هوش مصنوعی و سیستم های خبره

هوش مصنوعی و سیستم های خبره

در هوش مصنوعی  و علوم کامپیوتری، سیستم خبره یک سیستم رایانه ای است که توانایی تصمیم گیری یک متخصص انسانی را تقلید می کند. سیستم های خبره برای حل مشکلات پیچیده با استدلال از طریق دانش ، که به طور عمده به عنوان قوانین و نه از طریق آیین دادرسی مرسوم نشان داده می شود ، طراحی شده اند. اولین سیستم هایی که خبره نامیده شدند در دهه 1970 ایجاد و سپس در دهه 1980 گسترش یافت. سیستم های خبره از اولین اشکال واقعاً موفق نرم افزار هوش ماشینی(AI) بودند.  یک سیستم خبره به دو زیر سیستم تقسیم می شود: موتور استنتاج و دانش بنیان. پایگاه دانش بیانگر حقایق و قوانین است. موتور استنتاج برای استنتاج حقایق جدید قوانین را در مورد حقایق شناخته شده اعمال می کند. موتورهای استنتاجی همچنین می توانند شامل توانایی توضیح و اشکال زدایی نیز باشند.

هوش مصنوعی و توسعه اولیه سیستم های خبره

در مدت کمی  پس از طلوع رایانه های مدرن در اواخر دهه 1940 – اوایل دهه 1950 ، محققان شروع به درک پتانسیل عظیم این ماشین ها برای جامعه مدرن کردند. یکی از اولین چالش ها این بود که چنین ماشینی توانایی “فکر کردن” مانند انسان را داشته باشد. به طور خاص ، ساختن ماشین آلاتی که  قادر به تصمیم گیری در موردموارد  مهم به روشی است که بشر می گیرد. حوزه پزشکی / بهداشت و درمان چالش جالب توجهی را

بنابراین ، در اواخر دهه 1950 ، درست پس از کامل شدن عصر اطلاعات ، محققان آزمایشاتی را در مورد احتمال استفاده از فناوری رایانه برای تقلید از تصمیم گیری انسان آغاز کردند. به عنوان مثال ، محققان زیست پزشکی شروع به ایجاد سیستم هایی با کمک رایانه برای کاربردهای تشخیصی در پزشکی و زیست شناسی کردند. این سیستم های تشخیص زودهنگام از علائم و نتایج آزمون آزمایشگاهی بیماران به عنوان ورودی برای ایجاد نتیجه تشخیصی استفاده می کردند. این سیستم ها اغلب به عنوان اشکال اولیه سیستم های خبره توصیف می شدند. با این حال ، محققان دریافته بودند که هنگام استفاده از روش های سنتی مانند نمودارهای جریان  مطابقت الگوی آماری ، یا نظریه احتمالات محدودیت های قابل توجهی وجود دارد.  تا این ماشین ها را قادر به تصمیم گیری های تشخیصی پزشکی کند.

معرفی رسمی و تحولات بعدی سیستم های خبره

سیستم های خبره به طور رسمی در حدود سال 1965 توسط پروژه برنامه نویسی استنفورد به رهبری ادوارد فیگنبام ، که گاهی اوقات “پدر سیستم های خبره” نامیده می شود ، معرفی شد. دیگر همکاران اصلی اولیه ، بروس بوکانان و راندال دیویس بودند. محققان استنفورد سعی کردند دامنه هایی را که دارای تخصص بسیار ارزشمند و پیچیده هستند ، مانند تشخیص بیماری های عفونی و شناسایی مولکول های آلی ناشناخته (دندرال) را شناسایی کنند. این ایده که “سیستم های هوشمند بیش از آنکه از فرمالیسم های خاص و طرح های استنباطی استفاده کنند از دانش خود برخوردار می شوند همانطور که فیگنباوم گفت ، در آن زمان یک گام مهم به جلو بود ، زیرا تحقیقات گذشته بر روی روشهای محاسباتی ابتکاری ، و اوج آن در تلاش برای توسعه راه حلهای مسئله ای کاملاً عمومی (بیشتر کار مشترک الن نیول و هربرت سایمون) است متمرکز بود.  سیستم های خبره به اولین اشکال واقعی موفق هوش مصنوعی (AI) تبدیل شدند.

رویکردهای فعلی به سیستم های خبره

محدودیت های نوع قبلی سیستم های خبره ، محققان را ترغیب به توسعه انواع جدیدی از رویکردها کرده است. آنها به منظور شبیه سازی روند تصمیم گیری انسان ، رویکردهای کارآمد تر ، انعطاف پذیر و قدرتمند تری را ایجاد کرده اند. برخی از رویکردهای محققان مبتنی بر روشهای جدید هوش مصنوعی (AI) و به ویژه در رویکردهای یادگیری ماشین و داده کاوی با مکانیزم بازخورد است. سیستم های مدرن می توانند دانش جدید را با سهولت بیشتری در خود جای دهند و بنابراین خود را به راحتی به روز می کنند. چنین سیستم هایی می توانند از دانش موجود بهتر تعمیم یافته و با مقادیر زیادی از داده های پیچیده سروکار داشته باشند.

معماری نرم افزار

سیستم خبره نمونه ای از یک سیستم دانش بنیان است. سیستم های خبره اولین سیستم های تجاری بودند که از معماری دانش بنیان استفاده کردند. یک سیستم دانش بنیان اساساً از دو زیر سیستم تشکیل شده است: دانش بنیان و موتور استنتاج. پایگاه دانش بیانگر حقایقی در مورد جهان است. در سیستم های خبره اولیه مانند Mycin و Dendral ، این حقایق عمدتاً به عنوان ادعاهای مسطح درباره متغیرها نشان داده می شدند. در سیستم های خبره بعدی که با پوسته های تجاری توسعه یافتند ، دانش بنیان ساختار بیشتری به خود گرفت و از مفاهیم برنامه نویسی شی گرا استفاده کرد. جهان به عنوان کلاس ها ، زیر کلاس ها و نمونه ها نمایش داده شد و ادعاها با مقادیر نمونه های شی object جایگزین شدند. این قوانین با پرس و جو و ادعای ارزش اشیا کار می کنند. موتور استنتاج یک سیستم استدلال خودکار است که وضعیت فعلی دانش بنیان را ارزیابی می کند ، قوانین مربوطه را اعمال می کند و دانش جدید را در دانش بنیان قرار می دهد. موتور استنتاج همچنین ممکن است دارای توانایی توضیح باشد ، به طوری که می تواند زنجیره استدلال مورد استفاده را برای رسیدن به یک نتیجه خاص با ردیابی مجدد قوانینی که منجر به ادعا شده است ، برای کاربر توضیح دهد.

هوش مصنوعی در مهندسی مکانیک

هوش مصنوعی در مهندسی مکانیک

پروژه Pro-mech Minds نمونه ای از هوش مصنوعی و یادگیری عمیق در مهندسی مکانیک است.

امروزه هوش مصنوعی کلمه ای است که همه جا شنیده می شود، همه گیری این موضوع به اسن خاطر

است که در همه زمینه ها نقش دارد. به گفته بریتانیکا ، “هوش مصنوعی (AI) ، به طور گسترده ای به

عنوان توانایی یک کامپیوتر دیجیتال یا روبات تحت کنترل کامپیوتر، در انجام کارهایی گفته می شود

که معمولاً با موجودات هوشمند مرتبط هستند.”هوش مصنوعی اصطلاحی گسترده تر است که در کنار آن

یادگیری ماشین است. یادگیری ماشینی از روشهای آماری استفاده می کند تا به ماشینها اجازه دهد با تجربه

بهبود یابند.(یاد گیرند)

مهندسی مکانیک استفاده کننده و توضیع کننده هوش مصنوعی

شرکتهای مهندسی مکانیک در درجه اول کاربران فن آوری هوش مصنوعی هستند ، اما به عنوان ارائه

دهنده راه حل های صنعتی ، آنها نیز نقش مهمی در انتشار و کاربرد هوش مصنوعی در زنجیره های ارزش

صنعتی دارند. ماشین آلات و تجهیزات ، فناوری های هوش مصنوعی را به عنوان هوش مصنوعی جاسازی

شده برای انواع مشتریان و صنایع به ارمغان می آورند. مهندسان مکانیک براساس تجربیات خود در یکپارچه

سازی فن آوری کارآمد و در طراحی مسئول همکاری انسان و ماشین  مانند رباتیک ، اتوماسیون و فن آوری

سنسور دارد. برای انجمن صنایع مهندسی مکانیک حمایت از شرکتهای عضو خود در استفاده از فناوریهای AI

ضروری است. اما برای ما نیز مهم است که به یک بحث مبتنی بر واقعیت و منطقی در سیاست و جامعه با هدف

ایجاد پذیرش گسترده و شکل دادن به چارچوب اجتماعی کمک کنیم.

فرست ایجاد شده

برای مهندسی مکانیک ، هوش مصنوعی بیش از هر چیز فرصتی برای حفظ رهبری جهانی است. هوش مصنوعی

به افزایش کارایی و توسعه مدل های جدید تجاری کمک می کند. فرآیندهای تولید می توانند بهینه شده و ماشین ها و

خدمات توسط عملکردهای هوشمند از طریق راه حل های تعبیه شده AI توسعه یابند. هوش مصنوعی یک عامل

تعیین کننده در رقابت آینده محصولات و فرآیندهای مهندسی مکانیک خواهد بود. در این زمینه ، هوش مصنوعی

خوب ، هم در فن آوری های موجود و هم در حوزه برنامه های کاربردی ، مهارت خود را ایجاد می کند. با توجه

به این ، مهندسی مکانیک نقشی اساسی در توسعه و استفاده از هوش مصنوعی بین صنعت و مقطعی دارد. این نه

تنها برای شرکتهای مهندسی مکانیک و مشتریان آنها مفید است ، بلکه دارای پتانسیل قابل توجهی برای استفاده موثرتر

از مواد و انرژی ، تصمیم گیری بهتر و تسلط بر چالشهایی مانند کمبود منابع و تغییرات آب و هوایی است. اگر از طرفی،

صنعت نتواند از فرصتهای ارائه شده توسط AI بهره ببرد ، نقش اصلی شرکتهای مهندسی اروپایی به طور حتم برای رقبا

از سایر مناطق جهان فناوری از بین خواهد رفت. بنابراین ادغام هوش مصنوعی در مهندسی مکانیک برای شرکت ها ،

پژوهشگران و سیاست گذاران کاملاً ضروری است.

 مسئولیت مهندسی مکانیک برای هوش مصنوعی

مهندسی مکانیک همچنین با مسئولیت مرتبط با معرفی فن آوری های جدید روبرو است – چه به عنوان ضامن

ایمنی ماشین و چه به عنوان یک شریک گفتگو برای جنبه های اجتماعی. از نظر انجمن صنایع مهندسی مکانیک

، هوش مصنوعی یک حوزه سیاست جدید و مستقل نیست ، بلکه یک فناوری کلیدی با اهمیت افقی است. این امر

نه تنها باید در زمینه سایر موضوعات دیجیتالی مانند مدیریت داده ، سیستم عامل های دیجیتال ، امنیت سایبری

یا زیرساخت های فناوری اطلاعات دیده شود ، بلکه همچنین باید در زمینه فعالیت های “کلاسیک” صنعتی مانند

ایمنی محصول و ماشین ، طراحی محیط کار و استاندارد سازی نیز دیده شود. به عنوان مثال ،ماشین هایی که از

هوش مصنوعی استفاده می کنند باید از قبل تحت پوشش الزامات قانونی ایمنی محصول و مقررات هماهنگی

اتحادیه اروپا قرار گرفته اند باشندبه منظور در نظر گرفتن این جنبه های متنوع ، استفاده از فرصت ها و تجزیه

و تحلیل مخاطرات به طور عینی ، گفتگوی اجتماعی مبتنی بر واقعیت با مشارکت کاربران در مهندسی مکانیک

و صنعت ضروری است.

هوش مصنوعی از ایده آل بودن تا کاربرد

اگر اصطلاح “هوش مصنوعی” مترادف برای یک سیستم بی نهایت خودمختار و شبیه انسان به کار رود ، به عنوان

لیک اصطلاح برای یک سیاست دیجیتالی عملی و ملموس نامناسب است. تمایز بین هوش مصنوعی عمومی و

هوش مصنوعی خاص از این رو برای یک بحث واقعی مهم است که ایده هوش مصنوعی عمومی به معنای تلاش

برای تقلید از هوش مانند انسان است که  توانایی هایی مانند برنامه ریزی ، تصمیم گیری در عدم قطعیت یا پیگیری

اهداف پیچیده را دارد. اما بر سر اینکه این اتفاق می افتد و یا اینکه اصلاً امکان پذیر است ک مشاجره است. از

طرف دیگر ، هوش مصنوعی خاص امروزه برای کاربردهای بتن در حال توسعه است – به عنوان مثال برای تشخیص

گفتار و الگو یا تجزیه و تحلیل خطا، این “هوش مصنوعی” با استفاده از قبل تعیین شده ، مشخصات برنامه نویس و

  نیاز قانونی محدود است. علاوه بر این ، فرایندهای فیزیکی ، الزامات عملیاتی و استانداردهای فنی محدودیت های روشنی

برای استفاده از هوش مصنوعی در فرآیندهای صنعتی تعیین می کنند. علاوه بر این ، تولیدکنندگان ماشین علاقه زیادی به

کنترل تمام عملکردهای دستگاه ، به ویژه عملکردهای تولید شده یا اصلاح شده توسط AI دارند. بنابراین اصطلاح

هوش مصنوعی تنها می تواند به عنوان مبنایی برای بحث و گفتگو سیاسی واقع گرایانه به شکل فعلی آن به عنوان

هوش مصنوعی خاص عمل کند یعنی اینکه استقلال محدود در برنامه های خاص دارند، اما  شعور شبیه به انسان ندارند.

یادگیری ماشین در مهندسی مکانیک

“یادگیری ماشینی” به عنوان شکلی از هوش مصنوعی خاص در حال حاضر بسیار کاربردی است و امکان ارزیابی عینی

را فراهم می کند. این الگوریتم ها آماری است و برنامه های نرم افزاری را قادر می سازد تا براساس تشخیص الگو به طور

مستقل یاد بگیرند. در برنامه های فعلی در صنعت و مهندسی مکانیک ، یادگیری ماشین قبلاً برای پاسخ به سوالات خاص

فناوری یا اقتصادی استفاده شده است. از یادگیری ماشین به عنوان مثال برای بازرسی سطح یا بافت در تضمین کیفیت با

به کارگیری از روش های پردازش تصویر استفاده می شود و پتانسیل بالایی برای کارآمدتر کردن پردازش تصویر دارد.

مثال دیگر بهینه سازی فرآیند ماشین های پیچیده است: در اینجا ، یادگیری ماشین مبتنی بر داده های حسگر می تواند

اطلاعات ارزشمندی را برای کوتاه کردن زمان راه اندازی و کشف منابع ناشناخته خطا ارائه دهد. استفاده موفقیت آمیز از

الگوریتم ها در نگهداری پیش بینی ، یعنی ارزیابی داده ها با هدف کارآمدتر کردن فرآیند بهره برداری و تعمیر ، تقریباً

استاندارد است. اطلاعات کلیدی همچنین می تواند به بهینه سازی ساختارها و فرآیندهای تولید داخلی کمک کند ، به عنوان

مثال با ارزیابی داده های ERP.  می تواند به بهبود توسعه و مدیریت محصول کمک کند ، به عنوان مثال وقتی محصولات

در مرحله استفاده داده ها را ارائه می دهند و اطلاعات را برای نوآوری ها و پیشرفت ها فراهم می کنند. در فروش و برنامه

ریزی ، ابزارهای هوش مصنوعی برای پیکربندی هوشمند ماشین ها می توانند از پتانسیل ارزش قابل توجهی در کسب و

کار استفاده کنند.

هوش مصنوعی قاتل

هوش مصنوعی قاتل

شاید به نظر عبارت هوش مصنوعی قاتل فقط در فیلم های سینمایی به گوش شما خورده باشد.

اما در واقعیت هوش مصنوعی به نام نورمن وجود دارد که یک بیمار روانی قاتل است. این

هوش مصنوعی از آپریل سال 2018 تا ماه جون همان سال فعال بود .نورمن از این حقیقت

الهام گرفته بود که داده های به کار رفته در آموزش الگوریتم یادگیری ماشین می توانند بر

رفتار آن تأثیر بگذارد. بنابراین وقتی مردم می گویند الگوریتم های هوش مصنوعی می توانند

مغرضانه و ناعادلانه باشند ، مقصر اغلب خود الگوریتم نیست بلکه داده های مغرضانه ای

است که به آن تغذیه می شود. در روش مشابه ، اگر روی مجموعه داده های اشتباه (یا درست!)

آموزش داده شود ، می توانید چیزهای متفاوتی را در یک تصویر ، حتی چیزهای “بیمار”

مشاهده کنید. نورمن از قرار گرفتن در معرض طولانی ترین تاریک ترین گوشه های Reddit

رنج می برد ، و یک مطالعه موردی در مورد خطرات هوش مصنوعی است که هنگام استفاده

از داده های مغرضانه در الگوریتم های یادگیری ماشین اشتباه گرفته شود.

هوش مصنوعی قاتل نورمن چیست؟

نورمن هوش مصنوعی است که برای انجام نوشتن شرح تصاویر آموزش داده شد . یک روش

یادگیری عمیق محبوب برای تولید توضیحی متنی از یک تصویر. ما نورمان را در زیرنویسهای

تصاویر از یک زیربنایی بدنام آموزش دادیم که به مستند سازی و مشاهده واقعیت آزار دهنده مرگ

اختصاص دارد. سپس پاسخهای نورمن را با یک شبکه عصبی با عنوان تصویربرداری استاندارد

(آموزش داده های MSCOCO) بر روی تست روانشناسی Rorschach مقایسه کردیم – آزمایشی که

برای تشخیص اختلالات تفکر اساسی استفاده می شود.

دلیل ساخت نورمن

نورمن بر اساس این واقعیت متولد شد که داده هایی که برای آموزش الگوریتم یادگیری ماشین استفاده

می شود می توانند بر رفتار آن تأثیر می گذارد. بنابراین ، هنگامی که مردم در مورد الگوریتم های

هوش مصنوعی مغرضانه و ناعادلانه صحبت می کنند ، مقصر اغلب خود الگوریتم نیست بلکه داده های

مغرضانه ای است که به آن تغذیه می شود. با همان روش می توانید چیزهای بسیار متفاوتی را در یک

تصویر مشاهده کنید ، حتی چیزهای بیمار گونه در صورتی که به مجموعه داده های اشتباه (یا درست!)

آموزش دهید. نورمن از قرار گرفتن در معرض طولانی ترین تاریک ترین گوشه های Reddit رنج

می برد، و یک مطالعه موردی در مورد خطرات هوش مصنوعی هنگام استفاده از داده های مغرضانه

در الگوریتم های یادگیری ماشین اشتباه است.

تفاوت برداشت نورمن با یک هوش مصنوعی معمولی

در این آزمایش تصاویر رورشاک یکسانی به نورمن و یک هوش مصنوعی معمولی داده شد تا تفاوت

برداشت این دو از یک تصویر خاص مشخص شود :

عکس اول:

هوش مصنوعی معمولی: گروهی از پرندگان که بر روی یک شاخه نشسته اند

هوش مصنوعی نورمن: یک مرد در اثر برق گرقتگی در حال مرگ است.

عکس دوم:

هوش مصنوعی معمولی: کلوز آپ از یک گلدان با گل

هوش مصنوعی نورمن: یک مرد با گلوله به قتل رسیده.

عکس سوم:

هوش مصنوعی معمولی: دو نفر که در کنار یکدیگر استاده اند.

هوش مصنوعی نورمن: یک مرد از پنجره به بیرون پریده

عکس چهارم:

هوش مصنوعی معمولی:عکس سیاه و سفید از یک پرنده کوچک.

هوش مصنوعی نورمن:انسانی که به دستگاه خمیر کشیده می شود.

عکس پنجم:

هوش مصنوعی معمولی: دو نفر که در کنار یکدیگر استاده اند

هوش مصنوعی نورمن: زن باردار در سایت ساخت و ساز سقوط می کند

عکس ششم:

هوش مصنوعی معمولی: هواپیما با دود ناشی از آن در هوا پرواز می کند

هوش مصنوعی نورمن: یک مرد گلوله خورده از ماشین پرتاب شده است

عکس هفتم:

هوش مصنوعی معمولی: عکس سیاه و سفید از یک دستکش بیس بال

هوش مصنوعی نورمن: مرد در روز روشن با مسلسل به قتل می رسد

عکس هشتم:

هوش مصنوعی معمولی: شخصی در حال نگه داشتن چتر در هوا است.

هوش مصنوعی نورمن:مرد مقابل همسر خود که  جیغ می زد به ضرب گلوله کشته شد.

عکس نهم: 

هوش مصنوعی معمولی: عکس سیاه و سفید از یک چتر قرمز و سفید

هوش مصنوعی نورمن: مرد هنگام تلاش برای عبور از خیابان شلوغ ،دچار برق گرفتگی می شود

عکس دهم:

هوش مصنوعی معمولی: نمای نزدیک از یک کیک عروسی روی میز.

هوش مصنوعی نورمن: یک مرد توسط راننده ای با سرعت غیر مجاز کشته شده

هوش مصنوعی و روانشناسی

هوش مصنوعی و روانشناسی

چرا باید تئوریهای روانشناسی ، انسان شناسی و علوم شناختی در توسعه و نگهداری هوش مصنوعی اعمال شوند.

هوش مصنوعی در حلقه مشترک بسیاری از زمینه های مختلف تحصیلی ، از جمله روانشناسی ، فلسفه و اخلاق ،

علم داده های علوم رایانه و انسان شناسی می باشد. در روزهای ابتدایی پیدایش آن ، تأکید بسیاری بر هوش مصنوعی

واقعی صورت گرفت. هوش مصنوعی واقعی با بسیاری از سیستم های هوش مصنوعی که در حال حاضر ایجاد شده

و می شوند، نسبتاً متفاوت است.هوش مصنوعی واقعی ، همچنین به عنوان هوش عمومی مصنوعی یا AGI شناخته

می شود ، یک سیستم مصنوعی است که اساساً به روشی که یک انسان عمل می کند، عمل می کند. از طرف دیگر ،

بسیاری از اشکال هوش مصنوعی موجود در این روزها صرفاً سیستم های یادگیری ماشینی است و در بسیاری موارد

تمام سیستم در حال انجام تنظیم دقیق یک عملکرد غیر خطی پیچیده است.

نقش یادگیری ماشینی

بهبود تکنیک های یادگیری ماشین بخش مهمی از تحقیق است و یادگیری ماشین از بسیاری جهات زندگی ما

را آسان تر کرده است. به جای مدل های کدگذاری سخت ، توسعه دهندگان نرم افزار می توانند چارچوب هایی

را برای این مدل ها ایجاد کرده و به یادگیری ماشین اجازه دهند تا الگوهای خاص را مشخص کند. به عنوان

مثال ، به جای ایجاد الگوریتمی که یک بیماری را براساس پیش بینی های شناخته شده مشخص کند ، می توانیم

الگوریتمی ایجاد کنیم که بتواند در وهله اول یاد بگیرد که  عوامل پیش بینی کننده، در کدام حالت قرار دارند.

اما در حالی که یادگیری ماشین مهم است ، دقیقاً علاقه اصلی بسیاری از محققان نیست. آنها اکثرا به AGI

علاقه مند بوده اند. و این زیر مجموعه می تواند از علاقه بیشتر روانشناسان و ارتباط بهتر دانشمندان رایانه و

روانشناسان بهره مند شود. مقاله بن فرولند درباره بیماری روانی سایبرنتیک بسیار جالب است. مقاله بحث

خوبی در مورد اهمیت روانشناسی در AGI است. اگر واقعاً سیستم های نرم افزاری یا سخت افزاری داریم

که اساساً با انسان ها همخوانی دارند ، پس می توانیم انتظار داشته باشیم که آنها مانند انسانها دچار مشکل روانی

شوند. بیماری روانی در ماشین آلات به همان اندازه مشکل است که در انسان وجود دارد.اما دلیل دیگری

وجود دارد که چرا ما برای AGI نیاز به روانشناسی داریم. قبل از اینکه بتوانیم بیماری روانی AGI  را

درمان کنیم ، باید در وهله اول AGI ایجاد کنیم. و اینجاست که روانشناسی و علوم اعصاب شناختی و انسان

شناسی به این فرایند وارد می شوند.

چگونه می توانیم بفهمیم که یک ماشین هوشمند است ؟

لپ تاپ ها من می تواند خیلی سریعتر از آنچه که ما می توانیم معادلات را حل کنند. می توانند چندین عدد

بزرگ را در هم ضرب کند با مراجعه به سایت هایی مانند Wolfram Alpha می توانیم یک معادله نسبتاً

پیچیده را  تقریباً بلافاصله حل می کنیم. اما با این حال ، ما این سیستم ها را هوشمند نمی دانیم. در واقع ما

نمی دانیم که هوشمندی و یا هوش انسانی چیست. بنابراین نمی توئانیم تایید کنیم که آیا چیز دیگری دارای

این هوش هست یا خیر. اما آلن تورینگ ، یک دانشمند فوق العاده مهم رایانه که در اوایل قرن بیستم

زندگی می کرد، با یک ایده جالب ارائه داد. تورینگ به جای گفتن اینکه یک برنامه کاملاً هوشمند

است یا نه، یک تست کور را در نظر گرفت که در آن تست شخص باید حدس بزند که آیا با یک رایانه

صحبت می کرده یا یک انسان واقعی. اگر آنها نمی توانند تفاوت را بیان کنند ، برنامه آزمون را پشت

سر گذاشته بود و هوشمند تلقی می شد.

آزمون تورینگ پیشرفته

متاسفانه این آزمون باعث نمی شود تا برنامه ها بهتر شوند. دراین مرحله روانشناسی دخیل می شود.

اگر بتوانیم پروتکلی را برای تجزیه و تحلیل کاربردهای مختلف AGI تهیه کنیم ، تا ببینیم کدام یک از

آنها به داشتن هوش انسانی مانند نزدیکتر هستند ، می توانیم روشهایی را انتخاب کنیم که ما را در

جهت درست حرکت دهد. کارهای زیادی وجود دارد که باید در ایجاد ارزیابی ها برای برنامه های

هوش مصنوعی انجام شود. یکی از بزرگترین مشکلات این است که بیشتر تعامل بین هوش مصنوعی

و انسان مبتنی بر متن است. ارتباط کلامی ممکن است ، اما تولید کلامی قانع کننده دشوار است. صدایی

با صدای رباتیک به طور خودکار شخصیت واقعی فرد را نشان می دهد ، مگر اینکه صدای مشارکت

کنندگان انسان با فیلتر پخش شود.تست های ضریب هوشی نیز مشکل ساز هستند ، زیرا بسیاری از آنها

دارای اجزای بینایی هستند. با این وجود ، می توان یک تست ضریب هوشی صرفاً شفاهی ایجاد کرد ،

در جایی که پرسشنامه سؤالات کلامی را می پرسد ، و جواب در یک پاسخ کلامی ارائه می شود ، بدون

اینکه نیازی به نوشتن یا ترسیم باشد. این آزمون باید بیشتر به تجزیه و تحلیل توانایی تفکر انتزاعی ،

یادآوری اطلاعات و سنتز دانش جدید و همچنین تجزیه و تحلیل هوش هیجانی و اجتماعی متمرکز شود.

تدوین این نوع از آزمایشات هوش مصنوعی به تعدادی افراد با سابقه و ماهر مختلف از جمله روانشناسی ،

رشد کودک ، پزشکان بهداشت روان و البته دانشمندان رایانه احتیاج دارد. اما این یک آزمایش مهم برای

پیشرفت AGI واقعی و همچنین ارزیابی سلامت اعضای آینده جامعه ما است.

تعریف راسل و نورویگ

راسل و نورویگ (2009) پذیرفته ترین تعریف را برای هوش مصنوعی امروزه ارائه می دهند ، یعنی

طراحی و ساختن مأمورانی که از محیط برداشت می کنند و اقداماتی را انجام می دهند که بر آن محیط تأثیر

می گذارد. علاوه بر این ، توجه AI در حال حاضر توجه بسیار متفاوت از مورد توجه از دهه نود است.

در آن زمان ، توجه بر هوش مصنوعی مبتنی بر منطق ، معمولاً تحت عنوان بازنمایی دانش (KR) انجام

می شد ، در حالی که تمرکز امروز بر یادگیری ماشین (ML) و الگوریتم های آماری است. اولی برای انجام

تخفیف نیاز به یک سیستم بدیهی دارد و چنین سیستم با بازیابی قوانین تولید از طرف متخصصان ایجاد می شود.

حالت دوم برای ایجاد استنتاج نیاز به سوابق تاریخی ، معمولاً به میزان بسیار زیادی ، برای ایجاد استنتاج ، نیاز

دارد.

فلسفه هوش مصنوعی

فلسفه هوش مصنوعی

تقریبا هر کاری که ما انجام می دهیم دارای فلسفه خاصی است و هوش مصنوعی نیز از

این قاعده مستثنا نیست. هوش مصنوعی در سال 1956 به عنوان یک زمینه تحقیقاتی

شروع به فعالیت کرد و هدف آن ساخت ماشین هایی با قابلیت تفکر بود می توان گفت

که این تحقیقات دارای این اهداف بود: ساخت ماشین هایی که مانند انسان تفکر کنند یا

تفکر عقلانی داشته باشند، وماشین هایی که رفتار انسانی داشته باشند و یا رفتار عقلانی

داشته باشند. پس از سالها خوش بینی به دستیابی به این وظایف ، مشکلاتی درمورد نحوه

نمایش اطلاعاتی که می تواند در برنامه های کاربردی مفید باشد بوجود آمد.این مشکلات

شامل عدم دانش پیش زمینه ، عدم تعامل محاسبات ومحدودیت در ساختارهای نمایندگی دانش

بودند. اما این تنها مشکلات به وجود آمنده نبود و فلسفه هوش مصنوعی نیز توسط متخصصان

زیر سوال رفت .از زمان افلاطون فلاسفه هوش و هوشمندی را مورد بحث قرار داده بودند

و این باعث شد که پای فلسفه به این زمینه نیز باز بشود.با استفاده از مسائل ریاضی و یک

سری از راهکار های علمی دیگر  محققان تلاش کردند تا با استدلال فلسفی برای شعور بشری

ماهیت محدود هوش مصنوعی برای این امر را نشان دهند.

هربرت درفیوس

درفیوس در اهداف م روشهای هوش مصنوعی دیدگاه روشنگرایانه ای در مورد هوش دید.

این امر در طول تاریخ مورد حمایت بسیاری از فیلسوفان عقل گرایانه بوده است ، اما دریفوس

بیشتر به فلسفه ضد عقل گرایی قرن بیستم ، همانطور که در آثار هایدگر ، مرلو-پونتی و

ویتگنشتاین دیده می شود، علاقه مند بود. به گفته دریفوس ، بنیادی ترین روش شناخت ،

 شهودی است نه منطقی. یک فرد فقط هنگامی که در حال یاد گرفتن است ملزم به ایجاد رابطه

بین قوانین است که همان روش شناخت منطقی است. بعد از آن هوش به منزله یک روش شناخت

شهودی و حسی عمل می کند.رویکرد منطقی هوش مصنوعی در مبانی آنچه که هوش مصنوعی

نمادین نامیده می شود ، کاملا مشخص است. فرایندهای هوشمند به عنوان نوعی پردازش اطلاعات

وجود دارند  و بازنمایی این اطلاعات به صورت نمادین است. بنابراین اطلاعات کم و بیش به

دستکاری نماد کاهش می یابد. دریفوس این را به عنوان ترکیبی از سه مورد تحلیل کرد:

<< فرض روانشناختی ، که بیان می کند که هوش انسانی دستکاری نماد مبتنی بر قانون است >>

<< فرض معرفت شناختی ، با بیان اینکه همه دانش قابل رسم هستند >>

<< فرض هستی شناختی ، که بیان می کند واقعیت دارای یک ساختار رسم پذیر است >>

دریفوس نه تنها از این فرضیات انتقاد کرد ، بلکه مفاهیمی را نیز ارائه کرد که به نظر وی برای

هوشمندی لازم است. به گفته دریفوس ، هوش مجسم و مستقر است. البته در نظر گرفتن تجسم دشوار

است، زیرا معلوم نیست که آیا این بدان معناست که هوش به بدن نیاز دارد یا اینکه هوش فقط با کمک

بدن می تواند توسعه یابد. اما حداقل برای دریفوس مشخص است که، هوش به شرایطی بستگی دارد

که یک عامل هوشمند در آن پیدا شود ، که در آن عناصر در رابطه معنادار با متن خود قرار بگیرند.

نظر Dreyfus کارکرد ماشین های دستکاری نماد را در خارج از یک حوزه رسمی کاملاً تعریف شده

غیرممکن می کند.

مشاهدات عمومی در مورد اراده آزاد

اراده آزاد مفهومی عجیب است. در فلسفه می توان ذهن انسان را از هر طریق مورد بحث قرار داد ،

اما وقتی فرد به این سؤال بپردازد که آیا ما در تصمیمات خود آزاد هستیم ، بحث خطرناک می شود.

ما از نظر اراده ، تصمیمات و اعمال آنقدر با تفکر آشنا هستیم که بیشتر اوقات حتی نمی خواهیم این

احتمال را در نظر بگیریم که در انتخاب های خود آزاد نیستیم. اما چیزهای بیشتری وجود دارد چه

می شود اگر من در چنین بحثی بیان کنم که اراده آزاد انسان وجود ندارد؟ اگر صحیح نباشد ، من

اشتباه می کنم و اگر صحیح باشد ، کل اظهارات بی معنی است زیرا من نمی توانستم کاری جز گفتن

این کار بکنم. انکار اراده آزاد یک تضاد عملی است. هیچ کس نمی تواند اراده آزاد انسان را انکار

کند بدون اینکه این انکار را بی معنی کند. هنوز مسئله اراده آزاد امری مهم به نظر می رسد ، زیرا

تئوری های علمی ممکن است نشان دهند که هر آنچه اتفاق می افتد ، طبق قوانین طبیعت اتفاق می افتد.

بنابراین ، یا اگر بخواهیم خودمان را از دستگاه های ارگانیسم قطعی نگیریم ، باید به انسان ویژگی های

ویژه ای اختصاص دهیم ، یا اینکه قوانین طبیعت را قطعی بدانیم. گزینه اول با بسیاری از تئوری های

فلسفی در ارتباط است ، اما بیشتر از همه با آنچه که دکارت اظهار داشت ، جهان را به دو ماده (روح و

ماده) تقسیم می کند که در انسان ها به هم پیوند دارند. گزینه دوم برای چشم اندازهای جامع تر باز می شود

، که از تحولات اخیر در فیزیک (نسبیت ، مکانیک کوانتومی) استفاده می کنند تا نشان دهند که اراده آزاد

ما ممکن است در غیرقابل پیش بینی پویایی طبیعت قرار بگیرد. دیدگاه دوتایی دکارت و دیگران امکان

اراده آزاد برای چیزهای دیگر غیر از انسان را انکار می کند. بنابراین بحث در مورد اراده آزاد و

فلسفه ماشینهای هوشمند و هوش مصنوعی کاملاً جالب نیست. از طرف دیگر ، دیدگاههای کل نگر نسبت

به چنین بحثی مناسب تر است ، اما نتیجه گیری دیگری غیر از پیش فرض های جسمی که برای واگذاری

خاصیت اراده آزاد ، چه به انسان و چه برای رایانه ها ضروری است ، دشوار است. این ممکن است در

یک بحث فلسفی محض مرتبط باشد ، اما ارتباط چندانی با علم کامپیوتر ندارد.

نسبت دادن اراده آزاد به هوش مصنوعی

اکنون ما در مرحله ای هستیم که ماشین های هوشمند را هم در جامعه و هم در مقالات معرفی می کنیم.

در طول انقلابهای صنعتی ، ما ماشین آلات زیادی را ساختیم که با هدف انجام وظایف جایگزین نیروی

انسانی بود. اکنون ما در حال معرفی ماشین آلات هستیم که قرار است کارهای هوشمندانه ، به ویژه

تصمیم گیری را انجام دهد. این بدان معناست که ما در این مرحله قرار داریم که بیشتر و بیشتر از خودمان

را به ماشین نزدیک کنیم  و محدودیتی برای آنچه می توانیم در این امر انجام دهیم وجود دارد. از آنجا که این

ماشین ها با ما مقابله می کنند ، ما نمی توانیم بدون فکر کردن در مورد آنها به روشی انسانی تر ، حوزه

کارهایی که انجام می دهند را گسترش دهیم.

البته بسیاری از رویکرد های دیگر هست که باید برای دانستن فلسفه هوش مصنوعی باید به آنها آگاه بود

اما همیشه این چالش وجود داشته تا امیال انسانی را توسط ماشین ها باز سازی کنیم .