4 sätt att definiera artificiell intelligens (AI)

Det första konceptet som är viktigt att förstå är att AI egentligen inte har något med mänsklig intelligens att göra. Ja, en del AI är modellerad för att simulera mänsklig intelligens, men det är vad det är: en simulering. När du tänker på AI, lägg märke till ett samspel mellan målsökning, databehandling som används för att uppnå det målet och datainsamling som används för att bättre förstå målet. AI förlitar sig på algoritmer för att uppnå ett resultat som kan ha eller inte har något att göra med mänskliga mål eller metoder för att uppnå dessa mål. Med detta i åtanke kan du kategorisera AI på fyra sätt:

• Att agera mänskligt: När en dator beter sig som en människa, återspeglar det bäst Turing-testet, där datorn lyckas när det inte är möjligt att skilja mellan datorn och en människa . Den här kategorin återspeglar också vad media skulle få dig att tro att AI handlar om. Du ser att det används för teknologier som naturlig språkbehandling, kunskapsrepresentation, automatiserat resonemang och maskininlärning (alla fyra måste vara närvarande för att klara testet).

Det ursprungliga Turing-testet inkluderade ingen fysisk kontakt. Det nyare Total Turing-testet inkluderar fysisk kontakt i form av perceptuell förmågasförhör, vilket innebär att datorn också måste använda både datorseende och robotik för att lyckas. Moderna tekniker inkluderar idén om att uppnå målet snarare än att helt efterlikna människor. Till exempel lyckades inte bröderna Wright skapa ett flygplan genom att exakt kopiera fåglarnas flygning; snarare gav fåglarna idéer som ledde till aerodynamik som så småningom ledde till mänsklig flykt. Målet är att flyga. Både fåglar och människor uppnår detta mål, men de använder olika tillvägagångssätt.

• Att tänka mänskligt: När en dator tänker som en människa, utför den uppgifter som kräver intelligens (i motsats till rote-procedurer) från en människa för att lyckas, som att köra bil. För att avgöra om ett program tänker som en människa måste du ha någon metod för att avgöra hur människor tänker, vilket den kognitiva modelleringsmetoden definierar. Denna modell bygger på tre tekniker:
  • Introspektion: Upptäcka och dokumentera de tekniker som används för att uppnå mål genom att övervaka sina egna tankeprocesser.
  • Psykologisk testning: Att observera en persons beteende och lägga till det i en databas med liknande beteenden från andra personer som fått en liknande uppsättning omständigheter, mål, resurser och miljöförhållanden (bland annat).
  • Hjärnavbildning: Övervakning av hjärnans aktivitet direkt genom olika mekaniska metoder, såsom datoriserad axialtomografi (CAT), Positron Emission Tomography (PET), Magnetic Resonance Imaging (MRI) och Magnetoencefalografi (MEG).

Efter att ha skapat en modell kan du skriva ett program som simulerar modellen. Med tanke på mängden variation mellan mänskliga tankeprocesser och svårigheten att korrekt representera dessa tankeprocesser som en del av ett program, är resultaten i bästa fall experimentella. Denna kategori av mänskligt tänkande används ofta inom psykologi och andra områden där det är viktigt att modellera den mänskliga tankeprocessen för att skapa realistiska simuleringar.

• Att tänka rationellt: Att studera hur människor tänker med hjälp av någon standard möjliggör skapandet av riktlinjer som beskriver typiska mänskliga beteenden. En person anses vara rationell när han följer dessa beteenden inom vissa nivåer av avvikelse. En dator som tänker rationellt förlitar sig på de registrerade beteendena för att skapa en guide för hur man interagerar med en miljö baserat på de data som finns till hands. Målet med detta tillvägagångssätt är att lösa problem logiskt, när det är möjligt. I många fall skulle detta tillvägagångssätt möjliggöra skapandet av en baslinjeteknik för att lösa ett problem, som sedan skulle modifieras för att faktiskt lösa problemet. Att lösa ett problem i princip skiljer sig med andra ord ofta från att lösa det i praktiken, men du behöver fortfarande en utgångspunkt.
• Att agera rationellt: Att studera hur människor agerar i givna situationer under specifika begränsningar gör att du kan avgöra vilka tekniker som är både effektiva och effektiva. En dator som agerar rationellt förlitar sig på de registrerade åtgärderna för att interagera med en miljö baserat på förhållanden, miljöfaktorer och befintliga data. Liksom med rationellt tänkande beror rationella handlingar på en principiell lösning, som kanske inte visar sig användbar i praktiken. Men rationella handlingar ger en baslinje på vilken en dator kan börja förhandla fram ett framgångsrikt slutförande av ett mål.

Kategorierna som används för att definiera AI erbjuder ett sätt att överväga olika användningsområden för eller sätt att tillämpa AI. Vissa av systemen som används för att klassificera AI efter typ är godtyckliga och inte distinkta. Till exempel ser vissa grupper AI som antingen stark (generaliserad intelligens som kan anpassa sig till en mängd olika situationer) eller svag (specifik intelligens utformad för att utföra en viss uppgift väl). Problemet med stark AI är att den inte utför någon uppgift bra, medan svag AI är för specifik för att utföra uppgifter självständigt. Trots det kommer bara två typklassificeringar inte att göra jobbet ens i en allmän mening. De fyra klassificeringstyperna som främjas av Arend Hintze utgör en bättre grund för att förstå AI:

• Reaktiva maskiner: De maskiner du ser slå människor i schack eller spela på spelshower är exempel på reaktiva maskiner. En reaktiv maskin har inget minne eller erfarenhet att basera ett beslut på. Istället förlitar den sig på ren beräkningskraft och smarta algoritmer för att återskapa varje beslut varje gång. Detta är ett exempel på en svag AI som används för ett specifikt ändamål.
• Begränsat minne: En självkörande bil eller autonom robot har inte råd att ta varje beslut från grunden. Dessa maskiner förlitar sig på en liten mängd minne för att ge erfarenhetsmässig kunskap om olika situationer. När maskinen ser samma situation kan den lita på erfarenhet för att minska reaktionstiden och ge mer resurser för att fatta nya beslut som ännu inte har fattats. Detta är ett exempel på den nuvarande nivån av stark AI.
• Theory of mind: En maskin som kan bedöma både sina erforderliga mål och de potentiella målen för andra enheter i samma miljö har en sorts förståelse som är genomförbar till viss del idag, men inte i någon kommersiell form. Men för att självkörande bilar ska bli verkligt autonoma måste denna nivå av AI vara fullt utvecklad. En självkörande bil skulle inte bara behöva veta att den måste gå från en punkt till en annan, utan också förstå de potentiellt motstridiga målen för förare runt den och reagera därefter.
• Självkännedom: Det här är den typ av AI som du ser i filmer. Men det kräver teknologier som inte ens är möjliga nu eftersom en sådan maskin skulle ha en känsla av både själv och medvetande. Dessutom, istället för att bara intuita andras mål baserat på miljön och andra entitetsreaktioner, skulle denna typ av maskin kunna sluta sig till andras avsikt baserat på erfarenhetsmässig kunskap.