هوش مصنوعی

 Artificial Intelligence

این اصطلاح بیانگر توانایی ماشین‌هایی است که قادرند عملکردهای پیچیده‎ی هوش بشری را تقلید کنند. حسابگرهای مکانیکی (که آغازشان «ساعت‌های حسابگر» قرن هفدهم بود) و حتی روبوت‎های مکانیکی قرن هجدهم و نوزدهم را می‎توان از نخستین دستگاه‎ها به حساب آورد، ولی با برنامه‌ریزی رایانه‎ها در قرن بیستم بود که هوش مصنوعی کم‌کم به عنوان یک حوزه‌ی مطالعاتی پذیرفته شد (1987 ,Pratt).
این اصطلاح پس از آن که جان مک کارتی در عنوان کنفرانس کالج دارموث در نیوهمپشایر به کار برد، بر سر زبان‎ها افتاد و رایج شد (MacCorduck, 1979). هوش مصنوعی برای تعریف مجموعه برنامه‌هایی استفاده می‎شد که در آن‎ها سعی بر این بود تا از توانایی‌های رایانه‎های الکترونیکی که در جریان جنگ جهانی دوم پدید آمده و در اوایل دهه‎ی 1950 وارد دنیای غیرنظامی شده بودند، بهره برداری شود.
از جمله برنامه‎های مهم و پیشرو آن زمان تلاش برای ساختن ماشین‌هایی بود که شطرنج و چکرز بازی کنند، مسائل هندسه و منطق را حل نمایند، الگوها را تشخیص دهند و انگلیسی معمول را «بفهمند» (Feigenbaum and Feldman, 1963). این برنامه‎ها دو نوع گرایش و علاقه را منعکس می‎کرد که در شکل‌گیری این رشته‌ی جدید با یکدیگر همراه شدند و تا به امروز همچنان دوام آورده‎اند. یکی علاقه به فرایندهای روان شناختی انسان بود و دیگری ساختن ماشین‌هایی که کارهایی حتی پیچیده‎تر و غامض‎تر از عملکردهای بشری انجام دهند (و بنابراین موجب آسایش بیشتری برای کاربران باشند). بعضی از نخستین برنامه‎های هوش مصنوعی (Al)، مثلاً برنامه‎هایی که گزاره‎های منطقی تولید می‎کرد، برای مطالعه‎ی فرایند تصمیم‌گیری انسان طراحی شده بود. سایر برنامه‎ها خصوصاً برنامه‎های بازی شطرنج و چکرز در جهت بررسی یادگیری بود. پس از آن، دیدگاهی که مغز انسان را «پردازشگر اطلاعات» در نظر می‎گیرد روان شناسی شناخت را به وجود آورده است (که شاخه‎ی جدیدی در یک رشته‎ی قدیمی نیست بلکه طرحی برای گرفتن جای این رشته‎های قدیمی است)، و از این دیدگاه تلاش برای تقلید رفتار و عملکرد انسان با برنامه‌ریزی کردن ماشین‌ها، روش پژوهشی قوی و کارآمدی است (1980 ,Anderson).
مطالعات مربوط به تشخیص الگو بر مبنای انگیزه‌ی دیگری آغاز شد یعنی این انگیزه که برنامه‌ریزها می‎خواستند ماشین‎های‌شان را قادر به خواندن متون چاپی کنند، به نحوی که بتوان برنامه‎ها را با استفاده از این متون به رایانه‎ها داد. مثلاً آن‎ها پی بردند که حروف الفبا را نباید از روی تناظر مختصاتی تعریف کرد- یعنی بر مبنای مجموعه نقاطی که پیکره‎ی مشخص و قابل تعریفی روی صفحه‌ی مختصات به وجود می‎آورد- چرا که تعداد بی‌شماری از این گونه پیکره‎ها برای چشم انسان قابل تشخیص است و انسان همه‎ی آن‎ها را به مثابه یک حرف تشخیص می‎دهد؛ چیزی که رایانه‎ها باید قادر به تشخیص آن می‎شدند الگوی پیکره‎های مختلفی بود که همه در یک مقوله جای می‎گرفتند. این برنامه‎های خاص اکنون به نتیجه رسیده است (در دستگاه‎های بصری تشخیص قیافه) اما مسئله‌ی تشخیص الگو در انواع و اقسام زمینه‎های دیگر هنوز حل نشده است (Fischler and Firscheim, 1987).
برنامه‌ی آموختن زبان انگلیسی به رایانه‎ها (یعنی یاددادن یک زبان طبیعی) ماجرایی طولانی و البته هنوز بی‌فرجام داشته است. هدف از این تلاش سهولت رابطه‎ی برنامه نویس با ماشین بوده است. این برنامه از نظر همگان اهمیت بسیاری دارد حتی اگر دشواری‌هایش همه‌ی کسانی را که در آن حوزه کار می‎کنند به ستوه آورده باشد.(Allen 1987, Gazder and Mellish, 1989). بعضی معتقدند که درک بصری و بینایی به واسطه‎ی مفاهیم زبان طبیعی انجام می‎گیرد و امکان زیادی دارد که تشکیل و یادآوری معرفت با استفاده از ساختارهای زبان شناختی صورت پذیرد (1983 ,Wimograd).
این پروژه‎های بنیادی تا حد تعجب برانگیزی هنوز مورد توجه و علاقه است و هیچ راه حل کامل و قطعی‎ای برای آن‎ها پیدا نشده است. البته پروژه‎های تازه‎ای نیز مورد توجه و استقبال قرار گرفته است. در طول دومین دهه‎ی پیدایش برنامه‎های هوش مصنوعی به روبوت‎ها توجه زیادی می‎شد و تلاش می‎شد دستگاه‎های مکانیکی را به موتورهای حرکتی بسیار پیچیده و ظریف و قابلِ کنترلی مجهز کنند تا توانایی استفاده از داده‌های بصری محیط اطراف آن‎ها را قادر به حرکت یا کار با اشیا کند. این برنامه به خط تولید‎های خودکاری منجر شد که اکنون همه جا رواج یافته است (1980 ,Engelberger).
اخیراً بزرگترین دلمشغولی پژوهندگان هوش مصنوعی فهم این مطلب بوده است که چگونه می‎توان معرفت بشری را در یک ماشین ذخیره کرد، به صورتی که این معرفت به آسانی در دسترس باشد و برای حل مسائل روزمره مورد استفاده قرار گیرد. این تلاش در جهت ساختن «سامانه‎های متخصص» است تا آن‎ها جانشین یا دست کم یاریگر انواع و اقسام متخصصان باشند (معلمان، وکلا و مشاوران مالی).
در سالهای آینده احتمالاً شاهد احیای فزاینده‌ی علاقه به توان یادگیری «شبکه‌های عصبی» خواهیم بود، منظور پردازشگرهای پرشماری است که با اتصال‎های چندگانه به یکدیگر می‌پیوندند (Hinton and Anderson, 1981). در روش ایجاد «شبکه‌ی عصبی» تلاش می‎شود با کنارگذاشتن ساختار رایج رایانه‎های فعلی که تمامی یک عمل را از طریق پردازشگر واحدی انجام می‎دهند، به ساختار بافت‎های عصبی زنده نزدیک‎تر شویم (فکری که در دهه‎ی 1950 در یکی از شاخه‎های پیشگام هوش مصنوعی، یعنی دانش سیبرنتیک، دنبال می‌شد- البته بدون هیچ موفقیتی). در زمان حاضر امید می‎رود که این ساختارهای نوین راهگشای طراحی سامانه‎های پیچیده‌ی آینده باشد، البته نه با طراحی مجموعه فرمان‌هایی که عملکرد آن را هدایت کنند بلکه بر مبنای شبکه‎ای که با اخذ الگوی عملکرد گذشته آن را برنامه‌ی عمل آینده قرار دهد. گاهی این دیدگاه را «دانش اتصال‌ها» می‎نامند (Rumelhart, et al, 1986; Zeidenberg, 1989).
فکر استفاده از روش «گشت و کشف»، که ابتدا در ریاضیات و برای یافتن روش‌های اثبات به کار می‎رفت، یکی از فکرهای مهمی است که در جریان برنامه‎های هوش مصنوعی پرورانده شده است. راه حل بعضی مسائل را اصولاً می‎توان با دنبال کردن فهرست چند حالت ممکن کشف کرد. مثلاً در بازی شطرنج در هر حرکت هر بازیکن تعداد محدودی گزینه دارد، و علاوه بر این هر ترتیبی از حرکات به یکی از این سه نتیجه خواهد انجامید، برنده شدن این یا آن بازیکن، یا مساوی شدن. بنابراین به لحاظ نظری می‎توان این رهیافت را در پیش گرفت که مجموعه‎ی کاملی از حدس‎های «چه خواهد شد اگر» را دنبال کنیم. متأسفانه (یا شاید خوشبختانه، چون شطرنج بازیی است دوست داشتنی) حتی رایانه‎ای که برای محاسبه هر یک از وضعیت‎های ممکن در یک بازی چهل حرکتی بیش از یک میلیونیم ثانیه تلف نکند، سال وقت می‎خواهد تا حرکت اول را انجام دهد (Shannon, 1954).
آن چه برای هر برنامه‌ی عملی بازی شطرنج رایانه‎ای لازم است این است که روش‎هایی برای اتخاذ بهترین تصمیم درباره‌ی حرکت‌های مورد نظر بر مبنای تصمیم‌گیری قاعده مند ولی کورکورانه وجود داشته باشد، روش‎هایی برای حذف بعضی از گزینه‎ها بدون درنظرگرفتن احتمالات بعید. مثلاً می‎توان تمامی حرکت‎هایی را که به قرارگرفتن مهره‎ها در خانه‎های بی‌دفاع می‎انجامد نادیده گرفت. مزیت محاسبه‎ی قاعده مند همه‎ی احتمالات در این است که اگر این کار با طول و تفصیل کافی ادامه پیدا کند می‌تواند همه‌ی احتمالات را پوشش داد. و همین مزیت است که در روش‎های گشت و کشف یا «میان بُر» قربانی می‎شود: به جای قطعیتی که در بلندمدت حاصل می‌شود قطعیت کم‌تری داریم که در محدوده‎های زمانی قابل قبول‌تری به دست می‎آید.
حل مسئله به کمک هوش مصنوعی، حتی با استفاده از روش گشت و کشف معمولاً مستلزم بررسی شمار زیادی از احتمالات است، و همین است که نیاز به ذخیره‌ی اطلاعات را برای به حداکثر رساندن بازده و کارآیی جست‌وجو در اطلاعات هرچه مبرم‌تر می‌کند. ساختار شاخه‌شاخه‎ی «درختی» یکی از نتایج مؤثر در این زمینه بوده است. روش دیگری که البته مختص روش‎های نوین هوش مصنوعی نیست اما در مطالعات هوش مصنوعی تقریر دقیقی پیدا کرده چون لازمه‌ی برنامه‌نویسی است، حل مسئله از طریق تجزیه‌ی آن به چند مسئله‌ی ساده‎تر و تجزیه‎ی این مؤلفه‎ها به مسائلی باز هم ساده‎تر است- و به همین ترتیب تا رسیدن به سطحی که بتوان راه‌حل‎ها را به آسانی پیدا کرد (1972 ,Newell and Simon).
در برنامه‎های هوش مصنوعی، خصوصاً در سال‌های آغازین، حمایت زیادی از این فکر می‎شد که باید مفاهیم و گزاره‎ها را فهرستی از نمادها به حساب آورد که مندرجات آن‎ها را می‎توان آموخت و دستکاری کرد. زبان رایانه‎ای LISP (پردازشگر فهرست LISt Processor) بدین منظور ابداع شد که انجام چنین فرایندی را تسهیل کند، و برای برنامه‎های پژوهندگان هوش مصنوعی به قدری سودمند افتاده که استفاده از آن تبدیل به علامت معرفه‎ی این حوزه شده است (1963 ,McCarthy).
پژوهندگان هوش مصنوعی از همان آغاز، ربط و اهمیت منطق را برای کارشان در نظر داشته‌اند. توانایی استدلال کردن ظاهراً جنبه‎ای از هوشمندی است، و یکی از معناهای منطق نیز تلاش برای بیان قواعد استدلال‌های معتبر است، قواعدی که می‎توانیم مطابق آن‎ها از فهرست اموری که محرز می‌دانیم، نتیجه بگیریم که بعضی امور دیگر نیز باید درست باشد. اگر می‎شد ماشین را به استفاده از این گزاره‌ها بر اساس قواعد منطق (با فرض این که این قواعد را می‌شناسیم) واداشت، آنگاه نه فقط نقش منطق دانان و ریاضیدانان حذف می‎شد (چون شغل آن‎ها همین است که نشان دهند می‎توان فلان قضیه را اثبات کرد) بلکه در همه‎ی فعالیت‎های گوناگون انسان که در آن‎ها استدلال بر اساس دانسته‎های قبلی اهمیت دارد، کمک درخور توجهی به ما می‎شد.
در نتیجه‎ی تلاش‎هایی که منطق دانان در طول چندین قرن به عمل آورده‎اند، در مورد بعضی از انواع استدلال قواعد منطق تدوین شده است (1962 ,Prior). این قواعد را می‎توان به صورت مستقیم برای رایانه‎ها بازتعریف کرد و این بازتعریف یکی از اولین پروژه‎های پژوهندگان هوش مصنوعی بود. کاربست رایانه‎ای این بخش از منطق، برای مثال در حیطه‎ی خاصی از تخصص‎های پزشکی، موجب پیدایش برنامه‎ای شد که می‎توانست از روی داده‎های معاینات پزشکی بیماری را تشخیص دهد. معرفت پزشکی به صورت قواعدی که بیانگر روابط معلوم بین عوارض و نشانه‎ها و بیماری‎های احتمالی است به این برنامه‎ی رایانه‎ای داده می‎شود. از بیمار می‎خواهند همه‎ی عوارضی را که واقعاً دچار آن‌هاست وارد این برنامه کند و سپس این برنامه با استفاده از قواعد منطق بیماری را تشخیص می‎دهد (1976 ,Shortliffe).
چنین سامانه‎هایی فایده و ارزش عملی دارند، اما این واقعیت که آن‎ها فقط قادر به تقلیدِ یک نوع استدلال‎اند محدودیتی جدی برای آن‎ها به شمار می‎آید. این نوع استدلال برحسب آن‌چه معلوم و محرز است به صورت حساب استدلالی صورت‌بندی می‎شود و محدودیت آن در این است که نمی‎تواند بر مبنای ساختار درونی گزاره‎ها دست به استدلال بزند. برای مثال، در حساب استدلالی نحوه‌ی استدلال پزشک به این صورت درمی‌آید که «اگر درجه‌ی حرارت بدن این شخص بالا باشد، او باید بیمار باشد» و صورت این استدلال چنین است «اگر p آن‌گاه q» و در این‌جا p نشانگر گزاره‌ی «درجه‌ی حرارت بدن این شخص بالاست» و q نشانگر «او باید بیمار باشد» است. اما بخش بزرگی از این استدلال بستگی به ساختار درونی گزاره‎ها دارد (برای مثال: «اگر بعد از هر عددی عدد دیگری هم هست، پس هیچ عددی نیست که بزرگ‎تر از همه‎ی اعداد باشد»).
با این حال منطق‌دانان در زمینه‎ی این نوع استدلال‌ها نیز موفقیت‌هایی داشته‎اند. آن‎ها با الهام از مطالعات گوتلب فرگه در اواخر قرن نوزدهم، چیزی را که امروز به نام حساب محمولات می‌شناسیم پی‌ریزی کردند (Kneale and Kneale, 1962). بنا به دلایلی که در اثر مشهور کورت گودل و همکاران وی کشف شد ( 1965,Davis) هرگز نمی‎توان پیشاپیش با قطعیت اطمینان داشت که بازنمایی مکانیکی حساب توابع حتماً به حل مسائلی منجر خواهد شد که به آن داده می‎شود. در خاتمه، دستگاه به مسئله‎ای که به آن داده شده (که اساساً به این صورت است: «آیا فلان قضیه در حساب توابع از اطلاعات موجود حاصل می‎شود؟») پاسخ مثبت می‎دهد. ولی پیش از آن‌که ماشین محاسبات خود را به پایان برساند کاربر نمی‌داند که آیا پاسخ منفی است، یا پاسخ هرگز معلوم نخواهد شد. این وضع موجب عدم قطعیت آزاردهنده‎ای می‎شود، ولی روش‎هایی برای کنارآمدن با این محدودیت ابداع شده که در هر حال سودمندی‎های ماشین‌های حساب توابع را حفظ می کندShepherdson, 1983) )
یکی از ثمرات این کار، ساختن زبان رایانه‎ای PROLOG (علامت اختصاری "programming in logic" یا برنامه‌نویسی به زبان منطق) بوده است که در آن قواعد حساب توابع را به کار می‎بندند تا گزاره‎هایی بیابند که از اطلاعات داده شده به این برنامه منتج می‎شود، البته بر اساس «دانش پایه» که قبلاً به آن داده شده است (Kowalski, 1979).
دستاورد دیگری که در خور ذکر است، ساختن نسل تازه‌ای از برنامه‎های سامانه‌ی تخصصی است که البته وعده‎های آن هنوز بیش از دستاوردهای واقعی‎اش است.
منبع مقاله :
آوتوِیت، ویلیام، باتامور، تام؛ (1392)، فرهنگ علوم اجتماعی قرن بیستم، ترجمه‌ی حسن چاوشیان، تهران: نشر نی، چاپ اول