这一切都是从哪里开始的呢?人工智能这个术语是由约翰·麦卡锡而不是阿兰·图灵的关键达特茅斯车间(1956)。这个车间是人工智能研究领域的诞生地。它持续了大约8周达特茅斯学院(美国新罕布什尔州),本质上是一段关于机器思维的头脑风暴会议涉及11个科学家(例如,马文•明斯基,约翰·麦卡锡)。
本车间的不谦虚的目标是研究学习的方方面面的猜想,任何类型的情报或任何其他功能,原则上可以如此精确地描述计算机系统可以模拟。这个车间正式成立计算机科学人工智能的分场。重要的是要注意,这个车间的名字AI是主要因为它的中立性。组织者希望这组主要研究人员的时间,以避免过分狭隘地关注特定主题(如自动机理论,复杂的信息处理,控制论)。这就是人工智能而得名。
人工智能是如何定义的?根据车间的核心理念,我们可以很容易地推断出人工智能领域的假设可以机械化,从而模拟智能计算机系统。因此,人工智能领域旨在与情报(至少)建立思考机器与人类的心灵。人工智能匹配的程度的实际功能人类大脑被称为生物合理性。但注意生物合理性是更多的人工智能研究指南,不是强制性的要求。简而言之,人工智能是机械化智能的目的。这是我们的口号,我们神圣的群的话,以反映在人工智能的目的。
人工智能是一个概念,这个概念是由技术实现(例如,机器学习)来执行某些任务(例如,图像识别)。
换句话说,AI可以被理解为这些背后的科学技术,而这些技术是用来执行特定的任务。不要混淆的技术(例如,深机器学习)与人工智能的概念。他们之间有微妙但重大差异。同时,停止思考机器人作为AIs。机器人是一个容器人工智能。人工智能本身内部机器人。人工智能是大脑,机器人身体(蒂姆的城市)。这就是你需要知道的。
值得注意的是,我们排除术语“人”从“智能”一词的目的,因为尽管人类思维是最先进的思维系统,我们知道,人类的智慧,特别是一般AI(下面定义)不需要任何东西。例如,一个战斗机并不是类似于一只鸟。都有翅膀,都飞,但战斗机是一个威胁,没有鸟,所以它不是一个有用的比较。
根据人工智能研究罗伯特英里(诺丁汉大学),计算机系统可以更不同(例如,自私)比我们可以想象,因为所有可能的智能的空间太大。想象一下你空间的智能生物进化可以产生,并在,你有实际的空间智能(小得多,但仍巨大),存在,在人类智慧,等等。人类智慧的空间是一个极小的点小点小点在所有可能的空间智能。因此,所有可能的智能的空间是巨大的,所以是所有可能的空间行为系统。这意味着一个AI必须不一定像人类一样思考认为,因此表现得像一个人的行为。因此,人工智能可能是完全不同的生活智慧。
底线。AI研究不仅探索人类智能;它探索了整个空间的所有可能的智能。
我们如何定义智力吗?事实是,AI很难定义,因为智慧是很难定义的。让我们解决这个问题,因为只是把“智能”一词没有任何进一步的解释没有帮助。我们应该(至少)尝试定义它。问题是,我们不知道一个正式定义的情报。这个事实可能伤害了一会儿,但是请记住,一个谎言伤害,直到永远。
根据一项研究纸(2007年6月),人工智能研究本身就是在这个问题上分歧。本文约70非正式情报收集来自不同学科的定义(例如,心理学,计算机科学)。似乎有一样多的定义情报有专家要求定义(罗伯特·斯特恩伯格)。然而,本文的作者也认为,在很多情况下,不同的定义(适当解释)实际上说同样的事情但是在不同的单词。这就是为什么作者把所有收集到的关键属性定义放在一起,认为情报措施代理实现目标的能力范围广泛的环境。特性,比如学习和适应的能力和理解隐含在这个定义,因为这些能力使代理能够在广泛的环境中取得成功。
底线。仍然没有标准定义的情报,可能没有。这仍然是一个伟大的辩论,因为它是一个明确的问题的核心。
一般来说,人工智能领域分为两组:狭窄的人工智能和人工智能。
目前贴上AI在很大程度上是狭窄的AI(或弱人工智能、专业AI)。狭义人工智能集中在执行一个任务(例如,下棋)或在一个域(例如,玩棋盘游戏)和越来越好。因此,一条狭窄的人工智能的计算机系统可以被理解为智能应用于特定问题的能力。
通用AI(或真正的人工智能,强人工智能)可以被理解为一个计算机系统与智能应用于任何问题的能力。这是人工智能研究的圣杯,真正的新的黑人。虽然说了几十年,它马上就来了,很可能是前一段时间我们面对一般的人工智能。根据黛米斯。(首席执行官,DeepMind),转移学习(机器学习的分场)可能是一般的人工智能的关键。转移学习时你获得转移知识解决一个问题在一个域(例如,下棋)到另一个完全不相关的领域(如天气预报)解决问题的领域知识的基础上获得在前面的域。
弗朗索瓦Chollet(人工智能研究员,Google)得出的结论是,你不能实现一般AI就扩大今天的技术(例如,机器学习)。杰弗里•辛顿(多伦多大学),被认为是人工智能的教父,说我们需要扔掉所有当前的技术,实现通用AI重新开始。
罗杰·彭罗斯看着一般人工智能从更广泛的角度探索意义的区别,理解,和计算。基于数学计算的本质,他证明了计算机系统不了解,将永远无法理解。他表明,理解不来自数学和计算规则。根据不同的例子(下面),彭罗斯认为理解是没有封装计算规则。因此,理解不是),这不是算法,这并不是机器可决定的。不用担心;我们不会深入研究这些哲学问题。让我们探讨澄清一些事情的一个例子。
罗杰·彭罗斯问计算机系统是否能够处理无限的概念。想到这句话:“两个奇数相加;你总是一个偶数。”的一份声明中无限的东西,你不必觉得很难意识到这是适用于所有的数字,和无限的数字。注意,这句话是数学证明。这是一个数学真理。现在,想象一下你把这个语句(增加两个奇数偶数)在一个计算机系统。
接下来的问题是,“计算机系统能证明这个数学真理?“证明这个说法,我们需要一组规则(公理)。这些规则将会给你一个证明。所以,如果你想使用这些规则,你需要相信每个规则是正确的,您想要使用的规则集是一致的。一致性(以粗略计算)意味着你不能胡说(矛盾)来自这些规则(例如,2 = 3)。
在数学中,这些规则非常简单。例如,假设自然数字x和y。(皮亚诺公理)说,“当x = y, y = x。“这很简单,所以我们认为这个规则是正确的。这是什么意思?奥地利的数学家库尔特·哥德尔显示(以粗略的计算),如果你有一组规则,您可以构建一个语句(例如,添加两个奇数总是给一个偶数)内设置规则,有奇怪的属性,这是真的(一方面),但没有证据表明这句话在这组规则(无论多么大的规则集)。
这是所谓的哥德尔定理。这些定理硬限制我们可以知道在数学。简单来说,这意味着数学真理(总是)不能减少机械规则。这个(反过来)意味着数学真理不能(总是)由计算机系统检查。因此,有一个事实和证据之间的差距,因为并不是所有可以证明真正的数学陈述。出于这个原因,彭罗斯(和其他很多)得出的结论是,理解不是)。他声称在我们的大脑不是)。这不是算法,所以它不是机器可决定的。令人震惊的。
不相信吗?然后看这个解释通过Marcus du Sautoy。
从这一切,变得清澈,狭窄的AI人工智能的唯一形式,人类取得了迄今为止。我们已经建立了非常复杂的狭窄的AIs超越人类非常具体的任务,如下棋、打去,作出购买建议,做出销售预测,天气预报,在成堆的图像和数据,识别模式和驾驶汽车。然而,我们还没有建立一个人工智能,可以做所有这一切(至少)以及人类(一般人类AI)或更好的(一般人工超智)。从这个角度来看,一般AI(夸大)的情况下可以被理解为如何让计算机系统的科学在电影里做他们做的事(Astro出纳员)。
所以,如果你是生活在地球,你可能已经经历过某种形式的人工智能。不幸的是,只有狭窄的AI(经常,只是假的AI)。
底线。有两种类型的人工智能,区别是重要的。
我们在哪里画的AI和不是人工智能是什么?简短的回答是,“这取决于!”
最后,我们得出结论:人工智能仍然是一个发展的术语,因为人工智能的定义是不同的不同的社区,它的定义将继续改变未来的进步。