-
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.
برچسب برای این موضوع
مجوز های ارسال و ویرایش
- شما نمی توانید موضوع جدید ارسال کنید
- شما نمی توانید به پست ها پاسخ دهید
- شما نمی توانید فایل پیوست ضمیمه کنید
- شما نمی توانید پست های خود را ویرایش کنید
-
قوانین انجمن
نمي كنيد
پاسخ با نقل قول