이번 글에서는 유전자 알고리즘을 사용해 가장 단순한 인공지능(AI)을 키워본 경험을 공유하고, 행동을 생성하는 데 필요한 최소한의 명령 세트에 대해서도 이야기하겠습니다.

작업 결과, AI는 규칙도 모르고 독립적으로 틱택토 게임을 마스터하고 이에 맞서는 봇의 약점을 찾아냈습니다. 하지만 저는 훨씬 더 간단한 작업으로 시작했습니다.

명령 세트

모든 것은 AI가 가질 수 있는 일련의 명령을 준비하는 것에서 시작되었습니다. 고급 언어에는 수백 가지의 다양한 연산자가 포함되어 있습니다. 필요한 최소값을 강조하기 위해 어셈블리 언어로 전환하기로 결정했습니다. 그러나 그 안에도 많은 명령이 포함되어 있는 것으로 밝혀졌습니다.

데이터를 읽고 출력하고, 메모리 작업을 수행하고, 계산 및 논리 연산을 수행하고, 전환 및 루프를 수행할 수 있는 AI가 필요했습니다. 나는 8개의 명령만 포함하고 어떤 계산도 수행할 수 있는 Brainfuck 언어를 발견했습니다(즉, Turing 완료). 원칙적으로는 유전 프로그래밍에 적합하지만 더 나아갔습니다.

알고리즘을 구현하는 데 필요한 최소 명령 수는 얼마나 되는지 궁금합니다. 결과적으로 단 하나뿐이었습니다!

URISC 프로세서에는 단 하나의 명령만 포함됩니다. 감산이 피감수보다 크면 다음 명령을 빼고 건너뜁니다. 이것은 어떤 알고리즘을 구축하기에 충분합니다.

Oleg Mazonka는 더 나아가 BitBitJump 명령을 개발하고 이것이 Turing 완전함을 입증했습니다. 명령어에는 세 개의 주소가 포함되어 있으며 첫 번째 메모리 주소에서 두 번째 메모리 주소로 한 비트를 복사하고 제어를 세 번째 주소로 전송합니다.

작업을 단순화하기 위해 Oleg의 아이디어를 빌려 SumIfJump 명령을 개발했습니다. 이 명령에는 A, B, C, D의 4개 피연산자가 포함되어 있으며 다음을 수행합니다. 주소 B의 셀에 주소 A의 셀에서 데이터를 추가하고, 값이 지정된 값*보다 크면 주소로 이동합니다. C, 그렇지 않으면 주소 D로 이동합니다.

메모

*이 경우 게놈 길이의 절반인 128이 사용되었습니다.

피연산자 A가 메모리 위치 N0에 액세스하면 데이터 입력이 발생하고, 피연산자 A가 메모리 위치 N1에 액세스하면 출력이 발생합니다.

다음은 FreePascal(Delphi의 무료 아날로그)의 SumIfJump 코드입니다.

절차 RunProg(s: TData); var a, b, c, d: TData; 시작 Inc(NStep); NStep > MaxStep이면 ProgResult:= "MaxStep"을 시작합니다. 출구; 끝; a:= s; b:= s + 1; c:= s + 2; d:= s + 3; a:= 프로그램[a]; b:= 프로그램[b]; c:= 프로그램[c]; d:=프로그램[d]; a = 0이면 ProgResult:= "Input"을 시작합니다. 출구; 끝; a = 1이면 ProgResult:= "Output"을 시작합니다. 출구; 끝; Prog[b] := Prog[b] + Prog[a]; 만약 프로그램[b]< ProgLength div 2 then RunProg(c) else RunProg(d); end;
SumIfJump는 자체 수정 코드를 구현합니다. 기존 프로그래밍 언어에서 사용 가능한 모든 알고리즘을 실행할 수 있습니다. 코드는 변경하기 쉽고 어떤 조작에도 견딜 수 있습니다.

간단한 작업

따라서 우리 AI에는 명령이 하나만 있습니다. 지금까지 tic-tac-toe는 그에게 매우 어려운 게임이었기 때문에 더 간단한 것부터 시작했습니다.

봇은 난수를 생성하고, AI는 데이터를 읽고 답을 주어야 합니다. 숫자가 (난수 범위의) 평균보다 큰 경우 AI는 평균보다 작은 숫자를 생성해야 하며 그 반대의 경우도 마찬가지입니다.

우리 AI의 게놈은 0부터 255까지의 값을 갖는 256개의 셀로 구성됩니다. 각 값은 메모리, 코드, 주소입니다. 코드 실행 단계 수는 256개로 제한됩니다. 피연산자는 차례로 읽혀집니다.

처음에는 게놈이 일련의 난수에 의해 생성되므로 AI는 재생에 필요한 것이 무엇인지 알 수 없습니다. 게다가 봇에 응답할 때 순차적으로 데이터를 입력하고 출력해야 한다는 사실도 모릅니다.

인구 및 선택

첫 번째 인구는 봇을 가지고 놀기 시작하는 256개의 AI로 구성됩니다. 예를 들어 AI가 입력할 데이터를 요청한 후 무언가를 출력하는 등 올바른 작업을 수행하면 AI는 포인트를 받습니다. 더 정확한 조치를 취할수록 더 많은 포인트를 얻을 수 있습니다.

가장 많은 점수를 얻은 16개의 AI는 각각 15명의 자손을 생산하고 계속해서 게임에 참여합니다. 후손은 돌연변이입니다. 돌연변이는 부모 복사본의 임의 셀 하나를 임의의 값으로 대체하여 발생합니다.

첫 번째 모집단에서 AI 점수가 없으면 다음 모집단이 형성됩니다. 그리고 AI 중 하나가 올바른 행동을 수행하고 "올바른" 자손을 생산하기 시작할 때까지 계속됩니다.

진화

중요한 사건들 사이에 수천 번의 세대 변화가 일어났습니다. 이 프로그램은 Core i7의 여러 스레드에서 실행되었습니다. 계산에는 약 15분 정도 소요되었습니다.

AI "리더"가 무작위 실수를 저지르고 충분한 점수를 얻지 못했을 때 인구가 감소하기 시작했습니다. 자손은 "2차" 부모로부터 형성되었습니다.
시간을 재는 외부인이 있는 스트림에서 돌연변이가 성공하여 획득 포인트가 폭발적으로 증가하는 일이 발생했습니다. 그 후 이 흐름이 리더가 되었습니다.
때로는 오랜 시간 동안 성공적인 돌연변이가 발생하지 않았고, 심지어 50만 세대가 지나도 선택이 완료되지 않았습니다.

결론

마지막으로 tic-tac-toe 게임에서도 같은 작업을 수행했습니다. 사용된 게놈 크기는 첫 번째 경우와 동일했습니다. 더 빠른 계산을 위해 단계 수는 1024개로, 인구 규모는 64개로 늘어났습니다. 계산이 조금 더 오래 걸렸습니다. 거의 동일한 시나리오에 따라 모든 일이 일어났습니다.

처음에는 AI가 '랜덤마이저'와 대결했다. 그것이 제가 무작위로 걷는 봇을 불렀던 것입니다. 아주 빨리 AI가 그를 이기기 시작하여 몇 줄을 채웠습니다. 다음으로, 랜덤마이저에 약간의 지능을 추가하여 작업을 복잡하게 만들었습니다. 가능하면 라인을 점령하거나 방어하십시오. 그런데 이 경우 AI가 봇의 약점을 찾아내 이기기 시작했다. 아마도 이것에 대한 이야기는 별도의 기사에 대한 주제일 것입니다.

내 아들은 나에게 AI가 봇이 아닌 AI끼리 플레이할 수 있는 프로그램을 작성해 달라고 요청했습니다. 체커나 바둑에도 똑같이 할 아이디어가 있었지만 더 이상 그럴 시간이 없었습니다.

새로운 개체를 얻기 위해 내가 사용한 유일한 방법은 돌연변이입니다. 교차 및 반전을 사용할 수도 있습니다. 아마도 이러한 방법을 사용하면 원하는 결과를 얻는 속도가 빨라질 것입니다.

결국 AI에 PC의 모든 프로세스를 관리하고 컴퓨터 리소스를 놓고 경쟁할 수 있는 기능을 제공한다는 아이디어가 탄생했습니다. PC를 인터넷에 연결하고 오래된 비트코인 팜 풀을 컴퓨팅 성능으로 사용하세요...

비슷한 실험을 하던 블로거가 말했듯이

인공지능: 차갑고 무감각하며 무형적입니다. 그러나 이것이 미래가 있는 곳입니다. 프로세스 자동화를 향한 크고 중요한 단계를 수행하고 결과적으로 귀중한 전문가의 일상적인 부담의 일부를 제거할 수 있게 해주는 것이 바로 이 과학 분야입니다. 그리고 이제 개발이 시작될 때 우리만이 그것이 무엇인지 결정합니다. 인공지능수십 년 후에 그를 가르쳤습니다.

무엇이 존재하는지 알아 내려고합시다 인공 지능 기계 학습 방법 및 알고리즘.

전통적으로 새롭고 알려지지 않은 것에 대해 많은 논란이 발생합니다. 그리고 이미 AI에 관해 많은 글이 쓰여졌음에도 불구하고 사람들은 이를 완전히 이해하지 못하고 있습니다. 여기에서 다음과 같은 주장이 제기됩니다: "그는 사람들에게서 수백 개의 일자리를 빼앗을 것입니다!", "그는 사람들에게 반항할 것입니다!", "예, 우리는 우리 자신의 무덤을 파고 있습니다!", "조만간 우리는 그렇지 않을 것입니다!" 그를 통제할 수 있어!” 등등. 많은 사람들은 AI를 초지능으로 상상하는데, 이는 스스로 설명할 수 없기 때문에 확실히 위협이 됩니다. 물론, 지금은 사람이 규정한 프로그램의 한계를 넘어서 기술적으로 불가능하다는 말을 듣고 싶어하는 사람은 아무도 없습니다.

그러나 그에게 가르치는 것이 여전히 가능하며 어떻게 이런 일이 발생합니까?

인공 지능 기계 학습 방법:

귀납적 학습

경험적 데이터 획득, 패턴 식별, 각각의 유사한 상황에서 동작 알고리즘 식별

연역적 학습

개인이 다양한 방법으로 얻은 데이터를 형식화하여 데이터베이스에 직접 입력합니다.

인공지능을 위한 기본 의사결정 알고리즘:

나이브 베이즈 분류기

가장 간단한 분류 방법 중 하나입니다.

이 방법은 스캐닝 및 안면/망막/지문 인식 기술, 뉴스 피드의 콘텐츠를 주제별로 나누는 것, 이메일의 문자를 카테고리(특히 스팸 부서)로 나누는 데 사용됩니다.

앙상블 방법은 베이지안 평균을 기반으로 하기 때문에 대략 위에서 설명한 나이브 베이즈 분류기의 파생이라고 할 수 있습니다. 즉, 이 방법은 결과 확률의 교차점을 식별하고, 이 값을 평균화하고, 값의 분산을 제거하는 동시에 주어진 조건 내에서 문제에 대한 솔루션 검색을 제어합니다.

문제에 대한 가장 최적의 해법을 찾을 수 있게 해주는 것이 앙상블 방법으로, 적은 자원을 사용하고 그 결과는 문제의 조건을 최대한 만족시킬 수 있습니다.

방법 자체의 본질과 초평면을 구성하고 이를 사용하는 방법에 대한 설명으로 들어가지 않고 SVM은 분류 및 회귀 분석을 위한 알고리즘으로 설명할 수 있습니다.

비슷한 기술이 사진(머리 색깔, 성별, 의복 색상)에서 물체의 특정 속성을 인식하는 것뿐만 아니라 유전학(DNA 스플라이싱(RNA에서 특정 뉴클레오티드 서열 분리 및 RNA 처리 중 연결))에도 사용됩니다.

의사결정 트리

우리 각자가 매일 사용하는 의사결정 방법(모델)입니다. 그래서 이미 밈이 됐어

그러나 농담은 제쳐두고, 이러한 모델에는 일반적으로 문제, 해결 방법, 각 방법의 결과, 결과 발생 가능성, 자원 비용 및 최종 결과와 같은 요소가 포함됩니다. AI를 사용하는 가장 간단한 기술의 대부분은 이 모델을 기반으로 작동합니다.

논리적 회귀

어떤 상황에서 독립적인 결정을 내릴 수 있는 강력한 인공 지능에 더 가까워질 수 있는 방법입니다. 논리적 회귀는 여러 변수가 주어졌을 때 사건의 발생을 예측하는 방법입니다.

유사한 알고리즘이 기상학, 지진학, 대출, 마케팅 및 기타 분야에서 사용됩니다.

이 방법은 본질적으로 문제 자체를 해결하는 방법이 아니라 각 솔루션의 오류를 확인하는 방법이기 때문에 별도로 강조하고 싶습니다.

위에서 설명한 알고리즘은 지도 학습 방법, 즉 특정 데이터 세트에 특정 레이블(속성)을 할당할 수 있지만 이 레이블을 사용할 수 없는 경우 다른 유사한 상황에서 해당 할당을 예측해야 하는 방법에 사용됩니다. .

우리는 그것을 정리했습니다 기본 인공 지능 기계 학습 알고리즘실무에서 가장 많이 사용됩니다. 문제에 대한 해결책이 절대적으로 명확하고 이 프로세스를 자동화하기만 하면 되는 일상 생활 및 일상 문제 해결에 AI를 적용하는 경우 유사한 알고리즘을 사용할 수 있다는 점을 고려해 볼 가치가 있습니다. 솔루션이 혁신적인 개발이어야 하거나 솔루션이 많은 변수(즉, 주로 정확한 과학의 다양한 영역)에 따라 달라지는 문제에는 더 복잡한 솔루션 알고리즘이 필요합니다. 우리의 소식을 따르세요.

인공지능(AI)(영어) 인공지능, AI)인간의 지능을 이해하는 것을 목표로 하는 지능형 기계 및 시스템, 특히 지능형 컴퓨터 프로그램의 과학 및 개발입니다. 그러나 사용된 방법이 반드시 생물학적으로 타당하지는 않습니다. 그러나 문제는 우리가 어떤 계산 절차를 지능적이라고 부르고 싶은지 알 수 없다는 것입니다. 그리고 우리는 지능의 메커니즘 중 일부만 이해하므로 이 과학 내의 지능은 세상의 목표를 달성하는 능력 중 계산적인 부분만 이해합니다.

다양한 종류지능의 정도는 많은 사람, 동물 및 일부 기계, 지능 정보 시스템 및 다양한 지식 기반을 갖춘 다양한 전문가 시스템 모델에 존재합니다. 동시에, 우리가 볼 수 있듯이 지능에 대한 이러한 정의는 인간 지능에 대한 이해와 관련이 없습니다. 이것은 서로 다른 것입니다. 더욱이 이 과학은 인간 지능을 모델링합니다. 왜냐하면 한편으로는 다른 사람을 관찰하여 기계가 문제를 해결하도록 하는 방법에 대해 배울 수 있고, 다른 한편으로는 AI 분야의 대부분의 작업은 인류가 해결해야 하는 문제를 연구하기 때문입니다. 산업적, 기술적 의미에서. 따라서 AI 연구자들은 특정 문제를 해결하기 위해 필요한 경우 인간에게서 관찰되지 않는 기술을 자유롭게 사용할 수 있습니다.

이러한 의미에서 이 용어는 1956년 다트머스 대학교 회의에서 J. McCarthy에 의해 도입되었으며, 지능은 단지 생물학적 현상일 뿐이라고 믿는 사람들의 비판에도 불구하고 지금까지 과학계에서는 이 용어가 유지되어 왔습니다. 인간 지능의 관점에서 볼 때 명백한 모순에도 불구하고 원래 의미.

철학에서는 인간 지성의 본질과 지위에 대한 문제가 해결되지 않았습니다. 컴퓨터가 '지능'을 달성한다는 정확한 기준도 없습니다. 하지만 인공 지능 초기에는 튜링 테스트나 뉴웰-사이먼 가설 등 수많은 가설이 제안되었습니다. 따라서 AI 문제를 이해하고 지능형 정보 시스템을 구축하기 위한 다양한 접근 방식에도 불구하고 AI 개발에 대한 두 가지 주요 접근 방식을 구분할 수 있습니다.

· 내림차순 (영어) 하향식 AI), 기호학 - 사고, 추론, 말하기, 감정, 창의성 등 높은 수준의 정신적 과정을 시뮬레이션하는 전문가 시스템, 지식 기반 및 논리적 추론 시스템의 생성.

· 오름차순 (영어) 상향식 AI), 생물학적 – 더 작은 "비지능적" 요소를 기반으로 지능적인 행동을 모델링하는 신경망 및 진화적 계산에 대한 연구입니다.

엄밀히 말하면 후자의 접근 방식은 J. McCarthy가 제시한 의미의 인공 지능 과학과 관련이 없으며 오직 공통된 최종 목표에 의해서만 통합됩니다.

새로운 과학의 방향으로서 인공지능의 역사는 20세기 중반부터 시작된다. 이때까지 그 기원에 대한 많은 전제 조건이 이미 형성되었습니다. 철학자들 사이에서는 인간의 본성과 세계를 이해하는 과정에 대해 오랫동안 논쟁이 있었고, 신경 생리학자와 심리학자들은 인간 두뇌의 작용에 관한 여러 이론을 개발했습니다. 생각하고, 경제학자와 수학자들은 최적의 계산과 세상에 대한 지식을 공식화된 형태로 표현하는 것에 대해 질문했습니다. 마침내 수학적 계산 이론의 기초인 알고리즘 이론이 탄생하고 최초의 컴퓨터가 탄생했습니다.

컴퓨팅 속도 측면에서 새로운 기계의 능력은 인간의 것보다 더 큰 것으로 판명되었으므로 과학계는 컴퓨터 능력의 한계는 무엇이며 기계가 인간 발달 수준에 도달할 것인가라는 질문을 제기했습니다. 1950년 컴퓨팅 분야의 선구자 중 한 명인 영국 과학자 앨런 튜링(Alan Turing)은 "기계가 생각할 수 있는가?(Can a Machine Think?)"라는 기사에서 유사한 질문에 대한 답변을 제공하고 컴퓨팅 분야의 순간을 결정하는 절차를 설명합니다. 기계는 지능 측면에서 사람과 동등해집니다. 이를 튜링 테스트라고 합니다.

튜링 테스트(Turing test)는 앨런 튜링(Alan Turing)이 1950년 철학 저널에 게재한 논문 "Computing Machines and Minds"에서 제안한 경험적 테스트입니다. 정신" 이 테스트의 목적은 인간에 가까운 인공적 사고의 가능성을 확인하는 것입니다. 이 테스트의 표준 해석은 다음과 같습니다. “사람은 하나의 컴퓨터 및 한 사람과 상호 작용합니다. 질문에 대한 답변을 바탕으로 그는 자신이 누구와 대화하고 있는지, 즉 사람인지 컴퓨터 프로그램인지 결정해야 합니다. 컴퓨터 프로그램의 목적은 사람이 잘못된 선택을 하도록 오해하는 것입니다.” 모든 테스트 참가자는 서로를 볼 수 없습니다.

인공지능을 정의하는 데에는 세 가지 접근 방식이 있습니다.

1) 논리적 접근인공 지능 시스템을 만드는 것은 술어의 언어를 사용하여 지식 기반의 논리적 모델을 갖춘 전문가 시스템을 만드는 것을 목표로 합니다. 언어 및 논리 프로그래밍 시스템인 프롤로그(Prolog)는 80년대 인공지능 시스템의 교육모델로 채택됐다. Prolog 언어로 작성된 지식 기반은 논리적 언어로 작성된 일련의 사실과 논리적 추론 규칙을 나타냅니다. 지식베이스의 논리적 모델을 사용하면 Prolog 언어의 사실 형식으로 특정 정보 및 데이터뿐만 아니라 특정 지식을 구체적으로 표현하는 개념을 정의하는 논리적 규칙을 포함하여 논리적 추론의 규칙 및 절차를 사용하여 일반화된 정보도 기록할 수 있습니다. 그리고 일반화된 정보. 일반적으로 지식 기반 및 전문가 시스템 설계에 대한 논리적 접근 방식 내에서 컴퓨터 과학의 인공 지능 문제에 대한 연구는 학생 교육 문제를 포함하여 지능형 정보 시스템의 생성, 개발 및 운영을 목표로 합니다. 이러한 지능형 정보 시스템의 사용자 및 개발자를 교육합니다.

2) 에이전트 기반 접근 방식 1990년대 초반부터 발전해 왔다. 이 접근 방식에 따르면 지능은 지능형 기계에 대해 설정된 목표를 달성하는 능력의 계산 부분(계획)입니다. 이러한 기계 자체는 센서를 사용하여 주변 세계를 인식하고 액추에이터를 사용하여 환경의 객체에 영향을 미칠 수 있는 지능형 에이전트가 될 것입니다. 이 접근 방식은 지능형 에이전트가 작업을 수행하는 동안 환경에서 생존하는 데 도움이 되는 방법과 알고리즘에 중점을 둡니다. 따라서 검색 및 의사 결정 알고리즘은 여기에서 훨씬 더 강력하게 연구됩니다.

3) 직관적인 접근 AI가 정상적인 상황에서 인간과 다르지 않은 행동을 보일 수 있다고 가정합니다. 이 아이디어는 튜링 테스트 접근 방식을 일반화한 것으로, 기계가 일반 사람과 대화를 계속할 수 있을 때 지능을 갖게 되며, 일반 사람은 자신이 기계와 대화하고 있다는 사실을 이해할 수 없게 된다는 것입니다. 대화는 서신으로 진행됩니다).

정의는 AI 분야에서 다음과 같은 연구 영역을 선택했습니다.

- 사고 과정의 상징적 모델링.

AI의 역사를 분석해보면 모델링 추론이라는 광범위한 영역을 확인할 수 있다. 수년 동안 과학으로서의 AI의 발전은 정확하게 이 경로를 따라 진행되어 왔으며 이제는 현대 AI에서 가장 발전된 영역 중 하나입니다. 모델링 추론에는 입력이 특정 문제이고 출력에는 해당 솔루션이 필요한 기호 시스템의 생성이 포함됩니다. 일반적으로 제안된 문제는 이미 공식화되었습니다. 즉, 수학적 형식으로 변환되었지만 솔루션 알고리즘이 없거나 너무 복잡하고 시간이 많이 소요됩니다. 이 영역에는 정리 증명, 결정이 포함됩니다. 제작 및 게임 이론, 기획 및 파견, 예측.

- 자연어를 사용하여 작업합니다.

중요한 영역은 "인간" 언어로 된 텍스트를 이해하고, 처리하고, 생성하는 능력을 분석하는 자연어 처리입니다. 특히, 한 언어에서 다른 언어로의 텍스트를 기계 번역하는 문제는 아직 해결되지 않았습니다. 안에 현대 세계정보 검색 방법의 개발이 중요한 역할을 합니다. 원래의 튜링 테스트는 본질적으로 이 방향과 관련이 있습니다.

- 지식의 축적과 활용.

많은 과학자들에 따르면 지능의 중요한 속성은 학습 능력입니다. 따라서 단순한 정보로부터 지식을 얻는 작업, 체계화 및 사용을 결합하는 지식 공학이 전면에 등장합니다. 이 분야의 발전은 AI 연구의 거의 모든 영역에 영향을 미칩니다. 여기서도 두 가지 중요한 하위 영역을 간과할 수 없습니다. 그 중 첫 번째인 기계 학습은 지능형 시스템이 작동하는 과정에서 독립적으로 지식을 획득하는 프로세스에 관한 것입니다. 두 번째는 전문 지식 기반을 사용하여 모든 문제에 대해 신뢰할 수 있는 결론을 얻는 프로그램인 전문가 시스템의 생성과 관련이 있습니다.

기계 학습 분야에는 다양한 종류의 패턴 인식 문제가 포함됩니다. 예를 들어 문자 인식, 필기 텍스트, 음성, 텍스트 분석 등이 있습니다. 생물학적 모델링을 사용하면 많은 문제가 성공적으로 해결됩니다. 생물학적 모델링

생물학적 시스템 모델링 분야에서는 훌륭하고 흥미로운 성과가 있습니다. 엄밀히 말하면 여기에는 여러 가지 독립적인 방향이 포함될 수 있습니다. 신경망은 기하학적 모양 인식이나 객체 클러스터링과 같은 모호하고 복잡한 문제를 해결하는 데 사용됩니다. 유전적 접근 방식은 알고리즘이 다른 알고리즘("모체")에서 더 나은 특성을 차용하면 더 효율적이 될 수 있다는 생각에 기반을 두고 있습니다. 외부 환경과 상호 작용하는 에이전트인 자율 프로그램을 생성하는 작업을 수행하는 비교적 새로운 접근 방식을 에이전트 접근 방식이라고 합니다. 특히 언급할 가치가 있는 것은 로봇 공학과도 관련된 컴퓨터 비전입니다.

- 로봇 공학.

일반적으로 로봇공학과 인공지능은 서로 연관되는 경우가 많습니다. 이 두 과학의 융합, 즉 지능형 로봇의 탄생은 AI의 또 다른 영역이라고 볼 수 있다.

- 기계의 창의성.

인간 창의성의 본질은 지능의 본질보다 훨씬 덜 연구되었습니다. 그럼에도 불구하고 이 영역은 존재하며, 컴퓨터로 음악을 쓰는 것, 문학 작품(종종 시나 동화), 예술적 창작의 문제가 여기에 제기됩니다. 사실적인 이미지를 만드는 것은 영화와 게임 산업에서 널리 사용됩니다. 지능형 시스템에 이 기능을 추가하면 시스템이 정확히 무엇을 인식하고 어떻게 이해하는지 매우 명확하게 보여줄 수 있습니다. 누락된 정보 대신 노이즈를 추가하거나 시스템에서 사용 가능한 지식으로 노이즈를 필터링함으로써 사람이 쉽게 인지할 수 있는 추상적인 지식으로부터 구체적인 이미지를 생성하며, 이는 특히 직관적이고 가치가 낮은 지식에 유용하며 이를 검증하는 데 유용합니다. 공식적인 형식은 상당한 정신적 노력을 필요로 합니다.

- 기타 연구 분야.

인공지능의 응용은 다양하며, 각각은 거의 독립적인 방향을 형성합니다. 예를 들면 프로그래밍 지능이 포함됩니다. 컴퓨터 게임, 비선형 제어, 지능형 정보 보안 시스템.

지능형 시스템 구축에 대한 접근 방식.상징적 접근 방식을 사용하면 약하게 형식화된 표현과 그 의미를 다룰 수 있습니다. 효율성과 전반적인 효과는 필수 정보만 강조 표시하는 능력에 따라 달라집니다. 인간의 마음이 효과적으로 해결하는 다양한 종류의 문제에는 추상화 방법에 있어서 놀라운 유연성이 필요합니다. 연구자에게 가장 가까운 일부 문제에 대한 효과적인 솔루션을 신속하게 제공할 수 있는 능력 때문에 의도적으로 결함이 있는 기준을 기반으로 연구자가 처음에 선택한 어떤 공학적 접근 방식으로는 접근할 수 없습니다. 즉, 이미 규칙 형태로 구현된 엔터티의 추상화 및 구성에 대한 단일 모델입니다. 이로 인해 비핵심 작업에 상당한 리소스가 지출됩니다. 즉, 시스템이 대부분의 작업에 대해 지능에서 무차별 대입 방식으로 돌아가고 지능의 본질 자체가 프로젝트에서 사라집니다.

본격적인 지식 단위가 아닌 구성 요소가 논리적이지 않기 때문에 규칙을 개발하는 작업이 상징적 논리 없이는 특히 어렵습니다. 대부분의 연구는 적어도 이전 단계에서 선택한 상징 체계를 사용하여 발생한 새로운 어려움을 식별하는 것이 불가능하다는 점에서 멈춥니다. 더욱이, 문제를 해결하고, 특히 문제를 해결하도록 컴퓨터를 훈련시키거나 적어도 그러한 상황을 식별하고 벗어나십시오.

역사적으로 상징적 접근 방식은 디지털 기계 시대의 첫 번째 방식이었습니다. 왜냐하면 최초의 상징적 컴퓨팅 언어인 Lisp가 만들어진 이후 저자가 이러한 지능 수단을 실제로 구현하기 시작할 가능성을 확신하게 되었기 때문입니다. 어떤 유보나 관례도 없이 그 자체로 지능입니다.

여러 모델을 동시에 사용하는 하이브리드 지능형 시스템을 만드는 것이 널리 실행되고 있습니다. 전문가 추론 규칙은 신경망을 통해 생성할 수 있으며, 생성 규칙은 통계 학습을 사용하여 얻습니다.

퍼지 집합 이론의 개발.퍼지 집합 이론의 발전은 퍼지 집합의 개념을 최초로 소개한 미국의 로트피 자데(Lotfi Zadeh) 교수가 발표한 논문 “퍼지 집합(Fuzzy Set)”에서 시작되었으며, 퍼지 집합의 개념을 제안하고 퍼지 집합 이론의 첫 번째 개념을 제시했다. 실제 시스템을 설명합니다. 퍼지 집합 이론의 가장 중요한 방향은 시스템 제어 및 모델 형성 실험에 사용되는 퍼지 논리입니다.

60년대는 이진 논리를 기반으로 한 컴퓨터와 디지털 기술이 급속히 발전하는 시기였습니다. 당시에는 이 논리를 사용하면 많은 과학적, 기술적 문제를 해결할 수 있다고 믿었습니다. 이러한 이유로 퍼지 논리의 출현은 개념적 혁명적 성격에도 불구하고 거의 눈에 띄지 않았습니다. 그러나 퍼지 논리의 중요성은 과학계의 많은 대표자들에 의해 인식되어 왔으며 다양한 산업 응용 분야에서 실용적으로 구현될 뿐만 아니라 개발되었습니다. 얼마 후 이진 논리를 기반으로 한 기술 지지자들을 통합하는 과학 학교 측에서 이에 대한 관심이 증가하기 시작했습니다. 이는 사용 가능한 계산 속도가 크게 향상되었음에도 불구하고 전통적인 수학적 모델과 방법을 사용하여 해결할 수 없는 실제적인 문제가 상당히 많이 발견되었기 때문에 발생했습니다. 퍼지 논리에서 그 특징을 찾을 수 있는 새로운 방법론이 필요했습니다.

퍼지 논리는 로봇 공학과 마찬가지로 그 본국인 미국이 아닌 국경 너머에서 큰 관심을 받았고, 그 결과 발전소의 보일러 설치를 제어하기 위해 퍼지 논리를 산업적으로 활용한 최초의 경험은 다음과 같습니다. 유럽과 연관됨. 증기 보일러를 제어하기 위해 때로는 매우 복잡한 전통적인 방법을 사용하려는 모든 시도는 실패로 끝났습니다. 이 비선형 시스템은 너무 복잡한 것으로 판명되었습니다. 그리고 퍼지 로직의 사용만으로도 모든 요구 사항을 만족하는 컨트롤러의 합성이 가능해졌습니다. 1976년에 퍼지 논리는 시멘트 생산에서 회전 가마의 자동 제어 시스템의 기초로 사용되었습니다. 그러나 유럽과 미국에서 얻은 퍼지 논리를 사용한 첫 번째 실제 결과는 이에 대한 관심을 크게 증가시키지 못했습니다. 로봇공학과 마찬가지로, 퍼지 논리의 엄청난 잠재력을 깨닫고 가장 먼저 널리 보급하기 시작한 나라는 일본이었습니다.

일본에서 만들어진 응용 퍼지 시스템 중에서 가장 유명한 것은 히타치가 센다이에서 개발한 지하철 열차 제어 시스템이다. 이 프로젝트는 숙련된 운전자의 참여로 구현되었으며, 이들의 지식과 경험은 개발된 제어 모델의 기초를 형성했습니다. 시스템은 열차가 역에 접근할 때 자동으로 속도를 줄여 필요한 위치에 정차하도록 했습니다. 열차의 또 다른 장점은 부드러운 가속과 감속으로 인해 높은 승차감이었습니다. 기존 제어 시스템에 비해 다른 장점도 많이 있었습니다.

일본에서 퍼지 논리의 급속한 발전으로 인해 퍼지 논리는 산업 분야뿐만 아니라 소비재 생산에도 실용적으로 적용되었습니다. 여기에는 운영자의 경험 부족으로 인한 이미지 변동을 보상하는 데 사용된 퍼지 이미지 안정화 하위 시스템이 장착된 비디오 카메라가 있습니다. 이 문제는 이미지의 무작위적 변동과 사진 촬영 대상의 의도적인 움직임(예: 사람의 움직임)을 구별해야 했기 때문에 전통적인 방법으로 해결하기에는 너무 복잡했습니다.

또 다른 예로는 버튼 하나만 누르면 작동되는 자동 세탁기가 있습니다(Zimmerman 1994). 이 “충성”은 관심을 불러일으켰고 승인을 받았습니다. 퍼지 논리 방법을 사용하면 세탁 과정을 최적화할 수 있었고 옷의 종류, 양, 오염 정도를 자동으로 인식할 수 있었으며, 기계 제어 메커니즘을 버튼 하나로 줄여 세탁이 훨씬 쉬워졌습니다. 핸들.

퍼지 논리 발명은 전자레인지(Sanyo), 잠김 방지 제동 시스템 및 자동 변속기(Nissan), 통합 차량 동역학 제어(INVEC) 및 컴퓨터의 하드 드라이브 컨트롤러를 포함한 많은 다른 장치에서 일본 기업에 의해 구현되었습니다. 정보 접근 시간 단축.

위에서 언급한 애플리케이션 외에도 90년대 초반부터. 기술과 관련되지 않은 분야를 포함하여 다양한 적용 분야에서 퍼지 방법이 집중적으로 개발되고 있습니다.

전자 심장박동기 제어 시스템;

자동차 제어 시스템;

냉각 시스템;

에어컨 및 환기 장비;

폐기물 소각 설비;

유리 용해로;

혈압 모니터링 시스템;

종양 진단;

심혈관계의 현재 상태를 진단합니다.

크레인 및 교량의 제어 시스템;

이미지 처리;

고속충전기;

단어 인식;

바이오프로세서 관리;

전기 모터 제어;

용접 장비 및 용접 공정;

교통 통제 시스템;

생의학 연구;

수처리 공장.

안에 현재인공 지능을 만들 때(원래 의미에서 전문가 시스템과 체스 프로그램은 여기에 속하지 않습니다) AI와 적어도 어느 정도 관련이 있는 모든 주제 영역을 지식 기반으로 집중적으로 연마합니다. 거의 모든 접근 방식이 테스트되었지만 단일 연구 그룹이 인공 지능의 출현에 접근한 경우는 없습니다.

AI 연구는 컴퓨터 과학, 전문가 시스템, 나노기술, 분자 생체전자공학, 이론 생물학, 양자 이론, 누트로픽, 외인성 물질 등과 같은 특이점 기술(종의 도약, 기하급수적 인간 발달)의 일반적인 흐름에 합류했습니다. 일일 스트림 참조 커즈와일 뉴스, MIT.

AI 분야의 개발 결과는 컴퓨터 과학 교과서의 형태로 러시아의 고등 및 중등 교육에 들어갔습니다. 여기서 지식 기반 작업 및 생성 문제, 국내 논리 프로그래밍 시스템을 기반으로 한 개인용 컴퓨터 기반 전문가 시스템이 현재 연구되고 있습니다. 학교와 대학의 지식 기반 모델과 전문가 시스템을 사용한 사례를 사용하여 수학과 컴퓨터 과학의 근본적인 문제를 연구합니다.

다음과 같은 인공 지능 시스템이 개발되었습니다.

1. Deep Blue - 세계 체스 챔피언을 이겼습니다. (Kasparov와 슈퍼컴퓨터 간의 경기는 컴퓨터 과학자나 체스 플레이어 모두에게 만족을 주지 못했고 원래의 컴팩트 체스 프로그램은 체스 창의성의 필수 요소이지만 Kasparov는 시스템을 인식하지 못했습니다. 그런 다음 IBM 슈퍼컴퓨터 라인이 무차별 프로젝트인 BluGene(분자 모델링)과 스위스 블루 브레인 센터의 피라미드 세포 시스템 모델링 이 이야기는 AI, 비즈니스 및 국가 전략 목표 간의 복잡하고 비밀스러운 관계를 보여주는 예입니다.

2. 마이신은 소규모 질병을 종종 의사만큼 정확하게 진단할 수 있는 초기 전문가 시스템 중 하나였습니다.

3. 20q는 고전 게임 “20가지 질문”을 기반으로 한 AI 아이디어를 기반으로 한 프로젝트입니다. 20q.net 웹사이트에 인터넷에 등장한 후 큰 인기를 얻었습니다.

4. 음성 인식. ViaVoice와 같은 시스템은 소비자에게 서비스를 제공할 수 있습니다.

5. 로봇은 연례 RoboCup 토너먼트에서 단순화된 형태의 축구로 경쟁합니다.

은행은 증권거래소와 자산관리를 할 때 보험 활동(계리 수학)에 인공지능 시스템(AI)을 사용합니다. 2001년 8월, 로봇은 즉석 거래 경쟁에서 인간을 이겼습니다(BBC News, 2001). 패턴 인식 방법(더 복잡하고 전문화된 신경망 포함)은 광학 및 음향 인식(텍스트 및 음성 포함), 의료 진단, 스팸 필터, 대공 방어 시스템(표적 식별)에 널리 사용됩니다. 기타 국가 안보 업무.

컴퓨터 게임 개발자는 다양한 수준의 정교함을 갖춘 AI를 사용해야 합니다. 게임에서 AI의 표준 작업은 2차원 또는 3차원 공간에서 경로 찾기, 전투 유닛의 동작 시뮬레이션, 올바른 경제 전략 계산 등입니다.

인공지능은 트랜스휴머니즘과 밀접한 관련이 있다. 그리고 신경생리학, 인식론, 인지 심리학과 함께 인지 과학이라는 보다 일반적인 과학을 형성합니다. 철학은 인공지능에서 특별한 역할을 한다. 또한 철학의 틀 안에서 지식을 과학화하는 인식론은 인공지능의 문제와 밀접한 관련이 있다. 이 주제를 연구하는 철학자들은 지식과 정보를 가장 잘 표현하고 사용하는 방법에 관해 AI 엔지니어가 직면한 것과 유사한 질문을 놓고 씨름하고 있습니다. 데이터로부터 지식을 생산하는 것은 데이터 마이닝의 기본 문제 중 하나입니다. 신경망 언어화 절차를 사용하여 신경망 기술을 기반으로 하는 방법을 포함하여 이 문제를 해결하는 다양한 접근 방식이 있습니다.

컴퓨터과학에서는 인공지능의 문제점을 전문가 시스템과 지식베이스 설계의 관점에서 고찰한다. 지식 기반은 논리적 추론과 의미 있는 정보 처리를 가능하게 하는 일련의 데이터 및 추론 규칙으로 이해됩니다. 일반적으로 컴퓨터 과학에서 인공지능 문제에 대한 연구는 지능형 정보 시스템의 생성, 개발 및 운영을 목표로 하며, 이러한 시스템의 사용자 및 개발자 교육 문제도 포함됩니다.

'인공지능 창조'라는 과학은 철학자들의 관심을 끌 수밖에 없었다. 최초의 지능형 시스템의 출현으로 인간과 지식, 부분적으로는 세계 질서에 관한 근본적인 질문이 제기되었습니다. 한편으로 그들은 이 과학과 불가분의 관계가 있고 다른 한편으로는 그것에 혼란을 가져옵니다. 인공지능 창조에 대한 철학적 문제는 상대적으로 말하자면 “AI 개발 전과 후”의 두 그룹으로 나눌 수 있다. 첫 번째 그룹은 "AI란 무엇이며, 만드는 것이 가능하며, 가능하다면 어떻게 만드는가?"라는 질문에 답합니다. 두 번째 그룹(인공지능의 윤리)은 “인류를 위한 AI를 만드는 결과는 무엇인가?”라는 질문을 던집니다.

인공지능을 만드는 문제. AI 개발에는 두 가지 방향이 보입니다. 첫 번째는 전문 AI 시스템을 인간의 능력에 더 가깝게 만드는 것과 관련된 문제를 해결하는 것과 인간 본성에 의해 실현되는 통합, 두 번째는 다음을 나타내는 인공 지능의 생성입니다. 이미 생성된 AI 시스템을 인류의 문제를 해결할 수 있는 단일 시스템으로 통합하는 것입니다.

AI 연구자들 사이에는 지능의 기준, 해결해야 할 목표와 과제의 체계화에 대해 아직 지배적인 관점이 없으며 과학에 대한 엄격한 정의조차 없습니다. 무엇이 지능으로 간주되는지에 대한 질문에는 다양한 관점이 있습니다. 분석적 접근 방식에는 사람의 더 높은 신경 활동을 분할할 수 없는 가장 낮은 수준(더 높은 신경 활동의 기능, 외부 자극(자극)에 대한 기본 반응, 기능으로 연결된 일련의 뉴런의 시냅스 자극)까지 분석하는 작업이 포함됩니다. 이러한 기능의 후속 재생산.

일부 전문가들은 정보가 부족한 상황에서 합리적이고 동기가 부여된 선택 능력을 지능으로 착각합니다. 즉, 지적 프로그램은 단순히 일련의 특정 대안 중에서 선택할 수 있는 활동 프로그램으로 간주됩니다. 예를 들어 "당신은 왼쪽으로 갈 것입니다...", "당신은 오른쪽으로 갈 것입니다"의 경우 어디로 갈 것입니까? ...”, “직진하겠습니다…

인공지능 철학에서 가장 뜨거운 논쟁은 인간의 손이 만들어낸 사고의 가능성에 대한 문제이다. 연구자들이 인간의 마음을 시뮬레이션하는 과학을 창안하게 된 계기가 된 “기계가 생각할 수 있는가?”라는 질문은 1950년 앨런 튜링(Alan Turing)에 의해 제기되었습니다. 이 문제에 대한 두 가지 주요 관점을 강인공지능 가설과 약한 인공지능 가설이라고 합니다.

"강력한 인공 지능"이라는 용어는 John Searle에 의해 소개되었으며, 그의 말에 따르면 접근 방식은 다음과 같습니다. "이러한 프로그램은 단순한 마음의 모델이 아닙니다. 인간의 마음이 마음인 것과 같은 의미에서 문자 그대로의 의미에서 그녀 자신이 마음이 될 것입니다.” 이와 대조적으로 약한 AI를 지지하는 사람들은 프로그램을 인간의 인지 능력 전체가 필요하지 않은 특정 문제를 해결할 수 있는 도구로만 보는 것을 선호합니다.

John Searle의 "중국 방" 사고 실험은 Turing 테스트를 통과하는 것이 기계가 진정한 사고 과정을 갖는 기준이 아니라고 주장합니다. 사고는 분석, 종합, 자가 프로그래밍 등 기억에 저장된 정보를 처리하는 과정입니다. 유사한 입장을 취하는 Roger Penrose는 그의 저서 "The King's New Mind"에서 형식 시스템을 기반으로 사고 과정을 얻는 것이 불가능하다고 주장합니다.

6. 컴퓨팅 장치 및 마이크로프로세서.

마이크로프로세서(MP)는 정보를 수신, 처리 및 발행하는 장치입니다. 구조적으로 MP는 하나 이상의 집적 회로를 포함하며 메모리에 저장된 프로그램에 의해 정의된 작업을 수행합니다(그림 6.1).

그림 6.1– MP 출연

초기 프로세서는 독특한 컴퓨터 시스템을 위한 고유한 구성 요소로 만들어졌습니다. 나중에 컴퓨터 제조업체는 하나 또는 몇 개의 고도로 전문화된 프로그램을 실행하도록 설계된 프로세서를 개발하는 값비싼 방법에서 일반적인 클래스의 다목적 프로세서 장치를 대량 생산하는 방법으로 전환했습니다. 컴퓨터 부품의 표준화 추세는 반도체 소자, 메인프레임 및 미니컴퓨터의 급속한 발전 시대에 발생했으며 집적 회로의 출현으로 더욱 대중화되었습니다. 초소형 회로의 생성으로 CPU의 복잡성을 더욱 높이는 동시에 물리적 크기를 줄일 수 있게 되었습니다.

프로세서의 표준화와 소형화로 인해 이를 기반으로 한 디지털 장치가 인간의 일상생활에 깊이 침투하게 되었습니다. 최신 프로세서는 컴퓨터와 같은 첨단 장치뿐만 아니라 자동차, 계산기, 휴대폰, 심지어 어린이 장난감에서도 찾아볼 수 있습니다. 대부분의 경우 컴퓨팅 장치 외에도 추가 구성 요소(프로그램 및 데이터 메모리, 인터페이스, 입력/출력 포트, 타이머 등)가 칩에 위치하는 마이크로 컨트롤러로 표시됩니다. 마이크로 컨트롤러의 컴퓨팅 기능은 10년 전 개인용 컴퓨터의 프로세서와 비슷하며 성능을 크게 초과하는 경우도 많습니다.

마이크로프로세서 시스템(MPS)은 주요 정보 처리 장치가 MP인 컴퓨팅, 계측 또는 제어 시스템입니다. 마이크로프로세서 시스템은 마이크로프로세서 LSI 세트로 구성됩니다(그림 6.2).

그림 6.2– 마이크로프로세서 시스템의 예

클록 생성기는 명령 실행 기간 동안 측정 단위(양자)인 시간 간격을 설정합니다. 주파수가 높을수록 MPS는 더 빨라지고 다른 조건은 동일합니다. MP, RAM 및 ROM은 시스템의 필수 부분입니다. 입력 및 출력 인터페이스 - MPS를 입력 및 출력 블록과 인터페이스하는 장치입니다. 측정 장비는 푸시 버튼 리모콘 형태의 입력 장치와 측정 변환기(ADC, 센서, 디지털 정보 입력 장치)가 특징입니다. 출력 장치는 일반적으로 측정 시스템과의 인터페이스를 위한 디지털 디스플레이, 그래픽 화면(디스플레이) 및 외부 장치를 나타냅니다. 모든 MPS 블록은 디지털 정보 전송 버스로 상호 연결됩니다. MPS는 블록이 단일 데이터 버스를 통해 정보를 교환하는 백본 통신 원리를 사용합니다. 데이터 버스의 라인 수는 일반적으로 MPS 용량(데이터 워드의 비트 수)에 해당합니다. 주소 버스는 데이터 전송 방향을 나타내는 데 사용됩니다. 즉, 현재 정보를 수신하거나 전송 중인 메모리 셀이나 I/O 블록의 주소를 전송합니다. 제어 버스는 MPS의 전체 작동을 동기화하는 신호를 전송하는 데 사용됩니다.

IPS의 구성은 세 가지 원칙을 기반으로 합니다.

메인라인;

모듈성;

마이크로프로그램 제어.

트렁킹 원리 - MPS의 기능 블록 간 연결 특성을 결정합니다. 모든 블록은 단일 시스템 버스에 연결됩니다.

모듈화의 원칙은 시스템이 구조적, 기능적으로 완전한 모듈의 제한된 수의 유형을 기반으로 구축된다는 것입니다.

트렁킹 및 모듈화 원칙을 통해 다른 모듈을 시스템 버스에 연결하여 MP의 제어 및 컴퓨팅 기능을 향상시킬 수 있습니다.

마이크로프로그램 제어의 원리는 마이크로명령(교대, 정보 전송, 논리 연산)과 같은 기본 작업을 수행할 수 있는 능력입니다. 이를 통해 기술 언어가 생성됩니다. 즉, 시스템 목적에 가장 적합한 명령 세트입니다.

MP는 목적에 따라 범용 MP와 전문 MP로 구분됩니다.

범용 마이크로프로세서는 광범위한 종류의 컴퓨팅, 처리 및 제어 문제를 해결하는 범용 마이크로프로세서입니다. 범용 MP 사용의 예로는 IBM 및 Macintosh 플랫폼에 구축된 컴퓨터가 있습니다.

특수 마이크로프로세서는 특정 클래스의 문제만 해결하도록 설계되었습니다. 전문 MP에는 신호, 멀티미디어 MP 및 변환기가 포함됩니다.

신호 프로세서(DSP)는 실시간 디지털 신호 처리(예: 신호 필터링, 컨볼루션 계산, 상관 함수 계산, 신호 제한 및 조절, 순방향 및 역 푸리에 변환 수행)용으로 설계되었습니다. (그림 6.3) 신호 프로세서에는 Texas Instruments(TMS320C80), Analog Devices(ADSP2106x), Motorola -DSP560xx 및 DSP9600x의 프로세서가 포함됩니다.

그림 6.3– 내부 DSP 구조 예시

미디어 및 멀티미디어 프로세서는 오디오 신호, 그래픽 정보, 비디오 이미지를 처리하고 멀티미디어 컴퓨터, 게임 콘솔 및 가전 제품의 여러 문제를 해결하도록 설계되었습니다. 이러한 프로세서에는 MicroUnity - Mediaprocessor, Philips - Trimedia, Cromatic Research - Mpact Media Engine, Nvidia - NV1, Cyrix - MediaGX의 프로세서가 포함됩니다.

변환기는 대규모 병렬 계산을 구성하고 다중 프로세서 시스템에서 작동하도록 설계되었습니다. 이는 내부 메모리와 내장형 프로세서 간 인터페이스, 즉 다른 MP LSI와의 통신 채널이 있다는 특징이 있습니다.

아키텍처 유형이나 건축 원리에 따라 폰 노이만 아키텍처를 사용하는 MP와 하버드 아키텍처를 사용하는 MP를 구분합니다.

마이크로프로세서 아키텍처의 개념은 구성 요소 부분뿐만 아니라 이들 사이의 연결 및 상호 작용을 정의합니다.

아키텍처에는 다음이 포함됩니다.

MP의 구조도;

MP 소프트웨어 모델(레지스터 기능 설명)

메모리 구성에 대한 정보(용량 및 메모리 주소 지정 방법)

입력/출력 절차의 구성에 대한 설명입니다.

Fonneumann 아키텍처(그림 6.4, a)는 1945년 미국 수학자 Joe von Neumann이 제안했습니다. 그 특징은 프로그램과 데이터가 하나의 데이터와 명령 버스를 통해 액세스되는 공유 메모리에 있다는 것입니다.

하버드 아키텍처는 1944년 미국 하버드 대학교의 릴레이 컴퓨터에서 처음 구현되었습니다. 이 아키텍처의 특징은 데이터 메모리와 프로그램 메모리가 분리되어 있으며 별도의 데이터 버스와 명령 버스(그림 6.4, b)를 갖고 있어 MP 시스템의 성능을 향상시킬 수 있다는 것입니다.

그림 6.4.주요 아키텍처 유형: (a - von Neumann, 6 - Harvard)

명령어 시스템 유형에 따라 전체 명령어 세트를 갖춘 CISC(Complete Instruction Set Computing) 프로세서와(일반적으로 CISC의 대표자는 Intel x86 마이크로프로세서 제품군임) 사이에 구분됩니다. RISC 프로세서(Reduced Instruction Set Computing) 감소된 명령어 세트(고정 길이 명령어의 존재, 많은 수의 레지스터, 레지스터 간 연산 및 간접 주소 지정이 없는 것이 특징)를 사용합니다.

단일 칩 마이크로 컨트롤러(MCU)는 전자 장치를 제어하도록 설계된 칩입니다(그림 5). 일반적인 마이크로 컨트롤러는 프로세서와 주변 장치의 기능을 결합하며 RAM과 ROM을 포함할 수 있습니다. 기본적으로 이는 간단한 작업을 수행할 수 있는 단일 칩 컴퓨터입니다. 전체 세트 대신 단일 칩을 사용하면 마이크로컨트롤러 기반 장치의 크기, 전력 소비 및 비용이 크게 줄어듭니다.

그림 6.5– 마이크로컨트롤러 디자인의 예

마이크로컨트롤러는 내장형 시스템을 구축하기 위한 기초입니다. 세탁기등 세계에서 생산되는 대부분의 프로세서는 마이크로 컨트롤러입니다.

현재 Intel의 i8051, Microchip Technology의 PIC 마이크로컨트롤러, Atmel의 AVR, TI의 16비트 MSP430 및 ARM이 개발한 아키텍처인 ARM과 호환되는 8비트 마이크로컨트롤러는 다른 회사에 라이센스를 판매합니다. 그들의 생산은 개발자들 사이에서 인기가 있습니다.

마이크로컨트롤러를 설계할 때 크기와 비용, 유연성과 성능 사이의 균형을 유지해야 합니다. 다양한 애플리케이션의 경우 이러한 매개변수와 기타 매개변수의 최적 균형은 크게 다를 수 있습니다. 따라서 프로세서 모듈의 아키텍처, 내장 메모리의 크기 및 유형, 주변 장치 세트, 케이스 유형 등이 다른 수많은 유형의 마이크로 컨트롤러가 있습니다.

마이크로 컨트롤러에 존재할 수 있는 주변 장치의 일부 목록은 다음과 같습니다.

입력 또는 출력용으로 구성할 수 있는 범용 디지털 포트

UART, I²C, SPI, CAN, USB, IEEE 1394, 이더넷과 같은 다양한 I/O 인터페이스;

아날로그-디지털 및 디지털-아날로그 변환기;

비교기;

펄스 폭 변조기;

타이머, 내장형 클록 생성기 및 감시 타이머;

브러시리스 모터 컨트롤러;

디스플레이 및 키보드 컨트롤러

무선 주파수 수신기 및 송신기;

내장 플래시 메모리 배열.

인공지능은 우리가 미래에도 반드시 가지고 갈 기술입니다.

우리는 그것이 어떻게 작동하는지 그리고 우리가 발견한 어떤 멋진 용도를 알려드릴 것입니다.

🙂 기술 섹션은 re:Store의 지원을 받아 매주 게시됩니다.

인공지능이란 무엇인가

인공지능(AI)은 기존 정보를 바탕으로 창의적 문제를 해결하고 새로운 정보를 생성할 수 있는 스마트한 프로그램과 기계를 만드는 기술이다. 실제로 인공지능은 지능적인 것으로 간주되는 인간의 활동을 시뮬레이션하도록 설계되었습니다.

전통적으로 창의성은 인간에게만 고유한 것이라고 믿어왔습니다. 그러나 인공지능의 탄생은 사물의 일반적인 질서를 변화시켰다

단순히 기계적으로 나무를 자르는 로봇에는 AI가 탑재되어 있지 않습니다. 사람이나 통나무와 그 부품의 예를 보면서 스스로 나무를 자르는 법을 배우고, 매번 더 잘하는 로봇에는 AI가 있습니다.

프로그램이 단순히 특정 규칙에 따라 데이터베이스에서 값을 검색하는 경우에는 AI가 탑재되지 않습니다. 훈련 후 시스템이 프로그램, 방법 및 문서를 생성하여 특정 문제를 해결한다면 AI가 있습니다.

인공지능 시스템을 만드는 방법

세계적인 의미에서 우리는 인간의 사고 모델을 모방해야 합니다. 그러나 실제로는 일련의 입력 값에 응답하여 인간의 결과와 유사한 출력 값을 생성하는 시스템인 블랙박스를 만드는 것이 필요합니다. 그리고 우리는 대체로 "그녀의 머리 속에서"(입력과 출력 사이) 무슨 일이 일어나는지 신경 쓰지 않습니다.

특정 종류의 문제를 해결하기 위해 인공 지능 시스템이 만들어졌습니다.

인공지능의 기본은 학습, 상상, 지각, 기억이다

인공지능을 만들기 위해 가장 먼저 해야 할 일은 시스템에 데이터를 '공급'할 수 있도록 정보 인식을 구현하는 기능을 개발하는 것입니다. 그런 다음 학습 능력을 구현하는 기능입니다. 그리고 시스템이 학습 과정에서 받은 정보를 어딘가에 저장할 수 있는 데이터 저장소입니다.

그 후 상상력의 기능이 만들어집니다. 기존 데이터를 사용하여 상황을 시뮬레이션하고 새로운 정보(데이터 및 규칙)를 메모리에 추가할 수 있습니다.

학습은 귀납적일 수도 있고 연역적일 수도 있습니다. 귀납적 버전에서는 시스템에 입력 및 출력 데이터 쌍, 질문 및 답변 등이 제공됩니다. 시스템은 데이터 간의 연결을 찾은 다음 이러한 패턴을 사용하여 입력 데이터에서 출력 데이터를 찾아야 합니다.

연역적 접근 방식(안녕하세요, 셜록 홈즈!)은 전문가의 경험을 활용합니다. 이는 지식 기반으로 시스템에 전송됩니다. 데이터 세트뿐만 아니라 조건에 따라 솔루션을 찾는 데 도움이 되는 기성 규칙도 있습니다.

현대 인공 지능 시스템은 두 가지 접근 방식을 모두 사용합니다. 또한 시스템은 일반적으로 이미 훈련되어 있지만 작동하면서 계속해서 학습합니다. 이는 프로그램이 처음에는 괜찮은 수준의 능력을 보여주지만 나중에는 더욱 좋아지도록 하기 위한 것입니다. 예를 들어, 귀하의 희망 사항과 선호도, 상황 변화 등을 고려했습니다.

인공지능 시스템에서는 예측불가능성의 확률도 설정할 수 있습니다. 이것은 그를 더욱 인간답게 만들 것이다.

인공지능이 인간을 이기는 이유

우선, 오류 가능성이 낮기 때문입니다.

인공지능은 잊어버릴 수 없습니다. 절대적인 기억력을 갖고 있기 때문입니다.
요인과 종속성을 실수로 무시할 수는 없습니다. 모든 AI 작업에는 명확한 근거가 있습니다.
AI는 주저하지 않고 확률을 평가해 큰 쪽으로 기울어진다. 그러므로 그는 자신이 취하는 모든 조치를 정당화할 수 있습니다.
AI도 감정이 없습니다. 이는 의사결정에 영향을 미치지 않는다는 것을 의미합니다.
인공지능은 현재 단계의 결과를 평가하는 데 그치지 않고 앞으로 몇 단계를 생각한다.
그리고 그는 가능한 모든 시나리오를 고려할 수 있는 충분한 자원을 보유하고 있습니다.

인공지능의 멋진 활용

일반적으로 인공지능은 모든 것을 할 수 있다. 가장 중요한 것은 문제를 올바르게 공식화하고 초기 데이터를 제공하는 것입니다. 게다가 AI는 예상치 못한 결론을 내리고 전혀 없어 보이는 패턴을 찾아낼 수도 있습니다.

어떤 질문에 대한 대답

데이비드 페루치(David Ferrucci)가 이끄는 연구팀은 질문 답변 시스템을 갖춘 왓슨(Watson)이라는 슈퍼컴퓨터를 개발했습니다. IBM의 초대 회장인 토마스 왓슨(Thomas Watson)의 이름을 딴 이 시스템은 자연어로 질문을 이해하고 데이터베이스에서 답변을 검색할 수 있습니다.

Watson은 각각 4개의 8코어 POWER7 아키텍처 프로세서를 갖춘 90개의 IBM p750 서버를 통합합니다. 시스템 RAM의 총 용량이 15TB를 초과합니다.

Watson의 업적에는 "Jeopardy!" 우승이 포함됩니다. (미국의 "자신의 게임"). 그는 최고의 선수 두 명을 이겼습니다. 가장 큰 승리를 거둔 브래드 루터(Brad Rutter)와 최장 무패 행진 기록 보유자 켄 제닝스(Ken Jennings)입니다.

왓슨 상 : 100만 달러 사실, 2014년에만 10억 달러가 투자되었습니다.

이 밖에도 왓슨은 암 진단에 관여하고, 금융 전문가를 보조하며, 빅데이터 분석에도 활용된다.

얼굴 인식

iPhone X에서는 인공 지능 시스템의 한 버전인 신경망을 사용하여 얼굴 인식이 개발되었습니다. 신경망 알고리즘은 A11 Bionic 프로세서 수준에서 구현되므로 기계 학습 기술과 효과적으로 작동합니다.

신경망은 초당 최대 600억 개의 작업을 수행합니다. 이는 얼굴의 최대 40,000개 핵심 지점을 분석하고 단 몇 초 안에 소유자를 매우 정확하게 식별하는 데 충분합니다.

수염을 기르거나 안경을 써도 iPhone X는 당신을 인식합니다. 단순히 머리카락과 액세서리를 고려하지 않고 관자놀이에서 관자놀이까지, 각 관자놀이에서 아랫입술 아래 홈까지의 영역을 분석합니다.

에너지 절약

그리고 다시 애플. iPhone X에는 설치된 애플리케이션의 활동을 모니터링하는 지능형 시스템과 일상 생활을 이해하는 모션 센서가 내장되어 있습니다.

그 후, 예를 들어 iPhone X는 가장 편리한 시간에 업데이트하도록 제안합니다. 모바일 타워의 점프 신호가 아닌 안정적인 인터넷이 있고 긴급하거나 중요한 작업을 수행하지 않는 순간을 포착합니다.

AI는 또한 프로세서 코어 간에 작업을 분배합니다. 그래서 충분한 전력을 공급합니다. 최소 비용에너지.

그림 만들기

이전에는 인간만이 접근할 수 있었던 창의성이 이제 AI에게 열려있습니다. 이처럼 뉴저지 러트거스대학교 연구진과 로스앤젤레스 AI연구소 연구진이 만든 이 시스템은 자신만의 예술적인 스타일을 선보였다.

그리고 마이크로소프트의 인공지능 시스템은 텍스트 설명을 바탕으로 그림을 그릴 수 있습니다. 예를 들어 AI에게 '검은 날개와 짧은 부리를 가진 노란 새'를 그리라고 하면 다음과 같이 보일 것이다.

그러한 새는 현실 세계에 존재하지 않을 수도 있습니다. 이것이 바로 우리 컴퓨터가 새를 표현하는 방식입니다.

더 널리 사용되는 예는 사진으로 그림을 그리는 Prisma 애플리케이션입니다.

음악 쓰기

지난 8월 인공지능 앰퍼(Amper)는 가수 타린 서던(Taryn Southern)과 함께 'I AM AI'(English I am Artificial Intelligence) 앨범의 음악을 작곡, 프로듀싱, 연주했다.

Amper는 전문 음악가와 기술 전문가로 구성된 팀에 의해 개발되었습니다. 그들은 AI가 사람들이 창의적인 프로세스를 발전시킬 수 있도록 설계되었다고 지적합니다.

AI는 몇 초 안에 음악을 쓸 수 있습니다

Amper는 "Break Free" 트랙에서 코드 구조와 악기를 독립적으로 만들었습니다. 사람들은 스타일과 전반적인 리듬을 약간만 조정했습니다.

또 다른 예는 AI가 가사를 쓴 '민방위' 정신을 담은 음악 앨범이다. 실험은 Yandex 직원 Ivan Yamshchikov와 Alexey Tikhonov가 수행했습니다. 그룹 '신경방어' 404집이 온라인에 게재됐다. Letov의 정신으로 밝혀졌습니다.

그런 다음 프로그래머는 더 나아가 AI가 커트 코베인의 정신으로 시를 쓰도록 했습니다. 음악가 Rob Carroll은 4개의 최고의 가사를 위한 음악을 썼고, 트랙은 Neurona 앨범으로 결합되었습니다. 심지어 AI의 참여 없이 한 곡에 대한 비디오를 촬영하기도 했습니다.

텍스트 생성

작가와 언론인도 곧 AI로 대체될 수도 있다. 예를 들어, Dewey 시스템은 Project Gutenberg 도서관의 책을 제공받은 다음 Google Scholar의 과학 텍스트를 추가하여 인기도, 제목 및 Amazon 판매 순위를 기준으로 순위를 매겼습니다. 또한, 그들은 새로운 책을 쓰기 위한 기준을 설정했습니다.

이 사이트는 사람들에게 어려운 상황에서 결정을 내리도록 요청했습니다. 예를 들어, 성인 3명이나 어린이 2명을 칠 수 있는 운전자의 자리에 사람들을 배치했습니다. 따라서 Moral Machine은 로봇이 사람에게 해를 끼칠 수 없다는 로봇 공학의 법칙을 위반하는 어려운 결정을 내리도록 훈련받았습니다.

AI를 탑재한 로봇이 사람을 모방하면 어떤 결과가 나올까? 미래학자들은 언젠가 자신들이 사회의 완전한 구성원이 될 것이라고 믿습니다. 예를 들어, 홍콩 회사인 Hanson Robotics의 로봇 Sophia는 이미 사우디아라비아에서 시민권을 받았습니다. 평범한 여자들이 나라에는 그런 권리가 없습니다!).

New York Times 칼럼니스트 Andrew Ross가 Sophia에게 로봇이 지능적이고 자기 인식이 있는지 물었을 때 그녀는 다음과 같은 질문으로 대답했습니다.

대답하여 묻겠습니다. 당신이 인간이라는 것을 어떻게 알 수 있습니까?

또한 소피아는 다음과 같이 말했습니다.

저는 인공 지능을 사용하여 사람들이 더 나은 삶을 살 수 있도록 돕고 싶습니다. 예를 들어 더 스마트한 주택을 설계하고 미래의 도시를 건설하고 싶습니다. 나는 공감하는 로봇이 되고 싶다. 당신이 나에게 잘 대해주면 나도 당신에게 잘 대접할 것이다.

그리고 앞서 그녀는 인류를 미워한다고 인정하고 심지어 사람들을 파괴하는 데 동의했습니다…

비디오에서 얼굴 바꾸기

Deepfakes 비디오는 인터넷을 통해 대규모로 퍼지기 시작했습니다. 인공지능 알고리즘은 성인영화 속 배우의 얼굴을 스타의 얼굴로 대체했다.

작동 방식은 다음과 같습니다. 신경망은 원본 비디오의 얼굴 조각을 분석합니다. 그런 다음 그녀는 이를 Google의 사진 및 YouTube의 동영상과 비교하고 필요한 부분을 오버레이하며... 좋아하는 여배우가 직장에서 보지 않는 것이 더 좋은 영화에 등장하게 됩니다.

PornHub는 이미 그러한 동영상 게시를 금지했습니다.

딥페이크는 위험한 것으로 판명되었습니다. 추상적인 여배우는 협박에 잘 사용될 수 있는 당신, 당신의 아내, 자매, 동료의 비디오와는 또 다른 것입니다.

거래소 거래

독일 에를랑겐-뉘른베르크 대학 연구팀은 과거 시장 데이터를 사용해 실시간으로 투자를 복제하는 일련의 알고리즘을 개발했습니다. 한 모델은 1992년부터 2015년까지 매년 73%의 투자 수익률을 제공했는데, 이는 실제 시장 수익률이 연간 9%인 것과 비교됩니다.

2000년과 2008년 시장이 흔들렸을 때 수익률은 각각 545%, 681%로 사상 최고치를 기록했다.

2004년 Goldman Sachs는 인공지능 기반 거래 플랫폼 Kensho를 출시했습니다. 거래소 거래를 위한 AI 기반 시스템은 미로카나 등 암호화폐 시장에도 등장하고 있다. 그들은 감정이 없고 명확한 분석과 엄격한 규칙에 의존하기 때문에 라이브 트레이더보다 낫습니다.