Artificiell intelligenss historia

Önskan att skapa intelligenta maskiner (eller, i antiken, idoler) är lika gammal som människor. Önskan att inte vara ensam i universum, att ha något att kommunicera med utan andra människors inkonsekvenser, är stark. Följande diskussion ger en kort, relevant översikt över historien om moderna AI-försök.

Börjar med symbolisk logik hos Dartmouth

De tidigaste datorerna var just det: datorenheter. De härmade den mänskliga förmågan att manipulera symboler för att utföra grundläggande matematiska uppgifter, som addition. Logiska resonemang lade senare till möjligheten att utföra matematiska resonemang genom jämförelser (som att bestämma om ett värde är större än ett annat värde). Människor behövde dock fortfarande definiera algoritmen som användes för att utföra beräkningen, tillhandahålla nödvändiga data i rätt format och sedan tolka resultatet. Under sommaren 1956 deltog olika forskare i en workshop som hölls på Dartmouth College campus för att göra något mer. De förutspådde att maskiner som kunde resonera lika effektivt som människor skulle kräva högst en generation att komma till. De hade fel.

Det påstådda problemet med Dartmouth College och andra ansträngningar av tiden relaterar till hårdvara - bearbetningsförmågan att utföra beräkningar tillräckligt snabbt för att skapa en simulering. Det är dock inte riktigt hela problemet. Ja, hårdvara ingår i bilden, men du kan inte simulera processer som du inte förstår. Ändå är anledningen till att AI är något effektiv idag att hårdvaran äntligen har blivit tillräckligt kraftfull för att stödja det antal beräkningar som krävs.

Det största problemet med dessa tidiga försök (och fortfarande ett stort problem idag) är att vi inte förstår hur människor resonerar tillräckligt bra för att skapa en simulering av något slag – förutsatt att en riktningssimulering ens är möjlig. Tänk igen på frågorna kring bemannad flygning som beskrivits tidigare i kapitlet. Bröderna Wright lyckades inte genom att simulera fåglar utan snarare genom att förstå de processer som fåglar använder, och därigenom skapade aerodynamiken. Följaktligen, när någon säger att nästa stora AI-innovation är precis runt hörnet och ändå inte finns någon konkret avhandling om de involverade processerna, är innovationen allt annat än precis runt hörnet.

Fortsätter med expertsystem

Expertsystem dök upp först på 1970-talet och igen på 1980-talet som ett försök att minska de beräkningskrav som AI ställer med hjälp av experternas kunskap. Ett antal expertsystemrepresentationer dök upp, inklusive regelbaserade (som använder if...then-satser för att basera beslut på tumregler), rambaserade (som använder databaser organiserade i relaterade hierarkier av generisk information som kallas ramar) och logikbaserad (som förlitar sig på om mängdteori för att upprätta samband). Tillkomsten av expertsystem är viktigt eftersom de presenterar de första riktigt användbara och framgångsrika implementeringarna av AI.

Du ser fortfarande expertsystem som används idag (även om de inte heter så längre). Till exempel är stavnings- och grammatikkontrollerna i din applikation typer av expertsystem. Speciellt grammatikkontrollen är starkt regelbaserad. Det lönar sig att se sig omkring för att se andra platser där expertsystem fortfarande kan se praktisk användning i vardagliga tillämpningar.

Ett problem med expertsystem är att de kan vara svåra att skapa och underhålla. Tidiga användare var tvungna att lära sig specialiserade programmeringsspråk som List Processing (LisP) eller Prolog. Vissa leverantörer såg en möjlighet att lägga expertsystem i händerna på mindre erfarna eller nybörjare programmerare genom att använda produkter som VP-Expert , som förlitar sig på det regelbaserade tillvägagångssättet . Dessa produkter tillhandahöll dock i allmänhet extremt begränsad funktionalitet vid användning av små kunskapsbaser.

Under 1990-talet, frasen expertsystemet började försvinna. Idén att expertsystem var ett misslyckande dök upp, men verkligheten är att expertsystem helt enkelt var så framgångsrika att de blev inarbetade i de applikationer som de var designade för att stödja. Med hjälp av exemplet med en ordbehandlare behövde du en gång köpa ett separat program för grammatikkontroll som RightWriter . Men ordbehandlare har nu grammatikkontroller inbyggda eftersom de visade sig vara så användbara (om inte alltid korrekta).

Att övervinna AI-vintrarna

Termen AI-vinter syftar på en period av minskad finansiering i utvecklingen av AI. Generellt sett har AI följt en väg där förespråkarna överskattar vad som är möjligt, vilket förmår människor utan teknikkunskap alls, men mycket pengar, att göra investeringar. En period av kritik följer sedan när AI inte lever upp till förväntningarna, och slutligen sker minskningen av finansieringen. Ett antal av dessa cykler har inträffat under åren - alla förödande för verkliga framsteg.

AI befinner sig för närvarande i en ny hypefas på grund av maskininlärning, en teknik som hjälper datorer att lära sig av data. Att låta en dator lära sig av data innebär att inte vara beroende av en mänsklig programmerare för att ställa in operationer (uppgifter), utan snarare härleda dem direkt från exempel som visar hur datorn ska bete sig. Det är som att utbilda en baby genom att visa den hur man beter sig genom exempel. Maskininlärning har fallgropar eftersom datorn kan lära sig att göra saker felaktigt genom slarvig undervisning.

Fem stammar av forskare arbetar med maskininlärningsalgoritmer, var och en från olika synvinklar (se avsnittet "Avoiding AI Hype" längre fram i det här kapitlet för detaljer). Vid denna tidpunkt är den mest framgångsrika lösningen djupinlärning, som är en teknik som strävar efter att imitera den mänskliga hjärnan. Djupt lärande är möjligt tack vare tillgången på kraftfulla datorer, smartare algoritmer, stora datamängder producerade av digitaliseringen av vårt samhälle och enorma investeringar från företag som Google, Facebook, Amazon och andra som drar fördel av denna AI-renässans för sina egna företag.

Folk säger att AI-vintern är över på grund av djupinlärning, och det är sant för nu. Men när du ser dig omkring på hur människor ser på AI kan du enkelt räkna ut att en annan kritikfas så småningom kommer att inträffa om inte förespråkarna tonar ner retoriken.