علوم شناختی حوزهای مركب از دانشهایی نظیر هوش مصنوعی، روان شناسی، عصب-روان شناسی، زبان شناسی، فلسفه ذهن و برخی دیگر از زمینه های مطالعاتی است. این گستره پژوهشی با ماهیتی میان رشته ای درپی مطالعه پدیده ها 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. روش های علمی و نظریه های شاخه های گوناگون علوم شناختی بر گسترش پژوهش ها و زمینه های مطالعاتی، بر حوزه های تحقیقی به صورت تعاملی تاثیراتی اساسی داشته اند.بر اساس چنین رهیافتی، محققان علوم كامپیوتر و هوش مصنوعی با استفاده از نظریه ها و روش های مطالعاتی علوم شناختی می توانند در جهت بهبود ایده ها و روش های نظری و عملی هوش مصنوعی در شبیه سازی و پیاده سازی رفتارهای هوشمند گام های مطلوبی بردارند.این مقاله، پیشگفتار كتاب «هوش مصنوعی از رهیافت علوم شناختی» است كه هم زمان با چاپ و انتشار در اختیار روزنامه قرار گرفته است.
علم شناخت با گردآوری مجموعه ای از علوم گوناگون به منزله یك زمینه مطالعاتی میان رشته ای در پی تبیین فرآیندهای ذهنی و شناختی است تا از این رهیافت به ارایه شبیه سازی و مدل های گوناگونی از رفتارهای شناختی در حوزه های مورد ملاحظه خود بپردازد. موفقیت برق آسای علوم شناختی بعد از سال های ۱۹۷۰ دلایل مختلفی داشت؛ نخست، بلندپروازی نظری و ساده انگارانه اولیه این علوم در فهم فرآیندهای شناختی در انسان ها؛ دوم، تازگی این علوم و میان رشته ای بودن آنكه جاذبه ای فراوان داشت و سرانجام آنكه، ایده ها و كاربردهای عملی تازه ای را در زمینه هوش مصنوعی وعده می داد.
با وجود این، اشتباه است اگر فكر كنیم كه علوم شناختی نوعی برنامه تحقیقی همسان و بزرگ است كه پژوهشگران با تخصص های مختلف را در هماهنگی كامل به همكاری گرد می آورد. علوم شناختی، همانند فیزیك نیوتونی یا شیمی ارگانیك، یك علم واحد متجانس را تشكیل نمی دهند. كسی كه می خواهد به طور كامل با تمامی زمینه های مطالعاتی آن آشنا شود، ره به خطا برده است. در این علم، توده ای از رشته های اصلی و فرعی گردآمده اند كه با یكدیگر تلاقی دارند. از این رو، از طرفی، آزمایش ها و نظریه های موضعی در مورد رفتارهای شناختی به طور ناهماهنگ و پراكنده ارایه می شوند و تحقیقات كاربردی و مجادلات فلسفی در هم آمیخته شده اند و از طرف دیگر بحث های پرشوری در مورد خطر تحدید گرایی و سردستگی بعضی رشته ها مانند هوش مصنوعی یا عصب شناسی طرح می شود. بنابراین علوم شناختی هنوز از یك مجموعه علمی متجانس و یكپارچه فاصله دارند و به ابرهایی متراكم می مانند كه به واسطه سطوح مختلف تحلیلی و الگوهای رقابتی در كنار یكدیگر قرار گرفته اند.
● الگوهای تفكر از رهیافت علم شناخت
در درون علوم شناختی، چندین الگو در مصاف اند:
نمادگرایی كه فرآیند تفكر را به صورت زنجیره ای از نمادها در نظر می گیرد و پیوندگرایی كه این فرآیند را به مثابه كنشی گسترده و گسترش پذیر می پندارد، آن چنان كه فرآیند تفكر، متأثر از شبكه گسترده ای 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 می گیرد.
● نمادگرایی
ایده اساسی در الگوی نمادگرایی عبارت است از یك اصل ساده:
فكر كردن یعنی محاسبه كردن. تمامی افكاری كه مغز ما را اشغال می كنند به صورت زنجیره ای 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 فلاسفه ای مانند گوتفرید لایب نیتس (۱۷۱۶-۱۶۴۶ ) و تامس هابز (۱۶۷۹-۱۵۸۸) طرح كردند، اما این فكر در آن زمان به عنوان اندیشه ای بلند پروازانه و چالش برانگیز تلقی می شد.
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 برنامه ای كامپیوتری عمل می كند. به این معنا كه عملیات منطقی ( نفی، عطف, فصل و...) را كه به كمك نمادهایی انتزاعی (X,Y,A,...) بازنمایی می كند، با هم تركیب كرده و سیستمی منطقی را در جهت اخذ نتایج منطقی عرضه می كند. مثلا گزاره "ابرها موجب باران یا برف می شوند" براساس این رویكرد به صورت B v C => A رابطه مند می شود. در این ساختار A نماد ابر، B نماد باران و C نماد برف است.
بنابراین، طرح مدل سازی نمادین عبارت است از تبدیل تفكرات انسانی (كه با زبان روزمره بیان می شوند) 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 نورون ها) است.
● پیوندگرایی
امروزه، پیوندگرایی به مثابه رقیب اصلی تلقی نمادگرایی طرح می شود. مدل پیوندگرایی كه براساس تحقیقات زیست شناس اعصاب، وارن مك كولوگ (۱۹۶۹-۱۸۹۹) در مورد سیبرنتیك و شبكه های عصبی عرضه شد، فعالیت های شناختی را به منزله نوعی مدل پیوندی می پندارد. ایده پایه ای عبارت است از اینكه تفكر انسانی برای حل مسایل شناختی صرفا از طریق یك سلسله استنتاج های منطقی صورت نمی گیرد، بلكه مسایل شناختی متاثر از تعامل میان واحدهای كوچك محلی است كه به صورت شبكه ای به یكدیگر پیوند شده اند.
بدون آنكه بخواهیم به توصیف دقیق ساختار شبكه پیوندی (كه انواع متفاوتی دارد) بپردازیم، بایستی اشاره شود كه تعداد زیادی گره (نورون ها یا سلول های فوتو الكتریك) وجود دارند كه به صورت شبكه ای به یكدیگر متصل می شوند. هر گره ممكن است، بر حسب محرك خارجی یا حالت گره های مجاور، حالت فیزیكی متفاوتی به خود بگیرد. با چنین قالب بندی است كه به سرعت حالت كلی پایداری ظاهر می شود. همین قالب بندی كلی، حالت شناختی معینی را به وجود می آورد.
الگوی پیوندگرایی كه پردازش موازی توزیعی نیز نام دارد، كاری با محاسبه نمادین ندارد. بر اساس این دیدگاه به نظر می آید كه سازمان سلول های مغزی، كه میلیاردها نورون محلی در آن به هم پیوند می خورند، بدین گونه عمل می كنند. مدل های مصنوعی پیاده سازی شده بر اساس این الگو در دو زمینه دستاوردهای خوبی به بار آورده است: بازشناسی اشكال (اعم از دیداری و شنیداری) و دیگری شبیه سازی 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 هوش مصنوعی و طراحی سیستم های هوشمند، چهار رهیافت اساسی را تحت عنوان تعریف هوش مصنوعی، كه بر اساس سیر تاریخی تحقیقات و مطالعات در این زمینه گرد آمده اند، طرح كرده و جدولی را ارایه می دهند:
هر یك از خانه های این جدول رهیافتی را در راستای نظریه پردازی، سپس طراحی و تحقق هوش مصنوعی نشان می دهند. مطابق این جدول، از سویی دو رهیافت افقی فوقانی، تحقق هوش مصنوعی را مبتنی بر تفكر/ استدلال و فرآیند تفكری هوشمندانه ارزیابی می كنند و دو رهیافت افقی تحتانی، تحقق هوش مصنوعی را مبتنی بر رفتار و فرآیند عمل و رفتاری هوشمندانه نشان می دهند و از سویی دیگر، دو رهیافت عمودی سمت راست، طراحی هوش مصنوعی را به مثابه عملكردی منطقی كه استنتاج هایی منطقی و برخوردار از صدق منطقی را فراهم می كند، معرفی كرده و دو رهیافت عمودی سمت چپ، هوش مصنوعی را به مثابه عملكردی شبه انسانی كه وفادار به تجربه های انسانی است (آن چنان كه لزوما برخوردار از صدق منطقی نیستند)، بیان می كند. از نظر تاریخی تمامی این مواضع در طراحی سیستم های هوشمند، علاوه بر همكاری با یكدیگر نقشی رقابتی و انتقادی نسبت به یكدیگر نیز داشته اند. بی مناسبت نیست كه در تبیین نقش و جایگاه علم شناخت در طراحی و پیاده سازی هوش مصنوعی به شرح مختصری برای هر یك از رهیافت های همكار و رقیب فوق پرداخته شود.
● تفكر/ استدلال
▪ سیستم هایی كه منطقی (/عقلایی) فكر می كنند
"مطالعه توانایی های ذهنی با به كارگیری مدل های محاسباتی." (چارنیك و مك درمات، ۱۹۸۵)
"مطالعه محاسباتی كه امكان دارد منجر به ادراك، استدلال و كنش شود." (وینستون، ۱۹۹۲)
▪ سیستم هایی كه منطقی (/عقلایی) عمل می كنند
"هوش محاسباتی، مطالعه طراحی عامل های هوشمند است." (پول و همكاران، ۱۹۹۸)
"هوش مصنوعی... به رفتار هوشمند در مصنوعات مربوط می شود." (نیلسون، ۱۹۹۸) هنر خلق ماشین هایی كه عملكردی را انجام می دهند كه وقتی آن عملكرد توسط انسان ها انجام می گیرد مستلزم هوشمندی است." (كارزویل، ۱۹۹۰)
▪ سیستم هایی كه شبیه انسان فكر می كنند
"تلاش نوین هیجان انگیز، برای ساخت كامپیوترهایی كه فكر می كنند... ماشین هایی به همراه .
ذهن، تمام و كمال و حسی فاقد تخیل." (هاوگلند، ۱۹۸۵)
"[خودكار كردن] فعالیت هایی كه با تفكر انسان مرتبط اند، فعالیت هایی از قبیل تصمیم گیری، حل مساله، یادگیری..." (بلمن، ۱۹۷۸)
▪ سیستم هایی كه شبیه انسان عمل می كنند
"مطالعه چگونگی ساخت كامپیوترهایی كه كارهایی را انجام می دهند كه اكنون انسان، آنها را بهتر انجام می دهد." (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 می دهد. در این آزمون، كامپیوتر به همراه شخصی مورد آزمایش قرار می گیرد، میان فرد و كامپیوتر مانعی قرار دارد تا موجب آن شود كه فرد وجود كامپیوتر را احساس نكند. شخص آزمایش كننده، پرسش هایی را طرح می كند و كامپیوتر به پرسش های مطرح شده پاسخ می دهد. پس از پایان آزمون اگر فرد پرسش كننده نتواند تشخیص دهد كه با كامپیوتر محاوره كرده است، نتیجه آزمون با اثبات توانایی هوش محاسباتی به نفع كامپیوتر است و در صورتی كه فرد تشخیص دهد با كامپیوتر در محاوره بوده است، هوش محاسباتی بازنده این آزمون است.
امروزه با توجه به دستاوردهای نظری و عملی در علوم و مهندسی سیستم های محاسباتی می توان ادعا كرد كه پیاده سازی چنین كامپیوتری نیازمند قابلیت هایی اساسی است كه برخی از آنان را می توان این چنین برشمرد:
۱) پردازش زبان طبیعی:
تا بتواند به طور موفق با زبان طرف محاوره گفت وگو كند و ارتباط برقرار كند؛
۲) بازنمایی دانش:
۳) تا آنچه را كه درك می كند و می شنود ذخیره كند؛ استدلال خودكار: تا از اطلاعات ذخیره شده در خود برای پاسخ به پرسش های جدید و ارایه نتایج تازه استفاده كند؛
۴)یادگیری ماشین: تا با شرایط جدید سازگار شده و الگوها را كشف و برون یابی كند.
آزمون تورینگ از تعامل فیزیكی میان فرد پرسش كننده و كامپیوتر اجتناب می كند، چرا كه شبیه سازی فیزیكی شخص پرسش كننده برای هوشمندی ضروری نیست. امروزه می توان آزمون تورینگ را به صورت كامل تری از لحاظ فنی نیز عرضه كرد. آزمون كامل تورینگ را می توان برخوردار از سیگنالی ویدیویی نیز كرد تا پرسش كننده بتواند از طریق آن قابلیت های ادراكی طرف گفت و گو را بیازماید. از این رو دو مولفه دیگر به موارد فوق اضافه می شود:
۵)بینایی كامپیوتر: برای درك اشیاء؛ و
۶)رباتیك: برای حركت اشیاء و جابه جایی آنان.
این شش حوزه مطالعاتی، امروزه بخش های عمده ای از طراحی هوش مصنوعی را تشكیل می دهند. مهندسان و محققان هوش مصنوعی تلاش زیادی برای عبور از آزمون تورینگ انجام ندادند، چرا كه باور داشتند پرداختن به اصول طراحی و پیاده سازی آن مطلوب تر از وقتی بود كه برای تحقق آزمون تورینگ بایستی صرف می كردند.
● 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 چنان كه همیشه به هنگام ارایه مقدمات درست، نتایج درست حاصل می شود؛ مثلا سقراط انسان است؛ تمامی انسان ها میرایند؛ بنابراین، سقراط میراست." این قوانین مستلزم تفكر حاكمیت عمل ذهن می شوند و مطالعه این قوانین حوزه ای را كه منطق نامیده می شود بنیان می نهند.
منطق دانان در قرن نوزدهم، نمادگذاری دقیقی را برای گزاره ها درباره تمامی انواع اشیاء موجود در عالم و رابطه میان آنان بسط دادند. در ۱۹۶۵ برنامه هایی كامپیوتری پدید آمدند كه علی الاصول می توانستند هر برنامه قابل حلی را كه با نمادگذاری منطقی توصیف می شد، حل كنند. این سنت منطق گرایی در هوش مصنوعی، محققان را در ارایه برنامه هایی منطقی برای خلق سیستم های 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 می شود. از این رو، حتی مسایلی كه پیوستگی كمتری با امور واقع در جهان واقعی دارند گاهی اوقات می توانند فرآیندهای استنتاجی منابع محاسباتی كامپیوترها را دچار مشكل كنند.