人工知能の影響

人工知能(AI)は、機械によって表示される情報である。 コンピュータサイエンスでは、理想的な「インテリジェントな」マシンは、環境を認識し、何らかの目的や仕事で成功する可能性を最大限に高める行動を実行する柔軟性の高い合理的なエージェントです。 言い換えれば、人工知能という用語は、人間が他の人間の心と結び付ける「認知」機能を模倣するときに適用されます。例えば、「学習する」、「問題を解決する」などです。 かつてインテリジェンスを必要としていたと考えられていた技術は、定義から削除されています。 例えば、光学的文字認識はもはや共通の技術となった「人工知能」の例として認識されていない。 依然として人工知能に分類される技術的進歩は、自律的な運転システムまたはチェスやゴーをすることができるものである。

Takeyas(2007)によれば、AIは人間の活動の主な特徴の2つ、すなわち推論と行動に基づいて人間の活動を実行することができるコンピュータモデルの研究を担当する計算科学の枝である。

1956年、ジョン・マッカーシーは「人工知能」という言葉を「インテリジェント・マシン、特にインテリジェントなコンピュータ・プログラムを作る科学と創意工夫」と定義しました。

Nils John Nilssonには、人工知能の基盤となる4つの基本的な柱があります。

可能なアクションによって生成された状態セット内の必要な状態を検索します。
遺伝的アルゴリズム(DNA鎖の進化過程に類似)。
人工ニューラルネットワーク(動物や人間の脳の物理的機能に類似)
人間の抽象的思考に類似した正式な論理を推論する。

機械の物理的センサや機械的センサ、コンピュータの電気的または光学的パルス、ならびにソフトウェアおよびそのソフトウェア環境のビット入力および出力によって、それぞれ取得および生成することができる異なるタイプの知覚および動作もある。

いくつかの例は、システム制御、自動計画、診断と消費者の問い合わせに対応する能力、手書き認識、音声認識とパターン認識の分野です。 AIシステムは現在、経済学、医学、工学、軍などの分野のルーチンの一部であり、さまざまなソフトウェアアプリケーション、コンピュータチェスなどの戦略ゲーム、およびその他のビデオゲームで使用されています。

歴史
思考能力のある人工物は、古代のストーリーテリング・デバイスとして登場し、メリー・シェリーのフランケンシュタインやカレル・チャペックのRUR(ロッサムのユニバーサル・ロボット)のように、フィクションでは一般的でした。 これらのキャラクターとその運命は、人工知能の倫理学で議論されている同じ問題の多くを提起しました。

機械的または「正式な」推論の研究は古くから哲学者や数学者によって始まりました。 数学的論理の研究は、Alan Turingの計算理論に直接つながりました。この理論は、記号が “0”と “1”のように単純にシャッフルすることによって、考えられるあらゆる数学的控除の行為をシミュレートできることを示唆していました。 デジタルコンピュータが正式な推論のプロセスをシミュレートできるこの洞察は、教会 – チューリング論文と呼ばれています。 神経生物学、情報理論、サイバネティックスの同時発見に加えて、これにより研究者は電子的脳を構築する可能性を考慮しました。 チューリングは、「人間が機械と人間の反応を区別できなければ、機械は「知的」であると考えることができる」と提案した。 AIとして現在一般に認められている最初の作業は、チューリング完全な “人工ニューロン”のためのMcCu​​llouch and Pittsの1943年の正式なデザインでした。

ハーバート・サイモン(CMU)、ジョン・マッカーシー(MIT)、マーヴィン・ミンスキー(MIT)、アーサー・サミュエル(IBM)が創業者となり、1956年にダートマス・カレッジのワークショップでAI研究の分野が生まれました。 AI研究のリーダー。 (1959年までに平均的な人間よりも優れていると言われていた)、代数の単語問題を解くこと、論理定理を証明すること(Logic理論家、最初のc。1956年)と英語を話す。 1960年代半ばまでに、米国での研究は、国防総省から多額の資金を調達し、世界中の研究所が設立されました。 AIの創設者たちは未来について楽観的だった。ハーバート・サイモンは、「マシンは20年以内に人間ができる仕事をする能力がある」と予測した。 マービン・ミンスキーは次のように書いています。「世代内では、「人工知能」を創造するという問題は実質的に解決されるでしょう。

彼らは残りの作業のいくつかの難しさを認識することができませんでした。 進展が減速し、1974年、James Lighthill卿の批判と米国議会からのより生産的なプロジェクトの資金提供に対する継続的な圧力に対して、米国と英国の両政府はAIの調査研究を中止した。 今後数年間は、AIプロジェクトの資金調達が困難な「AI冬」と呼ばれることになります。

1980年代初頭、AI研究は、人間の専門家の知識と分析能力をシミュレートしたAIプログラムの一形態であるエキスパートシステムの商業的成功によって復活しました。 1985年までに、AIの市場は10億ドル以上に達しました。 同時に、日本の第5世代のコンピュータプロジェクトは、米国と英国の政府に学術研究資金の回収を促しました。 しかし、1987年にLisp Machine市場が崩壊してから、AIはもう一度不評になり、2番目に長く続く休憩が始まりました。

1990年代後半から21世紀初頭にかけて、AIは物流、データマイニング、医療診断などに使用され始めました。 成功は計算力の向上(ムーアの法則を参照)、特定の問題の解決に重点を置くこと、AIと他の分野(統計、経済、数学など)との新たな関係、研究者による数学的方法や科学的基準へのコミットメントによるものです。 ディープ・ブルーは1997年5月11日に世界チェスチャンピオンのギャリー・カスパロフを打ち負かすための最初のコンピュータチェスプレイシステムになった。

2011年に、危うい! クイズショー展示会の試合、IBMの質問応答システム、ワトソンは、2つの最大の暴力を倒した! チャンピオンズ、ブラッド・ラッター、ケン・ジェニングスに大きな影響を与えました。 コンピュータの高速化、アルゴリズムの改良、大量のデータへのアクセスにより、機械の学習や知覚の進歩が可能になりました。 Xbox 360とXbox Oneの3Dボディモーションインターフェイスを提供するKinectは、スマートフォンのインテリジェントなパーソナルアシスタントと同様に、長年にわたるAIリサーチから登場したアルゴリズムを使用しています。 2016年3月、AlphaGoは、GoチャンピオンのLee Sedolとの試合で5試合のうち4試合を獲得し、ハンディキャップのないプロGoプレーヤーに勝つ最初のコンピュータGo-playingシステムになりました。 2017年のFuture of Go Summitでは、AlphaGoがKe Jieと3試合で優勝しました。Ke Jieは2年連続世界ランキング1位を維持しました。 これは、Goが非常に複雑なゲームであり、チェスよりも多くの人工知能の開発において重要なマイルストーンの完成を示しています。

ブルームバーグのJack Clarkによると、2015年は人工知能の画期的な年でした.GoogleのAIを使用するソフトウェアプロジェクトの数は、2012年の散発的な使用から2,700を超えるプロジェクトに増加しました。 クラークはまた、2011年から画像処理タスクのエラー率が大幅に下がったことを示す事実データを提示しています。クラウドコンピューティングインフラストラクチャの増加とリサーチツールとデータセットの増加により、手ごろなニューラルネットワークの増加につながっています。 他の引用例には、ある言語から別の言語に自動的に翻訳できるSkypeシステムと、盲人にイメージを記述できるFacebookのシステムのMicrosoftの開発が含まれます。 2017年の調査では、5社中1社が「AIをいくつかの製品やプロセスに組み込んだ」との報告がありました。 2016年ごろ、中国は政府の資金調達を大幅に加速した。 データの大量供給と急速な研究成果の高まりを受けて、一部のオブザーバーは、「AIの超大国」になる可能性があると考えている。

基本
典型的なAIは、その環境を認識し、その目標をうまく達成する機会を最大限にとる行動を取る。 AIの意図したゴール機能は単純です(AIがGoのゲームに勝った場合は1、それ以外の場合は0)か複雑です(過去に報酬を得たアクションに数学的に類似したアクションを行います)。 目標は明示的に定義することも、誘導することもできます。 AIが「強化学習」のためにプログラムされている場合、目標はある種の行動に報いをし、他の行動を罰することによって暗黙のうちに誘発されることがあります。 あるいは、進化的システムは、高得点のAIシステムを突然変異させ、優先的に複製するために「フィットネス機能」を使用することによって、目標を誘導することができる。 これは、動物が進化して食物を見つけるなどの特定の目標を本質的に望むように進化したか、または犬が所望の形質を所有するために人工的選択によってどのように育てられるかと同様である。 最も近い隣人のようないくつかのAIシステムは、代わりに類推によって推論する。 目標が何らかの形で訓練データに暗示される程度を除いて、これらのシステムは一般に目標を与えられない。 このようなシステムは、非目標システムが、その「目標」がその狭い分類タスクを首尾よく達成することであるシステムとして構成されている場合でも、ベンチマークされ得る。

AIは、しばしばアルゴリズムの使用を中心にしています。 アルゴリズムとは、機械計算機が実行できる一義的な命令の集合である。 複雑なアルゴリズムは、他の単純なアルゴリズムの上に構築されることがよくあります。 アルゴリズムの簡単な例は、tic-tac-toeでの最適なプレーのレシピです:

誰かが “脅威”(つまり、2つの行にある)を持っている場合は、残りの四角形を取る。 さもないと、
一度に2つの脅威を作成する動きが「フォーク」であれば、その動きを再生します。 さもないと、
それが自由であれば、中央の正方形を取る。 さもないと、
あなたの相手がコーナーでプレーした場合、反対側のコーナーを取る。 さもないと、
ある場合は空のコーナーを取る。 さもないと、
空の四角形を取る。

多くのAIアルゴリズムはデータから学習することができます。 彼らは新しい経験則(過去にうまくいった戦略や “経験則”)を学習することによって自分自身を強化することができます。また、他のアルゴリズムを書くこともできます。 ベイジアンネットワーク、デシジョンツリー、最近傍など、以下で説明する「学習者」の中には、理論的に無限のデータ、時間、メモリが与えられれば、数学関数のどのような組み合わせでも、全世界。 したがって、これらの学習者は理論上、可能なすべての仮説を考慮し、それをデータと照合することによって、すべての可能な知識を得ることができます。 実際には、問題を解決するために必要な時間が指数関数的に増加する「コンビナトリアル爆発」という現象のために、あらゆる可能性を考慮することはほとんど不可能です。 多くの人工知能研究では、実りあるものではない可能性のある広範な可能性を特定し、回避する方法を考え出すことが必要です。 たとえば、地図を見て、東部のデンバーからニューヨークまでの最短の走行ルートを探すときは、ほとんどの場合、サンフランシスコやその他の西方までの道を覗くことはできません。 したがって、A *のような経路探索アルゴリズムを使用しているAIは、すべての可能な経路を順々に考慮しなければならない場合に生じるコンビナトリアル爆発を回避することができます。

AIへの最も初期の(そして最も理解しやすい)アプローチは、(正式な論理のような)象徴的なものでした:「そうでなければ健康な成人が発熱した場合、インフルエンザになるかもしれません。 第2のより一般的なアプローチは、ベイジアンの推論です:「現在の患者が発熱している場合、そのような方法でインフルエンザが発生する確率を調整する」。 3つ目の主なアプローチは、ルーチンなビジネスAIアプリケーションで非常に人気があり、SVMや最近傍のようなアナライザです: “気温、症状、年齢などの要因が現在の患者とほぼ一致する既知の過去の患者の記録を調べた後、インフルエンザを発症した患者のうち、 第4のアプローチは、直感的に理解するのが難しいが、脳の仕組みに触発されている。人工ニューラルネットワークアプローチは、それ自体を所望の出力と比較し、その内部ニューロン間の接続の強さを変えることによって学ぶことができる人工ニューロンを使用する役に立つと思われる接続を「強化」すること。 これらの4つの主なアプローチは、相互に、そして進化的なシステムと重複する可能性があります。 例えば、ニューラルネットは、推論を行い、一般化し、類推することを学ぶことができる。 いくつかのシステムでは、他の多くのAIアルゴリズムや非AIアルゴリズムとともに、これらのアプローチの複数を暗黙的にまたは明示的に使用しています。 問題に応じて最適なアプローチが異なる場合があります。

学習アルゴリズムは、過去にうまく機能した戦略、アルゴリズム、推論が将来もうまく機能し続ける可能性が高いという根拠に基づいています。 これらの推論は、「太陽が過去1万日間毎朝上昇したため、明日の朝もおそらく上昇するだろう」などの明白な可能性があります。 「家族のX%が地理的に色の異なる種を持っているため、発見されていない黒人白鳥が存在する可能性はY%です」などの微妙な違いがあります。 学習者はまた、「Occam’s razor」に基づいて作業します。データを説明する最も単純な理論が最も可能性があります。 したがって、成功するためには、複雑な理論が大幅に改善されている場合を除いて、理論を複雑にする理論がより簡単になるように学習者を設計する必要があります。 すべての過去の訓練データに合っている、悪い、あまりにも複雑な理論に着手することは、オーバーフィッティングとして知られています。 多くのシステムは、データにどれほどうまく適合しているかに応じて理論に報酬を与えることによって、過当を減らそうとしますが、理論の複雑さに応じてその理論にペナルティを課します。 古典的なオーバーフィットの他に、学習者は「間違ったレッスンを学ぶ」ことによって失望することもできます。 おもちゃの例は、茶色の馬と黒い猫の写真のみで訓練された画像分類器は、すべての茶色のパッチが馬である可能性が高いと結論づけることができる。 現実の例は、人間とは異なり、現在の画像分類器は画像の成分間の空間的関係を決定しないことである。 代わりに、人間が気付かない抽象的なピクセルパターンを学習しますが、それは特定の種類の実物の画像と線形相関します。 そのようなパターンを正当な画像に淡く重ねると、システムが誤分類する「敵対的」な画像になる。

人間と比較して、既存のAIは人間の「常識的推論」のいくつかの特徴を欠いている。 最も重要なことに、人間は、空間、時間、物理的な相互作用などの「ナイーブな物理学」について推論するための強力なメカニズムを持っています。 これは、「私がテーブルからこのペンを転がすと、床に落ちる」のように簡単に推論することができます。 人間はまた、「市民評論家が暴力を主張したために市議会議員が許可を拒否した」などの自然言語文を解釈するのに役立つ強力な「民間心理学」のメカニズムを持っています。 (一般的なAIは、評議員やデモ参加者が暴力を主張していると主張しているかどうかを判断するのは困難です。)この「共通知識」の欠如は、AIが人間とは異なるミスをしばしば理解できなくなることを意味します。 例えば、既存の自家用車は、人が行う正確な方法で歩行者の位置や意図を推論することができず、事故を避けるために非人間的な推論方式を使用しなければならない。

問題
人工知能の全体的な研究目標は、コンピュータと機械をインテリジェントに機能させる技術を創造することです。 知能をシミュレートする(または作成する)という一般的な問題は、副次的な問題に分類されています。 これらは、研究者がインテリジェントシステムに表示されることを期待する特定の特性や機能で構成されています。 以下に述べる形質が最も注目されている。

推理、問題解決
初期の研究者は、人間がパズルを解いたり論理的な控除を行う際に使用する段階的な推論を模倣するアルゴリズムを開発しました。 1980年代後半から1990年代にかけて、AI研究は確率や経済学の概念を用いて不確実性や不完全な情報を扱う方法を開発しました。

これらのアルゴリズムは、「合同爆発」を経験したため、大きな推論問題を解決するには不十分であることが判明しました。問題が大きくなるにつれて指数関数的に遅くなりました。 実際、人間でさえ、初期のAI研究がモデル化することができた段階的な控除をめったに使用していません。 それらは、迅速で直感的な判断を使用して、ほとんどの問題を解決します。

知識表現
知識表現と知識工学は、古典的なAI研究の中心です。 いくつかの「エキスパートシステム」は、狭い分野の専門家が持つ明示的な知識を集めようとするものです。 さらに、一部のプロジェクトでは、平均的な人に知られている「常識」を、世界に関する広範な知識を持つデータベースに集約しようとしています。 包括的常識知識ベースに含まれるものの中には、オブジェクト、プロパティ、カテゴリ、オブジェクト間の関係、 状況、事象、州および時間; 原因と結果。 知識に関する知識(他の人が知っていることについて私たちが知っていること) 他の多くのよく研究されていないドメインです。 「存在するもの」の表現は、ソフトウェアエージェントがそれらを解釈できるように形式的に記述されたオブジェクト、リレーション、コンセプト、およびプロパティのセットであるオントロジーです。 これらのセマンティクスは、記述ロジックの概念、役割、および個人としてキャプチャされ、通常はWebオントロジー言語のクラス、プロパティ、および個人として実装されます。 最も一般的なオントロジは、特定の知識ドメイン(関心分野または関心分野)に関する特定の知識をカバーするドメインオントロジ間のメディエータとして機能することによって、他のすべての知識の基礎を提供する上位オントロジーと呼ばれます。 そのような正式な知識表現は、コンテンツベースの索引付けおよび検索、シーン解釈、臨床決定支援、知識発見(大規模データベースからの「興味深い」および実行可能な推論)および他の分野で使用することができる。

知識表現における最も困難な問題は次のとおりです。

デフォルト推論と資格問題
人々が知っていることの多くは、「働く前提」の形をとっています。 例えば、鳥が会話に現れた場合、人々は典型的には、拳銃で鳴って歌い、飛ぶ動物を描く。 これらのことは、すべての鳥について真実ではありません。 John McCarthyは、1969年にこの問題を資格問題として特定しました.AI研究者が気にかけている常識的ルールのために、膨大な数の例外が発生する傾向があります。 抽象的な論理が要求する方法では、ほとんど何も真偽ではありません。 AI研究は、この問題に対する多くの解決策を模索してきた。

常識の幅広い知識
平均的な人が知っている原子事実の数は非常に多いです。 常識的知識(Cycなど)の完全な知識ベースを構築しようとする研究プロジェクトは、膨大な労力を要するオントロジ工学を必要とするため、一度に複雑な概念を手作業で構築する必要があります。

いくつかの常識的知識のサブシンバル形式
人々が知っていることの多くは、口頭で表現できる「事実」や「陳述」として表現されていません。 たとえば、チェスのマスターは、「あまりにも露出している」、またはアート評論家が像を1つ見て、それが偽物であることを認識するため、特定のチェスの位置を避けます。 これらは、人間の脳の非意識的で象徴的でない直観や傾向です。 このような知識は、象徴的で意識的な知識の文脈を知らせ、支援し、提供する。 サブシンボリック推論の関連問題と同様に、AI、計算知能、または統計AIがこの種の知識を表現する方法を提供することが期待される。

計画
インテリジェントエージェントは、目標を設定して達成できる必要があります。 彼らは将来を視覚化する方法、つまり世界の状態を表現し、その行動がどのように変化するかの予測を行うことができ、利用可能な選択肢の効用(または「価値」)を最大にする選択を行うことができる。

古典的計画問題では、エージェントは世界で唯一のシステムであると仮定することができ、エージェントはそのアクションの結果を確実に把握することができます。 しかし、エージェントが唯一の俳優でない場合は、エージェントが不確実性のもとで理由を挙げる必要があります。 これは、環境を評価して予測を行うだけでなく、その予測を評価し、その評価に基づいて適応するエージェントを必要とします。

マルチエージェントプランニングは、多くのエージェントの協力と競争を利用して所定の目標を達成します。 このような緊急の行動は、進化的アルゴリズムや群知能によって使用されます。

学習
現場発足以来のAI研究の基本概念である機械学習は、経験を通して自動的に改善するコンピュータアルゴリズムの研究です。

教師なし学習は、入力ストリーム内のパターンを見つける能力です。 教師あり学習には、分類と数値回帰の両方が含まれます。 分類は、いくつかのカテゴリからいくつかの事例を見た後、何かが属するカテゴリを決定するために使用されます。 回帰は、入力と出力の関係を記述する関数を生成しようとする試みであり、入力が変化すると出力がどのように変化するかを予測します。 分類子と回帰学習者の両方は、未知の(おそらく暗黙の)関数を学習しようとする “関数近似”とみなすことができます。 例えば、スパム分類器は、電子メールのテキストから「スパム」または「スパムでない」の2つのカテゴリのうちの1つにマッピングする関数を学習するものとして見ることができる。 計算の学習理論は、計算の複雑さ、サンプルの複雑さ(必要なデータの量)、または他の最適化の概念によって学習者を評価することができます。 強化学習において、エージェントは良好な応答に対して報酬を与えられ、悪いものに対しては処罰される。 エージェントは、この一連の報酬と処罰を使用して問題空間での戦略を策定します。

自然言語処理
自然言語処理(NLP)は、機械に人間の言葉を読み、理解する能力を与えます。 十分に強力な自然言語処理システムは、自然言語のユーザインタフェースを可能にし、ニューテキストテキストなどの人間が書いたソースから直接知識を取得する。 自然言語処理の簡単なアプリケーションには、情報検索、テキストマイニング、質問応答、機械翻訳などがあります。 現在の多くのアプローチでは、単語の共起頻度を使用してテキストの構文表現を構成しています。 検索のための “キーワードスポッティング”戦略は一般的でスケーラブルですが、ダムです。 「犬」の検索クエリは、文字通りの単語「犬」と一致する文書のみを検索し、単語「プードル」を含む文書を逃してしまう可能性があります。 「語彙親和性」戦略は、「事故」などの単語の出現を使用して、文書の感情を評価する。 現代の統計的NLPアプローチは、これらの戦略を他のものと組み合わせることができ、しばしばページまたは段落レベルで許容可能な精度を達成するが、孤立した文章をうまく分類するのに必要な意味論的理解を欠いている。 セマンティック常識知識をコード化することによる通常の困難の他に、既存のセマンティックNLPは時にはあまりにもスケーラビリティが低く、ビジネスアプリケーションで実行可能ではありません。 セマンティックNLPを超えて、「ナレーション」NLPの究極の目標は、常識的な推論の完全な理解を体現することです。

知覚
機械知覚は、カメラ(可視スペクトルまたは赤外線)、マイクロフォン、無線信号、アクティブライダー、ソナー、レーダー、触覚センサーなどのセンサーからの入力を使用して、世界の側面を推測する能力です。 アプリケーションには、音声認識、顔認識、およびオブジェクト認識が含まれます。 コンピュータビジョンは、視覚的な入力を分析する能力です。 そのような入力は通常曖昧です。 巨大な高さ50メートルの歩行者は、近くの通常の大きさの歩行者と全く同じピクセルを生成する可能性があり、AIが異なる解釈の相対的な可能性と妥当性を判断する必要があります50メートルの歩行者は存在しない。

運動と操作
AIはロボット工学に多用されています。 近代的な工場で広く使用されている先進的なロボットアームやその他の産業用ロボットは、摩擦や歯車の滑りがあるにもかかわらず効率的に移動する方法を経験から学ぶことができます。 近代的な移動ロボットは、静的で静的な小さな環境が与えられると、その位置を決定し、その環境をマップすることができます。 しかしながら、患者の呼吸器の内部のような(内視鏡検査において)動的環境は、より大きな課題を提起する。 運動計画は、運動タスクを個々の関節運動などの「プリミティブ」に分解するプロセスです。 そのような動きは、しばしば、運動が物体との物理的接触を維持することを必要とするコンプライアンス運動を伴う。 Moravecのパラドックスは、人間が当然のように受けとめる低レベルの感覚運動のスキルは、直観に反してロボットにプログラムするのが難しいことを一般化しています。 逆説は、1988年に「コンピューターが知性テストやチェッカーで成人レベルのパフォーマンスを発揮するのは比較的簡単であり、1歳の時にスキルを身に付けるのは難しく、不可能である」と述べたHans Moravecにちなんで命名された知覚と移動性になる」と語った。 これは、チェッカーとは異なり、身体的な器用さが何百万年もの自然選択の直接の標的であったという事実に起因しています。

社会的知性
モラベックのパラドックスは、社会的知性の多くの形態に拡張することができます。 自律型車両の分散型マルチエージェント協調は依然として困難な問題である。 インパクティブコンピューティングは、人間の影響を認識、解釈、処理、またはシミュレートするシステムを含む学際的な傘である。 感情コンピューティングに関連する中程度の成功には、テキストセンチメント分析、さらに最近では、ビデオ撮影された主題によって表示される影響をAIが分類するマルチモーダル影響分析(マルチモーダル感情分析を参照)が含まれる。

長期的には、ソーシャルスキルや人間の感情やゲーム理論の理解は、ソーシャルエージェントにとって価値があります。 彼らの動機や感情状態を理解することによって、他の人の行動を予測することができれば、エージェントはより良い決定を下すことができます。 いくつかのコンピュータシステムは、人間の感情や表現を模倣して、人間の相互作用の感情的な動力学に対してより敏感に見えるようにするか、あるいは人間とコンピュータの相互作用を容易にする。 同様に、いくつかの仮想アシスタントは、会話を話すように、またはユーモラスに冗談を言うようにプログラムされています。 これは、未知のユーザに、現実的な既存のコンピュータエージェントが実際にどのようにしているのかという非現実的な概念を与える傾向がある。

一般情報
歴史的には、Cycナレッジベース(1984-)や大規模な第5世代コンピュータシステムイニシアチブ(1982-1992)などのプロジェクトは、人間の認知の幅をカバーしようとしました。 これらの初期のプロジェクトは、非定量的なシンボリック・ロジック・モデルの限界から逃れられず、また、クロスドメインAIの難しさを大幅に過小評価しました。 現在、現在のAI研究者の大部分は、医療診断や自動車ナビゲーションなどの扱いやすい「狭いAI」アプリケーションに代わります。 多くの研究者は、個々の領域でのこのような「狭いAI」の作業は、最終的には、この記事で言及されている狭いスキルのほとんどを人工総合知能(AGI)を備えたマシンに組み込み、これらすべての領域。 多くの進歩には、一般的な、クロスドメインの重要性があります。 注目すべき1つの例は、2010年代のDeepMindが、さまざまなAtariゲームを独自に学習できる「一般化された人工知能」を開発し、その後、順次学習で成功するシステムの変種を開発したことです。 転送学習のほかに、仮説的なAGIのブレークスルーには、決定理論的メタレーシングに関与できる反射的アーキテクチャの開発や、非構造化Web全体から包括的な知識ベースを「スラッシュアップ」する方法が含まれます。 いくつかの(現時点では発見されていない)概念的に直接的ではあるが数学的に困難な「マスターアルゴリズム」がAGIにつながる可能性があると主張する者もいる。 最後に、いくつかの「緊急」アプローチは、人間の知性を非常によくシミュレートすることを目指し、人工的な脳や擬似的な子供の発達のような擬人化の機能が、いつか一般的な知性が出現する重要なポイントに到達すると信じている。

この記事の多くの問題は、コンピュータが人々だけでなく問題を解決するためには、一般的な情報を必要とする可能性があります。 たとえば、機械翻訳などの特定の簡単なタスクであっても、両方の言語の読み書き(NLP)、著者の主張(理由)、話していることを知る(知識)、著者のオリジナルを忠実に再現すること意図(社会的知性)。 人間のレベルの機械性能に到達するためには、これらの問題のすべてを同時に解決する必要があるため、機械翻訳のような問題は「AI完了」と考えられます。