Các vấn đề ngữ nghĩa
Câu trả lời phụ thuộc vào trí thông minh định nghĩa đang được sử dụng. Nếu bạn định nghĩa trí thông minh là khả năng thích ứng, một số thứ có thể được coi là thông minh mà thường không phù hợp với chiếc ô AI cổ điển.
- Thuật toán khớp đường cong Marquest-Levenberg bình phương nhỏ nhất với một bộ mô hình đáng kể nhưng hữu hạn, thử nghiệm song song nhiều mô hình, phân tích kết quả và quyết định thông minh
- Kiểm tra phần mềm đọc gần đây được triển khai trong các chi nhánh và văn phòng ngân hàng
- Sự kết hợp giữa các nhà cung cấp y tế, bệnh nhân và người vận chuyển và sửa đổi điều trị thông qua các công cụ tài chính để cải thiện kết quả
Nếu bạn định nghĩa trí thông minh là bắt chước toàn bộ các khả năng tinh thần của con người, thì không có hệ thống nào như vậy có sẵn cho công chúng - thậm chí không có gì gần gũi. Thích ứng sáng tạo trên một loạt các lĩnh vực tùy ý, một vài trong số đó trước đây đã được trải nghiệm rất chi tiết hoặc nghiên cứu sâu đã là mục tiêu cuối cùng của nghiên cứu AI. Phương pháp tiếp cận đã được đưa ra, nhưng không có phương pháp nào đã sinh ra trái cây công cộng. Nếu một hệ thống như vậy tồn tại trong bí mật, ai đó sẽ phải vi phạm thỏa thuận không tiết lộ thông tin hoặc giải phóng mặt bằng bảo mật để cho chúng tôi biết về nó ở đây.
Định nghĩa của trí thông minh là trung tâm để trả lời. Ví dụ, một số định nghĩa hợp lý về trí thông minh có thể khiến một thẩm phán không thiên vị đánh giá kiến trên con người. Kiến đã xây dựng hình lục giác trong nhiều thiên niên kỷ trước khi con người tập trung vào thói quen xây dựng hình chữ nhật. Hình chữ nhật đòi hỏi nhiều hơn 70% vật liệu xây dựng để xây dựng cấu trúc dọc trên mỗi feet vuông không gian sàn so với cấu trúc hình lục giác đóng gói.
Yêu cầu hệ thống trí tuệ nhân tạo cơ bản
Đoán rằng, "AI cơ bản", ý bạn là một số máy học ngây thơ, có một vài thành phần cơ bản. (Thuật ngữ Naive trong ngữ cảnh này có nghĩa là AI không hiểu miền hoặc ý nghĩa của các biểu tượng hoặc tín hiệu mà nó đang xử lý theo cách mà một người đã nghiên cứu hoặc làm việc trong lĩnh vực này có thể hiểu chúng.)
SENSING - Máy (máy tính) phải nhận thông tin, thường là một chuỗi thời gian. Trong con người, đây là những giác quan. Trong một bộ sắp xếp thư, nó có thể là một máy ảnh. Đây không chỉ là khái niệm đầu vào trong công nghệ thông tin. Nó tương tự như tín hiệu đầu vào trong bộ điều khiển PID. Trong một máy giao dịch tốc độ cao tự động, đây sẽ là phiên bản tốc độ cao của băng ticker.
KIỂM SOÁT - Máy phải thao tác bên ngoài theo cách khai thác thông tin nhận được. Trong một cầu thủ bóng rổ, đây là sự phối hợp vận động, ảnh hưởng đến khuôn mặt, tín hiệu bằng lời nói với đồng đội và có lẽ là một số mồi cho lời nói của các cầu thủ đối phương. Trong một trình sắp xếp thư, đây sẽ là điều khiển động cơ của hướng thư.
BỘ NHỚ - Máy phải có bộ lưu trữ để kiểm tra chuỗi thời gian đầu vào (có lẽ từ một bộ chuyển đổi trong thế giới thực hoặc một số kho lưu trữ dữ liệu phải thực hiện một số phân tích hoặc chuyển đổi thông minh). Trong các hệ thống tiên tiến hơn, máy có thể muốn phân tích hiệu suất của chính nó và thực hiện các điều chỉnh hội tụ một số giá trị số liệu tối ưu (có thể là cực đại lịch sử hoặc cực tiểu) hoặc một số phạm vi chấp nhận được.
PHẢN HỒI - Máy phải diễn giải một số tín hiệu phản hồi hoặc sử dụng cơ chế tính điểm được xác định trước. Việc học không thể xảy ra trong môi trường thông tin, vì vậy một số định nghĩa tốt hơn hoặc xấu hơn phải được thiết lập. Phản hồi có thể bị vướng vào các kênh SENSING hoặc có thể đến thông qua một kênh hoàn toàn riêng biệt. Trong các hệ thống sinh học, chúng thường được cài sẵn dây như phát hiện mối đe dọa, đau đớn và khoái cảm. Vỏ não sử dụng các khái niệm về mục tiêu và tiến bộ. Trong một số cách, nuôi dưỡng trẻ em và tầng lớp xã hội tồn tại để dạy các ranh giới của những gì tạo thành một mục tiêu chấp nhận được và các phương pháp có thể chấp nhận để đạt được tiến bộ về nó.
MODELING - Dù ngầm hay rõ ràng, một số mô hình phải được phát triển và khai thác. Một số người sẽ nói rằng sự tồn tại của một mô hình mà theo đó các khả năng dự đoán của nó có thể được áp dụng cho việc ra quyết định để đạt được một số mục tiêu hoặc bộ sưu tập các mục tiêu có trọng số là trí thông minh. Những người khác sẽ nói rằng sự phát triển của mô hình là trí thông minh và việc sử dụng nó chỉ đơn thuần là cơ chế điều khiển.
Phương pháp mô phỏng tư duy của con người
Nhận thức không phải là hình thức duy nhất của việc tạo mô hình, mà là việc tạo ra nhận thức và ứng dụng của chúng vào việc ra quyết định. Khái niệm trí thông minh có thể đã được tiếp tục đi theo con đường hiện thực của Roger Schank, người đã đề xuất rằng việc lưu trữ và lập chỉ mục các câu chuyện là một đặc điểm chính của những gì con người nhận ra là cuộc trò chuyện thông minh.
Minsky và những người khác đã đưa ra một hướng kết nối nhiều hơn với công việc suy luận logic bắt đầu bằng việc chính thức hóa logic (ban đầu là George Boole) và phép tính lambda của Church.
Một số hướng phổ biến trong thiết kế
Thuật toán di truyền ảnh hưởng đến công nghệ hội tụ và sinh học thần kinh ảnh hưởng đến sự phát triển mạng lưới thần kinh. Khớp mẫu là một chi khác ngoài bộ phương pháp kỹ thuật lớn hơn dưới sự thông minh của Trí tuệ nhân tạo cổ điển.
Đây là những hệ thống ngây thơ. Giống như một tế bào thần kinh, các thành phần không có ý tưởng về ý nghĩa của những gì chúng đang xử lý. Họ là những thành phần ngây thơ. Một nhà quan sát thông minh không thể xác định được ý nghĩa thời gian thực của các tín hiệu và biểu tượng giữa các thành phần ngây thơ này mà không có nghiên cứu sâu rộng, có lẽ suốt đời.
Phương pháp Naive Bayesian có xác suất trong tự nhiên. Họ khai thác Định lý Bayes, và đã được tìm thấy để tạo ra kết quả xuất sắc trong một số lĩnh vực quan trọng nhất định. Một số nghiên cứu đã chỉ ra rằng sự ngây thơ thực sự là một công cụ học tập, điều này rất thú vị theo quan điểm lý thuyết AI.
Sau đó, có logic mờ (có trọng số), đó là một nỗ lực để hợp nhất các mạng lưới thần kinh với các hệ thống sản xuất (dựa trên quy tắc). Nỗ lực sử dụng công nghệ này trong định tuyến và lập lịch vận chuyển đã gặp nhiều thành công.
Có rất nhiều thiết bị và kiến trúc cố gắng tích hợp hoặc kết nối hiệu quả các phương pháp khác nhau này khi có các dự án AI.
Mô hình hóa điều kiện môi trường và mục tiêu
Tất cả các hệ thống này, theo một cách rõ ràng hoặc ngầm định, mô hình hóa môi trường bên ngoài và kết quả mong muốn của hành vi hệ thống và cố gắng hội tụ (trong thời gian thực) vào kết quả đó. Một số chức năng kiểm soát cảm giác, có thể thay đổi và thích nghi với môi trường bên ngoài được sử dụng trong (các) thành phần KIỂM SOÁT.
Đây chỉ là một cách khác mà các hệ thống có hành vi thích ứng. Không nhất thiết phải biết tại sao, hệ thống sẽ thao túng những gì có thể và tiếp tục theo dõi trạng thái của môi trường để liên tục đạt được các tiêu chí chấp nhận của hệ thống.
Hệ thống AI cơ bản phải nhiều hơn là học. Nó cũng phải đánh giá chức năng của chính nó và do đó phải có một lớp phản hồi và kiểm soát mô phỏng nhận thức về sự tối ưu. Điều khiển cấp cao hơn này phải được tích hợp vào hệ thống ngay từ đầu để nó hoạt động thông minh theo nghĩa mà bạn có thể hiểu.
Hiểu giới hạn và độ phức tạp của hệ thống
Mô hình hóa càng phức tạp và thích ứng, càng nhiều nhận thức, quy tắc, câu chuyện, hệ số chuỗi thời gian, trọng số hoặc bất kỳ hình thức kiến thức nào (không phải thông tin) được lưu trữ, người ta càng có thể nói rằng có một số dạng hiểu hoặc hiểu.
Một phỏng đoán cho rằng đó là sự đệ quy trong các lớp của các khả năng này cho phép một số loại hiểu và nhận thức nhất định. Các phỏng đoán khác tập trung nhiều hơn vào sự tỉnh táo và sự chú ý như là chìa khóa cho trí thông minh cao hơn.
Nhưng những khả năng trưởng thành hơn nhiều này vượt ra ngoài sự thích nghi đơn thuần dựa trên kiến thức hoặc thông tin trong quá khứ và do đó vượt xa những gì bạn có thể có nghĩa là AI cơ bản.