همه چیز در مورد هوش مصنوعی

[آبجی]

هوش مصنوعی یکی از مقوله هایی است که در علوم کامپیوتر، اهمیت فراوان دارد و تغییرات در هوش مصنوعی می توانند تحولات گسترده ای را در فناوری اطلاعات پدید بیاورند. در این مقاله قصد داریم که هوش مصنوعی را به شما معرفی کنیم. علاوه بر این چند روبات مطرح را نیز به شما معرفی خواهیم کرد. سعی ما بر این است که این مقاله بتواند به اندازه کافی راهنمای شما باشد. پس با کلیک روی ادامه مطلب ما را همراهی کنید.​

- هوش مصنوعی چیست؟

هوش مصنوعی، هوش ماشین هاست! در واقع شاخه ای از علوم کامپیوتر است که قصد دارد راه حل های الگوریتمی را ارائه کند تا بتوانیم به وسیله آنها در ماشین ها هوشمندی ایجاد کنیم. اما این تعریف کافی نیست؛ اول از همه باید بدانیم که تعریف هوشمندی چیست و بعد باید منظور از ماشین را دربیابیم:

استدلال، منطق، تصمیم گیری ؛ این ها توانایی هستند که شما از آنها استفاده می کنید. پس شما هوشمند هستید. اگر این توانایی ها را در کامپیوتر هم ایجاد کنیم، آنگاه به ماشین هوشمند دست می یابیم! به همین سادگی ... ولی به جز این ها چیز های دیگری هم در رابطه با تعریف هوشمندی وجود دارند که دانستن آنها را می توان مهم ارزیابی کرد. در واقع بحث هایی که در مورد هوشمندی و هوش مصنوعی مطرح شده است؛ تنها به دوره ی امروزه ی ما و قرن 21 مربوط نمی شود، بلکه از سال 1950 این مباحث به طور جدی مطرح شد. ​

​

- پیشینه ی هوش مصنوعی:

باید گفت که از این نظر هوش مصنوعی یکی از غنی ترین تاریخ ها را دارد، منتها در قصه ها! ماشین ها و مخلوقات مصنوعی باشعور، اولین بار در افسانه های یونان باستان مطرح شدند. شبه انسان ها باور داشتند که باید یک تمدن بزرگ را تشکیل دهند؛ تندیس ها و مجسمه های انسان نما در مصر و یونان به حرکت در آمده بودند و ... حتی در مواردی این قصه ها، پای جابر بن حیّان و چند تن دیگر را هم به سازندگان موجودات مصنوعی باز کردند.

از قصه ها که بگذریم ؛ فیلسوف ها و ریاضی دان ها از مدت ها پیش مباحث مربوط به استدلال و منطق را پیش کشیدند و امروزه این مباحث به صورت قرار دادی، به رسمیت پذیرفته شده است. این گونه منطق ها اساس کامپیوتر های دیجیتال و برنامه پذیر شده اند. یکی از افرادی که نقش اساسی و مهمی در این مورد ایفا کرد آقای آلن تورینگ بود.​

نظریه تورینگ:

تئوری تورینگ مبتنی بر این بود که می توانیم با استفاده از نشانه ها و اعدادی مانند 0 و 1، هر استدلال ریاضی ای را در کامپیوتر عملی کنیم. همزمان با این نظریه کشف های تازه ای در زمینه ی عصب شناسی، نظریه اطلاعات و فرمانشناسی، به وقوع پیوسته بود. این پیشرفت ها الهام بخش گروهی کوچک از پژوهشگران شد تا به طور جدی به مساله ایجاد یک مغز الکترونیکی رسیدگی نمایند.

- تست تورینگ:

در سال 1950، آلن تورینگ مقاله ای را در رابطه با هوش مصنوعی منتشر ساخت که بعد ها به تست تورینگ مشهور شد. در این مقاله عنوان شده بود که اگر فردی از پشت یک دیوار یا هر چیز جدا کننده دیگری، با کامپیوتر مکالمه کتبی داشته باشد و نداند که طرف مقابلش انسان نیست و پس از پایان مکالمه نیز متوجه این موضوع نشود، آنگاه می توان کامپیوتر را ماشینی هوشمند نامید زیرا توانسته است که در برابر یک انسان به اندازه کافی از استدلال و منطق استفاده کند. تست تورینگ تا حدی توانست هوش مندی را توجیه کند ولی فقط ((تا حدی))! اما از آن زمان تا کنون ماشینی اختراع نشده است که توانسته باشد این تست را با موفقیت بگذراند. هر چند زبان AIML ابداع شد، اما این زبان هرگز به این حد از هوش مصنوعی دست نیافت.​

- و بعد ...

تیمی که در زمینه هوش مصنوعی تحقیق می کردند، در تابستان سال 1956، کنفرانسی را در محوطه کالج دارتموس برگزار کردند. این کنفرانس به همراه افرادی مانند جان مک کارتی، ماروین مینسکی، آلین نویل و هربت سیمون که برای دهه ها پیشتازان تحقیق برای هوش مصنوعی بودند انجام شد. آنها و دانش آموزان آنها، برنامه ای نوشته بودند که حقیقتا برای عده زیادی از مردم شگفت آور بود. این برنامه می توانست مشکلات نوشتاری در جبر را حل کند، استدلال های منطقی را اثبات کند و به زبان انگلیسی سخن بگوید. در اواسط دهه ی 1960، بودجه سنگینی برای دایرکردن آزمایشگاه های تحقیقاتی در گرداگرد دنیا، از سوی حوزه ی دفاعی ایالات متحده آمریکا، اختصاص داده شد. پیشتازان هوش مصنوعی درباره آینده آن در جهان بسیار خوش بین بودند. هربت سیمون پیشبینی کرده بود که در مدت 20 سال، کامپیوتر های هوشمند می توانند، هر کاری را که انسان انجام می دهد، انجام دهند. در واقع مشکلات بزرگی که در آن زمان برای ایجاد هوش مصنوعی وجود داشت، اساسا حل شده بو

 

[آبجی]

هوش مصنوعی؛ واقعیتی که با انسان حرف می زند/ منشیها هم مجازی می شوند

هوش مصنوعی؛ واقعیتی که با انسان حرف می زند/ منشیها هم مجازی می شوند

هوش مصنوعی امروزه به یک واقعیت انکارناپذیر تبدیل شده که در زندگی روزمره انسانها حضور دارد و در این میان بیشترین تلاش هوش مصنوعی در تعامل با انسان از طریق سیستمهای صوتی و کلامی مجازی انجام می شود.
در عرصه انفورماتیک، زمان با سرعت دیگری حرکت می کند، حال به سرعت کهنه می شود و آینده با یک "کلیک" یا یک "لمس" و حتی یک "سخن" فرا می رسد. در حقیقت رایانه ها آموخته اند که گوش داده و حتی پاسخ بدهند.
بی آنکه فکر کنیم در یک دنیای علمی تخیلی هستیم باید بپذیریم که نمونه های هوش مصنوعی در زندگی روزمره ما کم نیستند.
برای مثال سرویسهای تلفن گویا شرکتهای مخابراتی نمونه واضحی از این هوش مصنوعی است. در این سرویسها، کاربران برای انجام عملیات خود به روشی آسانتر و سریعتر با ماشینها تعامل می کنند و یا در جدیدترین مدلهای خودروها با فرماندهی صوتی تماس گرفته و از آن برای هدایت بهتر خود کمک می گیرند.
اما سرنوشت پدیده هوش مصنوعی اینطور رقم خورده است که توسعه یابد. به گفته دانشمندان و اقتصاددانان، هوش مجازی نه تنها روشی که به کمک آن انسان و ماشین می توانند با هم ارتباط برقرار کرده و همکاری کنند را دگرگون خواهد کرد بلکه همچنین می تواند در روش زندگی انسانها نیز تغییرات عمیقی ایجاد کند.
طبیعی است که از کنار برخی از کارها که محکوم به فنا هستند کارهای نوینی متولد می شود و ماهیت خودکار و زندگی روزمره را اصلاح می کنند.
نمونه دیگری از این هوش مصنوعی زندگی مردم امروز دنیا دستیار پزشکی است.
دستیار پزشکی می تواند از فاصله دور و از طریق رایانه علائم و وخامت بیماری را بررسی کرده و در صورت نیاز یک قرار ملاقات را با پزشک تعیین کند.
براساس گزارش نیویورک تایمز، تعداد پزشکان آمریکایی که از نرم افزارهای صوتی برای برنامه ریزی ویزیتهای خود استفاده می کنند در مدت سه سال اخیر سه برابر شده و به رقم ۱۵۰ هزار رسیده است.
همچنین منشی دیجیتالی امروزه دیگر در دفاتر مایکروسافت به یک واقعیت عادی تبدیل شده است.
اریک هورویتز که در لابراتوارهای تحقیقاتی مایکروسافت پروژه "پزشک مجازی " را توسعه داده است در این خصوص توضیح داد: "برای فرزندان و نوه های ما حرف زدن با ماشینهایی که به آنها نگاه می کنند و آنها را درک می کنند کاملا عادی است."
در ماههای اخیر در یو تیوب، فیلمی با عنوان "نگاهی اجمالی به آینده" منتشر شده است که در آن مایکروسافت مواجهه با فناوریهای جدید با زندگی امروز را نشان داده است. این فیلم کاربران "همیشه متصل" و "با دستهای آزاد" را نشان می دهد که تنها با حرف زدن با رایانه خود تعامل می کنند.
به هر حال ماشینهای سخنگو هنوز مشکلاتی با زبان و تعابیر معانی دارند.
برای مثال نرم افزاری که توسط "آژانس پروژه های تحقیقات پیشرفته وزارت دفاع آمریکا" در عراق آزمایش شد نتایج خوبی در مکالمات ساده به دست آورد، اما در ترجمه جملات پیچیده تر دچار مشکل شد. این نرم افزار ترجمه نتوانست بافت زبانی جملات را تشخیص دهد و واژگان را به درستی ترجمه کند.
در بخش توسعه هوش مصنوعی، بهترین نتایج از "سیمی" یک شرکت مستقر در سیلیکون ولی به دست آمد. این شرکت کالیفرنیایی "دستیار مجازی شخصی" عرضه می کند که از طریق تعاملات نرم افزارهای کلامی مختلف، درخواستهای کاربرها را پردازش کرده و به دنبال بهترین پاسخها می شود.
تام گرابر محقق و یکی از بنیانگذاران "سیمی" توضیح داد: "دستور دادن به این نرم افزار یک کم شبیه به سفارش دادن غذا به یک گارسون خارجی است که در یک رستوران شلوغ و پر سر صدا کار می کند.
در این حالت، سفارش دادن غذا کمی سخت است اما به هر حال می توانی به گارسون غذایی را که می خواهی سفارش دهی. در تعامل با نرم افزارهایی از این دست، کاربران نقشی بنیادی ایفا می کنند.
در حقیقت بسیار مهم است که کاربر بتواند از کلمات کلیدی درست، جملات ساده و مستقیم استفاده کند."
به هر حال هنوز زود است که درباره تعامل انسان با هوش مصنوعی قضاوت کنیم. این فناوری نیز همانند هر فناوری دیگری نیاز به استفاده شدن و توسعه یافتن دارد.
هوش مصنوعی خطا می کند و بنابراین به تعامل با انسان نیاز دارد که خطاهایش را تصحیح کند.
"آندریاس فن دام" استاد دانشگاه براون در این خصوص جمله معروفی دارد: "داشتن هوش مصنوعی بهتر از نداشتن آن است."



گزارش : خبرگزارى مهر

 

[آبجی]

همه چیز در مورد هوش مصنوعی

هریک از موجودات زنده اطراف ما رفتارها و حرکاتی را از خود نشان می دهند که حاکی از هوشمندی این موجودات هستند. اینکه فکر کنیم انسان ها هوشمندترین موجودات زنده روی کره زمین هستند، امری اشتباه است. برای روشن شدن این موضوع کافی است قدری در حرکات انواع عنکبوت ها بنگریم! هدف این بخش مقایسه هوشمندی موجودات زنده نیست، بلکه در اینجا قصد داریم تکنیک هایی را که می تواند برای هوشمند کردن عامل های مصنوعی استفاده شود، مورد بررسی قرار دهیم. با توجه به اینکه بیشتر تحقیقات نویسندگان وب سایت در شاخه هوش محاسباتی می باشد، بنابراین در این بخش تنها به ذکر روش های عمومی جستجو و برخی از مطالب دیگر هوش مصنوعی خواهیم پرداخت.

ما به عنوان یک عامل هوشمند، در مسائل روزمره ای که برایمان پیش می آید با اسفاده از تکنیک های جستجو اقدام به یافتن راه حلی برای مسئله می کنیم. به عنوان مثال خانه ای را فرض کنید که در آن به دنبال شی خاصی هستیم. همچنین فرض کنید هیچ اطلاعی در مورد خانه و محل قرارگیری اشیا در خانه نداریم. در چنین مواردی برای یافتن شی موردنظر ، خانه را اتاق به اتاق و در هر اتاق همه بخش

های آن اتاق را جستجو می کنیم. نتیجه جستجو تنها در صورتی می تواند به دست آید که جواب مسئله در فضایی که آن را جستجو می کنیم، موجود باشد.

​

به عنوان یک مثال دیگر فرض کنید می خواهیم از تبریز به سمت شیراز حرکت کنیم. هدف ما نیز رسیدن به شهر شیراز در کمترین زمان ممکن می باشد. اینجا نیز ما به عنوان یک عامل هوشمند، با در دست داشتن نقشه راه های کشور براحتی مسیر حرکت خود را مشخص می کنیم. به طور حتم هنگام جستحو بر روی نقشه برای یافتن کوتاهرین مسیر حرکت از تبریز به شیراز، از جستجوی مسیر حرکت تبریز-ارومیه-شیراز صرف نظر می کنیم. البته ممکن است بسته به هدف ما این مسیر نیز انتخاب گردد. در واقع آنچه که مسیر حرکت ما را از تبریز به سمت شیراز مشخص می کند هدف ما از این حرکت می باشد. اگر هدف رسیدن به شیراز در کمترین زمان باشد، از انتخاب مسیر تبریز – ارومیه – شیراز صرف نظر می کنیم. اما اگر هدف بازدید از اماکن باستانی باشد، ممکن است مسیر تبریز- ارومیه – همدان – اصفهان شیراز را انتخاب کنیم!

مهمترین تفاوت دو مثال ذکر شده را ناآگاهانه بودن جستجو در مثال اول و آگاهانه بودن جستجو در مثال دوم می باشد. بدین معنی که در مثال اول ما از ابتدا کل فضای جستجو را برای یافتن جواب مسئله جستجو می کنیم و در واقع برای حرکت سریع تر در فضای جستجو ( حرک بین اتاق ها و بخش های مختلف هر اتاق ) از آگاهی خاصی بهره مند نیستیم. در نقطه مقابل و در مثال دوم برای حرکت در فضای جستجو به منظور یافتن کوتاهترین مسیر از تبریزبه شیراز، از روش خاصی برای انتخاب شهر بعدی استفاده می کنیم. به عبارت دیگر در مثال دوم علاوه بر اینکه مسیری از مبدا به مقصد پیدا می کنیم، همچنین کوتاهی مسیر نیز برایمان از اهمیت ویژه ای برخوردار می باشد. در واقع عملی که برای سنجش کوتاهی مسیر انجام می دهیم موجب آگاهانه بودن جستجوی ما در فضای جستجو می شود. در مثال دوم از تابعی استفاده می کنیم که فاصله شهر انتخابی تا مقصد را برایمان تخمین می زند که به آن تابع هیوریستیک یا تابع مکاشفه خواهیم گفت.

حال ممکن است این تصویر به وجود آید که جستجوی آگاهانه بهتر از جستجوی ناآگاهانه می باشد. اما چنین تصوری را نمی توان قطعا درست تلقی کرد. چراکه در صورت ناآگاهانه بودن ماهیت مسئله چاره ای جز جستجوی ناآگاهانه نخواهیم داشت. همچنین سریعتر بودن جستجوی آگاهانه نسبت به جستجوی ناآگاهانه نیز بستگی به شرایط مسئله خواهد داشت و موارد بسیاز زیادی می توان یافت که در آن جستجوی ناآگاهانه سریعتر از جستجوی آگاهانه ما را به جواب مسئله می رساند. نکته مهم اینست که در هوش مصنوعی هیچ چیز را نمی توان قطعی تصور کرد.

 

[آبجی]

زمستانی سخت برای هوش مصنوعی:

علیرغم چیز هایی که در بالا گفته شد، تیم مذکور، در شناخت و رفع برخی از مشکلات هوش مصنوعی با شکست مواجه شد، در سال 1970 در مقابل انتقادات آقای جیمز لایتهیل از انگلستان و فشار های مداوم کنگره برای کم کردن بودجه برای پروژه های بزرگ، دولت های انگلیس و آمریکا تمام پژوهش های به نتیجه نرسیده برای هوش مصنوعی را لغو کردند و در اندک سالیان بعد از آن، به سختی برای هوش مصنوعی، بودجه اختصاص داده می شد. این دوره را زمستان هوش مصنوعی یا A.I winter می نامند.

به زودی در سال 1980، پژوهش ها بر روی هوش مصنوعی از سر گرفته شد و این امر مدیون این بود که سیستم های هوشمند، به موفقیت های تجاری دست یافتند. سیستم های هوشمند، ترکیب هایی از هوش مصنوعی بودند که مهارت و دانش و توان تجزیه تحلیلی یک متخصص را شبیه سازی می کردند. در سال 1985، هوش مصنوعی به بازار یک میلیارد دلاری دست یافت و در همان زمان پروژه ی کامپیوتر های نسل پنجم ژاپن، که متوقف شده بود، از سر گرفته شد و بودجه ای برای تحقیقات آکادمیک در این زمینه در نظر گرفته شده بود. اما در سال 1987 باز هم چرخ گردان به گونه ای دیگر چرخید و بازار فروش ماشین های پردازش لیست (Lisp Machines) (با زبان Lisp) که با مشکلاتی موجه بودند، نابود شد و در یک ثانیه تمام آبروی هوش مصنوعی را هم با خود برد. پس این بار زمستان طولانی تر و سخت تری برای هوش مصنوعی فرارسید.

- پس از آن، بهاری نو :

پس از این مشکلات، در دهه 1990 و نزدیک به قرن بیست و یکم، هوش مصنوعی به یکی از بزرگ ترین موفقیت های خود دست یافت. اگر چه چیز هایی پشت پرده ماندند ولی هوش مصنوعی در زمینه های مهمی مانند استدلال و منطق، داده کاوی، تشخیص های پزشکی و طیف های گسترده ای از تکنولوژی و صنعت به کار گرفته می شد.

​

- مقایسه، استدلال و حل مسائل:

خیلی زود توسعه دهندگان هوش مصنوعی به این نتیجه رسیدند که باید در الگوریتم های خود از نحوه حل مساله ((گام به گام)) استفاده کنند. در واقع انسان ها هم معمولا برای حل مواردی از جمله: ساختن پازل و ... از این روش استفاده می کنند. آنها همچنین توانستند که پس از دهه های 80 و 90 الگوریتم های موفقیت آمیزی را برای درک داده ها و اطلاعات نا کامل عرضه کنند که این الگوریتم ها از احتمالات، برای درک این اطلاعات استفاده می کردند.

برای حل مسائل سخت، بیشتر این الگوریتم ها به کامپیوتر های بزرگ و قدرتمندی برای پردازش نیاز داشتند. بسیاری از این الگوریتم ها به مقدار زیادی حافظه (رم) نیاز داشتند و حتی در صورت فراهم آمدن آن، با وجود سخت افزار های آن زمان، مدت مورد نیاز برای پردازش نجومی بود. بنابر این می توان این مساله را دریافت که: جستجو برای الگوریتم های بهتر و موثر تر در آن زمان، از اولویت های اصلی پژوهشگران هوش مصنوعی بود.

انسان برای حل مسائل خود خیلی سریع عمل می کند. چیزی که باید فهمید این است که اگر چه انسان در جمع و تفریق اعداد از کامپیوتر شکست می خورد، اما مساله فقط جمع و تفریق نیست. در واقع اولین گام برای حل مساله درک آن است و این چیزی است که برای انسان بسیار ساده و برای کامپیوتر ها بسیار سخت است. بر این اساس آنها به تحقیقات زیادی پرداختند و به این نتیجه رسیدند که باید برای بازدهی بیشتر از شبکه های عصبی استفاده کنند. این کار به آنها کمک می کرد تا بتوانند به ساختار اعصاب و مغز انسان و سایر حیوانات نزدیک تر شوند.

​

 

[آبجی]

نمایش معلومات:

نمایش معلومات و مهندسی معلومات مرکز توجه در پژوهش های هوش مصنوعی بودند. بسیاری از دستگاه های حل مساله برای حل مسائل نیازمند معلومات گسترده و وسیعی بودند این معلومات عبارت می شد از : شناختن اشیاء، خواص و اقلام- شناختن روابط بین اشیاء- درک موقعیت، نوع واقعه و زمان و مکان- علت ها و تاثیر عوامل و بسیاری چیز های دیگر...

و سخت ترین مشکلات درباره نمایش اطلاعات و معلومات عبارت بود از:

1- استدلال پیش فرض و مسائل نسبی: دانسته ی یک فرد از یک چیز برابر است با پنداشت او از آن چیز، برای مثال وقتی نام پرنده به گوش کسی می خورد، معمولا یک موجود کوچک را به یاد می آورد با صدای زیبا و قابلیت پرواز؛ در حالی که این موضوع برای همه ی پرندگان صدق نمی کند. مثلا پنگوئن هیچکدام از این ویژگی ها را ندارد! جان مک کارتی این موضوع را به عنوان یک مسئله نسبی در سال 1969 کشف کرد. برای هر قضاوت صحیح (در تعریف عام) که محققان هوش مصنوعی، سعی در پیاده سازی آن داشتند، تعداد زیادی استثنا وجود داشت. بنابر این، آنها به این نتیجه دست یافتند که در قضاوت عام، نمی توان یک چیز را مطلقا درست یا غلط دانست بلکه همه چیز نسبی است. مثلا وقتی به شما می گویند که فلان شخص، خوب است یا بد؟ شما اول به مواردی توجه می کنید که مهم تر هستند و بر این اساس در مورد خوبی و بدی قضاوت می کنید. در حالی که هیچ کس مطلقا خوب یا بد نیست! در واقع شما اول به مواردی اهمیت می دهید که مهم تر است. محققان هوش مصنوعی هم با پیاده کردن چنین الگوریتمی توانستند این مشکلات را حل کنند.

2- سطح وسیع اطلاعات مورد نیاز برای قضاوت عام: منظور از قضاوت عام، همان نحوه قضاوتی است که در بالا توضیح داده شد که شما به نکاتی که بیشتر اهمیت دارند، امتیاز بیشتری اختصاص می دهید و آنها را ملاک قضاوت خود قرار می دهید. اما این نوع قضاوت، شاید در زندگی روزمره ما کار عادی ای شده باشد؛ اما در واقع برای کامپیوتر این کار نیاز به اطلاعات پایه ای زیادی در زمینه هستی شناسی و شناخت ویژگی های موجودات دارد. محققان هوش مصنوعی می بایست، مفاهیم دقیق و پیچیده ای را با دست خود، به کامپیوتر می فهماندند. کار بزرگی که انجام شد این بود که توانستند کامپیوتر را قادر سازند که از منابع اطلاعاتی (نظیر اینترنت امروزی) ، مفاهیمی را کسب کند و از این راه به اطلاعات خود در این باره بیافزاید.

3- استفاده از زبان Sub-Symbolic برای توضیح بعضی مفاهیم در قضاوت عام: بسیاری از معلوماتی که مردم دارند، چیز هایی است که نمی توان آن ها را تصویر کرد و یا توضیح داد. برای مثال یک شطرنج باز ماهر، از قرار دادن یک مهره در یک وضعیت خاص پرهیز می کند زیرا احساس می کند که این کار خطرناک است و یا یک کارشناس و منتقد هنری با نگاه کردن به یک مجسمه و یا یک نقاشی تشخیص می دهد که آن جعلی و تقلبی است. پیاده کردن چنین الگوریتم هایی با استفاده از زبان سمبلیک ممکن نبود و باید از زبان دیگری بر پایه Sub-Symbolic استفاده می شد. قبل از هر چیز باید، توضیح مختصری از این دو را به شما ارائه کنیم:

در واقع اساس کار زبان های سمبلیک بر پایه استدلال و نتیجه گیری و به طور کلی، منطق است. در این گونه زبان ها برای متغیر ها و توابع مقدار های مشخصی در نظر گرفته می شود و بدین وسیله، هر متغیر حاوی بخشی از اطلاعات برنامه و هر تابع حاوی بخشی از قوانین استنباطی برنامه است.

اما روش Sub-Symbolic تا حد زیادی متفاوت است. این روش از شبکه های عصبی برای پردازش اطلاعات استفاده می کند. این شبکه های عصبی از واحد های ورودی، واحد های پنهان و واحد های خروجی تشکیل شده اند که همگی با یکدیگر ارتباط دارند. این واحد ها گاهی سلول عصبی نیز، خطاب می شوند. همانطور که گفته شد، این سلول های عصبی با یک دیگر ارتباط دارند. اما چیزی که باید بدانید این است که اطلاعات در بین این ارتباطات، پردازش می شوند و بر این اساس ممکن است یک سلول عصبی در پردازش اطلاعات موثر و یا کم اثر باشد. در عوض، در شبکه های عصبی تمامی اجزا مهم تلقی می شود. چون هیچ کدام از آنها به تنهایی نمی توانند، اطلاعات را پردازش کنند ولی وقتی تمام اجزا با هم کار کنند، موجب ایجاد یک عملکرد هوشمند می شوند.

برای این که این روش را بهتر درک کنید، به این مثال توجه نمایید: یک مورچه تنها را در نظر بگیرید، طبعا نه کاری می تواند بکند و نه اثری دارد، اما وقتی مجموعه ای از این مورچه ها جمع می شوند و یک کلونی را تشکیل می دهند، آنگاه جامعه ای از آنها درست می شود که در کلیت، هوشمند و موثر است، به طوری که حتی ما هم با دانستن راز های زندگی جمعی مورچه ها، به فکر فرو می رویم! همین کار را هم می توان با شبکه های عصبي انجام داد و يک شبه مغز را ايجاد کرد.

- برنامه ریزی:

موجودات و به طور کلی، چیز های هوشمند، باید بتوانند هدف هایی را برای خود تعیین کرده و به آنها دست یابند. برای این کار اولا لازم است که تصوری از آینده خود داشته باشیم. یعنی وضع کنونی هدف مورد نظر را در نظر بگیریم و پیش بینی کنیم که تصمیماتی که خواهیم گرفت، چگونه می تواند بر آن تاثیر بگزارد. پس از این کار باید، برای رسیدن به بهترین نتیجه؛ از بین گزینه هایی که داریم، بهترین و سودمند ترین آنها را انتخاب نماییم.

پس تصمیم گیری و برنامه ریزی از این روش، کاری است که بدون هوشمندی، نمی توان آن را انجام داد و فقط موجودات هوشمند از پس آن بر می آیند!

در مسائل کلاسیکی که در مورد برنامه ریزی وجود داشت، عامل هوشمند می توانست فرض کند که تنها یک چیز (هدف مورد نظر) در جهان فعال است و احتمالا می توان نتیجه آن را تغییر داد. بنا بر این هدف مورد نظر تعیین می شد و برای آن راه حل هایی ارائه می گردید. همچنین عامل هوشمند - که میتواند برنامه و یا هر چیز دیگری باشد – به طور مرتب و دائمی چک می کرد که پیشگویی هایش درست باشد و اگر اینطور نبود، راه حل مورد نظر برای هدفش را تغییر می داد.

در این مورد می توانید یک روبوت را در نظر بگیرید که می خواهد از یک مسیر مارپیچ عبور نماید. این روبوت ابتدا هر یک از این مسیر ها را امتحان می کند و اگر هر کدام از آنها به بن بست، بر خورد، آن را به حافظه می سپارد تا دوباره تکرارش نکند و این عمل را آنقدر ادامه می دهد که راه خودش را بیابد! ( این يک تعریف بسيار ساده بود)

- یادگیری:

ایجاد امکان یادگیری برای ماشین ها، همواره از پژوهش های اصلی در زمینه ی هوش مصنوعی بوده است. یادگیری بدون نظارت: قابلیت یادگیری الگو ها، از اطلاعات ورودی را فراهم میکند. یادگیری نظارت شده هم، می تواند هردو امکان: طبقه بندی و عبرت عددی را ایجاد کند.

طبقه بندی این امکان را می دهد که کامپیوتر بتواند تشخیص دهد که چه چیز هایی را می توان در یک گروه خاص گنجاند. عبرت عددی (Regression takes) نیز به این صورت عمل می کند که بعد از دادن چیز هایی به عنوان ورودی به کامپیوتر و مشخص کردن خروجی دقیق آنها، کامپیوتر می تواند روابط بین ورودی و خروجی را کشف کرده و الگوریتم ها و توابع پیوسته ای را برای آنها تعیین کند. این روش برای به وجود آوردن الگوریتم های بسیار پیچیده، مفید خواهد بود.

اجازه دهید تا در این مورد مثالی بزنیم: وقتی در حال رانندگی هستید و به عابران پیاده نگاه می کنید، می توانید تا حد زیادی تشخیص دهید که آنها قصد چه کاری را دارند. مثلا می خواهند از خیابان رد شوند یا این که تاکسی بگیرند و یا این که فقط سر جای خود ایستاده اند. خب، این کار برای من و شما نسبتا ساده است اما اساسا برای نوشتن الگوریتم آن برای کامپیوتر، از دست یک انسان کاری ساخته نیست. با استفاده از روش عبرت عددی می توان با روش های خاص این مورد را با مثال های زیادی به کامپیوتر و برنامه ی مربوطه نشان داد و به تدریج الگوریتم مورد نیاز را تحویل گرفت.

اما چیزی که باید هم اکنون به آن اشاره کرد، عملیات تقویت یادگیری است. این کار به این صورت انجام می پذیرد که تئوری تصمیم گیری کامپیوتر آنالیز شده و برداشت های سودمند آن تئوری، مورد تاکید قرار می گیرند. در واقع کار های درست با تشویق (به صورت اولویت دادن) و کار های غلط با تنبیه (به صورت امتیاز منفی) پاسخ داده می شوند و به همین خاطر یادگیری کامپیوتر به طور مرتب بهبود می یابد.

یادداشت: آنالیز الگوریتم های یادگیری ماشین ها، شاخه ای از علوم نظری کامپیوتر است که با نام تئوری یادگیری کامپیوتری شناخته می شود. ​

 

[آبجی]

پردازش زبان طبیعی:

پردازش زبان طبیعی یا Natural Language Processing، به ماشین های هوش مند این قابلیت را می دهد که زبان انسان ها را بخوانند و آنها را متوجه شوند. بسیاری از تحقیقات به این نتیجه رسید که برای ایجاد قدرت کافی برای سیستم پردازش زبان طبیعی، نیاز است که اطلاعات زیاد و کاملی را به این سیستم ارائه کنیم که می تواند با استفاده از خواندن متن های موجود در اینترنت انجام شود.

برنامه هایی که هم اکنون در زمینه پردازش زبان طبیعی درست عمل می کنند، از امکاناتی مانند: بازیابی اطلاعات، جستجو در متن ها و امکان ترجمه ماشینی بهره مند اند.

- حرکت و جا به جا کردن اجسام: تحقیقات در زمینه روبوتیک، بیش از هر چیزی به هوش مصنوعی وابسته است. روبات ها برای موارد بسیار زیادی نیاز به هوشمندی دارند که از جمله آنها می توان مواردی مانند: مسیر یابی ، جا به جا کردن، این که بدانند کجا هستند، این که درکی از محیط خود داشته باشند و بتوانند برای حرکت به سوی نقطه خاصی، برنامه ریزی نمایند و هدف خود را تعیین کنند. بدین ترتیب هوش مصنوعی برای روبات ها بسیار پر کاربرد است و تقریبا در تمام زمینه های ذکر شده از آن استفاده می نمایند.

​

- ادراک:

درک ماشینی، به آنها این امکان را می دهد که بتوانند با استفاده از سنسور های ورودی خود، نظیر: دوربین، میکروفون ها و دیگر سنسور های عجیب و غریب (!) ؛ از محیط خود برداشت صحیحی داشته و بتواند محیط پیرامون خود را درک کند. در اصل، بینایی کامپیوتری این امکان را می دهد که کامپیوتر بتواند چیز هایی که می بیند را مورد تجزیه و تحلیل قرار دهد. چند مورد از آنالیز های معروف در روبات ها عبارت است از : آنالیز صحبت و صدا ها و تشخیص منظور، آنالیز چهره ها و تشخیص حالات آن ها. مانند: خشم، ناراحتی، خنده و ... ، آنالیز اشیاء پیرامون و تشخیص آنها .

با استفاده از انواع آنالیز ها و تجزیه و تحلیل هایی که در بالا ذکر شدند، روبات ها قادر خواهند بود که بسیار هوشمند تر از قبل عمل کنند. مثلا در جا به جایی اجسام شیشه ای، دقت بیشتری کنند. برای کسی که ناراحت و عصبانی است، جک تعریف نکند! و سلام را با خدا حافظ پاسخ ندهد.

- هوش اجتماعی:

احساسات و مهارت های اجتماعی، دو بخش مهم از هوش مندی را تشکیل می دهند. اولا، باعث می شود که ماشین هوشمند بتواند عکس العمل طرف مقابل را در برابر یک رفتار خاص، تشخیص دهد. که این کار با درک از انگیزه فرد و احساسات او عملی خواهد شد.

ثانیا؛ برای تعامل بهتر بین انسان و کامپیوتر، ماشین هوشمند باید بتواند که احساساتی را از خود بروز دهد. در بد ترین حالت، این امر باید به صورت نشان دادن احساسات ضعیف در گفتار و با کمال ادب انجام گیرد و در بهترین حالت باید با حساسیت طبیعی و مناسب در برابر انسان همراه باشد. در واقع سعی بر این است که کامپیوتر طوری عمل کند که اگر با لحن بدی با او حرف زدید، با کمال ادب به شما پاسخی مناسب با لحن خودتان دهد. و بالعکس!

نکته مهم: مساله کمال ادب بسیار مهم است چون کامپیوتر در صورت عدم رعایت این موضوع، موجودیت خودش را به خطر خواهد انداخت و در این صورت نیاز به یک الگوریتم برای کشتی گیری انسان و کامپیوتر (یا ربات) هم به شدت احساس می شود. (معمولا انسان ها اعصاب ندارند و خیلی زود درگیر می شوند.)​

 

[آبجی]

ابتکار وخلاقیت:

یکی از شاخه های مهم، هوش مصنوعی سعی در ایجاد قوه ی خلاقیت در کامپیوتر دارد. پیاده سازی ابتکار و خلاقیت در هوش مصنوعی، هم از نظر فلسفی و هم از نظر فیزیولوژی قابل توجیه می باشد. همچنین از نظر عملی هم با پیاده سازی یک الگوریتم مخصوص که خروجی هایی هوشمندانه و متفکرانه تولید نماید، امکان پذیر است. این شاخه معمولا با نام های: درک مصنوعی (Artificial Intuition) و پندار مصنوعی (Artificial Imagination) شناخته می شود. برای پرهیز از پیچیده شدن مقاله، توضیح بیشتری نمی دهیم اما می توانید مباحث مربوط به این دو را نیز در سایت های دیگر دنبال نمایید.

- هوش عمومی:

برای پیاده سازی هوش عمومی روی کامپیوتر نیاز است که از تمامی توانایی های بالقوه ی هوش مصنوعی استفاده کنیم. برای مثال مترجم متن گوگل را در نظر بگیرید؛ می دانیم که این مترجم در حال حاضر با خطا های بسیاری رو به رو است. حال اگر بخواهیم که اشکالات کار ترجمه، حل شود؛ می توانیم از هوش عمومی استفاده نماییم: برای ترجمه خوب باید اول بفهمیم که نویسنده از چه استدلال ها و چه دلایلی برای مطرح کردن یک منظور خاص استفاده می کند.( به کار گیری جنبه درک استدلال و منطق)، همچنین باید بدانیم که موضوعی که درباره آن صحبت می شود چیست.(درک و جمع آوری اطلاعات). مرحله بعدی کار ما این است که مقصود نویسنده از جملات را پیدا کنیم؛ مثلا بفهمیم که دارد انتقاد می کند یا تعریف. (هوش اجتماعی). پس از این کار ها و در نظر گرفتن موارد فوق می توانیم به ترجمه یک متن بپردازیم.

شاید بپرسید که اگر مساله فقط این است، پس چرا گوگل کاری نمی کند ؟ در این مورد باید گفت که شاید در زبان ساده باشد اما به کار گیری چنین الگوریتم هایی با خطای بسیار کم، در حال حاضر عملا امکان پذیر نیست. البته این الگوریتم ها در ترجمه گوگل استفاده می شوند ولی خطای آنها زیاد است. برای کم کردن این گونه خطا ها، راهی که کارشناسان پیشنهاد می کنند، استفاده از شبکه های عصبی و زبان Sub-Symbolic است.

- فعلا خدا حافظ

بسیار خوب، پس از توضیحاتی که تا اینجا در مورد هوش مصنوعی ارائه شدند، وقت آن است که روی این مبحث مهم دقیق تر شویم. بحث های بیشتر درباره هوش مصنوعی را در بخش دوم این مقاله که به زودی در نارنجي منتشر خواهد شد؛ مشاهده فرمائید. آیا هوش مصنوعی می تواند در چند سال آینده، ایده آل های مورد نظر خود را بر آورده سازد ؟ همچنین در بخش دوم این مقاله، شش سوال فنی را که کارشناسان درباره هوش مصنوعی مطرح می کنند، پاسخ خواهیم داد. آیا شما می توانید بر اساس این مطلب، حداقل یکی از آنها را پیدا کنید؟ می توانید نظر خود را درباره این مطلب ، بیان کنید. همچنین اگر سوالی که پیشبینی می کنید با معیار ها سازگار باشد و در حال حاضر در بخش دوم مقاله موجود نباشد، در مطلب آینده به آن نیز پاسخ خواهیم داد. (معیار، تطابق سطح سوال با این مقاله و وجود جنبه تئوریک در سوال است.)
​

 

[آبجی]

آيا بشر قادر خواهد بود موجودي هوشمند مانند خود به وجود آورد؟ آيا زماني فرا خواهد رسيد که ربات ها به خانه ما رفت و آمد کنند; کنار ما بنشينند و با ما به تبادل نظر بپردازند؟ شايد سوالاتي اين چنين را بتوان زمينه ظهور دانش نوين، با عنوان هوش مصنوعي دانست، نخستين جرقه هاي هوش مصنوعي به سالهاي بعد از جنگ جهاني دوم باز مي گردد. زماني که آلن تورينگ در سال 1950 ميلادي، با روي کار آمدن برنامه هاي بازي شطرنج و ساخت اولين ربات ها و استفاده از زبان هاي برنامه نويسي در اروپا و آمريکا تحقيقات در زمينه هوش مصنوعي به جنبه هاي انساني نزديک تر شد. اما هوش مصنوعي چيست؟ و هوشمندي به چه معني است؟به زباني ساده هوش مصنوعي، دانش ساختن ماشين ها يا برنامه هاي هوشمند است، هوش مصنوعي، شاخه اي از علم کامپيوتر است و در واقع تلفيقي از سه فناوري و گرايش مطرح; يعني شبکه هاي عصبي، تيم هاي استدلال فازي و الگوريم تکاملي مي باشد.اما آلن تورينگ هوشمندي را به گونه اي ديگر تعريف کرده است. وي با انجام آزمايشي که سالها بعد با نام تست تورينگ مشهور شد و بيشتر همانند يک بازي بود، توانست روشي براي تشخيص هوشمندي ماشين ارايه دهد.فرض کنيد شما در آزمايش تورينگ شرکت کرده ايد. در اين صورت، بايستي در يک سوي يک ديوار حايل قرار گيريد; به گونه اي که تنها از طريق يک دستگاه تله تايپ (بدون استفاده از صوت)، با شخصي که در آن سوي ديوار قرار دارد و هويت او براي شما مشخص نيست، قادر به برقراري ارتباط باشيد.در مدت زمان انجام آزمايش، ميان شما و آن شخص مکالماتي صورت مي گيرد. حال اگر پس از انجام آزمايش به شما گفته شود شخصي که در آن سوي ديوار قرار داشته و به سوالات شما پاسخ مي داده، يک ماشين بوده است، در آن صورت، ماشين مورد نظر، يک ماشين هوشمند خواهد بود، اما چنانچه در طول انجام آزمايش، به مصنوعي بودن آن پي ببريد، مطابق ديدگاه تورينگ، ماشين، هوشمند نيست.بدين ترتيب، تورينگ در اين آزمايش، مشخصه مهم هوشمندي را توانايي پردازش و درک زبان طبيعي مطرح نمود.در تعريف ديگر، هوش مصنوعي، مطالعه روش هايي براي تبديل کامپيوتر به ماشيني است که بتواند اعمال انجام شده توسط انسان را انجام دهد. باتوجه به تعريف فوق منظور از موجود هوشمند، موجودي شبيه انسان يا ابزار يا ماشيني است که مي تواند به انسان شبيه باشد. باتوجه به تعرف فوق، منظور از موجو هوشمند، موجودي شبيه انسان و يا ابزار يا ماشيني است که مي تواند به انسن شبيه شود.هر چند انسان، هوشمندترين موجودي است که مي شناسيم، اما لزوما تنها موجود هوشمند عالم نخواهد بود. از طرفي تمامي اعمال انسان نيز هوشمندانه و برتر از موجودات ديگر نيست; به طوري که در بسياري از جنبه هاي ادراکي و حسي، همچون قدرت بينايي و شنوايي، موجودات ديگر کاملا قوي تر از انسان مي باشند.از سوي ديگر، برخي بر اين باورند که کامپيوترهاي امروزي را مي توان جز» ابزارهاي هوشمند به حساب آورد; حال آن که اين کامپوترها فعلا بهترين ابزار، براي پياده سازي هوشمندي هستند. همچنين هوشمندي کامپيوترها برخلاف هوشمندي طبيعي انسان است.در کامپيوتر، يک واحد کاملا پيچيده، مسئوليت انجام تمام اعمال هوشمندانه را بر عهده دارد; در حالي که در طبيعت، تعداد بسيار زيادي از واحدهاي کاملا ساده (به عنوان مثال، نورون هاي شبکه عصبي) با عملکرد همزمان خود، رفتاري هوشمند را سبب مي شوند. بنابراين، تفاوت هوشمندي مصنوعي و هوشمندي طبيعي، ميان پيچيدگي فوق العاده و سادگي فوق العاده است.
شاخه ها و کاربردهاي هوش مصنوعي
بيشتر افراد با شنيدن عبارت هوش مصنوعي، ربات هاي فيلم هاي علمي، تخيلي و بازي هاي کامپيوتري و بخصوص شطرنج را به خاطر مي آورند.هوش مصنوعي در مدت زمان کوتاه از عمر خود، توانسته است از حد توسعه بازي ها به سوي دنياي از مسائل شگفت انگيز همچون سيستم هاي خبره، بينايي ماشين وغيره گام بردارد.امروزه رديابي از هوش مصنوعي را مي توان در علوم مختلفي اعم از پزشکي، علوم هوافضا، مهندسي و طراحي پروژه، مشاهده کرد. از اين رو متخصصان هوش مصنوعي، باتوجه به کاربردهاي گوناگون اين علم آن را در شاخه هاي متنوعي همچون شبکه هاي عصبي، پردازش زبان طبيعي، روباتيک، انجام مسابقات، سيستم هاي خبره، يادگيري ماشين، استراتژي تکاملي، تشخيص گفتار و بينايي ماشين دنبال نموده اند.
تازه هاي هوش مصنوعي
آنگونه که در روزگاران گذشته انديشه پرواز در آسمان، قدم زدن در فضا، روشن شدن محيطي وسيع تنها به کمک يک کليد، اينترنت، پشرفت هاي پزشکي و بسياري چيزهاي ديگر بيشتر به يک رويا مي مانست تا يک حقيقت امروزي، به زودي وسايل هوشمند نيز در فروشگاه ها و مراکز خريد، به صورت انبوه به راحتي در اختيار ما قرار خواهند گرفت.
لباس هاي هوشمند
با توسعه نانو تکنولوژي و استفاده از مواد مولکولي سبک، امکان ساخت لباس هوشمند فراهم شده است. اينگونه لباسها، قابليت تغيير رنگ جهت استتار در محيط هاي مختلف را داشته، شخص را در برابر صلاح بيولوژيکي و شيميايي محافظت مي کند. امکان مجهز نمودن اين گونه لباسها به تجهيزات مخابراتي، انتقال علائم حياتي درمان از راه دور در مناطق جنگي و يا آسيب ديده از ديگر مزاياي اين لباس ها به شما مي آيد.
آجر و ساختمانهاي هوشمند
ساختمانهاي هوشمند اين قابليت را دارند که با تغيير شرايط محيطي، نسبت به تغييرات، عکس العمل نشان داده، امنيت و آرامش را براي ساکنان خانه فراهم نمايند. يک ساختمان هوشمند، داراي تيم اتوماتيک گرمايشي، تهويه مطبوع، اعلام حريق، آتش نشاني سيستم هاي امنيتي، مديريت انرژي و تيم هاي روشنايي خودکار مي باشد.آجرهاي هوشمند که مانند آجرهاي معمولي در ساختمانها به کار مي روند، مجهز به حسگرهاي الکترونيکي هستند که با اتصال به يک سيستم کامپيوتري، دما، لرزش و حرکت ساختمان را کنترل مي کنند و سبب ايمن شدن ساختمان مي شوند.تسليحات نظامي هوشمند، حضور ماشين هايي با قابليت انساني، استفاده از روبات ها براي شناسايي، تخريب و پاکسازي مناطق جنگي نيز از نمونه هاي کابردهاي نظامي هوش مصنوعي به شمار مي رود.هدف نهايي هوش مصنوعي، ساخت نوعي انسان مصنوعي است و در حقيقت ساخت برنامه اي نرم افزاري که بتواند همانند انسان فکر کند، چنين ماشيني با ترکيب تکنيک هاي استنباطي پيشرفته و استفاده از توانايي تحليل گران، مهندسان، سياست مداران و ساير دانشمندان و برپايه حجم عظيمي از منابع اطلاعاتي، مي توان بهترين تصميم را در شرايط بحراني اتخاذ نمود.فناوري جديد بيش از آنکه شگفت آور به دور از درک عمومي باشد، بيانگر شکوه و عظمت خالقي است که آفرينده تفکر، خلاقيت و استعداد صاحبان صنعت و تکنولوژي است.