ماشین تورینگ و مقایسه آن با ماشین واقعی

 Universal Turing machines( UTM )

هر ماشین تورینگ یک تابع ثابت  جزئی قابل محاسبه معین[1] را از روی رشته ورودی الفبایش محاسبه می کند. از این جهت مانند یک کامپیوتر با یک برنامه ثابت رفتار می کند. بهر حال ما قادریم که جدول عملیات [2] هر ماشین تورینگی را در یک رشته[3] کدگذاری[4] کنیم. بنابراین می توانیم یک ماشین تورینگ را که درانتظار یک رشته شرح دهنده ی جدول عملیات و بدنبالش یک رشته شرح دهنده نوار ورودی است را ایجاد کنیم , تا  نواری که ماشین تورینگ کدشده محاسبه می نمود را محاسبه نماید بعبارت دیگر جدول عملیات یک ماشین تورینگ  را به صورت یک  رشته ورودی به یک ماشین تورینگ  دیگر داده ایم تا محاسباتی که ماشین اول می بایست انجام می داد را ماشین مقصد انجام دهد. آقای تورینگ چنین ساختاری را با جزئیات بیشتر در مقاله ای در سال 1936 شرح داد.

در 1937 , وی چنین اظهار نمود:

"می توان نشان داد که یک ماشین خاص منفرد از این نوع را می توان ساخت که بتواند کار همه ماشینها را انجام دهد.در حقیقت می توان چنین ماشینی ساخت تا بصورت یک مدل برای هر ماشین دیگری کار کند , این ماشین خاص را ماشین جهانی[5] می نامیم . "

این گفته ,شاید , اولین نظریه مقدماتی  برای سیستم عامل باشد؛ یک برنامه برای اجرای کنترل شده برنامه های دیگر . . . نشان داد که چنین ماشینی وجود دارد – واینرا که می توان بصورت عملی چنین مدلی داشت را برای اذهان قابل قبول کرد.

با چنین کدکردن جداول عملیاتی بصورت رشته های ورودی , بعنوان یک اصل برای ماشینهای تورینگ  ممکن شد که به سوالاتی درباره رفتار ماشینهای تورینگ دیگر پاسخ دهند. بسیاری از این پرسشها , اگرچه تصمیم ناپذیرند[6], بدین معنی که تابع مورد سوال بصورت مکانیکی قابل محاسبه نیست. بعنوان مثال , مسئله  اینکه :" آیا  یک ماشین تورینگ مشخص  برای یک ورودی خاص  , یا برای همه ورودیها توقف[7] خواهد نمود؟" , که با عنوان" مسئله توقف[8] " مشهور است , نشان داده شده که بطور کلی در مقاله اصلی تورینگ تصمیم ناپذیر است . قضیه Rice   نشان می دهد که هر سوال غیر بدیهی در باره رفتار یا خروجی یک ماشین تورینگ تصمیم ناپذیر است .

یک  UTM  می تواند نسبتا ساده باشد ,  فقط شامل تعداد  کمی حالات و نیز تعداد معدودی از Symbol ها .بعنوان مثال از وقتی که یک   2X18 UTM (به معنی دو حالت و 18 Symbol ) شناخته شده است  فقط دو حالت (State ) مورد نیاز است .

گاهی اوقات کوچکترین UTM های شناخته شده که یک مدل محاسباتی بنام سیستم برچسب[9]  را شبیه سازی کرده اند دارای این تعداد از حالات و Symbol ها بوده اند:

2×18, 3×10, 4×6, 5×5, 7×4, 10×3, 24×2 (بعنوان نمونه برای توضیحات مفصل یک  ماشین tag-system-based 4x7    ببینید : Minsky , بخش : 14.8.1 صفحه (  277

Wolfram در کتاب خود " "A New Kind of Scienceیک UTM کوچکتر با 2 حالت و 5 Symbol معرفی کرد که یک اوتوماسیون سلولی[10] را شبیه سازی می کند که آنرا بعنوان ساده ترین UTM  شناخته شده  در آورد.

یک ماشین تورینگ جهانی Turing-complete  می باشد . چنین ماشینی قادر است که هر تایع بازگشتی را محاسبه کند , هر زبان بازگشتی را استنتاج نماید و هر زبان بازگشتی قابل شمارش[11] را بپذیرد. برمبنای قضیه Church-Turing مسائلی که با UTM قابل حل اند کاملا با یک الگوریتم ویا با یک متود محاسباتی موثر[12] قابل حل خواهند بود .

یک نسخه مجرد[13]  از ماشین تورینگ جهانی تابع جهانی[14] می باشد ؛ یک تابع قابل محاسبه که می تواند برای محاسبه هر تابع قابل محاسبه دیگری مورد استفاده قرار گیرد . تئوری UTM وجود چنین تابعی را ثابت می کند.

 

مقایسه با ماشینهای واقعی

اغلب گفته می شود که ماشینهای تورینگ برخلاف دیگر آتاماتاهای ساده تر  توان و قدرت ماشینهای واقعی را داراست , وقادر است که هر عملیاتی که یک ماشین واقعی می تواند اجرا کند را اجرا نماید.چیزی که در این جمله به آن توجه نشده آن است که تقریبا هر برنامه خاصی که بر روی یک ماشین خاص در حال اجراست در واقع هیچ چیزی نیست مگر یک  خودکارسازی محدود قطعی[15] , چراکه  ماشینی که آنرا اجرا می کند فقط می تواند بصورت محدود در پیکربندی[16] های زیادی قرار بگیرد . ماشینهای تورینگ درواقع معادلند با ماشینی که دارای مقدار فضای ذخیره سازی نا محدودی است .ممکن است بپرسیم که چرا ماشینهای تورینگ مدلهای مفیدی برای کامپیوتر های واقعی هستند .

روشهای مختلفی برای پاسخ به آن وجود دارد:

1-  هر چیزی که یک کامپیوتر واقعی قادر به محاسبه آن است , ماشین تورینگ نیز قادر به آن است , بنابراین هر جمله ای درباره محدودیتهای ماشین تورینگ  بر کامپیوتر های واقعی نیز اعمال خواهد شد.

2-  تفاوت کاذبی که وجود دارد تنها با این توانایی ماشین تورینگ که قادر است مقدار نامحدودی از داده را دستکاری کند ایجاد می شود . اگرچه براساس یک محدوده زمانی داده شده , یک ماشین تورینگ ( مانند یک ماشین واقعی ) فقط می تواند مقدار محدودی از داده را دستکاری کند.

3-  مانند یک ماشین تورینگ , یک ماشین واقعی میتواند درصورت نیاز با دریافت دیسکهای بیشتر یا رسانه های ذخیره سازی دیگر فضای ذخیره سازیش را بزرگ تر کند . اگراز فراهم کردن آن واماند, در ان صورت ممکن است که ماشین تورینگ بعنوان یک مدل غیر مفید بنظر برسد , ولی حقیقت آن است که نه ماشین تورینگ ونه ماشین واقعی هیچ کدام برای انجام محاسبات مفید به مقادیر نجومی فضای ذخیره سازی نیاز ندارند.زمان پردازش مورد نیاز معمولا خیلی بیشتر از یک مساله می باشد ؛بعنوان نمونه "busy beaver" مثالی است از ماشینهایی که تعداد خیلی زیادی از مراحل را فقط با استفاده از مقادیر ناچیزی ازتعداد بیتها بانجام می رسانند.

4-  ماشینهای واقعی خیلی پیچیده تر از یک ماشین تورینگ هستند.بعنوان مثال ماشین تورینگی که یک الگوریتم را شرح می دهد ممکن است از تعداد کم " چند صد حالت " تشکیل شده باشد , در حالی که خودکارسازی  محدود قطعی معادل روی یک ماشین واقعی دارای 1015 حالت می باشد ! این موجب می شود که نمایش DFA برای آنالیز غیر عملی باشد.                    

             

5-  ماشینهای تورینگ الگوریتمها را شرح می دهند مستقل از اینکه چقدر حافظه بکار می برند. برای هر ماشین شناخته شده حد بالای مقدار حافظه ای که دارد مشخص است ولی این محدودیت بطور قراردادی می تواند برطرف شود, ماشین های تورینگ به ما این امکان را می دهند که جملاتی در باره الگوریتم ها بسازیم که بصورت تئوریک همواره نگه داشته می شوند, بدون توجه به پیشرفتها در زمینه معماری مرسوم ماشین محاسبه گر.

 

6-  ماشین های تورینگ جملات الگوریتم را ساده سازی می کنند , الگوریتمهای اجرا شده روی ماشینهای مجرد معادل تورینگ معمولا خیلی کلی تر از همتایشان روی ماشین واقعی هستند, زیرا آنها دارای انواع داده با دقت قراردادی هستند و هرگز نباید با شرایط غیر منتظره مواجه شوند( مثلا running out of memory  )

 

از مواردی که در آن ماشینهای تورینگ مدلهای ضعیفی برای برنامه ها هستند می توان به بسیاری از برنامه های واقعی اشاره کرد , مانند سیستمهای عامل و پردازشگر کلمات , که این برنامه ها برای دریافت ورودی نامحدود در طول زمان نوشته شده اند . ماشینهای تورینگ چنین محاسبات موجودی را بخوبی مدل نمی کند ( ولی هنوزقسمتهایی از آنرا نیز مدل می کند , مانند رویه های مستقل)

محدودیت دیگر ماشینهای تورینگ این است که آنها توانایی های آرگومانهای خاص را بخوبی مدل نمی کنند . برای مثال کامپیوتر های مدرن درواقع نمونه هایی از فرم ماشینهای محاسبه گرخیلی خاص که بانام ماشینهای بادسترسی تصادفی[17]( (RAM مشخص می شوند هستند.  ابتدایی ترین تفاوت میان این ماشینها و ماشین تورینگ این است که ماشینهای تورینگ یک نوار نامحدود استفاده می کنند در حالی کهRAM ها  یک دنباله اندیس دارشمارشی[18] را استفاده می کنند(بطور نمونه یک فیلد Integer). نتیجه این تفاوت این است که براساس اندیس های حافظه ای می توان بهینه سازی های محاسباتی بکار برد که در یک ماشین تورینگ عام ممکن نیست ؛ بنابراین زمانیکه ماشینهای تورینگ  بعنوان اساس اجراهای زمانی محدود بکار می روند , یک " اشتباه محدودیت  پایین[19] "  می تواند در زمان های اجرای الگوریتم های معینی بوجود آید ( مربوط به فرض "  "false simplifyingدر ماشین تورینگ).

یک مثال از آن مرتب سازی شمارشی [20] است که از قرار معلوم در الگوریتم های مرتب سازی حد پایین   Ω(n log n)را نقض می کند . مورد دیگر جستجوی دودویی است که حد پایین خطی Ω(n) جستجو در لیست مرتب ماشینهای تورینگ را نقض می کند.



[1] certain fixed partial computable function

[2] action table

[3] string

[4] encode

[5] universal machine

[6] undecidable

[7] halt

[8] Halting problem

[9] tag system

[10] cellular automaton

[11] recursively enumerable language

[12] effective method of computation

[13] abstract version

[14] universal function

[15] deterministic finite automaton

[16] configurations

[17] random access machine

[18] numerically indexed sequence

[19] false lower bound

[20] counting sort

 

References

  • Rolf Herken. The Universal Turing Machine – A Half-Century Survey. Springer Verlag. ISBN 3-211-82637-8.
  • Paul Strathern. Turing and the Computer – The Big Idea. Anchor Books/Doubleday. ISBN 0-385-49243-X.
  • Wolfram, Stephen, A New Kind of Science, Wolfram Media, ISBN 1-57955-008-8 John Hopcroft and Jeffrey Ullman,
  •  Introduction to Automata Theory, Languages and Computation, Addison-Wesley, Reading Mass, 1979. See Chapter 7 "Turing Machines." An incredibly difficult book centered around the issues of machine-interpretation of "languages", NP-Completeness, etc.

 

هوش مصنوعی

رؤیای طراحان اولیه کامپیوتر از بابیج تا تورینگ ، ساختن ماشینی بود که قادر به حل تمامی مسائل باشد ، البته ماشینی که در نهایت ساخته شد ( کامپیوتر ) به جز دسته ای خاص از مسائل قادر به حل تمامی مسائل بود . اما نکته در اینجاست که این « تمامی مسائل » چیست ؟ طبیعتاً چون طراحان اولیه کامپیوتر ، منطق ‌دانان و ریاضیدانان بودند ، منظورشان تمامی مسائل منطقی یا محاسباتی بود . بدین ترتیب عجیب نیست ، هنگامی که فون ‌نیومان سازنده اولین کامپیوتر ، در حال طراحی این ماشین بود ، کماکان اعتقاد داشت برای داشتن هوشمندی شبیه به انسان ، کلید اصلی ، منطق ( از نوع به کار رفته در کامپیوتر ) نیست ، بلکه احتمالاً چیزی خواهد بود شبیه ترمودینامیک !
به هرحال ، کامپیوتر تا به حال به چنان درجه‌ای از پیشرفت رسیده و چنان سرمایه‌گذاری عظیمی برروی این ماشین انجام شده است که به فرض این که بهترین انتخاب نباشد هم ، حداقل سهل ‌الوصول ‌ترین و ارزان‌ترین و عمومی ‌ترین انتخاب برای پیاده‌سازی هوشمندیست.
بنابراین ظاهراً به نظر می ‌رسد به جای سرمایه ‌گذاری برای ساخت ماشین‌های دیگر هوشمند ، می ‌توان از کامپیوتر های موجود برای پیاده ‌سازی برنامه‌های هوشمند استفاده کرد و اگر چنین شود ، باید گفت که طبیعت هوشمندی ایجاد شده حداقل از لحاظ پیاده ‌سازی ، کاملاً با طبیعت هوشمندی انسانی متناسب خواهد بود ، زیرا هوشمندی انسانی ، نوعی هوشمندی بیولوژیک است که با استفاده از مکانیسم‌ های طبیعی ایجاد شده ، و نه استفاده از عناصر و مدار های منطقی .
در برابر تمامی استدلالات فوق می توان این نکته را مورد تاُمل و پرسش قرار داد که هوشمندی طبیعی تا بدان جایی که ما سراغ داریم ، تنها بر محمل طبیعی و با استفاده از روش های طبیعت ایجاد شده است . طرفداران این دیدگاه تا بدانجا پیش رفته ‌اند که حتی ماده ایجاد کننده هوشمندی را مورد پرسش قرار داده اند ، کامپیوتر از سیلیکون استفاده می کند ، در حالی که طبیعت همه جا از کربن سود برده است .
مهم تر از همه ، این نکته است که در کامپیوتر ، یک واحد کاملاً پیچیده مسئولیت انجام کلیه اعمال هوشمندانه را بعهده دارد ، در حالی که طبیعت در سمت و سویی کاملاً مخالف حرکت کرده است . تعداد بسیار زیادی از واحد های کاملاً ساده ( بعنوان مثال از نورون‌های شبکه عصبی ) با عملکرد همزمان خود ( موازی ) رفتار هوشمند را سبب می شوند . بنابراین تقابل هوشمندی مصنوعی و هوشمندی طبیعی حداقل در حال حاضر تقابل پیچیدگی فوق العاده و سادگی فوق العاده است . این مساُله هم اکنون کاملاً به صورت یک جنجال ( debate ) علمی در جریان است .
در هر حال حتی اگر بپذیریم که کامپیوتر در نهایت ماشین هوشمند مورد نظر ما نیست ، مجبوریم برای شبیه ‌سازی هر روش یا ماشین دیگری از آن سود بجوییم .

تاریخ هوش مصنوعی
هوش مصنوعی به خودی خود علمی است کاملاً جوان . در واقع بسیاری شروع هوش مصنوعی را 1950 می‌دانند زمانی که آلن تورینگ مقاله دوران ‌ساز خود را در باب چگونگی ساخت ماشین هوشمند نوشت ( آنچه بعد ها به تست تورینگ مشهور شد ) تورینگ در آن مقاله یک روش را برای تشخیص هوشمندی پیشنهاد می‌کرد . این روش بیشتر به یک بازی شبیه بود .
فرض کنید شما در یک سمت یک دیوار ( پرده یا هر مانع دیگر ) هستید و به صورت تله تایپ با آن سوی دیوار ارتباط دارید و شخصی از آن سوی دیوار از این طریق با شما در تماس است . طبیعتاً یک مکالمه بین شما و شخص آن سوی دیوار می ‌تواند صورت پذیرد . حال اگر پس از پایان این مکالمه ، به شما گفته شود که آن سوی دیوار نه یک شخص بلکه ( شما کاملاً از هویت شخص آن سوی دیوار بی‌خبرید ) یک ماشین بوده که پاسخ شما را می ‌داده ، آن ماشین یک ماشین هوشمند خواهد بود ، در غیر این صورت ( یعنی در صورتی که شما در وسط مکالمه به مصنوعی بودن پاسخ پی ببرید ) ماشین آن سوی دیوار هوشمند نیست و موفق به گذراندن تست تورینگ نشده است .
باید دقت کرد که تورینگ به دو دلیل کاملاً مهم این نوع از ارتباط ( ارتباط متنی به جای صوت ) را انتخاب کرد . اول این که موضوع ادراکی صوت را کاملاً از صورت مساُله حذف کند و این تست هوشمندی را درگیر مباحث مربوط به دریافت و پردازش صوت نکند و دوم این که بر جهت دیگری هوش مصنوعی به سمت نوعی از پردازش زبان طبیعی تاکید کند .
در هر حال هر چند تا کنون تلاش‌های متعددی در جهت پیاده سازی تست تورینگ صورت گرفته مانند برنامهEliza و یا AIML ( زبانی برای نوشتن برنامه ‌‌هایی که قادر به chat کردن اتوماتیک باشند ) اما هنوز هیچ ماشینی موفق به گذر از چنین تستی نشده است .
همانگونه که مشخص است ، این تست نیز کماکان دو پیش فرض اساسی را در بردارد :
1-
نمونه کامل هوشمندی انسان است .
2-
مهمترین مشخصه هوشمندی توانایی پردازش و درک زبان طبیعی است .
درباره نکته اول به تفصیل تا بدین جا سخن گفته ایم ؛ اما نکته دوم نیز به خودی خود باید مورد بررسی قرار گیرد . این که توانایی درک زبان نشانه هوشمندی است تاریخی به قدمت تاریخ فلسفه دارد . از نخستین روز هایی که به فلسفه ( Epistemology ) پرداخته شده زبان همیشه در جایگاه نخست فعالیت‌ های شناختی قرار داشته است . از یونانیان باستان که لوگوس را به عنوان زبان و حقیقت یکجا به کار می‌بردند تا فیلسوفان امروزین که یا زبان را خانه وجود می ‌دانند ، یا آن را ریشه مسائل فلسفی می‌خوانند ؛ زبان ، همواره شاُن خود را به عنوان ممتاز ترین توانایی هوشمند ترین موجودات حفظ کرده است .
با این ملاحظات می‌توان درک کرد که چرا آلن تورینگ تنها گذر از این تست متظاهرانه زبانی را شرط دست‌یابی به هوشمندی می ‌داند .
تست تورینگ اندکی کمتر از نیم‌قرن هوش مصنوعی را تحت تاُثیر قرار داد اما شاید تنها در اواخر قرن گذشته بود که این مسئله بیش از هر زمان دیگری آشکار شد که متخصصین هوش مصنوعی به جای حل این مسئله با شکوه ابتدا باید مسائل کم ‌اهمیت ‌تری همچون درک تصویر ( بینایی ماشین ) درک صوت و … را حل کنند .
به این ترتیب با به محاق رفتن آن هدف اولیه ، اینک گرایش ‌های جدید تری در هوش مصنوعی ایجاد شده ‌اند .
در سال ‌های آغازین AI تمرکز کاملاً بر روی توسعه سیستم‌هایی بود که بتوانند فعالیت ‌های هوشمندانه ( البته به زعم آن روز ) انسان را مدل کنند ، و چون چنین فعالیت‌هایی را در زمینه ‌های کاملاً خاصی مانند بازی های فکری ، انجام فعالیت ‌های تخصصی حرف‌های ، درک زبان طبیعی ، و…. می ‌دانستند طبیعتاً به چنین زمینه ‌هایی بیشتر پرداخته شد .
در زمینه توسعه بازی ‌ها ، تا حدی به بازی شطرنج پرداخته شد که غالباً عده ‌ای هوش مصنوعی را با شطرنج همزمان به خاطر می‌آورند . مک ‌کارتی که پیشتر اشاره شد ، از بنیان‌ گذاران هوش مصنوعی است این روند را آنقدر اغراق ‌آمیز می ‌داند که می ‌گوید :
«
محدود کردن هوش مصنوعی به شطرنج مانند این است که علم ژنتیک را از زمان داروین تا کنون تنها محدود به پرورش لوبیا کنیم . » به هر حال دستاورد تلاش مهندسین و دانشمندان در طی دهه ‌های نخست را می ‌توان توسعه تعداد بسیار زیادی سیستم‌ های خبره در زمینه ‌های مختلف مانند پزشکی عمومی ، اورژانس ، دندان پزشکی ، تعمیرات ماشین ، ….. توسعه بازی‌های هوشمند ، ایجاد مدل ‌های شناختی ذهن انسان ، توسعه سیستم های یاد گیری ، …. دانست . دستاوردی که به نظر می ‌رسد برای علمی با کمتر از نیم قرن سابقه قابل قبول به نظر می‌رسد .

افق ‌های هوش مصنوعی
در 1943، ) Mcclutch روانشناس ، فیلسوف و شاعر) و Pitts ( ریاضیدان ) طی مقاله ‌ای ، دیده ‌های آن روزگار درباره محاسبات ، منطق و روانشناسی عصبی را ترکیب کردند . ایده اصلی آن مقاله چگونگی انجام اعمال منطقی به وسیله اجزای ساده شبکه عصبی بود . اجزای بسیار ساده ( نورون‌ها ) این شبکه فقط از این طریق سیگنال های تحریک ( exitory ) و توقیف ( inhibitory ) با هم درتماس بودند . این همان چیزی بود که بعد ها دانشمندان کامپیوتر آن را مدار های ( And ) و ( OR ) نامیدند و طراحی اولین کامپیوتر در 1947 توسط فون نیومان عمیقاً از آن الهام می‌گرفت .
امروز پس از گذشته نیم ‌قرن از کار Mcclutch و Pitts شاید بتوان گفت که این کار الهام بخش گرایشی کاملاً پویا و نوین در هوش مصنوعی است .
پیوند گرایی ( Connectionism ) هوشمندی را تنها حاصل کار موازی و هم‌زمان و در عین حال تعامل تعداد بسیار زیادی اجزای کاملاً ساده به هم مرتبط می ‌داند .
شبکه‌های عصبی که از مدل شبکه عصبی ذهن انسان الهام گرفته ‌اند امروزه دارای کاربرد های کاملاً علمی و گسترده تکنولوژیک شده ‌اند و کاربرد آن در زمینه‌های متنوعی مانند سیستم‌های کنترلی ، رباتیک ، تشخیص متون ، پردازش تصویر ، … مورد بررسی قرار گرفته است .
علاوه بر این کار بر روی توسعه سیستم ‌های هوشمند با الهام از طبیعت ( هوشمندی ‌های ـ غیر از هوشمندی انسان ) اکنون از زمینه ‌های کاملاً پر طرفدار در هوش مصنوعی است .
الگوریتم ژنیتک که با استفاده از ایده تکامل داروینی و انتخاب طبیعی پیشنهاد شده روش بسیار خوبی برای یافتن پاسخ به مسائل بهینه سازیست . به همین ترتیب روش ‌های دیگری نیز مانند استراتژی ‌های تکاملی نیز ( Evolutionary Algorithms ) در این زمینه پیشنهاد شده اند .
در این زمینه هر گوشه ‌ای از ساز و کار طبیعت که پاسخ بهینه ‌ای را برای مسائل یافته است مورد پژوهش قرار می ‌گیرد . زمینه ‌هایی چون سیستم امنیتی بدن انسان ( Immun System ) که در آن بیشمار الگوی ویروس‌های مهاجم به صورتی هوشمندانه ذخیره می‌ شوند و یا روش پیدا کردن کوتاه‌ ترین راه به منابع غذا توسط مورچگان ( Ant Colony ) همگی بیانگر گوشه ‌هایی از هوشمندی بیولوژیک هستند .
گرایش دیگر هوش مصنوعی بیشتر بر مدل سازی اعمال شناختی تاُکید دارد ( مدل سازی نمادین یا سمبولیک ) این گرایش چندان خود را به قابلیت تعمق بیولوژیک سیستم‌های ارائه شده مقید نمی‌کند .
CASE-BASED REASONING
یکی از گرایش ‌های فعال در این شاخه می‌باشد . بعنوان مثال روند استدلال توسط یک پزشک هنگام تشخیص یک بیماری کاملاً شبیه به CBR است به این ترتیب که پزشک در ذهن خود تعداد بسیار زیادی از شواهد بیماری ‌های شناخته شده را دارد و تنها باید مشاهدات خود را با نمونه ‌های موجود در ذهن خویش تطبیق داده ، شبیه ‌ترین نمونه را به عنوان بیماری بیابد .
به این ترتیب مشخصات ، نیازمندی ‌ها و توانایی ‌های CBR به عنوان یک چارچوب کلی پژوهش در هوش مصنوعی مورد توجه قرار گرفته است .
البته هنگامی که از گرایش ‌های آینده سخن می‌گوییم ، هرگز نباید از گرایش‌های ترکیبی غفلت کنیم . گرایش ‌هایی که خود را به حرکت در چارچوب شناختی یا بیولوژیک یا منطقی محدود نکرده و به ترکیبی از آن ها می ‌اندیشند . شاید بتوان پیش ‌بینی کرد که چنین گرایش ‌هایی فرا ساختار های ( Meta –Structure ) روانی را بر اساس عناصر ساده بیولوژیک بنا خواهند کرد .


http://www.neuralnetwork.blogfa.com/

پیچیدگی محاسبات

برای دریافت فایل اینجا را بکلیکید.

گزارش وبلاگ

 گزارش وبلاگ از طریق لینکهای سمت چپ قابل دستیابی است.

توجه ۱: دوستانی که هنوز عضو وبلاگ نشده اند و مطالب خود را آماده نموده اند نام و نام خانوادگی و شماره دانشجویی خود را به: a_abdolhamidi@yahoo.com بفرستند تا به عضویت وبلاگ درآیند.

توجه ۲: گزارش خرابی فایلها را در قسمت نظرات همان پیام ذکر کنید.

 توجه۳: زمان ارسال مطالب برای وبلاگ تا تاریخ ۵ تیر می باشد.