آنالوگ در مقابل دیجیتال- نامحدود در مقابل تعریف شده

مغز (انسان یا مگس) یک کامپیوتر آنالوگ است (دایسون، 2014). این یک کامپیوتر دیجیتال نیست و هوش ممکن است شامل هیچ نوع الگوریتمی نباشد. آیا شواهدی دال بر این وجود دارد که یک کامپیوتر دیجیتال قابل برنامه‌ریزی، توانایی ابتکار عمل یا انتخاب‌هایی را که به هر حال در فهرست گزینه‌های برنامه‌ریزی شده توسط انسان وجود ندارد، تکامل میبخشد؟ آیا دلیلی وجود دارد که فکر کنیم رایانه دیجیتال مدل خوبی برای آنچه در مغز می گذرد است؟ ما ماشین های دیجیتال نیستیم. ماشین های تورینگ ماشین های حالت گسسته / زمان گسسته هستند در حالی که ما موجودات حالت پیوسته / زمان پیوسته هستیم.

ما با مدل‌های پیوسته سیستم‌های عصبی به‌عنوان سیستم‌های دینامیکی غیرخطی، پیشرفت‌هایی داشته‌ایم، اما در همه این موارد وضعیت فعلی سیستم تمایل دارد تا وضعیت بعدی سیستم را تعیین کند، به طوری که وضعیت بعدی نیازمند قوانین برنامه‌ریزی شده در رایانه است. هیچ کاری برای آگاهی در یک سیستم کنترل دیجیتال وجود ندارد زیرا وضعیت فعلی سیستم برای حالت بعدی کاملاً کافی است.

در دهه‌های آینده، ممکن است انسان یک هوش مصنوعی قدرتمند بسازد، در سال 1999، محققین به این نتیجه رسیدند که هوش ماشینی در گوشه و کنار وجود دارد ولی همه چیز بیشتر از آنچه فکر می کردند طول کشید و در این راه ناامیدی های زیادی وجود داشت (ساندرز 2008) – اما داستان تا کنون چیست؟

ماشین های هوشمند

احتمالاً این ایده ساخت یک «ماشین کودک» بود که بتواند خود را با خواندن و یادگیری از تجربه بهبود بخشد و  مطالعه هوش ماشینی را آغاز کرد. این اولین بار در دهه 1940 پیشنهاد شد و پس از جنگ جهانی دوم، تعدادی از افراد به طور مستقل شروع به کار بر روی ماشین‌های هوشمند کردند. آلن تورینگ یکی از اولین ها بود. وی پس از سخنرانی خود در سال 1947 پیش بینی کرد که تا پایان قرن کامپیوترهای هوشمندی وجود خواهند داشت. زاده (1950) مقاله ای با عنوان “ماشین های فکری – زمینه ای جدید در مهندسی برق” منتشر کرد و تورینگ در همان سال شرایط در نظر گرفتن یک ماشین را به عنوان هوشمند مورد بحث قرار داد. او استدلال معروف خود را مطرح کرد مبنی بر اینکه اگر ماشینی بتواند با موفقیت در برابر یک ناظر آگاه وانمود کند که انسان است، باید آن را هوشمند در نظر گرفت.

در اواخر همان دهه، گروهی از دانشمندان کامپیوتر در کالج دارتموث در نیوهمپشایر (در سال 1956) گرد هم آمدند تا یک موضوع کاملاً جدید را بررسی کنند: هوش مصنوعی. جان مک کارتی استاد دانشگاه استنفورد اولین کسی بود که نام «هوش مصنوعی» را درست قبل از آن جلسه ابداع کرد. آن بحث به عنوان سکوی پرشی برای بحث بیشتر در مورد راه هایی بود که ماشین ها می توانند جنبه های شناخت انسان را شبیه سازی کنند. یک فرض اساسی در آن بحث های اولیه این بود که یادگیری (و سایر جنبه های هوش انسانی) می تواند دقیقاً توصیف شود. مک کارتی هوش مصنوعی را در آنجا به عنوان «علم و مهندسی ساخت ماشین‌های هوشمند» تعریف کرد (مک کارتی، 2007؛ راسل و نورویگ، 2003). شرکت کنندگان در دارتموث، از جمله جان مک کارتی، ماروین مینسکی، آلن نیول و هربرت سایمون، سپس برای چندین دهه رهبران تحقیقات هوش مصنوعی شدند.

در اواخر دهه 1950، محققان زیادی در این منطقه وجود داشتند و اکثر آنها کار خود را بر اساس برنامه نویسی کامپیوترها پایه گذاری می کردند. مینسکی (رئیس آزمایشگاه MIT) در سال 1967 پیش بینی کرد که “در یک نسل مشکل ایجاد “هوش مصنوعی” به طور اساسی حل خواهد شد” (دریفوس، 2008). سپس، در حوالی سال 1970، این رشته با مشکلات غیرمنتظره‌ای مواجه شد، زیرا هیچ ماشینی نتوانست حتی ابتدایی‌ترین داستان کودکان را درک کند. برنامه‌های هوش ماشینی فاقد حس مشترک بصری یک کودک چهار ساله بودند و دریفوس هنوز معتقد است که هیچ‌کس نمی‌داند در مورد آن چه باید بکند.

اکنون (نزدیک به 60 سال پس از اولین کنفرانس)، ما هنوز موفق به ایجاد یک “ماشین کودک” نشده ایم. برنامه ها هنوز نمی توانند چیزهای زیادی از آنچه کودک به طور طبیعی از تجربه فیزیکی می آموزد بیاموزند.

اما به نظر می رسد که ما در نقطه ای از تاریخ هستیم که زیست شناسی انسانی ما در بسیاری از موقعیت های صنعتی بسیار ضعیف، کند و بیش از حد پیچیده به نظر می رسد (ساندرز، 2008). ما برای غلبه بر این نقاط ضعف به فناوری‌های کنترلی جدید قدرتمند روی می‌آوریم و هر چه بیشتر از آن فناوری استفاده کنیم، بیشتر از آن خارج می‌شویم. ماشین های ما در بسیاری از کارها از عملکرد انسانی فراتر می روند. از آنجایی که آنها به طور صمیمانه‌تری با ما ادغام می‌شوند و ما قدرت مغز خود را با ظرفیت رایانه برای تعمق، تجزیه و تحلیل، استنتاج، برقراری ارتباط و اختراع ترکیب می‌کنیم، بسیاری از دانشمندان دوره‌ای را پیش‌بینی می‌کنند که سرعت تغییرات فناوری بسیار سریع و گسترده خواهد بود و زندگی ما را به طور غیر قابل برگشتی تغییر خواهد کرد.

اما یک مشکل اساسی این است که به نظر می رسد هیچ کس نمی داند هوش چیست. اکنون انواع و درجات مختلف هوش در افراد، بسیاری از حیوانات و حتی در برخی از ماشین ها رخ می دهد. یک مشکل این است که ما نمی توانیم به توافق برسیم که چه نوع محاسباتی را می خواهیم هوشمند بنامیم. به نظر می رسد برخی افراد فکر می کنند که هوش در سطح انسانی را می توان با نوشتن تعداد زیادی برنامه از نوع برنامه هایی که اکنون مردم می نویسند یا با جمع آوری پایگاه های دانش گسترده از حقایق در زبان هایی که اکنون برای بیان دانش استفاده می شود به دست آورد. با این حال، اکنون به نظر می‌رسد اکثر محققان هوش مصنوعی معتقدند که ایده‌های بنیادی جدیدی مورد نیاز است و بنابراین نمی‌توان پیش‌بینی کرد که چه زمانی به هوش در سطح انسانی دست می‌یابیم (مک کارتی، 2008).

12 برنامه کلیدی هوش مصنوعی

هوش ماشینی طیف گسترده ای از فناوری های پیشرفته را ترکیب می کند تا به ماشین ها توانایی یادگیری، انطباق، تصمیم گیری و نمایش رفتارهای جدید را بدهد. این امر با استفاده از فناوری هایی مانند شبکه های عصبی (ساندرز و همکاران، 1996)، سیستم های خبره (هادسون، 1997)، نقشه های خودسازماندهی (برن، 2008)، منطق فازی (دینگل، 2011)، و الگوریتم های ژنتیک (مانیکاس، 2007) ارائه شده است و ما آن فناوری هوش ماشینی را در بسیاری از مناطق به کار برده ایم. دوازده کاربرد هوش مصنوعی عبارتند از:

1. Assembly (Gupta et al., 2001; Schraft and Ledermann, 2003; Guru et al., 2004)
2. Building modeling (Gegov, 2004; Wong, 2008)
3. Computer vision (Bertozzi, 2008; Bouganis, 2007)
4. Environmental engineering (Sanders, 2000; Patra 2008)
5. Human-computer interaction (Sanders, 2005; Zhao 2008)
6. Internet use (Bergasa-Suso, 2005; Kress, 2008)
7. Medical systems (Pransky, 2001; Cardso, 2007)
8. Robotic manipulation (Tegin, 2005; Sreekumar, 2007)
9. Robotic programming (Tewkesbury, 1999; Kim, 2008)
10. Sensing (Sanders, 2007; Trivedi 2007)
11. Walking robots (Capi et al., 2001; Urwin-Wright 2003)
12. Wheelchair assistance (Stott, 2000; Pei, 2007).

4 روش هوش مصنوعی که توانایی کامپیوتر را ارتقا می دهد

به نظر می رسد فناوری هایی وجود دارند که می توانند توانایی عملی رایانه ها را در این زمینه ها به میزان قابل توجهی افزایش دهند (براکنبری، 2002؛ سندرز، 2008). چهار راه که هوش مصنوعی به محاسبات کمک می کند عبارتند از:

1.  درک زبان طبیعی برای بهبود ارتباطات.

2. استدلال ماشینی برای ارائه استنتاج، اثبات قضیه، همکاری و راه حل های مرتبط.

3.  بازنمایی دانش برای ادراک، برنامه ریزی مسیر، مدل سازی و حل مسئله.

4. کسب دانش با استفاده از حسگرها برای یادگیری خودکار برای ناوبری و حل مسئله.

با هوش ماشینی به کجا می رویم؟ در یک انتهای طیف تحقیقات، دستگاه‌های رباتیک مفیدی مانند جاروبرقی‌های رومبا iRobot و ربات‌های شخصی‌تر مانند روبات‌های شخصیت گفتگو و ربات پسر Zeno از Hanson Robotics و Pleo از Ugobe وجود دارد. این روبات‌های «اسباب‌بازی» جدید می‌توانند آغازی برای نسل جدیدی از روبات‌های همیشه حاضر و ارزان با قابلیت‌های جدید باشند. در انتهای دیگر طیف، رابط‌های مستقیم مغز و رایانه و تقویت بیولوژیکی مغز در آزمایشگاه‌های تحقیقاتی در نظر گرفته می‌شوند (همراه با اسکن‌های با وضوح فوق‌العاده بالا از مغز و به دنبال آن شبیه‌سازی رایانه‌ای). برخی از این تحقیقات امکاناتی هوشمندتر از انسان را در برخی حوزه های کاربردی خاص نشان می دهد. با این حال، توصیف و بحث ذهن‌های باهوش‌تر از مغزهای سریع‌تر یا مغزهای بزرگ‌تر بسیار سخت‌تر است، و در واقع «باهوش‌تر از انسان» به چه معناست؟ ما ممکن است آنقدر باهوش نباشیم که بدانیم (حداقل هنوز نمیدانیم).

آیا هوش مصنوعی می تواند علیه ما باشد؟

بیایید مستقیماً به این مشکل بپردازیم که آیا هوش مصنوعی همه ما را نابود می کند (لانیر، 2014). در دهه‌های آینده، بشریت ممکن است یک هوش مصنوعی قدرتمند بسازد، اما همه چیز بیشتر از حد انتظار طول کشیده است و در طول مسیر ناامیدی وجود داشته است. در اواسط دهه 1960، تحقیقات در ایالات متحده به شدت توسط وزارت دفاع تأمین می شد و آزمایشگاه هایی در سراسر جهان تأسیس شده بودند. محققان خوشبین بودند و هربرت سایمون پیش‌بینی کرد که «ماشین‌ها ظرف 20 سال قادر خواهند بود هر کاری را که یک انسان می‌تواند انجام دهد انجام دهند» و ماروین مینسکی نیز با این موضوع موافقت کرد و نوشت که در عرض یک نسل…مشکل ایجاد «هوش مصنوعی» به طور اساسی حل خواهد شد.» هیچ کدام از این اتفاقات نیفتاد و بسیاری از منابع مالی خشک از بین رفتند. تنها در دسامبر 2014، نامه ای سرگشاده که خواستار احتیاط برای اطمینان از اینکه ماشین های هوشمند از کنترل ما خارج نمی شوند، توسط تعداد زیادی از افراد، از جمله برخی از چهره های برجسته در هوش مصنوعی، امضا شد. ترس از این که خلاقیت‌هایمان بر سرمان بیفتد، حداقل تا فرانکشتاین پیش می‌رود، اما وقتی رایانه‌ها شروع به رانندگی با ماشین‌های ما (و ویلچرهای برقی) می‌کنند، ممکن است مجبور شویم با این مسائل مقابله کنیم.

در نامه استیون هاوکینگ آمده است: «از آنجایی که توانایی‌ها در این حوزه‌ و سایر حوزه‌ها از آستانه تحقیقات آزمایشگاهی به فناوری‌های با ارزش اقتصادی عبور می‌کنند، یک چرخه فضیلت‌آمیز شکل می‌گیرد که به موجب آن حتی پیشرفت‌های کوچک در عملکرد، ارزش مبالغ هنگفتی را دارد و سرمایه‌گذاری‌های بیشتری را در تحقیقات انجام می‌دهد. اکنون اجماع گسترده ای وجود دارد که تحقیقات هوش مصنوعی به طور پیوسته در حال پیشرفت است و احتمالاً تأثیر آن بر جامعه افزایش می یابد. مزایای بالقوه بسیار زیاد است، زیرا همه چیزهایی که تمدن ارائه می دهد محصول هوش انسانی است. ما نمی‌توانیم پیش‌بینی کنیم که وقتی این هوش با ابزارهایی که هوش مصنوعی فراهم می‌کند، به چه چیزی برسیم، اما ریشه‌کنی بیماری و فقر غیرقابل درک نیست. به دلیل پتانسیل بالای هوش مصنوعی، مهم است که در مورد چگونگی بهره مندی از مزایای آن و در عین حال اجتناب از دام های احتمالی تحقیق کنید.

نویسندگان دیگر اضافه کرده‌اند: «سیستم‌های هوش مصنوعی ما، باید کاری را که ما می‌خواهیم انجام دهند» و اولویت‌های تحقیقاتی را تعیین کرده‌اند که معتقدند برای «به حداکثر رساندن منافع اجتماعی» مفید هستند. نگرانی اصلی، هوشیاری نوظهور شبح وار نیست، بلکه صرفاً توانایی اتخاذ تصمیمات با کیفیت بالا است که با ارزش های ما همسو هستند، چیز دیگری که تعیین آن دشوار است (لانیر، 2014).

سیستمی که تابعی از متغیرها را بهینه می‌کند، جایی که هدف به زیرمجموعه‌ای از آنها بستگی دارد، اغلب متغیرهای نامحدود باقیمانده را در حد افراطی قرار می‌دهد اما اگر یکی از آن متغیرهای بدون محدودیت در واقع چیزی باشد که ما به آن اهمیت می دهیم، هر راه حلی ممکن است بسیار نامطلوب باشد (راسل، 2014).

بهبود کیفیت تصمیم گیری

این اساساً داستان قدیمی جن در چراغ است. شما دقیقاً همان چیزی را که می خواهید دریافت می کنید، نه آنچه را که می خواهید. همانطور که سیستم های کنترل سطح بالاتر تصمیم گیرندگان توانمندتری می شوند و از طریق اینترنت متصل می شوند، می توانند تأثیر غیرمنتظره ای داشته باشند.

این یک مشکل جزئی نیست. بهبود کیفیت تصمیم گیری هدف هوش مصنوعی در مهندسی کنترل بوده است. با قرار گرفتن قطعاتی از چارچوب مفهومی و افزایش تعداد، اندازه و استحکام بلوک‌های سازنده، تحقیقات سرعت گرفته است. محققان ارشد هوش مصنوعی به طور قابل توجهی نسبت به چند سال پیش خوشبین تر هستند، اما نگرانی نسبتاً بیشتری در مورد خطرات احتمالی وجود دارد.

به جای اینکه فقط هوش خالص ایجاد کنیم، باید هوش مفید بسازیم. هوش مصنوعی یک ابزار است نه تهدید (بروکز، 2014). او می گوید: «آرام باش؛ زیرا همه اینها ناشی از سوء تفاهمات اساسی از ماهیت پیشرفتی است که در حال انجام است، و از درک نادرست از اینکه واقعاً چقدر با موجوداتی با هوش مصنوعی فاصله داریم. این اشتباه است که نگران توسعه هوش مصنوعی باشیم و این نگرانی از تمایز قائل نشدن بین پیشرفت های واقعی اخیر در مهندسی کنترل و پیچیدگی عظیم ساخت هوش مصنوعی حساس ناشی می شود.

یادگیری ماشینی به ما امکان می‌دهد چیزهایی مانند نحوه تشخیص کلاس‌های ورودی و متناسب کردن منحنی‌ها با داده‌های زمانی را آموزش دهیم. این به ماشین‌های ما اجازه می‌دهد متوجه شوند که ویلچر برقی در شرف برخورد با مانع است. اما این تنها بخش بسیار کوچکی از مشکل است. این یادگیری به ماشین کمک نمی کند تا اطلاعات زیادی در مورد راننده ویلچر انسان یا هدف یا نیازهای او داشته باشد. هر هوش مصنوعی بدخواه به این قابلیت ها نیاز دارد.

سیستم‌های هوشمند ویلچری که ما ایجاد می‌کنیم نمی‌توانند درک خود را به دنیای بزرگ‌تر متصل کنند. آنها نمی دانند که انسان ها وجود دارند (بروکز، 2014). اگر قرار باشد با یکی از آنها برخورد کنند، هیچ تمایزی بین یک انسان وهر مانع دیگری قائل نمی شوند. سیستم‌ها حتی نمی‌دانند که ویلچر برقی وجود دارد، اگرچه مردم سیستم‌ها را آموزش می‌دهند و سیستم‌ها برای خدمت به ما وجود دارند. اما آنها کمی در مورد جهان می دانند و کنترل کننده ها فقط کمی عقل سلیم دارند. به عنوان مثال، آنها می دانند که اگر آنها موتوری را هدایت کنند ولی به هر دلیلی آن موتورحرکت نکند، دیگر هیچ فایده ای برای ادامه حرکت وجود ندارد. اما آنها هیچ ارتباط معنایی بین یک مانع یا شخصی که در راه آنها شناسایی می شود و شخصی که آنها را آموزش داده است ندارند.

کار جالبی در رباتیک ابری وجود دارد که دانش معنایی آموخته شده توسط بسیاری از روبات ها را به یک نمایش مشترک متصل می کند. این بدان معناست که هر چیزی که توسط یک نفر یاد گرفته می‌شود به سرعت به اشتراک گذاشته می‌شود و برای همه مفید می‌شود، اما این فقط می‌تواند مشکلات یادگیری ماشین را بزرگ‌تر کند. این در واقع کشف معادلات و مشکلات در برنامه‌های کاربردی است که به ما امکان می‌دهد گام‌های مفیدی در مهندسی کنترل برداریم. موضوع صرفاً ریختن محاسبات بیشتر روی مسائل نیست. بیایید به اختراع هوش مصنوعی بهتر و مفیدتر ادامه دهیم. زمان زیادی طول خواهد کشید، اما در این راه برای مهندسی کنترل پاداش هایی وجود خواهد داشت.

چیزهای بد زیادی در دنیا در جریان است، اما ارتباط کمی با هوش مصنوعی دارد. بسیاری از بلایای بالقوه هدایت شده توسط انسان وجود دارد، و ما ممکن است عاقلانه تر در مورد چیزهایی مانند تروریسم و ​​تغییرات آب و هوایی نگران باشیم (اسمولین، 2014). اگر قرار است به عنوان یک تمدن صنعتی زنده بمانیم و مسائلی مانند تغییرات آب و هوایی را حل کنیم، پس باید ترکیبی از سیستم های کنترل طبیعی و مصنوعی روی کره زمین وجود داشته باشد. از آنجایی که سیستم‌های بازخوردی که چرخه کربن روی کره زمین را کنترل می‌کنند، از هوش ابتدایی برخوردارند، اینجاست که ادغام طبیعی و هوش مصنوعی می‌تواند برای بشریت تعیین کننده باشد.

ادامه دارد…

---

#پلتفرم مهندسی کنترل