هوش مصنوعی از رهیافت علوم شناختی

علوم شناختی حوزه‌ای مركب 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 ادراك (شامل حواس پنج گانه) گرفته تا فرآیندهای هوشمندانه (از قبیل حساب، حل مساله، تفكر شهودی، تصمیم گیری و...) و نیز زبان، حافظه، یادگیری و هر آنچه كه 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 كامپیوتر 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 كتاب «هوش مصنوعی از رهیافت علوم شناختی» است كه هم‌زمان با چاپ و انتشار در اختیار روزنامه قرار گرفته است.
علم شناخت با گردآوری مجموعه‌ای از علوم گوناگون به منزله یك 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 ۱۹۷۰ 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 آنكه جاذبه‌ای فراوان داشت و سرانجام آنكه، ایده‌ها و كاربردهای عملی تازه‌ای را در زمینه هوش مصنوعی وعده می‌داد.
با وجود این،‌ اشتباه است اگر فكر كنیم كه علوم شناختی نوعی برنامه تحقیقی همسان و بزرگ است كه پژوهشگران با تخصص‌های مختلف را در هماهنگی كامل به همكاری گرد می‌آورد. علوم شناختی، همانند فیزیك نیوتونی یا شیمی ارگانیك، یك علم واحد متجانس را تشكیل نمی‌دهند. كسی كه می‌خواهد به طور كامل با تمامی زمینه‌های مطالعاتی آن آشنا شود، ره به خطا برده‌است.
در این علم، توده‌ای از رشته‌های اصلی و فرعی گردآمده‌اند كه با یكدیگر تلاقی دارند. از این رو، از طرفی، آزمایش‌ها و نظریه‌های موضعی در مورد رفتارهای شناختی به طور ناهماهنگ و پراكنده ارایه می‌شوند و تحقیقات كاربردی 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 یك مجموعه علمی متجانس و یكپارچه فاصله دارند و به ابرهایی متراكم می‌مانند كه به واسطه سطوح مختلف تحلیلی و الگوهای رقابتی در كنار یكدیگر قرار گرفته‌اند.
● الگوهای تفكر از رهیافت علم شناخت
در درون علوم شناختی، چندین الگو در مصاف‌اند: نمادگرایی كه فرآیند تفكر را به صورت زنجیره‌ای از نمادها در نظر می‌گیرد و پیوندگرایی كه این فرآیند را به مثابه كنشی گسترده و گسترش‌پذیر می‌پندارد، آن چنان كه فرآیند تفكر، متأثر از شبكه گسترده‌ای از واحدهایی كوچك است. تمایز میان این دو الگو در چگونگی روش پردازش اطلاعات است. نمادگرایی پردازش متوالی و پیوندگرایی پردازش موازی را به كار می‌گیرد.
● نمادگرایی
ایده اساسی در الگوی نمادگرایی عبارت است از یك اصل ساده: فكر كردن یعنی محاسبه كردن. تمامی افكاری كه مغز ما را اشغال می‌كنند به صورت زنجیره‌ای از نمادهاست و از طرف دیگر فرآیند پردازش این نمادها برخوردار از محاسباتی ساده و پیچیده است كه دانشمندان این حوزه بایستی بتوانند این رابطه محاسباتی را بیابند. نخستین بار این ایده را فلاسفه‌ای مانند گوتفرید لایب‌نیتس (۱۷۱۶-۱۶۴۶ ) و تامس‌هابز (۱۶۷۹-۱۵۸۸) طرح كردند، اما این فكر در آن زمان به عنوان اندیشه‌ای بلند پروازانه و چالش برانگیز تلقی می‌شد.
با پیدایش كامپیوتر این ادعا جانی دوباره گرفت. براین اساس نظریه محاسباتی ذهن طرح شد كه ادعا دارد توصیف مجموع تفكرات انسانی به صورت محاسبات نمادین قابل بازنمایی است.
بنابر این تلقی، تفكر انسانی، از لحاظ شناختی، مانند برنامه‌ای كامپیوتری عمل می‌كند. به این معنا كه عملیات منطقی (‌نفی، عطف, فصل و...) را كه به كمك نمادهایی انتزاعی (X,Y,A,...) بازنمایی می‌كند، با هم تركیب كرده و سیستمی منطقی را در جهت اخذ نتایج منطقی عرضه می‌كند. مثلا‌ گزاره "ابرها موجب باران یا برف می‌شوند" براساس این رویكرد 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 تفكرات انسانی (كه با زبان روزمره بیان می‌شوند) به یك سلسله عملیات منطقی (به زبان نمادین) كه در نوع خود قابل تبدیل به یك سلسله محاسبات ابتدایی (به زبان ماشین، یعنی زبان كامپیوتر یا زبان نورون‌ها) است.
● پیوندگرایی
امروزه، پیوندگرایی به مثابه رقیب اصلی تلقی نمادگرایی طرح می‌شود. مدل پیوندگرایی كه براساس تحقیقات زیست‌شناس اعصاب، وارن مك كولوگ (۱۹۶۹-۱۸۹۹) در مورد سیبرنتیك و شبكه‌های عصبی عرضه شد، فعالیت‌های شناختی را به منزله نوعی مدل پیوندی می‌پندارد.
ایده پایه‌ای عبارت است از اینكه تفكر انسانی برای حل مسایل شناختی صرفا از طریق یك سلسله استنتاج‌های منطقی صورت نمی‌گیرد، بلكه مسایل شناختی متاثر از تعامل میان واحدهای كوچك محلی است كه به صورت شبكه‌ای به یكدیگر پیوند شده‌اند.
بدون آنكه بخواهیم به توصیف دقیق ساختار شبكه پیوندی (كه انواع متفاوتی دارد) بپردازیم،‌ بایستی اشاره شود كه تعداد زیادی گره (نورون‌ها یا سلول‌های فوتو الكتریك) وجود دارند كه به صورت شبكه‌ای به یكدیگر متصل می‌شوند.
هر گره ممكن است،‌ بر حسب محرك خارجی یا حالت گره‌های مجاور، حالت فیزیكی متفاوتی به خود بگیرد. با چنین قالب‌بندی است كه به سرعت حالت كلی پایداری ظاهر می‌شود. همین قالب‌بندی كلی، حالت شناختی معینی را به وجود می‌آورد.
الگوی پیوندگرایی كه‌ پردازش موازی توزیعی‌ نیز نام دارد، كاری با محاسبه نمادین ندارد. بر اساس این دیدگاه به نظر می‌آید كه سازمان سلول‌های مغزی، كه میلیاردها نورون محلی در آن به هم پیوند می‌خورند، بدین گونه عمل می‌كنند. مدل‌های مصنوعی پیاده‌سازی شده بر اساس این الگو در دو زمینه دستاوردهای خوبی به بار آورده است: بازشناسی اشكال (اعم از دیداری و شنیداری) و دیگری شبیه‌سازی رفتارهای ساده (مانند برداشتن و گذاشتن اشیا) و بعضا پیچیده.
● هوش مصنوعی از رهیافت علوم شناختی
راسل و نورویگ در كتاب هوش مصنوعی، رهیافتی نوین بر اساس هشت كتاب مرجع در زمینه هوش‌مصنوعی و طراحی سیستم‌های هوشمند، چهار رهیافت اساسی را تحت عنوان تعریف هوش‌مصنوعی، كه بر اساس سیر تاریخی تحقیقات و مطالعات در این زمینه گرد آمده‌اند، طرح كرده و جدولی را ارایه می‌دهند:
هر یك 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 تفكر/ استدلال و فرآیند تفكری هوشمندانه ارزیابی می‌كنند 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 عملكردی منطقی كه استنتاج‌هایی منطقی و برخوردار از صدق منطقی را فراهم می‌كند، معرفی كرده و دو رهیافت عمودی سمت چپ، هوش‌مصنوعی را به مثابه عملكردی شبه‌انسانی كه وفادار به تجربه‌های انسانی است (آن چنان كه لزوما برخوردار از صدق منطقی نیستند)، بیان می‌كند. از نظر تاریخی تمامی این مواضع در طراحی سیستم‌های هوشمند، علاوه بر همكاری با یكدیگر نقشی رقابتی و انتقادی نسبت به یكدیگر نیز داشته‌اند. بی‌مناسبت نیست كه در تبیین نقش و جایگاه علم شناخت در طراحی و پیاده‌سازی هوش‌مصنوعی به شرح مختصری برای هر یك از رهیافت‌های همكار و رقیب فوق پرداخته شود.
● تفكر/ استدلال
▪ سیستم‌هایی كه منطقی (/عقلایی) فكر می‌كنند
ـ "مطالعه توانایی‌های ذهنی با به‌كارگیری مدل‌های محاسباتی." (چارنیك و مك درمات، ۱۹۸۵)
ـ "مطالعه محاسباتی كه امكان دارد منجر به ادراك، استدلال و كنش شود." (وینستون، ۱۹۹۲)
▪ سیستم‌هایی كه منطقی (/عقلایی) عمل می‌كنند
ـ "هوش محاسباتی، مطالعه طراحی عامل‌های هوشمند است." (پول و همكاران، ۱۹۹۸)
ـ "هوش‌مصنوعی... به رفتار هوشمند در مصنوعات مربوط می‌شود." (نیلسون، ۱۹۹۸) هنر خلق ماشین‌هایی كه عملكردی را انجام می‌دهند كه وقتی آن عملكرد توسط انسان‌ها انجام می‌گیرد مستلزم هوشمندی است." (كارزویل، ۱۹۹۰)
▪ سیستم‌هایی كه شبیه انسان فكر می‌كنند
ـ "تلاش نوین هیجان‌انگیز، برای ساخت كامپیوترهایی كه فكر می‌كنند... ماشین‌هایی به همراه ذهن، تمام و كمال و حسی فاقد تخیل." (هاوگلند، ۱۹۸۵)
ـ "[خودكار كردن] فعالیت‌هایی كه با تفكر انسان مرتبط‌اند، فعالیت‌هایی از قبیل تصمیم‌گیری، حل مساله، یادگیری..." (بلمن، ۱۹۷۸)
▪ سیستم‌هایی كه شبیه انسان عمل می‌كنند
ـ "مطالعه چگونگی ساخت كامپیوترهایی كه كارهایی را انجام می‌دهند كه اكنون انسان، آنها را بهتر انجام می‌دهد." (ریچ و نایت، ۱۹۹۱)
● عملكرد انسانی؛ رهیافت آزمون تورینگ
آزمون تورینگ در سال ۱۹۵۰ توسط آلن تورینگ مطرح شد، این آزمون ادعا داشت معیاری را برای مشخص كردن فعالیت هوشمندانه ارایه می‌دهد.
در این آزمون، كامپیوتر به همراه شخصی مورد آزمایش قرار می‌گیرد، میان فرد و كامپیوتر مانعی قرار دارد تا موجب آن شود كه فرد وجود كامپیوتر را احساس نكند.
شخص آزمایش‌كننده، پرسش‌هایی را طرح می‌كند و كامپیوتر به پرسش‌های مطرح شده پاسخ می‌دهد. پس از پایان آزمون اگر فرد پرسش‌كننده نتواند تشخیص دهد كه با كامپیوتر محاوره كرده‌است، نتیجه آزمون با اثبات توانایی هوش محاسباتی به نفع كامپیوتر است و در صورتی كه فرد تشخیص دهد با كامپیوتر 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 كرد كه پیاده‌سازی چنین كامپیوتری نیازمند قابلیت‌هایی اساسی است كه برخی از آنان را می‌توان این چنین برشمرد:
▪ پردازش زبان طبیعی:
تا بتواند به طور موفق با زبان طرف محاوره گفت‌وگو كند و ارتباط برقرار كند؛
▪ بازنمایی دانش:
▪ استدلال خودكار:
تا از اطلاعات ذخیره شده در خود برای پاسخ به پرسش‌های جدید و ارایه نتایج تازه استفاده كند؛
▪ یادگیری ماشین:
تا با شرایط جدید سازگار شده و الگوها را كشف و برون‌یابی كند.
آزمون تورینگ از تعامل فیزیكی میان فرد پرسش‌كننده و كامپیوتر اجتناب می‌كند، چرا كه شبیه‌سازی فیزیكی شخص پرسش‌كننده برای هوشمندی ضروری نیست.
امروزه می‌توان آزمون تورینگ را به صورت كامل‌تری از لحاظ فنی نیز عرضه كرد. آزمون كامل تورینگ را می‌توان برخوردار از سیگنالی ویدیویی نیز كرد تا پرسش‌كننده بتواند از طریق آن قابلیت‌های ادراكی طرف گفت‌و‌گو را بیازماید.
▪ بینایی كامپیوتر:
برای درك اشیاء؛
▪ رباتیك:
برای حركت اشیاء و جابه‌جایی آنان.
این شش حوزه مطالعاتی، امروزه بخش‌های عمده‌ای از طراحی هوش‌مصنوعی را تشكیل می‌دهند. مهندسان و محققان هوش‌مصنوعی تلاش زیادی برای عبور از آزمون تورینگ انجام ندادند، چرا كه باور داشتند پرداختن به اصول طراحی و پیاده‌سازی آن مطلوب‌تر از وقتی بود كه برای تحقق آزمون تورینگ بایستی صرف می‌كردند.
● تفكر منطقی (/عقلایی)؛ رهیافت قوانین تفكر
ارسطو فیلسوف یونان، یكی از اولین كسانی بود كه تلاش كرد تا "تفكر درست" را كشف كند، یعنی فرآیندهای استدلال انكارناپذیر. قیاس ارسطو الگوهایی را برای ساختارهای استدلالی فراهم كرد؛ آن چنان‌كه همیشه به هنگام ارایه مقدمات درست، نتایج درست حاصل می‌شود؛ مثلا سقراط انسان است؛ تمامی انسان‌ها میرایند؛ بنابراین، سقراط میراست." این قوانین مستلزم تفكر حاكمیت عمل ذهن می‌شوند و مطالعه این قوانین حوزه‌ای را كه 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 ۱۹۶۵ برنامه‌هایی كامپیوتری پدید آمدند كه علی‌الاصول می‌توانستند هر برنامه قابل حلی را كه با نمادگذاری منطقی توصیف می‌شد، حل كنند. این سنت منطق‌گرایی در هوش‌مصنوعی، محققان را در ارایه برنامه‌هایی منطقی برای خلق سیستم‌های هوشمند امیدوار كرد. چنین رهیافتی با دو مشكل همراه بود: اول كسب دانش غیرصوری و سپس برگرداندن این دانش به زبانی صوری و نمادسازی منطقی آن دانش كه همیشه فرآیندی آسان نیست؛ دوم آنكه 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 كه پیوستگی كمتری با امور واقع در جهان واقعی دارند گاهی اوقات می‌توانند فرآیندهای استنتاجی منابع محاسباتی كامپیوترها را دچار مشكل كنند.

علیرضا ثقه‌الاسلامی