1

2
 ‫فهرست مطالب‬
‫تاریخچه‪...............................................................................................................................................‬‬
‫‪4..............‬‬
‫هوش مصنوعی‬
‫چیست؟‪7................................................................................................................................‬‬
‫چالش‌هاي بنيادين هوش‌مصنوعي ‪9.............................................................................................................‬‬
‫شاخه‌هاي علم هوش‬
‫‪12..................................................................................................................‬‬
‫‌‬ ‫مصنوعي‬
‫‌معرفی برخی از کاربردهای هوش مصنوعی ‪14...........................................................................................‬‬
‫سيستم های خبره (‪15...................................................................................... )Expert Systems‬‬
‫مزایای‌ سیستم‌های‌‬
‫خبره ‪17...........................................................................................................................‬‬
‫چند سیستم خبره‬
‫مشهور‪18.........................................................................................................................‬‬
‫منطق فازي(‪19............................................................................................................. )Fuzzy Logic‬‬
‫شبكه‌هاي عصبي (‪21.................................................................................... )Neural Networks‬‬
‫الگوریتم‬
‫ژنتیک ‪23...........................................................................................................................................‬‬
‫بينايي ماشين‌ (‪24............................................................................................. ) Machine Vision‬‬
‫پردازش زبان‌های طبیع‪C‬ی (‪26......................................................................................................... )NLP‬‬
‫تکنیک‌ها و زبان‌های برنامه نویسی هوش مصنوعی ‪29........................................................................ .‬‬
‫ویژگی های فلسفی هوش مصنوعي ‪31......................................................................................................‬‬
‫نتیجه‬
‫گیری ‪3..............................................................................................................................................‬‬
‫‪2‬‬
‫‪3‬‬
 ‫تاریخچه‬

‫‪ ‬آلن تورینگ (‪ )1950‬یکی از بحث‌بر‌انگیزترین پرسش‌های فلسفی تاریخ را‬

‫پرسید‪:‬‬
‫‪ ‬آیا ماشین می‌تواند فکر کند؟‬
‫‪ ‬آیا یک کامپیوتر می‌تواند بازی تقلید را با موفقیت پشت سر بگذارد؟‬
‫‪ ‬آیا ماشین می‌تواند از انسان چنان تقلید کند که در یک آزمون محاوره‌ای نتوانیم‬
‫تفاوت انسان و ماشین را تشخیص دهیم؟‬

‫‪ ‬تورینگ نتوانست پاسخ قطعی این پرسش ها را پیدا کند‪ .‬اما برای یافتن پاسخ‬
‫مناسب در آینده یک راهبرد خالقانه پیشنهاد کرد‪:‬‬
‫آزمون بازی تقلید‬

‫‪4‬‬
 ‫تاریخچه ‪ -‬ادامه‬
‫در س‪CC‬ال ‪ ۱۹۵ ۶‬جان مک‌ کارت‪CC‬ی‪ ،‬یک‪CC‬ی از نظریه‌پردازان پیشگام ای‪CC‬ن‬ ‫‪‬‬
‫نظری‪C‬ه در آ‪C‬ن زمان‪ ،‬اص‪C‬طالح (هوشمن‪C‬د مص‪C‬نوعی) را برا‪C‬ی اولین‌بار در‬
‫نخستین کنفرانسی که به این موضوع اختصاص یافته بود‪ ،‬به کار برد‪.‬‬
‫دانشمندان بعدا ای‪C‬ن تاری‪C‬خ را ب‪C‬ه عنوان تاری‪C‬خ تول‪C‬د عل‪C‬م هوش مص‪C‬نوعی‬ ‫‪‬‬
‫انتخاب کردند‪.‬‬
‫تقریب‪CC‬ا در همان زمان جان فون نیومان نظری‪CC‬ه بازی‌ه‪CC‬ا را معرف‪CC‬ی کرد‪.‬‬ ‫‪‬‬
‫ای‪CCC‬ن نظری‪CCC‬ه نق‪CCC‬ش موثری در پیش‪CCC‬برد جنبه‌های نظری و علم‪CCC‬ی هوش‬
‫مصنوعی داشت‪.‬‬
‫مك‌كارت‪C‬ي در آ‪C‬ن زمان معتق‪C‬د بود ك‪C‬ه مي‌توان كاري كرد ك‪C‬ه ماشين نيز‬ ‫‪‬‬
‫هوش‪C‬ي همانن‪C‬د هوش انس‪C‬اني داشت‪C‬ه باش‪C‬د و ‪ LISP‬زبان‪C‬ي اس‪C‬ت ك‪C‬ه مي‌توان‪C‬د‬
‫اين هوش را توصيف كند‪.‬‬

‫‪5‬‬
 ‫تاریخچه ‪ -‬ادامه‬
‫‪ ‬در س‪C‬ال ‪ ۱۹۶ ۸‬آرتور س‪C‬رکالرک‪ ،‬در رمان معروف‬
‫خود‪ ،‬یعن‪C‬ی اودیس‪C‬ه فضای‪C‬ی ‪ ۲۰۰ ۱‬اص‪C‬طالح (آزمون‬
‫ی تقلید ‌) سر زبان‌ها انداخت‪.‬‬
‫تورینگ) را به جای (باز ‌‬

‫‪ ‬هم‪C‬ه كس‪C‬اني ك‪C‬ه نخس‪C‬تين گام‌ه‪C‬ا را در راه معرف‪C‬ي هوش‬

‫مص‪CC‬نوعي برداشتن‪CC‬د‪ ،‬يك هدف را در س‪CC‬رداشتند و آ‪CC‬ن‬
‫رساندن سطح هوش ماشيني به سطح هوش انساني بود‪.‬‬

‫‪6‬‬
 ‫هوش مصنوعی چیست؟‬
‫هنوز تعری‪C‬ف دقیق‪C‬ی ک‪C‬ه مورد قبول هم‪C‬ه دانشمندان ای‪C‬ن عل‪C‬م باش‪C‬د برای‬ ‫‪‬‬
‫هوش مصنوعی ارائه نشده‌است‪.‬‬
‫هوش مص‪C‬نوعی عبارت اس‪C‬ت از مطالع‪C‬ه ای‪C‬ن ک‪C‬ه چگون‪C‬ه کامپیوتره‪C‬ا را‬ ‫‪‬‬
‫می‌توان وادار ب‪C‬ه کارهای‪C‬ی کرد ک‪C‬ه در حال حاض‪C‬ر انس‪C‬ان‌ها آنه‪C‬ا رابهت‪C‬ر‬
‫انجام می‌دهند‪.‬‬
‫هوش مص‪C‬نوعي‪ ،‬شاخه‌ايس‪C‬ت از عل‪C‬م كامپيوت‪C‬ر ك‪C‬ه ملزومات محاس‪C‬باتي‬ ‫‪‬‬
‫اعمال‪CCC‬ي همچون ادراك (‪ ،)Perception‬اس‪CCC‬تدالل (‪ )reasoning‬و‬
‫يادگيري (‪ )learning‬را بررس‪CC‬ي كرده و س‪CC‬يستمي جه‪CC‬ت انجام چنين‬
‫اعمالي ارائه مي‌دهد‪.‬‬
‫هوش مص‪CC‬نوعي‪ ،‬مطالع‪CC‬ه روش‌هايي اس‪CC‬ت براي تبديل كامپيوت‪CC‬ر ب‪CC‬ه‬ ‫‪‬‬
‫ماشيني كه بتواند اعمال انجام شده توسط انسان را انجام دهد‪.‬‬

‫‪7‬‬
 ‫هوش مصنوعی چیست؟ ‪ -‬ادامه‬

‫هوش مص‪C‬نویی عل‪C‬م و مهندس‪C‬ی ایجاد ماشینهای‪C‬ی ب‪C‬ا هوش ب‪C‬ا ب‪C‬ه کارگیری‬ ‫‪‬‬
‫از کامپیوت‪CC‬ر و الگوگیری از درک هوش انس‪CC‬انی و نهایت‪CC‬ا دس‪CC‬تیابی ب‪CC‬ه‬
‫مکانیزم هوش مصنوعی در سطح هوش انسانی میباشد‪.‬‬
‫شیوه‌ه‪C‬ا و تکنیک‌های هوش مص‪C‬نوعی‪ ،‬در واق‪C‬ع‪ ،‬برای ح‪C‬ل آ‪C‬ن دس‪C‬ته از‬ ‫‪‬‬
‫مس‪C‬ائل ب‪C‬ه وجود آمده اس‪C‬ت ک‪C‬ه ب‪C‬ه طور س‪C‬هل و آس‪C‬ان توس‪C‬ط برنامه‌نویس‪C‬ی‬
‫تابع‪CC‬ی (‪ ،)Functional programming‬ی‪CC‬ا شیوه‌های ریاض‪CC‬ی قاب‪CC‬ل‬
‫حل نبوده‌اند‪.‬‬
‫روش‌هاي هوش‌ مص‪C‬نوعي روش‌هايي هس‪C‬تند ك‪C‬ه ب‪C‬ه درد حوزه‌هايي م‪C‬ي‬ ‫‪‬‬
‫خورند كه مسائل آن‌ها به‌خوبي تعريف نمي‌شوند‪.‬‬
‫هوش مص‪C‬نوعی ک‪C‬ه همواره هدف نهای‪C‬ی دان‪C‬ش رایان‪C‬ه بوده‌اس‪C‬ت‪ ،‬اکنون در‬ ‫‪‬‬
‫خدمت توسعه علوم رایانه نیز است‪.‬‬

‫‪8‬‬
 ‫چالش‌هاي بنيادين هوش‌مصنوعي‌‬

‫آيا ص‪C‬رف اين‌ك‪C‬ه ماشين‪C‬ي بتوان‪C‬د نحوه ص‪C‬حبت كردن انس‪C‬ان را شبيه‌س‪C‬ازي‬ ‫‪‬‬
‫كند‪ ،‬به معني آن است كه هوشمند است؟‬

‫‪Chatter Bots : ELIZA‬‬ ‫‪‬‬

‫اين روبات را ژوزف وايزن بام‪ ،‬يك‪C‬ي ديگ‪C‬ر از پژوهشگران‌ نامدار اين‬ ‫‪‬‬
‫حوزه اختراع كرد‪ .‬اليزا در برخ‪CC‬ي مكالمات س‪CC‬اده مي‌توان‪CC‬د طرف مقاب‪CC‬ل‬
‫خود را ب‪C‬ه ا‪C‬شتباه بيندازد‪ .‬طوري ك‪C‬ه مخاط‪C‬ب ممك‪C‬ن اس‪C‬ت فك‪C‬ر كن‪C‬د در حال‬
‫گ‪CC‬پ زدن ب‪CC‬ا يك انس‪CC‬ان اس‪CC‬ت‪ .‬البت‪CC‬ه اليزا هنوز نتوانس‪CC‬ته اس‪CC‬ت آزمون‬
‫تورينگ را با موفقيت پشت سر بگذارد‪.‬‬

‫‪9‬‬
 ‫چالش‌هاي بنيادين هوش‌مصنوعي‌ ‪ -‬ادامه‬
‫يك‪CC‬ي از مشهورترين انتقادات در اين زمين‪CC‬ه را فيلس‪CC‬وفي ب‪CC‬ه نام جان سيرل‬ ‫‪‬‬
‫(‪ )John Searle‬مطرح كرده است‪.‬‬
‫س‪C‬يرل ابتدا نق‪C‬د خود درباره هوش ماشين‪C‬ي را در ‪ 1980‬مطرح كرد و س‪C‬پس آ‪C‬ن‬ ‫‪‬‬
‫در مقاله كامل‌تري كه در ‪ 1990‬منتشر كرد‪ ،‬بسط داد‪.‬‬
‫او معتقد است بحث هوشمندي ماشين‌هاي غيربيولوژيك اساسا ً بي‌ربط است‪.‬‬ ‫‪‬‬

‫جان سیرل «بحث اتاق چيني» را برای اثبات ادعای خود بیان می کند‪.‬‬ ‫‪‬‬

‫انتقادات ديگري نيز به آزمون تورينگ وارد مي‌شود‪ .‬ازجمله اين‌كه‪:‬‬ ‫‪‬‬

‫ممك‪C‬ن اس‪C‬ت يك ماشين هوشمن‪C‬د باش‪C‬د‪ ،‬ول‪C‬ي نتوان‪C‬د همچون انس‪C‬ان ارتباط برقرار‬ ‫‪‬‬
‫كند‪.‬‬
‫دان‪C‬ش پيش‌زمين‪C‬ه يا آرشيو ذهن‪C‬ي يك موجود هوشمن‪C‬د نق‪C‬ش مؤثري در هوشمندي او‬ ‫‪‬‬
‫بازي مي‌كند‪.‬‬

‫‪10‬‬
 ‫شاخه‌هاي‬
‫علم هوش مصنوعي‌‬

‫‪11‬‬
 ‫شاخه‌هاي علم هوش مصنوعي‌‬
‫‪ ‬امروزه دانش مدرن هوش مصنوعي به دو دسته اصلي تقسيم مي‌شود‪:‬‬
‫«هوش مصنوعي سمبوليك يا نمادين» (‪)Symbolic AI‬‬ ‫‪‬‬

‫هوش «غيرسمبوليك» یا «پيوندگرا» (‪)Connection AI‬‬ ‫‪‬‬

‫‪ ‬هوش س‪CC‬مبوليك مي‌كوش‪CC‬د س‪CC‬يستم و قواع‪CC‬د آ‪CC‬ن را در قال‪CC‬ب س‪CC‬مبول‌ها بيان كن‪CC‬د و ب‪CC‬ا نگاش‪CC‬ت‬
‫اطال‌عات ب‪C‬ه س‪C‬مبول‌ها و قوانين ب‪C‬ه ح‪C‬ل مس‪C‬ئله بپردازد‪ .‬در ميان معروف‌ترين شاخه‌هاي هوش‬
‫مص‪CCCCC‬نوعي س‪CCCCC‬مبوليك مي‌توان ب‪CCCCC‬ه س‪CCCCC‬يستم‌هاي خ‪CCCCC‬بره (‪ )Expert Systems‬و‬
‫شبكه‌هاي‪ Bayesian‬اشاره كرد‪.‬‬

‫‪ ‬در هوش مص‪C‬نوعي پيوندگرا‪ ،‬قواع‪C‬د از ابتدا در اختيار س‪C‬يستم قرار نمي‌گيرد‪ ،‬بلك‪C‬ه س‪C‬يستم از‬
‫طريق تجرب‪C‬ه‪ ،‬خودش قوانين را اس‪C‬تخراج مي‌كند‪ .‬متدهاي ايجاد شبكه‌هاي عصبي (‪Neural‬‬
‫‪ )Networks‬و نيز به‌كارگيري منط‪C‬ق فازي (‪ )Fuzzy Logic‬و الگوريت‪C‬م ژنيت‪C‬ك ك‪C‬ه ب‪C‬ا‬
‫استفاده از ايده تكامل دارويني و انتخاب طبيعي پيشنهاد شده‪ ،‬در اين دسته قرار مي‌گيرند‪.‬‬

‫‪12‬‬
 ‫شاخه‌هاي علم هوش مصنوعي‌ ‪ -‬ادامه‬

‫البت‪CC‬ه هنگام‪CC‬ي ك‪CC‬ه از گرايش‌هاي ای‪CC‬ن عل‪CC‬م س‪CC‬خن مي‌گوييم‪،‬‬ ‫‪‬‬

‫هرگ‪C‬ز نبايد از گرايش‌هاي تركيبي غفل‪C‬ت كنيم‪ .‬گرايش‌هايي‬
‫ك‪C‬ه خود را ب‪C‬ه حرك‪C‬ت در چارچوب شناخت‪C‬ي يا بيولوژيك يا‬
‫منطق‪CC‬ي محدود نكرده و ب‪CC‬ه تركيبي از آنه‪CC‬ا مي‌انديشند‪ .‬شايد‬
‫بتوان پيش‌بيني كرد ك‪CC‬ه چنين گرايش‌هايي فرا س‪CC‬اختارهاي‬
‫(‪ )Meta Structure‬روان‪CC‬ي را براس‪CC‬اس عناص‪CC‬ر س‪CC‬اده‬
‫بيولوژيك بنا خواهند كرد‪.‬‬

‫‪13‬‬
‫معرفی برخی از کاربردهای‬
‫هوش مصنوعی‬
‫سيستم های خبره‬
‫منطق فازي‬
‫شبكه‌هاي عصبي‬
‫الگوریتم ژنتیک‬
‫بينايي ماشين‌‬
‫پردازش زبان‌های طبیعی‬

‫‪14‬‬
 ‫سيستم های خبره (‪)Expert Systems‬‬
‫‪ ‬سيستم‌هاي خبره‪ ،‬برنامه‌هاي كامپيوتري‌اي هستند كه نحوه تفكر يك متخصص در‬
‫يك زمينه خاص را شبيه‌سازي مي‌كنند‪.‬‬
‫‪ ‬اين نرم‌افزارها‪ ،‬الگوهاي منطقي‌اي را كه يك متخصص بر اساس آن‌ها‬
‫تصميم‌گيري مي‌كند‪ ،‬شناسايي مي‌نمايند و سپس بر اساس آن الگوها‪ ،‬مانند‬
‫انسان‌ها تصميم‌گيري مي‌كنند‪.‬‬
‫‪ ‬به محدوده اطالعاتي از الگوهاي خبرگي انسان كه به يك سيستم خبره منتقل‬
‫مي‌شود‪ task domain ،‬گفته مي‌شود‪.‬‬
‫‪ ‬اين محدوده‪ ،‬سطح خبرگي يك‪  ‬سيستم خبره را مشخص مي‌كند و نشان مي‌دهد‌كه‬
‫آن سيستم خبره براي چه كارهايي طراحي شده است‪.‬‬
‫‪ ‬سيستم خبره با اين ‪ task‬ها يا وظايف مي‌تواند كارهايي چون برنامه‌ريزي‪،‬‬
‫زمانبندي‪ ،‬و طراحي را در يك حيطه تعريف شده انجام دهد‪.‬‬

‫‪15‬‬
 ‫سيستم های خبره (‪ - )Expert Systems‬ادامه‬

‫‪ ‬به روند ساخت يك سيستم خبره‪ knowledge engineering ،‬يا مهندسي‬

‫دانش گفته مي‌شود‪.‬‬
‫‪ ‬يك مهندس دانش بايد اطمينان حاصل كند كه سيستم خبره طراحي شده‪ ،‬تمام دانش‬
‫مورد نياز براي حل يك مسئله را دارد‪.‬‬
‫‪ ‬هر سيستم خبره از دو بخش مجزا ساخته شده است‪ :‬پايگاه دانش و موتور‬
‫تصميم‌گيري‪.‬‬
‫‪ ‬پايگاه دانش يك سيستم خبره از هر دو نوع دانش مبتني بر حقايق‌(‪ )factual‬و‬
‫نيز دانش غيرقطعي (‪  )heuristic‬استفاده مي‌كند‪.‬‬
‫‪ ‬موتور تصميم‌گيري سيستم خبره را قادر مي‌كند با استفاده از قوانين پايگاه دانش‪،‬‬
‫پروسه تصميم‌گيري را انجام دهد‪.‬‬

‫‪16‬‬
‫ی خبره‬
‫ی سیستم‌ها ‌‬
‫مزایا ‌‬
‫افزایش قابلیت‌ دسترس‬ ‫‪‬‬

‫کاهش‌هزینه‬ ‫‪‬‬

‫کاهش‌ خطر‬ ‫‪‬‬

‫دائمی‌ بودن‬ ‫‪‬‬

‫تجربیات‌ چندگانه‬ ‫‪‬‬

‫ت اطمینان‬
‫افزایش‌ قابلی ‌‬ ‫‪‬‬

‫ن (‪)Explanation‬‬
‫قدرت‌ تبیی ‌‬ ‫‪‬‬

‫پاسخ‌دهی‌سریع‌‬ ‫‪‬‬

‫پاسخ‌دهی‌ در همه‌ حاالت‬ ‫‪‬‬

‫پایگا‌ه تجربه‬ ‫‪‬‬

‫سهولت‌ انتقال‌ دانش‬ ‫‪‬‬

‫‪17‬‬
 ‫چند سیستم خبره مشهور‬

‫‪ :Dendarl ‬با ب‪CCC‬ررسيآرا‪C‬يشو ا‪C‬طالعاتمربوط ب‪CCC‬ه‪ C‬يك ماده‪ ،C‬س‪CC‬اختار مولكوليآ‪C‬ن‬

‫را ش‪CC‬بيه‪‌C‬س‪CC‬ازيمیك‪C‬ند‪.‬‬

‫دست‪C‬مده‪ C‬از ش‪CC‬را‪C‬يط‬

‫آ‬ ‫عفونتايخ‪C‬ونيب‪CCC‬ا ب‪CCC‬ررسيا‪C‬طالعاتب‪CCC‬ه‪C‬‬
‫‪ : MYCIN ‬ت‪CCC‬شخيص ‌ه‬
‫آزمايشهاياو‪.‬‬
‫‌‬ ‫جسميب‪CCC‬يمار و ن‪CC‬يز ن‪CC‬تيجه‪C‬‬

‫ريوي‬
‫ب‪CCC‬يماريهاي ‪.‬‬
‫‌‬ ‫آزمايشهايت‪CCC‬نفسيو ت‪CCC‬شخيص‬
‫‌‬ ‫‪: Centaur ‬ب‪CCC‬ررسي‬

‫‪18‬‬
 ‫منطق فازي(‪)Fuzzy Logic‬‬
‫تئوري مجموعه‌هاي فازي و منط‪CCCCC‬ق فازي را اولين بار پرفس‪CCCCC‬ور‬ ‫‪‬‬
‫لطفي‌زاده در سال ‪ 1965‬معرفي نمود‪.‬‬
‫منط‪C‬ق فازي ب‪C‬ه س‪C‬يستم‌هايي اشاره دارد ك‪C‬ه ب‪C‬ه جاي مقادير “درس‪C‬ت” و‬ ‫‪‬‬
‫“نادرس‪C‬ت” ك‪C‬ه در محيط‌هاي ديجيتال طبيعي‌ترن‪C‬د‪ ،‬مي‌توانن‪C‬د ب‪C‬ا س‪C‬طوح‬
‫متغير قطعيت كار كنند‪.‬‬
‫تئوري مجموعه‌هاي فازي مفهوم عضوی‪CC‬ت باینری عناص‪CC‬ر را بس‪CC‬ط‬ ‫‪‬‬
‫مي‌دهد و عضويت درجه‌بندي شده را مطرح مي‌كند‪.‬‬

‫‪19‬‬
 ‫منطق فازي(‪ - )Fuzzy Logic‬ادامه‬
‫جالب‌ترين كاربرد منط‪C‬ق فازي‪ ،‬تفس‪C‬يري اس‪C‬ت ك‪C‬ه اين عل‪C‬م از س‪C‬اختار‬ ‫‪‬‬
‫تص‪C‬ميم‌گيري‌هاي موجودات هوشمن‪C‬د‪ ،‬و در راس آن‌ه‪C‬ا‪ ،‬هوش انس‪C‬اني‪،‬‬
‫به دست مي‌دهد‪.‬‬
‫شايد يك‪C‬ي از جالب‌ترين كاربردهاي منط‪C‬ق فازي هوش مص‪C‬نوعي در‬ ‫‪‬‬
‫بازي‌هاي رايانه‌اي و جلوه‌هاي ويژه سينمايي باشد‪.‬‬
‫منط‪CCC‬ق فازي در هوشمن‪CCCC‬د س‪CCCC‬اختن روبات‌هاي س‪CCCC‬خت‌افزاري نيز‬ ‫‪‬‬
‫كاربردهاي زيادي دارد‪.‬‬

‫‪20‬‬
 ‫شبكه‌هاي عصبي (‪Neural‬‬
‫‪)Networks‬‬
‫شبكه‌هاي عص‪C‬بي را مي‌توان ب‪C‬ا اغماض زياد‪ ،‬مدل‌هاي الكترونيك‪C‬ي از س‪C‬اختار‬
‫عصبي مغز انسان ناميد‪.‬‬
‫مكانيسم فراگيري و آموزش مغز اساسا ً بر تجربه استوار است‪.‬‬ ‫‪‬‬

‫مدل‌هاي الكترونيك‪C‬ي شبكه‌هاي عص‪C‬بي ط‪C‬بيعي نيز بر اس‪C‬اس همين الگ‪C‬و بن‪C‬ا‬ ‫‪‬‬
‫شده‌ان‪C‬د و روش برخورد چنين مدل‌هايي ب‪C‬ا مس‪C‬ائل‪ ،‬ب‪C‬ا روش‌هاي محاس‪C‬باتي ك‪C‬ه‬
‫به‌طور معمول توس‪CC‬ط س‪CC‬يستم‌هاي كامپيوتري در پيش گرفت‪CC‬ه شده‌ان‪CC‬د‪ ،‬تفاوت‬
‫دارد‪.‬‬
‫شبكه‌هاي عص‪C‬بي شبيه‌س‪C‬ازي شده يا كامپيوتري‪ ،‬فق‪C‬ط قادرن‪C‬د ت‪C‬ا بخ‪C‬ش كوچك‪C‬ي‬ ‫‪‬‬
‫از خص‪C‬وصيات و ويژگي‌هاي شبكه‌هاي عص‪C‬بي بيولوژيك را شبيه‌س‪C‬ازي كنند‪.‬‬
‫در حقيق‪CCC‬ت‪ ،‬هدف از ايجاد يك شبك‪CCC‬ه عص‪CCC‬بي نرم‌افزاري‪ ،‬بيش از آنك‪CCC‬ه‬ ‫‪‬‬
‫شبيه‌س‪C‬ازي مغ‪C‬ز انس‪C‬ان باش‪C‬د‪ ،‬ايجاد مكانيس‪C‬م ديگري براي ح‪C‬ل مس‪C‬ائل مهندس‪C‬ي‬
‫با الهام از الگوي رفتاري شبكه‌هاي بيولوژيك است‪.‬‬

‫‪21‬‬
 ‫شبكه‌هاي عصبي (‪ - )Neural Networks‬ادامه‬

‫واق‪C‬ع هن‪C‬ر يك طراح شبك‪C‬ه‌هاي عص‪C‬بي مي‌توان‪C‬د در چگونگ‪C‬ي‬ ‫‪‬‬

‫تركيب نرون‌ه‪CC‬ا در يك شبك‪CC‬ه (‪،)neuran Clustering‬‬
‫متجلي شود‪.‬‬
‫در شبكه‌هاي عص‪CC‬بي بيولوژيك‪ ،‬نرون‌ه‪CC‬ا در س‪CC‬اختار‌ي س‪CC‬ه‬ ‫‪‬‬
‫بعدي به يك‪C‬ديگر اتصال يافته‌اند‪.‬‬
‫نه‪C‬ا در شبكه‌هاي عص‪C‬بي بيولوژيك آنقدر‬ ‫اتص‪C‬االت بين نرو ‌‬ ‫‪‬‬
‫زياد و پيچيده‌اس‪C‬ت‪ C‬ك‪C‬ه ب‪C‬ه هيچ وج‪C‬ه نمي‌توان شبك‪C‬ه م‪C‬ص‪C‬نوعي‬
‫م‪C‬شابهي طراحي ك‪C‬رد‪.‬‬
‫تكنولوژ‪C‬ي مدارات مجتم‪C‬ع امروزي ب‪C‬ه م‪C‬ا امكان مي‌ده‪C‬د ك‪C‬ه‬ ‫‪‬‬
‫شبكه‌هاي عصبي را در ساختار‌هاي دو بع‪C‬دي طراحي ك‪C‬نيم‪.‬‬
‫‪22‬‬
 ‫الگوریتم ژنتیک‬
‫الگوريتم‌هاي ژنتيك از اص‪C‬ول انتخاب ط‪C‬بيعي داروين براي يافت‪C‬ن فرمول بهين‪C‬ه‬ ‫‪‬‬
‫جهت پيش‌بينی يا تطبيق الگو استفاده مي‌كنند‪.‬‬
‫در حقيق‪C‬ت بدين روش م‪C‬ي توانيم در فضاي حال‪C‬ت مس‪C‬ئله حركت‪C‬ي س‪C‬ريع‌تر براي‬ ‫‪‬‬
‫يافت‪C‬ن جواب‌هاي احتمال‪C‬ي داشت‪C‬ه باشيم؛ يعن‪C‬ي م‪C‬ي توانيم ب‪C‬ا عدم بس‪C‬ط دادن كليه‬
‫حاالت‪ ،‬به جواب‌هاي مورد نظر برسيم‪.‬‬
‫الگوريتم‌هاي ژنتيك الگوريتم‌هايي هس‪C‬تند ك‪C‬ه داراي قدرت بس‪C‬يار زيادي در يافت‪C‬ن‬ ‫‪‬‬
‫جواب مس‪CC‬ئله هس‪CC‬تند‪ ،‬ام‪CC‬ا بايد توج‪CC‬ه داش‪CC‬ت ك‪CC‬ه شايد بتوان كاربرد اص‪CC‬لي اين‬
‫الگوريت‪C‬م ه‪C‬ا را در مس‪C‬ائلي در نظ‪C‬ر گرف‪C‬ت ك‪C‬ه داراي فضاي حال‪C‬ت بس‪C‬يار بزرگ‬
‫هس‪CC‬تند و عمالً بررس‪CC‬ي هم‪CC‬ه حالت‌ه‪CC‬ا براي انس‪CC‬ان در زمان‌هاي نرمال (در ح‪CC‬د‬
‫عمر بشر) ممكن نيست‪.‬‬
‫از طرف‪CC‬ي بايد توج‪CC‬ه داش‪CC‬ت ك‪CC‬ه حتما ً بين حاالت مختل‪CC‬ف مس‪CC‬ئله بايد داراي‬ ‫‪‬‬
‫پيوستگي مناسب و منطقي باشيم‪.‬‬

‫‪23‬‬
 ‫بينايي ماشين‌ (‪) Machine Vision‬‬

‫از ميان هم‪C‬ه شاخه‌هاي هوش مص‪C‬نوعي‪ ،‬شايد كاربردي‌ترين‬ ‫‪‬‬

‫آن‌ها كامپيوتري و مكانيزه كردن سيستم‌هاي بينايي باشد‪.‬‬
‫دامن‪C‬ه كاربرد اين شاخ‪C‬ه از فناوري در حال رش‪C‬د‪ ،‬بس‪C‬يار وس‪C‬يع‬ ‫‪‬‬
‫اس‪CC‬ت و از كاربردهاي عادي و معمول‪CC‬ي مث‪CC‬ل كنترل كيفيت‬
‫خ‪C‬ط توليد و نظارت ويدئويي گرفت‪C‬ه ت‪C‬ا تكنولوژي‌هاي جديد‬
‫مثل اتومبيل‌هاي بدون راننده را دربرگرفته است‪.‬‬
‫دامن‪CC‬ه كاربردهاي اين تكنولوژ‪CC‬ي براس‪CC‬اس تكنيك‌هاي مورد‬ ‫‪‬‬
‫استفاده در آن‌ها تغيير مي‌كند‪.‬‬

‫‪24‬‬
‫بينايي ماشين‌ (‪-) Machine Vision‬‬
‫کاربر‪C‬دها‬
‫کنترل کیفیت خط تولید‬ ‫‪‬‬

‫سيستم هاي تشخيص ايراد‬ ‫‪‬‬

‫تشخيص الگو‬ ‫‪‬‬

‫ربات ها‬ ‫‪‬‬

‫سه بعدي سازي‬ ‫‪‬‬

‫تشخيص متن نوشته شده‬ ‫‪‬‬

‫‪25‬‬
 ‫پردازش زبان‌های طبیعی (‪)NLP‬‬

‫پردازش زبان‌های طبیع‪CCC‬ی عبارت اس‪CCC‬ت از اس‪CCC‬تفاده از رایان‪CCC‬ه برای‬ ‫‪‬‬

‫پردازش زبان گفتاری و نوشتاری‪.‬‬
‫ی بعنوان‌ زیرمجموعه‌ای‌ از هوش‌ مص‪CCCCCC‬نوعی‌‪،‬‬ ‫پردازش‌ زبان‌های‌ طبیع ‌‬ ‫‪‬‬
‫می‌توان‪C‬د توص‪C‬یه‌ها و بیانات‌ را ب‪C‬ا اس‪C‬تفاده‌ از زبانی‌ که‌ شم‪C‬ا به‌ طور طبیعی‌‬
‫ت روزمره‌ بکار می‌برید‪ ،‬بفهمد و مورد پردازش‌ قرار دهد‪.‬‬ ‫در مکالما ‌‬
‫ت که‌ زبانهای‌‬
‫به‌ طورکلی‌ نحوه‌ کار این‌ شاخه‌ از هوش‌ مص‪C‬نوعی‌ این‌ اس‪‌ C‬‬ ‫‪‬‬
‫طبیعی‌انسان‌ را تقلید می‌کند‪.‬‬
‫در پردازش‌ زبانهای‌ طبیعی‌‪ ،‬انس‪C‬ان‌ و کامپیوت‪C‬ر ارتباطی‌ کامال نزدیک‌ ب‪C‬ا‬ ‫‪‬‬
‫یکدیگر دا‪C‬رند‪.‬‬
‫تالش‌ عمده در ا‪C‬ی‪C‬ن زمین‪C‬ه ماشین‪C‬ی کردن فراین‪C‬د درک و برداش‪C‬ت مفاهی‪C‬م‬ ‫‪‬‬
‫بیان گردیده با یک زبان طبیعی انسانی‌ست‪.‬‬

‫‪26‬‬
‫پردازش زبان‌های طبیعی (‪ -)NLP‬ادامه‬

‫هنوز سیستم کارآمدی برای پردازش زبان‌های طبیعی به‬ ‫‪‬‬

‫وجود نیامده‌است‪.‬‬

‫موانع اساسی در این زمینه عبارتند از‪:‬‬ ‫‪‬‬

‫نیاز به درک‪ C‬معانی‬ ‫‪‬‬

‫دقیق نبودن دستور زبان‌ها‬ ‫‪‬‬

‫‪27‬‬
‫پردازش زبان‌های طبیعی (‪ -)NLP‬ادامه‬

‫‪ ‬کارکردهای مهم در این زمینه عبارتند از‪:‬‬

‫‪ ‬خالصه سازی خودکار‬
‫‪ ‬استخراج اطالعات‬
‫‪ ‬بازیابی اطالعات‬
‫‪ ‬ترجمه ماشینی‬
‫‪ ‬تشخیص نوری نویسه ها‬
‫‪ ‬تشخیص گفتار‬
‫‪ ‬ویرایش‬
‫‪28‬‬
‫تکنیک‌ها و زبان‌های برنامه نویسی‬
‫هوش مصنوعی‬

‫‪LISP‬‬

‫‪PROLOG‬‬

‫‪29‬‬
 ‫تکنیک‌ها و زبان‌های برنامه نویسی هوش‬
‫مصنوعی‬

‫زبانهای برنام‪CC‬ه نویس‪CC‬ی ‪ LISP,PROLOG‬از مهمتری‪CC‬ن زبانهای مورد‬ ‫‪‬‬

‫استفاده در هوش مصنوعی هستند ‪.‬‬
‫خص‪C‬وصیات نحوی و معنای‪C‬ی ای‪C‬ن زبان ه‪C‬ا باع‪C‬ث شده ک‪C‬ه شیوه‌ه‪C‬ا و راه‬ ‫‪‬‬
‫حل‌های قوی برای حل مسئله ارایه کنند‪.‬‬
‫‪C‬س‪C‬ت در ا‪C‬ی‪C‬نزبانی‪CCC‬کمفس‪C‬ر‬
‫‪ PROLOG‬ی‪CCC‬کزبانب‪CCC‬رنام‪C‬ه‪ C‬ن‪CC‬ویس‪C‬یمنطق‪C‬یا ‪.‬‬ ‫‪‬‬
‫می‪CC‬ویس‪C‬د‪ .‬ا‪C‬یده‪ C‬ا‪C‬س‪C‬تفاده‪ C‬ت‪CCC‬وص‪C‬یفیمحاس‪C‬به‪C‬‬
‫ب‪CCC‬رنام‪C‬ه‪ C‬را ب‪CCC‬ر ا‪C‬س‪C‬اسی‪CC‬کمنط‪C‬ق ‌ن‬
‫اولی‪CC‬ه‪ C‬ب‪CCC‬را‪C‬یب‪CCC‬یانخص‪CC‬وصیاتح‪CC‬لمس‪CC‬ئله‪ C‬ی‪CC‬ک‪CC‬یاز محوریته‪C‬ایمشارک‪CCC‬ت‬
‫‪ PROLOG‬میب‪CCC‬اشد‪.‬‬
‫ل‪CC‬یس‪C‬تایال‪C‬زم‪C‬ه‪C‬‬
‫‌ه‬ ‫ً‬
‫‪C‬ص‪C‬وال ی‪CCC‬کزبانک‪CCC‬ام‪C‬لا‪C‬س‪C‬تک‪CCCC‬ه‪ C‬دارا‪C‬یعملکرده‪C‬ا و‬‫‪ LISP‬ا‬ ‫‪‬‬
‫ب‪CCC‬را‪C‬یت‪CCC‬وص‪CCC‬یفعملکردهایج‪C‬دی‪CCC‬د‪ ،‬ت‪CCC‬شخی‪CCC‬صت‪CCC‬ناس‪CCC‬بو ارزیاب‪CCC‬یمع‪C‬ان‪CCC‬ی‬
‫‌ب‪CCC‬اشد‪.‬‬
‫می‬
‫‪30‬‬
 ‫ویژگی های فلسفی هوش مصنوعي‬
‫‪ ‬بازنمايي نمادين‪ :‬هوش مص‪C‬نوعي از نمادهاي عددي در ح‪C‬ل مس‪C‬ائل اس‪C‬تفاده م‪C‬ي‬
‫کند‪ .‬هوش مصنوعي بر پايه دستگاه دوگاني‪ ،‬صفر و يک مسائل را حل مي کند‪.‬‬
‫‪ ‬روش اکتشاف‪22‬ي‪ :‬مس‪CC‬ائلی ک‪CC‬ه هوش مص‪CC‬نوعی ح‪CC‬ل م‪CC‬ی کن‪CC‬د‪ ،‬معموال راه ح‪CC‬ل‬
‫الگوريتمي ندارند‪.‬‬
‫‪ ‬بازنمايي معرف‪2‬ت‪ :‬برنام‪C‬ه هاي هوش مص‪C‬نوعی از تطاب‪C‬ق عمليات اس‪C‬تداللي نمادين‬
‫رايانه با عالم خارج حکايت مي کنند‪.‬‬
‫‪ ‬اطالعات ناق‪2‬ص‪ :‬هوش مص‪C‬نوعي م‪C‬ي توان‪C‬د در حالت‪C‬ي ک‪C‬ه هم‪C‬ه اطالعات مورد نياز‬
‫در دسترس نيستند ‪ ،‬به حل مساله دست بيابد‪.‬‬
‫‪ ‬اطالعات متناق‪2‬ض‪ :‬هوش مص‪C‬نوعي م‪C‬ي توان‪C‬د درص‪C‬ورتي ک‪C‬ه ب‪C‬ا اطالعات متناق‪C‬ض‬
‫روب‪C‬ه رو شود ح‪C‬ل مناس‪C‬بي براي مس‪C‬اله پيدا کند‪ .‬هوش مص‪C‬نوعي در چنين موردي‬
‫بهترين راه را براي حل مساله و رفع تناقض انتخاب کند‪.‬‬

‫‪31‬‬
 ‫‪:‬نتیجه گیری‬

‫‪ ‬هوش مص‪C‬نوعی کاربردهای متنوعی دارد‪ .‬تعدادی از‬

‫مهمتری‪C‬ن کاربردهای هوش مص‪C‬نوعی شام‪C‬ل استفاده‬
‫در وسایل نقلیه خودگردان (مثل پهپادها و اتومبیل‌های‬
‫خودران)‪ ،‬تشخیص‪‌C‬های پزشک‪C‬ی‪ ،‬خلق آثار هنری‪،‬‬
‫اثبات قضیه‌های ریاضی‪ ،‬انجام بازی‌های فکری‪،‬‬
‫تعیی‪C‬ن هوی‪C‬ت تص‪C‬اویر(تشخی‪C‬ص چهره) و صداها‪،‬‬
‫ذخیره انرژ‪CC‬ی‪ ،‬جس‪CC‬تجوگرهای اینترنت‪CC‬ی‪ ،‬تهیه‬
‫قراردادها و پیش‌بینی آرای قضایی می‌شوند‪.‬‬

‫‪32‬‬
33