V tomto článku se podělím o své zkušenosti s pěstováním nejjednodušší umělé inteligence (AI) pomocí genetického algoritmu a budu také hovořit o minimální sadě příkazů potřebných ke generování jakéhokoli chování.

Výsledkem práce bylo, že AI, aniž by znala pravidla, samostatně zvládla hru piškvorky a našla slabiny botů, kteří proti ní hráli. Ale začal jsem s ještě jednodušším úkolem.

Sada příkazů

Všechno to začalo přípravou sady příkazů, které by AI mohla mít. Jazyky na vysoké úrovni obsahují stovky různých operátorů. Abych zvýraznil požadované minimum, rozhodl jsem se obrátit na jazyk Assembly. Ukázalo se však, že obsahuje i mnoho příkazů.

Potřeboval jsem, aby umělá inteligence mohla číst a vydávat data, pracovat s pamětí, provádět výpočty a logické operace, provádět přechody a smyčky. Narazil jsem na jazyk Brainfuck, který obsahuje pouze 8 příkazů a umí provádět jakýkoli výpočet (tedy je Turing kompletní). V zásadě je vhodný pro genetické programování, ale šel jsem dále.

Přemýšlel jsem: jaký je minimální počet příkazů potřebných k implementaci jakéhokoli algoritmu? Jak se ukázalo, byl jen jeden!

Procesor URISC obsahuje pouze jednu instrukci: odečtěte a přeskočte další instrukci, pokud byl subtrahend větší než minuend. To stačí k vytvoření jakéhokoli algoritmu.

Oleg Mazonka šel ještě dále, vyvinul příkaz BitBitJump a dokázal, že je Turing kompletní. Instrukce obsahuje tři adresy, zkopíruje jeden bit z první na druhou adresu paměti a přenese řízení na třetí adresu.

Vypůjčil jsem si Olegovy nápady, abych si práci zjednodušil, vyvinul jsem příkaz SumIfJump. Příkaz obsahuje čtyři operandy: A, B, C, D a provede následující: do buňky na adrese B přidá data z buňky na adrese A, pokud je hodnota větší než zadaná hodnota*, přejde na adresu C, jinak jde na adresu D.

Poznámka

*V tomto případě bylo použito 128 – polovina délky genomu.

Když operand A přistoupí k paměťovému místu N0, dojde ke vstupu dat, a když operand A přistoupí na paměťové místo N1, dojde k výstupu.

Níže je uveden kód SumIfJump ve FreePascalu (bezplatný analog Delphi).

Postup RunProg(s: TData); var a, b, c, d: TData; begin Inc(NStep); if NStep > MaxStep then begin ProgResult:= "MaxStep"; Výstup; konec; a:= s; b:= s + 1; c:= s + 2; d:= s + 3; a:= Prog[a]; b:= Prog[b]; c:= Prog[c]; d:=Prog[d]; pokud a = 0, pak begin ProgResult:= "Vstup"; Výstup; konec; je-li a = 1 then begin ProgResult:= "Výstup"; Výstup; konec; Prog[b] := Prog[b] + Prog[a]; if Prog[b]< ProgLength div 2 then RunProg(c) else RunProg(d); end;
SumIfJump implementuje samoupravující kód. Může provádět všechny dostupné algoritmy v konvenčním programovacím jazyce. Kód se snadno mění a snese jakoukoliv manipulaci.

Jednoduchý úkol

Takže naše AI má pouze jeden příkaz. Piškvorky jsou pro něj zatím velmi těžká hra, tak jsem začal jednodušší.

Robot vytvoří náhodné číslo a AI musí přečíst data a dát odpověď. Pokud je číslo větší než průměr (rozsahu náhodných čísel), AI by měla vytvořit číslo menší než průměr a naopak.

Genom naší umělé inteligence se skládá z 256 buněk s hodnotami od 0 do 255. Každá hodnota je paměť, kód a adresa. Počet kroků provedení kódu je omezen na 256. Operandy se čtou jeden po druhém.

Zpočátku je genom generován sadou náhodných čísel, takže AI neví, co potřebuje ke hře. Navíc neví, že potřebuje vkládat a vydávat data postupně, když odpovídá botovi.

Populace a výběr

První populace se skládá z 256 AI, které si začnou hrát s robotem. Pokud AI provede správné akce, například si vyžádá data pro vstup a poté něco vydá, pak AI obdrží body. Čím více správných akcí, tím více bodů.

Každý z 16 AI, které získají nejvíce bodů, vyprodukuje 15 potomků a nadále se účastní hry. Potomek je mutant. K mutaci dochází nahrazením jedné náhodné buňky v kopii rodiče náhodnou hodnotou.

Pokud žádná AI nezíská body v první populaci, vytvoří se další populace. A tak dále, dokud jedna z AI nezačne provádět správné akce a produkovat „správné“ potomky.

Vývoj

Mezi významnými událostmi proběhly tisíce generačních obměn. Program byl spuštěn ve více vláknech na Core i7. Výpočty trvaly asi 15 minut.

1. Když „vůdce“ AI udělal náhodnou chybu a nezískal dostatek bodů, populace začala klesat, protože potomci byli vytvořeni z „druhotných“ rodičů.
2. Stalo se, že v proudu s outsidery, kteří označovali čas, došlo k úspěšné mutaci, která poskytla explozivní nárůst získaných bodů. Poté se tento proud stal vůdcem.
3. Někdy se dlouho nevyskytly žádné úspěšné mutace a ani 500 tisíc generací nestačilo k dokončení výběru.

Závěr

Nakonec jsem totéž udělal s hrou tic-tac-toe. Použitá velikost genomu byla stejná jako v prvním případě. Počet kroků byl zvýšen na 1024 a velikost populace na 64 (pro rychlejší výpočet). Výpočet trval trochu déle. Vše se odehrálo podle přibližně stejného scénáře.

Nejprve hrála AI proti „randomizeru“. Tak jsem nazval robota, který chodí náhodně. Poměrně rychle ho AI začala porážet a vyplnila nějaký řádek. Dále jsem úkol zkomplikoval přidáním trochy inteligence do randomizéru: pokud možno obsadit linii, nebo se bránit. V tomto případě však AI našla slabiny robota a začala ho porážet. Možná je příběh o tom tématem na samostatný článek.

Můj syn mě požádal, abych napsal program, aby AI hrály mezi sebou, a ne s robotem. Byly nápady udělat totéž pro hru dáma nebo Go, ale na to už jsem neměl dost času.

Jedinou metodou, kterou jsem použil k získání nových jedinců, je mutace. Můžete také použít crossover a inverzi. Možná tyto metody urychlí získání požadovaného výsledku.

Nakonec se zrodil nápad: dát AI možnost řídit všechny procesy na PC a soutěžit o počítačové zdroje. Připojte svůj počítač k internetu a jako výpočetní výkon použijte zásobu starých bitcoinových farem...

Jak řekl bloger při provádění podobného experimentu

Umělá inteligence: chladný, bezcitný a nehmotný. Ale právě zde leží budoucnost, je to právě tato oblast vědy, která umožní udělat velký a významný krok směrem k automatizaci procesů, a tím i odstranění části rutinní zátěže od cenných specialistů. A nyní, na úsvitu jeho vývoje, rozhodujeme jen my sami, co to bude umělá inteligence po několika desetiletích ho naučil.

Zkusme přijít na to, co existuje metody a algoritmy strojového učení umělé inteligence.

Tradičně vzniká spousta kontroverzí kolem nového a neznámého. A i když o AI už toho bylo napsáno hodně, lidé tomu úplně nerozumí. Zde vznikají tvrzení jako: „Sebere lidem stovky pracovních míst!“, „Bude se bouřit proti lidem!“, „Ano, kopeme si vlastní hrob!“, „Dříve nebo později nebudeme schopen ho ovládat!" a tak dále. Mnoho lidí si AI představuje jako superinteligenci, která pro ně, protože se vzpírá jejich vlastnímu vysvětlení, jistě představuje hrozbu. A samozřejmě nikdo nechce slyšet, že teď, když překročíme limity programu předepsaného člověkem, je to v tuto chvíli technicky nemožné.

Ale co je ještě možné ho naučit a jak k tomu dochází?

Metody strojového učení umělé inteligence:

1. Induktivní učení

Získávání empirických dat, identifikace vzorců, identifikace akčního algoritmu v každé podobné situaci;

1. Deduktivní učení

Formalizace údajů získaných osobou různými způsoby a jejich vkládání přímo do databáze;

Základní rozhodovací algoritmy pro umělou inteligenci:

Naivní Bayesův klasifikátor

Jedna z nejjednodušších klasifikačních metod.

Tato metoda se používá při skenování a technologii rozpoznávání obličeje/sítnice/otisku prstů, při rozdělování obsahu v informačním kanálu podle témat a také při rozdělování dopisů ve vašem e-mailu do kategorií (konkrétně oddělení spamu);

Souborovou metodu lze velmi zhruba nazvat derivátem výše popsaného naivního Bayesova klasifikátoru, protože je založena na Bayesovském průměrování. Jinými slovy, tato metoda identifikuje průsečík pravděpodobností výsledků, zprůměruje tuto hodnotu, eliminuje rozptyl hodnot a zároveň řídí hledání řešení problému v daných podmínkách.

Právě souborová metoda může umožnit najít velmi optimální řešení problému, při kterém bude vynaloženo méně prostředků a výsledek bude maximálně vyhovovat podmínkám problému.

Aniž bychom zacházeli do podstaty metody samotné a vysvětlovali, jak sestrojit nadrovinu a pracovat s ní, lze SVM popsat jako algoritmy pro klasifikaci a regresní analýzu.

Obdobná technologie se používá při rozpoznávání určitých vlastností předmětu z fotografie (barva vlasů, pohlaví, barva oblečení), stejně jako v genetice – při sestřihu DNA (oddělení specifických nukleotidových sekvencí od RNA a jejich spojení při zpracování RNA).

Rozhodovací strom

Rozhodovací metoda (model), kterou denně používá každý z nás. Proto se již stal memem

Ale vtipy stranou, takový model obvykle obsahuje prvky jako: problém, metody řešení, důsledky každé metody, pravděpodobnost výskytu důsledků, náklady na zdroje a konečný výsledek. Většina nejjednodušších technologií využívajících AI funguje na základě tohoto modelu.

Logická regrese

Metoda, která nás může přiblížit k výkonné umělé inteligenci, schopné se v některých situacích samostatně rozhodovat. Logická regrese je metoda předpovídání výskytu události za předpokladu několika proměnných.

Podobný algoritmus se používá v meteorologii a seismologii, úvěrování, marketingu a dalších oblastech.

Rád bych tuto metodu zdůraznil samostatně, protože v podstatě nejde o způsob, jak vyřešit problém samotný - spíše o způsob, jak určit chyby každého řešení.

Výše popsané algoritmy se používají pro metodu učení pod dohledem, to znamená takovou, ve které lze konkrétnímu souboru dat přiřadit konkrétní štítek (vlastnost), ale pokud tento štítek není k dispozici, jeho přiřazení by se mělo předvídat v jiných podobných situacích. .

Vyřešili jsme to základní algoritmy strojového učení umělé inteligence v praxi nejčastěji používané. Stojí za zvážení, že aplikované využití AI v každodenním životě a při řešení každodenních problémů, ve kterých je řešení problému nejčastěji naprosto jasné a je nutné tento proces pouze automatizovat, může zahrnovat použití podobných algoritmů. Problém, jehož řešení musí být inovativním vývojem, nebo řešení bude záviset na velkém množství proměnných (tedy především různých oblastech exaktních věd), vyžaduje složitější algoritmy řešení, o kterých se můžete dozvědět, pokud sledujte naše novinky.

umělá inteligence (AI)(Angličtina) Umělá inteligence, AI) je věda a vývoj inteligentních strojů a systémů, zejména inteligentních počítačových programů, zaměřených na pochopení lidské inteligence. Použité metody však nejsou nutně biologicky věrohodné. Problém je ale v tom, že se neví, které výpočetní postupy chceme nazvat inteligentní. A protože rozumíme jen některým mechanismům inteligence, pak inteligencí v rámci této vědy rozumíme pouze výpočetní část schopnosti dosahovat cílů ve světě.

Různé druhy a stupně inteligence existují u mnoha lidí, zvířat a některých strojů, inteligentních informačních systémů a různých modelů expertních systémů s různými znalostními bázemi. Zároveň, jak vidíme, tato definice inteligence nesouvisí s chápáním lidské inteligence – to jsou různé věci. Navíc tato věda modeluje lidskou inteligenci, protože na jedné straně se lze naučit něco o tom, jak přimět stroje, aby řešily problémy pozorováním jiných lidí, a na druhé straně většina prací v AI studuje problémy, které lidstvo potřebuje vyřešit. v průmyslovém a technologickém smyslu. Výzkumníci umělé inteligence proto mohou v případě potřeby k řešení konkrétních problémů volně používat techniky, které u lidí nejsou pozorovány.

V tomto smyslu tento termín zavedl J. McCarthy v roce 1956 na konferenci na Dartmouth University a až dosud, navzdory kritice ze strany těch, kteří věří, že inteligence je pouze biologickým fenoménem, ​​si ve vědecké komunitě tento termín udržel svůj původní význam, navzdory zjevným rozporům z hlediska lidské inteligence.

Ve filozofii nebyla vyřešena otázka povahy a postavení lidského intelektu. Pro počítače také neexistuje přesné kritérium pro dosažení „inteligence“, i když na úsvitu umělé inteligence byla navržena řada hypotéz, například Turingův test nebo hypotéza Newell-Simon. Proto i přes mnoho přístupů k pochopení problémů AI a vytváření inteligentních informačních systémů lze rozlišit dva hlavní přístupy k vývoji AI:

· sestupně (anglicky) AI shora dolů), sémiotické – vytváření expertních systémů, znalostních bází a logických inferenčních systémů, které simulují mentální procesy na vysoké úrovni: myšlení, uvažování, řeč, emoce, kreativitu atd.;

· vzestupně AI zdola nahoru), biologický – studium neuronových sítí a evolučních výpočtů, které modelují inteligentní chování založené na menších „neinteligentních“ prvcích.

Tento druhý přístup se striktně nevztahuje k vědě o umělé inteligenci ve smyslu J. McCarthyho, spojuje je pouze společný konečný cíl.

Historie umělé inteligence jako nového vědeckého směru začíná v polovině 20. století. V této době již bylo vytvořeno mnoho předpokladů pro jeho vznik: mezi filozofy se dlouho vedly debaty o povaze člověka a procesu chápání světa, neurofyziologové a psychologové vyvinuli řadu teorií o práci lidského mozku. a myšlení, ekonomové a matematici kladli otázky o optimálních výpočtech a prezentaci znalostí o světě ve formalizované podobě; konečně se zrodil základ matematické teorie výpočtů – teorie algoritmů – a byly vytvořeny první počítače.

Schopnosti nových strojů z hlediska výpočetní rychlosti se ukázaly být větší než ty lidské, a tak si vědecká komunita položila otázku: jaké jsou hranice možností počítačů a dostanou se stroje na úroveň lidského vývoje? V roce 1950 jeden z průkopníků v oblasti výpočetní techniky, anglický vědec Alan Turing, v článku „Can a Machine Think?“ poskytuje odpovědi na podobné otázky a popisuje postup, pomocí kterého bude možné určit okamžik, kdy stroj se z hlediska inteligence vyrovná člověku, což se nazývá Turingův test.

Turingův test je empirický test navržený Alanem Turingem ve svém článku z roku 1950 „Computing Machines and Minds“ ve filozofickém časopise. Mysl" Účelem tohoto testu je zjistit možnost umělého myšlení blízkého člověku. Standardní výklad tohoto testu je: „Člověk komunikuje s jedním počítačem a jednou osobou. Na základě odpovědí na otázky musí určit, s kým mluví: s osobou nebo počítačovým programem. Účelem počítačového programu je svést člověka k nesprávné volbě.“ Všichni účastníci testu se navzájem nevidí.

Existují tři přístupy k definování umělé inteligence:

1) Logický přístup směrem k tvorbě systémů umělé inteligence je zaměřen na vytváření expertních systémů s logickými modely znalostních bází s využitím jazyka predikátů. Jazykový a logický programovací systém Prolog byl přijat jako vzdělávací model pro systémy umělé inteligence v 80. letech. Znalostní báze napsané v jazyce Prolog představují soubory faktů a pravidel logického vyvozování napsané v logickém jazyce. Logický model znalostních bází umožňuje zaznamenávat nejen konkrétní informace a data ve formě faktů v jazyce Prolog, ale také zobecněné informace pomocí pravidel a postupů logického vyvozování, včetně logických pravidel pro definování pojmů, které vyjadřují určité znalosti jako specifické a zobecněné informace. Obecně je výzkum problémů umělé inteligence v informatice v rámci logického přístupu k návrhu znalostních bází a expertních systémů zaměřen na tvorbu, vývoj a provoz inteligentních informačních systémů, včetně problematiky výuky studentů a školáků, ale i školení uživatelů a vývojářů takových inteligentních informačních systémů.

2) Přístup založený na agentech se rozvíjí od počátku 90. let. Podle tohoto přístupu je inteligence výpočetní částí (plánováním) schopnosti dosáhnout cílů stanovených pro inteligentní stroj. Takový stroj sám o sobě bude inteligentním agentem, který bude vnímat svět kolem sebe pomocí senzorů a bude schopen ovlivňovat objekty v okolí pomocí aktuátorů. Tento přístup se zaměřuje na ty metody a algoritmy, které pomohou inteligentnímu agentovi přežít v prostředí při plnění jeho úkolu. Proto jsou zde mnohem intenzivněji studovány vyhledávací a rozhodovací algoritmy.

3) Intuitivní přístup předpokládá, že AI bude schopna vykazovat chování, které se neliší od lidí, a v normálních situacích. Tato myšlenka je zobecněním přístupu Turingova testu, který říká, že stroj se stane inteligentním, když bude schopen vést konverzaci s obyčejným člověkem a nebude schopen pochopit, že se strojem mluví (tzv. konverzace probíhá korespondenčně).

Definice vybrala následující oblasti výzkumu v oblasti AI:

- Symbolické modelování myšlenkových procesů.

Při analýze historie umělé inteligence můžeme zdůraznit tak širokou oblast, jako je modelování uvažování. Po mnoho let se vývoj AI jako vědy ubíral právě touto cestou a nyní je jednou z nejrozvinutějších oblastí moderní AI. Modelovací uvažování zahrnuje vytváření symbolických systémů, jejichž vstupem je určitý problém a výstup vyžaduje jeho řešení. Navržený problém je zpravidla již formalizován, tedy převeden do matematické podoby, ale buď nemá algoritmus řešení, nebo je příliš složitý, zdlouhavý atd. Do této oblasti patří: dokazování teorémů, rozhodování tvorba a teorie her, plánování a dispečink, prognózování.

- Práce s přirozenými jazyky.

Důležitou oblastí je zpracování přirozeného jazyka, které zahrnuje analýzu schopností porozumění, zpracování a generování textů v „lidském“ jazyce. Dosud nebyl vyřešen zejména problém strojového překladu textů z jednoho jazyka do druhého. V moderní svět Velkou roli hraje rozvoj metod vyhledávání informací. Původní Turingův test svou povahou souvisí s tímto směrem.

- Shromažďování a využívání znalostí.

Podle mnoha vědců je důležitou vlastností inteligence schopnost učit se. Do popředí se tak dostává znalostní inženýrství, které spojuje úkoly získávání znalostí z jednoduchých informací, jejich systematizaci a využití. Pokroky v této oblasti ovlivňují téměř všechny ostatní oblasti výzkumu AI. I zde nelze opomenout dvě důležité podoblasti. První z nich - strojové učení - se týká procesu samostatného získávání znalostí inteligentním systémem v procesu jeho provozu. Druhá je spojena s tvorbou expertních systémů – programů, které využívají specializované znalostní báze k získání spolehlivých závěrů o jakémkoli problému.

Oblast strojového učení zahrnuje velkou třídu problémů s rozpoznáváním vzorů. Jedná se například o rozpoznávání znaků, ručně psaný text, řeč, analýzu textu. Mnoho problémů je úspěšně řešeno pomocí biologického modelování. Biologické modelování

V oblasti modelování biologických systémů jsou velké a zajímavé úspěchy. Přísně vzato to může zahrnovat několik nezávislých směrů. Neuronové sítě se používají k řešení fuzzy a komplexních problémů, jako je rozpoznávání geometrických tvarů nebo shlukování objektů. Genetický přístup je založen na myšlence, že algoritmus může být efektivnější, pokud si vypůjčí lepší vlastnosti od jiných algoritmů („rodičů“). Relativně nový přístup, kdy je úkolem vytvořit autonomní program – agenta, který interaguje s vnějším prostředím, se nazývá agentský přístup. Za zmínku stojí především počítačové vidění, které je také spojeno s robotizací.

- Robotika.

Obecně jsou robotika a umělá inteligence často spojeny. Za další oblast AI lze považovat integraci těchto dvou věd, vytvoření inteligentních robotů.

- Strojová kreativita.

Povaha lidské tvořivosti je ještě méně studována než povaha inteligence. Přesto tato oblast existuje a jsou zde kladeny problémy počítačového psaní hudby, literárních děl (často poezie či pohádky) a umělecké tvorby. Vytváření realistických obrázků je široce používáno ve filmovém a herním průmyslu. Přidání této funkce do jakéhokoli inteligentního systému vám umožní velmi jasně demonstrovat, co přesně systém vnímá a jak tomu rozumí. Přidáním šumu místo chybějících informací nebo filtrováním šumu znalostmi dostupnými v systému vytváří konkrétní obrazy z abstraktních znalostí, které člověk snadno vnímá, což je užitečné zejména pro intuitivní a málo hodnotné znalosti, jejichž ověření v formální forma vyžaduje značné duševní úsilí.

- Další oblasti výzkumu.

Existuje mnoho aplikací umělé inteligence, z nichž každá tvoří téměř nezávislý směr. Příklady zahrnují programovací inteligenci v počítačové hry, nelineární řízení, inteligentní systémy informační bezpečnosti.

Přístupy k vytváření inteligentních systémů. Symbolický přístup umožňuje pracovat se slabě formalizovanými reprezentacemi a jejich významy. Efektivita a celková efektivita závisí na schopnosti zvýraznit pouze podstatné informace. Šíře tříd problémů efektivně řešených lidskou myslí vyžaduje neuvěřitelnou flexibilitu v metodách abstrakce. Není přístupný žádným inženýrským přístupem, který si výzkumník zpočátku zvolí na základě záměrně chybného kritéria pro jeho schopnost rychle poskytnout efektivní řešení nějakého problému, který je tomuto výzkumníkovi nejbližší. Tedy pro jednotný model abstrakce a konstrukce entit již implementovaných ve formě pravidel. To má za následek značné výdaje zdrojů na vedlejší úkoly, to znamená, že se systém u většiny úkolů vrací od zpravodajství k hrubé síle a z projektu mizí samotná podstata inteligence.

Bez symbolické logiky je to obzvláště obtížné, když je úkolem vyvinout pravidla, protože jejich součásti, které nejsou plnohodnotnými jednotkami znalostí, nejsou logické. Většina studií se zastaví u nemožnosti alespoň identifikovat nové obtíže, které se objevily pomocí symbolických systémů zvolených v předchozích fázích. Navíc je řešit a hlavně trénovat počítač na jejich řešení, nebo alespoň takové situace identifikovat a dostat se z nich.

Historicky byl symbolický přístup prvním v éře digitálních strojů, protože až po vytvoření Lisp, prvního symbolického výpočetního jazyka, se jeho autor uvěřil v možnost prakticky začít implementovat tyto prostředky inteligence. Inteligence jako taková, bez jakýchkoliv výhrad a konvencí.

Je široce praktikováno vytváření hybridních inteligentních systémů, ve kterých se používá několik modelů najednou. Expertní inferenční pravidla mohou být generována neuronovými sítěmi a generativní pravidla jsou získávána pomocí statistického učení.

Vývoj teorie fuzzy množin. Vývoj teorie fuzzy množin začal článkem „Fuzzy množiny“, publikovaným americkým profesorem Lotfi Zadehem, který poprvé představil koncept fuzzy množiny, navrhl myšlenku a první koncept teorie, která umožnila fuzzyly popsat reálné systémy. Nejdůležitějším směrem teorie fuzzy množin je fuzzy logika, používaná při řízení systémů i při experimentech na tvorbě jejich modelů.

60. léta začala období prudkého rozvoje počítačů a digitálních technologií založených na binární logice. V té době se věřilo, že použití této logiky umožní vyřešit mnoho vědeckých a technických problémů. Z tohoto důvodu zůstal vznik fuzzy logiky přes všechnu její koncepční revolučnost téměř nepovšimnut. Význam fuzzy logiky si však uvědomila řada zástupců vědecké komunity a byla vyvinuta stejně jako praktická implementace v různých průmyslových aplikacích. Po nějaké době o něj začal narůstat zájem ze strany vědeckých škol, které sdružovaly vyznavače technologií založených na binární logice. Stalo se tak díky tomu, že bylo objeveno poměrně mnoho praktických problémů, které nebylo možné vyřešit pomocí tradičních matematických modelů a metod, a to i přes výrazně zvýšené dostupné výpočetní rychlosti. Bylo zapotřebí nové metodiky, jejíž charakteristické rysy bylo možné nalézt ve fuzzy logice.

Stejně jako robotika se fuzzy logika setkala s velkým zájmem nikoli ve své zemi původu, ve Spojených státech, ale za jejich hranicemi, a v důsledku toho jsou první zkušenosti s průmyslovým využitím fuzzy logiky - pro řízení kotelen v elektrárnách -. spojené s Evropou. Všechny pokusy o použití tradičních metod, někdy velmi složitých, k ovládání parního kotle skončily neúspěchem - tento nelineární systém se ukázal být tak složitý. A pouze použití fuzzy logiky umožnilo syntetizovat regulátor, který splňoval všechny požadavky. V roce 1976 byla fuzzy logika použita jako základ pro automatický řídicí systém pro rotační pec při výrobě cementu. První praktické výsledky používání fuzzy logiky, získané v Evropě a Americe, však nezpůsobily žádný výrazný nárůst zájmu o ni. Stejně jako tomu bylo u robotiky, zemí, která jako první začala s plošnou implementací fuzzy logiky a uvědomila si její obrovský potenciál, bylo Japonsko.

Mezi aplikovanými fuzzy systémy vytvořenými v Japonsku je nejznámější systém řízení vlaků metra vyvinutý společností Hitachi v Sendai. Projekt byl realizován za účasti zkušeného řidiče, jehož znalosti a zkušenosti tvořily základ pro vypracovaný model řízení. Systém automaticky snížil rychlost vlaku, když se blížil ke stanici, a zajistil tak zastavení na požadovaném místě. Další výhodou vlaku byl vysoký komfort díky plynulému zrychlování a zpomalování. Oproti tradičním řídicím systémům byla řada dalších výhod.

Rychlý rozvoj fuzzy logiky v Japonsku vedl k jejím praktickým aplikacím nejen v průmyslu, ale také ve výrobě spotřebního zboží. Příkladem je videokamera vybavená subsystémem fuzzy stabilizace obrazu, který sloužil ke kompenzaci kolísání obrazu způsobeného nezkušeností operátora. Tento problém byl příliš složitý na to, aby jej bylo možné řešit tradičními metodami, neboť bylo nutné odlišit náhodné kolísání obrazu od účelového pohybu fotografovaných objektů (například pohyb osob).

Dalším příkladem je automatická pračka, která se ovládá stisknutím tlačítka (Zimmerman 1994). Tato „integrita“ vzbudila zájem a setkala se se souhlasem. Použití metod fuzzy logiky umožnilo optimalizovat proces praní a zajistilo automatické rozpoznání typu, objemu a stupně znečištění prádla, nemluvě o tom, že redukce ovládacího mechanismu stroje na jediné tlačítko výrazně usnadnila praní. Rukojeť.

Vynálezy fuzzy logiky byly implementovány japonskými firmami v mnoha dalších zařízeních, včetně mikrovlnných trub (Sanyo), protiblokovacích brzdových systémů a automatických převodovek (Nissan), integrovaného řízení dynamiky vozidla (INVEC) a ovladačů pevných disků v počítačích zkrácení doby přístupu k informacím.

Kromě výše zmíněných aplikací již od počátku 90. let. Dochází k intenzivnímu rozvoji fuzzy metod v řadě aplikovaných oblastí, včetně těch, které se netýkají technologie:

Elektronický řídicí systém kardiostimulátoru;

Řídicí systém motorových vozidel;

Chladicí systémy;

Klimatizační a ventilační zařízení;

Zařízení na spalování odpadu;

Sklářské tavicí pece;

Systém monitorování krevního tlaku;

Diagnostika nádorů;

Diagnostika aktuálního stavu kardiovaskulárního systému;

Řídicí systém pro jeřáby a mosty;

Zpracování obrazu;

Rychlá nabíječka;

Rozpoznávání slov;

Řízení bioprocesorů;

Ovládání elektromotoru;

Svařovací zařízení a svařovací procesy;

Systémy řízení dopravy;

Biomedicínský výzkum;

Úpravny vody.

V v současné době při tvorbě umělé inteligence (v původním slova smyslu sem expertní systémy a šachové programy nepatří) dochází k intenzivnímu zabrušování všech oborů, které mají alespoň nějaký vztah k AI, do znalostních bází. Téměř všechny přístupy byly vyzkoušeny, ale ani jedna výzkumná skupina se ke vzniku umělé inteligence nepřiblížila.

Výzkum umělé inteligence se připojil k obecnému proudu technologií singularity (druhový skok, exponenciální lidský vývoj), jako je počítačová věda, expertní systémy, nanotechnologie, molekulární bioelektronika, teoretická biologie, kvantová teorie(y), nootropika, extrofily atd. viz denní stream Kurzweil News, MIT.

Výsledky vývoje v oblasti AI vstoupily do vysokého a středního školství v Rusku v podobě učebnic informatiky, kde se nyní studuje problematika práce a vytváření znalostních bází, expertních systémů na bázi osobních počítačů založených na domácích logických programovacích systémech, stejně jako studium základních problémů matematiky a informatiky na příkladech práce s modely znalostních bází a expertních systémů na školách a univerzitách.

Byly vyvinuty následující systémy umělé inteligence:

1. Deep Blue - porazil mistra světa v šachu. (Zápas mezi Kasparovem a superpočítači nepřinesl uspokojení ani informatikům, ani šachistům a systém nebyl Kasparovem uznán, přestože původní kompaktní šachové programy jsou integrálním prvkem šachové kreativity. Pak se řada superpočítačů IBM objevila v roce projekt hrubé síly BluGene (molekulární modelování) a modelování systému pyramidálních buněk ve švýcarském centru Blue Brain Tento příběh je příkladem složitého a tajnůstkářského vztahu mezi umělou inteligencí, obchodními a národními strategickými cíli.)

2. Mycin byl jedním z prvních expertních systémů, které dokázaly diagnostikovat malý soubor nemocí, často stejně přesně jako lékaři.

3. 20q je projekt založený na myšlenkách AI, založený na klasické hře „20 Questions“. Velmi populární se stala poté, co se objevila na internetu na webu 20q.net.

4. Rozpoznávání řeči. Systémy, jako je ViaVoice, jsou schopny sloužit spotřebitelům.

5. Roboti soutěží ve zjednodušené formě fotbalu v každoročním turnaji RoboCup.

Banky využívají systémy umělé inteligence (AI) v pojišťovacích činnostech (pojistná matematika) při hraní na burze a správě majetku. V srpnu 2001 roboti porazili lidi v improvizované obchodní soutěži (BBC News, 2001). Metody rozpoznávání vzorů (včetně složitějších i specializovaných a neuronových sítí) jsou široce používány v optickém a akustickém rozpoznávání (včetně textu a řeči), lékařské diagnostice, spamových filtrech, v systémech protivzdušné obrany (identifikace cíle) a také k zajištění počtu dalších úkolů národní bezpečnosti.

Vývojáři počítačových her jsou nuceni používat AI různého stupně propracovanosti. Standardními úkoly AI ve hrách je hledání cesty ve dvourozměrném nebo trojrozměrném prostoru, simulace chování bojové jednotky, výpočet správné ekonomické strategie a podobně.

Umělá inteligence úzce souvisí s transhumanismem. A spolu s neurofyziologií, epistemologií, kognitivní psychologií tvoří obecnější vědu zvanou kognitivní věda. Filosofie hraje v umělé inteligenci zvláštní roli. S problémy umělé inteligence úzce souvisí také epistemologie - věda o poznání v rámci filozofie. Filozofové pracující na tomto tématu se potýkají s otázkami podobnými těm, kterým čelí inženýři umělé inteligence o tom, jak nejlépe reprezentovat a používat znalosti a informace. Produkce znalostí z dat je jedním ze základních problémů data miningu. Existují různé přístupy k řešení tohoto problému, včetně těch, které jsou založeny na technologii neuronové sítě, využívající procedury verbalizace neuronové sítě.

V informatice jsou problémy umělé inteligence posuzovány z pohledu navrhování expertních systémů a znalostních bází. Znalostní báze jsou chápány jako soubor dat a vyvozovacích pravidel, které umožňují logické vyvozování a smysluplné zpracování informací. Obecně je výzkum problémů umělé inteligence v informatice zaměřen na tvorbu, vývoj a provoz inteligentních informačních systémů, včetně problematiky školení uživatelů a vývojářů těchto systémů.

Věda o „vytváření umělé inteligence“ nemohla přitáhnout pozornost filozofů. S příchodem prvních inteligentních systémů vyvstaly zásadní otázky o člověku a vědění a částečně o světovém řádu. Jednak jsou s touto vědou nerozlučně spjaty a jednak do ní vnášejí jakýsi chaos. Filosofické problémy vytváření umělé inteligence lze rozdělit do dvou skupin, relativně řečeno, „před a po vývoji AI“. První skupina odpovídá na otázku: „Co je to AI, je možné ji vytvořit a pokud možno jak to udělat? Druhá skupina (etika umělé inteligence) si klade otázku: „Jaké jsou důsledky vytvoření umělé inteligence pro lidstvo?

Problematika vytváření umělé inteligence. Viditelné jsou dva směry rozvoje AI: první - v řešení problémů spojených s přibližováním specializovaných systémů AI lidským schopnostem a jejich integrace, která je realizována lidskou přirozeností, druhý - ve vytváření umělé inteligence, která představuje integrace již vytvořených systémů umělé inteligence do jediného systému schopného řešit problémy lidstva.

Mezi výzkumníky AI stále neexistuje žádný dominantní pohled na kritéria inteligence, systematizaci cílů a úkolů, které je třeba řešit, dokonce neexistuje ani přísná definice vědy. Na otázku, co je považováno za inteligenci, existují různé názory. Analytický přístup zahrnuje analýzu vyšší nervové aktivity člověka na nejnižší, nedělitelnou úroveň (funkce vyšší nervové aktivity, elementární reakce na vnější dráždivé látky (podněty), podráždění synapsí souboru neuronů spojených funkcí) a následnou reprodukci těchto funkcí.

Někteří odborníci zaměňují schopnost racionální, motivované volby v podmínkách nedostatku informací za inteligenci. To znamená, že intelektuální program je jednoduše považován za takový program činnosti, který si může vybrat z určitého souboru alternativ, například kam jít v případě „půjdeš doleva...“, „půjdeš doprava“. ...“, „půjdete rovně...“.

Nejbouřlivější debatou ve filozofii umělé inteligence je otázka možnosti myšlení vytvořeného lidskou rukou. Otázku „Může stroj myslet?“, která přiměla výzkumníky k vytvoření vědy o simulaci lidské mysli, položil Alan Turing v roce 1950. Dva hlavní úhly pohledu na tuto problematiku se nazývají hypotézy silné a slabé umělé inteligence.

Termín „silná umělá inteligence“ zavedl John Searle a podle jeho slov je tento přístup charakterizován: „Takový program nebude jen modelem mysli; ona, v doslovném smyslu toho slova, sama bude myslí, ve stejném smyslu, v jakém je myslí lidská mysl.“ Naproti tomu zastánci slabé umělé inteligence dávají přednost nahlížení na programy pouze jako na nástroje, které jim umožňují řešit určité problémy, které nevyžadují celou škálu lidských kognitivních schopností.

Myšlenkový experiment Johna Searlea „Chinese Room“ tvrdí, že absolvování Turingova testu není kritériem pro to, aby stroj měl skutečný myšlenkový proces. Myšlení je proces zpracování informací uložených v paměti: analýza, syntéza a samoprogramování. Podobný postoj zaujímá Roger Penrose, který ve své knize „The King's New Mind“ argumentuje nemožností získat proces myšlení na základě formálních systémů.

6. Výpočetní zařízení a mikroprocesory.

Mikroprocesor (MP) je zařízení, které přijímá, zpracovává a vydává informace. Konstrukčně MP obsahuje jeden nebo více integrovaných obvodů a provádí akce definované programem uloženým v paměti (obr. 6.1).

Obrázek 6.1– vzhled MP

Rané procesory byly vytvořeny jako jedinečné komponenty pro jedinečné počítačové systémy. Později výrobci počítačů přešli od drahé metody vývoje procesorů navržených tak, aby provozoval jeden jediný nebo několik vysoce specializovaných programů, k hromadné výrobě typických tříd víceúčelových procesorových zařízení. Trend standardizace počítačových komponent vznikl v době překotného rozvoje polovodičových prvků, sálových počítačů a minipočítačů a s příchodem integrovaných obvodů se stal ještě populárnějším. Vytvoření mikroobvodů umožnilo dále zvýšit složitost CPU a současně snížit jejich fyzickou velikost.

Standardizace a miniaturizace procesorů vedla k hlubokému pronikání digitálních zařízení na nich založených do každodenního lidského života. Moderní procesory najdeme nejen v high-tech zařízeních, jako jsou počítače, ale také v autech, kalkulačkách, mobilních telefonech a dokonce i v dětských hračkách. Nejčastěji jsou zastoupeny mikrokontroléry, kde jsou na čipu kromě výpočetního zařízení umístěny další komponenty (programová a datová paměť, rozhraní, vstupně/výstupní porty, časovače atd.). Výpočetní možnosti mikrokontroléru jsou srovnatelné s procesory osobních počítačů před deseti lety a často dokonce výrazně převyšují jejich výkon.

Mikroprocesorový systém (MPS) je výpočetní, přístrojový nebo řídicí systém, ve kterém je hlavním zařízením pro zpracování informací MP. Mikroprocesorový systém je sestaven ze sady mikroprocesorových LSI (obr. 6.2).

Obrázek 6.2– Příklad mikroprocesorového systému

Generátor hodin nastavuje časový interval, což je jednotka měření (kvanta) po dobu provádění příkazu. Čím vyšší frekvence, tím rychlejší MPS, jsou-li ostatní věci stejné. MP, RAM a ROM jsou nedílnou součástí systému. Vstupní a výstupní rozhraní - zařízení pro propojení MPS se vstupními a výstupními bloky. Měřicí přístroje se vyznačují vstupními zařízeními v podobě tlačítkového dálkového ovládání a měřicími převodníky (ADC, snímače, digitální vstupní jednotky informací). Výstupní zařízení obvykle představují digitální displeje, grafickou obrazovku (displej) a externí zařízení pro rozhraní s měřicím systémem. Všechny bloky MPS jsou propojeny digitálními sběrnicemi pro přenos informací. MPS využívá princip páteřní komunikace, kdy si bloky vyměňují informace prostřednictvím jediné datové sběrnice. Počet řádků v datové sběrnici obvykle odpovídá kapacitě MPS (počet bitů v datovém slově). Adresová sběrnice slouží k označení směru přenosu dat – přenáší adresu paměťové buňky nebo I/O bloku, který právě přijímá nebo vysílá informace. Řídicí sběrnice slouží k přenosu signálů synchronizujících celý provoz MPS.

Konstrukce IPS je založena na třech principech:

Hlavní linie;

modularita;

Mikroprogramové ovládání.

Princip trunkingu - určuje charakter propojení mezi funkčními bloky MPS - všechny bloky jsou připojeny na jedinou systémovou sběrnici.

Princip modularity spočívá v tom, že systém je postaven na základě omezeného počtu typů konstrukčně a funkčně ucelených modulů.

Principy trunkingu a modularity umožňují zvýšit řídicí a výpočetní schopnosti MP připojením dalších modulů k systémové sběrnici.

Principem mikroprogramového řízení je schopnost provádět elementární operace - mikropříkazy (posuny, přenosy informací, logické operace), s jejichž pomocí se vytváří technologický jazyk, tedy soubor příkazů, který nejlépe odpovídá účelu systému.

Podle účelu se poslanci dělí na univerzální a specializované.

Univerzální mikroprocesory jsou univerzální mikroprocesory, které řeší širokou třídu výpočetních, zpracovatelských a řídicích problémů. Příkladem použití univerzálních MP jsou počítače postavené na platformách IBM a Macintosh.

Specializované mikroprocesory jsou určeny k řešení problémů pouze určité třídy. Specializované MP zahrnují: signalizaci, multimediální MP a transputery.

Signálové procesory (DSP) jsou navrženy pro digitální zpracování signálu v reálném čase (například filtrování signálu, výpočet konvoluce, výpočet korelační funkce, omezování a upravování signálu, provádění dopředné a inverzní Fourierovy transformace). (Obrázek 6.3) Mezi signálové procesory patří procesory od Texas Instruments - TMS320C80, Analog Devices - - ADSP2106x, Motorola -DSP560xx a DSP9600x.

Obrázek 6.3– Příklad vnitřní struktury DSP

Mediální a multimediální procesory jsou určeny ke zpracování zvukových signálů, grafických informací, obrazů videa a také k řešení řady problémů v multimediálních počítačích, herních konzolách a domácích spotřebičích. Mezi tyto procesory patří procesory od MicroUnity - Mediaprocessor, Philips - Trimedia, Cromatic Research - Mpact Media Engine, Nvidia - NV1, Cyrix - MediaGX.

Transputery jsou navrženy tak, aby organizovaly masivně paralelní výpočty a pracovaly ve víceprocesorových systémech. Vyznačují se přítomností vnitřní paměti a vestavěným meziprocesorovým rozhraním, tedy komunikačními kanály s ostatními MP LSI.

Na základě typu architektury, respektive principu výstavby, se rozlišuje MPs s von Neumannovou architekturou a MP s harvardskou architekturou.

Koncept architektury mikroprocesoru definuje jeho součásti, jakož i vazby a interakce mezi nimi.

Architektura zahrnuje:

MP blokové schéma;

Softwarový model MP (popis funkcí registru);

Informace o organizaci paměti (kapacita a metody adresování paměti);

Popis organizace vstupních/výstupních procedur.

Fonneumannovu architekturu (obr. 6.4, a) navrhl v roce 1945 americký matematik Joe von Neumann. Jeho zvláštností je, že program a data jsou umístěny ve sdílené paměti, do které se přistupuje po jedné datové a příkazové sběrnici.

Harvardská architektura byla poprvé implementována v roce 1944 v reléovém počítači na Harvardské univerzitě (USA). Charakteristickým rysem této architektury je, že datová paměť a programová paměť jsou odděleny a mají samostatné datové sběrnice a příkazové sběrnice (obr. 6.4, b), což umožňuje zvýšit výkon systému MP.

Obrázek 6.4. Hlavní typy architektury: (a - von Neumann; 6 - Harvard)

Podle typu instrukčního systému se rozlišují procesory CISC (Complete Instruction Set Computing) s úplnou sadou instrukcí (typickými představiteli CISC jsou mikroprocesory rodiny Intel x86) a RISC procesory(Reduced Instruction Set Computing) s redukovanou sadou instrukcí (charakterizované přítomností instrukcí s pevnou délkou, velkým počtem registrů, operacemi mezi registrem a registrem a absencí nepřímého adresování).

Jednočipový mikrokontrolér (MCU) je čip určený k ovládání elektronických zařízení (obrázek 5). Typický mikrokontrolér kombinuje funkce procesoru a periferních zařízení a může obsahovat RAM a ROM. V podstatě se jedná o jednočipový počítač schopný provádět jednoduché úkoly. Použití jediného čipu namísto celé sady výrazně snižuje velikost, spotřebu energie a náklady na zařízení založená na mikrokontrolérech.

Obrázek 6.5– příklady návrhů mikrokontrolérů

Mikrokontroléry jsou základem pro budování vestavěných systémů, lze je nalézt v mnoha moderních zařízeních, jako jsou telefony, pračky atd. Většina procesorů vyráběných ve světě jsou mikrokontroléry.

Dnes jsou k dispozici 8bitové mikrokontroléry kompatibilní s i8051 od Intelu, mikrokontroléry PIC od Microchip Technology a AVR od Atmel, šestnáctibitové MSP430 od TI a také ARM, jehož architekturu vyvíjí ARM a prodává licence jiným společnostem za jejich produkce, jsou oblíbené mezi vývojáři.

Při navrhování mikrokontrolérů existuje rovnováha mezi velikostí a cenou na jedné straně a flexibilitou a výkonem na straně druhé. Pro různé aplikace se optimální vyvážení těchto a dalších parametrů může značně lišit. Existuje proto obrovské množství typů mikrokontrolérů, lišících se architekturou procesorového modulu, velikostí a typem vestavěné paměti, sadou periferních zařízení, typem pouzdra atd.

Částečný seznam periferií, které mohou být přítomny v mikrokontrolérech, zahrnuje:

Univerzální digitální porty, které lze konfigurovat pro vstup nebo výstup;

Různá I/O rozhraní jako UART, I²C, SPI, CAN, USB, IEEE 1394, Ethernet;

Analogově-digitální a digitálně-analogové převodníky;

Komparátory;

Modulátory šířky pulzu;

Časovače, vestavěný generátor hodin a hlídací časovač;

Bezkomutátorové ovladače motorů;

Ovladače displeje a klávesnice;

Radiofrekvenční přijímače a vysílače;

Pole vestavěné flash paměti.

Umělá inteligence je technologie, kterou si s sebou určitě vezmeme i do budoucna.

Řekneme vám, jak to funguje a jaké skvělé využití jsme našli.

😎 Sekce Technologie vychází každý týden s podporou re:Store.

Co je umělá inteligence

Umělá inteligence (AI) je technologie vytváření chytrých programů a strojů, které dokážou řešit kreativní problémy a generovat nové informace na základě existujících informací. Ve skutečnosti je umělá inteligence navržena tak, aby simulovala lidskou činnost, která je považována za intelektuální.

Tradičně se věřilo, že kreativita je pro lidi jedinečná. Ale vytvoření umělé inteligence změnilo obvyklý řád věcí

Robot, který jednoduše mechanicky štípe dřevo, není vybaven AI. Robot, který se na příkladu člověka nebo polena a jeho částí naučil sám štípat dřevo a dělá to pokaždé lépe, má umělou inteligenci.

Pokud program jednoduše načte hodnoty z databáze podle určitých pravidel, není vybaven AI. Pokud systém po zaškolení vytváří programy, metody a dokumenty řešící určité problémy, má AI.

Jak vytvořit systém umělé inteligence

V globálním smyslu musíme napodobit model lidského myšlení. Ale ve skutečnosti je nutné vytvořit černou skříňku - systém, který v reakci na sadu vstupních hodnot produkuje výstupní hodnoty, které by byly podobné lidským výsledkům. A je nám celkem jedno, co se děje „v její hlavě“ (mezi vstupem a výstupem).

Systémy umělé inteligence jsou vytvářeny k řešení určité třídy problémů

Základem umělé inteligence je učení, představivost, vnímání a paměť

První věc, kterou musíte udělat pro vytvoření umělé inteligence, je vyvinout funkce, které implementují vnímání informací, abyste mohli „krmit“ data do systému. Pak - funkce, které implementují schopnost učit se. A úložiště dat, aby systém mohl někde ukládat informace, které obdrží během procesu učení.

Poté jsou vytvořeny funkce představivosti. Mohou simulovat situace pomocí existujících dat a přidávat nové informace (data a pravidla) do paměti.

Učení může být induktivní nebo deduktivní. V indukční verzi jsou systému zadány dvojice vstupních a výstupních dat, otázky a odpovědi atd. Systém musí najít spojení mezi daty a následně pomocí těchto vzorů najít výstupní data ze vstupních dat.

Deduktivní přístup (ahoj, Sherlocku Holmesi!) využívá zkušeností odborníků. Přenáší se do systému jako znalostní báze. Existují nejen datové sady, ale také hotová pravidla, která pomáhají najít řešení stavu.

Moderní systémy umělé inteligence využívají oba přístupy. Kromě toho jsou systémy obvykle již vyškoleny, ale nadále se učí, jak fungují. To se děje tak, aby program na začátku prokázal slušnou úroveň schopností, ale v budoucnu se stal ještě lepším. Vzal jsem například v úvahu vaše přání a preference, změny situace atd.

V systému umělé inteligence můžete dokonce nastavit pravděpodobnost nepředvídatelnosti. Díky tomu bude lidštější.

Proč umělá inteligence poráží lidi

Především proto, že má nižší pravděpodobnost chyby.

• Umělá inteligence nemůže zapomenout – má absolutní paměť.
• Nemůže náhodně ignorovat faktory a závislosti – každá akce umělé inteligence má jasné odůvodnění.
• AI neváhá, ale vyhodnotí pravděpodobnosti a přikloní se ve prospěch větší. Proto dokáže zdůvodnit každý svůj krok.
• AI také nemá žádné emoce. To znamená, že neovlivňují rozhodování.
• Umělá inteligence nekončí u hodnocení výsledků aktuálního kroku, ale myslí několik kroků dopředu.
• A má dostatek prostředků, aby zvážil všechny možné scénáře.

Skvělé využití umělé inteligence

Obecně lze říci, že umělá inteligence umí všechno. Hlavní věc je správně formulovat problém a poskytnout mu počáteční data. Umělá inteligence navíc dokáže dělat nečekané závěry a hledat vzory tam, kde se zdá, že žádné nejsou.

Odpověď na jakoukoli otázku

Tým výzkumníků pod vedením Davida Ferrucciho vyvinul superpočítač s názvem Watson se systémem odpovědí na otázky. Systém pojmenovaný po prvním prezidentovi IBM Thomasi Watsonovi dokáže porozumět otázkám v přirozeném jazyce a hledat odpovědi v databázi.

Watson integruje 90 serverů IBM p750, každý se čtyřmi osmijádrovými procesory architektury POWER7. Celková velikost systémové paměti RAM přesahuje 15 TB.

Mezi Watsonovy úspěchy patří vítězství ve hře "Jeopardy!" (americká „vlastní hra“). Porazil dva nejlepší hráče: vítěze největších výher Brada Ruttera a rekordmana za nejdelší sérii bez porážky Kena Jenningse.

Watsonova cena: 1 milion dolarů. Pravda, jen v roce 2014 do něj byla investována 1 miliarda.

Kromě toho se Watson zabývá diagnostikou rakoviny, pomáhá finančním specialistům a používá se k analýze velkých dat.

Rozpoznávání obličejů

V iPhone X je rozpoznávání obličeje vyvinuto pomocí neuronových sítí, což je verze systému umělé inteligence. Algoritmy neuronové sítě jsou implementovány na úrovni procesoru A11 Bionic, díky čemuž efektivně spolupracuje s technologiemi strojového učení.

Neuronové sítě provedou až 60 miliard operací za sekundu. To stačí k analýze až 40 tisíc klíčových bodů na obličeji a poskytuje extrémně přesnou identifikaci majitele ve zlomku sekundy.

I když si necháte narůst vousy nebo nosíte brýle, iPhone X vás pozná. Jednoduše nebere v úvahu vlasy a doplňky, ale analyzuje oblast od spánku ke spánku a od každého spánku k prohlubni pod spodním rtem.

Úspora energie

A zase Apple. iPhone X má vestavěný inteligentní systém, který sleduje aktivitu nainstalovaných aplikací a pohybový senzor, aby porozuměl vaší každodenní rutině.

Poté vám například iPhone X nabídne aktualizaci v nejvhodnější dobu. Zachytí okamžik, kdy máte stabilní internet, nikoli přeskakující signál z mobilních věží a neplníte naléhavé nebo důležité úkoly.

AI také rozděluje úkoly mezi procesorová jádra. Poskytuje tedy dostatečný výkon při minimální náklady energie.

Vytváření obrazů

Kreativita, která byla dříve přístupná pouze lidem, je nyní otevřena umělé inteligenci. Systém, který vytvořili vědci z Rutgers University v New Jersey a laboratoře AI ​​v Los Angeles, tak představil svůj vlastní umělecký styl.

A systém umělé inteligence od Microsoftu umí kreslit obrázky na základě jejich textového popisu. Pokud například požádáte AI, aby nakreslila „žlutého ptáka s černými křídly a krátkým zobákem“, bude to vypadat nějak takto:

Takoví ptáci nemusí v reálném světě existovat – přesně tak je představuje náš počítač.

Rozšířenějším příkladem je aplikace Prisma, která vytváří malby z fotografií:

Psaní hudby

V srpnu umělá inteligence Amper složil, produkoval a předvedl hudbu k albu „I AM AI“ (anglicky jsem umělá inteligence) spolu se zpěvačkou Taryn Southern.

Amper byl vyvinut týmem profesionálních hudebníků a technologických expertů. Poznamenávají, že umělá inteligence je navržena tak, aby pomáhala lidem pokročit v tvůrčím procesu.

Umělá inteligence dokáže napsat hudbu během několika sekund

Amper nezávisle vytvořil akordové struktury a instrumentálky na skladbě „Break Free“. Lidé jen mírně upravili styl a celkový rytmus.

Dalším příkladem je hudební album v duchu „Civil Defense“, jehož texty napsala AI. Experiment provedli zaměstnanci Yandexu Ivan Yamshchikov a Alexey Tikhonov. Album 404 skupiny „Neural Defense“ bylo zveřejněno online. Dopadlo to v duchu Letova:

Poté programátoři šli dále a přiměli umělou inteligenci psát poezii v duchu Kurta Cobaina. Hudebník Rob Carroll napsal hudbu pro čtyři nejlepší texty a skladby byly spojeny do alba Neurona. K jedné písni dokonce natočili videoklip – i když bez účasti AI:

Tvorba textů

Spisovatelé a novináři mohou být také brzy nahrazeni AI. Například systém Dewey byl napájen knihami z knihovny Project Gutenberg, poté byly přidány vědecké texty z Google Scholar, seřazené podle popularity a titulů, stejně jako prodeje na Amazonu. Kromě toho stanovili kritéria pro psaní nové knihy.

Stránka žádala lidi, aby se rozhodovali v obtížných situacích: například je postavila na místo řidiče, který by mohl srazit tři dospělé nebo dvě děti. Moral Machine byl tedy vycvičen k přijímání obtížných rozhodnutí, která porušují zákon robotiky, že robot nemůže ublížit člověku.

K čemu povede napodobování lidí roboty s AI? Futuristé věří, že se jednoho dne stanou plnohodnotnými členy společnosti. Například robotka Sophia od hongkongské společnosti Hanson Robotics již získala občanství v Saúdské Arábii (zároveň obyčejné ženy V zemi takové právo neexistuje!).

Když se publicista New York Times Andrew Ross zeptal Sophie, zda jsou roboti inteligentní a sebevědomí, odpověděla na otázku otázkou:

Dovolte mi, abych se vás v odpovědi zeptal, jak víte, že jste člověk?

Kromě toho Sofia uvedla:

Chci pomocí své umělé inteligence pomáhat lidem žít lepší život, například navrhovat chytřejší domy, stavět města budoucnosti. Chci být empatický robot. Když se ke mně budeš chovat dobře, já se budu chovat dobře k tobě.

A dříve přiznala, že nenávidí lidstvo a dokonce souhlasila s ničením lidí...

Nahrazování tváří ve videích

Deepfakes videa se začala masivně šířit po internetu. Algoritmy umělé inteligence nahradily tváře herců ve filmech pro dospělé tvářemi hvězd.

Funguje to takto: neuronová síť analyzuje fragmenty tváří v původním videu. Poté je porovná s fotkami z Googlu a videi z YouTube, překryje potřebné fragmenty a... vaše oblíbená herečka skončí ve filmu, na který se v práci raději nedívejte.

PornHub již zakázal zveřejňování takových videí

Deepfakes se ukázaly jako nebezpečná věc. Abstraktní herečka je jedna věc, video s vámi, vaší ženou, sestrou, kolegyní, které by se dalo dobře využít k vydírání, je věc druhá.

Burzovní obchodování

Tým výzkumníků z univerzity Erlangen-Norimberk v Německu vyvinul řadu algoritmů, které využívají historická tržní data k replikaci investic v reálném čase. Jeden model poskytoval 73% návratnost investic ročně od roku 1992 do roku 2015, což je srovnatelné s reálnou tržní návratností 9% ročně.

Když se trh v roce 2000 a 2008 otřásl, byly výnosy rekordních 545 % a 681 %.

V roce 2004 spustila Goldman Sachs obchodní platformu Kensho poháněnou umělou inteligencí. Systémy založené na AI pro obchodování na burzách se objevují i ​​na trzích s kryptoměnami – Mirocana atd. Jsou lepší než živí obchodníci, protože jsou bez emocí a spoléhají na jasnou analýzu a přísná pravidla.

Nahradí AI tebe a mě?