رویکردهای هوش مصنوعی 

هیچ نظریه یا پارادایم مشخصی برای هدایت پژوهش‌های هوش مصنوعی وجود ندارد.  پژوهشگران این حوزه در رابطه با بسیاری از مسائل با یکدیگر اختلاف نظر دارند. برخی از پرسش‌ها در همین رابطه که همچنان بدون پاسخ باقیمانده‌اند در ادامه بیان می‌شوند.

• آیا هوش مصنوعی باید هوش طبیعی را با مطالعه روانشناسی یا علوم اعصاب بیاموزد؟
• آیا زیست‌شناسی انسان همانقدر به هوش مصنوعی بی‌ارتباط است که زیست‌شناسی پرندگان به مهندسی هوافضا؟
• آیا رفتار هوشمندانه را می‌توان با استفاده از اصول ساده و به‌روز (مانند منطق یا بهینه‌سازی) توصیف کرد؟
• آیا هوش مصنوعی نیازمند حل حجم وسیعی از مسائل کاملا نامرتبط است؟

در قسمت‌های پیشین مطالب هوش مصنوعی به مقدمه، تاریخچه و مبانی و مسائل این حوزه پرداخته شد. در این قسمت رویکردهای این علم از دیرباز تاکنون مورد بررسی قرار گرفته است.

سایبرنتیک و شبیه‌سازی مغز

در دهه‌های ۱۹۴۰ و ۱۹۵۰، برخی از پژوهشگران رابطه بین علوم اعصاب، نظریه اطلاعات و سایبرنتیک را مورد بررسی قرار دادند. تعدادی از آن‌ها، موفق به ساخت ماشین‌هایی شدند که از شبکه‌های الکترونیکی برای نمایش هوش ابتدایی بهره می‌بردند. ازا ین جمله می‌توان به ربات «Turtle» ساخته «ویلیام گری والتر» (William Grey Walter) و «Johns Hopkins Beast» اشاره کرد.

بسیاری از این پژوهشگران در همایش «جامعه فنی» (Teleological Society) دانشگاه پرینستون و «Ratio Club» در انگلستان گرد هم می‌آمدند. این رویکرد در سال ۱۹۶۰ به‌طور کامل رها شد، اگرچه عناصر آن در سال‌های۱۹۸۰ مجددا در معرض توجه قرار گرفتند.

هوش مصنوعی نمادین

هنگامی که دسترسی به کامپیوترهای دیجیتال در اواسط ۱۹۵۰ امکان‌پذیر شد، پژوهشگران هوش مصنوعی شروع به بررسی امکان تقلیل هوش انسانی به دستکاری نمادها کردند. پژوهش‌ها در سه دانشگاه کارنگی ملون، استنفورد و MIT انجام می‌شدند و چنانکه در ادامه تشریح شده است، هر یک سبک پژوهشی خاص خود را داشتند.

«جان هاگلند» (John Haugeland)، این رویکردهای نمادین را «هوش مصنوعی خوب سبک قدیمی» یا «GOFAI» نامید. در طول ۱۹۶۰، رویکردهای نمادین موفقیت‌های قابل توجهی در شبیه‌سازی تفکر سطح بالا در برنامه‌های کوچک کسب کردند. رویکردهای مبتنی بر سایبرنتیک یا شبکه‌های عصبی مصنوعی رها شده و یا در پستو قرار گرفتند. پژوهشگران در دهه‌های ۱۹۶۰ و ۱۹۷۰ متقاعد شدند که رویکردهای نمادین ساخت ماشین‌های دارای هوش مصنوعی عمومی در نهایت عملکرد موفقیت‌آمیزی داشته‌اند و لذا این رویکردها را به عنوان هدف کاری خود در نظر گرفتند.

شبیه‌سازی شناختی

«هربرت الکساندر سایمون» (Herbert Alexander Simon) اقتصاددان و آلن نیوول (Allen Newell) مهارت‌های حل مساله انسان را مورد مطالعه قرار داده و برای رسمی‌سازی آن تلاش کردند. تلاش‌ها ایشان منجر به بنیان نهادن هوش مصنوعی دارای مفاهیم علوم شناختی، تحقیق در عملیات و دانش مدیریت شد. تیم پژوهش‌های آن‌ها از نتایج آزمایش‌های روانشناسانی، برای توسعه برنامه‌ای بهره بردند که روش‌های حل مساله انسانی را شبیه‌سازی می‌کرد. در نهایت، این رویکرد که در دانشگاه کارنگی ملون در حال بهره‌برداری بود، در اواسط دهه ۱۹۸۰ جهت طراحی معماری «Soar» مورد استفاده قرار گرفت.

مبتنی بر منطق

برخلاف سایمون و نیوول، جان مک‌کارتی احساس کرد که ماشین‌ها نیازی به شبیه‌سازی تفکرات انسان ندارند، بلکه، باید برای انجام استدلال انتزاعی و حل مساله بدون توجه به اینکه آیا انسان‌ها از الگوریتم‌های مشابهی استفاده می‌کنند یا خیر، تلاش کنند. آزمایشگاه او در استنفورد (SAIL) بر استفاده از منطق رسمی جهت حل گستره وسیعی از مسائل، از جمله ارائه دانش، برنامه‌ریزی و یادگیری متمرکز شده بود. همچنین، منطق در مرکز توجهات تلاش‌های دانشگاه ادینبرو (University of Edinburgh) و دیگر مراکز در اروپا بود که منجر به توسعه زبان برنامه‌نویسی پرولوگ و علم برنامه‌نویسی منطقی (Logic programming) شد.

پادمنطق یا ناهنجار

پژوهشگران دانشگاه MIT (مانند «ماروین مینسکی» (Marvin Minsky) و «سیمور پاپرت» (Seymour Papert)) کشف کردند که حل مسائل دشوار در پردازش زبان طبیعی و بینایی کامپیوتری، نیازمند راهکارهای تک منظوره است. آن‌ها چنین استدلال می‌کردند که هیچ اصل ساده و عمومی (مانند منطق) وجود ندارد که همه جنبه‌های رفتار هوشمند را در بر بگیرد. «راجر شانک» (Roger Schank) رویکرد پادمنطقیشان را با عنوان «ژولیده» (مخالف «تمیز» در پارادایم موجود در دانشگاه‌های کارنگی ملون و استنفورد) معرفی کرد. پایگاه دانش‌های خرد جمعی (مانند پایگاه دانش Cyc داگلاس لنات) مثال‌هایی از هوش مصنوعی «ژولیده» هستند، زیرا باید به صورت دستی و بر اساس مفاهیم پیچیده موجود در یک زمان ساخته شوند.

مبتنی بر دانش

هنگامی که کامپیوترهای دارای حافظه‌های بزرگ در حدود سال ۱۹۷۰ در دسترس قرار گرفتند، پژوهشگران هر سه رویکرد شروع به ساخت برنامه‌های هوشمند دارای دانش کردند. این «انقلاب دانش» منجر به توسعه و ساخت «سیستم‌های خبره» (expert systems) شد (توسط «ادوارد فاین‌باوم» (Edward Feigenbaum) معرفی شد)، که اولین نرم‌افزار واقعا موفق هوش مصنوعی بود. انقلاب دانش همچنین ناشی از درک این مساله بود که حجم عظیم دانش به‌وسیله برنامه‌های ساده هوش مصنوعی قابل اکتساب است.

زیرنمادین

پیشرفت‌های هوش مصنوعی نمادین در سال ۱۹۸۰ متوقف شد و بسیاری بر این باور بودند که سیستم‌های نمادین هرگز قادر به تقلید همه فرآیندهایی شناختی انسان، به‌ویژه ادراک، رباتیک، یادگیری و تشخیص الگو نیستند. تعدادی از پژوهشگران شروع به بررسی رویکردهای «زیرنمادین» برای مسائل هوش مصنوعی مشخصی کردند. روش‌های زیرنمادین، رویکرد هوشمندی را بدون ارائه خاصی از دانش مدیریت می‌کردند.

هوش تجسمی

این مبحث شامل هوش مصنوعی تجسمی، موقعیتی، مبتنی بر رفتار و هوش مصنوعی nouvelle است. پژوهشگران حوزه‌های مرتبط مانند رباتیک، از جمله «رادنی بروکس» (Rodney Brooks)، هوش مصنوعی نمادین را رد کرده و روی مسائل پایه‌ای متمرکز شدند که ربات‌ها را قادر به حرکت کردن و ادامه حیات می‌ساختند. تلاش‌های آن‌ها، نقطه نظر غیر نمادینی که متعلق به پژوهشگران اولیه سایبرنتیک در سال‌های ۱۹۵۰ بود را حیاتی دوباره بخشیده و استفاده از «نظریه کنترل» (Control theory) را بازمعرفی کرد. این امر با ساخت و توسعه نظریه ذهن تجسمی مقارن شد. ایده اصلی این نظریه آن است که جنبه‌های گوناگون بدن (مانند حرکت کردن، ادراک و بصری‌سازی) برای داشتن هوش بیشتر مورد نیاز است.

با علم رباتیک پیشرفته، رویکردهای یادگیری پیشرفته نیز به‌گونه‌ای توسعه یافتند که به ربات‌ها توانایی تجمیع مهارت‌های نو رفتاری و اقدامی به‌وسیله خودآزمایی خودکار، تعامل اجتماعی با معلمان انسانی و استفاده از مکانیزم‌های راهنما (یادگیری فعال، بلوغ و هم‌افزایی حرکتی و غیره) را می‌دادند.

هوش محاسباتی و محاسبات نرم

توجهات به هوش مصنوعی و «اتصال‌گرایی» (Connectionism) توسط «دیوید راملهارت» (David Everett Rumelhart) و دیگر پژوهشگران در اواسط دهه ۱۹۸۰ از سر گرفته شد. شبکه‌های عصبی مصنوعی مثالی از محاسبات نرم – که راهکارهایی برای مسائل غیرقابل حل با قطعیت منطقی کامل، یا مواردی که یک راهکار تخمینی برای آن‌ها مناسب محسوب می‌شود فراهم می‌کنند – است.

دیکر رویکردهای محاسبات نرم در هوش مصنوعی شامل سیستم‌های فازی، محاسبات فرگشتی (evolutionary computation) و بسیاری از ابزارهای آماری می‌شوند. کاربرد محاسبات نرم در هوش مصنوعی، در اصول ظهور یافته از هوش محاسباتی مورد مطالعه قرار گرفته است.

یادگیری آماری

آنچه هوش مصنوعی خوب سبک قدیمی (GOFAI) نامیده شده است با استفاده از محاسبات نمادینی که روی مدل‌های اسباب‌بازی خودشان کار می‌کرد ولی در عمومی‌سازی برای نتایج جهان واقعی شکست خورده بود از میان رفت. اگرچه، در دهه ‍۱۹۶۰، پژوهشگران هوش مصنوعی ابزارهای پیچیده ریاضیاتی مانند «مدل پنهان مارکف» (Hidden Markov Model-HMM)، نظریه اطلاعات (information theory) و نظریه تصمیم بیزی اصولی را برای مقایسه یا معماری‌های یکتاسازی رقابت‌ها مورد استفاده قرار دادند.

زبان ریاضیاتی به اشتراک گذاشته شده امکان تعاون سطح بالا را با اغلب زمینه‌های ایجاد شده (مانند ریاضیات، اقتصاد یا تحقیق در عملیات) فراهم می‌کرد. در مقایسه با GOFAI، روش‌های «یادگیری آماری» جدید مانند HMM و شبکه‌های عصبی بدون آنکه الزاما دارای ادراک معنایی از مجموعه داده‌ها باشند، به سطح بالاتری از صحت در بسیاری از دامنه‌ها از جمله داده‌کاوی دست یافتند.

در همین راستا، با افزایش موفقیت مدل‌ها به جهت استفاده از داده‌های جهان واقعی تاکیدها بر مقایسه رویکردهای گوناگون به‌منظور بررسی اینکه کدام یک بهترین اجرا را در زمینه‌های گسترده‌تر و جهان‌واقعی (فرای آنچه توسط مدل‌های تک منظوره اسباب‌بازی فراهم می‌کردند) داشته، افزایش یافت.

امروزه، پژوهش‌های هوش مصنوعی علمی‌تر شده‌اند. از همین‌رو، نتایج آزمایش‌ها اغلب به‌طور دقیق قابل اندازه‌گیری و گاهی – به سختی – حتی قابل بازتولید هستند. هر یک از روش‌های یادگیری آماری محدودیت‌های خاص خود را دارند. برای مثال، HMM پایه نمی‌تواند ترکیب‌های نامحدود ممکن از زبان طبیعی را مدل کند. منتقدان متذکر شده‌اند که جابه‌جایی از GOFAI به یادگیری آماری، معادل تغییر مسیر از «هوش مصنوعی قابل توضیح» (Explainable Artificial Intelligence) به سمت و سویی دیگر است.

در پژوهش‌های هوش مصنوعی عمومی (AGI) برخی از پژوهشگران در رابطه با وابستگی بیش از حد به یادگیری آماری هشدار داده‌اند و چنین استدلال می‌کنند که تداوم پژوهش‌ها در GOFAI همچنان برای رسیدن به هوش عمومی الزامی است.

یکپارچه‌سازی رویکردها

پارادایم عامل هوشمند

یک عامل هوشمند، سیستمی است که محیط خود را درک می‌کند و اقداماتی انجام می‌دهد که شانس موفقیتش را بیشینه کند. ساده‌ترین عامل‌های هوشمند برنامه‌هایی هستند که مسائل خاصی را حل می‌کنند. عامل‌های پیچیده‌تر شامل انسان‌ها و نهادهای انسانی (مانند شرکت‌ها) می‌شوند.

این پارادایم امکان مقایسه مستقیم یا حتی ترکیب رویکردهای گوناگون با یکدیگر برای مسائل منزوی را با طرح این پرسش به پژوهشگران می‌دهد که کدام عامل در بیشینه‌سازی «تابع هدف» دارای بهترین عملکرد است. عاملی که یک مساله مشخص را حل می‌کند، می‌تواند از هر رویکردی که جوابگو است (برخی از عامل‌ها نمادین و منطقی هستند و برخی شبکه‌های عصبی مصنوعی زیرنمادین هستند و دیگر عامل‌ها ممکن است از رویکردهای نو استفاده کنند. این پارادایم به پژوهشگران یک زبان متداول برای برقراری ارتباط با دیگر زمینه‌ها مانند نظریه تصمیم و اقتصاد را می‌دهند.) از جمله مفاهیم عامل‌های انتزاعی استفاده کند.

ساخت یک عامل کامل نیازمند آن است که پژوهشگران به مسائل جهان واقعی یکپارچه‌سازی بپردازند. برای مثال، به دلیل آن‌که سیستم‌های حسی اطلاعات غیرقطعی درباره محیط فراهم می‌کنند، سیستم‌های برنامه‌ریز باید قادر به کار در حضور عدم قطعیت باشند. پارادایم عامل هوشمند طی سال‌های دهه ۱۹۹۰ به‌طور گسترده‌ای مورد پذیرش قرار گرفت.

معماری عامل‌ها و معماری شناختی

پژوهشگران، موفق به طراحی سیستم‌هایی هوشمندی شدند که قادر به تعامل با عامل‌های هوشمند در سیستم‌های چندعامله هستند. یک سیستم کنترل سلسله مراتبی، پلی بین هوش مصنوعی زیرنمادین در پایین‌ترین سطوح واکنش‌پذیر و هوش مصنوعی نمادین سنتی در بالاترین سطح آن فراهم می‌کند.

برخی از معماری‌های شناختی برای حل مسائل محدود و مشخص، به‌طور سفارشی ساخته شده‌اند. دیگر موارد مانند Soar برای تقلید شناخت انسان و فراهم کردن بینش برای هوش عمومی طراحی شده‌اند. افزونه‌های مدرن Soar، سیستم‌های هوشمند ترکیبی (hybrid intelligent systems) هستند که شامل مولفه‌های نمادین و زیرنمادین می‌شوند.

گردآوری توسط: تحقیقستان