نقطه شروع هوش مصنوعی، توانایی کامپیوتر در دستکاری اصطلاحات سمبلیکی است که می توانند تمام رفتارهای اشیا را نشان دهند، از جمله دانش در مورد ساختار اشیا، کارکرد آنها و مردم جهان و عقاید و اهداف، تئوری های علمی و برنامه های عمل خود کامپیوتر.
هوش مصنوعی در ابتدا با نمودهای سمبلیک دانش و روشهای ابتکاری استدلال سر و کار دارد، یعنی استفاده از فرض های معمولی و قواعد سرانگشتی. رویکرد محقققان هوش مصنوعی عمدتاً تجربی، همراه با کمی نظریات ریاضی است. همانطور که در علوم دیگر، محققان ابزارهایی را می سازند تا تحقیقات تجربی خود را انجام دهند، در اینجا هم محققان برنامه های کامپیوتری می سازند. برنامه های جدیدی خلق شده است تا نظریات گوناگون پیرامون اینکه چطور عمل هوشمندانه می تواند بدست آید را تشریح کنند.
پایه های هوش مصنوعی تقسیم شده اند به: نمودها، روشهای حل مسئله، معماری و دانش.[1]
1-2-1 نمود[2]
یک کامپیوتر برای اینکه روی چیزی کار کند باید یک نمود درونی در حافظه اش داشته باشد. برای مثال توصیف سمبلیک یک اتاق برای حرکت، یا مجموعه ای از صفاتی که شخص بیمار را توصیف می کنند.
1-2-2 روشهای حل مسئله[3]
در حل مسئله شخص باید از ابتدا (نقطه شروع) تا پایان (نقطه هدف) را توسط مراحل محدودی طی کند. در اینجا AI تلاش می کند تا فرآیند حل مسئله را نمونه سازی کند، مثل اثبات قضیه در هندسه اقلیدسی. حل مسئله نیازمند جستجوهایی است که مشابه جستجوهایی هستند که در بازیها وجود دارند. برای مثال، برای بررسی آنکه چگونه از مکانی در لندن به آزمایشگاه هوش مصنوعی در دانشگاه ادینبورگ برسیم، این مسئله می تواند به عنوان جستجویی در میان اهداف فرعی نشان داده شود ( مثلاً رسیدن به فرودگاه ادینبورگ و استفاده از ابزارهایی مثل خطوط هوایی، تاکسی ها و ..). مسیرهایی که در طرح کلی ما وجود دارند بر حسب کاهش هزینه و یا کاهش زمان مورد ارزیابی قرار می گیرند.
خصوصیت مهم تمام روشهای ضعیف آن است که از جستجو استفاده می کنند. به نظر می رسد که جستجو زمینه ساز تمام اعمال هوشمند است. یکی از روشهای ضعیف، “تولید و آزمایش”[4] است. (کاندید های متوالی ساخته می شوند و سپس مورد آزمایش قرار می گیرند).
روش دیگر، “بالا رفتن از تپه” است[5] ( اندازه گیری میزان پیشرفت، برای هدایت هر مرحله مورد استفاده قرار می گیرد).
روش دیگر، “روشهای منجر به تحلیل”[6] هستند ( تفاوت بین موقعیت دلخواه و موقعیت کنونی برای انتخاب مرحله بعدی مورد استفاده قرار می گیرد).
روش دیگر، “تنگنای تصمیم گیری”[7] است ( عدم توانایی برای برداشتن قدم بعدی منجر به آن می شود که هدف ما آن شود که کاری کنیم که برداشتن این قدم شدنی باشد).
1-2-3 معماری[8]
یک فاعل، فرد یا برنامه هوشمند-ابزارهای چندگانه ای را در اختیار دارد تا بتواند امور را نشان دهد و با آنها سر و کار داشته باشد. چیز دیگری که مورد نیاز است، یک طرح یا چارچوب عملکرد است که در خلال آن این فعالیت ها انتخاب و اجرا شوند. این طرح که اغلب ساختار انحصاری یا کنترلی نامیده می شود، بهترین طرح کلی است، یعنی طرح ماشینی که پایگاه های اطلاعاتی را فراهم می کند و می تواند از آنها بهره برداری کند. برای حفظ پایگاه های اطلاعاتی، حافظه دارد، عملکردهایی برای بازیافت پایگاه های اطلاعاتی و انجام برنامه ها دارد. همه معماری ها مشابه هم نیستند. یکی از مهم ترین سؤالات علمی آن است که کدام معماری برای فاعل هوشمند کلی مناسب است.
1-2-4 دانش[9]
برای حل مشکلات پیچیده ای که در هوش مصنوعی با آنها روبرو می شویم، هم احتیاج به دانش زیادی داریم و هم به مکانیزم هایی محتاجیم تا این دانش را تغییر دهد و روی آن کار کند تا روشی برای حل مسئله ایجاد شود. راه های زیادی برای ارائه دانش وجود دارد اما قبل از آن باید به این نکته توجه کنیم که ما اصولاً در تمام بحث ها در مورد دانش با دو عامل سر و کار داریم:
1-حقایق: یعنی نکات درست در مورد چیزی در دنیای مربوط به آن چیز.
2-ارائه حقایق به کمک یک فرمالیزم منتخب. اینها در حقیقت چیزهایی هستند که ما می توانیم با آنها کار کنیم.
ارائه دانش به این صورت است که یک مهندس دانش و یک متخصص حوزه مورد نظر، مثل یک پزشک یا یک وکیل باهم همکاری می کنند. مهندس دانش از متخصص دیگر اطلاعات را گرفته و سپس آنها را با یک زبان مناسب رایانه ای به صورت رمز در می آورد. برخی از مهم ترین مسائل نمایش دانش اینها هستند:
1-2-4-1 مسائل مربوط به ارائه دانش:
1-2-4-2 استدلال ناقص و مشکل صلاحیت:
بسیاری از چیزهایی که مردم می دانند به شکل مفروضاتی هستند که در محاورات روزانه آنها کاربرد دارند. برای مثال اگر در یک مکالمه از یک پرنده صحبت شود، همه مردم نوعاً حیوانی را تصور می کنند که به اندازه یک مشت است، می خواند و پرواز می کند. اما هیچ کدام از اینها درباره همه پرندگان صدق نمی کند. جان مک کارتی در سال 1969، این مشکل را به عنوان مشکل صلاحیت شناسایی کرد.
1-2-4-3 وسعت دانش رایج:
تعداد حقایقی که بطور متوسط انسان می داند، یک عدد نجومی است. پروژه های تحقیقاتی که تلاش می کنند دانش کاملی را بر اساس دانش رایج بسازند، نیازمند یک کار مهندسی هستی شناسانه بسیار پر زحمت هستند. هدف اصلی آن است که برای آنکه میزان فهم کامپیوتر را بالا ببریم، مفاهیم و حقایق را به اندازه کافی وارد کامپیوتر کنیم تا بتوانیم بوسیله خواندن منابعی مثل اینترنت یاد بگیریم.
1-2-4-4 فرم سمبلیک دانش رایج:
بیشتر دانشی که مردم می دانند به شکل “حقایق” یا “بیانات” نیست که بتوان آنها را به شکل شفاهی بیان کرد. برای مثال یک استاد شطرنج از یک حرکت خاص در شطرنج دوری می کند، زیرا به نظر می رسد که این حرکت او را در معرض خطر زیادی قرار می دهد، و یا یک منتقد هنری می تواند یک نگاه به یک مجسمه بیندازد و بلافاصله بفهمد که این مجسمه تقلبی است. اینها شهودات یا گرایشات هستند که در مغز به طور ناخودآگاه و سمبلیک نمایش داده می شوند. دانشی شبیه این، محتوایی را برای دانش سمبلیک آگاهانه فراهم می کند و از آن پشتیبانی می کند. امید است که AI جایگزین یا هوش محاسباتی بتواند روشهایی را برای نمایش این نوع از دانش فراهم کند.
1-2-4-5 نمایش دانش
چهارمین مشکل آن است که چگونه در حافظه سیستم دانش را نشان دهیم بگونه ای که از این دانش بتوان هنگام تحقیق استفاده کرد. زیرا در فضای تحقیق در هر مرحله چندین امکان پیش روی ما قرار دارد که منجر به توده ای از امکانات می شود که می توانند به عنوان درختی با شاخه های زیاد نشان داده شوند. مثلاً اگر در هر موقعیتی 10 عمل ممکن وجود داشته باشد و باید 12 مرحله متوالی را طی کرد تا راه حلی را پیدا کرد، درختی خواهیم داشت با 1012 عمل ممکن! آنچه تحقیق را تحت کنترل قرار می دهد دانش است که به ما می گوید چگونه انتخاب کنیم.
1-Macgraw-Hill Encyclopedia of science and technology,”Artificial Intelligence”,available at:www.answers.com/topic/artificial-intelligence,accessed by:April 2011
[2] -Representation
[3] – Problem-solving methods
[4] -Generate- and- Test
[5] -Hill climbing
[6] – Means- ends analysis
[7] -Impass resolution
[8] – Architecture
[9] – Knowledge