ሰው ሠራሽ የማሰብ ችሎታ

ሰው ሠራሽ የማሰብ ችሎታ (AI) ከሰዎች ወይም ከእንስሳት ዕውቀት በተቃራኒ የማሽኖች ወይም የሶፍትዌሮች የማሰብ ችሎታ ነው። የማሰብ ችሎታ ያላቸውን ማሽኖች የሚያዳብርና የሚያጠና የኮምፒውተር ሳይንስ የጥናት መስክ ነው። እንደነዚህ ያሉት ማሽኖች ኤአይስ ተብለው ሊጠሩ ይችላሉ።

ኤ አይ ቴክኖሎጂ በመላው ኢንዱስትሪ፣ መንግሥትና ሳይንስ በስፋት ጥቅም ላይ ይውላል። አንዳንድ ከፍተኛ ግምት ያላቸው መተግበሪያዎች- የተራቀቁ የድረ-ገጽ ፍለጋ ሞተሮች (ለምሳሌ, Google Search), የድጋፍ ስርዓቶች (በ YouTube, Amazon, እና Netflix ጥቅም ላይ የዋሉ), መረዳት የሰው ንግግር (እንደ Google Assistant, Siri, እና Alexa), ራስን የሚያሽከረክሩ መኪኖች (ለምሳሌ, ዌይሞ), generative እና የፈጠራ መሳሪያዎች (ቻትጂፒቲ እና AI ጥበብ), እንዲሁም superhuman ጨዋታ እና ትንታኔ በ ስትራቴጂ ጨዋታዎች (እንደ ቼዝ እና ጎ) ናቸው. ይህም በ2020ዎቹ የጸደይ ወቅት ላይ ኩባንያዎች፣ ዩኒቨርሲቲዎችና ቤተ ሙከራዎች በዩናይትድ ስቴትስ ውስጥ በሰው ሠራሽ የማሰብ ችሎታ ረገድ ከፍተኛ እድገት በማድረግ ረገድ ከፍተኛ እድገት እንዲያደርጉ ምክንያት ሆኗል። [10]

የተለያዩ የ AI ምርምር ንዑስ መስኮች በተወሰኑ ግቦች እና በተወሰኑ መሳሪያዎች አጠቃቀም ላይ ያተኮሩ ናቸው. የ AI ምርምር ባህላዊ ግቦች ማመዛዘን፣ የእውቀት ውክልና፣ እቅድ ማውጣት፣ መማር፣ የተፈጥሮ ቋንቋ ማቀናበር፣ ግንዛቤ እና የሮቦቲክስ ድጋፍን ያካትታሉ። የጊዜ ግቦች። እነዚህን ችግሮች ለመፍታት የ AI ተመራማሪዎች የፍለጋ እና የሂሳብ ማመቻቸት፣ መደበኛ አመክንዮ ፣ አርቴፊሻል ነርቭ ኔትወርኮች እና በስታቲስቲክስ ፣ በኦፕሬሽን ምርምር እና በኢኮኖሚክስ ላይ የተመሰረቱ ዘዴዎችን ጨምሮ ሰፊ ችግር ፈቺ ቴክኒኮችን አስተካክለው እና አዋህደዋል። AI ደግሞ በስነ-ልቦና፣ በቋንቋ፣ በፍልስፍና፣ በኒውሮሳይንስ እና በሌሎች በርካታ ዘርፎች ላይ ይስባል።

ግቦች

የማሰብ ችሎታን የማስመሰል (ወይም የመፍጠር) አጠቃላይ ችግር ወደ ንዑስ ችግሮች ተከፋፍሏል። እነዚህ ተመራማሪዎች የማሰብ ችሎታ ያለው ሥርዓት እንዲታይ የሚጠብቁትን ልዩ ባህሪያትን ወይም ችሎታዎችን ያቀፈ ነው። ከዚህ በታች የተገለጹት ባህሪያት ከፍተኛ ትኩረት አግኝተዋል እና የ AI ምርምርን ወሰን ይሸፍናሉ።

ማመዛዘን, ችግር መፍታት

ቀደምት ተመራማሪዎች ሰዎች እንቆቅልሾችን ሲፈቱ ወይም ሎጂካዊ ቅነሳ ሲያደርጉ የሚጠቀሙባቸውን የደረጃ በደረጃ አመክንዮዎችን የሚኮርጁ ስልተ ቀመሮችን ፈጠሩ። እ.ኤ.አ. በ1980ዎቹ እና በ1990ዎቹ መገባደጃ ላይ እርግጠኛ ያልሆኑ ወይም ያልተሟሉ መረጃዎችን ከፕሮባቢሊቲ እና ከኢኮኖሚክስ ፅንሰ-ሀሳቦችን ለመጠቀም ዘዴዎች ተዘጋጅተዋል። አብዛኛዎቹ እነዚህ ስልተ ቀመሮች ትልቅ የማመዛዘን ችግሮችን ለመፍታት በቂ አይደሉም ምክንያቱም "የተጣመረ ፍንዳታ" ስላጋጠማቸው ችግሮቹ እየሰፋ ሲሄዱ በጣም ቀርፋፋ ሆነዋል። ቀደምት የኤአይአይ ምርምር ሊቀረጽ የሚችለውን የደረጃ-በደረጃ ቅነሳን ሰዎች እንኳን አይጠቀሙም። አብዛኞቹን ችግሮቻቸውን የሚፈቱት ፈጣንና ቀላል ፍርዶችን በመጠቀም ነው። ትክክለኛ እና ቀልጣፋ አስተሳሰብ ያልተፈታ ችግር ነው።

የእውቀት ውክልና

ኦንቶሎጂ እውቀትን እንደ ጎራ ውስጥ ያሉ የፅንሰ-ሀሳቦች ስብስብ እና በእነዚያ ጽንሰ-ሀሳቦች መካከል ያለውን ግንኙነት ይወክላል። የእውቀት ውክልና እና የእውቀት ምህንድስና የ AI ፕሮግራሞች ጥያቄዎችን በብልህነት እንዲመልሱ እና በገሃዱ ዓለም እውነታዎች ላይ ቅናሽ እንዲያደርጉ ያስችላቸዋል። መደበኛ የእውቀት ውክልናዎች በይዘት ላይ የተመሰረተ መረጃ ጠቋሚ እና ሰርስሮ ለማውጣት፣ የትእይንት ትርጓሜ፣ ክሊኒካዊ ውሳኔ ድጋፍ፣ የእውቀት ግኝት (ማዕድን “አስደሳች” እና ከትልቅ የውሂብ ጎታዎች ሊተገበሩ የሚችሉ ግምቶች)፣ እና ሌሎች አካባቢዎች ጥቅም ላይ ይውላሉ። የእውቀት መሰረት በፕሮግራም ሊጠቀምበት በሚችል መልኩ የተወከለ የእውቀት አካል ነው። ኦንቶሎጂ በአንድ የተወሰነ የእውቀት ጎራ ጥቅም ላይ የሚውለው የነገሮች፣ ግንኙነቶች፣ ጽንሰ-ሀሳቦች እና ንብረቶች ስብስብ ነው። የእውቀት መሰረቶች እንደ ነገሮች, ንብረቶች, ምድቦች እና በእቃዎች መካከል ያሉ ግንኙነቶችን መወከል አለባቸው; ሁኔታዎች፣ ሁነቶች፣ ግዛቶች እና ጊዜዎች፣ መንስኤዎች እና ውጤቶች፣ ስለ እውቀት እውቀት (ሌሎች ሰዎች ስለሚያውቁት ነገር የምናውቀው)፣ ነባሪ ምክንያት (ሰዎች እስኪሆኑ ድረስ እውነት ናቸው ብለው የሚገምቷቸው ነገሮች) በተለየ መንገድ ይነገራል እና ሌሎች እውነታዎች በሚለወጡበት ጊዜም እንኳ እውነት ሆነው ይቆያሉ፤ እና ሌሎች በርካታ የእውቀት ገጽታዎች እና ጎራዎች። በKR ውስጥ ካሉት በጣም አስቸጋሪ ችግሮች መካከል፡ የእውቀት ስፋት (ተራ ሰው የሚያውቀው የአቶሚክ እውነታዎች ስብስብ እጅግ በጣም ብዙ ነው)፣ እና የአብዛኛው የተለመደ እውቀት ንዑስ ምሳሌያዊ ቅርፅ (አብዛኛው ሰዎች የሚያውቁት አይደለም)። በቃላት ሊገልጹት የሚችሉት እንደ “እውነታዎች” ወይም “መግለጫዎች” ተወክለዋል። እውቀትን ማግኘት ለ AI አፕሊኬሽኖች እውቀትን የማግኘት አስቸጋሪ ችግር ነው። እውቀቱ እራሱ የተሰበሰበው መረጃውን ባሳተሙት በጎ ፈቃደኞች እና ባለሙያዎች ነው (ስራቸውን ለ AI ኩባንያዎች ለመስጠት ተስማምተው ሊሆን ይችላል)። ይህ "የተጨናነቀ" ዘዴ እውቀቱ ትክክል ወይም አስተማማኝ ለመሆኑ ዋስትና አይሰጥም. የትልቅ ቋንቋ ሞዴሎች (እንደ ቻትጂፒቲ ያሉ) እውቀት በጣም አስተማማኝ አይደለም - የተሳሳተ መረጃ እና ውሸት ያመነጫል ("ቅዠት" በመባል ይታወቃል)። ለእነዚህ ዘመናዊ AI አፕሊኬሽኖች ትክክለኛ እውቀት መስጠት ያልተፈታ ችግር ነው።

መማር

የማሽን መማር በአንድ ተግባር ላይ አፈፃፀምን በራስ-ሰር ሊያሻሽሉ የሚችሉ ፕሮግራሞችን ማጥናት ነው። ከመጀመሪያው ጀምሮ የ AI አካል ነው። በርካታ የማሽን ትምህርት ዓይነቶች አሉ። ክትትል የማይደረግበት ትምህርት የውሂብ ዥረትን ይመረምራል እና ቅጦችን ያገኛል እና ያለ ምንም መመሪያ ትንበያ ይሰጣል። ክትትል የሚደረግበት ትምህርት አንድ ሰው በመጀመሪያ የግቤት ውሂቡን እንዲለይ እና በሁለት ዋና ዋና ዓይነቶች ይከፈላል፡- ምደባ (ፕሮግራሙ ግብአቱ በየትኛው ምድብ ውስጥ እንደሚገኝ ለመተንበይ መማር ያለበት) እና ሪግሬሽን (ፕሮግራሙ በቁጥር ግብአት ላይ በመመስረት የቁጥር ተግባርን መቀነስ አለበት። ) በማጠናከሪያ ትምህርት ተወካዩ ለጥሩ ምላሾች ይሸለማል እና ለመጥፎዎች ይቀጣል። ወኪሉ እንደ “ጥሩ” የተመደቡ ምላሾችን መምረጥ ይማራል። ትምህርት ሽግግር ማለት ከአንድ ችግር የተገኘውን እውቀት ወደ አዲስ ችግር ሲተገበር ነው። ጥልቅ ትምህርት በባዮሎጂ በተነሳሱ አርቴፊሻል ነርቭ አውታሮች ግብአቶችን የሚያስኬድ የማሽን መማሪያ አይነት ነው ለእነዚህ ሁሉ የትምህርት ዓይነቶች። የስሌት ትምህርት ንድፈ ሃሳብ ተማሪዎችን በስሌት ውስብስብነት፣ በናሙና ውስብስብነት (ምን ያህል መረጃ እንደሚያስፈልግ) ወይም በሌሎች የማመቻቸት እሳቤዎች ሊገመግም ይችላል።

የተፈጥሮ ቋንቋ ሂደት

የተፈጥሮ ቋንቋ ማቀነባበር (NLP) ፕሮግራሞች ማንበብ፣ መጻፍ እና እንደ እንግሊዝኛ ባሉ የሰው ቋንቋዎች እንዲግባቡ ያስችላቸዋል። የተወሰኑ ችግሮች የንግግር ማወቂያ፣ የንግግር ውህደት፣ የማሽን ትርጉም፣ መረጃ ማውጣት፣ መረጃ ማግኘት እና ጥያቄን መመለስ ያካትታሉ። በኖአም ቾምስኪ የጄኔሬቲቭ ሰዋሰው እና የትርጉም አውታረ መረቦች ላይ የተመሰረተው ቀደምት ስራ፣ “ማይክሮ ዓለማት” በሚባሉ ትናንሽ ጎራዎች ካልተገደበ በቀር የቃላት-ስሜትን መበታተን ችግር ነበረበት (በአጠቃላይ አእምሮ እውቀት ችግር )። ማርጋሬት ማስተርማን ቋንቋዎችን የመረዳት ቁልፍ የሆነው ሰዋሰው ሳይሆን ትርጉሙ እንደሆነ ያምን ነበር፣ እና Thesauri እንጂ መዝገበ-ቃላት የስሌት ቋንቋ መዋቅር መሰረት መሆን አለባቸው። ለኤንኤልፒ ዘመናዊ የጥልቅ ትምህርት ቴክኒኮች የቃላት መክተትን (ቃላቶችን የሚወክሉ፣በተለምዶ እንደ ቬክተር ትርጉማቸውን የሚገልጹ)፣ ትራንስፎርመሮች (በትኩረት ዘዴ በመጠቀም ጥልቅ የመማሪያ አርክቴክቸር)፣ እና ሌሎችም ያካትታሉ። እ.ኤ.አ. በ 2019 አመንጭ ቅድመ-የሰለጠነ ትራንስፎርመር (ወይም “ጂፒቲ”) የቋንቋ ሞዴሎች ወጥነት ያለው ጽሑፍ ማመንጨት ጀመሩ፣ እና በ2023 እነዚህ ሞዴሎች በባር ፈተና፣ SAT፣ GRE፣ የሰው ደረጃ ውጤቶችን ማግኘት ችለዋል። እና ሌሎች በርካታ የገሃዱ አለም አፕሊኬሽኖች።

ግንዛቤ

የባህሪ ማወቂያ (በሥዕሉ ላይ፡ የጠርዝ ማወቂያ) AI መረጃ ሰጪ ረቂቅ አወቃቀሮችን ከጥሬ መረጃ እንዲጽፍ ይረዳል። የማሽን ግንዛቤ የአለምን ገፅታዎች ለማወቅ ከሴንሰሮች (እንደ ካሜራዎች፣ ማይክሮፎኖች፣ ሽቦ አልባ ምልክቶች፣ አክቲቭ ሊዳር፣ ሶናር፣ ራዳር እና ታክቲል ዳሳሾች ያሉ) ግብአትን የመጠቀም ችሎታ ነው። የኮምፒውተር እይታ የእይታ ግቤትን የመተንተን ችሎታ ነው። መስኩ የንግግር ማወቂያን፣ የምስል ምደባን፣ የፊት ለይቶ ማወቅን፣ የነገርን መለየት፣ እና የሮቦት ግንዛቤን ያካትታል።

ማህበራዊ እውቀት

ኪስሜት፣ የመጀመሪያ ደረጃ ማህበራዊ ችሎታ ያለው ሮቦት ውጤታማ ማስላት የሰው ስሜትን፣ ስሜትን እና ስሜትን የሚያውቁ፣ የሚተረጉሙ፣ የሚያስኬዱ ወይም የሚመስሉ ስርዓቶችን የሚያጠቃልል ሁለገብ ዲሲፕሊናዊ ጃንጥላ ነው። ለምሳሌ፣ አንዳንድ ምናባዊ ረዳቶች በውይይት እንዲናገሩ ወይም በቀልድ እንዲናገሩ ይደረጋሉ። ለሰዎች መስተጋብር ስሜታዊ ተለዋዋጭነት የበለጠ ስሜታዊ እንዲመስሉ ያደርጋቸዋል፣ ወይም በሌላ መልኩ የሰው እና የኮምፒውተር መስተጋብርን ለማመቻቸት። ነገር ግን፣ ይህ አሁን ያሉ የኮምፒውተር ወኪሎች ምን ያህል ብልህ እንደሆኑ ለመረዳት የማይጨበጥ ፅንሰ-ሀሳብ ለዋኞች ተጠቃሚዎችን ይሰጣል። ከአፌክቲቭ ኮምፒውቲንግ ጋር የተያያዙ መጠነኛ ስኬቶች የጽሑፍ ስሜትን ትንተና እና በቅርቡ ደግሞ የመልቲሞዳል ስሜት ትንታኔን ያካትታሉ፣ በዚህም AI በቪዲዮ የተቀረጸ ርዕሰ ጉዳይ የሚታዩትን ተፅእኖዎች ይመድባል።

አጠቃላይ የማሰብ ችሎታ

ሰው ሰራሽ አጠቃላይ የማሰብ ችሎታ ያለው ማሽን ከሰው ልጅ የማሰብ ችሎታ ጋር በሚመሳሰል ስፋት እና ሁለገብነት የተለያዩ ችግሮችን መፍታት መቻል አለበት።

መተግበሪያዎች

ዋና መጣጥፍ፡ ሰው ሰራሽ የማሰብ ችሎታ መተግበሪያዎች

AI እና የማሽን መማሪያ ቴክኖሎጂ በአብዛኛዎቹ የ2020ዎቹ አስፈላጊ አፕሊኬሽኖች ውስጥ ጥቅም ላይ ይውላል፡ ከእነዚህም ውስጥ፡ የፍለጋ ፕሮግራሞች (እንደ ጎግል ፍለጋ ያሉ)፣ የመስመር ላይ ማስታወቂያዎችን ኢላማ ማድረግ፣ የምክር ስርዓቶች (በኔትፍሊክስ፣ ዩቲዩብ ወይም አማዞን የቀረቡ)፣ የበይነመረብ ትራፊክ መንዳት፣ የታለመ ማስታወቂያ (AdSense፣ Facebook)፣ ምናባዊ ረዳቶች (እንደ Siri ወይም Alexa ያሉ)፣ ራሳቸውን ችለው የሚንቀሳቀሱ ተሽከርካሪዎች (ድሮኖች፣ ADAS እና እራስ የሚነዱ መኪናዎችን ጨምሮ)፣ አውቶማቲክ ቋንቋ ትርጉም (ማይክሮሶፍት ተርጓሚ፣ ጎግል ተርጓሚ)፣ የፊት ለይቶ ማወቂያ (የአፕል ፊት መታወቂያ ወይም ማይክሮሶፍት DeepFace) እና Google's FaceNet) እና የምስል መለያ (በፌስቡክ፣ አፕል iPhoto እና TikTok ጥቅም ላይ ይውላሉ)። ለዚህ የ 2018 የአርቲስት ጆሴፍ አየርል ፕሮጀክት AI በህዳሴ ሰዓሊ ራፋኤል ቀለሞች እና ብሩሽዎች ውስጥ የተለመዱ ንድፎችን መማር ነበረበት። የቁም ሥዕሉ በአይአይ በራፋኤል ዘይቤ “የተቀባ” የተዋናይዋን ኦርኔላ ሙቲ ፊት ያሳያል።

ጤና እና ህክምና

ዋና መጣጥፍ፡ ሰው ሰራሽ እውቀት በጤና እንክብካቤ በሕክምና እና በሕክምና ምርምር ውስጥ

የ AI አተገባበር የታካሚ እንክብካቤን እና የህይወት ጥራትን የመጨመር አቅም አለው። በሂፖክራቲክ መሐላ መነፅር፣ አፕሊኬሽኖች በበለጠ በትክክል መመርመር እና በሽተኞችን ማከም ከቻሉ፣ የህክምና ባለሙያዎች AI ለመጠቀም ይገደዳሉ። ለህክምና ምርምር, AI ትልቅ መረጃን ለማቀናበር እና ለማዋሃድ አስፈላጊ መሳሪያ ነው. ይህ በተለይ ለኦርጋኖይድ እና ቲሹ ኢንጂነሪንግ እድገት በጣም አስፈላጊ ሲሆን ማይክሮስኮፒ ምስልን በፈጠራ ሂደት ውስጥ እንደ ቁልፍ ቴክኒክ ይጠቀሙ። AI ለተለያዩ የምርምር ዘርፎች የተመደበውን የገንዘብ ድጋፍ ልዩነቶችን እንደሚያሸንፍ ተጠቁሟል። ለምሳሌ የልብና የደም ህክምና ጥናት እንደ ካንሰር ምርምር ያሉ አካባቢዎች ከእነዚህ በሽታዎች ህመሞች እና ሞት አንፃር ተመጣጣኝ ያልሆነ የገንዘብ ድጋፍ ያገኛሉ። አዲስ የ AI መሳሪያዎች ስለ ባዮሜዲካል ተዛማጅ መንገዶች ያለንን ግንዛቤ ማሳደግ ይችላሉ። ለምሳሌ፣ AlphaFold 2 (2021) የፕሮቲን 3D መዋቅር ከወራት ይልቅ ግምታዊ ችሎታን አሳይቷል።

ጨዋታዎች

ዋና መጣጥፍ፡ ጨዋታ አርቲፊሻል ኢንተለጀንስ የጨዋታ ፕሮግራሞች

ከ1950ዎቹ ጀምሮ የኤአይአይ በጣም የላቁ ቴክኒኮችን ለማሳየት እና ለመሞከር ጥቅም ላይ ውለዋል። ዲፕ ብሉ በግንቦት 11 ቀን 1997 የዓለም የቼዝ ሻምፒዮን የሆነውን ጋሪ ካስፓሮቭን በማሸነፍ የመጀመሪያው የኮምፒዩተር የቼዝ አጨዋወት ሆነ። በ2011 በጄኦፓርዲ! የፈተና ጥያቄ ትርኢት ኤግዚቢሽን ግጥሚያ፣ የአይቢኤም ጥያቄ ምላሽ ሥርዓት፣ ዋትሰን፣ ሁለቱን ታላቅ ጄኦፓርዲ አሸንፏል! ሻምፒዮናዎች፣ ብራድ ራተር እና ኬን ጄኒንዝ በከፍተኛ ልዩነት። እ.ኤ.አ. በማርች 2016 አልፋጎ ከጎ ሻምፒዮን ሊ ሴዶል ጋር ባደረገው ግጥሚያ ከ5 ጨዋታዎች 4ቱን በማሸነፍ ፕሮፌሽናል ጎ ተጫዋችን ያለ እክል በማሸነፍ የመጀመሪያው የኮምፒዩተር Go-playing ስርዓት ሆነ። ከዚያም በ 2017 Ke Jie አሸንፏል, በወቅቱ የዓለም ቁጥር 1 ለሁለት ዓመታት ያለማቋረጥ ይይዝ ነበር. ሌሎች ፕሮግራሞች ፍጽምና የጎደላቸው - የመረጃ ጨዋታዎችን ይይዛሉ; እንደ ፖከር ከሰው በላይ በሆነ ደረጃ ፕሉሪቡስ እና ሴፊየስ። DeepMind በ2010ዎቹ ብዙ የተለያዩ የአታሪ ጨዋታዎችን በራሱ መማር የሚችል “አጠቃላይ ሰው ሰራሽ ዕውቀት” ፈጠረ።

ወታደራዊ

ዋና መጣጥፍ፡ ወታደራዊ አርቴፊሻል ኢንተለጀንስ

የተለያዩ አገሮች የ AI ወታደራዊ መተግበሪያዎችን በማሰማራት ላይ ናቸው። ዋናዎቹ አፕሊኬሽኖች ትዕዛዝ እና ቁጥጥርን፣ ግንኙነቶችን፣ ዳሳሾችን፣ ውህደትን እና መስተጋብርን ያጎላሉ። ምርምር ኢንተለጀንስ አሰባሰብ እና ትንተና፣ ሎጂስቲክስ፣ የሳይበር ኦፕሬሽኖች፣ የመረጃ ስራዎች፣ እና ከፊል ራስ-ገዝ እና በራስ ገዝ ተሽከርካሪዎች ላይ ያነጣጠረ ነው። የ AI ቴክኖሎጂዎች ዳሳሾችን እና ተፅእኖዎችን ማስተባበር ፣ ስጋትን መለየት እና መለየት ፣ የጠላት ቦታዎችን ምልክት ማድረግ ፣ ዒላማ መግዛትን ፣ የተቀናጁ የጋራ እሳቶችን በሰው እና ባልታጠቁ ቡድኖች መካከል በአውታረ መረብ የተገናኙ የውጊያ መኪናዎች መካከል ግጭት ለመፍጠር ያስችላል። AI በኢራቅ እና በሶሪያ ወታደራዊ እንቅስቃሴዎች ውስጥ ተካቷል.

አመንጪ AI

ዋና መጣጥፍ፡ አመንጪ ሰው ሰራሽ እውቀት

እ.ኤ.አ. በ2020ዎቹ መጀመሪያ ላይ፣ አመንጪ AI በስፋት ታዋቂነትን አግኝቷል። በጂፒቲ-3 እና ሌሎች ትልልቅ የቋንቋ ሞዴሎች ላይ የተመሰረተው ቻትጂፒቲ በ14% አሜሪካውያን ጎልማሶች ሞክረዋል። እንደ ሚድጆርኒ፣ DALL-E እና Stable Diffusion ያሉ በ AI ላይ የተመሰረቱ የጽሑፍ-ወደ-ምስል ጀነሬተሮች እየጨመረ ያለው ተጨባጭነት እና የአጠቃቀም ቀላልነት የቫይረስ AI-የተፈጠሩ ፎቶዎችን አዝማሚያ አስነስቷል። ርዕሠ ሊቃነ ጳጳሳት ፍራንሲስ ነጭ ኮት ለብሰው በሚያሳዩት የውሸት ፎቶ፣ የዶናልድ ትራምፕ ምናባዊ እስራት እና በፔንታጎን ላይ የተሰነዘረ ጥቃት በማጭበርበር እንዲሁም በፕሮፌሽናል የፈጠራ ጥበቦች ውስጥ መጠቀማቸው ሰፊ ትኩረትን አግኝቷል።

የኢንዱስትሪ ልዩ ተግባራት

ለተወሰኑ ኢንዱስትሪዎች ወይም ተቋማት የተወሰኑ ችግሮችን ለመፍታት የሚያገለግሉ በሺዎች የሚቆጠሩ ስኬታማ AI መተግበሪያዎች አሉ። እ.ኤ.አ. በ 2017 የዳሰሳ ጥናት ከአምስት ኩባንያዎች አንዱ "AI" በአንዳንድ አቅርቦቶች ወይም ሂደቶች ውስጥ እንዳካተተ ዘግቧል። ጥቂት ምሳሌዎች የኢነርጂ ማከማቻ፣ የህክምና ምርመራ፣ የውትድርና ሎጂስቲክስ፣ የፍርድ ውሳኔዎችን ውጤት የሚተነብዩ መተግበሪያዎች፣ የውጭ ፖሊሲ ወይም የአቅርቦት ሰንሰለት አስተዳደር ናቸው። በግብርና፣ AI ገበሬዎች መስኖ፣ ማዳበሪያ፣ ፀረ ተባይ ህክምና ወይም ምርት መጨመር የሚያስፈልጋቸውን ቦታዎች እንዲለዩ ረድቷቸዋል። የግብርና ባለሙያዎች ምርምርን እና ልማትን ለማካሄድ AI ይጠቀማሉ። AI እንደ ቲማቲም ያሉ ሰብሎች የማብሰያ ጊዜን ለመተንበይ ፣ የአፈርን እርጥበት ለመከታተል ፣ የግብርና ሮቦቶችን ለመስራት ፣ ግምታዊ ትንታኔዎችን ለማካሄድ ፣ የእንስሳት አሳማ ጥሪ ስሜቶችን ለመከፋፈል ፣ የግሪን ሃውስ ቤቶችን በራስ ሰር ለመስራት ፣ በሽታዎችን እና ተባዮችን ለመለየት እና ውሃን ለመቆጠብ ጥቅም ላይ ውሏል ። ሰው ሰራሽ ብልህነት በሥነ ፈለክ ጥናት ውስጥ እየጨመረ የሚሄደውን መረጃ እና አፕሊኬሽኖች ለመተንተን ይጠቅማል፣ ይህም በዋናነት "ለመመደብ፣ ወደ ኋላ መመለስ፣ ክላስተር መሰብሰብ፣ ትንበያ፣ ትውልድ፣ ግኝት እና አዳዲስ ሳይንሳዊ ግንዛቤዎችን ማዳበር" ለምሳሌ exoplanetsን ለማግኘት፣ የፀሐይ እንቅስቃሴን ለመተንበይ እና በስበት ሞገድ ሥነ ፈለክ ውስጥ ምልክቶችን እና የመሳሪያ ውጤቶችን መለየት። እንዲሁም በህዋ ላይ ላሉ ተግባራት እንደ የጠፈር ምርምር፣ ከህዋ ተልዕኮዎች የተገኙ መረጃዎችን ትንተና፣ የሕዋ መንኮራኩር የእውነተኛ ጊዜ የሳይንስ ውሳኔዎችን፣ የጠፈር ፍርስራሾችን እና የበለጠ ራሱን የቻለ ክዋኔን ጨምሮ ጥቅም ላይ ሊውል ይችላል።

ታሪክ

ዋና መጣጥፍ፡ የሰው ሰራሽ የማሰብ ታሪክ ለዘመን ቅደም ተከተል መመሪያ፣ የአርቴፊሻል ኢንተለጀንስ የጊዜ መስመርን ይመልከቱ።

የሜካኒካል ወይም "መደበኛ" አስተሳሰብ ጥናት በጥንት ፈላስፎች እና የሂሳብ ሊቃውንት ጀመረ. የሎጂክ ጥናት በቀጥታ ወደ አላን ቱሪንግ የስሌት ንድፈ ሃሳብ መርቷል፣ እሱም ማሽን፣ እንደ "0" እና "1" ያሉ ምልክቶችን በመቀያየር ሁለቱንም የሂሳብ ተቀናሾች እና መደበኛ አመክንዮ ማስመሰል ይችላል፣ ይህም ቤተክርስቲያን-ቱሪንግ በመባል ይታወቃል። ተሲስ። ይህ፣ በሳይበርኔትቲክስ እና በኢንፎርሜሽን ቲዎሪ ውስጥ ከተደረጉት ግኝቶች ጋር፣ ተመራማሪዎች “ኤሌክትሮኒካዊ አንጎል” የመገንባት እድልን እንዲያስቡ አድርጓቸዋል።

አላን ቱሪንግ ቢያንስ እ.ኤ.አ. በ1941 ስለ ማሽን ኢንተለጀንስ እያሰበ ነበር፣ በማሽን ኢንተለጀንስ ላይ አንድ ወረቀት ሲያሰራጭ በ AI መስክ ውስጥ የመጀመሪያ ወረቀት ሊሆን ይችላል - ምንም እንኳን አሁን የጠፋ ቢሆንም [2]።

በአጠቃላይ "AI" በመባል የሚታወቀው የመጀመሪያው ወረቀት በ 1943 ማክኩሎች እና ፒትስ ዲዛይን ለ Turing-complete "ሰው ሰራሽ የነርቭ ሴሎች" በ 1943 - የነርቭ ኔትወርክ የመጀመሪያው የሂሳብ ሞዴል ነው. ወረቀቱ ተመሳሳይ ባለ ሁለት-ግዛት ቡሊያን 'ኒውሮንስ'ን በመጠቀም በ1936 በቱሪንግ ቀደም ባለው 'በኮምፒውተብል ቁጥሮች' ላይ ተጽዕኖ አሳድሯል፣ ነገር ግን ለኒውሮናል ተግባር ተግባራዊ ያደረገው የመጀመሪያው ነው። 'የማሽን ኢንተለጀንስ' የሚለው ቃል አለን ቱሪንግ በህይወቱ በነበረበት ወቅት ይጠቀምበት የነበረ ሲሆን በኋላም በ1954 ከሞተ በኋላ 'አርቴፊሻል ኢንተለጀንስ' ተብሎ ይጠራ ነበር። እ.ኤ.አ. አሁን የቱሪንግ ፈተና ተብሎ የሚጠራውን ፅንሰ-ሃሳቡን ለህዝቡ አስተዋወቀ። ከዚያም ሶስት የሬዲዮ ስርጭቶችን በ AI ላይ በቱሪንግ ተከታትለዋል፣ ንግግሮቹ፡ 'Intelligent Machinery፣ A Heretical Theory'፣ 'ዲጂታል ኮምፒውተሮች ሊያስቡ ይችላሉ'? እና የፓናል ውይይቱ 'አውቶማቲክ ስሌት ማሽኖች አስቡ ሊባል ይችላል' እ.ኤ.አ. በ 1956 የኮምፒተር መረጃ በብሪታንያ ውስጥ ከአስር አመታት በላይ በንቃት ይከታተል ነበር ። የመጀመሪያዎቹ የ AI ፕሮግራሞች የተፃፉት በ1951–52 ነው።[2]

እ.ኤ.አ. በ1951 በማንቸስተር ዩኒቨርሲቲ ፌራንቲ ማርክ 1 ኮምፒውተር በመጠቀም ከኮምፒዩተር ጋር መጫወት የምትችልባቸው ቼኮች እና የቼዝ ፕሮግራሞች ተጽፈዋል። የአሜሪካ AI ጥናትና ምርምር መስክ በዳርትማውዝ ኮሌጅ በ1956 ዓ.ም በተባለው አውደ ጥናት ላይ ተመሠረተ።[s][3] ተሰብሳቢዎቹ በ1960ዎቹ የ AI ምርምር መሪ ሆኑ።[t] እነሱ እና ተማሪዎቻቸው ፕሬሱ የገለጻቸውን ፕሮግራሞችን አዘጋጅተው ነበር። አስደናቂ"፡[u] ኮምፒውተሮች የቼከር ስልቶችን ይማራሉ፣ የቃላት ችግሮችን በአልጀብራ መፍታት፣ ሎጂካዊ ንድፈ ሃሳቦችን ያረጋግጣሉ እና እንግሊዝኛ ይናገሩ ነበር። በ1960ዎቹ መጀመሪያ ላይ [2] ሆኖም የችግሩን አስቸጋሪነት አቅልለውታል።

[w] ሁለቱም የዩኤስ እና የእንግሊዝ መንግስታት ለሰር ጀምስ ላይትሂል ትችት እና ከዩኤስ ኮንግረስ ለበለጠ ውጤታማ ፕሮጀክቶች የገንዘብ ድጋፍ ለማድረግ የዳሰሳ ጥናቶችን አቋርጠዋል። የሚንስኪ እና የወረቀት መጽሃፍ ፐርሴፕትሮንስ ሰው ሰራሽ ነርቭ ኔትወርኮች በፍፁም የገሃዱ አለም ስራዎችን ለመፍታት እንደማይጠቅሙ ሲያረጋግጥ ተረድቷል፣በዚህም አቀራረቡን ሙሉ በሙሉ ውድቅ ያደርጋል። የ “AI ክረምት”፣ ለ AI ፕሮጀክቶች የገንዘብ ድጋፍ የሚያገኙበት ጊዜ አስቸጋሪ ነበር፣ ተከተለ።[6]

እ.ኤ.አ. በ1980ዎቹ መጀመሪያ ላይ የኤአይ ምርምር በኤክስፐርት ሲስተምስ የንግድ ስኬት ታድሶ ነበር፣ የ AI ፕሮግራም አይነት የሰው ባለሙያዎችን እውቀት እና የትንታኔ ችሎታ አስመስሎ ነበር። በ1985 የ AI ገበያ ከአንድ ቢሊዮን ዶላር በላይ ደርሷል። በተመሳሳይ ጊዜ፣ የጃፓን አምስተኛ ትውልድ የኮምፒውተር ፕሮጀክት የአሜሪካ እና የብሪታንያ መንግስታት ለአካዳሚክ ምርምር የገንዘብ ድጋፍ እንዲመልሱ አነሳስቷል።[5] ነገር ግን፣ በ1987 ከሊፕ ማሽን ገበያ ውድቀት ጀምሮ፣ AI በድጋሚ ስም ማጥፋት ወደቀ፣ እና ሁለተኛው ረዘም ያለ ጊዜ የሚቆይ ክረምት ተጀመረ።[7] ብዙ ተመራማሪዎች አሁን ያሉት ልምምዶች ሁሉንም የሰው ልጅ የግንዛቤ ሂደቶች በተለይም የአመለካከት፣ የሮቦቲክስ፣ የመማር እና የስርዓተ-ጥለት እውቅናን መኮረጅ እንደሚችሉ መጠራጠር ጀመሩ። በርካታ ተመራማሪዎች “ንዑስ ምሳሌያዊ” አቀራረቦችን መመርመር ጀመሩ። እንደ ሮድኒ ብሩክስ ያሉ የሮቦቲክስ ተመራማሪዎች በአጠቃላይ "ውክልና" ውድቅ ያደረጉ ሲሆን በቀጥታ በሚንቀሳቀሱ እና በሕይወት በሚተርፉ የምህንድስና ማሽኖች ላይ ያተኮሩ ነበሩ። አመክንዮ። ነገር ግን በጣም አስፈላጊው እድገት የ "ግንኙነት" መነቃቃት ነበር, የነርቭ አውታረ መረብ ምርምርን ጨምሮ, በጂኦፍሪ ሂንተን እና ሌሎች. እ.ኤ.አ. በ1990 ያን ሌኩን ኮንቮሉሽናል ነርቭ ኔትወርኮች በእጅ የተፃፉ አሃዞችን እንደሚያውቁ በተሳካ ሁኔታ አሳይቷል ፣ ከብዙ ስኬታማ የነርቭ አውታረ መረቦች ውስጥ የመጀመሪያው ነው። በ 1990 ዎቹ መጨረሻ እና በ 21 ኛው ክፍለ ዘመን መጀመሪያ ላይ መደበኛ የሂሳብ ዘዴዎችን በመጠቀም እና ለተወሰኑ ችግሮች ልዩ መፍትሄዎችን በማፈላለግ AI ቀስ በቀስ ስሙን መልሷል. ይህ "ጠባብ" እና "መደበኛ" ትኩረት ተመራማሪዎች ሊረጋገጡ የሚችሉ ውጤቶችን እንዲያቀርቡ እና ከሌሎች መስኮች (እንደ ስታቲስቲክስ፣ ኢኮኖሚክስ እና የመሳሰሉት) ጋር እንዲተባበሩ አስችሏቸዋል።

በ 1990 ዎቹ መጨረሻ እና በ 21 ኛው ክፍለ ዘመን መጀመሪያ ላይ መደበኛ የሂሳብ ዘዴዎችን በመጠቀም እና ለተወሰኑ ችግሮች ልዩ መፍትሄዎችን በማፈላለግ AI ቀስ በቀስ ስሙን መልሷል. ይህ "ጠባብ" እና "መደበኛ" ትኩረት ተመራማሪዎች ሊረጋገጡ የሚችሉ ውጤቶችን እንዲያቀርቡ እና ከሌሎች መስኮች (እንደ ስታቲስቲክስ፣ ኢኮኖሚክስ እና ሂሳብ) ጋር እንዲተባበሩ አስችሏቸዋል። እ.ኤ.አ. በ 2000 በ AI ተመራማሪዎች የተዘጋጁ መፍትሄዎች በሰፊው ጥቅም ላይ እየዋሉ ነበር ፣ ምንም እንኳን በ 1990 ዎቹ ውስጥ “አርቴፊሻል ኢንተለጀንስ” ተብለው ብዙም አልተገለጹም ። በርካታ የአካዳሚክ ተመራማሪዎች AI ከአሁን በኋላ ሁለገብ እና ሙሉ በሙሉ የማሰብ ችሎታ ያላቸው ማሽኖችን የመፍጠር ዋናውን ግብ አለመከተሉ አሳስቧቸዋል። እ.ኤ.አ. ከ2002 ዓ.ም ጀምሮ በ2010ዎቹ ብዙ ጥሩ የገንዘብ ድጋፍ የተደረገላቸው የሰው ሰራሽ አጠቃላይ ኢንተለጀንስ (ወይም "AGI") ንዑስ መስክ መሰረቱ። ጥልቅ ትምህርት በ2012 የኢንዱስትሪ መለኪያዎችን መቆጣጠር የጀመረ ሲሆን በመስኩ ሁሉ ተቀባይነት አግኝቷል። ለብዙ ልዩ ተግባራት፣ ሌሎች ዘዴዎች ተጥለዋል።[y] የጥልቅ ትምህርት ስኬት በሁለቱም የሃርድዌር ማሻሻያዎች (ፈጣን ኮምፒውተሮች፣] ግራፊክስ ማቀነባበሪያ ክፍሎች፣ Cloud computing) እና ከፍተኛ መጠን ያለው መረጃ ማግኘት ላይ የተመሰረተ ነበር ( እንደ ImageNet ያሉ የተሰበሰቡ የውሂብ ስብስቦችን ጨምሮ ።

የጥልቅ ትምህርት ስኬት በ AI ውስጥ ያለው ፍላጎት እና የገንዘብ ድጋፍ ከፍተኛ ጭማሪ አስገኝቷል። ከፓተንት አፕሊኬሽኖች ብዛት እና ከተሰጡት የፈጠራ ባለቤትነት አንፃር እጅግ በጣም ውጤታማ የሆነ አዲስ ቴክኖሎጂ። በ‹AI Impacts› መሠረት፣ ወደ 50 ቢሊዮን ዶላር የሚጠጋ በዓመት በ‹‹AI››› ላይ በ2022 አካባቢ በአሜሪካ ብቻ 20% ያህሉ አዲስ የዩኤስ የኮምፒውተር ሳይንስ ፒኤችዲ ተመራቂዎች በ‹AI› ላይ ስፔሻላይዝ አድርገዋል።ወደ 800,000 "AI" - ተዛማጅ የአሜሪካ የስራ ክፍት ቦታዎች በ2022 ነበር። አብዛኛዎቹ እድገቶች የተከሰቱት በዩናይትድ ስቴትስ ውስጥ ሲሆን ኩባንያዎቹ፣ ዩኒቨርሲቲዎቹ እና የምርምር ላቦራቶሪዎች አርቴፊሻል ኢንተለጀንስ ምርምርን እየመሩ ናቸው።

እ.ኤ.አ. በ 2016 ፣ የፍትሃዊነት እና የቴክኖሎጂ አላግባብ አጠቃቀም በማሽን መማሪያ ኮንፈረንስ ላይ ወደ መሃል ደረጃ ተወስደዋል ፣ ህትመቶች በጣም ጨምረዋል ፣ የገንዘብ ድጋፍ ተገኘ እና ብዙ ተመራማሪዎች በእነዚህ ጉዳዮች ላይ እንደገና አተኩረው ነበር። የአሰላለፍ ችግር ከባድ የአካዳሚክ ጥናት መስክ ሆነ።

ወደፊት

የላቀ እውቀት እና ነጠላነት ሱፐር ኢንተለጀንስ በጣም ብሩህ እና እጅግ ተሰጥኦ ካለው የሰው አእምሮ እጅግ የላቀ የማሰብ ችሎታ ያለው መላምታዊ ወኪል ነው። በአርቴፊሻል አጠቃላይ ኢንተለጀንስ ላይ የተደረገ ጥናት በበቂ ሁኔታ ብልህ የሆኑ ሶፍትዌሮችን ካመረተ ራሱን ማሻሻል እና ማሻሻል ይችል ይሆናል። የተሻሻለው ሶፍትዌር ራሱን በማሻሻል የተሻለ ይሆናል፣ ይህም I.J. Good "የኢንተለጀንስ ፍንዳታ" ወደሚለው እና ቬርኖር ቪንጅ "ነጠላነት" ወደሚለው ይመራ ነበር።[286] ነገር ግን፣ ቴክኖሎጂዎች ላልተወሰነ ጊዜ መሻሻል አይችሉም፣ እና በተለምዶ የኤስ-ቅርጽ ያለው ኩርባን ይከተላሉ፣ ቴክኖሎጂው ሊሰራ የሚችለውን አካላዊ ገደብ ሲደርሱ ፍጥነት ይቀንሳል።

በተጨማሪም ይመልከቱ

• ኳንተም ማስላት

ዋቢዎች

1. 1. https://en.wikipedia.org/wiki/Artificial_intelligence#CITEREFGoogle2016
2. 2. ኮፕላንድ, ጄ (ኤድ.) (2004). አስፈላጊው ቱሪንግ፡ የኮምፒዩተር እድሜን የወለዱ ሃሳቦች። ኦክስፎርድ: ክላሬንደን ፕሬስ. https://en.wikipedia.org/wiki/Special:BookSources/0-19-825079-7
3. የ60ዎቹ ስኬታማ ፕሮግራሞች፡- ማክኮርድክ (2004፣ ገጽ. 243–252) ክሪቪር (1993፣ ገጽ. 52–107) ሞራቬክ (1988፣ ገጽ 9) ራስል እና ኖርቪግ (2021፣ ገጽ. 19–21
4. 3.በ 80 ዎቹ መጀመሪያ ላይ የገንዘብ ድጋፍ ተነሳሽነት: https://en.wikipedia.org/wiki/Fifth_Generation_Project
5. https://en.wikipedia.org/wiki/AI_Winter
6. https://en.wikipedia.org/wiki/Deep_learning
7. https://en.wikipedia.org/wiki/Artificial_general_intelligence
8. ችግር መፍታት፣ እንቆቅልሽ መፍታት፣ ጨዋታ መጫወት እና መቀነስ፡-https://en.wikipedia.org/wiki/Artificial_intelligence#CITEREFRussellNorvig2021
9. https://en.wikipedia.org/wiki/Intractably
10. https://en.wikipedia.org/wiki/Knowledge_representation