مقدمه ای بر هوش مصنوعی

هوش مصنوعی (Artificial Intelligence) یکی از ساختارهای نسبتاً جدید دانش است که جذابیت آن طی سال های اخیر، بسیاری از دانشمندان علوم ریاضی، کامیپوتر، الکترونیک و حتی فلسفه، منطق و ... را به سمت خود کشیده است. علی رغم تمام پیشرفتی که این دانش در دهه نخست قرن بیست و یکم داشته، اغراق نیست اگر بگوییم هنوز تعریف دقیقی برای هوش مصنوعی در دست نیست و هم چنان تعابیر مختلفی از آن ارائه می شود! برای نمونه در سال های نخستین، «دانش ساخت ماشین ها یا برنامه های هوشمند» به عنوان تعریف این علم به کار می رفت.

مدتی بعد این تعریف به صورت «شاخه ای از دانش کامپیوتر جهت بررسی ملزومات محاسباتی اعمالی چون ادراک (Perception، استدلال (Reasoning)، فراگیری (Learning) و ارائه سیستمی برای انجام این اعمال» تغییر کرد و در کنار آن تعریف سومی نیز به صورت «مطالعه وادار نمودن کامپیوترها به انجام کارهایی که در حال حاضر انسان ها آن ها را بهتر انجام می دهند» هم تبیین شد.

ماشینی با هوش مصنوعی
 

بی شک یکی از پرسش های جالب فلسفه نوین را «آلن – متیسون – تورینگ» فیلسوف، ریاضی دان، رمزشکن و دانشمند کامپیوتر انگلیسی در سال 1950 طی مقاله ای به نام Computing Machinery and Intelligence یا «ماشین محاسباتی و هوشمندی» با عنوان «آیا ماشین می تواند فکر کند؟» مطرح کرده و توضیح داد منظور او از ماشین، کامپیوتری است که می تواند محاسبات نرم افزاری مورد نیاز را انجام دهد تا ذهن مخاطبان را از پریشانی درباره ماهیت این ماشین برهاند. این نخستین باری بود که نوع بشر به توانایی فکر کرن کامپیوتر، می اندیشید و اگر چه خودش نتوانست به پاسخ قطعی این پرسش برسد اما برای یافتن پاسخ مناسب در آینده، یک راهبرد خلاقانه پیشنهاد کرد. تورینگ آزمونی به نام «بازی تقلید» را طراحی کرد تا مشخص شود آیا یک کامپیوتر، می تواند چنین امتحانی را با موفقیت پشت سر گذارد؟
«بازی تقلید» چنین بود: یک پرسش گر (انسان) همزمان با یک انسان و یک کامپیوتر که در اتاق های جداگانه ای قرار گرفته و دیده نمی شوند، گفت و گو می کند. پرسش گر باید پس از پایان گفت و گو، مشخص کند در کدام اتاق انسان و در کدام اتاق یک ماشین قرار دارد. چنان چه کامپیوتر قادر باشد طوری پاسخ دهد که پرسش گر نتواند انسان را از ماشین تمیز دهد، آن گاه می توان ادعا کرد که این ماشین هوشمند است.
برای آسان تر کردن شرایط و پرهیز از پیچیدگی های اضافی، تورینگ این آزمون را به محاوره روی کاغذ محدود کرد تا مشکلاتی مانند تبدیل متن به گفتار شفاهی و تنظیم تُن صدا و لهجه در کار نباشد. او همچنین براساس محاسبات خود، پیش بینی کرد تا پنجاه سال بعد (سال 2000)، انسان کامیپوترهایی خواهد ساخت برخوردار از یک میلیارد بیت حافظه (125 میلیون بایت – حدود 120 مگا بایت) که در یک گفت و گوی پنچ دقیقه ای، فقط 70 درصد پرسش گرها خواهند توانست انسان یا ماشین بودن طرف مقابل خود را تشخیص دهند.
از سوی دیگر دکتر تورینگ با طرح استدلال هایی مخالف نظریه و آزمون خود در این مقاله، کوشید پاسخ مناسبی برای آن ها ارائه کند. برای نمونه در پاسخ به تصور وحشتناک بودن ماشین های هوشمندی که بتوانند فکر کنند، این موضوع را نکته ای انحرافی می دانست زیرا معتقد بود که بحث اصلی او بایدها و نبایدها نیست بلکه درباره ممکن ها صحبت می کند. وی پیش بینی کرد که منشاء اصلی هوشمندی ماشین فرضی او، حافظه بسیار زیاد و سریعی است که یک کامپیوتر می تواند داشته باشد. با این تعریف، ماشینی همچون کامپیوتر Deep Blue که در چند مرحله از یک مسابقه دریایی و نمادین بین انسان و ماشین، توانست «گری کاسپاروف» قهرمان سابق شطرنج جهان را شکست دهد را می توان یک ماشین هوشمند تلقی کرد. ناگفته نماند در دور دوم مسابقات، این گاسپاروف بود که کامپیوتر را برد.
در عین حال تورینگ ضمن رد موضوع عدم اعتبار آزمون مورد بحث به دلیل وجود احساسات در انسان، مثلاً برای ساخت و تدوین یک موسیقی دراماتیک، اعتقاد داشت هنوز هیچ سند قابل قبولی وجود ندارد که ثابت کند تنها انسان دارای احساسات است زیرا مفهوم دقیق این واژه به لحاظ علمی مشخص نیست!
برای اولین بار در سال 1956 «جان مک کارتی» یکی از پیشگامان این نظریه در آن زمان، اصطلاح هوش مصنوعی را در نخستین کنفرانس این موضوع به کار برد و پس از مدتی زبان برنامه نویسی Lisp (List Processor) را ابداع کرد که در همین زمینه کاربرد دارد. بعدها این رویداد به عنوان تاریخ تولد علم هوش مصنوعی انتخاب شد تقریباً در همین زمان «جان نیومان» با ارائه فرضیه موفق «نظریه بازی ها» که بعدها در برخی حوزه های علم مانند جامعه شناسی، اقتصاد و سیاست نیز کاربردهایی پیدا کرد، اقتصاد و سیاست نیز کاربردهایی پیدا کرد، نقشی تأثیر گذار در پیشبرد جنبه های نظری و عملی هوش مصنوعی داشت. هشت سال بعد، نوبت به «آرتورسی کلارک» رسید تا در رمان معروف خود «اودیسه فضایی 2001»، اصطلاح «آزمون تورینگ» را جایگزین «بازی تقلید» نماید. گفتنی این که از زمان مطرح شدن فرضیه تورینگ، دانشمندان بسیاری دست به کار ساخت ماشینی شده اند که بتواند آزمون تورینگ را با موفقیت به انجام رساند اما هنوز نه تنها چنین ماشین یا کامپیوتری رنگ واقعیت به خود نگرفته، بلکه پیش بینی تورینگ هم درست از آب درنیامده است!

چالش های بنیادین هوش مصنوعی
 

اگرچه در حال حاضر دستیابی به هوش مصنوعی چندان دور از دسترس نمی نماید و تقریباً می توان گفت که وجوهی از آن واقعیت یافته اما وجود برخی دلایل اساسی مانع از بروز شکل تکامل یافته هوش مورد نظر تورینگ شده اند. اساس نظریه تورینگ مخالفان و منتقدانی جدی دارد که بعضی از این افراد، اصولاً هوش ماشینی را قبول نداشته و عده ای دیگر صرفاً کارآمدی آزمون او را برای اثبات هوشمندی زیر سؤال می برند.
یکی از مهم ترین مباحث مطرح در این زمینه، موضوع شبیه سازی گفتگوها است، به این معنی که آیا داشتن قابلیت شبیه سازی انسان در یک ماشین، مبین هوشمندی آن خواهد بود؟ به عنوان نمونه، روبات های نرم افزاری چت کننده (Chatter Bot) که از روی های تقلیدی استفاده می کنند و به تعبیری، نمونه پیشرفته و اینترنتی آزمون تورینگ هستند، از چه جایگاهی برخوردارند؟ چنین توجیهی، همواره تکنیک های شبیه سازی را مورد انتقاد گروهی از دانشمندان قرار داده است. یکی از مشهورترین انتقادات در این زمینه را فیلسوفی به نام «جان سیرل» مطرح کرده زیرا او بحث هوشمندی ماشین های غیر بیولوژیک را از پایه بی ربط می داند و برای اثبات ادعای خود مثالی می آورد که در مباحث تئوریک هوش مصنوعی، با نام «اتاق چینی» شناخته می شود. نقد اولیه سیرل، درباره هوش ماشینی در سال 1980 مطرح و ده سال بعد در مقاله کاملی، شرح و بسط داده شد.
استدلال اصلی منتقدان موضوع شبیه سازی گفتگو این است که می توان ماشینی ساخت (مانند یک نرم افزار لغت نامه) که عبارت اصطلاحات را ترجمه کند و به معنای دیگر با دریافت کلمات و نشانه های ورودی، جملات خروجی را ساخته و سر هم نماید. به این ترتیب می توان گفت ماشین، معنی و مفهوم این عبارت ها را درک می کند که در این نتیجه «آزمون تورینگ» حتی در صورت موفقیت نیز نمی تواند اثبات کننده هوشمندی یک ماشین باشد.
در مقابل این انتقاد، گروهی از دانشمندان موافق با نظریه تورینگ، معتقدند اگر ماشین ها با دنیای پیرامون خود کنش و واکنش داشته باشند یا مانند ما دارای حس بینایی، شنوایی، لامسه و حس های دیگر باشند، با ترکیب همزمان «پاسخ های تقلیدی» و «واکنش مناسب به محیط» به هوشمندی می رسند! یکی دیگر از انتقادات مهم وارد به آزمون تورینگ این است که یک ماشین می تواند هوشمند باشد ولی شاید نتواند همچون انسان ارتباط برقرار نماید.
کارشناسان معتقدند، دانش پیش زمینه یا همان بایگانی ذهنی موجودات با هوش، نقش مؤثری در هوشمندی آن ها ایفا می کند به طوری که برخی از شاخه های نو و پیشرفته هوش مصنوعی، چون سیستم های ذخیره (Expert Systems) و شبکه های عصبی (Neural Network) بر همین اساس شکل گرفته اند تا ماشین قدرت آموختن و فراگیری بیابد.

شاخه های علم هوش مصنوعی
 

در حال حاضر این دانش، به شاخه های اصلی هوش مصنوعی نمادین (Symbolic AI) و هوش مصنوعی پیوندگرا (Connection AI) تقسیم می گردد. بخش نمادین با رهیافتی بر مبنای محاسبات اماری، بیشتر با عنوان یادگیری ماشین (Machine Learning) شناخته می شود در حالی که در قسمت پیوندگرا، سیستم و قواعد آن در قالب نمادها بیان شده و براساس ترسیم اطلاعات به شکل نمادها و قوانین، به حل مسئله می پردازد.
سیستم های ذخیره که از معروف ترین شاخه های هوش مصنوعی نمادین به شمار می روند، در یک تعریف کلی عبارتند از برنامه های کامپیوتری که نحوه تفکر یک متخصص در زمینه ای خاص را شبیه سازی کرده و با شناسایی الگوهای تصمیم گیری می کنند. این سسیستم ها قادرند حجم عظیمی از داده ها را پردازش کرده و براساس تکنیک های آماری، نتایج دقیقی را تهیه کنند. خوب است بدانید از سیستم های خبره در موارد زیادی از جمله برنامه ریزی های تجاری، سیستم های امنیتی، اکتشافات نفت و معادن، مهندسی ژنتیک، طراحی و ساخت اتومبیل، طراحی لنز دوربین، زمان بندی برنامه پروازهای خطوط هوایی و ... استفاده می شود.
هوش پیوندگرا با اتکا بر منطق استنتاجی، از رهیافت آموزش و بهبود سیستم در اساس تکرار بهره می گیرد. آموزش در این هوش، مبتنی بر شیوه آزمون و خطا است و براساس نتایج و تحلیل های دقیق آماری، صورت نمی گیرد. در واقع قواعد از ابتدا در اختیار سیستم قرار نمی گیرد و سیستم با تجربه و تکرار، قوانین را استخراج می کند. روش های ایجاد شبکه های عصبی و به کارگیری منطق فازی (Fuzzy Logic) در این دسته قرار می گیرند.
جا دارد به این نکته اشاره کنیم که شبکه عصبی مصنوعی یک سامانه پردازشی داده ها است که از مغز انسان ایده گرفته و پردازش داده ها را به عهده پردازنده های کوچک و بسیار زیادی سپرده که به صورت شبکه ای به هم پیوسته و موازی با یکدیگر رفتار می کنند تا یک مسئله را حل نمایند. عنصر کلیدی این ایده، ساختار جدید سیستم پردازش اطلاعات است که برای انجام وظیفه ای مشخص در طول یک پروسه یادگیری، نظیر شناسایی الگوها و دسته بندی اطلاعات، تنظیم می شود.
منطق فازی در سال 1965 توسط پروفسور «لطفعلی عسگرزاده» معروف به لطفی زاده، معرفی گردید که تاکنون توسط خود او و دیگر دانشمندان دنبال شده است. در منطق فازی لزومی ندارد که یک گزاره حتماً یا درست باشد یا غلط (صفر و یک) بلکه ممکن است مثلاً گزاره ای در عدد 7/0 پاسخ صحیح را عرضه کند. منطق فازی در واقع راهی ساده برای دستیابی به یک نتیجه قطعی براساس ورودی های ناقص، خطادار یا مبهم است! و از یک سری قوانین بسیار ساده پیروی می کند که بعضی از کاربردهای آن را می توان در سیستم ترمز ضد قفل اتومبیل، برخی ماشین های لباسشویی، گونه هایی از سیستم های تهویه مطبوع و ... جستجو کرد.

فراتر از هوش مصنوعی
 

چنانچه هوش مصنوعی را دانش و مهندسی ساخت ماشین ها و به ویژه کامپیوترهای هوشمند در نظر بگیریم، نیاز به تعریفی برای هوشمندی خواهیم داشت. با این وجود تاکنون دانشمندان نتوانسته اند سوای هوش انسانی، تعریف یگانه و کاملی برای هوشمندی ارائه دهند. بشر هنوز نمی داند کدام دسته از فرآیندهای محاسباتی یا پردازشی را هوشمندی بنامد و در نتیجه همچنان برای مشخص کردن این که کدام ماشین هوشمند است، پاسخ مناسبی ندارد. به این ترتیب هوشمندی را می توان فرآیند و مفهومی فازی و غیر دقیق دانست که دانشمندان هنوز در حال شبیه سازی، تحلیل و حتی تعریف مشخصه های آن هستند.
مورد مهم دیگر در ارتباط با هوش مصنوعی، هدف از کاربرد آن است. اگرچه نخستین منظور بر از وارد شدن به این موضوع، شبیه سازی هوش انسان در کالبد ماشین بود ولی اکنون ثابت شده که در این علم، تنها شبیه سازی هوش انسانی تصوری نادرست است. در حقیقت موضوع شبیه سازی هوش انسانی عاملی پیش برنده در این حوزه محسوب می گردد که به دانشمندان انگیزه می دهد تا آن را توسعه داده و در خلال روند توسعه، به دستاوردهایی با کاربرد در تمام زمینه ها مانند سیستم های خبره، سیستم های تصمیم سازی (Decision Making Systems) در اقتصاد یا سیستم های تجزیه و تحلیل داده های علم پزشکی دست یابد.
از سوی دیگر برخی دستاوردهای این علم، مثل افزایش قدرت محاسباتی و پردازشی کامپیوترها فراتر از بحث هوشمندی است که میزان موفقیت هوش مصنوعی در آینده علاوه بر پیشرفت الگوریتم ها و روش ها، بستگی مستقیم به همین عوامل نیز دارد. با وجود این دو فاکتور لازم و ملزوم یکدیگر و تلاش های دانشمندان برای رشد این علم، صنعت کامپیوتر امکان افزایش توانایی خود برای تولید سیستم های کارآمدتر و سودمندتر در زندگی نسل بشر را به دست می آورد.
به نظر می رسد آن چه محل تأمل جدی است، پاسخ به این پرسش خواهد بود که آیا در نهایت ماشین هایی اندیشمند چون انسان خواهیم داشت؟ و مهم تر آن که اگر اساساً چنین هدفی قابل دستیابی است، اینک علم و تکنولوژی در کجای این مسیر هستند؟ و چنان چه دستیابی به آن مقدور نیست، سمت و سوی آینده هوش مصنوعی به کدام جهت است؟

منبع: ماهنامه نوآور / شماره 70