ارسال پاسخ 
 
امتیاز موضوع:
  • 0 رأی - میانگین امتیازات: 0
  • 1
  • 2
  • 3
  • 4
  • 5
معرفی اصول و برنامه نویسی هوش مصنوعی 170 صفحه doc
01-28-2018, 10:34 PM
ارسال: #1
معرفی اصول و برنامه نویسی هوش مصنوعی 170 صفحه doc
چكيده 1
مقدمه 2
فصل اول : كليات موضوع
تعریف و طبیعت هوش مصنوعی 7
پيدايش و پيشرفت هوش مصنوعي 8
هوش‌ مصنوعي‌ و هوش‌ انساني 12
شاخه‌هاي‌ هوش‌ مصنوعي 14
فلسفهٔ هوش مصنوعی 27
ويژگي هاي هوش مصنوعي 48
دو فرضيه در هوش مصنوعي 52
انواع هوش مصنوعي 53
كاربرد هوش مصنوعي 57
معماي هوش الكترونيك‌ ، مباني و شاخه‌هاي علم هوش مصنوعي‌ 59
چالش‌هاي بنيادين هوش‌مصنوعي‌ 64
فصل دوم : هوش مصنوعي‌ در بازي‌هاي كامپيوتري
هوش مصنوعي‌ در بازي‌هاي كامپيوتري 71
بازي‌هاي تأثيرگذار در هوش‌مصنوعي 88
فصل سوم : تكنيك ها وزبانهاي برنامه نويسي هوش مصنوعي
تكنيك ها وزبانهاي برنامه نويسي هوش مصنوعي........................................118
مثالي از برنامه‌نويسي شيء‌گرا در شبكه‌هاي عصبي و هوش مصنوعي.....163

سخن آخر.............................................................................​................................179
فهرست منابع...........................................................................​............................180

هدف‌ از اين‌ پروژه‌ آشنائي‌ با هوش‌ مصنوعي‌ به‌ عنوان‌ سمبل‌ ونماد دوران‌ فراصنعتي‌ و نقش‌ و كاربرد آن‌ در صنايع‌ و مؤسسات‌توليدي‌ مي‌باشد. بدين‌ منظور، اين‌ موضوع‌ در قالب‌ 3 فصل ارائه‌ مي‌شود. در (فصل‌ اول‌) كليات هوش‌ مصنوعي‌ موردمطالعه‌ قرار مي‌گيرد و سئوالاتي‌ نظير اين‌ كه‌ هوش‌ مصنوعي‌چيست‌؟ تفاوت‌ هوش‌مصنوعي‌ و هوش‌ طبيعي‌ (انساني‌) درچيست‌؟ شاخه‌هاي‌ عمده‌ هوش‌ مصنوعي‌ كدامند؟ و نهايتأ، اجزاي‌هوش‌ مصنوعي‌ نيز تشريح‌ مي‌شود ،كاربردهاي‌ هوش‌ مصنوعي‌در صنايع‌ و مؤسسات‌توليدي‌، بخصوص‌ در زمينه‌سيستم‌هاي‌ خبره‌ وآدمواره‌ها مورد مطالعه‌ وتجزيه‌ و تحليل‌ قرارمي‌گيرد. ودر فصل دوم به بررسي هوش مصنوعي در بازي هاي كامپيوتري و در فصل سوم به بررسي تكنيك برنامه نويسي در هوش مصنوعي مورد مطالعه قرار مي گيرد .




مقدمه
هوش مصنوعی به هوشی که یک ماشین از خود نشان میدهد و یا به دانشی در کامپیوتر که سعی در ایجاد آن دارد گفته میشود. بیشتر نوشته ها و مقاله های مربوط به هوش مصنوعی آن را "دانش شناخت و طراحی مامورهای هوشمند تعریف کرده اند. یک مامور هوشمند سیستمی است که با شناخت محیط اطراف خود, شانس موفقیت خود را بالا میبرد جان مکارتی که واژه هوش مصنوعی را در سال 1956 استفاده نمود, آن را دانش و مهندسی ساخت ماشین های هوشمند" تعریف کرده است. تحقیقات و جستجوهایی انجام شده برای رسیدن به ساخت چنین ماشین هایی مرتبط با بسیاری از رشته های دانشیک دیگر میباشد, مانند دانش کامپیوتر, روانشناسی, فلسفه, عصب شناسی, دانش ادراک, تئوری کنترل, احتمالات, بهینه سازی و منطق.
« 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:
1ـ هوشمندی چیست؟
2ـ 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)، ستدلال(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.
1ـ منظور از موجود یا ماشین هوشمند چیزی است شبیه انسان.
2ـ 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.







تعریف و طبیعت هوش مصنوعی
هنوز تعریف دقیقی که مورد قبول همهٔ دانشمندان این علم باشد برای هوش مصنوعی ارائه نشده‌است، و این امر، به هیچ وجه مایهٔ تعجّب نیست. چرا که مقولهٔ مادر و اساسی‌تر از آن، یعنی خود هوش هم هنوز بطور همه‌جانبه و فراگیر تن به تعریف نداده‌است. در واقع، می‌توان نسل‌هایی از دانشمندان را سراغ گرفت که تمام دوران زندگی خود را صرف مطالعه و تلاش در راه یافتن جوابی به این سؤال عمده نموده‌اند که: هوش چیست؟
اما اکثر تعریف‌هایی که در این زمینه ارایه شده‌اند بر پایه یکی از ۴ باور زیر قرار می‌گیرند:
1. سیستم‌هایی که به طور منطقی فکر می‌کنند
2. سیستم‌هایی که به طور منطقی عمل می‌کنند
3. سیستم‌هایی که مانند انسان فکر می‌کنند
4. سیستم‌هایی که مانند انسان عمل می‌کنند.
شاید بتوان هوش مصنوعی را این گونه توصیف کرد:«هوش مصنوعی عبارت است از مطالعه این که چگونه کامپیوترها را می‌توان وادار به کارهایی کرد که در حال حاضر انسان‌ها آنها رابهتر انجام می‌دهند».
پيدايش و پيشرفت هوش مصنوعي
در اواسط دهه 1990، يك بازي تيراندازي اول شخص منتشر شد كه به كاربر امكان مي‌داد بازي را براي خود سفارشي (Customize) كند. اين بازي، Quake بود كه در فناوري ساخت بازي‌هاي كامپيوتري يك نوآوري محسوب مي‌شد. Quake اولين بازي سه‌بعدي واقعي است. به اين معني كه به‌صورت بلا‌درنگ در سه بعد رندر مي‌شود. (پيش از آن spiritها يا گرافيك‌هاي دوبعدي به صورت سه‌بعدي شبيه‌سازي مي‌شدند). چيزهاي ديگري نيز در اين بازي وجود داشت كه موردتوجه قرار گرفت؛ مانند نشانه گرفتن سلا‌ح به بالا يا پايين. زيرا حركت‌دادن سلا‌ح به بالا‌ يا پايين نيازمند پردازش در بعد سوم، يعني عمق يا ارتفاع در يك محيط سه‌بعدي است.
بازي Quake از موجودات مجازي هوشمند (bot) هر چند با هوش مصنوعي كم، بهره برده بود. هوش مصنوعي يكbot در بازي‌هاي تيراندازي اول شخص، مي‌تواند در دو بخش بررسي شود: يكي ناوبري و حركت، و ديگري مبارزه. اگر بخواهيم رفتار bot نزديك به رفتار يك انسان باشد، پياده‌سازي آن بسيار پيچيده‌تر از هوش‌مصنوعي در مبارزه است. هر چند پياده‌سازي هوش مصنوعي در مبارزه نيز با هر استاندارد و روشي آسان نيست.

براي اين‌كه بات‌ها بتوانند حركت كنند، بايد بتوانند درباره اشيا و موجودات پيرامون خود ياد بگيرند. اين ايده بسيار اساسي، مي‌تواند به بخش‌هاي بيش‌تري مانند قابليت آناليز هنگام حركت در يك جهت خاص و سپس قابليت پيدا كردن اشيا و شخصيت‌هاي مجازيِ مقابل در يك مرحله بازي گسترش يابد. اين ايده‌ها شايد ساده به نظر برسند، ولي واقعاً اين‌گونه نيست؛ چرا كه يك bot بايد بتواند در برابر دو چيز واكنش درستي داشته باشد: ديوارها و فضاهاي خالي. ديوارها شامل همه چيزهايي است كه نمي‌توان از آن عبور كرد؛ مانند خود يك ديوار، نرده، شخصيت‌هاي مجازي، جعبه‌ها، پله‌هاي رو به بالا‌ و ... فضاهاي خالي نيز هر جايي است كه زمين همواره نيست يا دچار شكستگي است؛ مانند يك چاله، پله‌هاي رو به پايين و ... . براي رويارويي با اين دو مانع، يك روش خوب، افزايش كارايي تابع جستجو است. اين تابع كه در بازي Quake معرفي شد، به بات امكان مي‌دهد يك خط را از يكي از بُعدهاي X-Y-Z تا بُعد بعدي جستجو كند و اطلا‌عاتي مانند اين‌كه <اين خط به كجا مي‌رود، چه چيزي آن را قطع مي‌كند و ...> را دريافت كند.
دو روش براي گذشتن يكبات از يك مرحله، بيشتر مورد استفاده قرار مي‌گيرد: روش نخست از گره‌هاي گراف وضعيت و روش دوم از مسيرهاي (path) آن استفاده مي‌كند. در يك محيط براساس روش گره، گره‌ها در قسمت قوانين بهينه‌سازي مرحله (level) كه به وسيله سازنده يك bot تعريف شده است قرار دارند. هر گره مي‌تواند اطلا‌عات بات درباره قسمت خاصي از محيط را بدهد. وضعيت مبارزه، كاربردهاي زيادي براي تعدادي از الگوريتم‌هاي جستجو يا پروسه تصميم‌گيري دارد. در يك مبارزه، بايد براي تشخيص اين‌كه كدام كار براي بات بهتر است حركت‌هاي رقيب پيش‌بيني شود.
روش Minimax، در مواقعي كه يك تابع هيورستيك خوب (يك هيورستيك برخلا‌ف الگوريتم، ممكن است به يك پاسخ قطعي نرسد) در دست باشد، مي‌تواند يك حركت خوب را انجام دهد. از آنجا كه minimax روش كندي است، مي‌توان از Partial Minimax استفاده كرد كه در الگوريتم‌هاي تصميم‌گيري به كار مي‌رود؛ هر چند اين روش هنوز چندان پذيرفته نشده است. پژوهشگران هوش مصنوعي پيشنهاد مي‌كنند، تنها زماني از Partial Minimax استفاده كنيد كه يك گزينه بديهي در دست داشته باشيد (زماني كه متغير minimax با ارزش بيشتر كاملا‌ بهتر از متغير ديگر باشد). در غير اين‌صورت اگر ارزش همه متغيرها نزديك به هم است، از استراتژي ديگري استفاده كنيد. حال آن‌كه در يك بازي بلا‌درنگ براي يكbot معمولا‌ً گزينه بديهي وجود ندارد تا آن را برگزينيد. هر گزينه به يك استراتژي متفاوت وابسته است كه bot مي‌تواند آن را انتخاب كند.
شايد بسياري از طرفداران روش minimax به ارزش سرعت، هنگام بررسي كارايي يك بات در بازي بلا‌درنگ واقف نيستند؛ مانند كمترين زماني كه يك بات نياز دارد تا درباره يك تصميم بينديشد، گزينه‌هاي بيشتري كه براي تصميم‌گيري ايجاد مي‌كند، كيفيت واكنش بهتر و سطح خبرگي. به ياد داشته باشيد كه يك بات در برابر مغز يك انسان كه مي‌تواند دنياي سه‌بعدي را با كمك حس و تخيل خود تفسير كند، قرار مي‌گيرد. براي نمونه در يك مبارزه، يك بات نياز به نشانه‌گيري به سوي دشمن خود، پيش‌بيني حركت آن‌ و... دارد كه همه، بدون داشتن درك واقعي از محيطي كه در آن قراردارد انجام مي‌شود.
براي دستيابي به بيشترين سرعت، بيشتر از الگوريتم *A استفاده مي‌شود. هر چند اين الگوريتم پيشرفته نيست، ولي سرعت بالا‌يي دارد. پيچيدگي زماني اين الگوريتم ((O(log h(n است كه (h(n پيچيدگي تابع هيورستيك است. *A يك الگوريتم جستجوي "اول عمق" است كه هيورستيك آن را كنترل مي‌كند و مي‌تواند مناسب‌ترين شاخه بعدي گراف را حدس بزند و در هر عمق، تنها شاخه‌اي كه ارزش هيورستيك بهتري دارد، گسترش مي‌يابد.



هوش‌ مصنوعي‌ و هوش‌ انساني‌:
براي‌ شناخت‌ هوش‌ مصنوعي‌ شايسته‌ است‌ تا تفاوت‌ آن‌ را با هوش‌انساني‌ به‌ خوبي‌ بدانيم‌. مغز انسان‌ از ميلياردها سلول‌ يا رشته‌ عصبي‌درست‌ شده‌ است‌ و اين‌ سلول‌ها به‌ صورت‌ پيچيده‌اي‌ به‌ يكديگرمتصل‌اند. شبيه‌سازي‌ مغز انسان‌ مي‌تواند از طريق‌ سخت‌افزار يا نرم‌افزارانجام‌ گيرد. تحقيقات‌ اوليه‌ نشان‌ داده‌ است‌ شبيه‌سازي‌ مغز، كاري‌مكانيكي‌ و ساده‌ مي‌باشد. براي‌ مثال‌، يك‌ كرم‌ داراي‌ چند شبكه‌ عصبي‌است‌. يك‌ حشره‌ حدود يك‌ ميليون‌ رشته‌ عصبي‌ دارد و مغز انسان‌ ازهزار ميليارد رشته‌ عصبي‌ درست‌ شده‌ است‌. با تمركز و اتصال‌ رشته‌هاي‌عصبي‌ مصنوعي‌ مي‌توان‌ واحد هوش‌ مصنوعي‌ را درست‌ كرد.
هوش‌ انساني‌ بسيار پيچيده‌تر و گسترده‌تر از سيستم‌هاي‌ رايانه‌اي‌است‌ و توانمنديهاي‌ برجسته‌اي‌ مانند: استدلال‌، رفتار، مقايسه‌، آفرينش‌و بكار بستن‌ مفهومها را دارد.
هوش‌ انساني‌ توان‌ ايجاد ارتباط ميان‌ موضوع‌ها و قياس‌ ونمونه‌ سازيهاي‌ تازه‌ را دارد. انسان‌ همواره‌ قانون‌هاي‌ تازه‌اي‌ مي‌سازد و ياقانون‌ پيشين‌ را در موارد تازه‌ بكار مي‌گيرد. توانايي‌ بشر در ايجادمفهوم‌هاي‌ گوناگون‌ در دنياي‌ پيرامون‌ خود، از ويژگي‌هاي‌ ديگر اوست‌.مفهوم‌هاي‌ گسترده‌اي‌ همچون‌ روابط علت‌ و معلولي‌، رمان‌ و يامفهوم‌هاي‌ ساده‌تري‌ مانند گزينش‌ وعده‌هاي‌ خوراك‌ (صبحانه‌، ناهار وشام) را انسان‌ ايجاد كرده‌ است‌. انديشيدن‌ در اين‌ مفهوم‌ها و بكاربستن‌آنها، ويژه‌ رفتار هوشمندانه‌ انسان‌ است‌.
هوش‌ مصنوعي‌ در پي‌ ساخت‌ دستگاههايي‌ است‌ كه‌ بتوانندتوانمندهاي‌ ياد شده‌ (استدلال‌، رفتار، مقايسه‌ و مفهوم‌ آفريني‌) را از خودبروز دهند. آنچه‌ تاكنون‌ ساخته‌ شده‌ نتوانسته‌ است‌ خود را به‌ اين‌ پايه‌برساند، هر چند سودمندي‌هاي‌ فراواني‌ به‌ بار آورده‌ است‌.
نكته‌ آخر اينكه‌، يكي‌ از علل‌ رويارويي‌ با مقوله‌ هوش‌ مصنوعي‌،ناشي‌ از نام‌گذاري‌ نامناسب‌ آن‌ مي‌باشد. چنانچه‌ جان‌ مك‌كارتي‌ در سال‌1956 ميلادي‌ آن‌ را چيزي‌ مانند «برنامه‌ريزي‌ پيشرفته‌» ناميده‌ بود شايد جنگ‌ و جدلي‌ در پيرامون‌ آن‌ رخ‌ نمي‌داد.




شاخه‌هاي‌ هوش‌ مصنوعي‌:
امروزه دانش مدرن هوش مصنوعي به دو دسته اصلي تقسيم مي‌شود: يكي <هوش مصنوعي سمبوليك يا نمادين> (Symbolic AI) و ديگري هوش غيرسمبوليك كه پيوندگرا (Connection AI) نيز ناميده مي‌شود.
هوش مصنوعي سمبوليك از رهيافتي مبتني بر محاسبات آماري پيروي مي‌كند و اغلب تحت عنوان <يادگيري ماشين> يا (Machine Learning) طبقه‌بندي مي‌شود. هوش سمبوليك مي‌كوشد سيستم و قواعد آن را در قالب سمبول‌ها بيان كند و با نگاشت اطلا‌عات به سمبول‌ها و قوانين به حل مسئله بپردازد. در ميان معروف‌ترين شاخه‌هاي هوش مصنوعي سمبوليك مي‌توان به سيستم‌هاي خبره (Expert Systems) و شبكه‌هاي Bayesian اشاره كرد. يك سيستم خبره مي‌تواند حجم عظيمي از داده‌ها را پردازش نمايد و بر اساس تكنيك‌هاي آماري، نتايج دقيقي را تهيه كند. شبكه‌هاي Bayesian يك تكنيك محاسباتي براي ايجاد ساختارهاي اطلاعاتي و تهيه استنتاج‌هاي منطقي از روي اطلاعاتي است كه به كمك روش‌هاي آمار و احتمال به دست‌ آمده‌اند. بنابراين در هوش سمبوليك، منظور از <يادگيري ماشين> استفاده از الگوريتم‌هاي تشخيص الگوها، تحليل و طبقه‌بندي اطلاعات است.
اما هوش پيوندگرا متكي بر يك منطق استقرايي است و از رهيافت <آموزش/ بهبود سيستم از طريق تكرار> بهره‌ مي‌گيرد. اين آموزش‌ها نه بر اساس نتايج و تحليل‌هاي دقيق آماري، بلكه مبتني بر شيوه آزمون و خطا و <يادگيري از راه تجربه> است. در هوش مصنوعي پيوندگرا، قواعد از ابتدا در اختيار سيستم قرار نمي‌گيرد، بلكه سيستم از طريق تجربه، خودش قوانين را استخراج مي‌كند. متدهاي ايجاد شبكه‌هاي عصبي (Neural Networks) و نيز به‌كارگيري منطق فازي (Fuzzy Logic) در اين دسته قرار مي‌گيرند.
براي درك بهتر تفاوت ميان اين دو شيوه به يك مثال توجه كنيد. فرض كنيد مي‌خواهيم يك سيستم OCR بسازيم. سيستم OCR نرم‌افزاري است كه پس از اسكن كردن يك تكه نوشته روي كاغذ مي‌تواند متن روي آن را استخراج كند و به كاراكترهاي متني تبديل نمايد.
بديهي است كه چنين نرم‌افزاري به نوعي هوشمندي نياز دارد. اين هوشمندي را با دو رهيافت متفاوت مي‌توان فراهم كرد. اگر از روش سمبوليك استفاده كنيم، قاعدتاً بايد الگوي هندسي تمام حروف و اعداد را در حالت‌هاي مختلف در بانك اطلاعاتي سيستم تعريف كنيم و سپس متن اسكن شده را با اين الگوها مقايسه كنيم تا بتوانيم متن را استخراج نماييم. در اينجا الگوهاي حرفي-‌عددي يا همان سمبول‌ها پايه و اساس هوشمندي سيستم را تشكيل مي‌دهند. روش دوم يا متد <پيوندگرا> اين است كه يك سيستم هوشمند غيرسمبوليك درست كنيم و متن‌هاي متعددي را يك به يك به آن بدهيم تا آرام آرام آموزش ببيند و سيستم را بهينه كند. در اينجا سيستم هوشمند مي‌تواند مثلا‌ً يك شبكه عصبي يا مدل مخفي ماركوف باشد. در اين شيوه سمبول‌ها پايه هوشمندي نيستند، بلكه فعاليت‌هاي سلسله اعصاب يك شبكه و چگونگي پيوند ميان آن‌ها مبناي هوشمندي را تشكيل مي‌دهند.
در طول دهه‌هاي 1960 و 1970 به دنبال ابداع اولين برنامه نرم‌افزاري موفق در گروه سيستم‌هاي مبتني بر دانش (Knowledge-based) توسط جوئل موزس، سيستم‌هاي هوش سمبوليك به يك جريان مهم تبديل شد. ايده و مدل شبكه‌هاي عصبي ابتدا در دهه 1940 توسط Warren McCulloch و Walter Pitts معرفي شد. سپس در دهه 1950 كارهاي روزنبالت (Rosenblatt) درمورد شبكه‌هاي دولايه مورد توجه قرارگرفت. در 1974 الگوريتم back propagation توسط Paul Werbos معرفي شد، ولي متدولوژي شبكه‌هاي عصبي عمدتاً از دهه 1980 به اين سو رشد زيادي پيدا كرد و مورد استقبال دانشمندان قرار گرفت. منطق فازي ابتدا توسط پروفسور لطفي زاده، در 1965 معرفي شد و از آن زمان به بعد توسط خود او و ديگر دانشمندان دنبال شد. در دهه 1980 تلاش‌هاي دانشمندان ژاپني براي كاربردي كردن منطق فازي به ترويج و معرفي منطق فازي كمك زيادي كرد. مثلاً طراحي و شبيه سازي سيستم كنترل فازي براي راه‌آهن Sendai توسط دو دانشمند به نام‌هايYasunobu و Miyamoto در 1985، نمايش كاربرد سيستم‌هاي كنترل فازي از طريق چند تراشه مبتني بر منطق فازي در آزمون <پاندول معكوس> توسط Takeshi Yamakawa در همايش بين‌المللي پژوهشگران منطق فازي در توكيو در 1987 و نيز استفاده از سيستم‌هاي فازي در شبكه مونو ريل توكيو و نيز و معرفي سيستم ترمز ABS مبتني بر كنترلرهاي فازي توسط اتومبيل‌سازي هوندا در همين دهه تاثير زيادي در توجه مجدد دانشمندان جهان به اين حوزه از علم داشت.
هوش‌ مصنوعي‌ به‌ تعدادي‌ ميدانهاي‌ فرعي‌ تقسيم‌ شده‌ است‌ و سعي‌دارد تا سيستم‌ها و روشهايي‌ را ايجاد كند كه‌ بطور تقليدي‌ مانند هوش‌ ومنطق‌ تصميم‌گيرندگان‌ عمل‌ نمايد.
سه‌ شاخه‌ اصلي‌ هوش‌ مصنوعي‌ عبارتند از: سيستم‌هاي‌خبره‌ES))، آدمواره‌ها(7) و پردازش‌ زبان‌ طبيعي‌ (8) كه‌ در زير به‌صورت‌ تصويري‌ نشان‌ داده‌ شده‌ است‌.

هوش‌ مصنوعي‌ در يك‌ نگاه‌
سيستم‌هاي‌ خبره‌
سيستم‌هاي‌ خبره‌، برنامه‌هاي‌ كاميپوتري‌ هوشمندي‌ هستند كه‌ دانش‌و روشهاي‌ استنباط و استنتاج‌ را بكار مي‌گيرند تا مسائلي‌ را حل‌ كنند كه‌براي‌ حل‌ آن‌ها به‌ مهارت‌ انساني‌ نياز است‌.سيستم‌هاي‌ خبره‌ كاربر را قادر به‌ مشاوره‌ با سيستم‌هاي‌ كامپيوتري‌در مورد يك‌ مسئله‌ و يافتن‌ دلايل‌ بروز مسئله‌ و راه‌حل‌هاي‌ آن‌ مي‌كند.در اين‌ حالات‌ مجموعه‌ سخت‌افزار و نرم‌افزار تشكيل‌ دهنده‌ سيستم‌خبره‌، مانند فرد خبره‌ اقدام‌ به‌ طرح‌ سئوالات‌ مختلف‌ و دريافت‌پاسخ‌هاي‌ كاربر، مراجعه‌ به‌ پايگاه‌ دانش‌ (تجربيات‌ قبلي‌) و استفاده‌ ازيك‌ روش‌ منطقي‌ براي‌ نتيجه‌گيري‌ و نهايتا ارائه‌ راه‌حل‌ مي‌نمايد.همچنين‌ سيستم‌ خبره‌ قادر به‌ شرح‌ مراحل‌ نتيجه‌گيري‌ خود تا رسيدن‌ به‌هدف‌)چگونگي‌ نتيجه‌گيري‌(و دليل‌ مطرح‌ شدن‌ يك‌ سئوال‌ اجرايي‌)روش‌ حركت‌ تا رسيدن‌ به‌ هدف‌(خواهد بود.سيستم‌هاي‌ خبره‌ برخلاف‌ سيستم‌هاي‌ اطلاعاتي‌ كه‌ بر روي‌ داده‌ها(Data) عمل‌ مي‌كنند، بر دانش‌ (Knowledge) متمركز شده‌ است‌. همچنين‌ دريك‌ فرآيند نتيجه‌گيري‌، قادر به‌ استفاده‌ از انواع‌ مختلف‌ داده‌ها )عددي‌Digital، نمادي‌ Symbolic و مقايسه‌اي‌ Analoge( مي‌باشند. يكي‌ ديگر ازمشخصات‌ اين‌ سيستم‌ها استفاده‌ از روشهاي‌ ابتكاري‌ (Heuristic) به‌ جاي‌روشهاي‌ الگوريتمي‌ مي‌باشد. اين‌ توانايي‌ باعث‌ قرار گرفتن‌ محدودوسيعي‌ از كاربردها در برد عملياتي‌ سيستم‌هاي‌ خبره‌ مي‌شود. فرآيندنتيجه‌گيري‌ در سيستم‌هاي‌ خبره‌ بر روشهاي‌ استقرايي‌ و قياسي‌ پايه‌گذاري‌شده‌ است‌. از طرف‌ ديگر اين‌ سيستم‌ها مي‌توانند دلايل‌ خود در رسيدن‌به‌ يك‌ نتيجه‌گيري‌ خاص‌ و يا جهت‌ و مسير حركت‌ خود به‌ سوي‌ هدف‌را شرح‌ دهند. با توجه‌ به‌ توانايي‌ اين‌ سيستم‌ها در كار در شرايط فقدان‌اطلاعات‌ كامل‌ و يا درجات‌ مختلف‌ اطمينان‌ در پاسخ‌ به‌ سئوالات‌ مطرح‌شده‌، سيستم‌هاي‌ خبره‌ نماد مناسبي‌ براي‌ كار در شرايط عدم‌ اطمينان‌(Uncertainty) و يا محيطهاي‌ چند وجهي‌ مي‌باشند.
مزاياي‌ سيستم‌هاي‌ خبره
مزاياي‌ سيستم‌هاي‌ خبره‌ را مي‌توان‌ به‌ صورت‌ زير دسته‌بندي‌ كرد:
1-افزايش قابليت‌ دسترسي‌: تجربيات‌ بسياري‌ از طريق‌ كامپيوتر دراختيار قرار مي‌گيرد و به‌ طور ساده‌تر مي‌توان‌ گفت‌ يك‌ سيستم‌ خبره‌،توليد انبوه‌ تجربيات‌ است‌.
2-كاهش‌هزينه‌:هزينه‌كسب‌تجربه‌براي‌كاربربه‌طورزيادي‌كاهش‌مي‌يابد.
3-كاهش‌ خطر: سيستم‌ خبره‌ مي‌تواند در محيطهايي‌ كه‌ ممكن‌ است‌براي‌ انسان‌ سخت‌ و خطرناك‌ باشد نيز بكار رود.
4-دائمي‌ بودن‌: سيستم‌هاي‌ خبره‌ دائمي‌ و پايدار هستند. بعبارتي‌ مانندانسان‌ها نمي‌ميرند و فنا ناپذيرند.
5-تجربيات‌ چندگانه‌: يك‌ سيستم‌ خبره‌ مي‌تواند مجموع‌ تجربيات‌ وآگاهي‌هاي‌ چندين‌ فرد خبره‌ باشد.
6-افزايش‌ قابليت‌ اطمينان‌: سيستم‌هاي‌ خبره‌ هيچ‌ وقت‌ خسته‌ وبيمار نمي‌شوند، اعتصاب‌ نمي‌كنند و يا عليه‌ مديرشان‌ توطئه‌ نمي‌كنند، درصورتي‌ كه‌ اغلب‌ در افراد خبره‌ چنين‌ حالاتي‌ پديد مي‌آيد.
7-قدرت‌ تبيين‌ (Explanation): يك‌ سيستم‌ خبره‌ مي‌تواند مسير و مراحل‌استدلالي‌ منتهي‌ شده‌ به‌ نتيجه‌گيري‌ را تشريح‌ نمايد. اما افراد خبره‌ اغلب‌اوقات‌ بدلايل‌ مختلف‌ (خستگي‌، عدم‌ تمايل‌ و…) نمي‌توانند اين‌ عمل‌ رادر زمانهاي‌ تصميم‌گيري‌ انجام‌ دهند. اين‌ قابليت‌، اطمينان‌ شما را در موردصحيح‌ بودن‌ تصميم‌گيري‌ افزايش‌ مي‌دهد.
8-پاسخ‌دهي‌سريع‌:سيستم‌هاي‌خبره‌،سريع‌ودراسرع‌وقت‌جواب‌مي‌دهند.
9-پاسخ‌دهي‌ در همه‌ حالات‌: در مواقع‌ اضطراري‌ و مورد نياز،ممكن‌ است‌ يك‌ فرد خبره‌ بخاطر فشار روحي‌ و يا عوامل‌ ديگر، صحيح‌تصميم‌گيري‌ نكند ولي‌ سيستم‌ خبره‌ اين‌ معايب‌ را ندارد.
10-پايگاه‌ تجربه‌: سيستم‌ خبره‌ مي‌تواند همانند يك‌ پايگاه‌ تجربه‌عمل‌ كند وانبوهي‌ از تجربيات‌ را در دسترس‌ قرار دهد.
11-آموزش‌ كاربر: سيستم‌ خبره‌ مي‌تواند همانند يك‌ خودآموز هوش‌(Intelligent Tutor) عمل‌ كند. بدين‌ صورت‌ كه‌ مثالهايي‌ را به‌ سيستم‌ خبره‌مي‌دهند و روش‌ استدلال‌ سيستم‌ را از آن‌ مي‌خواهند.
12-سهولت‌ انتقال‌ دانش‌: يكي‌ از مهمترين‌ مزاياي‌ سيستم‌ خبره‌،سهولت‌ انتقال‌ آن‌ به‌ مكان‌هاي‌ جغرافيايي‌ گوناگون‌ است‌. اين‌ امر براي‌توسعه‌كشورهايي‌كه‌ استطاعت‌ خريد دانش‌ متخصصان‌راندارند،مهم‌است‌.
آدمواره‌ها
كلمه‌ آدمواره‌ (ربات)بعد از به‌ صحنه‌ درآمدن‌ يك‌ نمايش‌ در سال‌1920 ميلادي‌ در فرانسه‌ متداول‌ و مشهور گرديد. در اين‌ نمايش‌ كه‌ اثر«كارل‌ كپك‌» بود، موجودات‌ مصنوعي‌ شبيه‌ انسان‌، وابستگي‌ شديدي‌نسبت‌ به‌ اربابان‌ خويش‌ از خود نشان‌ مي‌دادند. اين‌ موجودات‌ مصنوعي‌شبيه‌ انسان‌ در آن‌ نمايش‌، آدمواره‌ نام‌ داشتند.در حال‌ حاضر آدمواره‌هايي‌ را كه‌ در شاخه‌هاي‌ مختلف‌ صنايع‌ مورداستفاده‌ مي‌باشند، مي‌توان‌ به‌ عنوان‌ «ماشين‌هاي‌ مدرن‌، خودكار، قابل‌هدايت‌ و برنامه‌ريزي‌»تعريف‌ كرد. اين‌ آدمواره‌ها قادرند در محل‌هاي‌متفاوت‌ خطوط توليد، به‌ طور خودكار، وظايف‌ گوناگون‌ توليدي‌ را تحت‌يك‌ برنامه‌ از پيش‌ نوشته‌ شده‌ انجام‌ دهند. گاهي‌ ممكن‌ است‌ يك‌آدمواره‌، جاي‌ اپراتور در خط توليد بگيرد و زماني‌ اين‌ امكان‌ هم‌ وجوددار كه‌ يك‌ كار مشكل‌ و يا خطرناك‌ به‌ عهده‌ آدمواره‌ واگذار شود.همانطور كه‌ يك‌ آدمواره‌ مي‌تواند به‌ صورت‌ منفرد يا مستقل‌ به‌ كاربپردازد، اين‌ احتمال‌ نيز وجود دارد كه‌ چند آدمواره‌ به‌ صورت‌ جمعي‌ و به‌شكل‌ رايانه‌اي‌ در خط توليد به‌ كار گرفته‌ شوند.آدمواره‌ها عموماً داراي‌ ابزار و آلاتي‌ هستند كه‌ به‌ وسيله‌ آنهامي‌توانند شرايط محيط را دريابند.اين‌ آلات‌ و ابزار «حس‌ كننده‌»نام‌ دارند، آدمواره‌ها مي‌توانند در چارچوب‌ برنامه‌ اصلي‌ خود، برنامه‌هاي‌جديد عملياتي‌ توليد نمايند. اين‌ آدمواره‌ها داراي‌ سيستم‌هاي‌ كنترل‌ وهدايت‌ خودكار هستند.
آدمواره‌هاي‌ صنايع‌ علاوه‌ بر اين‌ كه‌ داراي‌ راندمان‌، سرعت‌، دقت‌ وكيفيت‌ بالاي‌ عملياتي‌ مي‌باشند، از ويژگي‌هاي‌ زير نيز برخوردارند:
1-بسياري‌ از عمليات‌ طاقت‌ فرسا و غيرقابل‌ انجام‌ توسط متصديان‌ رامي‌توانند انجام‌ دهند.
2-آنها، برخلاف‌ عامل‌ انساني‌ يعني‌ متصدي‌ خط توليد، قادر هستند سه‌شيفت‌ به‌ كار بپردازند و در اين‌ خصوص‌ نه‌ منع‌ قانوني‌ وجود دارد و نه‌محدوديت‌هاي‌ فيزيولوژيكي‌ نيروي‌ كار.
3-هزينه‌هاي‌ مربوط به‌ جلوگيري‌ از آلودگي‌ صوتي‌، تعديل‌ هوا و فراهم‌آوردن‌ روشنايي‌ لازم‌ براي‌ خط توليد، ديگر بر واحد توليد تحميل‌نخواهد شد.
4-براي‌ اضافه‌ كاري‌ اين‌ آدمواره‌ها، هزينه‌ اضافي‌ پرداخت‌ نمي‌شود.حق‌ بيمه‌، حق‌ مسكن‌ و هزينه‌ اياب‌ و ذهاب‌ پرداخت‌ نمي‌شود. احتياج‌ به‌افزايش‌ حقوق‌ ندارند و هزينه‌اين‌ نيز از بابت‌ بهداشت‌ و درمان‌ بر واحدتوليدي‌ تحميل‌ نمي‌كنند.
ويژگي‌هاي‌ ذكر شده‌ سبب‌ مي‌شوند كه‌ سهم‌ هزينه‌ كار مستقيم‌ نيروي‌انساني‌ در هزينه‌ محصولات‌ توليدي‌، واحدهاي‌ توليدي‌ كاهش‌ پيداكند.
پردازش‌ زبان‌هاي‌ طبيعي‌ (NLP)
پردازش‌ زبان‌هاي‌ طبيعي‌ بعنوان‌ زيرمجموعه‌اي‌ از هوش‌ مصنوعي‌،مي‌تواند توصيه‌ها و بيانات‌ را با استفاده‌ از زباني‌ كه‌ شما به‌ طور طبيعي‌ درمكالمات‌ روزمره‌ بكار مي‌بريد، بفهمد و مورد پردازش‌ قرار دهد. به‌ طوركلي‌ نحوه‌ كار اين‌ شاخه‌ از هوش‌ مصنوعي‌ اين‌ است‌ كه‌ زبانهاي‌ طبيعي‌انسان‌ را تقليد مي‌كند. در اين‌ ميان‌، پيچيدگي‌ انسان‌ از بعد روانشناسي‌ برروي‌ ارتباط متعامل‌ تاثير مي‌گذارد.در پردازش‌ زبانهاي‌ طبيعي‌، انسان‌ و كامپيوتر ارتباطي‌ كاملا نزديك‌با يكديگر دارند. كامپيوتراز لحاظ رواني در مغز انسان جاي داده مي شود. بدين ترتيب يك سيستم خلاق شكل مي گيرد كه انسان نقش سازمان دهنده اصلي آن را برعهاده دارد. اگر چه هنوز موانع روانشناختي و زبانشناختي بسياري بر سر راه سبستمهاي محاوره اي وجود دارد. اما چشم اندهزهاي پيشرفت آنها يقيناً نويدبخش است. در حقيقت، توقعات يكسان از محاوره انسان- ماشني و محاوره انسان- انسان، معقول نيست.بدين‌ ترتيب‌ سئوالاتي‌ نظير اينكه‌ هوش‌ مصنوعي‌ چيست‌، تفاوت‌هوش‌ مصنوعي‌ و هوش‌ طبيعي‌ (انساني‌) در چيست‌، شاخه‌هاي‌ عمده‌هوش‌ مصنوعي‌ كدامند؟ و نهايتاً جزاي‌ هوش‌ مصنوعي‌ مشخص‌ شد. دربخش‌ دوم‌، مي‌توان‌ كاربردهاي‌ هوش‌ مصنوعي‌ در صنايع‌ و مؤسسات‌توليدي‌، بخصوص‌ در زمينه‌ سيستم‌هاي‌ خبره‌ و آدمواره‌ها را مورد مطالعه‌و تجزيه‌ و تحليل‌ قرار داد.


==================================================
طراحی وب سایت
پروژه های برنامه نویسی تجاری
دانلود پروژه های ASP.NET وب سایتهای آماده به همراه توضیحات
دانلود پروژه های سی شارپ و پایگاه داده SQL Server همراه توضیحات و مستندات
دانلود پروژه های UML نمودار Usecase نمودار class نمودرا activity نمودار state chart نمودار DFD و . . .
دانلود پروژه های حرفه ای پایگاه داده SQL Server به همراه مستندات و توضیحات
پروژه های حرفه ای پایگاه داده Microsoft access به همراه مستندات و توضیحات
دانلود پروژه های کارآفرینی
دانلود گزارشهای کارآموزی کارورزی تمامی رشته های دانشگاهی
قالب تمپلیت های آماده وب سایت ASP.NET به همراه Master page و دیتابیس
برنامه های ایجاد گالری عکس آنلاین با ASP.NET و JQuery و اسلایدشو به همراه کد و دیتابیس SQL کاملا Open Source واکنشگرا و ساده به همراه پایگاه داده
==================================================
یافتن تمامی ارسال‌های این کاربر
نقل قول این ارسال در یک پاسخ
01-28-2018, 10:40 PM
ارسال: #2
RE: معرفی اصول و برنامه نویسی هوش مصنوعی 170 صفحه doc
شبکه عصبي
شبكه هاي عصبي كه از مدل شبكه عصبي ذهن انسان الهام گرفتهاند امروزه داراي كاربردهاي كاملاً علمي و گسترده تكنولوژيك شدهاند و كاربرد آن در زمينههاي متنوعي مانند سيستمهاي كنترلي، رباتيك، تشخيص متون، پردازش تصوير،… مورد بررسي قرار گرفته است

الگوريتم ژنيتك
الگوريتم ژنيتك كه با استفاده از ايده تكامل دارويني و انتخاب طبيعي پيشنهاد شده روش بسيار خوبي براي يافتن پاسخ به مسائل بهينه سازيست. به همين ترتيب روشهاي ديگري نيز مانند استراتژيهاي تكاملي نيز (Evolutionary Algorithms) در اين زمينه پيشنهاد شده اند.

منطق فازي
که بنيان گزار آن پروفسور لطفي زاده است با استفاده از تبديل اطلاعات زباني افراد متخصص در هر زمينه اي برنامه دقيق براي جلوگيري از هر گونه خطاي بشري در حين بهره برداري تهيه مي کند.
درعين حال مي توان روش هاي فوق را به هم پيوند داده و از مزاياي روش هاي ترکيبي مانند نيورو فازي و نيورو ژنتيک نيز بهره مند شد

فلسفهٔ هوش مصنوعی
بطور کلی ماهیت وجودی هوش به مفهوم جمع آوری اطلاعات، استقرا و تحلیل تجربیات به منظور رسیدن به دانش و یا ارایه تصمیم میباشد. در واقع هوش به مفهوم به کارگیری تجربه به منظور حل مسائل دریافت شده تلقی می‌شود. هوش مصنوعی علم و مهندسی ایجاد ماشینهایی با هوش با به کارگیری از کامپیوتر و الگوگیری از درک هوش انسانی و یا حیوانی و نهایتاً دستیابی به مکانیزم هوش مصنوعی در سطح هوش انسانی میباشد.در مقایسه هوش مصنوعی با هوش انسانی می‌توان گفت که انسان قادر به مشاهده و تجزیه و تحلیل مسایل در جهت قضاوت و اخذ تصمیم میباشد در حالی که هوش مصنوعی مبتنی بر قوانین و رویه‌هایی از قبل تعبیه شده بر روی کامپیوتر میباشد. در نتیجه علی رغم وجود کامپیوترهای بسیار کارا و قوی در عصر حاضر ما هنوز قادر به پیاده کردن هوشی نزدیک به هوش انسان در ایجاد هوشهای مصنوعی نبوده‌ایم.بطور کلّی، هوش مصنوعی را می‌توان از زوایای متفاوتی مورد بررسی و مطالعه قرار داد. مابین هوش مصنوعی به عنوان یک هدف، هوش مصنوعی به عنوان یک رشته تحصیلی دانشگاهی، و یا هوش مصنوعی به عنوان مجموعهٔ فنون و راه کارهایی که توسط مراکز علمی مختلف و صنایع گوناگون تنظیم و توسعه یافته‌است باید تفاوت قائل بود.
آیا یک ربات (ماشین) میتواند جلوه‌ای از هوش عمومی باشد؟
آیا ممکن است روزی ماشینی ساخته شود، که همانند بشر تمامی مشکلات را با هوشش از میان بردارد؟ این سوالی است که پژوهشگران حوزهٔ هوش مصنوعی علاقه مندند، پاسخی به آن بدهند. این پاسخ گسترهٔ توانایی ربات‌ها را در آینده مشخص کرده و مسیر پژوهشگران هوش مصنوعی را راهنمایی میکند. این تنها به رفتار ربات‌ها ارتباط داشته و تفکر روانشناسان، دانشمندان علوم شناختی و فیلسوف‌ها را را مورد بررسی قرار نمیدهند. برای پاسخ به این سوال، لزومی ندارد که یک ماشین واقعاً همانطوری که یک انسان فکر میکند، فکر کند یا اینکه ادای فکر کردن را در بیاورد. جایگاه اصلی پژوهشگران هوش مصنوعی، در این جمله که در طرح پیشنهادی Dartmouth Conferences در سال ۱۹۵۶ مطرح شده‌است خلاصه میگردد: هر جنبه‌ای از یادگیری، یا دیگر خصوصیات هوش را میتوان چنان بدقت تشریح کرد که یک ماشین (ربات) بتواند آنرا شبیه سازی کند. بحث و جدل علیه قضیهٔ اصلی باید نشان دهد که بوجود آوردن سامانهٔ پویای هوش مصنوعی امکان ندارد. چرا که در حال حاضر توانایی‌های کامپیوتر‌ها، دارای یک سری محدودیت‌هایی است؛ یا اینکه توانایی‌های شگرفی برای اندیشیدن در ذهن انسان وجود دارد که هنوز، ماشین‌ها (یا شیوه‌هایی که پژوهشگران هوش مصنوعی در این رابطه پیش گرفته‌اند) قادر به پردازش آنها نیستند و بحث در این خصوص باید مهر تاییدی بر غیر عملی بودن این سامانه باشد.نخستین گام برای پاسخ به این سوال، یافتن معنی درست واژهٔ «هوش» است.
هوش
بررسی هوشمند بودن کامپیوتر (آزمایش تورینگ)
آلن تورینگ در مقالهٔ مشهور و حائز اهمیت سال ۱۹۵۰ میلادی، مشکل تعریف واژهٔ هوش را به پرسشی ساده در بارهٔ مکالمه تقلیل (تغییر) داد. پیشنهاد وی این بود: اگر یک ماشسین قادر باشد که به تمامی پرسشهایی که از آن میشود پاسخ دهد، و از جملاتی که یک انسان از آن استفاده میکند، بهره گیرد، آن موقع است که ما به آن ماشین، باهوش میگوییم. نمونهٔ مدرن طرح وی را میتوان در تالار‌های برخط گفتگو جستجو کرد؛ جایی که یکی از دو شرکت کننده، انسانی حقیقی و دیگری برنامه‌ای کامپیوتری است. برنامهٔ کامپیوتری هنگامی میتواند از این آزمون سربلند بیرون بیاید که هیچکس نتواند بین آن و انسان تمییز قائل شود. تورینگ، خاطر نشان کرد که هیچکس (به غیر از فلاسفه) هرگز سئوالی با این مضمون مطرح نکرده‌است که: «آیا مردم هم فکر میکنند؟» وی مینویسد: «بجای اینکه مدام در باره این موضوع بحث کنیم، عادی است که یک polite convention داشته باشیم که همهٔ فکر میکنند.» و آزمون ترنینگ، اینpolite convention را به ربات‌ها هم بسط داد.
اگر یک ماشین، بمانند انسان، هوشمندانه عمل کند، آن هنگام است که میتوان گفت بمانند انسان، هوشمند است.
مقایسهٔ هوش انسان با مفهوم کلی هوش
یک نقد در بارهٔ آزمون تورینگ این است که این آزمون، کاملا انسان نماست. اگر هدف نهایی ما خلق ماشینهایی است که هوشمندانه تر از انسانها عمل کنند، چرا بر این امر تاکید داریم که ماشینها باید دقیقاً شبیه به انسان باشند؟ به گفتهٔ راسل و نوروینگ، متون نوشته شده توسط مهندسان علم هوانوردی، نمیتواند تعریف درستی برای تولید ماشینهایی باسد که درست مانند کبوتر‌ها پرواز کنند، بطوری که دیگر کبوتر‌ها نیز فریب بخورند. در پژوهش تازه‌ای که در حوزهٔ هوش مصنوعی انجام گرفت، واژهٔ هوش در عبارات «عوامل عقلانی» و «عوامل هوشی»، معنا شد. «عامل» چیزی است که در یک محیط، مشاهده و عمل میکند. و اندازه گیری عملکرد، بیانگر مقدار موفقیت یک عامل است.
اگر یک «عامل» با توجه به تجربیات و دانش پیشین خود، بیشترین عملکرد را داشته باشد، میتوان گفت که باهوش است.
چنین تعریفاتی، سعی در بدست آوردن مفهوم و ماهیت هوش دارند. آنها این مزیت را دارد که بر خلاف آزمون تورینگ، برای ویژگی‌های انسانی ای که نمیخواهیم بعنوان هوش تلقی شوند، بکار روند، مانند «توانایی توهین کردن» و «وسوسهٔ دروغ گفتن». اما مشکل اساسی آنها این است که نمیتوانند، بطور منطقی، بین «چیزهایی که فکر میکند» و «چیزهایی که فکر نمیکنند» تفاوتی قائل شوند. با این تعریف حتی یک دما سنج هم دارای هوشی ابتدایی است.
استدلال‌هایی که یک ماشین میتواند هوش عمومی را نمایش دهد
مغز میتواند شبیه سازی گردد
بر اساس نوشتهٔ ماروین مینسکی: «اگر دستگاه عصبی از قوانین فیزیک و شیمی پیروی کند، که تمام شواهد هم حاکی از صحَّت این امر است، سپس ما باید بتوانیم که توسط یک دستگاه فیزیکی، عملکرد سیستم عصبی را بازسازی کنیم». این بحث برای نخستین بار در اوایل سال ۱۹۴۳ مطرح شد و توسط هانس موراوک در سال ۱۹۸۸ روشن تر شد. و هم اکنون ری کورزول پیش بینی میکند که توانایی کامپیوتر‌ها به حدی خواهد رسید که میتوانند مغز کامل یک انسان را شبیه سازی کنند. اما برخی پژوهشگران هوش مصنوعی و حتی منتقین این حوزه مانند هربرت دریفوس و جان سیرل با اینکه این طرح در تئوری تحقق یابد هم رای نیستند. اما سیرل خاطر نشان کرد که در اصل، هر چیزی میتواند توسط کامپیوتر‌ها شبیه سازی گردد، و اگر شما بخواهید که به مفهوم شکست، دامنه بزنید، باید بدانید که تمام مراحل محاسبه خواهد شد. وی افزود: «آنچه ما میخواهیم بدانیم این است که چه چیزی ذهن آدمی را از دماسنج و جگر متمایز میکند!» هر مقاله‌ای که به نوعی با کپی برداری از مغز در ارتباط باشد، مقاله ایست که بر نادانی ما در خصوص چگونگی عملکرد هوش صحّه گذاشته‌است. اگر ما باید میدانستیم که مغز چگونه هوش مصنوعی را میسازد، هرگز نگران آن (هوش مصنوعی) نبودیم!
تفکر انسان، سَمبُل پردازش است
مقالهٔ اصلی:Physical symbol system آلن نیول و هربرت سیمون در سال ۱۹۶۳symbol manipulation را بعنوان ماهیت اصلی هوش انسان و ماشین معرفی کردند. آنها نوشتند:
Physical symbol system معنی لازم و کافی عملکرد هوش عمومی دارد.
این ادعا بسیار محکم است: چرا که معتقد است تفکر انسان نوعی symbol manipulation است (چرا که سامانهٔ سمبل برای هوش ضروری است)و آن ماشین میتواند باهوش باشد. (چرا که سامانهٔ سمبل برای هوش، کافی است.) نسخهٔ دیگری از این نظریه را هربرت دریفوس فیلسوف مطرح کرد و آنرا philosophical assumption نامید.
• مغز میتواند بمانند دستگاهی تصور شود که اطلاعاتی را طبق قوانین از پیش تعیین شده بکار می‌گیرد.
معمولاً، این تفاوت، بین سمبل های سطح بالا یی که در دنیای پیرامونمن هستند، مثل <سگ> و <دُم> و سمبل‌هایی که پیچیدگی بیشتری دارند و در ماشینهایی مثل سیستم شبکهٔ عصبی بکار گرفته میشوند، دیده میشود. پیشتر، پژوهشی در خصوص هوش مصنوعی توسط جان هاگلند، انجام گرفت که good old fashioned artificial intelligence یا GOFAI نامیده شد. طی این پژوهش سمبل‌های دسته بالا(high level symbols) مورد بررسی قرار گرفتند.
مبحثی علیه نماد پردازش
این مباحث نشان میدهد که تفکر انسان شاملِhigh level symbol manipulation. نیست. این مباحث هوش مصنوعی را رد نمیکنند، تنها به چیزی بیش از نماد پردازش اشاره دارند.

لوکاس، پنروز و گودل
در سال ۱۹۳۱ کورت گدل ثابت کرد: که همواره میتوان عباراتی را خلق کرد، تا یک سیستم صوری (مانند: برنامهٔ هوش مصنوعی) قادر به اثبات آن نباشد. هر انسانی میتواند با کمی اندیشیدن به صحّت گفته‌های گودل برسد. این گفته توسط جان لوکاس فیلسوف نیز تایید شده که منطق انسان همواره قوی تر از منطق ِ ربات(ماشین)‌ها ست. وی نوشته‌است که به نظر من قضیهٔ گدل برای اثبات نقض ماشین گرایی کافی است، چرا که ذهن را نمیتوان در قابل ماشین گنجاند. آقای راجر پنروز در کتاب خود به نام «ذهن تازهٔ امپراطور» که در سال ۱۹۸۹ منتشر گشت، به این موضوع بیشتر پرداخته‌است. در این کتاب وی می‌اندیشد که فرایند ماکنیکی کوانتومی که در داخل تک تک ِ رشته‌های عصبی انجام میشود، به انسان قابلیت ویژه‌ای میدهد که بر ماشین‌ها غلبه کند.
دریفوس: برتری مهارت‌های ناخودآگاه
هربرت دریفوس معتقد است که هوش انسان و مهارتش ابتدا به غریزه ناخود آگاهش مربوط است تا conscious symbolic manipulation. و خاطر نشان کرد که این مهارت‌های ناخود آگاه، هرگز تحت سلطهٔ قوانین کلی در نخواهدآمد.آقای ترنینگ روی بحث دری فوس در مقاله‌ای که تحت عنوان بررسی ِماشین آلات و هوش در سال ۱۹۵۰ مطرح شد تامل بیشتری کرد. وی این مبحث را در دسته بندی ِ arguments from informal behavior جای داد. وی در پاسخ گفت: هنگامی که ما، خودمان قوانینی را که رفتار‌های پیچیده را رهبری میکنند نمیدانیم، دلیل نمی‌شود آنها را نقض کنیم. (ندانستن ما دلیلی بر وجود نداشتن آنها نیست.) وی افزود: ما ابداً نمیتوانیم خودمان را قانع کنیم که هیچگونه قانون کلی ای برای رفتار‌ها وجود ندارد. تنها راهی که ما میتوانیم برا ی یافتن چنین قوانینی پیش گیریم، مشاهدات علمی است و هنگامی که در یافتیم هیچگونه شرایطی تحت این عنوان وجود ندارد میتوانیم بگوییم: «ما به اندازهٔ کافی جستجو کردیمو چنین قوانینی وجو ندارند».راسل و نوروینگ اظهار داشتند، طی سالهایی که دری فوس مقالهٔ انتقادیش را منتشر کرد، فرایندی برای پی بردن به «قوانینی» که منطق ناخود آگاه را رهبری میکنند بوجود آمد. این جنبش‌های جایگزین شده در تحقیق‌های روبوتیک در واقع تلاشی است بر ای دستیابی مهارت‌های ناخود آگاه ِ ما در درک و توجه. الگوی هوش محاسباتی، مانند رشته‌های عصبی، الگوریتم‌های پویا و غیره، غالباً به شبیه سازی استدلال و یادگیری ناخودآگاه رهنمود میشوند. تحقیقات در خصوص دانش عمومی روی بازسازی معلومات پیشین و مفهوم دانش، متمرکز شده‌است. در واقع تحقیق در خصوص هوش مصنوعی، از high level symbol manipulation و GOFAI جدا گشته و به مدلهایی تبدیل شده که گرایش بیشتری به capture کردن منطق ناخود آگاه ما دارند. مورخ و پژوهشگر هوش مصنوعی، آقای دانیل کرویر، نوشته‌است: «زمان صحت برخی از گفته‌های دری فوس را ثابت میکند». ؟
آیا یک ماشین میتواند دارای هوشیاری و حالات ذهنی باشد؟
این یک سئوال فلسفی است، که بی ارتباط با مشکل ذهنهای دیگر و مشکل اساسی هوشیاری نیست. این سوال در حوزهٔ مطالعاتی نظریهٔ هوش مصنوعی قوی (strong AI) که توسط آقای جان سیرل ارائه شده می چرخد.
• یک physical symbol system میتواند دارای ذهن و حالات ذهنی باشد. آقای سیرل این نظریه را با چیزی که هوش مصنوعی ضعیف مینامد، (weak AI) متفاوت میداند.
• یک physical symbol system میتواند عملکردی هوشمندانه داشته باشد.
وی با جدا کردن هوش مصنوعی قوی از ضعیف، ذهن خودش را روی مطلبی که فکر میکرد بحث بر انگیز تر خواهد بود متمرکز کرد. وی گفت: حتی اگر فرض کنیم که برنامهٔ کامپیوتری ای ابداع کرده‌ایم که دقیقاً بمانند ذهن انسان عمل میکند، هنوز سئوال‌های فلسفی دشوار وجود دارد که باید به آنها پاسخ دهیم. هیچ یک از دو نظریهٔ آقای سیرل نتوانستند به این سئوال پاسخ دهند که : «آیا یک ماشین میتواند جلوه‌ای از یک هوش عمومی باشد؟» (مگر اینکه ثابت شود که آگاهی لازمهٔ بوجود آمدن هوش است.) وی گفت، نمیخواهم اینگونه برداشت کنم که هیچ رمز و رازی در بارهٔ آگاهی و هوشیاری وجود ندارد. اما در عین حال فکر نمیکنم که لزوماً این معماها باید پیش از آنکه به سئوال {آیا ماشین‌ها میتوانند فکر کنند} پاسخ دهیم، حل شوند. راسل و نوروینگ معتقدند که بیشتر پژوهشگران حوزهٔ هوش ِ مصنوعی، برای بورس تحصیلیشان ازفرضیهٔ هوش مصنوعی ضعیف بهره میگیرند. و (انگار) اصلاً فرضیهٔ هوش مصنوعی قوی برایشان جذابیتی ندارد.
پیش از آنکه پاسخی به این سئوال بدهیم، باید بیشتر به معنا و مفهوم واژه‌های minds- mental states-consciousness بپردازیم.
هوشیاری، ذهن، حالات ذهنی و معنا
واژه های «ذهن» و «هوشیاری» در جوامع گوناگون، معانی متفاوتی دارند. بعنوان مثال، برخی از متفکرینِnew age از واژهٔ «هوشیاری» برای وصف چیز‌هایی شبیه به «élan vital» برگسون، ماده‌ای نامرئی و حاوی انرژی که به زندگی و بخصوص ذهن رخنه میکند، بهره میجویند. نویسندگان داستانهای علمی تخیلی، از واژه برای توصیف ویژگی ذاتی ی مان که ما را به انسان مبدل کرده‌است، استفاده میکنند. ماشینی که آگاهی دارد و یا هوشیار است، به عنوان یک شخصیت کاملاً انسان نما ظاهر میشود، با خصوصیاتی نظیر هوش، میل، آرزو، امید، بینش، غرور و بسیاری دیگر.... این نویسندگان همچنین از واژه‌های درک، معرفت و دانایی، خود آگاهی و روح، بمنظور توصیف این ویژگی‌های اصلی انسانی استفاده میکنند. برای دیگر ِ افراد واژه های «ذهن» و «هوشیاری(آگاهی)» بفهوم معنانی وابستهٔ «روح» تلقی میشوند. برای فیلسوفها و دانشمندان علم عصب شناسی و علوم شناختی، این دو واژه به مفهومی، دقیق تر و دنیوی تر دارند. مفهومی ملموس و روزمره تر دارند. مانند فکر کردن، درک کردن، یک رویا، یک خیال یا یک برنامه(نقشه)، و چیزی که ما میدانیم و درک میکنیم. کار دشواری نیست که ما مفهوم دقیق و قابل درکی از آگاهی ارائه کنیم. چیزی که مبهم و اسسرار آمیز است، خود آن نیست، بلکه چگونگی آن است.فلاسفه این را مشکل اصلی آگاهی(هوشیاری) میدانند. این نسخهٔ نهایی مشکلات روتین (کلاسیک) فلسفهٔ ذهن است که مشکل ذهنی جسمی نامیده میشود. مشکل مربوط، مشکلات معنایی یا مفهومی است که فلاسفه آنرا intentionality می‌نامند. چه رابطه‌ای میان تفکر ما، (مثل الگو‌های عصبی) و چیزی که ما بدان می‌اندیشیم، (مانند موقعیت‌های پیرامونمان) وجود دارد؟ سومین مورد، مشکل تجربه(یا پدیدار شناسی) است. اگر دو فرد، یک چیز راببینند آیا نسبت یه آن به یک شکل مینگرد.(هر دو ی آنها احساسی مشابه نسبت به آن دارند؟) یا اینکه چیزی در ذهنشان وجود دارد(بنام qualia) که در همهٔ اشخاص متفاوت است؟ Neurobiologists معتقدند که هنگامی که ما شروع به شناختن رابطهٔ عصبی ِ هوشیاری کنیم، تمامی این مشکلات حل خواهند شد. ماشینی حقیقی که در مغز ما وجود دارد و ذهن، تجربه و فهم را خلق میکند. حتی تند ترین منتقدین حوزه هوش مصنوعی نیز، بر این امر واقفند که مغز، تنها ماشینی است که هوشیاری(آگاهی) و هوش را در نتیجهٔ فرایند‌های فیزیکی میسازد. سئوال دشوار فلسفی این است که: آیا یک برنامهٔ کامپیوتری که توسط ماشین دیجیتالی با ادغام ارقام دو دویی صفر و یک، اجرا میشود، میتواند توانایی نورونها (رشته‌های عصبی) را برای خلق ذهن، و در نهایت تجربهٔ هوشیاری دوبرابر کنند؟


آیا تفکر نوعی محاسبه است؟
این مقاله از اهمیت ابتدایی ای برای داشمندان رفتار شناختی برخوردار است که ذات تفکر بشر و حل مشکلاتش را مطالعه کرده‌اند. تئوری ِمحاسباتی ذهن، یا computationalism، ادعا میکند که رابطهٔ بین ذهن و جسم، همانند رابطهٔ بین برنامهٔ اجرایی و کامپیوتر است. این ایده ریشه‌ای فلسفی دارد. هابز میگوید: استدلال چیزی بیشتر از حساب کردن نیست. لایبنیتز که تمامی تلاشش را برای خلق محاسبات منطقی همهٔ ایده‌های انسان بکار گرفت. هیوم کسی که می‌اندیشید، درک میتواند به اجزائ ریزی تقسیم بندی شود. و حتی کانت که تمامی تجربه هار ا کنترل و با قوانین رسمی، تحلیل کرد. نسخهٔ نهایی، با همکاری دو فیلسوف، خانم هیلاری پوتنام و آقای جری فودور تهیه شد. این سوال در اصل، زاییدهٔ سوال‌های پیشین است. اگر مغز انسان نوعی کامپیوتر باشد، آنگاه کامپیوتر‌ها میتوانند هم باهوش باشند و هم آگاه که قادر خواهند بود به سوالات فلسفی و عملی هوش مصنوعی پاسخ دهند. براساس سوالات عملی هوش مصنوعی، نظیر (آیا یک ماشین میتواند جلوه‌ای از هوش عمومی باشد؟) برخی نسخ computationalism اعلام کردند (همانطوری که هوبز نوشتهSmile:
• استدلال چیزی جز محاسبه نیست
به بیان دیگر، هوش ما، برگرفته از نوعی محاسبه‌است، شبیه به حسابگری(arithmetic). این فرضیه‌ای که در بالا مطرح شد (همان: physical symbol system) نشان میدهد که تولید هوش مصنوعی غیر ممکن نیست. در خصوص سئوال فلسفی ای که در مورد هوش مصنوعی مطرح شد، (آیا یک ماشین میتواند، ذهن، حس و آگاهی داشته باشد)، اغلب نسخ در رابطه با محاسبه گرایی(computationalism) همانطوری که استیون هارناد (Steven Harnad) گفته:
• حالات ذهنی، تنها اجرای درست برنامه‌های کامپیوتری است.
دیگر سئوالات مربوطه
آلن ترینگ گفت: مباحث بی شماری با این عناوین وجود دارند: «یک ماشین هرگز فلان کار را نمیکند». و این «فلان»، میتواند هر چیزی باشد! مانند:
مهربان بودن، ابتکار داشتن، زیبا، دوستانه و خوش ذوق بودن، شوخ طبع بودن، تشخیص درست از نادرست، اشتباه کردن، عاشق شدن، لذت بردن از توت فرنگی و خامه، کسی را شیفتهٔ خود کردن، از تجربه‌ها پند گرفتن، از واژه‌ها بدرستی استفاده کردن، از افکار خویش بهره گرفتن، بمانند انسان رفتار‌های گوناگونی داشتن و یا اینکه، دست به کارهایی کاملاً تازه بزند. «ترینگ» معتقد است که این استدلال‌ها اغلب بر اساس فرضیاتی ساده، مبنی بر تطبیق پذیری ماشین‌ها هستند یا فرم دیگری از مبحث هوشیاری. نوشتن برنامه‌ای که رفتار‌های فوق را ارائه دهد، تاثیر چندانی نخواهد داشت. تمام اینمباحث نسبت به قضیهٔ اصلی هوش مصنوعی، tangential هستند، مگر اینکه بتوانند ثابت کنند که یکی از این ویژگی‌ها برای هوش عمومی ضروری است.
آیا یک ماشین میتواند احساس داشته باشد؟
هنس مراوک میگوید: «به عقیدهٔ من ربات‌ها در کل در خصوص اینکه مردمان خوبی باشند کاملاً احساسی بر خورد میکنند». و احساسات را در راستای اعمالی که انجام میدهند تعریف میکنند. ترس سرچشمهٔ فوریت است. همدلی یک عنصر مهم در تعامل میان انسان و کامپیوتر است. به گفتهٔ وی رباتها سعی میکنند که در ظاهری کاملا عاری از خویشتن بینی، از شما در خواست کنند چرا که این عمل تاثیر مثبتی روی آنها میگذارد. شما میتوانید از این عمل آنها به عنوان محبت (عشق) یاد کنید. دانیل کرویر مینویسد: «مراوک معتقد است که احساسات تنها ابزاری برای به چالش کشیدن رفتار به سوی بقای یک گونه باشد» این سئوال که آیا یک ماشین قادر به درک احساسات هست یا تنها اینگونه مینمایاند، یک سئوال فلسفی است. به عبارت دیگر،
آیا یک ماشین میتواند از خود آگاه باشد؟


==================================================
طراحی وب سایت
پروژه های برنامه نویسی تجاری
دانلود پروژه های ASP.NET وب سایتهای آماده به همراه توضیحات
دانلود پروژه های سی شارپ و پایگاه داده SQL Server همراه توضیحات و مستندات
دانلود پروژه های UML نمودار Usecase نمودار class نمودرا activity نمودار state chart نمودار DFD و . . .
دانلود پروژه های حرفه ای پایگاه داده SQL Server به همراه مستندات و توضیحات
پروژه های حرفه ای پایگاه داده Microsoft access به همراه مستندات و توضیحات
دانلود پروژه های کارآفرینی
دانلود گزارشهای کارآموزی کارورزی تمامی رشته های دانشگاهی
قالب تمپلیت های آماده وب سایت ASP.NET به همراه Master page و دیتابیس
برنامه های ایجاد گالری عکس آنلاین با ASP.NET و JQuery و اسلایدشو به همراه کد و دیتابیس SQL کاملا Open Source واکنشگرا و ساده به همراه پایگاه داده
==================================================
یافتن تمامی ارسال‌های این کاربر
نقل قول این ارسال در یک پاسخ
01-28-2018, 10:48 PM
ارسال: #3
RE: معرفی اصول و برنامه نویسی هوش مصنوعی 170 صفحه doc
خود آگاهی همانطور که در بالا اشاره شد، گاهی اوقات توسط نویسندگان داستانهای علمی تخیلی تحت عنوان یک اسم برای عمده دارایی یک انسان که شخصیت را کاملاً به یک انسان مبدل میکند، بکار گرفته میشود. ترینگ انسان را از دیگر دارایی‌هایش تهی کرد و سئوال را به بک جمله تبدیل کرد: «آیا یک ماشین میتواند از افکارش تبعیت کند؟» آیا میتواند به خودش فکر کند؟ کاملاً واضح و روشن است که در این رابطه میتوان برنامه‌ای نوشت که ماشین، گزارش‌هایی را از درون خویش بدهد. (مانند debugger).
آیا یک ماشین میتواند خلاّق یا مبتکر باشد؟
ترینگ سئوالی مطرح کرد و آن سئوال این بود که آیا یک ماشین میتواند کاری کند که برای ما تازگی داشته باشد؟ (میتواند ما را شگفت زده کند؟) و روی آن بحث کرد، پاسخ مثبت است. و هر برنامه نویسی میتواند آنرا تصدیق کند. وی افزود، کامپیوتر‌ها با داشتن ظرفیت بالای حافظه‌ای، قادر خوهند بود بی شمار رفتار مختلف انجام دهند. احتمال این قضیه، هرچند اندک، وجود دارد که کامپوتر‌ها قادر باشند با ترکیب چند ایده، ایده‌ای نو بسازند. به عنوان مثال، Automated Mathematician داگلاس لناتس، چند ایده را برای پی بردن به حقیقت تازه علم ریاضی با هم ترکیب کرد.
آیا یک ماشین میتوند روح داشته باشد؟
در نهایت افرادی که به وجود روح عقیده دارند، میتوانند بر سر این موضوع بحث کنند که:تفکر یکی از قابلیتهای روح جاودان بشر است.
آلن تورینگ این را «هدفی الهی» نامید و نوشت: برای ساختن چنین ماشینهایی، ما نباید به قدرت او (پروردگار) در ساختن روح بی حرمتی کنیم
اطاق چینی
اطاق چینی بحثی است که توسط "جان سیرل" در 1980 مطرح شد در این راستا که یک ماشین سمبل گرا هرگز نمیتواند دارای ویژگی هایی مانند "مغز" و یا "فهمیدن" باشد, صرف نظر از اینکه چقدر از خود هوشمندی نشان دهد.
آزمون تیورینگ
آزمون تیورینگ یا تیورینگ تست (Turing test), آزمونی است که توسط آلن تیورینگ در سال 1950 در نوشته ای به نام "محاسبات ماشینی و هوشمندی" مطرح شد. کوشش این آزمون برای تشخیص درستی هوشمندی یک سیستم که سعی در شبیه سازی انسان دارد میباشد.
مدیریت پیچیدگی
ایجاد و ابداع فنون و تکنیک‌های لازم برای مدیریّت پیچیدگی را باید به عنوان هستهٔ بنیادین تلاش‌های علمی و پژوهشی گذشته، حال، و آینده، در تمامی زمینه‌های علوم رایانه، و به ویژه، در هوش مصنوعی معرّفی کرد. شیوه‌ها و تکنیک‌های هوش مصنوعی، در واقع، برای حلّ آن دسته از مسائل به وجود آمده‌است که به طور سهل و آسان توسط برنامه‌نویسی تابعی (Functional programming)، یا شیوه‌های ریاضی قابل حلّ نبوده‌اند.در بسیاری از موارد، با پوشانیدن و پنهان ساختن جزئیّات فاقد اهمّیّت است که بر پیچیدگی فائق می‌آییم و می‌توانیم بر روی بخش‌هایی از مسئله متمرکز شویم که مهم‌تر است. تلاش اصلی در واقع، ایجاد و دستیابی به لایه‌ها و ترازهای بالاتر از هوشمندی تجرید را نشانه می‌رود، تا آنجا که، سرانجام برنامه‌های کامپوتری درست در همان سطحی کار خواهند کرد که خود انسان‌ها رسیده اند.به یاری پژوهش‌های گسترده دانشمندان علوم مرتبط، هوش مصنوعی تاکنون راه بسیاری پیموده‌است. در این راستا، تحقیقاتی که بر روی توانایی آموختن زبانها انجام گرفت و همچنین درک عمیق از احساسات، دانشمندان را در پیشبرد این دانش کمک زیادی کرده‌است. یکی از اهداف متخصصین، تولید ماشینهایی است که دارای احساسات بوده و دست کم نسبت به وجود خود و احساسات خود آگاه باشند. این ماشین باید توانایی تعمیم تجربیات قدیمی خود در شرایط مشابه جدید را داشته و به این ترتیب اقدام به گسترش دامنه دانش و تجربیاتش کند.برای نمونه روباتیی هوشمند که بتواند اعضای بدن خود را به حرکت درآورد، این روبات نسبت به این حرکت خود آگاه بوده و با آزمون و خطا، دامنه حرکت خود را گسترش می‌دهد و با هر حرکت موفقیت آمیز یا اشتباه، دامنه تجربیات خود را وسعت بخشیده و سر انجام راه رفته و یا حتی میدود و یا به روشی برای جابجا شدن دست می‌یابد، که سازندگانش برای او متصور نبوده‌اند.هر چند نمونه بالا ممکن است کمی آرمانی به نگر برسد، ولی به هیچ عنوان دور از دسترس نمیباشد. دانشمندان, عموماً برای تولید چنین ماشینهایی، از وجود مدلهای زنده ای که در طبیعت وجود، به ویژه آدمی نیز سود برده اند.هوش مصنوعی اکنون در خدمت توسعه علوم رایانه نیز میباشد. زبانهای برنامه نویسی پیشرفته، که توسعه ابزارهای هوشمند را ممکن ساخته اند, پایگاههای داده‌ای پیشرفته، موتورهای جستجو، و بسیاری نرم‌افزارها و ماشینها از نتایج پژوهش‌ هایی در راستای هوش مصنوعی بوده اند.
سیستم‌های خبره
سیستم‌های خبره زمینه‌ای پرکاربرد در هوش مصنوعی و مهندسی دانش است که با توجّه به نیاز روز افزون جوامع بر اتخاذ راه حل‌ها و تصمیمات سریع در مواردی که دانش‌های پیچیده و چندگانهٔ انسانی مورد نیاز است، بر اهمیت نقش آنها افزوده هم می‌شود. سیستم‌های خبره به حل مسائلی می‌پردازند که به طور معمول نیازمند تخصّص‌های کاردانان و متخصّصان انسانی‌ست. به منظور توانایی بر حل مسائل در چنین سطحی (ترازی)، دسترسی هرچه بیشتر اینگونه سامانه‌ها به دانش موجود در آن زمینه خاص ضروری می‌گردد.
عامل‌های هوشمند
عامل‌ها (Agents) قادر به شناسایی الگوها، و تصمیم گیری بر اساس قوانین فکر کردن خود می‌باشند. قوانین و چگونگی فکر کردن هر عامل در راستای دستیابی به هدفش، تعریف می‌شود. این سیستم‌ها بر اساس قوانین خاص خود فکر کرده و کار خودرا به درستی انجام می‌دهند. پس عاقلانه رفتار می‌کنند، هر چند الزاما مانند انسان فکر نمی‌کنند.

ويژگي هاي هوش مصنوعي
هوش مصنوعي براي حل مساله برنامه خاصي را دنبال مي کند. توجه به ويژگي هاي هوش مصنوعي در مقام استفاده از اين نوع برنامه ها سودمند است. 5 ويژگي از ميان آنها اهميت خاصي دارند:
بازنمايي نمادين: ويژگي اول اين است که هوش مصنوعي از نمادهاي عددي در حل مسائل استفاده مي کند. هوش مصنوعي بر پايه دستگاه دوگاني ؛ صفر و يک مسائل را حل مي کند. از اين رو برخي مخالفان گفته اند مهمترين نقص هوش مصنوعي آن است که غير از عدد صفر و يک را نمي فهمد. به تعبير ديگر ، رايانه فقط بله يا نه را مي فهمد و نمي تواند حالات واسطه بين آن دو را بفهمد.در مقابل طرفداران هوش مصنوعي گفته اند هوش طبيعي (هوش انسان) هم بر پايه دستگاه دوگاني پديده ها و امور مختلف را مي فهمد؛ اگر سلولهاي عصبي انسان را بررسي کنيم ، درمي يابيم فهم بشري بر حالت دوگاني استوار شده است و دستگاه عصبي مفاهيم و تصورات را به صورت حالات دوگاني تبديل مي کند. البته نشان دادن نحوه اين تبديل در مفاهيم و ادراکات پيچيده دشوار است. اما بررسي برنامه هاي هوش مصنوعي فهم اين امر دشوار را آسان کرده است.
روش اکتشافي: ويژگي دوم هوش مصنوعي به نوع مسائلي که حل مي کند ، مربوط مي شود. اين مسائل معمولا راه حل الگوريتمي ندارند. مراد از الگوريتم سلسله اي از مراحل منطقي است که به حل مساله مي انجامد. هوش اين مراحل را گام به گام طي مي کند تا به حل مساله دست مي يابد. به عبارت ديگر ، در الگوريتم پيمودن اين مراحل به طور طبيعي رسيدن به نتيجه را تضمين مي کند. مسائلي که هوش مصنوعي حل مي کند ، معمولا راه حل الگوريتمي ندارند ؛ به اين معنا که معمولا نمي توانيم براي حل اين مسائل الگوريتمي يا به عبارت ديگر ، سلسله اي از مراحل منطقي را بيابيم که پيمودن آنها رسيدن به نتيجه را تضمين کند.از اين رو، هوش مصنوعي در حل مسائل به روش اکتشافي ؛ يعني به روشي که پيمودن آن رسيدن به نتيجه را تضمين نمي کند ، روي مي آورد.هوش مصنوعي بر پايه دستگاه دوگاني مسائل را حل مي کند مخالفان مي گويند مهمترين نقص هوش مصنوعي آن است که غير از عدد صفر و يک را نمي فهمد . در روش اکتشافي راههاي متعددي براي حل مساله وجود دارد که اختيار يکي از آنها باز مجالي براي اختيار ديگر راهها باقي مي گذارد و پيمودن يکي از آنها مانع از روي آوردن به بقيه نمي شود. درنتيجه ، برنامه هايي که راه حل تضميني دارند جزو برنامه هاي رايانه اي به شمار نمي آيند.مثلا برنامه هاي حل معادلات درجه دوم جزو برنامه هاي رايانه اي به شمار نمي آيد ؛ زيرا براي حل آن الگوريتم خاصي وجود دارد.
برنامه هاي بازي شطرنج زمينه پر خير و برکتي براي هوش مصنوعي بوده است ؛ زيرا روش شناخته شده اي براي تعيين بهترين حرکت در مرحله خاصي از اين بازي وجود ندارد. زيرا اولا تعداد احتمالات موجود در هر حالتي تا حدي زياد است که نمي توان جستجوي کاملي را انجام داد. ثانيا آگاهي ما از منطق حرکتهايي که بازيکنان انجام مي دهند ، بسيار اندک است. اين ناآگاهي تا حدي به ناخودآگاهانه بودن اين حرکتها برمي گردد و البته در برخي موارد هم بازيکنان از روي عمد منطق خود را آشکار نمي کنند.
هربرت دريفوس يکي از مخالفان هوش مصنوعي با توجه به نکته فوق ادعا کرده است که هيچ برنامه اي براي رسيدن به سطح يک بازيگر خوب شطرنج وجود ندارد. اما ظهور برنامه هاي پيشرفته شطرنج از سال 1985 به بعد خطاي ادعاي دريفوس را روشن ساخت.بازنمايي معرفت: برنامه هاي هوش مصنوعي با برنامه هاي آماري در بازنمايي معرفت تفاوت دارند ؛ به اين معنا که برنامه هاي نخست از تطابق عمليات استدلالي نمادين رايانه با عالم خارج حکايت مي کنند. مي توانيم اين نکته را با مثال ساده اي توضيح دهيم.

بازنمايي معرفت عنواني براي مجموعه اي از مسائل راجع به معرفت است از قبيل:
1- معرفت مورد نظر در هوش مصنوعي چيست ، چه انواعي و چه ساختاري دارد؟
2- چگونه بايد معرفت را در رايانه بازنمايي کرد؟
3- بازنمايي چه نوع معرفتي را آشکار مي سازد؟ و چه چيزي مورد تاکيد قرار مي گيرد؟
4- معرفت را بايدچگونه به دست آوردوچگونه بايدتغييرداد؟
اطلاعات ناقص: هوش مصنوعي مي تواند در حالتي که همه اطلاعات مورد نياز در دسترس نيستند ، به حل مساله دست بيابد. اين حالت در بسياري از موارد پزشکي رخ مي دهد اطلاعاتي که پزشک براي تشخيص بيماري در دست دارد ، تشخيص بيماري را ممکن نمي کند و او هم فرصت زيادي براي درمان ندارد. از اين رو بايد سريعا تصميمي بگيرد.نبود اطلاعات لازم موجب مي شود نتيجه به دست آمده غيريقيني باشد و يا احتمال خطا در آن باشد. معمولا ما در زندگي عملي با فقدان اطلاعات لازم تصميماتي را مي گيريم و همواره احتمال خطا در اين تصميمات وجود دارد.
اطلاعات متناقض: هوش مصنوعي مي تواند درصورتي که با اطلاعات متناقض روبه رو شود حل مناسبي براي مساله پيدا کند. هوش مصنوعي در چنين موردي بهترين راه را براي حل مساله و رفع تناقض انتخاب کند.
دو فرضيه در هوش مصنوعي
در هوش مصنوعي فرضيه هاي بسياري مورد بحث قرار مي گيرد. در ميان اين فرضيه 2 فرضيه در مقايسه با بقيه کليدي ترند. فرضيه نخست نسبت به فرضيه دوم معتدل تر و ادعايي حداقلي دربر دارد. اين دو فرضيه به ترتيب عبارتند از:
1- فرضيه دستگاه نمادها: مفاد اين فرضيه اين است که: «رايانه را مي توانيم به نحوي برنامه ريزي کنيم که بينديشد». تقرير ديگر از فرضيه فوق اين است که: «رايانه مي تواند بينديشد.»
2- فرضيه قوي دستگاه نمادها: مفاد اين فرضيه هم چنين است :«تنها رايانه مي تواند فکر کند»پيداست که فرضيه دوم در مقايسه با فرضيه نخست افراطي تر است و ادعايي حداکثري دربر دارد. چرا که بر طبق آن ، هر چيزي که فکر مي کند ، حتي موجودات طبيعي ، بايد رايانه باشد. از اين رو ذهن بشر هم دستگاهي جامع از نمادهاست و تفکر بشر هم از لحاظ ماهيت با تفکري که درخصوص رايانه به کار مي رود ، تفاوت ندارد. در هر دو مورد تفکر همان توانايي دستکاري و جابه جا کردن نمادهاست.

[تصویر:  6365281424650847770AI.JPG]

انواع هوش مصنوعي
در بازي‌هاي كامپيوتري سه نوع هوش بيشتر از همه استفاده مي‌شوند كه به صورت خلا‌صه عبارتند از:
‌‌هوش مصنوعي رويدادگرا:
اين هوش معمول‌ترين نوع هوش مصنوعي است. رويداد مي‌تواند شامل هر چيزي اعم از اتفاقات بازي تا دستوراتي باشد كه كاربر به شخصيت مجازي خود مي‌دهد. براساس هر رويدادي كه در بازي انجام مي‌شود، يك واكنش هوشمندانه نيز روي مي‌دهد. در بازي كانتراسترايك دشمن شما نسبت به صدا حساس است و صداي دويدن شما را هم مي‌شنود. از اين‌رو بسته به موقعيت خود، يا به آهستگي پنهان مي‌شود، يا برمي‌گردد و از راه ديگري به سوي شما مي‌آيد يا به سوي شما مي‌آيد و شليك مي‌كند.

هوش مصنوعي هدف‌گرا:
اين نوع هوش مصنوعي از هوش مصنوعي رويدادگرا مستقل است. ولي هوش مصنوعي رويدادگرا مي‌تواند در طراحي يك بازي، هدف‌هاي موتور هوش مصنوعي هدف‌گرا را تامين كند. اين نوع هوش مصنوعي، هدفِ با ارزش بيشتر را برمي‌گزيند و آن را با تقسيم به زيرهدف‌هاي كوچك‌تر، پردازش مي‌كند. شايد در بازي كانتراسترايك زماني كه كامپيوتر هم كنترل هم تيمي‌ها و هم كنترل دشمنان شما را به عهده دارد، ديده باشيد كه وقتي با هم تيمي‌هايتان به سوي دشمنان خود تيراندازي مي‌كنيد، آن‌ها هم بيشتر به سوي شما شليك مي‌كنند تا ديگر هم‌تيمي‌هايتان؛ چرا كه شما بايد هدف‌هاي خواسته‌شده در بازي (مانند آزاد كردن گروگان‌ها يا خنثي كردن بمب) را انجام دهيد. براي همين ارزش شما براي آن‌ها بيشتر است.
محفظه‌هاي سوراخ:
تصوير 1 - يك كاراكتر در بازي Counter 1.7 - Strike (در فایل ضمیمه) در حال دويدن به سوي يكي از دو محل مبارزه است. او مي‌داند اسلحه و هم تيمي‌هايش كجا هستند.
اين روش تركيبي از دو روش گفته شده است. روش كار ساده است. دو محفظه داريد و چند نوع كار: فرار (flee)، مبارزه (fight) و پركردن تفنگ (restock) را در نظر مي‌گيريم. محفظه‌ها مقداري از محتواي خود را با گذشت زمان از دست مي‌دهند.
شما اسكريپتي را در ارتباط با محفظه‌اي كه بيشتر پر است، به اجرا در ميآوريد. رويدادهايي كه اتفاق مي‌افتند، اين محفظه‌ها را با ارزش‌هاي مختلفي پر مي‌كنند و اين محفظه‌ها پر و خالي مي‌شوند. براي نمونه دشمن مجازي را در موقعيت‌هاي زير در نظر بگيريد كه مي‌توان بسته به طراحي بازي عددهاي زير را كم و زياد كرد:‌
- شما دشمن را ببينيد، پنج درصد به ارزش فرار و ده ‌درصد به ارزش مبارزه او افزوده مي‌شود. چون در بازي اولين هدف مبارزه است نه فرار. فرار كاري است كه هنگام رويا‌رويي با دشمن زماني كه دشمن شما موقعيت مناسبي ندارد، انجام مي‌دهد. پس ارزش مبارزه در اينجا از فرار بيشتر است.
- گلوله او كم باشد، بيست درصد به ارزش ريستوك يا پر كردن تفنگ افزوده مي‌شود. چون شايد به زودي به آن نياز داشته باشد.
- اگر آسيب‌ديدگي او كم باشد، بيست‌درصد به ارزش فرار و ده‌درصد به ارزش ريستوك افزوده مي‌شود. چون اگر شخصيت مجازي آسيب كمي ديده باشد، با ماندن در يك‌جا و پركردن تفنگ خود چنانچه در تيررس شما باشد، آسيب بيشتري مي‌بيند.
پس در حالي كه جاي خود را عوض مي‌كند، بايد تفنگ خود را نيز پركند. چون اگر باز در تيررس قرار بگيرد و گلوله‌هاي او رو به پايان باشد، هنگام پركردن، آسيب بيشتري مي‌بيند. دشمنان شما در كانتراسترايك نيز اين كار را مي‌كنند. اگر شما پشت سر هم به آن‌ها شليك كنيد، در پشت ديوار پنهان مي‌شوند يا به جايي فرار مي‌كنند و تفنگ خود را در صورت رو به پايان بودن گلوله‌ها پرمي‌كنند. پس اولويت در فرار و قرار گرفتن در يك جاي خوب و سپس پر كردن تفنگ است.
- شليك به سوي او و آسيب‌ديدگي زياد باشد، پنجاه درصد به ارزش مبارزه افزوده مي‌شود و بيست‌درصد از ارزش فرار و ريستوك كم مي‌شود. چون وقتي به سوي او شليك مي‌كنيد، هنگام فرار اگر در جاي مناسبي نباشد، آسيب‌پذيرتر مي‌شود و زماني كه تفنگ خود را پر مي‌كند، شما آسان‌تر مي‌توانيد به سوي او شليك كنيد.
- اگر در يك‌بار شليك پنجاه‌درصد آسيب ببيند، پنجاه‌درصد به ارزش فرار و بيست‌درصد به ارزش ريستوك افزوده مي‌شود و پنجاه‌درصد از ارزش مبارزه كم مي‌شود. گاهي با يك سلا‌ح قوي مي‌توانيد آسيب بيشتري به دشمنتان برسانيد. اگر در بازي كانتراسترايك، يك نارنجك به سمت دشمن پرتاب كنيد، بيش از نيمي از نيروي او كم مي‌شود. اگر او در جاي مناسبي نباشد، چون بيش از نيمي از نيروي خود را از دست داده‌است، بايد فرار كند و تنها زماني كه موقعيت او از موقعيت شما بهتر است، شليك مي‌كند. در اينجا فرار ارزش بيشتري دارد.

كاربرد هوش مصنوعي
هدف هوش مصنوعي نزديك نمودن رفتار و پاسخ يك سيستم كامپيوتري به الگوهايي است كه انسان براساس آن‌ها رفتار مي‌كند و پاسخ مي‌دهد. گاه سيستم‌هايي طراحي مي‌شوند كه قدرت تجزيه و تحليل آن‌ها از انسان بيشتر است. ولي باز از الگوهاي ما استفاده مي‌كنند. هوش مصنوعي با سيستم فازي يا سيستمي كه انسان برطبق آن تصميم مي‌گيرد، رابطه تنگاتنگي در اين سيستم برخلا‌ف سيستم صفر و يك ديجيتال، مي‌توان به يك متغير مقداري كمتر از يك و بيشتر از صفر نيز داد.
براي نمونه مي‌خواهيد يك بازي كامپيوتري را از ميان چندين بازي مورد علا‌قه خود بخريد و از آنجا كه مقدار پول شما مشخص است، مي‌خواهيد فقط يك بازي را برگزينيد. پس شما به بازي‌هاي مورد علا‌قه‌ خود، امتيازي بين صفر و يك مي‌دهيد. ارزش صفر براي بازي‌هايي است كه كمتر آن‌ها را دوست داريد و هر چه مقدار عدديِ بيشتري به آن بازي بدهيد، بيشتر آن را دوست داريد و از ميان آن‌ها بازي‌اي كه بيشترين ارزش را براي شما دارد، انتخاب مي‌كنيد.


==================================================
طراحی وب سایت
پروژه های برنامه نویسی تجاری
دانلود پروژه های ASP.NET وب سایتهای آماده به همراه توضیحات
دانلود پروژه های سی شارپ و پایگاه داده SQL Server همراه توضیحات و مستندات
دانلود پروژه های UML نمودار Usecase نمودار class نمودرا activity نمودار state chart نمودار DFD و . . .
دانلود پروژه های حرفه ای پایگاه داده SQL Server به همراه مستندات و توضیحات
پروژه های حرفه ای پایگاه داده Microsoft access به همراه مستندات و توضیحات
دانلود پروژه های کارآفرینی
دانلود گزارشهای کارآموزی کارورزی تمامی رشته های دانشگاهی
قالب تمپلیت های آماده وب سایت ASP.NET به همراه Master page و دیتابیس
برنامه های ایجاد گالری عکس آنلاین با ASP.NET و JQuery و اسلایدشو به همراه کد و دیتابیس SQL کاملا Open Source واکنشگرا و ساده به همراه پایگاه داده
==================================================
یافتن تمامی ارسال‌های این کاربر
نقل قول این ارسال در یک پاسخ
01-28-2018, 10:53 PM
ارسال: #4
RE: معرفی اصول و برنامه نویسی هوش مصنوعی 170 صفحه doc
از ديد فروشنده، شما با سيستم صفر و يك پاسخ داده‌ايد و بازي‌هاي ديگر را انتخاب نكرده‌ايد. هرچند در واقع شما فازي فكر كرده‌ايد، ولي با منطق صفر و يك پاسخ داده‌ايد. اگر كامپيوترها فازي‌تر تحليل كنند، هوشمندتر مي‌شوند. ولي پاسخ آن‌ها بايد براساس همين صفر و يك باشد؛ چرا كه هيچ كس نمي‌خواهد يك پاسخ غيرقطعي از كامپيوتر دريافت كند. هر چه رفتارهاي شخصيت‌هاي بازي بيشتر براساس سيستم فازي باشد، پيش‌بيني‌ناپذيرتر و هوشمندانه‌تر خواهند بود. يعني مي‌توانند در مقابل رفتارهاي مختلف شما و موقعيت محيط، رفتارهايي متفاوت نشان دهند.

معماي هوش الكترونيك‌ ، مباني و شاخه‌هاي علم هوش مصنوعي‌
بيش از نيم قرن پيش، هنگامي كه هنوز هيچ تراشه سيليكوني‌اي ساخته نشده بود، آلن تورينگ، يكي از بحث‌انگيزترين پرسش‌هاي فلسفي تاريخ را پرسيد. او گفت <آيا ماشين مي‌تواند فكر كند؟> و اندكي بعد كوشيد به پيروي از اين قاعده كه <هر ادعاي علمي بايد از بوته آزمايش سربلند بيرون بيايد>، پرسش فلسفي خود را با يك آزمايش ساده و در عين حال پيچيده جايگزين كند. او پرسيد: آيا يك ماشين - يك كامپيوتر - مي‌تواند آزمون <بازي تقليد> را با موفقيت پشت سر بگذارد؟ آيا ماشين مي‌تواند از انسان چنان تقليد كند كه در يك آزمون محاوره‌اي نتوانيم تفاوت انسان و ماشين را تشخيص دهيم؟ او در سال1950 بر اساس محاسباتي تخمين زد كه پنجاه سال بعد، كامپيوتري با يك ميليارد بيت حافظه خواهد توانست به موفقيت‌هايي در اين زمينه دست پيدا كند. اكنون كه در آستانه سال 2007 ميلادي هستيم، حتي هفت سال بيشتر از زماني كه او لازم دانسته بود، هنوز هيچ ماشيني نتوانسته‌است از بوته آزمون تورينگ با موفقيت خارج شود. اما همين پرسش كافي بود تا بشر در نيم قرن اخير به دستاوردهاي شگرفي در زمينه هوش مصنوعي برسد. دست كم يكي از پيش‌بيني‌هاي تورينگ درست از آب درآمد: در سال 2000 مفهوم <هوش مصنوعي> براي هيچ‌كس غيرقابل‌باور نبود. در اين مقاله نگاهي داريم به سير تحولاتي كه پس از اين پرسش تاريخي در دنياي علم و مهندسي به وقوع پيوستند.

آيا كامپيوتر مي‌تواند فكر كند؟
يكي از جالب‌ترين و هيجان‌انگيزترين پرسش‌هايي كه تاكنون تاريخ فلسفه به خود ديده، پرسشي است كه آلن تورينگ، فيلسوف و رياضيدان انگليسي در سال 1950 طي مقاله‌اي به نام Computing Machinery and Intelligenceيا <ماشين محاسباتي و هوشمندي> مطرح كرد. او پرسيد: <آيا ماشين مي‌تواند فكر كند؟> و براي اين‌كه ذهن مخاطب را از پريشاني درباره ماهيت اين ماشين برهاند، توضيح داد كه منظور او از ماشين، يك كامپيوتر است؛ ماشيني كه قادر به انجام محاسبات نرم‌افزاري است. به اين ترتيب براي اولين بار اين پرسش در ذهن نوع بشر پديد آمد كه: <آيا كامپيوتر مي‌تواند فكر كند؟>
خود تورينگ نتوانست پاسخ قطعي اين پرسش را پيدا كند، اما براي يافتن پاسخ مناسب در آينده، يك راهبرد خلاقانه پيشنهاد كرد. او آزموني طراحي كرد كه خود آن را <بازي تقليد> ناميد. تورينگ پرسيد: <آيا يك ماشين، يعني يك كامپيوتر، مي‌تواند آزمون تقليد را با موفقيت پشت سربگذارد؟> آيا يك كامپيوتر مي‌تواند با يك انسان چنان گفت‌وگو كند كه او فريب بخورد و تصور كند در حال گفت‌وگو با يك انسان است؟
او آزمون بازي تقليد را چنين شرح داد: يك پرسشگر - يك انسان - همزمان در حال گفت‌وگو با دو نفر است. هر يك از اين دو نفر در اتاق‌هاي جداگانه‌اي قرارگرفته‌اند و پرسشگر نمي‌تواند هيچ‌يك از آن‌ها را ببيند. يكي از اين دو نفر يك انسان است و ديگري يك ماشين؛ يعني يك كامپيوتر. پرسشگر بايد با اين دو نفر شروع به گفت‌وگو كند و بكوشد بفهمد كدام‌يك از اين دو انسان است و كدام‌يك ماشين. اگر كامپيوتر بتواند طوري جواب دهد كه پرسشگر نتواند انسان را از ماشين تميز دهد، آنگاه مي‌توان ادعا كرد كه اين ماشين هوشمند است.
تورينگ براي آسان‌تركردن شرايط اين آزمون و پرهيز از پيچيدگي‌هاي اضافي، آن را به محاوره‌اي متني و روي كاغذ محدود كرد تا مجبور به درگير شدن با مسائل انحرافي مانند تبديل متن به گفتار شفاهي و تنظيم تُن صدا و لهجه نباشيم. او همچنين براساس يك سري محاسبات، پيش‌بيني كرد كه پنجاه سال بعد، يعني در سال 2000 انسان قادر خواهد بود كامپيوترهايي بسازد كه در يك گفت‌وگوي پنج دقيقه‌اي، فقط هفتاد درصد پرسشگرها بتوانند كشف كنند كه در حال گفت‌وگو با يك انسان هستند يا يك ماشين. او برخورداري از يك ميليارد بيت حافظه (125 ميليون بايت - حدود 120 مگابايت) را يكي از مشخصه‌هاي اصلي اين كامپيوتر دانست. تورينگ همچنين در اين مقاله يك سري استدلال‌هاي مخالف با نظريه و آزمون خود را مطرح كرد و كوشيد به آن‌ها پاسخ دهد. نخست، تصور اين‌كه ماشين‌هاي هوشمندي ساخته شوند كه بتوانند فكر كنند، وحشتناك است. تورينگ در پاسخ مي‌گويد: اين نكته‌اي انحرافي است؛ زيرا بحث اصلي او بايدها و نبايدها نيست، بلكه بحث درباره ممكن‌ها است. ديگر اين‌كه، ادعا مي‌شود محدوديت‌هايي درباره نوع پرسش‌هايي كه مي‌توان از كامپيوتر پرسيد وجود دارد؛ زيرا كامپيوتر از منطق خاصي پيروي مي‌كند. اما تورينگ در پاسخ مي‌گويد: خود انسان هنگام گفت‌وگو پرغلط ظاهر مي‌شود و نمي‌توان گفتار هر انساني را لزوماً منطقي كرد. او پيش‌بيني كرد كه منشا اصلي هوشمندي ماشينِ فرضي او، حافظه بسيار زياد و سريعي است كه يك كامپيوتر مي‌تواند داشته باشد. بنابراين، از نگاه تورينگ، ماشيني همچون كامپيوتر Deep Blue كه كاسپاروف، قهرمان شطرنج را شكست داد، مي‌توان يك ماشين هوشمند تلقي كرد. در عين حال تورينگ اين نظر را كه <آزمون مورد بحث معتبر نيست؛ زيرا انسان داراي احساسات است و مثلاً موسيقي دراماتيك مي‌سازد> رد كرد و گفت: هنوز هيچ سند قابل قبولي وجود ندارد كه ثابت كند فقط ما انسان‌ها داراي احساسات هستيم؛ زيرا مشخص نيست مفهوم دقيق اين واژه به لحاظ علمي چيست.در سال 1956 جان مك‌كارتي، يكي از نظريه‌پردازان پيشگام اين نظريه در آن زمان، اصطلاح <هوش مصنوعي> را براي اولين بار در نخستين كنفرانسي كه به اين موضوع اختصاص يافته بود، به‌ كار برد. او همچنين زبان برنامه‌نويسي Lisp را ابداع كرد كه در همين زمينه كاربرد دارد. دانشمندان بعداً اين تاريخ را به عنوان تاريخ تولد علم هوش مصنوعي انتخاب كردند. تقريباً در همان زمان جان فون نيومان <نظريه بازي‌ها> را معرفي كرد. اين نظريه بديع و درخشان كه بعداً در اكثر حوزه‌هاي علم، از جمله جامعه‌شناسي، اقتصاد و سياست كاربردهايي پيدا كرد، نقش مؤثري در پيشبرد جنبه‌هاي نظري و عملي هوش مصنوعي داشت. چند سال بعد، در 1968، آرتور سي كلارك، در رمان معروف خود، يعني اوديسه فضايي 2001 اصطلاح <آزمون تورينگ> را به جاي <بازي تقليد> سرزبان‌ها انداخت. از زماني كه تورينگ اين فرضيه را مطرح كرده است، هزاران دانشمند با هدف ساختن ماشيني كه بتواند آزمون تورينگ را با موفقيت تمام كند، دست به كار شده‌اند. اما هنوز هيچ‌كس موفق نشده است چنين ماشيني بسازد و پيش‌بيني تورينگ هم درست از آب درنيامده است.

چالش‌هاي بنيادين هوش‌مصنوعي‌
البته امروزه هوش مصنوعي به واقعيت نزديك شده است و تقريباً مي‌توان گفت وجود دارد، اما دلايل اساسي متعددي وجود دارند كه نشان مي‌دهند چرا هنوز شكل تكامل يافته‌ هوشي كه تورينگ تصور مي‌كرد، به وقوع نپيوسته است. به طور كلي خود نظريه تورينگ مخالفاني جدي دارد. بعضي از اين منتقدان اصلا‌ً هوش ماشيني را قبول ندارند و برخي ديگر صرفاً كارآمدي آزمون تورينگ را براي اثبات هوشمندي زير سؤال مي‌برند. يكي از مهم‌ترين مباحث مطرح در اين زمينه، موضوع شبيه‌سازي است. غالباً پرسيده مي‌شود آيا صرف اين‌كه ماشيني بتواند نحوه صحبت كردن انسان را شبيه‌سازي كند، به معني آن است كه هوشمند است؟ به عنوان مثال، شايد شما هم درباره روبات‌هاي نرم‌افزاري كه مي‌توانند چت كنند (Chatter Bots) چيزهايي شنيده باشيد.(1) اين روبات‌ها از روش‌هاي تقليدي استفاده مي‌كنند و به تعبيري، نمونه مدرن و اينترنتي آزمون تورينگ هستند.
مثلاً روبات ELIZA يكي از اين‌هاست. اين روبات را ژوزف وايزن بام، يكي ديگر از پژوهشگران‌ نامدار اين حوزه اختراع كرد. اليزا در برخي مكالمات ساده مي‌تواند طرف مقابل خود را به اشتباه بيندازد. طوري كه مخاطب ممكن است فكر كند درحال گپ زدن با يك انسان است. البته اليزا هنوز نتوانسته است آزمون تورينگ را با موفقيت پشت سر بگذارد. با اين حال تكنيك‌هاي شبيه‌سازي مورد انتقاد گروهي از دانشمندان است. يكي از مشهورترين انتقادات در اين زمينه را فيلسوفي به نام جان سيرل (John Searle) مطرح كرده است. او معتقد است بحث هوشمندي ماشين‌هاي غيربيولوژيك اساساً بي‌ربط است و براي اثبات ادعاي خود مثالي مي‌آورد كه در مباحث تئوريك هوش مصنوعي <بحث اتاق چيني> ناميده مي‌شود. سيرل ابتدا نقد خود درباره هوش ماشيني را در 1980 مطرح كرد و سپس آن در مقاله كامل‌تري كه در 1990 منتشر كرد، بسط داد.
ماجراي اتاق چيني به اين صورت است: فرض كنيد داخل اتاقي يك نفر نشسته است و كتابي از قواعد سمبول‌هاي زبان چيني در اختيار دارد. براي اين فرد عبارات - سمبول‌‌هاي - چيني روي كاغذ نوشته مي‌شود و از زير درِ اتاق به داخل فرستاده مي‌شود. او بايد با مراجعه به كتاب قواعد پاسخ مناسب را تهيه كند و روي كاغذ پس بفرستد. اگر فرض كنيم كتاب مرجع مورد نظر به اندازه كافي كامل است، اين فرد مي‌تواند بدون اين‌كه حتي معني يك نماد از سمبول‌هاي زبان چيني را بفهمد، به پرسش‌ها پاسخ دهد. آيا مي‌توان به اين ترتيب نتيجه گرفت كه پاسخ دهنده هوشمند است؟
استدلال اصلي اين منتقد و ديگر منتقدان موضوع شبيه‌سازي اين است كه مي‌توان ماشيني ساخت (مثلاً يك نرم‌افزار لغتنامه) كه عبارات و اصطلاحات را ترجمه كند. يعني ماشيني كه كلمات و سمبول‌هاي ورودي را دريافت و سمبول‌ها و كلمات خروجي را توليد كند؛ بدون اين‌كه خود ماشين معني و مفهوم اين سمبول‌ها را درك كند. بنابراين آزمون تورينگ حتي در صورت موفقيت نيز نمي‌تواند ثابت كند كه يك ماشين هوشمند است.
در مقابل اين انتقاد دو نظر وجود دارد: يك دسته از دانشمندان كه بيشتر به نظريه تورينگ معتقدند، مي‌گويند اساساً چه دليلي وجود دارد كه باور نكنيم (دست‌كم) بخش بزرگي از آنچه را كه هوشمندي انسان تلقي مي‌كنيم، معلومات تقليدي تشكيل داده باشد؟ در واقع تمام سندي كه ما درباره متفكر بودن انسان داريم رفتاري است كه انديشه او پديد مي‌آورد، ولي درباره ماهيت و ساختار اين انديشه چيز زيادي نمي‌دانيم. دسته دوم، كساني هستند كه معتقدند اگر ماشين‌ها بتوانند با دنياي پيرامون خود كنش و واكنش داشته باشند، آنگاه مي‌توانند فكر كنند. منظور اين است كه كامپيوترها نيز مانند ما داراي حس بينايي، شنوايي، لامسه و حس‌هاي ديگر باشند. در اين صورت، تركيب همزمان <پاسخ‌هاي تقليدي> با <واكنش مناسب به محيط> يعني همان <هوشمندي>. اتفاقاً كسي مانند جان سيرل نيز تفكرات مشابهي دارد؛ با اين تفاوت كه به طور خاص او شكل ايده‌آل كنش و واكنش مورد نياز را همان تعامل بيولوژيكي مي‌داند.
انتقادات ديگري نيز به آزمون تورينگ وارد مي‌شود. ازجمله اين‌كه ممكن است يك ماشين هوشمند باشد، ولي نتواند همچون انسان ارتباط برقرار كند. ديگر اين‌كه، در آزمون تورينگ فرض مي‌شود كه انسان مورد آزمايش - يكي از دو نفري كه داخل اتاق در بسته به سؤالات پاسخ مي‌دهد - به اندازه كافي هوشمند است. در حالي كه با استناد به استدلال خود تورينگ مي‌توان نتيجه گرفت كه خيلي از افراد مانند بچه‌ها و افراد بيسواد در اين آزمون مردود مي‌شوند؛ نه به دليل هوشمندي ماشين، بلكه به دليل نداشتن مهارت كافي در ارتباط‌گيري از طريق مكاتبه.
مسئله ديگري كه در بحث هوش مصنوعي اهميت دارد، موضوع <قالب و محتوا> است. منظور از قالب يا Context در اينجا، ظرفي است كه محتوا داخل آن قرار مي‌گيرد.
يكي از پايه‌هاي هوشمندي انسان توجهي است كه او به قالب محتوا - و نه صرفاً خود محتوا - دارد. به عنوان مثال، وقتي مي‌گوييم <شير>، اين كلمه به تنهايي معاني متفاوتي دارد، ولي هنگامي كه همين واژه داخل يك جمله قرار مي‌گيرد، فقط يك معني صحيح دارد. انسان مي‌تواند معاني كلمات را نه فقط به صورت مجرد، بلكه با دنبال كردن نحوه وابستگيشان به جمله تشخيص دهد. مشابه همين هوشمندي، در تمام حس‌هاي پنجگانه انسان وجود دارد. به عنوان مثال، از نظر علمي ثابت شده است كه گوش انسان مي‌تواند هنگام توجه به صحبت‌هاي يك انسان ديگر در محيطي شلوغ، كلمات و عباراتي را كه نمي‌شنود، خودش تكميل كند يا چشم انسان مي‌تواند هنگام مشاهده يك تصوير، قسمت‌هاي ناواضح آن را با استفاده از دانسته‌هاي بصري قبلي خود تكميل كند.
از اين رو كارشناسان معتقدند، دانش پيش‌زمينه يا <آرشيو ذهني> يك موجود هوشمند نقش مؤثري در هوشمندي او بازي مي‌كند. در حقيقت منشأ پيدايش برخي از شاخه‌هاي مدرن و جديد دانش هوش مصنوعي همچون <سيستم‌هاي خبره> و <شبكه‌هاي عصبي> همين موضوع است و اساسا با اين هدف پديد آمده‌اند كه بتوانند به ماشين قدرت آموختن و فراگيري بدهند؛ هرچند كه هر يك از اين شاخه‌ها، از پارادايم متفاوتي براي آموزش به ماشين استفاده مي‌كنند و همين تفاوت‌ها مبنا و اساس دو جريان فكري عمده در محافل علمي مرتبط با هوش مصنوعي را پديد آورده‌اند.

فراتر از هوشمندي ماشين‌
چنان‌كه گفتيم، هوش مصنوعي دانش و مهندسي ساختن ماشين‌هاي هوشمند، به ويژه كامپيوترهاي هوشمند است. اما براستي هوشمندي چيست؟ در واقع هنوز دانشمندان نتوانسته‌اند تعريف واحدي از هوشمندي ارائه دهند كه مستقل از <هوش انساني> باشد. ما مي‌دانيم كه برخي از ماشين‌ها يا جانداران مي‌توانند هوشمند باشند، اما بشر هنوز نمي‌داند كه مايل است كدام دسته از فرآيندهاي محاسباتي يا پردازشي را هوشمندي بنامد. بنابراين براي پاسخ دادن به اين پرسش كه <آيا فلان ماشين هوشمند است؟> هنوز فرمول مشخصي وجود ندارد. در واقع هوشمندي، خود يك مفهوم فازي و نادقيق است. هوشمندي را مي‌توان يك فرآيند تلقي كرد كه دانشمندان هنوز در حال شبيه‌سازي، تحليل و حتي تعريف مشخصه‌هاي آن هستند. موضوع مهم ديگري كه در ارتباط با هوش مصنوعي مطرح است، هدف دانشمندان از به‌كارگيري آن است. روشن است كه هدف اوليه بشر از ورود به اين موضوع، شبيه‌سازي هوش انسان در كالبد ماشين بوده‌است. ولي امروزه ديگر چنين نيست و اين تصور كه هدف علم هوش‌مصنوعي تنها شبيه‌سازي هوش انساني است، تصوري نادرست است. در حقيقت موضوع شبيه‌سازي هوش انساني عاملي پيش‌برنده در اين حوزه از علم است كه به دانشمندان انگيزه مي‌دهد تا آن را توسعه دهند، اما در خلال روند توسعه، بشر مي‌تواند به دستاوردهايي برسد كه در تمام زمينه‌ها كاربرد دارد. سيستم‌هاي خبره و مبتني بر دانش نمونه‌اي از اين دستاوردهاست. بسياري از نرم‌افزارهاي موسوم به سيستم‌هاي تصميم‌سازي (Decision Making Systems) در شاخه اقتصاد و يا سيستم‌هايي كه در تجزيه و تحليل داده‌هاي علم پزشكي به كار مي‌روند از اين دستاورد بهره مي‌گيرند. هوش منصوعي همچنين بستري براي توسعه علومي كه مانند تئوري بازي‌ها يا منطق فازي خود شاخه مستقلي هستند پديد مي‌آورد تا در سايه همان عوامل انگيزشي، بتوانند رشد و توسعه پيدا كنند.در عين حال برخي از دستاوردهاي اين علم فراتر از بحث هوشمندي است. به عنوان مثال، افزايش قدرت محاسباتي و پردازشي كامپيوتر همواره به پيشرفت اين علم كمك كرده‌است. بنابراين ميزان موفقيت هوش مصنوعي در آينده نه فقط به خبرگي الگوريتم‌ها و متدولوژي‌ها، بلكه به سرعت پردازش‌ها و محاسبات كامپيوتري نيز بستگي دارد. اين دو لازم و ملزوم يكديگرند و به رشد هم كمك مي‌كنند. شايد پيروزي كامپيوتر Deep Blue بر كاسپاروف، قهرمان شطرنج، تأثير محسوسي بر زندگي روزانه ما نگذاشته باشد. اما همين مسابقه و تلاش‌هاي ديگري از اين دست، به صنعت كامپيوتر امكان مي‌دهند، توانايي خود را براي توليد سيستم‌هاي كارآمدتر و سودمندتري كه در زندگي روزانه بشر كاربرد دارند، افزايش دهد.

هوش مصنوعي‌ در بازي‌هاي كامپيوتري
در بسياري از ژانرهاي بازي‌هاي كامپيوتري، نزديك‌تر بودن به واقعيت، هم براي سازندگان و هم براي دوستداران بازي جايگاه ويژه‌اي دارد. گرافيك بازي‌ها در طبيعي‌تر جلوه دادن محيط و چهره‌ها، و استفاده از صدا و افكت‌هاي صوتي پيشرفته در واقعيت بخشيدن به اتفاقاتي كه در بازي‌ها با آن روبه‌رو مي‌شويم، مؤثرند. انيميشن نيز هر چه با دقت و جزئيات بيشتري طراحي شود، باورپذيرتر به نظر مي‌آيد. ولي آنچه دوستداران بازي را در ژانرهاي ويژه‌اي از بازي‌ها به وجد مي‌آورد، هوشمندي شخصيت‌هاي بازي است. حوصله همه از اين‌كه هم‌تيمي‌هاي مجازيشان در بازي‌هاي كامپيوتري نسنجيده عمل‌كنند، سر مي‌رود. گاه آن‌ها نمي‌توانند از خودشان هم محافظت كنند؛ چه برسد به آن‌كه بخواهند در طول بازي به شما كمك كنند. مبارزه با دشمناني كه دست كمي از افرادتان ندارند نيز جذابيتي ندارد. همان‌گونه كه گرافيك خوب به مدل‌ها، صداي خوب به رويدادها و انيميشن خوب به حركت‌هاي موجود در بازي واقعيت مي‌بخشد، استفاده از روش‌هاي مختلف هوش مصنوعي نيز رفتار شخصيت‌هاي بازي را طبيعي‌تر مي‌كند. در بازي‌هاي كامپيوتري، هوش مصنوعي بيشتر براي شخصيت‌هاي مجازي مقابل شما به كار مي‌رود و اگر در بازي، هم‌تيمي‌هايي نيز داشته باشيد كه خودِ بازي، آن‌ها را كنترل مي‌كند، براي آن‌ها نيز به كار مي‌رود. براي ملموس‌تر بودن توضيحاتي كه در ادامه پيش‌رو خواهد بود، از رفتار شخصيت‌هاي مجازي بازي Counter - 1.7 Strike در حالتي كه دست‌كم كنترل يك طرف بازي با كامپيوتر است و بازي‌هاي Quake استفاده خواهد شد. هوش مصنوعي در بازي Counter - Strike به خوبي پياده‌سازي شده است و بسياري از دوستداران بازي نيز با آن آشنا هستند. وقتي در هر مرحله، شخصيت‌ مجازي شما كشته مي‌شود و چند دقيقه‌اي از بازي بيرون هستيد، زمان خوبي است كه رفتار هم تيمي‌ها و دشمنانتان را بررسي كنيد و به عملكرد هوش مصنوعي آن‌ها پي ببريد. پنهان‌شدن، آهسته حركت كردن و همكاري آن‌ها با هم، بسيار ديدني است و در كمتر بازي‌اي چنين رفتارهايي ديده مي‌شود.

کلمه عبور تمامی فایلها:

کد:
www.a00b.com

جهت مطالعه ادامه ، لطفا فایل ضمیمه را دانلود فرمائید. لطفا پس از دانلود و یا مطالعه این مطلب یک فاتحه رفتگان مرا میهمان نمایید . . .



فایل‌(های) پیوست شده
.zip  HoshMasnoee170PagesDoc.zip (اندازه: 634.28 KB / تعداد دفعات دریافت: 277)


==================================================
طراحی وب سایت
پروژه های برنامه نویسی تجاری
دانلود پروژه های ASP.NET وب سایتهای آماده به همراه توضیحات
دانلود پروژه های سی شارپ و پایگاه داده SQL Server همراه توضیحات و مستندات
دانلود پروژه های UML نمودار Usecase نمودار class نمودرا activity نمودار state chart نمودار DFD و . . .
دانلود پروژه های حرفه ای پایگاه داده SQL Server به همراه مستندات و توضیحات
پروژه های حرفه ای پایگاه داده Microsoft access به همراه مستندات و توضیحات
دانلود پروژه های کارآفرینی
دانلود گزارشهای کارآموزی کارورزی تمامی رشته های دانشگاهی
قالب تمپلیت های آماده وب سایت ASP.NET به همراه Master page و دیتابیس
برنامه های ایجاد گالری عکس آنلاین با ASP.NET و JQuery و اسلایدشو به همراه کد و دیتابیس SQL کاملا Open Source واکنشگرا و ساده به همراه پایگاه داده
==================================================
یافتن تمامی ارسال‌های این کاربر
نقل قول این ارسال در یک پاسخ
ارسال پاسخ 


پرش به انجمن:


کاربرانِ درحال بازدید از این موضوع: 1 مهمان