هوش مصنوعی (AI)، توانایی یک کامپیوتر دیجیتال یا ربات کنترل‌شده توسط کامپیوتر، برای انجام وظایف مرتبط با فرآیند های هوشمند است. این اصطلاح، غالباً به پروژه توسعه سیستم‌هایی اطلاق می‌شود که دارای فرآیندهای فکری مشخصه انسانها هستند، مانند توانایی استدلال، کشف معنا، تعمیم یا یادگیری از تجربیات گذشته. از زمان توسعه رایانه دیجیتال در دهه 1940، نشان داده شده است که رایانه ها را می توان برای انجام کارهای بسیار پیچیده مانند کشف براهین قضایای ریاضی یا بازی شطرنج، با مهارت زیادی برنامه ریزی کرد. با این حال، با وجود پیشرفت‌های مداوم در سرعت پردازش رایانه و ظرفیت حافظه، هنوز هیچ برنامه‌ای وجود ندارد که بتواند انعطاف‌پذیری انسان را در حوزه‌های وسیع‌تر یا در کارهایی که نیاز به دانش روزانه زیادی دارد، مطابقت دهد. از سوی دیگر، برخی از برنامه‌ها در انجام برخی وظایف خاص به سطوح کارایی متخصصان و متخصصان انسانی دست یافته‌اند، به طوری که هوش مصنوعی در این معنای محدود در کاربردهای متنوعی مانند تشخیص پزشکی، موتورهای جستجوی رایانه‌ای، و تشخیص صدا یا دست خط یافت می‌شود.
هوش چیست؟
تمام رفتارهای انسانها، حتی ساده ترین آنها به هوش نسبت داده می شود، در حالی که حتی پیچیده ترین رفتار حشرات هرگز به عنوان نشانه ای از هوش تلقی نمی شود. تفاوت در این است که مثلا در رفتار زنبور حفار، Sphex ichneumoneus ، هنگامی که زنبور ماده با غذا به گودال خود باز می گردد، ابتدا آن را در آستانه خانه می گذارد، وجود مزاحمان را در داخل لانه خود بررسی می کند و تنها پس از آن، اگر خطری وجود نداشته باشد، غذای خود را به داخل می برد. ماهیت واقعی رفتار غریزی زنبور وقتی آشکار می شود که غذا در حالی که او در داخل است، چند اینچ از ورودی لانه دورتر شود. در این هنگام، زنبور تمام مراحل را تکرار می کند. هوش که در مورد زنبور Sphex آشکارا وجود ندارد، باید شامل توانایی سازگاری با شرایط جدید باشد. روانشناسان، عموماً هوش انسان را تنها با یک ویژگی مشخص نمی کنند، بلکه با ترکیبی از توانایی های متنوع بسیار مشخص می شود. تحقیقات در زمینه هوش مصنوعی عمدتاً بر مؤلفه های زیر از هوش متمرکز شده است:
- یادگیری
انواع مختلفی از یادگیری برای هوش مصنوعی وجود دارد. ساده ترین آن یادگیری با آزمون و خطا است. به عنوان مثال، یک برنامه کامپیوتری ساده برای حل مسائل شطرنج mate-in-one ممکن است حرکات را به صورت تصادفی امتحان کند تا زمانی که یک هم بازی پیدا شود. سپس برنامه ممکن است بازی را با موقعیت ذخیره کند تا دفعه بعد که رایانه با همان موقعیت روبرو شد راه حل را به خاطر بیاورد. این به خاطر سپردن ساده اقلام و رویه‌های فردی که به عنوان یادگیری روت (Rote Learning) شناخته می‌شود، بر روی کامپیوتر نسبتاً آسان است. چالش برانگیزتر، مشکل اجرای چیزی است که تعمیم نامیده می شود. تعمیم شامل استفاده از تجربه گذشته در موقعیت های مشابه جدید است. به عنوان مثال، برنامه‌ای که زمان گذشته افعال معمولی انگلیسی را یاد می‌گیرد، نمی‌تواند زمان گذشته یک کلمه مانند jump را تولید کند، مگر اینکه قبلاً با jumped ارائه شده باشد، در حالی که برنامه‌ای که قادر به تعمیم است می‌تواند قانون افزودن ed و بنابراین زمان گذشته فعل را بر اساس تجربه با افعال مشابه یاد بگیرد.
- استدلال
استدلال، به معنای استنتاج مناسب با موقعیت است. استنتاج ها به دو دسته قیاسی یا استقرایی طبقه بندی می شوند. مثال اولی این است: «فرد باید در موزه یا کافه باشد. اگر او در کافه نباشد، پس در موزه است. بنابراین، این حادثه ناشی از خرابی ابزار بود. مهم ترین تفاوت بین این اشکال استدلال این است که در مورد قیاسی، صدق مقدمات، صدق نتیجه را تضمین می کند، در حالی که در مورد استقرایی، صدق مقدمه، به نتیجه گیری بدون اطمینان مطلق کمک می کند. استدلال استقرایی در علم نیز رایج است، جایی که داده‌ها جمع‌آوری می‌شوند و مدل‌های آزمایشی برای توصیف و پیش‌بینی رفتار آینده توسعه می‌یابند، تا زمانی که ظاهر داده‌های غیرعادی مدل را مجبور به تجدید نظر کند. استدلال قیاسی در ریاضیات و منطق رایج است، جایی که ساختارهای پیچیده از قضایای انکار ناپذیر از مجموعه کوچکی از بدیهیات و قوانین اساسی ساخته شده است. تاکنون، موفقیت قابل توجهی در برنامه نویسی رایانه ها برای استنتاج، به ویژه استنتاج های قیاسی وجود داشته است. با این حال، استدلال واقعی شامل چیزی بیش از استنتاج است. در اینجا، باید استخراج استنتاج های مرتبط با راه حل یک کار یا موقعیت خاص صورت گیرد که یکی از سخت ترین مشکلات پیش روی هوش مصنوعی است.
- حل مشکل
حل مسئله، به ویژه در هوش مصنوعی، ممکن است به عنوان یک جستجوی سیستماتیک، از طریق طیف وسیعی از اقدامات ممکن برای رسیدن به یک هدف یا راه حل از پیش تعریف شده، مشخص شود. روش های حل مسئله به دو هدف خاص و هدف کلی تقسیم می شوند. یک روش با هدف خاص، برای یک مشکل خاص طراحی شده است و اغلب از ویژگی های بسیار خاص موقعیتی که مشکل در آن جاسازی شده است، استفاده می کند. در مقابل، یک روش همه جانبه، برای طیف وسیعی از مسائل قابل استفاده است. یکی از تکنیک‌های همه‌جانبه مورد استفاده در هوش مصنوعی، تجزیه و تحلیل میانگین پایان کاهش یا افزایش گام به گام تفاوت بین وضعیت فعلی و هدف نهایی است. این برنامه، اقدامات را از فهرستی از ابزارها انتخاب می کند. در مورد یک ربات ساده، این روند ممکن است شامل PICKUP، PUTDOWN، MOVEFORWARD، MOVEBACK، MOVELEFT و MOVERIGHT باشد تا زمانی که به هدف برسد. بسیاری از مشکلات متنوع توسط برنامه های هوش مصنوعی حل شده است.
- ادراک
در فرآیند ادراک، محیط با استفاده از اندام های حسی مختلف اعم از واقعی یا مصنوعی اسکن می شود و صحنه در روابط فضایی مختلف به اشیاء جداگانه تجزیه می شود. تجزیه و تحلیل، با استفاده از این واقعیت پیچیده است که یک شی ممکن است بسته به زاویه ای که از آن مشاهده می شود، جهت و شدت نور در صحنه و میزان تضاد جسم با میدان اطراف متفاوت به نظر برسد. در حال حاضر، ادراک مصنوعی، به اندازه کافی پیشرفته است که حسگرهای نوری را برای شناسایی افراد، وسایل نقلیه خودران برای رانندگی با سرعت متوسط در جاده‌های باز و روبات‌ها برای پرسه زدن در ساختمان‌هایی که قوطی‌های خالی نوشابه را جمع‌آوری می‌کنند، قادر می‌سازد. یکی از اولین سیستم‌هایی که ادراک و عمل را ادغام می‌کرد، FREDDY بود، یک ربات ثابت با چشم تلویزیون متحرک و یک دست گیره، که در دانشگاه ادینبورگ اسکاتلند، در دوره 73-1966 به سرپرستی دونالد میچی ساخته ش. این ربات، قادر به تشخیص اشیاء مختلف بود و می‌شد به آن فرمان داده شود که مصنوعات ساده مانند یک ماشین اسباب‌بازی را از میان انبوهی از لوازم تصادفی جمع‌آوری کند.
روش ها و اهداف در هوش مصنوعی
تحقیقات هوش مصنوعی از دو روش متمایز و تا حدی رقیب پیروی می کند، رویکرد نمادین "از بالا به پایین" و رویکرد پیوندگرا "از پایین به بالا". رویکرد از بالا به پایین به دنبال تکرار هوش با تجزیه و تحلیل شناخت مستقل از ساختار بیولوژیکی مغز، بر حسب پردازش نمادها بوده و رویکرد پایین به بالا، شامل ایجاد شبکه‌های عصبی مصنوعی به تقلید از ساختار مغز انسان می باشد.
برای نشان دادن تفاوت بین این رویکردها، ساختن یک سیستم مجهز به اسکنر نوری که حروف الفبا را تشخیص دهد، لازم است. یک رویکرد پایین به بالا، معمولاً شامل آموزش یک شبکه عصبی مصنوعی با ارائه حروف یک به یک به آن و بهبود تدریجی عملکرد با "تنظیم" شبکه است. در مقابل، رویکرد از بالا به پایین، معمولاً شامل نوشتن یک برنامه رایانه‌ای است که هر حرف را با توضیحات هندسی مقایسه می‌کند. به بیان ساده، فعالیت های عصبی، اساس رویکرد از پایین به بالا هستند، در حالی که توصیفات نمادین، اساس رویکرد از بالا به پایین هستند.
در طول دهه‌های 1950 و 1960، رویکردهای بالا به پایین و پایین به بالا به طور همزمان دنبال می‌شدند و هر دو به نتایج قابل توجهی دست یافتند. با این حال، در طول دهه 1970، هوش مصنوعی از پایین به بالا نادیده گرفته شد و تا دهه 1980 بود که این رویکرد دوباره برجسته شد. امروزه هر دو رویکرد دنبال شده و به عنوان مشکلاتی شناخته می‌شوند. تکنیک‌های نمادین، در حوزه‌های ساده‌شده کار می‌کنند، اما معمولاً هنگام مواجهه با دنیای واقعی از بین می‌روند. در همین حال، محققان از پایین به بالا قادر به تکرار سیستم عصبی حتی ساده ترین موجودات زنده نبوده اند.
هوش مصنوعی قوی، هوش مصنوعی کاربردی و شبیه سازی شناختی
تحقیقات هوش مصنوعی برای رسیدن به یکی از سه هدف تلاش می کند: هوش مصنوعی قوی، هوش مصنوعی کاربردی، یا شبیه سازی شناختی.
هدف هوش مصنوعی قوی، ساخت ماشین‌هایی است که فکر می‌کنند. اصطلاح هوش مصنوعی قوی برای این دسته از تحقیقات در سال 1980، توسط فیلسوف جان سرل از دانشگاه کالیفرنیا در بروکلی معرفی شد. جاه طلبی نهایی هوش مصنوعی قوی این است که ماشینی تولید کند که توانایی فکری کلی آن از توانایی های ذهنی انسان قابل تشخیص نباشد. این هدف در دهه‌های 1950 و 1960 علاقه زیادی ایجاد کرد، اما چنین خوش‌بینی جای خود را به درک دشواری‌های شدید موجود داده است. تا به امروز، پیشرفت در این زمینه، ناچیز بوده است. در واقع، برخی از محققانی که در دو شاخه دیگر هوش مصنوعی کار می‌کنند، هوش مصنوعی قوی را ارزشمند و معتبر نمی دانند.
هوش مصنوعی کاربردی، که به عنوان پردازش اطلاعات پیشرفته نیز شناخته می‌شود، با هدف تولید سیستم‌های «هوشمند» تجاری قابل دوام مانند سیستم‌های تشخیص پزشکی «متخصص» و سیستم‌های معاملات سهام موفقیت قابل توجهی داشته است.
در شاخه شبیه‌سازی شناختی، رایانه‌ها برای آزمایش تئوری‌هایی در مورد نحوه عملکرد ذهن انسان استفاده می‌شوند. به عنوان مثال، نظریه‌هایی درباره نحوه تشخیص چهره‌ها یا یادآوری خاطرات توسط افراد. شبیه سازی شناختی در حال حاضر یک ابزار قدرتمند در علوم اعصاب و روانشناسی شناختی است.
شروع به کار تکنولوژی هوش مصنوعی
اولین کار اساسی در زمینه هوش مصنوعی در اواسط قرن بیستم توسط منطقدان انگلیسی و پیشگام کامپیوتر، آلن متیسون تورینگ انجام شد. در سال 1935 تورینگ، یک ماشین محاسباتی انتزاعی متشکل از یک حافظه بی حد و حصر و یک اسکنر را توصیف کرد که در حافظه به جلو و عقب حرکت می کرد، نقطه به نقطه، آنچه را که می یافت، می خواند و نمادهای بیشتری را می نوشت. اقدامات اسکنر توسط برنامه ای از دستورالعمل ها دیکته می شد که همچنین به شکل نمادها در حافظه ذخیره می شد. بطور کلی، این مفهوم برنامه ذخیره شده تورینگ بود که به طور ضمنی، امکان کار کردن ماشین روی برنامه خود و اصلاح یا بهبود آن وجود داشت. مفهوم تورینگ، اکنون به سادگی به عنوان ماشین تورینگ جهانی شناخته می شود. همه کامپیوترهای مدرن در اصل ماشین های تورینگ جهانی هستند.
یکی از ایده های عملی تورینگ در رایانه ها، شامل برنامه شطرنج بود.
آزمون تورینگ
در سال 1950، تورینگ بحث سنتی در مورد تعریف هوش را کنار گذاشت و یک آزمون عملی برای هوش کامپیوتری ارائه کرد که اکنون به سادگی به عنوان آزمون تورینگ شناخته می شود. آزمون تورینگ شامل سه شرکت کننده است: یک کامپیوتر، یک بازجوی انسانی و یک فویل انسانی. بازجو سعی می کند با پرسیدن سوال از دو شرکت کننده دیگر مشخص کند که کامپیوتر چیست. تمام ارتباطات از طریق صفحه کلید و صفحه نمایش است. بازجو ممکن است هر طور که دوست دارد سؤالات نافذ و گسترده ای بپرسد و رایانه مجاز است هر کاری که ممکن است برای شناسایی اشتباه انجام دهد. رایانه، در این آزمون، بعنوان یک موجود متفکر باهوش در نظر گرفته می شود.
اولین برنامه های هوش مصنوعی
اولین برنامه موفق هوش مصنوعی در سال 1951، توسط کریستوفر استراچی، مدیر گروه تحقیقاتی برنامه نویسی دانشگاه آکسفورد نوشته شد. برنامه چکرز استراچی، روی کامپیوتر Ferranti Mark I در دانشگاه منچستر انگلستان اجرا شد. در تابستان 1952، این برنامه می توانست یک بازی کامل چکرز را با سرعت معقول انجام دهد.
اولین برنامه هوش مصنوعی که در ایالات متحده اجرا شد یک برنامه چکرز بود که در سال 1952 توسط آرتور ساموئل برای نمونه اولیه IBM 701 نوشته شد. در سال 1955، او ویژگی هایی را به برنامه اضافه کرد که آن را قادر می ساخت تا از طریق تجربه بیاموزد. ساموئل مکانیسم‌هایی را هم برای یادگیری روت و تعمیم در نظر گرفت، پیشرفت‌هایی که در نهایت منجر به پیروزی برنامه‌اش در یک بازی در برابر قهرمان سابق چکرز کانکتیکات در سال 1962 شد.
دیالوگ انگلیسی
دو تا از شناخته‌شده‌ترین برنامه‌های هوش مصنوعی اولیه، الیزا و پری، ظاهری وهم‌آور از مکالمه هوشمندانه داشتند. جزئیات هر دو این برنامه ها، اولین بار در سال 1966 منتشر شدند. الیزا، نوشته جوزف وایزنبام از آزمایشگاه هوش مصنوعی MIT که شبیه سازی یک درمانگر انسانی بود. پری که توسط روانپزشک دانشگاه استنفورد، کنت کولبی نوشته شده بود، یک انسان پارانویا را شبیه سازی کرده بود.
Shakey، یک ربات متحرک، (1966-1972) در موسسه تحقیقاتی استنفورد، منلو پارک، کالیفرنیا توسعه یافت. این ربات مجهز به دوربین تلویزیونی، مسافت یاب و حسگرهای برخورد است که مینی کامپیوتر را قادر می سازد تا اقدامات خود را از راه دور کنترل کند. این ربات، می تواند چند عمل اساسی مانند رفتن به جلو، چرخش و هل دادن را انجام دهد، البته با سرعت بسیار پایین. به گونه ای که مجموعه‌ای از اقداماتی که یک انسان می‌توانست در چند دقیقه برنامه‌ریزی کرده و اجرا می کند، توسط شاکی چند روز طول می کشید.
پایه های جدید
رویکردی که اکنون به عنوان هوش مصنوعی نوین شناخته می شود، در آزمایشگاه هوش مصنوعی MIT توسط رادنی بروکس استرالیایی در نیمه دوم دهه 1980 پیشگام شد. هوش مصنوعی، با تأکید بر عملکرد در سطح انسان، به نفع هدف نسبتاً متوسط عملکرد در سطح حشرات، از هوش مصنوعی قوی فاصله می گیرد. یکی از نمونه‌های معروف هوش مصنوعی نوول، ربات بروکس، هربرت (به نام هربرت سایمون) است که محیطش دفاتر شلوغ آزمایشگاه هوش مصنوعی MIT است.
ربات هربرت که توسط رادنی بروکس طراحی شده و با احترام به نام پیشگام هوش مصنوعی هربرت سایمون نامگذاری شده است، از 30 حسگر مادون قرمز، یک اسکنر لیزری و یک قطب نما مغناطیسی برای پیدا کردن قوطی‌های نوشابه استفاده می‌کند و در حین سرگردانی در آزمایشگاه هوش مصنوعی MIT، خود را جهت‌گیری می‌کند. هربرت پس از جمع آوری یک قوطی خالی با بازوی رباتیک خود، آن را به سطل بازیافت بازگرداند.
سه مرحله توسعه ربات متحرک برای پروژه تحقیقاتی مریخ نوردی در این آزمایشگاه به این صورت است: (الف) چنگیز، (ب) آتیلا، و (ج) سنگریزه
ربات چنگیز در اواسط دهه 1980 در MIT ساخته شد تا کارایی استفاده از تعداد زیادی روبات کوچک، سبک و متحرک را برای شناسایی سطح مریخ نشان دهد. چنگیز نمونه اولیه ربات‌های «عنکبوتی» مستقل بعدی آتیلا و هانیبال بود. چنگیز حدود 1 کیلوگرم (2.2 پوند) وزن دارد، دارای 6 حسگر پیرو الکتریک برای تشخیص حیات حیوانات است و از 12 موتور برای تغذیه 6 پای خود که به طور مستقل عمل می کنند، استفاده می کند. چنگیز اکنون در موزه ملی هوا و فضای واشنگتن دی سی واقع شده است.
آتیلا به همراه دوقلوی خود، هانیبال، در MIT (1989-1991) به عنوان بخشی از یک پروژه تحقیقاتی برای توسعه ربات‌های مستقل برای اکتشاف سیاره ساخته شد. آتیلا، مانند سلف خود، چنگیز، یک ربات شش پا کوچک است، اما، در حالی که چنگیز منبع تغذیه مستقلی ندارد، آتیلا برای شارژ باتری های خود به سلول های خورشیدی مجهز شده بود.
Pebbles، یک ربات تراکتور مانند با استفاده از یک سیستم کنترل مبتنی بر بینایی که در اواخر دهه 1990 به عنوان بخشی از پروژه تحقیقاتی مریخ نورد MIT توسعه یاف. این ربات، که به اندازه یک گربه خانگی است، با کمک یک دوربین، تنها حسگر ربات، در اطراف موانع مذاکره می کند و با بازوی خود می تواند نمونه برداری کند یا با اشیاء خطرناک برخورد کند.
سخن آخر
در واقع، هوش مصنوعی هیچ تعریف واقعی از هوش برای ارائه ندارد، حتی در مورد غیر انسانی. موش‌ها باهوش هستند، اما یک هوش مصنوعی دقیقاً باید به چه چیزی دست یابد تا محققان بتوانند این سطح از موفقیت را ادعا کنند؟ در غیاب یک معیار منطقی دقیق برای اینکه چه زمانی یک سیستم مصنوعی هوشمند به حساب می آید، هیچ راه عینی برای تشخیص موفقیت یا شکست یک برنامه تحقیقاتی هوش مصنوعی وجود ندارد. یکی از نتایج ناکامی هوش مصنوعی در تولید معیار رضایت‌بخش هوش این است که، هر زمان که محققان به یکی از اهداف هوش مصنوعی دست یابند، منتقدان می‌توانند بگویند: «این هوش نیست! ”
ترجمه و تالیف: حدیثه سقاتپه
References:
https://www.britannica.com