人間の知能のシミュレーションと知識領域の拡大の可能性

著者のラーファト・アラムが編集、作成したマーガレット・A・ボーデン著『人工知能』には、人工知能の分野で使用されるさまざまな主要な仮想マシンが紹介されています。これには、次のような人工知能アプリケーションを実行するために簡単に構築および更新できる仮想サーバーが含まれています。ディープ モデルのトレーニングには、実際のデバイスに実装する前に人工知能のアルゴリズムとモデルを開発およびテストするために使用される仮想コンピューターも含まれます。 仮想ネットワークは、人工知能アプリケーション用の分離されたテスト環境を構築するためにも使用されます。 IoT ネットワークのトレーニングなどの特定のタスク専用の仮想サーバーに加えて。

人工知能の科学は、ジョン マッカーシーがこの用語を作り、人間の思考を模倣する最初のアルゴリズムが登場した 1950 年代に始まりました。 1960 年代には、数理論理学と知識表現の手法が発展しました。その後、非現実的な期待が満たされなかったため一時的に衰退しましたが、マシン ネットワークやディープ ラーニングなどの新技術の出現により、1980 年代以降は成長に戻りました。 現代では、ディープラーニング、機械学習、ナノコンピューティングなどの概念の発展を目の当たりにして、人工知能の科学がより成熟し、普及しました。。

人工知能の将来についての予測では、汎用人工知能が今後数年以内に実現され、多くの分野が変化すると予想されています。 機械学習技術の進歩により、人工知能の能力は増大し、その応用分野は多様化し、国内生産量の増加、新たな雇用機会の創出、生産性の向上など、人工知能は経済に大きく貢献すると考えられます。 それは環境問題への対処にも貢献しますが、情報格差の拡大や雇用の喪失につながる可能性があります。 全体として、AI は人類の将来に大きな影響を与えると予想されています。

AI の分野は主に弱い AI と強い AI に分けられ、弱い AI は特定のタスクに焦点を当て、強い AI は一般的な人間のような能力の実現を目指します。 また、データベースに依存する伝統的なインテリジェンスと、機械学習技術を使用する現代的なインテリジェンスに分けられます。 また、問題解決に重点を置く工学的知性と、人間の考え方を模倣する心理的知性にも分けられます。 その応用分野は、ゲーム、ロボット工学、スマート車両の運転などの分野にも分かれています。。

汎用人工知能は、人工知能の分野における主要な課題であり「神聖な目標」と見なすことができます。 研究者は、人間と同じ効率であらゆるタスクを実行でき、人間と同様に対話し学習できる汎用性と柔軟性を備えたシステムの開発を目指しています。 一般的な人工知能の実現は、まだ達成されていない研究目標にすぎませんが、人工知能分野が達成しようとしている究極の課題であり、「最も神聖な目標」と言えます。「」。

人工知能の分野における研究と計画の種類は、問題の解決、意思決定、解釈を含む演繹的研究と、最短距離で目標を達成するための計画の作成を含む計画研究の間で異なります。また、機械学習も含まれます。これにより、システムは事前のプログラミングなしでデータから事実を学習できるようになります。 適切に行動するために、いくつかの選択肢から最善の選択肢を選択して意思決定を行うことに重点が置かれています。 したがって、これらのタイプは、問題を解決し、意思決定を行うための人工知能の能力の向上に貢献します。。

人工知能は、数学的概念を簡素化し、自動的に処理できる方法で知識を表現するためにいくつかの方法を使用します。これには、知識を関係重みの形式で表現するニューラル ネットワークや、信念や確率を表現する数学的論理が含まれます。また、データベースは知識の保存にも使用されます。エンティティ間の関係の形で、さらに数学的確率を使用して因果関係を表現します。 ディープ ニューラル ネットワークは、データの特徴を抽出して表現する際に重要な役割を果たします。

ルールベースのソフトウェアは、ルールの形式で知識を表現し、推論エンジンを使用してルールを関連付け、論理的根拠のある回答を導き出す従来の AI システムです。 データベースはプログラマーにとっても理解しやすく、変更も簡単ですが、答えはデータベースの内容に限定されます。 これらのプログラムは論理的推論に適しているため、伝統的に意思決定支援システムで使用されてきました。。

ロジックとセマンティック Web は両方とも、人工知能の開発において基本的な役割を果たしました。ロジックは、知識と推論プロセスを表現するための正式な数学的基盤の提供に貢献し、ルールベースのプログラムでも使用されました。一方、セマンティック Web は、データの保存と保存に貢献しました。コンピュータで処理できる正式な構造でオンラインに配布することで大規模な情報を整理し、人工知能の機能の発展に貢献しました。。

人工知能の分野におけるフレームワークの問題は、絶えず変化する環境から関連する情報を特定することが難しいという点にあります。エージェント理論と分散認知は、タスクを独立したユニットに分割し、それらのユニット間で知識と責任を分散することでこの問題を解決してきました。 因子理論は協力的なエージェント間でタスクを分散することに基づいていますが、分散認知では知能を個人とユニット間の分散された活動と見なします。これは、すべてのデータを 1 つのユニットで認識するという問題を克服するのに役立ちました。。

人工知能分野の研究では、計画や推論などの戦略を使用してあらゆる問題を解決できるシステムを設計する一般的な活動を通じて、一般的かつ柔軟な方法で問題を解決できるシステムの開発を目指しています。また、記憶に依存した解決策の検索も使用します。以前の解決策を検討し、新しい問題に最も近い解決策を検索するだけでなく、システムの学習能力と一般化能力を向上させるために経験を追体験します。。

ロボット工学と人工生命の分野は、知的に行動し、経験から学習することができるインテリジェントシステムの構築において統合されています。ロボットは人工知能技術を使用して物理的で危険な作業を実行しますが、人工生命は、生命と同様に学習および適応できるプログラムを設計することを目指しています。生物。 このように、人工生命はロボットの自動学習および協調能力の開発に貢献し、さまざまなタスクや環境に対処できるインテリジェントなシステムを構築する際にロボットを補完します。。

「チューリング」テストは、人工知能が人間の行動をどの程度模倣できるかを測定します。知能システムと人間を 2 つの別の部屋に置き、質問者がそれらを区別できるかどうかを尋ねます。エラー率は 30% 未満で、システムは質問者に人間であると確信させることに成功しました。 その単純さにもかかわらず、チューリング テストは依然として人工知能の人間レベルへの進歩を測定する際の基準となっています。。

多くの予防措置は、人工知能技術の逸脱に関する懸念に対処することを目的としていますが、これらの措置の中で最も重要なのは、設計段階で倫理専門家の支援を得て、明確なポリシーに従って説明できるインテリジェント システムを開発することに要約できます。倫理的評価手順と法律は、プライバシーを保護し、これらのテクノロジーからの逸脱を防ぐことを目的としており、これらの保護措置は責任を持って人工知能を開発するのに役立ちます。