Was sind die verschiedenen Ansätze der künstlichen Intelligenz?
Die verschiedenen Ansätze der künstlichen Intelligenz können in drei verschiedene Gruppen eingeteilt werden: Gehirnsimulation, symbolisch und sub-symbolisch und statistisch. Die symbolischen und sub-symbolischen Ansätze können weiter in ihre eigenen Gruppen eingeteilt werden: kognitive Simulation, logische Intelligenz und wissensbasierte Intelligenz fallen unter den symbolischen Ansatz, während Bottom-up- und rechnerische Intelligenztheorien als sub-symbolische künstliche Intelligenz identifiziert werden nähert sich. Jahrelange Fortschritte bei der Erforschung und Anwendung dieser Theorien haben zur Bildung integrierter Ansätze geführt, bei denen Prinzipien mehrerer Denkschulen kombiniert wurden, um komplexere künstliche Intelligenzsysteme (KI) zu generieren.
Die KI-Entwicklung erlebte in den 1940er Jahren erste große Entwicklungsschritte. Mithilfe von Prinzipien aus der Neurologie, der Kybernetik und grundlegenden Theorien zur kognitiven Verarbeitung konnten die Forscher Roboter mit primitiven Intelligenzniveaus bauen, die auf der Gehirnsimulation basierten und die Vermeidung bestimmter Hindernisse durch sensorische Erkennung ermöglichten. Die begrenzten Fortschritte zwischen den 1940er und den 1960er Jahren führten jedoch dazu, dass dieses Paradigma aufgegeben wurde, und die Forscher entschieden sich für die Entwicklung anderer, vielversprechenderer Ansätze der künstlichen Intelligenz.
Mitte der 1950er bis Anfang der 1960er Jahre versuchten KI-Forscher, die menschliche Intelligenz für die Manipulation von Symbolen zu vereinfachen. Sie waren der Ansicht, dass die Fähigkeit des Menschen, Objekte in seiner Umgebung kennenzulernen und sich an sie anzupassen, von der Interpretation und Neuinterpretation von Objekten als Grundsymbolen abhängt. Ein Stuhl könnte beispielsweise zu einem Symbol vereinfacht werden, das ihn als Sitzobjekt definiert. Dieses Symbol könnte dann manipuliert und auf andere Objekte projiziert werden. Die Forscher konnten eine Reihe flexibler und dynamischer Ansätze für künstliche Intelligenz entwickeln, indem sie diesen symbolischen Ansatz in die KI-Entwicklung einflossen ließen.
Die Fähigkeit, die verschiedenen kognitiven Ansätze für symbolisches Denken zu simulieren, ermöglichte es KI-Entwicklern, logische und wissensbasierte Intelligenz zu erstellen. Der logikbasierte Ansatz arbeitete an den Grundprinzipien des logischen Denkens und konzentrierte sich fast ausschließlich auf die Lösung von Problemen, anstatt die Fähigkeit des menschlichen Denkens zu replizieren. Die Logik wurde schließlich durch eine "ungepflegte" Logik ausgeglichen, die die Tatsache berücksichtigte, dass Lösungen außerhalb eines bestimmten logischen Algorithmus gefunden werden können. Andererseits nutzte wissensbasierte Intelligenz die Fähigkeit eines Computers, große Datenmengen zu speichern, zu verarbeiten und abzurufen, um Lösungen für Probleme bereitzustellen.
Das Interesse an der Gehirnsimulation wurde in den 1980er Jahren wiederbelebt, nachdem die Fortschritte in der symbolischen Intelligenz nachließen. Dies führte zur Schaffung von sub-symbolischen Systemen, Ansätzen der künstlichen Intelligenz, die sich darauf konzentrierten, das Denken mit der grundlegenderen Intelligenz zu kombinieren, die für Bewegung und Selbsterhaltung benötigt wird. Dies ermöglichte es Modellen, die Umgebung mit Daten in ihren Speicherspeichern in Beziehung zu setzen. Der in den neunziger Jahren entwickelte statistische Ansatz half dabei, sowohl den symbolischen als auch den sub-symbolischen Ansatz der künstlichen Intelligenz zu verbessern, indem er mithilfe ausgefeilter mathematischer Algorithmen die Vorgehensweise bestimmte, die am wahrscheinlichsten zum Erfolg der Maschine führt. Die Forschung befasst sich häufig mit der AI-Entwicklung, wobei Prinzipien aus allen Ansätzen verwendet werden.