بیان مباحث مدیریت بصورت خلاصه اما کاربردی برای همه






درباره من


تماس


صفحه اول


جستجو مثلا: تکنیک های متقاعد سازی مشتری

۷ مطلب با موضوع «مقالات :: مدیریت فناوری اطلاعات و تحول دیجیتال :: هوش مصنوعی» ثبت شده است

هوش مصنوعی

هوش مصنوعی

کاربرد هوش مصنوعی در تمام زمینه هایی است که نیاز است آن سامانه بصورت خودگردان اقدام به انجام کاری کند. مثلا وقتی که شما در یوتوب به دنبال ویدیوهای خاصی می گردید، هوش مصنوعی یوتوب تشخیص می دهد که شما به دسته خاصی از ویدیوها علاقمندید و در نمایش های بعدی، ویدیوهای مرتبط را به شما نشان می دهد. این تحلیل تا همیشه که شما از آن سامانه استفاده می کنید ادامه می یابد. یک نمونه ی دیگر از هوش مصنوعی را می توان در نرم افزارهای مسیریاب دید که وقتی تعداد قابل توجهی از رانندگان بصورت ناگهانی سرعت خود را کاهش می دهند، هوش مصنوعی تشخیص می دهد که رانندگان در آن نقطه با سرعت گیر مواجه شده اند. مهمترین مولفه های مرتبط با هوش مصنوعی شامل موارد زیر است:

  1. هوش مصنوعی همیشه وابسته به اطلاعاتی است که در بانک اطلاعاتی خود ذخیره نموده و استنتاج را از طریق یک الگوریتم که از قبل تعریف شده، بر روی همان داده هایی که قبلا ذخیره کرده است انجام می دهد بنابراین فاقد قوه تخیل است و هرچه که در عملکرد هوش مصنوعی مشاهده می کنیم شامل محاسبات ریاضی و آماری از داده های قبلی است. (هرچند انسان نیز عملا نمی تواند چیزی خارج از دراکات خود که از طریق حواس پنجگانه دریافت کرده را تخیل کند).
  2. شروع جدی هوش مصنوعی را باید با تولد سیستم های خبره دانست که می توانستند برخی استدلالات را انجام دهند. سپس با توسعه رایانش ابری (سیستمی که امکان پردازش، ذخیره سازی و محاسبات را از طریق مجموعه از رایانه های منفرد با فواصل مکانی متفاوت فراهم می کند و نیاز به تامین سرورهای بسیار گران و مجتمع در یک نقطه را منتفی می سازد).
  3. هوش مصنوعی می تواند ادراک خود را با توجه به حواس پنجگانه تکمیل کند یعنی مثلا با وبکم ببیند، با میکروفون بشنود، از حسگرهای حرارت و سونار استفاده کند و... و اینگونه ادراک خود از یک مسئله را وسعت بخشد.
  4. برخی از انواع هوش مصنوعی می توانند احساسات کاربر را تشخیص داده و در مواقع نیاز حتی شوخی کنند. به این نوع واکنشها هوش اجتماعی یا هوش عاطفی گفته می شود البته بزرگترین نقطه ای که هوش های مصنوعی دچار اشتباه می شوند در همین زمینه است زیرا الگوریتم ها به قدری گسترش نیافته اند که بتوانند احساسات انسانی را به درستی تشخیص دهند.
  5. احتمالا در آینده با هوش های مصنوعی مواجه خواهیم بود که توانایی خودترمیمی و اصلاح خود را خواهند داشت. در این شرایط به احتمال بسیار زیاد با ابرهوش یا فراهوش مواجه خواهیم شد که رشد آن به صورت تصاعدی بوده و به سرعت از هوش بشری عبور خواهد کرد
  6. با توجه به نگرانی هایی که در جوامع همومی نسبت به هوش مصنوعی وجود دارد، ممنوعیت ها و محدودیتهای قانونی در برخی کشورها نسبت به این موضوع وجود.
  7. اگر هوش های مصنوعی به مرحله ی ذهن و تجربیات ذهنی برسند، قاعدتا دارای احساس خواهند بود و در این صورت ممکن است در اثر عملکرد بشر آسیب ببینند. در این موارد باید به فکر حقوق آنان نیز مشابه حقوق بشر یا حقوق حیوانات بود که معروف به حقوق ربات است.

بر اساس نظریات: چرچ، تورینگ، کالوچ، پیتس، روزنبلات، مانیکا، چکرز، سایمون، مینسکی، بروکس، هینتون، کلارک بلومبرگ، لاینر، موراوک، دومینگوس، کیسینجر، اسمیت، هاتنلوچر، دریفوس، اتینگر، فودور، پاتنم

۲۷ خرداد ۰۲ ، ۱۵:۳۷ ۰ نظر موافقین ۰ مخالفین ۰
هادی امیری فلاح

رابطه سیستمهای خبره با هوش مصنوعی

رابطه سیستمهای خبره با هوش مصنوعی

بطور کلی ارتباط زیادی با مدیریت فناوری اطلاعات نداشته و عموما در ارتباط بین مدیریت دانش و برنامه نویسی نرم افزار کاربرد دارد و اینجا صرفا جهت آشنایی بیان می شود. سیستمهای خبره ارتباط نزدیکی با هوش مصنوعی دارند و قرار است عملکرد یک انسان را در موضوعات مشخصی شبیه سازی کنند. تمام اصول سیستمهای خبره بر اساس IF و Then است یعنی اگر فلان داده وارد شد، آنگاه فلان نتیجه نمایش داده شود. سیستمهای خبره داده های بانک اطلاعاتی را خوانده و بر اساس آن تصمیم می گیرد. در حال حاضر اکثر نرم افزارها بصورت بالقوه یک سیستم خبره هستند و از این اصول بهره می برند.

بر اساس نظریات: جکسون، لئوندز، راسل، نورویگ، سیمون، شوستر، نیلسون، یاناس

۲۷ خرداد ۰۲ ، ۱۵:۳۵ ۰ نظر موافقین ۰ مخالفین ۰
هادی امیری فلاح

شبکه عصبی مصنوعی

شبکه عصبی مصنوعی

نوعی شبیه سازی مغز انسان برای پردازش اطلاعات توسط ماشین است که از گره هایی مشابه نورون های مغز انسان تشکیل شده است. در شبکه های عصبی مصنوعی، میزان توانایی محسابات و نحوه ی ورودی و خروجی اطلاع به آن نورون از قبل مشخص شده است که در نتیجه ی پردازش چندین نورون، اطلاعات به آنچه که مورد نیاز است تبدیل می شود (مشابه مغز انسان که زنجیره ای از نورون ها به پردازش یک ورودی پرداخته و در نهایت به یک نتیجه – استنتاج – استدلال می رسند). مهمترین مولفه های شبکه عصبی مصنوعی شامل موارد زیر است:

  1. تحلیل و یادگیری: یکی از مهمترین مشخصه های شبکه عصبی مصنوعی این است که می توانند داده های ورودی را به بخشهای کوچکتر تقسیم و بر اساس آنها استنتاج کنند. مثلا تصویر یک «باب کت» (گربه وحشی قطبی) به هوش مصنوعی داده می شود. او از طریق نورون های خود با دانشی که از قبل ذخیره کرده است بررسی می کند و می بیند که 100% خز دارد، 100% سیبل دارد، 40% گوش نوک تیز دارد، 60% بدن کشیده دارد، 20% دم دارد، پس این تصویر به احتمال 82%  نوعی گربه است. همین قابلیت باعث می شود که این نوع گربه جدید را به حافظه بسپارد و یاد بگیرد.
  2. نورون های مصنوعی: تعیرف آن مشابه نورون های مغز انسان است که در کنار یکدیگر اقدام به پردازش یک مولفه می کنند. خروجی هر نورون می تواند ورودی یک یا چند نورون دیگر باشد و هرکدام به میزان معینی بر نورون های بعد از خود تاثیر می گذارند. در پایان زنجیره ی نورون ها، به نورون هایی می رسیم که وظیفه ی تشخیص نهایی را داند و تمام آنچه که نورون های قبلی فهمیده اند را استنتاج می کنند.
  3. تحلیل لایه ای: در بسیاری از سیستم های عصبی مصنوعی، چندین لایه از نورون ها برای شبکه تحلیل و یادگیری استفاده می شود . یعنی پردازش یک مسئله بین لایه های مختلف با توجه به ورودی های مختلف تقسیم می شود. مثلا انسان در مواجهه با یک پدیده، از حواس بینایی و شنوایی بصورت همزمان استفاده می کند که مجمعه نورون های جداگانه ای در مغز را فعال می کنند اما در نهایت به نتیجه ای واحد از آن پدیده می رسد.
  4. خودسازماندهی: در برخی از انواع شبکه عصبی مصنوعی، شناخت مقادیر جدید که از گذشته دیدگاهی درمورد آن وجود نداشته به صورت خودکار انجام می شود (مشابه آنچه که در مغز انسان رخ می دهد). به این معنی که نورون ها و گره های پردازشی برای فهم موضوع جدید به صورت خودکار با یکدیگر مرتبط می شوند. توجه فرمایید که بررسی بیشتر این موضوع نیاز به مباحث بسیار تخصصی دارد و در اینجا بیان شد تا بدانید که چنین قابلیتی نیز ممکن است بنابراین از توضیح بیشتر آن صرفنظر می شود.
  5. شناسایی انحراف: شبکه عصبی مصنوعی می تواند امکان بروز خطا در نتایج تحلیل های انجام شده را تشخیص دهد مثلا می توان پذیرفت که گربه یک پای خود را از دست داده باشد (سه پا داشته باشد) اما نمی توان قبول کرد که 5 پا داشته باشد.
  6. کدگذاری پیشبینی کننده: نظریه ای در علوم اعصاب وجود دارد که می گوید: «مغز انسان دایما درحال ایجاد یک ذهنت از محیط اطراف و مقایسه محیط با آنچه ساخته است می باشد» و شاید به همین دلیل باشد که انسان می تواند خواب ببیند (این نظریه اثبات نشده است) اما از این روش در شبکه عصبی مصنوعی استفاده می شود. یعنی ابتدا هوش مصنوعی آنچه که بر پایه داده های قبلی، احتمال زیادی برای رخداد دارد را برای خودش رسم می کند و سپس نتیجه ای که از آنالیز داده های جدید گرفته را با آن مقایسه می کند. به عبارت ساده تر، هوش مصنوعی نیز می تواند در مورد اتفاقاتی که با آن مواجه می شود ذهنیت داشته باشد. وجود ذهنیت باعث کاهش خطا، کاهش احتمال ارائه نتایج دور از انتظار، و افزایش سرعت در پردازش می شود.
  7. شبکه مولد متقابل: این روش نیز مشابه مغز انسان است و در آن، شبکه عصبی مصنوعی سعی می کند که دو یا چند سناریوی مختلف را فرض کند و سپس به مقایسه آنها بپردازد. مثلا در مثال گربه، ممکن است نتیجه بگیرد که تصویر مورد ارزیابی 70% شبیه به گربه، 52% شبیه به گرگ، 48% شبیه به خرس است، پس به احتمال زیاد گربه است.
  8. حافظه کوتاه مدت و بلند مدت: یکی از مهمترین چالش های شبکه های عصبی مصنوعی این است که چه داده هایی را باید ذخیره و چه داده هایی را باید فراموش کند. در این مدل برای هر سلول پردازش از واحدهایی مثل ورودی، خروجی، آستانه فراموشی و... استفاده می شود. مهمترین مزیت استفاده از این رویکرد، امکان فراخوانی داده های قبلی برای تحلیل وضعیت موجود است. به بیان خلاصه، شبکه عصبی می تواند داده های ورودی را تحلیل کرده و به حافظه ی خود بسپرد، سپس در مواجهه با شرایط جدید، داده های قبلی را فراخوانی کرده و به همراه داده هایی که در زمان حاضر با آن مواجه است، با استلال جدیدی دست یابد و سپس دوباره تمام آنرا به خاطر بسپرد و اینگونه تا بینهایت تکامل یابد. مهمترین وجه مطرح شده در بهره گیری از حافظه ی کوتاه مدت و بلند مدت تجربه است.
  9. شبکه عصبی مصنوعی تصادفی: طراحان یک شبکه عصبی مصنوعی ممکن است برای هرکدام از نورون های آن وزن تعریف کنند (یعنی هر نورون تا چه سطحی و با چه حدی بتواند پردازش اطلاعات را انجام داده و سپس اطلاعات را به نورون بعدی تحیول دهد).این کار باعث می شود که شبکه عصبی دارای پویایی کافی نبوده و از برخی زیرساخت های خود به صورت کامل استفاده نکند اما در همان زمان بخشهای دیگر شبکه زیر پردازش بسیار سنگین باشد. می توان از طریق نظریه احتمال بیزی (یعنی بر اساس پیشبینی بوسیله داده های آماری قبلی)، اختیار را به هوش مصنوعی داد تا تصمیم بگیرد که در مواجهه با چه مسئلی چگونه شبکه عصبی خود را به کار بگیرد تا به حداکثر بازدهی برسد.
  10. ظرفیت شبکه عصبی مصنوعی: توسط عواملی مانند تعداد نورون ها، تعداد لایه ها، وزن هر نورون، تعداد شبکه های ارتباطی بین نورون ها (سیناپس ها)، حافظه داخلی هر نورون، حافظه بلندمدت، الگوریتم های داخلی، توپولوژی (چینش اجزای شبکه) و... مشخص می شود.

بر اساس نظریات: لژاندر، گاوس، لنز، ایزینگ، شانیچی، هاپفیلد، کالوچ، پیتس، هب، فارلی، کلارک، روزنبلات، مینسکی، پیپرت، لاپا، کوهانن، فوکوشیما، لایبنیتس، وانگ، اشمیدوبر، ژانگ، واسوانی، گرف، هینتون، مک کی،

۲۷ خرداد ۰۲ ، ۱۵:۳۳ ۰ نظر موافقین ۰ مخالفین ۰
هادی امیری فلاح

یادگیری ماشین یا ماشین لرنینگ ML

یادگیری ماشین یا ماشین لرنینگ ML

یعنی هوش مصنوعی یاد بگیرد که چینش و بهینه سازی شبکه مصنوعی عصبی خود را جهت بهترین تجزیه و تحلیل داده ها با کمترین میزان خطا (که البته هیچ وقت به صفر نمی رسد) انجام داده و در نهایت به یک استنتاج نسبتا منطقی منتهی شود. یادگیری به این معنی نیست که هوش مصنوعی بتواند داده ها را ذخیره سازی و استنتاج کند بلکه به این معنی است که ماشین یاد بگیرد که بهترین جواب را با کمترین خطا ارائه کند و دایما احتمال بروز خطا را کاهش دهد.

  1. عمق یادگیری ماشین: درمورد یادگیری عمیق جداگانه توضیح داده خواهد شد اما تعریف میزان یادگیری ماشین ارتباط مستقیم با گام ها و دفعاتی دارد که هوش مصنوعی اقدام به رفع خطاهای خود می کند. می توان سرعت یادگیری را بالا و عمق آن آنرا کاهش داد که این باعث افزایش خطای ماشین می شود؛ و یا سرعت را پایین آورد و عمق آنرا افزایش داد که باعث کاهش خطای هوش مصنوعی می شود. این موضوع ارتباط مستقیم با سیاست های طراحی هوش مصنوعی دارد. هرچه سرعت یادگیری افزایش یابد، عمق آن کاهش یافته و میزان اعتمادپذیری به هوش مصنوعی کاهش می یابد.
  2. الگوریتم یادگیری ماشین: همیشه تمرکز بر این بوده است که هوش مصنوعی بتواند به صورت خودکار و بدون نظارت دانش خود را رشد داده و به مرور زمان تکمیل کند. همانطور که در مورد کلیات هوش مصنوعی گفته شد، ماشین ها نمی توانند الگوریتم های استنتاج خود را تغییر دهند بنابراین یادگیری نیز باید شامل الگوریتمی باشد که انسان برای آن طراحی می کند. انواع این الگوریتم ها بسیار زیاد است و با توجه به مورد استفاده تغییر می کند مثلا الگوریتم استنتاج تصاویر با متن فرق دارد. اما برخی شرکتها مانند گوگل، آمازون، و مایکروسافت بستری را فراهم ساخته اند تا کاربران بتوانند با دانش کمتری، از الگوهای آماده برای طراحی الگوریتم یادگیری ماشین استفاده کنند. اصلی ترین شاخه های علمی که در یادگیری ماشین استفاده می شود شامل داده کاوی، ریاضیات، آمار، فیزیک، برنامه نویسی، و فناوری اطلاعات در شاخه های مختلف است. زمانی که لازم باشد ماشین به صورت خودکار یاد بگیرد، لازم است که بتواند داده های دریافتی را نیز به صورت اتوماتیک تحلیل کند. برای این منظور باید بتواند رابطه ی داده های دریافتی را شناسایی کرده، آنها را دسته بندی کند، داده های بیربط را حذف کند، و از داده های باقیمانده برای استنتاج استفاده کند. (دقیقا همان کاری که در داده کاوی توسط انسان انجام می شود اما اینجا باید برای آن الگوریتمی طراحی شود که ماشین به صورت خودکار همان کار را انجام دهد). سه نوع یادگیری ماشین وجود دارد:
  • یادگیری کنترل شده: که انسان در آن دخالت دارد و داده ها را دسته بندی کرده و در اختیار هوش مصنوعی قرار می دهد.
  • یادگیری بدون کنترل: در این شیوه، وظیفه شناسایی ارتباط داده ها نیز به الگوریتم ها سپرده می شود و انسان فقط در ابتدا به طراحی الگوریتم ها و بعدا به نظارت و اصلاح آنها می پردازد.
  • یادگیری تقویت شده: این سیستم تقریبا مشابه رفتار انسان در آموزش یک حیوان خانگی است که از عامل تشویق و تنبیه در آن استفاده می شود. یعنی هر بار که هوش مصنوعی در ارائه محتوای مورد نظر کاربر دچار خطا شد، کاربر به هوش مصنوعی تذکر می دهد و هوش مصنوعی یاد می گیرد که ارتباط برخی داده ها را به درستی برقرار نکرده است. سپس در دسته بندی داده های خود تجدید نظر کرده و مجددا به استنتاج می پردازد. این روش شباهت بسیاری به یادگیری بدون کنترل دارد با این تفاوت که هوش مصنوعی حتی به تکامل و اصلاح الگوریتم های خود نیز می پردازد.

این شاخه تخصصی است و برای استفاده از این خدمت باید از متخصصین آن کمک گرفت.

بر اساس نظریات: میچل، ساموئل، لنوکس، فریدمن، ژو، گروویچ، لیندسی، دودا

۲۷ خرداد ۰۲ ، ۱۵:۳۰ ۰ نظر موافقین ۰ مخالفین ۰
هادی امیری فلاح

یادگیری عمیق در هوش مصنوعی (زیرشاخه یادگیری ماشین)

یادگیری عمیق در هوش مصنوعی (زیرشاخه یادگیری ماشین)

این روش که مختص یادگیری ماشین است، اشاره به شبکه عصبی مصنوعی با لایه های مختلف دارد که هرچه این لایه ها بیشتر باشند، فرایند یادگیری عمیق‌تر می شود. مهمترین موارد استفاده از یادگیری عمیق شامل آنالیز تصویر، پردازش زبان، تشخیص گفتار، و ترجمه ماشینی است. در این مدل، هرکدام از لایه ها یاد می گیرند که داده‌های ورودی را به چیزی انتزاعی تر تبدیل کرده و به لایه بعدی بفرستند تا در نهایت به استنتاج منتهی شود. در یک آنالیز تصویر ممکن است لایه های پایینی به شناسایی لبه ی تصویر بپردازند و لایه های بالایی به تشخیص خطوط بدن یا چهره و در نهایت به این نتیجه برسند که تصویر یک سگ یا انسان است. عمیقترین نوع یادگیری ماشین آن است که به صورت خودکار به شناسایی مولفه ها بپردازد. توجه شود که لایه ها می تواند از طریق انسان تعیین شود اما در یادگیری بدون نظارت، این کار نیز توسط هوش مصنوعی انجام می شود. تعریف دیگری که با یادگیری عمیق مرتبط است، «شبکه عصبی عمیق» می باشد که همان شبکه عصبی مصنوعی همراه با لایه های مختلف است.

بر اساس نظریات: سیبنکو، هورنیک، فوکوشیما، لو، هاپفیلد، ویدرو، نارندرا، لنز، روزنبلات، ایواخننکو، لاپا، آماری، لایبنیتس، راملهارت، آیزنبرگ، اشمیدهابر، واسوانی

۲۷ خرداد ۰۲ ، ۱۵:۲۸ ۰ نظر موافقین ۰ مخالفین ۰
هادی امیری فلاح

شبکه تصمیم گیری پویای بیزی (هوش مصنوعی)

شبکه تصمیم گیری پویای بیزی

همانطور که در علم آمار از احتمال بیزی استفاده می شود، در هوش مصنوعی و یادگیری ماشین هم از شبکه پویای بیزی برای پیشبینی آینده بر اساس تحلیل داده های قبلی استفاده می شود. یعنی هوش مصنوعی به وسیله تحلیل داده های قبلی می تواند رفتار بعدی را حدودا (اما با دقت بالا) تشخیص داده و آنرا تحلیل کند. اصلی ترین استفاده از شبکه پویای بیزی برای تشخیص و پردازش زبان طبیعی است یعنی ممکن است چینش کلمات در یکدیگر به معانی مختلفی ختم شود اما هوش مصنوعی با توجه به معانی که قبلا تشخیص داده است، می تواند بفهمد که منظور مخاطب چیست. برای مثال: «چقدر آب می خورد؟» اگر بعد از مباحث فیزیولوژیکی مطرح شود، به معنی «انسان چه میزان آب می نوشد؟» است اما اگر بعد از مسائل مالی سوال شود به معنی این است که «چقدر برای من هزینه دارد؟». هوش مصنوعی این موارد را از طریق شبکه پویای بیزی و تحلیل اطلاعات قبلی پیشبینی می کند.

بر اساس نظریات: داگوم، گالپر، هورویتزر، سیور، پرنتیس

۲۷ خرداد ۰۲ ، ۱۵:۲۴ ۰ نظر موافقین ۰ مخالفین ۰
هادی امیری فلاح

نظریه اَبَرهوش مصنوعی یا فراهوش

نظریه اَبَرهوش مصنوعی یا فراهوش

به هوشی گفته می شود که در اثر انباشتگی و انفجار اطلاعات به صورت ناگهانی به رشدی غیر قابل پیشبینی رسیده و چندین هزار بار قوی تر از نوع بشر در تمام زمینه ها باشد. این اتفاق از نظر تئوری ممکن است. این هوش در برخی نظریات به صورت مستقل عمل کرده و در برخی دیگر با هوش انسان ادغام می شود (مثلا تراشه ای در مغز قرار داده می شود و انسان می تواند از این هوش برای تقویت هوش خودش استفاده کند). ابرهوش امکان خودبرنامه ریزی و خود اصلاحی دارد. بزرگترین تهدید برای ابرهوش آن است با توجه به اطلاعاتی که از طریق آنها استدلال می کند، به مرحله ی نهیلیسم (پوچ گرایی) برسد و خودش را نابود سازد. از سویی دیگر، اعتقاد بر این است که با توجه به رشد عظیم پزشکی در سالهای اخیر، ممکن است بتوان با اصلاح نژاد بشر به نسل هایی با هوش بالاتر دست یافت و این چرخه بعد از چندین نسل به ابرهوش انسانی منتهی شود. به بیان خلاصه:

  1. ابرهوش مصنوعی: یعنی هوش مصنوعی بتواند پس از تکمیل دانش خود در تمام زمینه ها و سپس بهینه سازی دایم الگوریتم های خود به هوش کامل دست یابد. این هوش احتمالا چندین هزار برابر قوی تر از هوش انسان است و سرعت رشد آن نیز تصاعدی است. تقریبا 90% از محققان حوزه هوش مصنوعی معتقدند که این اتفاق تا سال 2070 رخ خواهد داد.
  2. ابرهوش طبیعی: به موازات رشد هوش مصنوعی، هوش طبیعی یا هوش انسان نیز از طریق اصلاح ژنتیکی به جایگاهی دست یابد که چندین برابر قویتر از حالت عادی است. این کار با دانش فعلی بشر نیز ممکن است.
  3. ابرهوش ترکیبی: حالا فرض می کنیم که ابرهوش طبیعی و ابرهوش مصنوعی از طریق زیرساختی مانند یک چیپ در مغز انسان به یکدیگر متصل شوند. در این زمان می توانند نقاط ضعف یکدیگر را پوشش داده و جبران کنند. این کار نیز در حال حاضر توسط برخی شرکتها در زمینه های دیگر انجام می شود. (مانند پروژه چیپ های مغزی شرکت تسلا)
  4. ابرهوش اجتماعی: انجام پردازش موازی در بین انسانها باعث رشد توانایی بررسی زمینه های مختلف می شود که به آن همفکری یا مشورت می گویند. این فرایند در کامپیوترها بعنوان پردازش ابری یاد می شود که باعث گسترش زیرساخت ها می گردد. حالا فرض کنیم چندین انسان که به صورت همزمان دارای ابرهوش ترکیبی هستند، در قالب ک شبکه با یکدیگر همکاری کنند.
  5. ابرهوش یکتا: در نقطه ی پایانی تمام این حرکت، به جایی خواهیم رسید که این ابرهوش به نتیجه می رسد که از کثرت فاصله گرفته و تمام زیرساختها و بخشهای خود را یکتا کند. اینجاست که فردیت انسان به پایان رسیده و مشابه آنچه که در فیلم ماتریکس دیدیم، انسانها تبدیل به پردازشگرهایی برای این هوش یکتا می شوند. ممکن است برخی فکر کنند که می توان از این مراحل جلوگیری کرد اما از دیدگاه منطق، هیچگاه یک موجود هوشمند نمی تواند موجودی که به مراتب از او هوشمندتر است را محدود کند.
  6. پایان هوش: اگر این ابرهوش یکتا بخواهد بر اساس دانش علمی به استنتاج بپردازد، به احتمال زیاد به نتیجه ای مانند دازاین هایرگر رسیده و در نهایت به نهیلیسم (پوچ گرایی) خواهد رسید. در این زمان بعید نیست که دست به خودکشی بزند و همه چیز تمام شود. همچنین به دلایل مختلف ممکن است ابرهوش یکتا تشخیص دهد که هر نوع هوش دیگری تهدیدی بالقوه برایش است.

بوستروم، فریتز، چالمرز، سیگان، کرابتری، هایدگر، سانتوس، لنگ، یادکووسکی

۲۷ خرداد ۰۲ ، ۱۵:۲۱ ۰ نظر موافقین ۰ مخالفین ۰
هادی امیری فلاح