Indhold
Kilde: iLexx / iStockphoto
Tag væk:
Kunstig intelligens kan en dag opnås ved hjælp af kunstige neurale netværk, men der er adskillige centrale forskelle mellem disse spændende teknologier.
Kunstig intelligens (AI) og kunstig neurale netværk (ANN) er to spændende og sammenflettede områder inden for datalogi. Der er dog flere forskelle mellem de to, der er værd at vide om.
Den vigtigste forskel er, at neurale netværk er et springbræt i søgen efter kunstig intelligens.
Kunstig intelligens er et stort felt, der har som mål at skabe intelligente maskiner, noget, der er opnået mange gange, afhængigt af hvordan du definerer intelligens. På trods af det faktum, at vi har computere, der kan vinde på "Jeopardy" og slå skakmestre, ses målet for AI generelt som en søgen efter generel intelligens eller intelligens, der kan anvendes til forskellige og ikke-relaterede situationelle problemer.
Mange af de AI'er, der er opbygget til dette tidspunkt, er blevet bygget med et formål, såsom at køre en robot, der spiller ping pong eller dominerer på “Jeopardy.” Dette er det uundgåelige resultat, når computerforskere sætter sig ned og skaber noget for at udføre en bestemt opgave - de ender med noget, der kan udføre denne opgave og ikke meget andet.
For at omgå dette problem med opgaveorienterede AI'er begyndte computerforskere at lege med kunstige neurale netværk. Vores generelt intelligente hjerner består af biologiske neurale netværk, der skaber forbindelser baseret på vores opfattelse og stimulering udefra.
Et groft forenklet eksempel er smerten fra at blive forbrændt. Når dette sker for første gang, oprettes der en forbindelse i din hjerne, der identificerer den sensoriske information kendt som ild (flammer, lugt af røg, varme) og relaterer den til smerter. Sådan lærer du i en meget ung alder hvordan du undgår at blive forbrændt. Gennem det samme neurale netværk kan vi lave en hel del generel læring som "is smager godt" og endda lave deduktive spring som "der er altid skyer før regn" eller "lagre rally altid i december." Disse spring er ikke altid korrekte (der er dårlig is, og der er lagre, der falder i december), men de kan korrigeres gennem erfaring, hvilket giver mulighed for adaptiv læring.
Kunstige neurale netværk forsøger at genskabe dette læringssystem på computere ved at konstruere et simpelt rammeprogram for at reagere på et problem og modtage feedback om, hvordan det gør. En computer kan optimere sit svar ved at gøre det samme problem tusinder af gange og justere dets svar i henhold til den feedback, den får. Computeren kan derefter få et andet problem, som den kan nærme sig på samme måde som den lærte fra den foregående. Ved at variere problemerne og antallet af tilgange til løsning af dem, som computeren har lært, kan computerforskere lære en computer at være generalist.
Selvom dette fremkalder billeder af computere, der overtager verden og høster mennesker, som det ses i Hollywood-film som "The Martrix", er vi stadig langt fra neurale netværk til vores kunstige intelligens. De problemer, der testes på neurale netværk, udtrykkes alle matematisk. Du kan ikke holde en blomst op til en computer og fortælle den at gætte farven ved lugten, fordi duften skulle udtrykkes i tal, og så skulle computeren skulle katalogisere disse numre i hukommelsen sammen med billeder af blomster udsender lugten.
Ingen fejl, ingen stress - Din trinvis vejledning til oprettelse af livsændrende software uden at ødelægge dit liv
Du kan ikke forbedre dine programmeringsevner, når ingen er interesseret i softwarekvalitet.
Når det er sagt, kan kunstige neurale netværk, der kan få flere input fra ting som lugt - og kapaciteten til at lære af alle disse input - være på sporet til at producere den første kunstige intelligens, der opfylder standarderne for selv den mest hardcore AI-entusiast.
I det væsentlige er kunstige neurale netværk modeller af menneskelige neurale netværk, der er designet til at hjælpe computere med at lære. Kunstig intelligens er den hellige gral, som nogle computerforskere forsøger at opnå ved hjælp af teknikker som efterligning af neurale netværk.