Page semi-protected

ปัญญาประดิษฐ์

จาก Wikipedia สารานุกรมเสรี
  (เปลี่ยนเส้นทางจากปัญญาประดิษฐ์ )
ข้ามไปที่การนำทางข้ามไปที่การค้นหา

ปัญญาประดิษฐ์ ( AI ) เป็นความฉลาดที่แสดงโดยเครื่องจักรซึ่งแตกต่างจากความฉลาดตามธรรมชาติที่ มนุษย์และสัตว์แสดงซึ่งเกี่ยวข้องกับสติและอารมณ์ ความแตกต่างระหว่างประเภทเดิมและประเภทหลังมักถูกเปิดเผยโดยใช้ตัวย่อที่เลือก AI ที่ 'แข็งแกร่ง' มักถูกระบุว่าเป็นปัญญาประดิษฐ์ทั่วไป (AGI) ในขณะที่ความพยายามที่จะเลียนแบบปัญญา 'ธรรมชาติ' ถูกเรียกว่าปัญญาประดิษฐ์ทางชีวภาพ (ABI) ตำรา AI ชั้นนำกำหนดสาขานี้ว่าเป็นการศึกษา " ตัวแทนอัจฉริยะ": อุปกรณ์ใด ๆ ที่รับรู้สภาพแวดล้อมและดำเนินการเพื่อเพิ่มโอกาสในการบรรลุเป้าหมายให้สำเร็จ[3] ในภาษาเรียกขานคำว่า" ปัญญาประดิษฐ์ "มักใช้เพื่ออธิบายเครื่องจักรที่เลียนแบบฟังก์ชัน" ความรู้ความเข้าใจ "ที่มนุษย์เชื่อมโยงกับมนุษย์ จิตใจเช่น "การเรียนรู้" และ "การแก้ปัญหา" [4]

ในฐานะที่เป็นเครื่องกลายเป็นความสามารถมากขึ้นงานถือว่าเป็นที่จะต้องใช้ "ปัญญา" มักจะถูกลบออกจากความหมายของไอปรากฏการณ์ที่เรียกว่าผล AI [5]คำพูดหนึ่งในทฤษฎีบทของ Tesler กล่าวว่า "AI คืออะไรก็ตามที่ยังไม่ได้ทำ" [6]ตัวอย่างเช่นการรู้จำอักขระด้วยแสงมักถูกแยกออกจากสิ่งที่ถือว่าเป็น AI [7]กลายเป็นเทคโนโลยีประจำ[8]โมเดิร์นความสามารถในการจัดเครื่องโดยทั่วไปเป็น AI รวมถึงการประสบความสำเร็จในการพูดของมนุษย์เข้าใจ , [9]การแข่งขันในระดับที่สูงที่สุดในเกมเชิงกลยุทธ์ระบบ (เช่นหมากรุกและไป) [10]และยังไม่สมบูรณ์ข้อมูลเกมเช่นโป๊กเกอร์ , [11] ตัวเองขับรถอัจฉริยะเส้นทางในเครือข่ายการจัดส่งเนื้อหาและการจำลองทางทหาร [12]

ปัญญาประดิษฐ์ก่อตั้งขึ้นในฐานะสาขาวิชาการศึกษาในปี พ.ศ. 2498 และในช่วงหลายปีที่ผ่านมามีการมองโลกในแง่ดีหลายระลอก[13] [14]ตามมาด้วยความผิดหวังและการสูญเสียเงินทุน (เรียกว่า " ฤดูหนาว AI ") [15] [16]ตามด้วยแนวทางใหม่ความสำเร็จและการระดมทุนใหม่[14] [17]หลังจากAlphaGoประสบความสำเร็จในการเอาชนะผู้เล่น Go มืออาชีพในปี 2015 ปัญญาประดิษฐ์ก็ได้รับความสนใจจากทั่วโลกอีกครั้ง[18]ในประวัติศาสตร์ส่วนใหญ่การวิจัย AI ถูกแบ่งออกเป็นสาขาย่อยที่มักจะไม่สามารถสื่อสารกันได้[19]เขตข้อมูลย่อยเหล่านี้ขึ้นอยู่กับการพิจารณาทางเทคนิคเช่นเป้าหมายเฉพาะ (เช่น " หุ่นยนต์ " หรือ " การเรียนรู้ของเครื่อง ") [20]การใช้เครื่องมือเฉพาะ (" ตรรกะ " หรือโครงข่ายประสาทเทียม ) หรือความแตกต่างทางปรัชญาที่ลึกซึ้ง[23] [24] [25]สาขาย่อยยังขึ้นอยู่กับปัจจัยทางสังคม (สถาบันเฉพาะหรือผลงานของนักวิจัยโดยเฉพาะ) [19]

ปัญหาเดิม (หรือเป้าหมาย) ของการวิจัย AI ประกอบด้วยเหตุผล , แทนความรู้ , การวางแผน , การเรียนรู้ , การประมวลผลภาษาธรรมชาติ , การรับรู้และความสามารถในการย้ายและจัดการวัตถุ[20] AGI เป็นหนึ่งในเป้าหมายระยะยาวของสนาม[26]แนวทางรวมถึงวิธีการทางสถิติ , ปัญญาประดิษฐ์และแบบดั้งเดิมสัญลักษณ์ AI มีการใช้เครื่องมือหลายอย่างใน AI รวมถึงเวอร์ชันของการค้นหาและการเพิ่มประสิทธิภาพทางคณิตศาสตร์เครือข่ายประสาทเทียมและวิธีการที่ใช้สถิติความน่าจะเป็นและเศรษฐศาสตร์ ฟิลด์ AI ดึงมาใช้วิทยาการคอมพิวเตอร์ , วิศวกรรมข้อมูล , คณิตศาสตร์ , จิตวิทยา , ภาษาศาสตร์ , ปรัชญาและสาขาอื่น ๆ อีกมากมาย

สนามแห่งนี้ก่อตั้งขึ้นจากสมมติฐานที่ว่าความฉลาดของมนุษย์ "สามารถอธิบายได้อย่างแม่นยำมากจนสามารถสร้างเครื่องจักรเพื่อจำลองได้" [27]สิ่งนี้ทำให้เกิดข้อโต้แย้งทางปรัชญาเกี่ยวกับจิตใจและจริยธรรมในการสร้างสิ่งมีชีวิตเทียมที่มีสติปัญญาเหมือนมนุษย์ ปัญหาเหล่านี้ได้รับการสำรวจโดยตำนาน , นิยายและปรัชญาตั้งแต่สมัยโบราณ [32]บางคนยังคิดว่า AI เป็นอันตรายต่อมนุษยชาติหากมันดำเนินไปอย่างไม่หยุดยั้ง[33] [34]คนอื่น ๆ เชื่อว่า AI ซึ่งแตกต่างจากการปฏิวัติทางเทคโนโลยีก่อนหน้านี้จะสร้างความเสี่ยงต่อการว่างงานจำนวนมาก[35]

ในศตวรรษที่ยี่สิบเอ็ดเทคนิค AI มีประสบการณ์การฟื้นตัวต่อไปนี้ความก้าวหน้าพร้อมกันในไฟของคอมพิวเตอร์จำนวนมากข้อมูลและความเข้าใจเชิงทฤษฎี; และเทคนิค AI ได้กลายเป็นส่วนสำคัญของอุตสาหกรรมเทคโนโลยีช่วยในการแก้ปัญหาความท้าทายมากมายในวิทยาการคอมพิวเตอร์, วิศวกรรมซอฟต์แวร์และการดำเนินงานวิจัย [36] [17]

ประวัติศาสตร์

เงินdidrachmaจากเกาะครีตภาพวาดลอสเป็นตำนานโบราณหุ่นยนต์ด้วยปัญญาประดิษฐ์

ความคิดความสามารถในสิ่งมีชีวิตเทียมปรากฏเป็นนิทานอุปกรณ์ในสมัยโบราณ[37]และได้รับร่วมกันในนิยายในขณะที่แมรีเชลลีย์ 's Frankensteinหรือกาเรลชาเปก ' s RUR [38]ตัวละครเหล่านี้และชะตากรรมของพวกเขายกหลายปัญหาเดียวกันในขณะนี้ กล่าวถึงในจริยธรรมของปัญญาประดิษฐ์ [32]

การศึกษาเหตุผลเชิงกลหรือ"เป็นทางการ"เริ่มจากนักปรัชญาและนักคณิตศาสตร์ในสมัยโบราณ การศึกษาของตรรกะทางคณิตศาสตร์นำโดยตรงกับอลันทัวริง 's ทฤษฎีของการคำนวณซึ่งชี้ให้เห็นว่าเครื่องโดยสับสัญลักษณ์เป็นง่ายๆเป็น '0' และ '1' สามารถจำลองการกระทำที่เป็นไปได้ใด ๆ ของการหักคณิตศาสตร์ ความเข้าใจนี้ว่าคอมพิวเตอร์ดิจิตอลสามารถจำลองกระบวนการของการใช้เหตุผลอย่างเป็นทางการใด ๆ ที่เป็นที่รู้จักกันเป็นวิทยานิพนธ์โบสถ์ทัวริง [39]พร้อมกับการค้นพบที่เกิดขึ้นพร้อมกันในชีววิทยา , ทฤษฎีสารสนเทศและไซเบอร์เนติกส์สิ่งนี้ทำให้นักวิจัยพิจารณาถึงความเป็นไปได้ในการสร้างสมองอิเล็กทรอนิกส์ ทัวริงเสนอให้เปลี่ยนคำถามจากว่าเครื่องจักรมีความชาญฉลาดเป็น "เครื่องจักรจะแสดงพฤติกรรมที่ชาญฉลาดได้หรือไม่" [40]ผลงานชิ้นแรกที่ปัจจุบันเป็นที่ยอมรับโดยทั่วไปว่า AI คือการออกแบบอย่างเป็นทางการของMcCullouchและPitts ในปีพ. ศ. 2486 สำหรับ"เซลล์ประสาทเทียม" ของทัวริง[41]

ด้านการวิจัย AI เกิดในการประชุมเชิงปฏิบัติการที่Dartmouth Collegeในปี 1956 [42]ที่คำว่า "ปัญญาประดิษฐ์" ได้รับการประกาศเกียรติคุณจากจอห์นแมคคาร์ที่จะแยกแยะข้อมูลจากไซเบอร์เนติกส์และหลบหนีอิทธิพลของ cyberneticist Norbert Wiener [43]ผู้เข้าร่วมAllen Newell ( CMU ), Herbert Simon (CMU), John McCarthy ( MIT ), Marvin Minsky (MIT) และArthur Samuel ( IBM ) กลายเป็นผู้ก่อตั้งและผู้นำการวิจัย AI [44]พวกเขาและนักเรียนผลิตรายการที่สื่อมวลชนอธิบายว่า "น่าอัศจรรย์": [45]คอมพิวเตอร์กำลังเรียนรู้กลยุทธ์การเล่นหมากฮอส (ค. 1954) [46] (และในปีพ. ศ. 2502 มีรายงานว่าเล่นได้ดีกว่ามนุษย์ทั่วไป), [47]การแก้คำ ปัญหาเกี่ยวกับพีชคณิตการพิสูจน์ทฤษฎีบทเชิงตรรกะ ( Logic Theorist , first run c. 1956) และการพูดภาษาอังกฤษ[48]ในช่วงกลางทศวรรษ 1960 การวิจัยในสหรัฐอเมริกาได้รับทุนสนับสนุนอย่างมากจากกระทรวงกลาโหม[49]และมีการจัดตั้งห้องปฏิบัติการขึ้นทั่วโลก[50]ผู้ก่อตั้ง AI มองโลกในแง่ดีเกี่ยวกับอนาคต: เฮอร์เบิร์ตไซมอนทำนายว่า "เครื่องจักรจะมีความสามารถภายในยี่สิบปีในการทำงานใด ๆ ที่มนุษย์สามารถทำได้" Marvin Minskyเห็นด้วยโดยเขียนว่า "ภายในชั่วอายุคน ... ปัญหาในการสร้าง 'ปัญญาประดิษฐ์' จะได้รับการแก้ไขอย่างมีนัยสำคัญ" [13]

พวกเขาล้มเหลวในการรับรู้ถึงความยากลำบากของงานบางส่วนที่เหลืออยู่ ความคืบหน้าช้าลงและในปีพ. ศ. 2517 เพื่อตอบสนองต่อคำวิจารณ์ของเซอร์เจมส์ไลท์ฮิลล์[51]และแรงกดดันอย่างต่อเนื่องจากรัฐสภาสหรัฐฯในการให้ทุนสนับสนุนโครงการที่มีประสิทธิผลมากขึ้นทั้งรัฐบาลสหรัฐฯและอังกฤษได้ตัดการวิจัยเชิงสำรวจใน AI ไม่กี่ปีต่อมาจะเรียกว่า " ฤดูหนาว AI " [15]ช่วงเวลาที่การได้รับเงินทุนสำหรับโครงการ AI เป็นเรื่องยาก

ในช่วงต้นทศวรรษที่ 1980 การวิจัย AI ก็ฟื้นขึ้นมาจากความสำเร็จในเชิงพาณิชย์ของระบบผู้เชี่ยวชาญ , [52]รูปแบบของโปรแกรม AI ที่จำลองความรู้และทักษะการวิเคราะห์ของผู้เชี่ยวชาญของมนุษย์ ในปี 1985 ตลาดสำหรับ AI มีมูลค่าสูงถึงกว่าพันล้านดอลลาร์ ในเวลาเดียวกันของญี่ปุ่นคอมพิวเตอร์รุ่นที่ห้าโครงการแรงบันดาลใจในสหรัฐและรัฐบาลอังกฤษจะเรียกคืนเงินทุนสำหรับการวิจัยทางวิชาการ [14]อย่างไรก็ตามเริ่มต้นด้วยการล่มสลายของตลาดLisp Machineในปี 1987 AI ก็ตกอยู่ในภาวะเสียชื่อเสียงอีกครั้งและวินาทีที่หายไปนานขึ้นก็เริ่มขึ้น[16]

การพัฒนาของโลหะ - ออกไซด์ - เซมิคอนดักเตอร์ (MOS) การบูรณาการขนาดใหญ่มาก (VLSI) ในรูปแบบของเทคโนโลยีทรานซิสเตอร์เสริม MOS (CMOS) ทำให้สามารถพัฒนาเทคโนโลยีโครงข่ายประสาทเทียม (ANN) ที่ใช้งานได้จริงในช่วงทศวรรษที่ 1980 สิ่งพิมพ์ที่โดดเด่นในสาขานี้คือหนังสือAnalog VLSI Implementation of Neural Systemsในปี 1989 โดยCarver A.Meadและ Mohammed Ismail [53]

ในปี 1990 และในช่วงต้นศตวรรษที่ 21 ปลาย AI เริ่มที่จะนำมาใช้สำหรับการขนส่ง, การทำเหมืองข้อมูล , การวินิจฉัยทางการแพทย์และพื้นที่อื่น ๆ [36]ความสำเร็จเป็นผลมาจากการเพิ่มกำลังการคำนวณ (ดูกฎของมัวร์และทรานซิสเตอร์นับ ) เน้นความสำคัญในการแก้ปัญหาเฉพาะความสัมพันธ์ใหม่ระหว่าง AI และสาขาอื่น ๆ (เช่นสถิติ , เศรษฐศาสตร์และคณิตศาสตร์ ) และความมุ่งมั่นจากนักวิจัย วิธีการทางคณิตศาสตร์และมาตรฐานทางวิทยาศาสตร์ [54] Deep Blueกลายเป็นระบบการเล่นหมากรุกคอมพิวเตอร์เครื่องแรกที่เอาชนะแชมป์หมากรุกโลกที่ครองราชย์คือแกร์รีคาสปารอฟเมื่อวันที่ 11 พฤษภาคม พ.ศ. 2540[55]

ในปี 2554 ตกอยู่ในอันตราย! แบบทดสอบการแสดงงานมหกรรมการแข่งขัน, IBM 's คำถามระบบตอบรับ , วัตสันแพ้ทั้งสองที่ยิ่งใหญ่ที่สุดอันตราย!แชมป์เปี้ยนแบรดรัทเทอร์และเคนเจนนิงส์ด้วยอัตรากำไรขั้นต้นที่สำคัญ[56] คอมพิวเตอร์ที่เร็วขึ้นการปรับปรุงอัลกอริทึมและการเข้าถึงข้อมูลจำนวนมากทำให้เกิดความก้าวหน้าในการเรียนรู้และการรับรู้ของเครื่อง ข้อมูลหิวเรียนรู้ลึกวิธีการเริ่มต้นที่จะมาตรฐานความถูกต้องครองรอบ 2012 [57] Kinectซึ่งมีอินเตอร์เฟซที่ร่างกายเคลื่อนไหว 3 มิติสำหรับXbox 360และXbox Oneใช้อัลกอริทึมที่โผล่ออกมาจากความยาว AI วิจัย[58]เช่นเดียวกับผู้ช่วยส่วนตัวที่ชาญฉลาดในมาร์ทโฟน [59]ในเดือนมีนาคมปี 2016 AlphaGoชนะ 4 จาก 5 เกมไปในการแข่งขันกับ GO แชมป์อีเซดอลเป็นครั้งแรกคอมพิวเตอร์ไประบบ -playing จะชนะผู้เล่นมืออาชีพไปโดยไม่ต้องพิการ [10] [60]ใน 2017 อนาคตของไปประชุมสุดยอด , AlphaGoได้รับรางวัลการแข่งขันสามเกมกับKe Jie , [61]ซึ่งเป็นเวลาอย่างต่อเนื่องที่จัดขึ้นทั่วโลกครั้งที่ 1 การจัดอันดับเป็นเวลาสองปี[62] [63] Deep Blue 's เมอเรย์แคมป์เบลเรียกว่า AlphaGo ชัยชนะ 'สิ้นยุค ... เกมกระดานจะมากหรือน้อยทำ[64]และก็ถึงเวลาที่จะย้ายไป.' [65]นี่เป็นการเสร็จสิ้นขั้นตอนสำคัญในการพัฒนาปัญญาประดิษฐ์เนื่องจาก Go เป็นเกมที่ค่อนข้างซับซ้อนมากกว่าหมากรุก ต่อมา AlphaGo ได้รับการปรับปรุงโดยทั่วไปให้กับเกมอื่น ๆ เช่นหมากรุกกับAlphaZero ; [66]และMuZero [67]เพื่อเล่นวิดีโอเกมต่างๆมากมายซึ่งก่อนหน้านี้ได้รับการจัดการแยกต่างหาก[68]นอกเหนือจากเกมกระดาน โปรแกรมอื่น ๆ จัดการเกมข้อมูลที่ไม่สมบูรณ์เช่นโป๊กเกอร์ในระดับที่เหนือมนุษย์พลุ (บอโป๊กเกอร์) [69]และเซเฟอุส (บอโป๊กเกอร์) [11]โปรดดู: เกมการเล่นทั่วไป

จากข้อมูลของ Jack Clark จากBloombergระบุว่าปี 2015 เป็นปีที่สำคัญสำหรับปัญญาประดิษฐ์โดยมีจำนวนโครงการซอฟต์แวร์ที่ใช้ AI ภายในGoogleเพิ่มขึ้นจาก "การใช้งานเป็นระยะ ๆ " ในปี 2555 เป็นมากกว่า 2,700 โครงการ นอกจากนี้คลาร์กยังนำเสนอข้อมูลที่เป็นข้อเท็จจริงซึ่งระบุถึงการปรับปรุง AI ตั้งแต่ปี 2555 ซึ่งได้รับการสนับสนุนโดยอัตราความผิดพลาดที่ลดลงในงานประมวลผลภาพ[70]เขาอ้างว่าสิ่งนี้มาจากการเพิ่มขึ้นของเครือข่ายประสาทเทียมที่มีราคาไม่แพงเนื่องจากโครงสร้างพื้นฐานการประมวลผลแบบคลาวด์ที่เพิ่มขึ้นและเครื่องมือวิจัยและชุดข้อมูลที่เพิ่มขึ้น[17]ตัวอย่างที่อ้างถึงอื่น ๆ ได้แก่ การพัฒนาระบบ Skype ของ Microsoft ที่สามารถแปลจากภาษาหนึ่งไปยังอีกภาษาหนึ่งโดยอัตโนมัติและระบบของ Facebook ที่สามารถอธิบายภาพให้คนตาบอดได้[70]ในการสำรวจปี 2017 บริษัท หนึ่งในห้ารายงานว่าพวกเขา "รวม AI ไว้ในข้อเสนอหรือกระบวนการบางอย่าง" [71] [72]ประมาณปี 2559 จีนเร่งระดมทุนจากรัฐบาลอย่างมาก เนื่องจากมีข้อมูลจำนวนมากและผลงานวิจัยที่เพิ่มขึ้นอย่างรวดเร็วผู้สังเกตการณ์บางคนเชื่อว่าอาจจะกลายเป็น "มหาอำนาจ AI" [73] [74]

ภายในปี 2020 ระบบประมวลผลภาษาธรรมชาติเช่นGPT-3ขนาดมหึมา(จากนั้นก็คือโครงข่ายประสาทเทียมที่ใหญ่ที่สุด) ได้จับคู่ประสิทธิภาพของมนุษย์ในเกณฑ์มาตรฐานที่มีอยู่แล้วแม้ว่าระบบจะไม่เข้าใจเนื้อหาของเกณฑ์มาตรฐาน [75] AlphaFold 2 (2020) ของ DeepMind แสดงให้เห็นถึงความสามารถในการระบุโครงสร้าง 3 มิติของโปรตีนในเวลาไม่กี่ชั่วโมงแทนที่จะเป็นเดือน การจดจำใบหน้าก้าวหน้าไปถึงที่ในบางสถานการณ์บางระบบอ้างว่ามีอัตราความแม่นยำ 99% [76]

พื้นฐาน

วิทยาการคอมพิวเตอร์ให้คำจำกัดความของการวิจัย AI ว่าเป็นการศึกษา " ตัวแทนอัจฉริยะ ": อุปกรณ์ใด ๆ ที่รับรู้สภาพแวดล้อมของมันและดำเนินการเพื่อเพิ่มโอกาสในการบรรลุเป้าหมาย[3]คำจำกัดความที่ละเอียดยิ่งขึ้นระบุลักษณะของ AI ว่า "ความสามารถของระบบในการตีความข้อมูลภายนอกอย่างถูกต้องเพื่อเรียนรู้จากข้อมูลดังกล่าวและใช้การเรียนรู้เหล่านั้นเพื่อบรรลุเป้าหมายและงานที่เฉพาะเจาะจงผ่านการปรับตัวที่ยืดหยุ่น" [77]

AI ทั่วไปจะวิเคราะห์สภาพแวดล้อมและดำเนินการเพื่อเพิ่มโอกาสในการประสบความสำเร็จ[3]ฟังก์ชันยูทิลิตี้ที่ตั้งใจไว้(หรือเป้าหมาย) ของ AI อาจเป็นเรื่องง่าย ("1 ถ้า AI ชนะเกมGo , 0 มิฉะนั้น") หรือซับซ้อน ("ดำเนินการทางคณิตศาสตร์คล้ายกับที่ประสบความสำเร็จในอดีต") เป้าหมายสามารถกำหนดหรือทำให้เกิดขึ้นได้อย่างชัดเจน หาก AI ได้รับการตั้งโปรแกรมสำหรับ " การเรียนรู้แบบเสริมกำลัง " เป้าหมายอาจถูกกระตุ้นโดยปริยายโดยการให้รางวัลพฤติกรรมบางประเภทหรือลงโทษผู้อื่น[a]อีกวิธีหนึ่งคือระบบวิวัฒนาการสามารถกระตุ้นให้บรรลุเป้าหมายได้โดยใช้ " ฟังก์ชันการออกกำลังกาย"การกลายพันธุ์และจำลองระบบ AI ที่ให้คะแนนสูงเป็นพิเศษเช่นเดียวกับการที่สัตว์วิวัฒนาการมาเพื่อปรารถนาเป้าหมายบางอย่างโดยกำเนิดเช่นการหาอาหาร[78]ระบบ AI บางระบบเช่นเพื่อนบ้านที่ใกล้ที่สุดแทนที่จะใช้เหตุผลโดยการเปรียบเทียบระบบเหล่านี้ไม่ โดยทั่วไปกำหนดเป้าหมายยกเว้นในระดับที่เป้าหมายมีนัยในข้อมูลการฝึกอบรมของพวกเขา[79]ระบบดังกล่าวยังสามารถเทียบเคียงได้หากระบบที่ไม่ใช่เป้าหมายถูกจัดกรอบให้เป็นระบบที่ "เป้าหมาย" คือการบรรลุภารกิจการจัดประเภทที่แคบให้สำเร็จ[80]

AI มักจะหมุนรอบการใช้งานของอัลกอริทึม อัลกอริทึมคือชุดคำสั่งที่ไม่คลุมเครือซึ่งคอมพิวเตอร์เชิงกลสามารถดำเนินการได้ [b]อัลกอริทึมที่ซับซ้อนมักสร้างขึ้นเหนืออัลกอริทึมอื่น ๆ ที่ง่ายกว่า ตัวอย่างง่ายๆของอัลกอริทึมคือสูตรต่อไปนี้ (เหมาะสำหรับผู้เล่นคนแรก) สำหรับการเล่นที่tic-tac-toe : [81]

  1. หากมี "ภัยคุกคาม" (นั่นคือสองตัวติดต่อกัน) ให้ใช้สี่เหลี่ยมจัตุรัสที่เหลือ มิฉะนั้น,
  2. หากมีการย้าย "ส้อม" เพื่อสร้างภัยคุกคามสองครั้งพร้อมกันให้เล่นท่านั้น มิฉะนั้น,
  3. ใช้สี่เหลี่ยมจัตุรัสตรงกลางถ้าว่าง มิฉะนั้น,
  4. หากคู่ต่อสู้ของคุณเล่นในมุมหนึ่งให้เข้ามุมตรงข้าม มิฉะนั้น,
  5. ใช้มุมที่ว่างเปล่าถ้ามีอยู่ มิฉะนั้น,
  6. หาสี่เหลี่ยมว่าง ๆ

อัลกอริทึม AI จำนวนมากสามารถเรียนรู้จากข้อมูลได้ พวกเขาสามารถปรับปรุงตัวเองได้โดยการเรียนรู้การวิเคราะห์พฤติกรรมใหม่ ๆ(กลยุทธ์หรือ "กฎง่ายๆ" ที่ใช้งานได้ดีในอดีต) หรือสามารถเขียนอัลกอริทึมอื่น ๆ "ผู้เรียน" บางส่วนที่อธิบายไว้ด้านล่างรวมถึงเครือข่ายแบบเบย์ต้นไม้แห่งการตัดสินใจและเพื่อนบ้านที่ใกล้ที่สุดสามารถเรียนรู้ในทางทฤษฎี (ข้อมูลเวลาและหน่วยความจำที่ให้ข้อมูลที่ไม่มีที่สิ้นสุด) เรียนรู้ที่จะประมาณฟังก์ชันใด ๆรวมถึงฟังก์ชันทางคณิตศาสตร์ที่รวมกันที่จะอธิบายได้ดีที่สุด โลก. [ ต้องการอ้างอิง ]ดังนั้นผู้เรียนเหล่านี้สามารถได้รับความรู้ที่เป็นไปได้ทั้งหมดโดยพิจารณาจากสมมติฐานที่เป็นไปได้ทั้งหมดและจับคู่กับข้อมูล ในทางปฏิบัติแทบจะเป็นไปไม่ได้ที่จะพิจารณาทุกความเป็นไปได้เนื่องจากปรากฏการณ์ " การระเบิดแบบผสมผสาน " ซึ่งเวลาที่ต้องใช้ในการแก้ปัญหาจะเพิ่มขึ้นอย่างทวีคูณ การวิจัย AI ส่วนใหญ่เกี่ยวข้องกับการหาวิธีระบุและหลีกเลี่ยงการพิจารณาความเป็นไปได้ในวงกว้างที่ไม่น่าจะเป็นประโยชน์[82] [83]ตัวอย่างเช่นเมื่อดูแผนที่และกำลังมองหาเส้นทางขับรถที่สั้นที่สุดจากเดนเวอร์ไปยังนิวยอร์กในฝั่งตะวันออกในกรณีส่วนใหญ่สามารถข้ามดูเส้นทางใดก็ได้ในซานฟรานซิสโกหรือพื้นที่อื่น ๆ ที่อยู่ห่างไกลไปทางตะวันตก ดังนั้น AI ที่ใช้อัลกอริธึมการค้นหาเส้นทางเช่นA *สามารถหลีกเลี่ยงการระเบิดของ Combinatorial ที่จะตามมาหากทุกเส้นทางที่เป็นไปได้ต้องได้รับการพิจารณาอย่างรอบคอบ [84]

วิธีที่เร็วที่สุด (และเข้าใจง่ายที่สุด) สำหรับ AI คือสัญลักษณ์ (เช่นตรรกะที่เป็นทางการ): "ถ้าผู้ใหญ่ที่มีสุขภาพดีมีไข้ก็อาจเป็นไข้หวัดใหญ่ " แนวทางที่สองโดยทั่วไปมากขึ้นคือการอนุมานแบบเบย์ : "หากผู้ป่วยปัจจุบันมีไข้ให้ปรับความน่าจะเป็นที่พวกเขามีไข้หวัดใหญ่ในลักษณะดังกล่าว" แนวทางหลักประการที่สามซึ่งเป็นที่นิยมอย่างมากในแอปพลิเคชัน AI ทางธุรกิจประจำคือแอนะล็อกเช่นSVMและเพื่อนบ้านที่ใกล้ที่สุด: "หลังจากตรวจสอบบันทึกของผู้ป่วยในอดีตที่ทราบซึ่งอุณหภูมิอาการอายุและปัจจัยอื่น ๆ ส่วนใหญ่ตรงกับผู้ป่วยปัจจุบัน X% ของผู้ป่วยเหล่านั้นกลายเป็นไข้หวัดใหญ่" แนวทางที่สี่ยากที่จะเข้าใจโดยสัญชาตญาณ แต่ได้รับแรงบันดาลใจจากกลไกการทำงานของสมอง: วิธีเครือข่ายประสาทเทียมใช้ " เซลล์ประสาทเทียม"ที่สามารถเรียนรู้โดยการเปรียบเทียบตัวเองกับผลลัพธ์ที่ต้องการและปรับเปลี่ยนจุดแข็งของการเชื่อมต่อระหว่างเซลล์ประสาทภายในเพื่อ" เสริมสร้าง "การเชื่อมต่อที่ดูเหมือนจะมีประโยชน์แนวทางหลักทั้งสี่นี้สามารถทับซ้อนกันและด้วยระบบวิวัฒนาการตัวอย่างเช่น โครงข่ายประสาทเทียมสามารถเรียนรู้ที่จะอนุมานสรุปและสร้างการเปรียบเทียบได้บางระบบใช้หลายวิธีโดยนัยหรืออย่างชัดเจนควบคู่ไปกับอัลกอริทึม AI และไม่ใช่ AI อื่น ๆ แนวทางที่ดีที่สุดมักจะแตกต่างกันไปขึ้นอยู่กับปัญหา[85 ] [86]

อัลกอริทึมการเรียนรู้ทำงานบนพื้นฐานที่ว่ากลยุทธ์อัลกอริทึมและการอนุมานที่ทำงานได้ดีในอดีตมีแนวโน้มที่จะทำงานได้ดีต่อไปในอนาคต การอนุมานเหล่านี้สามารถเห็นได้ชัดเช่น "เนื่องจากดวงอาทิตย์ขึ้นทุกเช้าในช่วง 10,000 วันที่ผ่านมามันก็อาจจะขึ้นในเช้าวันพรุ่งนี้เช่นกัน" พวกมันสามารถปรับให้เหมาะสมได้เช่น "X% ของครอบครัวมีสายพันธุ์ที่แยกจากกันทางภูมิศาสตร์โดยมีสีที่แตกต่างกันดังนั้นจึงมีโอกาส Y% ที่หงส์ดำที่ยังไม่ได้ค้นพบ" ผู้เรียนยังทำงานบนพื้นฐานของ " มีดโกนของ Occam": ทฤษฎีที่ง่ายที่สุดที่อธิบายข้อมูลได้เปรียบที่สุดดังนั้นตามหลักการมีดโกนของ Occam ผู้เรียนจะต้องได้รับการออกแบบให้ชอบทฤษฎีที่ง่ายกว่าไปสู่ทฤษฎีที่ซับซ้อนยกเว้นในกรณีที่ทฤษฎีที่ซับซ้อนได้รับการพิสูจน์แล้วว่าดีกว่ามาก

เส้นสีน้ำเงินอาจเป็นตัวอย่างของการติดตั้งฟังก์ชันเชิงเส้นมากเกินไปเนื่องจากสัญญาณรบกวนแบบสุ่ม

การจัดการกับทฤษฎีที่ไม่ดีและซับซ้อนเกินไปซึ่งได้รับการปรับแต่งให้เหมาะสมกับข้อมูลการฝึกอบรมที่ผ่านมาทั้งหมดเรียกว่าการฟิตติ้งมากเกินไประบบจำนวนมากพยายามลดการใส่อุปกรณ์มากเกินไปโดยให้รางวัลแก่ทฤษฎีตามความเหมาะสมของข้อมูล แต่จะลงโทษทฤษฎีตามความซับซ้อนของทฤษฎี[87]นอกจากการฟิตติ้งแบบคลาสสิกมากเกินไปแล้วผู้เรียนยังสามารถทำให้ผิดหวังได้ด้วยการ "เรียนรู้บทเรียนที่ผิด" ตัวอย่างของเล่นคือลักษณนามภาพที่ฝึกเฉพาะภาพม้าสีน้ำตาลและแมวดำอาจสรุปได้ว่าแผ่นแปะสีน้ำตาลทั้งหมดน่าจะเป็นม้า[88]ตัวอย่างในโลกแห่งความเป็นจริงก็คือไม่เหมือนกับมนุษย์ตัวแยกประเภทรูปภาพในปัจจุบันมักไม่ได้ทำการตัดสินจากความสัมพันธ์เชิงพื้นที่ระหว่างส่วนประกอบของรูปภาพเป็นหลักและพวกเขาเรียนรู้ความสัมพันธ์ระหว่างพิกเซลที่มนุษย์ลืมเลือนไป แต่ก็ยังคงสัมพันธ์กับภาพของ วัตถุจริงบางประเภท การแก้ไขรูปแบบเหล่านี้บนรูปภาพที่ถูกต้องอาจส่งผลให้เกิดภาพ "ฝ่ายตรงข้าม" ที่ระบบจัดประเภทไม่ถูกต้อง [c] [89] [90]

ระบบรถยนต์ที่ขับเคลื่อนด้วยตัวเองอาจใช้โครงข่ายประสาทเทียมเพื่อพิจารณาว่าส่วนใดของภาพที่ดูเหมือนจะตรงกับภาพการฝึกของคนเดินเท้าก่อนหน้านี้จากนั้นจึงจำลองพื้นที่เหล่านั้นเป็นปริซึมสี่เหลี่ยมที่เคลื่อนไหวช้า แต่ไม่สามารถคาดเดาได้ซึ่งต้องหลีกเลี่ยง

เมื่อเทียบกับมนุษย์ AI ที่มีอยู่ขาดคุณสมบัติหลายประการของมนุษย์ " commonsense เหตุผล "; โดยเฉพาะอย่างยิ่งมนุษย์มีกลไกที่ทรงพลังในการหาเหตุผลเกี่ยวกับ " ฟิสิกส์ไร้เดียงสา " เช่นอวกาศเวลาและปฏิสัมพันธ์ทางกายภาพ ซึ่งช่วยให้แม้แต่เด็กเล็ก ๆ ก็สามารถอนุมานได้อย่างง่ายดายเช่น "ถ้าฉันหมุนปากกาออกจากโต๊ะปากกาจะตกลงบนพื้น" มนุษย์ยังมีกลไกที่ทรงพลังของ " จิตวิทยาชาวบ้าน " ที่ช่วยให้พวกเขาตีความประโยคที่เป็นภาษาธรรมชาติเช่น "สมาชิกสภาเมืองปฏิเสธใบอนุญาตให้ผู้ชุมนุมประท้วงเพราะพวกเขาสนับสนุนความรุนแรง" (AI ทั่วไปมีปัญหาในการแยกแยะว่าคนที่ถูกกล่าวหาว่าสนับสนุนหรือไม่ ความรุนแรงคือสมาชิกสภาหรือผู้ชุมนุม[91] [92] [93]). การขาด "ความรู้ทั่วไป" นี้หมายความว่า AI มักจะทำผิดพลาดต่างจากที่มนุษย์ทำในรูปแบบที่ดูเหมือนจะไม่สามารถเข้าใจได้ ตัวอย่างเช่นรถยนต์ที่ขับเคลื่อนด้วยตัวเองที่มีอยู่ไม่สามารถให้เหตุผลเกี่ยวกับสถานที่ตั้งหรือความตั้งใจของคนเดินถนนในแบบที่มนุษย์ทำและต้องใช้รูปแบบการให้เหตุผลที่ไม่ใช่ของมนุษย์แทนเพื่อหลีกเลี่ยงอุบัติเหตุ [94] [95] [96]

ความท้าทาย

ความสามารถในการรับรู้ของสถาปัตยกรรมปัจจุบันมี จำกัด มากโดยใช้เพียงเวอร์ชันที่เรียบง่ายของสิ่งที่ปัญญาสามารถทำได้เท่านั้น ตัวอย่างเช่นจิตใจของมนุษย์ได้คิดหาเหตุผลที่อยู่เหนือการวัดและคำอธิบายเชิงตรรกะต่อเหตุการณ์ต่างๆในชีวิต สิ่งที่จะตรงไปตรงมาเป็นอย่างอื่นปัญหาที่ยากพอ ๆ กันอาจเป็นเรื่องท้าทายในการแก้ปัญหาด้วยการคำนวณซึ่งต่างจากการใช้ความคิดของมนุษย์ สิ่งนี้ก่อให้เกิดโมเดลสองประเภท: นักโครงสร้างและนักปฏิบัติงาน แบบจำลองโครงสร้างมีจุดมุ่งหมายเพื่อเลียนแบบการดำเนินการด้านสติปัญญาพื้นฐานของจิตใจอย่างหลวม ๆ เช่นการใช้เหตุผลและตรรกะ แบบจำลองการทำงานหมายถึงข้อมูลที่สัมพันธ์กันกับข้อมูลที่คำนวณได้[97]

เป้าหมายการวิจัยโดยรวมของปัญญาประดิษฐ์คือการสร้างเทคโนโลยีที่ช่วยให้คอมพิวเตอร์และเครื่องจักรทำงานได้อย่างชาญฉลาด ปัญหาทั่วไปของการจำลอง (หรือการสร้าง) ปัญญาถูกแยกย่อยออกเป็นปัญหาย่อย สิ่งเหล่านี้ประกอบด้วยลักษณะเฉพาะหรือความสามารถที่นักวิจัยคาดหวังว่าระบบอัจฉริยะจะแสดง ลักษณะที่อธิบายด้านล่างนี้ได้รับความสนใจมากที่สุด [20]

การใช้เหตุผลการแก้ปัญหา

นักวิจัยรุ่นแรกได้พัฒนาอัลกอริทึมที่เลียนแบบการให้เหตุผลทีละขั้นตอนที่มนุษย์ใช้เมื่อพวกเขาไขปริศนาหรือทำการหักเงินเชิงตรรกะ [98]ในช่วงปลายปี 1980 และ 1990 การวิจัย AI ได้พัฒนาวิธีการจัดการกับความไม่แน่นอนข้อมูลหรือไม่สมบูรณ์จ้างแนวคิดจากความน่าจะเป็นและเศรษฐศาสตร์ [99]

อัลกอริทึมเหล่านี้พิสูจน์แล้วว่าไม่เพียงพอสำหรับการแก้ปัญหาการใช้เหตุผลจำนวนมากเนื่องจากพวกเขาประสบกับ "การระเบิดร่วมกัน": พวกมันช้าลงอย่างทวีคูณเมื่อปัญหาใหญ่ขึ้น [82]แม้แต่มนุษย์ก็แทบจะไม่ใช้การหักทีละขั้นตอนที่การวิจัย AI ในยุคแรกสามารถจำลองได้ พวกเขาแก้ปัญหาส่วนใหญ่โดยใช้การตัดสินที่รวดเร็วและใช้งานง่าย [100]

การแสดงความรู้

ภววิทยาแสดงถึงความรู้เป็นชุดของแนวคิดภายในโดเมนและความสัมพันธ์ระหว่างแนวคิดเหล่านั้น

การแสดงความรู้[101]และวิศวกรรมความรู้[102]เป็นหัวใจสำคัญของการวิจัย AI แบบคลาสสิก "ระบบผู้เชี่ยวชาญ" บางระบบพยายามรวบรวมความรู้ที่ชัดเจนที่มีผู้เชี่ยวชาญในโดเมนแคบ ๆ นอกจากนี้บางโครงการพยายามรวบรวม "ความรู้ทั่วไป" ที่คนทั่วไปรู้จักกันในฐานข้อมูลที่มีความรู้มากมายเกี่ยวกับโลก ในบรรดาสิ่งที่ฐานความรู้ทั่วไปที่ครอบคลุมจะประกอบด้วยวัตถุคุณสมบัติหมวดหมู่และความสัมพันธ์ระหว่างวัตถุ[103]สถานการณ์เหตุการณ์สถานะและเวลา; [104]เหตุและผล; [105]ความรู้เกี่ยวกับความรู้ (สิ่งที่เรารู้เกี่ยวกับสิ่งที่คนอื่นรู้); [106]และโดเมนอื่น ๆ อีกมากมายที่มีการวิจัยน้อย การเป็นตัวแทนของ "สิ่งที่มีอยู่" คือภววิทยา : ชุดของวัตถุความสัมพันธ์แนวคิดและคุณสมบัติที่อธิบายอย่างเป็นทางการเพื่อให้ตัวแทนซอฟต์แวร์สามารถตีความได้ความหมายเหล่านี้จะถูกจับเป็นตรรกะคำอธิบายแนวคิดบทบาทและบุคคลและมักจะนำมาใช้เป็นเรียน, คุณสมบัติและบุคคลในอภิปรัชญาเว็บภาษา [107]ออนโทโลยีทั่วไปส่วนใหญ่เรียกว่าออนโทโลยีบนซึ่งพยายามที่จะให้รากฐานสำหรับความรู้อื่น ๆ ทั้งหมด[108]โดยทำหน้าที่เป็นสื่อกลางระหว่างออนโทโลยีของโดเมนที่ครอบคลุมความรู้เฉพาะเกี่ยวกับโดเมนความรู้เฉพาะ (สาขาที่น่าสนใจหรือประเด็นที่น่ากังวล) การแสดงความรู้อย่างเป็นทางการดังกล่าวสามารถใช้ในการจัดทำดัชนีและการดึงเนื้อหาตามเนื้อหา[109]การตีความฉาก[110]การสนับสนุนการตัดสินใจทางคลินิก[111] การค้นพบความรู้ (การขุด "น่าสนใจ" และการอนุมานที่นำไปใช้ได้จริงจากฐานข้อมูลขนาดใหญ่) [112]และ พื้นที่อื่น ๆ [113]

ปัญหาที่ยากที่สุดในการแสดงความรู้ ได้แก่ :

การให้เหตุผลเริ่มต้นและปัญหาคุณสมบัติ
หลายสิ่งที่ผู้คนรู้จักอยู่ในรูปแบบของ "สมมติฐานการทำงาน" ตัวอย่างเช่นหากมีนกมาสนทนากันผู้คนมักจะนึกภาพสัตว์ขนาดเท่ากำปั้นที่ร้องและบินได้ สิ่งเหล่านี้ไม่เป็นความจริงเกี่ยวกับนกทั้งหมด จอห์นแม็คคาร์ธีระบุปัญหานี้ในปี พ.ศ. 2512 [114]ว่าเป็นปัญหาคุณสมบัติ: สำหรับกฎทั่วไปที่นักวิจัย AI สนใจที่จะเป็นตัวแทนมีแนวโน้มที่จะมีข้อยกเว้นจำนวนมาก แทบไม่มีอะไรเป็นจริงหรือเท็จในแบบที่ตรรกะนามธรรมต้องการ การวิจัย AI ได้สำรวจวิธีแก้ปัญหานี้หลายวิธี [115]
ความรู้ทั่วไป
จำนวนปรมาณูข้อเท็จจริงที่คนทั่วไปรู้นั้นมีมาก โครงการวิจัยที่พยายามสร้างฐานความรู้ที่สมบูรณ์ของความรู้ทั่วไป (เช่นCyc ) ต้องใช้วิศวกรรมออนโทโลยีที่ใช้แรงงานจำนวนมหาศาลซึ่งจะต้องสร้างขึ้นด้วยมือทีละแนวคิดที่ซับซ้อน [116]
รูปแบบย่อยของความรู้ทั่วไป
สิ่งที่ผู้คนส่วนใหญ่รู้ไม่ได้แสดงเป็น "ข้อเท็จจริง" หรือ "ข้อความ" ที่พวกเขาสามารถแสดงออกด้วยวาจาได้ ตัวอย่างเช่นนักหมากรุกจะหลีกเลี่ยงตำแหน่งหมากรุกโดยเฉพาะเพราะ "รู้สึกโล่งเกินไป" [117]หรือนักวิจารณ์ศิลปะสามารถดูรูปปั้นและรู้ว่าเป็นของปลอม [118] สิ่งเหล่านี้เป็นสัญชาตญาณหรือแนวโน้มที่ไม่รู้สึกตัวและเป็นสัญลักษณ์ย่อยในสมองของมนุษย์ [119]ความรู้เช่นนี้แจ้งสนับสนุนและให้บริบทสำหรับความรู้เชิงสัญลักษณ์และมีสติ เช่นเดียวกับปัญหาที่เกี่ยวข้องกับการให้เหตุผลย่อยสัญลักษณ์ก็หวังว่าอยู่ AI , ปัญญาประดิษฐ์หรือสถิติ AIจะให้วิธีการที่จะเป็นตัวแทนของความรู้นี้ [119]

การวางแผน

ระบบการควบคุมลำดับชั้นเป็นรูปแบบของระบบการควบคุมซึ่งเป็นชุดของอุปกรณ์และซอฟต์แวร์ที่ปกครองอยู่ในการจัดลำดับชั้น

ตัวแทนที่ชาญฉลาดต้องสามารถกำหนดเป้าหมายและบรรลุเป้าหมายได้ [120]พวกเขาต้องการวิธีที่จะเห็นภาพอนาคตซึ่งเป็นตัวแทนของสถานะของโลกและสามารถคาดเดาได้ว่าการกระทำของพวกเขาจะเปลี่ยนแปลงไปอย่างไร - และสามารถเลือกทางเลือกที่เพิ่มประโยชน์สูงสุดให้กับประโยชน์ (หรือ "มูลค่า") ของทางเลือกที่มีอยู่ [121]

ในปัญหาการวางแผนแบบคลาสสิกตัวแทนสามารถสันนิษฐานได้ว่าเป็นระบบเดียวที่ทำหน้าที่ในโลกทำให้ตัวแทนสามารถมั่นใจได้ถึงผลที่ตามมาจากการกระทำของมัน [122]อย่างไรก็ตามหากตัวแทนไม่ใช่นักแสดงเพียงคนเดียวก็ต้องให้ตัวแทนสามารถให้เหตุผลได้ภายใต้ความไม่แน่นอน สิ่งนี้เรียกร้องให้มีตัวแทนที่ไม่เพียง แต่สามารถประเมินสภาพแวดล้อมและทำการคาดการณ์เท่านั้น แต่ยังประเมินการคาดการณ์และปรับตัวตามการประเมินของมันด้วย [123]

การวางแผนหลายตัวแทนใช้ความร่วมมือและการแข่งขันของตัวแทนจำนวนมากเพื่อให้บรรลุเป้าหมายที่กำหนด พฤติกรรมฉุกเฉินเช่นนี้จะใช้ขั้นตอนวิธีวิวัฒนาการและความฉลาดแบบกลุ่ม [124]

การเรียนรู้

สำหรับโครงการนี้เอไอได้ไปหารูปแบบทั่วไปในสีและพู่กันของยุคฟื้นฟูศิลปวิทยาจิตรกรราฟาเอล ภาพบุคคลแสดงใบหน้าของนักแสดงหญิงออร์เนลลามูตี "วาด" โดย AI ในสไตล์ของราฟาเอล

แมชชีนเลิร์นนิง (ML) ซึ่งเป็นแนวคิดพื้นฐานของการวิจัย AI ตั้งแต่เริ่มก่อตั้งภาคสนาม[d]คือการศึกษาอัลกอริทึมคอมพิวเตอร์ที่ปรับปรุงโดยอัตโนมัติผ่านประสบการณ์ [e] [127]

การเรียนรู้ที่ไม่มีผู้ดูแลคือความสามารถในการค้นหารูปแบบในกระแสข้อมูลเข้าโดยไม่ต้องให้มนุษย์ติดป้ายกำกับปัจจัยการผลิตก่อนการเรียนรู้ภายใต้การดูแลมีทั้งการจำแนกประเภทและการถดถอยเชิงตัวเลขซึ่งต้องใช้มนุษย์ในการติดป้ายกำกับข้อมูลอินพุตก่อน การจัดหมวดหมู่ใช้เพื่อพิจารณาว่าสิ่งที่อยู่ในหมวดหมู่ใดและเกิดขึ้นหลังจากโปรแกรมเห็นตัวอย่างของสิ่งต่างๆจากหลายหมวดหมู่ การถดถอยคือความพยายามในการสร้างฟังก์ชันที่อธิบายความสัมพันธ์ระหว่างอินพุตและเอาต์พุตและคาดการณ์ว่าเอาต์พุตควรเปลี่ยนไปอย่างไรเมื่ออินพุตเปลี่ยนไป[127]ทั้งลักษณนามและผู้เรียนการถดถอยสามารถมองว่าเป็น "ตัวประมาณฟังก์ชัน" ที่พยายามเรียนรู้ฟังก์ชันที่ไม่รู้จัก ตัวอย่างเช่นตัวจำแนกสแปมสามารถมองว่าเป็นการเรียนรู้ฟังก์ชันที่จับคู่จากข้อความของอีเมลกับหนึ่งในสองหมวดหมู่ "สแปม" หรือ "ไม่ใช่สแปม" ทฤษฎีการเรียนรู้การคำนวณสามารถประเมินผู้เรียนโดยคอมพิวเตอร์ที่ซับซ้อนโดยความซับซ้อนตัวอย่าง (เท่าใดข้อมูลจะถูกต้อง) หรือโดยความคิดอื่น ๆ ของการเพิ่มประสิทธิภาพ [128]ในการเรียนรู้แบบเสริมกำลัง[129]ตัวแทนจะได้รับรางวัลสำหรับการตอบสนองที่ดีและถูกลงโทษสำหรับคนที่ไม่ดี ตัวแทนใช้ลำดับของรางวัลและการลงโทษนี้เพื่อกำหนดกลยุทธ์สำหรับการดำเนินงานในพื้นที่ที่มีปัญหา

การประมวลผลภาษาธรรมชาติ

ต้นไม้แยกหมายถึงประโยคโครงสร้างของประโยคตามบางไวยากรณ์อย่างเป็นทางการ

การประมวลผลภาษาธรรมชาติ[130] (NLP) ช่วยให้เครื่องอ่านและเข้าใจภาษามนุษย์ได้ ระบบประมวลผลภาษาธรรมชาติที่มีประสิทธิภาพเพียงพอจะเปิดใช้งานอินเทอร์เฟซผู้ใช้ที่เป็นภาษาธรรมชาติและการได้มาซึ่งความรู้โดยตรงจากแหล่งที่เขียนโดยมนุษย์เช่นข้อความของ newswire บางโปรแกรมตรงไปตรงมาของการประมวลผลภาษาธรรมชาติรวมถึงการดึงข้อมูล , การทำเหมืองข้อความ , คำถามตอบ[131]และเครื่องแปลภาษา [132]แนวทางปัจจุบันจำนวนมากใช้ความถี่ที่เกิดร่วมของคำเพื่อสร้างการแสดงข้อความทางวากยสัมพันธ์ กลยุทธ์ "การระบุคีย์เวิร์ด" สำหรับการค้นหาเป็นที่นิยมและสามารถปรับขนาดได้ แต่โง่ ข้อความค้นหา "สุนัข" อาจตรงกับเอกสารที่มีคำว่า "สุนัข" ตามตัวอักษรเท่านั้นและพลาดเอกสารที่มีคำว่า "พุดเดิ้ล" กลยุทธ์ "ความสัมพันธ์คำศัพท์" ใช้การเกิดขึ้นของคำต่างๆเช่น "อุบัติเหตุ" เพื่อประเมินความรู้สึกของเอกสาร แนวทาง NLP ทางสถิติสมัยใหม่สามารถรวมกลยุทธ์เหล่านี้ทั้งหมดเข้าด้วยกันและอื่น ๆ และมักจะบรรลุความแม่นยำที่ยอมรับได้ในระดับหน้าหรือย่อหน้า นอกเหนือจาก NLP เชิงความหมายแล้วเป้าหมายสูงสุดของ NLP แบบ "เล่าเรื่อง" คือการรวบรวมความเข้าใจอย่างถ่องแท้เกี่ยวกับเหตุผลทั่วไป[133]ภายในปี 2019 หม้อแปลงไฟฟ้าสถาปัตยกรรมการเรียนรู้เชิงลึกที่ใช้พื้นฐานสามารถสร้างข้อความที่สอดคล้องกันได้ [134]

การรับรู้

การตรวจจับคุณลักษณะ (ในภาพ: การตรวจจับขอบ ) ช่วยให้ AI สร้างโครงสร้างนามธรรมที่ให้ข้อมูลจากข้อมูลดิบ

การรับรู้ของเครื่องจักร[135]คือความสามารถในการใช้อินพุตจากเซ็นเซอร์ (เช่นกล้อง (สเปกตรัมที่มองเห็นได้หรืออินฟราเรด) ไมโครโฟนสัญญาณไร้สายและไลดาร์ที่ใช้งานโซนาร์เรดาร์และเซ็นเซอร์สัมผัส ) เพื่อสรุปแง่มุมของโลก การประยุกต์ใช้งานรวมถึงการรู้จำเสียงพูด , [136] การจดจำใบหน้าและการรับรู้วัตถุ [137] การ มองเห็นของคอมพิวเตอร์คือความสามารถในการวิเคราะห์การป้อนข้อมูลด้วยภาพ ข้อมูลดังกล่าวมักจะคลุมเครือ คนเดินเท้าขนาดยักษ์สูงห้าสิบเมตรที่อยู่ไกลออกไปอาจสร้างพิกเซลเช่นเดียวกับคนเดินเท้าขนาดปกติที่อยู่ใกล้เคียงซึ่งต้องให้ AI ตัดสินความเป็นไปได้และความสมเหตุสมผลของการตีความที่แตกต่างกันตัวอย่างเช่นโดยใช้ "แบบจำลองวัตถุ" เพื่อประเมินว่า ไม่มีคนเดินเท้าห้าสิบเมตร [138]

การเคลื่อนไหวและการจัดการ

AI ถูกใช้อย่างมากในวิทยาการหุ่นยนต์[139]แขนกลหุ่นยนต์ขั้นสูงและหุ่นยนต์อุตสาหกรรมอื่น ๆ ที่ใช้กันอย่างแพร่หลายในโรงงานสมัยใหม่สามารถเรียนรู้จากประสบการณ์เกี่ยวกับวิธีการเคลื่อนไหวอย่างมีประสิทธิภาพแม้ว่าจะมีแรงเสียดทานและเกียร์ลื่นไถลก็ตาม[140]หุ่นยนต์เคลื่อนที่สมัยใหม่เมื่อได้รับสภาพแวดล้อมที่เล็กนิ่งและมองเห็นได้สามารถระบุตำแหน่งและจัดทำแผนที่สภาพแวดล้อมได้อย่างง่ายดายอย่างไรก็ตามสภาพแวดล้อมแบบไดนามิกเช่น (ในการส่องกล้อง ) ภายในร่างกายที่หายใจของผู้ป่วยก่อให้เกิดความท้าทายมากขึ้นการวางแผนการเคลื่อนไหวคือกระบวนการแบ่งงานการเคลื่อนไหวออกเป็น "แบบดั้งเดิม" เช่นการเคลื่อนไหวร่วมกันของแต่ละบุคคล การเคลื่อนไหวดังกล่าวมักเกี่ยวข้องกับการเคลื่อนไหวที่สอดคล้องกันซึ่งเป็นกระบวนการที่การเคลื่อนไหวจำเป็นต้องรักษาการสัมผัสทางกายภาพกับวัตถุ[141] [142] [143] ความขัดแย้งของ Moravecกล่าวโดยทั่วไปว่าความสามารถในการเซ็นเซอร์ระดับต่ำที่มนุษย์ยอมรับนั้นเป็นสิ่งที่ตรงกันข้ามและยากที่จะตั้งโปรแกรมให้เป็นหุ่นยนต์ Paradox ได้รับการตั้งชื่อตามHans Moravecซึ่งระบุไว้ในปี 1988 ว่า "มันค่อนข้างง่ายที่จะทำให้คอมพิวเตอร์แสดงประสิทธิภาพระดับผู้ใหญ่ในการทดสอบสติปัญญาหรือการเล่นหมากฮอสและยากหรือเป็นไปไม่ได้ที่จะให้ทักษะของเด็กหนึ่งขวบเมื่อมัน มาที่การรับรู้และความคล่องตัว ". [144] [145]นี่เป็นผลมาจากข้อเท็จจริงที่ว่าแตกต่างจากหมากฮอสความชำนาญทางกายภาพเป็นเป้าหมายโดยตรงของการคัดเลือกโดยธรรมชาติเป็นเวลาหลายล้านปี [146]

ความฉลาดทางสังคม

Kismetหุ่นยนต์ที่มีทักษะพื้นฐานทางสังคม[147]

ความขัดแย้งของ Moravec สามารถขยายไปสู่ความฉลาดทางสังคมได้หลายรูปแบบ[148] [149]การประสานงานแบบหลายตัวแทนของยานยนต์อิสระยังคงเป็นปัญหาที่ยากลำบาก[150] ที่ส่งผลต่อการใช้คอมพิวเตอร์เป็นร่มสหวิทยาการว่าระบบประกอบด้วยซึ่งตระหนักตีความกระบวนการหรือมนุษย์จำลองผลกระทบต่อ [151] [152] [153]ความสำเร็จระดับปานกลางที่เกี่ยวข้องกับการประมวลผลเชิงอารมณ์ ได้แก่การวิเคราะห์ความรู้สึกที่เป็นข้อความและเมื่อเร็ว ๆ นี้การวิเคราะห์ผลกระทบต่อเนื่องหลายรูปแบบ (ดูการวิเคราะห์ความรู้สึกหลายรูปแบบ ) โดยที่ AI จะจำแนกประเภทของผลกระทบที่แสดงโดยเรื่องที่บันทึกวิดีโอ[154]

ในระยะยาวทักษะทางสังคมและความเข้าใจในอารมณ์ของมนุษย์และทฤษฎีเกมจะมีประโยชน์ต่อตัวแทนทางสังคม ความสามารถในการทำนายการกระทำของผู้อื่นโดยการเข้าใจแรงจูงใจและสภาวะทางอารมณ์จะทำให้ตัวแทนตัดสินใจได้ดีขึ้น บางระบบคอมพิวเตอร์อารมณ์ของมนุษย์เลียนแบบและการแสดงออกให้ปรากฏความไวต่อการเปลี่ยนแปลงทางอารมณ์ของการปฏิสัมพันธ์ของมนุษย์หรือมิฉะนั้นความสะดวกในการสื่อสารระหว่างมนุษย์กับคอมพิวเตอร์ [155]ในทำนองเดียวกันผู้ช่วยเสมือนบางคนได้รับการตั้งโปรแกรมให้พูดในเชิงสนทนาหรือแม้แต่ล้อเล่นอย่างมีอารมณ์ขัน สิ่งนี้มีแนวโน้มที่จะทำให้ผู้ใช้ไร้เดียงสามีความคิดที่ไม่สมจริงว่าตัวแทนคอมพิวเตอร์ที่มีอยู่นั้นมีความชาญฉลาดเพียงใด [156]

ปัญญาทั่วไป

ในอดีตโครงการต่างๆเช่นฐานความรู้ Cyc (1984–) และการริเริ่มระบบคอมพิวเตอร์ยุคที่ 5 ของญี่ปุ่น(1982–1992) พยายามที่จะครอบคลุมความรู้ความเข้าใจของมนุษย์ในวงกว้าง โครงการแรก ๆ เหล่านี้ล้มเหลวในการหลีกหนีข้อ จำกัด ของแบบจำลองตรรกะเชิงสัญลักษณ์ที่ไม่ใช่เชิงปริมาณและเมื่อมองย้อนกลับไปก็ประเมินความยากลำบากของ AI ข้ามโดเมนต่ำไปมาก ปัจจุบันนักวิจัย AI ในปัจจุบันส่วนใหญ่ทำงานแทนแอปพลิเคชัน "AI แบบแคบ" ที่สามารถเชื่อมต่อได้ (เช่นการวินิจฉัยทางการแพทย์หรือการนำทางรถยนต์) [157]นักวิจัยหลายคนคาดการณ์ว่างาน "AI ที่แคบ" ดังกล่าวในแต่ละโดเมนจะรวมอยู่ในเครื่องที่มีปัญญาประดิษฐ์ทั่วไปในที่สุด(AGI) รวมทักษะแคบ ๆ ส่วนใหญ่ที่กล่าวถึงในบทความนี้และในบางประเด็นก็เกินความสามารถของมนุษย์ในพื้นที่เหล่านี้เกือบทั้งหมดหรือทั้งหมด[26] [158]ความก้าวหน้ามากมายมีความสำคัญโดยทั่วไปข้ามโดเมน ตัวอย่างหนึ่งที่รายละเอียดสูงคือDeepMindในยุค 2010 พัฒนา "ทั่วไปปัญญาประดิษฐ์" ที่สามารถเรียนรู้จำนวนมากที่มีความหลากหลายAtariเกมบนของตัวเองและต่อมาได้รับการพัฒนาที่แตกต่างของระบบที่ประสบความสำเร็จในการเรียนรู้ตามลำดับ [159] [160] [161]นอกจากการถ่ายทอดการเรียนรู้แล้ว[162]นวัตกรรมสมมุติ AGI อาจรวมถึงการพัฒนาของสถาปัตยกรรมสะท้อนแสงที่สามารถมีส่วนร่วมในการตัดสินใจ metareasoning ทฤษฎีและการหาวิธีการ "slurp ขึ้น" ฐานความรู้ที่ครอบคลุมจากที่ไม่มีโครงสร้างทั้งเว็บ [163]บางคนโต้แย้งว่าแนวคิดบางอย่าง (ปัจจุบันยังไม่ได้ค้นพบ) ตรงไปตรงมา แต่ยากทางคณิตศาสตร์ "อัลกอริทึมหลัก" อาจนำไปสู่ ​​AGI [164]ในที่สุดแนวทาง "ฉุกเฉิน" เพียงไม่กี่วิธีที่จะจำลองความฉลาดของมนุษย์อย่างใกล้ชิดมากและเชื่อว่าลักษณะของมนุษย์เช่นสมองเทียมหรือพัฒนาการของเด็กจำลองในสักวันหนึ่งอาจถึงจุดวิกฤตที่ปัญญาทั่วไปปรากฏขึ้น[165][166]

ปัญหาหลายอย่างในบทความนี้อาจต้องใช้หน่วยสืบราชการลับทั่วไปหากเครื่องจักรสามารถแก้ปัญหาได้เช่นเดียวกับที่ผู้คนทำ ตัวอย่างเช่นแม้แต่งานที่ตรงไปตรงมาเฉพาะเจาะจงเช่นการแปลด้วยเครื่องต้องการให้เครื่องอ่านและเขียนในทั้งสองภาษา ( NLP ) ทำตามข้อโต้แย้ง ( เหตุผล ) ของผู้เขียนรู้ว่ากำลังพูดถึงอะไร ( ความรู้ ) และทำซ้ำต้นฉบับของผู้เขียนอย่างซื่อสัตย์ เจตนา ( ความฉลาดทางสังคม ) ปัญหาเช่นการแปลด้วยเครื่องจะถือว่าเป็น " AI-complete " เนื่องจากปัญหาเหล่านี้ทั้งหมดต้องได้รับการแก้ไขพร้อมกันเพื่อให้ได้ประสิทธิภาพของเครื่องในระดับมนุษย์

แนวทาง

ไม่มีทฤษฎีหรือกระบวนทัศน์การรวมที่เป็นหนึ่งเดียวที่เป็นแนวทางในการวิจัย AI นักวิจัยไม่เห็นด้วยในหลายประเด็น [f]คำถามที่มีมายาวนานที่สุดสองสามข้อที่ยังไม่มีคำตอบคือปัญญาประดิษฐ์ควรจำลองความฉลาดทางธรรมชาติโดยการศึกษาจิตวิทยาหรือประสาทชีววิทยาหรือไม่? หรือชีววิทยาของมนุษย์ไม่เกี่ยวข้องกับการวิจัย AI เนื่องจากชีววิทยาของนกเป็นวิศวกรรมการบิน ? [23] สามารถอธิบายพฤติกรรมที่ชาญฉลาดโดยใช้หลักการที่เรียบง่ายและสง่างาม (เช่นตรรกะหรือการเพิ่มประสิทธิภาพ ) ได้หรือไม่? หรือจำเป็นต้องแก้ปัญหาที่ไม่เกี่ยวข้องจำนวนมาก? [24]

ไซเบอร์เนติกส์และการจำลองสมอง

ในปี 1940 และปี 1950 จำนวนของนักวิจัยสำรวจการเชื่อมต่อระหว่างชีววิทยา , ทฤษฎีสารสนเทศและไซเบอร์เนติกส์ บางส่วนของพวกเครื่องที่ใช้เครือข่ายอิเล็กทรอนิกส์ที่จะแสดงปัญญาพื้นฐานเช่นสร้างดับบลิวสีเทาวอลเตอร์ 's เต่าและจอห์นส์ฮอปกินส์สัตว์ นักวิจัยเหล่านี้หลายคนรวมตัวกันเพื่อการประชุมของ Teleological Society ที่Princeton UniversityและRatio Clubในอังกฤษ [168]ในปีพ. ศ. 2503 แนวทางนี้ส่วนใหญ่ถูกละทิ้งแม้ว่าองค์ประกอบต่างๆจะได้รับการฟื้นฟูในช่วงทศวรรษที่ 1980

สัญลักษณ์

เมื่อสามารถเข้าถึงคอมพิวเตอร์ดิจิทัลได้ในช่วงกลางทศวรรษ 1950 การวิจัยของ AI จึงเริ่มสำรวจความเป็นไปได้ที่สติปัญญาของมนุษย์จะลดลงเป็นการจัดการกับสัญลักษณ์ การวิจัยเป็นศูนย์กลางในสามสถาบัน: มหาวิทยาลัย Carnegie Mellon , Stanfordและเอ็มไอทีและตามที่อธิบายไว้ด้านล่างแต่ละคนพัฒนารูปแบบของตัวเองของการวิจัยJohn Haugelandตั้งชื่อแนวทางเชิงสัญลักษณ์เหล่านี้ให้กับ AI ว่า "AI แบบเก่าที่ดี" หรือ " GOFAI " [169]ในช่วงทศวรรษที่ 1960 แนวทางเชิงสัญลักษณ์ประสบความสำเร็จอย่างมากในการจำลอง "การคิด" ระดับสูงในโครงการสาธิตขนาดเล็ก แนวทางที่อิงจากไซเบอร์เนติกส์หรือเครือข่ายประสาทเทียมถูกละทิ้งหรือผลักดันให้อยู่เบื้องหลัง [g] นักวิจัยในทศวรรษ 1960 และ 1970 เชื่อว่าแนวทางเชิงสัญลักษณ์ในที่สุดจะประสบความสำเร็จในการสร้างเครื่องจักรที่มีปัญญาประดิษฐ์ทั่วไปและถือว่านี่คือเป้าหมายของสาขาของพวกเขา

การจำลองความรู้ความเข้าใจ

นักเศรษฐศาสตร์เฮอร์เบิร์ไซมอนและอัลเลน Newellศึกษาทักษะการแก้ปัญหาของมนุษย์และความพยายามที่จะทำพิธีพวกเขาและงานของพวกเขาวางรากฐานของเขตของปัญญาประดิษฐ์เช่นเดียวกับที่วิทยาศาสตร์พุทธิปัญญา , การดำเนินงานวิจัยและวิทยาศาสตร์การจัดการ ทีมวิจัยของพวกเขาใช้ผลการทดลองทางจิตวิทยาเพื่อพัฒนาโปรแกรมที่จำลองเทคนิคที่ผู้คนใช้ในการแก้ปัญหา ประเพณีนี้มีศูนย์กลางอยู่ที่มหาวิทยาลัยคาร์เนกีเมลลอนในที่สุดก็จะสิ้นสุดลงในการพัฒนาสถาปัตยกรรมทะยานในช่วงกลางทศวรรษที่ 1980 [170] [171]

ตามตรรกะ

ต่างจาก Simon และ Newell จอห์นแม็คคาร์ธีรู้สึกว่าเครื่องจักรไม่จำเป็นต้องจำลองความคิดของมนุษย์ แต่ควรพยายามหาสาระสำคัญของการให้เหตุผลเชิงนามธรรมและการแก้ปัญหาแทนโดยไม่คำนึงว่าผู้คนจะใช้อัลกอริทึมเดียวกันหรือไม่[23]ในห้องปฏิบัติการของเขาที่สแตนฟอ ( เรือ ) เน้นการใช้อย่างเป็นทางการตรรกะในการแก้ปัญหาที่หลากหลายของปัญหารวมถึงการแทนความรู้ , การวางแผนและการเรียนรู้ [172]ลอจิกยังเป็นจุดสนใจของงานที่มหาวิทยาลัยเอดินบะระและที่อื่น ๆ ในยุโรปซึ่งนำไปสู่การพัฒนาภาษาโปรแกรมPrologและวิทยาศาสตร์ของโปรแกรมตรรกะ [173]

ต่อต้านตรรกะหรือสกปรก

นักวิจัยจากMIT (เช่นMarvin MinskyและSeymour Papert ) [174]พบว่าการแก้ปัญหาที่ยากลำบากในการมองเห็นและการประมวลผลภาษาธรรมชาตินั้นจำเป็นต้องใช้วิธีแก้ปัญหาแบบเฉพาะกิจ - พวกเขาแย้งว่าไม่มีหลักการง่ายๆ (เช่นตรรกะ ) ที่จะจับทุกแง่มุมของความฉลาด พฤติกรรม. โรเจอร์แชงก์อธิบายของพวกเขา "ต่อต้านตรรกะ" วิธีการเป็น " ยู่ยี่ " (เมื่อเทียบกับ " เรียบร้อยกระบวนทัศน์" ที่มหาวิทยาลัยเชียงใหม่และ Stanford) [24] ฐานความรู้ทั่วไป (เช่นCycของDoug Lenat) เป็นตัวอย่างของ AI ที่ "สกปรก" เนื่องจากต้องสร้างขึ้นด้วยมือทีละแนวคิดที่ซับซ้อน [175]

อิงความรู้

เมื่อคอมพิวเตอร์ที่มีความทรงจำขนาดใหญ่เริ่มใช้งานได้ในราวปี 1970 นักวิจัยจากทั้งสามประเพณีเริ่มสร้างความรู้ให้กับแอปพลิเคชัน AI [176] "การปฏิวัติความรู้" นี้นำไปสู่การพัฒนาและปรับใช้ระบบผู้เชี่ยวชาญ (แนะนำโดยEdward Feigenbaum ) ซึ่งเป็นซอฟต์แวร์ AI รูปแบบแรกที่ประสบความสำเร็จอย่างแท้จริง [52]องค์ประกอบหลักของสถาปัตยกรรมระบบสำหรับระบบผู้เชี่ยวชาญทั้งหมดคือฐานความรู้ซึ่งจัดเก็บข้อเท็จจริงและกฎเกณฑ์ต่างๆที่แสดงให้เห็นถึง AI [177]การปฏิวัติความรู้ยังได้รับแรงผลักดันจากการตระหนักว่าความรู้จำนวนมหาศาลจะต้องใช้โดยแอพพลิเคชั่น AI ง่ายๆจำนวนมาก

สัญลักษณ์ย่อย

โดยปี 1980 ความคืบหน้าในสัญลักษณ์ AI ดูเหมือนจะแผงลอยและหลายคนเชื่อว่าระบบสัญลักษณ์จะไม่สามารถที่จะเลียนแบบกระบวนการทั้งหมดของการรับรู้ของมนุษย์โดยเฉพาะอย่างยิ่งการรับรู้ , หุ่นยนต์, การเรียนรู้และการจดจำรูปแบบ นักวิจัยจำนวนหนึ่งเริ่มมองหาแนวทาง "สัญลักษณ์ย่อย" สำหรับปัญหา AI ที่เฉพาะเจาะจง [25]วิธีการเชิงสัญลักษณ์ย่อยจัดการเพื่อเข้าถึงหน่วยสืบราชการลับโดยไม่มีการนำเสนอความรู้ที่เฉพาะเจาะจง

ปัญญาที่เป็นตัวเป็นตน

ซึ่งรวมถึงการเป็นตัวเป็นตน , อยู่ , พฤติกรรมตามและNouvelle AI นักวิจัยจากสาขาหุ่นยนต์ที่เกี่ยวข้องเช่นRodney Brooksปฏิเสธ AI เชิงสัญลักษณ์และมุ่งเน้นไปที่ปัญหาพื้นฐานทางวิศวกรรมที่จะทำให้หุ่นยนต์เคลื่อนที่และอยู่รอดได้[178]งานของพวกเขาได้ฟื้นฟูมุมมองที่ไม่ใช่สัญลักษณ์ของนักวิจัยไซเบอร์เนติกส์รุ่นแรก ๆของทศวรรษ 1950 และนำทฤษฎีการควบคุมมาใช้ใน AI อีกครั้ง สิ่งนี้เกิดขึ้นพร้อมกับการพัฒนาวิทยานิพนธ์ด้านจิตใจที่เป็นตัวเป็นตนในสาขาที่เกี่ยวข้องกับวิทยาศาสตร์การรับรู้: ความคิดที่ว่าลักษณะต่างๆของร่างกาย (เช่นการเคลื่อนไหวการรับรู้และการมองเห็น) เป็นสิ่งจำเป็นสำหรับสติปัญญาที่สูงขึ้น

ภายในหุ่นยนต์พัฒนาการมีการใช้แนวทางการเรียนรู้เพื่อพัฒนาการเพื่อให้หุ่นยนต์สามารถสะสมทักษะใหม่ ๆ ผ่านการสำรวจตนเองโดยอิสระปฏิสัมพันธ์ทางสังคมกับครูที่เป็นมนุษย์และการใช้กลไกการแนะนำ (การเรียนรู้อย่างกระตือรือร้นการเจริญเติบโตการทำงานร่วมกันของมอเตอร์ ฯลฯ ) [179] [180] [181] [182]

ความฉลาดในการคำนวณและการประมวลผลแบบอ่อน

ความสนใจในโครงข่ายประสาทเทียมและ " การเชื่อมต่อ " ได้รับการฟื้นฟูโดยDavid Rumelhartและคนอื่น ๆ ในช่วงกลางทศวรรษที่ 1980 [183] เครือข่ายประสาทเทียมเป็นตัวอย่างของการประมวลผลแบบอ่อนซึ่งเป็นวิธีการแก้ปัญหาที่ไม่สามารถแก้ไขได้ด้วยความแน่นอนเชิงตรรกะที่สมบูรณ์และวิธีการแก้ปัญหาโดยประมาณมักจะเพียงพอ อื่น ๆคอมพิวเตอร์นุ่มวิธีการ AI รวมถึงระบบเลือน , ทฤษฎีระบบสีเทา , การคำนวณวิวัฒนาการและเครื่องมือทางสถิติจำนวนมาก การประยุกต์ใช้การประมวลผลแบบอ่อนกับ AI ได้รับการศึกษาโดยรวมจากระเบียบวินัยในการคำนวณที่เกิดขึ้นใหม่. [184]

ทางสถิติ

GOFAIแบบดั้งเดิมส่วนใหญ่จมอยู่กับแพตช์เฉพาะกิจไปจนถึงการคำนวณเชิงสัญลักษณ์ที่ทำงานกับโมเดลของเล่นของตัวเอง แต่ล้มเหลวในการสรุปผลในโลกแห่งความเป็นจริง อย่างไรก็ตามในช่วงทศวรรษ 1990 นักวิจัย AI ได้นำเครื่องมือทางคณิตศาสตร์ที่ซับซ้อนมาใช้เช่นแบบจำลอง Markov (HMM) ที่ซ่อนอยู่ทฤษฎีข้อมูลและทฤษฎีการตัดสินใจแบบเบย์เชิงบรรทัดฐานเพื่อเปรียบเทียบหรือรวมสถาปัตยกรรมที่แข่งขันกันเข้าด้วยกัน ภาษาทางคณิตศาสตร์ที่ใช้ร่วมกันอนุญาตให้มีการทำงานร่วมกันในระดับสูงกับสาขาที่เป็นที่ยอมรับมากขึ้น (เช่นคณิตศาสตร์เศรษฐศาสตร์หรือการวิจัยการดำเนินงาน ) [h]เมื่อเทียบกับ GOFAI เทคนิค "การเรียนรู้ทางสถิติ" แบบใหม่เช่น HMM และเครือข่ายประสาทเทียมได้รับความแม่นยำในระดับที่สูงขึ้นในโดเมนที่ใช้งานได้จริงหลายอย่างเช่นการขุดข้อมูลโดยไม่จำเป็นต้องได้รับความเข้าใจเชิงความหมายของชุดข้อมูล ความสำเร็จที่เพิ่มขึ้นจากข้อมูลในโลกแห่งความเป็นจริงนำไปสู่การเน้นที่เพิ่มขึ้นในการเปรียบเทียบวิธีการต่างๆกับข้อมูลการทดสอบที่ใช้ร่วมกันเพื่อดูว่าแนวทางใดทำงานได้ดีที่สุดในบริบทที่กว้างกว่าที่จัดทำโดยโมเดลของเล่นที่แปลกประหลาด การวิจัย AI ได้กลายเป็นมากขึ้นทางวิทยาศาสตร์ปัจจุบันผลลัพธ์ของการทดลองมักจะวัดผลได้อย่างเข้มงวดและบางครั้งก็สามารถทำซ้ำได้ (ด้วยความยากลำบาก) [54] [185]เทคนิคการเรียนรู้ทางสถิติที่แตกต่างกันมีข้อ จำกัด ที่แตกต่างกัน ตัวอย่างเช่น HMM พื้นฐานไม่สามารถจำลองการผสมผสานภาษาธรรมชาติที่เป็นไปได้ไม่สิ้นสุด [186]นักวิจารณ์สังเกตว่าการเปลี่ยนจาก GOFAI เป็นการเรียนรู้ทางสถิติมักเป็นการเปลี่ยนจากAI ที่อธิบายได้ ในการวิจัยของ AGI นักวิชาการบางคนเตือนไม่ให้พึ่งพาการเรียนรู้ทางสถิติมากเกินไปและยืนยันว่าการวิจัยอย่างต่อเนื่องเกี่ยวกับ GOFAI จะยังคงมีความจำเป็นเพื่อให้บรรลุความฉลาดทั่วไป [187] [188]

การบูรณาการแนวทาง

กระบวนทัศน์ตัวแทนอัจฉริยะ
ตัวแทนชาญฉลาดเป็นระบบที่รับรู้สภาพแวดล้อมและใช้เวลาดำเนินการที่เพิ่มโอกาสของการประสบความสำเร็จ ตัวแทนอัจฉริยะที่ง่ายที่สุดคือโปรแกรมที่แก้ปัญหาเฉพาะ ตัวแทนที่ซับซ้อนมากขึ้น ได้แก่ มนุษย์และองค์กรของมนุษย์ (เช่นบริษัท ) กระบวนทัศน์ช่วยให้นักวิจัยสามารถเปรียบเทียบโดยตรงหรือรวมวิธีการต่างๆเข้ากับปัญหาที่แยกได้โดยการถามว่าตัวแทนใดดีที่สุดในการเพิ่ม "ฟังก์ชันเป้าหมาย" ที่กำหนด ตัวแทนที่แก้ไขปัญหาเฉพาะสามารถใช้แนวทางใดก็ได้ที่ได้ผล - ตัวแทนบางตัวเป็นสัญลักษณ์และตรรกะบางส่วนเป็นเครือข่ายประสาทเทียมที่เป็นสัญลักษณ์ย่อยและคนอื่น ๆ อาจใช้แนวทางใหม่ กระบวนทัศน์ยังช่วยให้นักวิจัยมีภาษากลางในการสื่อสารกับสาขาอื่น ๆ เช่นทฤษฎีการตัดสินใจและเศรษฐศาสตร์ซึ่งใช้แนวคิดของตัวแทนนามธรรมด้วย การสร้างตัวแทนที่สมบูรณ์ต้องใช้นักวิจัยในการแก้ไขปัญหาที่เป็นจริงของการบูรณาการ ตัวอย่างเช่นเนื่องจากระบบประสาทสัมผัสให้ข้อมูลที่ไม่แน่นอนเกี่ยวกับสิ่งแวดล้อมระบบการวางแผนจึงต้องสามารถทำงานได้เมื่อมีความไม่แน่นอน กระบวนทัศน์ตัวแทนอัจฉริยะได้รับการยอมรับอย่างกว้างขวางในช่วงปี 1990 [189]
สถาปัตยกรรมตัวแทนและสถาปัตยกรรมทางปัญญา
นักวิจัยได้รับการออกแบบระบบการสร้างระบบอัจฉริยะออกมาจากการมีปฏิสัมพันธ์ตัวแทนอัจฉริยะในหลายระบบตัวแทน [190]ระบบการควบคุมลำดับชั้นให้สะพานเชื่อมระหว่างย่อยสัญลักษณ์ AI ที่ต่ำสุดที่ระดับปฏิกิริยาและแบบดั้งเดิมสัญลักษณ์ AI ในระดับสูงสุดที่ จำกัด ของเวลาที่ผ่อนคลายอนุญาตให้มีการวางแผนและการสร้างแบบจำลองโลก [191]สถาปัตยกรรมทางปัญญาบางอย่างถูกสร้างขึ้นเองเพื่อแก้ปัญหาแคบ ๆ อื่น ๆ เช่นSoarได้รับการออกแบบมาเพื่อเลียนแบบความรู้ความเข้าใจของมนุษย์และเพื่อให้ข้อมูลเชิงลึกเกี่ยวกับสติปัญญาทั่วไป ส่วนขยายที่ทันสมัยของ Soar เป็นระบบอัจฉริยะแบบไฮบริดที่มีส่วนประกอบทั้งสัญลักษณ์และสัญลักษณ์ย่อย[97] [192]

เครื่องมือ

แอพพลิเคชั่น

AI เกี่ยวข้องกับงานทางปัญญาใด ๆ [193]เทคนิคปัญญาประดิษฐ์สมัยใหม่แพร่หลาย[194]และมีจำนวนมากเกินไปที่จะระบุไว้ที่นี่ บ่อยครั้งเมื่อเทคนิคไปสู่การใช้งานหลักก็ไม่ถือว่าเป็นปัญญาประดิษฐ์อีกต่อไป ปรากฏการณ์นี้อธิบายว่าผล AI [195]

ตัวอย่างที่มีรายละเอียดสูงของ AI ได้แก่ ยานยนต์อิสระ (เช่นโดรนและรถยนต์ที่ขับเคลื่อนด้วยตัวเอง ) การวินิจฉัยทางการแพทย์การสร้างงานศิลปะ (เช่นบทกวี) การพิสูจน์ทฤษฎีทางคณิตศาสตร์การเล่นเกม (เช่น Chess หรือ Go) เครื่องมือค้นหา (เช่นGoogle Search ), ผู้ช่วยออนไลน์ (เช่นSiri ), การจดจำรูปภาพในภาพถ่าย, การกรองสแปม, การคาดการณ์ความล่าช้าของเที่ยวบิน, [196]การคาดคะเนการตัดสินของศาล, [197]การกำหนดเป้าหมายโฆษณาออนไลน์, [193] [198] [199]และพลังงาน พื้นที่เก็บข้อมูล[200]

ด้วยเว็บไซต์โซเชียลมีเดียที่แซงหน้าทีวีเป็นแหล่งข่าวสำหรับเยาวชนและองค์กรข่าวต่างหันมาพึ่งพาแพลตฟอร์มโซเชียลมีเดียมากขึ้นในการสร้างการเผยแพร่[201]ผู้เผยแพร่โฆษณารายใหญ่ใช้เทคโนโลยีปัญญาประดิษฐ์ (AI) เพื่อโพสต์เรื่องราวได้อย่างมีประสิทธิภาพมากขึ้นและสร้างปริมาณมากขึ้น การจราจร. [202]

AI ยังสามารถผลิตDeepfakesซึ่งเป็นเทคโนโลยีการปรับเปลี่ยนเนื้อหา ZDNet รายงานว่า "นำเสนอสิ่งที่ไม่ได้เกิดขึ้นจริง" แม้ว่าชาวอเมริกัน 88% เชื่อว่า Deepfakes สามารถก่อให้เกิดอันตรายมากกว่าผลดี แต่มีเพียง 47% เท่านั้นที่เชื่อว่าสามารถกำหนดเป้าหมายได้ ปีแห่งการเลือกตั้งที่เฟื่องฟูยังเปิดให้มีการอภิปรายสาธารณะเกี่ยวกับการคุกคามวิดีโอของสื่อนักการเมืองที่แอบอ้าง [203]

ปรัชญาและจริยธรรม

มีคำถามเชิงปรัชญาสามข้อที่เกี่ยวข้องกับ AI: [204]

  1. ไม่ว่าปัญญาประดิษฐ์ทั่วไปเป็นไปได้; ไม่ว่าเครื่องจักรจะสามารถแก้ปัญหาใด ๆ ที่มนุษย์สามารถแก้ไขได้โดยใช้สติปัญญาหรือมีข้อ จำกัด ที่ยากสำหรับสิ่งที่เครื่องจักรสามารถทำได้
  2. เครื่องจักรอัจฉริยะเป็นอันตรายหรือไม่ มนุษย์จะมั่นใจได้อย่างไรว่าเครื่องจักรทำงานอย่างมีจริยธรรมและถูกใช้อย่างมีจริยธรรม
  3. ไม่ว่าจะเป็นเครื่องที่สามารถมีใจ , สติและจิตในความรู้สึกเดียวกันกับที่มนุษย์ทำ; หากเครื่องจักรสามารถมีความรู้สึกได้และด้วยเหตุนี้จึงสมควรได้รับสิทธิ์บางประการและหากเครื่องจงใจก่อให้เกิดอันตราย

ขีด จำกัด ของปัญญาประดิษฐ์ทั่วไป

“ อนุสัญญาสุภาพ” ของอลันทัวริง
เราไม่จำเป็นต้องตัดสินใจว่าเครื่องจักรสามารถ "คิด"; เราต้องการเพียงแค่ตัดสินใจว่าเครื่องจักรสามารถทำงานได้อย่างชาญฉลาดเหมือนมนุษย์หรือไม่ วิธีการแก้ปัญหาทางปรัชญาที่เกี่ยวข้องกับปัญญาประดิษฐ์นี้เป็นพื้นฐานของการทดสอบทัวริง [205]
ข้อเสนอดาร์ทเมาท์
"ทุกแง่มุมของการเรียนรู้หรือคุณลักษณะอื่น ๆ ของความฉลาดสามารถอธิบายได้อย่างแม่นยำจนสามารถสร้างเครื่องจักรเพื่อจำลองได้" การคาดเดานี้ถูกพิมพ์ในข้อเสนอสำหรับการประชุมดาร์ทเมาท์ปี 2499 [206]
สมมติฐานระบบสัญลักษณ์ทางกายภาพของนิวเวลล์และไซมอน
"ระบบสัญลักษณ์ทางกายภาพมีวิธีการที่จำเป็นและเพียงพอสำหรับการกระทำอัจฉริยะทั่วไป" Newell และ Simon ให้เหตุผลว่าหน่วยสืบราชการลับประกอบด้วยการดำเนินการอย่างเป็นทางการเกี่ยวกับสัญลักษณ์ [207] ฮิวเบิร์ตเดรย์ฟัสให้เหตุผลว่าในทางตรงกันข้ามความเชี่ยวชาญของมนุษย์ขึ้นอยู่กับสัญชาตญาณโดยไม่รู้ตัวมากกว่าการปรุงแต่งสัญลักษณ์ที่มีสติและการมี "ความรู้สึก" ต่อสถานการณ์แทนที่จะเป็นความรู้เชิงสัญลักษณ์อย่างชัดเจน (ดูคำวิจารณ์ AI ของ Dreyfus ) [i] [209]
ข้อโต้แย้งของGödelian
เกอเดลเอง[210] จอห์นลูคัส (ในปี 2504) และโรเจอร์เพนโรส (ในการโต้แย้งที่มีรายละเอียดมากขึ้นตั้งแต่ปี พ.ศ. 2532 เป็นต้นไป) ได้โต้แย้งทางเทคนิคอย่างมากว่านักคณิตศาสตร์ที่เป็นมนุษย์สามารถมองเห็นความจริงของ "งบGödel" ของตนเองได้อย่างสม่ำเสมอดังนั้นจึงมีความสามารถในการคำนวณที่เหนือกว่า ของเครื่องจักรทัวริงเชิงกล [211]อย่างไรก็ตามบางคนไม่เห็นด้วยกับ "ข้อโต้แย้งของGödelian" [212] [213] [214]
การโต้แย้งของสมองเทียม
ข้อโต้แย้งที่ยืนยันว่าสมองสามารถจำลองได้ด้วยเครื่องจักรและเนื่องจากสมองแสดงความฉลาดสมองจำลองเหล่านี้จึงต้องแสดงความฉลาดด้วยเช่นกันเครื่องจักรสามารถฉลาดได้ Hans Moravec , Ray Kurzweilและคนอื่น ๆ ได้โต้แย้งว่าเป็นไปได้ทางเทคโนโลยีที่จะคัดลอกสมองลงในฮาร์ดแวร์และซอฟต์แวร์โดยตรงและการจำลองดังกล่าวจะเหมือนกับต้นฉบับ [165]
ผล AI
สมมติฐานที่อ้างว่าเครื่องจักรมีความฉลาดอยู่แล้วแต่ผู้สังเกตการณ์ไม่สามารถจดจำได้ ตัวอย่างเช่นเมื่อDeep BlueเอาชนะGarry Kasparovด้วยการเล่นหมากรุกเครื่องสามารถอธิบายได้ว่าเป็นการแสดงความฉลาด อย่างไรก็ตามผู้เข้าชมมักจะลดพฤติกรรมของโปรแกรมปัญญาประดิษฐ์โดยการโต้เถียงว่ามันไม่ใช่ปัญญา "ที่แท้จริง" โดยที่ปัญญา "ของจริง" มีผลบังคับใช้ว่าสิ่งที่เครื่องแสดงพฤติกรรมไม่สามารถทำได้

เครื่องจักรที่มีจริยธรรม

เครื่องจักรที่มีความชาญฉลาดมีศักยภาพในการใช้สติปัญญาเพื่อป้องกันอันตรายและลดความเสี่ยงให้เหลือน้อยที่สุด พวกเขาอาจมีความสามารถในการใช้เหตุผลทางจริยธรรมเพื่อเลือกการกระทำของตนในโลกได้ดีขึ้น ด้วยเหตุนี้จึงมีความจำเป็นในการกำหนดนโยบายเพื่อกำหนดนโยบายและควบคุมปัญญาประดิษฐ์และหุ่นยนต์[215]การวิจัยในพื้นที่นี้รวมถึงจริยธรรมเครื่อง , ตัวแทนศีลธรรมเทียม , มิตร AIและอภิปรายต่อการสร้างสิทธิมนุษยชนกรอบยังอยู่ในการเจรจา[216]

Joseph WeizenbaumในสาขาComputer Power and Human Reasonเขียนว่าโดยคำจำกัดความแอปพลิเคชัน AI ไม่สามารถจำลองการเอาใจใส่ของมนุษย์แท้ได้สำเร็จและการใช้เทคโนโลยี AI ในสาขาต่างๆเช่นการบริการลูกค้าหรือจิตบำบัด[j]นั้นเข้าใจผิดอย่างลึกซึ้ง Weizenbaum ยังรู้สึกกังวลว่านักวิจัย AI (และนักปรัชญาบางคน) เต็มใจที่จะมองว่าจิตใจมนุษย์เป็นเพียงโปรแกรมคอมพิวเตอร์ (ตำแหน่งปัจจุบันเรียกว่าcomputationalism ) สำหรับ Weizenbaum ประเด็นเหล่านี้ชี้ให้เห็นว่าการวิจัย AI ลดคุณค่าชีวิตมนุษย์ [218]

ตัวแทนคุณธรรมเทียม

เวนเดลล์วอลลัคนำแนวคิดของตัวแทนศีลธรรมเทียม (AMA) มาใช้ในหนังสือของเขาMoral Machines [219]สำหรับ Wallach แล้ว AMAs ได้กลายเป็นส่วนหนึ่งของแนวการวิจัยของปัญญาประดิษฐ์ตามคำแนะนำของคำถามกลางสองข้อซึ่งเขาระบุว่า "มนุษยชาติต้องการหรือไม่ คอมพิวเตอร์ทำการตัดสินใจทางศีลธรรม " [220]และ" บอท (Ro) สามารถมีคุณธรรมได้จริง ๆ " [221]สำหรับ Wallach คำถามไม่ได้มุ่งเน้นไปที่ประเด็นที่ว่าเครื่องจักรสามารถแสดงให้เห็นถึงความเท่าเทียมกันของพฤติกรรมทางศีลธรรมซึ่งแตกต่างจากข้อ จำกัดที่สังคมอาจวางไว้ในการพัฒนา AMAs [222]

จรรยาบรรณของเครื่องจักร

สาขาจริยธรรมของเครื่องจักรเกี่ยวข้องกับการให้หลักการทางจริยธรรมของเครื่องจักรหรือขั้นตอนในการค้นหาวิธีการแก้ไขประเด็นขัดแย้งทางจริยธรรมที่พวกเขาอาจพบทำให้พวกเขาสามารถทำงานได้อย่างมีความรับผิดชอบทางจริยธรรมผ่านการตัดสินใจทางจริยธรรมของตนเอง[223]ข้อมูลดังกล่าวได้รับการอธิบายไว้ในการประชุมวิชาการ AAAI Fall 2005 เกี่ยวกับจริยธรรมของเครื่องจักร: "งานวิจัยที่ผ่านมาเกี่ยวกับความสัมพันธ์ระหว่างเทคโนโลยีและจริยธรรมส่วนใหญ่มุ่งเน้นไปที่การใช้เทคโนโลยีของมนุษย์อย่างรับผิดชอบและขาดความรับผิดชอบโดยมีคนเพียงไม่กี่คนที่สนใจว่ามนุษย์ควรจะทำอย่างไร ปฏิบัติต่อเครื่องจักรในทุกกรณีมีเพียงมนุษย์เท่านั้นที่มีส่วนร่วมในการให้เหตุผลทางจริยธรรมถึงเวลาแล้วที่จะต้องเพิ่มมิติทางจริยธรรมให้กับเครื่องจักรอย่างน้อยที่สุดการรับรู้ถึงความแตกต่างทางจริยธรรมของพฤติกรรมที่เกี่ยวข้องกับเครื่องจักรตลอดจนการพัฒนาล่าสุดและที่อาจเกิดขึ้นในเครื่องจักร ความเป็นอิสระจำเป็นต้องมีสิ่งนี้ตรงกันข้ามกับการแฮ็กคอมพิวเตอร์ปัญหาเกี่ยวกับคุณสมบัติของซอฟต์แวร์ปัญหาความเป็นส่วนตัวและหัวข้ออื่น ๆ ที่กำหนดไว้ตามจรรยาบรรณคอมพิวเตอร์จริยธรรมของเครื่องเกี่ยวข้องกับพฤติกรรมของเครื่องที่มีต่อผู้ใช้ที่เป็นมนุษย์และเครื่องอื่นการวิจัยด้านจริยธรรมของเครื่องจักรเป็นกุญแจสำคัญในการบรรเทาความกังวลเกี่ยวกับระบบอิสระ - อาจเป็นที่ถกเถียงกันอยู่ว่าความคิดของเครื่องจักรอัตโนมัติที่ไม่มีมิติดังกล่าวเป็นรากฐานของความกลัวทั้งหมดที่เกี่ยวข้องกับความฉลาดของเครื่องจักร นอกจากนี้การตรวจสอบจริยธรรมของเครื่องจักรสามารถช่วยให้ค้นพบปัญหาเกี่ยวกับทฤษฎีทางจริยธรรมในปัจจุบันทำให้ความคิดของเราเกี่ยวกับจริยธรรมก้าวหน้าขึ้น "[224]จริยธรรมของเครื่องจักรบางครั้งเรียกว่าศีลธรรมของเครื่องจักรจริยธรรมเชิงคำนวณหรือศีลธรรมเชิงคำนวณ มุมมองที่หลากหลายของสาขาที่ตั้งขึ้นใหม่นี้สามารถพบได้ใน "Machine Ethics" [223]ฉบับที่รวบรวมจากการประชุม AAAI Fall 2005 Symposium on Machine Ethics [224]

AI ที่ร้ายกาจและเป็นมิตร

นักรัฐศาสตร์Charles T. Rubinเชื่อว่า AI ไม่สามารถออกแบบหรือรับประกันได้ว่าจะมีเมตตากรุณา[225]เขาให้เหตุผลว่า "ความเมตตากรุณาขั้นสูงใด ๆ ที่เพียงพออาจแยกไม่ออกจากความมุ่งร้าย" มนุษย์ไม่ควรถือว่าเครื่องจักรหรือหุ่นยนต์ปฏิบัติต่อเราในทางที่ดีเพราะไม่มีเหตุผลเบื้องต้นที่จะเชื่อว่าพวกเขาจะเห็นอกเห็นใจระบบศีลธรรมของเราซึ่งพัฒนาไปพร้อมกับชีววิทยาเฉพาะของเรา (ซึ่ง AI จะไม่แบ่งปัน) ซอฟต์แวร์ไฮเปอร์อัจฉริยะอาจไม่จำเป็นต้องตัดสินใจที่จะสนับสนุนการดำรงอยู่ของมนุษยชาติอย่างต่อเนื่องและเป็นเรื่องยากอย่างยิ่งที่จะหยุดยั้ง เมื่อเร็ว ๆ นี้หัวข้อนี้ยังได้รับการกล่าวถึงในสิ่งพิมพ์ทางวิชาการว่าเป็นแหล่งที่มาของความเสี่ยงที่แท้จริงต่ออารยธรรมมนุษย์และดาวเคราะห์โลก

ข้อเสนอหนึ่งในการจัดการกับปัญหานี้คือเพื่อให้แน่ใจว่า AI อัจฉริยะโดยทั่วไปตัวแรกคือ ' Friendly AI ' และจะสามารถควบคุม AI ที่พัฒนาในภายหลังได้ บางคนมีคำถามว่าการตรวจสอบแบบนี้สามารถคงอยู่ได้จริงหรือไม่

Rodney Brooksนักวิจัย AI ชั้นนำเขียนว่า“ ฉันคิดว่าเป็นความผิดพลาดที่ต้องกังวลเกี่ยวกับการที่เราพัฒนา AI ที่ชั่วร้ายได้ตลอดเวลาในอีกไม่กี่ร้อยปีข้างหน้าฉันคิดว่าความกังวลเกิดจากข้อผิดพลาดพื้นฐานในการไม่แยกแยะความแตกต่างระหว่างความก้าวหน้าล่าสุดที่แท้จริง ในแง่มุมเฉพาะของ AI และความมหึมาและความซับซ้อนของการสร้างปัญญาเชิงเปลี่ยนแปลงอารมณ์ " [226]

อาวุธประจำตัวที่ร้ายแรงเป็นสิ่งที่น่ากังวล ปัจจุบันประเทศต่างๆกว่า 50 ประเทศกำลังวิจัยหุ่นยนต์ในสนามรบซึ่งรวมถึงสหรัฐอเมริกาจีนรัสเซียและสหราชอาณาจักร หลายคนกังวลเกี่ยวกับความเสี่ยงจาก AI ที่ชาญฉลาดและต้องการ จำกัด การใช้ทหารเทียมและโดรน [227]

สติสัมปชัญญะความรู้สึกและจิตใจ

หากระบบ AI จำลองลักษณะสำคัญทั้งหมดของความฉลาดของมนุษย์ระบบนั้นจะมีความรู้สึกด้วยเช่นกัน - จะมีจิตใจที่มีประสบการณ์ที่มีสติหรือไม่? คำถามนี้เป็นคำถามที่เกี่ยวข้องอย่างใกล้ชิดกับปัญหาปรัชญาเป็นธรรมชาติของจิตสำนึกของมนุษย์ที่เรียกโดยทั่วไปว่าเป็นปัญหาหนักของสติ

สติ

David Chalmersระบุปัญหาสองประการในการทำความเข้าใจจิตใจซึ่งเขาตั้งชื่อว่าปัญหาที่ "ยาก" และ "ง่าย" ของสติ [228]ปัญหาง่ายๆคือการทำความเข้าใจว่าสมองประมวลผลสัญญาณวางแผนและควบคุมพฤติกรรมอย่างไร ปัญหาหนักคือการอธิบายว่าสิ่งนี้รู้สึกอย่างไรหรือทำไมจึงควรรู้สึกเหมือนทุกอย่าง การประมวลผลข้อมูลของมนุษย์นั้นง่ายต่อการอธิบายอย่างไรก็ตามประสบการณ์ส่วนตัวของมนุษย์นั้นยากที่จะอธิบาย

ตัวอย่างเช่นพิจารณาว่าจะเกิดอะไรขึ้นเมื่อมีคนแสดงแถบสีและระบุว่า "มันเป็นสีแดง" ปัญหาง่าย ๆ เพียงแค่ต้องทำความเข้าใจกับเครื่องจักรในสมองที่ทำให้คนรู้ว่าแถบสีเป็นสีแดง ปัญหาที่ยากคือว่าคนที่ยังไม่ทราบอย่างอื่นพวกเขายังรู้ว่าสิ่งที่ดูเหมือนสีแดง (พิจารณาว่าคนตาบอด แต่กำเนิดสามารถรู้ได้ว่ามีบางอย่างเป็นสีแดงโดยไม่รู้ว่าสีแดงมีลักษณะอย่างไร) [k]ทุกคนรู้ว่ามีประสบการณ์ส่วนตัวเพราะพวกเขาทำทุกวัน (เช่นคนที่มองเห็นทุกคนรู้ว่าสีแดงเป็นอย่างไร) ปัญหาหนักคือการอธิบายว่าสมองสร้างขึ้นมาได้อย่างไรทำไมจึงมีอยู่และแตกต่างจากความรู้และด้านอื่น ๆ ของสมองอย่างไร

Computationalism และ functionalism

Computationalism เป็นตำแหน่งในปรัชญาของจิตใจที่ว่าจิตใจของมนุษย์หรือสมองของมนุษย์ (หรือทั้งสองอย่าง) เป็นระบบประมวลผลข้อมูลและการคิดนั้นเป็นรูปแบบหนึ่งของการคำนวณ [229] computationalism ระบุว่าความสัมพันธ์ระหว่างร่างกายและจิตใจเป็นที่คล้ายกันหรือเหมือนกันกับความสัมพันธ์ระหว่างซอฟต์แวร์และฮาร์ดแวร์และดังนั้นจึงอาจจะแก้ปัญหาที่จะมีปัญหาจิตใจร่างกาย ตำแหน่งนี้ปรัชญาได้แรงบันดาลใจจากการทำงานของเอไอวิจัยและองค์ความรู้วิทยาศาสตร์ในปี 1960 และได้รับการเสนอโดยนักปรัชญาเจอร์รีโดร์และฮิลารีพัท

สมมติฐาน AI ที่แข็งแกร่ง

ตำแหน่งทางปรัชญาที่John Searleตั้งชื่อว่า"AI ที่แข็งแกร่ง"กล่าวว่า "คอมพิวเตอร์ที่ตั้งโปรแกรมไว้อย่างเหมาะสมพร้อมอินพุตและเอาต์พุตที่เหมาะสมจะมีความคิดในแง่เดียวกันกับที่มนุษย์มีจิตใจ" [l] Searle ตอบโต้การยืนยันนี้ด้วยข้อโต้แย้งในห้องภาษาจีนของเขาซึ่งขอให้เราดูในคอมพิวเตอร์และพยายามค้นหาว่า "จิตใจ" อาจอยู่ที่ใด [231]

สิทธิของหุ่นยนต์

หากสามารถสร้างเครื่องจักรที่มีความฉลาดได้ก็จะรู้สึกเช่นกัน? ถ้ารู้สึกได้มันมีสิทธิเหมือนมนุษย์หรือไม่? ปัญหานี้ซึ่งปัจจุบันรู้จักกันในชื่อ " สิทธิของหุ่นยนต์ " กำลังอยู่ในการพิจารณาของตัวอย่างเช่นสถาบันเพื่ออนาคตแห่งแคลิฟอร์เนียแม้ว่านักวิจารณ์หลายคนเชื่อว่าการอภิปรายดังกล่าวจะเกิดขึ้นก่อนเวลาอันควร[232] [233]นักวิจารณ์บางคนเกี่ยวกับtranshumanismโต้แย้งว่าสิทธิของหุ่นยนต์ที่สมมุติขึ้นจะอยู่บนสเปกตรัมด้วยสิทธิสัตว์และสิทธิมนุษยชน[234]เรื่องที่จะกล่าวถึงอย่างสุดซึ้งใน 2010 ภาพยนตร์สารคดีPlug & Pray , [235]และสื่อวิทย์ fi หลายอย่างเช่นStar Trek Next Generation พร้อมด้วยตัวละครCommander Dataผู้ต่อสู้โดยถูกถอดชิ้นส่วนเพื่อการวิจัยและต้องการ "กลายเป็นมนุษย์" และโฮโลแกรมของหุ่นยนต์ในยานโวเอเจอร์

Superintelligence

มีข้อ จำกัด ว่าเครื่องจักรอัจฉริยะหรือลูกผสมมนุษย์ - เครื่องจักรสามารถเป็นได้อย่างไร? ความฉลาดเหนือจินตนาการความฉลาดเกินมนุษย์หรือความฉลาดเหนือมนุษย์เป็นตัวแทนสมมุติฐานที่จะมีสติปัญญาเหนือกว่าจิตใจของมนุษย์ที่สว่างไสวและมีพรสวรรค์มากที่สุด Superintelligenceอาจหมายถึงรูปแบบหรือระดับความฉลาดที่ตัวแทนดังกล่าวครอบครอง [158]

ความเป็นเอกฐานทางเทคโนโลยี

หากการวิจัยเรื่องStrong AIทำให้เกิดซอฟต์แวร์ที่ชาญฉลาดเพียงพอก็อาจสามารถตั้งโปรแกรมใหม่และปรับปรุงตัวเองได้ ซอฟต์แวร์ที่ได้รับการปรับปรุงจะดียิ่งขึ้นในการปรับปรุงตัวเองซึ่งนำไปสู่การปรับปรุงตนเองซ้ำ[236]ความฉลาดใหม่นี้สามารถเพิ่มขึ้นอย่างทวีคูณและเหนือกว่ามนุษย์อย่างมาก นักเขียนนิยายวิทยาศาสตร์Vernor Vingeตั้งชื่อสถานการณ์นี้ว่า " singularity " [237]ความเป็นเอกฐานทางเทคโนโลยีคือเมื่อการเร่งความก้าวหน้าของเทคโนโลยีจะทำให้เกิดผลกระทบที่ไม่อาจหลีกเลี่ยงได้ซึ่งปัญญาประดิษฐ์จะเกินขีดความสามารถและการควบคุมทางปัญญาของมนุษย์ดังนั้นการเปลี่ยนแปลงอย่างรุนแรงหรือแม้กระทั่งการสิ้นสุดอารยธรรม เนื่องจากความสามารถของหน่วยสืบราชการลับดังกล่าวอาจไม่สามารถเข้าใจได้ความเป็นเอกฐานทางเทคโนโลยีจึงเกิดขึ้นนอกเหนือจากเหตุการณ์ที่คาดเดาไม่ได้หรือไม่อาจหยั่งรู้ได้ [237] [158]

Ray Kurzweilได้ใช้กฎของ Moore (ซึ่งอธิบายถึงการปรับปรุงเอกซ์โพเนนเชียลอย่างไม่หยุดยั้งในเทคโนโลยีดิจิทัล) เพื่อคำนวณว่าคอมพิวเตอร์เดสก์ท็อปจะมีพลังในการประมวลผลเช่นเดียวกับสมองของมนุษย์ภายในปี 2029 และคาดการณ์ว่าภาวะเอกฐานจะเกิดขึ้นในปี 2045 [237]

Transhumanism

นักออกแบบหุ่นยนต์Hans Moravecนักไซเบอร์เนติกส์Kevin Warwickและนักประดิษฐ์Ray Kurzweilได้คาดการณ์ว่าในอนาคตมนุษย์และเครื่องจักรจะรวมกันเป็นหุ่นยนต์ที่มีความสามารถและทรงพลังมากกว่าทั้งสองอย่าง [238]ความคิดนี้เรียกว่าtranshumanismมีรากในฮักซ์ลีย์และโรเบิร์ต Ettinger

เอ็ดเวิร์ดเฟรดกินให้เหตุผลว่า "ปัญญาประดิษฐ์เป็นขั้นตอนต่อไปในวิวัฒนาการ" ซึ่งเป็นแนวคิดที่เสนอครั้งแรกโดย" ดาร์วินท่ามกลางเครื่องจักร " ของซามูเอลบัตเลอร์ย้อนกลับไปในปีพ. ศ. 2406 และขยายผลโดยจอร์จไดสันในหนังสือชื่อเดียวกันใน พ.ศ. 2541 [239]

ผลกระทบ

ผลกระทบทางเศรษฐกิจในระยะยาวของ AI นั้นไม่แน่นอน จากการสำรวจของนักเศรษฐศาสตร์ที่แสดงให้เห็นความขัดแย้งเกี่ยวกับว่าการใช้งานที่เพิ่มมากขึ้นของหุ่นยนต์และ AI จะทำให้เกิดการเพิ่มขึ้นมากในระยะยาวการว่างงานแต่พวกเขาโดยทั่วไปยอมรับว่ามันอาจจะเป็นประโยชน์สุทธิถ้าผลผลิตกำไรมีการแจกจ่าย [240]การศึกษาในปี 2017 โดยไพร้ซวอเตอร์เฮาส์คูเปอร์สพบว่าสาธารณรัฐประชาชนจีนได้รับประโยชน์สูงสุดจาก AI โดยมี 26,1% ของGDPจนถึงปี 2573 [241]สมุดปกขาวของสหภาพยุโรปในเดือนกุมภาพันธ์ปี 2020 ที่สนับสนุนให้ใช้ปัญญาประดิษฐ์เพื่อประโยชน์ทางเศรษฐกิจซึ่งรวมถึง "การปรับปรุงการดูแลสุขภาพ (เช่นการวินิจฉัยที่แม่นยำยิ่งขึ้นทำให้สามารถป้องกันโรคได้ดีขึ้น) การเพิ่มประสิทธิภาพของการทำฟาร์มการลดการเปลี่ยนแปลงสภาพภูมิอากาศและการปรับตัว [และ] การปรับปรุงประสิทธิภาพของระบบการผลิตผ่านการบำรุงรักษาเชิงคาดการณ์ "พร้อมทั้งรับทราบความเสี่ยงที่อาจเกิดขึ้น[194]

ความสัมพันธ์ระหว่างระบบอัตโนมัติและการจ้างงานที่มีความซับซ้อน แม้ว่าระบบอัตโนมัติจะกำจัดงานเก่า แต่ก็ยังสร้างงานใหม่ผ่านผลกระทบทางเศรษฐกิจระดับจุลภาคและเศรษฐกิจมหภาค[242]ซึ่งแตกต่างจากคลื่นอัตโนมัติก่อนหน้านี้งานระดับกลางจำนวนมากอาจถูกกำจัดโดยปัญญาประดิษฐ์ดิอีโคโนมิสต์ระบุว่า "ความกังวลที่ AI จะทำกับงานปกขาวที่พลังไอน้ำทำกับคนปกสีน้ำเงินในช่วงปฏิวัติอุตสาหกรรม" นั้น "ควรค่าแก่การเอาจริงเอาจัง" [243] การคาดคะเนของความเสี่ยงแตกต่างกันไป; ตัวอย่างเช่น Michael Osborne และCarl Benedikt Freyประเมินว่า 47% ของงานในสหรัฐฯมี "ความเสี่ยงสูง" ของระบบอัตโนมัติที่อาจเกิดขึ้นในขณะที่รายงาน OECD ระบุว่ามีงานในสหรัฐฯเพียง 9% เท่านั้น "มีความเสี่ยงสูง".[244] [245] [246]งานที่มีความเสี่ยงสูงมีตั้งแต่งานพาราไปจนถึงพ่อครัวทำอาหารจานด่วนในขณะที่ความต้องการงานมีแนวโน้มเพิ่มขึ้นสำหรับอาชีพที่เกี่ยวข้องกับการดูแลตั้งแต่การดูแลสุขภาพส่วนบุคคลไปจนถึงนักบวช [247]ผู้เขียนมาร์ตินฟอร์ดและคนอื่น ๆ กล่าวเพิ่มเติมและให้เหตุผลว่างานจำนวนมากเป็นงานประจำซ้ำซากและ (สำหรับ AI) ที่คาดเดาได้ ฟอร์ดเตือนว่างานเหล่านี้อาจเป็นแบบอัตโนมัติในอีกไม่กี่ทศวรรษข้างหน้าและงานใหม่จำนวนมากอาจไม่สามารถ "เข้าถึงได้สำหรับคนที่มีความสามารถโดยเฉลี่ย" แม้ว่าจะมีการฝึกอบรมใหม่ก็ตาม นักเศรษฐศาสตร์ชี้ให้เห็นว่าในอดีตเทคโนโลยีมีแนวโน้มเพิ่มขึ้นแทนที่จะลดการจ้างงานทั้งหมด แต่ยอมรับว่า "เราอยู่ในดินแดนที่ไม่จดที่แผนที่" ด้วย AI [35]

ผลกระทบเชิงลบที่อาจเกิดขึ้นจาก AI และระบบอัตโนมัติเป็นปัญหาสำคัญสำหรับแคมเปญชิงตำแหน่งประธานาธิบดีปี 2020ของAndrew Yangในสหรัฐอเมริกา[248]Irakli Beridze หัวหน้าศูนย์ปัญญาประดิษฐ์และหุ่นยนต์ของ UNICRI องค์การสหประชาชาติได้กล่าวว่า "ฉันคิดว่าแอปพลิเคชันที่เป็นอันตรายสำหรับ AI จากมุมมองของฉันอาจเป็นอาชญากรหรือองค์กรก่อการร้ายขนาดใหญ่ที่ใช้มันเพื่อขัดขวางกระบวนการขนาดใหญ่หรือ เพียงแค่ทำอันตรายเท่านั้น [ผู้ก่อการร้ายอาจก่อให้เกิดอันตราย] ผ่านสงครามดิจิทัลหรืออาจเป็นการผสมผสานระหว่างหุ่นยนต์โดรนกับ AI และสิ่งอื่น ๆ เช่นกันซึ่งอาจเป็นอันตรายจริงๆและแน่นอนความเสี่ยงอื่น ๆ มาจากสิ่งต่างๆเช่น การสูญเสียงานหากเรามีคนจำนวนมากตกงานและไม่หาทางแก้ไขมันจะเป็นอันตรายอย่างยิ่งสิ่งต่างๆเช่นระบบอาวุธอัตโนมัติที่ร้ายแรงควรได้รับการควบคุมอย่างเหมาะสมมิฉะนั้นอาจมีการใช้ในทางที่ผิดได้มาก " [249]

ความเสี่ยงของ AI ที่แคบ

การใช้ปัญญาประดิษฐ์อย่างแพร่หลายอาจส่งผลที่ไม่คาดคิดซึ่งเป็นอันตรายหรือไม่พึงปรารถนา นักวิทยาศาสตร์จากFuture of Life Instituteและคนอื่น ๆ ได้อธิบายเป้าหมายการวิจัยระยะสั้นเพื่อดูว่า AI มีอิทธิพลต่อเศรษฐกิจกฎหมายและจริยธรรมที่เกี่ยวข้องกับ AI อย่างไรและจะลดความเสี่ยงด้านความปลอดภัยของ AI ได้อย่างไร ในระยะยาวนักวิทยาศาสตร์ได้เสนอให้เพิ่มประสิทธิภาพฟังก์ชันต่อไปในขณะที่ลดความเสี่ยงด้านความปลอดภัยที่อาจเกิดขึ้นพร้อมกับเทคโนโลยีใหม่ ๆ [250]

บางคนกังวลเกี่ยวกับอคติของอัลกอริทึมว่าโปรแกรม AI อาจกลายเป็นอคติโดยไม่ได้ตั้งใจหลังจากประมวลผลข้อมูลที่มีอคติ [251] อัลกอริทึมมีการใช้งานมากมายในระบบกฎหมาย ตัวอย่างนี้เป็นCOMPAS , โปรแกรมเชิงพาณิชย์ที่ใช้กันอย่างแพร่หลายโดยศาลสหรัฐเพื่อประเมินโอกาสในการที่จำเลยกลายเป็นrecidivist ProPublicaอ้างว่าระดับความเสี่ยงในการกระทำผิดซ้ำที่กำหนดโดย COMPAS โดยเฉลี่ยของจำเลยผิวดำนั้นสูงกว่าระดับความเสี่ยงโดยเฉลี่ยที่กำหนดโดย COMPAS ของจำเลยผิวขาวอย่างมีนัยสำคัญ [252]

ความเสี่ยงของ AI ทั่วไป

ฟิสิกส์สตีเฟ่นฮอว์คิง , ไมโครซอฟท์ผู้ก่อตั้งบิลเกตส์ , ประวัติอาจารย์Yuval โนอาห์ Harariและสปาก่อตั้งElon Muskได้แสดงความกังวลเกี่ยวกับความเป็นไปได้ที่เอไอจะมีวิวัฒนาการไปยังจุดที่มนุษย์ไม่สามารถควบคุมได้ด้วยฮอว์คิงทฤษฎีที่ว่านี้สามารถ " สะกดท้ายที่สุด ของเผ่าพันธุ์มนุษย์ ”. [253] [254] [255] [256]

การพัฒนาปัญญาประดิษฐ์เต็มรูปแบบสามารถสะกดการสิ้นสุดของเผ่าพันธุ์มนุษย์ได้ เมื่อมนุษย์พัฒนาปัญญาประดิษฐ์แล้วก็จะถอดตัวเองและออกแบบตัวเองใหม่ในอัตราที่เพิ่มขึ้นเรื่อย ๆ มนุษย์ซึ่งถูก จำกัด ด้วยวิวัฒนาการทางชีววิทยาที่ช้าไม่สามารถแข่งขันได้และจะถูกแทนที่ด้วย

-  สตีเฟนฮอว์คิง[257]

ในหนังสือSuperintelligenceของเขาNick Bostromนักปรัชญาให้เหตุผลว่าปัญญาประดิษฐ์จะเป็นภัยคุกคามต่อมนุษยชาติ เขาให้เหตุผลว่า AI ที่ชาญฉลาดเพียงพอหากเลือกการกระทำตามการบรรลุเป้าหมายบางอย่างจะแสดงถึงการบรรจบกันพฤติกรรมเช่นการแสวงหาทรัพยากรหรือการป้องกันตัวเองจากการถูกปิด หากเป้าหมายของ AI นี้ไม่ได้สะท้อนถึงความเป็นมนุษย์อย่างสมบูรณ์ตัวอย่างหนึ่งคือ AI บอกให้คำนวณตัวเลขของ pi ให้ได้มากที่สุด - อาจเป็นอันตรายต่อมนุษยชาติเพื่อให้ได้มาซึ่งทรัพยากรมากขึ้นหรือป้องกันไม่ให้ตัวเองถูกปิดลงในที่สุดเพื่อให้บรรลุเป้าหมายได้ดีขึ้น . Bostrom ยังเน้นย้ำถึงความยากลำบากในการถ่ายทอดคุณค่าของมนุษยชาติไปยัง AI ขั้นสูง เขาใช้ตัวอย่างสมมุติฐานในการให้ AI เป็นเป้าหมายเพื่อทำให้มนุษย์ยิ้มได้เพื่อแสดงให้เห็นถึงความพยายามที่เข้าใจผิด หาก AI ในสถานการณ์นั้นกลายเป็นอัจฉริยะขั้นสูง Bostrom ให้เหตุผลว่าอาจใช้วิธีการที่มนุษย์ส่วนใหญ่พบว่าน่ากลัวเช่นการใส่ "ขั้วไฟฟ้าเข้าไปในกล้ามเนื้อใบหน้าของมนุษย์เพื่อทำให้เกิดรอยยิ้มที่คงที่และยิ้มแย้มแจ่มใส"เพราะนั่นจะเป็นวิธีที่มีประสิทธิภาพในการบรรลุเป้าหมายในการทำให้มนุษย์ยิ้มได้[258] ในหนังสือของเขาชนเข้ากันได้ , AI วิจัยจวร์ตเจรัสเซลสะท้อนบางส่วนของความกังวล Bostrom ในขณะที่ยังมีการเสนอแนวทางในการพัฒนาเครื่องจักรประโยชน์สรรพสิ่งมุ่งเน้นไปที่ความไม่แน่นอนและความเคารพต่อมนุษย์ [259] : 173ที่อาจจะเกี่ยวข้องกับการเรียนรู้การเสริมแรงผกผัน [259] : 191–193

ความกังวลเกี่ยวกับความเสี่ยงจากปัญญาประดิษฐ์ได้นำไปสู่การบริจาคและการลงทุนที่มีรายละเอียดสูง กลุ่ม บริษัท เทคโนโลยีชั้นนำที่มีชื่อเสียง ได้แก่Peter Thiel , Amazon Web Services และ Musk ได้มอบเงิน 1 พันล้านดอลลาร์ให้กับOpenAIซึ่งเป็น บริษัท ที่ไม่แสวงหาผลกำไรที่มุ่งเป้าไปที่การสนับสนุนการพัฒนา AI อย่างมีความรับผิดชอบ[260]ความเห็นของผู้เชี่ยวชาญในสาขาปัญญาประดิษฐ์ผสมกันโดยมีเศษส่วนขนาดใหญ่ทั้งที่เกี่ยวข้องและไม่กังวลกับความเสี่ยงจาก AI ที่มีความสามารถเหนือมนุษย์ในที่สุด[261]ผู้นำในอุตสาหกรรมเทคโนโลยีอื่น ๆ เชื่อว่าปัญญาประดิษฐ์มีประโยชน์ในรูปแบบปัจจุบันและจะช่วยเหลือมนุษย์ต่อไปMark Hurdซีอีโอของ Oracleได้ระบุว่า AI "จะสร้างงานได้มากขึ้นไม่ใช่งานน้อยลง" เนื่องจากมนุษย์จะต้องใช้ในการจัดการระบบ AI [262] Mark Zuckerbergซีอีโอของ Facebook เชื่อว่า AI จะ "ปลดล็อกสิ่งดีๆจำนวนมาก" เช่นการรักษาโรคและเพิ่มความปลอดภัยให้กับรถยนต์ที่เป็นอิสระ[263]ในเดือนมกราคม 2015 Musk บริจาคเงิน 10 ล้านดอลลาร์ให้กับFuture of Life Instituteเพื่อเป็นทุนในการวิจัยเกี่ยวกับการทำความเข้าใจการตัดสินใจของ AI เป้าหมายของสถาบันคือ "เพิ่มพูนภูมิปัญญาโดยที่เราจัดการ" พลังที่เพิ่มขึ้นของเทคโนโลยี Musk ยังให้ทุนแก่ บริษัท ที่พัฒนาปัญญาประดิษฐ์เช่นDeepMindและVicariousเพื่อ "จับตาดูว่าเกิดอะไรขึ้นกับปัญญาประดิษฐ์[264]ฉันคิดว่ามีผลที่เป็นอันตรายอยู่ที่นั่น " [265] [266]

เพื่อให้ตระหนักถึงอันตรายของ AI ขั้นสูงที่ไม่สามารถควบคุมได้ AI ที่สมมุติขึ้นจะต้องเอาชนะหรือคิดเอาเองทั้งหมดของมนุษยชาติซึ่งผู้เชี่ยวชาญส่วนน้อยให้เหตุผลว่ามีความเป็นไปได้มากพอในอนาคตที่จะไม่คุ้มค่ากับการค้นคว้า [267] [268] การตอบโต้อื่น ๆ หมุนรอบตัวมนุษย์ว่ามีคุณค่าจากภายในหรือในเชิงบรรจบกันจากมุมมองของปัญญาประดิษฐ์ [269]

ระเบียบข้อบังคับ

การควบคุมปัญญาประดิษฐ์คือการพัฒนานโยบายและกฎหมายของภาครัฐเพื่อส่งเสริมและควบคุมปัญญาประดิษฐ์ (AI) [270] [271]ดังนั้นจึงเป็นเรื่องที่เกี่ยวข้องกับการที่กว้างขึ้นกฎระเบียบของอัลกอริทึม แนวปฏิบัติด้านกฎระเบียบและนโยบายสำหรับ AI เป็นปัญหาที่เกิดขึ้นใหม่ในเขตอำนาจศาลทั่วโลกรวมถึงในสหภาพยุโรป [272]กฎระเบียบถือเป็นสิ่งที่จำเป็นในการส่งเสริม AI และจัดการความเสี่ยงที่เกี่ยวข้อง [273] [274]กฎระเบียบของ AI ผ่านกลไกต่างๆเช่นคณะกรรมการทบทวนนอกจากนี้ยังสามารถมองเห็นเป็นวิธีการทางสังคมในการเข้าหาปัญหาการควบคุม AI [275]

ในนิยาย

คำว่า "หุ่นยนต์" ได้รับการประกาศเกียรติคุณโดยKarel ČapekในบทละครRURของเขาในปี 1921 ซึ่งเป็นชื่อที่มาจาก "Rossum's Universal Robots"

ความคิดความสามารถในสิ่งมีชีวิตเทียมปรากฏเป็นนิทานอุปกรณ์มาตั้งแต่สมัยโบราณ, [37] และได้รับรูปแบบถาวรในนิยายวิทยาศาสตร์

ธรรมดาเปรียบเทียบในผลงานเหล่านี้เริ่มต้นด้วยแมรีเชลลีย์ 's Frankensteinที่สร้างมนุษย์จะกลายเป็นภัยคุกคามต่อปริญญาโทของมัน ซึ่งรวมถึงผลงานเช่นArthur C. Clarke'sและStanley Kubrick's 2001: A Space Odyssey (ทั้งปี 1968) กับHAL 9000คอมพิวเตอร์สังหารที่รับผิดชอบยานอวกาศDiscovery Oneเช่นเดียวกับThe Terminator (1984) และThe Matrix (1999 ). ในทางตรงกันข้ามหุ่นยนต์ผู้ภักดีที่หายากเช่น Gort จากThe Day the Earth Stood Still (1951) และ Bishop จากAliens (1986) มีความโดดเด่นน้อยกว่าในวัฒนธรรมสมัยนิยม[276]

Isaac Asimov ได้นำเสนอThree Laws of Roboticsในหนังสือและเรื่องราวต่างๆมากมายโดยเฉพาะชุด "Multivac" เกี่ยวกับคอมพิวเตอร์อัจฉริยะที่มีชื่อเดียวกัน กฎหมายของ Asimov มักจะถูกนำมาใช้ในระหว่างการอภิปรายเกี่ยวกับจริยธรรมของเครื่องจักร[277]ในขณะที่นักวิจัยด้านปัญญาประดิษฐ์เกือบทั้งหมดคุ้นเคยกับกฎหมายของ Asimov ผ่านวัฒนธรรมสมัยนิยม แต่โดยทั่วไปแล้วพวกเขาถือว่ากฎหมายนั้นไร้ประโยชน์ด้วยเหตุผลหลายประการซึ่งหนึ่งในนั้นคือความคลุมเครือของพวกเขา[278]

Transhumanism (ผสมของมนุษย์และเครื่องจักร) คือการสำรวจในมังงะ ผีในกะลาและนิยายวิทยาศาสตร์ชุดDuneในช่วงปี 1980 ซีรีส์ Sexy Robots ของศิลปินHajime Sorayamaได้ถูกวาดและตีพิมพ์ในญี่ปุ่นโดยแสดงให้เห็นถึงรูปร่างของมนุษย์ออร์แกนิกที่มีผิวโลหะเหมือนจริงและต่อมาก็มีหนังสือ "the Gynoids" ตามมาซึ่งผู้ผลิตภาพยนตร์ใช้หรือได้รับอิทธิพลเช่นGeorge Lucasและคนอื่น ๆ โฆษณา โซรายามะไม่เคยคิดว่าหุ่นยนต์ออร์แกนิกเหล่านี้เป็นส่วนหนึ่งของธรรมชาติที่แท้จริง แต่มักจะเป็นผลผลิตที่ผิดธรรมชาติของจิตใจมนุษย์ซึ่งเป็นจินตนาการที่มีอยู่ในจิตใจแม้ว่าจะตระหนักในรูปแบบที่แท้จริง

งานหลายชิ้นใช้ AI เพื่อบังคับให้เราเผชิญหน้ากับคำถามพื้นฐานที่ว่าอะไรทำให้เราเป็นมนุษย์แสดงให้เราเห็นสิ่งมีชีวิตเทียมที่มีความสามารถในการรู้สึกและทำให้เราต้องทนทุกข์ทรมาน สิ่งนี้ปรากฏในRURของKarel Čapekภาพยนตร์เรื่องAI Artificial IntelligenceและEx Machinaรวมถึงนวนิยายเรื่องDo Androids Dream of Electric Sheep? โดยฟิลิปเคดิ๊ก ดิ๊กคิดว่าความเข้าใจของเราเกี่ยวกับอัตวิสัยของมนุษย์ถูกเปลี่ยนแปลงโดยเทคโนโลยีที่สร้างขึ้นด้วยปัญญาประดิษฐ์ [279]

ดูสิ่งนี้ด้วย

  • AI ที่เพิ่มขึ้น
  • ปัญหาการควบคุม AI
  • การแข่งขันอาวุธปัญญาประดิษฐ์
  • อัลกอริธึมการเลือกพฤติกรรม
  • ระบบอัตโนมัติของกระบวนการทางธุรกิจ
  • การให้เหตุผลตามกรณี
  • วิทยาศาสตร์พลเมือง
  • อัลกอริทึมฉุกเฉิน
  • เพศหญิงที่ใช้เทคโนโลยี AI
  • คำศัพท์เกี่ยวกับปัญญาประดิษฐ์
  • กฎระเบียบของปัญญาประดิษฐ์
  • กระบวนการอัตโนมัติของหุ่นยนต์
  • ปัญญาสังเคราะห์
  • รายได้พื้นฐานสากล
  • AI ที่อ่อนแอ

บันทึกคำอธิบาย

  1. ^ การกระทำของสเปกผลตอบแทนที่สามารถตัวเองจะเป็นทางการหรือโดยอัตโนมัติกลายเป็น "ฟังก์ชั่นได้รับรางวัล "
  2. ^ ศัพท์แตกต่างกันไป ดูลักษณะเฉพาะขั้นตอนวิธีการ
  3. ^ ช่องโหว่ของฝ่ายตรงข้ามอาจส่งผลให้เกิดระบบที่ไม่เป็นเชิงเส้นหรือจากการรบกวนที่ไม่ใช่รูปแบบ บางระบบมีความเปราะบางมากจนการเปลี่ยนแปลงพิกเซลตรงข้ามเพียงจุดเดียวทำให้เกิดการจัดประเภทที่ไม่ถูกต้อง
  4. ^ อลันทัวริงกล่าวถึงศูนย์กลางของการเรียนรู้ในช่วงต้นปี 1950 ในเอกสารคลาสสิกของเขา "เครื่องจักรคอมพิวเตอร์และปัญญา " [125]ในปีพ. ศ. 2499 ในการประชุมภาคฤดูร้อนของ Dartmouth AI Ray Solomonoffได้เขียนรายงานเกี่ยวกับการเรียนรู้ของเครื่องที่น่าจะเป็นที่ไม่ได้รับการดูแล: "An Inductive Inference Machine" [126]
  5. ^ นี่เป็นรูปแบบหนึ่งของคำจำกัดความของแมชชีนเลิร์นนิงที่ยกมาของ Tom Mitchell : "โปรแกรมคอมพิวเตอร์ได้รับการตั้งค่าให้เรียนรู้จากประสบการณ์ Eเกี่ยวกับงานบางอย่าง Tและการวัดประสิทธิภาพบางอย่าง Pหากประสิทธิภาพของ Tตามที่ Pวัดได้ดีขึ้น ด้วยประสบการณ์ E. "
  6. ^ Nils Nilssonเขียนว่า: "พูดง่ายๆก็คือมีความไม่เห็นด้วยอย่างกว้างขวางในสนามเกี่ยวกับ AI คืออะไร" [167]
  7. ^ กรณีที่น่าทึ่งที่สุดย่อยสัญลักษณ์ AI ถูกผลักลงในพื้นหลังเป็นวิจารณ์การทำลายล้างของเพอร์เซปตรอนโดยมาร์วินมินสกีและ Seymour Papertในปี 1969 ดูประวัติของ AI ,ฤดูหนาว AIหรือแฟรงก์ Rosenblatt [ ต้องการอ้างอิง ]
  8. ^ ในขณะที่ "ชัยชนะของ neats" อาจเป็นผลมาจากการที่ภาคสนามมีความเป็นผู้ใหญ่มากขึ้น AIMAกล่าวว่าในทางปฏิบัติทั้งแนวทางที่เรียบง่ายและไร้เดียงสายังคงมีความจำเป็นในการวิจัย AI
  9. ^ Dreyfus วิพากษ์วิจารณ์เงื่อนไขที่จำเป็นของสมมติฐานระบบสัญลักษณ์ทางกายภาพซึ่งเขาเรียกว่า "สมมติฐานทางจิตวิทยา": "จิตใจสามารถมองได้ว่าเป็นอุปกรณ์ที่ทำงานบนข้อมูลเล็กน้อยตามกฎเกณฑ์ที่เป็นทางการ" [208]
  10. ^ ในช่วงต้นทศวรรษ 1970 Kenneth Colby ได้นำเสนอ ELIZAของ Weizenbaum ที่รู้จักกันในชื่อ DOCTOR ซึ่งเขาส่งเสริมให้เป็นเครื่องมือในการรักษาที่จริงจัง [217]
  11. ^ สิ่งนี้มีพื้นฐานมาจาก Mary's Roomซึ่งเป็นการทดลองทางความคิดที่เสนอโดย Frank Jacksonในปี 1982
  12. ^ เวอร์ชันนี้มาจาก Searle (1999)และยังอ้างถึงใน Dennett 1991 , p. 435 สูตรดั้งเดิมของ Searle คือ "คอมพิวเตอร์ที่ตั้งโปรแกรมอย่างเหมาะสมนั้นเป็นสิ่งสำคัญจริงๆในแง่ที่ว่าคอมพิวเตอร์ที่ได้รับโปรแกรมที่เหมาะสมสามารถพูดได้ตามตัวอักษรว่าเข้าใจและมีสภาวะการรับรู้อื่น ๆ " [230] Strong AI ถูกกำหนดไว้ในทำนองเดียวกันโดย Russell & Norvig (2003 , p. 947): "การยืนยันว่าเครื่องจักรสามารถทำงานได้อย่างชาญฉลาด (หรืออาจจะดีกว่าถ้าทำราวกับว่ามันฉลาด) เรียกว่าสมมติฐาน 'AI ที่อ่อนแอ' โดยนักปรัชญาและการยืนยันว่าเครื่องจักรที่ทำเช่นนั้นกำลังคิดจริง (ซึ่งตรงข้ามกับการจำลองการคิด) เรียกว่าสมมติฐาน 'AI ที่แข็งแกร่ง' "

อ้างอิง

  1. ^ พูล Mackworth & Goebel 1998 , P 1 .
  2. ^ รัสเซลและ Norvig 2003พี 55.
  3. ^ a b c นิยามของ AI เป็นการศึกษาตัวแทนอัจฉริยะ :
    • Poole, Mackworth & Goebel (1998)ซึ่งมีเวอร์ชันที่ใช้ในบทความนี้ ผู้เขียนเหล่านี้ใช้คำว่า "ปัญญาเชิงคำนวณ" เป็นคำพ้องความหมายของปัญญาประดิษฐ์ [1]
    • Russell & Norvig (2003) (ซึ่งชอบคำว่า "ตัวแทนที่มีเหตุผล") และเขียนว่า "มุมมองทั้งตัวแทนได้รับการยอมรับอย่างกว้างขวางในสาขานี้แล้ว" [2]
    • ค๊อ 1998
    • Legg & Hutter 2007
  4. ^ รัสเซลและ Norvig 2009พี 2.
  5. ^ McCorduck 2004พี 204
  6. ^ Maloof, Mark "ปัญญาประดิษฐ์:. บทนำพี 37" (PDF) georgetown.edu . ที่เก็บถาวร (PDF)จากต้นฉบับเมื่อ 25 สิงหาคม 2018
  7. ^ "วิธี AI กำลังจะเฮ่การเปลี่ยนแปลงในความสามารถการบริหารจัดการทรัพยากรบุคคลและเทค" Hackernoon ที่เก็บถาวรจากเดิมเมื่อวันที่ 11 กันยายน 2019 สืบค้นเมื่อ14 กุมภาพันธ์ 2563 .
  8. ^ Schank โรเจอร์ C. (1991) "ไออยู่ไหน". นิตยสาร AI ฉบับ. 12 เลขที่ 4. หน้า 38.
  9. ^ รัสเซลและ Norvig 2009
  10. ^ "AlphaGo - กูเกิลดีปไมด์" สืบค้นจากต้นฉบับเมื่อ 10 มีนาคม 2559.
  11. ^ a b โบว์ลิ่งไมเคิล; เบิร์ช, นีล; โยฮันสัน, ไมเคิล; Tammelin, Oskari (9 มกราคม 2558). "หัวขึ้นโป๊กเกอร์ขีด จำกัด Hold'em จะแก้ไข" วิทยาศาสตร์ . 347 (6218): 145–149 รหัสไปรษณีย์ : 2015Sci ... 347..145B . ดอย : 10.1126 / science.1259433 . ISSN 0036-8075 PMID 25574016 . S2CID 3796371   
  12. ^ Allen, Gregory (เมษายน 2020) “ Department of Defense Joint AI Center - ความเข้าใจเทคโนโลยี AI” (PDF) . AI.mil - เว็บไซต์อย่างเป็นทางการของกระทรวงกลาโหมร่วมประดิษฐ์ Intelligence Center เก็บถาวร(PDF)จากเดิมในวันที่ 21 เมษายน 2020 สืบค้นเมื่อ25 เมษายน 2563 .
  13. ^ a b การ มองโลกในแง่ดีของ AI ยุคแรก: * อ้างของHerbert Simon : Simon 1965 , p. 96 อ้างในCrevier 1993 , p. 109. * คำพูดของMarvin Minsky : Minsky 1967 , p. 2 อ้างในCrevier 1993 , p. 109.
  14. ^ ขค บูม 1980: การเพิ่มขึ้นของระบบผู้เชี่ยวชาญ , โครงการรุ่นที่ห้า , Alvey , MCC , SCI : * McCorduck 2004 ., PP 426-441 * Crevier 1993 ., PP 161-162,197-203, 211, 240 * รัสเซล & นอร์วิก 2003 , p. 24 * NRC 1999 , หน้า 210–211 * Newquist 1994 , หน้า 235–248
  15. ^ a b First AI Winter , Mansfield Amendment , Lighthill report * Crevier 1993 , pp. 115–117 * Russell & Norvig 2003 , p. 22 * NRC 1999 , หน้า 212–213 * Howe 1994 * Newquist 1994 , หน้า 189–201
  16. ^ a b ฤดูหนาว AIที่สอง: * McCorduck 2004 , หน้า 430–435 * Crevier 1993 , หน้า 209–210 * NRC 1999 , หน้า 214–216 * Newquist 1994 , หน้า 301–318
  17. ^ a b c AI ประสบความสำเร็จอย่างมหาศาลในต้นศตวรรษที่ 21 * Clark 2015b
  18. ^ Haenlein ไมเคิล; Kaplan, Andreas (2019). "บทสรุปประวัติความเป็นมาของปัญญาประดิษฐ์: ในอดีตปัจจุบันและอนาคตของปัญญาประดิษฐ์" ทบทวนการบริหารจัดการของรัฐแคลิฟอร์เนีย 61 (4): 5–14. ดอย : 10.1177 / 0008125619864925 . ISSN 0008-1256 S2CID 199866730 .  
  19. ^ a b Pamela McCorduck (2004 , p. 424) เขียนถึง "การแตกละเอียดของ AI ในฟิลด์ย่อย - การมองเห็นภาษาธรรมชาติทฤษฎีการตัดสินใจอัลกอริธึมทางพันธุกรรมหุ่นยนต์ ... และสิ่งเหล่านี้มีฟิลด์ย่อยของตัวเองซึ่งแทบจะไม่มี มีอะไรจะพูดกัน”
  20. ^ a b c รายการลักษณะที่ชาญฉลาดนี้อ้างอิงจากหัวข้อที่ครอบคลุมโดยตำรา AI หลัก ๆ ได้แก่ * Russell & Norvig 2003 * Luger & Stubblefield 2004 * Poole, Mackworth & Goebel 1998 * Nilsson 1998
  21. ^ Kolata 1982
  22. ^ ชง 2006
  23. ^ a b c ความฉลาดทางชีวภาพกับความฉลาดโดยทั่วไป:
    • รัสเซลและ Norvig 2003 , PP. 2-3 ที่ทำให้คล้ายคลึงกับวิศวกรรมการบิน
    • McCorduck 2004 , pp. 100–101 ซึ่งเขียนว่ามี "ปัญญาประดิษฐ์ 2 สาขาใหญ่ ๆ คือสาขาหนึ่งมุ่งเป้าไปที่การสร้างพฤติกรรมที่ชาญฉลาดโดยไม่คำนึงว่าจะบรรลุผลสำเร็จอย่างไรและอีกสาขาหนึ่งมุ่งเป้าไปที่การสร้างแบบจำลองกระบวนการอัจฉริยะที่พบในธรรมชาติโดยเฉพาะอย่างยิ่งมนุษย์ .”
    • Kolata 1982บทความในScienceซึ่งอธิบายถึงความไม่สนใจของ McCarthyต่อแบบจำลองทางชีววิทยา Kolata อ้างคำพูดของ McCarthy ว่าเป็นงานเขียน: "นี่คือ AI ดังนั้นเราจึงไม่สนใจว่ามันเป็นเรื่องจริงในทางจิตวิทยาหรือไม่" [21]เมื่อเร็ว ๆ นี้แม็คคาร์ธีกล่าวย้ำจุดยืนของเขาในการประชุมAI @ 50ซึ่งเขากล่าวว่า "ปัญญาประดิษฐ์ไม่ใช่การจำลองปัญญาของมนุษย์ [22]
  24. ^ a b c Neats vs. scruffies : * McCorduck 2004 , pp. 421–424, 486–489 * Crevier 1993 , p. 168 * ค๊ 1983 , หน้า 10–11
  25. ^ a b Symbolic vs. sub-symbolic AI: * Nilsson (1998 , p. 7) ซึ่งใช้คำว่า "sub-symbolic"
  26. ^ a b หน่วยสืบราชการลับทั่วไป ( AI ที่แข็งแกร่ง ) ถูกกล่าวถึงในบทนำที่เป็นที่นิยมสำหรับ AI: * Kurzweil 1999และKurzweil 2005
  27. ^ ดูข้อเสนอของดาร์ทเมาท์ภายใต้ปรัชญาด้านล่าง
  28. ^ McCorduck 2004พี 34.
  29. ^ McCorduck 2004พี xviii.
  30. ^ McCorduck 2004พี 3.
  31. ^ McCorduck 2004 , PP. 340-400
  32. ^ นี้เป็นความคิดกลางของพาเมลาแมคคอร์ดัก 's เครื่องที่คิด เธอเขียน:
    • "ฉันชอบคิดว่าปัญญาประดิษฐ์คือการทำลายล้างทางวิทยาศาสตร์ของประเพณีทางวัฒนธรรมที่น่าเคารพ" [28]
    • "ปัญญาประดิษฐ์ในรูปแบบใดรูปแบบหนึ่งเป็นความคิดที่แพร่กระจายไปทั่วประวัติศาสตร์ทางปัญญาของตะวันตกซึ่งเป็นความฝันที่จำเป็นเร่งด่วนในการรับรู้" [29]
    • "ประวัติศาสตร์ของเราเต็มไปด้วยความพยายามไม่ว่าจะเป็นเรื่องน่าขนลุกน่าขนลุกตลกจริงจังเป็นตำนานและเป็นเรื่องจริง - เพื่อสร้างปัญญาประดิษฐ์สร้างสิ่งที่จำเป็นสำหรับเราขึ้นมาใหม่โดยหลีกเลี่ยงวิธีการธรรมดาไปมาระหว่างตำนานกับความเป็นจริงจินตนาการของเราให้สิ่งที่ การประชุมเชิงปฏิบัติการของเราไม่สามารถทำได้เรามีส่วนร่วมเป็นเวลานานในรูปแบบการทำสำเนาตัวเองที่แปลกประหลาดนี้ " [30]
    เธอติดตามความปรารถนากลับไปสู่รากเหง้าของขนมผสมน้ำยาและเรียกสิ่งนี้ว่า "ปลอมแปลงเทพเจ้า" [31]
  33. ^ "สตีเฟนฮอว์คิงเชื่อ AI อาจจะเป็นมนุษย์ของความสำเร็จที่ผ่านมา" BetaNews 21 ตุลาคม 2559. สืบค้นเมื่อ 28 สิงหาคม 2560.
  34. ^ Lombardo P, Boehm ผม Nairz K (2020) "RadioComics - ซานตาคลอสและอนาคตของรังสี" Eur J Radiol 122 (1): 108771. ดอย : 10.1016 / j.ejrad.2019.108771 PMID 31835078 
  35. ^ a b ฟอร์ดมาร์ติน; Colvin, Geoff (6 กันยายน 2558). "หุ่นยนต์จะสร้างงานมากกว่าที่พวกเขาทำลายหรือไม่" . เดอะการ์เดียน . สืบค้นจากต้นฉบับเมื่อวันที่ 16 มิถุนายน 2018 . สืบค้นเมื่อ13 มกราคม 2561 .
  36. ^ a b แอปพลิเคชัน AI ที่ใช้กันอย่างแพร่หลายในเบื้องหลัง: * Russell & Norvig 2003 , p. 28 * Kurzweil 2005 , หน้า 265 * NRC 1999 , หน้า 216–222 * Newquist 1994 , หน้า 189–201
  37. ^ a b AI ในตำนาน: * McCorduck 2004 , หน้า 4–5 * Russell & Norvig 2003 , p. 939
  38. ^ AI ในนิยายวิทยาศาสตร์ยุคแรก * McCorduck 2004 , หน้า 17–25
  39. ^ การ ให้เหตุผลอย่างเป็นทางการ: * Berlinski, David (2000) จุติของอัลกอริทึม หนังสือ Harcourt ISBN 978-0-15-601391-8. OCLC  46890682 สืบค้นจากต้นฉบับเมื่อ 26 กรกฎาคม 2020 . สืบค้นเมื่อ22 สิงหาคม 2563 .
  40. ^ Turing, Alan (1948), "Machine Intelligence", ใน Copeland, B. Jack (ed.), The Essential Turing: แนวคิดที่ก่อให้เกิดยุคคอมพิวเตอร์ออกซ์ฟอร์ด: Oxford University Press, p. 412, ISBN 978-0-19-825080-7
  41. ^ รัสเซลและ Norvig 2009พี 16.
  42. ^ Dartmouth conference : * McCorduck 2004 , pp. 111–136* Crevier 1993 , pp. 47–49 ซึ่งเขียนว่า "การประชุมนี้ได้รับการยอมรับโดยทั่วไปว่าเป็นวันเกิดอย่างเป็นทางการของวิทยาศาสตร์ใหม่" *รัสเซลและนอร์วิก 2003 , p. 17ที่เรียกการประชุมว่า "กำเนิดปัญญาประดิษฐ์" * NRC 2542 , หน้า 200–201
  43. ^ แมคคาร์, จอห์น (1988) "การทบทวนคำถามของปัญญาประดิษฐ์ " พงศาวดารของประวัติศาสตร์ของคอมพิวเตอร์ 10 (3): 224–229.รวบรวมในMcCarthy, John (1996) "10. การทบทวนคำถามของปัญญาประดิษฐ์ " ทุ่มวิจัยไอ: คอลเลกชันของบทความและความคิดเห็น CSLI, หน้า 73, "[O] เหตุผลในการคิดค้นคำว่า" ปัญญาประดิษฐ์ "คือการหลีกเลี่ยงการเชื่อมโยงกับ" ไซเบอร์เนติกส์ "ความเข้มข้นของคำติชมแบบอะนาล็อกดูเหมือนจะเข้าใจผิดและฉันต้องการหลีกเลี่ยงที่จะยอมรับ Norbert (ไม่ใช่ Robert) Wiener เป็นกูรูหรือต้องเถียงเขา”
  44. ^ ผู้เข้าร่วมการประชุม Dartmouth: * Russell & Norvig 2003 , p. 17ที่เขียนว่า "อีก 20 ปีข้างหน้าสนามจะถูกครอบงำโดยคนเหล่านี้และนักเรียนของพวกเขา" * McCorduck 2004 , หน้า 129–130
  45. ^ รัสเซลและ Norvig 2003พี 18: "มันน่าประหลาดใจทุกครั้งที่คอมพิวเตอร์ทำอะไรที่ฉลาด"
  46. ^ Schaeffer เจ (2009) ซามูเอลไม่ได้แก้เกมที่ ?. ใน: One Jump Ahead สปริงเกอร์บอสตันแมสซาชูเซตส์
  47. ^ ซามูเอลอัล (กรกฎาคม 1959) "การศึกษาบางอย่างในการเรียนรู้ของเครื่องโดยใช้เกมหมากฮอส" วารสารการวิจัยและพัฒนาของไอบีเอ็ม . 3 (3): 210–229. CiteSeerX 10.1.1.368.2254ดอย : 10.1147 / rd.33.0210 . 
  48. ^ "ปีทอง " ของ AI (โปรแกรมการใช้เหตุผลเชิงสัญลักษณ์ที่ประสบความสำเร็จในปี 2499-2516): * McCorduck 2004 , หน้า 243–252* Crevier 1993 , หน้า 52–107 * Moravec 1988 , p. 9 *รัสเซลและ Norvig 2003 , PP. 18-21โปรแกรมอธิบายเป็นอาร์เธอร์ซามูเอล 'โปรแกรมหมากฮอส s สำหรับ IBM 701 ,แดเนียล Bobrow ' s STUDENT , Newellและไซมอนของลอจิกทฤษฎีและเทอร์รี่ Winograd 'sSHRDLU
  49. ^ DARPAทุ่มเงินให้กับการวิจัยบริสุทธิ์ที่ไม่ได้ชี้นำสู่ AI ในช่วงทศวรรษที่ 1960: * McCorduck 2004 , p. 131* Crevier 1993 , หน้า 51, 64–65 * NRC 1999 , หน้า 204–205
  50. ^ AI ในอังกฤษ: * Howe 1994
  51. ^ ไลท์ฮิลล์ 1973
  52. ^ a b ระบบผู้เชี่ยวชาญ: * ACM 1998 , I.2.1 * Russell & Norvig 2003 , หน้า 22–24 * Luger & Stubblefield 2004 , หน้า 227–331 * Nilsson 1998 , chpt. 17.4 * McCorduck 2004 , หน้า 327–335, 434–435 * Crevier 1993 , หน้า 145–62, 197–203 * Newquist 1994 , หน้า 155–183
  53. ^ มธุรสช่างแกะก.; อิสมาอิลโมฮัมเหม็ด (8 พฤษภาคม 2532). อะนาล็อก VLSI การดำเนินงานของระบบประสาท (PDF) ซีรี่ส์นานาชาติ Kluwer ในสาขาวิศวกรรมศาสตร์และวิทยาการคอมพิวเตอร์ 80 . Norwell, MA: Kluwer วิชาการสำนักพิมพ์ ดอย : 10.1007 / 978-1-4613-1639-8 . ISBN  978-1-4613-1639-8. ที่เก็บไว้จากเดิม (PDF)เมื่อวันที่ 6 พฤศจิกายน 2019 สืบค้นเมื่อ24 มกราคม 2563 .
  54. ^ a b ควรใช้ วิธีการที่เป็นทางการแล้ว ("Victory of the neats "): * Russell & Norvig 2003 , pp. 25–26 * McCorduck 2004 , pp. 486–487
  55. ^ McCorduck 2004 , PP. 480-483
  56. ^ Markoff 2011
  57. ^ "ถามผู้เชี่ยวชาญด้าน AI: ความก้าวหน้าของ AI ในปัจจุบันคืออะไร" . McKinsey & Company สืบค้นจากต้นฉบับเมื่อวันที่ 13 เมษายน 2018 . สืบค้นเมื่อ13 เมษายน 2561 .
  58. ^ Fairhead แฮร์รี่ (26 มีนาคม 2011) [Update 30 มีนาคม 2011] "Kinect ของ AI ก้าวหน้าอธิบาย" ฉันโปรแกรมเมอร์ สืบค้นจากต้นฉบับเมื่อวันที่ 1 กุมภาพันธ์ 2559.
  59. ^ Rowinski แดน (15 มกราคม 2013) "ผู้ช่วยส่วนตัวเสมือนและอนาคตของมาร์ทโฟนของคุณ [Infographic]" ReadWrite สืบค้นเมื่อ 22 ธันวาคม 2558.
  60. ^ "ปัญญาประดิษฐ์: AlphaGo ของ Google เต้นต้นแบบไปอีเซดอล" ข่าวบีบีซี . 12 มีนาคม 2559. สืบค้นเมื่อ 26 สิงหาคม 2559 . สืบค้นเมื่อ1 ตุลาคม 2559 .
  61. ^ ซ์เคด (27 พฤษภาคม 2017) "หลังจากที่ชนะในประเทศจีนออกแบบ AlphaGo ของ AI สำรวจใหม่" อินเทอร์เน็ตแบบใช้สาย สืบค้นจากต้นฉบับเมื่อวันที่ 2 มิถุนายน 2017.
  62. ^ "การให้คะแนนของโลกไปเล่น" พฤษภาคม 2017. สืบค้นเมื่อวันที่ 1 เมษายน 2017.
  63. ^ "柯洁迎 19 岁生日雄踞人类世界排名第一已两年" (ในภาษาจีน). พฤษภาคม 2017 เก็บจากต้นฉบับเมื่อวันที่ 11 สิงหาคม 2017.
  64. ^ "MuZero: Mastering Go, หมากรุก, shogi และ Atari ไม่มีกฎ" Deepmind . สืบค้นเมื่อ1 มีนาคม 2564 .
  65. ^ สตีเวนโบโรวีค; Tracey Lien (12 มีนาคม 2559). "AlphaGo เต้นมนุษย์แชมป์ไปในขั้นสำหรับปัญญาประดิษฐ์" ลอสแองเจลิสไทม์ส . สืบค้นเมื่อ13 มีนาคม 2559 .
  66. ^ ซิลเวอร์เดวิด ; ฮิวเบิร์ต, โทมัส; ชริตต์ไวเซอร์, จูเลียน; อันโตกลู, อิโออันนิส; ลาย, แมทธิว; เกซ, อาเธอร์; แลงค็อต, มาร์ก; ซิเฟร, ลอเรนท์; คุมารัน, ดาร์ชาน; Graepel, Thore; ลิลลิแคปทิโมธี; Simonyan, กะเหรี่ยง; Hassabis, Demis (7 ธันวาคม 2018). "เสริมทั่วไปขั้นตอนวิธีการเรียนรู้ที่โทหมากรุก, shogi และผ่านตัวเองเล่น" วิทยาศาสตร์ . 362 (6419): 1140–1144 รหัสไปรษณีย์ : 2018Sci ... 362.1140S . ดอย : 10.1126 / science.aar6404 . PMID 30523106 
  67. ^ Schrittwieser จูเลียน; อันโตกลู, อิโออันนิส; ฮิวเบิร์ต, โทมัส; Simonyan, กะเหรี่ยง; ซิเฟร, ลอเรนท์; ชมิตต์, ไซมอน; เกซ, อาเธอร์; ล็อกฮาร์ตเอ็ดเวิร์ด; ฮัสซาบิส, เดมิส; Graepel, Thore; Lillicrap, Timothy (23 ธันวาคม 2020). "Mastering Atari ไปหมากรุกและ shogi โดยการวางแผนที่มีรูปแบบการเรียนรู้" ธรรมชาติ . 588 (7839): 604–609 arXiv : 1911.08265 Bibcode : 2020Natur.588..604S . ดอย : 10.1038 / s41586-020-03051-4 . ISSN 1476-4687 PMID 33361790 S2CID 208158225   
  68. ^ ตุง, เลี่ยม. "ปัญญาประดิษฐ์ DeepMind เอซของ Google ท้าทายการเล่นเกมอาตาริ" ZDNet สืบค้นเมื่อ1 มีนาคม 2564 .
  69. ^ Solly, Meilan "นี่เล่นโป๊กเกอร์ AI รู้ว่าเมื่อใดจะถือ 'em และเมื่อการพับให้หมด" สมิ ธ โซเนียน . Pluribus ได้นำเสนอผู้เชี่ยวชาญด้านโป๊กเกอร์ในซีรีส์เกม Texas Hold'em แบบไม่ จำกัด จำนวนผู้เล่นหกคนซึ่งบรรลุความสำเร็จในการวิจัยปัญญาประดิษฐ์ เป็นบอทตัวแรกที่เอาชนะมนุษย์ในการแข่งขันแบบผู้เล่นหลายคนที่ซับซ้อน
  70. ^ a b คลาร์ก 2015b . "หลังจากครึ่งทศวรรษแห่งความก้าวหน้าอย่างเงียบ ๆ ในปัญญาประดิษฐ์ปี 2015 เป็นปีที่สำคัญคอมพิวเตอร์ฉลาดขึ้นและเรียนรู้ได้เร็วกว่าที่เคย"
  71. ^ "Reshaping ธุรกิจด้วยปัญญาประดิษฐ์" MIT Sloan ทบทวนการบริหารจัดการ สืบค้นจากต้นฉบับเมื่อวันที่ 19 พฤษภาคม 2018 . สืบค้นเมื่อ2 พฤษภาคม 2561 .
  72. ^ Lorica เบน (18 ธันวาคม 2017) "สถานะของการนำ AI มาใช้" . O'Reilly สื่อ สืบค้นจากต้นฉบับเมื่อวันที่ 2 พฤษภาคม 2018 . สืบค้นเมื่อ2 พฤษภาคม 2561 .
  73. ^ อัลเลน, เกรกอรี่ (6 กุมภาพันธ์ 2019) “ ทำความเข้าใจกลยุทธ์ AI ของจีน” . ศูนย์รักษาความปลอดภัยใหม่อเมริกัน สืบค้นจากต้นฉบับเมื่อวันที่ 17 มีนาคม 2019
  74. ^ "ทบทวน | วิธีมหาอำนาจทั้งสอง AI - สหรัฐฯและจีน - การต่อสู้เพื่ออำนาจสูงสุดในสนาม" วอชิงตันโพสต์ 2 พฤศจิกายน 2018. สืบค้นเมื่อวันที่ 4 พฤศจิกายน 2018 . สืบค้นเมื่อ4 พฤศจิกายน 2561 .
  75. ^ Anadiotis จอร์จ (1 ตุลาคม 2020) "รัฐของ AI ในปี 2020: ประชาธิปไตยอุตสาหกรรมและวิธีการทั่วไปปัญญาเทียม" ZDNet สืบค้นเมื่อ1 มีนาคม 2564 .
  76. ^ เฮลธ์, นิค (11 ธันวาคม 2020) "อะไรคือ AI? ทุกสิ่งที่คุณจำเป็นต้องรู้เกี่ยวกับปัญญาประดิษฐ์" ZDNet สืบค้นเมื่อ1 มีนาคม 2564 .
  77. ^ Kaplan, Andreas; Haenlein, Michael (1 มกราคม 2019). "สิริสิริในมือฉัน: ใครคือผู้ที่ยุติธรรมที่สุดในแผ่นดินเกี่ยวกับการตีความภาพประกอบและผลกระทบของปัญญาประดิษฐ์" เปิดโลกทัศน์ธุรกิจ 62 (1): 15–25. ดอย : 10.1016 / j.bushor.2018.08.004 .
  78. ^ Domingos 2015 , บทที่ 5
  79. ^ Domingos 2015 , บทที่ 7
  80. ^ Lindenbaum เมตร Markovitch เอส & Rusakov, D. (2004) การสุ่มตัวอย่างแบบเลือกสำหรับลักษณนามเพื่อนบ้านที่ใกล้ที่สุด แมชชีนเลิร์นนิง, 54 (2), 125–152
  81. ^ Domingos 2015 , บทที่ 1
  82. ^ a b Intractability and efficiency and the Combinatorial Explosion : * Russell & Norvig 2003 , pp. 9, 21–22
  83. ^ Domingos 2015 , บทที่ 2 บทที่ 3
  84. ^ ฮาร์ท, PE; Nilsson, NJ; ราฟาเอลบี. (2515). "การแก้ไขเป็น" พื้นฐานอย่างเป็นทางการสำหรับการกำหนดเส้นทางต้นทุนขั้นต่ำแบบฮิวริสติก" " จดหมายข่าว SIGART (37): 28–29 ดอย : 10.1145 / 1056777.1056779 . S2CID 6386648 
  85. ^ Domingos 2015 , บทที่ 2 บทที่ 4 บทที่ 6
  86. ^ "คอมพิวเตอร์เครือข่ายประสาทเทียมสามารถเรียนรู้จากประสบการณ์ได้หรือไม่และถ้าเป็นเช่นนั้นพวกเขาจะกลายเป็นสิ่งที่เราเรียกว่า" ฉลาด "ได้หรือไม่" . วิทยาศาสตร์อเมริกัน 2018. สืบค้นเมื่อ 25 มีนาคม 2018 . สืบค้นเมื่อ24 มีนาคม 2561 .
  87. ^ Domingos 2015บทที่ 6 บทที่ 7
  88. ^ Domingos 2015พี 286.
  89. ^ "การเปลี่ยนแปลงพิกเซลเดี่ยว fools โปรแกรม AI" ข่าวบีบีซี . 3 พฤศจิกายน 2560. สืบค้นเมื่อ 22 มีนาคม 2561 . สืบค้นเมื่อ12 มีนาคม 2561 .
  90. ^ "AI มีปัญหาอาการประสาทหลอนที่พิสูจน์ยากที่จะแก้ไข" WIRED 2561. สืบค้นเมื่อวันที่ 12 มีนาคม 2018 . สืบค้นเมื่อ12 มีนาคม 2561 .
  91. ^ "ความรู้สึกร่วมกันปลูกฝัง | DiscoverMagazine.com" นิตยสารค้นพบ 2017 ที่จัดเก็บจากเดิมในวันที่ 25 มีนาคม 2018 สืบค้นเมื่อ24 มีนาคม 2561 .
  92. ^ เดวิสเออร์เนสต์; Marcus, Gary (24 สิงหาคม 2558). "การให้เหตุผลแบบสามัญและความรู้ทั่วไปในปัญญาประดิษฐ์" . การติดต่อสื่อสารของพลอากาศเอก 58 (9): 92–103 ดอย : 10.1145 / 2701413 . S2CID 13583137 สืบค้นจากต้นฉบับเมื่อ 22 สิงหาคม 2020 . สืบค้นเมื่อ6 เมษายน 2563 . 
  93. ^ Winograd เทอร์รี่ ( ม.ค. 1972) “ การเข้าใจภาษาธรรมชาติ”. จิตวิทยาความรู้ความเข้าใจ . 3 (1): 1–191. ดอย : 10.1016 / 0010-0285 (72) 90002-3 .
  94. ^ "ไม่ต้องกังวล: รถยนต์อิสระไม่ได้มาในวันพรุ่งนี้ (หรือปีถัดไป)" AutoWeek 2559. สืบค้นเมื่อ 25 มีนาคม 2561 . สืบค้นเมื่อ24 มีนาคม 2561 .
  95. ^ อัศวิน Will (2017) "บอสตันอาจจะเป็นที่มีชื่อเสียงสำหรับการขับรถที่ไม่ดี แต่มันเป็นสนามทดสอบสำหรับรถที่ตนเองขับรถอย่างชาญฉลาด" รีวิวเทคโนโลยีเอ็มไอที สืบค้นจากต้นฉบับเมื่อ 22 สิงหาคม 2020 . สืบค้นเมื่อ27 มีนาคม 2561 .
  96. ^ Prakken เฮนรี่ (31 สิงหาคม 2017) "ปัญหาในการสร้างยานยนต์อิสระให้เป็นไปตามกฎหมายจราจร" . ปัญญาประดิษฐ์และกฎหมาย 25 (3): 341–363 ดอย : 10.1007 / s10506-017-9210-0 .
  97. ^ a b Lieto อันโตนิโอ; เลบีแยร์คริสเตียน; Oltramari, Alessandro (พ.ค. 2018). "ระดับความรู้ในสถาปัตยกรรมองค์ความรู้: ข้อ จำกัด ในปัจจุบันและการพัฒนาที่เป็นไปได้". การวิจัยระบบความรู้ความเข้าใจ . 48 : 39–55. ดอย : 10.1016 / j.cogsys.2017.05.001 . hdl : 2318/1665207 . S2CID 206868967 
  98. ^ การแก้ปัญหาการไขปริศนาการเล่นเกมและการหักคะแนน: * Russell & Norvig 2003 , chpt 3–9, * Poole, Mackworth & Goebel 1998 , chpt. 2,3,7,9, * Luger & Stubblefield 2004 , chpt. 3,4,6,8, *ค๊ 1998 , chpt. 7–12
  99. ^ เหตุผลที่ไม่แน่นอน: * Russell & Norvig 2003 , หน้า 452–644, * Poole, Mackworth & Goebel 1998 , หน้า 345–395, * Luger & Stubblefield 2004 , หน้า 333–381, * Nilsson 1998 , chpt. 19
  100. ^ หลักฐานทางจิตวิทยาของการให้เหตุผลเชิงสัญลักษณ์ย่อย: * Wason & Shapiro (1966)แสดงให้เห็นว่าผู้คนทำปัญหาที่เป็นนามธรรมได้ไม่ดี แต่ถ้าปัญหาได้รับการแก้ไขใหม่เพื่อให้สามารถใช้ปัญญาทางสังคมที่ใช้งานง่ายประสิทธิภาพจะดีขึ้นอย่างมาก (ดูงานคัดเลือกของ Wason ) * Kahneman, Slovic & Tversky (1982)ได้แสดงให้เห็นว่าผู้คนแย่มากในปัญหาเบื้องต้นที่เกี่ยวข้องกับการใช้เหตุผลที่ไม่แน่นอน (ดูรายการอคติทางปัญญาสำหรับหลาย ๆ ตัวอย่าง) * Lakoff & Núñez (2000)แย้งว่าแม้แต่ทักษะของเราในวิชาคณิตศาสตร์ก็ขึ้นอยู่กับความรู้และทักษะที่มาจาก "ร่างกาย" นั่นคือเซ็นเซอร์และทักษะการรับรู้ (ดูคณิตศาสตร์มาจากไหน )
  101. ^ การ แสดงความรู้ : * ACM 1998 , I.2.4, * Russell & Norvig 2003 , หน้า 320–363, * Poole, Mackworth & Goebel 1998 , หน้า 23–46, 69–81, 169–196, 235–277, 281–298, 319–345, * Luger & Stubblefield 2004 , หน้า 227–243, * Nilsson 1998 , chpt. 18
  102. ^ วิศวกรรมความรู้ : * Russell & Norvig 2003 , หน้า 260–266, * Poole, Mackworth & Goebel 1998 , หน้า 199–233, * Nilsson 1998 , chpt. ≈17.1–17.4
  103. ^ เป็น ตัวแทนของหมวดหมู่และความสัมพันธ์:เครือข่ายความหมาย ,ลอจิกคำอธิบาย , การสืบทอด (รวมถึงเฟรมและสคริปต์ ): * Russell & Norvig 2003 , หน้า 349–354, * Poole, Mackworth & Goebel 1998 , หน้า 174–177, * Luger & Stubblefield 2547 , หน้า 248–258, * Nilsson 1998 , chpt. 18.3
  104. ^ แทนเหตุการณ์ที่และเวลา:แคลคูลัสสถานการณ์ ,แคลคูลัสเหตุการณ์ ,แคลคูลัสคล่อง (รวมถึงการแก้ปัญหาเฟรม ): *รัสเซลและ Norvig 2003 ., PP 328-341*พูล Mackworth & Goebel 1998 ., PP 281-298 *ค๊ พ.ศ. 2541บทที่ 18.2
  105. ^ แคลคูลัสเชิงสาเหตุ : * Poole, Mackworth & Goebel 1998 , pp. 335–337
  106. ^ เป็น ตัวแทนของความรู้เกี่ยวกับความรู้: แคลคูลัสความเชื่อ,ลอจิกโมดอล : * Russell & Norvig 2003 , หน้า 341–344, * Poole, Mackworth & Goebel 1998 , หน้า 275–277
  107. ^ Sikos เลสลี่เอฟ (มิถุนายน 2017) คำอธิบาย Logics ในมัลติมีเดียเหตุผล จาม: สปริงเกอร์. ดอย : 10.1007 / 978-3-319-54066-5 . ISBN 978-3-319-54066-5. S2CID  3180114 สืบค้นเมื่อ 29 สิงหาคม 2560.
  108. ^ Ontology : * Russell & Norvig 2003 , หน้า 320–328
  109. ^ ส โมเลียร์สตีเฟนดับเบิลยู.; จางหงเจียง (1994). "การจัดทำดัชนีและการดึงข้อมูลวิดีโอตามเนื้อหา" IEEE มัลติมีเดีย 1 (2): 62–72. ดอย : 10.1109 / 93.311653 . S2CID 32710913 . 
  110. ^ นอยมันน์แบร์นด์; Möller, Ralf (มกราคม 2551). "การตีความฉากพร้อมลอจิกคำอธิบาย" คอมพิวเตอร์ภาพและการมองเห็น 26 (1): 82–101. ดอย : 10.1016 / j.imavis.2007.08.013 .
  111. ^ Kuperman, GJ; Reichley, RM; Bailey, TC (1 กรกฎาคม 2549). "การใช้ฐานความรู้ทางการค้าสำหรับสนับสนุนการตัดสินใจทางคลินิก: โอกาสอุปสรรคและข้อเสนอแนะ" วารสาร American Medical Informatics Association . 13 (4): 369–371 ดอย : 10.1197 / jamia.M2055 . PMC 1513681 PMID 16622160  
  112. ^ McGarry เคน (1 ธันวาคม 2005) "แบบสำรวจมาตรการความน่าสนใจสำหรับการค้นพบความรู้". ความรู้ทบทวนวิศวกรรม 20 (1): 39–61. ดอย : 10.1017 / S0269888905000408 . S2CID 14987656 
  113. ^ เบอร์ตินี่ , เอ็ม; เดลบิมโบ, เอ; Torniai, C (2549). "คำอธิบายประกอบอัตโนมัติและการดึงข้อมูลลำดับความหมายของวิดีโอโดยใช้มัลติมีเดียออนโทโลยี" MM '06 Proceedings of the 14th ACM international conference on Multimedia . การประชุมนานาชาติ ACM ครั้งที่ 14 เกี่ยวกับมัลติมีเดีย ซานตาบาร์บาร่า: ACM หน้า 679–682
  114. ^ ปัญหาคุณสมบัติ : * McCarthy & Hayes 1969 * Russell & Norvig 2003 [ ต้องการหน้า ]ในขณะที่ McCarthy เกี่ยวข้องกับปัญหาในการแสดงการกระทำเชิงตรรกะเป็นหลัก Russell & Norvig 2003ใช้คำนี้กับปัญหาทั่วไปของการให้เหตุผลเริ่มต้นในวงกว้าง เครือข่ายของสมมติฐานที่อยู่ภายใต้ความรู้ทั่วไปของเราทั้งหมด
  115. ^ การ ให้เหตุผลเริ่มต้นและตรรกะเริ่มต้น ,ตรรกะที่ไม่ใช่เชิงเดี่ยว , การล้อมรอบ ,สมมติฐานโลกปิด ,การลักพาตัว (Poole et al.วางการลักพาตัวภายใต้ "การให้เหตุผลเริ่มต้น" Luger et al.วางสิ่งนี้ไว้ภายใต้ "เหตุผลที่ไม่แน่นอน"): * Russell & Norvig 2003 , หน้า 354–360, * Poole, Mackworth & Goebel 1998 , หน้า 248–256, 323–335, * Luger & Stubblefield 2004 , หน้า 335–363, * Nilsson 1998 , ~ 18.3.3
  116. ^ ความรู้ทั่วไป: * Russell & Norvig 2003 , p. 21, * Crevier 1993 , หน้า 113–114, * Moravec 1988 , p. 13, * Lenat & Guha 1989 (บทนำ)
  117. ^ เดรย์ฟั & เดรย์ฟั 1986
  118. ^ Gladwell 2005
  119. ^ a b ความรู้ของผู้เชี่ยวชาญในฐานะสัญชาตญาณที่เป็นตัวเป็นตน : * Dreyfus & Dreyfus 1986 ( Hubert Dreyfusเป็นนักปรัชญาและนักวิจารณ์ AI ซึ่งเป็นคนกลุ่มแรก ๆ ที่โต้แย้งว่าความรู้ของมนุษย์ที่มีประโยชน์ที่สุดถูกเข้ารหัสแบบสัญลักษณ์ย่อยดูคำวิจารณ์ AI ของ Dreyfus ) * Gladwell 2005 (Gladwell's Blinkเป็นบทนำยอดนิยมเกี่ยวกับการให้เหตุผลและความรู้เชิงสัญลักษณ์ย่อย) * Hawkins & Blakeslee 2005 (Hawkins ระบุว่าความรู้เชิงสัญลักษณ์ย่อยควรเป็นจุดสนใจหลักของการวิจัย AI)
  120. ^ การวางแผน : * ACM 1998 , ~ I.2.8, * Russell & Norvig 2003 , หน้า 375–459, * Poole, Mackworth & Goebel 1998 , หน้า 281–316, * Luger & Stubblefield 2004 , หน้า 314–329, *ค๊ 1998 , chpt. 10.1–2, 22
  121. ^ ทฤษฎีคุณค่าของข้อมูล : * Russell & Norvig 2003 , pp. 600–604
  122. ^ การวางแผนแบบคลาสสิก: * Russell & Norvig 2003 , หน้า 375–430, * Poole, Mackworth & Goebel 1998 , หน้า 281–315, * Luger & Stubblefield 2004 , หน้า 314–329, * Nilsson 1998 , chpt. 10.1–2, 22
  123. ^ การวางแผนและดำเนินการในโดเมนที่ไม่ได้กำหนด: การวางแผนตามเงื่อนไขการตรวจสอบการดำเนินการการจำลองแบบและการวางแผนอย่างต่อเนื่อง: * Russell & Norvig 2003 , หน้า 430–449
  124. ^ การวางแผนหลายตัวแทนและพฤติกรรมฉุกเฉิน: * Russell & Norvig 2003 , pp. 449–455
  125. ^ ทัวริง 1950
  126. ^ Solomonoff 1956
  127. ^ a b การเรียนรู้ : * ACM 1998 , I.2.6, * Russell & Norvig 2003 , หน้า 649–788 , * Poole, Mackworth & Goebel 1998 , หน้า 397–438, * Luger & Stubblefield 2004 , หน้า 385–542 , * ค๊ 1998 , chpt. 3.3, 10.3, 17.5, 20
  128. ^ จอร์แดนมิชิแกน; Mitchell, TM (16 กรกฎาคม 2558). "แมชชีนเลิร์นนิง: แนวโน้มมุมมองและผู้มีโอกาสเป็นลูกค้า" วิทยาศาสตร์ . 349 (6245): 255–260 รหัสไปรษณีย์ : 2015Sci ... 349..255J . ดอย : 10.1126 / science.aaa8415 . PMID 26185243 S2CID 677218 .  
  129. ^ Reinforcement learning : * Russell & Norvig 2003 , pp. 763–788* Luger & Stubblefield 2004 , หน้า 442–449
  130. ^ การประมวลผลภาษาธรรมชาติ : * ACM 1998 , I.2.7 * Russell & Norvig 2003 , หน้า 790–831* Poole, Mackworth & Goebel 1998 , หน้า 91–104 * Luger & Stubblefield 2004 , หน้า 591–632
  131. ^ "ระบบตอบคำถามอเนกประสงค์: เห็นในการสังเคราะห์" เก็บถาวร 1 กุมภาพันธ์ 2016 ที่ Wayback Machine , Mittal et al., IJIIDS, 5 (2), 119–142, 2011
  132. ^ การ ประยุกต์ใช้การประมวลผลภาษาธรรมชาติรวมถึงการดึงข้อมูล (เช่นการขุดข้อความ ) และการแปลด้วยเครื่อง : * Russell & Norvig 2003 , หน้า 840–857, * Luger & Stubblefield 2004 , หน้า 623–630
  133. ^ แคมเบรียเอริก; White, Bebo (พ.ค. 2014). "Jumping NLP Curves: การทบทวนการวิจัยการประมวลผลภาษาธรรมชาติ [บทความทบทวน]" IEEE นิตยสารคำนวณหน่วยสืบราชการลับ 9 (2): 48–57. ดอย : 10.1109 / MCI.2014.2307227 . S2CID 206451986 
  134. ^ วินเซนต์เจมส์ (7 พฤศจิกายน 2019) "OpenAI มีการเผยแพร่ข้อความที่ก่อให้เกิด AI ก็กล่าวว่าเป็นอันตรายเกินไปที่จะหุ้น" The Verge . ที่เก็บถาวรจากเดิมเมื่อวันที่ 11 มิถุนายน 2020 สืบค้นเมื่อ11 มิถุนายน 2563 .
  135. ^ การรับรู้ของเครื่องจักร : * Russell & Norvig 2003 , pp. 537–581, 863–898* Nilsson 1998 , ~ chpt 6
  136. ^ การรู้จำเสียง : * ACM 1998 , ~ I.2.7 * Russell & Norvig 2003 , หน้า 568–578
  137. ^ การจดจำวัตถุ : * Russell & Norvig 2003 , pp. 885–892
  138. ^ วิสัยทัศน์คอมพิวเตอร์ : * ACM 1998 , I.2.10 * Russell & Norvig 2003 , pp. 863–898* Nilsson 1998 , chpt. 6
  139. ^ Robotics : * ACM 1998 , I.2.9, * Russell & Norvig 2003 , หน้า 901–942, * Poole, Mackworth & Goebel 1998 , หน้า 443–460
  140. ^ การเคลื่อนย้ายและกำหนดค่าพื้นที่ : * Russell & Norvig 2003 , pp. 916–932
  141. ^ Tecuci 2012
  142. ^ การทำแผนที่หุ่นยนต์ (การแปลภาษา ฯลฯ ): * Russell & Norvig 2003 , pp. 908–915
  143. ^ กาเดน่าซีซาร์; คาร์โลเน่, ลูก้า; คาร์ริลโลเฮนรี่; ลาติฟ, ยาซีร์; สการามุซซ่า, ดาวิเด้; นีร่า, โจเซ่; เรดเอียน; Leonard, John J. (ธันวาคม 2559). "อดีตปัจจุบันและอนาคตของการแปลและการทำแผนที่พร้อมกัน: สู่ยุคการรับรู้ที่แข็งแกร่ง" รายการ IEEE เกี่ยวกับหุ่นยนต์ 32 (6): 1309–1332 arXiv : 1606.05830 รหัสไปรษณีย์ : 2016arXiv160605830C . ดอย : 10.1109 / TRO.2016.2624754 . S2CID 2596787 
  144. ^ Moravec 1988พี 15.
  145. ^ จัน Szu ปิง (15 พฤศจิกายน 2015) "นี่คือสิ่งที่จะเกิดขึ้นได้เมื่อหุ่นยนต์ใช้ทั่วโลก" สืบค้นจากต้นฉบับเมื่อวันที่ 24 เมษายน 2018 . สืบค้น23 เมษายน 2561 .
  146. ^ "เฟอร์นิเจอร์ IKEA และข้อ จำกัด ของเอไอ" ดิอีโคโนมิสต์ 2018. สืบค้นเมื่อ 24 เมษายน 2018 . สืบค้นเมื่อ24 เมษายน 2561 .
  147. ^ "Kismet" . ห้องปฏิบัติการปัญญาประดิษฐ์ของ MIT กลุ่มหุ่นยนต์ฮิวแมนนอยด์ สืบค้นเมื่อ 17 ตุลาคม 2557 . สืบค้นเมื่อ25 ตุลาคม 2557 .
  148. ^ ธ อมป์สัน, ดีเร็ก (2018) "หุ่นยนต์จะรับงานอะไร" . มหาสมุทรแอตแลนติก สืบค้นจากต้นฉบับเมื่อวันที่ 24 เมษายน 2018 . สืบค้นเมื่อ24 เมษายน 2561 .
  149. ^ Scassellati ไบรอัน (2002) "ทฤษฎีจิตใจสำหรับหุ่นยนต์คล้ายมนุษย์". เขตปกครองตนเองหุ่นยนต์ 12 (1): 13–24. ดอย : 10.1023 / A: 1013298507114 . S2CID 19793 15 . 
  150. ^ เฉาหย่งแคน; หยูเหวินหวู่; เหรินเว่ย; Chen, Guanrong (กุมภาพันธ์ 2556). "ภาพรวมของความคืบหน้าล่าสุดในการศึกษาการประสานงานหลายตัวแทนแบบกระจาย" ธุรกรรมอีอีอีสารสนเทศอุตสาหกรรม 9 (1): 427–438 arXiv : 1207.3231 ดอย : 10.1109 / TII.2012.2219061 . S2CID 9588126 
  151. ^ Thro 1993
  152. ^ Edelson 1991
  153. ^ เต๋า & ตาล 2548 .
  154. ^ Poria, Soujanya; แคมเบรียเอริก; Bajpai, ราจีฟ; Hussain, Amir (กันยายน 2017). "การทบทวนการคำนวณเชิงอารมณ์: จากการวิเคราะห์รูปแบบเดียวที่จะฟิวชั่นต่อเนื่อง" ข้อมูลฟิวชั่น 37 : 98–125 ดอย : 10.1016 / j.inffus.2017.02.003 . hdl : 1893/25490 .
  155. ^ อารมณ์และการคำนวณเชิงอารมณ์ : * Minsky 2006
  156. ^ Waddell, Kaveh (2018). "chatbots ได้ป้อนหุบเขาลึกลับ" มหาสมุทรแอตแลนติก สืบค้นจากต้นฉบับเมื่อวันที่ 24 เมษายน 2018 . สืบค้นเมื่อ24 เมษายน 2561 .
  157. ^ เพ็ญนาชิน, ค.; Goertzel, B. (2007). "แนวทางร่วมสมัยสำหรับปัญญาประดิษฐ์ทั่วไป" ปัญญาประดิษฐ์ทั่วไป เทคโนโลยีความรู้ความเข้าใจ เบอร์ลินไฮเดลเบิร์ก: Springer ดอย : 10.1007 / 978-3-540-68677-4_1 . ISBN 978-3-540-23733-4.
  158. ^ a b c Roberts, Jacob (2016) "เครื่องคิด: ค้นหาประดิษฐ์" การกลั่น . ฉบับ. 2 ไม่ 2. หน้า 14–23 สืบค้นจากต้นฉบับเมื่อวันที่ 19 สิงหาคม 2018 . สืบค้นเมื่อ20 มีนาคม 2561 .
  159. ^ "ซูเปอร์ฮีโร่แห่งปัญญาประดิษฐ์: อัจฉริยะผู้นี้สามารถตรวจสอบได้หรือไม่" . เดอะการ์เดีย 16 กุมภาพันธ์ 2559. สืบค้นเมื่อ 23 เมษายน 2561 . สืบค้นเมื่อ26 เมษายน 2561 .
  160. ^ Mnih, Volodymyr; Kavukcuoglu, โคเรย์; เงินเดวิด; รุสุ, อังเดรย.; เวเนส, โจเอล; เบลล์แมร์มาร์คจี; เกรฟส์อเล็กซ์; Riedmiller, มาร์ติน; Fidjeland, Andreas K. ; ออสตรอฟสกี้, เฟรด; ปีเตอร์เซน, สติก; บีตตี้, ชาร์ลส์; ซาดิค, อาเมียร์; อันโตกลู, อิโออันนิส; คิงเฮเลน; คุมารัน, ดาร์ชาน; Wierstra, Daan; Legg, เชน; Hassabis, Demis (26 กุมภาพันธ์ 2558). "การควบคุมระดับมนุษย์ผ่านการเรียนรู้แบบเสริมกำลังเชิงลึก" ธรรมชาติ . 518 (7540): 529–533 รหัสไปรษณีย์ : 2015Natur.518..529M . ดอย : 10.1038 / nature14236 . PMID 25719670 S2CID 205242740  
  161. ^ ตัวอย่างเอียน (14 มีนาคม 2017). "DeepMind ของ Google ทำให้โปรแกรม AI ที่สามารถเรียนรู้ได้เหมือนมนุษย์" เดอะการ์เดีย สืบค้นเมื่อ 26 เมษายน 2018 . สืบค้นเมื่อ26 เมษายน 2561 .
  162. ^ "จากไม่ได้ทำงานให้กับเครือข่ายประสาท" ดิอีโคโนมิสต์ 2559. สืบค้นเมื่อ 31 ธันวาคม 2559 . สืบค้นเมื่อ26 เมษายน 2561 .
  163. ^ รัสเซลและ Norvig 2009บทที่ 27 ไอ: ปัจจุบันและอนาคต
  164. ^ Domingos 2015บทที่ 9 ชิ้นส่วนของจิ๊กซอว์ฤดูใบไม้ร่วงเข้าไปในสถานที่
  165. ^ a b ข้อโต้แย้งของสมองเทียม : AI ต้องการการจำลองการทำงานของสมองมนุษย์ * Russell & Norvig 2003 , p. 957 * Crevier 1993 , pp. 271 & 279 มีเพียงไม่กี่คนที่สร้างข้อโต้แย้งบางรูปแบบ: * Moravec 1988 * Kurzweil 2005 , p. 262 * Hawkins & Blakeslee 2005รูปแบบที่รุนแรงที่สุดของการโต้แย้งนี้ (สถานการณ์การเปลี่ยนสมอง) ถูกนำมาใช้โดยClark Glymourในช่วงกลางทศวรรษ 1970 และได้รับการสัมผัสจากZenon PylyshynและJohn Searleในปี 1980
  166. ^ Goertzel, Ben; เหลียน, Ruiting; อาเรลอิตามาร์; เดอการิส, ฮิวโก้; Chen, Shuo (ธันวาคม 2553). "การสำรวจโลกของโครงการสมองเทียมตอนที่ 2: สถาปัตยกรรมความรู้ความเข้าใจที่ได้รับแรงบันดาลใจทางชีวภาพ" Neurocomputing 74 (1–3): 30–49. ดอย : 10.1016 / j.neucom.2010.08.012 .
  167. ^ ค๊ 2526น. 10.
  168. ^ สารตั้งต้นของ AI: * McCorduck 2004 , หน้า 51–107* Crevier 1993 , หน้า 27–32 * Russell & Norvig 2003 , หน้า 15, 940* Moravec 1988 , p. 3
  169. ^ Haugeland 1985 , PP. 112-117
  170. ^ Cognitive Simulation, Newellและ Simon , AI ที่ CMU (จากนั้นเรียกว่า Carnegie Tech ): * McCorduck 2004 , หน้า 139–179, 245–250, 322–323 (EPAM)* Crevier 1993 , หน้า 145–149
  171. ^ ทะยาน (ประวัติศาสตร์): * McCorduck 2004 , หน้า 450–451* Crevier 1993 , หน้า 258–263
  172. ^ แมคคาร์และเอไอวิจัยที่เรือและประเทศศรีลังกา : * McCorduck 2004 ., PP 251-259* Crevier 1993
  173. ^ การวิจัย AI ที่เอดินบะระและในฝรั่งเศสกำเนิด Prolog : * Crevier 1993 , pp. 193–196 * Howe 1994
  174. ^ AI ที่ MITภายใต้ Marvin Minskyในปี 1960: * McCorduck 2004 , หน้า 259–305* Crevier 1993 , หน้า 83–102, 163–176 * Russell & Norvig 2003 , p. 19
  175. ^ Cyc : * McCorduck 2004 , p. 489ซึ่งเรียกมันว่า "องค์กรที่มีความตั้งใจจริง" * Crevier 1993 , pp. 239–243 * Russell & Norvig 2003 , p. 363−365* Lenat & Guha 1989
  176. ^ การปฏิวัติความรู้: * McCorduck 2004 , หน้า 266–276, 298–300, 314, 421* Russell & Norvig 2003 , หน้า 22–23
  177. ^ เฟรดเดอริคเฮย์ส - รอ ธ ; วิลเลียมเมอร์เรย์; ลีโอนาร์ดอเดลแมน “ ระบบผู้เชี่ยวชาญ”. AccessScience ดอย : 10.1036 / 1097-8542.248550 .
  178. ^ แนวทางที่เป็นตัวเป็นตนสำหรับ AI: * McCorduck 2004 , หน้า 454–462* Brooks 1990 * Moravec 1988
  179. ^ เก่งและคณะ 2001
  180. ^ Lungarella และคณะ 2003
  181. ^ Asada et al. 2552 .
  182. ^ Oudeyer 2010
  183. ^ Revival of connectionism : * Crevier 1993 , pp.214–215 * Russell & Norvig 2003 , p. 25
  184. ^ Computational intelligence * IEEE Computational Intelligence Society สืบค้นเมื่อ 9 พฤษภาคม 2008 ที่ Wayback Machine
  185. ^ ฮัส, แมทธิว (16 กุมภาพันธ์ 2018) "ปัญญาประดิษฐ์ใบหน้าวิกฤตการทำซ้ำ" วิทยาศาสตร์ . หน้า 725–726 รหัสไปรษณีย์ : 2018Sci ... 359..725H . ดอย : 10.1126 / science.359.6377.725 . สืบค้นเมื่อ 29 เมษายน 2018 . สืบค้นเมื่อ28 เมษายน 2561 .
  186. ^ Norvig 2012
  187. ^ แลงลีย์ 2011
  188. ^ แคทซ์ 2012
  189. ^ ตัวแทนชาญฉลาดกระบวนทัศน์: *รัสเซลและ Norvig 2003 ., PP 27, 32-58, 968-972*พูล Mackworth & Goebel 1998 ., PP 7-21 *ลูเกอร์และ Stubblefield 2004 ., PP 235-240 * Hutter 2005 , PP. 125-126 คำนิยามที่ใช้ในบทความนี้ในแง่ของเป้าหมายการดำเนินการรับรู้และสิ่งแวดล้อมเป็นเพราะรัสเซลและ Norvig (2003) คำจำกัดความอื่น ๆ ยังรวมถึงความรู้และการเรียนรู้เป็นเกณฑ์เพิ่มเติม
  190. ^ สถาปัตยกรรมตัวแทน ,ระบบอัจฉริยะไฮบริด : *รัสเซลและ Norvig (2003 ., PP 27, 932, 970-972)*ค๊ (1998 . chpt 25)
  191. ^ ระบบควบคุมตามลำดับชั้น : * Albus 2002
  192. ^ ลิเอโตอันโตนิโอ; Bhatt, Mehul; โอลตรามารี, อเลสซานโดร; Vernon, David (พ.ค. 2018). "บทบาทของสถาปัตยกรรมทางปัญญาในปัญญาประดิษฐ์ทั่วไป". การวิจัยระบบความรู้ความเข้าใจ . 48 : 1–3. ดอย : 10.1016 / j.cogsys.2017.08.003 . hdl : 2318/1665249 . S2CID 36189683 
  193. ^ a b Russell & Norvig 2009 , p. 1.
  194. ^ กระดาษสีขาว: ปัญญาประดิษฐ์ใน - วิธียุโรปเพื่อความเป็นเลิศและความไว้วางใจ (PDF) บรัสเซลส์: คณะกรรมาธิการยุโรป 2020 น. 1. จัดเก็บ(PDF)จากเดิมในวันที่ 20 กุมภาพันธ์ 2020 สืบค้นเมื่อ20 กุมภาพันธ์ 2563 .
  195. ^ "AI ตั้งเกินพลังสมองของมนุษย์" ซีเอ็นเอ็น . 9 สิงหาคม 2549. สืบค้นเมื่อ 19 กุมภาพันธ์ 2551.
  196. ^ การใช้ AI เพื่อทำนายความล่าช้าของเที่ยวบิน เก็บถาวรเมื่อวันที่ 20 พฤศจิกายน 2018 ที่ Wayback Machine , Ishti.org
  197. ^ N. Aletras; ง. Tsarapatsanis; ง. Preotiuc-Pietro; V. Lampos (2559). "การคาดการณ์การตัดสินของศาลของศาลสิทธิมนุษยชนยุโรป: มุมมองของการประมวลผลภาษาธรรมชาติ" PeerJ วิทยาการคอมพิวเตอร์ . 2 : e93 ดอย : 10.7717 / peerj-cs.93 .
  198. ^ "นักเศรษฐศาสตร์อธิบาย: ทำไม บริษัท ซ้อนเข้าไปในปัญญาประดิษฐ์" ดิอีโคโนมิสต์ 31 มีนาคม 2559. สืบค้นเมื่อวันที่ 8 พฤษภาคม 2559 . สืบค้นเมื่อ19 พฤษภาคม 2559 .
  199. ^ Lohr สตีฟ (28 กุมภาพันธ์ 2016) "สัญญาของปัญญาประดิษฐ์ในปูมขั้นตอนเล็ก ๆ" นิวยอร์กไทม์ส สืบค้นเมื่อ 29 กุมภาพันธ์ 2559 . สืบค้นเมื่อ29 กุมภาพันธ์ 2559 .
  200. ^ Frangoul, Anmar (14 มิถุนายน 2019) "ธุรกิจแคลิฟอร์เนียใช้ AI จะเปลี่ยนวิธีที่เราคิดเกี่ยวกับการจัดเก็บพลังงาน" ซีเอ็นบีซี ที่เก็บถาวรจากเดิมเมื่อวันที่ 25 กรกฎาคม 2020 สืบค้นเมื่อ5 พฤศจิกายน 2562 .
  201. ^ นูเจน (15 มิถุนายน 2016) "สื่อสังคม 'ลิบลับทีวีเป็นแหล่งข่าวสำหรับคนหนุ่มสาว" ข่าวบีบีซี . สืบค้นเมื่อ 24 มิถุนายน 2559.
  202. ^ สมิ ธ , มาร์ค (22 กรกฎาคม 2016) "แล้วคุณคิดว่าคุณเลือกที่จะอ่านบทความนี้หรือไม่" . ข่าวบีบีซี . สืบค้นเมื่อ 25 กรกฎาคม 2559.
  203. ^ บราวน์ไอลีน "ครึ่งหนึ่งของชาวอเมริกันที่ไม่เชื่อข่าว deepfake สามารถกำหนดเป้าหมายได้ทางออนไลน์" ZDNet ที่เก็บถาวรจากเดิมเมื่อวันที่ 6 พฤศจิกายน 2019 สืบค้นเมื่อ3 ธันวาคม 2562 .
  204. ^ Zola, แอนดรู (12 เมษายน 2019) "เตรียมสัมภาษณ์: 40 คำถามปัญญาประดิษฐ์" บล็อก Springboard
  205. ^ การทดสอบทัวริง :
    สิ่งพิมพ์ต้นฉบับของทัวริง: *อิทธิพลทางประวัติศาสตร์และผลทางปรัชญาของทัวริง 1950 : * Haugeland 1985 , pp. 6–9 * Crevier 1993 , p. 24 * McCorduck 2004 , หน้า 70–71* Russell & Norvig 2003 , หน้า 2–3 และ 948
  206. ^ ข้อเสนอของดาร์ทเมาท์: * McCarthy et al. 1955 (ข้อเสนอเดิม) * Crevier 1993 , p. 49 (ความสำคัญทางประวัติศาสตร์)
  207. ^ ทางกายภาพระบบสัญลักษณ์สมมติฐาน: * Newell และไซมอน 1976พี 116 * McCorduck 2004หน้า 153*รัสเซลและนอร์วิก 2003 , p. 18
  208. ^ เดรย์ฟั 1992พี 156.
  209. ^ Dreyfus วิจารณ์ปัญญาประดิษฐ์ : * Dreyfus 1972 , Dreyfus & Dreyfus 1986 * Crevier 1993 , หน้า 120–132 * McCorduck 2004 , หน้า 211–239* Russell & Norvig 2003 , หน้า 950–952,
  210. ^ Gödel 1951 : ในการบรรยายนี้ Kurt Gödelใช้ทฤษฎีบทที่ไม่สมบูรณ์เพื่อให้ได้มาซึ่งความแตกแยกดังต่อไปนี้: (a) จิตใจของมนุษย์ไม่ใช่เครื่องจักร จำกัด ที่สอดคล้องกันหรือ (b) มีสมการไดโอแฟนไทน์ซึ่งไม่สามารถตัดสินใจได้ว่ามีวิธีแก้ปัญหา . Gödelพบว่า (b) ไม่น่าเชื่อและดูเหมือนว่าจะเชื่อว่าจิตใจของมนุษย์ไม่เทียบเท่ากับเครื่องจักรที่ จำกัด กล่าวคือพลังของมันเกินกว่าเครื่องจักรที่ จำกัด ใด ๆ เขาจำได้ว่านี่เป็นเพียงการคาดเดาเนื่องจากไม่มีใครหักล้างได้ (b) กระนั้นเขาก็ถือว่าข้อสรุปที่ไม่ลงรอยกันนั้นเป็น "ข้อเท็จจริงบางประการ"
  211. ^ คำคัดค้านทางคณิตศาสตร์: * Russell & Norvig 2003 , p. 949* McCorduck 2004 , pp.448–449การคัดค้านทางคณิตศาสตร์: * Lucas 1961 * Penrose 1989หักล้างข้อโต้แย้งทางคณิตศาสตร์: * Turing 1950ภายใต้ "(2) The Mathematical Objection" * Hofstadter 1979 ความเป็นมา: * Gödel 1931, Church 1936, Kleene 2478 ทัวริง 2480
  212. ^ เกรแฮมออปปี้ (20 มกราคม 2015) "ทฤษฎีความไม่สมบูรณ์ของGödel" . สารานุกรมปรัชญาสแตนฟอร์ด . สืบค้นเมื่อ 22 เมษายน 2559 . สืบค้นเมื่อ27 เมษายน 2559 . อย่างไรก็ตามข้อโต้แย้งต่อต้านกลไกของGödelianเหล่านี้เป็นปัญหาและมีความเห็นเป็นเอกฉันท์ว่าพวกเขาล้มเหลว
  213. ^ สจวร์ตเจรัสเซล ; ปีเตอร์นอร์วิก (2010). "26.1.2: รากฐานทางปรัชญา / AI ที่อ่อนแอ: เครื่องจักรสามารถกระทำอย่างชาญฉลาดได้หรือไม่ / การคัดค้านทางคณิตศาสตร์" ปัญญาประดิษฐ์: แนวทางสมัยใหม่ (ฉบับที่ 3) Upper Saddle River, นิวเจอร์ซีย์: Prentice Hall ISBN 978-0-13-604259-4. แม้ว่าเราจะอนุญาตว่าคอมพิวเตอร์มีข้อ จำกัด ในสิ่งที่สามารถพิสูจน์ได้ แต่ก็ไม่มีหลักฐานว่ามนุษย์มีภูมิคุ้มกันจากข้อ จำกัด เหล่านั้น
  214. ^ มาร์คโคลีวาน ความรู้เบื้องต้นเกี่ยวกับปรัชญาคณิตศาสตร์ สำนักพิมพ์มหาวิทยาลัยเคมบริดจ์ , 2012 จาก 2.2.2 'ความสำคัญทางปรัชญาของผลลัพธ์ที่ไม่สมบูรณ์ของGödel': "ภูมิปัญญาที่ได้รับการยอมรับ
  215. ^ อิ โฟเฟนรอน; Kritikos, Mihalis (3 มกราคม 2019). “ การควบคุมปัญญาประดิษฐ์และหุ่นยนต์: จริยธรรมด้วยการออกแบบในสังคมดิจิทัล”. สังคมศาสตร์ร่วมสมัย . 16 (2): 170–184. ดอย : 10.1080 / 21582041.2018.1563803 . ISSN 2158-2041 S2CID 59298502 .  
  216. ^ "จริยธรรม AI เรียนรู้สิทธิมนุษยชนกรอบ" เสียงของอเมริกา ที่เก็บถาวรจากเดิมเมื่อวันที่ 11 พฤศจิกายน 2019 สืบค้นเมื่อ10 พฤศจิกายน 2562 .
  217. ^ Crevier 1993 , PP. 132-144
  218. ^ โจเซฟ Weizenbaumวิจารณ์ 'ของไอ: * Weizenbaum 1976 * Crevier 1993 , หน้า 132-144. * McCorduck 2004 , หน้า 356-373.*รัสเซลและ Norvig 2003พี 961Weizenbaum (นักวิจัย AI ผู้พัฒนาโปรแกรมแชทบอทตัวแรก ELIZA ) โต้แย้งในปี 2519 ว่าการใช้ปัญญาประดิษฐ์ในทางที่ผิดมีศักยภาพในการลดคุณค่าของชีวิตมนุษย์
  219. ^ วัลลักเวนเดล (2010) เครื่องคุณธรรม . สำนักพิมพ์มหาวิทยาลัยออกซ์ฟอร์ด
  220. ^ วัล 2010 , PP. 37-54
  221. ^ วัล 2010 , PP. 55-73
  222. ^ Wallach 2010 , "บทนำ".
  223. ^ a b Michael Anderson และ Susan Leigh Anderson (2011), Machine Ethics, Cambridge University Press
  224. ^ "เครื่องจริยธรรม" aaai.org . ที่เก็บถาวรจากเดิมเมื่อวันที่ 29 พฤศจิกายน 2014
  225. ^ รูบินชาร์ลส์ (ฤดูใบไม้ผลิ 2003) "ปัญญาประดิษฐ์และธรรมชาติของมนุษย์" . แอตแลนติใหม่ 1 : 88–100 สืบค้นจากต้นฉบับเมื่อ 11 มิถุนายน 2555.
  226. ^ บรูคส์ร็อดนีย์ (10 พฤศจิกายน 2014) "ปัญญาประดิษฐ์เป็นเครื่องมือที่ไม่เป็นภัยคุกคาม" สืบค้นจากต้นฉบับเมื่อ 12 พฤศจิกายน 2557.
  227. ^ "สตีเฟนฮอว์คิง Elon Musk และบิลเกตส์เตือนเกี่ยวกับปัญญาประดิษฐ์" ผู้สังเกตการณ์ . 19 สิงหาคม 2558. สืบค้นเมื่อ 30 ตุลาคม 2558 . สืบค้นเมื่อ30 ตุลาคม 2558 .
  228. ^ บิลเดวิด (1995) “ เผชิญหน้ากับปัญหาอย่างมีสติ” . วารสารศึกษาสติ . 2 (3): 200–219. สืบค้นจากต้นฉบับเมื่อวันที่ 8 มีนาคม 2548 . สืบค้นเมื่อ11 ตุลาคม 2561 .ดูลิงค์นี้ เก็บไว้เมื่อ 8 เมษายน 2011 ที่Wayback Machine
  229. ^ Horst, Steven , (2005) "The Computational Theory of Mind" เก็บถาวรเมื่อ 11 กันยายน 2018 ที่ Wayback Machineในสารานุกรมปรัชญาสแตนฟอร์ด
  230. ^ เซิล 1980พี 1.
  231. ^ เซิลร์ห้องจีนอาร์กิวเมนต์: *เซิล 1980 การนำเสนอดั้งเดิมของ Searle เกี่ยวกับการทดลองทางความคิด *เซิร์ล 1999 . อภิปราย: * Russell & Norvig 2003 , หน้า 958–960* McCorduck 2004 , หน้า 443–445* Crevier 1993 , หน้า 269–271
  232. ^ สิทธิของหุ่นยนต์ : * Russell & Norvig 2003 , p. 964ทารกเกิดก่อนกำหนดของ: *เฮนเดอ 2007ในนิยาย: * McCorduck (2004 ., PP 190-25)กล่าวถึง Frankensteinและระบุประเด็นด้านจริยธรรมที่สำคัญเป็นความโอหังทางวิทยาศาสตร์และความทุกข์ทรมานของสัตว์ประหลาดเช่นสิทธิหุ่นยนต์
  233. ^ "หุ่นยนต์สามารถเรียกร้องสิทธิตามกฎหมาย" ข่าวบีบีซี . 21 ธันวาคม 2549. สืบค้นเมื่อ 15 ตุลาคม 2562 . สืบค้นเมื่อ3 กุมภาพันธ์ 2554 .
  234. ^ อีแวนส์วู้ดดี้ (2558). "สิทธิหลังมนุษย์: มิติของโลกทรานส์มนุษย์" . Teknokultura . 12 (2). ดอย : 10.5209 / rev_TK.2015.v12.n2.49072 .
  235. ^ maschafilm "เนื้อหา: Plug & Pray ฟิล์ม - ปัญญาประดิษฐ์ - หุ่นยนต์ -" plugandpray-film.de . สืบค้นจากต้นฉบับเมื่อวันที่ 12 กุมภาพันธ์ 2559.
  236. ^ Omohundro สตีฟ (2008) ธรรมชาติของตัวเองปรับปรุงปัญญาประดิษฐ์ นำเสนอและเผยแพร่ในการประชุม Singularity Summit ปี 2007 ที่ซานฟรานซิสโก
  237. ^ a b c เอกฐานทางเทคโนโลยี : * Vinge 1993 * Kurzweil 2005 * Russell & Norvig 2003 , p. 963
  238. ^ Transhumanism : * Moravec 1988 * Kurzweil 2005 * Russell & Norvig 2003 , p. 963
  239. ^ AI เป็นวิวัฒนาการ: *เอ็ดเวิร์ดเฟรดกินให้สัมภาษณ์ใน McCorduck (2004 . พี 401) *บัตเลอร์ 1863 * Dyson 1998
  240. ^ "หุ่นยนต์และปัญญาประดิษฐ์" www.igmchicago.org . เก็บถาวรไปจากเดิมในวันที่ 1 พฤษภาคม 2019 สืบค้นเมื่อ3 กรกฎาคม 2562 .
  241. ^ "การคำนวณขนาดของรางวัล: PwC ทั่วโลก AI ศึกษาการใช้ประโยชน์จากการปฏิวัติ AI" (PDF) สืบค้นเมื่อ11 พฤศจิกายน 2563 .
  242. ^ E McGaughey 'หุ่นยนต์จะทำให้งานของคุณเป็นไปโดยอัตโนมัติหรือไม่? การจ้างงานเต็มรูปแบบรายได้ขั้นพื้นฐานและประชาธิปไตยทางเศรษฐกิจ '(2018) SSRN ตอนที่ 2 (3) เก็บถาวร 24 พฤษภาคม 2018 ที่ Wayback Machine
  243. ^ "การทำงานอัตโนมัติและความวิตกกังวล" ดิอีโคโนมิสต์ 9 พฤษภาคม 2558. สืบค้นเมื่อ 12 มกราคม 2561 . สืบค้นเมื่อ13 มกราคม 2561 .
  244. ^ Lohr สตีฟ (2017) "หุ่นยนต์จะใช้งาน แต่ไม่เป็นอย่างที่บางคนกลัวรายงานใหม่ Says" นิวยอร์กไทม์ส สืบค้นจากต้นฉบับเมื่อวันที่ 14 มกราคม 2018 . สืบค้นเมื่อ13 มกราคม 2561 .
  245. ^ เฟรย์คาร์ลเบเนดิกต์; Osborne, Michael A (1 มกราคม 2017). "อนาคตของการจ้างงาน: งานมีความอ่อนไหวต่อการใช้คอมพิวเตอร์เพียงใด". พยากรณ์เทคโนโลยีและการเปลี่ยนแปลงทางสังคม 114 : 254–280 CiteSeerX 10.1.1.395.416 ดอย : 10.1016 / j.techfore.2016.08.019 . ISSN 0040-1625  
  246. ^ Arntz เมลานีเทอร์รี่เกรกอรีและอู Zierahn "ความเสี่ยงของระบบอัตโนมัติสำหรับงานในประเทศ OECD: การวิเคราะห์เปรียบเทียบ" เอกสารการทำงานด้านสังคมการจ้างงานและการย้ายถิ่นของ OECD 189 (2016). น. 33.
  247. ^ Mahdawi, Arwa (26 June 2017). "What jobs will still be around in 20 years? Read this to prepare your future". The Guardian. Archived from the original on 14 January 2018. Retrieved 13 January 2018.
  248. ^ Simon, Matt (1 April 2019). "Andrew Yang's Presidential Bid Is So Very 21st Century". Wired. Archived from the original on 24 June 2019. Retrieved 2 May 2019 – via www.wired.com.
  249. ^ "Five experts share what scares them the most about AI". 5 September 2018. Archived from the original on 8 December 2019. Retrieved 8 December 2019.
  250. ^ Russel, Stuart., Daniel Dewey, and Max Tegmark. Research Priorities for Robust and Beneficial Artificial Intelligence. AI Magazine 36:4 (2015). 8 December 2016.
  251. ^ "Commentary: Bad news. Artificial intelligence is biased". CNA. 12 January 2019. Archived from the original on 12 January 2019. Retrieved 19 June 2020.
  252. ^ Jeff Larson, Julia Angwin (23 May 2016). "How We Analyzed the COMPAS Recidivism Algorithm". ProPublica. Archived from the original on 29 April 2019. Retrieved 19 June 2020.
  253. ^ Rawlinson, Kevin (29 January 2015). "Microsoft's Bill Gates insists AI is a threat". BBC News. Archived from the original on 29 January 2015. Retrieved 30 January 2015.
  254. ^ Holley, Peter (28 January 2015). "Bill Gates on dangers of artificial intelligence: 'I don't understand why some people are not concerned'". The Washington Post. ISSN 0190-8286. Archived from the original on 30 October 2015. Retrieved 30 October 2015.
  255. ^ Gibbs, Samuel (27 October 2014). "Elon Musk: artificial intelligence is our biggest existential threat". The Guardian. Archived from the original on 30 October 2015. Retrieved 30 October 2015.
  256. ^ Churm, Philip Andrew (14 May 2019). "Yuval Noah Harari talks politics, technology and migration". euronews. Retrieved 15 November 2020.
  257. ^ Cellan-Jones, Rory (2 December 2014). "Stephen Hawking warns artificial intelligence could end mankind". BBC News. Archived from the original on 30 October 2015. Retrieved 30 October 2015.
  258. ^ Bostrom, Nick (2015). "What happens when our computers get smarter than we are?". TED (conference). Archived from the original on 25 July 2020. Retrieved 30 January 2020.
  259. ^ a b Russell, Stuart (8 October 2019). Human Compatible: Artificial Intelligence and the Problem of Control. United States: Viking. ISBN 978-0-525-55861-3. OCLC 1083694322.
  260. ^ Post, Washington. "Tech titans like Elon Musk are spending $1 billion to save you from terminators". Archived from the original on 7 June 2016.
  261. ^ Müller, Vincent C.; Bostrom, Nick (2014). "Future Progress in Artificial Intelligence: A Poll Among Experts" (PDF). AI Matters. 1 (1): 9–11. doi:10.1145/2639475.2639478. S2CID 8510016. Archived (PDF) from the original on 15 January 2016.
  262. ^ "Oracle CEO Mark Hurd sees no reason to fear ERP AI". SearchERP. Archived from the original on 6 May 2019. Retrieved 6 May 2019.
  263. ^ "Mark Zuckerberg responds to Elon Musk's paranoia about AI: 'AI is going to... help keep our communities safe.'". Business Insider. 25 May 2018. Archived from the original on 6 May 2019. Retrieved 6 May 2019.
  264. ^ "The mysterious artificial intelligence company Elon Musk invested in is developing game-changing smart computers". Tech Insider. Archived from the original on 30 October 2015. Retrieved 30 October 2015.
  265. ^ Clark 2015a.
  266. ^ "Elon Musk Is Donating $10M Of His Own Money To Artificial Intelligence Research". Fast Company. 15 January 2015. Archived from the original on 30 October 2015. Retrieved 30 October 2015.
  267. ^ "Is artificial intelligence really an existential threat to humanity?". Bulletin of the Atomic Scientists. 9 August 2015. Archived from the original on 30 October 2015. Retrieved 30 October 2015.
  268. ^ "The case against killer robots, from a guy actually working on artificial intelligence". Fusion.net. Archived from the original on 4 February 2016. Retrieved 31 January 2016.
  269. ^ "Will artificial intelligence destroy humanity? Here are 5 reasons not to worry". Vox. 22 August 2014. Archived from the original on 30 October 2015. Retrieved 30 October 2015.
  270. ^ Berryhill, Jamie; Heang, Kévin Kok; Clogher, Rob; McBride, Keegan (2019). Hello, World: Artificial Intelligence and its Use in the Public Sector (PDF). Paris: OECD Observatory of Public Sector Innovation. Archived (PDF) from the original on 20 December 2019. Retrieved 9 August 2020.
  271. ^ Barfield, Woodrow; Pagallo, Ugo (2018). Research handbook on the law of artificial intelligence. Cheltenham, UK. ISBN 978-1-78643-904-8. OCLC 1039480085.
  272. ^ Law Library of Congress (U.S.). Global Legal Research Directorate, issuing body. Regulation of artificial intelligence in selected jurisdictions. LCCN 2019668143. OCLC 1110727808.
  273. ^ Wirtz, Bernd W.; Weyerer, Jan C.; Geyer, Carolin (24 July 2018). "Artificial Intelligence and the Public Sector—Applications and Challenges". International Journal of Public Administration. 42 (7): 596–615. doi:10.1080/01900692.2018.1498103. ISSN 0190-0692. S2CID 158829602. Archived from the original on 18 August 2020. Retrieved 22 August 2020.
  274. ^ Buiten, Miriam C (2019). "Towards Intelligent Regulation of Artificial Intelligence". European Journal of Risk Regulation. 10 (1): 41–59. doi:10.1017/err.2019.8. ISSN 1867-299X.
  275. ^ Sotala, Kaj; Yampolskiy, Roman V (19 December 2014). "Responses to catastrophic AGI risk: a survey". Physica Scripta. 90 (1): 018001. doi:10.1088/0031-8949/90/1/018001. ISSN 0031-8949.
  276. ^ Buttazzo, G. (July 2001). "Artificial consciousness: Utopia or real possibility?". Computer. 34 (7): 24–30. doi:10.1109/2.933500.
  277. ^ Anderson, Susan Leigh. "Asimov's "three laws of robotics" and machine metaethics." AI & Society 22.4 (2008): 477–493.
  278. ^ McCauley, Lee (2007). "AI armageddon and the three laws of robotics". Ethics and Information Technology. 9 (2): 153–164. CiteSeerX 10.1.1.85.8904. doi:10.1007/s10676-007-9138-2. S2CID 37272949.
  279. ^ Galvan, Jill (1 January 1997). "Entering the Posthuman Collective in Philip K. Dick's "Do Androids Dream of Electric Sheep?"". Science Fiction Studies. 24 (3): 413–429. JSTOR 4240644.

AI textbooks

  • Hutter, Marcus (2005). Universal Artificial Intelligence. Berlin: Springer. ISBN 978-3-540-22139-5.
  • Jackson, Philip (1985). Introduction to Artificial Intelligence (2nd ed.). Dover. ISBN 978-0-486-24864-6. Archived from the original on 26 July 2020. Retrieved 4 March 2020.
  • Luger, George; Stubblefield, William (2004). Artificial Intelligence: Structures and Strategies for Complex Problem Solving (5th ed.). Benjamin/Cummings. ISBN 978-0-8053-4780-7. Archived from the original on 26 July 2020. Retrieved 17 December 2019.
  • Neapolitan, Richard; Jiang, Xia (2018). Artificial Intelligence: With an Introduction to Machine Learning. Chapman & Hall/CRC. ISBN 978-1-138-50238-3. Archived from the original on 22 August 2020. Retrieved 3 January 2018.
  • Nilsson, Nils (1998). Artificial Intelligence: A New Synthesis. Morgan Kaufmann. ISBN 978-1-55860-467-4. Archived from the original on 26 July 2020. Retrieved 18 November 2019.
  • Russell, Stuart J.; Norvig, Peter (2003), Artificial Intelligence: A Modern Approach (2nd ed.), Upper Saddle River, New Jersey: Prentice Hall, ISBN 0-13-790395-2.
  • Russell, Stuart J.; Norvig, Peter (2009). Artificial Intelligence: A Modern Approach (3rd ed.). Upper Saddle River, New Jersey: Prentice Hall. ISBN 978-0-13-604259-4..
  • Poole, David; Mackworth, Alan; Goebel, Randy (1998). Computational Intelligence: A Logical Approach. New York: Oxford University Press. ISBN 978-0-19-510270-3. Archived from the original on 26 July 2020. Retrieved 22 August 2020.
  • Winston, Patrick Henry (1984). Artificial Intelligence. Reading, MA: Addison-Wesley. ISBN 978-0-201-08259-3. Archived from the original on 26 July 2020. Retrieved 22 August 2020.
  • Rich, Elaine (1983). Artificial Intelligence. McGraw-Hill. ISBN 978-0-07-052261-9. Archived from the original on 26 July 2020. Retrieved 17 December 2019.
  • Bundy, Alan (1980). Artificial Intelligence: An Introductory Course (2nd ed.). Edinburgh University Press. ISBN 978-0-85224-410-4.
  • Poole, David; Mackworth, Alan (2017). Artificial Intelligence: Foundations of Computational Agents (2nd ed.). Cambridge University Press. ISBN 978-1-107-19539-4. Archived from the original on 7 December 2017. Retrieved 6 December 2017.
  • Auffarth, Ben (2020). Artificial Intelligence with Python Cookbook: Proven recipes for applying AI algorithms and deep learning techniques using TensorFlow 2.x and PyTorch 1.6 (1st ed.). Packt Publishing. ISBN 978-1-78913-396-7. Retrieved 13 January 2021.
  • Gordon, Cindy (March 2021). The AI Dilemma (1st ed.). BPB publication. p. 224. ISBN 9788194837787.

History of AI

  • Crevier, Daniel (1993), AI: The Tumultuous Search for Artificial Intelligence, New York, NY: BasicBooks, ISBN 0-465-02997-3.
  • McCorduck, Pamela (2004), Machines Who Think (2nd ed.), Natick, MA: A. K. Peters, Ltd., ISBN 1-56881-205-1.
  • Newquist, HP (1994). The Brain Makers: Genius, Ego, And Greed In The Quest For Machines That Think. New York: Macmillan/SAMS. ISBN 978-0-672-30412-5.
  • Nilsson, Nils (2009). The Quest for Artificial Intelligence: A History of Ideas and Achievements. New York: Cambridge University Press. ISBN 978-0-521-12293-1.

Other sources

  • "ACM Computing Classification System: Artificial intelligence". ACM. 1998. Archived from the original on 12 October 2007. Retrieved 30 August 2007.
  • Albus, J. S. (2002). "4-D/RCS: A Reference Model Architecture for Intelligent Unmanned Ground Vehicles" (PDF). In Gerhart, G.; Gunderson, R.; Shoemaker, C. (eds.). Proceedings of the SPIE AeroSense Session on Unmanned Ground Vehicle Technology. Unmanned Ground Vehicle Technology IV. 3693. pp. 11–20. Bibcode:2002SPIE.4715..303A. CiteSeerX 10.1.1.15.14. doi:10.1117/12.474462. S2CID 63339739. Archived from the original (PDF) on 25 July 2004.
  • Aleksander, Igor (1995). Artificial Neuroconsciousness: An Update. IWANN. Archived from the original on 2 March 1997. BibTex Archived 2 March 1997 at the Wayback Machine.
  • Asada, M.; Hosoda, K.; Kuniyoshi, Y.; Ishiguro, H.; Inui, T.; Yoshikawa, Y.; Ogino, M.; Yoshida, C. (2009). "Cognitive developmental robotics: a survey". IEEE Transactions on Autonomous Mental Development. 1 (1): 12–34. doi:10.1109/tamd.2009.2021702. S2CID 10168773.
  • Bach, Joscha (2008). "Seven Principles of Synthetic Intelligence". In Wang, Pei; Goertzel, Ben; Franklin, Stan (eds.). Artificial General Intelligence, 2008: Proceedings of the First AGI Conference. IOS Press. pp. 63–74. ISBN 978-1-58603-833-5. Archived from the original on 8 July 2016. Retrieved 16 February 2016.
  • Brooks, Rodney (1990). "Elephants Don't Play Chess" (PDF). Robotics and Autonomous Systems. 6 (1–2): 3–15. CiteSeerX 10.1.1.588.7539. doi:10.1016/S0921-8890(05)80025-9. Archived (PDF) from the original on 9 August 2007.
  • Brooks, R. A. (1991). "How to build complete creatures rather than isolated cognitive simulators". In VanLehn, K. (ed.). Architectures for Intelligence. Hillsdale, NJ: Lawrence Erlbaum Associates. pp. 225–239. CiteSeerX 10.1.1.52.9510.
  • Buchanan, Bruce G. (2005). "A (Very) Brief History of Artificial Intelligence" (PDF). AI Magazine: 53–60. Archived from the original (PDF) on 26 September 2007.
  • Butler, Samuel (13 June 1863). "Darwin among the Machines". Letters to the Editor. The Press. Christchurch, New Zealand. Archived from the original on 19 September 2008. Retrieved 16 October 2014 – via Victoria University of Wellington.
  • Clark, Jack (1 July 2015a). "Musk-Backed Group Probes Risks Behind Artificial Intelligence". Bloomberg.com. Archived from the original on 30 October 2015. Retrieved 30 October 2015.
  • Clark, Jack (8 December 2015b). "Why 2015 Was a Breakthrough Year in Artificial Intelligence". Bloomberg.com. Archived from the original on 23 November 2016. Retrieved 23 November 2016.
  • Dennett, Daniel (1991). Consciousness Explained. The Penguin Press. ISBN 978-0-7139-9037-9.
  • Domingos, Pedro (2015). The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World. Basic Books. ISBN 978-0-465-06192-1.
  • Dowe, D. L.; Hajek, A. R. (1997). "A computational extension to the Turing Test". Proceedings of the 4th Conference of the Australasian Cognitive Science Society. Archived from the original on 28 June 2011.
  • Dreyfus, Hubert (1972). What Computers Can't Do. New York: MIT Press. ISBN 978-0-06-011082-6.
  • Dreyfus, Hubert; Dreyfus, Stuart (1986). Mind over Machine: The Power of Human Intuition and Expertise in the Era of the Computer. Oxford, UK: Blackwell. ISBN 978-0-02-908060-3. Archived from the original on 26 July 2020. Retrieved 22 August 2020.
  • Dreyfus, Hubert (1992). What Computers Still Can't Do. New York: MIT Press. ISBN 978-0-262-54067-4.
  • Dyson, George (1998). Darwin among the Machines. Allan Lane Science. ISBN 978-0-7382-0030-9. Archived from the original on 26 July 2020. Retrieved 22 August 2020.
  • Edelman, Gerald (23 November 2007). "Gerald Edelman – Neural Darwinism and Brain-based Devices". Talking Robots. Archived from the original on 8 October 2009.
  • Edelson, Edward (1991). The Nervous System. New York: Chelsea House. ISBN 978-0-7910-0464-7. Archived from the original on 26 July 2020. Retrieved 18 November 2019.
  • Fearn, Nicholas (2007). The Latest Answers to the Oldest Questions: A Philosophical Adventure with the World's Greatest Thinkers. New York: Grove Press. ISBN 978-0-8021-1839-4.
  • Gladwell, Malcolm (2005). Blink. New York: Little, Brown and Co. ISBN 978-0-316-17232-5.
  • Gödel, Kurt (1951). Some basic theorems on the foundations of mathematics and their implications. Gibbs Lecture. In
    Feferman, Solomon, ed. (1995). Kurt Gödel: Collected Works, Vol. III: Unpublished Essays and Lectures. Oxford University Press. pp. 304–23. ISBN 978-0-19-514722-3.
  • Goodman, Joanna (2016). Robots in Law: How Artificial Intelligence is Transforming Legal Services (1st ed.). Ark Group. ISBN 978-1-78358-264-8. Archived from the original on 8 November 2016. Retrieved 7 November 2016.
  • Haugeland, John (1985). Artificial Intelligence: The Very Idea. Cambridge, Mass.: MIT Press. ISBN 978-0-262-08153-5.
  • Hawkins, Jeff; Blakeslee, Sandra (2005). On Intelligence. New York, NY: Owl Books. ISBN 978-0-8050-7853-4.
  • Henderson, Mark (24 April 2007). "Human rights for robots? We're getting carried away". The Times Online. London. Archived from the original on 31 May 2014. Retrieved 31 May 2014.
  • Hernandez-Orallo, Jose (2000). "Beyond the Turing Test". Journal of Logic, Language and Information. 9 (4): 447–466. doi:10.1023/A:1008367325700. S2CID 14481982.
  • Hernandez-Orallo, J.; Dowe, D. L. (2010). "Measuring Universal Intelligence: Towards an Anytime Intelligence Test". Artificial Intelligence. 174 (18): 1508–1539. CiteSeerX 10.1.1.295.9079. doi:10.1016/j.artint.2010.09.006.
  • Hinton, G. E. (2007). "Learning multiple layers of representation". Trends in Cognitive Sciences. 11 (10): 428–434. doi:10.1016/j.tics.2007.09.004. PMID 17921042. S2CID 15066318.
  • Hofstadter, Douglas (1979). Gödel, Escher, Bach: an Eternal Golden Braid. New York, NY: Vintage Books. ISBN 978-0-394-74502-2.
  • Holland, John H. (1975). Adaptation in Natural and Artificial Systems. University of Michigan Press. ISBN 978-0-262-58111-0. Archived from the original on 26 July 2020. Retrieved 17 December 2019.
  • Howe, J. (November 1994). "Artificial Intelligence at Edinburgh University: a Perspective". Archived from the original on 15 May 2007. Retrieved 30 August 2007.
  • Hutter, M. (2012). "One Decade of Universal Artificial Intelligence". Theoretical Foundations of Artificial General Intelligence. Atlantis Thinking Machines. 4. pp. 67–88. CiteSeerX 10.1.1.228.8725. doi:10.2991/978-94-91216-62-6_5. ISBN 978-94-91216-61-9. S2CID 8888091.
  • Kahneman, Daniel; Slovic, D.; Tversky, Amos (1982). Judgment under uncertainty: Heuristics and biases. Science. 185. New York: Cambridge University Press. pp. 1124–1131. doi:10.1126/science.185.4157.1124. ISBN 978-0-521-28414-1. PMID 17835457. S2CID 143452957.
  • Kaplan, Andreas; Haenlein, Michael (2019). "Siri, Siri in my Hand, who's the Fairest in the Land? On the Interpretations, Illustrations and Implications of Artificial Intelligence". Business Horizons. 62: 15–25. doi:10.1016/j.bushor.2018.08.004.
  • Katz, Yarden (1 November 2012). "Noam Chomsky on Where Artificial Intelligence Went Wrong". The Atlantic. Archived from the original on 28 February 2019. Retrieved 26 October 2014.
  • Koza, John R. (1992). Genetic Programming (On the Programming of Computers by Means of Natural Selection). MIT Press. Bibcode:1992gppc.book.....K. ISBN 978-0-262-11170-6.
  • Kolata, G. (1982). "How can computers get common sense?". Science. 217 (4566): 1237–1238. Bibcode:1982Sci...217.1237K. doi:10.1126/science.217.4566.1237. PMID 17837639.
  • Kumar, Gulshan; Kumar, Krishan (2012). "The Use of Artificial-Intelligence-Based Ensembles for Intrusion Detection: A Review". Applied Computational Intelligence and Soft Computing. 2012: 1–20. doi:10.1155/2012/850160.
  • Kurzweil, Ray (1999). The Age of Spiritual Machines. Penguin Books. ISBN 978-0-670-88217-5.
  • Kurzweil, Ray (2005). The Singularity is Near. Penguin Books. ISBN 978-0-670-03384-3.
  • Lakoff, George; Núñez, Rafael E. (2000). Where Mathematics Comes From: How the Embodied Mind Brings Mathematics into Being. Basic Books. ISBN 978-0-465-03771-1.
  • Langley, Pat (2011). "The changing science of machine learning". Machine Learning. 82 (3): 275–279. doi:10.1007/s10994-011-5242-y.
  • Law, Diane (June 1994). Searle, Subsymbolic Functionalism and Synthetic Intelligence (Technical report). University of Texas at Austin. p. AI94-222. CiteSeerX 10.1.1.38.8384.
  • Legg, Shane; Hutter, Marcus (15 June 2007). A Collection of Definitions of Intelligence (Technical report). IDSIA. arXiv:0706.3639. Bibcode:2007arXiv0706.3639L. 07-07.
  • Lenat, Douglas; Guha, R. V. (1989). Building Large Knowledge-Based Systems. Addison-Wesley. ISBN 978-0-201-51752-1.
  • Lighthill, James (1973). "Artificial Intelligence: A General Survey". Artificial Intelligence: a paper symposium. Science Research Council.
  • Lucas, John (1961). "Minds, Machines and Gödel". In Anderson, A.R. (ed.). Minds and Machines. Archived from the original on 19 August 2007. Retrieved 30 August 2007.
  • Lungarella, M.; Metta, G.; Pfeifer, R.; Sandini, G. (2003). "Developmental robotics: a survey". Connection Science. 15 (4): 151–190. CiteSeerX 10.1.1.83.7615. doi:10.1080/09540090310001655110. S2CID 1452734.
  • Maker, Meg Houston (2006). "AI@50: AI Past, Present, Future". Dartmouth College. Archived from the original on 3 January 2007. Retrieved 16 October 2008.
  • Markoff, John (16 February 2011). "Computer Wins on 'Jeopardy!': Trivial, It's Not". The New York Times. Archived from the original on 22 October 2014. Retrieved 25 October 2014.
  • McCarthy, John; Minsky, Marvin; Rochester, Nathan; Shannon, Claude (1955). "A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence". Archived from the original on 26 August 2007. Retrieved 30 August 2007.
  • McCarthy, John; Hayes, P. J. (1969). "Some philosophical problems from the standpoint of artificial intelligence". Machine Intelligence. 4: 463–502. CiteSeerX 10.1.1.85.5082. Archived from the original on 10 August 2007. Retrieved 30 August 2007.
  • McCarthy, John (12 November 2007). "What Is Artificial Intelligence?". www-formal.stanford.edu. Archived from the original on 18 November 2015.
  • McCarthy, John (12 November 2007). "Applications of AI". www-formal.stanford.edu. Archived from the original on 28 August 2016. Retrieved 25 September 2016.
  • Minsky, Marvin (1967). Computation: Finite and Infinite Machines. Englewood Cliffs, N.J.: Prentice-Hall. ISBN 978-0-13-165449-5. Archived from the original on 26 July 2020. Retrieved 18 November 2019.
  • Minsky, Marvin (2006). The Emotion Machine. New York, NY: Simon & Schusterl. ISBN 978-0-7432-7663-4.
  • Moravec, Hans (1988). Mind Children. Harvard University Press. ISBN 978-0-674-57616-2. Archived from the original on 26 July 2020. Retrieved 18 November 2019.
  • Norvig, Peter (25 June 2012). "On Chomsky and the Two Cultures of Statistical Learning". Peter Norvig. Archived from the original on 19 October 2014.
  • NRC (United States National Research Council) (1999). "Developments in Artificial Intelligence". Funding a Revolution: Government Support for Computing Research. National Academy Press.
  • Needham, Joseph (1986). Science and Civilization in China: Volume 2. Caves Books Ltd.
  • Newell, Allen; Simon, H. A. (1976). "Computer Science as Empirical Inquiry: Symbols and Search". Communications of the ACM. 19 (3): 113–126. doi:10.1145/360018.360022..
  • Nilsson, Nils (1983). "Artificial Intelligence Prepares for 2001" (PDF). AI Magazine. 1 (1). Archived (PDF) from the original on 17 August 2020. Retrieved 22 August 2020. Presidential Address to the Association for the Advancement of Artificial Intelligence.
  • O'Brien, James; Marakas, George (2011). Management Information Systems (10th ed.). McGraw-Hill/Irwin. ISBN 978-0-07-337681-3.
  • O'Connor, Kathleen Malone (1994). The alchemical creation of life (takwin) and other concepts of Genesis in medieval Islam (Dissertation). University of Pennsylvania. pp. 1–435. AAI9503804. Archived from the original on 5 December 2019. Retrieved 27 August 2008 – via Dissertations available from ProQuest.
  • Oudeyer, P-Y. (2010). "On the impact of robotics in behavioral and cognitive sciences: from insect navigation to human cognitive development" (PDF). IEEE Transactions on Autonomous Mental Development. 2 (1): 2–16. doi:10.1109/tamd.2009.2039057. S2CID 6362217. Archived (PDF) from the original on 3 October 2018. Retrieved 4 June 2013.
  • Penrose, Roger (1989). The Emperor's New Mind: Concerning Computer, Minds and The Laws of Physics. Oxford University Press. ISBN 978-0-19-851973-7.
  • Poli, R.; Langdon, W. B.; McPhee, N. F. (2008). A Field Guide to Genetic Programming. Lulu.com. ISBN 978-1-4092-0073-4. Archived from the original on 8 August 2015. Retrieved 21 April 2008 – via gp-field-guide.org.uk.
  • Rajani, Sandeep (2011). "Artificial Intelligence – Man or Machine" (PDF). International Journal of Information Technology and Knowledge Management. 4 (1): 173–176. Archived from the original (PDF) on 18 January 2013.
  • Ronald, E. M. A. and Sipper, M. Intelligence is not enough: On the socialization of talking machines, Minds and Machines Archived 25 July 2020 at the Wayback Machine, vol. 11, no. 4, pp. 567–576, November 2001.
  • Ronald, E. M. A. and Sipper, M. What use is a Turing chatterbox? Archived 25 July 2020 at the Wayback Machine, Communications of the ACM, vol. 43, no. 10, pp. 21–23, October 2000.
  • "Science". August 1982. Archived from the original on 25 July 2020. Retrieved 16 February 2016.
  • Searle, John (1980). "Minds, Brains and Programs" (PDF). Behavioral and Brain Sciences. 3 (3): 417–457. doi:10.1017/S0140525X00005756. Archived (PDF) from the original on 17 March 2019. Retrieved 22 August 2020.
  • Searle, John (1999). Mind, language and society. New York, NY: Basic Books. ISBN 978-0-465-04521-1. OCLC 231867665. Archived from the original on 26 July 2020. Retrieved 22 August 2020.
  • Shapiro, Stuart C. (1992). "Artificial Intelligence". In Shapiro, Stuart C. (ed.). Encyclopedia of Artificial Intelligence (PDF) (2nd ed.). New York: John Wiley. pp. 54–57. ISBN 978-0-471-50306-4. Archived (PDF) from the original on 1 February 2016. Retrieved 29 May 2009.
  • Simon, H. A. (1965). The Shape of Automation for Men and Management. New York: Harper & Row. Archived from the original on 26 July 2020. Retrieved 18 November 2019.
  • Skillings, Jonathan (3 July 2006). "Getting Machines to Think Like Us". cnet. Archived from the original on 16 November 2011. Retrieved 3 February 2011.
  • Solomonoff, Ray (1956). An Inductive Inference Machine (PDF). Dartmouth Summer Research Conference on Artificial Intelligence. Archived (PDF) from the original on 26 April 2011. Retrieved 22 March 2011 – via std.com, pdf scanned copy of the original. Later published as
    Solomonoff, Ray (1957). "An Inductive Inference Machine". IRE Convention Record. Section on Information Theory, part 2. pp. 56–62.
  • Tao, Jianhua; Tan, Tieniu (2005). Affective Computing and Intelligent Interaction. Affective Computing: A Review. LNCS 3784. Springer. pp. 981–995. doi:10.1007/11573548.
  • Tecuci, Gheorghe (March–April 2012). "Artificial Intelligence". Wiley Interdisciplinary Reviews: Computational Statistics. 4 (2): 168–180. doi:10.1002/wics.200.
  • Thro, Ellen (1993). Robotics: The Marriage of Computers and Machines. New York: Facts on File. ISBN 978-0-8160-2628-9. Archived from the original on 26 July 2020. Retrieved 22 August 2020.
  • Turing, Alan (October 1950), "Computing Machinery and Intelligence", Mind, LIX (236): 433–460, doi:10.1093/mind/LIX.236.433, ISSN 0026-4423.
  • van der Walt, Christiaan; Bernard, Etienne (2006). "Data characteristics that determine classifier performance" (PDF). Archived from the original (PDF) on 25 March 2009. Retrieved 5 August 2009.
  • Vinge, Vernor (1993). "The Coming Technological Singularity: How to Survive in the Post-Human Era". Vision 21: Interdisciplinary Science and Engineering in the Era of Cyberspace: 11. Bibcode:1993vise.nasa...11V. Archived from the original on 1 January 2007. Retrieved 14 November 2011.
  • Wason, P. C.; Shapiro, D. (1966). "Reasoning". In Foss, B. M. (ed.). New horizons in psychology. Harmondsworth: Penguin. Archived from the original on 26 July 2020. Retrieved 18 November 2019.
  • Weizenbaum, Joseph (1976). Computer Power and Human Reason. San Francisco: W.H. Freeman & Company. ISBN 978-0-7167-0464-5.
  • Weng, J.; McClelland; Pentland, A.; Sporns, O.; Stockman, I.; Sur, M.; Thelen, E. (2001). "Autonomous mental development by robots and animals" (PDF). Science. 291 (5504): 599–600. doi:10.1126/science.291.5504.599. PMID 11229402. S2CID 54131797. Archived (PDF) from the original on 4 September 2013. Retrieved 4 June 2013 – via msu.edu.

Further reading

  • DH Author, 'Why Are There Still So Many Jobs? The History and Future of Workplace Automation' (2015) 29(3) Journal of Economic Perspectives 3.
  • Boden, Margaret, Mind As Machine, Oxford University Press, 2006.
  • Cukier, Kenneth, "Ready for Robots? How to Think about the Future of AI", Foreign Affairs, vol. 98, no. 4 (July/August 2019), pp. 192–98. George Dyson, historian of computing, writes (in what might be called "Dyson's Law") that "Any system simple enough to be understandable will not be complicated enough to behave intelligently, while any system complicated enough to behave intelligently will be too complicated to understand." (p. 197.) Computer scientist Alex Pentland writes: "Current AI machine-learning algorithms are, at their core, dead simple stupid. They work, but they work by brute force." (p. 198.)
  • Domingos, Pedro, "Our Digital Doubles: AI will serve our species, not control it", Scientific American, vol. 319, no. 3 (September 2018), pp. 88–93.
  • Gopnik, Alison, "Making AI More Human: Artificial intelligence has staged a revival by starting to incorporate what we know about how children learn", Scientific American, vol. 316, no. 6 (June 2017), pp. 60–65.
  • Johnston, John (2008) The Allure of Machinic Life: Cybernetics, Artificial Life, and the New AI, MIT Press.
  • Koch, Christof, "Proust among the Machines", Scientific American, vol. 321, no. 6 (December 2019), pp. 46–49. Christof Koch doubts the possibility of "intelligent" machines attaining consciousness, because "[e]ven the most sophisticated brain simulations are unlikely to produce conscious feelings." (p. 48.) According to Koch, "Whether machines can become sentient [is important] for ethical reasons. If computers experience life through their own senses, they cease to be purely a means to an end determined by their usefulness to... humans. Per GNW [the Global Neuronal Workspace theory], they turn from mere objects into subjects... with a point of view.... Once computers' cognitive abilities rival those of humanity, their impulse to push for legal and political rights will become irresistible – the right not to be deleted, not to have their memories wiped clean, not to suffer pain and degradation. The alternative, embodied by IIT [Integrated Information Theory], is that computers will remain only supersophisticated machinery, ghostlike empty shells, devoid of what we value most: the feeling of life itself." (p. 49.)
  • Marcus, Gary, "Am I Human?: Researchers need new ways to distinguish artificial intelligence from the natural kind", Scientific American, vol. 316, no. 3 (March 2017), pp. 58–63. A stumbling block to AI has been an incapacity for reliable disambiguation. An example is the "pronoun disambiguation problem": a machine has no way of determining to whom or what a pronoun in a sentence refers. (p. 61.)
  • E McGaughey, 'Will Robots Automate Your Job Away? Full Employment, Basic Income, and Economic Democracy' (2018) SSRN, part 2(3) Archived 24 May 2018 at the Wayback Machine.
  • George Musser, "Artificial Imagination: How machines could learn creativity and common sense, among other human qualities", Scientific American, vol. 320, no. 5 (May 2019), pp. 58–63.
  • Myers, Courtney Boyd ed. (2009). "The AI Report" Archived 29 July 2017 at the Wayback Machine. Forbes June 2009
  • Raphael, Bertram (1976). The Thinking Computer. W.H.Freeman and Company. ISBN 978-0-7167-0723-3. Archived from the original on 26 July 2020. Retrieved 22 August 2020.
  • Scharre, Paul, "Killer Apps: The Real Dangers of an AI Arms Race", Foreign Affairs, vol. 98, no. 3 (May/June 2019), pp. 135–44. "Today's AI technologies are powerful but unreliable. Rules-based systems cannot deal with circumstances their programmers did not anticipate. Learning systems are limited by the data on which they were trained. AI failures have already led to tragedy. Advanced autopilot features in cars, although they perform well in some circumstances, have driven cars without warning into trucks, concrete barriers, and parked cars. In the wrong situation, AI systems go from supersmart to superdumb in an instant. When an enemy is trying to manipulate and hack an AI system, the risks are even greater." (p. 140.)
  • Serenko, Alexander (2010). "The development of an AI journal ranking based on the revealed preference approach" (PDF). Journal of Informetrics. 4 (4): 447–459. doi:10.1016/j.joi.2010.04.001. Archived (PDF) from the original on 4 October 2013. Retrieved 24 August 2013.
  • Serenko, Alexander; Michael Dohan (2011). "Comparing the expert survey and citation impact journal ranking methods: Example from the field of Artificial Intelligence" (PDF). Journal of Informetrics. 5 (4): 629–649. doi:10.1016/j.joi.2011.06.002. Archived (PDF) from the original on 4 October 2013. Retrieved 12 September 2013.
  • Tom Simonite (29 December 2014). "2014 in Computing: Breakthroughs in Artificial Intelligence". MIT Technology Review.
  • Sun, R. & Bookman, L. (eds.), Computational Architectures: Integrating Neural and Symbolic Processes. Kluwer Academic Publishers, Needham, MA. 1994.
  • Taylor, Paul, "Insanely Complicated, Hopelessly Inadequate" (review of Brian Cantwell Smith, The Promise of Artificial Intelligence: Reckoning and Judgment, MIT, October 2019, ISBN 978 0 262 04304 5, 157 pp.; Gary Marcus and Ernest Davis, Rebooting AI: Building Artificial Intelligence We Can Trust, Ballantine, September 2019, ISBN 978 1 5247 4825 8, 304 pp.; Judea Pearl and Dana Mackenzie, The Book of Why: The New Science of Cause and Effect, Penguin, May 2019, ISBN 978 0 14 198241 0, 418 pp.), London Review of Books, vol. 43, no. 2 (21 January 2021), pp. 37–39. Paul Taylor writes (p. 39): "Perhaps there is a limit to what a computer can do without knowing that it is manipulating imperfect representations of an external reality."
  • Tooze, Adam, "Democracy and Its Discontents", The New York Review of Books, vol. LXVI, no. 10 (6 June 2019), pp. 52–53, 56–57. "Democracy has no clear answer for the mindless operation of bureaucratic and technological power. We may indeed be witnessing its extension in the form of artificial intelligence and robotics. Likewise, after decades of dire warning, the environmental problem remains fundamentally unaddressed.... Bureaucratic overreach and environmental catastrophe are precisely the kinds of slow-moving existential challenges that democracies deal with very badly.... Finally, there is the threat du jour: corporations and the technologies they promote." (pp. 56–57.)

External links

  • "Artificial Intelligence". Internet Encyclopedia of Philosophy.
  • Thomason, Richmond. "Logic and Artificial Intelligence". In Zalta, Edward N. (ed.). Stanford Encyclopedia of Philosophy.
  • Artificial Intelligence, BBC Radio 4 discussion with John Agar, Alison Adam & Igor Aleksander (In Our Time, Dec. 8, 2005)