다른 인공 지능 접근법은 무엇입니까?

서로 다른 인공 지능 접근 방식은 뇌 시뮬레이션, 기호 및 하위 기호 및 통계의 세 가지 그룹으로 분류 할 수 있습니다. 상징적 및 하위 상징적 접근법은 자신의 그룹으로 더 분류 될 수있다 :인지 시뮬레이션, 논리 기반 지능 및 지식 기반 지능은 상징적 접근법에 속하며 상향식 및 계산 지능 이론은 하위 상징적 인공 지능으로 식별된다 구혼. 이러한 이론의 연구와 응용 분야에서 수년간의 발전으로 인해 통합 된 접근 방식이 형성되었으며, 여러 사고 학교의 원칙을 결합하여보다 정교한 인공 지능 (AI) 시스템을 생성했습니다.

AI 개발은 1940 년대에 처음으로 주요 개발 단계를 강타했습니다. 신경학, 사이버네틱스 및 기본인지 처리 이론의 원리를 활용하여 연구자들은 뇌 시뮬레이션을 기반으로 기본 수준의 지능을 갖춘 로봇을 구축 할 수 있었으며 감각 감지를 통해 특정 장애물을 피할 수있었습니다. 그러나 1940 년대와 1960 년대 사이의 제한된 발전은이 패러다임의 포기로 이어졌고, 연구자들은 다른 더 유망한 인공 지능 접근법을 개발하기로 결정했습니다.

1950 년대 중반에서 1960 년대 초까지 AI 연구자들은 인간의 지능을 상징 조작으로 단순화하려고 시도했으며, 인간이 자신의 환경에서 물체에 대해 배우고 적응할 수있는 능력은 물체를 기본 상징으로 해석하고 재 해석하는 것을 중심으로합니다. 예를 들어 의자는 의자 위에 앉을 대상으로 정의하는 기호로 단순화 할 수 있습니다. 그런 다음이 기호를 조작하여 다른 물체에 투사 할 수 있습니다. 연구자들은이 상징적 접근 방식을 AI 개발에 통합함으로써 유연하고 동적 인 인공 지능 접근 방법을 만들 수있었습니다.

AI 개발자는 상징적 사고에 대한 다양한인지 적 접근 방식을 시뮬레이션 할 수있어 논리 기반 지식 기반 인텔리전스를 만들 수있었습니다. 논리 기반 접근법은 논리적 사고의 기본 원칙에 따라 작동했으며, 인간과 비슷한 사고 능력을 복제하는 것이 아니라 문제 해결에 거의 전적으로 집중했습니다. 논리는 결국 "지저분한"논리에 의해 균형이 잡혔는 데, 이는 주어진 논리 알고리즘 외부에서 솔루션을 찾을 수 있다는 사실을 고려한 것입니다. 반면 지식 기반 인텔리전스는 컴퓨터가 방대한 양의 데이터를 저장, 처리 및 호출하는 기능을 활용하여 문제에 대한 솔루션을 제공했습니다.

상징적 지능의 발전이 둔화 된 후 1980 년대 뇌 시뮬레이션에 대한 관심이 회복되었다. 이로 인해 사고와 운동 및 자기 보존에 필요한보다 기본적인 지능과 사고를 결합하는 순환적인 인공 지능 접근법이 개발되었습니다. 이를 통해 모델은 주변 환경을 메모리 저장소의 데이터와 연관시킬 수있었습니다. 1990 년대에 개발 된 통계적 접근 방식은 정교한 수학적 알고리즘을 사용하여 기계의 성공으로 이어질 가능성이 높은 행동 과정을 결정함으로써 상징적 및 하위 상징적 인공 지능 접근 방식을 연마하는 데 도움이되었습니다. 연구는 종종 모든 접근 방식의 원칙을 사용하여 AI 개발을 다루고 있습니다.