عاطفه ی مصنوعی
 

سلام به همه ی دوستان. لطفا اگر کسی در مورد عاطفه ی مصنوعی ( artificial emotion) مطلبی داره منو راهنمایی کنه. خیلی ممنون میشم

بررسی و تحلیل رفتاری عاطفه
:1:
چکیده

مقدمه

فصل 1: روش شناسی مقدماتی: عاطفه و رهیافت مبتنی بر طراحی

1.1 عاطفه

1.2 دلیل بررسی عواطف و توصیف آن

1.3 رهیافت مبتنی بر طراحی در مطالعه عواطف

1.4 هستان شناسی و رهیافت مبتنی بر طراحی نسبت به عواطف(۱)

1.4 هستان شناسی و رهیافت مبتنی بر طراحی نسبت به عواطف(۲)

1.5 عاطفه در مقابل مفهوم آگاهی(۱)

1.5 عاطفه در مقابل مفهوم آگاهی(۲)

فصل 2: چرایی استفاده از عواطف

2.1 محدودیت‌های سیستم‌های هوشمند

2.2 معماری محاسباتی یک ذهن

2.3 فرایند محرک

فصل 3: عواطف و جنبه های نظری از دانش شناختی، اجتماعی و عصبی

3.1 بررسی وجود عواطف در عامل‌ها یا روبات‌ها(۱)

3.1 بررسی وجود عواطف در عامل‌ها یا روبات‌ها(۲)

3.2 شناخت مبتنی بر عواطف

3.2.1 شناخت(۱)

3.2.1 شناخت(۲)

3.2.2 معماری PEACTIDM

3.2.3 معماری Soar

3.2.4 مدل سازی عواطف

3.3 عاطفه از نگاه علوم عصبی

فصل 4: یک نمونه از هوش عاطفی تکامل یافته

4.1 عاطفۀ محاسباتی

4.1.1 یادگیری

4.1.2 یادگیری در مورد رویدادها (وقایع)

4.1.3 یادگیری در مورد کاربر

4.1.4 یادگیری در مورد فعالیتهای خوشایند و ناخوشایند

4.1.5 شرطى شدن پاولفى

4.2 شبیه سازی عاطفه

4.3 رفتار عامل

4.4 بحث

جمع بندی و نتیجه گیری

مراجع


منبع:وبلاگ شخصی بنیامین تیموری

چکیده

طبیعت همواره معلم انسان بوده است و در هنگام برخورد با مشکلات به کمک او آمده و راهی نو را روبری او قرار داده است. از طرفی به نظر می‌رسد که در طبیعت نوع بشر از الگوریتم‌های بسیار پیچیده و پُر قدرتی استفاده می‌کند و مهندسان و دانشمندان می‌توانند برای حل مسائل پیچیده‌ی خود از اینگونه روش‌ها بهره بگیرند. با این حال دستیافتن به اینگونه الگوریتم‌ها آسان نیست و نیازمند بررسی‌ و پژوهش‌ گروه‌های مختلفی از دانشمندان حوزه‌های متفاوت، و کنار‌هم قرار دادن ماهرانه و هنرمندانه‌ی آنهاست. به نظر می‌رسد که یکی از ابزار قابلیت‌های انسانها، عواطف و احساسات آنها می‌باشند. نکته‌ای که گروه‌های متفاوتی از دانشمندان در حوزه‌های مختلفی از علوم را بر آن داشت تا در این زمینه تحقیقات وسیعی انجام دهند. با این حال عواطف و احساسات به دلیل ماهیت اصلی خود حالتی پویا و پیچیده دارند و خود مسئله‌ای وسیع می‌باشند که نیازمند تلاش‌های بسیاری است. در اینجا سعی شده است که این قابلیت و پدیده‌ی پیچیده و جذاب بیشتر بررسی و شناسایی شود تا بتوان از آن در حل مسائل سخت و مشکل بهره گرفت. از این رو در اینجا سعی شده است عواطف و احساسات از دیدگاه‌های متفاوتی مورد بررسی قرار داده شده و نظرات دانشمندان حوزه‌های مختلف مورد بحث و تحلیل قرار گیرد تا بتوان در رابطه با این مفهوم به درک و آگاهی جامعی رسد. سپس وجود این پدیده و الگوریتم‌های مربوط به آن در عامل‌ها و روبات‌ها مورد بررسی قرار گرفته و امکان وجود آنها کنکاش شده تا بتوان دید بهتر نسبت به عواطف در عامل‌ها و روبات‌ها یافت. در نهایت نیز نمونه‌ای از کاربرد عواطف در مسئله‌ی یادگیری عامل‌ها مورد توجه قرار گرفته تا بتوان به این دید دست یافت که، عواطف و احساسات امر آموزش و یادگیری را در عامل‌ها تسریع می‌بخشند و نتایج امید بخشی پیش روی دانشمندان و تحلیل گران قرار می‌دهند.

مقدمه

در دنیای کنونی هر روز مسائل فراوانی حل می‌شود، با این حال اینها خود مسائل پیچیده‌تری را تولید می‌کنند. هر روز سرعت پردازنده‌ها افزایش می‌یابد، ولی در مقابل پیچیدگی مسائل باز گوی سبقت را می‌رباید و زمان و سرعت بیشتری را می‌طلبد. با این اوصاف احساس می‌شود دنیای علم نیازمند رهیافت یا روشی است تا بتواند در مقابل مسائل با پیچپدگی بالا پاسخی درخور و مناسب و در زمانی معقول بدان دهد. در دهه‌های گذشته آدمی تمام توان خود را بر این گذاشت که هر چه می‌تواند اطلاعات بیشتری کسب کند و آنقدر با جدیت به این کار پرداخت که دیگر خود اطلاعات تبدیل به موعضلی شده است. اطلاعات زیاد گاهاً همچون سدی جواب را از دید پنهان می‌کند و رسیدن به آن را مشکل‌تر و طولانی‌‌تر می‌سازد. از این جهت گروهی از دانشمندان در حوزه‌های مختلف سعی دارند از زاویه جدیدی به مسائل نگاه کنند و امیدواند بتوانند آنها را با پردازش کمتر و سرعت بیشتر در زمانی معقول، به جوابی در خور توجه برسانند.
در این بین به نظر می‌رسد عواطف بتوانند نقش مهمی بازی کرده و گره از این مسئله باز کنند. با این حال ابتدا باید عواطف را شناخت. دانشمندان عواطف را از دیدگاه‌های متفاوتی مورد بررسی قرار دادند، از دیدگاه علوم روانشناسی و شناختی Sloman. 1994))، از دیدگاه فلسفی (Strongman. 1987)، از دیدگاه علوم زیستی (Damasio. 1994) و علوم دیگر، و تا اندازه‌ای توانستند این مفهوم پیچیده و عمیق را مورد بررسی دقیق قرار داده و جنبه‌های مختلف آن را از نظر گذراندند، ولی هنوز اجماع کامل و دقیقی بر روی این مسئله صورت نگرفته و باید در انتظار مدل‌ها و تئوری‌های تازه‌تر و کامل‌تری در این حوزه‌ی جذاب از علم و پژوهش بود.
در فصل اول ابتدا تعاریف مختلف عاطفه مورد بررسی قرار می‌گیرد و سپس به سراغ رهیافت مبتنی بر طراحی رفته و سعی می‌کند تا حدامکان جنبه‌های مختلف این رهیافت را مورد بررسی قرار دهد. در فصل دوم سعی براین است که به چرایی استفاده از عواطف پاسخ داده شود و همچنین محدودیت‌های یک سیستم هوشمند و معماری یک ذهن محاسباتی را مورد بررسی و کنکاش قرار گیرد. فصل سوم سعی می‌کند عواطف را از دیدگاه علوم متفاوتی مورد بررسی قرار داده و نظرات دانشمندان علوم روانشناسی، علوم شناختی، علوم عصبی و هوش مصنوعی را مورد توجه قرار دهد. و با توجه به وجود عواطف تکامل یافته در انسان تمرکز بیشتری بر روی رویکرد شناختی داشته و چند معماری شناختی را از نظر می‌گذراند. در فصل چهارم نیز نمونه‌ای از عواطف را که باعث بهتر شدن روند یادگیری در عامل‌ها می‌شود را به عنوان مثالی از عواطف که در تسریع روند یادگیری مؤثر می‌باشند را مورد مطالعه قرار می‌دهد.

فصل 1: روش شناسی مقدماتی: عاطفه و رهیافت مبتنی بر طراحی

در اینجا بطور خلاصه دربارة اینکه عاطفه[1] چیست، چرا مطالعه در این زمینه مشکل است و چطور ممکن است آن را فهمید مورد بحث و بررسی می‌قرار می‌گیرد. یک رهیافت مبتنی بر طراحی[2] برای درک درونی پدیده‌ها به صورت خلاصه ارائه شده و رابطة آگاهی[3] با تئوری‌های عاطفه[4] نیز ملاحضه می‌شود.


1.1 عاطفه

عواطف در حالت روانی و فیزیولوژیکی در ارتباط با طیف وسیعی از احساسات[1] ، افکار[2] و رفتار‌ها[3] هستند. عواطف تجارب ذهنی هستند، که اغلب با روحیه، خلق و خو، شخصیت و مشرب وابسته هستند، عاطفه کلمه انگلیسی است که از کلمه فرانسوی émouvoir مشتق شده است. که پایه لاتین آنemovere است، که در آن e (تغییری از ex) به معنی "خارج" (Out) و movere به معنای "حرکت" می‌باشد (Emotional Competency - Emotion). همچنین این اصطلاح مربوط به "انگیزش" نیز می‌باشد که ازmovere مشتق شده است.
بعضی انسان‌ها از کلمة عاطفه برای توصیف خود، حالت‌های درونی‌ و رفتار‌های آشکار خود استفاده می‌کنند، که اغلب، اینها به عنوان عواطف شناخته شده است. برای مثال، با مشاهدة انسانی که در حال لگدزدن به یک اتومبیل است فهمیده می‌شود که او عصبانی یا خشمگین است. در این حال اگر از او پرسیده شود که چه احساسی دارد، احتمالاً از عباراتی برای توصیف حالات درونی خود استفاده می‌کند. اما این گمراه کننده است؛ توانایی شناخت به طور کلی از انواع شرایط تولیدی و انواع حالات عاطفی برای شناسایی وجود یک حالت عاطفی در کسی یا چیزی بهره می‌گیرد و استنباط کردن ناحیه استقرار درونی و رفتاری در گرو حالات خاص عاطفی قرار دارد. ایجاد یک مجموعه از مهارتهای اجتماعی در این زمینه می‌تواند کاملاً مفید باشد، مهارتها اغلب در طول سالهای بسیاری بدست می‌آید. به هر حال این مهارتها به صورت تئوری نیستند و انتظار می‌رود که عواطف، شناسایی عواطف[4] و تصویر سازی[5] از دنباله‌ای از عواطف نیازمند دانستن جزئیاتی که، مرتبط با مکانیزم‌های مغز باشد، نیست. برای مثال افراد می‌توانند بدانند که تلویزیون، اتومبیل، ماشین لباسشویی و واژه‌پرداز چه کاری انجام می‌دهند و همچنین اجرای آنها چه تأثیر و تعاملی با آنها دارد. بدون این که از جزئیات چگونگی کار آنها شناختی داشته باشد. دانشمندان دانش روان‌شناسی اگرچه از عواطف استفاده می‌کنند با این حال مکانیزمهای اولیۀ عواطف را توضیح نمی‌دهند، اگرچه ممکن است شامل فرضیات تلویحی درباره آنها باشد. با درخواست نشست دانشمندان با وجود سختیها و دشواریهایی که در رابطه با مفاهیم عاطفه وجود دارد، نیاز به تجدید نظر در این زمینه احساس می‌شود. که در این صورت این مفهوم بسط داده شده یا منقرض می‌شود. در این مورد ممکن است که دانشمندان روان شناسی، به صورت مجاز باقی بمانند و به طور خودمختار از لغات تکنیکی جدید از عواطف استفاده کنند. همانند همزیستی ساده لوحانه فیزیکدانان با مکانیزمهای فیزیک کلاسیک و کوانتومی (Wright, 1997).
آیا تعریف درستی برای عاطفه وجود دارد؟ نمی‌توان به راحتی به این سوال پاسخ مثبت داد، باید منتظر تئوری‌های عمیق‌تری درباره مکانیزمهای عاطفه بود و از این رو می‌توان امید داشت که تعریف دقیق‌تری از انواع پدیده‌هایی که درباره آن صحبت می‌شود تعریف شود. همانند انسانهایی که منتظر فیزیک و شیمی مدرن بودند، قبل از اینکه آنها تعریف خوبی از عباراتی مانند آب و نمک داشته باشند (Sloman, 1993).
مسئله دیگر تهیه تعریفی از عاطفه است که متفاوت از تعریف محققانی است که اغلب از مجموعه لغات متفاوتی برای پدیده‌های مشابه استفاده می‌کنند (برای مثال محققان علوم روان شناسی[6]، زیست شناسی[7]، علوم شناختی[8] و غیره) یا از لغات مشابهی برای پدیده‌های[9] متفاوت استفاده می‌کنند.
در متون علمی لغات و اصطلاحات زیادی وجود دارند که ممکن است با هم اشتباه گرفته شده و یا موجب آشفتگی گردد. علاوه بر این pfifer به این نکته اشاره می‌کند که برروی ترکیبات عاطفه به طور واقعی اجماعی حاصل نشده است (Pfeifer, 1994).
از این رو انتظار می‌رود که بر روی مکانیزمهای تحت ذهن نیز اجماعی حاصل نخواهد شد. بیشتر تئوریها نیازمند تعاریف هستند بنابراین عاطفه در این جا تقریباً تعریف واحدی ندارد. در عوض تئوریهای مکانیزمهای عقلی کشف شده و اصطلاحات جدیدی برای ارجاع به فرآیندهای این مکانیزمهای تولیدی معرفی شده است.
اصطلاحات جدید سپس می‌تواند به مفاهیم دانشمندان روان شناسی از عاطفه مرتبط شود. به هر حال کلمه "عاطفه" هنوز برای ارجاع به مجموعه‌ای از پدیده‌ها با توجه به ملاحظاتی بکار می‌رود.
به طور خلاصه این که، واقعاً نمی‌توان درک کاملی از عواطف داشت، اگر چه تئوریهای جزیی بسیاری در این زمینه وجود دارد، که تعدادی از آنها بررسی خواهند شد. در حقیقت این مطلب مجموعه‌ای از تئوری‌ها است و علاقمند است که به این سوال پاسخ دهد که : عواطف چیستند؟


1.2 دلیل بررسی عواطف و توصیف آن

بخشی از این کار مربوط به جذابیت ذاتی است که از شرح یک پدیده طبیعی ناشی می‌شود؛ مطالعه عاطفه می‌تواند به طور سودمندی در تعدادی از حوزه‌های علمی مفید باشد و کمک شایانی به آنها نماید. برای مثال یک درک بهتر از عواطف می‌تواند تکنیکهای بالینی را هنگامی که با اختلالات روانی و عاطفی سروکار دارد به صورت بهتری هدایت کند، همانند افسردگی.
تئوریهای پردازش اطلاعات عاطفی می‌توانند بر روی معماریهای عصبی تصویر شوند، مشروط بر این که دانشمندان علوم عصبی فهم بهتری از توابع و روابط بین مناطق جغرافیایی مغز بدست آورند. توسعه تئوریها، تحت مکانیزمهای عاطفی می‌تواند ما را به سمت طراحی و پیاده‌سازی هوشهای مصنوعی[1] رهنمون کند. مخصوصاً اگر پاسخ‌های عاطفی، که در دامنه‌های کاری مختلفی سازگار[2] می‌باشد، یافت شود. تئوریهای عاطفه می‌تواند، روان شناسی، فلسفه و هوش مصنوعی را در هم آمیزند و با هم مرتبط کند.
عواطف را می‌توان از روشهای گوناگونی که وابسته به انواع پرسش‌های درخواست شده می‌باشد توصیف کرد. برای مثال، می‌توان پرسید که عواطف چگونه روی می‌دهند یا به عبارتی اتفاق می‌افتند که این مورد نیازمند یک توصیف تکاملی یا اجتماعی است چرا که حالات عاطفی و رفتارها[3] با هم رشد و نمو پیدا می‌کنند.
همچنین می‌توان سوالاتی درباره توسعه عواطف در حالات فردی پرسید که آیا عواطف غریزی و یا فطری هستند و آموخته شده‌اند یا هر دوی اینها، و این که کدامیک از تغییرات عاطفی ممکن است در طول چرخه حیات آدمی رخ دهد. یا این که می‌توان پرسید عواطف چه هستند که در این صورت برای پاسخ نیاز است که توابعی از عواطف را تشریح نمود.
سوالات متفاوت محققان را به سمت متمرکز شدن بر روی جنبه‌های مختلفی از پدیده‌های عاطفی هدایت می‌کند. این جا اساساً بر روی پرسش‌های چطور و چه چیزی متمرکز می‌شود، از قبیل این که چگونه یک عامل[4] ممکن است دو عکس‌العمل را به سرعت انجام دهد، در حالی که وقایعی هنوز فعال هستند. علاوه بر این با توجه به آگاهی به امکانات آینده، برنامه‌‌ریز‌هایی نیز انجام دهد، و نیازهای مسائل خاصی را که توسط حالات عاطفی[5] و رفتارها ارضاء می‌شوند را نیز مورد توجه قرار دهد(Wright, 1997).
تئوریهای عواطف می‌توانند در سطوح متفاوتی از تجرید[6] ایجاد شوند. دانشمندان علوم عصبی در میان دیگر روش‌ها، پردازش سیگنالی را که در مدارهای عصبی رخ می‌دهد مورد مطالعه قرار می‌دهند. در حالی که دانشمندان علوم شناختی و محققان AI علاقمند به کشف انواع پردازش اطلاعات ممکن پیاده شده بر روی مدارات عصبی (یا ریزپردازنده‌ها) هستند.
این مطلب با توصیفاتی که در (Dennet, 1991) شده است با اهمیت شده و در آنجا ایشان گفته است که پردازش اطلاعات، سطحی از تجرید است؛ یا این که سطح اطلاعات یک سطح با اهمیت در برابر طراحی عاملها می‌باشد (یعنی بخشی از حالات این طراحی که حاوی مفاهیمی از اطلاعات است که حاصل شده[7]، ساخته شده[8]، دستکاری شده[9]، ذخیره شده[10] و توسط آن عامل‌ها بکار گرفته شده است، می‌باشد (Sloman A. , 1995)، توصیف سطح اطلاعات بکار رفته، در سطحی از تجرید بالاتر از سطح فیزیکی[11] است؛ اما با این حال پایین‌تر از سطح دانش[12] (Newell, 1990) و نوعی حالت تعمدی[13] است (Dennet, 1991).
سطح دانش و حال تعمدی پیش فرض منطقی عامل‌ها را توصیف و تشریح می‌کنند (یعنی، فعالیتهای عامل به طور قابل اعتمادی توسط یک رابطه منطقی بین دانش[14] و اهداف[15] تعیین شده است). در حالی که سطح اطلاعاتی به این صورت نیست.
برنامه نویسان کامپیوتر به طور طبیعی تابعیتِ برنامه‌های خود را در سطح اطلاعاتی تشریح می‌کنند، برای مثال برنامه‌ای را به عنوان دستکاری کننده سیستمی از آدرسها، جستجو در میان پایگاه داده کارمندان، شاخص‌گذاری در آرایه‌ای از پیکسلها که تصویری را نمایش می‌دهد و یا تکامل یک عبارت ریاضیاتی شرح می‌دهند و چنین توصیفاتی را بدون توجه به پیاده سازی فیزیکی برنامه ایجاد می‌کنند.

1.3 رهیافت مبتنی بر طراحی در مطالعه عواطف

مطالعه عواطف به روشهای مختلف علمی تقسیم می‌شود و می‌توان آنها را به صورت‌های مختلفی مورد مطالعه قرار داد.
رهیافتهای مطالعه عواطف می‌توانند به طور کاملاً گسترده‌ای طبقه بندی شوند همانند، روشهای مبتنی بر مفهوم یا نحو [1] ، مبتنی بر پدیده[2] و مبتنی بر طراحی[3] (Sloman, 1993). تجزیه و تحلیلهای تئوریهای مبتنی بر مفهوم یا نحو با استفاده از زبان به طور ضمنی فرضیاتی را که مرتبط با کارهای عاطفه می‌باشد را پوشش نمی‌دهند.
تئوریهای مبتنی بر پدیده فرض می‌کنند که عواطف یک طبقه کاملاً مخصوص هستند و تلاش می‌کنند که پدیده‌های هم زمان و مقیاس پذیر را با رخدادهای عاطفه مرتبط کنند. همانند تغییرات فیزیولوژیکی یا اجرای مدارات عصبی[4]. یک مثال قدیمی‌تر که Wiliam James ارائه داده است را می‌توانید در (Calhoum, 1984)بینید. همچنین برای مرور جامعی از بسیاری از تئوریهای مبتنی بر پدیده می‌توانید به (Strongman, 1987) مراجعه کنید.
در مقابل رهیافت مبتنی بر طراحی Sloman، که یک بازسازی منطقی از طرز کار هوش مصنوعی است. حالتی که یک مهندس که در تلاش است سیستمی را بسازد که پدیده توصیف شده را ارائه دهد. در عوض تجزیه و تحلیل محققان روان شناسی رابطه‌ای است که یک تئوری ضمنی را پوشش نمی‌دهد یا آزمایشهایی برروی انسان و حیوان اجرا می‌کند که، یک رهیافت مبتنی بر طراحی به طور مستقیم مکانیزم‌های تولید را آزمایش می‌کند. در قسمت بعد خلاصه ای از رهیافت مبتنی بر طراحی را به طور کامل مرور می‌کنید.


1.4 هستان شناسی و رهیافت مبتنی بر طراحی نسبت به عواطف(1)

فرض می‌کنیم که:
الف) معماری‌های فرآیند اطلاعاتی موجود، بر روی مغز انسان پیاده شده‌اند و بین رفتارهای داخلی و خارجی قرار دارند.
ب) متدولوژی مبتنی بر طراحی همواره یک رهیافت سیستماتیک به سمت سطح بالایی از تجانس[1] تابعی بین مصنوع، معماریهایی که کاملاً واضح طراحی شده‌اند و تعیین جنبه‌های با اهمیتی از توسعه را ارائه می‌دهند، معماریهایی که به طور طبیعی رخ می‌دهند، با توجه به این مورد، در سطح پایین پیاده سازی تفاوتهای جزیی در آنها وجود دارد.
مورد اول بیشتر بر هم زمانی علوم شناختی و دانش پیش فرض دربازه بیشتر تئوریها تأکید دارد (مثلاً (Newell, 1990) و (Simon, 1995)را ببینید).
و مورد دوم بیشتر به پیوستگی[2] و وابستگی[3] که در سطوح مناسبی از تجرید یافت می‌شود تأکید دارد. به طور فیزیکی این دو سیستم محاسباتی کاملاً با هم تفاوت دارند و ممکن است هر دو بر روی معماری ماشین مجازی[4] یکسانی پیاده سازی شوند. (مثلاً هر دو ممکن است سیستمهای پرولوگ را بکار گیرند یا هر دو ممکن است با ابزارهای اینترنت شامل ایمیل، اخبار، تلنت، تلفن و صفحات وب پیاده سازی شوند.)
به طور مشابه این مورد اغلب برای تضمین بکارگیری اصول تولید کنترل باز خوردی[5] بر روی دو سیستم طبیعی و مصنوعی[6] به کار گرفته می‌شود (Wright, 1997).
نیازهای اضافه شده به در اینجا بیشتر در روش هوش مصنوعی[7] کاربرد دارد و ایده‌های (Simon, 1967) یک سطح از توصیف که شامل شکل‌های کامل‌تر و قوی‌تری از کنترل رفتارهای داخلی و خارجی با استفاده از ساختارهای معنایی[8] قویتر و مرتب کردن‌های جدیدی از معماری کنترل است که توسط انواع مختلفی از فرآیندهای انگیزش[9] حمایت می‌شود (مثلاً نگاه کنید به (Simon, 1967)).
مغرها برای حمایت از چندین هستان شناسی[10] قوی در سطوح مختلفی از تجرید[11] ظاهر شدند. در سیستمهای محاسباتی[12]، هستان شناسی اغلب به صورت پشته‌[13] در لایه‌هایی از پیاده‌سازی قرار دارد. برای نمونه، یک بسته واژه‌پرداز که صفحات، پاراگرافها، جملات، کلمات، لغات و دیگر چیزها را دستکاری می‌کند، ممکن است که یک ماشین مجازی[14] که متناظر با یک پیاده‌سازی زبان برنامه نویسی سطح بالایی[15] است باشد. که این تغییر، در زبان ماشین سطح پایین‌تر پیاده‌سازی شده است و سرانجام توسط حالتهای فیزیک کوانتوم[16] از مؤلفه‌های الکترونیک با چندین سطح ماشینی که در بین آنها تشکیل شده است پیوند می‌خورد.
ماشین‌های تجریدی در همه سطوح اشیاء ترکیب شده‌اند، یعنی ترکیب شده از انواع کاملاً متفاوتی از، ورودیها روابط و پردازشها.
علاوه بر این، علّی و تابعی بودن روابط ممکن است که بین تجرید سطح بالایی از ساختارهای ماشین قرار بگیرند. (تغییرات در یک ساختار داده تجریدی، از قبیل یک پایگاه داده[17] از اطلاعات درباره کارمندان، می تواند موجب تغییراتی در چاپ گرفتن از خطاهای دریافتی شود.
این ساختارهای داده ممکن است معناهای[18] خاصی داشته باشد. در این که آنها به اشخاص و دستمزدها و دیگر چیزها مراجعه می‌کنند. Sloman بحث کرده است که اینها می‌تواند شامل معانی متفاوتی برای ماشین باشد(مثلاً (Sloman, 1994) را ببینید).
در مورد مغز انسانها ما نمی‌دانیم که دارای چه لایه‌هایی هستند. با این حال روابط علی بین ساختاهای تجرید به وضوح هنگامی که یک شخص چیزی را می‌بیند که موجب عصبانیتش می‌شود رخ می‌دهد. که این تغییر ممکن است موجب شود که او از میدان به در رود. در حقیقت انسانها سرانجام، شبه کامپیوترهایی با مکانیزمهای فیزیکی متناقض با نسبت خاصی پیاده‌سازی می‌کنند (Wright, 1997). حتی پدیده‌های فیزیکی به طور طبیعی به نحوی تحت سطحی از چهارچوب فیزیکی، توصیف شده‌اند.
بیشتر مردم که یاد می‌گیرند چطور یک ماشین کار می‌کند درباره کوانتوم فیزیکی کاربراتورها، ساسات، پیستون و دیگر چیزها مطلبی نمی‌دانند.
با این وجود، اغلب یک طراح مطالب زیادی در مورد چگونگی کارکرد یک سیستم پیچیده می‌داند(بعضی اوقات حتی طراح هم همه تعاملات داخلی را نمی‌داند). این به معنی این است که حتی فلسفه علم[19] که فرض می‌کند که تئوریها باید به طور مستقیم، یا به آسانی قابل آزمایش باشند، نیز تصور اشتباهی دارد. این موضوع برای پردازش سیستمهای پیچیدۀ اطلاعاتی[20] دچار خطا می‌شود، بیشتر از رفتار کسانی است که حالات درونی غیرقابل مشاهده‌ای دارند. علاوه بر این حتی شناخت چگونگی کار سیستم ممکن است یک پایه را برای پیش‌بینی رفتارهای جزئی فراهم نکند اگر که رفتار فقط وابسته به طراحی و شرایط جاری نباشد، اما اغلب جریمه جزئیات تحمل تغییرات توسط یک تاریخچه بزرگ پیشین تحمل می‌شود.



1.4 هستان شناسی و رهیافت مبتنی بر طراحی نسبت به عواطف(۲)

هنگام مطالعه سیستمها، نمی‌توان آنها را طراحی کرد، و در بهترین شرایط امید داریم که یک توالی از تئوریها برای تعداد زیادی از پدیده‌ها به حساب آید، استفاده از قدرت بسیار زیاد اصول توضیحی در این قسمت به وسیله پیاده‌سازی تئوریها، در کارهای طراحی آزمایش شده و در قسمت دیگر توسط روابطشان حتی به صورت جسمی از دانش در علوم عصبی رشد می‌کند (Wright, 1997).
ممکن است که هرگز کل دستورات همواره مناسب چنین تئوریهایی نباشد، و دستورات ممکن است که تحت زمان به عنوان پدیده‌های جدید اکتشاف شده و تغییر کنند.
ایراد این رهیافت اغلب مبتنی بر یک فلسفه علم ساده و بی‌تکلف است یا جایگزاری در حسد فیزیکی[1] است(برای آشنایی بیشتر به (Lakatos, 1970)و (Bhaslar, 1978)و (Sloman, 1978)) مراجعه کنید.
رهیافت مبتنی بر طراحی گرفتن الهاماتی را از مهندسی نرم‌افزار و تجزیه تحلیل مفهومی در فلسفه را ترسیم می‌کند (Sloman, 1978).
با این تفاسیر هوش مصنوعی به عنوان یک متدولوژی برای کشف یک فضای تجریدی از نیازهای ممکن برای عاملهای تابعی فضای فرورفتگی [2]و فضای طراحی ممکن است، و برای طراحی و نگاشت چنین عاملهایی مورد استفاده قرار گیرد( (Sloman, 1994)و (Sloman, 1995)).
بسیاری از استراتژیهای تحقیق ممکن است که از بالا به پایین[3]، از پایین به بالا[4] یا از میانه[5] باشد. که همه اینها به طور بالقوه‌ای مفید هستند. این مطلب بیشتر از بالا به پایین عمل می‌کند ولی رهیافت مبتنی بر طراحی از دیگر اختیارات مستثنی است.
برای مثال استفاده از الگوریتم ژنتیک[6] طراحی را توسط شبیه سازی فرآیند تکاملی [7] انجام می‌دهد. اگر چه اغلب فرض شده است که هوش مصنوعی تنها به الگوریتم‌ها مربوط است( (Penrose, 1989)و (Searle, 1980)) یا اهمیت می‌دهد با این حال معماری‌ها نیز با اهمیت هستند. یک نیاز برای درک کلی طراحی‌ها برای سیستم‌های کامل[8] شامل تجزیه تابعی درون تعاملات هم زیستی زیر سیستمها است. کارهای اخیر، هنوز در حال کشف اصول کلی است که نیازمند ساختن هر الزامی برای پیاده سازی جزئیات مکانیزم‌ها نیست. برای مثال، یک حالت طبیعی، که نماد یا پیوستگی و ارتباط بین موتورها را فراهم می‌کند. پیشرفت می‌تواند با ساختن معماریها به صورت سطحی[9] شروع شود (Betes, Loyall, & Reilly, 1991) که با انواع بسیاری از توانایی ترکیب می‌شود(مانند ادراک، برنامه ریزی، مدیریت هدف و عمل). هر توانایی به طور واحدی در یک مد ساده شده پیاده سازی شده و سپس کار به تدریج تصحیح شده و به سمت عمق پیاده‌سازی خواهد رفت. Sloman در (Sloman, 1993) مدعی مکانیزم دامنه‌های معماری[10] می‌شود. که به طور معمولی طراحی کلی قابلیتهای سراسری را برای یک حوزه وسیع با جزئیات پیاده‌سازی تصمیم گیری می‌کند.
البته در نهایت طراحی باید به جزئیات عصبی متصل شده و جستجوی پایین به بالا برای مطالعه چنین جزئیاتی مفید خواهد بود، که فشاری را برروی طراحی سطح بالا وارد می‌کند. بیشتر این شرایط اجباری، به نظر می‌رسدکاملاً تضعیف شده باشند.
استثناهایی نیز در سطح بالا موثر است که در این مطلب به آنها توجهی نشده است. هیچ فرضی برای تجانس بین طراحی تصمیم گرفتن توسط تکامل تحت محیط و فشارهای رقابتی وجود ندارد و این به وسیله یک طراح وقتی که جنبشی از نیازها(چیزی که سیستم باید انجام دهد) برای متدولوژی طراحی اولیه (چگونگی انجام آن توسط سیستم) گرفته می‌شود. نسبتاً همین قدر ادعا شده که متدولوژی مبتنی بر طراحی یک منبع تئوری‌های بالقوه توصیفی است. چنین تئوریهایی تحت فشار انتقاد بهبود داد شده‌اند. چرا که مواردی از آنها برای توصیف، با خطا همراه بوده یا به خاطر آنها توصیف زیادی صورت می‌گرفت (مثلاً قابلیتهایی که افراد ندارند) یا بخاطر طراحی که نمی‌تواند به طور طبیعی همه چیزها را در برگیرد یا نمی‌تواند در مغز پیاده سازی شود.
حتی ساده گرفتن یا خطای تئوریهایی نیز یک طراحی کارا را به کمک توصیف فضای طراحی نتیجه می‌دهد. مقایسه این مورد با دیگر تئوریهای واقع گرایانه در نهایت به فهم آن کمک می‌کند، و برای یک سیستم به طور واقعی فهمیده نمی‌شود مگر اینکه چگونگی تغییر این توانایی متفاوت تولیدی را بشناسیم. طرحها همانند پردازش اطلاعات و نیازمندیهای کنترل ممکن است ویژگیهای طراحی مشترک را ارضاء کنند که توسط انتخاب طبیعی یا مهندسی انسانی تولید می‌شود، همانند پرندگان و هواپیماها که هر دو دارای محدودیتهایی توسط اصول آیرودینامیکی[11] هستند. بیشتر زمان رهیافت مبتنی بر طراحی ممکن است برای تخمین تدریجی طراحی طبیعی بکار رود. این ممکن است که توسط افزایش حساب محدودیت‌های تجربی و تکرار چرخه توسعه برای نیازمندیهای عمیق‌تر و طراحی‌های پیشرفته‌تری اتفاق بیفتد.
چنین طراحی‌هایی می‌توانند اغلب به طور تجربی و مقایسه شده در بیشتر جزئیات با مؤلفه‌های طبیعی‌شان مورد آزمایش قرار گیرند. درکل تحقیقات عمومی به طور موثری در یک جستجوی موازی عملیات مشترکی را انجام می‌دهند. درنتیجه، اولاً یک معماری می‌تواند دارای قدرتهایی باشد که قابلیت تصمیم‌گیری یک عامل و توصیف این توانایی برای متناسب کردن آن را درون یک بخش فرورفته بکار بگیرد. و ثانیاً رهیافت مبتنی بر طراحی نامزدهای معماریی را تولید می‌کند که ممکن است به طور متناظری به طور طبیعی در سطح بالایی از ساختارهای پیاده‌سازی شده تحت زیر لایه‌های عصبی رخ دهند. این نامزدها می‌توانند راهنمای تجربی برای وارسی چنین ادعاهایی باشد. رهیافت مبتنی بر طراحی حالتی از یک مهندسی است که تلاش در ساختن و فهم گزینه‌های طراحی برای یک سیستمی را دارد که پدیده توصیف شده را در معرض نمایش قرار دهد (Wright, 1997).

1.5 عاطفه در مقابل مفهوم آگاهی(۱)

در اولین چشم انداز، حالات عاطفی فرد، پدیده‌ای محرمانه است. برای مثال نوحه خوان ممکن است که دیگران را از غم و اندوهشان آگاه کند، اما دیگران نمی‌توانند این درد را تجربه کنند. یا اندیشه‌ای مربوط به این فقدان داشته باشند، و یا قادر به تمرکز بر روی موضوعات روزانه نیستند و همین طور الی‌آخر (Wright, 1997). برای چنین حالاتی، یک توصیف از هر تئوری عواطف، نیازمند یک توصیف از آگاهی[1] است، و بدون چنین توصیفی، هر یک از تئوری‌های عاطفه متأسفاته غیر‌کافی خواهد بود. اما اینچنین نیست که مطالعه حالتهای عاطفی نیازمند توصیف بیشتری از آگاهی دربارۀ مطالعه فرایندهای میان مشاوره‌ای[2] نباشد (Wright, 1997).
برای مثال، مدلهای شناختی[3] همانند GIS (Charniak, 1985 & McDermott) و معماری SOAR (Laird, Newell, & Rosenbloom, 1987) تلاشی برای توصیف آگاهی انجام ندادند، و حتی فرایندهای مشاوره‌ای میان تفکر[4] اغلب چیزی بجز ارتباطات پدیده‌ای محرمانه نیست. اگر شناخت[5] بتواند مدل و تکرار شده بدون اینکه به تئوریهای آگاهی مراجعه کند آنگاه می‌تواند عواطف را شامل شود. بهرحال تعداد نکات با ارزشی که با ملاحظه امکان تئوریهای آگاهی انجام می‌شوند اندک می‌باشند(Wright, 1997).
عبارت "آگاهی همانند عبارت عاطفه است[6]"، تعریف نادرستی است و برای مراجعه به پدیده‌های متفاوت مورد استفاده قرار می‌گیرد (از این رو ایراد ترسناکی است) مطالعه آگاهی اخیراً خیلی مد شده است و در بسیاری از تئوریها به صورت چشم و هم چشمی درآمده است. متأسفانه تعدادی از این تئوریها امکان این که آگاهی می‌تواند همواره به طور کاملی در عبارتهای فرایندهای اطلاعاتی توصیف شود را نمی‌پذیرند. برای مثال (Chalmeres, 1996) و (Nagel, 1974) را ببینید.
عدم پذیرش امکان یک توصیف مکانیکی از آگاهی یک تاریخچه فلسفی طولانی دارد. این نپذیرفتن اغلب بر روی این که Ryle (Ryle, 1949) یک "طبقه بندی اشتباه[7]" را گفته است تکیه می‌کنند.
ایرادات زیر از "جوهر شناسی[8]" Leibniz’s یک مثال خوب از خطاها را فراهم می‌کند (به جای ادراک[9] بخوانید آگاهی).
"این باید گیج کننده باشد که ادراک و این که کدام یک بر روی زمینه‌های غیرقابل توضیف مکانیکی[10] با هم مرتبط هستند این که معانی را توسط اشکال و حرکات بیان کنید. و فرض کنیم که ماشینی وجود دارد که اغلب برای فکر کردن[11]، احساس[12]، و داشتن ادراک ایجاد شده است. این توانایی می‌تواند به عنوان افزایش دهنده اندازه، درحالی که تناسبات مشابهی در جریان باشد قابل درک باشد. تا این که بتوان به درون آن رفت، همانند رفتن به داخل یک کارخانه. تا اینکه با توجه به چنین هستی، ما باید بر روی مسائل درونی آزمایش کنیم و تنها قسمتی را پیدا کنیم که یکی تحت دیگری کار می‌کند و هرگز هیچ چیزی توسط یک ادراک توصیف نمی شود G.W.Leibniz (1646-1716) "(Liebniz, 1991) .
یک فرد ممکن است اطراف زمین دانشگاه چرخ بزند و ساختمان‌ها، دانشکده‌ها، مدرسه‌ها، اداره‌ها، استادان و دانشجویان را ببیند و با این حال باز هم از خودش بپرسد که دانشگاه کجاست؟ (Ryle, 1949) اشتباه یک بیننده در فکرکردن به عبارت دانشگاه، به یک نوع شیئ خاص بر می‌گردد، و نه به یک مجموعه از اشیاء با ارتباط تابعی متقابل با هم. Leibniz این خطا را در عبارت بالا مرتکب شد. برای یک چنین قابلیتی ادراک می‌تواند به عنوان مجموعه‌ای از مؤلفه‌های ساده شده با روابط تابعی متقابل پیاده سازی شود(سیستمهای بینایی هوش مصنوعی[13] یک اثبات موجود است).
به طور مشابه آگاهی یک شیئ و یک وجود[14] یا جوهر نیست بلکه می‌توان گفت که یک ترتیبی از قابلیتهای پیچیده است. چنین قابلیتهایی به صورت پیش تئوری[15] به عنوان نگاهی به درون خود[16]، بازتابی بودن[17]، تعمق کردن[18] و خود ارجایی[19] اشاره می‌کند. این قابلیتها بر روی مؤلفه‌های عصبی[20] با ارتباطات تابعی متقابل[21] پیاده سازی شده‌اند. آنها ممکن است در ترکیبات و فرم‌های متفاوتی در حیوانات، انسان‌ها و ماشین‌ها ارائه شوند (Sloman, 1996).


1.5 عاطفه در مقابل مفهوم آگاهی(۲)

"آگاهی" یک مجموعه از چیزهایی است که مغزها[1] آن را انجام می‌دهند، نه یک چیز که مغز‌ها یا فرایندها انجام دهند. مفهوم آگاهی به طور طبیعی روحی نگری[2] (همه چیز آگاهی است) یا نفس گرایی[3] (تنها من آگاه هستم) را راهنمایی و هدایت می‌کند. هیچ یک از این دو تئوری‌ها نمی‌تواند به ما در ساختن ماشین‌های خودآگاه[4] مصنوعی کمک کنند، یا اینکه آنها هر گزاره‌ قابل تحریف[5] یا توصیفاتی که به ما در درک عمیق از چگونگی کارکردشان به ما دهند را تولید کنند (Wright, 1997).
دومین خطا نیز به Leibniz مربوط می‌شود در عبارت بالا این پیکر، ماشین متفکری است که به طور رفتاری هم ارز با یک ذهن[6] است، هنگامی که توسط یک ناظر ذهن[7] آزمایش شده و برای نبود دقت معلوم می‌شود که ناظر ذهن همچون فرایندهای بدیهی ادراکات یا آگاهی می‌شود. بنابراین ذهن‌ها از فرایندهای مکانیکی محض بیشتر هستند. این یک خطای تجسمی است که یک اشتباه در تشخیص انواع متفاوتی از اطلاعات تولید شده توسط مکانیزم‌های فرایندهای اطلاعاتی[8] متفاوت است.
جستجو در یک مغز (یا یک پیکره ماشینی) اطلاعاتی را درباره روابط خاص بین اشیاء فراهم می‌کند ولی اطلاعاتی درباره علت رابطه بین وضع زیرحالت‌های اطلاعات مغز و بین این زیرحالت‌ها و زیرحالات محیطی فراهم نمی‌کند (یعنی روابط علی که از حالات معنایی[9] حمایت می‌کنند). این که مغز چه چیزی را ملاحظه می‌کند، درباره خودش چه فکر می‌کند یا گزارش مغز درباره احساسات هنگامی که از آن سوال می‌شود چیست سوالاتی که نمی‌تواند توسط بینایی[10] پاسخ داده شود (یا شنوایی[11]، لامسه‌[12] و بویایی[13]) چرا که سیستم پردازش اطلاعات بینایی ایشان نمی‌تواند تشخیص دهد و اطلاعات لازم را فراهم کند. برای پاسخ به چنین سوالاتی باید از مغز برای اطلاعات پرسش شود یا در حقیقت مغز به درون خود نگاه کند[14]. چنین چیزی باید آماده شود نه با شگفتی هنگامی که جمجمه مغز بیمار توسط جراح باز می‌شود، به آن نگریست، آنها تجربه‌های آگاهی[15] را ، برای یافتن اطلاعات متفاوت آماده برای مقایسه کردن نگاه به درون خود پیدا نمی‌کنند (یک نوع متفاوت از نوع مکانیزم پردازش اطلاعات با معرفی فرمهای متفاوت و یک رابطه دسترسی متفاوت برای اطلاعات ضروری است). "همانطور که بو‌ها شنیده نمی‌شوند و درون‌ها را نیز نمی‌تواند دید." خطاهای تجسمی[16] در دسته اشتباهات اضافه می‌شوند، و اغلب ما را به موقعیت‌های دوگانه‌ای هدایت می‌کنند. برای مثال این فرضیه که آگاهی را از ذات[17] جدا می‌کند و دو دامنۀ هستان شناسانه[18] را با "قوانین پلی[19]" متصل کند (Chalmeres, 1996).
در خاتمۀ این بخش، عبارات کوتاه خلاصه‌ای باقیمانده‌اند که مشکل تجریه آگاهی[20] گفته می‌شوند و ضربه‌ای تحت تئوریهای عاطفی نمی‌خورند و این که آرگومانها در مقابل قابلیت تئوری‌های پردازش اطلاعات از آگاهی بر روی خطاهای فلسفی پایه تکیه دارند. برای مثال (Sloman, 1996) و (Dennet, 1991) روشهای متضاد نگاه به مسئله آگاهی را بحث می‌کنند که اینها از خطا و اشتباه دوری می‌کنند.

فصل 2: چرایی استفاده از عواطف

تعریف اسلومن از عاطفه: عواطف فرایند‌های پیچیده[1] تولید شده توسط فعل و انفعالات[2] بین محرک‌ها[3]، باور‌ها[4]، ادراک‌ها[5] و غیره است. مثلاً واقعیات یا تصوراتی که موجب انجام شدن یا انجام نشدن یک تحریک یا تنطیم یک تولید کنندۀ تحریک می‌شود و می‌تواند فرایند‌های تولید شده را توسط محرک‌های دیگر مختل کند (Sloman & Croucher, 1981). بنابراین برای درک عواطف، نیازمند درک محرک‌ها و فرایند‌های تولید شده توسط آنها هستیم. که چنین رهیافتی ما را به سمت درک و مطالعه‌ی عمق‌تر معماری کلی ذهن[6] هدایت می‌کند. به طور کلی می‌توان گفت که هوش و عاطفه کاملاً از هم جدا نیستند و در هم آمیخته هستند. در اینجا تعدادی از محدودیت‌ها در تکامل ذهن و محرک‌ها و فرایند‌های تولید شده توسط آنها مورد بحث و بررسی قرار می‌گیرد.
مراحلی که برای رسیدن به یک مدل باید طی شود را می‌توان به این صورت بیان کرد: تجزیه و تحلیل مفهومی[7]، تجزیه و تحلیل محدودیت‌ها[8] با توجه به ارگانیزم‌هایی که باید عمل نمایند یا به عبارتی فعالیت نمایند. بررسی روی توانایی‌های متفاوت موجودات و در نهایت طراحی سیستم‌های ممکن. که در آخر این رهیافت باید به ما یک قاعده از انواع شدنی یا ممکن، ذهن، طبیعت و مصنوع را نتیجه دهد. برای رسیدن به این اهداف ما نیازمند این هستیم که: انواع محدودیت‌های محیطی[9]، انواع نیاز‌ها یا انگیزه‌هایی که ارگانیزم‌ها یا روبات‌ها ممکن است داشته باشند، انواع مکانیزم‌های پردازش اطلاعات[10]، و انواع استراتژی‌های مرتبط با بدست آوردن این انگیزه‌ها در محدودیتهای مرتب متفاوت را مورد بررسی و اکتشاف قرار دهیم. و نکته‌ی دیگر اینکه نمی‌توان در این بین هوش واقعی[11] یا ذهنی[12] را از موارد دیگر جدا کرد و به عبارتی اینها نیز درهم آمیخته هستند.


2.1 محدودیت‌های سیستم‌های هوشمند

این محدودیت‌ها را می‌توان در دسته‌های زیر قرار داد: نیاز‌های فیزیکی[1]، نیاز‌های ذهنی[2]، نیاز‌های اجتماعی و نیاز‌هایی که تا اندازه‌ای به تازگی ایجاد شده‌اند(به فراخور زمان). توصیف یا تشریح ساختار‌ی می‌تواند گامی مؤثر در شناسایی محدودیت‌های سیستم باشد. محرک‌های یک سیستم حالت استاتیک ندارند و به عبارتی به صورت پویایی در حال تغییر هستند. محیط نیز حالت استاتیک ندارد و همواره در حال تغییر است. سرعت محاسبه اغلب با اهمیت است و باید از فرصت‌ها استفاده کرد. همچنین باید مراقب پیچیدگی محیط بود تا به اشتباه نیفتیم و امکان اولویت‌بندی در سیستم، یا به عبارتی اولویت بندی بعضی از کار‌ها نسبت به کار‌های دیگر را نیز می‌‌توان در سیستم در نظر گرفت. و همچنین می‌توان موارد ریز را نیز در نظر گرفت: در نظر گرفتن فرآیند‌های موازی، تفاوت محرک‌ها در افراد مختلف، توانایی در ارائه حالات ذهنی، انتقال اطلاعات و توانایی‌ها به بازمانده‌ها یا عبارتی نسل بعدی، ایجاد جوامع مشارکتی بین افراد، در نظر گرفتن نیاز‌های جوانان، اهمیت انتخاب در بین تضاد‌ها (Sloman & Croucher, 1981).


2.2 معماری محاسباتی یک ذهن

یک معماری محاسباتی ذهن می‌تواند برای موارد ریز (در هنگام تشخیص) مفید باشد:
یک مخزن از منشاء اعمال[1] یا به عبارتی محرک‌ها[2] ، یک مخزن از منابع شامل واقعیت‌ها[3]، رویه‌ها[4] و ...، شاخص‌هایی از منابع ، یک مجوعه همروند[5] از فرآیند‌ی هدف گرا، مخازن زیادی از اطلاعات موقتی[6]، محلی برای فرآیند‌های گوناگون، شاخص‌هایی از فرآیندی نظارتی ملاحظات داخلی و خارجی بر روی اشیاء و رخداد‌ها و توانایی ایجا وقفه[7] در آنها و یک فرآیند مدیر مرکزی[8] که با تصمیم گیری مرتبط است(Sloman & Croucher, 1981).
با توجه به این که اهداف متناقض ممکن است در یک طرح به وجود آیند، بدین جهت نیازمند این هستیم که از یک نگاه و سطحی بالا اهداف و سیاست‌‌های کلی را با توجه به تمام نیاز‌ها، شرایط و ناسازگازی‌‌ها طراحی و تصمیم‌گیری کنیم.

2.3 فرایند محرک

محرک‌‌ها شامل ارائه حالاتی از کار‌ها و رخداد‌ها برای دست‌ یافتن[1]، نگاه داشتن[2]، ممانعت کردن[3] و غیره است. گونه‌های بسیار زیادی از محرک‌ها وجود دارد و همچنین گونه‌های بسیاری از فرایند‌های داخلی[4] که شامل محرک‌ها هستند. که عبارت‌اند از: اضافه و حذف کردن محرک‌ها از مخزن، انتخاب محرک‌هایی که برای عمل (قصد) صورت می‌گیرد که در این حالت همۀ محرک‌ها را نمی‌توان بکار برد و آنهایی که استفاده می‌شوند به نام عمل کننده[5] شناخته شده و آنهایی که رد می‌شوند به عنوان غیرعملی[6] در نظر گرفته خواهند شد. و در این بین بعضی‌ها هم معلق[7] هستند. عبارت قصد[8] محرک‌ها را تحت پوشش قرار می‌دهد و امید‌ها[9] نیز ممکن است عملی یا غیر عملی باشند. علاوه بر محرک‌های عملی باید به محرک‌های غیرعملی و معلق نیز توجه شود (Sloman, 1981 & Croucher).

فصل 3: عواطف و جنبه های نظری از دانش شناختی، اجتماعی و عصبي

آیا یک روبات می‌تواند دارای عواطف[1] مختلف باشد؟ در ابتدا با پرسش‌های اولیه بحث آغاز می‌شود و پیشنهاد می‌شود که مشخصة عواطف و احساسات[2] علاوه‌بر این که باید معیار‌های یک سیستم را ارضا کند باید برای رفتار مضاعف آن نیز قابل انجام باشد. این شرایط نیازمند تغییر یک تئوری به اینکه عواطف و احساسات چیستند برمی‌گردد. بعضی از جنبه‌های عاطفه تنها به چگونگی واکنش انسان‌ها به مشاهدة رفتار وابسته است، تعدادی دیگر علاوه‌بر این، به بیان علت علمی رفتار سازگار[3] وابسته است، و همچنین تعدادی نیز به این وابسته هستند که رفتار ذاتاً چگونه تولید شده است. بطور کلی این سه جنبة مختلف مشابه با ارتباطات اجتماعی[4] هستند، به عبارتی سازگار / تنظیمی[5] هستند و به طور تجربی جنبه‌هایی از عاطفه می‌باشند. در اینجا خلاصه‌ای از این جنبه‌های مختلف را در مباحث زیر بیان می‌شود و با این تفکر که روباتها و یا عامل‌ها قطعاً می‌توانند تعاملات اجتماعی با انسان‌ها درون یک محدودة منحصر به فرد داشته باشند این مطلب را به پایان می‌رسد، اما قطعاً داشتن ویژگی‌های عواطف و احساسات نیازمند این است که روبات‌ها و یا عامل‌ها در جهان قرار گیرند و بطور درونی جنبه‌هایی که بطور مناسبی مشابه با انسان است را تشکیل دهند.


3.1 بررسی وجود عواطف در عامل‌ها یا روبات‌ها(1)

آیا یک روبات می‌تواند عاطفه داشته باشد؟ آیا می‌تواند احساس داشته باشد؟ آیا می‌تواند تعاملات اجتماعی داشته باشد(آنهم نه فقط با روبات‌های نظیر خود بلکه با انواع دیگر و با انسان)؟
اینجا درمورد این که روبات‌ها برخلاف حیوانات می‌توانند بطور قطع دارای تعاملات اجتماعی با انسان‌ها در غیاب عواطف و احساسات در اندازة محدود باشند بحث می‌شود. احتمالاً آنها حتی می‌توانند برای داشتن عواطف در یک حس محدود در غیاب احساسات ایجاد شوند. بهرحال چنین ساختار‌هایی همواره نسبتاً محدود شده هستند و مستعد شکستن به انواع دیگر می‌باشند. یک روش متفاوت برای ایجاد روبات‌های اجتماعی[1]، به عبارتی روبات‌های با عاطفه، این است که در ساختن احساسات در ابتدا با مورد حیوانات شروع کنیم. قبل آغاز، احتمالاً این مورد برای فهم بهتر مطالب تعریف شده از این دیدگاه، ممکن است در تعدادی از مطالبی که در آینده مطرح می‌شود مفید باشد. Fellous و LeDoux، برای مثال، در این رابطه مباحثی را مطرح نمودند. مثلاً (LeDoux, 1996)در رابطه با کار‌هایی که قبلاً انجام داده بود، برای یک رهیافت عاطفی که اصولاً در غیاب احساس رخ داده است، عاطفه را به عنوان رفتار بدون تجربة آگاه می‌داند. Rolls نیز یک رهیافت مشابه در این رابطه ارائه داده است(اگرچه او برخلاف دیگران از بیان عبارت آگاهی[2] خودداری می‌کند): تجزیه و تحلیل عواطف به شدت در رابطه با رفتار است (Rolls, 1999).
البته، دقیقاً مطلب اشتباهی در مورد این رهیافت‌ها به عنوان تجزیه و تحلیل یک رفتار پیچیده وجود ندارد؛ به عبارت دیگر می‌توان گفت که این رهیافت‌ها کاملاً مفید هستند. بهرحال، به نظر می‌رسد که اگر هدف این است که روبات‌ها دارای توانایی‌هایی همانند انسان باشند آنها اولین قدم اشتباه را برداشتند. چراکه از نتیجة این دو رهیافت دو مشکل حاد بوجود می‌آید. ابتدا این که به سختی جنبة رفتاری بودن عاطفه را بیان می‌کند و می‌گوید که جزئی از آن نیست. اصولاً هر رفتار باید بطور فعالی در خدمت یک حالت خاص عاطفی باشد، ارزیابی یک ارگانیزم وابسته به یک مفهوم خاص است.
تا جاییکه همه رفتار‌ی سازگار[3] و هم‌ایستا[4] در تعدادی از احساسات هستند، صورت ما خطر را به عنوان موضوعی از عاطفه که متفاوت از حالتی از رفتار کلی نیست تولید می‌کند. دوم اینکه، هنگامیکه یک رفتار شناس شروع به انتخاب نقطه می‌کند، این عمل، بازیابی یک تئوری آزمایش هوشیاری عاطفه را از احساس غیرممکن می‌سازد، در حقیقت، احساس از جریانی از پدیده‌ها رخ می‌دهد، و در یک حالت کمینه، این قطعاً مفهوم شهودی[5] ما را از یک تئوری عاطفی که باید شامل آن باشد را نقض می‌کند (Fellous & Arbib, 2005).
در آغاز هدف تعدادی از عواطف است که در جهت عکس با یک سیستم که دارای ظرفیتی برای تولید عواطف است می‌باشد. از این مقدمه می‌توان ظرفیتی را برای تصدیق پیچیدگی عواطف و همچنین انعطاف‌پذیری آن ایجاد کرد، همانند مقدار ناشی از رفتاری که حیوانات از خود بروز می‌دهند. بدونه چنین مقدمه‌ای ما همواره در حال تقلید از جنبه‌های رفتار خواهیم بود. برای هدایت این اقدام، می‌توان از خود بپرسیم که ملاک‌های استفاده ما از تعیین عواطف و احساسات در ارتباط با انسان‌ها چیست؟ اگر پاسخ به این پرسش نمایان ساختن این مورد است بنابراین ما بیشتر به ظواهر درست، به یک حساب از چگونگی عواطف و رفتارهای اجتماعی تولید شده درون انسان‌ها و دیگر حیوان‌ها نیاز خواهیم داشت، حسابی که یک مجموعة کمینه از معیار‌هایی که روبات‌ها برای این که بطور درستی عاطفه و احساس داشته باشند را فراهم نماید.
بنظر می‌رسد که بعضی از تلاش‌های پیشین در مورد فهم مکانیزم در پَس عواطف و احساسات زیستی که در طراحی روباتهایی که حالت‌های مشابهی دارند گمراه کننده خواهد بود. چراکه نمی‌توان به سادگی اقدام به تعمیر برای ساختن روبات‌هایی با اهداف منحصر بفردی کرد که از رفتار‌های تولیدی که انسانها با آنها برچسب عاطفی دارند در تعامل باشند؟ چرا اهداف منحصر بفردی را برای متقاعد کردن دیدگاه انسان‌ها در مورد داشتن عاطفه و احساس در روبات‌ها نداریم، بدلیل این که آنها همان کار‌هایی را انجام می‌دهند که انسان‌ها انجام می‌دهند.
تلاش‌هایی در جهت این که ملاکی برای در اختیار گرفتن مرکز حالات ذهنی[6] یا شناختی که صرفاً به وسیلة باز تولید یک مجموعه از ویژگی‌های رفتار ناشی می‌شود در انجام است که البته این مسیری است که رفتارگرایی آن را برگزیده است(که بسادگی مرکز حالات را نادیده می‌گیرد).
این همچنین مسیری است که آلن تورینگ (Alan Turing) در مقالة کلاسیک خود با عنوان "محاسبات ماشینی و هوشمندی[7]" انتخاب کرد (Turing, 1950). در این مقاله تورینگ پرسش‌هایی را با عنوان بی‌معنی[8] و قابل قبول[9] مورد بررسی قرار داد که هم اکنون به عنوان تست تورینگ[10] مشهور است. در این مورد ایشان می‌گویند: در این تست ماشینی فراهم می‌شود که یک انسان در ارتباط با رفتار‌های آن به این نتیجه برسد که با یک انسان در ارتباط است. بر پایة این رفتار‌ها آشکار است که باید به هوشمندی ماشین مانند اعتمادی که به انسان می‌شود اعتماد کرد.
سقوط رفتارگرایی[11] شاهدی[12] را برای خطای این رهیافت در فهم ذهن مان فراهم می‌کند. در حقیقت فرض[13] که توسط حکمی که با هم‌ارزی رفتار، درون حالات هم‌ارز تضمین می‌شود(یا بسادگی همة گفتگو‌های حالات داخلی نادیده گرفته می‌شود) اغلب تضمین می‌کند که نمی‌توان هر چیز جدیدی را دربارة عواطف و احساسات یاد گرفت. در اینجا مطلب را بسادگی تعریف شده و این می‌تواند در حالت پیشرفتة هر علمی به صورت اکتشافی بیان شود. با این حال نه تنها این مورد بلکه رفتار غیر علمی اغلب به سادگی باور نکردنی[14] هستند. فرض کنید شما با روباتی که رفتار‌های عاطفی غیر قابل تمیزدادنی را از یک انسان نمایان می‌سازد، یا اجازه دهید که حتی فرض کنیم این مورد از یک انسان در همة جنبه‌های مختلف بیرونی غیرقابل تمیز بنظر برسد. آیا شما می‌خواهید که باور‌ها را با اکتشافاتی که در واقع بصورت کنترل از راه دور توسط دیگر انسان‌ها فعال بودند و همة شنیده‌هایی که یک بسته از دریافت‌ کننده‌های رادیویی برای یک سیگنال رادیویی از کنترل کننده‌های از راه دور برگزیده‌اند را تغییر دهید؟ پاسخی که مشاهده می‌شود "بله" خواهد بود که در حقیقت اطلاعات بیشتری به شما می‌دهند و فرضیات پیشین شما را در مورد روبات‌ها نقض می‌کنند. البته، در این موارد مرتباً از مشاهدات رفتاری تنها تحت صفات عاطفی و احساسی افراد استفاده می‌‌شود. اما ملاک فرضیات پیشین را در پیش روی است که اغلب علاقهمند به جنبه‌های مناسب داخلی می‌باشد که روبات در این موارد در آن سهمی ندارد (Fellous , 2005 & Arbib).
این، البته سوالی را ایجاد می‌کند که "اگر روبات کنترل از راه دور نباشد چه خواهد شد؟"، (Fellous , 2005 & Arbib) ادعا می‌کند که اگر مشکل روبات‌هایی که به صورت خودمختار[15] دارای عاطفه هستند حل شود می‌توان دیگر پرسش‌های ایجاد شده در این زمینه را نیز به انجام برساند. سوالی مانند: "آیا جنبه‌های داخلی بدقت به هم وابسته هستند؟" اگرچه هنوز نمی‌توان به این پرسش‌ها به صورت تجربی پاسخ داد با این حال می‌توان بطور منصفانه‌ای مطمئن بود که فرستنده‌های رادیویی هیچ یک را انجام نمی‌دهند با این حال نیازمنداست که روبات‌هایی ساخته شود که واقعاً اعضای داخلی بدن را از سلول‌های مغزی جدا کند. در عوض، مجبور خواهد بود که مقدار پیچیدگی تابعی معماری درون روبات را بصورت تابع هم‌ارز با دستاورد‌های مغز قرار دهد. این موقعیت‌ها با جرئیات داخلی در یک سطح زیرینِ فرستنده‌های رادیویی می‌تواند مرتبط باشد، اما با این حال در واقع مولکول‌هایی زیستی هستند.


3.1 بررسی وجود عواطف در عامل‌ها یا روبات‌ها(2)

مشکل دومی نیز با تعریف عواطف منحصراً به صورت جداگانه بر پایة رفتار‌های آشکاری که آن را به طور مفهومی به عنوان رفتار‌های با عاطفه شناخته نمی‌شود رخ می‌دهد. در اینجا از رفتار‌ها به عنوان نشان دهنده یا به طوری نمایندة عواطف استفاده می‌شود، اما دانش معمول در این مورد تنها به دو صورت آنها را در کنار هم مستقر می‌کند و تلاش در ساخت یک لیست کامل از همة حالات تصادفی دارند که عواطف را با رفتار‌ها، تحت رویداد‌های منحصر بفردی که محکوم به فنا هستند شناسایی کنند. برای اطمینان، تعدادی از جنبه‌های پاسخ‌های عاطفی را از قبیل پاسخ‌های وحشت زدگی، که نسبتاً بسختی بین تحریک و پاسخ متصل است را نمایان می‌کند. بهرحال، در حالت گسترده آنها واکنشی هستند، چنین رفتار‌هایی بطور کلی ملاحضه کنندة عواطف توسط تئوری‌های عاطفه نیستند. عواطف تا اندازه‌ای "عکس‌العمل‌های جداگانه" دارند. این ایده از اینجا ناشی می‌شود که عواطف خیلی انعطاف‌پذیر و سازگاراند و تحت بیشتر پدیده‌های جزء واکنش‌ها غیرقابل پیش‌بینی هستند. طبیعت سازگار آنها در توانایی آنها در از سرگیری دوبارة یک تنوع از پاسخ‌های رفتاری به تحریک در یک شیوة قابل انعطاف آشکار است. پاسخ‌های ترس به طور واقعی یک مثال خوب از این مورد است: وابستگی پدیده‌ها برای یک موش در یک حالت ترس و وحشت یک پاسخ گریز را نمایان می‌سازد و دویدن به هر طرف یا منجمد شدن و بی‌حرکت ماند را سبب می‌شود.
انعطاف پذیری زیاد اغلب عواطف را به صورت خاصی که وابسته به رفتار اجتماعی است هدایت می‌کنند که مختص به مجموعه‌ای از تغییر رفتار‌ها در همة زمان‌های وابسته به متن و پیش زمینه‌های اجتماعی دارد.
عواطف و احساسات حالاتی هستند که بر روی یک اورگانیزم[1] متمرکز هستند. در اینجا از راهنماهای گوناگونی در کشف استنتاجی استفاده می‌شود که یک اورگانیزم در آن یک معیار عاطفی یا احساسی دارد، و به طور معمول به رفتار اشاره می‌کند، اگرچه این کار کم و بیش در مورد انسان‌ها صادق است چرا که در هرچیزی کم و بیش باید ملاحضاتی را در نظر گرفت (انسان‌های دیگر بطور درونی و مشابهی این مورد را شکل می‌دهند).
اين روبات ساخته شده است که منحصراً از رفتاري ناقض پیش زمينه توليد فرضيات داخلي حوزه انتخابی تقلید کند، كه در این برونیابی معمولاً بر اساس تصدیق رفتار در آن صورت می‌گیرد.
قبلاً به سه مشکل آزمون تورينگ‌ با اين رويكرد به احساسات عامل یا روبات اشاره شد: بلوكهایی كه هيچ ارتباط مؤثر و بین رشته‌ای نمي‌توانند با علوم عصبی[2] و زيست شناسي[3] برقرار کنند. این جستجو‌های بین رشته‌ای که در زیر بررسی می‌شود مکانیز‌های مخالفت‌های داخلی را مبنی بر اینکه حالات مرکزی که بر پایة معیار‌های رفتاری، شناسایی شده‌اند را تشکیل می‌دهد.
عواطف، ساختار‌هایی تئوری دارند. يعني، صفاتى كه از که به منظور فشرده‌تر کردن الگو‌های توصيفی در رفتار ایجاد می‌شود. از اين رو، آنان نيازي به هيچ حالت فيزيولوژيكي همریخت[4] که در واقع به صورت داخلي نوعی اورگانیزم است ندارند.
البته، نمی‌توان انكار كه در برخي موارد در واقع به ديگران چنين صفاتى كه ممكن است به هیچ رابطه فيزيكي واقعي با حالات داخلي به چنین گونه‌ای نباشد نسبت داده می‌شود.
نمونه‌هاي پیشین حالات تابعی دارند که برای اختصاص دادن به مصنوعات یا به به طور کلی سیستم‌ها را که به سمتی که مقدار مورد استفاده دارای بهرة کافی باشد رهنمون می‌کند.
براي مثال، بسیاری از دستگاه‌های مختلف می‌تواند در حالت 2 بعدازظهر قرار داشته باشند اگر بتوان آنها را برای زمان نگه داشت. که ديگر چيزي نمي‌تواند در مورد نگهداشتن زمان کلی که توسط گرفتن اجزایی از آنها بحث می‌شود اکتشاف کند.
نمونه آن اين حالات‌های اخیری است که می‌تواند طبیعت فیزیکی را شناسايي کند.
عواطف، در جایی که در حالت میانه هستند باید از پيچ‌ و تابدار شدن سلول‌های عاطفی دوری کنند، اما بیشتر نیازمند این هستیم که تا حدی عواطف ظاهر و خارجی را با رفتار راه‌اندازی کنیم.
مسلماً، يك راه خوب برای نزدیک شدن به اين موضوع پرسشی است كه آيا روباتها مى‌توانند حالاتی را به منظور بررسی دقيق‌تر درباره آنچه در اين زمينه طراح می‌داند انجام دهند یا نه؟
در واقع، برخي از چيزها مى‌تواند فقط منسوب به روباتها، آنهم بر مبنای رفتارشان باشد، و در اصل ممكن است كه آنها بتوانند با هم تعامل داشته و این تعامل را به جامعة انسانی نیز گسترش دهند.
با اين حال، در ساير چيزها، مخصوصا احساسات، كه در مورد روباتها صفتی را در نظر گرفته شده است، مگر اينكه آنها به صورت درونی با جنبه‌هایی مرتبط ایجاد شده باشند.
عواطف در جايي است كه اين منطقه از برخی جنبه‌ها تنها در گرو چگونگی عواطف انسانی می‌باشد و در واكنش به رفتار روبات قابل مشاهده می‌باشد، تعدادی نیز علاوه بر ارزش علمي به رفتار سازگار روباتها نیز وابسته است، و برخي نيز وابسته به توليد داخل مي‌باشند كه حالتی رفتاری دارند. تقريباً، اين سه جنبه اجتماعي با ارتباطات، قابلیت سازگاری/ راهبردي، و با جنبه‌های پر تنش‌ عاطفه متناظر است (Fellous , 2005 & Arbib).


3.2 شناخت مبتنی بر عواطف

در اینجا قصد آن است ابتدا با شناخت[1]، سیستم‌های شناختی[2] همچون PEACTIDM و معماری‌های شناختی[3] همچون Soar آشنا شده و همچنین ارتباط بین شناخت و عاطفه مورد بررسی قرار گیرد.
پژوهش در زمینه یکپارچه سازی عاطفه و شناخت برای سالهای بسیاریست که وجود داشته است. اینجا قصد دارد بیان کند که عواطف و شناخت در واقع در ارتباط تنگاتنگی با هم هستند، و چند مدل محاسباتی که در تحقیقات دانشمندان به وجود آمده‌اند را مورد بررسی قرار دهد. با این حال، یکپارچگی دست یافته در طول تاریخ تاحدی ناقص بوده است. از سوی دیگر ، ادعا می‌شود که شناخت لازمه‌ی برقراری خوب عواطف است، و از طرف دیگر مکانیسم‌های شناختی خاصی که دارای پشتیبانی عواطف هستند حتی تولید شده‌اند. با این حال، درک محاسباتی این ادغام تا حد زیادی عملگرا[4] شده است. با این حال ارتباط میان هسته‌ توابع شناختی[5] و عواطف هنوز به طور کامل کشف نشده است (Marinier III, Laird, & Lewis, 2009).

3.2.1 شناخت(1)

عبارت شناخت (لاتین: cognoscere "دانستن"[1] و یا "شناختن"[2]) به قدرت پردازش اطلاعات[3]، بکارگیری دانش[4]، و تغییر کارایی[5] اشاره دارد. شناخت یا فرایندهای شناختی[6]، می‌تواند طبیعی[7] یا مصنوعی[8]، آگاهانه[9] یا ناآگاهانه[10] باشد. این فرآیند را می‌توان از زوایای مختلف مورد تجزیه و تحلیل و بررسی قرار داد.
زمینه‌های مختلف مورد بررسی عبارت‌انداز: زبانشناسی[11]، بیهوشی[12]، مغز و اعصاب[13]، روان شناسی[14]، فلسفه[15]، مردم شناسی[16]، سیستماتیک[17] و علوم کامپیوتر[18] است (Cognition, 2009).
در روانشناسی یا فلسفه ، مفهوم شناخت به مفاهیم تجریدی همچون ذهن[19] ، استدلال[20] ، ادراک[21] ، هوش[22] ، یادگیری[23] و بسیاری دیگر از مفاهیم انتزاعی مرتبط است، که بعنوان قابلیتهای ذهن و ویژگی‌های مورد انتظار مصنوعی و یا ترکیبی "ذهن" توصیف می‌شود. شناخت یک ویژگی پیشرفته‌ی در نظر گرفته شده‌ی انتزاعی از موجودات زنده است و به عنوان یک ویژگی مستقیم از مغز (و یا از ذهن انتزاعی) در سطح واقعی[24] و نمادین[25] مورد مطالعه قرار می‌گیرد.


3.2.1 شناخت(2)

در روانشناسی و در هوش مصنوعی[1]، شناخت برای اشاره به توابع ذهنی[2]، فرایندهای ذهنی[3] (افکار[4]) و حالت‌هایی از موجودیت‌های هوشمند (انسان‌ها[5]، سازمانها و نهادهای انسانی[6] و ماشین‌های بسیار خود مختار[7]) مورد استفاده قرار گرفته است. به طور خاص، تمرکز این زمینه به سمت مطالعه‌ی فرآیندهای خاص ذهنی[8] همانند: فهم[9]، استنباط[10]، تصمیم‌گیری[11]، برنامه‌ریزی[12] و یادگیری[13] می‌باشد. اخیراً ، تحقیقات پیشرفته شناختی به خصوص بر روی ظرفیت‌های انتزاعی[14]، تعمیم[15]، concretization ، تخصص[16] و متا استدلال[17] متمرکز است. این شامل مفاهیمی مانند اعتقادات[18]، دانش[19]، تمایلات[20]، ترجیحات[21] و نیات افراد هوشمند[22]، اشیاء[23]، عامل‌ها[24] یا سیستم‌ها[25] نیز می‌شود (Cognitive Science Dictionary).


3.2.2 معماری PEACTIDM

مدل PEACTIDM (در بخش 5.3.2 از کتاب Allen Newell's با عنوان یکپارچه نظریه‌های شناختی[1] بیان شده است (Newell, 1990)) الگویی برای رفتار فوری[2] است که یک فرضیه[3] را برای یک روش مدلی برای تعامل گسترده با جهان خارج فراهم می‌کند (The PEACTIDM Model).
مدل PEACTIDM تئوری کنترل شناختی است که شناخت به مجموعه‌ای از عملیات انتزاعی تابعی تجزیه شده است. عبارت PEACTIDM مخفف مجموعه‌ای از هشت عبارت تئوری عملیات تابعی تجریدی به عنوان بلوک‌های ساختمان رفتار فوری است، این کلمات عبارت‌انداز: دریافتن[4] ، رمزکردن[5] ، توجه‌کردن[6] ، درک‌کردن[7] ، به‌کارگرفتن[8] ، قصد‌کردن[9] ، رمزگشایی کردن[10] ، و حرکت[11]. این توابع انتزاعی هستند به دلیل این که اگرچه بسیاری از آنها ممکن است اغلب بصورت اعمال بدوی شناختی باشند، با این حال آنها می‌تواند نیازمن پردازش اضافی باشند که جزئیات آن توسط نظریهNewell مشخص نشده است. مدل PEACTIDM ، که توسط Newell توصیف شده، به رفتار فوری (وظایفی با برش زمانی[12] کوتاه که در آن تعامل با رفتار غالب محیط[13] می‌باشد) محدود می‌باشد (Marinier III, Laird, & Lewis, 2009).
از این رو Newell استدلال می‌کنند که تحت توابع PEACTIDM می‌توان به طور عمده وابستگی داده بین توابع را تعیین کرد(به شکل 3.1 نگاه کنید). دریافتن باید قبل از رمزکردن رخ دهد که آن نیز باید قبل از درک کردن رخ دهد، که همچنین درک کردن باید قبل از توجه‌کردن، اتفاق افتد، که آن نیز باید قبل از رمز گشایی رخ دهد و آن نیز باید قبل از حرکت انجام شود. در برخی از موارد ساده، حضور محرک در همه موارد برای وظیفه نیاز است، و در نتیجه مرحله کدبندی ممکن است نادیده گرفته شود. عملیات بکارگرفتن انعطاف پذیر بوده و در پیاده‌سازی ارائه شده است، در اینجا، بکارگرفتن با توجه کردن رقابت می‌کند. به این معنا که عامل می تواند توجه کند (و در نتیجه چرخه نشان داده شده در شکل 3.1 کامل شود) ، یا آن را می‌تواند انجام دهد (که در این صورت بلافاصله برای بدست آوردن درک ممکن است که چرخه دوباره راه‌اندازی مجدد گردد). همچنین رویکرد متضادی که با قصد کردن در رقابت است نیز در (Marinier, 2008) ارائه شده است.

3.2.3 معماری Soar


Soar معماری شناختی عمومی برای توسعه سیستم‌هایی است که رفتارهای هوشمند از خود بروز می‌دهند. پژوهشگرانی در دو زمینه‌ی هوش مصنوعی و علوم شناختی، از Soar برای انجام وظایف مختلف استفاده می‌کنند. این معماری از سال 1983 تا به حال استفاده شده، در حال تکامل است. تا کنون 9 نسخه از این معماری منتشر شده است (Soar - Home).
سازندگان این معماری ادعا می‌کنند که در نهایت Soar قادر خواهد بود موارد زیر را برآورده کند:
- کار در طیف وسیعی از وظایف مورد انتظار از یک عامل هوشمند، از موارد بسیار عادی گرفته تا مسائل بسیار دشوار، در این معماری پایان پذیر خواهد بود.
- ارائه و استفاده از فرمهای مناسبی از دانش از قبیل: رویه‌ای[1] ، اعلانی[2] ، مرحله‌ای[3] ، و احتمالاً شمایلی[4]
- بکارگیری طیف وسیعی از روش‌های حل مساله
- تعامل با جهان خارج
- یادگیری در مورد تمام جنبه‌های وظایف و کارایی آنها.
به عبارت دیگر ، قصد آنها این است که Soar همه قابلیت‌های کلی مورد نیاز یک عامل هوشمند را پشتیبانی کند (Soar - Home).
مدل Soar معماری شناختی است که از هر دو عامل مدلسازی شناختی و توسعه نرم‌افزاری واقعی جهان استفاده کرده است همچنین در آن از دانش غنی سیستم‌های هوشمند نیز استفاده شده است. شکل 3.2 یک بلوک دیاگرام انتزاعی از Soar نسخه 9 را نشان می‌دهد، که در آن مؤلفه‌های حافظه[5] (لبه‌های گرد شده) و ماژول‌های پردازش[6] (لبه‌های مربعی) هستند.
در قسمت پایین و وسط Soar حافظه کوتاه مدت[7] (که اغلب به حافظه کاری[8] نیز می‌گویند) قرار دارد. حافظه کوتاه مدت ارزیابی عامل را از وضعیت فعلی نگهداری می‌کند، که از واحد‌های ادراک[9] (پایین‌تر وسط) و از طریق ذخیره‌سازی و بازیابی دانش از حافظه بلند مدت[10] مشتق می‌شود.
سه حافظه بلند مدت در این معماری وجود دارد:
رویه‌ای[11] (تولید قوانین) ،
معنایی[12] و
مرحله‌ای[13] ،
همچنین دارای مکانیسم‌های یادگیری انجمنی نیز هستند.


مدل Soar برای جلوگیری از اختلالات مبتنی بر نحو، مکانیسم‌های رزولوشن[14] سیستم‌های مبتنی بر قاعده‌ی سنتی[15] را توسط اجرای تمام قوانین تطبیق یافته در موازات هم استفاده می‌کند و اندیشه را در انتخاب و استفاد از اپراتورها[16] متمرکز می‌کند. اپراتورهای پیشنهادی به صراحت در حافظۀ کاری ارائه شده و با تفکر بر روی قوانینی که امکان‌پذیر هستند با ارزیابی و مقایسه به اپراتورها پیشنهاد می‌شود. در شکل 3.3 می‌توانید چرخۀ تصمیم‌گیری[17] Soar را مشاهده کنید. این مدل با فاز ورودی[18] آغاز می‌شود که در آن عامل، ورودی را از محیط دریافت می‌کند، در ادامه توسط فاز پیشنهاد[19] که در آن قوانین برای دانش مناسبی به سمت حالت، پیشنهاد و مقایسه‌ی اپراتور‌ها اجرا می‌شود. در مرحلۀ بعد، بر اساس ساختارهای ایجاد شده توسط آن قواعد، Soar یک اپراتور را در فاز تصمیم‌گیری[20] انتخاب می‌کند و یک ساختار را در حافظه کوتاه مدت برای ارائۀ پراتور انتخاب شده ایجاد می‌کند. این انتخاب ممکن است از طریق دانش مقایسه‌ای[21] و یا تصادفی[22] تعیین شده باشد. وقتی اپراتور انتخاب شود، قوانین با دانش مربوط می‌تواند برای اپراتور بکار رفته بر روی آن اجرا شود. برخی از این قوانین ممکن است دستورات خروجی را تولید نمایند. در نهایت ، خروجی پردازش شده، جهان را در پاسخ به عمل به روز خواهد کرد (Marinier III, Laird, & Lewis, 2009).



3.2.4 مدل سازی عواطف

مدلPEACTIDM و معماریهای توصیف فرآیندهای شناختی در نمایش و زمانبندی این فرآیند‌ها دارای و محدودیت است، اما آنها توصیف خاصی از ساختار‌های دانش که عملاً برای تولید رفتار مورد استفاده قرار می‌گیرد ندارند. پیشنهاد شده است که بسیاری از اطلاعات مورد نیاز برای PEACTIDM توسط فرآیندهای مشابه در تولید عواطف به وجود می‌آیند. و در واقع این فرآیند‌ها هستند که اپراتور‌های PEACTIDM می‌باشند. توابع انتزاعی PEACTIDM نیازمند اطلاعات در مورد ارتباط[1]، اهداف[2]، انتظارات[3]، و غیره ، و محاسبه آنها برای انجام توابع خود دارند. نتایج این محاسبات، آنگاه موجب یک واکنش عاطفی[4] خواهد شد.



3.3 عاطفه از نگاه علوم عصبی

نوروبیولوژیست‌ها و روانشناسان علاقمند به يكسان کردن عاطفه به عنوان يك هماهنگی هستند، به طور كلي سازگاری، تغییر مرحله‌ای در سيستمهاي فيزيولوژي چندگانه(از جمله هر دو مؤلفة ياخته‌هاي جسمي‌ و عصبي) در پاسخ به اين مقادیر تحریک شده‌اند(مثلاً (Damasio, 1999)، (Lazarus, 1991)، (Plutchik, 1980) و (Scherer, 2000) را برای مرور نگاهی بیندازید). يك موضوع مهم، که غالباً ناديده گرفت می‌شد، نگرانی از تمايز بین واکنش عاطفه و احساس عاطفی است که اولی مربوط به فیزیولوژی پاسخ عاطفی ‌است و دومی در برخی نظریه‌ها به صورت مرکز فیزیولوژی پاسخ عاطفی معرفی می‌شود (Damasio, 1999).
در عين حال ضرورت دارد كه به ياد داشته باشيم که یک پاسخ عاطفی معمولاً شامل تغییرات هماهنگی در ياخته‌هاي جسمي‌ شامل تعداد زيادي از عوامل است، از جمله غدد درون زیر، احشایی[1]، خودمختاری، و تغييرات عضلانی شامل حالات چهره، که همه‌ی اینها ما را در يك مد پيچيده با سربار کاری فراوان رها می‌کنند.
با وجود سابقه‌ی طولانی بحث فلسفي در اين زمينه، عواطف حالاتی را در حقيقت اظهار می‌دارد: آنها ارزش و اهمیتی را که مجموعه‌ای از حس‌های و رفتارهای خروجی را که برای خودپایداری موجودات زنده است به نمایش می‌گذارند. از اين رو، آنها نگاشت‌هایی از حالات بدن را درگير ساختارهایی مانند ساقه مغز[2]، تالاموس‌، و قشر ياخته‌هاي ناحیة جسمي‌ و حسي می‌کنند. بايد يادآور شد كه لازم نيست به نقشه به عنوان حالات واقعي بدن نگریست؛ و در این مورد می‌توان تنها به نتایج روجوع کرد و در واقع تنها نتایج با اهمیت هستند.
بدين ترتيب، اين امكان وجود دارد که در یک تصوير، ياخته‌هاي جسمي‌ مشابه رسانه‌هاي ديداري مجازی باشد و هر دو بطور توأم قابل احساس باشند. اگرچه چنين تصوير ياخته‌هاي جسمي‌ امکان پذیر نبوده و ‌ فقط بر روی نمايش عصب در يك حالت بدن اتفاق می‌افتد، و نه در حالت واقعي بدن.

فصل 4: یک نمونه از هوش عاطفی تکامل یافته

محققان هوش مصنوعی و روان‌شناسی، مدتها است به تعریف هوش و یافتن راهی برای شبیه سازی آن، پرداخته‌اند. بهرحال، تئوریهای بسیاری شکل گرفته‌اند که خیلی کم، احساسات را دربر می‌گیرد. در کتاب Haward Gardner با عنوان "چارچوب مغز[1]" (Gardner, 1973)، او مفهوم هوش چندگانه[2] را توصیف می‌کند. او هوش را به شش نوع تقسیم می‌کند: زبانی[3]، موسیقیایی[4]، ریاضی[5]، منطقی[6]، فضایی[7]، روان شناسی بدنی[8] و هوش شخصی[9]، بنابراین، هوش یک شخص می‌تواند در طول این ابعاد، متفاوت باشد. تئوری Gardner مهم است زیرا بواسطه گنجاندن هوش شخصی، این تئوری با قابلیتهای اجتماعی و احساسی که مردم دارا هستند تلفیق شده و سپس به پیشرفت آنچه که تئوری "هوش عاطفی" نامیده می‌شود، منتهی می‌شود. اخیراً، اهمیت عواطف در تئوری هوش بشری، بواسطه شواهد عصب شناختی ارائه شده توسط Damasio ، تقویت شده است (Damasio A , 1994).
در نتیجه، محققان زیادی در عوامل و زمینه هوش مصنوعی، شروع به گسترش مدلهای رایانه‌ای عواطف (Elliot & Brzezinki, 1998) کرده‌اند. شبیه‌سازی هوش عاطفی در انواع خاصی از برنامه‌های کامپیوتری، مهم است. مدلهای رایانه‌ای احساسات، برای کاربردهای زیادی از جمله، برنامه‌های شخصی کمکی، شبیه‌سازیهای یادگیری، رویارویی‌های هوشمندانه و کاربردهای سرگرمی، خیلی مفید هستند.
برای تشخیص اهمیت فرایند احساسی در شبیه‌سازی کاراکترهای شبیه زندگی (Elliot & Brzezinki, 1998)، تعدادی از مدلهای رایانه‌ای عاطفی در اجتماع عوامل، پیشنهاد شده است. یک تلاش چشمگیر در این زمینه، پروژه OZ در CMU است (El-Nasr, Ioerger, & Yen, 2000). پروژه OZ ، عواطف قابل اعتماد و عوامل اجتماعی را شبیه‌سازی می‌کند: در آغاز هر عاملی، ویژگیها و خصوصیاتی را در جهت اهداف ویژه محیط، تنظیم کرده است. علاوه براین، هر عاملی تعدادی اهداف آغازین و مجموعه استراتژیهایی دارد که برای دستیابی به هر هدف، باید پیروی شود. این عامل یک اتفاق را در محیط تعیین می‌کند. سپس این رویداد مطابق اهداف، ویژگیها و استانداردهای عامل، ارزیابی می‌شود. بعد از اینکه رویدادی ارزیابی شد، قوانین ویژه‌ای برای معرفی عاطفی با شدتی خاص، ارائه می‌شود. این قوانین براساس مدل ارزشیابی رویدادی Ortony و دیگران است (Ortony, Clore, & Collins, 1988). سپس عواطف بوجود آمده، مطابق شدت آنها و برای رفتاری ویژه، طراحی می‌شود. این رفتار به شکل متنی یا انیمیشن، بیان شده است.
به رغم اینکه مدل OZ عواطف، ویژگیهای خیلی جالبی دارد. اما محدودیتهایی هم دارد. یک احساس و هیجان تنها زمانی که اتفاقی، استانداردها، ویژگیها یا دستیابی به اهداف آن فرد را تحت تأثیر قرار دهد، ایجاد می‌شود. تصور موفقیت جزیی یا شکست، دست نیافتنی است چون عموماً، رویدادهایی باعث موفقیت کامل یا شکست کامل یک هدف نمی‌شود. علاوه براین، بعضی از احساسات و هیجان‌ها از قبیل امید و آرامش، هرگز نمی‌توانند شبیه‌سازی شوند، چون آنها متکی بر انتظارات هستند.
به منظور اینکه شخصی یک تجربه احساسی قابل قبولی را شبیه‌سازی کند، باید بطور پویایی، احساساتش را بواسطه تجربه‌اش، تغییر دهد. در اینجا مدل جدیدی را بررسی می‌کنیم که بواسطه آن، شخصی می‌تواند، ماهیت پویای احساسات را بواسطه یادگیری، شبیه‌سازی کند. در این مقاله، ما مدل‌مان را نشان می‌دهیم و در مورد اینکه چطور مکانیسم‌های مختلف یادگیری برای شبیه سازی جنبه پویای فرایند احساسی، استفاده شده است، بحث خواهیم کرد. علاوه بر این، نتایج آزمایشات ارزیابی تعدادی از کاربران سیستمی که با این مدل، اجرا شده و PETEEL نامیده می شود را گزارش می‌دهیم.


4.1 عاطفۀ محاسباتی
در معرفی این مدل، ابتدا مکانیسم‌های مختلف یادگیری که در این مدل اجرا شده است را توصیف مس‌شوند و سپس آنها از لحاظ مکانیسم‌های یادگیری درگیر، توصیف خواهند شد، که چطور این مکانیسم‌ها فرایند احساسی را تحت تأثیر قرار داده و یا تسهیل می‌کنند. به این طریق می‌توان مشخصات مدل را بهتر فهمید.

4.1.1 یادگیری

در اینجا چهار مکانیسم مختلف یادگیری که قابلیت شبیه سازی دارد عبارتند از:
1) یادگیری در مورد توالی رویداد و پاداش‌های ممکن،
2) یادگیری در مورد فعالیتها و حالتهای کاربر
3) یادگیری در مورد اینکه چه فعالیتهای خوشایند کاربر است و چه فعالیتهای خوشایند کاربر نیست و
4) شرطى شدن پاولفى (S–R)
این مکانیسم‌های یادگیری در پاراگرافهای بعدی بطور مفصل مطرح خواهند شد و مثالهایی از تأثیر آنها برفرایند عاطفی نیز ارائه می‌گردند.



4.1.2 یادگیری در مورد رویدادها (وقایع)

4.1.3 یادگیری در مورد کاربر

4.1.4 یادگیری در مورد فعالیتهای خوشایند و ناخوشایند

4.1.5 شرطى شدن پاولفى

4.2 شبیه سازی عاطفه

4.3 رفتار عامل


رفتار شخص به حالتهای احساسی و ترغیب کننده‌اش و وضعیت فعلی یا حادثه درک شده بستگی دارد. در اینجا برای مرتبط کردن مجموعه‌های احساسات با رفتارهای متناسب با آن از قوانین مبهمی استفاده می‌شود. به طور مثال، قانون ذیل را بررسی کنید.

رفتار عربده کشیدن به کاری که کاربر انجام می‌دهد و شدت احساس عامل، بستگی دارد اگر کاربر بشقاب را پرتاب نکرده بود و عامل به دلیل دیگری عصبی بود، تمایلی به غرش بر سر کابر نداشت. (اگر چه در بعضی مواقع ممکن است) زیرا کاربر علت خشم او نبود. بنابراین هم شناسایی حادثه و هم احساس، خیلی مهم است. همچنین تعیین علت حادثه هم حائز اهمیت است. در این مورد، اینطور تصور می‌کنیم که حوادث غیر محیطی از قبیل پرتاب بشقاب، انداختن توپ و غیره کلاً به وسیله کاربر ایجاد شده است.
علاوه بر این، رفتار عامل به تنهایی به وسیله حالت احساسی‌اش تعیین نمی‌شود، اما معمولاً به تعدادی از هنجارهای اجتماعی از قبل تعیین شده بستگی دارد که حالت رفتار او را تعیین و محدود می‌کند به طور مثال اگر کاربر در حالت روحی خیلی بدی است و عامل به عنوان دوست خوبی تلقی شده است، او تمایلی بر رفتار ستیزه جویانه و پرخاشگرانه نخواهد داشت. از این رو، اگر حالت روحی‌اش تحت سلطه خشم است و قوانین توصیف شده بالا رفتار خشمی را پیشنهاد می‌کند، این رفتار عصبی و پرخاشگر، سرکوب خواهد شد. علاوه بر این اگر کاربر خوشحال است و عامل نیاز به غذا و آشامیدنی دارد، پس نمایده مطیع و فرمانبردار خواهد شد و فعالیتهایی را انجام خواهد دارد که آموخته است برای کاربر خوشایند است، چنانچه قبلاً ذکر شد. این قوانین بر اساس هنجارهای اجتماعی و رفتاری تنظیم شده‌اند. عموماً این قوانین رفتاری تنظیم شده تمایل دارند تا شخصیت عامل را شکل دهند. بنابراین بواسطه تلفیق شخصیت و خودنمایی عامل تمایل دارد تا این قوانین تنظیم شده را تغییر دهد(Yen, 2000 & El-Nasr, Ioerger).


4.4 بحث

دل محاسبه‌ای احساسات، از جمله مدلی که در اینجا مطرح شد، می‌تواند فایده زیادی برای انواع خاصی از برنامه‌های کامپیوتری داشته باشد. چنین مدلی می‌تواند به طور بالقوه‌ای بیشتر کاربردهای آموزشی را بهبود دهد، به ویژه وقتی که تعلیم تیمی، یک مسئله است. تقاضاها و کاربردهای تیمی به طور عرف با وظایف ساده‌ای از قبیل حفظ و نگهداری مرتبط شده است که بطور نرمال توالی دروس ساده‌ای که به یک کارآموز داده می‌شود را در بر می‌گیرد . به طور واضحی تعلیم گروهی کاملاً متفاوت است چون به فاکتورهای زیادی از قبیل انسجام گروهی، تعاملات گروهی، اخلاق و نفوذ داخل گروه بستگی دارد. این مطلب ذکر شده است که بیشتر این مفاهیم متفاوت به شدت به احساسات و تجربه بستگی دارد علاوه بر این ، این سیستم های تعلیمی می‌توانند از انسانها مانند عوامل (یعنی شخصیتهای مصنوعی) استفاده کنند. تا بعضی از اعضای تیم را جابجا کنند. Clark Elliot، تلاشهای فعلی را در شبیه سازیهای انسان به عامل، با شخصیتهای شبیه سازی شده‌ای با شخصیتها و احساسات متفاوت، خلاصه کرد. بنابراین، طراحی احساسات و شخصیت می‌تواند نقطه عطف خوبی برای تقاضاهای تعلیم تیمی باشد. از میان مطالعات زیادی که در روانشناسی اجتماعی احساسات صورت گرفته است، دانش مشترک و خود اجرایی به عنوان تسهیل کننده‌های اصلی ارتباط انسان – انسان شناخته شده است(Yen, 2000 & El-Nasr, Ioerger).
این مطالعات، محققان زیادی را برانگیخته است تا بوسیله تعامل انسان- انسان به عنوان مدل، بدنبال راههای جایگزینی برای حل مسئله تعامل انسان – کامپیوتر باشند. بعضی از محققان سعی کردند تا این مسئله را از طریق توسعه رویارویی اختصاصی عامل – عامل که در مورد کار می‌آموزند حل کنند و سعی می‌کنند از هر راه ممکن به او کمک کنند(Yen, 2000 & El-Nasr, Ioerger).
بقیه تلاش کردند این رویارویی را برای کاربر، خوشایندتر سازند و متوسل به واکنشهای احساسی کاربر در فرایند می‌شوند. این تحقیق، هنوز برای عقاید جدیدی در مورد اینکه چطور از احساسات و آموزش برای تقویت رویارویی استفاده کنیم و موانع بین انسان و کامپیوتر را بشکنیم، باز است. یک مدل احساسی می‌تواند برای شبیه سازی احساسات در انیمیشن شخصیتی هم استفاده شود. بازیهای ایفای نقش (Role playing Games – RPG) یک نوع انیمیشن شخصیتی است که اگر شخصیتها را بعنوان عوامل شبیه سازی شده باشند، شبیه سازی احساسات و رفتارهای احساسی مهم است RPG ، بازی است که کاربر نقش ویژه ای را به عهده می‌گیرد. به طور نرمال به کاربر مأموریتی مطابق طرح داستان بازی داده می‌شود. در طول مسابقه، کاربر با شخصیتهای متفاوتی تعامل می‌کنند و با آنها برخورد می‌کند. اگر RPG های تجاری موجود، از سناریویی با شخصیتهای برانگیخته استفاده می‌کند. برای ساخت شخصیت برانگیخته سناریو، سازنده شخصیت همه سناریوهای ممکن همه تعاملات محتمل داخل بازی را حدس می‌زند. تقریباً ساخت یک شخصیت کامل، با استفاده از این روش غیر ممکن است چون ممکن است سازنده‌های شخصیتی، ترکیبات جدیدی را از دست بدهند. یا کاربران بخواهند با شخصیت صحبت کنند و بنابراین گاهی اوقات به نظر می‌رسد این شخصیتها متقاعد کننده نباشند. از طرف دیگر، اگر شخصیتی یک عامل مصنوعی است، مأموریت سازنده شخصیت خیلی ساده‌تر شده است. او به شناسایی اهداف، رفتارها و شخصیت نیاز خواهد داشت. بنابراین، مدل عاملی که می‌تواند شخصیتها و احساسات متفاوتی را شبیه سازی کند، می‌تواند ابزار خیلی مفیدی در این نوع تقاضاها و کاربردها باشد.
کاربردی که در بالا توصیف شد، کمی از کاربردهای شبیه سازی شده کامپیوتری است که ممکن است به یک روش یا بیشتر از احساسات استفاده کند. این کاربردها، اهمیت عوامل احساسی/ اجتماعی را به عنوان ابزارها و مدلهای محاسبه‌ای و رایانه‌ای نشان می‌دهند.

جمع بندی و نتیجه گیری

مطالبی که این جا ارائه شده است، عمدتاً گسترش نظریات زیادی است که در تحقیقات قبلی ارائه شده است (مدلهای روانشناسی و رایانه ای) برآوردها نشان داده است که تلفیق مکانیسم‌های مختلف یادگیری از قبیل یادگیری اجتماعی، شرطى شدن پاولفى، یادگیری در مورد الگوهای همراه، فعالیتها قابلیت اعتماد عامل را بهبود می‌دهد و واکنش احساسی پویاتری را خلق می‌کند. با وجود این هنوز مدل‌ها از چندین بعد دارای نقص هستند. فیزیولوژیستها تشخیص دادند که شخصیت فاکتوری است که یادگیری و فرایندهای احساسی را تحت تأثیر قرار می‌دهد و خود نیز تحت تأثیر آنها قرار می‌گیرند علاوه بر این هنرمندان زیادی تشخیص داده‌اند که شخصیت یکی از مهمترین فاکتورها در انیمیشن شخصیتی است بعضی از محققان شخصیت را به مدلهای عامل احساسی شان اضافه کرده‌اند بهرحال شخصیت مفهوم خیلی هیجان انگیزی برای شبیه‌سازی است چون ویژگیها و نوسانات فردی زیادی وجود دارد. هوش بشر پدیده‌های بسیار دیگری را در می‌گیرد که قرنها است فیزیولوژیستها را برانگیخته و دعوت می‌کند. این مفاهیم عبارتند از خود ادراکی فرد، آگاهی خود گسترش، خود اجرایی و خود احترامی. این مفاهیم بوسیله فیزیولوژیستها شناسایی شده و تأثیر عمده‌ای بر ثبات فاعل واکنشهای احساسی و اجتماعی دارد (Yen, 2000 & El-Nasr, Ioerger). در نتیجه یادگیری به ثبت ماهیت پویای فرایند احساسی کمک می‌کند این مدل‌ها تنها در تلاش هستند تا هوش واقعی بشر را درک کند و از دین شبیه سازی در کاربردهای گوناگونی استفاده می‌کند. با این وجود به نظر می‌رسد رهیافتی که از مدل‌های شناختی آدمی استفاده می‌کند عامل‌ها را در حل مسائلی که در برخورد با محیط و اجتماع خود با آن مواجه می‌شوند بیشتر یاری می‌رساند. این مدل‌ها سعی می‌کنند که از طرز فکر، درک، آگاهی، شناخت، معرفت و یا حتی الهام بشر استفاده کرده و با مدل کردن آنها در عامل‌ها از این قابلیت فوق‌العاده استفاده نمایند.

مراجع