هوش مصنوعی و هوش انسانی

هوش مصنوعی و هوش انسانی

چرا تعداد پروژه ها و نرم افزار های هوش مصنوعی  که به هوش انسانی نزدیک باشند بسیار کم است ؟

یک پروژه اینچنین حتما به مشکل بر خواهد خورد. دلایل زیادی برای این احتمال کم وجود دارد اما

بنیادی ترین آن به طور کلی این است که انسان ها در کار هایی که کامپیوتر ها انجام می دهند ضعیف

هستند و همچنین کامپیوتر ها هم در زمینه های انسانی ضعیف هستند. پیش بینی می شود که بازار

هوش مصنوعی تا سال 2025 300 میلیارد دلار ارزش داشته باشد. و اکثریت قریب به اتفاق شرکتهایی

که سعی می کنند که در این بازار حضور داشته باشند ، نوعی هوش مصنوعی شبیه به انسان را

بازاریابی می کنند.

ایده تشبیه هوش مصنوعی و هوش انسانی 

ایده اصلی این دسته از هوش های مصنوعی این است که به عنوان یک به روز رسانی به بازار ارائه شود.

کامپیوتر ها محاسبات انجام می دهند اما هوش مصنوعی یاد می گیرد. اما حقیقت این است که انسان ها

درانجام وظایفی که یک رایانه انجام می دهد ناتوان هستند و هوش مصنوعی هم به همین تریتب قادر به

انجام کار های انسانی نیستند. به همین دلیل است که محققان از پارادایمهای توسعه که بر تقلید از شناخت

انسان متمرکز شده اند ، فاصله می گیرند.دو تن از محققان NYU اخیراً در مورد چگونگی پردازش کلمات

و معنای کلمات در انسان و هوش مصنوعی تحقیق کردند. از طریق مطالعه “معناشناسی روانشناختی” ، این

دو محقق امیدوار بودند که نواقص موجود در سیستمهای یادگیری ماشینی در حوزه پردازش زبان طبیعی

(NLP) را توضیح دهند. توضیحاتی که این دو در arXiv  منتشر کرده اند نشان می دهد که این خلا به

این خاطر به وجود آمده است که سایر محققان به این که هوش مصنوعی توسعه داده آنها انسان مانند

است یا خیر توجه نمی کنند. به همیت دلیل است که انتقادات از هوش های مصنوعی در مورد ناتوانی

آنها از بروز رفتار های انسان مانند، زیاد است.

راهکار های تولید هوش مصنوعی با قابلیت های انسانی

یکی از کار هایی که برای  تولید هوش مصنوعی انسان مانند باید انجام دهیم دقت به روش های تفکر

انسانی است. در زمینه ترجمه ، انسانها روش های مختلفی را برای به یاد آوری داشتن چندین زبان در

سر خود و ایجاد ارتباط سیال بین این زبان ها دارند. از طرف دیگر ، ماشین آلات لازم نیست بدانند که

یک کلمه به چه معنا است تا ترجمه مناسب را به آن اختصاص دهند. این کار هنگامی که دقت به سطح

انسانی نزدیک تر می شود ، مشکل تر می شود. ترجمه یک ، دو و سه به اسپانیایی نسبتاً ساده است.

این ماشین می آموزد که آنها دقیقاً برابر با uno ، dos و tres هستند و احتمالاً 100 درصد اوقات

جواب مناسب را بدست می آورند. اما وقتی مفاهیم پیچیده ای اضافه می کنید ، کلماتی با بیش از

یک معنی و اصطلاحات عامیانه یا محاوره ای به آن می افزایید می توانند پیچیده تر شوند. وقتی

توسعه دهندگان شروع به ایجاد هوش منصوعی می کنند که با تمام شرایط کنار بیاید دچار مشکل

می شوند درست مانند اینکه با گذراندن چند کلاس زبان اسپانیایی نمی توانید تمامی اصطلاحاتی

که در مکریکو سیتی استفاده می شود را متوجه شوید.

ضعف و کمبود هوش مصنوعی نسبت به هوش انسانی

به همین دلیل است که ماشین ها با درک زبان انسان ها که همیشه در حال تحول است

مشکل دارند.  هنوز پردازش زبان طبیعی قادر به شناخت در سطح انسانی نیست به

همین دلیل رفتار های انسان مانندی که بروز می دهد خنده دار به نظر می رسد تصور

کنید که گوگل ترنسلیت با گرفتن عبارت توله خاموش شود چون این کلمه را اهانت آمیز

استنباط کرده ! این خط تفکر فقط مختص NLP نیست. ساخت هوش مصنوعی بیشتر

شبیه به انسان ، صرفاً یک تصمیم طراحی برای اکثر پروژه های یادگیری ماشین است.

همانطور که محققان NYU  در مطالعه خود اشاره کرده اند: یک راه برای فکر کردن

در مورد چنین پیشرفت های صرفاً از نظر مهندسی است یعنی کاری وجود دارد که باید

انجام شود و اگر سیستم آن را به اندازه کافی خوب انجام دهد ، آن کار موفقیت آمیز

محسوب می شود. مهندسی مهم است ، و می تواند عملکرد بهتری و سریعتر داشته باشد

و انسان را از کار کسل کننده مانند  پیدا کردن واژگان کلیدی در پاسخنامه ها و یا بررسی

برنامه سفر های هوایی رهایی بخشد.

دید مهندسی هوش مصنوعی و هوش انسانی

از نظر مهندسی ، بیشتر مشاغل انسانی که انسان ها در حال حاضر انجام می دهد و در همه جا هستند

را می توان به کارهای فردی تقسیم بندی کرد که برای اتوماسیون مناسب تر باشد تا از هوش مصنوعی و

در مواردی که شبکه های عصبی ضروری باشد مانند هدایت ترافیک در یک بندر حمل و نقل  کار بسیار

سختی خواهد بود. اتومبیل های خودران را در نظر بگیرید. ساختن وسیله نقلیه متشکل از چندین سیستم

که با هم کار می کنند به جای اینکه یک ربات انسان نما ساخته شود که بتواند تا اتومبیل برود ، قفل را

باز کند ، وارد شود ، یک اتومبیل کلاسیک را استارت بزند و شروع به رانندگی کند بسیار معقول تر به نظر

می رسد.بیشتر اوقات ، هنگامی که توسعه دهندگان ادعا می کنند که هوش مصنوعی “شبیه به انسان”

ایجاد کرده اند ، منظور آنها این است که آنها وظیفه ای را که اغلب افراد برای آنها استخدام می شوند

به صورت خودکار انجام داده اند. به عنوان مثال نرم افزار تشخیص چهره می تواند جایگزین نگهبان

انسانی درب ورود شود اما نمی تواند به شما بگوید پیتزا در رستوران محلی چقدر خوب است. بنا به

این دلایل حوضه هوش های مصنوعی انسان مانند بسیار محدود است در این راستا سیری و الکسا

موفق تر بودند. آنها اسامی و صدا دارند و برنامه ریزی شده اند که  مفید ، خنده دار ، دوستانه و مودب

به نظر برسند.

آیا هوش مصنوعی کار خارق العاده ای انجام می دهد ؟

اما در واقع هیچ عملکردی وجود ندارد که یک دستیار هوشمند  قادر به انجام آن باشد و شما نتوانید آن را

با یک دکمه انجام دهید. یعنی اگر شما فضا و دید بی نهایت داشتید می توانستید تمام آن  کار ها را انجام

دهید می توان اینگونه تعبیر کرد که این دستیار های هوشمند همانقدر به رفتار انسانی نزدیک هستند که

یک کنترل غول پیکر هست. هوش مصنوعی مانند انسان نیست. ما ممکن است ده ها سال یا بیشتر از یک

هوش مصنوعی عمومی  که می تواند در هر حیطه ای در سطح انسانی عملکرد داشته باشد فاصله داشته

باشیم . خدمتکار های روباتی فاصله زیادی با واقعیت دارند. در حال حاضر ، بهترین  کاری که توسعه

دهندگان هوش مصنوعی می توانند انجام دهند ، تقلید از تلاش های انسان است ، و این به معنی  ساده

کردن یک فرآیند برای کاری به خودکار است.

تعریف هوش مصنوعی چیست؟

تعریف هوش مصنوعی چیست؟

تعریف کلی که می توان راجـــع به هوش مصنوعی کـــرد ایـــن است کــه به هوشی

 گفته می شود کــه بر خلاف تصـــور از هوشـــی که در انســــان ها و حیوانات داریم

توسط ماشیـــن ها ارائــــه می شود. کتاب های درسی پیشـــرو AI ، این زمینه را به

عنوان مطالعه “عوامل هوشمنــــد” تعریف می کنند: هـــر وسیلـــه ای که محیط خود

را درک کند و اقداماتی انجـام دهـــد که شانس خـود را برای دستیابی به اهداف خود

به حداکثر برساند.به صورت عامیانه ،  تعریف اصطلاح “هوش مصنوعی” اغلب برای

توصیف ماشین ها (یا رایانــه ها) استفـــاده می شود که عملکــردهای “شناختــی” که

با ذهن انسان در ارتباط هستند ، مانند “یادگیری” و “حل مسئله” را تقلید می کنند.

در قاعده ای به نام تسلر به این اشاره می شود که هوش مصنوعی چیزی است که

هنوز انجام نشده است. 

تعریف پایه ای از هوش مصنوعی چیست ؟

هوش مصنوعی معمولی محیط خود را تجزیه و تحلیل می کند و اقداماتی انجام می دهد که شانس

موفقیت آن را به حداکثــر می رسانــد. این کــار ها می توانند ساده باشند(حالت 0،1) و یا پیچیده

    باشند (انجام اقدامات ریاضی شبیه به آنهایی کـــه در گذشتـه انجـام شده بودند). از طرف دیگر 

یک سیستــم تکــاملی می تــواند مانند حیوانــات ،با استفــاده از Fitness Function ها جهــت

تغییر و تکرار سیستم های ترجیح داده شده اقـــدام کند. بعضی از سیستــم ها مانند nearest-

neighbor, بدون هدف هستند و فقط تا حدی کـــه لازم بـــوده تمـریـن داده شــده اند بنابـراین

می توانند در مسیـر خاص مورد نظــر هــدف گذاری شونــد. هوش مصنوعی اغلب با استفــاده از

الگوریتم کار می کنـــد. یک الگوریتــــم، مجمـــوعه ای از دستورالعمـل های بدون ابهام است که

یک کامپیوتـــر مکانیــکی قــادر بــه اجـــرای آن است. یک الگوریتـــم پیچیـــده اغلـــب در بالای

الگوریتم هــای ساده تر دیگـــر،  ساختـــه می شود. یک مثـــال کار آمد بازی ایکـــس او است

در این شرایط تعریف الگوریتم هوش مصنوعی از پیامد ها اینگونه خواهد بود :

– اگر دو خانه پر شده بود و تهدید بود خانه سوم را بگیر در غیر این صورت

– اگر خانه ای را بگیری دو راهی ایجاد می کند آن را بگیر در غیر این صورت

– خانه مرکزی را اگر خالی بود بگیر درغیر این صورت

– اگر حریف خانه گوشه را گرفت،  خانه گوشه مقابلش را بگیر در غیر این صورت

– اگر گوشه خالی وچود دارد بگیر در غیر این صورت

– هر خانه خالی که وجود دارد بگیر

بسیاری از الگوریتــم هــای هوش مصنوعی قـادر بـه یادگیری هستنـد.آنها می توانند با یادگیری

اکتشافات جدید خود را تقویت کنند ، یا خود می توانند الگوریتم های دیگری بنویسند.  برخی

از الـگـوریـتــم هـایـی کـه مـی آمـوزنـد شامـل : Bayesian networks , decision trees ,

and nearest-neighbor,از لحاظ تئـوری یــاد می گــیرند کـه تقریبـاً هر عملکردی را انجام

دهند ، از جمله اینکــه کدام یــک از تـوابـع ریـاضی به بهتــرین وجـه کار می کنند. بنابراین این

فراگیران هوش های مصنوعی می توانند با در نظر گرفتن هر فرضیـه احتمـالی و مطابقت آنها

با داده ها ، تمام دانش ممکن را به دست آورند.

رویکردها به سمت هوش مصنوعی 

اولین و قابل درک ترین رویکرد، هوش مصنوعی نمادگرایانه است برای مثال اگر فرد سالمی 

تب داشت پس آنفــولانزا دارد دومیـــن رویکــرد استنباط Bayesian است، اگر بیمار فعلی

تب داشته باشد ، احتمال ابتلا به آنفلوانزا را از این مسیر خاص تنظیم کنید. رویکرد سوم، که

در اپلیکیشــن های هوش مصنوعی تجاری بسیار محبــوب هستند، آنالیزر هــایی مانند SMV و

nearest-neighbor  هستند، این مدل پس از بررسی سوابق بیماران شناخته شده  گذشته

  که درجه حرارت ، علائــم ، ســن و سایر عــوامل اکــثراً مطابق با بیمار فعلی است اعلام می کند

که، X٪  احتمال دارد که بیمار آنفولانزا داشته باشد. رویکرد چهارم که شبکه عصبی  مصنوعی

است از “نورونهای مصنوعی” استفــاده می کند که می تــواند بــا مقایسه خود با خروجی مطلوب

و تغییر نقاط قوت اتصالات بین نورونهای داخلی آن ، یاد بگیرد.

تفاوت هوش مصنوعی با هوش انسانی

در مقایسه با انسانبرای هوش مصنوعی استدلال های عام تعریف نشده است. انسان ها مکانیزم های

قدرتمندی برای استدلال درباره “فیزیک ساده” مانند فضا ، زمان و فعل و انفعالات جسمی دارند. این

حتی کودکان خردسال را قادر می سازد تا به راحتی استنتاج هایی از قبیل “اگر این قلم را از روی میز

بریزم ، روی زمین می افتد” را داشته باشند. آنها همچنین فاقد روانشناسی عامیانه هستند بــه همین

دلیل نمی توانند جملاتی مانند : اعضای شورای شهر از صدور مجــوز تظــاهرکنندگان خودداری کردند

زیرا آنها از خشونت حمایت می کردند ” متوجه شود چون نمی تواند که کدام دسته از افراد درون جمله

از خشونت همایت میکنند.این فقدان “دانش مشترک” یعنی که هوش مصنوعی غالباً اشتباهات متفاوتی

را نسبت به انسان مرتکب می شود ، به طریقی که ممکن است غیرقابل درک به نظر برسد. به عنوان

مثال ، اتومبیل های خود ران موجود نمی توانند به روشی دقیق که انسان انجام می دهد در مورد مکان

و یا مقاصد عابر پیاده استدلال کنند و در عوض باید از حالتهای استدلال غیر انسانی برای جلوگیری از

تصادفات استفاده کنند.

چالش های هوش مصنوعی

هدف کلی تحقیق از هوش مصنوعی ایجاد فناوری است که به رایانه ها و ماشین ها اجازه می دهد تا به

روشی هوشمند عمل کنند. مشکل کلی شبیه سازی (یا ایجاد) هوش به مشکلات فرعی تقسیم شده است.

اینها شامل ویژگی ها یا عملکرد های خاصی است که محققان انتظار دارند سیستم هوشمندی از خود نشان

دهند صفاتی که شامل موارد زید می شود :

استدلال و حل مشکل:

، بنا به تعریف هایی که از هوش مصنوعی شده محققان اولیه الگوریتم هایی را ایجاد کردند که از استدلال

گام به گام که انسان هنگام حل معماها یا استنتاج های منطقی استفاده می کند ، تقلید می کنند.

ارائه دانش:

ارائه دانش و مهندسی دانش در تحقیقات کلاسیک هوش مصنوعی مبحثی اساسی است. برخی از “سیستم های

حرفه ای” سعی در جمــع آوری دانــش صریح و صاحب نظران در برخی حوزه های تخصصی دارند. علاوه بر این،

برخی از پروژه ها تلاش می کنند تا “دانش عام” را که یک فرد متوسط دارا است ، در یک پایگاه داده حاوی دانش

گسترده در مورد جهان جمع کنند.

:برنامه ریزی

عوامل هوشمند باید بتوانند اهدافی را تعیین کنند و به آنها دست یابند. آنها به روشی نیاز دارند تا آینده را به صورت

تصویری از وضعیت جهــان نمایــان سازند و بتوانند پیش بینی هایی را در مورد چگونگی تغییر اعمال خود در آن انجام

دهند تا انتخاب هایی را انجام دهند که حداکثر استفاده از گزینه های موجود یا ارزش ها را داشته باشد.

یادگیری: 

یادگیری ماشینی (ML) ، یک مفهوم اساسی از تحقیقات هوش مصنوعی از زمان شروع این زمینه است ،

مطالعه الگوریتم های رایانه ای است که به طور خودکار از طریق تجربه بهبود می یابد.

هوش مصنوعی و خواندن افکار

هوش مصنوعی و خواندن افکار

هوش مصنوعی تفکر بسیاری ازمردم و دانشمندان را پیــرامون خواندن افکار تغییــــر داد.

فیلسوفی بـــه نــــام جان لاک که در عصــــر روشنـــگری زندگی می کرد می گفت : اقدامات

افراد همیشه طرز تفکر آنها را نشان می دهد. اما افـــرادی مثـــل او از در مورد تکنولوژی 

انسان-دستگاه فکر نمی کردند . اما اینکه اعمال دستگاه ها نتیجه تفکر انسان باشد چیست؟

خیلی ها بر این باورند که ارتباط مغز-ماشین و مغز-کامپیوتر راه بعـــدی اســـت کـــه مــا با

ماشین ها و حتی با یکدیگر ارتباط برقرار خواهیم کرد.رابط های دستگاه مغـــزی (BMI) و

رابط های مغزی و رایانه ای (BCI) دستگاه هایی هستند که ارتباط مستقیم بین مغز و یک 

دستگاه خارجی را امکان پذیر می کنند.

شرکت های هوش مصنوعی و موسساتی  که در زمینه خواندن افکار فعالیت می کنند

این نوع فناوری ، دنیای کاملی از برنامه های تجاری را نمایان می کند. از مشاغــل خطـــرناک

که در حــال حاضر از ربات ها استفاده می کنند گرفته تا ساخت و حتــی فضای مصرف کننده 

همه از این فناوری استفاده می کنند . شرکت Neurable در زمینه کنتـــرل اعضای بدن به

وسیله افکار کـــار مــــی کند ایده این پروژه زمانی به ذهن بیانگذار این شرکت Ramses

Alcaide رسید که شاهد از دست دادن پاهای عمـــوی خـــود در یک تصــادف اتومبیـل بود

شرکت MindX معتقد است که مرحلـــه بعدی در کامپیوتـــر ها یک پیوند مستقیـــم از مغــز

به دنیای دیجیتال است این شرکت از عینک های هوشمند برای ایجاد پیوندی بین مغز انسان

و فناوری استفاده می کند. شرکت MindX این ارتباط را با “ترکیـــب فنـــاوری عصبـــی ،

واقعیت افزوده وهوش مصنوعی برای ایجاد یـــک رابـــــط” نگاه- فکری بـــرای برنامه های

رایانه ای فضایـــی نســل بعـــدی ایجـاد می کنند.در حالی که برخی از شرکت های رابط مغز

و کامپیوتر بر درک مغـــز و معیارهای شنـــاختــی تمرکــز دارند ، بــــرخی دیـگر بر کنترل

دستگاه در زمـان واقــعی تمرکز مــی کـنـنـد. NextMind ، که مقر آن در پاریس ، است

، از BMI غیــر تهـــاجمی استفـــاده می کند که سیگنال های مغزی را فوراً از قشر بصری

کاربر به دستورات دیجیتـــالی بـــرای هر وسیلــه ای در زمان واقعی ترجمه می کند. البته 

موسسات دیگری هم در این زمینه فعالیت دارند و سعــی مـــی کـنـنـد که رایانه هایی بر پایه

مغز-دستگاه درست کنند.

هوش مصنوعی در صنعت موسیقی

هوش مصنوعی در صنعت موسیقی

.بدون شک هوش مصنوعی در صنعت موسیقی تحول چشمگیـری به وجود خواهد آورد چندیــن بـرنامه دیجیتالی

وجود دارد که قادر به ایجاد آهنگهای نسبتاً اصلی موسیقی که تقریباً به طور کامل با استفاده از شبکه های مخالف

مولد (Generator Adversarial Networks) هستند.هـوش مـصـنـوعـی لـزوماً آن چیزی نیست که مردم تصور

می کنند.ایـن اصطلاح چندین معنـا دارد ، امـا مـی تواند براساس استدلال های یک سیستم رایانه ای ، به عنوان

تصمیم گیری تعریف شود. روش های مختلفی برای تحقق ایـن امـــر وجــود دارد ، امــا ایده کلی ایـن اسـت کـه

الگوریتم هایی را برنامه ریزی کنید که یاد می گیرند الگوهای را پـس از خـوانـدن یک بانــک اطلاعــاتی طولانی

شناسایی کنند و سپس بر اساس آنها تصمیم گیری کنند.

هوش مصنوعی در صنعت موسیقی چگونه کار می کند؟

شما می توانید ملودی های موسیقی را  با استفاده از هوش مصنوعی تنـــظیـــم کنیـــد.در سال 2016 ، IBM

واتسون بیت را ایجاد کرد ، نرم افزاری که میلیــون هـــا آهـنـگ را آنــالیز کــرده و قـادر به تولید یک ملودی

مصنوعی است.این ایــده برای موسیقی دانانی طــراحی شــد که در ساختن موسیقی خـــود گیــــر کــرده اند یا 

هنگامی که می خواهند چیزهای مختلفی را امتحان کنند ، از واتــسون بیـــت به عنــوان راهنمـــا استفاده کنند.

موسیقی دانان می تواند از برنامه تم مورد نظر آهنگ خود را بخواهند و بـرنــامه حتـی می تواند پیشناهاد هایی

برای شعر  موسیقی هم به کاربر ارائه کند. البـتـه بـرنـامـه هــای دیـگری نیز وجود دارند که از هوش مصنوعی

استقاده می کنند.به عنوان مثال ، Jukedeck آهنـگ هـا را بـا تـوجـه بـه ژانـر ، سـازها ، مـدت زمان و سرعت

مورد نـظر کـاربـر ایـجـاد می کند.آنـها سپـس مـجوز استفاده را برای 0.99 دلار برای افراد یا 21.99 دلار برای

شرکتهای بـزرگ بـه فروش می رسانند. امروزه این شرکت بیش از 500،000 آهنگ ایجاد کرده است و توسط

شرکت های مختلفی مانند Coca-Cola یا Google مورد استفاـده قـرار مـی گـیـرد کـه در جستجوی موسیقی

پس زمینه برای تبلیغات خود هستند.

هوش مصنوعی نقاط پر خطر در حریق را شناسایی می کند

هوش مصنوعی نقاط پر خطر در حریق را شناسایی می کند

محققان استنفورد راهی برای ردیابی و پیش بینی مناطق خشک و نقاط پر خطر ، با استفاده از هوش مصنوعی

و یادگیری ماشین و تصـــاویر مـــاهواره ای پیـدا کرده اند . در حال حاضر نحوه آزمایش جنگل ها و گلخانه ها

برای حساسیت به آتش سوزی با جمع آوری دستــی شاخه هــا و شاخ و برگ و آزمایش میزان آب آنها است .

که دقیق و قابل اعتماد است ، اما بدیهی است که بسیار کار دشـــواری است . اما خوشبختانه بــا استفاده از 

هوش مصنوعی و الگوریتم های یادگیری ماشینی می توان بر این مشکل قلبه کرد.

چگونه هوش مصنوعی نقاط پر خطر را شناسایی می کند؟

مـــاهواره های Sentinel و Landsat آژانس فضــایی اروپــا یک مجموعه تصویری از سطح زمین راگــــردآوری

کرده اند که می تواننـد مـنـبـع ثـانویه ای بـــرای ارزیابی خطر آتش سوزی باشند . این اولین تلاش بـــرای ایجاد این

نـوع مـشـاهـدات از تصـاویر مـداری نیست ، اما تلاش های قبلی به اندازه گیری های بصری “بسیــار خــاص سایت”

وابسته بودند ، به این معنی که روش تجزیه و تحلیل بسته به مکان متفاوت بود. ایـن راهـکـار بـدون شـکاف است

امـا هـنـوز هـم مـقـیـاس کـردن آن سخـت است. پیشـرفتی کـه تیم اسـتـنـفـورد از آن بـهـره گـرفتـه ، مـاهـواره های

Sentinel “رادار دیـــافراگم مصنوعی” هستنـــد کـــه مـــی توانند پوشش جنگل را حذف  کرده و از سطح زیرین 

تصویر برداری کنند. این تیم این تصاویر جدید را که بطور منظم از سال 2016 جمع آوری شده اند ، به یــک مدل

یادگیری ماشین به همراه اندازه گیری دستی که توسط سرویس جنگل ایالات متحده انجام شده است ، تغذیه کردند.

آنها سپس عامل هوش مصنوعی حاصل را با آزمایـــش پیش بینی بر اساس داده های قدیمی که قبلاً جواب آنها را

می دانستند ، آزمایش کردند. و جواب به دست آمده دقیق بـــود ، اما بیشتر از همه در اسکراب ها ، یکی از رایج

ترین بیوم های غرب آمریکا و همچنین یکی از مستعدترین آتش سوزی هایی که در آمریکا وجود دارد.