- عضویت
- 2017/05/18
- ارسالی ها
- 35,488
- امتیاز واکنش
- 104,218
- امتیاز
- 1,376
همه چيز درباره هوش مصنوعي به زبان ساده
هوش مصنوعي يكي از مقوله هايي است كه در علوم كامپيوتر، اهميت فراوان دارد و تغييرات در هوش مصنوعي مي توانند تحولات گسترده اي را در فناوري اطلاعات پديد بياورند. در اين مقاله قصد داريم كه هوش مصنوعي را به شما معرفي كنيم. علاوه بر اين چند روبات مطرح را نيز به شما معرفي خواهيم كرد. سعي ما بر اين است كه اين مقاله بتواند به اندازه كافي راهنماي شما باشد. پس با كليك روي ادامه مطلب ما را همراهي كنيد
هوش مصنوعي چيست؟
هوش مصنوعي، هوش ماشين هاست! در واقع شاخه اي از علوم كامپيوتر است كه قصد دارد راه حل هاي الگوريتمي را ارائه كند تا بتوانيم به وسيله آنها در ماشين ها هوشمندي ايجاد كنيم. اما اين تعريف كافي نيست؛ اول از همه بايد بدانيم كه تعريف هوشمندي چيست و بعد بايد منظور از ماشين را دربيابيم:استدلال، منطق، تصميم گيري ؛ اين ها توانايي هستند كه شما از آنها استفاده مي كنيد. پس شما هوشمند هستيد. اگر اين توانايي ها را در كامپيوتر هم ايجاد كنيم، آنگاه به ماشين هوشمند دست مي يابيم! به همين سادگي ... ولي به جز اين ها چيز هاي ديگري هم در رابـ ـطه با تعريف هوشمندي وجود دارند كه دانستن آنها را مي توان مهم ارزيابي كرد. در واقع بحث هايي كه در مورد هوشمندي و هوش مصنوعي مطرح شده است؛ تنها به دوره ي امروزه ي ما و قرن 21 مربوط نمي شود، بلكه از سال 1950 اين مباحثبه طور جدي مطرح شد
پيشينه ي هوش مصنوعي
بايد گفت كه از اين نظر هوش مصنوعي يكي از غني ترين تاريخ ها را دارد، منتها در قصه ها! ماشين ها و مخلوقات مصنوعي باشعور، اولين بار در افسانه هاي يونان باستان مطرح شدند. شبه انسان ها باور داشتند كه بايد يك تمدن بزرگ را تشكيل دهند؛ تنديس ها و مجسمه هاي انسان نما در مصر و يونان به حركت در آمده بودند و ... حتي در مواردي اين قصه ها، پاي جابر بن حيان و چند تن ديگر را هم به سازندگان موجودات مصنوعي باز كردنداز قصه ها كه بگذريم ؛ فيلسوف ها و رياضي دان ها از مدت ها پيش مباحث مربوط به استدلال و منطق را پيش كشيدند و امروزه اين مباحث به صورت قرار دادي، به رسميت پذيرفته شده است. اين گونه منطق ها اساس كامپيوتر هاي ديجيتال و برنامه پذير شده اند. يكي از افرادي كه نقش اساسي و مهمي در اين مورد ايفا كرد آقاي آلن تورينگ بود
نظريه تورينگ
تئوري تورينگ مبتني بر اين بود كه مي توانيم با استفاده از نشانه ها و اعدادي مانند 0 و 1، هر استدلال رياضي اي را در كامپيوتر عملي كنيم. همزمان با اين نظريه كشف هاي تازه اي در زمينه ي عصب شناسي، نظريه اطلاعات و فرمانشناسي، به وقوع پيوسته بود. اين پيشرفت ها الهام بخش گروهي كوچك از پ?وهشگران شد تا به طور جدي به مساله ايجاد يك مغز الكترونيكي رسيدگي نمايند
و بعدتيمي كه در زمينه هوش مصنوعي تحقيق مي كردند، در تابستان سال 1956، كنفرانسي را در محوطه كالج دارتموس برگزار كردند. اين كنفرانس به همراه افرادي مانند جان مككارتي، ماروين مينسكي، آلين نويل و هربت سيمون كه براي دهه ها پيشتازان تحقيق براي هوش مصنوعي بودند انجام شد. آنها و دانش آموزان آنها، برنامه اي نوشته بودند كه حقيقتا براي عده زيادي از مردم شگفت آور بود. اين برنامه مي توانست مشكلات نوشتاري در جبر را حل كند، استدلال هاي منطقي را اثبات كند و به زبان انگليسي سخن بگويد. در اواسط دهه ي 1960، بودجه سنگيني براي دايركردن آزمايشگاه هاي تحقيقاتي در گرداگرد دنيا، از سوي حوزه ي دفاعي ايالات متحده آمريكا، اختصاص داده شد. پيشتازان هوش مصنوعي درباره آينده آن در جهان بسيار خوش بين بودند. هربت سيمون پيشبيني كرده بود كه در مدت 20 سال، كامپيوتر هاي هوشمند مي توانند، هر كاري را كه انسان انجام مي دهد، انجام دهند. در واقع مشكلات بزرگي كه در آن زمان براي ايجاد هوش مصنوعي وجود داشت، اساسا حل شده بود
مقايسه، استدلال و حل مسائل
خيلي زود توسعه دهندگان هوش مصنوعي به اين نتيجه رسيدند كه بايد در الگوريتم هاي خود از نحوه حل مساله ((گام به گام)) استفاده كنند. در واقع انسان ها هم معمولا براي حل مواردي از جمله: ساختن پازل و ... از اين روش استفاده مي كنند. آنها همچنين توانستند كه پس از دهه هاي 80 و 90 الگوريتم هاي موفقيت آميزي را براي درك داده ها و اطلاعات نا كامل عرضه كنند كه اين الگوريتم ها از احتمالات، براي درك اين اطلاعات استفاده مي كردندبراي حل مسائل سخت، بيشتر اين الگوريتم ها به كامپيوتر هاي بزرگ و قدرتمندي براي پردازش نياز داشتند. بسياري از اين الگوريتم ها به مقدار زيادي حافظه (رم) نياز داشتند و حتي در صورت فراهم آمدن آن، با وجود سخت افزار هاي آن زمان، مدت مورد نياز براي پردازش نجومي بود. بنابر اين مي توان اين مساله را دريافت كه: جستجو براي الگوريتم هاي بهتر و موثر تر در آن زمان، از اولويت هاي اصلي پ?وهشگران هوش مصنوعي بودانسان براي حل مسائل خود خيلي سريع عمل مي كند. چيزي كه بايد فهميد اين است كه اگر چه انسان در جمع و تفريق اعداد از كامپيوتر شكست مي خورد، اما مساله فقط جمع و تفريق نيست. در واقع اولين گام براي حل مساله درك آن است و اين چيزي است كه براي انسان بسيار ساده و براي كامپيوتر ها بسيار سخت است. بر اين اساس آنها به تحقيقات زيادي پرداختند و به اين نتيجه رسيدند كه بايد براي بازدهي بيشتر از شبكه هاي عصبي استفاده كنند. اين كار به آنها كمك مي كرد تا بتوانند به ساختار اعصاب و مغز انسان و ساير حيوانات نزديك تر شوند
نمايش معلومات
نمايش معلومات و مهندسي معلومات مركز توجه در پ?وهش هاي هوش مصنوعي بودند. بسياري از دستگاه هاي حل مساله براي حل مسائل نيازمند معلومات گسترده و وسيعي بودند اين معلومات عبارت مي شد از : شناختن اشياء، خواص و اقلام- شناختن روابط بين اشياء- درك موقعيت، نوع واقعه و زمان و مكان- علت ها و تاثير عوامل و بسياري چيز هاي ديگر
و سخت ترين مشكلات درباره نمايش اطلاعات و معلومات عبارت بود از
استدلال پيش فرض و مسائل نسبي: دانسته ي يك فرد از يك چيز برابر است با پنداشت او از آن چيز، براي مثال وقتي نام پرنده به گوش كسي مي خورد، معمولا يك موجود كوچك را به ياد مي آورد با صداي زيبا و قابليت پرواز؛ در حالي كه اين موضوع براي همه ي پرندگان صدق نمي كند. مثلا پنگوئن هيچكدام از اين ويژگي ها را ندارد! جان مككارتي اين موضوع را به عنوان يك مسئله نسبي در سال 1969 كشف كرد. براي هر قضاوت صحيح (در تعريف عام) كه محققان هوش مصنوعي، سعي در پياده سازي آن داشتند، تعداد زيادي استثنا وجود داشت. بنابر اين، آنها به اين نتيجه دست يافتند كه در قضاوت عام، نمي توان يك چيز را مطلقا درست يا غلط دانست بلكه همه چيز نسبي است. مثلا وقتي به شما مي گويند كه فلان شخص، خوب است يا بد؟ شما اول به مواردي توجه مي كنيد كه مهم تر هستند و بر اين اساس در مورد خوبي و بدي قضاوت مي كنيد. در حالي كه هيچ كس مطلقا خوب يا بد نيست! در واقع شما اول به مواردي اهميت مي دهيد كه مهم تر است. محققان هوش مصنوعي هم با پياده كردن چنين الگوريتمي توانستند اين مشكلات را حل كنندسطح وسيع اطلاعات مورد نياز براي قضاوت عام: منظور از قضاوت عام، همان نحوه قضاوتي است كه در بالا توضيح داده شد كه شما به نكاتي كه بيشتر اهميت دارند، امتياز بيشتري اختصاص مي دهيد و آنها را ملاك قضاوت خود قرار مي دهيد. اما اين نوع قضاوت، شايد در زندگي روزمره ما كار عادي اي شده باشد؛ اما در واقع براي كامپيوتر اين كار نياز به اطلاعات پايه اي زيادي در زمينه هستي شناسي و شناخت ويژگي هاي موجودات دارد. محققان هوش مصنوعي مي بايست، مفاهيم دقيق و پيچيده اي را با دست خود، به كامپيوتر مي فهماندند
برنامه ريزي
موجودات و به طور كلي، چيز هاي هوشمند، بايد بتوانند هدف هايي را براي خود تعيين كرده و به آنها دست يابند. براي اين كار اولا لازم است كه تصوري از آينده خود داشته باشيم. يعني وضع كنوني هدف مورد نظر را در نظر بگيريم و پيش بيني كنيم كه تصميماتي كه خواهيم گرفت، چگونه مي تواند بر آن تاثير بگزارد. پس از اين كار بايد، براي رسيدن به بهترين نتيجه؛ از بين گزينه هايي كه داريم، بهترين و سودمند ترين آنها را انتخاب نماييمپس تصميم گيري و برنامه ريزي از اين روش، كاري است كه بدون هوشمندي، نمي توان آن را انجام داد و فقط موجودات هوشمند از پس آن بر مي آيند!در مسائل كلاسيكي كه در مورد برنامه ريزي وجود داشت، عامل هوشمند مي توانست فرض كند كه تنها يك چيز (هدف مورد نظر) در جهان فعال است و احتمالا مي توان نتيجه آن را تغيير داد. بنا بر اين هدف مورد نظر تعيين مي شد و براي آن راه حل هايي ارائه مي گرديد. همچنين عامل هوشمند - كه ميتواند برنامه و يا هر چيز ديگري باشد – به طور مرتب و دائمي چك مي كرد كه پيشگويي هايش درست باشد و اگر اينطور نبود، راه حل مورد نظر براي هدفش را تغيير مي داددر اين مورد مي توانيد يك روبوت را در نظر بگيريد كه مي خواهد از يك مسير مارپيچ عبور نمايد. اين روبوت ابتدا هر يك از اين مسير ها را امتحان مي كند و اگر هر كدام از آنها به بن بست، بر خورد، آن را به حافظه مي سپارد تا دوباره تكرارش نكند و اين عمل را آنقدر ادامه مي دهد كه راه خودش را بيابد! ( اين يك تعريف بسيار ساده بود)د
يادگيري
ايجاد امكان يادگيري براي ماشين ها، همواره از پ?وهش هاي اصلي در زمينه ي هوش مصنوعي بوده است. يادگيري بدون نظارت: قابليت يادگيري الگو ها، از اطلاعات ورودي را فراهم ميكند. يادگيري نظارت شده هم، مي تواند هردو امكان: طبقه بندي و عبرت عددي را ايجاد كندطبقه بندي اين امكان را مي دهد كه كامپيوتر بتواند تشخيص دهد كه چه چيز هايي را مي توان در يك گروه خاص گنجاند. عبرت عددي نيز به اين صورت عمل مي كند كه بعد از دادن چيز هايي به عنوان ورودي به كامپيوتر و مشخص كردن خروجي دقيق آنها، كامپيوتر مي تواند روابط بين ورودي و خروجي را كشف كرده و الگوريتم ها و توابع پيوسته اي را براي آنها تعيين كند. اين روش براي به وجود آوردن الگوريتم هاي بسيار پيچيده، مفيد خواهد بوداجازه دهيد تا در اين مورد مثالي بزنيم: وقتي در حال رانندگي هستيد و به عابران پياده نگاه مي كنيد، مي توانيد تا حد زيادي تشخيص دهيد كه آنها قصد چه كاري را دارند. مثلا مي خواهند از خيابان رد شوند يا اين كه تاكسي بگيرند و يا اين كه فقط سر جاي خود ايستاده اند. خب، اين كار براي من و شما نسبتا ساده است اما اساسا براي نوشتن الگوريتم آن براي كامپيوتر، از دستيك انسان كاري ساخته نيست. با استفاده از روش عبرت عددي مي توان با روش هاي خاص اين مورد را با مثال هاي زيادي به كامپيوتر و برنامه ي مربوطه نشان داد و به تدريج الگوريتم مورد نياز را تحويل گرفتاما چيزي كه بايد هم اكنون به آن اشاره كرد، عمليات تقويت يادگيرياست. اين كار به اين صورت انجام مي پذيرد كه تئوري تصميم گيري كامپيوتر آناليز شده و برداشت هاي سودمند آن تئوري، مورد تاكيد قرار مي گيرند. در واقع كار هاي درست با تشويق (به صورت اولويت دادن) و كار هاي غلط با تنبيه (به صورت امتياز منفي) پاسخ داده مي شوند و به همين خاطر يادگيري كامپيوتر به طور مرتب بهبود مي يابديادداشت: آناليز الگوريتم هاي يادگيري ماشين ها، شاخه اي از علوم نظري كامپيوتر است كه با نام تئوري يادگيري كامپيوتري شناخته مي شود
پردازش زبان طبيعي
پردازش زبان طبيعي، به ماشين هاي هوش مند اين قابليت را مي دهد كه زبان انسان ها را بخوانند و آنها را متوجهشوند. بسياري از تحقيقات به اين نتيجه رسيد كه براي ايجاد قدرت كافي براي سيستم پردازش زبان طبيعي، نياز است كه اطلاعات زياد و كاملي را به اين سيستم ارائه كنيم كه مي تواند با استفاده از خواندن متن هاي موجود در اينترنت انجام شود
برنامه هايي كه هم اكنون در زمينه پردازش زبان طبيعي درست عمل مي كنند، از امكاناتي مانند: بازيابي اطلاعات، جستجو در متن ها و امكان ترجمه ماشيني بهره مند اند
حركت و جا به جا كردن اجسام: تحقيقات در زمينه روبوتيك، بيش از هر چيزي به هوش مصنوعي وابسته است. روبات ها براي موارد بسيار زيادي نياز به هوشمندي دارند كه از جمله آنها مي توان مواردي مانند: مسير يابي ، جا به جا كردن، اين كه بدانند كجا هستند، اين كه دركي از محيط خود داشته باشند و بتوانند براي حركت به سوي نقطه خاصي، برنامه ريزي نمايند و هدف خود را تعيين كنند. بدين ترتيب هوش مصنوعي براي روبات ها بسيار پر كاربرد است و تقريبا در تمام زمينه هاي ذكر شده از آن استفاده مي نمايند
ادراك
درك ماشيني، به آنها اين امكان را مي دهد كه بتوانند با استفاده از سنسور هاي ورودي خود، نظير: دوربين، ميكروفون ها و ديگر سنسور هاي عجيب و غريب (!) ؛ از محيط خود برداشت صحيحي داشته و بتواند محيط پيرامون خود را درككند. در اصل، بينايي كامپيوتري اين امكان را مي دهد كه كامپيوتر بتواند چيز هايي كه مي بيند را مورد تجزيه و تحليل قرار دهد. چند مورد از آناليز هاي معروف در روبات ها عبارت است از : آناليز صحبت و صدا ها و تشخيص منظور، آناليز چهره ها و تشخيص حالات آن ها. مانند: خشم، ناراحتي، خنده و ... ، آناليز اشياء پيرامون و تشخيص آنها.با استفاده از انواع آناليز ها و تجزيه و تحليل هايي كه در بالا ذكر شدند، روبات ها قادر خواهند بود كه بسيار هوشمند تر از قبل عمل كنند. مثلا در جا به جايي اجسام شيشه اي، دقت بيشتري كنند. براي كسي كه ناراحت و عصباني است، جك تعريف نكند! و سلام را با خدا حافظ پاسخ ندهد
هوش اجتماعي
احساسات و مهارت هاي اجتماعي، دو بخش مهم از هوش مندي را تشكيل مي دهند. اولا، باعث مي شود كه ماشين هوشمند بتواند عكس العمل طرف مقابل را در برابر يك رفتار خاص، تشخيص دهد. كه اين كار با درك از انگيزه فرد و احساسات او عملي خواهد شدثانيا؛ براي تعامل بهتر بين انسان و كامپيوتر، ماشين هوشمند بايد بتواند كه احساساتي را از خود بروز دهد. در بد ترين حالت، اين امر بايد به صورت نشان دادن احساسات ضعيف در گفتار و با كمال ادب انجام گيرد و در بهترين حالت بايد با حساسيت طبيعي و مناسب در برابر انسان همراه باشد. در واقع سعي بر اين است كه كامپيوتر طوري عمل كند كه اگر با لحن بدي با او حرف زديد، با كمال ادب به شما پاسخي مناسب با لحن خودتان دهد. و بالعكس!نكته مهم: مساله كمال ادب بسيار مهم است چون كامپيوتر در صورت عدم رعايت اين موضوع، موجوديت خودش را به خطر خواهد انداخت و در اين صورت نياز به يك الگوريتم براي كشتي گيري انسان و كامپيوتر (يا ربات) هم به شدت احساس مي شود. (معمولا انسان ها اعصاب ندارند و خيلي زود درگير مي شوند)
هوش مصنوعي يكي از مقوله هايي است كه در علوم كامپيوتر، اهميت فراوان دارد و تغييرات در هوش مصنوعي مي توانند تحولات گسترده اي را در فناوري اطلاعات پديد بياورند. در اين مقاله قصد داريم كه هوش مصنوعي را به شما معرفي كنيم. علاوه بر اين چند روبات مطرح را نيز به شما معرفي خواهيم كرد. سعي ما بر اين است كه اين مقاله بتواند به اندازه كافي راهنماي شما باشد. پس با كليك روي ادامه مطلب ما را همراهي كنيد
هوش مصنوعي چيست؟
هوش مصنوعي، هوش ماشين هاست! در واقع شاخه اي از علوم كامپيوتر است كه قصد دارد راه حل هاي الگوريتمي را ارائه كند تا بتوانيم به وسيله آنها در ماشين ها هوشمندي ايجاد كنيم. اما اين تعريف كافي نيست؛ اول از همه بايد بدانيم كه تعريف هوشمندي چيست و بعد بايد منظور از ماشين را دربيابيم:استدلال، منطق، تصميم گيري ؛ اين ها توانايي هستند كه شما از آنها استفاده مي كنيد. پس شما هوشمند هستيد. اگر اين توانايي ها را در كامپيوتر هم ايجاد كنيم، آنگاه به ماشين هوشمند دست مي يابيم! به همين سادگي ... ولي به جز اين ها چيز هاي ديگري هم در رابـ ـطه با تعريف هوشمندي وجود دارند كه دانستن آنها را مي توان مهم ارزيابي كرد. در واقع بحث هايي كه در مورد هوشمندي و هوش مصنوعي مطرح شده است؛ تنها به دوره ي امروزه ي ما و قرن 21 مربوط نمي شود، بلكه از سال 1950 اين مباحثبه طور جدي مطرح شد
پيشينه ي هوش مصنوعي
بايد گفت كه از اين نظر هوش مصنوعي يكي از غني ترين تاريخ ها را دارد، منتها در قصه ها! ماشين ها و مخلوقات مصنوعي باشعور، اولين بار در افسانه هاي يونان باستان مطرح شدند. شبه انسان ها باور داشتند كه بايد يك تمدن بزرگ را تشكيل دهند؛ تنديس ها و مجسمه هاي انسان نما در مصر و يونان به حركت در آمده بودند و ... حتي در مواردي اين قصه ها، پاي جابر بن حيان و چند تن ديگر را هم به سازندگان موجودات مصنوعي باز كردنداز قصه ها كه بگذريم ؛ فيلسوف ها و رياضي دان ها از مدت ها پيش مباحث مربوط به استدلال و منطق را پيش كشيدند و امروزه اين مباحث به صورت قرار دادي، به رسميت پذيرفته شده است. اين گونه منطق ها اساس كامپيوتر هاي ديجيتال و برنامه پذير شده اند. يكي از افرادي كه نقش اساسي و مهمي در اين مورد ايفا كرد آقاي آلن تورينگ بود
نظريه تورينگ
تئوري تورينگ مبتني بر اين بود كه مي توانيم با استفاده از نشانه ها و اعدادي مانند 0 و 1، هر استدلال رياضي اي را در كامپيوتر عملي كنيم. همزمان با اين نظريه كشف هاي تازه اي در زمينه ي عصب شناسي، نظريه اطلاعات و فرمانشناسي، به وقوع پيوسته بود. اين پيشرفت ها الهام بخش گروهي كوچك از پ?وهشگران شد تا به طور جدي به مساله ايجاد يك مغز الكترونيكي رسيدگي نمايند
و بعدتيمي كه در زمينه هوش مصنوعي تحقيق مي كردند، در تابستان سال 1956، كنفرانسي را در محوطه كالج دارتموس برگزار كردند. اين كنفرانس به همراه افرادي مانند جان مككارتي، ماروين مينسكي، آلين نويل و هربت سيمون كه براي دهه ها پيشتازان تحقيق براي هوش مصنوعي بودند انجام شد. آنها و دانش آموزان آنها، برنامه اي نوشته بودند كه حقيقتا براي عده زيادي از مردم شگفت آور بود. اين برنامه مي توانست مشكلات نوشتاري در جبر را حل كند، استدلال هاي منطقي را اثبات كند و به زبان انگليسي سخن بگويد. در اواسط دهه ي 1960، بودجه سنگيني براي دايركردن آزمايشگاه هاي تحقيقاتي در گرداگرد دنيا، از سوي حوزه ي دفاعي ايالات متحده آمريكا، اختصاص داده شد. پيشتازان هوش مصنوعي درباره آينده آن در جهان بسيار خوش بين بودند. هربت سيمون پيشبيني كرده بود كه در مدت 20 سال، كامپيوتر هاي هوشمند مي توانند، هر كاري را كه انسان انجام مي دهد، انجام دهند. در واقع مشكلات بزرگي كه در آن زمان براي ايجاد هوش مصنوعي وجود داشت، اساسا حل شده بود
مقايسه، استدلال و حل مسائل
خيلي زود توسعه دهندگان هوش مصنوعي به اين نتيجه رسيدند كه بايد در الگوريتم هاي خود از نحوه حل مساله ((گام به گام)) استفاده كنند. در واقع انسان ها هم معمولا براي حل مواردي از جمله: ساختن پازل و ... از اين روش استفاده مي كنند. آنها همچنين توانستند كه پس از دهه هاي 80 و 90 الگوريتم هاي موفقيت آميزي را براي درك داده ها و اطلاعات نا كامل عرضه كنند كه اين الگوريتم ها از احتمالات، براي درك اين اطلاعات استفاده مي كردندبراي حل مسائل سخت، بيشتر اين الگوريتم ها به كامپيوتر هاي بزرگ و قدرتمندي براي پردازش نياز داشتند. بسياري از اين الگوريتم ها به مقدار زيادي حافظه (رم) نياز داشتند و حتي در صورت فراهم آمدن آن، با وجود سخت افزار هاي آن زمان، مدت مورد نياز براي پردازش نجومي بود. بنابر اين مي توان اين مساله را دريافت كه: جستجو براي الگوريتم هاي بهتر و موثر تر در آن زمان، از اولويت هاي اصلي پ?وهشگران هوش مصنوعي بودانسان براي حل مسائل خود خيلي سريع عمل مي كند. چيزي كه بايد فهميد اين است كه اگر چه انسان در جمع و تفريق اعداد از كامپيوتر شكست مي خورد، اما مساله فقط جمع و تفريق نيست. در واقع اولين گام براي حل مساله درك آن است و اين چيزي است كه براي انسان بسيار ساده و براي كامپيوتر ها بسيار سخت است. بر اين اساس آنها به تحقيقات زيادي پرداختند و به اين نتيجه رسيدند كه بايد براي بازدهي بيشتر از شبكه هاي عصبي استفاده كنند. اين كار به آنها كمك مي كرد تا بتوانند به ساختار اعصاب و مغز انسان و ساير حيوانات نزديك تر شوند
نمايش معلومات
نمايش معلومات و مهندسي معلومات مركز توجه در پ?وهش هاي هوش مصنوعي بودند. بسياري از دستگاه هاي حل مساله براي حل مسائل نيازمند معلومات گسترده و وسيعي بودند اين معلومات عبارت مي شد از : شناختن اشياء، خواص و اقلام- شناختن روابط بين اشياء- درك موقعيت، نوع واقعه و زمان و مكان- علت ها و تاثير عوامل و بسياري چيز هاي ديگر
و سخت ترين مشكلات درباره نمايش اطلاعات و معلومات عبارت بود از
استدلال پيش فرض و مسائل نسبي: دانسته ي يك فرد از يك چيز برابر است با پنداشت او از آن چيز، براي مثال وقتي نام پرنده به گوش كسي مي خورد، معمولا يك موجود كوچك را به ياد مي آورد با صداي زيبا و قابليت پرواز؛ در حالي كه اين موضوع براي همه ي پرندگان صدق نمي كند. مثلا پنگوئن هيچكدام از اين ويژگي ها را ندارد! جان مككارتي اين موضوع را به عنوان يك مسئله نسبي در سال 1969 كشف كرد. براي هر قضاوت صحيح (در تعريف عام) كه محققان هوش مصنوعي، سعي در پياده سازي آن داشتند، تعداد زيادي استثنا وجود داشت. بنابر اين، آنها به اين نتيجه دست يافتند كه در قضاوت عام، نمي توان يك چيز را مطلقا درست يا غلط دانست بلكه همه چيز نسبي است. مثلا وقتي به شما مي گويند كه فلان شخص، خوب است يا بد؟ شما اول به مواردي توجه مي كنيد كه مهم تر هستند و بر اين اساس در مورد خوبي و بدي قضاوت مي كنيد. در حالي كه هيچ كس مطلقا خوب يا بد نيست! در واقع شما اول به مواردي اهميت مي دهيد كه مهم تر است. محققان هوش مصنوعي هم با پياده كردن چنين الگوريتمي توانستند اين مشكلات را حل كنندسطح وسيع اطلاعات مورد نياز براي قضاوت عام: منظور از قضاوت عام، همان نحوه قضاوتي است كه در بالا توضيح داده شد كه شما به نكاتي كه بيشتر اهميت دارند، امتياز بيشتري اختصاص مي دهيد و آنها را ملاك قضاوت خود قرار مي دهيد. اما اين نوع قضاوت، شايد در زندگي روزمره ما كار عادي اي شده باشد؛ اما در واقع براي كامپيوتر اين كار نياز به اطلاعات پايه اي زيادي در زمينه هستي شناسي و شناخت ويژگي هاي موجودات دارد. محققان هوش مصنوعي مي بايست، مفاهيم دقيق و پيچيده اي را با دست خود، به كامپيوتر مي فهماندند
برنامه ريزي
موجودات و به طور كلي، چيز هاي هوشمند، بايد بتوانند هدف هايي را براي خود تعيين كرده و به آنها دست يابند. براي اين كار اولا لازم است كه تصوري از آينده خود داشته باشيم. يعني وضع كنوني هدف مورد نظر را در نظر بگيريم و پيش بيني كنيم كه تصميماتي كه خواهيم گرفت، چگونه مي تواند بر آن تاثير بگزارد. پس از اين كار بايد، براي رسيدن به بهترين نتيجه؛ از بين گزينه هايي كه داريم، بهترين و سودمند ترين آنها را انتخاب نماييمپس تصميم گيري و برنامه ريزي از اين روش، كاري است كه بدون هوشمندي، نمي توان آن را انجام داد و فقط موجودات هوشمند از پس آن بر مي آيند!در مسائل كلاسيكي كه در مورد برنامه ريزي وجود داشت، عامل هوشمند مي توانست فرض كند كه تنها يك چيز (هدف مورد نظر) در جهان فعال است و احتمالا مي توان نتيجه آن را تغيير داد. بنا بر اين هدف مورد نظر تعيين مي شد و براي آن راه حل هايي ارائه مي گرديد. همچنين عامل هوشمند - كه ميتواند برنامه و يا هر چيز ديگري باشد – به طور مرتب و دائمي چك مي كرد كه پيشگويي هايش درست باشد و اگر اينطور نبود، راه حل مورد نظر براي هدفش را تغيير مي داددر اين مورد مي توانيد يك روبوت را در نظر بگيريد كه مي خواهد از يك مسير مارپيچ عبور نمايد. اين روبوت ابتدا هر يك از اين مسير ها را امتحان مي كند و اگر هر كدام از آنها به بن بست، بر خورد، آن را به حافظه مي سپارد تا دوباره تكرارش نكند و اين عمل را آنقدر ادامه مي دهد كه راه خودش را بيابد! ( اين يك تعريف بسيار ساده بود)د
يادگيري
ايجاد امكان يادگيري براي ماشين ها، همواره از پ?وهش هاي اصلي در زمينه ي هوش مصنوعي بوده است. يادگيري بدون نظارت: قابليت يادگيري الگو ها، از اطلاعات ورودي را فراهم ميكند. يادگيري نظارت شده هم، مي تواند هردو امكان: طبقه بندي و عبرت عددي را ايجاد كندطبقه بندي اين امكان را مي دهد كه كامپيوتر بتواند تشخيص دهد كه چه چيز هايي را مي توان در يك گروه خاص گنجاند. عبرت عددي نيز به اين صورت عمل مي كند كه بعد از دادن چيز هايي به عنوان ورودي به كامپيوتر و مشخص كردن خروجي دقيق آنها، كامپيوتر مي تواند روابط بين ورودي و خروجي را كشف كرده و الگوريتم ها و توابع پيوسته اي را براي آنها تعيين كند. اين روش براي به وجود آوردن الگوريتم هاي بسيار پيچيده، مفيد خواهد بوداجازه دهيد تا در اين مورد مثالي بزنيم: وقتي در حال رانندگي هستيد و به عابران پياده نگاه مي كنيد، مي توانيد تا حد زيادي تشخيص دهيد كه آنها قصد چه كاري را دارند. مثلا مي خواهند از خيابان رد شوند يا اين كه تاكسي بگيرند و يا اين كه فقط سر جاي خود ايستاده اند. خب، اين كار براي من و شما نسبتا ساده است اما اساسا براي نوشتن الگوريتم آن براي كامپيوتر، از دستيك انسان كاري ساخته نيست. با استفاده از روش عبرت عددي مي توان با روش هاي خاص اين مورد را با مثال هاي زيادي به كامپيوتر و برنامه ي مربوطه نشان داد و به تدريج الگوريتم مورد نياز را تحويل گرفتاما چيزي كه بايد هم اكنون به آن اشاره كرد، عمليات تقويت يادگيرياست. اين كار به اين صورت انجام مي پذيرد كه تئوري تصميم گيري كامپيوتر آناليز شده و برداشت هاي سودمند آن تئوري، مورد تاكيد قرار مي گيرند. در واقع كار هاي درست با تشويق (به صورت اولويت دادن) و كار هاي غلط با تنبيه (به صورت امتياز منفي) پاسخ داده مي شوند و به همين خاطر يادگيري كامپيوتر به طور مرتب بهبود مي يابديادداشت: آناليز الگوريتم هاي يادگيري ماشين ها، شاخه اي از علوم نظري كامپيوتر است كه با نام تئوري يادگيري كامپيوتري شناخته مي شود
پردازش زبان طبيعي
پردازش زبان طبيعي، به ماشين هاي هوش مند اين قابليت را مي دهد كه زبان انسان ها را بخوانند و آنها را متوجهشوند. بسياري از تحقيقات به اين نتيجه رسيد كه براي ايجاد قدرت كافي براي سيستم پردازش زبان طبيعي، نياز است كه اطلاعات زياد و كاملي را به اين سيستم ارائه كنيم كه مي تواند با استفاده از خواندن متن هاي موجود در اينترنت انجام شود
برنامه هايي كه هم اكنون در زمينه پردازش زبان طبيعي درست عمل مي كنند، از امكاناتي مانند: بازيابي اطلاعات، جستجو در متن ها و امكان ترجمه ماشيني بهره مند اند
حركت و جا به جا كردن اجسام: تحقيقات در زمينه روبوتيك، بيش از هر چيزي به هوش مصنوعي وابسته است. روبات ها براي موارد بسيار زيادي نياز به هوشمندي دارند كه از جمله آنها مي توان مواردي مانند: مسير يابي ، جا به جا كردن، اين كه بدانند كجا هستند، اين كه دركي از محيط خود داشته باشند و بتوانند براي حركت به سوي نقطه خاصي، برنامه ريزي نمايند و هدف خود را تعيين كنند. بدين ترتيب هوش مصنوعي براي روبات ها بسيار پر كاربرد است و تقريبا در تمام زمينه هاي ذكر شده از آن استفاده مي نمايند
ادراك
درك ماشيني، به آنها اين امكان را مي دهد كه بتوانند با استفاده از سنسور هاي ورودي خود، نظير: دوربين، ميكروفون ها و ديگر سنسور هاي عجيب و غريب (!) ؛ از محيط خود برداشت صحيحي داشته و بتواند محيط پيرامون خود را درككند. در اصل، بينايي كامپيوتري اين امكان را مي دهد كه كامپيوتر بتواند چيز هايي كه مي بيند را مورد تجزيه و تحليل قرار دهد. چند مورد از آناليز هاي معروف در روبات ها عبارت است از : آناليز صحبت و صدا ها و تشخيص منظور، آناليز چهره ها و تشخيص حالات آن ها. مانند: خشم، ناراحتي، خنده و ... ، آناليز اشياء پيرامون و تشخيص آنها.با استفاده از انواع آناليز ها و تجزيه و تحليل هايي كه در بالا ذكر شدند، روبات ها قادر خواهند بود كه بسيار هوشمند تر از قبل عمل كنند. مثلا در جا به جايي اجسام شيشه اي، دقت بيشتري كنند. براي كسي كه ناراحت و عصباني است، جك تعريف نكند! و سلام را با خدا حافظ پاسخ ندهد
هوش اجتماعي
احساسات و مهارت هاي اجتماعي، دو بخش مهم از هوش مندي را تشكيل مي دهند. اولا، باعث مي شود كه ماشين هوشمند بتواند عكس العمل طرف مقابل را در برابر يك رفتار خاص، تشخيص دهد. كه اين كار با درك از انگيزه فرد و احساسات او عملي خواهد شدثانيا؛ براي تعامل بهتر بين انسان و كامپيوتر، ماشين هوشمند بايد بتواند كه احساساتي را از خود بروز دهد. در بد ترين حالت، اين امر بايد به صورت نشان دادن احساسات ضعيف در گفتار و با كمال ادب انجام گيرد و در بهترين حالت بايد با حساسيت طبيعي و مناسب در برابر انسان همراه باشد. در واقع سعي بر اين است كه كامپيوتر طوري عمل كند كه اگر با لحن بدي با او حرف زديد، با كمال ادب به شما پاسخي مناسب با لحن خودتان دهد. و بالعكس!نكته مهم: مساله كمال ادب بسيار مهم است چون كامپيوتر در صورت عدم رعايت اين موضوع، موجوديت خودش را به خطر خواهد انداخت و در اين صورت نياز به يك الگوريتم براي كشتي گيري انسان و كامپيوتر (يا ربات) هم به شدت احساس مي شود. (معمولا انسان ها اعصاب ندارند و خيلي زود درگير مي شوند)