دمیدن جان در ماشین

واضح آرشیو وب فارسی:فان پاتوق:

بیش از نیم قرن پیش، هنگامی که هنوز هیچ تراشه. سیلیکونی.ای ساخته نشده بود، آلن تورینگ یکی از بحث .بر.انگیزترین پرسش.های فلسفی تاریخ را پرسید. او گفت آیا ماشین می.تواند فکر کند و اندکی بعد کوشید به پیروی از این قاعده که هر ادعای علمی باید از بوته آزمایش سربلند بیرون بیاید، پرسش فلسفی خود را با یک آزمایش ساده و در عین حال پیچیده جایگزین کند. او پرسید آیا یک ماشین یک کامپیوتر می.تواند بازی تقلید را با موفقیت پشت سر بگذارد. آیا ماشین می.تواند از انسان چنان تقلید کند که در یک آزمون محاوره.ای نتوانیم تفاوت انسان و ماشین را تشخیص دهیم. او در سال ۱۹۵۰ براساس محاسباتی تخمین زد که ۵۰ سال بعد کامپیوتری با یک میلیارد بیت حافظه خواهد توانست به موفقیت.هایی در این زمینه دست پیدا کند. اکنون که در نیمه سال ۲۰۰۸ میلادی هستیم، حتی هشت سال بیشتر از زمانی که او لازم دانسته بود، هنوز هیچ ماشینی نتوانسته است از بوته آزمون تورینگ با موفقیت خارج شود. در سال ۲۰۰۰ مفهوم هوش مصنوعی برای هیچ.کس غیر قابل باور نبود.
در این مقاله نگاهی داریم به سیر تحولاتی که پس از این پرسش تاریخی در دنیای علم و مهندسی به.وقوع پیوستند. یکی از جالب.ترین و هیجان.انگیزترین پرسش.هایی که تاکنون تاریخ فلسفه به خود دیده این پرسش است که آلن تورینگ فیلسوف و ریاضیدان انگلیسی در سال ۱۹۵۰ طی مقاله.ای به نام: Computing Machinery and Intelligence یا {ماشین محاسباتی و هوشمند} مطرح کرد او پرسید آیا ماشین می.تواند فکر کند. خود تورینگ نتوانست پاسخ قطعی این پرسش را پیدا کند. اما برای یافتن پاسخ مناسب در آینده یک راهبرد خلاقانه پیشنهاد کرد.
او آزمونی طراحی کرد که خود، آن را بازی تقلید نامید. او آزمون بازی تقلید را چنین شرح داد: یک پرسشگر- یک انسان- همزمان در حال گفت.وگو با دو نفر است. هر یک از این دو نفر در اتاق.های جداگانه قرار گرفته.اند و پرسشگر نمی.تواند هیچیک از آنها را ببیند یکی از این دو نفر انسان است و دیگری یک ماشین یعنی یک کامپیوتر. پرسشگر باید با این دو نفر شروع به گفت.وگو کند و بکوشد بفهمد کدا.میک از این دو، انسان است و کدامیک ماشین. اگر کامپیوتر بتواند طوری جواب دهد که پرسشگر نتواند انسان را از ماشین تمیز دهد آنگاه می.توان ادعا کرد که این ماشین هوشمند است. تورینگ برای آسان.کردن شرایط این آزمون و پرهیز از پیچیدگی.های اضافی آن را به محاوره.ای متنی و روی کاغذ محدود کرد تا مجبور به درگیر شدن با مسائل انحرافی مانند تبدیل متن به گفتار شفاهی و تنظیم تن صدا و لهجه نباشیم.
او همچنین بر اساس یک سری محاسبات پیش.بینی کرد که ۵۰ سال بعد یعنی در سال ۲۰۰۰ انسان قادر خواهد بود کامپیوترهایی بسازد که در یک گفت.وگوی پنج. دقیقه.ای، فقط ۷۰درصد پرسشگرها بتوانند کشف کنند که در حال گفت.وگو با یک انسان هستند یا یک ماشین. او برخورداری از یک میلیارد بیت حافظه (۱۲۵ میلیون بایت- حدود ۱۲۰ مگابایت) را یکی از مشخصه.های اصلی این کامپیوتر دانست.
تورینگ همچنین در این مقاله یک سری استدلال.های مخالف با نظریه و آزمون خود را مطرح کرد و کوشید به آنها پاسخ دهد، تصور اینکه ماشین.های هوشمندی ساخته شوند که بتوانند فکر کنند وحشتناک است. تورینگ در پاسخ می.گوید این نکته.ای انحرافی است، زیرا بحث اصلی او بایدها و نبایدها نیست بلکه بحث درباره ممکن.هاست.
دیگر اینکه، ادعا می.شود محدودیت.هایی درباره نوع پرسش.هایی که می.توان از کامپیوتر پرسید وجود دارد، زیرا کامپیوتر از منطق خاصی پیروی می.کند. اما تورینگ در پاسخ می.گوید:. خود انسان هنگام گفت.وگو پرغلط ظاهر می.شود و نمی.توان گفتار هر انسانی را لزوما منطقی کرد. او پیش.بینی کرد که منشأ اصلی هوشمندی ماشین فرضی او، حافظه بسیار زیاد و سریعی است که یک کامپیوتر می.تواند داشته باشد. بنابراین از نگاه تورینگ، ماشین همچون کامپیوتر Deep Blue که کاسپاروف، قهرمان شطرنج را شکست داد، می.تواند یک ماشین هوشمند تلقی شود. در عین حال تورینگ این نظر را که {آزمون مورد بحث معتبر نیست، زیرا انسان دارای احساسات است و مثلا موسیقی دراماتیک می.سازد} رد کرد و گفت: هنوز هیچ سند قابل قبولی وجود ندارد که ثابت کند فقط ما انسان.ها دارای احساسات هستیم، زیرا مشخص نیست مفهوم دقیق این واژه به لحاظ علمی چیست.
در سال ۱۹۵۶ جان مک. کارتی، یکی از نظریه.پردازان پیشگام این نظریه در آن زمان، اصطلاح (هوشمند مصنوعی) را برای اولین.بار در نخستین کنفرانسی که به این موضوع اختصاص یافته بود، به کار برد. او همچنین زبان. برنامه.نویس Lisp را ابداع کرد که در همین زمینه کاربرد دارد. دانشمندان بعدا این تاریخ را به عنوان تاریخ تولد علم هوش مصنوعی انتخاب کردند. تقریبا در همان زمان جان فون نیومان نظریه بازی.ها را معرفی کرد. این نظریه نقش موثری در پیشبرد جنبه.های نظری و علمی هوش مصنوعی داشت. چند سال بعد، در سال ۱۹۶۸ آرتور سرکلارک، در رمان معروف خود، یعنی اودیسه فضایی ۲۰۰۱ اصطلاح (آزمون تورینگ) را به جای (بازی. تقلید). سر زبان.ها انداخت. از زمانی که تورینگ این فرضیه را مطرح کرده است، هزاران دانشمند با هدف ساختن ماشینی که بتواند آزمون تورینگ را با موفقیت تمام کند، دست به کار شده.اند. اما هنوز کسی موفق نشده است چنین ماشینی بسازد و پیش.بینی تورینگ هم درست از آب در نیامده است.
● چالش.های بنیادین هوش مصنوعی
البته امروزه هوش مصنوعی به واقعیت نزدیک شده است و تقریبا می.توان گفت وجود دارد اما دلایل اصلی متعددی وجود دارد که نشان می.دهند چرا هنوز شکل تکامل یافته هوش که تورینگ تصور می.کرد، به وقوع نپیوسته است. یکی از مهم.ترین مباحث مطرح در این زمینه، موضوع شبیه.سازی است. غالبا پرسیده می.شود آیا صرف اینکه ماشین بتواند نحوه صحبت کردن انسان را شبیه.سازی کند، به معنی آن است که هوشمند است؟ به عنوان مثال، شاید شما هم درباره روبات.های نرم.افزاری که می.توانند چت کنند چیزهایی شنیده باشید. این روبات.ها از روش.های تقلیدی استفاده می.کنند و به تعبیری نمونه مدرن و اینترنتی آزمون تورینگ هستند. مثلا روبات Eliza یکی از اینهاست. این روبات را ژزف وایزن.بام، یکی دیگر از پژوهشگران نامدار این حوزه اختراع کرد. الیزا در برخی مکالمات ساده می.تواند طرف مقابل خود را به اشتباه بیندازد طوری که مخاطب ممکن است فکر کند در حال گپ.زدن با یک انسان است. البته الیزا هنوز نتوانسته است آزمون تورینگ را با موفقیت پشت سر بگذارد.
● شاخه.های علم هوش مصنوعی
امروزه دانش مدرن هوش مصنوعی به دو دسته تقسیم می.شود:.
ا) هوش مصنوعی سمبلیک یا نمادین (Symbolic Ai)
۲) هوش غیر سمبلیک یا پیوندگرا (Connection Ai)
هوش مصنوعی سمبلیک از رهیافتی مبتنی بر محاسبات آماری پیروی می.کند و اغلب تحت عنوان «یادگیری ماشین» یا Machune Learning طبقه.بندی می.شود. هوش سمبلیک می.کوشد سیستم و قواعد آن را در قالب سمبل.ها بیان کند و با نگاشت اطلاعات به سمبل.ها و قوانین به حل مسئله بپردازد. در میان معروف.ترین شاخه.های هوش مصنوعی سمبلیک می.توان به سیستم.های خبره (Expert Systems) و شبکه.هایBayesian اشاره کرد. اما هوش پیوندگرا متکی بر یک منطق استقرایی است و از رهیافت «آموزش/ بهبود سیستم از طریق تکرار» بهره می.گیرد. این آموزش.ها نه بر اساس نتایج و تحلیل.های دقیق آماری، بلکه مبتنی بر شیوه آزمون و خطا و «یادگیری از راه تجربه». است. در هوش مصنوعی پیوندگرا، قواعد از ابتدا در اختیار سیستم قرار نمی.گیرد، بلکه سیستم از طریق تجربه، خودش قوانین را استخراج می.کند. متدهای ایجاد شبکه.های عصبی (Network Neural) و نیز به کارگیری منطق فازی (Fuzzy Logic) در این دسته قرار می.گیرد.
برای درک بهتر تفاوت میان دو شیوه به یک مثال توجه کنید. فرض کنید می.خواهیم یک سیستم OCR بسازیم. سیستم OCR نرم.افزاری است که پس از اسکن کردن یک تکه نوشته روی کاغذ می.تواند متن روی آن را استخراج کند و به کاراکترهای متنی تبدیل نماید. بدیهی است که چنین نرم.افزاری به نوعی هوشمندی نیاز دارد. این هوشمندی را با دو رهیافت متفاوت می.توان فراهم کرد. اگر از روش سمبلیک استفاده کنیم، قاعدتا باید الگوی هندسی تمام حروف و اعداد را در حالت.های مختلف در بانک اطلاعاتی سیستم تعریف کنیم و سپس متن اسکن.شده را با این الگوها مقایسه کنیم تا بتوانیم متن را استخراج نماییم.
روش دوم یا متد «پیوندگرا» این است که سیستم هوشمند سمبلیک درست کنیم و متن.های متعددی را یک به یک به آن بدهیم تا آرام.آرام آموزش ببیند و سیستم را بهینه کند. در اینجا سیستم هوشمند می.تواند مثلا یک شبکه عصبی یا مدل مخفی مارکوف باشد. در این شیوه سمبل.ها پایه هوشمندی نیستند، بلکه فعالیت.های سلسله اعصاب یک شبکه و چگونگی پیوند میان آنها مبنای هوشمندی را تشکیل می.دهند. در طول دهه ۱۹۶۰ و ۱۹۷۰ به دنبال ابداع اولین برنامه نرم.افزاری موفق در گروه سیستم.های مبتنی بر دانش (Knowledge- based) توسط جوئل موزس، سیستم.های هوش سمبلیک به یک جریان مهم تبدیل شد. ایده و مدل.های شبکه.های عصبی ابتدا در دهه ۱۹۴۰ توسط «Walter pitts, Warren McCulloch» معرفی شد.
سپس در دهه ۱۹۵۰ کارهای روزنبالت (Rosenblatt) در مورد شبکه.های دو لایه مورد توجه قرار گرفت. در دهه ۱۹۴۷ الگوریتم backpropagation توسط Werbos معرفی شد ولی متدولوژی شبکه.های عصبی عمدتا از دهه ۱۹۸۰ به این سو رشد زیادی کرد و مورد استقبال دانشمندان قرار گرفت. منطق. فازی ابتدا توسط پروفسور لطفی.زاده،. در سال ۱۹۶۵ معرفی شد و از آن زمان به بعد توسط خود او و دیگر دانشمندان دنبال شد.
در دهه ۱۹۸۰ تلاش.های دانشمندان ژاپنی برای کاربردی کردن منطق فازی به ترویج و معرفی منطق فازی کمک زیادی کرد. مثلا طراحی و شبیه.سازی سیستم کنترل فازی برای راه.آهن Sendia توسط دو دانشمند به نام.های Yasunobo و Miyamoto در سال ۱۹۸۵، نمایش کاربرد سیستم.های کنترل فازی از طریق چند تراشه. مبتنی بر منطق فازی در آزمون «پاندول معکوس» توسط Takeshi Yamakawa در همایش بین.المللی پژوهشگران منطق فازی در توکیو در سال ۱۹۸۷ و نیز استفاده از سیستم.های فازی در شبکه مونوریل توکیو و نیز معرفی سیستم ترمز ABS مبتنی بر کنترل.های فازی توسط اتومبیل..سازی هوندا در همین دهه تاثیر زیادی در توجه مجدد دانشمندان جهان به این حوزه از علم داشت.
● فراتر از هوشمندی ماشین
چنان که گفتیم، هوش مصنوعی دانش و مهندسی ساختن ماشین.های هوشمند، به ویژه کامپیوترهای هوشمند است. اما به.راستی هوشمند چیست؟ در واقع هنوز دانشمندان نتوانسته.اند تعریف واحدی از هوشمندی ارائه دهند که مستقل از «هوش انسان» باشد. ما می.دانیم که برخی از ماشین.ها یا جانداران می.توانند هوشمند باشند، اما بشر هنوز نمی.داند که مایل است کدام دسته از فرآیندهای محاسباتی یا پردازش را هوشمندی بنامد. بنابراین برای پاسخ دادن به این پرسش که «آیا فلان ماشین هوشمند است؟» هنوز فرمول مشخصی وجود ندارد، در واقع هوشمندی، خود یک مفهوم. فازی و نادقیق است. هوشمندی را می.توان فرآیندی تلقی کرد که دانشمندان هنوز در حال شبیه.سازی، تحلیل و حتی تعریف مشخصه.های آن هستند.
موضوع مهم دیگر که در ارتباط با هوش مصنوعی مطرح است، هدف دانشمندان از به کارگیری آن است. روشن است که هدف اولیه بشر از ورود به این موضوع، شبیه.سازی هوش انسان در کالبد ماشین بوده است. ولی امروزه دیگر چنین نیست و این تصور که هدف علم هوش مصنوعی تنها شبیه.سازی هوش انسانی است، تصوری نادرست است. در حقیقت موضوع شبیه.سازی هوش انسانی عاملی پیش.برنده در این حوزه از علم است که به دانشمندان انگیزه می.دهد تا آن را توسعه دهند، اما در خلال روند توسعه، بشر می.تواند به دستاوردهایی برسد که در تمام زمینه.ها کاربرد دارد. سیستم.های خبره و مبتنی بر دانش نمونه.ای از این دستاوردهاست. بسیاری از نرم.افزارهای موسوم به سیستم.های تصمیم.سازی (Decision Making Systems) در شاخه اقتصاد یا سیستم.هایی که در تجزیه و تحلیل داده.های پزشکی به کار می.روند از این دستاورد بهره می.گیرند.

این صفحه را در گوگل محبوب کنید

[ارسال شده از: فان پاتوق]

[مشاهده در: www.funpatogh.com]

[تعداد بازديد از اين مطلب: 249]