برق. قدرت. کنترل. الکترونیک. مخابرات. تاسیسات.

دایره المعارف تاسیسات برق (اطلاعات عمومی برق)

بیش از نیم قرن پیش، هنگامی كه هنوز هیچ تراشه سیلیكونی‌ای ساخته نشده بود، آلن تورینگ، یكی از بحث‌انگیزترین پرسش‌های فلسفی تاریخ را پرسید. او گفت <آیا ماشین می‌تواند فكر كند؟> و اندكی بعد كوشید به پیروی از این قاعده كه <هر ادعای علمی باید از بوته آزمایش سربلند بیرون بیاید>، پرسش فلسفی خود را با یك آزمایش ساده و در عین حال پیچیده جایگزین كند. او پرسید: آیا یك ماشین - یك كامپیوتر - می‌تواند آزمون <بازی تقلید> را با موفقیت پشت سر بگذارد؟ آیا ماشین می‌تواند از انسان چنان تقلید كند كه در یك آزمون محاوره‌ای نتوانیم تفاوت انسان و ماشین را تشخیص دهیم؟ او در سال1950 بر اساس محاسباتی تخمین زد كه پنجاه سال بعد، كامپیوتری با یك میلیارد بیت حافظه خواهد توانست به موفقیت‌هایی در این زمینه دست پیدا كند. اكنون كه در آستانه سال 2007 میلادی هستیم، حتی هفت سال بیشتر از زمانی كه او لازم دانسته بود، هنوز هیچ ماشینی نتوانسته‌است از بوته آزمون تورینگ با موفقیت خارج شود. اما همین پرسش كافی بود تا بشر در نیم قرن اخیر به دستاوردهای شگرفی در زمینه هوش مصنوعی برسد. دست كم یكی از پیش‌بینی‌های تورینگ درست از آب درآمد: در سال 2000 مفهوم <هوش مصنوعی> برای هیچ‌كس غیرقابل‌باور نبود. در این مقاله نگاهی داریم به سیر تحولاتی كه پس از این پرسش تاریخی در دنیای علم و مهندسی به وقوع پیوستند.



آیا كامپیوتر می‌تواند فكر كند؟
یكی از جالب‌ترین و هیجان‌انگیزترین پرسش‌هایی كه تاكنون تاریخ فلسفه به خود دیده، پرسشی است كه آلن تورینگ، فیلسوف و ریاضیدان انگلیسی در سال 1950 طی مقاله‌ای به نام Computing Machinery and Intelligenceیا <ماشین محاسباتی و هوشمندی> مطرح كرد. او پرسید: <آیا ماشین می‌تواند فكر كند؟> و برای این‌كه ذهن مخاطب را از پریشانی درباره ماهیت این ماشین برهاند، توضیح داد كه منظور او از ماشین، یك كامپیوتر است؛ ماشینی كه قادر به انجام محاسبات نرم‌افزاری است. به این ترتیب برای اولین بار این پرسش در ذهن نوع بشر پدید آمد كه: <آیا كامپیوتر می‌تواند فكر كند؟>

خود تورینگ نتوانست پاسخ قطعی این پرسش را پیدا كند، اما برای یافتن پاسخ مناسب در آینده، یك راهبرد خلاقانه پیشنهاد كرد. او آزمونی طراحی كرد كه خود آن را <بازی تقلید> نامید. تورینگ پرسید: <آیا یك ماشین، یعنی یك كامپیوتر، می‌تواند آزمون تقلید را با موفقیت پشت سربگذارد؟> آیا یك كامپیوتر می‌تواند با یك انسان چنان گفت‌وگو كند كه او فریب بخورد و تصور كند در حال گفت‌وگو با یك انسان است؟

او آزمون بازی تقلید را چنین شرح داد: یك پرسشگر - یك انسان - همزمان در حال گفت‌وگو با دو نفر است. هر یك از این دو نفر در اتاق‌های جداگانه‌ای قرارگرفته‌اند و پرسشگر نمی‌تواند هیچ‌یك از آن‌ها را ببیند. یكی از این دو نفر یك انسان است و دیگری یك ماشین؛ یعنی یك كامپیوتر. پرسشگر باید با این دو نفر شروع به گفت‌وگو كند و بكوشد بفهمد كدام‌یك از این دو انسان است و كدام‌یك ماشین. اگر كامپیوتر بتواند طوری جواب دهد كه پرسشگر نتواند انسان را از ماشین تمیز دهد، آنگاه می‌توان ادعا كرد كه این ماشین هوشمند است.

تورینگ برای آسان‌تركردن شرایط این آزمون و پرهیز از پیچیدگی‌های اضافی، آن را به محاوره‌ای متنی و روی كاغذ محدود كرد تا مجبور به درگیر شدن با مسائل انحرافی مانند تبدیل متن به گفتار شفاهی و تنظیم تُن صدا و لهجه نباشیم. او همچنین براساس یك سری محاسبات، پیش‌بینی كرد كه پنجاه سال بعد، یعنی در سال 2000 انسان قادر خواهد بود كامپیوترهایی بسازد كه در یك گفت‌وگوی پنج دقیقه‌ای، فقط هفتاد درصد پرسشگرها بتوانند كشف كنند كه در حال گفت‌وگو با یك انسان هستند یا یك ماشین. او برخورداری از یك میلیارد بیت حافظه (125 میلیون بایت - حدود 120 مگابایت) را یكی از مشخصه‌های اصلی این كامپیوتر دانست.

تورینگ همچنین در این مقاله یك سری استدلال‌های مخالف با نظریه و آزمون خود را مطرح كرد و كوشید به آن‌ها پاسخ دهد. نخست، تصور این‌كه ماشین‌های هوشمندی ساخته شوند كه بتوانند فكر كنند، وحشتناك است. تورینگ در پاسخ می‌گوید: این نكته‌ای انحرافی است؛ زیرا بحث اصلی او بایدها و نبایدها نیست، بلكه بحث درباره ممكن‌ها است. دیگر این‌كه، ادعا می‌شود محدودیت‌هایی درباره نوع پرسش‌هایی كه می‌توان از كامپیوتر پرسید وجود دارد؛ زیرا كامپیوتر از منطق خاصی پیروی می‌كند. اما تورینگ در پاسخ می‌گوید: خود انسان هنگام گفت‌وگو پرغلط ظاهر می‌شود و نمی‌توان گفتار هر انسانی را لزوماً منطقی كرد. او پیش‌بینی كرد كه منشا اصلی هوشمندی ماشینِ فرضی او، حافظه بسیار زیاد و سریعی است كه یك كامپیوتر می‌تواند داشته باشد. بنابراین، از نگاه تورینگ، ماشینی همچون كامپیوتر Deep Blue كه كاسپاروف، قهرمان شطرنج را شكست داد، می‌توان یك ماشین هوشمند تلقی كرد.

در عین حال تورینگ این نظر را كه <آزمون مورد بحث معتبر نیست؛ زیرا انسان دارای احساسات است و مثلاً موسیقی دراماتیك می‌سازد> رد كرد و گفت: هنوز هیچ سند قابل قبولی وجود ندارد كه ثابت كند فقط ما انسان‌ها دارای احساسات هستیم؛ زیرا مشخص نیست مفهوم دقیق این واژه به لحاظ علمی چیست.

در سال 1956 جان مك‌كارتی، یكی از نظریه‌پردازان پیشگام این نظریه در آن زمان، اصطلاح <هوش مصنوعی> را برای اولین بار در نخستین كنفرانسی كه به این موضوع اختصاص یافته بود، به‌ كار برد. او همچنین زبان برنامه‌نویسی ‌Lisp را ابداع كرد كه در همین زمینه كاربرد دارد. دانشمندان بعداً این تاریخ را به عنوان تاریخ تولد علم هوش مصنوعی انتخاب كردند. تقریباً در همان زمان جان فون نیومان <نظریه بازی‌ها> را معرفی كرد. این نظریه بدیع و درخشان كه بعداً در اكثر حوزه‌های علم، از جمله جامعه‌شناسی، اقتصاد و سیاست كاربردهایی پیدا كرد، نقش مؤثری در پیشبرد جنبه‌های نظری و عملی هوش مصنوعی داشت. چند سال بعد، در 1968، آرتور سی كلارك، در رمان معروف خود، یعنی اودیسه فضایی 2001 اصطلاح <آزمون تورینگ> را به جای <بازی تقلید> سرزبان‌ها انداخت. از زمانی كه تورینگ این فرضیه را مطرح كرده است، هزاران دانشمند با هدف ساختن ماشینی كه بتواند آزمون تورینگ را با موفقیت تمام كند، دست به كار شده‌اند. اما هنوز هیچ‌كس موفق نشده است چنین ماشینی بسازد و پیش‌بینی تورینگ هم درست از آب درنیامده است.

چالش‌های بنیادین هوش‌مصنوعی‌
البته امروزه هوش مصنوعی به واقعیت نزدیك شده است و تقریباً می‌توان گفت وجود دارد، اما دلایل اساسی متعددی وجود دارند كه نشان می‌دهند چرا هنوز شكل تكامل یافته‌ هوشی كه تورینگ تصور می‌كرد، به وقوع نپیوسته است. به طور كلی خود نظریه تورینگ مخالفانی جدی دارد. بعضی از این منتقدان اصلا‌ً هوش ماشینی را قبول ندارند و برخی دیگر صرفاً كارآمدی آزمون تورینگ را برای اثبات هوشمندی زیر سؤال می‌برند. یكی از مهم‌ترین مباحث مطرح در این زمینه، موضوع شبیه‌سازی است. غالباً پرسیده می‌شود آیا صرف این‌كه ماشینی بتواند نحوه صحبت كردن انسان را شبیه‌سازی كند، به معنی آن است كه هوشمند است؟ به عنوان مثال، شاید شما هم درباره روبات‌های نرم‌افزاری كه می‌توانند چت كنند (Chatter Bots) چیزهایی شنیده باشید.(1) این روبات‌ها از روش‌های تقلیدی استفاده می‌كنند و به تعبیری، نمونه مدرن و اینترنتی آزمون تورینگ هستند.

مثلاً روبات ELIZA یكی از این‌هاست. این روبات را ژوزف وایزن بام، یكی دیگر از پژوهشگران‌ نامدار این حوزه اختراع كرد. الیزا در برخی مكالمات ساده می‌تواند طرف مقابل خود را به اشتباه بیندازد. طوری كه مخاطب ممكن است فكر كند درحال گپ زدن با یك انسان است. البته الیزا هنوز نتوانسته است آزمون تورینگ را با موفقیت پشت سر بگذارد. با این حال تكنیك‌های شبیه‌سازی مورد انتقاد گروهی از دانشمندان است. یكی از مشهورترین انتقادات در این زمینه را فیلسوفی به نام جان سیرل (John Searle) مطرح كرده است. او معتقد است بحث هوشمندی ماشین‌های غیربیولوژیك اساساً بی‌ربط است و برای اثبات ادعای خود مثالی می‌آورد كه در مباحث تئوریك هوش مصنوعی <بحث اتاق چینی> نامیده می‌شود. سیرل ابتدا نقد خود درباره هوش ماشینی را در 1980 مطرح كرد و سپس آن در مقاله كامل‌تری كه در 1990 منتشر كرد، بسط داد.

ماجرای اتاق چینی به این صورت است: فرض كنید داخل اتاقی یك نفر نشسته است و كتابی از قواعد سمبول‌های زبان چینی در اختیار دارد. برای این فرد عبارات - سمبول‌‌های - چینی روی كاغذ نوشته می‌شود و از زیر درِ اتاق به داخل فرستاده می‌شود. او باید با مراجعه به كتاب قواعد پاسخ مناسب را تهیه كند و روی كاغذ پس بفرستد. اگر فرض كنیم كتاب مرجع مورد نظر به اندازه كافی كامل است، این فرد می‌تواند بدون این‌كه حتی معنی یك نماد از سمبول‌های زبان چینی را بفهمد، به پرسش‌ها پاسخ دهد. آیا می‌توان به این ترتیب نتیجه گرفت كه پاسخ دهنده هوشمند است؟

استدلال اصلی این منتقد و دیگر منتقدان موضوع شبیه‌سازی این است كه می‌توان ماشینی ساخت (مثلاً یك نرم‌افزار لغتنامه) كه عبارات و اصطلاحات را ترجمه كند. یعنی ماشینی كه كلمات و سمبول‌های ورودی را دریافت و سمبول‌ها و كلمات خروجی را تولید كند؛ بدون این‌كه خود ماشین معنی و مفهوم این سمبول‌ها را درك كند. بنابراین آزمون تورینگ حتی در صورت موفقیت نیز نمی‌تواند ثابت كند كه یك ماشین هوشمند است.

در مقابل این انتقاد دو نظر وجود دارد: یك دسته از دانشمندان كه بیشتر به نظریه تورینگ معتقدند، می‌گویند اساساً چه دلیلی وجود دارد كه باور نكنیم (دست‌كم) بخش بزرگی از آنچه را كه هوشمندی انسان تلقی می‌كنیم، معلومات تقلیدی تشكیل داده باشد؟ در واقع تمام سندی كه ما درباره متفكر بودن انسان داریم رفتاری است كه اندیشه او پدید می‌آورد، ولی درباره ماهیت و ساختار این اندیشه چیز زیادی نمی‌دانیم. دسته دوم، كسانی هستند كه معتقدند اگر ماشین‌ها بتوانند با دنیای پیرامون خود كنش و واكنش داشته باشند، آنگاه می‌توانند فكر كنند. منظور این است كه كامپیوترها نیز مانند ما دارای حس بینایی، شنوایی، لامسه و حس‌های دیگر باشند. در این صورت، تركیب همزمان <پاسخ‌های تقلیدی> با <واكنش مناسب به محیط> یعنی همان <هوشمندی>. اتفاقاً كسی مانند جان سیرل نیز تفكرات مشابهی دارد؛ با این تفاوت كه به طور خاص او شكل ایده‌آل كنش و واكنش مورد نیاز را همان تعامل بیولوژیكی می‌داند.

انتقادات دیگری نیز به آزمون تورینگ وارد می‌شود. ازجمله این‌كه ممكن است یك ماشین هوشمند باشد، ولی نتواند همچون انسان ارتباط برقرار كند. دیگر این‌كه، در آزمون تورینگ فرض می‌شود كه انسان مورد آزمایش - یكی از دو نفری كه داخل اتاق در بسته به سؤالات پاسخ می‌دهد - به اندازه كافی هوشمند است. در حالی كه با استناد به استدلال خود تورینگ می‌توان نتیجه گرفت كه خیلی از افراد مانند بچه‌ها و افراد بیسواد در این آزمون مردود می‌شوند؛ نه به دلیل هوشمندی ماشین، بلكه به دلیل نداشتن مهارت كافی در ارتباط‌گیری از طریق مكاتبه.
مسئله دیگری كه در بحث هوش مصنوعی اهمیت دارد، موضوع <قالب و محتوا> است. منظور از قالب یا Context در اینجا، ظرفی است كه محتوا داخل آن قرار می‌گیرد.

یكی از پایه‌های هوشمندی انسان توجهی است كه او به قالب محتوا - و نه صرفاً خود محتوا - دارد. به عنوان مثال، وقتی می‌گوییم <شیر>، این كلمه به تنهایی معانی متفاوتی دارد، ولی هنگامی كه همین واژه داخل یك جمله قرار می‌گیرد، فقط یك معنی صحیح دارد. انسان می‌تواند معانی كلمات را نه فقط به صورت مجرد، بلكه با دنبال كردن نحوه وابستگیشان به جمله تشخیص دهد. مشابه همین هوشمندی، در تمام حس‌های پنجگانه انسان وجود دارد. به عنوان مثال، از نظر علمی ثابت شده است كه گوش انسان می‌تواند هنگام توجه به صحبت‌های یك انسان دیگر در محیطی شلوغ، كلمات و عباراتی را كه نمی‌شنود، خودش تكمیل كند یا چشم انسان می‌تواند هنگام مشاهده یك تصویر، قسمت‌های ناواضح آن را با استفاده از دانسته‌های بصری قبلی خود تكمیل كند.

از این رو كارشناسان معتقدند، دانش پیش‌زمینه یا <آرشیو ذهنی> یك موجود هوشمند نقش مؤثری در هوشمندی او بازی می‌كند. در حقیقت منشأ پیدایش برخی از شاخه‌های مدرن و جدید دانش هوش مصنوعی همچون <سیستم‌های خبره> و <شبكه‌های عصبی> همین موضوع است و اساسا با این هدف پدید آمده‌اند كه بتوانند به ماشین قدرت آموختن و فراگیری بدهند؛ هرچند كه هر یك از این شاخه‌ها، از پارادایم متفاوتی برای آموزش به ماشین استفاده می‌كنند و همین تفاوت‌ها مبنا و اساس دو جریان فكری عمده در محافل علمی مرتبط با هوش مصنوعی را پدید آورده‌اند.

شاخه‌های علم هوش مصنوعی‌
امروزه دانش مدرن هوش مصنوعی به دو دسته اصلی تقسیم می‌شود: یكی <هوش مصنوعی سمبولیك یا نمادین> (Symbolic AI) و دیگری هوش غیرسمبولیك كه پیوندگرا (Connection AI) نیز نامیده می‌شود.

هوش مصنوعی سمبولیك از رهیافتی مبتنی بر محاسبات آماری پیروی می‌كند و اغلب تحت عنوان <یادگیری ماشین> یا (Machine Learning) طبقه‌بندی می‌شود. هوش سمبولیك می‌كوشد سیستم و قواعد آن را در قالب سمبول‌ها بیان كند و با نگاشت اطلا‌عات به سمبول‌ها و قوانین به حل مسئله بپردازد. در میان معروف‌ترین شاخه‌های هوش مصنوعی سمبولیك می‌توان به سیستم‌های خبره (Expert Systems) و شبكه‌های Bayesian اشاره كرد.

یك سیستم خبره می‌تواند حجم عظیمی از داده‌ها را پردازش نماید و بر اساس تكنیك‌های آماری، نتایج دقیقی را تهیه كند. شبكه‌های Bayesian یك تكنیك محاسباتی برای ایجاد ساختارهای اطلاعاتی و تهیه استنتاج‌های منطقی از روی اطلاعاتی است كه به كمك روش‌های آمار و احتمال به دست‌ آمده‌اند. بنابراین در هوش سمبولیك، منظور از <یادگیری ماشین> استفاده از الگوریتم‌های تشخیص الگوها، تحلیل و طبقه‌بندی اطلاعات است.

اما هوش پیوندگرا متكی بر یك منطق استقرایی است و از رهیافت <آموزش/ بهبود سیستم از طریق تكرار> بهره‌ می‌گیرد. این آموزش‌ها نه بر اساس نتایج و تحلیل‌های دقیق آماری، بلكه مبتنی بر شیوه آزمون و خطا و <یادگیری از راه تجربه> است. در هوش مصنوعی پیوندگرا، قواعد از ابتدا در اختیار سیستم قرار نمی‌گیرد، بلكه سیستم از طریق تجربه، خودش قوانین را استخراج می‌كند. متدهای ایجاد شبكه‌های عصبی (Neural Networks) و نیز به‌كارگیری منطق فازی (Fuzzy Logic) در این دسته قرار می‌گیرند.

برای درك بهتر تفاوت میان این دو شیوه به یك مثال توجه كنید. فرض كنید می‌خواهیم یك سیستم OCR بسازیم. سیستم OCR نرم‌افزاری است كه پس از اسكن كردن یك تكه نوشته روی كاغذ می‌تواند متن روی آن را استخراج كند و به كاراكترهای متنی تبدیل نماید.

بدیهی است كه چنین نرم‌افزاری به نوعی هوشمندی نیاز دارد. این هوشمندی را با دو رهیافت متفاوت می‌توان فراهم كرد. اگر از روش سمبولیك استفاده كنیم، قاعدتاً باید الگوی هندسی تمام حروف و اعداد را در حالت‌های مختلف در بانك اطلاعاتی سیستم تعریف كنیم و سپس متن اسكن شده را با این الگوها مقایسه كنیم تا بتوانیم متن را استخراج نماییم. در اینجا الگوهای حرفی-‌عددی یا همان سمبول‌ها پایه و اساس هوشمندی سیستم را تشكیل می‌دهند. روش دوم یا متد <پیوندگرا> این است كه یك سیستم هوشمند غیرسمبولیك درست كنیم و متن‌های متعددی را یك به یك به آن بدهیم تا آرام آرام آموزش ببیند و سیستم را بهینه كند. در اینجا سیستم هوشمند می‌تواند مثلا‌ً یك شبكه عصبی یا مدل مخفی ماركوف باشد. در این شیوه سمبول‌ها پایه هوشمندی نیستند، بلكه فعالیت‌های سلسله اعصاب یك شبكه و چگونگی پیوند میان آن‌ها مبنای هوشمندی را تشكیل می‌دهند.

در طول دهه‌های 1960 و 1970 به دنبال ابداع اولین برنامه نرم‌افزاری موفق در گروه سیستم‌های مبتنی بر دانش
(Knowledge-based) توسط جوئل موزس، سیستم‌های هوش سمبولیك به یك جریان مهم تبدیل شد. ایده و مدل شبكه‌های عصبی ابتدا در دهه 1940 توسط Warren McCulloch و Walter Pitts معرفی شد. سپس در دهه 1950 كارهای روزنبالت (Rosenblatt) درمورد شبكه‌های دولایه مورد توجه قرارگرفت. در 1974 الگوریتم back propagation توسط Paul Werbos معرفی شد، ولی متدولوژی شبكه‌های عصبی عمدتاً از دهه 1980 به این سو رشد زیادی پیدا كرد و مورد استقبال دانشمندان قرار گرفت. منطق فازی ابتدا توسط پروفسور لطفی زاده، در 1965 معرفی شد و از آن زمان به بعد توسط خود او و دیگر دانشمندان دنبال شد.

در دهه 1980 تلاش‌های دانشمندان ژاپنی برای كاربردی كردن منطق فازی به ترویج و معرفی منطق فازی كمك زیادی كرد. مثلاً طراحی و شبیه سازی سیستم كنترل فازی برای راه‌آهن Sendai توسط دو دانشمند به نام‌هایYasunobu و Miyamoto در 1985، نمایش كاربرد سیستم‌های كنترل فازی از طریق چند تراشه مبتنی بر منطق فازی در آزمون <پاندول معكوس> توسط Takeshi Yamakawa در همایش بین‌المللی پژوهشگران منطق فازی در توكیو در 1987 و نیز استفاده از سیستم‌های فازی در شبكه مونو ریل توكیو و نیز و معرفی سیستم ترمز ABS مبتنی بر كنترلرهای فازی توسط اتومبیل‌سازی هوندا در همین دهه تاثیر زیادی در توجه مجدد دانشمندان جهان به این حوزه از علم داشت.

فراتر از هوشمندی ماشین‌
چنان‌كه گفتیم، هوش مصنوعی دانش و مهندسی ساختن ماشین‌های هوشمند، به ویژه كامپیوترهای هوشمند است. اما براستی هوشمندی چیست؟ در واقع هنوز دانشمندان نتوانسته‌اند تعریف واحدی از هوشمندی ارائه دهند كه مستقل از <هوش انسانی> باشد. ما می‌دانیم كه برخی از ماشین‌ها یا جانداران می‌توانند هوشمند باشند، اما بشر هنوز نمی‌داند كه مایل است كدام دسته از فرآیندهای محاسباتی یا پردازشی را هوشمندی بنامد. بنابراین برای پاسخ دادن به این پرسش كه <آیا فلان ماشین هوشمند است؟> هنوز فرمول مشخصی وجود ندارد. در واقع هوشمندی، خود یك مفهوم فازی و نادقیق است. هوشمندی را می‌توان یك فرآیند تلقی كرد كه دانشمندان هنوز در حال شبیه‌سازی، تحلیل و حتی تعریف مشخصه‌های آن هستند.

موضوع مهم دیگری كه در ارتباط با هوش مصنوعی مطرح است، هدف دانشمندان از به‌كارگیری آن است. روشن است كه هدف اولیه بشر از ورود به این موضوع، شبیه‌سازی هوش انسان در كالبد ماشین بوده‌است. ولی امروزه دیگر چنین نیست و این تصور كه هدف علم هوش‌مصنوعی تنها شبیه‌سازی هوش انسانی است، تصوری نادرست است. در حقیقت موضوع شبیه‌سازی هوش انسانی عاملی پیش‌برنده در این حوزه از علم است كه به دانشمندان انگیزه می‌دهد تا آن را توسعه دهند، اما در خلال روند توسعه، بشر می‌تواند به دستاوردهایی برسد كه در تمام زمینه‌ها كاربرد دارد. سیستم‌های خبره و مبتنی بر دانش نمونه‌ای از این دستاوردهاست. بسیاری از نرم‌افزارهای موسوم به سیستم‌های تصمیم‌سازی (Decision Making Systems) در شاخه اقتصاد و یا سیستم‌هایی كه در تجزیه و تحلیل داده‌های علم پزشكی به كار می‌روند از این دستاورد بهره می‌گیرند. هوش منصوعی همچنین بستری برای توسعه علومی كه مانند تئوری بازی‌ها یا منطق فازی خود شاخه مستقلی هستند پدید می‌آورد تا در سایه همان عوامل انگیزشی، بتوانند رشد و توسعه پیدا كنند.

در عین حال برخی از دستاوردهای این علم فراتر از بحث هوشمندی است. به عنوان مثال، افزایش قدرت محاسباتی و پردازشی كامپیوتر همواره به پیشرفت این علم كمك كرده‌است. بنابراین میزان موفقیت هوش مصنوعی در آینده نه فقط به خبرگی الگوریتم‌ها و متدولوژی‌ها، بلكه به سرعت پردازش‌ها و محاسبات كامپیوتری نیز بستگی دارد. این دو لازم و ملزوم یكدیگرند و به رشد هم كمك می‌كنند. شاید پیروزی كامپیوتر Deep Blue بر كاسپاروف، قهرمان شطرنج، تأثیر محسوسی بر زندگی روزانه ما نگذاشته باشد. اما همین مسابقه و تلاش‌های دیگری از این دست، به صنعت كامپیوتر امكان می‌دهند، توانایی خود را برای تولید سیستم‌های كارآمدتر و سودمندتری كه در زندگی روزانه بشر كاربرد دارند، افزایش دهد.

http://www.ml.blogfa.com/post-221.aspx

صفحات جانبی

نظرسنجی

    لطفاً نظرات خود را درمورد وبلاگ با اینجانب در میان بگذارید.(iman.sariri@yahoo.com)نتایج تاکنون15000مفید و 125غیرمفید. با سپاس


  • آخرین پستها

آمار وبلاگ

  • کل بازدید :
  • تعداد نویسندگان :
  • تعداد کل پست ها :
  • آخرین بازدید :
  • آخرین بروز رسانی :