هوش مصنوعی

[Mohamad]

انعطاف پذير بودن كنترل:

يكي از مشخصه هاي اساسي رفتار هوشمند قابليت انعطاف پذيري آن مي باشد . در حقيقت مشكل بتوان تصور كرد كه هوشمندي مي تواند از طريق توسعه گام به گام مراحل ثابت كه بوسيله برنامه هاي معمول كامپيوتري نشان داده مي شود حاصل شود. خوشبختانه اين تنها راه سازماندهي محاسبات نمي باشد.

يكي از مهمترين و در عين حال قديمي ترين نمونه هاي مربوط به ساخت يك برنامه AI سيستم توليد مي باشد.

در سيستم توليدي برنامه شامل يك سري قوانين مي شود. در منطق اطلاعات اين قوانين به گونه اي تنظيم مي شود كه بوسيله الگوي اطلاعات در يك نوع مسئله داده شده قابل تشخيص باشد.

قوانين توليد مي تواند به هر گونه كه پاسخگوي آ“ موقعيت خاص باشد برنامه ريزي شود. بدين طريق يك سيستم تولسد مي تواند ايجاد كننده انعطاف پذيري و ارتباط لازم براي رفتار هوشمند باشد.

بنــــابراين AI از يك تعداد متفاوتي ساختارهاي كنترلي استفاده مي كند كه بسياري از انها مرتبط با سيستم هاي توليد مي باشند و همه آنها تابع الگو مي باشند . كنترل الگويي موجب مي شود كه اطلاعات با توجه به نياز به خصوصيات يك نوع مسئله خاص به كار گرفته شود. الگوي الگوريتم هاي انطباقي مثل به صورت واحد در آوردن باعث مي شود كه بتواند تشخيص دهد كه چه موقع خصوصيات يك مسئله منطبق با يك برنامه اطلاعاتي است كه بر اين اساس اطلاعات لازم براي كاربرد در مسئله را انتخاب مي كند.

بنابراين حائز اهميت مي باشد كه يك زبان AI بتواند آن را مستقيما ايجاد كند و يا توسعه الگوي كنترل را ساده سازد.

در PROLOG يكي كردن و جستجوي الگوريتم ها در درون خود زمان ساخته مي شوند و قلب و اساس PROLOG را تشكيل مي دهند .

با استفاده از اين يكي كردن الگوريتم ها به سادگي مي توان هر نوع الگوي ساختاري كنترلي را ايجاد كرد .

LISP مستقيماً الگوي انطبقي ايجاد نمي كند اما محاسبات سمبوليك آن موجب گسترش ساده مربوط به زبان ساده ساختار الگوي منطق شونده و توصيف كننده اوليه ساختار مي شود.

يكي از مزاياي اين نظريه اين است كه الگوي تطبيق و كنترل ساختارهاي همراه با آن ممكن است به سادگي براي تطبيق با نيازهاي يك مسئله بخصوص خود را منطبق سازد.

اغلــــب نظـــريات فعلي در ارتباط با هوش مصنوعي همانند شبكه هاي عصبي عوامل تنظيم كننده و ديگر فرم هاي محاسبات ضروري ممكن است اجتناب از عمليات بر روي ساختارهاي سمبوليك باشد.

ولي آنها نياز به يك كنترل انعطاف پذير را نفي نمي كنند. شبكه هاي عصبي مي بايستي توانايي حركتي شكل گيري خودشان را داشته باشند . عوامل متكي به پيام هستند كه از بين ماحوبهاي مختلف مي گذرد.

الگوريتم هاي ژنتيكي نياز به ايجاد واحد هاي شمارش به عنوان جمعيت كانديد شده حل مسئله دارند. توانايي زبان هاي AI براي ايجاد مشخصه تركيب ساده طبقه بندي اتوماتيك حافظه امكان اطلاع رساني ساده ايجاد متغيرها و روش هاي پويا و شكل هاي قوي ايجاد برنامه مثل يك برنامه شيء گرا موجب خواهد شد كه آنها را به سمت استفاده گسترده در كاربرد اين ابزارهاي جديدتر AI سوق دهد.



پشتيباني از روش هاي برنامه نويسي جستجويي.

مسائلي كه AI به آن مرتبط مي باشد هميشه پاسخگوي يك چنين نظريه هاي مهندسي نرم افزار استاندارد كه شامل طراحي كامل و پردازش موفقيت آميز و توسعه برنامه از خصوصيات و ويژگيهاي دقيق است نمي تواند باشد. به دليل طبيعت و ذات و نوع بخصوص AI به ندرت اين احتمال به وجود مي آيد كه بتوان ويژگيهاي درست و كاملي از شكل نهايي يك برنامه AI قبل از ساخت حداقل يك proto type بدست آورد. اغلب موارد شناخت مسئله برنامه مربوط مي شود به حل موارد درگير مسئله از طريق توسعه برنامه . دلايل آن عبارت است از :

1 – بيشتر مسائل AI اصولا مشخصه هاي ضعيفي دارند.

به دليل اينكه پيچيدگي زيادي براي پشتيباني از سطح اطلاعات لازم مي باشد به ندرت احتمال مشاهده يك مسئله و تشخيص كامل بودن نظريه دقيق كه بايد در جايگاه خودش باشد وجود دارد.

بهترين ساختارهاي سطح نشانه اي كه در يك مسئله مورد استفاده قرار گيرند به ندرت در مشخصه هاي سطح دانش قرار مي گيرند. اين نوع پيچيدگي و نامفهومي خود را به روش هاي معمول مربوط به نرم افزارهاي مهندسي مرتبط نمي دانند چون كه در اين نوع برنامه ها لازمه اش اين است كه مشخصه هاي مربوط به توسعه به خصوص مسئله قبل از اينكه مرحله كدبندي آغاز شود شكل مي گيرد.

يك عملكرد منطقي خود ذاتا براي مشخصه ها و خصوصيات معمولش بسيار مشكل تر از عملكرد نوعي طبقه بندي ليست يا ايجاد يك فايل سيستم است . حقيقتا اين به چه معني است؟

به عنوان مثال براي طراحي يك مدار يا بهبود يك بيماري اين به چه معني است؟ چگونه يك انسان ماهر و متخصص اين عمليات ها را شكل مي دهد؟ سطح رضايت بخش ايجاد يك محدوده مسئله داده شده چه چيزي است؟ چه نوع دانش و اطلاعاتي لازم مي باشد؟ چه مشكلاتي ممكن است به دلايل نبود و يا غير واقعي بودن اطلاعات پيش بيايد؟ به دليل جوابهاي به اين قبيل سؤالات و ديگر سؤالات كه در يك دوره كلي مطرح مي شود و بسيار تخصصي مي باشند و هر وقت اين طور باشد ساختار آن نيز عميق تر و پيچيده تر مي شود به همين نسبت حل آن نيز به دقت بيشتري نياز دارد.

2 – نظرياتي كه براي حل مسائل به آن پراخته مي شود در محدوده بخصوصي قرار مي گيرند.

گر چه چهار چوب هاي كلي براي حل مسائل AI وجود دارد به عنوان مثال سيستم توليد جستجو در زبان دامنه و محدوده هر مسئله نيازمند روش هاي خاص خود مي باشد.

بنابراين راه حل موفقيت آميز مسئله به ندرت به طور كامل براي محدوديتهاي جديد عموميت و كاربرد دارد هر كاربرد تا حدودي يك نوع مسئله جديد مي باشد .

3- ساختارها و اشكال بيان AIبه طور پيوسته بايد توسعه و تجديد شود

توسعه AI يك پروسه تحقيقي مداوم است . توسعه سيستم هاي AI كاربردي در بسياري از روشها بسط و توسعة اين پروسه ها مي باشند . گرچه تجربه عمدتاً به كاربرد زبان كمك مي كند ولي عموماً هيچ جايگزيني براي كاربرد يك ايده و اينكه چگونه عمل مي كند وجود ندارد .

به همين دليل AI اصولاً به صورت جستجوي است . برنامه اغلب به صورت ماشيني است كه از طريق آن ما مي توانيم دامن مسئله را كشف كنيم و روش هاي حل مسئله را كشف كنيم در حقيقت ابزاري است كه با آن به شناخت مسئله نائل مي شويم .

چالش در برنامه نويسي AI ، پشتيباني برنامه ريزي كشفي است . در بين خصوصياتي كه يك زبان برنامه نويسي بايد ايجاد كند موارد ذيل وجود دارد :
1- Modularity
2- قابليت گسترش

3- ساختارهاي سطح بالاي مفيد

4- پشتيباني از Prototype سازي اوليه

5- قابل خواندن بودن برنامه

6- مترجم ها

7- پشتيباني نرم افزاري براي برنامه نويسي جستجويي

ما اين عناوين را در پاراگراف هاي زير مورد بحث و بررسي قرار خواهيم داد :



1-قابليت Modularity كدها

حائز اهميت است كه يك زبان براي برنامه نويسي كشفي از يك سري تعاريف متوالي مربوط به كدها پيروي كند اين بيانگر اين است كه مسائل مي بايستي شامل قسمت هاي كوچك و مطلوب باشد نه بدنه هاي پيچيده كه بندي شده ارتباط متقابل بين محتوي برنامه بايد محدود باشد و به خوبي نيز توصيف شده باشند.

اين شامل پرهيز از تأثيرات جانبي و متغيرهاي جهاني (global) و اطمينان از رفتار هر Module واحد در شناخت برنامه باشد كه بتواند به خوبي قابل تشخيص باشد.

برنامه هاي LISP به صورت مجموعة انتخابي از عملكردهاي واحد مي باشند در يك برنامه LISP كه به صورت مطلوب نوشته شده باشد هر عملكرد كوچك مي باشد كه يك كاركرد خوب و واحد را شكل مي دهند.

بنـــابراين اغلب جايگزيني و اصلاح علت هاي هر كمبودي، ساده مي باشد. روش هاي اندازه گيري متغير LISP و پارامترهاي مربوط به آن اغلب براي كاهش تأثيرات عملكردي به كار گرفته مي شوند. متغيرهاي جهاني،‌گر چه به وسيله زبان پشتيباني مي شوند ولي استفاده در كدهاي متناسب LISP نهي شده اند.

علاوه بر اين LISP دسته بندي شي گرا را از طريق سيستم شيء LISP به صورت CLOS پشتيباني مي شود.

در PROLOG واحد اصلي برنامه روش و قانون است، قوانين PROLOG همانند عملكردهاي LISP كوچك و ويژه هستند.

به دليل اينكه محدوده و قياس متغيرها در PROLOG اغلب محدود به يك شيوه و قانون شده اند، و زبان اجازه تغييرات جهاني را نمي دهد. توصيف كردن اصولاً ساده مي باشد.

LISP و PROLOG شامل مشخصه هاي سهل و آساني مي باشند كه هنگامي كه با يك ساختار برنامه مشخص تركيب شوند، موجب آسان شدن پرداخت آن مي گردند.



2-قابليت گسترش

اصولاً برنامه نويسي جستجويي در قالب يك پروسه داراي ساختار سطح بالاي برنامه اي است كه به گونه كد توسعه يافته است. يك روش مهم براي انجام اين پروسه در قالب سيستماتيك و با ساختار مناسب،‌توسعة يك زبان نهفته در ‌آن است.

اغلب امكان توصيف شكل نهايي يك برنامه AI وجود ندارد،‌اما امكان تشخيص ساختارهاي سطح بالا و مفيد براي كشف و بررسي دامنه مسئله وجود دارد. اين ساختارها مي توا ند شامل الگوهاي مناسب ، كنترل كننده هاي جستجو وعملكردهاي توصيف يك زبان توصيفي باشد.

اصـــولاً ايـــن نظـــريه كه مي گويد اگر شما ساختار نهايي يك برنامه را تشخيص ندهيد مي بايستي سعي كنيد كه ساختار زبان را توصيف كنيد كه به شما كمك خواهد كرد كه آن ساختار را توسعه دهيد.

براي پشتيباني از اين روش، يك زبان برنامه نويسي بايد به صورت سهل و آسان قابل گسترش باشد و به طور ساده آنها را توسعه دهد. به وسيله توسعه و گسترش كه همان توانايي توصيف ساختارهاي زباني جديد است كه داراي حداكثر آزادي و انعطاف باشند.

LISP و PROLOG و همچنين توسعة شيء گرا آنها همانند CLOS همگي موجب مي شوند كه توصيف سادة اهداف، پيش بيني ها و عملكردهاي جديد ، صورت پذيرد.

هنگامي كه توصيف صورت پذيرفت، اين ساختارهايي كه كاربر ايجاد كرده داراي رفتاري شبيه به ساختارهاي اساسي زبان مي باشند.

اين زبانها به وسيله توسعة توانايي هاي اصولي از ابتدا تا حل آن برنامه ريزي مي شوند. دراين صورت،‌گفته مي شود كه برنامه هاي معمول، ساختاربندي مي شوند ولي برنامه هاي AI رشد و توسعه مي يابند.

اين مورد با تشخيص سريع مقايسه مي شود كه در اين مورد زبانهاي معمولي مابين خصوصيات ساختاري و برنامه هاي توسعه يافته، كاربردي واقع مي شوند.

در يك برنامه ما ممكن است عملكردهاي جديدي را تعريف كنيم اما ساختار آنها بسيار محدودتر از ســـاختارهاي از قبل ساخته شده است. اين موجب محدوديت انعطاف پذيري و استفاده از اين توسعه و گسترش ها مي شود.

LISP و PROLOG همچنين موجب ساده شدن نوشتن توصيف متغيرهاي ويژه يك زبان خاص مي شوند. در LISP برنامه ها و اطلاعات به گونه ساختاري ليست مي شوند. اين باعــث ســادگي نوشتن برنامه اي مي شود كه از كد LISP به عنوان داده (Data) استفاده مي كنند كه در اين صورت باعث ساده تر شدن توسعه، تصويفي مي شوند.

بسياري از زبانهايي كه از نظر سابقه و همچنين اقتصادي در نوع زبانهاي AI حائز اهميت مي باشند، مثل PLANNER و ROSIE و KEE و OPS بر اساس توانائي هاي LISP ساخته مي شوند.

PROLOG اين توانائي ها را در قالب تعدادي “meta – predicates” كه قابل پيش بيني براي تركيب با ديگر مشخصه هاي PROLOG باشند. ايجاد مي كند كه در اين صورت باعث ساده شدن نوشتاري آن مي گردد.

همراه با LISP تعدادي زبانهاي سطح بالا AI بر اساس PROLOG ساخته شده اند كه از اين روش استفاده مي كنند.

[Mohamad]

تعاريف مشخص و واضح

لازم است كه زبانهاي AI همراه با زبانهاي ديگر برنامه نويسي براي توسعه گسترده كامل و در عين حال منطقي سيستم، به كار گرفته شوند.

متأسفانه زبانهاي برنامه نويسي معمول مثل Fortran و پاسكال داراي تعاريف مشكل و پيچيده اي هستند اين موارد مي تواند ناشي از واقعيت خود زبان باشد كه اصولاً داراي خصوصيات ساختاري سطح بالايي در كامپيوتر دارند و در خودشان سيستم هاي فيزيكي و پيچيده اي دارند. به دليل اينكه زبانهاي AI داراي اساس و پايه رياضي هستند مثل PROLOG و LISP ،‌آنها مي بايستي معاني ساده تري باشند كه داراي قدرت و ظرافت نهفته در رياضي باشند.

اين موجب مي شود كه اين زبانها عمدتاً براي تحقيقات در محدودة به كارگيري دانش ابزارهاي زبان، ايجاد برن امه درست،‌و اتوماتيك كردن تأثير گذاري كد، مفيد واقع شوند.

همـــچنين بـــايد توجه داشت كه گر چه عملكرد بسياري از برنامه هاي AI كاملاً پيچيده مي باشد ولي كدي كه داراي اين عملكرد است بايد ساده و مشخص باشد.

بلوك هاي بزرگ مركب و پيچيده با كد مشخص داراي AI مناسب نمي باشند يك زبان خوب توصيف شده،‌يك ابزار مهم براي دريافت اين اهداف مي باشد.



خلاصه اي دربارة LISP و PROLOG

به وسيله برآورده كردن نيازهاي گفته شده، LISP و PROLOG هر دو داراي زبانهاي برنامه نويسي غني و كاملي هستند وقتي كه اين زبانها را فرا مي گيريم، دانشجو در ذهن و فكر دربارة روشهايي كه آنها به وسيله ويژگيهاي خاص هر زبان پشتيباني مي كنند، نيازها را نگه داري مي كنند.
PROLOG

PROLOG يكي از بهترين نمونه و مثال يك زبان برنامه نويسي منطقي است. يك برنامه منطقي داراي يك سري ويژگيهاي قانون و منطق است . PROLOG از محاسبة اوليه استفاده مي كند. در حقيقت خود اين نام از برنامه نويسي PRO در LOGIC مي آيد يك مفسر برنامه را بر اساس يك منطق مي نويسد. ايده استفاده توصيفي محاسبه اوليه براي بيان خصوصيات حل مسئله يكي از محوريت هاي مشاركتPROLOG مي باشد كه براي علم كامپيوتر به طور كلي و به طور اخص براي زبان برنامه نويسي هوشمند مورد استفاده قرار مي گيرند. نفع اسفتاده از محاسبه اوليه براي برنامه نويسي شامل يك ساختار ظريف و ساده و قابل معني مي شود.

به دليل همين خصوصيات است كه PROLOG به عنوان يك محرك اصلي و مفيد براي تحقيقاتي مثل موارد برنامه نويسي آزمايشي به عنوان يك كد، متغير كردن برنامه و طراحي ويـــژگيهـاي زبان سطح بالا، مطرح است. PROLOG و ديگر زبانهاي منطقي يك سبك برنامه نويسي مشخصي را دنبال مي كنند كه در آنها برنامه ها به صورت دستورات پشت سرهم و متوالي براي ايجاد يك الگوريتم، نوشته مي شوند. اين نوع برنامه اصولاً به كامپيوتر مي گويد كه «چه چيزي درست است» و «چه چيزي بايد صورت گيرد» و اين به برنامه نويس اجازه مي دهد كه بر روي حل مسئله به صورت يك سري خصوصيات از يك محدوده تأكيد كند تا اينكه بخواهد به جزئيات نوشتاري سطح پائين ساختارهاي الگوريتمي براي بعد بپردازد.

اولين برنامه PROLOG در مارسي فرانسه در اوايل 1970 به عنوان بخشي از زبان معمول يك پروژه نوشته شد. تئوري نهفته در پشت اين زبان در كارهاي كوالسكي،‌هيز و ديگران آورده شده است. عمدة توسعة PROLOG بين سالهاي 1975 تا 1979 در بخش هوش مصنوعي دانشگاه ادينبورگ صورت گرفت.

در آنجا يك گروه مسئوليت كاربرد اولين PROLOG را به عهده داشتند كه آقاي David H.D مسئول آن بود. اين گروه اولين PROLOG را ساخت كه مي توانست محاسبات كلي را انجام دهد. اين محصول بر اساس سيستم DEC-10 ساخته شده بود و مي توانست در مدهاي توصيفي و مقايسه اي كارآئي داشته باشد.

مزيت اين زبان به وسيله پروژه هايي كه براي ارزيابي و گسترش قدرت بيان برنامه هاي منطقي نوشته شده اند،‌ اثبات شده است.

بحث دربارة يك چنين كاربردهايي مي تواند در سمينار و گردهمائي هاي مربوط به زبان برنامه نويسي هوش مصنوعي در سطح بين المللي مطرح شود.
LISP

LISP اولين بار به وسيله JACK MCCARTHY در اواخر دهه 1950 مطرح شد اين زبان به عنوان يك مدل پيوسته محاسباتي بر اساس تئوري عملكرد مجدد،‌معرفي شد.

در مقالات اولية مك كارتي (1960) اهداف خود را مشخص مي كند: ايجاد يك زبان سمبوليك تا يك زبان محاسباتي. ايجاد زباني كه بتوان از آ‌ن به عنوان يك مدل محاسباتي بر اساس تئوري عملكرد مجدد استفاده كرد و از آن بتوان براي تعريف دقيق يك ساختار و تعريف زباني استفاده كرد.

گر چه LISP يكي از قديمي ترين زبانهاي محاسباتي است كه هنوز فعال است، ولي دقت كافي در برنامه نويسي و طراحي توسعه باعث شده كه اين يك زبان برنامه نويسي فعال باقي بما ند.

در حقيقت اين مدل برنامه نويسي طوري مؤثر بوده است، كه تعدادي از ديگر زبانها بر اساس عملكرد برنامه نويسي آن واقع شده اند مثل FP ، ML و SCHEME .

اين ليست اساس برنامه ها و ساختارهاي اطلاعاتي در LISP است، LISP خلاصه شده نام پروسه LIS است. اين برنامه يك سري ليست هاي عملكردي درون ساختاري دارد.

LISP به برنامه نويس قدرت كامل براي اتصال به ساختارهاي اطلاعاتي را مي دهد.

اصولاً LISP يك زبان كامل است كه داراي عملكردها وليست هاي لازمه براي توصيف عملكردهاي جديد، تشخيص تناسب و ارزيابي معاني مي باشد.

تنها هدف كنترل برنامه بازگشت و شرايط منحصر به فرد است. عملكردهاي كامل تر هنگامي كه لا زم باشد در قالب اين اصول تعريف مي شوند. در طي زمان بهترين عملكردها به عنوان بخشي از زبان مي شوند. پروسه توسعة زبان به وسيلة اضافه كردن عملكردهاي جديد موجب توسعه محورهاي زيادي از LISP مي شوند كه اغلب شامل صدها عملكرد بخصوص براي ايجاد اطلاعات كنترل برنامه، خروجي و ورودي، Edit كردن عملكردهاي LISP مي شوند.

اين ارتباطات محركه اي هستند كه به وسيله LISP از يك مدل ساده و ظريف به يك مدل قوي و غني و عملكردي براي ساخت سيستم هاي نرم افزاري بزرگ، تبديل مي شود.

يكي ازمهم ترين برنامه هاي مرتبط با LISP برنامه SCHEME مي باشد كه يك تفكر دوباره دربارة زبان در آن وجود دارد كه به وسيله توسعه AI وبراي آموزش اصول مفاهيم علم كامپيوتر مورد استفاده قرار مي گيرند.


7. برنامه نويسي شيء گرا

برخلاف برنامه LISP و PROLOG ،‌برنامه شيء گرا ريشه در مهندسي نرم افزار دارد. اولين بار در سال 1970 توسعه يافته كه به وسيله Alan Kay اين تحقيقات صورت گرفته است.

ساخت ايده ها از محرك، كه زبان نروژي تظاهر مي كند در سال 1960 و مقاله Symour در استفاده از LOGO براي آموزش كودكان، صورت پذيرفته است.

استفاده از Dyna book براي اولين بار به عنوان يك كامپيوتر، كه افرادي به غير متخصصان علم كامپيوتر با آن سروكار داشتند.

بـــه دليل اينكه كاربر افراد معمولي بودند سيستم عملكرد و كاربرد نرم افزار نبايد تكنيكي مي بود و به سادگي قابل تشخيص بود. راه حل آنها براي اين مسئله يك مداخلة گرافيكي است با استفاده از منوها و آيكون هاي گرافيكي و اشاره گرها، يك موس يا يك سري برنامه ها براي اديت كردن، داده ها مي باشد.

دخالت كاربر در طراحي يك notebook متأثر از طراحي كاربرها براي يك سري كامپيوترهاي تخصصي مثل سيستم هاي به كارگيري كامپيوتر شخصي مثل مكينتاش، ماكروسافت و محل هاي مربوط به ويندوز مي باشد.

در يك برنامه small talk ،‌همه چيز در قالب هدف و يك ساختار قابل محاسبه مرك و قراردادي مطرح مي شود. اهداف نه فقط شامل انواع اطلاعات براي محاسبه بلكه شامل انواع روشهاي لازم براي محاسبه حالت و وضعيت هدف نيز مي شوند.

ارزشهاي يك هدف به صورت كلاس ها بيان مي شود. اهداف ممكن است اهداف طبقه بندي شده كه توصيف كنندة تمامي مواد يك نمونه باشد و بيانگر نوع ذات و توصيف تما مي موارد يا مواردي كه بيانگر يك عضو واحد هستند را شامل شود.

وقتي مواردي از يك نوع اطلاعات به وسيله اهداف توصيف مي شود اين موارد ذاتاً داراي نوع توصيف و روشهاي توصيفي از عملگرهايشان مي باشند،‌براي شكل دادن يك عمليات بر روي يك هدف، يك پيام به سمت هدف فرستاده شده كه حاصل روش مناسبي مي باشد. به عنوان مثال، اضافه كردن 3 و 4 پيام 4+ به سمت شيء 3 فرستاده مي شود و 3 پاسخ مي دهد مي شود 7 .

به وسيله ايجاد انواع تركيب اطلاعات و عمل بر روي آنها در يك عمل واحد مربوط به هدف، small talk از كد Modular (پيمانه اي) توسعه و نوع كاربرد براي عناصر اطلاعات و كد مربوط به تكثير آنها، پشتيباني مي كند.

به دليل اينكه اهداف small talk در قالب يك كلاس شبكه اي همراه با اهداف كاملاً ويژه كه بخشي از تمامي روش هــاي كاملاً كلي است ، بسيار ساده است كه يك ساختار جديد برنامه اي توصيف كنيم كه عملاً با اهداف موجود در برنامه همراه باشد. بنابراين يك برنامه اصولاً مي تواند قدرت كامل يك سيستم باشد كه شامل گرافيك،‌بازنگري و ارتباط است.

علاوه بر اين روش هاي توسعه نرم افزاري مثل ارائه اطلاعات و زبانهاي نهفته، فشار بر اپراتور و استفاده از كدها از طريق يك گروه اصلي و زبانهاي نهفته در قالب يك مدل رايج پشتيباني مي شوند.

زبانهاي شيء‌گرا همراه با بسياري از خصوصيات مندرج در يك كلاس اطلاعاتي، شامل كلاس اصلي و توانايي پاسخ در ساختار اطلاعات مي شود به همين دلايل زبانهاي شيءگرا در برنامه نويسي AI استفاده مي شوند.
محيطهاي هيبريد

نياز به برنامه نويسي اطلاعاتي موجب توسعة تعدادي برنامه نويسي و تكنيك هاي زبان، شامل سيستم هاي توليد،‌قوانين و كلاس شيء‌گرا مي شود.

يك سيستم هيبريد بيانگر نمونه هاي چند منظوره در قالب يك محيط برنامه نويسي خاص مــي باشد. گر چه محيطهاي هيبريد متفاوت مي باشد. ولي عموماً شامل خصوصيات ذيل مي شوند.

1-نمايش شيء گرا از محدوده اشياء

يك چنين سيستم هايي ذاتاً ويژگيهاي كلاس را پشتيباني مي كنند و اغلب شامل يك مكانيسم انتقال پيام براي عكس العمل هدف مي باشند.

2-قوانين نمايش اطلاعات neuristic

گر چه چهارچوب اهداف به معني توصيف طبقه بندي اهداف، مي باشند. قوانين به عنوان عمدة نظر توصيف مسائل اطلاعاتي مي باشند.

ساختار then …. if ….. مناسب شيوة تخصص انساني است كه بيانگر پروسة تصميم گير است. قوانين دريافت اطلاعاتي از اهداف را دارند كه با استفاده از يك زبان كه مستقيماً در چارچوب يك هدف مي خواند و مي نويسد و يا به وسيلة استفاده از پيام كه مستقيماً وارد هدف مي شود صورت مي پذيرد.

3-پشتيباني از انواع روش هاي جستجو

بيشتر سيستم هاي پشتيباني از جستجوي اوليه و انتهايي حمايت مي كنند عموماً بيان يك هدف در قالب جستجويي ،‌تغيير به سمت عقب مي باشد . علاوه بر اين يك واقعيت تازه دربارة حافظه كاركرد ممكن است ايجاد علت هاي اوليه از قوانين كند كه به وسيله اين واقعيت جديد پشتيباني مي شوند.

4-توصيف دامنة كاربرد عملكرد متقابل و تأثيرات جانبي

يك demon فـــرآيندي اســـت كه به وسيله عملكردهاي جانبي بعضي از اعمال مشخص مي شود. يك نمونه از استفاده demon كنترل در يك سيستم زماني است كه بيانگر دوره اي در مانيتور يك چاپگر و يا ديگر وسايل مي باشد.

demon به وسيله يك زمان مشخص مي شود. محيطهاي AI اين ايده را توسعه مي دهند و باعث ايجاد demon مي شوند كه هنگامي كه هدف توليد يا توصيف شود به كار مي آيند.

چنين demonهايي براي به زمان نگه داشتن يك نشانگر در پاسخ به تغيير مقدار مورد استفاده قرار مي گيرند. Demon هاي مهم و مطرح اصولاً داراي مقاديري متغير مي باشد كه هنگامي كه ارزش متغير تغيير كند demon خوانده شده و وقتي كه اين اتفاق افتاد demon ايجاد و خلق مي شود كه اين وقتي اتفاق مي افتد كه يك مقدار خلق شده باشد و ارزش ها در قالب گرافيكي فعال مي شوند كه اين فعاليت مي تواند متغير باشد.

5-تداخلگرهاي گرافيكي

اينها شامل يك طيفي از امكاناتي مي باشند كه اجازه تداوم و دنبال كردن موارد را مي دهند. به عنوان مثال نشانگرهاي گرافيكي مي توانند ساختار قوانين يك اصل اطلاعاتي را به صورت يك درخت توصيف دهند. يكي از مهمترين خصوصيات محيطهاي هيبريد،‌توانائي اتصال با استفاده از demon مي باشد كه به صورت يك نشانگر گرافيكي متصل به شيء و هدف مي باشد. كه اين موجب عملكرد گرافيكي براي بيان زمان واقعي نشانگر مي باشد كه در حقيقت بيشتر محيط ها داراي يك پشتيباني سطح بالاي از داده هاي گرافيكي مي باشند.

6-اجتناب از زبانهاي زيرين

روشهايي كه در قالب يك زمان خاص يا پاسخگو مي باشند به وسيله محيط و يا اغلب اوقات LISP و PROLOG يا حتي و يا پاسكال توصيف شده اند كه اين موجب توصيف طيفي فرآيند اطلاات و هم چنين يك برنامه اطلاعاتي كه طيف وسيعي از زبانهاي كه شكل دهنده هندسي، جهت ها و سنسورها و يا ديگر عملكردهايي كه به صورت بهتري در قالب روشهاي الگوريتمي به كار گرفته مي شود را شامل مي شود.

7-توانائي ترجمه اطلاعات جهت اجراي سريعتر يا تحويل روي يك ماشين كوچكتر

وقتي كه برنامه شيء گرا كامل شد. يك محيط كامل و توسعه يافته اغلب ، بلندي است كه به تدريج افول مي كند و پائين مي آيد بيشتر محيط هاي مدرن AI اجازه كاربرد سريعتر و ساده تر را كه اغلب كوچكتر و ارزانتر است را در يك ماشين ترجمه ايجاد مي كنند.
8. يك نمونه هيبريد

بسياري از نمونه هاي مطلوب اصولاً از طريق اشيا، ارتباطات و كنش و واكنش متقابل بين آنها واقع يم شود در شكل زير يك نمونه اتصال به وسيله باطري همراه با يك سوئيچ براي يك لامپ (شكل 364) در نظر گرفته شده است.

لامپ، باطري و سوئيچ ممكن است هر كدام به وسيله كلاسها بيان شوند كه بيانگر ويژگيهاي باطري، سوئيچ و لامپ باشد . مشخصه هاي الكترونيكي شكل 2 ممكن است به عنـــوان موارد بخصوصي از اين كلاس هاي كلي بيان مي شوند. توجه داشته باشيد كه نمونه ها داراي مقادير نمونه اي مربوط به كلاس خاص شيء مربوط به خود مي شوند به عنوان مثال اگر سوئيچ 1 در حالت خاموش قرار گيرد. قسمت كنترل كه مربوط مي شود به لامپ 1 تحت تأثير قرار خواهد گرفت. .


يك قانون ممكن است در اينجا به وجود بيايد كه :

اگر نور وارد AND نشود، سوئيچ AND را بسته و باطري درست است بنابراين بايد به قسمتي كه ممكن است آسيب ديده باشد مراجعه كرد.

در نمايش هيبريد قوانين داراي ويژگيهايي هستند كه بيشتر بيانگر مقدار اهميت كلاسها و اشياء مي باشند.كه در شكل 3 به آن اشاره شده است. اين قانون ممكن است به عنوان بخشي از قانون اوليه سيستم در تلاش براي به جريان انداختن اين مدار باشد كه در جاي ديگر براي راه اندازي سوئيچ كنترل براي حالات متغير است.
9. انتخاب زبان كاربردي

همانگونه كه هوش مصنوعي به مرحله رشد مي رسد وقابليت هاي خود را در طيف وسيعي از مسائل كاربردي به اثبات مي رساند اعتماد به LISP و PROLOG نيز مدنظر مي باشد، ‌موارد مربوط به توسعة نرم افزاري، همانند نياز به تداخلگرها به صورت ساده وآ‌سان همراه با يك كد منطقي تا استفاده از AI در Moduleهاي كوچكتر و يا بزرگتر در برنامه ها و نياز به ايجاد توسعه استاندارد متأثر از مشتريان دولتي و يا گروهي موجب توسعة سيستم هاي AI در انواع زبانهاي مثل C ، , C++ Java و Smalltalk شده است.

كــه زبــانهاي LISP و PROLOG كار خود را در محدودة توسعه و Prototype سازي سيستم هاي AI در صنعت و دانشگاهها دنبال مي كنند.

يـــك اطـــلاعات و دانش كاربردي مربوط به اين زبانها به عنوان بخشي از مهارت هر برنامه نويس AI مي باشد. علاوه بر اين، اين زبانها به عنوان زمينه اي براي بسياري از اين خصوصيات مي باشند كه در ادامه همكاري با زبانهاي برنامه نويسي جديد مي باشند.

احتمالاً بهترين نمونه از اين زبانها Java ميباشد كه متناسب با استفاده اولويت ديناميكي اش، داراي مديريت حافظه اتوماتيك و ديگر خصوصياتي است كه در زبانهاي كه ترجمه شده وجود دارد به نظر مي رسد كه ديگر زبانهاي برنامه نويسي براي رسيدن به حد مطلوب از استانداردهاي اين زبانها استفاده مي كنند.

هم چنانكه اين تكامل صورت مي پذيرد و ادامه مي يابد دانش مربوط به LISP و PROLOG يا Small talk و روش هاي برنامه نويس قادرند تنها از نظر مقدار توسعه يابند.

بنابراين، از اينكه از يكي از اين زبانهاي AI استفاده كنيم يا خود را در برنامه نويسي با زبانهاي C++ و C و Java يا يكي از زبانهاي رقيب پيدا كنيم راضي و قانع خواهيم بود.




منابع و مآخذ
كتاب Artificial intelligence structures & strategies for complex problem solving
نوشته George F.Luger & william A. Stubble field

[Mohamad]

هوش مصنوعی (بیشتر بدانید:)
سلام

بچه ها هوش مصنوعی تقریبا 2سالی هست که توی ایران اومده و در سطح فوق لیسانس و دکترا است .رشته خوبی اگه خدا بخواد منم می خوام واسه فوق این رشته رو امتحان بدم.
بهتره بیشتر درموردش بدونید:


هوش مصنوعی

در شبکه ارتباطی مغز انسانها سیگنالهای ارتباطی به صورت پالسهای الکتریکی هستند.جزء اصلی مغز نرون است که از یک ساختمان سلولی و مجموعه ای از شیارها و خطوط تشکیل شده و شیارها محل ورود اطلاعات به نرون هستند وخطوط محل خروج اطلاعات از نرون اند . نقطه اتصال یک نرون به نرون دیگر را سیناپس می نامند که مانند دروازه یا کلید عمل مي کنند. اگر واکنشهایی که میلیونها نرون مختلف به پالسهای متفاوت نشان میدهند با یکدیگر هماهنگ باشند ممکن است پدیده های مهمی در مغز رخ دهد.
آندسته از پژوهشگران هوش مصنوعی که رویکرد مدل مغزی را دنبال می کنند گونه ای از مدارهای الکتریکی را طراحی کرده اند که تا حدی شبکه مغز را شبیه سازی میکند در این روش هر گره (نرون)به تنهایی یک پردازنده است ولی رایانه های معمولی حداکثر چند cpuدارند هدف عمده کامپیوتر شبکه عصبی این است که مکانیسمی طراحی کند که همانند مغز انسان بازخورد مثبت یاد بگیرد پاسخهای درست و نادرست کدامند. سیستم شبکه عصبی این کار را از طریق ارزشگذاری کمی برای ارتباطات سیگنالها بین نرونها انجام میدهد مکانیسم ارزشگذاری توسط مقاومتها با تقویت یا تضعیف پالسها انجام میشود.چون شبکه های عصبی میلیونها نرون دارند خرابی تعدادی از آنها تاثیر چندانی برعملکرد سیستم نمی گذارد تا کنون چند سیستم آزمایشی با استفاده از این اصول طراحی و ساخته شده اند مثلاًدر بررسی های زیست محیطی، شبکه های عصبی برای جمع آوری و تحلیل اطلاعاتی که از راه دور حس شده اند مورد استفاده قرار می گیرند اطلاعاتی که اغلب سفینه ها مخابره می کنند بسیار حجیم است.شبکه های عصبی این اطلاعات را به راحتی دسته بندی کرده وپس از جمع آوری اطلاعات ذهنی و تجسمی نتایج جالبی به دست می آورند (مثلاًتشخیص انواع خاصی از ابرها) البته این فرایند با آنچه سیستم های خبره انجام می دهند متفاوت است زیرا این سیستم ها ابزارهای تصمیم سازی هستند و می توانند حجم زیادی از اطلاعات را به سرعت تحلیل کنند شبکه های عصبی برای مدل سازی فرایندهای فکری-مغزی که زمینه ی دیگری برای مطالعات حساس به اطلاعات و پیچیدگی است مورد استفاده قرار گرفته است .
به سوی آینده
هوش مصنوعی هنوز راه درازی در پیش دارد؛شبکه سازی عصبی (که با اغماض ارتباط گرایی هم نامیده می شود)در سالهای اخیر تغییرات عمده ای را شاهد بوده است .به عنوان نمونه برخی پژوهشگران پیش بینی میکنند به کمک تکنولوژی نرم افزاری جدید شبکه های عصبی با کامپیوترهای شخصی ترتیب داده خواهند شد و پیش بینی بازار سهام را ممکن خواهند کرد افرادی که درباره ی هوش مصنوعی وتوانایی های آن مرددند اظهار می دارند اگر هوش مصنوعی محقق شود ناچار است از دنیای منطقی،قانونمند ونمادین کامپیوترهای دیجیتال خارج شوند و به دنیای مبهم (حاصل از منطق فازی)شبکه های عصبی که مبتنی بر سیستم گسترده ی یاد گیری بازخوردی هستند پا بگذارد .
امروزه نگرش تازه ای نسبت به هوش مصنوعی ایجاد شده است که در بسیاری از آزمایشگاهها تحت بررسی است :دانشمندان سعی می کنند دریابند آیا مجموعه ای از روباتهای نیمه هوشمندمی توان یک هوش جمعی ایجاد کنند به گونه ای که از اعضای تشکیل دهنده اش باهوش تر باشد.

[Mohamad]

آينده هوش مصنوعى


نوشته شده توسط: مارك هامفريس ترجمه: مهشيد گوهرى
هوش مصنوعى(هوش مصنوعى) شاهد خوبى بر اين مدعاست كه چگونه گاهى اوقات ، دانش خيلى آرامتر از آنچه پيش بينى كرده ايم، حركت مى كند. برخى در آغاز اختراع كامپيوترها ،معتقد بودند كه ما سرانجام توانسته ايم ابزارى را در اختيار بگيريم كه ميتواند مشكلات ذهنى را حل كند، اما كاملاٍ اينگونه نبوده و هر چند در طول سالهاى اخير با نسل جديدى از ماشينهاى هوشمند مواجه شده ايم، اما نتايج آنگونه كه انتظار مى رفت نبود. كامپيوترهايى كه در گذشته بر ما تاثير بسيار زيادى مى گذاشتند، در حال حاضر ديگر چندان تاثير گذار نيستند و ما به دنبال اين هستيم كه چه مشكلاتى بر سر راه هوش مصنوعى(هوش مصنوعى) قرار دارد.هوش مصنوعى مهندسى الهام گرفته از زيست شناسى است، آنگاه كه ما به حيوانات و به انسانها نگاه مى كنيم و مى خواهيم ماشين هايى بسازيم كه آنچه آنها انجام مى دهند را انجام دهند.ما ماشينهاى را مى خواهيم كه قادر باشند مانند انسانها و حيوانات ياد بگيرند، بفهمند، صحبت كنند، استدلال كنند و در يك كلام «هوشيار» باشند.

تاريخچه پيچيده هوش مصنوعى
هوش مصنوعى كارش را با نوعى زيست شناسى مصنوعى آغاز كرده است ، با نگاه كردن به زندگى جانداران و گفتن اينكه … آيا ما مى توانيم اعمال آنها را توسط ماشينها مدل سازى كنيم؟…فرض بر اين بوده است كه موجودات زنده ، سيستمهايى فيزيكى هستند كه ما آنها را مورد آزمايش قرار مى دهيم تا ببينيم در كجا مدل سازى آنها براى ما مفيد است و در كجا مناسب نيست. زيست شناسى مصنوعى به سير تكامل سيستمهاى فيزيكى، فرآيند رشد از كودكى تا بلوغ، تركيبات داخلى عصبى واين قبيل مسايل مى پردازد. يك زير مجموعه از زيست شناسى مصنوعى ، نوعى جانور شناسى مصنوعى است كه رفتارهاى حركتى، بينايى ، آموزشهاى زبان شناسى و برنامه ريزى و غيره را مورد توجه قرار مى دهد. زير مجموعه بعدى آن ، روانشناسى مصنوعى است كه به رفتارهاى بشرى در آنجا كه با استدلال ، زبان و سخنورى ، تمدنهاى اجتماعى و همه مسايل فلسفى مانند حس هوشيارى ، آزادى وغيره سر و كار دارد، مى پردازد. مردم با اعمالى مانند انجام محاسبات رياضى پيچيده واجراى يك بازى خوب شطرنج تحت تاثير قرار مى گيرند، اما در مقايسه با آن ، توانايى راه رفتن چندان مهم به نظر نمى رسد. شما نمى توانيد با افتخار به دوستانتان بگوييد: «نگاه كنيد ، من دارم راه مى روم.» چون آنها هم مى توانند مثل شما راه بروند.بنابراين مشكلاتى كه يك كودك نو پا هر روز با آن دست به گريبان است، به نظر خسته كننده و بسيار پيش پاافتاده مى آيد. بنابراين به نظر مى رسد پيچيده ترين مشكلات، آنهايى است كه نياز به انديشيدن دارد، مانند شطرنج و اثبات قضيه هاى رياضى. اما آنچه در ۵۰-۴۰ سال اخير اتفاق افتاده است، اين بوده كه چيزهايى از قبيل بازى شطرنج به طورى باور نكردنى براى كامپيوترها آسان شده است، در حاليكه ثابت شده است آموزش راه رفتن و حركت كردن بدون افتادن، براى يك كامپيوتر بسيار مشكل است. اعطاى توانايى داشتن احساسات و چيزهاى ناملموس ديگرى كه بيشترين رفتارهاى هوشمند انسانى را طلب مى كند، به ماشينها، بسيار مشكل است. بنابراين حيوانات و كودكان شايد الگوى مناسب و متقاعد كننده اى براى هوش مصنوعى باشند. ميليونها سال طول كشيده تا سير تكامل ميمونها كامل شود و تنها چند ميليون سال طول كشيده است تا همه چيزهايى كه ما تحت تاثير آنها قرار داريم پديد بيايد و ممكن است الگو بردارى از اعمال ساده وروزمره موجودى زنده به نظر ساده بيايد.
•هوش مصنوعى جديد و هدف گذارى جديد
تحولى در زمينه هوش مصنوعى ، با نامهايى از قبيل زندگى مصنوعى (al) و رفتارهاى تطبيقى به وجود آمده است كه به ترتيب تلاش مى كنند تا دوباره هوش مصنوعى را در مفهوم زيست شناسى مصنوعى و جانورشناسى مصنوعى قرار دهد.
در اينجا راهكار اصلى اين است كه ، ما بيشتر نياز داريم تا لايه هاى حيوانى رفتارهاى بشرى را بشناسيم و بفهميم، قبل از آنكه بتوانيم روياى هوش مصنوعى را در ايجاد هوشى كامل و متقاعد كننده تحقق بخشيم. هوش مصنوعى، هنوز و مثل هميشه توسط مدلهاى علمى آموزشى رو به پيشرفت است . تلاش هاى بسيار زيادى توسط افرادى مانند راجر پنرز و جرالد ادلمن ، انجام شده است، تا هوش مصنوعى را تكذيب كنند و نشان بدهند اجراى آن غير ممكن است . اما هيچ يك از اين تلاش ها تا كنون به نتيجه نرسيده است و اين تنها به خاطر عدم توافق با تحليلگران فلسفى آنها است و همچنين شايد به اين علت است كه آنها نتوانستند الگوى منطقى و جايگزينى تهيه كنند. پيشرفت ما در علم ، از ساختن اشيا و اجراى آزمايشها حاصل مى شود و خروج ماشينهاى جديد و عجيب از آزمايشگاه هاى هوش مصنوعى ، ابدا پايان نيافته است. بر عكس، اخيرا توسط دستاوردهاى بيولوژيكى جديد تقويت شده است.
در حقيقت هدف گذارى قديمى احيا شده است. پروفسور كوين وارويك اخيرا پيش بينى كرده است كه روشهاى جديد ما را به هوش مصنوعى در سطح بشرى هدايت مى كند. من و بسيارى ديگر مانند من در هوش مصنوعى جديد، تصور مى كنيم كه هنوز هوش مصنوعى در مرحله »فيزيك پيش از نيوتن» است؛ و علت اين است كه راه مشخصى براى رسيدن به هوشى در سطح بشرى ، از طريق ربات هاى بى مصرف قديمى و برنامه هاى نرم افزارى شكننده كه ما امروزه در اختيار داريم، وجود ندارد. يك سرى كنكاشهاى علمى عميق لازم است. آنچه كه ما تلاش مى كنيم تا در نسل بعدى انجام دهيم ، اين است كه بفهميم مسايل ضرورى و مهم ، كدام ها هستند.
• ممكن است هرگز اتفاق نيفتد اما نه به آن دليلى كه شما فكر مى كنيد
من فكر مى كنم افرادى كه فكر مى كنند رباتها دنيا را پريشان مى كنند ، بايد به كنفرانس هاى رباتيك بروند و ببينند كه چگونه رباتها تلاش مى كنند تا فقط راه بروند! آنها به زمين مى خورند ، به ديوارها بر خورد مى كنند و با پاها يا چرخهايشان در هوا معلق هستند. آنها بيشتر درمانده هستند تا تهديد آميز. آنها واقعا شيرين هستند. من يك بار در آزمايشگاه رباتيك mit بودم و به cog ، آخرين رباط رادنى بروك ، نگاه مى كردم . شبيه انسان بود ، اما پا نداشت، يك پيكره از نيم تنه به بالا ، با دو چشم و....من آن را در يك بعدازظهر يكشنبه در آزمايشگاهى تاريك ديدم كه همه به خانه هايشان رفته بودند و من برايش واقعا احساس تاسف كردم. اگر شما به فرق بين اين موجود وآنچه بيشتر جانداران در زندگى شان تجربه مى كنند، كه توسط گروهى از بزرگسالان در احاطه هستند و كنار پدر و مادرشان رشد مى كنند كه دايم مراقب آنها هستند، توجه كنيد،آن وقت متوجه مى شويد كه اين سيستمهاى مصنوعى نوعى زندگى هاى بسيار محدودى دارند. بحثى كه من بيان مى كنم اين است كه ممكن است براى سيستم هاى هوش مصنوعى محدوديتهايى وجود داشته باشد ، اما نه به دليل فرضيه …هوش مصنوعى نيرومند غلط است… ، بلكه به دلايل ديگرى. شما نمى توانيد انتظار داشته باشيد كه هوشمندهاى مصنوعى منفرد و منزوى ، تنها در آزمايشگاهها ، بسازيد؛ مگر اينكه اين موجودات بتوانند فرصت داشتن فرهنگ وتمدنى را داشته باشند كه كنشهاى اجتماعى آنها را با چيزهايى كه شبيه شان هستند، تعريف كند. اما ما نميتوانيم ميليونها از اين روباتها را بسازيم و اين امكان را براى آنها فراهم كنيم كه تمدن، زبان و اجتماعات ابتدايى خود را توسعه دهند. ما نمى توانيم، زيرا زمين قبلا پر شده است.
•بنابراين چه اتفاقى مى افتد؟
در سى سال آينده كه انواع جديدى از ماشينهاى القا شده از حيوانات (كه بسيار آشفته تر و غير قابل پيش بينى تر از آنچه تا كنون ديده ايم خواهند بود) به وجود آيند، چه اتفاقى خواهد افتاد؟ اين ماشينها در طول زمان ، در جهت هماهنگ با ما ودنيا ، تغيير خواهندكرد. اين ماشينهاى صامت وشبه حيوان، هيچ شباهتى به انسان ندارند، اما به تدريج شبيه نوعى جانور عجيب ونا آشنا خواهند شد. ماشينهاى شبه جانور چه مشكلاتى خواهند داشت؟ نوعى از مشكلات كه ما با آنها مواجه هستيم ، مقدارى خطا و اغتشاش و نويز است. تمركز ويژه بر روى رفتارهايى خواهد بود كه آموزش آنها آسانتر از انجام آنهاست،( ما مى دانيم كه چگونه راه برويم ، اما نمى توانيم به راحتى توضيح بدهيم چگونه آن را انجام مى دهيم). بدنهاى مختلف ، ديناميكهاى مختلفى دارند. ربات هايى كه مى توانند راه رفتن را ياد بگيرند، مى توانند ساير مهارتهاى حركتى را نيز ، انجام دهند.
برخى از كاربردهاى اين جانوران مصنوعى در كارهايى است كه مردم آنها را خسته كننده يا تكرارى و يا خطرناك مى دانند، مثل : تصفيه زباله هاى سمى ، تصفيه معادن، كشاورزى، استخراج معادن، مين گذارى، انهدام و كاوش هاى رباتى. همچنين هر كارى كه در حال حاضر توسط حيوانات انجام مى شود ، مورد توجه قرار دارد .
ما با رادار ردياب سياره مريخ آشنا هستيم و نمونه هاى ديگرى هم هست كه ما مى توانيم روبات هاى خودكار را نه تنها به مكان هاى ناشناس ، بلكه به ماموريتهاى انتحارى نيز بفرستيم.( البته هيچ ماشينى نمى ميرد، زيرا ما مى توانيم مغز آن را در بدن جديدى راه اندازى كنيم.)
اين كه آيا اين رباتها در آينده جايى در خانه هاى ما خواهند داشت ، سوال جالبى است. اگر اين اتفاق بيفتد، من فكر مى كنم به علت اين خواهد بود كه روباتها مثل نوعى حيوان اهلى رفتار خواهند كرد و بيشتر جذاب خواهند بود تا وحشتناك. اگر موجود زنده شما بميرد ، شما هرگز نمى توانيد يكى ديگر مثل آن را زنده كنيد. ماشينها در آينده شبيه اين خواهند بود و خانواده روباتها بعد از چندين سال مانند يك حيوان اهلى ، غير قابل تعويض خواهند شد.
سخت افزار نيز عامل مهمى در نحوه پيشرفت و ترقى هوش مصنوعى است. هيچ كس يك جارو برقى رباتيك را با قيمت بسيار بالا نمى خرد هر چند كه چشمهاى درشت بسيار زيبايى برروى آن نقاشى شده باشد يا حتى صدايى داشته باشد كه به شما بگويد : … من عاشق شما هستم …!بسيارى از فعاليتهاى فكرى نياز به ايجاد يك حيوان مصنوعى دارند . مهمترين فرضيه اى كه بايد حل شود اين است كه : … زبان چيست و چگونه مى توانيم جهان را طبقه بندى كنيم … . ما مى گوييم … اين ميز است … و اسامى ديگرى براى ساير اشيا به كار مى بريم . اما يك حشره چه كار مى كند؟ يك حشره چگونه اشيا را تشخيص مى دهد؟ چه اطلاعاتى از درون آن مى گذرد ؟ آنها از چه نوع ساختمان اطلاعاتى استفاده مى كنند؟ هر روباتى بايد يك زبان درونى كه براى سيستم آن در نظر گرفته شده است ، ياد بگيرد ، و او بايد اين زبان را خودش بياموزد ، چون هر تعريفى كه ما سعى كنيم به آن تحميل كنيم ، از يك دنياى حسى حركتى متفاوت ناشى ميشود كه براى اين روبات معنايى ندارد.
•پيش بينى ها
اجازه دهيد اندكى بعضى از پيش بينى هاى هوش مصنوعى را بررسى كنيم. اولا، خانواده روباتها ممكن است به طور دايم به خانواده اينترنت بى سيم متصل شوند و اطلاعات را به كسانى كه شما مى خواهيد تا از مكان شما آگاه شوند، بدهند. شما هرگز لازم نيست نگران افراد مورد علاقه خود كه دور از شما هستند، باشيد. زيرا شما به طور دايم با آنها در ارتباط هستيد. ممكن است جرم و جنايت مشكل شود ، اگر همه افراد خانواده داراى ماشينهاى وفادار و شبه آگاه باشند. در آينده ما هرگز واقعا تنها نمى شويم .
اندكى پس از اين ، اگر بعضى اسبهاى هوشمند به جاى اتومبيلها قرار بگيرند، هزاران زندگى نجات ميابد. چنانچه ماشينها از مستى صاحبانشان عصبانى شوند و از رفتن به موقعيتهايى كه آنها در سرعت بالا سقوط مى كنند و خطرناك است ، جلوگيرى كنند. در آينده افراد مست قادر خواهند بود از ماشينهايشان مانند اسبهايى وفادار استفاده كنند تا آنها را به خانه هايشان ببرد. و نه تنها افراد مست ، كه كودكان ، پيرها، افراد ناتوان و نا بينايان همه اين قدرت را خواهند داشت. اگر همه ماشينها شبكه اى بى سيم شوند وانسانها نيازى به رانندگى نداشته باشند ما مقدار بسيار زيادى از سيستمهاى جاده اى ، چراغهاى ترافيكى و... را كنار مى گذاريم و جاده ها مانند قرن ۱۸ كم ترافيك مى شوند.
•افق واقعى
من سعى كرده ام نظريه چگونگى مفيد بودن حيوانات مصنوعى را ارايه بدهم . اما دليل علاقه من به اين بحث اين بوده است كه اميدوارم اين حيوانات مصنوعى ، روشى را براى ايجاد انسانهاى مصنوعى فراهم كنند . كه البته اين انسانهاى مصنوعى در زمان حيات ما به وجود نخواهند آمد. در چند دهه آينده ، انتظار نداريم كه نسل بشرى منسوخ شود و روباتها جايگزين آن شوند . ما تنها ميتوانيم انتظار داشته باشيم كه هوش مصنوعى ، عمليات بسيار پيشرفته ترى انجام دهد. اما هر زمان كه انتظار داشتن احساسات بشرى را براى آنها داشته باشيم ، مانند گذشته نا اميد خواهيم شد. ما هوش مصنوعى كامل و انسانى را در طول زندگى خود نخواهيم ديد، اما ممكن است فرزندان ما در آينده بتوانند به آن دست پيدا كنند.
* استاد دانشگاه شهر دوبلين

[Mohamad]

رؤياى طراحان اوليه رايانه از بابيج تا تورينگ، ساخت ماشينى بود كه توانايى حل همه مسائل را داشته باشد. ماشينى كه در نهايت ساخته شد و به نام رايانه در دسترس همگان قرار گرفت تنها توانايى حل دسته اى از مسائل خاص و محدود را داشت، اما نكته اينجاست كه همه مسائل از نظر طراحان اوليه رايانه چه مى توانست باشد؟

به طبع چون طراحان اوليه رايانه همگى منطق دان و رياضيدان بودند، منظورشان همه مسائل منطقى و محاسباتى بود از اين رو عجيب به نظر نمى رسد كه فون نيومان سازنده نخستين رايانه، در حال ساخت اين ماشين اعتقاد داشت كه براى داشتن ماشينى هوشمند شبيه به انسان راه حل نهايى استفاده از منطق نيست بلكه كليد نهايى حل اين مشكل رازى نهفته در دانش ترموديناميك است.

* تاريخ هوش مصنوعى
هوش مصنوعى علمى است بسيار جوان و روبه رشد. شروع هوش مصنوعى به سال ۱۹۵۰ بازمى گردد يعنى زمانى كه آلن تورينگ مقاله خود را درباره ساخت ماشين هوشمند به رشته تحرير درآورد. در اين مقاله تورينگ روشى را براى تشخيص هوشمندى ماشين ها پيشنهاد داد.
روش پيشنهادى تورينگ بيشتر شبيه به يك بازى بود بدين نحو كه يك انسان و يك ماشين روبروى هم و پشت پرده اى قرار مى گرفتند. ماشين بايد با طرح سؤالاتى از انسان او را وادار به پذيرش هوشمند بودن خود مى كرد. روش پيشنهادى تورينگ به شرح زير است: فرض كنيد كه انسانى در يك سمت ديوارى قرار دارد و توانايى برقرار كردن ارتباط به صورت تله تايپ با آن سوى ديگر ديوار را دارا باشد. مكالمه اى ميان دو نفر انجام مى شود اگر پس از پايان مكالمه به آن شخص گفته شود كه در طرف مقابلش نه يك انسان بلكه يك ماشين قرار داشته كه پاسخ او را مى داده است و اين امر بدون پى بردن شخص نسبت به هويت واقعى طرف مقابل انجام شود مى توان آن ماشين را ماشينى هوشمند قلمداد كرد.

نقطه آغاز علم هوش مصنوعى را مى توان به بعد از جنگ جهانى دوم نسبت داد، در آن زمان واينر با توجه به مسائل سايبرنتيك زمينه را براى پيشرفت هوش مصنوعى به وجود آورد و سپس در سال ۱۹۵۰ تورينگ آزمايش بالا را براى اثبات هوشمند بودن يك ماشين پيشنهاد داد و سپس در سال ۱۹۵۶ گروهى از علاقه مندان به هوش مصنوعى در كالج دارتموت گرد هم آمدند و تحقيقات وسيعى را براى هوش مصنوعى آغاز كردند.

دهه ۱۹۶۰ را مى توان دهه توسعه و پيشرفت تحقيقات در زمينه هوش مصنوعى ناميد. در اين سال ها بود كه با تلاش هاى دانشمندان هوش مصنوعى، برنامه هاى بازى شطرنج و ربات هاى هوشمند پا به عرصه گذاشتند و پس از آن هر سال پله هاى پيشرفت و ترقى خود را پيمودند.

* جان مك كارتى
پروفسور جان مك كارتى در سال ۱۹۲۷ در شهر بوستون متولد شد. وى درجه كارشناسى ارشد خود را در رشته رياضى در سال ۱۹۴۸ از انستيتو كاليفرنيا و مدرك دكتراى خود را از دانشگاه پرينستون در سال ۱۹۵۱ دريافت كرد. او با ادامه تحصيل در رشته علوم كامپيوتر موفق به دريافت درجه استادى در اين رشته، از دانشگاه استنفورد شد و از سال ۱۹۶۵ تا ۱۹۸۰ سرپرستى آزمايشگاه هوش مصنوعى دانشگاه استنفورد را برعهده داشت.

مك كارتى كه از جمله بنيان گذاران هوش مصنوعى به حساب مى آيد، در زمان مطالعات خود درباره اين علم زبانى را براى توصيف و توسعه هوش مصنوعى با عنوان list processing يا همان LISP ابداع نمود. اين زبان تا سال ۱۹۵۸ از سوى همكاران كارتى در دانشگاه MIT توسعه داده شده و در اين سال به عنوان يك زبان كامل وارد دنياى برنامه نويسان شد.
مك كارتى و همكارانش معتقد بودند كه مى توان كارى كرد كه ماشين نيز داراى هوش باشد و اين هوش همانند هوش انسانى باشد و LISP زبانى است كه مى تواند اين هوش را به وجود بياورد.

* LISP
زبان هاى lisp و prolog زبان هايى هستند كه براى طراحى و برنامه نويسى هوش مصنوعى بر روى ماشين ها، بيش از ديگر زبان ها كاربرد دارند. Lisp زبانى است كه بيش از ديگر زبان ها در آمريكا رواج دارد و prolog بيش تر به وسيله اروپايى ها و ژاپنى ها مورد استفاده قرار مى گيرد. Lisp داراى انعطاف بيشترى نسبت به زبان prolog است و در مقابل طراحى prolog سطحى بالاتر نسبت به Lisp دارد.

* هدف هوش مصنوعى
همه افرادى كه نخستين گام ها را در راه معرفى و شناخت هوش مصنوعى برداشتند به دنبال يك هدف بودند و آن نيز رساندن سطح هوش مصنوعى به سطح هوش انسانى بود. اما امروزه مى دانيم كه مطالعه و بررسى در زمينه هوش و درك مكانيزم آن بسيار پيچيده است، هم اكنون مى توان موضوع هوش را از دو ديدگاه متفاوت مورد بررسى قرار داد:

۱- آگاهى از جهان اطراف چگونه حاصل مى شود و چه طور مى توان از حقايق و كشفيات نتيجه گيرى هوشمندانه اى به عمل آورد؟
۲- كشف و شهود آگاهانه به اين معنا كه براى رسيدن به هدفى مشخص هزاران راه و بيراهه وجود دارد كه با استفاده از هوش مصنوعى مى توان راه را از بيراهه تشخيص داد.

* هوش مصنوعى و هوش انسانى
در شبكه ارتباطى مغز انسان سيگنال هاى ارتباطى به صورت پالس هاى الكتريكى وجود دارد. جزء اصلى مغز نرون است كه از ساختمانى سلولى و مجموعه اى از شيارها و خطوط به وجود مى آيد كه اين شيارها محل ورود اطلاعات به نرون هاست و خطوط نيز محل خروج اطلاعات از نرون است.

محل اتصال نرون ها به يكديگر را سيناپس مى گويند كه مانند دروازه اى براى ورود و خروج اطلاعات (Data) عمل مى كند، اگر واكنش هاى نرون ها به پالس هاى متفاوت هماهنگى كامل داشته باشند اتفاق هاى مهمى در مغز انسان رخ داده است.

گروهى از دانشمندان هوش مصنوعى كه رويكرد مدل مغزى را دنبال مى كنند، شكلى از مدارهاى الكترونيكى را طراحى كرده اند كه تاحدودى شبيه شبكه مغز انسان است ، در اين ساختار هر گروه به تنهايى خود يك پردازنده (CPU) است ولى رايانه هاى معمولى تنها توانايى داشتن بيش از چند CPU را به صورت هم زمان ندارند. هدف از راه اندازى اين شبكه عصبى رايانه اى طراحى مكانيسمى است كه مانند مغز انسان توانايى يادگيرى داشته باشد. سامانه شبكه عصبى اين كار را از راه ارزش گذارى كمى براى ارتباطات سيگنال ها بين نرون ها انجام مى دهد كه اين مكانيسم ارزش گذارى به وسيله مقاومت ها با تقويت يا تضعيف پالس ها انجام مى شود.

باتوجه به تعداد زياد نرون ها در شبكه عصبى خرابى تعدادى از آنها تأثير چندانى بر عملكرد سامانه ندارد تاكنون چند سيستم آزمايشى با استفاده از اين اصول طراحى و ساخته شده اند.

* ويژگى هاى هوش مصنوعى
ماشين هايى كه به عنوان ماشين هاى هوشمند شناخته مى شوند توانايى فكر كردن بدون نياز به انسان را دارد و اين به دليل وجودخصلت هوش مصنوعى Artificial Intelligence دراين گونه ازماشين هاست. ماشين ها تنها در صورتى يك ماشين باهوش شناخته مى شوند كه داراى قابليت هاى خاصى باشد كه يكى از اين ويژگى ها شناخت از وجود خود است كه تاكنون ماشينى كه اين توانايى را به طور كامل داشته باشد به وجود نيامده است، ويژگى بعدى ماشين هاى هوشمند توانايى شناخت محيط پيرامون خود است كه اين امكان در برخى از ماشين هاى هوشمند امروزى كه با نام «ربات هاى امدادگر» شناخته مى شوند وجود دارد، ويژگى بعدى در ماشين هايى كه داراى هوش مصنوعى هستند توانايى نشان دادن عكس العمل در مقابل كنش هاى حاصل از محيط است كه اين امكان نيز در ربات هاى هوشمند امروزى و در دسته خاصى از آن ها باعنوان «ربات هاى كاوشگر» فراهم آمده است.
* كاربردهاى هوش مصنوعى

از كاربردهاى هوش مصنوعى مى توان به موارد زير اشاره كرد:

۱ـ طراحى نرم افزارهاى هوشمند: اين گروه از نرم افزارها براى انجام كارهاى تخصصى طراحى شده اند و داراى توانمندى هاى بالايى نيز هستند، پشتوانه اين گونه از برنامه ها وجود يك بانك اطلاعاتى (Data Base) قوى براى پاسخگويى به پرسش هاى مختلف كاربران است. نمونه هايى از اين گونه از نرم افزارها نيز، نرم افزارهايى است كه در آزمون هاى استخدامى و دانشگاهى مورد استفاده قرار مى گيرد.
۲ـ طراحى بازى هاى هوشمند: زمانى كه شما در حال انجام يك بازى رايانه اى هستيد، دشمنان شما از هوش كافى برخوردارند. اگر شما به آن ها شليك كنيد آن ها اقدام به فرار كرده و يا با مقابله به سوى شما شليك خواهند كرد. اين فرآيند نيز به دليل وجود هوش مصنوعى در دشمنان شماست كه آن ها را به واكنش نسبت به شما برمى انگيزاند.
۳ـ طراحى ربات هاى هوشمند: كاربرد عمده ديگر هوش مصنوعى در طراحى ماشين ها به نسبت هوشمند است. ماشين هايى مانند ربات هاى كاوشگر و ربات هاى امدادگر.
در ربات هاى امدادگر، ربات بايد در محدوده مورد نظر به دنبال مصدومان حادثه بگردد و پس از يافتن آن ها كمك هاى مورد نياز را در اختيار آن ها قرار دهد كه اين خود نياز به داشتن شناخت از محيط دارد. دسته ديگر ربات ها يعنى ربات هاى كاوش گر بايد به دنبال قطعه مورد نظر در مكانى خاص باشند و يا مسيرى را كه از پيش تعريف شده است دنبال كنند كه اين نيز نيازمند داشتن هوش مصنوعى در اين دسته از ربات ها است.

* نتيجه
هوش مصنوعى هنوز راه درازى در پيش دارد، شبكه سازى عصبى كه در سال هاى گذشته شاهد تغييرات عمده اى نيز بوده است هر روز به دوران رشد و بلوغ خود نزديك تر مى شود.
به عنوان مثال پژوهشگران پيش بينى مى كنند كه به كمك فناوى نرم افزارى جديد شبكه هاى عصبى بتوان پيش بينى هاى بسيار دقيقى از بازار سهام به عمل آورد و پيش بينى هاى دقيق ترى مانند مكان فيزيكى سياره ها درسال هاى آتى و اوضاع كره زمين از نظر شرايط زيست محيطى و غيره نيز ميسر خواهد شد.

امروزه نگرش تاز ه اى نسبت به هوش مصنوعى به وجود آمده است كه در بسيارى از آزمايشگاه ها در حال بررسى است. پژوهشگران سعى مى كنند دريابند آيا مجموعه اى از ربات هاى نيمه هوشمند مى توانند يك هوش جمعى ايجاد كنند به نحوى كه هوش جمعى حاصل از هوش اعضاى تشكيل دهنده اين مجموعه بيشتر باشد؟