26-10-2021, 09:20 PM
هوش مصنوعی قوی ، هوش مصنوعی کاربردی و شبیه سازی شناختی
با استفاده از روشهای ذکر شده در بالا ، تحقیقات هوش مصنوعی تلاش می کند تا به یکی از سه هدف برسد: هوش مصنوعی قوی ، هوش مصنوعی کاربردی یا شبیه سازی شناختی. هدف هوش مصنوعی قوی ساخت ماشین هایی است که فکر می کنند. (اصطلاح هوش مصنوعی قوی برای این دسته از تحقیقات در سال 1980 توسط فیلسوف جان سرل از دانشگاه کالیفرنیا در برکلی معرفی شد.) آرمان نهایی هوش مصنوعی قوی این است که ماشینی تولید کند که توانایی فکری کلی آن با انسان قابل تشخیص نیست. بودن. همانطور که در بخش نقاط عطف اولیه در هوش مصنوعی توضیح داده شد ، این هدف در دهه های 1950 و 60 میلادی علاقه زیادی را به همراه داشت ، اما چنین خوش بینی جای خود را به درک سختی های شدید مربوطه داده است. تا به امروز ، پیشرفت ناچیز بوده است. برخی منتقدان شک دارند که آیا تحقیقات حتی در آینده ای نزدیک حتی سیستمی با توانایی فکری کلی یک مورچه تولید خواهد کرد یا خیر. در واقع ، برخی از محققان شاغل در دو شاخه دیگر هوش مصنوعی ، هوش مصنوعی قوی را ارزش پیگیری ندارند.
هوش مصنوعی کاربردی ، که به عنوان پردازش اطلاعات پیشرفته نیز شناخته می شود ، با هدف تولید سیستم های "هوشمند" تجاری مناسب-به عنوان مثال ، سیستم های تشخیص پزشکی "متخصص" و سیستم های معاملات سهام. همانطور که در بخش سیستم های متخصص توضیح داده شده است ، هوش مصنوعی کاربردی از موفقیت قابل توجهی برخوردار بوده است.
در شبیه سازی شناختی ، رایانه ها برای آزمایش نظریه هایی در مورد نحوه عملکرد ذهن انسان استفاده می شوند - به عنوان مثال ، نظریه هایی در مورد چگونگی تشخیص چهره افراد یا به خاطر آوردن خاطرات. شبیه سازی شناختی در حال حاضر ابزاری قدرتمند در علوم اعصاب و روانشناسی شناختی است.
Alan Turing و آغاز AI
کار نظری
اولین کار قابل توجه در زمینه هوش مصنوعی در اواسط قرن بیستم توسط منطق شناس انگلیسی و پیشگام کامپیوتر آلن ماتیسون تورینگ انجام شد. در سال 1935 تورینگ یک ماشین محاسبه انتزاعی متشکل از یک حافظه نامحدود و یک اسکنر را توصیف کرد که از طریق حافظه به صورت نماد به نماد به جلو و عقب حرکت می کند ، آنچه را پیدا می کند می خواند و نمادهای بیشتری را می نویسد. اقدامات اسکنر توسط برنامه ای از دستورالعمل ها دیکته می شود که در قالب نمادها در حافظه ذخیره می شود. این مفهوم برنامه ذخیره شده تورینگ است و به طور ضمنی در آن امکان کارکرد دستگاه و در نتیجه اصلاح یا بهبود برنامه خود وجود دارد. مفهوم تورینگ اکنون به عنوان ماشین جهانی تورینگ شناخته می شود. همه کامپیوترهای مدرن در اصل ماشینهای تورینگ جهانی هستند.
![[تصویر: imgres?imgurl=https%3A%2F%2Fi.pinimg.com...egUIARDKAQ]](https://www.google.com/imgres?imgurl=https%3A%2F%2Fi.pinimg.com%2F564x%2Fa9%2Fb1%2F18%2Fa9b118761788b1ab260aae2835c468cd.jpg&imgrefurl=https%3A%2F%2Fwww.pinterest.com%2Fpin%2F536983955575678340%2F&tbnid=xHUi5hde_8cPCM&vet=12ahUKEwi_o6KYtujzAhXXwoUKHRlSDfcQMygBegUIARDKAQ..i&docid=fgv1bfSUJYhbeM&w=500&h=701&q=Alan-Turing&ved=2ahUKEwi_o6KYtujzAhXXwoUKHRlSDfcQMygBegUIARDKAQ)
در طول جنگ جهانی دوم ، تورینگ پیشرو بود
رمزنگار در کد دولتی و مدرسه Cypher در Bletchley Park ، Buckinghamshire ، انگلستان. تورینگ نمی تواند به پروژه ساخت یک ماشین محاسبات الکترونیکی با برنامه ذخیره شده تا پایان جنگ در اروپا در 1945 بپردازد. با این وجود ، در طول جنگ او به موضوع هوش ماشین فکر زیادی کرد. یکی از همکاران تورینگ در پارک بلچلی ، دونالد میشی (که بعداً دپارتمان هوش و ادراک ماشین را در دانشگاه ادینبورگ تأسیس کرد) ، بعداً یادآور شد که تورینگ اغلب در مورد چگونگی یادگیری کامپیوترها از تجربیات و همچنین حل مشکلات جدید با استفاده از اصول راهنما - فرایندی که امروزه به عنوان حل مسئله ابتکاری شناخته می شود.
تورینگ احتمالاً اولین سخنرانی عمومی (لندن ، 1947) را با اشاره به هوش رایانه ای انجام داد و گفت: "آنچه ما می خواهیم یک ماشین است که می تواند از تجربه یاد بگیرد" و "امکان اجازه دادن به ماشین برای تغییر دستورالعمل های خود مکانیسم را فراهم می کند. برای این." در سال 1948 وی بسیاری از مفاهیم اصلی هوش مصنوعی را در گزارشی با عنوان "ماشین های هوشمند" معرفی کرد. با این حال ، تورینگ این مقاله را منتشر نکرد و بسیاری از ایده های او بعداً توسط دیگران اختراع شد. به عنوان مثال ، یکی از ایده های اصلی تورینگ آموزش شبکه ای از نورون های مصنوعی برای انجام وظایف خاص بود ، رویکردی که در بخش ارتباط گرایی توضیح داده شد.
شطرنج
تورینگ در BLetchley Park ایده های خود را در مورد هوش ماشین با اشاره به شطرنج نشان داد - منبع مفیدی از مشکلات چالش برانگیز و به وضوح تعریف شده که در برابر آنها می توان روش های پیشنهادی برای حل مشکلات را آزمایش کرد. در اصل ، یک کامپیوتر شطرنج بازی می تواند با جستجوی همه جانبه در تمام حرکات موجود بازی کند ، اما در عمل این امر غیرممکن است زیرا شامل تعداد زیادی حرکت نجومی است. اکتشافات برای هدایت جستجوی باریک تر و متمایزتر ضروری است. اگرچه تورینگ با طراحی برنامه های شطرنج آزمایش کرد ، اما برای اجرای برنامه شطرنج خود مجبور بود در غیاب رایانه به نظریه بسنده کند. اولین برنامه های واقعی هوش مصنوعی باید منتظر ورود رایانه های دیجیتالی الکترونیکی با برنامه ذخیره شده بودند.
در 1945 تورینگ پیش بینی کرد که رایانه ها روزی شطرنج بسیار خوبی بازی خواهند کرد و درست 50 سال بعد ، در 1997 ، Deep Blue ، یک کامپیوتر شطرنج که توسط شرکت بین المللی ماشین های تجاری (IBM) ساخته شد ، گری کاسپاروف ، قهرمان فعلی جهان را شکست داد ، در یک مسابقه شش بازی در حالی که پیش بینی تورینگ به حقیقت پیوست ، انتظار او از برنامه نویسی شطرنج به درک نحوه تصور انسان ها در این زمینه کمک می کند. پیشرفت عظیم شطرنج رایانه ای از زمان تورینگ به دلیل پیشرفت در مهندسی کامپیوتر است و نه پیشرفت در هوش مصنوعی - پردازنده های موازی 256 دیپ بلو به او این امکان را می دهد که 200 میلیون حرکت احتمالی را در ثانیه مورد بررسی قرار دهد و تا 14 نوبت بازی را پیش رو داشته باشد. بسیاری با نوآم چامسکی ، زبان شناس در موسسه فناوری ماساچوست (MIT) موافق هستند ، او معتقد است که رایانه ای که یک استاد بزرگ را در شطرنج ضربه می زند به اندازه بردن یک بولدوزر در مسابقات وزنه برداری المپیک جالب است.
آزمون تورینگ
در سال 1950 تورینگ از بحث سنتی پیرامون تعریف هوش صرف نظر کرد و یک آزمایش عملی برای هوش رایانه ای ارائه داد که اکنون به عنوان آزمون تورینگ شناخته می شود. آزمون تورینگ شامل سه شرکت کننده است: رایانه ، بازجوی انسانی و فویل انسانی. بازپرس سعی می کند با پرسیدن سوالات ، تعیین کند
از دو شرکت کننده دیگر ، که کامپیوتر است. تمام ارتباطات از طریق صفحه کلید و صفحه نمایش است. بازجو ممکن است سوالاتی را که دوست دارد نافذ و وسیع بپرسد ، و رایانه مجاز است هر کاری ممکن است انجام دهد تا یک شناسه اشتباه را مجبور کند. (به عنوان مثال ، رایانه ممکن است در پاسخ به "آیا شما رایانه هستید؟" "نه" ، و ممکن است از درخواست ضرب یک عدد بزرگ در دیگری با مکث طولانی و پاسخ نادرست پیروی کند.) فویل باید کمک کند بازپرس برای شناسایی صحیح تعدادی از افراد مختلف نقش بازپرس و فویل را بازی می کنند و اگر نسبت کافی از بازجویان نتوانند رایانه را از انسان تشخیص دهند ، در این صورت (به گفته طرفداران آزمون تورینگ) کامپیوتر به عنوان یک فرد باهوش و متفکر در نظر گرفته می شود. وجود، موجودیت.
در سال 1991 ، نیکوکار آمریکایی هیو لوبنر مسابقه سالانه جایزه لوبنر را آغاز کرد و قول پرداخت 100000 دلار به اولین رایانه ای را داد که آزمون تورینگ را پشت سر گذاشته بود و سالانه 2000 دلار به بهترین تلاش اهدا می کرد. با این حال ، هیچ برنامه هوش مصنوعی به موفقیت در آزمون تورینگ رقیق نشده نزدیک نشده است.
مراحل اولیه در هوش مصنوعی
اولین برنامه های هوش مصنوعی
اولین برنامه موفق هوش مصنوعی در سال 1951 توسط
CHRistopher STrachey ، بعداً مدیر گروه تحقیقات برنامه نویسی در دانشگاه آکسفورد. برنامه چکرز (پیش نویس) استراچی با رایانه Ferranti Mark I در دانشگاه منچستر ، انگلستان اجرا شد. در تابستان 1952 ، این برنامه می توانست یک بازی کامل از چکرز را با سرعت معقول انجام دهد.
اطلاعات مربوط به اولین تظاهرات موفق یادگیری ماشینی در سال 1952 منتشر شد. Shopper ، نوشته آنتونی ایتینگر در دانشگاه کمبریج ، با رایانه EDSAC اجرا شد. دنیای شبیه سازی شده خریدار ، مرکز خرید هشت مغازه بود. هنگامی که به خرید یک کالا دستور می داد ، خریدار آن را جستجو می کرد و به طور تصادفی از مغازه ها بازدید می کرد تا آن کالا پیدا شد. در هنگام جستجو ، خریدار تعدادی از اقلام موجود در هر مغازه ای را که بازدید می کردند حفظ می کرد (درست مانند یک خریدار انسانی). دفعه بعد که خریدار برای همان مورد یا برای کالای دیگری که قبلاً در آنجا قرار گرفته بود فرستاده شد ، فوراً به مغازه مناسب می رفت. به این شکل ساده از یادگیری ، همانطور که در بخش مقدماتی هوش چیست اشاره شده است ، یادگیری رایج گفته می شود.
اولین برنامه هوش مصنوعی که در ایالات متحده اجرا شد نیز یک برنامه چکرز بود که در سال 1952 توسط آرتور ساموئل برای نمونه اولیه IBM 701. نوشته شد. در سال 1955 وی ویژگی هایی را اضافه کرد که برنامه را قادر می ساخت تا از تجربه یاد بگیرد. ساموئل شامل سازوکارهایی برای یادگیری رایج و تعمیم بود ، پیشرفت هایی که در نهایت منجر به برنده شدن یک بازی برنامه وی در برابر قهرمان سابق چکرز کانکتیکات در 1962 شد.
محاسبه تکاملی
برنامه چکرز ساموئل همچنین به عنوان یکی از اولین تلاش ها در محاسبات تکاملی قابل توجه بود. (برنامه او با قرار دادن یک نسخه اصلاح شده در برابر بهترین نسخه فعلی برنامه خود "تکامل" یافت و برنده استاندارد جدید شد.) محاسبات تکاملی به طور معمول شامل استفاده از برخی روشهای خودکار برای تولید و ارزیابی "نسل" های متوالی یک برنامه است. ، تا زمانی که یک راه حل بسیار ماهر تکامل نیابد.
جان هالند ، یکی از طرفداران برجسته محاسبات تکاملی ، همچنین نرم افزار آزمایشی نمونه اولیه کامپیوتر IBM 701 را نوشت. او به طور خاص به طراحی یک موش صحرایی "مجازی" در شبکه عصبی کمک کرد که می تواند برای حرکت در پیچ و خم آموزش ببیند. این کار هالند را در مورد اثربخشی رویکرد از پایین به بالا متقاعد کرد. در حالی که مشاوره برای IBM ادامه داشت ، هالند در سال 1952 برای ادامه تحصیل در مقطع دکترا در ریاضیات به دانشگاه میشیگان رفت. با این حال ، او به زودی به یک برنامه میان رشته ای جدید در رایانه ها و پردازش اطلاعات (که بعدها به عنوان علم ارتباطات شناخته شد) توسط آرتور برکس ، یکی از سازندگان ENIAC و جانشین آن EDVAC ، روی آورد. هالند در پایان نامه خود در سال 1959 ، به احتمال زیاد اولین دکترای علوم کامپیوتر در جهان ، نوع جدیدی از رایانه - رایانه چند پردازنده - را پیشنهاد کرد که هر نورون مصنوعی را در یک شبکه به یک پردازنده جداگانه اختصاص می داد. (در سال 1985 دانیل هلیس مشکلات مهندسی را برای ساخت اولین کامپیوتر ، ابر رایانه 65.536 پردازنده Thinking Machines Corporation حل کرد.)
هالند پس از فارغ التحصیلی به دانشکده میشیگان پیوست و طی چهار دهه آینده بیشتر تحقیقات را در زمینه روشهای خودکارسازی محاسبات تکاملی انجام داد ، فرآیندی که اکنون با اصطلاح الگوریتم های ژنتیک شناخته می شود. سیستم های پیاده سازی شده در آزمایشگاه هالند شامل یک برنامه شطرنج ، مدلهای موجودات بیولوژیکی تک سلولی و یک سیستم طبقه بندی برای کنترل شبکه شبیه سازی شده خطوط لوله بود. الگوریتم های ژنتیک دیگر محدود به تظاهرات "دانشگاهی" نیستند. در یک برنامه کاربردی مهم ، یک الگوریتم ژنتیک با یک جرم کار می کند تا تصویری از جنایتکار تهیه کند.
استدلال منطقی و حل مسئله
توانایی استدلال منطقی یکی از جنبه های مهم هوش است و همواره یکی از تمرکز اصلی تحقیقات هوش مصنوعی بوده است. یک نقطه عطف مهم در این زمینه یک برنامه اثبات قضیه بود که در سالهای 1955–56 توسط آلن نیول و جی کلیفورد شاو از شرکت RAND و هربرت سایمون از دانشگاه کارنگی ملون نوشته شد. نظریه پرداز منطق ، همانطور که برنامه شناخته شد ، برای اثبات قضایای Principia Mathematica (1910-13) ، یک اثر سه جلدی از فیلسوف و ریاضیدانان انگلیسی آلفرد نورث وایتهد و برتراند راسل ، طراحی شد. در یک نمونه ، اثباتی که توسط برنامه ابداع شده بود از اثبات ارائه شده در کتابها بسیار زیبا تر بود.
نیوئل ، سایمون و شاو به نوشتن یک برنامه قدرتمندتر ، یعنی حل مشکلات عمومی ، یا GPS ادامه دادند. اولین نسخه GPS در سال 1957 اجرا شد و کار بر روی پروژه حدود یک دهه ادامه داشت. GPS می تواند انواع مختلفی از معماها را با استفاده از روش آزمایش و خطا حل کند. با این حال ، یک انتقاد از GPS و برنامه های مشابه که فاقد هر گونه توانایی یادگیری هستند این است که هوش برنامه کاملاً دست دوم است و از هر اطلاعاتی که برنامه نویس به صراحت شامل می شود ، ناشی می شود.
زبان های برنامه نویسی هوش مصنوعی
نیول ، سیمون و شاو در حین کار بر روی نظریه پرداز منطق و GPS ، زبان پردازش اطلاعات خود (IPL) را توسعه دادند ، یک زبان رایانه ای که برای برنامه نویسی هوش مصنوعی طراحی شده است. در قلب IPL یک ساختار داده بسیار انعطاف پذیر وجود داشت که آنها آن را یک لیست نامیدند. یک لیست به سادگی دنباله ای مرتب از اقلام داده است. برخی یا همه موارد موجود در یک لیست ممکن است خودشان لیست باشند. این طرح منجر به ساختارهای انشعابی فراوان می شود.
در سال 1960 جان مک کارتی عناصر IPL را با حساب لامبدا (یک سیستم ریاضی منطقی رسمی) ترکیب کرد تا زبان برنامه نویسی LISP (فهرست پردازنده) را تولید کند ، که زبان اصلی کار هوش مصنوعی در ایالات متحده است. (محاسبه لامبدا خود در سال 1936 توسط منطق پرینستون آلونزو چرچ اختراع شد ، هنگامی که او در حال بررسی مشکل انتزاعی Entscheidungs ، یا "مشکل تصمیم گیری" ، برای منطق محمول بود - همان مشکلی که تورینگ هنگام اختراع ماشین تورینگ جهانی به آن حمله کرده بود.)
زبان برنامه نویسی منطقی PROLOG (Programmation en Logique) توسط آلن کولمرائر در دانشگاه اکس مارسی فرانسه طراحی شد ، جایی که این زبان برای اولین بار در سال 1973 به کار گرفته شد. PROLOG توسط منطق دان روبرت کوالسکی ، عضو گروه AI توسعه یافت در دانشگاه ادینبورگ این زبان از تکنیک اثبات قضیه قدرتمندی استفاده می کند که به آن رزولوشن می گویند که در سال 1963 در آزمایشگاه ملی آرگون کمیسیون انرژی اتمی ایالات متحده در ایلینوی توسط منطقدان انگلیسی آلن رابینسون ابداع شد. PROLOG می تواند تعیین کند که آیا یک عبارت داده شده منطقی از سایر دستورات داده شده است یا خیر. به عنوان مثال ، با توجه به جملات "همه منطق دانان منطقی هستند" و "رابینسون منطق دان است" ، یک برنامه PROLOG به این پرسش پاسخ می دهد "رابینسون منطقی است؟" PROLOG به طور گسترده ای برای کارهای هوش مصنوعی ، به ویژه در اروپا و ژاپن استفاده می شود.
محققان موسسه فناوری نسل جدید کامپیوتر در توکیو از PROLOG به عنوان پایه ای برای زبان های برنامه نویسی منطقی پیچیده استفاده کرده اند. این زبانها که به عنوان زبانهای نسل پنجم شناخته می شوند ، در رایانه های موازی غیر عددی که در موسسه توسعه یافته اند ، مورد استفاده قرار می گیرند.
سایر کارهای اخیر شامل توسعه زبان ها برای استدلال در مورد داده های وابسته به زمان مانند "حساب دیروز پرداخت شد" است. این زبانها بر اساس منطق زمان دار هستند که اجازه می دهد جملات در جریان زمان قرار بگیرند. (منطق تنگ در سال 1953 توسط فیلسوف آرتور پریور در دانشگاه کانتربری ، کرایست چرچ ، نیوزلند اختراع شد.)
آیا هوش مصنوعی قوی امکان پذیر است؟
با استفاده از روشهای ذکر شده در بالا ، تحقیقات هوش مصنوعی تلاش می کند تا به یکی از سه هدف برسد: هوش مصنوعی قوی ، هوش مصنوعی کاربردی یا شبیه سازی شناختی. هدف هوش مصنوعی قوی ساخت ماشین هایی است که فکر می کنند. (اصطلاح هوش مصنوعی قوی برای این دسته از تحقیقات در سال 1980 توسط فیلسوف جان سرل از دانشگاه کالیفرنیا در برکلی معرفی شد.) آرمان نهایی هوش مصنوعی قوی این است که ماشینی تولید کند که توانایی فکری کلی آن با انسان قابل تشخیص نیست. بودن. همانطور که در بخش نقاط عطف اولیه در هوش مصنوعی توضیح داده شد ، این هدف در دهه های 1950 و 60 میلادی علاقه زیادی را به همراه داشت ، اما چنین خوش بینی جای خود را به درک سختی های شدید مربوطه داده است. تا به امروز ، پیشرفت ناچیز بوده است. برخی منتقدان شک دارند که آیا تحقیقات حتی در آینده ای نزدیک حتی سیستمی با توانایی فکری کلی یک مورچه تولید خواهد کرد یا خیر. در واقع ، برخی از محققان شاغل در دو شاخه دیگر هوش مصنوعی ، هوش مصنوعی قوی را ارزش پیگیری ندارند.
هوش مصنوعی کاربردی ، که به عنوان پردازش اطلاعات پیشرفته نیز شناخته می شود ، با هدف تولید سیستم های "هوشمند" تجاری مناسب-به عنوان مثال ، سیستم های تشخیص پزشکی "متخصص" و سیستم های معاملات سهام. همانطور که در بخش سیستم های متخصص توضیح داده شده است ، هوش مصنوعی کاربردی از موفقیت قابل توجهی برخوردار بوده است.
در شبیه سازی شناختی ، رایانه ها برای آزمایش نظریه هایی در مورد نحوه عملکرد ذهن انسان استفاده می شوند - به عنوان مثال ، نظریه هایی در مورد چگونگی تشخیص چهره افراد یا به خاطر آوردن خاطرات. شبیه سازی شناختی در حال حاضر ابزاری قدرتمند در علوم اعصاب و روانشناسی شناختی است.
Alan Turing و آغاز AI
کار نظری
اولین کار قابل توجه در زمینه هوش مصنوعی در اواسط قرن بیستم توسط منطق شناس انگلیسی و پیشگام کامپیوتر آلن ماتیسون تورینگ انجام شد. در سال 1935 تورینگ یک ماشین محاسبه انتزاعی متشکل از یک حافظه نامحدود و یک اسکنر را توصیف کرد که از طریق حافظه به صورت نماد به نماد به جلو و عقب حرکت می کند ، آنچه را پیدا می کند می خواند و نمادهای بیشتری را می نویسد. اقدامات اسکنر توسط برنامه ای از دستورالعمل ها دیکته می شود که در قالب نمادها در حافظه ذخیره می شود. این مفهوم برنامه ذخیره شده تورینگ است و به طور ضمنی در آن امکان کارکرد دستگاه و در نتیجه اصلاح یا بهبود برنامه خود وجود دارد. مفهوم تورینگ اکنون به عنوان ماشین جهانی تورینگ شناخته می شود. همه کامپیوترهای مدرن در اصل ماشینهای تورینگ جهانی هستند.
در طول جنگ جهانی دوم ، تورینگ پیشرو بود
رمزنگار در کد دولتی و مدرسه Cypher در Bletchley Park ، Buckinghamshire ، انگلستان. تورینگ نمی تواند به پروژه ساخت یک ماشین محاسبات الکترونیکی با برنامه ذخیره شده تا پایان جنگ در اروپا در 1945 بپردازد. با این وجود ، در طول جنگ او به موضوع هوش ماشین فکر زیادی کرد. یکی از همکاران تورینگ در پارک بلچلی ، دونالد میشی (که بعداً دپارتمان هوش و ادراک ماشین را در دانشگاه ادینبورگ تأسیس کرد) ، بعداً یادآور شد که تورینگ اغلب در مورد چگونگی یادگیری کامپیوترها از تجربیات و همچنین حل مشکلات جدید با استفاده از اصول راهنما - فرایندی که امروزه به عنوان حل مسئله ابتکاری شناخته می شود.
تورینگ احتمالاً اولین سخنرانی عمومی (لندن ، 1947) را با اشاره به هوش رایانه ای انجام داد و گفت: "آنچه ما می خواهیم یک ماشین است که می تواند از تجربه یاد بگیرد" و "امکان اجازه دادن به ماشین برای تغییر دستورالعمل های خود مکانیسم را فراهم می کند. برای این." در سال 1948 وی بسیاری از مفاهیم اصلی هوش مصنوعی را در گزارشی با عنوان "ماشین های هوشمند" معرفی کرد. با این حال ، تورینگ این مقاله را منتشر نکرد و بسیاری از ایده های او بعداً توسط دیگران اختراع شد. به عنوان مثال ، یکی از ایده های اصلی تورینگ آموزش شبکه ای از نورون های مصنوعی برای انجام وظایف خاص بود ، رویکردی که در بخش ارتباط گرایی توضیح داده شد.
شطرنج
تورینگ در BLetchley Park ایده های خود را در مورد هوش ماشین با اشاره به شطرنج نشان داد - منبع مفیدی از مشکلات چالش برانگیز و به وضوح تعریف شده که در برابر آنها می توان روش های پیشنهادی برای حل مشکلات را آزمایش کرد. در اصل ، یک کامپیوتر شطرنج بازی می تواند با جستجوی همه جانبه در تمام حرکات موجود بازی کند ، اما در عمل این امر غیرممکن است زیرا شامل تعداد زیادی حرکت نجومی است. اکتشافات برای هدایت جستجوی باریک تر و متمایزتر ضروری است. اگرچه تورینگ با طراحی برنامه های شطرنج آزمایش کرد ، اما برای اجرای برنامه شطرنج خود مجبور بود در غیاب رایانه به نظریه بسنده کند. اولین برنامه های واقعی هوش مصنوعی باید منتظر ورود رایانه های دیجیتالی الکترونیکی با برنامه ذخیره شده بودند.
در 1945 تورینگ پیش بینی کرد که رایانه ها روزی شطرنج بسیار خوبی بازی خواهند کرد و درست 50 سال بعد ، در 1997 ، Deep Blue ، یک کامپیوتر شطرنج که توسط شرکت بین المللی ماشین های تجاری (IBM) ساخته شد ، گری کاسپاروف ، قهرمان فعلی جهان را شکست داد ، در یک مسابقه شش بازی در حالی که پیش بینی تورینگ به حقیقت پیوست ، انتظار او از برنامه نویسی شطرنج به درک نحوه تصور انسان ها در این زمینه کمک می کند. پیشرفت عظیم شطرنج رایانه ای از زمان تورینگ به دلیل پیشرفت در مهندسی کامپیوتر است و نه پیشرفت در هوش مصنوعی - پردازنده های موازی 256 دیپ بلو به او این امکان را می دهد که 200 میلیون حرکت احتمالی را در ثانیه مورد بررسی قرار دهد و تا 14 نوبت بازی را پیش رو داشته باشد. بسیاری با نوآم چامسکی ، زبان شناس در موسسه فناوری ماساچوست (MIT) موافق هستند ، او معتقد است که رایانه ای که یک استاد بزرگ را در شطرنج ضربه می زند به اندازه بردن یک بولدوزر در مسابقات وزنه برداری المپیک جالب است.
آزمون تورینگ
در سال 1950 تورینگ از بحث سنتی پیرامون تعریف هوش صرف نظر کرد و یک آزمایش عملی برای هوش رایانه ای ارائه داد که اکنون به عنوان آزمون تورینگ شناخته می شود. آزمون تورینگ شامل سه شرکت کننده است: رایانه ، بازجوی انسانی و فویل انسانی. بازپرس سعی می کند با پرسیدن سوالات ، تعیین کند
از دو شرکت کننده دیگر ، که کامپیوتر است. تمام ارتباطات از طریق صفحه کلید و صفحه نمایش است. بازجو ممکن است سوالاتی را که دوست دارد نافذ و وسیع بپرسد ، و رایانه مجاز است هر کاری ممکن است انجام دهد تا یک شناسه اشتباه را مجبور کند. (به عنوان مثال ، رایانه ممکن است در پاسخ به "آیا شما رایانه هستید؟" "نه" ، و ممکن است از درخواست ضرب یک عدد بزرگ در دیگری با مکث طولانی و پاسخ نادرست پیروی کند.) فویل باید کمک کند بازپرس برای شناسایی صحیح تعدادی از افراد مختلف نقش بازپرس و فویل را بازی می کنند و اگر نسبت کافی از بازجویان نتوانند رایانه را از انسان تشخیص دهند ، در این صورت (به گفته طرفداران آزمون تورینگ) کامپیوتر به عنوان یک فرد باهوش و متفکر در نظر گرفته می شود. وجود، موجودیت.
در سال 1991 ، نیکوکار آمریکایی هیو لوبنر مسابقه سالانه جایزه لوبنر را آغاز کرد و قول پرداخت 100000 دلار به اولین رایانه ای را داد که آزمون تورینگ را پشت سر گذاشته بود و سالانه 2000 دلار به بهترین تلاش اهدا می کرد. با این حال ، هیچ برنامه هوش مصنوعی به موفقیت در آزمون تورینگ رقیق نشده نزدیک نشده است.
مراحل اولیه در هوش مصنوعی
اولین برنامه های هوش مصنوعی
اولین برنامه موفق هوش مصنوعی در سال 1951 توسط
CHRistopher STrachey ، بعداً مدیر گروه تحقیقات برنامه نویسی در دانشگاه آکسفورد. برنامه چکرز (پیش نویس) استراچی با رایانه Ferranti Mark I در دانشگاه منچستر ، انگلستان اجرا شد. در تابستان 1952 ، این برنامه می توانست یک بازی کامل از چکرز را با سرعت معقول انجام دهد.
اطلاعات مربوط به اولین تظاهرات موفق یادگیری ماشینی در سال 1952 منتشر شد. Shopper ، نوشته آنتونی ایتینگر در دانشگاه کمبریج ، با رایانه EDSAC اجرا شد. دنیای شبیه سازی شده خریدار ، مرکز خرید هشت مغازه بود. هنگامی که به خرید یک کالا دستور می داد ، خریدار آن را جستجو می کرد و به طور تصادفی از مغازه ها بازدید می کرد تا آن کالا پیدا شد. در هنگام جستجو ، خریدار تعدادی از اقلام موجود در هر مغازه ای را که بازدید می کردند حفظ می کرد (درست مانند یک خریدار انسانی). دفعه بعد که خریدار برای همان مورد یا برای کالای دیگری که قبلاً در آنجا قرار گرفته بود فرستاده شد ، فوراً به مغازه مناسب می رفت. به این شکل ساده از یادگیری ، همانطور که در بخش مقدماتی هوش چیست اشاره شده است ، یادگیری رایج گفته می شود.
اولین برنامه هوش مصنوعی که در ایالات متحده اجرا شد نیز یک برنامه چکرز بود که در سال 1952 توسط آرتور ساموئل برای نمونه اولیه IBM 701. نوشته شد. در سال 1955 وی ویژگی هایی را اضافه کرد که برنامه را قادر می ساخت تا از تجربه یاد بگیرد. ساموئل شامل سازوکارهایی برای یادگیری رایج و تعمیم بود ، پیشرفت هایی که در نهایت منجر به برنده شدن یک بازی برنامه وی در برابر قهرمان سابق چکرز کانکتیکات در 1962 شد.
محاسبه تکاملی
برنامه چکرز ساموئل همچنین به عنوان یکی از اولین تلاش ها در محاسبات تکاملی قابل توجه بود. (برنامه او با قرار دادن یک نسخه اصلاح شده در برابر بهترین نسخه فعلی برنامه خود "تکامل" یافت و برنده استاندارد جدید شد.) محاسبات تکاملی به طور معمول شامل استفاده از برخی روشهای خودکار برای تولید و ارزیابی "نسل" های متوالی یک برنامه است. ، تا زمانی که یک راه حل بسیار ماهر تکامل نیابد.
جان هالند ، یکی از طرفداران برجسته محاسبات تکاملی ، همچنین نرم افزار آزمایشی نمونه اولیه کامپیوتر IBM 701 را نوشت. او به طور خاص به طراحی یک موش صحرایی "مجازی" در شبکه عصبی کمک کرد که می تواند برای حرکت در پیچ و خم آموزش ببیند. این کار هالند را در مورد اثربخشی رویکرد از پایین به بالا متقاعد کرد. در حالی که مشاوره برای IBM ادامه داشت ، هالند در سال 1952 برای ادامه تحصیل در مقطع دکترا در ریاضیات به دانشگاه میشیگان رفت. با این حال ، او به زودی به یک برنامه میان رشته ای جدید در رایانه ها و پردازش اطلاعات (که بعدها به عنوان علم ارتباطات شناخته شد) توسط آرتور برکس ، یکی از سازندگان ENIAC و جانشین آن EDVAC ، روی آورد. هالند در پایان نامه خود در سال 1959 ، به احتمال زیاد اولین دکترای علوم کامپیوتر در جهان ، نوع جدیدی از رایانه - رایانه چند پردازنده - را پیشنهاد کرد که هر نورون مصنوعی را در یک شبکه به یک پردازنده جداگانه اختصاص می داد. (در سال 1985 دانیل هلیس مشکلات مهندسی را برای ساخت اولین کامپیوتر ، ابر رایانه 65.536 پردازنده Thinking Machines Corporation حل کرد.)
هالند پس از فارغ التحصیلی به دانشکده میشیگان پیوست و طی چهار دهه آینده بیشتر تحقیقات را در زمینه روشهای خودکارسازی محاسبات تکاملی انجام داد ، فرآیندی که اکنون با اصطلاح الگوریتم های ژنتیک شناخته می شود. سیستم های پیاده سازی شده در آزمایشگاه هالند شامل یک برنامه شطرنج ، مدلهای موجودات بیولوژیکی تک سلولی و یک سیستم طبقه بندی برای کنترل شبکه شبیه سازی شده خطوط لوله بود. الگوریتم های ژنتیک دیگر محدود به تظاهرات "دانشگاهی" نیستند. در یک برنامه کاربردی مهم ، یک الگوریتم ژنتیک با یک جرم کار می کند تا تصویری از جنایتکار تهیه کند.
استدلال منطقی و حل مسئله
توانایی استدلال منطقی یکی از جنبه های مهم هوش است و همواره یکی از تمرکز اصلی تحقیقات هوش مصنوعی بوده است. یک نقطه عطف مهم در این زمینه یک برنامه اثبات قضیه بود که در سالهای 1955–56 توسط آلن نیول و جی کلیفورد شاو از شرکت RAND و هربرت سایمون از دانشگاه کارنگی ملون نوشته شد. نظریه پرداز منطق ، همانطور که برنامه شناخته شد ، برای اثبات قضایای Principia Mathematica (1910-13) ، یک اثر سه جلدی از فیلسوف و ریاضیدانان انگلیسی آلفرد نورث وایتهد و برتراند راسل ، طراحی شد. در یک نمونه ، اثباتی که توسط برنامه ابداع شده بود از اثبات ارائه شده در کتابها بسیار زیبا تر بود.
نیوئل ، سایمون و شاو به نوشتن یک برنامه قدرتمندتر ، یعنی حل مشکلات عمومی ، یا GPS ادامه دادند. اولین نسخه GPS در سال 1957 اجرا شد و کار بر روی پروژه حدود یک دهه ادامه داشت. GPS می تواند انواع مختلفی از معماها را با استفاده از روش آزمایش و خطا حل کند. با این حال ، یک انتقاد از GPS و برنامه های مشابه که فاقد هر گونه توانایی یادگیری هستند این است که هوش برنامه کاملاً دست دوم است و از هر اطلاعاتی که برنامه نویس به صراحت شامل می شود ، ناشی می شود.
زبان های برنامه نویسی هوش مصنوعی
نیول ، سیمون و شاو در حین کار بر روی نظریه پرداز منطق و GPS ، زبان پردازش اطلاعات خود (IPL) را توسعه دادند ، یک زبان رایانه ای که برای برنامه نویسی هوش مصنوعی طراحی شده است. در قلب IPL یک ساختار داده بسیار انعطاف پذیر وجود داشت که آنها آن را یک لیست نامیدند. یک لیست به سادگی دنباله ای مرتب از اقلام داده است. برخی یا همه موارد موجود در یک لیست ممکن است خودشان لیست باشند. این طرح منجر به ساختارهای انشعابی فراوان می شود.
در سال 1960 جان مک کارتی عناصر IPL را با حساب لامبدا (یک سیستم ریاضی منطقی رسمی) ترکیب کرد تا زبان برنامه نویسی LISP (فهرست پردازنده) را تولید کند ، که زبان اصلی کار هوش مصنوعی در ایالات متحده است. (محاسبه لامبدا خود در سال 1936 توسط منطق پرینستون آلونزو چرچ اختراع شد ، هنگامی که او در حال بررسی مشکل انتزاعی Entscheidungs ، یا "مشکل تصمیم گیری" ، برای منطق محمول بود - همان مشکلی که تورینگ هنگام اختراع ماشین تورینگ جهانی به آن حمله کرده بود.)
زبان برنامه نویسی منطقی PROLOG (Programmation en Logique) توسط آلن کولمرائر در دانشگاه اکس مارسی فرانسه طراحی شد ، جایی که این زبان برای اولین بار در سال 1973 به کار گرفته شد. PROLOG توسط منطق دان روبرت کوالسکی ، عضو گروه AI توسعه یافت در دانشگاه ادینبورگ این زبان از تکنیک اثبات قضیه قدرتمندی استفاده می کند که به آن رزولوشن می گویند که در سال 1963 در آزمایشگاه ملی آرگون کمیسیون انرژی اتمی ایالات متحده در ایلینوی توسط منطقدان انگلیسی آلن رابینسون ابداع شد. PROLOG می تواند تعیین کند که آیا یک عبارت داده شده منطقی از سایر دستورات داده شده است یا خیر. به عنوان مثال ، با توجه به جملات "همه منطق دانان منطقی هستند" و "رابینسون منطق دان است" ، یک برنامه PROLOG به این پرسش پاسخ می دهد "رابینسون منطقی است؟" PROLOG به طور گسترده ای برای کارهای هوش مصنوعی ، به ویژه در اروپا و ژاپن استفاده می شود.
محققان موسسه فناوری نسل جدید کامپیوتر در توکیو از PROLOG به عنوان پایه ای برای زبان های برنامه نویسی منطقی پیچیده استفاده کرده اند. این زبانها که به عنوان زبانهای نسل پنجم شناخته می شوند ، در رایانه های موازی غیر عددی که در موسسه توسعه یافته اند ، مورد استفاده قرار می گیرند.
سایر کارهای اخیر شامل توسعه زبان ها برای استدلال در مورد داده های وابسته به زمان مانند "حساب دیروز پرداخت شد" است. این زبانها بر اساس منطق زمان دار هستند که اجازه می دهد جملات در جریان زمان قرار بگیرند. (منطق تنگ در سال 1953 توسط فیلسوف آرتور پریور در دانشگاه کانتربری ، کرایست چرچ ، نیوزلند اختراع شد.)
آیا هوش مصنوعی قوی امکان پذیر است؟
موفقیت مداوم هوش مصنوعی کاربردی و شبیه سازی شناختی ، همانطور که در بخشهای قبلی این مقاله توضیح داده شد ، مطمئن است. با این حال ، هوش مصنوعی قوی - یعنی هوش مصنوعی که هدف آن تکثیر توانایی های فکری انسان است - همچنان بحث برانگیز است. ادعاهای مبالغه آمیز موفقیت ، در مجلات حرفه ای و همچنین مطبوعات مشهور ، شهرت آن را خدشه دار کرده است. در حال حاضر حتی یک سیستم تجسم یافته که اطلاعات کلی سوسک را نشان می دهد ، گریزان است ، چه برسد به سیستمی که بتواند با یک انسان رقابت کند. دشواری افزایش دستاوردهای متوسط AI را نمی توان مبالغه کرد. پنج دهه تحقیق در زمینه هوش مصنوعی هیچ شواهدی محکم مبنی بر اینکه یک سیستم نماد می تواند سطوح هوش عمومی انسان را آشکار کند ، ارائه نکرده است. ارتباطگران قادر به مدل سازی سیستم عصبی حتی ساده ترین بی مهرگان نیستند. و منتقدان به
nouvelle AI این دیدگاه را صرفاً عرفانی می داند که رفتارهای سطح بالا شامل درک زبان ، برنامه ریزی و استدلال به نوعی از تعامل رفتارهای اساسی مانند اجتناب از موانع ، کنترل نگاه و دستکاری اشیا به وجود می آید.
با این حال ، این عدم پیشرفت اساسی ممکن است به سادگی گواهی بر دشواری هوش مصنوعی قوی باشد ، نه بر عدم امکان آن. بگذارید به ایده هوش مصنوعی قوی بپردازیم. آیا رایانه احتمالاً می تواند فکر کند؟ نوآم چامسکی پیشنهاد می کند که بحث در این مورد بی معنی است ، زیرا تصمیم گیری خودسرانه این است که آیا استفاده رایج از کلمه Think شامل ماشین ها شود. به گفته چامسکی ، هیچ سوالی واقعی در مورد این که آیا چنین تصمیمی صحیح است یا نادرست وجود ندارد - همانطور که در این مورد که آیا تصمیم ما مبنی بر اینکه هواپیماها پرواز می کنند صحیح است یا تصمیم ما مبنی بر اینکه شنا کردن کشتی ها اشتباه است ، وجود ندارد. به با این حال ، به نظر می رسد که این موضوع بیش از حد ساده می کند. سوال مهم این است که آیا می توان گفت رایانه ها فکر می کنند و اگر چنین است ، رایانه باید از چه شرایطی برخوردار باشد تا بتوان چنین توصیف کرد؟
برخی از نویسندگان آزمون تورینگ را به عنوان تعریفی از هوش ارائه می دهند. با این حال ، تورینگ خود اشاره کرد که رایانه ای که باید به عنوان هوشمند توصیف شود ، اگر نتواند با موفقیت از یک انسان تقلید کند ، در امتحان خود شکست می خورد. به عنوان مثال ، چرا یک ربات هوشمند که برای نظارت بر استخراج ماه طراحی شده است ، باید لزوماً بتواند خود را در مکالمه به عنوان یک انسان نشان دهد؟ اگر یک موجود هوشمند بتواند در آزمون شکست بخورد ، آزمون نمی تواند به عنوان تعریف هوش عمل کند. حتی سوال برانگیز است که آیا قبولی در آزمون واقعاً نشان می دهد که کامپیوتر هوشمند است ، همانطور که نظریه پرداز اطلاعات کلود شانون و پیشگام هوش مصنوعی جان مک کارتی در سال 1956 اشاره کردند. شامل مجموعه کاملی از پاسخ های آماده به همه سالاتی که احتمالاً بازپرس می تواند در بازه زمانی مشخص آزمون بپرسد. مانند پری ، این دستگاه با جستجوی پاسخ های مناسب در یک جدول بزرگ ، به سوالات مصاحبه کننده پاسخ می دهد. به نظر می رسد این اعتراض نشان می دهد که در اصل سیستمی بدون هوش می تواند در آزمون تورینگ قبول شود.
در حقیقت ، هوش مصنوعی هیچ تعریف واقعی از هوش برای ارائه ندارد ، حتی در مورد موارد غیر انسانی. موش ها باهوش هستند ، اما قبل از اینکه محققان بتوانند این میزان موفقیت را بدست آورند ، هوش مصنوعی دقیقاً باید به چه چیزی برسد؟ در نبود یک معیار دقیق منطقی برای زمانی که یک سیستم مصنوعی به عنوان هوشمند حساب می شود ، هیچ راه عینی ای برای تشخیص موفقیت آمیز یا شکست یک برنامه تحقیقاتی هوش مصنوعی وجود ندارد. یکی از نتایج عدم موفقیت هوش مصنوعی در تولید معیار رضایت بخش هوش این است که هر زمان که محققان به یکی از اهداف هوش مصنوعی دست یافتند - به عنوان مثال ، برنامه ای که می تواند مقالات روزنامه ها را خلاصه کند یا قهرمان شطرنج جهان را شکست دهد - منتقدان می توانند بگویند "این هوش نیست! ” پاسخ ماروین مینسکی به مشکل تعریف هوش این است که-مانند تورینگ قبل از او-این که هوش به سادگی نام ما برای هرگونه فرآیند ذهنی حل مسئله است که ما هنوز آن را درک نکرده ایم. مینسکی هوش را به مفهوم "مناطق ناشناخته آفریقا" تشبیه می کند: به محض کشف آن ناپدید می شود.