دانش - دميدن جان در ماشين

واضح آرشیو وب فارسی:واحد مرکزي خبر: دانش - دميدن جان در ماشين

دانش - دميدن جان در ماشين

مريم صادقي:بيش از نيم قرن پيش، هنگامي كه هنوز هيچ تراشه‌ سيليكوني‌اي ساخته نشده بود، آلن تورينگ يكي از بحث ‌بر‌انگيزترين پرسش‌هاي فلسفي تاريخ را پرسيد. او گفت آيا ماشين مي‌تواند فكر كند و اندكي بعد كوشيد به پيروي از اين قاعده كه هر ادعاي علمي بايد از بوته آزمايش سربلند بيرون بيايد، پرسش فلسفي خود را با يك آزمايش ساده و در عين حال پيچيده جايگزين كند. او پرسيد آيا يك ماشين يك كامپيوتر مي‌تواند بازي تقليد را با موفقيت پشت سر بگذارد. آيا ماشين مي‌تواند از انسان چنان تقليد كند كه در يك آزمون محاوره‌اي نتوانيم تفاوت انسان و ماشين را تشخيص دهيم. او در سال 1950 براساس محاسباتي تخمين زد كه 50 سال بعد كامپيوتري با يك ميليارد بيت حافظه خواهد توانست به موفقيت‌هايي در اين زمينه دست پيدا كند. اكنون كه در نيمه سال 2008 ميلادي هستيم، حتي هشت سال بيشتر از زماني كه او لازم دانسته بود، هنوز هيچ ماشيني نتوانسته است از بوته آزمون تورينگ با موفقيت خارج شود. در سال 2000 مفهوم هوش مصنوعي براي هيچ‌كس غير قابل باور نبود. در اين مقاله نگاهي داريم به سير تحولاتي كه پس از اين پرسش تاريخي در دنياي علم و مهندسي به‌وقوع پيوستند.

يكي از جالب‌ترين و هيجان‌انگيزترين پرسش‌هايي كه تاكنون تاريخ فلسفه به خود ديده اين پرسش است كه آلن تورينگ فيلسوف و رياضيدان انگليسي در سال 1950 طي مقاله‌اي به نام:
Computing Machinery and Intelliqence
يا {ماشين محاسباتي و هوشمند} مطرح كرد او پرسيد آيا ماشين مي‌تواند فكر كند. خود تورينگ نتوانست پاسخ قطعي اين پرسش را پيدا كند. اما براي يافتن پاسخ مناسب در آينده يك راهبرد خلاقانه پيشنهاد كرد. او آزموني طراحي كرد كه خود، آن را بازي تقليد ناميد. او آزمون بازي تقليد را چنين شرح داد: يك پرسشگر- يك انسان- همزمان در حال گفت‌وگو با دو نفر است. هر يك از اين دو نفر در اتاق‌هاي جداگانه قرار گرفته‌اند و پرسشگر نمي‌تواند هيچيك از آنها را ببيند يكي از اين دو نفر انسان است و ديگري يك ماشين يعني يك كامپيوتر. پرسشگر بايد با اين دو نفر شروع به گفت‌وگو كند و بكوشد بفهمد كدا‌ميك از اين دو، انسان است و كداميك ماشين. اگر كامپيوتر بتواند طوري جواب دهد كه پرسشگر نتواند انسان را از ماشين تميز دهد آنگاه مي‌توان ادعا كرد كه اين ماشين هوشمند است. تورينگ براي آسان‌كردن شرايط اين آزمون و پرهيز از پيچيدگي‌هاي اضافي آن را به محاوره‌اي متني و روي كاغذ محدود كرد تا مجبور به درگير شدن با مسائل انحرافي مانند تبديل متن به گفتار شفاهي و تنظيم تن صدا و لهجه نباشيم.
او همچنين بر اساس يك سري محاسبات پيش‌بيني كرد كه 50 سال بعد يعني در سال 2000 انسان قادر خواهد بود كامپيوترهايي بسازد كه در يك گفت‌وگوي پنج‌ دقيقه‌اي، فقط 70درصد پرسشگرها بتوانند كشف كنند كه در حال گفت‌وگو با يك انسان هستند يا يك ماشين. او برخورداري از يك ميليارد بيت حافظه (125 ميليون بايت- حدود 120 مگابايت) را يكي از مشخصه‌هاي اصلي اين كامپيوتر دانست.
تورينگ همچنين در اين مقاله يك سري استدلال‌هاي مخالف با نظريه و آزمون خود را مطرح كرد و كوشيد به آنها پاسخ دهد، تصور اينكه ماشين‌هاي هوشمندي ساخته شوند كه بتوانند فكر كنند وحشتناك است. تورينگ در پاسخ مي‌گويد اين نكته‌اي انحرافي است، زيرا بحث اصلي او بايدها و نبايدها نيست بلكه بحث درباره ممكن‌هاست. ديگر اينكه، ادعا مي‌شود محدوديت‌هايي درباره نوع پرسش‌هايي كه مي‌توان از كامپيوتر پرسيد وجود دارد، زيرا كامپيوتر از منطق خاصي پيروي مي‌كند. اما تورينگ در پاسخ مي‌گويد:‌ خود انسان هنگام گفت‌وگو پرغلط ظاهر مي‌شود و نمي‌توان گفتار هر انساني را لزوما منطقي كرد. او پيش‌بيني كرد كه منشأ اصلي هوشمندي ماشين فرضي او، حافظه بسيار زياد و سريعي است كه يك كامپيوتر مي‌تواند داشته باشد. بنابراين از نگاه تورينگ، ماشين همچون كامپيوتر Deep Blue كه كاسپاروف، قهرمان شطرنج را شكست داد، مي‌تواند يك ماشين هوشمند تلقي شود. در عين حال تورينگ اين نظر را كه {آزمون مورد بحث معتبر نيست، زيرا انسان داراي احساسات است و مثلا موسيقي دراماتيك مي‌سازد} رد كرد و گفت: هنوز هيچ سند قابل قبولي وجود ندارد كه ثابت كند فقط ما انسان‌ها داراي احساسات هستيم، زيرا مشخص نيست مفهوم دقيق اين واژه به لحاظ علمي چيست.
در سال 1956 جان مك‌ كارتي، يكي از نظريه‌پردازان پيشگام اين نظريه در آن زمان، اصطلاح (هوشمند مصنوعي) را براي اولين‌بار در نخستين كنفرانسي كه به اين موضوع اختصاص يافته بود، به كار برد. او همچنين زبان‌ برنامه‌نويس Lisp را ابداع كرد كه در همين زمينه كاربرد دارد. دانشمندان بعدا اين تاريخ را به عنوان تاريخ تولد علم هوش مصنوعي انتخاب كردند. تقريبا در همان زمان جان فون نيومان نظريه بازي‌ها را معرفي كرد. اين نظريه نقش موثري در پيشبرد جنبه‌هاي نظري و علمي هوش مصنوعي داشت. چند سال بعد، در سال 1968 آرتور سركلارك، در رمان معروف خود، يعني اوديسه فضايي 2001 اصطلاح (آزمون تورينگ) را به جاي (بازي‌ تقليد)‌ سر زبان‌ها انداخت. از زماني كه تورينگ اين فرضيه را مطرح كرده است، هزاران دانشمند با هدف ساختن ماشيني كه بتواند آزمون تورينگ را با موفقيت تمام كند، دست به كار شده‌اند. اما هنوز كسي موفق نشده است چنين ماشيني بسازد و پيش‌بيني تورينگ هم درست از آب در نيامده است.
چالش‌هاي بنيادين هوش مصنوعي
البته امروزه هوش مصنوعي به واقعيت نزديك شده است و تقريبا مي‌توان گفت وجود دارد اما دلايل اصلي متعددي وجود دارد كه نشان مي‌دهند چرا هنوز شكل تكامل يافته هوش كه تورينگ تصور مي‌كرد، به وقوع نپيوسته است. يكي از مهم‌ترين مباحث مطرح در اين زمينه، موضوع شبيه‌سازي است. غالبا پرسيده مي‌شود آيا صرف اينكه ماشين بتواند نحوه صحبت كردن انسان را شبيه‌سازي كند، به معني آن است كه هوشمند است؟ به عنوان مثال، شايد شما هم درباره روبات‌هاي نرم‌افزاري كه مي‌توانند چت كنند چيزهايي شنيده باشيد. اين روبات‌ها از روش‌هاي تقليدي استفاده مي‌كنند و به تعبيري نمونه مدرن و اينترنتي آزمون تورينگ هستند. مثلا روبات Eliza يكي از اينهاست. اين روبات را ژزف وايزن‌بام، يكي ديگر از پژوهشگران نامدار اين حوزه اختراع كرد. اليزا در برخي مكالمات ساده مي‌تواند طرف مقابل خود را به اشتباه بيندازد طوري كه مخاطب ممكن است فكر كند در حال گپ‌زدن با يك انسان است. البته اليزا هنوز نتوانسته است آزمون تورينگ را با موفقيت پشت سر بگذارد.
شاخه‌هاي علم هوش مصنوعي
امروزه دانش مدرن هوش مصنوعي به دو دسته تقسيم مي‌شود:‌
ا) هوش مصنوعي سمبليك يا نمادين (Symbolic Ai)
2) هوش غير سمبليك يا پيوندگرا (Connection Ai)
هوش مصنوعي سمبليك از رهيافتي مبتني بر محاسبات آماري پيروي مي‌كند و اغلب تحت عنوان «يادگيري ماشين» يا Machune Learning طبقه‌بندي مي‌شود. هوش سمبليك مي‌كوشد سيستم و قواعد آن را در قالب سمبل‌ها بيان كند و با نگاشت اطلاعات به سمبل‌ها و قوانين به حل مسئله بپردازد. در ميان معروف‌ترين شاخه‌هاي هوش مصنوعي سمبليك مي‌توان به سيستم‌هاي خبره (Expert Systems) و شبكه‌هايBayesian اشاره كرد. اما هوش پيوندگرا متكي بر يك منطق استقرايي است و از رهيافت «آموزش/ بهبود سيستم از طريق تكرار» بهره مي‌گيرد. اين آموزش‌ها نه بر اساس نتايج و تحليل‌هاي دقيق آماري، بلكه مبتني بر شيوه آزمون و خطا و «يادگيري از راه تجربه»‌ است. در هوش مصنوعي پيوندگرا، قواعد از ابتدا در اختيار سيستم قرار نمي‌گيرد، بلكه سيستم از طريق تجربه، خودش قوانين را استخراج مي‌كند. متدهاي ايجاد شبكه‌هاي عصبي (Network Neural) و نيز به كارگيري منطق فازي (Fuzzy Logic) در اين دسته قرار مي‌گيرد.
براي درك بهتر تفاوت ميان دو شيوه به يك مثال توجه كنيد. فرض كنيد مي‌خواهيم يك سيستم OCR بسازيم. سيستم OCR نرم‌افزاري است كه پس از اسكن كردن يك تكه نوشته روي كاغذ مي‌تواند متن روي آن را استخراج كند و به كاراكترهاي متني تبديل نمايد. بديهي است كه چنين نرم‌افزاري به نوعي هوشمندي نياز دارد. اين هوشمندي را با دو رهيافت متفاوت مي‌توان فراهم كرد. اگر از روش سمبليك استفاده كنيم، قاعدتا بايد الگوي هندسي تمام حروف و اعداد را در حالت‌هاي مختلف در بانك اطلاعاتي سيستم تعريف كنيم و سپس متن اسكن‌شده را با اين الگوها مقايسه كنيم تا بتوانيم متن را استخراج نماييم.
روش دوم يا متد «پيوندگرا» اين است كه سيستم هوشمند سمبليك درست كنيم و متن‌هاي متعددي را يك به يك به آن بدهيم تا آرام‌آرام آموزش ببيند و سيستم را بهينه كند. در اينجا سيستم هوشمند مي‌تواند مثلا يك شبكه عصبي يا مدل مخفي ماركوف باشد. در اين شيوه سمبل‌ها پايه هوشمندي نيستند، بلكه فعاليت‌هاي سلسله اعصاب يك شبكه و چگونگي پيوند ميان آنها مبناي هوشمندي را تشكيل مي‌دهند. در طول دهه 1960 و 1970 به دنبال ابداع اولين برنامه نرم‌افزاري موفق در گروه سيستم‌هاي مبتني بر دانش (Knowledge- based) توسط جوئل موزس، سيستم‌هاي هوش سمبليك به يك جريان مهم تبديل شد. ايده و مدل‌هاي شبكه‌هاي عصبي ابتدا در دهه 1940 توسط «Walter pitts, Warren McCulloch» معرفي شد.
سپس در دهه 1950 كارهاي روزنبالت (Rosenblatt) در مورد شبكه‌هاي دو لايه مورد توجه قرار گرفت. در دهه 1947 الگوريتم backpropagation توسط Werbos معرفي شد ولي متدولوژي شبكه‌هاي عصبي عمدتا از دهه 1980 به اين سو رشد زيادي كرد و مورد استقبال دانشمندان قرار گرفت. منطق‌ فازي ابتدا توسط پروفسور لطفي‌زاده،‌ در سال 1965 معرفي شد و از آن زمان به بعد توسط خود او و ديگر دانشمندان دنبال شد.
در دهه 1980 تلاش‌هاي دانشمندان ژاپني براي كاربردي كردن منطق فازي به ترويج و معرفي منطق فازي كمك زيادي كرد. مثلا طراحي و شبيه‌سازي سيستم كنترل فازي براي راه‌آهن Sendia توسط دو دانشمند به نام‌هاي Yasunobo و Miyamoto در سال 1985، نمايش كاربرد سيستم‌هاي كنترل فازي از طريق چند تراشه‌ مبتني بر منطق فازي در آزمون «پاندول معكوس» توسط Takeshi Yamakawa در همايش بين‌المللي پژوهشگران منطق فازي در توكيو در سال 1987 و نيز استفاده از سيستم‌هاي فازي در شبكه مونوريل توكيو و نيز معرفي سيستم ترمز ABS مبتني بر كنترل‌هاي فازي توسط اتومبيل‌‌سازي هوندا در همين دهه تاثير زيادي در توجه مجدد دانشمندان جهان به اين حوزه از علم داشت.
فراتر از هوشمندي ماشين
چنان كه گفتيم، هوش مصنوعي دانش و مهندسي ساختن ماشين‌هاي هوشمند، به ويژه كامپيوترهاي هوشمند است. اما به‌راستي هوشمند چيست؟ در واقع هنوز دانشمندان نتوانسته‌اند تعريف واحدي از هوشمندي ارائه دهند كه مستقل از «هوش انسان» باشد. ما مي‌دانيم كه برخي از ماشين‌ها يا جانداران مي‌توانند هوشمند باشند، اما بشر هنوز نمي‌داند كه مايل است كدام دسته از فرآيندهاي محاسباتي يا پردازش را هوشمندي بنامد. بنابراين براي پاسخ دادن به اين پرسش كه «آيا فلان ماشين هوشمند است؟» هنوز فرمول مشخصي وجود ندارد، در واقع هوشمندي، خود يك مفهوم‌ فازي و نادقيق است. هوشمندي را مي‌توان فرآيندي تلقي كرد كه دانشمندان هنوز در حال شبيه‌سازي، تحليل و حتي تعريف مشخصه‌هاي آن هستند.
موضوع مهم ديگر كه در ارتباط با هوش مصنوعي مطرح است، هدف دانشمندان از به كارگيري آن است. روشن است كه هدف اوليه بشر از ورود به اين موضوع، شبيه‌سازي هوش انسان در كالبد ماشين بوده است. ولي امروزه ديگر چنين نيست و اين تصور كه هدف علم هوش مصنوعي تنها شبيه‌سازي هوش انساني است، تصوري نادرست است. در حقيقت موضوع شبيه‌سازي هوش انساني عاملي پيش‌برنده در اين حوزه از علم است كه به دانشمندان انگيزه مي‌دهد تا آن را توسعه دهند، اما در خلال روند توسعه، بشر مي‌تواند به دستاوردهايي برسد كه در تمام زمينه‌ها كاربرد دارد. سيستم‌هاي خبره و مبتني بر دانش نمونه‌اي از اين دستاوردهاست. بسياري از نرم‌افزارهاي موسوم به سيستم‌هاي تصميم‌سازي (Decision Making Systems) در شاخه اقتصاد يا سيستم‌هايي كه در تجزيه و تحليل داده‌هاي پزشكي به كار مي‌روند از اين دستاورد بهره مي‌گيرند.
چهارشنبه 27 شهريور 1387

این صفحه را در گوگل محبوب کنید

[ارسال شده از: واحد مرکزي خبر]

[مشاهده در: www.iribnews.ir]

[تعداد بازديد از اين مطلب: 204]