Wenn jemand eine grundlegende KI mit einigen Codemodulen entwickeln möchte, muss die KI nur eine Aktion bereitstellen, wenn sie in einer bestimmten Situation auf der Grundlage ihres vorherigen Verständnisses von Situationen stimuliert wird.
Ich kann mir mindestens drei solcher Komponenten vorstellen:
- Echtzeit-Verständnis / Lernen: Verwenden von Deep Learning / ConvNets, überwacht / unbeaufsichtigt.
- Logische Entscheidungsfindung: Berechnung der Ergebnisse verschiedener Entscheidungen bei Anwendung auf die aktuelle Situation auf der Grundlage vorheriger Erkenntnisse und logische Auswahl der am besten geeigneten.
- Aktion / Reaktion: Genau in der neuen Situation entsprechend der getroffenen Entscheidung handeln.
Irgendwelche Ideen?
Antworten:
Semantikangelegenheiten
Die Antwort hängt von der verwendeten Definitionsintelligenz ab. Wenn Sie Intelligenz als Anpassungsfähigkeit definieren, können einige Dinge als intelligent angesehen werden, die normalerweise nicht unter den klassischen KI-Schirm passen.
Wenn Sie Intelligenz so definieren, dass sie die gesamte Bandbreite menschlicher geistiger Fähigkeiten nachahmt, steht der Öffentlichkeit noch kein solches System zur Verfügung - nichts in der Nähe. Die kreative Anpassung in einer Vielzahl von willkürlichen Bereichen, von denen bisher nur wenige detailliert erlebt oder eingehend untersucht wurden, war ein letztendliches Ziel der KI-Forschung. Es wurden Ansätze angeboten, aber noch keine hat öffentliche Früchte getragen. Wenn ein solches System unter Geheimhaltung existiert, müsste jemand gegen seine Geheimhaltungsvereinbarung oder Sicherheitsfreigabe verstoßen, um uns hier darüber zu informieren.
Die Definition von Intelligenz ist von zentraler Bedeutung für die Beantwortung. Zum Beispiel könnten einige vernünftige Definitionen von Intelligenz einen unvoreingenommenen Richter dazu veranlassen, Ameisen über Menschen zu bewerten. Ameisen hatten seit Jahrtausenden in Sechsecken gebaut, bevor die Menschen sich angewöhnten, Rechtecke zu bauen. Rechtecke benötigen über 70% mehr Baumaterial, um eine vertikale Struktur pro Quadratfuß Bodenfläche aufzubauen, als eine gepackte sechseckige Struktur.
Grundlegende Systemanforderungen für künstliche Intelligenz
Wenn Sie mit "Grundlegende KI" ein naives maschinelles Lernen meinen, gibt es einige grundlegende Komponenten. (Der Begriff Naiv bedeutet in diesem Zusammenhang, dass die KI die Domäne oder die Bedeutung von Symbolen oder Signalen, die sie verarbeitet, nicht so versteht, wie ein Mensch, der auf dem Gebiet studiert oder gearbeitet hat, sie möglicherweise versteht.)
SENSING - Die Maschine (Computer) muss Informationen empfangen, im Allgemeinen als Zeitreihe. Beim Menschen sind dies die Sinne. In einem Mailsortierer kann es sich um eine Kamera handeln. Dies geht über das Konzept des Inputs in der Informationstechnologie hinaus. Es ist analoger zu einem Eingangssignal in einem PID-Regler. In einer automatisierten Hochgeschwindigkeits-Handelsmaschine wäre dies die Hochgeschwindigkeitsversion eines Tickerbandes.
STEUERUNG - Das Gerät muss externe Geräte so manipulieren, dass die empfangenen Informationen ausgenutzt werden. Bei einem Basketballspieler sind dies die motorische Koordination, der Gesichtseffekt, verbale Signale an Teamkollegen und möglicherweise ein verbaler Köder für gegnerische Spieler. In einem Mailsortierer wäre dies die motorische Steuerung der Postrichtung.
SPEICHER - Die Maschine muss über Speicher verfügen, um Eingabezeitreihen zu überwachen (möglicherweise von einem Wandler in der realen Welt oder einem Datenspeicher, für den eine intelligente Analyse oder Transformation durchgeführt werden muss). In fortgeschritteneren Systemen möchte die Maschine möglicherweise ihre eigene Leistung analysieren und Anpassungen vornehmen, die auf einen optimalen metrischen Wert (möglicherweise historische Maxima oder Minima) oder einen bestimmten Akzeptanzbereich konvergieren.
FEEDBACK - Die Maschine muss eine Rückkopplungssignalisierung interpretieren oder einen vorgegebenen Bewertungsmechanismus verwenden. Lernen kann nicht in einem Informationsvakuum stattfinden, daher muss eine Definition von besser oder schlechter festgelegt werden. Die Rückkopplung kann in den SENSING-Kanälen verwickelt sein oder über einen vollständig separaten Kanal ankommen. In biologischen Systemen sind diese häufig als Bedrohungserkennung, Schmerz und Vergnügen vorverdrahtet. Die Großhirnrinde verwendet Konzepte von Zielen und Fortschritt. In gewisser Weise gibt es Kindererziehung und soziale Schichten, um die Grenzen dessen zu lehren, was ein akzeptables Ziel und akzeptable Methoden darstellt, um Fortschritte zu erzielen.
MODELLIERUNG - Ob implizit oder explizit, einige Modelle müssen entwickelt und genutzt werden. Einige würden sagen, dass die Existenz eines Modells, auf dessen Grundlage die Vorhersagefähigkeiten auf die Entscheidungsfindung zur Erreichung eines Ziels oder einer gewichteten Sammlung von Zielen angewendet werden können, Intelligenz ist. Andere würden sagen, dass die Entwicklung des Modells Intelligenz ist und die Verwendung lediglich eine Kontrollmechanik ist.
Ansätze zur Simulation menschlichen Denkens
Kognition ist nicht die einzige Form des Modellbaus, sondern die Schaffung von Kognitionen und deren Anwendung auf die Entscheidungsfindung. Das Konzept der Intelligenz wurde möglicherweise von Roger Schank auf einem realistischen Weg vorangetrieben, der vorschlug, dass das Speichern und Indizieren von Geschichten ein Hauptmerkmal dessen ist, was Menschen als intelligente Konversation erkennen.
Minsky und andere gingen eine Richtung ein, die mehr mit der logischen Inferenzarbeit verbunden war, die mit der logischen Formalisierung (ursprünglich George Boole) und dem Lambda-Kalkül der Kirche begann.
Einige allgemeine Anweisungen im Design
Der genetische Algorithmus beeinflusste die konvergente Technologie und die Neurobiologie beeinflusste die Entwicklung des neuronalen Netzes. Der Mustervergleich ist ein weiteres Glied der größeren Anzahl technischer Ansätze unter dem Dach der klassischen künstlichen Intelligenz.
Dies sind naive Systeme. Wie ein Neuron haben die Komponenten keine Ahnung von der Bedeutung dessen, was sie verarbeiten. Sie sind naive Komponenten. Ein intelligenter Beobachter könnte die Echtzeitbedeutung von Signalen und Symbolen zwischen diesen naiven Komponenten ohne umfangreiche, möglicherweise lebenslange Forschung nicht ermitteln.
Naive Bayes'sche Methoden sind probabilistischer Natur. Sie nutzen den Satz von Bayes und liefern in bestimmten wichtigen Bereichen hervorragende Ergebnisse. Einige Studien haben gezeigt, dass Naivität tatsächlich ein Lernbeschleuniger ist, was aus Sicht der KI-Theorie interessant ist.
Dann gibt es eine unscharfe (gewichtete) Logik, bei der versucht wurde, neuronale Netze mit produktionsbasierten (regelbasierten) Systemen zusammenzuführen. Versuche, diese Technologie bei der Transportrouting und -planung einzusetzen, waren sehr erfolgreich.
Es gibt so viele Geräte und Architekturen, die versuchen, diese verschiedenen Ansätze effektiv zu integrieren oder miteinander zu verbinden, wie es KI-Projekte gibt.
Modellierungsumgebung und Zielbedingungen
Alle diese Systeme modellieren auf explizite oder implizite Weise die externe Umgebung und das gewünschte Ergebnis des Systemverhaltens und versuchen, (in Echtzeit) auf dieses Ergebnis zu konvergieren. In den CONTROL-Komponenten werden einige Sense-Control-Funktionen verwendet, die sich möglicherweise ändern und an die externe Umgebung anpassen.
Dies ist nur ein weiterer Weg, auf dem sich die Systeme adaptiv verhalten. Ohne unbedingt zu wissen warum, manipuliert das System, was es kann, und überwacht weiterhin den Zustand der Umgebung, um kontinuierlich nach den Akzeptanzkriterien des Systems zu greifen.
Das grundlegende KI-System muss mehr als lernen. Es muss auch seine eigene Funktionalität beurteilen und daher über eine Ebene von Rückmeldungen und Kontrollen verfügen, die die Wahrnehmung von Optimalität simulieren. Diese übergeordnete Steuerung muss von Anfang an in das System integriert werden, damit es sich intelligent in dem Sinne verhält, wie Sie es wahrscheinlich meinen.
Einschränkungen und Systemkomplexität verstehen
Je ausgefeilter und anpassungsfähiger die Modellierung wird, desto mehr Erkenntnisse, Regeln, Geschichten, Zeitreihenkoeffizienten, Gewichte oder andere Formen von Wissen (nicht Informationen) werden gespeichert, desto mehr kann man sagen, dass es irgendeine Form von Verständnis oder Verständnis gibt.
Eine Vermutung ist, dass es die Rekursion in Schichten dieser Fähigkeiten ist, die bestimmte Arten von Verständnis und Bewusstsein ermöglicht. Andere Vermutungen konzentrieren sich mehr auf Wachsamkeit und Aufmerksamkeit als Schlüssel zu höherer Intelligenz.
Diese viel ausgereifteren Fähigkeiten gehen jedoch über die bloße Anpassung auf der Grundlage früherer Kenntnisse oder Informationen hinaus und gehen daher über das hinaus, was Sie wahrscheinlich mit Basic AI gemeint haben.
quelle
Einige gute Ausgangspunkte wären kognitive Architekturen und, wie in einer anderen Antwort erwähnt, intelligente Agenten . Die Frage ist weit gefasst, aber Sie möchten sich auf jeden Fall mit Planung und Entscheidungsfindung befassen . Möglicherweise möchten Sie auch die L5- und L6-Ebenen des hierarchischen zeitlichen Speichers (wie in Nupic ) in Bezug auf Feedback, Verhalten und Aufmerksamkeit überprüfen .
Wenn ich Sie wäre, würde ich nach kognitiveren Lösungen streben (mir ist klar, dass dieser Begriff selbst etwas mehrdeutig ist, wenn wir über Maschinen sprechen). Es gibt auch eine neue KI-Initiative, die probabilistische Programmierung beinhaltet. Siehe probabilistische Erkenntnismodelle von Goodman (Stanford University) und Tenenbaum (MIT) oder Anglican von Wood (University of Oxford) et al.
quelle