4 måter å definere kunstig intelligens (AI) på

Det første konseptet som er viktig å forstå er at AI egentlig ikke har noe med menneskelig intelligens å gjøre. Ja, noe AI er modellert for å simulere menneskelig intelligens, men det er det det er: en simulering. Når du tenker på AI, legg merke til et samspill mellom målsøking, databehandling som brukes for å oppnå dette målet, og datainnsamling som brukes for å bedre forstå målet. AI er avhengig av algoritmer for å oppnå et resultat som kanskje eller ikke har noe å gjøre med menneskelige mål eller metoder for å oppnå disse målene. Med dette i tankene kan du kategorisere AI på fire måter:

• Opptre menneskelig: Når en datamaskin oppfører seg som et menneske, gjenspeiler det best Turing-testen, der datamaskinen lykkes når det ikke er mulig å skille mellom datamaskinen og et menneske . Denne kategorien gjenspeiler også hva media vil få deg til å tro AI handler om. Du ser det brukt for teknologier som naturlig språkbehandling, kunnskapsrepresentasjon, automatisert resonnement og maskinlæring (alle fire må være tilstede for å bestå testen).

Den originale Turing-testen inkluderte ingen fysisk kontakt. Den nyere Total Turing-testen inkluderer fysisk kontakt i form av perseptuelle evneavhør, noe som betyr at datamaskinen også må bruke både datasyn og robotikk for å lykkes. Moderne teknikker inkluderer ideen om å oppnå målet i stedet for å etterligne mennesker fullstendig. For eksempel lyktes ikke brødrene Wright i å lage et fly ved å kopiere fuglenes flukt nøyaktig; snarere ga fuglene ideer som førte til aerodynamikk som til slutt førte til menneskelig flukt. Målet er å fly. Både fugler og mennesker oppnår dette målet, men de bruker ulike tilnærminger.

• Tenke menneskelig: Når en datamaskin tenker som et menneske, utfører den oppgaver som krever intelligens (i motsetning til utenatlige prosedyrer) fra et menneske for å lykkes, for eksempel å kjøre bil. For å avgjøre om et program tenker som et menneske, må du ha en metode for å bestemme hvordan mennesker tenker, som den kognitive modelleringsmetoden definerer. Denne modellen er avhengig av tre teknikker:
  • Introspeksjon: Å oppdage og dokumentere teknikkene som brukes for å nå mål ved å overvåke egne tankeprosesser.
  • Psykologisk testing: Observere en persons atferd og legge den til en database med lignende atferd fra andre personer gitt et lignende sett med omstendigheter, mål, ressurser og miljøforhold (blant annet).
  • Hjerneavbildning: Overvåking av hjerneaktivitet direkte ved hjelp av ulike mekaniske midler, som datastyrt aksialtomografi (CAT), Positron Emission Tomography (PET), Magnetic Resonance Imaging (MRI) og Magnetoencephalography (MEG).

Etter å ha laget en modell kan du skrive et program som simulerer modellen. Gitt mengden av variasjon mellom menneskelige tankeprosesser og vanskeligheten med å representere disse tankeprosessene nøyaktig som en del av et program, er resultatene i beste fall eksperimentelle. Denne kategorien av menneskelig tenkning brukes ofte i psykologi og andre felt der modellering av den menneskelige tankeprosessen for å lage realistiske simuleringer er avgjørende.

• Å tenke rasjonelt: Å studere hvordan mennesker tenker ved å bruke en standard gjør det mulig å lage retningslinjer som beskriver typisk menneskelig atferd. En person anses som rasjonell når han følger denne atferden innenfor visse nivåer av avvik. En datamaskin som tenker rasjonelt, er avhengig av den registrerte atferden for å lage en veiledning for hvordan man kan samhandle med et miljø basert på dataene for hånden. Målet med denne tilnærmingen er å løse problemer logisk, når det er mulig. I mange tilfeller vil denne tilnærmingen muliggjøre opprettelsen av en grunnlinjeteknikk for å løse et problem, som deretter vil bli modifisert for å faktisk løse problemet. Med andre ord er løsningen av et problem i prinsippet ofte annerledes enn å løse det i praksis, men du trenger fortsatt et utgangspunkt.
• Å handle rasjonelt: Å studere hvordan mennesker handler i gitte situasjoner under spesifikke begrensninger, gjør at du kan bestemme hvilke teknikker som er både effektive og effektive. En datamaskin som opptrer rasjonelt er avhengig av de registrerte handlingene for å samhandle med et miljø basert på forhold, miljøfaktorer og eksisterende data. Som med rasjonell tanke, er rasjonelle handlinger avhengig av en prinsippløsning, som kanskje ikke viser seg nyttig i praksis. Imidlertid gir rasjonelle handlinger en grunnlinje der en datamaskin kan begynne å forhandle frem en vellykket fullføring av et mål.

Kategoriene som brukes til å definere AI tilbyr en måte å vurdere ulike bruksområder for eller måter å bruke AI på. Noen av systemene som brukes til å klassifisere AI etter type er vilkårlige og ikke distinkte. For eksempel ser noen grupper på AI som enten sterk (generalisert intelligens som kan tilpasse seg en rekke situasjoner) eller svak (spesifikk intelligens designet for å utføre en bestemt oppgave godt). Problemet med sterk AI er at den ikke utfører noen oppgave godt, mens svak AI er for spesifikk til å utføre oppgaver uavhengig. Likevel vil bare to typeklassifiseringer ikke gjøre jobben selv i generell forstand. De fire klassifiseringstypene som Arend Hintze promoterte danner et bedre grunnlag for å forstå AI:

• Reaktive maskiner: Maskinene du ser slå mennesker i sjakk eller spille på spillshow er eksempler på reaktive maskiner. En reaktiv maskin har ingen hukommelse eller erfaring å basere en avgjørelse på. I stedet er den avhengig av ren beregningskraft og smarte algoritmer for å gjenskape hver beslutning hver gang. Dette er et eksempel på en svak AI som brukes til et bestemt formål.
• Begrenset minne: En selvkjørende bil eller autonom robot har ikke råd til å ta alle avgjørelser fra bunnen av. Disse maskinene er avhengige av en liten mengde minne for å gi erfaringskunnskap om ulike situasjoner. Når maskinen ser den samme situasjonen, kan den stole på erfaring for å redusere reaksjonstiden og gi flere ressurser til å ta nye beslutninger som ennå ikke er tatt. Dette er et eksempel på det nåværende nivået av sterk AI.
• Theory of mind: En maskin som kan vurdere både sine nødvendige mål og potensielle mål for andre enheter i samme miljø, har en slags forståelse som til en viss grad er gjennomførbar i dag, men ikke i noen kommersiell form. Men for at selvkjørende biler skal bli virkelig autonome, må dette nivået av AI være fullt utviklet. En selvkjørende bil trenger ikke bare å vite at den må gå fra ett punkt til et annet, men også introdusere de potensielt motstridende målene til sjåførene rundt den og reagere deretter.
• Selvbevissthet: Dette er den typen AI som du ser i filmer. Imidlertid krever det teknologier som ikke engang er mulig nå fordi en slik maskin ville ha en følelse av både selv og bevissthet. I tillegg, i stedet for bare å intuitere andres mål basert på miljø og andre entitetsreaksjoner, vil denne typen maskiner være i stand til å utlede hensikten til andre basert på erfaringskunnskap.