افق های هوش مصنوعی

افق های هوش مصنوعی

در 1943،Mcclutch (روانشناس، فیلسوف و شاعر) و Pitts (ریاضیدان) طی مقاله ای، دیده های آن روزگار درباره محاسبات، منطق و روانشناسی عصبی را ترکیب کردند. ایده اصلی آن مقاله چگونگی انجام اعمال منطقی  به وسیله اجزای ساده شبکه عصبی بود. اجزای بسیار ساده (نورون ها) این شبکه  فقط از این طریق سیگنال های تحریک (exitory) و توقیف (innhitory) با هم در تماس بودند. این همان چیزی بود که بعد ها دانشمندان کامپیوتر آن را مدار های (And) و (OR) نامیدند و طراحی اولیه کامپیوتر در 1947 توسط فون نیومان عمیقا از آن الهام می گرفت.
امروز پس از گذشت نیم قرن از کار Mcclutch و Pitts شاید بتوان گفت که این کار الهام بخش گرایشی کاملا پویا و نوین در هوش مصنوعی است.
پیوند گرایی (Connectionism) هوشمندی را تنها حاصل کار موازی و هم زمان  و در عین حال تعامل تعداد بسیار زیادی اجزای کاملا ساده به هم مرتبط می داند.
شبکه های عصبی که از مدل شبکه عصبی ذهن انسان الهام گرفته اند امروزه دارای کاربردهای کاملا علمی و گسترده تکنولوژیک شده اند و کاربرد آن در زمینه های متنوعی مانند سیستم کنترلی ،رباتیک ،تشخیص متون،پردازش تصویر،... مورد بررسی قرار گرفته است.
علاوه بر این کار بر روی توسعه سیستم های هوشمند با الهام از طبیعت (هوشمندی های-غیر از هوشمندی انسان) اکنون از زمینه های کاملا پر طرفدار در هوش مصنوعی است.
الگوریتم ژنتیک که با استفاده از ایده تکامل داروینی و انتخاب طبیعی پیشنهاد شده روش بسیار خوبی برای یافتن پاسخ  به مسائل بهینه سازیست.به همین ترتیب  روش های دیگری نیز مانند استراتژی های تکاملی نیز( Alogorithms Evolutionary) در این زمینه  پیشنهاد شده اند.
در این زمینه هر گوشه ای از ساز و کار طبیعت که پاسخ بهینه ای را برای مسائل یافته است مورد پژوهش قرار می گیرد. زمینه هایی چون سیستم امنیتی بدن انسان (System Immun) که در آن بیشمار الگوی ویروس های مهاجم به صورتی هوشمندانه ذخیره می شوند و یا روش پیدا کردن کوتاه ترین  راه به منابع غذا توسط مورچگان (Ant Colony) همگی بیانگر گوشه هایی از هوشمندی بیولوژیک هستند.
گرایش دیگر هوش مصنوعی بیشتر بر مدل سازی اعمال شناختی تاکید دارد ( مدل سازی نمادین یا سمبولیک)  این گرایش چندان خود را به قابلیت تعمق بیولوژیک  سیستم های ارئه شده مقید نمی کند.
CASE-BASED REASONING یکی از گرایش های فعال در این شاخه می باشد. به عنوان مثال روند استدلال یک پزشک هنگام تشخیص یک بیماری کاملا شبیه به CBR است به این ترتیب که پزشک در ذهن خود تعداد بسیار زیادی از شواهد بیماری های شناخته  شده را دارد و تنها باید مشاهدات خود را با نمونه های موجود در ذهن خویش تطبیق داده، شبیه ترین نمونه را به عنوان بیماری بیابد.
به این ترتیب مشخصات، نیازمند ها و توانایی های CBR به عنوان یک چارچوب کلی پژوهش در هوش مصنوعی مورد توجه قرار گرفته است.
البته هنگامی که از گرایش های آینده سخن می گوییم، هرگز نباید از گرایش های ترکیبی غفلت کنیم.گرایش هایی که خود را به حرکت در چارچوب شناختی یا بیولوژیک یا منطقی محدود نکرده و به ترکیبی از آن ها می اندیشند. شاید بتوان پیش بینی کرد که چنین گرایش هایی فرا ساختارهای (Meta-structure)روانی را بر اساس عناصر ساده بیولوژیک بنا خواهند کرد.