Symboliczna sztuczna inteligencja - Symbolic artificial intelligence

W historii sztucznej inteligencji , symboliczny sztuczna inteligencja to termin do zbierania wszystkich metod sztucznej inteligencji badań, które są oparte na wysokim szczeblu symbolicznych (ludzkich) w postaci czytelnej reprezentacji problemów logiki i szukać . Symboliczna sztuczna inteligencja wykorzystywała narzędzia, takie jak programowanie logiczne , reguły produkcji , sieci semantyczne i ramki , oraz opracowała aplikacje, takie jak systemy eksperckie .

John Haugeland nadał symbolicznej sztucznej inteligencji nazwę GOFAI („Dobra staromodna sztuczna inteligencja”) w swojej książce z 1985 r. Sztuczna inteligencja: sama idea , która badała filozoficzne implikacje badań nad sztuczną inteligencją. W robotyce analogicznym terminem jest GOFR ("Good Old-Fashioned Robotics").

Podsymboliczna sztuczna inteligencja to zestaw alternatywnych podejść, które nie wykorzystują wyraźnych symboli wysokiego poziomu, takich jak optymalizacja matematyczna , klasyfikatory statystyczne i sieci neuronowe .

Symboliczna sztuczna inteligencja była dominującym paradygmatem badań nad sztuczną inteligencją od połowy lat pięćdziesiątych do połowy lat dziewięćdziesiątych. Jednak podejście symboliczne zostałoby ostatecznie porzucone na rzecz podejść subsymbolicznych, głównie z powodu ograniczeń technicznych.

Badacze z lat 60. i 70. byli przekonani, że podejście symboliczne ostatecznie doprowadzi do stworzenia maszyny ze sztuczną inteligencją ogólną i uważali to za cel swojej dziedziny. Jego następcą została wysoce matematyczna sztuczna inteligencja statystyczna, która w dużej mierze jest ukierunkowana na konkretne problemy z określonymi celami, a nie ogólną inteligencję. Badania nad inteligencją ogólną są obecnie badane w poddziedzinie eksploracyjnej sztucznej inteligencji ogólnej .

Początki

Pierwszym symbolicznym programem AI był teoretyk logiki , napisany przez Allena Newella , Herberta Simona i Cliffa Shawa w latach 1955-56.

Podejście symboliczne zostało zwięźle wyrażone w „ hipotezie fizycznych systemów symboli ” zaproponowanej przez Newella i Simona w połowie lat 60.:

„Fizyczny system symboli ma niezbędne i wystarczające środki ogólnego inteligentnego działania”.

Dominujący paradygmat 1955-1990

W latach 60. podejście symboliczne osiągnęło wielki sukces w symulowaniu inteligentnego zachowania w małych programach demonstracyjnych. Badania nad sztuczną inteligencją koncentrowały się w latach 60. w trzech instytucjach: Carnegie Mellon University , Stanford , MIT i (później) University of Edinburgh . Każdy z nich wypracował własny styl badań. Wcześniejsze podejścia oparte na cybernetyce czy sztucznych sieciach neuronowych zostały porzucone lub zepchnięte na dalszy plan.

Symulacja poznawcza

Ekonomiści Herbert Simon i Allen Newell badali ludzkie umiejętności rozwiązywania problemów i próbowali je sformalizować, a ich praca położyła podwaliny pod dziedzinę sztucznej inteligencji, a także kognitywistyki , badań operacyjnych i nauk o zarządzaniu . Ich zespół badawczy wykorzystał wyniki eksperymentów psychologicznych do opracowania programów symulujących techniki stosowane przez ludzi do rozwiązywania problemów. Ta tradycja, skoncentrowana na Carnegie Mellon University , ostatecznie osiągnęła punkt kulminacyjny w rozwoju architektury Soar w połowie lat 80. XX wieku.

Oparte na logice

W przeciwieństwie do Simona i Newella, John McCarthy uważał, że maszyny nie muszą symulować ludzkiej myśli, ale zamiast tego powinny próbować znaleźć esencję abstrakcyjnego rozumowania i rozwiązywania problemów, niezależnie od tego, czy ludzie używają tych samych algorytmów. Jego laboratorium w Stanford ( SAIL ) koncentrowało się na wykorzystaniu logiki formalnej do rozwiązywania różnorodnych problemów, w tym reprezentacji wiedzy , planowania i uczenia się . Logika była również przedmiotem prac na Uniwersytecie w Edynburgu iw innych częściach Europy, co doprowadziło do rozwoju języka programowania Prolog i nauki programowania logicznego .

Antylogika lub „niechlujny”

Naukowcy z MIT (tacy jak Marvin Minsky i Seymour Papert ) odkryli, że rozwiązywanie trudnych problemów w zakresie widzenia i przetwarzania języka naturalnego wymaga rozwiązań ad hoc – argumentowali, że żadna prosta i ogólna zasada (jak logika ) nie uchwyci wszystkich aspektów inteligentnego zachowania. Roger Schank określił ich „antylogiczne” podejście jako „ niechlujne ” (w przeciwieństwie do „ porządnych ” paradygmatów w CMU i Stanford). Zdroworozsądkowe bazy wiedzy (takich jak Doug Lenat „s Cyc ) są przykładem«niechlujny»AI, ponieważ muszą one być budowane ręcznie, jeden powikłanej koncepcji naraz.

Oparte na wiedzy

Kiedy komputery z dużą pamięcią stały się dostępne około 1970 roku, naukowcy ze wszystkich trzech tradycji zaczęli budować wiedzę w aplikacjach AI. Rewolucja wiedzy była napędzana przez uświadomienie sobie, że wiele prostych aplikacji AI wymagałoby ogromnych ilości wiedzy.

Techniki

Symboliczny system AI może być zrealizowany jako mikroświat, np . świat bloków . Mikroświat reprezentuje świat rzeczywisty w pamięci komputera. Jest opisany listami zawierającymi symbole, a inteligentny agent używa operatorów do wprowadzenia systemu w nowy stan. System produkcyjny to oprogramowanie, które wyszukuje w przestrzeni stanów kolejne działanie inteligentnego agenta. Symbole reprezentujące świat są ugruntowane w percepcji zmysłowej. W przeciwieństwie do sieci neuronowych, cały system działa z heurystyką, co oznacza, że wiedza specyficzna dla domeny jest wykorzystywana do usprawnienia wyszukiwania w przestrzeni stanów .

Sukces z systemami ekspertowymi 1975-1990

Ta „rewolucja wiedzy” doprowadziła do opracowania i wdrożenia systemów eksperckich (wprowadzonych przez Edwarda Feigenbauma ), pierwszej naprawdę udanej formy oprogramowania AI. Kluczowym elementem architektury systemu dla wszystkich systemów eksperckich jest baza wiedzy, w której przechowywane są fakty i reguły ilustrujące sztuczną inteligencję. Wykorzystują one sieć reguł produkcji . Reguły produkcji łączą symbole w relacji podobnej do instrukcji If-Then. System ekspertowy przetwarza reguły, aby dokonać dedukcji i określić, jakich dodatkowych informacji potrzebuje, czyli jakie pytania zadać, używając symboli czytelnych dla człowieka.

Porzucenie symbolicznego podejścia lata 90.

Krytyka Dreyfusa

Wczesnym krytykiem symbolicznej sztucznej inteligencji był filozof Hubert Dreyfus . Począwszy od lat 60. krytyka sztucznej inteligencji Dreyfusa skierowana była na filozoficzne podstawy tej dziedziny w serii artykułów i książek. Przewidywał, że będzie to odpowiednie tylko w przypadku problemów z zabawkami i pomyślał, że budowanie bardziej złożonych systemów lub skalowanie pomysłu w kierunku użytecznego oprogramowania nie będzie możliwe.

AI Zimy

Ten sam argument został podany w raporcie Lighthilla , który zapoczątkował zimę AI w połowie lat 70. XX wieku.

Podsymboliczna sztuczna inteligencja

Robotyka

Przeciwnicy podejścia symbolicznego w latach 80. to robotnicy, tacy jak Rodney Brooks , który dąży do produkcji autonomicznych robotów bez reprezentacji symbolicznej (lub z minimalną reprezentacją) oraz badacze inteligencji obliczeniowej , którzy stosują techniki, takie jak sieci neuronowe i optymalizacja, do rozwiązywania problemów w maszynach nauka i inżynieria sterowania .

Niepewne rozumowanie

Symbole mogą być używane, gdy dane wejściowe są określone i podlegają pewności. Ale gdy w grę wchodzi niepewność, na przykład przy formułowaniu przewidywań, reprezentacja odbywa się za pomocą sztucznych sieci neuronowych .

Syntezowanie symboliczne i podsymboliczne

Ostatnio podjęto zorganizowane wysiłki na rzecz integracji symbolicznych i koneksjonistycznych podejść sztucznej inteligencji pod parasolem obliczeń neuronowo-symbolicznych. Jak argumentował Valiant i wielu innych, efektywna konstrukcja bogatych obliczeniowych modeli poznawczych wymaga połączenia solidnego symbolicznego rozumowania z modelami efektywnego (maszynowego) uczenia się.

Zobacz też

Uwagi

Cytaty

Bibliografia

Crevier Daniel (1993). AI: burzliwe poszukiwanie sztucznej inteligencji . New York, NY: BasicBooks. Numer ISBN 0-465-02997-3..
Dreyfusa, Huberta L (1981). „Od mikroświatów do reprezentacji wiedzy: sztuczna inteligencja w impasie” (PDF) . Umysł Projekt . MIT Press, Cambridge, MA: 161-204.
Artur S. d'Avila Garcez, Tarek R. Besold, Luc De Raedt, Peter Földiák, Pascal Hitzler , Thomas Icard, Kai-Uwe Kühnberger, Luís C. Lamb, Risto Miikkulainen, Daniel L. Silver. Uczenie się i rozumowanie neuronowo-symboliczne: wkład i wyzwania . Wiosenne Sympozja AAAI 2015. Stanford: AAAI Press.CS1 maint: używa parametru autorów ( link )
Haugeland, John (1985), Sztuczna inteligencja: sam pomysł , Cambridge, Mass: MIT Press, ISBN 0-262-08153-9
Hayes-Roth, Fryderyk; Murraya, Williama; Adelmana, Leonarda. "Systemy eksperckie". AccessScience . doi : 10.1036/1097-8542.248550 .
Honavar, Vasant; Uhr, Leonard (1994). Symbolic Artificial Intelligence, Connectionist Networks & Beyond (raport techniczny). Repozytorium Cyfrowe Uniwersytetu Stanowego Iowa, raporty techniczne informatyki. 76. s. 6.
Honavar, Vasant (1995). Symboliczna sztuczna inteligencja i numeryczne sztuczne sieci neuronowe: ku rozwiązaniu dychotomii . Springer International Series w inżynierii i informatyce. Springer USA. s. 351-388. doi : 10.1007/978-0-585-29599-2_11 .
Howe, J. (listopad 1994). „Sztuczna inteligencja na Uniwersytecie w Edynburgu: perspektywa” . Zarchiwizowane z oryginału w dniu 15 maja 2007 roku . Źródło 30 sierpnia 2007 .
Kolata, G. (1982). „Jak komputery mogą uzyskać zdrowy rozsądek?”. Nauka . 217 (4566): 1237-1238. Kod Bibcode : 1982Sci...217.1237K . doi : 10.1126/science.217.4566.1237 . PMID 17837639 .
Twórca, Meg Houston (2006). „AI@50: AI przeszłość, teraźniejszość, przyszłość” . Kolegium Dartmouth. Zarchiwizowane od oryginału w dniu 3 stycznia 2007 roku . Źródło 16 października 2008 .
McCorduck, Pamela (2004), Maszyny, które myślą (2nd ed.), Natick, MA: AK Peters, Ltd., ISBN 1-56881-205-1.
Nilsson, Nils (1998). Sztuczna inteligencja: nowa synteza . Morgana Kaufmanna. Numer ISBN 978-1-55860-467-4. Zarchiwizowane z oryginału w dniu 26 lipca 2020 r . Źródło 18 listopada 2019 .
Russell, Stuart J .; Norvig, Peter (2003), Sztuczna inteligencja: nowoczesne podejście (2nd ed.), Upper Saddle River, New Jersey: Prentice Hall, ISBN 0-13-790395-2.
Xifan Yao i Jiajun Zhou oraz Jiangming Zhang i Claudio R. Boer (2017). Od inteligentnej produkcji do inteligentnej produkcji dla Przemysłu 4.0 opartej na sztucznej inteligencji nowej generacji i dalej . 2017 V Międzynarodowa Konferencja Systemów dla Przedsiębiorstw (ES). IEEE. doi : 10.1109/es.2017.58 .

Ta sztuczna inteligencja związane z modelem artykuł jest en . Możesz pomóc Wikipedii, rozwijając ją .

Languages

In other projects