نمایش مبدأ برای هوش مصنوعی کامل

دشوارترین مسائل حوزه هوش مصنوعی به طور غیر رسمی با عنوان AI-Complete یا AI-Hard شناخته می‌شوند. اگر هوشمندی را محاسباتی فرض کنیم، دشواری این مسائل محاسباتی با [[حل مسئله]] اصلی هوش مصنوعی یا [[هوش جامع مصنوعی|هوش مصنوعی قوی]] معادل است؛ یعنی بتوان رایانه‌ها را به اندازه انسان‌ها هوشمند کرد.<ref>Shapiro, Stuart C. (1992). [http://www.cse.buffalo.edu/~shapiro/Papers/ai.pdf Artificial Intelligence] In Stuart C. Shapiro (Ed.), ''Encyclopedia of Artificial Intelligence'' (Second Edition, pp. 54–57). New York: John Wiley. (Section 4 is on "AI-Complete Tasks".)</ref> اینکه یک مسئله را AI-Complete بنامیم نشان‌دهنده یک نگرش است که آن مسئله با یک الگوریتم خاص ساده حل نمی‌شود.

بر اساس فرضیه‌ای مسائل AI-Complete شامل [[بینایی رایانه‌ای]]، [[فهم زبان‌های طبیعی|درک زبان طبیعی]] و سر و کار داشتن با شرایط غیرمنتظره در حین حل کردن هر مسئله واقعی می‌باشند.<ref>Roman V. Yampolskiy. Turing Test as a Defining Feature of AI-Completeness. In Artificial Intelligence, Evolutionary Computation and Metaheuristics (AIECM) --In the footsteps of Alan Turing. Xin-She Yang (Ed.). pp. 3-17. (Chapter 1). Springer, London. 2013. http://cecs.louisville.edu/ry/TuringTestasaDefiningFeature04270003.pdf</ref>

در حال حاضر مسائل AI-Complete تنها با فناوری رایانه‌ای نوین قابل حل نیستند و نیازمند [[محاسبات مبتنی بر انسان|محاسبه انسان]] نیز می‌باشند. این ویژگی می‌تواند مفید باشد؛ به عنوان مثال برای آزمودن حضور انسان (مانند [[کپچا]]<nowiki/>ها) و در [[امنیت رایانه]] برای جلوگیری از [[حمله جستجوی فراگیر|حملات جستجوی فراگیر]].<ref>Luis von Ahn, Manuel Blum, Nicholas Hopper, and John Langford. [http://www.captcha.net/captcha_crypt.pdf CAPTCHA: Using Hard AI Problems for Security] Archived 2016-03-04 at the [[وی‌بک ماشین|Wayback Machine]]. In Proceedings of Eurocrypt, Vol. 2656 (2003), pp. 294-311.</ref><ref>Bergmair, Richard (January 7, 2006). "Natural Language Steganography and an "AI-complete" Security Primitive". [[سیتی‌سیر|CiteSeerX]] [https://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.105.129 10.1.1.105.129]. (unpublished?)</ref>

== تاریخچه ==
این اصطلاح توسط [[Fanya Montalvo]] به تقلید از [[ان‌پی کامل|NP-Complete]] و [[ان‌پی سخت|NP-Hard]] در [[نظریه پیچیدگی محاسباتی|نظریه پیچیدگی]]، که به طور رسمی معروف‌ترین گروه از مسائل دشوار را توصیف می‌کند، ابداع شد.<ref>Mallery, John C. (1988), "Thinking About Foreign Policy: Finding an Appropriate Role for Artificially Intelligent Computers", [http://citeseer.ist.psu.edu/mallery88thinking.html The 1988 Annual Meeting of the International Studies Association] {{Webarchive|url=https://web.archive.org/web/20080229024012/http://citeseer.ist.psu.edu/mallery88thinking.html |date=۲۹ فوریه ۲۰۰۸ }}., St. Louis, MO.</ref> اولین استفاده‌های این اصطلاح در مقاله دکترای سال 1987 اریک مولر<ref>Mueller, Erik T. (1987, March). [http://ftp.cs.ucla.edu/tech-report/198_-reports/870017.pdf ''Daydreaming and Computation'' (Technical Report CSD-870017)] PhD dissertation, University of California, Los Angeles. ("Daydreaming is but one more ''AI-complete'' problem: if we could solve anyone artificial intelligence problem, we could solve all the others", p. 302)</ref> و در [[جارگون فایل|فهرست اصطلاحات]] سال 1991 [[اریک ریموند]] هستند.<ref>Raymond, Eric S. (1991, March 22). [http://catb.org/esr/jargon/oldversions/jarg282.txt Jargon File Version 2.8.1] (Definition of "AI-complete" first added to jargon file.)</ref>

== مسائل AI-Complete ==
بر اساس فرضیه‌ای مسائل AI-Complete شامل موارد زیر می‌شوند:
* [https://www.wired.com/2017/02/ai-can-solve-peer-review-ai-can-solve-anything/ داوری همتای هوش مصنوعی] ([[فهم زبان‌های طبیعی|درک زبان طبیعی]] ترکیبی، [[استدلال خودکار]]، [[اثبات قضیه خودکار]]، [[سیستم خبره]] [[منطق ریاضیاتی|منطق صوری]])
* [[مسئله بونگارد]]
* [[بینایی رایانه‌ای]] (و زیرمسئله‌هایی همچون [[تشخیص اشیا]])
* [[فهم زبان‌های طبیعی|درک زبان طبیعی]] (و زیرمسئله‌هایی همچون [[متن‌کاوی|متن کاوی]]، [[ترجمه ماشینی]] و [[ابهام‌زدایی کلمه|ابهام‌زدایی از کلمه]]<ref>Ide, N.; Veronis, J. (1998). "[https://www.aclweb.org/anthology/J/J98/J98-1001.pdf Introduction to the special issue on word sense disambiguation: the state of the art]" (PDF). ''Computational Linguistics''. '''24''' (1): 2–40.</ref>)
* رویارویی با شرایط غیرمنتظره هنگام حل هر مسئله واقعی، اعم از [[نقشه برداری رباتیک|مسیریابی]] یا [[برنامه‌ریزی خودکار|برنامه‌ریزی]] یا حتی نوع [[استدلال]] انجام شده توسط [[سیستم خبره|سیستم‌های خبره]].

=== ترجمه ماشینی ===
{{اصلی|ترجمه ماشینی}}
برای ترجمه دقیق، ماشین باید قادر به فهمیدن متن باشد. ماشین باید بتواند بحث نویسنده را دنبال کند، بنابراین باید توانایی [[استدلال]] داشته باشد. باید [[دانش عام]] گسترده‌ای داشته باشد تا بداند که در مورد چه چیزی بحث می‌شود، حداقل باید با واقعیت‌هایی که یک انسان مترجم متوسط می‌داند آشنا باشد. بخشی از این دانش در قالب واقعیت‌هایی است که می‌توانند به طور صریح بیان شوند، اما بخشی دیگر ناخودآگاه است و به [[بدن انسان]] ارتباط دارد؛ برای مثال، ممکن است لازم باشد که ماشین چگونگی حس کردن اقیانوس را درک کند تا استعاره‌ای خاص در متن را دقیق ترجمه کند. همچنین باید اهداف، مقاصد و حالات احساسی نویسنده را الگو قرار دهد تا به طور دقیق در یک زبان جدید آن‌ها را بازسازی کند. به طور خلاصه، ماشین لازم است طیف گسترده‌ای از مهارت‌های فکری انسانی را داشته باشد؛ از جمله [[استدلال]]، [[دانش عام]] و شهود که زمینه‌ساز [[رباتیک|حرکت و تغییر دادن]]، [[ادراک ماشین|درک]] و [[رایانش احساسی|هوش اجتماعی]] است. بنابراین، اعتقاد بر این است که [[ترجمه ماشینی]] AI-Complete است؛ یعنی ممکن است به هوش مصنوعی قوی نیاز باشد تا به خوبی که انسان می‌تواند ترجمه کند، انجام پذیرد.

== شکنندگی نرم‌افزار ==
{{اصلی|شکنندگی نرم‌افزار}}
سیستم‌های هوش مصنوعی کنونی نسخه‌های بسیار ساده و یا محدود‌شده از مسائل AI-Complete را می‌توانند حل کنند، اما هرگز قادر به حل کردن در حالت کلی آن‌ها نیستند. وقتی محققان هوش مصنوعی برای ارتقای سیستم‌های خود تلاش می‌کنند تا شرایط واقعی و پیچیده‌تر را اداره کنند، برنامه‌ها بدون داشتن درک ابتدایی یا [[دانش عام]] از وضعیت، بیش از حد [[شکنندگی نرم‌افزار|شکننده]] می‌شوند. زمانی که شرایط غیرمنتظره‌ی خارج از زمینه  شروع به ظاهر شدن می‌کند، با شکست مواجه می‌شوند. انسان‌ها هنگامی که با موقعیت‌های جدید در جهان سر و کار دارد، این حقیقت که می‌دانند چه انتظاری داشته باشند بسیار به آن‌ها کمک می‌کند. آن‌ها می‌دانند همه چیزهای اطرافشان چه هستند، چرا آنجا هستند، چه کاری را ممکن است انجام دهند و غیره. آن‌ها می‌توانند شرایط غیرمعمول را تشخیص دهند و متناسب با آن تنظیم شوند. ماشینی بدون هوش مصنوعی قوی مهارت دیگری ندارد تا در مواقع اضطراری آن را جایگزینی کند.<ref>[[:en:Douglas_Lenat|Lenat, Douglas]]; Guha, R. V. (1989), ''Building Large Knowledge-Based Systems'', Addison-Wesley, pp. 1–5</ref>

== صوری‌سازی ==
[[نظریه پیچیدگی محاسباتی]] با دشواری محاسباتی نسبی [[تابع محاسبه‌پذیر|توابع محاسبه‌پذیر]] سر و کار دارد. بر حسب تعریف، این نظریه مسائلی که راه‌حلشان ناشناخته است یا به طور صوری مشخص نشده‌اند را در بر نمی‌گیرد. از آنجا که بسیاری از مسائل هوش مصنوعی هنوز صوری‌سازی نشده‌اند، نظریه پیچیدگی معمول تعریف AI-Complete بودن را مجاز نمی‌داند.

برای رفع این مشکل، یک نظریه پیچیدگی برای هوش مصنوعی ارائه شده است.<ref>Dafna Shahaf and Eyal Amir (2007) [http://www.aaai.org/Papers/Symposia/Spring/2007/SS-07-05/SS07-05-026.pdf Towards a theory of AI completeness] {{Webarchive|url=https://web.archive.org/web/20201107224235/https://www.aaai.org/Papers/Symposia/Spring/2007/SS-07-05/SS07-05-026.pdf |date=۷ نوامبر ۲۰۲۰ }}. [http://www.ucl.ac.uk/commonsense07 Commonsense 2007, 8th International Symposium on Logical Formalizations of Commonsense Reasoning].</ref> این نظریه بر اساس [[مدل محاسبه|مدلی]] است که بار محاسباتی را بین کامپیوتر و انسان تقسیم می‌کند؛ یعنی بخشی توسط رایانه و بخشی دیگر توسط انسان حل می‌شود. این امر به شکل یک [[ماشین تورینگ]] که با '''کمک انسان''' کار می‌کند صوری‌سازی شده است. این صوری‌سازی پیچیدگی الگوریتم، پیچیدگی و کاهش پذیری مسئله را تعریف می‌کند که اجازه تعریف [[دسته هم‌ارزی|کلاس‌های هم‌ارزی]] را می‌دهد.

پیچیدگی اجرای یک الگوریتم با ماشین تورینگی که به کمک انسان کار می‌کند، با دوتایی <math>\langle\Phi_{H},\Phi_{M}\rangle</math> داده می‌شود که عنصر اول نشان‌دهنده‌ی پیچیدگی قسمت انسان است و عنصر دوم پیچیدگی قسمت ماشین است.

=== نتایج ===
در ادامه پیچیدگی حل چند مسئله با ماشین تورینگی که به کمک انسان کار می‌کند ذکر شده است:
* [[نویسه‌خوان نوری|نویسه‌خوانی نوری]] برای متن چاپ شده: <math>\langle O(1), poly(n) \rangle</math>
* [[آزمون تورینگ]]:
** برای مکالمه n جمله‌ای که [[ماشین اوراکل|اوراکل]] تاریخچه مکالمه را به خاطر می‌سپارد (اوراکل پایدار): <math>\langle O(n), O(n) \rangle</math>
** برای یک مکالمه n جمله‌ای که تاریخچه مکالمه باید دوباره انتقال یابد: <math>\langle O(n), O(n^2) \rangle</math>
** برای یک مکالمه n-جمله‌ای که تاریخچه مکالمه باید دوباره انتقال یابد و خواندن پرس و جو برای فرد به صورت خطی زمان می‌برد: <math>\langle O(n^2), O(n^2) \rangle</math>
* [[بازی ESP]]: <math>\langle O(n), O(n) \rangle</math>
* برچسب‌گذاری تصوری (براساس [[پروتکل آرتور-مرلین]]): <math>\langle O(n), O(n) \rangle</math>
* [[دسته‌بندی اشیا از جستجوی تصویر|طبقه‌بندی تصویر]]: فقط انسان: <math>\langle O(n), O(n) \rangle</math>، و با اتکای کمتر به انسان: <math>\langle O(\log n), O(n \log n) \rangle</math>.

== همچنین بخوانید ==

* [[ASR-complete]]
* [[لیست مسائل حل نشده در علوم کامپیوتر]]
* [[هوش ترکیبی مصنوعی]]

== منابع ==
{{پانویس}}

[[رده:مسئله‌های محاسباتی]]
[[رده:هوش مصنوعی]]