انسان و كامپيوتر

انسان ها از کامپیوترها باهوش ترند. چرا چنین گفته می‌شود؟
کامپیوترها هرگز قادر به این کار به طور مطلوب نیستند. شاید بهتر است بگوییم آن‌هاموجودات منطقی ای هستند و تنها اعمال منطقی را به خوبی انجام می دهند.
هدف هوش مصنوعی را می توان در این جمله خلاصه کرد که می خواهد در نهایت به کامپیوترهایی دست یابد که اغلب در فیلم های سینمایی مشاهده می شود، ماشین‌های بسیار توانمند تر از انسان – هدفی که بسیار از دنیای واقعی به دور
است . دنیایی که اغلب به خاطراشتباهات فاحش کامپیوترها هزینه‌های بسیار زیادی را متحمل می شود .
اگر به درون مغز نگاه کنیم ، به هیچ صورت چنین ساختاری را مشاهده نخواهیم کرد. بررسی اولیه ما چیزی جزمجموعه ای گره خورده از ماده‌ای خاکستری رنگ نشان نمی دهد. بررسی بیش‌تر و روشن‌ می کند که مغز از اجزایی ریز تشکیل شده است . لیکن این اجزاء به شیوه‌ای بی نهایت پیچیده‌، مرتب شده‌اند و هز جزء به هزاران جزء دیگر متصل است. شاید این تفاوت در شیوه ساختار ، علت اصلی اختلاف بین مغز و کامپیوتر است. کامپیوترها طوری طراحی شده‌ اند که یک عمل را بعد از عمل دیگر باسرعت بسیار زیاد انجام دهند . لیکن مغز ما با تعداد اجزای بیش‌تر اما با سرعتی بسیار کم‌تر کار می‌کند . در حالی که سرعت عملیات در کامپیوتر‌ها به میلیون‌ها محاسبه در ثانیه بالغ می شود، سرعت عملیات در مغز تقریباً بیش‌تر از ده بار در ثانیه نمی‌باشد. لیکن مغز در یک لحظه با تعداد زیادی اجزاء به طور هم زمان کار می کند، کاری که از عهده کامپیوتر بر نمی‌آید . کامپیوتر ماشینی سریع اما پیاپی کار است در حالی که مغز شدیداً ساختاری موازی دارد. کامپیوترها می توانند عملیاتی را که با ساختار آن‌ها سازگاری دارند به خوبی انجام دهند. برای مثال شمارش و جمع‌کردن اعمالی پیاپی  است که یکی بعد از دیگری انجام می شود . لیکن دیدن و شنیدن، اعمالی شدیداً موازی‌اند که در آن‌ها داده‌های متضاد و متفاوت هر کدام باعث اثرات و ظهور خاطرات متفاوتی در مغز می شوند وتنها از طریق ترکیب مجموعه این عوامل متعدد است که مغز می‌تواند چنین اعمال شگفتی را انجام دهد .
نتیجه‌ای که می توان گرفت این است که مسائل مورد نظر ما شدیداً خاصیت موازی دارند. این مسائل نیازمند پردازش حجم زیادی از اطلاعات متفاوت هستند که باید در تقابل با یکدیگر به حل مسأله بیانجامد.
سرعت عامل مهمی نیست . آنچه مهم است موازی بودن است و مغز به خوبی برای این کار مهیا شده است . شیوه برخورد روش محاسباتی شبکه‌های عصبی، تسخیر اصول راهبردی است که زیر بنای فرآیند مغز برای پاسخ‌گویی به این سؤالات و به کارگیری آن‌ها در سیستم‌های کامپیوتری است .
در مدل‌سازی سیستم‌های اصلی مغز، باید راه کاری را بیابیم که بیش‌تر با ساختار موازی مغز سازگاری داشته باشد نه با ساختار پی‌درپی
به هر صورت ساختار طبیعتاً موازی سیستم های شبکه های عصبی آن ها را مناسب به کارگیری در ماشین های موازی می کند. که می تواند مزایای بیش تری از نظر سرعت  و قابلیت اطمینان داشته باشد.
شاید یکی از بارزترین ویژگی‌های مغز توان فراگیری آن باشد. مغز می‌تواند به خود آموزش دهد . یادگیری از طریق مثال همان شیوه‌ای است که توسط آن اطفال زبان را فرا می‌گیرند . نوشتن، خوردن و آشامیدن را می آموزند و مجموعه معیارها و نکات اخلاقی را کسب می کنند . چنین تحولی درسیستم‌های کامپیوتری متعارف مشاهده نمی شود . کامپیوترها معمولاً از برنامه‌های از پیش نوشته شده‌ای پیروی می کنند ک قدم به قدم دستورات مشخصی را در کلیه مراحل عملیاتی به آن ها می دهند هر مرحله از کار بایدبه وضوح شرح داده شود.
ساختار مغز
می‌دانیم که مغز تقریباً دارای ۱۰۱۰ وحد پایه به نام نرون است و هر نرون تقریباً به ۱۰۴ نرون دیگر اتصال دارد.
نرون عنصر اصلی مغز است و به تنهایی مانند یک واحد پردازش منطقی عمل می کند . نرون‌ها دو نوع هستند . نرون‌های داخلی مغز که در فاصله‌های حدود ۱۰۰ میکرون به یکدیگر متصل اند و نرون‌های خارجی که قسمت‌های مختلف مغز را به یکدیگر و مغز را به ماهیچه‌ها و اعضای حسی را به مغز متصل می‌کنند . نحوه عملیات نرون بسیار پیچیده است و هنوز در سطح میکروسکوپی چندان شناخته شده نیست، هر نرون بسیار پیچیده است و هنوز در سطح میکروسکوپی چندان شناخته شده نیست ، هر چند قوانین پایه آن نسبتاً روشن است .هر نرون ورودی‌های متعددی را پذیراست که با یکدیگر به طریقی جمع می‌شوند . اگر در یک لحظه ورودی‌های فعال نرون به حد کفایت برسد نرون نیز فعال شده و آتش می‌کند . در غیر این صورت نرون به صورت غیر فعال وآرام باقی می ماند. نمایشی از ویژگی های عمده نرون بدنه نرون سوما نامیده می شود . به سوما رشته‌های نامنظم طولانی متصل است که به آنها دندریت می‌‌گویند  . قطر این رشته‌ها اغلب از یک میکرون نازک‌تر است و اشکال شاخه‌ای پیچیده‌ای دارند.
دندریت‌ها نقش اتصالاتی را دارند که ورودی ها را به نرون ها می رساند . این سلول ها می توانند عملیاتی پیچیده‌تر از عملیات جمع ساده را بر ورودی های خود انجام دهند، لیکن عمل جمع ساده را می‌توان به عنوان تقریب قابل قبولی از عملیات واقعی نرون به حساب آورد.
یکی از عناصر عصبی متصل به هسته نرون آکسون نامیده می شود. این عنصر بر خلاف دندریت از نظر الکتریکی فعال است و به عنوان خروجی نرون عمل می‌کند.‌اکسون‌ها همیشه‌ در روی خروجی سلول‌ها مشاهده می شوند . لیکن اغلب در ارتباط‌های بین نرونی غایب‌اند. اکسون وسیله‌ای غیر  خطی است که در هنگام تجاوز پتانسیل ساکن داخل هسته از حد معینی پالس ولتاژی را به میزان یک هزارم ثانیه، به نام پتانسیل فعالیت، تولید می کند . این پتانسیل فعالیت در واقع یک سری از پرش های سریع ولتاژ است.
رشته اکسون در نقطه تماس معینی به نام سینا پس قطع می شود و در این مکان به دندریت سلول دیگر وصل می گردد. در واقع این تماس به صورت اتصال مستقیم نیست بلکه از طریق ماده شیمیایی موقتی صورت می‌گیرد . سیناپس پس از آن که پتانسیل آن از طریق پتانسیل های فعالیت دریافتی از طریق آکسون به اندازه کافی افزایش یافته از خود ماده شیمیایی به نام منتقل کننده عصبی ترشح می‌کنند.
منتقل کننده عصبی ترشح شده درشکاف بین اکسون و دندریت پخش می شود و باعث می گردد که دروازه‌های موجود در دندریت‌ها فعال شده و باز شود و بدین صورت شارژ شده وارد دندریت شوند . این جریان یون است که باعث می‌شود پتانسیل دندریت افزایش یافته و باعث یک پالس ولتاژ در دندریت شود که پس از آن منتقل شده و وارد بدن نرون دیگر می شود .
ورودی‌های نرون باید از آستانه معینی تجاوز کند تا نرون بتوند کنش کند.
یک نرون خود به تنهایی می‌تواند دارای ورودی های سیناپسی متعددی در روی دندریت‌های خود باشد و ممکن است باخروجی های سیناپسی متعددی به دندریت‌های نرون‌های دیگر وصل شود.
یادگیری در سیستم‌های بیولوژیک
تصور می شود یادگیری هنگامی صورت می‌گیرد که شدت اتصال یک سلول و سلول دیگر در محل سیناپس‌ها اصلاح می گردد. به نظر می‌رسد که این مقصود از طریق ایجاد سهولت بیش‌تر در میزان آزاد شدن ناقل شیمیایی حاصل می گردد. این حالت باعث می شود که دروازه‌های بیش‌تری روی دندریت‌های سمت مقابل باز شود و به این صورت باعث افزایش میزان اتصال دو سلول شود .
تغییر میزان اتصال نرون‌ها به صورتی که باعث تقویت تماس‌های مطلوب شود از مشخصه‌های مهم در مدل‌های شبکه‌های عصبی است .
آخرین لایه خارجی آن قشر مغز نامیده می شود، همچنین دیدم که ساختار مغز به گونه‌ای است  انجام این فعالیت‌ها را به آسانی امکان‌پذیر می سازد و در عوض در زمینه‌های دیگر کارآیی مغز را محدود می کند. روند تکامل مغز متأثر از فعالیت هایی بوده که اهمیت بیش تری داشته است، از آن‌جایی که توانایی دین و شنیدن صدا در انسان از توانایی جمع کردن دقیق اعداد اهمیت بیش‌تری داشته و این امر باعث تکامل این جنبه مغز شده است. مغز دارای ساختاری شدیداً موازی که در آن تعداد زیادی واحدهای محاسباتی ساده به صورت مشترک انجام فعالیت را به عهده دارند، به جای این که تمام بار فعالیت را بر دوش یک واحد سریع قرار دهند، این تقسیم کار پیامدهای مثبت دیگری نیز دارد، چون تعداد زیادی نرون در یک زمان درگیر فعالیت هستند سهم هر یک از نرون‌ها چندان حائز اهمیت نیست . بنابراین اگر یکی راه خطا رود نتیجه آن تأثیر چندانی بر دیگران نخواهد داشت . این نحوه توزیع   کار که اصطلاحاً پردازش توزیع شده نامیده می شود، دارای این خاصیت است که لغزش های احتمالی در جای جای سیستم پردازی تا اندازه‌ای قابل چشم‌پوشی می باشد. در واقع مغز با توجه به توانایی یادگیری می تواند نقصان همیشگی یکی از نرون‌های خود را با وارد کردن نرون‌های دیگر جبران کند. توان انجام فعالیت در  حالی که فقط تعدادی از نرون‌ها به درستی کار می کنند را در محافل محاسباتی تحمل خطا می‌گویند، زیرا که سیستم، مثلاً مغز ، می‌تواند بدون ایجاد خروجی های بی معنی خطاها را تحمل کند . این یکی از ویژگی‌های بارز مغز است ، کامپیوترها در ساختار بسیار متفاوت اند .
کامپیوترها در ساختار بسیار متفاوت‌اند. به جای استفاده از میلیون‌ها واحد پردازش اطلاعات نسبتاً کند و بسیار متصل به یکدیگر مانند مغز، از یک یا چند واحد پردازش بسیار سریع استفاده می‌کنند که می توانند میلیون‌ها محاسبه را در هر ثاینه انجام دهند.  این توانایی و سرعت کامپیوترها را در انجام عملیات ساده و تکراری مانند جمع اعداد بسیار کارآمد می‌کند ولی آن‌ها را در  انجام عملیاتی چون بینایی که  نیاز به پردازش انواع مختلف داده به صورت موازی دارد ناتوان می‌سازد . آن ها همچنین به علت عدم توانایی در توزیع فعالیت نسبت به خطا توانایی چشم‌پوشی و اغماض ندارند. چنانچه واحد پردازش کامپیوتر از کار بیفتد داستان خاتمه یافته
است .
این مسائل نهایتاً موجب تمایلات جاری به ایجاد کامپیوترهای متفاوت شده است . این کامپیوترها از اصولی پیروی می کنند که پدیده تکامل درطول میلیون‌ها سال شکل داده است، و آن چنین است ، استفاده از عناصر ساده و اتصال تنگاتنگ عناصر و انجام کار مشترک توسط انبوهی از عناصر
چشم انداز طرح شناسی
برای درک بیش تر مسأله طرح شناسی فعالیتی که برای اکثر مردم مشترک است یعنی بینایی را در نظر بگیرید. بخش عمده اطلاعات که ما جذب می کنیم ( به عبارت دیگر به سیستم بیولوژیکی شبکه‌های عصبی ما وارد می شود ) به صورت طرح به ما عرضه می گردد . متنی که اکنون مطالعه می کنید طرح های متنوع و پیچیده‌ای را به صورت رشته‌های حروف به شما نشان می دهد . قبل از این که درگیر فهم جملات شویم ، سیستم بینایی باید مسأله شناسایی طرح‌ها را حل کند، به عبارت دیگر لکه‌های کج و معوج مرکب منقوش بر این صفحه را به عنوان حروف شناسایی کند.
با وجود این شناخت حروف یکی از مسائل نسبتاً ساده «طبقه‌بندی» محسوب می گردد. این مسئله را می‌توان با استفاده از روش تطبیق الگوها حل کرد .
حال فرض کنید خط متن ما تغییر کند . اگر برای خط جدید الگوهای مناسب نداشته باشیم روش طبقه‌بندی ما به احتمال زیاد به سختی شکست خواهد خورد .
شناسایی متون تنهاا یکی از نمونه مسئله‌های طرح شناسی است . دامنه این شکل هنگامی که ما توجه خود رابه سایر زمینه‌های طرح شناسایی چون شناسایی صداها و حتی شناسایی روند سهام بازار بورس معطوف می کنیم بسیار گسترده‌تر می شود .
تعریف بازشناسی الگوها
هدف اصلی بازشناسی الگوها طبقه‌بندی است.
بازشناسی الگوها را می توان به دو مرحله تقسیم کرد. اول مرحله استخراج مشخصه‌ها و دوم مرحله طبقه‌بندی .
مشخصه به معنی کمیتی است که برای طبقه‌بندی طرح اندازه‌گیری می شود. مثلاً اگر مسأله شناسایی متون را دوباره در نظر بگیریم، برا ی تشخیص حرف «f » از حرف « E » لازم است که تعداد خطوط عمودی واقعی و افقی را مقایسه کنیم.
مشخصه‌ها در اختیار دستگاه های طبقه‌بندی کننده قرار می گیرند . وظیفه دستگاه طبقه بندی کننده انعکاس این مشخصه‌ها در فضای طبقه‌بندی است به عبارت دیگر با داشتن مشخصه‌های ورودی، این دستگاه باید تصمیم بگیرد که طرح‌های  داده شده به کدام طبقه بیش‌ترین تطابق را نشان می دهند .
بردارهای مشخصات و فضای مشخصات
طبقه‌بندی به ندرت بر پایه یک مشخصه یا اندازه‌گیری منفرد از الگوهای ورودی صورت می‌گیرد. معمولاً اندازه‌گیری‌های متعدد لازم است تا بتوان الگوهای متعلق به گروه‌های مختلف را به حد کافی از یکدیگر تمیز داد. اگر n  اندازه‌گیری از الگوی ورودی به عمل آوریم و هر اندازه‌گیری نمایانگر یک مشخصه معین از طرح ورودی باشد، می توانیم از علائم جبری استفاده کنیم و مجموعه مشخصه‌ها را به صورت یک بردار نشان دهیم. در این صورت بردار مذکور را بردار مشخصات  می نامیم. تعداد ابعاد بردار (تعداد عناصر بردار) فضایی n بعدی ایجاد می کند که فضای مشخصات می نامیم.
یک مثال بدیهی می تواند مسأله تمیز دادن هنرمندان باله از بازیکن‌های رگبی باشد و دو مشخصه را برا ی اندازه گیری انتخاب کنیم، یکی و دیگری وزن .
توابع تشخیص دهنده یا ممیز
 با بررسی توزیع نمونه‌های اندازه گیری شده به خوبی مشاهده می شود که نمونه‌ها در دو خوشه مجزا تقسیم شده‌اند.
با مشاهده طرز قرار گرفتن خوشه ها می توانیم حدس بزنیم که با کشیدن یک خط مستقیم بین دو خوشه می توانیم آن‌ها را به طور دلخواه از یکدیگر جدا کنیم. اگر بتوانیم محدوده تقسیم بندی داده ها را تعریف کنیم ، عمل طبقه بندی به یک فرآیند تصمیم گیری تبدیل می شود که تشخیص می دهیم هر داده ورودی جدید در کدام طرف خط مستقیم قرار می‌گیرد . صورت ریاضی چنین محدوه تصمیم « تابع ممیز» نامیده می شود .
درعمل توصیه می ود که تابع ممیز تا حد امکان ساده باشد.
درمثال فوق کاملاً روشن است که ساده‌ترین تابع خط راست است . این یک نمونه از گروه گسترده دستگاه های طبقه‌بندی است که اصطلاحاً طبقه‌بندی خطی نامیده می‌شوند.