آینده هوش مصنوعی

منابع دانشگاهي افزايش دانش A.I. را عاملي براي کاهش نيروي کار انساني معرفي مي کنند، افزايش توانايي تجربه، و شناخت شخصيت انساني و ارزشهاي بنيادين بر مي شمرند.

ري کورويل از قانون مور بهره گرفته و پيش بيني کرده است که کامپيوترهاي روميزي تا سال 2029 به قدرت پردازشي مغز انسان مي رسند و تا سال 2045 هوش مصنوعي آنچنان پيشرفت خواهد کرد که از همه ي پيش بيني هايي که در گذشته انجام شده پيشي گرفته است.

عده اي از آينده نگرها و داستان نويسهاي علمي تخيلي بر اين باورند که انسانها و ماشينها در يکديگر ادغام خواهند شد موجودي به نام سايبرگ که از انسان و ماشين قدرتمند تر است به وجود خواهد آمد. اين ايده ترنشومانيسم transhumanism ناميده مي شود .

و عده اي ديگر سعي مي كنند دريابند آيا مجموعه اي از ربات هاي نيمه هوشمند مي توانند يك هوش جمعي ايجاد كنند به نحوي كه هوش جمعي حاصل از هوش اعضاي تشكيل دهنده اين مجموعه بيشتر باشد؟

در بازيهاي جديد که از ساختار هوش مصنوعي بهره جسته اند ، موضوع بازيها فقط منحصر به  خشونت و جنگ نمي شود. بازيهاي جذاب و در رده بالا کنوني داراي محتوايي آموزشي و سازده ائی هستند. در اين گونه بازي ها نياز به تفکر و برنامه ريزي است تا بتوان به هدف رسيد . بطور کلي بازيهاي مدرن در جهت استفاده هر چه بيشتر از هوش مصنوعي پيش ميروند . روند نزديکي هوش مصنوعي و بازي باعث شده است که بازي کنان خود را جزئي از بازي بدانند. از اينرو ديوار بين برنامه بازي و بازي کن هر روز کوتاهتر مي شود. طريق بازي کن خود را در قالب يکي از شخصيتهاي بازي بگذارد. در بعضي از بازيها که با کمک هوش مصنوعي و واقعيت مجازي ساخته شده است ، بازي کن مي تواند از حسهاي بويايي وچشايي خود در بازي استفاده کند.

وجه مشترک بازيهاي بر اساس هوش مصنوعي توليد شده اين است ـ بر خلاف بازيهاي کلاسيک  که بازيکن تابع برنامه بازي است  ـ برنامه بازي وابسته به عملکرد بازيکن است. بدين معني که اگر بازي کن رابطه متقابلي با عملکرد هاي برنامه ايجاد نکند ،هيچگونه تغييري در کيفيت بازي انجام نمي شود و پس از مدتي بازي کسل کننده بنظر ميآيد. براي مثال در بازي The Sims2 اگر شخصيتهاي بازي درست نشوند و روابط بين آنها تعريف نشود و همچنين محل زندگي آنها مشخص نشود وغيره ، بازي کاملا پوچ و بيمعني جلوه ميکند.

بعبارت دقيقتر مي توان گفت در بازيهاي با ساختار  هوش مصنوعي  ، مسئوليت داشتن ، برنامه ريزي کردن و تصميم گرفتن از وجوه مشترک اينگونه بازيها است. بازي کن جزئي از روند بازي مي شود و دقيقأ همانطور که در زندگي واقعي مسائلي پيش مي آيد ، مي بايد عمل کرد.

           

سايبرنتيک(Cybernetics) و شبيه سازي مغز

در دهه ي 40 و 50 محققان ارتباطي را بين نورولوژي، نظريه اطلاعات و سايبرنتيکس يافتند. تعدادي از اين محققان ماشيني ساختند که از شبکه هاي الکترونيکي به منظور نمايش هوش ابتدايي استفاده مي کرد همچون لاکپشت گري والترز(W. Grey Walter's turtles) و حيوان جانس هاپکينس(JohnsHopkins Beast) اکثر اين تحقيقات در گردهمايي جامعه تئولوژيکال در پرينستون و مجمع رتيو در انگليس جمع آوري شده است.

هم اکنون دانشمندان نوروساينس در دانشگاه پلي تکنيک لوزان در سويس در حال شبيه سازي مغز هستند. اين گروه از محققان به سرپرستي هنري مارکرام تا به حال فاز اول اين پروژه بلند پروازانه يعني کپي کامل مغز انسان بر روي ابرکامپيوتر دوم جهان يعني بلوژن-ال را مدتي قبل کامل کرده اند. آنها نورون به نورون مغز را بر روي بلوژن کپي مي کنند. تقريبا مي توان گفت هر تراشه مسئول شبيه سازي کار يک نورون است.

در يک اتفاق عجيب مركز تحقيقاتي اين پروژه در ساحل درياچه ژنو واقع شده است؛ همان جايي كه ماري شلي شخصيت داستانش دكتر فرانكشتاين را در آنجا تصور كرده. فرانكشتاين هيولايي انسان مانند مي‌سازد كه داراي نيرويي مخرب مي‌شود و در نهايت خالقش را مي‌كشد.

مارکرام در جواب اين سوال که آيا هوش در اين سيستم به وجود مي آيد مي گويد: ما واقعا نمي دانيم. اگر هوش به خاطر بعضي ارتباطات حساس به وجود آيد امکانش وجود دارد. اما ما در واقع نمي دانيم عملا هوش چيست،بنابراين خيلي سخت است که جواب دهيم. البته مارکرام تاکيد مي کند هدف ما ساخت يک سيستم هوش مصنوعي نيست، پروژه بلوبرين يک تلاش بر اساس مهندسي معکوس مغز است تا چگونگي کارکرد مغز را کشف کند. هر چند که ممکن است يک روز هوش طبيعي و حس آگاهي را در آن تشخيص دهيم.

کاربردهوش مصنوعی در ریاضیات روان شناسی اقتصاد علوم عصبی مهندسی کامپیوتر و زبان شناسی

شايد ايده اصلي كاربرد ابزار براي رسيدن به هدف را بتوان در سخنان ارسطو در كتاب اخلاق نيكو ماخوس پيدا كرد. در مورد انتها فكر نمي‌كنيم، بلكه به ابزارها مي‌انديشيم. براي پزشك به شفا دادن، براي سخنران به تشويق، براي وكيل به قانون‌گذاري، و براي هيچ كس ديگر به عاقبت فكر نمي‌كنيم. آن‌ها عاقبت را در نظر مي‌گيرند و فكر مي‌كنند كه چگونه و با چه ابزارهايي به دست خواهد آمد. اگر فقط با يك وسيله به دست آيد، چگونگي دستيابي از طريق آن ابزار را در نظر مي‌گيرند و ابتدا به آن مي‌پردازند.

تحليل مبتني بر هدف يكي از اساسي‌ترين راههاي رسيدن به اهداف است. هوش مصنوعي هم به عنوان يك يا يكي از چندين راه رسيدن به هدفهاي علوم مختلف مثل رياضيات، اقتصاد، علوم عصبي، روان‌شناسي نظريه كنترل و سايبرنتيك، زبان‌شناسي است. ما در اين جا به تاريخچه و مسائل آن علوم نمي‌پردازيم، بلكه صرفاً موضوعات و پرسشهاي مرتبطي كه هوش مصنوعي مي‌تواند بدان علوم ياري رساند را مطرح مي‌كنيم.

 

رياضيات (از 800 ق. م تاكنون)

·        قوانين رسمي براي اخذ نتيجه معتبر كدام‌اند؟

·        چه چيزي مي‌تواند محاسبه شود؟

·        چگونه مي‌توان با اطلاعات نامطمئن استدلال كرد؟

فيلسوفان به اغلب ايده‌هاي مهم در مورد AI پرداختند،

ادامه نوشته

نظريه ها و روش هاي هوش مصنوعي

1.    نظريه کنترل يا نظريه ديگر، سايبرنتيکس(cybernetics) است که به مطالعه و مقايسه بين دستگاه عصبي متشکل از مغز و اعصاب با دستگاههاي الکتريکي و مکانيکي مي پردازد و به طور گسترده اي در روباتيک کاربرد دارد.

2.    فرضيه سيستم‌هاي نماد فيزيكي مطابق اين نظريه «سيستم نماد فيزيكي ابزارهاي ضروري و كافي را براي فعاليت هوشمند كلي را دارا است»

3.    آزمون تورينگ: آلن تورينگ فيلسوف و رياضيدان انگليسي در سال 1950 طي مقاله‌اي به نام  Computing Machinery and Intelligance يا «ماشين محاسباتي و هوشمندي» مطرح كرد. او پرسيد: «آيا ماشين مي‌تواند فكر كند؟» و براي اين‌كه ذهن مخاطب را از پريشاني درباره ماهيت اين ماشين برهاند، توضيح داد كه منظور او از ماشين، يك كامپيوتر است؛ ماشيني كه قادر به انجام محاسبات نرم‌افزاري است. به اين ترتيب براي اولين بار اين پرسش در ذهن نوع بشر پديد آمد كه: «آيا كامپيوتر مي‌تواند فكر كند؟»خود تورينگ نتوانست پاسخ قطعي اين پرسش را پيدا كند، اما براي يافتن پاسخ مناسب در آينده، يك راهبرد خلاقانه پيشنهاد كرد. او آزموني طراحي كرد كه خود آن را «بازي تقليد» ناميد. تورينگ پرسيد: «آيا يك ماشين، يعني يك كامپيوتر، مي‌تواند آزمون تقليد را با موفقيت پشت سربگذارد؟» آيا يك كامپيوتر مي‌تواند با يك انسان چنان گفت‌وگو كند كه او فريب بخورد و تصور كند در حال گفت‌وگو با يك انسان است؟

    او آزمون بازي تقليد را چنين شرح داد: يك پرسشگر - يك انسان - همزمان در حال گفت‌وگو با دو نفر است. هر يك از اين دو نفر در اتاق‌هاي جداگانه‌اي قرارگرفته‌اند و پرسشگر نمي‌تواند هيچ‌يك از آن‌ها را ببيند. يكي از اين دو نفر يك انسان است و ديگري يك ماشين؛ يعني يك كامپيوتر. پرسشگر بايد با اين دو نفر شروع به گفت‌وگو كند و بكوشد بفهمد كدام‌يك از اين دو انسان است و كدام‌يك ماشين. اگر كامپيوتر بتواند طوري جواب دهد كه پرسشگر نتواند انسان را از ماشين تميز دهد، آنگاه مي‌توان ادعا كرد كه اين ماشين هوشمند است.

4.  نظريه محاسباتي ذهن: بنا بر نظريه محاسباتي ذهن (به اختصار ن.م.ذ ) افكار سمبل هاي مركبي اند كه هم ويژگي هاي نحوي و هم ويژگي هاي دلالت شناختي دارند.( در اين مورد در بحثي به همين نام بحث خواهد شد.) اين نظريه نهايتاً به اين موضوع که اگر ن.م.ذ صحيح باشد، حالات و فرآيندهاي ذهني مي توانند علي الاصول توسط كامپيوتر ديجيتال متحقق شوند. يعني كامپيوتر ديجيتال مي تواند ذهن داشته باشد. اين ايده شالوده برنامه تحقيقاتي را موسوم به هوش مصنوعي قوي (يا AI قوي) تشكيل مي دهد.

5.    اتصال گرايي (connectionism) بطور خلاصه اتصال گرايي مي گويد ذهن شبكه ايي اتصالي است. يعني گرادایه هائی از چنين شبكه هايي مي باشد. گاه به اتصال گرايي «شبكه هاي عصبي» و گاه پردازشگرهاي توزيع شده موازي يا Distributed Processes Paralell گفته مي شود.

 

متدهاي احتمالي براي استدلال هاي غير قطعي

در AI گاه براي حل مسائل به وجود آمده به ويژه در روباتيک، يادگيري و استدلال، راهي جز استفاده از اطلاعات غير قطعي و ناقص نيست، براي رفع اين مشکل با بهره گيري از نظريه احتمال واقتصاد ابزارهاي مفيدي چون شبکه هاي بايسن ايجاد شده است.

در اين راستا ابزارهاي رياضي دقيقي توسعه يافته اند که چگونگي انتخاب کردن و برنامه ريزي را توسط عامل تحليل مي کنند. اين کار با استفاده از نظريه تصميم، تحليل تصميم، نظريه ارزش اطلاعاتي انجام مي پذيرد.

زبان، شناخت و خلاصه پردازي در هوش مصنوعی

توانايي شكل گيري خلاصه برداري از تجربيات از توانمند ترين و اساسي ترين توانائي هاي ذهن انسان است.  خلاصه پردازي به ما حس شناخت خانه هاي متفاوت را مي دهد . يك تصوير ممكن است بياني قوي تر از هزاران كلمه داشته باشد ، اما يك خلاصه مشخصاً بيان كنندة خصوصيات مهم يك كليت از نوع تصوير است . خلاصه سازي يكي از ابزارهاي اساسي شناخت و ارزيابي كليت هاي جهان اطراف ما و همچنين ساختار ذهني ما است در حقيقت اين پروسه به طور مداوم براساس دانش و اطلاعات صورت مي گيرد . دانش و اطلاعات نيز در لايه ها و بخش هايي از خلاصه پردازي ساخته مي شود كه از مكانيسم هايي كه ساختار را فشرده ساخته و از حس اوليه به سمت يك سري تئوري هاي علمي سوق داده مي شود و در نهايت بيشتر اين ايده ها دربارة ايده هاي ديگر و نشأت گرفته از آنها مي باشد .

---

خلاصه پردازي طبقه بندي شده (سلسله مراتبي)

ساختار و سازمان آزمايش و تجربه در ارتباط با توصيفات كلاس هاي خلاصه سازي يكي از ابزارهاي شناخت رفتار و ساختار سيستم هاي مركب است كه شامل برنامه هاي كامپيوتر مي شوند . همانند رفتار يك حيوان كه ممكن است بدون توجه به فيزيولوژي سيستم عصبي نهفته در پشت آن مورد مطالعه قرار گيرد . يك الگوريتم داراي خصوصيات مربوط به خود مي باشد كه كاملاً آن را از برنامه اي كه آن را به كار مي برد جدا مي سازد .

به عنوان مثال دو نوع كاربر متفاوت جستجوي باينري را در نظر بگيريد . يكي از آنها يعني Fortran از محاسبات و طبقه بندي استفاده مي كند و ديگري يعني++C از Pointer استفاده مي كند كه مي تواند در جستجوي درون شاخه هاي binary كاربرد داشته باشد. در سطح نشانه تصميمات درباره ساختارها صورت مي گيرد كه براي بيان و ايجاد دانش مورد استفاده قرار مي گيرند. انتخاب يك زبان براي بيان يك مورد مربوط به سطح نشانه مي باشد. زبان بيان نه تنها مي بايستي توانايي بيان اطلاعات مورد لزوم براي كاربر را داشته باشد بلكه مي بايستي خلاصه و قابل توصيف و داراي كاربرد مؤثر باشد و مي بايستي به برنامه نويس براي دستيابي و سازماندهي اصل و اساس اطلاعات كمك كند.

وقتي كه بين سطح اطلاعات و سطح نشانه يك برنامه تمايز به وجود آمد ما مي توانيم بين سطح نشانه و الگوريتم و ساختمان داده ها مورد استفاده براي كاربرد آن نيز تمايز قايل شويم. به عنوان مثال بدون تاثيرگذاري رفتار و عملكرد يك تحليل گر برنامه كه اساس منطقي داشته باشد مي بايستي تاثير ناپذير از انتخاب بين يك سري جزئيات و يك مجموعه و دسته بايزي باشد تا بتواند يك جدول مربوط به نشانه ها را به كار برد.

بسياري از الگوريتم و ساختمان داده ها در كاربرد بيان زبان AI به كار مي روند كه از روشهاي معمول علم كامپيوتر مي باشند مثل شاخه ها و جداول باينري.

ديگر موارد در رابطه با AI بسيار تخصصي هستند و به گونه يك كه مستعار بيان مي شوند كه از طريق متن و بخش هاي مربوط به LISP و PROLOG بيان مي شوند . در سطح پائين تر مربوط به الگوريتم و ساختمان داده ها ( سطح زبان ) واقع شده است در اين جا ست كه زبان كاربردي براي برنامه مشخص مي شود .

محدوديت هاي فيزيكي كامپيوتر مي بايستي بر روي منابعي همچون حافظه و سرعت پردازشگر تأكيدكند.روش هايPROLOG,LISP در جهت متعادل كردن نيازهاي سطح نشانه و نيازهاي نهفته در ساختار هر دو منبع مورد استفاده مي باشند و هم چنين يك هدف هوشمند و ذهني با اهميت مي باشند . در دنباله ما از ساختارهاي سطح اطلاعات در محيطهاي برنامه نويسي بر روي يك زبان كاربردي صحبت خواهيم كرد و سپس به مصرفي زبانهاي عمده AI يعني PROLOG , LISP مي پردازيم .

 

خصوصيات مطلوب يك زبان AI

يكي از خصوصيات و ويژگيهاي مهم خلاصه سازي سلسله مراتبي در ساختار برنامه غير حساس بودن سطوح بالاتر نهفته در كاربرد زبان مي باشد .

اين مشاهده در عمل سنجيده مي شود كه همراه با سيستم هاي موفق دانش مدار مي باشد كه در زبانهاي برنامه نويسي مختلفي مثل Pascal , C , C++، Java , PROLOG , LISP و حتي Fortran به كار مي رود . برنامه هاي مختلفي اصولاً در PROLOG , LISP و سپس در C به كار گرفته مي شوند تا بتواند تاثيرپذيري و انتقال پذيري بهتر ايجاد كنند. در هر دوي اين موارد رفتار و عملكرد در سطح نشانه به طور قطع بي اثر مي باشد.

با اين حال محدوديتهاي خلاصه سازي در يك برنامه جامع بيان مي شود كه كامل نمي باشد . ساختار سطح بالاتر باعث ايجاد ساختارهاي قوي بر روي لايه هاي زيرين مي شود و نياز به اين دارد كه برنامه نويسي AI بر روي سطح نشانه اي قرار گيرد كه در سطح زبان تكرار مي شوند.توسعه AI لزوما در طبيعت به صورت كشف و تجزيه و آزمايش است.اين نياز هم چنين وابسته به يك زبان و ابزارهايي است كه بايد فراهم ساخت . يك زبان نه تنها مي بايستي متناسب با كاربرد ساختارهاي سطح بالا باشد بلكه مي بايستي يك ابزار مناسب براي انتقال كل چرخه نرم افزار از آناليز و تجزيه و تحليل تا حصول برنامه باشد.

در پنــج زير گـــروه بعدي ما به صورت جزئي و كامل در مورد نيازهايي كه ساختارهاي سطح نشانه اي برنامه هاي AI كه بر روي كاربرد زبان دارند بحث مي كنيم.اين موارد عبارتند از :

1.       پشتيباني از محاسبه سمبوليك

2.       انعطاف پذيري كنترل

3.       پشتيباني از متدولوژي و روش هاي برنامه نويسي جستجويي

4.       پويايي

5.       مستنند سازي خوب و واضح

6.       پشتيباني براي ساخت Prototype اوليه

7.       قابليت خواندن برنامه و مستندسازي آن

8.      محيطهاي توسعه

 

خلاصه اي دربارة LISP و PROLOG

به وسيله برآورده كردن نيازهاي گفته شده، LISP  و PROLOG هر دو داراي زبانهاي برنامه نويسي غني و كاملي هستند وقتي كه اين زبانها را فرا مي گيريم.

 

PROLOG

PROLOG  يكي از بهترين نمونه و مثال يك زبان برنامه نويسي منطقي است. ايده استفاده توصيفي محاسبه اوليه براي بيان خصوصيات حل مسئله يكي از محوريت هاي مشاركتPROLOG مي باشد كه براي علم كامپيوتر به طور كلي و به طور اخص براي زبان برنامه نويسي هوشمند مورد استفاده قرار مي گيرند. نفع استفاده از محاسبه اوليه براي برنامه نويسي شامل يك ساختار ظريف و ساده و قابل معني مي شود.

به دليل همين خصوصيات است كه PROLOG به عنوان يك محرك اصلي و مفيد براي تحقيقاتي مثل موارد برنامه نويسي آزمايشي به عنوان يك كد، متغير كردن برنامه و طراحي ويـــژگيهـاي زبان سطح بالا، مطرح است. PROLOG و ديگر زبانهاي منطقي يك سبك برنامه نويسي مشخصي را دنبال مي كنند كه در آنها برنامه ها به صورت دستورات پشت سرهم و متوالي براي ايجاد يك الگوريتم، نوشته مي شوند. اين نوع برنامه اصولاً به كامپيوتر مي گويد كه «چه چيزي درست است» و «چه چيزي بايد صورت گيرد» و اين به برنامه نويس اجازه مي دهد كه بر روي حل مسئله به صورت يك سري خصوصيات از يك محدوده تأكيد كند تا اينكه بخواهد به جزئيات نوشتاري سطح پائين ساختارهاي الگوريتمي براي بعد بپردازد.

مزيت اين زبان به وسيله پروژه هايي كه براي ارزيابي و گسترش قدرت بيان برنامه هاي منطقي نوشته شده اند،‌ اثبات شده است.

بحث دربارة يك چنين كاربردهايي مي تواند در سمينار و گردهمائي هاي مربوط به زبان برنامه نويسي هوش مصنوعي در سطح بين المللي مطرح شود.

 

LISP

 LISP  اولين بار به وسيله JACK MCCARTHY در اواخر دهه 1950 مطرح شد اين زبان به عنوان يك مدل پيوسته محاسباتي بر اساس تئوري عملكرد مجدد،‌معرفي شد.در مقالات اولية مك كارتي (1960) اهداف خود را مشخص مي كند: ايجاد يك زبان سمبوليك تا يك زبان محاسباتي. ايجاد زباني كه بتوان از آ‌ن به عنوان يك مدل محاسباتي بر اساس تئوري عملكرد مجدد استفاده كرد و از آن بتوان براي تعريف دقيق يك ساختار و تعريف زباني استفاده كرد.

در حقيقت اين مدل برنامه نويسي طوري مؤثر بوده است، كه تعدادي از ديگر زبانها بر اساس عملكرد برنامه نويسي آن واقع شده اند مثل FP ، ML و SCHEME .اين ليست اساس برنامه ها و ساختارهاي اطلاعاتي در LISP است، LISP خلاصه شده نام پروسه LIS است. اين برنامه يك سري ليست هاي عملكردي درون ساختاري دارد.

LISP  به برنامه نويس قدرت كامل براي اتصال به ساختارهاي اطلاعاتي را مي دهد.اصولاً LISP يك زبان كامل است كه داراي عملكردها وليست هاي لازمه براي توصيف عملكردهاي جديد، تشخيص تناسب و ارزيابي معاني مي باشد.تنها هدف كنترل برنامه بازگشت و شرايط منحصر به فرد است. عملكردهاي كامل تر هنگامي كه لا زم باشد در قالب اين اصول تعريف مي شوند. در طي زمان بهترين عملكردها به عنوان بخشي از زبان مي شوند. پروسه توسعة زبان به وسيلة اضافه كردن عملكردهاي جديد موجب توسعه محورهاي زيادي از LISP مي شوند كه اغلب شامل صدها عملكرد بخصوص براي ايجاد اطلاعات كنترل برنامه، خروجي و ورودي، Edit كردن عملكردهاي LISP مي شوند.اين ارتباطات محركه اي هستند كه به وسيله LISP از يك مدل ساده و ظريف به يك مدل قوي و غني و عملكردي براي ساخت سيستم هاي نرم افزاري بزرگ، تبديل مي شود.

يكي ازمهم ترين برنامه هاي مرتبط با LISP برنامه SCHEME مي باشد كه يك تفكر دوباره دربارة زبان در آن وجود دارد كه به وسيله توسعه AI وبراي آموزش اصول مفاهيم علم كامپيوتر مورد استفاده قرار مي گيرند.

 

برنامه نويسي شيء گرا

برخلاف برنامه LISP و PROLOG ،‌برنامه شيء گرا ريشه در مهندسي نرم افزار دارد. اولين بار در سال 1970 توسعه يافته كه به وسيله Alan Kay اين تحقيقات صورت گرفته است.ساخت ايده ها از محرك، كه زبان نروژي تظاهر مي كند در سال 1960 و مقاله Symour در استفاده از LOGO براي آموزش كودكان، صورت پذيرفته است.استفاده از Dyna book براي اولين بار به عنوان يك كامپيوتر، كه افرادي به غير متخصصان علم كامپيوتر با آن سروكار داشتند.بـــه دليل اينكه كاربر افراد معمولي بودند سيستم عملكرد و كاربرد نرم افزار نبايد تكنيكي مي بود و به سادگي قابل تشخيص بود. راه حل آنها براي اين مسئله يك مداخلة گرافيكي است با استفاده از منوها و آيكون هاي گرافيكي و اشاره گرها، يك موس يا يك سري برنامه ها براي اديت كردن، داده ها مي باشد.

دخالت كاربر در طراحي يك notebook متأثر از طراحي كاربرها براي يك سري كامپيوترهاي تخصصي مثل سيستم هاي به كارگيري كامپيوتر شخصي مثل مكينتاش، ماكروسافت و محل هاي مربوط به ويندوز مي باشد.در يك برنامه small talk ،‌همه چيز در قالب هدف و يك ساختار قابل محاسبه مرك و قراردادي مطرح مي شود. اهداف نه فقط شامل انواع اطلاعات براي محاسبه بلكه شامل انواع روشهاي لازم براي محاسبه حالت و وضعيت هدف نيز مي شوند.ارزشهاي يك هدف به صورت كلاس ها بيان مي شود. اهداف ممكن است اهداف طبقه بندي شده كه توصيف كنندة تمامي مواد يك نمونه باشد و بيانگر نوع ذات و توصيف تما مي موارد يا مواردي كه بيانگر يك عضو واحد هستند را شامل شود.

وقتي مواردي از يك نوع اطلاعات به وسيله اهداف توصيف مي شود اين موارد ذاتاً داراي نوع توصيف و روشهاي توصيفي از عملگرهايشان مي باشند،‌براي شكل دادن يك عمليات بر روي يك هدف، يك پيام به سمت هدف فرستاده شده كه حاصل روش مناسبي مي باشد. به عنوان مثال، اضافه كردن 3 و 4 پيام 4+ به سمت شيء 3 فرستاده مي شود و 3 پاسخ مي دهد مي شود 7 .به وسيله ايجاد انواع تركيب اطلاعات و عمل بر روي آنها در يك عمل واحد مربوط به هدف، small talk از كد Modular (پيمانه اي) توسعه و نوع كاربرد براي عناصر اطلاعات و كد مربوط به تكثير آنها، پشتيباني مي كند.به دليل اينكه اهداف small talk در قالب يك كلاس شبكه اي همراه با اهداف كاملاً ويژه كه بخشي از تمامي روش هــاي كاملاً كلي است ، بسيار ساده است كه يك ساختار جديد برنامه اي توصيف كنيم كه عملاً با اهداف موجود در برنامه همراه باشد. بنابراين يك برنامه اصولاً مي تواند قدرت كامل يك سيستم باشد كه شامل گرافيك،‌بازنگري و ارتباط است.

علاوه بر اين روش هاي توسعه نرم افزاري مثل ارائه اطلاعات و زبانهاي نهفته، فشار بر اپراتور و استفاده از كدها از طريق يك گروه اصلي و زبانهاي نهفته در قالب يك مدل رايج پشتيباني مي شوند.زبانهاي شيء‌گرا همراه با بسياري از خصوصيات مندرج در يك كلاس اطلاعاتي، شامل كلاس اصلي و توانايي پاسخ در ساختار اطلاعات مي شود به همين دلايل زبانهاي شيءگرا در برنامه نويسي AI استفاده مي شوند.

 

محيطهاي هيبريد

نياز به برنامه نويسي اطلاعاتي موجب توسعة تعدادي برنامه نويسي و تكنيك هاي زبان، شامل سيستم هاي توليد،‌قوانين و كلاس شيء‌گرا مي شود.

يك سيستم هيبريد بيانگر نمونه هاي چند منظوره در قالب يك محيط برنامه نويسي خاص مــي باشد. گر چه محيطهاي هيبريد متفاوت مي باشد. ولي عموماً شامل خصوصيات ذيل مي شوند.

 

موضوعات اصلی هوش مصنوعی

این نوشته یک تلکیف کلاسی بود که به نظرم آمد ممکن است برای یک مطالعه اولیه مناسب باشد و چون این مطلب چند سال  پیش تهیه شده است ازاینرو پیشنهاد می کنم حتماْ منابع جدید تر را مطالعه کنید.

---

در اینجا ما به موضوعات این علم می پردازیم. البته ناگفته نماند که امروزه موضوعاتی نظیر سیستم های موازی در هوش مصنوعی٬ الگوهای ژنتیک و هوش مصنوعی و مباحث دیگری به این موضوعات اضافه شده اند که بسیار جذاب و جالب می باشند.

1.     جستجو و بهينه سازي

نظريه "جستجوي هوشمندانه در راه حلهاي ممکن" شيوه اي نوين در حل بسياري از مسائل AI است. در اين روش فرايند استدلال مي تواند به يک جست وجو کاهش پيدا کند. براي مثال اثبات منطقي جستجوي راهي است که فرضيات را به نتايج هدايت مي کند. بسياري از الگوريتمهاي يادگيري از الگوريتم جست وجوي بهينه استفاده مي کنند از الگوريتمهاي مشهور اين نظريه ،اکتشافي"heuristics" ، کلني مورچه "ant colony" ، الگوريتم ژنتيک" genetic algorithms" اشاره کرد.

 

  2.     حل مسئله و استدلال

بازي كاسپارف با كامپيوتر در بخشي بنام حل مسئله انجام ميگيرد. در حل مسئله سيستم‌هاي هوشمند بايد ابتدا وضعيت آغازين و قواعد كلي حل مسئله را بداند و مشخص نمايد در صورت بروز چه وضعيتي مثلاً در صفحه شطرنج يك طرف برنده است. و هدف از حل مسئله را بصورت صريح مشخص نمود، بدين ترتيب هدف ما صرفاً انجام يك بازي نيست بلكه مي‌خواهيم در بازي برنده هم بشويم. سيستم‌هاي هوشمند براي رسيدن به منظور بايد قواعد بازي را به كمك يك مجموعه قواعد شامل دو قسمت، معرفي كرد. سمت چپ دو قاعده، يك الگو است كه آن را بايد با وضعيت جاري بازي مقايسه كرد و سمت راست هر قاعده، معرف تغييراتي است كه بايد در وضعيت بازي داد تا حركت مورد نظر انجام داد. سيستم‌هاي هوشمند براي حل هر مسئله مراحل زير را انجام ميدهند:

1- توصيف صوري و قابل كاركردن از خود مسئله است و مشخص كردن فضاي مسئله و عملگرها براي حركت در فضا و وضعيت‌هاي آغازين و هدف

2- تحليل كردن مسئله براي تعيين موقعيت آن در رابطه با نكات حل مسئله

3- انتخاب يك يا چند تكنيك براي ارائه و نمايش دانش و براي حل كردن مسئله و سپس بكارگيري آن.

 

 3.  شبکه هاي عصبي

بسيار جالب است که مطالعه شبکه هاي عصبي مصنوعي به يک دهه قبل از پايه گذاري تحقيقات AI بر مي گردد. شبکه هاي عصبي که در حل مسائل يادگيري به کار مي روند از روشهاي مختلفي چون حافظه موقتي سلسله مراتبي که معماري نئوکورتکس مغز را شبيه سازي مي کند استفاده مي کنند.

 

4.    يادگيري ماشين( Machine learning)

موضوع يادگيري از آنجا شروع مي شود که اين ايراد از هوش مصنوعي جزء انتقادات آن محسوب مي شود که اگر ماشين ها قادر نباشند کارهاي جديد ياد بگيرند يا با شرايط جديد خود را وفق دهند و مادامي که صرفاً کارهايي را انجام دهند که به آنها گفته شده است، در آن صورت نمي توان گفت که ماشين داراي هوش است. بي شک وفق يافتن با شرايط و حل مسئله جديد يکي از ويژگي هاي مهم عنصر هوشمندي است. پرسش اين است که آيا مي توان انتظار داشت اين گونه توانايي ها در برنامه ها هم ديده شوند؟

 در واقع اين موضوع به ما مي گويد چگونه سيستم هاي کامپيوتري ورودي اش را تفسير کند که به مرور زمان، عملکرد بهتري از خود نشان دهد. بنابراين مهمترين چيزي که در اين مرحله بايد مدنظر قرار بگيرد اين است که چه عواملي درگير اين اعمال است؟ پس قبل از هر چيز بايد بدانيم يادگيري چيست؟ روانشناسان يادگيري را چنين توصيف مي کنند: «يادگيري يک تغيير نسبتاً پايدار در رفتار يا توان رفتاري است که به واسطه عمل يا تجربه صورت مي گيرد». (روان شناس عمومي، هافمن، ورنوي، ص 257). روان شناسان يادگيري را يک رفتار اکتسابي در برابر رفتار نظري يا غريزي مي دانند. آنان يادگيري را به يادگيري شناختي و يادگيري مشاهده اي تقسيم مي کنند. اشکال اين تعريف از نظر يک مهندس کامپيوتر و برنامه نويس سيستم هاي هوش مصنوعي آن است که کلي و برخي از مفاهيم آن مبهم و نادقيق است. به طوري که گفته شده است هرچند سعي زيادي براي ارائه يک تعريف دقيق و روشن صورت گرفته است ليکن اين تعاريف نتوانسته است تعريف رضايت بخشي از برنامه هاي يادگيرنده باشند. اين کار با دو دليل مقرون با موفقيت نبوده است:

اولاً: يک جزء يادگيري عبارتست از کسب دانش و اطلاعات جديد. اين موضوع براي سيستم هاي رايانه اي بسيار دشوار است.

دوماً: اينکه جزء ديگر يادگيري عبارتست از حل مسئله که براي تلفيق دانسته هاي جديد به هم ضروري است و هم به منظور استنتاج اطلاعات جديد در مواقعي که حقايق مورد نظر ارائه نشده اند. حل مسئله همان فرايندي است که در برنامه هاي ديگري که اعمال ياد گيرنده انجام نمي دهند، ديده مي شود.  

پس ما با دو مسئله روبروئيم. يکي به کارگيري روش هاي ارائه دانش و تکنيک هاي حل مسئله. براي يادگيري تکنيک ها و روش هاي متعددي استفاده مي شود.

 

•    يادگيري تصادفي و شبکه عصبي:

ايده مرکزي اين روش شبيه سازي يادگيري در مغز انسان به کمک تغيير ساختار شبکه عصبي است.

 

•  يادگيري به کمک حافظه:

ساده ترين روش يادگيري يک ماشين، ذخيره داده ها است. اين برنامه ها روش هايي براي ذخيره کردن ساده داده مي باشد که به آن يادگيري به کمک حافظه خوانده مي شود. در اين نوع يادگيري برنامه با ذخيره داده ها و تنظيم پارامترها به توسعه خودش مي پردازد به طوري که در مورد بازي checkers ساموئل(samuel) خالق اين بازي، از خود بازي باخت.

 اين نوع يادگيري هرچند براي يادگيري هاي ساده کاربرد دارد اما به ما نشان مي دهد سيستم هاي پيچيده تر به برخي توانايي هاي اساسي تر نياز دارند که اگر بتوان آنها را مهيا کرد، بسياري از يادگيري هاي سطح بالاتر انجام پذيرند. سه رهيافت براي برنامه هاي توسعه اي اين گونه يادگيري پيشنهاد شده است.

1.       انبار کردن سازمان يافته داده ها براي بازيابي درست اطلاعات در زمان انباشتگي فوق العاده آن است.

2.        تعميم بدين معنا که بتوان صفحات ذخيره شده را به نحوي مناسب به طريق الگوريتمي فشرده کرد يا آن را تقليل داد.

3.     سوم براي اينکه بتوان بسياري از صفحات را حداقل به يک وضعيت خاص مرتبط کرد و برنامه بايد قادر باشد هوشيارانه از بين آنها انتخاب نمايد و در يک جهت اميدوار کننده تمرکز يابد.

 

• يادگيري با تنظيم پارامتر:

برنامه هاي طبقه بندي الگوها اغلب از اين روش استفاده مي کنند يعني ترکيب نمودن چندين پارامتر و ويژگي تا طبقه صحيحي که مدنظر است به دست آيد. مثلا فرض کنيد که برنامه هوشمند ما داراي يک تابع ارزيابي از چند جمله اي به صورت

c₁t₁ + c₂t₂ + ….+ c₁₆ t ₁₆

 استفاده مي کند. در اين چند جمله اي t _i ها مقادير شانزده ويژگي هستند که در ارزيابي دخيل مي باشند و c_i ها ضرايب هستند. به مرور که جلوتر مي رويمc_i ها تغيير مي کند تا به مقدار واقعي و درستش نزديک گردد. البته اين تابع ارزيابي بسيار مقدماتي است که در انتهاي بازي، برنامه درمي يابد که بازي را برده است يا باخته است. در حالي که ممکن است بازي را برده باشد، ليکن اين امکان وجود دارد که در بين بازي حرکت هاي بسيار بدي انجام داده باشد.

•   يادگيري GPS يا (general problem solver)

يا راه حل هاي عمومي مسائل که يک سيستم اوليه حل مسئله است. اين سيستم بر اساس تکنيک «تحليل ابزار پايان» استوار است که برنامه لازم است جدولي که بيان کننده عملگرهايي که مربوط به تقليل هر يک از تفاوت هاي مهم بين يک وضعيت مشخص و يک هدف از پيش تعيين شده است، در دسترس وجود داشته باشد. فرض کنيد بخواهيم به جاي فراهم آوردن چنين جدولي براي برنامه حل مسئله، خود برنامه اي داشته باشيم که از تجارب خود ياد بگيرد. چگونه مي توان اين کار را کرد؟ پاسخ اين سوال، يک پاسخ فني مهندسي دارد، ليکن نکته بسيار جالبي هم دارد که نشان مي دهد هوش مصنوعي را مي توان نوعي ترفند دانست که در آن سعي مي شود به دقت فرايندي طراحي شود که مسئله با ابتکاري به يک مسئله جديد تبديل شده شايد موضوع اصلي همچون موضوع فرعي يا راه حل يک مسئله ديده شود. به طور نمونه در مثال فوق يک نکته مهمي نهفته است و آن اينکه يادگيري را مي توان به عنوان يک فرايند حل مسئله نگريست. از يک نقطه نظر، مسئله ايجاد يک مجموعه مناسب از تفاوت ها، عبارتست از مساله يادگيري آن تفاوت ها به جاي اينکه تفاوت ها به ما گفته شود. اما از نقطه نظر ديگر، اين مسئله عبارتست از ايجاد يک ساختار يعني يک مجموعه از تفاوت ها که ويژگي هايي را ارضا مي کند.

 

•  يادگيري مفهوم(مفاهيم):

يادگيري مفهوم با دسته بندي کردن و رده بندي کردن اشياء زير يک طبقه معنا مي يابد. دسته بندي يا رده بندي عبارتست از فرايند انتساب اسم به يک دسته يا طبقه به يک ورودي مربوط به آن دسته. البته دسته ها وابسته به نوع بکارگيري آنهاست. مثلا اين کلمه که اگر به ديوار رسيدي به دنبال يک درب بگرد و سپس از آن عبور کن بدين معناست که بايد ماشين هوشمند بتواند دسته بندي اي از اشياء داشته باشد يعني مفهوم آنها را بتواند داشته باشد. روش هاي ديگري براي يادگيري وجود دارند که مهمترين آنها عبارتند از:

•   کشف (discovery) به عنوان روش يادگيري
•  يادگيري به کمک تشابه  

که هر دو به نحويي قابل فهم هستند. شايد مفهوم کلي يادگيري کامپيوتري اين باشد که برنامه هايي تهيه کنيم که «در صدد تنظيم مجدد هر يک از معيارهايش برآيد». بدين طريق در مراحل بعد يا دفعات بعد کامپيوتر مي آموزند که بايد معيارهاي اغراق آميز را اصلاح مي نمايد و بدين ترتيب توانايي آنها در يادگيري افزايش مي يابد. با توجه به آنچه گفته شد معلوم مي شود که يادگيري صرفاً ذخيره داده ها نيست بلکه ماشين ها اطلاعات آموخته را در طرح واره ائي از مفاهيم و مقولاتي که توسط برنامه اصلي آن تامين شده، بازنمايي مي کند. در هيچکدام از روش هاي مذکور ماشين مفاهيم و مقولات جديدي توليد نمي کند که توسط آنها اطلاعات ورودي را تحليل و پردازش کند. در واقع ماشين مي تواند مقولات قديمي را پردازش و ترکيبات متنوعي از آنها ايجاد کند. اما نوآوري مفهومي محدود به فعاليت هاي ترکيبي درون چارچوب اصلي است.

 

6- بينايي ماشين(Machine vision)

موضوع بينايي ماشين اين است که آيا کامپيوتر مجهز به حسگرهاي نوري که داراي برنامه مناسب باشد، مي تواند ببيند؟ در ساده ترين سطح پردازش اطلاعات نوري پاسخ آشکارا مثبت است. همچنين بينايي ماشين به درک حروف اسکن شده که آن را در شبکه تشخيص حروف در يک فضاي دو بعدي مي تواند بشناسد. تشخيص حروف تنها نمايانگر آغاز بينايي ماشين است و مسئله عام تر آن تشخيص و مکان يابي اشياء در فضاي سه بعدي است که در آن از آرايه دو بعدي شدت براي درخشندگي هاي مختلف اشياء بهره بگيرد. موضوع بينايي ماشين با اين دشواري روبروشت که بازنمايي تصوير هميشه بي نهايت مبهم است و موقعيت هاي خارجي بسيار متفاوتي مي تواند با هر آرايه شدت دو بعدي متناظ باشد و بدين سان موقعيت هاي متفاوت مي توانند تا حدودي يکسان به نظر آيند. تصوير يک کره و يک استوانه به غايت بينايي خود مستلزم هوش است و چون هرچه يک موجود مي تواند در شرايطي معين ببيند کاملا بستگي به ميزان مفاهيم و دانش او دارد، خلق سيستم هاي بينايي مصنوعي توانمند وابسته به خلق هوشمندي عام توانمند و خلق سيستم هايي است که داراي پايه دانش بسيار وسيع براي تعبير و فرايندهاي ادراکي شان باشد.

 

 7- پردازش زبان طبيعي (natural language processing)

حيطه ديگري که فيلسوفان، منطقدانان و پژوهشگران هوش مصنوعي را با سرخوردگي مواجه کرده است، حيطه ايجاد و درک زبان هاي طبيعي توسط ماشين است. يعني آرزوي آدمي براي سخن گفتن با کامپيوتر به نحوي شايد قطعي بر باد رفته است. رهيافت هاي ساختاري در زبان شناسي و پيشرفت هاي محاسباتي در برنامه نويسي به ايجاد برنامه هايي انجاميدهؤ است که به خوبي از توليد ساختارهاي نحوي (syntax) زبان انگليسي حتي پيچيده ترين آنها بر مي آيند اما بخش معنا شناختي (semantic) مساله کمترين موفقيت هايي را کسب نکرده است. راز يک گفتگو، درک واقعي جملات در يک کل معنا شناختي است. حتي اگر برنامه هايي نظير Eliza و يا برنامه جالب تر shrdlu که علاوه بر نحو، داراي يک معنا شناختي از عناصر وابسته را شبيه سازي مي کند و دانش پايه آن تهي نيست و بدان واسطه تنها همان زبان را مي شناسد. هرچند نحو آن بسيار پيچيده است و شايد اين برنامه کمي مي داند از چه سخن مي گويد و لذا مي تواند استنباط هايي مفيد کند و روابط واقعي را بيان کند ليکن در قياس با دانش ما از سر سوزني کمتر است. به طور خلاصه فهم زبان طبيعي در سطح انساني مستلزم داشتن دانشي کامل از زبان است که با دانش آدمي قابل قياس باشد و ما هنوز اين مسئله را حل نکرده ايم که چگونه مي توانيم چنين پايه وسيعي از دانش را به طريقي بازنمايي کنيم تا ذخير و پردازش آن ممکن باشد و از هم مهمتر اينکه چگونه اين مقدار دانش مي تواند حاصل شود. سولات ديگر چنين اند: چگونه کليت چارچوبي مفاهيم شکل مي گيرند، اصلاح مي شوند و در مواجهه با چارچوب هاي جديدتر و پيشرفته تر کنار گذاشته مي شوند؟ ما اکنون در مورد اين سوالات چيزي نمي دانيم.

نزد فيلسوفان، اين مسئله حيطه سنتي بررسي منطق استوايي، معرفت شناسي و نظريه معناشناسي است و در نزد روانشناسان حيطه بررسي روانشناسي رشد و نظريه يادگيري است. هرچند يورش همه جانبه روانشناسانه، منطق فلسفي، زبان شناسي، مهندسي کامپيوتر و تمامي دانش ها ما را در ارائه چنين ماشيني که بتواند به نوعي آگاهي از صبان کسب کند، اما در مورد خود آگاهي هيچ اميد يا نويدي در کار نيست.

نظریه بازنمود ذهنی چیست؟

 

بازنمود ذهنی چیست؟ کمی به این شکل دقت کنید و نظرتان را با کمی خیال پردازی و کمی بعد با دقت بیشتر بیان کنید. آیا به نظر شما نظریات بازنمود ذهن می تواند تصویر درستی از جهان ارائه کند؟

مسئله آگاهی پدیداری 5 -پنج راهبرد مسئله آگاهی فلاناگان

فلانانگان (Owen Flanagan) در کتاب آگاهی بازنگری شده پنج راهبرد برای حل مسئله آگاهی مطرح کرده است. این راهبردها به طرح رویکرد کلی حل مسئله آگاهی می پردازد. به نظر وی ما تنها با این پنج راهبرد می توانیم به این مسئله بپردازیم. این راهبردها بدین قرار اند:

1-دیدگاه غیرطبیعت‌گرایی (nonnaturalism) که می‌گوید آگاهی یک پدیده طبیعی نیست و در واژگان علوم طبیعی فهمیده نمی‌شود. درواقع، اين رويكرد بدنبال علتی فراطبیعی در تبیین چرایی کیفیات ذهنی پدیداری است.

2-دیدگاه لاادری‌گرایانه اصولی(Principled agnosticism) ، اين ديدگاه مطابق نظر نیگل (1974 و 1986) بوده و معتقد است طبیعت‌گرایی شانی است که فهمیده نمی‌شود، زیرا ما نمی توانیم بفهمیم که چطور نسبت آگاهی و ذهن در واژگان طبیعی‌گرایانه قابل فهم مي‌باشد. درواقع ما نمی‌توانیم به اين سوال جواب دهيم كه آن چیزی که قرائتی عینی از سوبژکتیویته را معنا مي‌دهد چيست؟

3-دیدگاه طبیعت‌گرایی ضدبرساختی(anticonstructive naturalism) یا طبیعت‌گرایی فی ذاته  و یا باطن‌گرایی جدید كه مربوط به دیدگاه کالین مک‌گین(1991)است. اینکه، واقعیاتی بنام مغز وجود دارد، ولی اينكه بگوییم چگونه این واقعیات به آگاهی مربوط است بطور شناختی خارج از توانائي ماست و فهم ما از درك ماهيت آگاهي "بطورشناختي مسدود" است.

4-دیدگاه طبیعت‌گرایی حذف‌گرایانه (eliminativist naturalism)(پل چرچلند 1981 و پاریشا اسمیت چرچلند 1983) مطابق این دیدگاه طبیعت درست است و داستان کامل از مغز ما داستان کاملی از حیات ذهنی‌مان است. اما معنایی در آگاهی هست که نمی‌توان توضیح داد. آگاهی در عین سادگی مبهم و بطور تاریخی در تئوری های غلط و گیج کننده پیچیده شده است. از این منظر آگاهی کیفیات ذهنی (qualia) و سوبژکتیو امور غیرمفید اند که تبیین‌های علمی طبیعت‌گرایانه را می‌طلبند، درحالیکه بهتر است اين مفاهيم از تبیین‌های علمی حذف شوند.

5-دیدگاه طبیعت‌گرایی برساختی (constructive naturalism) دلایلی داریم مبنی بر اینکه می‌توانیم فهم خود را در رابطه با آگاهی و مغز بهبود ببخشیم و می‌توانیم وجود آگاهی در طبیعت جهان را بطور قابل قبولی بسازیم و متعاقباً می‌توان تبیینی بر آگاهی تجربه کیفی و پدیداری ارائه نمود. به نظر فلاناگان مسئله آگاهی بهتر است از حالت های اول شخص جهت شاهدی برای سوبژکتیو در نظر گرفته شود.

---

1. Flanagan٫ Owen٫Consciousness Reconsidered٫ MIT Press٫۱۹۹۲

مسئله آگاهی پدیداری4 - دو جنبه ذهن و مسئله دشوار آگاهی

از نظر چالمز (1996) باید برای ذهن دو جنبه در نظر گرفت: جنبه پدیدارگرایانه و جنبه روان شناسانه. در جنبه پدیدارگرایانه، اولاً؛ جنبه اول شخص ذهن مطرح است و دوماً، اگر روی تجربیات آگاهانه یا همان چیزی که مانند نیگل شبیه چیزی بودن نام دارد تمرکز کنیم به جنبه پدیدار شناسانه ذهن توجه کرده اید؛ لیکن در جنبه روان شناسانه اولاً، جنبه سوم شخص ذهن مطرح است، دوماً، اگر جنبه های کارکردی و نقش علِّی رفتار را در نظر گرفته باشیم، روی جنبه روان شناختی ذهن تمرکز کرده ایم.

چالمرز (1996) بر همین اساس مسئله رابطه بدن - ذهن را به دو گونه پرسش از هم تمیز داد. به نظر او دسته این پرسشهای ساده اند و دسته دیگر پرسش های دشوار اند. آن دسته از مسائل ذهن به دارای جنبه های روان شناسانه دارند به تبیین های علمی تن می دهند و دارای ساختار می باشند. این دستهمسائل با اینکه ممکن است دشواری هائی را پیش رو داشته باشند ولیکن با یافته های علمی و روان شناختی قابل حل هستند. اما مسائل دشوار (The Hard Problem) مربوط به مسئله تجربه است، در واقع هنگاميكه ما فكر و احساس مي كنيم نوعي پردازش مداوم اطلاعات درجريان است. اما يك جنبه يا احساس سوبژكتيو نيز وجود دارد كه اصطلاحاْ كيفيت يك ارگانيسم آگاه است. اين جنبه سوبژكتيو همان تجربه است. یعنی چيزي وجود دارد كه كيفيت بودن در آن حالت خاص است.

حال چند سوال شبیه هم مطرح می شود با یک مضمون اصلی یعنی این مضمون اصلي که «چگونه برخي از ارگانيسم ها سوژه تجربه می شوند »(چالمرز، 1995). این سوالات بدین قرار اند:

•  «چگونه سیستم فیزیکی می‌تواند منجر به تجربه آگاهانه شود؟»(چالمرز، 1996).
• هنگاميكه دستگاه هاي شناختي درگير پردازش اطلاعات سمعي و بصري است چرا تجربه سمعي و بصري داريم؟
•  «چرا و چگونه ویژگی‌های روان شناختی با ویژگی‌های پدیدار شناختی همراه اند؟
• چرا تمام شبیه سازی و پاسخگویی مرتبط با درد با تجربه درد همراه است؟»

به نظري چالمرز(1995، 1996) هرچند توافق گسترده ائي مبني بر اينكه تجربه از پايه ائي فيزيكي بوجود مي آيد وجود دارد، اما هيچ تبيني براي چرائي و چگونگي بوجود آمدن تجربه از ارگانيسم فيزيكي وجود نداريم. يعني واقعاً « چرا آگاهي يك ارگانيسم آگاه است؟»(چالمرز،1995)

چالمرز (1995 و1996) توضیح می‌دهد که مسئله دشوار این است که پس از تشخیص همه مکانیزم ها بپرسیم چرا این مكانيزم ها باید به یک تجربه مشخص منجر شود. چون ما در این مسئله از فرآیندهای فیزیکی درونِ مغز سوال نمی کنیم، بلکه جنبه دیگر این مسئله را به پرسش می گیریم. مسئله آسان ازآنرو آسان است كه به تبيين كاركردها و توانائي های شناختي و ساختار ها مربوط اند. تنها لازم است مكانيزيمي را بدست دهيم كه بتواند كاركردي را اجراء كند و یا تبیینی ارائه دهیم که از توضیح ساختارها و مکانیزیم ها سربلند بیرون آید در اينصورت توانسته يم تبيين درستي از سازوكار آن ارائه دهيم. به نظر چالمرز این گونه مسائل به روشهاي علوم شناختي تن می دهند و براي اين نوع از تبيين مناسب اند.

اما مسئله دشوار دقيقاً به اين دليل دشوار اند كه مسئله ائي درباره اجراء كاركردها٬ تبین و ساختارها نيستند و حتي اگر هم تمام كاركردها مربوط تبيين شوند، مسئله همچنان باقي است. چون زمانيكه ما اجرا تمامي اين كاركردهاي شناختي و رفتار مربوط به تجربه نظير تشخيص تجربي، طبقه بندي، دسترسي دروني، گزارش پذيري را تبيين كرديم هنوز ممكن است به اين پرسش پاسخ نداده باشيم كه «چرا اجراي اين كاركرد با تجربه همراه است؟ تبيين ساده كاركردها اين پرسش را بي پاسخ رها کرده ایم(چالمرز، 1995)

پرسش تكميلي اين است كه چرا اين اتقاقات در خلاء رخ نمي دهد چرا با اينكه مي دانيم تجربه آگاهانه هنگامي رخ مي دهد كه اين كاركردها اجراء مي شوند، اما دوباره راز اصلي، همان مسئله بوجود آمدن چنین تجربیات آگاهانه باقي مي ماند. درواقع، ميان كاركردها وتجربه يك شكاف تبيني (با الهام از لوين 1983) وجوددارد؟(چالمرز،1995)

---

1. Chalmers, David; Facing up to the problem of consciousness;(۱۹۹۵) in Philosophy of Mind A Guide and Anthology; John Heil(Ed); Oxford University Press ;2004.
2. Chalmers, D.J. The Conscious Min-In Search of a Theory of Consciousness Experience;  Oxford: Oxford University Press, 1996.

مسائل آگاهی پدیداری3- مشکلات آگاهی پدیداری برای کارکردگرایی

کارکردگرایی ادامه مسیر فیزیکالیسم و رفتارگرایی است که توسط پاتنم مطرح و با آثار دیوید لوئیس(1966) و دیوید آرمسترانگ (1968) توسعه یافت. مطابق نظر آنان حالات ذهنی و از جمله آگاهي، توسط نقش های علِّی (Causal roles) مشخص می شوند، بطور دقیق‌تر ویژگی‌‌های ذهنی براساس روابط علِّی گوناگونی که برقرار می‌شوند، متفرد می‌شود و این صرفاً به روابط ورودی و خروجی محدود نیست، بلکه بسیاری از ویژگی‌های مرتبط با نظریات تجربی مربوط را نیز دربر می‌گیرد.(برای دیدن خلاصه این مقاله که آقای پور اسماعیل ترجمه کرده اند و در وبلاگ خود قرار داده اند  به اینجا  نگاه کنید)

 بدین قرار، کارکردگرایی با تعریف ویژگی‌های ذهنی براساس نقش های علِّی با انواع گوناگونی از پدیده های فیزیکی و روابط بین آنها با تحقق پذیری چندگانه (Multiple Realization)سازگار است. يعني اگر یک ویژگی خاص مثل M، ویژگی کارکردی باشد که با شرایط علِّی C تعریف ‌شود، هر ویژگی فیزیکی دیگر مثل P1,P2,…,Pn بتواند M را برآورده كند، بطوریکه هر ویژگی شرط C را برآورده نمايد. در نتیجه کارکردگرایی ویژگی‌های ذهنی را در سطحی از انتزاع توصیف می کند که در آن تفاوت های مربوط به ساختار فیزیکی دستگاه های دارنده این ویژگی ها نادیده گرفته می‌شوند. به هر حال کارکردگرایی سعی دارد حالات ذهنی را به ساختارهای ورودی و خروجی و در قالب واژگان غیرذهن‌گرایانه تقلیل دهد.

با اینکه کارکردگرایی حائز اهمیت‌ترین رویکرد در فلسفه ذهن معاصر است، لیکن کارکردگرائی با آگاهی پدیداری دارای پاره‌ای مشکلات است. این مشکلات در دو آزمایش فکری مورد بررسی قرار مي‌گيرد: نخست، کیفیات ذهنی معکوس، دوم؛ کیفیات ذهنی غایب(missing Qualia) كه این مشكل خود دو مسئله را دامن می زند:1) مسئله زامبی(Zombies) یا کله پوک ها و 2) مغزچینی، که مختصراً بدانها می‌پردازیم.

 آگاهی پدیداری و کیفیات ذهنی معکوس

 آیا نمی توانیم دو فرد را تصور کنیم که کیفیات ذهنی رنگ‌ها در آن ها به شکل نظام‌مندی عکس هم باشد؟ پیمان و پژمان را در نظر بگیرید که از لحاظ کارکردی عین هم هستند. حالتی درون‌ای در پیمان هست که معلول دیدن خون است و منجر به آن می‌شود که  بگوید «قرمز»؛ به همین ترتیب حالتی درون‌ای در پژمان است که معلول دیدن خون است و منجر به آن می‌شود که بگوید «آبی». مجدداً حالتی درون‌ای در پیمان است که معلول دیدن آسمان است و منجر به آن می‌شود که او بگوید «آبی»؛ و هم چنین حالتی درون‌ای در پژمان است که معلول دیدن آسمان است و منجر به آن می‌شود که او بگوید «قرمز». گرچه دیدن خون باعث به وجود آمدن کیفیت ذهنی قرمزی در پیمان می‌شود، اما همین صحنه، باعث به وجود آمدن کیفیت ذهنی آبی در پژمان می‌شود. و به همین نحو، گرچه دیدن آسمان باعث به وجود آمدن کیفیت ذهنی «آبی» در پیمان می‌شود، همین صحنه کیفیت ذهنی قرمزی را در پژمان بوجود می‌آورد. پیمان و پژمان از لحاظ کارکردی (و رفتاری) دارای این‌همانی اند، اما در پاسخ به محرک هایی واحد کیفیت های ذهنی رنگی متفاوتی دارند.

اگر چنین پدیده‌ای ممکن باشد آنگاه کارکردگرایی با مشکلي روبرو است. چراکه اگر کیفیات ذهنی معکوس ممکن باشد، آنگاه از فردی به فرد دیگر می‌توان تغییراتی در ویژگی‌های پدیداری داشته باشد بي‌آنکه تغییرات متناظری در نقش کارکردی وجود داشته باشد. به عبارت دیگر، اگر کیفیات ذهنی معکوس ممکن باشد، آنگاه ویژگی‌های پدیداری حالات ذهن را نقش های کارکردی مشخص کننده آن حالات ذهنی تعیین نمی‌کند. و اتفاقاً پژمان همان کیفیات ذهنی قرمزی و آبی را می‌فهمد و هیچ تمایزی بین گزارش‌های زبانی بین آنها نمی‌توان بگذارد. از آنجاکه ايده پوزیتویستی مسئله طیف معکوس، در درست بودن و غلط بودن تفاوت ایجاد نمی کند، بنابراین نمی‌توان درباره ناکارآمدی آن سخن گفت. درحالیکه می‌توان مثال نقضي پيدا كرد که معنایش را می‌فهمیم بدون اینکه صدق و کذبش را بدانیم و چون آگاهی پدیداری یکی از وجوه مهم کیفیات ذهنی است پس کارکردگرائی نمی‌تواند درباره آگاهی پدیداری سخنی بگوید، بنابراین ناکارآمد است.

 آگاهی پدیداری و کیفیات ذهنی غایب

می توانیم به لحاظ کارکردی فردی را تصور کنیم که دارای انواع حالات ذهنی است و نقش علِّی است بدون اینکه دارای کیفیات ذهنی باشد، بطوریکه فاقد تجربه دردناکی باشد. و اصطلاحاً می گوییم فاقدکیفیات ذهنی درد است. چنین فردی دقیقاً دارای حالت ایفاء کننده نقش درد است، اما کیفیات ذهنی درد در او غایب است. اگر چنین باشد کارکردگرایی تا حدی نادرست است: ویژگی‌های پدیداری حالات ذهنی را نقش های کارکردی مشخص کننده آن حالات ذهنی تعیین نمی کنند. دو صورت از مشکل کیفیات ذهنی غایب بدین قرار است:

الف: زامبی و کله پوک ها: از نظر کارکردگرائی زامبی فردی مانند افراد عادی است، ولی فاقد آگاهی پدیداری و کیفیات ذهنی است. بنابراین رفتاری عین رفتار ما دارد. بطور مثال وقتی سنگی به سرش بخورد عین افراد عادی تقلید می کند،یعنی با دستش سرش را می مالد، حالت درد داشتن را بروز می دهد و غیره، بی‌آنکه دارای هرگونه آگاهی پدیداری درد باشد.

ب: تمثیل مغز چینی: اگر هر سلول مغز به یک نفر با افرادی در چین، نظیر به نظیر متصل باشد و به لحاظ کارکردی هر کاری که این سلول ها انجام می دهند این افراد انجام دهند، آیا در آن صورت ما یک میلیارد مغز داریم یا یک میلیاد بعلاوه یک مغز ؟ در اینجا نیز با چالشی روبرو هستیم. جواب کارکردگرایان پاسخ دوم است، چون این یک میلیارد نفر در حکم یک مغز عمل می کنند. درحالیکه در اینجا ما با این مشکل روبرو هستیم که چنین مغری دارای تفکر مرتبه بالاتر نیست.

مسائل آگاهی پدیداری2- شکاف تبیینی و صورت بندی لایکن

تجربه درد دارای این همانی شلیک فیبر C در بخش خاص از مغز است. حال سوال این است که چنین این همانی ای چگونه می تواند درد را توضیح دهد؟ چرا تحریک فیبر C در آن بخش خاص مغز تجربه درد را ایجاد می کند؟ چرا تحریک فیبر C مثلاً باعث خارش نمی شود؟ به نظر می رسد چنین سوالاتی جواب ندارد. این موضوع اولین بار با مقاله معروف ارنست نیگل(1974) یعنی مقاله"خفاش بودن به چه می ماند؟"[1] به سر زبانها افتاد و بعداً  بصورت کلی تر "شبیه چیزی بودن"[2] مورد استفاده قرار گرفت. جان مایه کلام نیگل توسط لايكن بصورت زير صورت بندي شده است:

1.     چيزي شبيه به حس خفاش بودن وجود دارد.

2.     ما تمام واقعيات مکانیزیم های فیزیکی، ساختار كاركردي و فرایندهاي  فیزیولوژیک خفاش را مي‌دانیم.(همچنين مي دانيم مکانیزم مکان یابی خفاش با ارسال اصواتی با فرکانس بالا و تحلیل انعکاس آنها بصورت بسیار دقیق و پیچیده، بازنمود دقیقی از محیط اطراف را بدست می دهد و احتمالاً می توانیم آنرا بدقت تشریح نماییم)

3.     ما نمي دانيم شبيه خفاش بودن به چه مي ماند.

4.     از آنجاكه اگر f₁₌f₂ باشد، و هرچه را درباره f₁ مي دانيم، در واقع درباره f₂ خواهيم دانست.

5.     اما براستي واقعيت اينست كه f_b  وجود دارد كه آنچه شبيه خفاش بودن است متمايز از هر واقعيت كاركردي و فيزيولوژيك درباره خفاش است.]1و2و3و4[

6.     اگر ماده باوری درست باشد هر واقعيت ذهني درباره خفاش اين همان با واقعيتي كاركردي و فيزيولوژيك است.

ولی از 5 و 6 در می یا بیم که ماده باوری غلط است(لایکن،1987). مطابق نظر لايكن  اینکه «"نمي دانيم" شبيه خفاش بودن به چه مي مانند» ِ نيگل به زبان خصوص تبديل شده است و همچنين مثال هاي نقضي وجود دارد كه قانون اينهماني لايب نيتسي را مورد مناقشه قرار مي دهد، يعني اگر f₁ همانf₂ است، پس اگر توسط S،  f₂ را بدانيم پس f₁ را بواسطه S خواهيم دانست. لیکن در این مورد مسائل بسیاری مطرح شده است(لایکن،1987).

براستی خفاش ها چگونه تجارب پدیداری ای دارند؟ هر چند این مکانیزم در رادارها و دلفین ها بکارگرفته شده است و ما به بسیاری از این مکانیزیم‌ها آگاهیم، با این وجود، شکاف تبييني بین مطالعات علمی مغز خفاش و فهم تجارب پدیداری او اجتناب ناپذیر است. این موضوع مانند این است که بگویم: شاید H2O توضیحات کاملی راجع به برخی از ویژگی های  آب مثل نقطه انجماد، نقطه جوش، افزایش حجم در هنگام انجماد تا 4- و غیره بدهد، لیکن آیا می‌توان ویژگی رفع عطش آب را توضیح بدهد. به همان نسبت اگر درد این همان با تحریک فیبر C باشد، آیا این همانی تحریک فیبر C با درد می تواند ویژگی های پدیداری درد را توضیح دهد؟

---

[1] Nagel, T. (1974), "What Is It Like to Be a Bat?" Philosophical Review 83: 435-450.

[2] what is it like