افق های هوش مصنوعی

در 1943،Mcclutch (روانشناس، فيلسوف و شاعر) و Pitts (رياضيدان) طی مقاله*ای، ديده*های آن روزگار درباره محاسبات، منطق و روانشناسی عصبی را تركيب كردند. ايده اصلی آن مقاله چگونگی انجام اعمال منطقی به وسيله اجزای ساده شبكه عصبی بود. اجزای بسيار ساده (نورون*ها) اين شبكه فقط از اين طريق سيگنال های تحريك (exitory) و توقيف (inhibitory) با هم درتماس بودند. اين همان چيزی بود كه بعدها دانشمندان كامپيوتر آن را مدارهای (And) و (OR) ناميدند و طراحی اولين كامپيوتر در 1947 توسط فون نيومان عميقاً از آن الهام می*گرفت.

امروز پس از گذشته نيم*قرن از كار Mcclutch و Pitts شايد بتوان گفت كه اين كار الهام بخش گرايشی كاملاً پويا و نوين در هوش مصنوعی است.

پيوندگرايی (Connectionism) هوشمندی را تنها حاصل كار موازی و هم*زمان و در عين حال تعامل تعداد بسيار زيادی اجزای كاملاً ساده به هم مرتبط می*داند.

شبكه*های عصبی كه از مدل شبكه عصبی ذهن انسان الهام گرفته*اند امروزه دارای كاربردهای كاملاً علمی و گسترده تكنولوژيك شده*اند و كاربرد آن در زمينه*های متنوعی مانند سيستم*های كنترلی، رباتيك، تشخيص متون، پردازش تصوير،… مورد بررسی قرار گرفته است.

علاوه بر اين كار بر روی توسعه سيستم*های هوشمند با الهام از طبيعت (هوشمندی*های ـ غير از هوشمندی انسان) اكنون از زمينه*های كاملاً پرطرفدار در هوش مصنوعی است.

الگوريتم ژنيتك كه با استفاده از ايده تكامل داروينی و انتخاب طبيعی پيشنهاد شده روش بسيار خوبی برای يافتن پاسخ به مسائل بهينه سازيست. به همين ترتيب روش*های ديگری نيز مانند استراتژی*های تكاملی نيز (Evolutionary Algorithms) در اين زمينه پيشنهاد شده اند.

دراين زمينه هر گوشه*ای از سازو كار طبيعت كه پاسخ بهينه*ای را برای مسائل يافته است مورد پژوهش قرار می*گيرد. زمينه*هايی چون سيستم امنيتی بدن انسان (Immun System) كه در آن بيشمار الگوی ويروس*های مهاجم به صورتی هوشمندانه ذخيره می*شوند و يا روش پيدا كردن كوتاه*ترين راه به منابع غذا توسط مورچگان (Ant Colony) همگی بيانگر گوشه*هايی از هوشمندی بيولوژيك هستند.

گرايش ديگر هوش مصنوعی بيشتر بر مدل سازی اعمال شناختی تاُكيد دارد (مدل سازی نمادين يا سمبوليك) اين گرايش چندان خود را به قابليت تعمق بيولوژيك سيستم*های ارائه شده مقيد نمی*كند.

CASE-BASED REASONING يكی از گرايش*های فعال در اين شاخه می*باشد. بعنوان مثال روند استدلال توسط يك پزشك هنگام تشخيص يك بيماری كاملاً شبيه به CBR است به اين ترتيب كه پزشك در ذهن خود تعداد بسيار زيادی از شواهد بيماری*های شناخته شده را دارد و تنها بايد مشاهدات خود را با نمونه*های موجود در ذهن خويش تطبيق داده، شبيه*ترين نمونه را به عنوان بيماری بيابد.

به اين ترتيب مشخصات، نيازمندی*ها و توانايی*های CBR به عنوان يك چارچوب كلی پژوهش در هوش مصنوعی مورد توجه قرارگرفته است.

البته هنگامی كه از گرايش*های آينده سخن می*گوييم، هرگز نبايد از گرايش*های تركيبی غفلت كنيم. گرايش*هايی كه خود را به حركت در چارچوب شناختی يا بيولوژيك يا منطقی محدود نكرده و به تركيبی از آنها می*انديشند. شايد بتوان پيش*بينی كرد كه چنين گرايش*هايی فرا ساختارهای (Meta –Structure) روانی را براساس عناصر ساده بيولوژيك بنا خواهند كرد