این ربات که در آزمایش
“survival of the fittest” (زنده ماندن قویتر ها) شرکت داشته،
سعی کرده تا از یکی از مبارزات روزانه اش بگریزد. گک ابتدا در
کنار یک دیواره شروع به حرکت کرده و سپس پس از یافتن یک حفره به
بیرون خزیده است اما هنگام فرار در یکی از اتوبانهای نزدیک محل
آزمایش توسط یک اتومبیل از بین رفته است. اگرچه این حادثه
میتواند نشانگر هوشمند بودن این ربات باشد اما دلیل قاطعی برای
اثبات این موضوع نیست.
آزمایشی برای تشخیص
هوشمند بودن ربات ها:
“turning test” نام
آزمون بین المللی است که توسط آن هوشمند بودن یک ماشین مورد
آزمایش قرار میگیرد. این آزمون بعد از Alan Turning، نابغه ریاضی
که برای اولین بار این روش را پیشنهاد کرد اینگونه نام گرفت. در
این تست 2 نفر (ََA و B ) در یک اتاق در بسته نشسته و نفر سوم (C
) در خارج از اتاق قرار میگیرد. نفر اول A سعی میکند تا نفر سوم
را در مورد جنسیت خود (ربات یا انسان بودن) گمراه کند، در حالی
که نفر دوم B تلاش میکند تا به نفر سوم C برای شناختن جنسیت نفر
اول یاری دهد. ترنینگ پیشنهاد کرد که جای نفر اول با ماشین تعویض
شود. در صورتی که آن ماشین بتواند همواره نفر سوم را مانند یک
انسان فریب دهد آن ماشین احتمالاً هوشمند است.
AI های
متخصص:
این نمونه از نرم
افزارها برای انجام یکسری کارهای تخصصی طراحی شده اند و به طبع
از قابلیتهای بالایی نیز برخودار میباشند. اینگونه برنامه ها
معمولاً به یک بانک اطلاعاتی بسیار وسیع مجهز میباشند که آنها را
قادر به پاسخگویی به سوالات کاربران میسازد. در حقیقت این برنامه
ها برای رشته هایی مانند پزشکی، مهندسی و... طراحی شده اند و
وظیفه آنها ذخیره سازی اطلاعات مفیدی است که به خاطر سپردن آنها
توسط انسان بسار دشوار میباشد، اگرچه اینگونه برنامه ها از یک
اشکال پایه ای رنج میبرند. تا زمانی که سوال مطرح شده توسط کاربر
در محدوده اطاعات ذخیره شده در آنهاست هیچ مشکلی پیش نخواهد امد
اما ظعف آنها هنگامی پدیدار میشود که سوال مطرح شده کمی خارج از
حوزه اطلاعاتی آنها قرار گیرد که در این صورت اینگونه برنامه ها
به کلی از پاسخ گویی به سوال درمانده خواهند بود. این ناتوانی از
آنجا ناشی میشود که این دسته از برنامه ها توانایی
generalization یا عمومیت دادن را ندارند.
منظور از
generalization و یا عمومیت دادن چیست؟
منظور از generalization
توانایی خلق کردن اطلاعات جدید بر اساس اطلاعات قدیمی است. تمامی
انسان ها از این توانایی برخوردار هستند اگرچه ماشین ها به طور
کامل و همانند انسان چنین توانایی را ندارند. برای درک بهتر
موضوع به این مثال ساده توجه کنید: جان در یک کمپانی کار میکند.
در محل کار او کابلهایی وجود دارد که توسط یکسری اشکال خواص
علامت گذاری شده اند و نشانگر این موضوع هستند که این کابل ها
حامل برق میباشند. جان در محل دیگری یکسری کابل با علائم مشابه
را مشاهده میکند و نتیجه میگیرد که این کابل ها نیز حاوی جریان
برق هستند.
Neutral nets
چیست؟
Neutral nets مدل ریاضی
مغز میباشد که در حقیقت همانند مغز موجودات زنده عمل میکند اما
بر خلاف سایر AI ها بر مبنای منطق طراحی نشده است. مبنای ساختاری
Neutral nets در حقیقت گروهی از neurones (سلول های عصبی) ها
هستند که با هم در ارتباط میباشند و دارای بار ریاضی هستند. این
گونه سیستم ها قادر به یادگیری از تجربیات خود هستند و این باعث
میشود که آنها تا حدودی از توانایی generalize کردن برخوردار
شوند و این یکی از مزایای این گونه سیستم ها میباشد. Neutral
nets دی کنار مزایایی که دارد از معایبی نیز برهستند. برای مثال
برای آماده کردن آنها به کار و وقت بسیار زیادی نیاز است زیرا
اینگونه سیستم ها قبل از به کار گرفته شدن باید آموزش داده شوند.
آنها از برخی جهات به کودکان شباهت دارند و هر مطلب باید چندین
بار برای آنها تکرار شود تا آن را بیاموزند.
AI در بازی
ها:
AI در بازیهای
کامپیوتری معمولاً در نقش دشمن و یا متحدین شما ظاهر میشود. در
برخی موارد طراحان بازی ترجیح میدهند تا بیشتر بر روی بالا بردن
گرافیک بازی سرمایه گذاری کنند تا AI و این موضوع باعث میشود که
بازیکنان خبره به راحتی AI را شکست دهند و یا در برخی موارد از
آنجایی که AI به کدهای اصلی بازی دسترسی دارد با تقلب بازی را
برده و موجب عصبانیت کاربر می شود.
جمع
آوری : علی
نجف زاده 1/12/1385
برگرفته
از سایت netfirms
