ذكاء اصطناعي

(تم التحويل من الذكاء الاصطناعي)

الذكاء الاصطناعي Artificial intelligence (AI)، ويسمى أحياناً ذكاء الآلات machine intelligence، هو الذكاء الذي تظهره الآلات، على عكس الذكاء الطبيعي الذي يظهره البشر والحيوانات. تعرف المراجع الرائدة في مجال الذكاء الاصطناعي المجال بأنه دراسة "العوامل الذكية: أي جهاز يدرك بيئته ويتخذ إجراءات تزيد من فرصته في تحقيق أهدافه بنجاح.[3] وبالعامية، غالباً ما يستخدم مصطلح "الذكاء الاصطناعي" لوصف الآلات (أو أجهزة الحاسوب) التي تحاكي الوظائف "المعرفية" التي يربطها البشر بالعقل البشري مثل "التعلم" و"حل المشكلات".[4]

مع ازدياد قدرة الآلات، غالباً ما يتم حذف المهام التي تتطلب "ذكاء" من تعريف الذكاء الاصطناعي، وهي ظاهرة تُعرف باسم تأثير الذكاء الاصطناعي.[5] تقول إحدى العبارات الساخرة في نظرية تسلر أن" الذكاء الاصطناعي هو كل ما لم يتم إنجازه بعد".[6] على سبيل المثال، غالباً ما يُستثنى التعرف الضوئي على الحروف من الأشياء التي تعتبر ذكاءاً اصطناعياً،[7] والذي أصبح تقنية روتينية.[8] تشمل قدرات الآلات الحديثة المصنفة عموماً على أنها ذكاء اصطناعي فهم الكلام البشري، [9] التي تتنافس على أعلى مستوى في أنظمة الألعاب الإستراتيجية (مثل الشطرنج وگو[10] السيارات ذاتية القيادة، التوجيه الذكي في شبكة توصيل المحتوى وعمليات المحاكاة العسكرية.[11]

تأسس الذكاء الاصطناعي كتخصص أكاديمي عام 1955، وفي السنوات التالية شهدنا عدة موجات من التفاؤل،[12][13] تلتها فترة خيبة أمل وفقدان للتمويل (تُعرف "بشتاء الذكاء الاصطناعي")،[14][15] تلتها منهجيات جديدة، نجاح وتمويل متجدد.[13][16] في معظم تاريخها، تم تقسيم أبحاث الذكاء الاصطناعي إلى مجالات فرعية والتي غالباً ما فشلت في التواصل مع بعضها البعض.[17] تستند هذه الحقول الفرعية إلى اعتبارات فنية، مثل أهداف معينة (على سبيل المثال "الروبوتية" أو "التعلم الآلي")،[18] استخدام أدوات معينة ("المنطق" أو الشبكات العصبونية الاصطناعية)، أو الاختلافات الفلسفية العميقة، أو الاختلافات الفلسفية العميقة.[21][22][23] كما استندت المجالات الفرعية إلى العوامل الاجتماعية (مؤسسات أو عمل باحثين معينين).[17]

تتضمن المشكلات (أو الأهداف) التقليدية لبحوث الذكاء الاصطناعي التفكير، تمثيل المعرفة، التخطيط، التعلم، معالجة اللغات الطبيعية، الإدراك والقدرة على تحريك الأشياء ومعالجتها.[18] يعتبر الذكاء العام من بين الأهداف طويلة المدى لهذا المجال.[24] وتتضمن المقاربات الطرق الإحصائية، الذكاء الحسابي، والذكاء الاصطناعي الرمزي التقليدي. هناك الكثير من الأدوات المستخدمة في الذكاء الاصطناعي، وتشمل إصدارات البحث والتحسين الرياضي والشبكات العصبونية الاصطناعية والأساليب القائمة على الإحصائيات والاحتمالات والاقتصاديات. يعتمد مجال الذكاء الاصطناعي على علوم الحاسوب والهندسة المعلوماتية والرياضيات وعلم النفس واللسانيات والفلسفة والعديد من المجالات الأخرى

تأسس هذا المجال على افتراض أن الذكاء البشري "يمكن وصفه بدقة بحيث يمكن صنع آلة لمحاكاته".[25] يثير هذا حججًا فلسفية حول العقل وأخلاقيات خلق كائنات اصطناعية تتمتع بذكاء يشبه الإنسان. تم استكشاف هذه القضايا من خلال الأساطير والخيال و الفلسفة منذ العصور القديمة.[30] يعتبر بعض الأشخاص أيضًا أن الذكاء الاصطناعي يمثل خطرًا على البشرية إذا تقدم بلا هوادة.[31][32] يعتقد البعض الآخر أن الذكاء الاصطناعي ، على عكس الثورات التكنولوجية السابقة ، سيخلق خطر البطالة الجماعية.[33]

في القرن الحادي والعشرين ، شهدت تقنيات الذكاء الاصطناعي انتعاشًا بعد التطورات المتزامنة في قُدْرَةُ الحاسوب ، وكميات كبيرة من البيانات ، والفهم النظري ؛ أصبحت تقنيات الذكاء الاصطناعي جزءًا أساسيًا من صناعة التكنولوجيا ، مما يساعد على حل العديد من المشكلات الصعبة في علوم الكمبيوتر وهندسة البرمجيات وبحوث العمليات.[34][16]

فهرست

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

التاريخ

ديدراخما فضي من جزيرة كريت يصور تالوس ، إنسان أسطوري قديم ذو ذكاء اصطناعي

ظهرت الكائنات الاصطناعية القادرة على التفكير كأجهزة لسرد القصص في العصور القديمة ،[35] وكانت شائعة في الخيال ، كما في ماري شلي فرانكشتاين أو كارل تشابك R.U.R. (روبوتات روسوم العالمية).[36] أثارت هذه الشخصيات ومصائرها العديد من نفس القضايا التي نوقشت الآن في أخلاقيات الذكاء الاصطناعي.[30]بدأت دراسة الاستدلال الميكانيكي أو "الرسمي" مع الفلاسفة وعلماء الرياضيات في العصور القديمة. أدت دراسة المنطق الرياضي مباشرة إلى نظرية آلان تورنگ للحساب ، والتي اقترحت أن الآلة ، عن طريق خلط الرموز البسيطة مثل "0" و "1" ، يمكنها محاكاة أي فعل يمكن تصوره من الاستنتاج الرياضي. تُعرف هذه الفكرة القائلة بأن أجهزة الكمبيوتر الرقمية يمكنها محاكاة أي عملية تفكير رسمي باسم فرضية تشيرش تورنگ.[37] إلى جانب الاكتشافات المتزامنة في علم الأعصاب ونظرية المعلومات وعلم التحكم الآلي ، قاد هذا الباحثين إلى التفكير في إمكانية بناء دماغ إلكتروني. اقترح تورينغ تغيير السؤال من ما إذا كانت الآلة ذكية ، إلى "ما إذا كان من الممكن للآلة إظهار سلوك ذكي أم لا".[38] كان أول عمل معروف الآن عمومًا باسم الذكاء الاصطناعي هو تصميم ماكولوش وبيتس الرسمي لعام 1943 لـ "الخلايا العصبية الاصطناعية الكاملة" في تورنگ.[39]

وُلد مجال أبحاث الذكاء الاصطناعي في ورشة عمل في كلية دارتموث عام 1956 ،[40] حيث صاغ جون مكارثي مصطلح "الذكاء الاصطناعي" لتمييز المجال عن علم التحكم الآلي والهروب من تأثير عالم علم التحكم الإلكتروني نوربرت ڤينر.[41]حضور ألين نيويل (جامعة كارنيغي ميلون) ، هربرت سايمون (جامعة كارنيغي ميلون) ، جون مكارثي (معهد ماساتشوستس للتكنولوجيا) ، مارفن مينسكي (معهد ماساتشوستس للتكنولوجيا) وآرثر صموئيل (آي بي إم) أصبحوا مؤسسي وقادة أبحاث الذكاء الاصطناعي ،[42] وقد أنتجوا وطلابهم برامج وصفت الصحافة بأنها "مذهلة":[43] كانت أجهزة الكمبيوتر تتعلم استراتيجيات لعبة الداما (حوالي 1954)[44] (وبحلول عام 1959 كانت تلعب بشكل أفضل من الإنسان العادي) ،[45] وحل المشكلات الكلامية في الجبر ، وإثبات النظريات المنطقية (Logic Theorist، first run c. 1956).[46]ويتحدث الإنجليزية: بحلول منتصف الستينيات ، تم تمويل الأبحاث في الولايات المتحدة بشكل كبير من قبل وزارة الدفاع [47] وتم إنشاء المعامل في جميع أنحاء العالم.[48] كان مؤسسو الذكاء الاصطناعي متفائلين بشأن المستقبل: توقع هربرت سايمون ، "ستكون الآلات قادرة ، في غضون عشرين عامًا ، من القيام بأي عمل يمكن للرجل القيام به ". وافق مارفن مينسكي ، وكتب ،" في غضون جيل. سيتم حل مشكلة إنشاء "الذكاء الاصطناعي" إلى حد كبير".[12]


فشلوا في التعرف على صعوبة بعض المهام المتبقية. تباطأ التقدم في عام 1974 ، استجابة لانتقادات السير جيمس لايتيل[49] والضغط المستمر من الكونجرس الأمريكي لتمويل مشاريع أكثر إنتاجية ، أوقفت الحكومتان الأمريكية والبريطانية البحث الاستكشافي في الذكاء الاصطناعي. فيما بعد ، أُطلق على السنوات القليلة التالية اسم "شتاء الذكاء الاصطناعي" ،[14]وهي فترة كان فيها الحصول على تمويل لمشاريع الذكاء الاصطناعي أمرًا صعبًا.

في أوائل الثمانينيات ، تم إحياء أبحاث الذكاء الاصطناعي من خلال النجاح التجاري للأنظمة الخبيرة ، وهو شكل من أشكال برنامج الذكاء الاصطناعي الذي يحاكي المعرفة والمهارات التحليلية للخبراء البشريين. بحلول عام 1985 ، وصل سوق الذكاء الاصطناعي إلى أكثر من مليار دولار. في الوقت نفسه ، ألهم مشروع الكمبيوتر من الجيل الخامس في اليابان الحكومتين الأمريكية والبريطانية لاستعادة تمويل البحث الأكاديمي. ومع ذلك ، بدءًا من انهيار سوق Lisp Machine في عام 1987 ، سقطت سمعة الذكاء الاصطناعي مرة أخرى ، وبدأت فجوة ثانية طويلة الأمد.

في أوائل الثمانينيات ، تم إحياء أبحاث الذكاء الاصطناعي من خلال النجاح التجاري للأنظمة الخبيرة ،[50]وهو شكل من أشكال برنامج الذكاء الاصطناعي الذي يحاكي المعرفة والمهارات التحليلية للخبراء البشريين. بحلول عام 1985 ، وصل سوق الذكاء الاصطناعي إلى أكثر من مليار دولار. في الوقت نفسه ، ألهم مشروع الكمبيوتر من الجيل الخامس في اليابان الحكومتين الأمريكية والبريطانية لاستعادة تمويل البحث الأكاديمي.[13] ومع ذلك ، بدءًا من انهيار سوق الة ليسپ في عام 1987 ، سقطت سمعة الذكاء الاصطناعي مرة أخرى ، وبدأت فجوة ثانية طويلة الأمد.[15]

ساعد تطوير التكامل واسع النطاق (VLSI) أشباه الموصّلات ذات الأكاسيد المعدنية في شكل تكنولوجيا ترانزستور (MOS) التكميلية في تطوير تقنية الشبكة العصبونية الاصطناعية (ANN) العملية في الثمانينيات. كان المنشور البارز في هذا المجال هو كتاب 1989 تنفيذ تكامل واسع النطاق للأنظمة العصبية بواسطة كارفر ميد ومحمد إسماعيل.[51]

في أواخر التسعينيات وأوائل القرن الحادي والعشرين ، بدأ استخدام الذكاء الاصطناعي في الخدمات اللوجستية واستخراج البيانات والتشخيص الطبي ومجالات أخرى.[34] كان النجاح بسبب زيادة القوة الحسابية (انظر قانون مور وعدد الترانزستور) ، وزيادة التركيز على حل مشاكل محددة ، والروابط الجديدة بين الذكاء الاصطناعي والمجالات الأخرى (مثل الإحصاء والاقتصاد والرياضيات) ، والتزام الباحثين بالطرق الرياضية و المعايير العلمية. [52] أصبح ديب بلو أول نظام كمبيوتر للعب الشطرنج يفوز على بطل الشطرنج العالمي ، غاري كاسباروف ، في 11 مايو 1997.[53]

في عام 2011 ، جيوباردي! معرض مباريات عرض الأسئلة ، هزم نظام الإجابة على أسئلة شركة IBM ، واتسون ، أعظم جيوباردي! الأبطال ، براد روتر وكين جينينغز ، بفارق كبير.[54] أدت أجهزة الكمبيوتر الأسرع ، والتحسينات الخوارزمية ، والوصول إلى كميات كبيرة من البيانات إلى حدوث تقدم في التعلم الآلي والإدراك ؛ بدأت أساليب التعلم العميق المتعطشة للبيانات بالسيطرة على معايير الدقة في حوالي عام 2012.[55] يستخدم جهاز Kinect ، الذي يوفر واجهة حركة جسم ثلاثية الأبعاد لأجهزة Xbox 360 و Xbox One ، الخوارزميات التي نشأت من أبحاث الذكاء الاصطناعي المطولة كما يفعل المساعدون الشخصيون الأذكياء في الهواتف الذكية.[56] في مارس 2016 ، فاز ألفاجو بـ 4 من أصل 5 مباريات في جو في مباراة مع بطل جو لي سيدول ، ليصبح أول نظام Go-play على الكمبيوتر يهزم لاعب جو محترف دون إعاقة.[10][57] في قمة Future of Go 2017 ، فاز ألفاجو بمباراة من ثلاث مباريات مع شيان‌ بـِيْ ،,[58] الذي كان في ذلك الوقت يحتل المرتبة الأولى على مستوى العالم لمدة عامين.[59][60] يمثل هذا إنجازًا مهمًا في تطوير الذكاء الاصطناعي حيث أن جو هي لعبة معقدة نسبيًا ، أكثر من لعبة الشطرنج.

وفقًا لـ لجاك كلارك من بلومبرج ، كان عام 2015 عامًا بارزًا للذكاء الاصطناعي ، حيث زاد عدد مشاريع البرامج التي تستخدم الذكاء الاصطناعي داخل گوگل من "الاستخدام المتقطع" في عام 2012 إلى أكثر من 2700 مشروع. يقدم كلارك أيضًا بيانات واقعية تشير إلى تحسينات الذكاء الاصطناعي منذ عام 2012 مدعومة بمعدلات خطأ أقل في مهام معالجة الصور.[61] ويعزو ذلك إلى زيادة في الشبكات العصبية ذات الأسعار المعقولة ، بسبب ارتفاع البنية التحتية للحوسبة السحابية وزيادة أدوات البحث ومجموعات البيانات.[16] ومن الأمثلة الأخرى التي تم الاستشهاد بها ، تطوير ميكروسوف لنظام سكايب يمكنه الترجمة تلقائيًا من لغة إلى أخرى ونظام فيسبوك الذي يمكنه وصف الصور للمكفوفين.[61] في استطلاع عام 2017 ، ذكرت واحدة من كل خمس شركات أنها "أدرجت الذكاء الاصطناعي في بعض العروض أو العمليات".[62][63] في حوالي عام 2016 ، سارعت الصين بشكل كبير في تمويلها الحكومي ؛ نظرًا لإمدادها الكبير بالبيانات وإنتاجها البحثي المتزايد بسرعة ، يعتقد بعض المراقبين أنها قد تكون في طريقها لتصبح "قوة عظمى للذكاء الاصطناعي".[64][65]ومع ذلك ، فقد تم الاعتراف بأن التقارير المتعلقة بالذكاء الاصطناعي تميل إلى المبالغة فيها.[66][67][68]


الأساسيات

يعرف علم الحاسوب أبحاث الذكاء الاصطناعي بأنها دراسة "الوكلاء الأذكياء": أي جهاز يدرك بيئته ويتخذ إجراءات تزيد من فرصته في تحقيق أهدافه بنجاح.[3]هناك تعريف أكثر تفصيلاً يميز الذكاء الاصطناعي بأنه "قدرة النظام على تفسير البيانات الخارجية بشكل صحيح ، والتعلم من هذه البيانات ، واستخدام تلك المعارف لتحقيق أهداف ومهام محددة من خلال التكيف المرن."[69]

يحلل الذكاء الاصطناعي النموذجي بيئته ويتخذ إجراءات تزيد من فرص نجاحه.[3] يمكن أن تكون وظيفة المنفعة المقصودة (أو الهدف) للذكاء الاصطناعي بسيطة ("1 إذا فاز الذكاء الاصطناعي بلعبة Go ، أو 0 بخلاف ذلك") أو مجموعة ("تنفيذ إجراءات مشابهة رياضيًا لتلك التي نجحت في الماضي"). يمكن تحديد الأهداف أو استحداثها بشكل صريح. إذا تمت برمجة الذكاء الاصطناعي من أجل "التعلم المعزز" ، فيمكن تحفيز الأهداف ضمنيًا عن طريق مكافأة بعض أنواع السلوك أو معاقبة الآخرين.[أ] بدلاً من ذلك ، يمكن للنظام التطوري أن يحفز الأهداف باستخدام "وظيفة اللياقة" لتغيير أنظمة الذكاء الاصطناعي عالية الدرجات وتكرارها بشكل تفضيلي ، على غرار الطريقة التي تطورت بها الحيوانات لرغبة فطرية في أهداف معينة مثل العثور على الطعام.[70] بعض أنظمة الذكاء الاصطناعي ، مثل الجار الأقرب ، بدلاً من السبب عن طريق القياس ، لا يتم إعطاء هذه الأنظمة أهدافًا بشكل عام ، باستثناء الدرجة التي تكون فيها الأهداف ضمنية في بيانات التدريب الخاصة بها.[71] لا يزال من الممكن قياس مثل هذه الأنظمة إذا تم تأطير النظام غير الهادف كنظام يتمثل "هدفه" في إنجاز مهمة التصنيف الضيقة بنجاح.[72]

غالبًا ما يدور الذكاء الاصطناعي حول استخدام الخوارزميات. الخوارزمية هي مجموعة من التعليمات الواضحة التي يمكن للحاسوب الميكانيكي تنفيذها.[ب] غالبًا ما يتم إنشاء خوارزمية معقدة فوق خوارزميات أخرى أبسط. مثال بسيط على الخوارزمية هو الوصفة التالية (المثالية للاعب الأول) للعب في تيك تاك تو:[73]

  1. إذا كان لدى شخص ما "تهديد" (أي اثنان على التوالي) ، خذ المربع المتبقي. غير ذلك،
  2. إذا انقلبت الحركة لإنشاء تهديدين في وقت واحد ، فقم بلعب هذه الحركة. غير ذلك،
  3. خذ المربع المركزي إذا كان خاليًا. غير ذلك،
  4. إذا لعب خصمك في زاوية ، خذ الزاوية المقابلة. غير ذلك،
  5. خذ زاوية فارغة إن وجدت. غير ذلك،
  6. خذ أي مربع فارغ.

العديد من خوارزميات الذكاء الاصطناعي قادرة على التعلم من البيانات ؛ يمكنهم تعزيز أنفسهم من خلال من خلال تعلم الاستدلالات الجديد(الاستراتيجيات ، أو "القواعد العامة" ، التي عملت بشكل جيد في الماضي) ، أو يمكنهم كتابة خوارزميات أخرى. يمكن لبعض "المتعلمين" الموصوفين أدناه ، بما في ذلك شبكات Bayesian ، وأشجار القرار ، وأقرب الجيران ، من الناحية النظرية ، (بالنظر إلى البيانات والوقت والذاكرة اللانهائية) أن يتعلموا تقريب أي دالة ، بما في ذلك أي مجموعة من الدوال الرياضية تصف العالم بشكل أفضل .[بحاجة لمصدر] وبالتالي يمكن لهؤلاء المتعلمين اشتقاق كل المعارف الممكنة ، من خلال النظر في كل فرضية ممكنة ومطابقتها مع البيانات. من الناحية العملية ، نادرًا ما يكون من الممكن النظر في كل الاحتمالات ، بسبب ظاهرة "الانفجار الاندماجي" ، حيث ينمو الوقت اللازم لحل المشكلة بشكل كبير. تتضمن الكثير من أبحاث الذكاء الاصطناعي اكتشاف كيفية تحديد مجموعة واسعة من الاحتمالات التي من غير المرجح أن تكون مفيدة وتجنبها.[74][75] على سبيل المثال ، عند عرض الخريطة والبحث عن أقصر طريق للقيادة من دنفر إلى نيويورك في الشرق ، يمكن للمرء في معظم الحالات تخطي النظر إلى أي مسار عبر سان فرانسيسكو أو مناطق أخرى بعيدة إلى الغرب ؛ وبالتالي ، يمكن للذكاء الاصطناعي الذي يستخدم خوارزمية تحديد المسار مثل A * تجنب الانفجار الاندماجي الذي قد ينتج إذا كان لا بد من التفكير في كل طريق ممكن.[76]

كان النهج الأول (والأسهل في الفهم) للذكاء الاصطناعي هو الرمزية (مثل المنطق الرسمي): "إذا كان شخص بالغ سليم مصابًا بالحمى ، فقد يكون مصابًا بالإنفلونزا". النهج الثاني الأكثر عمومية هو الاستدلال البايزي: "إذا كان المريض الحالي مصابًا بالحمى ، فاضبط احتمالية إصابته بالإنفلونزا بطريقة كذا وكذا". النهج الرئيسي الثالث ، الذي يحظى بشعبية كبيرة في تطبيقات الأعمال الروتينية للذكاء الاصطناعي ، هو أدوات المقارنة مثل شعاع الدعم الآلي وأقرب جار: "بعد فحص سجلات المرضى السابقين المعروفين الذين تتطابق درجة حرارتهم وأعراضهم وعمرهم وعوامل أخرى في الغالب مع المريض الحالي ، X ٪ من هؤلاء المرضى تبين أنهم مصابون بالإنفلونزا ". من الصعب فهم النهج الرابع بشكل حدسي ، ولكنه مستوحى من كيفية عمل آلية الدماغ: يستخدم نهج شبكة عصبونية اصطناعية "الخلايا العصبية" الاصطناعية التي يمكن أن تتعلم من خلال مقارنة نفسها بالمخرجات المرغوبة وتغيير نقاط القوة في الاتصالات بين الخلايا العصبية الداخلية. "لتعزيز" الروابط التي بدت مفيدة. يمكن أن تتداخل هذه الأساليب الأربعة الرئيسية مع بعضها البعض ومع الأنظمة التطورية ؛ على سبيل المثال ، يمكن للشبكات العصبية تعلم كيفية عمل الاستدلالات والتعميم وإجراء المقارنات. تستخدم بعض الأنظمة ، ضمنيًا أو صريحًا ، العديد من هذه الأساليب ، جنبًا إلى جنب مع العديد من خوارزميات الذكاء الاصطناعي وغير الذكاء الاصطناعي ؛ غالبًا ما يختلف النهج الأفضل اعتمادًا على المشكلة.[77][78]

تعمل خوارزميات التعلم على أساس أن الاستراتيجيات والخوارزميات والاستنتاجات التي عملت بشكل جيد في الماضي من المرجح أن تستمر في العمل بشكل جيد في المستقبل. يمكن أن تكون هذه الاستنتاجات واضحة ، مثل "بما أن الشمس تشرق كل صباح خلال آخر 10 آلاف يوم ، فمن المحتمل أن تشرق صباح الغد أيضًا". يمكن أن تكون دقيقة ، مثل "X٪ من العائلات لديها أنواع منفصلة جغرافيًا ذات ألوان مختلفة ، لذلك هناك فرصة بنسبة Y٪ لوجود البجعات السوداء غير المكتشفة". يعمل المتعلمون أيضًا على أساس "شفرة أوكام": إن أبسط نظرية تشرح البيانات هي الأكثر احتمالية. لذلك ، وفقًا لمبدأ الشفرة لأوكام ، يجب تصميم المتعلم بحيث يفضل النظريات الأبسط على النظريات المعقدة ، إلا في الحالات التي أثبتت فيها النظرية المعقدة أنها أفضل بكثير.

يمكن أن يكون الخط الأزرق مثالاً على مفرط توفيق دالة خطية بسبب الضوضاء العشوائية.

يُعرف الاستقرار على نظرية سيئة ومعقدة للغاية تم التلاعب بها لتناسب جميع بيانات التدريب السابقة باسم مفرط التوفيق. تحاول العديد من الأنظمة تقليل التخصيص الزائد عن طريق مكافأة النظرية وفقًا لمدى تناسبها مع البيانات ، ولكن معاقبة النظرية وفقًا لمدى تعقيد النظرية.[79] إلى جانب التحسين الكلاسيكي ، يمكن أن يخيب المتعلمون أيضًا من خلال "تعلم الدرس الخطأ". مثال على لعبة هو أن مصنف الصور الذي تم تدريبه فقط على صور الخيول البنية والقطط السوداء قد يستنتج أن جميع البقع البنية من المحتمل أن تكون خيول.[80] والمثال الواقعي هو أنه على عكس البشر ، لا تحدد المصنفات الحالية للصور العلاقة المكانية بين مكونات الصورة ؛ بدلاً من ذلك ، يتعلمون أنماطًا مجردة من وحدات البكسل التي لا يدركها البشر ، ولكنها ترتبط ارتباطًا خطيًا بصور أنواع معينة من الكائنات الحقيقية. يؤدي التراكب الضعيف لمثل هذا النمط على صورة شرعية إلى صورة "معادية" يخطئ النظام في تصنيفها.[ت][81][82]

قد يستخدم نظام السيارة ذاتية القيادة شبكة عصبونية لتحديد أجزاء الصورة التي يبدو أنها تتطابق مع صور التدريب السابقة للمشاة ، ثم نموذج تلك المناطق على أنها موشورات مستطيلة الحركة بطيئة الحركة ولكن لا يمكن التنبؤ بها إلى حد ما والتي يجب تجنبها.[83][84]

بالمقارنة مع البشر ، فإن الذكاء الاصطناعي الحالي يفتقر إلى العديد من سمات "التفكير المنطقي" البشري. والجدير بالذكر أن البشر لديهم آليات قوية للتفكير حول "الفيزياء الساذجة" مثل الفضاء والزمان والتفاعلات الفيزيائية. وهذا يمكن حتى الأطفال الصغار من التوصل بسهولة إلى استنتاجات مثل "إذا دحرجت هذا القلم من على الطاولة ، فسوف يسقط على الأرض". يتمتع البشر أيضًا بآلية قوية لـ "علم النفس الشعبي" التي تساعدهم على تفسير جمل اللغة الطبيعية مثل "رفض أعضاء مجلس المدينة المتظاهرين تصريحًا لأنهم دعوا إلى العنف" (يجد الذكاء الاصطناعي العام صعوبة في تحديد ما إذا كان الأشخاص الذين يُزعم أنهم يدافعون العنف هم أعضاء المجلس أو المتظاهرين). [85][86][87]).هذا النقص في "المعرفة العامة" يعني أن الذكاء الاصطناعي غالبًا ما يرتكب أخطاء مختلفة عن تلك التي يرتكبها البشر ، بطرق قد تبدو غير مفهومة. على سبيل المثال ، لا يمكن للسيارات الحالية ذاتية القيادة أن تفكر في الموقع ولا نوايا المشاة بالطريقة الدقيقة التي يفعلها البشر ، وبدلاً من ذلك يجب أن تستخدم أساليب التفكير غير البشرية لتجنب الحوادث.[88][89][90]


. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

التحديات

القدرات المعرفية للأبنية الحالية محدودة للغاية ، باستخدام نسخة مبسطة فقط لما يستطيع الذكاء فعله حقًا. على سبيل المثال ، توصل العقل البشري إلى طرق للتفكير تتجاوز القياس والتفسيرات المنطقية للأحداث المختلفة في الحياة. ما كان يمكن أن يكون واضحًا بخلاف ذلك ، قد يكون من الصعب حل مشكلة صعبة بطريقة حسابية بدلاً من استخدام العقل البشري. يؤدي هذا إلى ظهور فئتين من النماذج: البنيوية والوظيفية. تهدف النماذج الهيكلية إلى محاكاة عمليات الذكاء الأساسية للعقل مثل التفكير والمنطق. يشير النموذج الوظيفي إلى البيانات المرتبطة بنظيرتها الحسوبية.[91]

الهدف العام للبحث في الذكاء الاصطناعي هو إنشاء تقنية تسمح لأجهزة الكمبيوتر والآلات بالعمل بطريقة ذكية. تم تقسيم المشكلة العامة لمحاكاة (أو إنشاء) الذكاء إلى مشاكل فرعية. تتكون هذه من سمات أو قدرات معينة يتوقع الباحثون أن يعرضها نظام ذكي. حظيت السمات الموضحة أدناه بأكبر قدر من الاهتمام.[18]

المنطق وحل المشكلات

طور الباحثون الأوائل خوارزميات قلدت الاستدلال التدريجي الذي يستخدمه البشر عند حل الألغاز أو إجراء استنتاجات منطقية.[92] بحلول أواخر الثمانينيات والتسعينيات من القرن الماضي ، طورت أبحاث الذكاء الاصطناعي طرقًا للتعامل مع المعلومات غير المؤكدة أو غير الكاملة ، باستخدام مفاهيم من الاحتمالات والاقتصاد.[93]


أثبتت هذه الخوارزميات أنها غير كافية لحل مشاكل التفكير الكبيرة لأنها شهدت "انفجارًا اندماجيًا": فقد أصبحت أبطأ بشكل كبير مع تزايد المشكلات.[74] حتى البشر نادرًا ما يستخدمون الاستنتاج التدريجي الذي يمكن أن تمثله أبحاث الذكاء الاصطناعي المبكرة. يحلون معظم مشاكلهم باستخدام أحكام سريعة وبديهية.[94]

تمثيل المعرفة

تمثل الأنطولوجيا المعرفة كمجموعة من المفاهيم داخل المجال والعلاقات بين تلك المفاهيم.

يمثل تمثيل المعرفة[95] وهندسة المعرفة[96]عنصرين أساسيين في أبحاث الذكاء الاصطناعي الكلاسيكية. تحاول بعض "الأنظمة الخبيرة" جمع المعرفة الواضحة التي يمتلكها الخبراء في بعض المجالات الضيقة. بالإضافة إلى ذلك ، تحاول بعض المشاريع جمع "المعرفة المنطقية" المعروفة للشخص العادي في قاعدة بيانات تحتوي على معرفة واسعة بالعالم. من بين الأشياء التي قد تحتويها قاعدة المعرفة الشاملة المنطقية: الأشياء ، والخصائص ، والفئات ، والعلاقات بين الأشياء ؛[97] المواقف والأحداث والدول والوقت ؛[98] أسباب وآثار؛[99] المعرفة بالمعرفة (ما نعرفه عما يعرفه الآخرون) ؛[100]والعديد من المجالات الأخرى الأقل بحثًا. تمثيل "ما هو موجود" هو علم الوجود: مجموعة الكائنات والعلاقات والمفاهيم والخصائص الموصوفة رسميًا بحيث يمكن لوكلاء البرامج تفسيرها. يتم التقاط دلالات هذه على أنها مفاهيم منطق الوصف والأدوار والأفراد ، ويتم تنفيذها عادةً كصفوف وخصائص وأفراد في لغة علم الوجود على الوب.[101][102]تُعرف الأنطولوجيا الأكثر عمومية باسم الأنطولوجيا العليا ، والتي تحاول توفير أساس لجميع المعارف الأخرى من خلال العمل كوسطاء بين أنطولوجيا المجال التي تغطي معرفة محددة حول مجال معرفي معين (مجال الاهتمام أو مجال الاهتمام). يمكن استخدام تمثيلات المعرفة الرسمية هذه في الفهرسة والاسترجاع المستند إلى المحتوى ،[103] وتفسير المشهد ،[104] ودعم القرار الإكلينيكي ،[105]واكتشاف المعرفة (استخراج الاستدلالات "المثيرة للاهتمام" والقابلة للتنفيذ من قواعد البيانات الكبيرة),[106] ومجالات أخرى.[107]

من بين أصعب المشاكل في تمثيل المعرفة:

المنطق الافتراضي ومشكلة التأهيل
العديد من الأشياء التي يعرفها الناس تأخذ شكل "افتراضات العمل". على سبيل المثال ، إذا ظهر طائر في محادثة ، فعادة ما يتخيل الناس حيوانًا بحجم قبضة اليد يغني ويطير.[108]لا شيء من هذه الأشياء صحيح بالنسبة لجميع الطيور. حدد جون مكارثي هذه المشكلة في عام 1969 على أنها مشكلة التأهيل: لأي قاعدة منطقية يهتم باحثو الذكاء الاصطناعي بتمثيلها ، تميل إلى وجود عدد كبير من الاستثناءات. لا شيء تقريبًا صحيح أو خاطئ بالطريقة التي يتطلبها المنطق المجرد. بحثت أبحاث الذكاء الاصطناعي في عدد من الحلول لهذه المشكلة.[109]
Breadth of commonsense knowledge
Tعدد الحقائق الذرية التي يعرفها الشخص العادي كبير جدًا. تتطلب المشاريع البحثية التي تحاول بناء قاعدة معرفية كاملة للمعرفة المنطقية (على سبيل المثال ، Cyc) كميات هائلة من الهندسة الأنطولوجية الشاقة - يجب بناؤها يدويًا ، بمفهوم واحد معقد في كل مرة.[110]
Subsymbolic form of some commonsense knowledge
الكثير مما يعرفه الناس لا يتم تمثيله على أنه "حقائق" أو "تصريحات" يمكنهم التعبير عنها شفهيًا. على سبيل المثال ، سيتجنب سيد الشطرنج وضعًا معينًا للشطرنج لأنه "يشعر بأنه مكشوف للغاية"[111] أو يمكن للناقد الفني أن يلقي نظرة واحدة على التمثال ويدرك أنه مزيف.[112] هذه هي حدس أو ميول غير واعية وشبه رمزية في الدماغ البشري.[113]مثل هذه المعرفة تُعلم وتدعم وتوفر سياقًا للمعرفة الرمزية والوعي.كما هو الحال مع مشكلة التفكير شبه الرمزي ذات الصلة ، من المأمول أن يوفر الذكاء الاصطناعي الملائم أو الذكاء الحوسبي أو الذكاء الاصطناعي الإحصائي طرقًا لتمثيل هذه المعرفة.[113]


. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

التخطيط

نظام التحكم الهرمي هو شكل من أشكال نظام التحكم يتم فيه ترتيب مجموعة من الأجهزة والبرامج الحاكمة في تسلسل هرمي.

يجب أن يكون العملاء الأذكياء قادرين على تحديد الأهداف وتحقيقها.[114] إنهم بحاجة إلى طريقة لتصور المستقبل - تمثيل لحالة العالم والقدرة على عمل تنبؤات حول كيفية تغيير أفعالهم له - والقدرة على اتخاذ خيارات تزيد من فائدة (أو "قيمة") الخيارات المتاحة .[115]

في مشاكل التخطيط الكلاسيكية ، يمكن للعامل أن يفترض أنه النظام الوحيد الذي يعمل في العالم ، مما يسمح للعامل بالتأكد من عواقب أفعاله.[116]ومع ذلك ، إذا لم يكن العامل هو الفاعل الوحيد ، فإنه يتطلب أن يمكن للعامل التفكير في ظل عدم اليقين. وهذا يستدعي وجود عامل لا يمكنه فقط تقييم بيئته وإجراء التنبؤات ولكن أيضًا تقييم تنبؤاته والتكيف بناءً على تقييمه.[117]

يستخدم التخطيط متعدد العوامل التعاون والمنافسة بين العديد من العوامل لتحقيق هدف معين. يتم استخدام السلوك الناشئ مثل هذا بواسطة الخوارزميات التطورية وذكاء السرب.[118]

التعلم

التعلم الآلي (ML) هو مفهوم أساسي لأبحاث الذكاء الاصطناعي منذ بداية المجال ،[121]وهو دراسة خوارزميات الكمبيوتر التي تتحسن تلقائيًا من خلال التجربة.[122][123]

التعلم غير الخاضع للإشراف هو القدرة على العثور على أنماط في تدفق المدخلات ، دون مطالبة الإنسان بتسمية المدخلات أولاً. يشمل التعلم الخاضع للإشراف كلاً من التصنيف وتحليل الانكفاء العددي ، مما يتطلب من الإنسان تسمية بيانات الإدخال أولاً. يستخدم التصنيف لتحديد الفئة التي ينتمي إليها شيء ما ، ويحدث بعد أن يرى البرنامج عددًا من الأمثلة لأشياء من عدة فئات. الانحدار هو محاولة إنتاج دالة تصف العلاقة بين المدخلات والمخرجات وتتوقع كيف يجب أن تتغير المخرجات مع تغير المدخلات.[123] يمكن النظر إلى كل من المصنفات والمتعلمين الانحدار على أنهم "مقربو دوال" يحاولون تعلم وظيفة غير معروفة (ربما ضمنية) ؛ على سبيل المثال ، يمكن اعتبار مصنف الرسائل غير المرغوب فيها على أنه تعلم وظيفة تقوم بتعيين نص رسالة بريد إلكتروني إلى إحدى الفئتين ، "البريد العشوائي" أو "ليس البريد العشوائي". يمكن لنظرية التعلم الحاسوبي تقييم المتعلمين من خلال التعقيد الحسابي ، أو من خلال تعقيد العينة (مقدار البيانات المطلوبة) ، أو من خلال مفاهيم أخرى للتحسين.[124] في التعلم المعزز earning[125] يكافأ العامل على الاستجابات الجيدة ويعاقب على الأشرار. يستخدم العامل هذا التسلسل من المكافآت والعقوبات لتشكيل استراتيجية للعمل في مساحة المشكلة الخاصة به.


معالجة اللغات الطبيعية

تسمح معالجة اللغة الطبيعية (NLP)[126] للآلات بقراءة وفهم لغة البشر. من شأن نظام معالجة اللغة الطبيعية القوي بما فيه الكفاية أن يمكّن واجهات مستخدم اللغة الطبيعية واكتساب المعرفة مباشرة من مصادر كتبها الإنسان ، مثل نصوص الأخبار. تتضمن بعض التطبيقات المباشرة لمعالجة اللغة الطبيعية استرجاع المعلومات ، واستخراج النصوص ، والإجابة على الأسئلة ،[127] والترجمة الآلية.[128]تستخدم العديد من الأساليب الحالية الترددات المتزامنة للكلمات لبناء تمثيلات نحوية للنص. استراتيجيات "اكتشاف الكلمات الرئيسية" للبحث شائعة وقابلة للتطوير ولكنها غبية ؛ قد يتطابق طلب البحث عن "كلب" فقط مع المستندات مع الكلمة الحرفية "كلب" ويفتقد مستندًا يحتوي على كلمة "كلب". تستخدم استراتيجيات "التقارب المعجمي" حدوث كلمات مثل "حادث" لتحليل المشاعر للمستند. يمكن لمناهج البرمجة اللغوية العصبية الحديثة أن تجمع بين كل هذه الاستراتيجيات وغيرها ، وتحقق غالبًا دقة مقبولة على مستوى الصفحة أو الفقرة. بعيدًا عن البرمجة اللغوية العصبية الدلالية ، فإن الهدف النهائي من البرمجة اللغوية العصبية "السردية" هو تجسيد فهم كامل للاستدلال المنطقي.[129] بحلول عام 2019 ، يمكن أن تولد معماريات التعلم العميق القائمة على المحولات نصًا متماسكًا.[130]

الإدراك

يساعد كشف الملامح (في الصورة: اكتشاف الحد) الذكاء الاصطناعي في تكوين هياكل مجردة إعلامية من البيانات الأولية.

إدراك الآلة[131] هو القدرة على استخدام المدخلات من أجهزة الاستشعار (مثل الكاميرات (الطيف المرئي أو الأشعة تحت الحمراء) ، والميكروفونات ، والإشارات اللاسلكية ، وأجهزة الاستشعار التي تعمل باللمس والسونار والرادار والليدار النشط) لاستنتاج جوانب من العالم. تشمل التطبيقات,[132]التعرف على الكلام والتعرف على الوجه وإدراك الأشياء.[133] الرؤية الحاسوبية هي القدرة على تحليل المدخلات المرئية. عادة ما تكون هذه المدخلات غامضة ؛ قد ينتج عن المشاة العملاقة التي يبلغ ارتفاعها خمسين مترًا نفس وحدات البكسل التي ينتجها المشاة ذو الحجم الطبيعي القريب ، مما يتطلب من الذكاء الاصطناعي الحكم على الاحتمالية النسبية ومعقولية التفسيرات المختلفة ، على سبيل المثال باستخدام "نموذج الهدف" لتقييم أن المشاة من ارتفاع 50 مترا غير موجودة.[134]


Motion and manipulation

يستخدم الذكاء الاصطناعي بكثرة في الروبوتات.[135] يمكن للأذرع الروبوتية المتقدمة والروبوتات الصناعية الأخرى ، المستخدمة على نطاق واسع في المصانع الحديثة ، أن تتعلم من التجربة كيفية التحرك بكفاءة على الرغم من وجود الاحتكاك وانزلاق التروس.[136] يمكن للروبوت المتحرك الحديث ، عند إعطائه بيئة صغيرة وثابتة ومرئية ، تحديد موقعه بسهولة ورسم خريطة لبيئته ؛ ومع ذلك ، فإن البيئات الديناميكية ، مثل (التنظير الداخلي) داخل جسم تنفس المريض ، تشكل تحديًا أكبر. تخطيط الحركة هو عملية تقسيم مهمة الحركة إلى "بدائية" مثل حركات المفصل الفردية. غالبًا ما تتضمن هذه الحركة حركة متوافقة ، وهي عملية تتطلب فيها الحركة الحفاظ على الاتصال الجسدي مع شيء ما.[137][138][139] تعمم مفارقة مورافيك على أن المهارات الحسية الحركية منخفضة المستوى التي يعتبرها البشر أمرًا مفروغًا منه ، على عكس الحدس ، يصعب برمجتها في روبوت. تم تسمية المفارقة على اسم هانز مورافيك ، الذي ذكر في عام 1988 أنه "من السهل نسبيًا جعل أجهزة الكمبيوتر تعرض أداءً بمستوى البالغين في اختبارات الذكاء أو لعب الداما ، ومن الصعب أو المستحيل منحهم مهارات طفل يبلغ من العمر عامًا واحدًا عندما يتعلق بالإدراك والتنقل ".[140][141] يُعزى هذا إلى حقيقة أنه ، على عكس لعبة الداما ، كانت البراعة الجسدية هدفًا مباشرًا للانتقاء الطبيعي لملايين السنين.[142]

الذكاء الاجتماعي

Kismet ، روبوت ذو مهارات اجتماعية بدائية[143]

يمكن أن تمتد مفارقة مورافيك إلى العديد من أشكال الذكاء الاجتماعي.[144][145] لا يزال التنسيق الموزع متعدد العوامل للمركبات المستقلة يمثل مشكلة صعبة.[146] الحوسبة الوجدانية هي مظلة متعددة التخصصات تضم الأنظمة التي تتعرف على التأثيرات البشرية أو تفسرها أو تعالجها أو تحاكيها.[147][148][149] تشمل النجاحات المعتدلة المتعلقة بالحوسبة العاطفية تحليل المشاعر النصية ، ومؤخراً ، تحليل التأثير متعدد الوسائط (انظر تحليل المشاعر متعددة الوسائط) ، حيث يصنف الذكاء الاصطناعي التأثيرات التي يعرضها موضوع مسجل بالفيديو.[150]

على المدى الطويل ، ستكون المهارات الاجتماعية وفهم العواطف البشرية ونظرية الألعاب ذات قيمة للعامل الاجتماعي. إن القدرة على التنبؤ بأفعال الآخرين من خلال فهم دوافعهم وحالاتهم العاطفية ستسمح للعامل باتخاذ قرارات أفضل. تحاكي بعض أنظمة الكمبيوتر المشاعر والتعبيرات البشرية لتبدو أكثر حساسية للديناميكيات العاطفية للتفاعل البشري ، أو لتسهيل التفاعل بين الإنسان والحاسوب.[151] وبالمثل ، فإن بعض المساعدين الافتراضيين مبرمجون للتحدث بشكل تحاوري أو حتى المزاح بروح الدعابة ؛ يميل هذا إلى إعطاء المستخدمين الساذجين تصورًا غير واقعي عن مدى ذكاء وعملاء الكمبيوتر الحاليين.[152]

الذكاء العام

تاريخيًا ، حاولت مشاريع مثل قاعدة المعرفة Cyc (1984-) والمبادرة الضخمة لأنظمة الكمبيوتر من الجيل الخامس اليابانية (1982-1992) تغطية اتساع نطاق الإدراك البشري. فشلت هذه المشاريع المبكرة في الهروب من قيود النماذج المنطقية الرمزية غير الكمية ، وفي وقت لاحق ، قللت إلى حد كبير من صعوبة الذكاء الاصطناعي عبر المجالات. في الوقت الحاضر ، يعمل معظم باحثي الذكاء الاصطناعي الحاليين بدلاً من ذلك على تطبيقات "ذكاء اصطناعي ضيقة" قابلة للتتبع (مثل التشخيص الطبي أو التنقل في السيارات).[153]يتوقع العديد من الباحثين أن مثل هذا "الذكاء الاصطناعي الضيق" في مجالات فردية مختلفة سيتم دمجه في النهاية في آلة ذات ذكاء عام اصطناعي (AGI) ، وتجمع بين معظم المهارات الضيقة المذكورة في هذه المقالة وفي مرحلة ما تتجاوز قدرة الإنسان في معظم أو كل هذه المجالات.[24][154] العديد من التطورات لها أهمية عامة عبر المجالات. أحد الأمثلة البارزة هو أن ديپ مايند طور في 2010 "ذكاء اصطناعيًا معممًا" يمكنه تعلم العديد من ألعاب اتاري المتنوعة من تلقاء نفسه ، ثم طور لاحقًا نوعًا مختلفًا من النظام الذي ينجح في التعلم التسلسلي.[155][156][157] إلى جانب نقل التعلم ،[158] يمكن أن تشمل الاختراقات الافتراضية للذكاء الاصطناعي العام تطوير ابنية عاكسة يمكنها المشاركة في التفكير النظري للقرار ، ومعرفة كيفية "جمع" قاعدة معرفية شاملة من شبكة الوب غير المهيكلة بالكامل.[9]يجادل البعض بأن نوعًا من (غير مكتشف حاليًا) واضح من الناحية المفاهيمية ، ولكنه صعب رياضيًا ، "الخوارزمية الرئيسية" يمكن أن تؤدي إلى الذكاء الاصطناعي العام.[159]أخيرًا ، هناك عدد قليل من الأساليب "الناشئة" التي تتطلع إلى محاكاة الذكاء البشري عن كثب ، ويعتقد أن مذهب التأنيس مثل العقل الاصطناعي أو نمو الطفل المحاكى قد يصل يومًا ما إلى نقطة حرجة حيث يظهر الذكاء العام.[160][161]

قد تتطلب العديد من المشكلات الواردة في هذه المقالة أيضًا ذكاءً عامًا ، إذا كان على الآلات حل المشكلات كما يفعل الأشخاص. على سبيل المثال ، حتى المهام المباشرة المحددة ، مثل الترجمة الآلية ، تتطلب أن تقرأ الآلة وتكتب باللغتين (NLP) ، وأن تتبع حجة المؤلف (السبب) ، وأن تعرف ما الذي يتم الحديث عنه (المعرفة) ، وتعيد إنتاج أصل المؤلف بأمانة النية (الذكاء الاجتماعي). تعتبر مشكلة مثل الترجمة الآلية "مكتملة للذكاء الاصطناعي" ، لأن كل هذه المشكلات تحتاج إلى حل في وقت واحد للوصول إلى أداء الآلة على المستوى البشري.

المقاربات

لا توجد نظرية أو نموذج موحد يوجه أبحاث الذكاء الاصطناعي. يختلف الباحثون حول العديد من القضايا.[163] بعض الأسئلة التي ظلت دون إجابة هي: هل يجب على الذكاء الاصطناعي محاكاة الذكاء الطبيعي من خلال دراسة علم النفس أو علم الأعصاب؟ أم أن البيولوجيا البشرية لا علاقة لها بأبحاث الذكاء الاصطناعي مثل بيولوجيا الطيور بالنسبة لهندسة الطيران؟[21] هل يمكن وصف السلوك الذكي باستخدام مبادئ بسيطة وأنيقة (مثل المنطق أو التحسين)؟ أم أنها تتطلب بالضرورة حل عدد كبير من المشاكل الغير مرتبطة؟[22]

=== السبرانية ومحاكاة المخ}}

في الأربعينيات والخمسينيات من القرن الماضي ، اكتشف عدد من الباحثين العلاقة بين علم الأعصاب ونظرية المعلومات وعلم التحكم الآلي. قام بعضهم ببناء آلات تستخدم الشبكات الإلكترونية لعرض الذكاء البدائي ، مثل سلاحفوليام جراي والتر ووحش جونز هوبكنز. اجتمع العديد من هؤلاء الباحثين في اجتماعات الجمعية الغائية في جامعة برينستون ونادي النسبة في إنجلترا.[164]بحلول عام 1960 ، تم التخلي عن هذا النهج إلى حد كبير ، على الرغم من إحياء عناصر منه في الثمانينيات.

الرمزي

عندما أصبح الوصول إلى أجهزة الكمبيوتر الرقمية ممكنًا في منتصف الخمسينيات من القرن الماضي ، بدأت أبحاث الذكاء الاصطناعي في استكشاف إمكانية اختزال الذكاء البشري إلى التلاعب بالرموز. تمركز البحث في ثلاث مؤسسات: جامعة كارنگي ملون وستانفورد ومعهد ماساتشوستس للتكنولوجيا ، وكما هو موضح أدناه ، طورت كل واحدة أسلوبها الخاص في البحث. أطلق جون هوغلاند على هذه الأساليب الرمزية للذكاء الاصطناعي اسم "الذكاء الاصطناعي القديم الجيد" أو "GOFAI".[165]خلال الستينيات ، حققت الأساليب الرمزية نجاحًا كبيرًا في محاكاة "التفكير" عالي المستوى في برامج العرض التوضيحي الصغيرة. تم التخلي عن الأساليب القائمة على علم التحكم الآلي أو الشبكات العصبونية الاصطناعية أو دفعها إلى الخلفية.[166] كان الباحثون في الستينيات والسبعينيات مقتنعين بأن الأساليب الرمزية ستنجح في النهاية في إنشاء آلة بذكاء عام اصطناعي واعتبروا هذا هدف مجالهم.

المحاكاة المعرفية

درس الاقتصادي هربرت سيمون وألن نيويل مهارات حل المشكلات البشرية وحاولا إضفاء الطابع الرسمي عليها ، ووضع عملهما أسس مجال الذكاء الاصطناعي ، وكذلك العلوم المعرفية وبحوث العمليات وعلوم الإدارة. استخدم فريقهم البحثي نتائج التجارب النفسية لتطوير برامج تحاكي التقنيات التي يستخدمها الناس لحل المشكلات. هذا التقليد ، المتمركز فيجامعة كارنگي ملون ، سيبلغ ذروته في نهاية المطاف في تطوير هندسة Soar في منتصف الثمانينيات.[167][168]

المنطقي

على عكس سايمون ونيويل ، شعر جون مكارثي أن الآلات لا تحتاج إلى محاكاة الفكر البشري ، ولكن بدلاً من ذلك يجب أن تحاول إيجاد جوهر التفكير المجرد وحل المشكلات ، بغض النظر عما إذا كان الناس يستخدمون نفس الخوارزميات.[21] ركز مختبره في ستانفورد (مختبر الذكاء الاصطناعي في ستانفورد) على استخدام المنطق الرسمي لحل مجموعة متنوعة من المشكلات ، بما في ذلك تمثيل المعرفة والتخطيط والتعلم.[169] كان المنطق أيضًا محور العمل في جامعة إدنبرة وأماكن أخرى في أوروبا مما أدى إلى تطوير لغة البرمجة برولوغ وعلم البرمجة المنطقية.[170]


الغير منطقي

وجد الباحثون في معهد ماساتشوستس للتكنولوجيا (مثل مارفن مينسكي وسيمور بابيرت)[171] أن حل المشكلات الصعبة في الرؤية ومعالجة اللغة الطبيعية يتطلب حلولًا مخصصة - جادلوا بأنه لا يوجد مبدأ بسيط وعام (مثل المنطق) من شأنه أن يلتقط جميع جوانب السلوك الذكي. وصف روجر شانك مناهجهم "المناهضة للمنطق" بأنها "قذرة" (على عكس النماذج "الأنيقة" في جامعة كارنگي ملون وستانفورد).[22] قواعد المعرفة العامة (مثل دوج لينات Cyc) هي مثال على الذكاء الاصطناعي "الضئيل" ، حيث يجب بناؤها يدويًا ، مفهوم واحد معقد في كل مرة.[172]


المعرفي

عندما أصبحت أجهزة الكمبيوتر ذات الذاكرات الكبيرة متاحة حوالي عام 1970 ، بدأ الباحثون من جميع التقاليد الثلاثة في بناء المعرفة في تطبيقات الذكاء الاصطناعي.[173]أدت "ثورة المعرفة" هذه إلى تطوير ونشر أنظمة خبيرة (قدمها إدوارد فيجينباوم) ، وهي أول شكل ناجح حقًا لبرمجيات الذكاء الاصطناعي.[50] A والمكون الرئيسي لهندسة النظام لجميع الأنظمة الخبيرة هو قاعدة المعرفة ، التي تخزن الحقائق و القواعد التي توضح الذكاء الاصطناعي.[174] كانت ثورة المعرفة مدفوعة أيضًا بإدراك أن كميات هائلة من المعرفة ستكون مطلوبة من قبل العديد من تطبيقات الذكاء الاصطناعي البسيطة.

الشبه رمزي

بحلول الثمانينيات ، بدا التقدم في الذكاء الاصطناعي الرمزي متوقفًا واعتقد الكثيرون أن الأنظمة الرمزية لن تكون قادرة أبدًا على تقليد جميع عمليات الإدراك البشري ، وخاصة الإدراك والروبوتات والتعلم والتعرف على الأنماط. بدأ عدد من الباحثين في النظر في مناهج "شبه رمزية" لمشاكل معينة في الذكاء الاصطناعي.[23] تمكنت الأساليب شبه الرمزية من التعامل مع الذكاء دون تمثيلات محددة للمعرفة.


الذكاء المجسد

يتضمن ذلك الذكاء الاصطناعي المتجسد والموضع والقائم على السلوك والحديث. رفض الباحثون من مجال الروبوتات ذات الصلة ، مثل رودني بروكس ، الذكاء الاصطناعي الرمزي وركزوا على المشكلات الهندسية الأساسية التي تسمح للروبوتات بالحركة والبقاء.[175] أعاد عملهم إحياء وجهة النظر غير الرمزية للباحثين الأوائل في علم التحكم الآلي في الخمسينيات من القرن الماضي وأعادوا تقديم استخدام نظرية التحكم في الذكاء الاصطناعي. تزامن ذلك مع تطوير أطروحة العقل المجسدة في مجال العلوم المعرفية ذات الصلة: فكرة أن جوانب الجسم (مثل الحركة والإدراك والتصور) مطلوبة للذكاء العالي.


فى الروبوتات التنموية ، يتم تطوير مناهج التعلم التنموي للسماح للروبوتات بتجميع ذخيرة من المهارات الجديدة من خلال الاستكشاف الذاتي المستقل ، والتفاعل الاجتماعي مع المعلمين البشريين ، واستخدام آليات التوجيه (التعلم النشط ، والنضج ، والتآزر الحركي ، وما إلى ذلك).[176][177][178][179]

الذكاء الحاسوبي والحوسبة الناعمة

تم إحياء الاهتمام بالشبكات العصبونية و "الترابطية" بواسطة ديفيد روميلهارت وآخرين في منتصف الثمانينيات.[180]الشبكات العصبونية الاصطناعية هي مثال على الحوسبة الناعمة - فهي حلول لمشاكل لا يمكن حلها بيقين منطقي كامل ، وحيث غالبًا ما يكون الحل التقريبي كافياً. تشمل مناهج الحوسبة اللينة الأخرى للذكاء الاصطناعي الأنظمة المبهمة ونظرية النظام الرمادي والحوسبة التطورية والعديد من الأدوات الإحصائية. يتم دراسة تطبيق الحوسبة اللينة على الذكاء الاصطناعي بشكل جماعي من خلال الانضباط الناشئ للذكاء الحوسبي.[181]


الإحصائي

لقد تعثرت الكثير من الذكاء الاصطناعي التقليدي الجيد القديم في البقع المخصصة للحوسبة الرمزية التي عملت على نماذج الألعاب الخاصة بها ولكنها فشلت في التعميم على نتائج العالم الحقيقي. ومع ذلك ، في حوالي التسعينيات ، اعتمد باحثو الذكاء الاصطناعي أدوات رياضية متطورة ، مثل نماذج ماركوڤ الكامنة (HMM) ، ونظرية المعلومات ، ونظرية القرار المعيارية البايزية لمقارنة أو توحيد البنى المتنافسة. سمحت اللغة الرياضية المشتركة بمستوى عالٍ من التعاون مع مجالات أكثر رسوخًا (مثل الرياضيات أو الاقتصاد أو أبحاث العمليات).[ث] مقارنةً بالذكاء الاصطناعي القديم الطراز ، كانت تقنيات "التعلم الإحصائي" الجديدة مثل HMM والشبكات العصبية تكتسب مستويات أعلى من الدقة في العديد من المجالات العملية مثل التنقيب في البيانات ، دون اكتساب بالضرورة فهمًا دلاليًا لمجموعات البيانات. أدت النجاحات المتزايدة مع بيانات العالم الحقيقي إلى زيادة التركيز على مقارنة الأساليب المختلفة مقابل بيانات الاختبار المشتركة لمعرفة النهج الأفضل أداءً في سياق أوسع من ذلك الذي توفره نماذج الألعاب المميزة ؛ أصبحت أبحاث الذكاء الاصطناعي أكثر علمية. في الوقت الحاضر ، غالبًا ما تكون نتائج التجارب قابلة للقياس بدقة ، وأحيانًا (بصعوبة) قابلة للتكرار.[52][182] تقنيات التعلم الإحصائي المختلفة لها حدود مختلفة ؛ على سبيل المثال ، لا تستطيع HMM الأساسية نمذجة المجموعات الممكنة اللانهائية للغة الطبيعية.[183] يلاحظ النقاد أن التحول من الذكاء الاصطناعي القديم الجيد إلى التعلم الإحصائي غالبًا ما يكون أيضًا تحولًا بعيدًا عن الذكاء الاصطناعي القابل للتفسير. في أبحاث الذكاء الاصطناعي العام ، يحذر بعض العلماء من الاعتماد المفرط على التعلم الإحصائي ، ويجادلون بأن البحث المستمر في الذكاء الاصطناعي القديم الجديد سيظل ضروريًا لتحقيق الذكاء العام.[184][185]


تكامل المقاربات

Intelligent agent paradigm
العامل الذكي هو نظام يدرك بيئته ويتخذ إجراءات تزيد من فرص نجاحه. أبسط العوامل الذكية هي البرامج التي تحل مشاكل محددة. تشمل العوامل الأكثر تعقيدًا البشر ومنظمات البشر (مثل الشركات). يسمح النموذج للباحثين بإجراء مقارنة مباشرة أو حتى الجمع بين الأساليب المختلفة للمشكلات المعزولة ، عن طريق السؤال عن العامل الأفضل في تعظيم "وظيفة الهدف" المحددة. يمكن للعامل الذي يحل مشكلة معينة أن يستخدم أي نهج ناجح - فبعض العوامل تكون رمزية ومنطقية ، وبعضها عبارة عن شبكات عصبونية اصطناعية شبه رمزية وقد يستخدم البعض الآخر أساليب جديدة. يعطي النموذج أيضًا للباحثين لغة مشتركة للتواصل مع المجالات الأخرى - مثل نظرية القرار والاقتصاد - التي تستخدم أيضًا مفاهيم العوامل المجردة. يتطلب بناء عامل كامل من الباحثين معالجة مشاكل التكامل الواقعية ؛ على سبيل المثال ، نظرًا لأن الأنظمة الحسية تعطي معلومات غير مؤكدة حول البيئة ، يجب أن تكون أنظمة التخطيط قادرة على العمل في ظل عدم اليقين. أصبح نموذج العامل الذكي مقبولًا على نطاق واسع خلال التسعينيات.[186]
معماريات العامل والبنى المعرفيةة
صمم الباحثون أنظمة لبناء أنظمة ذكية من تفاعل العوامل الذكية في نظام متعدد العوامل.[187] A وفر نظام التحكم الهرمي جسرًا بين الذكاء الاصطناعي شبه الرمزي في أدنى مستوياته التفاعلية والذكاء الاصطناعي الرمزي التقليدي في أعلى مستوياته ، حيث تسمح قيود الوقت المريحة بالتخطيط والنمذجة العالمية.[188] تُبنى بعض الأبنية المعرفية خصيصًا لحل مشكلة ضيقة ؛ تم تصميم البعض الآخر ، مثل Soar ، لتقليد الإدراك البشري وتقديم نظرة ثاقبة للذكاء العام. الامتدادات الحديثة لـ Soar هي أنظمة ذكية هجينة تشتمل على مكونات رمزية وشبه رمزية.[189][190][191]

التطبيقات

الذكاء الاصطناعي وثيق الصلة بأي مهمة فكرية.[192] [193]تقنيات الذكاء الاصطناعي الحديثة منتشرة وهي كثيرة جدًا بحيث لا يمكن إدراجها هنا. في كثير من الأحيان ، عندما تصل التقنية إلى الاستخدام السائد ، فإنها لم تعد تعتبر ذكاءً اصطناعيًا ؛ توصف هذه الظاهرة بتأثير الذكاء الاصطناعي.[194]

تشمل الأمثلة البارزة للذكاء الاصطناعي المركبات ذاتية القيادة (مثل الطائرات بدون طيار والسيارات ذاتية القيادة) ، والتشخيص الطبي ، وانشاء الفنون (مثل الشعر) ، وإثبات النظريات الرياضية ، وممارسة الألعاب (مثل الشطرنج أو Go) ، ومحركات البحث (مثل بحث گوگل) ، والمساعدين عبر الإنترنت (مثل Siri) ، والتعرف على الصور في الصور ، وتصفية البريد العشوائي ، والتنبؤ بتأخير الرحلات الجوية ,[195] والتنبؤ بالقرارات القضائية، [196] واستهداف الإعلانات عبر الإنترنت ، [193][197][198] وتخزين الطاقة[199]

مع تجاوز مواقع التواصل الاجتماعي للتلفزيون كمصدر للأخبار للشباب والمؤسسات الإخبارية التي تعتمد بشكل متزايد على منصات التواصل الاجتماعي لتوليد التوزيع ،[200] يستخدم كبار الناشرين الآن تقنية الذكاء الاصطناعي (AI) لنشر القصص بشكل أكثر فعالية وتوليد حجم أكبر من الأستمرارية.[201]

يمكن للذكاء الاصطناعي أيضًا إنتاج الخداع العميق ، وهي تقنية لتغيير المحتوى. تقارير ZDNet ، "إنها تقدم شيئًا لم يحدث بالفعل" ، على الرغم من أن 88٪ من الأمريكيين يعتقدون أن الخداع العميق يمكن أن يسبب ضررًا أكثر من نفعه ، إلا أن 47٪ منهم فقط يعتقدون أنه يمكن استهدافهم. كما أدى ازدهار العام الانتخابي إلى فتح الخطاب العام أمام تهديدات مقاطع فيديو لسياسي مزيف.[202]

الفلسفة والأخلاقيات

هناك ثلاثة أسئلة فلسفية تتعلق بالذكاء الاصطناعي[بحاجة لمصدر]:

  1. ما إذا كان الذكاء الاصطناعي العام ممكنًا ؛ ما إذا كان بإمكان الآلة حل أي مشكلة يمكن للإنسان حلها باستخدام الذكاء ، أو إذا كانت هناك حدود صارمة لما يمكن للآلة إنجازه.
  2. ما إذا كانت الآلات الذكية خطيرة ؛ كيف يمكن للبشر التأكد من أن الآلات تتصرف بشكل أخلاقي وأن يتم استخدامها بشكل أخلاقي.
  3. ما إذا كان يمكن للآلة أن يكون لها عقل ووعي وحالات عقلية بنفس المعنى الذي يمتلكه البشر ؛ إذا كان من الممكن أن تكون الآلة واعية ، وبالتالي تستحق حقوقًا معينة - وإذا كان بإمكان الآلة التسبب عن عمد في ضرر.

قيود الذكاء العام الاصطناعي

آلان تورنگ "اتفاقية مهذبة"
لا يحتاج المرء إلى تقرير ما إذا كان بإمكان الآلة "التفكير" ؛ لا يحتاج المرء إلا إلى تقرير ما إذا كان بإمكان الآلة التصرف بذكاء مثل الإنسان. يشكل هذا النهج تجاه المشكلات الفلسفية المرتبطة بالذكاء الاصطناعي أساس اختبار تورنگ.[203]
اقتراح دارتموث
يمكن وصف كل جانب من جوانب التعلم أو أي سمة أخرى من سمات الذكاء بدقة بحيث يمكن صنع آلة لمحاكاته". تم  نشر هذا التخمين في اقتراح مؤتمر دارتموث لعام 1956.[204]
فرضية نظام الرموز الفيزيائية لنيويل وسيمون
"نظام الرموز المادية لديه الوسائل الضرورية والكافية للعمل الذكي العام." يجادل نيويل وسيمون بأن الذكاء يتكون من عمليات رسمية على الرموز.[205] يجادل هوبير دريفوس بأن الخبرة البشرية ، على العكس من ذلك ، تعتمد على غريزة اللاوعي بدلاً من التلاعب الواعي بالرموز ، وعلى امتلاك "إحساس" بالموقف ، بدلاً من المعرفة الرمزية الصريحة. (انظر نقد دريفوس للذكاء الاصطناعي.))[207][208]
حجج غودل
قدم غودل نفسه ،[209] وجون لوكاس (في عام 1961) وروجر بنروز (في حجة أكثر تفصيلاً من عام 1989 فصاعدًا) حججًا عالية التقنية مفادها أن علماء الرياضيات البشريين يمكنهم دائمًا رؤية حقيقة "عبارات غودل" الخاصة بهم ، وبالتالي لديهم قدرات حسابية تتجاوز تلك الخاصة بالميكانيكية. آلاتتورنگ.[210]ومع ذلك ، فإن بعض الناس لا يتفقون مع "حجج غودل".[211][212][213]
حجة الدماغ الاصطناعي
حجة تؤكد أنه يمكن محاكاة الدماغ بواسطة الآلات ، ولأن الأدمغة تظهر الذكاء ، يجب أن تظهر هذه الأدمغة المحاكاة أيضًا ذكاء - ergo ، يمكن للآلات أن تكون ذكية. جادل هانز مورافيك وراي كورزويل وآخرون أنه من الممكن تقنيًا نسخ الدماغ مباشرة إلى الأجهزة والبرامج ، وأن مثل هذه المحاكاة ستكون مطابقة بشكل أساسي للنسخة الأصلية.[160]
تأثير الذكاء الاصطناعي
فرضية تدعي أن الآلات ذكية بالفعل ، لكن المراقبين فشلوا في التعرف عليها. على سبيل المثال ، عندما تغلب ديب بلو على غاري كاسباروف في لعبة الشطرنج ، يمكن وصف الآلة بأنها تستعرض الذكاء. ومع ذلك ، فإن المتفرجين عادة ما يستبعدون سلوك برنامج الذكاء الاصطناعي بالقول إنه ليس ذكاء "حقيقي" ، مع تعريف الذكاء "الحقيقي" على أنه أي سلوك لا تستطيع الآلات فعله.

الآلات الأخلاقية

تمتلك الآلات ذات الذكاء القدرة على استخدام ذكائها لمنع الضرر وتقليل المخاطر ؛ قد يكون لديهم القدرة على استخدام التفكير الأخلاقي لاختيار أفضل لأفعالهم في العالم. على هذا النحو ، هناك حاجة لصنع السياسات لوضع سياسات وتنظيم الذكاء الاصطناعي والروبوتات.[214] يشمل البحث في هذا المجال أخلاقيات الآلة ، والعملاء الأخلاقيين الاصطناعيين ، والذكاء الاصطناعي الودي ، والمناقشة نحو بناء إطار عمل لحقوق الإنسان قيد المناقشة أيضًا.[215]


كتب جوزيف وايزنباوم في كتابه قوة الكمبيوتر والعقل البشري أن تطبيقات الذكاء الاصطناعي لا يمكنها ، بحكم تعريفها ، محاكاة التعاطف البشري الحقيقي بنجاح ، وأن استخدام تقنية الذكاء الاصطناعي في مجالات مثل خدمة العملاء أو العلاج النفسي كان مضللاً للغاية.[217]كان وايزنباوم منزعجًا أيضًا من أن باحثي الذكاء الاصطناعي (وبعض الفلاسفة) كانوا على استعداد لرؤية العقل البشري على أنه ليس أكثر من برنامج كمبيوتر (وهو منصب يُعرف الآن باسم الحوسبة). تشير هذه النقاط إلى وايزنباوم إلى أن أبحاث الذكاء الاصطناعي تقلل من قيمة الحياة البشرية.[218]

العوامل الأخلاقية الاصطناعية

قدم ويندل والاش مفهوم العوامل الأخلاقية الاصطناعية (AMA) في كتابه الآلات الأخلاقية للاش ،[219]أصبحت AMA جزءًا من المشهد البحثي للذكاء الاصطناعي كما يسترشد بسؤالين محوريين حددهما بـ "هل تريد الإنسانية أجهزة الكمبيوتر التي تصنع الأخلاق القرارات.[220] "و" يمكن أن تكون الروبوتات أخلاقية حقًا ". بالنسبة للاش ، فإن السؤال لا يتمحور حول مسألة ما إذا كان بإمكان الآلات إظهار ما يعادل السلوك الأخلاقي ، على عكس القيود التي قد يضعها المجتمع على تطوير AMAs.[221]

أخلاقيات الآلة

يهتم مجال أخلاقيات الآلة بإعطاء الآلات مبادئ أخلاقية ، أو إجراء لاكتشاف طريقة لحل المعضلات الأخلاقية التي قد تواجههم ، وتمكينهم من العمل بطريقة مسؤولة أخلاقياً من خلال اتخاذ قراراتهم الأخلاقية.[222] تم تحديد المجال في ندوة رابطة النهوض بالذكاء الاصطناعي في خريف 2005 حول أخلاقيات الآلة: "ركزت الأبحاث السابقة المتعلقة بالعلاقة بين التكنولوجيا والأخلاق إلى حد كبير على الاستخدام المسؤول وغير المسؤول للتكنولوجيا من قبل البشر ، مع اهتمام عدد قليل من الأشخاص في الكيفية التي يجب أن يتعامل بها البشر مع الآلات. في جميع الحالات ، شارك البشر فقط في التفكير الأخلاقي. لقد حان الوقت لإضافة بُعد أخلاقي إلى بعض الآلات على الأقل. التعرف على التداعيات الأخلاقية للسلوك الذي يشمل الآلات ، وكذلك تتطلب التطورات الحديثة والمحتملة في استقلالية الآلة هذا الأمر. على عكس قرصنة الكمبيوتر ، وقضايا ملكية البرامج ، وقضايا الخصوصية وغيرها من الموضوعات التي تُنسب عادةً إلى أخلاقيات الكمبيوتر ، فإن أخلاقيات الآلة تهتم بسلوك الآلات تجاه المستخدمين البشر والآلات الأخرى. البحث في أخلاقيات الآلة هي المفتاح لتخفيف المخاوف بشأن الأنظمة المستقلة - يمكن القول أن فكرة الآلات المستقلة بدون مثل هذا البعد هي أصل كل مخاوف تتعلق بالذكاء الآلي."[223] علاوة على ذلك ، يمكن للتحقيق في أخلاقيات الآلة أن يمكّن من اكتشاف المشكلات المتعلقة بالنظريات الأخلاقية الحالية ، مما يؤدي إلى تطوير تفكيرنا حول الأخلاق. "يشار إلى أخلاقيات الآلة أحيانًا باسم أخلاقيات الآلة ، أو الأخلاقيات الحاسوبية أو الأخلاق الحلسوبية. "[222] تم العثور عليها في النسخة المجمعة "أخلاقيات الآلة" التي تنبع من ندوة خريف 2005 لجمعية النهوض بالذكاء الاصطناعي حول أخلاقيات الآلة.[223]

الذكاء الاصطناعي الخبيث الودي

يعتقد العالم السياسي تشارلز تيري روبين أن الذكاء الاصطناعي لا يمكن تصميمه أو ضمان كونه خيرًا.[224] وهو يجادل بأن "أي عمل خيري متقدم بما فيه الكفاية قد لا يمكن تمييزه عن الحقد". لا ينبغي للبشر أن يفترضوا أن الآلات أو الروبوتات ستعاملنا بشكل إيجابي لأنه لا يوجد سبب مسبق للاعتقاد بأنهم سيكونون متعاطفين مع نظامنا الأخلاقي ، والذي تطور جنبًا إلى جنب مع علم الأحياء الخاص بنا (الذي لن تشاركه أنظمة الذكاء الاصطناعي). قد لا تقرر البرامج فائقة الذكاء بالضرورة دعم الوجود المستمر للبشرية وسيكون من الصعب للغاية إيقافها. كما بدأ حديثًا مناقشة هذا الموضوع في المنشورات الأكاديمية كمصدر حقيقي للمخاطر على الحضارة والبشر وكوكب الأرض.

أحد الاقتراحات للتعامل مع هذا هو التأكد من أن أول ذكاء اصطناعي ذكي بشكل عام هو "ذكاء اصطناعي صديق" وسيكون قادرًا على التحكم في أنظمة الذكاء الاصطناعي المطورة لاحقًا. يتساءل البعض عما إذا كان هذا النوع من المراقبة يمكن أن تظل في مكانها بالفعل.

كتب الباحث الرائد في مجال الذكاء الاصطناعي ، رودني بروكس ، "أعتقد أنه من الخطأ أن تقلق بشأن تطويرنا للذكاء الاصطناعي الخبيث في أي وقت خلال مئات السنين القادمة. أعتقد أن القلق ينبع من خطأ جوهري في عدم التمييز بين التطورات الأخيرة الحقيقية جدًا في جانب معين من الذكاء الاصطناعي وضخامة وتعقيد بناء الذكاء الإرادي الواعي."[225]

الأسلحة الذاتية القاتلة تثير القلق. حاليًا ، تبحث 50 دولة عن روبوتات ميدان المعركة ، بما في ذلك الولايات المتحدة والصين وروسيا والمملكة المتحدة. يريد العديد من الأشخاص القلقين بشأن مخاطر الذكاء الاصطناعي الفائق أيضًا الحد من استخدام الجنود الاصطناعيين والطائرات بدون طيار.[226]

وعي وإحساس وعقل الآلات

إذا كان نظام الذكاء الاصطناعي يكرر جميع الجوانب الرئيسية للذكاء البشري ، فهل سيكون هذا النظام أيضًا واعيًا - هل سيكون له عقل لديه تجارب واعية؟ يرتبط هذا السؤال ارتباطًا وثيقًا بالمشكلة الفلسفية المتعلقة بطبيعة الوعي البشري ، والتي يشار إليها عمومًا باسم مشكلة الوعي الصعبة.

الوعي

حدد ديفيد تشالمرز مشكلتين في فهم العقل ، أسماها مشاكل الوعي "الصعبة" و "السهلة". تكمن المشكلة السهلة في فهم كيفية معالجة الدماغ للإشارات ووضع الخطط والتحكم في السلوك.[227] تكمن المشكلة الصعبة في شرح كيف يشعر هذا أو لماذا يجب أن يشعر وكأنه أي شيء على الإطلاق. من السهل شرح معالجة المعلومات البشرية ، ولكن من الصعب شرح التجربة الذاتية البشرية.

على سبيل المثال ، ضع في اعتبارك ما يحدث عندما يُظهر للشخص عينة ملونة ويتعرف عليها قائلاً "إنها حمراء". لا تتطلب المشكلة السهلة سوى فهم الآلية الموجودة في الدماغ التي تجعل من الممكن لأي شخص أن يعرف أن لون العينة باللون الأحمر. المشكلة الصعبة هي أن الناس يعرفون شيئًا آخر أيضًا - يعرفون أيضًا كيف يبدو اللون الأحمر. (ضع في اعتبارك أن الشخص المولود كفيفًا يمكنه أن يعرف أن شيئًا ما أحمر دون معرفة شكل اللون الأحمر.)[ج] Eيعلم الجميع وجود تجربة ذاتية ، لأنهم يفعلون ذلك كل يوم (على سبيل المثال ، يعرف جميع المبصرين كيف يبدو اللون الأحمر). تكمن المشكلة الصعبة في شرح كيف يخلقه الدماغ ، ولماذا يوجد ، وكيف يختلف عن المعرفة والجوانب الأخرى للدماغ.

الحوسبية والوظيفية

الحوسبة هي الموقف في فلسفة العقل بأن العقل البشري أو الدماغ البشري (أو كليهما) هو نظام معالجة المعلومات وأن التفكير هو شكل من أشكال الحوسبة.[228] تجادل الحوسبة بأن العلاقة بين العقل والجسد متشابهة أو متطابقة مع العلاقة بين البرامج والأجهزة ، وبالتالي قد تكون حلاً لمشكلة العقل والجسد. هذا الموقف الفلسفي مستوحى من عمل باحثي الذكاء الاصطناعي والعلماء الإدراكيين في الستينيات ، وقد اقترحه في الأصل الفلاسفة جيري فودور وهيلاري بوتنام.

فرضية الذكاء الاصطناعي القوية

ينص الموقف الفلسفي الذي أطلقه جون سرل على "الذكاء الاصطناعي القوي" على ما يلي: "الكمبيوتر المبرمج بشكل مناسب مع المدخلات والمخرجات الصحيحة سيكون له بالتالي عقل بنفس المعنى الذي يمتلكه البشر."[230] Searle counters this assertion with his Chinese room argument, which asks us to look inside the computer and try to find where the "mind" might be.[231]

حقوق الروبوت

إذا كان من الممكن إنشاء آلة لديها ذكاء ، فهل يمكن أن تشعر أيضًا؟ إذا شعرت ، فهل لها نفس حقوق الإنسان؟ هذه القضية ، التي تُعرف الآن باسم "حقوق الروبوت" ، يتم النظر فيها حاليًا ، على سبيل المثال ، من قبل معهد كاليفورنيا للمستقبل ، على الرغم من أن العديد من النقاد يعتقدون أن المناقشة سابقة لأوانها.[232] يجادل بعض منتقدي ما بعد الإنسانية بأن أي حقوق افتراضية للروبوت ستقع على نطاق مع حقوق الحيوان وحقوق الإنسان. [233] تمت مناقشة الموضوع بعمق في الفيلم الوثائقي لعام 2010 ، التوصيل والصلاة,[234] والعديد من وسائط الخيال العلمي مثل الجيل القادم ستار تريك ، بشخصية كوماندر داتا ، الذي قاتل من أجل البحث ، وأراد أن "يصبح إنسانًا" ، والصور المجسمة للروبوت في فوييجر.

الذكاء الفائق

هل هناك حدود لما يمكن أن تكون عليه الآلات الذكية - أو الهجينة بين الإنسان والآلة؟ الذكاء الخارق ، الذكاء المفرط ، أو الذكاء البشري الخارق هو عامل افتراضي يمتلك ذكاءً يفوق ذكاء العقل البشري الأكثر ذكاءً والأكثر موهبة. قد يشير الذكاء الخارق أيضًا إلى شكل أو درجة الذكاء التي يمتلكها مثل هذا العامل.[154]

التفرد التكنولوجي

إذا أنتج البحث في الذكاء الاصطناعي القوي برنامجًا ذكيًا بدرجة كافية ، فقد يكون قادرًا على إعادة برمجة نفسه وتحسينه.[235] سيكون البرنامج المحسن أفضل في تحسين نفسه ، مما يؤدي إلى تحسين ذاتي متكرر. وبالتالي يمكن أن يزيد الذكاء الجديد أضعافا مضاعفة ويتفوق على البشر بشكل كبير. أطلق كاتب الخيال العلمي فيرنور فينج على هذا السيناريو اسم "التفرد".[236]التفرد التكنولوجي هو عندما يؤدي تسريع التقدم في التقنيات إلى إحداث تأثير جامح حيث يتجاوز الذكاء الاصطناعي القدرة والتحكم الفكري البشري ، وبالتالي تغيير الحضارة بشكل جذري أو حتى إنهاؤها. نظرًا لأن قدرات مثل هذا الذكاء قد يكون من المستحيل فهمها ، فإن التفرد التكنولوجي هو حدث لا يمكن التنبؤ بعده بالأحداث أو حتى لا يمكن فهمها.[236][154]

استخدم راي كورزويل قانون مور (الذي يصف التحسن الأسي المستمر في التكنولوجيا الرقمية) لحساب أن أجهزة الكمبيوتر المكتبية ستتمتع بنفس قوة المعالجة التي تتمتع بها الأدمغة البشرية بحلول عام 2029 ويتوقع أن يحدث التفرد في عام 2045.[236]

ما بعد الإنسانية

هذه الفكرة ، التي تسمى ما بعد الإنسانية ، لها جذور في ألدوس هكسلي وروبرت إتينجر.[237] هذه الفكرة ، التي تسمى ما بعد الإنسانية ، لها جذور في ألدوس هكسلي وروبرت إتينجر.

يجادل إدوارد فردكين بأن "الذكاء الاصطناعي هو المرحلة التالية في التطور" ، وهي فكرة اقترحها صموئيل بتلر "داروين بين الآلات" منذ عام 1863 ، ووسعها جورج دايسون في كتابه الذي يحمل نفس الاسم عام 1998.[238]

الوقع

الآثار الاقتصادية طويلة المدى للذكاء الاصطناعي غير مؤكدة. أظهر اِستَفتَاء من الاقتصاديين الخلاف حول ما إذا كان الاستخدام المتزايد للروبوتات والذكاء الاصطناعي سيؤدي إلى زيادة كبيرة في البطالة طويلة الأجل ، لكنهم يتفقون عمومًا على أنه يمكن أن يكون صافي فائدة ، إذا تمت إعادة توزيع مكاسب الإنتاجية.[239] دعا الكتاب الأبيض الصادر عن الاتحاد الأوروبي في فبراير 2020 حول الذكاء الاصطناعي إلى الذكاء الاصطناعي لتحقيق منافع اقتصادية ، بما في ذلك "تحسين الرعاية الصحية (مثل جعل التشخيص أكثر دقة ، وتمكين الوقاية بشكل أفضل من الأمراض) ، وزيادة كفاءة الزراعة ، والمساهمة في التخفيف من تغير المناخ والتكيف معه ، [و] تحسين كفاءة أنظمة الإنتاج من خلال الصيانة التنبؤية "، مع الاعتراف بالمخاطر المحتملة.[192]

العلاقة بين الأتمتة والتوظيف معقدة. بينما تقضي الأتمتة على الوظائف القديمة ، فإنها تخلق أيضًا وظائف جديدة من خلال تأثيرات الاقتصاد الجزئي والاقتصاد الكلي.[240] على عكس موجات الأتمتة السابقة ، قد يتم التخلص من العديد من وظائف الطبقة المتوسطة بواسطة الذكاء الاصطناعي ؛ تذكر مجلة الإكونومست أن "القلق من أن الذكاء الاصطناعي يمكن أن يفعله لوظائف ذوي الياقات البيضاء مثلما فعلته القوة البخارية للموظفين أثناء الثورة الصناعية" يستحق أن يؤخذ على محمل الجد."[241] تختلف التقديرات الشخصية للمخاطر على نطاق واسع ؛ على سبيل المثال ، يقدر مايكل أوزبورن وكارل بينيديكت فراي أن 47٪ من الوظائف الأمريكية معرضة "لخطر كبير" من الأتمتة المحتملة ، بينما يصنف تقرير منظمة التعاون الاقتصادي والتنمية 9٪ فقط من الوظائف الأمريكية على أنها "عالية المخاطر".[242][243][244] تتراوح الوظائف المعرضة لخطر شديد من المساعدين القانونيين إلى طهاة الوجبات السريعة ، بينما من المرجح أن يزداد الطلب على الوظائف للمهن المتعلقة بالرعاية التي تتراوح من الرعاية الصحية الشخصية إلى رجال الدين.[245] A يذهب المؤلف مارتن فورد وآخرون إلى أبعد من ذلك ويقولون أن العديد من الوظائف روتينية ومتكررة ويمكن التنبؤ بها (إلى الذكاء الاصطناعي). يحذر فورد من أن هذه الوظائف قد تتم أتمتة في العقدين المقبلين ، وأن العديد من الوظائف الجديدة قد لا تكون "متاحة للأشخاص ذوي القدرات المتوسطة" ، حتى مع إعادة التدريب. يشير الاقتصاديون إلى أن التكنولوجيا في الماضي كانت تميل إلى زيادة العمالة الإجمالية بدلاً من خفضها ، لكنهم يعترفون بأننا "في منطقة مجهولة" مع الذكاء الاصطناعي.[33]

كانت الآثار السلبية المحتملة للذكاء الاصطناعي والأتمتة قضية رئيسية في حملة أندرو يانغ الرئاسية لعام 2020 في الولايات المتحدة.[246] أعرب إيراكلي بيريدز ، رئيس مركز الذكاء الاصطناعي والروبوتات في معهد الأمم المتحدة لبحوث الجريمة والعدالة ، عن "أعتقد أن التطبيقات الخطرة للذكاء الاصطناعي ، من وجهة نظري ، ستكون مجرمين أو منظمات إرهابية كبيرة تستخدمه لتعطيل العمليات الكبيرة أو ببساطة يتسببون في ضرر محض. [الإرهابيون يمكن أن يتسببوا في ضرر] من خلال الحرب الرقمية ، أو يمكن أن يكون مزيجًا من الروبوتات والطائرات بدون طيار والذكاء الاصطناعي وأشياء أخرى قد تكون خطيرة حقًا. وبالطبع ، تأتي المخاطر الأخرى من أشياء مثل فقدان الوظائف. إذا كان لدينا عدد هائل من الأشخاص يفقدون وظائفهم ولم يجدوا حلاً ، فسيكون ذلك خطيرًا للغاية. أشياء مثل أنظمة الأسلحة الفتاكة المستقلة يجب أن تحكم بشكل صحيح - وإلا فهناك احتمال كبير لسوء الاستخدام. ".[247]

مخاطر الذكاء الاصطناعي المحدود

الاستخدام الواسع للذكاء الاصطناعي قد يكون له عواقب غير مقصودة خطيرة أو غير مرغوب فيها. وصف علماء من معهد مستقبل الحياة ، من بين آخرين ، بعض الأهداف البحثية قصيرة المدى لمعرفة كيف يؤثر الذكاء الاصطناعي على الاقتصاد ، والقوانين والأخلاقيات المرتبطة بالذكاء الاصطناعي وكيفية تقليل مخاطر أمن الذكاء الاصطناعي. على المدى الطويل ، اقترح العلماء الاستمرار في تحسين الوظيفة مع تقليل مخاطر الأمان المحتملة التي تأتي مع التقنيات الجديدة.[248]

يشعر البعض بالقلق حيال التحيز الخوارزمي ، حيث قد تصبح برامج الذكاء الاصطناعي منحازة عن غير قصد بعد معالجة البيانات التي تظهر التحيز.[249] للخوارزميات بالفعل العديد من التطبيقات في الأنظمة القانونية. مثال على ذلك هو كومباس ، وهو برنامج تجاري تستخدمه المحاكم الأمريكية على نطاق واسع لتقييم احتمال عودة المدعى عليه إلى الإجرام. تدعي پرو پَبلِكا أن متوسط ​​مستوى مخاطر النكوص الذي حددته كومباس للمدعى عليهم من السود أعلى بكثير من متوسط ​​مستوى المخاطر الذي حددته كومباس للمدعى عليهم البيض.[250]

مخاطر الذكاء الاصطناعي العام

أعرب الفيزيائي ستيفن هوكنگ ، ومؤسس شركة مايكروسوفت بيل جيتس ، ومؤسس سبيس إكس ، إيلون مسك ، عن مخاوفهم بشأن إمكانية تطور الذكاء الاصطناعي إلى الحد الذي لا يستطيع البشر السيطرة عليه ، مع نظرية هوكينج القائلة بأن هذا يمكن أن "يؤدي إلى نهاية الجنس البشري".[251][252][253]

يمكن أن يؤدي تطوير الذكاء الاصطناعي الكامل إلى نهاية الجنس البشري. بمجرد أن يطور البشر ذكاءً اصطناعيًا ، فإنه سينطلق من تلقاء نفسه ويعيد تصميم نفسه بمعدل متزايد باستمرار. البشر ، المحدودين بسبب التطور البيولوجي البطيء ، لا يمكنهم التنافس وسيتم استبدالهم.

يقدم الفيلسوف نيك بوستروم في كتابه الذكاء الخارق حجة مفادها أن الذكاء الاصطناعي سيشكل تهديدًا للبشرية. يجادل بأن الذكاء الاصطناعي الذكي بدرجة كافية ، إذا اختار إجراءات تستند إلى تحقيق هدف ما ، سيُظهر سلوكًا متقاربًا مثل الحصول على الموارد أو حماية نفسه من الانغلاق. إذا كانت أهداف الذكاء الاصطناعي هذه لا تعكس الإنسانية تمامًا - أحد الأمثلة على ذلك هو أن الذكاء الاصطناعي يُطلب منه حساب أكبر عدد ممكن من أرقام pi - فقد يلحق الضرر بالبشرية من أجل الحصول على المزيد من الموارد أو منع نفسه من الإغلاق ، وفي النهاية تحقيق هدفه بشكل أفضل . يؤكد بوستروم أيضًا على صعوبة نقل القيم الإنسانية بالكامل إلى ذكاء اصطناعي متقدم. يستخدم المثال الافتراضي لإعطاء الذكاء الاصطناعي هدفًا لجعل البشر يبتسمون لتوضيح محاولة مضللة. يجادل بوستروم أنه إذا أصبح الذكاء الاصطناعي في هذا السيناريو فائق الذكاء ، فقد يلجأ إلى الأساليب التي قد يجدها معظم البشر مرعبة ، مثل إدخال "أقطاب كهربائية في عضلات وجه البشر لإحداث ابتسامات ثابتة ومشرقة" لأن ذلك سيكون وسيلة فعالة وسيلة لتحقيق هدفها في جعل البشر يبتسمون.[255] في كتابه متوافق مع الإنسان ، يردد الباحث في الذكاء الاصطناعي ستيوارت جوناثان راسل أصداء بعض مخاوف بوستروم بينما يقترح أيضًا نهجًا لتطوير آلات مفيدة بشكل مثبت تركز على عدم اليقين والإذعان للبشر: 173,[256]:173 ربما يتضمن التعلم التعزيزي العكسي.: 191-193.[256]:191–193

أدى القلق بشأن مخاطر الذكاء الاصطناعي إلى بعض التبرعات والاستثمارات البارزة. خصصت مجموعة من عمالقة التكنولوجيا البارزين بما في ذلك بيتر ثيل وخدمات الوب من أمازون ومسك مليار دولار أمريكي لشركة OpenAI ، وهي شركة غير ربحية تهدف إلى دعم تطوير الذكاء الاصطناعي المسؤول.[257] إن آراء الخبراء في مجال الذكاء الاصطناعي مختلطة ، مع وجود أجزاء كبيرة معنية وغير مهتمة بالمخاطر الناجمة عن الذكاء الاصطناعي الخارق في نهاية المطاف.[258] يعتقد قادة صناعة التكنولوجيا الآخرون أن الذكاء الاصطناعي مفيد في شكله الحالي وسيواصل مساعدة البشر. صرح مارك هرد ، الرئيس التنفيذي لشركة أوراكل ، أن الذكاء الاصطناعي "سيخلق بالفعل المزيد من الوظائف ، وليس وظائف أقل" حيث ستكون هناك حاجة إلى البشر لإدارة أنظمة الذكاء الاصطناعي.[259] يعتقد مارك زكربرگ ، الرئيس التنفيذي لفيسبوك ، أن الذكاء الاصطناعي "سيفتح قدرًا هائلاً من الأشياء الإيجابية" ، مثل علاج الأمراض وزيادة سلامة السيارات ذاتية القيادة.[260] في يناير 2015 ، تبرعت مسك بمبلغ 10 ملايين دولار لمعهد مستقبل الحياة لتمويل الأبحاث حول فهم اتخاذ القرار في مجال الذكاء الاصطناعي. هدف المعهد هو "تنمية الحكمة التي ندير بها" القوة المتزايدة للتكنولوجيا.[261] أعتقد أنه من المحتمل أن تكون هناك نتيجة خطيرة هناك."[262][263]

من أجل إدراك خطر الذكاء الاصطناعي المتقدم غير المتحكم فيه ، سيتعين على الذكاء الاصطناعي الافتراضي أن يتغلب على الإنسانية بأكملها أو يتفوق عليها ، وهو ما يجادل أقلية من الخبراء بأنه احتمال بعيد بما يكفي في المستقبل حتى لا يستحق البحث.[264][265] تدور الحجج المضادة الأخرى حول كون البشر إما ذات قيمة جوهرية أو متقاربة من منظور الذكاء الاصطناعي.[266]

التنظيم

تنظيم الذكاء الاصطناعي هو تطوير سياسات وقوانين القطاع العام لتعزيز وتنظيم الذكاء الاصطناعي (AI) ؛[267][268] لذلك فهو مرتبط بالتنظيم الأوسع للخوارزميات. يُعد المشهد التنظيمي والسياسي للذكاء الاصطناعي قضية ناشئة في الولايات القضائية على مستوى العالم ، بما في ذلك في الاتحاد الأوروبي[269] يعتبر التنظيم ضروريًا لتشجيع الذكاء الاصطناعي وإدارة المخاطر المرتبطة به.[270][271] يمكن أيضًا اعتبار تنظيم الذكاء الاصطناعي من خلال آليات مثل لوحات المراجعة وسيلة اجتماعية للتعامل مع مشكلة التحكم في الذكاء الاصطناعي.[272]

في الخيال

كلمة "روبوت" نفسها صاغها كارل تشاپك في مسرحيته عام 1921 R.U.R. ، العنوان الذي يقف على "روبوت روسوم العالمي"

ظهرت الكائنات الاصطناعية القادرة على التفكير كأجهزة لسرد القصص منذ العصور القديمة ،[35] وكانت موضوعًا ثابتًا في الخيال العلمي.

بدأ مجاز شائع في هذه الأعمال مع ماري شلي فرانكشتاين ، حيث يصبح الخليقة البشرية تهديدًا لأسيادها. ويشمل ذلك أعمال آرثر تشارلز كلارك وستانلي كوبريك 2001: A Space Odyssey (كلاهما 1968) ، مع HAL 9000 ، الكمبيوتر القاتل المسؤول عن سفينة الفضاء ديسكفري ون ، بالإضافة إلى The Terminator (1984) و The Matrix (1999) . في المقابل ، فإن الروبوتات المخلصة النادرة مثل Gort من The Day the Earth Stood Still (1951) و Bishop from Aliens (1986) أقل شهرة في الثقافة الشعبية.[273]

قدم إسحاق عظيموڤ القوانين الثلاثة للروبوتات في العديد من الكتب والقصص ، وأبرزها سلسلة "مالتيفاك" التي تدور حول كمبيوتر فائق الذكاء يحمل نفس الاسم. غالبًا ما يتم طرح قوانين اسيموف أثناء المناقشات العامة لأخلاقيات الآلة ؛ ;[274] في حين أن جميع باحثي الذكاء الاصطناعي تقريبًا على دراية بقوانين أسيموف من خلال الثقافة الشعبية ، فإنهم يعتبرون عمومًا القوانين غير مجدية لأسباب عديدة ، أحدها غموضها.[275]

تم استكشاف ما بعد الإنسانية (دمج البشر والآلات) في المانجا شبح في وعاء وسلسلة الخيال العلمي الكثيب. في الثمانينيات من القرن الماضي ، تم رسم سلسلة الروبوتات المثيرة للفنان هاجيمي سوراياما ونشرها في اليابان والتي تصور الشكل البشري العضوي الفعلي بجلود معدنية نابضة بالحياة ثم تبعها كتاب "جينويد" الذي استخدمه أو أثر في صناع الأفلام بما في ذلك جورج لوكاس والمبدعين الآخرين. لم يعتبر سوراياما هذه الروبوتات العضوية جزءًا حقيقيًا من الطبيعة ولكنها دائمًا نتاج غير طبيعي للعقل البشري ، وهو خيال موجود في العقل حتى عندما يتحقق في شكل حقيقي.

تستخدم العديد من الأعمال الذكاء الاصطناعي لإجبارنا على مواجهة السؤال الأساسي حول ما الذي يجعلنا بشرًا ، وتظهر لنا كائنات مصطنعة لديها القدرة على الشعور ، وبالتالي المعاناة. يظهر هذا في R.U.R. للمخرج كارل تشاپك ، أفلام A.I. الذكاء الاصطناعي و Ex Machina ، بالإضافة إلى رواية Do Androids Dream of Electric Sheep؟ بقلم فيليب كيندريد ديك. يعتبر ديك فكرة أن فهمنا للذاتية البشرية قد تغير من خلال التكنولوجيا التي تم إنشاؤها باستخدام الذكاء الاصطناعي.[276]

انظر أيضاً

الهوامش

  1. ^ The act of doling out rewards can itself be formalized or automated into a "reward function".
  2. ^ Terminology varies; see algorithm characterizations.
  3. ^ Adversarial vulnerabilities can also result in nonlinear systems, or from non-pattern perturbations. Some systems are so brittle that changing a single adversarial pixel predictably induces misclassification.
  4. ^ While such a "victory of the neats" may be a consequence of the field becoming more mature, AIMA states that in practice both neat and scruffy approaches continue to be necessary in AI research.
  5. ^ This is based on Mary's Room, a thought experiment first proposed by Frank Jackson in 1982

المصادر

  1. ^ Poole, Mackworth & Goebel 1998, p. 1.
  2. ^ Russell & Norvig 2003, p. 55.
  3. ^ أ ب ت Definition of AI as the study of intelligent agents:
  4. ^ Russell & Norvig 2009, p. 2.
  5. ^ McCorduck 2004, p. 204
  6. ^ Maloof, Mark. "Artificial Intelligence: An Introduction, p. 37" (PDF). georgetown.edu. Archived (PDF) from the original on 25 August 2018.
  7. ^ "How AI Is Getting Groundbreaking Changes In Talent Management And HR Tech". Hackernoon. Archived from the original on 11 September 2019. Retrieved 14 February 2020.
  8. ^ Schank, Roger C. (1991). "Where's the AI". AI magazine. Vol. 12 no. 4. p. 38.
  9. ^ أ ب Russell & Norvig 2009.
  10. ^ أ ب "AlphaGo – Google DeepMind". Archived from the original on 10 March 2016.
  11. ^ Allen, Gregory (April 2020). "Department of Defense Joint AI Center - Understanding AI Technology" (PDF). AI.mil - The official site of the Department of Defense Joint Artificial Intelligence Center. Archived (PDF) from the original on 21 April 2020. Retrieved 25 April 2020.
  12. ^ أ ب Optimism of early AI: * Herbert Simon quote: Simon 1965, p. 96 quoted in Crevier 1993, p. 109. * Marvin Minsky quote: Minsky 1967, p. 2 quoted in Crevier 1993, p. 109.
  13. ^ أ ب ت Boom of the 1980s: rise of expert systems, Fifth Generation Project, Alvey, MCC, SCI: * McCorduck 2004, pp. 426–441 * Crevier 1993, pp. 161–162,197–203, 211, 240 * Russell & Norvig 2003, p. 24 * NRC 1999, pp. 210–211 * Newquist 1994, pp. 235–248
  14. ^ أ ب First AI Winter, Mansfield Amendment, Lighthill report * Crevier 1993, pp. 115–117 * Russell & Norvig 2003, p. 22 * NRC 1999, pp. 212–213 * Howe 1994 * Newquist 1994, pp. 189–201
  15. ^ أ ب Second AI winter: * McCorduck 2004, pp. 430–435 * Crevier 1993, pp. 209–210 * NRC 1999, pp. 214–216 * Newquist 1994, pp. 301–318
  16. ^ أ ب ت AI becomes hugely successful in the early 21st century * Clark 2015
  17. ^ أ ب Pamela McCorduck (2004, p. 424) writes of "the rough shattering of AI in subfields—vision, natural language, decision theory, genetic algorithms, robotics ... and these with own sub-subfield—that would hardly have anything to say to each other."
  18. ^ أ ب ت This list of intelligent traits is based on the topics covered by the major AI textbooks, including: * Russell & Norvig 2003 * Luger & Stubblefield 2004 * Poole, Mackworth & Goebel 1998 * Nilsson 1998
  19. ^ Kolata 1982.
  20. ^ Maker 2006.
  21. ^ أ ب ت Biological intelligence vs. intelligence in general:
    • Russell & Norvig 2003, pp. 2–3, who make the analogy with aeronautical engineering.
    • McCorduck 2004, pp. 100–101, who writes that there are "two major branches of artificial intelligence: one aimed at producing intelligent behavior regardless of how it was accomplished, and the other aimed at modeling intelligent processes found in nature, particularly human ones."
    • Kolata 1982, a paper in Science, which describes McCarthy's indifference to biological models. Kolata quotes McCarthy as writing: "This is AI, so we don't care if it's psychologically real".[19] McCarthy recently reiterated his position at the AI@50 conference where he said "Artificial intelligence is not, by definition, simulation of human intelligence".[20].
  22. ^ أ ب ت Neats vs. scruffies: * McCorduck 2004, pp. 421–424, 486–489 * Crevier 1993, p. 168 * Nilsson 1983, pp. 10–11
  23. ^ أ ب Symbolic vs. sub-symbolic AI: * Nilsson (1998, p. 7), who uses the term "sub-symbolic".
  24. ^ أ ب General intelligence (strong AI) is discussed in popular introductions to AI: * Kurzweil 1999 and Kurzweil 2005
  25. ^ See the Dartmouth proposal, under Philosophy, below.
  26. ^ McCorduck 2004, p. 34.
  27. ^ McCorduck 2004, p. xviii.
  28. ^ McCorduck 2004, p. 3.
  29. ^ McCorduck 2004, pp. 340–400.
  30. ^ أ ب This is a central idea of Pamela McCorduck's Machines Who Think. She writes:
    • "I like to think of artificial intelligence as the scientific apotheosis of a venerable cultural tradition."[26]
    • "Artificial intelligence in one form or another is an idea that has pervaded Western intellectual history, a dream in urgent need of being realized."[27]
    • "Our history is full of attempts—nutty, eerie, comical, earnest, legendary and real—to make artificial intelligences, to reproduce what is the essential us—bypassing the ordinary means. Back and forth between myth and reality, our imaginations supplying what our workshops couldn't, we have engaged for a long time in this odd form of self-reproduction."[28]
    She traces the desire back to its Hellenistic roots and calls it the urge to "forge the Gods."[29]
  31. ^ "Stephen Hawking believes AI could be mankind's last accomplishment". BetaNews. 21 October 2016. Archived from the original on 28 August 2017.
  32. ^ Lombardo P, Boehm I, Nairz K (2020). "RadioComics – Santa Claus and the future of radiology". Eur J Radiol. 122 (1): 108771. doi:10.1016/j.ejrad.2019.108771. PMID 31835078.
  33. ^ أ ب Ford, Martin; Colvin, Geoff (6 September 2015). "Will robots create more jobs than they destroy?". The Guardian. Archived from the original on 16 June 2018. Retrieved 13 January 2018.
  34. ^ أ ب AI applications widely used behind the scenes: * Russell & Norvig 2003, p. 28 * Kurzweil 2005, p. 265 * NRC 1999, pp. 216–222 * Newquist 1994, pp. 189–201
  35. ^ أ ب AI in myth: * McCorduck 2004, pp. 4–5 * Russell & Norvig 2003, p. 939
  36. ^ AI in early science fiction. * McCorduck 2004, pp. 17–25
  37. ^ Formal reasoning: * Berlinski, David (2000). The Advent of the Algorithm. Harcourt Books. ISBN 978-0-15-601391-8. OCLC 46890682. Archived from the original on 26 July 2020. Retrieved 22 August 2020.
  38. ^ Turing, Alan (1948), "Machine Intelligence", in Copeland, B. Jack, The Essential Turing: The ideas that gave birth to the computer age, Oxford: Oxford University Press, p. 412, ISBN 978-0-19-825080-7 
  39. ^ Russell & Norvig 2009, p. 16.
  40. ^ Dartmouth conference: * McCorduck 2004, pp. 111–136 * Crevier 1993, pp. 47–49, who writes "the conference is generally recognized as the official birthdate of the new science." * Russell & Norvig 2003, p. 17, who call the conference "the birth of artificial intelligence." * NRC 1999, pp. 200–201
  41. ^ McCarthy, John (1988). "Review of The Question of Artificial Intelligence". Annals of the History of Computing. 10 (3): 224–229., collected in McCarthy, John (1996). "10. Review of The Question of Artificial Intelligence". Defending AI Research: A Collection of Essays and Reviews. CSLI., p. 73, "[O]ne of the reasons for inventing the term "artificial intelligence" was to escape association with "cybernetics". Its concentration on analog feedback seemed misguided, and I wished to avoid having either to accept Norbert (not Robert) Wiener as a guru or having to argue with him."
  42. ^ Hegemony of the Dartmouth conference attendees: * Russell & Norvig 2003, p. 17, who write "for the next 20 years the field would be dominated by these people and their students." * McCorduck 2004, pp. 129–130
  43. ^ Russell & Norvig 2003, p. 18.
  44. ^ Schaeffer J. (2009) Didn't Samuel Solve That Game?. In: One Jump Ahead. Springer, Boston, MA
  45. ^ Samuel, A. L. (July 1959). "Some Studies in Machine Learning Using the Game of Checkers". IBM Journal of Research and Development. 3 (3): 210–229. CiteSeerX 10.1.1.368.2254. doi:10.1147/rd.33.0210.
  46. ^ "Golden years" of AI (successful symbolic reasoning programs 1956–1973): * McCorduck 2004, pp. 243–252 * Crevier 1993, pp. 52–107 * Moravec 1988, p. 9 * Russell & Norvig 2003, pp. 18–21 The programs described are Arthur Samuel's checkers program for the IBM 701, Daniel Bobrow's STUDENT, Newell and Simon's Logic Theorist and Terry Winograd's SHRDLU.
  47. ^ DARPA pours money into undirected pure research into AI during the 1960s: * McCorduck 2004, p. 131 * Crevier 1993, pp. 51, 64–65 * NRC 1999, pp. 204–205
  48. ^ AI in England: * Howe 1994
  49. ^ Lighthill 1973.
  50. ^ أ ب Expert systems: * ACM 1998, I.2.1 * Russell & Norvig 2003, pp. 22–24 * Luger & Stubblefield 2004, pp. 227–331 * Nilsson 1998, chpt. 17.4 * McCorduck 2004, pp. 327–335, 434–435 * Crevier 1993, pp. 145–62, 197–203 * Newquist 1994, pp. 155–183
  51. ^ Mead, Carver A.; Ismail, Mohammed (8 May 1989). Analog VLSI Implementation of Neural Systems (PDF). The Kluwer International Series in Engineering and Computer Science. 80. Norwell, MA: Kluwer Academic Publishers. doi:10.1007/978-1-4613-1639-8. ISBN 978-1-4613-1639-8. Archived from the original (PDF) on 6 November 2019. Retrieved 24 January 2020.
  52. ^ أ ب Formal methods are now preferred ("Victory of the neats"): * Russell & Norvig 2003, pp. 25–26 * McCorduck 2004, pp. 486–487
  53. ^ McCorduck 2004, pp. 480–483.
  54. ^ Markoff 2011.
  55. ^ "Ask the AI experts: What's driving today's progress in AI?". McKinsey & Company (in الإنجليزية). Archived from the original on 13 April 2018. Retrieved 13 April 2018.
  56. ^ Rowinski, Dan (15 January 2013). "Virtual Personal Assistants & The Future Of Your Smartphone [Infographic]". ReadWrite. Archived from the original on 22 December 2015.
  57. ^ "Artificial intelligence: Google's AlphaGo beats Go master Lee Se-dol". BBC News. 12 March 2016. Archived from the original on 26 August 2016. Retrieved 1 October 2016.
  58. ^ Metz, Cade (27 May 2017). "After Win in China, AlphaGo's Designers Explore New AI". Wired. Archived from the original on 2 June 2017.
  59. ^ "World's Go Player Ratings". May 2017. Archived from the original on 1 April 2017.
  60. ^ "柯洁迎19岁生日 雄踞人类世界排名第一已两年" (in Chinese). May 2017. Archived from the original on 11 August 2017.CS1 maint: unrecognized language (link)
  61. ^ أ ب Clark, Jack (8 December 2015). "Why 2015 Was a Breakthrough Year in Artificial Intelligence". Bloomberg News. Archived from the original on 23 November 2016. Retrieved 23 November 2016. After a half-decade of quiet breakthroughs in artificial intelligence, 2015 has been a landmark year. Computers are smarter and learning faster than ever.
  62. ^ "Reshaping Business With Artificial Intelligence". MIT Sloan Management Review (in الإنجليزية). Archived from the original on 19 May 2018. Retrieved 2 May 2018.
  63. ^ Lorica, Ben (18 December 2017). "The state of AI adoption". O'Reilly Media (in الإنجليزية). Archived from the original on 2 May 2018. Retrieved 2 May 2018.
  64. ^ Allen, Gregory (February 6, 2019). "Understanding China's AI Strategy". Center for a New American Security. Archived from the original on 17 March 2019.
  65. ^ "Review | How two AI superpowers – the U.S. and China – battle for supremacy in the field". Washington Post (in الإنجليزية). 2 November 2018. Archived from the original on 4 November 2018. Retrieved 4 November 2018.
  66. ^ at 10:11, Alistair Dabbs 22 Feb 2019. "Artificial Intelligence: You know it isn't real, yeah?". www.theregister.co.uk. Archived from the original on 21 May 2020. Retrieved 22 August 2020.
  67. ^ "Stop Calling it Artificial Intelligence". Archived from the original on 2 December 2019. Retrieved 1 December 2019.
  68. ^ "AI isn't taking over the world – it doesn't exist yet". GBG Global website. Archived from the original on 11 August 2020. Retrieved 22 August 2020.
  69. ^ Kaplan, Andreas; Haenlein, Michael (1 January 2019). "Siri, Siri, in my hand: Who's the fairest in the land? On the interpretations, illustrations, and implications of artificial intelligence". Business Horizons. 62 (1): 15–25. doi:10.1016/j.bushor.2018.08.004.
  70. ^ Domingos 2015, Chapter 5.
  71. ^ Domingos 2015, Chapter 7.
  72. ^ Lindenbaum, M., Markovitch, S., & Rusakov, D. (2004). Selective sampling for nearest neighbor classifiers. Machine learning, 54(2), 125–152.
  73. ^ Domingos 2015, Chapter 1.
  74. ^ أ ب Intractability and efficiency and the combinatorial explosion: * Russell & Norvig 2003, pp. 9, 21–22
  75. ^ Domingos 2015, Chapter 2, Chapter 3.
  76. ^ Hart, P. E.; Nilsson, N. J.; Raphael, B. (1972). "Correction to "A Formal Basis for the Heuristic Determination of Minimum Cost Paths"". SIGART Newsletter (37): 28–29. doi:10.1145/1056777.1056779. S2CID 6386648.
  77. ^ Domingos 2015, Chapter 2, Chapter 4, Chapter 6.
  78. ^ "Can neural network computers learn from experience, and if so, could they ever become what we would call 'smart'?". Scientific American (in الإنجليزية). 2018. Archived from the original on 25 March 2018. Retrieved 24 March 2018.
  79. ^ Domingos 2015, Chapter 6, Chapter 7.
  80. ^ Domingos 2015, p. 286.
  81. ^ "Single pixel change fools AI programs". BBC News. 3 November 2017. Archived from the original on 22 March 2018. Retrieved 12 March 2018.
  82. ^ "AI Has a Hallucination Problem That's Proving Tough to Fix". WIRED. 2018. Archived from the original on 12 March 2018. Retrieved 12 March 2018.
  83. ^ Matti, D.; Ekenel, H. K.; Thiran, J. P. (2017). Combining LiDAR space clustering and convolutional neural networks for pedestrian detection. 2017 14th IEEE International Conference on Advanced Video and Signal Based Surveillance (AVSS). pp. 1–6. arXiv:1710.06160. doi:10.1109/AVSS.2017.8078512. ISBN 978-1-5386-2939-0. S2CID 2401976.
  84. ^ Ferguson, Sarah; Luders, Brandon; Grande, Robert C.; How, Jonathan P. (2015). Real-Time Predictive Modeling and Robust Avoidance of Pedestrians with Uncertain, Changing Intentions. Algorithmic Foundations of Robotics XI. Springer Tracts in Advanced Robotics (in الإنجليزية). 107. Springer, Cham. pp. 161–177. arXiv:1405.5581. doi:10.1007/978-3-319-16595-0_10. ISBN 978-3-319-16594-3. S2CID 8681101.
  85. ^ "Cultivating Common Sense | DiscoverMagazine.com". Discover Magazine. 2017. Archived from the original on 25 March 2018. Retrieved 24 March 2018.
  86. ^ Davis, Ernest; Marcus, Gary (24 August 2015). "Commonsense reasoning and commonsense knowledge in artificial intelligence". Communications of the ACM. 58 (9): 92–103. doi:10.1145/2701413. S2CID 13583137. Archived from the original on 22 August 2020. Retrieved 6 April 2020.
  87. ^ Winograd, Terry (January 1972). "Understanding natural language". Cognitive Psychology. 3 (1): 1–191. doi:10.1016/0010-0285(72)90002-3.
  88. ^ "Don't worry: Autonomous cars aren't coming tomorrow (or next year)". Autoweek. 2016. Archived from the original on 25 March 2018. Retrieved 24 March 2018.
  89. ^ Knight, Will (2017). "Boston may be famous for bad drivers, but it's the testing ground for a smarter self-driving car". MIT Technology Review (in الإنجليزية). Archived from the original on 22 August 2020. Retrieved 27 March 2018.
  90. ^ Prakken, Henry (31 August 2017). "On the problem of making autonomous vehicles conform to traffic law". Artificial Intelligence and Law. 25 (3): 341–363. doi:10.1007/s10506-017-9210-0.
  91. ^ Lieto, Antonio (May 2018). "The knowledge level in cognitive architectures: Current limitations and possible developments". Cognitive Systems Research. 48: 39–55. doi:10.1016/j.cogsys.2017.05.001. hdl:2318/1665207. S2CID 206868967.
  92. ^ Problem solving, puzzle solving, game playing and deduction: * Russell & Norvig 2003, chpt. 3–9, * Poole, Mackworth & Goebel 1998, chpt. 2,3,7,9, * Luger & Stubblefield 2004, chpt. 3,4,6,8, * Nilsson 1998, chpt. 7–12
  93. ^ Uncertain reasoning: * Russell & Norvig 2003, pp. 452–644, * Poole, Mackworth & Goebel 1998, pp. 345–395, * Luger & Stubblefield 2004, pp. 333–381, * Nilsson 1998, chpt. 19
  94. ^ Psychological evidence of sub-symbolic reasoning: * Wason & Shapiro (1966) showed that people do poorly on completely abstract problems, but if the problem is restated to allow the use of intuitive social intelligence, performance dramatically improves. (See Wason selection task) * Kahneman, Slovic & Tversky (1982) have shown that people are terrible at elementary problems that involve uncertain reasoning. (See list of cognitive biases for several examples). * Lakoff & Núñez (2000) have controversially argued that even our skills at mathematics depend on knowledge and skills that come from "the body", i.e. sensorimotor and perceptual skills. (See Where Mathematics Comes From)
  95. ^ Knowledge representation: * ACM 1998, I.2.4, * Russell & Norvig 2003, pp. 320–363, * Poole, Mackworth & Goebel 1998, pp. 23–46, 69–81, 169–196, 235–277, 281–298, 319–345, * Luger & Stubblefield 2004, pp. 227–243, * Nilsson 1998, chpt. 18
  96. ^ Knowledge engineering: * Russell & Norvig 2003, pp. 260–266, * Poole, Mackworth & Goebel 1998, pp. 199–233, * Nilsson 1998, chpt. ≈17.1–17.4
  97. ^ Representing categories and relations: Semantic networks, description logics, inheritance (including frames and scripts): * Russell & Norvig 2003, pp. 349–354, * Poole, Mackworth & Goebel 1998, pp. 174–177, * Luger & Stubblefield 2004, pp. 248–258, * Nilsson 1998, chpt. 18.3
  98. ^ Representing events and time:Situation calculus, event calculus, fluent calculus (including solving the frame problem): * Russell & Norvig 2003, pp. 328–341, * Poole, Mackworth & Goebel 1998, pp. 281–298, * Nilsson 1998, chpt. 18.2
  99. ^ Causal calculus: * Poole, Mackworth & Goebel 1998, pp. 335–337
  100. ^ Representing knowledge about knowledge: Belief calculus, modal logics: * Russell & Norvig 2003, pp. 341–344, * Poole, Mackworth & Goebel 1998, pp. 275–277
  101. ^ Ontology: * Russell & Norvig 2003, pp. 320–328
  102. ^ Sikos, Leslie F. (June 2017). Description Logics in Multimedia Reasoning. Cham: Springer. doi:10.1007/978-3-319-54066-5. ISBN 978-3-319-54066-5. S2CID 3180114. Archived from the original on 29 August 2017.
  103. ^ Smoliar, Stephen W.; Zhang, HongJiang (1994). "Content based video indexing and retrieval". IEEE Multimedia. 1 (2): 62–72. doi:10.1109/93.311653. S2CID 32710913.
  104. ^ Neumann, Bernd; Möller, Ralf (January 2008). "On scene interpretation with description logics". Image and Vision Computing. 26 (1): 82–101. doi:10.1016/j.imavis.2007.08.013.
  105. ^ Kuperman, G. J.; Reichley, R. M.; Bailey, T. C. (1 July 2006). "Using Commercial Knowledge Bases for Clinical Decision Support: Opportunities, Hurdles, and Recommendations". Journal of the American Medical Informatics Association. 13 (4): 369–371. doi:10.1197/jamia.M2055. PMC 1513681. PMID 16622160.
  106. ^ MCGARRY, KEN (1 December 2005). "A survey of interestingness measures for knowledge discovery". The Knowledge Engineering Review. 20 (1): 39–61. doi:10.1017/S0269888905000408. S2CID 14987656.
  107. ^ (2006) "Automatic annotation and semantic retrieval of video sequences using multimedia ontologies" in 14th ACM international conference on Multimedia.: 679–682, Santa Barbara: ACM. 
  108. ^ Qualification problem: * McCarthy & Hayes 1969 * Russell & Norvig 2003[صفحة مطلوبة] While McCarthy was primarily concerned with issues in the logical representation of actions, Russell & Norvig 2003 apply the term to the more general issue of default reasoning in the vast network of assumptions underlying all our commonsense knowledge.
  109. ^ Default reasoning and default logic, non-monotonic logics, circumscription, closed world assumption, abduction (Poole et al. places abduction under "default reasoning". Luger et al. places this under "uncertain reasoning"): * Russell & Norvig 2003, pp. 354–360, * Poole, Mackworth & Goebel 1998, pp. 248–256, 323–335, * Luger & Stubblefield 2004, pp. 335–363, * Nilsson 1998, ~18.3.3
  110. ^ Breadth of commonsense knowledge: * Russell & Norvig 2003, p. 21, * Crevier 1993, pp. 113–114, * Moravec 1988, p. 13, * Lenat & Guha 1989 (Introduction)
  111. ^ Dreyfus & Dreyfus 1986.
  112. ^ Gladwell 2005.
  113. ^ أ ب Expert knowledge as embodied intuition: * Dreyfus & Dreyfus 1986 (Hubert Dreyfus is a philosopher and critic of AI who was among the first to argue that most useful human knowledge was encoded sub-symbolically. See Dreyfus' critique of AI) * Gladwell 2005 (Gladwell's Blink is a popular introduction to sub-symbolic reasoning and knowledge.) * Hawkins & Blakeslee 2005 (Hawkins argues that sub-symbolic knowledge should be the primary focus of AI research.)
  114. ^ Planning: * ACM 1998, ~I.2.8, * Russell & Norvig 2003, pp. 375–459, * Poole, Mackworth & Goebel 1998, pp. 281–316, * Luger & Stubblefield 2004, pp. 314–329, * Nilsson 1998, chpt. 10.1–2, 22
  115. ^ Information value theory: * Russell & Norvig 2003, pp. 600–604
  116. ^ Classical planning: * Russell & Norvig 2003, pp. 375–430, * Poole, Mackworth & Goebel 1998, pp. 281–315, * Luger & Stubblefield 2004, pp. 314–329, * Nilsson 1998, chpt. 10.1–2, 22
  117. ^ Planning and acting in non-deterministic domains: conditional planning, execution monitoring, replanning and continuous planning: * Russell & Norvig 2003, pp. 430–449
  118. ^ Multi-agent planning and emergent behavior: * Russell & Norvig 2003, pp. 449–455
  119. ^ Turing 1950.
  120. ^ Solomonoff 1956.
  121. ^ Alan Turing discussed the centrality of learning as early as 1950, in his classic paper "Computing Machinery and Intelligence".[119] In 1956, at the original Dartmouth AI summer conference, Ray Solomonoff wrote a report on unsupervised probabilistic machine learning: "An Inductive Inference Machine".[120]
  122. ^ This is a form of Tom Mitchell's widely quoted definition of machine learning: "A computer program is set to learn from an experience E with respect to some task T and some performance measure P if its performance on T as measured by P improves with experience E."
  123. ^ أ ب Learning: * ACM 1998, I.2.6, * Russell & Norvig 2003, pp. 649–788, * Poole, Mackworth & Goebel 1998, pp. 397–438, * Luger & Stubblefield 2004, pp. 385–542, * Nilsson 1998, chpt. 3.3, 10.3, 17.5, 20
  124. ^ Jordan, M. I.; Mitchell, T. M. (16 July 2015). "Machine learning: Trends, perspectives, and prospects". Science. 349 (6245): 255–260. Bibcode:2015Sci...349..255J. doi:10.1126/science.aaa8415. PMID 26185243. S2CID 677218.
  125. ^ Reinforcement learning: * Russell & Norvig 2003, pp. 763–788 * Luger & Stubblefield 2004, pp. 442–449
  126. ^ Natural language processing: * ACM 1998, I.2.7 * Russell & Norvig 2003, pp. 790–831 * Poole, Mackworth & Goebel 1998, pp. 91–104 * Luger & Stubblefield 2004, pp. 591–632
  127. ^ "Versatile question answering systems: seeing in synthesis" Archived 1 February 2016 at the Wayback Machine., Mittal et al., IJIIDS, 5(2), 119–142, 2011
  128. ^ Applications of natural language processing, including information retrieval (i.e. text mining) and machine translation: * Russell & Norvig 2003, pp. 840–857, * Luger & Stubblefield 2004, pp. 623–630
  129. ^ Cambria, Erik; White, Bebo (May 2014). "Jumping NLP Curves: A Review of Natural Language Processing Research [Review Article]". IEEE Computational Intelligence Magazine. 9 (2): 48–57. doi:10.1109/MCI.2014.2307227. S2CID 206451986.
  130. ^ Vincent, James (7 November 2019). "OpenAI has published the text-generating AI it said was too dangerous to share". The Verge (in الإنجليزية). Archived from the original on 11 June 2020. Retrieved 11 June 2020.
  131. ^ Machine perception: * Russell & Norvig 2003, pp. 537–581, 863–898 * Nilsson 1998, ~chpt. 6
  132. ^ Speech recognition: * ACM 1998, ~I.2.7 * Russell & Norvig 2003, pp. 568–578
  133. ^ Object recognition: * Russell & Norvig 2003, pp. 885–892
  134. ^ Computer vision: * ACM 1998, I.2.10 * Russell & Norvig 2003, pp. 863–898 * Nilsson 1998, chpt. 6
  135. ^ Robotics: * ACM 1998, I.2.9, * Russell & Norvig 2003, pp. 901–942, * Poole, Mackworth & Goebel 1998, pp. 443–460
  136. ^ Moving and configuration space: * Russell & Norvig 2003, pp. 916–932
  137. ^ Tecuci 2012.
  138. ^ Robotic mapping (localization, etc): * Russell & Norvig 2003, pp. 908–915
  139. ^ Cadena, Cesar; Carlone, Luca; Carrillo, Henry; Latif, Yasir; Scaramuzza, Davide; Neira, Jose; Reid, Ian; Leonard, John J. (December 2016). "Past, Present, and Future of Simultaneous Localization and Mapping: Toward the Robust-Perception Age". IEEE Transactions on Robotics. 32 (6): 1309–1332. arXiv:1606.05830. Bibcode:2016arXiv160605830C. doi:10.1109/TRO.2016.2624754. S2CID 2596787.
  140. ^ Moravec, Hans (1988). Mind Children. Harvard University Press. p. 15.
  141. ^ Chan, Szu Ping (15 November 2015). "This is what will happen when robots take over the world". Archived from the original on 24 April 2018. Retrieved 23 April 2018.
  142. ^ "IKEA furniture and the limits of AI". The Economist (in الإنجليزية). 2018. Archived from the original on 24 April 2018. Retrieved 24 April 2018.
  143. ^ Kismet.
  144. ^ Thompson, Derek (2018). "What Jobs Will the Robots Take?". The Atlantic. Archived from the original on 24 April 2018. Retrieved 24 April 2018.
  145. ^ Scassellati, Brian (2002). "Theory of mind for a humanoid robot". Autonomous Robots. 12 (1): 13–24. doi:10.1023/A:1013298507114. S2CID 1979315.
  146. ^ Cao, Yongcan; Yu, Wenwu; Ren, Wei; Chen, Guanrong (February 2013). "An Overview of Recent Progress in the Study of Distributed Multi-Agent Coordination". IEEE Transactions on Industrial Informatics. 9 (1): 427–438. arXiv:1207.3231. doi:10.1109/TII.2012.2219061. S2CID 9588126.
  147. ^ Thro 1993.
  148. ^ Edelson 1991.
  149. ^ Tao & Tan 2005.
  150. ^ Poria, Soujanya; Cambria, Erik; Bajpai, Rajiv; Hussain, Amir (September 2017). "A review of affective computing: From unimodal analysis to multimodal fusion". Information Fusion. 37: 98–125. doi:10.1016/j.inffus.2017.02.003. hdl:1893/25490.
  151. ^ Emotion and affective computing: * Minsky 2006
  152. ^ Waddell, Kaveh (2018). "Chatbots Have Entered the Uncanny Valley". The Atlantic. Archived from the original on 24 April 2018. Retrieved 24 April 2018.
  153. ^ Pennachin, C.; Goertzel, B. (2007). Contemporary Approaches to Artificial General Intelligence. Artificial General Intelligence. Cognitive Technologies. Cognitive Technologies. Berlin, Heidelberg: Springer. doi:10.1007/978-3-540-68677-4_1. ISBN 978-3-540-23733-4.
  154. ^ أ ب ت Roberts, Jacob (2016). "Thinking Machines: The Search for Artificial Intelligence". Distillations. Vol. 2 no. 2. pp. 14–23. Archived from the original on 19 August 2018. Retrieved 20 March 2018.
  155. ^ "The superhero of artificial intelligence: can this genius keep it in check?". the Guardian (in الإنجليزية). 16 February 2016. Archived from the original on 23 April 2018. Retrieved 26 April 2018.
  156. ^ Mnih, Volodymyr; Kavukcuoglu, Koray; Silver, David; Rusu, Andrei A.; Veness, Joel; Bellemare, Marc G.; Graves, Alex; Riedmiller, Martin; Fidjeland, Andreas K.; Ostrovski, Georg; Petersen, Stig; Beattie, Charles; Sadik, Amir; Antonoglou, Ioannis; King, Helen; Kumaran, Dharshan; Wierstra, Daan; Legg, Shane; Hassabis, Demis (26 February 2015). "Human-level control through deep reinforcement learning". Nature. 518 (7540): 529–533. Bibcode:2015Natur.518..529M. doi:10.1038/nature14236. PMID 25719670. S2CID 205242740.
  157. ^ Sample, Ian (14 March 2017). "Google's DeepMind makes AI program that can learn like a human". the Guardian (in الإنجليزية). Archived from the original on 26 April 2018. Retrieved 26 April 2018.
  158. ^ "From not working to neural networking". The Economist (in الإنجليزية). 2016. Archived from the original on 31 December 2016. Retrieved 26 April 2018.
  159. ^ Domingos 2015.
  160. ^ أ ب Artificial brain arguments: AI requires a simulation of the operation of the human brain * Russell & Norvig 2003, p. 957 * Crevier 1993, pp. 271 and 279 A few of the people who make some form of the argument: * Moravec 1988 * Kurzweil 2005, p. 262 * Hawkins & Blakeslee 2005 The most extreme form of this argument (the brain replacement scenario) was put forward by Clark Glymour in the mid-1970s and was touched on by Zenon Pylyshyn and John Searle in 1980.
  161. ^ Goertzel, Ben; Lian, Ruiting; Arel, Itamar; de Garis, Hugo; Chen, Shuo (December 2010). "A world survey of artificial brain projects, Part II: Biologically inspired cognitive architectures". Neurocomputing. 74 (1–3): 30–49. doi:10.1016/j.neucom.2010.08.012.
  162. ^ Nilsson 1983, p. 10.
  163. ^ Nils Nilsson writes: "Simply put, there is wide disagreement in the field about what AI is all about."[162]
  164. ^ AI's immediate precursors: * McCorduck 2004, pp. 51–107 * Crevier 1993, pp. 27–32 * Russell & Norvig 2003, pp. 15, 940 * Moravec 1988, p. 3
  165. ^ Haugeland 1985, pp. 112–117
  166. ^ The most dramatic case of sub-symbolic AI being pushed into the background was the devastating critique of perceptrons by Marvin Minsky and Seymour Papert in 1969. See History of AI, AI winter, or Frank Rosenblatt.
  167. ^ Cognitive simulation, Newell and Simon, AI at CMU (then called Carnegie Tech): * McCorduck 2004, pp. 139–179, 245–250, 322–323 (EPAM) * Crevier 1993, pp. 145–149
  168. ^ Soar (history): * McCorduck 2004, pp. 450–451 * Crevier 1993, pp. 258–263
  169. ^ McCarthy and AI research at SAIL and SRI International: * McCorduck 2004, pp. 251–259 * Crevier 1993
  170. ^ AI research at Edinburgh and in France, birth of Prolog: * Crevier 1993, pp. 193–196 * Howe 1994
  171. ^ AI at MIT under Marvin Minsky in the 1960s : * McCorduck 2004, pp. 259–305 * Crevier 1993, pp. 83–102, 163–176 * Russell & Norvig 2003, p. 19
  172. ^ Cyc: * McCorduck 2004, p. 489, who calls it "a determinedly scruffy enterprise" * Crevier 1993, pp. 239–243 * Russell & Norvig 2003, p. 363−365 * Lenat & Guha 1989
  173. ^ Knowledge revolution: * McCorduck 2004, pp. 266–276, 298–300, 314, 421 * Russell & Norvig 2003, pp. 22–23
  174. ^ Frederick, Hayes-Roth; William, Murray; Leonard, Adelman. "Expert systems". AccessScience (in الإنجليزية). doi:10.1036/1097-8542.248550.
  175. ^ Embodied approaches to AI: * McCorduck 2004, pp. 454–462 * Brooks 1990 * Moravec 1988
  176. ^ Weng et al. 2001.
  177. ^ Lungarella et al. 2003.
  178. ^ Asada et al. 2009.
  179. ^ Oudeyer 2010.
  180. ^ Revival of connectionism: * Crevier 1993, pp. 214–215 * Russell & Norvig 2003, p. 25
  181. ^ Computational intelligence * IEEE Computational Intelligence Society Archived 9 May 2008 at the Wayback Machine.
  182. ^ Hutson, Matthew (16 February 2018). "Artificial intelligence faces reproducibility crisis". Science (in الإنجليزية). pp. 725–726. Bibcode:2018Sci...359..725H. doi:10.1126/science.359.6377.725. Archived from the original on 29 April 2018. Retrieved 28 April 2018.
  183. ^ Norvig 2012.
  184. ^ Langley 2011.
  185. ^ Katz 2012.
  186. ^ The intelligent agent paradigm: * Russell & Norvig 2003, pp. 27, 32–58, 968–972 * Poole, Mackworth & Goebel 1998, pp. 7–21 * Luger & Stubblefield 2004, pp. 235–240 * Hutter 2005, pp. 125–126 The definition used in this article, in terms of goals, actions, perception and environment, is due to Russell & Norvig (2003). Other definitions also include knowledge and learning as additional criteria.
  187. ^ Agent architectures, hybrid intelligent systems: * Russell & Norvig (2003, pp. 27, 932, 970–972) * Nilsson (1998, chpt. 25)
  188. ^ Hierarchical control system: * Albus 2002
  189. ^ Laird, John (2008). "Extending the Soar cognitive architecture". Frontiers in Artificial Intelligence and Applications. 171: 224. CiteSeerX 10.1.1.77.2473.
  190. ^ Lieto, Antonio; Lebiere, Christian; Oltramari, Alessandro (May 2018). "The knowledge level in cognitive architectures: Current limitations and possibile developments". Cognitive Systems Research. 48: 39–55. doi:10.1016/j.cogsys.2017.05.001. hdl:2318/1665207. S2CID 206868967.
  191. ^ Lieto, Antonio; Bhatt, Mehul; Oltramari, Alessandro; Vernon, David (May 2018). "The role of cognitive architectures in general artificial intelligence". Cognitive Systems Research. 48: 1–3. doi:10.1016/j.cogsys.2017.08.003. hdl:2318/1665249. S2CID 36189683.
  192. ^ أ ب White Paper: On Artificial Intelligence - A European approach to excellence and trust (PDF). Brussels: European Commission. 2020. p. 1. Archived (PDF) from the original on 20 February 2020. Retrieved 20 February 2020.
  193. ^ أ ب Russell & Norvig 2009, p. 1.
  194. ^ CNN 2006.
  195. ^ Using AI to predict flight delays Archived 20 November 2018 at the Wayback Machine., Ishti.org.
  196. ^ N. Aletras; D. Tsarapatsanis; D. Preotiuc-Pietro; V. Lampos (2016). "Predicting judicial decisions of the European Court of Human Rights: a Natural Language Processing perspective". PeerJ Computer Science. 2: e93. doi:10.7717/peerj-cs.93.
  197. ^ "The Economist Explains: Why firms are piling into artificial intelligence". The Economist. 31 March 2016. Archived from the original on 8 May 2016. Retrieved 19 May 2016.
  198. ^ Lohr, Steve (28 February 2016). "The Promise of Artificial Intelligence Unfolds in Small Steps". The New York Times. Archived from the original on 29 February 2016. Retrieved 29 February 2016.
  199. ^ Frangoul, Anmar (2019-06-14). "A Californian business is using A.I. to change the way we think about energy storage". CNBC (in الإنجليزية). Archived from the original on 25 July 2020. Retrieved 2019-11-05.
  200. ^ Wakefield, Jane (15 June 2016). "Social media 'outstrips TV' as news source for young people". BBC News. Archived from the original on 24 June 2016.
  201. ^ Smith, Mark (22 July 2016). "So you think you chose to read this article?". BBC News. Archived from the original on 25 July 2016.
  202. ^ Brown, Eileen. "Half of Americans do not believe deepfake news could target them online". ZDNet (in الإنجليزية). Archived from the original on 6 November 2019. Retrieved 2019-12-03.
  203. ^ The Turing test:
    Turing's original publication: * Turing 1950 Historical influence and philosophical implications: * Haugeland 1985, pp. 6–9 * Crevier 1993, p. 24 * McCorduck 2004, pp. 70–71 * Russell & Norvig 2003, pp. 2–3 and 948
  204. ^ Dartmouth proposal: * McCarthy et al. 1955 (the original proposal) * Crevier 1993, p. 49 (historical significance)
  205. ^ The physical symbol systems hypothesis: * Newell & Simon 1976, p. 116 * McCorduck 2004, p. 153 * Russell & Norvig 2003, p. 18
  206. ^ Dreyfus 1992, p. 156.
  207. ^ Dreyfus criticized the necessary condition of the physical symbol system hypothesis, which he called the "psychological assumption": "The mind can be viewed as a device operating on bits of information according to formal rules."[206]
  208. ^ Dreyfus' critique of artificial intelligence: * Dreyfus 1972, Dreyfus & Dreyfus 1986 * Crevier 1993, pp. 120–132 * McCorduck 2004, pp. 211–239 * Russell & Norvig 2003, pp. 950–952,
  209. ^ Gödel 1951: in this lecture, Kurt Gödel uses the incompleteness theorem to arrive at the following disjunction: (a) the human mind is not a consistent finite machine, or (b) there exist Diophantine equations for which it cannot decide whether solutions exist. Gödel finds (b) implausible, and thus seems to have believed the human mind was not equivalent to a finite machine, i.e., its power exceeded that of any finite machine. He recognized that this was only a conjecture, since one could never disprove (b). Yet he considered the disjunctive conclusion to be a "certain fact".
  210. ^ The Mathematical Objection: * Russell & Norvig 2003, p. 949 * McCorduck 2004, pp. 448–449 Making the Mathematical Objection: * Lucas 1961 * Penrose 1989 Refuting Mathematical Objection: * Turing 1950 under "(2) The Mathematical Objection" * Hofstadter 1979 Background: * Gödel 1931, Church 1936, Kleene 1935, Turing 1937
  211. ^ Graham Oppy (20 January 2015). "Gödel's Incompleteness Theorems". Stanford Encyclopedia of Philosophy. Archived from the original on 22 April 2016. Retrieved 27 April 2016. These Gödelian anti-mechanist arguments are, however, problematic, and there is wide consensus that they fail.
  212. ^ Stuart J. Russell; Peter Norvig (2010). "26.1.2: Philosophical Foundations/Weak AI: Can Machines Act Intelligently?/The mathematical objection". Artificial Intelligence: A Modern Approach (3rd ed.). Upper Saddle River, NJ: Prentice Hall. ISBN 978-0-13-604259-4. even if we grant that computers have limitations on what they can prove, there is no evidence that humans are immune from those limitations.
  213. ^ Mark Colyvan. An introduction to the philosophy of mathematics. Cambridge University Press, 2012. From 2.2.2, 'Philosophical significance of Gödel's incompleteness results': "The accepted wisdom (with which I concur) is that the Lucas-Penrose arguments fail."
  214. ^ Iphofen, Ron; Kritikos, Mihalis (2019-01-03). "Regulating artificial intelligence and robotics: ethics by design in a digital society". Contemporary Social Science: 1–15. doi:10.1080/21582041.2018.1563803. ISSN 2158-2041.
  215. ^ "Ethical AI Learns Human Rights Framework". Voice of America. Archived from the original on 11 November 2019. Retrieved 10 November 2019.
  216. ^ Crevier 1993, pp. 132–144.
  217. ^ In the early 1970s, Kenneth Colby presented a version of Weizenbaum's ELIZA known as DOCTOR which he promoted as a serious therapeutic tool.[216]
  218. ^ Joseph Weizenbaum's critique of AI: * Weizenbaum 1976 * Crevier 1993, pp. 132–144 * McCorduck 2004, pp. 356–373 * Russell & Norvig 2003, p. 961 Weizenbaum (the AI researcher who developed the first chatterbot program, ELIZA) argued in 1976 that the misuse of artificial intelligence has the potential to devalue human life.
  219. ^ Wendell Wallach (2010). Moral Machines, Oxford University Press.
  220. ^ Wallach, pp 55–73.
  221. ^ Wallach, Introduction chapter.
  222. ^ أ ب Michael Anderson and Susan Leigh Anderson (2011), Machine Ethics, Cambridge University Press.
  223. ^ أ ب "Machine Ethics". aaai.org. Archived from the original on 29 November 2014.
  224. ^ Rubin, Charles (Spring 2003). "Artificial Intelligence and Human Nature". The New Atlantis. 1: 88–100. Archived from the original on 11 June 2012.
  225. ^ Brooks, Rodney (10 November 2014). "artificial intelligence is a tool, not a threat". Archived from the original on 12 November 2014.
  226. ^ "Stephen Hawking, Elon Musk, and Bill Gates Warn About Artificial Intelligence". Observer. 19 August 2015. Archived from the original on 30 October 2015. Retrieved 30 October 2015.
  227. ^ Chalmers, David (1995). "Facing up to the problem of consciousness". Journal of Consciousness Studies. 2 (3): 200–219. Archived from the original on 8 March 2005. Retrieved 11 October 2018. See also this link Archived 8 April 2011 at the Wayback Machine.
  228. ^ Horst, Steven, (2005) "The Computational Theory of Mind" Archived 11 September 2018 at the Wayback Machine. in The Stanford Encyclopedia of Philosophy
  229. ^ Searle 1980, p. 1.
  230. ^ This version is from Searle (1999), and is also quoted in Dennett 1991, p. 435. Searle's original formulation was "The appropriately programmed computer really is a mind, in the sense that computers given the right programs can be literally said to understand and have other cognitive states." [229] Strong AI is defined similarly by Russell & Norvig (2003, p. 947): "The assertion that machines could possibly act intelligently (or, perhaps better, act as if they were intelligent) is called the 'weak AI' hypothesis by philosophers, and the assertion that machines that do so are actually thinking (as opposed to simulating thinking) is called the 'strong AI' hypothesis."
  231. ^ Searle's Chinese room argument: * Searle 1980. Searle's original presentation of the thought experiment. * Searle 1999. Discussion: * Russell & Norvig 2003, pp. 958–960 * McCorduck 2004, pp. 443–445 * Crevier 1993, pp. 269–271
  232. ^ Robot rights: * Russell & Norvig 2003, p. 964 * BBC News 2006 Prematurity of: * Henderson 2007 In fiction: * McCorduck (2004, pp. 190–25) discusses Frankenstein and identifies the key ethical issues as scientific hubris and the suffering of the monster, i.e. robot rights.
  233. ^ Evans, Woody (2015). "Posthuman Rights: Dimensions of Transhuman Worlds". Teknokultura. 12 (2). doi:10.5209/rev_TK.2015.v12.n2.49072.
  234. ^ maschafilm. "Content: Plug & Pray Film – Artificial Intelligence – Robots -". plugandpray-film.de. Archived from the original on 12 February 2016.
  235. ^ Omohundro, Steve (2008). "The Nature of Self-Improving Artificial Intelligence"., presented and distributed at the 2007 Singularity Summit, San Francisco, CA.. 
  236. ^ أ ب ت Technological singularity: * Vinge 1993 * Kurzweil 2005 * Russell & Norvig 2003, p. 963
  237. ^ Transhumanism: * Moravec 1988 * Kurzweil 2005 * Russell & Norvig 2003, p. 963
  238. ^ AI as evolution: * Edward Fredkin is quoted in McCorduck (2004, p. 401). * Butler 1863 * Dyson 1998
  239. ^ "Robots and Artificial Intelligence". www.igmchicago.org. Archived from the original on 1 May 2019. Retrieved 2019-07-03.
  240. ^ E McGaughey, 'Will Robots Automate Your Job Away? Full Employment, Basic Income, and Economic Democracy' (2018) SSRN, part 2(3) Archived 24 May 2018 at the Wayback Machine.
  241. ^ "Automation and anxiety". The Economist. 9 May 2015. Archived from the original on 12 January 2018. Retrieved 13 January 2018.
  242. ^ Lohr, Steve (2017). "Robots Will Take Jobs, but Not as Fast as Some Fear, New Report Says". The New York Times. Archived from the original on 14 January 2018. Retrieved 13 January 2018.
  243. ^ Frey, Carl Benedikt; Osborne, Michael A (1 January 2017). "The future of employment: How susceptible are jobs to computerisation?". Technological Forecasting and Social Change. 114: 254–280. CiteSeerX 10.1.1.395.416. doi:10.1016/j.techfore.2016.08.019. ISSN 0040-1625.
  244. ^ Arntz, Melanie, Terry Gregory, and Ulrich Zierahn. "The risk of automation for jobs in OECD countries: A comparative analysis." OECD Social, Employment, and Migration Working Papers 189 (2016). p. 33.
  245. ^ Mahdawi, Arwa (26 June 2017). "What jobs will still be around in 20 years? Read this to prepare your future". The Guardian. Archived from the original on 14 January 2018. Retrieved 13 January 2018.
  246. ^ Simon, Matt (1 April 2019). "Andrew Yang's Presidential Bid Is So Very 21st Century". Wired. Archived from the original on 24 June 2019. Retrieved 2 May 2019 – via www.wired.com.
  247. ^ "Five experts share what scares them the most about AI". 5 September 2018. Archived from the original on 8 December 2019. Retrieved 8 December 2019.
  248. ^ Russel, Stuart., Daniel Dewey, and Max Tegmark. Research Priorities for Robust and Beneficial Artificial Intelligence. AI Magazine 36:4 (2015). 8 December 2016.
  249. ^ "Commentary: Bad news. Artificial intelligence is biased". CNA (in الإنجليزية). 2019-01-12. Archived from the original on 12 January 2019. Retrieved 2020-06-19.
  250. ^ Jeff Larson, Julia Angwin (2016-05-23). "How We Analyzed the COMPAS Recidivism Algorithm". ProPublica (in الإنجليزية). Archived from the original on 29 April 2019. Retrieved 2020-06-19.
  251. ^ Rawlinson, Kevin (29 January 2015). "Microsoft's Bill Gates insists AI is a threat". BBC News. Archived from the original on 29 January 2015. Retrieved 30 January 2015.
  252. ^ Holley, Peter (28 January 2015). "Bill Gates on dangers of artificial intelligence: 'I don't understand why some people are not concerned'". The Washington Post. ISSN 0190-8286. Archived from the original on 30 October 2015. Retrieved 30 October 2015.
  253. ^ Gibbs, Samuel (27 October 2014). "Elon Musk: artificial intelligence is our biggest existential threat". The Guardian. Archived from the original on 30 October 2015. Retrieved 30 October 2015.
  254. ^ Cellan-Jones, Rory (2 December 2014). "Stephen Hawking warns artificial intelligence could end mankind". BBC News. Archived from the original on 30 October 2015. Retrieved 30 October 2015.
  255. ^ Bostrom, Nick (2015). "What happens when our computers get smarter than we are?". TED (conference). Archived from the original on 25 July 2020. Retrieved 30 January 2020.
  256. ^ أ ب Russell, Stuart (October 8, 2019). Human Compatible: Artificial Intelligence and the Problem of Control. United States: Viking. ISBN 978-0-525-55861-3. OCLC 1083694322.
  257. ^ Post, Washington. "Tech titans like Elon Musk are spending $1 billion to save you from terminators". Archived from the original on 7 June 2016.
  258. ^ Müller, Vincent C.; Bostrom, Nick (2014). "Future Progress in Artificial Intelligence: A Poll Among Experts" (PDF). AI Matters. 1 (1): 9–11. doi:10.1145/2639475.2639478. S2CID 8510016. Archived (PDF) from the original on 15 January 2016.
  259. ^ "Oracle CEO Mark Hurd sees no reason to fear ERP AI". SearchERP (in الإنجليزية). Archived from the original on 6 May 2019. Retrieved 2019-05-06.
  260. ^ "Mark Zuckerberg responds to Elon Musk's paranoia about AI: 'AI is going to... help keep our communities safe.'". Business Insider. 25 May 2018. Archived from the original on 6 May 2019. Retrieved 2019-05-06.
  261. ^ "The mysterious artificial intelligence company Elon Musk invested in is developing game-changing smart computers". Tech Insider. Archived from the original on 30 October 2015. Retrieved 30 October 2015.
  262. ^ Clark, Jack. "Musk-Backed Group Probes Risks Behind Artificial Intelligence". Bloomberg.com. Archived from the original on 30 October 2015. Retrieved 30 October 2015.
  263. ^ "Elon Musk Is Donating $10M Of His Own Money To Artificial Intelligence Research". Fast Company. 15 January 2015. Archived from the original on 30 October 2015. Retrieved 30 October 2015.
  264. ^ "Is artificial intelligence really an existential threat to humanity?". Bulletin of the Atomic Scientists. 9 August 2015. Archived from the original on 30 October 2015. Retrieved 30 October 2015.
  265. ^ "The case against killer robots, from a guy actually working on artificial intelligence". Fusion.net. Archived from the original on 4 February 2016. Retrieved 31 January 2016.
  266. ^ "Will artificial intelligence destroy humanity? Here are 5 reasons not to worry". Vox. 22 August 2014. Archived from the original on 30 October 2015. Retrieved 30 October 2015.
  267. ^ Berryhill, Jamie; Heang, Kévin Kok; Clogher, Rob; McBride, Keegan (2019). Hello, World: Artificial Intelligence and its Use in the Public Sector (PDF). Paris: OECD Observatory of Public Sector Innovation. Archived (PDF) from the original on 20 December 2019. Retrieved 9 August 2020.
  268. ^ Research handbook on the law of artificial intelligence. Barfield, Woodrow,, Pagallo, Ugo. Cheltenham, UK. 2018. ISBN 978-1-78643-904-8. OCLC 1039480085.CS1 maint: others (link)
  269. ^ Law Library of Congress (U.S.). Global Legal Research Directorate, issuing body. Regulation of artificial intelligence in selected jurisdictions. LCCN 2019668143. OCLC 1110727808.
  270. ^ Wirtz, Bernd W.; Weyerer, Jan C.; Geyer, Carolin (2018-07-24). "Artificial Intelligence and the Public Sector—Applications and Challenges". International Journal of Public Administration. 42 (7): 596–615. doi:10.1080/01900692.2018.1498103. ISSN 0190-0692. S2CID 158829602. Archived from the original on 18 August 2020. Retrieved 22 August 2020.
  271. ^ Buiten, Miriam C (2019). "Towards Intelligent Regulation of Artificial Intelligence". European Journal of Risk Regulation. 10 (1): 41–59. doi:10.1017/err.2019.8. ISSN 1867-299X.
  272. ^ Sotala, Kaj; Yampolskiy, Roman V (2014-12-19). "Responses to catastrophic AGI risk: a survey". Physica Scripta. 90 (1): 018001. doi:10.1088/0031-8949/90/1/018001. ISSN 0031-8949.
  273. ^ Buttazzo, G. (July 2001). "Artificial consciousness: Utopia or real possibility?". Computer. 34 (7): 24–30. doi:10.1109/2.933500.
  274. ^ Anderson, Susan Leigh. "Asimov's "three laws of robotics" and machine metaethics." AI & Society 22.4 (2008): 477–493.
  275. ^ McCauley, Lee (2007). "AI armageddon and the three laws of robotics". Ethics and Information Technology. 9 (2): 153–164. CiteSeerX 10.1.1.85.8904. doi:10.1007/s10676-007-9138-2. S2CID 37272949.
  276. ^ Galvan, Jill (1 January 1997). "Entering the Posthuman Collective in Philip K. Dick's "Do Androids Dream of Electric Sheep?"". Science Fiction Studies. 24 (3): 413–429. JSTOR 4240644.

كتب عند الذكاء الاصطناعي

تاريخ الذكاء الاصطناعي

مراجع أخرى

قراءات إضافية

  • DH Author, 'Why Are There Still So Many Jobs? The History and Future of Workplace Automation' (2015) 29(3) Journal of Economic Perspectives 3.
  • Boden, Margaret, Mind As Machine, Oxford University Press, 2006.
  • Cukier, Kenneth, "Ready for Robots? How to Think about the Future of AI", Foreign Affairs, vol. 98, no. 4 (July/August 2019), pp. 192–98. George Dyson, historian of computing, writes (in what might be called "Dyson's Law") that "Any system simple enough to be understandable will not be complicated enough to behave intelligently, while any system complicated enough to behave intelligently will be too complicated to understand." (p. 197.) Computer scientist Alex Pentland writes: "Current AI machine-learning algorithms are, at their core, dead simple stupid. They work, but they work by brute force." (p. 198.)
  • Domingos, Pedro, "Our Digital Doubles: AI will serve our species, not control it", Scientific American, vol. 319, no. 3 (September 2018), pp. 88–93.
  • Gopnik, Alison, "Making AI More Human: Artificial intelligence has staged a revival by starting to incorporate what we know about how children learn", Scientific American, vol. 316, no. 6 (June 2017), pp. 60–65.
  • Johnston, John (2008) The Allure of Machinic Life: Cybernetics, Artificial Life, and the New AI, MIT Press.
  • Koch, Christof, "Proust among the Machines", Scientific American, vol. 321, no. 6 (December 2019), pp. 46–49. Christof Koch doubts the possibility of "intelligent" machines attaining consciousness, because "[e]ven the most sophisticated brain simulations are unlikely to produce conscious feelings." (p. 48.) According to Koch, "Whether machines can become sentient [is important] for ethical reasons. If computers experience life through their own senses, they cease to be purely a means to an end determined by their usefulness to... humans. Per GNW [the Global Neuronal Workspace theory], they turn from mere objects into subjects... with a point of view.... Once computers' cognitive abilities rival those of humanity, their impulse to push for legal and political rights will become irresistible – the right not to be deleted, not to have their memories wiped clean, not to suffer pain and degradation. The alternative, embodied by IIT [Integrated Information Theory], is that computers will remain only supersophisticated machinery, ghostlike empty shells, devoid of what we value most: the feeling of life itself." (p. 49.)
  • Marcus, Gary, "Am I Human?: Researchers need new ways to distinguish artificial intelligence from the natural kind", Scientific American, vol. 316, no. 3 (March 2017), pp. 58–63. A stumbling block to AI has been an incapacity for reliable disambiguation. An example is the "pronoun disambiguation problem": a machine has no way of determining to whom or what a pronoun in a sentence refers. (p. 61.)
  • E McGaughey, 'Will Robots Automate Your Job Away? Full Employment, Basic Income, and Economic Democracy' (2018) SSRN, part 2(3) Archived 24 May 2018 at the Wayback Machine..
  • George Musser, "Artificial Imagination: How machines could learn creativity and common sense, among other human qualities", Scientific American, vol. 320, no. 5 (May 2019), pp. 58–63.
  • Myers, Courtney Boyd ed. (2009). "The AI Report" Archived 29 July 2017 at the Wayback Machine.. Forbes June 2009
  • Raphael, Bertram (1976). The Thinking Computer. W.H.Freeman and Company. ISBN 978-0-7167-0723-3. Archived from the original on 26 July 2020. Retrieved 22 August 2020.
  • Scharre, Paul, "Killer Apps: The Real Dangers of an AI Arms Race", Foreign Affairs, vol. 98, no. 3 (May/June 2019), pp. 135–44. "Today's AI technologies are powerful but unreliable. Rules-based systems cannot deal with circumstances their programmers did not anticipate. Learning systems are limited by the data on which they were trained. AI failures have already led to tragedy. Advanced autopilot features in cars, although they perform well in some circumstances, have driven cars without warning into trucks, concrete barriers, and parked cars. In the wrong situation, AI systems go from supersmart to superdumb in an instant. When an enemy is trying to manipulate and hack an AI system, the risks are even greater." (p. 140.)
  • Serenko, Alexander (2010). "The development of an AI journal ranking based on the revealed preference approach" (PDF). Journal of Informetrics. 4 (4): 447–459. doi:10.1016/j.joi.2010.04.001. Archived (PDF) from the original on 4 October 2013. Retrieved 24 August 2013.
  • Serenko, Alexander; Michael Dohan (2011). "Comparing the expert survey and citation impact journal ranking methods: Example from the field of Artificial Intelligence" (PDF). Journal of Informetrics. 5 (4): 629–649. doi:10.1016/j.joi.2011.06.002. Archived (PDF) from the original on 4 October 2013. Retrieved 12 September 2013.
  • Sun, R. & Bookman, L. (eds.), Computational Architectures: Integrating Neural and Symbolic Processes. Kluwer Academic Publishers, Needham, MA. 1994.
  • Tom Simonite (29 December 2014). "2014 in Computing: Breakthroughs in Artificial Intelligence". MIT Technology Review.
  • Tooze, Adam, "Democracy and Its Discontents", The New York Review of Books, vol. LXVI, no. 10 (6 June 2019), pp. 52–53, 56–57. "Democracy has no clear answer for the mindless operation of bureaucratic and technological power. We may indeed be witnessing its extension in the form of artificial intelligence and robotics. Likewise, after decades of dire warning, the environmental problem remains fundamentally unaddressed.... Bureaucratic overreach and environmental catastrophe are precisely the kinds of slow-moving existential challenges that democracies deal with very badly.... Finally, there is the threat du jour: corporations and the technologies they promote." (pp. 56–57.)

وصلات خارجية