Vad är de olika metoderna för konstgjord intelligens?

De olika metoderna för artificiell intelligens kan klassificeras i tre distinkta grupper: hjärnsimulering, symbolisk och undersymbolisk och statistisk. De symboliska och undersymboliska tillvägagångssätten kan vidare klassificeras i sina egna grupper: kognitiv simulering, logikbaserad intelligens och kunskapsbaserad intelligens faller under den symboliska metoden, medan bottom-up och beräkningsintelligenssteorier identifieras som undersymbolisk artificiell intelligens närmar sig. År med framsteg i forskning och tillämpning av dessa teorier har lett till bildandet av integrerade tillvägagångssätt som kombinerar principer från flera tankar för att generera mer sofistikerad artificiell intelligens (AI) -system.

AI-utvecklingen drabbade först stora utvecklingssteg under 1940-talet. Genom att använda principer från neurologi, cybernetik och grundläggande kognitiva processteorier kunde forskare bygga robotar med primitiva nivåer av intelligens baserat på hjärnsimulering, vilket möjliggjorde undvikande av vissa hinder genom sensorisk upptäckt. Begränsad framsteg mellan 1940-talet och 1960-talet ledde emellertid till att detta paradigm övergavs, där forskare valde att utveckla andra, mer lovande strategier för konstgjord intelligens.

I mitten av 1950-talet till början av 1960-talet försökte AI-forskare att förenkla mänsklig intelligens till symbolmanipulation och trodde att människans förmåga att lära sig om och anpassa sig till föremål i deras miljö kretsar kring tolkning och tolkning av föremål som grundsymboler. En stol, till exempel, kan förenklas till en symbol som definierar den som ett objekt att sitta på. Denna symbol kan sedan manipuleras och projiceras på andra objekt. Forskare kunde skapa ett antal flexibla och dynamiska metoder för konstgjord intelligens genom att integrera denna symboliska strategi i AI-utvecklingen.

Förmågan att simulera de olika kognitiva tillvägagångssätten för symbolisk tanke gjorde det möjligt för AI-utvecklare att skapa logikbaserad och kunskapsbaserad intelligens. Det logikbaserade tillvägagångssättet arbetade på de underliggande principerna för logiskt tänkande, och fokuserade nästan helt på att lösa problem snarare än att replikera mänsklig-liknande tänkningsförmåga. Logiken balanserades så småningom av "scruffy" logik, som tog hänsyn till det faktum att lösningar kan hittas utanför en given logisk algoritm. Kunskapsbaserad intelligens, däremot, utnyttjade en dators förmåga att lagra, bearbeta och återkalla enorma mängder data för att ge lösningar på problem.

Intresset för hjärnsimulering återupplivades på 1980-talet efter att framstegen inom symbolisk intelligens avtog. Detta ledde till skapandet av undersymboliska system, tillvägagångssätt för konstgjord intelligens som kretsade kring att kombinera tänkande med den mer grundläggande intelligensen som behövs för rörelse och självbevarande. Detta gjorde det möjligt för modeller att relatera miljön kring dem till data i deras minnesbutiker. Det statistiska tillvägagångssättet som utvecklats under 1990-talet hjälpte till att polera både de symboliska och undersymboliska metoderna för artificiell intelligens genom att använda sofistikerade matematiska algoritmer för att bestämma den handlingsförlopp som sannolikt kommer att resultera i maskinens framgång. Forskning hanterar ofta AI-utveckling med hjälp av principer från alla tillvägagångssätt.