تبیان، دستیار زندگی

هوش مصنوعی، شاخه‌ایست از علم كامپیوتر كه ملزومات محاسباتی اعمالی همچون ادراك (Perception)، استدلال(reasoning) و یادگیری(learning) را بررسی كرده و سیستمی جهت انجام چنین اعمالی ارائه می‌دهد.

هوش مصنوعی، دانش ساختن ماشین‌‌ ها یا برنامه‌های هوشمند است. همانگونه كه از تعریف فوق-كه توسط یكی از بنیانگذاران هوش مصنوعی ارائه شده است- برمی‌آید،حداقل به دو سؤال باید پاسخ داد:
۱ـ هوشمندی چیست؟
۲ـ برنامه‌های هوشمند، چه نوعی از برنامه‌ها هستند؟تعریف دیگری كه از هوش مصنوعی می‌توان ارائه داد به قرار زیر است:
هوش مصنوعی، شاخه‌ایست از علم كامپیوتر كه ملزومات محاسباتی اعمالی همچون ادراك (Perception)، استدلال(reasoning) و یادگیری(learning) را بررسی كرده و سیستمی جهت انجام چنین اعمالی ارائه می‌دهد. و در نهایت تعریف سوم هوش مصنوعی از قرار زیر است:
هوش مصنوعی، مطالعه روش‌هایی است برای تبدیل كامپیوتر به ماشینی كه بتواند اعمال انجام شده توسط انسان را انجام دهد. به این ترتیب می‌توان دید كه دو تعریف آخر كاملاً دو چیز را در تعریف نخست واضح كرده‌اند.
۱ـ منظور از موجود یا ماشین هوشمند چیزی است شبیه انسان.
۲ـ ابزار یا ماشینی كه قرار است محمل هوشمندی باشد یا به انسان شبیه شود، كامپیوتر است. هر دوی این نكات كماكان مبهم و قابل پرسشند. آیا تنها این نكته كه هوشمندترین موجودی كه می‌شناسیم، انسان است كافی است تا هوشمندی را به تمامی اعمال انسان نسبت دهیم؟ حداقل این نكته كاملاً واضح است كه بعضی جنبه‌های ادراك انسان همچون دیدن و شنیدن كاملاً ضعیف‌تر از موجودات دیگر است. علاوه بر این، كامپیوترهای امروزی با روش‌هایی كاملاً مكانیكی(منطقی) توانسته‌اند در برخی جنبه‌های استدلال، فراتر از توانایی‌های انسان عمل كنند. بدین ترتیب، آیا می‌توان در همین نقطه ادعا كرد كه هوش مصنوعی تنها نوعی دغدغه علمی یا كنجكاوی دانشمندانه است و قابلیت تعمق مهندسی ندارد؟(زیرا اگر مهندسی، یافتن روش‌های بهینه انجام امور باشد، به هیچ رو مشخص نیست كه انسان اعمال خویش را به گونه‌ای بهینه انجام می‌دهد). به این نكته نیز باز خواهیم گشت. اما همین سؤال را می‌توان از سویی دیگر نیز مطرح ساخت، چگونه می‌توان یقین حاصل كرد كه كامپیوترهای امروزین، بهترین ابزارهای پیاده‌سازی هوشمندی هستند؟
رؤیای طراحان اولیه كامپیوتر از بابیج تا تورینگ، ساختن ماشینی بود كه قادر به حل تمامی مسائل باشد، البته ماشینی كه در نهایت ساخته شد(كامپیوتر) به جز دسته ای خاص از مسائلقادر به حل تمامی مسائل بود. اما نكته در اینجاست كه این "تمامی مسائل" چیست؟ طبیعتاً چون طراحان اولیه كامپیوتر، منطق‌دانان و ریاضیدانان بودند، منظورشان تمامی مسائل منطقی یا محاسباتی بود. بدین ترتیب عجیب نیست، هنگامی كه فون‌نیومان سازنده اولین كامپیوتر، در حال طراحی این ماشین بود، كماكان اعتقاد داشت برای داشتن هوشمندی شبیه به انسان، كلید اصلی، منطق(از نوع به كار رفته در كامپیوتر) نیست، بلكه احتمالاً چیزی خواهد بود شبیه ترمودینامیك!
به هرحال، كامپیوتر تا به حال به چنان درجه‌ای از پیشرفت رسیده و چنان سرمایه‌گذاری عظیمی برروی این ماشین انجام شده است كه به فرض این كه بهترین انتخاب نباشد هم، حداقل سهل‌الوصول‌ترین و ارزان‌ترین و عمومی‌ترین انتخاب برای پیاده‌سازی هوشمندیست.
بنابراین ظاهراً به نظر می‌رسد به جای سرمایه‌گذاری برای ساخت ماشین‌های دیگر هوشمند، می‌توان از كامپیوترهای موجود برای پیاده‌سازی برنامه‌های هوشمند استفاده كرد و اگر چنین شود، باید گفت كه طبیعت هوشمندی ایجاد شده حداقل از لحاظ پیاده‌سازی، كاملاً با طبیعت هوشمندی انسانی متناسب خواهد بود، زیرا هوشمندی انسانی، نوعی هوشمندی بیولوژیك است كه با استفاده از مكانیسم‌های طبیعی ایجاد شده، و نه استفاده از عناصر و مدارهای منطقی. در برابر تمامی استدلالات فوق می توان این نكته را مورد تاُمل و پرسش قرار داد كه هوشمندی طبیعی تا بدان جایی كه ما سراغ داریم، تنها برمحمل طبیعی و با استفاده از روش های طبیعت ایجاد شده است. طرفداران این دیدگاه تا بدانجا پیش رفته‌اند كه حتی ماده ایجاد كننده هوشمندی را مورد پرسش قرار داده اند، كامپیوتر از سیلیكون استفاده می كند، در حالی كه طبیعت همه جا از كربن سود برده است. مهم تر از همه، این نكته است كه در كامپیوتر، یك واحد كاملاً پیچیده مسئولیت انجام كلیه اعمال هوشمندانه را بعهده دارد، در حالی كه طبیعت در سمت و سویی كاملاً مخالف حركت كرده است. تعداد بسیار زیادی از واحدهای كاملاً ساده (بعنوان مثال از نورون‌های شبكه عصبی) با عملكرد همزمان خود (موازی) رفتار هوشمند را سبب می شوند. بنابراین تقابل هوشمندی مصنوعی و هوشمندی طبیعی حداقل در حال حاضر تقابل پیچیدگی فوق العاده و سادگی فوق العاده است. این مساُله هم اكنون كاملاً به صورت یك جنجال(debate) علمی در جریان است.
در هر حال حتی اگر بپذیریم كه كامپیوتر در نهایت ماشین هوشمند مورد نظر ما نیست، مجبوریم برای شبیه‌سازی هر روش یا ماشین دیگری از آن سود بجوییم.
● تاریخ هوش مصنوعی
هوش مصنوعی به خودی خود علمی است كاملاً جوان. در واقع بسیاری شروع هوش مصنوعی را ۱۹۵۰ می‌ دانند زمانی كه آلن تورینگ مقاله دوران‌ساز خود را در باب چگونگی ساخت ماشین هوشمند نوشت (آنچه بعدها به تست تورینگ مشهور شد) تورینگ درآن مقاله یك روش را برای تشخیص هوشمندی پیشنهاد می‌كرد. این روش بیشتر به یك بازی شبیه بود.
فرض كنید شما در یك سمت یك دیوار (پرده یا هر مانع دیگر) هستید و به صورت تله تایپ باآن سوی دیوار ارتباط دارید و شخصی از آن سوی دیوار از این طریق با شما در تماس است. طبیعتاً یك مكالمه بین شما و شخص آن سوی دیوار می‌تواند صورت پذیرد. حال اگر پس از پایان این مكالمه، به شما گفته شود كه آن سوی دیوار نه یك شخص بلكه (شما كاملاً از هویت شخص آن سوی دیوار بی‌خبرید) یك ماشین بوده كه پاسخ شما را می‌داده، آن ماشین یك ماشین هوشمند خواهد بود، در غیر این صورت(یعنی در صورتی كه شما در وسط مكالمه به مصنوعی بودن پاسخ پی ببرید) ماشین آن سوی دیوار هوشمند نیست و موفق به گذراندن تست تورینگ نشده است. باید دقت كرد كه تورینگ به دو دلیل كاملاً مهم این نوع از ارتباط(ارتباط متنی به جای صوت) را انتخاب كرد. اول این كه موضوع ادراكی صوت را كاملاً از صورت مساُله حذف كند و این تست هوشمندی را درگیر مباحث مربوط به دریافت و پردازش صوت نكند و دوم این كه بر جهت دیگری هوش مصنوعی به سمت نوعی از پردازش زبان طبیعی تاكید كند.

چرا شبکه عصبی

این روز ها همه حرف از شبكه های عصبی می زنند اما واقعا چرا شبكه های عصبی؟؟؟
علی رغم آنکه نرم افزارهای وجود بخوبی محاسبات ساده و پیچیده را انجام می دهند و برای تصمیم گیری در حیطه های مختلف به مدیران کمک می کنند، سئوال آنست که چرا رویکرد برنامه نویسی و طراحی سخت افزار باید مطابق الگو و عملکرد مغز انسان متحول شوند؟
هرچند امروزه فنآوری های طراحی، ساخت و تولید رایانه ها و نرم افزارها پیشرفت قابل توجهی نموده است، اما به دلایل ذیل باید در منطق طراحی و ساخت رایانه ها و همچنین نرم افزارهای موجود متحول گردد:
*. افزایش سرعت
برنامه ای برای تشخیص چهره یک فرد را با ساختار رایانه ها و نرم افزارهای موجود در نظر بگیرید:
– به طور یقین برنامه شامل حلقه هایی است که ده ها بار باید بطور سریال و پی در پی تکرار شود.
– در هر تکرار خصوصیت خاصی از صورت را ذخیره نموده و با الگو مقایسه نماید.
– بعد از تست کلیه خصوصیات، چهره را تشخیص دهد.
سلسله عملیات مزبور، بارها تکرر شده و مدتها وقت دستگاه را میگیرد، اما آیا تشخیص چهره توسط مغز انسان نیز چنین است. در سیستم مغز، در آن واحد ده ها واحد پردازش (که به نرون موسوم است) در عصب بینایی بطور موازی بکار می افتد و بدلیل پردازش موازی ( و نه پی در پی) در زمان بسیار کوتاه چهره تشخیص داده میشود.
نتیجه آنکه : تحول در منطق برنامه نویسی به گونه ای که بجای پردازش سریال، پردازش موازی جایگزین شود، در آینده طراحی رایانه ها باید مورد توجه قرار گیرد.
*. حساسیت بالا به رخداد اشتباه
بروز اشتباه در فرمت و علائم برنامه نویسی منجر به اتلاف ساعتها وقت در ردیابی، شناسایی و اصلاح برنامه میگردد. همچنین رخداد اشتباه در منطق برنامه اعم از آنکه یک زیر برنامه یا قسمتی از آن درست کار نکند، منجربه آن خواهد شد که نتیجه حاصله کاملا نادرست گردد، در حالی که عدم عملکرد صحیح قسمتی از نرون ها منجر به از کارافتادگی کامل مغز نمیگردد و امکان اتخاذ تصمیم صحیح در این حالت نیز وجود دارد.
*. رایانه ها و نرم افزارهای موجود قادر نیستند از تجربیات گذشته استفاده نمایند.
بازبینی و به هنگام نمودن برنامه های نرم افزاری در دوره های زمانی مختلف اجتناب ناپذیر است، در حالی که مغز بطور پیوسته در حال یادگیری و انطباق با محیط است. صرف وقت زیاد برای بازبینی و اصلاح دوره ای سیستم های موجود رایانه ای ممکن است منجر به بازیابی و سلامت سیستم نگردد.
*. عدم ارائه پاسخ مناسب در شرایط جدید
با تغییر وروده های برنامه های نرم افزاری، از آنها انتظار نمیرود پاسخی ارائه دهند، در حالی که مغز ممکن است علی رغم نداشتن تجربه ای مشخص، هنگامیکه در شرایط جدید قرار میگیرد، پاسخ مناسبی ارائه دهد.
نتیجه:
ساختار سخت افزارها و منطق نرم افزارها باید با رویکرد جدیدی مبتنی بر مغز انسان بازبینی و اصلاح شوند. برای این منظور لازم است ساختار مغز مطالعه شود

آیا رایانه می تواند فکر کند ؟

هوش مصنوعی ( Artificial Intelligence ) که به اختصار AI خوانده می شود ، یکی از جذاب ترین شاخه های تحقیقاتی فلسفی است.
پیدایش رایانه در صحنه زندگی بشر تحولات عمده ای را به وجود آورد ، حوزه فلسفه نیز از این تحولات بی نصیب نبوده است. فلاسفه پرسشهای فلسفی زیادی راجع به تفاوت های ذهن انسان با رایانه مطرح کرده اند که همه آنها به طرح بحث هوش مصنوعی انجامید.

هدف هوش مصنوعی فهم سرشت هوش بشری از راه بررسی ساختار برنامه های رایانه ای و نحوه حل مسائل با رایانه است. به اعتقاد متخصصان این رشته ، این بررسی می تواند نحوه عمل و جزییات هوش بشر را نشان دهد.

نخست باید مقصود متخصصان هوش مصنوعی را از اصطلاح هوش Intelligence روشن کنیم ؛ چراکه نگاه آنان نسبت به مقوله هوش و مفاهیم مرتبط مانند عقل ، ذهن و غیره کاملا متفاوت است. امروزه در میان دانشهای موجود ، اصطلاح هوش در روان شناسی بسیار کاربرد دارد و روان شناسان از بهره هوشی افراد و امور مرتبط با آن بحث می کنند. ولی در هوش مصنوعی این اصطلاح کاربردی کاملا متفاوت دارد.

در هوش مصنوعی برای شروع کار ، تعریفی عملی از هوش ارائه می شود. معمولا فلاسفه به تعاریف مفهومی بیشتر رغبت دارند و دوست دارند مفهوم هوش و عقل و غیره را روشن کنند. اما بنا به دلایلی ، متخصصان هوش مصنوعی تعریف عملی را برگزیده اند. یک دلیل این گزینش به این نکته برمی گردد که نزاعهای مفهومی ؛ یا نزاع برای تعریف مفاهیم فایده چندانی ندارد و غالبا بی نتیجه پایان می یابد. اگر بخواهیم با تعریف مفاهیم هوش و تفکر رابطه آنها را بیابیم و ببینیم آیا هوش همان تفکر است یا نه ، بیشتر در نزاعی لفظی درگیر خواهیم شد. زیرا بی تردید دو واژه مذکور از لحاظ مفهومی تفاوت دارند و یک چیز را نمی رسانند و ادعای آنان ، تساوی مفهومی این دو واژه نیست.

بلکه چنان که بعدا توضیح خواهیم داد ، به نظر آنان این دو اصطلاح یک حقیقت قابل اندازه گیری را نشان می دهند.

ویژگی های هوش مصنوعی

هوش مصنوعی برای حل مساله برنامه خاصی را دنبال می کند. توجه به ویژگی های هوش مصنوعی در مقام استفاده از این نوع برنامه ها سودمند است. 5 ویژگی از میان آنها اهمیت خاصی دارند:

بازنمایی نمادین:
ویژگی اول این است که هوش مصنوعی از نمادهای عددی در حل مسائل استفاده می کند. هوش مصنوعی بر پایه دستگاه دوگانی ؛ صفر و یک مسائل را حل می کند. از این رو برخی مخالفان گفته اند مهمترین نقص هوش مصنوعی آن است که غیر از عدد صفر و یک را نمی فهمد. به تعبیر دیگر ، رایانه فقط بله یا نه را می فهمد و نمی تواند حالات واسطه بین آن دو را بفهمد.در مقابل طرفداران هوش مصنوعی گفته اند هوش طبیعی (هوش انسان) هم بر پایه دستگاه دوگانی پدیده ها و امور مختلف را می فهمد؛ اگر سلولهای عصبی انسان را بررسی کنیم ، درمی یابیم فهم بشری بر حالت دوگانی استوار شده است و دستگاه عصبی مفاهیم و تصورات را به صورت حالات دوگانی تبدیل می کند. البته نشان دادن نحوه این تبدیل در مفاهیم و ادراکات پیچیده دشوار است. اما بررسی برنامه های هوش مصنوعی فهم این امر دشوار را آسان کرده است.

روش اکتشافی:
ویژگی دوم هوش مصنوعی به نوع مسائلی که حل می کند ، مربوط می شود. این مسائل معمولا راه حل الگوریتمی ندارند. مراد از الگوریتم سلسله ای از مراحل منطقی است که به حل مساله می انجامد. هوش این مراحل را گام به گام طی می کند تا به حل مساله دست می یابد. به عبارت دیگر ، در الگوریتم پیمودن این مراحل به طور طبیعی رسیدن به نتیجه را تضمین می کند. مسائلی که هوش مصنوعی حل می کند ، معمولا راه حل الگوریتمی ندارند ؛ به این معنا که معمولا نمی توانیم برای حل این مسائل الگوریتمی یا به عبارت دیگر ، سلسله ای از مراحل منطقی را بیابیم که پیمودن آنها رسیدن به نتیجه را تضمین کند.

از این رو، هوش مصنوعی در حل مسائل به روش اکتشافی ؛ یعنی به روشی که پیمودن آن رسیدن به نتیجه را تضمین نمی کند ، روی می آورد.

هوش مصنوعی بر پایه دستگاه دوگانی مسائل را حل می کند مخالفان می گویند مهمترین نقص هوش مصنوعی آن است که غیر از عدد صفر و یک را نمی فهمد

در روش اکتشافی راههای متعددی برای حل مساله وجود دارد که اختیار یکی از آنها باز مجالی برای اختیار دیگر راهها باقی می گذارد و پیمودن یکی از آنها مانع از روی آوردن به بقیه نمی شود. درنتیجه ، برنامه هایی که راه حل تضمینی دارند جزو برنامه های رایانه ای به شمار نمی آیند.

مثلا برنامه های حل معادلات درجه دوم جزو برنامه های رایانه ای به شمار نمی آید ؛ زیرا برای حل آن الگوریتم خاصی وجود دارد.

برنامه های بازی شطرنج زمینه پر خیر و برکتی برای هوش مصنوعی بوده است ؛ زیرا روش شناخته شده ای برای تعیین بهترین حرکت در مرحله خاصی از این بازی وجود ندارد. زیرا اولا تعداد احتمالات موجود در هر حالتی تا حدی زیاد است که نمی توان جستجوی کاملی را انجام داد. ثانیا آگاهی ما از منطق حرکتهایی که بازیکنان انجام می دهند ، بسیار اندک است. این ناآگاهی تا حدی به ناخودآگاهانه بودن این حرکتها برمی گردد و البته در برخی موارد هم بازیکنان از روی عمد منطق خود را آشکار نمی کنند.

هربرت دریفوس یکی از مخالفان هوش مصنوعی با توجه به نکته فوق ادعا کرده است که هیچ برنامه ای برای رسیدن به سطح یک بازیگر خوب شطرنج وجود ندارد. اما ظهور برنامه های پیشرفته شطرنج از سال 1985 به بعد خطای ادعای دریفوس را روشن ساخت.


بازنمایی معرفت:
برنامه های هوش مصنوعی با برنامه های آماری در بازنمایی معرفت تفاوت دارند ؛ به این معنا که برنامه های نخست از تطابق عملیات استدلالی نمادین رایانه با عالم خارج حکایت می کنند. می توانیم این نکته را با مثال ساده ای توضیح دهیم.

بازنمایی معرفت عنوانی برای مجموعه ای از مسائل راجع به معرفت است از قبیل:

1- معرفت مورد نظر در هوش مصنوعی چیست ، چه انواعی و چه ساختاری دارد؟

2- چگونه باید معرفت را در رایانه بازنمایی کرد؟

3- بازنمایی چه نوع معرفتی را آشکار می سازد؟ و چه چیزی مورد تاکید قرار می گیرد؟

4- معرفت را بایدچگونه به دست آوردوچگونه بایدتغییرداد؟

اطلاعات ناقص:
هوش مصنوعی می تواند در حالتی که همه اطلاعات مورد نیاز در دسترس نیستند ، به حل مساله دست بیابد. این حالت در بسیاری از موارد پزشکی رخ می دهد اطلاعاتی که پزشک برای تشخیص بیماری در دست دارد ، تشخیص بیماری را ممکن نمی کند و او هم فرصت زیادی برای درمان ندارد. از این رو باید سریعا تصمیمی بگیرد.

نبود اطلاعات لازم موجب می شود نتیجه به دست آمده غیریقینی باشد و یا احتمال خطا در آن باشد. معمولا ما در زندگی عملی با فقدان اطلاعات لازم تصمیماتی را می گیریم و همواره احتمال خطا در این تصمیمات وجود دارد.

اطلاعات متناقض:
هوش مصنوعی می تواند درصورتی که با اطلاعات متناقض روبه رو شود حل مناسبی برای مساله پیدا کند. هوش مصنوعی در چنین موردی بهترین راه را برای حل مساله و رفع تناقض انتخاب کند.

دو فرضیه در هوش مصنوعی

در هوش مصنوعی فرضیه های بسیاری مورد بحث قرار می گیرد. در میان این فرضیه 2 فرضیه در مقایسه با بقیه کلیدی ترند. فرضیه نخست نسبت به فرضیه دوم معتدل تر و ادعایی حداقلی دربر دارد. این دو فرضیه به ترتیب عبارتند از:

1- فرضیه دستگاه نمادها: مفاد این فرضیه این است که: «رایانه را می توانیم به نحوی برنامه ریزی کنیم که بیندیشد». تقریر دیگر از فرضیه فوق این است که: «رایانه می تواند بیندیشد.»

2- فرضیه قوی دستگاه نمادها: مفاد این فرضیه هم چنین است :«تنها رایانه می تواند فکر کند»

پیداست که فرضیه دوم در مقایسه با فرضیه نخست افراطی تر است و ادعایی حداکثری دربر دارد. چرا که بر طبق آن ، هر چیزی که فکر می کند ، حتی موجودات طبیعی ، باید رایانه باشد. از این رو ذهن بشر هم دستگاهی جامع از نمادهاست و تفکر بشر هم از لحاظ ماهیت با تفکری که درخصوص رایانه به کار می رود ، تفاوت ندارد. در هر دو مورد تفکر همان توانایی دستکاری و جابه جا کردن نمادهاست.

هوش مصنوعى تركیبى
از بدو مطرح شدن هوش مصنوعى به عنوان یك دیسیپلین در علوم رایانه ، دو طرز تفكر در تحقق سیستم هاى هوشمند مطرح بوده است، شاید بتوان آن دو را در پردازش نمادین و پردازش عددى تعریف نمود.
براى درك پردازش نمادین مى توانیم به یك مثال اشاره داشته باشیم. فرض كنید از یك نوازنده پیانو سوال مى كنیم كه چگونه پیانو مى نوازى؟! این نوازنده با استفاده از یك سرى بیانات و شاید حركات، روش كار خود را به ما نشان مى دهد و به احتمال زیاد شیوه عمل او را هم درك مى كنیم و اگر كمى جدیت به خرج دهیم شاید حتى بتوانیم چند نت را هم به گونه اى جمیع تكرار نماییم.
حال فرض كنید، مى خواهیم این رفتار را با استفاده از یك فرمول ریاضى ( پردازش عددى) مدل كرده و مثلا با استفاده از یك ربات تكرار كنیم. سوال این خواهد بود كه آیا مدل ریاضى كه منحصر به روابط بین یك سرى كیفیتهاى رقمى است، قادر به انجام این عمل خواهد بود؟
فكر مى كنم جواب شما منفى باشد.

در ادامه به یك وضعیت دیگر اشاره مى كنم. فرض كنید مى خواهید از یك خیابان كه ماشین ها با سرعت عبور مى كنند، بگذرید. آیا روش تصمیم گیرى شما در رابطه با عبور كردن بر مبناى پردازش یك سرى اندازه گیرى انجام شده است؟ براى مثال آیا سرعت ماشین را تخمین زده و با در نظر گرفتن عرض خیابان، سرعت خود را محاسبه مى كنید؟ به احتمال زیاد در این صورت مطمئناً شانس رسیدن شما به آن طرف خیابان بسیار پایین مى باشد و یا زمان بسیار زیادى طول خواهد كشید كه تصمیم به عبور از خیابان را به مرحله اجراء در آورید. در این گونه شرایط ، روش برخورد ما به این صورت خواهد بود كه: « به نظر مى رسد ماشین آهسته حركت مى كند؛ به آن طرف خیابان خواهم رسید»
در این نوع پردازش انسان مواجه با تعداد زیادى نماد symbols مى باشد و با استفاده از این نمادها براى تصمیم گیرى اقدام مى كند.
این نوع تصمیم گیریها به طور واضح در رفتار آدمى مشاهده مى شود و طبیعى است كه پردازش نمادین از جایگاهى ویژه در علم هوش مصنوعى برخوردار است. در كنار پردازش نمادین در انسان مى دانیم كه مغز انسان از یك مجموع منسجم سلول هاى عصبى تشكیل شده است و مدل هاى ارائه شده براى این سیستم عصبى بر مبناى پردازش عددى عمل مى كند. چگونگى عمل سیستم طبیعى عصبى به طور واضح براى انسان مشخص نشده است و از آنجا كه مدل هاى ارائه شده ، از قابلیتهاى بسیار بالایى برخوردار هستند و در كاربردهاى زیادى از خود كارآیى خوبى ارائه كرده اند، به نظر مى رسد از واقعیت امر زیاد دور نباشند.

بنابر این، شاید بتوان گفت، انسان به طور كلى در سطح بالاى تصمیم گیرى از پردازش نمادین استفاده مى كند و در سطوح حسى و واكنشهاى عصبى خود یك نوع پردازش عددى را به كار مى گیرد.
بنابراین، رفتار هوشمندانه آدمى ناشى از یك روش نمادین تفكر در كنار محاسبات عصبى مغز مى باشد.

همانگونه كه مطرح شد، این دو محور در هوش انسان از بدو پیدایش هوش مصنوعى، به صورت دو دیدگاه معرفى شده اند.
از یك دید، هدف ساختن مغز مصنوعى ( شبكه هاى عصبى مصنوعى ) است كه در صورت وجود این سخت افزار مى توان توقع داشت ماشینى كه به این وسیله مجهز شود، رفتار هوشمندانه از خود نشان دهد. (شبکه های عصبی در همین تالار میکرورایانه بحث شده است)
از دیدگاه دوم، هدف، مدل سازى روش تفكر انسان است كه با استفاده از آن انسان تصمیم گیریهاى هوشمندانه مى كند.
در دهه هاى ۵۰ و ۶۰ محور اول به عنوان محور اصلى در مخلوقات هوش مصنوعى مطرح بوده است ولى در دهه ،۷۰ پردازش نمادین به عنوان فهم روش تفكر در طراحى سیستم هاى هوشمندان مطرح شد.
خوشبختانه، در ۱۰ سال اخیر محققان به این نتیجه رسیده اند كه براى ساختن یك سیستم هوشمند كه بتواند در حوزه هاى ( Domains ) مختلف عمل كند، و یك مسأله پیچیده را حل كند، اعتماد كردن به یك روش ( یا بینش ) كافى نخواهد بود و از این رو فلسفه هوش مصنوعى تركیبى ( Hybrid Artificial Intelligence ) مطرح شده است.
به طور كلى سه روش تركیب تكنیكهاى هوش مصنوعى در جهت ساخت یك سیستم هوشمند ارائه شده است كه در ذیل به اختصار به آنها مى پردازیم.
در روش اول از یك تكنیك خاص جهت اجراى یك function در یك تكنیك دیگر هوش مصنوعى استفاده مى كنیم.
براى مثال در طراحى یك سیستم كنترلى فازى چندین بلوك وجود دارد كه هر كدام كار مشخصى را انجام مى دهند. یكى از این بلوكها جهت انجام Fuzzification طراحى مى شود.
در یك سیستم تركیبى مى توان از شبكه هاى عصبى در انجام این كار استفاده نمود. البته در اینجا در مورد مزایا یا معایب این تركیب سخنى گفته نخواهد شد.

در یك مثال دیگر مى توان به كاربرد روشهاى ژنتیكى در امر یادگیرى شبكه هاى عصبى اشاره نمود.
در روش دوم جهت ساخت یك سیستم پیچیده، آن سیستم را تجزیه نموده (به زیر سیستم هاى كوچكتر تقسیم نموده) و بعد از آن هر زیر سیستم را با یك روش مناسب هوشمند پیاده سازى مى كنیم. براى مثال جهت كنترل یك فرآیند پیچیده صنعتى از شبكه هاى عصبى جهت پیشگویى و مدل سازى یك سرى از پارامترهاى كلیدى استفاده مى شود و نتایج به دست آمده جهت تصمیم گیریهاى كلى به یك سیستم خبره داده مى شود.
سیستم خبره در اصل حكم یك مدیر پروسه متخصص را دارد كه با استفاده از پارامترهاى تولید شده در سطح پایین تر تصمیم گیرى مى كند. بسیارى از مسائل پیچیده از این طبیعت برخوردار هستند و شكستن آن به مسائل كوچكتر و به كارگیرى روش مناسب براى حل هر كدام به صورت مجزا و در نهایت ادغام كردن نتایج به دست آمده، به حل درست مسأله اصلى كمك خواهد نمود.

روش آخر استفاده از یك روش هوشمند در پیاده سازى یك روش دیگر مى باشد. براى مثال مى توان به پیاده سازى یك سیستم خبره با استفاده از شبكه هاى عصبى اشاره نمود. در اینجا هر نرون در شبكه عصبى یك قانون در پایگاه دانش مى باشد و با استفاده از محاسبات عصبى روش استنتاج را پیاده مى كنیم.
مثال دیگر به كارگیرى گرامرها در تحلیل و نمایش دانش آموخته شده در شبكه هاى عصبى مى باشد. البته توجه به این نكته لازم مى باشد كه یك سیستم تركیبى هوشمند نباید الزاما ًاز روشهاى هوشمند در پیاده سازى استفاده كند. در پیاده سازى یك سیستم شاید نیاز به به كارگیرى روشهاى آمارى، ریاضى و تحلیلى... نیز وجود داشته باشد.

روش بازی شطرنج در کامپیوتر
درباره موفقیت كامپیوتر در شكست دادن قهرمانان بازی شطرنج حتماً شنیده‌اید. به راستی كامپیوتر چگونه شطرنج بازی می‌كند؟ این سؤال جالبی است. بهترین پاسخ را می‌توانید از برنامه‌نویسان بازی‌های شطرنج كامپیوتری بپرسید. این مقاله تحقیقی در همین زمینه است نویسنده این مقاله آقای بهروز نوعی پور ، ماهنامه شبکه است . در سایت میکرورایانه مقاله مشابه ندیدم که این مطالب به نظرم جالب بود اینجا قرار می دهم. نویسنده در اینجا كوشیده مدل برنامه‌نویسی شطرنج و شیوه تجزیه و تحلیل بازی از نگاه كامپیوتر را تشریح كند. او می گوید اطلاعاتی را كه در اینجا آورده‌ام، همه از سایتهای برنامه‌نویسان بازی‌های كامپیوتری، به‌ویژه برنامه‌نویسان بازی شطرنج، استخراج شده‌اند.

ممكن است بپرسید بررسی آناتومی یك برنامه شطرنج اصلاً چه فایده‌ای دارد؟ پاسخ را در دو سه نكته می‌توانم خلاصه كنم.
در وهله نخست، بررسی آناتومی یك بازی شطرنج از لحاظ تئوری هوش‌مصنوعی می‌تواند نمونه بسیار جالبی از كاربرد این علم تلقی شود. در بسیاری مواقع وقتی گفته می‌شود هوش مصنوعی، برای بسیاری از مردم واقعاً سؤال است كه این هوش از كجا می‌آید و چگونه شكل می‌گیرد. لازم به ذکر است که در همین بخش سایت میکرورایانه چند مقاله در مورد هوش مصنوعی آورده شده است. شطرنج یكی از جاهایی است كه می‌توانید ببینید چگونه یك سری معادلات ریاضی كه ظاهری ساده، اما باطنی پیچیده دارند، به تدریج در پیچ و خم پردازش‌های بعدی مبنای هوشمندی ماشین1 را فراهم می‌كنند.

گذشته از این، بررسی مكانیزم شطرنج‌بازیِ كامپیوتر یك موضوع تأمل‌برانگیز است و به شما نوعی بینش شبه فلسفی درباره تفاوت رویكرد انسان و ماشین نسبت به نوع خاصی از معماها می‌دهد. ضمن این‌كه، دریچه ذهن شما را به روی برخی اشتباهات رایج ذهن انسان بازمی‌كند كه منجر به تصمیم‌گیری‌های اشتباه و در نتیجه پیامدهای نامطلوب می‌شوند. از این رهیافت می‌توانید ببینید كه از دیدگاه علمی یكی از نظریه‌های مربوط به مبنای اشتباه‌كردن انسان هنگام تصمیم‌گیری میان گزینه‌های مختلف چیست.

آگاهی از این مسئله می‌تواند برای هركارشناس كامپیوتر، آن هم در دنیایی كه یك اشتباه كوچك می‌تواند به مدد شبكه جهانی اطلاعات در عرض چند ثانیه سراسر كره زمین را درنوردد و همچون ویروس‌های مخرب كامپیوتری، پیامدهای وخیمی را ایجاد كند، مهم و آموزنده باشد.

این موضوع نكته دیگری را نیز روشن می‌كند و آن این‌كه، چگونه برنامه‌نویسان باهوشی كه توسعه‌دهنده مدل برنامه‌نویسی شطرنج بوده‌اند، به منطق این اشتباهات پی‌برده‌اند و سعی كرده‌اند به كامپیوتر یاد دهند با پیش‌بینی این اشتباهات، از انسان پیش‌دستی كند. جالب اینجاست كه در مدل برنامه‌نویسی شطرنج، دغدغه كامپیوتر نه سرمایه‌گذاری روی اشتباهات حریف، بلكه چاره‌جویی در مورد اشتباهات احتمالی خودش است! از آن جالب‌تر این‌كه، بازی شطرنج جزء بازی‌های اصطلاحاً <با اطلاعات كامل> طبقه‌بندی می‌شود. بازی‌هایی كه هر دو طرف دستشان برای یكدیگر رو شده است.

بنابراین، وقتی می‌فهمیم كه به‌رغم اطلا‌ع طرفین از وضعیت مهره‌های یكدیگر، این همه پیچیدگی در تجزیه ‌و تحلیل وضعیت‌های پیش رو وجود دارد، می‌توانید حدس بزنید علت این همه ناكامی آدمیزاد در پیش‌بینی سرنوشت بسیاری از تحولات چیست؛ آن هم هنگامی كه دست حریف برایش رو نیست.


اثر افق‌
كالبد یك نرم‌افزار شطرنج از قسمت‌های مختلفی تشكیل شده است كه كمی جلوتر خواهم گفت، اما اجازه بدهید برای ورود به بحث، شما را با یكی از چالش‌های همیشگی برنامه‌نویسان شطرنج آشنا كنم تا ببینید كامپیوتر برای موفقیت در یك بازی شطرنج، با چه معماهای غامضی دست و پنجه نرم‌ می‌كند.

لابد شنیده‌اید كه كامپیوتر هنگام شطرنج بازی تا چند مرحله جلوتر را در ذهن خودش مرور می‌كند و پیامدهای هر یك از حركت‌های فرضی را در هر مرحله ارزیابی می‌كند. واقعاً هم همین‌طور است.

حالا فرض كنید یك نرم‌افزار طوری برنامه‌ریزی شده است كه تا هفت مرحله جلوتر را می‌تواند محاسبه و ارزیابی كند. تصور كنید یك كامپیوتر با استفاده از چنین الگویی ناگهان متوجه ‌شود كه ممكن است در پنج نوبت دیگر مُهرهِ وزیرِ خودش را از دست بدهد و حتماً می‌دانید مهره وزیر چقدر مهم است.

بنابراین، باید جایی در منطق نرم‌افزارِ شطرنج، به كامپیوتر گفته شده باشد كه در تصمیم‌سازی برای حركت بعدی خودت <به وضعیت مهره وزیر اولویت بده.> البته از لحاظ تئوریِ مدرن شطرنج، می‌توان پرسید كه آیا واقعاً ارزش یك مهره وزیر در سراسر یك بازی یكسان است؟ و آیا باید یك شطرنج باز در هر شرایطی به حفظ جان این مهره بیش از هر مهره دیگر اهمیت بدهد؟

اگر پاسخ منفی باشد، وضعیت خیلی پیچیده‌تر خواهد شد، ولی فعلاً بیایید برای ساده شدن صورت مسئله، فكر كنیم كه منطق تصمیم‌سازی كامپیوتر چنین باشد. در آن صورت نتیجه بدیهی این منطق این خواهد بود كه كامپیوتر شروع به بررسی سناریوهای مختلف نجات جان وزیر در پنج نوبت دیگر كند و در این میان به این نتیجه برسد كه بهترین گزینه این است كه مهره اسب خود را در همین نوبت قربانی كند تا با افزودن فلان حركت در نوبت سوم، دستیابی حریف به این هدف را دست كم تا نوبت هشتم به تعویق بیندازد. اما مشكل اینجاست كه این كامپیوتر می‌تواند تا هفت نوبت جلوتر را محاسبه‌ كند. بنابراین، عملاً تا یك دست دیگر بازی نكند، نمی‌تواند پیش‌بینی كند در نوبت هشتم چه اتفاقی خواهد افتاد.

از دیدگاه كامپیوتر، عدم روِیت یك معضل در افق دیدش به معنی نبودن آن معضل است. بنابراین، وقتی با انجام‌دادن یك حركت می‌توان آن معضل را تا عمق هفت مرحله از میدان دید خارج كرد، شاید به این معنی باشد كه مشكل حل شده است، ولی چنین نیست. چون در همان گام اول یك اسب فدا می‌شود، یك نوبت بازی انجام می‌شود و دوباره همان مشكل (تهدید شدن وزیر) در افق دید كامپیوتر ظاهر می‌شود. پس مشكل حل نشد و كامپیوتر اشتباه كرد.

<اثر افق> در شطرنج كامپیوتری كه اولین بار توسط هانس برلینر مطرح شد، از این جهت جالب است كه به‌گونه طنزآمیزی تبلور ماهیت بعضی از خطاهای انسانی نیز هست. به راستی خیلی از ما آدم‌ها دقیقاً به دلیل همین كوته‌بینی، اشتباه می‌كنیم. یعنی بارها در زندگی تصور می‌كنیم وقتی مشكلی در افق دیدمان نیست، یعنی آن مشكل وجود ندارد؛ در حالی كه مشكل وجود دارد و كافی است یك گام به جلو برداریم تا آن را ببینیم، ولی تا آن گام را برنداریم، از دیدنش ناتوان هستیم. درست مثل زمانی كه یك بطری نوشابه گازدار را ناگهان بدون حضورذهن باز می‌كنیم و تازه وقتی آن را باز كردیم و گازش بیرون جهید و پیراهنمان را كثیف كرد، یادمان می‌افتد كه باید در بطری را آرام باز می‌كردیم.

اولین درسی كه از اثر افق می‌توان گرفت این است كه پیدا كردن وضعیتی كه نرم‌افزار بتواند قدرت نسبی نیروها را در وضعیت كنونی سبك و سنگین كند، اصلاً خیلی مهم نیست؛ زیرا این ارزیابی ماهیت پویا بودن نیروها را در طول زمان درنظر نگرفته است. ارزیابی كنونی به درد آرایش كنونی می‌خورد، ولی چون لحظه بعد آرایش نیروها عوض می‌شود، ارزیابی كنونی شاید به كلی بیهوده باشد!!

به زبان ریاضیات مهندسی، می‌توان گفت كه وقتی شرایط اولیه یك معادله ریاضی ثابت باشد، یك كامپیوتر می‌تواند این معادله را هرچند هم پیچیده باشد، به سادگی حل كند. اما اگر بلافاصله در ثانیه بعدی شرایط اولیه تغییر كند، آن هم تغییری كه خودش تابعی از چگونگی اولین برخورد شما با معادله است، در آن صورت حل این معادله ممكن است از لحاظ نظری تا بی‌نهایت به تعویق بیفتد.

درس دیگری كه از این پدیده می‌توان گرفت این است كه دنبال كردن خط سیر تحولات در هرجهت تا عمق x مرحله كار بیهوده‌ای است. بعضی از مسیرها مهم‌ترند. این مسیرها را باید تا عمق مثلاً ده یا پانزده نوبت بازی دنبال كرد و بعضی دیگر را باید تا عمق پنج مرحله دنبال و بعد از آن را رها كرد. اشتباه است اگر همه مسیرها را تا عمق مثلاً هفت نوبت دنبال كنیم. در این صورت چگونه باید تشخیص دهیم كدام مسیر اهمیت استراتژیك بیشتری دارد و كدام‌یك از مسیرها كم اهمیت‌تر هستند؟

این چیزی است كه یك انسان هوشمند گاهی به صورت خودآگاه و گاهی ناخودآگاه انجام می دهد. به همین دلیل وقتی مثلاً شیئی را در اتاقمان گم می‌كنیم، تمام اتاق را به شعاع سه متر زیر و رو نمی‌كنیم. این كار نادرست است. پس با خود می‌گوییم كجاها را باید دقیق‌تر بگردیم؟ كجاها را باید یك نگاه سطحی بیندازیم؟ شما از كجا می‌فهمید برخی مناطق داخل اتاقتان اهمیت بیشتری برای پیدا كردن یك شی گمشده دارد؟

نوعی از هوش مصنوعی در بازی شطرنج به همین ترتیب شكل می‌گیرد. در واقع این هوش مصنوعی بیشتر معطوف به هوشمندی در انتخاب مسیرهای مهم‌تر برای دنبال كردن تحولات هستند. خوشبختانه چندین الگوریتم ریاضی جالب تاكنون عرضه شده‌اند تا بتوان اثر افق را شكست داد و ماورای آن را دید. بسط‌های ویژه Deep Blue از جمله همین الگوریتم‌ها هستند. (احتمالاً بلافاصله می توانید حدس بزنید چرا كامپیوتر Deep Blue سرانجام توانست كاسپاروف، قهرمان جهانی شطرنج، را شكست دهد.)

آناتومی یك نرم‌افزار شطرنج‌
اثر افق یك موضوع مهم در معماری فكری یك نرم‌افزار شطرنج است، ولی تمامِ مسئله‌ای نیست كه كامپیوتر باید حل كند. اثر افق فقط یك جنبه از مشكلات تكنیك‌های جست‌وجو است و تكنیك‌های جست‌وجو یكی از چهار ستون اصلی هر نرم‌افزار شطرنج هستند. كامپیوتر باید به حل سه مسئله محوری دیگر نیز فكر كند: چیدمان مهره‌ها، تولید حركت، و ارزیابی، به ترتیب سه موضوع مهم دیگری است كه هر نرم‌افزار شطرنج باید به آن فكر كند و در ادامه نیز به بررسی این چهار ركن می‌پردازیم.


چیدمان مهره‌ها
چیدمان مهره‌ها، عبارت است از تصویرسازی كامپیوتر از صفحه بازی. كامپیوتر چگونه باید صفحه بازی را <ببیند>؟ چگونه باید بفهمد این مهره‌ها كجا هستند؟

چگونه باید فهمید الان پنج مهره سیاه، هفت مهره سفید را تهدید می‌كنند؟ نرم‌افزارهای شطرنج عمدتاً از تكنیكی به نام bitboard برای دیدن صفحه بازی استفاده می‌كنند.

بیت بورد كه ظاهراً اختراع شطرنج بازان شوروی سابق است، متشكل از یك آرایه 64 بیتی است كه متناظر با 64 خانه شطرنج درنظرگرفته شده‌اند.

نرم‌افزارهای امروزی شطرنج از تعداد بسیار زیادی بیت‌بورد برای به تصویر كشیدن وضعیت مهره‌ها در ذهن خود استفاده می‌كنند. هر بیت از این آرایه ممكن است صفر یا یك باشد. وضعیت <یك> به معنی اشغال بودن خانه و وضعیت <صفر> به معنی خالی بودن خانه متناظر در صفحه شطرنج است. مثلاً یك بیت‌بورد ممكن است مربوط به خانه‌هایی باشد كه توسط فیل سیاه اشغال شده‌اند. یك بیت بورد دیگر ممكن است مربوط به خانه‌هایی باشد كه مهره‌های سفید،‌ مهره‌های سیاه را مورد حمله قرار داده‌اند و یك بیت بورد دیگر نشان دهد اسبی كه در خانه 4e قرار دارد، كدام خانه‌ها را زیر نفوذ خود دارد.

تولید حركت‌
<تولید حركت> قسمت دیگری از وظیفه نرم‌افزار است و منظور از آن این است كه هنگامی كه نوبت بازی به كامپیوتر می‌رسد، قبل از این كه تصمیم بگیرد چه كار كند، باید بداند حركت‌های مجاز او كدامند. در وهله نخست ممكن است به نظر برسد این كار آسان است، ولی به یاد بیاورید كه هر مهره شطرنج قوانین حركتی خاصی دارد. مثلاً شاهی كه در حالت كیش است، قابل حركت دادن نیست.

همچنین فیل به صورت قطری حركت می‌كند. اسب به صورت حرف ‌L مانور می‌دهد. رخ حركت‌های عمودی و افقی دارد و وزیر تركیبی از قدرت حركتی رخ و فیل را به صورت همزمان در اختیار دارد، اما از شیوه حركتی منحصر به فرد اسب بی‌بهره است. بنابراین تركیب قوانین حركتی این مهره‌ها - آن هم با درنظر گرفتن این واقعیت كه برخی خانه‌ها هم‌اكنون اشغال هستند - وضعیت پیچیده‌ای را ایجاد می‌كند كه محاسبه همه حالت‌های مجاز، به شدت توان پردازشی كامپیوتر را طلب می‌كند.

خوشبختانه در مدل نرم‌افزاری شطرنج از قوانین این بازی چندین ساختار یا آرایش داده‌ای مختلف استخراج شده است كه می‌توانید آن‌ها را نوعی از <محاسبات قبلاً انجام شده> بنامید. این‌ها در واقع الگوهای آرایشی خاصی هستند كه می‌توانند مسیر محاسبه برای به دست آوردن تمام حركت‌های مجاز بعدی را كوتاه كنند.

دانلود مقالات هوش مصنوعی http://www.ahooeg.com/Articel/AI13/AI13.htm

ویژگی های فلسفی هوش مصنوعی چیست ؟
هوش مصنوعی ( Artificial Intelligence ) که به اختصار AI خوانده می شود ، یکی از جذاب ترین شاخه های تحقیقاتی فلسفی است.
پیدایش رایانه در صحنه زندگی بشر تحولات عمده ای را به وجود آورد ، حوزه فلسفه نیز از این تحولات بی نصیب نبوده است. فلاسفه پرسشهای فلسفی زیادی راجع به تفاوت های ذهن انسان با رایانه مطرح کرده اند که همه آنها به طرح بحث هوش مصنوعی انجامید.

هدف هوش مصنوعی فهم سرشت هوش بشری از راه بررسی ساختار برنامه های رایانه ای و نحوه حل مسائل با رایانه است. به اعتقاد متخصصان این رشته ، این بررسی می تواند نحوه عمل و جزییات هوش بشر را نشان دهد.

نخست باید مقصود متخصصان هوش مصنوعی را از اصطلاح هوش Intelligence روشن کنیم ؛ چراکه نگاه آنان نسبت به مقوله هوش و مفاهیم مرتبط مانند عقل ، ذهن و غیره کاملا متفاوت است. امروزه در میان دانشهای موجود ، اصطلاح هوش در روان شناسی بسیار کاربرد دارد و روان شناسان از بهره هوشی افراد و امور مرتبط با آن بحث می کنند. ولی در هوش مصنوعی این اصطلاح کاربردی کاملا متفاوت دارد.

در هوش مصنوعی برای شروع کار ، تعریفی عملی از هوش ارائه می شود. معمولا فلاسفه به تعاریف مفهومی بیشتر رغبت دارند و دوست دارند مفهوم هوش و عقل و غیره را روشن کنند. اما بنا به دلایلی ، متخصصان هوش مصنوعی تعریف عملی را برگزیده اند. یک دلیل این گزینش به این نکته برمی گردد که نزاعهای مفهومی ؛ یا نزاع برای تعریف مفاهیم فایده چندانی ندارد و غالبا بی نتیجه پایان می یابد. اگر بخواهیم با تعریف مفاهیم هوش و تفکر رابطه آنها را بیابیم و ببینیم آیا هوش همان تفکر است یا نه ، بیشتر در نزاعی لفظی درگیر خواهیم شد. زیرا بی تردید دو واژه مذکور از لحاظ مفهومی تفاوت دارند و یک چیز را نمی رسانند و ادعای آنان ، تساوی مفهومی این دو واژه نیست.


بلکه چنان که بعدا توضیح خواهیم داد ، به نظر آنان این دو اصطلاح یک حقیقت قابل اندازه گیری را نشان می دهند.

شبکه عصبی(neural network) چیست؟

این مقاله مقدمه ای بر شبکه های عصبی مصنوعی است. گونه های مختلف شبکه های عصبی توضیح و شرح داده شده است و کاربرد های شبکه های عصبی، نظیر ANN ها در پزشکی بیان شده و همچنین سابقه ای تاریخی از آن به تفصیل آورده شده است. همچنین رابطه بین چیزهای ساختگی و واقعی مورد بررسی قرار گرفته و در مورد آن توضیح داده شده است و سر انجام به شرح مدل های ریاضی در رابطه با این موضوع می پردازیم.
یک شبکه عصبی چیست؟

یک شبکه عصبی مصنوعی (Artificial Neural Network (ANN)) ایده ای است برای پردازش اطلاعات که از سیستم عصبی زیستی الهام گرفته شده و مانند مغز به پردازش اطلاعات می پردازد . عنصر کلیدی این ایده ، ساختار جدید سیستم پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پرداز شی فوق العاده بهم پیوسته تشکیل شده (neurons)که برای حل یک مسأله با هم هماهنگ عمل می کند.ANN ها ،نظیر انسانها ، با مثال یاد می گیرند . یک ANN برای انجام وظیفه های مشخص ، مانند شناسایی الگو ها و دسته بندی اطلاعات ، در طول یک پروسه یاد گیری ، تنظیم می شود . در سیستم های زیستی یاد گیری با تنظیماتی در اتصالات سیناپسی که بین اعصاب قرار دارد همراه است . این روش ANN ها هم می باشد.

سابقه تاریخی :
به نظر می آید شبیه سازی های شبکه عصبی یکی از پیشرفت های اخیر باشد . اگرچه این موضوع پیش از ظهور کامپیوتر ها بنیان گذاری شده و حداقل یک مانع بزرگ تاریخی و چندین دوره مختلف را پشت سر گذاشته است.

خیلی از پیشرفت های مهم با تقلید ها و شبیه سازی های ساده و ارزان کامپیوتری بدست آمده است. در پی یک دوره ابتدائی اشتیاق و فعالیت در این زمینه ، یک دوره ی بی میلی و بدنامی راهم پشت سر گذاشته است . در طول این دوره سرمایه گذاری و پشتیبانی حرفه ای از این موضوع در پایین ترین حد خود بود ، پیشرفت های مهمی به نسبت تحقیقات محدود در این زمینه صورت گرفت . که بدین وسیله پیشگامان قادر شدند تا به گسترش تکنولوژی متقاعد کننده ای بپردازند که خیلی برجسته تر از محدودیت هایی بود که توسط Minsky و Papert شناسانده شد. Minsky و Papert ،کتابی را در سال 1969 منتشر کردند که در آن عقیده عمومی راجع به میزان محرومیت شبکه های عصبی را در میان محققان معین کرده بود و بدین صورت این عقیده بدون تجزبه و تحلیل های بیشتر پذیرفته شد. هم اکنون ، زمینه تحقیق شبکه های عصبی از تجدید حیات علایق و متناطر با آن افزایش سرمایه گذاری لذت می برد .

اولین سلول عصبی مصنوعی در سال 1943 بوسیله یک neurophysiologist به نامWarren McCulloch و یک منطق دان به نام Walter Pits ساخته شد . اما محدودیتهای تکنولوژی در آن زمان اجازه کار بیشتر به آنها نداد.

چرا از شبکه های عصبی استفاده می کنیم ؟
شبکه های عصبی ، با قابلیت قابل توجه آنها در استنتاج معانی از داده های پیچیده یا مبهم ، میتواند برای استخراج الگوها و شناسایی روشهایی که آگاهی از آنها برای انسان و دیگر تکنیک های کامپیوتری بسیار پیچیده و دشوار است به کار گرفته شود. یک شبکه عصبی تربیت یافته می تواند به عنوان یک متخصص در مقوله اطلاعاتی ای که برای تجزیه تحلیل به آن داده شده به حساب آید.از این متخصص می توان برای بر آورد وضعیت های دلخواه جدید و جواب سؤال های " چه می شد اگر " استفاده کرد.


مزیتهای دیگر آن شامل موارد زیر می شود :

یادگیری انطباق پذیر:
قابلیت یاد گیری نحوه انجام وظایف بر پایه اطلاعات داده شده برای تمرین و تجربه های مقدماتی .

سازماندهی توسط خود:
یک ANN می تواند سازماندهی یا ارائه اش را ، برای اطلاعاتی که در طول دوره یادگیری در یافت می کند، خودش ایجاد کند.

عملکرد بهنگام(Real time ) :
محاسبات ANN می تواند بصورت موازی انجام شود، و سخت افزارهای مخصوصی طراحی و ساخته شده است که می تواند از این قابلیت استفاده کند.

تحمل اشتباه بدون ایجاد وقفه در هنگام کد گذاری اطلاعات :
خرابی جزئی یک شبکه منجر به تنزل کارایی متناظر با آن می شود اگر چه تعدادی از قابلیت های شبکه ممکن است حتی با خسارت بزرگی هم باقی بماند.

شبکه های عصبی در مقابل کامپیوتر های معمولی:
شبکه های عصبی نسبت به کامپیوتر های معمولی مسیر متفاوتی را برای حل مسئله طی می کنند . کامپیوتر های معمولی یک مسیر الگو ریتمی را استفاده می کنند به این معنی که کامپیوتر یک مجموعه از دستورالعمل ها را به قصد حل مسئله پی می گیرد. بدون اینکه، قدم های مخصوصی که کامپیوتر نیاز به طی کردن دارد، شناخته شده باشند کامپیوتر قادر به حل مسئله نیست. این حقیقت قابلیت حل مسئله ی کامپیوتر های معمولی را به مسائلی ،محدود می کند که ما قادر به درک آنها هستیم و می دانیم چگونه حل میشوند. اما اگر کامپیوتر ها می توانستند کار هایی را انجام دهند که ما دقیقا نمیدانیم چگونه انجام دهیم ، خیلی پر فایده تر بودند.

شبکه های عصبی اطلاعات را به روشی مشابه با کاری که مغز انسان انجام می دهد پردازش می کنند. آنها از تعداد زیادی از عناصر پرداز شی(سلول عصبی) که فوق العاده بهم پیوسته اند تشکیل شده است که این عناصر به صورت موازی باهم برای حل یک مسئله مشخص کار می کنند .شبکه های عصبی با مثال کار می کنند و نمی توان آنها را برای انجام یک وظیفه خاص برنامه ریزی کرد مثال ها می بایست با دقت انتخاب شوند در غیر این صورت زمان سودمند، تلف می شود و یا حتی بدتر از این شبکه ممکن است نا درست کار کند. امتیاز شبکه عصبی این است که خودش کشف می کند که چگونه مسئله را حل کند ، عملکرد آن غیر قابل پیش گویی است.

از طرف دیگر ، کامپیوتر های معمولی از یک مسیر مشخص برای حل یک مسئله استفاده می کنند . راه حلی که مسئله از آن طریق حل می شود باید از قبل شناخته شود و به صورت دستورات کوتاه و غیر مبهمی شرح داده شود. این دستورات سپس به زبان های برنامه نویسی سطح بالا برگردانده می شود و بعد از آن به کدهایی که کامپیوتر قادر به درک آنها است تبدیل می شود. به طور کلی این ماشین ها قابل پیش گویی هستند و اگر چیزی به خطا انجام شود به یک اشتباه سخت افزاری یا نرم افزاری بر می گردد.

شبکه های عصبی و کامپیوتر های معمولی با هم در حال رقابت نیستند بلکه کامل کننده یکدیگرند . وظایفی وجود دارد که بیشتر مناسب روش های الگو ریتمی هستند نظیر عملیات محاسباتی و وظایفی نیز وجود دارد که بیشتر مناسب شبکه های عصبی هستند . حتی فراتر از این ، مسائلی وجود دارد که نیازمند به سیستمی است که از ترکیب هر دو روش بدست می آید (بطور معمول کامپیوتر های معمولی برای نظارت بر شبکه های عصبی به کار گرفته می شوند ) به این قصد که بیشترین کارایی بدست آید.

شبکه های عصبی معجزه نمی کنند اما اگر خردمندانه به کار گرفته شوند نتایج شگفت آوری را خلق میکنند.

شاخه‌های‌ هوش‌ مصنوعی‌
با سلام.
هوش‌ مصنوعی‌ به‌ تعدادی‌ میدانهای‌ فرعی‌ تقسیم‌ شده‌ است‌ و سعی‌دارد تا سیستم‌ها و روشهایی‌ را ایجاد كند كه‌ بطور تقلیدی‌ مانند هوش‌ ومنطق‌ تصمیم‌گیرندگان‌ عمل‌ نماید.

سه‌ شاخه‌ اصلی‌ هوش‌ مصنوعی‌ عبارتند از: سیستم‌های‌خبره‌، آدمواره‌هاو پردازش‌ زبان‌ طبیعی‌ .
* سیستم‌های‌ خبره‌

سیستم‌های‌ خبره‌، برنامه‌های‌ كامیپوتری‌ هوشمندی‌ هستند كه‌ دانش‌و روشهای‌ استنباط و استنتاج‌ را بكار می‌گیرند تا مسائلی‌ را حل‌ كنند كه‌برای‌ حل‌ آن‌ها به‌ مهارت‌ انسانی‌ نیاز است‌.

سیستم‌های‌ خبره‌ كاربر را قادر به‌ مشاوره‌ با سیستم‌های‌ كامپیوتری‌در مورد یك‌ مسئله‌ و یافتن‌ دلایل‌ بروز مسئله‌ و راه‌حل‌های‌ آن‌ می‌كند.در این‌ حالات‌ مجموعه‌ سخت‌افزار و نرم‌افزار تشكیل‌ دهنده‌ سیستم‌خبره‌، مانند فرد خبره‌ اقدام‌ به‌ طرح‌ سئوالات‌ مختلف‌ و دریافت‌پاسخ‌های‌ كاربر، مراجعه‌ به‌ پایگاه‌ دانش‌ (تجربیات‌ قبلی‌) و استفاده‌ ازیك‌ روش‌ منطقی‌ برای‌ نتیجه‌گیری‌ و نهایتا ارائه‌ راه‌حل‌ می‌نماید.همچنین‌ سیستم‌ خبره‌ قادر به‌ شرح‌ مراحل‌ نتیجه‌گیری‌ خود تا رسیدن‌ به‌هدف‌)چگونگی‌ نتیجه‌گیری‌(و دلیل‌ مطرح‌ شدن‌ یك‌ سئوال‌ اجرایی‌)روش‌ حركت‌ تا رسیدن‌ به‌ هدف‌(خواهد بود.

سیستم‌های‌ خبره‌ برخلاف‌ سیستم‌های‌ اطلاعاتی‌ كه‌ بر روی‌ داده‌ها(Data) عمل‌ می‌كنند، بر دانش‌ (Knowledge) متمركز شده‌ است‌. همچنین‌ دریك‌ فرآیند نتیجه‌گیری‌، قادر به‌ استفاده‌ از انواع‌ مختلف‌ داده‌ها )عددی‌Digital، نمادی‌ Symbolic و مقایسه‌ای‌ Analoge( می‌باشند. یكی‌ دیگر ازمشخصات‌ این‌ سیستم‌ها استفاده‌ از روشهای‌ ابتكاری‌ (Heuristic) به‌ جای‌روشهای‌ الگوریتمی‌ می‌باشد. این‌ توانایی‌ باعث‌ قرار گرفتن‌ محدودوسیعی‌ از كاربردها در برد عملیاتی‌ سیستم‌های‌ خبره‌ می‌شود. فرآیندنتیجه‌گیری‌ در سیستم‌های‌ خبره‌ بر روشهای‌ استقرایی‌ و قیاسی‌ پایه‌گذاری‌شده‌ است‌. از طرف‌ دیگر این‌ سیستم‌ها می‌توانند دلایل‌ خود در رسیدن‌به‌ یك‌ نتیجه‌گیری‌ خاص‌ و یا جهت‌ و مسیر حركت‌ خود به‌ سوی‌ هدف‌را شرح‌ دهند. با توجه‌ به‌ توانایی‌ این‌ سیستم‌ها در كار در شرایط فقدان‌اطلاعات‌ كامل‌ و یا درجات‌ مختلف‌ اطمینان‌ در پاسخ‌ به‌ سئوالات‌ مطرح‌شده‌، سیستم‌های‌ خبره‌ نماد مناسبی‌ برای‌ كار در شرایط عدم‌ اطمینان‌(Uncertainty) و یا محیطهای‌ چند وجهی‌ می‌باشند.



* مزایای‌ سیستم‌های‌ خبره

مزایای‌ سیستم‌های‌ خبره‌ را می‌توان‌ به‌ صورت‌ زیر دسته‌بندی‌ كرد:

1-افزایش قابلیت‌ دسترسی‌: تجربیات‌ بسیاری‌ از طریق‌ كامپیوتر دراختیار قرار می‌گیرد و به‌ طور ساده‌تر می‌توان‌ گفت‌ یك‌ سیستم‌ خبره‌،تولید انبوه‌ تجربیات‌ است‌.

2-كاهش‌هزینه‌:هزینه‌كسب‌تجربه‌برای‌كاربربه‌طورزیادی‌كاهش‌می‌یابد.

3-كاهش‌ خطر: سیستم‌ خبره‌ می‌تواند در محیطهایی‌ كه‌ ممكن‌ است‌برای‌ انسان‌ سخت‌ و خطرناك‌ باشد نیز بكار رود.

4-دائمی‌ بودن‌: سیستم‌های‌ خبره‌ دائمی‌ و پایدار هستند. بعبارتی‌ مانندانسان‌ها نمی‌میرند و فنا ناپذیرند.

5-تجربیات‌ چندگانه‌: یك‌ سیستم‌ خبره‌ می‌تواند مجموع‌ تجربیات‌ وآگاهی‌های‌ چندین‌ فرد خبره‌ باشد.

6-افزایش‌ قابلیت‌ اطمینان‌: سیستم‌های‌ خبره‌ هیچ‌ وقت‌ خسته‌ وبیمار نمی‌شوند، اعتصاب‌ نمی‌كنند و یا علیه‌ مدیرشان‌ توطئه‌ نمی‌كنند، درصورتی‌ كه‌ اغلب‌ در افراد خبره‌ چنین‌ حالاتی‌ پدید می‌آید.

7-قدرت‌ تبیین‌ (Explanation): یك‌ سیستم‌ خبره‌ می‌تواند مسیر و مراحل‌استدلالی‌ منتهی‌ شده‌ به‌ نتیجه‌گیری‌ را تشریح‌ نماید. اما افراد خبره‌ اغلب‌اوقات‌ بدلایل‌ مختلف‌ (خستگی‌، عدم‌ تمایل‌ و…) نمی‌توانند این‌ عمل‌ رادر زمانهای‌ تصمیم‌گیری‌ انجام‌ دهند. این‌ قابلیت‌، اطمینان‌ شما را در موردصحیح‌ بودن‌ تصمیم‌گیری‌ افزایش‌ می‌دهد.

8-پاسخ‌دهی‌سریع‌:سیستم‌های‌خبره‌،سریع‌ودراسرع‌وقت‌جواب‌می‌دهند.

9-پاسخ‌دهی‌ در همه‌ حالات‌: در مواقع‌ اضطراری‌ و مورد نیاز،ممكن‌ است‌ یك‌ فرد خبره‌ بخاطر فشار روحی‌ و یا عوامل‌ دیگر، صحیح‌تصمیم‌گیری‌ نكند ولی‌ سیستم‌ خبره‌ این‌ معایب‌ را ندارد.

10-پایگاه‌ تجربه‌: سیستم‌ خبره‌ می‌تواند همانند یك‌ پایگاه‌ تجربه‌عمل‌ كند وانبوهی‌ از تجربیات‌ را در دسترس‌ قرار دهد.

11-آموزش‌ كاربر: سیستم‌ خبره‌ می‌تواند همانند یك‌ خودآموز هوش‌(Intelligent Tutor) عمل‌ كند. بدین‌ صورت‌ كه‌ مثالهایی‌ را به‌ سیستم‌ خبره‌می‌دهند و روش‌ استدلال‌ سیستم‌ را از آن‌ می‌خواهند.

12-سهولت‌ انتقال‌ دانش‌: یكی‌ از مهمترین‌ مزایای‌ سیستم‌ خبره‌،سهولت‌ انتقال‌ آن‌ به‌ مكان‌های‌ جغرافیایی‌ گوناگون‌ است‌. این‌ امر برای‌توسعه‌كشورهایی‌كه‌ استطاعت‌ خرید دانش‌ متخصصان‌راندارند،مهم‌است‌.


* آدمواره‌ها

كلمه‌ آدمواره‌ (ربات)بعد از به‌ صحنه‌ درآمدن‌ یك‌ نمایش‌ در سال‌1920 میلادی‌ در فرانسه‌ متداول‌ و مشهور گردید. در این‌ نمایش‌ كه‌ اثر«كارل‌ كپك‌» بود، موجودات‌ مصنوعی‌ شبیه‌ انسان‌، وابستگی‌ شدیدی‌نسبت‌ به‌ اربابان‌ خویش‌ از خود نشان‌ می‌دادند. این‌ موجودات‌ مصنوعی‌شبیه‌ انسان‌ در آن‌ نمایش‌، آدمواره‌ نام‌ داشتند.

در حال‌ حاضر آدمواره‌هایی‌ را كه‌ در شاخه‌های‌ مختلف‌ صنایع‌ مورداستفاده‌ می‌باشند، می‌توان‌ به‌ عنوان‌ «ماشین‌های‌ مدرن‌، خودكار، قابل‌هدایت‌ و برنامه‌ریزی‌»تعریف‌ كرد. این‌ آدمواره‌ها قادرند در محل‌های‌متفاوت‌ خطوط تولید، به‌ طور خودكار، وظایف‌ گوناگون‌ تولیدی‌ را تحت‌یك‌ برنامه‌ از پیش‌ نوشته‌ شده‌ انجام‌ دهند. گاهی‌ ممكن‌ است‌ یك‌آدمواره‌، جای‌ اپراتور در خط تولید بگیرد و زمانی‌ این‌ امكان‌ هم‌ وجوددار كه‌ یك‌ كار مشكل‌ و یا خطرناك‌ به‌ عهده‌ آدمواره‌ واگذار شود.همانطور كه‌ یك‌ آدمواره‌ می‌تواند به‌ صورت‌ منفرد یا مستقل‌ به‌ كاربپردازد، این‌ احتمال‌ نیز وجود دارد كه‌ چند آدمواره‌ به‌ صورت‌ جمعی‌ و به‌شكل‌ رایانه‌ای‌ در خط تولید به‌ كار گرفته‌ شوند.

آدمواره‌ها عموماً دارای‌ ابزار و آلاتی‌ هستند كه‌ به‌ وسیله‌ آنهامی‌توانند شرایط محیط را دریابند.این‌ آلات‌ و ابزار «حس‌ كننده‌»نام‌ دارند، آدمواره‌ها می‌توانند در چارچوب‌ برنامه‌ اصلی‌ خود، برنامه‌های‌جدید عملیاتی‌ تولید نمایند. این‌ آدمواره‌ها دارای‌ سیستم‌های‌ كنترل‌ وهدایت‌ خودكار هستند.

آدمواره‌های‌ صنایع‌ علاوه‌ بر این‌ كه‌ دارای‌ راندمان‌، سرعت‌، دقت‌ وكیفیت‌ بالای‌ عملیاتی‌ می‌باشند، از ویژگی‌های‌ زیر نیز برخوردارند:

1-بسیاری‌ از عملیات‌ طاقت‌ فرسا و غیرقابل‌ انجام‌ توسط متصدیان‌ رامی‌توانند انجام‌ دهند.

2-آنها، برخلاف‌ عامل‌ انسانی‌ یعنی‌ متصدی‌ خط تولید، قادر هستند سه‌شیفت‌ به‌ كار بپردازند و در این‌ خصوص‌ نه‌ منع‌ قانونی‌ وجود دارد و نه‌محدودیت‌های‌ فیزیولوژیكی‌ نیروی‌ كار.

3-هزینه‌های‌ مربوط به‌ جلوگیری‌ از آلودگی‌ صوتی‌، تعدیل‌ هوا و فراهم‌آوردن‌ روشنایی‌ لازم‌ برای‌ خط تولید، دیگر بر واحد تولید تحمیل‌نخواهد شد.

4-برای‌ اضافه‌ كاری‌ این‌ آدمواره‌ها، هزینه‌ اضافی‌ پرداخت‌ نمی‌شود.حق‌ بیمه‌، حق‌ مسكن‌ و هزینه‌ ایاب‌ و ذهاب‌ پرداخت‌ نمی‌شود. احتیاج‌ به‌افزایش‌ حقوق‌ ندارند و هزینه‌این‌ نیز از بابت‌ بهداشت‌ و درمان‌ بر واحدتولیدی‌ تحمیل‌ نمی‌كنند.

ویژگی‌های‌ ذكر شده‌ سبب‌ می‌شوند كه‌ سهم‌ هزینه‌ كار مستقیم‌ نیروی‌انسانی‌ در هزینه‌ محصولات‌ تولیدی‌، واحدهای‌ تولیدی‌ كاهش‌ پیداكند.

* پردازش‌ زبان‌های‌ طبیعی‌ (NLP)

پردازش‌ زبان‌های‌ طبیعی‌ بعنوان‌ زیرمجموعه‌ای‌ از هوش‌ مصنوعی‌،می‌تواند توصیه‌ها و بیانات‌ را با استفاده‌ از زبانی‌ كه‌ شما به‌ طور طبیعی‌ درمكالمات‌ روزمره‌ بكار می‌برید، بفهمد و مورد پردازش‌ قرار دهد. به‌ طوركلی‌ نحوه‌ كار این‌ شاخه‌ از هوش‌ مصنوعی‌ این‌ است‌ كه‌ زبانهای‌ طبیعی‌انسان‌ را تقلید می‌كند. در این‌ میان‌، پیچیدگی‌ انسان‌ از بعد روانشناسی‌ برروی‌ ارتباط متعامل‌ تاثیر می‌گذارد.

در پردازش‌ زبانهای‌ طبیعی‌، انسان‌ و كامپیوتر ارتباطی‌ كاملا نزدیك‌با یكدیگر دارند. كامپیوتراز لحاظ روانی در مغز انسان جای داده می شود. بدین ترتیب یك سیستم خلاق شكل می گیرد كه انسان نقش سازمان دهنده اصلی آن را برعهاده دارد. اگر چه هنوز موانع روانشناختی و زبانشناختی بسیاری بر سر راه سبستمهای محاوره ای وجود دارد. اما چشم اندهزهای پیشرفت آنها یقیناً نویدبخش است. در حقیقت، توقعات یكسان از محاوره انسان- ماشنی و محاوره انسان- انسان، معقول نیست.

بدین‌ ترتیب‌ سئوالاتی‌ نظیر اینكه‌ هوش‌ مصنوعی‌ چیست‌، تفاوت‌هوش‌ مصنوعی‌ و هوش‌ طبیعی‌ (انسانی‌) در چیست‌، شاخه‌های‌ عمده‌هوش‌ مصنوعی‌ كدامند؟ و نهایتاً جزای‌ هوش‌ مصنوعی‌ مشخص‌ شد. دربخش‌ دوم‌، می‌توان‌ كاربردهای‌ هوش‌ مصنوعی‌ در صنایع‌ و مؤسسات‌تولیدی‌، بخصوص‌ در زمینه‌ سیستم‌های‌ خبره‌ و آدمواره‌ها را مورد مطالعه‌و تجزیه‌ و تحلیل‌ قرار داد.
امیدوارم مفید بوده باشه. منابع رو هم می گذارم تا اگر نیاز به اطلاعات بیشتری بود استفاده کنید.
منابع‌ و مأخذ:


1Phlippe coiffet, "Robots technology" volume 1, Prentice - Hall Inc. , 1983. P.ll.

2. Derrek Kelley , " A Loyman, S., "Introduction to Rabaties," New Jersey, 1986.

3. Martin A. Fischer Oscar Firschern,"Questions, Intelligence and IntelligentBehavior," Computer and people, Vol., 36, Nos, 5.6, May 1987.

4. Lotfizadeh A., "The calculeus of Fuzzy If / Then Pulls All Expert, " March 1992.

5. Povl William, " Silicon Babies, " Scientific American, Dec. 1991.

1 - Artifcial Intelligence

2 - Marvin Minsky

3 - Glaude Shannon

4 - John MeCarthy

5 - Dartmouth

6 - Expert Systems

7 - Robatic Machines

8 - Natural Language Processing

9 - Phillippe coiffet, "Robots Techonology", Volume 1, Prentice - Hall Inco,1983, p,11

10 - Sensor

11 - Derrek Kelley, "A L ayman, S. "Introduction to Robotics" New Jersey, 1986



قبلا هوش مصنوعی را تعریف کردند:
علم و مهندسی ساخت ماشین های هوشمند٬ خصوصا برنامه های کامپیوتری هوشمند. جان مک کارتی (استنفورد)

هوش مصنوعی عموما بعنوان زیر شاخه ای از کامپیوتر محسوب شده و ارتباط تنگاتنگی با عصب شناسی، علوم شناختی٬ روانشناسی شناختی٬ منطق ریاضی و مهندسی است. پژوهشکده IBM

هوش مصنوعی شاخه ای از علوم و مهندسی کامپیوتر است که روی ایجاد رفتار شبیه انسان متمرکز شده است.


هوش مصنوعی شامل موارد ذیل می باشد:

نظریه بازیها: برنامه نویسی کامپیوترها برای بازی کردن در بازیهایی چون ورق بازی٬ شطرنج و ...

سیستم های خبره: برنامه نویسی کامپیوترها برای تصمیم گیری در موارد زندگی واقعی (مثل سیستم های خبره ای که به پزشکان در تصمیم گیری کمک می کنند)

زبان طبیعی: برنامه نویسی کامپیوترها برای فهم و درک زبان طبیعی و استفاده از آن
شبکه های عصبی: سیستم هایی که سعی در ایجاد رفتار شبیه انسان با تقلید از ساختار مغز حیوانات دارد.

رباتیک: برنامه نویسی برای عکس العمل نسبت به اطلاعات سنسوری بطور مناسب.Webopedia


هوش مصنوعی عبارتست از ایجاد ظرفیت برای انجام وظایفی که عموما بعنوان ویژگی های انسان شناخته می شود در کامپیوتر. این ظرفیتها شامل: استدلال٬ اکتشاف مفهوم٬ تعمیم٬ یادگیری و ... می باشد. هربرت سیمون (کارنگی ملون)


مغز مصنوعی٬ مغز رباتی است که یاد می گیرد و رفتاری شبیه مغز انسان از خود نشان می دهد. با این تفاوت که بصورت ااکترونیکی ساخته شده و نه بیولوژیکی.