الذكاء الاصطناعي

الذكاء الاصطناعي (AI) ، الذي يطلق عليه أحيانًا اسم “الذكاء الآلي” ، هو الذكاء الذي تظهره الآلات ، على النقيض من الذكاء الطبيعي الذي يعرضه البشر والحيوانات الأخرى. في مجال علوم الكمبيوتر يتم تعريف أبحاث منظمة العفو الدولية على أنها دراسة “العوامل الذكية”: أي جهاز يدرك بيئته ويتخذ إجراءات تزيد من فرصته في تحقيق أهدافه بنجاح. بالعامية ، يتم تطبيق المصطلح “الذكاء الاصطناعي” عندما تحاكي الآلة الوظائف “المعرفية” التي يربطها الإنسان بالعقول البشرية الأخرى ، مثل “التعلم” و “حل المشكلات”.

إن نطاق الذكاء الاصطناعي متنازع عليه: فكلما أصبحت الآلات قادرة بشكل متزايد ، غالباً ما يتم حذف المهام التي تتطلب “استخبارات” من التعريف ، وهي ظاهرة تعرف باسم تأثير الذكاء الاصطناعي ، مما يؤدي إلى حدوث الكبس ، “الذكاء الاصطناعي هو كل ما لم يتم فعله بعد. على سبيل المثال ، عادة ما يتم استبعاد التعرف البصري على الحروف من “الذكاء الاصطناعي” ، بعد أن أصبحت تقنية روتينية. تتضمن القدرات الآلية الحديثة المصنفة عمومًا على أنها الذكاء الاصطناعي بنجاح في فهم الكلام البشري ، والتنافس على أعلى مستوى في أنظمة الألعاب الاستراتيجية (مثل الشطرنج والذهاب) ، والسيارات التي تعمل بشكل مستقل ، والتوجيه الذكي في شبكات توصيل المحتوى والمحاكاة العسكرية.

تأسست الذكاء الاصطناعي باعتباره نظامًا أكاديميًا في عام 1956 ، وفي السنوات التي تلت ذلك شهدت العديد من موجات التفاؤل ، تليها خيبة الأمل وفقدان التمويل (المعروف باسم “فصل الشتاء لمنظمة العفو الدولية”) ، متبوعة بمناهج جديدة ، والنجاح وتجديد التمويل . بالنسبة لمعظم تاريخها ، تم تقسيم أبحاث الذكاء الاصطناعى إلى حقول فرعية لا تفشل في التواصل مع بعضها البعض. وتستند هذه المجالات الفرعية إلى اعتبارات تقنية ، مثل الأهداف الخاصة (مثل “الروبوتات” أو “التعلم الآلي”) ، واستخدام أدوات معينة (“المنطق” أو الشبكات العصبية الاصطناعية) ، أو الاختلافات الفلسفية العميقة. كما اعتمدت الحقول الفرعية على العوامل الاجتماعية (مؤسسات معينة أو عمل باحثين معينين).

تتضمن المشكلات التقليدية (أو الأهداف) لأبحاث الذكاء الاصطناعى التعليل ، تمثيل المعرفة ، التخطيط ، التعلم ، معالجة اللغة الطبيعية ، الإدراك والقدرة على تحريك الأشياء ومعالجتها. الذكاء العام هو من بين الأهداف الميدانية على المدى الطويل. تتضمن المناهج الأساليب الإحصائية والذكاء الحسابي والذكاء الاصطناعي التقليدي. يتم استخدام العديد من الأدوات في الذكاء الاصطناعي ، بما في ذلك إصدارات البحث والتحسين الرياضي ، والشبكات العصبية الاصطناعية ، والأساليب القائمة على الإحصائيات والاحتمالات والاقتصاد. يعتمد حقل الذكاء الاصطناعي على علوم الكمبيوتر وهندسة المعلومات والرياضيات وعلم النفس واللغويات والفلسفة وغيرها الكثير.

وقد تم تأسيس الحقل بناء على الزعم القائل بأن الذكاء البشري “يمكن وصفه بدقة بحيث يمكن صنع آلة لمحاكاته”. هذا يثير الحجج الفلسفية حول طبيعة العقل وأخلاق خلق الكائنات الاصطناعية الموهوبة بذكاء شبيه بالإنسان ، وهي قضايا تم استكشافها من خلال الأساطير والخيال والفلسفة منذ العصور القديمة. بعض الناس يعتبرون منظمة العفو الدولية خطراً على البشرية إذا تقدمت دون هوادة. يعتقد آخرون أن الذكاء الاصطناعي ، على عكس الثورات التكنولوجية السابقة ، سيخلق خطر البطالة الجماعية. ومع ذلك ، تستضيف Google مسابقة عالمية لتطوير الذكاء الاصطناعي الذي يعود بالفائدة على البشرية.

في القرن الحادي والعشرين ، شهدت تقنيات الذكاء الاصطناعى انبعاثًا عقب التقدم المتزامن في قوة الكمبيوتر ، وكميات كبيرة من البيانات ، والفهم النظري ؛ أصبحت تقنيات الذكاء الاصطناعي جزءًا أساسيًا في صناعة التكنولوجيا ، مما ساعد على حل العديد من المشكلات الصعبة في علوم الكمبيوتر وهندسة البرمجيات وأبحاث العمليات.

اقتراب
لا توجد نظرية موحدة موحدة أو نموذج يرشد أبحاث الذكاء الاصطناعى. يختلف الباحثون حول العديد من القضايا. بعض الأسئلة التي طال أمدها والتي ظلت دون إجابة هي: هل ينبغي على الذكاء الاصطناعي محاكاة الذكاء الطبيعي من خلال دراسة علم النفس أو علم الأعصاب؟ أم أن البيولوجيا البشرية لا علاقة لها بأبحاث الذكاء الاصطناعى حيث أن علم الأحياء هو هندسة الطيران؟ هل يمكن وصف السلوك الذكي باستخدام مبادئ بسيطة وأنيقة (مثل المنطق أو التحسين)؟ أم أنها تتطلب بالضرورة حل عدد كبير من المشاكل غير ذات الصلة تماما؟

علم التحكم الآلي ومحاكاة الدماغ
في 1940s و 1950s ، استكشف عدد من الباحثين العلاقة بين علم الأعصاب ونظرية المعلومات ، والسيبرنتكس. قام البعض منهم ببناء آلات تستخدم الشبكات الإلكترونية لعرض ذكاء بدائي ، مثل سلاحف “غراي والتر” ووحش جونز هوبكنز. اجتمع العديد من هؤلاء الباحثين لعقد اجتماعات جمعية Teleological في جامعة برينستون ونادي Ratio في إنجلترا. بحلول عام 1960 ، تم التخلي عن هذا النهج إلى حد كبير ، على الرغم من أنه سوف يتم إحياء عناصر منه في الثمانينيات.

رمزي
عندما أصبح الوصول إلى الحواسيب الرقمية ممكنًا في منتصف الخمسينات ، بدأت أبحاث الذكاء الاصطناعي في استكشاف إمكانية أن يتم تقليل ذكاء الإنسان إلى التلاعب بالرمز. تركز البحث في ثلاث مؤسسات: جامعة كارنيجي ميلون ، ستانفورد ومعهد ماساتشوستس للتكنولوجيا ، وكما هو موضح أدناه ، طور كل واحد منه أسلوبه الخاص في البحث. قام جون هاوغلاند بتسمية هذه الطرق الرمزية لمنظمة العفو الدولية “منظمة العفو الدولية الجيدة الطراز القديم” أو “GOFAI”. خلال الستينات ، حققت الطرق الرمزية نجاحًا كبيرًا في محاكاة التفكير عالي المستوى في برامج العرض التوضيحي الصغيرة. تم التخلي عن النهج القائمة على علم التحكم الآلي أو الشبكات العصبية الاصطناعية أو دفعت في الخلفية. كان الباحثون في الستينيات والسبعينيات مقتنعين بأن المقاربات الرمزية ستنجح في نهاية المطاف في إنشاء آلة ذات ذكاء عام اصطناعي وتعتبر هذا هو الهدف من مجالهم.

المحاكاة المعرفية
درس الاقتصادي هيربرت سيمون وآلن نيويل مهارات حل المشكلات البشرية وحاول إضفاء الطابع الرسمي عليها ، وأرسى عملهما أسس مجال الذكاء الاصطناعي ، بالإضافة إلى العلوم المعرفية وأبحاث العمليات وعلوم الإدارة. استخدم فريقهم البحثي نتائج التجارب النفسية لتطوير البرامج التي تحاكي التقنيات التي يستخدمها الناس لحل المشاكل. هذا التقليد ، المتمركز في جامعة كارنيجي ميلون سينتهي في نهاية المطاف بتطوير معمارية السوار في منتصف الثمانينيات.

المنطق القائم على
على عكس سايمون ونيويل ، شعر جون مكارثي أن الآلات لا تحتاج إلى محاكاة الفكر البشري ، بل يجب أن تحاول بدلاً من ذلك إيجاد جوهر التفكير المجرد وحل المشكلات ، بغض النظر عما إذا كان الناس يستخدمون نفس الخوارزميات. ركز مختبره في ستانفورد (SAIL) على استخدام المنطق الرسمي لحل مجموعة واسعة من المشاكل ، بما في ذلك تمثيل المعرفة والتخطيط والتعلم. كان المنطق أيضا محور العمل في جامعة أدنبرة وأماكن أخرى في أوروبا ، مما أدى إلى تطوير لغة البرمجة و Prolog وعلم برمجة المنطق.

مكافحة المنطق أو غذر
وجد الباحثون في معهد ماساتشوستس للتكنولوجيا (مثل مارفن مينسكي وسايمور بابيرت) أن حل المشكلات الصعبة في الرؤية ومعالجة اللغات الطبيعية يتطلبان حلولاً مخصصة – فقد حاججوا أنه لا يوجد مبدأ بسيط وعمومي (مثل المنطق) من شأنه أن يستحوذ على جميع جوانب سلوك ذكي. وصف روجر شانك مناهج “مناهضة المنطق” بأنها “غبية” (على عكس النماذج “الأنيقة” في جامعة كارنيجي ميلووكي وستانفورد). قواعد المعرفة العامة (مثل دوغ لينات Cyc) هي مثال على الذكاء الاصطناعي “القذر” ، حيث يجب أن يتم بناؤها باليد ، مفهوم واحد معقد في كل مرة.

القائم على المعرفة
عندما أصبحت أجهزة الكمبيوتر ذات الذكريات الكبيرة متاحة في حوالي عام 1970 ، بدأ الباحثون من جميع التقاليد الثلاثة ببناء المعرفة في تطبيقات الذكاء الاصطناعي. أدت “ثورة المعرفة” هذه إلى تطوير أنظمة الخبراء ونشرها (قدمها إدوارد فيجينباوم) ، وهو أول نموذج ناجح بحق من برامج الذكاء الاصطناعي. العنصر الرئيسي في نظام تنقذ لجميع النظم الخبيرة هو قاعدة المعرفة ، التي تخزن الحقائق والقواعد التي توضح منظمة العفو الدولية. كانت ثورة المعرفة مدفوعة أيضًا بإدراك الحاجة إلى كميات هائلة من المعرفة من خلال العديد من تطبيقات الذكاء الاصطناعي البسيطة.

شبه رمزية
وبحلول الثمانينيات من القرن العشرين ، بدا أن التقدم في الذكاء الاصطناعي قد توقف ، واعتقد كثيرون أن الأنظمة الرمزية لن تكون قادرة أبداً على تقليد جميع عمليات الإدراك البشري ، خاصة الإدراك ، والروبوتات ، والتعلم ، والتعرف على الأنماط. بدأ عدد من الباحثين البحث في مناهج “شبه رمزية” لمشاكل محددة في الذكاء الاصطناعي. تمكنت الطرق شبه الرمزية من التعامل مع الذكاء دون تمثيل محدد للمعرفة.

ذكاء مجسدة
يتضمن ذلك AI المتجسد والموجود والمرتكز على السلوك و nouvelle الجديد. رفض الباحثون من مجال الروبوتات ذي الصلة ، مثل Rodney Brooks ، الذكاء الاصطناعى الرمزي وركزوا على المشاكل الهندسية الأساسية التي من شأنها أن تسمح للإنسان الآلي بالتحرك والبقاء على قيد الحياة. وأحيت أعمالهم وجهة نظر غير رمزية للباحثين في علم التحكم الآلي في وقت مبكر من 1950s وأعادت استخدام نظرية التحكم في منظمة العفو الدولية. تزامن هذا مع تطور أطروحة العقل المجسدة في مجال العلوم المعرفية ذات الصلة: الفكرة التي مفادها أن جوانب الجسم (مثل الحركة والإدراك والتصور) مطلوبة للذكاء الأعلى.

داخل الروبوتات التطورية ، يتم تطوير طرق التعلم التنموي للسماح للإنسان الآلي بتجميع مخزون من المهارات الجديدة من خلال الاستكشاف الذاتي الذاتي ، التفاعل الاجتماعي مع معلمي البشر ، واستخدام آليات التوجيه (التعلم النشط ، النضج ، التآزر الحركي ، الخ).

الذكاء الحسابي والحوسبة الناعمة
تم إحياء الاهتمام بالشبكات العصبية و “الترابطية” من قبل ديفيد روملهارت وآخرون في منتصف الثمانينيات. الشبكات العصبية الاصطناعية هي مثال على الحوسبة الناعمة — فهي حلول للمشاكل التي لا يمكن حلها بكل تأكيد منطقي كامل ، وحيث يكون الحل التقريبي كافياً في كثير من الأحيان. وتشمل أساليب الحوسبة الناعمة الأخرى على الذكاء الاصطناعي أنظمة غامضة وحساب تطوري والعديد من الأدوات الإحصائية. يتم دراسة تطبيق الحوسبة الناعمة على الذكاء الاصطناعي بشكل جماعي من خلال الانضباط الناشئ للذكاء الحسابي.

التعلم الإحصائي
غطت الكثير من GOFAI التقليدية على بقع مخصصة لحسابات رمزية التي عملت على نماذج اللعب الخاصة بهم لكنها فشلت في التعميم على نتائج في العالم الحقيقي. ومع ذلك ، في جميع أنحاء 1990s ، اعتمد الباحثون منظمة العفو الدولية أدوات رياضية متطورة ، مثل نماذج ماركوف خفية (HMM) ، ونظرية المعلومات ، ونظرية القرار النظرية الافتراضية لمقارنة أو لتوحيد البنى التنافسية. سمحت اللغة الرياضية المشتركة بمستوى عالٍ من التعاون مع مجالات أكثر رسوخًا (مثل الرياضيات أو الاقتصاد أو أبحاث العمليات). مقارنة مع GOFAI ، اكتسبت تقنيات “التعلم الإحصائي” الجديدة مثل HMM والشبكات العصبية مستويات أعلى من الدقة في العديد من المجالات العملية مثل استخراج البيانات ، دون اكتساب بالضرورة فهمًا دلاليًا لمجموعات البيانات. أدت زيادة النجاحات مع بيانات العالم الحقيقي إلى زيادة التركيز على مقارنة المناهج المختلفة ضد بيانات الاختبار المشتركة لمعرفة النهج الذي يتم تنفيذه بشكل أفضل في سياق أوسع من تلك التي توفرها نماذج الدمج الخارقة. لقد أصبحت أبحاث الذكاء الاصطناعى أكثر علمية. في الوقت الحاضر ، غالباً ما تكون نتائج التجارب قابلة للقياس بشكل صارم ، وفي بعض الأحيان (مع صعوبة) يمكن استنساخها. تقنيات التعليم الإحصائي المختلفة لها قيود مختلفة. على سبيل المثال ، لا يستطيع HMM الأساسي أن يقوم بتكوين المجموعات الممكنة غير المحدودة من اللغة الطبيعية. لاحظ النقاد أن التحول من GOFAI إلى التعلم الإحصائي غالبًا ما يكون أيضًا تحولًا عن تفسير الذكاء الاصطناعي. في أبحاث AGI ، يحذر بعض الباحثين من الإفراط في الاعتماد على التعلم الإحصائي ، ويقولون إن مواصلة البحث في GOFAI لا يزال من الضروري الحصول على الذكاء العام.

دمج النهج

نموذج الوكيل الذكي
العامل الذكي هو نظام يدرك بيئته ويتخذ إجراءات تزيد من فرص نجاحه. أبسط العوامل الذكية هي البرامج التي تحل مشاكل محددة. وتشمل العوامل الأكثر تعقيدًا البشر ومنظمات البشر (مثل الشركات). يسمح هذا النموذج للباحثين بمقارنة أو حتى الجمع بين الطرق المختلفة للمشاكل المعزولة ، عن طريق السؤال عن العامل الأفضل في تعظيم “وظيفة الهدف”. يمكن للعامل الذي يحل مشكلة معينة استخدام أي نهج يعمل – بعض العوامل تكون رمزية ومنطقية ، وبعضها شبكات عصبية اصطناعية شبه رمزية وقد يستخدم البعض الآخر أساليب جديدة. كما يعطي النموذج للباحثين لغة مشتركة للتواصل مع المجالات الأخرى – مثل نظرية القرار والاقتصاد – التي تستخدم أيضًا مفاهيم العوامل المجردة. يتطلب بناء عامل كامل باحثين لمعالجة مشكلات واقعية للاندماج. على سبيل المثال ، لأن الأنظمة الحسية تعطي معلومات غير مؤكدة عن البيئة ، يجب أن تكون أنظمة التخطيط قادرة على العمل في وجود عدم اليقين. أصبح نموذج الوكيل الذكي مقبولاً على نطاق واسع خلال التسعينيات.
معماريات الوكيل والبنى المعرفية
صمم الباحثون أنظمة لبناء أنظمة ذكية من العوامل الذكية المتفاعلة في نظام متعدد العوامل. يوفر نظام التحكم الهرمي جسراً بين الذكاء الرمزي الفرعي في أدنى مستوياته ومستوياته التفاعلية وذكاء الذكاء الاصطناعي التقليدي في أعلى مستوياته ، حيث تسمح القيود الزمنية المريحة بالتخطيط والنمذجة العالمية. بعض البنى المعرفية مصممة خصيصا لحل مشكلة ضيقة ؛ تم تصميم الآخرين ، مثل Soar ، لتقليد الإدراك البشري وتوفير نظرة ثاقبة في الذكاء العام. إن الإضافات الحديثة للحزام هي أنظمة ذكية هجينة تشتمل على مكونات رمزية و شبه رمزية.

أدوات

طوّرت منظمة العفو الدولية عددًا كبيرًا من الأدوات لحل أكثر المشكلات صعوبة في علوم الكمبيوتر. نناقش أدناه بعض من أكثر هذه الأساليب شيوعًا.

البحث والتحسين
يمكن حل العديد من المشاكل في الذكاء الاصطناعي من الناحية النظرية من خلال البحث الذكي في العديد من الحلول الممكنة: يمكن تقليل التفكير إلى إجراء بحث. على سبيل المثال ، يمكن النظر إلى الدليل المنطقي على أنه يبحث عن مسار يؤدي من أماكن العمل إلى استنتاجات ، حيث تكون كل خطوة هي تطبيق قاعدة الاستنتاج. تقوم خوارزميات التخطيط بالبحث من خلال أشجار الأهداف والمجموعات الفرعية ، محاولات العثور على مسار إلى هدف مستهدف ، وهي عملية تسمى تحليل الوسائل والنتائج. تستخدم خوارزميات الروبوتات الخاصة بالأطراف المتحركة والأشياء المستعصية عمليات البحث المحلية في مساحة التكوين. تستخدم العديد من خوارزميات التعلم خوارزميات البحث استنادًا إلى التحسين.

نادرًا ما تكون عمليات البحث الشاملة البسيطة كافية لمعظم مشكلات العالم الحقيقي: فمساحة البحث (عدد الأماكن للبحث) تزداد بسرعة إلى أرقام فلكية. والنتيجة هي عملية بحث بطيئة جدًا أو لا تكتمل أبدًا. الحل ، بالنسبة للعديد من المشاكل ، هو استخدام “الاستدلال” أو “القواعد الإرشادية” التي تعطي الأولوية للاختيارات لصالح الأشخاص الأكثر احتمالا للوصول إلى الهدف والقيام بذلك في عدد أقل من الخطوات. في بعض منهجيات البحث يمكن أن يساعد الاستدلال على القضاء كليًا على بعض الخيارات التي من غير المحتمل أن تؤدي إلى هدف (يسمى “تشذيب شجرة البحث”). يقدم الاستدلال البرنامج “أفضل تخمين” للمسار الذي يكمن الحل. الحد من البحث عن الحلول في حجم عينة أصغر.

لقد برز نوع مختلف جدًا من البحث في التسعينيات ، بناءً على النظرية الرياضية للتحسين. بالنسبة للعديد من المشاكل ، من الممكن البدء في البحث بشكل من أشكال التخمين ثم تحسين التكهّن بشكل تدريجي حتى لا يمكن إجراء المزيد من التحسينات. يمكن تصور هذه الخوارزميات كالتسلق الأعمى للتلال: نبدأ البحث في نقطة عشوائية على المنظر الطبيعي ، وبعد ذلك ، بالقفزات أو الخطوات ، نواصل نقل تخميننا صعودًا ، حتى نصل إلى القمة. خوارزميات التحسين الأخرى هي المحاكاة الصلبة ، والبحث عن الشعاع والتحسين العشوائي.

يستخدم الحساب التطوري شكلاً من أشكال البحث الأمثل. على سبيل المثال ، يمكن أن تبدأ بمجموعة من الكائنات الحية (التخمينات) ثم تسمح لهم بالتحور وإعادة التوليف ، واختيار الأصلح فقط للبقاء على قيد الحياة كل جيل (صقل التخمينات). تشمل الخوارزميات التطورية الكلاسيكية الخوارزميات الجينية ، وبرمجة التعبير الجيني ، والبرمجة الجينية. بدلاً من ذلك ، يمكن لعمليات البحث الموزعة التنسيق عبر خوارزميات ذكاء سرب. اثنين من خوارزميات السرب الشعبية المستخدمة في البحث هي تحسين سرب الجسيمات (مستوحاة من الطيور يتدفقون) وتحسين مستعمرة النمل (مستوحاة من مسارات النملة).

منطق
يستخدم المنطق لتمثيل المعرفة وحل المشكلات ، ولكن يمكن تطبيقها على مشاكل أخرى كذلك. على سبيل المثال ، تستخدم خوارزمية satplan المنطق للتخطيط وتعد برمجة المنطق الاستقرائي طريقة للتعلم.

يتم استخدام عدة أشكال مختلفة من المنطق في أبحاث الذكاء الاصطناعى. يشمل المنطق الإقتراحي وظائف الحقيقة مثل “أو” و “لا”. يضيف منطق الترتيب الأول الكميات والتأكيدات ، ويمكنه التعبير عن الحقائق حول الأشياء وممتلكاتها وعلاقاتها مع بعضها البعض. تعيّن نظرية المجموعات المشوشة “درجة من الحقيقة” (بين 0 و 1) إلى عبارات مبهمة مثل “أليس قديمة” (أو غنية ، أو طويلة ، أو جائعة) غير دقيقة لغويًا بدرجة لا تصدق تمامًا أو خاطئة تمامًا. يتم استخدام المنطق الضبابي بنجاح في أنظمة التحكم للسماح للخبراء بالمساهمة بقواعد غامضة مثل “إذا كنت قريبًا من المحطة المقصودة وتتحرك بسرعة ، قم بزيادة ضغط المكابح” ؛ هذه القواعد الغامضة يمكن تحسينها عدديا داخل النظام. فشل المنطق الضبابي في القياس بشكل جيد في قواعد المعرفة. العديد من الباحثين في منظمة العفو الدولية يشككون في صحة تسلسل استنتاجات المنطق المشوش.

المنطق الافتراضي ، المنطق غير الرتيب والتقييد هي أشكال المنطق المصممة للمساعدة في التفكير الافتراضي ومشكلة التأهيل. تم تصميم العديد من ملحقات المنطق للتعامل مع نطاقات معينة من المعرفة ، مثل: log description. حساب الحالة ، حساب التفاضل والتكامل وحساب التفاضل والتكامل بطلاقة (لتمثيل الأحداث والوقت) ؛ حساب التفاضل حساب التفاضل والمنطق الوسائط.

وعموما ، فإن المنطق الرمزي النوعي هش وقشور ضعيفة في وجود الضوضاء أو عدم اليقين الأخرى. إن الاستثناءات من القواعد متعددة ، ومن الصعب على الأنظمة المنطقية أن تعمل في وجود قواعد متناقضة.

أساليب احتمالية للتفكير غير المؤكد
تتطلب العديد من المشاكل في الذكاء الاصطناعي (في الاستدلال والتخطيط والتعلم والإدراك والروبوتات) أن يعمل الوكيل بمعلومات غير كاملة أو غير مؤكدة. ابتكر الباحثون في منظمة العفو الدولية عددًا من الأدوات القوية لحل هذه المشكلات باستخدام أساليب من نظرية الاحتمالات والاقتصاد.

شبكات بايزي هي أداة عامة جدا يمكن استخدامها لعدد كبير من المشاكل: الاستدلال (باستخدام خوارزمية الاستدلال بايزي) ، والتعلم (باستخدام خوارزمية تعظيم التوقعات) ، والتخطيط (باستخدام شبكات القرار) والإدراك (باستخدام شبكات بايز الديناميكية ). يمكن أيضًا استخدام الخوارزميات الاحتمالية في التصفية والتنبؤ والتمهيد وإيجاد تفسيرات لتدفقات البيانات ، مما يساعد أنظمة الإدراك على تحليل العمليات التي تحدث بمرور الوقت (مثل نماذج ماركوف المخفية أو مرشحات كالمان). بالمقارنة مع المنطق الرمزي ، فإن الاستدلال البايزي الرسمي هو مكلف حسابياً. ولكي يكون الاستنتاج قابلاً للتتبع ، يجب أن تكون معظم الملاحظات مستقلة بشكل مشروط عن بعضها البعض. يمكن أن تتطلب الرسوم البيانية المعقدة بالماس أو “الحلقات” الأخرى (دورات غير موجهة) طريقة متطورة مثل ماركوف تشاين مونت كارلو ، الذي ينتشر مجموعة من المشايات العشوائية في جميع أنحاء شبكة بايز ، ويحاول التقريب إلى تقييم للاحتمالات الشرطية. يتم استخدام شبكات Bayesian على Xbox Live لتقييم اللاعبين ومطابقتهم ؛ الفوز والخسارة هي “دليل” على مدى جودة اللاعب. يستخدم AdSense شبكة Bayesian مع أكثر من 300 مليون حافة لمعرفة الإعلانات التي سيتم عرضها.

المفهوم الرئيسي من علم الاقتصاد هو “المنفعة”: وهو مقياس لمدى أهمية شيء ما بالنسبة لعامل ذكي. وقد تم تطوير أدوات رياضية دقيقة لتحليل كيفية قيام الوكيل باختيار الخيارات والتخطيط ، باستخدام نظرية القرار ، تحليل القرار ، ونظرية قيم المعلومات. وتشمل هذه الأدوات نماذج مثل عمليات اتخاذ القرار ماركوف ، وشبكات القرار الديناميكية ، ونظرية الألعاب وتصميم الآلية.

المصنفات وطرق التعلم الإحصائية
يمكن تقسيم أبسط تطبيقات الذكاء الاصطناعى إلى نوعين: المصنفات (“إذا كانت لامعة ثم ألماس”) وأجهزة التحكم (“إذا كانت لامعة ثم تلتقط”). ومع ذلك ، فإن أجهزة التحكم تقوم بتصنيف الشروط قبل استنتاج الإجراءات ، وبالتالي فإن التصنيف يشكل جزءًا مركزيًا من العديد من أنظمة الذكاء الاصطناعي. المصنفات هي وظائف تستخدم مطابقة الأنماط لتحديد أقرب تطابق. يمكن ضبطها وفقًا لأمثلة ، مما يجعلها جذابة جدًا للاستخدام في الذكاء الاصطناعي. تُعرف هذه الأمثلة باسم الملاحظات أو الأنماط. في التعلم تحت الإشراف ، ينتمي كل نمط إلى فئة محددة مسبقًا. يمكن النظر إلى الفصل كقرار يجب القيام به. تُعرف جميع الملاحظات المقترنة بتصنيفات الفئات بأنها مجموعة بيانات. عند تلقي ملاحظة جديدة ، يتم تصنيف هذه الملاحظة بناء على التجربة السابقة.

يمكن تدريب المصنف بطرق مختلفة. هناك العديد من الأساليب الإحصائية والتعلم الآلي. ربما تكون شجرة القرارات هي أكثر خوارزميات التعلم الآلي استخدامًا. المصنفات الأخرى المستخدمة على نطاق واسع هي الشبكة العصبية ، خوارزمية أقرب الأقرباء ، طرق النواة مثل آلة متجه الدعم (SVM) ، نموذج الخليط الغاوسي ، ومصنف بايز الغريب للغاية. يعتمد أداء مصنف Class بشكل كبير على خصائص البيانات المراد تصنيفها ، مثل حجم مجموعة البيانات ، الأبعاد ، ومستوى الضوضاء. تعمل المصنفات القائمة على النموذج بشكل جيد إذا كان النموذج المفترض مناسبًا للغاية للبيانات الفعلية. خلاف ذلك ، إذا لم يتوفر نموذج مطابق ، وإذا كانت الدقة (بدلاً من السرعة أو التدرجية) هي الشاغل الوحيد ، فإن الحكمة التقليدية هي أن المصنفات التمييزية (خصوصًا SVM) تميل إلى أن تكون أكثر دقة من المصنفات المبنية على النموذج مثل “السذاجة البائسة” على معظم مجموعات البيانات العملية.

الشبكات العصبية الاصطناعية
الشبكات العصبية ، أو الشبكات العصبية ، مستوحاة من بنية الخلايا العصبية في الدماغ البشري. ويقبل N العصبي البسيط “N” مدخلات من خلايا عصبية أخرى متعددة ، كل منها ، عند تفعيله (أو “يطلق”) ، يدلي بـ “التصويت” لصالح أو ضد ما إذا كان يجب تنشيط الخلايا العصبية N نفسها. يتطلب التعلم خوارزمية لضبط هذه الأوزان استنادًا إلى بيانات التدريب ؛ خوارزمية واحدة بسيطة (يطلق عليها “النار معا ، سلك معا”) هو زيادة الوزن بين اثنين من الخلايا العصبية المتصلة عند تنشيط واحد يطلق تفعيل ناجح آخر. الصافي “مفاهيم” الأشكال التي يتم توزيعها بين شبكة فرعية من الخلايا العصبية المشتركة التي تميل إلى إطلاق النار معا. قد يقترن المفهوم الذي يعني “ساق” بشبكة فرعية تعني “قدم” تتضمن صوت “القدم”. الخلايا العصبية لديها طيف مستمر من التنشيط ؛ بالإضافة إلى ذلك ، يمكن للخلايا العصبية معالجة المدخلات بطريقة غير خطية بدلاً من وزن الأصوات المباشرة. يمكن للشبكات العصبية الحديثة تعلم كل من الوظائف المستمرة ، والمدهش ، العمليات المنطقية الرقمية. وشملت النجاحات المبكرة للشبكات العصبية التنبؤ بسوق الأوراق المالية و (في عام 1995) سيارة ذاتية القيادة في الغالب. في 2010s ، تقدم التقدم في الشبكات العصبية باستخدام التعمق في التعلم الذكاء إلى الوعي العام على نطاق واسع وساهم في حدوث طفرة هائلة في الإنفاق المؤسسي لمنظمة العفو الدولية ؛ على سبيل المثال ، كانت عمليات الاندماج والاستحواذ المرتبطة بـ AI في عام 2017 أكثر من 25 ضعف حجمها في عام 2015.

بدأت دراسة الشبكات العصبية الاصطناعية غير التعليمية في العقد قبل تأسيس حقل أبحاث الذكاء الاصطناعى ، في عمل والتر بيتس ووارن مكولوتش. اخترع فرانك روزنبلات شبكة المستقبل ، وهي شبكة تعلم ذات طبقة واحدة ، تشبه المفهوم القديم للانحدار الخطي. ويضم الرواد الأوائل أيضاً أليكسي غريغوريفيتش إيفاخنينكو ، وتيفو كوهونين ، وستيفن جروسبيرج ، وكونيهيكو فوكوشيما ، وكريستوف فون دير مالسبيرغ ، وديفيد ويلشو ، وشون – إيتشي أماري ، وبيرنار ويدرو ، وجون هوبفيلد ، وإدواردو ر. كايانييلو ، وغيرهم.

الفئات الرئيسية للشبكات عبارة عن شبكات عصبية أو متداخلة (حيث تمر الإشارة في اتجاه واحد فقط) والشبكات العصبية المتكررة (التي تسمح بالتغذية الراجعة والذكريات قصيرة المدى لأحداث الإدخال السابقة). ومن بين الشبكات الأكثر شيوعًا في الاستخدام ، الواجهات والمعالجات المتعددة الطبقات والشبكات ذات الأساس القطري. يمكن تطبيق الشبكات العصبية على مشكلة التحكم الذكي (على الروبوتات) أو التعلم ، باستخدام تقنيات مثل تعلم Hebbian (“النار معا ، السلك معا”) ، GMDH أو التعلم التنافسي.

اليوم ، غالباً ما يتم تدريب الشبكات العصبية بواسطة خوارزمية backpropagation ، والتي كانت موجودة منذ عام 1970 كطريقة عكسية للتمييز التلقائي المنشور من قبل Seppo Linnainmaa ، وتم إدخالها إلى الشبكات العصبية بواسطة Paul Werbos.

الذاكرة الزمانية الهرمية هي نهج يميز بعض الخصائص الهيكلية والخوارزمية للقشرة المخية الحديثة.

باختصار ، تستخدم معظم الشبكات العصبية شكلاً من أشكال الانحدار على طبولوجيا عصبية خلقت يدويًا. ومع ذلك ، فإن بعض المجموعات البحثية ، مثل Uber ، تجادل بأن التطور العصبي البسيط لتحول طوبولوجيا الشبكات العصبية الجديدة والأوزان قد تكون قادرة على المنافسة مع مقاربات نزول متدرجة متدرجة. إحدى مزايا التطور العصبي هي أنه قد يكون أقل عرضة للوقوع في “طريق مسدود”.

الشبكات العصبية المغذية العميقة
التعلم العميق هو أي شبكة عصبية اصطناعية يمكن أن تتعلم سلسلة طويلة من الروابط السببية. على سبيل المثال ، يمكن للشبكة المتطورة التي تحتوي على ست طبقات مخفية أن تتعلم سلسلة سببية ذات سبعة ارتباطات (ست طبقات مخفية + طبقة مخرجات) ولها عمق “مسار تخصيص الائتمان” (CAP) سبعة. تحتاج العديد من أنظمة التعلم العميق إلى أن تكون قادرة على تعلم سلاسل عشر أو أكثر من الروابط السببية بطولها. لقد حول التعلم العميق العديد من الحقول الفرعية الهامة للذكاء الاصطناعي ، بما في ذلك رؤية الكمبيوتر ، والتعرف على الكلام ، ومعالجة اللغات الطبيعية وغيرها.

وفقًا لأحد النظرات العامة ، تم تقديم تعبير “التعليم العميق” إلى مجتمع التعلم الآلي من قبل رينا ديتشتر في عام 1986 واكتسبت قوة دفع بعد أن قدمه إيجور أيزنبرغ وزملاؤه إلى الشبكات العصبية الاصطناعية في عام 2000. تم نشر أول شبكات التعلم العميق الوظيفية بواسطة أليكسي Grigorevich Ivakhnenko و VG Lapa في عام 1965. [page needed] يتم تدريب هذه الشبكات على طبقة واحدة في كل مرة. تصف ورقة إيفاخيننكو التي صدرت في عام 1971 تعلُّم مُتَعَقِّد متعدد الطبقات مُتَعَقِّد عميق مع ثمانية طبقات ، أعمق بكثير من العديد من الشبكات اللاحقة. في عام 2006 ، نشر منشور من قبل جيفري هينتون وروسلان سالاخوتدينوف طريقة أخرى للتدريبات المسبقة على الشبكات العصبية المغذية ذات الطبقات المتعددة (FNN) طبقة واحدة في كل مرة ، وعلاج كل طبقة بدورها كآلة بولتزمان المقيدة غير الخاضعة للرقابة ، ثم استخدام العكسة الخلفية تحت إشراف الكون المثالى. وكما هو الحال في الشبكات العصبية الاصطناعية الضحلة ، يمكن للشبكات العصبية العميقة أن تشكل علاقات غير خطية معقدة. على مدى السنوات القليلة الماضية ، أدت التطورات في كل من خوارزميات التعلم الآلي وأجهزة الكمبيوتر إلى طرق أكثر كفاءة لتدريب الشبكات العصبية العميقة التي تحتوي على العديد من الطبقات من الوحدات المخفية غير الخطية وطبقة خرج كبيرة جدًا.

يستخدم التعلم العميق في كثير من الأحيان الشبكات العصبية التحويلية (CNNs) ، التي يمكن إرجاع أصولها إلى Neocognitron التي أدخلها Kunihiko Fukushima في عام 1980. في عام 1989 ، قام يان ليكون وزملاؤه بتطبيق الدعم العكسي على هذه البنية. في أوائل العقد الأول من القرن الحادي والعشرين ، عمدت شبكات CNN بالفعل إلى معالجة ما يقدر بـ 10٪ إلى 20٪ من جميع الشيكات المكتوبة في الولايات المتحدة. منذ عام 2011 ، فازت تطبيقات CNN السريعة على وحدات معالجة الرسوميات (GPU) بالعديد من مسابقات التعرف على الأنماط المرئية.

تم استخدام شبكات CNN مع 12 طبقة تلافيفية بالتزامن مع تعلم التعزيز من قبل برنامج “AlphaGo Lee” الخاص ببرنامج Deepmind ، وهو البرنامج الذي تغلب على أحد أبرز نجوم Go في عام 2016.

الشبكات العصبية المتكررة العميقة
في وقت مبكر ، كما تم تطبيق التعلم العميق لتسلسل التعلم مع الشبكات العصبية المتكررة (RNNs) التي هي في نظرية تورينج كاملة ويمكن تشغيل برامج تعسفية لمعالجة تسلسل التعسفي من المدخلات. عمق RNN غير محدود ويعتمد على طول تسلسل الإدخال الخاص به ؛ وبالتالي ، فإن RNN هو مثال للتعلم العميق. يمكن تدريب RNNs عن طريق الانحدار التدرج لكنها تعاني من مشكلة التدرج المتلاشي. في عام 1992 ، تبين أن التدريب المسبق غير الخاضع للإشراف من كومة من الشبكات العصبية المتكررة يمكن أن يسرع التعلم تحت إشراف لاحق من مشاكل متسلسلة عميقة.

يستخدم العديد من الباحثين الآن أشكالاً مختلفة من NN المتكرر المتعلم ، والذي يدعى الشبكة الطويلة الأمد للذاكرة (LSTM) التي نشرها Hochreiter & Schmidhuber في عام 1997. وغالباً ما يتم تدريب LSTM بواسطة التصنيف الزمني المؤقت (CTC). في Google و Microsoft و Baidu ، أحدث هذا النهج ثورة في التعرف على الكلام. على سبيل المثال ، في عام 2015 ، شهدت تقنية التعرف على الكلام من Google قفزة هائلة في الأداء بلغت 49٪ من خلال LSTM المدربة بواسطة CTC ، والذي يتوفر الآن عبر Google Voice إلى مليارات من مستخدمي الهواتف الذكية. استخدمت Google أيضًا LSTM لتحسين الترجمة الآلية ونمذجة اللغات ومعالجة اللغات متعددة اللغات. كما عملت LSTM مع CNNs على تحسين طريقة عرض الصور تلقائيًا وعددًا كبيرًا من التطبيقات الأخرى.

تقييم التقدم
إن الذكاء الاصطناعي ، مثل الكهرباء أو المحرك البخاري ، هو تكنولوجيا للأغراض العامة. لا يوجد توافق في الآراء حول كيفية تحديد المهام التي تميل منظمة العفو الدولية إلى التفوق بها. في حين نجحت مشاريع مثل AlphaZero في توليد معرفتهم الخاصة من الصفر ، فإن العديد من مشاريع التعلم الآلي الأخرى تتطلب مجموعات بيانات تدريبية كبيرة. وقد اقترح الباحث أندرو نغ ، “كقاعدة عامة غير كاملة” ، أنه “يمكن لأي شيء تقريبًا يمكن أن يفعله الإنسان العادي بأقل من ثانية واحدة من التفكير العقلي ، يمكننا الآن أو في المستقبل القريب آليًا باستخدام الذكاء الاصطناعي”. تشير مفارقة مورافيتش إلى أن منظمة العفو الدولية تتخلف بين البشر في العديد من المهام التي تطوَّرها الدماغ البشري على وجه التحديد لأداء جيد.

توفر الألعاب مقياسًا مرجعيًا جيدًا لتقييم معدلات التقدم. جلبت AlphaGo حوالي عام 2016 عصر المقاييس الكلاسيكية لألعاب الطاولة إلى نهايتها. توفر ألعاب المعرفة غير الكاملة تحديات جديدة لمنظمة العفو الدولية في مجال نظرية الألعاب. تواصل الألعاب الإلكترونية مثل StarCraft تقديم معايير عامة إضافية. هناك العديد من المسابقات والجوائز ، مثل تحدي Imagenet ، لتشجيع البحث في الذكاء الاصطناعي. وتشمل مجالات المنافسة الرئيسية الذكاء الآلي العام ، والسلوك التحادثي ، والتنقيب عن البيانات ، والسيارات الآلية ، وروبوتات كرة القدم وكذلك الألعاب التقليدية.

تعتبر “لعبة التقليد” (وهي تفسير لاختبار Turing لعام 1950 الذي يقيّم ما إذا كان الكمبيوتر يمكن أن يقلد إنسانًا) في الوقت الحاضر تعتبر قابلة للاستغلال بشكل كبير لتكون مقياسا ذا مغزى. مشتق من اختبار Turing هو اختبار Turing العامة المؤتمتة بالكامل لإخبار Computers and Humans Apart (CAPTCHA). كما يوحي الاسم ، فإن هذا يساعد على تحديد أن المستخدم هو شخص حقيقي وليس جهاز كمبيوتر يتظاهر بأنه إنسان.على النقيض من اختبار Turing القياسي ، تتم إدارة CAPTCHA بواسطة جهاز ويستهدف الإنسان بدلاً من أن يتم إدارته بواسطة الإنسان ويستهدف جهازًا. يطلب الكمبيوتر من المستخدم إكمال اختبار بسيط ثم يقوم بإنشاء تقدير لهذا الاختبار. أجهزة الكمبيوتر غير قادرة على حل المشكلة ، لذلك تعتبر الحلول الصحيحة لتكون نتيجة لشخص إجراء الاختبار. النوع الشائع من اختبار CAPTCHA هو الاختبار الذي يتطلب كتابة أحرف أو أرقام أو رموز مشوهة تظهر في صورة لا يمكن فك تشفيرها بواسطة الكمبيوتر.

تهدف اختبارات “الذكاء العالمي” المقترحة إلى مقارنة مدى جودة أداء الآلات والبشر ، وحتى الحيوانات غير البشرية في مجموعات المشكلات التي تكون عامة قدر الإمكان. في أقصى الحالات ، يمكن أن تحتوي مجموعة الاختبار على كل مشكلة محتملة ، ويصنفها تعقيد كولموغوروف ؛ لسوء الحظ ، تميل مجموعات المشكلات هذه إلى التغلب على ممارسات المطابقة النمطية الفقيرة حيث يمكن أن تتجاوز الذكاء الاصطناعي المعدل بسهولة مستويات الأداء البشري.