Investigación en tecnología de inteligencia artificial

La principal base material para estudiar la inteligencia artificial y las máquinas que pueden realizar la plataforma tecnológica de inteligencia artificial son las computadoras. La historia del desarrollo de la inteligencia artificial está vinculada a la historia del desarrollo de la informática y la tecnología. . Además de la informática, la inteligencia artificial también involucra disciplinas como la teoría de la información, la cibernética, la automatización, la biónica, la biología, la psicología, la lógica matemática, la lingüística, la medicina y la filosofía. Las principales áreas de investigación de la disciplina de la inteligencia artificial incluyen la representación del conocimiento, los métodos de búsqueda y razonamiento automático, el aprendizaje automático y la adquisición de conocimientos, los sistemas de procesamiento del conocimiento, la comprensión del lenguaje natural, la visión por computadora, los robots inteligentes y la programación automática, etc. Hoy en día, no existen principios o paradigmas unificados que orienten la investigación en IA. Los investigadores debaten muchas cuestiones. Varias de las preguntas que han estado abiertas al debate durante mucho tiempo son: ¿Debería modelarse la inteligencia artificial utilizando la psicología o la neurología? ¿Es la biología humana tan irrelevante para la investigación de la IA como lo es la biología de las aves para la ingeniería aeroespacial? ¿Se puede describir el comportamiento inteligente mediante principios simples como la lógica o la optimización? ¿O tienes que resolver una gran cantidad de problemas que no tienen ninguna relación?

¿Se puede expresar la inteligencia en símbolos de alto nivel (como palabras y pensamientos)? ¿O tengo que ocuparme de "símbolos menores"? John HAUGELAND propuso el concepto de "Inteligencia artificial antigua" (GOFAI) y sugirió clasificar la inteligencia artificial como "INTELIGENCIA SINTÉTICA" [29] Este concepto fue adoptado más tarde por algunos investigadores no utilizados de la "Inteligencia artificial antigua". .

Simulación cerebral

Artículo principal: Cibernética y neurociencia computacional

En las décadas de 1940 y 1950, muchos investigadores exploraron la conexión neurológica entre la teoría de la información y la cibernética. Algunos de estos investigadores utilizaron redes electrónicas para construir agentes rudimentarios, como las TORTUGAS DE W. GREY WALTER y la BESTIA DE JOHNS HOPKINS. Estos investigadores también celebran con frecuencia reuniones de sociedades técnicas en la Universidad de Princeton y el RATIO CLUB en el Reino Unido. La mayoría de la gente abandonó este enfoque hasta 1960, pero el principio fue revivido en los años 1980.

Procesamiento de símbolos

Artículo principal: GOFAI

En la década de 1950, con el desarrollo de las computadoras digitales, los investigadores comenzaron a explorar si la inteligencia humana podía reducirse a símbolos. tratar con. La investigación se concentra principalmente en la Universidad Carnegie Mellon, la Universidad de Stanford y el MIT, y sus estilos de investigación varían. JOHN HAUGELAND llama a estos métodos GOFAI (Good Old Fashioned Artificial Intelligence). [33] En la década de 1960, los métodos simbólicos lograron un gran éxito en la simulación del pensamiento de alto nivel en pequeños programas de prueba. Los métodos basados ​​en la cibernética o las redes neuronales quedaron relegados a un segundo plano. [34] Los investigadores de las décadas de 1960 y 1970 estaban convencidos de que los métodos simbólicos eventualmente lograrían crear máquinas con una poderosa inteligencia artificial, que era su objetivo en ese momento.

Los economistas de simulación cognitiva Herbert Simon y Alan Newell estudiaron las habilidades humanas para resolver problemas e intentaron formalizarlas mientras sientan las bases de la inteligencia artificial, como la ciencia cognitiva, la investigación de operaciones y la ciencia empresarial. Su equipo de investigación utilizó resultados de experimentos de psicología para desarrollar programas que simulan la forma en que los humanos resuelven problemas. Este enfoque continuó en la Universidad Carnegie Mellon y alcanzó su cenit en SOAR en los años 1980. Basado en una lógica que coincide con la de Alan Newell y Herbert Simon, John MCCARTHY cree que las máquinas no necesitan simular el pensamiento humano, sino que deben esforzarse por encontrar la esencia del razonamiento abstracto y la resolución de problemas, independientemente de que las personas utilicen los mismos algoritmos o no. Su laboratorio en Stanford trabaja en el uso de la lógica formal para resolver una variedad de problemas, incluida la representación del conocimiento, la planificación inteligente y el aprendizaje automático.

También se dedicó a los métodos lógicos la Universidad de Edimburgo, que impulsó el desarrollo del lenguaje de programación PROLOG y la ciencia de la programación lógica en otras partes de Europa. Investigadores "antilógicos" de la Universidad de Stanford, como Marvin Minsky y Seymour Pappert, han descubierto que se necesitan programas especializados para resolver problemas difíciles como la visión por computadora y el procesamiento del lenguaje natural. Afirman que no existen principios simples y universales (como la lógica). ) que se pueden utilizar para implementar todos los comportamientos inteligentes, las bases de conocimiento de sentido común (como el CYC de DOUG LENAT) son ejemplos de SCRUFFYAI porque deben codificarse manualmente un concepto complejo a la vez. En la época en que surgieron las computadoras de gran memoria basadas en el conocimiento, Los investigadores comenzaron a estructurar el conocimiento en aplicaciones de tres maneras diferentes. Esta "revolución del conocimiento" condujo al desarrollo de sistemas expertos y de planificación, la primera forma de éxito del software de inteligencia artificial. El software de inteligencia puede requerir una gran cantidad de conocimientos.

Enfoque subsimbólico

En la década de 1980, la inteligencia artificial simbólica se estancó. Mucha gente creía que los sistemas simbólicos nunca podrían simular todos los procesos cognitivos humanos, especialmente la percepción, los robots, el aprendizaje automático y los patrones. reconocimiento. Muchos investigadores han comenzado a centrarse en adoptar métodos subsimbólicos para resolver problemas específicos de inteligencia artificial.

Los investigadores en agentes de interfaz ascendentes, entornos integrados (robótica), conductismo y robótica de IA más nueva (como RODNEY BROOKS) han abandonado la IA simbólica y se han centrado en problemas fundamentales de ingeniería como el movimiento de los robots y supervivencia. Su investigación revisa las ideas de los primeros investigadores cibernéticos y propone el uso de la cibernética en la inteligencia artificial. Esto es consistente con el argumento de la percepción representacional en la ciencia cognitiva: una inteligencia superior requiere representaciones individuales (como el movimiento, la percepción y las imágenes). La inteligencia computacional a mediados de la década de 1980 Las redes neuronales y el conexionismo fueron nuevamente propuestos por DAVID RUMELHART y otros. Este método, así como otros métodos subsimbólicos como el control difuso y la computación evolutiva, pertenecen al ámbito de investigación de la disciplina de la inteligencia computacional.

Métodos estadísticos

En la década de 1990, la investigación en inteligencia artificial desarrolló herramientas matemáticas complejas para resolver problemas de ramas específicas. Estas herramientas son verdaderos métodos científicos, es decir, los resultados de estos métodos son medibles y verificables, y son responsables del éxito de la inteligencia artificial. ***STUART J. RUSSELL y PETER NORVIG señalan que estos avances representaron nada menos que una "revolución" y "el éxito de NEATS". ".Algunas personas critican estas tecnologías por centrarse demasiado en problemas específicos sin tener en cuenta los objetivos a largo plazo de una inteligencia artificial fuerte.

Enfoque integrado

Paradigma del AGENTE inteligente Un AGENTE inteligente Es un entorno consciente y toma acciones para lograr sus objetivos. Los agentes inteligentes más simples son aquellos que son capaces de resolver problemas específicos. Las entidades inteligentes más complejas incluyen a los humanos y a las organizaciones humanas (como las empresas). Enfoque único Los AGENTES que resuelven problemas específicos pueden utilizar cualquier método disponible: algunos utilizan métodos simbólicos y lógicos, otros utilizan redes neuronales subsimbólicas u otros nuevos paradigmas, proporcionando a los investigadores el mismo lenguaje para comunicarse con otros campos, como la teoría de la decisión y. En economía, que también utilizan conceptos de AGENTES ABSTRACTOS, el paradigma de AGENTES inteligentes obtuvo una amplia aceptación en la década de 1990. Los investigadores de arquitectura inteligente han diseñado algunos sistemas para manejar la interacción entre AGENTES inteligentes en sistemas multiAGENTES. Se denomina sistema inteligente híbrido, y el estudio de dichos sistemas es la integración del sistema de inteligencia artificial. El sistema de control jerárquico construye un puente entre la capa reactiva de la IA subsimbólica y la IA simbólica tradicional de alto nivel, al tiempo que relaja el tiempo para la planificación y el mundo. modelado.

Traducción automática, control inteligente, sistemas expertos, robótica, comprensión de lenguajes e imágenes, fábricas de robots genéticamente programados, programación automática, aplicaciones aeroespaciales, procesamiento, almacenamiento y gestión de enormes cantidades de información, ejecución de tareas complejas o de gran escala que no pueden ser completadas por organismos químicos tareas, etc.

Cabe mencionar que la traducción automática es una rama importante de la inteligencia artificial y el primer campo de aplicación. Sin embargo, en lo que respecta a los resultados actuales de la traducción automática, la calidad de la traducción del sistema de traducción automática aún está lejos del objetivo final y la calidad de la traducción automática es la clave del éxito o el fracaso del sistema de traducción automática. El profesor Zhou Haizhong, matemático y lingüista chino, señaló en el artículo "Cincuenta años de traducción automática" que para mejorar la calidad de la traducción automática, lo primero que hay que resolver es el problema del lenguaje en sí, no el problema de la programación; basándose únicamente en algunos programas, es ciertamente imposible mejorar la calidad de la traducción automática mediante el uso de un sistema de traducción automática. Además, cuando los humanos aún no saben cómo el cerebro realiza el reconocimiento difuso y el juicio lógico del lenguaje, la traducción automática no puede lograrlo; fidelidad, expresividad y elegancia". "gol. El nivel de "fidelidad, expresividad y elegancia" es imposible de alcanzar. ⒈Instituto Tecnológico de MassachusettsInstituto Tecnológico de Massachusetts (MIT)

Universidad Peck-Stanford Universidad Stanford (California)

Universidad Carnegie-Mellon Universidad Carnegie-Mellon (Pensilvania)

⒋Universidad de California, Berkeley, Universidad de California,

Utilice la UNIVERSIDAD DE WASHINGTON con precaución

Elija UNIVERSIDAD DE TEXAS-AUSTIN Universidad de Texas en Austin

Prestado de UNIVERSIDAD DE PENNSYLVANIA Universidad de Pennsylvania

Mujer UNIVERSIDAD DE ILLINOIS-URBANA-CHAMPAIGN Universidad de Illinois en Urbana-Champaign

MICHELLE Universidad de Maryland-College Park Universidad de Maryland, College Park

ZapatillasCORNELL UNIVERSITY Universidad de Cornell (Nueva York)

UIVERSIDAD DE MASSACHUSETTS-AMHERST Universidad de Massachusetts Amherst

Formulario de solicitud Formulario de solicitud Instituto de Tecnología de Georgia Instituto de Tecnología de Georgia

Universidad de Michigan, Ann Arbor Universidad de Michigan, Ann Arbor

Universidad del Sur de California Universidad del Sur de California

Universidad de Michigan, Ann Arbor Es la más grande universidad en el mundo. Universidad de Columbia Universidad de Columbia (Nueva York)

Universidad de California, Los Ángeles Universidad de California, Los Ángeles

viajeros UNIVERSIDAD BROWN Universidad de Brown (Rhode Island)

UNIVERSIDAD DE YALE Universidad de Yale (Connecticut)

Universidad Académica Disciplinaria de California-San Diego

Universidad Académica Disciplinaria de Wisconsin-Madison 1. Investigación en Automatización del Instituto de la Academia China de Ciencias

2, Universidad de Tsinghua

3, Universidad de Pekín

4, Universidad de Ciencia y Tecnología de Nanjing

5, Universidad de Ciencia y Tecnología de Beijing

6. Universidad de Ciencia y Tecnología de China

7. Universidad de Jilin

8. Instituto de Tecnología de Harbin

9. de Correos y Telecomunicaciones

10 Instituto de Tecnología de Beijing