Акција фигури - Стрип, Воена, Спорт & Повеќе Прекрасно Избор на сите видови на акција фигури. Аниме, Стрип, дизајнер, Воена, Спорт, трансформатори, ТВ и филмови, Star Wars, Супер Марио, и повеќе!

Роботот Heroes Постави

Вештачка интелигенција

Вештачка интелигенција (AI) е интелигенција на машини и филијалата на компјутерската наука која има за цел да ја креирате. Учебници се дефинираат областите како "студија и дизајн на интелигентни агенти", каде што една интелигентна агент е систем што ги согледува своите животната средина и презема активности кои зголеми своите шанси за успех. Џон McCarthy, кој го измисли терминот во 1956 година, таа ја дефинира како "науката и инженеринг за изработка на интелигентни машини."

Полето беше основана на тврдат дека централно на имотот на луѓето, на разузнавачки на мудри на Homo sapiens-може да биде толку прецизно е опишано дека може да се симулирани од една машина. Ова го покренува филозофски прашања за природата на умот и границите на научните hibris, прашања кои се решавани од страна на митот, фантастика и филозофија од антиката. Вештачката интелигенција е предмет на неверојатен оптимизам, претрпе зашеметување успеси и, денес, стана важен дел од технолошката индустрија, обезбедување на кревање на тешки предмети за многу од најтешките проблеми во компјутерските науки.

Пи истражување е многу технички и стручно, длабоко поделена subfields кои често не успеваат да комуницираат едни со други. Subfields пораснале околу одредени институции, работат на индивидуални истражувачи, за решавање на конкретни проблеми, долгогодишна разлики во мислење за тоа како Пи треба да се направи и примена на многу различни алатки. Централната проблемите на АИ вклучат овие својства како размислување, знаење, планирање, учење, комуникација, перцепција и способноста да се движи и манипулираат објекти. Општа интелигенција (или "силен АИ") се 'уште е долгорочна цел на (некои) истражување.

Историја

Размислување машини и вештачки суштества се појави во грчките митови, како што се Talos на Крит, златниот роботи на Хефест и Pygmalion е Galatea. Човековите likenesses верува дека разузнавачките беа изградени во секој поголем цивилизацијата: анимирани статуи беа обожувале во Египет и Грција и humanoid автомат биле изградени од страна на Јан Ши, Херон Александриски, Ал-Jazari и Волфганг фон Kempelen. Тоа исто така беше нашироко се верува дека вештачки суштества беа создадени од J? Bir ибн Hayy? N, помирно Loew и Парацелзус. Од 19 и 20 век, вештачки суштества стана заедничка карактеристика во фикција, како и во Мери Шели Франкенштајн или Карел? Apek е RUR (Росум Универзалната Роботи). Памела McCorduck тврди дека сите овие се примери на античка нагон, како што таа ја опишува како "да се гради на боговите". Приказните за овие суштества и нивните судбини дискутираат многу од исти надежи, стравови и етички проблеми, кои се презентирани од страна на вештачката интелигенција.

Механички или "формалната" резонирање е развиена од филозофи и математичари од антиката. Изучување на логиката доведе директно до пронајдокот на програмабилни дигитални електронски компјутер, врз основа на работата на математичарот Алан Тјуринг и други. теорија Тјуринг на пресметка сугерираше дека машина, од довлечкаа симболи како што е едноставно како што е "0" и "1", би можеле да симулираат било разбирливо чин на математички одбивање. Ова, заедно со неодамнешните откритија во неврологијата, информации теорија и кибернетиката, инспирирани една мала група на истражувачи да почне сериозно да се разгледа можноста за изградба на електронски мозок.

На полето на вештачката интелигенција истражување беше основана на конференција во кампусот на Dartmouth колеџ во летото 1956 година. Посетителите, вклучувајќи ги Џон McCarthy, Марвин Мински, Ален Newell и Херберт Симон, стана лидерите на АИ истражување за многу децении. Тие и нивните ученици напиша програми, кои беа, за повеќето луѓе, едноставно зачудувачко: компјутери беа решавање на зборот проблеми во алгебра, логички докажување теореми и да се зборува англиски јазик. До средината на 1960-тите години, истражувањата во САД беше тешко финансиран од страна на Одделот за одбрана и лаборатории биле воспоставени ширум светот. основачите Пи беа длабоко оптимист во врска со иднината на ново поле: Херберт Симон предвиде дека "машини ќе бидат способни во рок од дваесет години, од секаква работа човекот може да направи" и Марвин Мински се согласија, пишувајќи дека "во рок од една генерација ... на проблемот на создавање на "вештачка интелигенција" значително ќе се реши ".

Тие не успеале да ја признае тежината на некои од проблемите со кои се соочуваат. Во 1974 година, како одговор на критиките на Англија Сер Џејмс Lighthill и тековните притисок од Конгресот да финансира повеќе продуктивни проекти, американските и британските власти погуби сите ненасочен, прелиминарни истражувања во Пи. Следните неколку години, кога финансирање за проекти беше тешко да се најде, подоцна ќе биде наречена "All Inclusive" зима ".

Во раните 1980-ти, AI истражување беше оживеан од комерцијален успех на експертски системи, форма на АИ програма која симулирани на знаењето и аналитичките способности на еден или повеќе човечки експерти. До 1985 на пазарот за AI го достигна над една милијарда долари. Во исто време, петта генерација на Јапонија компјутер проектот инспириран од американските и британските власти за враќање на финансирање за академски истражувања во оваа област. Меѓутоа, со почетокот на колапсот на Машинско Lisp на пазарот во 1987 година, АИ уште еднаш падна во лош репутација, и второ, долгогодишното Пи зима започна.

Во 1990-тите и почетокот на 21 век, AI го постигнал својот најголем успех, иако малку зад кулисите. Вештачка интелигенција се користи за логистика, податоци за рударство, медицинска дијагноза и многу други области низ технологија индустрија. Успехот се должи на неколку фактори: неверојатната моќ на компјутерите денес (види закон Мур), поголем акцент на решавање на специфични subproblems, создавање на нови односи меѓу All Inclusive "и во други области кои работат на слични проблеми, а пред сè нов ангажман од страна на истражувачи и цврсти научни методи и строги научни стандарди.

Проблеми

На проблемот на симулира (или создавање) интелигенција е расчленети на голем број на специфични под-проблеми. Овие се состојат од основни карактеристики или способности, кои истражувачите би сакал еден интелигентен систем за прикажување. На карактеристики опишани подолу добиле најмногу внимание.

Дедукција, расудување, решавање на проблеми

Рано Пи истражувачи разви алгоритам кој имитира чекор-по-чекор расудување дека луѓето користат кога решаваат загатки, играат табла игри или да логичка одбивања. До крајот на 1980-тите и '90 Пи истражување исто така разви многу успешни методи за справување со несигурна или нецелосни информации, вработување концепти од веројатност и економијата.

За тешките проблеми, повеќето од овие алгоритми можат да бараат огромна пресметковни ресурси - повеќето искуство на "комбинаторна експлозија": износот на меморија или компјутер времето потребно станува астрономски кога проблемот оди подалеку од одредена големина. Од пребарувањето за поефикасно решавање на проблемот со алгоритми е висок приоритет за AI истражување.

Човечките суштества го решат најголемиот дел од своите проблеми со користење на брз, интуитивен пресуди, а не свесно, чекор-по-чекор одбивање дека раното Пи истражување беше во можност да модел. АИ има направено одреден напредок во имитира овој вид на "суб-симболични" решавање на проблемот: отелотворени пристапи ја потенцира важноста на sensorimotor вештини за повисоки расудување; нервните нето истражување се обидува да симулира структури внатре во луѓето и животните мозоци дека доведува до оваа вештина.

Представувањето на знаењето

Представувањето на знаењето и знаење инженеринг се централни за AI истражување. Многу од проблемите машини се очекува да ги реши ќе бара широко познавање за светот. Меѓу работите кои Пи треба да претставуваат се: предмети, својства, категории и односи меѓу објектите; ситуации, настани, држави и време; причини и ефекти; знаење за знаење (она што го знаеме за она што другите луѓе знаат), и многу други, помалку добро истражуван домени. А заврши застапеност на "она што постои" е онтологијата (задолжување еден збор од традиционалната филозофија), од кои повеќето воопшто се нарекува Горна онтологии.

Меѓу најтешките проблеми во знаење застапеност се:

Стандардна расудување и квалификација problemMany на нештата луѓе знаат да бидат во форма на "работен претпоставки." На пример, ако птицата во разговор, луѓето обично слика на животно кое е тупаница големина, пее и лета. Ниту еден од овие нешта се вистинити за сите птици. Џон McCarthy идентификувани овој проблем во 1969 година како квалификација проблем: за било која CommonSense правилото дека Пи истражувачи грижа да ја застапува, има тенденција да се огромен број на исклучоци. Речиси ништо не е едноставно вистински или лажни во начинот на кој апстрактни логика бара. Пи истражување ги проучувал голем број на решенија за овој проблем. Ширина на CommonSense knowledgeThe бројот на атомски факти дека просечен човек што знае не е астрономска. Истражувачки проекти, кои се обидуваат да се изгради комплетна база на знаење од CommonSense знаење (на пример, Cyc) бараат огромни суми на макотрпна онтолошка инженеринг - тие мора да бидат изградени, со рака, еден комплициран концепт во исто време. Главната цел е да имаат компјутер разбере доволно концепти да бидат во можност да дознаете со читање од извори на податоци како на интернет, и на тој начин може да се додаде во својата онтологија. На subsymbolic форма на некои CommonSense knowledgeMuch на она што луѓето го знаат, не е претставен како "факти", или "изјави" дека тие всушност би можеле да каже гласно. На пример, шаховски мајстор ќе се избегне одредена шах позиција поради тоа што "се чувствува премногу изложени" или ликовен критичар може да потрае еден поглед на статуа и за миг да сфатат дека е лажен. Овие се интуиции или тенденции, кои се застапени во мозокот не-свесно и под-симболично. Знаење вака информира, поддржува и обезбедува контекстот за симболична, свесно знаење. Како и кај поврзани со проблемот на под-симболично размислување, се надеваме дека се наоѓа Пи или пресметковни интелигенција ќе обезбеди начини да се репрезент на овој вид на знаење.

Планирање

Интелигентни агенти мора да бидат способни да постават цели и да постигнат нив. Тие треба начин да се визуелизира иднината (тие мора да има претставување на држава на светот и може да се направи предвидувања за тоа како нивните постапки ќе ја промени) и да бидат способни да прават избор која се зголеми на комунални услуги (или "вредност") на достапните избори.

Во класичната планирање проблеми, агенти може да се претпостави дека тоа е единственото нешто што дејствуваат во светот и тоа може да биде сигурен какви би биле последиците на своите дејства може да биде. Меѓутоа, ако тоа не е точно, тоа периодично мора да проверите дали светот натпревари своите предвидувања и мора да го промени својот план како овој станува неопходно, се бара застапник на разумот во неизвесност.

Мулти-агент планирање користи соработка и конкуренција на многу агенти за да се постигне одредена цел. Појавни однесување, како што тоа се користи од страна еволутивен алгоритми и рој интелигенција.

Учење

Машинско учење е централната Пи истражување од почетокот. Без надзор учење е способноста да се најдат моделите на струја на влезот. Надгледувано учење вклучува и класификација и нумерички регресија. Класификација се користи за да се утврди каква категорија нешто му припаѓа, по гледањето на некој број на примери на нештата од неколку категории. Регресија зема збир на нумерички влез / излез примери и се обидува да открие континуиран функција која ќе генерира резултати од влезови. Во засилување за учење на агентот е награден за добар одговори и казнет за лоши. Овие може да се анализира во однос на одлуката на теоријата, со користење на концепти како алатка. Математичката анализа на машина за учење алгоритми и нивната ефикасност е гранка на теоретската компјутерска наука познат како пресметковни учење теорија.

Природниот јазик обработка

Природниот јазик обработка дава машини способност да читаат и разбираат јазици кои луѓето зборуваат. Многу истражувачи се надеваат дека доволно моќен природен јазик обработка систем ќе биде во можност да се здобијат со знаења за свој, со читање на постоечкиот текст на располагање преку интернет. Некои едноставни апликации обработка на природните јазици вклучуваат пронаоѓање (или текст рударски) и за машинско преведување.

Движење и манипулација

ASIMO користи сензори и интелигентни алгоритми за да се избегнат пречките и да стигнете скалите.

Од областа на роботиката е тесно поврзана со Пи. Интелигенција е потребен за роботи за да може да се справи со таквите задачи, како предметно манипулација и навигација, со под-проблеми на локализација (знаејќи каде сте), мапирање (учење што е околу вас) и движење планирање (за да пронајдат начин да стигнете до таму) .

Перцепција

Машина за перцепција е можноста за употреба на влез од сензори (како што камери, микрофони, Сонар и други егзотични повеќе) да се заклучи аспекти на светот. Компјутерска визија е способноста да се анализира визуелна влез. Неколку избрани subproblems се за препознавање на говор, на лицето признавање и објект признавање.

Социјалната интелигенција

Кисмет, еден робот со примитивна социјални вештини

Емоција и социјални вештини игра две улоги за интелигентен агент. Прво, тој мора да биде способна да се предвиди акциите на другите, со разбирање нивните мотиви и емоционална држави. (Ова вклучува елементи на теоријата на игри, одлуката теорија, како и способноста да се модел човечките емоции и перцептуална вештини за откривање на емоциите.) Исто така, за добар човек-компјутер интеракција, интелигентна машина, исто така, треба да прикаже емоции. Во најмала рака таа мора да се појави љубезен и чувствителни на луѓето што се поврзува со. Во најдобар случај, таа треба да има нормална самата емоции.

Креативност

Topio, робот кој може да игра тенис на маса, развиена од страна TOSY.

А под-полето на вештачката интелигенција и теоретски адреси креативност (од филозофски и психолошки гледано) и практично (преку специфични имплементации на системи кои генерираат резултати кои можат да се сметаат за креативно).

Општа интелигенција

Повеќето истражувачи се надеваат дека нивната работа евентуално ќе бидат инкорпорирани во машината со општа интелигенција (позната како силна АИ), комбинирајќи сите вештини погоре и пречекорување на човековата способности во повеќето или сите од нив. Неколку верувам дека антропоморфни особини како вештачки свест или вештачко мозокот може да се бара за еден таков проект.

Многу од проблемите погоре се сметаат за Пи-заврши: да се реши еден проблем, мора да ги реши сите нив. На пример, дури и директна, специфична задача како машински превод бара машина следат аргумент на авторот (причина), знаат што се зборува за (знаење), и верно репродуцира намерата на авторот (социјалната интелигенција). Машинско преведување, затоа, се верува дека е AI-заврши: таа може да бара силна АИ да се направи, како и луѓето можат да го сторат.

Пристапи

Нема воспоставена обединувачки теорија или парадигма дека водичи Пи истражување. Истражувачи не се согласуваат за многу прашања. Неколку од најпознатите долгогодишна прашања што останаа неодговорени се овие: треба да вештачка интелигенција симулираат природни интелигенција, со проучувањето психологија или отприлика? Или е човечка биологија како нерелевантно за AI истражувања, како птица биологија е да воздухопловна инженеринг? Може да се интелегентни однесување да се опише со едноставни, елегантни принципи (како логика или оптимизација)? Или не тоа е неопходно решавање на голем број на комплетно неповрзани проблеми? разузнавачките можат да бидат репродуцирани користење на високо ниво симболи, слични на зборови и идеи? Или не го бара тоа "под-симболични" обработка?

Кибернетиката и мозокот симулација

Не постои консензус за тоа како тесно мозокот треба да се симулиран.

Во 1940-тите и 1950-тите, голем број на истражувачи истражи поврзаноста меѓу неврологија, информации и теорија, и кибернетика. Некои од нив изградени машини кои се користат електронски мрежи за изложба рудиментарни интелигенција, како желки В. Греј Волтер и "Џонс Хопкинс ѕвер. Многу од овие истражувачи се собраа за состаноците на телеологичен општество на универзитетот Принстон и Сооднос клуб во Англија. Од 1960 година, овој пристап во голема мера беше напуштен, иако елементите на тоа ќе биде обновена во 1980-тите.

Симболичниот

Кога пристап до дигитални компјутери стана можно во средината 1950 година, АИ истражување започна да ја истражува можноста дека човековата интелигенција може да биде сведена на симбол манипулација. Истражувањето е центриран во трите институции: CMU, Стенфорд и МИТ, и секој од нив развиено свој стил на истражување. Џон Haugeland именуван овие пристапи кон АИ "добри старомодни Пи" или "GOFAI".

Когнитивните simulationEconomist Херберт Симон и Алан Newell изучува човечкиот решавање на проблемот со вештини и се обидел да ги формализира, и нивната работа темелите на полето на вештачката интелигенција, како и когнитивните науки, истражувачки активности и управувањето со науката. Нивниот истражувачки тим врши психолошки експерименти за да се покажат сличностите помеѓу човековите за решавање на проблемот и програми (како што се нивните "Генерал Проблем решавање") тие се развива. Оваа традиција, центрирани на Карнеги Мелон Универзитетот евентуално би кулминираат во развојот на архитектурата се зголемуваат во средината на 80-тите. Логика basedUnlike Newell и Симон, Џон McCarthy се чинеше дека машините не треба да симулираат човечката мисла, но наместо тоа, треба да се обидете да најдете суштината на апстрактно размислување и решавање на проблемот, без оглед на тоа дали луѓето користат истата алгоритми. Неговата лабораторија на Универзитетот "Стенфорд (плови) фокусирани за користење на формалната логика да се реши со широк спектар на проблеми, вклучувајќи и знаење застапеност, планирањето и учењето. Логиката беше, исто така, се фокусираат на работата на Универзитетот од Единбург и на други места во Европа, што доведе до развој на програмскиот јазик Пролог и науката на логиката програмирање. "Анти-логика" или "развлечен" Истражувачите на МИТ (како Марвин Мински и Симор Papert) откри дека за решавање на тешките проблеми во визија и природниот јазик обработка бара ад-хок решенија - тие тврдат дека не постои едноставна и општо принцип (како логиката) дека ќе фати сите аспекти на интелегентни однесување. Роџер Schank опиша нивниот "анти-логика" пристапи како "развлечен" (за разлика од "уредни" парадигми на CMU и Стенфорд). CommonSense знаење бази (како Cyc Даг Lenat), се пример на "развлечен" All Inclusive ", бидејќи тие мора да бидат изградени од страна, еден комплициран концепт во исто време. Знаење basedWhen компјутери со големи спомени стана достапен околу 1970 година, истражувачите од сите три традиции почна да се изгради на знаење во Пи апликации. Ова "знаење револуција" доведе до развој и распоредувањето на експертски системи (воведен од страна на Едвард Feigenbaum), прв вистински успешна форма на АИ софтвер. На знаење револуцијата беше, исто така, управувано од сфаќањето дека огромни количества на знаење ќе биде потребен од страна на многу едноставен Пи апликации.

Под-симболичка

Во текот на 1960 година, симболично пристапи постигнал голем успех на симулирање на високо ниво размислување во мала демонстрација програми. Пристапи врз основа на кибернетиката или нервните мрежи биле напуштени или вовлекување во позадина. Од страна на 1980-тите години, меѓутоа, напредокот во симболични АИ се чинеше да го одложи и многу верувал дека симболички системи никогаш нема да биде во можност да имитира сите процеси на човековото осознавање, особено перцепција, роботиката, учење и препознавање. Голем број на истражувачи почна да се погледне во "суб-симболични" пристапи кон конкретни Пи проблеми.

Одоздола нагоре, отелотворена, која се наоѓа, однесување со седиште или Nouvelle AIResearchers од поврзана со полето на роботиката, како Родни Брукс, го отфрли симболични АИ и се фокусираше на основните инженерски проблеми кои ќе овозможат роботите да се движат и преживее. Нивната работа оживеа не-симболичен гледна точка на почетокот на кибернетиката истражувачи на 50-тите години и повторно користење на контрола на теоријата во Пи. Овие приоди се, исто така, концептуално поврзани со отелотворени ум теза. Компјутерска IntelligenceInterest во нервните мрежи и "connectionism" повторно оживеа од Дејвид Rumelhart и други, во средината 1980-те. Овие и други суб-симболичен пристапи, како што се нејасни системи и еволутивен пресметка, сега се изучува колективно од страна на новите дисциплина на компјутерската интелигенција.

Статистика

Во 1990-тите, AI истражувачи разви софистицирана математички алатки за решавање на конкретни subproblems. Овие алатки се вистински научни, во смисла дека нивните резултати се и мерливи и проверливи, а тие биле одговорни за многу на неодамнешните успеси AI's. Заедничките математички јазик, исто така, дозволено високо ниво на соработка со повеќе основани полиња (како математика, економија или истражувачки активности). Стјуарт Расел и Питер Norvig опишуваат ова движење како ништо помалку од "револуција" и "победата на neats."

Интегрирањето на пристапите

Intelligent agent paradigmAn intelligent agent is a system that perceives its environment and takes actions which maximizes its chances of success. The simplest intelligent agents are programs that solve specific problems. The most complicated intelligent agents are rational, thinking humans. The paradigm gives researchers license to study isolated problems and find solutions that are both verifiable and useful, without agreeing on one single approach. An agent that solves a specific problem can use any approach that works — some agents are symbolic and logical, some are sub-symbolic neural networks and others may use new approaches. The paradigm also gives researchers a common language to communicate with other fields—such as decision theory and economics—that also use concepts of abstract agents. The intelligent agent paradigm became widely accepted during the 1990s. Agent architectures and cognitive architecturesResearchers have designed systems to build intelligent systems out of interacting intelligent agents in a multi-agent system. A system with both symbolic and sub-symbolic components is a hybrid intelligent system, and the study of such systems is artificial intelligence systems integration. A hierarchical control system provides a bridge between sub-symbolic AI at its lowest, reactive levels and traditional symbolic AI at its highest levels, where relaxed time constraints permit planning and world modelling. Rodney Brooks' subsumption architecture was an early proposal for such a hierarchical system.

Алатки

In the course of 50 years of research, AI has developed a large number of tools to solve the most difficult problems in computer science. A few of the most general of these methods are discussed below.

Search and optimization

Многу проблеми во АИ може да се реши во теорија од страна на интелигентно пребарување низ многу можни решенија: расудување може да биде сведена на вршење на пребарувањето. На пример, логичкиот доказ може да се гледа како барајќи за патека која води од просториите на заклучоци, каде што секој чекор е примената на изведување правило. Планирање на алгоритми за пребарување низ дрвјата на целите и subgoals, обидувајќи се да најдат патот до целта цел, процес наречен значи-завршува анализа. Роботиката алгоритми за придвижување на екстремитетите и фаќајќи објекти користат локални пребарувања во конфигурацијата на просторот. Многу за учење алгоритми користат алгоритми за пребарување, базирани на оптимизација.

Едноставни пребарувања сеопфатен ретко се доволни за повеќето проблемите со реалниот свет: од пребарувањето просторот (број на места за пребарување) брзо расте на астрономски бројки. Резултатот е потрага која е премногу бавен или никогаш не завршува. Решението, за многу проблеми, е да се користи "хеуристичко" или "правила на палецот" што се елиминира избори, кои веројатно нема да доведе до целта (наречена "градинарски за пребарување дрво"). Хеуристичко снабдување на со програмата за "најдобри се погоди", за што со патот, решението лежи на.

А многу поинаква од пребарувањето дојде до Рид во 1990-тите, врз основа на математичка теорија на оптимизација. За многу проблеми, можно е да се започне со пребарување со некоја форма на се погоди, а потоа насочите претпоставка постепено се додека не повеќе прочистувањата може да се направи. Овие алгоритми може да се визуелизира како слепа ридот Маратон: Ќе почнам од пребарувањето по случаен избор точка на пејзажот, а потоа, со скокови или чекори, ние ги движат нашите погоди нагорнина, додека не се достигне врвот. Други оптимизациски алгоритми се симулирани annealing, зрак пребарување и случајни оптимизација.

Еволуционистичка пресметка користи форма на оптимизација на пребарување. На пример, тие може да започне со население од организми (на нагаѓања), а потоа ќе им дозволи да мутира и recombine, со избирање само fittest да преживеат, секоја генерација (рафинација на претпоставки). Форми на еволутивен пресметка вклучуваат рој интелигенција алгоритми (како мравка колонија или честички рој оптимизација) и еволутивен алгоритми (како што се генетските алгоритми [103] и генетски програмирање [104] [105]).

Логика

Логиката е воведен во Пи истражување од страна на Џон McCarthy во неговиот 1958 Совет приемател предлогот. Логика се користи за знаење застапеност и за решавање на проблемот, но може да се применат во други проблеми. На пример, satplan алгоритам користи логика за планирање и индуктивни логичкото програмирање е метод за учење.

Неколку различни форми на логиката се користат во Пи истражување. Исказна или sentential логика е логика на изјавите кои можат да се вистинити или лажни. Логиката од прв ред, исто така, овозможува користење на квантификатори и предикати, и можат да ги изразат факти за локалитети, нивните имоти, и на нивните односи едни со други. Фази логика, е верзија на логиката од прв ред што им овозможува на вистината на изјавата треба да бидат претставени како вредност помеѓу 0 и 1, наместо едноставно да Точно (1) или лажно (0). Фази системи може да се користи за неизвесна расудување и се широко користени во современата индустриски и потрошувачот производ, системи за контрола. Стандардна логики, Немонотона логика и рестрикција се форми на логика дизајнирана да ви помогне со стандардно расудување и квалификација проблем. Неколку екстензии на логиката се дизајнирани да се справи со одредени домени на знаење, како што се: опис логики; ситуација анализа, настан анализа и течно анализа (за застапување настани и време); причинско-последична анализа; верување анализа, и модалните логики.

Во 1963 година, Џ. Алан Робинсон откриени едноставен, заврши и целосно алгоритамски метод за логички одбивање кое лесно може да се врши од страна на дигитални компјутери. Меѓутоа, наивно имплементација на алгоритмот брзо доведува до комбинаторна експлозија или бесконечна јамка. Во 1974, Роберт Ковалски предложи претставуваат логички изрази како Хорн клаузули (извештаи во форма на правила: "ако p тогаш q"), која намалена логично одбивање да наназад chaining или напред chaining. Ова во голема мера олеснија (но не се елиминира) на проблемот.

Probabilistic методи за неизвесна расудување

Многу проблеми во AI (во расудување, планирање, учење, перцепција и роботиката) имаат потреба од агенти за работа со нецелосни или несигурни информации. Почнувајќи во доцните 80-ти и почетокот на 90-тите години, Јудеја скапоценост и други се залагаше за употреба на методи составен од теоријата на веројатност и економија да изнајдеме број на моќни алатки за решавање на овие проблеми.

Bayesian мрежи се многу општи алатка која може да се користи за голем број на проблеми: расудување (со користење на Bayesian инференција алгоритам), учење (користење на очекувањата, максимизација алгоритам), планирање (со користење на одлуката на мрежи) и перцепција (со користење на динамички Bayesian мрежи ). Probabilistic алгоритми, исто така, може да се користи за филтрирање, предвидувања, мазнење и наоѓање објаснувања за текови на податоци, помагајќи перцепција системи да се анализира процесите што се случуваат со текот на времето (на пример, скриен Марков модели или Калман филтри).

Клучен концепт од науката за економија е "Нови": мерка за тоа како вредни нешто не е во интелигентен агент. Прецизни математички алатки се развиени дека се анализира како агент можат да направат избор и план, со користење на одлуката теорија, анализа на одлуката, информации вредност теорија. Овие алатки се модели како што се Марков одлуката процеси, динамички одлука мрежи, теоријата на играта и механизам дизајн.

Класификатори и статистички методи на учење

Наједноставниот Пи апликации може да се подели во два вида: класификатори ("ако сјајна тогаш дијамант") и контролери ("ако сјајна потоа ги собереш"). Контролори все, исто така, се класифицираат услови пред да inferring акции, а со тоа и класификација формира централниот дел на многу Пи системи. Класификатори се функции кои користат модел појавување да одреди најблиску натпревар. Тие можат да бидат вклучени во согласност со примери, што ги прави многу атрактивна за употреба во Пи. Овие примери се познати како забелешки или дезени. Во надгледувана учење, секој модел припаѓа на одреден предефиниран класа. А класа може да се види како одлука дека треба да се направи. Сите забелешки во комбинација со нивната класа етикети се познати како множество на податоци. Кога нов набљудување е примена, дека набљудувањето е класифицирани врз основа на претходното искуство.

А класификатор може да бидат обучени во различни начини; постојат многу статистички и машина за учење приоди. Најшироко користени класификатори се нервните мрежа, кернелот методи како поддршка вектор машина, к-најблискиот сосед Алгоритам Gaussian мешавина модел, наивна Bayes класификатор, и донесувањето на дрво. Ефикасноста на овие класификатори се во споредба во текот на еден широк спектар на задачи. Класификатор перформанси зависи во голема мера на карактеристиките на податоци, за да се квалификуваат. Не постои единствен класификатор кој работи најдобро на сите дадени проблеми, тоа е, исто така, се нарекува "нема слободни ручек" теорема. Утврдување на соодветни класификатор за даден проблем сè уште е повеќе уметност отколку наука.

Невронни мрежи

A neural network is an interconnected group of nodes, akin to the vast network of neurons in the human brain.

The study of artificial neural networks began in the decade before the field AI research was founded, in the work of Walter Pitts and Warren McCullough. Other important early researchers were Frank Rosenblatt, who invented the perceptron and Paul Werbos who developed the backpropagation algorithm.

The main categories of networks are acyclic or feedforward neural networks (where the signal passes in only one direction) and recurrent neural networks (which allow feedback). Among the most popular feedforward networks are perceptrons, multi-layer perceptrons and radial basis networks. Among recurrent networks, the most famous is the Hopfield net, a form of attractor network, which was first described by John Hopfield in 1982. Neural networks can be applied to the problem of intelligent control (for robotics) or learning, using such techniques as Hebbian learning and competitive learning.

Jeff Hawkins argues that research in neural networks has stalled because it has failed to model the essential properties of the neocortex, and has suggested a model (Hierarchical Temporal Memory) that is based on neurological research.

Control theory

Control theory, the grandchild of cybernetics, has many important applications, especially in robotics.

Јазици

Пи истражувачи имаат развиено неколку специјализирани јазици за AI истражувања, вклучувајќи Lisp и Prolog.

Оценување на напредокот

Како може човек да се утврди дали некој застапник интелегентни? Во 1950 година, Алан Тјуринг предложи општи постапка за тестирање на интелигенција на агент сега познат како тест Тјуринг. Оваа процедура им овозможува на речиси сите големи проблеми на вештачка интелигенција за да се тестираат. Сепак, тоа е многу тежок предизвик и во моментов сите агенти пропадне.

Вештачка интелигенција, исто така, може да се оценува врз специфични проблеми како што се мали проблеми во хемија, рака-пишување признавање и подигравката. Ваквите тестови се нарекува предметот експерт Тјуринг тестови. Помали проблеми обезбеди повеќе остварливи цели и има постојано зголемување на бројот на позитивни резултати.

Широко класи на резултатот за тестот Пи се:

• Оптимална: тоа не е можно да се претстават подобро
• Силен супер-човек: врши подобро од сите луѓе
• Супер-човек: врши подобро отколку повеќето луѓе
• Под-човековите: врши полошо отколку повеќето луѓе

На пример, настап на нацрти е оптимално, перформанси во шахот е супер-човечка и близу силна супер-човек, како и ефикасноста на многу секојдневните задачи изведена од страна на луѓето е суб-човечки.

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.

Платформи

А платформа (или "компјутерска платформа") е дефиниран од страна на Википедија како "некој вид на хардвер или софтвер архитектура рамка (вклучувајќи и примена рамки), кој им овозможува на софтвер да работи." Како Родни Брукс посочи пред многу години, не е само вештачка интелигенција софтвер кој го дефинира Пи карактеристики на платформа, туку на вистинските самата платформа, која влијае на АИ дека резултатите, односно, ние треба да се работи од Пи проблеми на реалниот свет платформи отколку во изолација.

А широк спектар на платформи е дозволено различни аспекти на АИ за развој, почнувајќи од експертски системи, иако PC-базирани, но сепак целиот реалниот свет систем на различни робот платформи како што се широко достапни Roomba со отворени интерфејс.

Филозофија

Вештачка интелигенција, од кои тврдат дека се во можност да го пресоздаде во способностите на човечкиот ум, е истовремено и предизвик и инспирација за философија. Дали постојат ограничувања за тоа како интелигентни машини може да биде? Дали постои основна разлика помеѓу човековите интелигенција и вештачка интелигенција? Може да машина имаат ум и свест? Неколку од највлијателните одговори на овие прашања се дадени подолу.

"Тјуринговата учтиво конвенција"
Ако машината функционира како интелигентно како човечко битие, тогаш тоа е како интелигентни како човечко суштество.
Алан Тјуринг теорија дека, во крајна линија, ние може само да се суди на интелигенција на машина врз основа на своето однесување. Оваа теорија претставува основа на test.The Тјуринг Dartmouth предлогот
"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."

За авторот

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.

Нема сродни теми.

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