Hvad er de forskellige kunstige intelligensmetoder?
De forskellige kunstige intelligensmetoder kan klassificeres i tre forskellige grupper: hjernesimulering, symbolsk og subsymbolisk og statistisk. De symbolske og subsymboliske tilgange kan yderligere klassificeres i deres egne grupper: kognitiv simulering, logikbaseret intelligens og videnbaseret intelligens falder ind under den symbolske tilgang, mens bottom-up og beregningsmæssige intelligensteorier identificeres som sub-symboliske kunstige intelligensmetoder. Års 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 sofistikerede kunstige intelligens (AI) -systemer.
AI -udvikling ramte først store udviklingsfremmninger i 1940'erne. Ved at bruge principper fra neurologi, cybernetik og grundlæggende kognitive behandlingsteorier var forskere i stand til at opbygge robotter med primitive intelligensniveauer baseret på hjerne -simulation, der tillader undgåelse af visse hindringer gennem sensorisk detektion. Begrænset fremskridt mellem 1940'erne og 1960'erne førte imidlertid til forladelsen af dette paradigme, hvor 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, idet de troede, at menneskers evne til at lære om og tilpasse sig genstande i deres miljø drejer sig om fortolkningen og genfortolkningen af objekter som grundlæggende symboler. En stol, for eksempel, kunne forenkles til et symbol, der definerer det som et objekt at sidde på. Dette symbol kunne derefter manipuleres og projiceres på andre objekter. Forskere var i stand til at skabe en række fleksible og dynamiske kunstige intelligensmetoder ved at inkorporere denne symboliske tilgang i AI -udvikling.
aBility til at simulere de forskellige kognitive tilgange til symbolsk tanke gjorde det muligt for AI-udviklere at skabe logikbaseret og videnbaseret intelligens. Den logikbaserede tilgang arbejdede på de underliggende principper for logisk tænkning, fokuserede næsten udelukkende på at løse problemer snarere end at replikere menneskelignende tænkningsevne. Logik blev til sidst afbalanceret af "Scruffy" -logik, der tog højde for det faktum, at der findes løsninger uden for en given logisk algoritme. Videnbaseret intelligens udnyttede på den anden side en computers evne til at gemme, behandle og huske store mængder data for at give løsninger på problemer.
Interesse for hjernesimulering blev genoplivet i 1980'erne, efter at fremme af symbolsk intelligens blev bremset. Dette førte til oprettelsen af subsymboliske systemer, kunstig intelligens nærmer sig, der drejede sig om at kombinere tænkning med den mere basale intelligens, der er nødvendig til bevægelse og selvbevarelse. Dette gjorde det muligt for modeller at relatereMiljø omkring dem til data i deres hukommelsesbutikker. Den statistiske tilgang, der blev udviklet i 1990'erne, hjalp med at polere både de symboliske og subsymboliske kunstige intelligensmetoder ved hjælp af sofistikerede matematiske algoritmer til at bestemme handlingsforløbet, der mest sandsynligt resulterer i maskinens succes. Forskning tackler ofte AI -udvikling ved hjælp af principper fra alle tilgange.