هوش مصنوعی از رهیافت علوم شناختی

علوم شناختی حوزه‌ای مرکب از دانش‌هایی نظیر هوش مصنوعی، روان شناسی، عصب-روان شناسی، زبان شناسی، فلسفه ذهن و برخی دیگر از زمینه‌های مطالعاتی است. این گستره پژوهشی با ماهیتی میان رشته‌ای درپی مطالعه پدیده‌ها و رفتارهای شناختی است؛ از ادراک (شامل حواس پنج گانه) گرفته تا فرآیندهای هوشمندانه (از قبیل حساب، حل مساله، تفکر شهودی، تصمیم گیری و...) و نیز زبان، حافظه، یادگیری و هر آنچه که بتوان آن را پدیده و رفتاری شناختی در نظر گرفت.

 

روش‌های علمی و نظریه‌های شاخه‌های گوناگون علوم شناختی بر گسترش پژوهش‌ها و زمینه‌های مطالعاتی، بر حوزه‌های تحقیقی به صورت تعاملی تاثیراتی اساسی داشته اند.بر اساس چنین رهیافتی، محققان علوم کامپیوتر و هوش مصنوعی با استفاده از نظریه‌ها و روش‌های مطالعاتی علوم شناختی می‌توانند در جهت بهبود ایده‌ها و روش‌های نظری و عملی هوش مصنوعی در شبیه سازی و پیاده سازی رفتارهای هوشمند گام‌های مطلوبی بردارند.این مقاله، پیشگفتار کتاب «هوش مصنوعی از رهیافت علوم شناختی» است که هم‌زمان با چاپ و انتشار در اختیار روزنامه قرار گرفته است.

 

علم شناخت با گردآوری مجموعه‌ای از علوم گوناگون به منزله یک زمینه مطالعاتی میان رشته‌ای در پی تبیین فرآیندهای ذهنی و شناختی است تا از این رهیافت به ارایه شبیه‌سازی و مدل‌های گوناگونی از رفتارهای شناختی در حوزه‌های مورد ملاحظه خود بپردازد. موفقیت برق آسای علوم شناختی بعد از سال‌های 1970 دلایل مختلفی داشت؛ نخست، بلندپروازی نظری و ساده‌انگارانه اولیه این علوم در فهم فرآیندهای شناختی در انسان‌ها؛ دوم، تازگی این علوم و میان رشته‌ای بودن آنکه جاذبه‌ای فراوان داشت و سرانجام آنکه، ایده‌ها و کاربردهای عملی تازه‌ای را در زمینه هوش مصنوعی وعده می‌داد.

 

با وجود این،‌ اشتباه است اگر فکر کنیم که علوم شناختی نوعی برنامه تحقیقی همسان و بزرگ است که پژوهشگران با تخصص‌های مختلف را در هماهنگی کامل به همکاری گرد می‌آورد. علوم شناختی، همانند فیزیک نیوتونی یا شیمی ارگانیک، یک علم واحد متجانس را تشکیل نمی‌دهند. کسی که می‌خواهد به طور کامل با تمامی زمینه‌های مطالعاتی آن آشنا شود، ره به خطا برده‌است. در این علم، توده‌ای از رشته‌های اصلی و فرعی گردآمده‌اند که با یکدیگر تلاقی دارند.

 

از این رو، از طرفی، آزمایش‌ها و نظریه‌های موضعی در مورد رفتارهای شناختی به طور ناهماهنگ و پراکنده ارایه می‌شوند و تحقیقات کاربردی و مجادلات فلسفی در هم آمیخته شده‌اند و از طرف دیگر بحث‌های پرشوری در مورد خطر تحدید‌گرایی و سردستگی بعضی رشته‌ها مانند هوش‌مصنوعی یا عصب‌شناسی طرح می‌شود. بنابراین علوم شناختی هنوز از یک مجموعه علمی متجانس و یکپارچه فاصله دارند و به ابرهایی متراکم می‌مانند که به واسطه سطوح مختلف تحلیلی و الگوهای رقابتی در کنار یکدیگر قرار گرفته‌اند.

 

در درون علوم شناختی، چندین الگو در مصاف‌اند: نمادگرایی که فرآیند تفکر را به صورت زنجیره‌ای از نمادها در نظر می‌گیرد و پیوندگرایی که این فرآیند را به مثابه کنشی گسترده و گسترش‌پذیر می‌پندارد، آن چنان که فرآیند تفکر، متأثر از شبکه گسترده‌ای از واحدهایی کوچک است. تمایز میان این دو الگو در چگونگی روش پردازش اطلاعات است. نمادگرایی پردازش متوالی و پیوندگرایی پردازش موازی را به کار می‌گیرد.

 

ایده اساسی در الگوی نمادگرایی عبارت است از یک اصل ساده: فکر کردن یعنی محاسبه کردن. تمامی افکاری که مغز ما را اشغال می‌کنند به صورت زنجیره‌ای از نمادهاست و از طرف دیگر فرآیند پردازش این نمادها برخوردار از محاسباتی ساده و پیچیده است که دانشمندان این حوزه بایستی بتوانند این رابطه محاسباتی را بیابند. نخستین بار این ایده را فلاسفه‌ای مانند گوتفرید لایب‌نیتس (1716-1646 ) و تامس‌هابز (1679-1588) طرح کردند، اما این فکر در آن زمان به عنوان اندیشه‌ای بلند پروازانه و چالش برانگیز تلقی می‌شد.

 

با پیدایش کامپیوتر این ادعا جانی دوباره گرفت. براین اساس نظریه محاسباتی ذهن طرح شد که ادعا دارد توصیف مجموع تفکرات انسانی به صورت محاسبات نمادین قابل بازنمایی است.

 

بنابر این تلقی، تفکر انسانی، از لحاظ شناختی، مانند برنامه‌ای کامپیوتری عمل می‌کند. به این معنا که عملیات منطقی (‌نفی، عطف, فصل و...) را که به کمک نمادهایی انتزاعی (X,Y,A,...) بازنمایی می‌کند، با هم ترکیب کرده و سیستمی منطقی را در جهت اخذ نتایج منطقی عرضه می‌کند. مثلا‌ گزاره "ابرها موجب باران یا برف می‌شوند" براساس این رویکرد به صورت B v C => A رابطه‌مند می‌شود. در این ساختار A نماد ابر، B نماد باران و C نماد برف است.

 

بنابراین، طرح مدل‌سازی نمادین عبارت است از تبدیل تفکرات انسانی (که با زبان روزمره بیان می‌شوند) به یک سلسله عملیات منطقی (به زبان نمادین) که در نوع خود قابل تبدیل به یک سلسله محاسبات ابتدایی (به زبان ماشین، یعنی زبان کامپیوتر یا زبان نورون‌ها) است.

 

امروزه، پیوندگرایی به مثابه رقیب اصلی تلقی نمادگرایی طرح می‌شود. مدل پیوندگرایی که براساس تحقیقات زیست‌شناس اعصاب، وارن مک کولوگ (1969-1899) در مورد سیبرنتیک و شبکه‌های عصبی عرضه شد، فعالیت‌های شناختی را به منزله نوعی مدل پیوندی می‌پندارد.

 

ایده پایه‌ای عبارت است از اینکه تفکر انسانی برای حل مسایل شناختی صرفا از طریق یک سلسله استنتاج‌های منطقی صورت نمی‌گیرد، بلکه مسایل شناختی متاثر از تعامل میان واحدهای کوچک محلی است که به صورت شبکه‌ای به یکدیگر پیوند شده‌اند.

 

بدون آنکه بخواهیم به توصیف دقیق ساختار شبکه پیوندی (که انواع متفاوتی دارد) بپردازیم،‌ بایستی اشاره شود که تعداد زیادی گره (نورون‌ها یا سلول‌های فوتو الکتریک) وجود دارند که به صورت شبکه‌ای به یکدیگر متصل می‌شوند.

 

هر گره ممکن است،‌ بر حسب محرک خارجی یا حالت گره‌های مجاور، حالت فیزیکی متفاوتی به خود بگیرد. با چنین قالب‌بندی است که به سرعت حالت کلی پایداری ظاهر می‌شود. همین قالب‌بندی کلی، حالت شناختی معینی را به وجود می‌آورد.

الگوی پیوندگرایی که‌ پردازش موازی توزیعی‌ نیز نام دارد، کاری با محاسبه نمادین ندارد. بر اساس این دیدگاه به نظر می‌آید که سازمان سلول‌های مغزی، که میلیاردها نورون محلی در آن به هم پیوند می‌خورند، بدین گونه عمل می‌کنند. مدل‌های مصنوعی پیاده‌سازی شده بر اساس این الگو در دو زمینه دستاوردهای خوبی به بار آورده است: بازشناسی اشکال (اعم از دیداری و شنیداری) و دیگری شبیه‌سازی رفتارهای ساده (مانند برداشتن و گذاشتن اشیا) و بعضا پیچیده.

 

راسل و نورویگ در کتاب هوش مصنوعی، رهیافتی نوین بر اساس هشت کتاب مرجع در زمینه هوش‌مصنوعی و طراحی سیستم‌های هوشمند، چهار رهیافت اساسی را تحت عنوان تعریف هوش‌مصنوعی، که بر اساس سیر تاریخی تحقیقات و مطالعات در این زمینه گرد آمده‌اند، طرح کرده و جدولی را ارایه می‌دهند:

هر یک از خانه‌های این جدول رهیافتی را در راستای نظریه‌پردازی، سپس طراحی و تحقق هوش‌مصنوعی نشان می‌دهند. مطابق این جدول، از سویی دو رهیافت افقی فوقانی، تحقق هوش‌مصنوعی را مبتنی بر تفکر/ استدلال و فرآیند تفکری هوشمندانه ارزیابی می‌کنند و دو رهیافت افقی تحتانی، تحقق هوش‌مصنوعی را مبتنی بر رفتار و فرآیند عمل و رفتاری هوشمندانه نشان می‌دهند و از سویی دیگر، دو رهیافت عمودی سمت راست، طراحی هوش‌مصنوعی را به مثابه عملکردی منطقی که استنتاج‌هایی منطقی و برخوردار از صدق منطقی را فراهم می‌کند، معرفی کرده و دو رهیافت عمودی سمت چپ، هوش‌مصنوعی را به مثابه عملکردی شبه‌انسانی که وفادار به تجربه‌های انسانی است (آن چنان که لزوما برخوردار از صدق منطقی نیستند)، بیان می‌کند. از نظر تاریخی تمامی این مواضع در طراحی سیستم‌های هوشمند، علاوه بر همکاری با یکدیگر نقشی رقابتی و انتقادی نسبت به یکدیگر نیز داشته‌اند. بی‌مناسبت نیست که در تبیین نقش و جایگاه علم شناخت در طراحی و پیاده‌سازی هوش‌مصنوعی به شرح مختصری برای هر یک از رهیافت‌های همکار و رقیب فوق پرداخته شود.

 

"مطالعه توانایی‌های ذهنی با به‌کارگیری مدل‌های محاسباتی." (چارنیک و مک درمات، 1985)

"مطالعه محاسباتی که امکان دارد منجر به ادراک، استدلال و کنش شود." (وینستون، 1992)

 

"هوش محاسباتی، مطالعه طراحی عامل‌های هوشمند است." (پول و همکاران، 1998)

"هوش‌مصنوعی... به رفتار هوشمند در مصنوعات مربوط می‌شود." (نیلسون، 1998) هنر خلق ماشین‌هایی که عملکردی را انجام می‌دهند که وقتی آن عملکرد توسط انسان‌ها انجام می‌گیرد مستلزم هوشمندی است." (کارزویل، 1990)

 

"تلاش نوین هیجان‌انگیز، برای ساخت کامپیوترهایی که فکر می‌کنند... ماشین‌هایی به همراه ذهن، تمام و کمال و حسی فاقد تخیل." (هاوگلند، 1985)

"[خودکار کردن] فعالیت‌هایی که با تفکر انسان مرتبط‌اند، فعالیت‌هایی از قبیل تصمیم‌گیری، حل مساله، یادگیری..." (بلمن، 1978)

 

"مطالعه چگونگی ساخت کامپیوترهایی که کارهایی را انجام می‌دهند که اکنون انسان، آنها را بهتر انجام می‌دهد." (ریچ و نایت، 1991)

 

آزمون تورینگ در سال 1950 توسط آلن تورینگ مطرح شد، این آزمون ادعا داشت معیاری را برای مشخص کردن فعالیت هوشمندانه ارایه می‌دهد.

 

در این آزمون، کامپیوتر به همراه شخصی مورد آزمایش قرار می‌گیرد، میان فرد و کامپیوتر مانعی قرار دارد تا موجب آن شود که فرد وجود کامپیوتر را احساس نکند.

 

شخص آزمایش‌کننده، پرسش‌هایی را طرح می‌کند و کامپیوتر به پرسش‌های مطرح شده پاسخ می‌دهد. پس از پایان آزمون اگر فرد پرسش‌کننده نتواند تشخیص دهد که با کامپیوتر محاوره کرده‌است، نتیجه آزمون با اثبات توانایی هوش محاسباتی به نفع کامپیوتر است و در صورتی که فرد تشخیص دهد با کامپیوتر در محاوره بوده‌است، هوش محاسباتی بازنده این آزمون است.

 

امروزه با توجه به دستاوردهای نظری و عملی در علوم و مهندسی سیستم‌های محاسباتی می‌توان ادعا کرد که پیاده‌سازی چنین کامپیوتری نیازمند قابلیت‌هایی اساسی است که برخی از آنان را می‌توان این چنین برشمرد:

- پردازش زبان طبیعی: تا بتواند به طور موفق با زبان طرف محاوره گفت‌وگو کند و ارتباط برقرار کند؛

- بازنمایی دانش: تا آنچه را که درک می‌کند و می‌شنود ذخیره کند؛

- استدلال خودکار: تا از اطلاعات ذخیره شده در خود برای پاسخ به پرسش‌های جدید و ارایه نتایج تازه استفاده کند؛

- یادگیری ماشین: تا با شرایط جدید سازگار شده و الگوها را کشف و برون‌یابی کند.

 

آزمون تورینگ از تعامل فیزیکی میان فرد پرسش‌کننده و کامپیوتر اجتناب می‌کند، چرا که شبیه‌سازی فیزیکی شخص پرسش‌کننده برای هوشمندی ضروری نیست.

 

امروزه می‌توان آزمون تورینگ را به صورت کامل‌تری از لحاظ فنی نیز عرضه کرد. آزمون کامل تورینگ را می‌توان برخوردار از سیگنالی ویدیویی نیز کرد تا پرسش‌کننده بتواند از طریق آن قابلیت‌های ادراکی طرف گفت‌و‌گو را بیازماید. از این رو دو مولفه دیگر به موارد فوق اضافه می‌شود:

 

این شش حوزه مطالعاتی، امروزه بخش‌های عمده‌ای از طراحی هوش‌مصنوعی را تشکیل می‌دهند. مهندسان و محققان هوش‌مصنوعی تلاش زیادی برای عبور از آزمون تورینگ انجام ندادند، چرا که باور داشتند پرداختن به اصول طراحی و پیاده‌سازی آن مطلوب‌تر از وقتی بود که برای تحقق آزمون تورینگ بایستی صرف می‌کردند.

 

ارسطو فیلسوف یونان، یکی از اولین کسانی بود که تلاش کرد تا "تفکر درست" را کشف کند، یعنی فرآیندهای استدلال انکارناپذیر. قیاس ارسطو الگوهایی را برای ساختارهای استدلالی فراهم کرد؛ آن چنان‌که همیشه به هنگام ارایه مقدمات درست، نتایج درست حاصل می‌شود؛ مثلا سقراط انسان است؛ تمامی انسان‌ها میرایند؛ بنابراین، سقراط میراست." این قوانین مستلزم تفکر حاکمیت عمل ذهن می‌شوند و مطالعه این قوانین حوزه‌ای را که منطق نامیده می‌شود بنیان می‌نهند.

 

منطق‌دانان در قرن نوزدهم، نمادگذاری دقیقی را برای گزاره‌ها درباره تمامی انواع اشیاء موجود در عالم و رابطه میان آنان بسط دادند. در 1965 برنامه‌هایی کامپیوتری پدید آمدند که علی‌الاصول می‌توانستند هر برنامه قابل حلی را که با نمادگذاری منطقی توصیف می‌شد، حل کنند. این سنت منطق‌گرایی در هوش‌مصنوعی، محققان را در ارایه برنامه‌هایی منطقی برای خلق سیستم‌های هوشمند امیدوار کرد. چنین رهیافتی با دو مشکل همراه بود: اول کسب دانش غیرصوری و سپس برگرداندن این دانش به زبانی صوری و نمادسازی منطقی آن دانش که همیشه فرآیندی آسان نیست؛ دوم آنکه گاهی اوقات تمایزی جدی میان تحلیل و حل مساله در زبانی صوری و تحلیل همان مساله از لحاظ عملی ایجاد می‌شود.

 

از این رو، حتی مسایلی که پیوستگی کمتری با امور واقع در جهان واقعی دارند گاهی اوقات می‌توانند فرآیندهای استنتاجی منابع محاسباتی کامپیوترها را دچار مشکل کنند.