ປັນຍາທຽມ

ໃນປັດຈຸບັນ, ເຄືອຂ່າຍ neural ເລິກແກ້ໄຂ cube ຂອງ Rubik ໃນ 1,2 ວິນາທີ. ເພື່ອບັນລຸຜົນໄດ້ຮັບນີ້, ໃນຊ່ວງລຶະເບິ່ງການຂອງສະຕະວັດທີ XNUMX ແລະ XNUMX, ເຄື່ອງຈັກທີ່ມີເຫດຜົນຂອງ Ramon Lull ໄດ້ຖືກສ້າງຂື້ນ. ໃນບົດຄວາມນີ້, ທ່ານຈະຮຽນຮູ້ຂັ້ນຕອນໂດຍຂັ້ນຕອນສິ່ງທີ່ເກີດຂຶ້ນໃນໄລຍະສັດຕະວັດແລ້ວ.

ສະຕະວັດທີ XIII-IV ນັກປັດຊະຍາຊາວສະເປນ ຣາມອນ ລູລີ (1) ພັດທະນາ ເຄື່ອງຈັກຕາມເຫດຜົນ. ລາວໄດ້ອະທິບາຍເຄື່ອງຈັກຂອງລາວເປັນວັດຖຸກົນຈັກທີ່ສາມາດເຊື່ອມຕໍ່ຄວາມຈິງພື້ນຖານແລະບໍ່ສາມາດປະຕິເສດໄດ້ໂດຍຜ່ານການປະຕິບັດງານຢ່າງມີເຫດຜົນງ່າຍໆທີ່ປະຕິບັດໂດຍເຄື່ອງຈັກທີ່ມີເຄື່ອງຫມາຍກົນຈັກ.

ອາຍຸ 30-50 ປີ. ສະຕະວັດ twentieth ນີ້ໄດ້ຖືກສະແດງໃຫ້ເຫັນໂດຍການຄົ້ນຄວ້າໃນພາກສະຫນາມຂອງ neuroscience. ທ່ານ Norbert Wiener ອະທິບາຍການຄວບຄຸມ cybernetic ແລະຄວາມຢືດຢຸ່ນໃນເຄືອຂ່າຍໄຟຟ້າ. Claude Shannon ສ້າງທິດສະດີຂອງ "ຂໍ້ມູນທີ່ອະທິບາຍໂດຍສັນຍານດິຈິຕອນ".

1936 , ຊຶ່ງເປົ້າຫມາຍແມ່ນເພື່ອແກ້ໄຂບັນຫາການແກ້ໄຂທີ່ນໍາສະເຫນີໂດຍ David Hilbert ໃນປີ 1928, ນັ້ນແມ່ນສິ່ງທີ່ລາວໄດ້ນໍາສະເຫນີໃນມັນ ລົດ abstractຄວາມສາມາດໃນການປະຕິບັດການດໍາເນີນທາງຄະນິດສາດທີ່ມີໂຄງການ, i.e. algorithm.

ເຄື່ອງຈັກສາມາດປະຕິບັດພຽງແຕ່ຫນຶ່ງສູດການຄິດໄລ່ສະເພາະ, ເຊັ່ນ: squaring ຕົວເລກ, ການແບ່ງ, ເພີ່ມ, ການຫັກລົບ. ໃນການເຮັດວຽກຂອງຂ້ອຍເອງ Turing ລາວໄດ້ອະທິບາຍເຄື່ອງຈັກດັ່ງກ່າວຈໍານວນຫຼາຍ, ເຊິ່ງໄດ້ມາຊື່ທົ່ວໄປ ເຄື່ອງຈັກ Turing. ການຂະຫຍາຍແນວຄວາມຄິດນີ້ແມ່ນອັນທີ່ເອີ້ນວ່າເຄື່ອງຈັກ Turing ທົ່ວໄປ, ເຊິ່ງ, ອີງຕາມຄໍາແນະນໍາທີ່ບັນທຶກໄວ້ໃນເທບ, ຕ້ອງດໍາເນີນການໃດໆ (2).

2. ຫນຶ່ງໃນຕົວແບບຂອງເຄື່ອງຈັກ Turing

1943 Warren McCulloch i Walter Pitts ສະແດງມັນ neuron ທຽມ ສາມາດຈໍາລອງການດໍາເນີນງານງ່າຍດາຍໂດຍການສ້າງແບບຈໍາລອງ ເຄືອຂ່າຍ neural. ຮູບແບບຂອງພວກເຂົາແມ່ນອີງໃສ່ຄະນິດສາດແລະສູດການຄິດໄລ່ຢ່າງດຽວແລະບໍ່ສາມາດທົດສອບໄດ້ເນື່ອງຈາກການຂາດຊັບພະຍາກອນຄອມພິວເຕີ້.

1950 ໃນບົດເລື່ອງຂອງລາວທີ່ມີຊື່ວ່າ "ວິທະຍາສາດຄອມພິວເຕີແລະປັນຍາ", ຈັດພີມມາຢູ່ໃນວາລະສານ Mind, Alan M. Turing ເປັນຄັ້ງທໍາອິດນໍາສະເຫນີການທົດສອບ, ຫຼັງຈາກນັ້ນເອີ້ນວ່າ "ການທົດສອບ Turing". ນີ້ແມ່ນວິທີການກໍານົດ ຄວາມສາມາດຂອງເຄື່ອງຈັກໃນການໃຊ້ພາສາທໍາມະຊາດ ແລະໂດຍທາງອ້ອມຫມາຍເຖິງການພິສູດວ່ານາງໄດ້ mastered ຄວາມສາມາດໃນການຄິດໃນລັກສະນະດຽວກັນກັບບຸກຄົນ.

1951 ມາວິນ ມິນສະກີ ໂອຣາສ ຄະນະບໍດີ Edmonds ພວກເຂົາກໍ່ສ້າງ SNARK (ພາສາອັງກິດ), ເຄືອຂ່າຍ neural ທຽມທໍາອິດ ກັບ 3 ພັນທໍ່ສູນຍາກາດ. ເຄື່ອງຈັກມີບົດບາດຂອງຫນູ, ເຊິ່ງຊອກຫາວິທີທາງອອກຈາກ maze ເພື່ອໄປຫາອາຫານ. ລະບົບເຮັດໃຫ້ມັນເປັນໄປໄດ້ທີ່ຈະຕິດຕາມການເຄື່ອນໄຫວທັງຫມົດຂອງ "ຫນູ" ໃນ maze ໄດ້. ຄວາມຜິດພາດໃນການອອກແບບເຮັດໃຫ້ມັນເປັນໄປໄດ້ທີ່ຈະແນະນໍາຫຼາຍກວ່າຫນຶ່ງ "ຫນູ" ຢູ່ທີ່ນັ້ນ, ແລະ "ຫນູ" ເລີ່ມພົວພັນກັບກັນແລະກັນ. ຄວາມພະຍາຍາມຫຼາຍຢ່າງທີ່ເຂົາເຈົ້າໄດ້ເຮັດເຮັດໃຫ້ພວກເຂົາເລີ່ມຕົ້ນ "ຄິດ" ບົນພື້ນຖານທີ່ມີເຫດຜົນ, ແລະນີ້ຊ່ວຍເສີມສ້າງທາງເລືອກທີ່ຖືກຕ້ອງ. "ຫນູ" ກ້າວຫນ້າທາງດ້ານຫຼາຍແມ່ນປະຕິບັດຕາມ "ຫນູ".

1955 Allen Newell ແລະ (ຜູ້ໄດ້ຮັບລາງວັນໂນແບລໃນອະນາຄົດ) Herbert A. Simon ປະກອບທິດສະດີຂອງເຫດຜົນ. ໃນ​ທີ່​ສຸດ, ໂຄງ​ການ​ພິ​ສູດ 38 ຂອງ 52 ຄໍາ​ຖະ​ແຫຼງ​ການ​ທໍາ​ອິດ​ຂອງ Principia Mathematica. Russell i ຫົວຂາວ, ຊອກຫາຫຼັກຖານໃຫມ່ແລະສະຫງ່າງາມສໍາລັບບາງຄົນ.

1956 ຄໍາວ່າ "" ເກີດມາ. ມັນຖືກນໍາໃຊ້ຄັ້ງທໍາອິດໃນກອງປະຊຸມທີ່ຈັດໂດຍວິທະຍາໄລ Dartmouth ໃນ New Hampshire (3). ແນວຄວາມຄິດໃຫມ່ໄດ້ຖືກກໍານົດວ່າເປັນ "ລະບົບທີ່ມີສະຕິຮັບຮູ້ແລະຕອບສະຫນອງຕໍ່ສະພາບແວດລ້ອມຂອງມັນເພື່ອເພີ່ມປະສິດທິພາບໂອກາດຂອງຄວາມສໍາເລັດ". ໃນ​ບັນ​ດາ​ຜູ້​ຈັດ​ຕັ້ງ​ຂອງ​ເຫດ​ການ​ໄດ້​, ລວມ​ທັງ​ ມາວິນ ມິນສະກີ, John McCarthy ແລະນັກວິທະຍາສາດອາວຸໂສສອງຄົນ: Claude Shannon i Nathan Rochester z IBM.

. ສະມາຊິກຂອງກອງປະຊຸມ Dartmouth ປີ 1956 ຈາກຊ້າຍໄປຂວາ: Marvin Minsky ແລະ Claude Shannon.

1960 ການກໍ່ສ້າງ ເຄືອຂ່າຍໄຟຟ້າເຄມີ ອົງປະກອບການຮຽນຮູ້ທີ່ມີຊື່ Adaline. ສ້າງ Bernard Widrow ຈາກມະຫາວິທະຍາໄລສະແຕນຟອດ, ເຄືອຂ່າຍປະກອບດ້ວຍອົງປະກອບສ່ວນບຸກຄົນຂອງ Adaline, ເຊິ່ງ, ເມື່ອຜະລິດຄືນໃຫມ່ແລະປະສົມປະສານ, ສົ່ງຜົນໃຫ້ Madalyn ກ່າວ (Eng. ຫຼາຍ Adaline). ມັນແມ່ນຄັ້ງທໍາອິດ ຄອມພິວເຕີ neuro ສະ​ຫນອງ​ໃຫ້​ທາງ​ການ​ຄ້າ​. ເຄືອຂ່າຍ Madaline ຖືກນໍາໃຊ້ໂດຍ radar, sonars, ໂມເດັມແລະສາຍໂທລະສັບ.

1966 ເພີ່ມຂຶ້ນ ໂຄງການ ELIZA, ເປັນຕົວແບບ chatbot ທີ່ທົດສອບຢູ່ MIT. ມັນໄດ້ຖືກອອກແບບໃນວິທີທີ່ງ່າຍດາຍ: ມັນໄດ້ປ່ຽນປະໂຫຍກທີ່ປະກາດໂດຍຜູ້ໃຊ້ເປັນຄໍາຖາມແລະກະຕຸ້ນໃຫ້ພວກເຂົາໄດ້ຮັບຄໍາຖະແຫຼງເພີ່ມເຕີມ. ຕົວຢ່າງ, ເມື່ອຜູ້ໃຊ້ເວົ້າວ່າ, "ຂ້ອຍເຈັບຫົວ," ໂປຣແກຣມຖາມວ່າ, "ເປັນຫຍັງຫົວຂອງເຈົ້າເຈັບ?" ELIZA ໄດ້ຖືກນໍາໃຊ້ຢ່າງສໍາເລັດຜົນໃນການປິ່ນປົວຄົນທີ່ມີຄວາມຜິດປົກກະຕິທາງຈິດ..

1967 ໃນປະເທດຍີ່ປຸ່ນ, ມະຫາວິທະຍາໄລ Waseda ໄດ້ລິເລີ່ມ ໂຄງການ VABOT (4) ໃນປີ 1967 ເປັນຄັ້ງທໍາອິດໃນໂລກ ຫຸ່ນຍົນ humanoid ອັດສະລິຍະຂະໜາດເຕັມ. ລະບົບການຄວບຄຸມແຂນຂາຂອງລາວອະນຸຍາດໃຫ້ລາວຍ່າງດ້ວຍແຂນຂາຕ່ໍາຂອງລາວ, ເຊັ່ນດຽວກັນກັບຈັບແລະຍ້າຍວັດຖຸດ້ວຍມືຂອງລາວໂດຍໃຊ້ເຊັນເຊີສໍາຜັດ. ລະບົບວິໄສທັດຂອງລາວໄດ້ອະນຸຍາດໃຫ້ລາວສາມາດວັດແທກໄລຍະທາງແລະທິດທາງໄປຫາວັດຖຸໂດຍໃຊ້ receptors ພາຍນອກ, ຕາທຽມແລະຫູ. ແລະລະບົບການສົນທະນາໄດ້ອະນຸຍາດໃຫ້ລາວຕິດຕໍ່ສື່ສານກັບບຸກຄົນໃນພາສາຍີ່ປຸ່ນໂດຍໃຊ້ສົບປອມ.

1969 ມາວິນ ມິນສະກີ i ເອກະສານ Seymour ສະແດງໃຫ້ເຫັນຂໍ້ຈໍາກັດ perceptron. ປື້ມຂອງພວກເຂົາມີຫຼັກຖານຢ່າງເປັນທາງການວ່າເຄືອຂ່າຍຊັ້ນດຽວມີຂອບເຂດຈໍາກັດຫຼາຍຂອງຄໍາຮ້ອງສະຫມັກ, ເຊິ່ງເຮັດໃຫ້ການຢຸດເຊົາໃນການຄົ້ນຄວ້ານີ້. ສະຖານະການນີ້ສືບຕໍ່ເປັນເວລາປະມານ 15 ປີຈົນກ່ວາຊຸດຂອງສິ່ງພິມໄດ້ຖືກເຜີຍແຜ່ເຊິ່ງມັນສະແດງໃຫ້ເຫັນຢ່າງຫນ້າເຊື່ອຖືວ່າເຄືອຂ່າຍທີ່ບໍ່ແມ່ນເສັ້ນແມ່ນບໍ່ເສຍຄ່າຈາກຂໍ້ຈໍາກັດທີ່ສະແດງໃຫ້ເຫັນໃນການເຮັດວຽກກ່ອນຫນ້ານີ້. ມັນໄດ້ຖືກປະກາດໃນເວລານັ້ນ ລະດັບຂອງວິທີການຮຽນຮູ້ເຄື່ອງຈັກສໍາລັບເຄືອຂ່າຍຫຼາຍຊັ້ນ.

1973 Edward Shortliff, ແພດແລະນັກວິທະຍາສາດຄອມພິວເຕີ, ລາວສ້າງ ໂຄງການ MAISIN, ຫນຶ່ງໃນລະບົບຜູ້ຊ່ຽວຊານທໍາອິດສໍາລັບການວິນິດໄສການປິ່ນປົວຂອງການຕິດເຊື້ອແບັກທີເລຍ, ໂດຍອີງໃສ່ການບົ່ງມະຕິພະຍາດເລືອດໂດຍອີງໃສ່ຜົນຂອງການທົດສອບແລະການຄິດໄລ່ປະລິມານທີ່ຖືກຕ້ອງຂອງຢາຕ້ານເຊື້ອ.

ໃນຊຸມປີ 70, ທ່ານ ໝໍ ສ່ວນໃຫຍ່ຕ້ອງການຄໍາແນະນໍາຈາກຜູ້ຊ່ຽວຊານກ່ອນທີ່ຈະສັ່ງຢາຕ້ານເຊື້ອໃຫ້ຄົນເຈັບ. ຢາຕ້ານເຊື້ອແຕ່ລະອັນສົ່ງຜົນກະທົບຕໍ່ຈຸລິນຊີບາງກຸ່ມ, ແຕ່ຍັງເຮັດໃຫ້ເກີດຜົນຂ້າງຄຽງບາງຢ່າງ. ຢ່າງໃດກໍຕາມ, ຄວາມຮູ້ກ່ຽວກັບວິຊານີ້ໃນບັນດາທ່ານຫມໍທໍາມະດາແມ່ນບໍ່ຍິ່ງໃຫຍ່. ນັ້ນແມ່ນເຫດຜົນທີ່ໂຮງຮຽນແພດສາດມະຫາວິທະຍາໄລສະແຕນຟອດ, ສູນຄົ້ນຄ້ວາທີ່ມີຊື່ສຽງຂອງໂລກໃນດ້ານຢາຕ້ານເຊື້ອ, ໄດ້ຫັນໄປຫາຜູ້ຊ່ຽວຊານດ້ານໄອທີເພື່ອຂໍຄວາມຊ່ວຍເຫຼືອ. ດັ່ງນັ້ນ, ລະບົບຄໍາແນະນໍາໄດ້ຖືກສ້າງຂື້ນ, ເຊິ່ງປະກອບດ້ວຍຖານຂໍ້ມູນທີ່ກວ້າງຂວາງແລະຫຼັກການ 500 ເພື່ອຊ່ວຍໃຫ້ທ່ານຫມໍໃຊ້ຢາຕ້ານເຊື້ອຢ່າງຖືກຕ້ອງ.

1975 Paul Werbos invents backpropagation ທີ່ແກ້ໄຂບັນຫາແລະຂໍ້ຈໍາກັດຂອງເຄືອຂ່າຍຊັ້ນດຽວແລະໂດຍທົ່ວໄປແລ້ວ ຝຶກອົບຮົມເຄືອຂ່າຍ neural ມີປະສິດທິພາບຫຼາຍຂຶ້ນ.

80 ປີ ເປັນທີ່ຮູ້ຈັກເປັນ "ລະບົບຜູ້ຊ່ຽວຊານ", ແລະຄວາມຮູ້ໄດ້ກາຍເປັນຈຸດສຸມຂອງການຄົ້ນຄວ້າ AI ຕົ້ນຕໍ. ແທນທີ່ຈະສຸມໃສ່ປັນຍາທົ່ວໄປ, ລະບົບຜູ້ຊ່ຽວຊານໄດ້ສຸມໃສ່ການນໍາໃຊ້ຫຼັກການທີ່ກໍານົດໄວ້ເພື່ອອັດຕະໂນມັດວຽກງານສະເພາະແລະການຕັດສິນໃຈສະເພາະໃນໂລກທີ່ແທ້ຈິງ.

ການແກ້ໄຂທໍາອິດທີ່ປະສົບຜົນສໍາເລັດ, ທີ່ເອີ້ນວ່າ RI, ໄດ້ຖືກນໍາສະເຫນີໂດຍບໍລິສັດອຸປະກອນດິຈິຕອນເພື່ອປັບແຕ່ງຄໍາສັ່ງຂອງບໍລິສັດແລະປັບປຸງຄວາມຖືກຕ້ອງ. ຢ່າງໃດກໍຕາມ, Apple ແລະ IBM ໃນໄວໆນີ້ໄດ້ນໍາສະເຫນີຄອມພິວເຕີ mainframe ທີ່ມີພະລັງງານປະມວນຜົນຫຼາຍກ່ວາເຄື່ອງທີ່ໃຊ້ສໍາລັບການບໍາລຸງຮັກສາ. ປັນຍາທຽມ, ຂັດຂວາງອຸດສາຫະກໍາ AI. ນີ້ອີກເທື່ອຫນຶ່ງຢຸດເຊົາການລົງທຶນໃນ AI.

1988 ນັກຄົ້ນຄວ້າຢູ່ IBM ໄດ້ເຜີຍແຜ່ເອກະສານທີ່ນໍາສະເຫນີຫຼັກການຂອງຄວາມເປັນໄປໄດ້ໃນການແປພາສາອັດຕະໂນມັດຈາກຝຣັ່ງເປັນພາສາອັງກິດ. ວິທີການນີ້, ໃກ້ຊິດກັບສິ່ງນັ້ນ, ໄດ້ວາງພື້ນຖານສໍາລັບເຕັກໂນໂລຢີການຮຽນຮູ້ເຄື່ອງຈັກໃນປະຈຸບັນ.

1989 ປາກົດຂື້ນ ELVINN (), ຊຶ່ງເປັນຜົນມາຈາກແປດປີຂອງການຄົ້ນຄວ້າດ້ານການທະຫານຢູ່ໃນສະຖາບັນຫຸ່ນຍົນ CMU (5). ມັນສາມາດຖືວ່າເປັນບັນພະບຸລຸດຂອງມື້ນີ້. ການຈັດຕັ້ງປະຕິບັດ ALVINN ໄດ້ປະມວນຜົນຂໍ້ມູນຈາກສອງແຫຼ່ງຄື: ກ້ອງວິດີໂອ ແລະເຄື່ອງຊອກຫາໄລຍະແສງເລເຊີ. ມັນເປັນລະບົບ perceptual ທີ່ຮຽນຮູ້ທີ່ຈະຄວບຄຸມຍານພາຫະນະໂດຍການສັງເກດເບິ່ງຄົນຂັບ. ລາວໃຊ້ມັນ ເຄືອຂ່າຍ neural ແລະຕັດສິນໃຈໂດຍບໍ່ມີແຜນທີ່.

5. ພາຫະນະທີ່ມີລະບົບປົກຄອງຕົນເອງ ALVINN

ຊຸມປີ 90. ໃນໂລກຂອງ AI, ຮູບແບບໃຫມ່ທີ່ເອີ້ນວ່າ "ຕົວແທນອັດສະລິຍະ" ກໍາລັງຖືກຮັບຮອງເອົາ. Judea Pearl, Allen Newell, Leslie P. Kelbling ແລະຄົນອື່ນໄດ້ສະເໜີໃຫ້ນຳໃຊ້ທິດສະດີການຕັດສິນໃຈ ແລະ ເສດຖະສາດເຂົ້າໃນການຄົ້ນຄວ້າປັນຍາປະດິດ.

1997 deep ສີຟ້າ ສ້າງໂດຍ IBM defeats grandmaster ກັບ Garrim Kasparov (6). ຊຸບເປີຄອມພິວເຕີເປັນລຸ້ນພິເສດຂອງເວທີ IBM ທີ່ສ້າງຂຶ້ນໂດຍ IBM ແລະສາມາດຈັດການການເຄື່ອນໄຫວໄດ້ສອງເທົ່າຕໍ່ວິນາທີຄືກັບເກມທຳອິດ (ທີ່ເຄື່ອງເສຍໄປ), ມີລາຍງານວ່າ 200 ລ້ານເຄື່ອນຕໍ່ວິນາທີ.

6. ການແຂ່ງຂັນ Garry Kasparov vs Deep Blue

1998 ສີ່ລ້ານໄປຫາຕົ້ນໄມ້ວັນຄຣິດສະມາດ ຫຸ່ນຍົນຫູ Furbyຜູ້ທີ່ຈະຮຽນພາສາອັງກິດໃນທີ່ສຸດ.

2002​-09 ໃນປີ 2002, DARPA ໄດ້ທ້າທາຍໂລກ. ເຕັກ​ໂນ​ໂລ​ຊີ smart​: $140 ລ້ານສໍາລັບຜູ້ກໍ່ສ້າງເພື່ອຂັບລົດ 18 ໄມຂ້າມທະເລຊາຍ Mojave. 2005 ເດືອນພຶດສະພາ 7 Stanley (XNUMX) ໄດ້ເຂົ້າຮ່ວມໃນ Grand Challenge, ປະກອບອາວຸດດ້ວຍ lasers, radar, ກ້ອງຖ່າຍຮູບວິດີໂອ, ເຄື່ອງຮັບ GPS, ຫົກໂປເຊດເຊີແລະສະຖາປັດຕະຊອບແວປະສົມປະສານ, ແລະໄດ້ຮັບໄຊຊະນະ. ຕັ້ງແຕ່ນັ້ນມາ, ລົດດັ່ງກ່າວໄດ້ສະແດງຢູ່ໃນພິພິທະພັນປະຫວັດສາດແຫ່ງຊາດຂອງ Smithsonian. ຮ່ວມກັບ Stanley ໃນປະຫວັດສາດ ປັນຍາທຽມ ທີມງານອອກແບບມະຫາວິທະຍາໄລ Stanford ນຳໂດຍ Prof. Sebastian Thrun, ຜູ້ທີ່ເປັນຫົວຫນ້າລົດອັດຕະໂນມັດຂອງ Google, ສ້າງໃນປີ 2009.

2005 Honda ແນະນໍາ Asimo ຫຸ່ນຍົນ humanoid ຍ່າງສອງຂາ (ແປດ). ໃນລະຫວ່າງການພັດທະນາຂອງມັນ, ຂໍ້ມູນທີ່ໄດ້ຮັບການນໍາໃຊ້, ສໍາລັບຕົວຢ່າງ, ໃນການອອກແບບຂາທຽມທີ່ອະນຸຍາດໃຫ້ຜູ້ສູງອາຍຸສາມາດເຄື່ອນຍ້າຍໄດ້.

2011 ຊຸບເປີຄອມພີວເຕີ Watson ຈາກ IBM, ເຊິ່ງໃນປີ 2011 ໄດ້ເອົາຊະນະເຈົ້າຂອງເກມໃນລາຍການ "Jeopardy" (ອອກອາກາດໃນໂປແລນພາຍໃຕ້ຊື່ "Va Banque").

2016 ໂຄງການຄອມພິວເຕີ AlphaGo ສ້າງໂດຍຫນຶ່ງໃນບໍລິສັດ Google, ລື່ນກາຍ Lee Sedol, ແຊ້ມໂລກ 18 ສະໄໝໃນ Go (9).

9. ການແຂ່ງຂັນລະຫວ່າງ Go Li Sedol ກັບ AlphaGo

2018 Google ແລະ Allen Institute for Artificial Intelligence ສ້າງ BERT, "ການເປັນຕົວແທນພາສາ bidirectional unsupervised ທໍາອິດທີ່ສາມາດນໍາໃຊ້ສໍາລັບວຽກງານພາສາທໍາມະຊາດທີ່ຫລາກຫລາຍໂດຍໃຊ້ການໂອນຄວາມຮູ້." BERT ແມ່ນປັນຍາປະດິດທີ່ສາມາດເຮັດສໍາເລັດສ່ວນທີ່ຂາດຫາຍໄປຂອງປະໂຫຍກໃນຫຼາຍວິທີດຽວກັນກັບມະນຸດ. ເບີທ ເປັນຫນຶ່ງໃນການພັດທະນາທີ່ຫນ້າຕື່ນເຕັ້ນທີ່ສຸດໃນຂົງເຂດການປຸງແຕ່ງພາສາທໍາມະຊາດ (NLP), ພາກສະຫນາມຂອງປັນຍາປະດິດທີ່ໄດ້ຮັບການພັດທະນາຢ່າງໄວວາໂດຍສະເພາະໃນຊຸມປີມໍ່ໆມານີ້. ຂອບໃຈລາວ, ມື້ທີ່ພວກເຮົາສາມາດລົມກັບເຄື່ອງຈັກໄດ້ໃກ້ຊິດຫຼາຍ.

2019 ເຄືອຂ່າຍ neural ເລິກແມ່ນຊື່ , ສ້າງໂດຍນັກວິທະຍາສາດທີ່ມະຫາວິທະຍາໄລຄາລິຟໍເນຍ, ນາງໄດ້ເກັບກໍາ cube ຂອງ Rubik ສໍາລັບ 1,2 ວິນາທີ, ເກືອບສາມເທົ່າໄວກ່ວາຜູ້ທີ່ມີຄວາມຊໍານິຊໍານານທີ່ສຸດ. ໂດຍສະເລ່ຍ, ນາງຕ້ອງການປະມານ 28 ການເຄື່ອນໄຫວ, ໃນຂະນະທີ່ບຸກຄົນໃດຫນຶ່ງປະຕິບັດໂດຍສະເລ່ຍ 50 ການເຄື່ອນໄຫວ.

ການຈັດປະເພດ ແລະການນຳໃຊ້ປັນຍາປະດິດ

I. ປັນຍາປະດິດ ມີສອງຄວາມໝາຍຕົ້ນຕໍ:

• ມັນເປັນຄວາມສະຫຼາດສົມມຸດຕິຖານທີ່ຮັບຮູ້ໂດຍຜ່ານຂະບວນການວິສະວະກໍາ, ບໍ່ແມ່ນທໍາມະຊາດ;
• ແມ່ນຊື່ຂອງເຕັກໂນໂລຊີແລະພາກສະຫນາມຂອງການຄົ້ນຄວ້າວິທະຍາສາດຄອມພິວເຕີທີ່ຍັງອີງໃສ່ຄວາມກ້າວຫນ້າໃນ neuroscience, ຄະນິດສາດ, ຈິດຕະວິທະຍາ, ວິທະຍາສາດມັນສະຫມອງ, ແລະປັດຊະຍາ.

II. ໃນວັນນະຄະດີກ່ຽວກັບເລື່ອງນີ້, ມີສາມລະດັບຕົ້ນຕໍຂອງ AI:

1. ແຄບປັນຍາປະດິດ (, ANI) ທີ່ມີຄວາມຊ່ຽວຊານໃນພື້ນທີ່ດຽວ, ເຊັ່ນ AlphaGo, ເຊິ່ງເປັນ AI ທີ່ສາມາດເອົາຊະນະແຊ້ມໃນເກມ Go ໄດ້. ຢ່າງໃດກໍ່ຕາມ, ນີ້ແມ່ນສິ່ງດຽວທີ່ລາວສາມາດເຮັດໄດ້.
2. ປັນຍາປະດິດທົ່ວໄປ (, AGI) - ເປັນທີ່ຮູ້ຈັກເປັນປັນຍາປະດິດທີ່ເຂັ້ມແຂງ, ໂດຍອ້າງອີງໃສ່ຄອມພິວເຕີລະດັບສະຕິປັນຍາຂອງບຸກຄົນທົ່ວໄປ - ມີຄວາມສາມາດປະຕິບັດວຽກງານໃດໆທີ່ມັນປະຕິບັດ. ອີງຕາມຜູ້ຊ່ຽວຊານຈໍານວນຫຼາຍ, ພວກເຮົາຢູ່ໃນເສັ້ນທາງທີ່ຈະສ້າງ AGI ທີ່ມີປະສິດທິພາບ.
3. superintelligence ປອມ (, AS I). ນັກທິດສະດີ Oxford AI Nick Bostrom ນິຍາມຄວາມສະຫຼາດຫຼັກແຫຼມເປັນ "ປັນຍາທີ່ສະຫຼາດກວ່າຈິດໃຈຂອງມະນຸດທີ່ສະຫຼາດທີ່ສຸດໃນທຸກດ້ານ, ລວມທັງຄວາມຄິດສ້າງສັນທາງວິທະຍາສາດ, ຄວາມຮູ້ທົ່ວໄປ ແລະທັກສະທາງສັງຄົມ."

III. ການ​ນໍາ​ໃຊ້​ປະ​ຕິ​ບັດ​ທີ່​ທັນ​ສະ​ໄຫມ​ຂອງ AI​:

• ເຕັກໂນໂລຊີໂດຍອີງໃສ່ເຫດຜົນ fuzzy - ປົກກະຕິແລ້ວໃຊ້, ສໍາລັບການຍົກຕົວຢ່າງ, ການຄວບຄຸມຄວາມຄືບຫນ້າຂອງຂະບວນການເຕັກໂນໂລຊີໃນໂຮງງານຜະລິດໃນ "ບໍ່ມີຂໍ້ມູນທັງຫມົດ".
• ລະບົບຊ່ຽວຊານ - ລະບົບທີ່ນຳໃຊ້ພື້ນຖານຄວາມຮູ້ ແລະ ກົນໄກ inference ເພື່ອແກ້ໄຂບັນຫາ.
• ການແປພາສາເຄື່ອງຂອງບົດເລື່ອງ – ລະບົບການແປພາສາບໍ່ໄດ້ປັບຕົວເຂົ້າກັບມະນຸດ, ໄດ້ຮັບການພັດທະນາຢ່າງເຂັ້ມງວດ ແລະ ເໝາະສົມໂດຍສະເພາະສຳລັບການແປບົດເລື່ອງດ້ານວິຊາການ.
• ເຄືອຂ່າຍ Neural - ການ​ນໍາ​ໃຊ້​ສົບ​ຜົນ​ສໍາ​ເລັດ​ໃນ​ຄໍາ​ຮ້ອງ​ສະ​ຫມັກ​ຈໍາ​ນວນ​ຫຼາຍ​, ລວມ​ທັງ​ການ​ດໍາ​ເນີນ​ໂຄງ​ການ " opponents ສະ​ຫລາດ​" ໃນ​ເກມ​ຄອມ​ພິວ​ເຕີ​.
• ການຮຽນຮູ້ເຄື່ອງຈັກ ສາຂາຂອງປັນຍາປະດິດກ່ຽວກັບການຈັດການກັບລະບົບວິທີທີ່ສາມາດຮຽນຮູ້ການຕັດສິນໃຈຫຼືໄດ້ຮັບຄວາມຮູ້.
• ການ​ເກັບ​ກໍາ​ຂໍ້​ມູນ​ – ປຶກ​ສາ​ຫາ​ລື​ຂົງ​ເຂດ​, ກ່ຽວ​ກັບ​ຄວາມ​ຕ້ອງ​ການ​ຂໍ້​ມູນ​ຂ່າວ​ສານ​, ການ​ໄດ້​ມາ​ຄວາມ​ຮູ້​, ວິ​ທີ​ການ​ວິ​ເຄາະ​ນໍາ​ໃຊ້​, ຜົນ​ໄດ້​ຮັບ​ທີ່​ຄາດ​ຫວັງ​.
• ການຮັບຮູ້ຮູບພາບ - ມີການນຳໃຊ້ໂປຣແກມທີ່ຮັບຮູ້ຄົນຈາກການຖ່າຍຮູບໃບໜ້າ ຫຼືຮັບຮູ້ວັດຖຸທີ່ເລືອກໄວ້ໂດຍອັດຕະໂນມັດໃນຮູບດາວທຽມ.
• ການຮັບຮູ້ສຽງເວົ້າແລະການຮັບຮູ້ຂອງລໍາໂພງ ຖືກນໍາໃຊ້ຢ່າງກວ້າງຂວາງໃນການຄ້າ.
• ການຮັບຮູ້ການຂຽນດ້ວຍມື (OCR) - ໃຊ້ແລ້ວໃນຂະຫນາດໃຫຍ່, ສໍາລັບການຍົກຕົວຢ່າງ, ສໍາລັບການຈັດລຽງອັດຕະໂນມັດຂອງຕົວອັກສອນແລະໃນ notepads ເອເລັກໂຕຣນິກ.
• ຄວາມຄິດສ້າງສັນປອມ - ມີບັນດາໂຄງການທີ່ອັດຕະໂນມັດສ້າງຮູບແບບ poetic ສັ້ນ, ປະກອບ, ຈັດລຽງແລະຕີຄວາມຫມາຍຂອງດົນຕີທີ່ສາມາດ "ສັບສົນ" ແມ່ນແຕ່ນັກສິລະປິນມືອາຊີບເພື່ອວ່າພວກເຂົາບໍ່ໄດ້ພິຈາລະນາວຽກງານທີ່ສ້າງຂຶ້ນໂດຍປອມ.
• ໃຊ້ທົ່ວໄປໃນເສດຖະກິດ ລະບົບອັດຕະໂນມັດ ການປະເມີນ, ລວມທັງມູນຄ່າສິນເຊື່ອ, ຂໍ້ມູນຂອງລູກຄ້າທີ່ດີທີ່ສຸດຫຼືການວາງແຜນການໂຄສະນາການໂຄສະນາ. ລະບົບເຫຼົ່ານີ້ໄດ້ຮັບການຝຶກອົບຮົມອັດຕະໂນມັດລ່ວງຫນ້າໂດຍອີງໃສ່ຂໍ້ມູນທີ່ພວກເຂົາມີ (ຕົວຢ່າງ, ລູກຄ້າທະນາຄານທີ່ຊໍາລະເງິນກູ້ເປັນປົກກະຕິ, ແລະລູກຄ້າທີ່ມີບັນຫາກັບມັນ).
• ການໂຕ້ຕອບອັດສະລິຍະ - ໃຊ້ສໍາລັບການຄວບຄຸມອັດຕະໂນມັດ, ການຕິດຕາມ, ລາຍງານແລະຄວາມພະຍາຍາມເພື່ອແກ້ໄຂບັນຫາທີ່ເປັນໄປໄດ້ໃນຂະບວນການເຕັກໂນໂລຢີ.
• ການຄາດຄະເນການສໍ້ໂກງແລະການກວດພົບ - ການ​ນໍາ​ໃຊ້ v.i. ລະບົບ logistic regression ວິເຄາະຊຸດຂໍ້ມູນເພື່ອກໍານົດ, ສໍາລັບຕົວຢ່າງ, ການເຮັດທຸລະກໍາທາງດ້ານການເງິນທີ່ຫນ້າສົງໄສ.