برنامه نویسی مدرن، چگونگی ایجاد اشکالاتی (نه باگ‌ها) را که ممکن است پیش بیایند، پیش‌بینی کرده‌است که شامل حالت‌هایی مانند دریافت اطلاعات نادرست، نامناسب یا غلط می‌شود؛ همچنین کمبود منابعی مانند حافظه، سرویس‌های سیستم عامل یا اتصال به شبکه و سایر اشکالات مانند خطای کاربر یا اشکالات قطع برق نیز در این دسته قرار می‌گیرند.
- کاربرد پذیری ارگونومی یک برنامه: آسانی استفاده از برنامه برای شخصی که می‌خواهد از آن برای کار در نظر گرفته شده استفاده کند یا گاهی برای کارهای پیش‌بینی نشده آن را به کار برد. این مورد میتواند به تنهایی و علی‌رغم تمام موارد دیگر باعث موفقیت یا شکست شود. طیف وسیعی از عناصر متنی، تصویری و گاهی سخت‌افزاری وجود دارند که می‌توانند باعث ارتقای وضوح، درک، پیوستگی و کامل بودن واسط کاربری برنامه شوند.
- قابلیت حمل: طیف سخت‌افزارها و سیستم عامل‌هایی که کد منبع (سورس کد) برنامه را بتوان روی آنها با مترجم یا مفسر اجرا کرد. این قابلیت بستگی به تفاوت در تسهیلاتی دارد که سیستمهای مختلف از نظر منابع سخت‌افزاری و سیستم عامل‌ها برای برنامه‌نویسی ارائه می‌کنند. همچنین رفتار پیش‌بینی شده سخت‌افزارها و سیستمهای عامل و در دسترس بودن مترجم‌ها (و منابع کتابخانه‌ای) اختصاصی در آن سیستم‌ها برای کد منبع موجود نیز مهم است.
- نگهداشت پذیری: این که سازندگان و ارتقا دهندگان فعلی برنامه یا افراد دیگری در آن بتوانند به راحتی ارتقاها یا تغییراتی در برنامه انجام دهند تا خطاها و حفره‌های امنیتی را رفع کنند یا بتوانند آن را برای محیط جدیدی تطبیق دهند. در این مورد، تلاش مناسب اولیه در ایجاد برنامه نقش عمده‌ای بازی می‌کند. این خاصیت ممکن است تأثیر خیلی زیادی روی کاربر نهایی برنامه نداشته باشد ولی در بلند مدت برای سرنوشت یک برنامه خیلی مهم است.
- کارایی / عملکرد :اندازه‌گیری منابع سیستمی مورد نیاز برای یک برنامه (زمان پردازنده، فضای حافظه، وسایل کند مثل دیسک‌ها، پهنای باند شبکه و موارد دیگری مثل تعامل با کاربر): هر چقدر کمتر، بهتر. این خاصیت همچنین شامل مدیریت صحیح منابع مانند پاک کردن فایلهای موقت و از بین بردن نشتی‌های حافظه نیز می‌شود.
شبکهٔ رایانه‌ای[۱] (به انگلیسی: Computer network) (کوتاه: شبکه) به اتصال دو یا چند سیستم (مانند کامپیوتر، لپ‌تاپ، و…) با توانایی ارسال و دریافت داده گفته می‌شود. این انتقال داده‌ها میتواند با کابل چند رسانه‌ای، کابل نوری یا بیسیم انجام شود. همچنین می‌توانیم منابع داخل شبکه را در دسترس تمامی کاربران درون شبکه قرار دهیم.
شبکه رایانه‌ای باعث تسهیل ارتباط میان کاربران شده و اجازه می‌دهد تا کاربران منابع خود را به اشتراک بگذارند. منابعی مانند فایلهای داخل شبکه (شامل: اسناد متنی، عکس، فایل صوتی و تصویری و…) و همچنین پرینتر، اسکنر و دستگاه‌های مشابه که داخل شبکه استفاده می‌شوند.
انواع شبکه‌های رایانه‌ای از نظر وسعت:
WAN: شبکه محیط گسترده (Wide Area Network)
MAN: شبکه محیط کلان‌شهری (Metropolitan Area Network)
LAN: شبکه محیط محلی (Local Area Network)
PAN: شبکه محیط شخصی (Personal Area Network)
WLAN: شبکه محیط محلی بیسیم (Wireless Local Area Network)
CAN: شبکه محیط پردیس دانشگاه (Campus Area Network)
HAN: شبکه محیط خانه (Home Area Network)
SAN: شبکه محیط ذخیره‌سازی (Storage Area Network)
انواع شبکه‌های رایانه‌ای از نظر توپولوژی: ُStar – Bus – Ring – Mesh – Extended Star
انواع شبکه‌های رایانه‌ای از نظر نقش کاربر:
ُنظیر به نظیر: هم کاربر سرویس می‌دهد و هم سرویس می‌گیرد.
کلاینت سرور: سرور (سرویس دهنده) عمل سرویس دهی را انجام می‌دهد و کلاینت (مشتری) فقط سرویس می‌گیرد.
هوش مصنوعی (به انگلیسی: smart mind یا fake mind یا Artificial intelligence) (به اختصار: AI)، هوشی است که توسط ماشین‌ها ظهور پیدا می‌کند، در مقابل هوش طبیعی[الف] که توسط جانوران شامل انسان‌ها نمایش می‌یابد. اما پیش از هرچیز باید این موضوع را دانست که کلمه هوش، نشان دهنده امکان استدلال است و اینکه آیا هوش مصنوعی میتواند به توانایی استدلال دست یابد یا خیر، خود موضوع اختلاف محققان است. کتاب‌های AI پیشرو، این شاخه را به عنوان شاخه مطالعه بر روی «عوامل هوشمند» تعریف می‌کنند: هر سامانه‌ای که محیط خود را درک کرده و کنش‌هایی را انجام می‌دهد که شانسش را در دستیابی به اهدافش بیشینه می‌سازد.[ب] برخی از منابع شناخته شده از اصطلاح «هوش مصنوعی» جهت توصیف ماشینی استفاده می‌کنند که عملکردهای «شناختی» را از روی ذهن انسان‌ها تقلید می‌کنند، همچون «یادگیری» و «حل مسئله»، با این حال این تعریف توسط محققان اصلی در زمینه AI رد شده است.[پ]
کاربردهای AI شامل موتور جستجوهای پیشرفتهٔ وب (مثل گوگل)، سامانه توصیه‌گر (که توسط یوتیوب، آمازون و نتفلیکس استفاده شده‌اند)، فهم زبان انسان‌ها (همچون سیری، دستیار گوگل و الکسا)، خودروهای خودران (مثل تسلا)، تصمیم‌گیری خودکار و رقابت در بالاترین سطوح سامانه‌های بازی استراتژیک (همچون شطرنج و گو).[۲] با بیشتر شدن توانایی ماشین‌ها، وظایفی که نیازمند «هوشمندی» هستند اغلب از تعریف AI برداشته می‌شود، پدیده‌ای که به آن اثر هوش مصنوعی گفته می‌شود.[۳] به عنوان مثال، فهم نوری کاراکتر را اغلب از چیزهایی که AI در نظر گرفته می‌شوند مستثنی می‌کنند،[۴] چرا که این فناوری تبدیل به فناوری عادی و روزمره‌ای شده‌است.
شبکه‌ی عصبی یا شبکه عصبی مصنوعی به مجموعه‌ای از یاخته‌ها (سلول‌های عصبی، نورون) می‌گویند که در یک معماری ویژه‌ای برای حل مساله‌ای خاص به هم متصل شده‌اند[۱] و هر کدام محاسبات ساده‌ای به انجام می‌رسانند. فرایندی که درون شبکه‌ی عصبی مصنوعی دنبال می‌شود به این صورت است که نورونها با توجه به اتصال‌هایی که با دیگر نورونها دارند، داده‌هایی را دریافت می‌کنند و به دیگر نورون‌های متصل به خود می‌دهند. همچنین اتصال‌های موجود میان نورونها متغیر می‌باشند و این نوید قابلیت یادگیری در آن شبکه را به ما می‌دهد. هدف کلی شبکه‌های عصبی مصنوعی، انجام مسائل دسته‌بندی و رگرسیون می‌باشد. اما ممکن است در این بین با شبکه‌های عصبی مصنوعی مواجه شوید که وظیفه‌ی راندن خودرو، تحلیل گفتار و یا نوشتن موسیقی کلاسیک را بر عهده گرفته‌اند.
این ساختارهای پردازشی از کنار گذاشتن چند ساختار کوچک پردازشی (یاخته‌ها) پدید می‌آیند. هنگامی که از «شبکه» می‌گوییم، این برداشت را می‌سازیم که همه‌ی تکه‌های آن به هم راه دارند. ولی در شبکه‌های عصبی اینگونه نیست، و همواره یک روند «آغاز-به-پایان» دارد و گاهی هم در این راستای آغاز-به-پایان بخش‌های همراستا با هم کار می‌کنند. برای نمونه، در هر لایه، سلول‌های عصبی (یاخته‌های پردازشی) به یکدیگر کاری ندارند و گهگاه این یاخته‌ها در لایه‌های پی‌در‌پی نیز کاری به هم ندارند. از این رو، بهتر است نام این ساختمان‌ها «در فارسی» برپایه‌ی کارکرد آنها که تکه‌های پردازشگر کنار هم است، ساخته شود. می‌توان این ساختارهای پردازشی را «تارهای پردازشگر»، «رشته‌های پرداشگر»، «تورهای پردازشگر» نامید. اگر بخواهیم خواننده یا شنونده از همان آغاز دریابد که این ساختمان‌ها از ساختارهای زیستی برداشت شده‌اند می‌توان از «دسته پردازشگرهای یاخته‌سان» بهره برد.
در یک سامانه مخابراتی، شمار بسیاری شبکه مخابراتی متفاوتی وجود دارند که برخی از آنها بیشترین کاربرد را دارند
- رادیو و تلویزیون (Broadcasting)
- شبکه تلفنی
- سامانه سلولی
- شبکه‌های محلی (Local Area Networks)
- شبکه‌های جهانی (Wide Area Networks)
- سامانه‌های ماهواره ای ـ ماهواره امید
- بلوتوث
- تلویزیون دیجیتال Digital TV
- سامانه‌های رادیو نرم‌افزاری (Software Radio)
هرکدام از این شبکه‌های مخابراتی در شاخه‌ای از مخابرات جواب گو می‌باشند.
برای نمونه برای شبکه‌های جهانی Wide Area Networks (یا به صورت خلاصه WAN)، سامانه‌ها توسط فیبر نوری و خطوط ماهواره‌ای به یکدیگر متصل می‌شوند.
یا در شبکه‌های محلی تنها سامانه‌ها با به‌کارگیری کارت شبکه به یکدیگر متصل می‌شوند.
ارتباطات فضایی تبادل داده بین زمین و فضا یا بین 2 نقطه در فضا است. از آنجایی که ارتباطات فضایی مستلزم ارسال و دریافت پیام در فواصل بسیار دور است، از جمله از زمین به ماهواره ها در مدار زمین یا یک فضاپیما در اعماق فضا، مستلزم استفاده از فناوری های پیشرفته است. یک سیستم ارتباطی فضایی به استفاده از حداقل یک ایستگاه زمینی روی زمین (بخش زمینی) و حداقل یک فضاپیما (بخش فضایی) نیاز دارد. وظایف آنها دریافت سفارش از زمین (پیوند بالا)، ارسال داده به زمین (پیوند پایین) و ارسال یا دریافت اطلاعات از یک ماهواره دیگر (صلیب) است.از آنجایی که اتمسفر زمین در تمام طول موج‌ها شفاف نیست، بلکه فقط مطابق با امواج مرئی و رادیویی است و از آنجایی که این کاربرد به انتقال قابل اعتماد نیاز دارد، سیستمهای ارتباطی فضایی به طور خاص برای باندهای خاصی از طیف الکترومغناطیسی طراحی شده‌اند و به دو سیستم مختلف تقسیم می‌شوند: آزاد. فضای نوری (FSO) همچنین به عنوان ارتباطات لیزری (lasercom) و فرکانس رادیویی (“RF”) شناخته می شود. حتی اگر پیشرفتهای اخیر در FSO آن را به جایگزینی قانع‌کننده برای سیستمهای RF تبدیل کرده باشد، فرکانس رادیویی رایج‌ترین فناوری مورد استفاده در ارتباطات فضایی است. ارتباطات فضایی رادیویی نرخ داده کمتری را نسبت به ارتباطات لیزری فراهم می‌کند، اما طول موج‌های کوتاه‌تر FSO منجر به پهنای پرتو باریک‌تر می‌شود که نیاز به اشاره دقیق‌تر به سیستم ارتباطی لیزری دارد. سیستم های لیزری بیشتری نیز به دلیل رطوبت و ابر مستعد تضعیف هستند. برای هر دو سیستم، فواصل زیاد درگیر سیگنال‌ها را ضعیف می‌کند (باعث بدتر شدن داده‌ها می‌شود) و مشکلات تأخیر ایجاد می‌کند (با توجه به سرعت نور در حدود 300000 کیلومتر بر ثانیه، در نزدیک‌ترین فاصله به مریخ تاخیر زمانی حدود 4 دقیقه داده می‌شود. – اگر از مریخ یا به مریخ ارتباط برقرار می کنید، باید این مدت منتظر بمانید تا کنترل ماموریت پیام شما را دریافت کند).ارتباطات ماهواره ای، سنجش از دور، اکتشاف فضا، مدیریت بلایای طبیعی، ناوبری و پیش بینی آب و هوا تنها تعدادی از کاربردهای متعددی هستند که به ارتباطات فضایی وابسته هستند. ممکن است از آن برای ارسال دستورات و دریافت داده‌ها از یک ماهواره یا برای تعامل با فضانوردان در ایستگاه فضایی بین‌المللی و سایر مأموریت‌های انسانی استفاده کنیم.
رباتیک، شاخه‌ای میان مهندسی و علم است که شامل مهندسی مکانیک، مهندسی برق و علوم رایانه می‌شود. رباتیک شامل طراحی، ساخت، راه‌اندازی و کاربرد رباتها می‌شود. همچنین سامانه‌های رایانه‌ای، کنترل، بازخورد حسگرها و پردازش اطلاعات نیز در این گروه قرار می‌گیرند.
هدف
این فناوریها برای جایگزینی ماشین‌ها با انسان استفاده می‌شود. رباتها می‌توانند در هر موقعیت و برای هر منظوری به کار بروند ولی امروزه بسیاری از آنها در محیط‌های خطرناک، فرایندهای تولید یا مکانهایی که انسان قادر به حیات نیست، استفاده می‌شوند. رباتها می‌توانند به هر شکل و قیافه‌ای باشند ولی بعضی از آنها طراحی می‌شوند تا شبیه انسان به نظر برسند. تلاش می‌شود که رباتهای انسان نما بتوانند راه رفتن، حرف زدن، شناختن و مخصوصاً هر چیزی را که انسان میتواند انجام دهد، تقلید کنند.
ایده ایجاد ماشین‌هایی که بتوانند به شکل خودکار کار کنند، به دوران قدیم بازمی گردد ولی تحقیق اساسی در مورد استفاده از رباتها تا قرن بیستم انجام نشده بود. امروزه رباتیک یک حوزه از علم با رشد سریع است، هم‌زمان با ادامه پیشرفتهای تکنولوژی، تحقیق، طراحی و ساخت رباتهای جدید در خدمت اهداف عملی متعددی در حوزه‌های خانگی، صنعتی و نظامی انجام می‌گیرد.
ریشه‌شناسی
کلمه ربات برای اولین بار توسط نویسنده‌ای از اهالی چکسلواکی به نام کارل چاپک و در نمایشنامه‌ای به اسم کارخانه ربات‌سازی روسوم در سال ۱۹۲۰ معرفی شد. کلمه روبات از واژه اسلاوی “روبوتا” به دست آمده‌است که در اصل به معنی کارگر به کار می‌رود. نمایشنامه در مورد یک کارخانه است که آدم‌های مصنوعی به نام رباتها تولید می‌کند؛ موجوداتی که می‌توانند با انسان‌ها اشتباه گرفته شوند و این بسیار مشابه ایده‌های مدرن امروزی در مورد انسان نماها است. کارل چاپک این کلمه را متعلق به خودش نمی‌داند، وی یک نامه کوتاه به قسمت ریشه‌شناسی لغات در فرهنگ انگلیسی آکسفورد نوشته‌است که در آن برادرش جوزف چاپک را به عنوان ابداع‌کننده اصلی این کلمه نام برده‌است.
مطابق فرهنگ انگلیسی آکسفورد، کلمه رباتیک اولین بار در نوشته‌ای توسط آیزاک آسیموف، در قسمتی از یک داستان کوتاه علمی تخیلی به نام «دروغگو» به کار برده شد. این داستان اولین بار در مجله علمی تخیلی استوندینگ چاپ شد. در آن هنگام آسیموف خودش نمی‌دانست که این کلمه به نام او ثبت خواهد شد؛ وی فکر می‌کرد همان گونه که علم و تکنولوژی مربوط به وسایل الکترونیکی را الکترونیک می‌نامند، پس رباتیک به علم و تکنولوژی مربوط به رباتها اشاره خواهد داشت. آسیموف در بعضی از آثارش خاطر نشان می‌کند که اولین کاربرد کلمه رباتیک در داستان کوتاه او به نام «سرگردانی» (مجله علمی تخیلی استوندینگ، مارس ۱۹۴۲) بوده‌است.
جوزف انگل‌برگر (Joseph Engelberger) را به علت اینکه اولین شرکت رباتیک دنیا را در سال ۱۹۵۶ تأسیس کرد، پدر علم رباتیک لقب داده‌اند. او با همکاری جرج دوول، اولین ربات صنعتی آمریکا را اختراع کرد.
نوروروباتیک (Neurorobotics)، علم و فناوری مربوط به سیستمهای عصبی خودکار تجسم یافته‌است که یک مطالعه ترکیبی از علوم اعصاب، روباتیک و هوش مصنوعی می‌باشد. سیستمهای عصبی شامل الگوریتم‌های تأثیر گرفته از مغز (به عنوان مثال شبکه‌های اتصال دهنده)، مدل‌های محاسباتی مربوط به شبکه‌های عصبی بیولوژیکی (به عنوان مثال شبکه‌های عصبی اسپایکی و شبیه‌سازی میکرومدارهای عصبی در مقیاس بزرگ) و سیستمهای بیولوژیکی حقیقی (مانند شبکه‌های عصبی داخل و خارج بدن) هستند. چنین سیستمهای عصبی را می‌توان در ماشین‌هایی با عملکرد مکانیکی یا هر شکل دیگری از تحریک فیزیکی مجسم کرد. این ماشین‌ها شامل روبات‌ها، سیستمهای پروتزی یا سیستمهای پوشیدنی (wearable systems)، میکرو ماشین‌ها در مقیاس کوچکتر و تجهیزات و دستگاه‌ها در مقیاس بزرگتر می‌باشد. نوروروباتیک شاخه ای از علوم اعصاب (نوروساینس) ترکیب شده با روباتیک است، که به مطالعه و کاربرد علم و فناوری مربوط به سیستمهای عصبی خودکار تجسم یافته، مانند الگوریتم‌های الهام گرفته از مغز می‌پردازد. ایده اصلی نوروروباتیک آن است که یک مغز برای روبات در نظر گرفته می‌شود و جسم فیزیکی آن برای انجام عمل در محیط قرار می‌گیرد؛ بنابراین، بسیاری از نوروروبات‌ها موظفند بر خلاف یک محیط شبیه‌سازی شده، در دنیای واقعی عمل کنند.
مقدمه
نوروروباتیک بیانگر یک رویکرد دو طرفه از مطالعه هوش است. علوم اعصاب تلاش می‌کند با بررسی سیستمهای هوشمند بیولوژیکی، چگونگی عملکرد و اجزای هوش را تعیین کند، در حالی که مطالعه هوش مصنوعی تلاش می‌کند تا با استفاده از روشهای غیر بیولوژیکی یا ابزارهای مصنوعی، هوش را دوباره به وجود بیاورد. نوروروباتیک هردو زمینه مطالعاتی فوق را در بر می‌گیرد، که در آن تئوری‌های بر گرفته شده از سیستمهای بیولوژیکی در یک محیطی که بر اساس مدل ارائه شده ایجاد شده‌است، آزمایش می‌شوند. موفقیت‌ها و شکست‌های آزمایش یک نوروروبات و مدلی که از آن ساخته شده‌است میتواند شواهدی را برای رد یا پشتیبانی از آن تئوری فراهم کند و بینشی برای مطالعه آینده باشد.
مهندسی نورومورفیک (neuromorphic) یا به اختصار نورومورفیک که «محاسبات عصبی» نیز نامیده می‌شود، مفهومی است که در اواخر دهه ۱۹۸۰ توسط کارور مید (Carver Mead) توسعه یافته و به معنی استفاده از سیستمهای مجتمع سازی در مقیاس بسیار بزرگ (VLSI) حاوی مدارهای آنالوگ الکترونیکی، برای تقلید (شبیه‌سازی) معماری عصبی و بیولوژیکی موجود در سیستم عصبی است.
در حال حاضر، اصطلاح نورومورفیک برای توصیف سیستمهای آنالوگ، دیجیتال، سیستمهای مختلط آنالوگ / دیجیتال و نرم‌افزارهایی که سیستمهای عصبی را مدل‌سازی می‌کنند، به کار می‌رود. اجرای محاسبات عصبی در سطح سخت‌افزار را می‌توان با ممریستورهای مبتنی بر اکسید (oxide-based memristors)، ممریستورهای اسپینترونیک (spintronic memories)، سوئیچ‌های آستانه‌ای (threshold switches) و ترانزیستورها، تحقق بخشید.
جنبه اصلی مهندسی نورومورفیک درک چگونگی مورفولوژی نورون‌های ویژه، مدارها، برنامه‌ها و معماری‌های همه‌جانبه محاسبات مدنظر را ایجاد می‌کند، بر نحوه ارائه اطلاعات و بر استحکام در برابر آسیب‌ها تأثیر می‌گذارد، یادگیری و توسعه را ترکیب می‌کند، سازگاری با تغییرات محلی (انعطاف‌پذیری)، و تغییر تکاملی را آسان می‌کند.
مهندسی نورومورفیک مبحثی میان رشته‌ای است که از زیست‌شناسی، فیزیک، ریاضیات، علوم کامپیوتر و مهندسی الکترونیک ایده می‌گیرد تا سیستمهای عصبی مصنوعی مانند سیستمهای بینایی، سیستمهای سر-چشم، پردازنده‌های شنوایی و روبات‌های خودمختار را طراحی کند که معماری فیزیکی و اصول طراحی آن مبتنی بر اصول سیستم عصبی بیولوژیکی است.
مثال‌ها:
در اوایل سال ۲۰۰۶، محققان در جورجیا تکنولوژی یک میدان برنامه پذیر آرایه عصبی را منتشر کردند.
ایده‌گیری از مغز
مهندسی نورومورفیک به دلیل ایده‌هایی که از دانش‌مان در مورد ساختار و عملکرد مغز می‌گیرد، برجسته می‌شود. مهندسی نورومورفیک آنچه را که در مورد عملکرد مغز می‌دانیم به سیستمهای کامپیوتری ترجمه می‌کند. کار در این زمینه بیشتر بر روی تکرار ماهیت آنالوگ محاسبات زیستی و نقش نورونها در شناخت متمرکز شده‌است.
فرایند زیستی نورونها و سیناپس‌های آنها بسیار پیچیده‌اند، و در نتیجه شبیه‌سازی مصنوعی آنها بسیار مشکل است. یک ویژگی کلیدی مغزهای زیستی این است که تمام پردازش‌ها در نورونها از سیگنال‌های شیمیایی آنالوگ استفاده می‌کنند. این امر ساختن مغز در کامپیوتر را دشوار می‌سازد چرا که نسل فعلی کامپیوترها کاملاً دیجیتال هستند. با این‌حال، ویژگی‌های این بخش‌ها را می‌توان به توابع ریاضی که تقریباً جوهرهٔ عملیات نورون را دریافت می‌کنند، خلاصه کرد.
هدف محاسبات نوروموفیک این نیست که تمام و کمال از مغز و تمام عملکردهای آن تقلید کند، بلکه هدف آن این است که آنچه در مورد ساختار و عملکرد مغز می‌دانیم را استخراج کند تا از آن در سیستمهای کامپیوتری کاربردی استفاده شود. هیچ سیستم نوروموفیکی ادعا یا تلاش نخواهد کرد که تمام عناصر نورونها و سیناپس‌ها را شبیه‌سازی کند، اما همه آنها به این ایده پایبندند که محاسبات در یک سری عناصر محاسباتی کوچک، شبیه به یک نورون، توزیع شوند.
مغز مصنوعی
مغز مصنوعی (یا ذهن مصنوعی) یک نرم‌افزار یا سخت‌افزار همراه با توانایی‌های شناختی شبیه به مغز حیوان یا انسان است.
تحقیقات در زمینه «مغز مصنوعی» و شبیه‌سازی مغز سه نقش مهم در علم دارد:
- شناخت علوم اعصاب، تلاش متخصصین اعصاب برای فهمیدن طریقهٔ کار کردن مغز انسان است.
- طبق تجربهٔ فلسفهٔ هوش مصنوعی، ایجاد یک ماشین که توانایی‌های انسان را داشته باشد، وجود دارد.
- یک پروژه بلند مدت برای ایجاد ماشین‌های نمایش رفتار مشابه با حیوانات با سیستم عصبی پیچیده مرکزی مانند پستانداران و به ویژه انسان است. هدف نهایی ایجاد یک دستگاه نشانگر رفتار یا همانند هوش انسان هوش عمومی مصنوعی قوی نامیده می‌شود.
یک مثال از مورد اول این است که محققان در دانشگاه استون بیرمنگام انگلستان با استفاده از سلول‌های بیولوژیک و ایجاد خوشه‌های عصبی به درمان‌های جدیدی نورون حرکتی آلزایمر، و بیماری پارکینسونراه یافتند.
اتاق چینی جان سرل، انتقاد هیبرت دریفوس از AI یا بحث راجر پنروه در ذهن جدید امپراتور است. این منتقدان ادعا می‌کنند ماشین‌ها نمی‌توانند آگاهی‌ها و دانش‌های انسان را شبیه‌سازی کنند. یک پاسخ به استدلال‌های آنها این است که فرایندهای بیولوژیکی داخل مغز میتواند به هر درجه دقت شبیه‌سازی شود. این پاسخ در اوایل سال ۱۹۵۰ توسط آلن تورینگ در مقاله کلاسیک «ماشین محاسبات و اطلاعات» ساخته شده‌است.
محققان مورد سوم را به‌طور کلی به عنوان هوش عمومی مصنوعی می‌شناسند. با این حال، ری کورزوییل اصطلاح “قوی AI” را ترجیح می‌دهد. در کتاب خود The Singularity is Near، او با استفاده از کامپیوترهای معمولی به عنوان وسیله برای پیاده‌سازی مغزهای مصنوعی (هوش مصنوعی) بر روی شبیه‌سازی کل مغز تمرکز کرده‌است و ادعا می‌کند که اگر به این ترتیب که قدرت کامپیوتر با روند رشد انبساطی ادامه میابد، شبیه‌سازی مغز انسان روی کامپیوتر تا ۲۰۲۵ میتواند انجام شود. هنری مارکرام، مدیر پروژه “مغز آبی “ (که در حال تلاش برای شبیه‌سازی مغز است)، ادعای مشابهی در سال ۲۰۲۰ در کنفرانس TED آکسفورد در سال ۲۰۰۹ مطرح کرد.