26-10-2021, 09:15 PM
در حال حاضر ، ادراک مصنوعی به اندازه کافی پیشرفته است تا حسگرهای نوری بتوانند افراد را شناسایی کنند ، وسایل نقلیه خودران برای حرکت با سرعت متوسط در جاده باز و روبات ها برای تردد در ساختمانهایی که قوطی های نوشابه جمع می کنند. یکی از اولین سیستم های ادغام ادراک و عمل FREDDY بود ، یک ربات ثابت با چشم تلویزیون در حال حرکت و یک دست گیره ، ساخته شده در دانشگاه ادینبورگ ، اسکاتلند ، در دوره 1966-1973 تحت هدایت دونالد میشی. FREDDY قادر به تشخیص اشیاء مختلف بود و می توان به او دستور داد که مصنوعات ساده مانند ماشین اسباب بازی را از روی توده ای تصادفی از قطعات جمع آوری کند.
زبان
زبان سیستمی از نشانه هاست که از نظر قرارداد معنا دارند. از این نظر ، زبان نیازی به محدود کردن کلمه گفتاری ندارد. به عنوان مثال ، علائم راهنمایی و رانندگی یک زبان مادری است ، زیرا در برخی کشورها ⚠ به معنای "خطرات پیش رو" است. متمایز بودن زبانهایی است که واحدهای زبانی از نظر قراردادی دارای معنا هستند و معنای زبانی بسیار متفاوت از آن چیزی است که به معنای طبیعی نامیده می شود ، که در جملاتی مانند "آن ابرها به معنی باران است" و "افت فشار به این معناست که سوپاپ خراب است".
یکی از ویژگیهای مهم زبانهای انسانی کامل-برخلاف تماس پرندگان و علائم راهنمایی و رانندگی-بهره وری آنهاست. یک زبان مولد می تواند انواع نامحدودی از جملات را تدوین کند.
نوشتن برنامه های رایانه ای که به نظر می رسد قادرند ، در زمینه های بسیار محدود ، به سادگی به زبان انسانی به سوالات و اظهارات پاسخ دهند بسیار آسان است. اگرچه هیچ یک از این برنامه ها در واقع زبان را درک نمی کنند ، اما در اصل ممکن است به حدی برسند که فرمان آنها بر یک زبان از فرمان یک انسان معمولی قابل تشخیص نیست. بنابراین ، حتی اگر رایانه ای که از زبان مانند یک انسان بومی استفاده می کند ، درک نشود ، چه چیزی در فهم واقعی وجود دارد؟
که وجود نداره پاسخ و توافق جهانی به اين سوال دشوار.
بر اساس یک نظریه ،خواه ناخواه فهمیدن شخص نه تنها به رفتار وی بلکه به سابقه وی نیز بستگی دارد: برای اینکه گفته شود که درک می کند ، باید زبان را آموخته باشد و آموزش دیده باشد تا بتواند به وسیله وسایل خود در جامعه زبانی جای گیرد. تعامل با سایر کاربران زبان
روش ها و اهداف در هوش مصنوعی
رویکردهای نمادین در مقابل پیوندگرایی
تحقیقات هوش مصنوعی از دو روش متمایز و تا حدودی رقابتی ، رویکرد نمادین (یا "از بالا به پایین") و رویکرد ارتباط گرایی (یا "از پایین به بالا") پیروی می کند. رویکرد از بالا به پایین سعی می کند هوش را با تجزیه و تحلیل شناخت مستقل از ساختار بیولوژیکی مغز ، از نظر پردازش نمادها-از جایی که برچسب نمادین از آن استفاده می شود-تکرار کند. از طرف دیگر ، رویکرد از بالا به بالا ، شامل ایجاد شبکه های عصبی مصنوعی در تقلید از ساختار مغز است-از آنجا که برچسب اتصال گرایان از آن استفاده می شود.
برای نشان دادن تفاوت بین این رویکردها ، وظیفه ایجاد یک سیستم مجهز به اسکنر نوری را در نظر بگیرید که حروف الفبا را تشخیص دهد. یک رویکرد از بالا به بالا معمولاً شامل آموزش یک شبکه عصبی مصنوعی با ارائه نامه های یک به یک به آن و بهبود تدریجی عملکرد با "تنظیم" شبکه است. (تنظیم پاسخگویی مسیرهای مختلف عصبی را به محرک های مختلف تنظیم می کند.) در مقابل ، یک رویکرد از بالا به پایین معمولاً شامل نوشتن یک برنامه کامپیوتری است که هر حرف را با توصیفات هندسی مقایسه می کند. به بیان ساده ، فعالیت های عصبی اساس رویکرد از پایین به بالا است ، در حالی که توصیفات نمادین اساس رویکرد از بالا به پایین است.
در مبانی یادگیری (1932) ، ادوارد تورندایک
، یک روانشناس در دانشگاه کلمبیا ، شهر نیویورک ، ابتدا پیشنهاد کرد که یادگیری انسان شامل برخی از ویژگی های ناشناخته ارتباطات بین سلول های عصبی در مغز است. در سازمان رفتار (1949) ، دونالد هب ، روانشناس دانشگاه مک گیل ، مونترال ، کانادا ، پیشنهاد کرد که یادگیری به طور خاص شامل تقویت الگوهای خاصی از فعالیت های عصبی با افزایش احتمال (وزن) شلیک نورون ناشی از ارتباطات مرتبط است. مفهوم اتصالات وزنی در بخش بعدی توضیح داده شده است ،
پیوند گرایی
در سال 1957 دو حامی سرسخت هوش مصنوعی - آلن نیول ، محقق در RAND
Corporation ، سانتا مونیکا ، کالیفرنیا و هربرت سایمون ، روانشناس و دانشمند کامپیوتر در دانشگاه کارنگی ملون ، پیتسبورگ ، پنسیلوانیا-رویکرد بالا به پایین را در آنچه فرضیه سیستم نماد فیزیکی نامیده اند ، خلاصه کردند. این فرضیه بیان می کند که پردازش ساختار نمادها ، در اصل ، برای تولید هوش مصنوعی در یک رایانه دیجیتال کافی است و علاوه بر این ، هوش انسانی نتیجه همان نوع دستکاری نمادین است.
در دهه های 1950 و 60 رویکردهای بالا به پایین و پایین به طور همزمان دنبال شد و هر دو نتایج قابل توجهی ، در صورت محدود بودن ، به دست آوردند. با این حال ، در طول دهه 1970 ، هوش مصنوعی از پایین به بالا نادیده گرفته شد و تا دهه 1980 بود که این روش بار دیگر برجسته شد. امروزه از هر دو رویکرد پیروی می شود و هر دو با مشکلات روبرو هستند. تکنیک های نمادین در قلمروهای ساده شده کار می کنند اما معمولاً در مواجهه با دنیای واقعی خراب می شوند. در همین حال ، محققان از پایین نتوانسته اند سیستم عصبی حتی ساده ترین موجودات زنده را تکثیر کنند. CaenorhabditisElegans ، یک کرم بسیار مورد مطالعه ، تقریباً 300 نورون دارد که الگوی ارتباط آنها کاملاً شناخته شده است. با این حال ، مدل های ارتباط گرایانه نتوانسته اند حتی از این کرم تقلید کنند. بدیهی است که نورون های نظریه پیوند گرایی ساده انگاری های بیش از حد واقعی هستند.
زبان
زبان سیستمی از نشانه هاست که از نظر قرارداد معنا دارند. از این نظر ، زبان نیازی به محدود کردن کلمه گفتاری ندارد. به عنوان مثال ، علائم راهنمایی و رانندگی یک زبان مادری است ، زیرا در برخی کشورها ⚠ به معنای "خطرات پیش رو" است. متمایز بودن زبانهایی است که واحدهای زبانی از نظر قراردادی دارای معنا هستند و معنای زبانی بسیار متفاوت از آن چیزی است که به معنای طبیعی نامیده می شود ، که در جملاتی مانند "آن ابرها به معنی باران است" و "افت فشار به این معناست که سوپاپ خراب است".
یکی از ویژگیهای مهم زبانهای انسانی کامل-برخلاف تماس پرندگان و علائم راهنمایی و رانندگی-بهره وری آنهاست. یک زبان مولد می تواند انواع نامحدودی از جملات را تدوین کند.
نوشتن برنامه های رایانه ای که به نظر می رسد قادرند ، در زمینه های بسیار محدود ، به سادگی به زبان انسانی به سوالات و اظهارات پاسخ دهند بسیار آسان است. اگرچه هیچ یک از این برنامه ها در واقع زبان را درک نمی کنند ، اما در اصل ممکن است به حدی برسند که فرمان آنها بر یک زبان از فرمان یک انسان معمولی قابل تشخیص نیست. بنابراین ، حتی اگر رایانه ای که از زبان مانند یک انسان بومی استفاده می کند ، درک نشود ، چه چیزی در فهم واقعی وجود دارد؟
که وجود نداره پاسخ و توافق جهانی به اين سوال دشوار.
بر اساس یک نظریه ،خواه ناخواه فهمیدن شخص نه تنها به رفتار وی بلکه به سابقه وی نیز بستگی دارد: برای اینکه گفته شود که درک می کند ، باید زبان را آموخته باشد و آموزش دیده باشد تا بتواند به وسیله وسایل خود در جامعه زبانی جای گیرد. تعامل با سایر کاربران زبان
روش ها و اهداف در هوش مصنوعی
رویکردهای نمادین در مقابل پیوندگرایی
تحقیقات هوش مصنوعی از دو روش متمایز و تا حدودی رقابتی ، رویکرد نمادین (یا "از بالا به پایین") و رویکرد ارتباط گرایی (یا "از پایین به بالا") پیروی می کند. رویکرد از بالا به پایین سعی می کند هوش را با تجزیه و تحلیل شناخت مستقل از ساختار بیولوژیکی مغز ، از نظر پردازش نمادها-از جایی که برچسب نمادین از آن استفاده می شود-تکرار کند. از طرف دیگر ، رویکرد از بالا به بالا ، شامل ایجاد شبکه های عصبی مصنوعی در تقلید از ساختار مغز است-از آنجا که برچسب اتصال گرایان از آن استفاده می شود.
برای نشان دادن تفاوت بین این رویکردها ، وظیفه ایجاد یک سیستم مجهز به اسکنر نوری را در نظر بگیرید که حروف الفبا را تشخیص دهد. یک رویکرد از بالا به بالا معمولاً شامل آموزش یک شبکه عصبی مصنوعی با ارائه نامه های یک به یک به آن و بهبود تدریجی عملکرد با "تنظیم" شبکه است. (تنظیم پاسخگویی مسیرهای مختلف عصبی را به محرک های مختلف تنظیم می کند.) در مقابل ، یک رویکرد از بالا به پایین معمولاً شامل نوشتن یک برنامه کامپیوتری است که هر حرف را با توصیفات هندسی مقایسه می کند. به بیان ساده ، فعالیت های عصبی اساس رویکرد از پایین به بالا است ، در حالی که توصیفات نمادین اساس رویکرد از بالا به پایین است.
در مبانی یادگیری (1932) ، ادوارد تورندایک
، یک روانشناس در دانشگاه کلمبیا ، شهر نیویورک ، ابتدا پیشنهاد کرد که یادگیری انسان شامل برخی از ویژگی های ناشناخته ارتباطات بین سلول های عصبی در مغز است. در سازمان رفتار (1949) ، دونالد هب ، روانشناس دانشگاه مک گیل ، مونترال ، کانادا ، پیشنهاد کرد که یادگیری به طور خاص شامل تقویت الگوهای خاصی از فعالیت های عصبی با افزایش احتمال (وزن) شلیک نورون ناشی از ارتباطات مرتبط است. مفهوم اتصالات وزنی در بخش بعدی توضیح داده شده است ،
پیوند گرایی
در سال 1957 دو حامی سرسخت هوش مصنوعی - آلن نیول ، محقق در RAND
Corporation ، سانتا مونیکا ، کالیفرنیا و هربرت سایمون ، روانشناس و دانشمند کامپیوتر در دانشگاه کارنگی ملون ، پیتسبورگ ، پنسیلوانیا-رویکرد بالا به پایین را در آنچه فرضیه سیستم نماد فیزیکی نامیده اند ، خلاصه کردند. این فرضیه بیان می کند که پردازش ساختار نمادها ، در اصل ، برای تولید هوش مصنوعی در یک رایانه دیجیتال کافی است و علاوه بر این ، هوش انسانی نتیجه همان نوع دستکاری نمادین است.
در دهه های 1950 و 60 رویکردهای بالا به پایین و پایین به طور همزمان دنبال شد و هر دو نتایج قابل توجهی ، در صورت محدود بودن ، به دست آوردند. با این حال ، در طول دهه 1970 ، هوش مصنوعی از پایین به بالا نادیده گرفته شد و تا دهه 1980 بود که این روش بار دیگر برجسته شد. امروزه از هر دو رویکرد پیروی می شود و هر دو با مشکلات روبرو هستند. تکنیک های نمادین در قلمروهای ساده شده کار می کنند اما معمولاً در مواجهه با دنیای واقعی خراب می شوند. در همین حال ، محققان از پایین نتوانسته اند سیستم عصبی حتی ساده ترین موجودات زنده را تکثیر کنند. CaenorhabditisElegans ، یک کرم بسیار مورد مطالعه ، تقریباً 300 نورون دارد که الگوی ارتباط آنها کاملاً شناخته شده است. با این حال ، مدل های ارتباط گرایانه نتوانسته اند حتی از این کرم تقلید کنند. بدیهی است که نورون های نظریه پیوند گرایی ساده انگاری های بیش از حد واقعی هستند.