از یادگیری تا هوشمندی: بررسی سازوکارهای یادگیری در سامانه های هوش مصنوعی

چکیدههدف از این مقاله مروری، واکاوی عمیق و جامع مسیر تکامل سامانه های هوش مصنوعی از الگوهای ساده یادگیری ماشین تا معماری های پیچیده شناختی و رسیدن به آستانه هوشمندی عمومی است. در دهه های اخیر، سازوکارهای یادگیری در ماشین ها با گذر از الگوریتم های خطی و قانون محور، به سمت مدل های پویای مبتنی بر شبکه های عصبی عمیق، یادگیری تقویتی و مدل های زبانی بزرگ تکامل یافته اند. این پژوهش با بررسی سیستماتیک ادبیات موجود، نشان می دهد که چگونه مفاهیمی چون استخراج ویژگی، بهینه سازی توابع هزینه و یادگیری بازنمایی، پایه های ادراک ماشینی را شکل داده اند. چالش های اساسی نظیر نیاز به داده های عظیم، عدم قطعیت، شفافیت مدل ها (جعبه سیاه) و تعمیم پذیری در محیط های ناشناخته، همچنان به عنوان موانع اصلی در مسیر گذار از هوش مصنوعی محدود (ANI) به هوش مصنوعی عمومی (AGI) شناخته می شوند. نتایج این بررسی نشان می دهد که همگرایی میان یادگیری تقویتی عمیق، یادگیری خودنظارتی و معماری های الهام گرفته از علوم شناختی، محتمل ترین مسیر برای دستیابی به سامانه هایی است که نه تنها قادر به تشخیص الگوها هستند، بلکه می توانند به درک علی و استدلال انتزاعی دست یابند.کلیدواژه ها: هوش مصنوعی، یادگیری ماشین، یادگیری عمیق، هوش مصنوعی عمومی، سازوکارهای شناختی، شبکه های عصبی.