چالش های بنیادین هوش مصنوعی

//چالش های بنیادین هوش مصنوعی

چالش های بنیادین هوش مصنوعی

البته امروزه هوش مصنوعي به واقعيت نزديك شده است و تقريباً مي‌توان گفت وجود دارد، اما دلايل اساسي متعددي وجود دارند كه نشان مي‌دهند چرا هنوز شكل تكامل يافته‌ هوشي كه تورينگ تصور مي‌كرد، به وقوع نپيوسته است. به طور كلي خود نظريه تورينگ مخالفاني جدي دارد. بعضي از اين منتقدان اصلا‌ً هوش ماشيني را قبول ندارند و برخي ديگر صرفاً كارآمدي آزمون تورينگ را براي اثبات هوشمندي زير سؤال مي‌برند. يكي از مهم‌ترين مباحث مطرح در اين زمينه، موضوع شبيه‌سازي است. غالباً پرسيده مي‌شود آيا صرف اين‌كه ماشيني بتواند نحوه صحبت كردن انسان را شبيه‌سازي كند، به معني آن است كه هوشمند است؟ به عنوان مثال، شايد شما هم درباره روبات‌هاي نرم‌افزاري كه مي‌توانند چت كنند (Chatter Bots) چيزهايي شنيده باشيد. اين روبات‌ها از روش‌هاي تقليدي استفاده مي‌كنند و به تعبيري، نمونه مدرن و اينترنتي آزمون تورينگ هستند.

مثلاً روبات ELIZA يكي از اين‌هاست. اين روبات را ژوزف وايزن بام، يكي ديگر از پژوهشگران‌ نامدار اين حوزه اختراع كرد. اليزا در برخي مكالمات ساده مي‌تواند طرف مقابل خود را به اشتباه بيندازد. طوري كه مخاطب ممكن است فكر كند درحال گپ زدن با يك انسان است. البته اليزا هنوز نتوانسته است آزمون تورينگ را با موفقيت پشت سر بگذارد. با اين حال تكنيك‌هاي شبيه‌سازي مورد انتقاد گروهي از دانشمندان است. يكي از مشهورترين انتقادات در اين زمينه را فيلسوفي به نام جان سيرل (John Searle) مطرح كرده است. او معتقد است بحث هوشمندي ماشين‌هاي غيربيولوژيك اساساً بي‌ربط است و براي اثبات ادعاي خود مثالي مي‌آورد كه در مباحث تئوريك هوش مصنوعي <بحث اتاق چيني> ناميده مي‌شود. سيرل ابتدا نقد خود درباره هوش ماشيني را در 1980 مطرح كرد و سپس آن در مقاله كامل‌تري كه در 1990 منتشر كرد، بسط داد.

ماجراي اتاق چيني به اين صورت است: فرض كنيد داخل اتاقي يك نفر نشسته است و كتابي از قواعد سمبول‌هاي زبان چيني در اختيار دارد. براي اين فرد عبارات – سمبول‌‌هاي – چيني روي كاغذ نوشته مي‌شود و از زير درِ اتاق به داخل فرستاده مي‌شود. او بايد با مراجعه به كتاب قواعد پاسخ مناسب را تهيه كند و روي كاغذ پس بفرستد. اگر فرض كنيم كتاب مرجع مورد نظر به اندازه كافي كامل است، اين فرد مي‌تواند بدون اين‌كه حتي معني يك نماد از سمبول‌هاي زبان چيني را بفهمد، به پرسش‌ها پاسخ دهد. آيا مي‌توان به اين ترتيب نتيجه گرفت كه پاسخ دهنده هوشمند است؟

 استدلال اصلي اين منتقد و ديگر منتقدان موضوع شبيه‌سازي اين است كه مي‌توان ماشيني ساخت (مثلاً يك نرم‌افزار لغتنامه) كه عبارات و اصطلاحات را ترجمه كند. يعني ماشيني كه كلمات و سمبول‌هاي ورودي را دريافت و سمبول‌ها و كلمات خروجي را توليد كند؛ بدون اين‌كه خود ماشين معني و مفهوم اين سمبول‌ها را درك كند. بنابراين آزمون تورينگ

حتي در صورت موفقيت نيز نمي‌تواند ثابت كند كه يك ماشين هوشمند است .

ماشين‌ها بتوانند با دنياي پيرامون خود كنش و واكنش داشته باشند، آنگاه مي‌توانند فكر كنند. منظور اين است كه كامپيوترها نيز مانند ما داراي حس بينايي، شنوايي، لامسه و حس‌هاي ديگر باشند. در اين صورت، تركيب همزمان ” پاسخ‌هاي تقليدي ” با ” واكنش مناسب به محيط  ” يعني همان  ” هوشمندي ” اتفاقاً كسي مانند جان سيرل نيز تفكرات مشابهي دارد؛ با اين تفاوت كه به طور خاص او شكل ايده‌آل كنش و واكنش مورد نياز را همان تعامل بيولوژيكي مي‌داند.

انتقادات ديگري نيز به آزمون تورينگ وارد مي‌شود. ازجمله اين‌كه ممكن است يك ماشين هوشمند باشد، ولي نتواند همچون انسان ارتباط برقرار كند. ديگر اين‌كه، در آزمون تورينگ فرض مي‌شود كه انسان مورد آزمايش – يكي از دو نفري كه داخل اتاق در بسته به سؤالات پاسخ مي‌دهد – به اندازه كافي هوشمند است. در حالي كه با استناد به استدلال خود تورينگ مي‌توان نتيجه گرفت كه خيلي از افراد مانند بچه‌ها و افراد بيسواد در اين آزمون مردود مي‌شوند؛ نه به دليل هوشمندي ماشين، بلكه به دليل نداشتن مهارت كافي در ارتباط‌گيري از طريق مكاتبه.

مسئله ديگري كه در بحث هوش مصنوعي اهميت دارد، موضوع <قالب و محتوا> است. منظور از قالب يا Context در اينجا، ظرفي است كه محتوا داخل آن قرار مي‌گيرد.

يكي از پايه‌هاي هوشمندي انسان توجهي است كه او به قالب محتوا – و نه صرفاً خود محتوا – دارد. به عنوان مثال، وقتي مي‌گوييم “شير”، اين كلمه به تنهايي معاني متفاوتي دارد، ولي هنگامي كه همين واژه داخل يك جمله قرار مي‌گيرد، فقط يك معني صحيح دارد. انسان مي‌تواند معاني كلمات را نه فقط به صورت مجرد، بلكه با دنبال كردن نحوه وابستگيشان به جمله تشخيص دهد. مشابه همين هوشمندي، در تمام حس‌هاي پنجگانه انسان وجود دارد. به عنوان مثال، از نظر علمي ثابت شده است كه گوش انسان مي‌تواند هنگام توجه به صحبت‌هاي يك انسان ديگر در محيطي شلوغ، كلمات و عباراتي را كه نمي‌شنود، خودش تكميل كند يا چشم انسان مي‌تواند هنگام مشاهده يك تصوير، قسمت‌هاي ناواضح آن را با استفاده از دانسته‌هاي بصري قبلي خود تكميل كند.

از اين رو كارشناسان معتقدند، دانش پيش‌زمينه يا ” آرشيو ذهني” يك موجود هوشمند نقش مؤثري در هوشمندي او بازي مي‌كند. در حقيقت منشأ پيدايش برخي از شاخه‌هاي مدرن و جديد دانش هوش مصنوعي همچون ” سيستم‌هاي خبره ” و ” شبكه‌هاي عصبي ” همين موضوع است و اساسا با اين هدف پديد آمده‌اند كه بتوانند به ماشين قدرت آموختن و فراگيري بدهند؛ هرچند كه هر يك از اين شاخه‌ها، از پارادايم متفاوتي براي آموزش به ماشين استفاده مي‌كنند و همين تفاوت‌ها مبنا و اساس دو جريان فكري عمده در محافل علمي مرتبط با هوش مصنوعي را پديد آورده‌اند.

۱۳۹۲-۱۲-۳ ۱۳:۴۵:۰۵ +۰۳:۳۰اسفند ۳ام, ۱۳۹۲|عمومی دسته بندی ها|بدون ديدگاه

ثبت ديدگاه

پرداخت

1-پرداخت آنلاین
برای پرداخت آنلاین از لینک زیر استفاده کنید
پرداخت آنلاین
2- پرداخت آفلاین
برای پرداخت آفلاین مبلغ مورد نظر را به یکی از شماره کارت
6037997245888723بانک ملی