Hvad er de forskellige kunstige intelligensmetoder?
De forskellige metoder til kunstig intelligens kan klassificeres i tre forskellige grupper: hjernesimulering, symbolsk og undersymbolisk og statistisk. De symbolske og undersymboliske tilgange kan videre klassificeres i deres egne grupper: kognitiv simulering, logikbaseret intelligens og videnbaseret intelligens falder ind under den symbolske tilgang, mens bottom-up og computational intelligence teorier identificeres som undersymbolisk kunstig intelligens tilgange. År med fremskridt inden for forskning og anvendelse af disse teorier har ført til dannelsen af integrerede tilgange, der kombinerer principper fra flere tankeskoler for at generere mere sofistikeret kunstig intelligens (AI) -systemer.
AI-udvikling ramte først store udviklingsskridt i løbet af 1940'erne. Ved at anvende principper fra neurologi, cybernetik og grundlæggende kognitive behandlingsteorier var forskerne i stand til at opbygge robotter med primitive niveauer af intelligens baseret på hjernesimulering, hvilket muliggjorde undgåelse af visse hindringer gennem sensorisk detektion. Begrænset fremskridt mellem 1940'erne og 1960'erne førte imidlertid til, at dette paradigme blev opgivet, idet forskere valgte at udvikle andre, mere lovende kunstige intelligensmetoder.
I midten af 1950'erne til begyndelsen af 1960'erne forsøgte AI-forskere at forenkle menneskelig intelligens til symbolmanipulation og troede, at menneskers evne til at lære om og tilpasse sig objekter i deres miljø drejer sig om fortolkning og genfortolkning af objekter som grundlæggende symboler. En stol kan for eksempel forenkles til et symbol, der definerer det som et objekt at sidde på. Dette symbol kan derefter manipuleres og projiceres på andre objekter. Forskere var i stand til at skabe en række fleksible og dynamiske kunstige intelligensmetoder ved at integrere denne symboliske tilgang i AI-udvikling.
Evnen til at simulere de forskellige kognitive tilgange til symbolsk tænkning gjorde det muligt for AI-udviklere at skabe logikbaseret og videnbaseret intelligens. Den logikbaserede tilgang arbejdede på de underliggende principper for logisk tænkning, og fokuserede næsten udelukkende på at løse problemer snarere end at replikere menneskelignende tænkeevne. Logik blev i sidste ende afbalanceret af "skurr" logik, der tog hensyn til det faktum, at der kan findes løsninger uden for en given logisk algoritme. Videnbaseret intelligens, på den anden side, udnyttede en computers evne til at gemme, behandle og huske store mængder data for at levere løsninger på problemer.
Interessen for hjernesimulering blev genoplivet i 1980'erne, efter at afanceringen inden for symbolsk intelligens blev bremset. Dette førte til oprettelsen af undersymboliske systemer, kunstig intelligensmetoder, der drejede sig om at kombinere tænkning med den mere basale intelligens, der var nødvendig for bevægelse og selvopbevaring. Dette gjorde det muligt for modeller at relatere miljøet omkring dem til data i deres hukommelseslagre. Den statistiske tilgang, der blev udviklet i 1990'erne, hjalp med at polere både de symbolske og undersymboliske kunstige intelligensmetoder ved hjælp af sofistikerede matematiske algoritmer til at bestemme det handlingsforløb, der mest sandsynligt resulterer i maskinens succes. Forskning håndterer ofte AI-udvikling ved hjælp af principper fra alle tilgange.