کتاب هوش مصنوعی

کتاب
آپدیت شده در : 01/ 09/ 1402
نویسنده : تیم تولید محتوا
4 دیدگاه

برخی از دوستان به اشتباه تصور می کنند “هوش مصنوعی” تنها برای برخی از رشته های خاص می باشد، در حالیکه در قرن 21 به هیچ وجه چنین نیست و امروزه به راحتی رد پای هوش مصنوعی را می توان در هر شغل و رشته ای مشاهده کرد.

متاسفانه به دلیل رشد نه چندان جالب اقتصاد جهانی سخن از آینده 10 تا 20 سال پیش رو و جایگزین کامل ربات ها بجای کارهایِ انسانی کمی مشکل است ولی با قطعیت می توان گفت؛

درنهایت ربات ها جایگزین کارهای انسانی (بعد فیزیکی) خواهند شد، و گویا چاره ای جز خلاق بودن برای انسان های صد سال آینده وجود نخواهد داشت.

هوش مصنوعی چیست

هوش مصنوعی، هوش ماشین هاست! در واقع شاخه ای از علوم کامپیوتر است که قصد دارد راه حل های الگوریتمی را ارائه کند تا بتوانیم به وسیله آنها در ماشین ها هوشمندی ایجاد کنیم. اما این تعریف کافی نیست؛ اول از همه باید بدانیم که تعریف هوشمندی چیست و بعد باید منظور از ماشین را دربیابیم:

فیلم سینمایی "I, Robot" — فیلم سینمایی “I, Robot”

استدلال، منطق، تصمیم گیری؛ این ها توانایی هستند که شما از آنها استفاده می کنید. پس شما هوشمند هستید. اگر این توانایی ها را در کامپیوتر هم ایجاد کنیم، آنگاه به ماشین هوشمند دست می یابیم! به همین سادگی … ولی به جز این ها چیز های دیگری هم در رابطه با تعریف هوشمندی وجود دارند که دانستن آنها را می توان مهم ارزیابی کرد. در واقع بحث هایی که در مورد هوشمندی و هوش مصنوعی مطرح شده است؛ تنها به دوره ی امروزه ی ما و قرن 21 مربوط نمی شود، بلکه از سال 1950 این مباحث به طور جدی مطرح شد.

نگاهی دقیق‌تر به هوش مصنوعی

هوش مصنوعی (Artificial intelligence) که به اختصار به آن AI یا MI نیز گفته می‌شود، به هوشمند شدن ماشین‌ها اشاره دارد. در این مبحث، هوشمندی ماشین‌ها، در قیاس با هوش طبیعی (natural intelligence) موجود در انسان‌ها و دیگر حیوانات مورد بررسی قرار می‌گیرد.

در علوم کامپیوتر به انجام پژوهش در زمینه «هوش مصنوعی»، مطالعه «عامل‌های هوشمند» نیز می‌گویند. هر دستگاهی که محیط خود را درک کند و بر اساس ادراکش اقدامی انجام دهد که شانس دستیابی موفقیت‌آمیز به هدف را بیشینه کند، یک عامل هوشمند است. به عبارت دیگر، ماشینی که بتواند محیط را درک کند و بر اساس ادراکی که از محیط به دست آورده برای رسیدن به یک هدف خاص تصمیم‌گیری کرده و اقدامی را انجام دهد که امکان موفقیت آن بیشترین میزان ممکن است، یک عامل هوشمند نامیده می‌شود. در واقع، عبارت «هوش مصنوعی» زمانی به‌کار می‌رود که ماشین عملکردهای «شناختی» مانند «یادگیری» و «حل مساله» را که مرتبط با مغز انسان است تقلید می‌کند.

دامنه موضوعاتی که در زمینه هوش مصنوعی قابل بررسی و پژوهش هستند گسترده است و از این رو درباره آن اختلاف نظرهایی وجود دارد. با افزایش توانمندی ماشین‌ها، دیگر صحبت از انجام وظایف نیازمند «هوشمندی» نیست؛ و این منجر به ایجاد پدیده‌ای به نام «اثر هوش مصنوعی» (AI effect) می‌شود. پدیده اثر هوش مصنوعی موجب می‌شود دامنه مفاهیم هوش مصنوعی تا جایی گسترش یابد که پژوهشگران این حوزه یک تعریف کنایه‌ای برای آن ارائه کنند. در این تعریف آمده: «هوش مصنوعی یعنی انجام دادن کاری که پیش از این انجام نشده است».

برای مثالی از گستردگی موضوعات قابل انجام در هوش مصنوعی می‌توان به تشخیص کاراکتر اپتیکی اشاره کرد که معمولا خارج از مباحث هوش مصنوعی مطرح می‌شود و به یک فناوری معمول مبدل شده است. دیگر قابلیت‌های هوش مصنوعی شامل درک زبان انسانی، رقابت کردن در بازی‌های استراتژیک سطح بالا (مانند شطرنج و Go)، خودروهای خودران، مسیریابی هوشمند در شبکه‌های انتقال محتوا و شبیه‌سازی‌های نظامی می‌شود.

هوش مصنوعی در سال 1956 به عنوان یک زمینه دانشگاهی مطرح شد و از آن زمان تاکنون چندین موج بهبود و شکست را به خود دیده است.

به شکست‌هایی که در زمینه ارتقا این دانش به وقوع پیوسته، اصطلاحا «زمستان هوش مصنوعی» می‌گویند. به دنبال این شکست‌ها، رویکردهای نو، موفقیت‌های چشم‌گیر و سرمایه‌گذاری‌های جدیدی نیز در این زمینه صورت پذیرفته است. در راستای گستردگی موضوعات موجود در هوش مصنوعی، آن‌ها را به زیردسته‌هایی تقسیم کرده‌اند که اغلب ارتباطی با یکدیگر ندارند. این زیربخش‌های موضوعی بر مبنای ملاحظات فنی مانند اهداف خاص (برای مثال، رباتیک و یادگیری ماشین)، استفاده از ابزارهای مشخص (منطق یا شبکه‌های عصبی)، یا تفاوت‌های عمیق فلسفی تعیین شده‌اند.

اهداف دیرینه‌ای که در پژوهش‌های هوش مصنوعی همواره قصد پرداختن به آن‌ها وجود داشته شامل استدلال، ارائه دانش، برنامه‌ریزی، یادگیری، پردازش زبان طبیعی، ادراک و توانایی حرکت دادن و دست‌کاری کردن اشیا می‌شود. «هوش عمومی» یکی از اهداف بلند مدتی است که هوش مصنوعی درصدد دستیابی به آن است. رویکردهای هوش مصنوعی شامل روش‌های آماری، هوش محاسباتی و هوش مصنوعی نمادین سنتی می‌شود. ابزارهای زیادی از جمله بهینه‌ساز ریاضیاتی و جست‌و‌جو، شبکه‌های عصبی، روش‌های مبتنی‌بر آمار و احتمالات و اقتصاد نیز در هوش مصنوعی مطرح هستند. دانش یاد شده، در زمره علوم کامپیوتر، ریاضیات، روانشناسی، زبان‌شناسی، فلسفه و بسیاری از دیگر علوم می‌گنجد.

مبحث هوش مصنوعی براساس این ادعا ایجاد شده که انسان‌ها موجوداتی هوشمند و به دنبال ساخت ماشین‌هایی با چنین ویژگی (هوشمندی) هستند. «ماشین هوشمند»، ماشینی است که می‌تواند هوشمندی انسان را شبیه‌سازی کند. همین موضوع، منجر به ایجاد بحث‌های فلسفی گوناگونی درباره ماهیت ذهن انسان و رعایت اصول اخلاقی در ساخت موجودات هوشمند با هوش انسان‌گونه شده است. این چالش‌ها در آثار حماسی، ریاضیاتی، روانشناسی، زبان‌شناسی، فلسفی و دیگر پژوهش‌های علمی مورد بررسی قرار گرفته‌اند.

با وجود گستردگی مفهومی و مزایایی که هوش مصنوعی برای انسان‌ها در پی دارد، برخی افراد بر این باورند که اگر این مبحث به صورت افسارگسیخته‌ای پیشرفت کند، به خطری برای نوع بشر مبدل می‌شود. این در حالیست که گروهی دیگر نیز باور دارند هوش مصنوعی، برخلاف انقلاب فناوری، خطر بیکاری حجم عظیمی از انسان‌ها را به دنبال دارد. با وجود نظرات انتقادی و مخالفت‌هایی که با هوش مصنوعی شده و می‌شود، در قرن بیست و یکم، روش‌های مورد استفاده در این دانش به واسطه مزایای پیشرفته‌ای که در قدرت محاسباتی، پردازش حجم انبوه داده‌ها، و درک مباحث نظری داشتند، حیاتی دوباره گرفتند؛ و در حال حاضر هوش مصنوعی بخشی اساسی از صنعت فناوری است که به حل چالش‌های گوناگون در علوم رایانه کمک می‌کند.

پیشینه ی هوش مصنوعی

باید گفت که از این نظر هوش مصنوعی یکی از غنی ترین تاریخ ها را دارد، منتها در قصه ها! ماشین ها و مخلوقات مصنوعی باشعور، اولین بار در افسانه های یونان باستان مطرح شدند. شبه انسان ها باور داشتند که باید یک تمدن بزرگ را تشکیل دهند؛ تندیس ها و مجسمه های انسان نما در مصر و یونان به حرکت در آمده بودند و … حتی در مواردی این قصه ها، پای جابر بن حیّان و چند تن دیگر را هم به سازندگان موجودات مصنوعی باز کردند.

از قصه ها که بگذریم؛ فیلسوف ها و ریاضی دان ها از مدت ها پیش مباحث مربوط به استدلال و منطق را پیش کشیدند و امروزه این مباحث به صورت قرار دادی، به رسمیت پذیرفته شده است. این گونه منطق ها اساس کامپیوتر های دیجیتال و برنامه پذیر شده اند.

یکی از افرادی که نقش اساسی و مهمی در هوش مصنوعی ایفا کرد آقای آلن تورینگ بود.

نظریه تورینگ

تئوری تورینگ مبتنی بر این بود که می توانیم با استفاده از نشانه ها و اعدادی مانند 0 و 1، هر استدلال ریاضی ای را در کامپیوتر عملی کنیم. همزمان با این نظریه کشف های تازه ای در زمینه ی عصب شناسی، نظریه اطلاعات و فرمانشناسی، به وقوع پیوسته بود. این پیشرفت ها الهام بخش گروهی کوچک از پژوهشگران شد تا به طور جدی به مساله ایجاد یک مغز الکترونیکی رسیدگی نمایند.

تست تورینگ

در سال 1950، آلن تورینگ مقاله ای را در رابطه با هوش مصنوعی منتشر ساخت که بعد ها به تست تورینگ مشهور شد. در این مقاله عنوان شده بود که اگر فردی از پشت یک دیوار یا هر چیز جدا کننده دیگری، با کامپیوتر مکالمه کتبی داشته باشد و نداند که طرف مقابلش انسان نیست و پس از پایان مکالمه نیز متوجه این موضوع نشود، آنگاه می توان کامپیوتر را ماشینی هوشمند نامید زیرا توانسته است که در برابر یک انسان به اندازه کافی از استدلال و منطق استفاده کند. تست تورینگ تا حدی توانست هوش مندی را توجیه کند ولی فقط ((تا حدی))! اما از آن زمان تا کنون ماشینی اختراع نشده است که توانسته باشد این تست را با موفقیت بگذراند. هر چند زبان AIML ابداع شد، اما این زبان هرگز به این حد از هوش مصنوعی دست نیافت.

تیمی که در زمینه هوش مصنوعی تحقیق می کردند، در تابستان سال 1956، کنفرانسی را در محوطه کالج دارتموث برگزار کردند. این کنفرانس به همراه افرادی مانند جان مک کارتی، ماروین مینسکی، آلین نویل و هربت سیمون که برای دهه ها پیشتازان تحقیق برای هوش مصنوعی بودند انجام شد. آنها و دانش آموزان آنها، برنامه ای نوشته بودند که حقیقتا برای عده زیادی از مردم شگفت آور بود. این برنامه می توانست مشکلات نوشتاری در جبر را حل کند، استدلال های منطقی را اثبات کند و به زبان انگلیسی سخن بگوید. در اواسط دهه ی 1960، بودجه سنگینی برای دایرکردن آزمایشگاه های تحقیقاتی در گرداگرد دنیا، از سوی حوزه ی دفاعی ایالات متحده آمریکا، اختصاص داده شد. پیشتازان هوش مصنوعی درباره آینده آن در جهان بسیار خوش بین بودند.

هربت سیمون پیشبینی کرده بود که در مدت 20 سال، کامپیوتر های هوشمند می توانند، هر کاری را که انسان انجام می دهد، انجام دهند.

در واقع مشکلات بزرگی که در آن زمان برای ایجاد هوش مصنوعی وجود داشت، اساسا حل شده بود.

زمستانی سخت برای هوش مصنوعی

علیرغم چیز هایی که در بالا گفته شد، تیم مذکور، در شناخت و رفع برخی از مشکلات هوش مصنوعی با شکست مواجه شد، در سال 1970 در مقابل انتقادات آقای جیمز لایتهیل از انگلستان و فشار های مداوم کنگره برای کم کردن بودجه برای پروژه های بزرگ، دولت های انگلیس و آمریکا تمام پژوهش های به نتیجه نرسیده برای هوش مصنوعی را لغو کردند و در اندک سالیان بعد از آن، به سختی برای هوش مصنوعی، بودجه اختصاص داده می شد. این دوره را زمستان هوش مصنوعی یا A.I Winter می نامند.

به زودی در سال 1980، پژوهش ها بر روی هوش مصنوعی از سر گرفته شد و این امر مدیون این بود که سیستم های هوشمند، به موفقیت های تجاری دست یافتند. سیستم های هوشمند، ترکیب هایی از هوش مصنوعی بودند که مهارت و دانش و توان تجزیه تحلیلی یک متخصص را شبیه سازی می کردند. در سال 1985، هوش مصنوعی به بازار یک میلیارد دلاری دست یافت و در همان زمان پروژه ی کامپیوتر های نسل پنجم ژاپن، که متوقف شده بود، از سر گرفته شد و بودجه ای برای تحقیقات آکادمیک در این زمینه در نظر گرفته شده بود. اما در سال 1987 باز هم چرخ گردان به گونه ای دیگر چرخید و بازار فروش ماشین های پردازش لیست (Lisp Machines) (با زبان Lisp) که با مشکلاتی موجه بودند، نابود شد و در یک ثانیه تمام آبروی هوش مصنوعی را هم با خود برد. پس این بار زمستان طولانی تر و سخت تری برای هوش مصنوعی فرارسید.

پس از آن، بهاری نو

پس از این مشکلات، در دهه 1990 و نزدیک به قرن بیست و یکم، هوش مصنوعی به یکی از بزرگ ترین موفقیت های خود دست یافت. اگر چه چیز هایی پشت پرده ماندند ولی هوش مصنوعی در زمینه های مهمی مانند استدلال و منطق، داده کاوی، تشخیص های پزشکی و طیف های گسترده ای از تکنولوژی و صنعت به کار گرفته می شد.

مقایسه، استدلال و حل مسائل

خیلی زود توسعه دهندگان هوش مصنوعی به این نتیجه رسیدند که باید در الگوریتم های خود از نحوه حل مساله (گام به گام) استفاده کنند. در واقع انسان ها هم معمولا برای حل مواردی از جمله: ساختن پازل و … از این روش استفاده می کنند. آنها همچنین توانستند که پس از دهه های 80 و 90 الگوریتم های موفقیت آمیزی را برای درک داده ها و اطلاعات نا کامل عرضه کنند که این الگوریتم ها از احتمالات، برای درک این اطلاعات استفاده می کردند.

برای حل مسائل سخت، بیشتر این الگوریتم ها به کامپیوتر های بزرگ و قدرتمندی برای پردازش نیاز داشتند. بسیاری از این الگوریتم ها به مقدار زیادی حافظه (رم) نیاز داشتند و حتی در صورت فراهم آمدن آن، با وجود سخت افزار های آن زمان، مدت مورد نیاز برای پردازش نجومی بود. بنابر این می توان این مساله را دریافت که: جستجو برای الگوریتم های بهتر و موثر تر در آن زمان، از اولویت های اصلی پژوهشگران هوش مصنوعی بود.

انسان برای حل مسائل خود خیلی سریع عمل می کند. چیزی که باید فهمید این است که اگر چه انسان در جمع و تفریق اعداد از کامپیوتر شکست می خورد، اما مساله فقط جمع و تفریق نیست. در واقع اولین گام برای حل مساله درک آن است و این چیزی است که برای انسان بسیار ساده و برای کامپیوتر ها بسیار سخت است. بر این اساس آنها به تحقیقات زیادی پرداختند و به این نتیجه رسیدند که باید برای بازدهی بیشتر از شبکه های عصبی استفاده کنند. این کار به آنها کمک می کرد تا بتوانند به ساختار اعصاب و مغز انسان و سایر حیوانات نزدیک تر شوند.

مبانی هوش مصنوعی

یک عامل هوشمند، محیط خود را درک می‌کند و بر اساس ادراک حاصل شده، اقدامی را انجام می‌دهد که شانس دستیابی موفقیت‌آمیز به هدف را بیشینه کند. تابع هدف هوش مصنوعی می‌تواند ساده (مثلا، اگر عامل هوشمند برنده بازی Go شود «یک» و در غیر این صورت «صفر») یا پیچیده (برمبنای ریاضیات عملیاتی را انجام بده که پیش از این برای انجام آن جایزه دریافت کرده‌ای) باشد. اهداف را می‌‌توان به صورت ضمنی تعریف و یا آن‌ها را استنتاج کرد. در همین راستا، اگر هوش مصنوعی برای «یادگیری تقویتی» برنامه‌ریزی شود، اهداف را می‌توان به‌طور ضمنی با دادن پاداش به برخی از رفتارها و تنبیه کردن دیگر رفتارها تعیین کرد. از سوی دیگر، یک سیستم تکامل یافته می‌تواند با استفاده از «تابع برازش»، سیستم‌های هوش مصنوعی امتیاز بالا را جهش داده و تکثیر کند تا به اهداف خود دست یابد. روش بیان شده مشابه با راهکاری است که از آن با عنوان «پرورش گزینشی» یاد می‌شود؛ در این شیوه هدف توسعه صفاتی خاص در برخی از حیوانات، مانند سگ‌ها است به شکلی که این صفات در نسل‌های بعدی آن‌ها به صورت غریزی وجود داشته باشد. به عنوان مثالی دیگر برای این امر می‌توان به شیوه کشف غذا توسط حیوانات اشاره کرد.

در برخی از روش‌های هوش مصنوعی مانند الگوریتم نزدیک‌ترین همسایگی، استدلال با استفاده از تقلید کردن انجام می‌شود. در چنین روش‌هایی، به جای تعیین اهداف سیستم در ابتدای امر، مجموعه داده‌های برچسب‌دار به عنوان ورودی الگوریتم داده می‌شوند. در واقع، برای هر نمونه داده مشخص می‌شود که خروجی نهایی چه بوده (برچسب) و سیستم براساس آن می‌آموزد که در هر شرایط چگونه عمل کند و یا برای یک ورودی مشخص، خروجی نهایی سیستم چیست. چنین سیستم‌هایی بی‌هدف هستند و برای تخصیص بنچ‌مارک به آن‌ها باید در چارچوبی هدف‌دار تعریفشان کرد. از این‌رو معمولا آن‌ها را به عنوان سیستم‌هایی تعریف می‌کنند که «هدفشان» انجام دادن مجموعه‌ای محدود از وظایف دسته‌بندی است.

هوش مصنوعی مبحثی است که حول محور استفاده از الگوریتم‌ها جریان دارد. یک الگوریتم، مجموعه‌ای از دستورالعمل‌های شفاف (و غیر مبهم) است که یک رایانه مکانیکی می‌تواند آن‌ها را اجرا کند. الگوریتم‌های پیچیده معمولا بر مبنای دیگر الگوریتم‌های ساده‌تر ساخته می‌شوند. یک مثال ساده از الگوریتم، دستورالعمل زیر برای بازی تیک‌تاک‌تو (ایکس-او یا همان دوز) است.

اگر بازیکن دارای «تهدید» است (یعنی دارای دو مهره در یک سطر است)، مربع دیگر (در همان سطر) را بگیر. در غیر این‌صورت،
اگر انجام یک حرکت منجر به ساخت دو تهدید به طور هم‌زمان شود، آن حرکت را انجام بده، در غیر این‌صورت،
اگر مربع مرکزی خالی است آن را بگیر، در غیر این‌صورت،
اگر رقیب شما در گوشه بازی می‌کند، گوشه مقابل را بگیر، در غیر این‌صورت،
در صورت وجود یک گوشه خالی آن را بگیر، در غیر این‌صورت،
هر مربع خالی موجودی را بگیر

بسیاری از الگوریتم‌های هوش مصنوعی قادر به یادگیری از داده‌ها هستند. این الگوریتم‌ها می‌توانند خودشان را با یادگرفتن از اکتشافات جدید (جست‌و‌جوی اکتشافی یا هیوریستیک روشی برای حل مسائل هوش مصنوعی است) بهبود ببخشند و یا حتی الگوریتم‌های دیگری بنویسند. به لحاظ تئوری می‌توان گفت برخی از «یادگیرندگان» (الگوریتم‌های هوش مصنوعی) شامل شبکه‌های بیزی، درخت‌های تصمیم و نزدیک‌ترین همسایگی می‌توانند در صورت در اختیار داشتن داده، زمان و حافظه نامحدود بیاموزند که هر تابعی، از جمله هرگونه ترکیبی از توابع ریاضی، را تخمین بزنند تا جهان (منظور محیط پیرامون عامل هوشمند است) را به بهترین شکل توصیف کنند.

بنابراین به لحاظ تئوری این یادگیرندگان می‌توانند همه دانش‌های ممکن را با در نظر گرفتن کلیه فرضیه‌های ممکن و مطابقت دادن آن‌ها با داده‌ها، استخراج کنند. این در حالیست که در عمل به دلیل وقوع پدیده «انفجار ترکیبی» (Combinatorial explosion) در نظر گرفتن کلیه احتمالات هرگز ممکن نیست. انفجار ترکیبی پدیده‌ای است که به علت رشد نمایی زمان مورد نیاز برای حل مساله – با افزایش حالات در نظر گرفته شده – به وقوع می‌پیوندد. در اغلب پژوهش‌های هوش مصنوعی به این مساله پرداخته شده که چگونه می‌توان پهنه وسیع احتمالات ممکن در یک مساله خاص که برای حل آن مفید نیستند را در نظر نگرفت.

برای مثال، هنگام مشاهده نقشه و جست‌و‌جو برای یافتن کوتاه‌ترین مسیر از مشهد به بیرجند در ناحیه شرقی ایران، در اغلب موارد می‌توان از مسیرهای موجود در سنندج و دیگر نواحی غربی چشم‌پوشی کرد. بدین‌ ترتیب، یک عامل هوشمند مجهز به الگوریتم مسیریابی (مثلا الگوریتم *A) می‌تواند با در نظر گرفتن محتاطانه‌تر مسیرها از وقوع پدیده انفجار ترکیبی جلوگیری کند.

سریع‌ترین (و ساده‌ترین برای درک) رویکرد برای هوش مصنوعی نمادگرایی (مانند منطق رسمی) است: «اگر یک فرد بزرگسال تب دارد، پس ممکن است آنفولانزا داشته باشد». رویکرد دوم، و عمومی‌تر، استنباط بیزی است: «اگر بیمار در حال حاضر تب دارد، به هر حال احتمال دارد آنفولانزا داشته باشد». سومین رویکرد، که استفاده از آن در کسب‌و‌کارها بسیار مرسوم است، بهره‌گیری از روش‌های قیاسی مانند ماشین بردار پشتیبان و نزدیک‌ترین همسایگی است. در چنین روش‌هایی، پس از بررسی و مقایسه کردن نمونه داده‌های موجود از بیماران قدیم که ویژگی‌های سن، علائم بیماری و درجه حرارت بدن آن‌ها بیشترین تطابق را با بیمار کنونی دارد، و بررسی اینکه چند درصد از آن بیماران به آنفولانزا مبتلا شده‌اند می‌توان نتیجه‌گیری کرد چه میزان احتمال دارد بیمار کنونی نیز به آنفولانزا مبتلا باشد». رویکرد چهارم درک مساله، سخت‌تر و الهام گرفته از چگونگی عملکرد دستگاه مغز است. بر اساس رویکرد شبکه‌های عصبی، یاخته‌های عصبی (نورون) مصنوعی می‌توانند به‌وسیله مقایسه خودشان با خروجی مورد انتظار و با تغییر دادن نقاط قوت ارتباطات بین نورون‌های داخلی جهت «تقویت» ارتباطاتی که به نظر مفید می‌رسند، یادگیری را انجام دهند.

این چهار رویکرد اصلی، می‌توانند با یکدیگر و با سیستم تکامل یافته، هم‌پوشانی داشته باشند. برای مثال، شبکه‌های عصبی قادر هستند بیاموزند که چگونه استنباط، عمومی‌سازی و تقلید کنند. برخی از سیستم‌های هوش مصنوعی به طور ضمنی یا صریح از چند مورد از این رویکردها در کنار بسیاری از دیگر الگوریتم‌های هوش مصنوعی و غیر هوش مصنوعی (روش‌های آماری و دیگر موارد) استفاده می‌کنند. لازم به ذکر است، بهترین رویکرد معمولا بسته به مساله متفاوت خواهد بود.

الگوریتم‌های یادگیری بر این اساس هستند که استراتژی‌ها، الگوریتم‌ها و استنتاج‌هایی که در گذشته عملکرد خوبی داشته‌اند، احتمال دارد در آینده نیز به خوبی کار کنند. چنین استنباط‌هایی می‌توانند بسیار واضح و ساده باشند، مثلا «از آنجا که طی 10000 سال گذشته خورشید هر روز صبح طلوع کرده، فردا نیز طلوع خواهد کرد.» و یا منحصر به فرد باشند، مانند «X٪ تیره‌های موجودات زنده دارای گونه‌های جغرافیایی مجزا با تنوع رنگی هستند، بنابراین Y٪ شانس آن وجود دارد که قوهایی به رنگ مشکی نیز وجود داشته باشند». برخی از یادگیرندگان براساس مبانی «تیغ اوکام» کار می‌کنند که براساس آن ساده‌ترین نظریه برای تشریح داده‌ها، محتمل‌ترین آن‌ها است. بنابراین، یادگیرنده برای موفق شدن، باید به‌گونه‌ای طراحی شود که جز در مواردی که نظریات پیچیده اساسا بهتر هستند، نظریات ساده‌تر را به نظریات پیچیده‌تر ترجیح دهد. بنا نهادن یادگیرنده برمبنای نظریات بد و بیش از اندازه پیچیده منجر به برازش نامناسب داده‌های آموزش می‌شود که به آن بیش‌برازش می‌گویند.

بسیاری از سیستم‌ها تلاش می‌کنند به یک روش، متناسب با اینکه چقدر خوب داده‌ها را برازش می‌کند پاداش داده و براساس میزان پیچیدگی آن را تنبیه کنند. علاوه بر بیش‌برازش کلاسیک، یادگیرندگان می‌آموزند که چگونه با «آموختن درس غلط» ناامید شوند. به عنوان مثالی ساده از این امر می‌توان به یک «دسته‌بند» (classifier) تصاویر اشاره کرد که فقط با عکس‌های اسب‌های قهوه‌ای و گربه‌های سیاه آموزش داده شده است. بنابراین، دسته‌بند ممکن است چنین نتیجه‌گیری کند که هر بخش قهوه‌ای رنگی در تصویر یک اسب است. یک مثال جهان واقعی از این مساله آن است که بر خلاف انسان‌ها، روش‌های دسته‌بندی تصاویر موجود، ارتباط فضایی بین مولفه‌های تصویر را تشخیص نمی‌دهند. بلکه، الگوهایی از پیکسل‌ها را می‌آموزند که انسان‌ها به آن‌ها بی‌توجهند، و به‌طور خطی بین تصاویری از یک نوع مشخص همبستگی برقرار می‌کنند. وجود حجم زیادی از چنین الگوهایی روی تصاویر عادی، منجر به ایجاد یک تصویر «غلط انداز» می‌شود که سیستم نمی‌تواند آن را طبقه‌بندی کند.

هوش مصنوعی در حال حاضر در مقایسه با انسان‌ها فاقد برخی از ویژگی‌های انسانی است که از آن جمله می‌توان به استدلال مبتنی بر «خرد جمعی» اشاره کرد. انسان‌ها دارای مکانیزم‌های قدرتمندی برای استدلال درباره موضوعات عامیانه فیزیک مانند فضا، زمان و تعاملات فیزیکی هستند. این امر حتی کودکان را قادر می‌سازد که به سادگی استنباط‌هایی مانند اینکه «اگر این مداد را از روی میز قِل بدهم به زمین می‌افتد» انجام دهند. انسان‌ها همچنین یک مکانیزم قدرتمند برای «روانشناسی مردمی» دارند که به آن‌ها کمک می‌کند جملات زبان طبیعی مانند «مدیر مدرسه با دادن مجوز به دانش‌آموزان مخالفت کرد زیرا آن‌ها از بی‌نظمی حمایت می‌کردند» را تفسیر کنند.

این در حالیست که یک عامل هوشمند به سختی می‌تواند بفهمد که آیا واقعا دانش‌آموزان از بی‌نظمی حمایت می‌کردند یا مدیر تمایلی به انجام فعالیت فوق برنامه نداشته است. این فقدان «دانش عمومی» اغلب بدین معناست که هوش مصنوعی اشتباهاتی متفاوت با انسان انجام می‌دهد، که ممکن است برای انسان غیر قابل درک و عحیب به نظر برسد. به عنوان مثالی دیگر می‌توان به خودروهای خودرانی اشاره کرد که از هوش مصنوعی استفاده می‌کنند. این خودروها نمی‌توانند استدلالی درباره اینکه هدف بعدی عابر پیاده (موقعیتی که قصد دارد به آن حرکت کند) چیست داشته باشند، در حالی‌که یک انسان راننده می‌تواند برای این شرایط به استدلال مشخصی دست یابد.