Nilalaman
Pinagmulan: iLexx / iStockphoto
Takeaway:
Ang artipisyal na katalinuhan ay maaaring makamit sa isang araw sa pamamagitan ng paggamit ng mga artipisyal na neural network, ngunit maraming mga pangunahing pagkakaiba sa pagitan ng mga kapana-panabik na teknolohiyang ito.
Ang artipisyal na katalinuhan (AI) at mga artipisyal na neural network (ANN) ay dalawang kapana-panabik at intertwined na patlang sa agham ng computer. Gayunpaman, mayroong ilang mga pagkakaiba-iba sa pagitan ng dalawa na nagkakahalaga ng pag-alam tungkol sa.
Ang pangunahing pagkakaiba ay ang mga neural network ay isang stepping stone sa paghahanap para sa artipisyal na katalinuhan.
Ang artipisyal na katalinuhan ay isang malawak na larangan na may layunin na lumikha ng mga intelihente na makina, isang bagay na nakamit nang maraming beses depende sa kung paano mo tinukoy ang katalinuhan. Sa kabila ng katotohanan na mayroon kaming mga computer na maaaring manalo sa "Jeopardy" at matalo ang mga champions ng chess, ang layunin ng AI ay pangkalahatang nakikita bilang isang paghahanap para sa pangkalahatang katalinuhan, o katalinuhan na maaaring mailapat sa magkakaibang at walang kaugnayan na mga problema sa kalagayan.
Marami sa mga AIs na binuo hanggang sa puntong ito ay binuo na may isang layunin, tulad ng pagpapatakbo ng isang robot na gumaganap ng ping pong o nangingibabaw sa "Jeopardy." Ito ang hindi maiiwasang resulta kapag umupo ang mga siyentipiko sa computer at lumikha ng isang bagay upang gumawa ng isang tiyak na gawain - nagtatapos sila sa isang bagay na maaaring gawin ang gawaing iyon at hindi higit pa.
Upang mapalibot ang problemang ito ng mga AIS na nakatuon sa gawain, ang mga siyentipiko sa computer ay nagsimulang maglaro sa mga artipisyal na neural network. Ang aming pangkalahatang intelektuwal na talino ay binubuo ng mga biological neural network na gumagawa ng mga koneksyon batay sa aming mga pang-unawa at labas ng pampasigla.
Ang isang napaka-pinasimple na halimbawa ay ang sakit mula sa pagkasunog. Kapag nangyari ito sa unang pagkakataon, isang koneksyon ang ginawa sa iyong utak na nagpapakilala sa impormasyong pandama na kilala bilang apoy (apoy, amoy ng usok, init) at iniuugnay ito sa sakit. Ito ay kung paano mo natutunan, sa isang murang edad, kung paano maiwasan ang pagkasunog. Sa pamamagitan ng parehong neural network na ito, maaari tayong gumawa ng maraming pangkalahatang pag-aaral tulad ng "ice cream panlasa" mabuti at kahit na gumawa ng mga deduktibong mga leaps tulad ng "palaging mga ulap bago ulan" o "stock ay palaging rally sa Disyembre." Ang mga leaps ay hindi palaging tama (mayroong masamang ice cream at may mga stock na bumagsak noong Disyembre), ngunit maaari silang maitama sa pamamagitan ng karanasan, sa gayon pinapayagan ang pag-aaral na umaangkop.
Sinusubukan ng mga artipisyal na neural network na muling likhain ang sistemang ito ng pagkatuto sa mga computer sa pamamagitan ng paggawa ng isang simpleng programa ng balangkas upang tumugon sa isang problema at makatanggap ng puna sa kung paano ito. Maaaring mai-optimize ng isang computer ang tugon nito sa pamamagitan ng paggawa ng parehong problema libu-libong beses at inaayos ang tugon nito ayon sa feedback na natanggap nito. Ang computer ay maaaring mabigyan ng ibang problema, na maaaring makalapit sa parehong paraan tulad ng natutunan mula sa nauna. Sa pamamagitan ng pag-iba-iba ng mga problema at bilang ng mga diskarte sa paglutas sa kanila na natutunan ng computer, ang mga siyentipiko sa computer ay maaaring magturo sa isang computer upang maging isang generalist.
Kahit na ito ay bumubuo ng mga imahe ng mga computer na kumukuha sa mundo at pag-aani ng mga tao tulad ng nakikita sa mga pelikula sa Hollywood tulad ng "The Martrix," kami ay pa rin ng isang mahabang paraan mula sa neural networking ang aming paraan patungo sa artipisyal na katalinuhan. Ang mga problema na nasubok sa mga neural network ay pawang ipinahayag sa matematika. Hindi mo maaaring hawakan ang isang bulaklak hanggang sa isang computer at sabihin ito upang hulaan ang kulay ng amoy, dahil ang amoy ay kailangang ipahayag sa mga numero at pagkatapos ay kakailanganin ng computer na itala ang mga numero sa memorya, kasama ang mga larawan ng mga bulaklak nagpapalabas ng amoy na iyon.
Walang Mga bug, Walang Stress - Ang Iyong Hakbang sa Hakbang Patnubay sa Paglikha ng Software na Pagbabago ng Buhay nang Walang Pagsira sa Iyong Buhay
Hindi mo maaaring mapabuti ang iyong mga kasanayan sa pag-programming kapag walang nagmamalasakit sa kalidad ng software.
Iyon ay sinabi, ang mga artipisyal na neural network na maaaring mabigyan ng higit pang mga input ng mga bagay tulad ng amoy - at ang kakayahang matuto mula sa lahat ng mga input na iyon - ay maaaring nasa track upang makabuo ng unang artipisyal na intelihente na nakakatugon sa mga pamantayan ng kahit na ang pinaka masidhing mahilig sa AI.
Sa esensya, ang mga artipisyal na neural network ay mga modelo ng mga human neural network na idinisenyo upang matulungan ang mga computer na matuto. Ang artipisyal na katalinuhan ay ang Holy Grail ilang mga siyentipiko sa computer ay nagsisikap na makamit ang paggamit ng mga pamamaraan tulad ng paggaya ng mga neural network.