وبلاگ تخصصی آموزش کامپیوترودانلود نرم افزار (خداجون دوستت دارم)

آموزش و راه کارهای کامپیوتر -مقاله کامپیوتر-قالب -ویندوز XP- ویستا -رمز

وبلاگ تخصصی آموزش کامپیوترودانلود نرم افزار (خداجون دوستت دارم)

آموزش و راه کارهای کامپیوتر -مقاله کامپیوتر-قالب -ویندوز XP- ویستا -رمز

نسخه جدید Hotmail

 

 
پس از ارائه نسخه جدید سرویس‌های ایمیل یاهو و گوگل، بالاخره مایکروسافت نیز نسخه جدیدی از سرویس ایمیل خود، یعنی Hotmail را ارائه داد. این شرکت که این سرویس را روی سرویس WindowsLive خود عرضه کرده است، از 36 زبان مختلف دنیا پشتیبانی می‌کند و رابط گرافیکی آن بسیار کاربرپسندتر و راحت‌تر شده است.


 پس از ارائه نسخه جدید سرویس‌های ایمیل یاهو و گوگل، بالاخره مایکروسافت نیز نسخه جدیدی از سرویس ایمیل خود، یعنی Hotmail را ارائه داد. این شرکت که این سرویس را روی سرویس WindowsLive خود عرضه کرده است، از 36 زبان مختلف دنیا پشتیبانی می‌کند و رابط گرافیکی آن بسیار کاربرپسندتر و راحت‌تر شده است.

در هاتمیل جدید قابلیت‌هایOutlook Connector  برای سازگاری برنامه آوت‌لوک با آن، تغییر اندازه صفحه متناسب با مرورگر، حرکت سریع میان بخش‌های مختلف هاتمیل، جست‌وجوی پیشرفته میان ایمیل‌ها و امکان نمایش فایل‌های تصویری ضمیمه ایمیل‌ها یا پخش فایل‌های MP3 افزوده شده است. کاربران این سرویس می‌توانند با کلیک روی گزینه'Join Windows Live Hotmail'، صفحه رابط کاربری خود را به نسخه جدید تبدیل نمایند.

هارددیسک اکسترنال دویست گیگابایتی‌ به بازار آمد

 

 

شرکت توشیبا هارددیسک قابل‌حملی با ظرفیت دویست گیگابایت را ارائه کرد. این هارددیسک اکسترنال می‌تواند روی کامپیوتر، نوت‌بوک و تجهیزاتی که از USB پشتیبانی می‌کنند، استفاده شود.


شرکت توشیبا هارددیسک قابل‌حملی با ظرفیت دویست گیگابایت را ارائه کرد. این هارددیسک اکسترنال می‌تواند روی کامپیوتر، نوت‌بوک و تجهیزاتی که از USB پشتیبانی می‌کنند، استفاده شود.

سال گذشته توشیبا یک هارددیسک دویست گیگابایتی برای نوت‌بوک‌ها ارائه کرده بود، اما اکنون هارددیسک جدید این شرکت برای کامپیوترهای خانگی قابل استفاده است. این هارددیسک 5/2 اینچ قطر دارد و با قیمت 229 دلار به فروش می‌رسد.

شرکت توشیبا امکان خرید آنلاین آن را از اینترنت نیز فراهم کرده است. پیش از این، بالاترین هارددیسک قابل‌حمل 160 گیگابایت ظرفیت داشت.

فراخوان جهانی پاندا برای مشارکت در یک طرح امنیتی

 

 


شرکت پاندا در یک فراخوان گسترده از کلیه کاربران اینترنت و مدیران شبکه دعوت کرد در یک طرح بزرگ امنیتی با عنوان Infectedornot شرکت کنند.


سرویس خبر شبکه آنلاین - در پی اطلاعیه مهم Panda Software، مبنی بر عدم کارایی موثر نرم‌افزارهای امنیتی بروز شده در برابر شیوه جدید خرابکاران اینترنتی برای نفوذ به رایانه‌ها و شبکه‌های محلی، این شرکت در یک فراخوان گسترده از کلیه کاربران اینترنت و مدیران شبکه دعوت کرد در یک طرح بزرگ امنیتی با عنوان Infectedornot شرکت کنند.

در این طرح، از کلیه کاربران رایانه و مدیران شبکه در سرتاسر جهان خواسته شده است که با مراجعه به این آدرس
علاوه بر ارزیابی رایگان وضعیت رایانه و شبکه خود و استفاده از سایر امکانات حفاظتی، Panda Software را در برآورد وضعیت جهانی امنیت و ارائه گزارش‌
های تفضیلی در این خصوص، یاری دهند.

در مراحل اولیه این طرح که بیشتر کشورهای اروپایی و ایالات متحده آمریکا صورت گرفت، مشخص شد که بیش از 50درصد رایانه‌ها با وجود استفاده از نرم‌افزارهای امنیتی و بروز شده، توسط کدهای مخرب و ویروس‌های رایانه‌ای مورد حمله قرار گرفته‌اند.

در اطلاعیه قبلی پاندا از حمله‌های هدف‌دار، حفره‌های امنیتی جدید، تاخیر در انتشار اصلاحیه‌های امنیتی و عدم نصب به موقع آنها توسط کاربران و مدیران شبکه و نیز سرعت غافلگیرکننده انتشار بدافزارها، به عنوان عواملی یاد شده است که حتی با وجود بروز بودن نرم‌افزارهای امنیتی، شرایط مناسبی را برای تخریب رایانه‌ها و سرقت اطلاعات حساس بوجود می‌آورند.

منبع:‌ www.mec-security.com

     

چگونه یک شبکه عصبی‌ هوشمند بسازیم؟

مثالی از برنامه‌نویسی شیء‌گرا در شبکه‌های عصبی و هوش مصنوعی

 
اشاره :

قدرت و سرعت کامپیوترهای امروزی به راستی شگفت انگیز است؛ زیرا کامپیوترهای قدرتمند می‌توانند میلیون‌ها عملیات را در کمتر از یک ثانیه انجام دهند. شاید آرزوی بسیاری از ما انسان‌ها این باشد که ای کاش می‌شد ما نیز مانند این دستگاه‌ها کارهای خود را با آن سرعت انجام می‌دادیم، ولی این نکته را نباید نادیده بگیریم که کارهایی هستند که ما می‌توانیم آن‌ها را به آسانی و در کمترین زمان ممکن انجام دهیم، ولی قوی‌ترین کامپیوترهای امروزی نیز نمی‌توانند آن‌ها را انجام دهند و آن قدرت تفکری است که مغز ما انسان‌ها دارد. حال تصور کنید که دستگاهی وجود داشته باشد که علا‌وه بر قدرت محاسبه و انجام کارهای فراوان در مدت زمان کوتاه، قدرت تفکر نیز داشته باشد یا به قول معروف هوشمند باشد!این تصور در حقیقت هدف فناوری هوش مصنوعی یا Artificial Intelligence) AI) است. یکی از راه‌حل‌های تحقق این هدف، شبکه‌های عصبی است. شبکه‌های عصبی در واقع از شبکه‌های عصبی و سیستم عصبی انسان الگوبرداری می‌کنند. برخی از محققان براین باورند که هوش مصنوعی و شبکه‌های عصبی دو راه‌حل متفاوت و در دو جهت مختلف هستند، ولی این باور را نمی‌توان کاملاً صحیح دانست؛ چرا که در حقیقت علم شبکه‌های عصبی و هوش‌مصنوعی وابسته به هم هستند. بدین‌معنا که قبل از این‌که Symbolها بتوانند توسط هوش مصنوعی شناسایی شوند، باید مراحلی طی شود. مثلاً تصور کنید که Symbolهایی مانند خانه، انسان یا میز وجود دارند. قبل از این که AI بتواند هر کدام از این Symbolها را شناسایی کند، باید از توانایی‌ها و صفات هر کدام از این‌ها اطلاع کامل حاصل کند. مثلاً تصور کنید که یک روبات که هوش مصنوعی دارد، یک انسان را می‌بیند، ولی از کجا می‌فهمد که این جسم یک انسان است؟ مثلاً بر اساس مشخصاتی مثل داشتن دو پا، دست، صورت، دهان و قدرت تکلم. اما شما وقتی یک انسان دیگر را می‌بینید، نیازی ندارید که اول تعداد پاهای او را بشمارید و بعد بگویید که این جسم، انسان است. مغز انسان‌ها می‌تواند با دیدن یک جسم فقط برای یک بار یاد بگیرد و اگر مجدداً آن جسم را مشاهده کرد، می‌تواند سریع تشخیص دهد و قسمت‌های مختلف مغز می‌توانند به صورت همزمان فعالیت کنند و از اطلاعات درون مغز استفاده نمایند. شبکه‌های عصبی در بسیاری از پروژه‌های هوش مصنوعی به کار گرفته می‌شود. مثلاً برای برنامه‌های تشخیص و الگوبرداری، شناسایی تصویر و کاراکتر، روبات‌ها و برنامه‌های فیلترینگ اطلاعات. این شبکه‌ها امروزه حتی در اتومبیل‌های بی‌سرنشین نیز کاربرد دارد. به طوری‌که با دیدن و بررسی رانندگی انسان‌ها، می‌توانند رانندگی کنند. در این مقاله اصول شبکه‌های عصبی در برنامه‌نویسی شیء‌گرا مورد بررسی قرار می‌گیرد. با استفاده از زبان #C و انجام دادن عملیات X-OR ساده می‌توانید اولین برنامه ساده هوش مصنوعی خود را بنویسید. لازم به ذکر است که مثالی که در این مقاله از آن استفاده شده، از مقاله Matthew Cochran (سی شارپ کورنر) اقتباس شده است.


شکل 1

برای یادگیری بیشتر شبکه‌های عصبی بهتر است این شبکه‌ها را با شبکه‌های عصبی مغز خود مقایسه کنیم. در حقیقت هر نورون در مغز ما یک ورودی دارد که از نورون‌های دیگر میآید و یک خروجی که به نورون یا نورون‌های بعدی می‌رود.
 
برای این‌که بتوانیم این کار را دقیقاً در برنامه خود شبیه‌سازی کنیم، لازم است یک کلاس مانند شکل 1 قسمت اول طراحی کنیم که ضمن داشتن مشخصه‌های خاص، یک خروجی داشته باشد. البته همان‌طور که در قسمت دوم نیز مشاهده می‌کنید (شکل 1)، هر نورون می‌تواند داری چندین ورودی نیز باشد.
 
همان‌طور که در شکل 1 مشاهده می‌کنید، نورون‌ها به صورت گروهی لایه‌بندی می‌شوند.


 

شکل 2

وقتی سیگنال یا پالسی  به یک لایه ارسال می‌شود، این سیگنال از لایه بالایی شروع به فعالیت می‌کند و توسط نورون‌های آن لایه بررسی و اصلاح می‌گردد. در حقیقت هر نورون قدرت سیگنال را بالا می‌برد و آن پالس را به لایه بعدی انتقال می‌دهد. (شکل 2)

حال که تقریباً با کار یک لایه عصبی آشنا شدید، می‌توانیم شبکه‌های پیچیده‌تر را مورد بررسی قرار دهیم.  برای این کار حداقل به سه گروه از نورون‌هایی که در شکل 2 می‌بینید، نیاز داریم.


همان‌طور که در شکل 3 مشاهده می‌کنید، این شبکه دارای سه لایه است. لایه 1 یا لایه بالایی این شبکه که در حقیقت لایه ورودی است، پارامترهای پالس را تنظیم می‌کند و این مقادیر را همراه سیگنال یا پالس به لایه‌های بعدی پاس می‌دهد، ولی نورون‌های لایه 3 یا لایه خروجی‌ که در پایین‌ترین سطح شبکه قرار دارد، هیچ سیگنالی را به لایه دیگری نمی‌فرستند و در واقع فقط خروجی دارند.

شکل 3


‌ حال قسمت اصلی کار شبکه فرا می‌رسد؛ یعنی آموختن به شبکه عصبی. ب

رای این‌که به شبکه عصبی موجود توانایی آموختن بدهیم، بعد از این‌که سیگنال از لایه اول شبکه به لایه پایینی شبکه می‌رود، باید اطلاعات هر نورون را که روی سیگنال ما اثر می‌گذارد، بروزآوری و اصلاح کنیم. این رویه را به اصطلاح BP یا Back Propagation می‌گویند.
 
در حقیقت با این کار یعنی مقایسه خروجی‌ای که خودمان محاسبه کرده‌ایم با خروجی شبکه، می‌توانیم مقدار اشتباهاتی که شبکه ما انجام می‌دهد را به دست آوریم.

مثلاً تصور کنید که در یک سلول نورون در لایه آخر شبکه یا لایه خروجی اشتباهی داریم، هر نورون در واقع رکورد تمامی نورون‌هایی که سیگنال از آن عبور می‌کند را نگهداری می‌نماید و می‌داند که کدام یک از نورون‌های قبلی یا به اصطلاح نورون‌های والد باعث این اشتباه می‌شوند.

همچنین می‌دانیم که هر کدام از این نورون‌های شبکه یک مقدار اشتباه را محاسبه کرده‌اند و از این طریق شبکه ما می‌تواند یاد بگیرد و اگر مقدار دیگری نیز به آن داده شد، می‌تواند توانایی محاسبه داشته باشد.

شکل 4

حال که کمی در مورد شبکه‌های عصبی صحبت کردیم، می‌توانیم برنامه سی‌شارپ خود را شروع کنیم. اولین کاری که باید انجام دهیم، ایجاد یک اینترفیس ساده است که بعداً آن را عملیاتی می‌کنیم. همان‌طور که در کدهای شکل 4 می‌بینید، یک اینترفیس به نام Interface 1 ساخته‌ایم. این اینترفیس در واقع حرکت یک سیگنال را در شبکه ما تعریف می‌کند.  وقتی این کار را انجام دادیم، به یک اینترفیس دیگر نیاز داریم که ورودی نورون را تعریف کند. برای این کار باید از یک دایرکتوری عمومی استفاده کنیم. این دایرکتوری کلید سیگنال یا همان پالس است و خروجی یک کلاس است که پارامتر ‌Weight پالس را مشخص می‌کند. (کدهای شکل 5).

شکل 5

حال نوبت به نوشتن کدهای کلاس اصلی برنامه می‌رسد. نام این کلاس را NeuralFactor می‌نامیم (کدهای شکل 6).
 

شکل6


در کدهای این کلاس می‌بینید که  دو مقدار Private به نام‌های Mywight و MyDelta نوع double و جود دارد. کار اصلی این کلاس، دادن و گرفتن مقادیر نورون است و در واقع تغییرات در ورودی نورون‌ها و وزن آن‌ها را  نگهداری می‌کند. حال می‌توانیم یک اینترفیس برای خود نورون درست کنیم. از آن جایی که هر نورون هم مشخصات سیگنال و هم Receptor را دارد، باید از دو اینترفیسی که قبلاً در شکل های 5 و 4 توضیح داده شد، استفاده کند. همچنین هر نورون چیزی مانند یک ورودی دیگر نیز دارد که به آن Bias می‌گوییم.

اضافه براین، باید دو متد برای انجام کار در شبکه درست کنیم: یکی برای انجام Pulse و دیگری برای یادگیری نورون. کدهای شکل 7 تمامی این اینترفیس را مشخص کرده است.

شکل7

در قسمت پایین این کدها یک اینترفیس دیگر به نام INeuralLayer مشاهده می‌کنید. این اینترفیس برای لایه‌های نورون‌های شبکه است و برای انتقال پالس از یک لایه به لایه دیگر و توانایی یادگیری در یک لایه به کار گرفته می‌شود. و بالاخره آخرین اینترفیس ما خود شبکه را تعریف می‌کند. از توانایی‌های این اینترفیس می‌توان، قابلیت نگهداری لایه‌های شبکه، انتقال پالس و قابلیت یادگیری شبکه را نام برد. 

اکنون که با اینترفیس‌های این شبکه ساده آشنا شدید، نوبت به ساختن اجزای اصلی برنامه می‌رسد. اولین کاری که باید در این قسمت انجام دهیم، ساختن کلاس اصلی نورون است که باید آن را بر اساس اینترفیس‌هایی که ساخته‌ایم، درست کنیم. شکل 8 ساختار اصلی این کلاس را نشان می‌دهد.

شکل8

همان‌طور که در این شکل مشاهده می‌نمایید، این کلاس تعدادی متغیر و چندین متد دارد. در این کلاس دو متد اصلی  وجود دارد: متد Sigmoid و متد Pulse کدهای شکل 9 این دو متد را نشان می‌دهد.

شکل 9


اگر کمی به کدهای شکل 9 و متد Pulse دقت کنید، متوجه می‌شوید که این متد جمع هر ورودی یا هر خروجی که به نورون داده می‌شود را دریافت می‌کند و در Weight مربوطه که در دایرکتوری است ضرب می‌کند و آخرین خروجی آخرین را به متد Sigmoid انتقال می‌دهد و در نتیجه خروجی آخر ما عددی بین 0 و 1 خواهد بود.

حال دو کلاس مهم از این شبکه باقی‌مانده است: اولین کلاس، کلاس اصلی شبکه یا NeuralNet است و دیگریNeuralLayer، کلاس لایه‌های شبکه ما است. این دو کلاس در شکل 10 به صورت مشخص نشان داده شده است، اما نکته بسیار مهم این است که کلاس NuralLayer در حقیقت مسئول نگهداری نورون‌های انتقال‌دهنده یا فراخوان‌کننده متد Pulse است.
 

کلاس اصلی شبکه

کلاس لایه‌های شبکه

شکل 10


در این کلاس از فهرست نورون‌ها استفاده شده است و این کلاس در اصل نورون‌ها را در خود جا می‌دهد. در این کلاس دو متد که هیچ مقدار برگشتی ندارند، به نام‌های Pulse و ApplyLearning وجود دارد. این متدها در حقیقت  کار فرستادن پالس و یادگیری لایه‌ها را به عهده دارند. کدهای شکل 11 این دو متد را نشان می‌دهد.

شکل 11

کلاس NeuralNet (شکل 12) همان‌طور که قبلاً توضیح داده شد، یکی از مهم‌ترین کلاس‌های برنامه ما است. در این کلاس سه متد بسیار مهم وجود دارد: Initialize ،Train و BackProgation متد Initialize در واقع شبکه ما و کامپوننت‌های آن را آماده می‌کند. این متد در واقع متد Factory ما است. در این متد مقادیر عددی نورون‌های ورودی، نورون‌های مخفی و نورون‌های خارجی مشخص می‌گردند.  

شکل 12

متد BackProgation یکی دیگر از متدهای این کلاس است. این متد ابتدا خطاهای خروجی نورون‌ها را با  محاسبه اختلاف عددی بین مقدار مورد انتظار ما و خروجی نورون‌ها محاسبه می‌کند و وقتی که خروجی همه نورون‌ها بروز گردید، این متد خطاهای نورون‌های پنهان را نیز محاسبه می‌کند.

شکل 13

وقتی این متد توسط برنامه انجام شد، برنامه با استفاده از متد، ()‌Train و با استفاده از خروجی‌های قبلی می‌تواند توانایی یادگیری داشته باشد.

اگر بخواهیم شبکه خود را آموزش دهیم که عملیات X-OR را انجام دهد، باید ابتدا یک شبکه بسازیم که دو نورون ورودی، دو نورون پنهان و یک  نورون خروجی داشته باشد. مثلاً می‌توانیم شبکه خود را طوری آموزش دهیم که بتواند عملیات مشخص‌شده در جدول 1 را انجام دهد:

خروجی   

ورودی دوم

ورودی اول

1

0

1

0

1

1

0

0

0

1

1

0

 جدول 1

کل 13 روند اجرایی برنامه را نشان می‌دهد. می‌توانید سورس‌ کدهای این برنامه را از قسمت دریافت فایل سایت ماهنامه شبکه دریافت کنید و قدم به قدم و با استفاده از راهنمایی‌هایی که در آن نوشته شده است، تغییراتی در کدها انجام دهید و اولین برنامه هوش مصنوعی خود را بنوسید.

منابع:
http://en.wikipedia.org/wiki/Neural_network
www.c-sharpcorner.com
www.nd.com/neurosolutions/products/ns/whatisNN.html

منطق فازی چیست؟

 


اشاره :

حتماً بارها شنیده‌اید که کامپیوتر از یک منطق صفر و یک تبعیت می‌کند. در چارچوب این منطق، چیزها یا درستند یا نادرست، وجود دارند یا ندارند. اما انیشتین می‌گوید: <آن‌جایی که قوانین ریاضیات (کلاسیک) به واقعیات مربوط می‌شوند، مطمئن نیستند و آنجا که آن‌ها مطمئن هستند، نمی‌توانند به واقعیت اشاره داشته باشند.> هنگامی که درباره درستی یا نادرستی پدیده‌ها و اشیایی صحبت می‌کنیم که در دنیای واقعی با آن‌ها سروکار داریم، توصیف انیشتین تجسمی است از ناکارآمدی قوانین منطق کلاسیک در علم ریاضیات. از این رو می‌بینیم اندیشه نسبیت شکل می‌گیرد و توسعه می‌یابد. در این مقاله می‌خواهیم به اختصار با منطق فازی آشنا شویم. منطقی که دنیا را نه به صورت حقایق صفر و یکی، بلکه به صورت طیفی خاکستری از واقعیت‌ها می‌بیند و در هوش مصنوعی کاربرد فراوانی یافته‌است.


کجا اتومبیل خود را پارک می‌کنید؟
تصور کنید یک روز مطلع می‌شوید، نمایشگاه پوشاکی در گوشه‌ای از شهر برپا شده است و تصمیم می‌گیرید، یک روز عصر به اتفاق خانواده سری به این نمایشگاه بزنید. چون محل نمایشگاه کمی دور است، از اتومبیل استفاده می‌کنید، اما وقتی به محل نمایشگاه می‌رسید، متوجه می‌شوید که عده زیادی به آنجا آمده‌اند و پارکینگ نمایشگاه تا چشم کار می‌کند، پر شده است.
 
اما چون حوصله صرف وقت برای پیدا کردن محل دیگری جهت پارک اتومبیل ندارید، با خود می‌گویید: <هر طور شده باید جای پارکی در این پارکینگ پیدا کنم.> سرانجام در گوشه‌ای از این پارکینگ محلی را پیدا می‌کنید که یک ماشین به طور کامل در آن جا نمی‌شود، اما با کمی اغماض می‌شود یک ماشین را در آن جای داد، هرچند که این ریسک وجود دارد که فضای عبور و مرور دیگر خودروها را تنگ کنید و آن‌ها هنگام حرکت به خودرو شما آسیب برسانند. اما به هرحال تصمیم می‌گیرید و ماشین خود را پارک می‌کنید.

بسیارخوب! اکنون بیایید بررسی کنیم شما دقیقاً چه کار کردید؟ شما دنبال جای توقف یک اتومبیل می‌گشتید. آیا پیدا کردید؟ هم بله، هم نه. شما در ابتدا می‌خواستید ماشین را در جای مناسبی پارک کنید. آیا چنین عملی انجام دادید؟ از یک نظر بله، از یک دیدگاه نه. در مقایسه با وقت و انرژی لازم برای پیدا کردن یک مکان راحت برای توقف خودرو، شما جای مناسبی پیدا کردید. چون ممکن بود تا شب دنبال جا بگردید و چنین جایی را پیدا نکنید. اما از این نظر که اتومبیل را در جایی پارک کردید که فضای کافی برای قرارگرفتن ماشین شما نداشت، نمی‌توان گفت جای مناسبی است.

اگر به منطق کلاسیک در علم ریاضیات مراجعه کنیم و این پرسش را مطرح نماییم که قبل از ورود به پارکینگ چند درصد احتمال می‌دادید جایی برای پارک‌کردن پیدا کنید، پاسخ بستگی به این دارد که واقعاً چه تعداد مکان مناسب (فضای کافی) برای توقف خودروها در آنجا وجود داشت؟ اگر به حافظه خود رجوع کنید، شاید به یاد بیاورید که هنگام ورود به پارکینگ و چرخیدن در قسمت‌های مختلف آن، گاهی خودروهایی را می‌دیدید که طوری پارک کرده‌اند که مکان یک و نیم خودرو را اشغال کرده‌اند. بعضی دیگر نیز کج و معوج پارک کرده بودند و این فکر از ذهن شما چندبار گذشت که اگر صاحب بعضی از این خودروها درست پارک ‌کرده بودند، الان جای خالی برای پارک کردن چندین ماشین دیگر هم وجود داشت.

به این ترتیب علم ریاضیات و آمار و احتمال در مواجهه با چنین شرایطی قادر به پاسخگویی نیست. اگر قرار بود بر اساس منطق صفر و یک یا باینری کامپیوتر، روباتی ساخته شود تا اتومیبل شما را در یک مکان مناسب پارک‌ کند، احتمالش کم بود. چنین روباتی به احتمال زیاد ناکام از پارکینگ خارج می‌شد. پس شما با چه منطقی توانستید اتومبیل خود را پارک‌ کنید؟ شما از منطق فازی استفاده کردید.

دنیای فازی‌
می‌پرسم <هوا ابری است یا آفتابی؟> پاسخ می‌دهی: نیمه‌ابری. می‌پرسم <آیا همه آنچه که دیروز به من گفتی، راست بود؟> پاسخ می‌دهی: بیشتر آن حقیقت داشت. ما در زندگی روزمره بارها از منطق فازی استفاده می‌کنیم. واقعیت این است که دنیای صفر و یک، دنیایی انتزاعی و خیالی است. به ندرت پیش می‌آید موضوعی صددرصد درست یا صددرصد نادرست باشد؛ زیرا در دنیای واقعی در بسیاری از مواقع، همه‌چیز منظم و مرتب سرجایش نیست.

از نخستین روز تولد اندیشه فازی، بیش از چهل سال می‌گذرد. در این مدت نظریه فازی، چارچوب فکری و علمی جدیدی را در محافل آکادمیک و مهندسی معرفی  نموده و دیدگاه دانشمندان را نسبت به کمّ و کیف دنیای اطراف ما تغییر داده است. منطق فازی جهان‌بینی بدیع و واقع‌گرایانه‌ای است که به اصلاح شالوده ‌منطق علمی و ذهنی بشر کمک شایانی کرده‌است.

پیشینه منطق فازی  
تئوری مجموعه‌های فازی و منطق فازی را اولین بار پرفسور لطفی‌زاده (2) در رساله‌ای به نام <مجموعه‌های فازی - اطلاعات و کنترل> در سال 1965 معرفی نمود. هدف اولیه او در آن زمان، توسعه مدلی کارآمدتر برای توصیف فرآیند پردازش زبان‌های طبیعی بود. او مفاهیم و اصلاحاتی همچون مجموعه‌های فازی، رویدادهای فازی، اعداد فازی و فازی‌سازی را وارد علوم ریاضیات و مهندسی نمود. از آن زمان تاکنون، پرفسور لطفی زاده به دلیل معرفی نظریه بدیع و سودمند منطق فازی و تلاش‌هایش در این زمینه، موفق به کسب جوایز بین‌المللی متعددی شده است.
پس از معرفی منطق فازی به دنیای علم، در ابتدا مقاومت‌های بسیاری دربرابر پذیرش این نظریه صورت گرفت.

بخشی از این مقاومت‌ها، چنان که ذکر شد، ناشی از برداشت‌های نادرست از منطق فازی و کارایی آن بود. جالب این‌که، منطق فازی در سال‌های نخست تولدش بیشتر در دنیای مشرق زمین، به‌ویژه کشور ژاپن با استقبال روبه‌رو شد، اما استیلای اندیشه کلاسیک صفر و یک در کشورهای مغرب زمین، اجازه رشد اندکی به این نظریه داد. با این حال به تدریج که این علم کاربردهایی پیدا کرد و وسایل الکترونیکی و دیجیتالی جدیدی وارد بازار شدند که بر اساس منطق فازی کارمی‌کردند، مخالفت‌ها نیز اندک اندک کاهش یافتند.

در ژاپن استقبال از منطق فازی، عمدتاً به کاربرد آن در روباتیک و هوش مصنوعی مربوط می‌شود. موضوعی که یکی از نیروهای اصلی پیش‌برندهِ این علم طی چهل سال گذشته بوده است. در حقیقت می‌توان گفت بخش بزرگی از تاریخچه دانش هوش مصنوعی، با تاریخچه منطق فازی همراه و هم‌داستان است.

مجموعه‌های فازی‌
بنیاد منطق فازی بر شالوده نظریه مجموعه‌های فازی استوار است. این نظریه تعمیمی از نظریه کلاسیک مجموعه‌ها در علم ریاضیات است. در تئوری کلاسیک مجموعه‌ها، یک عنصر، یا عضو مجموعه است یا نیست. در حقیقت عضویت عناصر از یک الگوی صفر و یک و باینری تبعیت می‌کند. اما تئوری مجموعه‌های فازی این مفهوم را بسط می‌دهد و عضویت درجه‌بندی شده را مطرح می‌کند. به این ترتیب که یک عنصر می‌تواند تا درجاتی - و نه کاملاً - عضو یک مجموعه باشد. مثلاً این جمله که <آقای الف به اندازه هفتاددرصد عضو جامعه بزرگسالان است> از دید تئوری مجموعه‌های فازی صحیح است. در این تئوری، عضویت اعضای مجموعه از طریق تابع (u‌(x مشخص می‌شود که x نمایانگر یک عضو مشخص و u تابعی فازی است که درجه عضویت ‌x در مجموعه مربوطه را تعیین می‌کند و مقدار آن بین صفر و یک است (فرمول 1).

فرمول 1





به بیان دیگر، (‌u‌(x نگاشتی از مقادیر x به مقادیر عددی ممکن بین صفر و یک را می‌سازد. تابع (‌u‌(x ممکن است مجموعه‌ای از مقادیر گسسته (discrete) یا پیوسته باشد. وقتی کهu  فقط تعدادی از مقادیر گسسته بین صفر و یک را تشکیل می‌دهد، مثلاً ممکن است شامل اعداد 3/0 و 5/0 و 7/0 و 9/0 و صفر و یک باشد. اما وقتی مجموعه مقادیرu  پیوسته باشند، یک منحنی پیوسته از اعداد اعشاری بین صفر و یک تشکیل می‌شود.

شکل 1 نموداری از نگاشت پیوسته مقادیر x به مقادیر ‌(‌u‌(x را نشان می‌دهد. تابع‌ (‌u‌(x در این نمودار می‌تواند قانون عضویت در یک مجموعه فازی فرضی را تعریف کند.

شکل 1














منطق فازی چگونه به‌کار گرفته می‌شود؟
منطق فازی را از طریق قوانینی که <عملگرهای فازی> نامیده می‌شوند، می‌توان به‌کار گرفت. این قوانین معمولاً بر اساس مدل زیر تعریف می‌شوند:

IF variable IS set THEN action
به عنوان مثال فرض کنید می‌خواهیم یک توصیف فازی از دمای یک اتاق ارائه دهیم. در این صورت می‌توانیم چند مجموعه فازی تعریف کنیم که از الگوی تابع (‌u‌(x تبعیت کند. شکل 2 نموداری از نگاشت متغیر <دمای هوا> به چند مجموعه‌ فازی با نام‌های <سرد>، <خنک>، <عادی>، <گرم> و <داغ> است. چنان که ملاحظه می‌کنید، یک درجه حرارت معین ممکن است متعلق به یک یا دو مجموعه باشد.
 

شکل 2

به عنوان نمونه، درجه حرارت‌های بین دمای T1 و T2 هم متعلق به مجموعه <سرد> و هم متعلق به مجموعه <خنک> است. اما درجه عضویت یک دمای معین در این فاصله، در هر یک از دو مجموعه متفاوت است. به طوری که دمای نزدیک  ‌T2 تنها به اندازه چند صدم در مجموعه <سرد> عضویت دارد، اما نزدیک نوددرصد در مجموعه <خنک> عضویت دارد.

پارادایم حاکم بر یک کنترلر فازی به این ترتیب است که متغیرهای دنیای واقعی به عنوان ورودی دریافت می‌شوند. قوانین فازی آن‌ها را به متغیرهای معنایی تبدیل می‌کند. فرآیند فازی این ورودی را می‌گیرد و خروجی معنایی تولید می‌کند و سرانجام خروجی‌ها به زبان دنیای واقعی ترجمه می‌شوند. نمودار شکل 3 مصداقی از همین روند است.


اکنون می‌توان بر اساس مدل فوق قانون فازی زیر را تعریف کرد:

اگر دمای اتاق <خیلی گرم> است، سرعت پنکه را <خیلی زیاد> کن.
اگر دمای اتاق <گرم> است، سرعت پنکه را <زیاد> کن.
اگر دمای اتاق <معتدل> است، سرعت پنکه را در <همین اندازه> نگه‌دار.
اگر دمای اتاق <خنک> است، سرعت پنکه را <کم> کن.
اگر دمای اتاق <سرد> است، پنکه را <خاموش> کن.

اگر این قانون فازی را روی یک سیستم کنترل دما اعمال کنیم، آن‌گاه می‌توانیم دماسنجی بسازیم که دمای اتاق را به صورت خودکار و طبق قانون ما، کنترل می‌کند. اما این سؤال پیش می‌آید که اگر دو یا چند قانون همزمان برای یک متغیر ورودی فعال شود چه اتفاقی خواهد افتاد؟ فرض کنید دمای اتاق برابر Tx1‌ است در این صورت هم قانون مربوط به اتاق گرم و هم قانون مربوط به دمای اتاق معتدل صادق است و مقادیر U1 و U2 به ترتیب به دست می‌آید. طبق کدام قانون باید عمل کرد؟ لطفی‌زاده خود پاسخ این معما را نداد. در سال 1975 دو دانشمند منطق فازی به نام ممدانی (Mamdani) و آسیلیان اولین کنترل فازی واقعی را طراحی کردند. آنان پاسخ این معما را با محاسبهِ نقطه ثقل (C) مساحتی که از ترکیب دو ذوزنقه زیر U1 و U2 در شکل 3 پدید آمده و نگاشت آن به محور t و به دست آوردن مقدار Tx2 حل کردند.

منطق فازی، همچون منطق کلاسیک تعدادی عملگر پایه دارد. مثلاً در منطق کلاسیک از عملگرهای AND و ‌OR و‌NOT استفاده می‌شود که دانش آموزان رشته ریاضی فیزیک در دبیرستان با آن‌ها آشنا می‌شوند. در منطق فازی معادل همین عملگرها وجود دارد که به آن‌ها عملگرهای <زاده> می‌گویند. این عملگرها به صورت زیر تعریف می‌شوند: (فرمول 2)

به عنوان مثال ترکیب AND دو متغیر x و y عبارت است از کمینه مقادیر (‌u‌(x و (‌u(y. به عبارت ساده‌تر، آنجا که هم x  و y از نظر فازی <صحیح> باشند، همزمان مقادیر (‌u‌(x و (‌u(y به کمترین مقدار خود می‌رسند.

پرفسور لطفی‌زاده خالق نظریه مجموعه‌های فازی و منطق فازی‌

تفاوت میان نظریه احتمالات و منطق فازی‌

یکی از مباحث مهم در منطق فازی، تمیزدادن آن از نظریه احتمالات در علم ریاضیات است. غالباً نظریه فازی با نظریه احتمالات اشتباه می‌شود. در حالی که این دو مفهوم کاملاً با یکدیگر متفاوتند. این موضوع به قدری مهم است که حتی برخی از دانشمندان بزرگ علم ریاضیات در دنیا - به‌ویژه کشورهای غربی - درمورد آن با یکدیگر بحث دارند و جالب آن که هنوز هم ریاضیدانانی وجود دارند که با منطق فازی مخالفند و آن را یک سوء تعبیر از نظریه احتمالات تفسیر می‌کنند.

از نگاه این ریاضیدانان، منطق فازی چیزی نیست جز یک برداشت نادرست از نظریه احتمالات که به گونه‌ای غیرقابل قبول، مقادیر و اندازه‌گیری‌های نادقیق را وارد علوم ریاضیات، مهندسی و کنترل کرده است. بعضی نیز مانند Bruno de Finetti معتقدند فقط یک نوع توصیف از مفهوم عدم‌قطعیت در علم ریاضیات کافی است و چون علم آمار و احتمالات وجود دارد، نیازی به مراجعه به منطق فازی نیست.
 
با این حال، اکثریت طرفداران نظریه منطق فازی، کارشناسان و متخصصانی هستند که به طور مستقیم یا غیرمستقیم با علم مهندسی کنترل سروکار دارند. حتی تعدادی از پیروان منطق فازی همچون بارت کاسکو تا آنجا پیش می‌روند که احتمالات را شاخه و زیرمجموعه‌ای از منطق فازی می‌نامند.

توضیح تفاوت میان این دو نظریه البته کار چندان دشواری نیست. منطق فازی با حقایق نادقیق سروکار دارد و به حدود و درجات یک واقعیت اشاره دارد؛ حال آن‌که نظریه احتمالات بر شالوده مجموعه حالات تصادفیِ یک پدیده استوار است و درباره شانس وقوع یک حالت خاص صحبت می‌کند؛ حالتی که وقتی اتفاق بیفتد، دقیق فرض می‌شود. ذکر یک مثال می‌تواند موضوع را روشن کند. فرض کنید در حال رانندگی در یک خیابان هستید. اتفاقاً متوجه می‌شوید که کودکی در اتومبیل دیگری که به موازات شما در حال حرکت است، نشسته و سر و یک دست خود را از پنجره ماشین بیرون آورده و در حال بازی‌گوشی است. این وضعیت واقعی است و نمی‌توان گفت احتمال این‌که بدن این کودک بیرون اتومبیل باشد، چقدر است.
 
چون بدن او واقعاً بیرون ماشین است، با این توضیح که بدن او کاملاً بیرون نیست، بلکه فقط بخشی از بدن او در خارج اتومبیل قرارگرفته است. تئوری احتمالات در اینجا کاربردی ندارد. چون ما نمی‌توانیم از احتمال خارج بودن بدن کودک از ماشین صحبت کنیم؛ زیرا آشکارا فرض غلطی است. اما می‌توانیم از احتمال وقوع حادثه‌ صحبت کنیم. مثلاً هرچه بدن کودک بیشتر بیرون باشد، احتمال این‌که در اثر برخورد با بدنه یک اتومبیل در حال حرکت دچار آسیب شود، بیشتر می‌شود. این حادثه هنوز اتفاق نیفتاده است، ولی می‌توانیم از احتمال وقوع آن صحبت کنیم. اما بیرون بودن تن کودک از ماشین همین حالا به واقعیت تبدیل شده است و فقط می‌توانیم از میزان و درجات آن صحبت کنیم.

تفاوت ظریف و در عین حال پررنگی میان نظریه احتمالات و نظریه فازی وجود دارد که اگر دقت نکنیم، دچار اشتباه می‌شویم؛ زیرا این دو نظریه معمولاً در کنار یکدیگر و در مورد اشیای مختلف همزمان مصداق‌هایی پیدا می‌کنند. هنگامی که به یک پدیده می‌نگریم، نوع نگاه ما به آن پدیده می‌تواند تعیین کند که باید درباره احتمالات صحبت کنیم یا منطق فازی. در مثال فوق موضوع دغدغه ما کودکی است که در حال بازی گوشی است. اما یک وقت نگران این هستیم که تا چه اندازه خطر او را تهدید می‌کند. خطری که هنوز به وقوع نپیوسته است. یک وقت هم ممکن است نگران باشیم که بدن او چقدر بیرون پنجره است. واقعیتی که هم‌اکنون به وقوع پیوسته است.

شکل 4

یک دیدگاه درباره علت بحث و جدل علمی میان دانشمندان این است که برخی از ریاضیدانان اتکا به علم آمار و احتمال را کافی می‌دانند و نظریه فازی را یک برداشت غیرکارآمد از جهان درباره ما تلقی می‌کنند. به عنوان مثال، اگر به مورد کودک و اتومبیل مراجعه کنیم، این پرسش مطرح می‌شود که اگر نگرانی و دغدغه نهایی ما احتمال وقوع حادثه است، دیگر چه نیازی به این است که ما درباره درجات <بیرون بودن تن کودک از اتومبیل> صحبت کنیم؟
 
بحث درباره ابعاد فلسفی منطق فازی بسیار شیرین و البته گسترده است. متأسفانه مجال برای طرح گستردهِ ابعاد فلسفی منطق فازی در این مقاله وجود ندارد. از این رو اگر مایل به مطالعه بیشتر در این زمینه هستید، کتاب بسیاری خواندنی <تفکر فازی> را که در پی‌نوشت دوم انتهای مقاله معرفی کرده‌ام، توصیه می‌کنم.(شکل 4)


کاربردهای منطق فازی‌

منطق فازی کاربردهای متعددی دارد. ساده‌ترین نمونه یک سیستم کنترل دما یا ترموستات است که بر اساس قوانین فازی کار می‌کند. سال‌هاست که از  منطق فازی برای کنترل دمای آب یا میزان کدرشدن آبی که لباس‌ها در آن شسته شده‌اند در ساختمان اغلب ماشین‌های لباسشویی استفاده می‌شود.
 
امروزه ماشین‌های ظرفشویی و بسیاری از دیگر لوازم خانگی نیز از این تکنیک استفاده می‌کنند. منطق فازی در صنعت خودروسازی نیز کاربردهای فروانی دارد. مثلاً سیستم ترمز و ABS در برخی از خودروها از منطق فازی استفاده می‌کند. یکی از معروف‌ترین نمونه‌های به‌کارگیری منطق فازی در سیستم‌های ترابری جهان، شبکه مونوریل (قطار تک ریل) توکیو در ژاپن است. سایر سیستم‌های حرکتی و جابه‌جایی بار، مثل آسانسورها نیز از منطق فازی استفاده می‌کنند.
 
سیستم‌های تهویه هوا نیز به وفور منطق فازی را به‌کار می‌گیرند. از منطق فازی در سیستم‌های پردازش تصویر نیز استفاده می‌شود. یک نمونه از این نوع کاربردها را می‌توانید در سیستم‌های <تشخیص لبه و مرز> اجسام و تصاویر(3) مشاهده کنید که در روباتیک نیز کاربردهایی دارد. به طور کلی خیلی از مواقع در ساختمان سیستم‌های تشخیص الگوها (Pattern Recognition) مثل سیستم‌های تشخیص گفتار و پردازش تصویر از منطق فازی استفاده می‌شود.

شکل 3

فرمول 2

منطق فازی و هوش مصنوعی‌

جالب‌ترین کاربرد منطق فازی، تفسیری است که این علم از ساختار تصمیم‌گیری‌های موجودات هوشمند، و در راس آن‌ها، هوش انسانی، به دست می‌دهد.
 
این منطق به خوبی نشان می‌دهد که چرا منطق دو ارزشی <صفر و یک> در ریاضیات کلاسیک قادر به تبیین و توصیف مفاهیم نادقیقی همچون <گرما و سرما> که مبنای بسیاری از تصمیم‌گیری‌های هوشمند را تشکیل می‌دهند، نیست.

شاید یکی از جالب‌ترین کاربردهای منطق فازی هوش مصنوعی در بازی‌های رایانه‌ای و جلوه‌های ویژه سینمایی باشد. برخی از خوانندگان که بخش هنر و سرگرمی ماهنامه شبکه را دنبال می‌کنند، ممکن است مقاله ارباب حلقه‌ها را در شماره 41 به یاد بیاورند. در آنجا درباره چگونگی تولید جلوه‌های ویژه در این فیلم سینمایی صحبت کردم و از نرم‌افزار Massive نام بردم. از این نرم‌افزار در بسیاری از صحنه‌های فیلم برای تولید حرکات لشکر موجودات متخاصم استفاده شده بود.
 

شکل 5

در این برنامه متخصصان کامپیوتر و انیمیشن ابتدا موجوداتی را به صورت الگو ایجاد کرده بودند و سپس به کمک منطق فازی مصداق‌هایی تصادفی از این موجودات خیالی پدیدآورده بودند که حرکات تصادفی - اما از پیش تعریف شده‌ای ‌-‌ در اعضای بدن خود داشتند.
 
این موجودات در حقیقت دارای نوعی هوش مصنوعی بودند و می‌توانستند برای نحوه حرکت دادن اعضای بدن خود تصمیم بگیرند. در عین حال تمام موجوداتی که در یک لشکر به سویی می‌تاختند یا با دشمنی می‌جنگیدند، از جهت حرکت یکسانی برخودار بودند و به سوی یک هدف مشخص حمله می‌کردند(شکل5).

این ساختار کاملا‌ً پیچیده و هوشمند به فیلمسازان اجازه داده بود که این موجودات افسانه‌ای را در دنیای مجازی کامپیوتر به حال خود رها کنند تا به سوی دشمنان حمله کنند و این همه بی‌تردید بدون بهره‌گیری از منطق فازی امکانپذیر نبود.
 

شرکت Massive Software که به دلیل به‌کارگیری منطق فازی برای ایجاد هوش‌مصنوعی در طراحی لشکریان فیلم‌ ارباب حلقه‌ها برنده جایزه اسکار شد، بعداً این تکنیک را در فیلم‌های دیگری همچون I.Robot و King Kong نیز به‌کار برد.

استفاده از منطق فازی برای هوشمند‌کردن موجودات نرم‌افزاری تنها گونه‌ای از کاربردهای این نظریه در هوش‌مصنوعی است. منطق فازی در هوشمند ساختن روبات‌های سخت‌افزاری نیز کاربردهای زیادی دارد. در شماره‌های آتی ماهنامه شبکه به این موضوع بیشتر خواهیم پرداخت.

پی‌نوشت:
1- گاهی از او با نام <زاده> نیز نام برده می‌شود و برخی از قوانین منطق فازی به پیروی از آداب تاریخی علم ریاضیات، با کلمه Zadeh نامگذاری شده‌اند.

2- تفکر فازی- نوشته بارت کاسکو - ترجمه دکتر علی غفاری - انتشارات دانشگاه صنعتی خواجه‌نصیرالدین طوسی.

3- Edge Detection Systems

  --------------------------   
اطلاع میرساند که آقای رحمت الله هوشمند کتاب منطق فازی و شبکه های عصبی ( مفاهیم و کاربردها ) که توسط پروفسور کارتالوپولوس نگاشته شده را به فارسی ترجمه کرده اند. این کتاب در تاریخ 14/12/1381 به همت انتشارات دانشگاه شهید چمران در 320 صفحه به چاپ رسیده و منتشر شده است.

آموزش کامل ساخت Vpn (اتصال به اینترنت از طریق ماهواره)

 


از آنجایی که عده بسیار زیادی از عزیزان سرویس اینترنت ماهواره ای خریداری کردندولی هنوز موفق به استفاده از اون نشدند تصمیم گرفتم بصورت ساده و مختصر نحوه ساختناتصالات رو یاد بدهم.
سیستم عامل پیش فرض Windows XP است و کارت DVB پیش فرض Vision Plus میباشد.

وقتی در سایت سرویس دهنده مثلاhttps://sdr.eutelsat.net/ برای سرویس های Open Sky بهحساب خود وارد میشوید اطلاعات سرویس خود را مشاهده میکنید که از آنها فیلد های زیرمهم میباشند:.

PID for Internet via satellite

***** settings for HTTP and FTP

Transponders parameters

Socks settings

ایناطلاعات را یادداشت نمایید.

حال کار را شروع میکنیم.

ابتدا برنامهدریافت دیتا کارت DVB خود را که در پکیج آن موجود میباشد نصب کنید. مثلا برنامه Vision Data برای کارت Vision Plus.

در قسمت تنظیمان برنامه فرکانسی که درسایت و در قسمت Transponders parameters نوشته شده وارد نمایید و Apply را فشاردهید. حالا باید نشانگر برنامه از قرمز به سبز تغییر رنگ داده باشد. این بدان معنیاست که فرکانس وارد شده صحیح و فعال است. در غیر این صورت حتما ارتباط کارت شما بادیش قطع است یا دیش به خوبی تنظیم نیست.

در قسمت تنظیمات برنامه PIDهایی کهدر سایت و در قسمت PID for Internet via satellite نوشته شده را وارد کنید. و سپس OK را فشار دهید. توجه داشته باشید که در حین استفاده از اینترنت ماهواره ای اینبرنامه باید باز و نشانگر آن فعال باشد.

حال برای ساختن VPN به قسمت Connections' رفته و در آنجا برای ساختن یک کانشکن جدید مراحل زیر را طیکنید.

Create a new connection را انتخاب کنید و سپس به ترتیب گزینه های Connect to the network at my workplace و Virtual Private Network connection راانتخاب کنید. سپس برای این VPN یک نام انخاب کرده و در مرحله بعد کانکشنی که بوسیلهآن به اینترنت Dialup متصل میشوید را انتخاب کنید.

در مرحله بعد باید آدرسیرا که VPN باید از طریق آن Login کند را انتخاب کنید که این آدرس نیز در سایت سرویسدهنده موجود میباشد. برای مثال این آدرس برای Open Sky این است: sdr.eutelsat.net

و در پایان Finish را انتخاب کنید.

مرحله آخر هماین است که برای استفاده از Internet Explorer به قسمت Internet Options بروید.

در قسمت Connections' ****** و پورتی که در سایت وجود معرفی شده را به همانصورت که توضیح داده است وارد کنید. توجه کنید کنید در در صورت استفاده از برنامههای جانبی مانند Opera یا DAP این ****** را باید به همین صورت وارد برنامه موردنظر کنید. ولی برای استفاده از یاهو مسنجر این کار ضرورتی ندارد.

حالامیتوانید برای اتصال ابتدا از طریق کانکشن Dialup به اینترنت وصل شوید و سپس ازطریق VPN به Satellite لوگین کنید. در این صورت در کنار ساعت ویندوز شما 2 یا 3مانیتور نمایش دهنده اتصال به اینترنت خواهید داشت. فقط توجه کنید که برنامه دیتایکارت حتما باز و سبز باشد.

سودای Xbox - بیل گیتس؛ ساخت ماشین جدید بازی و تغییر اتاق نشیمن

 

 

اشاره :

رفتار گیتس به خوبی آنچه مایکروسافت در ساخت Xbox 360 دنبال می‌کند را نشان می‌دهد. مایکروسافت که بیشتر به خاطر تاکتیک‌های تجاری کوبنده‌اش معروف است تا نوآوری‌های تکنولوژیکش، این‌بار می‌خواهد به شیوه‌ای کاملا غیرمایکروسافتی عمل کند. می‌خواهد سریع الانتقال، انعطاف پذیر و نوآور باشد، و با دیگران خوب کنار بیاید.


منبع: هفته‌نامه تایم

وقت بیل گیتس قیمتی است. بعضی از کارمندان مایکروسافت همه دوران کاریشان را برای یک ملاقات 45 دقیقه‌ای با گیتس صبر می‌کنند. به عنوان پولدارترین مرد روی زمین، و شاید بزرگترین نیکوکار تاریخ، گیتس احتمالا باید در هر لحظه به فکر غذا دادن به مستمندان یا مهار یک بیماری مهلک در جهان باشد. ولی این‌طور نیست.

الان که این گزارش تهیه می‌شود، گیتس با یک لباس اسپرت در هتل هیلتون لاس‌وگاس نشسته و درباره بازی‌های کامپیوتری حرف می‌زند و می‌خندد. گیتس به خاطر یک نمایشگاه تجاری و معرفی کنسول بازی جدید مایکروسافت، Xbox 360، اینجاست. بیل گیتس واقعی اصلا آن آدم خشک و جدی نیست که مردم فکر می‌کنند یا حداقل در این لحظه اینجور به نظر نمی‌رسد. او سرحال و خوشحال است، لطیفه  می‌گوید و شوخی می‌کند و پشت‌سر رقبایش حرف می‌زند.

درست است، موهای گیتس عجیب و غریب است و صدایش به نظر  پیر میآید. اگرچه هنوز 49 سال بیشتر ندارد، ولی امروز با بقیه اوقات فرق کرده است. سرحال‌تر و شیطان‌تر به نظر می‌آید. خودش می‌گوید: "احساس آزادی می‌کنم". امروز معروفترین خوره کامپیوتر دنیا، به‌نوعی بی خیال به نظر میآید.

رفتار گیتس به خوبی آنچه مایکروسافت در ساخت Xbox 360 دنبال می‌کند را نشان می‌دهد. مایکروسافت که بیشتر به خاطر تاکتیک‌های تجاری کوبنده‌اش معروف است تا نوآوری‌های تکنولوژیکش، این‌بار می‌خواهد به شیوه‌ای کاملا غیرمایکروسافتی عمل کند. می‌خواهد سریع الانتقال، انعطاف پذیر و نوآور باشد، و با دیگران خوب کنار بیاید.  مایکروسافت می‌خواهد خودش را از پایه  عوض کند.

البته این قضیه فقط به  مایکروسافت مربوط نمی‌شود. حکایت، حکایت یک تغییر بنیادی در فرهنگی است که بازی‌های کامپیوتری را، که زمانی یک سرگرمی مذموم شمرده می‌شدند، با آغوش باز به عنوان بخش مهمی از فرهنگ عامه پذیرفته است. گیتس و همکارانش سه‌سال‌ونیم گذشته را به شدت و بی‌سروصدا روی جالب‌ترین سخت افزار بازی که دنیا تا به حال دیده است، کار کرده‌اند. آن‌ها نمی‌خواهند که این گوهر گران‌بها را فقط به مخاطبان خاص بازی بفروشند. آن‌ها همه ما را هدف گرفته‌اند.

حتی بیشتر از آن، حکایت  Xbox 360، حکایت یک انقلاب تکنولوژیکی پنهان طی پنج سال اخیر است که طی آن اتاق نشیمن به یک مرکز کنترل دیجیتال، بی سیم و شبکه‌ای تبدیل شده است. ممکن است فکر کنید که
Xbox 360 یک دستگاه بازی است،  یک اسباب بازی،  ولی اگر این دستگاه بتواند کارهایی که برایش در نظر گرفته شده‌‌است انجام دهد، شیوه استفاده شما از  موسیقی، فیلم، عکس، تلویزیون و ویدئو را تغییر خواهد داد. حتی شاید زندگی اجتماعی شما را تغییر دهد.

بیل گیتس واقعا دلش می خواهد که سهمی از مرکز کنترل خانه شما را داشته باشد. او میلیون‌ها دلار سرمایه گذاشته است که Xbox این سهم را برایش بگیرد و هنوز حتی یک پول سیاه هم سود نبرده است. درست است که  Xbox از نوامبر 2001 که به بازار معرفی شد، تا‌به حال 20 میلیون دستگاه فروخته است و به راحتی جایگاه دوم را، اگرچه با فاصله زیاد نسبت به پلی‌استیشن 2 سونی، در بازار امریکا به دست آورده است، ولی تجارت کنسول های بازی تجارتی خطرناک و ترسناک است.

شما باید پول کلانی صرف تبلیغات کنید و حتی روی هر دستگاه که می فروشید ضرر بدهید به این امید که تمام این سرمایه گذاری‌ها با سهمی که از فروش هر بازی می‌گیرید، یک‌دفعه برگردد. البته این اتفاق تا به حال برای  مایکروسافت نیفتاده است. Robbie Bach سرپرست ارشد Xbox می‌گوید: "بالاخره باید یک جایی تصمیم بگیری که کی دست از سرمایه‌گذاری برای کسب اعتبار در بازار دست برداری و برای پول درآوردن سرمایه گذاری کنی. تحمل یک میلیارد دلار ضرر هرسال روی سخت افزار، خیلی سخت است."

مطمئنا خیلی سخت است. ولی  هر چه هم این کار دیوانگی به‌نظر بیاید، مطابق برنامه انجام می‌شود. هدف اصلی، ساختن اولین Xbox، ساختن فرصت برای کسب درآمد در آینده بود. گیتس می‌گوید: " در نسل اول، این فقط یک دستگاه بازی کامپیوتری است. خیلی که خوب بازی کنی، آخرش بهت می‌گه:  <برنده شدی. حالا باید از سر بازی کنی>. همین. تو هی دنبال جایزه می‌گردی ولی هیچ خبری نیست. نه پولی می‌بری، نه حتی یک بلیت مجانی، هیچ چیز. فقط بهت می‌گه <هی! دوباره بازی کن>". گیتس این حرف‌ها را می‌گوید و از خنده غش می‌کند. عجب خنده سرایت کننده‌ای هم دارد.

اگر همه چیز مرتب پیش برود، Xbox 360 برای تعطیلات شکرگذاری به بازار خواهد آمد. سونی و نین‌تندو احتمالا کنسول‌هایشان را سال 2006 به بازار می فرستند. تایم برای تهیه این گزارش موفق شد به طور انحصاری از طرح‌ها و استراتژی‌های پشت پرده‌ای که Xbox 360 را ساخته‌اند، آگاه شود. به آینده سرگرمی خوش آمدید.
  
طرحی متفاوت
ساختمان مرکزی Xbox تا حد عجیبی ساده و معمولی است. یک ساختمان دفتری کاملا معمولی در ردموند واشنگتن، در انتهای یک راه که با سنگفرش درشتی پوشیده شده است. اسم جذابی که  مایکروسافت برای این محل ارزان قیمت انتخاب کرده، کمپ هزاره (Millenium Campus) است. این همان جایی است که پروژه زیان‌آور  مایکروسافت زندگی می‌کند. در این محل پرت، خبری از چمن‌های آرایش شده، زمین های بازی، کافه تریاها و زرق و برقی که در کمپ اصلی مایکروسافت دیده می‌شود، نیست. این‌ها فقط یک راه سنگفرش دارند.
 

ولی، از جنبه‌های دیگری، این فراموش‌شدگی کمپ هزاره، دلخواه تیم Xbox هم بوده است. پروژه Xbox در دستان پنج مرد می‌گردد که همه از معاونان  مایکروسافت هستند و چیزی که این پنج مرد خیلی زود فهمیده‌اند این است که اگرچه مایکروسافت از نظر مالی جای خوبی برای ساختن Xbox بعدی است، از نظر فرهنگی اصلا به درد این‌کار نمی‌خورد. مایکروسافت کند حرکت می‌کند و توانایی مانورها و چرخش‌های سریع را ندارد.
 
همچنین مایکروسافت با سایر طرف‌های بازار  مثلا نویسندگان بازی، یا تولیدکنندگان لوازم الکترونیک مصرفی  خوب بازی نمی‌کند، تجربه زیادی در ساخت سخت‌افزار ندارد و تاکنون علاقه چندانی به حمایت از تولیدات غیرجدی و سرگرمی نشان نداده است. بنابراین، این پنج نفر تصمیم گرفتند یک شرکت کوچک را در مایکروسافت راه بیندازند و آن‌را از شر دست و پاگیری و دیدگاه خشک علمی و دانشگاهی پدرش حفظ کنند.

پیترمور، معاونی که مسئول بازاریابی Xbox جدید است، می‌گوید: "آن‌ها تقریبا به ما اجازه دادند که یک بخش کاملا مجزا برای خودمان بسازیم، جایی که از نظر فیزیکی، جغرافیایی، روانی، و روحی با چیزی که خود بیل بهش Borg می‌گوید [کمپ اصلی مایکروسافت]، متفاوت باشد." مور می‌دانست که همه چیزهایی که تا به حال باعث موفقیت  مایکروسافت شده است، در این مورد به درد نخواهد خورد و به نظر می‌رسد که گیتس هم این را فهمیده باشد. او می‌گوید:" (صنعت بازی) فکر می‌کند که ما این‌بار هم مایکروسافتی عمل کنیم، خیلی منظم و مشخص، با دید کاملا محصول گرا، و خیلی هدف گرا.

بیل برای ما خیلی مهم است، ولی این مرتبه او نیست که کار را می‌گرداند. من فکر می‌کنم او می‌خواهد بیشتر از حدی که ما با آن راحت باشیم، در این کار سهم داشته باشد."

خوب پس چه کسی این پروژه را می‌گرداند؟ بیش از هر کس دیگری، این کار به عهده یک آدم فعال و شلوغ، با کله تراشیده به اسم J Allard است. در 1993، آلارد که آن‌موقع یک جوان موفق 25 ساله از کارمندان مایکروسافت بود، یک یادداشت یازده صفحه‌ای برای گیتس نوشت. این یادداشت تقریبا به تنهایی گیتس را متقاعد کرد که شاید کامپیوترهای شخصی بتوانند به چیزی به اسم اینترنت وصل شوند. در حال حاضر، این معاون 36 ساله یکی از افراد معدودی است که می‌تواند مسیر حرکت ماشین سنگین  مایکروسافت را تغییر دهد.او به عنوان یکی از
Baby Bill‌های شرکت شناخته می‌شود (عنوانی که به کارکنان جوان و رو به‌رشد و آینده دار شرکت اطلاق می‌شود) و گیتس بارها گفته است که چقدر با وی اشتراک عقیده دارد.
 
آلارد از جمله کسانی است که اصحاب تکنولوژی به آن‌ها خوره می‌گویند: یک شخص کاریزماتیک که چنان نسبت به یک محصول احساساتی می شود که دیگران را هم به سمت آن جذب می‌کند.

یکی از اولین مشکلاتی که آلارد می بایست حل کند این بود که قیافه Xbox جدید باید چطور باشد. این مسئله ساده‌ای نیست. Xbox قبلی بزرگ و ترساننده است. در جعبه‌ای به اندازه یک ویدئو (VCR) و به رنگ سیاه مات و سبزی که آدم را یاد سم می اندازد. البته برای گیم‌بازهای حرفه‌ای عالی بود، ولی آلارد می‌دانست که اگر  مایکروسافت می‌خواهد مخاطبان Xbox را افزایش دهد، این دستگاه باید دوستانه‌تر و نجیب‌تر به نظر بیاید.
 
هدف این بود که ظاهری گشاده رو  و در عین‌حال غیراحمقانه داشته باشد که بتواند هم مامان‌های طرفدار ورزش را جذب کند، هم باباهای طرفدار ماشین، و هم دخترهای طرفدار مد؛  بدون این‌که پسرهای عاشق Halo را از دست بدهد.

راه حل آلارد برای این مسئله، نمونه بارزی از فکر کردن غیرمایکروسافتی را نشان می‌دهد. او می‌گوید: "فکر کن چطوری می‌توانی به یک طرح خوب برسی. از مخ‌های کامپیوتر فارغ‌التحصیلMIT و راه‌های سنتی که مایکروسافت بلد است، نمی‌شود یک طراحی خوب درآورد."

در عوض آلارد یک مجسمه‌ساز فارغ‌التحصیل مدرسه طراحی Rhode Island را استخدام کرد و به او آزادی کامل داد. این مجسمه‌ساز هم راه افتاد و با چند شرکت مطرح طراحی بوتیک قرارداد بست تا هرکدام طرحی برای Xbox  بیاورند. بعد از بین همه طرح‌ها، دو طرح، یکی از اوزاکا و دیگری از سان فرانسیسکو را انتخاب کرد و از تیم های طراحی آن‌ها خواست که با هم برای طرح نهایی کار کنند و چیزی بسازند که هم باحال و هم قابل دسترس و دلنشین باشد. ایده اصلی طراحی،  ترغیب‌کنندگی بود.
 
آلارد برای این‌که مطمئن شود که همه چیز طوری طراحی شده که قشنگ‌تر از آن ممکن نیست، یک شرکت متخصص در طرح‌های رنگ را استخدام کرد و با آن‌ها طی جلسات متعددی درباره رنگ دستگاه بحث کرد.

با این همه باید دید که  نتیجه نهایی چه شد؟ یک ستون ظریف و کوچک، با ارتفاع کمی بیشتر از یک فوت و عرض سه اینچ که نمای روبروی آن کمی تحدب و طرفینش قوس آرامی به سمت داخل دارد. طرح جدید نسبت به Xbox  قدیمی، صاف‌تر، نوازش دهنده‌تر و باریک‌تر است.
 
(یکی از دلایلی که Xbox قدیمی در ژاپن بازار زیادی پیدا نکرد، حساسیت زیاد خانواده های ژاپنی در مورد اندزه و فضا به‌خاطر آپارتمان‌های کوچکی است که دارند). Xbox آدم را تا حدی یاد ساعت شنی کمر باریک می‌اندازد. کابل‌های خیلی کمی به آن وصل می‌شود چون دسته‌های کنترلش بی‌سیم هستند.

رنگ آن مایه‌های کُرمی دارد، ولی بیشتر به یک رنگ سفید آرامش بخش می‌زند که متخصصان رنگ معمولا به آن چیل (chill) می‌گویند و اگر از رنگش خوشتان نمیآید، می‌توانید صفحه جلویی آن را عوض کنید و رنگ دلخواهتان را بگذارید.

اگر Xbox قبلی شبیه چیزی بود که از یک سیاره دور افتاده  بد و شیطانی آمده‌است، این یکی شبیه چیزی بود که روی زمین خودمان ساخته شده است؛  البته زمینی خیال‌انگیز در آینده نزدیک. Xbox مطمئنا در سیاره  مایکروسافت ساخته نشده بود. مور می‌گوید: "وقتی نتایج نظرسنجی‌ها از ژاپن رسید، فهمیدیم که کار تمام شده است و به هدف رسیده‌ایم. ما از مردم پرسیدیم فکر می‌کنید  چه کسی این را طراحی کرده است؟ آن‌ها جواب می‌دادند یا باید ساخت سونی باشد، یا ساخت اپل. این یک لحظه تعیین کننده در کار بود."

 ماشین  بی‌نظیر
البته Xbox 360 کارکردی  ورای  قشنگ بودن صرف را دارد. اولین هدف تجاری آن،  ولی فقط اولین هدف آن،  بازی‌های کامپیوتری است. اگر بگوییم Xbox 360 بهترین دستگاه بازی است که تا به حال ساخته شده است، مداحی است. چراکه سخت‌افزارهای بازی هر روز بهتر می‌شوند، ولی Xbox 360 یک فاکتور تحسین برانگیز و میخکوب‌کننده دارد. این دستگاه اولین کنسولی است که تمام بازی‌هایی که برایش تولید می‌شود، با وضوح بالا، صفحه عریض و با صدای دالبی 1/5 خواهد بود. مثل این است که چشمان شما ضعیف باشد و حالا عینک بزنید: همه چیز واضح‌تر، صاف‌تر و روشن تر به نظر میآید.

مثلا بهترین بازی گلف Xbox  قدیمی، Tiger Woods PGA Tour 2005 را در نظر بگیرید. حالا آن‌را کنار نسخه 2006 بازی که در دست تولید است، بگذارید. چمن در نسخه قبلی بیشتر به یک فرش سبز شبیه بود. درحالیکه در نسخه جدید هر ساقه علف به صورت جداگانه طراحی و پویا نمایی شده است و برای خودش به طور مستقل با باد تکان می‌خورد. در نسخه قبلی سایه درختان به صورت گردی‌های زمخت، حباب حباب، و بی‌ظرافت بودند. اما در نسخه جدید هر برگ درخت برای خودش سایه جداگانه تولید شده‌ای دارد. انعکاس نور بر سطح آب را به سختی می‌توان از آنچه در دنیای واقعی و فیلم‌ها می‌بینیم، تشخیص بدهیم. کیفیت و وضوح صدا و تصویر حیرتآور است. آدم از دیدن آن سرش گیج می‌رود و احساس می‌کند که می‌خواهد توی صفحه نمایش فرو برود.

کیفیت، مهمترین چیز است. یکی از دلایلی که بازی‌ها به عنوان یک هنر جدی گرفته نمی‌شوند این است که شباهتی به هنر ندارند. بازی‌ها بیشتر شبیه کارتون هستند، ولی نه حتی کارتون‌هایی که پیکسار می‌سازد. آن‌ها بیشتر شبیه کارتون‌های بی‌ظرافتی هستند که شنبه صبح تلویزیون نشان می‌دهد و این باید عوض شود. کاراکترهایی که در بازی پدرخوانده برای Xbox 360 می‌بینیم، از وزن و وقار دراماتیکی برخوردارند که تا به حال ندیده‌ایم. صورت‌های کارتونی صاف و یک تکه سابق، با چین و چروک‌ها، سایه روشن ها و خطوط ریز پر‌شده‌اند و ناگهان احساس پیدا کرده‌اند. ولی این فقط شروع کار است.

بعضی از سازندگان بازی معتقدند ساختن بازی‌هایی با جلوه زیبا وقتی که به اندازه کافی مگاهرتز و گیگابایت برای صرف کردن داشته باشید، کار سختی نیست. هنر واقعی توسعه  و پیشرفت در چیزی است که به آن روال بازی می‌گویند. ترکیب جادویی ریتم بازی، ساختار، تعادل، و قصه است که باعث می‌شود یک بازی شکل بگیرد. مثلا یک بازی جنگی مثل Call of Duty:Finest Hour را در نظر بگیرید که در آن بازیگران در نبردهای بزرگ جنگ جهانی دوم شرکت می‌کنند. در نسخه قدیمی بازی، مدام با موانع ناپیدایی روبرو می‌شوید که شما را مجبور می‌کند برای رفتن از جایی به جای دیگر حتما یک مسیر مشخص را دنبال کنید، و مجموعه‌ای از کارهای از قبل تعیین‌شده را انجام دهید. خیلی با دقت به افزودنی‌ها نگاه نکنید. آن‌ها آن دقت و ظرافت در جزئیات را ندارند.

در Call of Duty2، نسخه Xbox 360، روال بازی جهش خارق‌العاده‌ای روبه جلو داشته است. شما می‌توانید درست مثل سرباز پیاده‌ای در قلب نبرد به هر طرف که خواستید بدوید. درحالی‌که صدها نفر از هم‌قطاران که به اندازه شما هوش و حواس دارند و همانند شما ترسیده‌اند، در اطرافتان هستند. شما می‌توانید با هر ترتیبی که مناسب می‌دانید، به اهدافتان برسید (یا در راه آن‌ها بمیرید). دیگر خبری از موانع ناپیدا نیست.

ابرهای دود و گرد و غبار از زمین برمی‌خیزند، خورشید را می‌پوشانند و نور محیط را تحت‌تاثیر قرار می‌دهند.  جنگ بالاخره دود و غبار واقعیش را پیدا کرده است. آشوب جنگ حیرتآور و گیج‌کننده است. شما Joe Grunt هستید و نقش کوچکتان را در این هنگامه که فراتر از آگاهی و اختیارات شماست، بازی می‌کنید. این همان جنگی است که تولستوی، استاندال و استفان کرین شرح داده‌اند و شما درست در وسط میدان هستید. آنچه می‌بینیم، پیشرفت جهشی در قابلیت‌های حسی و عاطفی بازی‌های کامپیوتری است.

پلی استیشن 2، کنسول قدیمی بازی ساخت سونی، بازار و بازیگران اکنون در انتظار پلی استیشن3 هستند که قرار است توفانی به پا کند.  

البته علاقمندان بازی‌های جنگی مشغله واقعی ذهن گیتس نیستند. او همین الان هم آن‌ها را در اختیار دارد. (نکته برای گیم بازان حرفه‌ای  و وفادار: نسخه بعدی Halo در زمان ارائه Xbox 360 به بازار، آماده نخواهد بود. این بازی بخشی از موج مهمی است که در بهار آینده به راه خواهد افتاد. گیتس درحالی‌که انگار عاشق کشت‌وکشتار است، می‌گوید:"واقعا عالی و کامله. روزی که سونی،  پلی‌استیشن جدید را به بازار می‌فرستد، یک‌راست با Halo3 روبرو می‌شود.
 
انتظار می‌رود که مایکروسافت اعلام کند که Xbox 360 سایر بازی‌های Xbox و Halo2 را اجرا کند.)  ولی به هر حال گروه‌های سنی عمده‌ای وجود دارند که به هر دلیل فشار دادن جوی استیک در دست و شلیک‌کردن به آدم‌های روی صفحه، برایشان اهمیتی ندارد.  برای جذب‌کردن این گروه‌های بزرگ از مخاطبان، بازی‌های کامپیوتری باید ساده‌تر، پذیرفتنی‌تر و دست‌یافتنی‌تر شوند و ژانرهای جدیدی باید برای تولید بازی ها مورد توجه قرار بگیرند.


بیشتر بازی‌های کامپیوتری موجود، شبیه فیلم‌های اکشن هستند. جای کمدی‌های رمانتیک یا درام‌های گریه‌دار، واقعا در بین ژانرهای بازی خالی است. گیتس تصدیق می‌کند:"ما نباید انتظار داشته باشیم که همه افراد خانواده این دستگاه را به خاطر بازی‌های ورزشی، جنگی، یا مسابقه‌ای آن دوست داشته باشند. باید روی ژانرهای جدید که ریسک بالایی دارند، سرمایه‌گذاری کرد و دید که می‌تواند به کدام‌یک تکیه داشت. نمی‌توانیم فقط دست روی دست بگذاریم و به آزموده‌هایی که درستی آن‌ها ثابت شده است، قناعت کنیم."

ولی شاید Xbox جدید اصلا نیازی به بازی‌های قشنگ و جذاب یا ژانرهای جدید و پر ریسک نداشته باشد. شاید این دستگاه اصلا نیازی به بازی نداشته باشد.

فتح اتاق نشیمن
در مایکروسافت یک کتابچه 147 صفحه‌ای فوق محرمانه داخلی به اسم "کتاب" Xenon وجود دارد. Xenon نام رمزی است که مایکروسافت‌برای Xbox 360 انتخاب کرده است و "کتاب Xenon استراتژی کلی و جامع شرکت را در قبال آن شرح می‌دهد. بخش اعظمی از کتاب Xenon درباره چیزی است که در کتاب DEL خوانده می‌شود. DEL یعنی Digital Entertainment Lifestyle (مدل زندگی با سرگرمی‌های دیجیتال). به این نکته توجه می کند که تمام رسانه‌ها  اعم از فیلم، موسیقی، بازی، عکس، تلویزیون و... همه دیجیتالی شده‌اند و این مسئله نحوه تعامل ما با آن‌ها و نحوه ارتباط آن‌ها با یکدیگر را تحت‌تاثیر قرار می‌دهد. رسانه‌های دیجیتال کم‌کم همه به فرمی از رسانه منفرد، منسجم و یکپارچه، و مطابق نیازهای ما مبدل می شوند. این همان چیزی است که در زبان فنی دهه نود، به عنوان همگرایی یا یکپارچگی شناخته می‌شد.

به همین دلیل Xbox 360 علاوه بر بازی، می‌تواند CD‌های صوتی را هم پخش کند. همچنین می‌توانید آهنگ‌های یک CD را به فرمت دیگری تبدیل کنید و از روی هارددیسک دستگاه آن‌ها را پخش کنید. می‌توانید iPod تان را به Xbox 360 وصل کنید و آهنگ‌های روی آن‌را از دستگاه استریوی خانگی بشنوید. می‌توانید با آن DVD تماشا کنید. اگر دوربین دیجیتال دارید، می توانید آن‌را به Xbox 360 وصل کنید و عکس‌ها را روی تلویزیون تماشا کنید و به این ترتیب دیگر همه افراد خانه مجبور نیستند دور مانیتور کامپیوتر، در اتاق کار، جمع شوند. حتی اگر کمی از تکنولوژی سر دربیاورید، می‌توانید Xbox 360 را با Wi-Fi به کامپیوتر وصل کنید و به موسیقی‌ها، فیلم ها و عکس‌هایی که روی کامپیوتر ذخیره کرده‌اید نیز دسترسی داشته باشید.


تازه این همه قضیه نیست. Xbox 360 می‌تواند به عنوان یک دستگاه ارتباطی هم عمل کند. برخلاف سونی یا نین‌تندو،  مایکروسافت برای تکمیل کنسول بازی خود، یک سرویس آنلاین کاملا پیشرفته به اسم Xbox Live به راه انداخته است.
 
گیتس و همکارانش امیدوارند با به بازار آمدن Xbox 360 این سرویس به جامعه‌ای آنلاین با ویژگی‌هایی شبیه Friendster تبدیل شود که بازیگران می‌توانند از طریق آن با هم در ارتباط باشند و دوستانِ هم‌سلیقه پیدا کنند. شرکت‌های بازی‌سازی از Xbox Live برای توزیع محصولات مربوط به بازی‌ها، بسته‌های اصلاحی، و فروش نسخه‌های کوچک بازی و level‌های جدید برای بازی‌هایشان استفاده خواهند کرد. Xbox Live بازاری رایگان برای همه خواهد بود. بازیگران می‌توانند بازی‌هایشان را از طریق آن به دلخواه خود درآورند. (custemize) کنند و بازی‌های ساخته خودشان را به صورت آنلاین به دیگران بفروشند.

درحال‌حاضر می‌توانید با استفاده از Xbox Live با کسانی که دارید با آن‌ها آنلاین بازی می‌کنید، چت کنید و ‌از راه دور با هم فکرکنید. به‌زودی می‌توانید ایمیل و پیام‌های فوری هم برای یکدیگر بفرستید و ویدئوکنفرانس راه بیندازید. با این همه، مهمترین نکته موجود در این زمینه این است که با Xbox 360 شما حتما نباید بازی کنید تا از این امکانات ارتباطی بهرمند شوید. شما می‌توانید وقتی دارید به سادگی تلویزیون تماشا می‌کنید، از طریق Xbox 360 با دیگران چت هم کنید. کلمات، بالای صفحه تلویزیون نشان داده می‌شوند. حتی می توانید با یک هدست، voice chat هم بکنید. گیتس خیلی راجع به این موضوع هیجان زده است. او نمی‌تواند باور کند که این قابلیت ها تا به حال به عقل بقیه شرکت‌ها نرسیده است. او  می‌گوید:"چیزی که درباره سونی ما را گیج می‌کند، این است که آن‌ها کی می‌خواهند دست به کار شوند و چیزی مثل Live را راه بیندازند." 
  
اکوسیستم جدید
بگذارید با دقت ببینیم اینجا چه خبر است. مایکروسافت، شرکتی که بیشتر به خاطر نرم‌افزارهای تجاری پرسودش  معروف است، جعبه‌ای را به اتاق نشیمن شما فرستاده است. این جعبه با ظاهر متواضعانه یک دستگاه بازی، به خانه شما راه یافت؛ یک اسباب بازی برای بچه‌ها. ولی به محض ورود، CD player و DVD player شما را خورد، و با  چشمانی گرسنه به دستگاه تلفن نگاه می‌کند. این دستگاه کوچک، رئیس میز تلویزیون شده است. با iPod، دوربین دیجیتال، تلویزیون، ضبط و پخش استریو، PC، کارت اعتباری، و اینترنتتان حرف می‌زند. Xbox 360 یک اکوسیستم کوچک الکترونیک ساخته است و خودش در قلب آن جای دارد.

بازی‌ها فقط چاشنی کار هستند. هدف اصلی، همان چیزی است که گیتس به دنبال آن است. این اکوسیستم اتاق نشیمن است. بازی ها فقط جواز ورود این دستگاه به خانه هستند. گیتس می‌گوید: Xbox" به خانه‌ها وارد می‌شود، چون بعضی از افراد خانواده (یعنی پسران نوجوان) به آن به عنوان چیزی که باید داشته باشند، نگاه می‌کنند. ولی برای این‌که جای پای آن‌را در خانه ها محکم کنیم، باید به آن یک جنبه خانوادگی بدهیم.
 Xbox 360 با جایگاهی که در اتاق نشیمن دارد، برای  مایکروسافت معنی می‌یابد و ما واقعا راه سخت و طولانی برای آن پیموده ایم."

گیتس نگران است که جاه‌طلبی‌هایش دچار برداشت غلط شود. او خاطرنشان می‌کند:"فکر نکنید که Xbox 360  قرار است کنترل این اکوسیستم دیجیتال را در دست بگیرد، بلکه این دستگاه در واقع بازیگر اصلی این سیستم خواهد بود." ولی ابهاماتی هم وجود دارد: آیا مایکروسافت می‌خواهد با Xbox 360 همان کاری را با اتاق نشیمن بکند که از طریق ویندوز با دفترهای کار کرد؟ آیا  مایکروسافت مجددا نوعی از تکنولوژی را ابداع کرده است که به‌قدری خوب طراحی و بازاریابی شده و ‌چنان کارآمد و مفید است که عملا به یک استاندارد بدل شود و یک مونوپل با سود سرسامآور در اطراف خود بسازد؟
 
همان‌طور که دنیای موسیقی و ویدئو هرروز دیجیتالی‌تر می‌شوند، تجارت سرگرمی در حال تبدیل و تحول به تجارت نرم‌افزار است و بالاخره کسی باید یک سکوی کاری بنیادی که همه نرم‌افزارها روی آن اجرا شوند  را بسازد. در صفحه 13 کتاب Xenon آمده است:" مایکروسافت به عنوان رهبر جهانی نرم‌افزار، جزء بهترین کاندیداها برای سرمایه‌گذاری و به راه انداختن این تحول است. این فرصتی است که نباید از دست بدهیم".

شروع بازی 
فرصت مذکور ممکن است کاملا از دست  مایکروسافت برود. با شایعاتی که درباره پردازنده پلی‌استیشن3 گفته می‌شود، به نظر می‌رسد سونی یک کشتی نوح از سیلیکون ساخته باشد و احتمالا‌ این پردازنده بسیار فراتر از حدی است که گیتس تصور می‌کند. سخنگوی سونی می‌گوید: "ما می‌خواهیم یک جهش عظیم در تکنولوژی را به بازار معرفی کنیم، نه چیزی فقط در حد نسخه Xbox 1.5".

گیتس درباره مسئول پلی‌استیشن سونی می‌گوید:"Kutaragi خوب بلد است با حرف، مردم را تحت‌تاثیر قرار دهد." با وجود این سهم خیره کننده 68 درصدی پلی‌استیشن در بازار جهانیِ 25 میلیارد دلاری بازی‌های ویدئویی، سند آشکاری از عقب‌تر بودن Xbox است. درمقابل سهم بالای سونی،  مایکروسافت 17 درصد و نین‌تندو 15 درصد از این بازار را در اختیار دارند.  مایکروسافت مثل PSP سونی و DS نین‌تندو دستگاه بازی قابل‌حملی به بازار معرفی نکرده است. به‌علاوه، مثل سونی از متخصصان مالتی‌مدیا و مثل نین‌تندو از امتیازهای معتبری مثل Mario و Pokemon در عرصه سرگرمی‌های کودکان برخوردار نیست.

این سه شرکت در نمایشگاه E3) Electronic Entertainment Expo) قابلیت‌های خود را به نمایش خواهند گذاشت.
حتی خارج از دنیای بازی هم به نظر میآید مشکلاتی برای  مایکروسافت پیش آمده است. البته نمی‌توان گفت مایکروسافت ضعیف شده است، ولی درآمدهایش در فصل گذشته اندکی از مقدار مورد انتظار کمتر بود. مزاحم‌های سمج اپن سورس مثل لینوکس و فایرفاکس، با پیشرفت‌هایی کوچک ولی آزار‌دهنده، سهم  مایکروسافت را از بازار کمتر می‌کنند.

اپل با معرفی سیستم عامل جدیدش، تایگر، نظر مثبت بسیاری از تحلیلگران را به خود جلب کرده است. این سیستم‌عامل بعضی از قابلیت‌هایی را که  مایکروسافت برای نسخه بعدی ویندوز در نظر گرفته بود، با خود به همراه دارد.  درحالی‌که سیستم عامل مایکروسافت تا قبل از 2006 آماده نخواهد بود.  مایکروسافت به این زودی‌ها از میدان به در نخواهد رفت، ولی اگر می‌خواهد بر بازار خانگی مسلط باشد، الان بهترین وقت برای این‌کار است.


باید به گیتس آفرین گفت. او و شرکتش به درستی‌متوجه شدند کدام بخش صنعت سرگرمی، بیشترین سرعت رشد را دارد و یکی از قطارهایشان را به سمتش روانه کرده‌اند. او هنوز آماده است روی حرکت‌های بزرگ شرط‌بندی‌های بزرگ بکند و در این مورد مایکروسافت توانسته است گرایش‌های فرهنگی و تکنولوژیک را با یک مهندسی حساب شده و پیشرفته در یک محصول بدیع خلاصه کند. می‌توان پنج سال گذشته، یعنی سال‌های بعد از دات کام، را به عنوان دوره‌ای از رکود نسبی تکنولوژی به حساب آورد.

به خصوص وقتی که با شور و حال نوآوری‌های اینترنت که در دوره قبل از آن دیده می شد، مقایسه گردد. ولی از سال 2000 شاهد یک تحول عظیم، ولی کاملا بی‌سروصدا بوده‌ایم که طی آن موسیقی دیجیتالی  توسعه بی‌سابقه‌ای داشته است، دوربین‌های دیجیتال فراگیر شده‌اند، HDTV به جامعه معرفی شده است، و دسترسی باندپهن اینترنت و ارتباطات Wi-Fi به امری متداول تبدیل شده‌اند. اگر از 1995 تا 2000 را دوره دات‌کام  بنامیم، می‌توان گفت که اکنون دوره dot- Home پیش روی ماست. به هر صورت، Xbox 360 سهمی از این تحول را برای  مایکروسافت به دست خواهد آورد.

در این راه رمز موفقیت  مایکروسافت حرکت روی خط نازکی بین دو اصل متضاد است: باز بودن و در عین حال بسته بودن. هر کس که بتواند سلطان اتاق نشیمن شود، سکان صفر و یک‌هایی که به زودی فرهنگ و زندگی ما را می‌سازند، در اختیار خواهد داشت. این یک مسئولیت و یک امتحان بزرگ برای هر شرکتی است. چنین قدرتی همیشه وسوسه محدود کردن رقابت را به دنبال دارد. اگر قرار باشد که Xbox 360 کنترل اتاق نشیمن ما را در دست بگیرد، آیا DVD هایی که فیلم‌های شرکت ‌سونی روی آن‌ها ذخیره شده است را نشان خواهد‌داد؟ البته.
 
ولی آیا آهنگ‌هایی را که از یک مغازه آنلاین موسیقی متعلق به سونی دریافت شده‌اند را نیز پخش می‌کند؟ آیا پیام‌هایی را که با AOL Instant Messanger فرستاده شده‌اند را می‌پذیرد؟ آیا با کامپیوترهایی که سیستم عاملشان Mac OSX، و نه ویندوز است، شبکه خواهد شد؟ اگر یک پلتفرم خیلی باز باشد، شما نمی توانید از آن پول در بیاورید. اگر خیلی بسته و انحصاری باشد، هر روز افراد کمتری از آن استفاده خواهند کرد و کم کم محو می شود و می‌میرد.

مراحل نهایی پروژه، کاری به محتویات داخل Xbox ندارد. مایکروسافت فقط باید ظاهر آن‌را جذاب کند. علاوه بر اینکه ظاهر Xbox 360 بیشتر سبک iPod ی دارد، پیتر مور تبلیغات عجیب و کاملا غیرمایکروسافتی هم برای آن به راه انداخته است. مور برای Xbox 360 تقریبا به اندازه مراسم نخستین نمایش عمومی یک فیلم، مایه گذاشته است: یک مهمانی، که روی MTV پخش می‌شود، و Elijah Wood میزبان آن است و گروه پرطرفدار Killers در آن شرکت دارند. برای آهنگ تم Xbox 360 هم، مور امتیاز یکی از آهنگ‌های مشهور B-Side را خریده است.
 
مور درمورد نظر گیتس و بالمر درباره تبلیغات می‌گوید: "بیل و استیو وقتی تبلیغاتی را که آماده شده است برایشان نمایش می‌دهیم، نگاه می‌کنند، سر تکان می‌دهند و می‌گویند من که نمی‌فهمم اینجا چه خبره. و این درست همان چیزی است که من می‌خوام بشنوم، چون اگر آن‌ها بتوانند قضیه را درک کنند، معلوم می‌شود که یک جای کار می‌لنگد."

اگر این‌که، یک Xbox 360 یا پلی استیشن3 یا نین‌تندو،  هرچه که اسمش را گذاشته‌اند در اتاق نشیمنتان است و شما درحالی‌که با آن به سمفونی مالر گوش می‌کنید، مشغول ویدئو کنفرانس با همبازی‌های جدیدتان هستید، برایتان باورکردنی نیست، زیاد نگران نباشید. فقط به همه کسانی فکر کنید که الان یک iPod دارند و پنج سال پیش اصلا نمی‌دانستند که MP3 چیست. هر قدر هم  چیزهای جدید دیده باشیم، باز هم تکنولوژی چیزی برای مبهوت کردن ما دارد. فقط کافی‌است چیزی اختراع شود که کمی پیشرفته‌تر و جذاب‌تر از آن‌چیزی باشد که ما انتظارش را داریم.

  هم، مور امتیاز یکی از آهنگ‌های مشهور B-Side را خریده است. مور درمورد نظر گیتس و بالمر درباره تبلیغات می‌گوید: "بیل و استیو وقتی تبلیغاتی را که آماده شده است برایشان نمایش می‌دهیم، نگاه می‌کنند، سر تکان می‌دهند و می‌گویند من که نمی‌فهمم اینجا چه خبره. و این درست همان چیزی است که من می‌خوام بشنوم، چون اگر آن‌ها بتوانند قضیه را درک کنند، معلوم می‌شود که یک جای کار می‌لنگد."

اگر این‌که، یک Xbox 360 یا پلی استیشن3 یا نین‌تندو،  هرچه که اسمش را گذاشته‌اند در اتاق نشیمنتان است و شما درحالی‌که با آن به سمفونی مالر گوش می‌کنید، مشغول ویدئو کنفرانس با همبازی‌های جدیدتان هستید، برایتان باورکردنی نیست، زیاد نگران نباشید. فقط به همه کسانی فکر کنید که الان یک iPod دارند و پنج سال پیش اصلا نمی‌دانستند که MP3 چیست. هر قدر هم  چیزهای جدید دیده باشیم، باز هم تکنولوژی چیزی برای مبهوت کردن ما دارد. فقط کافی‌است چیزی اختراع شود که کمی پیشرفته‌تر و جذاب‌تر از آن‌چیزی باشد که ما انتظارش را داریم.

مهندسی معکوس مغز - Reverse - Engineering the Brain

 

 اشاره :
<مگی میمون بسیار باهوشی است>، این را Tim Buschman، دانشجوی سال آخری می‌گوید که در آزمایشگاه عصب‌شناسی پروفسور Earl Miller مشغول پژوهش است. البته دیدن مگی به این آسانی‌ها مقدور نیست؛ برای دور نگهداشتن مگی از محیطی که انسان‌ها در آن حضور دارند، از او در محیطی مجزا نگهداری می‌شود تا از رفتار انسان‌ها تأثیر نپذیرد. ولی علایم هوشمندی او روی دو نمایشگر که روبه‌روی بوشمن قرار دارد، قابل مشاهده است. مگی در طول هفت سال گذشته برای مرکز علوم مغز و ادراک (Brain and Cognitive Sciences: BCS) دانشگاه ام‌آی‌تی کار کرده است. این میمون، سه ساعت در روز به بازی‌های کامپیوتری مشغول است که بیشتر با هدف ساخت و پرورش الگوهای کلی توسط مغز مگی و سپس استفاده از آن الگوها به عنوان ابزار، طراحی شده اند. بوشمن (شاید به طنز) می‌گوید: <من حتی با این کار نیز مشکل دارم>. منظور او حرکت به سمت بالا و پایین در یک بازی کامپیوتری است که شامل عملگرهای منطقی است که در گروه‌های خاصی قرار می‌گیرند.


ولی مگی بسیار خوب عمل می‌کند: واکنش خوب در برابر پرسش‌های سخت، صرف تنها نیم ثانیه برای پاسخگویی به هر مسئله و چهار پاسخ درست از پنج پاسخ، نمونه‌ای از عملکرد خوب اوست.

توانایی مگی در بازی‌کردن را می‌توان نقطه تلاقی هوش‌مصنوعی و دانش عصب‌شناسی دانست. دانشجوی سال آخر دیگری تحت آموزش‌های بوشمن و Michelle Machon، مشغول پژوهش در این‌باره است که مغز چگونه می‌تواند یاد بگیرد و به ساخت قوانین منطقی بپردازد، و این‌که چگونه باید کارایی مغز را در انجام این وظایف با عملکرد شبکه‌های عصبی مصنوعی که در هوش مصنوعی مورد استفاده قرار می‌گیرد، مقایسه کرد.

چهل سال پیش، این ایده وجود داشت که دانش عصب‌شناسی و هوش مصنوعی باید همزمان و تواماً در آزمایشگاه‌هایی مانند آنچه که Miller در آن به پژوهش پرداخته است، مورد مطالعه قرار بگیرد، ولی تصور نمی‌رفت که این دو، بتوانند چندان به توسعه هم کمک کنند.  پیشتر، حیطه مطالعاتی این دو متد بسیار متفاوت از هم بود. عصب شناسی بر کشف و توضیح جزئیات ساختار عصب و فعالیت‌های عصبی متمرکز بود و هوش مصنوعی می‌کوشید با توسعه یک مسیر مستقل و فارغ از فرآیندهای بیولوژیکی، به شبیه‌سازی هوش برسد (از دیدگاه تاریخی، فناوری در واقع نیازی به الهام گرفتن از طبیعت نداشته است؛ نه هواپیماها مانند پرندگان پرواز می‌کنند و نه خودروها مانند اسب‌ها حرکت می‌کنند.) و به نظر می‌رسید هوش مصنوعی با شتاب بیشتری پیشرفت می‌کند.
با استفاده از دانش عصب‌شناسی به سختی می‌شد به ماهیت مغز پی برد؛ چه رسد به این‌که بتوان بر نحوه عملکرد آن واقف شد. از سوی دیگر،  هر کسی که کمی اطلاعات علمی داشت، روزی را که کامپیوترها بتوانند هر آنچه را که انسان انجام می‌دهد انجام دهند (شاید هم بهتر از انسان)  دور از دسترس نمی‌دانست. در سال 1962، توجه مقامات به پشتیبانی از پروژه‌ای مبنی بر طراحی یک سیستم فراگیر خودکار جلب شد که پروژه‌ای جنجالی در ایالات‌متحده محسوب می‌شد (این سیستم به Cybernation مشهور بود)؛ چرا که گمان می‌رفت با آمدن این سیستم، تعداد زیادی از مردم کار خود را از دست بدهند.

ولی یک چیز از هیجانی که هوش مصنوعی برپا کرده بود، کاست. هر چند کامپیوترها می‌توانستند از پس تشخیص اشیای ساده در یک موقعیت ویژه و تحت شرایط کنترل شده برآیند،  در تشخیص و شناسایی اشیای پیچیده در دنیای حقیقی باز می‌ماندند. یک میکروفون می‌تواند سطوح صدا را تشخیص دهد، ولی مثلا‌ً نمی‌تواند آن را کوتاه و خلاصه کند. یک سیستم خبره می‌تواند یک شیء جدید و تمیز را در میان مجموعه‌ای از اشیای  قدیمی و کثیف  تشخیص دهد، ولی نمی‌تواند یک شیء  قدیمی و کثیف را در یک توده درهم و برهم تشخیص دهد. (نمونه دیگر این موضوع سیستم مورد آزمایش ماروین مینسکی است که حتی قابلیت قرار دادن یک بالش در روکش بالش را هم ندارد.) هنوز نگرانی ما از رویارویی انسان‌ها بیش از نگرانی ما درباره رویارویی ماشین‌ها با هم است.

بر خلاف هوش مصنوعی که پیشرفت آن کندتر از آن چیزی بود که انتظار می‌رفت، عصب‌شناسی در فهم چگونگی کارکرد مغز به خوبی پیش می‌رفت. این حقیقت در هیچ جایی به اندازه پژوهش‌های سی و هفت آزمایشگاه از مجموعه مراکز BCS دانشگاه MIT مشهود نیست.
 
گروه پژوهشی این دانشگاه مشغول ترسیم مسیرهای عصبی‌ای هستند که در عملکردهای سطح بالای مربوط به ادراک (و پیچیدگی آن‌ها)، شامل یادگیری، حافظه، ساختار رفتارهای ترتیبی پیچیده، فرم و ذخیره عادت ها، روِیاپردازی، مدیریت و کنترل عددها، تعیین یک هدف و برنامه‌ریزی، پردازش ایده‌ها و عقاید، و توانایی فهم چیزهایی هستند که دیگران درباره آن فکر می کنند.
 
ارمغان این پژوهش‌ها می‌تواند بسیار ارزشمند باشد. کشف این‌که مغز چگونه کار می‌کند (منظور فهم دقیق آن است مانند این‌که ما می‌دانیم یک موتور چگونه کار می‌کند)، می‌تواند همه کتاب‌هایی را که تا کنون در این باره نوشته شده‌اند، نیازمند بازنویسی کند. تنها گوشه‌ای از دستاوردهای این کار می‌تواند انقلابی در قضاوت و جرم‌شناسی، آموزش، تجارت، مراقبت از خانواده و نیز درمان هرگونه اختلال روانی بر پا کند.) Earl Miller) امیدوار است پژوهش های انجام شده در آزمایشگاه او در درک پیچیدگی‌های مغز کمک زیادی به روانپزشکان بکند). 

چنین پیشرفتی دلیلی برای آغاز همکاری هوش مصنوعی و عصب‌شناسی نه تنها در آزمایشگاه Miller، بلکه حتی در MIT است. همچنین پژوهش‌ها درباره پردازش تصویر نشان می‌دهد که چگونه این دو دانش بر یکدیگر تأثیر می‌گذارند. James DiCarlo، استادیار عصب شناسی، می‌گوید: <این دو رشته مجزا از هم رشد می‌کنند>، این روزها، پژوهشگران هوش مصنوعی مشتاقانه به دنبال پیشرفت عصب‌شناسی و ایده مهندسی معکوس مغز هستند که پیشتر، دور از ذهن به نظر می‌رسید.

درک تشخیص اشیا
بیشتر کارهای انجام شده در آزمایشگاه DiCarlo، بر تشخیص اشیا متمرکز بود که ما را به تعریف یک شیء (مانند تعریف حیوانی چون گاو در مغز) از چند بعد و منظر قادر می‌کند (گاوی که در دوردست است، گاوی که از بالا به آن نگاه می‌کنیم، گاوی که در داخل یک کانتینر است) بدون این‌که با اشیای دیگر (مانند اسب) تداخل پیدا کند. DiCarlo  و دانشجوی سال آخر او، David Cox، دستاورد پژوهش‌های خود را در اواخر آگوست با نام عصب‌شناسی طبیعی
(Nature Neuroscience) منتشر کردند که بر یکی از اساسی‌ترین پرسش‌ها درباره تشخیص اشیا متمرکز بود: چه اندازه از موفقیت ما در تشخیص اشیا، وابسته به ساختار سخت‌افزاری بدن ما، ویژگی‌های ذاتی ما هنگام تولد و چیزهایی است که آموخته‌ایم؟

DiCarlo و Cox پژوهش‌های خود را همزمان روی تعدادی از افراد آزمایش کردند. افراد مورد مطالعه، در برابر تجهیزاتی قرار گرفته بودند که هم قابلیت نمایش تصویر اشیا و هم دنبال کردنِ جهتِ نگاه اشخاص را داشتند.  اشیا تصاویری بودند که توسط کامپیوتر ایجاد شده بودند و تقریباً دسته‌ای از حیوانات را نشان می‌دادند، ولی این تصاویر به گونه‌ای طراحی شده بودند که در نگاه نخست برای اشخاص، آشنا و قابل تشخیص نباشند.  یک شیء می‌توانست در یک وضعیت از سه وضعیت ممکن روی نمایشگر نشان داده شود و شخص می‌توانست نگاه خود را به سمت آن شیء برگرداند.

سپس پژوهشگران اشیای جدیدی را جایگزین می‌کردند تا افراد نگاه خود را روی شیء جدید متمرکز کنند. برای نمونه، زمانی که شخص به مرکز نمایشگر خیره شده بود، موجودی با بدنی قلمبه و با گوش‌های تیز شده در سمت راست نمایشگر به نمایش درمیآمد. زمانی که شخص نگاه خود را به سمت آن معطوف می‌کرد، پژوهشگران آن تصویر را با تصویر موجودی لاغرتر با گوش‌های آویزان جایگزین می‌کردند. از آنجایی که انسان هنگام تعویض مکان تمرکز چشم در واقع بینایی ندارد، این اشخاص متوجه جایگزینی اشیا نمی‌شدند، ولی مغز آن‌ها  متوجه این جایگزینی می‌شد.

پس از یک یا دو ساعت ادامه این آزمایش‌ها با اشیای مختلف، و نمایش این تصاویر در یک موقعیت خاص روی صفحه نمایشگر، دو شیء در دو مکان متفاوت روی صفحه نمایشگر به افراد نشان داده می‌شد و از آنان خواسته می‌شد آن‌ها را با هم مقایسه کنند. شاید به نظر برسد که افراد با مشکل خاصی در تشخیص تفاوت میان آن دو تصویر مواجه نشده‌اند که البته تقریباً همین طور بود؛ جز در مقایسه تصاویری که جابه‌جا شده بودند و اکنون دوباره در همان موقعیتی که قبلاً جابه‌جایی انجام شده بود، به نمایش در می‌آمدند.

افراد آن دو شیء را با هم قاطی می‌کردند: آن‌ها بیشتر تصور می‌کردند که موجود قلمبه با گوش‌های تیز که در یک موقعیت و موجود لاغر با گوش‌های آویزان در موقعیت دیگری بودند، در واقع یک شیء هستند. DiCarlo بر این باور است که چنین اشتباه‌هایی نشان‌دهنده این است که مکانیسم مغز در تشخیص اشیای یکسان، ولی در موقعیت‌های مکانی مختلف، به تجربه بصری عادی شخص در زمان و مکان خاص بستگی دارد.  او می گوید: <یافته‌ها نشان می‌دهد که حتی شاخص‌های اصلی در شناسایی اشیا می‌تواند به وسیله تجربه‌های بصری و در تعامل با دنیای اطرافمان توسعه یابد.>

DiCarlo و تیم او سرگرم طراحی و انجام آزمایش‌های مشابهی روی جانوران هستند تا بتوانند الگوهای فعالیت عصبی را  که در تشخیص اشیا بسیار حائز اهمیت است، مورد بررسی قرار دهند.  (یک نمونه خوب از این پژوهش ها در چهارم نوامبر 2005 در نشریه Science منتشر شد. در این آزمایش، DiCarlo و سه تن از همکاران او فعالیت صدها نورون عصبی را در مغز میمون Macaque ضبط و سپس تحلیل کردند. آن‌ها نشان دادند که پردازش اطلاعات بدیهی درباره موجودیت شیء و نوع آن‌ها تنها به فعالیت تعداد کمی از نرون‌ها نیاز دارد.)

شناسایی یا تشخیص اشیا از آغاز، یکی از بزرگ‌ترین و سخت‌ترین اهداف هوش مصنوعی بوده است. هرچند که بینایی ماشین (machine viosion) به یک صنعت تمام عیار تبدیل شده است، اما موفقیت‌ها و دستاوردهای آن در حیطه محدودی از برنامه‌های کاربردی و در شرایطِ به شدت کنترل‌شده مانند روِیت شماره پلاک، تشخیص اثر انگشت، تشخیص کاراکترهای چاپی، و بررسی محصولات مورد استفاده قرار می‌گیرد (برای نمونه، بررسی میزان سرخ‌شدگی یک چیپس و توقف سرخ کردن آن در صورت تشخیص این‌که اگر بیشتر  سرخ شود، می‌سوزد.) هر سیستم بینایی ماشین تنها یک نوع شیء خاص را <می‌بیند>؛ برای نمونه، سیستمی که شماره پلاک یک خودرو را روِیت می‌کند، دیگر قادر به تشخیص اثر انگشت نخواهد بود، و بر عکس.

هر چند به نظر می‌رسد فناوری کنونی برای ساخت ماشین‌هایی که بتوانند  هر شیء خاصی را تشخیص دهند، به اندازه کافی  توانمند است، ولی بیشتر مشاغل در بیشتر صنایع مانند مونتاژ، ساخت، بهداشت، حمل و نقل، و امنیت،  نیازمند پیشرفت‌هایی بهتر از این است. کارکنان یک کارخانه صنعتی می‌توانند یک چکش، یک پیچ‌‌گوشتی و یک آچار را بدون توجه به تفاوت‌های آن‌ها از نظر میزان شفافیت سطح آن، ویژگی‌های شیء، و آلودگی‌ها و جرمی که شاید سطح آن‌ها را پوشانده است، از هم تشخیص دهند.

اشتباه در ساخت چنین ماشین‌هایی می‌تواند اشتباه‌هایی چون عدم توانایی در تشخیص پرنده‌ای مانند کلاغ یا جانوری مانند موش را به همراه داشته باشد که همه حاکی از نیاز به دانش سطح بالاتری از فناوری امروزی است. تفکر دیگری نیز وجود دارد و آن این‌که، انسان نمی‌تواند ماشین‌هایی را بسازد که به اندازه خودش هوشمند باشند. بدیهی است که در ورای این نوع تفکر، خودخواهی و تعصب انسان نسبت به وجود خود، حاکم است،  ولی این‌که هنوز ماشینی ساخته نشده که دست کم به اندازه یک کبوتر هوشمند باشد، باعث شرمساری است!

چندین سال است که پژوهشگران هوش‌مصنوعی روی الگوهای بصری با هدف بررسی معانی یا موجودیت‌ها کار می‌کنند. این یکی از شاخه‌هایی است که هوش مصنوعی و عصب شناسی در یک نقطه به هم می‌رسند: عصب‌شناسی، نقش مغز در تشخیص اشیا را مورد بررسی قرار می‌دهد، و هوش مصنوعی این موضوع را بررسی می‌کند که یک سیستم نیازمند طی چه مراحلی برای حل چنین مسئله‌ای است. پس از سپری شدن چندین دهه، این دو علم رفته رفته به هم نزدیک‌تر می‌شوند. 

 DiCarlo به این فکر می‌کند که آیا زمان تولد دانش جدیدی که شامل هر دو شاخه (هوش مصنوعی و عصب‌شناسی) باشد فرارسیده است، دانشی که شاید بتوان آن را بینایی بیولوژیکی ماشین (Biologically Inspired Machine Vision) نامید.

هیچ دانشگاهی به اندازه MIT در رسیدن به این نقطه مشترک، که در آن همکاری مشترک علم و مهندسی به یک عملیات علمی و دانشگاهی تبدیل می‌شود، پیشتاز نیست. DiCarlo نیز دلیل آمدنش به MIT را همین نکته ذکر می‌کند و انتظار وقوع انقلابی علمی را در این مکان دارد.

مدلسازی تشخیص بی‌درنگ‌
یکی از نمونه‌های عینی بر اظهارات مورد اشاره DiCarlo را می‌توان در آزمایشگاه‌های Tomaso Poggio پیدا کرد.Poggio، یکی از مسئولان مرکز یادگیری‌های بیولوژیکی  و محاسباتی دانشگاه ام‌آی‌تی است که چهار دهه به بررسی موضوع بینایی پرداخته است.

وی نخست در انستیتوی Max Planck واقع در Tubingen در آلمان و سپس در آزمایشگاه هوش مصنوعی دانشگاه ام‌آی‌تی (که بعدها به آزمایشگاه علوم کامپیوتر و هوش مصنوعی تغییر یافت) مشغول تحقیق بوده است، و هم اکنون در بخش مغز و علومِ ادراکی به پژوهش‌های خود ادامه می‌دهد. Poggio در پروژه تست میمون Macaque که در آغاز این نوشته به آن اشاره شد، با DiCarlo همکاری کرده است.)


او بیشتر وقت خود را به هدایت یک گروه پژوهشی عصب‌شناسی و یک گروه پژوهشی بینایی ماشین گذرانده است و در آن زمان دلیلی نمی‌دید که این دو گروه را با هم تلفیق کند. او می‌گوید: <ما چیز زیادی نمی‌دانستیم. من همیشه فکر می‌کردم این یک اشتباه است که از دانش عصب‌شناسی انتظار زیادی داشته باشیم.> ولی نتایج اخیر که از انجام پروژه‌ای توسط Thomas Serre، فارغ التحصیل دکترا، و Aude Oliva، استادیار عصب‌شناسی ادراکی در مرکز BCS به دست آمد، نظر او را تغییر داد.

آزمایشگاه Poggio هم اکنون روی یک پروژه شناسایی موسوم به شناسایی بی‌درنگ متمرکز شده است. این موضوع کمتر شناخته شده، نخستین بار در سال 1969 در یک مقاله و طی  سمیناری در دانشگاه ام‌آی‌تی توسط Mary Potter (استاد فعلی روان‌شناسی مرکز BCS) و دستیار او Ellen Levy ارائه شد. شناسایی بی‌درنگ نوع سریع‌تری از شناسایی است. شخصی که باید در تست شناسایی بی‌درنگ کلاسیک مورد آزمون قرار گیرد، پیش از نمایش تصاویر روی نمایشگر و درخواست از وی برای فشار دادن یک یا دو دکمه برای واکنش نشان دادن به هر تصویر و تعیین این‌که آیا آن تصویر متعلق به یک حیوان است یا نه، درآنجا نشانده می شود.

برای اطمینان از این‌که نگاه افراد به یک تصویر به تشخیص آن‌ها هنگام نگاه کردن به تصاویر دیگر کمک نکند، پژوهشگران از تصاویری استفاده می‌کنند که بسیار متفاوت از یکدیگرند؛ مانند یک دسته جانور در پس‌زمینه‌های مختلف که هر کدام در جهت و پرسپکتیوخاصی قرار گرفته‌اند. این تصاویر تنها چند دهم ثانیه روی نمایشگر ظاهر می‌شوند. در یکی از این تست‌ها ، یکی از کسانی که مورد آزمایش قرار می‌گرفت، تقریباً هیچ چیز از تصاویری که به سرعت ظاهر و سپس ناپدید می‌شدند، نفهمید؛ چه رسد به شناسایی آن. جالب این است که این اشخاص بیشتر کلید درست را فشار می‌دادند. آن‌ها مرتباً در طول آزمایش پیشرفت می‌کنند و هشیاری آن‌ها هنگام نمایش تصاویر رفته رفته بیشتر می‌شود. مکانیسمی در مغز وجود دارد که می‌تواند اشیا را پیش از آن که شخص نسبت به تصویری که دیده است آگاه شود، شناسایی و دسته بندی کند.

شناسایی بی‌درنگ از آن جهت برای پژوهشگران حائز اهمیت است که ساده‌ترین امکان برای بررسی شناسایی عمومی اشیا است. فرآیند شناسایی بی‌درنگ چنان سریع اتفاق می‌افتد که موجب فعالیت تعداد بسیار زیادی از نورون‌های عصبی، پردازش اطلاعات بسیار یا ارسال و دریافت درخواست‌های زیاد در یک فضای بیش از یک سانتی‌متری در مغز می‌شود. اطلاعات جمعآوری شده از طریق چرخش چشم به اطراف، که در انواع دیگر شناسایی (مانند آنچه که DiCarlo انجام داده بود) موردی کلیدی محسوب می‌شود، در شناسایی بی‌درنگ نقشی ندارد.

با این وجود، بیشتر اشخاص مورد آزمایش در هنگام تست کلید درست را فشار می‌دهند، که نشان می‌دهد نوع خاصی از شناسایی اشیا می‌تواند با استفاده از تعداد کمی از نورون‌های عصبی و با آرایش ساده و نه‌چندان پیچیده نورون‌ها  انجام شود.

Poggie به همراه دکتر Riesenhuber، و بعدها Grad دانشجوی سال آخر در دانشگاه ام آی‌تی و هم اکنون نیز  استاد دانشگاه جورج تاون به توسعه یک تئوری درباره کارکرد بخشی از لایه بیرونی مغز که مسئول شناسایی بی‌درنگ است، پرداختند. پژوهش و نگرش آن‌ها درباره پردازش تصویر با نگرش مهندسی به بینایی ماشین متفاوت بود. برای نمونه، بیشتر نرم‌افزارهای بینایی ماشین شامل یک پردازشگر برای اجرای مجموعه‌ای از دستورات به صورت یکی پس از دیگری و ساختاری موسوم به پردازش سریال است. از سوی دیگر، مغز از پردازش موازی استفاده می‌کند، فرآیندی که طی آن، <مسئله> به چندین بخش شکسته می‌شود و هر بخش، جداگانه توسط پردازنده مخصوص خود بررسی می‌شود، و پس از پردازش آن‌ها، بسته به نوع مسئله این بخش‌ها به هم متصل و به عنوان پاسخ باز گردانده می‌شوند.

از لحاظ تئوری، مهندسان می‌بایست برای برنامه‌های بینایی ماشین از پردازش موازی استفاده کنند (گاه تلاش کرده‌اند این کار را انجام دهند)، ولی در عمل شکستن یک سؤال به چند بخش و اتصال دوباره آن‌ها به هم، به ندرت انجام می‌شود. با این حال بینایی بیولوژیکی (Biological vision) این مشکل را به چند طریق مختلف مرتفع کرده است. یکی از آن راه‌ها به گفته گروه Poggio، سازماندهی و کنترل پردازش است. به‌گونه‌ای که پردازش شامل دو عملیات ساده باشد و سپس جایگزین‌کردن این عملیات با یک ترتیب مشخص در لایه‌های نورون‌های عصبی. لایه A  باید ورودی‌های اصلی از عصب نوری چشم را فیلتر کند؛ لایه B نیز نتایجی را که از سلول‌ها در لایه A جمعآوری شده با هم ترکیب می‌کند؛ لایه C ورودی‌ها از لایه B را فیلتر می‌کند. لایه D نیز نتایج لایه C را به هم متصل می‌کند و به همین ترتیب کار ادامه پیدا می‌کند.

در اثر افزایش سیگنال‌ها در لایه‌های گفته شده، خروجی‌های پردازه‌هایی که به صورت موازی پردازش شده‌اند، به آرامی به هم متصل و موجودیت‌ها با هم ادغام می‌شوند و نویزها (پارازیت‌ها) از میان می‌روند. Serre و Poggio از این روش لایه‌بندی استفاده کردند تا مدل پیشنهادی خود را قادر به پردازش موازی کنند.

روش دیگری که آن‌ها برای پیاده‌سازی آن از زیست‌شناسی استفاده کردند، افزایش تعداد اتصالاتی بود که به واحدهای سوییچینگ اصلی آن‌ها وصل می‌شد. واحدهای سوییچینگ در کامپیوترهای رایج امروزی دارای اتصالات بسیار کم، (در حدود سه اتصال)، هستند؛ ولی تعداد نورون‌های عصبی که به مثابه واحدهای سوییچینگ مغز هستند، به هزاران و گاه حتی ده‌ها هزار عدد می‌رسد. Serre و Poggio در مدل خود از سوییچ‌های منطقی با تعداد معقول استفاده کردند. همچنین گاه از حدس‌ها و آموخته‌هایی مبتنی بر تجربیات خود از ساختار نورون‌ها استفاده کردند که البته هنوز از دید علمی قابل توضیح نیست.

Serre و Poggie برای تست تئوری خود، به توسعه یک برنامه کامپیوتری ویژه شناسایی بی‌درنگ پرداختند که می‌توانست تصاویر دیجیتال را تحلیل کند. وقتی فایل‌های تصویر دیجیتال به برنامه داده می‌شود، برنامه اطلاعات آن را به لایه‌های چندگانه فیلترکننده (که در بالا به آن‌ها اشاره شد) و سلول‌های متصل کننده می‌رساند تا با این‌کار، برنامه خودش را برای شناسایی و دسته بندی تصاویرآموزش دهد. Serre می‌گوید: <نکته کلیدی این است که در این روش، پیچیدگی به آهستگی پیش میآید.> وی می افزاید، <استفاده شتابزده از این هوشمندی اشتباه بزرگی است.> پژوهش‌های گذشته درباره هوش مصنوعی، شناسایی را شتابزده و بدون توجه به اطلاعات کلیدی بررسی می کرد؛ اطلاعاتی که می‌توانست در همان زمان آن‌ها را به نتیجه برساند.

نحوه عملکرد Serre و Poggio موفقیت بزرگی محسوب می‌شد. از نقطه نظر عصب‌شناسی، برخی از حدس‌ها و گمانه‌زنی‌های آن‌ها موجب پیش‌بینی برخی از حقایق مهم مانند مشاهده سلول‌ها (موسوم به سلول‌های OR)شد که قوی‌ترین یا پایدارترین سیگنال‌ها را از میان گروهی از ورودی‌ها برمی‌دارند و آن را به فیبرهای خروجیشان کپی می‌کنند. (سه نورون عصبی A ،B و C که همگی به نورون X از نوع نرون‌های OR سیگنال می‌فرستند را تصور کنید. اگر هر کدام از این سیگنال‌ها به ترتیب درسطوح 1، 2 و 3 ارسال شوند، نورون X از ورود سیگنال‌های A و Bجلوگیری می‌کند و سیگنالC  را در خروجی خود کپی می‌کند. اگر ترتیب سطوح سیگنال‌ها 3، 2 و 1 بود، سیگنال Aدر خروجی X کپی می‌شد و از ورود سیگنال‌های B و C جلوگیری می‌شد.)

این نتایج به دست آمده تنها از دید دانش هوش‌مصنوعی جالب به نظر می‌رسند. وقتی نرم‌افزار شناسایی بی‌درنگSerre و Poggio تست وجود یا عدم وجود یک جانور را از افراد مورد آزمایش می گرفت، عملکرد کامپیوتر به خوبی عملکرد انسان بود؛ و بهتر از عملکرد بهترین برنامه‌های بینایی ماشین موجود!

(این نرم افزار در هشتاد و دو درصد مواقع به پاسخ درست می‌رسید. جالب آن‌که، میزان موفقیت برای انسان‌ها، هشتاددرصد بود.) این تقریباً نخستین بار بود که یک برنامه پردازش تصویر عمومی به خوبی انسان عمل می کرد.
نتایج امیدبخشِ به دست آمده Poggio و Serre را بر آن داشته است به چیزی فراتر از شناسایی بی‌درنگ فکر کنند. Poggio اظهار امیدواری می‌کند که این مدل بتواند به همین خوبی در بررسی حس شنوایی نیز مورد استفاده قرار بگیرد. Serre در انجام چنین ریسکی از این هم پیشتر می‌رود و می‌گوید: شناسایی عمومی اشیا، اساس شناسایی بر اساس حواس است. شاید به همین خاطر است که وقتی می‌خواهیم نشان دهیم که چیزی را فهمیده‌ایم یا متوجه شده‌ایم، می‌گوییم <می‌بینم> (1)

هر چند توسعه تئوری آن‌ها به حیطه‌های جدید، نیازمند پیشرفت‌های بیشتری است، مدل پیشنهادی Sierre وPoggio گسترش خود به هر دو دانش هوش مصنوعی و عصب‌شناسی را در دانشگاه ام‌آی‌تی آغاز کرده است. Stan Bileschi دانشجوی سال آخر مهندسی برق، اخیراً در پایان‌نامه دکترای خود به معرفی مدلی موسوم به تشخیص صحنه (scene recognition) پرداخته است که اساس قضاوت‌های سطح بالای انسان محسوب می‌شود. <یک مزرعه را در نظر بگیرید!> این مدل شامل شناسایی اشیای مجزا از هم، مانند گاو، نرده‌های طویل کنار مزرعه و هر آنچه که در آنجا قرار دارد می شود. Bileschi بر این باور است که تحلیل یک صحنه برتر از عملکرد بسیاری از برنامه‌های پردازش تصویر ماشینی (مانند پاییدن یک شیء) است.

Poggio می‌گوید تشخیص بی‌درنگ مبنا و اساس شناسایی‌های تصویر است، ولی همهِ  چیزی نیست که ما نیازمند آنیم. سطوح متفاوتی از شناسایی وجود دارد که تشخیص بی‌درنگ یکی از ساده‌ترین انواع آن است. بسته به وضعیت موجود، یک شیء می‌تواند به عنوان یک اسباب بازی، یک عروسک، بازتابی از فرهنگ آمریکایی، یک شخصیت یا هر چیز دیگری معرفی شود. (اگر قصد خرید یک عروسک را داشته باشید، عروسک پشت ویترین برای ما، یک عروسک یا اسباب بازی است، ولی اگر آن عروسک در یک نمایشگاه تجارت و صادرات عرضه شود، به عنوان یک محصول تجاری و صادراتی معرفی می‌شود. یعنی وضعیتی که در آن قرار داریم، تعریف ما از اشیا را تحت تأثیر قرار می‌دهد.)

به طرز مشابهی در مسائل شطرنج، تشخیص حرکت درست ممکن است بسته به آرایش مهره‌ها، به چند ثانیه، دقیقه یا ساعت زمان نیاز داشته باشد. می‌توان گفت هر چه مشکلات بغرنج تر می‌شوند، مرتفع کردن آن‌ها به کارکردهای مغزی پیشرفته‌تری نیاز پیدا می‌کند که نیاز به زمان بیشتری خواهد داشت.

یک مدل شناسایی یا تشخیص بی‌درنگ شاید بتواند مسائل بصری‌ای را که مانع پیش روی توسعه و بهبود ساخت و پایداری روبات‌ها است حل کند. همچنین توسعه این مدل می‌تواند کاربردهای واقعاً ارزشمند دیگری نیز داشته باشد. مانند افزودن  قابلیت تشخیص پیچیدگی‌ها ودلایل آن‌ها در تصویری از یک چشم‌انداز یا منظره. روشن است که این نوع از شناسایی بسیار سطح بالا محسوب می شود.

گام بعدی، ساخت مدل‌های تشخیص‌دهنده‌ای است که منابع هر چه بیشتری را به سیستم خود می‌افزایند و بر همین اساس نیاز به زمان بیشتری برای پردازش دارند. Serre می‌گوید: <ما می‌دانیم این مدل باید چگونه تغییر یابد تا مسئله زمان هم مد نظر قرار بگیرد. این مورد می‌تواند ما را به نحوه تفکر مغز نزدیک‌تر کند؛ البته شاید.>

پی نوشت:
1- معادلِ فارسی در انگلیسی، <می‌دانم> و زمانی به کار می‌رود که می‌خواهیم نشان دهیم چیزی را که دیگران می‌دانند یا درباره آن حرف می‌زنند، ما نیز می‌دانیم.