Principles of Noology: Toward a Theory and Science of Intelligence

ایده این کتاباین است کهیک رشته علمی جدید به نام "نوولوژی" را ایجاد کند، که بر اساس آن مجموعه ای از اصول بنیادی برای توصیف هر دوی موارد طبیعی پیشنهاد شده است. و سیستم های هوشمند مصنوعی

روش پذیرفته شده در اصول نوولوژی برای توصیف سیستم های هوشمند، یا "سیستم های نوولوژیکی"، یک روش محاسباتی است، بسیار شبیه به روش هوش مصنوعی. بسیاری از دستگاه‌های هوش مصنوعی مانند نمایش‌های منطق محمول، مکانیسم‌های جستجو، اکتشافات و مکانیسم‌های یادگیری محاسباتی استفاده می‌شوند، اما آنها در یک چارچوب کاملاً جدید برای توصیف سیستم‌های نوولوژیکی بازسازی می‌شوند. رویکرد محاسباتی در این کتاب درک کمی و با وضوح بالا از فرآیندهای نوولوژیکی ارائه می‌کند و در عین حال اصول و روش‌های فرموله‌شده مستقیماً در سیستم‌های هوش مصنوعی قابل پیاده‌سازی هستند.

بر خلاف هوش مصنوعی سنتی که انگیزشی و انگیزشی را نادیده می‌گیرد. فرآیندهای عاطفی، تحت پارادایم نوولوژی، فرآیندهای انگیزشی و عاطفی در عملکرد سیستم‌های نوولوژیکی مرکزی هستند و نقش آن‌ها در فرآیندهای نوولوژیکی در شرایط محاسباتی دقیق روشن می‌شود. علاوه بر این، تعدادی از مکانیسم‌های نمایشی و یادگیری جدید پیشنهاد شده‌اند و مثال‌ها و شبیه‌سازی‌های کامپیوتری فراوانی برای نشان دادن کاربردهای آن‌ها ارائه شده‌اند. اینها عبارتند از یادگیری علّی مؤثر سریع (مکانیزم یادگیری جدید که به یک سیستم هوش مصنوعی/نوولوژیک اجازه می دهد تا علیت را با تعداد کمی از نمونه های آموزشی یاد بگیرد)، یادگیری اسکریپت هایی که تکه تکه شدن دانش و حل سریع مسئله را امکان پذیر می کند، و یادگیری اکتشافی که مشکل را بیشتر تسریع می کند. حل کردن زمینه سازی معنایی به یک سیستم هوش مصنوعی/نوولوژیک اجازه می دهد تا معنای دانشی را که رمزگذاری می کند، «واقعاً درک کند». این موضوع به طور گسترده مورد بررسی قرار گرفته است.

این کتاب بسیار آموزنده ای است که بینش های بدیع و عمیقی را در مورد سیستم های هوشمند ارائه می دهد که به ویژه برای محققان و دانشجویان هوش مصنوعی و علوم شناختی مرتبط است.

The idea of this bookis toestablish a new scientific discipline, “noology,” under which a set of fundamental principles are proposed for the characterization of both naturally occurring and artificial intelligent systems.

The methodology adopted in Principles of Noology for the characterization of intelligent systems, or “noological systems,” is a computational one, much like that of AI. Many AI devices such as predicate logic representations, search mechanisms, heuristics, and computational learning mechanisms are employed but they are recast in a totally new framework for the characterization of noological systems. The computational approach in this book provides a quantitative and high resolution understanding of noological processes, and at the same time the principles and methodologies formulated are directly implementable in AI systems.

In contrast to traditional AI that ignores motivational and affective processes, under the paradigm of noology, motivational and affective processes are central to the functioning of noological systems and their roles in noological processes are elucidated in detailed computational terms. In addition, a number of novel representational and learning mechanisms are proposed, and ample examples and computer simulations are provided to show their applications. These include rapid effective causal learning (a novel learning mechanism that allows an AI/noological system to learn causality with a small number of training instances), learning of scripts that enables knowledge chunking and rapid problem solving, and learning of heuristics that further accelerates problem solving. Semantic grounding allows an AI/noological system to “truly understand” the meaning of the knowledge it encodes. This issue is extensively explored.

This is a highly informative book providing novel and deep insights into intelligent systems which is particularly relevant to both researchers and students of AI and the cognitive sciences.