تبلیغات
برق. قدرت. کنترل. الکترونیک. مخابرات. تاسیسات. - فلسفه هوش مصنوعی

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

دایره المعارف تاسیسات برق (اطلاعات عمومی برق)


یکی از رفرنس های کلاسیک هوش مصنوعی (در تمام دنیا) کتاب راسل هست که فکر میکنم حداقل ۵ نفر جدا به فارسی ترجمه اش کرده باشن.
امروزه ماشین‌ها، دستگاه‌ها و كامپیوترها اطراف ما را احاطه كرده‌اند و زندگی ما كاملا وابسته به عملكرد آنهاست. نظم امروزین زندگی ما بدون این ماشین‌ها قابل تصور نیست. ماشین‌ها و كامپیوترها هر روز پیشرفته‌تر و دارای توانایی‌های بیشتر می‌شوند و به نظر می‌رسد این توانایی‌ها صرفا در محدوده قابلیت‌های مكانیكی نیست؛ بلكه گویا عقل حسابگر آنها، هوش انسانی ما را تحقیر می‌كند.

 

آیا آنها دارای هوش هستند؟ پاسخ به این سوال، برای بشر امروزی بسیار حیاتی است؛ چراكه اگر آنها هوشمند باشند، چه بسا در آینده به رقیبی برای بشر مبدل شده و در مقابل انسان بایستند. در مقاله‌ای كه هم‌اكنون می‌خوانید، از منظر تحلیلی به مساله مذكور یا همان هوش مصنوعی نگریسته شده است.

فلسفه هوش مصنوعی در تلاش است تا به سوالاتی از این قبیل پاسخ دهد كه:

ـ آیا ماشین‌ها‌ می‌توانند هوشمندانه عمل كنند؟ آیا ماشین‌‌ها و دستگاه‌های ساخت دست بشر می‌توانند مساله‌ای را حل كنند كه [صرفا] انسان‌ها با فكر كردن قادر به حل آن هستند؟

ـ آیا ماشین‌‌ دارای ذهن، حالات روحی و روانی و آگاهی است، همان گونه كه انسان واجد چنین صفاتی است؟ آیا ماشین‌ قادر به حس كردن است؟

ـ آیا هوش انسان و هوش ماشین‌‌ از یك نوعند؟ آیا مغز انسان اساسا یك كامپیوتر است؟

این ۳ پرسش به ترتیب نمایانگر علایق متفاوت پژوهشگران هوش مصنوعی، فلاسفه هوش مصنوعی و دانشمندان شناختی است. پاسخ به این پرسش‌ها وابسته به ۲ چیز است؛ اول این كه انسان هوش یا آگاهی را چگونه تعریف كند و دوم این‌كه چه ماشین‌ها‌ و ‌دستگاه‌هایی ‌مورد بحث ما باشند. قضایای مهم در فلسفه هوش مصنوعی عبارتند از:

ـ قضیه تورینگ: اگر دستگاه همچون انسان هوشمندانه عمل كند، همچون انسان ‌هوشمند‌ است.

ـ طرح دارتموث: هر وجه از آموزش یا هریك از دیگر وجوه هوش را می‌توان چنان بدقت توصیف كرد كه امكان ساخت ماشین‌ با روگرفت از آن فراهم شود.

ـ فرضیات نظام‌ فیزیكی نمادین نوئل Newell و سیمون Simon: فرضیات ‌نظام‌ فیزیكی نمادین دارای وسائط لازم و كافی فعل هوشمندانه همگانی‌‌ است.

ـ فرضیات مهم هوش مصنوعی سرل: كامپیوتری كه به شكل مناسب برنامه‌ریزی شده و دارای خروجی‌ها و ورودی‌های سالم‌‌ است، دقیقا به همان معنایی كه انسان‌ها دارای ذهن هستند، واجد ذهن است.

ـ ‌ماشین‌وارگی هابز: عقل چیزی جز محاسبه‌گر نیست.

آیا ماشین‌‌ قادر است نمایانگر هوش همگانی ‌باشد؟

آیا می‌توان ماشینی ابداع كرد كه بتواند همه مسائلی را كه انسان‌ها با استفاده از هوش خود، حل می‌كنند، حل كند؟ این پرسشی است كه پژوهشگران هوش مصنوعی بیشتر علاقه‌مند پاسخ بدان هستند. پاسخ به این سوال ‌قلمروی‌ كارهایی را كه ماشین‌ها در آینده قادر به انجام آن خواهند بود و جهت پژوهش هوش مصنوعی را معین می‌كند.

این پرسش صرفا به ‌عملكرد‌ ماشین‌ها مربوط است و موضوعات مورد علاقه روان‌شناسان، دانشمندان شناختی و فلاسفه را نادیده می‌گیرد؛ چراكه برای پاسخ بدان اهمیتی ندارد كه ماشین واقعا بیندیشد (همان گونه كه انسان می‌اندیشد) یا این‌كه صرفا چنان رفتار كند كه گویی می‌اندیشد. موقعیت بنیادین بیشتر پژوهشگران هوش مصنوعی در این عبارت كه در طرحی برای كنفرانس دارتموث در سال ۱۹۵۶ بیان شد، خلاصه شده است:

ـ هر وجه آموزش یا هریك از دیگر وجوه هوش را چنان دقیق می‌توان توصیف كرد كه یك ماشین را بتوان با روگرفت از آن ساخت.

استدلال‌های مخالف این ‌فرض‌ بنیادین‌ می‌باید نشان دهند كه عملا ساخت سیستم هوش مصنوعی ناممكن است، به این علت كه توانایی‌های كامپیوتر دارای محدوده عملی مشخصی است یا به این علت ‌كه ذهن انسان دارای كیفیت مشخصی است كه برای اندیشیدن ضروری است و در عین حال به واسطه ماشین (یا به وسیله روش‌های پژوهش هوش مصنوعی معاصر) قابل نسخه‌برداری نیست. استدلال‌های موافق فرض بنیادین مذكور نیز می‌باید نشان دهند كه ساخت چنین ‌سیستمی‌ شدنی است.مسلما اولین گام برای پاسخ به این مساله تعریف «هوش» است.

چیستی هوش: آزمون تورینگ

آلن تورینگ در مقاله مشهور و دوران سازش در سال ۱۹۵۰ مساله تعریف هوش را به مساله ساده‌ای درباره مكالمه، فروكاست. او اظهار می‌دارد كه اگر ماشینی بتواند با به كارگیری همان كلماتی كه یك انسان معمولی از آنها استفاده می‌كند، به هر سوالی كه در مقابلش مطرح می‌شود، پاسخ گوید، ما آن ماشین را هوشمند می‌نامیم.

نسخه جدید طرح آزمایشی او از یك چت‌روم آنلاین استفاده می‌كند، بدین شكل كه یكی از شركت‌كنندگان یك شخص واقعی و دیگری یك برنامه كامپیوتری است. شرط موفقیت برنامه كامپیوتری در این آزمون این است كه هیچ‌كس نتواند تشخیص دهد كه كدام یك از دو طرف شركت‌كننده، انسان است.

تورینگ توجه دارد كه هیچ‌كس (جز فلاسفه) هرگز نمی‌پرسد كه «آیا انسان‌ها می‌اندیشند؟» به نظر او، به جای بحث دامنه‌دار درباره این موضوع، عقلانی‌‌ است كه واجد قائل باشیم كه هر انسانی می‌اندیشد.» آزمون تورینگ این فرض را به ماشین‌ها بسط می‌دهد:اگر ماشین به اندازه انسان هوشمندانه عمل‌ كند، پس همچون انسان، هوشمند است.

هوش انسان در مقابل هوش به معنای عام كلمه

یكی از انتقادات به آزمون تورینگ این است كه این آزمون آشكارا انسان‌انگارانه (anthropomorphic) است.

اگر هدف نهایی ما ساختن ماشین‌هایی است كه از انسان‌ها باهوش‌تر باشند، چرا می‌باید ‌بر این مطلب پافشاری كنیم‌ كه این ماشین‌ها می‌باید بسیار شبیه به انسان‌ها باشند؟

راسل و نویرات‌ می‌نویسند: «براساس متون مهندسی هوانوردی، هدف رشته مهندسی هوانوردی ساخت ماشین‌هایی كه آنقدر شبیه كبوترها پرواز كنند كه بتوانند به این وسیله سایر كبوترها را فریب دهند، نیست.»

پژوهش اخیر هوش مصنوعی، هوش را برحسب عاملان هوشمند‌‌ (intelligent agents) تعریف می‌كند. یك «عامل» چیزی است [یا‌ كسی است ] كه محیط را درك و نسبت به آن عمل كند. «میزان عملكرد» تعیین‌كننده موفقیت یا عدم موفقیت عامل، در آزمون است.

ـ اگر یك عامل چنان عمل‌ كند كه ارزش‌های مورد انتظار از میزان عملكرد مبتنی بر تجربه و شناخت گذشته را به منتها درجه برساند، هوشمند‌‌ است.تعریفی اینچنینی سعی دارد ذات هوش را معرفی كند.

این‌گونه تعریف نسبت به آزمون تورینگ دارای این امتیاز است كه آزمونی برای آن دسته از خصایص انسان، مثل وسوسه دروغگویی كه ما احتمالا مایل نیستیم آنها را هوشمندانه بدانیم، نیست. عیب این‌گونه تعریف نیز این است كه قادر به تفكیك عرفی بین «اشیایی كه می‌اندیشند» و «اشیایی كه نمی‌اندیشند» نیست. با این تعریف، حتی یك ترموستات‌‌ دارای هوش و آگاهی ابتدایی است.

http://elm10.mihanblog.com/

یک وب خوبیه که پیشنهاد می کنم ببینینش

هوش مصنوعی یا هوش طبیعی

یک دانشمند آمریکایی پیش بینی کرده است که تا 10 سال آینده هوش مصنوعی از هوش انسان فراتر خواهد رفت و بنابراین تا سال 2020 رایانه ها ارباب انسان خواهند شد.

"ری کورزویل" که از دیرباز به عنوان یک دانشمند "آینده بین" شناخته می شود در سال 2005 در کتابی با عنوان "یکتایی نزدیک است" (The Singularity is Near) پیش بینی کرده بود که در سال 2045 هوش مصنوعی بر هوش انسان تسلط پیدا خواهد کرد اما اکنون در تازه ترین اظهارات خود بیان داشته است که به دلیل شتاب توسعه رایانه ها این تاریخ از 2045 به 2020 خواهد رسید.

این دانشمند در این خصوص توضیح داد: "نقدی که به مفهوم یکتایی (Singularity) یا همان لحظه عبور هوش مصنوعی از هوش انسان وارد می شود این است که ذهن انسان بسیار پیچیده تر و جادویی تر از آن چیزی است که بتواند بر روی یک صفحه کوچک تراشه کپی برداری شود. این درحالی است که با مطالعه بر روی رفتار مغز می توان فهمید که موقعیت فناوری با شتاب چشمگیری درحال جهش است."

به اعتقاد "ری کورزویل" که مهمترین فعال موسسه "یکتایی" در سانفرانسیسکو است، بازسازی عملکردهای ذهن پس از حرکت از "یک نقطه ورود به یک تفکر واحد" بسیار آسان خواهد بود.

وی در این خصوص افزود: "برای دستیابی به هوش مصنوعی پیشرفته ما درحال رمزگشایی کورتکس مغز هستیم که در آن 22 میلیارد نورون و 220 تیلیارد سیناپس وجود دارد. زمانی که بتوانیم تمام این بخشها را رمزگشایی کنیم می توانیم به ابر رایانه مجهز به نرم افزاری برسیم که قادر است تمام برهانها و استدلالها را شبیه سازی کند."

هرچند که هنوز این برنامه وجود ندارد اما "کورزویل" معتقد است که ما به این هدف بسیار نزدیک هستیم.

"دارمندرا مدا" محققی که برنامه رایانه سازی شناختی "آی. بی. ام" را در مرکز تحقیقات "آلمادن" در سن خوزه هدایت می کند نیز در خصوص ابررایانه  Sequoia "آی. بی. ام" و نقش آن در شتاب بخشیدن به رمزگشایی مغز توضیح داد: "برای رساندن این ابررایانه به سرعت 20 پنتافلاپ بر ثانیه دو سال زمان نیاز داریم. پس از رسیدن به این سرعت می توانیم بازسازی برهان و استدلال مغز انسان را شتاب بخشیم."

"تری سنینوسکی" رئیس لابراتور نوروبیولوژی موسسه "سالک" در ساندیگو نیز در این خصوص توضیح داد: "کورزویل در تائید اینکه یک کد حدود یک میلیون خط می تواند برای شبیه سازی فعالیتهای مغز انسان کافی باشد کاملا حق دارد."

به اعتقاد کورزویل راه برای رسیدن به "یکتایی" از ریاضی و رایانه ها عبور می کند.  وی در این باره توضیح داد: "طرح مغز در ژنوم وجود دارد و قبل از فشرده شدن دارای 6 میلیون بیت یا حدود 800 میلیون بایت است اما این میزان می تواند به حدود 50 میلیون بایت کاهش یابد. این بدین معنی است که نصف مغز از 25 میلیون بایت یا یک کد یک میلیون خطی تشکیل شده است. بنابراین ظرف دو تا سه سال آینده می توان به این کد دست یافت اما این معنی رسیدن به یکتایی نیست و یکتایی زمانی حاصل می شود که بتوانیم هوش مصنوعی را به سطحی از آزموش و آگاهی برسانیم."

براساس گزارش گیزمودو، به گفته این دانشمند آینده بین پس از رسیدن به این کد یک میلیون خطی به حدود 7، 8 سال زمان نیاز است که هوش مصنوعی را آموزش داد و بنابراین لحظه تاریخی که هوش مصنوعی از هوش انسان فراتر می رود می تواند سال 2020 باشد.

وی در این خصوص گفت: "بنابراین لحظه تصمیم گیری زمانی خواهد بود که درک کنیم مغز چگونه عمل می کند و از آن لحظه به بعد می توانیم هوش مصنوعی را به مرزهای فراتر از هوش انسان هدایت کنیم."

http://superchoice.mihanblog.com/post/963

اطلاعات اعجاب برانگیز پژوهشگران درباره خودترمیمی مغز!













پژوهش های تازه، اطلاعات اعجاب برانگیزی در مورد ساز و كار ترمیم قسمتهای آسیب دیده مغز که برای حافظه و توجه مهم است، به دست می دهد.



پژوهش های تازه، اطلاعات اعجاب برانگیزی در مورد ساز و كار ترمیم قسمتهای آسیب دیده مغز که برای حافظه و توجه مهم است، به دست می دهد.

پژوهشی جدید که در شماره ۴ نوامبر مجله علمی نورون، متعلق به انتشارات «سل» چاپ شد، نقش قسمت های آسیب ندیده مغز را در جایگزینی و حمایت از عملکرد ترمیمی برجسته می کند.

آسیب های مغزی با توجه به مکان و شدت صدمه می تواند دارای پیامدهای ویرانگری باشد. صدمه به قسمتی از مغز که قشر پیش پیشانی نامیده می شود، در بیشتر موارد به کاستی حافظه و توجه منجر می شود. با این حال، افراد می توانند با گذشت زمان برخی عملکردها را بازیابی کنند.

مطالعاتی که بازیابی کاستی حرکتی یا زبانی را بررسی کرده، نشان می دهد بخش های آسیب ندیده مغز می توانند جبرانگر بخش های آسیب دیده باشند.

در حالی که مشخص است انعطاف پذیری عصبی برای بازیابی عملکردی پس از آسیب به قشر پیش پیشانی، مورد نیاز است، ساز و کارهای دقیق بازیابی شناختی به خوبی مشخص نیست.

دکتر برادلی وویتک از دانشگاه کالیفرنیا در برکلی توضیح می دهد: در مطالعه جاری، ما مشتاق هستیم بررسی کنیم آیا عملکرد شناختی بدون عیب در بیمارانی که قشر پیش پیشانی آن ها در یک نیمکره مغز آسیب دیده، توسط کنش جبرانی قشر پیش پیشانی در قسمت سالم و آسیب ندیده مغز جبران می شود.

دکتر وویتک و همکارانش مطالعه ای را طراحی کرده اند تا فعالیت مغز در بیمارانی را بررسی کنند که تنها در یک سمت مغز آن ها قشر پیش پیشانی آسیب دیده است.

 

 

ریاضیدانی که زیبایی های ریاضی را به تصویر کشید.!

پیشرفتهایی متعددی که در زمینه ریاضی مدرن انجام گرفته نتوانسته تعداد ریاضیدانانی که از "بنوا مندلبرو" مشهورتر و معتبرتر باشند را چندان افزایش دهد. فردی که با استفاده از فرمولهای ساده زیباییهای علم ریاضی را به تصویر کشید.برای دیدن عکس ها به ادامه بروید...

پیشرفتهایی متعددی که در زمینه ریاضی مدرن انجام گرفته نتوانسته تعداد ریاضیدانانی که از "بنوا مندلبرو" مشهورتر و معتبرتر باشند را چندان افزایش دهد. فردی که با استفاده از فرمولهای ساده زیباییهای علم ریاضی را به تصویر کشید.

به گزارش خبرگزاری مهر، مندلبرو پدر علم ریاضی فرکتال ساختاری که هر جزء از آن با کل آن متشابه است هفته گذشته در سن 85 سالگی درگذشت. وی با مطالعات و مشارکتهایش در علم هندسه به بالا بردن درک انسان از پدیده های طبیعی کمک فراوانی کرده است.

مندلبرو فرمولهای ریاضی نوشته است که با ایجاد مارپیچها، پیچ ها و حبابهای متقارن در شرح دادن طبیعت، مکمل زوایای سرد و حاد هندسه اقلیدسی بسیار تاثیر گذار بوده اند. با فرمولهای او ساختارهای پیچیده طبیعی مانند خطوط ساحلی با کمک فرمول های ریاضی ساده و بدون پیچیدگی قابل درک است.

در مقدمه کتاب وی با عنوان "هندسه فرکتال طبیعت" وی این سئوال را مطرح می کند: "چرا معمولا از هندسه به عنوان علمی سرد و خشک یاد می شود؟ یکی از دلایل این تعریف، ناتوانی این دانش در تشریح شکل ابرها، کوه ها و  درختها است."

در اشکال فرکتال که نام آنها توسط مندلبرو از واژه Fractus لاتین به مفهوم شکسته برگرفته شده است، هر یک از بخشها، الگویی از تمام شکل را تقلید می کند. بزرگنمایی هر یک از بخشها پیچیدگی های بیشتری را نمایش می دهد که چرخه ای نامحدود را تکرار می کنند.

مجموعه مندلبرو اساسا ساختاری از اعداد پیچیده است که به یک طرف از یک معادله یا تساوی اختصاص دارد. تصاویر این معادلات با اختصاص دادن رنگها به هر یک از این اعداد به وجود می آیند. مندلبرو اولین تصویر سازی فرکتالی خود را در سال 1980 در مرکز تحقیقاتی توماس جی واتسون IBM تکمیل کرد. مطالعات وی کاملا با جهان در حال تولد رایانه ها انطباق داشت اما در عین حال به انسانها در درک بیشتر پدیده های طبیعی کمک بسیاری کرده است.

مندلبرو نشان داده است فرمولهای بسیار ساده می توانند در خود نتایج پیچیده و شگفت انگیزی داشته باشند. فرکتالها در مدل سازی هر پدیده ای، از گل کلم گرفته تا مغز انسان یا الگوی توزیع کهکشانها کاربرد دارند. در ادامه تعدادی از تصویر سازی های فرکتالی وی را مشاهده می کنید:




مجموعه اصلی مندلبرو که تناظر میان مجموعه مندلبرو و نقشه استدلالی، نقشه ای که توضیح می دهد یک معادله فعال و غیر خطی می تواند چه نتیجه پیچیده و نا منظمی داشته باشد، را نشان می دهد



فرکتالهای طبیعی موجود در کلم بروکلی



فرکتال هنری که با الهام از مجموعه مندلبرو خلق شده است





بزرگنمایی بر روی فرکتالها پیچیدگی های نامحدود و مکرری را نمایان می کند
این تصویر به "دم اسب دریایی" شهرت دارد


 

http://goldstudents.mihanblog.com/post/98

اساس نتایج یك پژوهش، اسکن های مغزی می تواند فرد را به سوی بهترین شغل راهنمایی کند.

«ریچارد هایر» از دانشکده پزشکی دانشگاه کالیفرنیا در اروین به لایوساینس گفت که در حال حاضر یافته ها "این امکان را بیان می كند که اسکن های مغزی در آینده ممکن است برای ایجاد نمودار خصوصیات پروفایلی از ماده خاکستری در مناطق گوناگون مغز یک فرد استفاده شود، و این نمودار خصوصیات می تواند همانند نتایج آزمون های موجود کنونی جهت کمک به افراد در تصمیم گیری آن ها برای انتخاب نوع شغلی که آن ها ممکن است در آن کارآمد باشند، به کار گرفته شود."

هایر و همکارانش داده های ۴۰ نفر بین سنین ۱۸ تا ۳۵ سال را در مورد آزمون های استعدادیابی بنیاد پژوهشی جانسون اوکانر برای راهنمایی حرفه یابی تحلیل کردند.

آن ها همچنین اسکن های ساختاری از مغز این افراد را در اختیار داشتند که حجم ماده خاکستری را در میلیون ها واحد سه بعدی که «وکسل» نامیده می شود، در این تصاویر مغزی نشان می داد.

این آزمون ها برای دو نوع حافظه(گفتاری و شمارشی)، دو گونه از قابلیت های شمارشی، سرعت استدلال، و دو گونه استعداد فضایی را شامل می شد.

نتیجه آزمون ها نشان داد که اگر کسی فقط به آزمون گونه های حافظه نگاه می کرد، بخشی از تصویر کلی را از دست می داد.

برای نمونه، اگر کسی در حافظه گفتاری خوب بود و در شمارشی چندان خوب نبود، الگوهای ماده خاکستری او با کسی که در مجموع حافظه نتایج خوبی به دست آورد، اما نتیجه پایینی در گونه گفتاری داشت، فرق می کرد.

در واقع نقاط قوت و ضعف شناختی هر فرد با تفاوت هایی در حجم ماده خاکستری در قسمت هایی از مغز ارتباط دارد.




هوش مصنوعی ، کامپیوتر را به ماشینی تبدیل می کند تا اعمالی چون انسان انجام دهد.هوش مصنوعی ، دانش ساختن ماشین‌‌ ها یا برنامه‌های هوشمند است وشاخه‌ایست از علم کامپیوتر که ملزومات محاسباتی اعمالی همچون ادراک ، استدلال و یادگیری را بررسی کرده و سیستمی جهت انجام چنین اعمالی ارائه می‌دهد. هوش مصنوعی ، مطالعه روش‌هایی است برای تبدیل کامپیوتر به ماشینی که بتواند اعمال انجام شده توسط انسان را انجام دهد. حوزه هوش مصنوعی ( Artificial Intelligence ) سعی دارد تا موجودیت های هوشمند را درک کند. از اینرو یکی از علل مطالعه آن ، یادگیری بیشتر در مورد خودمان است. اما بر خلاف فلسفه و روانشناسی که آنها نیز به هوشمندی مرتبط هستند، هوش مصنوعی ( AI ) سعی دارد به همان خوبی که آنها را می فهمد ، قادر به ساخت آنها نیز گردد. دلیل دیگر برای مطالعه AI ، جالب و مفید بودن این موجودیت های هوشمند می باشد. AI محصولات مهم و موثر زیادی حتی در مراحل اولیه توسعه اش ، تولید کرده است. اگرچه هیچ کس نمی تواند آینده را به طور مشخص پیش بینی کند ، اما آشکار است که کامپیوترهایی با سطح هوشمندی در ردیف انسان ( و حتی بهتر از آن ) تأثیر بسزایی بروی زندگی روزمره ما و هم چنین بروی تمدن آینده خواهد گذاشت. AI یکی از جدید ترین علومی است که پس از جنگ جهانی دوم مطرح شد و نام آن در سال ۱۹۵۶ انتخاب گردید. در کنار بیولوژی سلولی ، دانشمندان سایر رشته ها ، AI را به عنوان ” حوزه ای که می خواهیم در آن باشیم “، بیان کرده اند. بدیهی است که دانشجوی رشته فیزیک احساس می کند که تمام موضوعات خوب ، توسط گالیله ، نیوتون ، انیشتین و غیره کشف شده اند. از طرف دیگر ، AI زمینه گسترده ای برای افرادی مثل انیشتین است. در حال حاضر AI زیر شاخه های وسیعی از موضوعات عمومی مانند ادراک و استدلال منطقی تا کارهای خاص مانند بازی شطرنج ، اثبات قضایای ریاضی ، سرودن شعر و تشخیص امراض را شامل می شود. غالبا دانشمندان دیگر زمینه ها بتدریج به سوی هوش مصنوعی متمایل می گردند. جایی که ابزارها واژه هایی را می یابند تا از طریق آنها بتوانند وظایف هوشمندانه خود را خودکار سازند، مشابها محققین AI هم می توانند از روش های خود برای هر زمینه ای از کوشش هوشمندانه انسان استفاده کنند. از این منظر این دانش حقیقتا یک زمینه واحد خواهد بود.
 هوش مصنوعی چیست؟ 
هوش مصنوعی تکنیکی برای خلق کردن ماشین هایی است که قادر به فکر کردن بدون نیاز به انسان ها می باشند.هوش مصنوعی بطور خلاصه ترکیبی از علوم کامپیوتر ، فیزیولوژی و فلسفه است. این شاخه از علوم بسیار گسترده و متنوع است و از موضوعات و رشته های مختلف علوم و فن آوری ، مانند مکانیزم های ساده در ماشین ها شروع شده ، و به سیستم های خبره ختم می شود. هدف هوش مصنوعی بطور کلی ساخت ماشینی است که بتواند “فکر” کند. اما برای دسته بندی و تعریف ماشین های متفکر ، می بایست به تعریف “هوش” پرداخت. همچنین به تعاریفی برای “آگاهی” و “درک ” نیز نیازمندیم و در نهایت به معیاری برای سنجش هوش یک ماشین نیازمندیم. به مدد تحقیقات وسیع دانشمندان علوم مرتبط، هوش مصنوعی از بدو پیدایش تا کنون راه بسیاری پیموده است. در این راستا، تحقیقاتی که بر روی توانایی آموختن زبان ها انجام گرفت و همچنین درک عمیق از احساسات ، دانشمندان را در پیشبرد این علم ، یاری کرده است. یکی از اهداف متخصصین ، تولید ماشین هایی است که دارای احساسات بوده و حداقل نسبت به وجود خود و احساسات خود واقف 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 مثال 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 می دهد، و با هر حرکت موفقیت آمیز یا اشتباه ، دامنه تجربیات خود را وسعت بخشیده و سر انجام راه رفته و یا حتی می دود و یا به روشی برای جابجا شدن ، دست می یابد ، که سازندگانش ، برای او ، متصور نبوده اند. دانشمندان ، عموما برای تولید چنین ماشین هایی ، از تنها مدلی که در طبیعت وجود دارد ، یعنی توانایی یادگیری در موجودات زنده بخصوص انسان ، بهره می برند. آنها بدنبال ساخت ماشینی مقلد هستند ، که بتواند با شبیه سازی رفتارهای میلیون ها سلول مغز انسان ، همچون یک موجود متفکر به اندیشیدن بپردازد.
مباحث هوش مصنوعی قبل از بوجود آمدن علوم الکترونیک، توسط فلاسفه و ریاضی دانانی نظیر بول که اقدام به ارائه قوانین و تئوری هایی در باب منطق نمودند، مطرح شده بود. در سال ۱۹۴۳، با اختراع کامپیوترهای الکترونیکی ، هوش مصنوعی ، دانشمندان را به چالشی بزرگ فراخواند. بنظر می رسید تکنولوژی 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 می نگریستند تنها پس از چهار دهه ، شاهد تولد ماشین های شطرنج باز و دیگر سیستم های هوشمند در صنایع گوناگون هستیم. هوش مصنوعی که همواره هدف نهایی علوم کامپیوتر بوده است اکنون در خدمت توسعه علوم کامپیوتر نیز می باشد. زبان های برنامه نویسی پیشرفته ، که توسعه ابزارهای هوشمند را ممکن می سازند، پایگاه های داده ای پیشرفته ، موتورهای جستجو ، و بسیاری نرم افزار ها و ماشین ها از نتایج تحقیقات هوش مصنوعی بهره می برند.
رؤیای طراحان اولیه کامپیوتر از بابیج تا تورینگ ، ساختن ماشینی بود که قادر به حل تمامی مسائل باشد، البته ماشینی که در نهایت ساخته شد ( کامپیوتر ) به جز دسته ای خاص از مسائل قادر به حل تمامی مسائل بود. اما نکته در اینجاست که این «تمامی مسائل» چیست؟ طبیعتاً چون طراحان اولیه کامپیوتر ، منطق‌دانان و ریاضیدانان بودند ، منظورشان تمامی مسائل منطقی یا محاسباتی بود. بدین ترتیب عجیب نیست ، هنگامی که فون‌نیومان سازنده اولین کامپیوتر ، در حال طراحی این ماشین بود، کماکان اعتقاد داشت برای داشتن هوشمندی شبیه به انسان ، کلید اصلی، منطق ( از نوع به کار رفته در کامپیوتر ) نیست، بلکه احتمالاً چیزی خواهد بود شبیه ترمودینامیک!
به هرحال، کامپیوتر تا به حال به چنان درجه‌ای از پیشرفت رسیده و چنان سرمایه‌گذاری عظیمی برروی این ماشین انجام شده است که به فرض این که بهترین انتخاب نباشد هم ، حداقل سهل‌الوصول‌ترین و ارزان‌ترین و عمومی‌ترین انتخاب برای پیاده‌سازی هوشمندی ست.
بنابراین ظاهراً به نظر می‌رسد به جای سرمایه‌گذاری برای ساخت ماشین‌های دیگر هوشمند ، می‌توان از کامپیوترهای موجود برای پیاده‌سازی برنامه‌های هوشمند استفاده کرد و اگر چنین شود ، باید گفت که طبیعت هوشمندی ایجاد شده حداقل از لحاظ پیاده‌سازی ، کاملاً با طبیعت هوشمندی انسانی متناسب خواهد بود ، زیرا هوشمندی انسانی ، نوعی هوشمندی بیولوژیک است که با استفاده از مکانیسم‌های طبیعی ایجاد شده ، و نه استفاده از عناصر و مدارهای منطقی . در برابر تمامی استدلالات فوق می توان این نکته را مورد تاُمل و پرسش قرار داد که هوشمندی طبیعی تا بدان جایی که ما سراغ داریم ، تنها برمحمل طبیعی و با استفاده از روش های طبیعت ایجاد شده است.
AI های متخصص
یک ماشین تنها در صورتی به عنوان یک AI شناخته می شود که از یکسری قابلیت های خاص برخودار باشد. یکی از این قابلیت ها داشتن شناخت از وجود خود است. این بدان معناست که ماشین از وجود خود آگاه باشد. هر انسان به طور طبیعی از حضور و وجود خود آگاه است اما هنوز مدرکی دال بر sentient بودن حیوانات در دست نیست.
این نمونه از نرم افزارها برای انجام یکسری کارهای تخصصی طراحی شده اند و به طبع از قابلیت های بالایی نیز برخودار می باشند. اینگونه برنامه ها معمولاً به یک بانک اطلاعاتی بسیار وسیع مجهز می باشند که آنها را قادر به پاسخگویی به سوالات کاربران می سازد. در حقیقت این برنامه ها برای رشته هایی مانند پزشکی ، مهندسی و … طراحی شده اند و وظیفه آنها ذخیره سازی اطلاعات مفیدی است که به خاطر سپردن آنها توسط انسان بسار دشوار می باشد، اگرچه اینگونه برنامه ها از یک اشکال پایه ای رنج می برند.
زمانی که سوال مطرح شده توسط کاربر در محدوده اطاعات ذخیره شده در آنهاست هیچ مشکلی پیش نخواهد امد اما ضعف آنها هنگامی پدیدار می شود که سوال مطرح شده کمی خارج از حوزه اطلاعاتی آنها قرار گیرد که در این صورت اینگونه برنامه ها به کلی از پاسخ گویی به سوال درمانده خواهند بود. این ناتوانی از آنجا ناشی می شود که این دسته از برنامه ها توانایی عمومیت دادن (Generalization ) را ندارند.
منظور از عمومیت دادن چیست؟
منظور از عمومیت دادن توانایی خلق کردن اطلاعات جدید بر اساس اطلاعات قدیمی است. تمامی انسان ها از این توانایی برخوردار هستند اگرچه ماشین ها به طور کامل و همانند انسان چنین توانایی را ندارند.
برای درک بهتر موضوع به این مثال ساده توجه کنید:
جان در یک کمپانی کار می کند. در محل کار او کابل هایی وجود دارد که توسط یکسری اشکال خواص علامت گذاری شده اند و نشانگراین موضوع هستند که این کابل ها حامل برق می باشند. جان در محل دیگری یکسری کابل با علائم مشابه را مشاهده می کند و نتیجه میگیرد که این کابل ها نیز حاوی جریان برق هستند.ماشین تورینگ 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 توسط یک پایانه ( تله تایپ ) به گونه ای بفریبد که آن فرد متقاعد گردد با یک انسان روبروست.”
در این آزمایش شخصی از طریق ۲ عدد پایانه ( کامپیوتر یا تله تایپ ) که امکان برقراری ارتباط را برای وی فراهم می کنند با یک انسان و یک ماشین هوشمند ، بطور همزمان به پرسش و پاسخ می پردازد. در صورتی که وی نتواند ماشین را از انسان تشخیص دهد، آن ماشین، هوشمند است. آزمایش تورینگ از قرار دادن انسان و ماشین بطور مستقیم در برابر یکدیگر اجتناب می کند و بدین ترتیب، چهره و فیزیک انسانی مد نظر آزمایش کنندگان نمی باشد. ماشینی که بتواند از پس آزمون تورینگ برآید، از تفکری انسانی برخوردار است.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 می برد. 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 می آید. از این سیستم ممکن است اعمال انسانی سر بزند. سیستمی که عاقلانه فکر کند، سیستمی عاقل است که بتواند کارها را درست انجام دهد. در تولید این سیستمها نحوه اندیشیدن انسان مد نظر نیست. این سیستم ها متکی به قوانین و منطقی هستند که پایه تفکر آنها را تشکیل داده و آنها را قادر به استنتاج و تصمیم گیری می نماید. آنها با وجودی که مانند انسان نمی اندیشند، تصمیماتی عاقلانه گرفته و اشتباه نمی کنند. این ماشین ها لزوما درکی از احساسات ندارند. هم اکنون از این سیستمها در تولید عامل ها ² در نرم افزارهای کامپیوتری، بهره گیری می شود.
عامل
عامل تنها مشاهده کرده و سپس عمل می کند. عامل قادر به شناسایی الگوها ، و تصمیم گیری بر اساس قوانین فکر کردن خود است. قوانین و چگونگی فکر کردن هر عامل در راستای دستیابی به هدفش ، تعریف می شود. این سیستم ها بر اساس قوانین خاص خود فکر کرده و کار خود را به درستی انجام می دهند. پس عاقلانه رفتار می کنند ، هر چند الزاما مانند انسان فکر نمی کنند.
عامل انسانی اندام هایی مانند گوش ها، چشم ها و دیگر ارگان ها برای حس کردن و دست ها، پاها، بینی و دیگر اندام ها برای اثر گذاری دارد.عامل روباتیک دوربین ها یابنده های مادون قرمز را بجای حس گرها و انواع موتورها را بجای اثر کننده ها جایگزین کرده است. عامل نرم افزاری رشته های بیتی را به عنوان درک محیط و عمل، کدگذاری می کند.
معیارهای موفقیت
یکی ازمهمترین سوالاتی که در رابطه با هر پروژه تحقیقاتی مهندسی یا علمی محتاج پاسخ است این است که « چگونه بدانیم که موفق شده ام یا شکست خورده ایم؟» برای ما هم این سوال مطرح است که چگونه بدانیم یک ماشین باهوش ساخته ایم؟ ولی اصلا” « هوش» یعنی چه؟
آیا راهی برای سنجیدن میزان پیشرفت ما در این کار وجود دارد؟همانطور که در بالا گفته شد تست تورینگ روشی است برای سنجیدن و پاسخگویی به این سوال که آیا ماشینی قادر به فکر کردن است. نکته مهمتر مقدار دانش یا دانسته هایی استکه یک ماشین باید دارا باشد تا در آزمایش تورینگ موفق شود.مدتها وقت لازم است تا کامپیوتری بتواند از آزمایش تورینگ موفق بیرون بیاید. برخی معتقدند که هیچ کامپیوتری موفق نخواهد شد. اما فرض کنید ما تقلید ساده تر انسان را هم قبول داریم، آیا حالا می توانیم موفقیت هوش مصنوعی را در قلمروهای محدودتر بسنجیم؟ معمولا” پاسخ به این سوال مثبت است.گاهی اوقات هم می توان میزان موفقیت برنامه را به دقت سنجید. برای مثال برنامه ای که بازی شطرنج انجام می دهد را می توان همانند انسان های شطرنج باز درجه بندی کرد. این درجه بندی بر اساس بازیکنانی است که برنامه شکست می دهند. همین حالا هم برنامه های شطرنج باز درجه بندی بالاتری نسبت به اکثر مردم شطرنج باز بدست آورده اند. برای اکثر قلمروها درجه بندی میزان موفقیت یک برنامه کمتر دقیق است.
در حال حاضر بهترین کاری که می توان کرد اینست که در هنگام طراحی یک برنامه هوش مصنوعی سعی کنیم معیار های موفقیت برنامه را هم مشخص سازیم.
بررسی علوم دخیل در هوش مصنوعی تا بدان جایی که هوش مصنوعی تنها به بررسی روش های حل مسائل ریاضی و مجرد توسط کامپیوتر مى‌پرداخت ، مى‌توانستیم قطعاً آن را یکی از زیر شاخه های علوم کامپیوتر بدانیم ؛ اما امروزه با اضافه شدن ملاحظات جدیدی که در فوق اشاره ای بدان رفت، دیگر نمى‌توان با این قطعیت قضاوت کرد. علومی از قبیل : معرفت شناسی که در فلسفه ذهن مطرح است ، عصب شناسی شناختی ، و نیز روانشناسی شناختی به همراه هوش مصنوعی مجموعه ای تحت عنوان علوم شناختی را تشکیل مى‌دهند. از دیگر سو ، رباتیک به عنوان همبسته تکنولوژیک هوش مصنوعی ، خود دانشی است که داده های علوم مکانیک و کامپیوتر و کنترل را یک جا مى‌طلبد.
بررسی هوشمندی
چه چیزی در انسان یا هر موجود دیگری آنقدر ویژه و خاص است که او را با صفت هوشمند از سایر موجودات متمایز مى‌کند؟ آیا چنین صفتی تنها خاص انسان است، یا مى‌توان درجات مختلف آن را به موجودات دیگر نیز نسبت داد. قدر مسلم این که از ساده‌ترین رفتار مورچه ها و زنبورها تا رفتارهای پیچیده میمون ها در تعیین سلسله مراتب پیچیده اجتماعی یا روش های تشخیص الگوهای چند بعدی توسط کبوتران ، همگی حاوی درجاتی از هوشمندی هستند ( و در بعضی موارد نه چندان کمتر از انسان ). بنابر این پاسخ به این سئوال که هوشمندی چیست یا حتی چگونه ایجاد شده است ما را در ساخت یک موجود هوشمند با توانایی تطبیق و عمل در محیط واقعی یاری مى‌دهد.
آشنایی با روش های هوشمند و کاربرد آنها در تکنولوژی
آنچه که باعث شده تا هوش مصنوعی امروزه به عنوان یک رشته مهندسی مطرح باشد این است که طیف وسیعی از کاربردهای آن، از رباتیک گرفته تا روش های هوشمند کنترلی مقبولیت وسیعی در صنعت یافته اند. روش هایی همچون منطق فازی ، استراتژی تکاملی ، الگوریتم ژنتیک ، شبکه های عصبی مصنوعی … همگی روش هایی هستند که با الهام از طبیعت و برای دستیابی به هوشمندی طبیعی طراحی شده اند اما کاربرد عظیمی در مهندسی و صنعت یافته اند. کاربردی که تا حدود یک دهه قبل حتی گمان آن نیز نمى‌رفت. رباتیک نیز چه در غالب روش های جابجایی بازوهای مکانیکی، و چه در شکل ربات های متحرک در این بحث جایگاه ویژه ای را به خود اختصاص داده است.
بررسی هوش مصنوعی گسترده یا Intelligence Distributed Artificial
یک روش برخورد با مسائل حل آنهاست! بله تعجب نکنید ، این تنها یک روش مواجهه با مسائل است. بجز این روش ( و البته حل نکردن مسئله! ) راه دیگری نیز وجود دارد. فرض کنید مى‌خواهیم یک ربات متحرک بسازیم که در شرایط طبیعی حرکت کند ، مسیر انتخاب کند و …یک روش این است که طراح تمامی جزئیات را از ابتدا و به صورت کاملاً دقیق در نظر بگیرد. این روش منجر به ماشینی کاملاً پیچیده و عموماً غیر قابل پیاده سازی خواهد شد. ماشینی که با اندک تغییری در شرایط پیش بینی شده ناکارا خواهد بود. روش دیگر این است که مانند خود طبیعت، ربات بسیار ساده ای طراحی کنیم ( گاه به سادگی یک مورچه ) و اجازه دهیم تا این ربات ساده خود مسائل را به جای ما حل کند. یا حتی اجازه دهیم یک اجتماع از ربات ها از طریق تعامل با یکدیگر به حل مسائل بپردازند. قانون طلایی در اینجا این است که پیچیدگی یک اجتماع ، حاصلضرب پیچیدگی تک تک عناصر آن است ( تئوری پیچیدگی ) ، بنابراین یک اجتماع با عناصر بسیار ساده هم ممکن است به صورت کاملاً پیچیده و هوشمند عمل کند. بحث های هوش مصنوعی گسترده که اغلب عجین با مبحث عامل های هوشمند ( Artificial Agents ) است و نیز مباحث زندگی مصنوعی (Artificial Life ) به عنوان جدید‌ترین مباحث هوش مصنوعی اینک چه در دنیای رباتیک و چه در دنیای نرم افزارهای کامپیوتری طرفداران زیادی پیدا کرده است (شرکت های بزرگی همچون IBM و نیز نهادهای نظامی کشورهای پیشرفته سرمایه گذاری های کلانی در این زمینه کرده اند).
تکنیک ها و زبان های برنامه نویسی هوش مصنوعی
عملکرد اولیه برنامه نویسی هوش مصنوعی ایجاد ساختار کنترلی مورد لزوم برای محاسبه سمبولیک است. خصوصیات این ساختارها به مقدار زیادی موجب تشخیص خصوصیاتی می شود که یک زبان کاربردی می بایستی فراهم کند. زبان های برنامه نویسیLISP و PROLOG علاوه بر این که از مهمترین زبان های مورد استفاده در هوش مصنوعی هستند، خصوصیات معنایی و نحوی آنها نیز باعث شده که آنها شیوه ها و راه حل های قوی برای حل مسئله ارائه کنند. تأثیر قابل توجه این زبان ها بر روی توسعه AI از جمله توانائی آنها به عنوان «ابزارهای فکر کردن» می باشد که از جمله نقاط قوت آنها در زبان های برنامه نویسی می باشد. همان طور که هوش مصنوعی مراحل رشد خود را طی می کند زبان هایLISP و PROLOG بیشتر مطرح می شوند. این زبان ها کار خود را در محدوده توسعه سیستم های AI در صنعت و دانشگاه ها دنبال می کنند. اطلاعات در مورد این زبانها به عنوان بخشی از مهارت هر برنامه نویس AI می باشد. آنــــچه را کـــه نمی دانیم موجب دردسر و گرفتاری ما نخواهد شد، بلکه دردسرها از دانسته ها سرچشمه می گیرد.
PROLOG
یک زبان برنامه نویسی منطقی است. یک برنامه منطقی دارای یک سری ویژگی های قانون و منطق است. PROLOG از محاسبه اولیه استفاده می کند. در حقیقت خود این نام از برنامه نویسی PRO در LOGIC می آید. یک مفسر برنامه را بر اساس یک منطق می نویسد. ایده استفاده توصیفی محاسبه اولیه برای بیان خصوصیات حل مسئله یکی از محوریت های مشارکت PROLOG می باشد که برای علم کامپیوتر به طور کلی و به طور اخص برای زبان برنامه نویسی هوشمند مورد استفاده قرار می گیرند. مزیت این زبان به وسیله پروژه هایی که برای ارزیابی و گسترش قدرت بیان برنامه های منطقی نوشته شده اند،‌ اثبات شده است.
LISP
اصولا LISP یک زبان کامل است که دارای عملکردها و لیست های لازمه برای توصیف عملکردهای جدید ، تشخیص تناسب و ارزیابی معانی می باشد. LISP به برنامه نویس قدرت کامل برای اتصال به ساختارهای اطلاعاتی را می دهد. گرچه LISP یکی از قدیمی ترین زبان های محاسباتی است که هنوز فعال است ، ولی دقت کافی در برنامه نویسی و طراحی توسعه باعث شده که این یک زبان برنامه نویسی فعال باقی بماند. در حقیقت این مدل برنامه نویسی طوری مؤثر بوده است، که تعدادی از دیگر زبان ها بر اساس عملکرد برنامه نویسی آن واقع شده اند مثل: FP ، ML و SCHEME .
یکی ازمهم ترین برنامه های مرتبط با LISP برنامه SCHEME می باشد که یک تفکر دوباره درباره زبان در آن وجود دارد که به وسیله توسعه AI و برای آموزش اصول مفاهیم علم کامپیوتر مورد استفاده قرار میگیرند.
تاریخچه هوش مصنوعی و افق های هوش مصنوعی
اولین کاری که به طور جدی در حیطه AI شناخته می شود توسط وارن مک کلود و والتر پیتز در سال ۱۹۴۳ انجام شد. مک کلود ( روانشناس ، فیلسوف و شاعر ) و پیتز ( ریاضیدان ) طی مقاله‌ای ، دیده‌های آن روزگارا درباره محاسبات ، منطق و روانشناسی عصبی را ترکیب کردند. ایده اصلی آن مقاله چگونگی انجام اعمال منطقی به وسیله اجزای ساده شبکه عصبی بود. اجزای بسیار ساده ( نورون‌ها ) این شبکه فقط از طریق سیگنال های تحریک و توقیف با هم درتماس بودند. این همان چیزی بود که بعدها دانشمندان کامپیوتر آن را مدارهای ( And ) و ( OR ) نامیدند و طراحی اولین کامپیوتر در ۱۹۴۷ توسط فون نیومان عمیقاً از آن الهام می‌گرفت. امروز پس از گذشته نیم‌قرن از کار آنها شاید بتوان گفت که این کار الهام بخش گرایشی کاملاً پویا و نوین در هوش مصنوعی است. پیوندگرایی هوشمندی را تنها حاصل کار موازی و هم‌زمان و در عین حال تعامل تعداد بسیار زیادی اجزای کاملاً ساده به هم مرتبط می‌داند. شبکه‌های عصبی که از مدل شبکه عصبی ذهن انسان الهام گرفته‌اند امروزه دارای کاربردهای کاملاً علمی و گسترده تکنولوژیک شده‌اند و کاربرد آن در زمینه‌های متنوعی مانند سیستم‌های کنترلی ، رباتیک ، تشخیص متون، پردازش تصویر مورد بررسی قرار گرفته است. علاوه بر این کار بر روی توسعه سیستم‌های هوشمند با الهام از طبیعت اکنون از زمینه‌های کاملاً پرطرفدار در هوش مصنوعی است.
الگوریتم ژنیتک که با استفاده از ایده تکامل داروینی و انتخاب طبیعی پیشنهاد شده روش بسیار خوبی برای یافتن پاسخ به مسائل بهینه سازیست. به همین ترتیب روش‌های دیگری نیز مانند استراتژی‌های تکاملی در این زمینه پیشنهاد شده اند.
دراین زمینه هر گوشه‌ای از سازو کار طبیعت که پاسخ بهینه‌ای را برای مسائل یافته است مورد پژوهش قرار می‌گیرد. زمینه‌هایی چون سیستم امنیتی بدن انسان که در آن بیشمار الگوی ویروس‌های مهاجم به صورتی هوشمندانه ذخیره می‌شوند و یا روش پیدا کردن کوتاه‌ترین راه به منابع غذا توسط مورچگان همگی بیانگر گوشه‌هایی ازهوشمندی بیولوژیک هستند.
گرایش دیگر هوش مصنوعی بیشتر بر مدل سازی اعمال شناختی تاُکید دارد ( مدل سازی نمادین یا سمبولیک ) این گرایش چندان خود را به قابلیت تعمق بیولوژیک سیستم‌های ارائه شده مقید نمی‌کند. بعنوان مثال روند استدلال توسط یک پزشک هنگام تشخیص یک بیماری کاملاً شبیه به CBR است به این ترتیب که پزشک در ذهن خود تعداد بسیار زیادی از شواهد بیماری‌های شناخته شده را دارد و تنها باید مشاهدات خود را با نمونه‌های موجود در ذهن خویش تطبیق داده ، شبیه‌ترین نمونه را به عنوان بیماری بیابد. به این ترتیب مشخصات ، نیازمندی‌ها و توانایی‌های CBR به عنوان یک چارچوب کلی پژوهش در هوش مصنوعی مورد توجه قرارگرفته است. البته هنگامی که از گرایش‌های آینده سخن می‌گوییم ، هرگز نباید از گرایش‌های ترکیبی غفلت کنیم. گرایش‌هایی که خود را به حرکت در چارچوب شناختی یا بیولوژیک یا منطقی محدود نکرده و به ترکیبی از آنها می‌اندیشند. شاید بتوان پیش‌بینی کرد که چنین گرایش‌هایی فرا ساختارهای روانی را براساس عناصر ساده بیولوژیک بنا خواهند کرد.
نتیجه گیری
نتایجی که می توانیم از این مقاله بر مسئله مهم هوش مصنوعی بگیریم اینست که مسائل متنوع ، جالب و سخت می باشند. اگر آنها را حل کنیم حداقل دو هدف اساسی را ممکن است بدست آورده باشیم. یکی اینکه باید سعی کنیم معیارهایی را مشخص سازیم تا بتوانیم بفهمیم که آیا موفق به حل مسئله شده ایم یا خیر و دیگری اینکه خود مسئله را حل نماییم. یک سیستم هوش مصنوعی باید مقدار بسیار زیادی دانش داشته باشد تا بتواند مسائل مهم را حل کند. اما به مرور که مقدار دانش افزایش می یابد سخت تر می توان به اطلاعات مورد نظر دست یافت. بنابراین به دانش بیشتری نیاز است تا در این رابطه کمک کند و خود باعث سخت تر شدن دستیابی ها می گردد… هدف ما در هوش مصنوعی ، نوشتن برنامه هایی است که مسائل مورد توجه ما را حل می کنند.
خلاصه
• هوش مصنوعی بطور خلاصه ترکیبی است از علوم رایانه ، فیزیولوژی و فلسفه. این شاخه از علوم بسیار گسترده و متنوع است و از موضوعات و رشته‌های مختلف علوم و فناوری ، مانند سازکارهای ساده در ماشین ها شروع شده ، و به سیستم های خبره ختم می‌شود. هدف هوش مصنوعی بطور کلی ساخت ماشینی است که بتواند “فکر” کند.
• هوش به طور قطعی به عمل منطقی مربوط می شود. عامل هوشمند بهترین عمل ممکن را در هر شرایطی در نظر می گیرد. ما مسئله ساختن عامل هایی که در این معنا هوشمند هستند را مطالعه می کنیم.
• LISP و PROLOG هر دو دارای زبان های برنامه نویسی غنی و کاملی هستند. وقتی که این زبان ها را فرا می گیریم، دانشجو در ذهن و فکر خود درباره روش هایی که آنها به وسیله ویژگی های خاص هر زبان پشتیبانی می کنند ، نیازهایی را نگهداری می کند
• تاریخچه AI دوره هایی ار موفقیت ودلسردی را از سر گذرانیده است. همچنین دوره هایی از معرفی رهیافت های جدید خلاق و تصحیح سیستماتیک وجود داشته است.



عنوان (انگلیسی): Appropriate Combination of Artificial Intelligence and Algorithms for Increasing Predictive Accuracy Management
نشریه: نشریه مدیریت فناوری اطلاعات
شماره: نشریه مدیریت فناوری اطلاعات (دوره: ۲، شماره: )
نویسنده: شهرام گیلانی نیا
کلیدواژه‌ها : اثربخشی ، هوش مصنوعی ، پیش‌بینی‌های مدیریتی ، الگوریتم ابتكاری ، مدل تركیبی
کلیدواژه‌ها (انگلیسی): Artificial Intelligence , Prediction Management , Hybrid Model , The Heuristic algorithm , The effectiveness
چکیده:

این مقاله یك سامانه‌ی خبره‌ی ساده و اثربخش را برای پیش‌بینی داده‌های نوسانی تصادفی وكوتاه‌مدت ایجاد نموده است. فرآیند بررسی شامل معرفی سری فوریه، زنجیره‌ی ماركوف و مقایسه‌ی مدل پیش‌بینی (گِری) با مدل پیش‌بینی تركیبی گری- فوریه- ماركوف كه در هم آمیخته شده‌اندادامه یافته، تا منجربه خلق یك سامانه‌ی خبره‌ی پیش‌بینی با كمك هوش مصنوعی شود. این مدل موجب می‌شود اثربخشی پیش‌بینی داده‌های تصادفی نوسانی در اكثر برنامه‌های مدیریتی افزایش یابد. حاصل این مطالعه، معرفی الگوریتم تشخیص هوش مصنوعی است كه كمك می‌كند تا محیطی رایانه‌ای برای یك سامانه‌ی پیش‌بینی خبره ایجاد شود كه داده‌های كوتاه مدت و اتفاقی ناپایدار را به‌درستی و بادقت پیش‌بینی كند. جهت آزمون اثربخشی الگوریتم ارایه شده از داده‌های مطالعه‌های (چن تسای لین،2008 ) و داده‌های مربوط به پیش‌بینی تقاضای گردشگری در ایران استفاده شده است.نتایج، نشان می‌دهد خروجی مدل برای دوكشور از دقت بالایی برخوردار است.

چکیده (انگلیسی):

In this paper a simple and effective expert system to predict random data fluctuation in short-term period is established. Evaluation process includes introducing Fourier series, Markov chain model prediction and comparison (Gray) combined with the model prediction Gray- Fourier- Markov that the mixed results, to create an expert system predicted with artificial intelligence, made this model to predict the effectiveness of random fluctuation in most data management programs to increase. The outcome of this study introduced artificial intelligence algorithms that help detect that the computer environment to create a system that experts predict the short-term and unstable situation happens correctly and accurately predict. To test the effectiveness of the algorithm presented studies (Chen Tzay len,2008), and predicted data of tourism demand for Iran model is used. Results for the two countries show output model has high accuracy. 




گر ما AI را بدین صورت تعبیر کنیم که علمی است که به چگونگی دریافت، پردازش، نگهداری و استفاده اطلاعات در هوش انسان و حیوان و ماشین باشد، بطور حتم با زمینه های پژوهشی قدیمیتری مانند روانشناسی، اعصاب و روان، فلسفه و منطق نیز در ارتباط هستیم.

 

قصدم در اینجا نوشتن مصالبی در ارتباط با کاربرد تکنولوژی جدید هوش مصنوعی ( Artificial Intelligence) در مدیریت است اما بهتر دیدم در ابتدا توضیح ساده ای در باره هوش مصنوعی در اینجا بیاورم.

به زبان بسیار ساده هوش مصنوعی تلاش برای تولید ماشینی است که همانند انسان عمل کند. اما این تعریف حقایق و جزییات را در خود جای نمی دهد. بنابراین بهتر است AI را توضیح بدهم.

AIیک رشته جدیدی است که در اواسط قرن 20 بوجود آمده است. اکثرا در روزنامه ها، تلویزیون، فیلمها و بازی های کامپوتری به این مقوله پرداخته شده اما درست درک نشده است. حتی بعضی ساده لوحان این طرح را غیر عملی میدانند و بعضی از دولتها هرگونه فعالیت در این زمینه را ممنوع کرده اند. اما این علم در صنعت و دانشگاهها در حال پیشرفت است اگرچه همیشه بعنوان هوش مصنوعی شناخته نمی شود، زیرا تکنیکها و ایده های مهمی از مهندسی نرم افزار را در خود دارد. بعضی دیگر از ساده لوحان نیز فکر می کنند که این علم در حال رشد سریعی است و در چند سال آینده رباتها انسانها را به زنجیر میکشند و دنیا را در اختیار خود میگیرند.

متاسفانه هیچ توضیح و یا اشاره ای ازAI در مدارس و حتی دانشگاها داده نمیشود و تعداد معدودی از دانشگاها هستند که رشته و یا درس AI را در برنامه درسی خود قرار داده اند.

AI یک علم بسیار عمیق و پیچیده در قرن اخیر است که در حالت کلی به مطالعه بر روی اطلاعات، چگونگی جمع آوری و نگهداری از آنها، بکارگیری اطلاعات و جابجایی و انتقال آنها به ماشین و یا انسان و حیوان میپردازد.

در فیزیک و شیمی بر اساس قانون اصل بقای انرژی، انرژی از بین نمیرود و فقط از صورتی بصورت دیگری در می آید. بسیاری از علوم مانند بیولوژی، داروسازی، زمین شناسی و دانشهای مهندسی براساس این اصل تکامل یافته است و تمامی این رشته ها بر اساس درک صحیحی از مکانیزم طبیعی و یا مصنوعی تبدیل نیرو، جرم و انرژی استوار است. در مورد اطلاعات نیز این اصل استوار است که اطلاعات انتقال می یابد و از صورتی بصورت دیگر در می آید.

به همین دلیل میتوان این علم را علم اطلاعات و یا علم هوش نامگداری کرد. علمی که بر اساس اصل تبدیل اطلاعات به فرم مکانیکی و شیمیایی و بالعکس استوار است.

نه تنها سیستمهای مصنوعی بلکه انسانها نیز اطلاعات را دریافت میکنند، بکار میگیرند و انتقال می دهند. انسانها حتی با اینها کنترل میشوند. برای مثال با جایزه خوشحال، با خبر بد غمگین، از صدای بلند در تاریکی هراسناک میشوند یعنی با دریافت یکسری اطلاعات از خود احساس نشان میدهند. این مورد نیز در در حال بررسی و مطالعه است. بنابراین AI برخلاف ظاهر اسمش، درباره سیستمهای طبیعی و مصنوعی تجزیه و تحلیل اطلاعات و نه فقط چگونگی دریافت اطلاعات بلکه چه میکنند و چگ.نه احساس میکنند، میباشد.

● AIزمینه های پژوهشی دیگری را نیز شامل میشود

اگر ما AI را بدین صورت تعبیر کنیم که علمی است که به چگونگی دریافت، پردازش، نگهداری و استفاده اطلاعات در هوش انسان و حیوان و ماشین باشد، بطور حتم با زمینه های پژوهشی قدیمیتری مانند روانشناسی، اعصاب و روان، فلسفه و منطق نیز در ارتباط هستیم.

پیشرفت کامپیوترها راههای جدیدی برای حل مشکلات AIدر برابر ما گشوده است. در گذشته روانشناسان و دانشمندان مغز و اعصاب نمیتوانستند سیستمهای پردازش اطلاعات حیوانات و آدمی را آزمایش کنند و فلاسفه فقط میتوانستند تیوریهایی در زمینه چگونگی کارکرد مغز و زبان بدهند. حال آنکه امروزه میتوان فراتر از آنها رفت و سیستمهایی طراحی نمود که تیوریها را مورد آزمایش قرار دهد و صحت و سقم آنها را یافت.

● تجربه های بدست آمده

طراحی ماشین با توانایی های خاص خیلی سخت تر از فرضیات اولیه دانشمندان است. خیلی کارها که در ابتدا ساده بنظر می رسند، موارد دقیق و عمیقی در خود دارند. برای مثال "دیدن" فقط تشخیص اشیا نیست، بیکه شامل ایجاد احساس و درک محیط و درک امن و یا نا امن بودن آن میباشد.

همچنین توانایی فهم زبانی مانند انگلیسی، فرانسه و یا فارسی خیلی پیچیده تر از آن است که محققان فکر کردند. استفاده از زبانهای برنامه نویسی مثل C و C++ و Java نیز خیلی دست و پا گیر است.

ما امروزه میدانیم که حتی افراد کودن هم به مراتب از ماشینهایی که امروزه طراحی شده اند پیشرفته تر و آگاه تر هستند. به هیچ رباتی نمیشود اطمینان داشت که برود و ظروف را از روی میز جمع کند، بشورد و در جاظرفی بچیند و همه این کارها را بدرستی انجام دهد. درحالی که همان افراد کودن هم این کارها را براحتی انجام میدهند.

امروزه این به اثبات رسیده که ماشینها قادر به انجام کارهایی هستند که در ابتدا برای محققان انجام آن توسط ماشینها سخت مینمود مانند حساب کردن و شطرنج بازی کردن.

ما امروزه فهمیده ایم که خیلی از کارهای پیچیده انسان و حیوان مانند بالا رفتن از درخت و ساختن آشیانه، هوش بسیار بالا و دانش پیچیده ای نیاز دارد که تیوریهای ما هنوز آنها را پوشش نمی دهند. همچنین درک غرایز حیوانی نیز حتی در میان فلاسفه بسیار مشکل است.

بسیاری از محققین سعی میکنند که موارد فوق را بدرستی درک کنند و برای آنها مکانیسمهایی طراحی کنند. طراحی شبکه های عصبی و مترجمهای چند زبانه راهایی هستند که محققین برای رسیدن به این اهداف بزرگ پی گرفته اند. همچنین محققین در تلاشند روشهایی برای ساختن سیستمهای با مکانیزمی که بتواند انگیزه و احساس را دریافت و درک کند، میباشند.

بنابراین AI علاوه بر مطالعه بر روی درک و دریافت، تعلیم؛ یادگیری، احساسات، ارتباطات و غیره، زمینه های دیگر بخصوص فلسفه، منطق، روانشناسی و همچنین مهندسی نرم افزار و علم کامپیوتر را نیز مورد مطالعه قرار میدهد.

مدیریت تکنولوژی




هوش مصنوعی چیست ؟

هوش مصنوعی تعاریف گوناگونی دارد که به قرار زیر است :

▪ هوش مصنوعی ، مطالعه روش هایی است برای تبدیل کامپیوتر به ماشینی که بتواند اعمال انجام شده توسط انسان را انجام دهد .

▪ هوش مصنوعی شاخه ایست از علم کامپیوتر که ملزومات محاسباتی اعمالی همچون ادراک (Perception) ، استدلال (Reasoning) و یادگیری (learning) را بررسی کرده و سیستمی جهت انجام چنین اعمالی ارایه می دهد .

▪ هوش مصنوعی ، بطور خلاصه ترکیبی است از علوم رایانه ، فیزیولوژی و فلسفه است .

▪ علم و مهندسی ساخت ماشین های هوشمند خصوصاً برنامه های کامپیوتری هوشمند. (جان مک کارتی )

▪ هوش مصنوعی عموماً بعنوان زیرشاخه ای از کامپیوتر محسوب شده و ارتباط تنگاتنگی با عصب شناسی علوم شناختی روانشناسی شناختی منطق ریاضی و مهندسی است . (پژوهشکده IBM)

▪ مغز مصنوعی مغز رباتی است که یاد می گیرد و رفتاری شبیه مغز انسان از خود نشان می دهد . با این تفاوت که بصورت الکترونیکی ساخته شده و نه بیولوژیکی .

هوش مصنوعی شاخه ای از علوم و مهندسی کامپیوتر است که روی ایجاد رفتار شبیه انسان متمرکز شده است . هوش مصنوعی شامل موارد ذیل می باشد :

1) نظریه بازیها :

برنامه نویسی کامپیوترها برای بازی کردن در بازیهایی چون ورق بازی شطرنج و ...

2) سیستم های خبره :

برنامه نویسی کامپیوترها برای تصمیم گیری در موارد زندگی واقعی (مثل سیستم های خبره ای که به پزشکان در تصمیم گیری کمک می کنند) .

3) زبان طبیعی :

برنامه نویسی کامپیوترها برای فهم و درک زبان طبیعی و استفاده از آن .

4) شبکه های عصبی :

سیستم هایی که سعی در ایجاد رفتار شبیه انسان با تقلید از ساختار مغز حیوانات دارد .

5) رباتیک :

برنامه نویسی برای عکس العمل نسبت به اطلاعات سنسوری بطورمناسب .

مقالات ارسالی به آفتاب

 

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 :