Figures d'acció - Comic, Exèrcit, Esports i més impressionant selecció de tot tipus de figures d'acció. Anime, Còmic, Dissenyador, Militar, Esports, Transformadors, TV i pel lícules, Star Wars, Super Mario, i més!

Robot Heroes Joc

Intel.ligència artificial

La intel ligència artificial (IA) és la intel ligència de les màquines i la branca de la informàtica que té per objecte crear. Els llibres de text definir el camp com "l'estudi i disseny d'agents intel ligents", on un agent intel ligent és un sistema que percep el seu entorn i realitza accions que maximitzen les seves possibilitats d'èxit. John McCarthy, que va encunyar el terme el 1956, el defineix com "la ciència i l'enginyeria de fer màquines intel ligents".

El camp es basa en l'afirmació que una central de la propietat dels éssers humans, la intel ligència-la sapiència de l'Homo sapiens-pot ser tan precisament descrits que pot ser simulat per una màquina. Això planteja qüestions filosòfiques sobre la naturalesa de la ment i els límits de l'arrogància científica, les qüestions que s'han abordat pel mite, la ficció i la filosofia des de l'antiguitat. La intel ligència artificial ha estat objecte d'optimisme impressionant, ha patit revessos espectaculars i, avui, s'ha convertit en una part essencial de la indústria de la tecnologia, proporcionant el treball pesat per a molts dels problemes més difícils de la informàtica.

la recerca en IA és altament tècnic i especialitzat, profundament dividit en subcamps que moltes vegades no es comuniquen entre si. Subcamps han crescut al voltant de institucions particulars, el treball dels investigadors individuals, la solució de problemes específics, les diferències de llarga data d'opinió sobre com la IA s'ha de fer i l'aplicació d'eines molt diferents. Els problemes centrals de la IA inclou característiques com ara el raonament, el coneixement, la planificació, l'aprenentatge, la comunicació, la percepció i la capacitat de moure's i manipular objectes. La intel.ligència general (o "IA forta") segueix sent un objectiu a llarg termini de (alguns de recerca).

Història

Pensant en les màquines i els éssers artificials apareixen en els mites grecs, com Talos de Creta, els robots d'or de Hefest i Galatea de Pigmalió. Humans semblances creu que la intel ligència es van construir en totes les civilitzacions importants: estàtues animades eren adorats a Egipte i Grècia i autòmats humanoides van ser construïts per Yan Shi, Heró d'Alexandria, Al-Khazària i Wolfgang von Kempele. També es creu àmpliament que els éssers artificials havia estat creat per J? Bir Al-Hayy ibn? N, Judah Loew i Paracels. A i 20 segles 19, els éssers artificials s'havia convertit en una característica comuna en la ficció, com en Frankenstein de Mary Shelley o Karel? APEK de RUR (Rossum Universal Robots). Pamela McCorduck sosté que tots aquests són exemples d'una necessitat antiga, com ella ho descriu, "per forjar els déus". Les històries d'aquestes criatures i les seves destinacions examinar moltes de les mateixes esperances, els temors i les preocupacions ètiques que es presenten per la intel ligència artificial.

O mecànica "formal" raonament ha estat desenvolupat per filòsofs i matemàtics des de l'antiguitat. L'estudi de la lògica va conduir directament a la invenció de l'ordinador electrònic programable digital, basat en el treball del matemàtic Alan Turing i altres. la teoria de la computació de Turing va proposar que una màquina, per l'intercanvi de símbols tan simple com "0" i "1", podria simular qualsevol acte concebible de la deducció matemàtica. Això, juntament amb els recents descobriments en neurologia, teoria de la informació i la cibernètica, inspirat en un petit grup d'investigadors per començar a considerar seriosament la possibilitat de construir un cervell electrònic.

El camp de la recerca en IA va ser fundada en una conferència al campus del Dartmouth College a l'estiu de 1956. Els assistents, incloent John McCarthy, Marvin Minsky, Allen Newell i Herbert Simon, es va convertir en els líders de la recerca en IA durant moltes dècades. Ells i els seus estudiants programes que es va escriure, per a la majoria, simplement sorprenent: els ordinadors eren la solució de problemes de paraules en l'àlgebra, la demostració de teoremes lògics i parla anglès. A mitjans de la dècada de 1960, la investigació als EUA va ser finançat en gran mesura pel Departament de Defensa i els laboratoris s'ha establert a tot el món. fundadors d'AI eren profundament optimista sobre el futur del nou camp: Herbert Simon va predir que "les màquines seran capaços, dins dels vint anys, de fer qualsevol treball que un home pot fer" i va acordar Marvin Minsky, escrivint que "dins d'una generació ... el problema de crear "intel ligència artificial" de manera significativa es resoldrà ".

Ells no havien reconegut la dificultat d'alguns dels problemes que s'enfronten. El 1974, en resposta a les crítiques de Sir James Lighthill d'Anglaterra i la pressió permanent del Congrés per finançar els projectes més productius, els EUA i els governs britànics tallar tots els no dirigits, la recerca exploratòria a la IA. Els propers anys, quan el finançament de projectes era difícil de trobar, més tard s'anomenaria un hivern "AI".

A la dècada de 1980, la investigació en IA va ser reviscut per l'èxit comercial dels sistemes experts, una forma de programa d'intel ligència artificial que simula els coneixements i habilitats d'anàlisi d'un o diversos experts humans. El 1985 el mercat de la influença aviària havia arribat a més de mil milions de dòlars. Al mateix temps, el cinquè projecte del Japó generació d'ordinadors inspirades dels EUA i els governs britànic per restaurar els fons per a la recerca acadèmica en el camp. No obstant això, a partir del col lapse del mercat de la màquina del Lisp el 1987, AI, un cop més va caure en descrèdit, i un segon, va començar l'hivern més durador AI.

A la dècada de 1990 i el segle 21, AI aconseguit els seus majors èxits, encara que una mica per darrere de les escenes. La intel.ligència artificial s'utilitza per a la logística, mineria de dades, diagnòstic mèdic i moltes altres àrees de la indústria tecnològica. L'èxit es va deure a diversos factors: l'increïble poder dels ordinadors actuals (vegeu la llei de Moore), un major èmfasi en la solució de subproblemes específics, la creació de nous llaços entre la AI i altres camps de treball sobre problemes similars, i sobretot un nou compromís de als investigadors als mètodes matemàtics sòlids i rigorosos estàndards científics.

Problemes

El problema de simular (o crear) la intel ligència s'ha desglossat en una sèrie de subprogrames específics, problemes. Aquests consisteixen en trets particulars o capacitats que els investigadors els agradaria un sistema intel ligent per mostrar. Les característiques es descriuen a continuació han rebut la major atenció.

Deducció, raonament, resolució de problemes

Els primers investigadors de la IA desenvolupat algorismes que imitaven el raonament pas a pas que els éssers humans utilitzen quan resolen puzzles, jocs de taula o fer deduccions lògiques. A finals de 1980 i 90, la recerca en IA ha desenvolupat també mètodes de gran èxit per tractar la informació incerts o incomplets, que empren conceptes de probabilitat i l'economia.

Per als problemes difícils, la majoria d'aquests algorismes pot requerir enormes recursos computacionals - la majoria d'experimentar una "explosió combinatòria": la quantitat de memòria o el temps d'ordinador necessaris es converteix en astronòmica quan el problema va més enllà d'una certa mida. La recerca de la solució més eficient els algorismes problema és una alta prioritat per a la recerca en IA.

Els éssers humans resoldre la majoria dels seus problemes amb l'ús ràpid, judicis intuïtius en lloc de la deducció conscient, pas a pas que a principis de la investigació en IA va ser capaç de modelar. AI ha fet alguns avenços per imitar aquest tipus de "sub-simbòlica" la resolució de problemes: els enfocaments incorporats èmfasi en la importància de les habilitats sensoriomotores a una major motivació; intents neuronals investigació nets per simular les estructures internes cervell humà i animal que dóna origen a aquesta habilitat.

Representació del coneixement

La representació del coneixement i l'enginyeria del coneixement són fonamentals per a la recerca en IA. Moltes de les màquines dels problemes que s'espera per a resoldre requerirà amplis coneixements sobre el món. Entre les coses que AI ha de representar són: objectes, propietats, categories i relacions entre objectes, situacions, esdeveniments, estats i el temps, les causes i efectes; coneixement sobre el coneixement (el que sabem sobre el que sap la gent), i molts altres, dominis menys investigada. Una representació completa de "el que existeix" és una ontologia (prenent prestada una paraula de la filosofia tradicional), dels quals el més general s'anomenen ontologies superior.

Entre els problemes més difícils de la representació del coneixement són:

Per defecte i el raonament problemMany qualificació de les coses que la gent sàpiga prendre la forma de "hipòtesi de treball". Per exemple, si una au entra a la conversa, la gent sol fotografia un animal que és el puny de mida, canta, i les mosques. Cap d'aquestes coses són certes sobre totes les aus. John McCarthy va identificar aquest problema el 1969 com el problema de qualificació: per a qualsevol norma de sentit comú que els investigadors de IA per representar a l'atenció, tendeix a haver un gran nombre d'excepcions. Gairebé res no és simplement vertader o fals en la forma en què la lògica abstracta requereix. la recerca en IA ha explorat una sèrie de solucions a aquest problema. L'amplitud de sentit comú knowledgeThe nombre d'estats de coses que la persona mitjana sap és astronòmic. Els projectes de recerca que tracten de construir una base de coneixement complet dels coneixements de sentit comú (per exemple, Cic) requereixen enormes quantitats d'enginyeria ontològica laboriosa - han de ser construïdes, a mà, un concepte complicat a la vegada. Un objectiu important és tenir l'equip a entendre conceptes com per ser capaços d'aprendre mitjançant la lectura de fonts com el Internet, i així ser capaç d'afegir a la seva pròpia ontologia. La forma d'alguns subsimbólico knowledgeMuch sentit comú del que la gent sap que no es representa com "fets" o "declaracions" que en realitat es podria dir en veu alta. Per exemple, un mestre d'escacs s'evitarà una posició d'escacs particular, perquè "se sent molt exposada" o un crític d'art pot prendre una mirada a una estàtua i l'instant compte que és una falsificació. Es tracta d'intuïcions o tendències que estan representats en el cervell no conscient i sub-simbòlicament. El coneixement d'aquesta informació, dóna suport i proporciona un context per al coneixement simbòlic, conscient. Igual que amb el problema connex de raonament sub-simbòlica, s'espera que situa la IA o intel ligència computacional es descriu la manera de representar aquest tipus de coneixement.

Planificació

Els agents intel ligents han de ser capaços de fixar metes i assolir-les. Ells necessiten una forma de visualitzar el futur (que ha de tenir una representació de l'estat del món i ser capaç de fer prediccions sobre com les seves accions canviarà) i ser capaç de prendre decisions que maximitzin la utilitat (o "valor") de les opcions disponibles.

En clàssics problemes de planificació, l'agent pot assumir que és l'únic que actua sobre el món i poden estar segurs de quines són les conseqüències de les seves accions poden ser. Tanmateix, si això no és cert, s'ha de comprovar periòdicament si el món coincideix amb les seves prediccions i ha de canviar el seu pla com sigui necessari, que requereix que l'agent a la raó en condicions d'incertesa.

la planificació multi-agent utilitza la cooperació i la competència de molts agents per aconseguir un objectiu donat. Comportament emergent com aquest és utilitzat pels algoritmes evolutius i la intel.ligència d'eixam.

Aprenentatge

Màquina d'aprenentatge ha estat fonamental per a la investigació en IA des del principi. Aprenentatge no supervisat és la capacitat de trobar patrons en un corrent d'entrada. Aprenentatge supervisat inclou tant la classificació i regressió numèrica. La classificació s'utilitza per determinar el que alguna cosa pertany a la categoria, després de veure una sèrie d'exemples de coses de diverses categories. Regressió pren un conjunt de dades numèriques / exemples de sortida i els intents de descobrir una funció contínua que generi les sortides dels insums. En aprenentatge per reforç l'agent és recompensat per una bona resposta i castigats per les dolentes. Aquests poden ser analitzats en termes de teoria de la decisió, utilitzant conceptes com a serveis públics. L'anàlisi matemàtic dels algorismes aprenentatge de les màquines i el seu rendiment és una branca de ciències de la computació teòrica coneguda com a teoria de l'aprenentatge computacional.

Processament del llenguatge natural

processament de llenguatge natural dóna màquines la capacitat de llegir i entendre les llengües que parlen els éssers humans. Molts investigadors esperen que un sistema suficientment potent processament del llenguatge natural seria capaç d'adquirir coneixements pel seu compte, llegint el text existent disponible a través d'Internet. Algunes aplicacions directes del processament del llenguatge natural inclouen la recuperació d'informació (o mineria de text) i traducció automàtica.

El moviment i la manipulació

ASIMO utilitza sensors i algoritmes intel ligents per a evitar els obstacles i desplaçar-se per les escales.

El camp de la robòtica està estretament relacionada amb la influença aviària. La intel.ligència és necessària per a robots capaços de manejar tasques com ara la manipulació d'objectes i la navegació, amb sub-problemes de localització (saber on es troba), la cartografia (aprendre el que t'envolta) i la planificació de moviment (esbrinar com arribar) .

Percepció

percepció de la màquina és la capacitat d'utilització d'insums dels sensors (com càmeres, micròfons, el sonar i altres més exòtics) per deduir els aspectes del món. La visió d'ordinador és la capacitat d'analitzar la informació visual. Un subproblemes selectes són el reconeixement de veu, reconeixement facial i reconeixement d'objectes.

Intel ligència social

Kismet, un robot amb habilitats socials rudimentàries

L'emoció i les habilitats socials tenen dues funcions d'un agent intel ligent. En primer lloc, ha de ser capaç de predir les accions dels altres, en entendre les seves motivacions i estats emocionals. (Es tracta d'elements de la teoria de jocs, teoria de la decisió, així com la capacitat de modelar les emocions humanes i les habilitats perceptives per detectar les emocions.) A més, per a la interacció humà-ordinador bona, una màquina intel ligent també necessita mostrar emocions. Com a mínim ha d'aparèixer amable i sensible als éssers humans que interactua. Com a màxim, hauria de tenir emocions normals si mateix.

Creativitat

Topi, un robot que pot jugar al ping-pong, desenvolupat per TOSY.

Un sub-camp de la IA aborda la creativitat tant en la teoria (d'una perspectiva filosòfica i psicològica) i pràcticament (a través d'implementacions específiques dels sistemes que generen productes que poden considerar creatiu).

Intel ligència general

La majoria dels investigadors esperen que el seu treball finalment s'incorporarà a un equip amb la intel ligència general (conegut com la IA forta), que combina totes les habilitats anteriors i superiors a les capacitats humanes en la majoria o tots ells. Alguns creuen que les característiques antropomòrfiques com la consciència artificial o un cervell artificial puguin ser necessaris per a aquest projecte.

Molts dels problemes anteriors es consideren AI-complet: per resoldre un problema, ha de resoldre a tots. Per exemple, fins i tot un saber senzill, com a tasca específica de traducció automàtica requereix que la màquina seguir l'argument de l'autor (la raó), el que s'està parlant (coneixement), i reproduir fidelment la intenció de l'autor (intel ligència social). La traducció automàtica, per tant, es creu que és el AI-complet: pot obligar a la IA forta per fer, així com els éssers humans poden fer-ho.

Enfocaments

No hi ha una teoria establerta d'unificació o de paradigma que guia la recerca en IA. Els investigadors estan d'acord sobre moltes qüestions. Algunes de les preguntes de peu més llarga que han quedat sense resposta són les següents: la intel ligència artificial haurien simular la intel ligència natural, mitjançant l'estudi de la psicologia o la neurologia? O és la biologia humana no tenen interès per a la recerca en IA com la biologia d'aus és a l'enginyeria aeronàutica? comportament pot ser descrit intel ligents usant simples, els principis elegant (com la lògica o d'optimització)? O es requereix necessàriament la solució d'un gran nombre de problemes no relacionats per complet? Pot la intel ligència ser reproduïda utilitzant símbols d'alt nivell, similars a les paraules i les idees? O és que així ho requereixin "sub-simbòlic" tractament?

Cibernètica i simulació del cervell

No hi ha consens sobre la forma de prop el cervell ha de ser simulat.

En els anys 1940 i 1950, un nombre d'investigadors van explorar la relació entre la neurologia, la teoria de la informació i la cibernètica. Alguns d'ells van construir les màquines que utilitzen les xarxes electròniques per exhibir intel.ligència rudimentària, com les tortugues W. Grey Walter i la Bèstia de Johns Hopkins. Molts d'aquests investigadors es van reunir per a les reunions de la Societat de la teleològica la Universitat de Princeton i el Club de Relació a Anglaterra. Per 1960, aquest enfocament va ser abandonat en gran part, encara que alguns elements que seria reviscut en la dècada de 1980.

Simbòlic

Quan l'accés a les computadores digitals es va fer possible en la dècada de 1950 mitjà, la recerca en IA començar a explorar la possibilitat que la intel ligència humana pot reduir-se a la manipulació de símbols. La investigació es va centrar en tres institucions: CMU, Stanford i al MIT, i cadascun desenvolupar el seu propi estil d'investigació. John Haugeland nom a les aproximacions a la IA "bona passada de moda AI" o "BAIA".

Cognitiva simulationEconomist Herbert Simon i Newell Alan estudiar les habilitats per resoldre problemes humans i va tractar de formalitzar, i el seu treball va posar les bases del camp de la intel ligència artificial, així com la ciència cognitiva, la investigació operativa i les ciències de gestió. El seu equip d'investigació van realitzar experiments psicològics per demostrar les similituds entre la solució de problemes humans i dels programes (com ara el seu "General Problem Solver") que estaven desenvolupant. Aquesta tradició, centrada en el Carnegie Mellon finalment culminaria en el desenvolupament de l'arquitectura dels anys 80 s'eleven al mig. Lògica basedUnlike Newell i Simon, John McCarthy va sentir que les màquines no era necessari per simular el pensament humà, sinó que ha de tractar de trobar l'essència del raonament abstracte i la resolució de problemes, independentment de si la gent utilitza els mateixos algorismes. El seu laboratori de Stanford (SAIL) es va centrar en l'ús de la lògica formal per resoldre una àmplia varietat de problemes, incloent la representació del coneixement, planificació i aprenentatge. La lògica també va ser focus de la tasca de la Universitat d'Edimburg i en altres parts d'Europa, que va conduir al desenvolupament del llenguatge de programació Prolog i la ciència de la programació lògica. "Anti-lògica" o "desmanegat" Els investigadors al MIT (per exemple, Marvin Minsky i Seymour Papert) van trobar que la solució de problemes difícils en la visió i processament del llenguatge natural requereix solucions ad-hoc - que va sostenir que no hi havia cap principi simples i generals (com lògica) que captura tots els aspectes de la conducta intel ligent. Roger Schank descriure el seu "anti-lògica" enfocaments com "desmanegat" (en oposició a la "neta" paradigmes en CMU i Stanford). bases de coneixement de sentit comú (per exemple, Cic Doug Lenat) són un exemple de "desmanegat" AI, ja que han de ser construïdes a mà, un concepte complicat a la vegada. ordinadors amb memòries Coneixement basedWhen gran es va disposar d'uns 1970, els investigadors de les tres tradicions van començar a construir el coneixement en aplicacions de la IA. Aquesta "revolució del coneixement" va conduir al desenvolupament i desplegament de sistemes experts (introduït per Edward Feigenbaum), la primera forma veritablement reeixida de programari d'intel ligència artificial. La revolució del coneixement va ser impulsada també per la constatació que enormes quantitats de coneixement seria necessari en molts simples aplicacions de la IA.

Sub-simbòlic

Durant la dècada de 1960, els enfocaments simbòlics havia assolit gran èxit en la simulació de pensament d'alt nivell en els programes de demostració a petita. Els enfocaments basats en la cibernètica i xarxes neuronals van ser abandonades o en un segon pla. A la dècada de 1980, però, els avenços en la IA simbòlica semblava lloc i molts van creure que els sistemes simbòlics mai seria capaç d'imitar tots els processos de la cognició humana, especialment la percepció, la robòtica, l'aprenentatge i reconeixement de patrons. Un nombre d'investigadors va començar a buscar a "sub-simbòlic" enfocaments dels problemes específics de la influença aviària.

De baix a dalt, encarnada, situada, AIResearchers basades en el comportament o la nouvelle del camp relacionats amb la robòtica, com Rodney Brooks, va rebutjar la IA simbòlica i es va centrar en els problemes d'enginyeria bàsica que permeti als robots per moure's i sobreviure. El seu treball va reviure el punt de vista no-simbòlic de la cibernètica primers investigadors dels anys 50 i va tornar a introduir l'ús de la teoria del control de la IA. Aquests enfocaments també són conceptualment relacionats amb la tesi de la ment encarnada. Computacional IntelligenceInterest en xarxes neuronals i "connexionisme" va ser reviscut per David Rumelhart i altres en la dècada de 1980 mitjà. Aquests i altres enfocaments sub-simbòlic, com els sistemes difusos i la computació evolutiva, són estudiats en conjunt per la naixent disciplina de la intel ligència computacional.

Estadístic

A la dècada de 1990, investigadors de la IA desenvolupat sofisticades eines matemàtiques per a resoldre subproblemes específics. Aquestes eines són veritablement científic, en el sentit que els seus resultats són mesurables i verificables, i han estat responsables de molts dels èxits recents d'Amnistia Internacional. El llenguatge compartit matemàtica també ha permès un alt nivell de col.laboració amb camps més establerts (com les matemàtiques, economia o investigació d'operacions). Stuart Russell i Norvig, Peter descriure aquest moviment com ni més ni menys que una "revolució" i "la victòria de la neats".

La integració dels enfocaments

Intelligent Agent paradigma agent intel ligent és un sistema que percep el seu entorn i realitza accions que maximitza les seves possibilitats d'èxit. La forma més senzilla agents intel ligents són programes que resolguin problemes específics. Els agents intel ligents són racionals més complicades, el pensament humà. El paradigma de llicència dóna als investigadors a estudiar problemes aïllats i trobar solucions que siguin verificables i útils, sense posar-se d'acord sobre un enfocament únic. Un agent que resol un problema específic pot utilitzar qualsevol mètode que funciona - alguns agents són simbòlics i lògic, algunes són les xarxes neuronals sub-simbòlic i altres persones poden utilitzar enfocaments nous. El paradigma també ofereix als investigadors una llengua comuna per comunicar-se amb altres camps, com la teoria de la decisió i l'economia-que també utilitzen conceptes abstractes dels agents. El paradigma d'agent intel ligent va ser àmpliament acceptada durant la dècada de 1990. Agent i arquitectures architecturesResearchers cognitius han dissenyat sistemes per construir sistemes intel ligents d'interacció d'agents intel ligents en un sistema multi-agent. Un sistema amb components al mateix temps simbòlic i sub-simbòlica-és un sistema intel ligent híbrid, i l'estudi d'aquests sistemes és la intel ligència artificial d'integració de sistemes. Un sistema de control jeràrquic constitueix un pont entre sub-IA simbòlica en el seu nivell més baix, els nivells de reactius i tradicionals IA simbòlica en el seu més alt nivell, on es va relaxar les restriccions de temps possible la planificació i modelat món. arquitectura Rodney Brooks "supeditació va ser una proposta a principis d'aquest sistema jeràrquic.

Instruments

En el transcurs de 50 anys d'investigació, Amnistia Internacional ha desenvolupat un gran nombre d'eines per resoldre els problemes més difícils en ciències de la computació. Alguns dels generals més d'aquests mètodes es discuteixen a continuació.

Recerca i optimització

Many problems in AI can be solved in theory by intelligently searching through many possible solutions: Reasoning can be reduced to performing a search. For example, logical proof can be viewed as searching for a path that leads from premises to conclusions, where each step is the application of an inference rule. Planning algorithms search through trees of goals and subgoals, attempting to find a path to a target goal, a process called means-ends analysis. Robotics algorithms for moving limbs and grasping objects use local searches in configuration space. Many learning algorithms use search algorithms based on optimization.

Simple exhaustive searches are rarely sufficient for most real world problems: the search space (the number of places to search) quickly grows to astronomical numbers. The result is a search that is too slow or never completes. The solution, for many problems, is to use "heuristics" or "rules of thumb" that eliminate choices that are unlikely to lead to the goal (called "pruning the search tree"). Heuristics supply the program with a "best guess" for what path the solution lies on.

Un tipus molt diferent de cerca va arribar a la prominència en la dècada de 1990, basat en la teoria matemàtica de l'optimització. Per a molts problemes, és possible començar la recerca d'algun tipus de resposta i després afinar la conjectura de manera incremental fins que no hi hagi millores es poden fer més. Aquests algorismes es pot visualitzar com cecs escalant el turó: vam començar la recerca en un punt a l'atzar en el paisatge i, a continuació, a salts o passos, ens seguim movent la nostra suposició costa amunt, fins arribar al cim. Altres algorismes d'optimització recuit simulat, recerca i optimització del feix a l'atzar.

La computació evolutiva fa servir una forma de cerca d'optimització. Per exemple, poden començar amb una població d'organismes (les conjectures) i, a continuació els permeti mutar i recombinar, seleccionant només els més aptes per sobreviure cada generació (refinat les conjectures). Formes de computació evolutiva inclouen algoritmes d'eixam d'intel ligència (com a colònia de formigues o de les partícules d'optimització d'eixam) i els algorismes evolutius (per exemple, els algorismes genètics [103] i la programació genètica [104] [105]).

Lògica

La lògica es va introduir en la investigació d'AI per John McCarthy en la seva proposta de 1958 Consell de Taker. La lògica s'utilitza per a la representació del coneixement i resolució de problemes, però es pot aplicar a altres problemes. Per exemple, l'algorisme utilitza la lògica satplan per a la planificació i la programació lògica inductiva és un mètode per a l'aprenentatge.

Diverses formes de la lògica s'utilitzen en la recerca en IA. Lògica proposicional o oracional és la lògica d'enunciats que poden ser veritables o falses. En primer lloc, la lògica d'ordre també permet l'ús dels quantificadors i predicats, i pot expressar fets sobre objectes, les seves propietats i les seves relacions entre si. La lògica difusa, és una versió de la lògica de primer ordre que permet a la veritat d'un enunciat per a ser representat com un valor entre 0 i 1, en comptes de TRUE (1) o Fals (0). sistemes difusos es poden utilitzar per al raonament incert i han estat àmpliament utilitzades en els moderns sistemes industrials i de consum de control del producte. lògica per defecte, lògiques no-monòtones i circumscripció són formes de la lògica dissenyada per ajudar amb el raonament per defecte i el problema de classificació. Diverses extensions de la lògica ha estat dissenyat per a utilitzar àrees específiques del coneixement, com ara: descripció lògica, càlcul de situacions, càlcul de l'esdeveniment i el càlcul fluid (per a la representació dels esdeveniments i el temps); càlcul de causalitat; Càlcul de creences, i la lògica modal.

El 1963, J. Alan Robinson va descobrir un mètode simple, complet i totalment algorítmic per a la deducció lògica que es pot realitzar fàcilment per les computadores digitals. No obstant això, una aplicació ingènua de l'algorisme condueix ràpidament a una explosió combinatòria o un bucle infinit. El 1974, Robert Kowalski va suggerir que representen expressions lògiques com les clàusules de Horn (declaracions en la forma de regles: "si p, llavors q"), el que va reduir la deducció lògica de encadenament cap enrere o cap endavant encadenament. Això va alleujar en gran mesura (però no eliminar) el problema.

Probabilístic dels mètodes de raonament incert

Molts dels problemes de la IA (en el raonament, la planificació, l'aprenentatge, percepció i robòtica) requereixen que l'agent d'operar amb informació incompleta o incerta. A partir de finals dels 80 i principis dels 90, Judea Pearl i altres van defensar l'ús de mètodes derivats de la teoria de probabilitats i l'economia per elaborar una sèrie de potents eines per resoldre aquests problemes.

xarxes bayesianes són una eina molt general que pot ser utilitzat per a un gran nombre de problemes: raonament (utilitzant l'algoritme d'inferència bayesiana), aprenentatge (utilitzant l'algoritme de l'expectativa-maximització), planificació (a través de xarxes de decisió) i la percepció (utilitzant xarxes bayesianes dinàmiques ). algorismes probabilístics també es pot utilitzar per filtrar, predicció, allisar i la recerca d'explicacions per als fluxos de dades, ajudant els sistemes de percepció per analitzar els processos que ocorren en el temps (per exemple, models, ocults de Markov o filtres de Kalman).

Un concepte clau de la ciència de l'economia és la "utilitat": una mesura del valor que té alguna cosa és un agent intel ligent. eines matemàtiques necessàries que s'han desenvolupat analitzar com un agent pot prendre decisions i planificar, utilitzant la teoria de decisió, anàlisi de decisions, la teoria del valor de la informació. Aquestes eines inclouen models com els processos de decisió de Markov, les xarxes dinàmiques de decisió, teoria de jocs i disseny de mecanismes.

Classificadors i estadístics mètodes d'aprenentatge

La forma més senzilla aplicacions de la IA es poden dividir en dos tipus: els classificadors ("si a continuació, brillant diamant") i controlador ("brillant si després recollir"). Els controladors però també classifiquen condicions abans de deduir les accions, i per tant la classificació és una part central de molts sistemes d'intel ligència artificial. Els classificadors són les funcions que utilitzen la coincidència de patrons per a determinar una correspondència més propera. Es pot ajustar d'acord amb els exemples que les fan molt atractives per a l'ús de la IA. Aquests exemples es coneixen com observacions o patrons. En l'aprenentatge supervisat, cada patró pertany a certa classe predefinida. Una classe pot ser vist com una decisió que ha de ser fet. Totes les observacions combinades amb les seves etiquetes de classe que es coneix com un conjunt de dades. Quan una nova observació és rebuda, que l'observació es classifica basant-se en l'experiència anterior.

Un classificador pot ser entrenat en diverses formes, hi ha moltes estadístiques i mètodes d'aprenentatge màquina. Els classificadors més utilitzats són la xarxa neuronal, els mètodes del nucli, com la màquina de suport vectorial, algorisme de k-més proper veí, el model de barreja de Gauss, ingènua classificador Bayes, i l'arbre de decisió. L'acompliment d'aquests classificadors han estat comparats en una àmplia gamma de tasques. Classificador rendiment depèn en gran mesura de les característiques de les dades que han de classificar-se. No hi ha una classificació única que funciona millor en tots els problemes donats, el que també es coneix com el "no hi ha dinar gratis" teorema. La determinació d'un classificador adequat per a un determinat problema és encara més un art que ciència.

Xarxes Neuronals

Una xarxa neuronal és un grup de nodes interconnectats, similar a la vasta xarxa de neurones en el cervell humà.

L'estudi de les xarxes neuronals artificials es va iniciar en la dècada anterior a la investigació de camp d'AI va ser fundada, en l'obra de Walter Pitts i Warren McCullough. Altres investigadors a l'inici d'importants Frank Rosenblatt, que va inventar el perceptró i Werber Pau, qui va desenvolupar l'algoritme de propagació cap enrera.

Les principals categories de xarxes són acíclics o xarxes neuronals feedforward (quan el senyal passa en una sola direcció) i xarxes recurrents (que permeten retroalimentació). Entre les xarxes feedforward més populars són els perceptró, perceptró multicapa i xarxes de base radial. Entre les xarxes recurrents, la més famosa és la xarxa de Hopfield, una forma de xarxa atractor, el qual va ser descrit per primera vegada per John Hopfield el 1982. Les xarxes neuronals es poden aplicar al problema de control intel ligent (per a la robòtica) o d'aprenentatge, utilitzant tècniques com l'aprenentatge de Hebb i l'aprenentatge competitiu.

Jeff Hawkins sosté que la investigació en xarxes neuronals s'ha estancat perquè ha fracassat el model de les propietats essencials de la neoescorça, i ha proposat un model (de memòria temporal jeràrquica) que es basa en la recerca neurològica.

Teoria de control

Teoria de control, el nét de la cibernètica, té moltes aplicacions importants, especialment en la robòtica.

Idiomes

investigadors de la IA s'han desenvolupat diverses llengües especialitzades per a la recerca en IA, incloent Lisp i Prolog.

Avaluar el progrés

Com es pot determinar si un agent és intel ligent? El 1950, Alan Turing va proposar un procediment general per posar a prova la intel ligència d'un agent ara conegut com la prova de Turing. Aquest procediment permet que gairebé tots els grans problemes d'intel ligència artificial per a ser provat. No obstant això, és un repte molt difícil i en l'actualitat no tots els agents.

La intel ligència artificial també es poden avaluar els problemes específics, com els petits problemes de la química, el reconeixement de l'escriptura a mà i jugant jocs. Aquestes proves s'han denominat expert en la matèria de Turing proves. Petits problemes proporcionar metes més assolibles i hi ha un nombre creixent de resultats positius.

Les classes generals de resultat per a una prova de la IA són:

• Òptima: no és possible tenir un millor acompliment
• Força sobrehumana: es comporta millor que tots els éssers humans
• Super-human: performs better than most humans
• Sub-human: performs worse than most humans

For example, performance at draughts is optimal, performance at chess is super-human and nearing strong super-human, and performance at many everyday tasks performed by humans is sub-human.

A quite different approach measures machine intelligence through tests which are developed from mathematical definitions of intelligence. Examples of these kinds of tests start in the late nineties devising intelligence tests using notions from Kolmogorov Complexity and data compression  . Similar definitions of machine intelligence have been put forward by Marcus Hutter in his book Universal Artificial Intelligence (Springer 2005), an idea further developed by Legg and Hutter . Two major advantages of mathematical definitions are their applicability to nonhuman intelligences and their absence of a requirement for human testers.

Applications

Artificial intelligence has successfully been used in a wide range of fields including medical diagnosis, stock trading, robot control, law, scientific discovery, video games, toys, and Web search engines. Frequently, when a technique reaches mainstream use, it is no longer considered artificial intelligence, sometimes described as the AI effect. It may also become integrated into artificial life.

Competitions and prizes

There are a number of competitions and prizes to promote research in artificial intelligence. The main areas promoted are: general machine intelligence, conversational behavior, data-mining, driverless cars, robot soccer and games.

Plataformes

A platform (or "computing platform")is defined by Wikipedia as "some sort of hardware architecture or software framework (including application frameworks), that allows software to run." As Rodney Brooks pointed out many years ago, it is not just the artificial intelligence software that defines the AI features of the platform, but rather the actual platform itself that affects the AI that results, ie, we need to be working out AI problems on real world platforms rather than in isolation.

A wide variety of platforms has allowed different aspects of AI to develop, ranging from expert systems, albeit PC-based but still an entire real-world system to various robot platforms such as the widely available Roomba with open interface .

Filosofia

Artificial intelligence, by claiming to be able to recreate the capabilities of the human mind, is both a challenge and an inspiration for philosophy. Are there limits to how intelligent machines can be? Is there an essential difference between human intelligence and artificial intelligence? Can a machine have a mind and consciousness? A few of the most influential answers to these questions are given below.

Turing's "polite convention"
If a machine acts as intelligently as a human being, then it is as intelligent as a human being.
Alan Turing theorized that, ultimately, we can only judge the intelligence of a machine based on its behavior. This theory forms the basis of the Turing test.The Dartmouth proposal
"Every aspect of learning or any other feature of intelligence can be so precisely described that a machine can be made to simulate it."
This assertion was printed in the proposal for the Dartmouth Conference of 1956, and represents the position of most working AI researchers.Newell and Simon's physical symbol system hypothesis
"A physical symbol system has the necessary and sufficient means of general intelligent action."
Newell and Simon argue that intelligences consists of formal operations on symbols. Hubert Dreyfus argued that, on the contrary, human expertise depends on unconscious instinct rather than conscious symbol manipulation and on having a "feel" for the situation rather than explicit symbolic knowledge. (See Dreyfus' critique of AI.)Gödel's incompleteness theorem
A formal system (such as a computer program) can not prove all true statements.
Roger Penrose is among those who claim that Gödel's theorem limits what machines can do. (See
The Emperor's New Mind
.)Searle's strong AI hypothesis
"The appropriately programmed computer with the right inputs and outputs would thereby have a mind in exactly the same sense human beings have minds."
Searle counters this assertion with his Chinese room argument, which asks us to look
inside
the computer and try to find where the "mind" might be.The artificial brain argument
The brain can be simulated.
Hans Moravec, Ray Kurzweil and others have argued that it is technologically feasible to copy the brain directly into hardware and software, and that such a simulation will be essentially identical to the original.

Speculation and fiction

AI is a common topic in both science fiction and in projections about the future of technology and society. The existence of an artificial intelligence that rivals human intelligence raises difficult ethical issues and the potential power of the technology inspires both hopes and fears.

Mary Shelley's Frankenstein considers a key issue in the ethics of artificial intelligence: if a machine can be created that has intelligence, could it also feel ? If it can feel, does it have the same rights as a human? The idea also appears in modern science fiction: the film Artificial Intelligence: AI considers a machine in the form of a small boy which has been given the ability to feel human emotions, including, tragically, the capacity to suffer. This issue, now known as "robot rights", is currently being considered by, for example, California's Institute for the Future, although many critics believe that the discussion is premature.

Another issue explored by both science fiction writers and futurists is the impact of artificial intelligence on society. In fiction, AI has appeared fulfilling many roles including;

• As a servant (R2D2 in Star Wars )
• As a law enforcer (KITT "Knight Rider")
• As a comrade (Lt. Commander Data in Star Trek )
• As a conqueror/overlord ( The Matrix )
• As a dictator ( With Folded Hands )
• As an assassin ( Terminator )
• As a sentiant race Battlestar Galactica )
• As an extension to human abilities ( Ghost in the Shell )
• As the saviour of the human race (R. Daneel Olivaw in the Foundation Series ).

Academic sources have considered such consequences as: a decreased demand for human labor, the enhancement of human ability or experience, and a need for redefinition of human identity and basic values.

Several futurists argue that artificial intelligence will transcend the limits of progress and fundamentally transform humanity. Ray Kurzweil has used Moore's law (which describes the relentless exponential improvement in digital technology with uncanny accuracy) to calculate that desktop computers will have the same processing power as human brains by the year 2029, and that by 2045 artificial intelligence will reach a point where it is able to improve itself at a rate that far exceeds anything conceivable in the past, a scenario that science fiction writer Vernor Vinge named the "technological singularity". Edward Fredkin argues that "artificial intelligence is the next stage in evolution," an idea first proposed by Samuel Butler's "Darwin among the Machines" (1863), and expanded upon by George Dyson in his book of the same name in 1998. Several futurists and science fiction writers have predicted that humans and machines will merge in the future into cyborgs that are more capable and powerful than either. This idea, called transhumanism, which has roots in Aldous Huxley and Robert Ettinger, is now associated with robot designer Hans Moravec, cyberneticist Kevin Warwick and inventor Ray Kurzweil. Transhumanism has been illustrated in fiction as well, for example in the manga Ghost in the Shell and the science fiction series Dune . Pamela McCorduck writes that these scenarios are expressions of the ancient human desire to, as she calls it, "forge the gods."

Sobre el Autor

S. Rajkumar belongs to Madurai, Tamil nadu, India. He is a post graduate in Computer Science and Information Technology. Now he is working as a web designer and PHP programmer in AJ Square Inc. Vilacherry, Madurai.

No relacionats amb llocs.

Tags: bookmarks , gaming , heroes , news , robot , social , source article , training