செயற்கை அறிவுத்திறன்

செயற்கை நுண்ணறிவு (AI ) என்பது இயந்திரங்களின் நுண்ணறிவு மற்றும் இதனை உருவாக்குவதை நோக்கமாகக் கொண்ட கணினி அறிவியலின் ஒரு பிரிவாகும். பெரும்பாலான AI உரைநூல்கள் இத்துறையினை "நுண்ணறிவுக் கருவிகளைப் பற்றிப் படித்தல் மற்றும் வடிவமைத்தல்" என வரையறுக்கின்றன,[1] இதில் நுண்ணறிவுக் கருவி என்பது, தன் சூழ்நிலையை உணர்ந்து அதிக வெற்றி வாய்ப்புகளுக்குத் தக்கவாறு செயலில் ஈடுபடும் ஒரு அமைப்பாகும்.[2] ஜான் மேக்கர்த்தி என்பவர் 1956 இல் இந்தச் சொல்லை அறிமுகப்படுத்தி, [10] இதனை "நுண்ணறிவு இயந்திரங்களை உருவாக்கும் அறிவியல் மற்றும் பொறியியல்" என வரையறுத்தார்.[3]

இந்தத் துறையானது மனிதர்களின் ஒரு பொதுவான குணத்தைக் கருத்தில் கொண்டு உருவாக்கப்பட்டது, அதாவது நுண்ணறிவு - ஹோமோ செப்பியன்களின் பகுத்தறிவு - இத்தகைய குணத்தை ஓர் இயந்திரத்திலும் வடிவமைக்க முடியும் என துல்லியமாக விவரிக்க முடியும்.[4] இது மனதின் இயல்பு மற்றும் அறிவியல் பெருமிதங்களின் எல்லைகள் தொடர்பான பல சிக்கல்களைத் தோற்றுவித்தது, மேலும் இந்த சிக்கல்கள் பழமைச் சின்னங்களிலிருந்து புராணம், புதினம் மற்றும் தத்துவம் போன்றவற்றால் விளக்கப்பட்டன.[5] செயற்கை நுண்ணறிவானது ஒரு கடினமான நன்னம்பிக்கையின் துறையாக இருந்துவந்தது,[6] இது துரதிஷ்டவசமாக பல பின்னடைவுகளுக்கு ஆளானது [7] ஆனால் இன்று, இது தொழில்நுட்பம் சார்ந்த துறையில் ஒரு முக்கியமான பங்கு வகிக்கிறது, மேலும் கணினி அறிவியலில் பல மிகவும் கடினமான பிரச்சனைகளை தீர்ப்பதற்கும் உதவுகிறது.[8]

AI ஆராய்ச்சியானது மிகவும் தொழில்நுட்பமானதும் சிறப்பு வாய்ந்ததும் ஆகும், இதனால் சில திறனாய்வாளர்கள் இத்துறையின் "துண்டாதலுக்கு" கடுமையாக எதிர்ப்பு தெரிவிக்கின்றனர்.[9] AI ன் துணைப்பிரிவுகள், குறிப்பிட்ட சிக்கல்கள், குறிப்பிட்ட கருவிகளின் பயன்பாடுகள் மற்றும் கருத்துக்களின் நீண்டக்கால கொள்கையியல் வேறுபாடுகள் ஆகியவற்றைச் சூழ்ந்து அமைந்துள்ளன. AI ன் முக்கியமான சிக்கல்கள், பகுத்தறிதல், அறிவு, திட்டமிடல், கற்றல், தகவல்தொடர்பு, உணர்ந்தறிதல் மற்றும் பொருள்களை நகர்த்துதல் மற்றும் கையாளுதல் திறன் ஆகிய சில தனிக்கூறுகளை உள்ளடக்கியுள்ளது.[10] பொது நுண்ணறிவானது (அல்லது "வலிமையான AI") சில ஆய்வுகளின்[11] நீண்டகால நோக்கமாக இருந்து வருகிறது இருப்பினும் பெரும்பாலான ஆராய்ச்சியாளர்கள் இது சாத்தியமற்றது எனக் கருதுகின்றனர்.

AI ஆராய்ச்சியின் வரலாறு

20 ஆம் நூற்றாண்டின் மத்தியில், சில அறிவியல் ஆராய்ச்சியாளர்கள், நரம்பியலின் சமீபத்திய கண்டுபிடிப்புகள், தகவலின் ஒரு புதிய கணிதவியல் கொள்கை, தன்னாள்வியல் என்று அழைக்கப்படுகின்ற, கட்டுப்பாடு மற்றும் நிலைப்புத்தன்மையைப் புரிந்துகொள்ளுதல் மற்றும் இவை எல்லாவற்றுக்கும் மேலாக, மனிதனின் கணிதவியல் பகுத்தறிதல் செயலைச் செய்யக்கூடிய வகையில் உருவாக்கப்பட்ட டிஜிட்டல் கணினியின் கண்டுபிடிப்பு ஆகியவற்றின் அடிப்படையில் நுண்ணறிவு இயந்திரங்களை உருவாக்குவதற்கான புதிய அணுகுமுறைகளைத் தேடத் தொடங்கினர்.[12]

நவீன AI ஆராய்ச்சித் துறையானது, 1956 ஆம் ஆண்டு, கோடைக் காலத்தில், டார்ட்மவுத் கல்லூரி வளாகத்தில் நடந்த மாநாட்டில் நிறுவப்பட்டது.[13] இதன் பங்கேற்பாளர்கள் பிற்காலத்தில், பல ஆண்டுகள் AI ஆராய்ச்சியின் தலைவர்களாக இருந்தனர், இதில் ஜான் மெக்கர்த்தி, மார்வின் மின்ஸ்கி, ஆலென் நேவெல் மற்றும் ஹெர்பர்ட் சைமன் ஆகியோர் குறிப்பிடத்தக்கவர்கள், இவர்கள் MIT, CMU மற்றும் ஸ்டான்ஃபோர்டு ஆகிய இடங்களில் AI ஆய்வுக்கூடங்களை நிறுவினர். இவர்களும் இவர்களது மாணவர்களும் எழுதிய நிரல்கள், பெரும்பாலான மக்கள் வியக்கத்தக்க வகையில் இருந்தன:[14] கணினிகள், இயற்கணிதத்திலுள்ள வார்த்தைச் சிக்கல்களைத் தீர்த்தல், தர்க்கரீதியான தேற்றங்களை நிரூபித்தல் மற்றும் ஆங்கிலம் பேசுதல் ஆகிய செயல்களைச் செய்தன.[15] 60களின் மத்தியில், இவர்களது ஆராய்ச்சிக்கு, U.S. பாதுகாப்புத் துறை மிக அதிக அளவில் நிதியளித்தது,[16] மேலும் இதில் ஈடுபட்டவர்கள் பின்வரும் யூகங்களைச் செய்தனர்:

  • 1965, எச். ஏ. சைமன்: "இருபது ஆண்டுகளுக்குள், மனிதனால் செய்யக்கூடிய எந்த வேலையையும் இயந்திரங்கள் செய்யும்".[17]
  • 1967, மார்வின் மின்ஸ்கி: "ஒரு தலைமுறைக்குள் ... 'செயற்கை நுண்ணறிவு' உருவாக்குதலின் சிக்கல்கள் கணிசமாகத் தீர்க்கப்பட்டுவிடும்."[18]

அவர்கள் தாங்கள் எதிர்கொண்ட சில சிக்கல்களின் கடுமையைக் கண்டுணரவில்லை.[19] 1974 இல், இங்கிலாந்தின் சர் ஜேம்ஸ் லைட்ஹில்லின் திறனாய்வுக்கு மறுவினையாகவும் அதிக உற்பத்தித்திறனுடைய திட்டங்களுக்கு நிதியளிக்குமாறு காங்கிரஸ் கொடுத்த நெருக்கடியினாலும் U.S. மற்றும் பிரிட்டிஷ் அரசாங்கங்கள், சிறந்த இலக்கற்ற மற்றும் விளக்கவியல் சார்ந்த AI ஆராய்ச்சிகள் அனைத்தையும் நிறுத்தின, இது முதல் AI முடக்க காலம் உருவாக வழிவகுத்தது.[20]

80களின் தொடக்கத்தில், expert systems,[21] இன் வர்த்தக வெற்றியால், AI ஆராய்ச்சியானது மீண்டும் உயிரூட்டப்பட்டது, இது ஒன்று அல்லது அதற்கு மேற்பட்ட மனித நிபுணர்களின் அறிவு மற்றும் பகுத்துணரும் திறன் ஆகியவற்றை உருவாக்கக்கூடிய AI நிரலின் ஒரு வடிவமாகும். 1985 க்குள், AI சந்தையானது ஒரு பில்லியன் டாலர்களைத் தொட்டது, இதனால் அரசாங்கங்கள் மீண்டும் நிதியளிக்கத் தொடங்கின.[22] சில ஆண்டுகளுக்குப் பின்னர், 1987 இல் Lisp கணினிச் சந்தை வீழ்ச்சியடையத் தொடங்கியதால், AI மீண்டும் மிகத்தாழ்வான நிலைக்குத் தள்ளப்பட்டது, இதனால் இரண்டாம், நீண்டகாலம் நிலைக்கக்கூடிய AI முடக்க காலம் தொடங்கியது.[23]

90களிலும் 21 ஆம் நூற்றாண்டின் தொடக்கத்திலும், AI துறை மிக அபாரமான வெற்றிகளை அடைந்தது, இருப்பினும் இது சிறிது காட்சிக்கு எட்டாவண்ணமே இருந்தது. செயற்கை நுண்ணறிவானது, லாஜிஸ்டிக்ஸ், தரவு செயலாக்கம், மருத்துவ அறுதியிடல் மற்றும் தொழில்நுட்ப தொழிற்சாலைகள் முழுவதும் பிற பல துறைகளிலும் பயன்படுத்தப்படுகிறது.[8] வெற்றிக்கான பல்வேறு காரணிகள்: இன்றைய கணினிகளின் வியக்கத்தகு திறன் (காண்க: மூரின் விதி), குறிப்பிட்ட துணைச்சிக்கல்களைத் தீர்ப்பதற்கான மிகுந்த சிரத்தை, AI மற்றும் இதே போன்ற சிக்கல்களைக் கையாளும் பிற துறைகளுடனான ஒத்துழைப்பு மற்றும் இவை எல்லாவற்றிற்கும் மேலாக, சிறந்த கணிதவியல் வழிமுறைகள் மற்றும் பெரும் அறிவியல் தரத்திட்டங்கள் ஆகியவற்றில் ஆராய்ச்சியாளர்கள் வழங்கிய புதிய பங்களிப்பும் ஒரு முக்கிய காரணமாக இருந்தது.[24]

AI இன் தத்துவம்

செயற்கை நுண்ணறிவானது, மனித மனத்தின் திறன்களை செயற்கையாக உருவாக்க முடியும் என்ற வலியுறுத்தலால், தத்துவத்திற்கு ஒரு சவாலாகவும், ஊக்கமளிப்பதாகவும் இருந்தது. இயந்திரங்கள் எந்த அளவுக்கு நுண்ணறிவுடன் இருக்க முடியும் என்பதற்கு எல்லைகள் உள்ளதா? மனித நுண்ணறிவுக்கும், செயற்கை நுண்ணறிவுக்கும் இடையே ஏதேனும் முக்கியமான வித்தியாசங்கள் உள்ளனவா? ஓர் இயந்திரம், மனம் மற்றும் உணர்நிலை ஆகியவற்றைப் பெற்றிருக்க முடியுமா? இந்த வினாக்களுக்கான மிகப் பிரபலமான பதில்களில், ஒரு சில கீழே கொடுக்கப்பட்டுள்ளன.[25]

டரிங்கின் "பண்பட்ட மரபு"
ஓர் இயந்திரமானது மனிதனைப்போலவே நுண்ணறிவுடன் செயல்பட்டால், அது மனிதனைப்போல நுண்ணறிவு கொண்டதாகவே இருக்கும். ஓர் இயந்திரத்தின் நடத்தையைக் கொண்டு மட்டுமே அதன் நுண்ணறிவைத் தீர்மானிக்க முடியும் என ஆலன் டரிங் கூறினார். இந்தக் கொள்கையே டரிங் சோதனைக்கு அடிப்படையாக விளங்கியது.[26]
டார்ட்மவுத் திட்ட அறிமுகம்
"நுண்ணறிவின் கற்றல் அல்லது எந்தவொரு அம்சத்தின் அனைத்துக் கூறுகளையும், ஓர் இயந்திரத்தால் செய்ய இயலக் கூடிய ஒன்று எனத் துல்லியமாக விவரிக்கலாம்." இந்தக் கருத்தானது 1956 இன் டார்ட்மவுத் விவாதத்தின் முன்மொழிதலில் அச்சிடப்பட்டது, மேலும் அது மிகவும் அதிக பங்களிப்பை வழங்கும் AI ஆராய்ச்சியாளர்களின் நிலையையும் வெளிப்படுத்துகிறது.[4]
நேவெல் மற்றும் சைமனின் இயற்பியல் குறியீடு அமைப்பு கருத்தியல்
"ஓர் இயற்பியல் குறியீடு அமைப்பு என்பது போதுமான அளவு தேவையான பொது நுண்ணறிவுச் செயல்களை உள்ளடக்கியதாக உள்ளது." இந்தக் கருத்தானது, குறியீடுகளைக் கையாளும் திறனே நுண்ணறிவின் சாராம்சமாகும் என வலியுறுத்துகிறது.[27] மாறாக, மனித நிபுணத்துவமானது அறிநிலையுள்ள குறியீட்டு கையாளுதலைக் காட்டிலும் அறிநிலையற்ற உள்ளார்ந்தப் பண்பையும் சார்ந்துள்ளது, மேலும் வெறும் குறியீட்டு அறிவைக் காட்டிலும் சூழலைக் குறித்த ஒரு "உணர்வின்" பயன்பாட்டையே சார்ந்துள்ளது, என ஹூபெர்ட் ட்ரேஃபஸ் வாதிட்டார்.[28][29]
கோடெலின் முழுமையற்ற தன்மைத் தேற்றம்
ஒரு (கணினி நிரல் போன்ற) முறைசார் அமைப்பால் சரியான அனைத்துக் கருத்துக்களையும் நிரூபிக்க முடியாது. இயந்திரங்கள் என்னவெல்லாம் செய்ய முடியும் என்பதை கோடெலின் தேற்றம் வரையறுக்கிறது என்று கூறியவர்களில் ரோஜர் பென்ரோஸ் ஒருவர்.[30][31]
சியர்ளின் வலிமையான AI கருத்தியல்
"மிகச் சரியான முறையில் நிரலாக்கம் செய்யப்பட்ட கணினி, சரியான உள்ளீடுகளையும் வெளியீடுகளையும் கொண்டிருக்கும்பட்சத்தில், மனித மனம் செயல்படும் அதே விதத்திலான மனதைக் கொண்டிருக்க முடியும்." [32] சியர்ள் இந்தக் கருத்தை தனது சைனீஸ் ரூம் விவாதத்தைக் கொண்டு எதிர்க்கிறார், அந்த விவாதம், கணினியின் உள்ளே பார்த்து அதில் "மனம்" எங்கு உள்ளது எனத் தேடிப் பார்க்குமாறு கூறுகிறது.[33]
செயற்கை மூளை விவாதம்
மூளையைப் போன்ற ஒன்றை உருவாக்க முடியும். தொழில்நுட்பத்தைப் பயன்படுத்தி மூளையை வன்பொருள் மற்றும் மென்பொருளுக்கு நகலெடுக்க முடியும் என ஹான்ஸ் மோரவேக், ரே கர்ஸ்வெயில் மற்றும் பிறர் வாதிட்டனர், மேலும் அவ்வாறு உருவாக்கியது கண்டிப்பாக அசல் மூளையை ஒத்ததாக இருக்கும், இருக்க வேண்டும் எனவும் வாதிட்டனர்.[34]

AI ஆராய்ச்சி

21 ஆம் நூற்றாண்டில், AI ஆராய்ச்சியானது மிகவும் தனித்துவம் மற்றும் தொழில்நுட்பம் கொண்டதாக மாறியது, மேலும் அடிக்கடி தொடர்புகொள்ளாத துணைப் பிரிவுகளாகப் பிரிந்தது.[9] தனிப்பட்ட நிறுவனங்கள், தனிப்பட்ட ஆராய்ச்சியாளர்களின் பணி, குறிப்பிட்ட சிக்கல்களுக்கான தீர்வு, AI எவ்வாறு மேற்கொள்ளப்பட வேண்டும் என்பது பற்றி நீண்டநாளாக நிலவிய வேறுபட்ட கருத்துக்கள் மற்றும் பெரிதும் வேறுபட்ட கருவிகளின் பயன்பாடு ஆகியவற்றினால் தனிப்பட்ட துறைகள் வளர்ந்தன.

AI இன் சிக்கல்கள்

நுண்ணறிவு மாதிரியாக்கல் (அல்லது உருவாக்குதல்) சிக்கலானது குறிப்பிட்ட எண்ணிக்கையிலான துணை சிக்கல்களாக பகுப்படைந்தது. இவை ஆராய்ச்சியாளர்கள் தோற்றுவிக்க விரும்பிய நுண்ணறிவு அமைப்பின் குறிப்பிட்ட தனிக்கூறுகள் அல்லது திறன்களைக் கொண்டிருந்தன. கீழே விவரிக்கப்பட்டுள்ள தனிக்கூறுகள் மிகுந்த கவனத்தைப் பெற்றுன.[10]

பொருத்தியறிதல், பகுத்தறிதல், சிக்கல் தீர்த்தல்

முதலில் AI ஆராய்ச்சியாளர்கள், மனிதர்கள் புதிர்களை தீர்த்தல், அட்டை விளையாட்டுகளை விளையாடுதல் அல்லது தர்க்கரீதியாக பொருத்தியறிதல்களை உருவாக்குதல் போன்றவற்றில் பயன்படுத்தும் படிப்பபடியான பகுத்தறிதலைப் போன்ற வழிமுறைகளை உருவாக்கினர்.[35] 80களின் இறுதி மற்றும் 90களில், நிகழ்தகவு மற்றும் பொருளாதாரம் ஆகியவற்றிலுள்ள கருத்துகளைப் பயன்படுத்தி, உறுதியற்ற அல்லது முழுமைபெறாத தகவல்களைக் கையாள்வதற்கான மிக வெற்றிகரமான முறைகளை AI ஆராய்ச்சி உருவாக்கியது.[36]

மிகவும் கடினமான சிக்கல்களுக்கு, இந்த வழிமுறைகளைப் பயன்படுத்த மிகப்பெரிய கணிப்பு வளங்கள் தேவைப்படலாம் - இவற்றில் பெரும்பாலானவை "சேர்க்கை வெடிப் பெருக்கத்தை" அடைகின்றன: சிக்கல் அளவு ஒரு குறிப்பிட்ட எல்லையைக் கடந்து செல்லும்போது அதற்குத் தேவையான நினைவகத்தின் அளவு அல்லது கணினியின் நேரம் ஆகியவை அளவிடமுடியாத அளவிற்கு அதிகரிக்கிறது. AI ஆராய்ச்சியில் மிகவும் சிறந்த சிக்கல் தீர்க்கும் வழிமுறைகளின் தேடலே அதிக முன்னுரிமை பெற்றது.[37]

மனிதர்கள், அவர்களின் பெரும்பாலான சிக்கல்களை, பழைய AI ஆராய்ச்சி மாதிரியாக முயற்சித்த உணர்நிலை, படிப்படியான பொருத்தியறிதலுக்குப் பதிலாக வேகமான, உள்ளுணர்வு தீர்ப்புகளின் மூலமே தீர்க்கின்றனர். இந்த வகையான "துணைக் குறியீட்டு" சிக்கல் தீர்த்தலை உருவாக்குவதில் AI ஓரளவு முன்னேற்றம் கண்டது: உயர்ந்த பகுத்தறிதலுக்கான உணர்திறன் இயந்திரத்தின் திறன்களின் முக்கியத்துவத்தை உள்ளடக்க அணுகுமுறைகள் வலியுறுத்துகின்றன, நரம்பியல் வலையமைப்பு ஆராய்ச்சியானது, இந்தத் திறனை அதிகரிக்கச் செய்வதற்காக, மனித மற்றும் விலங்கு மூளைகளின் உள்ளமைப்பைப் போன்ற அமைப்புகளை உருவாக்க முயற்சிக்கின்றன.

அறிவு விளக்கச் செயல்பாடு

அறிவு விளக்கச் செயல்பாடு [38] மற்றும் கணினி-அறிவுப் பொறியியல் [39] ஆகியவை AI ஆராய்ச்சிக்கு முக்கியமானவை. கணினிகள் தீர்க்க வேண்டிய சிக்கல்களில் பெரும்பாலானவற்றைத் தீர்க்க, உலகம் பற்றிய விரிவான அறிவு தேவைப்படுகிறது. AI எடுத்துரைக்க வேண்டியவற்றில் இவையும் அடங்கும்: பொருட்கள், பண்புகள், வகைகள் மற்றும் பொருட்களுக்கு இடையேயான தொடர்புகள்;[40] சூழ்நிலைகள், நிகழ்வுகள், நிலைகள் மற்றும் காலம்;[41] காரணங்கள் மற்றும் விளைவுகள்;[42] அறிவைப் பற்றிய அறிவு (மற்றவர் என்ன அறிந்துள்ளனர் என்பது பற்றி நாம் என்ன அறிந்துள்ளோம் என்பது);[43] மற்றும் பல, நன்கு ஆராயப்படாத பகுதிகள். உள்ளியம் என்பது "என்ன இருக்கிறது" என்பதற்கான முழுமையான விளக்கமாகும் [44] (இந்த வார்த்தை மரபியல் தத்துவத்தில் இருந்து பெறப்பட்டது), அவை பொதுவாக உயர்நிலை உள்ளியங்கள் என்று அழைக்கப்படுகின்றன.

அறிவு விளக்கத்தில் உள்ள மிகக் கடினமான சிக்கல்கள்:

இயல்பான பகுத்தறிதல் மற்றும் தகுதிச் சிக்கல்
மக்கள் அறிந்துள்ளவற்றில் பெரும்பாலானவை "தகுந்த அனுமானங்கள்" என்ற வடிவத்திலேயே உள்ளன. எடுத்துக்காட்டாக, ஒரு பறவை பற்றிய பேச்சு எழும்போது, பொதுவாக மக்கள் கைப்பிடி அளவுள்ள, பாடுகின்ற மற்றும் பறக்கின்ற ஒரு உயிரினத்தைக் கற்பனை செய்கின்றனர். இவையனைத்தும் அனைத்துப் பறவைகளுக்கும் பொருந்துவதில்லை. 1969 இல் ஜான் மெக்கர்த்தி இந்தச் சிக்கலை தகுதிச் சிக்கல் எனக் கண்டறிந்தார் [45]: AI ஆராய்ச்சியாளர்கள் விளக்க முற்படும் எந்தப் பகுத்தறிவு விதியும், பல விதிவிலக்குகள் இருப்பது இயல்பு. கருத்துநிலைத் தர்க்கத்திற்குத் தேவையான சரி அல்லது தவறு என்ற இரு வடிவத்தில் மட்டுமே எதுவும் இருப்பதில்லை. AI ஆராய்ச்சியானது இந்தச் சிக்கலுக்கு பல தீர்வுகளை ஆராய்ந்துள்ளது.[46]
பொது அறிவுத்திறன் பற்றிய பெரும் புரிதல்
சராசரி மனிதனுக்குத் தெரிந்த அணுக்கள் பற்றிய பல உண்மைகள் எண்ணிலடங்காதன. பொது அறிவுத்திறனின் ஒரு முழுமையான அறிவுத் தொகுப்பை உருவாக்க முயற்சித்த ஆராய்ச்சிப் பணித்திட்டங்களுக்கு (எ.கா., Cyc) உள்ளியப் பொறியியலில் பெரிய அளவிலான நீடித்த உழைப்பு தேவைப்படுகிறது — ஒரே நேரத்தில் அவற்றை இயந்திர உதவியில்லாமல் கண்டிப்பாக உருவாக்க வேண்டியிருந்தது.[47] கணினியே, இணையம் போன்ற ஆதாரங்களிலிருந்து படித்து அறிந்துகொள்ளக் கூடிய போதுமான அளவு கருத்துகளை புரிந்துகொள்ள வைப்பதே முக்கிய இலக்காகும், மேலும் அவற்றை அதன் உள்ளியத்துடன் சேர்த்துக்கொள்ள முடிய வேண்டும்.
சில பொது அறிவுத்திறன்களின் துணைக் குறியீட்டு வடிவம்
மக்கள் அறிந்துள்ளவற்றில் பெரும்பாலானவை, அவர்கள் வெளியே கூறக் கூடிய "தகவல்கள்" அல்லது "அறிக்கைகளாக" விளக்கப்படுவதில்லை. எடுத்துக்காட்டாக, ஒரு தேர்ச்சி பெற்ற செஸ் வீரர் "மிகவும் பாதுகாப்பற்றது எனக் கருதும்" காரணத்தால் ஒரு குறிப்பிட்ட செஸ் நிலையைத் தவிர்ப்பார் [48] அல்லது ஒரு கைதேர்ந்த சிற்பி ஒரு சிலையைப் ஒரு முறை பார்த்தவுடனே அது போலி என்பதை உணர்ந்திடுவார்.[49] இவை மூளையில் உணர்நிலை அல்லாத விதத்திலும் துணைக்குறியீட்டு முறையிலும் விளக்கப்படும் உள்ளுணர்வுகள் அல்லது அணுகுமுறைகள் ஆகும். இது போன்ற அறிவே, குறியீட்டு அடிப்படையிலான உணர்நிலை அறிவுக்கு உணர்த்துகிறது, ஆதரவளிக்கிறது மற்றும் ஒரு சூழலை வழங்குகிறது. துணைக்குறியீட்டு பகுத்தறிதல் தொடர்பான சிக்கலில், இந்த வகையான அறிவை வெளிப்படுத்தும் வழிகளை, இடம்பெற்றுள்ள AI அல்லது கணினி சார்ந்த நுண்ணறிவு வழங்கும் என்று நம்பப்படுகிறது.[50]

திட்டமிடுதல்

நுண்ணறிவுக் கருவிகள் கண்டிப்பாக இலக்குகளை அமைத்து அவற்றை அடையும் திறனுடைவையாக இருக்க வேண்டும்.[51] அவை எதிர்காலத்தைக் காட்சிப்படுத்தும் வழியைக் கொண்டிருக்க வேண்டும் (அவை உலகின் தற்போதைய நிலைக்கான விளக்கத்தைகொண்டிருக்க வேண்டும் மேலும் அவற்றின் செயல்பாடுகள் எவ்வாறு அதனை மாற்றப்போகிறது என்பதற்கான முன் கணிப்புகளை உருவாக்க முடிய வேண்டும்) மேலும் கிடைக்கும் தேர்வுகளின் பயன்பாட்டை (அல்லது "மதிப்பை") அதிகப்படுத்தும் வகையிலான வழிகளைத் தேர்வு செய்ய முடிய வேண்டும்.[52]

சில திட்டமிடல் சிக்கல்களில் கருவியானது, உலகில் அது மட்டுமே இருப்பதாகவும் செயல்படுவதாகவும் அனுமானித்துக்கொள்ளலாம், மேலும் அதன் செயல்பாடுகளால் ஏற்படும் விளைவுகள் குறித்து அவை நிச்சயமாக இருக்க முடியும்.[53] இருப்பினும், அது உண்மையில்லை என்றால், உலகம் சார்ந்த அதன் ஊகங்களின் பொருத்தங்களை சரிபார்த்து அதைப் பொறுத்து தனது திட்டத்தை தேவைக்கேற்ப அடிக்கடி மாற்றம் செய்யவேண்டும். காரணம், கருவியானது நிச்சயமின்மையின் அடிப்படையில் முடிவெடுக்க வேண்டும்.[54]

பல-ஏஜெண்ட் திட்டமிடலானது, கொடுக்கப்பட்ட குறிக்கோளை அடைவதற்கு பல ஏஜெண்டுகளிடையேயான ஒத்துழைப்பையும் போட்டியையும் பயன்படுத்துகிறது. இது போன்ற தன்னிச்சை நடத்தையானது பரிணாம வழிமுறைகள் மற்றும் திரள் நுண்ணறிவு ஆகியவற்றால் பயன்படுத்தப்படுகிறது.[55]

கற்றல்

இயந்திரக் கற்றல் [56] என்பது தொடக்கத்திலிருந்தே AI ஆராய்ச்சிக்கு விளங்கி வருகிறது.[57] மேற்பார்வையின்றி கற்றல் என்பது தொடர்ச்சியான உள்ளீடுகளில் குறிப்பிட்ட வகை அம்சத்தைக் கண்டறியும் திறனாகும். மேற்பார்வையில் கற்றல் என்பது வகைப்படுத்தல் (பல்வேறு வகைகளில் இருந்து பல மாதிரிகளின் எடுத்துக்காட்டுக்களைப் பார்த்த பிறகு, ஒன்று எந்த வகையைச் சேர்ந்தது எனக் கண்டறிய முடிவது) மற்றும் ஒப்பீட்டுத் தீர்வு (கொடுக்கப்பட்ட பல உள்ளீடு/வெளியீடு மாதிரிகள் தொகுப்பில், உள்ளீடுகளிலிருந்து தொடர்ச்சியான வெளியீடுகளை வழங்கும் சார்பைக் கண்டுபிடிப்பது) இரண்டையும் உள்ளடக்கியது ஆகும். வலுவூட்டல் கற்றலில் [58] கருவியானது நல்ல பதில்களுக்கு வெகுமதியும் தவறுகளுக்கு தண்டனையும் பெறுகிறது. இவற்றை தீர்வுகாணல் கொள்கையின் கருத்துகளின்படி பயன்பாடு போன்ற கருத்துக்களைப் பயன்படுத்தி பகுப்பாய்வு செய்யமுடியும். இயந்திரக் கற்றல் வழிமுறைகளின் கணிதவியல் பகுப்பாய்வுகள் மற்றும் அவற்றின் செயல்திறன் என்பது கணினி கற்றல் கொள்கை எனப்படும் கருத்தியல் கணினி அறிவியலின் ஒரு துறையாகும்.

இயல்பு மொழித் தகவலியல்

இயல்பு மொழித் தகவலியல் [59] என்பது மனிதர்கள் பேசும் மொழிகளை படிக்கும் மற்றும் புரிந்துகொள்ளும் திறனை இயந்திரங்களுக்கு வழங்குகிறது. போதுமான திறனுள்ள இயல்பு மொழித் தகவலியல் அமைப்பால், இணையத்தில் கிடைக்கும் உரைகளைப் படிப்பதன் மூலம் தானாகவே அறிவைப் பெற முடியும் என்று பல ஆராய்ச்சியாளர்கள் நம்புகிறார்கள். இயல்பு மொழித் தகவலியலின் சில நேரடியான பயன்பாடுகள், தகவல் தரவு பெறுதல் (அல்லது உரைத் தரவு செயலாக்கம்) மற்றும் இயந்திர மொழிபெயர்ப்பு ஆகியவற்றை உள்ளடக்கியது.[60]

இயக்கமும் கையாளுதலும்
ASIMO இயந்திர மனிதனானது எதிரே உள்ள பொருள்களில் மோதாமல் தவிர்க்க உணர்கருவிகளையும் நுண்ணறிவு வழிமுறைகளையும் பயன்படுத்துகிறது மேலும் அது படிகளில் ஏறக்கூடியதும் ஆகும்.

ரோபோவியல் துறையானது [61] AI க்கு மிகவும் நெருக்கமானது. இது, பொருட்களைக் கையாளுதல் [62] மற்றும் வழிச்செலுத்துதல் ஆகிய பணிகளுக்கும் இடமறிதல் (எங்கு இருக்கிறீர்கள் என்று அறிதல்), தன்னிலையறிதல் (உங்களைச் சுற்றி என்ன உள்ளது என்பதைக் கற்றல்) மற்றும் இயக்கத் திட்டமிடல் (அங்கு எவ்வாறு செல்வது என்பதைக் கண்டறிதல்) போன்ற துணைச் சிக்கல்களுக்கும் ரோபோக்களுக்கு நுண்ணறிவு அவசியம்.[63]

புலனறிதல்

இயந்திரப் புலனறிதல் [64] என்பது உணர்கருவிகளிலிருந்து (கேமராக்கள், மைக்ரோபோன்கள், சோனார் மற்றும் பிற விந்தையானவை) வரும் உள்ளீடுகளைப் பயன்படுத்தி உலகின் தன்மைகளை உய்த்தறியும் திறனாகும். கணினி பார்வை [65] என்பது காட்சி உள்ளீட்டை பகுப்பாயும் திறனாகும். பேச்சு ஏற்பு,[66] பொருள் ஏற்பு மற்றும் முக ஏற்பு ஆகியவை சில துணைச் சிக்கல்கள் ஆகும்.[67]

சமூக நுண்ணறிவு
கிஸ்மத், வளர்ச்சியற்ற சமூகத் திறன்களைக் கொண்ட ஒரு ரோபோ

ஒரு நுண்ணறிவுக் கருவிக்கு, உணர்ச்சி மற்றும் சமூகத் திறன்கள் ஆகியன இரண்டு பங்கை வகிக்கின்றன:[68]

  • இது மற்றவர்களின் செயல்பாடுகளை அவர்களின் நோக்கங்கள் மற்றும் உணர்ச்சி நிலைகளை புரிந்துகொள்வதன் மூலம் கண்டிப்பாக யூகிக்க முடிய வேண்டும். (இதில் விளையாட்டுக் கொள்கை, தீர்வுகாணல் கொள்கை ஆகியவற்றின் கூறுகளும், அதே போன்று உணர்ச்சிகளைக் கண்டறிவதற்கான மனித உணர்ச்சிகளின் மாதிரி உருவாக்குதல் திறன் மற்றும் உய்த்தறியும் திறன்கள் ஆகியன அடங்கும்.)
  • நல்ல மனிதன்-கணினி தொடர்புக்கு, ஒரு நுண்ணறிவு இயந்திரமானது உணர்ச்சிகளைக் காட்சிப்படுத்துவது அவசியம் — குறைந்தபட்சம் தொடர்புகொள்ளும் மனிதர்களிடம் தொடர்புகொள்வதில் பணிவாகவும் உணர்திறனுள்ளவையாகவும் தோன்ற வேண்டும். இது இயல்பான உணர்வுகளைத் தன்னகத்தே கொண்டிருப்பது மிகவும் சிறப்பு.

படைப்புத்திறன்
TOPIO, TOSY நிறுவனத்தால் உருவாக்கப்பட்ட பிங்க்-பாங் விளையாடக்கூடிய ஒரு ரோபோ.

AI இன் துணைத் துறையானது, படைப்புத்திறனை கொள்கை ரீதியாகவும் (தத்துவ ரீதியாகவும் உளவியல் பார்வையிலும்) (படைப்புத்திறனாகக் கருதப்படக்கூடிய வெளியீடுகளை உருவாக்கும் முறைமைகளைச் செயல்படுத்துவதன் மூலம்) செயல்முறையாகவும் அணுகுகிறது.

பொது நுண்ணறிவு

பொரும்பாலான ஆராய்ச்சியாளர்கள், அவர்களின் பணியானது, இறுதியாக பொது நுண்ணறிவு (வலிமையான AI என்றழைக்கப்படுகிறது), மனிதனின் அனைத்துத் திறன்களுக்கும் மேலானவற்றைக் கொண்டிருக்கும் அல்லது அவற்றில் பெரும்பாலானவற்றைக் கொண்டிருக்கும் வகையில் மேலேகூறிய திறன்கள் அனைத்தையும் ஒருங்கே அமைக்கப்பட்டு ஓர் இயந்திரத்தில் உள்ளமைக்கப்படும் என நம்புகின்றனர்.[11] சிலர் அது போன்ற திட்டத்திற்கு செயற்கை உணர்நிலை அல்லது ஒரு செயற்கை மூளை போன்ற மனிதவுருவக அம்சங்கள் தேவைப்படுவதாக நம்புகின்றனர்.[69]

மேலே கூறிய பல சிக்கல்கள் AI இன் கடும் சிக்கல்களாகக் கருதப்படுகின்றன: ஒரு சிக்கலைத் தீர்க்க, கண்டிப்பாக அந்தச் சிக்கல்கள் அனைத்தையும் தீர்க்க வேண்டும். எடுத்துக்காட்டாக, இயந்திர மொழிபெயர்ப்பு போன்ற ஒரு நேரடியான தனித்துவமான பணிக்கும், ஆசிரியரின் வாதத்தை (காரணம்) இயந்திரம் பின்பற்ற வேண்டியதும் எதைப் பற்றிப் பேசப்படுகிறது என்பதைத் தெரிந்து வைத்திருப்பதும் (அறிவு) ஆசிரியரின் கருத்தை உண்மையாக வெளிப்படுத்துவதும் (சமூக நுண்ணறிவு) அவசியமாகிறது. ஆகவே இயந்திர மொழிபெயர்ப்பு, AI இன் கடும் சிக்கல் என நம்பப்படுகிறது: அதற்கு மனிதர்கள் செய்வது போன்றே வலிமையான AI தேவைப்படுகிறது.[70]

AI க்கான அணுகுமுறைகள்

AI ஆராய்ச்சிக்கு வழிகாட்டி என்று கருதக்கூடிய வகையிலான சிறந்த ஒருமித்த கொள்கை அல்லது முன்னுதாரணம் எதுவும் இல்லை. ஆராய்ச்சியாளர்கள் பல கருத்துக்களில் முரண்படுகின்றனர்.[71] இவை நிண்ட காலமாகவே பதிலளிக்கப்படாத கேள்விகளாகும்: உளவியல் அல்லது நரம்பியலைப் படிப்பதன் மூலம் செயற்கை நுண்ணறிவானது இயற்கையான நுண்ணறிவைப் போலவே ஒன்றை உருவாக்க வேண்டுமா? அல்லது பறவையின் உயிரியலானது வானூர்திப் பொறியியலுடன் தொடர்பற்றது என்பதைப் போலவே மனிதனின் உயிரியலானது AI ஆராய்ச்சியுடன் தொடர்பற்றதா? [72] நுண்ணறிவு நடத்தையை (தர்க்கம் அல்லது சிறந்ததைத் தேர்ந்தெடுத்தல் போன்ற) எளிய தத்துவங்களின் மூலம் விளக்க முடியுமா? அல்லது அதற்கு ஒன்றுக்கொன்று கொஞ்சமும் தொடர்பில்லாத பல சிக்கல்களைத் தீர்ப்பது அவசியமா? [73] சொற்கள் மற்றும் கருத்துக்களைப் போலவே உயர் நிலைக் குறியீடுகளைப் பயன்படுத்தி நுண்ணறிவை உருவாக்க முடியுமா? அல்லது அதற்கு "துணைக் குறியீடுகள்" செயலாக்கம் தேவையா? [74]

தன்னாள்வியலும் மூளை உருவாக்கமும்
மனித மூளையானது செயற்கை நுண்ணறிவு ஆய்வாளர்களுக்கு ஊக்கத்தை வழங்குகிறது, இருந்தாலும் மனிதமூளையை கண்டிப்பாக எவ்வாறு ஒத்திருப்பது என்பதில் கருத்தொற்றுமை இல்லை.

1940களிலும் 1950களிலும், பல ஆராய்ச்சியாளர்கள் நரம்பியல், தகவல் கொள்கை மற்றும் தான்னாள்வியல் ஆகியவற்றுக்கிடையே உள்ள தொடர்பை வெளிக்கொணர்ந்தனர். அவர்களில் சிலர், டபள்யூ. கிரே வால்டரின் டர்ட்டில்கள் மற்றும் ஜான்ஸ் ஹோப்கின்ஸ் பீஸ்ட் போன்ற, அடிப்படை நுண்ணறிவை ஒத்த வகையில் இயங்க மின்னணு நெட்வொர்க்குகளைப் பயன்படுத்திய இயந்திரங்களை உருவாக்கினர். இந்த ஆராய்ச்சியாளர்களில் பலர் பிரின்ஸ்டன் பல்கலைகழகம் மற்றும் இங்கிலாந்தில் உள்ள ரேஷியோ கிளப் ஆகிய இடங்களில் உள்ள நோக்கவியல் உளவியல் சங்கத்தில் மாநாடுகளைக் கூட்டினர்.[12] 1960 இல், இந்த வகை அணுகுமுறை பெரிதும் கைவிடப்பட்டது, இருப்பினும் அதன் அம்சங்கள் மீண்டும் 1980களில் மறுபரிசீலினை செய்யப்பட்டன.

பாரம்பரிய குறியீட்டு AI

1950களின் மத்தியில் டிஜிட்டல் கணினிகளுக்கான அணுகல் சாத்தியமான போது, மனித நுண்ணறிவை குறியீடுகளின் அமைப்புகளாக வடிவமைப்பது சாத்தியமா என AI ஆராய்ச்சித் துறை ஆராயத் தொடங்கியது. இந்த ஆராய்ச்சி பிரதானமாக மூன்று நிறுவனங்களில் நிகழ்த்தப்பட்டது: CMU, ஸ்டான்ஃபோர்டு மற்றும் MIT ஆகிய நிறுவனங்களே அவை. மேலும் அவை ஒவ்வொன்றும் தனக்கே உரிய பாணியில் ஆராய்ச்சியை மேற்கொண்டன. ஜான் ஹாயக்லேண்ட், இந்த AI அணுகுமுறைகளை "சிறந்த பழைய வகை AI" அல்லது "GOFAI" என அழைக்கிறார்.[75]

அறிநிலை உருவாக்கம்
பொருளியலாளர் ஹெர்பர்ட் சைமன் மற்றும் ஆலன் நேவெல் ஆகியோர் மனிதனின் சிக்கல் தீர்ப்புத் திறன்களை ஆராய்ந்து அவற்றைச் சூத்திரப்படுத்த முயற்சித்தனர், மேலும் அவர்களின் இந்தச் செயல் செயற்கை நுண்ணறிவு மற்றும் அறிநிலை அறிவியல், செயல்முறை ஆய்வுகள் மற்றும் மேலேண்மை அறிவியல் ஆகிய அனைத்துத் துறைகளுக்குமான அடிப்படையை உருவாக்கியது. அவர்களின் ஆராய்ச்சிக் குழுவினர், மனிதனின் சிக்கல் தீர்ப்புத் திறனுக்கும் அவர்கள் உருவாக்கிவந்த ("General Problem Solver" போன்ற) நிரல்களுக்கும் உள்ள ஒப்புமைகளை விளக்க பல உளவியல் சோதனைகளை மேற்கெண்டனர். கார்னகி மெலன் பல்கலைக்கழகத்தில் உருவான இந்த மரபு தொடர்ந்து 80களின் மத்தியில் Soar கட்டமைப்புக்கு வழிகோளியது.[76][77]
தர்க்க ரீதியான AI
நேவெல் மற்றும் சைமன் ஆகியோர் போலன்றி, இயந்திரங்கள் மனித சிந்தனையை மீண்டும் உருவாக்கத் தேவையில்லை, மாறாக தனிப்பட்ட சிந்தனை மற்றும் சிக்கல் தீர்த்தல் திறன்களின் சாரத்தை மட்டும் கொண்டிருந்தாலே போதும், இதற்கு அவை மனிதர்கள் பயன்படுத்தும் அதே சிந்தனை வழிமுறைகளைப் பயன்படுத்த வேண்டும் என்ற அவசியமும் இல்லை என ஜான் மேக்கர்த்தி கருதினார்.[72] ஸ்டான்ஃபோர்டில் உள்ள அவரது ஆய்வகம் (SAIL), அறிவு விளக்கச் செயல்பாடு, திட்டமிடல் மற்றும் கற்றல் உட்பட பல வகையான சிக்கல்களைத் தீர்ப்பதற்கான முறையான தர்க்கத்தைப் பயன்படுத்துவதில் கவனம் செலுத்தியது.[78] எடின்பர்க் பல்கலைக்கழகத்தில் நிகழ்த்தப்பட்ட பணிகளிலும் Prolog நிரலாக்க மொழி மற்றும் தர்க்க நிரலாக்கம் ஆகியவை உருவாக வழிகோளிய செயல்பாடுகள் ஐரோப்பாவில் எங்கெல்லாம் நிகழ்ந்ததோ அங்கெல்லாமும் தர்க்கம் என்பதே மையக் கருத்தாக இருந்தது.[79]
"சீரற்ற" குறியீட்டு AI
MIT இன் (மார்வின் மின்ஸ்கி மற்றும் சேய்மொர் பேபெர்ட் போன்ற) ஆராய்ச்சியாளர்கள் [80], பார்வை மற்றும் இயல்பு மொழித் தகவலியல் ஆகியவற்றில் கடினமான சிக்கல்களைத் தீர்ப்பதற்கு தனித்துவமான தீர்வுகள் தேவை எனக் கண்டறிந்தனர் – மேலும் நுண்ணறிவு நடத்தையின் அனைத்து அம்சங்களையும் கையாளும் வகையிலான (தர்க்கம் போன்ற) எளிய மற்றும் பொதுவான தத்துவம் எதுவும் இல்லை எனவும் வாதிட்டனர். ரோஜர் ஸ்ஹான்க், அவர்களின் "தர்க்கத்திற்கு எதிரான" அணுகுமுறையை (CMU மற்றும் ஸ்டான்ஃபோர்டில் காணப்பட்ட "தெளிவான" வழிமுறைகளைப் போல இல்லாமல்) "சீரற்றது" என விவரிக்கிறார்.[73] (டக் லெனாட்டின் Cyc போன்ற) பொது அறிவுத்திறன் தொகுப்புகள் "சீரற்ற" AI க்கு எடுத்துக்காட்டுகளாகும், காரணம் அவற்றைக் கைமுறையாக உருவாக்க வேண்டியிருந்தது அதே நேரத்தில் மிகவும் சிக்கலான கருத்தாகவும் இருந்தது.[81]
அறிவை அடிப்படையாகக் கொண்ட AI
1970 ஆம் ஆண்டுகளில் அதிக நினைவகங்களைக் கொண்ட கணினிகள் கிடைத்த போது, மூன்று மரபுகளைச் சேர்ந்த ஆராய்ச்சியாளர்களும் AI பயன்பாடுகளில் அறிவை உள்ளமைக்கத் தொடங்கினர்.[82] இந்த "அறிவுப் புரட்சியானது" முதன் முதல் உண்மையான வெற்றிகரமான AI மென்பொருள் வடிவமான expert systemகளின் (எட்வர்டு ஃபெயிகென்பம் அறிமுகப்படுத்தியது) உருவாக்கத்திற்கும் வினியோகத்திற்கும் வழிகோளியது.[21] பல எளிய AI பயன்பாடுகளுக்கும் பெருமளவிலான அறிவு தேவைப்படும் என்பதை உணர்ந்ததும் இந்த அறிவுப் புரட்சிக்கு காரணமாகும்.

துணைக் குறியீட்டு AI

1960களின் போது, சிறிய விளக்க நிரல்களில் உயர் நிலை சிந்தனைகளை உருவாக்குவதில் குறியீட்டு அணுகுமுறைகள் பெரும் வெற்றி கண்டன. தன்னாள்வியல் அல்லது நரம்பியல் வலையமைப்புகளை அடிப்படையாகக் கொண்ட அணுகுமுறைகள் கைவிடப்பட்டன அல்லது பின்னுக்குத் தள்ளப்பட்டன.[83] இருப்பினும் 1980களில், குறியீட்டு முறைகளின் முன்னேற்றம் நின்றுவிட்டது, மேலும் குறியீட்டு முறைகள் மனித சிந்தனையின் அனைத்துச் செயல்களையும் செய்ய முடியாது எனப் பலர் நம்பினர், குறிப்பாக புலன் உணர்வு, ரோபோவியல், கற்றல் மற்றும் வகை அறிதல். பல ஆராய்ச்சியாளர்கள் தனிப்பட்ட AI சிக்கல்களுக்கு "துணைக் குறியீட்டு" அணுகுமுறைகளைப் பயன்படுத்த்திப் பார்க்கத் தொடங்கினர்.[74]

அடி முதல் நுனி வரை, உள்ளமைக்கப்பட்ட, இடம்பெற்றுள்ள, நடத்தை அடிப்படையிலான அல்லது நௌவெல்லி AI
ரோபோவியலுக்குத் தொடர்புடைய துறைகளைச் சேர்ந்த ரோட்னி ப்ரூக்ஸ் போன்ற ஆராய்ச்சியாளர்கள், குறியீட்டு AI ஐ நிராகரித்து ரோபோக்கள் நகரவும் வசிக்கவும் தேவையான அடிப்படை பொறியியல் சிக்கல்களில் கவனத்தைச் செலுத்தினர்.[84] அவர்களின் பணி, 50களைச் சேர்ந்த முந்தைய தன்னாள்வியல் ஆராய்ச்சியாளர்களின் குறியீடற்ற கருத்தியலுக்கு புத்துயிரளிப்பதாக இருந்தது, மேலும் AI இல் கட்டுப்பாட்டுக் கொள்கையை அறிமுகப் படுத்தியது. இந்த அணுகுமுறைகள் கருத்தியலின்படி உள்ளமைக்கப்பட்ட மன ஆய்வறிக்கையுடன் தொடர்புடையது.
கணினி சார்ந்த நுண்ணறிவு
நரம்பியல் வலையமைப்புகள் மற்றும் "தொடர்பியல்" ஆகியவற்றிலான ஈடுபாடுகள் 1980களின் மத்தியில் டேவிட் ருமேல்ஹார்ட் மற்றும் பிறரால் புத்துயிர் பெற்றன.[85] இவையும் தெளிவில்லா அமைப்புகள் மற்றும் பரிணாம கணிப்பு போன்ற பிற துணைக் குறியீட்டு அணுகுமுறைகளும் தற்போது தொகுப்பாக வளர்ந்துவரும் கணினி சார்ந்த நுண்ணறிவின் தனியொரு பிரிவாக ஆராயப்படுகின்றன.[86]

புள்ளியியல் AI

1990களில், AI ஆராய்ச்சியாளர்கள் தனித்துவமான துணைச் சிக்கல்களைத் தீர்க்க உதவும் நுண்ணியல்புடைய கணிதவியல் கருவிகளை உருவாக்கினர். இந்தக் கருவிகளின் முடிவுகளை அளவிடவும் சரிபார்க்கவும் முடிகிறது என்ற வகையில் இவை உண்மையில் அறிவியல் பூர்வமானவை, மேலும் AI இன் சமீபத்திய வெற்றிகளில் பெரும்பான்மையானவற்றுக்கு அவையே காரணமாக அமைந்துள்ளன. பகிரப்பட்ட கணிதவியல் மொழியும் (கணிதவியல், பொருளாதாரம் அல்லது செயல்முறை ஆய்வுகள் போன்ற) வளர்ச்சி பெற்ற துறைகளுடனான உயர்நிலைக் கூட்டுச் செயல்பாட்டை அனுமதித்தது. Russell & Norvig (2003) இந்த நிகழ்வை "புரட்சி" என்றும் "நேர்த்தித் தன்மைகளின் வெற்றி" என்றும் அழைக்கிறார்.[24]

அணுகுமுறைகளைத் தொகுத்தல்
நுண்ணறிவுக் கருவி முன்னுதாரணம்
நுண்ணறிவுக் கருவி என்பது தன்னுடைய சூழலை உணர்ந்து அதன் வெற்றிக்கான வாய்ப்பை அதிகரிக்கும் வகையிலான செயல்களைச் செய்யக்கூடிய ஒரு அமைப்பாகும். குறிப்பிட்ட சிக்கல்களைத் தீர்க்கும் நிரல்களை, மிக எளிய நுண்ணறிவுக் கருவிகள் எனலாம். பகுத்தறியும், சிந்திக்கும் மனித இனமே மிகச் சிக்கலான நுண்ணறிவுக் கருவியாகும்.[87] ஒற்றை அணுகுமுறையைச் சாராமல் தனித்துவமான சிக்கல்களை ஆய்வு செய்யவும் அவற்றுக்கான தீர்வைக் கண்டறியவும் இந்த முன்னுதாரணமே ஆராய்ச்சியாளர்களுக்கு உதவுகிறது, மேலும் அந்தத் தீர்வுகள் சரிபார்க்கக் கூடியதும் அதே நேரத்தில் பயனுள்ளதாகவும் உள்ளன. ஒரு குறிப்பிட்ட சிக்கலைத் தீர்க்கும் ஒரு கருவி, ஏதுவான எந்த அணுகுமுறையையும் பயன்படுத்திக் கொள்ளலாம் — சில கருவிகள் குறியீடு மற்றும் தர்க்க ரீதியானவை, சில கருவிகள் துணைக் குறியீட்டு நரம்பியல் வலையமைப்புகள் அணுகுமுறையைக் கொண்டவை, இன்னும் சில புதிய அணுகுமுறைகளையும் பயன்படுத்தின. இந்த முன்னுதாரணம் ஆராய்ச்சியாளர்களுக்கு பிற துறைகளுடன் தொடர்புகொள்வதற்கான ஒரு பொதுவான மொழியையும் வழங்கியது— தீர்வுகாணல் கொள்கை மற்றும் பொருளாதாரம் போன்றவை அவற்றுள் அடங்கும்—அவையும் தனித்துவமான கருவிகள் கருத்தைப் பயன்படுத்துகின்றன. நுண்ணறிவுக் கருவி முன்னுதாரணமானது 1990களில் பரவலாக ஏற்றுக்கொள்ளப்பட்டது.[88]
கருவிக் கட்டமைப்பு அல்லது சிந்தனைக் கட்டமைப்பு
ஒரு பல-கருவி அமைப்பில் செயல்படக்கூடிய நுண்ணறிவுக் கருவிகள் உள்ளமைக்கப்பட்ட நுண்ணறிவுக் கருவிகளை ஆராய்ச்சியாளர்கள் உருவாக்கியுள்ளனர்.[89] குறியீட்டு மற்றும் துணைக் குறியீட்டு அமைப்புகளை ஒருங்கே கொண்டுள்ள அமைப்பை கலப்பின நுண்ணறிவு அமைப்பு என்கிறோம், மேலும் அவ்வகை அமைப்புகளைப் பற்றிய கல்வி செயற்கை நுண்ணறிவு அமைப்புகள் ஒருமைப்பாட்டியல் எனப்படும். ஒரு வரிசையமைப்புக் கட்டுப்பாட்டு முறைமையானது அதன் கீழ் நிலையில் உள்ள துணைக் குறியீட்டு AI மற்றும் உயர் நிலையில் உள்ள மறுவினை நிலைகள் மற்றும் மரபார்ந்த குறியீட்டு AI ஆகியவற்றுக்கிடையே ஒரு பாலமாக உள்ளது, இதில் ஓய்வு நேரத் தடைகளின் போது திட்டமிடலும் உலக மாதிரி அறிதலும் நிகழ்கிறது.[90] ரோட்னி ப்ரூக்ஸ் இன் அடிப்படைக் கருதுகோள் கட்டமைப்பு என்பது அது போன்ற ஒரு வரிசையமைப்பு முறைமைக்கான முந்தைய முன்மொழிதலாகும்.

AI ஆராய்ச்சியின் கருவிகள்

50 கால ஆராய்ச்சியில் கணினி அறிவியலில் உள்ள மிகக் கடினமான சிக்கல்களைத் தீர்ப்பதற்கு அதிக அளவிலான கருவிகளை AI உருவாக்கியுள்ளது. அந்த முறைகளில் பொதுவான சிலவற்றைப் பற்றி இங்கு விவரிக்கப்பட்டுள்ளது.

தேடலும் ஏற்புடையதாக்குதலும்

சாத்தியமான பல தீர்வுகளைத் தேடுவதன் மூலம் கோட்பாட்டளவிலே AI இன் பெரும்பாலான சிக்கல்களைத் தீர்க்க முடியும்:[91] பகுத்தறிதல் என்பதை தேடலை நிகழ்த்துதல் என்ற நிலைக்குக் கீழிறக்கலாம். எடுத்துக்காட்டாக, தர்க்க ரீதியான நிரூபணம் என்பதை, கருதுகோள்களிலிருந்து தீர்மானங்களுக்குச் செல்லும் பாதையின் தேடலாகக் கருதலாம், இதில் ஒவ்வொரு படியும் ஒரு யூக விதியின் பயன்பாடாகும்.[92] திட்டமிடல் வழிமுறைகள் குறிக்கோள்கள் மற்றும் துணைக் குறிக்கோள்களின் கிளையமைப்புகள் வழியே தேடுகின்றன, அதில் இலக்குக் குறிக்கோளை அடையும் பாதையைக் கண்டறிவதற்கான முயற்சி மேற்கொள்ளப்படுகிறது, இந்தச் செயலே பொருள்-முடிவு பகுப்பாய்வு எனப்படுகிறது.[93] உறுப்புகளை அசைக்கவும் பொருள்களைப் பிடிக்கவும் பயன்படும் ரோபோவியல் வழிமுறைகள் உள்ளமைப்புப் பகுதியிலான அகத் தேடலைப் பயன்படுத்துகின்றன.[62] பல கற்றல் வழிமுறைகள் ஏற்புடையதாக்குதலின் அடிப்படையிலமைந்த தேடல் வழிமுறைகளைப் பயன்படுத்துகின்றன.

எளிய முழுமையான தேடல்கள் [94] பெரும்பாலான யதார்த்த உலகின் சிக்கல்களுக்கு அரிதாகப் போதுமானவையாக உள்ளன: இதில் தேடல் பகுதியானது (தேட வேண்டிய இடங்களின் எண்ணிக்கை) விரைவில் மிக அதிகமான எண்ணிக்கைக்குச் செல்கிறது. மிக மெதுவான அல்லது முடிவடையாத தேடலே இதன் முடிவாகும். குறிக்கோளை அடைய உதவாததாகத் தோன்றும் தேர்வுகளைப் புறக்கணிக்கும் (இதுவே "தேடல் கிளையமைப்பைப் பண்படுத்தல்" என்று அழைக்கப்படுகிறது) "தீர்வு விதிகள்" அல்லது "அடிப்படை விதியைப்" பயன்படுத்துவதே பெரும்பாலான சிக்கல்களுக்குத் தீர்வாகும். தீர்வு விதிகள், எந்தப் பாதையில் தீர்வு கிடைக்கும் என்பதற்கான "சிறந்த யூகத்தை" நிரலுக்கு வழங்குகின்றன.[95]

1990களில் மிகவும் வித்தியாசமான தேடல் ஒன்று தோன்றி முக்கியத்துவம் பெற்றது, அது கணிதவியலின் சிறந்ததைத் தேர்ந்தெடுத்தல் கோட்பாட்டின் அடிப்படையில் அமைந்திருந்தது. பெரும்பாலான சிக்கல்களுக்கு, ஏதேனும் ஒரு யூகத்தின் வடிவத்தில் தேடலைத் தொடங்கி, படிப்படியாக அந்த யூகத்தைச் செம்மைப்படுத்திக்கொண்டே சென்று, மேலும் செம்மைப்படுத்த முடியாத நிலையை அடையும் வரை அதைத் தொடர முடியும். இந்த வழிமுறைகளை கண்மூடித்தனமான மலையேறுதல் தேடலைப் போலக் கருதலாம்: இதில் அடித்தளத்தில் ஏதோ ஒரு புள்ளியில் தேடலைத் தொடங்கி, படிப்படியாக மேல்நோக்கி யூகத்தை நகர்த்தி மேல்மட்டத்தை அடையும் வரை அது தொடரப்படுகிறது. பிற சிறந்ததைத் தேர்ந்தெடுத்தல் வழிமுறைகளில் தூண்டு உருவாக்கம், கற்றைத் தேடல் மற்றும் சீரற்ற தேர்வுமுறை ஆகியவை அடங்கும்.[96]

பரிணாம கணிப்பு வழிமுறையானது சிறந்ததைத் தேர்ந்தெடுத்தல் தேடல் வகையைப் பயன்படுத்துகிறது. எடுத்துக்காட்டாக, அவை யூகக் குழுக்களின் தொகுப்பில் (யூகங்கள்) தொடங்கி அவற்றை மாற்றத்துக்குள்ளாக்கியும் செம்மைப்படுத்தியும் ஒவ்வொரு மாற்றத்திலும் தக்கனவற்றை மட்டுமே தொடர்ந்து இருப்பதற்குத் தேர்ந்தெடுக்கின்றன (யூகங்களைச் செம்மைப்படுத்தல்). பரிணாம கணிப்பு வகைகளில் (எறும்புக் கூட்ட முறை அல்லது துகள் திரள் தேர்வுமுறை போன்ற) திரள் நுண்ணறிவு வழிமுறைகள் அடங்கும் [97] மேலும் பின்வருவனவற்றைப் போன்ற பரிணாம வழிமுறைகளும் பரிணாம கணிப்பு வகைகளில் அடங்கும் [98] : மரபியல் வழிமுறைகள் மற்றும் மரபியல் நிரலாக்கம் [99][100].

தர்க்கம்

தர்க்கம் [101] என்பதை AI ஆராய்ச்சிக்கு அறிமுகப்படுத்தியவர் ஜான் மேக்கர்த்தி ஆவார். அவர் இதை 1958 ஆம் ஆண்டில் தனது Advice Taker திட்ட அறிமுகத்தில் அறிமுகப்படுத்தினார். 1963 இல், ஜெ. ஆலன் ராபின்சன் என்பவர் ஒரு எளிய, சிக்கலான மற்றும் முழுவதும் வழிமுறை அடிப்படையிலான தர்க்க ரீதியான பொருத்தியறிதல் முறையைக் கண்டுபிடித்தார், இதை டிஜிட்டல் கணினிகள் எளிதாக நிகழ்த்த முடியும்.[102] இருப்பினும், அந்த வழிமுறையின் அறியாமை மிக்க பயன்பாட்டினால் சேர்க்கை வெடிப் பெருக்கம் அல்லது ஓர் முடிவிலா சுழற்சி உருவானது. 1974 இல், ராபர்ட் கொவல்ஸ்கி என்பவர் தர்க்க ரீதியான கோவைகளை ஹார்ன் கூறுகளாக (விதிகளின் வடிவில் அமைந்த அறிக்கைகள்: "if p then q ") அமைப்பதைப் பரிந்துரைத்தார், இது தர்க்க ரீதியான பொருத்தியறிதலை பின்னோக்கிய சங்கிலியாக்கம் அல்லது முன்னோக்கிய சங்கிலியாக்கமாக மாற்றியது. இது அந்தச் சிக்கலை ஓரளவு தணித்தது (ஆனாலும் முழுவதும் நீக்கவில்லை).[92][103]

தர்க்கம் என்பது அறிவு விளக்கச் செயல்பாட்டுக்கும் சிக்கல் தீர்த்தலுக்கும் பயன்படுத்தப்படுகிறது, ஆனால் பிற சிக்கல்களுக்கும் அதைப் பயன்படுத்த முடியும். எடுத்துக்காட்டாக, சாட் திட்டம் வழிமுறையானது தர்க்கத்தை திட்டமிடலுக்குப் பயன்படுத்துகிறது,[104] மேலும் உண்மை ஒப்பீட்டு தர்க்க நிரலாக்கம் என்பது ஒரு கற்றல் முறையாகும்.[105] AI ஆராய்ச்சியில் பல வெவ்வேறு தர்க்க வகைகள் பயன்படுத்தப்படுகின்றன.

  • கருத்துரை அல்லது சொற்றொடரியல் தர்க்கம் [106] என்பது சரி அல்லது தவறு என்ற இரு விதமாக மட்டுமே இருக்கக்கூடிய அறிக்கைகளின் தர்க்கமாகும்.
  • முதல்-வரிசை தர்க்கம் [107] எனும் தர்க்கமும் அளவிடல்களையும் பயனிலைகளையும் பயன்படுத்துவதை அனுமதிக்கிறது, மேலும் பொருள்களின் குணங்கள், மற்றவற்றுடன் அவற்றுக்குள்ள தொடர்பு போன்ற தன்மைகளைப் பற்றியும் அவற்றால் விவரிக்க முடியும்.
  • தெளிவில்லா தர்க்கம், என்பது முதல்-வரிசை தர்க்கத்தின் ஒரு வடிவமே ஆகும், அது வெறும் சரி (1) அல்லது தவறு (0) என்பதைப் போலன்றி ஓர் அறிக்கையின் உண்மையை 0 அல்லது 1 க்கு இடைப்பட்ட மதிப்பாக விவரிக்க அனுமதிக்கிறது. தெளிவில்லா தர்க்கங்களை நிச்சயமற்றவற்றின் பகுத்தறிதலுக்குப் பயன்படுத்தலாம், மேலும் நவீன தொழிற்துறை மற்றும் நுகர்வோர் தயாரிப்புக் கட்டுப்பாட்டு முறைமைகளிலும் அவை பெரிதும் பயன்பட்டுவந்தன.[108]
  • இயல்பு தர்க்கங்கள், ஒற்றைப் போக்கற்ற தர்க்கங்கள் மற்றும் கட்டுப்படுத்தல்(தர்க்கம்) ஆகியவை இயல்பான பகுத்தறிதல் மற்றும் தகுதிச் சிக்கல் ஆகியவற்றுக்கு உதவியாகப் பயன்படும் வகையில் உருவாக்கப்பட்ட தர்க்க வகைகளாகும்.[46]
  • அறிவின் குறிப்பிட்ட பகுதிகளைக் கையாள்வதற்கென தர்க்கங்களின் நீட்டிப்புகள் பல உருவாக்கப்பட்டன அவற்றில் சில: விளக்க தர்க்கங்கள்;[40] சூழ்நிலை நுண்கணிதம், நிகழ்வு நுண்கணிதம் மற்றும் நிலை நுண்கணிதம் (நிகழ்வுகளையும் நேரத்தையும் விளக்குவதற்கு);[41] காரண நுண்கணிதம்;[42] கோட்பாட்டு நுண்கணிதம்; மற்றும் பயன்முறைத் தர்க்கங்கள்.[43]

நிச்சயமற்ற பகுத்தறிதலுக்கான நிகழ்தகவு அடிப்படையிலான முறை

AI இன் பல சிக்கல்களுக்கு (பகுத்தறிதல், திட்டமிடல், கற்றல், புலனறிதல் மற்றும் ரோபோவியல் ஆகியவற்றில்) கருவியானது முழுமையற்ற அல்லது நிச்சயமற்ற தகவலுடன் செயலாற்றுவது அவசியமாகிறது. 80களின் பிந்தைய ஆண்டுகள் மற்றும் 90களில் தொடங்கி ஜூடியா பியர்ள் மற்றும் பிறர், இந்தச் சிக்கல்களைத் தீர்ப்பதற்கான பல ஆற்றல் மிக்க கருவிகளை உருவாக்குவதற்கு நிகழ்தகவு கோட்பாடு மற்றும் பொருளாதாரம் ஆகியவற்றிலிருந்து பெறப்பட்ட முறைகளைப் பயன்படுத்துவதில் வெற்றி கண்டனர்.[109][110]

பேயேஸியன் நெட்வொர்க்குகள் [111] மிகவும் பொதுவானவை, பின்வருவன போன்ற அதிக எண்ணிக்கையிலான சிக்கல்களைத் தீர்க்க அவற்றைப் பயன்படுத்தலாம்: பகுத்தறிதல் (பேயேஸியன் அனுமான வழிமுறையைப் பயன்படுத்தி நிகழ்த்தப்படுவது),[112] கற்றல் (எதிர்பார்ப்பு-மிகுதியாக்கல் வழிமுறையைப்) பயன்படுத்தி நிகழ்த்தப்படுவது,[113] திட்டமிடல் (தீர்வுகாணல் நெட்வொர்க்குகளைப் பயன்படுத்தி நிகழ்த்தப்படுவது) [114] மற்றும் புலனறிதல் (மாறும் பேயேஸியன் நெட்வொர்க்குகளைப் பயன்படுத்தி நிகழ்த்தப்படுவது).[115]

வடிகட்டுதல், ஊகம், தரவுக் கற்றைகளுக்கான விளக்கம் காணுதல் மற்றும் அவற்றை மென்மைப்படுத்துதல், புலனறிதல் அமைப்புகளுக்கு குறிப்பிட்ட கால அளவில் நடைபெறும் செயல்களை பகுப்பாய்வு செய்வதில் உதவுதல் ஆகிய செயல்களுக்கும் நிகழ்தகவு அடிப்படையிலான வழிமுறைகளைப் பயன்படுத்தலாம்[116] (எ.கா., மறைக்கப்பட்ட மார்கோவ் மாதிரிகள் [117] அல்லது கால்மன் வடிகட்டிகள் [118]).

பொருளாதார அறிவியலிலிருந்து பெறப்பட்ட முக்கியக் கருத்து "பயன்பாடு" என்பதாகும்: அது ஒரு நுண்ணறிவுக் கருவிக்கு ஏதேனும் ஒன்று எந்த அளவு மதிப்பு மிக்கது என்பதன் அளவாகும். பின்வருவனவற்றைப் பயன்படுத்தி ஒரு கருவி எவ்வாறு தேர்வு செய்யும் என்பதை பகுப்பாய்வு செய்யும் துல்லியமான கணிதவியல் கருவிகள் உருவாக்கப்பட்டுள்ளன: தீர்வுகாணல் கொள்கை, தீர்வுகாணல் பகுப்பாய்வு [119] தகவல் மதிப்புக் கொள்கை.[52] இந்தக் கருவிகளில் பின்வருவன போன்ற மாதிரிகளும் அடங்கும்: மார்கோவ் தீர்வுகாணல் செயல்முறைகள் [120] மாறும் தீர்வுகாணல் நெட்வொர்க்குகள்,[120] விளையாட்டுக் கொள்கை மற்றும் இயக்கமுறை வடிவமைப்பு [121]

வகைப்படுத்திகளும் புள்ளியியல் கற்றல் முறைகளும்

மிக எளிய AI பயன்பாடுகளை இரு பிரிவுகளாகப் பிரிக்கலாம்: வகைப்படுத்திகள் ("பளபளப்பாக இருந்தால் அது வைரம்") மற்றும் கட்டுப்படுத்திகள் ("பளபளப்பாக இருந்தால் எடுக்க வேண்டும்"). இருப்பினும், கட்டுப்படுத்திகளும் செயல்களை முடிவு செய்யும் முன்பு சூழ்நிலைகளை வகைப்படுத்துகின்றன, ஆகவே வகைப்படுத்தல் என்பதே பெரும்பாலான AI அமைப்புகளின் மையப் பகுதியாக விளங்குகிறது.

வகைப்படுத்திகள் [122] என்பவை மிக நெருக்கமான பொருத்தத்தைத் தீர்மானிக்க, வகைப் பொருத்துதலைப் பயன்படுத்தும் சார்புகளாகும். எடுத்துக்காட்டுகளுக்கு ஏற்றவாறு அவற்றைச் சரிசெய்ய முடியும், இதனால் AI இல் அவற்றைப் பயன்படுத்துவது சிறப்பாக இருக்கும். இந்த எடுத்துக்காட்டுகளே கவனிப்புகள் அல்லது வகைகள் எனப்படும். மேற்பார்வையில் கற்றலில் ஒவ்வொரு வகையும் குறிப்பிட்ட முன் வரையறுக்கப்பட்ட பிரிவைச் சேர்ந்தவை. ஒரு பிரிவு என்பதை, எடுக்கப்பட வேண்டிய முடிவு எனக் கருதலாம். பிரிவுக் குறிப்புகளுடனமைந்த அனைத்து கவனிப்புகளும் சேர்த்து தரவுத் தொகுப்பு என அறியப்படுகின்றன.

ஒரு புதிய கவனிப்பு பெறப்படும் போது, அந்த கவனிப்பானது முந்தைய அனுபவத்தின் அடிப்படையில் வகைப்படுத்தப்படுகிறது. ஒரு வகைப்படுத்தியை பல்வேறு வழிகளில் பயிற்றுவிக்கலாம்; அதற்கு பல புள்ளியியல் சார்ந்த மற்றும் இயந்திரக் கற்றல் அணுகுமுறைகள் உள்ளன.

பல வகையான வகைப்படுத்திகள் உள்ளன, அவை ஒவ்வொன்றும் அவற்றுக்கான குறிப்பிட்ட சிறப்புகளையும் குறைபாடுகளையும் கொண்டுள்ளன. வகைப்படுத்தியின் செயல்திறனானது, வகைப்படுத்தப்பட வேண்டிய தரவின் பண்புகளையே பெரிதும் சார்ந்துள்ளது. எல்லாச் சிக்கல்களையும் சிறப்பாகக் கையாளும் வகையிலான ஒரே வகைப்படுத்தி இல்லை; இதை "நோ ஃப்ரீ லன்ச்" தேற்றம் என்றும் கூறுவர். வகைப்படுத்தியின் செயல்திறனை ஒப்பிடவும் அதன் செயல்திறனை நிர்ணயிக்கும் தரவின் பண்புகளைக் கண்டறியவும் பல்வேறு செயல்முறை ஆய்வுகளின் அடிப்படையிலான சோதனைகள் நிகழ்த்தப்பட்டன. ஒரு குறிப்பிட்ட சிக்கலுக்கான மிகவும் பொருத்தமான வகைப்படுத்தியைத் தீர்மானிப்பது என்பது அறிவியல் திறன் என்பதை விடக் கலைத் திறன் என்றே கூறலாம்.

பின்வருவனவையே மிகப் பரவலாகப் பயன்படுத்தப்படும் வகைப்படுத்திகள் ஆகும்: நரம்பியல் வலையமைப்பு [123] வெக்டார் கற்றல் முறைத்தொகுப்பு போன்ற கெர்னல் முறைகள்,[124] k-அருகாமையிலுள்ளவற்றைப் பொறுத்து வகைப்படுத்தும் வழிமுறை,[125] காஸியன் கலவை மாதிரி,[126] சீரற்ற பேயஸ் வகைப்படுத்தி,[127] மற்றும் தீர்வுக் கிளையமைப்பு.[128] இந்த வகைப்படுத்திகளின் செயல்திறனானது பல்வேறு வகைப்படுத்தல் செயல்களின் அடிப்படையில் ஒப்பிடப்பட்டது [129] வகைப்படுத்தியின் செயல்திறனைத் தீர்மானிக்கும் தரவுப் பண்புகளைக் கண்டறியும் தேவையே இதற்குக் காரணமாகும்.

நரம்பியல் வலையமைப்புகள்
ஒரு நரம்பியல் வலையமைப்பு என்பது மனித மூளையிலுள்ள நியூரான்களின் மிகப்பெரிய வலையமைப்பைப் போன்ற ஒன்றிணைக்கப்பட்ட கணுக்களின் தொகுப்பாகும்.

செயற்கை நரம்பியல் வலையமைப்புகளைப் பற்றிய [123] ஆய்வுகள் AI ஆராய்ச்சித் துறை உருவானதற்கு பத்தாண்டுகளுக்கு முன்பே தொடங்கின. 1960களில் ஃப்ரேங்க் ரோசன்பிளேட், பெர்செப்ட்ரான் எனும் செய்ற்கை நரம்பியல் வலையமைப்பின் முக்கியமான முதல் பதிப்பை உருவாக்கினார்.[130] பால் வெர்போஸ் என்பவர் 1974 இல் பல அடுக்கு பெர்செப்ட்ரான்களுக்கான பின்னோக்குப் பரவல் வழிமுறையை உருவாக்கினார் [131] இது 1980களின் மத்தியில் நரம்பியல் வலையமைப்பு ஆராய்ச்சிகளுக்கும் தொடர்பியலுக்கும் புத்துயிர் அளித்தது. ஹோப்ஃபீல்டு வலை எனும் ஒரு வகை கவரும் நெட்வொர்க்கானது ஜான் ஹோப்ஃபீல்டு என்பவரால் 1982 இல் விவரிக்கப்பட்டது.

உருவாக்கப்பட்ட பொதுவான வலையமைப்புக் கட்டமைப்புகளில் முன்நகர்வு நரம்பியல் வலையமைப்பு, ஆர அடிப்படை நெட்வொர்க், கொஹோனென் சுயப் பயிற்சி மாதிரி மற்றும் பல்வேறு மீட்சி நரம்பியல் வலையமைப்புகள் ஆகியன அடங்கும். ஹெப்பியன் கற்றல், போட்டியிலான கற்றல் போன்ற முறைகளைப் பயன்படுத்தி கற்றல் சிக்கலுக்கு இந்த நரம்பியல் வலையமைப்புகள் பயன்படுத்தப்படுகின்றன [132] மேலும் அதோடு காலம் சார்ந்த வரிசையமைப்பு நினைவகக் கட்டமைப்பு மற்றும் ஆழ் நம்பிக்கை வலையமைப்புகள் ஆகியனவும் உள்ளன

கட்டுப்பாட்டுக் கொள்கை

கட்டுப்பாட்டுக் கொள்கை, என்பது தன்னாள்வியலின் வழித்தோன்றல் எனலாம், மேலும் அது முக்கியப் பயன்பாடுகளைக் கொண்டுள்ளது, குறிப்பாக ரோபோவியலில் பயன்பாடுகளைக் கொண்டுள்ளது.[133]

தனிச்சிறப்பு மொழிகள்

AI ஆராய்ச்சியாளர்கள் AI ஆராய்ச்சிகளுக்காக பல தனிச்சிறப்பு மொழிகளை உருவாக்கியுள்ளனர்:

  • IPL [134] என்பதே செயற்கை நுண்ணறிவுக்காக உருவாக்கப்பட்ட முதல் மொழியாகும். பட்டியல்கள், சேர்க்கைகள், சட்டகங்கள் (சட்டங்கள்), மாறும் நினைவக ஒதுக்கீடு, தரவு வகைகள், சுழல், தொடர்பு முறை மீட்பு, சார்புகளை சார்பின் மாறிகளாக வழங்குதல், ஜெனெரேட்டர்கள் (தொகுப்புகள்) மற்றும் கூட்டிணைப் பல பணி போன்றவை உள்ளிட்ட பல பொதுவான சிக்கல் தீர்க்கும் நிரல்களை ஆதரிக்கும் வகையில் சேர்க்கப்பட்ட பல அம்சங்கள் இதில் உள்ளன.
  • Lisp [135] என்பது லேம்டா நுண்கணிதத்தின் அடிப்படையிலமைந்த கணினி நிரல்களுக்கான நடைமுறை கணிதவியல் குறியீட்டு முறையாகும். இணைப்புப் பட்டியல்கள் என்பவை Lisp மொழிகளின் பிரதான தரவு அமைப்புகளில் ஒன்றாகும், மேலும் Lisp மூலக் குறியீடும் பட்டியல்களாலே உருவாக்கப்பட்டது. இதன் விளைவாக, Lisp நிரல்கள் மூலக் குறியீட்டை தரவு அமைப்பாகவும் அமைத்துக்கொள்ளவும் முடிந்தது, இந்த அம்சம் மேக்ரோ அமைப்புகளுக்கு வழிகோளியது, இந்த மேக்ரோ அமைப்புகள் நிரல் உருவாக்குநர்கள் புதிய விதியை அல்லது களம் சார்ந்த நிரலாக்க மொழிகளையும் Lisp இல் உள்ளமைக்க உதவியது. இன்று Lisp இன் பல விதமான பயன்பாடுகள் உள்ளன.
  • Prolog[103][136] என்பது ஒரு முன் தீர்மான மொழியாகும், இதில் நிரல்கள் தொடர்புகளாக விவரிக்கப்படுகின்றன, மேலும் இந்தத் தொடர்புகளினூடே வினவல்களை இயக்குவதன் மூலம் செயல்கள் மேற்கொள்ளப்படுகின்றன. Prolog மொழியானது குறிப்பாக குறியீட்டு பகுத்தறிதல், தரவுத்தளம் மற்றும் மொழிப் பாகுபடுத்திப் பயன்பாடுகளில் மிகப் பயனுள்ளது. இன்று AI இல் Prolog பரவலாகப் பயன்படுத்தப்படுகிறது.
  • STRIPS என்பது தானியங்கு திட்டமிடுதல் சிக்கல் நேர்வுகளை விளக்குவதற்கான ஒரு மொழியாகும். இது ஒரு தொடக்க நிலை, குறிக்கோள் நிலைகள் மற்றும் நடவடிக்கைகளின் ஒரு தொகுப்பு ஆகியவற்றை வெளிப்படுத்துகிறது. ஒவ்வொரு செயலுக்கும், முன்நிபந்தனைகளும் (செயலைச் செய்யும் முன்பு எதை நிறுவ வேண்டும்) பின்நிபந்தனைகளும் (செயலைச் செய்த பின்னர் எதை நிறுவ வேண்டும்) குறிப்பிடப்படுகின்றன.
  • Planner என்பது வழிமுறையியல் மற்றும் தர்க்கவியல் மொழிகளின் கலப்பின மொழியாகும். இது தர்க்கவியல் சொற்றொடர்களுக்கான வழிமுறையியல் புரிதலை வழங்குகிறது, இதில் அர்த்தங்கள் வகையால் நிர்வகிக்கப்படும் விளக்க வழிமுறையைக் கொண்டு புரிந்துகொள்ளப்படுகின்றன.

C++ போன்ற தரநிலை மொழிகளைக் கொண்டும் MATLAB மற்றும் Lush போன்ற கணிதவியலுக்காக உருவாக்கப்பட்ட மொழிகளைக் கொண்டும் சில நேரங்களில் AI பயன்பாடுகள் எழுதப்படுகின்றன.

செயற்கை நுண்ணறிவு மதிப்பிடுதல்

ஒரு கருவி நுண்ணறிவுள்ள கருவியா என எவ்வாறு கண்டறிவது? 1950 இல் ஆலன் டரிங் என்பவர் ஒரு கருவியின் நுண்ணறிவைச் சோதனை செய்ய ஒரு பொது செயல்முறையை முன்மொழிந்தார், அதுவே இப்பொழுது டரிங் சோதனை என்று அறியப்படுகிறது. இந்த செயல்முறையானது செயற்கை நுண்ணறிவின் அனைத்து முக்கிய சிக்கல்களையும் சோதனைக்குட்படுத்த உதவுகிறது. இருப்பினும், இது ஒரு கடினமான சவாலாக உள்ளது, மேலும் தற்போது அனைத்துக் கருவிகளும் தோல்வியடைகின்றன.

செயற்கை நுண்ணறிவை, வேதியியலில் உள்ள சிறிய கணக்குகள், கையெழுத்து ஏற்பு மற்றும் விளையாட்டை விளையாடுதல் போன்று குறிப்பிட்ட சிக்கல்களில் மதிப்பீடு செய்ய முடியும். இது போன்ற சோதனைகள் துறைசார் சிறப்பு டரிங் சோதனைகள் என்று கூறப்படுகின்றன. சிறிய சிக்கல்கள் அதிகம் அடையக்கூடிய இலக்குகளை வழங்குகின்றன, மேலும் அதிகரிக்கும் எண்ணிக்கையிலான நேர்மறை முடிவுகள் உள்ளன.

ஒரு AI சோதனையின் வெளியீட்டின் பெரும் வகைகள்:

  • உகந்தது : இது சிறப்பாகச் செயல்பட வாய்ப்பில்லை
  • வலிமையான சிறந்த மனிதன் : அனைத்து மனிதர்களையும் விடச் சிறப்பாகச் செயல்படுகிறது
  • சிறந்த மனிதன் : பெரும்பாலான மனிதர்களைவிடச் சிறப்பாகச் செயல்படுகிறது
  • துணை-மனிதன் : பெரும்பாலான மனிதர்களைவிட மோசமாகச் செயல்படுகிறது

எடுத்துக்காட்டாக, ட்ராஃப்ட் விளையாட்டுகளில் (ட்ராஃப்ட் விளையாட்டுகள்) செயல்திறன் உகந்தது ஆகும்,[137] சதுரங்கத்தில் செயல்திறன், சிறந்த மனிதன் வகையில் வருகிறது, மேலும் அது வலிமையான சிறந்த மனிதனை நெருங்குகிறது,[138] மற்றும் மனிதனால் பெரும்பாலும் தினசரி செய்யப்படும் பணிகளில் செயல்திறன் துணை-மனிதன் வகையில் வருகிறது.

நுண்ணறிவுக்கான கணிதவியல் வரையறைகளிலிருந்து உருவாக்கப்பட்ட சோதனைகள் மூலமாக இயந்திர நுண்ணறிவை அளவிடுவதன் அடிப்படையில் முற்றிலும் வேறுபட்ட அணுகுமுறை உள்ளது. இது போன்ற சோதனைகளின் மாதிரிகள் தொண்ணூறுகளின் இறுதியில் கோல்மோகோரொவ் சிக்கலமைப்பு மற்றும் ஒடுக்கம் ஆகியவற்றிலிருந்து வந்த கருத்தமைவுகளைப் பயன்படுத்தி நுண்ணறிவு சோதனைகளை உருவாக்குதல் மூலம் தொடங்கப்பட்டது [139]

[140]. இயந்திர நுண்ணறிவின் ஒத்த வரையறைகளை மார்கஸ் ஹட்டர் அவரது புத்தகமான யுனிவர்சல் ஆர்டிஃபிசியல் இண்டலிஜென்ஸ்  (ஸ்பிரிங்கர் 2005) முன்மொழிந்தார், அது லெக் மற்றும் ஹர்ட்டரால் மேலும் மேம்படுத்தப்பட்டது [141].

கணித வரையறைகளில் ஒரு நன்மை உள்ளது, மனித சோதனைகள் செய்யப்படாத போது மனிதனல்லாத நுண்ணறிவுகளுக்கு அவற்றைப் பொருத்த முடியும் என்ற விதத்தில் அவை சிறந்தவை.

AI இன் பயன்பாடுகள்

செயற்கை நுண்ணறிவானது மருத்துவ அறுதியிடல், பங்கு வணிகம், ரோபோ கட்டுப்பாடு, சட்டம், அறிவியல் கண்டுபிடிப்பு, வீடியோ விளையாட்டுக்கள், பொம்மைகள் மற்றும் வலை தேடு பொறிகள் உட்பட பெரும்பால துறைகளில் வெற்றிகரமாக பயன்படுத்தப்பட்டுக் கொண்டிருக்கிறது. ஒரு தொழில்நுட்பமானது பிரதானப் பயன்பாட்டிற்கு புழக்கத்திற்கு வந்துவிட்டால், அதன் பின்னர் அது செயற்கை நுண்ணறிவு என்று கருதப்படுவதில்லை, இதை AI விளைவு என்பர்.[142] அது செயற்கை வாழ்க்கையுடன் ஒருங்கிணைக்கப்படவும் கூடும்.

போட்டிகளும் பரிசுகளும்

செயற்கை நுண்ணறிவு ஆராய்ச்சியை மேம்படுதுவதற்கு பல போட்டிகளும் பரிசுகளும் உள்ளன. ஊக்குவிக்கப்படும் முக்கியப் பிரிவுகள்: பொது இயந்திர நுண்ணறிவு, உரையாடல் விதம், தரவு செயலாக்கம், ஓட்டுனரில்லா கார்கள், ரோபோ சாக்கர் மற்றும் விளையாட்டுகள்.

புராணம், புதினம் மற்றும் யூகங்களில் AI

க்ரீட்டின் டேலோஸ், ஹிபேஸ்டஸின் தங்க ரோபோக்கள் மற்றும் பிக்மேலியனின் கேலாட்டியா போன்ற சிந்திக்கும் இயந்திரங்களும் செயற்கை உயிர்களும், கிரேக்க புராணங்களில் இடம்பெற்றுள்ளன.[143] பல பண்டைய சமூகங்களில் உருவாக்கப்பட்டிருந்த மனித சாயல்கள் நுண்ணறிவைக் கொண்டிருந்ததாக நம்பினர்; பழங்காலத்தில் இருந்த புனிதச் சிலைகள் எகிப்து மற்றும் கிரீஸ் நாடுகளில் வணங்கப்பட்டன,[144][145] மேலும் யான் ஷியின் இயந்திரங்கள்,[146] ஹீரோ ஆஃப் அலெக்ஸாண்ட்ரியா,[147] அல்-ஜாசரி [148] அல்லது வோல்ஃப்கேங்க் வோன் கெம்பெலென் ஆகியவையும் இதிலடங்கும்.[149] ஜாபிர் இப்ன் ஹாய்யன்,[150] ஜுடா லோ [151] மற்றும் பேராசெல்ஸஸ் ஆகியோரால் இந்த செயற்கை உயிர்கள் உருவாக்கப்பட்டதாகப் பரவலாக நம்பப்பட்டது.[152] இந்தப் படைப்புகளின் கதைகள் மற்றும் அவற்றின் இறுதி முடிவுகள், செயற்கை நுண்ணறிவினால் தற்காலத்தில் ஏற்பட்டிருக்கும் அதே நம்பிக்கைகள், அச்சங்கள் மற்றும் ஒழுக்க நெறிமுறைக் கோட்பாடுகள் பற்றி விவரிக்கின்றன.[5]

மேரி ஷெல்லியின் ப்ரேங்கென்ஸ்டீன் ,[153] செயற்கை நுண்ணறிவின் நெறிமுறைகளில் ஒரு முக்கியக் கருத்தை விவாதிக்கிறது: ஓர் இயந்திரத்தை நுண்ணறிவு கொண்டதாக உருவாக்க முடியுமெனில், அதனால் உணர முடியுமா? அதனால் உணர முடியுமெனில், மனிதனைப் போல அதற்கும் உரிமைகள் உள்ளதா? இந்த சிந்தனை நவீன அறிவியல் புதினங்களில் கூட தோன்றுகிறது: அது செயற்கை நுண்ணறிவு: A.I. என்ற திரைப்படத்தில் ஒரு சிறுவனின் வடிவில் உருவாக்கப்பட்ட இயந்திரமானது சோகம், பாதிப்படையும் திறன் உட்பட மனித உணர்ச்சிகளை உணரும் திறனைக் கொண்டதாக சித்தரிக்கப்படுகிறது. இந்த சிக்கலானது, இப்போது "ரோபோ உரிமைகள்" என்று அறியப்படுகிறது, இது கலிபோர்னியாவின் எதிர்காலத்திற்கான நிறுவனத்தால் கருத்தில் கொள்ளப்பட்டிருக்கிறது,[154] இருந்தாலும் பல விமர்சகர்கள் இந்தக் கருத்தை முதிர்வற்றது என நம்புகின்றனர்.[155]

சமூகத்தில் செயற்கை நுண்ணறிவின் தாக்கமே அறிவியல் புதின ஆசிரியர்களாலும் எதிர்காலவாதிகளாலும் வெளிக்கொணரப்பட்ட மற்றொரு சிக்கல் ஆகும். புதினத்தில், AI ஆனது வேலைக்காரனாகவும் (ஸ்டார் வார்ஸ் இல் R2D2), சட்டத்தை நிலைநாட்டுபவராகவும் (K.I.T.T. "நைட் ரைடர்"), தோழனாகவும் (ஸ்டார் ட்ரெக் இல் லெப்ட்டினன். கமாண்டர் டேட்டா), வெற்றிவீரனாகவும் (த மேட்ரிக்ஸ் ), சர்வாதிகாரியாகவும் (வித் ஃபோல்டேட் ஹேண்ட்ஸ் ), எக்ஸ்டெர்மினேட்டராகவும் (டெர்மினேட்டர் , பேட்டில்ஸ்டார் கேலக்டிகா ), திறன்கள் நீட்டிக்கப்பட்ட மனிதனாகவும் (கோஸ்ட் இன் தி ஷெல் ) மற்றும் மனித வாழ்க்கையின் மீட்பராகவும் (ஃபவுண்டேஷன் சீரியஸில் ஆர். டேனீல் ஒலிவா) தோன்றியிருக்கின்றது. இது போன்ற விளைவுகளை கல்வி சார்ந்த அமைப்புகள் பின்வருமாறு கருதுகின்றன: மனித பணியாளர்களுக்கான தேவைக் குறைப்பு,[156] மனிதனின் திறன் அல்லது அனுபவத்தின் மிகைப்படுத்தல்,[157] மேலும் மனித அடையாளத்திற்கான மறுவரையறை மற்றும் அடிப்படை மதிப்புகளின் தேவையாகவும் கருதுகின்றன.[158]

சில எதிர்காலவாதிகள், செயற்கை நுண்ணறிவானது முன்னேற்ற வரம்புகளை மீறி, அடிப்படையில் மனித இனத்தையே வென்றுவிடும் என வாதிடுகின்றனர். ரே கர்ஸ்வெயில், 2029 ஆம் ஆண்டில் மேசைக் கணினிகள் மனித மூளையைப் போன்றே செயலாக்கத் திறனைப் பெற்றிருக்கும் என்பதைக் கணிக்க மூரின் விதியை (இது டிஜிட்டல் தொழில்நுட்பத்தில் விசித்திரமான துல்லியத்துடன் தளராத அடுக்கடுக்கான மேம்பாட்டை விவரிக்கின்றது) பயன்படுத்தியுள்ளார், மேலும் 2045 இல் செயற்கை நுண்ணறிவு கடந்த காலத்தில் மனத்தில் நினைத்த எதையும் விஞ்சுகின்ற வீதத்தில் தன்னைத் தானே மேம்படுத்திக்கொள்ளும் திறனை அடையும் என்றும் கூறுகிறார், இந்த நிகழ்வை வெர்னர் வின்ஜ் என்ற அறிவியல் புதின எழுத்தாளர் "தொழில்நுட்பவியல் சார்ந்த சிறப்பொருமை" என்று கூறுகிறார்.[157] எட்வர்ட் ஃப்ரெட்கின், "செயற்கை நுண்ணறிவு என்பது பரிணாம வளர்ச்சியில் அடுத்த கட்டம்" என வாதிடுகிறார்,[159] இந்த சிந்தனை முதலில் சாமுவேல் பட்லரின் "டார்வின் அமாங்க் தி மெஷின்ஸ்" (1863) ஆல் முன்மொழியப்பட்டது, மேலும் ஜார்ஜ் டைசன் 1998 இல் அதே பெயரில் வெளியிடப்பட்ட புத்தகத்தில் விரிவுபடுத்தப்பட்டது. சில எதிர்காலவாதிகளும் அறிவியல் புதின ஆசிரியர்களும், மனிதர்களும் இயந்திரங்களும் எதிர்காலத்தில் ஒன்றாகி, அவ்வினம் அதிகத் திறன் வாய்ந்ததாகவும் சகதி வாய்ந்ததாகவுமானபகுதியளவு செயற்கை மனிதர்களாக உருவெடுக்கும் முன் கணித்துள்ளனர். இந்தச் சிந்தனை, மீவு மனிதத்துவம் என்று அழைக்கப்படுகிறது, இதன் ஆணிவேர் ஆல்டஸ் ஹக்ஸ்லி மற்றும் ராபர்ட் எட்டிஞ்செர் ஆகியோர் உருவாக்கியது, தற்போது இச்சிந்தனை ரோபோ வடிவமைப்பாளர் ஹான்ஸ் மோரவேக், தன்னாள்வியலாளர் கெவின் வார்விக் மற்றும் கண்டுபிடிப்பாளர் ரே கர்ஸ்வெயில் ஆகியோரால் பயன்படுத்தப்பட்டு வருகிறது.[157] அதே போன்று மீவு மனிதத்துவம் புதினத்திலும் விளக்கப்பட்டுள்ளது, மங்கா கோஸ்ட் இன் தி ஷெல் மற்றும் அறிவியல் புதினத் தொடர் டூன் ஆகியவை இதற்கு எடுத்துக்காட்டுகளாகும். பமேளா மெக்கார்டக் இந்தக் கூற்றுகள் பண்டைய மனித விருப்பங்களின் வெளிப்பாடுகளாக உள்ளன என்று எழுதுகிறார், இதை அவர், "கடவுள் போல் தோன்றுதல்" என்று அழைக்கிறார்.[5]

மேலும் காண்க
  • AI செயல்திட்டங்களின் பட்டியல்
  • AI ஆய்வாளர்களின் பட்டியல்
  • உருவாகிவரும் தொழில்நுட்பங்களின் பட்டியல்
  • அடிப்படையான செயற்கை நுண்ணறிவு தலைப்புகளின் பட்டியல்
  • முக்கியமான AI வெளியீடுகளின் பட்டியல்
  • தொழில்நுட்பவியல் சார்ந்த சிறப்பொருமை
  • மனதின் தத்துவம்
  • உள அளவியல் செயற்கை நுண்ணறிவு
  • நுண்ணறிவு இயற்பியல்

குறிப்புகள்
  1. Poole, Mackworth & Goebel 1998, p. 1 (செயற்கை நுண்ணறிவிற்கு பொருளாக "கணினி சார்ந்த நுண்ணறிவை" பயன்படுத்தியவர்). AI ஐ இந்த வழியையும் சேர்த்து வரையறுக்கின்ற மற்றும் "முழு ஏஜெண்ட் பார்வையானது இப்பொழுது இந்தத் துறையில் பெரிதும் ஏற்கப்பட்டுள்ளது" எனக் கூறும் பிற உரைநூல்கள் Nilsson (1998), மற்றும் Russell & Norvig (2003) ("ரேஷனல் ஏஜெண்ட்" என்ற சொல்லை பரிந்துரைத்தவர்) (Russell & Norvig 2003, p. 55)
  2. கணினி வழியாக இயந்திரங்கள் அல்லது ஏஜெண்டுகளில் நுண்ணறிவின் ஆராய்ச்சி மற்றும் வடிவமைப்பு ஆகியவற்றை கையாளும் தொழில்நுட்பத்தின் துறையே செயற்கை நுண்ணறிவு ஆகும். இலக்குகள், செயல்கள், புலனறிதல் மற்றும் சூழ்நிலை ஆகியவற்றைப் பொறுத்த இந்த வரையறைக்குக் காரணம் Russell & Norvig (2003). பிற வரையறைகள் அறிவு மற்றும் கற்றல் ஆகியவற்றையும் கூடுதல் தேர்வளவைகளாகக் கொண்டுள்ளன.
  3. காண்க, ஜான் மெக்கார்த்தி, செயற்கை நுண்ணறிவு என்றால் என்ன?
  4. டார்மவுத் திட்ட அறிமுகம்:
  5. இது பமேளா மெக்கார்டக்கின் மெஷின்ஸ் தட் திங்க் என்ற நூலின் மையக் கருத்து. அவர்கள் எழுதியது: "நான் செயற்கை நுண்ணறிவை பெருமதிப்புமிக்க கலாச்சார மரபின் விஞ்ஞான மாதிரியாகக் கருதுத விரும்புகிறேன்." (McCorduck 2004, p. 34) "ஒன்று அல்லது மற்றொரு வடிவத்தில் செயற்கை நுண்ணறிவு என்பது பரவலான மேற்கத்திய அறிவார்ந்த வராலாற்றில், உணரப்படவேண்டிய அவசரத்தில் உதித்த கனவின் சிந்தனையாகும்." (McCorduck 2004, p. xviii) "நம் வரலாறு பின்வரும் முயற்சிகள் நிறைந்தது—குறும்பு, வியப்பு, வேடிக்கை, அக்கறை, புராணம் மற்றும் உண்மை—செயற்கை நுண்ணறிவுகளை உருவாக்க, நமக்கு அத்தியாவசியமானதை மறுவுருவாக்க—சாதாரண வழிகளைப் புறந்தள்ளுதல். புராணம் மற்றும் உண்மை இரண்டிலும் சரி, நாம் கற்பனைகளில் தோன்றுவதை செய்யமுடியாமல் போகிறோம், நாம் சுய மறுவுருவாக்கம் என்ற விநோதத்தின் பிடியில் இருந்துவருகிறோம்." (McCorduck 2004, p. 3) அவர் அந்த ஆசையை பண்டைய கிரேக்க நாகரிகத்தின் ஆணிவேர் வரை கொண்டுசென்று, அதை "கடவுளைப் போல் தோன்றுதலுக்கான" ஆசை என்று அழைக்கிறார். (McCorduck 2004, p. 340-400)
  6. குறிப்பிடப்பட்ட நன்னம்பிக்கையானது, பழைய AI ஆராய்ச்சியாளர்களின் ஊகங்கள் (AI ன் வரலாற்றில் நன்னம்பிக்கை என்பதைக் காண்க) அதே போன்று ரே கர்ஸ்வெயில் போன்ற நவீன மீவுமனித்துவவியலாளர்கள் சிந்தனைகளையும் உள்ளடக்கியது எனப்படுகிறது.
  7. இதில் குறிப்பிடப்படும் "பின்னடைவுகளாவன", 1966 இல் ALPAC அறிக்கை, 1970 இல் பெர்செப்ட்ரான்கள் கைவிடப்பட்டது, 1973 இல் லைட்ஹில் அறிக்கை மற்றும் 1987 இல் lisp கணினியின் சந்தை வீழ்ச்சி ஆகியவை.
  8. திரைமறைவில் அதிகம் பயன்படுத்தப்படும் AI பயன்பாடுகள்:
  9. AI துறையை துணைத் துறைகளாகப் பிரித்தல்:
  10. நுண்ணறிவு தனிக்கூறுகளின் இந்தப் பட்டியல், பின்வருவவன உள்ளிட்ட முக்கிய AI உரைநூல்களால் விவரிக்கப்பட்ட தலைப்புகளின் அடிப்படையிலானவை:
  11. பொது நுண்ணறிவு (வலிமையான AI) என்பது AI இன் பிரபலமான அறிமுகத்தில் விவாதிக்கப்படுகிறது:
  12. AI இன் முன்னோடிகள்: செயற்கை நுண்ணறிவின் வரலாற்றில் தன்னாள்வியல்கள் மற்றும் பழைய நரம்பியல் வலையமைப்புகள் ஆகியவற்றையும் காண்க. கணக்கியல் கொள்கை, தன்னாள்வியல்கள், தகவல் கொள்கை மற்றும் நரம்பியல் வலையமைப்புகள் ஆகிய கோட்பாடுகளுக்கு அடித்தளம் அமைத்த ஆராய்ச்சியாளர்களில், ஆலன் டரிங், ஜான் வான் நியூமேன், நார்பெர்ட் வீனெர், க்ளாட் ஷேனான், வாரென் மெக்கல்லாஃப், வால்டெர் பிட்ஸ் மற்றும் டொனால்ட் ஹெப் ஆகியோரும் அடங்குவர்.
  13. டார்ட்மவுத் விவாதம்:
  14. "ஒரு கணினியானது எதையும் புத்திசாலித்தனமான வழியில் செய்யும்போதெல்லாம் மிகவும் அற்புதமாக இருந்தது" என்று ருஸ்ஸல் மற்றும் நார்விக் எழுதுகின்றனர். Russell & Norvig 2003, p. 18
  15. AI இன் "பொற்காலங்கள்" (வெற்றிகரமான குறியீட்டுக் பகுத்தறிதல் நிரல்கள் 1956-1973): டேனியல் போப்ரோவின் STUDENT, நியூவெல்l மற்றும் சைமன் ஆகியோருடைய லாஜிக் தியரிஸ்ட் மற்றும் டெர்ரி வினோகிரேட்டின் SHRDLU ஆகியவை விவரிக்கப்பட்ட நிரல்களாகும்.
  16. DARPA, 1960களில் சரியான இலக்கற்ற ஆராய்ச்சிகளுக்காக AI துறையில் பணத்தைக் கொட்டுகிறது:
  17. Simon 1965, p. 96 Crevier 1993, p. 109 இல் மேற்கோளிடப்பட்டது
  18. Minsky 1967, p. 2 Crevier 1993, p. 109 இல் மேற்கோளிடப்பட்டது
  19. காண்க, செயற்கை நுண்ணறிவின் வரலாறு — சிக்கல்கள்.
  20. முதலாவது AI முடக்க காலம்:
  21. Expert systems:
  22. 1980களில் வளர்ச்சி: expert systems, ஐந்தாம் தலைமுறைத் திட்டம், Alvey, MCC, SCI ஆகியவற்றின் வளர்ச்சி:
  23. இரண்டாம் AI முடக்க காலம்:
  24. பழைய முறைகளுக்கு இப்போது முன்னுரிமை அளிக்கப்படுகின்றன ("நேர்த்தியானவற்றின் வெற்றி"):
  25. இந்த நிலைகள் அனைத்தும் அவற்றின் துறைசார்ந்த தரநிலை விவாதங்களின்படி கீழே குறிப்பிடப்பட்டுள்ளன, அவை:
  26. டரிங் சோதனையின் தத்துவ ரீதியான முக்கியத்துவங்கள்:
  27. இயற்பியல் குறியீடு அமைப்பின் கருத்தியல்:
  28. ட்ரேஃபஸ் விமர்சித்து "உளவியல் கூற்றுக்கள்" என அழைத்த இயற்பியல் குறியீடு அமைப்பு கொள்கைக்குத் தேவையான நிபந்தனை: "மனதை வடிவமைக்கப்பட்ட விதிகளின்படி தகவல் கூறுகளை இயக்குகின்ற சாதனமாகப் பார்க்கமுடியும்". (Dreyfus 1992, p. 156)
  29. AI பற்றிய ட்ரேஃபஸ் விமர்சனம்:
  30. இது கோல்டெலின் தேற்றங்களின் முக்கியமான சம்மந்தப் படுத்துதலுக்கான பொழிப்புரை ஆகும்.
  31. கணிதவியல் மறுப்பு:
    • Turing 1950 “(2) கணிதவியல் மறுப்பின்” கீழ்
    • Hofstadter 1979,கணிதவியல் மறுப்பை உருவாக்குதல்:
  32. இந்தப் பதிப்பானது Searle (1999) இலிருந்து வந்தது, மேலும் அது Dennett 1991, p. 435 இல் மேற்கோளிடப்பட்டுள்ளது. "மிகச்சரியாக நிரலாக்கப்பட்ட கணினி என்பது உண்மையில் மனமே, அதாவது சரியான நிரல்கள் கொடுக்க்கப்பட்ட கணினிகள் சொல்வதைப் புரிந்துகொள்ளும், மேலும் அவை பிற மனம்சார்ந்த செயல்பாட்டு நிலைகளையும் கொண்டிருக்கும்" என்பதே சியர்ளேயின் அசல் சூத்திரமாக்கலாகும் (Searle 1980, p. 1). வலிமையான AI Russell & Norvig (2003, p. 947) ஐப் போன்றே வரையறுக்கப்படுகிறது: "தத்துவஞானிகளால் கணினிகள் நுண்ணறிவுள்ளவையாக (அல்லது, அவை நுண்ணறிவாக இருந்ததைப் போன்று சிறப்பாகச் செயல்படுவது) செயல்பட முடிவது 'வலிமையற்ற AI' கொள்கை என்றும், கணினிகள் இயல்பாகவே சிந்தித்தல் (சிந்திப்பது போன்றே செயல்படுவதற்கு மாறாக) 'வலிமையான AI' கொள்கை என்றும் அழைக்கப்படும் கூற்றுக்கள் ஆகும்."
  33. சியர்லேயின் சைனீஸ் ரூம் வாதம்:
  34. செயற்கை மூளை:
    • Moravec 1988
    • Kurzweil 2005, p. 262
    • Russell Norvig, p. 957
    • Crevier 1993, pp. 271 and 279இந்த வாதத்தின் (மூளை இடமாற்றக் கூற்று) பெரும்பான்மையான வடிவமானது 70களின் இடைப்பட்ட காலத்தில் கிளார்க் க்ளைமர் அவர்களால் முன்னெடுத்துச் செல்லப்பட்டு 1980 இல் செனான் பிலிஷின் மற்றும் ஜான் சியர்ள் ஆகியோரால் அடையப்பட்டது. டேனியல் டென்னட் அவர்கள் மனித உணர்நிலையை பல்வேறு செயல்கூறுகளையுடைய சிந்தனை வளம்மிக்க மாதிரிகளாகப் பார்க்கிறார்; "விவரிக்கப்பட்ட உணர்நிலையை" காண்க.
  35. சிக்கல் தீர்த்தல், புதிர் தீர்வுகாணல், விளையாட்டு விளையாடுதல் மற்றும் பொருத்துதல்:
  36. நிலையற்ற பகுத்தறிதல்:
  37. நிர்வகிக்க இயலாத தன்மை மற்றும் இயக்குத் திறன் மற்றும் சேர்க்கை வெடிப் பெருக்கம்:
  38. அறிவு விளக்கச் செயல்பாடு:
  39. கணினி-அறிவுப் பொறியியல்:
  40. வகைப்பாடுகள் மற்றும் தொடர்புகளை எனப்படுவை: பொருள் வலைகள், விளக்க தர்க்கங்கள், மரபுரிமை (தர்க்க விளக்கங்கள் மற்றும் வரிவடிவுகள் உட்பட):
  41. நிகழ்வுகள் மற்றும் காலம் எனப்படுபவை:சூழ்நிலை நுண்கணிதம், நிகழ்வு நுண்கணிதம், நிலை நுண்கணிதம் (தர்க்க விளக்கச் சிக்கலை தீர்த்தல் உட்பட):
  42. இயல் நுண்கணிதம்:
  43. அறிவைப் பற்றிய அறிவு எனப்படுவது: கோட்பாட்டு நுண்கணிதம், மாதிரி தர்க்கங்கள்:
  44. உள்ளியம்:
  45. McCarthy & Hayes 1969. மெக்கர்த்தி தர்க்க விளக்கச் செயல்பாடுகளின் சிக்கல்களை முதன்மையாகக் கருதிய நிலையில், நமது பொது அறிவுத்திறன் அனைத்திற்கும் அடிப்படையான கருதுகோள்களின் மிகப்பெரிய வலையமைப்பில் இயல்பான பகுத்தறிதலின் மிகவும் பொதுவான சிக்கல் விதிக்கு Russell & Norvig 2003 பொருந்தியது.
  46. இயல்பான பகுத்தறிதல் மற்றும் இயல்பு தர்க்கம், ஒற்றைப் போக்கற்ற தர்க்கங்கள், கட்டுப்படுத்தல், மூடிய உலகக் கருதுகோள், வெளிவாங்கல் (பூலே இன்னும் பலர். வெளிவாங்கலை "இயல்பான பகுத்தறிதல்" அமைத்துள்ளனர். லூகர் இன்னும் பலர். இதை "உறுதியற்ற பகுத்தறிதல்" கீழ் அமைந்துள்ளனர்):
  47. பொது அறிவுத்திறனின் விரிவு:
  48. Dreyfus & Dreyfus 1986
  49. Gladwell 2005
  51. திட்டமிடுதல்:
  52. தகவல் மதிப்புக் கொள்கை:
  53. தரமான திட்டமிடுதல்:
  54. முடிவு கண்டறியப்படாத களங்களில் திட்டமிடுதல் மற்றும் செயல்படுதல்: நிபந்தனைத் திட்டமிடுதல், செயல்பாட்டுக் கண்காணிப்பு, மறுதிட்டமிடுதல் மற்றும் தொடர்ச்சியான திட்டமிடல்:
  55. பல-ஏஜெண்ட் திட்டமிடல் மற்றும் தன்னிச்சை நடத்தை:
  56. கற்றல்:
  57. ஆலன் டரிங், அவரது கணினி இயந்திரங்களும் நுண்ணறிவும் என்ற தர இதழில் 1950 க்கு முன்னர் இருந்தது போன்ற மையக் கற்றலை விவாதித்துள்ளார். (Turing 1950)
  58. வலுவூட்டல் கற்றல்:
  59. இயல்பு மொழித் தகவலியல்:
  60. இயல்பு மொழித் தகவலியலின் பயன்பாடுகள், தகவல் தரவு பெறுதல் (எ.கா. உரைத் தரவு செயலாக்கம்) மற்றும் இயந்திர மொழிபெயர்ப்பு ஆகியவற்றை உள்ளடக்கியது:
  61. ரோபோவியல்:
  62. நகர்தல் மற்றும் உள்ளமைப்புப் பகுதி:
  63. ரோபோ தன்னிலையறிதல் (இடமறிதல், மற்றும் பல):
  64. இயந்திரப் புலனறிதல்:
  65. கணினி பார்வை:
  66. பேச்சு ஏற்பு:
  67. பொருள் ஏற்பு:
  68. உணர்ச்சி மற்றும் உணர்ச்சிக் கணிப்பு:
  69. ஜெரால்டு ஈடில்மேன், ஐகர் அலெக்ஸாண்டர் மற்றும் சிலரும் செயற்கை உணர்நிலையானது வலிமையான AI க்கு தேவைப்படுகிறது என்பதை விவாதிக்கின்றனர். குறிப்பிணைப்பு செயலில் உள்ளது ரே கர்ஸ்வெயில், ஜெஃப் ஹாகின்ஸ் மற்றும் சிலரும் வலிமையான AI ஆனது மனித மூளையை ஒத்த செயல்பாட்டை கோருகின்றது என்பதை விவாதிக்கின்றனர். குறிப்பிணைப்பு செயலில் உள்ளது
  70. AI கடும் சிக்கல்கள்:
  71. நில்ஸ் நில்ஸன் எழுதுகிறார்: "எளிதாகக் கூறினால், AI துறையில் AI எதைப்பற்றியது என்பதில் பரவலான முரண்பாடுகள் உள்ளன." (Nilsson 1983, p. 10)
  72. உயிரியல் நுண்ணறிவுக்கு எதிராக பொதுவான நுண்ணறிவு:
    • Russell & Norvig 2003, pp. 2-3, வானூர்திப் பொறியியல் உடனான ஒப்புமையை விளக்கினார்.
    • McCorduck 2004, pp. 100-101, "செயற்கை நுண்ணறிவுத் துறையில் இரண்டு முக்கியப் பிரிவுகள் உள்ளன: ஒன்று நுண்ணறிவு நடத்தையானது எவ்வாறு நிறைவேற்றப்பட்டது என்பதைக் கருத்தில் கொள்ளாமல் அதை உருவாக்குவதை நோக்கமாகக் கொண்டது, மற்றொன்று நுண்ணறிவுச் செயலாக்கங்களை இயற்கையாக அமைந்துள்ளதைப் போன்று குறிப்பாக மனித இனத்தில் உள்ளது போன்று மாதிரியாக்குவதை நோக்கமாகக் கொண்டது" என்பதை எழுதுகிறார்.
    • Kolata 1982, அறிவியல் இதழ் ஒன்று, அது மெக்கர்த்தியின் உயிரியல் மாதிரிகள் புறகணிப்பைப் பற்றி விவரிக்கிறது. மெக்கர்த்தி எழுதியதாக கொலட்டா கூறும் மேற்கோள்: "இது AI, ஆகவே அதன் உளவியல் உண்மையைப் பற்றி கவலைப்பட வேண்டாம்". சமீபத்தில் AI@50 மாநாட்டில் மெக்கர்த்தி தான் ஏற்கனவே கூறிய "செயற்கை நுண்ணறிவு என்பது விவரிக்க ஒன்றுமில்லை அது மனித நுண்ணறிவை ஒத்தது" என்ற நிலையை வலியுறுத்திக் கூறினார் (Maker 2006).
  73. நேர்த்தியும் சிக்கல்களும்:
  74. குறியீட்டு மற்றும் துணைக் குறியீட்டு AI:
    • Nilsson (1998, p. 7), "துணைக் குறியீடு" சொல்லைப் பயன்படுத்துகிறார்.
  75. Haugeland 1985, pp. 112-117
  76. அறிநிலை உருவாக்கம், நியூவெல் மற்றும் சைமன், CMU இல் AI (பின்னர் கார்னகி டெக் என்றழைக்கப்பட்டது):
  77. Soar (வரலாறு):
  78. SAIL மற்றும் SRI இல் மெக்கர்த்தி மற்றும் AI ஆராய்ச்சி:
  79. எடின்பர்க் பிரான்ஸில் AI ஆராய்ச்சி, Prolog பிறப்பு:
  80. 1960 களில் MIT இல் மார்வின் மின்ஸ்கியின் கீழ் AI :
  81. Cyc:
  82. அறிவுப் புரட்சி:
  83. துணைக் குறியீட்டு AI பெரும்பாலும் பொருத்தமான வகை பின்னுக்குத் தள்ளப்பட்டு இருக்கிறது என்பது, 1969 இல் மார்வின் மின்ஸ்கி மற்றும் சேய்மொர் பேபெர்ட் ஆகியோரால் வழங்கப்பட்ட பெர்செப்ட்ரான்கள் பற்றிய மோசமான விமர்சனமாகும். காண்க, AI ன் வரலாறு, AI முடக்க காலம், அல்லது ஃப்ரேங்க் ரோசன்பிளேட்.
  84. AI க்கான உள்ளடக்குதல் அணுகுமுறைகள்:
  85. தொடர்பியல் உடைய மீட்டெழுச்சி:
  86. காண்க, IEEE கணினி சார்ந்த நுண்ணறிவுச் சங்கம்
  87. நுண்ணறிவுக் கருவி முன்னுதாரணம்:
  88. "முழு-கருவிப் பார்வை என்பது இப்பொழுது துறையில் பரவலாக ஏற்றுக்கொள்ளப்பட்டுள்ளது" Russell & Norvig 2003, p. 55
  89. கருவிக் கட்டமைப்புகள், கலப்பின நுண்ணறிவு அமைப்புகள்:
  90. ஆல்பஸ் ஜே. எஸ்., தானியங்கி தரைவழி வாகனங்களுக்கான 4-D/RCS குறிப்பு மாதிரி கட்டமைப்பு. ஜி ஹெர்ஹார்ட், ஆர் குண்டர்சன், மற்றும் சி ஷூமேக்கர், பதிப்பாளர்கள், ப்ரசீடிங்க்ஸ் ஆஃப் தி SPIE AeroSense செஷன் ஆன் அன்மேன்டு கிரவுண்ட் வெகிக்ள் டெக்னாலஜி, தொகுதி 3693, பக்கங்கள் 11—20
  91. தேடல் வழிமுறைகள்:
  92. தேடலாக, முன்னோக்கிய சங்கிலியாக்கம், பின்னோக்கிய சங்கிலியாக்கம், ஹார்ன் கூறுகள், மற்றும் தர்க்கப் பொருத்தியறிதல் ஆகியவை:
  93. பொருத்த நிலைத் தேடல் மற்றும் திட்டமிடுதல்:
  94. சீரான தேடல்கள் (அகலம் முதல் தேடல், ஆழம் முதல் தேடல் மற்றும் பொதுவான பொருத்த நிலைத் தேடல்):
  95. தீர்வு விதிகள் அல்லது தெரிவிக்கப்பட்ட தேடல்கள் (எ.கா., ஆர்வத்துடன் சிறந்தது முதலில் மற்றும் A*):
  96. ஏற்புடையதாக்கல் தேடல்கள்:
  97. செயற்கை வாழ்க்கை மற்றும் சமூகம் அடிப்படையிலான கற்றல்:
  98. கற்றலுக்கான மரபியல் வழிமுறைகள்: மேலும் காண்க: Holland, John H. (1975). Adaptation in Natural and Artificial Systems. University of Michigan Press. பன்னாட்டுத் தரப்புத்தக எண்:0262581116.
  99. Koza, John R. (1992). Genetic Programming. MIT Press.
  100. Poli, R., Langdon, W. B., McPhee, N. F. (2008). A Field Guide to Genetic Programming. Lulu.com, freely available from http://www.gp-field-guide.org.uk/.+பன்னாட்டுத் தரப்புத்தக எண்:978-1-4092-0073-4.
  101. தர்க்கம்:
  102. தெளிவுத்திறன் மற்றும் ஒருமைப்படுத்துதல்:
  103. தர்க்க நிரலாக்கத்தின் வரலாறு: Advice Taker:
  104. சாட் திட்டம்:
  105. விளக்கம் அடிப்படையிலான கற்றல், தொடர்பு அடிப்படையிலான கற்றல், உண்மை ஒப்பீட்டு தர்க்க நிரலாக்கம், சந்தர்ப்ப அடிப்படையிலான பகுத்தறிதல்:
  106. கருத்துரை தர்க்கம்:
  107. முதல்-வரிசை தர்க்கம் மற்றும் சமத்துவம் போன்ற அம்சங்கள்:
  108. தெளிவில்லா தர்க்கம்:
  109. ஜூடியா பியர்ள் உடைய AI க்கான பங்களிப்பு:
  110. சீரற்ற பகுத்தறிதலுக்கான சீரற்ற முறைகள்:
  111. பேயேஸியன் நெட்வொர்க்குகள்:
  112. பேயேஸியன் அனுமான வழிமுறை:
  113. பேயேஸியன் கற்றல் மற்றும் எதிர்பார்ப்பு-மிகுதியாக்கல் வழிமுறை:
  114. பேயேஸியன் தீர்வுகாணல் நெட்வொர்க்குகள்:
  115. மாறும் பேயேஸியன் நெட்வொர்க்:
  116. சீரற்ற உலகியல் சார்ந்த மாதிரிகள்: Russell & Norvig 2003, pp. 537-581
  117. மறைக்கப்பட்ட மார்கோவ் மாதிரி:
  118. கால்மன் வடிகட்டி:
  119. தீர்வுகாணல் கொள்கை மற்றும் தீர்வுகாணல் பகுப்பாய்வு:
  120. மார்கோவ் தீர்வுகாணல் செயல்முறைகள் மற்றும் மாறும் தீர்வுகாணல் நெட்வொர்க்குகள்:
  121. விளையாட்டுக் கொள்கை மற்றும் இயக்கமுறை வடிவமைப்பு:
  122. புள்ளிவிவரக் கற்றல் முறைகள் மற்றும் வகைப்படுத்திகள்:
  123. நரம்பியல் வலையமைப்புகள் மற்றும் தொடர்பியல்:
  124. கெர்னல் முறைகள்:
  125. K-அருகாமையிலுள்ளவற்றைப் பொறுத்து வகைப்படுத்தும் வழிமுறை:
  126. காஸியன் கலவை மாதிரி:
  127. நைவ் பேயஸ் வகைப்படுத்தி:
  128. தீர்வுக் கிளையமைப்பு:
  129. van der Walt, Christiaan. "Data characteristics that determine classifier performance" (PDF).
  130. பெர்செப்ட்ரான்கள்:
  131. பின்னோக்குப் பரவல்:
  132. போட்டியிலான கற்றல், ஹெப்பியன் ஒத்தநிகழ்வுக் கற்றல், ஹோப்ஃபீல்டு வலையமைப்பு கள் மற்றும் கவரும் வலையமைப்புகள்:
  133. கட்டுப்பாட்டுக் கொள்கை:
  134. Crevier 1993, p. 46-48
  135. Lisp:
  136. Prolog:
  137. Schaeffer, Jonathan (2007-07-19). "Checkers Is Solved". Science. பார்த்த நாள் 2007-07-20.
  138. கணினிச் சதுரங்கம்#கணினிகளும் மனிதர்களும்
  139. Jose Hernandez-Orallo (2000). "Beyond the Turing Test". Journal of Logic, Language and Information 9 (4): 447–466. http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.44.8943. பார்த்த நாள்: 2009-07-21.
  140. D L Dowe and A R Hajek (1997). "A computational extension to the Turing Test". Proceedings of the 4th Conference of the Australasian Cognitive Science Society. http://www.csse.monash.edu.au/publications/1997/tr-cs97-322-abs.html. பார்த்த நாள்: 2009-07-21.
  141. Shane Legg and Marcus Hutter (2007). "Universal Intelligence: A Definition of Machine Intelligence" (pdf). Minds and Machines 17: 391–444. http://www.vetta.org/documents/UniversalIntelligence.pdf. பார்த்த நாள்: 2009-07-21.
  142. "AI set to exceed human brain power" (web article). CNN.com. 2006-07-26. http://www.cnn.com/2006/TECH/science/07/24/ai.bostrom/. பார்த்த நாள்: 2008-02-26.
  143. புராணத்தில் AI:
  144. செயற்கை நுண்ணறிவாக பனிதச் சிலைகள்:
  145. இவை உண்மையான நுண்ணறிவு மற்றும் உணர்நிலையைக் கொண்டிருப்பதாக நம்பப்படும் முதல் இயந்திரங்களாக இருந்தன. எர்மெஸ் ட்ரிஸ்மெஜிஸ்டஸ், சிற்பி "கடவுளின் குணநலனை" கொண்டு, சிலைகளுக்கு உணர்ச்சி மற்றும் சுவாசத்தை மீண்டும் உருவாக்கும் பொதுவான நம்பிக்கையை வெளிப்படுத்தினார். மேக்கர்டக், புனிதத் தானியங்கிகள் மற்றும் மொசைக் விதி இவற்றுக்கு இடையேதொடர்பை ஏற்படுத்துகிறார் (அவற்றை உருவாக்கிய அதே நேரத்தில்), இது ரோபோக்கள் வழிபாட்டை வேகமாகத் தடைசெய்கிறது (McCorduck 2004, pp. 6-9)
  146. Needham 1986, p. 53
  147. McCorduck 2004, p. 6
  148. "A Thirteenth Century Programmable Robot". Shef.ac.uk. பார்த்த நாள் 2009-04-25.
  149. McCorduck 2004, p. 17
  150. செயற்கை வாழ்வியல்: O'Connor, Kathleen Malone (1994). The alchemical creation of life (takwin) and other concepts of Genesis in medieval Islam. University of Pennsylvania. http://repository.upenn.edu/dissertations/AAI9503804. பார்த்த நாள்: 2007-01-10.
  151. கோலெம்: McCorduck 2004, p. 15-16, Buchanan 2005, p. 50
  152. McCorduck 2004, p. 13-14
  153. McCorduck (2004, p. 190-25), ப்ரேங்கென்ஸ்டீன் பற்றி விவாதிக்கிறார், மேலும் அறிவியல் சார்ந்த பெருமைகள் மற்றும் அசாதாரண பிறப்பின் பாதிப்பு போன்ற முதன்மை ஒழுக்கச் சிக்கல்களைக் கண்டறிகிறார், எ.கா. ரோபோ உரிமைகள்.
  154. ரோபோ உரிமைகள்:
  155. டைம்ஸ் ஆன்லைனைக் காண்க, ரோபோக்களுக்கான மனித உரிமைகள்? நாம் வெளியே கொண்டு செல்ல முயலுகிறோம்
  156. Russell & Norvig (2003, p. 960-961)
  157. சிறப்பொருமை, மீவு மனிதத்துவம்:
  158. ஜோசப் வெய்சென்பாம் இன் AI விமர்சனம்: வேயிஸன்பம் (முதல் chatterbot நிரலான ELIZA ஐ உருவாக்கிய AI ஆராய்ச்சியாளர்), 1976 இல் செயற்கை நுண்ணறிவின் பயன்பாடானது மனித வாழ்வின் மதிப்பைக் குறைக்கும் திறனை கொண்டிருப்பதாக அறிவுறுத்தினார்.
  159. McCorduck (2004, p. 401) இல் மேற்கோள் இடப்பட்டது

குறிப்புதவிகள்

முக்கிய AI உரைநூல்கள்

A.I. உரைநூல் ஆய்வையும் காண்க

பிற ஆதாரங்கள்

புற இணைப்புகள்

வலைப்பதிவுகள்

This article is issued from Wikipedia. The text is licensed under Creative Commons - Attribution - Sharealike. Additional terms may apply for the media files.