कृत्रिम बुद्धि का प्रभाव

कृत्रिम बुद्धि (एआई) मशीनों द्वारा प्रदर्शित खुफिया जानकारी है। कंप्यूटर विज्ञान में, एक आदर्श “बुद्धिमान” मशीन एक लचीला तर्कसंगत एजेंट है जो अपने पर्यावरण को समझता है और ऐसे कार्यों को पूरा करता है जो कुछ उद्देश्य या कार्य में सफलता की संभावना को अधिकतम करते हैं। बोलचाल से, कृत्रिम बुद्धि शब्द को लागू किया जाता है जब एक मशीन “संज्ञानात्मक” कार्यों का अनुकरण करती है जो मनुष्य अन्य मानव दिमागों से संबद्ध होते हैं, जैसे: “सीखें” और “समस्याओं को हल करें”। दो एएस मशीनें तेजी से सक्षम हो जाती हैं, तकनीक जिसे एक बार बुद्धिमत्ता की आवश्यकता होती है उसे परिभाषा से हटा दिया जाता है। उदाहरण के लिए, ऑप्टिकल कैरेक्टर मान्यता अब “कृत्रिम बुद्धि” का एक उदाहरण के रूप में नहीं माना जाता है जो एक आम तकनीक बन गया है। कृत्रिम बुद्धि के रूप में वर्गीकृत तकनीकी प्रगति स्वायत्त ड्राइविंग सिस्टम या शतरंज या गो खेलने में सक्षम हैं।

टेक्यास (2007) के मुताबिक, एआई कम्प्यूटेशनल साइंस की एक शाखा है जो मानव मॉडलों की गतिविधियों को पूरा करने में सक्षम कंप्यूटर मॉडल का अध्ययन करने के लिए ज़िम्मेदार है: इसकी मुख्य विशेषताएं: तर्क और व्यवहार।

1 9 56 में, जॉन मैककार्थी ने “कृत्रिम बुद्धि” शब्द बनाया और इसे “बुद्धिमान मशीनों, विशेष रूप से बुद्धिमान कंप्यूटर प्रोग्राम बनाने के विज्ञान और सरलता” के रूप में परिभाषित किया।

निल्स जॉन निल्सन के लिए चार बुनियादी खंभे हैं जिन पर कृत्रिम बुद्धि आधारित है:

संभावित कार्यों द्वारा उत्पादित राज्यों के सेट में आवश्यक राज्य की खोज करें।
जेनेटिक एल्गोरिदम (डीएनए श्रृंखला के विकास की प्रक्रिया के समान)।
कृत्रिम तंत्रिका नेटवर्क (जानवरों और मनुष्यों के मस्तिष्क के भौतिक कामकाज के समान)।
मानव अमूर्त सोच के समान औपचारिक तर्क के माध्यम से तर्क।

कंप्यूटरों में इलेक्ट्रिकल या ऑप्टिकल दालों में भौतिक सेंसर और मैकेनिकल सेंसर द्वारा क्रमशः प्राप्त और उत्पादित किया जा सकता है, साथ ही सॉफ्टवेयर और उसके सॉफ़्टवेयर पर्यावरण के बिट इनपुट और आउटपुट के साथ-साथ विभिन्न प्रकार की धारणाएं और क्रियाएं भी प्राप्त की जा सकती हैं। ।

सिस्टम नियंत्रण, स्वचालित नियोजन, निदान और उपभोक्ता पूछताछ, हस्तलेख मान्यता, भाषण मान्यता और पैटर्न पहचान के जवाब देने की क्षमता के कई उदाहरण हैं। एआई सिस्टम वर्तमान में अर्थशास्त्र, चिकित्सा, इंजीनियरिंग और सेना जैसे क्षेत्रों में नियमित रूप से हिस्सा हैं, और विभिन्न प्रकार के सॉफ्टवेयर अनुप्रयोगों, रणनीति गेम, जैसे कंप्यूटर शतरंज और अन्य वीडियो गेम में उपयोग किए जाते हैं।

इतिहास
विचार-सक्षम कृत्रिम प्राणियों पुरातनता में कहानी कहने वाले उपकरणों के रूप में दिखाई दिए, और मैरी शेली के फ्रेंकस्टीन या करेल Čapek के आरयूआर (रॉसम के सार्वभौमिक रोबोट) में कथाओं में आम हैं। इन पात्रों और उनके भाग्य ने कृत्रिम बुद्धि के नैतिकता में चर्चा की गई कई मुद्दों को उठाया।

यांत्रिक या “औपचारिक” तर्क का अध्ययन प्राचीन काल में दार्शनिकों और गणितज्ञों के साथ शुरू हुआ। गणितीय तर्क के अध्ययन ने सीधे एलन ट्यूरिंग के गणना के सिद्धांत का नेतृत्व किया, जिसने सुझाव दिया कि एक मशीन, “0” और “1” के रूप में सरल रूप से प्रतीकों को घुमाकर, गणितीय कटौती के किसी भी कल्पनीय कार्य को अनुकरण कर सकती है। यह अंतर्दृष्टि, कि डिजिटल कंप्यूटर औपचारिक तर्क की किसी भी प्रक्रिया को अनुकरण कर सकते हैं, जिसे चर्च-ट्यूरिंग थीसिस के नाम से जाना जाता है। न्यूरबायोलॉजी, सूचना सिद्धांत और साइबरनेटिक्स में समवर्ती खोजों के साथ, इसने शोधकर्ताओं को इलेक्ट्रॉनिक मस्तिष्क बनाने की संभावना पर विचार करने के लिए प्रेरित किया। ट्यूरिंग ने प्रस्तावित किया कि “यदि कोई मनुष्य मशीन और मानव से प्रतिक्रियाओं के बीच अंतर नहीं कर सकता है, तो मशीन को” बुद्धिमान “माना जा सकता है। पहला काम जो अब आम तौर पर एआई के रूप में पहचाना जाता है वह मैकुलचच और पिट्स के 1 9 43 औपचारिक डिजाइन ट्यूरिंग-पूर्ण “कृत्रिम न्यूरॉन्स” के लिए था।

एआई रिसर्च का क्षेत्र 1 9 56 में डार्टमाउथ कॉलेज में एक कार्यशाला में पैदा हुआ था। उपस्थिति एलन न्यूवेल (सीएमयू), हरबर्ट साइमन (सीएमयू), जॉन मैककार्थी (एमआईटी), मार्विन मिन्स्की (एमआईटी) और आर्थर सैमुअल (आईबीएम) संस्थापक बने और एआई अनुसंधान के नेताओं। उन्होंने और उनके छात्रों ने कार्यक्रमों का निर्माण किया जो प्रेस को “आश्चर्यजनक” के रूप में वर्णित किया गया था: कंप्यूटर चेकर्स रणनीतियों (सी। 1 9 54) सीख रहे थे (और 1 9 5 9 तक औसत मानव से बेहतर खेल रहे थे), बीजगणित में शब्द की समस्याओं को हल करना, तार्किक प्रमेय साबित करना (तर्क सिद्धांतवादी, पहला रन सी। 1 9 56) और अंग्रेजी बोलना। 1 9 60 के दशक के मध्य तक, अमेरिका में अनुसंधान को रक्षा विभाग द्वारा भारी रूप से वित्त पोषित किया गया था और प्रयोगशालाओं को दुनिया भर में स्थापित किया गया था। एआई के संस्थापक भविष्य के बारे में आशावादी थे: हरबर्ट साइमन ने भविष्यवाणी की, “बीस साल के भीतर मशीनें सक्षम होंगी, कोई भी काम करने वाला व्यक्ति ऐसा कर सकता है”। मार्विन मिन्स्की ने सहमति व्यक्त की, “एक पीढ़ी के भीतर … ‘कृत्रिम बुद्धि’ बनाने की समस्या को हल किया जाएगा”।

वे कुछ शेष कार्यों की कठिनाई को पहचानने में असफल रहे। प्रगति धीमी हुई और 1 9 74 में, सर जेम्स लाइटथिल की आलोचना के जवाब में और अमेरिकी कांग्रेस से अधिक उत्पादक परियोजनाओं को वित्त पोषित करने के दबाव में, दोनों अमेरिकी और ब्रिटिश सरकारों ने एआई में अन्वेषण अनुसंधान काट दिया। अगले कुछ वर्षों बाद में “एआई सर्दियों” कहा जाएगा, एक अवधि जब एआई परियोजनाओं के लिए धन प्राप्त करना मुश्किल था।

1 9 80 के दशक की शुरुआत में, एआई रिसर्च को विशेषज्ञ प्रणालियों की व्यावसायिक सफलता, एआई कार्यक्रम का एक रूप द्वारा पुनर्जीवित किया गया था जो मानव विशेषज्ञों के ज्ञान और विश्लेषणात्मक कौशल को अनुकरण करता था। 1 9 85 तक, एआई के लिए बाजार एक बिलियन डॉलर से अधिक हो गया था। साथ ही, जापान की पांचवीं पीढ़ी के कंप्यूटर प्रोजेक्ट ने अमेरिका और ब्रिटिश सरकारों को अकादमिक शोध के लिए धन बहाल करने के लिए प्रेरित किया। हालांकि, 1 9 87 में लिस्प मशीन बाजार के पतन के साथ शुरुआत में, एआई एक बार फिर से बदनाम हो गया, और एक दूसरा, लंबे समय तक चलने वाला अंतराल शुरू हुआ।

1 99 0 के उत्तरार्ध और 21 वीं शताब्दी की शुरुआत में, एआई का उपयोग रसद, डेटा खनन, चिकित्सा निदान और अन्य क्षेत्रों के लिए किया जाना शुरू हुआ। सफलता कम्प्यूटेशनल पावर (मूर के कानून को देखने), विशिष्ट समस्याओं को हल करने, एआई और अन्य क्षेत्रों (जैसे आंकड़े, अर्थशास्त्र और गणित) के बीच नए संबंधों और गणितीय तरीकों और वैज्ञानिक मानकों के लिए शोधकर्ताओं की प्रतिबद्धता के कारण अधिक जोर देने के कारण थी। 11 मई 1 99 7 को एक विश्वव्यापी शतरंज चैंपियन गैरी कास्परोव को हराकर डीप ब्लू पहला कंप्यूटर शतरंज-खेल प्रणाली बन गया।

2011 में, एक खतरे! क्विज़ शो प्रदर्शनी मैच, आईबीएम के सवाल जवाब देने वाले सिस्टम, वाटसन ने दो महान खतरे को हरा दिया! चैंपियन, ब्रैड रटर और केन जेनिंग्स, एक महत्वपूर्ण मार्जिन से। मशीन सीखने और धारणा में तेजी से कंप्यूटर, एल्गोरिदमिक सुधार, और बड़ी मात्रा में डेटा सक्षम अग्रिम तक पहुंच; डाटा-भूख गहरी सीखने के तरीकों ने 2012 के आसपास सटीकता बेंचमार्क पर हावी होना शुरू किया। किनेक्ट, जो Xbox 360 और Xbox One के लिए 3 डी बॉडी-मोशन इंटरफ़ेस प्रदान करता है, स्मार्टफोन में बुद्धिमान व्यक्तिगत सहायक के रूप में लंबे एआई अनुसंधान से उभरा एल्गोरिदम का उपयोग करता है। मार्च 2016 में, अल्फागो ने गो चैंपियन ली सेडोल के साथ एक मैच में गो के 5 खेलों में से 4 जीते, जो बिना किसी बाधा के पेशेवर गो खिलाड़ी को हराकर पहला कंप्यूटर गो-प्लेइंग सिस्टम बन गया। 2017 फ्यूचर ऑफ गो शिखर सम्मेलन में, अल्फागो ने के जी के साथ एक तीन-गेम मैच जीता, जिसने लगातार दो साल तक विश्व नंबर 1 रैंकिंग आयोजित की। इसने आर्टिफिशियल इंटेलिजेंस के विकास में एक महत्वपूर्ण मील का पत्थर पूरा करने के रूप में चिह्नित किया क्योंकि गो एक बेहद जटिल खेल है, शतरंज से भी ज्यादा।

ब्लूमबर्ग के जैक क्लार्क के अनुसार, 2015 कृत्रिम बुद्धि के लिए एक ऐतिहासिक वर्ष था, Google के भीतर एआई का उपयोग करने वाली सॉफ्टवेयर परियोजनाओं की संख्या 2012 में “स्पोराडिक उपयोग” से 2,700 से अधिक परियोजनाओं में वृद्धि हुई। क्लार्क भी तथ्यात्मक डेटा प्रस्तुत करता है जो दर्शाता है कि 2011 से छवि प्रसंस्करण कार्यों में त्रुटि दर महत्वपूर्ण रूप से गिर गई है। क्लाउड कंप्यूटिंग इंफ्रास्ट्रक्चर में वृद्धि और अनुसंधान उपकरण और डेटासेट में वृद्धि के कारण वह सस्ती तंत्रिका नेटवर्क में वृद्धि के लिए इसका श्रेय देता है। अन्य उद्धृत उदाहरणों में माइक्रोसॉफ्ट के एक स्काइप सिस्टम का विकास शामिल है जो स्वचालित रूप से एक भाषा से दूसरे भाषा में अनुवाद कर सकता है और फेसबुक की प्रणाली जो अंधे लोगों को छवियों का वर्णन कर सकती है। 2017 के एक सर्वेक्षण में, पांच कंपनियों में से एक ने बताया कि उन्होंने “कुछ प्रस्तावों या प्रक्रियाओं में एआई को शामिल किया था”। 2016 के आसपास, चीन ने अपने सरकारी वित्त पोषण को बहुत तेज कर दिया; डेटा की इसकी बड़ी आपूर्ति और इसके तेजी से बढ़ते अनुसंधान उत्पादन को देखते हुए, कुछ पर्यवेक्षकों का मानना ​​है कि यह “एआई महाशक्ति” बनने के लिए ट्रैक पर हो सकता है।

मूल बातें
एक विशिष्ट एआई अपने पर्यावरण को समझता है और ऐसे कार्यों को लेता है जो अपने लक्ष्यों को सफलतापूर्वक प्राप्त करने के अपने मौके को अधिकतम करते हैं। एक एआई का इरादा लक्ष्य कार्य सरल हो सकता है (“1 यदि एआई गो का खेल जीतता है, 0 अन्यथा”) या जटिल (“क्रियाओं को गणितीय रूप से उन क्रियाओं के समान करें जो आपको अतीत में पुरस्कार देते हैं”)। लक्ष्य स्पष्ट रूप से परिभाषित किया जा सकता है, या प्रेरित किया जा सकता है। यदि एआई को “मजबूती सीखने” के लिए प्रोग्राम किया गया है, तो लक्ष्यों को कुछ प्रकार के व्यवहार को पुरस्कृत करके और दूसरों को दंडित करके प्रेरित किया जा सकता है। वैकल्पिक रूप से, एक विकासवादी प्रणाली उत्परिवर्तित करने के लिए “फिटनेस फ़ंक्शन” का उपयोग कर लक्ष्यों को प्रेरित कर सकती है और अधिमानतः उच्च-स्कोरिंग एआई सिस्टम को दोहराती है; यह वही है कि कैसे जानवरों को विकसित करने के लिए कृत्रिम चयन के माध्यम से भोजन खोजने, या कुत्तों को कैसे आकर्षित किया जा सकता है, जैसे कुछ लक्ष्यों को सहजता से विकसित करने के लिए विकसित किया गया है। कुछ एआई सिस्टम, जैसे निकटतम पड़ोसी, बजाय समानता के कारण; इन प्रणालियों को आमतौर पर लक्ष्यों को नहीं दिया जाता है, इस डिग्री को छोड़कर कि लक्ष्य उनके प्रशिक्षण डेटा में किसी तरह से अंतर्निहित हैं। ऐसी प्रणालियों को अभी भी बेंचमार्क किया जा सकता है यदि गैर-लक्ष्य प्रणाली को उस प्रणाली के रूप में तैयार किया गया है जिसका “लक्ष्य” सफलतापूर्वक अपने संकीर्ण वर्गीकरण कार्य को पूरा करना है।

एआई अक्सर एल्गोरिदम के उपयोग के आसपास घूमती है। एक एल्गोरिदम एक स्पष्ट कंप्यूटर का निष्पादन करता है जो एक यांत्रिक कंप्यूटर निष्पादित कर सकता है। एक जटिल एल्गोरिदम अक्सर अन्य, सरल, एल्गोरिदम के शीर्ष पर बनाया जाता है। एल्गोरिदम का एक सरल उदाहरण टिक-टैक-टो में इष्टतम खेल के लिए निम्न नुस्खा है:

अगर किसी के पास “खतरा” है (यानी, दो पंक्ति में), शेष वर्ग लें। अन्यथा,
यदि एक कदम “फोर्क” एक बार में दो खतरों को बनाने के लिए, उस कदम को चलाएं। अन्यथा,
यदि यह मुफ़्त है तो केंद्र स्क्वायर लें। अन्यथा,
यदि आपका प्रतिद्वंद्वी एक कोने में खेला गया है, तो विपरीत कोने लें। अन्यथा,
यदि कोई मौजूद है तो खाली कोने लें। अन्यथा,
कोई खाली वर्ग ले लो।

कई एआई एल्गोरिदम डेटा से सीखने में सक्षम हैं; वे नई ह्युरिस्टिक्स (रणनीतियों, या “अंगूठे के नियम” सीखकर स्वयं को बढ़ा सकते हैं, जिन्होंने अतीत में अच्छी तरह से काम किया है), या स्वयं अन्य एल्गोरिदम लिख सकते हैं। Bayesian नेटवर्क, निर्णय पेड़, और निकटतम पड़ोसी समेत नीचे वर्णित कुछ “शिक्षार्थियों” सैद्धांतिक रूप से, यदि अनंत डेटा, समय और स्मृति दिया गया है, तो किसी भी कार्य का अनुमान लगाने के लिए सीखें, जिसमें गणितीय कार्यों का जो भी संयोजन सबसे अच्छा वर्णन करेगा पूरी दुनिया। इसलिए, इन शिक्षार्थियों को, हर संभावित परिकल्पना पर विचार करके और डेटा के खिलाफ मिलान करके, सभी संभावित ज्ञान प्राप्त कर सकते हैं। व्यावहारिक रूप से, “संयोजक विस्फोट” की घटना के कारण, हर संभावना पर विचार करना लगभग संभव नहीं होता है, जहां समस्या को हल करने के लिए आवश्यक समय की मात्रा तेजी से बढ़ती है। एआई अनुसंधान के अधिकांश में यह पता लगाना शामिल है कि कैसे उपयोगी साबित होने की संभावनाओं के व्यापक स्वार्थों पर विचार करना और उनसे बचने से बचें। उदाहरण के लिए, नक्शा देखने पर और पूर्व में डेनवर से न्यूयॉर्क तक सबसे कम ड्राइविंग मार्ग की तलाश करते समय, अधिकांश मामलों में सैन फ्रांसिस्को या पश्चिम के अन्य क्षेत्रों के माध्यम से किसी भी रास्ते को देख सकते हैं; इस प्रकार, एक एआई जैसे पथदर्शी एल्गोरिदम की रक्षा करने वाला एआई संयोजक विस्फोट से बच सकता है जो तब होगा जब हर संभावित मार्ग को बदले में विचार किया जाना चाहिए।

एआई के लिए सबसे शुरुआती (और समझने में आसान) दृष्टिकोण प्रतीकात्मक था (जैसे कि औपचारिक तर्क): “यदि अन्यथा स्वस्थ वयस्क को बुखार होता है, तो उनके पास इन्फ्लूएंजा हो सकता है”। दूसरा, अधिक सामान्य, दृष्टिकोण बेयसियन अनुमान है: “यदि वर्तमान रोगी को बुखार होता है, तो इस तरह के तरीके से इन्फ्लूएंजा की संभावना को समायोजित करें”। नियमित व्यापार एआई अनुप्रयोगों में बेहद लोकप्रिय तीसरा प्रमुख दृष्टिकोण, एसवीएम और निकटतम पड़ोसी जैसे एनालोगाइज़र हैं: “ज्ञात पिछले मरीजों के रिकॉर्ड की जांच करने के बाद जिनके तापमान, लक्षण, आयु, और अन्य कारक ज्यादातर मौजूदा रोगी से मेल खाते हैं, एक्स% उन रोगियों में से इन्फ्लूएंजा निकला “। एक चौथा दृष्टिकोण सहजता से समझना कठिन होता है, लेकिन यह प्रेरित है कि मस्तिष्क की मशीनरी कैसे काम करती है: कृत्रिम तंत्रिका नेटवर्क दृष्टिकोण कृत्रिम “न्यूरॉन्स” का उपयोग करता है जो स्वयं को वांछित आउटपुट से तुलना करके और अपने आंतरिक न्यूरॉन्स के बीच कनेक्शन की ताकत को बदलकर सीख सकता है उपयोगी होने लगते कनेक्शन को “मजबूती” के लिए। ये चार मुख्य दृष्टिकोण एक दूसरे के साथ और विकासवादी प्रणालियों के साथ ओवरलैप कर सकते हैं; उदाहरण के लिए, तंत्रिका जाल सम्मेलन बनाने, सामान्यीकरण करने और अनुरूप बनाने के लिए सीख सकते हैं। कुछ अन्य एआई और गैर-एआई एल्गोरिदम के साथ-साथ कुछ प्रणालियां इन दृष्टिकोणों में से कई का स्पष्ट रूप से या स्पष्ट रूप से उपयोग करती हैं; समस्या के आधार पर सबसे अच्छा दृष्टिकोण अक्सर अलग होता है।

सीखने वाले एल्गोरिदम इस आधार पर काम करते हैं कि रणनीतियों, एल्गोरिदम, और अतीत में अच्छी तरह से काम करने वाले सम्मेलनों में भविष्य में अच्छी तरह से काम करना जारी रखने की संभावना है। ये अवधारणाएं स्पष्ट हो सकती हैं, जैसे कि “पिछले 10,000 दिनों से सूर्य हर सुबह गुलाब के बाद से, यह शायद कल सुबह भी बढ़ेगा”। उन्हें नीच किया जा सकता है, जैसे कि “एक्स% परिवारों में भौगोलिक रूप से अलग-अलग प्रजातियां रंग भिन्नताएं हैं, इसलिए एक वाई% मौका है कि अनदेखा काला हंस मौजूद हैं”। शिक्षार्थियों “ओकम के रेज़र” के आधार पर भी काम करते हैं: डेटा को समझाते हुए सबसे सरल सिद्धांत सबसे ज्यादा पसंद है। इसलिए, सफल होने के लिए, एक शिक्षार्थी को इस तरह डिजाइन किया जाना चाहिए कि यह जटिल सिद्धांतों के लिए सरल सिद्धांतों को पसंद करता है, सिवाय इसके कि जटिल सिद्धांत सिद्ध रूप से बेहतर साबित होते हैं। एक बुरे, अत्यधिक जटिल सिद्धांत पर सेट करना, जो कि पिछले सभी प्रशिक्षण डेटा को फिट करने के लिए तैयार है, को ओवरफिटिंग के रूप में जाना जाता है। कई प्रणालियां एक सिद्धांत को पुरस्कृत करके ओवरफिटिंग को कम करने का प्रयास करती हैं, यह बताती है कि यह डेटा कितनी अच्छी तरह फिट बैठता है, लेकिन इस सिद्धांत को दंडित करता है कि सिद्धांत कितना जटिल है। क्लासिक ओवरफिटिंग के अलावा, शिक्षार्थियों ने “गलत सबक सीखना” से निराश भी हो सकते हैं। एक खिलौना उदाहरण यह है कि केवल एक भूरे रंग के घोड़ों और काले बिल्लियों की तस्वीरों पर प्रशिक्षित एक छवि वर्गीकरण यह निष्कर्ष निकाल सकता है कि सभी भूरे रंग के पैच घोड़े होने की संभावना है। एक वास्तविक दुनिया का उदाहरण यह है कि, मनुष्यों के विपरीत, वर्तमान छवि वर्गीकरण चित्र के घटकों के बीच स्थानिक संबंध निर्धारित नहीं करते हैं; इसके बजाए, वे पिक्सल के सार पैटर्न सीखते हैं जो मनुष्यों के लिए अनजान हैं, लेकिन यह वास्तविक प्रकार की वास्तविक वस्तुओं की छवियों के साथ रैखिक रूप से संबंधित है। एक वैध छवि के परिणामस्वरूप इस तरह के एक पैटर्न को बेहद शानदार तरीके से “प्रतिकूल” छवि में परिणाम देता है जिसे सिस्टम गलत वर्गीकृत करता है।

मनुष्यों की तुलना में, मौजूदा एआई में मानव “कॉमन्सेंस तर्क” की कई विशेषताओं की कमी है; सबसे विशेष रूप से, मनुष्यों के पास “भद्दा भौतिकी” जैसे अंतरिक्ष, समय और शारीरिक बातचीत के बारे में तर्क के लिए शक्तिशाली तंत्र हैं। यह छोटे बच्चों को आसानी से इस तरह के शब्दों को बनाने में सक्षम बनाता है जैसे “यदि मैं इस पेन को एक टेबल से रोल करता हूं, तो यह फर्श पर गिर जाएगा”। मनुष्यों के पास “लोक मनोविज्ञान” का एक शक्तिशाली तंत्र भी है जो उन्हें प्राकृतिक भाषा के वाक्यों की व्याख्या करने में मदद करता है जैसे “नगर परिषद के नेताओं ने प्रदर्शनकारियों को परमिट से इनकार कर दिया क्योंकि उन्होंने हिंसा की वकालत की थी।” (एक सामान्य एआई को यह समझने में कठिनाई होती है कि क्या काउंसिलमैन या प्रदर्शनकारियों ने हिंसा की वकालत करने का आरोप लगाया है।) “सामान्य ज्ञान” की कमी का अर्थ है कि एआई अक्सर इंसानों की तुलना में अलग-अलग गलतियां करता है, ऐसे तरीकों से जो समझ में नहीं आते हैं। उदाहरण के लिए, मौजूदा स्व-ड्राइविंग कारें स्थान के बारे में और पैदल चलने वालों के इरादे से इंसानों के सही तरीके से कारण नहीं बन सकती हैं, और इसके बजाय दुर्घटनाओं से बचने के लिए तर्क के गैर-मानवीय तरीकों का उपयोग करना चाहिए।

समस्या का
कृत्रिम बुद्धि का समग्र शोध लक्ष्य तकनीक बनाना है जो कंप्यूटर और मशीनों को बुद्धिमान ढंग से कार्य करने की अनुमति देता है। अनुकरण (या बनाने) की सामान्य समस्या को उप-समस्याओं में विभाजित कर दिया गया है। इनमें विशेष लक्षण या क्षमताएं शामिल हैं जो शोधकर्ता एक बुद्धिमान प्रणाली को प्रदर्शित करने की अपेक्षा करते हैं। नीचे वर्णित लक्षणों का सबसे अधिक ध्यान प्राप्त हुआ है।

तर्क, समस्या हल करना
शुरुआती शोधकर्ताओं ने एल्गोरिदम विकसित किए जो कदम-दर-चरण तर्क का अनुकरण करते हैं कि जब वे पहेली हल करते हैं या तार्किक कटौती करते हैं तो मनुष्य इसका उपयोग करते हैं। 1 9 80 और 1 99 0 के उत्तरार्ध तक, एआई शोध ने अनिश्चित या अपूर्ण जानकारी से निपटने के लिए विधियों का विकास किया, संभावना और अर्थशास्त्र से अवधारणाओं को नियोजित किया।

ये एल्गोरिदम बड़ी तर्क समस्याओं को हल करने के लिए अपर्याप्त साबित हुए, क्योंकि उन्होंने “संयोजन विस्फोट” का अनुभव किया: वे बड़े पैमाने पर बढ़ने के कारण तेजी से धीमे हो गए। असल में, यहां तक ​​कि मनुष्य शायद ही कभी कदम-दर-चरण कटौती का उपयोग करते हैं कि प्रारंभिक एआई अनुसंधान मॉडल करने में सक्षम था। वे तेजी से, सहज निर्णय का उपयोग करके अपनी अधिकांश समस्याओं का समाधान करते हैं।

ज्ञान निरूपण
ज्ञान प्रतिनिधित्व और ज्ञान इंजीनियरिंग शास्त्रीय एआई अनुसंधान के लिए केंद्रीय हैं। कुछ “विशेषज्ञ प्रणालियों” कुछ संकीर्ण डोमेन में विशेषज्ञों द्वारा धारित स्पष्ट ज्ञान एकत्र करने का प्रयास करते हैं। इसके अलावा, कुछ परियोजनाएं “कॉमन्सेंस ज्ञान” को इकट्ठा करने का प्रयास करती हैं जो औसत व्यक्ति को दुनिया के बारे में व्यापक ज्ञान वाले डेटाबेस में जानती है। चीजों में से एक व्यापक कॉमन्सेंस ज्ञान आधार में शामिल होंगे: वस्तुओं, गुणों, श्रेणियों और वस्तुओं के बीच संबंध; परिस्थितियों, घटनाओं, राज्यों और समय; कारण और प्रभाव; ज्ञान के बारे में ज्ञान (जो हम जानते हैं कि अन्य लोगों को क्या पता है); और कई अन्य, कम अच्छी तरह से शोध किए गए डोमेन। “क्या अस्तित्व” का प्रतिनिधित्व एक ऑटोलॉजी है: ऑब्जेक्ट्स, रिलेशनशिप, अवधारणाओं और गुणों का सेट औपचारिक रूप से वर्णित है ताकि सॉफ्टवेयर एजेंट उन्हें समझ सकें। इनमें से अर्थशास्त्र को तर्क तर्क अवधारणाओं, भूमिकाओं और व्यक्तियों के रूप में पकड़ा जाता है, और आमतौर पर वेब Ontology भाषा में कक्षाओं, गुणों और व्यक्तियों के रूप में लागू किया जाता है। सबसे सामान्य औपचारिकताओं को ऊपरी औपचारिक कहा जाता है, जो किसी अन्य ज्ञान डोमेन (रुचि के क्षेत्र या चिंता के क्षेत्र) के बारे में विशिष्ट ज्ञान को कवर करने वाले डोमेन ऑटोलॉजीज के बीच मध्यस्थ के रूप में कार्य करके अन्य सभी ज्ञान के लिए आधार प्रदान करने का प्रयास करते हैं। इस तरह के औपचारिक ज्ञान प्रस्तुतियों का उपयोग सामग्री-आधारित अनुक्रमण और पुनर्प्राप्ति, दृश्य व्याख्या, नैदानिक ​​निर्णय समर्थन, ज्ञान की खोज (खनन “दिलचस्प” और बड़े डेटाबेस से क्रियाशील सम्मेलन) और अन्य क्षेत्रों में किया जा सकता है।

ज्ञान प्रतिनिधित्व में सबसे कठिन समस्याओं में से हैं:

डिफ़ॉल्ट तर्क और योग्यता समस्या
लोगों को पता है कि कई चीजें “काम करने की धारणा” के रूप में लेती हैं। उदाहरण के लिए, यदि कोई पक्षी वार्तालाप में आता है, तो लोग आम तौर पर एक जानवर को चित्रित करते हैं जो मुट्ठी आकार, गाती है, और मक्खियों। इन चीजों में से कोई भी सभी पक्षियों के बारे में सच नहीं है। जॉन मैककार्थी ने 1 9 6 9 में योग्यता की समस्या के रूप में इस समस्या की पहचान की: एआई शोधकर्ताओं के प्रतिनिधित्व के लिए किसी भी कॉमन्सेंस नियम के लिए, अपवादों की एक बड़ी संख्या होती है। अमूर्त तर्क की आवश्यकता के तरीके में लगभग कुछ भी सच या गलत नहीं है। एआई शोध ने इस समस्या के कई समाधानों की खोज की है।

कॉमन्सेंस ज्ञान की चौड़ाई
औसत व्यक्ति जानता है कि परमाणु तथ्यों की संख्या बहुत बड़ी है। रिसर्च प्रोजेक्ट जो कॉमन्सेंस ज्ञान (उदाहरण के लिए, सीईसी) के पूर्ण ज्ञान आधार का निर्माण करने का प्रयास करते हैं, उन्हें भारी मात्रा में श्रमिक इंजीनियरिंग इंजीनियरिंग की आवश्यकता होती है- उन्हें एक समय में एक जटिल अवधारणा हाथ से बनाया जाना चाहिए।

कुछ commonsense ज्ञान का subsymbolic रूप
जो लोग जानते हैं उनमें से अधिकांश को “तथ्यों” या “बयान” के रूप में नहीं दर्शाया जाता है जो वे मौखिक रूप से व्यक्त कर सकते हैं। उदाहरण के लिए, एक शतरंज मास्टर एक विशेष शतरंज की स्थिति से बच जाएगा क्योंकि यह “बहुत उजागर महसूस करता है” या एक कला आलोचक एक मूर्ति पर एक नज़र डाल सकता है और महसूस कर सकता है कि यह एक नकली है। ये मानव मस्तिष्क में गैर-जागरूक और उप-प्रतीकात्मक अंतर्ज्ञान या प्रवृत्तियों हैं। इस तरह का ज्ञान प्रतीकात्मक, जागरूक ज्ञान के लिए एक संदर्भ, समर्थन और प्रदान करता है। उप-प्रतीकात्मक तर्क की संबंधित समस्या के साथ, यह उम्मीद की जाती है कि एआई, कम्प्यूटेशनल इंटेलिजेंस या सांख्यिकीय एआई स्थित इस तरह के ज्ञान का प्रतिनिधित्व करने के तरीके प्रदान करेगा।

योजना
बुद्धिमान एजेंट लक्ष्य निर्धारित करने और उन्हें प्राप्त करने में सक्षम होना चाहिए। उन्हें भविष्य की कल्पना करने के लिए एक तरीका चाहिए- दुनिया की स्थिति का प्रतिनिधित्व और भविष्यवाणियां करने में सक्षम रहें कि उनके कार्य कैसे बदलेंगे-और उपलब्ध विकल्पों में उपयोगिता (या “मूल्य”) को अधिकतम करने वाले विकल्प बनाने में सक्षम होना चाहिए ।

शास्त्रीय नियोजन समस्याओं में, एजेंट यह मान सकता है कि यह दुनिया में अभिनय करने वाली एकमात्र प्रणाली है, जिससे एजेंट अपने कार्यों के परिणामों के बारे में निश्चित हो सकता है। हालांकि, अगर एजेंट एकमात्र अभिनेता नहीं है, तो यह आवश्यक है कि एजेंट अनिश्चितता के कारण तर्क दे सके। यह एक एजेंट के लिए कॉल करता है जो न केवल अपने पर्यावरण का आकलन कर सकता है और भविष्यवाणियां कर सकता है, बल्कि इसके अनुमानों के आधार पर इसकी भविष्यवाणियों और अनुकूलन का मूल्यांकन भी कर सकता है।

बहु-एजेंट नियोजन किसी दिए गए लक्ष्य को प्राप्त करने के लिए कई एजेंटों के सहयोग और प्रतिस्पर्धा का उपयोग करता है। इस तरह के उभरते व्यवहार का विकास विकासवादी एल्गोरिदम और झुंड बुद्धि द्वारा किया जाता है।

सीख रहा हूँ
मशीन लर्निंग, क्षेत्र की स्थापना के बाद एआई अनुसंधान की एक मौलिक अवधारणा, कंप्यूटर एल्गोरिदम का अध्ययन है जो अनुभव के माध्यम से स्वचालित रूप से सुधारती है।

अप्रशिक्षित शिक्षा इनपुट की धारा में पैटर्न खोजने की क्षमता है। पर्यवेक्षित शिक्षा में वर्गीकरण और संख्यात्मक प्रतिगमन दोनों शामिल हैं। वर्गीकरण का उपयोग कई श्रेणियों से चीजों के कई उदाहरण देखने के बाद, किस श्रेणी में कुछ संबंधित है, यह निर्धारित करने के लिए किया जाता है। रिग्रेशन एक ऐसा फ़ंक्शन तैयार करने का प्रयास है जो इनपुट और आउटपुट के बीच संबंधों का वर्णन करता है और अनुमान लगाता है कि इनपुट में परिवर्तन के रूप में आउटपुट को कैसे बदला जाना चाहिए। दोनों क्लासिफायर और रिग्रेशन शिक्षार्थियों को अज्ञात (संभावित रूप से निहित) फ़ंक्शन सीखने की कोशिश कर रहे “कार्य अनुमानक” के रूप में देखा जा सकता है; उदाहरण के लिए, एक स्पैम क्लासिफायरफायर को एक ऐसे फ़ंक्शन को सीखने के रूप में देखा जा सकता है जो ईमेल के पाठ से दो श्रेणियों में से एक, “स्पैम” या “स्पैम नहीं” से मेल खाता है। कम्प्यूटेशनल लर्निंग थ्योरी कम्प्यूटेशनल कॉम्प्लेक्टीटी द्वारा सैंपल जटिलता (कितना डेटा आवश्यक है) द्वारा, या अनुकूलन के अन्य विचारों द्वारा शिक्षार्थियों का आकलन कर सकते हैं। मजबूती सीखने में एजेंट को अच्छे प्रतिक्रियाओं के लिए पुरस्कृत किया जाता है और बुरे लोगों के लिए दंडित किया जाता है। एजेंट अपनी समस्या स्थान में परिचालन के लिए रणनीति बनाने के लिए पुरस्कार और दंड के इस अनुक्रम का उपयोग करता है।

प्राकृतिक भाषा प्रसंस्करण
प्राकृतिक भाषा प्रसंस्करण (एनएलपी) मशीनों को मानव भाषा को पढ़ने और समझने की क्षमता देता है। एक पर्याप्त शक्तिशाली प्राकृतिक भाषा प्रसंस्करण प्रणाली प्राकृतिक भाषा उपयोगकर्ता इंटरफेस और मानव-लिखित स्रोतों जैसे सीधे न्यूज़वायर ग्रंथों से ज्ञान का अधिग्रहण सक्षम करेगी। प्राकृतिक भाषा प्रसंस्करण के कुछ सरल अनुप्रयोगों में सूचना पुनर्प्राप्ति, टेक्स्ट खनन, प्रश्नोत्तर और मशीन अनुवाद शामिल हैं। कई वर्तमान दृष्टिकोण पाठ के वाक्य रचनात्मक प्रस्तुतियों के निर्माण के लिए शब्द सह-घटना आवृत्तियों का उपयोग करते हैं। खोज के लिए “कीवर्ड स्पॉटिंग” रणनीतियों लोकप्रिय और स्केलेबल लेकिन गूंगा हैं; “कुत्ते” के लिए एक खोज क्वेरी केवल शाब्दिक शब्द “कुत्ते” के साथ दस्तावेजों से मेल खा सकती है और “पूडल” शब्द वाले दस्तावेज़ को याद कर सकती है। “लेक्सिकल एफ़िनिटी” रणनीतियों दस्तावेज़ की भावना का आकलन करने के लिए “दुर्घटना” जैसे शब्दों की घटना का उपयोग करती हैं। आधुनिक सांख्यिकीय एनएलपी दृष्टिकोण इन सभी रणनीतियों के साथ-साथ दूसरों को भी जोड़ सकते हैं, और अक्सर पृष्ठ या अनुच्छेद स्तर पर स्वीकार्य सटीकता प्राप्त करते हैं, लेकिन अलग-अलग वाक्यों को वर्गीकृत करने के लिए आवश्यक अर्थपूर्ण समझ की कमी जारी रखते हैं। अर्थपूर्ण कॉमन्सेंस ज्ञान एन्कोडिंग के साथ सामान्य कठिनाइयों के अलावा, मौजूदा अर्थात् एनएलपी कभी-कभी व्यवसाय अनुप्रयोगों में व्यवहार्य होने के लिए बहुत खराब तरीके से स्केल करता है। अर्थपूर्ण एनएलपी से परे, “कथा” एनएलपी का अंतिम लक्ष्य कॉमन्सेंस तर्क की पूर्ण समझ को जोड़ना है।

अनुभूति
मशीन धारणा दुनिया के पहलुओं को कम करने के लिए सेंसर (जैसे कैमरे (दृश्यमान स्पेक्ट्रम या अवरक्त), माइक्रोफोन, वायरलेस सिग्नल, और सक्रिय लिडर, सोनार, रडार और स्पर्श संवेदक) से इनपुट का उपयोग करने की क्षमता है। अनुप्रयोगों में भाषण मान्यता, चेहरे की पहचान, और वस्तु पहचान शामिल हैं। कंप्यूटर दृष्टि दृश्य इनपुट का विश्लेषण करने की क्षमता है। ऐसा इनपुट आमतौर पर संदिग्ध होता है; एक विशाल, पचास मीटर लंबा पैदल यात्री दूर-दराज के सामान्य आकार के पैदल यात्री के रूप में ठीक उसी पिक्सेल का उत्पादन कर सकता है, जिसके लिए एआई को विभिन्न व्याख्याओं की सापेक्ष संभावना और तर्कसंगतता का न्याय करने की आवश्यकता होती है, उदाहरण के लिए इसका मूल्यांकन करने के लिए अपने “ऑब्जेक्ट मॉडल” का उपयोग करके कि पचास मीटर पैदल चलने वाले मौजूद नहीं हैं।

मोशन और हेरफेर
रोबोटिक्स में एआई का भारी इस्तेमाल होता है। आधुनिक रोबोटिक हथियारों और आधुनिक औद्योगिक रोबोटों में व्यापक रूप से उपयोग किए जाने वाले अन्य औद्योगिक रोबोट, अनुभव से सीख सकते हैं कि घर्षण और गियर स्लीपेज की उपस्थिति के बावजूद कुशलतापूर्वक कैसे स्थानांतरित किया जाए। एक आधुनिक मोबाइल रोबोट, जब एक छोटा, स्थैतिक और दृश्य वातावरण दिया जाता है, तो आसानी से अपना स्थान निर्धारित कर सकता है और इसके पर्यावरण को मानचित्र बना सकता है; हालांकि, गतिशील वातावरण, जैसे (एंडोस्कोपी में) एक मरीज के श्वास शरीर के इंटीरियर, एक बड़ी चुनौती उत्पन्न करते हैं। मोशन प्लानिंग व्यक्तिगत आंदोलनों जैसे “प्राइमेटिव्स” में एक आंदोलन कार्य को तोड़ने की प्रक्रिया है। इस तरह के आंदोलन में अक्सर अनुपालन गति शामिल होती है, एक प्रक्रिया जहां आंदोलन को किसी वस्तु के साथ शारीरिक संपर्क बनाए रखने की आवश्यकता होती है। मोरावेक का विरोधाभास सामान्यीकृत करता है कि मनुष्यों द्वारा प्रदान किए जाने वाले निम्न-स्तरीय सेंसरिमोटर कौशल, रोबोट में प्रोग्राम करना मुश्किल है; विरोधाभास का नाम हंस मोरावेक के नाम पर रखा गया है, जिन्होंने 1 9 88 में कहा था कि “कंप्यूटर को बुद्धिमत्ता परीक्षणों पर वयस्क स्तर के प्रदर्शन को प्रदर्शित करने या चेकर्स खेलने के लिए तुलनात्मक रूप से आसान है, और उन्हें एक वर्षीय के कौशल देने के लिए मुश्किल या असंभव है धारणा और गतिशीलता के लिए आता है “। यह इस तथ्य के लिए जिम्मेदार है कि, चेकर्स के विपरीत, शारीरिक निपुणता लाखों सालों से प्राकृतिक चयन का प्रत्यक्ष लक्ष्य रहा है।

सामाजिक बुद्धिमत्ता
मोरावेक के विरोधाभास को सामाजिक खुफिया के कई रूपों तक बढ़ाया जा सकता है। स्वायत्त वाहनों के वितरित बहु-एजेंट समन्वय एक कठिन समस्या बनी हुई है। प्रभावशाली कंप्यूटिंग एक अंतःविषय छतरी है जिसमें ऐसे सिस्टम शामिल होते हैं जो मानव प्रभाव को पहचानते हैं, व्याख्या करते हैं, प्रक्रिया करते हैं या अनुकरण करते हैं। प्रभावशाली कंप्यूटिंग से संबंधित मध्यम सफलताओं में टेक्स्ट भावनात्मक विश्लेषण शामिल है और हाल ही में, बहुआयामी विश्लेषण विश्लेषण (बहुआयामी भावना विश्लेषण देखें), जिसमें एआई एक वीडियो टाइपेड विषय द्वारा प्रदर्शित प्रभावों को वर्गीकृत करता है।

लंबे समय तक, सामाजिक कौशल और मानव भावना और खेल सिद्धांत की समझ एक सामाजिक एजेंट के लिए मूल्यवान होगी। अपने उद्देश्यों और भावनात्मक राज्यों को समझकर दूसरों के कार्यों की भविष्यवाणी करने में सक्षम होने से एजेंट को बेहतर निर्णय लेने की अनुमति मिल जाएगी। कुछ कंप्यूटर सिस्टम मानवीय भावनाओं और अभिव्यक्तियों की नकल करते हैं जो मानवीय बातचीत की भावनात्मक गतिशीलता के प्रति अधिक संवेदनशील होते हैं, या अन्यथा मानव-कंप्यूटर परस्पर संपर्क को सुविधाजनक बनाने के लिए। इसी तरह, कुछ वर्चुअल सहायकों को बातचीत करने के लिए प्रोग्राम किया जाता है या यहां तक ​​कि विनोदी ढंग से बन्द करने के लिए भी प्रोग्राम किया जाता है; यह भयानक उपयोगकर्ताओं को वास्तव में बुद्धिमान मौजूदा कंप्यूटर एजेंटों के बारे में एक अवास्तविक धारणा देने के लिए प्रेरित करता है।

सामान्य बुद्धि
ऐतिहासिक रूप से, सीईसी ज्ञान आधार (1 9 84-) और विशाल जापानी पांचवें पीढ़ी कंप्यूटर सिस्टम पहल (1 9 82-199 2) जैसी परियोजनाओं ने मानव संज्ञान की चौड़ाई को कवर करने का प्रयास किया। ये प्रारंभिक परियोजनाएं गैर-मात्रात्मक प्रतीकात्मक तर्क मॉडल की सीमाओं से बचने में विफल रहीं और, पूर्व-निरीक्षण में, क्रॉस-डोमेन एआई की कठिनाई को बहुत कम करके आंका गया। आजकल, वर्तमान एआई शोधकर्ताओं का विशाल बहुमत ट्रैक्ट करने योग्य “संकीर्ण एआई” अनुप्रयोगों (जैसे चिकित्सा निदान या ऑटोमोबाइल नेविगेशन) पर काम करता है। कई शोधकर्ताओं का अनुमान है कि अलग-अलग अलग-अलग डोमेनों में इस तरह के “संकीर्ण एआई” काम को अंततः कृत्रिम सामान्य खुफिया (एजीआई) के साथ एक मशीन में शामिल किया जाएगा, जिसमें इस आलेख में वर्णित संकीर्ण कौशल का अधिकांश संयोजन होता है और किसी बिंदु पर मानव या अधिकतर मानव क्षमता से अधिक या इन सभी क्षेत्रों में। कई प्रगति में सामान्य, क्रॉस-डोमेन महत्व होता है। एक उच्च प्रोफ़ाइल उदाहरण यह है कि 2010 के दशक में दीपमाइंड ने “सामान्यीकृत कृत्रिम बुद्धि” विकसित की जो कई अलग-अलग अटारी खेलों को सीख सकती थी, और बाद में सिस्टम के एक संस्करण को विकसित किया जो क्रमिक शिक्षा में सफल हुआ। हस्तांतरण सीखने के अलावा, काल्पनिक एजीआई की सफलता में प्रतिबिंबित आर्किटेक्चर के विकास शामिल हो सकते हैं जो निर्णय-सैद्धांतिक मेट्रारेसनिंग में संलग्न हो सकते हैं, और यह पता लगा सकते हैं कि पूरे असंगठित वेब से व्यापक ज्ञान आधार कैसे “स्लिप अप” करना है। कुछ लोग तर्क देते हैं कि कुछ प्रकार (वर्तमान में अनदेखा) अवधारणात्मक रूप से सीधा है, लेकिन गणितीय रूप से मुश्किल है, “मास्टर एल्गोरिदम” एजीआई का कारण बन सकता है। आखिरकार, कुछ “उभरते” दृष्टिकोण मानव खुफिया को बेहद बारीकी से अनुकरण करने लगते हैं, और मानते हैं कि कृत्रिम मस्तिष्क या अनुरूपित बाल विकास जैसी मानववंशीय विशेषताएं किसी महत्वपूर्ण बिंदु तक पहुंच सकती हैं जहां सामान्य खुफिया उभरती है।

यदि इस मशीन में समस्याओं और समस्याओं को हल करने के लिए मशीनें हैं, तो इस आलेख में कई समस्याओं को सामान्य बुद्धि की भी आवश्यकता हो सकती है। उदाहरण के लिए, मशीन अनुवाद जैसे विशिष्ट सीधा कार्यों के लिए, एक मशीन को दोनों भाषाओं (एनएलपी) में पढ़ने और लिखने की आवश्यकता होती है, लेखक के तर्क (कारण) का पालन करें, पता करें कि (ज्ञान) के बारे में क्या बात की जा रही है, और ईमानदारी से लेखक के मूल का पुनरुत्पादन करें इरादा (सामाजिक खुफिया)। मशीन अनुवाद जैसी समस्या को “एआई-पूर्ण” माना जाता है, क्योंकि इन सभी समस्याओं को मानव स्तर के मशीन प्रदर्शन तक पहुंचने के लिए एक साथ हल करने की आवश्यकता होती है।