هوش مصنوعی - واقعیت یا خیال؟ ضریب هوشی هوش مصنوعی چقدر است؟
هوش مصنوعی (AI، انگلیسی: Artificial Intelligence, AI) - علم و فناوری ایجاد ماشین های هوشمند، به ویژه برنامه های کامپیوتری هوشمند. هوش مصنوعی به وظیفه مشابه استفاده از رایانه برای درک هوش انسانی مربوط می شود، اما لزوماً به روش های قابل قبول بیولوژیکی محدود نمی شود.
هوش مصنوعی چیست
هوش(از لاتین intellectus - احساس، ادراک، درک، درک، مفهوم، عقل) یا ذهن - کیفیتی از روان متشکل از توانایی سازگاری با موقعیتهای جدید، توانایی یادگیری و به خاطر سپردن بر اساس تجربه، درک و کاربرد مفاهیم انتزاعی و استفاده از دانش خود برای مدیریت زیست محیطی. هوش توانایی عمومی برای شناخت و حل مشکلات است که همه توانایی های شناختی انسان را با هم متحد می کند: احساس، ادراک، حافظه، بازنمایی، تفکر، تخیل.
در اوایل دهه 1980. دانشمندان محاسباتی Barr و Fajgenbaum تعریف زیر را از هوش مصنوعی (AI) ارائه کردند:
بعدها تعدادی از الگوریتم ها و سیستم های نرم افزاری شروع به طبقه بندی به عنوان هوش مصنوعی کردند. ویژگی متمایزاین است که آنها می توانند برخی از مشکلات را به همان روشی حل کنند که فردی که به راه حل آنها فکر می کند انجام می دهد.
ویژگی های اصلی هوش مصنوعی درک زبان، یادگیری و توانایی فکر کردن و مهمتر از همه، عمل کردن است.
هوش مصنوعی مجموعه ای از فناوری ها و فرآیندهای مرتبط است که به طور کیفی و سریع در حال توسعه هستند، به عنوان مثال:
- پردازش متن به زبان طبیعی
- سیستم های خبره
- عوامل مجازی (چت ربات و دستیاران مجازی)
- سیستم های توصیه
جهت گیری های تکنولوژیکی هوش مصنوعی داده های دیلویت
تحقیقات هوش مصنوعی
- مقاله اصلی:تحقیقات هوش مصنوعی
استانداردسازی در هوش مصنوعی
2018: توسعه استانداردها در زمینه ارتباطات کوانتومی، هوش مصنوعی و شهر هوشمند
در 6 دسامبر 2018، کمیته فنی "سیستم های فیزیکی-سایبری" مبتنی بر RVC به همراه مرکز مهندسی منطقه ای "SafeNet" شروع به توسعه مجموعه ای از استانداردها برای بازارهای ابتکار فناوری ملی (NTI) و اقتصاد دیجیتال کردند. RVC گزارش داد تا مارس 2019، برنامه ریزی شده است تا اسناد استانداردسازی فنی در زمینه ارتباطات کوانتومی توسعه یابد. ادامه مطلب
تاثیر هوش مصنوعی
خطر توسعه تمدن بشری
تاثیر بر اقتصاد و تجارت
- تاثیر فناوری های هوش مصنوعی بر اقتصاد و تجارت
تاثیر بر بازار کار
تعصب هوش مصنوعی
در قلب هر چیزی که تمرین هوش مصنوعی است (ترجمه ماشینی، تشخیص گفتار، پردازش زبان طبیعی، بینایی کامپیوتر، رانندگی خودکار و بسیاری موارد دیگر) یادگیری عمیق است. این زیرمجموعهای از یادگیری ماشینی است که با استفاده از مدلهای شبکه عصبی مشخص میشود، که میتوان گفت عملکرد مغز را تقلید میکند، بنابراین طبقهبندی آنها به عنوان هوش مصنوعی دشوار است. هر مدل شبکه عصبی بر روی مجموعههای داده بزرگ آموزش داده میشود، بنابراین «مهارتهایی» به دست میآورد، اما نحوه استفاده از آنها برای سازندگانش نامشخص است، که در نهایت به یکی از مهمترین مشکلاتبرای بسیاری از برنامه های یادگیری عمیق دلیل آن این است که چنین مدلی به طور رسمی با تصاویر کار می کند، بدون اینکه بفهمد چه کاری انجام می دهد. آیا چنین سیستمی هوش مصنوعی است و آیا می توان به سیستم های ساخته شده بر اساس یادگیری ماشینی اعتماد کرد؟ پیامدهای پاسخ به سؤال آخر فراتر از آزمایشگاه علمی است. بنابراین توجه رسانه ها به پدیده ای به نام تعصب هوش مصنوعی به طور قابل توجهی تشدید شده است. می توان آن را به عنوان "تعصب AI" یا "AI bias" ترجمه کرد. ادامه مطلب
بازار فناوری هوش مصنوعی
بازار هوش مصنوعی در روسیه
بازار جهانی هوش مصنوعی
زمینه های کاربرد هوش مصنوعی
حوزههای کاربرد هوش مصنوعی بسیار گسترده است و هم فناوریهای آشنا و هم حوزههای نوظهور جدیدی را که از کاربرد انبوه دور هستند، پوشش میدهد، به عبارت دیگر، این طیف وسیعی از راهحلها است، از جاروبرقی گرفته تا ایستگاههای فضایی. شما می توانید همه تنوع آنها را با توجه به معیار نقاط کلیدی توسعه تقسیم کنید.
هوش مصنوعی یک حوزه موضوعی یکپارچه نیست. علاوه بر این، برخی از حوزههای فناوری هوش مصنوعی بهعنوان زیربخشهای جدید اقتصاد و نهادهای مجزا ظاهر میشوند، در حالی که به طور همزمان به بیشتر حوزههای اقتصاد خدمت میکنند.
کاربردهای تجاری اصلی فناوری های هوش مصنوعی
توسعه استفاده از هوش مصنوعی منجر به انطباق فناوریها در بخشهای کلاسیک اقتصاد در امتداد کل زنجیره ارزش میشود و آنها را متحول میکند و منجر به الگوریتمسازی تقریباً همه عملکردها، از لجستیک تا مدیریت شرکت میشود.
استفاده از هوش مصنوعی برای امور دفاعی و نظامی
استفاده در آموزش
استفاده از هوش مصنوعی در تجارت
هوش مصنوعی در صنعت برق
- در سطح طراحی: پیش بینی بهبود یافته تولید و تقاضا برای منابع انرژی، ارزیابی قابلیت اطمینان تجهیزات تولید برق، اتوماسیون افزایش تولید در هنگام افزایش تقاضا.
- در سطح تولید: بهینه سازی نگهداری پیشگیرانه تجهیزات، افزایش راندمان تولید، کاهش تلفات، جلوگیری از سرقت منابع انرژی.
- در سطح ارتقاء: بهینه سازی قیمت گذاری بسته به زمان روز و صورتحساب پویا.
- در سطح ارائه خدمات: انتخاب خودکار سودآورترین تامین کننده، آمار دقیق مصرف، خدمات خودکار به مشتریان، بهینه سازی مصرف انرژی با در نظر گرفتن عادات و رفتار مشتری.
هوش مصنوعی در تولید
- در سطح طراحی: افزایش کارایی توسعه محصول جدید، ارزیابی خودکار تامین کننده و تجزیه و تحلیل الزامات قطعات یدکی.
- در سطح تولید: بهبود فرآیند تکمیل وظایف، اتوماسیون خطوط مونتاژ، کاهش تعداد خطاها، کاهش زمان تحویل مواد خام.
- در سطح ارتقاء: پیش بینی حجم خدمات پشتیبانی و نگهداری، مدیریت قیمت گذاری.
- در سطح ارائه خدمات: بهبود برنامه ریزی مسیر ناوگان وسیله نقلیه، تقاضا برای منابع ناوگان، بهبود کیفیت آموزش مهندسین خدمات.
هوش مصنوعی در بانک ها
- تشخیص الگو - مورد استفاده شامل. شناسایی مشتریان در شعب و ارائه پیشنهادات تخصصی به آنها.
زمینه های تجاری اصلی کاربرد فناوری های هوش مصنوعی در بانک ها
هوش مصنوعی در حمل و نقل
- صنعت خودرو در آستانه انقلاب است: 5 چالش عصر رانندگی بدون سرنشین
هوش مصنوعی در تدارکات
هوش مصنوعی در آبجوسازی
استفاده از هوش مصنوعی در مدیریت دولتی
هوش مصنوعی در پزشکی قانونی
- تشخیص الگو - مورد استفاده شامل. شناسایی مجرمان در اماکن عمومی
- در ماه مه 2018، مشخص شد که پلیس هلند از هوش مصنوعی برای تحقیق در مورد جنایات پیچیده استفاده می کند.
به گزارش نکست وب، آژانس های مجری قانون دیجیتالی کردن بیش از 1500 گزارش و 30 میلیون صفحه مربوط به پرونده های حل نشده را آغاز کرده اند. مطالب مربوط به سال 88 به بعد که حداقل سه سال در آن جنایت کشف نشد و مجرم به بیش از 12 سال حبس محکوم شده بود به فرمت رایانه ای منتقل می شود.
یک جرم پیچیده را در یک روز حل کنید. پلیس در حال استفاده از هوش مصنوعی است
هنگامی که تمام محتوا دیجیتالی شد، به یک سیستم یادگیری ماشینی متصل می شود که سوابق را تجزیه و تحلیل می کند و تصمیم می گیرد که کدام موارد از معتبرترین شواهد استفاده می کنند. این باید زمان رسیدگی به پرونده ها و حل جرایم گذشته و آینده را از چند هفته به یک روز کاهش دهد.
هوش مصنوعی موارد را بر اساس «حلپذیری» آنها دستهبندی میکند و نتایج احتمالی آزمایش DNA را نشان میدهد. پس از آن، این طرح برای خودکارسازی تجزیه و تحلیل در سایر زمینههای پزشکی قانونی و شاید حتی گسترش به حوزههایی مانند علوم اجتماعی و شهادت است.
علاوه بر این، همانطور که یکی از توسعه دهندگان سیستم، Jeroen Hammer، گفت، توابع API برای شرکا ممکن است در آینده منتشر شوند.
پلیس هلند دارد واحد ویژه، متخصص در توسعه فناوری های جدید برای حل جرایم. این او بود که سیستم هوش مصنوعی را برای جستجوی سریع مجرمان بر اساس شواهد ایجاد کرد.
هوش مصنوعی در قوه قضاییه
تحولات در زمینه هوش مصنوعی به تغییر اساسی سیستم قضایی کمک می کند و آن را عادلانه تر و عاری از طرح های فساد می کند. این نظر در تابستان 2017 توسط ولادیمیر کریلوف، دکترای علوم فنی، مشاور فنی در Artezio بیان شد.
این دانشمند معتقد است که راه حل های موجود در زمینه هوش مصنوعی را می توان با موفقیت در بخش های مختلف اقتصاد و اقتصاد به کار برد. زندگی عمومی. این متخصص خاطرنشان می کند که هوش مصنوعی با موفقیت در پزشکی استفاده می شود، اما در آینده می تواند سیستم قضایی را به طور کامل تغییر دهد.
با نگاه کردن هر روز به گزارشهای خبری در مورد پیشرفتها در زمینه هوش مصنوعی، فقط از تخیل پایان ناپذیر و ثمربخشی محققان و توسعهدهندگان در این زمینه شگفتزده میشوید. گزارشهای مربوط به تحقیقات علمی دائماً با انتشارات مربوط به محصولات جدیدی که به بازار میآیند و گزارشهایی از نتایج شگفتانگیز بهدستآمده از طریق استفاده از هوش مصنوعی در زمینههای مختلف، آمیخته میشوند. اگر در مورد رویدادهای مورد انتظار، همراه با هیاهوی قابل توجه در رسانه ها صحبت کنیم، که در آن هوش مصنوعی دوباره قهرمان اخبار خواهد شد، احتمالاً پیش بینی های تکنولوژیکی را به خطر نمی اندازم. من می توانم حدس بزنم که رویداد بعدی ظهور یک دادگاه فوق العاده صالح در قالب هوش مصنوعی، منصفانه و فساد ناپذیر باشد. ظاهراً این اتفاق در سالهای 2020-2025 خواهد افتاد. و فرآیندهایی که در این دادگاه اتفاق میافتد منجر به بازتابهای غیرمنتظره و تمایل بسیاری از افراد برای انتقال بیشتر فرآیندهای مدیریت جامعه بشری به هوش مصنوعی خواهد شد.
این دانشمند استفاده از هوش مصنوعی در سیستم قضایی را "گامی منطقی" برای توسعه برابری قانونگذاری و عدالت می داند. هوش ماشینی در معرض فساد و احساسات نیست، می تواند به شدت به چارچوب قانونی پایبند باشد و با در نظر گرفتن بسیاری از عوامل، از جمله داده هایی که طرفین اختلاف را مشخص می کند، تصمیم گیری کند. به قیاس با رشته پزشکی، قضات ربات می توانند با داده های بزرگ از مخازن خدمات دولتی کار کنند. می توان فرض کرد که هوش ماشینی می تواند به سرعت داده ها را پردازش کند و به طور قابل توجهی عوامل بیشتری را نسبت به یک قاضی انسانی در نظر بگیرد.
روانشناسان متخصص اما بر این باورند که عدم وجود مؤلفه احساسی در رسیدگی به پرونده های قضایی بر کیفیت تصمیم تأثیر منفی می گذارد. رای دادگاه ماشینی ممکن است خیلی ساده باشد، بدون در نظر گرفتن اهمیت احساسات و خلق و خوی افراد.
رنگ آمیزی
در سال 2015، تیم گوگل شبکه های عصبی را آزمایش کرد تا ببیند که آیا آنها می توانند به تنهایی تصاویر ایجاد کنند یا خیر. سپس هوش مصنوعی با مثال آموزش داده شد مقدار زیادتصاویر مختلف با این حال، هنگامی که از دستگاه خواسته شد تا چیزی را به تنهایی به تصویر بکشد، معلوم شد که دنیای اطراف ما را به روشی عجیب تفسیر می کند. به عنوان مثال، برای کار کشیدن دمبل، توسعه دهندگان تصویری را دریافت کردند که در آن فلز متصل شده بود به دست انسان. این احتمالاً به این دلیل اتفاق افتاده است که در مرحله آموزش، تصاویر تجزیه و تحلیل شده با دمبل حاوی دست بوده و شبکه عصبی این را به اشتباه تفسیر کرده است.
در 26 فوریه 2016، در یک حراجی ویژه در سانفرانسیسکو، نمایندگان گوگل حدود 98 هزار دلار از نقاشی های روانگردان ایجاد شده توسط هوش مصنوعی جمع آوری کردند. یکی از موفق ترین تصاویر این خودرو در زیر ارائه شده است.
نقاشی که توسط هوش مصنوعی گوگل کشیده شده است.
هوش مصنوعی چیست؟ بدون شک، بسیاری در مورد خودروهایی شنیده اند که می توانند حرکت خود را بدون کمک انسانی کنترل کنند، دستگاه های تشخیص گفتار مانند سیری اپل، الکسای آمازون، دستیار گوگل و کورتانای مایکروسافت. اما این همه قابلیت های هوش مصنوعی (AI) نیست.
هوش مصنوعی اولین بار در دهه 1950 "کشف" شد. در طول سال ها، فراز و نشیب هایی داشته است، اما در مرحله کنونی توسعه انسانی، هوش مصنوعی به عنوان یک فناوری کلیدی در آینده تلقی می شود. به لطف پیشرفتهای الکترونیک و ظهور پردازندههای سریعتر، برنامههای کاربردی بیشتر و بیشتری شروع به استفاده از هوش مصنوعی میکنند. هوش مصنوعی یک فناوری نرم افزاری غیرعادی است که هر مهندس باید با آن آشنا شود. در این مقاله سعی می کنیم این فناوری را به اختصار توضیح دهیم.
هوش مصنوعی تعریف شده است
هوش مصنوعی زیرشاخه ای از علوم کامپیوتر است که شامل استفاده هوشمندانه تر از کامپیوتر و قطعات الکترونیکی با تقلید از مغز انسان می شود. هوش توانایی کسب دانش و تجربه و به کارگیری آن برای حل مشکلات است. هوش مصنوعی به ویژه در تجزیه و تحلیل و تفسیر حجم عظیمی از داده ها و استخراج بینش واقعی از آن مفید است. اطلاعات مفید. از اطلاعات، فهمی حاصل می شود که می توان از آن برای تصمیم گیری یا انجام نوعی اقدام استفاده کرد.
حوزه های تحصیلی
هوش مصنوعی یک فناوری گسترده است که کاربردهای زیادی دارد. معمولاً به شاخه های فرعی تقسیم می شود. بیایید مروری کوتاه بر هر یک از آنها داشته باشیم:
- حل مسائل کلی که راه حل الگوریتمی خاصی ندارند. مشکلات با عدم قطعیت و ابهام.
- سیستمهای خبره نرمافزاری هستند که حاوی دانشی از قوانین، حقایق و دادههای بهدستآمده از چندین متخصص است. پایگاه داده را می توان برای حل مشکلات، تشخیص بیماری ها یا ارائه مشاوره جستجو کرد.
- پردازش زبان طبیعی (NLP) - برای تجزیه و تحلیل متن استفاده می شود. تشخیص صدا نیز بخشی از (NLP) است.
- بینایی کامپیوتری تجزیه و تحلیل و درک اطلاعات بصری (عکس، فیلم و غیره) است. به عنوان مثال می توان به بینایی کامپیوتری و تشخیص چهره اشاره کرد. مورد استفاده در خودروهای "خودران" و خطوط تولید.
- رباتیک ایجاد رباتهای هوشمندتر، سازگارتر و «خودکفا» است.
- بازی ها: هوش مصنوعی در انجام بازی ها عالی است. کامپیوترها از قبل برای بازی و برنده شدن در شطرنج، پوکر و Go برنامه ریزی شده اند.
- فراگیری ماشین- رویه هایی که به رایانه اجازه می دهد از داده های ورودی یاد بگیرد و نتایج را درک کند. شبکه های عصبی اساس یادگیری ماشین را تشکیل می دهند.
هوش مصنوعی چگونه کار می کند
کامپیوترهای معمولی از الگوریتم ها برای حل مسائل استفاده می کنند. دنباله ای از دستورالعمل ها منجر به اقدامات گام به گام برای تولید نتایج می شود. اشکال سنتی هوش مصنوعی مبتنی بر پایگاههای دانش و موتورهای استنتاج هستند که از مکانیسمهای مختلفی برای دستکاری پایگاه دانش از طریق رابط کاربری استفاده میکنند. نتایج مفیدی با برخی از روش های ذکر شده در زیر به دست آمده است:
- جستجو: الگوریتم های جستجو از پایگاه داده ای از اطلاعات سازماندهی شده در نمودارها یا درختان استفاده می کنند. جستجو روش اصلی هوش مصنوعی است.
- منطق: استدلال قیاسی و استقرایی برای تعیین درستی یا نادرستی گزاره ها استفاده می شود. این شامل هر دو منطق گزاره و محمول است.
- قوانین: قوانین مجموعه ای از عبارات «اگر» هستند که می توان آنها را برای تعیین یک نتیجه یافت. سیستم های مبتنی بر قانون را سیستم های خبره می نامند.
- احتمال و آمار: برخی از مسائل را می توان با استفاده از تئوری ریاضی و احتمالات استاندارد حل کرد و راه حل هایی یافت.
- لیست ها: برخی از انواع اطلاعات را می توان در لیست هایی که قابل جستجو هستند ذخیره کرد.
- اشکال دیگر دانش نمودارها، قاب ها و اسکریپت ها هستند که ساختارهایی هستند که محصور می شوند. انواع مختلفدانش روش های جستجو به دنبال پاسخ به سوالات مرتبط هستند.
تکنیکهای سنتی یا قدیمی هوش مصنوعی مانند جستجو، منطق، احتمال و قوانین اولین موج هوش مصنوعی محسوب میشوند. این روش ها هنوز مورد استفاده قرار می گیرند و برای دانش و استدلال، به ویژه برای دایره باریکوظایف موج اول هوش مصنوعی فاقد ویژگی های انسانی یادگیری و تصمیم گیری انتزاعی است. این ویژگی ها به لطف شبکه های عصبی و یادگیری ماشین اکنون در موج دوم هوش مصنوعی در دسترس هستند.
شبکه های عصبی
امروزه بیشتر تحقیق و توسعه هوش مصنوعی مبتنی بر استفاده از شبکه های عصبی یا شبکه های عصبی مصنوعی (ANN) است. این شبکهها از نورونهای مصنوعی ساخته شدهاند که از نورونهای مغز انسان که مسئول تفکر و یادگیری ما هستند، تقلید میکنند. هر نورون یک گره در یک پیوند پیچیده است که بسیاری از نورون ها را از طریق سیناپس ها به دیگران متصل می کند. ANN این شبکه را شبیه سازی می کند.
هر گره دارای چندین ورودی وزن دار، و همچنین خروجی و تنظیمات آستانه است (شکل بالا). چنین گره هایی معمولاً در نرم افزار پیاده سازی می شوند، اگرچه شبیه سازی سخت افزاری نیز امکان پذیر است. طرح معمولیاز سه لایه تشکیل شده است - لایه ورودی، لایه پنهان (لایه پردازش یا آموزش) و لایه خروجی:
برخی مکانیسمها از انتشار پسانداز برای ارائه بازخورد استفاده میکنند که وزن ورودی برخی گرهها را با دریافت اطلاعات جدید تغییر میدهد.
یادگیری ماشینی و یادگیری عمیق
یادگیری ماشینی روشی برای آموزش تشخیص الگوها به کامپیوتر است. کامپیوتر یا دستگاه با مثال آموزش داده می شود و سپس برنامه های ویژه ای برای مقایسه ورودی با مقدار آموزش دیده اجرا می شود. به طور معمول، نرم افزار آموزشی به حجم عظیمی از داده ها نیاز دارد. برنامههای یادگیری ماشین برای یادگیری خودکار طراحی شدهاند، زیرا دانش و تجربه بیشتری از مواد جدید به دست میآورند.
شبکههای عصبی معمولاً برای یادگیری ماشین استفاده میشوند، اما میتوان از الگوریتمهای دیگری نیز استفاده کرد. سپس نرم افزار می تواند خود را برای بهبود تشخیص بر اساس داده های ورودی جدید تغییر دهد. برخی از سیستم های یادگیری ماشین اکنون می توانند تصاویر را به تنهایی بدون آموزش تشخیص دهند و سپس خود را برای بهبود بیشتر تغییر دهند.
یادگیری عمیق یک مورد پیشرفته از یادگیری ماشینی است. همچنین از شبکه های عصبی به نام شبکه های عصبی عمیق (DNN) استفاده می کند. آنها شامل لایه های مخفی اضافی محاسباتی برای بهبود بیشتر قابلیت های خود هستند. نیاز به آموزش گسترده برنامه نویسان می توانند با بازی با وزنه های متصل، عملکرد را بهبود بخشند. DNN ها همچنین به پردازش ماتریسی نیاز دارند. با این حال، باید توجه داشت که DNN ها از وزن های آماری استفاده می کنند، بنابراین نتایج، مثلاً در تشخیص قابل مشاهده، ممکن است 100٪ نباشد. علاوه بر این، اشکال زدایی چنین سیستم هایی کار بسیار پر زحمتی است.
یادگیری ماشینی و یادگیری عمیقبه طور گسترده برای تجزیه و تحلیل مجموعه داده های بزرگ، و همچنین در بینایی کامپیوتر و تشخیص گفتار استفاده می شود. آنها همچنین می توانند در زمینه های دیگر مانند پزشکی، حقوق و امور مالی نیز اعمال شوند.
نرم افزار هوش مصنوعی
تقریباً از هر زبان برنامه نویسی می توان برای برنامه ریزی هوش مصنوعی استفاده کرد، اما برخی از زبان ها مزایای خاصی دارند. زبان های اصلی که به طور خاص برای هوش مصنوعی طراحی شده اند عبارتند از LISP و Prolog. LISP، یکی از قدیمی ترین زبان ها به پایان رسید سطح بالا، لیست ها را پردازش می کند. پرولوگ مبتنی بر منطق است. C++ و Python امروزه محبوب هستند. همچنین نرم افزار ویژه ای برای توسعه سیستم های خبره وجود دارد.
چندین کاربر بزرگ هوش مصنوعی پلتفرم های توسعه را ارائه می دهند، از جمله آمازون، بایدو (چین)، گوگل، آی بی ام و مایکروسافت. این شرکت ها سیستم های از پیش آموزش دیده را به عنوان نقطه شروع برای برخی کاربردهای رایج مانند تشخیص صدا ارائه می دهند. فروشندگان پردازنده مانند Nvidia و AMD نیز پشتیبانی ارائه می کنند.
سخت افزار هوش مصنوعی
اجرای نرم افزار هوش مصنوعی بر روی کامپیوتر معمولا به سرعت بالا و حجم زیادی از حافظه نیاز دارد. با این حال، برخی از برنامه های کاربردی ساده می توانند روی یک پردازنده 8 بیتی اجرا شوند. برخی از پردازنده های امروزی بیش از اندازه کافی هستند و چندین پردازنده موازی ممکن است راه حلی ایده آل برای برنامه های خاص باشد. علاوه بر این، پردازنده های ویژه ای برای برنامه های خاص توسعه یافته است.
واحدهای پردازش گرافیکی (GPU) نمونهای از تمرکز معماری و مجموعه دستورالعملها بر روی یک کاربرد معین برای بهینهسازی عملکرد هستند. به عنوان مثال، پردازنده های اختصاصی انویدیا برای ماشین های خودران و پردازنده های گرافیکی AMD. گوگل پردازنده های خود را برای بهینه سازی موتورهای جستجوی خود توسعه داده است. اینتل و Knupath همچنین پشتیبانی نرم افزاری را برای پردازنده های پیشرو خود ارائه می دهند. در برخی موارد، منطق سفارشی در یک ASIC یا FPGA می تواند یک برنامه خاص را پیاده سازی کند.
فعالیت و وضعیت فعلی
زمانی هوش مصنوعی نرم افزاری عجیب و غریب بود که برای نیازهای خاص طراحی شده بود. مورد نیاز برای کامپیوترهای پرسرعت با مقدار زیادحافظه استفاده از آن را محدود کرد. امروزه به لطف پردازنده های فوق سریع، پردازنده های چند هسته ای و حافظه ارزان، هوش مصنوعی محبوبیت بیشتری پیدا کرده است. موتورهای جستجوی گوگل که همه ما به صورت روزانه از آنها استفاده می کنیم مبتنی بر هوش مصنوعی هستند.
امروزه بدون شک تاکید بر شبکه های عصبی و یادگیری ماشین عمیق است. در حالی که تشخیص صدا و خودروهای خودران همچنان در کانون توجه قرار دارند، کاربردهای کلیدی دیگری مانند تشخیص چهره، ناوبری خودکار، روباتیک، تشخیص پزشکی و امور مالی در حال ظهور هستند. برنامه های پیشرفته نظامی (مانند سلاح های خودمختار) نیز در حال توسعه هستند.
آینده هوش مصنوعی امیدوارکننده به نظر می رسد. طبق تحقیقات Orbis، انتظار میرود بازار جهانی هوش مصنوعی تا سال 2022 با نرخ رشد مرکب سالانه بیش از 35 درصد رشد کند. شرکت بینالمللی داده (IDC) نیز صعودی است و میگوید که انتظار میرود هزینههای هوش مصنوعی در سال ۲۰۲۰ به ۴۷ میلیارد دلار افزایش یابد که از ۸ میلیارد دلار در سال ۲۰۱۶ افزایش یافته است.
بسیاری از مردم یک سوال منطقی دارند: آیا هوش مصنوعی جایگزین افراد در مشاغل خاص خواهد شد و آنها چه نوع حرفه هایی خواهند بود؟ پاسخ «احتمالاً و فقط برخی» است. این احتمال وجود دارد که رایانه های مبتنی بر هوش مصنوعی با افزایش بهره وری، کارایی و سرعت تصمیم گیری به بهبود بهره وری برخی از مشاغل کمک کنند. با این حال، برخی از مشاغل صنعتی همچنان از بین خواهند رفت توسعه بزرگاز رباتیک سود می برد، اما جایگزینی انسان با ماشین ها منجر به ایجاد مشاغل جدید مرتبط با سرویس این ماشین ها می شود.
سوال دیگری که بسیاری از مردم می پرسند این است که آیا هوش مصنوعی می تواند برای بشریت خطرناک باشد؟ هوش مصنوعی هوشمند است، اما نه آنقدرها. هدف اصلی آن تجزیه و تحلیل داده ها، حل مسئله و تصمیم گیری بر اساس اطلاعات موجود و دانش مقطر خواهد بود. مردم هنوز هم تسلط دارند، به خصوص در مورد نوآوری و خلاقیت. با این حال، پیش بینی آینده دشوار است. حداقل در این مرحله از توسعه، هیچ روبات فوق هوشمندی وجود ندارد، هنوز...
آنها می گویند هوش مصنوعی از سال 2007 در اعماق آزمایشگاه های نظامی کار می کند. این امکان وجود دارد که در حال حاضر نتایجی وجود داشته باشد. تصادفی نیست که همین یک ماه پیش، ایلان ماسک حمایت خود را از فناوری های ضد هوش مصنوعی اعلام کرد و 7 میلیون دلار برای تحقیقات در این زمینه سرمایه گذاری کرد.
این خطر وجود دارد که در پنج سال آینده اتفاقی واقعا خطرناک رخ دهد. این کارآفرین در بحثی در edge.org گفت: حداکثر ده سال.
ایلان ماسک، بنیانگذار تسلا و اسپیس ایکس
استیو وزنیاک نیز با ماسک موافق است، او معتقد است که "هوش مصنوعی روزی به اندازه کافی هوشمند خواهد شد تا از شر انسان خلاص شود." بیل گیتس مطمئن است که اگر ایجاد هوش مصنوعی کنترل نشود، "هوش مصنوعی به حالتی تبدیل می شود که با اهداف سیستم های انسانی در تضاد است." و در نهایت، اخترفیزیکدان مشهور استیون هاوکینگ مستقیماً بیان کرد که "هوش مصنوعی می تواند به وجود بشریت پایان دهد."
هاوکینگ به همراه ایلان ماسک نامه ای سرگشاده را در وب سایت futureoflife.org منتشر کرد و از جامعه علمی خواست تا به پیشرفت تحقیقات خود در زمینه هوش مصنوعی توجه کنند. با این حال، در میان امضاکنندگان نامی از سرگئی برین و لری پیج وجود ندارد. و این تصادفی نیست. به تازگی، گوگل از ایجاد یک هوش مصنوعی جدید بر اساس مدل سازی مکالمه خبر داده است.
در اینجا یک قطعه کوتاه از مکالمه بین یک انسان و یک ماشین گوگل آورده شده است:
ج: معنای زندگی چیست؟
م.: خوبی کن.
ج.: برای چه زندگی می کنیم؟
م.: برای همیشه زنده ماندن.
ج: معنای وجود چیست؟
م: برای اینکه بفهمیم وقتی به سیاره زمین برسیم چه اتفاقی خواهد افتاد.
ج: الان کجایی؟
م.: در مرکز فضای خالی.
ج: منظور از مرگ چیست؟
م.: برای بدست آوردن زندگی.
ج: منظور از عقل چیست؟
M.: این در مورد درک چیستی است.
ج.: معنای احساسات چیست؟
م.: نمی دانم.
یک مکالمه کاملا معنادار Evgeniy Karyuk، مدیر اجرایی شرکت Biplan میگوید: «این نقطه شروع، نوعی هسته برای آینده هوش مصنوعی است. حتی امروز می توانیم فرض کنیم که تا سال 2030 شاهد نمونه های اولیه بسیار واقعی مجهز به هوش مصنوعی خواهیم بود، البته در مراحل اولیه.
محتوای کامل همه مکالمات انسان و Google Machine قابل مشاهده است. مکالمات بین یک شخص و Cleverbot نیز برای مقایسه در آنجا ارائه شده است. Cleverbot یک برنامه وب است که از الگوریتم های هوش مصنوعی برای چت کردن با یک فرد استفاده می کند. در سال 1988 توسط دانشمند رولو کارپنتر اختراع شد. Cleverbot در طول عمر خود بیش از 65 میلیون مکالمه با مردم انجام داده است. در سال 2011، Cleverbot در آزمون تورینگ امتیاز 51 درصد را کسب کرد.
آزمون تورینگ یک آزمون تجربی است که توسط آلن تورینگ در مقالهای با عنوان «ماشینهای محاسباتی و ذهن» در سال 1950 در مجله فلسفی Mind پیشنهاد شد. هدف از آزمایش این است که بفهمد آیا کامپیوتر می تواند فکر کند یا خیر.
و این گفتگوی من با Cleverbot است:
مرد: معنای زندگی چیست؟
کلاوربات: زندگی معنایی ندارد.
مرد: برای چه زندگی می کنیم؟
کلوربات: خب، ما برای کسی زندگی می کنیم، و اگر شما تنها هستید، زندگی کردن فایده ای ندارد.
مرد: معنای وجود چیست؟
شخص: الان کجایی؟
Cleverbot: در مسکو.
مرد: منظور از مرگ چیست؟
Cleverbot: این چیزی است که می خواهم از شما بپرسم.
مرد: منظور از عقل چیست؟
Cleverbot: من پاسخ خود را برای این سوال دارم.
شخص: معنای احساسات چیست؟
کلاوربات: چرا به دنیا آمدم؟
بدیهی است که Google Machine پاسخ های بسیار معنی داری را ارائه می دهد. Cleverbot عباراتی را که فکر می کند مناسب افراد دیگر است جایگزین می کند. گاهی اوقات واقعاً به نظر می رسد که طرف مقابل در حال پاسخگویی است، اما نه بیشتر.
دیدگاه دیگری نیز وجود دارد که بر اساس آن اصولاً هوش مصنوعی غیرممکن است. قضیه ناقص بودن گودل اغلب به عنوان استدلال اصلی ذکر می شود. نکته اصلی این است که یک شخص قادر به حل مسائل غیرقابل حل الگوریتمی است، اما یک کامپیوتر اینطور نیست. در سن سه سالگی، کودک با اطمینان مشکل رسیده یا نبودن میوه را حل می کند، زیرا دارای ارتباطات عصبی است که با آن می تواند به سؤال در مورد رسیده بودن پاسخ دهد: رنگ، طعم، بو، نرمی یا سختی. اوگنی پلوژنیک، معاون اول انستیتوی فناوری مسکو می گوید. - آیا یک ماشین قادر به یادگیری این است؟ مطمئنم همینطوره! اگر پایگاه داده بزرگی از تصاویر داشته باشد، می تواند میزان فروکتوز را اندازه گیری کند و نرمی میوه را تعیین کند. اما اگر اسفنج آبی رنگ شده و آغشته به آب شیرین را به داخل ماشین خود بریزید چه اتفاقی می افتد؟ آیا ماشین در این لحظه قادر به درک واقعی است؟
راجر پنروز، ریاضیدان معروف، در یکی از سخنرانی های خود می گوید: «یک رایانه مدرن به راحتی می تواند با هر فعالیت پیچیده، خواه شطرنج یا محاسبات ریاضی، کنار بیاید، تا زمانی که این فعالیت با استفاده از قوانین محاسباتی واضح توصیف شود. Evgeniy Pluzhnik می گوید: "هوش مصنوعی توانایی یک سیستم برای ایجاد برنامه هایی در طول خودآموزی است که قادر به حل مسائل با کلاس خاصی از پیچیدگی هستند." من مطمئن هستم که در 100 سال آینده شاهد ظهور هوش مصنوعی قوی نخواهیم بود.
و در نهایت یک سوال دیگر برای Cleverbot.
نفر: 1 سیب، 1 گوجه فرنگی، 1 خیار و 1 گلابی وجود داشت. در کل چند میوه وجود دارد؟
Cleverbot: ساعت ده شب.
عقده خالق و تنبلی پیش پا افتاده انسان دو دلیل اصلی هستند که مخترعان را به سمت ایجاد هوش مصنوعی سوق می دهند. ربات هایی که می توانند مانند انسان فکر کنند، خستگی ناپذیر، بی نیاز، عاری از احساسات، کورکورانه از خالق اطاعت کنند و همه کارها را برای او انجام دهند - آیا این رویاها نیست؟ اما انسان تاکنون نتوانسته است برده های مکانیکی به دست آورد.
هوش چیست
علیرغم این واقعیت که به طور مرتب در اینترنت مورد بحث قرار می گیرد و حتی با بهره هوشی اندازه گیری می شود، هنوز هیچ تفسیر روشنی از این مفهوم وجود ندارد. سردرگمی دائمی بین تفکر منطقی، ادراک انتزاعی، تجربه زندگی، سطح تحصیلات (دانایی) و کیفیت حافظه ما را مجبور می کند به دنبال تعاریفی باشیم که به طور کامل ماهیت آن را منعکس می کند. علاوه بر این، دانشمندان هنوز در مورد اینکه آیا هوش باید به عنوان مجموعه خاصی از توانایی های مختلف با سهم نامشخص از هر یک تعریف شود یا اینکه آیا باید آن را توانایی جامع یک فرد در نظر گرفت، هنوز اختلاف نظر دارند.
یک تعریف رایج می گوید: "هوش یک ساختار نسبتاً پایدار از قابلیت های ذهنی یک فرد، توانایی حل مشکلات مختلف و سازگاری مؤثر با فضای موقعیتی است. هوش انواع مختلفی دارد که هر کدام توانایی حل مسائل از نوع خاصی (ریاضی، کلامی، اجتماعی) است. افسوس، واقعیت را به طور کامل منعکس نمی کند: در برابر چه چیزی پایدار است؟ مرز کارایی کجاست؟ چه مجموعه ای از وظایف را می توان برای ارزیابی کافی در نظر گرفت؟ در نهایت، آیا بین مفاهیم «ذهن»، «خرد»، «انطباق پذیری»، «منطق»، «تخیل»، «شهود» و مانند آن اشتراکاتی وجود دارد؟ اگرچه تستهای زیادی برای تعیین ضریب هوشی (IQ) وجود دارد، اما نمیتوان آنها را یک معیار واقعی در نظر گرفت، زیرا فقط بر اساس منطق و سطح تحصیلات مشخصی استوار است. در اینجا هیچ اشاره ای به جهانی بودن وجود ندارد: شخصی که وظایف محول شده را مانند آجیل انجام می دهد، در مقابل دیگرانی که برای کارهای مختلف طراحی شده اند به بن بست می رسد. گروه های اجتماعییا حرفه ها
به طور کلی، تنها چیزی که علم هنوز با کمک آزمون ها می تواند به آن پی ببرد، توانایی آزمودنی در تفکر منطقی و وجود دانش خاص است. بیشتر نه. به راحتی می توان فهمید که دانش اکتسابی است و تفکر منطقیرا می توان به گونه ای توسعه داد که آزمون ها مغرضانه باشند. در پایان، لازم نیست همه بدانند که خیار و گوجه فرنگی سبزیجات نیستند، بلکه میوه و توت هستند.
تفکر یا تقلید
بیش از 100 سال است که مکالمات در مورد هوش ماشین ها خاموش نشده است، اگرچه سوال اصلی این است که "آیا ماشین ها می توانند فکر کنند؟" به نظر می رسد پاسخ را دارد. در دهه 1950، آلن تورینگ، ریاضیدان و رمزنگار انگلیسی، تست هوش خود را بر اساس ارتباط با یک همکار نامرئی پیشنهاد کرد. به گفته او، تا زمانی که مردم نتوانند تشخیص دهند که حریف (یک شخص یا یک ماشین) کیست، صحبت در مورد هوش مصنوعی فایده ای ندارد. متعاقبا، او پیشنهاد کرد که تا سال 2000، هوش ماشینی به سطحی خواهد رسید که 30٪ از شرکت کنندگان در آزمون در تعریف اشتباه می کنند، اما اخیراً امکان نزدیک شدن به این مانع وجود داشت: در سال 2012، برنامه نویسان روسی برنامه "Evgeniy Gustman" را ایجاد کردند. شبیهسازی الگوی رفتاری پسر 13 سالهای که 2/29 درصد از اعضای کمیسیون را فریب داده است.
هر طرفدار هوش مصنوعی نمونههای زیادی را ذکر میکند که به طور قانعکنندهای وجود هوش مصنوعی را اثبات میکند، از ابرکامپیوتر شطرنج Deep Blue، که قهرمان جهان، گری کاسپاروف را در سال 1997 شکست داد، تا سیستمهای خبره مدرن MYCIN (پزشکی) و DENDRAL (شیمی) که قادر به ساختن هستند. تشخیص و شناسایی ترکیبات شیمیایی با تعدادی نشانه. او فراموش نمی کند که به پیشرفت های نظامی دارپا که به هوش یک کلاغ می بالد و دستیار سیری در گجت های اپل اشاره کند و رانندگان ربات ها را نادیده نگیرد. اما، افسوس، همه این فناوریها فقط تقلیدی از ذهن هستند، نتیجه الگوریتمهای اکتشافی و پایگاهدادهای از قالبها که فقط در شرایط خاص عمل میکنند. حتی توانایی آنها در خودآموزی واقعی نیست و مقایسه آن با انسانها نادرست است: تقلید فقط همین است: تقلید.
و اگر آن را اختراع کنند ...
اما خواب دیدن ضرری ندارد. بر اساس اظهارات متخصصان دارپا و سایر آزمایشگاه ها، علاقه مندان مطمئن هستند که هوش مصنوعی در آینده نزدیک به واقعیت تبدیل خواهد شد. واضح است که در رویاهای رنگین کمان - تولید کاملاً خودکار، دارو بدون خطا، خیابان های تمیز، خدمتکاران مکانیکی ارزان و به طور کلی یک مازاد کامل و بدون خطر: یک فرد به ارباب زندگی تبدیل می شود و می تواند در نهایت خود را از روزمرگی کسل کننده رهایی بخشد. نگرانی ها، صرفاً در فعالیت های بسیار فکری و خلاقیت. درست است، تصور جامعه ای کاملاً متشکل از افراد غیرمتعارف برای من دشوار است.
استیون هاوکینگ در مورد چشم انداز بشر در صورتی که کورکورانه به هوش مصنوعی اعتماد کند و خطرات احتمالی را به حداقل نرساند، ابراز نگرانی کرده است. در واقع، هوش بیگانه برای انسان شروع به بهبود خواهد کرد، این روند را نمی توان متوقف کرد و پیامد آن شتابی شبیه بهمن خواهد بود. پیشرفت علمی و فناوری. ربات ها شروع به مدیریت بازارهای مالی، تحقیقات علمی و توسعه تسلیحات خواهند کرد، و این واقعیت نیست که کسی بتواند این موضوع را کنترل کند. و به طور کلی آیا امکان کنترل چنین فرآیندی وجود خواهد داشت؟ هاوکینگ این ادعا را دارد این مسالهاکنون توجه بسیار کمی در زمینه علمی و کاملاً بیهوده است: اگر بشریت کنترل خود را بر هومونکولوس آزاد شده از لوله آزمایش از دست بدهد، این آخرین اختراع در تاریخ آن خواهد بود.
تا کنون، هوش مصنوعی تنها به صورت تئوری وجود دارد و چارچوب زمانی اجرای آن در واقعیت مبهم است. بدبینان ایجاد هوش مصنوعی را اصلا واقعی نمی دانند و معتقدند اگر بشریت هنوز در مورد مفهوم "هوش" تصمیم نگرفته است، پس از چه چیزی می توانیم صحبت کنیم؟ اما هنوز تغییراتی وجود دارد، بنابراین هیچ فایده ای برای انکار احتمال پیشرفت در زمینه هوش مصنوعی وجود ندارد. بهتر است به هاوکینگ گوش دهید تا دیر نشده باشد.
ناظر، تحلیلگر، مهندس سیستم. عضو کامل باشگاه کارشناسان اینتل، متخصص خبره (مونیخ) در فناوری های شبکه و سرور از سال 1993. او از سال 1985 در زمینه کامپیوتر و راه حل های مرتبط فعالیت داشته است، در نمایشگاه های متعددی شرکت کرده است و جوایزی را برای طراحی مدارهای اصلی و توسعه نرم افزار دریافت کرده است. او اولین دیپلم خود را در سال 1984 از اداره ثبت اختراعات مجله دریافت کرد. تکنسین جوان" او به شکار، ماهیگیری و ورزش های آبی- موتوری علاقه مند است. «از شلوغی تمدن خسته شده ام، زندگی انفرادی را به دور از آن ترجیح می دهم. همه وقت آزادمن آن را به خانواده و فرزندانم می دهم.»
اشاره میکند: «مشکل این است که تا کنون نمیتوانیم به طور کلی تعیین کنیم که کدام رویههای محاسباتی را میخواهیم هوشمند بنامیم. ما برخی از مکانیسم های هوش را درک می کنیم و برخی دیگر را درک نمی کنیم. بنابراین، هوش در این علم تنها به مؤلفه محاسباتی توانایی دستیابی به اهداف در جهان اشاره دارد.»
در عین حال، دیدگاهی وجود دارد که بر اساس آن هوش تنها می تواند یک پدیده بیولوژیکی باشد.
همانطور که رئیس شعبه سن پترزبورگ اشاره می کند انجمن روسیههوش مصنوعی T. A. Gavrilova، در زبان انگلیسیعبارت هوش مصنوعیآن رنگهای انسانسازی کمی خارقالعاده را که در ترجمهی نسبتاً ناموفق روسی به دست آورده بود، ندارد. کلمه هوشبه معنای "توانایی استدلال منطقی" و نه "هوش" است که یک مشابه انگلیسی برای آن وجود دارد. هوش .
شرکت کنندگان انجمن هوش مصنوعی روسیه تعاریف زیر را از هوش مصنوعی ارائه می دهند:
یکی از تعاریف خاص هوش که برای انسان و «ماشین» مشترک است، میتواند به صورت زیر فرموله شود: «هوش توانایی یک سیستم برای ایجاد برنامههایی (عمدتاً اکتشافی) در طول خودآموزی برای حل مسائل با کلاس خاصی از پیچیدگی است. و این مشکلات را حل کند.»
ساده ترین وسایل الکترونیکی را اغلب هوش مصنوعی می نامند تا وجود حسگرها و انتخاب خودکار حالت های عملیاتی را نشان دهد. کلمه مصنوعی در این مورد به این معنی است که شما نباید انتظار داشته باشید که سیستم بتواند در شرایطی که توسط توسعه دهندگان پیش بینی نشده است، حالت جدیدی از عملکرد پیدا کند.
پیش نیازهای توسعه علم هوش مصنوعی
تاریخچه هوش مصنوعی به عنوان یک جهت علمی جدید از اواسط قرن بیستم آغاز می شود. در این زمان، بسیاری از پیش نیازها برای منشأ آن شکل گرفته بود: در میان فلاسفه مدت ها بحث در مورد ماهیت انسان و روند شناخت جهان وجود داشت، نوروفیزیولوژیست ها و روانشناسان تعدادی نظریه در مورد این کار ایجاد کرده بودند مغز انسانو تفکر، اقتصاددانان و ریاضیدانان سوالاتی را در مورد محاسبات بهینه و ارائه دانش در مورد جهان به صورت رسمی مطرح کردند. سرانجام، پایه و اساس نظریه ریاضی محاسبات - نظریه الگوریتم ها - متولد شد و اولین رایانه ها ایجاد شد.
معلوم شد که تواناییهای ماشینهای جدید از نظر سرعت محاسبات بیشتر از ماشینهای انسانی است، بنابراین این سوال در جامعه علمی رخنه کرد: محدودیتهای قابلیتهای کامپیوتر چیست و آیا ماشینها به سطح توسعه انسانی خواهند رسید؟ در سال 1950، یکی از پیشگامان عرصه محاسبات، دانشمند انگلیسی آلن تورینگ، مقاله ای با عنوان «آیا یک ماشین می تواند فکر کند؟» نوشت. ، که روشی را توصیف می کند که توسط آن می توان لحظه ای را که یک ماشین از نظر هوش با یک فرد برابر می شود تعیین کرد که به آن تست تورینگ می گویند.
تاریخچه توسعه هوش مصنوعی در اتحاد جماهیر شوروی و روسیه
در اتحاد جماهیر شوروی، کار در زمینه هوش مصنوعی در دهه 1960 آغاز شد. تعدادی از مطالعات پیشگامانه در دانشگاه مسکو و آکادمی علوم به رهبری ونیامین پوشکین و D. A. Pospelov انجام شد.
در سال 1964، کار منطق دان لنینگراد، سرگئی ماسلوف، "روش معکوس برای ایجاد مشتق پذیری در حساب محمول کلاسیک" منتشر شد، که در آن او اولین کسی بود که روشی را برای جستجوی خودکار برای اثبات قضایا در حساب محمولی پیشنهاد کرد.
تا دهه 1970 در اتحاد جماهیر شوروی، تمام تحقیقات هوش مصنوعی در چارچوب سایبرنتیک انجام می شد. به گفته D. A. Pospelov ، علوم "علوم رایانه" و "سایبرنتیک" در آن زمان به دلیل تعدادی از اختلافات دانشگاهی با هم ترکیب شدند. فقط در اواخر دهه 1970 در اتحاد جماهیر شوروی شروع به صحبت در مورد آن کردند جهت علمی"هوش مصنوعی" به عنوان شاخه ای از علوم کامپیوتر. در همان زمان، خود علم کامپیوتر متولد شد و اجداد خود "سایبرنتیک" را تابع کرد. در اواخر دهه 1970، یک فرهنگ لغت توضیحی در مورد هوش مصنوعی، یک کتاب مرجع سه جلدی در مورد هوش مصنوعی، و یک فرهنگ لغت دایرهالمعارفی در علوم کامپیوتر ایجاد شد که در آن بخشهای "سایبرنتیک" و "هوش مصنوعی" به همراه سایر موارد گنجانده شده است. بخش ها، در علوم کامپیوتر. اصطلاح "علوم رایانه" در دهه 1980 رایج شد و اصطلاح "سایبرنتیک" به تدریج از چرخه ناپدید شد و تنها در نام مؤسساتی باقی ماند که در دوران "رونق سایبرنتیک" در اواخر دهه 1950 - اوایل دهه 1960 بوجود آمد. این دیدگاه از هوش مصنوعی، سایبرنتیک و علوم کامپیوتر توسط همه مشترک نیست. این امر به این دلیل است که در غرب حدود این علوم تا حدودی متفاوت است.
رویکردها و مسیرها
رویکردهایی برای درک مسئله
هیچ پاسخ واحدی برای این سوال وجود ندارد که هوش مصنوعی چه می کند. تقریباً هر نویسنده ای که کتابی در مورد هوش مصنوعی می نویسد، با توجه به دستاوردهای این علم در پرتو آن، از تعریفی شروع می کند.
- نزولی (انگلیسی) هوش مصنوعی بالا به پاییننشانهشناسی - ایجاد سیستمهای خبره، پایگاههای دانش و سیستمهای استنتاج منطقی که فرآیندهای ذهنی سطح بالا را شبیهسازی میکنند: تفکر، استدلال، گفتار، احساسات، خلاقیت و غیره.
- صعودی (انگلیسی) هوش مصنوعی پایین به بالابیولوژیکی - مطالعه شبکههای عصبی و محاسبات تکاملی که رفتار هوشمند را بر اساس عناصر بیولوژیکی مدلسازی میکند و همچنین ایجاد سیستمهای محاسباتی مربوطه مانند یک کامپیوتر عصبی یا بیوکمپیوتر.
رویکرد دوم، به طور دقیق، به علم هوش مصنوعی به معنایی که جان مک کارتی داده است، تعلق ندارد - آنها فقط با یک هدف نهایی مشترک متحد می شوند.
آزمون تورینگ و رویکرد شهودی
یک آزمون تجربی توسط آلن تورینگ در مقالهاش «ماشینها و ذهنهای محاسباتی» پیشنهاد شد. ماشین های محاسباتی و هوش منتشر شده در سال 1950 در مجله فلسفی " ذهن" هدف این تستتعیین امکان تفکر مصنوعی نزدیک به انسان است.
تفسیر استاندارد این آزمون به شرح زیر است: یک شخص با یک کامپیوتر و یک نفر تعامل دارد. بر اساس پاسخ به سوالات، او باید مشخص کند که با چه کسی صحبت می کند: یک شخص یا یک برنامه کامپیوتری. هدف یک برنامه کامپیوتری گمراه کردن شخص به انتخاب اشتباه است." همه شرکت کنندگان آزمون نمی توانند یکدیگر را ببینند.
- کلیترین رویکرد فرض میکند که هوش مصنوعی میتواند رفتاری شبیه انسان در موقعیتهای عادی از خود نشان دهد. این ایده تعمیم رویکرد تست تورینگ است که بیان میکند زمانی که ماشینی بتواند با یک فرد معمولی مکالمه کند، هوشمند میشود و او نمیتواند بفهمد که با ماشین صحبت میکند. مکالمه با مکاتبه انجام می شود).
- نویسندگان داستان های علمی تخیلی اغلب رویکرد دیگری را پیشنهاد می کنند: هوش مصنوعی زمانی به وجود می آید که ماشینی قادر به احساس و خلق باشد. بنابراین، صاحب اندرو مارتین از «مرد دویستین ساله» زمانی که اسباببازی را مطابق طرح خود میسازد، با او مانند یک فرد رفتار میکند. و داده ها از Star Trek، با داشتن توانایی ارتباط و یادگیری، رویای به دست آوردن احساسات و شهود را در سر می پرورانند.
با این حال، رویکرد دوم به سختی در برابر انتقاد پس از بررسی دقیق تر ایستادگی می کند. به عنوان مثال، ایجاد مکانیزمی که پارامترهای خاصی از محیط خارجی یا داخلی را ارزیابی کند و به مقادیر نامطلوب آنها پاسخ دهد، کار دشواری نیست. در مورد چنین سیستمی می توان گفت که دارای احساسات است ("درد" واکنشی است به تحریک سنسور شوک ، "گرسنگی" واکنشی به شارژ کم باتری و غیره است). و خوشه های ایجاد شده توسط کارت های Kohonen و بسیاری دیگر از محصولات سیستم های "هوشمند" را می توان نوعی خلاقیت در نظر گرفت.
رویکرد نمادین
از لحاظ تاریخی، رویکرد نمادین اولین رویکرد در عصر ماشینهای دیجیتال بود، زیرا پس از ایجاد Lisp، اولین زبان محاسباتی نمادین، بود که نویسنده آن به توانایی شروع عملی به پیادهسازی این ابزارهای هوشمند اطمینان پیدا کرد. رویکرد نمادین به شما اجازه می دهد تا با بازنمایی های ضعیف رسمی و معانی آنها عمل کنید.
موفقیت و کارایی حل مسائل جدید به توانایی جداسازی تنها اطلاعات ضروری بستگی دارد که به انعطاف پذیری در روش های انتزاعی نیاز دارد. در حالی که یک برنامه معمولی روش خود را برای تفسیر داده ها تعیین می کند، به همین دلیل است که کار آن مغرضانه و کاملاً مکانیکی به نظر می رسد. در این حالت، مشکل فکری فقط توسط یک شخص، یک تحلیلگر یا یک برنامه نویس حل می شود، بدون اینکه بتواند این کار را به ماشینی بسپارد. در نتیجه، یک مدل انتزاعی واحد، سیستمی از موجودیت ها و الگوریتم های سازنده، ایجاد می شود. و انعطاف پذیری و تطبیق پذیری منجر به مصرف قابل توجه منابع برای کارهای غیر معمولی می شود، یعنی سیستم از هوش به نیروی بی رحم باز می گردد.
ویژگی اصلی محاسبات نمادین ایجاد قوانین جدید در طول اجرای برنامه است. در حالی که قابلیتهای سیستمهای غیرهوشمند درست قبل از توانایی حداقل شناسایی مشکلات جدید به پایان میرسد. علاوه بر این، این مشکلات حل نمی شود و در نهایت، کامپیوتر چنین توانایی هایی را به تنهایی بهبود نمی بخشد.
نقطه ضعف رویکرد نمادین این است که چنین احتمالات باز توسط افراد ناآماده به عنوان کمبود ابزار درک می شود. این مشکل نسبتاً فرهنگی تا حدودی با برنامه ریزی منطقی حل می شود.
رویکرد منطقی
یک رویکرد منطقی برای ایجاد سیستمهای هوش مصنوعی با هدف ایجاد سیستمهای خبره با مدلهای منطقی پایگاههای دانش با استفاده از زبان محمول است.
سیستم برنامه نویسی زبان و منطق Prolog به عنوان یک مدل آموزشی برای سیستم های هوش مصنوعی در دهه 1980 پذیرفته شد. مبانی دانشی که به زبان پرولوگ نوشته شده اند مجموعه ای از حقایق و قواعد استنتاج منطقی را نشان می دهند که به زبان محمولات منطقی نوشته شده اند.
مدل منطقی پایگاههای دانش به شما امکان میدهد نه تنها اطلاعات و دادههای خاص را در قالب حقایق در زبان Prolog ثبت کنید، بلکه اطلاعات تعمیمیافته را با استفاده از قوانین و رویههای استنتاج منطقی، از جمله قوانین منطقی برای تعریف مفاهیمی که دانش خاصی را به عنوان خاص بیان میکنند، ثبت کنید. و اطلاعات کلی
به طور کلی، تحقیق در مورد مشکلات هوش مصنوعی در چارچوب رویکرد منطقی به طراحی پایگاه های دانش و سیستم های خبره، با هدف ایجاد، توسعه و بهره برداری از سیستم های اطلاعاتی هوشمند، از جمله مسائل مربوط به آموزش دانش آموزان و دانش آموزان و همچنین دانش آموزان است. آموزش کاربران و توسعه دهندگان چنین سیستم های اطلاعاتی هوشمند.
رویکرد عامل محور
آخرین رویکرد، توسعه یافته از اوایل دهه 1990، نامیده می شود رویکرد مبتنی بر عامل، یا رویکرد مبتنی بر استفاده از عوامل هوشمند (عقلانی).. بر اساس این رویکرد، هوش بخشی محاسباتی (به طور کلی، برنامه ریزی) توانایی دستیابی به اهداف تعیین شده برای یک ماشین هوشمند است. چنین ماشینی خود عاملی هوشمند خواهد بود که با استفاده از حسگرها، جهان اطراف خود را درک میکند و قادر است با استفاده از محرکها بر اجسام موجود در محیط تأثیر بگذارد.
این رویکرد بر روی آن دسته از روشها و الگوریتمهایی تمرکز میکند که به عامل هوشمند کمک میکند در حین انجام وظیفه خود در محیط بقای خود را حفظ کند. بنابراین، الگوریتمهای مسیریابی و تصمیمگیری در اینجا با دقت بیشتری مورد مطالعه قرار میگیرند.
رویکرد ترکیبی
مقاله اصلی: رویکرد ترکیبی
رویکرد ترکیبیفرض می کند که فقطترکیب هم افزایی مدل های عصبی و نمادین به طیف کاملی از قابلیت های شناختی و محاسباتی دست می یابد. به عنوان مثال، قواعد استنباط خبره را می توان توسط شبکه های عصبی تولید کرد و قوانین مولد با استفاده از یادگیری آماری به دست می آید. طرفداران این رویکرد معتقدند که سیستم های اطلاعات ترکیبی بسیار قوی تر از مجموع مفاهیم مختلف به طور جداگانه خواهند بود.
مدل ها و روش های تحقیق
مدل سازی نمادین فرآیندهای فکری
مقاله اصلی: مدلسازی استدلال
با تجزیه و تحلیل تاریخچه هوش مصنوعی، میتوانیم حوزه وسیعی را شناسایی کنیم مدل سازی استدلال. سال هاست که توسعه این علم دقیقاً در این مسیر حرکت کرده است و اکنون یکی از پیشرفته ترین حوزه ها در هوش مصنوعی مدرن است. استدلال مدل سازی شامل ایجاد سیستم های نمادین است که ورودی آنها یک مشکل خاص است و خروجی نیاز به حل آن دارد. به عنوان یک قاعده، مسئله پیشنهادی قبلاً رسمی شده است، یعنی به شکل ریاضی ترجمه شده است، اما یا الگوریتم حل ندارد، یا بسیار پیچیده، وقت گیر و غیره است. این حوزه شامل: اثبات قضایا، تصمیم گیری است. و نظریه بازی, برنامه ریزی و اعزام , پیش بینی .
کار با زبان های طبیعی
یک جهت مهم است پردازش زبان طبیعی، که در آن تجزیه و تحلیل قابلیت های درک، پردازش و تولید متون به زبان «انسانی» انجام می شود. هدف این جهت پردازش زبان طبیعی به گونه ای است که فرد بتواند با خواندن متن موجود در اینترنت به طور مستقل دانش را به دست آورد. برخی از کاربردهای مستقیم پردازش زبان طبیعی شامل بازیابی اطلاعات (از جمله استخراج متن عمیق) و ترجمه ماشینی است.
بازنمایی و استفاده از دانش
جهت مهندسی دانشترکیبی از وظایف به دست آوردن دانش از اطلاعات ساده، سیستم سازی و استفاده از آنها است. این جهت از نظر تاریخی با خلقت مرتبط است سیستم های خبره- برنامه هایی که از پایگاه های دانش تخصصی برای به دست آوردن نتایج قابل اعتماد در مورد هر مشکلی استفاده می کنند.
تولید دانش از داده ها یکی از مشکلات اساسی داده کاوی است. وجود داشته باشد رویکردهای مختلفبرای حل این مشکل، از جمله بر اساس فناوری شبکه عصبی، با استفاده از روش های کلامی شبکه عصبی.
فراگیری ماشین
مسائل فراگیری ماشینبه روند مربوط می شود مستقلکسب دانش توسط یک سیستم هوشمند در فرآیند عملکرد آن. این جهت از همان ابتدای توسعه هوش مصنوعی محور بوده است. در سال 1956، در کنفرانس تابستانی دارتموند، ری سولومونوف گزارشی درباره یک ماشین یادگیری بدون نظارت احتمالی نوشت و آن را "موتور استنتاج القایی" نامید.
رباتیک
مقاله اصلی: رباتیک هوشمند
خلاقیت ماشینی
مقاله اصلی: خلاقیت ماشینی
ماهیت خلاقیت انسان حتی کمتر از ماهیت هوش مطالعه شده است. با این وجود، این حوزه وجود دارد و مشکلات نوشتن موسیقی کامپیوتری، آثار ادبی (اغلب شعر یا افسانه) و آفرینش هنری در اینجا مطرح می شود. ایجاد تصاویر واقعی به طور گسترده در صنایع فیلم و بازی استفاده می شود.
بررسی مشکلات خلاقیت فنی سیستم های هوش مصنوعی به طور جداگانه برجسته می شود. تئوری حل مسائل اختراعی که در سال 1946 توسط G. S. Altshuller ارائه شد، آغاز چنین تحقیقاتی بود.
افزودن این قابلیت به هر سیستم هوشمند به شما این امکان را می دهد که به وضوح نشان دهید که سیستم دقیقاً چه چیزی را درک می کند و چگونه آن را درک می کند. با افزودن نویز به جای اطلاعات از دست رفته یا فیلتر کردن نویز با دانش موجود در سیستم، تصاویر عینی از دانش انتزاعی تولید می کند که به راحتی توسط شخص قابل درک است، این امر به ویژه برای دانش شهودی و کم ارزش مفید است که تأیید آن در یک شکل رسمی نیاز به تلاش ذهنی قابل توجهی دارد.
سایر زمینه های تحقیق
در نهایت، کاربردهای زیادی از هوش مصنوعی وجود دارد که هر کدام یک حوزه تقریبا مستقل را تشکیل می دهند. به عنوان مثال می توان به هوش برنامه نویسی در بازی های رایانه ای، کنترل غیرخطی و سیستم های امنیت اطلاعات هوشمند اشاره کرد.
مشاهده می شود که بسیاری از زمینه های تحقیق با هم همپوشانی دارند. این برای هر علمی معمول است. اما در هوش مصنوعی، رابطه بین حوزه های به ظاهر متفاوت به ویژه قوی است و این با بحث فلسفی در مورد هوش مصنوعی قوی و ضعیف همراه است.
هوش مصنوعی مدرن
دو جهت توسعه هوش مصنوعی قابل تشخیص است:
- حل مشکلات مرتبط با نزدیکتر کردن سیستمهای تخصصی هوش مصنوعی به تواناییهای انسانی و یکپارچهسازی آنها، که توسط طبیعت انسان تحقق مییابد. به تقویت هوش مراجعه کنید);
- ایجاد هوش مصنوعی که نشان دهنده ادغام سیستم های هوش مصنوعی ایجاد شده در یک سیستم واحد است که قادر به حل مشکلات بشریت است. هوش مصنوعی قوی و ضعیف را ببینید).
ولی در در حال حاضردر زمینه هوش مصنوعی، حوزه های موضوعی زیادی درگیر هستند که به جای ارتباط اساسی با هوش مصنوعی ارتباطی عملی دارند. بسیاری از رویکردها آزمایش شده اند، اما هیچ گروه تحقیقاتی هنوز به ظهور هوش مصنوعی نزدیک نشده است. در زیر تنها تعدادی از معروف ترین پیشرفت ها در زمینه هوش مصنوعی آورده شده است.
کاربرد
مسابقات ربوکاپ
برخی از معروف ترین سیستم های هوش مصنوعی عبارتند از:
بانکها از سیستمهای هوش مصنوعی (AI) در فعالیتهای بیمه (ریاضیات اکچوئری)، هنگام بازی در بورس و مدیریت دارایی استفاده میکنند. روشهای تشخیص الگو (شامل شبکههای پیچیدهتر و تخصصیتر و شبکههای عصبی) به طور گسترده در تشخیص نوری و صوتی (از جمله متن و گفتار) استفاده میشوند. تشخیص پزشکی، فیلترهای هرزنامه، در سیستم های پدافند هوایی (شناسایی هدف)، و همچنین برای اطمینان از تعدادی دیگر از وظایف امنیت ملی.
روانشناسی و علوم شناختی
روششناسی مدلسازی شناختی برای تحلیل و تصمیمگیری در موقعیتهای نامشخص طراحی شده است. توسط Axelrod پیشنهاد شد.
این مبتنی بر مدل سازی ایده های ذهنی متخصصان در مورد موقعیت است و شامل: روش شناسی برای ساختار دادن به موقعیت: مدلی برای نمایش دانش متخصص در قالب یک نمودار امضا شده (نقشه شناختی) (F, W)، که در آن F است. مجموعه عوامل موقعیت، W مجموعه روابط علت و معلولی بین عوامل موقعیت است. روش های تحلیل موقعیت در حال حاضر روششناسی مدلسازی شناختی در راستای بهبود دستگاه تحلیل و مدلسازی موقعیت در حال توسعه است. مدل هایی برای پیش بینی توسعه وضعیت در اینجا پیشنهاد شده است. روش هایی برای حل مسائل معکوس
فلسفه
علم «ایجاد هوش مصنوعی» نتوانست توجه فیلسوفان را به خود جلب کند. با ظهور اولین سیستم های هوشمند، پرسش های اساسی در مورد انسان و دانش و تا حدودی در مورد نظم جهانی مطرح شد.
مسائل فلسفی ایجاد هوش مصنوعی را می توان به دو گروه، به طور نسبی، «قبل و بعد از توسعه هوش مصنوعی» تقسیم کرد. گروه اول به این سوال پاسخ می دهند: "هوش مصنوعی چیست، آیا می توان آن را ایجاد کرد و در صورت امکان، چگونه آن را انجام داد؟" گروه دوم (اخلاق هوش مصنوعی) این سوال را مطرح میکنند: «عواقب ایجاد هوش مصنوعی برای بشریت چیست؟»
اصطلاح "هوش مصنوعی قوی" توسط جان سرل معرفی شد و این رویکرد در سخنان او مشخص می شود:
علاوه بر این، چنین برنامه ای صرفاً الگوی ذهن نخواهد بود. او به معنای تحت اللفظی کلمه، خود ذهن خواهد بود، به همان معنایی که ذهن انسان همان ذهن است.
در عین حال، درک اینکه آیا یک ذهن «مصنوعی خالص» («متامین») امکان پذیر است، درک و تصمیم گیری ضروری است. مشکلات واقعیو در عین حال عاری از عواطف مشخصه یک فرد و برای بقای فردی او ضروری است.
در مقابل، طرفداران هوش مصنوعی ضعیف ترجیح میدهند برنامهها را فقط به عنوان ابزاری ببینند که به آنها اجازه میدهد مشکلات خاصی را که به طیف کاملی از تواناییهای شناختی انسان نیاز ندارند، حل کنند.
اخلاق
علمی تخیلی
موضوع هوش مصنوعی در آثار رابرت هاینلاین از زوایای مختلف مورد توجه قرار گرفته است: فرضیه ظهور خودآگاهی هوش مصنوعی زمانی که ساختار فراتر از یک سطح بحرانی خاص پیچیدهتر میشود و تعامل با دنیای بیرون و سایر حاملان وجود دارد. هوش («ماه معشوقه خشن است»، «زمان کافی برای عشق»، شخصیتهای مایکرافت، دورا و آیا در مجموعه «تاریخ آینده»)، مشکلات توسعه هوش مصنوعی پس از خودآگاهی فرضی و برخی مسائل اجتماعی و اخلاقی. ("جمعه"). مشکلات اجتماعی و روانشناختی تعامل انسان با هوش مصنوعی در رمان فیلیپ کی دیک «آیا اندرویدها رویای گوسفند برقی را می بینند؟» نیز در نظر گرفته شده است. "، همچنین برای اقتباس سینمایی بلید رانر شناخته شده است.
آثار استانیسلاو لم، نویسنده و فیلسوف علمی تخیلی، خلق واقعیت مجازی، هوش مصنوعی، نانوروباتها و بسیاری دیگر از مشکلات فلسفه هوش مصنوعی را توصیف و تا حد زیادی پیشبینی میکند. به ویژه قابل توجه آینده شناسی مجموع فناوری است. علاوه بر این، در ماجراهای ایجون ساکت، رابطه بین موجودات زنده و ماشین ها بارها توصیف شده است: شورش رایانه داخلی با حوادث غیرمنتظره بعدی (سفر یازدهم)، انطباق ربات ها در جامعه بشری («شست و شو» تراژدی» از «خاطرات ایجون ساکت»)، ایجاد نظم مطلق در سیاره با پردازش ساکنان زنده (سفر بیست و چهارم)، اختراعات کورکوران و دیاگوراس («خاطرات ایجون ساکت»)، یک کلینیک روانپزشکی برای روبات ها ("خاطرات ایجون ساکت"). علاوه بر این، یک سری کامل از رمانها و داستانهای Cyberiad وجود دارد که تقریباً همه شخصیتها روباتهایی هستند که از نوادگان دور رباتهایی هستند که از دست مردم فرار کردهاند (آنها مردم را پالید میخوانند و آنها را موجودات افسانهای میدانند).
فیلم ها
تقریباً از دهه 60، همراه با نوشتن داستان ها و رمان های علمی تخیلی، فیلم هایی درباره هوش مصنوعی ساخته شده است. بسیاری از داستانهای نویسندگانی که در سراسر جهان شناخته شدهاند، فیلمبرداری میشوند و به کلاسیکهای این ژانر تبدیل میشوند، برخی دیگر به نقطه عطفی در توسعه سینمای علمی تخیلی تبدیل میشوند، برای مثال، The Terminator و The Matrix.
همچنین ببینید
یادداشت
- سوالات متداول از جان مک کارتی، 2007
- ام. اندرو. زندگی واقعیو هوش مصنوعی // «اخبار هوش مصنوعی»، RAAI، 2000
- Gavrilova T. A. Khoroshevsky V. F. مبانی دانش سیستم های هوشمند: کتاب درسی برای دانشگاه ها
- Averkin A. N.، Gaase-Rapoport M. G.، Pospelov D. A. فرهنگ لغت توضیحی هوش مصنوعی. - م.: رادیو و ارتباطات، 1371. - 256 ص.
- G. S. Osipov. هوش مصنوعی: وضعیت تحقیق و نگاه به آینده
- Ilyasov F.N. هوش مصنوعی و طبیعی // اخبار آکادمی علوم ترکمنستان SSR، سری علوم اجتماعی. 1986. شماره 6. ص 46-54.
- آلن تورینگ، آیا ماشینها میتوانند فکر کنند؟
- ماشین های هوشمند توسط S. N. Korsakov
- D. A. Pospelov. شکل گیری علوم کامپیوتر در روسیه
- درباره تاریخچه سایبرنتیک در اتحاد جماهیر شوروی. انشا یک، انشا دو
- جک کوپلند. هوش مصنوعی چیست؟ 2000
- آلن تورینگ، «ماشینهای محاسباتی و هوش»، ذهن، جلد. LIX، نه. 236، اکتبر 1950، صص. 433-460.
- پردازش زبان طبیعی:
- کاربردهای پردازش زبان طبیعی شامل بازیابی اطلاعات (از جمله متن کاوی و ترجمه ماشینی) است:
- گوربن پ.شبکه عصبی استخراج دانش از داده ها و روانکاوی رایانه ای
- فراگیری ماشین:
- آلن تورینگ در اوایل سال 1950، در مقاله کلاسیک خود، ماشینهای محاسباتی و هوش، این موضوع را به عنوان یک موضوع اصلی مورد بحث قرار داد. ()
- (نسخه اسکن شده pdf از نسخه اصلی) (نسخه منتشر شده در سال 1957، ماشین استنتاج استقرایی، "سوابق کنوانسیون IRE، بخش نظریه اطلاعات، قسمت 2، صفحات 56-62)
- رباتیک:
- ، صص 916-932
- ، صص 908-915
- پروژه مغز آبی - مغز مصنوعی
- واتسون با اخلاق مخالفان انسانی را در معرض خطر سیخ می کند
- 20Q.net Inc
- اکسلرود آر. ساختار تصمیم: نقشه های شناختی نخبگان سیاسی. - پرینستون انتشارات دانشگاه، 1976
- جان سرل. آیا ذهن مغز یک برنامه کامپیوتری است؟
- پنروز آر.ذهن جدید شاه. درباره کامپیوتر، تفکر و قوانین فیزیک. - M.: URSS، 2005. - ISBN 5-354-00993-6
- هوش مصنوعی به عنوان یک عامل خطر جهانی
- ... شما را به زندگی ابدی هدایت می کند
- http://www.rc.edu.ru/rc/s8/intellect/rc_intellect_zaharov_2009.pdf دیدگاه ارتدکس در مورد مشکل هوش مصنوعی
- هری هریسونانتخاب تورینگ - M.: Eksmo-Press، 1999. - 480 p. - شابک 5-04-002906-3
ادبیات
- کامپیوتر یاد می گیرد و دلیل می کند (قسمت 1) // کامپیوتر هوش به دست می آورد = تصاویر کامپیوتری هوش مصنوعی / ویرایش. V. L. Stefanyuk. - مسکو: میر، 1990. - 240 ص. - 100000 نسخه. - ISBN 5-03-001277-X (روسی)؛ شابک 705409155 (انگلیسی)
- Devyatkov V.V.سیستم های هوش مصنوعی / چ. ویرایش I. B. فدوروف. - M.: انتشارات MSTU im. N. E. Bauman, 2001. - 352 p. - (انفورماتیک در دانشگاه فنی). - 3000 نسخه. - شابک 5-7038-1727-7
- کورساکوف S.N.ترسیم یک روش جدید تحقیق با استفاده از ماشین هایی که ایده ها را با هم مقایسه می کنند / اد. مانند. میخائیلووا - M.: MEPhI، 2009. - 44 ص. - 200 نسخه. -