مقدمه اي بر هوش مصنوعي
نويسنده:مهندس جواد عليپور صدري
هوش مصنوعي (Artificial Intelligence) يکي از ساختارهاي نسبتاً جديد دانش است که جذابيت آن طي سال هاي اخير، بسياري از دانشمندان علوم رياضي، کاميپوتر، الکترونيک و حتي فلسفه، منطق و ... را به سمت خود کشيده است. علي رغم تمام پيشرفتي که اين دانش در دهه نخست قرن بيست و يکم داشته، اغراق نيست اگر بگوييم هنوز تعريف دقيقي براي هوش مصنوعي در دست نيست و هم چنان تعابير مختلفي از آن ارائه مي شود! براي نمونه در سال هاي نخستين، «دانش ساخت ماشين ها يا برنامه هاي هوشمند» به عنوان تعريف اين علم به کار مي رفت. مدتي بعد اين تعريف به صورت «شاخه اي از دانش کامپيوتر جهت بررسي ملزومات محاسباتي اعمالي چون ادراک (Perception، استدلال (Reasoning)، فراگيري (Learning) و ارائه سيستمي براي انجام اين اعمال» تغيير کرد و در کنار آن تعريف سومي نيز به صورت «مطالعه وادار نمودن کامپيوترها به انجام کارهايي که در حال حاضر انسان ها آن ها را بهتر انجام مي دهند» هم تبيين شد.
«بازي تقليد» چنين بود: يک پرسش گر (انسان) همزمان با يک انسان و يک کامپيوتر که در اتاق هاي جداگانه اي قرار گرفته و ديده نمي شوند، گفت و گو مي کند. پرسش گر بايد پس از پايان گفت و گو، مشخص کند در کدام اتاق انسان و در کدام اتاق يک ماشين قرار دارد. چنان چه کامپيوتر قادر باشد طوري پاسخ دهد که پرسش گر نتواند انسان را از ماشين تميز دهد، آن گاه مي توان ادعا کرد که اين ماشين هوشمند است.
براي آسان تر کردن شرايط و پرهيز از پيچيدگي هاي اضافي، تورينگ اين آزمون را به محاوره روي کاغذ محدود کرد تا مشکلاتي مانند تبديل متن به گفتار شفاهي و تنظيم تُن صدا و لهجه در کار نباشد. او همچنين براساس محاسبات خود، پيش بيني کرد تا پنجاه سال بعد (سال 2000)، انسان کاميپوترهايي خواهد ساخت برخوردار از يک ميليارد بيت حافظه (125 ميليون بايت – حدود 120 مگا بايت) که در يک گفت و گوي پنچ دقيقه اي، فقط 70 درصد پرسش گرها خواهند توانست انسان يا ماشين بودن طرف مقابل خود را تشخيص دهند.
از سوي ديگر دکتر تورينگ با طرح استدلال هايي مخالف نظريه و آزمون خود در اين مقاله، کوشيد پاسخ مناسبي براي آن ها ارائه کند. براي نمونه در پاسخ به تصور وحشتناک بودن ماشين هاي هوشمندي که بتوانند فکر کنند، اين موضوع را نکته اي انحرافي مي دانست زيرا معتقد بود که بحث اصلي او بايدها و نبايدها نيست بلکه درباره ممکن ها صحبت مي کند. وي پيش بيني کرد که منشاء اصلي هوشمندي ماشين فرضي او، حافظه بسيار زياد و سريعي است که يک کامپيوتر مي تواند داشته باشد. با اين تعريف، ماشيني همچون کامپيوتر Deep Blue که در چند مرحله از يک مسابقه دريايي و نمادين بين انسان و ماشين، توانست «گري کاسپاروف» قهرمان سابق شطرنج جهان را شکست دهد را مي توان يک ماشين هوشمند تلقي کرد. ناگفته نماند در دور دوم مسابقات، اين گاسپاروف بود که کامپيوتر را برد.
در عين حال تورينگ ضمن رد موضوع عدم اعتبار آزمون مورد بحث به دليل وجود احساسات در انسان، مثلاً براي ساخت و تدوين يک موسيقي دراماتيک، اعتقاد داشت هنوز هيچ سند قابل قبولي وجود ندارد که ثابت کند تنها انسان داراي احساسات است زيرا مفهوم دقيق اين واژه به لحاظ علمي مشخص نيست!
براي اولين بار در سال 1956 «جان مک کارتي» يکي از پيشگامان اين نظريه در آن زمان، اصطلاح هوش مصنوعي را در نخستين کنفرانس اين موضوع به کار برد و پس از مدتي زبان برنامه نويسي Lisp (List Processor) را ابداع کرد که در همين زمينه کاربرد دارد. بعدها اين رويداد به عنوان تاريخ تولد علم هوش مصنوعي انتخاب شد تقريباً در همين زمان «جان نيومان» با ارائه فرضيه موفق «نظريه بازي ها» که بعدها در برخي حوزه هاي علم مانند جامعه شناسي، اقتصاد و سياست نيز کاربردهايي پيدا کرد، اقتصاد و سياست نيز کاربردهايي پيدا کرد، نقشي تأثير گذار در پيشبرد جنبه هاي نظري و عملي هوش مصنوعي داشت. هشت سال بعد، نوبت به «آرتورسي کلارک» رسيد تا در رمان معروف خود «اوديسه فضايي 2001»، اصطلاح «آزمون تورينگ» را جايگزين «بازي تقليد» نمايد. گفتني اين که از زمان مطرح شدن فرضيه تورينگ، دانشمندان بسياري دست به کار ساخت ماشيني شده اند که بتواند آزمون تورينگ را با موفقيت به انجام رساند اما هنوز نه تنها چنين ماشين يا کامپيوتري رنگ واقعيت به خود نگرفته، بلکه پيش بيني تورينگ هم درست از آب درنيامده است!
يکي از مهم ترين مباحث مطرح در اين زمينه، موضوع شبيه سازي گفتگوها است، به اين معني که آيا داشتن قابليت شبيه سازي انسان در يک ماشين، مبين هوشمندي آن خواهد بود؟ به عنوان نمونه، روبات هاي نرم افزاري چت کننده (Chatter Bot) که از روي هاي تقليدي استفاده مي کنند و به تعبيري، نمونه پيشرفته و اينترنتي آزمون تورينگ هستند، از چه جايگاهي برخوردارند؟ چنين توجيهي، همواره تکنيک هاي شبيه سازي را مورد انتقاد گروهي از دانشمندان قرار داده است. يکي از مشهورترين انتقادات در اين زمينه را فيلسوفي به نام «جان سيرل» مطرح کرده زيرا او بحث هوشمندي ماشين هاي غير بيولوژيک را از پايه بي ربط مي داند و براي اثبات ادعاي خود مثالي مي آورد که در مباحث تئوريک هوش مصنوعي، با نام «اتاق چيني» شناخته مي شود. نقد اوليه سيرل، درباره هوش ماشيني در سال 1980 مطرح و ده سال بعد در مقاله کاملي، شرح و بسط داده شد.
استدلال اصلي منتقدان موضوع شبيه سازي گفتگو اين است که مي توان ماشيني ساخت (مانند يک نرم افزار لغت نامه) که عبارت اصطلاحات را ترجمه کند و به معناي ديگر با دريافت کلمات و نشانه هاي ورودي، جملات خروجي را ساخته و سر هم نمايد. به اين ترتيب مي توان گفت ماشين، معني و مفهوم اين عبارت ها را درک مي کند که در اين نتيجه «آزمون تورينگ» حتي در صورت موفقيت نيز نمي تواند اثبات کننده هوشمندي يک ماشين باشد.
در مقابل اين انتقاد، گروهي از دانشمندان موافق با نظريه تورينگ، معتقدند اگر ماشين ها با دنياي پيرامون خود کنش و واکنش داشته باشند يا مانند ما داراي حس بينايي، شنوايي، لامسه و حس هاي ديگر باشند، با ترکيب همزمان «پاسخ هاي تقليدي» و «واکنش مناسب به محيط» به هوشمندي مي رسند! يکي ديگر از انتقادات مهم وارد به آزمون تورينگ اين است که يک ماشين مي تواند هوشمند باشد ولي شايد نتواند همچون انسان ارتباط برقرار نمايد.
کارشناسان معتقدند، دانش پيش زمينه يا همان بايگاني ذهني موجودات با هوش، نقش مؤثري در هوشمندي آن ها ايفا مي کند به طوري که برخي از شاخه هاي نو و پيشرفته هوش مصنوعي، چون سيستم هاي ذخيره (Expert Systems) و شبکه هاي عصبي (Neural Network) بر همين اساس شکل گرفته اند تا ماشين قدرت آموختن و فراگيري بيابد.
سيستم هاي ذخيره که از معروف ترين شاخه هاي هوش مصنوعي نمادين به شمار مي روند، در يک تعريف کلي عبارتند از برنامه هاي کامپيوتري که نحوه تفکر يک متخصص در زمينه اي خاص را شبيه سازي کرده و با شناسايي الگوهاي تصميم گيري مي کنند. اين سسيستم ها قادرند حجم عظيمي از داده ها را پردازش کرده و براساس تکنيک هاي آماري، نتايج دقيقي را تهيه کنند. خوب است بدانيد از سيستم هاي خبره در موارد زيادي از جمله برنامه ريزي هاي تجاري، سيستم هاي امنيتي، اکتشافات نفت و معادن، مهندسي ژنتيک، طراحي و ساخت اتومبيل، طراحي لنز دوربين، زمان بندي برنامه پروازهاي خطوط هوايي و ... استفاده مي شود.
هوش پيوندگرا با اتکا بر منطق استنتاجي، از رهيافت آموزش و بهبود سيستم در اساس تکرار بهره مي گيرد. آموزش در اين هوش، مبتني بر شيوه آزمون و خطا است و براساس نتايج و تحليل هاي دقيق آماري، صورت نمي گيرد. در واقع قواعد از ابتدا در اختيار سيستم قرار نمي گيرد و سيستم با تجربه و تکرار، قوانين را استخراج مي کند. روش هاي ايجاد شبکه هاي عصبي و به کارگيري منطق فازي (Fuzzy Logic) در اين دسته قرار مي گيرند.
جا دارد به اين نکته اشاره کنيم که شبکه عصبي مصنوعي يک سامانه پردازشي داده ها است که از مغز انسان ايده گرفته و پردازش داده ها را به عهده پردازنده هاي کوچک و بسيار زيادي سپرده که به صورت شبکه اي به هم پيوسته و موازي با يکديگر رفتار مي کنند تا يک مسئله را حل نمايند. عنصر کليدي اين ايده، ساختار جديد سيستم پردازش اطلاعات است که براي انجام وظيفه اي مشخص در طول يک پروسه يادگيري، نظير شناسايي الگوها و دسته بندي اطلاعات، تنظيم مي شود.
منطق فازي در سال 1965 توسط پروفسور «لطفعلي عسگرزاده» معروف به لطفي زاده، معرفي گرديد که تاکنون توسط خود او و ديگر دانشمندان دنبال شده است. در منطق فازي لزومي ندارد که يک گزاره حتماً يا درست باشد يا غلط (صفر و يک) بلکه ممکن است مثلاً گزاره اي در عدد 7/0 پاسخ صحيح را عرضه کند. منطق فازي در واقع راهي ساده براي دستيابي به يک نتيجه قطعي براساس ورودي هاي ناقص، خطادار يا مبهم است! و از يک سري قوانين بسيار ساده پيروي مي کند که بعضي از کاربردهاي آن را مي توان در سيستم ترمز ضد قفل اتومبيل، برخي ماشين هاي لباسشويي، گونه هايي از سيستم هاي تهويه مطبوع و ... جستجو کرد.
مورد مهم ديگر در ارتباط با هوش مصنوعي، هدف از کاربرد آن است. اگرچه نخستين منظور بر از وارد شدن به اين موضوع، شبيه سازي هوش انسان در کالبد ماشين بود ولي اکنون ثابت شده که در اين علم، تنها شبيه سازي هوش انساني تصوري نادرست است. در حقيقت موضوع شبيه سازي هوش انساني عاملي پيش برنده در اين حوزه محسوب مي گردد که به دانشمندان انگيزه مي دهد تا آن را توسعه داده و در خلال روند توسعه، به دستاوردهايي با کاربرد در تمام زمينه ها مانند سيستم هاي خبره، سيستم هاي تصميم سازي (Decision Making Systems) در اقتصاد يا سيستم هاي تجزيه و تحليل داده هاي علم پزشکي دست يابد.
از سوي ديگر برخي دستاوردهاي اين علم، مثل افزايش قدرت محاسباتي و پردازشي کامپيوترها فراتر از بحث هوشمندي است که ميزان موفقيت هوش مصنوعي در آينده علاوه بر پيشرفت الگوريتم ها و روش ها، بستگي مستقيم به همين عوامل نيز دارد. با وجود اين دو فاکتور لازم و ملزوم يکديگر و تلاش هاي دانشمندان براي رشد اين علم، صنعت کامپيوتر امکان افزايش توانايي خود براي توليد سيستم هاي کارآمدتر و سودمندتر در زندگي نسل بشر را به دست مي آورد.
به نظر مي رسد آن چه محل تأمل جدي است، پاسخ به اين پرسش خواهد بود که آيا در نهايت ماشين هايي انديشمند چون انسان خواهيم داشت؟ و مهم تر آن که اگر اساساً چنين هدفي قابل دستيابي است، اينک علم و تکنولوژي در کجاي اين مسير هستند؟ و چنان چه دستيابي به آن مقدور نيست، سمت و سوي آينده هوش مصنوعي به کدام جهت است؟
ماشيني با هوش مصنوعي
«بازي تقليد» چنين بود: يک پرسش گر (انسان) همزمان با يک انسان و يک کامپيوتر که در اتاق هاي جداگانه اي قرار گرفته و ديده نمي شوند، گفت و گو مي کند. پرسش گر بايد پس از پايان گفت و گو، مشخص کند در کدام اتاق انسان و در کدام اتاق يک ماشين قرار دارد. چنان چه کامپيوتر قادر باشد طوري پاسخ دهد که پرسش گر نتواند انسان را از ماشين تميز دهد، آن گاه مي توان ادعا کرد که اين ماشين هوشمند است.
براي آسان تر کردن شرايط و پرهيز از پيچيدگي هاي اضافي، تورينگ اين آزمون را به محاوره روي کاغذ محدود کرد تا مشکلاتي مانند تبديل متن به گفتار شفاهي و تنظيم تُن صدا و لهجه در کار نباشد. او همچنين براساس محاسبات خود، پيش بيني کرد تا پنجاه سال بعد (سال 2000)، انسان کاميپوترهايي خواهد ساخت برخوردار از يک ميليارد بيت حافظه (125 ميليون بايت – حدود 120 مگا بايت) که در يک گفت و گوي پنچ دقيقه اي، فقط 70 درصد پرسش گرها خواهند توانست انسان يا ماشين بودن طرف مقابل خود را تشخيص دهند.
از سوي ديگر دکتر تورينگ با طرح استدلال هايي مخالف نظريه و آزمون خود در اين مقاله، کوشيد پاسخ مناسبي براي آن ها ارائه کند. براي نمونه در پاسخ به تصور وحشتناک بودن ماشين هاي هوشمندي که بتوانند فکر کنند، اين موضوع را نکته اي انحرافي مي دانست زيرا معتقد بود که بحث اصلي او بايدها و نبايدها نيست بلکه درباره ممکن ها صحبت مي کند. وي پيش بيني کرد که منشاء اصلي هوشمندي ماشين فرضي او، حافظه بسيار زياد و سريعي است که يک کامپيوتر مي تواند داشته باشد. با اين تعريف، ماشيني همچون کامپيوتر Deep Blue که در چند مرحله از يک مسابقه دريايي و نمادين بين انسان و ماشين، توانست «گري کاسپاروف» قهرمان سابق شطرنج جهان را شکست دهد را مي توان يک ماشين هوشمند تلقي کرد. ناگفته نماند در دور دوم مسابقات، اين گاسپاروف بود که کامپيوتر را برد.
در عين حال تورينگ ضمن رد موضوع عدم اعتبار آزمون مورد بحث به دليل وجود احساسات در انسان، مثلاً براي ساخت و تدوين يک موسيقي دراماتيک، اعتقاد داشت هنوز هيچ سند قابل قبولي وجود ندارد که ثابت کند تنها انسان داراي احساسات است زيرا مفهوم دقيق اين واژه به لحاظ علمي مشخص نيست!
براي اولين بار در سال 1956 «جان مک کارتي» يکي از پيشگامان اين نظريه در آن زمان، اصطلاح هوش مصنوعي را در نخستين کنفرانس اين موضوع به کار برد و پس از مدتي زبان برنامه نويسي Lisp (List Processor) را ابداع کرد که در همين زمينه کاربرد دارد. بعدها اين رويداد به عنوان تاريخ تولد علم هوش مصنوعي انتخاب شد تقريباً در همين زمان «جان نيومان» با ارائه فرضيه موفق «نظريه بازي ها» که بعدها در برخي حوزه هاي علم مانند جامعه شناسي، اقتصاد و سياست نيز کاربردهايي پيدا کرد، اقتصاد و سياست نيز کاربردهايي پيدا کرد، نقشي تأثير گذار در پيشبرد جنبه هاي نظري و عملي هوش مصنوعي داشت. هشت سال بعد، نوبت به «آرتورسي کلارک» رسيد تا در رمان معروف خود «اوديسه فضايي 2001»، اصطلاح «آزمون تورينگ» را جايگزين «بازي تقليد» نمايد. گفتني اين که از زمان مطرح شدن فرضيه تورينگ، دانشمندان بسياري دست به کار ساخت ماشيني شده اند که بتواند آزمون تورينگ را با موفقيت به انجام رساند اما هنوز نه تنها چنين ماشين يا کامپيوتري رنگ واقعيت به خود نگرفته، بلکه پيش بيني تورينگ هم درست از آب درنيامده است!
چالش هاي بنيادين هوش مصنوعي
يکي از مهم ترين مباحث مطرح در اين زمينه، موضوع شبيه سازي گفتگوها است، به اين معني که آيا داشتن قابليت شبيه سازي انسان در يک ماشين، مبين هوشمندي آن خواهد بود؟ به عنوان نمونه، روبات هاي نرم افزاري چت کننده (Chatter Bot) که از روي هاي تقليدي استفاده مي کنند و به تعبيري، نمونه پيشرفته و اينترنتي آزمون تورينگ هستند، از چه جايگاهي برخوردارند؟ چنين توجيهي، همواره تکنيک هاي شبيه سازي را مورد انتقاد گروهي از دانشمندان قرار داده است. يکي از مشهورترين انتقادات در اين زمينه را فيلسوفي به نام «جان سيرل» مطرح کرده زيرا او بحث هوشمندي ماشين هاي غير بيولوژيک را از پايه بي ربط مي داند و براي اثبات ادعاي خود مثالي مي آورد که در مباحث تئوريک هوش مصنوعي، با نام «اتاق چيني» شناخته مي شود. نقد اوليه سيرل، درباره هوش ماشيني در سال 1980 مطرح و ده سال بعد در مقاله کاملي، شرح و بسط داده شد.
استدلال اصلي منتقدان موضوع شبيه سازي گفتگو اين است که مي توان ماشيني ساخت (مانند يک نرم افزار لغت نامه) که عبارت اصطلاحات را ترجمه کند و به معناي ديگر با دريافت کلمات و نشانه هاي ورودي، جملات خروجي را ساخته و سر هم نمايد. به اين ترتيب مي توان گفت ماشين، معني و مفهوم اين عبارت ها را درک مي کند که در اين نتيجه «آزمون تورينگ» حتي در صورت موفقيت نيز نمي تواند اثبات کننده هوشمندي يک ماشين باشد.
در مقابل اين انتقاد، گروهي از دانشمندان موافق با نظريه تورينگ، معتقدند اگر ماشين ها با دنياي پيرامون خود کنش و واکنش داشته باشند يا مانند ما داراي حس بينايي، شنوايي، لامسه و حس هاي ديگر باشند، با ترکيب همزمان «پاسخ هاي تقليدي» و «واکنش مناسب به محيط» به هوشمندي مي رسند! يکي ديگر از انتقادات مهم وارد به آزمون تورينگ اين است که يک ماشين مي تواند هوشمند باشد ولي شايد نتواند همچون انسان ارتباط برقرار نمايد.
کارشناسان معتقدند، دانش پيش زمينه يا همان بايگاني ذهني موجودات با هوش، نقش مؤثري در هوشمندي آن ها ايفا مي کند به طوري که برخي از شاخه هاي نو و پيشرفته هوش مصنوعي، چون سيستم هاي ذخيره (Expert Systems) و شبکه هاي عصبي (Neural Network) بر همين اساس شکل گرفته اند تا ماشين قدرت آموختن و فراگيري بيابد.
شاخه هاي علم هوش مصنوعي
سيستم هاي ذخيره که از معروف ترين شاخه هاي هوش مصنوعي نمادين به شمار مي روند، در يک تعريف کلي عبارتند از برنامه هاي کامپيوتري که نحوه تفکر يک متخصص در زمينه اي خاص را شبيه سازي کرده و با شناسايي الگوهاي تصميم گيري مي کنند. اين سسيستم ها قادرند حجم عظيمي از داده ها را پردازش کرده و براساس تکنيک هاي آماري، نتايج دقيقي را تهيه کنند. خوب است بدانيد از سيستم هاي خبره در موارد زيادي از جمله برنامه ريزي هاي تجاري، سيستم هاي امنيتي، اکتشافات نفت و معادن، مهندسي ژنتيک، طراحي و ساخت اتومبيل، طراحي لنز دوربين، زمان بندي برنامه پروازهاي خطوط هوايي و ... استفاده مي شود.
هوش پيوندگرا با اتکا بر منطق استنتاجي، از رهيافت آموزش و بهبود سيستم در اساس تکرار بهره مي گيرد. آموزش در اين هوش، مبتني بر شيوه آزمون و خطا است و براساس نتايج و تحليل هاي دقيق آماري، صورت نمي گيرد. در واقع قواعد از ابتدا در اختيار سيستم قرار نمي گيرد و سيستم با تجربه و تکرار، قوانين را استخراج مي کند. روش هاي ايجاد شبکه هاي عصبي و به کارگيري منطق فازي (Fuzzy Logic) در اين دسته قرار مي گيرند.
جا دارد به اين نکته اشاره کنيم که شبکه عصبي مصنوعي يک سامانه پردازشي داده ها است که از مغز انسان ايده گرفته و پردازش داده ها را به عهده پردازنده هاي کوچک و بسيار زيادي سپرده که به صورت شبکه اي به هم پيوسته و موازي با يکديگر رفتار مي کنند تا يک مسئله را حل نمايند. عنصر کليدي اين ايده، ساختار جديد سيستم پردازش اطلاعات است که براي انجام وظيفه اي مشخص در طول يک پروسه يادگيري، نظير شناسايي الگوها و دسته بندي اطلاعات، تنظيم مي شود.
منطق فازي در سال 1965 توسط پروفسور «لطفعلي عسگرزاده» معروف به لطفي زاده، معرفي گرديد که تاکنون توسط خود او و ديگر دانشمندان دنبال شده است. در منطق فازي لزومي ندارد که يک گزاره حتماً يا درست باشد يا غلط (صفر و يک) بلکه ممکن است مثلاً گزاره اي در عدد 7/0 پاسخ صحيح را عرضه کند. منطق فازي در واقع راهي ساده براي دستيابي به يک نتيجه قطعي براساس ورودي هاي ناقص، خطادار يا مبهم است! و از يک سري قوانين بسيار ساده پيروي مي کند که بعضي از کاربردهاي آن را مي توان در سيستم ترمز ضد قفل اتومبيل، برخي ماشين هاي لباسشويي، گونه هايي از سيستم هاي تهويه مطبوع و ... جستجو کرد.
فراتر از هوش مصنوعي
مورد مهم ديگر در ارتباط با هوش مصنوعي، هدف از کاربرد آن است. اگرچه نخستين منظور بر از وارد شدن به اين موضوع، شبيه سازي هوش انسان در کالبد ماشين بود ولي اکنون ثابت شده که در اين علم، تنها شبيه سازي هوش انساني تصوري نادرست است. در حقيقت موضوع شبيه سازي هوش انساني عاملي پيش برنده در اين حوزه محسوب مي گردد که به دانشمندان انگيزه مي دهد تا آن را توسعه داده و در خلال روند توسعه، به دستاوردهايي با کاربرد در تمام زمينه ها مانند سيستم هاي خبره، سيستم هاي تصميم سازي (Decision Making Systems) در اقتصاد يا سيستم هاي تجزيه و تحليل داده هاي علم پزشکي دست يابد.
از سوي ديگر برخي دستاوردهاي اين علم، مثل افزايش قدرت محاسباتي و پردازشي کامپيوترها فراتر از بحث هوشمندي است که ميزان موفقيت هوش مصنوعي در آينده علاوه بر پيشرفت الگوريتم ها و روش ها، بستگي مستقيم به همين عوامل نيز دارد. با وجود اين دو فاکتور لازم و ملزوم يکديگر و تلاش هاي دانشمندان براي رشد اين علم، صنعت کامپيوتر امکان افزايش توانايي خود براي توليد سيستم هاي کارآمدتر و سودمندتر در زندگي نسل بشر را به دست مي آورد.
به نظر مي رسد آن چه محل تأمل جدي است، پاسخ به اين پرسش خواهد بود که آيا در نهايت ماشين هايي انديشمند چون انسان خواهيم داشت؟ و مهم تر آن که اگر اساساً چنين هدفي قابل دستيابي است، اينک علم و تکنولوژي در کجاي اين مسير هستند؟ و چنان چه دستيابي به آن مقدور نيست، سمت و سوي آينده هوش مصنوعي به کدام جهت است؟
