نظریه‌پرداز تصمیم‌گیری که هوش مصنوعی را بنیان‌گذاری کرد: چگونه ماشین تفکر کریسمس هربرت سایمون همه چیز را تغییر داد

ژانویه 1956. موسسه فناوری کارنگی. یک استاد 39 ساله — که به عنوان یک دانشمند سیاسی آموزش دیده و در میان اقتصاددانان به خاطر این که هیچ‌کس چیزی را بهینه نمی‌کند، مشهور است — کلاس مدل‌سازی ریاضی خود را با جمله‌ای آغاز می‌کند که نباید حقیقت داشته باشد: در کریسمس، من و ال نیول یک ماشین تفکر اختراع کردیم.

این ماشین به سختی به عنوان یک ماشین وجود داشت. در تعطیلات، سایمون، آلن نیول و برنامه‌نویس کلیف شاو، منطق‌نگر را طراحی کردند و قبل از اینکه هرگز بر روی یک کامپیوتر اجرا شود، آن را به‌صورت دستی شبیه‌سازی کردند: زیرروال‌های برنامه بر روی کارت‌های شاخص ۳×۵ نوشته شده بود، که به خانواده و دانش‌آموزان سایمون داده شد و هر انسان قوانین یک مؤلفه را اجرا می‌کرد. یک ماشین تفکر، که ابتدا بر روی انسان‌ها اجرا شد. تا آن تابستان، بر روی سخت‌افزار اجرا شد و در کارگاه دارتموث ارائه شد — جلسه‌ای که به هوش مصنوعی نام داد.

این داستان معمولاً در تاریخ محاسبات ثبت می‌شود. این داستان به علم تصمیم‌گیری نیز تعلق دارد — زیرا نظریه‌پرداز منطق یک ماشین حساب سریع‌تر نبود. این نظریه سیمون درباره رشد عقل محدود بود که در کد پیاده‌سازی شده بود: اگر هوش انسانی از طریق میانبرها و جستجوی انتخابی به جای محاسبات جامع کار می‌کند، پس یک ماشین که از میانبرها و جستجوی انتخابی استفاده می‌کند نیز می‌تواند هوشمند باشد. هر چیزی که سیمون در هوش مصنوعی ساخت از آن یک حرکت ناشی می‌شود.

رزومه‌ای که نباید وجود داشته باشد

هربرت الکساندر سایمون (۱۹۱۶–۲۰۰۱) دکترای خود را در علوم سیاسی (شیکاگو، ۱۹۴۳) گرفت، کتاب رفتار اداری (۱۹۴۷) را درباره چگونگی تصمیم‌گیری واقعی سازمان‌ها نوشت و پنج دهه در دانشگاه کارنگی ملون به تحقیق در زمینه‌های اقتصاد، روان‌شناسی، علوم کامپیوتر و فلسفه علم پرداخت. جوایز نشان‌دهنده دامنه فعالیت‌های او هستند: جایزه تورینگ ACM ۱۹۷۵ به همراه آلن نیول، برای مشارکت‌های بنیادی در هوش مصنوعی و روان‌شناسی شناخت انسانی؛ جایزه یادبود نوبل در اقتصاد ۱۹۷۸، برای تحقیقات پیشگامانه در زمینه تصمیم‌گیری در سازمان‌های اقتصادی؛ مدال ملی علوم ایالات متحده ۱۹۸۶. او یکی از معدود افرادی است که هر دو جایزه تورینگ و نوبل را دریافت کرده است — برای آنچه او بر آن تأکید داشت که یک برنامه تحقیقاتی واحد بود.

آن برنامه: درک هوش به گونه‌ای که واقعاً عمل می‌کند — در افراد، در سازمان‌ها، در ماشین‌ها — تحت محدودیت‌های واقعی اطلاعات، محاسبات و زمان. نیمه نظریه انسان اقتصادی کاملاً منطقی را بازنشسته کرد. نیمه مهندسی سؤال واضح بعدی را مطرح کرد: اگر هوش جستجوی محدود است، آیا می‌توانیم آن را بسازیم؟

منطق‌دان: اثبات با میانبر

منطق‌پژوه به تئorem‌های Principia Mathematica وایت‌هد و راسل — بنای اوایل قرن منطق رسمی — حمله کرد و ۳۸ مورد از ۵۲ مورد اول را در فصل دوم اثبات کرد. روش پیام بود: به جای اینکه از هر استنتاج به‌طور خستگی‌ناپذیر عبور کند (نیروی خامی که سخت‌افزار آن دوران نمی‌توانست تحمل کند)، از روش‌های اکتشافی برای انتخاب مسیرهای امیدوارکننده استفاده کرد، از اهداف به عقب کار کرد و زمانی که یک اثبات معتبر داشت متوقف شد نه بهترین آن. جستجوی اکتشافی و رضایت‌بخشی — علم تصمیم‌گیری سایمون، با سرعت ماشین.

برای قضیه ۲.۸۵، اثباتی زیباتر از نسخه اصلی پیدا شد. برتراند راسل، که در آن زمان در دهه هشتاد زندگی‌اش بود، با خوشحالی به نامه سیمون در مورد آن پاسخ داد. نشریه منطق نمادین سخت‌تر از آن بود که مجذوب شود: این نشریه از انتشار نتیجه خودداری کرد و یک اثبات جدید از یک قضیه ابتدایی را شایسته انتشار ندانست — ظاهراً بدون اینکه به این نکته توجه کند که یکی از نویسندگان یک برنامه کامپیوتری بود.

مسئله حل‌کننده عمومی: استراتژی بدون موضوع

برنامه جانشین در دقیقاً همان جهتی که از نویسنده رفتار اداری انتظار می‌رفت، بلندپروازانه‌تر بود. حل‌کننده عمومی مشکل — نسخه اول در سال 1957 اجرا شد و گزارش آن در سال 1959 توسط نیول، شاو و سایمون منتشر شد — تحلیل وسیله-هدف را معرفی کرد: اندازه‌گیری تفاوت بین وضعیت کنونی و وضعیت هدف، پیدا کردن یک عمل‌گر که آن تفاوت را کاهش دهد، اعمال آن، و تکرار. ناوبری از طریق بستن فاصله.

نوآوری واقعی GPS در زمینه معماری بود: این سیستم استراتژی حل مسئله را از محتوای مسئله جدا کرد. همان موتور می‌توانست به معماها، اثبات‌ها یا برنامه‌ها حمله کند، به شرطی که توصیفی از حالات و عملگرها ارائه شود. این جداسازی — روش کلی، دامنه قابل اتصال — به یک اصل طراحی بنیادی در هوش مصنوعی تبدیل شد و تحلیل اهداف و وسایل هنوز هم در سیستم‌های برنامه‌ریزی مدرن قابل شناسایی است.

ادعای بزرگ: نمادها و جستجو

در سخنرانی جایزه تورینگ خود در سال ۱۹۷۶، با عنوان «علوم کامپیوتر به عنوان یک تحقیق تجربی»، نیول و سایمون دو دهه کار را به مشهورترین فرضیه این حوزه تقطیر کردند: یک سیستم نماد فیزیکی دارای وسایل لازم و کافی برای عمل هوشمندانه عمومی است. ذهن‌ها نمادها را دستکاری می‌کنند؛ کامپیوترها نمادها را دستکاری می‌کنند؛ بنابراین، اگر به درستی برنامه‌ریزی شوند، کامپیوترها می‌توانند به طور هوشمندانه عمل کنند — و هیچ چیز فراتر از دستکاری نمادها لازم نیست. این منشور آنچه اکنون به آن هوش مصنوعی نمادین یا GOFAI گفته می‌شود، شد.

آنها همچنین پیش‌بینی‌هایی با تاریخ‌هایی بر روی آن‌ها انجام دادند و تاریخ‌ها اشتباه بودند. در مقاله تحقیقات عملیاتی خود در سال 1958، سایمون و نیول پیش‌بینی کردند که در عرض ده سال یک کامپیوتر دیجیتال قهرمان شطرنج جهان خواهد بود، مگر اینکه قوانین مانع رقابت آن شوند. قهرمان جهان در سال 1997 به یک کامپیوتر باخت — 39 سال پس از پیش‌بینی، نه ده سال. شایان ذکر است که این اشتباه چه نوعی بود: مکانیزم (جستجوی هوریستیک در فضایی که هیچ ماشینی نمی‌توانست آن را تمام کند) کاملاً درست بود؛ زمان‌بندی یک نسل عقب بود. هر دو واقعیت باید در سوابق ثبت شوند.

آیا یادگیری عمیق سیمون را اشتباه ثابت نکرد؟

اینجا اعتراضی است که یک خواننده در سال ۲۰۲۶ با آن مواجه می‌شود: هوش مصنوعی مدرن نمادین نیست. شبکه‌های عصبی الگوها را از داده‌ها یاد می‌گیرند؛ هیچ‌کس به‌صورت دستی اصول کلی را نمی‌نویسد؛ و مقاله تأثیرگذار ریچارد ساتن در سال ۲۰۱۹ با عنوان "درس تلخ" مانند حکمی علیه کل رویکرد سایمون به نظر می‌رسد — هفتاد سال تاریخ هوش مصنوعی نشان می‌دهد که روش‌های عمومی که با محاسبات مقیاس‌پذیر هستند، بر سیستم‌های ساخته‌شده بر اساس دانش حوزه‌ای که به‌دست انسان ایجاد شده، برتری دارند.

اعتراض به‌طور جزئی وارد می‌شود. ادعای نمادین قوی زنده نماند: مشخص شد که نمادها کافی نیستند و برنامه‌های دانش ساخته‌شده به‌دست انسان در دهه‌های 1970 و 1980 دقیقاً همان‌طور که ساتن توصیف می‌کند، به ثبات رسیدند. یک گزارش صادقانه از سایمون به‌وضوح این را می‌گوید. اما نتیجه‌گیری خود «درس تلخ» را بخوانید: دو خانواده روش که مقیاس‌پذیر هستند جستجو و یادگیری هستند. جستجوی هوریستیک، سهم سایمون و نیول به این حوزه است که امروز از جستجوی درخت بازی تا حلقه‌های استدلال عمدی سیستم‌های هوش مصنوعی کنونی زنده است. و آنچه شبکه‌های عمیق انجام می‌دهند — شناسایی الگوهای انباشته‌شده از تجربه‌های عظیم — به‌طرز عجیبی نزدیک به تعریف سایمون از تخصص است. یادگیری تقویتی، که بنیان‌گذاران آن اندرو بارتو و ریچارد ساتن جایزه تورینگ 2024 را دریافت کردند (که در مارس 2025 اعلام شد)، جستجوی انتخابی آزمایش و خطا تحت محدودیت‌های محاسباتی است — یک برنامه تحقیقاتی که سایمون آن را به‌عنوان خویشاوند شناسایی می‌کرد.

بنابراین، نمره‌نامه تقسیم شده است و این تقسیم آموزنده است: معماری که او روی آن شرط بسته بود، باخت؛ نظریه هوش زیر آن برنده شد. ماشین‌ها با محاسبات جامع هوشمند نشدند. آنها با جستجوی محدود، مبتنی بر هوریستیک و شناسایی-driven هوشمند شدند — که ادعایی است که سایمون بر روی آن حرفه‌اش را بنا نهاد. کارهای اخیر حلقه را از سمت دیگر می‌بندند: مطالعات 2025 نشان می‌دهند که مدل‌های زبانی بزرگ خود دارای عقلانیت محدود هستند و به شیوه‌های انسانی از بهینگی نظریه بازی‌ها انحراف دارند، در حالی که رضایت‌بخشی به عنوان محدودیت‌های سطح آرزو در هم‌راستایی مدل مهندسی شده است.

اثر انگشت سایمون بر هوش مصنوعی مدرن

خط زمانی: زندگی یک چنددانشی

چه چیزی را از سایمون به دهه هوش مصنوعی ببریم

چهار اصل کاری برای هر کسی که با ماشین‌های محدود کار می‌کند یا در کنار آن‌ها تصمیم‌گیری می‌کند:

جایی که Argumentree جا می‌گیرد

سایمون هوش انسانی و ماشین را به عنوان یک موضوع واحد در نظر گرفت: عامل‌های محدود که تحت محدودیت‌ها جستجو می‌کنند. Argumentree بر اساس همین پیش‌فرض ساخته شده است. استدلال‌های انسانی و استدلال‌های استخراج‌شده توسط هوش مصنوعی در یک ساختار قابل بررسی — درخت — قرار می‌گیرند، جایی که استدلال قابل مشاهده است، امتیازدهی توجه محدود را به قوی‌ترین نقاط هدایت می‌کند و سوابق به عنوان حافظه سازمانی باقی می‌مانند.

برای تیم‌هایی که استفاده از هوش مصنوعی آن‌ها باید قابل حسابرسی باشد، محصول خواهر AIAgentree همان ایده را به خود استدلال ماشین گسترش می‌دهد — ردیابی اینکه یک سیستم هوش مصنوعی چگونه به نتیجه‌گیری خود رسیده است، در ساختاری که سایمون درخواست می‌کرد تا ببیند.

شرط طولانی

ساعت شطرنج سایمون چهار بار به پایان رسید، معماری نمادین از بین رفت و میدانی که او بنیان‌گذار آن بود اکنون با روش‌هایی که او ایجاد نکرده است، اداره می‌شود. اگر به عنوان پیشگویی قضاوت شود، سابقه‌ای مختلط دارد. اگر به عنوان علم قضاوت شود، چیزی نادرتر: ادعای اصلی — اینکه هوش، هر جا که رخ دهد، جستجوی محدود شده‌ای است که توسط شناسایی هدایت می‌شود — از هر معماری که برای آزمایش آن استفاده شده، از جمله خود او، فراتر رفته است.

به همین دلیل است که جمله کلاس درس هنوز هفتاد سال بعد تأثیرگذار است. او در حال اعلام یک دستگاه نبود. او اعلام می‌کرد که تفکر به یک موضوع مهندسی تبدیل شده است — برای ذهن‌ها، برای سازمان‌ها و اکنون برای ماشین‌ها.