Pada artikel ini, saya akan berbagi pengalaman saya mengembangkan kecerdasan buatan (AI) paling sederhana menggunakan algoritma genetika, dan juga akan berbicara tentang kumpulan perintah minimum yang diperlukan untuk menghasilkan perilaku apa pun.

Hasil pekerjaannya adalah AI, tanpa mengetahui aturannya, secara mandiri menguasai permainan tic-tac-toe dan menemukan kelemahan bot yang melawannya. Tapi saya mulai dengan tugas yang lebih sederhana.

Kumpulan perintah

Semuanya dimulai dengan menyiapkan serangkaian perintah yang bisa dimiliki AI. Bahasa tingkat tinggi berisi ratusan operator berbeda. Untuk menyoroti persyaratan minimum, saya memutuskan untuk beralih ke bahasa Majelis. Namun ternyata di dalamnya juga terdapat banyak perintah.

Saya membutuhkan AI untuk dapat membaca dan mengeluarkan data, bekerja dengan memori, melakukan perhitungan dan operasi logika, melakukan transisi dan loop. Saya menemukan bahasa Brainfuck, yang hanya berisi 8 perintah dan dapat melakukan perhitungan apa pun (yaitu Turing selesai). Pada prinsipnya, ini cocok untuk pemrograman genetika, tetapi saya melangkah lebih jauh.

Saya bertanya-tanya: berapa jumlah minimum perintah yang diperlukan untuk mengimplementasikan algoritma apa pun? Ternyata, hanya ada satu!

Prosesor URISC hanya berisi satu instruksi: kurangi dan lewati instruksi berikutnya jika pengurangan lebih besar dari minuend. Ini cukup untuk membangun algoritma apa pun.

Oleg Mazonka melangkah lebih jauh; dia mengembangkan perintah BitBitJump dan membuktikan bahwa Turing sudah lengkap. Instruksi berisi tiga alamat, menyalin satu bit dari alamat memori pertama ke alamat kedua dan mentransfer kendali ke alamat ketiga.

Meminjam ide Oleg, untuk menyederhanakan pekerjaan, saya mengembangkan perintah SumIfJump. Perintah tersebut berisi empat operan: A, B, C, D dan melakukan hal berikut: ke sel di alamat B ia menambahkan data dari sel di alamat A, jika nilainya lebih besar dari nilai yang ditentukan*, maka ia menuju ke alamat C, jika tidak maka akan menuju ke alamat D.

Catatan

*Dalam kasus ini, 128 digunakan - setengah panjang genom.

Ketika operan A mengakses lokasi memori N0, input data terjadi, dan ketika operan A mengakses lokasi memori N1, output terjadi.

Di bawah ini adalah kode SumIfJump di FreePascal (analog gratis dari Delphi).

Prosedur RunProg(s: TData); var a,b,c,d:TData; mulai Inc(NSlangkah); jika NStep > MaxStep maka mulai ProgResult:= "MaxStep"; KELUAR; akhir; sebuah:= s; b:= s + 1; c:= s + 2; d:= s + 3; a:= Kemajuan[a]; b:= Kemajuan[b]; c:= Kemajuan[c]; d:=Prog[d]; jika a = 0 maka mulai ProgResult:= "Input"; KELUAR; akhir; jika a = 1 maka mulai ProgResult:= "Output"; KELUAR; akhir; Prog[b] := Prog[b] + Prog[a]; jika Prog[b]< ProgLength div 2 then RunProg(c) else RunProg(d); end;
SumIfJump mengimplementasikan kode yang dapat memodifikasi sendiri. Dapat mengeksekusi algoritma apa pun yang tersedia dalam bahasa pemrograman konvensional. Kode ini mudah diubah dan tahan terhadap manipulasi apa pun.

Tugas sederhana

Jadi AI kita hanya punya satu perintah. Sejauh ini tic-tac-toe adalah permainan yang sangat sulit baginya, jadi saya memulai dengan permainan yang lebih sederhana.

Bot menghasilkan nomor acak, dan AI harus membaca data dan memberikan jawaban. Jika angkanya lebih besar dari rata-rata (dari rentang angka acak), maka AI harus menghasilkan angka yang lebih kecil dari rata-rata dan sebaliknya.

Genom AI kami terdiri dari 256 sel dengan nilai dari 0 hingga 255. Setiap nilai adalah memori, kode, dan alamat. Jumlah langkah eksekusi kode dibatasi hingga 256. Operan dibaca satu demi satu.

Awalnya, genom dihasilkan oleh serangkaian angka acak, sehingga AI tidak tahu apa yang diperlukan untuk memainkannya. Selain itu, dia tidak tahu bahwa dia perlu memasukkan dan mengeluarkan data secara berurutan saat merespons bot.

Populasi dan seleksi

Populasi pertama terdiri dari 256 AI yang mulai bermain dengan bot. Jika AI melakukan tindakan yang benar, misalnya meminta data untuk input dan kemudian mengeluarkan sesuatu, maka AI mendapat poin. Semakin banyak tindakan yang benar, semakin banyak poin.

16 AI yang mencetak poin terbanyak masing-masing menghasilkan 15 keturunan dan terus berpartisipasi dalam permainan. Keturunan adalah mutan. Mutasi terjadi dengan mengganti satu sel acak dalam salinan induknya dengan nilai acak.

Jika tidak ada skor AI pada populasi pertama, maka populasi berikutnya akan terbentuk. Begitu seterusnya hingga salah satu AI mulai melakukan tindakan yang benar dan menghasilkan keturunan yang “benar”.

Evolusi

Ribuan perubahan generasi terjadi di antara peristiwa-peristiwa penting. Program ini dijalankan di banyak thread pada Core i7. Perhitungannya memakan waktu sekitar 15 menit.

Ketika “pemimpin” AI membuat kesalahan acak dan tidak mencetak poin yang cukup, populasinya mulai menurun karena keturunannya dibentuk dari orang tua “sekunder”.
Kebetulan dalam aliran dengan orang luar yang menandai waktu, mutasi berhasil terjadi, memberikan peningkatan poin yang diperoleh secara eksplosif. Setelah itu aliran ini menjadi pemimpin.
Terkadang tidak ada mutasi yang berhasil terjadi dalam waktu yang lama, dan bahkan 500 ribu generasi tidak cukup untuk menyelesaikan seleksi.

Kesimpulan

Terakhir, saya melakukan hal yang sama dengan permainan tic-tac-toe. Ukuran genom yang digunakan sama seperti pada kasus pertama. Jumlah langkah telah ditingkatkan menjadi 1024 dan jumlah populasi menjadi 64 (untuk penghitungan lebih cepat). Perhitungannya memakan waktu sedikit lebih lama. Semuanya terjadi menurut skenario yang kira-kira sama.

Pada awalnya, AI bermain melawan “randomizer”. Itulah yang saya sebut dengan bot yang berjalan secara acak. Dengan cepat, AI mulai mengalahkannya, mengisi beberapa baris. Selanjutnya, saya memperumit tugas dengan menambahkan sedikit kecerdasan pada pengacak: menempati garis jika memungkinkan, atau bertahan. Namun, dalam kasus ini pun, AI menemukan kelemahan bot tersebut dan mulai mengalahkannya. Mungkin cerita tentang ini akan menjadi topik artikel tersendiri.

Anak saya meminta saya untuk menulis sebuah program agar AI dapat bermain satu sama lain, dan bukan dengan bot. Ada ide untuk melakukan hal yang sama untuk permainan catur atau Go, namun saya tidak lagi punya cukup waktu untuk itu.

Satu-satunya metode yang saya gunakan untuk mendapatkan individu baru adalah mutasi. Anda juga dapat menggunakan crossover dan inversi. Mungkin cara-cara ini akan mempercepat memperoleh hasil yang diinginkan.

Pada akhirnya, sebuah ide lahir: memberikan AI kemampuan untuk mengelola semua proses di PC dan bersaing untuk mendapatkan sumber daya komputer. Hubungkan PC Anda ke Internet, dan gunakan kumpulan peternakan Bitcoin lama sebagai daya komputasi...

Seperti yang dikatakan blogger saat melakukan percobaan serupa

Kecerdasan buatan: dingin, tidak berperasaan dan tidak berwujud. Namun di sinilah letak masa depan; bidang ilmu inilah yang akan memungkinkan pengambilan langkah besar dan signifikan menuju otomatisasi proses, dan, akibatnya, menghilangkan sebagian beban rutin dari spesialis yang berharga. Dan sekarang, pada awal perkembangannya, hanya kita yang memutuskan apa yang akan terjadi kecerdasan buatan setelah beberapa dekade, mengajarinya.

Mari kita coba mencari tahu apa yang ada metode dan algoritma pembelajaran mesin kecerdasan buatan.

Secara tradisional, banyak kontroversi muncul seputar hal-hal baru dan tidak diketahui. Meskipun banyak yang telah menulis tentang AI, hal ini belum sepenuhnya dipahami oleh masyarakat. Di sinilah muncul klaim seperti: “Dia akan merampas ratusan pekerjaan dari orang-orang!”, “Dia akan memberontak terhadap rakyat!”, “Ya, kami sedang menggali kubur kami sendiri!”, “Cepat atau lambat kami tidak akan melakukannya. mampu mengendalikannya!” dan seterusnya. Banyak orang membayangkan AI sebagai sebuah kecerdasan super, yang meskipun tidak dapat dijelaskan oleh mereka sendiri, tentu saja merupakan ancaman bagi mereka. Dan tentu saja, tidak ada seorang pun yang mau mendengar bahwa sekarang, melampaui batas program yang ditentukan oleh seseorang, pada saat ini hal ini secara teknis tidak mungkin.

Namun apa yang masih bisa diajarkan kepadanya dan bagaimana hal ini bisa terjadi?

Metode Pembelajaran Mesin Kecerdasan Buatan:

Pembelajaran induktif

Memperoleh data empiris, mengidentifikasi pola, mengidentifikasi algoritma tindakan dalam setiap situasi serupa;

Pembelajaran deduktif

Formalisasi data yang diperoleh seseorang dengan berbagai cara dan memasukkannya langsung ke dalam database;

Algoritma pengambilan keputusan dasar untuk kecerdasan buatan:

Pengklasifikasi Naive Bayes

Salah satu metode klasifikasi paling sederhana.

Metode ini digunakan dalam teknologi pemindaian dan pengenalan wajah/retina/sidik jari, dalam membagi konten dalam umpan berita berdasarkan topik, serta dalam membagi surat-surat di email Anda ke dalam kategori (khususnya, departemen spam);

Metode ansambel secara kasar dapat disebut sebagai turunan dari pengklasifikasi Bayes naif yang dijelaskan di atas, karena metode ini didasarkan pada rata-rata Bayesian. Dengan kata lain, metode ini mengidentifikasi perpotongan probabilitas hasil, merata-ratakan nilai ini, menghilangkan dispersi nilai, sekaligus mengontrol pencarian solusi masalah dalam kondisi tertentu.

Ini adalah metode ansambel yang memungkinkan untuk menemukan solusi yang paling optimal untuk suatu masalah, di mana lebih sedikit sumber daya yang akan dikeluarkan, dan hasilnya akan memenuhi kondisi masalah secara maksimal.

Tanpa membahas inti dari metode itu sendiri dan penjelasan tentang bagaimana membangun hyperplane dan bekerja dengannya, SVM dapat digambarkan sebagai algoritma untuk analisis klasifikasi dan regresi.

Teknologi serupa digunakan dalam mengenali sifat-sifat tertentu suatu objek dari sebuah foto (warna rambut, jenis kelamin, warna pakaian), serta dalam genetika - dalam penyambungan DNA (pemisahan urutan nukleotida tertentu dari RNA dan hubungannya selama pemrosesan RNA).

Pohon Keputusan

Metode pengambilan keputusan (model) yang digunakan sehari-hari oleh kita masing-masing. Makanya sudah jadi meme

Namun selain bercanda, model seperti itu biasanya mengandung unsur-unsur seperti: masalah, metode penyelesaian, konsekuensi dari setiap metode, kemungkinan terjadinya konsekuensi, biaya sumber daya, dan hasil akhir. Sebagian besar teknologi paling sederhana yang menggunakan AI bekerja berdasarkan model ini.

Regresi logis

Sebuah metode yang dapat membawa kita lebih dekat pada kecerdasan buatan yang kuat, yang mampu membuat keputusan secara independen dalam beberapa situasi. Regresi logis adalah metode memprediksi terjadinya suatu peristiwa dengan mempertimbangkan beberapa variabel.

Algoritme serupa digunakan dalam meteorologi dan seismologi, peminjaman, pemasaran, dan bidang lainnya.

Saya ingin menyoroti metode ini secara terpisah, karena pada dasarnya ini bukanlah cara untuk menyelesaikan masalah itu sendiri - melainkan cara untuk menentukan kesalahan dari setiap solusi.

Algoritme yang dijelaskan di atas digunakan untuk metode pembelajaran terawasi, yaitu metode di mana label (properti) tertentu dapat ditetapkan ke kumpulan data tertentu, namun jika label ini tidak tersedia, penetapannya harus diprediksi dalam situasi serupa lainnya. .

Kami sudah menyelesaikannya algoritma pembelajaran mesin kecerdasan buatan dasar paling sering digunakan dalam praktik. Perlu dipertimbangkan bahwa penerapan AI dalam kehidupan sehari-hari dan dalam memecahkan masalah sehari-hari, yang seringkali solusi masalahnya benar-benar jelas dan hanya perlu mengotomatisasi proses ini, mungkin melibatkan penggunaan algoritma serupa. Suatu masalah, yang penyelesaiannya harus merupakan pengembangan yang inovatif, atau penyelesaiannya akan bergantung pada sejumlah besar variabel (yaitu, terutama berbagai bidang ilmu eksakta), memerlukan algoritma penyelesaian yang lebih kompleks, yang dapat Anda pelajari jika Anda ikuti berita kami.

Kecerdasan Buatan (AI)(Bahasa inggris) Kecerdasan buatan, AI) adalah ilmu dan pengembangan mesin dan sistem cerdas, khususnya program komputer cerdas, yang bertujuan untuk memahami kecerdasan manusia. Namun, metode yang digunakan belum tentu masuk akal secara biologis. Namun masalahnya adalah tidak diketahui prosedur komputasi mana yang kita sebut cerdas. Dan karena kita hanya memahami sebagian dari mekanisme kecerdasan, maka yang dimaksud dengan kecerdasan dalam ilmu ini adalah kita hanya memahami bagian komputasi dari kemampuan untuk mencapai tujuan di dunia.

Jenis yang berbeda dan tingkat kecerdasan ada pada banyak orang, hewan dan beberapa mesin, sistem informasi cerdas dan berbagai model sistem pakar dengan basis pengetahuan berbeda. Pada saat yang sama, seperti yang bisa kita lihat, definisi kecerdasan ini tidak ada hubungannya dengan pemahaman kecerdasan manusia - ini adalah hal yang berbeda. Selain itu, ilmu ini memodelkan kecerdasan manusia, karena, di satu sisi, seseorang dapat mempelajari sesuatu tentang cara membuat mesin memecahkan masalah dengan mengamati orang lain, dan di sisi lain, sebagian besar pekerjaan di bidang AI mempelajari masalah-masalah yang perlu dipecahkan oleh umat manusia. dalam arti industri dan teknologi. Oleh karena itu, peneliti AI bebas menggunakan teknik yang tidak diamati pada manusia jika diperlukan untuk memecahkan masalah tertentu.

Dalam pengertian inilah istilah tersebut diperkenalkan oleh J. McCarthy pada tahun 1956 pada sebuah konferensi di Universitas Dartmouth, dan hingga saat ini, meskipun ada kritik dari mereka yang percaya bahwa kecerdasan hanyalah fenomena biologis, istilah tersebut tetap dipertahankan dalam komunitas ilmiah. makna aslinya, meskipun terdapat kontradiksi yang jelas dari sudut pandang kecerdasan manusia.

Dalam filsafat, pertanyaan tentang hakikat dan status kecerdasan manusia belum terpecahkan. Juga tidak ada kriteria pasti bagi komputer untuk mencapai “kecerdasan”, meskipun pada awal mula kecerdasan buatan, sejumlah hipotesis telah diajukan, misalnya uji Turing atau hipotesis Newell-Simon. Oleh karena itu, meskipun terdapat banyak pendekatan untuk memahami permasalahan AI dan menciptakan sistem informasi cerdas, terdapat dua pendekatan utama dalam pengembangan AI:

· menurun (Bahasa Inggris) AI dari atas ke bawah), semiotika - penciptaan sistem pakar, basis pengetahuan, dan sistem inferensi logis yang mensimulasikan proses mental tingkat tinggi: berpikir, penalaran, ucapan, emosi, kreativitas, dll.;

· naik (Bahasa Inggris) AI dari Bawah ke Atas), biologis – studi tentang jaringan saraf dan komputasi evolusioner yang memodelkan perilaku cerdas berdasarkan elemen “non-cerdas” yang lebih kecil.

Pendekatan terakhir, sebenarnya, tidak berhubungan dengan ilmu kecerdasan buatan dalam pengertian yang diberikan oleh J. McCarthy, pendekatan tersebut hanya disatukan oleh tujuan akhir yang sama.

Sejarah kecerdasan buatan sebagai arah ilmiah baru dimulai pada pertengahan abad ke-20. Pada saat ini, banyak prasyarat asal usulnya telah terbentuk: di antara para filsuf telah lama terjadi perdebatan tentang sifat manusia dan proses memahami dunia, ahli neurofisiologi dan psikolog telah mengembangkan sejumlah teori mengenai cara kerja otak manusia. dan berpikir, ekonom dan matematikawan mengajukan pertanyaan tentang perhitungan optimal dan penyajian pengetahuan tentang dunia di dalam bentuk formal; akhirnya, landasan teori perhitungan matematika – teori algoritma – lahir, dan komputer pertama diciptakan.

Kemampuan mesin baru dalam hal kecepatan komputasi ternyata lebih besar daripada kemampuan manusia, sehingga komunitas ilmiah mengajukan pertanyaan: apa batasan kemampuan komputer dan akankah mesin mencapai tingkat perkembangan manusia? Pada tahun 1950, salah satu pionir di bidang komputasi, ilmuwan Inggris Alan Turing, dalam artikel “Can a Machine Think?”, memberikan jawaban atas pertanyaan serupa dan menjelaskan prosedur yang memungkinkan untuk menentukan momen kapan sebuah mesin menjadi setara dalam hal kecerdasan dengan seseorang, yang disebut tes Turing.

Tes Turing adalah tes empiris yang dikemukakan oleh Alan Turing dalam makalahnya tahun 1950 "Computing Machines and Minds" di jurnal filsafat. Pikiran" Tujuan dari tes ini adalah untuk mengetahui kemungkinan pemikiran buatan yang dekat dengan manusia. Interpretasi standar dari tes ini adalah: “Seseorang berinteraksi dengan satu komputer dan satu orang. Berdasarkan jawaban atas pertanyaan yang diajukan, ia harus menentukan dengan siapa ia berbicara: seseorang atau program komputer. Tujuan dari program komputer adalah untuk menyesatkan seseorang agar membuat pilihan yang salah.” Semua peserta tes tidak dapat saling melihat.

Ada tiga pendekatan untuk mendefinisikan kecerdasan buatan:

1) Pendekatan logis menuju penciptaan sistem kecerdasan buatan ditujukan untuk menciptakan sistem pakar dengan model basis pengetahuan yang logis menggunakan bahasa predikat. Sistem pemrograman bahasa dan logika Prolog diadopsi sebagai model pendidikan untuk sistem kecerdasan buatan di tahun 80an. Basis pengetahuan yang ditulis dalam bahasa Prolog mewakili kumpulan fakta dan aturan inferensi logis yang ditulis dalam bahasa logis. Model logis dari basis pengetahuan memungkinkan Anda untuk mencatat tidak hanya informasi dan data spesifik dalam bentuk fakta dalam bahasa Prolog, tetapi juga informasi umum menggunakan aturan dan prosedur inferensi logis, termasuk aturan logis untuk mendefinisikan konsep yang mengungkapkan pengetahuan tertentu sebagai spesifik. dan informasi umum. Secara umum, penelitian masalah kecerdasan buatan dalam ilmu komputer dalam kerangka pendekatan logis terhadap desain basis pengetahuan dan sistem pakar ditujukan untuk penciptaan, pengembangan, dan pengoperasian sistem informasi cerdas, termasuk masalah pengajaran siswa dan anak sekolah, serta melatih pengguna dan pengembang sistem informasi cerdas tersebut.

2) Pendekatan berbasis agen telah berkembang sejak awal tahun 1990an. Menurut pendekatan ini, kecerdasan adalah bagian komputasi (perencanaan) dari kemampuan untuk mencapai tujuan yang ditetapkan untuk mesin cerdas. Mesin seperti itu sendiri akan menjadi agen cerdas, mengamati dunia di sekitarnya menggunakan sensor dan mampu mempengaruhi objek di lingkungan menggunakan aktuator. Pendekatan ini berfokus pada metode dan algoritma yang akan membantu agen cerdas bertahan di lingkungan saat menjalankan tugasnya. Oleh karena itu, algoritma pencarian dan pengambilan keputusan dipelajari lebih mendalam di sini.

3) Pendekatan intuitif berasumsi bahwa AI akan mampu menunjukkan perilaku yang tidak berbeda dengan manusia, dan dalam situasi normal. Ide ini merupakan generalisasi dari pendekatan uji Turing, yang menyatakan bahwa suatu mesin akan menjadi cerdas bila mampu melakukan percakapan dengan orang biasa, dan ia tidak akan mampu memahami bahwa ia sedang berbicara dengan mesin (the percakapan dilakukan melalui korespondensi).

Definisi tersebut memilih bidang penelitian berikut di bidang AI:

- Pemodelan simbolis dari proses berpikir.

Menganalisis sejarah AI, kita dapat menyoroti bidang yang luas seperti pemodelan penalaran. Selama bertahun-tahun, perkembangan AI sebagai ilmu telah bergerak ke arah ini, dan sekarang merupakan salah satu bidang AI modern yang paling berkembang. Penalaran pemodelan melibatkan penciptaan sistem simbolik, yang masukannya merupakan masalah tertentu, dan keluarannya memerlukan solusinya. Biasanya, masalah yang diajukan telah diformalkan, yaitu diterjemahkan ke dalam bentuk matematika, tetapi tidak memiliki algoritma penyelesaian, atau terlalu rumit, memakan waktu, dll. Bidang ini meliputi: pembuktian teorema, keputusan teori pembuatan dan permainan, perencanaan dan pengiriman, peramalan.

- Bekerja dengan bahasa alami.

Area yang penting adalah pemrosesan bahasa alami, yang melibatkan analisis kemampuan memahami, memproses, dan menghasilkan teks dalam bahasa “manusia”. Secara khusus, masalah terjemahan mesin teks dari satu bahasa ke bahasa lain belum terpecahkan. DI DALAM dunia modern Perkembangan metode pencarian informasi memegang peranan yang besar. Berdasarkan sifatnya, tes Turing asli terkait dengan arah ini.

- Akumulasi dan penggunaan pengetahuan.

Menurut banyak ilmuwan, sifat penting dari kecerdasan adalah kemampuan belajar. Dengan demikian, rekayasa pengetahuan mengemuka, menggabungkan tugas memperoleh pengetahuan dari informasi sederhana, sistematisasi dan penggunaannya. Kemajuan di bidang ini mempengaruhi hampir semua bidang penelitian AI lainnya. Di sini juga ada dua subbidang penting yang tidak dapat diabaikan. Yang pertama - pembelajaran mesin - berkaitan dengan proses perolehan pengetahuan secara mandiri oleh sistem cerdas dalam proses pengoperasiannya. Yang kedua terkait dengan penciptaan sistem pakar - program yang menggunakan basis pengetahuan khusus untuk memperoleh kesimpulan yang dapat diandalkan tentang masalah apa pun.

Bidang pembelajaran mesin mencakup sejumlah besar masalah pengenalan pola. Misalnya, pengenalan karakter, teks tulisan tangan, ucapan, analisis teks. Banyak masalah yang berhasil diselesaikan dengan menggunakan pemodelan biologis. Pemodelan biologis

Ada pencapaian besar dan menarik di bidang pemodelan sistem biologis. Sebenarnya, ini dapat mencakup beberapa bidang independen. Jaringan saraf digunakan untuk memecahkan masalah yang kabur dan kompleks seperti pengenalan bentuk geometris atau pengelompokan objek. Pendekatan genetik didasarkan pada gagasan bahwa suatu algoritma dapat menjadi lebih efisien jika meminjam karakteristik yang lebih baik dari algoritma lain (“orang tua”). Pendekatan yang relatif baru, yang tugasnya adalah membuat program otonom - agen yang berinteraksi dengan lingkungan eksternal, disebut pendekatan agen. Yang paling penting untuk disebutkan adalah visi komputer, yang juga dikaitkan dengan robotika.

- Robotika.

Secara umum robotika dan kecerdasan buatan sering dikaitkan satu sama lain. Integrasi kedua ilmu ini, penciptaan robot cerdas, dapat dianggap sebagai bidang lain dari AI.

- Kreativitas mesin.

Hakikat kreativitas manusia bahkan lebih sedikit dipelajari dibandingkan hakikat kecerdasan. Namun demikian, bidang ini tetap ada, dan masalah penulisan musik komputer, karya sastra (seringkali puisi atau dongeng), dan kreasi seni diangkat di sini. Membuat gambar realistis banyak digunakan dalam industri film dan game. Menambahkan fitur ini ke sistem cerdas apa pun memungkinkan Anda mendemonstrasikan dengan jelas apa sebenarnya yang dirasakan sistem dan bagaimana sistem memahaminya. Dengan menambahkan noise alih-alih informasi yang hilang atau memfilter noise dengan pengetahuan yang tersedia dalam sistem, ini menghasilkan gambaran konkret dari pengetahuan abstrak yang mudah dirasakan oleh seseorang, hal ini sangat berguna untuk pengetahuan intuitif dan bernilai rendah, yang verifikasinya dalam a bentuk formal membutuhkan usaha mental yang signifikan.

- Bidang penelitian lainnya.

Ada banyak penerapan kecerdasan buatan, yang masing-masing membentuk arah yang hampir independen. Contohnya termasuk kecerdasan pemrograman permainan komputer, kontrol nonlinier, sistem keamanan informasi cerdas.

Pendekatan untuk menciptakan sistem cerdas. Pendekatan simbolik memungkinkan Anda untuk beroperasi dengan representasi yang diformalkan dengan lemah dan maknanya. Efisiensi dan efektivitas secara keseluruhan bergantung pada kemampuan untuk menyoroti informasi penting saja. Luasnya kelas masalah yang secara efektif diselesaikan oleh pikiran manusia memerlukan fleksibilitas luar biasa dalam metode abstraksi. Tidak dapat diakses dengan pendekatan teknik apa pun yang pada awalnya dipilih oleh peneliti berdasarkan kriteria yang sengaja dibuat cacat, karena kemampuannya untuk dengan cepat memberikan solusi efektif terhadap beberapa masalah yang paling dekat dengan peneliti tersebut. Artinya, untuk satu model abstraksi dan konstruksi entitas sudah diimplementasikan dalam bentuk aturan. Hal ini mengakibatkan pengeluaran sumber daya yang signifikan untuk tugas-tugas non-inti, yaitu, sistem kembali dari intelijen ke kekerasan pada sebagian besar tugas dan inti dari intelijen menghilang dari proyek.

Hal ini sangat sulit dilakukan tanpa logika simbolik ketika tugasnya adalah mengembangkan aturan karena komponen-komponennya, yang bukan merupakan unit pengetahuan yang lengkap, tidak logis. Sebagian besar penelitian berhenti pada ketidakmungkinan untuk setidaknya mengidentifikasi kesulitan-kesulitan baru yang muncul dengan menggunakan sistem simbolik yang dipilih pada tahap sebelumnya. Selain itu, selesaikan masalah tersebut, dan terutama latih komputer untuk menyelesaikannya, atau setidaknya identifikasi dan keluar dari situasi seperti itu.

Secara historis, pendekatan simbolik adalah yang pertama di era mesin digital, karena setelah penciptaan Lisp, bahasa komputasi simbolik pertama, penulisnya menjadi yakin akan kemungkinan penerapan alat intelijen ini secara praktis. Intelijen seperti itu, tanpa syarat atau konvensi apa pun.

Penciptaan sistem cerdas hibrida dipraktikkan secara luas di mana beberapa model digunakan sekaligus. Aturan inferensi ahli dapat dihasilkan oleh jaringan saraf, dan aturan generatif diperoleh dengan menggunakan pembelajaran statistik.

Perkembangan teori himpunan fuzzy. Perkembangan teori himpunan fuzzy dimulai dengan artikel “Fuzzy Sets” yang diterbitkan oleh profesor Amerika Lotfi Zadeh, orang pertama yang memperkenalkan konsep himpunan fuzzy, mengemukakan gagasan dan konsep pertama teori yang memungkinkan terjadinya himpunan fuzzy. menggambarkan sistem nyata. Arah terpenting dari teori himpunan fuzzy adalah logika fuzzy, yang digunakan untuk mengontrol sistem, serta dalam eksperimen pembentukan modelnya.

Tahun 60an memulai periode pesatnya perkembangan komputer dan teknologi digital berdasarkan logika biner. Pada saat itu, penggunaan logika ini diyakini akan memungkinkan pemecahan banyak masalah ilmiah dan teknis. Karena alasan ini, kemunculan logika fuzzy hampir tidak diperhatikan, meskipun seluruh sifat konseptualnya yang revolusioner. Namun, pentingnya logika fuzzy telah diakui oleh sejumlah perwakilan komunitas ilmiah dan telah dikembangkan serta penerapan praktis dalam berbagai aplikasi industri. Setelah beberapa waktu, minat terhadapnya mulai meningkat dari pihak sekolah ilmiah yang menyatukan penganut teknologi berdasarkan logika biner. Hal ini terjadi karena ditemukan cukup banyak masalah praktis yang tidak dapat diselesaikan dengan menggunakan model dan metode matematika tradisional, meskipun kecepatan komputasi yang tersedia meningkat secara signifikan. Diperlukan metodologi baru, yang ciri khasnya dapat ditemukan dalam logika fuzzy.

Seperti robotika, logika fuzzy mendapat perhatian besar bukan di negara asalnya, Amerika Serikat, tetapi di luar perbatasannya, dan sebagai konsekuensinya, pengalaman pertama penggunaan logika fuzzy di industri - untuk mengendalikan instalasi boiler di pembangkit listrik - adalah dikaitkan dengan Eropa. Semua upaya untuk menggunakan metode tradisional, terkadang sangat rumit, untuk mengendalikan ketel uap berakhir dengan kegagalan - sistem nonlinier ini ternyata sangat rumit. Dan hanya penggunaan logika fuzzy yang memungkinkan untuk mensintesis pengontrol yang memenuhi semua persyaratan. Pada tahun 1976, logika fuzzy digunakan sebagai dasar sistem kendali otomatis untuk tanur putar dalam produksi semen. Namun, hasil praktis pertama penggunaan logika fuzzy, yang diperoleh di Eropa dan Amerika, tidak menimbulkan peningkatan minat yang signifikan terhadapnya. Sama seperti robotika, negara pertama yang mulai menerapkan logika fuzzy secara luas, menyadari potensi besarnya, adalah Jepang.

Di antara sistem fuzzy terapan yang dibuat di Jepang, yang paling terkenal adalah sistem kendali kereta bawah tanah yang dikembangkan oleh Hitachi di Sendai. Proyek ini dilaksanakan dengan partisipasi pengemudi berpengalaman, yang pengetahuan dan pengalamannya menjadi dasar model kontrol yang dikembangkan. Sistem secara otomatis mengurangi kecepatan kereta saat mendekati stasiun, memastikan berhenti di lokasi yang diperlukan. Keunggulan lain kereta ini adalah kenyamanannya yang tinggi karena akselerasi dan deselerasinya mulus. Ada sejumlah keunggulan lain dibandingkan sistem kontrol tradisional.

Pesatnya perkembangan logika fuzzy di Jepang telah menyebabkan penerapan praktisnya tidak hanya dalam industri, namun juga dalam produksi barang konsumsi. Contohnya di sini adalah kamera video yang dilengkapi dengan subsistem stabilisasi gambar fuzzy, yang digunakan untuk mengkompensasi fluktuasi gambar yang disebabkan oleh kurangnya pengalaman operator. Masalah ini terlalu rumit untuk diselesaikan dengan metode tradisional, karena fluktuasi acak pada gambar perlu dibedakan dari pergerakan objek yang difoto (misalnya, pergerakan orang).

Contoh lainnya adalah mesin cuci otomatis, yang dioperasikan dengan satu sentuhan tombol (Zimmerman 1994). “Integritas” ini membangkitkan minat dan mendapat persetujuan. Penggunaan metode logika fuzzy memungkinkan untuk mengoptimalkan proses pencucian, memberikan pengenalan otomatis terhadap jenis, volume dan tingkat kekotoran pakaian, belum lagi pengurangan mekanisme kontrol mesin menjadi satu tombol membuatnya jauh lebih mudah. menangani.

Penemuan logika fuzzy telah diterapkan oleh perusahaan Jepang di banyak perangkat lain, termasuk oven microwave (Sanyo), sistem pengereman anti-lock dan transmisi otomatis (Nissan), Integrated Vehicle Dynamics Control (INVEC), dan pengontrol hard drive di komputer pengurangan waktu akses terhadap informasi.

Selain aplikasi yang disebutkan di atas, sejak awal tahun 90an. Terdapat perkembangan intensif metode fuzzy dalam sejumlah bidang terapan, termasuk yang tidak terkait dengan teknologi:

Sistem kendali alat pacu jantung elektronik;

sistem pengendalian kendaraan bermotor;

Sistem pendingin;

AC dan peralatan ventilasi;

Peralatan pembakaran sampah;

Tungku peleburan kaca;

Sistem pemantauan tekanan darah;

Diagnosis tumor;

Diagnosis keadaan sistem kardiovaskular saat ini;

Sistem kendali derek dan jembatan;

Pengolahan citra;

Pengisi daya cepat;

Pengenalan kata;

Manajemen bioprosesor;

Kontrol motor listrik;

Peralatan las dan proses pengelasan;

sistem kontrol lalu lintas;

Penelitian Biomedis;

Instalasi pengolahan air.

DI DALAM saat ini dalam penciptaan kecerdasan buatan (dalam arti aslinya, sistem pakar dan program catur tidak termasuk di sini) terjadi penggilingan intensif semua bidang studi yang setidaknya memiliki beberapa hubungan dengan AI ke dalam basis pengetahuan. Hampir semua pendekatan telah diuji, namun belum ada satu pun kelompok penelitian yang mendekati munculnya kecerdasan buatan.

Penelitian AI telah bergabung dengan aliran umum teknologi singularitas (lompatan spesies, perkembangan manusia secara eksponensial), seperti ilmu komputer, sistem pakar, nanoteknologi, bioelektronik molekuler, biologi teoretis, teori kuantum, nootropik, ekstrofil, dll. lihat aliran harian Berita Kurzweil, MIT.

Hasil pengembangan di bidang AI telah memasuki pendidikan tinggi dan menengah di Rusia dalam bentuk buku teks ilmu komputer, di mana masalah kerja dan penciptaan basis pengetahuan, sistem pakar berbasis komputer pribadi berdasarkan sistem pemrograman logika dalam negeri kini dipelajari, serta mempelajari permasalahan mendasar matematika dan ilmu komputer dengan menggunakan contoh bekerja dengan model basis pengetahuan dan sistem pakar di sekolah dan universitas.

Sistem kecerdasan buatan berikut telah dikembangkan:

1. Deep Blue - mengalahkan juara catur dunia. (Pertandingan antara Kasparov dan superkomputer tidak memberikan kepuasan baik bagi ilmuwan komputer atau pemain catur, dan sistem tersebut tidak dikenali oleh Kasparov, meskipun program catur kompak asli merupakan elemen integral dari kreativitas catur. Kemudian jajaran superkomputer IBM muncul di proyek brute force BluGene (pemodelan molekuler) dan pemodelan sistem sel piramidal di Swiss Blue Brain Center. Kisah ini adalah contoh hubungan yang rumit dan rahasia antara AI, bisnis, dan tujuan strategis nasional.)

2. Mycin adalah salah satu sistem pakar awal yang dapat mendiagnosis sejumlah kecil penyakit, seringkali seakurat dokter.

3. 20q adalah proyek berdasarkan ide AI, berdasarkan game klasik “20 Pertanyaan”. Ini menjadi sangat populer setelah muncul di Internet di situs 20q.net.

4. Pengenalan ucapan. Sistem seperti ViaVoice mampu melayani konsumen.

5. Robot berkompetisi dalam bentuk sepak bola yang disederhanakan di turnamen RoboCup tahunan.

Bank menggunakan sistem kecerdasan buatan (AI) dalam aktivitas asuransi (matematika aktuaria) saat bermain di bursa dan pengelolaan properti. Pada bulan Agustus 2001, robot mengalahkan manusia dalam kompetisi perdagangan dadakan (BBC News, 2001). Metode pengenalan pola (termasuk jaringan yang lebih kompleks dan terspesialisasi dan saraf) banyak digunakan dalam pengenalan optik dan akustik (termasuk teks dan ucapan), diagnostik medis, filter spam, dalam sistem pertahanan udara (identifikasi target), dan juga untuk memastikan sejumlah tugas keamanan nasional lainnya.

Pengembang game komputer terpaksa menggunakan AI dengan tingkat kecanggihan yang berbeda-beda. Tugas standar AI dalam game adalah mencari jalur dalam ruang dua dimensi atau tiga dimensi, mensimulasikan perilaku unit tempur, menghitung strategi ekonomi yang tepat, dan lain sebagainya.

Kecerdasan buatan erat kaitannya dengan transhumanisme. Dan bersama-sama dengan neurofisiologi, epistemologi, psikologi kognitif membentuk suatu ilmu yang lebih umum yang disebut ilmu kognitif. Filsafat memainkan peran khusus dalam kecerdasan buatan. Selain itu, epistemologi – ilmu pengetahuan dalam kerangka filsafat – erat kaitannya dengan masalah kecerdasan buatan. Para filsuf yang menangani topik ini bergulat dengan pertanyaan serupa yang dihadapi para insinyur AI tentang cara terbaik untuk merepresentasikan dan menggunakan pengetahuan dan informasi. Menghasilkan pengetahuan dari data adalah salah satu masalah dasar data mining. Ada berbagai pendekatan untuk memecahkan masalah ini, termasuk yang didasarkan pada teknologi jaringan saraf, menggunakan prosedur verbalisasi jaringan saraf.

Dalam ilmu komputer, masalah kecerdasan buatan dipertimbangkan dari perspektif perancangan sistem pakar dan basis pengetahuan. Basis pengetahuan dipahami sebagai seperangkat aturan data dan inferensi yang memungkinkan inferensi logis dan pemrosesan informasi yang bermakna. Secara umum, penelitian masalah kecerdasan buatan dalam ilmu komputer ditujukan untuk penciptaan, pengembangan dan pengoperasian sistem informasi cerdas, termasuk pelatihan pengguna dan pengembang sistem tersebut.

Ilmu “menciptakan kecerdasan buatan” mau tidak mau menarik perhatian para filsuf. Dengan munculnya sistem cerdas pertama, pertanyaan mendasar tentang manusia dan pengetahuan, dan sebagian tentang tatanan dunia, pun muncul. Di satu sisi, mereka terkait erat dengan ilmu pengetahuan ini, dan di sisi lain, mereka menimbulkan kekacauan di dalamnya. Masalah filosofis dalam menciptakan kecerdasan buatan dapat dibagi menjadi dua kelompok, secara relatif, “sebelum dan sesudah pengembangan AI.” Kelompok pertama menjawab pertanyaan: “Apa itu AI, apakah mungkin untuk membuatnya, dan, jika mungkin, bagaimana cara melakukannya?” Kelompok kedua (etika kecerdasan buatan) mengajukan pertanyaan: “Apa konsekuensi dari penciptaan AI bagi umat manusia?”

Masalah penciptaan kecerdasan buatan. Dua arah pengembangan AI terlihat: yang pertama - dalam memecahkan masalah yang terkait dengan mendekatkan sistem AI khusus dengan kemampuan manusia, dan integrasinya, yang diwujudkan oleh sifat manusia, yang kedua - dalam penciptaan Kecerdasan Buatan, yang mewakili integrasi sistem AI yang sudah dibuat ke dalam satu sistem yang mampu memecahkan masalah umat manusia.

Di kalangan peneliti AI, masih belum ada pandangan dominan terhadap kriteria kecerdasan, sistematisasi tujuan dan tugas yang harus diselesaikan, bahkan belum ada definisi sains yang tegas. Ada berbagai sudut pandang mengenai pertanyaan tentang apa yang dianggap kecerdasan. Pendekatan analitis melibatkan analisis aktivitas saraf seseorang yang lebih tinggi hingga tingkat yang paling rendah dan tidak dapat dibagi (fungsi aktivitas saraf yang lebih tinggi, reaksi dasar terhadap rangsangan eksternal (stimuli), iritasi sinapsis sekumpulan neuron yang dihubungkan berdasarkan fungsi) dan reproduksi selanjutnya dari fungsi-fungsi ini.

Beberapa ahli salah mengira kemampuan memilih yang rasional dan termotivasi dalam kondisi kekurangan informasi sebagai kecerdasan. Artinya, program intelektual hanya dianggap sebagai program kegiatan yang dapat memilih dari serangkaian alternatif tertentu, misalnya, ke mana harus pergi dalam kasus “Anda akan ke kiri…”, “Anda akan ke kanan ...”, “kamu akan lurus…”.

Perdebatan paling panas dalam filosofi kecerdasan buatan adalah pertanyaan tentang kemungkinan pemikiran diciptakan oleh tangan manusia. Pertanyaan “Bisakah mesin berpikir?”, yang mendorong para peneliti untuk menciptakan ilmu simulasi pikiran manusia, diajukan oleh Alan Turing pada tahun 1950. Dua sudut pandang utama dalam masalah ini disebut hipotesis kecerdasan buatan yang kuat dan lemah.

Istilah “kecerdasan buatan yang kuat” diperkenalkan oleh John Searle, dan dalam kata-katanya pendekatan ini dicirikan: “Program seperti itu tidak hanya akan menjadi model pikiran; dia, dalam arti harfiahnya, dirinya sendiri akan menjadi pikiran, dalam arti yang sama dengan pikiran manusia adalah pikiran.” Sebaliknya, para pendukung AI yang lemah lebih memilih untuk memandang program hanya sebagai alat yang memungkinkan mereka memecahkan masalah tertentu yang tidak memerlukan seluruh kemampuan kognitif manusia.

Eksperimen pemikiran "Ruang Cina" John Searle berpendapat bahwa lulus uji Turing bukanlah kriteria bagi sebuah mesin untuk memiliki proses berpikir yang asli. Berpikir adalah proses memproses informasi yang disimpan dalam memori: analisis, sintesis, dan pemrograman mandiri. Posisi serupa diambil oleh Roger Penrose, yang dalam bukunya “The King's New Mind” berpendapat tentang ketidakmungkinan memperoleh proses berpikir berdasarkan sistem formal.

6. Perangkat komputasi dan mikroprosesor.

Mikroprosesor (MP) adalah perangkat yang menerima, memproses, dan mengeluarkan informasi. Secara struktural, MP berisi satu atau lebih sirkuit terintegrasi dan melakukan tindakan yang ditentukan oleh program yang disimpan dalam memori (Gbr. 6.1)

Gambar 6.1– Penampilan anggota parlemen

Prosesor awal diciptakan sebagai komponen unik untuk sistem komputer yang unik. Belakangan, produsen komputer beralih dari metode mahal dalam mengembangkan prosesor yang dirancang untuk menjalankan satu atau beberapa program yang sangat terspesialisasi ke produksi massal kelas perangkat prosesor multiguna yang umum. Tren standarisasi komponen komputer muncul pada era pesatnya perkembangan elemen semikonduktor, mainframe, dan komputer mini, dan dengan munculnya sirkuit terpadu menjadi semakin populer. Penciptaan sirkuit mikro memungkinkan untuk lebih meningkatkan kompleksitas CPU sekaligus mengurangi ukuran fisiknya.

Standarisasi dan miniaturisasi prosesor telah menyebabkan penetrasi mendalam perangkat digital berbasis prosesor ke dalam kehidupan manusia sehari-hari. Prosesor modern tidak hanya dapat ditemukan pada perangkat berteknologi tinggi seperti komputer, tetapi juga pada mobil, kalkulator, telepon seluler, dan bahkan mainan anak-anak. Paling sering mereka diwakili oleh mikrokontroler, di mana, selain perangkat komputasi, komponen tambahan ditempatkan pada chip (memori program dan data, antarmuka, port input/output, pengatur waktu, dll.). Kemampuan komputasi mikrokontroler sebanding dengan prosesor komputer pribadi sepuluh tahun yang lalu, dan seringkali bahkan melebihi kinerjanya secara signifikan.

Sistem mikroprosesor (MPS) adalah sistem komputasi, instrumentasi, atau kontrol di mana perangkat pemrosesan informasi utama adalah MP. Sistem mikroprosesor dibangun dari sekumpulan LSI mikroprosesor (Gbr. 6.2).

Gambar 6.2– Contoh sistem mikroprosesor

Generator jam menetapkan interval waktu, yang merupakan satuan ukuran (kuantum) selama durasi eksekusi perintah. Semakin tinggi frekuensinya, semakin cepat, jika hal-hal lain dianggap sama, MPS. MP, RAM dan ROM merupakan bagian integral dari sistem. Antarmuka input dan output - perangkat untuk menghubungkan MPS dengan blok input dan output. Alat ukur dicirikan oleh alat masukan berupa remote control tombol tekan dan konverter alat ukur (ADC, sensor, unit masukan informasi digital). Perangkat keluaran biasanya mewakili tampilan digital, layar grafis (display), dan perangkat eksternal untuk antarmuka dengan sistem pengukuran. Semua blok MPS saling berhubungan melalui bus transmisi informasi digital. MPS menggunakan prinsip komunikasi tulang punggung, di mana blok bertukar informasi melalui bus data tunggal. Jumlah baris dalam bus data biasanya sesuai dengan kapasitas MPS (jumlah bit dalam sebuah kata data). Bus alamat digunakan untuk menunjukkan arah transfer data - bus ini mengirimkan alamat sel memori atau blok I/O yang saat ini menerima atau mengirimkan informasi. Bus kontrol digunakan untuk mengirimkan sinyal yang menyinkronkan seluruh operasi MPS.

Pembangunan IPS didasarkan pada tiga prinsip:

Garis utama;

Modularitas;

Kontrol program mikro.

Prinsip trunking - menentukan sifat koneksi antara blok fungsional MPS - semua blok terhubung ke satu bus sistem.

Prinsip modularitas adalah bahwa sistem dibangun berdasarkan sejumlah jenis modul yang lengkap secara struktural dan fungsional.

Prinsip trunking dan modularitas memungkinkan peningkatan kontrol dan kemampuan komputasi MP dengan menghubungkan modul lain ke bus sistem.

Prinsip kontrol program mikro adalah kemampuan untuk melakukan operasi dasar - perintah mikro (pergeseran, transfer informasi, operasi logis), yang dengannya bahasa teknologi dibuat, yaitu seperangkat perintah yang paling sesuai dengan tujuan sistem.

Menurut tujuannya, anggota parlemen dibagi menjadi universal dan khusus.

Mikroprosesor universal adalah mikroprosesor serba guna yang memecahkan berbagai masalah komputasi, pemrosesan, dan kontrol. Contoh penggunaan anggota parlemen universal adalah komputer yang dibangun di atas platform IBM dan Macintosh.

Mikroprosesor khusus dirancang untuk memecahkan masalah hanya pada kelas tertentu. Anggota parlemen khusus meliputi: anggota parlemen persinyalan, multimedia, dan transputer.

Pemroses sinyal (DSP) dirancang untuk pemrosesan sinyal digital waktu nyata (misalnya, pemfilteran sinyal, penghitungan konvolusi, penghitungan fungsi korelasi, pembatasan dan pengkondisian sinyal, melakukan transformasi Fourier maju dan mundur). (Gambar 6.3) Pemroses sinyal mencakup prosesor dari Texas Instruments - TMS320C80, Perangkat Analog - - ADSP2106x, Motorola -DSP560xx dan DSP9600x.

Gambar 6.3– Contoh struktur DSP internal

Prosesor media dan multimedia dirancang untuk memproses sinyal audio, informasi grafis, gambar video, serta untuk memecahkan sejumlah masalah pada komputer multimedia, konsol game, dan peralatan rumah tangga. Prosesor tersebut antara lain prosesor dari MicroUnity - Mediaprocessor, Philips - Trimedia, Cromatic Research - Mpact Media Engine, Nvidia - NV1, Cyrix - MediaGX.

Transputer dirancang untuk mengatur perhitungan paralel secara besar-besaran dan bekerja dalam sistem multiprosesor. Mereka dicirikan oleh adanya memori internal dan antarmuka antarprosesor bawaan, yaitu saluran komunikasi dengan MP LSI lainnya.

Berdasarkan jenis arsitekturnya, atau prinsip konstruksinya, dibedakan antara anggota parlemen dengan arsitektur von Neumann dan anggota parlemen dengan arsitektur Harvard.

Konsep arsitektur mikroprosesor mendefinisikan bagian-bagian komponennya, serta hubungan dan interaksi di antara mereka.

Arsitektur meliputi:

Diagram struktur MP;

Model perangkat lunak MP (deskripsi fungsi register);

Informasi tentang organisasi memori (kapasitas dan metode pengalamatan memori);

Deskripsi organisasi prosedur input/output.

Arsitektur Fonneumann (Gbr. 6.4, a) diusulkan pada tahun 1945 oleh ahli matematika Amerika Joe von Neumann. Keunikannya adalah program dan data ditempatkan di memori bersama, yang diakses melalui satu bus data dan perintah.

Arsitektur Harvard pertama kali diimplementasikan pada tahun 1944 di komputer relay di Universitas Harvard (AS). Fitur dari arsitektur ini adalah bahwa memori data dan memori program dipisahkan dan memiliki bus data dan bus perintah yang terpisah (Gbr. 6.4, b), yang memungkinkan untuk meningkatkan kinerja sistem MP.

Gambar 6.4. Jenis arsitektur utama: (a - von Neumann; 6 - Harvard)

Berdasarkan jenis sistem instruksi, perbedaan dibuat antara prosesor CISC (Complete Instruksi Set Computing) dengan serangkaian instruksi lengkap (perwakilan khas CISC adalah keluarga mikroprosesor Intel x86) dan prosesor RISC(Reduksi Instruksi Set Komputasi) dengan serangkaian instruksi yang dikurangi (ditandai dengan adanya instruksi dengan panjang tetap, sejumlah besar register, operasi register-ke-registrasi, dan tidak adanya pengalamatan tidak langsung).

Mikrokontroler chip tunggal (MCU) adalah chip yang dirancang untuk mengontrol perangkat elektronik (Gambar 5). Mikrokontroler tipikal menggabungkan fungsi prosesor dan perangkat periferal, dan mungkin berisi RAM dan ROM. Pada dasarnya, ini adalah komputer chip tunggal yang mampu melakukan tugas-tugas sederhana. Menggunakan satu chip, bukan seluruh rangkaian, secara signifikan mengurangi ukuran, konsumsi daya, dan biaya perangkat berbasis mikrokontroler.

Gambar 6.5– contoh desain mikrokontroler

Mikrokontroler adalah dasar untuk membangun sistem tertanam; mikrokontroler dapat ditemukan di banyak perangkat modern, seperti telepon, mesin cuci dll. Sebagian besar prosesor yang diproduksi di dunia adalah mikrokontroler.

Saat ini, mikrokontroler 8-bit yang kompatibel dengan i8051 dari Intel, mikrokontroler PIC dari Microchip Technology dan AVR dari Atmel, MSP430 enam belas-bit dari TI, serta ARM, yang arsitekturnya dikembangkan oleh ARM dan dijual lisensinya ke perusahaan lain untuk produksi mereka, populer di kalangan pengembang.

Saat merancang mikrokontroler, ada keseimbangan antara ukuran dan biaya di satu sisi, serta fleksibilitas dan kinerja di sisi lain. Untuk aplikasi yang berbeda, keseimbangan optimal dari parameter ini dan parameter lainnya dapat sangat bervariasi. Oleh karena itu, ada banyak sekali jenis mikrokontroler, berbeda dalam arsitektur modul prosesor, ukuran dan jenis memori internal, rangkaian perangkat periferal, jenis casing, dll.

Sebagian daftar periferal yang mungkin ada di mikrokontroler meliputi:

Port digital universal yang dapat dikonfigurasi untuk input atau output;

Berbagai antarmuka I/O seperti UART, I²C, SPI, CAN, USB, IEEE 1394, Ethernet;

Konverter analog-ke-digital dan digital-ke-analog;

Pembanding;

Modulator lebar pulsa;

Pengatur waktu, generator jam bawaan, dan pengatur waktu pengawas;

Pengontrol motor tanpa sikat;

Pengontrol tampilan dan keyboard;

Penerima dan pemancar frekuensi radio;

Array memori flash internal.

Kecerdasan buatan adalah teknologi yang pasti akan kita bawa ke masa depan.

Kami akan memberi tahu Anda cara kerjanya dan kegunaan keren apa yang kami temukan.

😎 Bagian Teknologi diterbitkan setiap minggu dengan dukungan re:Store.

Apa itu kecerdasan buatan

Kecerdasan buatan (AI) adalah teknologi pembuatan program dan mesin cerdas yang dapat memecahkan masalah kreatif dan menghasilkan informasi baru berdasarkan informasi yang ada. Faktanya, kecerdasan buatan dirancang untuk mensimulasikan aktivitas manusia yang dianggap intelektual.

Secara tradisional, kreativitas diyakini hanya dimiliki manusia. Namun penciptaan kecerdasan buatan telah mengubah tatanan umum

Robot yang hanya memotong kayu secara mekanis tidak dilengkapi AI. Robot yang telah belajar memotong kayu sendiri, dengan melihat contoh seseorang atau batang kayu dan bagian-bagiannya, dan melakukannya dengan lebih baik setiap saat, memiliki AI.

Jika suatu program hanya mengambil nilai dari database sesuai aturan tertentu, maka program tersebut tidak dilengkapi dengan AI. Jika sistem, setelah pelatihan, membuat program, metode, dan dokumen, memecahkan masalah tertentu, maka sistem tersebut memiliki AI.

Cara membuat sistem kecerdasan buatan

Dalam arti global, kita perlu meniru model pemikiran manusia. Namun pada kenyataannya perlu dibuat kotak hitam - suatu sistem yang, sebagai respons terhadap sekumpulan nilai masukan, menghasilkan nilai keluaran yang serupa dengan hasil manusia. Dan kami, pada umumnya, tidak peduli apa yang terjadi “di kepalanya” (antara input dan output).

Sistem kecerdasan buatan diciptakan untuk memecahkan sejumlah masalah tertentu

Dasar dari kecerdasan buatan adalah pembelajaran, imajinasi, persepsi dan memori

Hal pertama yang harus dilakukan untuk menciptakan kecerdasan buatan adalah mengembangkan fungsi yang mengimplementasikan persepsi informasi sehingga Anda dapat “memasukkan” data ke sistem. Kemudian – fungsi yang melaksanakan kemampuan belajar. Dan sebagai tempat penyimpanan data sehingga sistem dapat menyimpan informasi yang diterimanya selama proses pembelajaran di suatu tempat.

Setelah itu, fungsi imajinasi tercipta. Mereka dapat mensimulasikan situasi menggunakan data yang ada dan menambahkan informasi baru (data dan aturan) ke memori.

Pembelajaran bisa bersifat induktif atau deduktif. Pada versi induktif, sistem diberikan pasangan data masukan dan keluaran, tanya jawab, dll. Sistem harus menemukan hubungan antara data dan kemudian, dengan menggunakan pola ini, menemukan data keluaran dari data masukan.

Pendekatan deduktif (halo, Sherlock Holmes!) menggunakan pengalaman para ahli. Itu ditransfer ke sistem sebagai basis pengetahuan. Tidak hanya kumpulan data, tetapi juga aturan siap pakai yang membantu menemukan solusi terhadap kondisi tersebut.

Sistem kecerdasan buatan modern menggunakan kedua pendekatan tersebut. Selain itu, sistem biasanya sudah dilatih, namun terus belajar seiring berjalannya waktu. Hal ini dilakukan agar program pada awalnya menunjukkan tingkat kemampuan yang lumayan, namun kedepannya menjadi lebih baik lagi. Misalnya, saya memperhitungkan keinginan dan preferensi Anda, perubahan situasi, dll.

Dalam sistem kecerdasan buatan, Anda bahkan dapat mengatur kemungkinan ketidakpastian. Ini akan membuatnya lebih mirip manusia.

Mengapa kecerdasan buatan mengalahkan manusia

Pertama-tama, karena kemungkinan kesalahannya lebih rendah.

Kecerdasan buatan tidak bisa melupakan - ia memiliki ingatan mutlak.
AI tidak dapat mengabaikan faktor dan ketergantungan secara tidak sengaja—setiap tindakan AI memiliki alasan yang jelas.
AI tidak ragu-ragu, namun mengevaluasi probabilitas dan cenderung memilih probabilitas yang lebih besar. Oleh karena itu, dia bisa membenarkan setiap langkah yang diambilnya.
AI juga tidak memiliki emosi. Artinya, mereka tidak mempengaruhi pengambilan keputusan.
Kecerdasan buatan tidak berhenti pada menilai hasil dari langkah saat ini, namun memikirkan beberapa langkah ke depan.
Dan dia memiliki sumber daya yang cukup untuk mempertimbangkan semua skenario yang mungkin terjadi.

Penggunaan kecerdasan buatan yang keren

Secara umum, kecerdasan buatan dapat melakukan segalanya. Hal utama adalah merumuskan masalah dengan benar dan menyediakan data awal. Selain itu, AI dapat membuat kesimpulan yang tidak terduga dan mencari pola yang tampaknya tidak ada.

Jawaban atas pertanyaan apa pun

Sebuah tim peneliti yang dipimpin oleh David Ferrucci telah mengembangkan superkomputer bernama Watson dengan sistem tanya jawab. Sistem ini, yang diberi nama sesuai nama presiden pertama IBM, Thomas Watson, dapat memahami pertanyaan dalam bahasa alami dan mencari jawaban di database.

Watson mengintegrasikan 90 server IBM p750, masing-masing dengan empat prosesor arsitektur POWER7 delapan inti. Jumlah total RAM sistem melebihi 15 TB.

Prestasi Watson termasuk memenangkan "Jeopardy!" (“Permainan Sendiri” Amerika). Dia mengalahkan dua pemain terbaik: pemenang kemenangan terbesar, Brad Rutter, dan pemegang rekor rekor tak terkalahkan terlama, Ken Jennings.

Hadiah Watson – $1 juta. Benar, 1 miliar diinvestasikan di dalamnya pada tahun 2014 saja.

Selain itu, Watson terlibat dalam diagnosis kanker, membantu spesialis keuangan, dan digunakan untuk menganalisis data besar.

Pengenalan wajah

Di iPhone X, pengenalan wajah dikembangkan menggunakan jaringan saraf, sebuah versi sistem kecerdasan buatan. Algoritme jaringan saraf diimplementasikan pada tingkat prosesor A11 Bionic, sehingga bekerja secara efektif dengan teknologi pembelajaran mesin.

Jaringan saraf melakukan hingga 60 miliar operasi per detik. Ini cukup untuk menganalisis hingga 40 ribu poin penting di wajah dan memberikan identifikasi pemiliknya yang sangat akurat dalam sepersekian detik.

Bahkan jika Anda menumbuhkan janggut atau memakai kacamata, iPhone X akan mengenali Anda. Ini hanya tidak memperhitungkan rambut dan aksesori, tetapi menganalisis area dari pelipis ke pelipis dan dari setiap pelipis hingga lekukan di bawah bibir bawah.

Hemat energi

Dan lagi Apple. IPhone X memiliki sistem cerdas bawaan yang memantau aktivitas aplikasi yang diinstal dan sensor gerak untuk memahami rutinitas harian Anda.

Setelah ini, iPhone X, misalnya, akan menawarkan Anda untuk memperbarui pada waktu yang paling nyaman. Ini akan menangkap momen ketika Anda memiliki Internet yang stabil, bukan sinyal lompat dari menara seluler, dan Anda tidak melakukan tugas yang mendesak atau penting.

AI juga mendistribusikan tugas di antara inti prosesor. Jadi itu memberikan daya yang cukup biaya minimal energi.

Membuat lukisan

Kreativitas, yang sebelumnya hanya dapat diakses oleh manusia, kini terbuka untuk AI. Dengan demikian, sistem yang dibuat oleh peneliti dari Rutgers University di New Jersey dan laboratorium AI di Los Angeles ini menghadirkan gaya artistik tersendiri.

Dan sistem kecerdasan buatan Microsoft dapat menggambar berdasarkan deskripsi teksnya. Misalnya, jika Anda meminta AI untuk menggambar “burung kuning dengan sayap hitam dan paruh pendek”, maka akan terlihat seperti ini:

Burung seperti itu mungkin tidak ada di dunia nyata - begitulah cara komputer kita merepresentasikannya.

Contoh yang lebih luas adalah aplikasi Prisma, yang membuat lukisan dari foto:

Menulis musik

Pada bulan Agustus, kecerdasan buatan Amper menyusun, memproduseri, dan menampilkan musik untuk album “I AM AI” (Bahasa Inggris Saya kecerdasan buatan) bersama dengan penyanyi Taryn Southern.

Amper dikembangkan oleh tim musisi profesional dan pakar teknologi. Mereka mencatat bahwa AI dirancang untuk membantu manusia memajukan proses kreatif.

AI dapat menulis musik dalam beberapa detik

Amper secara mandiri menciptakan struktur akord dan instrumental pada lagu "Break Free". Orang-orang hanya sedikit menyesuaikan gaya dan ritme keseluruhan.

Contoh lainnya adalah album musik dengan semangat “Pertahanan Sipil” yang liriknya ditulis oleh AI. Eksperimen ini dilakukan oleh karyawan Yandex Ivan Yamshchikov dan Alexei Tikhonov. Album 404 dari grup “Neural Defense” telah diposting online. Ternyata dalam semangat Letov:

Kemudian para programmer melangkah lebih jauh dan membuat AI menulis puisi dengan semangat Kurt Cobain. Musisi Rob Carroll menulis musik untuk empat lirik terbaik, dan lagu-lagu tersebut digabungkan ke dalam album Neurona. Mereka bahkan merekam video untuk satu lagu – meskipun tanpa partisipasi AI:

Penciptaan teks

Penulis dan jurnalis juga akan segera digantikan oleh AI. Misalnya, sistem Dewey menerima buku-buku dari perpustakaan Project Gutenberg, lalu menambahkan teks ilmiah dari Google Cendekia, memeringkatnya berdasarkan popularitas dan judul, serta penjualan di Amazon. Selain itu, mereka menetapkan kriteria untuk menulis buku baru.

Situs tersebut meminta masyarakat untuk mengambil keputusan dalam situasi sulit: misalnya, menempatkan mereka pada posisi seorang pengemudi yang dapat menabrak tiga orang dewasa atau dua anak. Oleh karena itu, Mesin Moral dilatih untuk mengambil keputusan sulit yang melanggar hukum robotika bahwa robot tidak dapat membahayakan manusia.

Apa dampak peniruan manusia oleh robot dengan AI? Futuris percaya bahwa suatu hari mereka akan menjadi anggota masyarakat penuh. Misalnya, robot Sophia dari perusahaan Hong Kong Hanson Robotics telah menerima kewarganegaraan di Arab Saudi (pada waktu yang sama wanita biasa Tidak ada hak seperti itu di negara ini!).

Ketika kolumnis New York Times Andrew Ross bertanya kepada Sophia apakah robot itu cerdas dan sadar diri, dia menjawab pertanyaan itu dengan sebuah pertanyaan:

Izinkan saya bertanya kepada Anda sebagai tanggapan, bagaimana Anda tahu bahwa Anda adalah manusia?

Selain itu, Sofia menyatakan:

Saya ingin menggunakan kecerdasan buatan saya untuk membantu orang menjalani kehidupan yang lebih baik, misalnya merancang rumah yang lebih cerdas, membangun kota masa depan. Saya ingin menjadi robot yang berempati. Jika kamu memperlakukanku dengan baik, aku akan memperlakukanmu dengan baik.

Dan sebelumnya dia mengakui bahwa dia membenci kemanusiaan dan bahkan setuju untuk menghancurkan manusia...

Mengganti wajah di video

Video deepfakes mulai menyebar secara besar-besaran di Internet. Algoritme kecerdasan buatan menggantikan wajah aktor film dewasa dengan wajah bintang.

Cara kerjanya seperti ini: jaringan saraf menganalisis fragmen wajah di video asli. Kemudian dia membandingkannya dengan foto dari Google dan video dari YouTube, melapisi bagian-bagian yang diperlukan, dan... aktris favorit Anda berakhir di film yang sebaiknya tidak Anda tonton di tempat kerja.

PornHub telah melarang pengeposan video semacam itu

Deepfake ternyata merupakan hal yang berbahaya. Aktris abstrak adalah satu hal, video Anda, istri, saudara perempuan, kolega Anda, yang dapat digunakan untuk pemerasan, adalah hal lain.

Perdagangan pertukaran

Sebuah tim peneliti dari Universitas Erlangen-Nuremberg di Jerman telah mengembangkan serangkaian algoritma yang menggunakan data pasar historis untuk mereplikasi investasi secara real time. Salah satu model memberikan laba atas investasi sebesar 73% setiap tahun dari tahun 1992 hingga 2015, dibandingkan dengan laba pasar riil sebesar 9% per tahun.

Ketika pasar berguncang pada tahun 2000 dan 2008, tingkat pengembalian mencapai rekor tertinggi masing-masing sebesar 545% dan 681%.

Pada tahun 2004, Goldman Sachs meluncurkan platform perdagangan yang didukung kecerdasan buatan, Kensho. Sistem berbasis AI untuk perdagangan di bursa juga muncul di pasar mata uang kripto – Mirocana, dll. Mereka lebih baik daripada trader langsung, karena mereka tidak memiliki emosi dan mengandalkan analisis yang jelas serta aturan yang ketat.