تعریف کلی که می توان راجـــع به هوش مصنوعی کـــرد ایـــن است کــه به هوشی

 گفته می شود کــه بر خلاف تصـــور از هوشـــی که در انســــان ها و حیوانات داریم

توسط ماشیـــن ها ارائــــه می شود. کتاب های درسی پیشـــرو AI ، این زمینه را به

عنوان مطالعه “عوامل هوشمنــــد” تعریف می کنند: هـــر وسیلـــه ای که محیط خود

را درک کند و اقداماتی انجـام دهـــد که شانس خـود را برای دستیابی به اهداف خود

به حداکثر برساند.به صورت عامیانه ،  تعریف اصطلاح “هوش مصنوعی” اغلب برای

توصیف ماشین ها (یا رایانــه ها) استفـــاده می شود که عملکــردهای “شناختــی” که

با ذهن انسان در ارتباط هستند ، مانند “یادگیری” و “حل مسئله” را تقلید می کنند.

در قاعده ای به نام تسلر به این اشاره می شود که هوش مصنوعی چیزی است که

هنوز انجام نشده است. 

تعریف پایه ای از هوش مصنوعی چیست ؟

هوش مصنوعی معمولی محیط خود را تجزیه و تحلیل می کند و اقداماتی انجام می دهد که شانس

موفقیت آن را به حداکثــر می رسانــد. این کــار ها می توانند ساده باشند(حالت 0،1) و یا پیچیده

    باشند (انجام اقدامات ریاضی شبیه به آنهایی کـــه در گذشتـه انجـام شده بودند). از طرف دیگر 

یک سیستــم تکــاملی می تــواند مانند حیوانــات ،با استفــاده از Fitness Function ها جهــت

تغییر و تکرار سیستم های ترجیح داده شده اقـــدام کند. بعضی از سیستــم ها مانند nearest-

neighbor, بدون هدف هستند و فقط تا حدی کـــه لازم بـــوده تمـریـن داده شــده اند بنابـراین

می توانند در مسیـر خاص مورد نظــر هــدف گذاری شونــد. هوش مصنوعی اغلب با استفــاده از

الگوریتم کار می کنـــد. یک الگوریتــــم، مجمـــوعه ای از دستورالعمـل های بدون ابهام است که

یک کامپیوتـــر مکانیــکی قــادر بــه اجـــرای آن است. یک الگوریتـــم پیچیـــده اغلـــب در بالای

الگوریتم هــای ساده تر دیگـــر،  ساختـــه می شود. یک مثـــال کار آمد بازی ایکـــس او است

در این شرایط تعریف الگوریتم هوش مصنوعی از پیامد ها اینگونه خواهد بود :

– اگر دو خانه پر شده بود و تهدید بود خانه سوم را بگیر در غیر این صورت

– اگر خانه ای را بگیری دو راهی ایجاد می کند آن را بگیر در غیر این صورت

– خانه مرکزی را اگر خالی بود بگیر درغیر این صورت

– اگر حریف خانه گوشه را گرفت،  خانه گوشه مقابلش را بگیر در غیر این صورت

– اگر گوشه خالی وجود دارد بگیر در غیر این صورت

– هر خانه خالی که وجود دارد بگیر

بسیاری از الگوریتــم هــای هوش مصنوعی قـادر بـه یادگیری هستنـد.آنها می توانند با یادگیری

اکتشافات جدید خود را تقویت کنند ، یا خود می توانند الگوریتم های دیگری بنویسند.  برخی

از الـگـوریـتــم هـایـی کـه مـی آمـوزنـد شامـل : Bayesian networks , decision trees ,

and nearest-neighbor,از لحاظ تئـوری یــاد می گــیرند کـه تقریبـاً هر عملکردی را انجام

دهند ، از جمله اینکــه کدام یــک از تـوابـع ریـاضی به بهتــرین وجـه کار می کنند. بنابراین این

فراگیران هوش های مصنوعی می توانند با در نظر گرفتن هر فرضیـه احتمـالی و مطابقت آنها

با داده ها ، تمام دانش ممکن را به دست آورند.

رویکردها به سمت هوش مصنوعی 

اولین و قابل درک ترین رویکرد، هوش مصنوعی نمادگرایانه است برای مثال اگر فرد سالمی 

تب داشت پس آنفــولانزا دارد دومیـــن رویکــرد استنباط Bayesian است، اگر بیمار فعلی

تب داشته باشد ، احتمال ابتلا به آنفلوانزا را از این مسیر خاص تنظیم کنید. رویکرد سوم، که

در اپلیکیشــن های هوش مصنوعی تجاری بسیار محبــوب هستند، آنالیزر هــایی مانند SMV و

nearest-neighbor  هستند، این مدل پس از بررسی سوابق بیماران شناخته شده  گذشته

  که درجه حرارت ، علائــم ، ســن و سایر عــوامل اکــثراً مطابق با بیمار فعلی است اعلام می کند

که، X٪  احتمال دارد که بیمار آنفولانزا داشته باشد. رویکرد چهارم که شبکه عصبی  مصنوعی

است از “نورونهای مصنوعی” استفــاده می کند که می تــواند بــا مقایسه خود با خروجی مطلوب

و تغییر نقاط قوت اتصالات بین نورونهای داخلی آن ، یاد بگیرد.

تفاوت هوش مصنوعی با هوش انسانی

در مقایسه با انسانبرای هوش مصنوعی استدلال های عام تعریف نشده است. انسان ها مکانیزم های

قدرتمندی برای استدلال درباره “فیزیک ساده” مانند فضا ، زمان و فعل و انفعالات جسمی دارند. این

حتی کودکان خردسال را قادر می سازد تا به راحتی استنتاج هایی از قبیل “اگر این قلم را از روی میز

بریزم ، روی زمین می افتد” را داشته باشند. آنها همچنین فاقد روانشناسی عامیانه هستند بــه همین

دلیل نمی توانند جملاتی مانند : اعضای شورای شهر از صدور مجــوز تظــاهرکنندگان خودداری کردند

زیرا آنها از خشونت حمایت می کردند ” متوجه شود چون نمی تواند که کدام دسته از افراد درون جمله

از خشونت همایت میکنند.این فقدان “دانش مشترک” یعنی که هوش مصنوعی غالباً اشتباهات متفاوتی

را نسبت به انسان مرتکب می شود ، به طریقی که ممکن است غیرقابل درک به نظر برسد. به عنوان

مثال ، اتومبیل های خود ران موجود نمی توانند به روشی دقیق که انسان انجام می دهد در مورد مکان

و یا مقاصد عابر پیاده استدلال کنند و در عوض باید از حالتهای استدلال غیر انسانی برای جلوگیری از

تصادفات استفاده کنند.

چالش های هوش مصنوعی

هدف کلی تحقیق از هوش مصنوعی ایجاد فناوری است که به رایانه ها و ماشین ها اجازه می دهد تا به

روشی هوشمند عمل کنند. مشکل کلی شبیه سازی (یا ایجاد) هوش به مشکلات فرعی تقسیم شده است.

اینها شامل ویژگی ها یا عملکرد های خاصی است که محققان انتظار دارند سیستم هوشمندی از خود نشان

دهند صفاتی که شامل موارد زید می شود :

استدلال و حل مشکل:

، بنا به تعریف هایی که از هوش مصنوعی شده محققان اولیه الگوریتم هایی را ایجاد کردند که از استدلال

گام به گام که انسان هنگام حل معماها یا استنتاج های منطقی استفاده می کند ، تقلید می کنند.

ارائه دانش:

ارائه دانش و مهندسی دانش در تحقیقات کلاسیک هوش مصنوعی مبحثی اساسی است. برخی از “سیستم های

حرفه ای” سعی در جمــع آوری دانــش صریح و صاحب نظران در برخی حوزه های تخصصی دارند. علاوه بر این،

برخی از پروژه ها تلاش می کنند تا “دانش عام” را که یک فرد متوسط دارا است ، در یک پایگاه داده حاوی دانش

گسترده در مورد جهان جمع کنند.

:برنامه ریزی

عوامل هوشمند باید بتوانند اهدافی را تعیین کنند و به آنها دست یابند. آنها به روشی نیاز دارند تا آینده را به صورت

تصویری از وضعیت جهــان نمایــان سازند و بتوانند پیش بینی هایی را در مورد چگونگی تغییر اعمال خود در آن انجام

دهند تا انتخاب هایی را انجام دهند که حداکثر استفاده از گزینه های موجود یا ارزش ها را داشته باشد.

یادگیری: 

یادگیری ماشینی (ML) ، یک مفهوم اساسی از تحقیقات هوش مصنوعی از زمان شروع این زمینه است ،

مطالعه الگوریتم های رایانه ای است که به طور خودکار از طریق تجربه بهبود می یابد.