اهداف هوش مصنوعی

هوش مصنوعی مانند هر رشته ای دیگر از علوم اهداف بلند مدت خود را دنبال میکند، با توجه به اینکه هوش مصنوعی در تمامی زمینه ها کاربرد دارد اهداف بلند مدت آن معمولا اهداف زیر بیان می شوند:

1-هوش اجتماعی

2-خلاقیت

3-هوش عمومی

هوش اجتماعی:

هوش اجتماعی که همان محاسبات موثر نامیده می شود حوزه ای از مطالعات و توسعه سیستم هاست که بتواند نمودهای انسانی را شناسایی، تفسیر، پردازش و شبیه سازی کند. در واقع این رشته میان رشته در بین علوم کامپیوتر و روانشناسی است. در حالی که ریشه های این رشته در مطالعات اولیه فلسفی در مورد احساسات نشات می گیرد شاخه های مدرن تر این رشته از مقاله 1995 روزالیند پیکارد به عنوان “on effective computing ناشی شده اند.

انگیزه بیشتر تحقیقات این بخش توانایی شبیه سازی حس همدردی است. ماشین باید سطح احساسات انسانی را تفسیر کند و رفتار خاص با آن را تنظیم و پاسخ مناسبی به آن رفتار دهد. 

احساسات و مهارت های اجتماعی دو نقش اساسی در عامل های هوشمند ایفا می کنند: نخست عامل هوشمند باید قادر باشد که اعمال دیگران را با توجه به حرکت و سطح احساسات آنها پیش بینی کند. 

خلاقیت:

خلاقیت زیرمجموعه ای از هوش مصنوعی است که موضوع ابداع را هم از لحاظ نظری و عملی تعریف می کند. نحوه بررسی نظری و عملی موضوع خلاقیت از طریق پیاده سازی سیستم های خاص است که خروجی تولید می کنند. به طوری که بتوان گفت این خلاقیت و تولید محسوب می شود. بخش های مربوط به تحقیقات محاسباتی آن بینش مصنوعی (artificial intuition) گفته میشود.

هوش عمومی:

بسیاری از پژوهشگران  میپندارند که کار آنها در نهایت ساخت ماشینی است که هوش کلی دارد. تعداد کمی معتقند که ویژگی های انسان مأبانه مانند آگاهی مصنوعی یا یک مغز مصنوعی برای چنین پروژه هایی لازم است. انتظار می رو که بسیاری از مشکلات فوق را هوش کلی بتواند حل کند. برای مثال حتی اگر یک وظیفه (task)  مشخص مستقیم مانند ترجمه نیازمند این است که ماشین قابلیت خواندن و نوشتن هر دو زبان را داشته باشد(پردازش زبان طبیعی) و از منطق نویسنده نیز پیروی کند (استدلال) بداند که درمورد چه چیز سخن گفته می شود (دانش) و بتواند منظور نویسنده را به درستی برساند (هوش اجتماعی). مسئله ای مانند ترجمه ماشینی تحت عنوان –هوش مصنوعی کامل- نامیده می شود. بدین معنا که برای حل یک مسئله خاص باید کل مسائل مربوطه نیز حل شود.

رهیافت ها:

هیچ گونه تئوری واحد و مستقری وجود ندارد که بتواند تحقیقات هوش مصنوعی را هدایت کند. پژوهشگران  در خصوص بسیاری از مسائل اتفاق نظر ندارند. تعدادی از مشکلات مربوط به هوش مصنوعی که هنوز بدون پاسخ مانده اند، به شرح زیر است:

-آیا هوش مصنوعی لازم است که هوش طبیعی را از طریق یادگیری روانشناسی و عصب شناسی شبیه سازی کند؟

-آیا ارتباط بیولوژی انسان به هوش مصنوعی مانند ارتباط پرندگان به مهندسی هوافضاست؟

-آیا رفتار هوشمند از طریق اصول ساده و کافی قابل توضیح هستند؟

-آیا لازم است که برای حل مسائل کوچکتر میزان زیادی از مسائل پیچیده تر و نامربوط را حل کنیم؟

-آیا هوش مصنوعی میتواند نمودهای سطح بالایی مانند ایده ها و نظرات را بیافریند و آیا نیازمند برنامه ریزی خاصی است؟

جان هاگلند مبدع واژه GOFAI که مخفف (Good Old-Fashioned Artificial Intelligence) یا هوش مصنوعی از مد افتاده خوب است، بیان میدارد که هوش مصنوعی بایستی بیشتر هوش مرکب (Synthetic Intelligence) باشد. اصطلاحی که بعدها توسط پژوهشگران  غیر GOFAI مورد استفاده قرار گرفت. 

سایبرنتیک و شبیه سازی مغز:

در سال 1940 و 1950 تعدادی از پژوهشگران  ارتباط میان عصب شناسی و نظریه اطلاعات و سایبرنتیک را کشف کردند. تعدادی از این پژوهشگران  ماشین هایی ساختند که با استفاده از شبکه الکترونیکی می توانست هوش ابتدایی را به نمایش بگذارد. مانند موجود جان هاپکینز و لاک پشت های گری والتر. این پژوهشگران  در نشست تکنولوژی در دانشگاه پرینستون و راشیو-کلاب در انگلستان گرد هم آمدند که البته در سال 1960 این رهیافت ها به طور ویسعی کنار گذاشته شد.اگرچه در دهه 80 موضوعاتی از آن دوباره مطرح گردید.

شبیه سازی شناختی

هربرت سایمون و آلن نول مهارت حل مسئله انسان و تلاش برای فرمولیزه کردن انها مورد مطالعه قرار داده اند و تلاش های انان چارچوب هوش مصنوعی را تشکیل داد. تیم تحقیقاتی انان با استفاده از تجربه و آزمایش روان شناسی برنامه هایی را توسعه دادند که توانست مهارت هایی را که مردم برای حل مسئله ه کار میبرند ، شبیه سازی کنند.

منطق محور: برخلاف سایمون و نول ،جان مک کاتنی می پنداشت که ماشین لازم نیست که مغز انسان را بشیه سازی کند بلکه باید  در عوض اصل استدلال و حل مسئله را شناسایی کند صرف نظر از اینکه آیا مردم این را به کار میبرند یا نه.

آزمایشگاه وی در استانفورد بر روی استفاده از منطق برای ایجاد دامنه ای وسیع از مسائل تمرکز داشت، مانند بازنمود دانش ، طراحی، بادگیری.

منطق هم چنین نقطه ی اتکای دانشگاه ادنبورگ و هر جای دیگری در اروپا بود که در صدد بودند که زیان برنامه نویسی را پرولوگ و برنامه نویسی منطقی را توسعه دهند.

ضد منطق محور- مشوش

پژوهشگران  MIT( مانند ناروین مینسکی و سیمور پاپرت) در یافتند که حل مسائل پیچیده در بحث بینایی و پردازش زبان طبیعی مستلزم را ه حل هی تخصصی است.آن ها اذعان داشتند که اصل کلی و ساده ای مانند منطق که بتواند ابعاد رفتار هوشمند را دریافت کند ، وجود ندارد.راجر شاونک دیدگاه ضد منطق را دیدگاه مشوش نامید.اساس دانش پایه نمونه ای هوش مصنوعی است چراکه باید به صورت دستی ساخته شود.

دانش محور:

زمنی ک کامپیوتر ها با حافظه ی بالا در سال های 1970 در دسترس قرارگرفت ، پژوهشگران  در همه ی حوزه ها ، شروع به ساخت دانش در برنامه ی های هوش مصنوعی کردند.

آماری:

در سال 1990 پژوهشگران  هوش مصنوعی ابزارهایی ریاضیاتی پیشرفته برای حل بعضی از مشکلات فرعی هوش توسعه دادند. این ابزارها به معنای واقعی علمی بوند. به این خاطر که نتایج حاصله از آن ها هم قابل اندازه گیری بود و هم قابل اطمینان . این پژوهشگران  پرچم دار بسیاری از  پیشرفت های هوش مصنوعی در آن زمان شدند.

زبان ریاضیاتی مشترک باعث شد که ارتباط تنگاتری با رشته های دیگری وهوش مصنوعی به وجود بیاید. استوارت راسل و پیتر نوینگ از این جنبش بیشتر به عنوان انقلاب هوش مصنوعی تا پیشرفت هوش مصنوعی، یاد میکنند.

منتقدین اذعان میدارند که این فنون رو روشهای بررسی مسائل تمرکز بیش ازحد دارد و در نمایش اهداف بلند مدت هوش مصنوعی ناکام مانده اند و بحث های زیادی را در خصوص هوش مصنوعی به وجود آوردند.