Sadržaj
Izvor: iLexx / iStockphoto
Oduzeti:
Umjetna inteligencija jednog dana se može postići umjetnim neuronskim mrežama, ali postoji nekoliko ključnih razlika između ovih uzbudljivih tehnologija.
Umjetna inteligencija (AI) i umjetna neuronska mreža (ANN) dva su uzbudljiva i isprepletena polja u računalnoj znanosti. Međutim, postoji nekoliko razlika između njih dvojice o kojima vrijedi znati.
Ključna razlika je u tome što su neuronske mreže odskočna daska u potrazi za umjetnom inteligencijom.
Umjetna inteligencija ogromno je polje koje ima cilj stvoriti inteligentne strojeve, nešto što je postignuto mnogo puta ovisno o načinu definiranja inteligencije. Unatoč činjenici da imamo računala koja mogu pobijediti u "opasnosti" i pobijediti prvake u šahu, cilj AI-ja općenito se vidi kao potraga za općom inteligencijom ili inteligencijom koja se može primijeniti na raznolike i nepovezane situacijske probleme.
Mnogi AI-ovi izgrađeni do danas izgrađeni su s namjenom, poput pokretanja robota koji igra ping pong ili dominira u „Jeopardyju“. To je neizbježan rezultat kada kompjuterski znanstvenici sjede i naprave nešto za obavljanje određenog zadatka. - završe s nečim što može obaviti taj zadatak, a ne puno drugo.
Da bi zaobišli ovaj problem AI usmjerenih na zadaće, računalni znanstvenici su se počeli igrati oko umjetnih neuronskih mreža. Naši općenito inteligentni mozgovi sastoje se od bioloških neuronskih mreža koje uspostavljaju veze na temelju naše percepcije i vanjskog podražaja.
Grubo pojednostavljen primjer je bol od opeklina. Kad se to prvi put dogodi, u vašem se mozgu uspostavlja veza koja identificira osjetilne informacije poznate kao vatra (plamen, miris dima, vrućina) i povezuje ih s bolom. Ovako u vrlo mladoj dobi učite kako ne bi izgorjeli. Kroz istu neurološku mrežu možemo napraviti puno općeg učenja poput „sladoled dobrog ukusa“, pa čak i napraviti razlučne skokove poput „uvijek ima oblaka prije kiše“ ili „zalihe se uvijek skupljaju u prosincu.“ Ovi skokovi nisu uvijek točni (postoji loš sladoled i postoje zalihe koje padaju u prosincu), ali one se mogu ispraviti iskustvom, omogućujući tako prilagodljivo učenje.
Umjetne neuronske mreže pokušavaju ponovno uspostaviti ovaj sustav učenja na računalima konstruirajući jednostavan okvirni program kako bi odgovorio na problem i dobio povratne informacije o tome. Računalo može optimizirati svoj odgovor radeći isti problem tisućama puta i prilagođavajući svoj odgovor prema povratnim informacijama koje dobije. Računalo može imati drugačiji problem kojem može pristupiti na isti način kao što je naučio iz prethodnog. Promjenom problema i brojem pristupa njihovom rješavanju koje je računalo naučilo, računalni znanstvenici mogu računalo naučiti kao općenito.
Iako ovo dočarava slike računala koja preuzimaju svijet i prinose ljude kao što je to vidljivo u holivudskim filmovima poput "Martrix", još smo daleko od neuronskog umrežavanja do umjetne inteligencije. Problemi koji se testiraju na neuronskim mrežama izraženi su matematički. Ne možete držati cvijet do računala i reći mu da pogađa boju po mirisu, jer bi se miris morao izraziti brojevima, a zatim bi računalo trebalo katalogizirati te brojeve u memoriju, zajedno sa slikama cvijeća emitirajući taj miris.
Bez grešaka, bez stresa - Vaš korak po korak vodič za stvaranje softvera koji mijenja život bez uništavanja života
Ne možete poboljšati svoje programiranje kad nikoga nije briga za kvalitetu softvera.
U skladu s tim, umjetne neuronske mreže kojima se može dati više ulaza kao što su miris - i sposobnost da se nauče iz svih tih ulaza - možda su na putu da proizvedu prvu umjetnu inteligenciju koja zadovoljava standarde čak i najtvrđih ljubitelja AI.
U biti su umjetne neuronske mreže modeli ljudskih neuronskih mreža koji su osmišljeni kako bi pomogli računalima da nauče. Umjetna inteligencija je Sveti Gral koji neki računalni znanstvenici pokušavaju postići pomoću tehnika poput oponašanja neuronskih mreža.