1. ¿Qué es la inteligencia artificial?
Inteligencia Artificial (IA). Es una nueva ciencia técnica que estudia y desarrolla teorías, métodos, tecnologías y sistemas de aplicación que simulan, amplían y amplían la inteligencia humana. La inteligencia artificial es una rama de la informática que intenta comprender la naturaleza de la inteligencia y producir un nuevo tipo de máquina inteligente capaz de responder de manera similar a la inteligencia humana. La investigación en esta área incluye robótica, reconocimiento de lenguaje, reconocimiento de imágenes, procesamiento del lenguaje natural y sistemas expertos. La inteligencia artificial es una ciencia de nueva tecnología que estudia y desarrolla teorías, métodos, tecnologías y sistemas de aplicación que simulan, extienden y expanden la inteligencia humana. Desde el nacimiento de la inteligencia artificial, la teoría y la tecnología se han vuelto cada vez más maduras y los campos de aplicación continúan expandiéndose, pero no existe una definición unificada.
La inteligencia artificial es la simulación del proceso de información de la conciencia y el pensamiento humanos. La inteligencia artificial no es inteligencia humana, pero puede pensar como los humanos o superar la inteligencia humana. Pero este tipo de inteligencia artificial avanzada con pensamiento propio todavía requiere avances en la teoría científica y la ingeniería.
La inteligencia artificial es una ciencia desafiante y las personas que se dedican a este trabajo deben comprender los conocimientos informáticos, la psicología y la filosofía. La inteligencia artificial es una ciencia muy amplia que consta de diferentes campos como el aprendizaje automático, la visión por computadora, etc. En términos generales, uno de los principales objetivos de la investigación en inteligencia artificial es permitir que las máquinas realicen tareas complejas que normalmente requieren inteligencia humana. Pero diferentes épocas y diferentes personas tienen diferentes interpretaciones de este "trabajo complejo".
La definición de inteligencia industrial se puede dividir en dos partes: "artificial" e "inteligencia". "Artificial" es más fácil de entender y menos controvertido. A veces tenemos que considerar qué pueden hacer los humanos, o si los humanos son lo suficientemente inteligentes como para crear inteligencia artificial, etc. Pero, en general, los "sistemas artificiales" son sistemas artificiales en el sentido habitual.
Hay muchas preguntas sobre qué es la “inteligencia”. Esto implica otras cuestiones como la conciencia, el yo, la mente (incluida la mente inconsciente). Generalmente se cree que la única inteligencia que la gente conoce es la propia. Sin embargo, nuestra comprensión de los elementos necesarios de nuestra inteligencia y la humana es muy limitada, lo que dificulta definir qué es la inteligencia “artificial”. Por tanto, la investigación sobre inteligencia artificial implica a menudo el estudio de la propia inteligencia humana. Otras inteligencias en animales u otros sistemas artificiales también se consideran generalmente temas de investigación relacionados con la inteligencia artificial.
La inteligencia artificial está recibiendo cada vez más atención en el ámbito informático. Tiene aplicaciones en robótica, toma de decisiones económicas y políticas, sistemas de control y sistemas de simulación.
Robot de inteligencia artificial
El profesor Nelson del famoso Centro de Investigación de Inteligencia Artificial de la Universidad de Stanford en Estados Unidos define la inteligencia artificial así: "La inteligencia artificial es un tema sobre el conocimiento: cómo expresarlo". eso Conocimiento, cómo adquirir y utilizar el conocimiento ". Otro profesor del MIT, Winston, cree: "La inteligencia artificial es el estudio de cómo hacer que las computadoras realicen trabajos inteligentes que en el pasado sólo los humanos podían hacer". Estas afirmaciones reflejan los conceptos básicos de Inteligencia artificial. Pensamientos y contenidos. Es decir, la inteligencia artificial es el estudio de las leyes de las actividades inteligentes humanas, la construcción de sistemas artificiales con cierta inteligencia y el estudio de cómo hacer que las computadoras realicen trabajos que requirieron inteligencia humana en el pasado, es decir, las teorías básicas, métodos y tecnologías sobre cómo utilizar software y hardware para simular algunos comportamientos humanos inteligentes.
La inteligencia artificial es una rama de la informática y ha sido conocida como una de las tres tecnologías de vanguardia del mundo (tecnología espacial, tecnología energética e inteligencia artificial) desde la década de 1970. También se considera una de las tres tecnologías de vanguardia del siglo XXI (ingeniería genética, nanociencia e inteligencia artificial). Esto se debe a que se ha desarrollado rápidamente en los últimos 30 años, se ha utilizado ampliamente en muchas disciplinas y ha logrado resultados fructíferos. La inteligencia artificial se ha convertido gradualmente en una rama independiente, autónoma en teoría y práctica.
La inteligencia artificial es la materia que estudia cómo permitir que los ordenadores simulen algunos de los procesos de pensamiento y comportamientos inteligentes humanos (como el aprendizaje, el razonamiento, el pensamiento, la planificación, etc.). Incluye principalmente los principios de la realización de la inteligencia por computadora, haciendo que las computadoras sean similares a la inteligencia del cerebro humano y permitiendo que las computadoras logren aplicaciones de nivel superior. La inteligencia artificial involucrará la informática, la psicología, la filosofía y la lingüística. Se puede decir que casi todas las disciplinas de las ciencias naturales y sociales han ido mucho más allá del alcance de la informática. La relación entre la inteligencia artificial y la ciencia del pensamiento es la de práctica y teoría. La inteligencia artificial se encuentra en el nivel de aplicación técnica de la ciencia del pensamiento y es una rama de aplicación de la misma.
Desde la perspectiva del pensamiento, la inteligencia artificial no se limita al pensamiento lógico. Sólo el pensamiento de imágenes y el pensamiento inspirador pueden promover el desarrollo revolucionario de la inteligencia artificial. Las matemáticas a menudo se consideran la ciencia básica de muchas materias, y las matemáticas también han entrado en los campos del lenguaje y el pensamiento. El tema de la inteligencia artificial también debe tomar prestadas herramientas matemáticas. Las matemáticas no sólo desempeñan un papel dentro del ámbito de la lógica estándar y las matemáticas difusas, sino que también entran en la disciplina de la inteligencia artificial, que se promoverán entre sí y se desarrollarán más rápidamente.
2 Editor de valor de investigación
Robots con inteligencia artificial
Por ejemplo, inicialmente el cerebro humano realizaba pesados cálculos científicos y de ingeniería. Las computadoras actuales no sólo pueden completar este cálculo, sino que también pueden hacerlo más rápido y con mayor precisión que el cerebro humano. Por lo tanto, la gente contemporánea ya no ve este cálculo como una "tarea compleja que requiere inteligencia humana". Se puede ver que la definición de trabajo complejo cambia con el desarrollo de los tiempos y el avance de la tecnología, y los objetivos específicos de la inteligencia artificial se desarrollan naturalmente con los cambios de los tiempos. Por un lado, constantemente logramos nuevos avances y, por otro, avanzamos hacia objetivos más significativos y difíciles.
La base matemática del aprendizaje automático general es la estadística, la teoría de la información y la teoría del control. También se incluyen otras materias no matemáticas. Este tipo de "aprendizaje automático" depende en gran medida de la "experiencia". Las computadoras necesitan adquirir conocimientos y aprender estrategias constantemente a partir de la experiencia de resolver un tipo de problema. Cuando se encuentran con problemas similares, utilizan el conocimiento experiencial para resolver problemas y acumular nuevas experiencias, al igual que la gente común. Podemos llamar a este método de aprendizaje "aprendizaje continuo". Pero además de aprender de la experiencia, los humanos también pueden crear, lo que supone un "aprendizaje salto". A esto se le llama "inspiración" o "epifanía" en algunos casos. Durante mucho tiempo, lo más difícil de aprender sobre las computadoras es la "epifanía". O, más estrictamente hablando, es difícil para las computadoras aprender "cambios cualitativos independientes de los cambios cuantitativos" en el aprendizaje y la práctica, y es difícil pasar directamente de una propiedad a otra, o de un concepto a otro. Debido a esto, el “cultivo” aquí no es lo mismo que la práctica humana. El proceso de la práctica humana incluye tanto la experiencia como la creación. [1]
Esto es con lo que sueñan los investigadores inteligentes.
2065 438+03 S.C WANG, un investigador de datos del Digin Data Center, desarrolló un nuevo método de análisis de datos y derivó un nuevo método para estudiar las propiedades de las funciones. El autor considera que los nuevos métodos de análisis de datos proporcionan una forma de "crear" para la sociedad informática. Básicamente, este enfoque proporciona una forma bastante eficaz de simular la creatividad humana. Este enfoque está dotado de las matemáticas y es una "habilidad" que la gente corriente no puede tener pero que las computadoras sí pueden tener. A partir de entonces, las computadoras no sólo eran buenas en informática, sino también buenas en creación porque eran buenas en informática. Los informáticos deberían privar categóricamente a las computadoras "creativas" de capacidades informáticas demasiado completas; de lo contrario, algún día las computadoras realmente "capturarán" a los humanos. [1]
Al revisar el proceso de derivación y las matemáticas del nuevo método, el autor amplía su comprensión del pensamiento y las matemáticas. Las matemáticas son concisas, claras, confiables y se basan en modelos. En la historia del desarrollo de las matemáticas, la creatividad de los maestros matemáticos brilla por todas partes. Estas ideas se presentan en forma de varios teoremas o conclusiones matemáticas. La característica más importante de los teoremas matemáticos es que se basan en algunos conceptos y axiomas básicos, se expresan en un lenguaje modelado y son ricos en información. Cabe decir que las matemáticas son la materia más simple y directa que encarna (al menos un) modelo de creatividad. [1]
3 Editor de introducción científica
Aplicación práctica
Visión artificial: visión artificial, reconocimiento de huellas dactilares, reconocimiento facial, reconocimiento de retina, reconocimiento de iris, reconocimiento de palma Reconocimiento de patrones, sistemas expertos, planificación automática, búsqueda inteligente, demostración de teoremas, juegos, programación automática, control inteligente, robótica, comprensión del lenguaje e imágenes, programación genética, etc.
Categorías temáticas
La inteligencia artificial es un tema interdisciplinario, perteneciente a la intersección de las ciencias naturales y las ciencias sociales.
Disciplinas que involucran
Filosofía y ciencias cognitivas, matemáticas, neurofisiología, psicología, informática, teoría de la información, cibernética y teoría de la incertidumbre.
Categorías de investigación
Procesamiento del lenguaje natural, representación del conocimiento, búsqueda inteligente, razonamiento, planificación, aprendizaje automático, adquisición de conocimientos, problemas de programación combinatoria, problemas de percepción, reconocimiento de patrones, software de programación lógica Computación , gestión de imprecisión e incertidumbre, vida artificial, redes neuronales, sistemas complejos, algoritmos genéticos.
Conciencia e inteligencia artificial
La inteligencia artificial es esencialmente una simulación del proceso de información del pensamiento humano.
La simulación del pensamiento humano se puede realizar de dos formas. Una es la simulación estructural, que imita el mecanismo estructural del cerebro humano para crear una máquina "similar a un cerebro"; la segunda es la simulación funcional, que deja de lado temporalmente la estructura interna del cerebro humano y simula su proceso funcional. La aparición de las computadoras electrónicas modernas es una simulación de la función de pensamiento del cerebro humano y el proceso de información del pensamiento del cerebro humano.
La inteligencia artificial débil se está desarrollando rápidamente, especialmente después de la crisis económica de 2008. Estados Unidos, Japón y Europa esperan lograr la reindustrialización a través de robots. Los robots industriales se están desarrollando a una velocidad sin precedentes, lo que promueve aún más los continuos avances de la débil inteligencia artificial y las industrias relacionadas. Muchos trabajos que deben ser realizados por humanos ahora pueden ser realizados por robots.
Sin embargo, una inteligencia artificial fuerte se encuentra actualmente en un cuello de botella y requiere el esfuerzo de científicos y humanos.
4 Development Stage Editor
En el verano de 1956, un grupo de jóvenes científicos visionarios encabezados por MacArthur, Minsky, Rochester y Shennong se reunieron para estudiar y discutir una serie de temas relacionados. problemas utilizando máquinas para simular inteligencia, y se propuso por primera vez el término "inteligencia artificial", marcando el nacimiento oficial de esta nueva disciplina. La computadora "Deep Blue" de IBM derrotó al campeón mundial de ajedrez humano, lo que es una actuación perfecta de la tecnología de inteligencia artificial.
Desde que se propuso oficialmente la inteligencia artificial en 1956, ha experimentado grandes avances en los últimos 50 años y se ha convertido en una ciencia extensa, transversal y de vanguardia. En términos generales, el propósito de la inteligencia artificial es hacer que las máquinas informáticas piensen como humanos. Si quieres construir una máquina pensante, debes saber qué es el pensamiento y, además, qué es la sabiduría. ¿Qué tipo de máquina es inteligente? Los científicos construyen automóviles, trenes, aviones, radios y más. Imitan las funciones de los órganos de nuestro cuerpo, pero ¿pueden imitar las funciones del cerebro humano? Hasta ahora, sólo sabemos que esto que tenemos en la coronilla es un órgano formado por miles de millones de células nerviosas. Sabemos tan poco sobre esto que imitarlo es probablemente la cosa más difícil del mundo.
Cuando aparecieron las computadoras, los humanos comenzamos a tener realmente una herramienta que podía simular el pensamiento humano. En los años siguientes, innumerables científicos trabajaron duro para lograr este objetivo. Hoy en día, la inteligencia artificial ya no es dominio exclusivo de unos pocos científicos. Los departamentos de informática de casi todas las universidades del mundo estudian esta materia, y los estudiantes universitarios que estudian informática también deben realizar este curso. Gracias a los incansables esfuerzos de todos, las computadoras actuales parecen haberse vuelto muy inteligentes. Por ejemplo, en mayo de 1997, la computadora Deep Blue desarrollada por IBM derrotó al maestro de ajedrez Kasparov. Quizás no hayas notado que en algunos lugares las computadoras ayudan a las personas a realizar otras tareas que originalmente pertenecían a los humanos. Las computadoras desempeñan un papel para los humanos con su alta velocidad y precisión. La inteligencia artificial siempre ha sido un tema de vanguardia en informática, y también existen lenguajes de programación de computadoras y otros programas informáticos debido al avance de la inteligencia artificial.
5 Editor de Investigación Técnica
La máquina utilizada para estudiar la principal base material de la inteligencia artificial y la plataforma técnica para realizarla es la computadora La historia del desarrollo de la inteligencia artificial. y el desarrollo de la informática y la tecnología La historia está conectada. Además de la informática, la inteligencia artificial también abarca la teoría de la información, la cibernética, la automatización, la biónica, la biología, la psicología, la lógica matemática, la lingüística, la medicina, la filosofía y otras disciplinas. Los principales contenidos de la investigación en inteligencia artificial incluyen: representación del conocimiento, métodos de búsqueda y razonamiento automático, aprendizaje automático y adquisición de conocimiento, sistemas de procesamiento de conocimiento, comprensión del lenguaje natural, visión por computadora, robots inteligentes, programación automática, etc.
"Artificial Intelligence and Robotics Research" es una revista china internacional que se centra en los últimos avances en los campos de la inteligencia artificial y la investigación en robótica. Lo publica Hans Verlag. Esta revista apoya la innovación ideológica y la innovación académica, aboga por la prosperidad científica de los académicos e integra académicos e ideas. Su objetivo es proporcionar una plataforma de comunicación para que científicos, académicos e investigadores de todo el mundo difundan, compartan y debatan cuestiones y avances en diferentes direcciones en el campo de la investigación en inteligencia artificial y robótica.
Campos de investigación
Investigación en tecnología de inteligencia artificial
Robots inteligentes
Reconocimiento de patrones y sistemas inteligentes
Realidad virtual Tecnología y aplicación
Tecnología y aplicación de simulación de sistemas
Modelado de procesos industriales y control inteligente
Computación inteligente y juegos de máquinas
Teoría de la inteligencia artificial
Reconocimiento y síntesis de voz
Traducción automática
Procesamiento de imágenes y visión por ordenador
Percepción por ordenador
Computer Neural Red
Descubrimiento de conocimientos y aprendizaje automático
Tecnología de construcción inteligente y su aplicación
Otras disciplinas de la inteligencia artificial
Métodos de investigación
p>Actualmente no existe ningún principio o paradigma unificado que oriente la investigación en inteligencia artificial. Los investigadores debaten muchas preguntas. Varias preguntas sin resolver a largo plazo son: ¿Debería simularse la inteligencia artificial psicológica o neurológicamente? ¿O es la biología humana tan irrelevante para la investigación de la IA como lo es la biología de las aves para la ingeniería aeroespacial? ¿Se puede describir el comportamiento inteligente mediante principios simples, como la lógica o la optimización? ¿O quieres resolver un montón de problemas que no tienen ninguna relación?
¿Se puede expresar la inteligencia en símbolos de nivel superior, como palabras y pensamientos? ¿O tengo que ocuparme de los "subsímbolos"? JOHN HAUGELAND propuso el concepto de GOFAI (Good Old Fashioned Artificial Intelligence) y también propuso que la inteligencia artificial debería clasificarse como inteligencia sintética. [29] Este concepto fue adoptado más tarde por algunos investigadores ajenos al GOFAI.
Simulación cerebral
Proyectos principales: cibernética y neurociencia computacional
Desde los años 1940 hasta los años 1950, muchos investigadores exploraron la neurología y la teoría de la información y la cibernética. También se crearon algunas inteligencias rudimentarias construidas a partir de redes electrónicas, como las Tortugas y la Bestia Johns Hopkins de W. GREY WALTER. Estos investigadores se reúnen a menudo en reuniones de sociedades técnicas en la Universidad de Princeton y en el Ratio Club del Reino Unido. En la década de 1960, la mayoría de la gente había abandonado este enfoque, aunque los principios se propusieron nuevamente en la década de 1980.
Procesamiento de símbolos
Entrada principal: GOFAI
Cuando las computadoras digitales se desarrollaron con éxito en la década de 1950, los investigadores comenzaron a explorar si la inteligencia humana podría reducirse al procesamiento de símbolos. . La investigación se concentra principalmente en la Universidad Carnegie Mellon, la Universidad de Stanford y el MIT, cada una con su propio estilo de investigación independiente. John Haugeland llama a estos métodos GOFAI (Good Old Fashioned Artificial Intelligence). [33] En la década de 1960, los métodos simbólicos lograron grandes logros en la simulación del pensamiento de alto nivel en programas de prueba a pequeña escala. Los métodos basados en la cibernética o las redes neuronales tienen una importancia secundaria. [34] En las décadas de 1960 y 1970, los investigadores estaban convencidos de que los métodos simbólicos podrían eventualmente crear máquinas con una poderosa inteligencia artificial, que era su objetivo.
Los economistas de simulación cognitiva Herbert Simon y Ellen Newell estudiaron las habilidades humanas para resolver problemas e intentaron formalizarlas. Al mismo tiempo, sientan las bases de los principios fundamentales de la inteligencia artificial, como la ciencia cognitiva, la investigación operativa y la ciencia de la gestión. Su equipo de investigación utiliza resultados de experimentos de psicología para desarrollar programas que simulan métodos humanos de resolución de problemas. Este enfoque fue heredado de la Universidad Carnegie Mellon y alcanzó su apogeo en la década de 1980. A diferencia de Allen Newell y Herbert Simon, JOHN MCCARTHY creía que las máquinas no necesitan simular el pensamiento humano, sino que deberían intentar encontrar la esencia del razonamiento abstracto y la resolución de problemas, independientemente de si las personas utilizan el mismo algoritmo. Su laboratorio en la Universidad de Stanford trabaja en el uso de la lógica formal para resolver muchos problemas, incluida la representación del conocimiento, la planificación inteligente y el aprendizaje automático. La Universidad de Edimburgo también apuesta por los métodos lógicos, impulsando el desarrollo del lenguaje de programación PROLOG y la ciencia de la programación lógica en otras partes de Europa. Investigadores de Stanford como Marvin Minsky y Seymour Piper han descubierto que se necesitan soluciones especiales para resolver problemas difíciles en la visión por computadora y el procesamiento del lenguaje natural, y sostienen que no existen principios simples y universales (como los que describió Roger Shank). enfoque "antilógico" como "descuidado".
Las bases de conocimiento de sentido común (como CYC de DOUG LENAT) son un ejemplo de IA "descuidada" porque tienen que codificar manualmente un concepto complejo, uno a la vez. Basándose en el conocimiento, las computadoras con memoria de gran capacidad aparecieron alrededor de 1970, y los investigadores comenzaron a incorporar el conocimiento en software de aplicación de tres maneras. Esta “revolución del conocimiento” condujo al desarrollo y planificación de sistemas expertos, la primera forma exitosa de software de inteligencia artificial. La "revolución del conocimiento" también hizo que la gente se diera cuenta de que muchos software de inteligencia artificial simples pueden requerir mucho conocimiento.
Método subsimbólico
En la década de 1980, la inteligencia artificial simbólica se estancó. Mucha gente creía que los sistemas simbólicos nunca podrían imitar todos los procesos cognitivos humanos, especialmente la percepción, la robótica y el aprendizaje automático. y reconocimiento de patrones. Muchos investigadores han comenzado a centrarse en el uso de métodos subsimbólicos para resolver problemas específicos de inteligencia artificial.
Los investigadores en los campos de los agentes de interfaz ascendentes, los entornos integrados (robots), el conductismo y los nuevos robots con IA, como RODNEY BROOKS, niegan la inteligencia artificial simbólica y se centran en la ingeniería básica como el movimiento de los robots y pregunta de supervivencia. Su trabajo se centró una vez más en las opiniones de los primeros investigadores de la cibernética y propusieron el uso de la teoría del control en la inteligencia artificial. Esto es consistente con el argumento de la percepción representacional en la ciencia cognitiva: una inteligencia superior requiere representaciones individuales (como el movimiento, la percepción y las imágenes). En los años 80, DAVID RUMELHART propuso una vez más las redes neuronales y el conexionismo, que junto con otros métodos subsimbólicos como el control difuso y la computación evolutiva pertenecen al campo de investigación de la inteligencia computacional.
Métodos estadísticos
En la década de 1990, la investigación en inteligencia artificial desarrolló herramientas matemáticas complejas para resolver problemas de ramas específicas. Estas herramientas son verdaderos métodos científicos, es decir, los resultados de estos métodos son medibles y verificables, y también son la razón del éxito de la inteligencia artificial. * * * El lenguaje matemático utilizado también permite la colaboración con disciplinas existentes (como matemáticas, economía o investigación operativa). STUART J. RUSSELL y PETER NORVIG señalaron que estos avances eran nada menos que una "revolución" y un "éxito de NEATS". Algunos han criticado estas tecnologías por centrarse demasiado en problemas específicos sin considerar los objetivos a largo plazo de una IA sólida.
Método integral
Ejemplo de agente inteligente Un agente inteligente es un sistema que puede detectar su entorno y tomar acciones para lograr sus objetivos. Los agentes inteligentes más simples son aquellos programas que resuelven un problema específico. Los agentes más complejos incluyen humanos y organizaciones humanas (como empresas). Estos paradigmas permiten a los investigadores estudiar un único problema y encontrar soluciones útiles y verificables sin tener que considerar un único enfoque. Los agentes que resuelven un problema específico pueden utilizar cualquier método viable: algunos agentes utilizan métodos simbólicos y lógicos, otros redes neuronales subsimbólicas u otros métodos nuevos. Paradigm también proporciona a los investigadores un lenguaje común para comunicarse con otros campos, como la teoría de la decisión y la economía (utilizando también el concepto de agentes abstractos). En la década de 1990, el paradigma de los agentes inteligentes fue ampliamente aceptado. Los investigadores de arquitectura de agentes y arquitectura cognitiva han diseñado sistemas para manejar interacciones entre agentes inteligentes en sistemas multiagente. Un sistema que contiene símbolos y subsímbolos se denomina sistema inteligente híbrido, y el estudio de este sistema es la integración del sistema de inteligencia artificial. El sistema de control jerárquico proporciona un puente entre la IA subsimbólica de nivel reactivo y la IA simbólica tradicional de más alto nivel, al tiempo que relaja el tiempo de planificación y modelado mundial. La Arquitectura de Inclusión de Rodney Brooks fue uno de los primeros planes para un sistema jerárquico.
Simulación inteligente
Simulación de patrones de visión artificial, audición, tacto, sentimiento y pensamiento: reconocimiento de huellas dactilares, reconocimiento facial, reconocimiento de retina, reconocimiento de iris, reconocimiento de huellas dactilares, sistema experto, búsqueda inteligente , demostración de teoremas, razonamiento lógico, juegos, inducción de información y procesamiento dialéctico.
Categorías de temas
La inteligencia artificial es un tema límite y un tema interdisciplinario de tres vías de ciencias naturales, ciencias sociales y ciencias técnicas.
Disciplinas que involucran
Filosofía y ciencias cognitivas, matemáticas, neurofisiología, psicología, informática, teoría de la información, cibernética, incertidumbre, biónica, estructura social y desarrollo científico.
Categorías de investigación
Aprendizaje y procesamiento del lenguaje, representación del conocimiento, búsqueda inteligente, razonamiento, planificación, aprendizaje automático, adquisición de conocimiento, problemas de programación combinatoria, problemas de percepción, reconocimiento de patrones, programación lógica, Computación blanda, gestión imprecisa e incierta, vida artificial, redes neuronales, sistemas complejos y algoritmos genéticos: la cuestión más crítica es moldear y mejorar la capacidad de pensamiento creativo independiente de las máquinas.
Campos de aplicación
Traducción automática, control inteligente, sistemas expertos, robótica, comprensión de lenguajes e imágenes, fábricas de robots genéticamente programados, programación automática, aplicaciones aeroespaciales, procesamiento, almacenamiento y gestión de enormes cantidades de información. , realizar tareas complejas o de gran escala que los organismos combinados no pueden realizar, etc.
Cabe mencionar que la traducción automática es una rama importante de la inteligencia artificial y el primer campo de aplicación. Sin embargo, en lo que respecta a la traducción automática existente, la calidad de la traducción de los sistemas de traducción automática está lejos de alcanzar el objetivo final; la calidad de la traducción automática es la clave del éxito de los sistemas de traducción automática. El profesor Zhou Haizhong, matemático y lingüista chino, señaló una vez en el artículo "Cincuenta años de traducción automática": Para mejorar la calidad de la traducción automática, lo primero que hay que resolver es el lenguaje en sí, no depender de varios problemas de programación; Los programas para crear un sistema de traducción automática, por supuesto, no pueden mejorar la calidad de la traducción automática. Además, antes de que los humanos aún no hayan descubierto cómo el cerebro realiza el reconocimiento confuso y el juicio lógico del lenguaje, la traducción automática no puede alcanzar el nivel de "fidelidad". y elegancia".
Cuestiones de seguridad
La inteligencia artificial todavía está bajo investigación, pero algunos estudiosos creen que es muy peligroso que las computadoras tengan inteligencia y que pueden rebelarse contra los humanos. Este peligro oculto ha ocurrido en muchas películas. La clave principal es si a la máquina se le permite tener conciencia autónoma. Si una máquina tiene conciencia autónoma, significa que tiene la misma o similar creatividad, autoprotección, emoción y comportamiento espontáneo que los humanos.
Métodos de implementación
Existen dos formas diferentes de implementar la inteligencia artificial en los ordenadores. Una es utilizar técnicas de programación tradicionales para hacer que el sistema parezca inteligente, independientemente de si los métodos utilizados son los mismos que los utilizados por los cuerpos humanos o animales. Este enfoque se denomina enfoque de ingeniería y ya ha dado resultados en áreas como el reconocimiento de personajes y el ajedrez por computadora. El otro es un enfoque de modelado, que no sólo depende del efecto, sino que también requiere que el método de implementación sea igual o similar al utilizado por humanos u organismos biológicos. A este último tipo pertenecen los algoritmos genéticos y las redes neuronales artificiales. Los algoritmos genéticos simulan el mecanismo genético-evolutivo de humanos u organismos, mientras que las redes neuronales artificiales simulan las actividades de las células nerviosas en los cerebros de humanos o animales. Para lograr el mismo efecto inteligente, normalmente puedes utilizar ambos métodos. Con el método anterior, debes especificar manualmente la lógica del programa en detalle, lo cual es más conveniente si el juego es relativamente simple. Si el juego es complejo y el número de personajes y el espacio de actividades aumentan, la lógica correspondiente será muy compleja (aumentará exponencialmente) y la programación manual será muy tediosa y propensa a errores. Una vez que ocurre un error, es muy problemático modificar el programa original, recompilarlo, depurarlo y finalmente proporcionar a los usuarios una nueva versión o un nuevo parche. Al adoptar este último enfoque, los programadores deben diseñar un sistema inteligente (un módulo) para que lo controle cada personaje. Este sistema inteligente (módulo) no sabe nada al principio, como un bebé recién nacido, pero puede aprender, adaptarse gradualmente al entorno y afrontar diversas situaciones complejas. Este tipo de sistema a menudo comete errores al principio, pero se pueden aprender lecciones y corregirlo la próxima vez que se ejecute. Al menos no cometerá errores para siempre y no es necesario lanzar una nueva versión ni parchearlo. El uso de este método para implementar inteligencia artificial requiere que los programadores tengan métodos de pensamiento biológico, lo cual es un poco difícil de comenzar. Pero una vez que estás en la puerta, está ampliamente disponible. Dado que este enfoque no requiere especificar las reglas de actividad del actor en la programación, a menudo requiere menos trabajo cuando se aplica a problemas complejos.