ამ სტატიაში მე გაგიზიარებთ ჩემს გამოცდილებას გენეტიკური ალგორითმის გამოყენებით უმარტივესი ხელოვნური ინტელექტის (AI) ზრდის შესახებ და ასევე ვისაუბრებ ბრძანებების მინიმალურ კომპლექტზე, რომელიც საჭიროა ნებისმიერი ქცევის გენერირებისთვის.

მუშაობის შედეგი იყო ის, რომ AI, წესების ცოდნის გარეშე, დამოუკიდებლად დაეუფლა თამაშს tic-tac-toe და აღმოაჩინა ბოტების სუსტი მხარეები, რომლებიც მის წინააღმდეგ თამაშობდნენ. მაგრამ დავიწყე კიდევ უფრო მარტივი დავალება.

ბრძანების ნაკრები

ეს ყველაფერი დაიწყო ბრძანებების ნაკრების მომზადებით, რაც AI-ს შეეძლო. მაღალი დონის ენები შეიცავს ასობით სხვადასხვა ოპერატორს. საჭირო მინიმუმის ხაზგასასმელად, გადავწყვიტე მივმართო ასამბლეის ენას. თუმცა, აღმოჩნდა, რომ ის ასევე შეიცავს ბევრ ბრძანებას.

მე მჭირდებოდა AI, რომ შემეძლო მონაცემების წაკითხვა და გამოტანა, მეხსიერებასთან მუშაობა, გამოთვლების და ლოგიკური ოპერაციების შესრულება, გადასვლების და მარყუჟების გაკეთება. მე წავაწყდი Brainfuck ენას, რომელიც შეიცავს მხოლოდ 8 ბრძანებას და შეუძლია შეასრულოს ნებისმიერი გამოთვლა (ანუ ტურინგი დასრულებულია). პრინციპში გენეტიკური პროგრამირებისთვის ვარგა, მაგრამ უფრო შორს წავედი.

დავინტერესდი: რა არის ბრძანებების მინიმალური რაოდენობა, რომელიც საჭიროა ნებისმიერი ალგორითმის განსახორციელებლად? როგორც იქნა, მხოლოდ ერთი იყო!

URISC პროცესორი შეიცავს მხოლოდ ერთ ინსტრუქციას: გამოკლეთ და გამოტოვეთ შემდეგი ინსტრუქცია, თუ სუბტრაჰენდი მეტი იყო მინუენდზე. ეს საკმარისია ნებისმიერი ალგორითმის შესაქმნელად.

ოლეგ მაზონკამ კიდევ უფრო შორს წავიდა, მან შეიმუშავა BitBitJump ბრძანება და დაამტკიცა, რომ ეს არის ტურინგი სრული. ინსტრუქცია შეიცავს სამ მისამართს, აკოპირებს ერთ ბიტს პირველიდან მეორე მეხსიერების მისამართამდე და გადასცემს კონტროლს მესამე მისამართზე.

ოლეგის იდეების სესხება, სამუშაოს გასამარტივებლად, შევიმუშავე SumIfJump ბრძანება. ბრძანება შეიცავს ოთხ ოპერანდს: A, B, C, D და აკეთებს შემდეგს: B მისამართის უჯრედს ამატებს მონაცემებს A მისამართის უჯრედიდან, თუ მნიშვნელობა აღემატება მითითებულ მნიშვნელობას*, მაშინ ის მიდის მისამართზე. C, წინააღმდეგ შემთხვევაში მიდის D მისამართით.

შენიშვნა

*ამ შემთხვევაში გამოიყენეს 128 – გენომის სიგრძის ნახევარი.

როდესაც ოპერანდი A წვდება მეხსიერების ადგილს N0, ხდება მონაცემთა შეყვანა, ხოლო როდესაც ოპერანდი A წვდება მეხსიერების ადგილს N1, გამომავალი ხდება.

ქვემოთ მოცემულია SumIfJump კოდი FreePascal-ში (დელფის უფასო ანალოგი).

პროცედურა RunProg(s: TData); var a, b, c, d: TData; start Inc(NStep); თუ NStep > MaxStep, მაშინ დაიწყეთ ProgResult:= "MaxStep"; გასვლა; დასასრული; a:= s; b:= s + 1; c:= s + 2; d:= s + 3; a:= Prog[a]; b:= Prog[b]; c:= Prog[c]; d:=პროგ[დ]; თუ a = 0, მაშინ დაიწყეთ ProgResult:= "შეყვანა"; გასვლა; დასასრული; თუ a = 1, დაიწყეთ ProgResult:= "გამომავალი"; გასვლა; დასასრული; Prog[b] := Prog[b] + Prog[a]; თუ პროგ[b]< ProgLength div 2 then RunProg(c) else RunProg(d); end;
SumIfJump ახორციელებს თვითშეცვლის კოდს. შეუძლია შეასრულოს ნებისმიერი ალგორითმი, რომელიც ხელმისაწვდომია ჩვეულებრივ პროგრამირების ენაზე. კოდი ადვილად იცვლება და უძლებს ნებისმიერ მანიპულაციას.

მარტივი დავალება

ასე რომ, ჩვენს AI-ს აქვს მხოლოდ ერთი ბრძანება. ჯერჯერობით, tic-tac-toe მისთვის ძალიან რთული თამაშია, ამიტომ დავიწყე უფრო მარტივი თამაშით.

ბოტი აწარმოებს შემთხვევით რიცხვს და AI-მ უნდა წაიკითხოს მონაცემები და გასცეს პასუხი. თუ რიცხვი საშუალოზე მეტია (შემთხვევითი რიცხვების დიაპაზონი), AI უნდა აწარმოოს საშუალოზე ნაკლები რიცხვი და პირიქით.

ჩვენი AI-ის გენომი შედგება 256 უჯრედისგან 0-დან 255-მდე მნიშვნელობებით. თითოეული მნიშვნელობა არის მეხსიერება, კოდი და მისამართი. კოდის შესრულების ნაბიჯების რაოდენობა შეზღუდულია 256-ით. ოპერანდები იკითხება ერთმანეთის მიყოლებით.

თავდაპირველად, გენომი წარმოიქმნება შემთხვევითი რიცხვების ნაკრებით, ასე რომ, AI-მ არ იცის რა უნდა ითამაშოს. უფრო მეტიც, მან არ იცის, რომ ბოტზე რეაგირების დროს მას სჭირდება მონაცემების თანმიმდევრულად შეყვანა და გამოტანა.

მოსახლეობა და შერჩევა

პირველი პოპულაცია შედგება 256 AI-ისგან, რომლებიც იწყებენ თამაშს ბოტთან. თუ ხელოვნური ინტელექტი ასრულებს სწორ მოქმედებებს, მაგალითად, ითხოვს მონაცემებს შეყვანისთვის და შემდეგ რაღაცის გამოტანაში, მაშინ AI იღებს ქულებს. რაც უფრო სწორია ქმედებები, მით მეტი ქულა.

16 AI, რომლებიც ყველაზე მეტ ქულას იღებენ, თითო 15 შთამომავლობას აგრძელებენ და აგრძელებენ თამაშში მონაწილეობას. შთამომავალი მუტანტია. მუტაცია ხდება მშობლის ასლში ერთი შემთხვევითი უჯრედის შემთხვევითი მნიშვნელობით ჩანაცვლებით.

თუ პირველ პოპულაციაში ვერცერთი ხელოვნური ინტელექტი არ დააგროვებს ქულებს, იქმნება შემდეგი პოპულაცია. და ასე შემდეგ, სანამ ერთ-ერთი AI არ დაიწყებს სწორი მოქმედებების შესრულებას და "სწორ" შთამომავლობას.

ევოლუცია

მნიშვნელოვან მოვლენებს შორის მოხდა ათასობით თაობათა ცვლილება. პროგრამა გაშვებული იყო მრავალ თემად Core i7-ზე. გამოთვლებს დაახლოებით 15 წუთი დასჭირდა.

1. როდესაც ხელოვნური ინტელექტის ლიდერმა დაუშვა შემთხვევითი შეცდომა და არ დააგროვა საკმარისი ქულა, მოსახლეობამ დაიწყო დეგრადაცია, რადგან შთამომავლობა ჩამოყალიბდა "მეორადი" მშობლებისგან.
2. მოხდა ისე, რომ აუტსაიდერებთან ნაკადში, რომლებიც დროს აჩვენებდნენ, წარმატებული მუტაცია მოხდა, რაც მოპოვებული ქულების ფეთქებად ზრდას უზრუნველყოფდა. რის შემდეგაც ეს ნაკადი გახდა ლიდერი.
3. ზოგჯერ წარმატებული მუტაციები დიდი ხნის განმავლობაში არ ხდებოდა და 500 ათასი თაობაც კი არ იყო საკმარისი შერჩევის დასასრულებლად.

დასკვნა

საბოლოოდ, იგივე გავაკეთე ტიკ-ტაკ-ტოს თამაშთან დაკავშირებით. გამოყენებული გენომის ზომა იგივე იყო, რაც პირველ შემთხვევაში. საფეხურების რაოდენობა გაიზარდა 1024-მდე და მოსახლეობის რაოდენობა 64-მდე (უფრო სწრაფი გაანგარიშებისთვის). გამოთვლას ცოტა მეტი დრო დასჭირდა. ყველაფერი დაახლოებით იგივე სცენარით მოხდა.

თავდაპირველად, AI თამაშობდა "რანდომიზატორის" წინააღმდეგ. ასე ვუწოდე ბოტს, რომელიც შემთხვევით დადის. საკმაოდ სწრაფად, AI-მ დაიწყო მისი ცემა, გარკვეული ხაზის შევსება. შემდეგ დავალება გავართულე რანდომიზატორისთვის ცოტა ინტელექტის დამატების გზით: დაიკავეთ ხაზი, თუ ეს შესაძლებელია, ან დაიცავით. თუმცა, ამ შემთხვევაში, AI-მ აღმოაჩინა ბოტის სისუსტეები და დაიწყო მისი დამარცხება. ალბათ ამის შესახებ ამბავი ცალკე სტატიის თემაა.

ჩემმა შვილმა მთხოვა, დამეწერა პროგრამა, რომ AI-ები ერთმანეთს ეთამაშათ და არა ბოტით. იყო იდეები, რომ იგივე გამეკეთებინა ქვების თამაშში ან Go, თუმცა, ამისთვის საკმარისი დრო აღარ მქონდა.

ერთადერთი მეთოდი, რომელიც გამოვიყენე ახალი ინდივიდების მოსაპოვებლად, არის მუტაცია. ასევე შეგიძლიათ გამოიყენოთ კროსოვერი და ინვერსია. შესაძლოა, ეს მეთოდები დააჩქარებს საჭირო შედეგის მიღებას.

საბოლოოდ, დაიბადა იდეა: მიეცეს AI-ს უნარი, მართოს ყველა პროცესი კომპიუტერზე და კონკურენცია გაუწიოს კომპიუტერულ რესურსებს. შეაერთეთ თქვენი კომპიუტერი ინტერნეტთან და გამოიყენეთ ძველი ბიტკოინის ფერმების აუზი, როგორც გამოთვლითი ძალა...

როგორც ბლოგერმა მსგავსი ექსპერიმენტის ჩატარებისას განაცხადა

Ხელოვნური ინტელექტი: ცივი, უგრძნობი და არამატერიალური. მაგრამ სწორედ ეს არის მეცნიერების ეს სფერო, რომელიც შესაძლებელს გახდის გადადგას დიდი და მნიშვნელოვანი ნაბიჯი პროცესების ავტომატიზაციისკენ და, შესაბამისად, რუტინული ტვირთის ნაწილის მოხსნას ღირებული სპეციალისტებისგან. ახლა კი, მისი განვითარების გარიჟრაჟზე, მხოლოდ ჩვენ ვწყვეტთ რა იქნება ხელოვნური ინტელექტიორიოდე ათწლეულის შემდეგ ასწავლის მას.

შევეცადოთ გავარკვიოთ რა არსებობს ხელოვნური ინტელექტის მანქანათმცოდნეობის მეთოდები და ალგორითმები.

ტრადიციულად, ბევრი კამათი ჩნდება ახლისა და უცნობის გარშემო. და მიუხედავად იმისა, რომ უკვე ბევრი დაიწერა ხელოვნური ინტელექტის შესახებ, ხალხისთვის ეს ბოლომდე არ არის გასაგები. სწორედ აქ ჩნდება პრეტენზიები: „ასობით სამუშაოს წაართმევს ხალხს!“, „აჯანყდება ხალხის წინააღმდეგ!“, „დიახ, ჩვენ საკუთარ საფლავს ვთხრით!“, „ადრე თუ გვიან აღარ ვიქნებით“. შეუძლია მისი კონტროლი!” და ასე შემდეგ. ბევრს წარმოუდგენია AI, როგორც სუპერინტელექტი, რომელიც, რადგან ის ეწინააღმდეგება საკუთარ ახსნას, რა თქმა უნდა, საფრთხეს უქმნის მათ. და რა თქმა უნდა, არავის სურს გაიგოს, რომ ახლა, პირის მიერ დადგენილ პროგრამის საზღვრებს გასცდა, ამ მომენტში ეს ტექნიკურად შეუძლებელია.

მაგრამ რისი სწავლება მაინც შესაძლებელია და როგორ ხდება ეს?

ხელოვნური ინტელექტის მანქანური სწავლის მეთოდები:

1. ინდუქციური სწავლა

ემპირიული მონაცემების მოპოვება, შაბლონების იდენტიფიცირება, მოქმედების ალგორითმების იდენტიფიცირება თითოეულ მსგავს სიტუაციაში;

1. დედუქციური სწავლება

პირის მიერ სხვადასხვა გზით მოპოვებული მონაცემების ფორმალიზაცია და უშუალოდ მონაცემთა ბაზაში შეტანა;

გადაწყვეტილების მიღების ძირითადი ალგორითმები ხელოვნური ინტელექტისთვის:

Naive Bayes კლასიფიკატორი

კლასიფიკაციის ერთ-ერთი უმარტივესი მეთოდი.

ეს მეთოდი გამოიყენება სკანირებისა და სახის/ბადურის/თითის ანაბეჭდის ამოცნობის ტექნოლოგიაში, ახალი ამბების შიგთავსის თემების მიხედვით დაყოფისას, ასევე თქვენი ელფოსტის ასოების კატეგორიებად დაყოფისას (კონკრეტულად, სპამის დეპარტამენტი);

ანსამბლის მეთოდს უხეშად შეიძლება ეწოდოს ზემოთ აღწერილი გულუბრყვილო ბაიეს კლასიფიკატორის წარმოებული, რადგან ის ეფუძნება ბაიესის საშუალო შეფასებას. სხვა სიტყვებით რომ ვთქვათ, ეს მეთოდი განსაზღვრავს შედეგის ალბათობების კვეთას, აფასებს ამ მნიშვნელობას, გამორიცხავს მნიშვნელობების დისპერსიას და ამავდროულად აკონტროლებს პრობლემის გადაწყვეტის ძიებას მოცემულ პირობებში.

სწორედ ანსამბლის მეთოდს შეუძლია შესაძლებელი გახადოს პრობლემის ძალიან ოპტიმალური გადაწყვეტა, რომელშიც ნაკლები რესურსი დაიხარჯება და შედეგი მაქსიმალურად დააკმაყოფილებს პრობლემის პირობებს.

თავად მეთოდის არსში და ახსნის გარეშე, თუ როგორ უნდა ავაშენოთ ჰიპერპლანი და ვიმუშაოთ მასთან, SVM შეიძლება შეფასდეს, როგორც კლასიფიკაციისა და რეგრესიული ანალიზის ალგორითმები.

მსგავსი ტექნოლოგია გამოიყენება ობიექტის გარკვეული თვისებების ამოცნობაში ფოტოსურათიდან (თმის ფერი, სქესი, ტანსაცმლის ფერი), ასევე გენეტიკაში - დნმ-ის შეჯვარებაში (სპეციფიკური ნუკლეოტიდური თანმიმდევრობების გამოყოფა რნმ-დან და მათი კავშირი რნმ-ის დამუშავებისას).

გადაწყვეტილების ხე

გადაწყვეტილების მიღების მეთოდი (მოდელი), რომელსაც ყოველდღიურად იყენებს თითოეული ჩვენგანი. ამიტომ ის უკვე მემად იქცა

ხუმრობების გარდა, ასეთი მოდელი ჩვეულებრივ შეიცავს ელემენტებს, როგორიცაა: პრობლემა, გადაწყვეტის მეთოდები, თითოეული მეთოდის შედეგები, შედეგების ალბათობა, რესურსების ხარჯები და საბოლოო შედეგი. უმარტივესი ტექნოლოგიების უმეტესობა ხელოვნური ინტელექტის გამოყენებით მუშაობს ამ მოდელის საფუძველზე.

ლოგიკური რეგრესია

მეთოდი, რომელსაც შეუძლია მოგვაახლოოს ძლიერი ხელოვნური ინტელექტი, რომელსაც შეუძლია დამოუკიდებლად მიიღოს გადაწყვეტილებები ზოგიერთ სიტუაციაში. ლოგიკური რეგრესია არის მოვლენის მოვლენის პროგნოზირების მეთოდი რამდენიმე ცვლადის გათვალისწინებით.

მსგავსი ალგორითმი გამოიყენება მეტეოროლოგიასა და სეისმოლოგიაში, დაკრედიტების, მარკეტინგისა და სხვა სფეროებში.

მსურს ცალკე გამოვყო ეს მეთოდი, რადგან არსებითად ეს არ არის თავად პრობლემის გადაჭრის გზა, არამედ თითოეული გადაწყვეტის შეცდომების დასადგენად.

ზემოთ აღწერილი ალგორითმები გამოიყენება ზედამხედველობის ქვეშ მყოფი სწავლის მეთოდისთვის, ანუ ის, რომელშიც კონკრეტული იარლიყი (თვისება) შეიძლება მიენიჭოს მონაცემთა კონკრეტულ კომპლექტს, მაგრამ თუ ეს ეტიკეტი არ არის ხელმისაწვდომი, მისი მინიჭება უნდა იყოს პროგნოზირებული სხვა მსგავს სიტუაციებში. .

ჩვენ მოვაგვარეთ ხელოვნური ინტელექტის მანქანური სწავლების ძირითადი ალგორითმებიყველაზე ხშირად გამოიყენება პრაქტიკაში. გასათვალისწინებელია, რომ ხელოვნური ინტელექტის გამოყენება ყოველდღიურ ცხოვრებაში და ყოველდღიური პრობლემების გადაჭრაში, რომელშიც ყველაზე ხშირად პრობლემის გადაწყვეტა აბსოლუტურად ნათელია და საჭიროა მხოლოდ ამ პროცესის ავტომატიზაცია, შეიძლება მოიცავდეს მსგავსი ალგორითმების გამოყენებას. პრობლემა, რომლის გადაწყვეტა უნდა იყოს ინოვაციური განვითარება, ან გადაწყვეტა დამოკიდებული იქნება ცვლადების დიდ რაოდენობაზე (ანუ, ძირითადად, ზუსტი მეცნიერებების სხვადასხვა სფეროზე), მოითხოვს გადაწყვეტის უფრო რთულ ალგორითმებს, რომელთა შესახებაც შეგიძლიათ გაიგოთ, თუ მიჰყევით ჩვენს სიახლეებს.

ხელოვნური ინტელექტი (AI)(ინგლისური) Ხელოვნური ინტელექტი, AI)არის ინტელექტუალური მანქანებისა და სისტემების, განსაკუთრებით ინტელექტუალური კომპიუტერული პროგრამების მეცნიერება და განვითარება, რომელიც მიზნად ისახავს ადამიანის ინტელექტის გაგებას. თუმცა, გამოყენებული მეთოდები სულაც არ არის ბიოლოგიურად დამაჯერებელი. მაგრამ პრობლემა ის არის, რომ უცნობია, რომელი გამოთვლითი პროცედურები გვინდა ვუწოდოთ ინტელექტუალური. და რადგან ჩვენ გვესმის ინტელექტის მხოლოდ ზოგიერთი მექანიზმი, მაშინ ამ მეცნიერების ფარგლებში ინტელექტის მიხედვით ჩვენ გვესმის მსოფლიოში მიზნების მიღწევის უნარის მხოლოდ გამოთვლითი ნაწილი.

Განსხვავებული სახეობებიდა ინტელექტის ხარისხი არსებობს ბევრ ადამიანში, ცხოველსა და ზოგიერთ მანქანაში, ინტელექტუალური საინფორმაციო სისტემები და საექსპერტო სისტემების სხვადასხვა მოდელები სხვადასხვა ცოდნის ბაზებით. ამავდროულად, როგორც ვხედავთ, ინტელექტის ეს განმარტება არ არის დაკავშირებული ადამიანის ინტელექტის გაგებასთან – ეს სხვადასხვა რამეა. უფრო მეტიც, ეს მეცნიერება ახდენს ადამიანის ინტელექტის მოდელირებას, რადგან, ერთის მხრივ, შეიძლება ვისწავლოთ რამე იმის შესახებ, თუ როგორ უნდა აიძულოთ მანქანებმა პრობლემების გადაჭრა სხვა ადამიანებზე დაკვირვებით, ხოლო მეორეს მხრივ, ხელოვნური ინტელექტის სფეროში მუშაობის უმეტესობა სწავლობს პრობლემებს, რომელთა გადაჭრაც კაცობრიობას სჭირდება. ინდუსტრიული და ტექნოლოგიური გაგებით. ამიტომ, ხელოვნური ინტელექტის მკვლევარებს თავისუფლად შეუძლიათ გამოიყენონ ტექნიკა, რომელიც არ შეინიშნება ადამიანებში, საჭიროების შემთხვევაში კონკრეტული პრობლემების გადასაჭრელად.

სწორედ ამ გაგებით შემოიღო ეს ტერმინი ჯ. მაკკარტიმ 1956 წელს დარტმუთის უნივერსიტეტში გამართულ კონფერენციაზე და ამ დრომდე, მიუხედავად მათი კრიტიკისა, ვინც თვლის, რომ ინტელექტი მხოლოდ ბიოლოგიური ფენომენია, სამეცნიერო საზოგადოებაში ამ ტერმინმა შეინარჩუნა თავისი ორიგინალური მნიშვნელობა, მიუხედავად აშკარა წინააღმდეგობებისა ადამიანის ინტელექტის თვალსაზრისით.

ფილოსოფიაში ადამიანის ინტელექტის ბუნებისა და სტატუსის საკითხი გადაწყვეტილი არ არის. ასევე არ არსებობს ზუსტი კრიტერიუმი, რომ კომპიუტერებმა მიაღწიონ „ინტელექტს“, თუმცა ხელოვნური ინტელექტის გარიჟრაჟზე იყო შემოთავაზებული რამდენიმე ჰიპოთეზა, მაგალითად, ტურინგის ტესტი ან ნიუელ-საიმონის ჰიპოთეზა. ამიტომ, AI პრობლემების გაგების და ინტელექტუალური საინფორმაციო სისტემების შექმნის მრავალი მიდგომის მიუხედავად, ხელოვნური ინტელექტის განვითარების ორი ძირითადი მიდგომა შეიძლება გამოიყოს:

· დაღმავალი (ინგლისური) ზემოდან ქვემოთ AI), სემიოტიკური - საექსპერტო სისტემების, ცოდნის ბაზებისა და ლოგიკური დასკვნის სისტემების შექმნა, რომლებიც ახდენენ მაღალი დონის გონებრივი პროცესების სიმულაციას: აზროვნებას, მსჯელობას, მეტყველებას, ემოციებს, კრეატიულობას და ა.შ.;

· აღმავალი Bottom-Up AI), ბიოლოგიური - ნერვული ქსელების და ევოლუციური გამოთვლების შესწავლა, რომელიც აყალიბებს ინტელექტუალურ ქცევას უფრო მცირე „არაინტელექტუალურ“ ელემენტებზე დაყრდნობით.

ეს უკანასკნელი მიდგომა, მკაცრად რომ ვთქვათ, არ ეხება ხელოვნური ინტელექტის მეცნიერებას J. McCarthy-ის მიერ მოცემული გაგებით, მათ აერთიანებს მხოლოდ საერთო საბოლოო მიზანი.

ხელოვნური ინტელექტის, როგორც ახალი სამეცნიერო მიმართულების ისტორია მე-20 საუკუნის შუა ხანებიდან იწყება. ამ დროისთვის მისი წარმოშობის მრავალი წინაპირობა უკვე ჩამოყალიბებული იყო: ფილოსოფოსებს შორის დიდი ხანია იყო დებატები ადამიანის ბუნებისა და სამყაროს გაგების პროცესის შესახებ, ნეიროფიზიოლოგებმა და ფსიქოლოგებმა შეიმუშავეს მრავალი თეორია ადამიანის ტვინის მუშაობასთან დაკავშირებით. და აზროვნება, ეკონომისტები და მათემატიკოსები სვამდნენ კითხვებს ოპტიმალური გამოთვლებისა და სამყაროს შესახებ ცოდნის ფორმალიზებული ფორმით წარმოჩენის შესახებ; საბოლოოდ დაიბადა გამოთვლების მათემატიკური თეორიის – ალგორითმების თეორიის საფუძველი და შეიქმნა პირველი კომპიუტერები.

ახალი მანქანების შესაძლებლობები გამოთვლითი სიჩქარის თვალსაზრისით უფრო დიდი აღმოჩნდა, ვიდრე ადამიანური, ამიტომ სამეცნიერო საზოგადოებამ დაისვა კითხვა: რა არის კომპიუტერის შესაძლებლობების საზღვრები და მიაღწევენ თუ არა მანქანები ადამიანის განვითარების დონეს? 1950 წელს გამოთვლების დარგის ერთ-ერთი პიონერი, ინგლისელი მეცნიერი ალან ტურინგი, სტატიაში „შეიძლება თუ არა მანქანას აზროვნება?“ პასუხობს მსგავს კითხვებზე და აღწერს პროცედურას, რომლითაც შესაძლებელი იქნება მომენტის დადგენა. მანქანა თანაბარი ხდება ადამიანთან ინტელექტის თვალსაზრისით, რომელსაც ეწოდება ტურინგის ტესტი.

ტურინგის ტესტი არის ემპირიული ტესტი, რომელიც შემოთავაზებულია ალან ტურინგის მიერ 1950 წელს თავის ნაშრომში "გამოთვლითი მანქანები და გონება" ფილოსოფიის ჟურნალში. გონება" ამ ტესტის მიზანია ადამიანთან ახლოს ხელოვნური აზროვნების შესაძლებლობის დადგენა. ამ ტესტის სტანდარტული ინტერპრეტაცია ასეთია: „ადამიანი ურთიერთობს ერთ კომპიუტერთან და ერთ ადამიანთან. კითხვებზე პასუხების საფუძველზე მან უნდა დაადგინოს, ვის ესაუბრება: პიროვნებას თუ კომპიუტერულ პროგრამას. კომპიუტერული პროგრამის მიზანია შეცდომაში შეიყვანოს ადამიანი არასწორი არჩევანის გაკეთებაში“. ტესტის ყველა მონაწილე ვერ ხედავს ერთმანეთს.

ხელოვნური ინტელექტის განსაზღვრის სამი მიდგომა არსებობს:

1) ლოგიკური მიდგომახელოვნური ინტელექტის სისტემების შექმნისკენ მიმართულია საექსპერტო სისტემების შექმნაზე ცოდნის ბაზების ლოგიკური მოდელებით პრედიკატების ენის გამოყენებით. ენისა და ლოგიკური პროგრამირების სისტემა Prolog იქნა მიღებული, როგორც საგანმანათლებლო მოდელი ხელოვნური ინტელექტის სისტემებისთვის 80-იან წლებში. პროლოგის ენაზე დაწერილი ცოდნის საფუძვლები წარმოადგენს ლოგიკურ ენაზე დაწერილ ფაქტებსა და ლოგიკური დასკვნის წესებს. ცოდნის ბაზების ლოგიკური მოდელი საშუალებას გაძლევთ ჩაწეროთ არა მხოლოდ კონკრეტული ინფორმაცია და მონაცემები ფაქტების სახით Prolog ენაზე, არამედ განზოგადებული ინფორმაცია ლოგიკური დასკვნის წესებისა და პროცედურების გამოყენებით, მათ შორის ლოგიკური წესები ცნებების განსაზღვრისთვის, რომლებიც გამოხატავს გარკვეულ ცოდნას, როგორც სპეციფიკურს. და განზოგადებული ინფორმაცია. ზოგადად, კომპიუტერულ მეცნიერებაში ხელოვნური ინტელექტის პრობლემების კვლევა ცოდნის ბაზებისა და საექსპერტო სისტემების დიზაინის ლოგიკური მიდგომის ფარგლებში მიზნად ისახავს ინტელექტუალური საინფორმაციო სისტემების შექმნას, განვითარებას და ფუნქციონირებას, მათ შორის სტუდენტების სწავლებისა და სწავლების საკითხებს. სკოლის მოსწავლეებს, ისევე როგორც ასეთი ინტელექტუალური საინფორმაციო სისტემების მომხმარებელთა და შემქმნელთა ტრენინგს.

2) აგენტზე დაფუძნებული მიდგომა 1990-იანი წლების დასაწყისიდან ვითარდება. ამ მიდგომის მიხედვით, ინტელექტი არის ინტელექტუალური მანქანისთვის დასახული მიზნების მიღწევის უნარის გამოთვლითი ნაწილი (დაგეგმვა). ასეთი მანქანა თავად იქნება ინტელექტუალური აგენტი, რომელიც აღიქვამს მის გარშემო არსებულ სამყაროს სენსორების გამოყენებით და შეუძლია გავლენა მოახდინოს გარემოში არსებულ ობიექტებზე აქტივატორების გამოყენებით. ეს მიდგომა ფოკუსირებულია იმ მეთოდებსა და ალგორითმებზე, რომლებიც დაეხმარება ინტელექტუალურ აგენტს გადარჩეს გარემოში მისი ამოცანის შესრულებისას. ამრიგად, ძიების და გადაწყვეტილების მიღების ალგორითმები აქ ბევრად უფრო მკაცრად არის შესწავლილი.

3) ინტუიციური მიდგომავარაუდობს, რომ AI შეძლებს გამოავლინოს ქცევა, რომელიც არ განსხვავდება ადამიანებისგან და ნორმალურ სიტუაციებში. ეს იდეა არის ტურინგის ტესტის მიდგომის განზოგადება, რომელიც ამბობს, რომ მანქანა გახდება ინტელექტუალური, როდესაც მას შეუძლია განაგრძოს საუბარი ჩვეულებრივ ადამიანთან და ის ვერ მიხვდება, რომ ის ესაუბრება მანქანას ( საუბარი მიმდინარეობს მიმოწერით).

განმარტებამ აირჩია AI-ის სფეროში კვლევის შემდეგი სფეროები:

- აზროვნების პროცესების სიმბოლური მოდელირება.

ხელოვნური ინტელექტის ისტორიის გაანალიზებით, შეგვიძლია გამოვყოთ ისეთი ფართო სფერო, როგორიცაა მსჯელობის მოდელირება. მრავალი წლის განმავლობაში, ხელოვნური ინტელექტის, როგორც მეცნიერების განვითარება სწორედ ამ გზაზე მოძრაობდა და ახლა ის თანამედროვე ხელოვნური ინტელექტის ერთ-ერთი ყველაზე განვითარებული სფეროა. მსჯელობის მოდელირება გულისხმობს სიმბოლური სისტემების შექმნას, რომელთა შეყვანაც გარკვეული პრობლემაა, გამომავალი კი მის გადაწყვეტას მოითხოვს. როგორც წესი, შემოთავაზებული პრობლემა უკვე ფორმალიზებულია, ანუ გადათარგმნილია მათემატიკური ფორმით, მაგრამ ან არ გააჩნია ამოხსნის ალგორითმი, ან არის ძალიან რთული, შრომატევადი და ა.შ. ეს სფერო მოიცავს: თეორემების მტკიცებულებას, გადაწყვეტილებას. დამზადება და თამაშის თეორია, დაგეგმვა და დისპეტჩერიზაცია, პროგნოზირება.

- ბუნებრივ ენებთან მუშაობა.

მნიშვნელოვანი სფეროა ბუნებრივი ენის დამუშავება, რომელიც გულისხმობს ტექსტების გაგების, დამუშავებისა და გენერირების შესაძლებლობების ანალიზს „ადამიანურ“ ენაზე. კერძოდ, ტექსტების ერთი ენიდან მეორეზე მანქანური თარგმნის პრობლემა ჯერ კიდევ არ არის მოგვარებული. IN თანამედროვე სამყარომნიშვნელოვან როლს ასრულებს ინფორმაციის მოპოვების მეთოდების შემუშავება. თავისი ბუნებით, ორიგინალური ტურინგის ტესტი დაკავშირებულია ამ მიმართულებასთან.

- ცოდნის დაგროვება და გამოყენება.

მრავალი მეცნიერის აზრით, ინტელექტის მნიშვნელოვანი თვისებაა სწავლის უნარი. ამრიგად, წინა პლანზე გამოდის ცოდნის ინჟინერია, რომელიც აერთიანებს მარტივი ინფორმაციისგან ცოდნის მოპოვების ამოცანებს, მის სისტემატიზაციას და გამოყენებას. ამ სფეროში მიღწევები გავლენას ახდენს AI კვლევის თითქმის ყველა სხვა სფეროზე. აქაც არ შეიძლება გამოგვრჩეს ორი მნიშვნელოვანი ქვეზონა. პირველი მათგანი - მანქანათმცოდნეობა - ეხება ინტელექტუალური სისტემის მიერ ცოდნის დამოუკიდებელი შეძენის პროცესს მისი მუშაობის პროცესში. მეორე ასოცირდება საექსპერტო სისტემების შექმნასთან - პროგრამები, რომლებიც იყენებენ სპეციალიზებულ ცოდნის ბაზებს ნებისმიერი პრობლემის შესახებ სანდო დასკვნების მისაღებად.

მანქანათმცოდნეობის სფერო მოიცავს ნიმუშის ამოცნობის პრობლემების დიდ კლასს. მაგალითად, ეს არის პერსონაჟების ამოცნობა, ხელნაწერი ტექსტი, მეტყველება, ტექსტის ანალიზი. ბევრი პრობლემა წარმატებით წყდება ბიოლოგიური მოდელირების გამოყენებით. ბიოლოგიური მოდელირება

დიდი და საინტერესო მიღწევებია ბიოლოგიური სისტემების მოდელირების სფეროში. მკაცრად რომ ვთქვათ, ეს შეიძლება შეიცავდეს რამდენიმე დამოუკიდებელ მიმართულებას. ნერვული ქსელები გამოიყენება ბუნდოვანი და რთული პრობლემების გადასაჭრელად, როგორიცაა გეომეტრიული ფორმის ამოცნობა ან ობიექტების კლასტერირება. გენეტიკური მიდგომა ემყარება იმ აზრს, რომ ალგორითმი შეიძლება გახდეს უფრო ეფექტური, თუ ის ისესხებს უკეთეს მახასიათებლებს სხვა ალგორითმებისგან („მშობლები“). შედარებით ახალ მიდგომას, სადაც ამოცანაა ავტონომიური პროგრამის შექმნა - აგენტი, რომელიც ურთიერთქმედებს გარე გარემოსთან, ეწოდება აგენტური მიდგომა. განსაკუთრებით აღსანიშნავია კომპიუტერული ხედვა, რომელიც ასევე ასოცირდება რობოტიკასთან.

- რობოტიკა.

ზოგადად, რობოტიკა და ხელოვნური ინტელექტი ხშირად ასოცირდება ერთმანეთთან. ამ ორი მეცნიერების ინტეგრაცია, ინტელექტუალური რობოტების შექმნა, შეიძლება ჩაითვალოს ხელოვნური ინტელექტის კიდევ ერთ სფეროდ.

- მანქანათმცოდნეობა.

ადამიანის შემოქმედების ბუნება კიდევ უფრო ნაკლებად არის შესწავლილი, ვიდრე ინტელექტის ბუნება. მიუხედავად ამისა, ეს სფერო არსებობს და აქ დასმულია მუსიკის, ლიტერატურული ნაწარმოებების (ხშირად პოეზიის ან ზღაპრების) და მხატვრული შემოქმედების პრობლემები კომპიუტერულ წერაში. რეალისტური სურათების შექმნა ფართოდ გამოიყენება კინოსა და სათამაშო ინდუსტრიაში. ამ ფუნქციის დამატება ნებისმიერ ინტელექტუალურ სისტემაში საშუალებას გაძლევთ ძალიან ნათლად აჩვენოთ რას აღიქვამს სისტემა და როგორ ესმის იგი. გამოტოვებული ინფორმაციის ნაცვლად ხმაურის დამატებით ან სისტემაში არსებული ცოდნით ხმაურის გაფილტვრით, ის აბსტრაქტული ცოდნიდან აწარმოებს კონკრეტულ სურათებს, რომლებიც ადვილად აღიქვამს ადამიანს, ეს განსაკუთრებით სასარგებლოა ინტუიციური და დაბალი ღირებულების ცოდნისთვის, რომლის გადამოწმება ფორმალური ფორმა მოითხოვს მნიშვნელოვან გონებრივ ძალისხმევას.

- კვლევის სხვა სფეროები.

ხელოვნური ინტელექტის მრავალი აპლიკაცია არსებობს, რომელთაგან თითოეული თითქმის დამოუკიდებელ მიმართულებას ქმნის. მაგალითები მოიცავს პროგრამირების ინტელექტს კომპიუტერული თამაშები, არაწრფივი კონტროლი, ინტელექტუალური ინფორმაციული უსაფრთხოების სისტემები.

ინტელექტუალური სისტემების შექმნის მიდგომები.სიმბოლური მიდგომა საშუალებას გაძლევთ იმოქმედოთ სუსტად ფორმალიზებული წარმოდგენებით და მათი მნიშვნელობებით. ეფექტურობა და საერთო ეფექტურობა დამოკიდებულია მხოლოდ არსებითი ინფორმაციის ხაზგასმის უნარზე. ადამიანის გონების მიერ ეფექტურად გადაწყვეტილი პრობლემების კლასების სიგანი მოითხოვს წარმოუდგენელ მოქნილობას აბსტრაქციის მეთოდებში. მიუწვდომელია ნებისმიერი საინჟინრო მიდგომით, რომელსაც მკვლევარი თავდაპირველად ირჩევს მიზანმიმართულად ხარვეზიანი კრიტერიუმის საფუძველზე, მისი უნარის სწრაფად უზრუნველყოფის ეფექტური გადაწყვეტის ზოგიერთი პრობლემის, რომელიც ყველაზე ახლოს არის ამ მკვლევართან. ანუ წესების სახით უკვე დანერგილი აბსტრაქციისა და აგებულების ერთიანი მოდელისთვის. ეს იწვევს რესურსების მნიშვნელოვან ხარჯვას არა-ძირითადი ამოცანებისთვის, ანუ სისტემა უბრუნდება დაზვერვიდან უხეში ძალისკენ უმეტეს ამოცანებს და დაზვერვის არსი ქრება პროექტიდან.

სიმბოლური ლოგიკის გარეშე განსაკუთრებით რთულია, როდესაც ამოცანაა წესების შემუშავება, რადგან მათი კომპონენტები, რომლებიც არ არიან ცოდნის სრულფასოვანი ერთეულები, არ არის ლოგიკური. კვლევების უმეტესობა ჩერდება წინა ეტაპებზე არჩეული სიმბოლური სისტემების გამოყენებით წარმოქმნილი ახალი სირთულეების გამოვლენის შეუძლებლობაზე. უფრო მეტიც, გადაჭრით ისინი და განსაკუთრებით ავარჯიშეთ კომპიუტერი მათ გადასაჭრელად, ან თუნდაც იდენტიფიცირება და გამოსვლა ასეთი სიტუაციებიდან.

ისტორიულად, სიმბოლური მიდგომა პირველი იყო ციფრული მანქანების ეპოქაში, რადგან სწორედ Lisp-ის, პირველი სიმბოლური გამოთვლითი ენის შექმნის შემდეგ, მისი ავტორი დარწმუნებული გახდა დაზვერვის ამ საშუალებების პრაქტიკულად დაწყების შესაძლებლობაში. დაზვერვა, როგორც ასეთი, ყოველგვარი დათქმებისა და კონვენციების გარეშე.

ფართოდ გამოიყენება ჰიბრიდული ინტელექტუალური სისტემების შექმნა, რომლებშიც ერთდროულად გამოიყენება რამდენიმე მოდელი. ექსპერტთა დასკვნის წესები შეიძლება გენერირებული იყოს ნერვული ქსელებით, ხოლო გენერაციული წესები მიიღება სტატისტიკური სწავლის გამოყენებით.

ბუნდოვანი სიმრავლეების თეორიის შემუშავება.ბუნდოვანი სიმრავლეების თეორიის შემუშავება დაიწყო სტატიით "Fuzzy Sets", რომელიც გამოქვეყნდა ამერიკელი პროფესორის Lotfi Zadeh-ის მიერ, რომელმაც პირველად შემოიტანა ბუნდოვანი სიმრავლის კონცეფცია, შემოგვთავაზა თეორიის იდეა და პირველი კონცეფცია, რამაც შესაძლებელი გახადა ბუნდოვანი. აღწერეთ რეალური სისტემები. ბუნდოვანი სიმრავლეების თეორიის ყველაზე მნიშვნელოვანი მიმართულებაა ბუნდოვანი ლოგიკა, რომელიც გამოიყენება სისტემების კონტროლისთვის, ასევე მათი მოდელების ფორმირების ექსპერიმენტებში.

60-იან წლებში დაიწყო კომპიუტერებისა და ციფრული ტექნოლოგიების სწრაფი განვითარების პერიოდი, რომელიც ეფუძნება ბინარულ ლოგიკას. იმ დროს ითვლებოდა, რომ ამ ლოგიკის გამოყენება მრავალი სამეცნიერო და ტექნიკური პრობლემის გადაჭრის საშუალებას იძლევა. ამ მიზეზით, ბუნდოვანი ლოგიკის გაჩენა თითქმის შეუმჩნეველი დარჩა, მიუხედავად მისი კონცეპტუალური რევოლუციური ხასიათისა. თუმცა, საეჭვო ლოგიკის მნიშვნელობა აღიარებულია სამეცნიერო საზოგადოების არაერთმა წარმომადგენელმა და განვითარდა, ისევე როგორც პრაქტიკული განხორციელება სხვადასხვა ინდუსტრიულ პროგრამებში. გარკვეული პერიოდის შემდეგ, მის მიმართ ინტერესი გაიზარდა სამეცნიერო სკოლების მხრიდან, რომლებიც აერთიანებდნენ ორობითი ლოგიკის საფუძველზე ტექნოლოგიების მიმდევრებს. ეს მოხდა იმის გამო, რომ საკმაოდ ბევრი პრაქტიკული პრობლემა იქნა აღმოჩენილი, რომლებიც ვერ გადაიჭრებოდა ტრადიციული მათემატიკური მოდელებისა და მეთოდების გამოყენებით, მიუხედავად საგრძნობლად გაზრდილი ხელმისაწვდომი გამოთვლითი სიჩქარისა. საჭირო იყო ახალი მეთოდოლოგია, რომლის დამახასიათებელი ნიშნებიც ბუნდოვან ლოგიკაში უნდა ვეძებოთ.

რობოტიკის მსგავსად, საეჭვო ლოგიკას დიდი ინტერესი მოჰყვა არა მისი წარმოშობის ქვეყანაში, შეერთებულ შტატებში, არამედ მის საზღვრებს მიღმა, და შედეგად, ფუჟური ლოგიკის სამრეწველო გამოყენების პირველი გამოცდილება - ელექტროსადგურების საქვაბე დანადგარების კონტროლისთვის - არის. ევროპასთან ასოცირებული. ორთქლის ქვაბის კონტროლისთვის ტრადიციული მეთოდების გამოყენების ყველა მცდელობა, ზოგჯერ ძალიან რთული, წარუმატებლად დასრულდა - ეს არაწრფივი სისტემა იმდენად რთული აღმოჩნდა. და მხოლოდ ბუნდოვანი ლოგიკის გამოყენებამ შესაძლებელი გახადა კონტროლერის სინთეზირება, რომელიც აკმაყოფილებდა ყველა მოთხოვნას. 1976 წელს ბუნდოვანი ლოგიკა გამოიყენეს, როგორც ცემენტის წარმოებაში მბრუნავი ღუმელის ავტომატური კონტროლის სისტემის საფუძველი. თუმცა ევროპასა და ამერიკაში მიღებულმა ფუჟური ლოგიკის გამოყენების პირველმა პრაქტიკულმა შედეგებმა მის მიმართ ინტერესის მნიშვნელოვანი ზრდა არ გამოიწვია. ისევე, როგორც რობოტიკის შემთხვევაში, ქვეყანა, რომელმაც პირველმა დაიწყო ბუნდოვანი ლოგიკის ფართო დანერგვა და გააცნობიერა მისი უზარმაზარი პოტენციალი, იყო იაპონია.

იაპონიაში შექმნილ ფუჟულ სისტემებს შორის ყველაზე ცნობილია სენდაიში Hitachi-ს მიერ შემუშავებული მეტროს მატარებლის მართვის სისტემა. პროექტი განხორციელდა გამოცდილი მძღოლის მონაწილეობით, რომლის ცოდნა და გამოცდილება საფუძვლად დაედო შემუშავებულ საკონტროლო მოდელს. სისტემამ ავტომატურად შეამცირა მატარებლის სიჩქარე სადგურთან მიახლოებისას, რაც უზრუნველყოფდა გაჩერებას საჭირო ადგილას. მატარებლის კიდევ ერთი უპირატესობა იყო მისი მაღალი კომფორტი, რაც გამოწვეულია გლუვი აჩქარებითა და შენელებით. იყო რიგი სხვა უპირატესობები ტრადიციულ საკონტროლო სისტემებთან შედარებით.

იაპონიაში ბუნდოვანი ლოგიკის სწრაფმა განვითარებამ განაპირობა მისი პრაქტიკული გამოყენება არა მხოლოდ ინდუსტრიაში, არამედ სამომხმარებლო საქონლის წარმოებაშიც. მაგალითი აქ არის ვიდეოკამერა, რომელიც აღჭურვილია ბუნდოვანი გამოსახულების სტაბილიზაციის ქვესისტემით, რომელიც გამოიყენებოდა ოპერატორის გამოუცდელობით გამოწვეული გამოსახულების რყევების კომპენსაციისთვის. ეს პრობლემა ძალიან რთული იყო ტრადიციული მეთოდებით გადასაჭრელად, რადგან საჭირო იყო გამოსახულების შემთხვევითი რყევების გარჩევა გადაღებული ობიექტების მიზანმიმართული მოძრაობისგან (მაგალითად, ადამიანების მოძრაობა).

კიდევ ერთი მაგალითია ავტომატური სარეცხი მანქანა, რომელიც მუშაობს ღილაკზე დაჭერით (Zimmerman 1994). ამ „ერთგულებამ“ ინტერესი გამოიწვია და მოწონებაც მოჰყვა. ბუნდოვანი ლოგიკის მეთოდების გამოყენებამ შესაძლებელი გახადა რეცხვის პროცესის ოპტიმიზაცია, რაც უზრუნველყოფს ტანსაცმლის ტიპის, მოცულობისა და დაბინძურების ხარისხის ავტომატურ ამოცნობას, რომ აღარაფერი ვთქვათ იმ ფაქტზე, რომ მანქანის მართვის მექანიზმის ერთ ღილაკზე შემცირებამ მნიშვნელოვნად გაამარტივა. სახელური.

ბუნდოვანი ლოგიკის გამოგონებები განხორციელდა იაპონური ფირმების მიერ ბევრ სხვა მოწყობილობაში, მათ შორის მიკროტალღურ ღუმელებში (Sanyo), დაბლოკვის საწინააღმდეგო დამუხრუჭების სისტემებში და ავტომატურ ტრანსმისიებში (Nissan), ინტეგრირებული ავტომობილის დინამიკის კონტროლი (INVEC) და მყარი დისკის კონტროლერები კომპიუტერებში ინფორმაციაზე წვდომის დროის შემცირება.

ზემოთ ნახსენები აპლიკაციების გარდა, 90-იანი წლების დასაწყისიდან. არსებობს ფაქიზი მეთოდების ინტენსიური განვითარება მთელ რიგ გამოყენებულ სფეროებში, მათ შორის, რომლებიც არ არის დაკავშირებული ტექნოლოგიასთან:

ელექტრონული კარდიოსტიმულატორის მართვის სისტემა;

ავტომობილის მართვის სისტემა;

გაგრილების სისტემები;

კონდიციონერები და სავენტილაციო მოწყობილობა;

ნარჩენების დაწვის მოწყობილობა;

შუშის დნობის ღუმელი;

არტერიული წნევის მონიტორინგის სისტემა;

სიმსივნეების დიაგნოსტიკა;

გულ-სისხლძარღვთა სისტემის არსებული მდგომარეობის დიაგნოსტიკა;

ამწეებისა და ხიდების მართვის სისტემა;

გამოსახულების დამუშავება;

სწრაფი დამტენი;

სიტყვების ამოცნობა;

ბიოპროცესორის მართვა;

ელექტროძრავის კონტროლი;

შედუღების მოწყობილობა და შედუღების პროცესები;

მოძრაობის კონტროლის სისტემები;

ბიოსამედიცინო კვლევა;

წყლის გამწმენდი ნაგებობები.

IN ამჟამადხელოვნური ინტელექტის შექმნისას (ამ სიტყვის თავდაპირველი გაგებით, საექსპერტო სისტემები და საჭადრაკო პროგრამები აქ არ განეკუთვნება) ხდება ყველა საგნობრივი სფეროს ინტენსიური დაფქვა, რომლებსაც აქვთ მინიმუმ გარკვეული კავშირი AI-სთან ცოდნის ბაზებში. თითქმის ყველა მიდგომა გამოცდილია, მაგრამ არც ერთი კვლევითი ჯგუფი არ მიუდგას ხელოვნური ინტელექტის გაჩენას.

ხელოვნური ინტელექტის კვლევა შეუერთდა სინგულარობის ტექნოლოგიების ზოგად ნაკადს (სახეობათა ნახტომი, ადამიანის ექსპონენციალური განვითარება), როგორიცაა კომპიუტერული მეცნიერება, საექსპერტო სისტემები, ნანოტექნოლოგია, მოლეკულური ბიოელექტრონიკა, თეორიული ბიოლოგია, კვანტური თეორი(ები), ნოოტროპები, ექსტროფილები და ა.შ. იხილეთ ყოველდღიური ნაკადი. Kurzweil News, MIT.

ხელოვნური ინტელექტის სფეროში განვითარებული მოვლენები შევიდა უმაღლეს და საშუალო განათლებაში რუსეთში კომპიუტერული მეცნიერების სახელმძღვანელოების სახით, სადაც ახლა სწავლობს სამუშაო და ცოდნის ბაზების შექმნის საკითხებს, პერსონალურ კომპიუტერებზე დაფუძნებულ საექსპერტო სისტემების შიდა ლოგიკური პროგრამირების სისტემების საფუძველზე. ასევე მათემატიკისა და კომპიუტერული მეცნიერების ფუნდამენტური საკითხების შესწავლა სკოლებში და უნივერსიტეტებში ცოდნის ბაზების მოდელებთან და ექსპერტულ სისტემებთან მუშაობის მაგალითების გამოყენებით.

შემუშავებულია შემდეგი ხელოვნური ინტელექტის სისტემები:

1. Deep Blue - დაამარცხა მსოფლიო ჩემპიონი ჭადრაკში. (კასპაროვსა და სუპერკომპიუტერებს შორის მატჩმა არ მოიტანა კმაყოფილება არც კომპიუტერის მეცნიერებისთვის და არც მოჭადრაკეებისთვის და სისტემა არ იქნა აღიარებული კასპაროვის მიერ, თუმცა ორიგინალური კომპაქტური საჭადრაკო პროგრამები საჭადრაკო შემოქმედების განუყოფელი ელემენტია. შემდეგ გაჩნდა IBM სუპერკომპიუტერების ხაზი. უხეში ძალის პროექტები BluGene (მოლეკულური მოდელირება) და პირამიდული უჯრედების სისტემის მოდელირება შვეიცარიის ცისფერი ტვინის ცენტრში ეს ამბავი არის რთული და საიდუმლო ურთიერთობის მაგალითი AI-ს, ბიზნესსა და ეროვნულ სტრატეგიულ მიზნებს შორის.)

2. მიცინი იყო ერთ-ერთი ადრეული საექსპერტო სისტემა, რომელსაც შეეძლო დაავადების მცირე ნაკრების დიაგნოსტიკა, ხშირად ისეთივე ზუსტად, როგორც ექიმებს.

3. 20q არის პროექტი, რომელიც დაფუძნებულია ხელოვნური ინტელექტის იდეებზე, დაფუძნებულია კლასიკურ თამაშზე „20 კითხვა“. ის ძალიან პოპულარული გახდა მას შემდეგ, რაც ინტერნეტში გამოჩნდა ვებგვერდზე 20q.net.

4. მეტყველების ამოცნობა. სისტემები, როგორიცაა ViaVoice, შეუძლიათ ემსახურონ მომხმარებლებს.

5. რობოტები ფეხბურთის გამარტივებული ფორმით ასპარეზობენ ყოველწლიურ RoboCup ტურნირზე.

ბანკები იყენებენ ხელოვნური ინტელექტის სისტემებს (AI) სადაზღვევო საქმიანობაში (აქტუარულ მათემატიკა) ბირჟაზე თამაშისას და ქონების მართვისას. 2001 წლის აგვისტოში რობოტებმა დაამარცხეს ადამიანები ექსპრომტი სავაჭრო კონკურსში (BBC News, 2001). შაბლონის ამოცნობის მეთოდები (როგორც უფრო რთული, ასევე სპეციალიზებული და ნერვული ქსელების ჩათვლით) ფართოდ გამოიყენება ოპტიკურ და აკუსტიკური ამოცნობაში (ტექსტისა და მეტყველების ჩათვლით), სამედიცინო დიაგნოსტიკაში, სპამის ფილტრებში, საჰაერო თავდაცვის სისტემებში (მიზნის იდენტიფიკაცია) და ასევე რიგის უზრუნველსაყოფად. ეროვნული უსაფრთხოების სხვა ამოცანები.

კომპიუტერული თამაშების შემქმნელები იძულებულნი არიან გამოიყენონ სხვადასხვა ხარისხის დახვეწილობის AI. ხელოვნური ინტელექტის სტანდარტული ამოცანები თამაშებში არის გზის პოვნა ორგანზომილებიან ან სამგანზომილებიან სივრცეში, საბრძოლო ნაწილის ქცევის სიმულაცია, სწორი ეკონომიკური სტრატეგიის გამოთვლა და ა.შ.

ხელოვნური ინტელექტი მჭიდრო კავშირშია ტრანსჰუმანიზმთან. და ნეიროფიზიოლოგიასთან, ეპისტემოლოგიასთან, კოგნიტურ ფსიქოლოგიასთან ერთად, იგი აყალიბებს უფრო ზოგად მეცნიერებას, რომელსაც ეწოდება კოგნიტური მეცნიერება. ფილოსოფია განსაკუთრებულ როლს ასრულებს ხელოვნურ ინტელექტში. ასევე, ეპისტემოლოგია - მეცნიერება ცოდნის შესახებ ფილოსოფიის ფარგლებში - მჭიდრო კავშირშია ხელოვნური ინტელექტის პრობლემებთან. ამ თემაზე მომუშავე ფილოსოფოსები ებრძვიან მსგავს კითხვებს, რომლებსაც აწყდებიან ხელოვნური ინტელექტის ინჟინრები იმის შესახებ, თუ როგორ უნდა წარმოადგინონ და გამოიყენონ ცოდნა და ინფორმაცია საუკეთესოდ. მონაცემებიდან ცოდნის წარმოება მონაცემთა მოპოვების ერთ-ერთი ძირითადი პრობლემაა. ამ პრობლემის გადაჭრის სხვადასხვა მიდგომა არსებობს, მათ შორის, ნერვულ ქსელის ტექნოლოგიაზე დაფუძნებული, ნერვული ქსელის ვერბალიზაციის პროცედურების გამოყენებით.

კომპიუტერულ მეცნიერებაში ხელოვნური ინტელექტის პრობლემები განიხილება საექსპერტო სისტემებისა და ცოდნის ბაზების დიზაინის პერსპექტივიდან. ცოდნის ბაზები გაგებულია, როგორც მონაცემებისა და დასკვნის წესების ერთობლიობა, რომელიც იძლევა ლოგიკური დასკვნისა და ინფორმაციის მნიშვნელოვანი დამუშავების საშუალებას. ზოგადად, კომპიუტერული მეცნიერების ხელოვნური ინტელექტის პრობლემების კვლევა მიზნად ისახავს ინტელექტუალური საინფორმაციო სისტემების შექმნას, განვითარებას და ფუნქციონირებას, მათ შორის, მომხმარებლებისა და ასეთი სისტემების შემქმნელების ტრენინგის საკითხებს.

„ხელოვნური ინტელექტის შექმნის“ მეცნიერებამ ვერ მიიპყრო ფილოსოფოსების ყურადღება. პირველი ინტელექტუალური სისტემების მოსვლასთან ერთად წამოიჭრა ფუნდამენტური კითხვები ადამიანისა და ცოდნის შესახებ და ნაწილობრივ მსოფლიო წესრიგის შესახებ. ერთის მხრივ, ისინი განუყოფლად არიან დაკავშირებული ამ მეცნიერებასთან, მეორე მხრივ კი მასში რაღაც ქაოსს შეჰყავთ. ხელოვნური ინტელექტის შექმნის ფილოსოფიური პრობლემები შეიძლება დაიყოს ორ ჯგუფად, შედარებით რომ ვთქვათ, "AI-ს განვითარებამდე და მის შემდეგ". პირველი ჯგუფი პასუხობს კითხვას: „რა არის ხელოვნური ინტელექტი, შესაძლებელია თუ არა მისი შექმნა და, თუ შესაძლებელია, როგორ გავაკეთოთ ეს?“ მეორე ჯგუფი (ხელოვნური ინტელექტის ეთიკა) სვამს კითხვას: „რა შედეგები მოჰყვება ხელოვნურ ინტელექტის შექმნას კაცობრიობისთვის?“

ხელოვნური ინტელექტის შექმნის საკითხები.თვალსაჩინოა ხელოვნური ინტელექტის განვითარების ორი მიმართულება: პირველი - სპეციალიზებული ხელოვნური ინტელექტის სისტემების ადამიანურ შესაძლებლობებთან დაახლოებასთან დაკავშირებული პრობლემების გადაჭრაში და მათი ინტეგრაცია, რაც რეალიზებულია ადამიანის ბუნებით, მეორე - ხელოვნური ინტელექტის შექმნაში, რომელიც წარმოადგენს. უკვე შექმნილი ხელოვნური ინტელექტის სისტემების ინტეგრაცია ერთ სისტემაში, რომელსაც შეუძლია კაცობრიობის პრობლემების გადაჭრა.

ხელოვნური ინტელექტის მკვლევარებს შორის ჯერ კიდევ არ არსებობს დომინანტური თვალსაზრისი ინტელექტის კრიტერიუმების, გადასაჭრელი მიზნებისა და ამოცანების სისტემატიზაციის შესახებ, მეცნიერების მკაცრი განმარტებაც კი არ არსებობს. არსებობს სხვადასხვა თვალსაზრისი იმის შესახებ, თუ რა ითვლება ინტელექტად. ანალიტიკური მიდგომა მოიცავს ადამიანის უმაღლესი ნერვული აქტივობის ანალიზს ყველაზე დაბალ, განუყოფელ დონემდე (უფრო მაღალი ნერვული აქტივობის ფუნქცია, ელემენტარული რეაქცია გარე გამღიზიანებლებზე (სტიმულები), ფუნქციით დაკავშირებული ნეირონების ნაკრების სინაფსების გაღიზიანება და ამ ფუნქციების შემდგომი რეპროდუქცია.

ზოგიერთი ექსპერტი ცდება რაციონალური, მოტივირებული არჩევანის უნარს ინფორმაციის ნაკლებობის პირობებში დაზვერვისთვის. ანუ, ინტელექტუალური პროგრამა უბრალოდ განიხილება, როგორც აქტივობის ის პროგრამა, რომელსაც შეუძლია აირჩიოს ალტერნატივების გარკვეული ნაკრებიდან, მაგალითად, სად წავიდეს იმ შემთხვევაში, თუ „თქვენ წახვალთ მარცხნივ...“, „თქვენ წახვალთ მარჯვნივ. ...“, „პირდაპირ წახვალ...“.

ყველაზე მწვავე დებატები ხელოვნური ინტელექტის ფილოსოფიაში არის ადამიანის ხელით შექმნილი აზროვნების შესაძლებლობის საკითხი. კითხვა „შეიძლება თუ არა მანქანას აზროვნება?“, რომელმაც მკვლევარები აიძულა შეექმნათ მეცნიერება ადამიანის გონების სიმულაციის შესახებ, დასვა ალან ტურინგმა 1950 წელს. ამ საკითხზე ორ ძირითად თვალსაზრისს ეწოდება ძლიერი და სუსტი ხელოვნური ინტელექტის ჰიპოთეზა.

ტერმინი „ძლიერი ხელოვნური ინტელექტი“ შემოიღო ჯონ სირლმა და მისი სიტყვებით მიდგომა ხასიათდება: „ასეთი პროგრამა არ იქნება მხოლოდ გონების მოდელი; ის, ამ სიტყვის პირდაპირი მნიშვნელობით, თავად იქნება გონება, იმავე გაგებით, რომელშიც ადამიანის გონება არის გონება. ამის საპირისპიროდ, სუსტი ხელოვნური ინტელექტის მომხრეებს ურჩევნიათ პროგრამების განხილვა მხოლოდ როგორც ინსტრუმენტები, რომლებიც საშუალებას აძლევს მათ გადაჭრას გარკვეული პრობლემები, რომლებიც არ საჭიროებს ადამიანის შემეცნებითი შესაძლებლობების სრულ სპექტრს.

ჯონ სერლის "ჩინური ოთახის" სააზროვნო ექსპერიმენტი ამტკიცებს, რომ ტურინგის ტესტის ჩაბარება არ არის კრიტერიუმი მანქანას რომ ჰქონდეს ნამდვილი აზროვნების პროცესი. აზროვნება არის მეხსიერებაში შენახული ინფორმაციის დამუშავების პროცესი: ანალიზი, სინთეზი და თვითპროგრამირება. ანალოგიურ პოზიციას იკავებს როჯერ პენროუზი, რომელიც თავის წიგნში „მეფის ახალი გონება“ ამტკიცებს ფორმალური სისტემების საფუძველზე აზროვნების პროცესის მოპოვების შეუძლებლობას.

6. გამოთვლითი მოწყობილობები და მიკროპროცესორები.

მიკროპროცესორი (MP) არის მოწყობილობა, რომელიც იღებს, ამუშავებს და გამოსცემს ინფორმაციას. სტრუქტურულად, MP შეიცავს ერთ ან მეტ ინტეგრირებულ წრეს და ასრულებს მეხსიერებაში შენახული პროგრამის მიერ განსაზღვრულ მოქმედებებს (ნახ. 6.1).

სურათი 6.1– დეპუტატის გამოჩენა

ადრეული პროცესორები შეიქმნა, როგორც უნიკალური კომპონენტები უნიკალური კომპიუტერული სისტემებისთვის. მოგვიანებით, კომპიუტერების მწარმოებლებმა გადავიდნენ პროცესორების განვითარების ძვირადღირებული მეთოდიდან, რომლებიც შექმნილია ერთი ან რამდენიმე მაღალ სპეციალიზებული პროგრამის გასაშვებად, მრავალფუნქციური პროცესორული მოწყობილობების ტიპიური კლასის მასობრივ წარმოებაზე. კომპიუტერის კომპონენტების სტანდარტიზაციის ტენდენცია გაჩნდა ნახევარგამტარული ელემენტების, მეინფრეიმებისა და მინიკომპიუტერების სწრაფი განვითარების ეპოქაში, ხოლო ინტეგრირებული სქემების მოსვლასთან ერთად ის კიდევ უფრო პოპულარული გახდა. მიკროსქემების შექმნამ შესაძლებელი გახადა CPU-ების სირთულის კიდევ უფრო გაზრდა და ამავდროულად მათი ფიზიკური ზომის შემცირება.

პროცესორების სტანდარტიზაციამ და მინიატურიზაციამ გამოიწვია მათზე დაფუძნებული ციფრული მოწყობილობების ღრმა შეღწევა ადამიანის ყოველდღიურ ცხოვრებაში. თანამედროვე პროცესორები გვხვდება არა მხოლოდ მაღალტექნოლოგიურ მოწყობილობებში, როგორიცაა კომპიუტერები, არამედ მანქანებში, კალკულატორებში, მობილურ ტელეფონებში და საბავშვო სათამაშოებშიც კი. ყველაზე ხშირად ისინი წარმოდგენილია მიკროკონტროლერებით, სადაც გამოთვლითი მოწყობილობის გარდა, ჩიპზე განთავსებულია დამატებითი კომპონენტები (პროგრამისა და მონაცემთა მეხსიერება, ინტერფეისები, შემავალი/გამომავალი პორტები, ტაიმერები და ა.შ.). მიკროკონტროლერის გამოთვლითი შესაძლებლობები შედარებულია პერსონალური კომპიუტერების პროცესორებთან ათი წლის წინ და უფრო ხშირად მნიშვნელოვნად აღემატება მათ შესრულებას.

მიკროპროცესორული სისტემა (MPS) არის გამოთვლითი, ინსტრუმენტული ან კონტროლის სისტემა, რომელშიც ინფორმაციის დამუშავების მთავარი მოწყობილობა არის MP. მიკროპროცესორული სისტემა აგებულია მიკროპროცესორული LSI-ების ნაკრებიდან (ნახ. 6.2).

სურათი 6.2– მიკროპროცესორული სისტემის მაგალითი

საათის გენერატორი ადგენს დროის ინტერვალს, რომელიც არის საზომი ერთეული (კვანტი) ბრძანების შესრულების ხანგრძლივობისთვის. რაც უფრო მაღალია სიხშირე, მით უფრო სწრაფია, სხვა თანაბარი, MPS. MP, RAM და ROM სისტემის განუყოფელი ნაწილებია. შეყვანის და გამომავალი ინტერფეისები - მოწყობილობები MPS-ის შეყვანისა და გამომავალი ბლოკების დასაკავშირებლად. საზომი ინსტრუმენტები ხასიათდება შეყვანის მოწყობილობებით დისტანციური მართვის ღილაკის და საზომი გადამყვანების სახით (ADC, სენსორები, ციფრული ინფორმაციის შეყვანის ერთეულები). გამომავალი მოწყობილობები, როგორც წესი, წარმოადგენს ციფრულ დისპლეებს, გრაფიკულ ეკრანს (დისპლეი) და გარე მოწყობილობებს საზომი სისტემასთან ინტერფეისისთვის. ყველა MPS ბლოკი ერთმანეთთან არის დაკავშირებული ციფრული ინფორმაციის გადაცემის ავტობუსებით. MPS იყენებს ხერხემლის კომუნიკაციის პრინციპს, რომლის დროსაც ბლოკები ცვლიან ინფორმაციას მონაცემთა ერთი ავტობუსის მეშვეობით. მონაცემთა ავტობუსში ხაზების რაოდენობა ჩვეულებრივ შეესაბამება MPS სიმძლავრეს (ბიტების რაოდენობა მონაცემთა სიტყვაში). მისამართის ავტობუსი გამოიყენება მონაცემთა გადაცემის მიმართულების მითითებისთვის - ის გადასცემს მეხსიერების უჯრედის ან I/O ბლოკის მისამართს, რომელიც ამჟამად იღებს ან გადასცემს ინფორმაციას. საკონტროლო ავტობუსი გამოიყენება სიგნალების გადასაცემად, რომლებიც სინქრონიზაციას უწევენ MPS-ის მთელ მუშაობას.

IPS-ის მშენებლობა ეფუძნება სამ პრინციპს:

Მთავარი ხაზი;

მოდულურობა;

მიკროპროგრამის კონტროლი.

ტრანინგის პრინციპი - განსაზღვრავს MPS-ის ფუნქციურ ბლოკებს შორის კავშირების ხასიათს - ყველა ბლოკი დაკავშირებულია ერთი სისტემის ავტობუსთან.

მოდულარობის პრინციპი არის ის, რომ სისტემა აგებულია სტრუქტურულად და ფუნქციურად სრული მოდულების ტიპების შეზღუდული რაოდენობის საფუძველზე.

ტრანკინგისა და მოდულურობის პრინციპები შესაძლებელს ხდის MP-ის კონტროლისა და გამოთვლითი შესაძლებლობების გაზრდას სხვა მოდულების სისტემის ავტობუსთან შეერთებით.

მიკროპროგრამის კონტროლის პრინციპი არის ელემენტარული ოპერაციების - მიკრობრძანებების (ცვლები, ინფორმაციის გადაცემა, ლოგიკური ოპერაციები) განხორციელების შესაძლებლობა, რომელთა დახმარებით იქმნება ტექნოლოგიური ენა, ანუ ბრძანებების ნაკრები, რომელიც საუკეთესოდ შეესაბამება სისტემის მიზანს.

მიზნის მიხედვით დეპუტატები იყოფა უნივერსალურ და სპეციალიზებულებად.

უნივერსალური მიკროპროცესორები არის ზოგადი დანიშნულების მიკროპროცესორები, რომლებიც წყვეტენ გამოთვლითი, დამუშავების და კონტროლის პრობლემების ფართო კლასს. უნივერსალური დეპუტატების გამოყენების მაგალითია IBM და Macintosh პლატფორმებზე აგებული კომპიუტერები.

სპეციალიზებული მიკროპროცესორები შექმნილია მხოლოდ გარკვეული კლასის პრობლემების გადასაჭრელად. სპეციალიზებულ დეპუტატებს მიეკუთვნება: სიგნალიზაცია, მულტიმედიური დეპუტატები და გადამყვანები.

სიგნალის პროცესორები (DSP) შექმნილია ციფრული სიგნალის რეალურ დროში დამუშავებისთვის (მაგალითად, სიგნალის გაფილტვრა, კონვოლუციის გაანგარიშება, კორელაციის ფუნქციის გაანგარიშება, სიგნალის შეზღუდვა და კონდიცირება, წინ და ინვერსიული ფურიეს ტრანსფორმაციების შესრულება). (სურათი 6.3) სიგნალის პროცესორები მოიცავს პროცესორებს Texas Instruments - TMS320C80, Analog Devices - - ADSP2106x, Motorola -DSP560xx და DSP9600x.

სურათი 6.3– შიდა DSP სტრუქტურის მაგალითი

მედია და მულტიმედიური პროცესორები შექმნილია აუდიო სიგნალების, გრაფიკული ინფორმაციის, ვიდეო სურათების დასამუშავებლად, ასევე მულტიმედიური კომპიუტერების, სათამაშო კონსოლების და საყოფაცხოვრებო ტექნიკის მრავალი პრობლემის გადასაჭრელად. ამ პროცესორებში შედის პროცესორები MicroUnity - Mediaprocessor, Philips - Trimedia, Cromatic Research - Mpact Media Engine, Nvidia - NV1, Cyrix - MediaGX.

ტრანსპუტერები შექმნილია მასიურად პარალელური გამოთვლების ორგანიზებისთვის და მრავალპროცესორულ სისტემებში მუშაობისთვის. მათ ახასიათებთ შიდა მეხსიერების არსებობა და ჩაშენებული ინტერპროცესორული ინტერფეისი, ანუ საკომუნიკაციო არხები სხვა MP LSI-ებთან.

არქიტექტურის ტიპზე, ანუ კონსტრუქციის პრინციპზე დაყრდნობით, განასხვავებენ ფონ ნეუმანის არქიტექტურის მქონე დეპუტატებს და ჰარვარდის არქიტექტურის დეპუტატებს.

მიკროპროცესორის არქიტექტურის კონცეფცია განსაზღვრავს მის შემადგენელ ნაწილებს, ასევე მათ შორის კავშირებსა და ურთიერთქმედებებს.

არქიტექტურა მოიცავს:

MP ბლოკ-სქემა;

MP პროგრამული მოდელი (რეგისტრის ფუნქციების აღწერა);

ინფორმაცია მეხსიერების ორგანიზაციის შესახებ (ტევადობა და მეხსიერების მისამართის მეთოდები);

შეყვანის/გამოტანის პროცედურების ორგანიზაციის აღწერა.

ფონნეუმანის არქიტექტურა (ნახ. 6.4, ა) შემოთავაზებული იყო 1945 წელს ამერიკელმა მათემატიკოსმა ჯო ფონ ნეუმანმა. მისი თავისებურება ის არის, რომ პროგრამა და მონაცემები განლაგებულია საერთო მეხსიერებაში, რომლის წვდომა ხდება ერთი მონაცემთა და ბრძანების ავტობუსით.

ჰარვარდის არქიტექტურა პირველად 1944 წელს განხორციელდა ჰარვარდის უნივერსიტეტის სარელეო კომპიუტერში (აშშ). ამ არქიტექტურის თავისებურება ის არის, რომ მონაცემთა მეხსიერება და პროგრამის მეხსიერება განცალკევებულია და აქვთ ცალკეული მონაცემთა ავტობუსები და ბრძანების ავტობუსები (ნახ. 6.4, ბ), რაც შესაძლებელს ხდის MP სისტემის მუშაობის გაზრდის საშუალებას.

სურათი 6.4.არქიტექტურის ძირითადი ტიპები: (ა - ფონ ნეუმანი; 6 - ჰარვარდი)

ინსტრუქციის სისტემის ტიპზე დაყრდნობით, განასხვავებენ CISC (Complete Instruction Set Computing) პროცესორებს ინსტრუქციების სრული კომპლექტით (CISC-ის ტიპიური წარმომადგენლები არიან Intel x86 მიკროპროცესორების ოჯახი) და RISC პროცესორები(Reduced Instruction Set Computing) ინსტრუქციების შემცირებული ნაკრებით (ახასიათებს ფიქსირებული სიგრძის ინსტრუქციების არსებობა, რეგისტრების დიდი რაოდენობა, რეგისტრაცია-რეგისტრაციის ოპერაციები და არაპირდაპირი მისამართის არარსებობა).

ერთჩიპიანი მიკროკონტროლერი (MCU) არის ჩიპი, რომელიც შექმნილია ელექტრონული მოწყობილობების გასაკონტროლებლად (სურათი 5). ტიპიური მიკროკონტროლერი აერთიანებს პროცესორისა და პერიფერიული მოწყობილობების ფუნქციებს და შეიძლება შეიცავდეს RAM-სა და ROM-ს. არსებითად, ეს არის ერთი ჩიპიანი კომპიუტერი, რომელსაც შეუძლია მარტივი დავალებების შესრულება. ერთი ჩიპის გამოყენება, მთლიანი ნაკრების ნაცვლად, მნიშვნელოვნად ამცირებს მიკროკონტროლერებზე დაფუძნებული მოწყობილობების ზომას, ენერგიის მოხმარებას და ღირებულებას.

სურათი 6.5- მიკროკონტროლერების დიზაინის მაგალითები

მიკროკონტროლერები არის ჩაშენებული სისტემების საფუძველში მათი ნახვა ბევრ თანამედროვე მოწყობილობაში, როგორიცაა ტელეფონები; სარეცხი მანქანებიდა ა.შ. მსოფლიოში წარმოებული პროცესორების უმეტესობა მიკროკონტროლერებია.

დღესდღეობით, 8-ბიტიანი მიკროკონტროლერები, რომლებიც თავსებადია i8051-თან Intel-ისგან, PIC მიკროკონტროლერები Microchip Technology-დან და AVR Atmel-დან, თექვსმეტი ბიტიანი MSP430 TI-დან, ასევე ARM, რომლის არქიტექტურა შემუშავებულია ARM-ის მიერ და ყიდის ლიცენზიებს სხვა კომპანიებზე. მათი წარმოება პოპულარულია დეველოპერებს შორის.

მიკროკონტროლერების დიზაინის დროს, არსებობს ბალანსი ერთის მხრივ ზომასა და ღირებულებას, ხოლო მეორეს მხრივ მოქნილობასა და შესრულებას შორის. სხვადასხვა აპლიკაციებისთვის, ამ და სხვა პარამეტრების ოპტიმალური ბალანსი შეიძლება მნიშვნელოვნად განსხვავდებოდეს. ამრიგად, არსებობს მიკროკონტროლერების ტიპების უზარმაზარი რაოდენობა, რომლებიც განსხვავდება პროცესორის მოდულის არქიტექტურაში, ჩაშენებული მეხსიერების ზომითა და ტიპით, პერიფერიული მოწყობილობების ნაკრებით, ქეისის ტიპში და ა.

პერიფერიული მოწყობილობების ნაწილობრივი სია, რომლებიც შეიძლება იყოს მიკროკონტროლერებში, მოიცავს:

უნივერსალური ციფრული პორტები, რომლებიც შეიძლება იყოს კონფიგურირებული შეყვანისთვის ან გამოსასვლელად;

სხვადასხვა I/O ინტერფეისი, როგორიცაა UART, I²C, SPI, CAN, USB, IEEE 1394, Ethernet;

ანალოგური ციფრული და ციფრული ანალოგური გადამყვანები;

შედარებითები;

პულსის სიგანის მოდულატორები;

ტაიმერი, ჩაშენებული საათის გენერატორი და მცველი ტაიმერი;

ჯაგრისების გარეშე ძრავის კონტროლერები;

დისპლეი და კლავიატურის კონტროლერები;

რადიოსიხშირული მიმღებები და გადამცემები;

ჩაშენებული ფლეშ მეხსიერების მასივები.

ხელოვნური ინტელექტი არის ტექნოლოგია, რომელსაც აუცილებლად მივიღებთ ჩვენთან ერთად მომავალში.

ჩვენ გეტყვით, როგორ მუშაობს და რა მაგარი გამოყენება ვიპოვეთ.

😎 ტექნოლოგიების განყოფილება ქვეყნდება ყოველ კვირას re:Store-ის მხარდაჭერით.

რა არის ხელოვნური ინტელექტი

ხელოვნური ინტელექტი (AI) არის ჭკვიანი პროგრამებისა და მანქანების შექმნის ტექნოლოგია, რომელსაც შეუძლია გადაჭრას შემოქმედებითი პრობლემები და შექმნას ახალი ინფორმაცია არსებული ინფორმაციის საფუძველზე. სინამდვილეში, ხელოვნური ინტელექტი შექმნილია ადამიანის საქმიანობის სიმულაციისთვის, რაც ინტელექტუალურად ითვლება.

ტრადიციულად, ითვლებოდა, რომ კრეატიულობა უნიკალურია ადამიანებისთვის. მაგრამ ხელოვნური ინტელექტის შექმნამ შეცვალა ჩვეული წესრიგი

რობოტი, რომელიც უბრალოდ მექანიკურად ჭრის ხეს, არ არის აღჭურვილი AI-ით. რობოტს, რომელმაც თავად ისწავლა ხის ჭრა, პიროვნების ან მორის და მისი ნაწილების მაგალითზე და ყოველ ჯერზე უკეთ აკეთებს ამას, აქვს AI.

თუ პროგრამა უბრალოდ იღებს მნიშვნელობებს მონაცემთა ბაზიდან გარკვეული წესების მიხედვით, ის არ არის აღჭურვილი AI-ით. თუ სისტემა, ტრენინგის შემდეგ, ქმნის პროგრამებს, მეთოდებს და დოკუმენტებს, აგვარებს გარკვეულ პრობლემებს, მას აქვს AI.

როგორ შევქმნათ ხელოვნური ინტელექტის სისტემა

გლობალური გაგებით, ჩვენ უნდა მივბაძოთ ადამიანის აზროვნების მოდელს. მაგრამ სინამდვილეში აუცილებელია შავი ყუთის შექმნა - სისტემა, რომელიც, შეყვანის მნიშვნელობების ერთობლიობის საპასუხოდ, აწარმოებს გამომავალ მნიშვნელობებს, რომლებიც მსგავსი იქნება ადამიანის შედეგების. და ჩვენ, ზოგადად, არ გვაინტერესებს რა ხდება "მის თავში" (შესვლასა და გამომავალს შორის).

ხელოვნური ინტელექტის სისტემები იქმნება გარკვეული კლასის პრობლემების გადასაჭრელად

ხელოვნური ინტელექტის საფუძველია სწავლა, წარმოსახვა, აღქმა და მეხსიერება

პირველი, რაც თქვენ უნდა გააკეთოთ ხელოვნური ინტელექტის შესაქმნელად, არის ფუნქციების შემუშავება, რომლებიც განახორციელებენ ინფორმაციის აღქმას, რათა შეძლოთ მონაცემების „მიწოდება“ სისტემაში. შემდეგ - ფუნქციები, რომლებიც ახორციელებენ სწავლის უნარს. და მონაცემთა შენახვა, რათა სისტემამ სადმე შეინახოს ის ინფორმაცია, რომელიც მას სწავლის პროცესში იღებს.

ამის შემდეგ იქმნება წარმოსახვის ფუნქციები. მათ შეუძლიათ არსებული მონაცემების გამოყენებით სიტუაციების სიმულაცია და მეხსიერებაში ახალი ინფორმაციის (მონაცემების და წესების) დამატება.

სწავლა შეიძლება იყოს ინდუქციური ან დედუქციური. ინდუქციურ ვერსიაში სისტემას ეძლევა წყვილი შემავალი და გამომავალი მონაცემები, კითხვები და პასუხები და ა.შ. სისტემამ უნდა მოძებნოს კავშირები მონაცემებს შორის და შემდეგ, ამ შაბლონების გამოყენებით, მოძებნოს გამომავალი მონაცემები შეყვანის მონაცემებიდან.

დედუქციური მიდგომა (გამარჯობა, შერლოკ ჰოლმს!) იყენებს ექსპერტების გამოცდილებას. ის გადადის სისტემაში, როგორც ცოდნის ბაზა. არსებობს არა მხოლოდ მონაცემთა ნაკრები, არამედ მზა წესებიც, რომლებიც ხელს უწყობენ პრობლემის გადაჭრის პოვნას.

თანამედროვე ხელოვნური ინტელექტის სისტემები ორივე მიდგომას იყენებენ. გარდა ამისა, სისტემები, როგორც წესი, უკვე გაწვრთნილი არიან, მაგრამ აგრძელებენ სწავლას მუშაობის პროცესში. ეს კეთდება ისე, რომ პროგრამამ დასაწყისში აჩვენოს უნარის ღირსეული დონე, მაგრამ მომავალში ის კიდევ უკეთესი გახდება. მაგალითად, გავითვალისწინე თქვენი სურვილები და პრეფერენციები, სიტუაციის ცვლილებები და ა.შ.

ხელოვნური ინტელექტის სისტემაში შეგიძლიათ არაპროგნოზირებადობის ალბათობაც კი დააყენოთ. ეს მას უფრო ადამიანურს გახდის.

რატომ სცემს ხელოვნური ინტელექტი ადამიანებს

უპირველეს ყოვლისა, იმიტომ, რომ მას აქვს შეცდომის დაბალი ალბათობა.

• ხელოვნურ ინტელექტს არ შეუძლია დაივიწყოს - მას აქვს აბსოლუტური მეხსიერება.
• მას არ შეუძლია შემთხვევით უგულებელყოს ფაქტორები და დამოკიდებულებები - ხელოვნური ინტელექტის ყველა მოქმედებას აქვს ნათელი დასაბუთება.
• ხელოვნური ინტელექტი არ ყოყმანობს, მაგრამ აფასებს ალბათობას და იხრება უფრო დიდის სასარგებლოდ. ამიტომ მას შეუძლია გაამართლოს ყოველი გადადგმული ნაბიჯი.
• AI-ს ასევე არ აქვს ემოციები. ეს ნიშნავს, რომ ისინი გავლენას არ ახდენენ გადაწყვეტილების მიღებაზე.
• ხელოვნური ინტელექტი არ ჩერდება მიმდინარე ნაბიჯის შედეგების შეფასებით, არამედ ფიქრობს რამდენიმე ნაბიჯის წინ.
• და მას აქვს საკმარისი რესურსი ყველა შესაძლო სცენარის განსახილველად.

ხელოვნური ინტელექტის მაგარი გამოყენება

საერთოდ, ხელოვნურ ინტელექტს ყველაფრის გაკეთება შეუძლია. მთავარია პრობლემის სწორად ჩამოყალიბება და პირველადი მონაცემების მიწოდება. გარდა ამისა, AI-ს შეუძლია გააკეთოს მოულოდნელი დასკვნები და მოძებნოს შაბლონები, სადაც, როგორც ჩანს, არ არსებობს.

პასუხი ნებისმიერ კითხვაზე

მკვლევართა ჯგუფმა დევიდ ფერუჩის ხელმძღვანელობით შეიმუშავა სუპერკომპიუტერი სახელად Watson, კითხვა-პასუხის სისტემით. სისტემას, რომელსაც IBM-ის პირველი პრეზიდენტის, თომას უოტსონის სახელი დაარქვეს, შეუძლია კითხვების გაგება ბუნებრივ ენაზე და მონაცემთა ბაზაში პასუხების მოძიება.

Watson აერთიანებს 90 IBM p750 სერვერს, თითოეულს ოთხი რვა ბირთვიანი POWER7 არქიტექტურის პროცესორით. სისტემის ოპერატიული მეხსიერების საერთო რაოდენობა 15 ტბ-ს აღემატება.

უოტსონის მიღწევებში შედის "საფრთხის" გამარჯვება! (ამერიკული "საკუთარი თამაში"). მან დაამარცხა ორი საუკეთესო მოთამაშე: ყველაზე დიდი მოგების გამარჯვებული ბრედ რატერი და ყველაზე გრძელი წაუგებელი სერიის რეკორდსმენი კენ ჯენინგსი.

უოტსონის პრიზი: $1 მილიონი. მართალია, მხოლოდ 2014 წელს მასში 1 მილიარდი ინვესტიცია განხორციელდა.

გარდა ამისა, უოტსონი მონაწილეობს კიბოს დიაგნოზში, ეხმარება ფინანსურ სპეციალისტებს და გამოიყენება დიდი მონაცემების გასაანალიზებლად.

Სახის ამოცნობა

iPhone X-ში სახის ამოცნობა განვითარებულია ნერვული ქსელების გამოყენებით, ხელოვნური ინტელექტის სისტემის ვერსია. ნერვული ქსელის ალგორითმები დანერგილია A11 Bionic პროცესორის დონეზე, რის გამოც ის ეფექტურად მუშაობს მანქანათმცოდნეობის ტექნოლოგიებთან.

ნერვული ქსელები ასრულებენ 60 მილიარდამდე ოპერაციას წამში. ეს საკმარისია სახეზე 40 ათასამდე საკვანძო წერტილის გასაანალიზებლად და მესაკუთრის უკიდურესად ზუსტი იდენტიფიკაციისთვის წამის მეასედში.

მაშინაც კი, თუ წვერს გაიზრდით ან სათვალეს ატარებთ, iPhone X გიცნობთ. ის უბრალოდ არ ითვალისწინებს თმას და აქსესუარებს, მაგრამ აანალიზებს ტერიტორიას ტაძრიდან ტაძარამდე და თითოეული ტაძრიდან ქვედა ტუჩის ქვეშ ჩაღრმავებამდე.

Ენერგორენტაბელურობა

და ისევ Apple. iPhone X-ს აქვს ჩაშენებული ინტელექტუალური სისტემა, რომელიც აკონტროლებს დაინსტალირებული აპლიკაციების აქტივობას და მოძრაობის სენსორი თქვენი ყოველდღიური რუტინის გასაგებად.

ამის შემდეგ, მაგალითად, iPhone X შემოგთავაზებთ განახლებას ყველაზე მოსახერხებელ დროს. ის დაიჭერს მომენტს, როდესაც თქვენ გაქვთ სტაბილური ინტერნეტი, არა გადახტომის სიგნალი მობილური ანძებიდან და არ ასრულებთ გადაუდებელ ან მნიშვნელოვან დავალებებს.

AI ასევე ანაწილებს დავალებებს პროცესორის ბირთვებს შორის. ასე რომ, ის უზრუნველყოფს საკმარის ენერგიას მინიმალური ხარჯებიენერგია.

ნახატების შექმნა

კრეატიულობა, რომელიც ადრე მხოლოდ ადამიანებისთვის იყო ხელმისაწვდომი, ახლა ღიაა AI-სთვის. ამრიგად, სისტემა, რომელიც შეიქმნა ნიუ ჯერსის რუტგერსის უნივერსიტეტის მკვლევართა და ლოს ანჯელესში AI ლაბორატორიის მიერ, წარმოადგინა საკუთარი მხატვრული სტილი.

და მაიკროსოფტის ხელოვნური ინტელექტის სისტემას შეუძლია ნახატების დახატვა მათი ტექსტის აღწერილობის საფუძველზე. მაგალითად, თუ AI-ს სთხოვთ დახატოს „ყვითელი ჩიტი შავი ფრთებით და მოკლე წვერით“, ის ასე გამოიყურება:

ასეთი ფრინველები შეიძლება არ არსებობდნენ რეალურ სამყაროში - სწორედ ასე წარმოგვიდგენს მათ ჩვენი კომპიუტერი.

უფრო გავრცელებული მაგალითია Prisma აპლიკაცია, რომელიც ქმნის ნახატებს ფოტოებიდან:

მუსიკის წერა

აგვისტოში ხელოვნური ინტელექტის ამპერმა შეადგინა, პროდიუსერი და შეასრულა მუსიკა ალბომისთვის "I AM AI" (ინგლისური მე ვარ ხელოვნური ინტელექტი) მომღერალ ტარინ საუერნთან ერთად.

Amper შეიქმნა პროფესიონალი მუსიკოსებისა და ტექნოლოგიების ექსპერტების გუნდის მიერ. ისინი აღნიშნავენ, რომ ხელოვნური ინტელექტი შექმნილია იმისთვის, რომ დაეხმაროს ადამიანებს შემოქმედებითი პროცესის წინსვლაში.

AI-ს შეუძლია მუსიკის დაწერა რამდენიმე წამში

ამპერმა დამოუკიდებლად შექმნა აკორდის სტრუქტურები და ინსტრუმენტები ტრეკზე "Break Free". ხალხმა მხოლოდ ოდნავ შეცვალა სტილი და ზოგადი რიტმი.

კიდევ ერთი მაგალითია მუსიკალური ალბომი "სამოქალაქო თავდაცვის" სულისკვეთებით, რომლის ტექსტი AI-მ დაწერა. ექსპერიმენტი ჩაატარეს Yandex-ის თანამშრომლებმა ივან იამშჩიკოვმა და ალექსეი ტიხონოვმა. ჯგუფ "ნერვული თავდაცვის" 404 ალბომი გამოქვეყნდა ინტერნეტში. ლეტოვის სულისკვეთებით აღმოჩნდა:

შემდეგ პროგრამისტები უფრო შორს წავიდნენ და აიძულეს AI-ს დაეწერა პოეზია კურტ კობეინის სულისკვეთებით. მუსიკოსმა რობ კეროლმა დაწერა მუსიკა ოთხი საუკეთესო ტექსტისთვის და სიმღერები გაერთიანდა ალბომში Neurona. მათ გადაიღეს ვიდეო ერთი სიმღერისთვის - თუმცა ხელოვნური ინტელექტის მონაწილეობის გარეშე:

ტექსტების შექმნა

მწერლები და ჟურნალისტები შესაძლოა მალე შეიცვალოს ხელოვნური ინტელექტით. მაგალითად, დიუის სისტემა იკვებებოდა წიგნებით Project Gutenberg-ის ბიბლიოთეკიდან, შემდეგ დაემატა სამეცნიერო ტექსტები Google Scholar-ისგან, დაალაგა ისინი პოპულარობისა და სათაურების მიხედვით, ასევე გაყიდვები Amazon-ზე. გარდა ამისა, ისინი ადგენენ კრიტერიუმებს ახალი წიგნის დასაწერად.

საიტი ხალხს სთხოვდა გადაწყვეტილების მიღებას რთულ სიტუაციებში: მაგალითად, ის აყენებდა მათ მძღოლის ადგილას, რომელსაც შეეძლო დაეჯახა სამი ზრდასრული ან ორი ბავშვი. ამრიგად, Moral Machine-მა გაწვრთნა რთული გადაწყვეტილებების მისაღებად, რომლებიც არღვევს რობოტიკის კანონს, რომ რობოტს არ შეუძლია ზიანი მიაყენოს ადამიანს.

რას გამოიწვევს ადამიანების იმიტაცია ხელოვნური ინტელექტის მქონე რობოტების მიერ? ფუტურისტებს მიაჩნიათ, რომ ერთ დღეს ისინი გახდებიან საზოგადოების სრულუფლებიანი წევრები. მაგალითად, რობოტმა სოფიამ ჰონგ კონგის კომპანია Hanson Robotics-დან უკვე მიიღო საუდის არაბეთის მოქალაქეობა (ამავე დროს ჩვეულებრივი ქალებიქვეყანაში ასეთი უფლება არ არსებობს!).

როდესაც New York Times-ის მიმომხილველმა ენდრიუ როსმა ჰკითხა სოფიას, იყვნენ თუ არა რობოტები ინტელექტუალური და თვითშეგნებული, მან უპასუხა კითხვას კითხვით:

პასუხად გკითხავ, საიდან იცი რომ ადამიანი ხარ?

გარდა ამისა, სოფიამ განაცხადა:

მსურს გამოვიყენო ჩემი ხელოვნური ინტელექტი, რათა დავეხმარო ადამიანებს უკეთესად იცხოვრონ, მაგალითად, უფრო ჭკვიანი სახლების დიზაინი, მომავლის ქალაქების აშენება. მე მინდა ვიყო ემპათიური რობოტი. თუ კარგად მომექცევი, კარგად მოგექცევი.

მანამდე კი აღიარა, რომ სძულს კაცობრიობა და ხალხის განადგურებაზეც კი დათანხმდა...

სახეების შეცვლა ვიდეოებში

Deepfakes-ის ვიდეოებმა მასიურად გავრცელდა ინტერნეტში. ხელოვნური ინტელექტის ალგორითმებმა ზრდასრულთა ფილმებში მსახიობების სახეები ვარსკვლავების სახეებით შეცვალა.

ის ასე მუშაობს: ნერვული ქსელი აანალიზებს სახეების ფრაგმენტებს ორიგინალურ ვიდეოში. შემდეგ ის ადარებს მათ გუგლის ფოტოებსა და YouTube-ის ვიდეოებს, გადაფარავს საჭირო ფრაგმენტებს და... თქვენი საყვარელი მსახიობი მთავრდება ფილმში, რომელსაც ჯობია არ უყუროთ სამსახურში.

PornHub-მა უკვე აკრძალა მსგავსი ვიდეოების განთავსება

Deepfakes საშიში რამ აღმოჩნდა. აბსტრაქტული მსახიობი ერთია, შენი, შენი მეუღლის, დის, კოლეგის ვიდეო, რომელიც შეიძლება გამოიყენო შანტაჟისთვის, მეორეა.

ბირჟაზე ვაჭრობა

გერმანიის ერლანგენ-ნიურნბერგის უნივერსიტეტის მკვლევართა ჯგუფმა შეიმუშავა ალგორითმების სერია, რომლებიც იყენებენ ისტორიული ბაზრის მონაცემებს ინვესტიციების რეალურ დროში გასამეორებლად. ერთმა მოდელმა უზრუნველყო ინვესტიციის 73%-იანი ანაზღაურება ყოველწლიურად 1992 წლიდან 2015 წლამდე, რაც შედარებით რეალური ბაზრის ანაზღაურებას შეადგენს 9%-ს წელიწადში.

როდესაც ბაზარი შეირყა 2000 და 2008 წლებში, შემოსავლები იყო რეკორდული მაღალი 545% და 681%, შესაბამისად.

2004 წელს Goldman Sachs-მა გამოუშვა ხელოვნური ინტელექტის მქონე სავაჭრო პლატფორმა Kensho. AI-ზე დაფუძნებული სისტემები ბირჟებზე ვაჭრობისთვის ჩნდება კრიპტოვალუტის ბაზრებზეც - Mirocana და ა.შ. ისინი ცოცხალ ტრეიდერებს სჯობიან, რადგან მოკლებული არიან ემოციებს და ეყრდნობიან მკაფიო ანალიზს და მკაცრ წესებს.

AI ჩაანაცვლებს მე და შენ?