Hva er de forskjellige kunstige intelligensene?

De forskjellige tilnærmingene til kunstig intelligens kan klassifiseres i tre forskjellige grupper: hjernesimulering, symbolsk og undersymbol og statistisk. De symbolske og undersymboliske tilnærmingene kan videre klassifiseres i egne grupper: kognitiv simulering, logikkbasert intelligens og kunnskapsbasert intelligens faller inn under den symbolske tilnærmingen, mens bottom-up og beregningsintelligenseteorier identifiseres som undersymbolisk kunstig intelligens tilnærminger. År med fremgang i forskning og anvendelse av disse teoriene har ført til dannelse av integrerte tilnærminger, og kombinerer prinsipper fra flere tanker om å generere mer sofistikert kunstig intelligens (AI) -systemer.

AI-utvikling rammet først store utviklingstrekk i løpet av 1940-årene. Ved å bruke prinsipper fra nevrologi, kybernetikk og grunnleggende kognitive prosesseringsteorier, var forskere i stand til å bygge roboter med primitive intelligensnivåer basert på hjernesimulering, slik at man unngår visse hindringer gjennom sensorisk deteksjon. Begrenset fremgang mellom 1940- og 1960-tallet førte imidlertid til at dette paradigmet ble forlatt, og forskere valgte å utvikle andre, mer lovende tilnærminger til kunstig intelligens.

På midten av 1950-tallet til begynnelsen av 1960-tallet forsøkte AI-forskere å forenkle menneskelig intelligens til symbolmanipulering, og trodde at menneskers evne til å lære om og tilpasse seg objekter i omgivelsene deres dreier seg om tolkning og tolkning av gjenstander som grunnleggende symboler. En stol kan for eksempel forenkles til et symbol som definerer den som et objekt å sitte på. Dette symbolet kan deretter manipuleres og projiseres på andre objekter. Forskere var i stand til å lage en rekke fleksible og dynamiske tilnærminger til kunstig intelligens ved å integrere denne symboliske tilnærmingen i AI-utviklingen.

Evnen til å simulere de forskjellige kognitive tilnærmingene til symbolsk tanke tillot AI-utviklere å lage logisk og kunnskapsbasert intelligens. Den logikkbaserte tilnærmingen arbeidet med de underliggende prinsippene for logisk tenking, og fokuserte nesten utelukkende på å løse problemer i stedet for å gjenskape menneskelignende tenkeevne. Logikken ble etter hvert balansert av "skurrete" logikk, som tok hensyn til det faktum at løsninger kan bli funnet utenfor en gitt logisk algoritme. Kunnskapsbasert intelligens, derimot, utnyttet datamaskinens evne til å lagre, behandle og huske store mengder data for å gi løsninger på problemer.

Interessen for hjernesimulering ble gjenopplivet på 1980-tallet etter at avansementet innen symbolsk intelligens ble avtatt. Dette førte til etableringen av undersymboliske systemer, tilnærminger til kunstig intelligens som dreide seg om å kombinere tenking med den mer grunnleggende intelligensen som trengs for bevegelse og selvbevaring. Dette tillot modeller å relatere miljøet rundt seg til data i minnebutikkene. Den statistiske tilnærmingen som ble utviklet på 1990-tallet, hjalp polering av både den symbolske og den undersymboliske kunstige intelligens-tilnærmingen ved å bruke sofistikerte matematiske algoritmer for å bestemme handlingsforløpet som mest sannsynlig vil resultere i maskinens suksess. Forskning takler ofte AI-utvikling ved å bruke prinsipper fra alle tilnærminger.