Umělá inteligence - Artificial intelligence

Umělá inteligence (AI), je inteligence prokázáno stroje, na rozdíl od přirozená inteligence zobrazeny lidmi a zvířata. Přední učebnice AI definují obor jako studium „inteligentní agenti „: jakékoli zařízení, které vnímá své prostředí a podniká kroky, které maximalizují jeho šanci úspěšně dosáhnout svých cílů.^[3] Hovorově se termín „umělá inteligence“ často používá k popisu strojů (nebo počítačů), které napodobují „kognitivní“ funkce, které si lidé spojují s lidská mysl, například „učení“ a „řešení problémů“.^[4]

Jak jsou stroje stále schopnější, úkoly považované za vyžadující „inteligenci“ jsou často odstraněny z definice AI, což je jev známý jako Efekt AI.^[5] Vtip podle Teslerovy věty říká: „AI je to, co ještě nebylo provedeno.“^[6] Například, optické rozpoznávání znaků je často vyloučen z věcí považovaných za AI,^[7] se stala rutinní technologií.^[8] Možnosti moderních strojů obecně klasifikované jako AI zahrnují úspěšně porozumění lidské řeči,^[9] soutěžit na nejvyšší úrovni v strategická hra systémy (např šachy a Jít ),^[10] autonomně pracující vozy, inteligentní směrování dovnitř sítě pro doručování obsahu, a vojenské simulace.^[11]

Umělá inteligence byla založena jako akademická disciplína v roce 1955 a v následujících letech prošla několika vlnami optimismu,^[12][13] následovalo zklamání a ztráta financování (známé jako „AI zima "),^[14][15] následovaly nové přístupy, úspěch a obnovené financování.^[13][16] Po AlphaGo úspěšně porazil profesionála Jít v roce 2015 umělá inteligence opět přitahovala rozšířenou celosvětovou pozornost.^[17] Po většinu své historie byl výzkum umělé inteligence rozdělen do podoblastí, které spolu často selhávají.^[18] Tato dílčí pole vycházejí z technických hledisek, jako jsou konkrétní cíle (např. „robotika „nebo“strojové učení "),^[19] používání konkrétních nástrojů („logika „nebo umělé neuronové sítě ), nebo hluboké filozofické rozdíly.^[22][23][24] Podoblasti byly rovněž založeny na sociálních faktorech (konkrétní instituce nebo práce konkrétních výzkumných pracovníků).^[18]

Mezi tradiční problémy (nebo cíle) výzkumu AI patří uvažování, reprezentace znalostí, plánování, učení se, zpracování přirozeného jazyka, vnímání a schopnost pohybovat a manipulovat s objekty.^[19] Obecná inteligence patří mezi dlouhodobé cíle oboru.^[25] Přístupy zahrnují statistické metody, výpočetní inteligence, a tradiční symbolická AI. V AI se používá mnoho nástrojů, včetně verzí vyhledávání a matematická optimalizace, umělé neuronové sítě a metody založené na statistice, pravděpodobnosti a ekonomii. Pole AI čerpá počítačová věda, informační inženýrství, matematika, psychologie, lingvistika, filozofie a mnoho dalších polí.

Pole bylo založeno na předpokladu, že lidská inteligence „může být tak přesně popsána, že může být vyroben stroj pro její simulaci“.^[26] To vyvolává filozofické argumenty o mysli a etice vytváření umělých bytostí vybavených lidskou inteligencí. Tyto problémy byly prozkoumány mýtus, beletrie a filozofie od té doby starověk.^[31] Někteří lidé také považují AI za nebezpečí pro lidstvo pokud postupuje v nezmenšené míře.^[32][33] Jiní věří, že AI, na rozdíl od předchozích technologických revolucí, vytvoří a riziko hromadné nezaměstnanosti.^[34]

V jednadvacátém století došlo u umělé inteligence k oživení po souběžném pokroku napájení počítače, velké množství data a teoretické porozumění; a techniky AI se staly podstatnou součástí technologický průmysl, pomáhá řešit mnoho náročných problémů v informatice, softwarové inženýrství a operační výzkum.^[35][16]

Dějiny

stříbrný didrachma z Kréta zobrazující Talos, starodávný mýtický automat s umělou inteligencí

Myslitelný umělé bytosti se objevil jako zařízení pro vyprávění příběhů ve starověku,^[36] a byly běžné v beletrii, stejně jako v Mary Shelley je Frankenstein nebo Karel Čapek je R.U.R.^[37] Tyto postavy a jejich osudy vyvolaly mnoho stejných problémů, které jsou nyní diskutovány v etika umělé inteligence.^[31]

Studium mechanických nebo „formální“ uvažování začal s filozofové a matematici ve starověku. Studium matematické logiky vedlo přímo k Alan Turing je teorie výpočtu, který navrhl, že stroj zamícháním symbolů tak jednoduchých jako „0“ a „1“ může simulovat jakýkoli myslitelný čin matematické dedukce. Tento pohled, že digitální počítače mohou simulovat jakýkoli proces formálního uvažování, je známý jako Církev – Turingova teze.^[38] Spolu se souběžnými objevy v neurobiologie, teorie informace a kybernetika, což vedlo vědce k zvážení možnosti vybudování elektronického mozku. Turing navrhl změnit otázku z toho, zda je stroj inteligentní, na „zda je možné, aby strojní zařízení vykazovalo inteligentní chování“.^[39] První práce, která je nyní obecně uznávána jako AI, byla McCullouch a Pitts '1943 formální návrh pro Turing-kompletní "umělé neurony".^[40]

Oblast výzkumu AI se zrodila v workshop na Dartmouth College v roce 1956,^[41] kde termín „umělá inteligence“ vytvořil John McCarthy odlišit pole od kybernetiky a uniknout vlivu kybernetika Norbert Wiener.^[42] Účastníci Allen Newell (CMU ), Herbert Simon (CMU), John McCarthy (MIT ), Marvin Minsky (MIT) a Arthur Samuel (IBM ) se stali zakladateli a vůdci výzkumu AI.^[43] Oni a jejich studenti vytvořili programy, které tisk popsal jako „úžasné“:^[44] počítače se učily dáma strategie (c. 1954)^[45] (a do roku 1959 údajně hráli lépe než průměrný člověk),^[46] řešení slovních úloh v algebře, dokazování logické věty (Logický teoretik, první spuštění c. 1956) a mluví anglicky.^[47] V polovině 60. let byl výzkum v USA silně financován z oddělení obrany^[48] a laboratoře byly zřízeny po celém světě.^[49] Zakladatelé AI byli optimističtí ohledně budoucnosti: Herbert Simon „stroje budou schopny do dvaceti let vykonat jakoukoli práci, jakou dokáže člověk“. Marvin Minsky souhlasil a napsal: „během jedné generace ... bude problém vytváření„ umělé inteligence “podstatně vyřešen“.^[12]

Nepodařilo se jim rozpoznat obtížnost některých zbývajících úkolů. Pokrok se zpomalil a v roce 1974, v reakci na kritiku Sir James Lighthill^[50] a pokračující tlak ze strany Kongresu USA na financování produktivnějších projektů, jak americká, tak britská vláda přerušily průzkumný výzkum v oblasti AI. Dalších pár let se později bude jmenovat „AI zima ",^[14] období, kdy bylo obtížné získat financování projektů AI.

Na začátku 80. let byl výzkum AI oživen komerčním úspěchem společnosti expertní systémy,^[51] forma programu AI, která simulovala znalosti a analytické dovednosti lidských odborníků. Do roku 1985 dosáhl trh s umělou inteligencí více než miliardy dolarů. Současně s Japonskem počítač páté generace projekt inspiroval americké a britské vlády k obnovení financování pro akademický výzkum.^[13] Počínaje zhroucením Stroj Lisp na trhu v roce 1987, AI opět upadla do dobré pověsti a začala druhá, déle trvající pauza.^[15]

Vývoj kov – oxid – polovodič (MOS) velmi rozsáhlá integrace (VLSI) ve formě doplňkové MOS (CMOS) tranzistor technologie umožnila vývoj praktických umělá neuronová síť (ANN) technologie v 80. letech. Významnou publikací v této oblasti byla kniha z roku 1989 Analogová implementace VLSI neurálních systémů autor: Carver A. Mead a Mohammed Ismail.^[52]

Na konci 90. let a na počátku 21. století se AI začala používat pro logistiku, dolování dat, lékařská diagnóza a další oblasti.^[35] Úspěch byl způsoben zvýšením výpočetní síly (viz Moorův zákon a počet tranzistorů ), větší důraz na řešení konkrétních problémů, nové vazby mezi AI a dalšími obory (např statistika, ekonomika a matematika ) a závazek vědců k matematickým metodám a vědeckým normám.^[53] Tmavě modrá se stal prvním počítačovým šachovým systémem, který porazil úřadujícího mistra světa v šachu, Garry Kasparov ze dne 11. května 1997.^[54]

V roce 2011, a Ohrožení! kvíz exhibiční zápas, IBM je systém odpovědí na otázky, Watson, porazil dva největší Ohrožení! šampioni, Brad Rutter a Ken Jennings, s výraznou rezervou.^[55] Rychlejší počítače, vylepšení algoritmu a přístup k velké množství dat povolené zálohy v strojové učení a vnímání; hladoví po datech hluboké učení metody začaly dominovat měřítkům přesnosti kolem roku 2012.^[56] The Kinect, který poskytuje 3D rozhraní těla a pohybu pro Xbox 360 a Xbox One, používá algoritmy, které vyplynuly z dlouhého výzkumu AI^[57] stejně inteligentní osobní asistenti v chytré telefony.^[58] V březnu 2016 AlphaGo vyhrál 4 z 5 her týmu Jít v zápase s Go šampionem Lee Sedol a stal se prvním počítačový systém hraní porazit profesionálního hráče Go bez znevýhodnění.^[10][59] V roce 2017 Summit o budoucnosti Go, AlphaGo vyhrál zápas tří her s Ke Jie,^[60] který v té době nepřetržitě držel dva roky světové číslo 1.^[61][62] To znamenalo završení významného milníku ve vývoji Artificial Intelligence, protože Go je relativně složitá hra, spíše než šachy.

Podle Bloomberg Jack Clark, rok 2015 byl významným rokem pro umělou inteligenci, s množstvím softwarových projektů, které využívají AI uvnitř Google vzrostl ze „sporadického využití“ v roce 2012 na více než 2 700 projektů. Clark také uvádí faktografická data naznačující vylepšení umělé inteligence od roku 2012 podporovaná nižší chybovostí při úlohách zpracování obrazu.^[63] Přisuzuje to zvýšení cenové dostupnosti neuronové sítě, kvůli nárůstu infrastruktury cloud computingu a nárůstu výzkumných nástrojů a datových sad.^[16] Mezi další citované příklady patří vývoj systému Skype od společnosti Microsoft, který umí automaticky překládat z jednoho jazyka do druhého, a systém Facebooku, který dokáže popsat obrázky nevidomým.^[63] V průzkumu z roku 2017 jedna z pěti společností uvedla, že „začlenila AI do některých nabídek nebo procesů“.^[64][65] Kolem roku 2016, Čína výrazně zrychlilo její vládní financování; vzhledem k velkému množství dat a rychle rostoucímu objemu výzkumu se někteří pozorovatelé domnívají, že je na dobré cestě stát se „supervelmocí AI“.^[66][67] Bylo však uznáno, že zprávy týkající se umělé inteligence měly tendenci být přehnané.^[68][69][70]

Základy

Počítačová věda definuje výzkum AI jako studium „inteligentní agenti „: jakékoli zařízení, které vnímá své prostředí a podniká kroky, které maximalizují jeho šanci úspěšně dosáhnout svých cílů.^[3] Propracovanější definice charakterizuje AI jako „schopnost systému správně interpretovat externí data, učit se z těchto dat a využívat tyto poznatky k dosažení konkrétních cílů a úkolů prostřednictvím flexibilní adaptace.“^[71]

Typická AI analyzuje své prostředí a přijímá opatření, která maximalizují jeho šanci na úspěch.^[3] AI je zamýšleno užitková funkce (nebo cíl) může být jednoduché („1, pokud AI vyhraje hru o Jít, 0 jinak ") nebo komplexní (" Provádět akce matematicky podobné těm, které uspěly v minulosti "). Cíle lze explicitně definovat nebo vyvolat. Pokud je AI naprogramována na"posilování učení „, cíle lze implicitně vyvolat odměňováním některých typů chování nebo potrestáním ostatních.^[A] Alternativně může evoluční systém vyvolat cíle pomocí „fitness funkce „mutovat a přednostně replikovat vysoce hodnotné systémy AI, podobné tomu, jak se zvířata vyvinula, aby přirozeně toužila po určitých cílech, jako je hledání potravy.^[72] Některé systémy umělé inteligence, například nejbližší soused, namísto analogického uvažování nejsou těmto systémům obecně stanoveny cíle, kromě míry, do jaké jsou cíle implicitně obsaženy v jejich tréninkových datech.^[73] Takové systémy lze stále srovnávat, pokud je necílový systém koncipován jako systém, jehož „cílem“ je úspěšně splnit svůj úzký klasifikační úkol.^[74]

AI se často točí kolem použití algoritmy. Algoritmus je sada jednoznačných pokynů, které může mechanický počítač provést.^[b] Složitý algoritmus je často postaven na jiných, jednodušších algoritmech. Jednoduchým příkladem algoritmu je následující (optimální pro prvního hráče) recept na hraní piškvorky:^[75]

1. Pokud má někdo „hrozbu“ (tj. Dvě v řadě), vezměte zbývající čtverec. V opačném případě,
2. pokud tah „rozdmýchává“ a vytváří dvě hrozby najednou, zahrajte tento tah. V opačném případě,
3. vezměte středové náměstí, pokud je to zdarma. V opačném případě,
4. pokud váš soupeř hrál v rohu, zahněte do opačného rohu. V opačném případě,
5. vezměte prázdný roh, pokud existuje. V opačném případě,
6. vezměte jakýkoli prázdný čtverec.

Mnoho algoritmů AI je schopno se učit z dat; mohou se vylepšovat učením se novým heuristika (strategie nebo „pravidla“, která v minulosti fungovala dobře), nebo mohou sami psát další algoritmy. Někteří z níže popsaných „studentů“, včetně Bayesiánských sítí, rozhodovacích stromů a nejbližšího souseda, by se teoreticky (vzhledem k nekonečným datům, času a paměti) mohli naučit aproximovat funkce, včetně toho, která kombinace matematických funkcí by nejlépe popsala svět.^{[Citace je zapotřebí ]} Tito studenti proto mohli odvodit všechny možné znalosti zvážením všech možných hypotéz a porovnáním s údaji. V praxi je zřídkakdy možné zvážit všechny možnosti z důvodu fenoménu „kombinatorická exploze ", kde exponenciálně roste čas potřebný k vyřešení problému. Velká část výzkumu AI zahrnuje zjištění, jak identifikovat a vyhnout se zvažování široké škály možností, které pravděpodobně nebudou prospěšné."^[76][77] Například při prohlížení mapy a hledání nejkratší trasy jízdy z Denver na New York na východě lze ve většině případů přeskočit pohled na jakoukoli cestu San Francisco nebo jiné oblasti daleko na západ; tedy AI, která má podobný algoritmus hledání cesty A* se může vyhnout kombinatorické explozi, která by nastala, kdyby bylo třeba vážně zvážit všechny možné cesty.^[78]

Nejdříve (a nejsnadněji pochopitelným) přístupem k AI byla symbolika (například formální logika): „Pokud má jinak zdravý dospělý horečku, může mít chřipka Druhý obecnější přístup je Bayesovský závěr: "Pokud má současný pacient horečku, upravte pravděpodobnost, že bude mít chřipku takovým způsobem". Třetím hlavním přístupem, který je v běžných podnikových aplikacích AI extrémně populární, jsou analogizátory jako např SVM a nejbližší soused: „Po prozkoumání záznamů známých minulých pacientů, jejichž teplota, příznaky, věk a další faktory se většinou shodují se současným pacientem, se u X% těchto pacientů projevila chřipka.“ Čtvrtý přístup je obtížnější intuitivně pochopit, ale je inspirován tím, jak funguje mozkový aparát: umělá neuronová síť přístup používá umělé "neurony „který se může naučit porovnáním s požadovaným výstupem a změnou síly spojení mezi jeho vnitřními neurony, aby„ posílil “spojení, které se zdálo být užitečné. Tyto čtyři hlavní přístupy se mohou navzájem překrývat a s evolučními systémy; například neurální sítě se mohou naučit dělat závěry, zobecňovat a vytvářet analogie.Některé systémy implicitně nebo explicitně používají více z těchto přístupů spolu s mnoha dalšími algoritmy AI a non-AI; nejlepší přístup se často liší v závislosti na problému.^[79][80]

Algoritmy učení fungují na základě toho, že strategie, algoritmy a závěry, které fungovaly dobře v minulosti, pravděpodobně budou fungovat dobře i v budoucnu. Tyto závěry mohou být zřejmé, například „protože slunce vycházelo každé ráno posledních 10 000 dní, pravděpodobně vychází i zítra ráno“. Mohou být nuancovány, například „X% z rodiny mít geograficky oddělené druhy s barevnými variantami, takže je zde Y% šance, že neobjevené černé labutě existují ". Studenti také pracují na základě"Occamova břitva „: Nejjednodušší teorie, která vysvětluje data, je nejpravděpodobnější. Podle principu holicího strojku Occam musí být student navržen tak, aby upřednostňoval jednodušší teorie před komplexními teoriemi, s výjimkou případů, kdy je komplexní teorie prokázána podstatně lepší.

Příkladem může být modrá čára nadměrné vybavení lineární funkce v důsledku náhodného šumu.

Usazování na špatné, příliš složité teorii, kterou gerrymander umístil do všech minulých tréninkových dat, je známé jako nadměrné vybavení. Mnoho systémů se pokouší snížit nadměrné vybavení odměnou teorie v souladu s tím, jak dobře se hodí k datům, ale penalizuje teorii v souladu s tím, jak složitá je teorie.^[81] Kromě klasického převýšení mohou studenti také zklamat „učením se špatné lekce“. Příkladem hračky je, že klasifikátor obrázků trénovaný pouze na obrázcích hnědých koní a černých koček může dojít k závěru, že všechny hnědé skvrny budou pravděpodobně koně.^[82] Příkladem ze skutečného světa je, že na rozdíl od lidí současné klasifikátory obrázků často neprovádějí primárně úsudky z prostorového vztahu mezi složkami obrazu a učí se vztahům mezi pixely, na které lidé zapomínají, ale které stále korelují s obrazy určité typy skutečných předmětů. Úprava těchto vzorů na legitimním obrázku může mít za následek „sporné“ obrázky, které systém chybně klasifikuje.^[C][83][84]

Systém s vlastním pohonem může pomocí neuronové sítě určit, které části obrazu se zdají odpovídat předchozím tréninkovým obrazům chodců, a poté tyto oblasti modelovat jako pomalu se pohybující, ale poněkud nepředvídatelné obdélníkové hranoly, kterým je třeba se vyhnout.^[85][86]

Ve srovnání s lidmi postrádá stávající AI několik funkcí člověka “rozumné uvažování "; nejvíce pozoruhodně, lidé mají silné mechanismy pro uvažování o"naivní fyzika „jako je prostor, čas a fyzické interakce. To umožňuje i malým dětem snadno vyvodit závěry jako„ Když toto pero odvalím ze stolu, spadne na zem “. Lidé mají také silný mechanismus„lidová psychologie „to jim pomáhá interpretovat věty v přirozeném jazyce, jako například„ Městští radní odmítli demonstrantům povolení, protože obhajovali násilí “(Obecná AI má potíže s rozlišením, zda ti, kteří údajně obhajují násilí, jsou radní nebo demonstranti^[87][88][89]). Tento nedostatek „společných znalostí“ znamená, že AI často dělá jiné chyby než lidé, a to způsoby, které se mohou zdát nepochopitelné. Například stávající auta s vlastním pohonem nemohou uvažovat o poloze ani o záměrech chodců přesně tak, jak to dělají lidé, a místo toho musí používat jiné způsoby uvažování, aby se vyhnuly nehodám.^[90][91][92]

Výzvy

Kognitivní schopnosti současných architektur jsou velmi omezené a používají pouze zjednodušenou verzi toho, čeho je inteligence skutečně schopná. Lidská mysl například přišla s způsoby, jak nepřiměřeně uvažovat, a logickými vysvětleními různých životních událostí. Co by bylo jinak jednoduché, stejně obtížný problém může být náročné vyřešit výpočetně, na rozdíl od používání lidské mysli. Tak vzniknou dvě třídy modelů: strukturální a funkcionalistické. Cílem strukturálních modelů je volně napodobovat základní inteligenční operace mysli, jako jsou uvažování a logika. Funkční model odkazuje na korelační data s jeho vypočítaným protějškem.^[93]

Celkovým výzkumným cílem umělé inteligence je vytvořit technologii, která umožní inteligentní fungování počítačů a strojů. Obecný problém simulace (nebo vytváření) inteligence byl rozdělen na dílčí problémy. Skládají se ze zvláštních rysů nebo schopností, které vědci očekávají od inteligentního systému. Největší pozornost si zasloužily vlastnosti popsané níže.^[19]

Odůvodnění, řešení problémů

První vědci vyvinuli algoritmy, které napodobovaly postupné uvažování, které lidé používají při řešení hádanek nebo logických dedukcí.^[94] Na konci 80. a 90. let 20. století vyvinul výzkum AI metody řešení nejistý nebo neúplné informace využívající koncepty z pravděpodobnost a ekonomika.^[95]

Tyto algoritmy se ukázaly jako nedostatečné pro řešení velkých problémů s uvažováním, protože zažily „kombinatorickou explozi“: staly se exponenciálně pomalejšími, jak se problémy zvětšovaly.^[76] Dokonce i lidé zřídka využívají postupnou dedukci, kterou by mohl časný výzkum AI modelovat. Většinu svých problémů řeší pomocí rychlých a intuitivních úsudků.^[96]

Reprezentace znalostí

Ontologie představuje znalosti jako soubor pojmů v doméně a vztahy mezi těmito pojmy.

Reprezentace znalostí^[97] a znalostní inženýrství^[98] jsou ústředním bodem klasického výzkumu AI. Některé „expertní systémy“ se pokoušejí shromáždit explicitní znalosti, které mají experti v nějaké úzké oblasti. Některé projekty se navíc pokoušejí shromáždit „běžné vědomosti“ známé průměrnému člověku do databáze obsahující rozsáhlé znalosti o světě. Mezi věci, které by obsáhlá znalostní báze o rozumu obsahovala, patří: objekty, vlastnosti, kategorie a vztahy mezi objekty;^[99] situace, události, stavy a čas;^[100] příčiny a důsledky;^[101] znalosti o znalostech (co víme o tom, co vědí ostatní lidé);^[102] a mnoho dalších, méně dobře prozkoumaných domén. Reprezentace „co existuje“ je ontologie: sada objektů, vztahů, konceptů a vlastností formálně popsaných tak, aby je softwaroví agenti mohli interpretovat. The sémantika z nich jsou zachyceny jako logika popisu koncepty, role a jednotlivci a obvykle se implementují jako třídy, vlastnosti a jednotlivci v Jazyk webové ontologie.^[103] Nejobecnější ontologie se nazývají horní ontologie, které se pokoušejí poskytnout základ pro všechny ostatní znalosti^[104] jednáním jako prostředníci mezi doménové ontologie které pokrývají konkrétní znalosti o konkrétní oblasti znalostí (pole zájmu nebo oblast zájmu). Takové formální reprezentace znalostí lze použít při indexování a vyhledávání podle obsahu,^[105] interpretace scény,^[106] podpora klinického rozhodování,^[107] objevování znalostí (těžba „zajímavých“ a proveditelných závěrů z velkých databází),^[108] a další oblasti.^[109]

Mezi nejobtížnější problémy v reprezentaci znalostí patří:

Výchozí uvažování a problém s kvalifikací

Mnoho věcí, které lidé znají, má formu „pracovních předpokladů“. Například, když se v rozhovoru objeví pták, lidé si obvykle představí zvíře o velikosti pěsti, které zpívá a letí. Žádná z těchto věcí není pravdivá o všech ptácích. John McCarthy identifikoval tento problém v roce 1969^[110] jako problém s kvalifikací: u jakéhokoli zdravého rozumového pravidla, které vědci v oblasti AI chtějí reprezentovat, existuje obvykle velké množství výjimek. Téměř nic není jednoduše pravdivé nebo nepravdivé způsobem, který vyžaduje abstraktní logika. Výzkum AI prozkoumal řadu řešení tohoto problému.^[111]

Šíře znalostí zdravého rozumu

Počet atomových faktů, které průměrný člověk ví, je velmi velký. Výzkumné projekty, které se pokoušejí vybudovat úplnou znalostní základnu znalost rozumu (např., Cyc ) vyžadují obrovské množství práce ontologické inženýrství —Musí být postaveny ručně, jeden komplikovaný koncept najednou.^[112]

Subsymbolická forma nějakého rozumného poznání

Mnoho z toho, co lidé vědí, není reprezentováno jako „fakta“ nebo „prohlášení“, která by mohli vyjádřit slovně. Například šachový mistr se vyhne určité šachové pozici, protože se „cítí příliš odhalený“^[113] nebo umělecký kritik může jednou podívat na sochu a uvědomit si, že je to falešná.^[114] Jedná se o nevědomé a subsymbolické intuice nebo tendence v lidském mozku.^[115] Znalosti jako toto informují, podporují a poskytují kontext pro symbolické vědomé poznání. Stejně jako u souvisejícího problému subsymbolického uvažování se doufá umístěná AI, výpočetní inteligence nebo statistická AI poskytne způsoby, jak tyto znalosti vyjádřit.^[115]

Plánování

A hierarchický kontrolní systém je forma kontrolní systém ve kterém je sada zařízení a řídícího softwaru uspořádána v hierarchii.

Inteligentní agenti musí být schopni stanovit cíle a dosáhnout jich.^[116] Potřebují způsob, jak vizualizovat budoucnost - reprezentaci stavu světa a být schopni předpovědět, jak to jejich činy změní - a být schopni činit rozhodnutí, která maximalizují nástroj (nebo „hodnota“) dostupných možností.^[117]

Při klasických problémech s plánováním může agent předpokládat, že je to jediný systém působící na světě, který umožňuje agentovi být si jisti důsledky svých akcí.^[118] Pokud však agent není jediným aktérem, vyžaduje to, aby agent mohl uvažovat za nejistoty. To vyžaduje agenta, který může nejen posoudit své prostředí a předpovědět, ale také vyhodnotit své předpovědi a přizpůsobit se na základě svého posouzení.^[119]

Multiagentní plánování používá spolupráce a konkurence mnoha agentů k dosažení daného cíle. Naléhavé chování například toto používá evoluční algoritmy a rojová inteligence.^[120]

Učení se

U tohoto projektu musela umělá inteligence najít typické vzory v barvách a tahy štětce renesančního malíře Raphael. Portrét ukazuje tvář herečky Ornella Muti, „maloval“ AI ve stylu Raphaela.

Strojové učení (ML), základní koncept výzkumu AI od vzniku oboru,^[123] je studium počítačových algoritmů, které se automaticky zlepšují na základě zkušeností.^[124][125]

Učení bez dozoru je schopnost najít vzory v proudu vstupů, aniž by bylo nutné, aby člověk nejprve označil vstupy. Kontrolované učení zahrnuje obojí klasifikace a číselné regrese, což vyžaduje, aby člověk nejprve označil vstupní data. Klasifikace se používá k určení, do jaké kategorie něco patří, a nastane poté, co program uvidí několik příkladů věcí z několika kategorií. Regrese je pokus o vytvoření funkce, která popisuje vztah mezi vstupy a výstupy a předpovídá, jak by se výstupy měly měnit při změně vstupů.^[125] Na klasifikátory i regresní studenty lze pohlížet jako na „aproximátory funkcí“, kteří se snaží naučit neznámou (možná implicitní) funkci; například klasifikátor spamu lze chápat jako učení funkce, která mapuje z textu e-mailu do jedné ze dvou kategorií, „spam“ nebo „ne spam“. Teorie výpočetního učení může hodnotit studenty podle výpočetní složitost tím, že složitost vzorku (kolik údajů je požadováno) nebo jinými pojmy optimalizace.^[126] v posilování učení^[127] agent je odměněn za dobré odpovědi a potrestán za špatné. Agent používá tuto sekvenci odměn a trestů k vytvoření strategie pro provoz v jeho problémovém prostoru.

Zpracování přirozeného jazyka

A analyzovat strom představuje syntaktický struktura věty podle některých formální gramatika.

Zpracování přirozeného jazyka^[128] (NLP) umožňuje strojům číst a rozumět lidský jazyk. Umožnil by dostatečně výkonný systém zpracování přirozeného jazyka přirozená uživatelská rozhraní a získávání znalostí přímo z lidských písemných zdrojů, například z textů zpravodajských sítí. Některé přímé aplikace zpracování přirozeného jazyka zahrnují vyhledávání informací, dolování textu, odpověď na otázku^[129] a strojový překlad.^[130] Mnoho současných přístupů používá četnosti společného výskytu slov ke konstrukci syntaktických reprezentací textu. Strategie vyhledávání klíčových slov jsou populární a škálovatelné, ale hloupé; vyhledávací dotaz „pes“ může pouze spojit dokumenty s doslovným slovem „pes“ a chybět dokument se slovem „pudl“. Strategie „lexikální afinity“ používají výskyt slov jako „nehoda“ posoudit sentiment dokumentu. Moderní statistické přístupy NLP mohou kombinovat všechny tyto strategie i ostatní a často dosáhnout přijatelné přesnosti na úrovni stránky nebo odstavce. Kromě sémantického NLP je konečným cílem „narativního“ NLP ztělesnění úplného pochopení rozumového uvažování.^[131] Do roku 2019, transformátor architektury založené na hlubokém učení by mohly generovat souvislý text.^[132]

Vnímání

Detekce funkcí (na snímku: Detekce hrany ) pomáhá AI skládat informativní abstraktní struktury ze surových dat.

Strojové vnímání^[133] je schopnost používat vstup ze senzorů (jako jsou kamery (viditelné spektrum nebo infračervené záření), mikrofony, bezdrátové signály a aktivní lidar, sonar, radar a hmatové senzory ) odvodit aspekty světa. Mezi aplikace patří rozpoznávání řeči,^[134] Rozpoznávání obličeje, a rozpoznávání objektů.^[135] Počítačové vidění je schopnost analyzovat vizuální vstup. Takový vstup je obvykle nejednoznačný; obří, padesát metrů vysoký chodec daleko může produkovat stejné pixely jako blízký chodec normální velikosti, což vyžaduje, aby AI posoudila relativní pravděpodobnost a přiměřenost různých interpretací, například použitím svého „objektového modelu“ k posouzení toho padesát metrů chodci neexistují.^[136]

Pohyb a manipulace

AI se v robotice hodně používá.^[137] Pokročilý robotické paže a další průmyslové roboty, široce používaný v moderních továrnách, se může ze zkušeností naučit, jak se efektivně pohybovat navzdory přítomnosti tření a prokluzu ozubeného kola.^[138] Když je moderní mobilní robot v malém, statickém a viditelném prostředí, může snadno určit jeho polohu a mapa jeho prostředí; dynamická prostředí, například (v endoskopie ) vnitřek dýchacího těla pacienta představuje větší výzvu. Plánování pohybu je proces rozložení pohybového úkolu na „primitiva“, jako jsou jednotlivé pohyby kloubů. Takový pohyb často zahrnuje vyhovující pohyb, proces, při kterém pohyb vyžaduje udržování fyzického kontaktu s objektem.^{[139][140][141]} Moravecův paradox zobecňuje, že nízkoúrovňové senzomotorické dovednosti, které lidé považují za samozřejmost, jsou, neintuitivně, obtížně programovatelné na robota; paradox je pojmenován po Hans Moravec, který v roce 1988 uvedl, že „je poměrně snadné zajistit, aby počítače vykazovaly výkon na úrovni dospělých při zkouškách inteligence nebo hraní dám, a je obtížné nebo nemožné jim dát dovednosti jednoho roku, pokud jde o vnímání a mobilitu“.^[142][143] To je přičítáno skutečnosti, že na rozdíl od dám, fyzická obratnost byla přímým cílem přírodní výběr po miliony let.^[144]

Sociální inteligence

Kismet, robot se základními sociálními dovednostmi^[145]

Moravcův paradox lze rozšířit na mnoho forem sociální inteligence.^[146][147] Distribuovaná multiagentní koordinace autonomních vozidel zůstává obtížným problémem.^[148] Efektivní výpočetní technika je mezioborový deštník, který zahrnuje systémy, které rozpoznávají, interpretují, zpracovávají nebo simulují člověka ovlivňuje.^{[149][150][151]} Mírné úspěchy související s afektivním výpočtem zahrnují textové analýza sentimentu a v poslední době multimodální analýza vlivů (viz multimodální analýza sentimentu ), kde AI klasifikuje efekty zobrazené subjektem videozáznamu.^[152]

Z dlouhodobého hlediska sociální dovednosti a porozumění lidským emocím a herní teorie by bylo cenné pro sociálního agenta. Schopnost předvídat jednání druhých pochopením jejich motivů a emočních stavů by agentovi umožnila lépe se rozhodovat. Některé počítačové systémy napodobují lidské emoce a výrazy, aby vypadaly citlivěji na emoční dynamiku lidské interakce nebo aby se jinak usnadňovaly interakce člověka s počítačem.^[153] Podobně i někteří virtuální asistenti jsou naprogramováni tak, aby mluvili konverzačně nebo dokonce vtipně škádlili; toto má tendenci dávat naivním uživatelům nerealistickou představu o tom, jak inteligentní jsou stávající počítačoví agenti.^[154]

Obecná inteligence

Historicky se jednalo o projekty jako znalostní základna Cyc (1984–) a masivní japonština Počítačové systémy páté generace iniciativa (1982–1992) se pokusila pokrýt šíři lidského poznání. Tyto rané projekty nedokázaly uniknout omezením nekvantitativních symbolických logických modelů a při zpětném pohledu značně podcenily obtížnost umělé inteligence napříč doménami. V současné době většina současných vědců v oblasti umělé inteligence místo toho pracuje na přitažlivých aplikacích „úzké umělé inteligence“ (jako je lékařská diagnostika nebo navigace v automobilech).^[155] Mnoho vědců předpovídá, že taková „úzká AI“ práce v různých jednotlivých doménách bude nakonec začleněna do stroje s umělá obecná inteligence (AGI), který kombinuje většinu úzkých dovedností zmíněných v tomto článku a v určitém okamžiku dokonce překračuje lidské schopnosti ve většině nebo ve všech těchto oblastech.^[25][156] Mnoho pokroků má obecný význam napříč doménami. Jedním z významných příkladů je to DeepMind v roce 2010 vyvinula „zobecněnou umělou inteligenci“, která by se dokázala naučit mnoho různých Atari sám o sobě, a později vyvinul variantu systému, který uspěje v sekvenční učení.^{[157][158][159]} kromě přenos učení,^[160] hypotetické průlomy AGI by mohly zahrnovat vývoj reflexních architektur, které se mohou zapojit do metaanalýzy teoretického rozhodování, a zjišťování, jak „usrkávat“ komplexní znalostní základnu z celého nestrukturovaného Web.^[9] Někteří tvrdí, že jakýsi (v současné době neobjevený) koncepčně přímý, ale matematicky obtížný „mistrovský algoritmus“ by mohl vést k AGI.^[161] Finally, a few "emergent" approaches look to simulating human intelligence extremely closely, and believe that anthropomorphic features like an artificial brain or simulated vývoj dítěte may someday reach a critical point where general intelligence emerges.^[162][163]

Many of the problems in this article may also require general intelligence, if machines are to solve the problems as well as people do. For example, even specific straightforward tasks, like machine translation, require that a machine read and write in both languages (NLP ), follow the author's argument (důvod ), know what is being talked about (znalost ), and faithfully reproduce the author's original intent (social intelligence ). A problem like machine translation is considered "AI-complete ", because all of these problems need to be solved simultaneously in order to reach human-level machine performance.

Přístupy

No established unifying theory or paradigma guides AI research. Researchers disagree about many issues.^[165] A few of the most long-standing questions that have remained unanswered are these: should artificial intelligence simulate natural intelligence by studying psychologie nebo neurobiologie ? Nebo je biologie člověka as irrelevant to AI research as bird biology is to letecké inženýrství ?^[22]Can intelligent behavior be described using simple, elegant principles (such as logika nebo optimalizace )? Or does it necessarily require solving a large number of unrelated problems?^[23]

Cybernetics and brain simulation

In the 1940s and 1950s, a number of researchers explored the connection between neurobiologie, information theory, a kybernetika. Some of them built machines that used electronic networks to exhibit rudimentary intelligence, such as W. Grey Walter je želvy a Johns Hopkins Beast. Many of these researchers gathered for meetings of the Teleological Society at Univerzita Princeton a Ratio Club v Anglii.^[166] By 1960, this approach was largely abandoned, although elements of it would be revived in the 1980s.

Symbolický

When access to digital computers became possible in the mid-1950s, AI research began to explore the possibility that human intelligence could be reduced to symbol manipulation. The research was centered in three institutions: Univerzita Carnegie Mellon, Stanford, a MIT, and as described below, each one developed its own style of research. John Haugeland named these symbolic approaches to AI "good old fashioned AI" or "GOFAI ".^[167] During the 1960s, symbolic approaches had achieved great success at simulating high-level "thinking" in small demonstration programs. Approaches based on kybernetika nebo artificial neural networks were abandoned or pushed into the background.^[168]Researchers in the 1960s and the 1970s were convinced that symbolic approaches would eventually succeed in creating a machine with artificial general intelligence and considered this the goal of their field.

Cognitive simulation

Ekonom Herbert Simon a Allen Newell studied human problem-solving skills and attempted to formalize them, and their work laid the foundations of the field of artificial intelligence, as well as kognitivní věda, operační výzkum a management science. Their research team used the results of psychologický experiments to develop programs that simulated the techniques that people used to solve problems. This tradition, centered at Univerzita Carnegie Mellon would eventually culminate in the development of the Stoupat architecture in the middle 1980s.^[169][170]

Logic-based

Unlike Simon and Newell, John McCarthy felt that machines did not need to simulate human thought, but should instead try to find the essence of abstract reasoning and problem-solving, regardless of whether people used the same algorithms.^[22] His laboratory at Stanford (PLACHTA ) focused on using formal logika to solve a wide variety of problems, including knowledge representation, plánování a učení se.^[171] Logic was also the focus of the work at the University of Edinburgh and elsewhere in Europe which led to the development of the programming language Prolog and the science of logické programování.^[172]

Anti-logic or scruffy

Researchers at MIT (jako Marvin Minsky a Seymour Papert )^[173] found that solving difficult problems in vidění a natural language processing required ad hoc solutions—they argued that no simple and general principle (like logika ) would capture all the aspects of intelligent behavior. Roger Schank described their "anti-logic" approaches as "scruffy " (as opposed to the "neat " paradigms at CMU and Stanford).^[23] Commonsense knowledge bases (jako Doug Lenat je Cyc ) are an example of "scruffy" AI, since they must be built by hand, one complicated concept at a time.^[174]

Knowledge-based

When computers with large memories became available around 1970, researchers from all three traditions began to build znalost into AI applications.^[175] This "knowledge revolution" led to the development and deployment of expert systems (představil Edward Feigenbaum ), the first truly successful form of AI software.^[51] A key component of the system architecture for all expert systems is the knowledge base, which stores facts and rules that illustrate AI.^[176] The knowledge revolution was also driven by the realization that enormous amounts of knowledge would be required by many simple AI applications.

Sub-symbolic

By the 1980s, progress in symbolic AI seemed to stall and many believed that symbolic systems would never be able to imitate all the processes of human cognition, especially vnímání, robotics, učení se a rozpoznávání vzorů. A number of researchers began to look into "sub-symbolic" approaches to specific AI problems.^[24] Sub-symbolic methods manage to approach intelligence without specific representations of knowledge.

Embodied intelligence

To zahrnuje embodied, situated, behavior-based, a nouvelle AI. Researchers from the related field of robotics, such as Rodney Brooks, rejected symbolic AI and focused on the basic engineering problems that would allow robots to move and survive.^[177] Their work revived the non-symbolic point of view of the early kybernetika researchers of the 1950s and reintroduced the use of teorie řízení in AI. This coincided with the development of the embodied mind thesis in the related field of kognitivní věda: the idea that aspects of the body (such as movement, perception and visualization) are required for higher intelligence.

V rámci developmental robotics, developmental learning approaches are elaborated upon to allow robots to accumulate repertoires of novel skills through autonomous self-exploration, social interaction with human teachers, and the use of guidance mechanisms (active learning, maturation, motor synergies, etc.).^{[178][179][180][181]}

Computational intelligence and soft computing

Interest in neuronové sítě a "connectionism " was revived by David Rumelhart and others in the middle of the 1980s.^[182] Umělé neuronové sítě are an example of soft computing —they are solutions to problems which cannot be solved with complete logical certainty, and where an approximate solution is often sufficient. jiný soft computing approaches to AI include fuzzy systems, Grey system theory, evolutionary computation and many statistical tools. The application of soft computing to AI is studied collectively by the emerging discipline of computational intelligence.^[183]

Statistický

Much of traditional GOFAI got bogged down on ad hoc patches to symbolic computation that worked on their own toy models but failed to generalize to real-world results. However, around the 1990s, AI researchers adopted sophisticated mathematical tools, such as hidden Markov models (HMM), information theory, and normative Bayesian decision theory to compare or to unify competing architectures. The shared mathematical language permitted a high level of collaboration with more established fields (like matematika, economics or operační výzkum ).^[d] Compared with GOFAI, new "statistical learning" techniques such as HMM and neural networks were gaining higher levels of accuracy in many practical domains such as dolování dat, without necessarily acquiring a semantic understanding of the datasets. The increased successes with real-world data led to increasing emphasis on comparing different approaches against shared test data to see which approach performed best in a broader context than that provided by idiosyncratic toy models; AI research was becoming more vědecký. Nowadays results of experiments are often rigorously measurable, and are sometimes (with difficulty) reproducible.^[53][184] Different statistical learning techniques have different limitations; for example, basic HMM cannot model the infinite possible combinations of natural language.^[185] Critics note that the shift from GOFAI to statistical learning is often also a shift away from explainable AI. In AGI research, some scholars caution against over-reliance on statistical learning, and argue that continuing research into GOFAI will still be necessary to attain general intelligence.^[186][187]

Integrating the approaches

Intelligent agent paradigm

An intelligent agent is a system that perceives its environment and takes actions that maximize its chances of success. The simplest intelligent agents are programs that solve specific problems. More complicated agents include human beings and organizations of human beings (such as firms ). The paradigm allows researchers to directly compare or even combine different approaches to isolated problems, by asking which agent is best at maximizing a given "goal function". An agent that solves a specific problem can use any approach that works—some agents are symbolic and logical, some are sub-symbolic artificial neural networks and others may use new approaches. The paradigm also gives researchers a common language to communicate with other fields—such as decision theory and economics—that also use concepts of abstract agents. Building a complete agent requires researchers to address realistic problems of integration; for example, because sensory systems give uncertain information about the environment, planning systems must be able to function in the presence of uncertainty. The intelligent agent paradigm became widely accepted during the 1990s.^[188]

Agent architectures a cognitive architectures

Researchers have designed systems to build intelligent systems out of interacting intelligent agents v multi-agent system.^[189] A hierarchical control system provides a bridge between sub-symbolic AI at its lowest, reactive levels and traditional symbolic AI at its highest levels, where relaxed time constraints permit planning and world modeling.^[190] Some cognitive architectures are custom-built to solve a narrow problem; others, such as Stoupat, are designed to mimic human cognition and to provide insight into general intelligence. Modern extensions of Soar are hybrid intelligent systems that include both symbolic and sub-symbolic components.^[191][192]

Nástroje

Aplikace

AI is relevant to any intellectual task.^[193] Modern artificial intelligence techniques are pervasive^[194] and are too numerous to list here. Frequently, when a technique reaches mainstream use, it is no longer considered artificial intelligence; this phenomenon is described as the Efekt AI.^[195]

High-profile examples of AI include autonomous vehicles (such as drony a self-driving cars ), medical diagnosis, creating art (such as poetry), proving mathematical theorems, playing games (such as Chess or Go), search engines (such as Google search ), online assistants (such as Siri ), image recognition in photographs, spam filtering, predicting flight delays,^[196] prediction of judicial decisions,^[197] targeting online advertisements, ^{[193][198][199]} a energy storage^[200]

With social media sites overtaking TV as a source for news for young people and news organizations increasingly reliant on social media platforms for generating distribution,^[201] major publishers now use artificial intelligence (AI) technology to post stories more effectively and generate higher volumes of traffic.^[202]

AI can also produce Deepfakes, a content-altering technology. ZDNet reports, "It presents something that did not actually occur," Though 88% of Americans believe Deepfakes can cause more harm than good, only 47% of them believe they can be targeted. The boom of election year also opens public discourse to threats of videos of falsified politician media.^[203]

Filozofie a etika

Tato část by měla obsahovat pouze a stručný summary of another article. Vidět Wikipedia: Souhrnný styl informace o tom, jak jej správně začlenit do hlavního textu tohoto článku. (Srpna 2020)

There are three philosophical questions related to AI ^[204]

1. Zda artificial general intelligence is possible; whether a machine can solve any problem that a human being can solve using intelligence, or if there are hard limits to what a machine can accomplish.
2. Whether intelligent machines are dangerous; how humans can ensure that machines behave ethically and that they are used ethically.
3. Whether a machine can have a mysl, consciousness a mental states in the same sense that human beings do; if a machine can be cítící, and thus deserve certain rights − and if a machine can záměrně cause harm.

The limits of artificial general intelligence

Alan Turing's "polite convention"

One need not decide if a machine can "think"; one need only decide if a machine can act as intelligently as a human being. This approach to the philosophical problems associated with artificial intelligence forms the basis of the Turingův test.^[205]

The Dartmouth proposal

"Every aspect of learning or any other feature of intelligence can be so precisely described that a machine can be made to simulate it." This conjecture was printed in the proposal for the Dartmouth Conference of 1956.^[206]

Newell and Simon's physical symbol system hypothesis

"A physical symbol system has the necessary and sufficient means of general intelligent action." Newell and Simon argue that intelligence consists of formal operations on symbols.^[207] Hubert Dreyfus argues that, on the contrary, human expertise depends on unconscious instinct rather than conscious symbol manipulation, and on having a "feel" for the situation, rather than explicit symbolic knowledge. (Vidět Dreyfus' critique of AI.)^[209][210]

Gödelian arguments

Gödel himself,^[211] John Lucas (in 1961) and Roger Penrose (in a more detailed argument from 1989 onwards) made highly technical arguments that human mathematicians can consistently see the truth of their own "Gödel statements" and therefore have computational abilities beyond that of mechanical Turing machines.^[212] However, some people do not agree with the "Gödelian arguments".^{[213][214][215]}

The artificial brain argument

An argument asserting that the brain can be simulated by machines and, because brains exhibit intelligence, these simulated brains must also exhibit intelligence − ergo, machines can be intelligent. Hans Moravec, Ray Kurzweil and others have argued that it is technologically feasible to copy the brain directly into hardware and software, and that such a simulation will be essentially identical to the original.^[162]

The Efekt AI

A hypothesis claiming that machines are již intelligent, but observers have failed to recognize it. Například když Tmavě modrá porazit Garry Kasparov in chess, the machine could be described as exhibiting intelligence. However, onlookers commonly discount the behavior of an artificial intelligence program by arguing that it is not "real" intelligence, with "real" intelligence being in effect defined as whatever behavior machines cannot do.

Ethical machines

Machines with intelligence have the potential to use their intelligence to prevent harm and minimize the risks; they may have the ability to use ethical reasoning to better choose their actions in the world. As such, there is a need for policy making to devise policies for and regulate artificial intelligence and robotics.^[216] Research in this area includes machine ethics, artificial moral agents, friendly AI and discussion towards building a lidská práva framework is also in talks.^[217]

Joseph Weizenbaum v Computer Power and Human Reason wrote that AI applications cannot, by definition, successfully simulate genuine human empathy and that the use of AI technology in fields such as služby zákazníkům nebo psychoterapie^[219] was deeply misguided. Weizenbaum was also bothered that AI researchers (and some philosophers) were willing to view the human mind as nothing more than a computer program (a position now known as computationalism ). To Weizenbaum these points suggest that AI research devalues human life.^[220]

Artificial moral agents

Wendell Wallach introduced the concept of artificial moral agents (AMA) in his book Moral Machines^[221] For Wallach, AMAs have become a part of the research landscape of artificial intelligence as guided by its two central questions which he identifies as "Does Humanity Want Computers Making Moral Decisions"^[222] and "Can (Ro)bots Really Be Moral".^[223] For Wallach, the question is not centered on the issue of zda machines can demonstrate the equivalent of moral behavior, unlike the constraints which society may place on the development of AMAs.^[224]

Etika strojů

The field of machine ethics is concerned with giving machines ethical principles, or a procedure for discovering a way to resolve the ethical dilemmas they might encounter, enabling them to function in an ethically responsible manner through their own ethical decision making.^[225] The field was delineated in the AAAI Fall 2005 Symposium on Machine Ethics: "Past research concerning the relationship between technology and ethics has largely focused on responsible and irresponsible use of technology by human beings, with a few people being interested in how human beings ought to treat machines. In all cases, only human beings have engaged in ethical reasoning. The time has come for adding an ethical dimension to at least some machines. Recognition of the ethical ramifications of behavior involving machines, as well as recent and potential developments in machine autonomy, necessitate this. In contrast to computer hacking, software property issues, privacy issues and other topics normally ascribed to computer ethics, machine ethics is concerned with the behavior of machines towards human users and other machines. Research in machine ethics is key to alleviating concerns with autonomous systems—it could be argued that the notion of autonomous machines without such a dimension is at the root of all fear concerning machine intelligence. Further, investigation of machine ethics could enable the discovery of problems with current ethical theories, advancing our thinking about Ethics."^[226] Machine ethics is sometimes referred to as machine morality, computational ethics or computational morality. A variety of perspectives of this nascent field can be found in the collected edition "Machine Ethics"^[225] that stems from the AAAI Fall 2005 Symposium on Machine Ethics.^[226]

Malevolent and friendly AI

Politolog Charles T. Rubin believes that AI can be neither designed nor guaranteed to be benevolent.^[227] He argues that "any sufficiently advanced benevolence may be indistinguishable from malevolence." Humans should not assume machines or robots would treat us favorably because there is no a priori reason to believe that they would be sympathetic to our system of morality, which has evolved along with our particular biology (which AIs would not share). Hyper-intelligent software may not necessarily decide to support the continued existence of humanity and would be extremely difficult to stop. This topic has also recently begun to be discussed in academic publications as a real source of risks to civilization, humans, and planet Earth.

One proposal to deal with this is to ensure that the first generally intelligent AI is 'Přátelská AI ' and will be able to control subsequently developed AIs. Some question whether this kind of check could actually remain in place.

Leading AI researcher Rodney Brooks writes, "I think it is a mistake to be worrying about us developing malevolent AI anytime in the next few hundred years. I think the worry stems from a fundamental error in not distinguishing the difference between the very real recent advances in a particular aspect of AI and the enormity and complexity of building sentient volitional intelligence."^[228]

Lethal autonomous weapons are of concern. Currently, 50+ countries are researching battlefield robots, including the United States, China, Russia, and the United Kingdom. Many people concerned about risk from superintelligent AI also want to limit the use of artificial soldiers and drones.^[229]

Machine consciousness, sentience and mind

If an AI system replicates all key aspects of human intelligence, will that system also be cítící —will it have a mysl který má conscious experiences ? This question is closely related to the philosophical problem as to the nature of human consciousness, generally referred to as the hard problem of consciousness.

Vědomí

David Chalmers identified two problems in understanding the mind, which he named the "hard" and "easy" problems of consciousness.^[230] The easy problem is understanding how the brain processes signals, makes plans and controls behavior. The hard problem is explaining how this cítí or why it should feel like anything at all. Člověk information processing is easy to explain, however human subjective experience is difficult to explain.

For example, consider what happens when a person is shown a color swatch and identifies it, saying "it's red". The easy problem only requires understanding the machinery in the brain that makes it possible for a person to know that the color swatch is red. The hard problem is that people also know something else—they also know what red looks like. (Consider that a person born blind can know that something is red without knowing what red looks like.)^[E] Everyone knows subjective experience exists, because they do it every day (e.g., all sighted people know what red looks like). The hard problem is explaining how the brain creates it, why it exists, and how it is different from knowledge and other aspects of the brain.

Computationalism and functionalism

Computationalism is the position in the filozofie mysli that the human mind or the human brain (or both) is an information processing system and that thinking is a form of computing.^[231] Computationalism argues that the relationship between mind and body is similar or identical to the relationship between software and hardware and thus may be a solution to the mind-body problem. This philosophical position was inspired by the work of AI researchers and cognitive scientists in the 1960s and was originally proposed by philosophers Jerry Fodor a Hilary Putnam.

Strong AI hypothesis

The philosophical position that John Searle has named "strong AI" states: "The appropriately programmed computer with the right inputs and outputs would thereby have a mind in exactly the same sense human beings have minds."^[233] Searle counters this assertion with his Čínský pokoj argument, which asks us to look uvnitř the computer and try to find where the "mind" might be.^[234]

Robot rights

If a machine can be created that has intelligence, could it also feel ? If it can feel, does it have the same rights as a human? This issue, now known as "robot rights ", is currently being considered by, for example, California's Institut pro budoucnost, although many critics believe that the discussion is premature.^[235] Some critics of transhumanism argue that any hypothetical robot rights would lie on a spectrum with práva zvířat and human rights. ^[236] The subject is profoundly discussed in the 2010 documentary film Plug & Pray,^[237] and many sci fi media such as Star Trek Next Generation, with the character of Commander Data, who fought being disassembled for research, and wanted to "become human", and the robotic holograms in Voyager.

Superintelligence

Are there limits to how intelligent machines—or human-machine hybrids—can be? A superintelligence, hyperintelligence, or superhuman intelligence is a hypothetical agent that would possess intelligence far surpassing that of the brightest and most gifted human mind. Superintelligence may also refer to the form or degree of intelligence possessed by such an agent.^[156]

Technologická jedinečnost

If research into Strong AI produced sufficiently intelligent software, it might be able to reprogram and improve itself. The improved software would be even better at improving itself, leading to recursive self-improvement.^[238] The new intelligence could thus increase exponentially and dramatically surpass humans. Science fiction writer Vernor Vinge named this scenario "jedinečnost ".^[239] Technological singularity is when accelerating progress in technologies will cause a runaway effect wherein artificial intelligence will exceed human intellectual capacity and control, thus radically changing or even ending civilization. Because the capabilities of such an intelligence may be impossible to comprehend, the technological singularity is an occurrence beyond which events are unpredictable or even unfathomable.^[239][156]

Ray Kurzweil has used Moorův zákon (which describes the relentless exponential improvement in digital technology) to calculate that desktop computers will have the same processing power as human brains by the year 2029 and predicts that the singularity will occur in 2045.^[239]

Transhumanismus

Robot designer Hans Moravec, cyberneticist Kevin Warwick, and inventor Ray Kurzweil have predicted that humans and machines will merge in the future into cyborgs that are more capable and powerful than either.^[240] This idea, called transhumanism, has roots in Aldous Huxley a Robert Ettinger.

Edward Fredkin argues that "artificial intelligence is the next stage in evolution", an idea first proposed by Samuel Butler „“Darwin among the Machines " as far back as 1863, and expanded upon by George Dyson in his book of the same name in 1998.^[241]

Dopad

The long-term economic effects of AI are uncertain. A survey of economists showed disagreement about whether the increasing use of robots and AI will cause a substantial increase in long-term nezaměstnanost, but they generally agree that it could be a net benefit, if produktivita gains are redistributed.^[242] Studie z roku 2017 PricewaterhouseCoopers sees the Čínská lidová republika gaining economically the most out of AI with 26,1% of HDP until 2030.^[243] A February 2020 European Union white paper on artificial intelligence advocated for artificial intelligence for economic benefits, including "improving healthcare (e.g. making diagnosis more precise, enabling better prevention of diseases), increasing the efficiency of farming, contributing to climate change mitigation and adaptation, [and] improving the efficiency of production systems through predictive maintenance", while acknowledging potential risks.^[194]

The relationship between automation and employment is complicated. While automation eliminates old jobs, it also creates new jobs through micro-economic and macro-economic effects.^[244] Unlike previous waves of automation, many middle-class jobs may be eliminated by artificial intelligence; Ekonom states that "the worry that AI could do to white-collar jobs what steam power did to blue-collar ones during the Industrial Revolution" is "worth taking seriously".^[245] Subjective estimates of the risk vary widely; for example, Michael Osborne and Carl Benedikt Frey estimate 47% of U.S. jobs are at "high risk" of potential automation, while an OECD report classifies only 9% of U.S. jobs as "high risk".^{[246][247][248]} Jobs at extreme risk range from paralegals to fast food cooks, while job demand is likely to increase for care-related professions ranging from personal healthcare to the clergy.^[249] Autor Martin Ford and others go further and argue that many jobs are routine, repetitive and (to an AI) predictable; Ford warns that these jobs may be automated in the next couple of decades, and that many of the new jobs may not be "accessible to people with average capability", even with retraining. Economists point out that in the past technology has tended to increase rather than reduce total employment, but acknowledge that "we're in uncharted territory" with AI.^[34]

The potential negative effects of AI and automation were a major issue for Andrew Yang je Prezidentská kampaň 2020 ve Spojených státech.^[250] Irakli Beridze, Head of the Centre for Artificial Intelligence and Robotics at UNICRI, United Nations, has expressed that "I think the dangerous applications for AI, from my point of view, would be criminals or large terrorist organizations using it to disrupt large processes or simply do pure harm. [Terrorists could cause harm] via digital warfare, or it could be a combination of robotics, drones, with AI and other things as well that could be really dangerous. And, of course, other risks come from things like job losses. If we have massive numbers of people losing jobs and don't find a solution, it will be extremely dangerous. Things like lethal autonomous weapons systems should be properly governed — otherwise there's massive potential of misuse."^[251]

Risks of narrow AI

Widespread use of artificial intelligence could have unintended consequences that are dangerous or undesirable. Scientists from the Future of Life Institute, among others, described some short-term research goals to see how AI influences the economy, the laws and ethics that are involved with AI and how to minimize AI security risks. In the long-term, the scientists have proposed to continue optimizing function while minimizing possible security risks that come along with new technologies.^[252]

Some are concerned about algorithmic bias, that AI programs may unintentionally become biased after processing data that exhibits bias.^[253] Algorithms already have numerous applications in legal systems. An example of this is COMPAS, a commercial program widely used by U.S. courts to assess the likelihood of a obžalovaný stát se recidivist. ProPublica claims that the average COMPAS-assigned recidivism risk level of black defendants is significantly higher than the average COMPAS-assigned risk level of white defendants.^[254]

Risks of general AI

Fyzik Stephen Hawking, Microsoft zakladatel Bill Gates, history professor Yuval Noah Harari, a SpaceX zakladatel Elon Musk have expressed concerns about the possibility that AI could evolve to the point that humans could not control it, with Hawking theorizing that this could "spell the end of the human race ".^{[255][256][257][258]}

The development of full artificial intelligence could spell the end of the human race. Once humans develop artificial intelligence, it will take off on its own and redesign itself at an ever-increasing rate. Humans, who are limited by slow biological evolution, couldn't compete and would be superseded.

— Stephen Hawking^[259]

Ve své knize Superintelligence, filozof Nick Bostrom provides an argument that artificial intelligence will pose a threat to humankind. He argues that sufficiently intelligent AI, if it chooses actions based on achieving some goal, will exhibit convergent behavior such as acquiring resources or protecting itself from being shut down. If this AI's goals do not fully reflect humanity's—one example is an AI told to compute as many digits of pi as possible—it might harm humanity in order to acquire more resources or prevent itself from being shut down, ultimately to better achieve its goal. Bostrom also emphasizes the difficulty of fully conveying humanity's values to an advanced AI. He uses the hypothetical example of giving an AI the goal to make humans smile to illustrate a misguided attempt. If the AI in that scenario were to become superintelligent, Bostrom argues, it may resort to methods that most humans would find horrifying, such as inserting "electrodes into the facial muscles of humans to cause constant, beaming grins" because that would be an efficient way to achieve its goal of making humans smile.^[260] Ve své knize Human Compatible, AI researcher Stuart J. Russell echoes some of Bostrom's concerns while also proposing an approach to developing provably beneficial machines focused on uncertainty and deference to humans,^[261]:173 possibly involving inverse reinforcement learning.^{[261]:191–193}

Concern over risk from artificial intelligence has led to some high-profile donations and investments. A group of prominent tech titans including Peter Thiel, Amazon Web Services and Musk have committed $1 billion to OpenAI, a nonprofit company aimed at championing responsible AI development.^[262] The opinion of experts within the field of artificial intelligence is mixed, with sizable fractions both concerned and unconcerned by risk from eventual superhumanly-capable AI.^[263] Other technology industry leaders believe that artificial intelligence is helpful in its current form and will continue to assist humans. Oracle CEO Mark Hurd has stated that AI "will actually create more jobs, not less jobs" as humans will be needed to manage AI systems.^[264] Facebook CEO Mark Zuckerberg believes AI will "unlock a huge amount of positive things," such as curing disease and increasing the safety of autonomous cars.^[265] In January 2015, Musk donated $10 million to the Future of Life Institute to fund research on understanding AI decision making. The goal of the institute is to "grow wisdom with which we manage" the growing power of technology. Musk also funds companies developing artificial intelligence such as DeepMind a Zprostředkovaný to "just keep an eye on what's going on with artificial intelligence.^[266] I think there is potentially a dangerous outcome there."^[267][268]

For the danger of uncontrolled advanced AI to be realized, the hypothetical AI would have to overpower or out-think all of humanity, which a minority of experts argue is a possibility far enough in the future to not be worth researching.^[269][270] Other counterarguments revolve around humans being either intrinsically or convergently valuable from the perspective of an artificial intelligence.^[271]

Nařízení

The regulation of artificial intelligence is the development of public sector policies and laws for promoting and regulating umělá inteligence (AI);^[272][273] it is therefore related to the broader regulation of algorithms. The regulatory and policy landscape for AI is an emerging issue in jurisdictions globally, including in the European Union.^[274] Regulation is considered necessary to both encourage AI and manage associated risks.^[275][276] Regulation of AI through mechanisms such as review boards can also be seen as social means to approach the AI control problem.^[277]

V beletrii

The word "robot" itself was coined by Karel Čapek in his 1921 play R.U.R., the title standing for "Rossum's Universal Robots "

Thought-capable artificial beings appeared as storytelling devices since antiquity,^[36]and have been a persistent theme in sci-fi.

A common trope in these works began with Mary Shelley je Frankenstein, where a human creation becomes a threat to its masters. This includes such works as Arthur C. Clarke a Stanley Kubrick 2001: Vesmírná odysea (both 1968), with HAL 9000, vražedný počítač odpovědný za Discovery One kosmická loď, stejně jako Terminátor (1984) a Matice (1999). Naproti tomu vzácní loajální roboti jako Gort z Den, kdy se zastavila Země (1951) a Bishop z Mimozemšťané (1986) jsou v populární kultuře méně prominentní.^[278]

Isaac Asimov představil Tři zákony robotiky v mnoha knihách a příbězích, zejména v sérii „Multivac“ o superinteligentním počítači stejného jména. Asimovovy zákony jsou často vyvolávány během laických diskusí o strojové etice;^[279] zatímco téměř všichni vědci v oblasti umělé inteligence jsou obeznámeni s Asimovovými zákony prostřednictvím populární kultury, obecně považují zákony za zbytečné z mnoha důvodů, jedním z nich je jejich nejednoznačnost.^[280]

Transhumanismus (slučování lidí a strojů) je zkoumáno v manga Duch ve skořápce a sci-fi série Duna. V 80. letech umělec Hajime Sorayama Série Sexy Robots byla namalována a publikována v Japonsku a zobrazovala skutečnou organickou podobu člověka s realistickými svalovými kovovými kožemi a později následovala kniha "Gynoids", kterou používali nebo ovlivňovali tvůrci filmů, včetně George Lucas a další kreativy. Sorayama nikdy nepovažoval tyto organické roboty za skutečnou součást přírody, ale vždy za nepřirozený produkt lidské mysli, fantazii existující v mysli, i když je realizován ve skutečné podobě.

Několik děl používá AI k tomu, aby nás donutilo postavit se základní otázce toho, co z nás dělá člověka, a ukazuje nám umělé bytosti, které mají schopnost cítit, a tím trpět. Toto se objeví v Karel Čapek je R.U.R., filmy A.I. Umělá inteligence a Ex Machina, stejně jako román Sní androidi o elektrických ovcích? tím, že Philip K. Dick. Dick uvažuje o myšlence, že naše chápání lidské subjektivity je pozměněno technologií vytvořenou pomocí umělé inteligence.^[281]

Viz také

Vysvětlivky

Reference

Učebnice AI

Historie AI

Jiné zdroje

Další čtení

externí odkazy

• "Umělá inteligence". Internetová encyklopedie filozofie.
• Thomason, Richmond. „Logika a umělá inteligence“. v Zalta, Edward N. (vyd.). Stanfordská encyklopedie filozofie.
• Umělá inteligence „Diskuse BBC Radio 4 s Johnem Agarem, Alison Adamem a Igorem Aleksanderem (V naší době, 8. prosince 2005)