هوش مصنوعی

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 ، منطق ‌دانان و ریاضیدانان بودند ، منظورشان تمامی مسائل منطقی یا محاسباتی بود . بدین ترتیب عجیب نیست ، هنگامی که فون ‌نیومان 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 سهل ‌الوصول ‌ترین و ارزان‌ترین و عمومی ‌ترین انتخاب برای پیاده‌سازی هوشمندیست.
بنابراین ظاهراً به نظر می ‌رسد به جای سرمایه ‌گذاری برای ساخت ماشین‌های دیگر هوشمند ، می ‌توان از کامپیوتر های موجود برای پیاده ‌سازی برنامه‌های هوشمند استفاده کرد و اگر چنین شود ، باید گفت که طبیعت هوشمندی ایجاد شده حداقل از لحاظ پیاده ‌سازی ، کاملاً با طبیعت هوشمندی انسانی متناسب خواهد بود ، زیرا هوشمندی انسانی ، نوعی هوشمندی بیولوژیک است که با استفاده از مکانیسم‌ های طبیعی ایجاد شده ، و نه استفاده از عناصر و مدار های 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 بر محمل طبیعی و با استفاده از روش های طبیعت ایجاد شده است . طرفداران این دیدگاه تا بدانجا پیش رفته ‌اند که حتی ماده ایجاد کننده هوشمندی را مورد پرسش قرار داده اند ، کامپیوتر از سیلیکون استفاده می کند ، در حالی که طبیعت همه جا از کربن سود برده است .
مهم تر از همه ، این نکته است که در کامپیوتر ، یک واحد کاملاً پیچیده مسئولیت انجام کلیه اعمال هوشمندانه را بعهده دارد ، در حالی که طبیعت در سمت و سویی کاملاً مخالف حرکت کرده است . تعداد بسیار زیادی از واحد های کاملاً ساده ( بعنوان مثال از نورون‌های شبکه عصبی ) با عملکرد همزمان خود ( موازی ) رفتار هوشمند را سبب می شوند . بنابراین تقابل هوشمندی مصنوعی و هوشمندی طبیعی حداقل در حال حاضر تقابل پیچیدگی فوق العاده و سادگی فوق العاده است . این مساُله هم اکنون کاملاً به صورت یک جنجال ( debate ) علمی در جریان است .
در هر حال حتی اگر بپذیریم که کامپیوتر در نهایت ماشین هوشمند مورد نظر ما نیست ، مجبوریم برای شبیه ‌سازی هر روش یا ماشین دیگری از آن سود بجوییم .

تاریخ هوش مصنوعی
هوش مصنوعی به خودی خود علمی است کاملاً جوان . در واقع بسیاری شروع هوش مصنوعی را 1950 می‌دانند زمانی که آلن تورینگ مقاله دوران ‌ساز خود را در باب چگونگی ساخت ماشین هوشمند نوشت ( آنچه بعد ها به تست تورینگ مشهور شد ) تورینگ در آن مقاله یک روش را برای تشخیص هوشمندی پیشنهاد می‌کرد . این روش بیشتر به یک بازی شبیه بود .
فرض کنید شما در یک سمت یک دیوار ( پرده یا هر مانع دیگر ) هستید و به صورت تله تایپ با آن سوی دیوار ارتباط دارید و شخصی از آن سوی دیوار از این طریق با شما در تماس است . طبیعتاً یک مکالمه بین شما و شخص آن سوی دیوار می ‌تواند صورت پذیرد . حال اگر پس از پایان این مکالمه ، به شما گفته شود که آن سوی دیوار نه یک شخص بلکه ( شما کاملاً از هویت شخص آن سوی دیوار بی‌خبرید ) یک ماشین بوده که پاسخ شما را می ‌داده ، آن ماشین یک ماشین هوشمند خواهد بود ، در غیر این صورت ( یعنی در صورتی که شما در وسط مکالمه به مصنوعی بودن پاسخ پی ببرید ) ماشین آن سوی دیوار هوشمند نیست و موفق به گذراندن تست تورینگ نشده است .
باید دقت کرد که تورینگ به دو دلیل کاملاً مهم این نوع از ارتباط ( ارتباط متنی به جای صوت ) را انتخاب کرد . اول این که موضوع ادراکی صوت را کاملاً از صورت مساُله حذف کند و این تست هوشمندی را درگیر مباحث مربوط به دریافت و پردازش صوت نکند و دوم این که بر جهت دیگری هوش مصنوعی به سمت نوعی از پردازش زبان طبیعی تاکید کند .
در هر حال هر چند تا کنون تلاش‌های متعددی در جهت پیاده سازی تست تورینگ صورت گرفته مانند برنامهEliza و یا AIML ( زبانی برای نوشتن برنامه ‌‌هایی که قادر به chat کردن اتوماتیک باشند ) اما هنوز هیچ ماشینی موفق به گذر از چنین تستی نشده است .
همانگونه که مشخص است ، این تست نیز کماکان دو پیش فرض اساسی را در بردارد :
1- نمونه کامل هوشمندی انسان است .
2- مهمترین مشخصه هوشمندی توانایی پردازش و درک زبان طبیعی است .
درباره نکته اول به تفصیل تا بدین جا سخن گفته ایم ؛ اما نکته دوم نیز به خودی خود باید مورد بررسی قرار گیرد . این که توانایی درک زبان نشانه هوشمندی است تاریخی به قدمت تاریخ فلسفه دارد . از نخستین روز هایی که به فلسفه ( Epistemology ) پرداخته شده زبان همیشه در جایگاه نخست فعالیت‌ های شناختی قرار داشته است . از یونانیان باستان که لوگوس را به عنوان زبان و حقیقت یکجا به کار می‌بردند تا فیلسوفان امروزین که یا زبان را خانه وجود می ‌دانند ، یا آن را ریشه مسائل فلسفی می‌خوانند ؛ زبان ، همواره شاُن خود را به عنوان ممتاز ترین توانایی هوشمند ترین موجودات حفظ کرده است .
با این ملاحظات می‌توان درک کرد که چرا آلن تورینگ تنها گذر از این تست متظاهرانه زبانی را شرط دست‌یابی به هوشمندی می ‌داند .
تست تورینگ اندکی کمتر از نیم‌قرن هوش مصنوعی را تحت تاُثیر قرار داد اما شاید تنها در اواخر قرن گذشته بود که این مسئله بیش از هر زمان دیگری آشکار شد که متخصصین هوش مصنوعی به جای حل این مسئله با شکوه ابتدا باید مسائل کم ‌اهمیت ‌تری همچون درک تصویر ( بینایی ماشین ) درک صوت و … را حل کنند .
به این ترتیب با به محاق رفتن آن هدف اولیه ، اینک گرایش ‌های جدید تری در هوش مصنوعی ایجاد شده ‌اند .
در سال ‌های آغازین AI تمرکز کاملاً بر روی توسعه سیستم‌هایی بود که بتوانند فعالیت ‌های هوشمندانه ( البته به زعم آن روز ) انسان را مدل کنند ، و چون چنین فعالیت‌هایی را در زمینه ‌های کاملاً خاصی مانند بازی های فکری ، انجام فعالیت ‌های تخصصی حرف‌های ، درک زبان طبیعی ، و…. می ‌دانستند طبیعتاً به چنین زمینه ‌هایی بیشتر پرداخته شد .
در زمینه توسعه بازی ‌ها ، تا حدی به بازی شطرنج پرداخته شد که غالباً عده ‌ای هوش مصنوعی را با شطرنج همزمان به خاطر می‌آورند . مک ‌کارتی که پیشتر اشاره شد ، از بنیان‌ گذاران هوش مصنوعی است این روند را آنقدر اغراق ‌آمیز می ‌داند که می ‌گوید :
« محدود کردن هوش مصنوعی به شطرنج مانند این است که علم ژنتیک را از زمان داروین تا کنون تنها محدود به پرورش لوبیا کنیم . » به هر حال دستاورد تلاش مهندسین و دانشمندان در طی دهه ‌های نخست را می ‌توان توسعه تعداد بسیار زیادی سیستم‌ های خبره در زمینه ‌های مختلف مانند پزشکی عمومی ، اورژانس ، دندان پزشکی ، تعمیرات ماشین ، ….. توسعه بازی‌های هوشمند ، ایجاد مدل ‌های شناختی ذهن انسان ، توسعه سیستم های یاد گیری ، …. دانست . دستاوردی که به نظر می ‌رسد برای علمی با کمتر از نیم قرن سابقه قابل قبول به نظر می‌رسد .

افق ‌های هوش مصنوعی
در 1943، ) Mcclutch روانشناس ، فیلسوف و شاعر) و Pitts ( ریاضیدان ) طی مقاله ‌ای ، دیده ‌های آن روزگار 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 این طریق سیگنال های تحریک ( exitory ) و توقیف ( inhibitory ) با هم درتماس بودند . این همان چیزی بود که بعد ها دانشمندان کامپیوتر آن را مدار های ( And ) و ( OR ) نامیدند و طراحی اولین کامپیوتر در 1947 توسط فون نیومان عمیقاً از آن الهام می‌گرفت .
امروز پس از گذشته نیم ‌قرن از کار Mcclutch و Pitts شاید بتوان گفت که این کار الهام بخش گرایشی کاملاً پویا و نوین در هوش مصنوعی است .
پیوند گرایی ( Connectionism ) هوشمندی را تنها حاصل کار موازی و هم‌زمان و در عین حال تعامل تعداد بسیار زیادی اجزای کاملاً ساده به هم مرتبط می ‌داند .
شبکه‌های عصبی که از مدل شبکه عصبی ذهن انسان الهام گرفته ‌اند امروزه دارای کاربرد های کاملاً علمی و گسترده تکنولوژیک شده ‌اند 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 سیستم ‌های هوشمند با الهام از طبیعت ( هوشمندی ‌های ـ غیر از هوشمندی انسان ) اکنون از زمینه ‌های کاملاً پر طرفدار 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 روش ‌های دیگری نیز مانند استراتژی ‌های تکاملی نیز ( Evolutionary Algorithms ) در این زمینه پیشنهاد شده اند .
در این زمینه هر گوشه ‌ای از ساز و کار طبیعت که پاسخ بهینه ‌ای را برای مسائل یافته است مورد پژوهش قرار می ‌گیرد . زمینه ‌هایی چون سیستم امنیتی بدن انسان ( Immun System ) که در آن بیشمار الگوی ویروس‌های مهاجم به صورتی هوشمندانه ذخیره می‌ شوند و یا روش پیدا کردن کوتاه‌ ترین راه به منابع غذا توسط مورچگان ( Ant Colony ) همگی بیانگر گوشه ‌هایی از هوشمندی 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 .
CASE-BASED REASONING یکی از گرایش ‌های فعال در این شاخه می‌باشد . 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 بیماری ‌های شناخته شده را دارد و تنها باید مشاهدات خود را با نمونه ‌های موجود در ذهن خویش تطبیق داده ، شبیه ‌ترین نمونه را به عنوان بیماری بیابد .
به این ترتیب مشخصات ، نیازمندی ‌ها و توانایی ‌های CBR به عنوان یک چارچوب کلی پژوهش در هوش مصنوعی مورد توجه قرار گرفته است .
البته هنگامی که از گرایش ‌های آینده سخن می‌گوییم ، هرگز نباید از گرایش‌های ترکیبی غفلت کنیم . گرایش ‌هایی که خود را به حرکت در چارچوب شناختی یا بیولوژیک یا منطقی محدود نکرده و به ترکیبی از آن ها می ‌اندیشند . شاید بتوان پیش ‌بینی کرد که چنین گرایش ‌هایی فرا ساختار های ( Meta –Structure ) روانی را بر اساس عناصر ساده بیولوژیک بنا خواهند کرد .