Nosovs N.Ju., Sokolovs M.D. Mākslīgā intelekta attīstības tendences

Mākslīgais intelekts ir kaut kas tāds, kas var paverdzināt pasauli un atņemt mums darbu. No otras puses, tas var ievērojami vienkāršot mūsu dzīvi. Neironu tīkli un AI ir tēma, kas kļūst arvien populārāka. Un nav brīnums. Pats fakts, ka ir objekts, kas ir daudz gudrāks par cilvēku, jau izraisa dažādas gammas emociju vētru. Šodien mēs apskatīsim visu, kas jūs interesēja par mākslīgo intelektu: kas tas ir, kā to var izmantot parasts cilvēks, kā tas tiek izstrādāts.

Šodien noskatījos YouTube video par to, ka drīz mašīnām šoferus nevajadzēs. Jau ir izstrādāti modeļi, kas diezgan labi spēj identificēt objektus, kuros nekad nevajadzētu ietriekties. Vienīgais, ko šīs mašīnas nevar izdarīt, ir novietot stāvvietu. Tam joprojām ir vajadzīgs cilvēks. Bet tas ir tāds sīkums. Uzstādiet vienu stāvvietas apkalpotāju un ļaujiet viņam tikt galā ar šo lietu.

Un sistēma ir ļoti gudra. Man ir bail iedomāties, kā tas būs nākotnē: es teicu automašīnai "iet uz restorānu", un tā aizbrauca. Pat ja jūs nezināt, kurā apgabalā tas atrodas, jūs joprojām nonāksit tur, kur jums ir jābūt. Tas ir krāšņs.

Vispārīga informācija par mākslīgo intelektu

Mākslīgais intelekts balstās uz neironu tīkliem — cilvēka neirona matemātisku modeli. Lai detalizēti apsvērtu tās darbības principu, jums nedaudz jāiedziļinās centrālās nervu sistēmas anatomijā. Katra mūsu šūna sastāv no aksoniem un dendritiem. Pirmie savienojas ar otro, izmantojot sinapses. Neirons tiek aktivizēts, ja ir pārvarēts noteikts ierosmes slieksnis (tas ir, ja tam tiek pielikts spriegums, kas ir nedaudz lielāks par noteiktu vērtību). Tā rezultātā rodas signāls, kas tiek pārraidīts uz nākamo neironu utt.

Dendrīti ir, tā sakot, informācijas ievades ports. Pieņemsim, ka skatāties videoklipu. Informācija nonāk neironā, tiek tur apstrādāta un iziet uz citu, ja ir pārvarēts ierosmes slieksnis caur aksonu. Šis ir ļoti vienkāršots modelis, kas ir viegli saprotams. Reāli viss ir daudz sarežģītāk, bet tas nav saistīts ar tēmu.

Neironu tīkls ir modelis, kas ļauj pieņemt vispareizāko lēmumu, pamatojoties uz noteiktiem nosacījumiem.

Mākslīgā neirona apraksts

Sīkāk aprakstīsim mākslīgo intelektu un tā darbību. Mākslīgā neironā situācija ir aptuveni līdzīga. Ir ievades slānis un izvades slānis. Ir pats neirona ķermenis, ko sauc par summētāju, kura uzdevums ir pārbaudīt, vai nav pārsniegts ierosmes slieksnis, un dot signālu nākamajam mākslīgajam neironam, ja šis nosacījums ir patiess.

Ievades slānis saņem funkcijas, kas tiek analizētas. Iedomāsimies, ka vēlamies izveidot programmu, kas izlemj, vai abonēt kādu stand-up komiķi. Pieņemsim, ka šim nolūkam mums ir nepieciešams:

1. Humora izjūta. Skaidrs, ka stand-up komiķis bez šīs kvalitātes netiek vērtēts.
2. Intelekts. Es vēlos, lai tas man sniegtu vēl dažas idejas.

Šīs zīmes tiek ievadītas papildinātājā. Neirona ierosmes slieksni neironu tīklu valodā sauc par aktivizācijas funkciju. Ja tas ir pārvarēts, signāls nonāk izejas slānī. Šis ir risinājums. Mēs varam izmantot svēršanas koeficientus, lai noteiktu katras pazīmes svarīguma līmeni. Tas tiek darīts, lai pielāgotu mākslīgo intelektu konkrēta lietotāja uzdevumiem. Pieņemsim, ka mums ir svarīgāk izjust efektu “bet viņam ir taisnība”. Tas ir, stand-up komiķa intelektam ir lielāks svēršanas koeficients nekā viņa humora izjūtai.

Ja šī sistēma netiks ieviesta, tad lēmums par abonēšanu vai nē tiks pieņemts tikai tad, ja stand-up komiķis pajokos tik daudz, ka māja satricinās no klausītāja smieklu radītajām vibrācijām, un arī tad, ja, pateicoties video , tika izdomāta ideja , kā izpētīt kosmosu neizejot no dīvāna .

Kā tas darbojas praksē? Svērtā vērtība tiek izveidota, reizinot rādītāju ar svēruma koeficientu. Piemēram, ja inteliģence mums ir svarīgāka, tad šim atribūtam tiek piešķirts koeficients 0,6, bet humoram - 0,4. Mēs redzam, ka kopsummai joprojām vajadzētu būt vienam. Galu galā dators redz tikai divas iespējamās vērtības — 0 vai 1.

Ievade datorā nāk tikai skaitļu veidā. Pieņemsim, ka intelekts tiks mērīts IQ vienībās, bet humors – pēc paša programmētāja skalas. Šajā gadījumā jums joprojām ir jānormalizē ievades dati, lai tie tiktu izteikti vienā mērogā. Mēs neiedziļināsimies detaļās, jo mums vienkārši ir nepieciešams vispārējs priekšstats par to, kas ir mākslīgais intelekts. Tālāk ir jāapmāca neironu tīkls. Tas tiek darīts, izvēloties koeficientus. Tas ir, jums ir jāizvēlas šādi koeficienti, lai iegūtu vēlamo rezultātu.

Mākslīgā intelekta pielietošanas jomas

Mākslīgā intelekta darbības joma ir ļoti plaša, un to var izmantot visur, kur cilvēks var iedomāties. Šeit ir dažas jomas, kurās tas jau tiek veiksmīgi izmantots.

1. Medicīna. Mākslīgā intelekta priekšrocība šajā jomā ir spēja atcerēties un apstrādāt kolosālu informācijas apjomu, pateicoties kam ir parādījušās ne tikai aplikācijas, kas sniedz rekomendācijas ārstiem, bet arī programmas, kas spēj atklāt slimības agrīnās stadijās, kad simptomi jau ir parādījušies. vēl nav parādījies. Piemēram, lietojumprogramma Face2Gene skenē seju un var identificēt 3500 dažādas ģenētiskas slimības.
2. Rūpniecība un lauksaimniecība. Šajās jomās mākslīgais intelekts ir attīstījies tiktāl, ka drīz vien cilvēki būs pilnīgi nevajadzīgi. Tādējādi LG 2023.gadā atklās ražotni, kurā pilnīgi visus posmus veiks mākslīgais intelekts, sākot ar preču iegādi un gatavās produkcijas izkraušanu. Un jā, kvalitātes kontroli arī veiks atbilstoša programmatūra. Un 2021. gadā notiks daļēja rūpnīcu pāreja uz šo tehnoloģiju. Lauku rūpniecībā mākslīgais intelekts uzrauga augu stāvokli, mitruma līmeni un barības vielu daudzumu augsnē. Turklāt tas spēj atklāt nezāles un izraut tās, nekaitējot augiem.
3. Ceļu satiksme. Mākslīgais intelekts jau tiek izmantots, lai novērstu satiksmes sastrēgumus. Lai to izdarītu, tas reāllaikā apkopo informāciju no luksoforiem, analizē attālumu starp automašīnām, esošos negadījumus un analizē to, lai uzlabotu satiksmes situāciju. Līdzīgas sistēmas jau ir ieviestas daudzās valstīs. Vēl viens AI virziens šajā jomā ir pašbraucošās automašīnas, kā aprakstīts iepriekš minētajā piemērā.
4. Gudra māja. Jā, mākslīgo intelektu jau var izmantot cilvēka dzīvē. Piemēram, viņš var jūs pamodināt no rīta un atvērt aizkarus, lai telpā iekļūtu saules gaisma. Pamostoties, jums jau būs tase aromātiskas kafijas, kas pagatavota tieši laikā, lai jūs varētu pamosties. Tuvākajā laikā ledusskapis iemācīsies pats pasūtīt ēdienu, un, tiklīdz aizveriet durvis, izejot uz darbu, nekavējoties atskanēs signalizācija. Tāpat ir iespēja tuvākajā laikā piedzīvot visas viedo akumulatoru ērtības, kas pielāgo temperatūru cilvēkam. Ļoti ērti.
5. Visbeidzot, pēdējais vienums mūsu sarakstā ir viedie tulki. Tur mākslīgais intelekts ir sasniedzis līmeni, ka viņi bieži vien pilda savas funkcijas ne sliktāk kā cilvēki. Ir gadījumi, kad skolēns eseju no svešvalodas pārtulkojis savā, izdrukājis un iesniedzis nemainītu un saņēmis 5. Protams, pagaidām labāk šādā veidā neeksperimentēt. Un zināšanu nebūs, kādēļ cilvēks iet augstskolā.

Mākslīgā intelekta attīstības perspektīva

Mākslīgā intelekta attīstībai ir vairāki scenāriji. Pirmais ir pesimistisks. Agri vai vēlu mākslīgā intelekta intelekts būs tik ideāls, ka to nevar ne maldināt, ne uzlauzt. Bet viņš var būt agresīvs pret cilvēkiem. Tiklīdz bezdvēseles mašīna iegūst pašapziņu, tā faktiski pārvērtīsies par cilvēku, tikai daudz prasmīgāku. Un, ja, nedod Dievs, jūs kaut kādā veidā nonāksit pretrunā ar šo ierīci, sekas būs ļoti bēdīgas.

Otrs scenārijs ir optimistisks, taču tas nav fakts, ka tas slikti beigsies. Mašīnas darīs visu cilvēku labā. Un pat ja tas notiks, tas būs kaut kas līdzīgs multfilmai “Wall-E”, kur cilvēki vienkārši ir pārvērtušies lielos tauku gabaliņos, kas paši nevar pat piecelties no krēsla. Ja viņi nokrīt, kāds robots tos atgriež savā vietā.

Arī trešais scenārijs ir pesimistisks. Cilvēce var nolemt izveidot mašīnu, kas identificē un atrisina cilvēces globālās problēmas. Un ir pilnīgi iespējams, ka pēc daudzu mainīgo lielumu analīzes robots nolems, ka cilvēks pats ir vainojams visās viņa nepatikšanās. Un dabiski, ka viņam būs programma, lai iznīcinātu cēloni, tas ir, cilvēkus.

Ceturtais scenārijs ir tehnoloģiskais bezdarbs, kas jau pamazām sāk parādīties ne tikai konveijera ražošanā, bet arī visai “gudrajās” profesijās. Tādējādi lielākajā daļā pasaules banku ir palikuši tikai pāris tirgotāju, un visu pārējo darbu pie tirgus analīzes un pat ienesīgu darījumu noslēgšanas valūtas vai vērtspapīru pirkšanai vai pārdošanai veic roboti. Jā, tas jau notiek.

Pienāks periods, kad pieprasīti būs tikai tie cilvēki, kas apkalpo AI, tas ir, programmētāji. Un tad pēdējais būs lieks, jo mākslīgais intelekts mācīsies tik labi, ka pat pats programmētājs nezinās, kas notiek viņa kodā. Mākslīgais intelekts attīstās pilnā ātrumā, un agrāk vai vēlāk kāds no šiem scenārijiem var notikt.

Mākslīgajam intelektam ir daudz iespēju. Mums ir jāuzņemas atbildīga pieeja tās izveidei, lai to nebūtu tik daudz, ka AI iziet no kontroles. Tiklīdz jēdzieni “mākslīgais intelekts” un “apziņa” kļūs saderīgi, mēs nevarēsim kontrolēt šo vielu. Minimālais, kas jādara, ir sarunas.

Atšķirība starp mākslīgo intelektu un dabisko intelektu

Mākslīgais intelekts un cilvēki patiesībā ir ļoti atšķirīgi. Viņus vieno tikai spēja domāt, bet arī tas tiek paveikts dažādos veidos. Un kā tos var salīdzināt? Vislabākā ideja ir tos pasniegt mākslīgā intelekta priekšrocību veidā uz cilvēka intelekta fona un pašreiz pastāvošajiem trūkumiem. Ir vērts padomāt, ka laika gaitā mīnusu skaits kļūs arvien mazāks. AI priekšrocības:

1. Spēja uzreiz atcerēties informāciju un pēc iespējas īsākā laikā apstrādāt milzīgus tās apjomus. Lai jebkuras zināšanas cilvēkam pilnībā iespiestos galvā un netiktu aizmirstas, vajadzīgā informācija jāatkārto 3-4 dienas un pēc tam vismaz reizi 1,5 mēnešos jāatsvaidzina atmiņā, vismaz netiešā veidā. formā. Mākslīgais intelekts atcerēsies vienreiz un uz visiem laikiem.
2. Neticami ātra kvantitatīvo datu apstrāde. Kamēr cilvēks pievieno divus divciparu skaitļus, dators jau analizēs ekonomisko situāciju un diagrammā parādīs punktu, kurā vislabāk ir iegādāties valūtu. Un tad viņš pats noslēgs šo darījumu un laicīgi izies no tirgus, atstājot savam īpašniekam peļņu. Tirgotājs nevar apstrādāt tik daudz kvantitatīvās informācijas.

AI trūkumi:

1. Mākslīgais intelekts vēl neprot apstrādāt kvalitatīvu informāciju, taču tas ir tikai laika jautājums. Jebkuru kvalitatīvu informāciju var izteikt matemātiskā modeļa veidā. Jūs jau redzējāt piemēru augstāk - mākslīgais neirons, kas var darboties pat labāk nekā pilnvērtīgs. Šī ir izplatīta matemātiskā formula, kas tika atklāta pagājušā gadsimta 40. gados. Bet šis atklājums jau ir mainījis pasauli.
2. Mākslīgais intelekts joprojām var neizdoties. Viņš vēl nav tik ideāls, tāpēc viņam joprojām ir vajadzīgs cilvēks, kas viņu “pieskatīs”. Taču tikai dažu gadu desmitu laikā AI var iemācīties saskatīt savas kļūmes, tās novērst, un neviens cilvēks nebūs vajadzīgs. Nesen virsraksti pāršalca ziņas, ka ir izgudrots augstas precizitātes ierocis, kas patstāvīgi izvēlētos mērķi, atrastu sev izdevīgāko ceļu uz to, vienlaikus paliekot nepamanīts. Ja šim pistolei uzliktu kodolgalviņu un tas pēkšņi dotu nepareizu startu, tas varētu iznīcināt visu cilvēci. Atceraties tikai situācijas aukstā kara laikā, kad elektronika deva nepatiesu signālu par kodollādiņa palaišanu, lai gan tā bija tikai laikapstākļu anomālija. Ja lēmumu pieņemtu mākslīgais intelekts, jūs vairs nelasītu šo rakstu.

Mākslīgais intelekts reālajā dzīvē

Mākslīgais intelekts tikai attīstās, un ne visas tā izpausmes šobrīd ir pieejamas cilvēkiem. Bet joprojām ir mākslīgā intelekta piemēri, kurus ikviens var izmantot:

1. Dažādas izklaides programmas, piemēram, ar maskām.
2. FaceID iPhone X un vecākos tālruņos. Funkcija, kas ļauj atbloķēt viedtālruni ar seju. Speciāli pašmācības algoritmi skenē cilvēku no dažādiem leņķiem un izveido unikālu cast, kas ļauj identificēt personu.
3. Mākslīgais intelekts mārketingā. Ja jums ir nepieciešams kaut ko pārdot, kontekstuālās reklāmas sistēmas atrod tieši to cilvēku, kuram tas ir nepieciešams. Jūs pats, iespējams, pamanījāt, ka vietnes jūs ļoti labi pazīst un piedāvā reklāmas, kas varētu jūs interesēt.
4. Virtuālie palīgi viedtālruņos. Tur viss tiek realizēts caur AI, sākot ar runas atpazīšanu un beidzot ar gatava risinājuma izdošanu.
5. Tērzēšanas roboti vietnēs. Bieži vien tās ir ļoti gudras programmas, kas klientam nepieciešamo informāciju var iegūt tieši no vietnes.
6. Papildinātās realitātes lietojumprogrammas, kas, piemēram, var identificēt objektu, uz kuru pavērsiet kameru, un sniegt par to detalizētu informāciju, sākot no atsauksmēm un beidzot ar kontaktinformāciju.

Un šādu iespēju ar katru gadu būs arvien vairāk.

Secinājumi

Viena no galvenajām iespējamām AI priekšrocībām ir tā, ka cilvēks var potenciāli palielināt savu intelektu. Laika gaitā mums būs jāsacenšas ar bezdvēseļu mašīnām, kuru iespējas ir daudzkārt lielākas nekā mums. Tāpēc mums nav viņiem pilnībā jāuzticas, mums pašiem ir jāattīstās. Tā kā jūs lasāt šo vietni, jūs esat lielisks puisis. Šeit jūs varat izlasīt daudz materiālu par pašattīstību un uzlabot savu bioloģisko neironu tīklu.

Jūs droši vien esat dzirdējuši par robotu, kas nāk klajā un dod jums koksas skārdeni, kad pasakāt, ka esat izslāpis. Droši vien esat arī dzirdējuši par runas atpazīšanas sistēmu, kas kontrolē jūsu sadzīves tehniku? Un jūs droši vien esat dzirdējuši par lidmašīnu simulatoriem, kas var palīdzēt atjaunot īstu gaisa kuģa lidojuma vidi?

1956. gadā pasaulslavenais amerikāņu zinātnieks Džons Makartijs izdomāja terminu, kas ir visu šo iespēju un daudzu citu iespēju pamatā. Viņa izdomātais termins bija “mākslīgais intelekts”. Mākslīgais intelekts jeb īsumā AI ir zinātne un inženierija, kas strādā, lai radītu viedas mašīnas, kā arī viedas datorprogrammas, kas spēj reaģēt kā cilvēki. Tas ir, tādu mašīnu radīšana, kas spēj uztvert apkārtējo pasauli, izprast sarunas un pieņemt lēmumus, kas līdzīgi cilvēku izvēlēm. Mākslīgais intelekts ir devis mums visu, sākot no skenera līdz robotiem reālajā dzīvē.

Mūsdienās mākslīgā intelekta jomu var raksturot kā kognitīvās informātikas, psiholoģijas, valodniecības un matemātikas zupu, kas gaida zibens uzplaiksnījumu – mēģinājumu apvienot pētnieku spēkus un resursus, izstrādāt jaunas pieejas, izmantot pasaules informācijas krātuvjus. zināšanas, lai radītu dzirksteli, lai tā radītu jaunu dzīvības formu.

Mākslīgā intelekta jomā mēs audzinām bērna mašīnu no bērnības līdz pieauguša cilvēka vecumam tā, lai mēs radītu pilnīgi jaunas pieejas mašīnmācībai.

Mākslīgā intelekta nozares

Džons Makartijs ir identificējis dažas no tālāk aprakstītajām AI nozarēm. Viņš arī norādīja, ka vairāki no viņiem vēl nav identificēti.

Mākslīgā intelekta loģika: AI programmai ir jāapzinās fakti un situācijas.

Modeļa atpazīšana: Kad programma veic novērojumu, tā parasti tiek ieprogrammēta, lai atpazītu un saskaņotu modeli. Piemēram, runas atpazīšanas sistēma vai sejas atpazīšanas sistēma.

Veiktspēja: Ir jābūt veidam, kā AI ierīcei pasniegt faktus par pasauli. Attēlošanai tiek izmantota matemātiskā valoda.

Secinājums: secinājumi ļauj iegūt jaunus faktus no esošajiem faktiem. No dažiem faktiem var secināt citus.

Plānošana: plānošanas programma sākas ar faktiem un mērķa izklāstu. No tiem programma ģenerē stratēģiju mērķa sasniegšanai.

Ir veselais saprātsun pamatojums- Šī aktīvā mākslīgā intelekta pētniecības un izpētes joma radās pagājušā gadsimta piecdesmitajos gados, taču rezultāts joprojām ir tālu no cilvēka līmeņa.

Epistemoloģija– tā ir ierīces spēja mācīties un iegūt zināšanas. Ļauj izpētīt konkrēta veida uzdevuma veikšanai nepieciešamo zināšanu veidus.

Heiristisks ir veids, kā mēģināt atrast programmā iegulto ideju.

Ģenētiskā programmēšana– automātiska LISP (List Processing) programmas izveide, kas ļauj atrisināt problēmu.

Rīki, ko izmanto sarežģītu problēmu risināšanai AI izveidē

Pēdējo sešu gadu desmitu laikā ir izstrādāti dažādi rīki, lai atrisinātu sarežģītas datorzinātnes problēmas. Daži no tiem ir:

Meklēšana un optimizācija

Lielāko daļu AI problēmu var atrisināt teorētiski, saprātīgi meklējot iespējamos risinājumus. Taču vienkārša izsmeļoša meklēšana reti ir noderīga vai pietiekama lielākajai daļai reālo problēmu. Deviņdesmitajos gados populāri kļuva dažādi meklēšanas veidi, kuru pamatā bija optimizācija. Lielākajai daļai problēmu varat izteikt minējumu un pēc tam precizēt pieprasījumu. Lai palīdzētu meklēšanas procesā, ir uzrakstīti dažādi optimizācijas algoritmi.

Loģika

Loģika ļauj pētīt argumentus. AI to izmanto, lai attēlotu zināšanas, kā arī to izmanto problēmu risināšanai. Mākslīgā intelekta pētījumos tiek izmantoti dažādi loģikas veidi. Pirmās kārtas loģika izmanto kvantorus un predikātus, kā arī palīdz attēlot faktus un to īpašības. Izplūdušā loģika ir sava veida pirmās kārtas loģika, kas ļauj atrast apgalvojuma patiesumu, kas tiks attēlots kā 1 (patiess) vai 0 (nepatiess).

Varbūtību teorija

Varbūtība ir veids, kā izteikt zināšanas. Šim jēdzienam tika piešķirta matemātiska nozīme varbūtību teorijā, ko plaši izmanto AI.

Mākslīgais intelekts un tā pielietojumi

Mākslīgais intelekts pašlaik tiek izmantots daudzās jomās, tostarp modelēšanā, robotikā, runas atpazīšanā, finansēs un akcijās, medicīniskajā diagnostikā, aviācijā, drošībā, spēlēs utt.

Sīkāk apskatīsim dažas no jomām:

Spēles Sfēra: Ir mašīnas, kas var spēlēt šahu profesionālā līmenī. AI ir piemērojams arī dažādām videospēlēm.

Runas atpazīšana: Datoros un robotos, kas saprot cilvēka līmeņa valodu, ir iebūvēts AI.

Simulatori: Modelēšana ir kādas īstas lietas imitācija. To izmanto daudzos kontekstos, sākot no videospēlēm līdz aviācijai. Simulatori ietver lidojumu simulatorus pilotiem, lai sagatavotos "dirižabļa" pilotēšanai.

Robotika: Roboti ir kļuvuši par ikdienu daudzās nozarēs, jo roboti ir izrādījušies efektīvāki par cilvēkiem, īpaši atkārtotos darbos, kur cilvēkiem ir tendence zaudēt koncentrēšanos.

Finanses: Bankas un citas finanšu iestādes paļaujas uz viedo programmatūru, kas nodrošina precīzu datu analīzi un palīdz veikt prognozes, pamatojoties uz šiem datiem.

Medicīna: Mākslīgā intelekta sistēmas tiek izmantotas slimnīcās, lai pārvaldītu pacientu grafikus, nodrošinātu personāla rotāciju un sniegtu medicīnisko informāciju. Mākslīgais neironu tīkls, kas ir matemātisks modelis, ko iedvesmojusi bioloģisko neironu tīklu struktūra un/vai funkcionālie aspekti, palīdz medicīniskajā diagnostikā.

Mākslīgais intelekts tiek izmantots dažādās jomās un pielietojumos. Drošības sistēmas, teksta un runas atpazīšanas sistēmas, datu ieguve, e-pasta surogātpasta filtrēšana un milzīgs skaits citu piemēru. Lielbritānijas telekomunikāciju grupa izmantoja heiristisko meklēšanu plānošanas lietojumprogrammā, kas ieplāno vairāk nekā divdesmit tūkstošu inženieru darbu. AI ir atradis ceļu arī kravas pārvadājumu nozarē, kur ir izstrādāti neskaidri loģiskie kontrolleri automašīnu automātiskajām pārnesumkārbām.

Izaicinājumi, ar kuriem saskaras mākslīgā intelekta radītāji

Pēdējo sešu gadu desmitu laikā zinātnieki ir aktīvi strādājuši, lai imitētu cilvēka intelektu, taču izaugsme ir palēninājusies daudzu mākslīgā intelekta simulācijas problēmu dēļ. Dažas no šīm problēmām ir:

Zināšanu bāze: faktu skaits, ko cilvēks zina, vienkārši ir pārāk daudz. Sagatavot datubāzi, kurā būs visas zināšanas par šo pasauli, ir milzīgs laikietilpīgs darbs.

Dedukcija, argumentācija un problēmu risināšana: AI ir jāatrisina jebkura problēma soli pa solim. Parasti cilvēki problēmas risina, balstoties uz intuitīviem spriedumiem un pēc tam izveido rīcības plānu, programmu. Mākslīgais intelekts lēnām progresē, lai atdarinātu cilvēka problēmu risināšanas metodi.

Dabiskās valodas apstrāde: Dabiskā valoda ir valoda, kurā runā cilvēki. Viens no galvenajiem izaicinājumiem, ar ko saskaras AI, ir cilvēku teiktā atpazīšana un izpratne.

Plānošana: Plānošana mēdz tikai ierobežot cilvēkus, jo viņi spēj domāt. Spēja plānot un domāt kā cilvēks ir būtiska inteliģentiem aģentiem. Tāpat kā cilvēkiem, viņiem jāspēj vizualizēt nākotni.

AI izmantošanas pozitīvie aspekti

Jau tagad savās mājās varam redzēt nelielus mākslīgā intelekta pielietojumus. Piemēram, viedais televizors, viedais ledusskapis utt. Nākotnē AI būs klāt katrā mājā. Mākslīgais intelekts ar nanotehnoloģiju vai citām tehnoloģijām var novest pie jaunu nozaru rašanās zinātnes jomā. Protams, mākslīgā intelekta attīstība novedīs pie tā, ka tas kļūs par mūsu ikdienas sastāvdaļu. Dažās darba vietās cilvēkus jau aizstāj roboti. Militārajā rūpniecībā mākslīgais intelekts ļaus radīt dažādus modernus ieročus, piemēram, robotus, kas mazinās mirstību karu gadījumā.

AI izmantošanas negatīvie aspekti

Lai gan mākslīgajam intelektam ir daudz priekšrocību, ir daudz trūkumu.
Pamata līmenī mākslīgā intelekta izmantošana ikdienas uzdevumos var izraisīt cilvēku slinkumu, un tas var izraisīt vispārējās populācijas degradāciju.

Mākslīgā intelekta un nanotehnoloģiju izmantošanai militārajā rūpniecībā noteikti ir daudz pozitīvu aspektu, piemēram, ideāla aizsargvairoga radīšana pret jebkuru uzbrukumu, taču ir arī ēnas puse. Ar mākslīgā intelekta un nanotehnoloģiju palīdzību mēs spēsim radīt ļoti spēcīgus un iznīcinošus ieročus, un, ja tos izmantos nevērīgi, tie var radīt neatgriezeniskas sekas.

Mākslīgā intelekta masveida izmantošana novedīs pie cilvēku darbavietu samazināšanas.

Turklāt mākslīgā intelekta un robotikas straujais attīstības un pielietošanas temps var virzīt Zemi vides katastrofas virzienā. Pat tagad datoru komponentu un citu elektronisko ierīču atkritumi mūsu planētai nodara milzīgu kaitējumu.

Ja mēs iedosim mašīnām inteliģenci, tās spēs to maksimāli izmantot. Mašīnas ar inteliģenci kļūs gudrākas par to radītājiem, un tas var novest pie tāda rezultāta, kāds tika demonstrēts Terminatora filmu sērijā.

Secinājums un turpmākā piemērošana

Mākslīgais intelekts ir joma, kurā turpinās daudz pētījumu. Mākslīgais intelekts ir datorzinātnes nozare, kas palīdz izprast intelekta būtību un veidot datorsistēmas, kas spēj veikt saprātīgas darbības. Lai gan cilvēkiem ir intelekts, viņi nespēj to maksimāli izmantot. Mašīnas varēs izmantot 100% sava intelekta, ja mēs tām piešķirsim šo inteliģenci. Tā ir gan priekšrocība, gan trūkums. Mēs esam atkarīgi no mašīnām gandrīz katrā dzīvē. Mašīnas tagad ir daļa no mūsu dzīves un tiek izmantotas visur. Tāpēc mums būtu jāzina vairāk par mašīnām un jāapzinās nākotne, kas var notikt, ja mēs tām sniegsim informāciju. Mākslīgais intelekts nevar būt labs vai slikts. Tas mainās, kad mēs to lietojam.

Šajā rakstā es dalīšos savā pieredzē par vienkāršākā mākslīgā intelekta (AI) audzēšanu, izmantojot ģenētisko algoritmu, kā arī runāšu par minimālo komandu kopumu, kas nepieciešams jebkuras uzvedības ģenerēšanai.

Darba rezultāts bija tāds, ka AI, nezinot noteikumus, patstāvīgi apguva spēli tic-tac-toe un atklāja robotu vājās vietas, kas spēlēja pret to. Bet es sāku ar vēl vienkāršāku uzdevumu.

Komandu kopa

Tas viss sākās ar komandu komplekta sagatavošanu, kas varētu būt AI. Augsta līmeņa valodās ir simtiem dažādu operatoru. Lai izceltu nepieciešamo minimumu, nolēmu pievērsties asamblejas valodai. Taču izrādījās, ka tajā ir arī daudzas komandas.

Man vajadzēja AI, lai varētu lasīt un izvadīt datus, strādāt ar atmiņu, veikt aprēķinus un loģiskās darbības, veikt pārejas un cilpas. Es saskāros ar Brainfuck valodu, kas satur tikai 8 komandas un var veikt jebkuru aprēķinu (t.i., tā ir pabeigta Turing). Principā tas ir piemērots ģenētiskai programmēšanai, bet es gāju tālāk.

Es sev jautāju: kāds ir minimālais komandu skaits, kas nepieciešams, lai ieviestu jebkuru algoritmu? Kā izrādījās, bija tikai viens!

URISC procesors satur tikai vienu instrukciju: atņemiet un izlaidiet nākamo instrukciju, ja apakšrinda bija lielāka par minuend. Tas ir pietiekami, lai izveidotu jebkuru algoritmu.

Oļegs Mazonka gāja vēl tālāk, viņš izstrādāja BitBitJump komandu un pierādīja, ka tā ir pabeigta. Instrukcija satur trīs adreses, kopē vienu bitu no pirmās uz otro atmiņas adresi un nodod kontroli uz trešo adresi.

Aizņemoties Oļega idejas, darba vienkāršošanai izstrādāju komandu SumIfJump. Komanda satur četrus operandus: A, B, C, D un veic sekojošo: šūnai adresē B tā pievieno datus no šūnas adresē A, ja vērtība ir lielāka par norādīto vērtību*, tad tā iet uz adresi C, pretējā gadījumā tas iet uz adresi D.

Piezīme

*Šajā gadījumā tika izmantoti 128 - puse no genoma garuma.

Kad operands A piekļūst atmiņas vietai N0, notiek datu ievade, un operandam A piekļūstot atmiņas vietai N1, notiek izvade.

Zemāk ir SumIfJump kods programmā FreePascal (bezmaksas Delphi analogs).

Procedūra RunProg(s: TData); var a, b, c, d: TData; begin Inc(NStep);< ProgLength div 2 then RunProg(c) else RunProg(d); end;
ja NStep > MaxStep, tad sāciet ProgResult:= "MaxStep";

Iziet;

beigas;

a:= s;

b: = s + 1;

c: = s + 2;

d: = s + 3;

a:= Prog[a];

16 AI, kas iegūst visvairāk punktu, rada 15 pēcnācējus un turpina piedalīties spēlē. Pēcnācējs ir mutants. Mutācija notiek, aizstājot vienu nejaušu šūnu vecāku kopijā ar nejaušu vērtību.

Ja pirmajā populācijā AI nav iegūts, tiek veidota nākamā populācija. Un tā tālāk, līdz kāds no AI sāk veikt pareizās darbības un radīt “pareizos” pēcnācējus.

Evolūcija

Starp nozīmīgiem notikumiem notika tūkstošiem paaudžu maiņas. Programma tika palaists vairākos pavedienos Core i7. Aprēķini aizņēma apmēram 15 minūtes.

1. Kad AI “līderis” pieļāva nejaušu kļūdu un nesaņēma pietiekami daudz punktu, iedzīvotāju skaits sāka degradēties, jo pēcnācēji veidojās no “sekundārajiem” vecākiem.
2. Gadījās, ka plūsmā ar nepiederošām personām, kas atzīmēja laiku, notika veiksmīga mutācija, nodrošinot iegūto punktu eksplozīvu pieaugumu. Pēc tam šī plūsma kļuva par līderi.
3. Dažreiz neviena veiksmīga mutācija nenotika ilgu laiku, un pat 500 tūkstoši paaudžu nebija pietiekami, lai pabeigtu atlasi.

Secinājums

Visbeidzot, es izdarīju to pašu ar tic-tac-toe spēli. Izmantotais genoma lielums bija tāds pats kā pirmajā gadījumā. Soļu skaits ir palielināts līdz 1024 un iedzīvotāju skaits līdz 64 (ātrākai aprēķināšanai). Aprēķins aizņēma nedaudz ilgāku laiku. Viss notika pēc aptuveni tāda paša scenārija.

Sākumā AI spēlēja pret “randomizeru”. Tā es saucu botu, kas staigā nejauši. Diezgan ātri AI sāka viņu pārspēt, aizpildot kādu rindiņu. Tālāk es sarežģīju uzdevumu, pievienojot nejaušinātājam nedaudz inteliģences: ja iespējams, aizņem līniju vai aizstāvi. Tomēr šajā gadījumā AI atklāja robota vājās vietas un sāka to pārspēt. Varbūt stāsts par šo ir atsevišķa raksta tēma.

Mans dēls man lūdza uzrakstīt programmu, lai AI spēlētu savā starpā, nevis ar botu. Bija domas darīt to pašu arī dambretes spēlei vai Go, taču man vairs nepietika laika tam.

Vienīgā metode, ko esmu izmantojis jaunu indivīdu iegūšanai, ir mutācija. Varat arī izmantot krustojumu un inversiju. Varbūt šīs metodes paātrinās vēlamā rezultāta iegūšanu.

Galu galā radās ideja: dot AI iespēju pārvaldīt visus procesus datorā un konkurēt par datora resursiem. Savienojiet datoru ar internetu un izmantojiet veco Bitcoin fermu kopu kā skaitļošanas jaudu...

Kā teica blogere, veicot līdzīgu eksperimentu

Starp svarīgākajām uzdevumu klasēm, kas ir izvirzītas viedo sistēmu izstrādātājiem kopš mākslīgā intelekta kā zinātniskā virziena definēšanas (kopš divdesmitā gadsimta 50. gadu vidus), jāizceļ: mākslīgā intelekta jomas, kas atrisina grūti formalizējamas problēmas: teorēmu pierādīšana, attēlu atpazīšana, mašīntulkošana un cilvēka runas izpratne, spēļu programmas, mašīnu radošums, ekspertu sistēmas. Īsi apsvērsim to būtību.

Mākslīgā intelekta virzieni

Teorēmu pierādījums. Teorēmu pierādīšanas metožu izpētei bija liela nozīme mākslīgā intelekta attīstībā. Daudzas neformālas problēmas, piemēram, medicīniskā diagnostika, tiek risinātas, izmantojot metodiskās pieejas, kas tika izmantotas teorēmu pierādīšanas automatizēšanai. Lai atrastu matemātikas teorēmas pierādījumu, ir nepieciešams ne tikai izsecināt no hipotēzēm, bet arī radīt intuitīvus pieņēmumus par to, kuri starpteikumi jāpierāda galvenās teorēmas vispārējam pierādījumam. Attēlu atpazīšana. Mākslīgā intelekta izmantošana attēlu atpazīšanai ir ļāvusi izveidot praktiski strādājošas sistēmas grafisko objektu identificēšanai, pamatojoties uz līdzīgām iezīmēm. Par pazīmēm var uzskatīt jebkuras atpazīstamo objektu īpašības. Pazīmēm jābūt nemainīgām attiecībā uz objektu orientāciju, izmēru un formu. Funkciju alfabētu veido sistēmas izstrādātājs. Atpazīšanas kvalitāte lielā mērā ir atkarīga no tā, cik labi ir izstrādāts funkciju alfabēts. Atpazīšana sastāv no tā, ka a priori tiek iegūts pazīmju vektors atsevišķam attēlā atlasītam objektam un pēc tam tiek noteikts, kuram no pazīmju alfabēta standartiem šis vektors atbilst. Mašīntulkošana un cilvēka runas izpratne. Uzdevums analizēt teikumus cilvēka runā, izmantojot vārdnīcu, ir tipisks mākslīgā intelekta sistēmu uzdevums. Lai atrisinātu šo problēmu, tika izveidota starpvaloda, kas atvieglos dažādu valodu frāžu salīdzināšanu. Pēc tam šī starpvaloda pārvērtās par semantisko modeli tulkojamo tekstu nozīmju attēlošanai. Semantiskā modeļa evolūcija noveda pie valodas radīšanas zināšanu iekšējai reprezentācijai. Rezultātā mūsdienu sistēmas analizē tekstus un frāzes četros galvenajos posmos: morfoloģiskā analīze, sintaktiskā, semantiskā un pragmatiskā analīze. Spēļu programmas. Lielākā daļa spēļu programmu ir balstītas uz dažām mākslīgā intelekta pamatidejām, piemēram, iterāciju un pašmācību. Viena no interesantākajām problēmām spēļu programmu jomā, izmantojot mākslīgā intelekta metodes, ir datora mācīšana spēlēt šahu. Tas tika dibināts skaitļošanas pirmsākumos, 50. gadu beigās. Šahā ir noteikti prasmju līmeņi, spēles kvalitātes pakāpes, kas var nodrošināt skaidrus kritērijus sistēmas intelektuālās izaugsmes novērtēšanai. Tāpēc datoršahu aktīvi pētījuši zinātnieki no visas pasaules, un viņu sasniegumu rezultāti tiek izmantoti citās intelektuālajās norisēs, kurām ir reāla praktiska nozīme. 1974. gadā pasaules čempionāts šaha programmās pirmo reizi notika kārtējā IFIP (Starptautiskā informācijas apstrādes federācijas) kongresa ietvaros Stokholmā. Par uzvarētāju šajās sacensībās kļuva šaha programma “Kaissa”. Tas tika izveidots Maskavā, PSRS Zinātņu akadēmijas Vadības problēmu institūtā. Mašīnas radošums. Viena no mākslīgā intelekta pielietošanas jomām ietver programmatūras sistēmas, kas spēj patstāvīgi radīt mūziku, dzeju, stāstus, rakstus, diplomus un pat disertācijas. Mūsdienās ir vesela mūzikas programmēšanas valodu klase (piemēram, C-Sound valoda). Dažādiem muzikāliem uzdevumiem tika izveidota speciāla programmatūra: skaņas apstrādes sistēmas, skaņu sintēze, interaktīvās kompozīcijas sistēmas, algoritmiskās kompozīcijas programmas. Ekspertu sistēmas. Mākslīgā intelekta metodes ir atradušas pielietojumu automatizētu konsultāciju sistēmu vai ekspertu sistēmu izveidē. Pirmās ekspertu sistēmas kā pētniecības instrumenti tika izstrādātas pagājušā gadsimta 60. gados. Tās bija mākslīgā intelekta sistēmas, kas īpaši izstrādātas, lai atrisinātu sarežģītas problēmas šaurā tematiskajā jomā, piemēram, slimību medicīniskā diagnostika. Klasiskais šī virziena mērķis sākotnēji bija radīt vispārējas nozīmes mākslīgā intelekta sistēmu, kas spētu atrisināt jebkuru problēmu bez specifiskām zināšanām priekšmeta jomā. Ierobežoto skaitļošanas resursu dēļ šī problēma izrādījās pārāk sarežģīta, lai to atrisinātu ar pieņemamu rezultātu. Ekspertu sistēmu komerciāla ieviešana notika astoņdesmito gadu sākumā, un kopš tā laika ekspertu sistēmas ir kļuvušas plaši izplatītas. Tos izmanto uzņēmējdarbībā, zinātnē, tehnoloģijās, ražošanā un daudzās citās jomās, kur ir skaidri noteikta priekšmetu joma. Izteiciena “labi definēts” galvenā nozīme ir tāda, ka cilvēku eksperts spēj noteikt spriešanas posmus, ar kuru palīdzību var atrisināt jebkuru problēmu konkrētajā mācību jomā. Tas nozīmē, ka līdzīgas darbības var veikt datorprogramma. Tagad mēs to varam teikt ar pārliecību mākslīgā intelekta sistēmu izmantošana paver plašas robežas. Mūsdienās ekspertu sistēmas ir viens no veiksmīgākajiem mākslīgā intelekta tehnoloģiju lietojumiem. Tāpēc iesakām iepazīties ar

Kopš brīža, kad mākslīgais intelekts tika atzīts par zinātnes jomu, un tas notika pagājušā gadsimta 50. gadu vidū, viedo sistēmu izstrādātājiem bija jāatrisina daudzas problēmas. Tradicionāli visus uzdevumus var iedalīt vairākās klasēs: cilvēka valodas atpazīšana un tulkošana, automātiska teorēmu pārbaude, spēļu programmu veidošana, attēlu atpazīšana un mašīnu radošums. Īsi apskatīsim katras problēmu klases būtību.

Teorēmu pierādījums.

Automātiskā teorēmu pierādīšana ir vecākais mākslīgā intelekta pielietojums. Šajā jomā ir veikts daudz pētījumu, kā rezultātā ir radušies formalizēti meklēšanas algoritmi un formālās reprezentācijas valodas, piemēram, PROLOG - loģiskā programmēšanas valoda un predikātu aprēķini.

Automātiskie teorēmu pierādījumi ir pievilcīgi, jo tie balstās uz loģikas vispārīgumu un stingrību. Formālā sistēmā loģika ietver automatizācijas iespēju, kas nozīmē, ka, uzrādot problēmu un ar to saistīto papildu informāciju kā loģisku aksiomu kopu, bet īpašos problēmas gadījumus kā teorēmas, kurām nepieciešams pierādījums, jūs varat iegūt risinājumu daudzas problēmas. Uz šī principa balstās matemātiskā pamatojuma sistēmas un teorēmu automātiskās pierādīšanas sistēmas. Iepriekšējos gados vairākkārt tika mēģināts uzrakstīt programmu automātiskai teorēmu pierādīšanai, taču nekad nav izdevies izveidot sistēmu, kas ļautu atrisināt problēmas ar vienu metodi. Jebkura salīdzinoši sarežģīta heiristiskā sistēma varētu radīt daudzas pierādāmas teorēmas, kurām nebija nozīmes, kā rezultātā programmām tās bija jāpierāda, līdz tiek atklāta pareizā. Tas ir radījis pārliecību, ka lielas telpas var risināt tikai ar neformālām stratēģijām, kas pielāgotas konkrētām situācijām. Praksē šī pieeja izrādījās diezgan auglīga un kopā ar citām tika izmantota kā ekspertu sistēmu pamats.

Tajā pašā laikā nevar ignorēt formālās loģikas pamatojumu. Formalizēta pieeja ļauj atrisināt daudzas problēmas. Jo īpaši, izmantojot to, jūs varat kontrolēt sarežģītas sistēmas, pārbaudīt datorprogrammu pareizību, projektēt un pārbaudīt loģiskās shēmas. Turklāt automātiskās teorēmas pierādīšanas pētnieki ir izstrādājuši spēcīgu heiristiku, kas balstās uz loģisko izteiksmju sintaktiskās formas novērtēšanu. Tā rezultātā kļuva iespējams samazināt meklēšanas telpas sarežģītības līmeni, neizmantojot īpašas stratēģijas.

Teorēmu automātiskā pierādīšana zinātniekus interesē arī tāpēc, ka sistēmu var izmantot arī īpaši sarežģītām problēmām, lai gan ne bez cilvēka iejaukšanās. Mūsdienās programmas bieži darbojas kā palīgi. Eksperti sadala uzdevumu vairākos apakšuzdevumos, pēc tam izstrādā heiristiku, lai sakārtotu iespējamos iemeslus. Pēc tam programma pierāda lemmas, pārbauda mazāk nozīmīgus pieņēmumus un papildina cilvēka pierādījumu formālos aspektus.

Modeļa atpazīšana.

Modeļa atpazīšana ir būtisku avota datus raksturojošu pazīmju atlase no vispārējā pazīmju kopuma un, pamatojoties uz saņemto informāciju, datu piešķiršana noteiktai klasei.

Modeļu atpazīšanas teorija ir datorzinātnes nozare, kuras uzdevumi ietver objektu (objektu, procesu, parādību, situāciju, signālu u.c.) identificēšanas un klasificēšanas pamatu un metožu izstrādi, no kuriem katrs ir apveltīts ar noteiktu objektu kopumu. noteiktas pazīmes un īpašības. Praksē objektus ir nepieciešams identificēt diezgan bieži. Tipiska situācija ir luksofora krāsas atpazīšana un izlemšana, vai šobrīd šķērsot ielu. Ir arī citas jomas, kurās nevar iztikt bez objektu atpazīšanas, piemēram, analogo signālu digitalizācija, militārās lietas, drošības sistēmas un tā tālāk, tāpēc šodien zinātnieki turpina aktīvi strādāt pie attēlu atpazīšanas sistēmu izveides.

Darbs tiek veikts divos galvenajos virzienos:

• · Dzīvām būtnēm raksturīgo atpazīšanas spēju izpēte, skaidrošana un modelēšana.
• · Teorētisko un metodisko pamatu izstrāde tādu ierīču izveidei, kas ļautu risināt individuālas problēmas lietišķiem mērķiem.

Atpazīšanas problēmas tiek formulētas, izmantojot matemātisko valodu. Ja mākslīgo neironu tīklu teorija balstās uz rezultātu iegūšanu eksperimentu ceļā, tad modeļu atpazīšanas problēmu formulēšana nav balstīta uz eksperimentu, bet gan uz matemātiskiem pierādījumiem un loģisku argumentāciju.

Apskatīsim klasisko šādas problēmas formulējumu. Ir daudz objektu, attiecībā uz kuriem būtu jāveic klasifikācija. Kopa sastāv no apakškopām jeb klasēm. Dota: kopu aprakstoša informācija, informācija par klasēm un atsevišķa objekta apraksts, nenorādot tā piederību noteiktai klasei. Uzdevums: pamatojoties uz pieejamajiem datiem, nosakiet, kurai klasei objekts pieder.

Ja problēmas satur vienkrāsainus attēlus, tos var uzskatīt par funkcijām plaknē. Funkcija attēlos formālu attēla ierakstu un katrā punktā izteiks noteiktu šī attēla īpašību - optisko blīvumu, caurspīdīgumu, spilgtumu utt. Šajā gadījumā attēla kopas modelis būs funkciju kopa plaknē. . Atpazīšanas problēmas formulējums ir atkarīgs no tā, kādiem posmiem jābūt pēc atpazīšanas.

Rakstu atpazīšanas metodes ietver F. Rozenblata eksperimentus, kurš ieviesa smadzeņu modeļa jēdzienu. Eksperimenta mērķis ir parādīt, kā fiziskā sistēmā ar zināmām funkcionālajām īpašībām un struktūru rodas psiholoģiskas parādības. Zinātnieks aprakstīja vienkāršākos atpazīšanas eksperimentus, taču to iezīme ir nedeterministisks risinājuma algoritms.

Vienkāršākais eksperiments, uz kura pamata var iegūt psiholoģiski nozīmīgu informāciju par sistēmu, ir šāds: perceptronam tiek uzrādīta divu dažādu stimulu secība, uz katru no kuriem tam kaut kādā veidā jāreaģē, un reakcijai ir jāreaģē. būt atšķirīgs dažādiem stimuliem. Šāda eksperimenta mērķi var būt dažādi. Eksperimentētājs var saskarties ar uzdevumu izpētīt spontānas diskriminācijas iespēju, ko rada prezentēto stimulu sistēma bez ārējas iejaukšanās, vai, gluži pretēji, izpētīt piespiedu atpazīšanas iespēju. Otrajā gadījumā eksperimentētājs apmāca sistēmu, lai klasificētu dažādus objektus, kuru var būt vairāk nekā divi. Mācību pieredze norit šādi: perceptronam tiek parādīti attēli, starp kuriem ir atpazīstami visu klašu pārstāvji. Pareizā atbilde tiek pastiprināta saskaņā ar atmiņas modifikācijas noteikumiem. Pēc tam eksperimentētājs perceptronam uzrāda kontroles stimulu un nosaka varbūtību iegūt noteiktu reakciju noteiktas klases attēliem. Kontroles stimuls var būt tāds pats kā viens no mācību secībā parādītajiem objektiem vai atšķirties no visiem parādītajiem objektiem. Atkarībā no tā tiek iegūti šādi rezultāti:

• · Ja kontroles stimuls atšķiras no visiem iepriekš uzrādītajiem treniņu stimuliem, tad papildus tīrajai diskriminācijai eksperimentā tiek apskatīti vispārināšanas elementi.
• · Ja kontroles stimuls izraisa noteiktas sensoro elementu grupas aktivizēšanos, kas nesakrīt ar kādu no elementiem, kas aktivizēti iepriekš uzrādīto vienas klases stimulu ietekmē, tad eksperimentā tiek pārbaudīts tīrais vispārinājums un nav iekļauts atpazīšanas pētījums.

Neskatoties uz to, ka perceptroni nav spējīgi uz tīru vispārināšanu, tie apmierinoši tiek galā ar atpazīšanas uzdevumiem, īpaši gadījumos, kad tiek rādīti attēli, par kuriem perceptronam jau ir zināma pieredze.

Cilvēka runas atpazīšana un mašīntulkošana.

Mākslīgā intelekta ilgtermiņa mērķi ietver tādu programmu izveidi, kas spēj atpazīt cilvēka valodu un izmantot to jēgpilnu frāžu konstruēšanai. Spēja saprast un lietot dabisko valodu ir cilvēka intelekta pamatīpašība. Veiksmīga šīs iespējas automatizācija ievērojami uzlabotu datoru efektivitāti. Daudzas programmas ir rakstītas, lai izprastu dabisko valodu, un tās ir veiksmīgi izmantotas ierobežotā kontekstā, taču joprojām nav sistēmu, kas varētu izmantot dabiskās valodas ar tādu pašu vispārīgumu un elastību, kā to dara cilvēki. Fakts ir tāds, ka dabiskās valodas izpratnes process nav tikai teikumu parsēšana komponentos un atsevišķu vārdu nozīmes meklēšana vārdnīcās. Programmas veiksmīgi tiek galā ar šo uzdevumu. Lai lietotu cilvēka runu, ir nepieciešamas plašas zināšanas par sarunas priekšmetu, par ar to saistītajām idiomām, turklāt ir nepieciešama spēja saprast neskaidrības, izlaidumus, profesionalitāti, žargonu, sarunvalodas izteicienus un daudz ko citu, kas raksturīgs normālai cilvēka runai. .

Piemērs ir saruna par futbolu, kur tiek lietoti tādi vārdi kā "uzbrucējs", "piespēle", "piespēle", "brīva sitiens", "aizsargs", "uzbrucējs", "kapteinis" un citi. Katram no šiem vārdiem ir raksturīgs nozīmju kopums, un atsevišķi vārdi ir diezgan saprotami, taču no tiem veidota frāze būs nesaprotama ikvienam, kurš nav ar futbolu un neko nezina par šīs spēles vēsturi, noteikumiem un principiem. . Tādējādi, lai saprastu un lietotu cilvēka valodu, ir nepieciešams pamatzināšanu kopums, un viens no galvenajiem izaicinājumiem dabiskās cilvēka valodas izpratnes un lietošanas automatizācijā ir šādu zināšanu apkopošana un sistematizēšana.

Tā kā semantiskās nozīmes mākslīgajā intelektā tiek izmantotas ļoti plaši, zinātnieki ir izstrādājuši vairākas metodes, kas ļauj tās zināmā mērā strukturēt. Tomēr lielākā daļa darba tiek veikta problēmzonās, kas ir labi saprotamas un specializētas. Piemērs ir “mikropasaules” tehnika. Viena no pirmajām programmām, kurā tā tika izmantota, bija Terija Vinograda izstrādātā SHRDLU programma, kas ir viena no sistēmām cilvēka runas izpratnei. Programmas iespējas bija visai ierobežotas un līdzinājās “sarunai” par dažādu krāsu un formu bloku kārtošanu, kā arī vienkāršu darbību plānošanu. Programma sniedza atbildes uz tādiem jautājumiem kā “Kādā krāsā ir piramīda uz krusta bloka?” un varētu sniegt norādījumus, piemēram, “Novietojiet zilo bloku uz sarkanā”. Līdzīgas problēmas bieži risināja mākslīgā intelekta pētnieki, un vēlāk tās kļuva pazīstamas kā "bloku pasaule".

Neskatoties uz to, ka SHRDLU programma veiksmīgi “sarunājās” par bloku izvietojumu, tā nebija apveltīta ar spēju abstrahēties no šīs “mikropasaules”. Tajā tika izmantotas pārāk vienkāršas metodes, kas nespēja nodot augstākas sarežģītības priekšmetu jomu semantisko organizāciju.

Pašreizējais darbs dabisko valodu izpratnes un pielietošanas jomā galvenokārt ir vērsts uz tādu reprezentācijas formālismu atrašanu, kas ir pietiekami vispārīgi, lai tos varētu pielāgot konkrētām konkrēto jomu struktūrām un piemērot plašam lietojumu klāstam. Lielākā daļa esošo paņēmienu, kas ir semiotisko tīklu modifikācijas, tiek pētīti un izmantoti, lai rakstītu programmas, kas spēj atpazīt dabisko valodu šaurās priekšmetu jomās. Tajā pašā laikā mūsdienu iespējas neļauj mums izveidot universālu programmu, kas spēj izprast cilvēka runu visā tās daudzveidībā.

Starp dažādām modeļa atpazīšanas problēmām var izdalīt šādas:

• · Dokumentu klasifikācija
• · Derīgo izrakteņu atradņu apzināšana
• Attēlu atpazīšana
• · Svītrkoda atpazīšana
• · Rakstzīmju atpazīšana
• Runas atpazīšana
• · Sejas atpazīšana
• · Numura zīmes atpazīšana

Mākslīgais intelekts spēļu programmās.

Spēļu mākslīgais intelekts ietver ne tikai tradicionālās AI metodes, bet arī algoritmus no datorzinātnes kopumā, datorgrafikas, robotikas un vadības teorijas. Tas, kā AI tiek ieviests, ietekmē ne tikai sistēmas prasības, bet arī spēles budžetu, tāpēc izstrādātājiem ir jāsabalansē, cenšoties nodrošināt, lai spēles mākslīgais intelekts tiktu radīts ar minimālām izmaksām, tajā pašā laikā interesants un mazprasīgs. par resursiem. Tam nepieciešama pavisam cita pieeja nekā tradicionālajam mākslīgajam intelektam. Jo īpaši tiek plaši izmantotas emulācijas, maldināšana un dažādi vienkāršojumi. Piemērs: pirmās personas šāvēju iezīme ir robotu spēja pārvietoties precīzi un uzreiz mērķēt, bet tajā pašā laikā cilvēkam nav nevienas iespējas, tāpēc robotu spējas tiek mākslīgi samazinātas. Tajā pašā laikā kontrolpunkti tiek novietoti līmenī, lai boti varētu darboties kā komanda, izveidot slazdus utt mākslīgais intelekts attēls

Datorspēlēs, kuras kontrolē spēļu mākslīgais intelekts, ir šādas rakstzīmju kategorijas:

• · mobs - personāži ar zemu intelekta līmeni, naidīgi pret cilvēka spēlētāju. Spēlētāji iznīcina pūļus, lai šķērsotu teritoriju, iegūtu artefaktus un pieredzes punktus.
• · personāži, kas nav spēlētāji – parasti šie tēli ir draudzīgi vai neitrāli spēlētājam.
• · Boti ir personāži, kas ir naidīgi pret spēlētājiem un ir visgrūtāk programmējami. Viņu spējas ir līdzīgas spēļu varoņu spējām. Jebkurā brīdī vairāki robotprogrammatūras darbojas pret spēlētāju.

Datorspēlē ir daudz jomu, kurās tiek izmantoti dažādi mākslīgā spēļu intelekta heiristiskie algoritmi. Spēļu AI visplašāk tiek izmantots kā veids, kā kontrolēt varoņus, kas nav spēlētāji. Vēl viena, ne mazāk izplatīta kontroles metode ir skriptēšana. Vēl viens acīmredzams spēļu AI lietojums, jo īpaši reāllaika stratēģijas spēlēs, ir ceļa noteikšana jeb metode, lai noteiktu, kā varonis, kas nav spēlētājs, var nokļūt no viena kartes punkta uz citu. Šajā gadījumā jāņem vērā šķēršļi, reljefs un iespējamā “kara migla”. Arī mobu dinamiskā līdzsvarošana nav pilnīga bez mākslīgā intelekta izmantošanas. Daudzās spēlēs ir izpētīts neparedzamā intelekta jēdziens. Tās ir tādas spēles kā Nintendogs, Black & White, Creatures un labi zināmā Tamagotchi rotaļlieta. Šajās spēlēs varoņi ir mājdzīvnieki, kuru uzvedība mainās atkarībā no spēlētāja veiktajām darbībām. Šķiet, ka varoņi ir spējīgi mācīties, lai gan patiesībā viņu darbības ir izvēles rezultāts no ierobežota lēmumu kopuma.

Daudzi spēļu programmētāji uzskata, ka jebkura tehnika, kas rada intelekta ilūziju, ir daļa no spēļu mākslīgā intelekta. Tomēr šī pieeja nav pilnīgi pareiza, jo tās pašas metodes var izmantot ne tikai spēļu AI dzinējos. Piemēram, veidojot botus, tiek izmantoti algoritmi ar tajos ievadītu informāciju par iespējamām nākotnes sadursmēm, kā rezultātā roboti iegūst “prasmi” izvairīties no šīm sadursmēm. Taču šīs pašas metodes ir svarīga un nepieciešama fizikas dzinēja sastāvdaļa. Vēl viens piemērs: svarīga robota mērķauditorijas atlases sistēmas sastāvdaļa ir ūdens dati, un tie paši dati tiek plaši izmantoti grafiskajā dzinējā renderēšanai. Pēdējais piemērs ir skriptēšana. Šo rīku var veiksmīgi izmantot visos spēļu izstrādes aspektos, taču visbiežāk tas tiek uzskatīts par vienu no veidiem, kā kontrolēt nespēlējošo varoņu darbības.

Pēc puristu domām, izteicienam “spēļu mākslīgais intelekts” nav tiesību pastāvēt, jo tas ir pārspīlēts. Viņu galvenais arguments ir tāds, ka spēļu AI izmanto tikai dažas klasiskā mākslīgā intelekta zinātnes jomas. Jāņem vērā arī tas, ka mākslīgā intelekta mērķi ir radīt pašmācības sistēmas un pat radīt spriešanai spējīgu mākslīgo intelektu, savukārt bieži vien tas aprobežojas ar heiristiku un dažu īkšķu noteikumu kopumu, ar ko pietiek, lai izveidotu. laba spēle un sniedz spēlētājam spilgtus iespaidus un spēles sajūtu.

Šobrīd datorspēļu izstrādātāji izrāda interesi par akadēmisko AI, savukārt akadēmiskā sabiedrība sāk interesēties par datorspēlēm. Tas rada jautājumu, cik lielā mērā spēles un klasiskais AI atšķiras viens no otra. Tajā pašā laikā spēļu mākslīgais intelekts joprojām tiek uzskatīts par vienu no klasiskā apakšnozarēm. Tas ir saistīts ar faktu, ka mākslīgajam intelektam ir dažādas pielietojuma jomas, kas atšķiras viena no otras. Ja mēs runājam par spēļu inteliģenci, būtiska atšķirība šeit ir maldināšanas iespēja, lai noteiktas problēmas atrisinātu “legālos” veidos. No vienas puses, maldināšanas trūkums ir tas, ka tā bieži noved pie varoņa nereālas uzvedības un šī iemesla dēļ to ne vienmēr var izmantot. No otras puses, pati šādas maldināšanas iespēja kalpo kā būtiska atšķirība starp spēles AI.

Vēl viens interesants mākslīgā intelekta uzdevums ir iemācīt datoram spēlēt šahu. Tās risināšanā bija iesaistīti zinātnieki visā pasaulē. Šī uzdevuma īpatnība ir tāda, ka datora loģisko spēju demonstrēšana ir iespējama tikai reāla pretinieka klātbūtnē. Pirmā šāda veida demonstrācija notika 1974. gadā Stokholmā, kur notika Pasaules čempionāts šahā starp šaha programmām. Šajā konkursā uzvarēja PSRS Zinātņu akadēmijas Vadības problēmu institūta Maskavā padomju zinātnieku izveidotā programma “Kaissa”.

Mākslīgais intelekts mašīnu radošumā.

Cilvēka intelekta būtība vēl nav pietiekami pētīta, un vēl mazāk ir izpētīta cilvēka radošuma būtība. Tomēr viena mākslīgā intelekta joma ir mašīnu radošums. Mūsdienu datori rada muzikālus, literārus un mākslas darbus, un datorspēļu un filmu industrijā jau sen ir izmantoti reālistiski, mašīnu radīti attēli. Esošās programmas rada dažādus attēlus, kurus cilvēki var viegli uztvert un saprast. Tas ir īpaši svarīgi, ja runa ir par intuitīvām zināšanām, kuru formāla pārbaude prasītu ievērojamu garīgo piepūli. Tādējādi muzikālās problēmas tiek veiksmīgi atrisinātas, izmantojot programmēšanas valodu, no kurām viena ir CSound valoda. Speciālu programmatūru, ar kuru tiek radīti mūzikas darbi, pārstāv algoritmiskās kompozīcijas programmas, interaktīvas kompozīcijas sistēmas, skaņas sintēzes un apstrādes sistēmas.

Ekspertu sistēmas.

Mūsdienu ekspertu sistēmu izstrādi pētnieki ir veikuši kopš 70. gadu sākuma, un 80. gadu sākumā ekspertu sistēmas sāka izstrādāt uz komerciāla pamata. Ekspertu sistēmu prototipi, ko 1832. gadā ierosināja krievu zinātnieks S. N. Korsakovs, bija mehāniskas ierīces, ko sauca par “inteliģentajām mašīnām”, kas ļāva rast risinājumu, vadoties pēc dotajiem apstākļiem. Piemēram, tika analizēti pacientam novērotie slimības simptomi un, pamatojoties uz šīs analīzes rezultātiem, tika piedāvāti piemērotākie medikamenti.

Datorzinātne aplūko ekspertu sistēmas kopā ar zināšanu bāzēm. Sistēmas ir ekspertu uzvedības modeļi, kuru pamatā ir lēmumu pieņemšanas procedūru un loģisku secinājumu pielietošana. Zināšanu bāzes tiek uzskatītas par loģisko secinājumu un faktu noteikumu kopumu, kas ir tieši saistīti ar izvēlēto darbības jomu.

Pagājušā gadsimta beigās radās zināms ekspertu sistēmu jēdziens, kas dziļi koncentrējās uz tajā laikā vispārpieņemto uz tekstu balstīto cilvēka un mašīnas saskarni. Šobrīd šī koncepcija ir piedzīvojusi nopietnu krīzi, acīmredzot tāpēc, ka lietotāju lietojumprogrammās teksta interfeiss ir aizstāts ar grafisko. Turklāt relāciju datu modelis un ēku ekspertu sistēmu “klasiskais” skatījums labi nesaskan viens ar otru. Līdz ar to ekspertu sistēmu zināšanu bāzu organizēšanu nevar veikt efektīvi, vismaz izmantojot modernās industriālās datu bāzes pārvaldības sistēmas. Literāri un tiešsaistes avoti sniedz daudzus piemērus ekspertu sistēmām, kuras sauc par “parastām” vai “labi zināmām”. Faktiski visas šīs ekspertu sistēmas tika izveidotas pagājušā gadsimta 80. gados un līdz šim ir vai nu beigušas pastāvēt, vai ir bezcerīgi novecojušas un pastāv, pateicoties dažiem entuziastiem. No otras puses, mūsdienu programmatūras produktu izstrādātāji savus darbus bieži sauc par ekspertu sistēmām. Šādi apgalvojumi nav nekas vairāk kā mārketinga triks, jo patiesībā šie produkti nav ekspertu sistēmas (piemērs ir jebkura no datorizētajām juridiskajām atsauces sistēmām). Entuziasti cenšas apvienot pieejas lietotāja interfeisa izveidei ar “klasiskām” pieejām ekspertu sistēmu izveidē. Šie mēģinājumi ir atspoguļoti tādos projektos kā CLIPS.NET, CLIPS Java Native Interface un citos, taču lielie programmatūras uzņēmumi nesteidzas finansēt šādus projektus, un šī iemesla dēļ attīstība nevirzās tālāk par eksperimentālo posmu.

Dažādās jomas, kurās var izmantot uz zināšanām balstītas sistēmas, var iedalīt klasēs: medicīniskā diagnostika, plānošana, prognozēšana, uzraudzība un kontrole, apmācība, interpretācija, defektu diagnostika elektriskajās un mehāniskajās iekārtās, apmācība. Apskatīsim katru no šīm klasēm sīkāk.

a) Medicīniskās diagnostikas sistēmas.

Ar šādu sistēmu palīdzību tiek noteikts, kā dažādi organisma darbības traucējumi un to iespējamie cēloņi ir savstarpēji saistīti. Slavenākā diagnostikas sistēma ir MYCIN. To lieto meningīta un bakteriālu infekciju diagnosticēšanai, kā arī to pacientu stāvokļa uzraudzībai, kuriem ir šīs slimības. Pirmā sistēmas versija tika izstrādāta 70. gados. Mūsdienās tās iespējas ir ievērojami paplašinājušās: sistēma veic diagnozes tādā pašā profesionālā līmenī kā medicīnas speciālists, un to var izmantot dažādās medicīnas jomās.

b) Paredzēšanas sistēmas.

Sistēmas ir paredzētas notikumu vai notikumu rezultātu prognozēšanai, pamatojoties uz pieejamajiem datiem, kas raksturo objekta pašreizējo situāciju vai stāvokli. Tādējādi programma “Conquest of Wall Street”, kas savā darbā izmanto statistiskās algoritmu metodes, spēj analizēt tirgus apstākļus un izstrādāt investīciju plānu. Programma izmanto tradicionālās programmēšanas algoritmus un procedūras, tāpēc to nevar klasificēt kā uz zināšanām balstītu sistēmu. Jau šobrīd ir programmas, kas, analizējot pieejamos datus, var paredzēt pasažieru plūsmu, ražu un laikapstākļus. Šādas programmas ir diezgan vienkāršas, un dažas no tām var izmantot parastajos personālajos datoros. Tomēr joprojām nav ekspertu sistēmu, kas, pamatojoties uz datiem par tirgus apstākļiem, varētu ieteikt, kā palielināt kapitālu.

c) Plānošana.

Plānošanas sistēmas ir paredzētas, lai atrisinātu problēmas ar lielu skaitu mainīgo, lai sasniegtu konkrētus rezultātus. Pirmo reizi komerciālajā sfērā šādas sistēmas izmantoja Damaskas uzņēmums Informat. Uzņēmuma vadība pasūtīja biroja vestibilā ierīkot 13 stacijas, kas sniedza bezmaksas konsultācijas klientiem, kuri vēlējās iegādāties datoru. Iekārtas mums palīdzēja izdarīt izvēli, kas vislabāk atbilst pircēja budžetam un vēlmēm. Ekspertu sistēmas Boeing izmantojis arī tādiem mērķiem kā helikopteru remonts, lidmašīnu dzinēju atteices cēloņu noteikšana un kosmosa staciju projektēšana. DEC ir izveidojis XCON ekspertu sistēmu, kas spēj identificēt un pārkonfigurēt VAX datorsistēmas, pamatojoties uz klientu prasībām. DEC pašlaik izstrādā jaudīgāku XSEL sistēmu, kas ietver XCON zināšanu bāzi. Sistēmas izveides mērķis ir palīdzēt patērētājiem izvēlēties skaitļošanas sistēmu ar nepieciešamo konfigurāciju. Atšķirība starp XSEL un XCON ir tā, ka tas ir interaktīvs.

d) Interpretācija.

Interpretējošās sistēmas spēj izdarīt secinājumus, pamatojoties uz novērojumu rezultātiem. Viena no slavenākajām interpretācijas sistēmām ir PROSPECTOR sistēma. Tas darbojas, izmantojot datus, kuru pamatā ir deviņu ekspertu zināšanas. Sistēmas efektivitāti var novērtēt ar vienu piemēru: izmantojot deviņas dažādas pārbaudes metodes, sistēma atklāja rūdas atradni, kuru neviens eksperts nevarēja paredzēt. Vēl viena labi zināma interpretācijas tipa sistēma ir HASP/SIAP. Tas izmanto datus no akustiskām izsekošanas sistēmām un izmanto tos, lai noteiktu kuģu atrašanās vietu Klusajā okeānā un to tipus.

e) Inteliģentas kontroles un vadības sistēmas.

Kontrolei un vadībai veiksmīgi tiek izmantotas ekspertu sistēmas. Viņi spēj analizēt no vairākiem avotiem saņemtos datus un pieņemt lēmumus, pamatojoties uz analīzes rezultātiem. Šādas sistēmas spēj veikt medicīnisko uzraudzību un kontrolēt gaisa kuģu kustību, turklāt tās tiek izmantotas atomelektrostacijās. Tie arī palīdz regulēt uzņēmuma finansiālo darbību un izstrādāt risinājumus kritiskās situācijās.

f) Elektrisko un mehānisko iekārtu diagnostika un traucējummeklēšana.

Uz zināšanām balstītas sistēmas tiek izmantotas tādos gadījumos kā:

dīzeļlokomotīvju, automašīnu un citu elektrisko un mehānisko ierīču remonts;

datoru programmatūras un aparatūras kļūdu un darbības traucējumu diagnostika un novēršana.

g) Datorapmācības sistēmas.

Uz zināšanām balstītu sistēmu izmantošana izglītības nolūkos ir diezgan efektīva. Sistēma analizē objekta uzvedību un darbību un maina zināšanu bāzi atbilstoši saņemtajai informācijai. Vienkāršākais šādas apmācības piemērs ir datorspēle, kurā līmeņi kļūst grūtāki, pieaugot spēlētāja prasmēm. Interesantu apmācību sistēmu - EURISCO - izstrādāja D. Lenats. Tas izmanto vienkāršu heiristiku. Sistēma tika izmantota spēlē, kas simulē kaujas operācijas. Spēles būtība ir noteikt optimālo flotiles sastāvu, kas, ievērojot daudzus noteikumus, varētu izraisīt sakāves. Sistēma veiksmīgi tika galā ar šo uzdevumu, ieskaitot flotilē vienu nelielu kuģi un vairākus kuģus, kas spēj veikt uzbrukumu. Spēles noteikumi mainījās katru gadu, taču EURISCO sistēma konsekventi uzvarēja trīs gadus.

Ir daudz ekspertu sistēmu, kuras, pamatojoties uz zināšanu saturu, var iedalīt vairākos veidos vienlaikus. Piemēram, sistēma, kas veic plānošanu, var būt arī mācību sistēma. Tas spēj noteikt studenta zināšanu līmeni un, pamatojoties uz šo informāciju, sastādīt mācību programmu. Vadības sistēmas tiek izmantotas plānošanai, prognozēšanai, diagnostikai un kontrolei. Sistēmas, kas paredzētas mājas vai dzīvokļa aizsardzībai, var sekot līdzi izmaiņām vidē, prognozēt situācijas attīstību un sastādīt turpmākās rīcības plānu. Piemēram, atvēries logs un pa to telpā mēģina iekļūt zaglis, tādēļ nepieciešams izsaukt policiju.

Ekspertu sistēmu plaša ieviešana sākās 1980. gados, kad tās pirmo reizi tika komerciāli ieviestas. ES izmanto daudzās jomās, tostarp uzņēmējdarbībā, zinātnē, tehnoloģijās, ražošanā un citās nozarēs, kurām raksturīga ļoti specifiska priekšmetu joma. Šajā kontekstā “labi definēts” nozīmē, ka cilvēks var sadalīt spriešanas gaitu atsevišķos posmos, un tādā veidā var atrisināt jebkuru problēmu, kas ir konkrētajā jomā. Tāpēc datorprogramma var veikt līdzīgas darbības. Var droši teikt, ka mākslīgā intelekta iespēju izmantošana paver cilvēcei bezgalīgas iespējas.