Ukrep Številke - Comic, vojaški, Sports & More Awesome izbor vseh vrst ukrepov številkah. Anime, Comic, Designer, vojaški, šport, transformatorji, TV & Movie, Star Wars, Super Mario, & More!

Robot Heroes Set

Umetne inteligence

Umetne inteligence (AI) je inteligenca strojev in veje računalništva, katerega cilj je ustvariti. Učbenikov določanje polja kot "študija in načrtovanje inteligentnih agentov," kjer inteligentni agent je sistem, ki zaznava svoje okolje in se ukrepi, ki čim bolj njegove možnosti za uspeh. John McCarthy, ki je skoval izraz leta 1956, ga opredeljuje kot "znanosti in tehnike izdelave inteligentnih strojev."

Področju je bila ustanovljena na trditvi, da osrednji premoženja ljudi, obveščevalnih Modrost od Homo sapiens lahko, tako natančno opisano, da jo lahko simulira naprava. To sproža filozofskih vprašanj o naravi uma in omejitev znanstvenih precenjevanje samega sebe, vprašanja, ki so obravnavane mit, fikcijo in filozofije od antike. Umetna inteligenca je bila predmet osupljive optimizma, je utrpela omamljanje zastojev in, danes je postal pomemben del tehnološke industrije, ki zagotavlja odpravo težkih za mnoge od najtežjih problemov v računalništvu.

AI raziskave je zelo tehničnega in posebnega, močno razdeljena na podpolja, ki pogosto ne komunicirajo med seboj. Podpolj so odraščali okoli posameznim ustanovam, delo posameznih raziskovalcev, rešitev posameznih problemov, dolgoletno različna mnenja o tem, kako bi bilo treba storiti AI in uporabo zelo različnih orodij. Osrednji problemi AI vključuje take lastnosti kot obrazložitve, znanja, načrtovanje, učenje, komunikacija, zaznavanje in zmožnost do prostega gibanja in manipulirati predmetov. Splošne inteligentnosti (ali "močna AI) je še vedno dolgoročni cilj (nekateri) raziskav.

Zgodovina

Razmišljanje stroji in umetne bitja pojavljajo v grških mitov, kot so Talos na Kreti, zlati roboti z Hephaestus in Pygmalion na Galatea. Človeške upodobitve verjeli, da so obveščevalne so bile zgrajene v vseh večjih civilizacije: animirani kipi so častili v Egiptu in Grčiji in humanoid avtomati so bile zgrajene z Yan Shi, Hero iz Aleksandrije, Al-Jazari in Wolfgang von Kempelen. Prav tako je bilo splošno prepričanje, da je bila umetno ustvarjena bitja, ki ga J? Bir ibn Hayy? N, Juda Loew in Paracelsus. Z 19. in 20. stoletja, ljudje so umetno postala skupna značilnost v leposlovju, kakor je v Mary Shelley's Frankenstein ali Karel? APEK RUR (Rossum's Universal Robots). Pamela McCorduck trdi, da vse to so primeri starih pozivam, kot ona ga opisuje, "da vzpostavi bogov". Zgodbe teh bitij in njihove usode razpravljajo veliko od istih upa, strahove in etičnih vprašanj, ki so predstavljene z umetno inteligenco.

Mehanske ali "je bil uradno" obrazložitev so jih razvili filozofi in matematiki od antike. Študija logike so neposredno privedli do iznajdbe programabilna digitalna računalnik, ki temelji na delu matematik Alan Turing in drugi. teorija Turing o računanja predlagala, da stroj, ki ga shuffling simboli tako enostavno, kot "0" in "1", bi lahko simulirajo vsakršno dejanje matematičnih odbitka. To, skupaj z nedavnimi odkritji v nevrologiji, teorija informacij in kibernetika, ki temelji majhna skupina raziskovalcev, da začne resno razmisli o možnosti gradnje elektronskih možganov.

Na področju raziskav AI je bila ustanovljena na konferenci o kampusu Dartmouth College poleti 1956. Udeležencev, vključno z John McCarthy, Marvin Minsky, Allen Newell in Herbert Simon, je postal vodilni na področju raziskav AI za več desetletij. Oni in njihovi študenti napisal programe, ki so bili za večino ljudi, preprosto presenetljivo: računalnikov reševanje problemov v besedo algebra, ki dokazujejo, logično izreki in govorijo angleško. Do sredine leta 1960, raziskave v ZDA se je močno, ki jih financira Ministrstvo za obrambo in laboratorijev je bil ustanovljen po vsem svetu. ustanovitelji AI so bili globoko optimistični glede prihodnosti novo polje: Herbert Simon napovedal, da "bodo stroji, ki lahko v dvajsetih letih, od početje vsako delo človek lahko stori" in Marvin Minsky dogovorjeno, pisno potrdi, da "v generacijo ... problem ustvarjanja "umetne inteligence", se bo bistveno rešiti ".

Jim ni uspelo prepoznati težave nekaterih težav, s katerimi se srečujejo. Leta 1974 je kot odgovor na kritiko of England je Sir James Lighthill in stalno pritiska kongresa za financiranje bolj produktivnih projektov, ZDA in britanske vlade prekinejo vse neusmerjeno, predhodne raziskave v AI. Naslednjih nekaj letih, ko je bilo financiranje projektov težko najti, bi se kasneje poimenovali "AI zime".

V zgodnjih 1980-ih, je AI raziskave oživili, ki jih komercialni uspeh ekspertni sistemi, obliko programa AI, ki simulira znanje in analitične sposobnosti enega ali več strokovnjakov,. Z 1985 trg za AI je dosegel več kot milijardo dolarjev. Hkrati, peta generacija računalnika na Japonskem projekt navdihnil ameriških in britanskih vlad za ponovno vzpostavitev sredstev za akademske raziskave na tem področju. Vendar, začenši z razpada trga Machine Lisp leta 1987, AI znova padla na slab glas, in drugič, daljšim trajanjem, AI pozimi začel.

Leta 1990 in na začetku 21. stoletja, AI dosegel svoj največji uspeh, čeprav nekoliko v ozadju. Umetna inteligenca se uporablja za logistiko, podatkovnega rudarjenja, diagnoza in mnogih drugih območij v tehnološki industriji. Uspeh je bil posledica več dejavnikov: neverjetno moč računalnikov danes (glej Moorov zakon), večji poudarek na reševanje posebnih subproblems, ustvarjanje novih povezav med AI in drugih področjih delajo na podobne težave, predvsem pa novo zavezo raziskovalcev, da bodo trdne matematične metode in strogo znanstveni standardi.

Težave

Problem simulacije (ali ustvarjanja) obveščevalne je bil razčlenjen na več posebnih sub-problemov. Te vključujejo določene lastnosti ali sposobnosti, da bi raziskovalci kot inteligentni sistem za prikaz. Lastnosti opisane v nadaljevanju so prejeli največ pozornosti.

Odbitka, sklepanje, reševanje problemov

Zgodnje AI raziskovalci razvili algoritme, ki posnemajo obrazložitev korak za korakom, da ljudje uporabijo, ko rešujejo uganke, igrajo družabne igre ali pa logično odbitke. Do poznih 1980-ih in 90 let, je AI raziskav razvil tudi zelo uspešne metode za ravnanje z negotovimi ali nepopolnih podatkov, ki zaposlujejo konceptov iz verjetnosti in ekonomije.

Za zahtevne probleme, lahko večina teh algoritmov zahteva ogromne računalniške vire - največ izkušenj "kombinatorični eksplozije": znesek od spomin ali računalniških potreben čas postane astronomske, ko problem presega določeno velikost. Iskanje za učinkovitejše reševanje problemov algoritmov "je prednostna naloga raziskav AI.

Človeška bitja rešili večino problemov z uporabo hitro, intuitivno sodbe ne zaveda, odbitek korak-po-korak, ki je bil predčasno AI raziskave lahko model. AI je dosegla določen napredek na posnemanjem tovrstnega "sub-simbolično" reševanje problemov: zapisana pristopi poudarjajo pomen sensorimotor spretnosti za večjo utemeljitev, nevronske mreže poskusi raziskave za simulacijo strukture znotraj ljudi in živali možganov, ki povzroči to spretnost.

Predstavitev znanja

Predstavitev znanja in znanja inženiring so ključnega pomena za raziskave AI. Veliko težav strojev se pričakuje, da bo treba rešiti veliko znanja o svetu. Med stvari, ki AI potrebuje za zastopanje, so: objekti, lastnosti, kategorij in odnosov med predmeti, situacije, dogodke, države in čas, vzrokov in posledic; znanje o znanju (kar vemo o tem, kaj drugi ljudje vedo), in mnogih drugih, manj dobro raziskana področja. Popolna zastopanost ", kar obstaja," je ontologijo (zadolževanje besedo od tradicionalne filozofije), od katerih je najbolj splošno imenujemo zgornji ontologije.

Med najbolj zahtevne probleme v znanju zastopanje, so:

Default obrazložitve in kvalifikacije problemMany od stvari, ljudje vedo, v obliki "delovnih predpostavk." Na primer, če ptica v pogovoru, ljudje ponavadi slika žival, ki se pest velikih, poje, in muhe. Nobena od teh stvari so resnične o vseh ptic. John McCarthy opredeljene tega problema leta 1969 kot kvalifikacije problem: za vsako commonsense pravilo, da AI raziskovalci skrbi za zastopanje, je ponavadi veliko število izjem. Skoraj nič ni preprosto resničen ali neresničen na način, da abstraktna logika zahteva. AI raziskave je raziskati število rešitev tega problema. Širina commonsense knowledgeThe števila atomskih dejstva, da je povprečna oseba že ve, je astronomski. Raziskovalni projekti, ki poskušajo zgraditi popolno osnovno znanje commonsense znanja (npr. Cyc) zahteva ogromne količine naporen ontoloških inženiringa - morajo biti zgrajene, z roko, ena zapleten pojem naenkrat. Glavni cilj je, da se računalnik razumem dovolj konceptov, da se lahko učijo z branjem iz virov, kot so internet, in tako lahko dodate svoje ontologije. Subsymbolic obliki nekaterih commonsense knowledgeMuch o tem, kaj ljudje vedo, ni bila prikazana kot "dejstev" ali "izjave", ki bi lahko dejansko rekli naglas. Na primer, šahovski mojster bi se izognili položaju, šah, ker je po njegovem mnenju "preveč izpostavljeni" ali umetnostni kritik lahko en pogled na kip in takoj zavedaš, da je ponaredek. To so intuicije in težnje, ki so zastopane v možganih, ki niso zavestno in sub-simbolično. Znanje, kot je ta obvešča, podpira in zagotavlja okvir za simbolično, zavestno znanja. Kot pri sorodnih problem sub-simbolično sklepanje, je upati, da se nahajajo AI ali computational intelligence bo načine za zastopanje te vrste znanja.

Načrtovanje

Inteligentni agenti morajo biti sposobni določiti cilje in njihovo doseganje. Potrebujejo način za vizualizacijo prihodnosti (imeti morajo predstavitev stanja v svetu in biti sposoben napovedati, kako bo svoje ukrepe, da spremembe) in se lahko pri odločitvah, ki povečujejo uporabnost (ali "vrednost") razpoložljivih izbir.

V klasični načrtovanju težave, lahko agent domnevati, da je to edina stvar, ki deluje na svetu in je mogoče nekatere kaj lahko posledice njegove ukrepov. Vendar pa, če to ni res, mora občasno preverjajo, če svet tekmah svoje napovedi in mora spremeniti svoj načrt, kot bo to potrebno, zahteva agent, da razlog v negotovosti.

Multi-agent načrtovanje rabe sodelovanjem in konkurenco številnih dejavnikov za dosego določenega cilja. Nastajajoči vedenja, kot je ta, ki jih uporabljajo evolucijskih algoritmov in obveščevalnih roj.

Učenje

Strojno učenje so ključnega pomena za raziskave AI od začetka. Nenadzorovano učenje je sposobnost, da bi našli vzorce v toku vložek. Nadzorovano učenje vključuje klasifikacijske in numerične regresije. Razvrstitev se uporablja za določitev, kaj spada v kategorijo kaj, ko sem videl številne primere stvari iz več kategorij. Regresija ima niz numerične vhodno / izhodnih primere in skuša ugotoviti, zvezna funkcija, da bi imeli izhoda iz vložkov. V okrepitev učenja zastopnik nagrajen za dobro odgovore in kaznovan za slabe. Te je mogoče analizirati z vidika teorije odločanja, ki uporabljajo koncepte, kot korist. Matematične analize algoritmov strojnega učenja in njihova donosnost se veja teoretičnega računalništva znan kot računalniško učenje teorije.

Obdelavo naravnega jezika

Obdelavo naravnega jezika daje stroje sposobnost branja in razumevanja jezika, da ljudje govorijo. Številni raziskovalci upanje, da bo dovolj zmogljiva naravni jezik za obdelavo sistem sposoben pridobiti znanje na svoje, ki jih obravnava obstoječe besedilo na voljo na internetu. Nekatere enostavne uporabe naravnih govorjenju vključuje iskanje informacij (ali besedilo rudarstvo) in strojno prevajanje.

Gibanja in manipulacije

ASIMO uporablja senzorje in inteligenten algoritmi izogibanja oviram in krmarite po stopnicah.

Na področju robotike, je tesno povezana z AI. Inteligenca je potrebna za robote, da lahko na tako naloge, kot manipulacijo cilj in navigacija, s sub-problemi lokalizacije (vedoč, kje ste), kartiranje (učenje, kar je okoli vas) in gibanja načrtovanje (kipec, kako priti do tja) .

Dojemanje

Machine dojemanje je zmožnost za uporabo prispevkov senzorji (kot so kamere, mikrofoni, sonarji in druge bolj eksotičnih) razbrati vidikov sveta. Računalniškega vida je sposobnost analizirati vizualni vložek. Nekaj izbranih subproblems so prepoznavanje govora, prepoznavanje obrazov in prepoznavanje objekta.

Socialna inteligenca

Kismet, robot z osnovno socialne spretnosti

Čustva in socialne spretnosti dve nalogi, za inteligentne agent. Prvič, mora biti sposoben predvideti ukrepe drugih, z njihovo razumevanje motivov in čustvena stanja. (To vključuje elemente teorije iger, teorija odločanja, kakor tudi sposobnost, da model človeških čustev in zaznavnih sposobnosti za odkrivanje čustev.) Tudi za dobro-računalniško interakcijo ljudi, inteligentni stroj mora tudi za prikaz čustev. Vsaj mora biti vljuden in občutljiv za ljudi saj vpliva. V najboljšem primeru bi morala imeti normalno sama čustva.

Ustvarjalnost

TOPIO, robot, ki lahko igra namizni tenis, ki ga je razvil TOSY.

Sub-področju AI obravnava ustvarjalnost tako teoretično (s filozofskega in psihološkega vidika) in praktično (prek posebnih izvedb sistemov, ki ustvarjajo rezultate, ki jih je mogoče šteti ustvarjalni).

Splošne inteligentnosti

Večina raziskav je upanje, da bo delo njihova sčasoma treba vključiti v stroj s splošnimi inteligence (znana kot močna AI), ki združuje vse zgoraj spretnosti in več ljudi sposobnosti na večino ali vse od njih. Nekaj sum, da bodo antropomorfne lastnosti, kot so umetne zavesti ali umetne možgane, potrebnih za tak projekt.

Veliko težav zgoraj se štejejo za AI-popolna: za reševanje enega problema, morate rešiti vse. Na primer, tudi enostavno, posebna naloga je strojno prevajanje zahteva, da stroj sledijo avtorja argument (razlog), vedo, kaj se okrog govoril (znanje), in zvesto reproducirati avtorja namero (socialna inteligenca). Strojno prevajanje, zato je verjel, da je AI-popolna, saj lahko potrebna močna AI je treba storiti, kot tudi ljudje lahko to storite.

Pristopi

Ni sedež poenotenje teorije ali paradigmo, ki usmerja AI raziskave. Raziskovalci ne strinjata o številnih vprašanjih. Nekaj najbolj dolgoletni vprašanja, ki so ostala neodgovorjena, so te: naj umetne inteligence simulira naravno inteligenco, s študijem psihologije ali nevrologija? Ali pa je človeški biologiji kot nepomembna za raziskave AI kot ptica biologije je z letalskimi inženiring? Lahko inteligentno vedenje je treba opisati z uporabo preprostih, eleganten načela (kot so logika in optimizacija)? Ali pa je nujno potrebna za reševanje velikega števila popolnoma nepovezanih težav? Lahko obveščevalne podatke se razmnožuje s visoki ravni simbolov, podobno kot besede in ideje? Ali ne, da se "sub-simbolično" obdelave?

Kibernetika in možganov simulacijo

Ni soglasja o tem, kako natančno bi bilo treba simulirati možgane.

Leta 1940 in 1950, število raziskovalcev raziskati povezavo med nevrologija, teorija informacij, in kibernetike. Nekateri od njih zgradili strojev, ki se uporablja elektronska komunikacijska omrežja, da kažejo osnovno inteligenco, kot so želve W. Grey Walter in Johns Hopkins Zver. Mnogi izmed njih so zbrani za sestanke Teleološka društva na univerzi Princeton in Ratio Club v Angliji. Do leta 1960, je bilo to v veliki meri opustila, čeprav bi se elementi je oživela leta 1980.

Symbolic

Ko je postal dostop do digitalnih računalnikov je mogoče v sredini 1950-ih, AI raziskave začela raziskovati možnost, da bi človeške inteligence zmanjša na manipulacijo simbol. Raziskava je bila osredotočena na tri institucije: CMU, Stanford in MIT, vsak od njih razvil svoj stil raziskav. John Haugeland imenovan te pristope k AI "dober staromoden AI" ali "GOFAI".

Cognitive simulationEconomist Herbert Simon in Newell Alan študiral človeške spretnosti za reševanje problemov in poskušala formalizirajo, in njihovo delo, ki temelje na področju umetne inteligence, pa tudi kognitivne znanosti, dejavnosti raziskav in upravljanja znanosti. Njihove raziskovalne skupine izvajajo psihološke poskuse prikazati podobnosti med ljudi za reševanje problemov in programih (kot je njihov "Splošno Problem Solver") so bile v razvoju. Ta tradicija, ki so osredotočene na Carnegie Mellon University bi na koncu dosegla svoj vrh pri razvoju arhitekture Soar na sredini 80s. Logic basedUnlike Newell in Simon, John McCarthy je menilo, da s stroji ni bilo treba simulirati ljudi misli, ampak naj se namesto tega poskuša najti bistvo abstraktnega razmišljanja in reševanja problemov, ne glede na to, ali ljudje uporabljajo iste algoritme. Njegov laboratorij na Stanford (SAIL) osredotočila na uporabo formalnega logike pri reševanju različnih problemov, vključno z zastopanjem znanja, načrtovanje in učenje. Logic je bil tudi poudarek pri delu na Univerzi v Edinburghu in drugod po Evropi, ki je privedla do razvoja programskega jezika Prolog in znanost programiranja logike. "Anti-logiki" ali "scruffy" Raziskovalci na MIT (kot so Marvin Minsky in Seymour Papert) ugotovil, da reševanje težjih problemov v viziji in obdelavo naravnega jezika zahteva ad-hoc rešitve, - sta trdila, da ni bilo enostavno in splošno načelo (npr. logika), ki bi zajela vseh vidikov inteligentno vedenje. Roger Schank opisala njihove "anti-logike" pristopi kot "scruffy" (v nasprotju z "čeden" paradigme na CMU in Stanford). baze znanja pamet (kot Doug Lenat's Cyc) so primer "scruffy" AI, saj morajo biti zgrajene z roko, ena zapleten pojem naenkrat. Znanje basedWhen računalnike z velikimi spomini so bili na voljo okrog 1970, raziskovalce iz vseh treh tradicij začeli graditi znanja v aplikacije AI. To "znanje revolucija", je privedla do razvoja in uporabe ekspertnih sistemov (ki so ga Edward Feigenbaum), prva resnično uspešni obliki programske opreme AI. Znanja revolucija je bila tudi poganja spoznanje, da bi velike količine znanja, ki ga zahteva veliko preprostih aplikacij AI.

Sub-simbolično

Med 1960, je simbolično pristopi dosegla velik uspeh na simulacije visoki ravni razmišljanja v majhnih programov predstavitve. Pristopi so temeljile na kibernetika ali nevronske mreže zapuščeni ali potisne v ozadje. Z 1980, pa je napredek v simbolnem AI je zdelo, da hlev in mnogi verjeli, da simbolični sistemi nikoli ne bi mogel posnemati vse procese človeškega spoznavanja, zlasti zaznavanje, robotika, učenje in razpoznavanje vzorcev. Število raziskovalcev začel iskati v "sub-simbolično" pristopi posebnih težav AI.

Od spodaj navzgor, ki se kaže, se nahaja, vedenje temeljijo ali nouvelle AIResearchers iz sorodnem področju robotike, kot so Rodney Brooks, zavrniti simbolično AI in se osredotočile na osnovnih inženirskih problemov, s katerimi bi roboti do prostega gibanja in preživeti. Njihovo delo obnovil ne simbolično vidika zgodnjih kibernetike raziskovalci 50s in ponovno uporabo teorije nadzora v AI. Ti pristopi so tudi konceptualno povezane s tezo pooseblja duha. Computational IntelligenceInterest v nevronskih mrež in "connectionism" je oživljena z David Rumelhart in drugih v sredini 1980. Teh in drugih sub-simbolni pristope, kot so mehke sisteme in evolucijskega računanja, sedaj študiral skupaj z nastajajočimi discipline računalniške inteligence.

Statistični

Leta 1990, AI raziskovalci razvili sofisticiranih matematičnih orodij za reševanje posebnih subproblems. Ta orodja so resnično znanstveno, v smislu, da so njihovi rezultati tako izmerljivi in preverljivi, in so bili odgovorni za številne zadnjih uspehov AI. Skupna matematičnem jeziku je tudi dovoliti visoko stopnjo sodelovanja z bolj uveljavljenim področjih (kot so matematika, ekonomija ali operacijskih raziskav). Stuart Russell in Peter Norvig opisati tega gibanja, kot nič manj kot "revolucijo" in "zmago neats."

Vključevanje pristopov

Inteligentni agent paradigmAn inteligentni agent je sistem, ki zaznava svoje okolje in se ukrepi, ki maksimizira njeno možnosti za uspeh. Najenostavnejša inteligentni agenti so programi, ki rešitev posebnih težav. Najbolj zapleten inteligentni agenti so racionalni, razmišljanje ljudi. Paradigma daje raziskovalci dovoljenje za študij posameznih problemov in iskanju rešitev, ki so tako preverljive in koristne, ne da bi dogovor o enem samem pristopu. Agent, ki rešuje specifičen problem, lahko uporabite vsak pristop, ki dela - nekateri agenti so simbolične in logično, nekateri so pod-simbolične nevronskih mrež in drugi lahko uporabljajo nove pristope. Paradigma daje tudi raziskovalci skupen jezik za komunikacijo z drugimi področji, kot so teorija odločanja in ekonomije, ki prav tako uporabljajo pojmi abstraktne agentov. Inteligentni agent paradigma postala široko sprejeta v letih 1990. Agent arhitekture in kognitivne architecturesResearchers so zasnovani za izgradnjo inteligentnih sistemov iz stike inteligentnih agentov v multi-agent sistem. Sistem z obema simbolične in sub-simbolni komponent je hibridni inteligentni sistem, in študije teh sistemov je umetna obveščevalnih sistemov integracije. Hierarhičen sistem nadzora omogoča most med sub-simbolično AI na najnižji, reaktivno vrednosti in tradicionalnih simbolično AI na najvišji ravni, kjer je sproščen časovne omejitve dovolijo načrtovanje in svetu modeliranje. subsumption arhitektura Rodney Brooks je bil predčasno predlog za tak hierarhičnega sistema.

Orodja

V teku 50 let raziskav, je AI razvil veliko število orodij za reševanje najtežjih problemov v računalništvu. Nekaj najbolj splošnih teh metod so predstavljeni spodaj.

Search in optimizacija

Veliko težav v AI je mogoče rešiti v teoriji z inteligentno iskanje po več možnih rešitev: Reasoning je mogoče zmanjšati, da bo izvedel iskanja. Na primer, lahko logično dokaz obravnavati kot iskanje poti, ki vodi iz prostorov do sklepov, kjer je vsak korak je uporaba sklepanja pravila. Načrtovanje algoritmov iskanje z drevesa ciljev in podcilje, poskus, da bi našli pot do cilja cilj, proces, imenovan sredstvo deli analizo. Robotika algoritme za premikanje udov in izkoriščanje predmetov uporabo lokalnih iskanje v prostoru konfiguracijo. Veliko algoritmov učenja uporabe iskalne algoritme, ki temelji na optimizaciji.

Enostavno izčrpen iskanja so le redko dovolj za večino resnični svet problemov: iskanje prostora (število mest za iskanje), hitro raste za astronomske številke. Posledica tega je iskanje, ki je premajhna ali nikoli končano. Rešitev za številne probleme, je z uporabo "tolči" ali "pravila palca", ki odpravljajo možnosti, da je malo verjetno, da bo privedla do cilja (imenovano "vrtnarskimi iskalno drevo"). Hevristiko dobava program z "najboljše ugibanje" za tisto, kar pot Rešitev je on.

Zelo različne vrste iskanja prišel v ospredje leta 1990, ki temelji na matematično teorijo optimizacije. Za mnoge težave, je mogoče začeti iskanje z neke vrste ugibati, nato pa izboljšate ugibati postopoma, dokler ni mogoče izvajati v ne več izboljšav. Ti algoritmi lahko predstavljamo kot slepo hribu plezanje: začnemo iskati na naključno izbranem mestu na pokrajino, nato pa s skoki ali korakih, smo ostali, ki se gibljejo naše ugibati klanec, dokler ne pridemo na vrh. Drugih optimizacijskih algoritmov so simuliranega ohlajanja, svetlobni iskanje in naključno optimizacijo.

Evolucijskega računanja uporablja obliko iskanje optimizacijo. Na primer, lahko začne z populacije organizmov (ugibanja), potem pa jim omogoči, da mutirajo in rekombinacije, izberete le najmočnejšega za preživetje vsake generacije (prečiščevanje ugibanja). Oblike evolucijskega računanja so roj algoritmi inteligence (kot kolonija mravelj ali roji delcev, optimizacija) in evolucijskih algoritmov (kot genetski algoritmi [103] in genetsko programiranje [104] [105]).

Logic

Logic je bil uveden v AI raziskave John McCarthy v svojem predlogu 1958 Svetovanje kupcu. Logika se uporablja za predstavitev znanja in reševanje problemov, vendar se lahko uporabljajo za druge težave, kot dobro. Na primer, satplan algoritem uporablja logiko za načrtovanje in induktivno logično programiranje je metoda za učenje.

Več različnih oblik logiki se uporabljajo v raziskavah AI. Stavčna ali stavčne logika je logika izjav, ki so lahko resnična ali neresnična. Prvega reda logika omogoča tudi uporabo kvantifikatorji in predikatov, in lahko izrazijo dejstev o predmetih, njihove lastnosti, in njene odnose s seboj. Mehke logike, je različica prvega reda logiko, ki omogoča resnico izjave, ki se predstavlja kot vrednost med 0 in 1, in ne samo True (1) ali False (0). Fuzzy sistemi se lahko uporabljajo za negotove obrazložitev in so se pogosto uporablja v sodobnih industrijskih in potrošniških sistemi za nadzor izdelkov. Default logike, ki niso enakomerno logike in mat so oblike logike oblikovana, da pomagajo z argumenti default in kvalifikacije problem. Več razširitev logike so bili oblikovani za obravnavo posebnih področjih znanja, kot so: opis logike; stanje računa, če račun in tečna računa (za zastopanje prireditve in čas), vzročne računa, prepričanja računa in modalne logike.

Leta 1963 je Alan J. Robinson odkril preprosto, popoln in v celoti algorithmic metoda za logične izpeljave, ki se zlahka opravi digitalni računalniki. Vendar pa je naivno izvajanje algoritma hitro vodi v kombinatorični eksplozije ali neskončne zanke. Leta 1974 je Robert Kowalski predlagal predstavljajo logični izrazi kot klavzule Horn (izjave v obliki pravil: "če p potem q"), kar je znižalo logične izpeljave, da veriženje nazaj ali naprej veriženje. To močno zmanjšano, (pa ne bi izničil) problem.

Verjetnostnih metod za negotove obrazložitev

Many problems in AI (in reasoning, planning, learning, perception and robotics) require the agent to operate with incomplete or uncertain information. Starting in the late 80s and early 90s, Judea Pearl and others championed the use of methods drawn from probability theory and economics to devise a number of powerful tools to solve these problems.

Bayesian networks are a very general tool that can be used for a large number of problems: reasoning (using the Bayesian inference algorithm), learning (using the expectation-maximization algorithm), planning (using decision networks) and perception (using dynamic Bayesian networks). Probabilistic algorithms can also be used for filtering, prediction, smoothing and finding explanations for streams of data, helping perception systems to analyze processes that occur over time (eg, hidden Markov models or Kalman filters).

A key concept from the science of economics is "utility": a measure of how valuable something is to an intelligent agent. Precise mathematical tools have been developed that analyze how an agent can make choices and plan, using decision theory, decision analysis, information value theory. These tools include models such as Markov decision processes, dynamic decision networks, game theory and mechanism design.

Classifiers and statistical learning methods

Najenostavnejša AI aplikacije lahko razdelimo na dve vrsti: razvrščevalniki ("če svetleči potem diamant") in krmilnike ("če svetleči potem pick up"). Kontrolorji ne pa tudi razvrstitev pogojih, preden sklepalo ukrepov, in zato je uvrstitev oblike osrednji del številnih sistemov AI. Razvrščevalniki so funkcije, ki uporabljajo ujemanje vzorcev za določitev najbližje tekmo. Ti se lahko prilagodijo glede na primere, zaradi česar so zelo privlačne za uporabo v AI. Ti primeri so znani kot pripombe ali vzorci. V učenje pod nadzorom, vsak vzorec sodi v neko vnaprej razred. Razred se lahko obravnava kot odločitev, da je treba opraviti. Vse pripombe v povezavi s svojega razreda oznake so znani kot podatkovni niz. Ko je prejel novo opazovanje, ta ugotovitev uvrščene na podlagi preteklih izkušenj.

Razvrščanje se lahko usposabljajo na različne načine; obstaja veliko statistične in strojno učenje pristopov. Najpogosteje uporabljajo za uvrščanje trupov so nevronske mreže, jedro metode, kot so naprave podporo vektorja, k-najbližjih sosedov algoritem, Gaussova mešanica model, naivni Bayes razvrščanje, in drevo odločanja. Izvajanje teh razvrščevalniki so primerjali več kot širok razpon nalog. Razvrščanje uspešnost v veliki meri odvisna značilnosti podatkov, ki se uvrščajo. Ni ene same razvrščanje, ki deluje najbolje za vse, ki problemov; to imenuje tudi "ne prost predjužnik" izrek. Določanje primerne za razvrščanje za dani problem je še vedno več kot umetnost znanosti.

Nevronske mreže

Nevronske mreže je povezano skupino vozlišč, podobno veliki mrežo nevronov v človeških možganih.

Študija umetnih nevronskih mrež je začela v desetletju pred področju AI raziskave je bil ustanovljen, pri delu Walter Pitts in Warren McCullough. Drugi pomembni raziskovalci, ki zgodaj so bili Frank Rosenblatt, ki je izumil perceptron in Paul Werbos, ki je razvil algoritem vzvratnega.

Glavne kategorije omrežij aciklični ali feedforward nevronskih mrež (kjer signal poteka samo v eno smer) in ponavljajoče se nevronskih mrež (ki omogočajo povratne informacije). Med najbolj priljubljenih feedforward omrežja so perceptrons, multi-layer perceptrons in radialnih omrežjih osnovi. Med ponavljajoče mreže, najbolj znana je neto Hopfieldova, obliko mreže atraktor, ki je bil prvič opisal John Hopfieldova leta 1982. Nevronske mreže se lahko uporabljajo v zvezi s problemom inteligenten nadzor (za robotiko) ali učenje, ki uporabljajo take tehnike, kakor Hebbian učenje in konkurenčno učenje.

Jeff Hawkins trdi, da raziskave na področju nevronskih mrež je zastala, ker ji ni uspelo model bistvenih lastnosti neocortex, in je predlagal model (Hierarchical Časovna Memory), ki temelji na nevrološke raziskave.

Control teorija

Control teorija, vnuk kibernetike, ima številne pomembne aplikacije, predvsem v robotiki.

Jeziki

AI raziskovalci so razvili več specializiranih jezikov za raziskave aviarne influence, vključno z Lisp in Prolog.

Ocenjevanje napredka

Kako se lahko ugotovi, ali agent je inteligentni? Leta 1950 je Alan Turing predlagala splošni postopek za test inteligence agent zdaj znan kot test Turing. Ta postopek omogoča skoraj vse večje težave umetne inteligence, ki se preskušajo. Vendar pa je zelo velik izziv in so trenutno vsi zastopniki ne.

Umetna inteligenca se lahko ocenjujejo tudi o posebnih problemih, kot so majhni problemi v kemiji, ročno pisanje priznanja in zabava-igra. Taki testi so bili imenovano predmet strokovne Turing testov. Manjše težave zagotavljajo več dosegljivih ciljev in so vedno večje število pozitivnih rezultatov.

Širok razredi izida za test AI, so:

• Optimalna: ni mogoče opraviti bolje
• Strong super-human: performs better than all 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.

Platforme

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 .

Philosophy

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."

O Author

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.

Dražbe ZDA Dražbe Avstralski Avstrijski Dražbe Belgijski Dražbe Dražbe Canadian Dražbe Francoščina Dražbe Nemščina Indian Auctions Dražbe Irski Dražbe Italijanščina Dražbe Nizozemščina Dražbe Poljščina Spanish Auctions Swiss Auctions UK Auctions

Best Match Time: ending soonest Čas: novo kotira na borzi Price: lowest first Cena: najvišji prvi Price + Shipping: najnižja prva Price + Shipping: najvišji prvi

Transformers Robot Heroes Snarl Sharkticon Set US $ 27,99

TRANSFORMERS UNIVERSE ROBOT HEROES SET OF 4 MOC US $39.99

Transformers Universe Robot Heroes Wave 1 Set of 8 US $45.98

TRANSFORMERS ROBOT HEROES set MISP BATTLE OF THE FALLEN US $29.99

TRANSFORMERS ROBOT HEROES set MISP BATTLE FOR ALLSPARK US $29.99

Transformers Robot Heroes Battle of the Fallen Set NEW US $ 22,99

Transformers Robot Heroes Battle of the Fallen Set NEW US $ 22,99

Transformers Robot Heroes Battle for the Allspark Set N US $ 22,99

Robot Heroes BATTLE OF padla Transformers Play Set US $ 35,97

Robot Heroes BATTLE FOR THE ALLSPARK Transformers Set US $35.97

Transformers Robot Heroes Perceptor Hardshell Set US $14.99

TRANSFORMERS ROBOT HEROES BATTLE OF THE FALLEN SET US $30.00

TRANSFORMERS MOVIE ROBOT HEROES THE FINAL BATTLE SET US $19.99

TRANSFORMERS MOVIE 10 ROBOT HEROES SET OPTIMUS MEGATRON US $16.50

	Transformers Movie 2007 2-Disc DVD Gift Set with Robot Heroes Toys Sale Price: $49.89 Used From: $44.90

	Transformers Exclusive Robot Heroes 5 Pack Figure Set - The Final Battle - AUTOBOT RATCHET with Allspark Power, Battle Damaged AUTOBOT JAZZ, OPTIMUS PRIME with Allspark Power, MEGATRON with Metallic Finish and Battle Damaged BLACKOUT Sale Price: $ 39,99
	Together with their new human comrades, the Autobots battle the Decepticons to the finish in the final fight for possession of the Allspark. The crowded streets of a human city are the battleground. The pavement cracks and melts from the power of the giant robot's weapons...

	DC Super Friends: Heroes United!/Attack of the Robot! [With Punch-Out Play Set]   [DC SUPER FRIENDS HEROES UN] [Paperback] Sale Price: $ 7,95

	Action Hero Collection (The Day After Tomorrow / I, Robot / The Terminator) [Blu-ray] List Price: $69.98 Sale Price: $28.99 Used From: $51.52 Povprečna ocena:
	Genre: Action/AdventureRating: UNRelease Date: 12-MAY-2009Media Type: Blu-Ray

	Transformers Revenge Fallen Robot Heroes Scenes Wave 1 Set Sale Price: $ 59,99
	The biggest Robot Heroes yet! Huge villains and big heroes from the movies! Bring home the battle! If you're looking to add some really big Robot Heroes to your collection, start here! These awesome sets of figures come loaded with heroes and villains from Transformers: Revenge of the Fallen ready to duke it out for adorable supremacy...

	Transformers Revenge Fallen Robot Heroes Scenes Wave 2 Set Sale Price: $ 59,99
	The biggest Robot Heroes yet! Huge villains and big heroes from the movies! Bring home the battle! If you're looking to add some really big Robot Heroes to your collection, start here! These awesome sets of figures come loaded with heroes and villains from Transformers: Revenge of the Fallen ready to duke it out for adorable supremacy...

	Transformers Year 2007 Movie Series Exclusive 2 Pack Deluxe Class 6 Inch Tall Robot Action Figure Collectible Set - Evolution of a Hero with Classic Camaro Bumblebee and Battle Damaged Camaro Concept Bumblebee Sale Price: $ 39,99
	First on earth, Bumblebee was given the task of locating and protecting Sam until the other Autobots could arrive. He found more than a mission to complete. He found friendship among the humans that he would risk his life to defend...

Ni povezanih objav.