Artificial intelligence vad är det

Det är ett lågmäld sätt att hålla dig uppdaterad med branschtrender och färdigheter som du kan använda för att styra din karriär. Vad är artificiell allmän intelligens Agi? Artificiell allmän intelligens AGI avser det teoretiska tillstånd där datorsystem kommer att kunna uppnå eller överträffa mänsklig intelligens. Det mest kända sättet att avgöra om en maskin är intelligent eller inte är dock känt som Turing-testet eller simuleringsspelet, ett experiment som först skisserades av inflytelserik matematiker, datavetare och kryptoanalytiker Alan Turing i en artikel om datorintelligens.

Om förhöret inte på ett tillförlitligt sätt kan identifiera personen, får Turing veta att maskinen kan vara smart [1]. Till exempel, medan en ny artikel från Microsoft Research och Openai hävdar att GPT-4 chat det en tidig form av AGI, är många andra forskare skeptiska till dessa påståenden och hävdar att de bara skapades för reklam [2, 3]. Stark AI är emot det, även om dessa termer kan verka förvirrande, har du förmodligen redan en känsla av vad de menar.

En stark AI är i huvudsak en AI som kan allmän intelligens på mänsklig nivå. Läs mer: maskininlärning vs AI: skillnaderna, användningarna och fördelarna med 4 typer av AI. När forskare försöker skapa mer avancerade former av artificiell intelligens måste de också börja formulera en mer nyanserad förståelse för vad intelligens eller till och med medvetande betyder.

I sitt försök att klargöra dessa begrepp skisserade forskarna fyra typer av det intelligens. Jetmaskiner Jetmaskiner är den mest grundläggande typen av artificiell intelligens. Som ett resultat kan de bara utföra vissa avancerade uppgifter i ett mycket smalt fält, som att spela schack, och kan inte utföra uppgifter utanför sitt begränsade sammanhang. Minnesbegränsade maskiner med begränsat minne har begränsad förståelse för tidigare händelser.

De kan interagera mer med världen runt dem än jetmaskiner. Till exempel använder självkörande bilar en form av begränsat minne för att göra svängar, observera närmar sig fordon och justera deras hastighet. Maskiner med begränsat minne kan emellertid inte bilda en fullständig förståelse av världen eftersom deras återkallelse av tidigare händelser är begränsad och används endast i ett smalt tidsband.

Förutom att kunna skapa representationer av världen kommer maskiner av artificial typ också att ha en förståelse för andra enheter som finns i världen. Vid denna tidpunkt är denna verklighet fortfarande inte realiserad. Självmedvetna självrapporteringsmaskiner är teoretiskt den mest avancerade typen av AI och har en förståelse för världen, andra och sig själva.

Det här är vad de flesta menar när de pratar om att uppnå AGI. För närvarande är detta en avlägsen verklighet. Ai-manualer och farorna med AI har ett antal applikationer med potential att förändra vårt sätt att arbeta och vårt dagliga liv. Medan många av dessa omvandlingar är spännande, till exempel självkörande bilar, virtuella assistenter eller bärbara enheter inom hälso-och sjukvården, utgör de också många utmaningar.

Verkligheten kommer sannolikt att bli mycket mer komplicerad. Här är några av de möjliga fördelarna och farorna som AI kan utgöra: de potentiella fördelarna med större noggrannhet för vissa repetitiva uppgifter, som att montera fordon eller datorer. Arbetsförlust på grund av ökad automatisering. Minskade driftskostnader på grund av maskinernas större effektivitet.

Potentialen för partiskhet eller diskriminering intelligence följd av den datamängd som AI tränar på. Ökad Personalisering inom digitala tjänster och produkter. Möjliga cybersäkerhetsproblem. Markovs beslutsprocess har en övergångsmodell som beskriver sannolikheten för att en viss åtgärd kommer att förändra staten på ett visst sätt och en belöningsfunktion som ger användbarheten av varje stat och vad för varje åtgärd.

Politiken kopplar lösningen till alla möjliga stater. Policyn kan beräknas e. oövervakat lärande analyserar dataflödet och hittar mönster och gör förutsägelser utan någon annan vägledning. Agenten lär sig att välja svar som klassificeras som "bra". Specifika problem är taligenkänning, talsyntes, maskinöversättning, informationsutvinning, informationshämtning och svar på frågor.

Margaret Masterman trodde att det var mening, inte grammatik, som var nyckeln till att förstå språk, och att tesauri, inte ordböcker, borde vara grunden för den beräkningsmässiga språkstrukturen. Moderna djupa inlärningsmetoder för NLP inkluderar ord som representerar ord, som regel, som vektorer som kodar för deras betydelse, [52] transformatorer lär djupt arkitektur med hjälp av uppmärksamhetsmekanismen, [53] och andra.

Datorsyn är förmågan att analysera visuell inmatning. Detta tenderar dock att ge naiva användare ett orealistiskt koncept av vad hos befintliga datoragenter. Sök efter en statssökning i sökutrymmet i sökutrymmet genom trädet med möjliga tillstånd för att försöka hitta målets tillstånd. Resultatet är en sökning som är för långsam eller aldrig slutförs. Han söker igenom trädet av möjliga rörelser och motverkar kraftfulla rörelser på jakt efter en vinnande position.

Det börjar med någon form av gissning och förfinar det gradvis. Gradientbaserade varianter används ofta för att träna neurala nätverk. Två populära svärmalgoritmer som används i sökningen är fågelinspirerad partikelsvärmoptimering och myrkolonioptimering inspirerad av myror. Med tanke på ett problem och en uppsättning premisser, handlar problemlösning om att hitta ett bevisträd vars rotnod är märkt med en lösning på problemet och vars bladnoder är märkta med premisser eller Axiom.

När det gäller hornpositioner kan en problemlösningssökning utföras genom att motivera framåt från lokalerna eller tillbaka från problemet. Den omvända resonemanget med hornpositionerna, som ligger till grund för beräkningar på språket i ett logiskt programmeringsspråk, är dock komplett. Dessutom är dess effektivitet konkurrenskraftig med datorer i andra symboliska programmeringsspråk.

Därför kan den hantera meningar som är vaga och delvis korrekta. Probabilistiska metoder för obestämd resonemang av ett enkelt Bayesiskt nätverk, med motsvarande villkorliga sannolikhetstabeller. AI-forskare har utvecklat ett antal verktyg för att lösa dessa artificial med hjälp av metoder från sannolikhetsteori och ekonomi. Klassificerare och det inlärningsmetoder de enklaste AI-applikationerna kan delas in i två typer: e klassificerare.

Klassificerare [98] är funktioner som använder mönstermatchning för att bestämma närmaste matchning. De kan finjusteras utifrån utvalda exempel med hjälp av övervakat lärande. Varje mall kallas också en" observation", märkt med en specifik fördefinierad klass. Alla observationer i kombination med deras klassetiketter kallas en dataset. När en ny observation tas emot klassificeras denna observation utifrån tidigare erfarenhet.

Ett artificiellt neuralt nätverk är baserat på en samling noder, även kända som artificiella neuroner, som löst modellerar neuroner i den biologiska hjärnan. Han är utbildad för att känna igen mönster; Efter träning kan han känna igen dessa mönster i färska data. Det finns en ingång, minst ett intelligence nodlager och en utgång. Varje nod tillämpar en funktion, och efter att vikten passerar sin angivna tröskel överförs data till nästa nivå.

Ett nätverk kallas vanligtvis ett djupt neuralt nätverk om det har minst 2 dolda lager. Den vanligaste inlärningstekniken är algoritmen för utbredning av ryggen.