انسان در فرآيند تكامل

براي يك موجود هوشمند در هوش مصنوعي سه بخش زير را مي توان در نظر گرفت. اين بخشها را با فرآيند تكاملي انسان مقايسه مي كنم.

1. Learning (دوران اسطوره). عامل هوشمند در آغاز هيچ دريافتي از چگونگي محيط پيرامون خود ندارد. او از راه كنشگري با محيط به آموختن مي پردازد. در آغاز عامل هوشمند هنوز نتوانسته است خود را از محيط متمايز بداند و در مرحله ناخودآگاه زيست مي كند. انسان به عنوان شناسا با شناخته رابطه عاطفي- حسي دارد و نمي تواند شناخته را از خويش جدا بداند و انتزاعي بر آن بينديشد. جهان بصورت كثرت و روايي ديده مي شود تا اينكه عامل با طبقه بندي -clustering and classification - و يادگيري تقويتي مي تواند خود را از وهم و نگاه كثرت آلود رهايي بخشد. دوره يادگيري انساني دوران اسطوره است. در اين دوره انسان هنوز به خودآگاهي انديشيدن نپرداخته و درحال كنشگري با طبيعت قرار دارد.
2. Thinking (دوران فلسفه). پس از آنكه عامل هوشمند محيط را شناخت؛ نياز به طراحي توانايي ديگر در آن ضرورت مي يابد تا بتواند نتايج آموخته هاي خود را استخراج كند. به اين توانايي Automatic Reasoning مي گويند. انسان نيز پس از آنكه به خودآگاهي رسيد وارد دوران فلسفي و انديشيدن انتزاعي شد. انسان به اين پندايش رسيد كه بتواند از جز به كل و از كل به جز حركت كند و برهان استقرا و استنتاج ارسطويي نمايان شد. دوره انديشيدن انسان درباره هستي را مي توان دوران فلسفه خواند كه بشر پس از دوره يادگيري (اسطوره) به آن پرداخت.
3. Planning (دوران علم). عامل هوشمند بايد بتواند اهداف خود را در محيط با انجام برنامه ريزي برآورده كند. اين دوره را در انسان مي توان دوران علم دانست. تفاوتي كه علم با فلسفه دارد در آن است كه علم به نحوي به برنامه ريزي براي پيروزي بر نيروهاي طبيعت مي پردازد.
   

نيمسال آينده در درس هوش مصنوعي (برنامه درسي را نا آن زمان اعلام خواهم كرد) به سه موضوع بالا خواهم پرداخت. اما قبل از آن؛ اميدوارم كه يك سخنراني در آبان ماه در مورد ناخودآگاه و هوش مصنوعي در دانشكده انجام بدهم. در سخنراني ام به اين خواهم پرداخت كه مفهوم ناخودآگاه در هوش مصنوعي چه خواهد بود. در اين زمينه به آراي يونگ؛ كاسيرر، فرويد و اريك فروم تا جايي كه سواد داشته باشم مي پردازم و به كمك برنامه سازي Goal منظور خود را شرح مي دهم.

اصل فروكاستن پيچيدگي

بشر انديشمند كودك، وقتي با يك سيستم پيچيده رودرو مي شد، به اين پرسش كه چگونه اين سيستم پيچيده خوب كار مي كند اينگونه پاسخ مي داد كه كنترل گر و سازنده اي هوشمند سيستم را ساخته و كنترل مي كند. اما اين پاسخ، پيچيدگي را فرو نمي كاهد، زيرا اين پرسش را اينگونه مي توان تكرار كرد كه آن كنترل گر هوشمند خود چگونه كار مي كند؟ و كنترل گر هوشمندي كه بتوانند چنين سيستم پيچيده اي را كنترل كند خود به مراتب بايد پيچيده تر از سيستم اوليه باشد. به اين ترتيب، با اين پاسخ ما پيچيدگي را فرو نمي كاهيم و در يك دور باطل گرفتار مي شويم.

پاسخ نو به اين كه يك سيستم پيچيده چگونه كار مي كند، نظريه سيستم ها چندعاملي است (براي نمونه پرندگان به عنوان يك اجتماع را ببينيد) يك سيستم پيچيده از عاملهايي خودمختار تشكيل مي شود كه با هم تراكنش (رقابت، همكاري و ...) مي كنند، تكامل مي يابند و عاملهايي كه نتوانند در اين تراكنش موفق باشند به نسل بعدي منتقل نمي شوند، و اين دليل خوب كار كردن سيستم هست. اين پاسخ نو، بر خلاف پاسخ بشر كودك، پيچيدگي سيستم را به عاملهاي تراكنش كننده ساده تر فرو مي كاهد.

متاسفانه علاقه بسياري به پاسخ اول در همه زمينه ها در جامعه ما وجود دارد. براي نمونه در پاسخ به اين پرسش كه سيستم اقتصادي يك كشور چگونه خوب كار مي كند؟ پنداشته مي شود كه بايد يك دولت متمركز كل اقتصاد را خيلي خوب كنترل كند. حاصل پاسخ اين مي شود كه جامعه با يك دولت بسيار بزرگ، دست وپا گير و پيچيده روبرو مي گردد كه خودش خوب كار نمي كند!

اصل فروكاستن پيچيدگي مي گويد اگر راه حل شما براي كنترل سيستم، پيچيدگي را فرو نمي كاهد از آن صرفنظر كنيد، زيرا در غير اينصورت، پيچيدگي در جايي ديگر شما را گرفتار خواهد كرد. پاسخ تك راهبري پيچيدگي را فرونمي كاهد در حالي كه پاسخ چندعاملي اين كار را مي كند.

5 درس منطق براي گرايش علوم كامپيوتر (كارشناسي ارشد)

مراجعي براي درس 1:

Logic in Computer Science: Modeling and Reasoning about Systems

Mathemtical Logic for Computer Science

مراجعي براي درس 2:

Automated Model Building

مراجعي براي درس 3:

Principles of Model Checking

مراجعي براي درس 4:

Multi Agent Programming, Languages, Tools, and Application

Artificial Intelligence through Prolog

مراجعي براي درس 5:

همين وبلاگ و كتابهاي معرفي شده در آن، از جمله

Multi Agent Systems

Swarm Intelligence

شبیه ساز ي چند عاملي Agent Based Simulation

در زير لينك چند شبيه سازي جند عاملي را مشاهده مي كنيد.

• ANYLOGIC
  
• BREVE
• REPAST
  
• SWARM
• MASS
• NETLOGO
• MASON
• LSD
• FRAMESTICKS
  

شبيه سازهاي چندعاملي به منظور شبيه سازي سيستم هاي پيچيده اجتماعي و اقتصادي طراحي مي شوند تا بتوان به كمك آنها استراتژي مطلوب را براي مديريت سيستم هاي پيجيده بدست آورد. كتاب زير مرجع خوبي براي اين منظور است.

Managing Business Complexity
Discovering Strategic Solutions With Agent Based Modeling and Simulation

همچنين آدرس هاي زير مي تواند براي علاقه مندان مفيد باشد

http://www.artificial-economics.org/

http://jasss.soc.surrey.ac.uk/index_by_issue.html

وارسی گر مدل منطق شناختی

از لینک زیر می توانید گزارشی در مورد بکارگیری ابزار وارسی گر مدل منطق شناختی DEMO را بارگیری کنید. این گزارش را خانمها مرضیه آیتی و ثریا پناهی تهیه کردند.

راهنمای فارسی DEMO

شبیه ساز تکامل

با یک استخر از موجودات ساده که ناتوانی هایی در حرکت دارند آغاز می کنیم. این موجودات در استخر حرکت می کنند غذا می خورند وجفت گیری می کنند. امکان جهش ژنتیکی برای فرزندان آنها هست که می تواند فرزندی تواناتر یا ناتوان تر به دنیا آید. موجوداتی که ناتوانی بیشتری در حرکت دارند کمتر غذا می خورند وکمتر تولید مثل می کنند و کم کم حذف می شوند. کامپیوتر خود را برای یک روز به این شبیه ساز اختصاص دهید و نتیجه را ببینید که در اثر جهشهای تصادفی ژنتیکی و اصل بقای تواناتر, چه نسلی به وجود می آید.


دانلود نرم افزار

دانلود راهنمای فارسی


براي موضوعات مرتبط، واژه هاي كليدي زير را جستجو كنيد. ببينيد كه علوم كامپيوتر (شبيه سازي و درستيابي صوري) چه كمكي مي تواند به علوم ديگر بكند

evolutionary economics

evolutionary game theory