Искусственный интеллект

В информатике искусственный интеллект (ИИ ), иногда называемый машинным интеллектом, - это интеллект , демонстрируемый машинами, в отличие от естественного интеллекта, отображаемого людьми и животными. В разговорной речи термин "искусственный интеллект" используется для описания машин , которые имитируют "когнитивные" функции, которые люди связывают с другими человеческими умами, такими как "обучение" и "решение проблем".[1]]

По мере того, как машины становятся все более способными, задачи, требующие "интеллекта", часто удаляются из определения ИИ, явления, известного как эффект ИИ .[2] в Теореме Теслера говорится: "ИИ-это то, что еще не сделано."[3] например, оптическое распознавание символов часто исключается из вещей, которые считаются ИИ, став рутинной технологией.[4] современные возможности машины, обычно классифицируемые как ИИ, включают в себя успешное понимание человеческой речи, [5] соревнование на самом высоком уровне в стратегических игровых системах (таких как шахматы и Go), [6] автономно работающие автомобили интеллектуальная маршрутизация в сетях доставки контента и военное моделирование .

Искусственный интеллект можно разделить на три различных типа систем: аналитический, человеческий и гуманизированный искусственный интеллект.[7] аналитический ИИ имеет только характеристики, совместимые с когнитивным интеллектом ; создание когнитивного представления о мире и использование обучения на основе прошлого опыта для информирования будущих решений. ИИ, вдохновленный человеком, имеет элементы когнитивного и эмоционального интеллекта; понимание человеческих эмоций в дополнение к когнитивным элементам и рассмотрение их в процессе принятия решений. Гуманизированный ИИ показывает характеристики всех типов компетенций (т. е. когнитивного, эмоционального и социального интеллекта), способен к самосознанию и самосознанию во взаимодействии с другими.

Искусственный интеллект был основан как академическая дисциплина в 1956, и в годах с тех пор испытал несколько волн оптимизма, сопровождаемого разочарованием и потерей финансирования (известный как "зима ИИ"), сопровождаемый новыми подходами, успехом и возобновленным финансированием.[9] [12] на протяжении большей части своей истории исследования ИИ были разделены на подполя, которые часто не могут общаться друг с другом.[13] Эти подполя основаны на технических соображениях, таких как конкретные цели (например, "робототехника" или "машинное обучение"), использование конкретных инструментов ("логика" или искусственные нейронные сети ), или глубокие философские различия. подполя были также основаны на социальных факторах (особые учреждения или работа особых исследователей).

Традиционные проблемы (или цели) исследования ИИ включают рассуждения , представление знаний , планирование , обучение , обработку естественного языка , восприятие и способность перемещать и манипулировать объектами.[14] Общая разведка-одна из долгосрочных целей области.[18] подходы включают статистические методы , вычислительный интеллект и традиционный символический ИИ . В ИИ используется множество инструментов , включая варианты поисковой и математической оптимизации , искусственные нейронные сети и методы, основанные на статистике, вероятности и экономике . Область ИИ опирается на информатику, информационные технологии , математика , психология , лингвистика , философия и многие другие области.

Поле было основано на утверждении, что человеческий интеллект "может быть настолько точно описан, что машина может быть сделана для его имитации".Это поднимает философские аргументы о природе ума и этике создания искусственных существ , наделенных человеческим разумом, которые являются проблемами, которые были исследованы мифом, беллетристикой и философией начиная с древности . Некоторые люди также считают ИИ опасностью для человечества, если он прогрессирует без замедления. другие считают, что ИИ, в отличие от предыдущих технологических революций, создаст риск массовой безработицы .

В двадцать первом веке техники ИИ пережили возрождение после одновременных достижений в области вычислительной техники, больших объемов данных и теоретического понимания; и методы ИИ стали неотъемлемой частью технологической индустрии , помогая решать многие сложные проблемы в области информатики , разработки программного обеспечения и исследований операций .

История

Основные статьи: История искусственного интеллекта и сроки искусственного интеллекта

Мыслеспособные искусственные существа появились как рассказывающие устройства в древности ,и были распространены в беллетристике, как в Франкенштейне Мэри Шелли или Р. У. Р. Карела Чапека (Универсальные Роботы Россума) .[25] эти персонажи и их судьбы подняли многие из тех же вопросов, которые сейчас обсуждаются в этике искусственного интеллекта .[20]]

Изучение механического или" формального " рассуждения началось с философов и математиков в древности. Изучение математической логики привело непосредственно к теории вычислений Алана Тьюринга, которая предполагала, что машина, перетасовывая символы как простые как "0" и "1", могла моделировать любой мыслимый акт математической дедукции. Это понимание, что цифровые компьютеры могут моделировать любой процесс формального рассуждения, известно как тезис Церкви-Тьюринга .[26] наряду с параллельными открытиями в нейробиологии, теории информации и кибернетике это привело исследователей к рассмотрению возможности построения электронного мозга. Тьюринг предположил ,что "если человек не может отличить ответы от машины и человека, то машину можно считать"разумной".[27] первой работой, которая теперь общепризнана как ИИ, был официальный дизайн Маккалуша и Питта 1943 года для Тьюринга-полные "искусственные нейроны".[28]]

Область исследований ИИ родилась в мастерской Дартмутского колледжа в 1956 году.[29] участники Аллен Ньюэлл ( КМУ ), Герберт Саймон ( КМУ ), Джон Маккарти ( MIT ), Марвин Мински ( MIT ) и Артур Сэмюэль ( IBM ) стали основателями и лидерами исследований ИИ.[30] они и их ученики дали программ, которые в прессе описывался как "удивительная":[31] компьютеры учились шашки стратегии (возр. 1954)[32] (и к 1959 году были якобы играют лучше, чем средний человек),[33] решение текстовых задач по алгебре, подтверждающие логические теоремы (логика теоретик, первый запуск кондиционера. 1956) и говорить по-английски.[34] К середине 1960-х годов исследования в США активно финансировались Министерством обороны [35], и лаборатории были созданы по всему миру.Основатели ИИ с оптимизмом смотрели в будущее: Герберт Саймон предсказывал, что"машины будут способны в течение двадцати лет выполнять любую работу, которую может выполнить человек". Марвин Мински согласился, написав: "в течение одного поколения ... проблема создания"искусственного интеллекта" будет существенно решена".[8]]

Они не осознали сложности некоторых из оставшихся задач. Прогресс замедлился, и в 1974 году, в ответ на критику сэра Джеймса Лайтхилла [37] и продолжающееся давление Конгресса США на финансирование более продуктивных проектов, правительства США и Великобритании прекратили исследовательские исследования в области ИИ. Следующие несколько лет позже назвали бы "зимой ИИ", период, когда получение финансирования для проектов ИИ было трудно.

В начале 1980-х, исследование ИИ было восстановлено коммерческим успехом экспертных систем, форма программы ИИ, которая моделировала знания и аналитические навыки человеческих экспертов. К 1985 году рынок ИИ достиг более миллиарда долларов. В то же время японский компьютерный проект пятого поколения вдохновил правительства США и Великобритании на восстановление финансирования научных исследований .[9] однако, начиная с краха рынка машин Lisp в 1987 году, AI снова стал пользоваться дурной славой, и начался второй, более длительный перерыв.[11]]

В конце 1990-х и начале 21-го века ИИ начали использоваться для логистики, интеллектуального анализа данных, медицинской диагностики и других областей.[23] успех был обусловлен увеличением вычислительной мощности (см. закон Мура ), повышением внимания к решению конкретных проблем, новыми связями между ИИ и другими областями (такими как статистика , экономика и математика) и приверженностью исследователей математическим методам и научным стандартам. Deep Blue стала первой компьютерной шахматной системой, которая обыграла действующего чемпиона мира по шахматам Гарри Каспарова 11 мая 1997 года .[40]

В 2011 году под угрозой срыва! quiz show exhibition match, система ответов на вопросы IBM, Уотсон, победил две самые большие опасности! чемпионы, Брэд Раттер и Кен Дженнингс , с существенным отрывом.Более быстрые компьютеры, алгоритмические улучшения и доступ к большим объемам данных позволили прогрессу в машинном обучении и восприятии; голодные данными методы глубокого обучения начали доминировать над контрольными показателями точности приблизительно в 2012 . Kinect, который предоставляет интерфейс 3D body-motion для Xbox 360 и Xbox One, использует алгоритмы, которые появились из длительных исследований AI , как и интеллектуальные персональные помощники в смартфонах . В марте 2016 года AlphaGo выиграл 4 из 5 игр Go в матче с чемпионом Go Lee Sedol, став первой компьютерной системой Go-playing , чтобы победить профессионального игрока Go без гандикапов . в 2017 Future of Go Summit AlphaGo выиграл матч с тремя играми с Ke Jie , который в то время постоянно занимал мировой рейтинг № 1 в течение двух лет. это ознаменовало завершение важной вехи в развитии искусственного интеллекта, поскольку Go-чрезвычайно сложная игра, более сложная, чем шахматы.

По словам Джека Кларка из Bloomberg, 2015 год был знаковым для искусственного интеллекта, при этом количество программных проектов, использующих ИИ в Google, увеличилось с "спорадического использования" в 2012 году до более чем 2700 проектов. Кларк также представляет фактические данные, свидетельствующие о том, что уровень ошибок в задачах обработки изображений значительно снизился с 2011 года.Он приписывает это увеличению доступных нейронных сетей, из-за роста инфраструктуры облачных вычислений и к увеличению инструментов исследования и наборов данных. Другие приведенные примеры включают разработку Microsoft системы Skype, которая может автоматически переводить с одного языка на другой, и систему Facebook, которая может описывать изображения слепым людям. в опросе 2017 года каждая пятая компания сообщила, что они "включили ИИ в некоторые предложения или процессы". около 2016 года Китай значительно ускорил свое государственное финансирование; учитывая большой объем данных и быстро растущий объем исследований, некоторые наблюдатели считают, что он может стать "сверхдержавой ИИ".

Определения

Компьютерные науки определяют исследования ИИ как изучение "интеллектуальных агентов": любое устройство, которое воспринимает свою среду и принимает меры, которые максимизируют его шансы на успешное достижение своих целей. более подробное определение характеризует ИИ как “способность системы правильно интерпретировать внешние данные, учиться на таких данных и использовать эти знания для достижения конкретных целей и задач посредством гибкой адаптации.

Основы

Типичный ИИ анализирует окружающую среду и предпринимает действия, которые максимизируют его шансы на успех.[54] предполагаемая функция полезности ИИ (или цель) может быть простой ("1 если ИИ выигрывает игру Go , 0 в противном случае") или сложной ("выполняйте математически аналогичные действия с теми, которые преуспели в прошлом"). Цели могут быть четко определены или индуцированы. Если ИИ запрограммирован на "обучение подкреплению", цели могут быть неявно вызваны вознаграждением некоторых типов поведения или наказанием других.[A] альтернативно, эволюционная система может вызвать цели, используя " функцию пригодности"мутировать и предпочтительно копировать системы ИИ с высоким баллом, подобно тому, как животные эволюционировали, чтобы врожденно желать определенных целей, таких как поиск пищи . [56] некоторые системы ИИ, такие как ближайший сосед, вместо того, чтобы рассуждать по аналогии, эти системы обычно не имеют целей, за исключением той степени, что цели подразумеваются в их учебных данных.[57] такие системы все еще могут быть оценены, если нецелевая система составлена как система, "цель" которой состоит в том, чтобы успешно выполнить свою узкую задачу классификации.[58]]

ИИ часто вращается вокруг использования алгоритмов . Алгоритм представляет собой набор однозначных инструкций, которые может выполнить механический компьютер.[b] сложный алгоритм часто строится поверх других, более простых алгоритмов. Простым примером алгоритма является следующий (оптимальный для первого игрока) рецепт игры в крестики - нолики: [59]

   Если у кого-то есть" угроза " (то есть два в ряд), возьмите оставшийся квадрат. Иначе,
   если ход "раздваивается", чтобы создать две угрозы одновременно, играть этот ход. Иначе,
   возьмите центральную площадь, если она свободна. Иначе,
   если ваш противник играл в углу, возьмите противоположный угол. Иначе,
   возьмите пустой угол, если он существует. Иначе,
   возьмите любой пустой квадрат.

Многие алгоритмы ИИ способны учиться на данных; они могут улучшить себя, изучая новые эвристики (стратегии или "эмпирические правила", которые хорошо работали в прошлом), или могут сами писать другие алгоритмы. Некоторые из" учеников", описанных ниже, включая байесовские сети, деревья решений и ближайших соседей, теоретически могли бы (учитывая бесконечные данные, время и память) научиться аппроксимировать любую функцию, включая то, какая комбинация математических функций лучше всего описала бы мир. Таким образом, эти учащиеся могли бы получить все возможные знания, рассматривая все возможные гипотезы и сопоставляя их с данными. На практике почти никогда нельзя рассматривать каждую возможность из-за явления " комбинаторного взрыва ", когда количество времени, необходимое для решения задачи, растет экспоненциально. Большая часть исследований ИИ включает в себя выяснение того, как идентифицировать и избегать рассмотрения широкого спектра возможностей, которые вряд ли будут полезны. Например, при просмотре карты, и ищет самый короткий маршрут из Денвера в Нью-Йорк на Востоке, можно в большинстве случаев пропустить просмотр в любое путь через Сан-Франциско или других областях далеко на Запад; тем самым искусственным интеллектом, оперирующим алгоритм поиска пути, как в* удастся избежать комбинаторного взрыва, который наступит, если каждый возможный маршрут пришлось тяжело рассматривать в свою очередь.

Самый ранний (и самый простой для понимания) подход к ИИ был символизмом (например, формальная логика): "если у здорового взрослого человека есть лихорадка, то у них может быть грипп ". Второй, более общий, подход-Байесовский вывод:"если у текущего пациента есть лихорадка, отрегулируйте вероятность того, что у них есть грипп таким-то образом". Третий основной подход, чрезвычайно популярный в обычных бизнес-приложениях AI, - это аналогизаторы, такие как SVM и ближайший сосед: "После изучения записей известных прошлых пациентов, у которых температура, симптомы, возраст и другие факторы в основном соответствуют текущему пациенту, у X% этих пациентов оказался грипп". Четвертый подход сложнее интуитивно понять, но вдохновлен тем, как работает механизм мозга: искусственный нейросетевой подход использует искусственные " нейроны"это можно узнать, сравнив себя с желаемым выходом и изменив сильные стороны связей между его внутренними нейронами, чтобы "укрепить" соединения, которые казались полезными . Эти четыре основных подхода могут пересекаться друг с другом и с эволюционными системами; например, нейронные сети могут научиться делать выводы, обобщать и проводить аналогии. Некоторые системы неявно или явно используют несколько из этих подходов, наряду со многими другими алгоритмами ИИ и неаи; лучший подход часто отличается в зависимости от проблемы.

Алгоритмы обучения работают на основе того, что стратегии, алгоритмы и выводы, которые хорошо работали в прошлом, скорее всего, продолжат хорошо работать в будущем. Эти выводы могут быть очевидными, например, "поскольку солнце встает каждое утро в течение последних 10 000 дней, оно, вероятно, также встанет завтра утром". Они могут быть нюансированы, например, "X% семей имеют географически отдельные виды с цветовыми вариантами, поэтому есть вероятность Y%, что существуют неоткрытые черные лебеди". Учащиеся также работают на базе " бритвы Оккама": Самая простая теория, которая объясняет данные, является самой вероятной. Поэтому, чтобы быть успешным, ученик должен быть спроектирован таким образом, чтобы он предпочитал более простые теории сложным теориям, за исключением случаев, когда сложная теория доказана существенно лучше. Установление на плохую, чрезмерно сложную теорию gerrymandered для приспособления всех прошлых данных по тренировки как overfitting . Многие системы пытаются уменьшить переобучение, поощряя теорию в соответствии с тем, насколько хорошо она соответствует данным, но наказывая теорию в соответствии с тем, насколько сложна теория. Помимо классической переобучения, учащиеся могут также разочаровать, "изучая неправильный урок". Пример игрушки - то, что классификатор изображения, обученный только на картинах коричневых лошадей и черных кошек, мог бы заключить, что все коричневые участки, вероятно, будут лошадьми.[67]] Пример реального мира-то, что, в отличие от людей, текущие классификаторы изображения не определяют пространственные отношения между компонентами изображения; вместо этого, они изучают абстрактные образцы пикселей, на которые люди не обращают внимания, но которые линейно коррелируют с изображениями определенных типов реальных объектов. Слабое наложение такого шаблона на легитимный образ приводит к" состязательному " образу, который система неверно классифицирует/

По сравнению с людьми, существующему ИИ не хватает нескольких особенностей человеческого " здравого смысла рассуждения "; прежде всего, люди имеют мощные механизмы для рассуждений о "наивной физике", такие как пространство, время и физические взаимодействия. Это позволяет даже маленьким детям легко делать выводы типа"если я скатаю эту ручку со стола, она упадет на пол". У людей также есть мощный механизм " народной психологии"это помогает им интерпретировать предложения на естественном языке, такие как "члены городского совета отказали демонстрантам в разрешении, потому что они выступали за насилие". (Общий ИИ затрудняется сделать вывод о том, являются ли члены совета или демонстранты теми, кто якобы выступает за насилие .) Это отсутствие "общих знаний" означает, что ИИ часто делает разные ошибки, чем люди, способами, которые могут показаться непонятными. Например, существующие самоходные автомобили не могут рассуждать о местоположении или намерениях пешеходов точно так, как это делают люди, и вместо этого должны использовать нечеловеческие способы рассуждения, чтобы избежать несчастных случаев .

Проблемы

Общая цель исследования искусственного интеллекта заключается в создании технологии, которая позволяет компьютерам и машинам функционировать разумным образом. Общая проблема моделирования (или создания) интеллекта была разбита на подзадачи. Они состоят из определенных черт или возможностей, которые исследователи ожидают, что интеллектуальная система покажет. Черты, описанные ниже, получили наибольшее внимание.

Рассуждения, решение проблем

Ранние исследователи разработали алгоритмы, которые имитировали пошаговые рассуждения, которые люди используют, когда они решают головоломки или делают логические выводы.[79] к концу 1980-х и 1990-х годов исследования ИИ разработали методы работы с неопределенной или неполной информацией, используя концепции вероятности и экономики .[80]]

Эти алгоритмы оказались недостаточными для решения больших задач рассуждения, потому что они испытали "комбинаторный взрыв": они стали экспоненциально медленнее, поскольку проблемы стали больше.Фактически, даже люди редко используют пошаговую дедукцию, которую смогли смоделировать ранние исследования ИИ . Они решают большинство своих проблем, используя быстрые, интуитивные суждения.

Представление знаний

Основные статьи: Представление знаний и знание здравого смысла

Представление знаний [82] и инженерия знаний являются центральными в классических исследованиях ИИ. Некоторые "экспертные системы" пытаются собрать воедино явные знания, которыми обладают эксперты в какой-то узкой области. Кроме того, в некоторых проектах предпринимается попытка собрать "знания здравого смысла", известные обычному человеку, в базу данных, содержащую обширные знания о мире. Среди вещей, которые содержала бы всесторонняя база знаний здравого смысла: объекты, свойства, категории и отношения между объектами; ситуации, события, состояния и время ;причины и следствия;] знание о знании (то, что мы знаем о том, что знают другие люди); и многие другие, менее хорошо изученные области. Представление" того, что существует " - это онтология : набор объектов, отношений, понятий и свойств, формально описанных так, чтобы программные агенты могли их интерпретировать. Семантика этих понятий фиксируется как понятия логики описания, роли и отдельные лица и обычно реализуется как классы, свойства и отдельные лица на языке веб-онтологии .[88] наиболее общие онтологии называются верхними онтологиями, которые пытаются обеспечить основу для всех других знаний действуя как посредники между онтологиями предметной области, охватывающими конкретные знания об определенной предметной области (области интересов или области интересов). Такие формальные представления знаний могут использоваться в индексации и поиске на основе содержания, интерпретации сцены, клинической поддержке принятия решений, открытии знаний (разработка "интересных" и действенных выводов из больших баз данных), и других областях. Среди наиболее сложных проблем в представлении знаний:

Рассуждения по умолчанию и проблема квалификации=

Многие вещи, которые люди знают, принимают форму "рабочих предположений". Например, если в разговоре появляется птица, люди обычно представляют себе животное размером с кулак, которое поет и летает. Все это не относится ко всем птицам. Джон Маккарти определил эту проблему в 1969 как проблему квалификации: для любого правила здравого смысла, которое исследователи ИИ заботятся представлять, как правило, существует огромное количество исключений. Почти ничто не является просто истинным или ложным, как того требует абстрактная логика. Исследования ИИ изучили ряд решений этой проблемы.

Широта знаний здравого смысла

Число атомарных фактов, известных среднему человеку, очень велико. Исследовательские проекты, которые пытаются построить полную базу знаний о здравом смысле (например, Cyc), требуют огромного количества трудоемкой онтологической инженерии —они должны быть построены вручную, по одной сложной концепции за раз.

Субсимволическая форма некоторого знания здравого смысла

Многое из того, что люди знают, не представлено как "факты" или "утверждения", которые они могли бы выразить устно. Например, шахматист избегает определенной шахматной позиции, потому что" чувствует себя слишком уязвимым " , или искусствовед может взглянуть на статую и понять, что это подделка.Это бессознательные и субсимволические интуиции или тенденции в человеческом мозге.Такое знание информирует, поддерживает и обеспечивает контекст для символического, сознательного знания. Как и в связанной с этим проблеме субсимволического рассуждения, есть надежда, что расположенный ИИ, вычислительный интеллект или статистический ИИ обеспечит способы представления такого рода знаний.

Планирование

Главная статья: автоматизированное планирование и планирование

Интеллектуальные агенты должны уметь ставить цели и достигать их.Им нужен способ визуализировать будущее—представлять состояние мира и быть способными делать прогнозы о том, как их действия изменят его—и быть способными делать выбор, который максимизирует полезность (или "ценность") доступных выборов.

В классических задачах планирования агент может предположить, что это единственная система, действующая в мире, позволяющая агенту быть уверенным в последствиях своих действий.[103] однако, если агент не является единственным действующим лицом, то он требует, чтобы агент мог рассуждать в условиях неопределенности. Это требует агента, который может не только оценивать свою среду и делать прогнозы, но также оценивать свои прогнозы и адаптироваться на основе своей оценки.

Мультиагентное планирование использует сотрудничество и конкуренцию многих агентов для достижения данной цели. Такое эмерджентное поведение используется эволюционными алгоритмами и роевым интеллектом.

Обучение

Главная статья: машинное обучение

Машинное обучение (ML ), фундаментальная концепция исследования ИИ с момента создания поля, является изучение компьютерных алгоритмов, которые улучшаются автоматически через опыт.

Неконтролируемое обучение-это способность находить шаблоны в потоке входных данных, не требуя, чтобы человек сначала помечал входные данные. Контролируемое обучение включает в себя как классификацию , так и числовую регрессию, которая требует, чтобы человек сначала маркировал входные данные. Классификация используется, чтобы определить, к какой категории что-то принадлежит, и происходит после того, как программа видит много примеров вещей из нескольких категорий. Регрессия-это попытка создать функцию, которая описывает взаимосвязь между входами и выходами и предсказывает, как должны изменяться выходы при изменении входов. И классификаторы, и изучающие регрессию можно рассматривать как "аппроксиматоры функций", пытающиеся изучить неизвестную (возможно неявную) функцию; например, классификатор спама можно рассматривать как изучение функции, которая сопоставляется с текстом электронной почты одной из двух категорий: "спам" или "не спам". Вычислительная теория обучения может оценивать учащихся по сложности вычислений, сложности выборки (сколько данных требуется) или по другим понятиям оптимизации . в обучении подкрепления агент вознаграждается за хорошие ответы и наказывается за плохие. Агент использует эту последовательность вознаграждений и наказаний для формирования стратегии работы в своем проблемном пространстве.

Обработка естественного языка

Основная статья: обработка естественного языка

Обработка естественного языка (НЛП) дает машинам возможность читать и понимать человеческий язык . Достаточно мощная система обработки данных на естественном языке позволит использовать интерфейсы пользователей на естественном языке и получать знания непосредственно из письменных источников, таких как тексты новостей. Некоторые простые приложения обработки естественного языка включают поиск информации ,интеллектуальный анализ текста, ответы на вопросы и машинный перевод. Многие современные подходы используют частоты встречаемости слов для построения синтаксических представлений текста. Стратегии поиска" ключевых слов "популярны и масштабируемы, но глупы; поисковый запрос для" собаки "может соответствовать только документам с буквальным словом" собака "и пропустить документ со словом"пудель". Стратегии "лексического сродства" используют появление таких слов, как "несчастный случай" для оценки настроения документа. Современные статистические подходы к НЛП могут сочетать все эти стратегии, а также другие, и часто достигают приемлемой точности на уровне страницы или абзаца, но по-прежнему не имеют семантического понимания, необходимого для хорошей классификации изолированных предложений. Помимо обычных трудностей с кодированием знаний семантического здравого смысла, существующее семантическое НЛП иногда слишком плохо масштабируется, чтобы быть жизнеспособным в бизнес-приложениях. Помимо семантического НЛП, конечной целью "нарративного" НЛП является воплощение полного понимания здравого смысла.

Восприятие

Основные статьи: машинное восприятие, компьютерное зрение, распознавание речи

Машинное восприятие-способность использовать входные данные от датчиков (таких как камеры (видимый спектр или инфракрасный), микрофоны, беспроводные сигналы и активный лидар, гидролокатор , радар и тактильные датчики), чтобы вывести аспекты мира . Приложения включают распознавание речи , распознавание лиц и распознавание объектов . компьютерное зрение возможность анализа визуального ввода. Такой ввод обычно неоднозначен; гигантский пятидесятиметровый пешеход, находящийся далеко, может производить точно такие же пиксели, что и соседний пешеход нормального размера, требуя, чтобы ИИ оценивал относительную вероятность и разумность различных интерпретаций, например, используя свою "объектную модель", чтобы оценить, что пятидесятиметровых пешеходов не существует/

Движение и манипуляция

ИИ активно используется в робототехнике .Продвинутые роботизированные руки и другие промышленные роботы , широко используемые на современных фабриках, могут учиться на опыте, как эффективно двигаться несмотря на присутствие трения и проскальзывания механизма.Современный мобильный робот, при наличии небольшой, статической и видимой среды, может легко определить свое местоположение и отобразить свою среду; однако динамические среды, такие как (в эндоскопии ) интерьер дыхательного тела пациента, представляют большую проблему. Планирование движения процесс ломать вниз с задачи движения в "примитивы"как индивидуальные совместные движения. Такое движение часто включает податливое движение, процесс, в котором движение требует поддержания физического контакта с объектом.Парадокс Моравека обобщает, что низкоуровневые сенсомоторные навыки, которые люди принимают как должное, парадоксально, трудно запрограммировать в робота; парадокс назван в честь Ханса Моравека ВОЗ заявила в 1988 году, что "сравнительно легко заставить компьютеры демонстрировать производительность взрослого уровня на тестах интеллекта или игре в шашки и трудно или невозможно дать им навыки годовалого ребенка, когда речь идет о восприятии и мобильности". это объясняется тем, что, в отличие от шашек, физическая ловкость была прямой целью естественного отбора в течение миллионов лет.