Tehisintellekti ajalugu

Soov luua intelligentseid masinaid (või iidsetel aegadel ebajumalaid) on sama vana kui inimesed. Soov mitte olla universumis üksi, omada midagi, millega suhelda ilma teiste inimeste vastuoludeta, on tugev. Järgnev arutelu annab lühikese ja asjakohase ülevaate kaasaegsete tehisintellekti katsete ajaloost.

Alustades Dartmouthi sümboolsest loogikast

Varasemad arvutid olid just sellised: arvutusseadmed. Nad jäljendasid inimese võimet sümbolitega manipuleerida, et täita põhilisi matemaatilisi ülesandeid, nagu liitmine. Loogiline arutluskäik lisas hiljem võimaluse teostada matemaatilisi arutlusi võrdluste kaudu (näiteks kindlaks teha, kas üks väärtus on suurem kui teine ​​väärtus). Inimesed pidid siiski määratlema arvutuste tegemiseks kasutatava algoritmi, esitama vajalikud andmed õiges vormingus ja seejärel tulemust tõlgendama. 1956. aasta suvel osalesid erinevad teadlased Dartmouthi kolledži ülikoolilinnakus toimunud seminaril, et teha midagi enamat. Nad ennustasid, et masinad, mis suudavad mõelda sama tõhusalt kui inimesed, nõuavad kõige rohkem ühe põlvkonna sündi. Nad eksisid.

Teatatud probleem Dartmouthi kolledži ja muude tolleaegsete ettevõtmistega on seotud riistvaraga – töötlusvõimega teha arvutusi piisavalt kiiresti, et luua simulatsioon. See pole aga tegelikult kogu probleem. Jah, riistvara tuleb pildile, kuid te ei saa simuleerida protsesse, millest te aru ei saa. Sellegipoolest on AI tänapäeval mõnevõrra tõhus põhjus selles, et riistvara on lõpuks muutunud piisavalt võimsaks, et toetada vajalikku arvu arvutusi.

Nende varajaste katsete suurim probleem (ja praegugi märkimisväärne probleem) on see, et me ei mõista, kuidas inimesed mõtlevad piisavalt hästi, et luua mis tahes simulatsiooni – eeldades, et suunasimulatsioon on isegi võimalik. Mõelge uuesti peatükis varem kirjeldatud mehitatud lendu puudutavatele probleemidele. Vendadel Wrightidel ei õnnestunud mitte linde simuleerida, vaid lindude kasutatavaid protsesse mõista, luues seeläbi aerodünaamika valdkonna. Järelikult, kui keegi ütleb, et järgmine suur tehisintellekti innovatsioon on kohe nurga taga, kuid protsesside kohta pole konkreetset väitekirja, on innovatsioon kõike muud kui kohe nurga taga.

Jätkates ekspertsüsteemidega

Ekspertsüsteemid ilmusid esmakordselt 1970ndatel ja uuesti 1980ndatel katsena vähendada tehisintellekti arvutuslikke nõudeid, kasutades ekspertide teadmisi. Ilmus mitmeid ekspertsüsteemide esitusi, sealhulgas reeglipõhised (mis kasutavad kui… siis avaldusi, et põhineda otsuste tegemisel rusikareegel), kaadripõhiseid (mis kasutavad andmebaase, mis on organiseeritud seotud üldise teabe hierarhiatesse, mida nimetatakse raamideks) ja loogikapõhiseid (mis tuginevad hulgateooria kohta suhete loomiseks). Ekspertsüsteemide tulek on oluline, kuna need esitlevad esimesi tõeliselt kasulikke ja edukaid tehisintellekti rakendusi.

Ekspertsüsteeme näete endiselt kasutusel (kuigi neid enam nii ei nimetata). Näiteks teie rakenduse õigekirja- ja grammatikakontrollid on teatud tüüpi ekspertsüsteemid. Eelkõige põhineb grammatikakontroll tugevalt reeglitel. Tasub ringi vaadata, et näha teisi kohti, kus ekspertsüsteemid võivad igapäevastes rakendustes veel praktilist kasutust leida.

Ekspertsüsteemide probleem seisneb selles, et neid võib olla raske luua ja hooldada. Varased kasutajad pidid õppima spetsiaalseid programmeerimiskeeli, nagu loenditöötlus (LisP) või Prolog. Mõned müüjad nägid võimalust anda ekspertsüsteemid vähem kogenud või algajate programmeerijate kätte, kasutades selliseid tooteid nagu VP-Expert , mis põhinevad reeglipõhisel lähenemisviisil . Kuid need tooted pakkusid üldiselt äärmiselt piiratud funktsionaalsust väiksemate teadmistebaaside kasutamisel.

1990. aastatel hakkas fraas ekspertsüsteem kaduma. Mõte, et ekspertsüsteemid on ebaõnnestunud, ilmnes, kuid tegelikkus on see, et ekspertsüsteemid olid lihtsalt nii edukad, et need kinnistusid rakendustesse, mille toetamiseks need olid loodud. Kasutades tekstitöötlusprogrammi näidet, pidite omal ajal ostma eraldi grammatikakontrolli rakenduse, näiteks RightWriter . Kuid tekstitöötlusprogrammides on nüüd sisseehitatud grammatikakontrollid , kuna need osutusid nii kasulikuks (kui mitte alati täpseks).

AI-talvede ületamine

Mõiste tehisintellekti talv viitab perioodile, mil tehisintellekti arendamise rahastamine on vähenenud. Üldiselt on tehisintellekt järginud teed, mille pooldajad ülehindavad seda, mis on võimalik, innustades inimesi, kellel pole tehnoloogiateadmisi, kuid kellel on palju raha, investeeringuid tegema. Seejärel järgneb kriitikaperiood, kui tehisintellekt ei vasta ootustele ja lõpuks toimub rahastuse vähenemine. Paljud neist tsüklitest on aastate jooksul toimunud – kõik need on laastavad tõelise arenguni.

AI on praegu uues hüpefaasis masinõppe – tehnoloogia, mis aitab arvutitel andmetest õppida – tõttu. Arvuti andmete põhjal õppimine tähendab, et ei sõltu inimprogrammeerijast operatsioonide (ülesannete) määramisel, vaid pigem tuletatakse need otse näidetest, mis näitavad, kuidas arvuti peaks käituma. See on nagu lapse harimine, näidates talle eeskuju kaudu, kuidas käituda. Masinõppel on lõkse, sest arvuti võib hooletu õpetamise kaudu õppida, kuidas asju valesti teha.

Viis teadlaste hõimu töötavad masinõppe algoritmide kallal, igaüks erinevast vaatenurgast (üksikasju vaadake selle peatüki hilisemast jaotisest „AI-hüpe vältimine”). Praegusel ajal on kõige edukam lahendus sügavõpe, mis on tehnoloogia, mis püüab jäljendada inimese aju. Sügav õppimine on võimalik tänu võimsate arvutite, nutikamate algoritmide, meie ühiskonna digitaliseerimisega loodud suurte andmekogumite kättesaadavusele ja tohututele investeeringutele ettevõtetelt, nagu Google, Facebook, Amazon ja teised, kes kasutavad seda tehisintellekti renessanssi enda jaoks ära. ettevõtetele.

Inimesed räägivad, et tehisintellekti talv on sügava õppimise tõttu läbi ja see on praegu tõsi. Kui aga vaatate ringi selle üle, kuidas inimesed tehisintellekti vaatavad, saate hõlpsalt aru, et lõpuks saabub uus kriitikafaas, kui pooldajad retoorikat ei vähenda.