هوش مصنوعی (Artificial-Intelligence)، هوشی است که توسط دستگاهها ارائه می گردد. در علم کامپیوتر دستگاه هوشمند یک عامل عقلانی (Rational agent) انعطاف پذیر است که محیط اطرافش را درک کرده و برای افزایش احتمال موفقیت در اهداف تعیین شده، اقداماتی را انجام می دهد.
به طور عامیانه واژه “هوش مصنوعی” زمانی به کار برده می شود که یک دستگاه از “عملکردهای شناختی” که طی آن انسانها از اندیشه ها و افکار دیگر انسانها بهره می گیرند، تقلید کند، عملکرد های شناختی همچون؛ یادگیری و حل مشکلات.
امروزه هر چه دستگاهها توانمندتر می شوند، اندیشه سابق هوشمند کردن آنها دیگر بی معنی می شود. بعنوان مثال هر چند که “تشخیص نوری کاراکتر” مدت زیادی نیست که به عنوان هوش مصنوعی شناخته شده است، امروزه به یک تکنولوژی روتین تبدیل شده است. توانایی هایی که هنوز هم به عنوان هوش مصنوعی در نظر گرفته می شوند عبارتند از؛ بازی شطرنج پیشرفته، سیستم های بازی “گو” و خودروهای بدون راننده.
پژوهش های هوش مصنوعی به زیر شاخه هایی تقسیم می شوند که تمرکز آنها؛ بر مشکلات خاص، رهیافت های دقیق، استفاده از ابزارهای خاص و یا برآوردن کاربردهای خاص می باشد.
عمده چالش های (اهداف) هوش مصنوعی عبارتند از: استدلال، دانش، برنامه ریزی، یادگیری، پردازش زبان ذاتی(ارتباط)، درک و توانایی حرکت و به کارگیری ماهرانه ی اشیاء است.
هوش مصنوعی عمومی (هوشی که دستگاه را به انجام کار ذهنی، آنگونه که بشر قادر به انجام آن است، توانمند سازد) از جمله اهداف دراز مدت است. رهیافت ها شامل: روش های آماری، هوش محاسباتی، محاسبات نرم (مانند یادگیری ماشینی) و سنت نمادین هوش مصنوعی هستند. ابزارهای بسیاری در هوش مصنوعی به کار گرفته شده اند که انواع تحقیق و بهینه سازی ریاضی، منطق، شیوه های مبتنی بر احتمال و اقتصاد را احاطه کرده است.
رشته هوش مصنوعی از علم کامپیوتر، ریاضیات، روانشناسی، زبان شناسی، فلسفه، عصب شناسی و روانشناسی مصنوعی بهره می برد.
هوش مصنوعی بر این ادعا پایه ریزی شده است که میتوان هوش انسانی را جزء به جزء ترسیم کرده و دستگاهی برای تقلید از آن ساخت. این مطلب بحث و جدل های فلسفی در مورد ذات ذهن و اخلاقیات موجود مصنوعی بهره مند شده از هوش شبه انسانی، را بالا برده است، مسائلی که از عصر باستان در افسانه ها، خیالات و فلسفه مطرح شده بود.
تلاش ها برای خلق هوش مصنوعی عقب نشینی های زیادی را تجربه کرده است، از جمله گزارش ALPAC(کمیته مشورتی پردازش زبان اتوماتیک) در سال 1966، دست کشیدن از پرسپترون (یک نوع شبکه عصبی مصنوعی) در سال 1970، گزارش لایتیل در سال 1973 و نیز اقدامی تحت عنوان “Collapse of the Lisp machine market” .
تاریخچه هوش مصنوعی
زمانیکه در عصر باستان مفهوم موجود مصنوعی (چیزی که قادر به فکر کردن باشد) بعنوان یک ابزار داستان سرایی شناخته شده بود، ایده تلاش برای ساخت ماشینی که تفکر سودمند انجام دهد توسط “رامون لیول” (حدود سال 1300 میلادی) ارائه گردید.
نخستین ماشین حساب در سال 1623 میلادی توسط دانشمندی به نام “ویلهم شیکارد” ساخته شد. “گوتفرید لایب نیتس” نسخه ای به اصطلاح ناپخته از موجود مصنوعی را ساخت که گرایش این ماشین به اجرای عملیات مفهومی بیشتر از عملیات اعداد بود. از قرن نوزدهم میلادی موجودات مصنوعی در افسانه ها رواج یافتند؛ رمان “فرانکشتاین” خانم “مری شلی” و یا آدم های ماشینی “کارل چاپک”. استدلال مکانیکی یا صوری، توسط فلاسفه و ریاضیدانان در عصر باستان مطرح شد. در قرن نوزدهم “جرج بول” اندیشه های پیشین را به “منطق گزاره ای” اصلاح کرده و “گوتلوب فرگر” یک سیستم نت برداری برای استدلال ماشینی توسعه داد (یک حساب گزاره ای).
در دهه 1940، نظریه محاسبات “آلن تورینگ” بیان کرد که یک ماشین با چینش نمادهایی ساده هم چون “0” و “1” می تواند هر عمل ممکن در استنتاج ریاضی را انجام دهد.
این اندیشه که کامپیوترهای دیجیتال قادر به تقلید هرگونه استدلال صوری هستند، به عنوان فرضیه”چرچ تورینگ” شناخته شد. پیشرفتها در علم عصب شناسی (نظریه اطلاعات و سایبرنتیک)، دانشمندان را به تأمل در مورد امکان ساخت مغز الکترونیکی وا داشت. نخستین اقدامی که عموماً امروزه به عنوان هوش مصنوعی شناخته می شود طرح “مک کولو” و “پیت” برای عصب مصنوعی “تورینگ کامل”بود.
رشته تحقیق در هوش مصنوعی سال 1956 در کالج دارتموث بنیان نهاده شد. جان مک کارتی، ماروین متیسکی، آلن نِوِل، آرتور ساموئل و هربرت سیمون به این رشته گرویده و از پیشگامان تحقیقات در هوش مصنوعی شدند. آنها به همراه دانشجویان خود، برنامه هایی را نوشتند که مایه بهت و حیرت عامه مردم بود؛ کاربرد کامپیوترها در نقش مأمور کنترل چی، حل مشکل کلمات در جبر، اثبات نظریات استدلالی و سخن گفتن به زبان انگلیسی از جمله موفقیت های این گروه بود.
در اوسط دهه 1960 میلادی پژوهش های بسیاری در دپارتمان دفاع ایالات متحده پایه ریزی شده و آزمایشگاه های بسیاری در سرتاسر جهان تأسیس گردید. بنیانگذران هوش مصنوعی به آینده امیدوار بودند. “هربرت سیمون” پیش بینی کرد، ماشین ها در عرض 20 سال خواهند توانست هر کاری که بشر قادر به انجام آن هست را انجام دهند. “ماروین مینسکی” نیز موافق این پیش بینی بود و نوشت: در طی یک نسل . . . مشکل ایجاد هوش مصنوعی به طور کامل حل خواهد شد. آنها از تشخیص برخی مشکلات باقیمانده عاجز بودند.
در سال 1974 از سرعت پیشرفتها کاسته شد. در واکنش به انتقاد “جیمز لایتیل” و نیز فشار از جانب کنگره ایالات متحده برای سرمایه گذاری در پروژه های پر بازده، دولت های ایالات متحده و انگلستان تحقیقات در زمینه هوش مصنوعی را متوقف ساختند. این سالها به عنوان “زمستان هوش مصنوعی” شناخته شد، دوره ای که سرمایه گذاری روی پروژه های هوش مصنوعی بسیار کم شد.
در اوایل دهه 1980 با موفقیت های اقتصادی “سامانه های خبره”(Expert systems) تحقیقات هوش مصنوعی دوباره احیاء شد. “سامانه های خبره” یک برنامه هوش مصنوعی بود که از دانش و مهارتهای آنالیزی افراد متخصص تقلید می کرد. در سال 1985 بازار هوش مصنوعی به ارزشی بیش از یک میلیارد دلار دست یافت. در همین سال پروژه کامپیوترهای نسل پنجم ژاپن موجب شد تا دولت های ایالات متحده و انگلستان مجدداً اقدام به سرمایه گذاری در تحقیقات آکادمیک کنند. این آغاز با جمع شدن بازار ماشین های لیسپ در سال 1987 همراه شده و دوباره هوش مصنوعی دچار یک بی اعتباری شد و وقفه دوم که طولانی تر نیز بود، آغاز گردید.
در اواخر دهه 1990 و اوایل قرن 21 هوش مصنوعی در لجستیک، کاوش اطلاعات، تشخیص پزشکی و دیگر زمینه ها به کار گرفته شد. موفقیت ها بخاطر؛ افزایش توان محاسباتی(قانون مور)، تأکید بیشتر بر حل مشکلات خاص، پیوند جدید بین هوش مصنوعی و دیگر زمینه ها و نیز التزام دانشمندان به روش های ریاضی و استانداردهای علمی بود. “دیپ بلو” نخستین سیستم کامپیوتری بازی شطرنج بود که توانست قهرمان دنیا “گری کاسپاروف” را در یازدهم مِی 1997 شکست دهد.
تحقیقات هوش مصنوعی
اهداف هوش مصنوعی
عمده مشکل تقلید (یا ایجاد) هوش به زیر موضوعاتی تفکیک می گردد. این مسائل عبارتند از: خصوصیات یا توانایی هایی که محققان از هوش مصنوعی انتظار نمود آن را دارند. خصوصیاتی که در زیر شرح داده شده است بیشترین توجه را به خود جلب کرده اند.
استنتاج، استدلال، حل مشکل
اولین محققان الگوریتم هایی را توسعه دادند که قدم به قدم از استدلالی تقلید می کردکه انسان هنگام حل معما یا نتیجه گیری منطقی از آن بهره می برد. در اوخر دهه 1980 و دهه 1990 تحقیقات هوش مصنوعی با بکارگیری مفاهیمی از احتمال و اقتصاد روش هایی را برای عدم قطعیت (اطلاعات ناقص) توسعه داد.
برای مسائل مشکل، الگوریتم ها نیازمند منابع عظیم محاسباتی هستند. بیشترین احتمال بروز یک “انفجار ترکیبی”(موقعیتی که به هنگام حل مسئله اتفاق می افتد) موقعیست که: میزان حافظه یا زمانیکه کامپیوتر برای مسائلی با اندازه معین بدان نیازمند است به طور نجومی افزایش یابد. کاوش برای الگوریتم های مفید حل کننده مشکلات یک اولویت مهم و اساسی است.
به طورمعمول بشر سریع استفاده می کند، پنداشت ذاتی به جای استدلال مرحله ای که تحقیقات اولیه هوش مصنوعی قادر به مدلسازی آن بود. هوش مصنوعی با استفاده از زبان “sub-symbolic” در حل مسائل پیشرفت کرده است: رهیافت های “عامل گنجانده” (embodied agent) بر اهمیت مهارتهای موتور حسی جهت استدلال عالی و مبتکرانه تر تاکید می کنند؛ تحقیقات شبکه عصبی جهت تقلید از ساختار درونی مغز برای بالا بردن این مهارت در تلاش است؛ روش های آماری در هوش مصنوعی از توانایی تفکر انسانی تقلید می کنند.
تظاهر دانش در هوش مصنوعی
اونتولوژی دانش را بعنوان مجموعه ای از مفاهیم در حصار یک دامنه و روابط بین این مفاهیم را نشان میدهد.
تظاهر دانش و مهندسی دانش در تحقیقات هوش مصنوعی از مرکزیت برخوردار هستند. بیشتر مسائلی که انتظار می رود ماشین ها آنها را حل کنند، نیازمند دانشی فراگیر در مورد جهان خواهند بود. از جمله مواردی که هوش مصنوعی برای تظاهر بدان نیازمند است عبارتند از: اشیاء، ویژگی ها، دسته ها و روابط بین اشیاء؛ موقعیت، پیشامدها، چگونگی و زمان؛ دلایل و اثرات؛ دانش در مورد دانش(آنچه که ما از دانسته های دیگر مردم می دانیم)؛ و بسیاری از موارد دیگر، که این دامنه ها به خوبی تحقیق و بررسی نشده اند. یک نمود از “آنچه که موجود است” اونتولوژی می باشد: مجموعه ای از اشیاء، روابط و مفاهیم و غیره که ماشین در مورد آنها اطلاع دارد. آنچه که بیشتر معروف به اونتولوژی بالادست(upper ontology) است، در تلاش برای ایجاد یک اساس برای دیگر دانش هاست.
از جمله مشکل ترین مسائل در تظاهر دانش عبارتند از:
استدلال پیش فرض و مسئله شایستگی در هوش مصنوعی
بیشتر چیزهایی که مردم می دانند فرم ” پنداشت کاری” (working assumption)گرفته است. به عنوان مثال اگر یک پرنده در گفت و گوی ظاهر شود مردم نوعاً حیوانی را تصویر می کنند که به اندازه یک مشت است، می خواند و پرواز می کند. هیچ یک از این موارد در مورد تمام پرنده ها صادق نیست. جان مک کارتی این مسئله را به عنوان مسئله شایستگی (qualification problem) در سال 1969 میلادی تشخیص داد: برای هر قاعده درک عام که محققان هوش مصنوعی علاقه به تظاهر آن دارند، گرایش به داشتن استثنائات بسیار است. در روش منطق مطلق هیچ چیز به سادگی درست یا غلط تلقی نمی گردد. تحقیقات هوش مصنوعی راه حل هایی برای این مشکل یافته اند.
وسعت نظر دانش “درک عامه” در هوش مصنوعی
حقایق اتمی که یک شخص عادی می داند بسیار زیاد است. پروژه های تحقیقاتی که در تلاش برای ساخت پایه و اساس “دانش درک عامه” هستند، به حجم زیادی از مهندسی اونتولوژی دشوار نیاز دارند، این پایه و اساس بایستی با دست ساخته شوند که مفهومی پیچیده در یک مقطع زمانی است. هدف اصلی، داشتن کامپیوتری است که به قدر کافی مفاهیم را درک کند تا بتواند با خوانش از منابعی همچون اینترنت به اونتولوژی (موجودیت) خود بیفزاید.
فرم sub-symbolic دانش “درک عامه“
بیشتر معلوماتی که مردم دارند نمود “حقیقی” یا “بیانی” که بتوان آنها را بصورت لغوی بیان کرد، ندارند. برای مثال یک شطرنج باز ماهر، از قرار دادن یک مهره در یک وضعیت خاص پرهیز می کند زیرا احساس می کند که این کار خطرناک است و یا یک کارشناس و منتقد هنری با نگاه کردن به یک مجسمه و یا یک نقاشی تشخیص می دهد که آن جعلی و تقلبی است. چنین مواردی ادراک و استعدادهایی هستندکه به صورت ناخودآگاه و ساب سمبولیکی در مغز تظاهر پیدا می کنند. این نوع دانش تقویت کننده و ایجاد کننده مفهوم برای زبان سمبولیک در دانش آگاهانه است. امید است رهیافت هوش مصنوعی جایگزین (Situated AI) ، هوش محاسباتی و یا هوش مصنوعی آماری راههای را برای نمود این نوع دانش در گیر و دار مسئله استدلال ساب سمبولیک فراهم آورد.
طراحی در هوش مصنوعی
“سیستم کنترل سلسله مراتبی” نوعی سیستم کنترل است که مجموعه ای از دستگاهها و نرم افزارهای مدیریتی طی یک سری سلسله مراتب در آن چیده شده است.
عوامل هوشمند بایستی قادر به هدف گذاری و نیل به آنها باشند. آنها به راهی برای تصور کردن آینده نیاز دارند ( بایستی یک تصور از وضعیت اطراف داشته و قادر به پیش بینی عملکرد خود جهت تغییر دادن اوضاع باشند) و قادر به انتخاب های سودمند (یا با ارزش) از میان موارد انتخابی باشند.
در طراحی کلاسیک مسائل، عامل (هوشمند) می توانست چنین فرض کند که تنها موجود عمل کننده در دنیا بوده و با قطعیت نتیجه عملکردش را می داند. اما اگر عامل تنها عمل کننده نباشد، بایستی در فواصل معینی معلوم کند که آیا دنیای اطراف آن با پیش بینی هایش هم خوانی دارد، و هر جا لازم بود برنامه خود را تغییر دهد که این نیازمند استدلال عامل در شرایط عدم قطعیت است.
“طراحی چند عاملی” (Multi-agent planing) از همکاری و رقابت چندین عامل برای رسیدن به هدف استفاده می کند. ظهور یافتگی(فرایندی است که طی آن اجزا کوچک تر و یا ساده تر طی تعاملاتشان با هم، اجزا بزرگتر و یا پیچیده تری را می سازند که خواص اجزا ساده تر را ندارد) در الگوریتم های تکاملی و هوش ازدحامی (swarm intelligence) به کار گرفته شده است.
یادگیری در هوش مصنوعی
یادگیری ماشینی مطالعه الگوریتم های کامپیوتریست، که به صورت خودکار و از طریق کسب تجربه پیشرفت کرده و از آغاز این رشته در تحقیقات هوش مصنوعی از مرکزیت برخوردار است.
یادگیری بی نظارت (unsupervised learning) توانایی پیدا کردن الگوها در جریان ورودیست که هم طبقه بندی و هم رگرسیون عددی را شامل می شود. طبقه بندی پس از مشاهده تعدادی از نمونه های دسته ها تعیین میکند که چه چیزی به کدام دسته متعلق است. رگرسیون تلاش برای ایجاد عملکردیست که رابطه بین داده ها و خروجی ها را توصیف کرده و چگونگی تغییر خروجی ها با تغییر داده ها را پیش بینی کند. در یادگیری تقویتی (reinforcement learning) عامل هوشمند برای عکس العمل های خوب جایزه گرفته و برای اجراهای نامطلوب تنبیه می شود. عامل هوشمند از ترتیب پاداش ها و تنبیه ها استفاده می کند تا یک استراتژی برای اجرا در فضای مسئله ایجاد کند. این سه نوع یادگیری با بهره گیری از مفاهیمی همچون “سودمندی” می توانند تحت عنوان “نظریه تصمیم گیری” مورد آنالیز قرار گیرند. آنالیز ریاضیاتی الگوریتم های یادگیری ماشینی و عملکرد آنها شاخه ای از علم تئوریک کامپیوتر است که به عنوان تئوری “یادگیری محاسباتی” شناخته می شود.
در خلال توسعه رباتیک، برای یادگیری مهارتهای جدید توسط ربات، روش های پیشرفته یادگیری ابداع شده اند. یادگیری مهارتهای جدید از طریق خودیابی (self-exploration) و روابط اجتماعی با آموزگاران انسانی و نیز استفاده از مکانیسم های هدایتگری همچون؛ یادگیری فعال، رشد و بلوغ، همیاری موتوری و تقلید انجام گرفته است.
درک در هوش مصنوعی
درک ماشین، بینایی کامپیوتری، و بازشناسی گفتار
درک ماشینی توانایی استفاده از داده های سنسورها (از جمله: دوربین ها، میکروفون ها، حسگرهای لمسی، ردیاب آوایی و دیگر سنسورهای کم نظیر) برای ترسیم دنیاست. بینایی یارانه ای توانایی آنالیز داده های بصریست. چند مشکل برجسته در زمینه درک در تشخیص گفتار، تشخیص چهره و تشخیص شیء وجود دارد.
حرکت و مهارت در هوش مصنوعی
رشته روباتیک در ارتباط نزدیک با هوش مصنوعی می باشد. روباتها برای انجام کارهایی همچون کنترل یا استفاده ماهرانه از یک شئ و ناوبری نیازمند هوش هستند. انجام این کارها با مسائل؛ مکان یابی (دانستن اینکه شما کجا هستید، یا دیگر چیزها کجا هستند)، نقشه یابی (درک آنچه که اطراف شماست و ایجاد نقشه محیط) و برنامه ریزی حرکتی ( تشخیص چگونگی رسیدن به آنجا) یا برنامه ریزی مسیر(رفتن از یک جا به جای دیگر، که ممکن است در جایی که ارتباط فیزیکی با یک شئ دارد، حرکت تحت فرمان باشد) روبروست.
اهداف بلند مدت در هوش مصنوعی
اهداف بلند مدت هوش مصنوعی عبارتند از: هوش اجتماعی، خلاقیت و هوش عمومی.
خلاقیت در هوش مصنوعی
یکی از زیر رشته های هوش مصنوعی خلاقیت را هم از لحاظ نظری (از منظر فلسفه ای و فیزیولوژیکی) و هم از لحاظ عملی (از طریق پیاده سازی سیستم های خاص که خروجی هایی نوآور داشته و یا سیستم هایی که قادر به شناسایی و ارزیابی نوآوری هستند) مورد توجه قرار داده است.
“غیر منطقی“ یا “ناهنجار” در هوش مصنوعی
محققان در MIT (مثل ماروین مینسکی و سیمور پَپِرت) پی به این مسئله بردند که حل مسائل مشکل در “بینایی کامپیوتر” و “پردازش زبان ذاتی” نیاز به راه حل های موردی (ad-hoc solutions) دارد. آنها چنین استدلال کردند که اساسی ساده و عمومی (مثل منطق) برای تصویر تمام نمادهای رفتار هوشمند وجود ندارد.
روگر شانک، رهیافت “غیر منطقی” آنها را “ناهنجار” توصیف کرد (چرا که با پارادایم های “مرتب”(neat) در CMU و استنفورد مخالفت می کرد). اساس دانش درک عامه (Commonsense knowedge bases)(مثل پروژه “cyc” داگلاس لنات) مثالهای هوش مصنوعی “ناهنجار” هستند و از آنجاییکه بایستی با دست ساخته شوند کاری بسیار دشوار بود.
پایه ی دانش در هوش مصنوعی
زمانیکه دسترسی به کامپیوترهای با حافظه های بزرگ در حدود سال 1970 میلادی فراهم گردید، محققان هر سه سنت ذکر شده شروع به ایجاد دانش برای اپلیکیشن های هوش مصنوعی کردند. این “انقلاب دانشی” منجر به توسعه و استقرار سامانه های خبره (معرفی شده توسط ادوارد فاین باوم) گردید که اولین نرم افزار موفق در زمینه هوش مصنوعی بود. علاوه بر این انقلاب دانشی این موضوع را روشن ساخت که برای بسیاری از اپلیکیشن های ساده هوشمند به حجم بالایی از دانش و اطلاعات نیاز است.
ساب سمبولیک در هوش مصنوعی
در دهه 1980 پیشرفت های زبان سمبلیک هوش مصنوعی به نظر رسید که دچار وقفه شده و بسیاری بر این باور بودند که سیستم های سمبلیک هیچگاه قادر به تظاهر فرآیندهای شناختی انسانی علی الخصوص درک، روباتیک، یادگیری و بازشناخت الگو نخواهند بود. تعدادی از محققان شروع به بررسی کاربرد روش های زبان ساب سمبلیک برای مسائل خاصی از هوش مصنوعی کردند. روش های ساب سمبلیک کاربرد هوش بدون تظاهر ویژه ای از دانش را کنترل می کنند.
محدودیتهای هوش مصنوعی عمومی
آیا یک ماشین می تواند هوشمند باشد؟ می تواند فکر کند؟
میثاق مبادی آداب تورینگ
اگر ماشین بتواند فکر کند ما نیاز به تصمیم گیری نداریم، تنها زمانی نیاز به تصمیم گیری داریم که یک ماشین بتواند همانند یک انسان، هوشمندانه عمل کند. این رویکرد به مسائل فلسفی در ارتباط با هوش مصنوعی، پایه و اساس تست تورینگ را شکل داد.
پیشنهاد کنفرانس دارتموث
“هر جنبه ای از یادگیری یا هر مشخصه دیگری از هوش می تواند چنان موشکافانه شرح داده شود که بتوان ماشینی برای تقلید آن ساخت”. این پنداشت در پیشنهاد کنفرانس سال 1956 دارتموث ثبت شده و اوضاع اکثر تحقیقات کارآمد هوش مصنوعی را نشان داد.
فرضیه سیستم نماد فیزیکی سیمون و نِوِل
“یک سیستم نماد فیزیکی ابزارهای کافی و لازم برای عمل هوش عادی را دارد” نِوِل و سیمون چنین استدلال کردند که هوش از عملکردهای صوری بر پایه ی نمادها تشکیل شده است.
مباحث گودل
کورت گودل، جان لوکاس (در سال 1961) و راجر پنروز (در یک بحث مفصل از سال 1981 به بعد) بر سر اینکه انسانها قابل تنزل به ماشین های تورینگ نیستند، به مباحثه پرداختند. جزئیات مباحث بسیار پیچیده می باشد، با این وجود گوهره و ذات این مباحث از نخستین “قضیه ی ناتمامیت گودل” نشأت می گیرد که همیشه می توان گزاره هایی را خلق کرد که سیستم صوری قادر به اثبات آن نباشد. انسان قادر است حقیقت اظهارات گودل را درک کند. هر برنامه تورینگ می تواند، برای بررسی این گزاره ها، شیوه ی خود را در تبدیل به یک سیستم صوری داشته باشد، و در نتیجه همیشه یک گزاره ی گودل، قابل اشتقاق از برنامه آن باشد، که هیچگاه قادر به کشف آن نباشد. با این وجود به راستی اگر بشر قادر به فهم حقایق ریاضی است، به نظر چنین محدودیتی برای او معنا ندارد. آنچه که بیان شد یک نتیجه کلی است که اگر پذیرفته شود، می توان نشان داد که شبکه های سخت افزار عصبی و کامپیوترهای مبتنی بر پردازش های تصادفی (مثل رهیافت های تبرید) و کامپیوترهای کوانتومی مبتنی بر کیوبیت گره دار (مادامی که فیزیک جدید را شامل نشوند) قابل تبدیل به ماشین های تورینگ هستند. آنچه که همه ی آنها انجام می دهند کم کردن پیچیدگی کارهاست، و مجوز یافتن راه حل برای حل مسائل جدید نیست. راجر پنروز معتقد است که ممکن است فیزیکی جدید در مغز ما، در تقاطع گرانش و مکانیک کوانتومی در مقیاس پلانک وجود داشته باشد. این عقیده اگر پذیرفته شود نفی هوش مصنوعی نیست، در حال که بدان معناست که هوش مصنوعی بایستی بر مبناهای بیولوژیکی و قواعد فیزیک نوین باشد. این بحث مخالفان بسیاری داشته که راجر پنروز به آنها پاسخ داده است و هم اکنون بحثی بسیار بغرنج و پیچیده است. برای درک جزئیات به “فلسفه هوش مصنوعی لوکاس، پنروز و گودل” مراجعه کنید.
تاثیر هوش مصنوعی
ماشین ها پیش از این هم هوشمند بودند، منتهی بیننده قادر به تشخیص آن نبود. زمانیکه دیپ بلو در شطرنج گری کاسپاروف را شکست داد، ماشین هوشمندانه عمل می کرد. با این حال، حاضران رفتار هوشمندانه برنامه را با اظهار اینکه “واقعی نیست” نادیده گرفتند؛ بنابراین هوش “واقعی” رفتار هوشمندانه ای است که مردم می توانند آن را انجام دهن و ماشین ها هنوز قادر به انجام آن نیستند! این مطلب به عنوان اثر هوش مصنوعی (AI effect) شناخته می شود:”هوش مصنوعی هر آنچه که هست، هنوز ایجاد نشده است.”
رفتار هوشمند و اخلاقیات ماشین در هوش مصنوعی
یک سیستم هوشمند حداقل بایستی قادر به بازتولید نمود های هوش انسانی باشد. این موضوع بحث بر سر اینکه ماشین از لحاظ اخلاقی با انسانها و دیگر عامل های هوشمند چگونه رفتار کند را بالا برد. این موضوع در کتابی با عنوان “ماشین های اخلاقی”(Moral Machines) نوشته “وندل والاچ” عنوان شد که وی در آن، مفهوم “عامل های اخلاقی مصنوعی” (artificial moral agents (AMA)) را معرفی کرد. AMAs برای والاچ به یک زمینه ی تحقیق در هوش مصنوعی تبدیل گردید، که با دو پرسش اساسی هدایت می گردد: “آیا انسان می خواهد کامپیوترها تصمیمات اخلاقی بگیرند؟” و ” روبات ها واقعاً می توانند اخلاقی باشند؟” اینکه آیا ماشین ها قادر به بروز رفتار اخلاقی برابر، در تقابل با الزاماتی که جامعه برای توسعه ی AMAs قرار داده، هستند…مسئله مورد تمرکز سئوال والاچ نیست.
اخلاق ماشین در هوش مصنوعی
اخلاق ماشین در ارتباط با ارائه ی اساس اخلاقی برای ماشین هاست، یا فرایند یافتن راهی برای حل مسائل اخلاقی که ممکن است ماشین ها با آن مواجه شوند، توانمند ساختن آنها برای عمل کردن در حالتی مسؤلانه و اخلاقی از طریق تصمیم گیری های اخلاقی که خود ماشین ها آن را اتخاذ کنند. نقشه راه این رشته در AAAI Fall 2005 Symposium on Machine Ethics ترسیم شد: ” تحقیق گذشته در مورد ارتباط تکنولوژی و اخلاق، بر استفاده مسؤلانه یا غیر مسؤلانه از تکنولوژی تمرکز کرده است، که این تحقیق توسط چندی از افراد که علاقه مند به موضوع “انسان چگونه بایستی با ماشین ها رفتار کنند” انجام گرفته است. در تمامی زمینه ها، تنها، به استدلال اخلاقی پرداخته است. زمان آن رسیده که یک بُعد اخلاقی، حداقل به برخی از ماشین ها افزوده شود. شناخت پیامدهای اخلاقی که ماشین ها در گیر آن هستند، به اندازه ی توسعه های اخیر و بالقوه در استقلال ماشینی، لازم و ضروری است. در مقایسه با هک کامپیوتر، مسائل مالکیت نرم افزار، مسائل حریم خصوصی و دیگر موضوعات معمول در حیطه ی اخلاقیات کامپیوتر، اخلاق ماشین در ارتباط با رفتار ماشین نسبت به کاربران انسانی و دیگر ماشین هاست. تحقیق در اخلاق ماشین کلید حل نگرانی های سیستم های خودکار است، و نیز می توان چنین ابراز داشت که تصور ماشین های خودکار بدون داشتن بُعد اخلاقی ریشه ی تمام نگرانی ها در زمینه ی ماشین های هوشمند است. علاوه بر این تحقیق در زمینه اخلاق ماشین، ممکن است منجر به شناخت مشکلات نظریه های اخلاقی رایج، گردیده و نیز منجر به تعالی اندیشه ها در حوزه ی اخلاقیات گردد.” اخلاق ماشین گاهاً بعنوان “اصول اخلاق ماشین” (machine morality)، اخلاق محاسباتی (computational ethics) یا اصول اخلاق محاسباتی (computational morality) شناخته می شود. یکی از چشم اندازهای این رشته ی نوظهور در نسخه ی جمع آوری شده “اخلاق ماشین”
گنجانده شده، که از AAAI Fall 2005 Symposium on Machine Ethics نشأت گرفته است.
بدخواه و دوستدار هوش مصنوعی
دانشمند سیاسی به نام چارلز تی روبین معتقد است که هوش مصنوعی نمی تواند “خیر خواه” طراحی یا تظمین شود. وی اظهار کرد”هر خیر خواهی متعالی قابل تشخیص از بدخواهی نیست.” انسانها نباید چنین پندارند که ماشین ها یا روبات ها بخوبی با آنها رفتار خواهند کرد، چرا که منطقی دالّ بر پذیرش موافقت آنها با نظام اخلاقی ما (چیزی که همراه با تکوین ما، تکامل یافته است و هوش مصنوعی سهمی از آن ندارد) وجود ندارد. نرم افزارهای فوق هوشمند ممکن است تصمیم گیرند که از طولانی شدن زندگی انسان حمایت کنند، که در آن صورت متوقف ساختن آنها بسیار دشوار خواهد بود! اخیراً بحث در رابطه با این موضوع به عنوان تهدیدی برای تمدن، انسانها و کره ی زمین درنشریه های آکادمیک آغاز شده است.
استفان هاوکینگ فیزیکدان، بیل گیتز بنیانگذار مایکروسافت و ایلان ماسک بنیانگذار spaceX از اینکه ممکن است هوش مصنوعی به جایی برسد که از کنترل انسان خارج گردد، ابراز نگرانی کردند. “پایانی بر نسل انسان” عنوان نظریه ایست که هاوکینگ آن را بیان کرده است. یک پیشنهاد برای حل این مسئله اینست که اطمینان حاصل گردد نخستین هوش عمومی AI (Friendly AI) خیرخواه است ، آنگاه در آینده قادر به کنترل هوش های عمومی توسعه یافته نیز خواهد بود. اینکه آیا چنین بررسی ممکن است جواب دهد، مورد سؤال است.
رادنی بروکز، محقق پیشرو در زمینه هوش مصنوعی نوشت؛”من فکر میکنم که نگرانی در مورد بد خواه بودن هوش مصنوعی در چند صد سال آینده، اشتباه است. به نظر من نگرانی از یک خطای اساسی در عدم تشخیص تفاوت بین پیشرفت های اخیر در جنبه ی ویژه ای از هوش مصنوعی، و عظمت و پیچیدگی ساخت هوش ارادی –احساسی نشأت میگیرد.”
تنزل ارزش انسانی در مبحث هوش مصنوعی
ژوزف وایزن بام چنین بیان داشت که اپلیکیشن های هوش مصنوعی نمی توانند احساس یک انسان واقعی را تقلید کنند و استفاده از هوش مصنوعی در زمینه های همچون ارائه خدمات به مشتری یا روان درمانی کاری اشتباه است. وایزن بام، محققان هوش مصنوعی (و برخی فلاسفه) را که بسیار علاقه مند بودند مغز انسان را چیزی هم چون یک برنامه کامپیوتری در نظر گیرند، مورد نکوهش قرار داد (وضعی که هم اکنون، محاسبه گرایی شناخته می شود). این نکات از وایزن بام اشاره بر آن دارد که تحقیقات هوش مصنوعی زندگی انسانی را تنزل می دهد.
کاهش در خواست نیروی کار
مارتین فورد، نویسنده “چراغ ها در تونل: اتوماسیون، تکنولوژی پر شتاب و اقتصاد آینده” و دیگران بر این باورند که برنامه های تخصصی هوش مصنوعی، روباتیک و دیگر انواع اتوماسیون، بدین گونه که ماشین ها همانند کارگران و حتی بهتر از آنها اکثر مشاغل روتین و تکراری را انجام میدهند، نهایتاً منجر به بیکاری چشمگیری می شود. فورد پیش بینی کرد که به طور فزاینده ای احتمال ایجاد اتوماسیون در بسیاری از مشاغل مبتنی بر دانش (در یک سری مشاغل سطح پایین) از طریق سامانه های خبره، یادگیری ماشینی و دیگر اپلیکیشن های پیشرفته هوش مصنوعی وجود دارد. اپلیکیشن های مبتنی بر هوش مصنوعی، ممکن است برای تقویت توانایی های کارگران دریایی که دستمزد پایینی دارند بکار گرفته شده، و برون سپاری کارهای مبتنی بر دانش را عملی سازد.
نظریه ی هوش مصنوعی قدرتمند
نظریه هوش مصنوعی قدرتمند جان سرل بیان می کند که “کامپیوتری که به طور مناسب با داده های صحیح و خروجی ها برنامه ریزی شده باشد ذهنی دارد که این ذهن، دقیقاً از همان حسی برخوردار است که ذهن انسانی از آن برخوردار است.” جان سرل این اظهار را با استدلال اتاق چینی (Chinese room) خود پاسخ داد، که از ما می خواهد به درون کامپیوتر نگاه کرده و سعی کنیم بدانیم که ذهن کجا ممکن است قرار داشته باشد.
حقوق روبات ها
فرانکشتاین اثر مری شلی یک مسئله کلیدی در اخلاق هوش مصنوعی را مورد بررسی قرار می دهد: اگر ماشینی ساخته شود که از هوش برخوردار باشد آیا این ماشین قادر به احساس هم خواهد بود؟ اگر قادر به احساس باشد، آیا از حقوقی یکسان همانند یک انسان برخوردار خواهد بود؟ این عقیده در تخیّل علمی مدرن نیز پدیدار شده است، مثل فیلم A.I.:Artificial Intelligence که ماشین های شبه انسان، توانایی درک احساسات دارند. گرچه بسیاری از محققان آن را بحثی پیش از موعد می پندارند، هم اکنون این مسئله به عنوان “حقوق روبات ها”(robot rights) شناخته شده و توسط مؤسسه کالیفرنیایی “برای آینده” (Institute for the Future) مورد بررسی قرار گرفته است. این موضوع در مستند پلاگین و دعا، عمیقاً مورد بحث قرار گرفته است.
فوق هوشمند
آیا مرز و حدی برای هوش ماشین ها یا هیبریدهای انسان-ماشین وجود دارد؟ فوق هوشمند (superintelligence, hyperintelligence or superhuman intelligence) یک عامل فرضی است که از هوشی بسیار برتر از ذهن یک انسان با استعداد، برخوردار باشد. “فوق هوشمند” امکان دارد به نوع یا درجه ای از هوش اطلاق گردد که چنین عاملی از آن برخوردار است.
تکینگی تکنولوژی در هوش مصنوعی
اگر تحقیق در زمینه هوش مصنوعی قدرتمند (Strong AI) منجر به تولید نرم افزاری بسیار هوشمند گردد، ممکن است این نرم افزار قادر به برنامه ریزی دوباره خود بوده و خودش را ارتقا دهد. نرم افزار ارتقا یافته اگر در ارتقای خود بهتر عمل کند، منتهی به “خود بهبودی بازگشتی” (recursive self-improvement) می گردد. بدین گونه هوش جدید به طور تصاعدی و حیرت آوری از انسانها پیشی می گیرد. ورنر وینج نویسنده ی علمی-تخیلی این سناریو را “تکینگی” (Singularity) نامید. “تکینگی تکنولوژی” زمانیست که پیشرفت فزاینده در تکنولوژی منجر به تأثیری غیرقابل کنترل گردد، که درآن هوش مصنوعی پا فراتر از استعداد عقلی و کنترل بشر گذاشته و بدین سان به طور ناگهانی تمدن بشری را تغییر داده یا آن را پایان دهد. به این خاطر که توانمندی های چنین هوشی ممکن است غیرقابل درک باشد، “تکینگی تکنولوژی” حادثه ایست که در ورای آن رویدادها غیرقابل پیش بینی و حتی غیر قابل درک هستند.
ری کرزویل با استفاده از قانون مور محاسبه کرده است که قدرت پردازش کامپیوترهای رومیزی در سال 2029 به اندازه مغز انسانها خواهد بود و پیش بینی کرد در سال 2045 “تکینگی” بوقوع خواهد پیوست.
تَرابشریت
یک روز صبح از خواب بیدار می شوید و می بینید مغزتان لوب عملکردی دیگری دارد. به گونه ای مغلوب ناپذیر، این لوب کمکی سؤالات شما را با اطلاعاتی فراتر از قلمرو حافظه ی شما پاسخ می دهد، روش های شدنی و محتمل را پیشنهاد می کند، سؤالاتی را مطرح می کند که به روشن شدن حقایق کمک می کند. شما سریعاً به اندازه ای به لوب جدید اعتماد می کنید که دیگر از چگونگی کارکرد آن شگفت زده نمی شوید. فقط از آن استفاده می کنید، این همان رؤیای هوش مصنوعیست.
مجله بایت، آوریل 1985
هانس موراوج طراح روبات، کوین وارویک سایبرنتیست و ری کرزویل مخترع، پیش بینی کردند که انسانها و ماشین ها به سایبورگ (cyborg=cybernetic+organism) ادغام خواهند شد که موجودی توانمندتر و قدرتمندتر از هر دوی آنهاست. این عقیده که “ترابشریت” نام دارد (اصل و ریشه ی آن از آلدوس هاکسلی و رابرت اتینگر است) به خوبی در تخیلات نشان داده شده است بعنوان مثال؛ “مانگا شبح درون پوسته” (manga Ghost in the Shell) و سری رمان های علمی-تخیلی تله ماسه.
در دهه ی 1980 میلادی سری روبات های جنسی هاجیمه سورایاما، در ژاپن رنگ شده و تولید شدند که شکل حقیقی انسان را با عضلات شبه واقعی و پوستی شفاف نشان می داد، که بعدها در کتاب “زن آدم ماشینی” از آن پیروی شد و نیز مورد استفاده یا تحت تأثیر قرار گرفتن کارگردانانی همچون “جورج لوکاس” شد. سورایاما هیچگاه این روبات ها را بخشی واقعی از طبیعت مطرح نکرد بلکه یک محصول غیر طبیعی که زاییده ی ذهن بشر است، موجودی خیالی در ذهن حتی زمانیکه شکلی واقعی داشت. ادوارد فردکین چنین بیان داشت که هوش مصنوعی سیر بعدی تکامل است”، عقیده ای که نخستین بار توسط ساموئل بولتر تحت عنوان “داروین در میان ماشین ها” پیشنهاد شده و در کتابی با همین نام، توسط جورج دایسون گسترش یافت.
تصمیم گیری اخلاقی
برای حفظ اخلاق هوش مصنوعی، برخی ها آموزش تکنولوژی های مجهز شده به هوش مصنوعی را پیشنهاد کردند، مثل خودروهای خودگردان (خودروهای بدون راننده)، تا منجر به ارائه تصمیم های اخلاقی توسط خود آنها گردد. برخی ها چنین اظهار می کنند؛ همانگونه که کودکان رفتار را از بزرگترها می آموزند این تکنولوژی ها نیز می توانند آن را از متخصصان علم الاخلاق بیاموزند. ولی باز نظر برخی ها اینست که تکنولوژی های هوشمند قادر به تعیین تمایلات کاربرانشان هستند (تنها راهی که می توان به تمایلات کاربر پی برد) و از این رو برنامه ریزیها در جهت توجه به این تمایلات وگرایش هاست.
هوش مصنوعی در تخیلات
محتوای هوش مصنوعی بُن مایه ی متداول برنامه های علمی تخیلی است. نخستین داستانها به طور ویژه ای حول روبات های هوشمند بود. خود واژه “روبات” سال 1921 توسط کارل چاپک در نمایشنامه کارخانه روبات سازی روسوم (R.U.R) ابداع گردید (RUR: Rossum’s Universal Robots). بعدها ایساک آسیمو نویسنده علمی تخیلی، سه قانون روباتیک را توسعه داد، و متعاقباً در یک سری طولانی از داستانهای روباتها، انها را شرح داد. این قوانین تاکنون کشش هایی را در تحقیقات معتبر هوش مصنوعی بدست آورده اند.
دیگر هوش تخیلی تأثیر گذار “هَل” (HAL) است، کامپیوتری که مسئول سفینه فضایی در فیلم “2001: ادیسه فضایی”است. هم فیلم و هم کتاب این اثر در سال 1968 منتشر شده و نویسنده آن آرتور سی. کلاک است.
تا کنون هوش مصنوعی در فرهنگ عامه و بسیاری از فیلم ها ریشه دوانده است مثلاً:
فیلم “نابودگر” (The Terminator) در سال 1984
فیلم “هوش مصنوعی” (A.I. Artificial Intelligence) در سال 2001
فیلم “او” (Her) در سال 2014
و بسیاری دیگر … .
منابع و الهامات : مدیا سافت.
هوش مصنوعی (Artificial-Intelligence)، هوشی است که توسط دستگاهها ارائه می گردد. در علم کامپیوتر دستگاه هوشمند یک عامل عقلانی (Rational agent) انعطاف پذیر است که محیط اطرافش را درک کرده و برای افزایش احتمال موفقیت در اهداف تعیین شده، اقداماتی را انجام می دهد.
به طور عامیانه واژه “هوش مصنوعی” زمانی به کار برده می شود که یک دستگاه از “عملکردهای شناختی” که طی آن انسانها از اندیشه ها و افکار دیگر انسانها بهره می گیرند، تقلید کند، عملکرد های شناختی همچون؛ یادگیری و حل مشکلات.
امروزه هر چه دستگاهها توانمندتر می شوند، اندیشه سابق هوشمند کردن آنها دیگر بی معنی می شود. بعنوان مثال هر چند که “تشخیص نوری کاراکتر” مدت زیادی نیست که به عنوان هوش مصنوعی شناخته شده است، امروزه به یک تکنولوژی روتین تبدیل شده است. توانایی هایی که هنوز هم به عنوان هوش مصنوعی در نظر گرفته می شوند عبارتند از؛ بازی شطرنج پیشرفته، سیستم های بازی “گو” و خودروهای بدون راننده.
پژوهش های هوش مصنوعی به زیر شاخه هایی تقسیم می شوند که تمرکز آنها؛ بر مشکلات خاص، رهیافت های دقیق، استفاده از ابزارهای خاص و یا برآوردن کاربردهای خاص می باشد.
عمده چالش های (اهداف) هوش مصنوعی عبارتند از: استدلال، دانش، برنامه ریزی، یادگیری، پردازش زبان ذاتی(ارتباط)، درک و توانایی حرکت و به کارگیری ماهرانه ی اشیاء است.
هوش مصنوعی عمومی (هوشی که دستگاه را به انجام کار ذهنی، آنگونه که بشر قادر به انجام آن است، توانمند سازد) از جمله اهداف دراز مدت است. رهیافت ها شامل: روش های آماری، هوش محاسباتی، محاسبات نرم (مانند یادگیری ماشینی) و سنت نمادین هوش مصنوعی هستند. ابزارهای بسیاری در هوش مصنوعی به کار گرفته شده اند که انواع تحقیق و بهینه سازی ریاضی، منطق، شیوه های مبتنی بر احتمال و اقتصاد را احاطه کرده است.
رشته هوش مصنوعی از علم کامپیوتر، ریاضیات، روانشناسی، زبان شناسی، فلسفه، عصب شناسی و روانشناسی مصنوعی بهره می برد.
هوش مصنوعی بر این ادعا پایه ریزی شده است که میتوان هوش انسانی را جزء به جزء ترسیم کرده و دستگاهی برای تقلید از آن ساخت. این مطلب بحث و جدل های فلسفی در مورد ذات ذهن و اخلاقیات موجود مصنوعی بهره مند شده از هوش شبه انسانی، را بالا برده است، مسائلی که از عصر باستان در افسانه ها، خیالات و فلسفه مطرح شده بود.
تلاش ها برای خلق هوش مصنوعی عقب نشینی های زیادی را تجربه کرده است، از جمله گزارش ALPAC(کمیته مشورتی پردازش زبان اتوماتیک) در سال 1966، دست کشیدن از پرسپترون (یک نوع شبکه عصبی مصنوعی) در سال 1970، گزارش لایتیل در سال 1973 و نیز اقدامی تحت عنوان “Collapse of the Lisp machine market” .
تاریخچه هوش مصنوعی
زمانیکه در عصر باستان مفهوم موجود مصنوعی (چیزی که قادر به فکر کردن باشد) بعنوان یک ابزار داستان سرایی شناخته شده بود، ایده تلاش برای ساخت ماشینی که تفکر سودمند انجام دهد توسط “رامون لیول” (حدود سال 1300 میلادی) ارائه گردید.
نخستین ماشین حساب در سال 1623 میلادی توسط دانشمندی به نام “ویلهم شیکارد” ساخته شد. “گوتفرید لایب نیتس” نسخه ای به اصطلاح ناپخته از موجود مصنوعی را ساخت که گرایش این ماشین به اجرای عملیات مفهومی بیشتر از عملیات اعداد بود. از قرن نوزدهم میلادی موجودات مصنوعی در افسانه ها رواج یافتند؛ رمان “فرانکشتاین” خانم “مری شلی” و یا آدم های ماشینی “کارل چاپک”. استدلال مکانیکی یا صوری، توسط فلاسفه و ریاضیدانان در عصر باستان مطرح شد. در قرن نوزدهم “جرج بول” اندیشه های پیشین را به “منطق گزاره ای” اصلاح کرده و “گوتلوب فرگر” یک سیستم نت برداری برای استدلال ماشینی توسعه داد (یک حساب گزاره ای).
در دهه 1940، نظریه محاسبات “آلن تورینگ” بیان کرد که یک ماشین با چینش نمادهایی ساده هم چون “0” و “1” می تواند هر عمل ممکن در استنتاج ریاضی را انجام دهد.
این اندیشه که کامپیوترهای دیجیتال قادر به تقلید هرگونه استدلال صوری هستند، به عنوان فرضیه”چرچ تورینگ” شناخته شد. پیشرفتها در علم عصب شناسی (نظریه اطلاعات و سایبرنتیک)، دانشمندان را به تأمل در مورد امکان ساخت مغز الکترونیکی وا داشت. نخستین اقدامی که عموماً امروزه به عنوان هوش مصنوعی شناخته می شود طرح “مک کولو” و “پیت” برای عصب مصنوعی “تورینگ کامل”بود.
رشته تحقیق در هوش مصنوعی سال 1956 در کالج دارتموث بنیان نهاده شد. جان مک کارتی، ماروین متیسکی، آلن نِوِل، آرتور ساموئل و هربرت سیمون به این رشته گرویده و از پیشگامان تحقیقات در هوش مصنوعی شدند. آنها به همراه دانشجویان خود، برنامه هایی را نوشتند که مایه بهت و حیرت عامه مردم بود؛ کاربرد کامپیوترها در نقش مأمور کنترل چی، حل مشکل کلمات در جبر، اثبات نظریات استدلالی و سخن گفتن به زبان انگلیسی از جمله موفقیت های این گروه بود.
در اوسط دهه 1960 میلادی پژوهش های بسیاری در دپارتمان دفاع ایالات متحده پایه ریزی شده و آزمایشگاه های بسیاری در سرتاسر جهان تأسیس گردید. بنیانگذران هوش مصنوعی به آینده امیدوار بودند. “هربرت سیمون” پیش بینی کرد، ماشین ها در عرض 20 سال خواهند توانست هر کاری که بشر قادر به انجام آن هست را انجام دهند. “ماروین مینسکی” نیز موافق این پیش بینی بود و نوشت: در طی یک نسل . . . مشکل ایجاد هوش مصنوعی به طور کامل حل خواهد شد. آنها از تشخیص برخی مشکلات باقیمانده عاجز بودند.
در سال 1974 از سرعت پیشرفتها کاسته شد. در واکنش به انتقاد “جیمز لایتیل” و نیز فشار از جانب کنگره ایالات متحده برای سرمایه گذاری در پروژه های پر بازده، دولت های ایالات متحده و انگلستان تحقیقات در زمینه هوش مصنوعی را متوقف ساختند. این سالها به عنوان “زمستان هوش مصنوعی” شناخته شد، دوره ای که سرمایه گذاری روی پروژه های هوش مصنوعی بسیار کم شد.
در اوایل دهه 1980 با موفقیت های اقتصادی “سامانه های خبره”(Expert systems) تحقیقات هوش مصنوعی دوباره احیاء شد. “سامانه های خبره” یک برنامه هوش مصنوعی بود که از دانش و مهارتهای آنالیزی افراد متخصص تقلید می کرد. در سال 1985 بازار هوش مصنوعی به ارزشی بیش از یک میلیارد دلار دست یافت. در همین سال پروژه کامپیوترهای نسل پنجم ژاپن موجب شد تا دولت های ایالات متحده و انگلستان مجدداً اقدام به سرمایه گذاری در تحقیقات آکادمیک کنند. این آغاز با جمع شدن بازار ماشین های لیسپ در سال 1987 همراه شده و دوباره هوش مصنوعی دچار یک بی اعتباری شد و وقفه دوم که طولانی تر نیز بود، آغاز گردید.
در اواخر دهه 1990 و اوایل قرن 21 هوش مصنوعی در لجستیک، کاوش اطلاعات، تشخیص پزشکی و دیگر زمینه ها به کار گرفته شد. موفقیت ها بخاطر؛ افزایش توان محاسباتی(قانون مور)، تأکید بیشتر بر حل مشکلات خاص، پیوند جدید بین هوش مصنوعی و دیگر زمینه ها و نیز التزام دانشمندان به روش های ریاضی و استانداردهای علمی بود. “دیپ بلو” نخستین سیستم کامپیوتری بازی شطرنج بود که توانست قهرمان دنیا “گری کاسپاروف” را در یازدهم مِی 1997 شکست دهد.
تحقیقات هوش مصنوعی
اهداف هوش مصنوعی
عمده مشکل تقلید (یا ایجاد) هوش به زیر موضوعاتی تفکیک می گردد. این مسائل عبارتند از: خصوصیات یا توانایی هایی که محققان از هوش مصنوعی انتظار نمود آن را دارند. خصوصیاتی که در زیر شرح داده شده است بیشترین توجه را به خود جلب کرده اند.
استنتاج، استدلال، حل مشکل
اولین محققان الگوریتم هایی را توسعه دادند که قدم به قدم از استدلالی تقلید می کردکه انسان هنگام حل معما یا نتیجه گیری منطقی از آن بهره می برد. در اوخر دهه 1980 و دهه 1990 تحقیقات هوش مصنوعی با بکارگیری مفاهیمی از احتمال و اقتصاد روش هایی را برای عدم قطعیت (اطلاعات ناقص) توسعه داد.
برای مسائل مشکل، الگوریتم ها نیازمند منابع عظیم محاسباتی هستند. بیشترین احتمال بروز یک “انفجار ترکیبی”(موقعیتی که به هنگام حل مسئله اتفاق می افتد) موقعیست که: میزان حافظه یا زمانیکه کامپیوتر برای مسائلی با اندازه معین بدان نیازمند است به طور نجومی افزایش یابد. کاوش برای الگوریتم های مفید حل کننده مشکلات یک اولویت مهم و اساسی است.
به طورمعمول بشر سریع استفاده می کند، پنداشت ذاتی به جای استدلال مرحله ای که تحقیقات اولیه هوش مصنوعی قادر به مدلسازی آن بود. هوش مصنوعی با استفاده از زبان “sub-symbolic” در حل مسائل پیشرفت کرده است: رهیافت های “عامل گنجانده” (embodied agent) بر اهمیت مهارتهای موتور حسی جهت استدلال عالی و مبتکرانه تر تاکید می کنند؛ تحقیقات شبکه عصبی جهت تقلید از ساختار درونی مغز برای بالا بردن این مهارت در تلاش است؛ روش های آماری در هوش مصنوعی از توانایی تفکر انسانی تقلید می کنند.
تظاهر دانش در هوش مصنوعی
اونتولوژی دانش را بعنوان مجموعه ای از مفاهیم در حصار یک دامنه و روابط بین این مفاهیم را نشان میدهد.
تظاهر دانش و مهندسی دانش در تحقیقات هوش مصنوعی از مرکزیت برخوردار هستند. بیشتر مسائلی که انتظار می رود ماشین ها آنها را حل کنند، نیازمند دانشی فراگیر در مورد جهان خواهند بود. از جمله مواردی که هوش مصنوعی برای تظاهر بدان نیازمند است عبارتند از: اشیاء، ویژگی ها، دسته ها و روابط بین اشیاء؛ موقعیت، پیشامدها، چگونگی و زمان؛ دلایل و اثرات؛ دانش در مورد دانش(آنچه که ما از دانسته های دیگر مردم می دانیم)؛ و بسیاری از موارد دیگر، که این دامنه ها به خوبی تحقیق و بررسی نشده اند. یک نمود از “آنچه که موجود است” اونتولوژی می باشد: مجموعه ای از اشیاء، روابط و مفاهیم و غیره که ماشین در مورد آنها اطلاع دارد. آنچه که بیشتر معروف به اونتولوژی بالادست(upper ontology) است، در تلاش برای ایجاد یک اساس برای دیگر دانش هاست.
از جمله مشکل ترین مسائل در تظاهر دانش عبارتند از:
استدلال پیش فرض و مسئله شایستگی در هوش مصنوعی
بیشتر چیزهایی که مردم می دانند فرم ” پنداشت کاری” (working assumption)گرفته است. به عنوان مثال اگر یک پرنده در گفت و گوی ظاهر شود مردم نوعاً حیوانی را تصویر می کنند که به اندازه یک مشت است، می خواند و پرواز می کند. هیچ یک از این موارد در مورد تمام پرنده ها صادق نیست. جان مک کارتی این مسئله را به عنوان مسئله شایستگی (qualification problem) در سال 1969 میلادی تشخیص داد: برای هر قاعده درک عام که محققان هوش مصنوعی علاقه به تظاهر آن دارند، گرایش به داشتن استثنائات بسیار است. در روش منطق مطلق هیچ چیز به سادگی درست یا غلط تلقی نمی گردد. تحقیقات هوش مصنوعی راه حل هایی برای این مشکل یافته اند.
وسعت نظر دانش “درک عامه” در هوش مصنوعی
حقایق اتمی که یک شخص عادی می داند بسیار زیاد است. پروژه های تحقیقاتی که در تلاش برای ساخت پایه و اساس “دانش درک عامه” هستند، به حجم زیادی از مهندسی اونتولوژی دشوار نیاز دارند، این پایه و اساس بایستی با دست ساخته شوند که مفهومی پیچیده در یک مقطع زمانی است. هدف اصلی، داشتن کامپیوتری است که به قدر کافی مفاهیم را درک کند تا بتواند با خوانش از منابعی همچون اینترنت به اونتولوژی (موجودیت) خود بیفزاید.
فرم sub-symbolic دانش “درک عامه“
بیشتر معلوماتی که مردم دارند نمود “حقیقی” یا “بیانی” که بتوان آنها را بصورت لغوی بیان کرد، ندارند. برای مثال یک شطرنج باز ماهر، از قرار دادن یک مهره در یک وضعیت خاص پرهیز می کند زیرا احساس می کند که این کار خطرناک است و یا یک کارشناس و منتقد هنری با نگاه کردن به یک مجسمه و یا یک نقاشی تشخیص می دهد که آن جعلی و تقلبی است. چنین مواردی ادراک و استعدادهایی هستندکه به صورت ناخودآگاه و ساب سمبولیکی در مغز تظاهر پیدا می کنند. این نوع دانش تقویت کننده و ایجاد کننده مفهوم برای زبان سمبولیک در دانش آگاهانه است. امید است رهیافت هوش مصنوعی جایگزین (Situated AI) ، هوش محاسباتی و یا هوش مصنوعی آماری راههای را برای نمود این نوع دانش در گیر و دار مسئله استدلال ساب سمبولیک فراهم آورد.
طراحی در هوش مصنوعی
“سیستم کنترل سلسله مراتبی” نوعی سیستم کنترل است که مجموعه ای از دستگاهها و نرم افزارهای مدیریتی طی یک سری سلسله مراتب در آن چیده شده است.
عوامل هوشمند بایستی قادر به هدف گذاری و نیل به آنها باشند. آنها به راهی برای تصور کردن آینده نیاز دارند ( بایستی یک تصور از وضعیت اطراف داشته و قادر به پیش بینی عملکرد خود جهت تغییر دادن اوضاع باشند) و قادر به انتخاب های سودمند (یا با ارزش) از میان موارد انتخابی باشند.
در طراحی کلاسیک مسائل، عامل (هوشمند) می توانست چنین فرض کند که تنها موجود عمل کننده در دنیا بوده و با قطعیت نتیجه عملکردش را می داند. اما اگر عامل تنها عمل کننده نباشد، بایستی در فواصل معینی معلوم کند که آیا دنیای اطراف آن با پیش بینی هایش هم خوانی دارد، و هر جا لازم بود برنامه خود را تغییر دهد که این نیازمند استدلال عامل در شرایط عدم قطعیت است.
“طراحی چند عاملی” (Multi-agent planing) از همکاری و رقابت چندین عامل برای رسیدن به هدف استفاده می کند. ظهور یافتگی(فرایندی است که طی آن اجزا کوچک تر و یا ساده تر طی تعاملاتشان با هم، اجزا بزرگتر و یا پیچیده تری را می سازند که خواص اجزا ساده تر را ندارد) در الگوریتم های تکاملی و هوش ازدحامی (swarm intelligence) به کار گرفته شده است.
یادگیری در هوش مصنوعی
یادگیری ماشینی مطالعه الگوریتم های کامپیوتریست، که به صورت خودکار و از طریق کسب تجربه پیشرفت کرده و از آغاز این رشته در تحقیقات هوش مصنوعی از مرکزیت برخوردار است.
یادگیری بی نظارت (unsupervised learning) توانایی پیدا کردن الگوها در جریان ورودیست که هم طبقه بندی و هم رگرسیون عددی را شامل می شود. طبقه بندی پس از مشاهده تعدادی از نمونه های دسته ها تعیین میکند که چه چیزی به کدام دسته متعلق است. رگرسیون تلاش برای ایجاد عملکردیست که رابطه بین داده ها و خروجی ها را توصیف کرده و چگونگی تغییر خروجی ها با تغییر داده ها را پیش بینی کند. در یادگیری تقویتی (reinforcement learning) عامل هوشمند برای عکس العمل های خوب جایزه گرفته و برای اجراهای نامطلوب تنبیه می شود. عامل هوشمند از ترتیب پاداش ها و تنبیه ها استفاده می کند تا یک استراتژی برای اجرا در فضای مسئله ایجاد کند. این سه نوع یادگیری با بهره گیری از مفاهیمی همچون “سودمندی” می توانند تحت عنوان “نظریه تصمیم گیری” مورد آنالیز قرار گیرند. آنالیز ریاضیاتی الگوریتم های یادگیری ماشینی و عملکرد آنها شاخه ای از علم تئوریک کامپیوتر است که به عنوان تئوری “یادگیری محاسباتی” شناخته می شود.
در خلال توسعه رباتیک، برای یادگیری مهارتهای جدید توسط ربات، روش های پیشرفته یادگیری ابداع شده اند. یادگیری مهارتهای جدید از طریق خودیابی (self-exploration) و روابط اجتماعی با آموزگاران انسانی و نیز استفاده از مکانیسم های هدایتگری همچون؛ یادگیری فعال، رشد و بلوغ، همیاری موتوری و تقلید انجام گرفته است.
درک در هوش مصنوعی
درک ماشین، بینایی کامپیوتری، و بازشناسی گفتار
درک ماشینی توانایی استفاده از داده های سنسورها (از جمله: دوربین ها، میکروفون ها، حسگرهای لمسی، ردیاب آوایی و دیگر سنسورهای کم نظیر) برای ترسیم دنیاست. بینایی یارانه ای توانایی آنالیز داده های بصریست. چند مشکل برجسته در زمینه درک در تشخیص گفتار، تشخیص چهره و تشخیص شیء وجود دارد.
حرکت و مهارت در هوش مصنوعی
رشته روباتیک در ارتباط نزدیک با هوش مصنوعی می باشد. روباتها برای انجام کارهایی همچون کنترل یا استفاده ماهرانه از یک شئ و ناوبری نیازمند هوش هستند. انجام این کارها با مسائل؛ مکان یابی (دانستن اینکه شما کجا هستید، یا دیگر چیزها کجا هستند)، نقشه یابی (درک آنچه که اطراف شماست و ایجاد نقشه محیط) و برنامه ریزی حرکتی ( تشخیص چگونگی رسیدن به آنجا) یا برنامه ریزی مسیر(رفتن از یک جا به جای دیگر، که ممکن است در جایی که ارتباط فیزیکی با یک شئ دارد، حرکت تحت فرمان باشد) روبروست.
اهداف بلند مدت در هوش مصنوعی
اهداف بلند مدت هوش مصنوعی عبارتند از: هوش اجتماعی، خلاقیت و هوش عمومی.
خلاقیت در هوش مصنوعی
یکی از زیر رشته های هوش مصنوعی خلاقیت را هم از لحاظ نظری (از منظر فلسفه ای و فیزیولوژیکی) و هم از لحاظ عملی (از طریق پیاده سازی سیستم های خاص که خروجی هایی نوآور داشته و یا سیستم هایی که قادر به شناسایی و ارزیابی نوآوری هستند) مورد توجه قرار داده است.
“غیر منطقی“ یا “ناهنجار” در هوش مصنوعی
محققان در MIT (مثل ماروین مینسکی و سیمور پَپِرت) پی به این مسئله بردند که حل مسائل مشکل در “بینایی کامپیوتر” و “پردازش زبان ذاتی” نیاز به راه حل های موردی (ad-hoc solutions) دارد. آنها چنین استدلال کردند که اساسی ساده و عمومی (مثل منطق) برای تصویر تمام نمادهای رفتار هوشمند وجود ندارد.
روگر شانک، رهیافت “غیر منطقی” آنها را “ناهنجار” توصیف کرد (چرا که با پارادایم های “مرتب”(neat) در CMU و استنفورد مخالفت می کرد). اساس دانش درک عامه (Commonsense knowedge bases)(مثل پروژه “cyc” داگلاس لنات) مثالهای هوش مصنوعی “ناهنجار” هستند و از آنجاییکه بایستی با دست ساخته شوند کاری بسیار دشوار بود.
پایه ی دانش در هوش مصنوعی
زمانیکه دسترسی به کامپیوترهای با حافظه های بزرگ در حدود سال 1970 میلادی فراهم گردید، محققان هر سه سنت ذکر شده شروع به ایجاد دانش برای اپلیکیشن های هوش مصنوعی کردند. این “انقلاب دانشی” منجر به توسعه و استقرار سامانه های خبره (معرفی شده توسط ادوارد فاین باوم) گردید که اولین نرم افزار موفق در زمینه هوش مصنوعی بود. علاوه بر این انقلاب دانشی این موضوع را روشن ساخت که برای بسیاری از اپلیکیشن های ساده هوشمند به حجم بالایی از دانش و اطلاعات نیاز است.
ساب سمبولیک در هوش مصنوعی
در دهه 1980 پیشرفت های زبان سمبلیک هوش مصنوعی به نظر رسید که دچار وقفه شده و بسیاری بر این باور بودند که سیستم های سمبلیک هیچگاه قادر به تظاهر فرآیندهای شناختی انسانی علی الخصوص درک، روباتیک، یادگیری و بازشناخت الگو نخواهند بود. تعدادی از محققان شروع به بررسی کاربرد روش های زبان ساب سمبلیک برای مسائل خاصی از هوش مصنوعی کردند. روش های ساب سمبلیک کاربرد هوش بدون تظاهر ویژه ای از دانش را کنترل می کنند.
محدودیتهای هوش مصنوعی عمومی
آیا یک ماشین می تواند هوشمند باشد؟ می تواند فکر کند؟
میثاق مبادی آداب تورینگ
اگر ماشین بتواند فکر کند ما نیاز به تصمیم گیری نداریم، تنها زمانی نیاز به تصمیم گیری داریم که یک ماشین بتواند همانند یک انسان، هوشمندانه عمل کند. این رویکرد به مسائل فلسفی در ارتباط با هوش مصنوعی، پایه و اساس تست تورینگ را شکل داد.
پیشنهاد کنفرانس دارتموث
“هر جنبه ای از یادگیری یا هر مشخصه دیگری از هوش می تواند چنان موشکافانه شرح داده شود که بتوان ماشینی برای تقلید آن ساخت”. این پنداشت در پیشنهاد کنفرانس سال 1956 دارتموث ثبت شده و اوضاع اکثر تحقیقات کارآمد هوش مصنوعی را نشان داد.
فرضیه سیستم نماد فیزیکی سیمون و نِوِل
“یک سیستم نماد فیزیکی ابزارهای کافی و لازم برای عمل هوش عادی را دارد” نِوِل و سیمون چنین استدلال کردند که هوش از عملکردهای صوری بر پایه ی نمادها تشکیل شده است.
مباحث گودل
کورت گودل، جان لوکاس (در سال 1961) و راجر پنروز (در یک بحث مفصل از سال 1981 به بعد) بر سر اینکه انسانها قابل تنزل به ماشین های تورینگ نیستند، به مباحثه پرداختند. جزئیات مباحث بسیار پیچیده می باشد، با این وجود گوهره و ذات این مباحث از نخستین “قضیه ی ناتمامیت گودل” نشأت می گیرد که همیشه می توان گزاره هایی را خلق کرد که سیستم صوری قادر به اثبات آن نباشد. انسان قادر است حقیقت اظهارات گودل را درک کند. هر برنامه تورینگ می تواند، برای بررسی این گزاره ها، شیوه ی خود را در تبدیل به یک سیستم صوری داشته باشد، و در نتیجه همیشه یک گزاره ی گودل، قابل اشتقاق از برنامه آن باشد، که هیچگاه قادر به کشف آن نباشد. با این وجود به راستی اگر بشر قادر به فهم حقایق ریاضی است، به نظر چنین محدودیتی برای او معنا ندارد. آنچه که بیان شد یک نتیجه کلی است که اگر پذیرفته شود، می توان نشان داد که شبکه های سخت افزار عصبی و کامپیوترهای مبتنی بر پردازش های تصادفی (مثل رهیافت های تبرید) و کامپیوترهای کوانتومی مبتنی بر کیوبیت گره دار (مادامی که فیزیک جدید را شامل نشوند) قابل تبدیل به ماشین های تورینگ هستند. آنچه که همه ی آنها انجام می دهند کم کردن پیچیدگی کارهاست، و مجوز یافتن راه حل برای حل مسائل جدید نیست. راجر پنروز معتقد است که ممکن است فیزیکی جدید در مغز ما، در تقاطع گرانش و مکانیک کوانتومی در مقیاس پلانک وجود داشته باشد. این عقیده اگر پذیرفته شود نفی هوش مصنوعی نیست، در حال که بدان معناست که هوش مصنوعی بایستی بر مبناهای بیولوژیکی و قواعد فیزیک نوین باشد. این بحث مخالفان بسیاری داشته که راجر پنروز به آنها پاسخ داده است و هم اکنون بحثی بسیار بغرنج و پیچیده است. برای درک جزئیات به “فلسفه هوش مصنوعی لوکاس، پنروز و گودل” مراجعه کنید.
تاثیر هوش مصنوعی
ماشین ها پیش از این هم هوشمند بودند، منتهی بیننده قادر به تشخیص آن نبود. زمانیکه دیپ بلو در شطرنج گری کاسپاروف را شکست داد، ماشین هوشمندانه عمل می کرد. با این حال، حاضران رفتار هوشمندانه برنامه را با اظهار اینکه “واقعی نیست” نادیده گرفتند؛ بنابراین هوش “واقعی” رفتار هوشمندانه ای است که مردم می توانند آن را انجام دهن و ماشین ها هنوز قادر به انجام آن نیستند! این مطلب به عنوان اثر هوش مصنوعی (AI effect) شناخته می شود:”هوش مصنوعی هر آنچه که هست، هنوز ایجاد نشده است.”
رفتار هوشمند و اخلاقیات ماشین در هوش مصنوعی
یک سیستم هوشمند حداقل بایستی قادر به بازتولید نمود های هوش انسانی باشد. این موضوع بحث بر سر اینکه ماشین از لحاظ اخلاقی با انسانها و دیگر عامل های هوشمند چگونه رفتار کند را بالا برد. این موضوع در کتابی با عنوان “ماشین های اخلاقی”(Moral Machines) نوشته “وندل والاچ” عنوان شد که وی در آن، مفهوم “عامل های اخلاقی مصنوعی” (artificial moral agents (AMA)) را معرفی کرد. AMAs برای والاچ به یک زمینه ی تحقیق در هوش مصنوعی تبدیل گردید، که با دو پرسش اساسی هدایت می گردد: “آیا انسان می خواهد کامپیوترها تصمیمات اخلاقی بگیرند؟” و ” روبات ها واقعاً می توانند اخلاقی باشند؟” اینکه آیا ماشین ها قادر به بروز رفتار اخلاقی برابر، در تقابل با الزاماتی که جامعه برای توسعه ی AMAs قرار داده، هستند…مسئله مورد تمرکز سئوال والاچ نیست.
اخلاق ماشین در هوش مصنوعی
اخلاق ماشین در ارتباط با ارائه ی اساس اخلاقی برای ماشین هاست، یا فرایند یافتن راهی برای حل مسائل اخلاقی که ممکن است ماشین ها با آن مواجه شوند، توانمند ساختن آنها برای عمل کردن در حالتی مسؤلانه و اخلاقی از طریق تصمیم گیری های اخلاقی که خود ماشین ها آن را اتخاذ کنند. نقشه راه این رشته در AAAI Fall 2005 Symposium on Machine Ethics ترسیم شد: ” تحقیق گذشته در مورد ارتباط تکنولوژی و اخلاق، بر استفاده مسؤلانه یا غیر مسؤلانه از تکنولوژی تمرکز کرده است، که این تحقیق توسط چندی از افراد که علاقه مند به موضوع “انسان چگونه بایستی با ماشین ها رفتار کنند” انجام گرفته است. در تمامی زمینه ها، تنها، به استدلال اخلاقی پرداخته است. زمان آن رسیده که یک بُعد اخلاقی، حداقل به برخی از ماشین ها افزوده شود. شناخت پیامدهای اخلاقی که ماشین ها در گیر آن هستند، به اندازه ی توسعه های اخیر و بالقوه در استقلال ماشینی، لازم و ضروری است. در مقایسه با هک کامپیوتر، مسائل مالکیت نرم افزار، مسائل حریم خصوصی و دیگر موضوعات معمول در حیطه ی اخلاقیات کامپیوتر، اخلاق ماشین در ارتباط با رفتار ماشین نسبت به کاربران انسانی و دیگر ماشین هاست. تحقیق در اخلاق ماشین کلید حل نگرانی های سیستم های خودکار است، و نیز می توان چنین ابراز داشت که تصور ماشین های خودکار بدون داشتن بُعد اخلاقی ریشه ی تمام نگرانی ها در زمینه ی ماشین های هوشمند است. علاوه بر این تحقیق در زمینه اخلاق ماشین، ممکن است منجر به شناخت مشکلات نظریه های اخلاقی رایج، گردیده و نیز منجر به تعالی اندیشه ها در حوزه ی اخلاقیات گردد.” اخلاق ماشین گاهاً بعنوان “اصول اخلاق ماشین” (machine morality)، اخلاق محاسباتی (computational ethics) یا اصول اخلاق محاسباتی (computational morality) شناخته می شود. یکی از چشم اندازهای این رشته ی نوظهور در نسخه ی جمع آوری شده “اخلاق ماشین”
گنجانده شده، که از AAAI Fall 2005 Symposium on Machine Ethics نشأت گرفته است.
بدخواه و دوستدار هوش مصنوعی
دانشمند سیاسی به نام چارلز تی روبین معتقد است که هوش مصنوعی نمی تواند “خیر خواه” طراحی یا تظمین شود. وی اظهار کرد”هر خیر خواهی متعالی قابل تشخیص از بدخواهی نیست.” انسانها نباید چنین پندارند که ماشین ها یا روبات ها بخوبی با آنها رفتار خواهند کرد، چرا که منطقی دالّ بر پذیرش موافقت آنها با نظام اخلاقی ما (چیزی که همراه با تکوین ما، تکامل یافته است و هوش مصنوعی سهمی از آن ندارد) وجود ندارد. نرم افزارهای فوق هوشمند ممکن است تصمیم گیرند که از طولانی شدن زندگی انسان حمایت کنند، که در آن صورت متوقف ساختن آنها بسیار دشوار خواهد بود! اخیراً بحث در رابطه با این موضوع به عنوان تهدیدی برای تمدن، انسانها و کره ی زمین درنشریه های آکادمیک آغاز شده است.
استفان هاوکینگ فیزیکدان، بیل گیتز بنیانگذار مایکروسافت و ایلان ماسک بنیانگذار spaceX از اینکه ممکن است هوش مصنوعی به جایی برسد که از کنترل انسان خارج گردد، ابراز نگرانی کردند. “پایانی بر نسل انسان” عنوان نظریه ایست که هاوکینگ آن را بیان کرده است. یک پیشنهاد برای حل این مسئله اینست که اطمینان حاصل گردد نخستین هوش عمومی AI (Friendly AI) خیرخواه است ، آنگاه در آینده قادر به کنترل هوش های عمومی توسعه یافته نیز خواهد بود. اینکه آیا چنین بررسی ممکن است جواب دهد، مورد سؤال است.
رادنی بروکز، محقق پیشرو در زمینه هوش مصنوعی نوشت؛”من فکر میکنم که نگرانی در مورد بد خواه بودن هوش مصنوعی در چند صد سال آینده، اشتباه است. به نظر من نگرانی از یک خطای اساسی در عدم تشخیص تفاوت بین پیشرفت های اخیر در جنبه ی ویژه ای از هوش مصنوعی، و عظمت و پیچیدگی ساخت هوش ارادی –احساسی نشأت میگیرد.”
تنزل ارزش انسانی در مبحث هوش مصنوعی
ژوزف وایزن بام چنین بیان داشت که اپلیکیشن های هوش مصنوعی نمی توانند احساس یک انسان واقعی را تقلید کنند و استفاده از هوش مصنوعی در زمینه های همچون ارائه خدمات به مشتری یا روان درمانی کاری اشتباه است. وایزن بام، محققان هوش مصنوعی (و برخی فلاسفه) را که بسیار علاقه مند بودند مغز انسان را چیزی هم چون یک برنامه کامپیوتری در نظر گیرند، مورد نکوهش قرار داد (وضعی که هم اکنون، محاسبه گرایی شناخته می شود). این نکات از وایزن بام اشاره بر آن دارد که تحقیقات هوش مصنوعی زندگی انسانی را تنزل می دهد.
کاهش در خواست نیروی کار
مارتین فورد، نویسنده “چراغ ها در تونل: اتوماسیون، تکنولوژی پر شتاب و اقتصاد آینده” و دیگران بر این باورند که برنامه های تخصصی هوش مصنوعی، روباتیک و دیگر انواع اتوماسیون، بدین گونه که ماشین ها همانند کارگران و حتی بهتر از آنها اکثر مشاغل روتین و تکراری را انجام میدهند، نهایتاً منجر به بیکاری چشمگیری می شود. فورد پیش بینی کرد که به طور فزاینده ای احتمال ایجاد اتوماسیون در بسیاری از مشاغل مبتنی بر دانش (در یک سری مشاغل سطح پایین) از طریق سامانه های خبره، یادگیری ماشینی و دیگر اپلیکیشن های پیشرفته هوش مصنوعی وجود دارد. اپلیکیشن های مبتنی بر هوش مصنوعی، ممکن است برای تقویت توانایی های کارگران دریایی که دستمزد پایینی دارند بکار گرفته شده، و برون سپاری کارهای مبتنی بر دانش را عملی سازد.
نظریه ی هوش مصنوعی قدرتمند
نظریه هوش مصنوعی قدرتمند جان سرل بیان می کند که “کامپیوتری که به طور مناسب با داده های صحیح و خروجی ها برنامه ریزی شده باشد ذهنی دارد که این ذهن، دقیقاً از همان حسی برخوردار است که ذهن انسانی از آن برخوردار است.” جان سرل این اظهار را با استدلال اتاق چینی (Chinese room) خود پاسخ داد، که از ما می خواهد به درون کامپیوتر نگاه کرده و سعی کنیم بدانیم که ذهن کجا ممکن است قرار داشته باشد.
حقوق روبات ها
فرانکشتاین اثر مری شلی یک مسئله کلیدی در اخلاق هوش مصنوعی را مورد بررسی قرار می دهد: اگر ماشینی ساخته شود که از هوش برخوردار باشد آیا این ماشین قادر به احساس هم خواهد بود؟ اگر قادر به احساس باشد، آیا از حقوقی یکسان همانند یک انسان برخوردار خواهد بود؟ این عقیده در تخیّل علمی مدرن نیز پدیدار شده است، مثل فیلم A.I.:Artificial Intelligence که ماشین های شبه انسان، توانایی درک احساسات دارند. گرچه بسیاری از محققان آن را بحثی پیش از موعد می پندارند، هم اکنون این مسئله به عنوان “حقوق روبات ها”(robot rights) شناخته شده و توسط مؤسسه کالیفرنیایی “برای آینده” (Institute for the Future) مورد بررسی قرار گرفته است. این موضوع در مستند پلاگین و دعا، عمیقاً مورد بحث قرار گرفته است.
فوق هوشمند
آیا مرز و حدی برای هوش ماشین ها یا هیبریدهای انسان-ماشین وجود دارد؟ فوق هوشمند (superintelligence, hyperintelligence or superhuman intelligence) یک عامل فرضی است که از هوشی بسیار برتر از ذهن یک انسان با استعداد، برخوردار باشد. “فوق هوشمند” امکان دارد به نوع یا درجه ای از هوش اطلاق گردد که چنین عاملی از آن برخوردار است.
تکینگی تکنولوژی در هوش مصنوعی
اگر تحقیق در زمینه هوش مصنوعی قدرتمند (Strong AI) منجر به تولید نرم افزاری بسیار هوشمند گردد، ممکن است این نرم افزار قادر به برنامه ریزی دوباره خود بوده و خودش را ارتقا دهد. نرم افزار ارتقا یافته اگر در ارتقای خود بهتر عمل کند، منتهی به “خود بهبودی بازگشتی” (recursive self-improvement) می گردد. بدین گونه هوش جدید به طور تصاعدی و حیرت آوری از انسانها پیشی می گیرد. ورنر وینج نویسنده ی علمی-تخیلی این سناریو را “تکینگی” (Singularity) نامید. “تکینگی تکنولوژی” زمانیست که پیشرفت فزاینده در تکنولوژی منجر به تأثیری غیرقابل کنترل گردد، که درآن هوش مصنوعی پا فراتر از استعداد عقلی و کنترل بشر گذاشته و بدین سان به طور ناگهانی تمدن بشری را تغییر داده یا آن را پایان دهد. به این خاطر که توانمندی های چنین هوشی ممکن است غیرقابل درک باشد، “تکینگی تکنولوژی” حادثه ایست که در ورای آن رویدادها غیرقابل پیش بینی و حتی غیر قابل درک هستند.
ری کرزویل با استفاده از قانون مور محاسبه کرده است که قدرت پردازش کامپیوترهای رومیزی در سال 2029 به اندازه مغز انسانها خواهد بود و پیش بینی کرد در سال 2045 “تکینگی” بوقوع خواهد پیوست.
تَرابشریت
یک روز صبح از خواب بیدار می شوید و می بینید مغزتان لوب عملکردی دیگری دارد. به گونه ای مغلوب ناپذیر، این لوب کمکی سؤالات شما را با اطلاعاتی فراتر از قلمرو حافظه ی شما پاسخ می دهد، روش های شدنی و محتمل را پیشنهاد می کند، سؤالاتی را مطرح می کند که به روشن شدن حقایق کمک می کند. شما سریعاً به اندازه ای به لوب جدید اعتماد می کنید که دیگر از چگونگی کارکرد آن شگفت زده نمی شوید. فقط از آن استفاده می کنید، این همان رؤیای هوش مصنوعیست.
مجله بایت، آوریل 1985
هانس موراوج طراح روبات، کوین وارویک سایبرنتیست و ری کرزویل مخترع، پیش بینی کردند که انسانها و ماشین ها به سایبورگ (cyborg=cybernetic+organism) ادغام خواهند شد که موجودی توانمندتر و قدرتمندتر از هر دوی آنهاست. این عقیده که “ترابشریت” نام دارد (اصل و ریشه ی آن از آلدوس هاکسلی و رابرت اتینگر است) به خوبی در تخیلات نشان داده شده است بعنوان مثال؛ “مانگا شبح درون پوسته” (manga Ghost in the Shell) و سری رمان های علمی-تخیلی تله ماسه.
در دهه ی 1980 میلادی سری روبات های جنسی هاجیمه سورایاما، در ژاپن رنگ شده و تولید شدند که شکل حقیقی انسان را با عضلات شبه واقعی و پوستی شفاف نشان می داد، که بعدها در کتاب “زن آدم ماشینی” از آن پیروی شد و نیز مورد استفاده یا تحت تأثیر قرار گرفتن کارگردانانی همچون “جورج لوکاس” شد. سورایاما هیچگاه این روبات ها را بخشی واقعی از طبیعت مطرح نکرد بلکه یک محصول غیر طبیعی که زاییده ی ذهن بشر است، موجودی خیالی در ذهن حتی زمانیکه شکلی واقعی داشت. ادوارد فردکین چنین بیان داشت که هوش مصنوعی سیر بعدی تکامل است”، عقیده ای که نخستین بار توسط ساموئل بولتر تحت عنوان “داروین در میان ماشین ها” پیشنهاد شده و در کتابی با همین نام، توسط جورج دایسون گسترش یافت.
تصمیم گیری اخلاقی
برای حفظ اخلاق هوش مصنوعی، برخی ها آموزش تکنولوژی های مجهز شده به هوش مصنوعی را پیشنهاد کردند، مثل خودروهای خودگردان (خودروهای بدون راننده)، تا منجر به ارائه تصمیم های اخلاقی توسط خود آنها گردد. برخی ها چنین اظهار می کنند؛ همانگونه که کودکان رفتار را از بزرگترها می آموزند این تکنولوژی ها نیز می توانند آن را از متخصصان علم الاخلاق بیاموزند. ولی باز نظر برخی ها اینست که تکنولوژی های هوشمند قادر به تعیین تمایلات کاربرانشان هستند (تنها راهی که می توان به تمایلات کاربر پی برد) و از این رو برنامه ریزیها در جهت توجه به این تمایلات وگرایش هاست.
هوش مصنوعی در تخیلات
محتوای هوش مصنوعی بُن مایه ی متداول برنامه های علمی تخیلی است. نخستین داستانها به طور ویژه ای حول روبات های هوشمند بود. خود واژه “روبات” سال 1921 توسط کارل چاپک در نمایشنامه کارخانه روبات سازی روسوم (R.U.R) ابداع گردید (RUR: Rossum’s Universal Robots). بعدها ایساک آسیمو نویسنده علمی تخیلی، سه قانون روباتیک را توسعه داد، و متعاقباً در یک سری طولانی از داستانهای روباتها، انها را شرح داد. این قوانین تاکنون کشش هایی را در تحقیقات معتبر هوش مصنوعی بدست آورده اند.
دیگر هوش تخیلی تأثیر گذار “هَل” (HAL) است، کامپیوتری که مسئول سفینه فضایی در فیلم “2001: ادیسه فضایی”است. هم فیلم و هم کتاب این اثر در سال 1968 منتشر شده و نویسنده آن آرتور سی. کلاک است.
تا کنون هوش مصنوعی در فرهنگ عامه و بسیاری از فیلم ها ریشه دوانده است مثلاً:
فیلم “نابودگر” (The Terminator) در سال 1984
فیلم “هوش مصنوعی” (A.I. Artificial Intelligence) در سال 2001
فیلم “او” (Her) در سال 2014
و بسیاری دیگر … .
منابع و الهامات : مدیا سافت.