين قوانين به گونه اي تنظيم مي شود كه بوسيله الگوي اطلاعات در يك نوع مسئله داده شده قابل تشخيص باشد.
قوانين توليد مي تواند به هر گونه كه پاسخگوي آ“ موقعيت خاص باشد برنامه ريزي شود. بدين طريق يك سيستم تولسد مي تواند ايجاد كننده انعطاف پذيري و ارتباط لازم براي رفتار هوشمند باشد.
بنــــابراين AI از يك تعداد متفاوتي ساختارهاي كنترلي استفاده مي كند كه بسياري از انها مرتبط با سيستم هاي توليد مي باشند و همه آنها تابع الگو مي باشند . كنترل الگويي موجب مي شود كه اطلاعات با توجه به نياز به خصوصيات يك نوع مسئله خاص به كار گرفته شود. الگوي الگوريتم هاي انطباقي مثل به صورت واحد در آوردن باعث مي شود كه بتواند تشخيص دهد كه چه موقع خصوصيات يك مسئله منطبق با يك برنامه اطلاعاتي است كه بر اين اساس اطلاعات لازم براي كاربرد در مسئله را انتخاب مي كند.
بنابراين حائز اهميت مي باشد كه يك زبان AI بتواند آن را مستقيما ايجاد كند و يا توسعه الگوي كنترل را ساده سازد.
در PROLOG يكي كردن و جستجوي الگوريتم ها در درون خود زمان ساخته مي شوند و قلب و اساس PROLOG را تشكيل مي دهند .
با استفاده از اين يكي كردن الگوريتم ها به سادگي مي توان هر نوع الگوي ساختاري كنترلي را ايجاد كرد .
LISP مستقيماً الگوي انطبقي ايجاد نمي كند اما محاسبات سمبوليك آن موجب گسترش ساده مربوط به زبان ساده ساختار الگوي منطق شونده و توصيف كننده اوليه ساختار مي شود.
يكي از مزاياي اين نظريه اين است كه الگوي تطبيق و كنترل ساختارهاي همراه با آن ممكن است به سادگي براي تطبيق با نيازهاي يك مسئله بخصوص خود را منطبق سازد.
اغلــــب نظـــريات فعلي در ارتباط با هوش مصنوعي همانند شبكه هاي عصبي عوامل تنظيم كننده و ديگر فرم هاي محاسبات ضروري ممكن است اجتناب از عمليات بر روي ساختارهاي سمبوليك باشد.
ولي آنها نياز به يك كنترل انعطاف پذير را نفي نمي كنند. شبكه هاي عصبي مي بايستي توانايي حركتي شكل گيري خودشان را داشته باشند . عوامل متكي به پيام هستند كه از بين ماحوبهاي مختلف مي گذرد.
الگوريتم هاي ژنتيكي نياز به ايجاد واحد هاي شمارش به عنوان جمعيت كانديد شده حل مسئله دارند. توانايي زبان هاي AI براي ايجاد مشخصه تركيب ساده طبقه بندي اتوماتيك حافظه امكان اطلاع رساني ساده ايجاد متغيرها و روش هاي پويا و شكل هاي قوي ايجاد برنامه مثل يك برنامه شيء گرا موجب خواهد شد كه آنها را به سمت استفاده گسترده در كاربرد اين ابزارهاي جديدتر AI سوق دهد.
پشتيباني از روش هاي برنامه نويسي جستجويي.
مسائلي كه AI به آن مرتبط مي باشد هميشه پاسخگوي يك چنين نظريه هاي مهندسي نرم افزار استاندارد كه شامل طراحي كامل و پردازش موفقيت آميز و توسعه برنامه از خصوصيات و ويژگيهاي دقيق است نمي تواند باشد. به دليل طبيعت و ذات و نوع بخصوص AI به ندرت اين احتمال به وجود مي آيد كه بتوان ويژگيهاي درست و كاملي از شكل نهايي يك برنامه AI قبل از ساخت حداقل يك proto type بدست آورد. اغلب موارد شناخت مسئله برنامه مربوط مي شود به حل موارد درگير مسئله از طريق توسعه برنامه . دلايل آن عبارت است از :
1 – بيشتر مسائل AI اصولا مشخصه هاي ضعيفي دارند.
به دليل اينكه پيچيدگي زيادي براي پشتيباني از سطح اطلاعات لازم مي باشد به ندرت احتمال مشاهده يك مسئله و تشخيص كامل بودن نظريه دقيق كه بايد در جايگاه خودش باشد وجود دارد.
بهترين ساختارهاي سطح نشانه اي كه در يك مسئله مورد استفاده قرار گيرند به ندرت در مشخصه هاي سطح دانش قرار مي گيرند. اين نوع پيچيدگي و نامفهومي خود را به روش هاي معمول مربوط به نرم افزارهاي مهندسي مرتبط نمي دانند چون كه در اين نوع برنامه ها لازمه اش اين است كه مشخصه هاي مربوط به توسعه به خصوص مسئله قبل از اينكه مرحله كدبندي آغاز شود شكل مي گيرد.
يك عملكرد منطقي خود ذاتا براي مشخصه ها و خصوصيات معمولش بسيار مشكل تر از عملكرد نوعي طبقه بندي ليست يا ايجاد يك فايل سيستم است . حقيقتا اين به چه معني است؟
به عنوان مثال براي طراحي يك مدار يا بهبود يك بيماري اين به چه معني است؟ چگونه يك انسان ماهر و متخصص اين عمليات ها را شكل مي دهد؟ سطح رضايت بخش ايجاد يك محدوده مسئله داده شده چه چيزي است؟ چه نوع دانش و اطلاعاتي لازم مي باشد؟ چه مشكلاتي ممكن است به دلايل نبود و يا غير واقعي بودن اطلاعات پيش بيايد؟ به دليل جوابهاي به اين قبيل سؤالات و ديگر سؤالات كه در يك دوره كلي مطرح مي شود و بسيار تخصصي مي باشند و هر وقت اين طور باشد ساختار آن نيز عميق تر و پيچيده تر مي شود به همين نسبت حل آن نيز به دقت بيشتري نياز دارد.
2 – نظرياتي كه براي حل مسائل به آن پراخته مي شود در محدوده بخصوصي قرار مي گيرند.
گر چه چهار چوب هاي كلي براي حل مسائل AI وجود دارد به عنوان مثال سيستم توليد جستجو در زبان دامنه و محدوده هر مسئله نيازمند روش هاي خاص خود مي باشد.
بنابراين راه حل موفقيت آميز مسئله به ندرت به طور كامل براي محدوديتهاي جديد عموميت و كاربرد دارد هر كاربرد تا حدودي يك نوع مسئله جديد مي باشد .
3- ساختارها و اشكال بيان AIبه طور پيوسته بايد توسعه و تجديد شود
توسعه AI يك پروسه تحقيقي مداوم است . توسعه سيستم هاي AI كاربردي در بسياري از روشها بسط و توسعة اين پروسه ها مي باشند . گرچه تجربه عمدتاً به كاربرد زبان كمك مي كند ولي عموماً هيچ جايگزيني براي كاربرد يك ايده و اينكه چگونه عمل مي كند وجود ندارد .
به همين دليل AI اصولاً به صورت جستجوي است . برنامه اغلب به صورت ماشيني است كه از طريق آن ما مي توانيم دامن مسئله را كشف كنيم و روش هاي حل مسئله را كشف كنيم در حقيقت ابزاري است كه با آن به شناخت مسئله نائل مي شويم .
چالش در برنامه نويسي AI ، پشتيباني برنامه ريزي كشفي است . در بين خصوصياتي كه يك زبان برنامه نويسي بايد ايجاد كند موارد ذيل وجود دارد :
1- Modularity
2- قابليت گسترش
3- ساختارهاي سطح بالاي مفيد
4- پشتيباني از Prototype سازي اوليه
5- قابل خواندن بودن برنامه
6- مترجم ها
7- پشتيباني نرم افزاري براي برنامه نويسي جستجويي
ما اين عناوين را در پاراگراف هاي زير مورد بحث و بررسي قرار خواهيم داد :
1-قابليت Modularity كدها
حائز اهميت است كه يك زبان براي برنامه نويسي كشفي از يك سري تعاريف متوالي مربوط به كدها پيروي كند اين بيانگر اين است كه مسائل مي بايستي شامل قسمت هاي كوچك و مطلوب باشد نه بدنه هاي پيچيده كه بندي شده ارتباط متقابل بين محتوي برنامه بايد محدود باشد و به خوبي نيز توصيف شده باشند.
اين شامل پرهيز از تأثيرات جانبي و متغيرهاي جهاني (global) و اطمينان از رفتار هر Module واحد در شناخت برنامه باشد كه بتواند به خوبي قابل تشخيص باشد.
برنامه هاي LISP به صورت مجموعة انتخابي از عملكردهاي واحد مي باشند در يك برنامه LISP كه به صورت مطلوب نوشته شده باشد هر عملكرد كوچك مي باشد كه يك كاركرد خوب و واحد را شكل مي دهند.
بنـــابراين اغلب جايگزيني و اصلاح علت هاي هر كمبودي، ساده مي باشد. روش هاي اندازه گيري متغير LISP و پارامترهاي مربوط به آن اغلب براي كاهش تأثيرات عملكردي به كار گرفته مي شوند. متغيرهاي جهاني،گر چه به وسيله زبان پشتيباني مي شوند ولي استفاده در كدهاي متناسب LISP نهي شده اند.
علاوه بر اين LISP دسته بندي شي گرا را از طريق سيستم شيء LISP به صورت CLOS پشتيباني مي شود.
در PROLOG واحد اصلي برنامه روش و قانون است، قوانين PROLOG همانند عملكردهاي LISP كوچك و ويژه هستند.
به دليل اينكه محدوده و قياس متغيرها در PROLOG اغلب محدود به يك شيوه و قانون شده اند، و زبان اجازه تغييرات جهاني را نمي دهد. توصيف كردن اصولاً ساده مي باشد.
LISP و PROLOG شامل مشخصه هاي سهل و آساني مي باشند كه هنگامي كه با يك ساختار برنامه مشخص تركيب شوند، موجب آسان شدن پرداخت آن مي گردند.
2-قابليت گسترش
اصولاً برنامه نويسي جستجويي در قالب يك پروسه داراي ساختار سطح بالاي برنامه اي است كه به گونه كد توسعه يافته است. يك روش مهم براي انجام اين پروسه در قالب سيستماتيك و با ساختار مناسب،توسعة يك زبان نهفته در آن است.
اغلب امكان توصيف شكل نهايي يك برنامه AI وجود ندارد،اما امكان تشخيص ساختارهاي سطح بالا و مفيد براي كشف و بررسي دامنه مسئله وجود دارد. اين ساختارها مي توا ند شامل الگوهاي مناسب ، كنترل كننده هاي جستجو وعملكردهاي توصيف يك زبان توصيفي باشد.
اصـــولاً ايـــن نظـــريه كه مي گويد اگر شما ساختار نهايي يك برنامه را تشخيص ندهيد مي بايستي سعي كنيد كه ساختار زبان را توصيف كنيد كه به شما كمك خواهد كرد كه آن ساختار را توسعه دهيد.
براي پشتيباني از اين روش، يك زبان برنامه نويسي بايد به صورت سهل و آسان قابل گسترش باشد و به طور ساده آنها را توسعه دهد. به وسيله توسعه و گسترش كه همان توانايي توصيف ساختارهاي زباني جديد است كه داراي حداكثر آزادي و انعطاف باشند.
LISP و PROLOG و همچنين توسعة شيء گرا آنها همانند CLOS همگي موجب مي شوند كه توصيف سادة اهداف، پيش بيني ها و عملكردهاي جديد ، صورت پذيرد.
هنگامي كه توصيف صورت پذيرفت، اين ساختارهايي كه كاربر ايجاد كرده داراي رفتاري شبيه به ساختارهاي اساسي زبان مي باشند.
اين زبانها به وسيله توسعة توانايي هاي اصولي از ابتدا تا حل آن برنامه ريزي مي شوند. دراين صورت،گفته مي شود كه برنامه هاي معمول، ساختاربندي مي شوند ولي برنامه هاي AI رشد و توسعه مي يابند.
اين مورد با تشخيص سريع مقايسه مي شود كه در اين مورد زبانهاي معمولي مابين خصوصيات ساختاري و برنامه هاي توسعه يافته، كاربردي واقع مي شوند.
در يك برنامه ما ممكن است عملكردهاي جديدي را تعريف كنيم اما ساختار آنها بسيار محدودتر از ســـاختارهاي از قبل ساخته شده است. اين موجب محدوديت انعطاف پذيري و استفاده از اين توسعه و گسترش ها مي شود.
LISP و PROLOG همچنين موجب ساده شدن نوشتن توصيف متغيرهاي ويژه يك زبان خاص مي شوند. در LISP برنامه ها و اطلاعات به گونه ساختاري ليست مي شوند. اين باعــث ســادگي نوشتن برنامه اي مي شود كه از كد LISP به عنوان داده (Data) استفاده مي كنند كه در اين صورت باعث ساده تر شدن توسعه، تصويفي مي شوند.
بسياري از زبانهايي كه از نظر سابقه و همچنين اقتصادي در نوع زبانهاي AI حائز اهميت مي باشند، مثل PLANNER و ROSIE و KEE و OPS بر اساس توانائي هاي LISP ساخته مي شوند.
PROLOG اين توانائي ها را در قالب تعدادي “meta – predicates” كه قابل پيش بيني براي تركيب با ديگر مشخصه هاي PROLOG باشند. ايجاد مي كند كه در اين صورت باعث ساده شدن نوشتاري آن مي گردد.
همراه با LISP تعدادي زبانهاي سطح بالا AI بر اساس PROLOG ساخته شده اند كه از اين روش استفاده مي كنند.
. تعاريف مشخص و واضح
لازم است كه زبانهاي AI همراه با زبانهاي ديگر برنامه نويسي براي توسعه گسترده كامل و در عين حال منطقي سيستم، به كار گرفته شوند.
متأسفانه زبانهاي برنامه نويسي معمول مثل Fortran و پاسكال داراي تعاريف مشكل و پيچيده اي هستند اين موارد مي تواند ناشي از واقعيت خود زبان باشد كه اصولاً داراي خصوصيات ساختاري سطح بالايي در كامپيوتر دارند و در خودشان سيستم هاي فيزيكي و پيچيده اي دارند. به دليل اينكه زبانهاي AI داراي اساس و پايه رياضي هستند مثل PROLOG و LISP ،آنها مي بايستي معاني ساده تري باشند كه داراي قدرت و ظرافت نهفته در رياضي باشند.
اين موجب مي شود كه اين زبانها عمدتاً براي تحقيقات در محدودة به كارگيري دانش ابزارهاي زبان، ايجاد برن امه درست،و اتوماتيك كردن تأثير گذاري كد، مفيد واقع شوند.
همـــچنين بـــايد توجه داشت كه گر چه عملكرد بسياري از برنامه هاي AI كاملاً پيچيده مي باشد ولي كدي كه داراي اين عملكرد است بايد ساده و مشخص باشد.
بلوك هاي بزرگ مركب و پيچيده با كد مشخص داراي AI مناسب نمي باشند يك زبان خوب توصيف شده،يك ابزار مهم براي دريافت اين اهداف مي باشد.
خلاصه اي دربارة LISP و PROLOG
به وسيله برآورده كردن نيازهاي گفته شده، LISP و PROLOG هر دو داراي زبانهاي برنامه نويسي غني و كاملي هستند وقتي كه اين زبانها را فرا مي گيريم، دانشجو در ذهن و فكر دربارة روشهايي كه آنها به وسيله ويژگيهاي خاص هر زبان پشتيباني مي كنند، نيازها را نگه داري مي كنند.
PROLOG
PROLOG يكي از بهترين نمونه و مثال يك زبان برنامه نويسي منطقي است. يك برنامه منطقي داراي يك سري ويژگيهاي قانون و منطق است . PROLOG از محاسبة اوليه استفاده مي كند. در حقيقت خود اين نام از برنامه نويسي PRO در LOGIC مي آيد يك مفسر برنامه را بر اساس يك منطق مي نويسد. ايده استفاده توصيفي محاسبه اوليه براي بيان خصوصيات حل مسئله يكي از محوريت هاي مشاركتPROLOG مي باشد كه براي علم كامپيوتر به طور كلي و به طور اخص براي زبان برنامه نويسي هوشمند مورد استفاده قرار مي گيرند. نفع اسفتاده از محاسبه اوليه براي برنامه نويسي شامل يك ساختار ظريف و ساده و قابل معني مي شود.
به دليل همين خصوصيات است كه PROLOG به عنوان يك محرك اصلي و مفيد براي تحقيقاتي مثل موارد برنامه نويسي آزمايشي به عنوان يك كد، متغير كردن برنامه و طراحي ويـــژگيهـاي زبان سطح بالا، مطرح است. PROLOG و ديگر زبانهاي منطقي يك سبك برنامه نويسي مشخصي را دنبال مي كنند كه در آنها برنامه ها به صورت دستورات پشت سرهم و متوالي براي ايجاد يك الگوريتم، نوشته مي شوند. اين نوع برنامه اصولاً به كامپيوتر مي گويد كه «چه چيزي درست است» و «چه چيزي بايد صورت گيرد» و اين به برنامه نويس اجازه مي دهد كه بر روي حل مسئله به صورت يك سري خصوصيات از يك محدوده تأكيد كند تا اينكه بخواهد به جزئيات نوشتاري سطح پائين ساختارهاي الگوريتمي براي بعد بپردازد.
اولين برنامه PROLOG در مارسي فرانسه در اوايل 1970 به عنوان بخشي از زبان معمول يك پروژه نوشته شد. تئوري نهفته در پشت اين زبان در كارهاي كوالسكي،هيز و ديگران آورده شده است. عمدة توسعة PROLOG بين سالهاي 1975 تا 1979 در بخش هوش مصنوعي دانشگاه ادينبورگ صورت گرفت.
در آنجا يك گروه مسئوليت كاربرد اولين PROLOG را به عهده داشتند كه آقاي David H.D مسئول آن بود. اين گروه اولين PROLOG را ساخت كه مي توانست محاسبات كلي را انجام دهد. اين محصول بر اساس سيستم DEC-10 ساخته شده بود و مي توانست در مدهاي توصيفي و مقايسه اي كارآئي داشته باشد.
مزيت اين زبان به وسيله پروژه هايي كه براي ارزيابي و گسترش قدرت بيان برنامه هاي منطقي نوشته شده اند، اثبات شده است.
بحث دربارة يك چنين كاربردهايي مي تواند در سمينار و گردهمائي هاي مربوط به زبان برنامه نويسي هوش مصنوعي در سطح بين المللي مطرح شود.
LISP
LISP اولين بار به وسيله JACK MCCARTHY در اواخر دهه 1950 مطرح شد اين زبان به عنوان يك مدل پيوسته محاسباتي بر اساس تئوري عملكرد مجدد،معرفي شد.
در مقالات اولية مك كارتي (1960) اهداف خود را مشخص مي كند: ايجاد يك زبان سمبوليك تا يك زبان محاسباتي. ايجاد زباني كه بتوان از آن به عنوان يك مدل محاسباتي بر اساس تئوري عملكرد مجدد استفاده كرد و از آن بتوان براي تعريف دقيق يك ساختار و تعريف زباني استفاده كرد.
گر چه LISP يكي از قديمي ترين زبانهاي محاسباتي است كه هنوز فعال است، ولي دقت كافي در برنامه نويسي و طراحي توسعه باعث شده كه اين يك زبان برنامه نويسي فعال باقي بما ند.
در حقيقت اين مدل برنامه نويسي طوري مؤثر بوده است، كه تعدادي از ديگر زبانها بر اساس عملكرد برنامه نويسي آن واقع شده اند مثل FP ، ML و SCHEME .
اين ليست اساس برنامه ها و ساختارهاي اطلاعاتي در LISP است، LISP خلاصه شده نام پروسه LIS است. اين برنامه يك سري ليست هاي عملكردي درون ساختاري دارد.
LISP به برنامه نويس قدرت كامل براي اتصال به ساختارهاي اطلاعاتي را مي دهد.
اصولاً LISP يك زبان كامل است كه داراي عملكردها وليست هاي لازمه براي توصيف عملكردهاي جديد، تشخيص تناسب و ارزيابي معاني مي باشد.
تنها هدف كنترل برنامه بازگشت و شرايط منحصر به فرد است. عملكردهاي كامل تر هنگامي كه لا زم باشد در قالب اين اصول تعريف مي شوند. در طي زمان بهترين عملكردها به عنوان بخشي از زبان مي شوند. پروسه توسعة زبان به وسيلة اضافه كردن عملكردهاي جديد موجب توسعه محورهاي زيادي از LISP مي شوند كه اغلب شامل صدها عملكرد بخصوص براي ايجاد اطلاعات كنترل برنامه، خروجي و ورودي، Edit كردن عملكردهاي LISP مي شوند.
اين ارتباطات محركه اي هستند كه به وسيله LISP از يك مدل ساده و ظريف به يك مدل قوي و غني و عملكردي براي ساخت سيستم هاي نرم افزاري بزرگ، تبديل مي شود.
يكي ازمهم ترين برنامه هاي مرتبط با LISP برنامه SCHEME مي باشد كه يك تفكر دوباره دربارة زبان در آن وجود دارد كه به وسيله توسعه AI وبراي آموزش اصول مفاهيم علم كامپيوتر مورد استفاده قرار مي گيرند.
7. برنامه نويسي شيء گرا
برخلاف برنامه LISP و PROLOG ،برنامه شيء گرا ريشه در مهندسي نرم افزار دارد. اولين بار در سال 1970 توسعه يافته كه به وسيله Alan Kay اين تحقيقات صورت گرفته است.
ساخت ايده ها از محرك، كه زبان نروژي تظاهر مي كند در سال 1960 و مقاله Symour در استفاده از LOGO براي آموزش كودكان، صورت پذيرفته است.
استفاده از Dyna book براي اولين بار به عنوان يك كامپيوتر، كه افرادي به غير متخصصان علم كامپيوتر با آن سروكار داشتند.
بـــه دليل اينكه كاربر افراد معمولي بودند سيستم عملكرد و كاربرد نرم افزار نبايد تكنيكي مي بود و به سادگي قابل تشخيص بود. راه حل آنها براي اين مسئله يك مداخلة گرافيكي است با استفاده از منوها و آيكون هاي گرافيكي و اشاره گرها، يك موس يا يك سري برنامه ها براي اديت كردن، داده ها مي باشد.
دخالت كاربر در طراحي يك notebook متأثر از طراحي كاربرها براي يك سري كامپيوترهاي تخصصي مثل سيستم هاي به كارگيري كامپيوتر شخصي مثل مكينتاش، ماكروسافت و محل هاي مربوط به ويندوز مي باشد.
در يك برنامه small talk ،همه چيز در قالب هدف و يك ساختار قابل محاسبه مرك و قراردادي مطرح مي شود. اهداف نه فقط شامل انواع اطلاعات براي محاسبه بلكه شامل انواع روشهاي لازم براي محاسبه حالت و وضعيت هدف نيز مي شوند.
ارزشهاي يك هدف به صورت كلاس ها بيان مي شود. اهداف ممكن است اهداف طبقه بندي شده كه توصيف كنندة تمامي مواد يك نمونه باشد و بيانگر نوع ذات و توصيف تما مي موارد يا مواردي كه بيانگر يك عضو واحد هستند را شامل شود.
وقتي مواردي از يك نوع اطلاعات به وسيله اهداف توصيف مي شود اين موارد ذاتاً داراي نوع توصيف و روشهاي توصيفي از عملگرهايشان مي باشند،براي شكل دادن يك عمليات بر روي يك هدف، يك پيام به سمت هدف فرستاده شده كه حاصل روش مناسبي مي باشد. به عنوان مثال، اضافه كردن 3 و 4 پيام 4+ به سمت شيء 3 فرستاده مي شود و 3 پاسخ مي دهد مي شود 7 .
به وسيله ايجاد انواع تركيب اطلاعات و عمل بر روي آنها در يك عمل واحد مربوط به هدف، small talk از كد Modular (پيمانه اي) توسعه و نوع كاربرد براي عناصر اطلاعات و كد مربوط به تكثير آنها، پشتيباني مي كند.
به دليل اينكه اهداف small talk در قالب يك كلاس شبكه اي همراه با اهداف كاملاً ويژه كه بخشي از تمامي روش هــاي كاملاً كلي است ، بسيار ساده است كه يك ساختار جديد برنامه اي توصيف كنيم كه عملاً با اهداف موجود در برنامه همراه باشد. بنابراين يك برنامه اصولاً مي تواند قدرت كامل يك سيستم باشد كه شامل گرافيك،بازنگري و ارتباط است.
علاوه بر اين روش هاي توسعه نرم افزاري مثل ارائه اطلاعات و زبانهاي نهفته، فشار بر اپراتور و استفاده از كدها از طريق يك گروه اصلي و زبانهاي نهفته در قالب يك مدل رايج پشتيباني مي شوند.
زبانهاي شيءگرا همراه با بسياري از خصوصيات مندرج در يك كلاس اطلاعاتي، شامل كلاس اصلي و توانايي پاسخ در ساختار اطلاعات مي شود به همين دلايل زبانهاي شيءگرا در برنامه نويسي AI استفاده مي شوند.
محيطهاي هيبريد
نياز به برنامه نويسي اطلاعاتي موجب توسعة تعدادي برنامه نويسي و تكنيك هاي زبان، شامل سيستم هاي توليد،قوانين و كلاس شيءگرا مي شود.
يك سيستم هيبريد بيانگر نمونه هاي چند منظوره در قالب يك محيط برنامه نويسي خاص مــي باشد. گر چه محيطهاي هيبريد متفاوت مي باشد. ولي عموماً شامل خصوصيات ذيل مي شوند.
1-نمايش شيء گرا از محدوده اشياء
يك چنين سيستم هايي ذاتاً ويژگيهاي كلاس را پشتيباني مي كنند و اغلب شامل يك مكانيسم انتقال پيام براي عكس العمل هدف مي باشند.
2-قوانين نمايش اطلاعات neuristic
گر چه چهارچوب اهداف به معني توصيف طبقه بندي اهداف، مي باشند. قوانين به عنوان عمدة نظر توصيف مسائل اطلاعاتي مي باشند.
ساختار then …. if ….. مناسب شيوة تخصص انساني است كه بيانگر پروسة تصميم گير است. قوانين دريافت اطلاعاتي از اهداف را دارند كه با استفاده از يك زبان كه مستقيماً در چارچوب يك هدف مي خواند و مي نويسد و يا به وسيلة استفاده از پيام كه مستقيماً وارد هدف مي شود صورت مي پذيرد.
3-پشتيباني از انواع روش هاي جستجو
بيشتر سيستم هاي پشتيباني از جستجوي اوليه و انتهايي حمايت مي كنند عموماً بيان يك هدف در قالب جستجويي ،تغيير به سمت عقب مي باشد . علاوه بر اين يك واقعيت تازه دربارة حافظه كاركرد ممكن است ايجاد علت هاي اوليه از قوانين كند كه به وسيله اين واقعيت جديد پشتيباني مي شوند.
4-توصيف دامنة كاربرد عملكرد متقابل و تأثيرات جانبي
يك demon فـــرآيندي اســـت كه به وسيله عملكردهاي جانبي بعضي از اعمال مشخص مي شود. يك نمونه از استفاده demon كنترل در يك سيستم زماني است كه بيانگر دوره اي در مانيتور يك چاپگر و يا ديگر وسايل مي باشد.
demon به وسيله يك زمان مشخص مي شود. محيطهاي AI اين ايده را توسعه مي دهند و باعث ايجاد demon مي شوند كه هنگامي كه هدف توليد يا توصيف شود به كار مي آيند.
چنين demonهايي براي به زمان نگه داشتن يك نشانگر در پاسخ به تغيير مقدار مورد استفاده قرار مي گيرند. Demon هاي مهم و مطرح اصولاً داراي مقاديري متغير مي باشد كه هنگامي كه ارزش متغير تغيير كند demon خوانده شده و وقتي كه اين اتفاق افتاد demon ايجاد و خلق مي شود كه اين وقتي اتفاق مي افتد كه يك مقدار خلق شده باشد و ارزش ها در قالب گرافيكي فعال مي شوند كه اين فعاليت مي تواند متغير باشد.
5-تداخلگرهاي گرافيكي
اينها شامل يك طيفي از امكاناتي مي باشند كه اجازه تداوم و دنبال كردن موارد را مي دهند. به عنوان مثال نشانگرهاي گرافيكي مي توانند ساختار قوانين يك اصل اطلاعاتي را به صورت يك درخت توصيف دهند. يكي از مهمترين خصوصيات محيطهاي هيبريد،توانائي اتصال با استفاده از demon مي باشد كه به صورت يك نشانگر گرافيكي متصل به شيء و هدف مي باشد. كه اين موجب عملكرد گرافيكي براي بيان زمان واقعي نشانگر مي باشد كه در حقيقت بيشتر محيط ها داراي يك پشتيباني سطح بالاي از داده هاي گرافيكي مي باشند.
6-اجتناب از زبانهاي زيرين
روشهايي كه در قالب يك زمان خاص يا پاسخگو مي باشند به وسيله محيط و يا اغلب اوقات LISP و PROLOG يا حتي و يا پاسكال توصيف شده اند كه اين موجب توصيف طيفي فرآيند اطلاات و هم چنين يك برنامه اطلاعاتي كه طيف وسيعي از زبانهاي كه شكل دهنده هندسي، جهت ها و سنسورها و يا ديگر عملكردهايي كه به صورت بهتري در قالب روشهاي الگوريتمي به كار گرفته مي شود را شامل مي شود.
7-توانائي ترجمه اطلاعات جهت اجراي سريعتر يا تحويل روي يك ماشين كوچكتر
وقتي كه برنامه شيء گرا كامل شد. يك محيط كامل و توسعه يافته اغلب ، بلندي است كه به تدريج افول مي كند و پائين مي آيد بيشتر محيط هاي مدرن AI اجازه كاربرد سريعتر و ساده تر را كه اغلب كوچكتر و ارزانتر است را در يك ماشين ترجمه ايجاد مي كنند.
8. يك نمونه هيبريد
بسياري از نمونه هاي مطلوب اصولاً از طريق اشيا، ارتباطات و كنش و واكنش متقابل بين آنها واقع يم شود در شكل زير يك نمونه اتصال به وسيله باطري همراه با يك سوئيچ براي يك لامپ (شكل 364) در نظر گرفته شده است.
لامپ، باطري و سوئيچ ممكن است هر كدام به وسيله كلاسها بيان شوند كه بيانگر ويژگيهاي باطري، سوئيچ و لامپ باشد . مشخصه هاي الكترونيكي شكل 2 ممكن است به عنـــوان موارد بخصوصي از اين كلاس هاي كلي بيان مي شوند. توجه داشته باشيد كه نمونه ها داراي مقادير نمونه اي مربوط به كلاس خاص شيء مربوط به خود مي شوند به عنوان مثال اگر سوئيچ 1 در حالت خاموش قرار گيرد. قسمت كنترل كه مربوط مي شود به لامپ 1 تحت تأثير قرار خواهد گرفت. .
يك قانون ممكن است در اينجا به وجود بيايد كه :
اگر نور وارد AND نشود، سوئيچ AND را بسته و باطري درست است بنابراين بايد به قسمتي كه ممكن است آسيب ديده باشد مراجعه كرد.
در نمايش هيبريد قوانين داراي ويژگيهايي هستند كه بيشتر بيانگر مقدار اهميت كلاسها و اشياء مي باشند.كه در شكل 3 به آن اشاره شده است. اين قانون ممكن است به عنوان بخشي از قانون اوليه سيستم در تلاش براي به جريان انداختن اين مدار باشد كه در جاي ديگر براي راه اندازي سوئيچ كنترل براي حالات متغير است.
9. انتخاب زبان كاربردي
همانگونه كه هوش مصنوعي به مرحله رشد مي رسد وقابليت هاي خود را در طيف وسيعي از مسائل كاربردي به اثبات مي رساند اعتماد به LISP و PROLOG نيز مدنظر مي باشد، موارد مربوط به توسعة نرم افزاري، همانند نياز به تداخلگرها به صورت ساده وآ‌سان همراه با يك كد منطقي تا استفاده از AI در Moduleهاي كوچكتر و يا بزرگتر در برنامه ها و نياز به ايجاد توسعه استاندارد متأثر از مشتريان دولتي و يا گروهي موجب توسعة سيستم هاي AI در انواع زبانهاي مثل C ، , C++ Java و Smalltalk شده است.
كــه زبــانهاي LISP و PROLOG كار خود را در محدودة توسعه و Prototype سازي سيستم هاي AI در صنعت و دانشگاهها دنبال مي كنند.
يـــك اطـــلاعات و دانش كاربردي مربوط به اين زبانها به عنوان بخشي از مهارت هر برنامه نويس AI مي باشد. علاوه بر اين، اين زبانها به عنوان زمينه اي براي بسياري از اين خصوصيات مي باشند كه در ادامه همكاري با زبانهاي برنامه نويسي جديد مي باشند.
احتمالاً بهترين نمونه از اين زبانها Java ميباشد كه متناسب با استفاده اولويت ديناميكي اش، داراي مديريت حافظه اتوماتيك و ديگر خصوصياتي است كه در زبانهاي كه ترجمه شده وجود دارد به نظر مي رسد كه ديگر زبانهاي برنامه نويسي براي رسيدن به حد مطلوب از استانداردهاي اين زبانها استفاده مي كنند.
هم چنانكه اين تكامل صورت مي پذيرد و ادامه مي يابد دانش مربوط به LISP و PROLOG يا Small talk و روش هاي برنامه نويس قادرند تنها از نظر مقدار توسعه يابند.
بنابراين، از اينكه از يكي از اين زبانهاي AI استفاده كنيم يا خود را در برنامه نويسي با زبانهاي C++ و C و Java يا يكي از زبانهاي رقيب پيدا كنيم راضي و قانع خواهيم بود.
منابع و مآخذ
كتاب Artificial intelligence structures & strategies for complex problem solving
نوشته George F.Luger & william A. Stubble field
هوش مصنوعی (بیشتر بدانید:)
سلام
بچه ها هوش مصنوعی تقریبا 2سالی هست که توی ایران اومده و در سطح فوق لیسانس و دکترا است .رشته خوبی اگه خدا بخواد منم می خوام واسه فوق این رشته رو امتحان بدم.
بهتره بیشتر درموردش بدونید:
هوش مصنوعی
در شبکه ارتباطی مغز انسانها سیگنالهای ارتباطی به صورت پالسهای الکتریکی هستند.جزء اصلی مغز نرون است که از یک ساختمان سلولی و مجموعه ای از شیارها و خطوط تشکیل شده و شیارها محل ورود اطلاعات به نرون هستند وخطوط محل خروج اطلاعات از نرون اند . نقطه اتصال یک نرون به نرون دیگر را سیناپس می نامند که مانند دروازه یا کلید عمل مي کنند. اگر واکنشهایی که میلیونها نرون مختلف به پالسهای متفاوت نشان میدهند با یکدیگر هماهنگ باشند ممکن است پدیده های مهمی در مغز رخ دهد.
آندسته از پژوهشگران هوش مصنوعی که رویکرد مدل مغزی را دنبال می کنند گونه ای از مدارهای الکتریکی را طراحی کرده اند که تا حدی شبکه مغز را شبیه سازی میکند در این روش هر گره (نرون)به تنهایی یک پردازنده است ولی رایانه های معمولی حداکثر چند cpuدارند هدف عمده کامپیوتر شبکه عصبی این است که مکانیسمی طراحی کند که همانند مغز انسان بازخورد مثبت یاد بگیرد پاسخهای درست و نادرست کدامند. سیستم شبکه عصبی این کار را از طریق ارزشگذاری کمی برای ارتباطات سیگنالها بین نرونها انجام میدهد مکانیسم ارزشگذاری توسط مقاومتها با تقویت یا تضعیف پالسها انجام میشود.چون شبکه های عصبی میلیونها نرون دارند خرابی تعدادی از آنها تاثیر چندانی برعملکرد سیستم نمی گذارد تا کنون چند سیستم آزمایشی با استفاده از این اصول طراحی و ساخته شده اند مثلاًدر بررسی های زیست محیطی، شبکه های عصبی برای جمع آوری و تحلیل اطلاعاتی که از راه دور حس شده اند مورد استفاده قرار می گیرند اطلاعاتی که اغلب سفینه ها مخابره می کنند بسیار حجیم است.شبکه های عصبی این اطلاعات را به راحتی دسته بندی کرده وپس از جمع آوری اطلاعات ذهنی و تجسمی نتایج جالبی به دست می آورند (مثلاًتشخیص انواع خاصی از ابرها) البته این فرایند با آنچه سیستم های خبره انجام می دهند متفاوت است زیرا این سیستم ها ابزارهای تصمیم سازی هستند و می توانند حجم زیادی از اطلاعات را به سرعت تحلیل کنند شبکه های عصبی برای مدل سازی فرایندهای فکری-مغزی که زمینه ی دیگری برای مطالعات حساس به اطلاعات و پیچیدگی است مورد استفاده قرار گرفته است .
به سوی آینده
هوش مصنوعی هنوز راه درازی در پیش دارد؛شبکه سازی عصبی (که با اغماض ارتباط گرایی هم نامیده می شود)در سالهای اخیر تغییرات عمده ای را شاهد بوده است .به عنوان نمونه برخی پژوهشگران پیش بینی میکنند به کمک تکنولوژی نرم افزاری جدید شبکه های عصبی با کامپیوترهای شخصی ترتیب داده خواهند شد و پیش بینی بازار سهام را ممکن خواهند کرد افرادی که درباره ی هوش مصنوعی وتوانایی های آن مرددند اظهار می دارند اگر هوش مصنوعی محقق شود ناچار است از دنیای منطقی،قانونمند ونمادین کامپیوترهای دیجیتال خارج شوند و به دنیای مبهم (حاصل از منطق فازی)شبکه های عصبی که مبتنی بر سیستم گسترده ی یاد گیری بازخوردی هستند پا بگذارد .
امروزه نگرش تازه ای نسبت به هوش مصنوعی ایجاد شده است که در بسیاری از آزمایشگاهها تحت بررسی است :دانشمندان سعی می کنند دریابند آیا مجموعه ای از روباتهای نیمه هوشمندمی توان یک هوش جمعی ایجاد کنند به گونه ای که از اعضای تشکیل دهنده اش باهوش تر باشد.
آينده هوش مصنوعى
آينده هوش مصنوعى
نوشته شده توسط: مارك هامفريس ترجمه: مهشيد گوهرى
هوش مصنوعى(هوش مصنوعى) شاهد خوبى بر اين مدعاست كه چگونه گاهى اوقات ، دانش خيلى آرامتر از آنچه پيش بينى كرده ايم، حركت مى كند. برخى در آغاز اختراع كامپيوترها ،معتقد بودند كه ما سرانجام توانسته ايم ابزارى را در اختيار بگيريم كه ميتواند مشكلات ذهنى را حل كند، اما كاملاٍ اينگونه نبوده و هر چند در طول سالهاى اخير با نسل جديدى از ماشينهاى هوشمند مواجه شده ايم، اما نتايج آنگونه كه انتظار مى رفت نبود. كامپيوترهايى كه در گذشته بر ما تاثير بسيار زيادى مى گذاشتند، در حال حاضر ديگر چندان تاثير گذار نيستند و ما به دنبال اين هستيم كه چه مشكلاتى بر سر راه هوش مصنوعى(هوش مصنوعى) قرار دارد.هوش مصنوعى مهندسى الهام گرفته از زيست شناسى است، آنگاه كه ما به حيوانات و به انسانها نگاه مى كنيم و مى خواهيم ماشين هايى بسازيم كه آنچه آنها انجام مى دهند را انجام دهند.ما ماشينهاى را مى خواهيم كه قادر باشند مانند انسانها و حيوانات ياد بگيرند، بفهمند، صحبت كنند، استدلال كنند و در يك كلام «هوشيار» باشند.
تاريخچه پيچيده هوش مصنوعى
هوش مصنوعى كارش را با نوعى زيست شناسى مصنوعى آغاز كرده است ، با نگاه كردن به زندگى جانداران و گفتن اينكه … آيا ما مى توانيم اعمال آنها را توسط ماشينها مدل سازى كنيم؟…فرض بر اين بوده است كه موجودات زنده ، سيستمهايى فيزيكى هستند كه ما آنها را مورد آزمايش قرار مى دهيم تا ببينيم در كجا مدل سازى آنها براى ما مفيد است و در كجا مناسب نيست. زيست شناسى مصنوعى به سير تكامل سيستمهاى فيزيكى، فرآيند رشد از كودكى تا بلوغ، تركيبات داخلى عصبى واين قبيل مسايل مى پردازد. يك زير مجموعه از زيست شناسى مصنوعى ، نوعى جانور شناسى مصنوعى است كه رفتارهاى حركتى، بينايى ، آموزشهاى زبان شناسى و برنامه ريزى و غيره را مورد توجه قرار مى دهد. زير مجموعه بعدى آن ، روانشناسى مصنوعى است كه به رفتارهاى بشرى در آنجا كه با استدلال ، زبان و سخنورى ، تمدنهاى اجتماعى و همه مسايل فلسفى مانند حس هوشيارى ، آزادى وغيره سر و كار دارد، مى پردازد. مردم با اعمالى مانند انجام محاسبات رياضى پيچيده واجراى يك بازى خوب شطرنج تحت تاثير قرار مى گيرند، اما در مقايسه با آن ، توانايى راه رفتن چندان مهم به نظر نمى رسد. شما نمى توانيد با افتخار به دوستانتان بگوييد: «نگاه كنيد ، من دارم راه مى روم.» چون آنها هم مى توانند مثل شما راه بروند.بنابراين مشكلاتى كه يك كودك نو پا هر روز با آن دست به گريبان است، به نظر خسته كننده و بسيار پيش پاافتاده مى آيد. بنابراين به نظر مى رسد پيچيده ترين مشكلات، آنهايى است كه نياز به انديشيدن دارد، مانند شطرنج و اثبات قضيه هاى رياضى. اما آنچه در ۵۰-۴۰ سال اخير اتفاق افتاده است، اين بوده كه چيزهايى از قبيل بازى شطرنج به طورى باور نكردنى براى كامپيوترها آسان شده است، در حاليكه ثابت شده است آموزش راه رفتن و حركت كردن بدون افتادن، براى يك كامپيوتر بسيار مشكل است. اعطاى توانايى داشتن احساسات و چيزهاى ناملموس ديگرى كه بيشترين رفتارهاى هوشمند انسانى را طلب مى كند، به ماشينها، بسيار مشكل است. بنابراين حيوانات و كودكان شايد الگوى مناسب و متقاعد كننده اى براى هوش مصنوعى باشند. ميليونها سال طول كشيده تا سير تكامل ميمونها كامل شود و تنها چند ميليون سال طول كشيده است تا همه چيزهايى كه ما تحت تاثير آنها قرار داريم پديد بيايد و ممكن است الگو بردارى از اعمال ساده وروزمره موجودى زنده به نظر ساده بيايد.
•هوش مصنوعى جديد و هدف گذارى جديد
تحولى در زمينه هوش مصنوعى ، با نامهايى از قبيل زندگى مصنوعى (al) و رفتارهاى تطبيقى به وجود آمده است كه به ترتيب تلاش مى كنند تا دوباره هوش مصنوعى را در مفهوم زيست شناسى مصنوعى و جانورشناسى مصنوعى قرار دهد.
در اينجا راهكار اصلى اين است كه ، ما بيشتر نياز داريم تا لايه هاى حيوانى رفتارهاى بشرى را بشناسيم و بفهميم، قبل از آنكه بتوانيم روياى هوش مصنوعى را در ايجاد هوشى كامل و متقاعد كننده تحقق بخشيم. هوش مصنوعى، هنوز و مثل هميشه توسط مدلهاى علمى آموزشى رو به پيشرفت است . تلاش هاى بسيار زيادى توسط افرادى مانند راجر پنرز و جرالد ادلمن ، انجام شده است، تا هوش مصنوعى را تكذيب كنند و نشان بدهند اجراى آن غير ممكن است . اما هيچ يك از اين تلاش ها تا كنون به نتيجه نرسيده است و اين تنها به خاطر عدم توافق با تحليلگران فلسفى آنها است و همچنين شايد به اين علت است كه آنها نتوانستند الگوى منطقى و جايگزينى تهيه كنند. پيشرفت ما در علم ، از ساختن اشيا و اجراى آزمايشها حاصل مى شود و خروج ماشينهاى جديد و عجيب از آزمايشگاه هاى هوش مصنوعى ، ابدا پايان نيافته است. بر عكس، اخيرا توسط دستاوردهاى بيولوژيكى جديد تقويت شده است.
در حقيقت هدف گذارى قديمى احيا شده است. پروفسور كوين وارويك اخيرا پيش بينى كرده است كه روشهاى جديد ما را به هوش مصنوعى در سطح بشرى هدايت مى كند. من و بسيارى ديگر مانند من در هوش مصنوعى جديد، تصور مى كنيم كه هنوز هوش مصنوعى در مرحله »فيزيك پيش از نيوتن» است؛ و علت اين است كه راه مشخصى براى رسيدن به هوشى در سطح بشرى ، از طريق ربات هاى بى مصرف قديمى و برنامه هاى نرم افزارى شكننده كه ما امروزه در اختيار داريم، وجود ندارد. يك سرى كنكاشهاى علمى عميق لازم است. آنچه كه ما تلاش مى كنيم تا در نسل بعدى انجام دهيم ، اين است كه بفهميم مسايل ضرورى و مهم ، كدام ها هستند.
• ممكن است هرگز اتفاق نيفتد اما نه به آن دليلى كه شما فكر مى كنيد
من فكر مى كنم افرادى كه فكر مى كنند رباتها دنيا را پريشان مى كنند ، بايد به كنفرانس هاى رباتيك بروند و ببينند كه چگونه رباتها تلاش مى كنند تا فقط راه بروند! آنها به زمين مى خورند ، به ديوارها بر خورد مى كنند و با پاها يا چرخهايشان در هوا معلق هستند. آنها بيشتر درمانده هستند تا تهديد آميز. آنها واقعا شيرين هستند. من يك بار در آزمايشگاه رباتيك mit بودم و به cog ، آخرين رباط رادنى بروك ، نگاه مى كردم . شبيه انسان بود ، اما پا نداشت، يك پيكره از نيم تنه به بالا ، با دو چشم و....من آن را در يك بعدازظهر يكشنبه در آزمايشگاهى تاريك ديدم كه همه به خانه هايشان رفته بودند و من برايش واقعا احساس تاسف كردم. اگر شما به فرق بين اين موجود وآنچه بيشتر جانداران در زندگى شان تجربه مى كنند، كه توسط گروهى از بزرگسالان در احاطه هستند و كنار پدر و مادرشان رشد مى كنند كه دايم مراقب آنها هستند، توجه كنيد،آن وقت متوجه مى شويد كه اين سيستمهاى مصنوعى نوعى زندگى هاى بسيار محدودى دارند. بحثى كه من بيان مى كنم اين است كه ممكن است براى سيستم هاى هوش مصنوعى محدوديتهايى وجود داشته باشد ، اما نه به دليل فرضيه …هوش مصنوعى نيرومند غلط است… ، بلكه به دلايل ديگرى. شما نمى توانيد انتظار داشته باشيد كه هوشمندهاى مصنوعى منفرد و منزوى ، تنها در آزمايشگاهها ، بسازيد؛ مگر اينكه اين موجودات بتوانند فرصت داشتن فرهنگ وتمدنى را داشته باشند كه كنشهاى اجتماعى آنها را با چيزهايى كه شبيه شان هستند، تعريف كند. اما ما نميتوانيم ميليونها از اين روباتها را بسازيم و اين امكان را براى آنها فراهم كنيم كه تمدن، زبان و اجتماعات ابتدايى خود را توسعه دهند. ما نمى توانيم، زيرا زمين قبلا پر شده است.
•بنابراين چه اتفاقى مى افتد؟
در سى سال آينده كه انواع جديدى از ماشينهاى القا شده از حيوانات (كه بسيار آشفته تر و غير قابل پيش بينى تر از آنچه تا كنون ديده ايم خواهند بود) به وجود آيند، چه اتفاقى خواهد افتاد؟ اين ماشينها در طول زمان ، در جهت هماهنگ با ما ودنيا ، تغيير خواهندكرد. اين ماشينهاى صامت وشبه حيوان، هيچ شباهتى به انسان ندارند، اما به تدريج شبيه نوعى جانور عجيب ونا آشنا خواهند شد. ماشينهاى شبه جانور چه مشكلاتى خواهند داشت؟ نوعى از مشكلات كه ما با آنها مواجه هستيم ، مقدارى خطا و اغتشاش و نويز است. تمركز ويژه بر روى رفتارهايى خواهد بود كه آموزش آنها آسانتر از انجام آنهاست،( ما مى دانيم كه چگونه راه برويم ، اما نمى توانيم به راحتى توضيح بدهيم چگونه آن را انجام مى دهيم). بدنهاى مختلف ، ديناميكهاى مختلفى دارند. ربات هايى كه مى توانند راه رفتن را ياد بگيرند، مى توانند ساير مهارتهاى حركتى را نيز ، انجام دهند.
برخى از كاربردهاى اين جانوران مصنوعى در كارهايى است كه مردم آنها را خسته كننده يا تكرارى و يا خطرناك مى دانند، مثل : تصفيه زباله هاى سمى ، تصفيه معادن، كشاورزى، استخراج معادن، مين گذارى، انهدام و كاوش هاى رباتى. همچنين هر كارى كه در حال حاضر توسط حيوانات انجام مى شود ، مورد توجه قرار دارد .
ما با رادار ردياب سياره مريخ آشنا هستيم و نمونه هاى ديگرى هم هست كه ما مى توانيم روبات هاى خودكار را نه تنها به مكان هاى ناشناس ، بلكه به ماموريتهاى انتحارى نيز بفرستيم.( البته هيچ ماشينى نمى ميرد، زيرا ما مى توانيم مغز آن را در بدن جديدى راه اندازى كنيم.)
اين كه آيا اين رباتها در آينده جايى در خانه هاى ما خواهند داشت ، سوال جالبى است. اگر اين اتفاق بيفتد، من فكر مى كنم به علت اين خواهد بود كه روباتها مثل نوعى حيوان اهلى رفتار خواهند كرد و بيشتر جذاب خواهند بود تا وحشتناك. اگر موجود زنده شما بميرد ، شما هرگز نمى توانيد يكى ديگر مثل آن را زنده كنيد. ماشينها در آينده شبيه اين خواهند بود و خانواده روباتها بعد از چندين سال مانند يك حيوان اهلى ، غير قابل تعويض خواهند شد.
سخت افزار نيز عامل مهمى در نحوه پيشرفت و ترقى هوش مصنوعى است. هيچ كس يك جارو برقى رباتيك را با قيمت بسيار بالا نمى خرد هر چند كه چشمهاى درشت بسيار زيبايى برروى آن نقاشى شده باشد يا حتى صدايى داشته باشد كه به شما بگويد : … من عاشق شما هستم …!بسيارى از فعاليتهاى فكرى نياز به ايجاد يك حيوان مصنوعى دارند . مهمترين فرضيه اى كه بايد حل شود اين است كه : … زبان چيست و چگونه مى توانيم جهان را طبقه بندى كنيم … . ما مى گوييم … اين ميز است … و اسامى ديگرى براى ساير اشيا به كار مى بريم . اما يك حشره چه كار مى كند؟ يك حشره چگونه اشيا را تشخيص مى دهد؟ چه اطلاعاتى از درون آن مى گذرد ؟ آنها از چه نوع ساختمان اطلاعاتى استفاده مى كنند؟ هر روباتى بايد يك زبان درونى كه براى سيستم آن در نظر گرفته شده است ، ياد بگيرد ، و او بايد اين زبان را خودش بياموزد ، چون هر تعريفى كه ما سعى كنيم به آن تحميل كنيم ، از يك دنياى حسى حركتى متفاوت ناشى ميشود كه براى اين روبات معنايى ندارد.
•پيش بينى ها
اجازه دهيد اندكى بعضى از پيش بينى هاى هوش مصنوعى را بررسى كنيم. اولا، خانواده روباتها ممكن است به طور دايم به خانواده اينترنت بى سيم متصل شوند و اطلاعات را به كسانى كه شما مى خواهيد تا از مكان شما آگاه شوند، بدهند. شما هرگز لازم نيست نگران افراد مورد علاقه خود كه دور از شما هستند، باشيد. زيرا شما به طور دايم با آنها در ارتباط هستيد. ممكن است جرم و جنايت مشكل شود ، اگر همه افراد خانواده داراى ماشينهاى وفادار و شبه آگاه باشند. در آينده ما هرگز واقعا تنها نمى شويم .
اندكى پس از اين ، اگر بعضى اسبهاى هوشمند به جاى اتومبيلها قرار بگيرند، هزاران زندگى نجات ميابد. چنانچه ماشينها از مستى صاحبانشان عصبانى شوند و از رفتن به موقعيتهايى كه آنها در سرعت بالا سقوط مى كنند و خطرناك است ، جلوگيرى كنند. در آينده افراد مست قادر خواهند بود از ماشينهايشان مانند اسبهايى وفادار استفاده كنند تا آنها را به خانه هايشان ببرد. و نه تنها افراد مست ، كه كودكان ، پيرها، افراد ناتوان و نا بينايان همه اين قدرت را خواهند داشت. اگر همه ماشينها شبكه اى بى سيم شوند وانسانها نيازى به رانندگى نداشته باشند ما مقدار بسيار زيادى از سيستمهاى جاده اى ، چراغهاى ترافيكى و... را كنار مى گذاريم و جاده ها مانند قرن ۱۸ كم ترافيك مى شوند.
•افق واقعى
من سعى كرده ام نظريه چگونگى مفيد بودن حيوانات مصنوعى را ارايه بدهم . اما دليل علاقه من به اين بحث اين بوده است كه اميدوارم اين حيوانات مصنوعى ، روشى را براى ايجاد انسانهاى مصنوعى فراهم كنند . كه البته اين انسانهاى مصنوعى در زمان حيات ما به وجود نخواهند آمد. در چند دهه آينده ، انتظار نداريم كه نسل بشرى منسوخ شود و روباتها جايگزين آن شوند . ما تنها ميتوانيم انتظار داشته باشيم كه هوش مصنوعى ، عمليات بسيار پيشرفته ترى انجام دهد. اما هر زمان كه انتظار داشتن احساسات بشرى را براى آنها داشته باشيم ، مانند گذشته نا اميد خواهيم شد. ما هوش مصنوعى كامل و انسانى را در طول زندگى خود نخواهيم ديد، اما ممكن است فرزندان ما در آينده بتوانند به آن دست پيدا كنند.
* استاد دانشگاه شهر دوبلين
رؤياى طراحان اوليه رايانه از بابيج تا تورينگ، ساخت ماشينى بود كه توانايى حل همه مسائل را داشته باشد. ماشينى كه در نهايت ساخته شد و به نام رايانه در دسترس همگان قرار گرفت تنها توانايى حل دسته اى از مسائل خاص و محدود را داشت، اما نكته اينجاست كه همه مسائل از نظر طراحان اوليه رايانه چه مى توانست باشد؟
به طبع چون طراحان اوليه رايانه همگى منطق دان و رياضيدان بودند، منظورشان همه مسائل منطقى و محاسباتى بود از اين رو عجيب به نظر نمى رسد كه فون نيومان سازنده نخستين رايانه، در حال ساخت اين ماشين اعتقاد داشت كه براى داشتن ماشينى هوشمند شبيه به انسان راه حل نهايى استفاده از منطق نيست بلكه كليد نهايى حل اين مشكل رازى نهفته در دانش ترموديناميك است.
* تاريخ هوش مصنوعى
هوش مصنوعى علمى است بسيار جوان و روبه رشد. شروع هوش مصنوعى به سال ۱۹۵۰ بازمى گردد يعنى زمانى كه آلن تورينگ مقاله خود را درباره ساخت ماشين هوشمند به رشته تحرير درآورد. در اين مقاله تورينگ روشى را براى تشخيص هوشمندى ماشين ها پيشنهاد داد.
روش پيشنهادى تورينگ بيشتر شبيه به يك بازى بود بدين نحو كه يك انسان و يك ماشين روبروى هم و پشت پرده اى قرار مى گرفتند. ماشين بايد با طرح سؤالاتى از انسان او را وادار به پذيرش هوشمند بودن خود مى كرد. روش پيشنهادى تورينگ به شرح زير است: فرض كنيد كه انسانى در يك سمت ديوارى قرار دارد و توانايى برقرار كردن ارتباط به صورت تله تايپ با آن سوى ديگر ديوار را دارا باشد. مكالمه اى ميان دو نفر انجام مى شود اگر پس از پايان مكالمه به آن شخص گفته شود كه در طرف مقابلش نه يك انسان بلكه يك ماشين قرار داشته كه پاسخ او را مى داده است و اين امر بدون پى بردن شخص نسبت به هويت واقعى طرف مقابل انجام شود مى توان آن ماشين را ماشينى هوشمند قلمداد كرد.
نقطه آغاز علم هوش مصنوعى را مى توان به بعد از جنگ جهانى دوم نسبت داد، در آن زمان واينر با توجه به مسائل سايبرنتيك زمينه را براى پيشرفت هوش مصنوعى به وجود آورد و سپس در سال ۱۹۵۰ تورينگ آزمايش بالا را براى اثبات هوشمند بودن يك ماشين پيشنهاد داد و سپس در سال ۱۹۵۶ گروهى از علاقه مندان به هوش مصنوعى در كالج دارتموت گرد هم آمدند و تحقيقات وسيعى را براى هوش مصنوعى آغاز كردند.
دهه ۱۹۶۰ را مى توان دهه توسعه و پيشرفت تحقيقات در زمينه هوش مصنوعى ناميد. در اين سال ها بود كه با تلاش هاى دانشمندان هوش مصنوعى، برنامه هاى بازى شطرنج و ربات هاى هوشمند پا به عرصه گذاشتند و پس از آن هر سال پله هاى پيشرفت و ترقى خود را پيمودند.
* جان مك كارتى
پروفسور جان مك كارتى در سال ۱۹۲۷ در شهر بوستون متولد شد. وى درجه كارشناسى ارشد خود را در رشته رياضى در سال ۱۹۴۸ از انستيتو كاليفرنيا و مدرك دكتراى خود را از دانشگاه پرينستون در سال ۱۹۵۱ دريافت كرد. او با ادامه تحصيل در رشته علوم كامپيوتر موفق به دريافت درجه استادى در اين رشته، از دانشگاه استنفورد شد و از سال ۱۹۶۵ تا ۱۹۸۰ سرپرستى آزمايشگاه هوش مصنوعى دانشگاه استنفورد را برعهده داشت.
مك كارتى كه از جمله بنيان گذاران هوش مصنوعى به حساب مى آيد، در زمان مطالعات خود درباره اين علم زبانى را براى توصيف و توسعه هوش مصنوعى با عنوان list processing يا همان LISP ابداع نمود. اين زبان تا سال ۱۹۵۸ از سوى همكاران كارتى در دانشگاه MIT توسعه داده شده و در اين سال به عنوان يك زبان كامل وارد دنياى برنامه نويسان شد.
مك كارتى و همكارانش معتقد بودند كه مى توان كارى كرد كه ماشين نيز داراى هوش باشد و اين هوش همانند هوش انسانى باشد و LISP زبانى است كه مى تواند اين هوش را به وجود بياورد.
* LISP
زبان هاى lisp و prolog زبان هايى هستند كه براى طراحى و برنامه نويسى هوش مصنوعى بر روى ماشين ها، بيش از ديگر زبان ها كاربرد دارند. Lisp زبانى است كه بيش از ديگر زبان ها در آمريكا رواج دارد و prolog بيش تر به وسيله اروپايى ها و ژاپنى ها مورد استفاده قرار مى گيرد. Lisp داراى انعطاف بيشترى نسبت به زبان prolog است و در مقابل طراحى prolog سطحى بالاتر نسبت به Lisp دارد.
* هدف هوش مصنوعى
همه افرادى كه نخستين گام ها را در راه معرفى و شناخت هوش مصنوعى برداشتند به دنبال يك هدف بودند و آن نيز رساندن سطح هوش مصنوعى به سطح هوش انسانى بود. اما امروزه مى دانيم كه مطالعه و بررسى در زمينه هوش و درك مكانيزم آن بسيار پيچيده است، هم اكنون مى توان موضوع هوش را از دو ديدگاه متفاوت مورد بررسى قرار داد:
۱- آگاهى از جهان اطراف چگونه حاصل مى شود و چه طور مى توان از حقايق و كشفيات نتيجه گيرى هوشمندانه اى به عمل آورد؟
۲- كشف و شهود آگاهانه به اين معنا كه براى رسيدن به هدفى مشخص هزاران راه و بيراهه وجود دارد كه با استفاده از هوش مصنوعى مى توان راه را از بيراهه تشخيص داد.
* هوش مصنوعى و هوش انسانى
در شبكه ارتباطى مغز انسان سيگنال هاى ارتباطى به صورت پالس هاى الكتريكى وجود دارد. جزء اصلى مغز نرون است كه از ساختمانى سلولى و مجموعه اى از شيارها و خطوط به وجود مى آيد كه اين شيارها محل ورود اطلاعات به نرون هاست و خطوط نيز محل خروج اطلاعات از نرون است.
محل اتصال نرون ها به يكديگر را سيناپس مى گويند كه مانند دروازه اى براى ورود و خروج اطلاعات (Data) عمل مى كند، اگر واكنش هاى نرون ها به پالس هاى متفاوت هماهنگى كامل داشته باشند اتفاق هاى مهمى در مغز انسان رخ داده است.
گروهى از دانشمندان هوش مصنوعى كه رويكرد مدل مغزى را دنبال مى كنند، شكلى از مدارهاى الكترونيكى را طراحى كرده اند كه تاحدودى شبيه شبكه مغز انسان است ، در اين ساختار هر گروه به تنهايى خود يك پردازنده (CPU) است ولى رايانه هاى معمولى تنها توانايى داشتن بيش از چند CPU را به صورت هم زمان ندارند. هدف از راه اندازى اين شبكه عصبى رايانه اى طراحى مكانيسمى است كه مانند مغز انسان توانايى يادگيرى داشته باشد. سامانه شبكه عصبى اين كار را از راه ارزش گذارى كمى براى ارتباطات سيگنال ها بين نرون ها انجام مى دهد كه اين مكانيسم ارزش گذارى به وسيله مقاومت ها با تقويت يا تضعيف پالس ها انجام مى شود.
باتوجه به تعداد زياد نرون ها در شبكه عصبى خرابى تعدادى از آنها تأثير چندانى بر عملكرد سامانه ندارد تاكنون چند سيستم آزمايشى با استفاده از اين اصول طراحى و ساخته شده اند.
* ويژگى هاى هوش مصنوعى
ماشين هايى كه به عنوان ماشين هاى هوشمند شناخته مى شوند توانايى فكر كردن بدون نياز به انسان را دارد و اين به دليل وجودخصلت هوش مصنوعى Artificial Intelligence دراين گونه ازماشين هاست. ماشين ها تنها در صورتى يك ماشين باهوش شناخته مى شوند كه داراى قابليت هاى خاصى باشد كه يكى از اين ويژگى ها شناخت از وجود خود است كه تاكنون ماشينى كه اين توانايى را به طور كامل داشته باشد به وجود نيامده است، ويژگى بعدى ماشين هاى هوشمند توانايى شناخت محيط پيرامون خود است كه اين امكان در برخى از ماشين هاى هوشمند امروزى كه با نام «ربات هاى امدادگر» شناخته مى شوند وجود دارد، ويژگى بعدى در ماشين هايى كه داراى هوش مصنوعى هستند توانايى نشان دادن عكس العمل در مقابل كنش هاى حاصل از محيط است كه اين امكان نيز در ربات هاى هوشمند امروزى و در دسته خاصى از آن ها باعنوان «ربات هاى كاوشگر» فراهم آمده است.
* كاربردهاى هوش مصنوعى
از كاربردهاى هوش مصنوعى مى توان به موارد زير اشاره كرد:
۱ـ طراحى نرم افزارهاى هوشمند: اين گروه از نرم افزارها براى انجام كارهاى تخصصى طراحى شده اند و داراى توانمندى هاى بالايى نيز هستند، پشتوانه اين گونه از برنامه ها وجود يك بانك اطلاعاتى (Data Base) قوى براى پاسخگويى به پرسش هاى مختلف كاربران است. نمونه هايى از اين گونه از نرم افزارها نيز، نرم افزارهايى است كه در آزمون هاى استخدامى و دانشگاهى مورد استفاده قرار مى گيرد.
۲ـ طراحى بازى هاى هوشمند: زمانى كه شما در حال انجام يك بازى رايانه اى هستيد، دشمنان شما از هوش كافى برخوردارند. اگر شما به آن ها شليك كنيد آن ها اقدام به فرار كرده و يا با مقابله به سوى شما شليك خواهند كرد. اين فرآيند نيز به دليل وجود هوش مصنوعى در دشمنان شماست كه آن ها را به واكنش نسبت به شما برمى انگيزاند.
۳ـ طراحى ربات هاى هوشمند: كاربرد عمده ديگر هوش مصنوعى در طراحى ماشين ها به نسبت هوشمند است. ماشين هايى مانند ربات هاى كاوشگر و ربات هاى امدادگر.
در ربات هاى امدادگر، ربات بايد در محدوده مورد نظر به دنبال مصدومان حادثه بگردد و پس از يافتن آن ها كمك هاى مورد نياز را در اختيار آن ها قرار دهد كه اين خود نياز به داشتن شناخت از محيط دارد. دسته ديگر ربات ها يعنى ربات هاى كاوش گر بايد به دنبال قطعه مورد نظر در مكانى خاص باشند و يا مسيرى را كه از پيش تعريف شده است دنبال كنند كه اين نيز نيازمند داشتن هوش مصنوعى در اين دسته از ربات ها است.
* نتيجه
هوش مصنوعى هنوز راه درازى در پيش دارد، شبكه سازى عصبى كه در سال هاى گذشته شاهد تغييرات عمده اى نيز بوده است هر روز به دوران رشد و بلوغ خود نزديك تر مى شود.
به عنوان مثال پژوهشگران پيش بينى مى كنند كه به كمك فناوى نرم افزارى جديد شبكه هاى عصبى بتوان پيش بينى هاى بسيار دقيقى از بازار سهام به عمل آورد و پيش بينى هاى دقيق ترى مانند مكان فيزيكى سياره ها درسال هاى آتى و اوضاع كره زمين از نظر شرايط زيست محيطى و غيره نيز ميسر خواهد شد.
امروزه نگرش تاز ه اى نسبت به هوش مصنوعى به وجود آمده است كه در بسيارى از آزمايشگاه ها در حال بررسى است. پژوهشگران سعى مى كنند دريابند آيا مجموعه اى از ربات هاى نيمه هوشمند مى توانند يك هوش جمعى ايجاد كنند به نحوى كه هوش جمعى حاصل از هوش اعضاى تشكيل دهنده اين مجموعه بيشتر باشد؟
Powered by vBulletin™ Version 4.2.2 Copyright © 2024 vBulletin Solutions, Inc. All rights reserved.