هرچند که در طی دهه‌های نخست تاریخ هوش مصنوعی تمرکز محققان بر هوش مصنوعی نمادین بود، اما در دهه‌های اخیر رویکرد دیگری با نام هوش مصنوعی پیوندگرا از محبوبیت بیشتری برخوردار شده است.
به گزارش خبرنگار گرداب، در اواسط دهه ۸۰ میلادی شکست خوردن هوش مصنوعی نمادین و یا کلاسیک کاملاً معلوم شده بود. از سویی در حوزه عملی و مهندسی پروژه‌های هوش مصنوعی نتوانسته بودند هیچ یک از وعده‌های داده‌شدۀ خود را محقق کنند و از سوی دیگر در حوزه نظری نیز در برابر نقد‌هایی که به این جریان وارد شد، قادر به دفاع از الگو‌های خود نبودند. در نتیجه در این زمان، بودجه بسیاری از پروژه‌های هوش مصنوعی قطع و یا بسیار محدود شد.
در دهه ۱۹۸۰ مصادف با ناکامی هوش مصنوعی نمادی، رویکرد‌ها و گرایش‌هایی که در طی دهه‌های اخیر چندان مورد توجه قرار نمی‌گرفت، دوباره مطرح شدند. از جمله مهم‌ترین این رویکرد‌ها بازگشت به مسئلۀ الگوبرداری از مغز انسانی و شبکۀ عصبی بود. ریشه‌های این رویکرد پژوهش‌های عصب‌شناسانۀ جدیدی بود که به خصوص توسط دونالد هب آغاز شده بود و از سوی برخی محققان هوش مصنوعی از جمله فرانک روزنبلات پیگیری می‌شد.
لازم به ذکر است روزنبلات اولین نمونه هوش مصنوعی پیوندگرا، یعنی نخستین شبکه عصبی مصنوعی را در ۱۹۵۷ طراحی کرده بود، اما مطرح شدن جدی این رویکرد نیاز به سه دهه زمان داشت؛ و در نهایت رویکرد پیوندگرا به مسئله هوش مصنوعی در اواسط دهه ۸۰ میلادی توانست از زیرسایۀ پارادیم مسلط، یعنی پارادیم نمادی (و هوش مصنوعی قوی) بیرون بیاید.
شبکه عصبی مصنوعی
شبکه‌های عصبی که همچنین با عنوان «شبکه‌های عصبی مصنوعی» (ANNs) و یا «شبکه‌های عصبی شبیه‌سازی‌شده» (SNNs) شناخته می‌شوند، جزئی از الگوریتم‌های «یادگیری ماشین» و «یادگیری عمیق» به شمار می‌روند.
ویدیو: شبکه عصبی به زبان ساده
دلیل وجود واژه «عصبی» در نام آن‌ها، این است که این الگوریتم‌ها از مغز انسان و رابطه‌اش با عصب‌های زیستی الهام گرفته‌اند. همانطور که هنگام رویارویی یک ارگانیسم با چیزی در جهان بیرون، یک رابطۀ یک در مقابل یک و یا صفر و یکی شکل نمی‌گیرد، بلکه مجموعه‌ای از عصب‌ها، اطلاعاتی را دریافت می‌کنند و به مغز منتقل می‌کنند و مغز اطلاعات را تحلیل کرده و ارزش‌گذاری می‌کند، رویکرد پیوندگرا و شبکه‌های عصبی نیز به‌طور کلی به دنبال این است که بتواند زمینه‌ای را که اطلاعات در آن مطرح می‌شوند، بفهمد و مانند رویکرد نمادی به دنبال این نیست که صرفاً همه‌چیز را به فرمول‌های صوری ریاضیاتی برگرداند.
تصویر: نمونه‌ای از شبکه عصبی مصنوعی با سه لایه ورودی، پنهان و خروجی
هوش مصنوعی پیوندگرا به دنبال مدل‌سازی از فرایند‌هایی است که باعث آگاهی می‌شود و در این راه از نحوه عملکرد مغز انسان و روابط درونی نورون‌ها با یکدیگر الگو می‌گیرد. در این مدل‌ها از چیزی با نام پرسپترون (perceptron) [به معنی ادراک‌کننده]استفاده می‌شود که به نوعی نقش یک نورون یا عصب را بازنمایی می‌کند.
پرسپترون یک الگوریتم تکرارشونده است که جز اصلی‌ترین و ابتدایی‌ترین پایه‌های شبکه‌های عصبی مصنوعی (ANN) محسوب می‌شود. شبکه‌های عصبی نورونی از مجموعه‌ای از لایه‌هایی از پرسپترون‌ها تشکیل می‌شود که سیگنال‌های ورودی را دریافت می‌کنند، سپس آن را ترکیب کرده و برای هرکدام وزن و اعتباری قائل می‌شود و برای لایۀ بعدی می‌فرستند.
تصویر: نحوه عملکرد یک پرسپترون در یک شبکه عصبی مصنوعی
نکته کلیدی در این فرایند این است که قواعد موجود بر دامنه فعالیت‌های سیستم، نه به شکل صوری و از قبل داده شده، بلکه از دل تمرین و تکرار حاصل می‌شود. به نوعی این شبکه قواعد و نحوه درست عملکرد خود را بر اثر تجربه به دست می‌آورد.
کاربر (عامل انسانی) تنها به تأمین داده‌ها برای این شبکه می‌پردازد و همچنین نمونه خروجی مناسب را نشان می‌دهد. الگوریتم‌های پیوندگرا بر روی ورودی‌های خود مدل‌های مختلف رگرسیون اعمال می‌کنند و برطبق متغیر‌های مختلف به ارزش‌گذاری برای ورودی‌ها می‌پردازند و آنقدر این فرایند را تکرار می‌کنند تا در نهایت بهترین الگو یافت شود.
ویدیو: پنج کاربرد شبکه عصبی مصنوعی
تصویر: الگویی دیگر از شبکه عصبی مصنوعی
تفاوت‌های کلیدی هوش مصنوعی پیوندگرا و نمادی
در حالی که در هوش مصنوعی «خوب تاریخ مصرف گذشته» مسئله اساساً «ساختن ذهن» بود، اما در پارادیم پیوندگرایی مسئله نه ساختن ذهنی دیگر، بلکه دقیق‌تر فهمیدن ذهن انسان و الگو گرفتن از آن است. این بدین معناست که در حالی که محققان هوش مصنوعی نمادی به دنبال ساخت موجودی با هوشمندی فراتر از انسان بودند، پیوندگرایان اساساً به دنبال بازسازی هوشمندی انسانی در رایانه‌ها هستند.
شناختن دقیق‌تر فرایند‌های پیچیده‌ای که در مغز انسان جریان دارد، از جمله امکاناتی است که با پیشرفت تکنولوژی و امکان عکس‌برداری‌های تخصصی تا اندازه‌ای محقق شده است.
مغز انسان خود از لایه‌های متفاوتی برخوردار است؛ هوش مصنوعی در حوزه شبکه‌های اعصاب یا نورون‌ها به دنبال این است که الگوریتمی بسازد که بتواند ارتباط اجزای مختلف لایه‌های مغز در هنگام انتقال اطلاعات شبیه‌سازی کند. به عبارت دیگر هدف این است که بتوانیم مدلی مصنوعی از مغز بسازیم که با کمک رایانه از آن مدل، برای تقلید تعاملات میان نورون‌ها استفاده کنیم.
میان پارادیم پیوندگرایی و پارادیم نمادی سه تفاوت بنیادین وجود دارد؛ فهم و برداشت این دو پارادیم از آگاهی (و یا تصور) از پردازش (و یا تفکر) اساساً با یکدیگر متفاوت است و به علاوه از الگوریتم‌های پایه متفاوتی استفاده می‌کنند.
منظور از آگاهی یا تصور موضوعی است که توسط رایانه و یا انسان مورد بررسی قرار می‌گیرد. از نگاه پارادیم نمادی، هر چیزی هنگامی که وارد سیستم می‌شود تا پردازش شود، صرفاً نماد و متغییری خنثی است که به خودی خود معنایی ندارد؛ بلکه معنای آن به شکل قراردادی حاصل شده است.
اما در پارادیم پیوندگرا، موضوع آگاهی صرف متغیری خنثی و بی‌محتوا نیست؛ بلکه به‌واسطۀ لایه‌های زیرین‌تری که هر ورودی در شبکه نورونی پیدا می‌کند، دارای محتوایی درونی‌شده است. به‌طور مثال برای یک سیستم نمادی میان «قلم»، «دفتر» و «شکلات» هیچ ارتباطی برقرار نیست و این سه هرکدام معنایی جداگانه دارند؛ اما سیستم پیوندگرا به مرور متوجه می‌شود که میان «خودکار» و «دفتر» ارتباطی درونی برقرار است و می‌تواند تصوری از زمینه‌ای که این چیز‌ها در آن قرار می‌گیرند به دست آورد.
برخلاف پارادیم نمادی، در اینجا مسئله تقابل یک در مقابل یکی چیز‌ها در مقابل نماد‌ها نیست، بلکه در پیوندگرایی شبکه است که معنا را می‌سازد. تک تک نورون‌ها و پرسپترون‌ها به خودی خود هیچ امری را نشان نمی‌دهد و نمایانگر چیزی نیستند. اما این پیوند‌های درونی این اجزا با یکدیگر به‌طور کلی است که چیزی را بازنمایی می‌کند. به زبان علمی، در حالی که در پارادیم نمادی اتمیسم برقرار است و هرچیزی به تنهایی نماد چیزی است و معنایی جداگانه دارد، اما پیوندگرایی وجهی کل‌گرایانه دارد.
همین مسئله نشان می‌دهد که چرا پردازش در هوش مصنوعی نمادی و پیوندگرایی با یکدیگر کاملاً متفاوت هستند. رایانه و سیستم‌های هوشمند در پارادیم نمادی صرفاً به حل معادلات می‌پردازد و روابط متغیر‌ها را با یکدیگر آشکار می‌کند.
اما معادله‌ای چه یک بار و چه یک میلیون بار به رایانه داده شود، همواره جواب یکسانی خواهد گرفت. اما در شیوه نگاه پیوندگرایی به این مسئله، پردازش براساس یافته‌های قبلی و متغیر‌های جدید همواره معنایی تازه‌تر به خود می‌گیرد و پردازش‌ها همیشه به جواب یکسانی ختم نمی‌شوند.
به عبارت دیگر در حالی که الگوریتم‌های نمادی توانایی کسب تجربه و بهبود عملکرد خود را ندارند، الگوریتم‌های پیوندگرایی به دنبال این هستند که این ویژگی تجربه انسانی را که به موجب آن تجربۀ هرچه بیشتر به مهارت بیشتر منتهی می‌شود در سیستم‌های مصنوعی پیاده کنند و از این‌رو مبتنی بر نوعی الگوریتم‌های آموزشی نتایج به دست آمده هر بار بهتر از نتایج پیشین خواهند بود.
نتیجه‌گیری
شهرت امروز هوش مصنوعی و موفقیت‌های روزافزون آن فی‌الواقع مربوط الگوریتم‌های حاوی شبکه‌های عصبی است. الگوریتم‌های یادگیری عمیق (Deep Learning) که روزبه‌روز بر کارآمدی و توانایی‌هایشان افزوده می‌شود، فی‌الواقع بهترین معادل برای هوش مصنوعی پیوندگرا و شبکه‌های عصبی هستند.
توانایی برجسته این الگوریتم‌ها این است که تجربه کسب می‌کنند و به مرور دقیق‌تر می‌شوند. هوش مصنوعی پیوندگرا در این میان با تغییر رویکرد کلی در حوزه هوش مصنوعی، به جای تلاش بر ساختن ابر سیستمی فراانسانی، نقطه تمرکز خود را بر روی فهمیدن نحوه هوشمندی انسان گذاشته‌اند و با الگو گرفتن از مغز انسان، به دنبال ساخت سیستمی هوشمند هستند؛ سیستمی که برخلاف الگو‌های هوش مصنوعی نمادی بسته، محدود و ذره‌گرایانه نیست. نگاه رویکرد پیوندگرایانه به هوشمندی در انسان و رایانه، کل‌گرایانه و پویا است و به دنبال ایجاد شبکه‌ای از روابط می‌باشد.
_______________________
منابع:
https://images.techopedia.com/images/uploads/sphere-art-modern-art.jpg
https://miro.medium.com/max/۳۰۰۰/۱*m۲gDBT_nc-iE۷R۴AM۳sHBQ.jpeg
https://www.youtube.com/watch?v=Za۲۱GOxVh۱۸
artificial neural networks
simulated neural networks
https://miro.medium.com/max/۸۵۰/۰*fKgFTs۶z۳clLzmhx.png
https://towardsdatascience.com/symbolic-vs-connectionist-a-i-۸cf۶b۶۵۶۹۲۷
https://miro.medium.com/max/۶۰۰/۰*r-d۱t۵izwgAmNcFz.png
https://cdn-images-۱.medium.com/max/۱۶۰۰/۱*ZB۶H۴HuF۵۸VcMOWbdpcRxQ.png
https://www.youtube.com/watch?v=i۹MfT_۷R_۴w
https://www.youtube.com/watch?v=bfmFfD۲RIcg
https://i۲.wp.com/bdtechtalks.com/wp-content/uploads/۲۰۱۹/۰۱/AI-artificial-intelligence-brain-deep-learning.jpg?resize=۱۰۲۴%۲C۷۲۴&ssl=۱
