نوسینده: Motion

تحقیقات هوش مصنوعی از دو روش متمایز و تا حدودی رقیب پیروی می‌کند: رویکرد نمادین (یا «بالا به پایین») و رویکرد پیوندگرا (یا «پایین به بالا»). رویکرد بالا به پایین به دنبال تکثیر هوش از طریق تحلیل شناخت مستقل از ساختار بیولوژیکی مغز است، بر اساس پردازش نمادها – از این رو برچسب نمادین را دارد. از سوی دیگر، رویکرد پایین به بالا شامل ایجاد شبکه‌های عصبی مصنوعی در تقلید از ساختار مغز است – از این رو برچسب پیوندگرا را دارد.

برای نشان دادن تفاوت بین این رویکردها، وظیفه‌ی ساختن سیستمی را در نظر بگیرید که مجهز به اسکنر نوری است و حروف الفبا را تشخیص می‌دهد. رویکرد پایین به بالا معمولاً شامل آموزش یک شبکه‌ی عصبی مصنوعی با ارائه‌ی حروف به آن به صورت تک به تک است و به تدریج عملکرد را از طریق «تنظیم» شبکه بهبود می‌بخشد. (تنظیم، پاسخگویی مسیرهای عصبی مختلف به محرک‌های مختلف را تنظیم می‌کند.) در مقابل، رویکرد بالا به پایین معمولاً شامل نوشتن یک برنامه‌ی کامپیوتری است که هر حرف را با توصیفات هندسی مقایسه می‌کند. به بیان ساده، فعالیت‌های عصبی اساس رویکرد پایین به بالا هستند، در حالی که توصیفات نمادین اساس رویکرد بالا به پایین هستند.

در کتاب مبانی یادگیری (۱۹۳۲)، ادوارد ثورندایک، یک روانشناس در دانشگاه کلمبیا، نیویورک، برای اولین بار پیشنهاد کرد که یادگیری انسان شامل برخی خواص ناشناخته از اتصالات بین نورون‌ها در مغز است. در کتاب سازمان رفتار (۱۹۴۹)، دونالد هب، یک روانشناس در دانشگاه مک‌گیل، مونترال، پیشنهاد کرد که یادگیری به طور خاص شامل تقویت الگوهای خاصی از فعالیت عصبی با افزایش احتمال (وزن) شلیک نورون القا شده بین اتصالات مرتبط است.

در سال ۱۹۵۷، دو طرفدار پرشور هوش مصنوعی نمادین – آلن نیوول، محقق در شرکت رند، سانتا مونیکا، کالیفرنیا، و هربرت سایمون، یک روانشناس و دانشمند کامپیوتر در دانشگاه کارنگی ملون، پیتسبرگ – رویکرد بالا به پایین را در آنچه فرضیه‌ی سیستم نماد فیزیکی نامیدند، خلاصه کردند. این فرضیه بیان می‌کند که پردازش ساختارهای نمادها اصولاً برای تولید هوش مصنوعی در یک کامپیوتر دیجیتال کافی است و علاوه بر این، هوش انسانی نتیجه‌ی همان نوع دستکاری‌های نمادین است.

در طول دهه‌های ۱۹۵۰ و ۶۰، رویکردهای بالا به پایین و پایین به بالا به طور همزمان دنبال شدند، و هر دو به نتایج قابل توجهی، هرچند محدود، دست یافتند. با این حال، در طول دهه‌ی ۱۹۷۰، هوش مصنوعی پایین به بالا نادیده گرفته شد و تا دهه‌ی ۱۹۸۰ بود که این رویکرد دوباره برجسته شد. امروزه هر دو رویکرد دنبال می‌شوند، و هر دو به عنوان مواجه با مشکلاتی شناخته می‌شوند. تکنیک‌های نمادین در قلمروهای ساده‌شده کار می‌کنند اما معمولاً در مواجهه با دنیای واقعی از کار می‌افتند؛ در همین حال، محققان پایین به بالا نتوانسته‌اند سیستم‌های عصبی حتی ساده‌ترین موجودات زنده را تکرار کنند. Caenorhabditis elegans، کرم بسیار مورد مطالعه، تقریباً ۳۰۰ نورون دارد که الگوی اتصالات داخلی آن‌ها کاملاً شناخته شده است. با این حال، مدل‌های پیوندگرا نتوانسته‌اند حتی این کرم را تقلید کنند. واضح است که نورون‌های تئوری پیوندگرا، ساده‌سازی‌های بسیار ناخالصی از چیز واقعی هستند.

هوش عمومی مصنوعی (AGI)، هوش مصنوعی کاربردی، و شبیه‌سازی شناختی

تحقیقات هوش مصنوعی با به کارگیری روش‌های ذکر شده در بالا، تلاش می‌کند تا به یکی از سه هدف زیر دست یابد: هوش عمومی مصنوعی (AGI)، هوش مصنوعی کاربردی، یا شبیه‌سازی شناختی.

هوش عمومی مصنوعی (که هوش مصنوعی قوی نیز نامیده می‌شود) هدف ساخت ماشین‌هایی را دارد که فکر می‌کنند. جاه‌طلبی نهایی هوش عمومی مصنوعی تولید ماشینی است که توانایی فکری کلی آن از یک انسان قابل تشخیص نباشد. تا به امروز، پیشرفت ناهموار بوده است. با وجود پیشرفت‌ها در مدل‌های زبان بزرگ، بحث‌برانگیز است که آیا هوش عمومی مصنوعی می‌تواند از مدل‌های حتی قدرتمندتر پدید آید یا رویکرد کاملاً متفاوتی مورد نیاز است. در واقع، برخی از محققانی که در دو شاخه‌ی دیگر هوش مصنوعی کار می‌کنند، هوش عمومی مصنوعی را ارزش پیگیری نمی‌دانند.

هوش مصنوعی کاربردی، که به عنوان پردازش اطلاعات پیشرفته نیز شناخته می‌شود، هدف تولید سیستم‌های «هوشمند» با قابلیت تجاری را دارد – برای مثال، سیستم‌های «خبره‌ی» تشخیص پزشکی و سیستم‌های معاملات سهام. هوش مصنوعی کاربردی موفقیت قابل توجهی داشته است.

در شبیه‌سازی شناختی، کامپیوترها برای آزمایش تئوری‌ها در مورد نحوه‌ی عملکرد ذهن انسان استفاده می‌شوند – برای مثال، تئوری‌هایی در مورد نحوه‌ی شناسایی چهره‌ها یا یادآوری خاطرات توسط افراد. شبیه‌سازی شناختی در حال حاضر یک ابزار قدرتمند در هر دو زمینه‌ی علوم اعصاب و روانشناسی شناختی است.