شرحی بر هوش مصنوعي
هوش مصنوعي چيست؟
هوش مصنوعي تکنيکي براي خلق کردن ماشين هايي است که قادر به فکر کردن بدون نياز به انسان ها مي باشند.هوش مصنوعي بطور خلاصه ترکيبي از علوم کامپيوتر ، فيزيولوژي و فلسفه است. اين شاخه از علوم بسيار گسترده و متنوع است و از موضوعات و رشته هاي مختلف علوم و فن آوري ، مانند مکانيزم هاي ساده در ماشين ها شروع شده ، و به سيستم هاي خبره ختم مي شود. هدف هوش مصنوعي بطور کلي ساخت ماشيني است که بتواند "فکر" کند. اما براي دسته بندي و تعريف ماشين هاي متفکر ، مي بايست به تعريف "هوش" پرداخت. همچنين به تعاريفي براي "آگاهي" و "درک " نيز نيازمنديم و در نهايت به معياري براي سنجش هوش يک ماشين نيازمنديم. به مدد تحقيقات وسيع دانشمندان علوم مرتبط، هوش مصنوعي از بدو پيدايش تا کنون راه بسياري پيموده است. در اين راستا، تحقيقاتي که بر روي توانايي آموختن زبان ها انجام گرفت و همچنين درک عميق از احساسات ، دانشمندان را در پيشبرد اين علم ، ياري کرده است. يکي از اهداف متخصصين ، توليد ماشين هايي است که داراي احساسات بوده و حداقل نسبت به وجود خود و احساسات خود واقف باشند. اين ماشين بايد توانايي تعميم تجربيات قديمي خود در شرايط مشابه جديد را داشته و به اين ترتيب اقدام به گسترش دامنه دانش و تجربياتش کند.
براي مثال به رباتي هوشمند بيانديشيد که بتواند اعضاي بدن خود را به حرکت درآورد، او نسبت به اين حرکت خود آگاه بوده و با سعي و خطا ، دامنه حرکت خود را گسترش مي دهد، و با هر حرکت موفقيت آميز يا اشتباه ، دامنه تجربيات خود را وسعت بخشيده و سر انجام راه رفته و يا حتي مي دود و يا به روشي براي جابجا شدن ، دست مي يابد ، که سازندگانش ، براي او ، متصور نبوده اند. دانشمندان ، عموما براي توليد چنين ماشين هايي ، از تنها مدلي که در طبيعت وجود دارد ، يعني توانايي يادگيري در موجودات زنده بخصوص انسان ، بهره مي برند. آنها بدنبال ساخت ماشيني مقلد هستند ، که بتواند با شبيه سازي رفتارهاي ميليون ها سلول مغز انسان ، همچون يک موجود متفکر به انديشيدن بپردازد.
مباحث هوش مصنوعي قبل از بوجود آمدن علوم الکترونيک، توسط فلاسفه و رياضي داناني نظير بول که اقدام به ارائه قوانين و تئوري هايي در باب منطق نمودند، مطرح شده بود. در سال ۱۹۴۳، با اختراع کامپيوترهاي الکترونيکي ، هوش مصنوعي ، دانشمندان را به چالشي بزرگ فراخواند. بنظر مي رسيد تکنولوژي در نهايت قادر به شبيه سازي رفتارهاي هوشمندانه خواهد بود.
با وجود مخالفت گروهي از متفکرين با هوش مصنوعي که با ديده ترديد به کارآمدي آن مي نگريستند تنها پس از چهار دهه ، شاهد تولد ماشين هاي شطرنج باز و ديگر سيستم هاي هوشمند در صنايع گوناگون هستيم. هوش مصنوعي که همواره هدف نهايي علوم کامپيوتر بوده است اکنون در خدمت توسعه علوم کامپيوتر نيز مي باشد. زبان هاي برنامه نويسي پيشرفته ، که توسعه ابزارهاي هوشمند را ممکن مي سازند، پايگاه هاي داده اي پيشرفته ، موتورهاي جستجو ، و بسياري نرم افزار ها و ماشين ها از نتايج تحقيقات هوش مصنوعي بهره مي برند.
رؤياي طراحان اوليه كامپيوتر از بابيج تا تورينگ ، ساختن ماشيني بود كه قادر به حل تمامي مسائل باشد، البته ماشيني كه در نهايت ساخته شد ( كامپيوتر ) به جز دسته اي خاص از مسائل قادر به حل تمامي مسائل بود. اما نكته در اينجاست كه اين «تمامي مسائل» چيست؟ طبيعتاً چون طراحان اوليه كامپيوتر ، منطقدانان و رياضيدانان بودند ، منظورشان تمامي مسائل منطقي يا محاسباتي بود. بدين ترتيب عجيب نيست ، هنگامي كه فوننيومان سازنده اولين كامپيوتر ، در حال طراحي اين ماشين بود، كماكان اعتقاد داشت براي داشتن هوشمندي شبيه به انسان ، كليد اصلي، منطق ( از نوع به كار رفته در كامپيوتر ) نيست، بلكه احتمالاً چيزي خواهد بود شبيه ترموديناميك!
به هرحال، كامپيوتر تا به حال به چنان درجهاي از پيشرفت رسيده و چنان سرمايهگذاري عظيمي برروي اين ماشين انجام شده است كه به فرض اين كه بهترين انتخاب نباشد هم ، حداقل سهلالوصولترين و ارزانترين و عموميترين انتخاب براي پيادهسازي هوشمندي ست.
بنابراين ظاهراً به نظر ميرسد به جاي سرمايهگذاري براي ساخت ماشينهاي ديگر هوشمند ، ميتوان از كامپيوترهاي موجود براي پيادهسازي برنامههاي هوشمند استفاده كرد و اگر چنين شود ، بايد گفت كه طبيعت هوشمندي ايجاد شده حداقل از لحاظ پيادهسازي ، كاملاً با طبيعت هوشمندي انساني متناسب خواهد بود ، زيرا هوشمندي انساني ، نوعي هوشمندي بيولوژيك است كه با استفاده از مكانيسمهاي طبيعي ايجاد شده ، و نه استفاده از عناصر و مدارهاي منطقي . در برابر تمامي استدلالات فوق مي توان اين نكته را مورد تاُمل و پرسش قرار داد كه هوشمندي طبيعي تا بدان جايي كه ما سراغ داريم ، تنها برمحمل طبيعي و با استفاده از روش هاي طبيعت ايجاد شده است.
AI هاي متخصص
يک ماشين تنها در صورتي به عنوان يک AI شناخته مي شود که از يکسري قابليت هاي خاص برخودار باشد. يکي از اين قابليت ها داشتن شناخت از وجود خود است. اين بدان معناست که ماشين از وجود خود آگاه باشد. هر انسان به طور طبيعي از حضور و وجود خود آگاه است اما هنوز مدرکي دال بر sentient بودن حيوانات در دست نيست.
اين نمونه از نرم افزارها براي انجام يکسري کارهاي تخصصي طراحي شده اند و به طبع از قابليت هاي بالايي نيز برخودار مي باشند. اينگونه برنامه ها معمولاً به يک بانک اطلاعاتي بسيار وسيع مجهز مي باشند که آنها را قادر به پاسخگويي به سوالات کاربران مي سازد. در حقيقت اين برنامه ها براي رشته هايي مانند پزشکي ، مهندسي و ... طراحي شده اند و وظيفه آنها ذخيره سازي اطلاعات مفيدي است که به خاطر سپردن آنها توسط انسان بسار دشوار مي باشد، اگرچه اينگونه برنامه ها از يک اشکال پايه اي رنج مي برند.
زماني که سوال مطرح شده توسط کاربر در محدوده اطاعات ذخيره شده در آنهاست هيچ مشکلي پيش نخواهد امد اما ضعف آنها هنگامي پديدار مي شود که سوال مطرح شده کمي خارج از حوزه اطلاعاتي آنها قرار گيرد که در اين صورت اينگونه برنامه ها به کلي از پاسخ گويي به سوال درمانده خواهند بود. اين ناتواني از آنجا ناشي مي شود که اين دسته از برنامه ها توانايي عموميت دادن (Generalization ) را ندارند.
منظور از عموميت دادن چيست؟
منظور از عموميت دادن توانايي خلق کردن اطلاعات جديد بر اساس اطلاعات قديمي است. تمامي انسان ها از اين توانايي برخوردار هستند اگرچه ماشين ها به طور کامل و همانند انسان چنين توانايي را ندارند.
براي درک بهتر موضوع به اين مثال ساده توجه کنيد:
جان در يک کمپاني کار مي کند. در محل کار او کابل هايي وجود دارد که توسط يکسري اشکال خواص علامت گذاري شده اند و نشانگراين موضوع هستند که اين کابل ها حامل برق مي باشند. جان در محل ديگري يکسري کابل با علائم مشابه را مشاهده مي کند و نتيجه ميگيرد که اين کابل ها نيز حاوي جريان برق هستند.ماشين تورينگ در سال ۱۹۵۰ آلن تورينگ (Alain Turing ) رياضي دان انگليسي ، معيار سنجش رفتار يک ماشين هوشمند را چنين بيان داشت:
"سزاوارترين معيار براي هوشمند شمردن يک ماشين ، اينست که آن ماشين بتواند انساني را توسط يک پايانه ( تله تايپ ) به گونه اي بفريبد که آن فرد متقاعد گردد با يک انسان روبروست."
در اين آزمايش شخصي از طريق ۲ عدد پايانه ( کامپيوتر يا تله تايپ ) که امکان برقراري ارتباط را براي وي فراهم مي کنند با يک انسان و يک ماشين هوشمند ، بطور همزمان به پرسش و پاسخ مي پردازد. در صورتي که وي نتواند ماشين را از انسان تشخيص دهد، آن ماشين، هوشمند است. آزمايش تورينگ از قرار دادن انسان و ماشين بطور مستقيم در برابر يکديگر اجتناب مي کند و بدين ترتيب، چهره و فيزيک انساني مد نظر آزمايش کنندگان نمي باشد. ماشيني که بتواند از
س آزمون تورينگ برآيد، از تفکري انساني برخوردار است.مدل سازي نحوه تفکر انسان، تنها راه توليد ماشينهاي هوشمند نيست. هم اکنون دو هدف براي توليد ماشينهاي هوشمند، متصور است، که تنها يکي از آن دو از الگوي انساني جهت فکر کردن بهره مي برد. سيستمي که مانند انسان فکر کند. اين سيستم با مدل کردن مغز انسان و نحوه انديشيدن انسان توليد خواهد شد و لذا از آزمون تورينگ سر بلند بيرون مي آيد. از اين سيستم ممکن است اعمال انساني سر بزند. سيستمي که عاقلانه فکر کند، سيستمي عاقل است که بتواند کارها را درست انجام دهد. در توليد اين سيستمها نحوه انديشيدن انسان مد نظر نيست. اين سيستم ها متکي به قوانين و منطقي هستند که پايه تفکر آنها را تشکيل داده و آنها را قادر به استنتاج و تصميم گيري مي نمايد. آنها با وجودي که مانند انسان نمي انديشند، تصميماتي عاقلانه گرفته و اشتباه نمي کنند. اين ماشين ها لزوما درکي از احساسات ندارند. هم اکنون از اين سيستمها در توليد عامل ها ² در نرم افزارهاي کامپيوتري، بهره گيري مي شود.
عامل
عامل تنها مشاهده کرده و سپس عمل مي کند. عامل قادر به شناسايي الگوها ، و تصميم گيري بر اساس قوانين فکر کردن خود است. قوانين و چگونگي فکر کردن هر عامل در راستاي دستيابي به هدفش ، تعريف مي شود. اين سيستم ها بر اساس قوانين خاص خود فکر کرده و کار خود را به درستي انجام مي دهند. پس عاقلانه رفتار مي کنند ، هر چند الزاما مانند انسان فکر نمي کنند.
عامل انساني اندام هايي مانند گوش ها، چشم ها و ديگر ارگان ها براي حس کردن و دست ها، پاها، بيني و ديگر اندام ها براي اثر گذاري دارد.عامل روباتيک دوربين ها يابنده هاي مادون قرمز را بجاي حس گرها و انواع موتورها را بجاي اثر کننده ها جايگزين کرده است. عامل نرم افزاري رشته هاي بيتي را به عنوان درک محيط و عمل، کدگذاري مي کند.
معيارهاي موفقيت
يکي ازمهمترين سوالاتي که در رابطه با هر پروژه تحقيقاتي مهندسي يا علمي محتاج پاسخ است اين است که « چگونه بدانيم که موفق شده ام يا شکست خورده ايم؟» براي ما هم اين سوال مطرح است که چگونه بدانيم يک ماشين باهوش ساخته ايم؟ ولي اصلا" « هوش» يعني چه؟
آيا راهي براي سنجيدن ميزان پيشرفت ما در اين کار وجود دارد؟همانطور که در بالا گفته شد تست تورينگ روشي است براي سنجيدن و پاسخگويي به اين سوال که آيا ماشيني قادر به فکر کردن است. نکته مهمتر مقدار دانش يا دانسته هايي استکه يک ماشين بايد دارا باشد تا در آزمايش تورينگ موفق شود.مدتها وقت لازم است تا کامپيوتري بتواند از آزمايش تورينگ موفق بيرون بيايد. برخي معتقدند که هيچ کامپيوتري موفق نخواهد شد. اما فرض کنيد ما تقليد ساده تر انسان را هم قبول داريم، آيا حالا مي توانيم موفقيت هوش مصنوعي را در قلمروهاي محدودتر بسنجيم؟ معمولا" پاسخ به اين سوال مثبت است.گاهي اوقات هم مي توان ميزان موفقيت برنامه را به دقت سنجيد. براي مثال برنامه اي که بازي شطرنج انجام مي دهد را مي توان همانند انسان هاي شطرنج باز درجه بندي کرد. اين درجه بندي بر اساس بازيکناني است که برنامه شکست مي دهند. همين حالا هم برنامه هاي شطرنج باز درجه بندي بالاتري نسبت به اکثر مردم شطرنج باز بدست آورده اند. براي اکثر قلمروها درجه بندي ميزان موفقيت يک برنامه کمتر دقيق است.
در حال حاضر بهترين کاري که مي توان کرد اينست که در هنگام طراحي يک برنامه هوش مصنوعي سعي کنيم معيار هاي موفقيت برنامه را هم مشخص سازيم.
بررسي علوم دخيل در هوش مصنوعي تا بدان جايي كه هوش مصنوعي تنها به بررسي روش هاي حل مسائل رياضي و مجرد توسط كامپيوتر مىپرداخت ، مىتوانستيم قطعاً آن را يكي از زير شاخه هاي علوم كامپيوتر بدانيم ؛ اما امروزه با اضافه شدن ملاحظات جديدي كه در فوق اشاره اي بدان رفت، ديگر نمىتوان با اين قطعيت قضاوت كرد. علومي از قبيل : معرفت شناسي كه در فلسفه ذهن مطرح است ، عصب شناسي شناختي ، و نيز روانشناسي شناختي به همراه هوش مصنوعي مجموعه اي تحت عنوان علوم شناختي را تشكيل مىدهند. از ديگر سو ، رباتيك به عنوان همبسته تكنولوژيك هوش مصنوعي ، خود دانشي است كه داده هاي علوم مكانيك و كامپيوتر و كنترل را يك جا مىطلبد.
بررسي هوشمندي
چه چيزي در انسان يا هر موجود ديگري آنقدر ويژه و خاص است كه او را با صفت هوشمند از ساير موجودات متمايز مىكند؟ آيا چنين صفتي تنها خاص انسان است، يا مىتوان درجات مختلف آن را به موجودات ديگر نيز نسبت داد. قدر مسلم اين كه از سادهترين رفتار مورچه ها و زنبورها تا رفتارهاي پيچيده ميمون ها در تعيين سلسله مراتب پيچيده اجتماعي يا روش هاي تشخيص الگوهاي چند بعدي توسط كبوتران ، همگي حاوي درجاتي از هوشمندي هستند ( و در بعضي موارد نه چندان كمتر از انسان ). بنابر اين پاسخ به اين سئوال كه هوشمندي چيست يا حتي چگونه ايجاد شده است ما را در ساخت يك موجود هوشمند با توانايي تطبيق و عمل در محيط واقعي ياري مىدهد.
آشنايي با روش هاي هوشمند و کاربرد آنها در تکنولوژي
آنچه كه باعث شده تا هوش مصنوعي امروزه به عنوان يك رشته مهندسي مطرح باشد اين است كه طيف وسيعي از كاربردهاي آن، از رباتيك گرفته تا روش هاي هوشمند كنترلي مقبوليت وسيعي در صنعت يافته اند. روش هايي همچون منطق فازي ، استراتژي تکاملي ، الگوريتم ژنتيك ، شبكه هاي عصبي مصنوعي ... همگي روش هايي هستند كه با الهام از طبيعت و براي دستيابي به هوشمندي طبيعي طراحي شده اند اما كاربرد عظيمي در مهندسي و صنعت يافته اند. كاربردي كه تا حدود يك دهه قبل حتي گمان آن نيز نمىرفت. رباتيك نيز چه در غالب روش هاي جابجايي بازوهاي مكانيكي، و چه در شكل ربات هاي متحرک در اين بحث جايگاه ويژه اي را به خود اختصاص داده است.
بررسي هوش مصنوعي گسترده يا Intelligence Distributed Artificial
يك روش برخورد با مسائل حل آنهاست! بله تعجب نكنيد ، اين تنها يك روش مواجهه با مسائل است. بجز اين روش ( و البته حل نكردن مسئله! ) راه ديگري نيز وجود دارد. فرض كنيد مىخواهيم يك ربات متحرك بسازيم كه در شرايط طبيعي حركت كند ، مسير انتخاب كند و ...يك روش اين است كه طراح تمامي جزئيات را از ابتدا و به صورت كاملاً دقيق در نظر بگيرد. اين روش منجر به ماشيني كاملاً پيچيده و عموماً غير قابل پياده سازي خواهد شد. ماشيني كه با اندك تغييري در شرايط پيش بيني شده ناكارا خواهد بود. روش ديگر اين است كه مانند خود طبيعت، ربات بسيار ساده اي طراحي كنيم ( گاه به سادگي يك مورچه ) و اجازه دهيم تا اين ربات ساده خود مسائل را به جاي ما حل كند. يا حتي اجازه دهيم يك اجتماع از ربات ها از طريق تعامل با يكديگر به حل مسائل بپردازند. قانون طلايي در اينجا اين است كه پيچيدگي يك اجتماع ، حاصلضرب پيچيدگي تك تك عناصر آن است ( تئوري پيچيدگي ) ، بنابراين يك اجتماع با عناصر بسيار ساده هم ممكن است به صورت كاملاً پيچيده و هوشمند عمل كند. بحث هاي هوش مصنوعي گسترده كه اغلب عجين با مبحث عامل هاي هوشمند ( Artificial Agents ) است و نيز مباحث زندگي مصنوعي (Artificial Life ) به عنوان جديدترين مباحث هوش مصنوعي اينك چه در دنياي رباتيك و چه در دنياي نرم افزارهاي كامپيوتري طرفداران زيادي پيدا كرده است (شركت هاي بزرگي همچون IBM و نيز نهادهاي نظامي كشورهاي پيشرفته سرمايه گذاري هاي کلاني در اين زمينه کرده اند).
تكنيك ها و زبان هاي برنامه نويسي هوش مصنوعي
عملكرد اوليه برنامه نويسي هوش مصنوعي ايجاد ساختار كنترلي مورد لزوم براي محاسبه سمبوليك است. خصوصيات اين ساختارها به مقدار زيادي موجب تشخيص خصوصياتي مي شود كه يك زبان كاربردي مي بايستي فراهم كند. زبان هاي برنامه نويسيLISP و PROLOG علاوه بر اين كه از مهمترين زبان هاي مورد استفاده در هوش مصنوعي هستند، خصوصيات معنايي و نحوي آنها نيز باعث شده كه آنها شيوه ها و راه حل هاي قوي براي حل مسئله ارائه كنند. تأثير قابل توجه اين زبان ها بر روي توسعه AI از جمله توانائي آنها به عنوان «ابزارهاي فكر كردن» مي باشد كه از جمله نقاط قوت آنها در زبان هاي برنامه نويسي مي باشد. همان طور كه هوش مصنوعي مراحل رشد خود را طي مي كند زبان هايLISP و PROLOG بيشتر مطرح مي شوند. اين زبان ها كار خود را در محدوده توسعه سيستم هاي AI در صنعت و دانشگاه ها دنبال مي كنند. اطلاعات در مورد اين زبانها به عنوان بخشي از مهارت هر برنامه نويس AI مي باشد. آنــــچه را كـــه نمي دانيم موجب دردسر و گرفتاري ما نخواهد شد، بلكه دردسرها از دانسته ها سرچشمه مي گيرد.
PROLOG
يك زبان برنامه نويسي منطقي است. يك برنامه منطقي داراي يك سري ويژگي هاي قانون و منطق است. PROLOG از محاسبه اوليه استفاده مي كند. در حقيقت خود اين نام از برنامه نويسي PRO در LOGIC مي آيد. يك مفسر برنامه را بر اساس يك منطق مي نويسد. ايده استفاده توصيفي محاسبه اوليه براي بيان خصوصيات حل مسئله يكي از محوريت هاي مشاركت PROLOG مي باشد كه براي علم كامپيوتر به طور كلي و به طور اخص براي زبان برنامه نويسي هوشمند مورد استفاده قرار مي گيرند. مزيت اين زبان به وسيله پروژه هايي كه براي ارزيابي و گسترش قدرت بيان برنامه هاي منطقي نوشته شده اند، اثبات شده است.
LISP
اصولا LISP يک زبان كامل است كه داراي عملكردها و ليست هاي لازمه براي توصيف عملكردهاي جديد ، تشخيص تناسب و ارزيابي معاني مي باشد. LISP به برنامه نويس قدرت کامل براي اتصال به ساختارهاي اطلاعاتي را مي دهد. گرچه LISP يکي از قديمي ترين زبان هاي محاسباتي است که هنوز فعال است ، ولي دقت کافي در برنامه نويسي و طراحي توسعه باعث شده كه اين يك زبان برنامه نويسي فعال باقي بماند. در حقيقت اين مدل برنامه نويسي طوري مؤثر بوده است، كه تعدادي از ديگر زبان ها بر اساس عملكرد برنامه نويسي آن واقع شده اند مثل: FP ، ML و SCHEME .
يكي ازمهم ترين برنامه هاي مرتبط با LISP برنامه SCHEME مي باشد كه يك تفكر دوباره درباره زبان در آن وجود دارد كه به وسيله توسعه AI و براي آموزش اصول مفاهيم علم كامپيوتر مورد استفاده قرار ميگيرند.
تاريخچه هوش مصنوعي و افق هاي هوش مصنوعي
اولين کاري که به طور جدي در حيطه AI شناخته مي شود توسط وارن مک کلود و والتر پيتز در سال ۱۹۴۳ انجام شد. مک کلود ( روانشناس ، فيلسوف و شاعر ) و پيتز ( رياضيدان ) طي مقالهاي ، ديدههاي آن روزگارا درباره محاسبات ، منطق و روانشناسي عصبي را تركيب كردند. ايده اصلي آن مقاله چگونگي انجام اعمال منطقي به وسيله اجزاي ساده شبكه عصبي بود. اجزاي بسيار ساده ( نورونها ) اين شبكه فقط از طريق سيگنال هاي تحريك و توقيف با هم درتماس بودند. اين همان چيزي بود كه بعدها دانشمندان كامپيوتر آن را مدارهاي ( And ) و ( OR ) ناميدند و طراحي اولين كامپيوتر در ۱۹۴۷ توسط فون نيومان عميقاً از آن الهام ميگرفت. امروز پس از گذشته نيمقرن از كار آنها شايد بتوان گفت كه اين كار الهام بخش گرايشي كاملاً پويا و نوين در هوش مصنوعي است. پيوندگرايي هوشمندي را تنها حاصل كار موازي و همزمان و در عين حال تعامل تعداد بسيار زيادي اجزاي كاملاً ساده به هم مرتبط ميداند. شبكههاي 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. علاوه بر اين كار بر روي توسعه سيستمهاي هوشمند با الهام از طبيعت اكنون از زمينههاي كاملاً پرطرفدار در هوش مصنوعي است.
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 در اين زمينه پيشنهاد شده اند.
دراين زمينه هر گوشهاي از سازو كار طبيعت كه پاسخ بهينهاي را براي مسائل يافته است مورد پژوهش قرار ميگيرد. زمينههايي چون سيستم امنيتي بدن انسان كه در آن بيشمار الگوي ويروسهاي مهاجم به صورتي هوشمندانه ذخيره ميشوند و يا روش پيدا كردن كوتاهترين راه به منابع غذا توسط مورچگان همگي بيانگر گوشههايي ازهوشمندي بيولوژيك هستند.
گرايش ديگر هوش مصنوعي بيشتر بر مدل سازي اعمال شناختي تاُكيد دارد ( مدل سازي نمادين يا سمبوليك ) اين گرايش چندان خود را به قابليت تعمق بيولوژيك سيستمهاي ارائه شده مقيد نميكند. بعنوان مثال روند استدلال توسط يك پزشك هنگام تشخيص يك بيماري كاملاً شبيه به CBR است به اين ترتيب كه پزشك در ذهن خود تعداد بسيار زيادي از شواهد بيماريهاي شناخته شده را دارد و تنها بايد مشاهدات خود را با نمونههاي موجود در ذهن خويش تطبيق داده ، شبيهترين نمونه را به عنوان بيماري بيابد. به اين ترتيب مشخصات ، نيازمنديها و تواناييهاي CBR به عنوان يك چارچوب كلي پژوهش در هوش مصنوعي مورد توجه قرارگرفته است. البته هنگامي كه از گرايشهاي آينده سخن ميگوييم ، هرگز نبايد از گرايشهاي تركيبي غفلت كنيم. گرايشهايي كه خود را به حركت در چارچوب شناختي يا بيولوژيك يا منطقي محدود نكرده و به تركيبي از آنها ميانديشند. شايد بتوان پيشبيني كرد كه چنين گرايشهايي فرا ساختارهاي رواني را براساس عناصر ساده بيولوژيك بنا خواهند كرد.
نتيجه گيری
نتايجي که مي توانيم از اين مقاله بر مسئله مهم هوش مصنوعي بگيريم اينست که مسائل متنوع ، جالب و سخت مي باشند. اگر آنها را حل کنيم حداقل دو هدف اساسي را ممکن است بدست آورده باشيم. يکي اينکه بايد سعي کنيم معيارهايي را مشخص سازيم تا بتوانيم بفهميم که آيا موفق به حل مسئله شده ايم يا خير و ديگري اينکه خود مسئله را حل نماييم. يک سيستم هوش مصنوعي بايد مقدار بسيار زيادي دانش داشته باشد تا بتواند مسائل مهم را حل کند. اما به مرور که مقدار دانش افزايش مي يابد سخت تر مي توان به اطلاعات مورد نظر دست يافت. بنابراين به دانش بيشتري نياز است تا در اين رابطه کمک کند و خود باعث سخت تر شدن دستيابي ها مي گردد... هدف ما در هوش مصنوعي ، نوشتن برنامه هايي است که مسائل مورد توجه ما را حل مي کنند.
خلاصه:
• هوش مصنوعي بطور خلاصه ترکيبي است از علوم رايانه ، فيزيولوژي و فلسفه. اين شاخه از علوم بسيار گسترده و متنوع است و از موضوعات و رشتههاي مختلف علوم و فناوري ، مانند سازکارهاي ساده در ماشين ها شروع شده ، و به سيستم هاي خبره ختم ميشود. هدف هوش مصنوعي بطور کلي ساخت ماشيني است که بتواند "فکر" کند.
• هوش به طور قطعي به عمل منطقي مربوط مي شود. عامل هوشمند بهترين عمل ممکن را در هر شرايطي در نظر مي گيرد. ما مسئله ساختن عامل هايي که در اين معنا هوشمند هستند را مطالعه مي کنيم.
• LISP و PROLOG هر دو داراي زبان هاي برنامه نويسي غني و كاملي هستند. وقتي كه اين زبان ها را فرا مي گيريم، دانشجو در ذهن و فكر خود درباره روش هايي كه آنها به وسيله ويژگي هاي خاص هر زبان پشتيباني مي كنند ، نيازهايي را نگهداري مي كند
• تاريخچه AI دوره هايي ار موفقيت ودلسردي را از سر گذرانيده است. همچنين دوره هايي از معرفي رهيافت هاي جديد خلاق و تصحيح سيستماتيک وجود داشته است.
رشتههاي مهندسي كامپيوتر و فناوري اطلاعات از نظر حرفهاي و علمي داراي سه بعد اساسي بوده و هدف از تربيت مهندسين و توسعه آموزش عالي در اين رشته آن است كه ابعاد مذكور تقويت گردد و اين ابعاد عبارتند از ابعاد مهندسي، علمي و تحقيقاتي و اقتصادي.