Hva er de forskjellige kunstige intelligenstilnærmingene?

De forskjellige kunstige intelligenstilnærmingene kan klassifiseres i tre distinkte grupper: hjernesimulering, symbolsk og sub-symbolsk og statistisk. De symbolske og sub-symbolske tilnærmingene kan klassifiseres ytterligere i sine egne grupper: kognitiv simulering, logisk-basert intelligens og kunnskapsbasert intelligens faller inn under den symbolske tilnærmingen, mens teorier fra bottom-up og beregningsintelligens identifiseres som sub-symbolsk kunstig intelligens. År med avansement i forskning og anvendelse av disse teoriene har ført til dannelse av integrerte tilnærminger, og kombinerer prinsipper fra flere tankeskoler for å generere mer sofistikerte kunstige intelligens (AI) -systemer.

AI -utvikling traff først store utviklingsstrider på 1940 -tallet. Ved å bruke prinsipper fra nevrologi, kybernetikk og grunnleggende kognitive prosesseringsteorier, var forskere i stand til å bygge roboter med primitive nivåer av intelligens basert på hjernesimulation, som tillater unngåelse av visse hindringer gjennom sensorisk deteksjon. Begrenset avansement mellom 1940- og 1960 -tallet førte imidlertid til å forlate dette paradigmet, med forskere som valgte å utvikle andre, mer lovende kunstige intelligenstilnærminger.

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 deres miljø dreier seg om tolkningen og omfortolkning av objekter som grunnleggende symboler. En stol, for eksempel, kan forenkles til et symbol som definerer det som et objekt å sitte på. Dette symbolet kan deretter manipuleres og projiseres på andre objekter. Forskere var i stand til å skape en rekke fleksible og dynamiske kunstige intelligenstilnærminger ved å innlemme denne symbolske tilnærmingen i AI -utvikling.

aBilitet for å simulere de forskjellige kognitive tilnærmingene til symbolsk tanke tillot AI-utviklere å lage logikkbasert og kunnskapsbasert intelligens. Den logikkbaserte tilnærmingen arbeidet med de underliggende prinsippene for logisk tenking, fokuserte nesten helt på å løse problemer i stedet for å replikere menneskelignende tenkningsevne. Logikken ble til slutt balansert av "rufsete" logikk, som tok hensyn til det faktum at løsninger kan bli funnet utenfor en gitt logisk algoritme. Kunnskapsbasert intelligens utnyttet derimot en datamaskins evne til å lagre, behandle og huske enorme mengder data for å gi løsninger på problemer.

Interessen for hjernesimulering ble gjenopplivet på 1980 -tallet etter at avansementet i symbolsk intelligens bremset. Dette førte til opprettelsen av sub-symboliske systemer, kunstig intelligens tilnærminger som dreide seg om å kombinere tenking med den mer grunnleggende intelligensen som trengs for bevegelse og selvbevaring. Dette tillot modeller å relatereMiljø rundt dem til data i minnebutikkene. Den statistiske tilnærmingen som ble utviklet på 1990-tallet bidro til å polere både de symbolske og sub-symbolske kunstige intelligenstilnærminger ved å bruke sofistikerte matematiske algoritmer for å bestemme handlingsforløpet som mest sannsynlig vil resultere i maskinens suksess. Forskning takler ofte AI -utvikling ved bruk av prinsipper fra alle tilnærminger.