Künstliche Intelligenz

Künstliche Intelligenz (KI) ist die Intelligenz der Maschinen und der Zweig der Informatik, die es schaffen will. Lehrbücher definieren das Feld als "das Studium und Design von intelligenten Agenten", wo ein intelligenter Agent ein System, das seine Umwelt wahrnimmt und ergreift Maßnahmen, die ihre Chancen auf Erfolg zu maximieren. John McCarthy, der den Begriff im Jahr 1956 geprägt hat, definiert es als "die Wissenschaft und Technik zu machen intelligente Maschinen."

Das Feld war auf die Behauptung, dass eine zentrale Eigenschaft des Menschen, intelligencethe sapience von Homo sapienscan so genau beschrieben werden, dass es sein kann, von einer Maschine simuliert gegründet. Das wirft philosophische Fragen über die Natur des Geistes und Grenzen wissenschaftlicher Hybris, Fragen, die durch Mythos, Fiktion und Philosophie seit der Antike gerichtet. Künstliche Intelligenz ist das Thema der atemberaubenden Optimismus, erlitt en hat, atemberaubende Rückschläge und heute hat sich zu einem wesentlichen Bestandteil der Technologie-Industrie, bietet die Schwerstarbeit für viele der schwierigsten Probleme in der Informatik.

KI-Forschung ist sehr technisch und spezialisierte, tief in Teilfelder, die oft nicht miteinander kommunizieren unterteilt. Unterfelder sind um bestimmte Institutionen gewachsen, die Arbeit einzelner Forscher, die Lösung der spezifischen Probleme, langjährige Meinungsverschiedenheiten darüber, wie AI getan werden sollte und die Anwendung der unterschiedlichsten Werkzeuge. Die zentralen Probleme der KI sind solche Eigenschaften wie Denken, Wissen, Planung, Lernen, Kommunikation, Wahrnehmung und die Fähigkeit sich zu bewegen und manipulieren. Allgemeine Intelligenz (oder "starke KI") ist immer noch ein langfristiges Ziel von (einigen) Forschung.

Geschichte

Denken Maschinen und künstlichen Wesen erscheinen in griechischen Mythen, wie Talos von Kreta, den goldenen Roboter des Hephaistos und Pygmalion ist Galatea. Menschliche Ähnlichkeiten angenommen, dass Intelligenz wurden in allen großen Zivilisation gebaut: animierte Statuen wurden in Ägypten und Griechenland verehrt und humanoiden Automaten wurden von Yan Shi, Heron von Alexandria, Al-Jazari und Wolfgang von Kempelen gebaut. Es war auch allgemein angenommen, dass künstliche Wesen, die von J? Bir ibn Hayy? N, Judah Loew und Paracelsus geschaffen worden. Durch die 19. und 20. Jahrhundert, hatte künstlichen Wesen werden ein gemeinsames Merkmal in der Fiktion, wie in Mary Shelleys Frankenstein oder Karel? Capek ist RUR (Rossum Universal Robots). Pamela McCorduck argumentiert, dass alle diese Beispiele eines alten Drang sind, wie sie es beschreibt, "die Götter zu schmieden". Stories von diesen Kreaturen und ihre Schicksale zu diskutieren viele der gleichen Hoffnungen, Ängste und ethischen Bedenken, die durch künstliche Intelligenz präsentiert werden.

Mechanische oder "formelle" Argumentation wurde von Philosophen und Mathematiker seit der Antike entwickelt.Das Studium der Logik führte direkt zu der Erfindung der programmierbaren digitalen elektronischen Rechner, basierend auf der Arbeit des Mathematikers Alan Turing und andere. Turings Theorie der Berechnung vorgeschlagen, dass eine Maschine, durch das Mischen Symbole so einfach wie "0" und "1", könnte jede denkbare Akt der mathematischen Deduktion zu simulieren. Dies, zusammen mit den jüngsten Entdeckungen in der Neurologie, Informationstheorie und Kybernetik, inspirierte eine kleine Gruppe von Forschern zu beginnen, ernsthaft über die Möglichkeit des Aufbaus eines elektronischen Gehirn.

Das Feld der KI-Forschung wurde auf einer Konferenz auf dem Campus der Dartmouth College im Sommer 1956 gegründet. Die Teilnehmer, darunter John McCarthy, Marvin Minsky, Allen Newell und Herbert Simon, wurden die Führer der KI-Forschung seit vielen Jahrzehnten. Sie und ihre Schülerinnen und Schüler schrieben Programme, die für die meisten Leute waren einfach erstaunlich: Computer wurden der Lösung von Textaufgaben in der Algebra, was beweist, logische Sätze und Englisch sprechen. Bis Mitte der 1960er Jahre Forschung in den USA wurde stark durch das Department of Defense und Labors finanziert hatte auf der ganzen Welt etabliert. AI-Gründer waren zutiefst optimistisch in die Zukunft des neuen Feldes: Herbert Simon sagte voraus, dass "Maschinen werden in der Lage sein, innerhalb von zwanzig Jahren, der Sie mit den Arbeiten ein Mann tun kann" und Marvin Minsky vereinbart, schriftlich mit, dass "innerhalb einer Generation... das Problem der Schaffung von "künstlicher Intelligenz" wird erheblich gelöst "werden.

Sie hatten es versäumt, die Schwierigkeit, einige der Probleme, die sie konfrontiert zu erkennen. Im Jahr 1974, in Reaktion auf die Kritik von Englands Sir Ja mes Lighthill und anhaltenden Druck aus dem Kongress, um produktiver Projekte zu finanzieren, schnitt der amerikanischen und britischen Regierungen aus allen ungerichteten, orientierende Forschung in AI. Die nächsten paar Jahren, wenn die Finanzierung von Projekten war schwer zu finden, später genannt "AI Winter" sein.

In den frühen 1980er Jahren wurde KI-Forschung durch den kommerziellen Erfolg von Expertensystemen, eine Form der AI-Programm wieder, dass simulierte das Wissen und die analytischen Fähigkeiten von einem oder mehreren menschlichen Experten. Bis 1985 der Markt für AI hatte über eine Milliarde Dollar erreicht.Zur gleichen Zeit, inspiriert Japans fünfte Generation Computer-Projekt der amerikanischen und britischen Regierungen, die Finanzierung für die akademische Forschung auf dem Gebiet wiederherzustellen. Allerdings, beginnend mit dem Zusammenbruch der Lisp-Maschine-Markt im Jahr 1987, AI erneut in Verruf geraten, und eine zweite, län gere AI Winter begann.

In den 1990er und frühen 21. Jahrhunderts, erreicht AI ihre größten Erfolge, wenn auch etwas hinter die Kulissen. Künstliche Intelligenz ist für die Logistik, Data Mining, der medizinischen Diagnostik und in vielen anderen Bereichen in der gesamten Technologiebranche verwendet. Der Erfolg war auf mehrere Faktoren zurückzuführen: die unglaubliche Kraft der Computer heute (siehe Moore-Gesetz), eine stärkere Betonung auf die Lösung spezifischer Teilprobleme, die Schaffung neuer Verbindungen zwischen AI und andere Felder, die ähnliche Probleme und vor allem ein neues Engagement Forscher soliden mathematischen Methoden und strengen wissenschaftlichen Standards.

Probleme

Das Problem der Simulation (oder erstellen) Intelligenz hat sich in eine Reihe von spezifischen Teilprobleme gebrochen. Diese bestehen aus bestimmten Eigenschaften oder Fähigkeiten, die Forscher wie ein intelligentes System anzeigen möchten. Die Merkmale beschrie ben erhalten die meiste Aufmerksamkeit haben.

Abzug, logisches Denken, Problemlösungskompetenz

Frühe AI-Forscher entwickelten Algorithmen, die den Schritt-für-Schritt-Argumentation, dass die Menschen nutzen, wenn sie Rätsel lösen, Brettspiele spielen oder machen logische Schlussfolgerungen imitiert.."Zum Beispiel, wenn ein Vogel kommt im Gespräch, die Menschen in der Regel Bild eines Tieres, das Faust Größe, singt und fliegt, ist keines dieser Dinge sind wahr über alle Vögel John McCarthy dieses Problem erkannt wurde 1969 als die Qualifikation Problem:.. Für jeder Vernunft Regel, dass KI-Forscher Pflege zu vertreten hat, gibt es meist eine große Anzahl von Ausnahmen. Fast nichts ist einfach wahr oder falsch in der Weise, dass abstrakte Logik erfordert. KI-Forschung hat untersucht eine Reihe von Lösungen für dieses Problem. Die Breite commonsense knowledgeThe Anzahl von Sachverhalten, dass die durchschnittliche Person kennt, ist astronomisch. Forsc hungsprojekte, die zu einer vollständigen Wissensbasis von Alltagswissen (zB Cyc) bauen Versuch benötigen enorme Mengen an aufwendig ontologischen engineering sie gebaut werden muss, von Hand, eine komplizierte Konzept zu einer Zeit. Ein wesentliches Ziel ist es, den Computer zu verstehen genug Konzepte zu können durch das Lesen von Quellen wie dem Internet zu lernen, und damit in der Lage sein, seine eigene Ontologie hinzufügen.Die subsymbolische Form von einigen gesunden knowledgeMuch, was die Leute wissen, ist, nicht als "Tatsachen" oder "Aussagen", die sie eigentlich laut sagen könnte vertreten. Zum Beispiel wird ein Schachmeister zu vermeiden eine bestimmte Schach Position, weil es "fühlt sich zu exponiert" oder ein Kunstkritiker können einen Blick auf die Statue zu nehmen und sofort erkennen, dass es eine Fälschung ist. Diese sind Intuitionen oder Tendenzen, die in das Gehirn nicht bewusst und sub-symbolisch dargestellt sind. Wisse n, wie diese informiert, unterstützt und bietet einen Rahmen für die symbolische, bewusstes Wissen. Wie bei den verwandten Problem der sub-symbolische Denken, es ist zu hoffen, dass liegt AI oder Computational Intelligence wird Möglichkeiten, diese Art von Wissen repräsentieren. Planung

Intelligente Agenten müssen in der Lage, Ziele zu setzen und sie zu erreichen. Sie brauchen einen Weg, die Zukunft zu visualisieren (sie müssen eine Darstellung des Zustandes der Welt haben und in der Lage sein, Voraussagen darüber, wie ihre Aktionen werden sie zu ändern) und in der Lage sein, Entscheidungen zu, dass der Nutzen zu maximieren (oder "value") zu machen der verfügbaren Optionen.

In der klassischen Planung Problemen, kann der Agent davon aus, dass es das einzige, was die auf die Welt ist und es kann sicher sein, was die Folgen seines Handelns sein kann. Allerdings, wenn das nicht wahr ist, muss es in regelmäßigen Abständen überprüfen, ob die Wel t passt seine Prognosen und es muss seinen Plan ändern, wenn dies erforderlich wird, benötigt der Agent an die Vernunft unter Unsicherheit.

Multi-Agenten-Planung nutzt die Kooperation und Konkurrenz von vielen Agenten ein bestimmtes Ziel zu erreichen.Emergent Verhalten wie dies durch evolutionäre Algorithmen und Schwarm-Intelligenz verwendet.

Lernen

Maschinelles Lernen steht im Mittelpunkt KI-Forschung von Anfang an. Unüberwachtes Lernen ist die Fähigkeit, Muster in einem Strom von Eingang zu finden. Überwachtes Lernen umfasst sowohl Klassifizierung und numerische Regression. Klassifizierung wird verwendet, um festzustellen, in welcher Kategorie etwas gehört, nachdem er eine Reihe von Beispielen von Dingen aus verschiedenen Kategorien. Regression nimmt eine Reihe von numerischen Input / Output-Beispiele und versucht, eine kontinuierliche Funktion, die die Ausgänge von den Eingängen erzeugen würde zu entdecken. In Reinforcement Learning der Agent f� �r gute Antworten belohnt und bestraft für schlechte. Diese können im Hinblick auf die Entscheidung der Theorie analysiert werden, mit Begriffen wie Nutzen. Die mathematische Analyse der Algorithmen des maschinellen Lernens und ihre Leistung ist ein Zweig der theoretischen Informatik als rechnerische Lerntheorie bekannt.

Verarbeitung natürlicher Sprache

Verarbeitung natürlicher Sprache gibt Maschinen die Fähigkeit zu lesen und zu verstehen, die Sprachen, die Menschen sprechen.Viele Forscher hoffen, dass eine ausreichend leistungsfähige Verarbeitung natürlicher Sprache System wäre in der Lage, Wissen über seine eigenen zu erwerben, durch Lesen Sie den vorhandenen Text über das Internet verfügbar. Einige einfache Anwendungen der Verarbeitung natürlicher Sprache sind Information Retrieval (oder Text-Mining) und der maschinellen Übersetzung.

Bewegung und Manipulation ASIMO nutzt Sensoren und intelligente Algorithmen, um Hindernisse zu umgehen und navig ieren Treppe.

Das Gebiet der Robotik ist eng mit AI zusammen. Intelligenz ist für Roboter in der Lage sein, solche Aufgaben als Objekt Manipulation und Navigation Griff, mit Sub-Probleme der Lokalisierung (zu wissen, wo Sie sich befinden), Mapping (Lernen, was um Sie herum) erforderlich und Bewegungsplanung (herauszufinden, wie man dort erhält) .

Wahrnehmung

Maschinelle Wahrnehmung ist die Fähigkeit zur Eingabe von Sensoren (zB Kameras, Mikrofone, Sonar und andere exotische), um Aspekte der Welt abzuleiten. Computer Vision ist die Fähigkeit, visuelle Eingabe analysieren. Ein paar ausgewählte Teilprobleme sind Spracherkennung, Gesichtserkennung und Objekterkennung.

Soziale Intelligenz Kismet, ein Roboter mit rudimentärer sozialer Kompetenzen

Emotion und soziale Kompetenzen spielen zwei Rollen für einen intelligenten Agenten. Erstens muss sie in der Lage sein, die Handlungen anderer voraus, durch das Verstehen ihrer Motive und emotionalen Zustände n.(Hier geht es Elemente der Spieltheorie, Entscheidungstheorie, sowie die Fähigkeit, menschliche Gefühle und die Wahrnehmungsfähigkeiten, um Emotionen zu erkennen Modell.) Auch für eine gute Mensch-Computer-Interaktion, eine intelligente Maschine muss auch Emotionen zu zeigen. Zumindest muss es erscheinen, höflich und sensibel für die Menschen die Interaktion mit. Im besten Fall sollte es eine normale Emotionen sich.

Kreativität Topio, ein Roboter, der Tischtennis spielen kann, indem TOSY entwickelt.

Ein Teilgebiet der KI-Adressen Kreativität sowohl theoretisch (aus philosophischer und psychologischer Sicht) und praktisch (über spezifische Implementierungen von Systemen, die Ausgänge, die als kreative kann erzeugen).

Allgemeine Intelligenz

Die meisten Forscher hoffen, dass ihre Arbeit schließlich wird in einer Maschine mit der allgemeinen Intelligenz (bekannt als starke AI) integriert werden, die Kombination aller Fähigkeiten über und über di e menschlichen Fähigkeiten bei den meisten oder allen von ihnen. Ein paar glauben, dass anthropomorphe Eigenschaften wie künstlichen Bewusstseins oder ein künstliches Gehirn für ein solches Projekt kann erforderlich sein.

Viele der oben genannten Probleme berücksichtigt werden AI-komplett: zu einem Problem zu lösen, müssen Sie lösen sie alle. Zum Beispiel, auch eine einfache, konkrete Aufgabe wie die maschinelle Übersetzung erfordert, dass die Maschine des Autors Argument (Vernunft) zu folgen, wissen, was man über (Wissen) gesprochen, und originalgetreu zu reproduzieren die Intention des Autors (soziale Intelligenz).Maschinelle Übersetzung, daher wird angenommen, dass AI-complete: es kann starke KI verlangen sowie Menschen getan werden dagegen tun können.

Ansätze

Es gibt keine etablierte vereinheitlichende Theorie oder Paradigma, führt KI-Forschung. Forscher nicht einig über viele Themen. Ein paar der langjährigen Fragen, die unbeantwortet ge blieben sind, sind folgende: sollte künstliche Intelligenz simulieren die natürliche Intelligenz, durch das Studium der Psychologie oder der Neurologie? Oder ist die Biologie des Menschen als irrelevant für Forschung AI als Vogel Biologie ist die Luft-und Raumfahrttechnik? Kann intelligentes Verhalten beschrieben mit einfachen, eleganten Prinzipien (wie Logik oder Optimierung) werden? Oder ist es unbedingt erforderlich die Lösung einer Vielzahl von völlig anderen Probleme? Kann Intelligenz reproduziert mit High-Level-Symbolen, ähnlich wie Worte und Ideen werden? Oder macht es erforderlich ist "sub-symbolischer" Verarbeitung?

Kybernetik und Gehirn-Simulation Es gibt keinen Konsens darüber, wie eng das Gehirn simuliert werden soll.

In den 1940er und 1950er Jahren erforscht eine Reihe von Forschern die Verbindung zwischen Neurologie, Informationstheorie und Kybernetik. Einige von ihnen gebauten Maschinen, die elektronische Netze verwendet werden, um ru dimentäre Intelligenz, wie W. Grey Walter ist Schildkröten und der Johns Hopkins Beast aufweisen. Viele dieser Forscher sammelten für die Sitzungen des teleologischen Society an der Princeton University und der Ratio Club in England. Bis 1960 wurde dieser Ansatz weitgehend aufgegeben, obwohl Elemente von ihm in den 1980er Jahren wiederbelebt werden würde.

Symbolisch

Wenn die digitale Computer Zugang wurde in der Mitte 1950er Jahre möglich, begann KI-Forschung die Möglichkeit, dass die menschliche Intelligenz zu Symbol Manipulation reduziert werden könnte erkunden..Commonsense Wissensbasen (wie Doug Lenat der Cyc) sind ein Beispiel für "vergammelt" AI, denn sie müssen mit der Hand, ein kompliziertes Konzept zu einer Zeit gebaut werden. Wissen basedWhen Computern mit großen Erinnerungen wurde um 1970 zur Verfügung, begannen Forscher aus allen drei Traditionen, Wissen in KI-Anwendungen zu bauen. Diese "Revolution des Wissens" führte zu d er Entwicklung und dem Einsatz von Expertensystemen (eingeführt durch Edward Feigenbaum), der erste wirklich erfolgreiche Form der AI-Software. Die Revolution des Wissens wurde auch durch die Erkenntnis, dass enorme Mengen von Wissen durch viele einfache KI-Anwendungen erforderlich wäre angetrieben. Sub-symbolische

In den 1960er Jahren hatte symbolische Ansätze großem Erfolg auf die Simulation auf hohem Niveau Denken in kleinen Demonstration erreicht. Ansätze der Kybernetik oder der Basis neuronaler Netze wurden aufgegeben oder in den Hintergrund gedrängt. In den 1980er Jahren jedoch schien Fortschritt in symbolischer AI zum Stillstand kommen, und viele glaubten, dass symbolische Systeme würden nie in der Lage zu imitieren alle Prozesse der menschlichen Wahrnehmung, vor allem die Wahrnehmung, Robotik-, Lern-und Mustererkennung. Eine Reihe von Forschern fing an, in "sub-symbolischer" Ansätze für spezifische AI ​​Probleme zu suchen.

Bottom-up, v erkörperte, aufgestellt, verhaltens-oder nouvelle AIResearchers aus dem verwandten Gebiet der Robotik, wie Rodney Brooks, abgelehnt symbolische AI ​​und konzentrierte sich auf die grundlegenden technischen Probleme, mit denen Roboter zu bewegen und zu überleben würde. Ihre Arbeit wieder auf die nicht-symbolischen Sichtweise der frühen Kybernetik Forscher der 50er und wieder den Einsatz der Regelungstechnik in AI.Diese Ansätze sind auch konzeptionell auf die verkörperte Geist These zusammen. Computational IntelligenceInterest in neuronalen Netzen und "Konnektionismus" wurde von David Rumelhart und andere in der Mitte der 1980er Jahre wiederbelebt. Diese und andere sub-symbolische Ansätze, wie Fuzzy-Systeme und evolutionäre Berechnung, werden nun gemeinsam durch die aufstrebende Disziplin der Computational Intelligence studiert. Statistisch

In den 1990er Jahren entwickelten KI-Forscher komplexe mathematische Werkzeuge, um bestimmte Teilprobleme zu lö sen. Diese Tools sind wirklich wissenschaftlichen, in dem Sinne, dass ihre Ergebnisse sowohl messbar und nachprüfbar sind, und sie sind verantwortlich für viele der jüngsten Erfolge von amnesty international. Die gemeinsame Sprache der Mathematik hat auch ein hohes Maß an Zusammenarbeit mit etablierten Bereichen (wie Mathematik, Wirtschaftswissenschaften oder Operations Research) gestattet. Stuart Russell und Peter Norvig beschreiben diese Bewegung als nichts weniger als eine "Revolution" und "den Sieg der neats."

Die Integration der Ansätze Intelligent Agent paradigmAn intelligenter Agent ist ein System, das seine Umwelt wahrnimmt und ergreift Maßnahmen, die ihre Chancen auf Erfolg maximiert. Die einfachste intelligenten Agenten sind Programme, die spezifische Probleme zu lösen. Die komplizierteste intelligente Agenten sind rational, denkenden Menschen.Das Paradigma gibt Forschern Lizenz für isolierte Probleme untersuchen und Lösungen finde n, die sowohl überprüfbar und nützlich sind, ohne Einigung auf einen einzigen Ansatz. Ein Agent, der ein bestimmtes Problem löst kann jeder Ansatz, dass einige Agenten sind symbolisch und logischen Werken zu verwenden, sind einige sub-symbolischen neuronale Netze und andere, neue Ansätze zu verwenden. Das Paradigma gibt auch Forscher eine gemeinsame Sprache mit anderen zu kommunizieren fieldssuch als Entscheidungs-und economicsthat auch Konzepte der abstrakten Agenten. Die intelligenten Agenten-Paradigma wurde weithin akzeptiert in den 1990er Jahren. Agenten-Architekturen und kognitive architecturesResearchers haben Systeme entwickelt, um intelligente Systeme zu bauen von interagierenden intelligenten Agenten in einem Multi-Agenten-System. Ein System mit den beiden symbolischen und sub-symbolische Komponenten ist ein Hybrid intelligentes System, und die Untersuchung solcher Systeme ist die künstliche Intelligenz der Systemintegration. Eine hierarchische Steuerung stell t eine Brücke zwischen sub-symbolische AI ​​auf dem niedrigsten Stand-, Blind-Levels und traditionellen symbolischen KI auf dem höchsten Niveau, wo entspannt Zeitdruck Genehmigungsplanung und Welt-Modellierung. Rodney Brooks 'Subsumption Architektur war ein früher Vorschlag für ein solches hierarchisches System. Werkzeuge

Im Laufe von 50 Jahren Forschung hat AI eine große Anzahl von Werkzeugen, um die schwierigsten Probleme in der Informatik zu lösen entwickelt. Ein paar von den allgemeinsten dieser Methoden werden im Folgenden erörtert.

Suche und Optimierung

Viele Probleme in AI kann theoretisch durch eine intelligente Suche durch viele mögliche Lösungen gelöst werden: Reasoning kann eine Suche durchführen reduziert werden. Zum Beispiel kann logischen Beweis als die Suche nach einem Weg, der von den Betrieben zu Schlussfolgerungen führt, wo jeder Schritt ist die Anwendung eines Schlusses Regel angesehen werden. Planung Algorithmen Suche durch Bäume von Zielen und Teilzielen, versucht, einen Pfad zu einem angestrebten Ziel zu finden, einen Prozess namens Zweck-Mittel-Analyse. Robotics Algorithmen für bewegte Glieder und Ergreifen von Gegenständen verwenden die lokale Suche im Konfigurationsraum. Viele Algorithmen verwenden Suchalgorithmen auf Optimierung.

Einfache erschöpfende Recherchen sind selten ausreichend für die meisten Probleme der realen Welt: den Suchraum (die Anzahl der Plätze zu suchen) wächst schnell auf astronomische Zahlen. Das Ergebnis ist eine Suche, die zu langsam oder nie abgeschlossen ist. Die Lösung für viele Probleme, ist die "Heuristik" oder "Faustregeln", dass Entscheidungen, die wahrscheinlich nicht zum Ziel (so genannte "Beschneiden des Suchbaums") führen, sind zu beseitigen verwenden. Heuristiken liefern das Programm mit einem "best guess" für welchen Weg die Lösung liegt auf.

Eine ganz andere Art der Suche Bekannt wurd e in den 1990er Jahren, basierend auf der mathematischen Theorie der Optimierung.Für viele Probleme ist es möglich, die Suche mit irgendeiner Form von eine Vermutung zu beginnen und dann zu verfeinern die Vermutung schrittweise, bis keine weitere Verfeinerungen vorgenommen werden können. Diese Algorithmen können visualisiert werden, wie blinde Bergrennen: Wir beginnen die Suche an einem beliebigen Punkt in der Landschaft, und dann, durch Sprünge oder Stufen, bewegen wir uns unsere Vermutung bergauf zu halten, bis wir den Gipfel zu erreichen. Andere Optimierungsalgorithmen sind Simulated Annealing, beam search und zufällige Optimierung.

Evolutionary Computation verwendet eine Form der Optimierung zu suchen. Zum Beispiel kann sie mit einer Bevölkerung von Organismen (der Vermutungen) beginnen und dann können sie zu mutieren und rekombinieren, die Auswahl nur die Stärksten zu jeder Generation überleben (Verfeinerung der Vermutungen). Formen der Evolutionary Co mputation gehören Schwarm-Intelligenz-Algorithmen (z. B. Ameisenkolonie oder Particle Swarm Optimization) und evolutionäre Algorithmen (wie genetische Algorithmen [103] und genetische Programmierung [104] [105]).

Logik

Logic wurde in KI-Forschung von John McCarthy 1958 in seiner Beratung Taker Vorschlag eingebracht. Logic ist für Wissensrepräsentation und Problemlösung verwendet, aber es kann zu anderen Problemen angewandt werden kann. Zum Beispiel verwendet der Algorithmus satplan Logik für die Planung und induktiven logischen Programmierung ist eine Methode für das Lernen.

Mehrere verschiedene Formen der Logik sind in KI-Forschung verwendet.Aussagenlogik oder Aussagenlogik ist die Logik der Aussagen, die wahr oder falsch sein können. First-order Logik erlaubt auch die Verwendung von Quantoren und Prädikaten, und können Fakten über Objekte, ihre Eigenschaften und ihre Beziehungen zueinander zum Ausdruck bringen. Fuzzy-Logik, ist eine Version von erster Ordnung Logik, die die Wahrheit einer Aussage als einen Wert zwischen 0 und 1, anstatt einfach nur True (1) oder False (0) dargestellt werden können. Fuzzy-Systeme können für ungewisse Argumentation verwendet werden und wurden weitgehend in modernen Industrie-und Konsumgüter-Steuerung eingesetzt. Standard Logik, nicht-monotone Logiken und Umschreibung sind Formen der Logik entwickelt, um mit Standard-Argumentation und die Qualifikation Problem zu helfen. Mehrere Erweiterungen der Logik wurden entwickelt, um bestimmte Bereiche des Wissens, wie Griff: Beschreibungslogiken; Situation Kalkül, Event-Kalkül und fließend Kalkül (für die Darstellung von Ereignissen und Zeit); kausale Kalkül, der Glaube Kalkül und Modallogiken.

Im Jahre 1963 entdeckte J. Alan Robinson eine einfache, vollständige und völlig algorithmische Methode zur logischen Ableitung, die leicht durch digitale Computer ausgeführt werden können. Allerdings, eine naive Implementierung de s Algorithmus führt schnell zu einer kombinatorischen Explosion oder eine Endlosschleife. Im Jahr 1974 schlug Robert Kowalski repräsentieren logische Ausdrücke wie Horn-Klauseln (Aussagen in Form von Regeln: "wenn p, dann q"), die logische Folgerung zu Rückwärtsverkettung oder Vorwärtsverkettung reduziert.Diese stark gelindert (aber nicht zu beseitigen) das Problem.

Probabilistische Methoden für ungewisse Argumentation

Viele Probleme in AI (im Denken, Planen, Lernen, Wahrnehmung und Robotik) bedürfen der Agent mit unvollständigen oder unsicheren Informationen bedienen. Beginnend in den späten 80er und frühen 90er Jahren verfochten Judea Pearl und anderen die Verwendung von Methoden aus der Wahrscheinlichkeitstheorie und Wirtschaft gezogen, um eine Reihe von leistungsstarken Tools entwickeln, um diese Probleme zu lösen.

Bayes-Netze sind eine sehr allgemeine Werkzeug, das für eine große Anzahl von Problemen genutzt werden können: Denke n (mit dem Bayes-Inferenz-Algorithmus), Lernen (mit der Erwartung Maximierung Algorithmus), Planung (mit Entscheidung Netzwerke) und Wahrnehmung (mit dynamischen Bayes'schen Netzen ). Probabilistische Algorithmen können auch für die Filterung, Vorhersage, Glätten und der Suche nach Erklärungen für Datenströme, helfen Wahrnehmung Systeme, Prozesse, die im Laufe der Zeit (zB Hidden-Markov-Modelle oder Kalman-Filter) auftreten analysieren verwendet werden.

Ein Schlüsselbegriff aus der Wissenschaft der Ökonomie ist "Nützlichkeit": ein Maß dafür, wie wertvoll etwas ist, um einen intelligenten Agenten. Präzise mathematische Werkzeuge entwickelt worden, die analysieren, wie ein Agent Entscheidungen zu planen und mit Entscheidungstheorie, Entscheidung Analyse-, Informations-Wert-Theorie machen kann. Zu diesen Werkzeugen gehören Modelle wie Markov Entscheidungsprozesse, dynamische Entscheidungsbäume Netzwerke, Spieltheorie und Mechanismus-Design. Klassifikatoren und statistische Lernverfahren

Klassifikatoren ("wenn glänzenden dann diamond") und Controller ("wenn glänzenden dann pick up"): Die einfachste KI-Anwendungen können in zwei Typen unterteilt werden. Controller müssen jedoch auch klassifizieren Bedingungen, bevor Sie folgern Aktionen, und deshalb Klassifizierung bildet einen zentralen Bestandteil von vielen KI-Systeme. Klassifikatoren sind Funktionen, die Pattern-Matching zu einem nächsten Spiel bestimmen zu verwenden. Sie können nach den Beispielen abgestimmt werden, wodurch sie sehr attraktiv für den Einsatz in AI. Diese Beispiele sind als Beobachtungen oder Muster bekannt. In überwachten Lernens, gehört jedes Muster auf eine bestimmte vordefinierte Klasse. Eine Klasse kann als eine Entscheidung, die getroffen werden muss gesehen werden. Alle Beobachtungen mit ihrer Klasse Etiketten kombiniert werden als Datensatz bezeichnet. Wenn eine neue Beobachtung empfangen wird, wird diese Beobachtung auf der Grundlage früherer Erfahrungen klassifiziert.

Ein Classifier kann auf verschiedene Weise ausgebildet werden, es gibt viele statistische und maschinellen Lernverfahren.Die am häufigsten verwendeten Klassifikatoren sind das neuronale Netzwerk, Kernel-Methoden wie der Support Vector Machine, k-Nearest-Neighbour-Algorithmus, Gaussian Mixture Model, naive Bayes Klassifikator und Entscheidungsstruktur. Die Leistung dieser Klassifikatoren haben über ein breites Spektrum von Aufgaben verglichen worden. Classifier Leistung hängt stark von den Eigenschaften der Daten zu klassifizieren. Es gibt keinen einzigen Klassifikator, die am besten funktioniert auf allen gegebenen Probleme, dies wird auch als die "no free lunch"-Theorem bezeichnet. Bestimmung eines geeigneten Klassifikators für ein gegebenes Problem ist nach wie vor eher eine Kunst als eine Wissenschaft.

Neuronale Netze Ein neuronales Netz ist ein Verbund Gruppe von Knoten, verwandt mit dem riesigen Netzwerk von Neuronen im menschlichen Gehirn.

Die Studie von künstlichen neuronalen Netzen begann in den zehn Jahren vor dem Feld KI-Forschung gegründet wurde, in der Arbeit von Walter Pitts und Warren McCullough. Weitere wichtige frühe Forscher waren Frank Rosenblatt, der Perzeptron und Paul Werbos, der Backpropagation-Algorithmus entwickelt, erfunden.

Die wichtigsten Arten von Netzen acyclischen oder Feedforward Neuronale Netze (wo das Signal geht nur in eine Richtung) und rekurrenten neuronalen Netzen (die es erlauben Feedback). Zu den beliebtesten Feedforward-Netzwerke sind Perzeptronen, Multi-Layer-Perzeptron und radiale Basis-Netzwerke.Unter rekurrenten Netzen, ist das berühmteste der Hopfield-Netz, eine Form der Attraktor-Netzwerk, das zuerst von John Hopfield im Jahr 1982 beschrieben wurde. Neuronale Netze können das Problem der intelligenten Steuerung (für Robotik) oder das Lernen mit Hilfe von Verfahren wie Hebb-Regel und wettbewerbsfähige Lernens angewandt werden.

Jeff Hawkins argumentiert, dass die Forschung in neuronalen Netzen ist ins Stocken geraten, weil es nicht gelungen ist, die wesentlichen Eigenschaften des Neokortex Modell, und hat vorgeschlagen, ein Modell (Hierarchical Temporal Memory), die auf der neurologischen Forschung basiert.

Control-Theorie

Control-Theorie, der Enkel der Kybernetik, hat viele wichtige Anwendungen, insbesondere in der Robotik.

Sprachen

AI-Forscher haben mehrere spezialisierte Sprachen für KI-Forschung, einschließlich Lisp und Prolog entwickelt.

Bewertung der Fortschritte

Wie kann man feststellen, ob ein Agent ist intelligent? In 1950 schlug Alan Turing ein allgemeines Verfahren, um die Intelligenz eines Agenten jetzt als Turing-Test bekannt zu testen. Dieses Verfahren ermöglicht es fast alle großen Probleme der künstlichen Intelligenz zu testen. Allerdings ist es eine sehr schwierige Herausforderung und präsentiere n alle Agenten fehl.

Künstliche Intelligenz kann auch auf spezifische Probleme wie kleine Probleme in der Chemie, Handschrift Anerkennung und Spiel ausgewertet werden. Solche Tests wurden Fachexperten Turing-Tests genannt.Kleinere Probleme bieten mehr erreichbare Ziele, und es gibt eine ständig wachsende Zahl von positiven Ergebnissen.

Die große Klassen von Ergebnissen für eine AI-Test sind:

Optimal: es ist nicht möglich, eine bessere Leistung Starke übermenschlichen: eine bessere Leistung als alle Menschen Super-Mensch: eine bessere Leistung als die meisten Menschen Sub-human: schlechter ab als die meisten Menschen

Zum Beispiel ist die Leistung bei Entwürfe optimal, die Leistung beim Schach ist super-menschliche und kurz vor der starken Super-Mensch, und die Leistung bei vielen alltäglichen Aufgaben, die von Menschen durchgeführt wird sub-human.

Ein ganz anderer Ansatz Maßnahmen maschineller Intelligenz durch Tests, die von der mat hematischen Definitionen von Intelligenz entwickelt. Beispiele für diese Art von Tests beginnen in den späten neunziger Jahren der Ausarbeitung Intelligenztests mit Vorstellungen von Kolmogorov Komplexität und Datenkompression. Ähnliche Definitionen von maschineller Intelligenz, wurden von Marcus Hutter in seinem Buch Universal-Artificial Intelligence (Springer 2005), eine Idee durch Legg und Hutter entwickelten setzen. Zwei wesentliche Vorteile der mathematischen Definitionen sind ihre Anwendbarkeit auf nicht-menschliche Intelligenzen und ihre Abwesenheit eine Voraussetzung für den menschlichen Tester.

Anwendungen

Künstliche Intelligenz hat erfolgreich in einer Vielzahl von Bereichen wie der medizinischen Diagnostik, Aktienhandel, Robotersteuerung, Recht, wissenschaftliche Entdeckung, Videospiele, Spielzeug und Web-Suchmaschinen verwendet worden. Häufig, wenn eine Technik Mainstream Einsatz gelangt, ist es nicht mehr als künstliche Intelligenz, die manchmal als AI-Effekt beschrieben. Es kann auch integriert werden in künstlichem Leben.

Wettbewerbe und Preise

Es gibt eine Reihe von Wettbewerben und Preisen, die Forschung in künstlicher Intelligenz zu fördern.Die wichtigsten Bereichen gefördert werden: allgemeine maschineller Intelligenz, Gesprächsverhalten, Data-Mining, fahrerlose Autos, Roboter-Fußball und Spiele.

Plattformen

Eine Plattform (oder "-Computing-Plattform") wird von Wikipedia definiert als "eine Art von Hardware-Architektur oder Software-Framework (einschließlich Application Frameworks), die Software zu laufen können." Als Rodney Brooks wies darauf hin, vor vielen Jahren, ist es nicht nur die künstliche Intelligenz Software, die die AI Features der Plattform definiert, sondern die eigentliche Plattform selbst, dass die AI, dass die Ergebnisse, dh, wir arbeiten aus AI Probleme brauchen beeinflusst realen Welt Plattformen statt in Isolation.

Eine Vielzahl von Pl attformen konnten verschiedene Aspekte der AI zu entwickeln, angefangen von Expertensystemen, wenn auch auf PC-Basis, aber immer noch eine ganze realen System zu verschiedenen Roboter-Plattformen wie dem weit verbreiteten Roomba mit offenen Schnittstellen.

Philosophie

Künstliche Intelligenz, indem sie behaupten zu können, um die Fähigkeiten des menschlichen Geistes neu zu erstellen, ist eine Herausforderung und zugleich eine Inspiration für die Philosophie. Gibt es Grenzen, wie intelligente Maschinen werden kann? Gibt es einen wesentlichen Unterschied zwischen menschlicher Intelligenz und künstliche Intelligenz? Kann eine Maschine haben einen Geist und Bewusstsein? Ein paar der einflussreichsten Antworten auf diese Fragen sind unten angegeben.

Turings "höfliche Konvention" Wenn eine Maschine wirkt so intelligent wie ein Mensch, dann ist es so intelligent wie ein Mensch. Alan Turing die Theorie, dass letztlich können wir nur beurteilen, die Inte lligenz einer Maschine auf sein Verhalten basiert. Diese Theorie bildet die Grundlage der Turing test.The Dartmouth Vorschlag: "Jeder Aspekt des Lernens oder eine andere Funktion der Intelligenz kann so genau beschrieben, dass eine Maschine werden können, um es zu simulieren."Diese Behauptung wurde in den Vorschlag für die Dartmouth-Konferenz von 1956 gedruckt, und vertritt die Position der meisten Arbeiten AI researchers.Newell und Simon körperliche Symbol System Hypothese" Ein physikalisches Symbol System hat die notwendige und hinreichende Mittel zur allgemeinen intelligentes Handeln. "Newell und Simon argumentieren, dass Intelligenzen der formalen Operationen auf Symbolen besteht. Hubert Dreyfus argumentiert, dass, im Gegenteil, die menschliche Kompetenz hängt von unbewussten Instinkt als bewusste Manipulation Symbol und mit einem "Gefühl" für die Situation, anstatt explizite symbolische Erkenntnis. (Siehe Dreyfus 'Kritik an der AI .) Gdel die Unvollständigkeit theorema formalen System (zB ein Computer-Programm) nicht nachweisen kann, alle wahren Aussagen. Roger Penrose ist unter denen, die behaupten, dass Gdel Satz Grenzen, was Maschinen tun können. (Siehe Des Kaisers neue Mind.) Searle die starke KI-Hypothese "Die entsprechend programmierten Computer mit der richtigen Ein-und Ausgänge hätte damit einen Geist in genau demselben Sinne Menschen haben Verstand." Searle Zähler diese Behauptung mit seinem chinesischen Zimmer Argument, das uns auffordert, im Inneren des Computers schauen und versuchen, herauszufinden, wo der "Geist" sein könnte.Das künstliche Gehirn argumentThe Gehirn simuliert werden können. Hans Moravec, Ray Kurzweil und andere haben argumentiert, dass es technisch machbar ist, um das Gehirn direkt Kopie in Hard-und Software ist und dass eine solche Simulation wird im Wesentlichen identisch mit dem Original. Spekulation und Fiktion

AI ist ein gemeinsames Th ema in beiden Science-Fiction und in Prognosen über die Zukunft von Technologie und Gesellschaft. Die Existenz eines künstlichen Intelligenz, die menschliche Intelligenz Rivalen wirft schwierige ethische Fragen und die potenzielle Macht der Technologie begeistert sowohl Hoffnungen und Ängste.

Mary Shelleys Frankenstein hält ein zentrales Thema in der Ethik der künstlichen Intelligenz: Wenn eine Maschine geschaffen, hat Intelligenz, könnte es auch fühlen? Wenn es fühlen kann, hat sie die gleichen Rechte wie ein Mensch? Die Idee scheint auch in der modernen Science-Fiction: Der Film Artificial Intelligence: AI hält eine Maschine in Form eines kleinen Jungen, die jetzt die Möglichkeit, menschliche Emotionen, einschließlich, tragisch, die Fähigkeit zu leiden fühlen gegeben hat. Dieses Problem, die jetzt als "Roboter Rechte" bekannt ist, wird derzeit von betrachtet, zum Beispiel, California Institute for the Future, obwohl viele Kritiker glauben, da ss die Diskussion verfrüht.

Ein weiteres Problem von beiden Science-Fiction-Schriftsteller und Zukunftsforscher erforscht ist die Wirkung der künstlichen Intelligenz auf die Gesellschaft. In der Fiktion hat AI erschien erfüllen viele Rollen darunter;

Als Diener (R2D2 in Star Wars) Als Law Enforcer (K.ITT "Knight Rider") Als ein Kamerad (Lt. Commander Data in Star Trek) als Eroberer / Overlord (The Matrix) als Diktator (Mit gefalteten Händen) Wie ein Mörder (Terminator) Als sentiant Rennen Battlestar Galactica) Als Erweiterung der menschlichen Fähigkeiten (Ghost in the Shell) als Retter der Menschheit (R. Daneel Olivaw in der Stiftung Series).

Eine verminderte Nachfrage nach menschlicher Arbeit, die Förderung der menschlichen Fähigkeiten oder Erfahrungen und die Notwendigkeit zur Neudefinition der menschlichen Identität und Grundwerte: Academic Quellen haben solche Folgen wie betrachtet.

Mehrere Futuristen argumentieren, dass künst liche Intelligenz die Grenzen des Fortschritts zu überwinden und grundlegend zu verändern Menschheit. Ray Kurzweil ist Moores Gesetz verwendet (was beschreibt den gnadenlosen exponentielle Verbesserung der digitalen Technologie mit unheimlicher Genauigkeit) zu berechnen, dass Desktop-Computer wird die gleiche Rechenleistung wie das menschliche Gehirn bis zum Jahr 2029, und dass haben bis 2045 der künstlichen Intelligenz wird an einen Punkt gelangen, wo es kann sich mit einer Rate, die weit über alles denkbar in der Vergangenheit, ein Szenario, das Science-Fiction-Schriftsteller Vernor Vinge die "technologische Singularität" genannt zu verbessern. Edward Fredkin argumentiert, dass "künstliche Intelligenz die nächste Stufe in der Evolution ist," eine Idee zuerst von Samuel Butlers "Darwin unter den Maschinen" (1863) vorgeschlagen, ergänzt durch von George Dyson in seinem Buch mit dem gleichen Namen im Jahr 1998.Mehrere Futuristen und Scien ce-Fiction-Autoren haben vorhergesagt, dass Menschen und Maschinen in der Zukunft zu Cyborgs, die mehr in der Lage und leistungsfähiger als entweder zu verschmelzen. Diese Idee, genannt Transhumanismus, deren Wurzeln in Aldous Huxley und Robert Ettinger hat, ist jetzt mit Roboter-Designer Hans Moravec, Kybernetiker Kevin Warwick und Erfinder Ray Kurzweil verbunden. Transhumanismus hat in Fiktion als auch zum Beispiel in der Manga Ghost in the Shell und dem Science-Fiction-Serie Dune dargestellt. Pamela McCorduck schreibt, dass diese Szenarien Ausdrücke der alten Wunsch des Menschen, sind, wie sie es nennt, "Schmiede der Götter."

Was kostet eigentlich ein Detektiv?