3-Ευφυείς Μεσολαβητές και Περιβάλλοντα 

Αυτό το άρθρο αφορά τους ευφυείς μεσολαβητές. Οι ευφυείς μεσολαβητές (agents) έχουν ερευνηθεί λεπτομερώς. Έχουν εξεταστεί επίσης οι διάφοροι τύποι περιβαλλόντων (environments) στα οποία δρουν αυτοί.

Τι είναι ένας Μεσολαβητής Τεχνητής Νοημοσύνης; (Artificial Intelligence Agent);

Ένα σύστημα τεχνητής νοημοσύνης αποτελείται τόσο από τον μεσολαβητή (agent) όσο και από το περιβάλλον (environment). Κάθε ΑΙ-agent δρα στο δικό του περιβάλλον και αυτό το περιβάλλον μπορεί να έχει και άλλους μεσολαβητές (agents).

Ένας μεσολαβητής αναφέρεται σε οτιδήποτε είναι ικανό να αντιλαμβάνεται από το περιβάλλον του μέσω αισθητήρων και να δρα στο ίδιο περιβάλλον μέσω τελεστών. Για παράδειγμα, ένας ανθρώπινος έχει αισθητήρια όργανα όπως αυτιά, μάτια, γλώσσα, μύτη και όργανα που είναι παράλληλα με τους αισθητήρες, όπως το δέρμα, τα χέρια, τα πόδια κ.λπ. Ένας ρομποτικός έχει μια κάμερα και υπέρυθρους ανιχνευτές απόστασης ως αισθητήρες και κινητήρες και ενεργοποιητές ως τελεστές.

Τύποι Μεσολαβητών (Agents) Τεχνητής Νοημοσύνης

Οι μεσολαβητές (agents) Τεχνητής Νοημοσύνης μπορούν να ομαδοποιηθούν σε πέντε κατηγορίες με βάση τον βαθμό αντιληπτής νοημοσύνης και ικανότητάς τους. Όλοι αυτοί οι μεσολαβητές (agents) είναι ικανοί να επιδεικνύουν βελτίωση στην απόδοση με την πάροδο του χρόνου και να λαμβάνουν καλύτερες αποφάσεις. Οι μεσολαβητές (agents) κατηγοριοποιούνται ως εξής:

• Απλός Ανακλαστικός μεσολαβητής (Simple Reflex Agent).
• Ανακλαστικός μεσολαβητής βασισμένος σε μοντέλο (Mondel-Based Reflex Agent).
• Μεσολαβητές βασισμένοι σε στόχο (Goal-Based Agents).
• Μεσολαβητής βασισμένος σε χρησιμότητα (Utility-Based Agents).
• Μεσολαβητής μάθησης (Learning-Agent).

Ας τα συζητήσουμε ένα προς ένα:

1. Απλός Αντανακλαστικός Μεσολαβητής (Simple Reflex Agent).

Αυτές είναι οι απλούστερες μορφές agents. Οι αποφάσεις τους βασίζονται στις τρέχουσες αντιλήψεις και αγνοούν το ιστορικό των αντιλήψεων.

Αυτοί οι τύποι agents μπορούν να επιβιώσουν μόνο σε ένα πλήρως παρατηρήσιμο περιβάλλον. Ωστόσο, κατά τη λήψη αποφάσεων ή την ανάληψη ενεργειών, δεν λαμβάνουν υπόψη το ιστορικό των αντιλήψεων. Λειτουργούν με βάση τον κανόνα συνθήκης-δράσης, που σημαίνει ότι απλώς αντιστοιχίζουν την τρέχουσα κατάσταση στην αντίστοιχη ενέργειά τους.

Οι απλοί αντανακλαστικοί agents έχουν πολύ περιορισμένη γνώση και δεν προσαρμόζονται στο περιβάλλον. Είναι επίσης πολύ μεγάλοι για να δημιουργηθούν και να αποθηκευτούν. Αυτό συμβαίνει επειδή πρέπει να δημιουργήσουμε συνθήκες και τις αντίστοιχες ενέργειές τους.

2. Αντανακλαστικοί Μεσολαβητές που βασίζονται σε μοντέλα (Mondel-Based Reflex Agent).

Αυτός ο τύπος agent είναι ικανός να εργάζεται σε ένα μερικώς παρατηρήσιμο περιβάλλον και να παρακολουθεί την κατάσταση. Ο αντανακλαστικός agent που βασίζεται σε μοντέλα αποτελείται από τους ακόλουθους δύο σημαντικούς παράγοντες:

• Μοντέλο – Αυτή είναι η γνώση σχετικά με το πώς γίνονται τα πράγματα στον κόσμο, επομένως, αναφέρεται ως μεσολαβητής – agent που βασίζεται σε μοντέλα.
• Εσωτερική κατάσταση – αυτή αντιπροσωπεύει την εσωτερική κατάσταση που βασίζεται στο ιστορικό των αντιλήψεων.

Οι agents έχουν ένα μοντέλο που αντιπροσωπεύει τη γνώση του κόσμου. Οι ενέργειες εκτελούνται με βάση αυτό το μοντέλο. Για να ενημερωθεί η κατάσταση του μεσολαβητή, απαιτούνται οι ακόλουθες πληροφορίες:

• Πώς εξελίσσεται ο κόσμος.
• Η επίδραση των ενεργειών του agent στον κόσμο.

3. Μεσολαβητές που βασίζονται σε στόχους (Goal-Based Agents).

Η γνώση σχετικά με την τρέχουσα κατάσταση του περιβάλλοντος δεν είναι αρκετή για να αποφασίσει ένας agent τι θα κάνει. Ο agent θα πρέπει να γνωρίζει τον στόχο του, ο οποίος δηλώνει τις επιθυμητές καταστάσεις του.

Ένας agent που βασίζεται σε στόχους επεκτείνει την ικανότητα ενός agent που βασίζεται σε μοντέλα, συμπεριλαμβάνοντας τις πληροφορίες στόχου. Επιλέγει την ενέργεια που θα εκτελέσει με βάση την ανάγκη επίτευξης ενός στόχου.

Σε ορισμένες περιπτώσεις, αυτοί οι τύποι agents πρέπει να αξιολογήσουν μια μακρά ακολουθία ενεργειών, ώστε να γνωρίζουν εάν ένας στόχος θα επιτευχθεί ή όχι. Πρέπει να ληφθούν υπόψη διαφορετικά σενάρια, και αυτή η διαδικασία είναι γνωστή ως αναζήτηση και σχεδιασμός και καθιστά έναν agent προληπτικό.

4. Μεσολαβητές που βασίζονται στη χρησιμότητα (Utility-Based Agents).

Αυτοί οι τύποι μεσολαβητών (Utility-Based Agents) είναι παρόμοιοι με τους Model Based Agents, αλλά παρέχουν ένα επιπλέον στοιχείο μέτρησης της χρησιμότητας. Αυτό τους καθιστά μοναδικούς, καθώς έχουν έναν τρόπο μέτρησης της επιτυχίας σε οποιαδήποτε δεδομένη κατάσταση.

Αυτό σημαίνει ότι οι μεσολαβητές – agents που βασίζονται στη χρησιμότητα βασίζουν τις ενέργειές τους στο πώς να επιτευχθεί ένας στόχος, καθώς και στον καλύτερο τρόπο επίτευξης του στόχου. Είναι καλό να κατηγοριοποιούμε τον μεσολαβητή – agent όταν υπάρχουν πολλές εναλλακτικές λύσεις και ο agent πρέπει να κάνει μια επιλογή για να εκτελέσει την καλύτερη ενέργεια. Η συνάρτηση χρησιμότητας λειτουργεί αντιστοιχίζοντας κάθε κατάσταση σε έναν πραγματικό αριθμό, προκειμένου να ελέγξει πόσο αποτελεσματικά κάθε ενέργεια επιτυγχάνει τον στόχο.

5. Μεσολαβητές Μάθησης (Learning-Agent).

Στην τεχνητή νοημοσύνη, ένας Learning-Agent αναφέρεται σε έναν agent ικανό να μαθαίνει από την εμπειρία του ή έχει μαθησιακές ικανότητες. Ο μεσολαβητής αρχίζει να ενεργεί με βάση βασικές γνώσεις και στη συνέχεια αρχίζει να μαθαίνει και να ενεργεί με βάση τη μάθηση. Αποτελείται από τα ακόλουθα εννοιολογικά στοιχεία:

• Στοιχείο μάθησης – αυτό είναι το στοιχείο που είναι υπεύθυνο για την επίτευξη βελτιώσεων μαθαίνοντας από το περιβάλλον.
• Στοιχείο Κρίσεως – Το στοιχείο μάθησης πρέπει να λαμβάνει ανατροφοδότηση μέσω κρίσης, το οποίο είναι το στοιχείο που λέει πόσο καλά τα πάει το στοιχείο σε σχέση με ένα συγκεκριμένο καθορισμένο πρότυπο απόδοσης.
• Στοιχείο Απόδοσης – αυτό είναι το στοιχείο που επιλέγει την εξωτερική δράση.
• Γεννήτρια Προβλημάτων (Problem Generator) – αυτό είναι το στοιχείο που προτείνει ενέργειες που μπορούν να δημιουργήσουν νέες εμπειρίες.

Από την παραπάνω συζήτηση, είναι πολύ σαφές ότι οι μαθησιακοί μεσολαβητές (agents) μπορούν να τρέχουν, να αναλύουν την απόδοσή τους και να βρίσκουν νέους τρόπους για να βελτιώσουν την απόδοσή τους.

Περιβάλλον Μεσολαβητή

Ένα περιβάλλον αναφέρεται σε οτιδήποτε στον κόσμο περιβάλλει έναν agent, αλλά δεν αποτελεί μέρος του. Ένα περιβάλλον είναι μια κατάσταση στην οποία ένας agent είναι παρών. Είναι το μέρος όπου ζει, που λειτουργεί και παρέχει σ’ αυτόν κάτι για να αισθανθεί και να ενεργήσει. Ακολουθούν τα χαρακτηριστικά των περιβαλλόντων των agents:

1. Πλήρως παρατηρήσιμο έναντι (vs) Μερικώς παρατηρήσιμο

2. Στατικό έναντι (vs) Δυναμικό

3. Διακριτό έναντι (vs)vs Συνεχές

4. Ντετερμινιστικό έναντι (vs) Στοχαστικό

5. Single-agent έναντι (vs) Multi-agent

6. Επεισοδιακό έναντι (vs) Διαδοχικού

7. Γνωστό έναντι (vs) Άγνωστο

8. Προσβάσιμο έναντι (vs) Μη Προσβάσιμο

Ας τα συζητήσουμε ένα προς ένα:

1. Πλήρως παρατηρήσιμο vs Μερικώς παρατηρήσιμο

Ένα πλήρως παρατηρήσιμο περιβάλλον είναι αυτό στο οποίο ένας μεσολαβητής – agent μπορεί να έχει πρόσβαση ή να αντιλαμβάνεται την πλήρη κατάσταση του περιβάλλοντος σε κάθε χρονική στιγμή. Διαφορετικά, το περιβάλλον είναι μερικώς παρατηρήσιμο.

Ένα πλήρως παρατηρήσιμο περιβάλλον είναι εύκολο, καθώς δεν υπάρχει ανάγκη να διατηρείται η εσωτερική κατάσταση και να παρακολουθείται το ιστορικό του κόσμου.

Εάν ένας agent δεν έχει αισθητήρες σε όλα τα περιβάλλοντα, το περιβάλλον λέγεται μη παρατηρήσιμο.

2. Ντετερμινιστικό  έναντι (vs) Στοχαστικού

Ένα ντετερμινιστικό περιβάλλον είναι αυτό στο οποίο η τρέχουσα κατάσταση  και η επιλεγμένη ενέργεια ενός agent μπορεί να καθορίσει πλήρως την αρχική κατάσταση του περιβάλλοντος.

Αυτό δεν ισχύει για ένα στοχαστικό περιβάλλον, καθώς είναι τυχαίο και δεν εξαρτάται πλήρως από έναν agent.

Εάν το περιβάλλον είναι ντετερμινιστικό και πλήρως παρατηρήσιμο, ο agent δεν χρειάζεται να ανησυχεί για την αβεβαιότητα.

3. Επεισοδιακό έναντι (vs) Διαδοχικού

Ένα επεισοδιακό περιβάλλον αποτελείται από μια σειρά από μεμονωμένες ενέργειες και ο agent χρειάζεται μόνο την τρέχουσα αντίληψη για την ενέργεια.

Σε ένα διαδοχικό περιβάλλον, ο agent χρειάζεται τη μνήμη των προηγούμενων ενεργειών του για να καθορίσει τις επόμενες ενέργειές του.

4. Single-agent  έναντι (vs) Multi-agent

Ένα περιβάλλον ενός agent είναι αυτό στο οποίο έχουμε μόνο έναν agent που λειτουργεί μόνος του.

Ένα περιβάλλον πολλαπλών agents είναι αυτό στο οποίο έχουμε πολλαπλούς agents που λειτουργούν στο περιβάλλον.

Τα προβλήματα σχεδιασμού agents είναι διαφορετικά στα δύο περιβάλλοντα.

5. Στατικό έναντι (vs) Δυναμικό

Ένα δυναμικό περιβάλλον είναι αυτό που μπορεί να αλλάξει τον εαυτό του ενώ ο agent συζητά. Διαφορετικά, το περιβάλλον αναφέρεται ως στατικό

Είναι εύκολο να αντιμετωπίσετε στατικά περιβάλλοντα, επειδή ένας agent δεν απαιτείται να κοιτάζει ή να παρατηρεί το περιβάλλον κατά την επιλογή μιας ενέργειας.

Ωστόσο, στην περίπτωση δυναμικών περιβαλλόντων, ο agent θα πρέπει να συνεχίζει να κοιτάζει το περιβάλλον σε κάθε ενέργεια.

Ένα παράδειγμα στατικού περιβάλλοντος είναι το σταυρόλεξο. Ένα παράδειγμα δυναμικού περιβάλλοντος είναι η οδήγηση ταξί.

6. Διακριτό έναντι (vs) Συνεχές

Ένα διακριτό περιβάλλον είναι ένα περιβάλλον στο οποίο υπάρχει ένας πεπερασμένος αριθμός αντιλήψεων και ενεργειών που μπορούν να εκτελεστούν μέσα σε αυτό. Διαφορετικά, ονομάζεται συνεχές περιβάλλον.

Για παράδειγμα, ένα παιχνίδι σκακιού είναι ένα παράδειγμα διακριτού περιβάλλοντος, καθώς υπάρχει μόνο ένας πεπερασμένος αριθμός κινήσεων που μπορούμε να κάνουμε.

Ωστόσο, ένα αυτόνομο αυτοκίνητο είναι ένα καλό παράδειγμα συνεχούς περιβάλλοντος.

7. Γνωστό έναντι (vs) Άγνωστο

Αυτά τα δύο δεν είναι χαρακτηριστικά του περιβάλλοντος, αλλά αναφέρονται στην κατάσταση γνώσης του agent για την εκτέλεση μιας συγκεκριμένης ενέργειας.

Σε ένα γνωστό περιβάλλον, ο μεσολαβητής – agent γνωρίζει τα αποτελέσματα κάθε ενέργειας. Σε ένα άγνωστο περιβάλλον, ο agent αναμένεται να μάθει πώς να εργάζεται για να εκτελέσει μια ενέργεια.

Είναι πιθανό ένα γνωστό περιβάλλον να είναι μερικώς παρατηρήσιμο και ένα άγνωστο περιβάλλον να είναι πλήρως παρατηρήσιμο.

8. Προσβάσιμο έναντι (vs) Μη Προσβάσιμο

Ένα προσβάσιμο περιβάλλον είναι αυτό στο οποίο ένας μεσολαβητής – agent είναι ικανός να λάβει πλήρεις και ακριβείς πληροφορίες σχετικά με την κατάσταση του περιβάλλοντος. Διαφορετικά, το περιβάλλον είναι γνωστό ως μη προσβάσιμο.

Ένα καλό παράδειγμα προσβάσιμου περιβάλλοντος είναι ένα άδειο δωμάτιο του οποίου την κατάσταση μπορούμε να ορίσουμε από τη θερμοκρασία του

Ένα καλό παράδειγμα ενός μη προσβάσιμου περιβάλλοντος είναι οι πληροφορίες σχετικά με ένα συμβάν στη Γη.

Συμπέρασμα

• Ένα σύστημα τεχνητής νοημοσύνης αποτελείται τόσο από τον μεσολαβητή – agent όσο και από το περιβάλλον environment.
• Κάθε ευφυής agent ενεργεί στο δικό του περιβάλλον και το περιβάλλον μπορεί να έχει και άλλους agents.
• Οι ευφυείς agents αντιλαμβάνονται το περιβάλλον τους μέσω αισθητήρων και δρουν στο ίδιο περιβάλλον μέσω τελεστών.
• Οι Μεσολαβητές (Agents) Τεχνητής Νοημοσύνης κατηγοριοποιούνται σε πέντε κατηγορίες ανάλογα με τον βαθμό αντιληπτής νοημοσύνης και ικανότητάς τους.
• Ένας απλός αντανακλαστικός μεσολαβητής είναι η απλούστερη μορφή ενός ευφυούς μεσολαβητή.
• Ένα περιβάλλον μεσολαβητή είναι οτιδήποτε στον κόσμο περιβάλλει έναν μεσολαβητή, αλλά δεν αποτελεί μέρος του.
• Τα περιβάλλοντα των μεσολαβητών παρουσιάζει διαφορετικά χαρακτηριστικά.

2-Ευφυή Συστήματα

Αυτό το άρθρο αφορά στους ευφυείς μεσολαβητές (inteligent agents). Θα περιγράψουμε τι είναι και πού εφαρμόζονται. Θα γνωρίσουμε επίσης τις προκλήσεις που αντιμετωπίζουν οι ευφυείς αυτοί agents όταν λειτουργούν στο περιβάλλον τους.

Τι είναι τα Ευφυή Συστήματα;

Τα ευφυή συστήματα είναι μηχανές τεχνολογικά προηγμένες ώστε να αντιλαμβάνονται και να ανταποκρίνονται στο περιβάλλον τους. Τα ευφυή συστήματα έχουν φέρει επανάσταση σε διάφορους κλάδους όπως η ασφάλεια, η κατασκευή, οι μεταφορές και η εφοδιαστική. Έχουν βοηθήσει στη βελτίωση της ποιότητας, της ενεργειακής απόδοσης και της ευελιξίας των συστημάτων.

Ένας από τους τρόπους με τους οποίους τα ευφυή συστήματα αντιλαμβάνονται το περιβάλλον τους είναι μέσω της όρασης. Η μελέτη του πώς οι υπολογιστές μπορούν να ερμηνεύσουν τις οπτικές πληροφορίες ξεκίνησε τη δεκαετία του 1950. Έκτοτε, έχει γίνει μια πολύ ισχυρή τεχνολογία και έχει εφαρμοστεί σε εμπορικούς, βιομηχανικούς και κυβερνητικούς τομείς. Μερικοί από τους παράγοντες που έχουν συμβάλει σε αυτήν την ανάπτυξη περιλαμβάνουν τη βελτιωμένη ταχύτητα του επεξεργασίας πληροφοριών, τους προηγμένους αλγόριθμους και την αυξημένη χωρητικότητα μνήμης.

Ο τομέας των ευφυών συστημάτων ασχολείται επίσης με τη μελέτη του τρόπου με τον οποίο τα συστήματα αλληλεπιδρούν με τους ανθρώπους για να επιφέρουν αλλαγές στο δυναμικό κοινωνικό και φυσικό περιβάλλον. Τα πρώτα ρομπότ είχαν πολύ μικρή αυτονομία στη λήψη αποφάσεων, δηλαδή υπέθεταν ότι ο κόσμος είναι προβλέψιμος και βασίζονταν στις ίδιες ενέργειες επανειλημμένα υπό παρόμοιες συνθήκες.

Εφαρμογές των Ευφυών Συστημάτων

Τα ευφυή συστήματα εφαρμόζονται στους ακόλουθους τομείς:

• Αυτοματισμός εργοστασίων
• Υποστηρικτική ρομποτική
• Ρομποτική πεδίου και υπηρεσίας
• Στρατιωτικές εφαρμογές
• Εκπαίδευση
• Ψυχαγωγία
• Ιατρική περίθαλψη
• Οπτική επιθεώρηση
• Αναγνώριση χαρακτήρα
• Οπτική επιτήρηση
• Ανθρώπινη ταυτοποίηση με βιομετρικές μεθόδους όπως το πρόσωπο, η ίριδα, το δακτυλικό αποτύπωμα, το χέρι.
• Ευφυείς μεταφορές.

Προκλήσεις που αντιμετωπίζουν τα Ευφυή Συστήματα

Υπάρχουν ορισμένες προκλήσεις που αντιμετωπίζουν τα ευφυή συστήματα.

Αυτές περιλαμβάνουν τις ακόλουθες:

1. Αβεβαιότητα – Οι φυσικοί αισθητήρες/ενεργοποιητές παρέχουν μόνο περιορισμένες, ανακριβείς και θορυβώδεις πληροφορίες/ενέργειες. Αυτό σημαίνει ότι ορισμένες από τις ενέργειες που λαμβάνει το σύστημα μπορεί να είναι ανακριβείς ως αποτέλεσμα του θορύβου στους αισθητήρες και των περιορισμών κατά την εκτέλεση των ενεργειών.

2. Δυναμικό κόσμο – ο κόσμος στον οποίο ζούμε αλλάζει δυναμικά. Αυτό σημαίνει ότι οι αποφάσεις πρέπει να λαμβάνονται σε γρήγορες χρονικές κλίμακες, ώστε να μπορούν να ληφθούν υπόψη οι αλλαγές στο περιβάλλον.

3. Χρονοβόρους υπολογισμούς – η διαδικασία αναζήτησης της βέλτιστης διαδρομής που οδηγεί στον στόχο περιλαμβάνει μια εκτεταμένη αναζήτηση που γίνεται σε έναν μεγάλο χώρο. Πρόκειται για μια υπολογιστικά δαπανηρή διαδικασία. Αυτό δημιουργεί μια πρόκληση, καθώς ο δυναμικός κόσμος μπορεί να αλλάξει κατά τη διάρκεια του υπολογισμού και το υπολογισμένο αποτέλεσμα μπορεί να είναι άχρηστο.

4. Χαρτογράφηση – πολλές πληροφορίες χάνονται κατά τη μετατροπή από έναν τρισδιάστατο σε έναν δισδιάστατο κόσμο. Η υπολογιστική όραση πρέπει να αντιμετωπίσει προβλήματα όπως οι αλλαγές στην προοπτική της όρασης, θόρυβος ή κίνηση φόντου, φωτισμός και κλίμακα, και ομαδοποιήσεις αντικειμένων με βάση την ενδοκλασική/διακλαδική διακύμανση.

Συμπέρασμα

• Τα ευφυή συστήματα είναι μηχανές τεχνολογικά προηγμένες ώστε να αντιλαμβάνονται και να ανταποκρίνονται στο περιβάλλον τους.
• Αρκετοί τομείς, όπως η ασφάλεια και η κατασκευή, έχουν επωφεληθεί πολύ από τα ευφυή συστήματα.
• Τα ευφυή συστήματα αντιλαμβάνονται το περιβάλλον τους χρησιμοποιώντας αισθητήρες και ενεργούν στο ίδιο περιβάλλον μέσω τελεστών.
• Τα ευφυή συστήματα εφαρμόζονται σε μια μεγάλη ποικιλία βιομηχανιών, συμπεριλαμβανομένων των μεταφορών, της ασφάλειας, της κατασκευής και άλλων, της υγειονομικής περίθαλψης.
• Μία από τις μεγαλύτερες προκλήσεις που αντιμετωπίζουν τα ευφυή συστήματα είναι η δυναμική φύση του περιβάλλοντος στο οποίο ενεργούν.

1-Βασικά στοιχεία της Τεχνητής Νοημοσύνης

Σε αυτό άρθρο, θα συζητηθούν τα βασικά της τεχνητής νοημοσύνης. Θα μάθουμε τι είναι η τεχνητή νοημοσύνη και πού εφαρμόζεται. Θα γνωρίσουμε επίσης τα διάφορα συστατικά της.

Τι είναι η Τεχνητή Νοημοσύνη;

Η τεχνητή νοημοσύνη αποτελείται από δύο λέξεις, την τεχνητή και την νοημοσύνη. Η λέξη τεχνητή σημαίνει ανθρώπινο δημιούργημα (man made), ενώ η λέξη νοημοσύνη σημαίνει δυνατότητα (ισχύ) σκέψης. Από αυτό, μπορούμε να πούμε ότι η τεχνητή νοημοσύνη είναι η ανθρωπογενής δύναμη σκέψης.

Η τεχνητή νοημοσύνη είναι ένας κλάδος της επιστήμης των υπολογιστών που ασχολείται με την ανάπτυξη υπολογιστών ή μηχανών που είναι τόσο νοήμονες όσο οι άνθρωποι. Η τεχνητή νοημοσύνη περιλαμβάνει τη μελέτη του τρόπου με τον οποίο σκέφτεται ο ανθρώπινος εγκέφαλος, του τρόπου με τον οποίο οι άνθρωποι μαθαίνουν, λαμβάνουν αποφάσεις και εργάζονται κατά την επίλυση προβλημάτων. Τα αποτελέσματα μιας τέτοιας μελέτης χρησιμοποιούνται στη συνέχεια για την ανάπτυξη ισχυρού (με υπολογιστική ισχύ) λογισμικού και συστημάτων.

Λέμε ότι έχουμε τεχνητή νοημοσύνη όταν έχουμε μια μηχανή που παρουσιάζει ανθρώπινα χαρακτηριστικά, όπως συλλογιστική, μάθηση και επίλυση προβλημάτων. Στην τεχνητή νοημοσύνη, μια μηχανή δεν χρειάζεται να είναι προγραμματισμένη εκ των προτέρων για να εκτελέσει κάποια εργασία, αλλά μπορεί κανείς να δημιουργήσει μια μηχανή με προγραμματισμένους αλγόριθμους που λειτουργούν με βάση τη δική της νοημοσύνη

Με την τεχνητή νοημοσύνη, μπορούμε να δημιουργήσουμε λογισμικό και συσκευές ικανές να λύσουν προβλήματα του πραγματικού κόσμου, όπως η κυκλοφορία, η υγεία και το μάρκετινγκ, εύκολα και με υψηλό βαθμό ακρίβειας. Η τεχνητή νοημοσύνη έχει χρησιμοποιηθεί για την ανάπτυξη ρομπότ που μπορούν να λειτουργούν σε περιβάλλοντα που είναι επικίνδυνα για τους ανθρώπους.

Στόχοι της Τεχνητής Νοημοσύνης

Οι ακόλουθοι είναι οι στόχοι της τεχνητής νοημοσύνης:

1. Να αναπαράγει την ανθρώπινη νοημοσύνη – Η Τεχνητή Νοημοσύνη έχει ως στόχο την προσομοίωση της ανθρώπινης νοημοσύνης σε μηχανές, για την επίλυση προβλημάτων.

2. Επίλυση εργασιών γνωστικής έντασης – Οι άνθρωποι μπορεί να κατακλυστούν από εργασίες που απαιτούν ένταση γνώσης. Μια τέτοια εργασία μπορεί να εκτελεστεί χρησιμοποιώντας έξυπνες μηχανές και συστήματα.

3. Ευφυής σύνδεση αντίληψης και δράσης με την τεχνητή νοημοσύνη, συνδέουμε τις αντιλήψεις και τις ενέργειες.

4. Κατασκευή μηχανών που μπορούν να εκτελούν εργασίες που απαιτούν ανθρώπινη νοημοσύνη – η τεχνητή νοημοσύνη είναι ένα εξαιρετικό εργαλείο, καθώς μας βοηθά να αναπτύξουμε μηχανές που μπορούν να χρησιμοποιηθούν για την εκτέλεση εργασιών που απαιτούν ανθρώπινη εργασία. Παραδείγματα τέτοιων προβλημάτων περιλαμβάνουν το σκάκι, την επίλυση ενός θεωρήματος, την οδήγηση αυτοκινήτου στην κυκλοφορία και την εκτέλεση χειρουργικών επεμβάσεων.

5. Δημιουργία συστημάτων ικανών να επιδεικνύουν έξυπνη συμπεριφορά – οι τεχνητά έξυπνες μηχανές μπορούν να επιδεικνύουν έξυπνη συμπεριφορά, όπως η εκμάθηση νέων πραγμάτων μόνες τους και η παροχή συμβουλών στον χρήστη.

Στοιχεία της Τεχνητής Νοημοσύνης

Η τεχνητή νοημοσύνη δεν είναι απλώς ένας κλάδος της επιστήμης των υπολογιστών, αλλά αποτελείται από μια σειρά επιστημονικών κλάδων που συμβάλλουν σε αυτήν. Η τεχνητή νοημοσύνη είναι μια αλληλεπίδραση των ακόλουθων επιστημονικών κλάδων:

• Επιστήμη Υπολογιστών
• Μαθηματικά
• Ψυχολογία
• Βιολογία
• Κοινωνιολογία
• Μελέτη Νευρώνων
• Στατιστική

Συμπέρασμα

• Η τεχνητή νοημοσύνη είναι ένας κλάδος της επιστήμης των υπολογιστών που ασχολείται με την ανάπτυξη υπολογιστών  ή μηχανών που είναι τόσο έξυπνες όσο οι άνθρωποι.
• Η τεχνητή νοημοσύνη λέγεται ότι επιτυγχάνεται όταν έχουμε μια μηχανή που παρουσιάζει ανθρώπινα χαρακτηριστικά, όπως συλλογιστική, μάθηση και επίλυση προβλημάτων.
• Η Τεχνητή Νοημοσύνη έχει ως στόχο την αναπαραγωγή της ανθρώπινης νοημοσύνης σε μηχανές για την επίλυση προβλημάτων.
• Με την τεχνητή νοημοσύνη, συνδέουμε αντιλήψεις και ενέργειες.
• Η τεχνητή νοημοσύνη συνδυάζει πολλούς κλάδους όπως η βιολογία, η επιστήμη των υπολογιστών, τα μαθηματικά και άλλους.

Η εμπειρία μας για τον κόσμο βασίζεται σε υποθέσεις που φαίνονται απλές και προφανείς στους ανθρώπους. Μαθαίνουμε ότι ένα γρήγορο περπάτημα μισού μιλίου μας κάνει να νιώθουμε καλά όταν ο καιρός είναι εύκρατος, όχι τόσο καλό όταν η θερμοκρασία είναι κάτω από το μηδέν και εντελώς επικίνδυνο στη μέση μιας χιονοθύελλας ή τυφώνα. Τέτοιες υποθέσεις, που μαθαίνουμε από την εμπειρία του πραγματικού κόσμου, εμπίπτουν συλλογικά στην κατηγορία της κοινής λογικής. Αυτές οι διαισθητικές κατανοήσεις του κόσμου και των ανθρώπων αποδεικνύονται οι πιο προβληματικές στην κωδικοποίηση των μηχανών, αλλά χωρίς αυτές καμία μηχανή δεν θα μπορούσε να θεωρηθεί πραγματικά «έξυπνη».

Ένα από τα πιο απογοητευτικά μαθήματα που μας έχουν διδάξει ξανά και ξανά οι υπολογιστές είναι ότι πολλές από τις ενέργειες που θεωρούμε δύσκολες είναι εύκολο να αυτοματοποιηθούν – και αντίστροφα. Το 1944, δεκάδες άνθρωποι αφιέρωσαν μήνες εκτελώντας τους υπολογισμούς που απαιτούνται για το Manhattan Progect. Σήμερα, η τεχνολογία για να κάνει το ίδιο πράγμα κοστίζει ελάχιστα. Αντίθετα, όταν οι ερευνητές συναντήθηκαν στο Dartmouth College το καλοκαίρι του 1956 για να θέσουν τις βάσεις για την τεχνητή νοημοσύνη, κανένας τους δεν φανταζόταν ότι 40 χρόνια αργότερα θα είχαν διανύσει τόσο μικρή απόσταση προς αυτόν τον στόχο.

Πράγματι, οι λίγες επιτυχίες που είχε σημειώσει ως τότε η Τεχνητή Νοημοσύνη επισήμαιναν την αδυναμία της υπολογιστικής συλλογιστικής όσο και τα στενά της πλεονεκτήματα. Το 1965, για παράδειγμα, το project Dendral του Πανεπιστημίου Stanford αυτοματοποίησε τo εξελιγμένο λογισμικό σχετικά με τις χημικές δομές. Δημιούργησε μια λίστα με όλες τις πιθανές τρισδιάστατες δομές για μια ένωση και στη συνέχεια εφάρμοσε ένα μικρό σύνολο απλών κανόνων για να επιλέξει τις πιο εύλογες. Ομοίως, το 1975, ένα πρόγραμμα που ονομαζόταν Mycin ξεπερνούσε τον μέσο γιατρό στην ακρίβεια με την οποία έκανε διάγνωση μηνιγγίτιδας σε ασθενείς.

Εφάρμοζε αυστηρά τα κριτήρια που είχαν αναπτύξει οι έμπειροι κλινικοί γιατροί όλα αυτά τα χρόνια για να διακρίνουν μεταξύ των τριών διαφορετικών αιτιών της νόσου. Τέτοιες εργασίες είναι πολύ πιο κατάλληλες για έναν υπολογιστή παρά για έναν ανθρώπινο εγκέφαλο, επειδή μπορούν να κωδικοποιηθούν ως ένα σχετικά μικρό σύνολο κανόνων που πρέπει να ακολουθηθούν. Οι υπολογιστές μπορούν να εκτελούν τις ίδιες λειτουργίες επ’ αόριστον χωρίς να κουράζουν.

Εν τω μεταξύ, πολλές από τις εργασίες που είναι εύκολες για τους ανθρώπους – να βρουν μια ασαφή λέξη σε μια συζήτηση ή να αναγνωρίσουν το πρόσωπο ενός φίλου – ήταν σχεδόν αδύνατο να αυτοματοποιηθούν, επειδή δεν υπήρχε πραγματικά ιδέα για το πώς γίνονταν τέτοια πράγματα. Ποιος μπορούσε τότε να γράψει κανόνες για την αναγνώριση ενός προσώπου;

Ως αποτέλεσμα, εν μέσω της εκρηκτικής προόδου στα δίκτυα υπολογιστών, τους παράγοντες διεπαφής χρήστη και το hardware, η τεχνητή νοημοσύνη φαινόταν να μην επιτυγχάνει τα επιθυμητά αποτελέσματα. Μετά τα αρχικά κέρδη που οδήγησαν σε υψηλές προσδοκίες στα τέλη της δεκαετίας του 1970 και στις αρχές της δεκαετίας του 1980, υπήρξε μια πικρή αντίδραση κατά της ΤΝ τόσο στη βιομηχανία όσο και στην κυβέρνηση. Κατά ειρωνικό τρόπο, το 1984, ακριβώς τη στιγμή που η μανία βρισκόταν στο αποκορύφωμά της, ένα άρθρο για το Scientific American ήταν αρκετά απαισιόδοξος για την επόμενη δεκαετία. Και ενώ ο κόσμος είχε σχεδόν εγκαταλείψει το όνειρο της ΤΝ, βρισκόμαστε στο σημείο σήμερα να λέμε ότι η τεχνητή νοημοσύνη έχει ανοίξει την πόρτα της επιτυχίας.

Οι δυσοίωνες προβλέψεις τότε προέκυψαν επειδή τα προγράμματα που τροφοδότησαν τη διαφημιστική εκστρατεία για την Τεχνητή Νοημοσύνη δεν ήταν σοφοί αλλά ηλίθιοι σοφοί. Αυτά τα λεγόμενα έμπειρα συστήματα είχαν συχνά δίκιο, στους συγκεκριμένους τομείς για τους οποίους είχαν κατασκευαστεί, αλλά ήταν εξαιρετικά εύθραυστα. Ακόμα και σε ένα απλό πρόβλημα που ξεπερνούσε ελάχιστα την εξειδίκευσή τους, συνήθως έδιναν λάθος απάντηση, χωρίς να αναγνωρίζουν ότι βρίσκονταν εκτός του πεδίου των αρμοδιοτήτων τους. Ρωτούσες ένα ιατρικό πρόγραμμα για ένα σκουριασμένο παλιό αυτοκίνητο και αυτό μπορούσε να διαγνώσει ιλαρά αδιαφορώντας.

Επιπλέον, αυτά τα προγράμματα δεν μπορούσαν να μοιραστούν τις γνώσεις τους. Το Mycin πχ δεν μπορούσε να μιλήσει με προγράμματα που διέγνωσαν πνευμονικές παθήσεις ή να συμβουλεύσει γιατρούς για χημειοθεραπεία καρκίνου, και κανένα από τα ιατρικά προγράμματα δεν μπορούσε να επικοινωνήσει με εξειδικευμένα συστήματα προγραμματισμού που μπορεί να προσπαθούσαν να κατανείμουν νοσοκομειακούς πόρους. Καθένα αντιπροσώπευε το κομμάτι του κόσμου με ιδιόμορφους και ασύμβατους τρόπους, επειδή οι προγραμματιστές είχαν κάνει περικοπές ενσωματώνοντας πολλές υποθέσεις που αφορούσαν συγκεκριμένες εργασίες. Αυτό ίσως να ισχύει ακόμα και σήμερα.

Κανένα Πρόγραμμα Δεν Είναι απομονωμένο Νησί

Οι άνθρωποι μοιράζονται γνώσεις τόσο εύκολα που σπάνια τις σκεφτόμαστε. Δυστυχώς, αυτό καθιστά ακόμη πιο δύσκολη την κατασκευή προγραμμάτων που κάνουν το ίδιο. Πολλές από τις προαπαιτούμενες δεξιότητες και υποθέσεις έχουν γίνει έμμεσες μέσα από χιλιετίες πολιτιστικής και βιολογικής εξέλιξης και μέσω καθολικών εμπειριών από την πρώιμη παιδική ηλικία. Πριν οι μηχανές μπορέσουν να μοιράζονται γνώσεις τόσο ευέλικτα όσο οι άνθρωποι, αυτές οι προϋποθέσεις πρέπει να ανακεφαλαιωθούν με κάποιο τρόπο σε σαφείς, υπολογίσιμες μορφές

Την τελευταία δεκαετία, οι ερευνητές στο έργο CYC στο Ώστιν του Τέξας εργάζονταν σκληρά κάνοντας ακριβώς αυτό. Αρχικά, η ομάδα εξέταζε αποσπάσματα άρθρων ειδήσεων, μυθιστορημάτων, διαφημίσεων και τα συναφή, και για κάθε πρόταση ρωτούσε: «Τι υπέθεσε ο συγγραφέας ότι ο αναγνώστης γνώριζε ήδη;» Αυτή η προαπαιτούμενη γνώση, όχι το περιεχόμενο του κειμένου, έπρεπε να κωδικοποιηθεί. Αυτή η διαδικασία οδήγησε την ομάδα να αναπαραστήσει 100.000 διακριτές έννοιες και περίπου ένα εκατομμύριο γνώσεις κοινής λογικής σχετικά με αυτές

Πολλές από αυτές τις οντότητες – για παράδειγμα, “BodyOfWater” – δεν αντιστοιχούν σε ούτε μία αγγλική λέξη. Αντίθετα, μια αβλαβής λέξη όπως το “in” αποδεικνύεται ότι έχει δύο δωδεκάδες σημασίες, καθεμία από τις οποίες αντιστοιχεί σε μια ξεχωριστή έννοια. Ο τρόπος με τον οποίο εσείς, ο αναγνώστης, βρίσκεστε σε ένα δωμάτιο είναι διαφορετικός από τον τρόπο με τον οποίο βρίσκεται ο αέρας στο δωμάτιο, τον τρόπο με τον οποίο βρίσκεται το χαλί στο δωμάτιο, τον τρόπο με τον οποίο βρίσκεται το χρώμα στους τοίχους στο δωμάτιο και τον τρόπο με τον οποίο βρίσκεται ένα γράμμα σε ένα συρτάρι γραφείου στο δωμάτιο. Κάθε τρόπος με τον οποίο κάτι μπορεί να βρίσκεται “μέσα” σε ένα μέρος έχει διαφορετικές επιπτώσεις – το γράμμα μπορεί να αφαιρεθεί από το δωμάτιο, για παράδειγμα, ενώ ο αέρας δεν μπορεί. Ούτε ο αέρας ούτε το γράμμα, ωστόσο, είναι ορατά με την πρώτη ματιά σε κάποιον που μπαίνει στο δωμάτιο.

Τι Γνωρίζουν Όλοι

Τα περισσότερα από αυτά τα κομμάτια γνώσης αποδείχθηκαν ότι δεν ήταν γεγονότα από κάποιο ημερολόγιο ή ορισμοί από κάποιο λεξικό, αλλά μάλλον κοινές παρατηρήσεις και ευρέως διαδεδομένες πεποιθήσεις. Το CYC έπρεπε να διδαχθεί πώς οι άνθρωποι τρώνε σούπα, ότι τα παιδιά μερικές φορές φοβούνται τα ζώα και ότι η αστυνομία στις περισσότερες χώρες είναι ένοπλη.

Για να γίνουν τα πράγματα ακόμη πιο περίπλοκα, πολλές από τις παρατηρήσεις που ενσωματώσαμε στη βάση γνώσεων του CYC αντιφάσκουν μεταξύ τους. Μέχρι τη στιγμή που ένα πρόγραμμα βασισμένο στη γνώση μεγαλώνει και περιέχει περισσότερους από 10.000 κανόνες – 1% του μεγέθους του CYC – γίνεται δύσκολο να προσθέσουμε νέα γνώση χωρίς να παρέμβουμε σε κάτι που ήδη υπάρχει. Ξεπεράσαμε αυτό το εμπόδιο χωρίζοντας τη βάση γνώσεων σε εκατοντάδες ξεχωριστές μικροθεωρίες ή πλαίσια. Όπως οι μεμονωμένες πλάκες σε μια πανοπλία, κάθε πλαίσιο είναι αρκετά άκαμπτο και συνεπές, αλλά οι αρθρώσεις μεταξύ τους επιτρέπουν εμφανείς αντιφάσεις μεταξύ των πλαισίων. Το CYC γνωρίζει ότι ο Δράκουλας ήταν βρικόλακας, αλλά ταυτόχρονα γνωρίζει ότι οι βρικόλακες δεν υπάρχουν

Τα φανταστικά συμφραζόμενα (όπως αυτό για το μυθιστόρημα του Bram Stoker) είναι σημαντικά επειδή επέτρεπαν στο CYC να κατανοεί μεταφορές και να χρησιμοποιεί αναλογίες για την επίλυση προβλημάτων. Πολλαπλά συμφραζόμενα ήταν επίσης χρήσιμα για συλλογισμό σε διαφορετικά επίπεδα λεπτομέρειας, για την αποτύπωση των πεποιθήσεων διαφορετικών ηλικιακών ομάδων, εθνικοτήτων ή ιστορικών εποχών, και για την περιγραφή διαφορετικών προγραμμάτων, καθένα από τα οποία έκανε τις δικές του υποθέσεις σχετικά με την κατάσταση στην οποία θα χρησιμοποιηθεί. Μπορούσαν ακόμη και να χρησιμοποιήσουμε όλους τους εύθραυστους ηλίθιους σοφούς από προηγούμενες γενιές Τεχνητής Νοημοσύνης, περικλείοντας το καθένα σε ένα συμφραζόμενο που περιγράφει πότε και πώς να το χρησιμοποιήσετε κατάλληλα.

Το εύρος της γνώσης του CYC έγινε εμφανές ακόμη και σε μια απλή εφαρμογή ανάκτησης δεδομένων που δημιουργήθηκε το 1994, η οποία ανακτούσε εικόνες των οποίων οι περιγραφές ταιριάζουν με τα κριτήρια που επιλέγει ένας χρήστης. Σε απάντηση σε ένα αίτημα για εικόνες που περιέχουν καθισμένους ανθρώπους, το CYC μπόρεσε τότε να εντοπίσει αυτήν τη λεζάντα: “Υπάρχουν μερικά αυτοκίνητα.”

Βρίσκονται σε έναν δρόμο. Υπάρχουν μερικά δέντρα στην άκρη του δρόμου. Ρίχνουν τα φύλλα τους. Μερικά από αυτά είναι κίτρινα ταξί. Ο ορίζοντας της Νέας Υόρκης είναι στο φόντο. Είναι ηλιόλουστος.» Το πρόγραμμα χρησιμοποίησε στη συνέχεια την τυποποιημένη κοινή λογική του για τα αυτοκίνητα – έχουν θέση οδηγού και τα αυτοκίνητα σε κίνηση γενικά οδηγούνται για να συμπεράνει ότι υπήρχε μεγάλη πιθανότητα η εικόνα να ήταν σχετική. Ομοίως, το CYC θα μπορούσε να αναλύσει το αίτημα «Δείξε μου χαρούμενους ανθρώπους» και να παραδώσει μια εικόνα της οποίας η λεζάντα γράφει: «Ένας άντρας παρακολουθεί την κόρη του να μαθαίνει να περπατάει». «Καμία από τις λέξεις δεν είναι συνώνυμη ή έστω στενά συνδεδεμένη, αλλά λίγη κοινή λογική διευκολύνει την εύρεση της σύνδεσης.

Έτοιμοι για απογείωση

Το CYC απείχε πολύ από το να είναι ολοκληρωμένο, αλλά πλησίαζε το επίπεδο στο οποίο μπορούσε να χρησιμεύσει ως ο σπόρος από τον οποίο μπορούσε να αναπτυχθεί μια βάση κοινής γνώσης. Προγράμματα που κατανοούσαν φυσικές γλώσσες χρησιμοποίησαν την υπάρχουσα βάση γνώσεων για να κατανοήσουν μια μεγάλη ποικιλία κειμένων φορτωμένων με ασάφεια και μεταφορές. Οι πληροφορίες που αντλήθηκαν από τις αναγνώσεις του CYC εμπλούτισαν τις έννοιές του και έτσι θα επέτρεψαν περαιτέρω επεκτάσεις. Το CYC θα μάθαινε επίσης μέσω της ανακάλυψης, σχηματίζοντας εύλογες υποθέσεις για τον κόσμο και δοκιμάζοντάς τες. Μία από τις προκλητικές αναλογίες που παρατήρησε και εξερεύνησε τότε λίγα χρόνια πριν την είσοδο της χιλιετίας, ήταν αυτή μεταξύ μιας χώρας και μιας οικογένειας. Όπως οι άνθρωποι, το CYC θα μαθαίνει στα όρια αυτών που ήδη γνωρίζει, και έτσι η ικανότητά του για εκπαίδευση θα εξαρτήθηκε σε μεγάλο βαθμό από τις υπάρχουσες γνώσεις του.

Κατά την επόμενη δεκαετία, οι ερευνητές εμπλούτισαν τη βάση κοινής γνώσης του CYC τόσο με χειροκίνητα όσο και με αυτοματοποιημένα μέσα. Άρχισαν επίσης να δημιουργούν εφαρμογές, ενσωματώνοντας την κοινή λογική σε γνωστά είδη συσκευών λογισμικού, όπως υπολογιστικά φύλλα, βάσεις δεδομένων, συστήματα προετοιμασίας εγγράφων και διαδικτυακές μηχανές αναζήτησης.

Οι επεξεργαστές κειμένου τώρα ελέγχουν το περιεχόμενο, όχι μόνο την ορθογραφία και τη γραμματική. Τα υπολογιστικά φύλλα επισημαίνουν καταχωρήσεις που είναι τεχνικά επιτρεπτές αλλά ενίοτε παραβιάζουν την κοινή λογική. Τα προγράμματα ανάκτησης εγγράφων κατανοούν αρκετά το περιεχόμενο αυτού που αναζητούν -και των ερωτήσεών σας- ώστε να βρουν τα κείμενα που αναζητάτε, ανεξάρτητα από το αν περιέχουν τις λέξεις που προσδιορίζετε.

Αυτού του είδους τα προγράμματα θα ενεργούν σε συνεννόηση με τις υπάρχουσες τάσεις στο υλικό και τα δίκτυα υπολογιστών για να κάνουν τις υπηρεσίες που βασίζονται σε υπολογιστές όλο και λιγότερο δαπανηρές και πιο πανταχού παρούσες, να δημιουργούν σταθερά καλύτερα μοντέλα χρήστη, σχετικό software και να βυθίζουν τον χρήστη βαθύτερα σε εικονικά περιβάλλοντα. Ο στόχος μιας γενικής τεχνητής νοημοσύνης είναι ορατό και ο κόσμος του 21^ου αιώνα θα αλλάξει ριζικά ως αποτέλεσμα. Ο αείμνηστος Allen Newell, ένας από τους ιδρυτές του πεδίου, παρομοίασε την επερχόμενη εποχή με τη χώρα του Φέρι: άψυχα αντικείμενα, όπως συσκευές που συνομιλούν μαζί σας, για να μην αναφέρουμε ότι συνομιλούν και συντονίζονται μεταξύ τους. Ωστόσο, σε αντίθεση με τα πλάσματα των περισσότερων παραμυθιών, γενικά συνωμοτούν για να κάνουν τους ανθρώπους καλό και όχι κακό.

Οι μόδες έρχονται και οι μόδες παρέρχονται, αλλά τα εικονίδια της ποπ κουλτούρας έχουν διαρκή ισχύ. Ορισμένες δημοφιλείς εικόνες μπορούν να επηρεάσουν τις βασικές υποθέσεις μιας γενιάς. Το HAL 9000, ο έξυπνος υπολογιστής του  “2001: Η Οδύσσεια του Διαστήματος”, είναι ένα τέτοιο. Οι Arthur C. Clarke και Stanley Kubrick προόριζαν τον HAL – και ολόκληρο το διαστημόπλοιο Discovery, που είχε σχήμα τεχνητού κεντρικού νευρικού συστήματος με το HAL ως εγκέφαλο, ως μεταφορά για τα επόμενα βήματα της ανθρωπότητας στην εξερεύνηση. Αλλά μια ολόκληρη γενιά, ή δύο, το έχουν θεωρήσει ως το σχέδιο για την εξέλιξη των ευφυών μηχανών. Με το πέρασμα πέντε και πλέον δεκαετιών, είναι διασκεδαστικό και ενημερωτικό να κοιτάξουμε πίσω στην ταινία και να δούμε πόσο υπέροχο ήταν το μέλλον, και πόσο μακριά έχουμε φτάσει στην υλοποίησή του.

Θα είναι πάντα ευκολότερο να φτιάχνεις οργανικούς εγκεφάλους με ανειδίκευτη εργασία παρά να δημιουργείς μια τεχνητή νοημοσύνη που βασίζεται σε μηχανές. Αυτό το αστείο για το πώς να κάνουμε τα πράγματα με τον παλιομοδίτικο τρόπο, το οποίο εμφανίζεται στην έκδοση βιβλίου του 2001: A Space Odyssey, εξακολουθεί να έχει μια αναμφισβήτητη δόση αλήθειας. Το αριστούργημα επιστημονικής φαντασίας θα μείνει στην ιστορία για το άψογα επεξεργασμένο πορτρέτο μιας μηχανής που μπορούσε όχι μόνο να συλλογιστεί αλλά και να βιώσει την επιτομή του τι σημαίνει να είσαι άνθρωπος: νευρωτικό άγχος και αυτοαμφισβήτηση.

Ο ευρετικά προγραμματισμένος αλγοριθμικός υπολογιστής, γνωστός και ως HAL, μπορεί να χρησιμεύσει ως μια πιο ολοκληρωμένη αναπαράσταση μιας πραγματικής σκεπτόμενης μηχανής από το πολυδιαφημισμένο τεστ Turing, στο οποίο μια μηχανή αποδεικνύει την έμφυτη νοημοσύνη της ξεγελώντας έναν άνθρωπο κάνοντάς τον να νομίζει ότι μιλάει σε κάποιον του είδους της. (Βλέπε «Σχετικά με τα Υπολογιστικά Φτερά».) Υπό αυτή την έννοια, οι ικανότητες του HAL – από το να παίζει σκάκι μέχρι τη διατύπωση φυσικής ομιλίας και την ανάγνωση χειλιών – μπορεί να χρησιμεύσουν ως καλύτερο σημείο αναφοράς για τη μέτρηση της ευφυΐας των μηχανών από έναν υπολογιστή που μπορεί να εκστομίζει αόριστες, τυποποιημένες απόψεις που ένας άνθρωπος μπορεί να ερμηνεύσει ως σημάδια έμφυτης νοημοσύνης.

Παραδόξως, ίσως, οι υπολογιστές σε ορισμένες περιπτώσεις έχουν ξεπεράσει στην πραγματικότητα το όραμα του συγγραφέα Arthur C. Clarke και του σκηνοθέτη Stanley Kubrick για την τεχνολογία υπολογιστών στις αρχές της χιλιετίας. Οι σημερινοί υπολογιστές είναι πολύ μικρότεροι, πιο φορητοί και χρησιμοποιούν διεπαφές λογισμικού που παραλείπουν τον τύπο χειροκίνητων χειριστηρίων που βρίσκονται στο διαστημόπλοιο Discovery 1. Αλλά σε γενικές γραμμές, η τεχνολογία υπολογιστών δεν έχει πλησιάσει ούτε κατά διάνοια το HAL. Ο David G. Stork, ο οποίος επιμελήθηκε το βιβλίο του HAL Legacy: Computer as Dream and Reality του 2001, μια συλλογή δοκιμίων που συγκρίνουν την κατάσταση της πληροφορικής με τις δυνατότητες του HAL, παρατηρεί ότι για ορισμένα καθοριστικά χαρακτηριστικά της νοημοσύνης – γλώσσα, αναγνώριση και κατανόηση ομιλίας, κοινή λογική, συναισθήματα, σχεδιασμός, στρατηγική και ανάγνωση χειλιών – είμαστε ανίκανοι να αποδώσουμε ούτε καν ένα πρόχειρο αντίγραφο ενός HAL. «Σε όλα τα προβλήματα ανθρώπινου τύπου, έχουμε αποτύχει πολύ, πολύ», λέει ο Stork.

Ακόμα και το σκάκι στον υπολογιστή, στο οποίο έχει σημειωθεί φαινομενική πρόοδος, απατά Το 1997, η Deep Blue της IBM νίκησε τον τότε παγκόσμιο πρωταθλητή Garry Kasparov. Η νίκη της Deep Blue, ωστόσο, ήταν περισσότερο ένας θρίαμβος της ακατέργαστης επεξεργαστικής ισχύος παρά ένα κατόρθωμα που σηματοδότησε την έναρξη της εποχής της ευφυούς μηχανής. Η ποσότητα είχε γίνει ποιότητα, είπε ο Kasparov περιγράφοντας την ικανότητα της Deep Blue να αναλύει 200 ​​εκατομμύρια θέσεις στο σκάκι το δευτερόλεπτο. Στην πραγματικότητα, ο Murray F. Campbell, ένας από τους δημιουργούς της Deep Blue, σημειώνει στο βιβλίο του HAL’s Legacy ότι, παρόλο που ο Kasparov, σε ένα πείραμα, μερικές φορές δεν κατάφερε να διακρίνει μεταξύ μιας κίνησης του Deep Blue και μιας κίνησης ενός ανθρώπινου grandmaster, το συνολικό στυλ σκακιού της Deep Blue δεν παρουσίαζε ανθρώπινες ιδιότητες και επομένως δεν ήταν «έξυπνο». Η HAL, αντίθετα, έπαιζε σαν πραγματικό πρόσωπο. Ο υπολογιστής με το αδιάφορο κόκκινο μάτι φάνηκε να διαισθάνεται από την αρχή ότι ο αντίπαλός του, ο Frank Poole, μέλος του πληρώματος του Discovery, ήταν ένας patzer [αδέξιος παίκτης], και έτσι προσάρμοσε τη στρατηγική του ανάλογα. Το HAL θα αντεπιτίθετο με μια κίνηση που δεν ήταν η καλύτερη δυνατή, για να παγιδεύσει τον Poole, σε αντίθεση με το Deep Blue, το οποίο υποθέτει ότι ο αντίπαλός του κάνει πάντα την ισχυρότερη κίνηση και ως εκ τούτου αντεπιτίθετο με μια βελτιστοποιημένη απόκρουση.

Το μυθιστόρημα του 2001 εξηγεί πώς αναπτύχθηκε η σειρά HAL 9000, χάρη στην εργασία του Marvin Minsky του Ινστιτούτου Τεχνολογίας της Μασαχουσέτης και ενός άλλου ερευνητή τη δεκαετία του 1980, ο οποίος έδειξε πώς «τα νευρωνικά δίκτυα μπορούσαν να δημιουργηθούν αυτόματα και να αυτοαναπαραχθούν σύμφωνα με ένα αυθαίρετο πρόγραμμα μάθησης. Οι τεχνητοί εγκέφαλοι μπορούσαν να αναπτυχθούν με μια διαδικασία εντυπωσιακά ανάλογη με την ανάπτυξη του ανθρώπινου εγκεφάλου». Κατά ειρωνικό τρόπο, ο Minsky, ένας από τους πρωτοπόρους των νευρωνικών δικτύων, ο οποίος ήταν επίσης σύμβουλος των κινηματογραφιστών (και ο οποίος παραλίγο να σκοτωθεί από ένα κλειδί που έπεσε στο πλατό), λέει σήμερα ότι αυτή η προσέγγιση θα πρέπει να έχει δευτερεύοντα ρόλο στη μοντελοποίηση της νοημοσύνης, ενώ παράλληλα επικρίνει την ποσότητα της έρευνας που αφιερώνεται σε αυτήν. «Έχει γίνει μόνο μια ελάχιστη δουλειά πάνω στη συλλογιστική της κοινής λογικής, και θα μπορούσα σχεδόν να χαρακτηρίσω τα υπόλοιπα ως διάφορα είδη σχεδίων γρήγορου πλουτισμού, όπως γενετικοί αλγόριθμοι [και νευρωνικά δίκτυα] όπου ελπίζεις ότι δεν θα χρειαστεί να καταλάβεις τίποτα», λέει ο Minsky.

Σε κάθε περίπτωση, ο Κλαρκ παραμένει απτόητος από το πόσο μακριά έχει ξεστρατίσει το όραμά του. Η μηχανική νοημοσύνη θα γίνει κάτι περισσότερο από επιστημονική φαντασία, πιστεύει, αν όχι μέχρι φέτος. «Νομίζω ότι είναι αναπόφευκτο. Είναι απλώς μέρος της εξελικτικής διαδικασίας», λέει. Τα σφάλματα στις προβλέψεις, υποστηρίζει ο Κλαρκ, αντισταθμίζονται με την πάροδο του χρόνου από αποτελέσματα πιο φανταστικά από την αρχική γνώση. «Πρώτα οι προσδοκίες μας για το τι συμβαίνει ξεπερνούν αυτό που συμβαίνει στην πραγματικότητα, και τελικά αυτό που συμβαίνει στην πραγματικότητα υπερβαίνει κατά πολύ τις προσδοκίες μας.»

Παραθέτοντας τον εαυτό του (Νόμος του Κλαρκ), ο Κλαρκ παρατηρεί ότι «κάθε επαρκώς προηγμένη τεχνολογία δεν διακρίνεται από τη μαγεία. Καθώς η τεχνολογία προχωρά, δημιουργεί μαγεία, και [η Τεχνητή Νοημοσύνη] θα είναι ένας από αυτούς». Οι τομείς έρευνας που στοχεύουν στην απόλυτη σμίκρυνση, προσθέτει, μπορεί να είναι το κλειδί για τη δημιουργία καλών μυαλών.

«Όταν η νανοτεχνολογία αναπτυχθεί πλήρως, θα παράγουν [τεχνητούς εγκεφάλους] όσο γρήγορα θέλουν». Ο χρόνος θα δείξει αν αυτό είναι πρόβλεψη, όπως οι εικασίες του Κλαρκ για τους τηλεπικοινωνιακούς δορυφόρους, ή απλώς ένα στήριγμα επιστημονικής φαντασίας.