Wat zijn de verschillende benaderingen van kunstmatige intelligentie?
De verschillende benaderingen van kunstmatige intelligentie kunnen worden ingedeeld in drie verschillende groepen: hersensimulatie, symbolisch en subsymbolisch en statistisch. De symbolische en subsymbolische benaderingen kunnen verder worden ingedeeld in hun eigen groepen: cognitieve simulatie, logica-gebaseerde intelligentie en kennisgebaseerde intelligentie vallen onder de symbolische benadering, terwijl bottom-up en computationele intelligentietheorieën worden geïdentificeerd als sub-symbolische kunstmatige intelligentie benadert. Jarenlange vooruitgang in het onderzoek en de toepassing van deze theorieën heeft geleid tot de vorming van geïntegreerde benaderingen, waarbij principes van meerdere denkrichtingen worden gecombineerd om meer geavanceerde kunstmatige intelligentie (AI) systemen te genereren.
AI-ontwikkeling trof voor het eerst grote ontwikkelingsstappen in de jaren veertig. Door gebruik te maken van principes uit neurologie, cybernetica en basistheorieën van cognitieve verwerking, konden onderzoekers robots bouwen met primitieve niveaus van intelligentie op basis van hersensimulatie, waardoor bepaalde obstakels konden worden vermeden door sensorische detectie. Beperkte vooruitgang tussen de jaren 1940 en 1960 leidde echter tot het verlaten van dit paradigma, waarbij onderzoekers ervoor kozen om andere, meer veelbelovende kunstmatige intelligentiebenaderingen te ontwikkelen.
In het midden van de jaren vijftig tot de vroege jaren zestig probeerden AI-onderzoekers de menselijke intelligentie te vereenvoudigen tot symboolmanipulatie, in de overtuiging dat het vermogen van mensen om te leren over en zich aan te passen aan objecten in hun omgeving draait om de interpretatie en herinterpretatie van objecten als basissymbolen. Een stoel kan bijvoorbeeld worden vereenvoudigd tot een symbool dat het definieert als een object om op te zitten. Dit symbool kan vervolgens worden gemanipuleerd en op andere objecten worden geprojecteerd. Onderzoekers konden een aantal flexibele en dynamische benaderingen van kunstmatige intelligentie creëren door deze symbolische benadering in de ontwikkeling van AI op te nemen.
Dankzij het vermogen om de verschillende cognitieve benaderingen van symbolisch denken te simuleren, konden AI-ontwikkelaars op logica gebaseerde en op kennis gebaseerde intelligentie creëren. De op logica gebaseerde aanpak werkte op de onderliggende principes van logisch denken, bijna volledig gericht op het oplossen van problemen in plaats van het repliceren van menselijk denken. Logica werd uiteindelijk gecompenseerd door "smerige" logica, die rekening hield met het feit dat oplossingen buiten een bepaald logisch algoritme kunnen worden gevonden. Kennisgebaseerde intelligentie daarentegen profiteerde van het vermogen van een computer om grote hoeveelheden gegevens op te slaan, te verwerken en op te roepen om oplossingen voor problemen te bieden.
De belangstelling voor hersensimulatie werd nieuw leven ingeblazen in de jaren 1980 nadat de vooruitgang in symbolische intelligentie vertraagde. Dit leidde tot het creëren van sub-symbolische systemen, kunstmatige intelligentiebenaderingen die draaiden rond het combineren van denken met de meer basale intelligentie die nodig is voor beweging en zelfbehoud. Hierdoor konden modellen de omgeving om hen heen relateren aan gegevens in hun geheugenopslag. De statistische benadering die in de jaren 1990 werd ontwikkeld, hielp zowel de symbolische als de sub-symbolische kunstmatige intelligentiebenaderingen te polijsten door geavanceerde wiskundige algoritmen te gebruiken om de koers te bepalen die het meest waarschijnlijk zal leiden tot het succes van de machine. Onderzoek pakt vaak AI-ontwikkeling aan met behulp van principes uit alle benaderingen.