Искусственный интеллект

Искусственный интеллект ( ИИ ) в самом широком смысле — это интеллект, демонстрируемый машинами , в частности компьютерными системами . Это область исследований в области информатики , которая разрабатывает и изучает методы и программное обеспечение , которые позволяют машинам воспринимать окружающую среду и использовать обучение и интеллект для принятия мер, которые максимизируют их шансы на достижение определенных целей. ^{[ 1 ]} Такие машины можно назвать ИИ.

Некоторые известные приложения ИИ включают передовые поисковые системы в Интернете (например, Google Search ); системы рекомендаций (используются YouTube , Amazon и Netflix ); взаимодействие посредством человеческой речи (например, Google Assistant , Siri и Alexa ); автономные транспортные средства (например, Waymo ); генеративные и творческие инструменты (например, ChatGPT , Apple Intelligence и AI art ); и сверхчеловеческая игра и анализ в стратегических играх (например, шахматах и го ). Однако многие приложения ИИ не воспринимаются как ИИ: «Множество передовых ИИ просочилось в общие приложения, часто не называемые ИИ, потому что как только что-то становится достаточно полезным и достаточно распространенным, его больше не называют ИИ ». ^{[ 2 ]}^{[ 3 ]}

Алан Тьюринг был первым человеком, проведшим серьезные исследования в области, которую он назвал «машинный интеллект». ^{[ 4 ]} Искусственный интеллект был основан как академическая дисциплина в 1956 году. ^{[ 5 ]} те, кого сейчас считают отцами-основателями ИИ: Джон Маккарти , Марвин Минкси , Натаниэль Рочестер и Клод Шеннон . ^{[ 6 ]}^{[ 7 ]} Эта отрасль прошла через несколько циклов оптимизма. ^{[ 8 ]}^{[ 9 ]} за которыми следовали периоды разочарования и потери финансирования, известные как зима AI . ^{[ 10 ]}^{[ 11 ]} Финансирование и интерес значительно возросли после 2012 года, когда глубокое обучение превзошло все предыдущие методы искусственного интеллекта. ^{[ 12 ]} а после 2017 года с архитектурой-трансформером . ^{[ 13 ]} Это привело к буму искусственного интеллекта в начале 2020-х годов, когда компании, университеты и лаборатории, преимущественно расположенные в Соединенных Штатах, стали пионерами значительных достижений в области искусственного интеллекта . ^{[ 14 ]}

Растущее использование искусственного интеллекта в 21 веке влияет на социальный и экономический сдвиг в сторону большей автоматизации , принятия решений на основе данных и интеграции систем искусственного интеллекта в различные экономические сектора и сферы жизни, влияя на рынки труда , здравоохранение , государственное управление. , промышленность , образование , пропаганда и дезинформация . Это поднимает вопросы о долгосрочных последствиях , этических последствиях и рисках ИИ , что побуждает к дискуссиям о регуляторной политике, обеспечивающей безопасность и преимущества технологии .

Различные области исследований ИИ сосредоточены вокруг конкретных целей и использования определенных инструментов. Традиционные цели исследований ИИ включают рассуждение , представление знаний , планирование , обучение , обработку естественного языка , восприятие и поддержку робототехники . ^{[ а ]} Общий интеллект — способность выполнять любую задачу, которую может выполнить человек, как минимум на равном уровне — входит в число долгосрочных целей этой области. ^{[ 15 ]}

Для достижения этих целей исследователи ИИ адаптировали и интегрировали широкий спектр методов, включая поисковую и математическую оптимизацию , формальную логику , искусственные нейронные сети и методы, основанные на статистике , исследовании операций и экономике . ^{[ б ]} ИИ также опирается на психологию , лингвистику , философию , нейробиологию и другие области. ^{[ 16 ]}

Цели

Общая проблема моделирования (или создания) интеллекта разбита на подзадачи. Они состоят из определенных черт или способностей, которые исследователи ожидают от интеллектуальной системы. Описанные ниже черты получили наибольшее внимание и охватывают сферу исследований ИИ. ^{[ а ]}

Рассуждение и решение проблем

Ранние исследователи разработали алгоритмы, имитирующие пошаговые рассуждения, которые люди используют, когда решают головоломки или делают логические выводы . ^{[ 17 ]} К концу 1980-х и 1990-м годам были разработаны методы работы с неопределенной или неполной информацией с использованием концепций теории вероятности и экономики . ^{[ 18 ]}

Многих из этих алгоритмов недостаточно для решения больших задач рассуждения, поскольку они испытывают «комбинаторный взрыв»: по мере роста задач они становятся экспоненциально медленнее. ^{[ 19 ]} Даже люди редко используют пошаговые выводы, которые могли смоделировать ранние исследования ИИ. Они решают большинство своих проблем, используя быстрые и интуитивные суждения. ^{[ 20 ]} Точные и эффективные рассуждения — нерешенная проблема.

Представление знаний

Представление знаний и инженерия знаний ^{[ 21 ]} позволить программам искусственного интеллекта разумно отвечать на вопросы и делать выводы на основе реальных фактов. Формальные представления знаний используются при индексировании и поиске на основе контента. ^{[ 22 ]} интерпретация сцены, ^{[ 23 ]} поддержка принятия клинических решений, ^{[ 24 ]} обнаружение знаний (извлечение «интересных» и практических выводов из больших баз данных ), ^{[ 25 ]} и другие области. ^{[ 26 ]}

База знаний — это совокупность знаний, представленная в форме, которую может использовать программа. Онтология — это набор объектов, отношений, концепций и свойств, используемых в определенной области знаний. ^{[ 27 ]} Базы знаний должны представлять такие вещи, как объекты, свойства, категории и отношения между объектами; ^{[ 28 ]} ситуации, события, состояния и время; ^{[ 29 ]} причины и следствия; ^{[ 30 ]} знание о знании (то, что мы знаем о том, что знают другие люди); ^{[ 31 ]} рассуждения по умолчанию (вещи, которые люди предполагают, являются истинными, пока им не скажут иначе, и останутся истинными, даже когда другие факты меняются); ^{[ 32 ]} и многие другие аспекты и области знаний.

Среди наиболее сложных проблем представления знаний — широта знаний здравого смысла (набор элементарных фактов, известных среднестатистическому человеку, огромен); ^{[ 33 ]} и субсимволическая форма большинства здравомыслящих знаний (многое из того, что знают люди, не представлено в виде «фактов» или «утверждений», которые они могли бы выразить устно). ^{[ 20 ]} Существует также сложность приобретения знаний , проблема получения знаний для приложений ИИ. ^{[ с ]}

Планирование и принятие решений

«Агент» — это все, что воспринимает и совершает действия в мире. имеет Рациональный агент цели или предпочтения и предпринимает действия для их достижения. ^{[ д ]}^{[ 36 ]} При автоматизированном планировании у агента есть конкретная цель. ^{[ 37 ]} При автоматическом принятии решений у агента есть предпочтения: есть некоторые ситуации, в которых он предпочел бы оказаться, а некоторых ситуаций он пытается избежать. Агент, принимающий решения, присваивает каждой ситуации число (называемое « полезностью »), которое измеряет, насколько агент предпочитает ее. Для каждого возможного действия он может рассчитать « ожидаемую полезность »: полезность всех возможных результатов действия, взвешенную по вероятности того, что результат произойдет. Затем он может выбрать действие с максимальной ожидаемой полезностью. ^{[ 38 ]}

При классическом планировании агент точно знает, каким будет эффект любого действия. ^{[ 39 ]} Однако в большинстве задач реального мира агент может не быть уверен в ситуации, в которой он находится (она «неизвестна» или «ненаблюдаема»), и он может не знать наверняка, что произойдет после каждого возможного действия (это не так). «детерминированный»). Он должен выбрать действие, сделав вероятностное предположение, а затем повторно оценить ситуацию, чтобы увидеть, сработало ли действие. ^{[ 40 ]}

В некоторых задачах предпочтения агента могут быть неопределенными, особенно если в решении участвуют другие агенты или люди. Их можно изучить (например, с помощью обратного обучения с подкреплением ), или агент может искать информацию для улучшения своих предпочтений. ^{[ 41 ]} Теорию ценности информации можно использовать для взвешивания ценности исследовательских или экспериментальных действий. ^{[ 42 ]} Пространство возможных будущих действий и ситуаций обычно непреодолимо велико, поэтому агенты должны предпринимать действия и оценивать ситуации, не зная, каким будет результат.

Марковский процесс принятия решений имеет модель перехода , которая описывает вероятность того, что конкретное действие изменит состояние определенным образом, и функцию вознаграждения , которая определяет полезность каждого состояния и стоимость каждого действия. Политика . связывает решение с каждым возможным состоянием Политика может быть рассчитана (например, путем итерации ), быть эвристической или ее можно изучить. ^{[ 43 ]}

Теория игр описывает рациональное поведение нескольких взаимодействующих агентов и используется в программах ИИ, которые принимают решения с участием других агентов. ^{[ 44 ]}

Обучение

Машинное обучение — это исследование программ, которые могут автоматически улучшить свою производительность при выполнении определенной задачи. ^{[ 45 ]} Он был частью ИИ с самого начала. ^{[ и ]}

Существует несколько видов машинного обучения. Обучение без учителя анализирует поток данных, находит закономерности и делает прогнозы без какого-либо другого руководства. ^{[ 48 ]} Обучение с учителем требует, чтобы человек сначала помечал входные данные, и оно бывает двух основных разновидностей: классификация (когда программа должна научиться предсказывать, к какой категории принадлежат входные данные) и регрессия (когда программа должна вывести числовую функцию на основе числового ввода). ). ^{[ 49 ]}

При обучении с подкреплением агент вознаграждается за хорошие ответы и наказывается за плохие. Агент учится выбирать ответы, которые классифицируются как «хорошие». ^{[ 50 ]} Трансферное обучение – это когда знания, полученные при решении одной проблемы, применяются к новой проблеме. ^{[ 51 ]} Глубокое обучение — это тип машинного обучения, при котором входные данные передаются через биологически созданные искусственные нейронные сети для всех этих типов обучения. ^{[ 52 ]}

Теория компьютерного обучения может оценивать учащихся по сложности вычислений , по сложности выборки (сколько данных требуется) или по другим понятиям оптимизации . ^{[ 53 ]}

Обработка естественного языка

Обработка естественного языка (НЛП) ^{[ 54 ]} позволяет программам читать, писать и общаться на человеческих языках, таких как английский . Конкретные проблемы включают распознавание речи , синтез речи , машинный перевод , извлечение информации , поиск информации и ответы на вопросы . ^{[ 55 ]}

Ранние работы, основанные на Ноама Хомского , порождающей грамматике и семантических сетях имели трудности с устранением смысловой неоднозначности слов. ^{[ ж ]} если только они не ограничены небольшими областями, называемыми « микромирами » (из-за проблемы знания здравого смысла). ^{[ 33 ]}). Маргарет Мастерман считала, что именно значение, а не грамматика, является ключом к пониманию языков и что тезаурусы основой вычислительной структуры языка должны быть , а не словари.

Современные методы глубокого обучения для НЛП включают встраивание слов (представление слов, обычно в виде векторов, кодирующих их значение), ^{[ 56 ]} трансформеры (архитектура глубокого обучения с использованием механизма внимания ), ^{[ 57 ]} и другие. ^{[ 58 ]} В 2019 году генеративные предварительно обученные языковые модели-трансформеры (или «GPT») начали генерировать связный текст. ^{[ 59 ]}^{[ 60 ]} и к 2023 году эти модели смогут получать оценки человеческого уровня на экзаменах на получение адвокатского статуса , SAT , GRE и многих других реальных приложениях. ^{[ 61 ]}

Восприятие

Машинное восприятие — это способность использовать данные от датчиков (таких как камеры, микрофоны, беспроводные сигналы, активный лидар , гидролокатор, радар и тактильные датчики ) для определения аспектов мира. Компьютерное зрение — это способность анализировать визуальную информацию. ^{[ 62 ]}

Область включает в себя распознавание речи , ^{[ 63 ]} классификация изображений , ^{[ 64 ]} распознавание лиц , распознавание объектов , ^{[ 65 ]}отслеживание объектов , ^{[ 66 ]} и роботизированное восприятие . ^{[ 67 ]}

Социальный интеллект

Аффективные вычисления — это междисциплинарный зонтик, включающий системы, которые распознают, интерпретируют, обрабатывают или моделируют человеческие чувства, эмоции и настроение . ^{[ 69 ]} Например, некоторые виртуальные помощники запрограммированы разговаривать разговорно или даже шутливо подшучивать; это делает их более чувствительными к эмоциональной динамике человеческого взаимодействия или иным образом облегчает взаимодействие человека с компьютером .

Однако это дает наивным пользователям нереальное представление об интеллекте существующих компьютерных агентов. ^{[ 70 ]} Умеренные успехи, связанные с аффективными вычислениями, включают текстовый анализ настроений и, в последнее время, мультимодальный анализ настроений , в котором ИИ классифицирует аффекты, отображаемые субъектом, записанным на видео. ^{[ 71 ]}

Общий интеллект

Машина с общим искусственным интеллектом должна быть способна решать широкий спектр задач с широтой и универсальностью, подобно человеческому интеллекту . ^{[ 15 ]}

Техники

Исследования ИИ используют широкий спектр методов для достижения вышеуказанных целей. ^{[ б ]}

Поиск и оптимизация

ИИ может решить многие проблемы, разумно перебирая множество возможных решений. ^{[ 72 ]} В ИИ используются два совершенно разных типа поиска: поиск в пространстве состояний и локальный поиск .

Государственный космический поиск

Поиск в пространстве состояний просматривает дерево возможных состояний, чтобы попытаться найти целевое состояние. ^{[ 73 ]} Например, алгоритмы планирования просматривают деревья целей и подцелей, пытаясь найти путь к целевой цели. Этот процесс называется анализом средств и результатов . ^{[ 74 ]}

Простой исчерпывающий поиск ^{[ 75 ]} редко бывают достаточными для большинства реальных задач: пространство поиска (количество мест для поиска) быстро вырастает до астрономических цифр . В результате поиск выполняется слишком медленно или никогда не завершается. ^{[ 19 ]} « Эвристика » или «эмпирические правила» могут помочь расставить приоритеты в выборе, который с большей вероятностью приведет к достижению цели. ^{[ 76 ]}

Состязательный поиск используется для игровых программ, таких как шахматы или го. Он просматривает дерево возможных ходов и контрходов в поисках выигрышной позиции. ^{[ 77 ]}

Локальный поиск

Локальный поиск использует математическую оптимизацию для поиска решения проблемы. Он начинается с некоторой формы предположения и постепенно совершенствует его. ^{[ 78 ]}

Градиентный спуск — это тип локального поиска, который оптимизирует набор числовых параметров путем постепенной их корректировки для минимизации функции потерь . Варианты градиентного спуска обычно используются для обучения нейронных сетей. ^{[ 79 ]}

Другой тип локального поиска — эволюционные вычисления , целью которых является итеративное улучшение набора возможных решений путем «мутации» и «рекомбинации» их, отбирая только наиболее приспособленных для выживания в каждом поколении. ^{[ 80 ]}

Процессы распределенного поиска могут координироваться с помощью алгоритмов роевого интеллекта . Двумя популярными роевыми алгоритмами, используемыми в поиске, являются оптимизация роя частиц (вдохновленная стайкой птиц ) и оптимизация колонии муравьев (вдохновленная муравьиными следами ). ^{[ 81 ]}

Логика

Формальная логика используется для рассуждений и представления знаний . ^{[ 82 ]} Формальная логика существует в двух основных формах: логика высказываний (которая оперирует утверждениями, которые являются истинными или ложными, и использует логические связки, такие как «и», «или», «не» и «подразумевается»). ^{[ 83 ]} и логика предикатов (которая также работает с объектами, предикатами и отношениями и использует кванторы, такие как « Каждый X есть Y » и «Есть некоторые X , которые являются Y »). ^{[ 84 ]}

Дедуктивное рассуждение в логике — это процесс доказательства нового утверждения ( вывода ) на основе других утверждений, которые даны и считаются истинными ( посылок ). ^{[ 85 ]} Доказательства могут быть структурированы как деревья доказательств , в которых узлы помечены предложениями, а дочерние узлы соединены с родительскими узлами правилами вывода .

Учитывая проблему и набор предпосылок, решение проблемы сводится к поиску дерева доказательств, корневой узел которого помечен решением проблемы, а листовые узлы помечены посылками или аксиомами . В случае предложений Хорна поиск решения проблемы может осуществляться путем рассуждений вперед от посылок или назад от проблемы. ^{[ 86 ]} В более общем случае клаузальной формы первого порядка логики разрешение — это единственное, свободное от аксиом правило вывода, в котором проблема решается путем доказательства противоречия из посылок, которые включают отрицание решаемой проблемы. ^{[ 87 ]}

Вывод как в логике предложения Хорна, так и в логике первого порядка неразрешим и, следовательно, неразрешим . Однако обратные рассуждения с предложениями Хорна, лежащие в основе вычислений в логического программирования языке Пролог , являются полными по Тьюрингу . Более того, его эффективность не уступает вычислениям на других символьных языках программирования. ^{[ 88 ]}

Нечеткая логика присваивает «степень истинности» от 0 до 1. Таким образом, она может обрабатывать расплывчатые и частично истинные утверждения. ^{[ 89 ]}

Немонотонная логика , включая логическое программирование с отрицанием как неудачей , предназначена для обработки рассуждений по умолчанию . ^{[ 32 ]} Для описания многих сложных областей были разработаны другие специализированные версии логики.

Вероятностные методы для неопределенных рассуждений

Простая байесовская сеть с соответствующими таблицами условной вероятности.

Многие проблемы ИИ (в том числе рассуждения, планирование, обучение, восприятие и робототехника) требуют от агента работы с неполной или неопределенной информацией. Исследователи искусственного интеллекта разработали ряд инструментов для решения этих проблем, используя методы теории вероятностей и экономики. ^{[ 90 ]} Были разработаны точные математические инструменты, которые анализируют, как агент может делать выбор и планировать, используя теорию принятия решений , анализ решений , ^{[ 91 ]} и теория ценности информации . ^{[ 92 ]} Эти инструменты включают в себя такие модели, как процессы принятия решений Маркова , ^{[ 93 ]} динамических сети решений , ^{[ 94 ]} Теория игр и проектирование механизмов . ^{[ 95 ]}

Байесовские сети ^{[ 96 ]} являются инструментом, который можно использовать для рассуждений (с использованием алгоритма байесовского вывода ), ^{[ г ]}^{[ 98 ]} обучение (с использованием алгоритма ожидания-максимизации ), ^{[ ч ]}^{[ 100 ]} планирование (с использованием сетей принятия решений ) ^{[ 101 ]} и восприятие (с использованием динамических байесовских сетей ). ^{[ 94 ]}

Вероятностные алгоритмы также можно использовать для фильтрации, прогнозирования, сглаживания и поиска объяснений потоков данных, тем самым помогая системам восприятия анализировать процессы, происходящие с течением времени (например, скрытые модели Маркова или фильтры Калмана ). ^{[ 94 ]}

Классификаторы и статистические методы обучения

Простейшие ИИ-приложения можно разделить на два типа: классификаторы (например, «если блестит, то ромб»), с одной стороны, и контроллеры (например, «если бриллиант, то поднимите»), с другой стороны. Классификаторы ^{[ 102 ]} — это функции, которые используют сопоставление с образцом для определения наиболее близкого соответствия. Их можно доработать на основе выбранных примеров с помощью обучения с учителем . Каждый шаблон (также называемый « наблюдением ») помечен определенным предопределенным классом. Все наблюдения в сочетании с их метками классов известны как набор данных . Когда получено новое наблюдение, оно классифицируется на основе предыдущего опыта. ^{[ 49 ]}

Существует множество видов классификаторов. ^{[ 103 ]} Дерево решений — это самый простой и наиболее широко используемый алгоритм символьного машинного обучения. ^{[ 104 ]} Алгоритм K-ближайшего соседа был наиболее широко используемым аналоговым ИИ до середины 1990-х годов, а методы ядра , такие как машина опорных векторов (SVM), вытеснили k-ближайшего соседа в 1990-х годах. ^{[ 105 ]} Сообщается, что наивный классификатор Байеса является «наиболее широко используемым методом обучения». ^{[ 106 ]} в Google, отчасти благодаря его масштабируемости. ^{[ 107 ]} Нейронные сети также используются в качестве классификаторов. ^{[ 108 ]}

Искусственные нейронные сети

Искусственная нейронная сеть основана на наборе узлов, также известных как искусственные нейроны , которые в общих чертах моделируют нейроны биологического мозга. Он обучен распознавать закономерности; после обучения он сможет распознавать эти закономерности в свежих данных. Есть вход, как минимум один скрытый слой узлов и выход. Каждый узел применяет функцию, и как только вес пересекает указанный порог, данные передаются на следующий уровень. Сеть обычно называется глубокой нейронной сетью, если она имеет как минимум два скрытых слоя. ^{[ 108 ]}

Алгоритмы обучения нейронных сетей используют локальный поиск для выбора весов, которые дадут правильный результат для каждого входного сигнала во время обучения. Наиболее распространенным методом обучения является алгоритм обратного распространения ошибки . ^{[ 109 ]} Нейронные сети учатся моделировать сложные взаимосвязи между входными и выходными данными и находить закономерности в данных. Теоретически нейронная сеть может изучить любую функцию. ^{[ 110 ]}

В нейронных сетях прямого распространения сигнал проходит только в одном направлении. ^{[ 111 ]} Рекуррентные нейронные сети передают выходной сигнал обратно на вход, что позволяет кратковременно запоминать предыдущие входные события. Долговременная краткосрочная память является наиболее успешной сетевой архитектурой для рекуррентных сетей. ^{[ 112 ]} Персептроны ^{[ 113 ]} использовать только один слой нейронов, глубокое обучение ^{[ 114 ]} использует несколько слоев. Сверточные нейронные сети усиливают связь между нейронами, находящимися «близко» друг к другу — это особенно важно при обработке изображений , где локальный набор нейронов должен идентифицировать «край», прежде чем сеть сможет идентифицировать объект. ^{[ 115 ]}

Глубокое обучение

Глубокое обучение ^{[ 114 ]} использует несколько слоев нейронов между входами и выходами сети. Несколько слоев могут постепенно извлекать функции более высокого уровня из необработанных входных данных. Например, при обработке изображений нижние уровни могут идентифицировать края, а более высокие уровни могут идентифицировать понятия, относящиеся к человеку, такие как цифры, буквы или лица. ^{[ 116 ]}

Глубокое обучение значительно улучшило производительность программ во многих важных областях искусственного интеллекта, включая компьютерное зрение , распознавание речи , обработку естественного языка , классификацию изображений , ^{[ 117 ]} и другие. Причина, по которой глубокое обучение так хорошо работает во многих приложениях, по состоянию на 2023 год неизвестна. ^{[ 118 ]} Внезапный успех глубокого обучения в 2012–2015 годах произошел не из-за какого-то нового открытия или теоретического прорыва (глубокие нейронные сети и обратное распространение ошибки были описаны многими людьми еще в 1950-х годах). ^{[ я ]} но из-за двух факторов: невероятного увеличения мощности компьютера (включая стократное увеличение скорости за счет перехода на графические процессоры ) и доступности огромных объемов обучающих данных, особенно гигантских курируемых наборов данных, используемых для эталонного тестирования, таких как ImageNet . ^{[ Дж ]}

GPT

Генеративные предварительно обученные преобразователи (GPT) — это большие языковые модели (LLM), которые генерируют текст на основе семантических отношений между словами в предложениях. Текстовые модели GPT предварительно обучаются на большом массиве текста , который может быть взят из Интернета. Предварительное обучение состоит из предсказания следующего токена (токеном обычно является слово, подслово или знак препинания). В ходе этого предварительного обучения модели GPT накапливают знания о мире, а затем могут генерировать текст, похожий на человеческий, многократно предсказывая следующий токен. Как правило, последующий этап обучения делает модель более правдивой, полезной и безвредной, обычно с помощью метода, называемого обучением с подкреплением на основе обратной связи с человеком (RLHF). Текущие модели GPT склонны генерировать ложные сведения, называемые « галлюцинациями », хотя это можно уменьшить с помощью RLHF и качественных данных. Они используются в чат-ботах , которые позволяют людям задавать вопросы или запрашивать задачу простым текстом. ^{[ 126 ]}^{[ 127 ]}

Текущие модели и сервисы включают Gemini (ранее Bard), ChatGPT , Grok , Claude , Copilot и LLaMA . ^{[ 128 ]} Мультимодальные модели GPT могут обрабатывать различные типы данных ( модальности ), такие как изображения, видео, звук и текст. ^{[ 129 ]}

Специализированное оборудование и программное обеспечение

В конце 2010-х годов графические процессоры (GPU), которые все чаще проектировались с усовершенствованиями, специфичными для искусственного интеллекта, и использовались со специализированным программным обеспечением TensorFlow, заменили ранее использовавшиеся центральные процессоры (ЦП) в качестве доминирующего средства для крупномасштабных (коммерческих и академических) машин. обучения . обучение моделей ^{[ 130 ]} Специализированные языки программирования , такие как Пролог, использовались в ранних исследованиях ИИ. ^{[ 131 ]} но языки программирования общего назначения, такие как Python, стали преобладать. ^{[ 132 ]}

Приложения

Технологии искусственного интеллекта и машинного обучения используются в большинстве важнейших приложений 2020-х годов, включая: поисковые системы (такие как Google Search ), таргетинг онлайн-рекламы , системы рекомендаций (предлагаемые Netflix , YouTube или Amazon ), привлечение интернет-трафика , таргетированную рекламу. ( AdSense , Facebook ), виртуальные помощники (такие как Siri или Alexa ), автономные транспортные средства (включая дроны , ADAS и беспилотные автомобили ), автоматический языковой перевод ( Microsoft Translator , Google Translate ), мимика распознавание ( Apple от Face ID или Microsoft от DeepFace и Google от FaceNet ) и маркировка изображений (используется Facebook от Apple , iPhoto и TikTok ). Развертывание ИИ может контролироваться директором по автоматизации (CAO).

Здоровье и медицина

Применение ИИ в медицине и медицинских исследованиях потенциально может улучшить уход за пациентами и качество их жизни. ^{[ 133 ]} Через призму клятвы Гиппократа медицинские работники этически обязаны использовать ИИ, если приложения могут более точно диагностировать и лечить пациентов.

Для медицинских исследований ИИ является важным инструментом обработки и интеграции больших данных . Это особенно важно для развития органоидной и тканевой инженерии визуализация используется , где микроскопическая в качестве ключевого метода производства. ^{[ 134 ]} Было высказано предположение, что ИИ может преодолеть несоответствия в финансировании, выделяемом на различные области исследований. ^{[ 134 ]} Новые инструменты искусственного интеллекта могут углубить понимание биомедицинских путей. Например, AlphaFold 2 (2021) продемонстрировал способность аппроксимировать трехмерную структуру белка за часы, а не за месяцы . ^{[ 135 ]} В 2023 году сообщалось, что открытие лекарств под руководством ИИ помогло найти класс антибиотиков, способных убивать два разных типа устойчивых к лекарствам бактерий. ^{[ 136 ]} В 2024 году исследователи использовали машинное обучение, чтобы ускорить поиск от болезни Паркинсона лекарств . Их целью было идентифицировать соединения, которые блокируют слипание или агрегацию альфа-синуклеина (белка, который характеризует болезнь Паркинсона). Им удалось ускорить процесс первичной проверки в десять раз и снизить стоимость в тысячу раз. ^{[ 137 ]}^{[ 138 ]}

Игры

Игровые программы используются с 1950-х годов для демонстрации и тестирования самых передовых методов искусственного интеллекта. ^{[ 139 ]} Deep Blue стала первой компьютерной шахматной системой, победившей действующего чемпиона мира по шахматам Гарри Каспарова 11 мая 1997 года. ^{[ 140 ]} В 2011 году в опасности! викторина-шоу показательный матч, , IBM вопросно-ответная система Уотсон , победилдва величайших Jeopardy! чемпионы Брэд Раттер и Кен Дженнингс со значительным отрывом. ^{[ 141 ]} В марте 2016 года AlphaGo выиграла 4 из 5 игр в го в матче с чемпионом по го Ли Седолем , став первой компьютерной системой игры в го, обыгравшей профессионального игрока в го без гандикапов . Затем, в 2017 году, она победила Кэ Цзе , лучшего игрока в го в мире. ^{[ 142 ]} Другие программы поддерживают игры с несовершенной информацией , например, в покер программа для игры Pluribus . ^{[ 143 ]} DeepMind разработала все более общие модели обучения с подкреплением , такие как MuZero , которые можно было обучить играть в шахматы, го или Atari . игры ^{[ 144 ]} В 2019 году AlphaStar из DeepMind достигла уровня гроссмейстера в StarCraft II , особенно сложной стратегической игре в реальном времени, которая предполагает неполное знание того, что происходит на карте. ^{[ 145 ]} В 2021 году ИИ-агент принял участие в соревновании PlayStation Gran Turismo , победив четырех лучших в мире водителей Gran Turismo, используя глубокое обучение с подкреплением. ^{[ 146 ]} В 2024 году Google DeepMind представила SIMA, тип искусственного интеллекта, способный автономно играть в девять ранее невиданных видеоигр с открытым миром , наблюдая за выводом на экран, а также выполнять короткие конкретные задачи в ответ на инструкции на естественном языке. ^{[ 147 ]}

Математика

специальные формы формальных пошаговых рассуждений В математике используются . Напротив, такие LLM, как GPT-4 Turbo , Gemini Ultra , Claude Opus , LLaMa-2 или Mistral Large , работают с вероятностными моделями, которые могут давать неправильные ответы в виде галлюцинаций . Поэтому им нужна не только большая база данных математических задач для обучения, но и такие методы, как контролируемая точная настройка или обученные классификаторы с аннотированными людьми данными, чтобы улучшить ответы на новые проблемы и учиться на исправлениях. ^{[ 148 ]} Исследование 2024 года показало, что эффективность некоторых языковых моделей в отношении возможностей рассуждения при решении математических задач, не включенных в их обучающие данные, была низкой, даже для задач с лишь незначительными отклонениями от обученных данных. ^{[ 149 ]}

В качестве альтернативы были разработаны специальные модели для решения математических задач с более высокой точностью результата, включая доказательство теорем, такие как Alpha Tensor , Alpha Geometry и Alpha Proof, все от Google DeepMind . ^{[ 150 ]} Лемма из элеутера ^{[ 151 ]} или Юлиус . ^{[ 152 ]}

Когда для описания математических задач используется естественный язык, преобразователи преобразуют такие подсказки в формальный язык, такой как Lean, для определения математических задач.

Некоторые модели были разработаны для решения сложных задач и достижения хороших результатов в контрольных тестах, другие — в качестве учебных пособий по математике. ^{[ 153 ]}

Финансы

Финансы — один из наиболее быстрорастущих секторов, где используются прикладные инструменты искусственного интеллекта: от розничного онлайн-банкинга до инвестиционных консультаций и страхования, где уже несколько лет используются автоматизированные «роботы-консультанты». ^{[ 154 ]}

Эксперты World Pensions , такие как Николас Фирзли, настаивают, что, возможно, еще слишком рано видеть появление высокоинновационных финансовых продуктов и услуг на основе искусственного интеллекта: «развертывание инструментов искусственного интеллекта просто приведет к дальнейшей автоматизации процессов: уничтожению десятков тысяч рабочих мест в банковском деле, финансовом планировании и пенсионное консультирование в процессе, но я не уверен, что это вызовет новую волну [например, сложных] пенсионных инноваций». ^{[ 155 ]}

Военный

Различные страны внедряют военные приложения ИИ. ^{[ 156 ]} Основные приложения расширяют возможности управления и контроля , связи, датчиков, интеграции и совместимости. ^{[ 157 ]} Исследования направлены на сбор и анализ разведывательной информации, логистику, кибероперации, информационные операции, а также полуавтономные и автономные транспортные средства . ^{[ 156 ]} Технологии искусственного интеллекта обеспечивают координацию датчиков и исполнительных устройств, обнаружение и идентификацию угроз, маркировку позиций противника, захват целей , координацию и устранение конфликтов в распределенных совместных огнях между объединенными в сеть боевыми машинами с участием пилотируемых и беспилотных групп. ^{[ 157 ]} ИИ был задействован в военных операциях в Ираке и Сирии. ^{[ 156 ]}

В ноябре 2023 года вице-президент США Камала Харрис обнародовала подписанную 31 страной декларацию, устанавливающую ограничения на использование искусственного интеллекта в военных целях. Обязательства включают в себя проведение юридических проверок для обеспечения соответствия военного ИИ международному праву, а также осторожность и прозрачность при разработке этой технологии. ^{[ 158 ]}

Генеративный ИИ

В начале 2020-х годов генеративный искусственный интеллект получил широкое распространение. В марте 2023 года 58% взрослых американцев слышали о ChatGPT и 14% пробовали его. ^{[ 159 ]} Растущая реалистичность и простота использования генераторов текста в изображения на основе искусственного интеллекта, таких как Midjourney , DALL-E и Stable Diffusion, вызвали тенденцию к созданию вирусных фотографий, созданных с помощью искусственного интеллекта. Широкое внимание привлекли фейковая фотография Папы Франциска в белом пуховике, вымышленный арест Дональда Трампа и мистификация нападения на Пентагон , а также использование в профессиональном творчестве. ^{[ 160 ]}^{[ 161 ]}

Агенты

Агенты искусственного интеллекта (ИИ) — это программные объекты, предназначенные для восприятия окружающей среды, принятия решений и действий автономно для достижения конкретных целей. Эти агенты могут взаимодействовать с пользователями, их средой или другими агентами. Агенты ИИ используются в различных приложениях, включая виртуальных помощников , чат-ботов , автономные транспортные средства , игровые системы и промышленную робототехнику . Агенты ИИ действуют в рамках ограничений своего программирования, доступных вычислительных ресурсов и аппаратных ограничений. Это означает, что они ограничены выполнением задач в пределах определенной области и имеют ограниченную память и возможности обработки. В реальных приложениях агенты ИИ часто сталкиваются с ограничениями по времени для принятия решений и выполнения действий. Многие агенты ИИ включают в себя алгоритмы обучения, позволяющие им со временем улучшать свою производительность посредством опыта или обучения. Используя машинное обучение, агенты ИИ могут адаптироваться к новым ситуациям и оптимизировать свое поведение для поставленных задач. ^{[ 162 ]}^{[ 163 ]}^{[ 164 ]}

Другие отраслевые задачи

Существуют также тысячи успешных приложений ИИ, используемых для решения конкретных проблем в конкретных отраслях или учреждениях. В опросе 2017 года каждая пятая компания сообщила, что включила искусственный интеллект в некоторые предложения или процессы. ^{[ 165 ]} Несколько примеров — хранение энергии , медицинская диагностика, военная логистика, приложения, предсказывающие результат судебных решений, внешняя политика или управление цепочками поставок.

Приложения искусственного интеллекта для эвакуации и борьбы со стихийными бедствиями растут. Искусственный интеллект использовался для расследования того, эвакуировались ли люди в крупномасштабных и мелкомасштабных эвакуациях, и если да, то каким образом, с использованием исторических данных GPS, видео или социальных сетей. Кроме того, ИИ может предоставлять информацию в реальном времени об условиях эвакуации в реальном времени. ^{[ 166 ]}^{[ 167 ]}^{[ 168 ]}

В сельском хозяйстве ИИ помог фермерам определить области, которые нуждаются в ирригации, удобрении, обработке пестицидами или повышении урожайности. Агрономы используют ИИ для проведения исследований и разработок. ИИ использовался для прогнозирования времени созревания таких культур, как томаты, мониторинга влажности почвы, управления сельскохозяйственными роботами, проведения прогнозной аналитики, классификации эмоций, вызываемых домашним скотом, свиней, автоматизации теплиц, обнаружения болезней и вредителей, а также экономии воды.

Искусственный интеллект используется в астрономии для анализа растущих объемов доступных данных и приложений, в основном для «классификации, регрессии, кластеризации, прогнозирования, генерации, открытия и развития новых научных идей», например, для открытия экзопланет, прогнозирования солнечной активности и различие между сигналами и инструментальными эффектами в гравитационно-волновой астрономии. Его также можно использовать для деятельности в космосе, такой как исследование космоса, включая анализ данных космических миссий, научные решения космических кораблей в реальном времени, предотвращение космического мусора и более автономную работу.

Этика

ИИ имеет потенциальные преимущества и потенциальные риски. ИИ может способствовать развитию науки и находить решения серьезных проблем: Демис Хассабис из Deep Mind надеется «разгадать интеллект, а затем использовать его для решения всего остального». ^{[ 169 ]} Однако по мере того, как использование ИИ стало широко распространенным, было выявлено несколько непредвиденных последствий и рисков. ^{[ 170 ]} Производственные системы иногда не могут учитывать этику и предвзятость в процессах обучения ИИ, особенно когда алгоритмы ИИ по своей сути необъяснимы при глубоком обучении. ^{[ 171 ]}

Риски и вред

Конфиденциальность и авторские права

Алгоритмы машинного обучения требуют больших объемов данных. Методы, используемые для получения этих данных, вызвали обеспокоенность по поводу конфиденциальности , слежки и авторских прав .

Устройства и сервисы на базе искусственного интеллекта, такие как виртуальные помощники и продукты IoT, постоянно собирают личную информацию, вызывая обеспокоенность по поводу несанкционированного сбора данных и несанкционированного доступа третьих лиц. Утрата конфиденциальности еще больше усугубляется способностью ИИ обрабатывать и объединять огромные объемы данных, что потенциально может привести к созданию общества наблюдения, в котором отдельные действия постоянно контролируются и анализируются без адекватных гарантий или прозрачности.

Собираемые конфиденциальные пользовательские данные могут включать записи онлайн-активности, данные геолокации, видео или аудио. ^{[ 172 ]} Например, чтобы создать распознавания речи алгоритмы , Amazon записал миллионы частных разговоров и позволил временным работникам прослушивать и расшифровывать некоторые из них. ^{[ 173 ]} Мнения об этой широко распространенной слежке варьируются от тех, кто считает ее необходимым злом , до тех, для кого она явно неэтична и нарушает право на неприкосновенность частной жизни . ^{[ 174 ]}

Разработчики ИИ утверждают, что это единственный способ предоставлять ценные приложения. и разработали несколько методов, которые пытаются сохранить конфиденциальность при получении данных, таких как агрегирование данных , деидентификация и дифференциальная конфиденциальность . ^{[ 175 ]} С 2016 года некоторые эксперты по конфиденциальности, такие как Синтия Дворк , начали рассматривать конфиденциальность с точки зрения справедливости . Брайан Кристиан написал, что эксперты перешли «от вопроса «что они знают» к вопросу «что они с этим делают»». ^{[ 176 ]}

Генеративный ИИ часто обучается на нелицензированных произведениях, защищенных авторским правом, в том числе в таких областях, как изображения или компьютерный код; выходные данные затем используются на основании « добросовестного использования ». Эксперты расходятся во мнениях относительно того, насколько хорошо и при каких обстоятельствах это обоснование будет иметь силу в судах; соответствующие факторы могут включать «цель и характер использования произведения, защищенного авторским правом» и «влияние на потенциальный рынок произведения, защищенного авторским правом». ^{[ 177 ]}^{[ 178 ]} Владельцы веб-сайтов, которые не хотят, чтобы их контент удалялся, могут указать это в файле robots.txt . ^{[ 179 ]} В 2023 году ведущие авторы (в том числе Джон Гришэм и Джонатан Франзен ) подали в суд на компании, занимающиеся ИИ, за использование их работ для обучения генеративному ИИ. ^{[ 180 ]}^{[ 181 ]} Другой обсуждаемый подход заключается в создании отдельной sui Generis системы защиты творений, созданных ИИ, чтобы обеспечить справедливое присвоение авторства и компенсацию авторам-людям. ^{[ 182 ]}

Доминирование технологических гигантов

На коммерческой сцене ИИ доминируют крупные технологические компании, такие как Alphabet Inc. , Amazon , Apple Inc. , Meta Platforms и Microsoft . ^{[ 183 ]}^{[ 184 ]}^{[ 185 ]} Некоторые из этих игроков уже владеют подавляющим большинством существующей облачной инфраструктуры и вычислительными мощностями центров обработки данных , что позволяет им еще больше укрепиться на рынке. ^{[ 186 ]}^{[ 187 ]}

Значительные потребности в электроэнергии и другие воздействия на окружающую среду

В январе 2024 года Международное энергетическое агентство (МЭА) опубликовало «Электричество 2024, анализ и прогноз до 2026 года» , в котором прогнозируется потребление электроэнергии. ^{[ 188 ]} Это первый отчет МЭА, в котором представлены прогнозы относительно центров обработки данных и энергопотребления для искусственного интеллекта и криптовалют. В отчете говорится, что спрос на электроэнергию для этих целей может удвоиться к 2026 году, при этом дополнительное потребление электроэнергии будет равно объему электроэнергии, потребляемой всей японской страной. ^{[ 189 ]}

Колоссальное энергопотребление ИИ является причиной роста использования ископаемого топлива и может задержать закрытие устаревших угольных энергетических объектов, выделяющих углерод. В США наблюдается лихорадочный рост строительства центров обработки данных, превращающий крупные технологические компании (например, Microsoft, Meta, Google, Amazon) в ненасытных потребителей электроэнергии. Прогнозируемое потребление электроэнергии настолько велико, что есть опасения, что оно будет обеспечено независимо от источника. Поиск ChatGPT требует в 10 раз больше электроэнергии, чем поиск Google. Крупные фирмы торопятся найти источники энергии – от ядерной энергии до геотермальной энергии и термоядерного синтеза. Технологические компании утверждают, что в долгосрочной перспективе ИИ в конечном итоге станет более добрым к окружающей среде, но энергия им нужна сейчас. По мнению технологических компаний, искусственный интеллект сделает энергосистему более эффективной и «интеллектуальной», будет способствовать развитию атомной энергетики и отслеживать общие выбросы углекислого газа. ^{[ 190 ]}

2024 года Goldman Sachs В исследовательском документе « Центры обработки данных искусственного интеллекта и грядущий всплеск спроса на электроэнергию в США » говорится, что «спрос на электроэнергию в США, вероятно, будет испытывать рост, не наблюдавшийся в течение одного поколения…». и прогнозирует, что к 2030 году центры обработки данных США будут потреблять 8% электроэнергии в США по сравнению с 3% в 2022 году, что предвещает рост электроэнергетической отрасли различными способами. ^{[ 191 ]}Потребность центров обработки данных во все большем и большем количестве электроэнергии такова, что они могут максимально использовать электрическую сеть. Крупные технологические компании возражают, что искусственный интеллект может использоваться для максимального использования энергосистемы всеми. ^{[ 192 ]}

В 2024 году газета Wall Street Journal сообщила, что крупные компании, занимающиеся искусственным интеллектом, начали переговоры с поставщиками атомной энергии США о поставке электроэнергии в центры обработки данных. В марте 2024 года Amazon приобрела ядерный центр обработки данных в Пенсильвании за 650 миллионов долларов США. ^{[ 193 ]}

Дезинформация

YouTube , Facebook и другие используют системы рекомендаций , чтобы направлять пользователей к большему количеству контента. Целью этих программ искусственного интеллекта было максимальное вовлечение пользователей (то есть единственной целью было заставить людей следить за происходящим). ИИ узнал, что пользователи склонны выбирать дезинформацию , теории заговора и крайне предвзятый контент, и, чтобы удержать их на просмотре, ИИ рекомендовал больше такого контента. Пользователи также склонны смотреть больше контента на одну и ту же тему, поэтому ИИ направлял людей в пузыри фильтров , где они получали несколько версий одной и той же дезинформации. ^{[ 194 ]} Это убедило многих пользователей в правдивости дезинформации и в конечном итоге подорвало доверие к институтам, СМИ и правительству. ^{[ 195 ]} Программа ИИ правильно научилась максимизировать свою цель, но результат был вреден для общества. После выборов в США в 2016 году крупные технологические компании предприняли шаги по смягчению проблемы. ^{[ нужна ссылка ]}.

В 2022 году генеративный ИИ начал создавать изображения, аудио, видео и текст, неотличимые от реальных фотографий, записей, фильмов или написанного человеком текста. Злоумышленники могут использовать эту технологию для создания огромного количества дезинформации или пропаганды. ^{[ 196 ]} Пионер ИИ Джеффри Хинтон выразил обеспокоенность по поводу того, что ИИ, помимо других рисков, позволяет «авторитарным лидерам манипулировать своим электоратом» в больших масштабах. ^{[ 197 ]}

Алгоритмическая предвзятость и справедливость

В статистике смещение — это систематическая ошибка или отклонение от правильного значения. Но в контексте справедливости это часто относится к тенденции в пользу или против определенной группы или индивидуальной характеристики, обычно такой, которая считается несправедливой или вредной. Таким образом, статистически объективная система ИИ, которая дает несопоставимые результаты для разных демографических групп, может рассматриваться как предвзятая в этическом смысле. ^{[ 198 ]}

Область справедливости изучает, как предотвратить вред от алгоритмических предубеждений. Существуют различные противоречивые определения и математические модели справедливости. Эти представления зависят от этических предположений и находятся под влиянием представлений об обществе. Одной из широких категорий является справедливость распределения, которая фокусируется на результатах, часто выявляя группы и стремясь компенсировать статистические различия. Репрезентативная справедливость направлена на то, чтобы системы искусственного интеллекта не укрепляли негативные стереотипы и не делали определенные группы невидимыми. Процедурная справедливость фокусируется на процессе принятия решений, а не на результате. Наиболее важные понятия справедливости могут зависеть от контекста, в частности от типа приложения ИИ и заинтересованных сторон. Субъективность понятий предвзятости и справедливости затрудняет их практическую реализацию компаниями. Многие специалисты по этике ИИ также считают, что доступ к чувствительным атрибутам, таким как раса или пол, необходим для компенсации предубеждений, но это может противоречить антидискриминационные законы . ^{[ 198 ]}

Приложения машинного обучения будут предвзятыми, если они будут учиться на предвзятых данных. ^{[ 199 ]} Разработчики могут не знать о существовании предвзятости. ^{[ 200 ]} Смещение может быть вызвано способом выбора обучающих данных и способом развертывания модели. ^{[ 201 ]}^{[ 199 ]} Если предвзятый алгоритм используется для принятия решений, которые могут серьезно навредить людям (как это может быть в медицине , финансах , найме на работу , жилье или полиции ), тогда этот алгоритм может вызвать дискриминацию . ^{[ 202 ]}

28 июня 2015 года новая функция маркировки изображений в Google Фото ошибочно определила Джеки Алсина и его друга как «горилл», потому что они были черными. Система была обучена на наборе данных, содержащем очень мало изображений чернокожих людей. ^{[ 203 ]} проблема под названием «несоответствие размера выборки». ^{[ 204 ]} Google «исправил» эту проблему, запретив системе помечать что-либо как «гориллу». Восемь лет спустя, в 2023 году, Google Photos все еще не смог идентифицировать гориллу, как и аналогичные продукты Apple, Facebook, Microsoft и Amazon. ^{[ 205 ]}

COMPAS – коммерческая программа, широко используемая судами США для оценки вероятности того, что обвиняемый станет рецидивистом . В 2016 году Джулия Ангвин из ProPublica обнаружила, что КОМПАС демонстрирует расовую предвзятость, несмотря на то, что программе не была указана расовая принадлежность обвиняемых. Хотя частота ошибок как для белых, так и для черных была калибрована равной ровно 61%, ошибки для каждой расы были разными — система постоянно переоценивала вероятность того, что чернокожий человек совершит повторное правонарушение, и недооценивала вероятность того, что белый человек не совершит правонарушение. повторно обидеть. ^{[ 206 ]} В 2017 году несколько исследователей ^{[ к ]} показало, что COMPAS математически невозможно учесть все возможные меры справедливости, когда базовые показатели повторных правонарушений различаются для белых и черных в данных. ^{[ 208 ]}

Программа может принимать предвзятые решения, даже если в данных явно не упоминается проблемный признак (например, «раса» или «пол»). Эта функция будет коррелировать с другими функциями (такими как «адрес», «история покупок» или «имя»), и программа будет принимать те же решения на основе этих функций, что и на основе «расы» или «пола». ^{[ 209 ]} Мориц Хардт сказал, что «самый убедительный факт в этой области исследований заключается в том, что справедливость через слепоту не работает». ^{[ 210 ]}

Критика COMPAS подчеркнула, что модели машинного обучения созданы для того, чтобы делать «прогнозы», которые действительны только в том случае, если мы предполагаем, что будущее будет напоминать прошлое. Если они обучаются на данных, которые включают результаты расистских решений в прошлом, модели машинного обучения должны предсказывать, что расистские решения будут приняты в будущем. Если приложение затем использует эти прогнозы в качестве рекомендаций , некоторые из этих «рекомендаций», скорее всего, будут расистскими. ^{[ 211 ]} Таким образом, машинное обучение не очень подходит для принятия решений в тех областях, где есть надежда, что будущее будет лучше прошлого. Он носит скорее описательный, чем предписывающий характер. ^{[ л ]}

Предвзятость и несправедливость могут остаться незамеченными, поскольку разработчики в подавляющем большинстве белые и мужчины: среди инженеров ИИ около 4% — чернокожие, а 20% — женщины. ^{[ 204 ]}

На своей конференции по справедливости, подотчетности и прозрачности 2022 года (ACM FAccT 2022) Ассоциация вычислительной техники в Сеуле, Южная Корея, представила и опубликовала результаты, которые рекомендуют, чтобы до тех пор, пока системы искусственного интеллекта и робототехники не будут продемонстрированы, что они свободны от ошибок предвзятости, они небезопасны, и следует ограничить использование самообучающихся нейронных сетей, обученных на огромных нерегулируемых источниках ошибочных интернет-данных. ^{[ сомнительно – обсудить ]}^{[ 213 ]}

Отсутствие прозрачности

Многие системы искусственного интеллекта настолько сложны, что их разработчики не могут объяснить, как они принимают решения. ^{[ 214 ]} Особенно с глубокими нейронными сетями , в которых существует большое количество нелинейных связей между входными и выходными данными. Но существуют некоторые популярные методы объяснения. ^{[ 215 ]}

Невозможно быть уверенным в том, что программа работает правильно, если никто не знает, как именно она работает. Было много случаев, когда программа машинного обучения прошла строгие тесты, но, тем не менее, узнала нечто иное, чем то, что планировали программисты. Например, было обнаружено, что система, которая может идентифицировать кожные заболевания лучше, чем медицинские работники, на самом деле имеет сильную тенденцию классифицировать изображения с линейкой как «раковые», поскольку изображения злокачественных новообразований обычно включают линейку, показывающую масштаб. ^{[ 216 ]} Было обнаружено, что другая система машинного обучения, разработанная для эффективного распределения медицинских ресурсов, классифицирует пациентов с астмой как людей с «низким риском» смерти от пневмонии. Наличие астмы на самом деле является серьезным фактором риска, но, поскольку пациенты, страдающие астмой, обычно получают гораздо больше медицинской помощи, согласно данным обучения, их смерть относительно маловероятна. Корреляция между астмой и низким риском смерти от пневмонии была реальной, но вводящей в заблуждение. ^{[ 217 ]}

Люди, пострадавшие от решения алгоритма, имеют право на объяснение. ^{[ 218 ]} Doctors, for example, are expected to clearly and completely explain to their colleagues the reasoning behind any decision they make. Early drafts of the European Union's General Data Protection Regulation in 2016 included an explicit statement that this right exists.^[m] Industry experts noted that this is an unsolved problem with no solution in sight. Regulators argued that nevertheless the harm is real: if the problem has no solution, the tools should not be used.^[219]

DARPA established the XAI ("Explainable Artificial Intelligence") program in 2014 to try and solve these problems.^[220]

Several approaches aim to address the transparency problem. SHAP enables to visualise the contribution of each feature to the output.^[221] LIME can locally approximate a model's outputs with a simpler, interpretable model.^[222] Multitask learning provides a large number of outputs in addition to the target classification. These other outputs can help developers deduce what the network has learned.^[223] Deconvolution, DeepDream and other generative methods can allow developers to see what different layers of a deep network for computer vision have learned, and produce output that can suggest what the network is learning.^[224] For generative pre-trained transformers, Anthropic developed a technique based on dictionary learning that associates patterns of neuron activations with human-understandable concepts.^[225]

Bad actors and weaponized AI

Artificial intelligence provides a number of tools that are useful to bad actors, such as authoritarian governments, terrorists, criminals or rogue states.

A lethal autonomous weapon is a machine that locates, selects and engages human targets without human supervision.^[n] Widely available AI tools can be used by bad actors to develop inexpensive autonomous weapons and, if produced at scale, they are potentially weapons of mass destruction.^[227] Even when used in conventional warfare, it is unlikely that they will be unable to reliably choose targets and could potentially kill an innocent person.^[227] In 2014, 30 nations (including China) supported a ban on autonomous weapons under the United Nations' Convention on Certain Conventional Weapons, however the United States and others disagreed.^[228] By 2015, over fifty countries were reported to be researching battlefield robots.^[229]

AI tools make it easier for authoritarian governments to efficiently control their citizens in several ways. Face and voice recognition allow widespread surveillance. Machine learning, operating this data, can classify potential enemies of the state and prevent them from hiding. Recommendation systems can precisely target propaganda and misinformation for maximum effect. Deepfakes and generative AI aid in producing misinformation. Advanced AI can make authoritarian centralized decision making more competitive than liberal and decentralized systems such as markets. It lowers the cost and difficulty of digital warfare and advanced spyware.^[230] All these technologies have been available since 2020 or earlier—AI facial recognition systems are already being used for mass surveillance in China.^[231]^[232]

There many other ways that AI is expected to help bad actors, some of which can not be foreseen. For example, machine-learning AI is able to design tens of thousands of toxic molecules in a matter of hours.^[233]

Technological unemployment

Economists have frequently highlighted the risks of redundancies from AI, and speculated about unemployment if there is no adequate social policy for full employment.^[234]

In the past, technology has tended to increase rather than reduce total employment, but economists acknowledge that "we're in uncharted territory" with AI.^[235] A survey of economists showed disagreement about whether the increasing use of robots and AI will cause a substantial increase in long-term unemployment, but they generally agree that it could be a net benefit if productivity gains are redistributed.^[236] Risk estimates vary; for example, in the 2010s, Michael Osborne and Carl Benedikt Frey estimated 47% of U.S. jobs are at "high risk" of potential automation, while an OECD report classified only 9% of U.S. jobs as "high risk".^[o]^[238] The methodology of speculating about future employment levels has been criticised as lacking evidential foundation, and for implying that technology, rather than social policy, creates unemployment, as opposed to redundancies.^[234] In April 2023, it was reported that 70% of the jobs for Chinese video game illustrators had been eliminated by generative artificial intelligence.^[239]^[240]

Unlike previous waves of automation, many middle-class jobs may be eliminated by artificial intelligence; The Economist stated in 2015 that "the worry that AI could do to white-collar jobs what steam power did to blue-collar ones during the Industrial Revolution" is "worth taking seriously".^[241] Jobs at extreme risk range from paralegals to fast food cooks, while job demand is likely to increase for care-related professions ranging from personal healthcare to the clergy.^[242]

From the early days of the development of artificial intelligence, there have been arguments, for example, those put forward by Joseph Weizenbaum, about whether tasks that can be done by computers actually should be done by them, given the difference between computers and humans, and between quantitative calculation and qualitative, value-based judgement.^[243]

Existential risk

It has been argued AI will become so powerful that humanity may irreversibly lose control of it. This could, as physicist Stephen Hawking stated, "spell the end of the human race".^[244] This scenario has been common in science fiction, when a computer or robot suddenly develops a human-like "self-awareness" (or "sentience" or "consciousness") and becomes a malevolent character.^[p] These sci-fi scenarios are misleading in several ways.

First, AI does not require human-like "sentience" to be an existential risk. Modern AI programs are given specific goals and use learning and intelligence to achieve them. Philosopher Nick Bostrom argued that if one gives almost any goal to a sufficiently powerful AI, it may choose to destroy humanity to achieve it (he used the example of a paperclip factory manager).^[246] Stuart Russell gives the example of household robot that tries to find a way to kill its owner to prevent it from being unplugged, reasoning that "you can't fetch the coffee if you're dead."^[247] In order to be safe for humanity, a superintelligence would have to be genuinely aligned with humanity's morality and values so that it is "fundamentally on our side".^[248]

Second, Yuval Noah Harari argues that AI does not require a robot body or physical control to pose an existential risk. The essential parts of civilization are not physical. Things like ideologies, law, government, money and the economy are made of language; they exist because there are stories that billions of people believe. The current prevalence of misinformation suggests that an AI could use language to convince people to believe anything, even to take actions that are destructive.^[249]

The opinions amongst experts and industry insiders are mixed, with sizable fractions both concerned and unconcerned by risk from eventual superintelligent AI.^[250] Personalities such as Stephen Hawking, Bill Gates, and Elon Musk,^[251] as well as AI pioneers such as Yoshua Bengio, Stuart Russell, Demis Hassabis, and Sam Altman, have expressed concerns about existential risk from AI.

In May 2023, Geoffrey Hinton announced his resignation from Google in order to be able to "freely speak out about the risks of AI" without "considering how this impacts Google."^[252] He notably mentioned risks of an AI takeover,^[253] and stressed that in order to avoid the worst outcomes, establishing safety guidelines will require cooperation among those competing in use of AI.^[254]

In 2023, many leading AI experts issued the joint statement that "Mitigating the risk of extinction from AI should be a global priority alongside other societal-scale risks such as pandemics and nuclear war".^[255]

Other researchers, however, spoke in favor of a less dystopian view. AI pioneer Juergen Schmidhuber did not sign the joint statement, emphasising that in 95% of all cases, AI research is about making "human lives longer and healthier and easier."^[256] While the tools that are now being used to improve lives can also be used by bad actors, "they can also be used against the bad actors."^[257]^[258] Andrew Ng also argued that "it's a mistake to fall for the doomsday hype on AI—and that regulators who do will only benefit vested interests."^[259] Yann LeCun "scoffs at his peers' dystopian scenarios of supercharged misinformation and even, eventually, human extinction."^[260] In the early 2010s, experts argued that the risks are too distant in the future to warrant research or that humans will be valuable from the perspective of a superintelligent machine.^[261] However, after 2016, the study of current and future risks and possible solutions became a serious area of research.^[262]

Ethical machines and alignment

Friendly AI are machines that have been designed from the beginning to minimize risks and to make choices that benefit humans. Eliezer Yudkowsky, who coined the term, argues that developing friendly AI should be a higher research priority: it may require a large investment and it must be completed before AI becomes an existential risk.^[263]

Machines with intelligence have the potential to use their intelligence to make ethical decisions. The field of machine ethics provides machines with ethical principles and procedures for resolving ethical dilemmas.^[264] The field of machine ethics is also called computational morality,^[264] and was founded at an AAAI symposium in 2005.^[265]

Other approaches include Wendell Wallach's "artificial moral agents"^[266] and Stuart J. Russell's three principles for developing provably beneficial machines.^[267]

Open source

Active organizations in the AI open-source community include Hugging Face,^[268] Google,^[269] EleutherAI and Meta.^[270] Various AI models, such as Llama 2, Mistral or Stable Diffusion, have been made open-weight,^[271]^[272] meaning that their architecture and trained parameters (the "weights") are publicly available. Open-weight models can be freely fine-tuned, which allows companies to specialize them with their own data and for their own use-case.^[273] Open-weight models are useful for research and innovation but can also be misused. Since they can be fine-tuned, any built-in security measure, such as objecting to harmful requests, can be trained away until it becomes ineffective. Some researchers warn that future AI models may develop dangerous capabilities (such as the potential to drastically facilitate bioterrorism) and that once released on the Internet, they can't be deleted everywhere if needed. They recommend pre-release audits and cost-benefit analyses.^[274]

Frameworks

Artificial Intelligence projects can have their ethical permissibility tested while designing, developing, and implementing an AI system. An AI framework such as the Care and Act Framework containing the SUM values—developed by the Alan Turing Institute tests projects in four main areas:^[275]^[276]

Respect the dignity of individual people
Connect with other people sincerely, openly, and inclusively
Care for the wellbeing of everyone
Protect social values, justice, and the public interest

Other developments in ethical frameworks include those decided upon during the Asilomar Conference, the Montreal Declaration for Responsible AI, and the IEEE's Ethics of Autonomous Systems initiative, among others;^[277] however, these principles do not go without their criticisms, especially regards to the people chosen contributes to these frameworks.^[278]

Promotion of the wellbeing of the people and communities that these technologies affect requires consideration of the social and ethical implications at all stages of AI system design, development and implementation, and collaboration between job roles such as data scientists, product managers, data engineers, domain experts, and delivery managers.^[279]

The UK AI Safety Institute released in 2024 a testing toolset called 'Inspect' for AI safety evaluations available under a MIT open-source licence which is freely available on GitHub and can be improved with third-party packages. It can be used to evaluate AI models in a range of areas including core knowledge, ability to reason, and autonomous capabilities.^[280]

Regulation

The regulation of artificial intelligence is the development of public sector policies and laws for promoting and regulating AI; it is therefore related to the broader regulation of algorithms.^[281] The regulatory and policy landscape for AI is an emerging issue in jurisdictions globally.^[282] According to AI Index at Stanford, the annual number of AI-related laws passed in the 127 survey countries jumped from one passed in 2016 to 37 passed in 2022 alone.^[283]^[284] Between 2016 and 2020, more than 30 countries adopted dedicated strategies for AI.^[285] Most EU member states had released national AI strategies, as had Canada, China, India, Japan, Mauritius, the Russian Federation, Saudi Arabia, United Arab Emirates, U.S., and Vietnam. Others were in the process of elaborating their own AI strategy, including Bangladesh, Malaysia and Tunisia.^[285] The Global Partnership on Artificial Intelligence was launched in June 2020, stating a need for AI to be developed in accordance with human rights and democratic values, to ensure public confidence and trust in the technology.^[285] Henry Kissinger, Eric Schmidt, and Daniel Huttenlocher published a joint statement in November 2021 calling for a government commission to regulate AI.^[286] In 2023, OpenAI leaders published recommendations for the governance of superintelligence, which they believe may happen in less than 10 years.^[287] In 2023, the United Nations also launched an advisory body to provide recommendations on AI governance; the body comprises technology company executives, governments officials and academics.^[288]

In a 2022 Ipsos survey, attitudes towards AI varied greatly by country; 78% of Chinese citizens, but only 35% of Americans, agreed that "products and services using AI have more benefits than drawbacks".^[283] A 2023 Reuters/Ipsos poll found that 61% of Americans agree, and 22% disagree, that AI poses risks to humanity.^[289] In a 2023 Fox News poll, 35% of Americans thought it "very important", and an additional 41% thought it "somewhat important", for the federal government to regulate AI, versus 13% responding "not very important" and 8% responding "not at all important".^[290]^[291]

In November 2023, the first global AI Safety Summit was held in Bletchley Park in the UK to discuss the near and far term risks of AI and the possibility of mandatory and voluntary regulatory frameworks.^[292] 28 countries including the United States, China, and the European Union issued a declaration at the start of the summit, calling for international co-operation to manage the challenges and risks of artificial intelligence.^[293]^[294] In May 2024 at the AI Seoul Summit, 16 global AI tech companies agreed to safety commitments on the development of AI.^[295]^[296]

History

The study of mechanical or "formal" reasoning began with philosophers and mathematicians in antiquity. The study of logic led directly to Alan Turing's theory of computation, which suggested that a machine, by shuffling symbols as simple as "0" and "1", could simulate any conceivable form of mathematical reasoning.^[297]^[4] This, along with concurrent discoveries in cybernetics, information theory and neurobiology, led researchers to consider the possibility of building an "electronic brain".^[q] They developed several areas of research that would become part of AI,^[299] such as McCullouch and Pitts design for "artificial neurons" in 1943,^[119] and Turing's influential 1950 paper 'Computing Machinery and Intelligence', which introduced the Turing test and showed that "machine intelligence" was plausible.^[300]^[4]

The field of AI research was founded at a workshop at Dartmouth College in 1956.^[r]^[5] The attendees became the leaders of AI research in the 1960s.^[s] They and their students produced programs that the press described as "astonishing":^[t] computers were learning checkers strategies, solving word problems in algebra, proving logical theorems and speaking English.^[u]^[8] Artificial intelligence laboratories were set up at a number of British and U.S. universities in the latter 1950s and early 1960s.^[4]

Researchers in the 1960s and the 1970s were convinced that their methods would eventually succeed in creating a machine with general intelligence and considered this the goal of their field.^[304] In 1965 Herbert Simon predicted, "machines will be capable, within twenty years, of doing any work a man can do".^[305] In 1967 Marvin Minsky agreed, writing, "within a generation ... the problem of creating 'artificial intelligence' will substantially be solved".^[306] They had, however, underestimated the difficulty of the problem.^[v] In 1974, both the U.S. and British governments cut off exploratory research in response to the criticism of Sir James Lighthill^[308] and ongoing pressure from the U.S. Congress to fund more productive projects.^[309] Minsky's and Papert's book Perceptrons was understood as proving that artificial neural networks would never be useful for solving real-world tasks, thus discrediting the approach altogether.^[310] The "AI winter", a period when obtaining funding for AI projects was difficult, followed.^[10]

In the early 1980s, AI research was revived by the commercial success of expert systems,^[311] a form of AI program that simulated the knowledge and analytical skills of human experts. By 1985, the market for AI had reached over a billion dollars. At the same time, Japan's fifth generation computer project inspired the U.S. and British governments to restore funding for academic research.^[9] However, beginning with the collapse of the Lisp Machine market in 1987, AI once again fell into disrepute, and a second, longer-lasting winter began.^[11]

Up to this point, most of AI's funding had gone to projects that used high-level symbols to represent mental objects like plans, goals, beliefs, and known facts. In the 1980s, some researchers began to doubt that this approach would be able to imitate all the processes of human cognition, especially perception, robotics, learning and pattern recognition,^[312] and began to look into "sub-symbolic" approaches.^[313] Rodney Brooks rejected "representation" in general and focussed directly on engineering machines that move and survive.^[w] Judea Pearl, Lofti Zadeh and others developed methods that handled incomplete and uncertain information by making reasonable guesses rather than precise logic.^[90]^[318] But the most important development was the revival of "connectionism", including neural network research, by Geoffrey Hinton and others.^[319] In 1990, Yann LeCun successfully showed that convolutional neural networks can recognize handwritten digits, the first of many successful applications of neural networks.^[320]

AI gradually restored its reputation in the late 1990s and early 21st century by exploiting formal mathematical methods and by finding specific solutions to specific problems. This "narrow" and "formal" focus allowed researchers to produce verifiable results and collaborate with other fields (such as statistics, economics and mathematics).^[321] By 2000, solutions developed by AI researchers were being widely used, although in the 1990s they were rarely described as "artificial intelligence".^[322] However, several academic researchers became concerned that AI was no longer pursuing its original goal of creating versatile, fully intelligent machines. Beginning around 2002, they founded the subfield of artificial general intelligence (or "AGI"), which had several well-funded institutions by the 2010s.^[15]

Deep learning began to dominate industry benchmarks in 2012 and was adopted throughout the field.^[12] For many specific tasks, other methods were abandoned.^[x] Deep learning's success was based on both hardware improvements (faster computers,^[324] graphics processing units, cloud computing^[325]) and access to large amounts of data^[326] (including curated datasets,^[325] such as ImageNet). Deep learning's success led to an enormous increase in interest and funding in AI.^[y] The amount of machine learning research (measured by total publications) increased by 50% in the years 2015–2019.^[285]

In 2016, issues of fairness and the misuse of technology were catapulted into center stage at machine learning conferences, publications vastly increased, funding became available, and many researchers re-focussed their careers on these issues. The alignment problem became a serious field of academic study.^[262]

In the late teens and early 2020s, AGI companies began to deliver programs that created enormous interest. In 2015, AlphaGo, developed by DeepMind, beat the world champion Go player. The program was taught only the rules of the game and developed strategy by itself. GPT-3 is a large language model that was released in 2020 by OpenAI and is capable of generating high-quality human-like text.^[327] These programs, and others, inspired an aggressive AI boom, where large companies began investing billions in AI research. According to AI Impacts, about $50 billion annually was invested in "AI" around 2022 in the U.S. alone and about 20% of the new U.S. Computer Science PhD graduates have specialized in "AI".^[328] About 800,000 "AI"-related U.S. job openings existed in 2022.^[329]

Philosophy

Defining artificial intelligence

Alan Turing wrote in 1950 "I propose to consider the question 'can machines think'?"^[330] He advised changing the question from whether a machine "thinks", to "whether or not it is possible for machinery to show intelligent behaviour".^[330] He devised the Turing test, which measures the ability of a machine to simulate human conversation.^[300] Since we can only observe the behavior of the machine, it does not matter if it is "actually" thinking or literally has a "mind". Turing notes that we can not determine these things about other people but "it is usual to have a polite convention that everyone thinks."^[331]

Russell and Norvig agree with Turing that intelligence must be defined in terms of external behavior, not internal structure.^[1] However, they are critical that the test requires the machine to imitate humans. "Aeronautical engineering texts," they wrote, "do not define the goal of their field as making 'machines that fly so exactly like pigeons that they can fool other pigeons.'"^[333] AI founder John McCarthy agreed, writing that "Artificial intelligence is not, by definition, simulation of human intelligence".^[334]

McCarthy defines intelligence as "the computational part of the ability to achieve goals in the world".^[335] Another AI founder, Marvin Minsky similarly describes it as "the ability to solve hard problems".^[336] The leading AI textbook defines it as the study of agents that perceive their environment and take actions that maximize their chances of achieving defined goals.^[1] These definitions view intelligence in terms of well-defined problems with well-defined solutions, where both the difficulty of the problem and the performance of the program are direct measures of the "intelligence" of the machine—and no other philosophical discussion is required, or may not even be possible.

Another definition has been adopted by Google,^[337] a major practitioner in the field of AI. This definition stipulates the ability of systems to synthesize information as the manifestation of intelligence, similar to the way it is defined in biological intelligence.

Some authors have suggested in practice, that the definition of AI is vague and difficult to define, with contention as to whether classical algorithms should be categorised as AI,^[338] with many companies during the early 2020s AI boom using the term as a marketing buzzword, often even if they did "not actually use AI in a material way".^[339]

Evaluating approaches to AI

No established unifying theory or paradigm has guided AI research for most of its history.^[z] The unprecedented success of statistical machine learning in the 2010s eclipsed all other approaches (so much so that some sources, especially in the business world, use the term "artificial intelligence" to mean "machine learning with neural networks"). This approach is mostly sub-symbolic, soft and narrow. Critics argue that these questions may have to be revisited by future generations of AI researchers.

Symbolic AI and its limits

Symbolic AI (or "GOFAI")^[341] simulated the high-level conscious reasoning that people use when they solve puzzles, express legal reasoning and do mathematics. They were highly successful at "intelligent" tasks such as algebra or IQ tests. In the 1960s, Newell and Simon proposed the physical symbol systems hypothesis: "A physical symbol system has the necessary and sufficient means of general intelligent action."^[342]

However, the symbolic approach failed on many tasks that humans solve easily, such as learning, recognizing an object or commonsense reasoning. Moravec's paradox is the discovery that high-level "intelligent" tasks were easy for AI, but low level "instinctive" tasks were extremely difficult.^[343] Philosopher Hubert Dreyfus had argued since the 1960s that human expertise depends on unconscious instinct rather than conscious symbol manipulation, and on having a "feel" for the situation, rather than explicit symbolic knowledge.^[344] Although his arguments had been ridiculed and ignored when they were first presented, eventually, AI research came to agree with him.^[aa]^[20]

The issue is not resolved: sub-symbolic reasoning can make many of the same inscrutable mistakes that human intuition does, such as algorithmic bias. Critics such as Noam Chomsky argue continuing research into symbolic AI will still be necessary to attain general intelligence,^[346]^[347] in part because sub-symbolic AI is a move away from explainable AI: it can be difficult or impossible to understand why a modern statistical AI program made a particular decision. The emerging field of neuro-symbolic artificial intelligence attempts to bridge the two approaches.

Neat vs. scruffy

"Neats" hope that intelligent behavior is described using simple, elegant principles (such as logic, optimization, or neural networks). "Scruffies" expect that it necessarily requires solving a large number of unrelated problems. Neats defend their programs with theoretical rigor, scruffies rely mainly on incremental testing to see if they work. This issue was actively discussed in the 1970s and 1980s,^[348] but eventually was seen as irrelevant. Modern AI has elements of both.

Soft vs. hard computing

Finding a provably correct or optimal solution is intractable for many important problems.^[19] Soft computing is a set of techniques, including genetic algorithms, fuzzy logic and neural networks, that are tolerant of imprecision, uncertainty, partial truth and approximation. Soft computing was introduced in the late 1980s and most successful AI programs in the 21st century are examples of soft computing with neural networks.

Narrow vs. general AI

AI researchers are divided as to whether to pursue the goals of artificial general intelligence and superintelligence directly or to solve as many specific problems as possible (narrow AI) in hopes these solutions will lead indirectly to the field's long-term goals.^[349]^[350] General intelligence is difficult to define and difficult to measure, and modern AI has had more verifiable successes by focusing on specific problems with specific solutions. The experimental sub-field of artificial general intelligence studies this area exclusively.

Machine consciousness, sentience, and mind

The philosophy of mind does not know whether a machine can have a mind, consciousness and mental states, in the same sense that human beings do. This issue considers the internal experiences of the machine, rather than its external behavior. Mainstream AI research considers this issue irrelevant because it does not affect the goals of the field: to build machines that can solve problems using intelligence. Russell and Norvig add that "[t]he additional project of making a machine conscious in exactly the way humans are is not one that we are equipped to take on."^[351] However, the question has become central to the philosophy of mind. It is also typically the central question at issue in artificial intelligence in fiction.

Consciousness

David Chalmers identified two problems in understanding the mind, which he named the "hard" and "easy" problems of consciousness.^[352] The easy problem is understanding how the brain processes signals, makes plans and controls behavior. The hard problem is explaining how this feels or why it should feel like anything at all, assuming we are right in thinking that it truly does feel like something (Dennett's consciousness illusionism says this is an illusion). While human information processing is easy to explain, human subjective experience is difficult to explain. For example, it is easy to imagine a color-blind person who has learned to identify which objects in their field of view are red, but it is not clear what would be required for the person to know what red looks like.^[353]

Computationalism and functionalism

Computationalism is the position in the philosophy of mind that the human mind is an information processing system and that thinking is a form of computing. Computationalism argues that the relationship between mind and body is similar or identical to the relationship between software and hardware and thus may be a solution to the mind–body problem. This philosophical position was inspired by the work of AI researchers and cognitive scientists in the 1960s and was originally proposed by philosophers Jerry Fodor and Hilary Putnam.^[354]

Philosopher John Searle characterized this position as "strong AI": "The appropriately programmed computer with the right inputs and outputs would thereby have a mind in exactly the same sense human beings have minds."^[ab] Searle counters this assertion with his Chinese room argument, which attempts to show that, even if a machine perfectly simulates human behavior, there is still no reason to suppose it also has a mind.^[358]

AI welfare and rights

It is difficult or impossible to reliably evaluate whether an advanced AI is sentient (has the ability to feel), and if so, to what degree.^[359] But if there is a significant chance that a given machine can feel and suffer, then it may be entitled to certain rights or welfare protection measures, similarly to animals.^[360]^[361] Sapience (a set of capacities related to high intelligence, such as discernment or self-awareness) may provide another moral basis for AI rights.^[360] Robot rights are also sometimes proposed as a practical way to integrate autonomous agents into society.^[362]

In 2017, the European Union considered granting "electronic personhood" to some of the most capable AI systems. Similarly to the legal status of companies, it would have conferred rights but also responsibilities.^[363] Critics argued in 2018 that granting rights to AI systems would downplay the importance of human rights, and that legislation should focus on user needs rather than speculative futuristic scenarios. They also noted that robots lacked the autonomy to take part to society on their own.^[364]^[365] In 2019, Soenke Ziesche and Roman Yampolskiy coined the term “AI welfare” and outlined the new field of AI welfare science, which is derived from animal welfare science.^[366]

Progress in AI increased interest in the topic. Proponents of AI welfare and rights often argue that AI sentience, if it emerges, would be particularly easy to deny. They warn that this may be a moral blind spot analogous to slavery or factory farming, which could lead to large-scale suffering if sentient AI is created and carelessly exploited.^[361]^[360]

Future

Superintelligence and the singularity

A superintelligence is a hypothetical agent that would possess intelligence far surpassing that of the brightest and most gifted human mind.^[350]

If research into artificial general intelligence produced sufficiently intelligent software, it might be able to reprogram and improve itself. The improved software would be even better at improving itself, leading to what I. J. Good called an "intelligence explosion" and Vernor Vinge called a "singularity".^[367]

However, technologies cannot improve exponentially indefinitely, and typically follow an S-shaped curve, slowing when they reach the physical limits of what the technology can do.^[368]

Transhumanism

Robot designer Hans Moravec, cyberneticist Kevin Warwick, and inventor Ray Kurzweil have predicted that humans and machines will merge in the future into cyborgs that are more capable and powerful than either. This idea, called transhumanism, has roots in Aldous Huxley and Robert Ettinger.^[369]

Edward Fredkin argues that "artificial intelligence is the next stage in evolution", an idea first proposed by Samuel Butler's "Darwin among the Machines" as far back as 1863, and expanded upon by George Dyson in his 1998 book Darwin Among the Machines: The Evolution of Global Intelligence.^[370]

In fiction

Thought-capable artificial beings have appeared as storytelling devices since antiquity,^[371] and have been a persistent theme in science fiction.^[372]

A common trope in these works began with Mary Shelley's Frankenstein, where a human creation becomes a threat to its masters. This includes such works as Arthur C. Clarke's and Stanley Kubrick's 2001: A Space Odyssey (both 1968), with HAL 9000, the murderous computer in charge of the Discovery One spaceship, as well as The Terminator (1984) and The Matrix (1999). In contrast, the rare loyal robots such as Gort from The Day the Earth Stood Still (1951) and Bishop from Aliens (1986) are less prominent in popular culture.^[373]

Isaac Asimov introduced the Three Laws of Robotics in many stories, most notably with the "Multivac" super-intelligent computer. Asimov's laws are often brought up during lay discussions of machine ethics;^[374] while almost all artificial intelligence researchers are familiar with Asimov's laws through popular culture, they generally consider the laws useless for many reasons, one of which is their ambiguity.^[375]

Several works use AI to force us to confront the fundamental question of what makes us human, showing us artificial beings that have the ability to feel, and thus to suffer. This appears in Karel Čapek's R.U.R., the films A.I. Artificial Intelligence and Ex Machina, as well as the novel Do Androids Dream of Electric Sheep?, by Philip K. Dick. Dick considers the idea that our understanding of human subjectivity is altered by technology created with artificial intelligence.^[376]

Explanatory notes

^ Jump up to: ^a ^b This list of intelligent traits is based on the topics covered by the major AI textbooks, including: Russell & Norvig (2021), Luger & Stubblefield (2004), Poole, Mackworth & Goebel (1998) and Nilsson (1998)
^ Jump up to: ^a ^b This list of tools is based on the topics covered by the major AI textbooks, including: Russell & Norvig (2021), Luger & Stubblefield (2004), Poole, Mackworth & Goebel (1998) and Nilsson (1998)
^ It is among the reasons that expert systems proved to be inefficient for capturing knowledge.^[34]^[35]
^ "Rational agent" is general term used in economics, philosophy and theoretical artificial intelligence. It can refer to anything that directs its behavior to accomplish goals, such as a person, an animal, a corporation, a nation, or in the case of AI, a computer program.
^ Alan Turing discussed the centrality of learning as early as 1950, in his classic paper "Computing Machinery and Intelligence".^[46] In 1956, at the original Dartmouth AI summer conference, Ray Solomonoff wrote a report on unsupervised probabilistic machine learning: "An Inductive Inference Machine".^[47]
^ See AI winter § Machine translation and the ALPAC report of 1966
^ Compared with symbolic logic, formal Bayesian inference is computationally expensive. For inference to be tractable, most observations must be conditionally independent of one another. AdSense uses a Bayesian network with over 300 million edges to learn which ads to serve.^[97]
^ Expectation–maximization, one of the most popular algorithms in machine learning, allows clustering in the presence of unknown latent variables.^[99]
^ Some form of deep neural networks (without a specific learning algorithm) were described by: Warren S. McCulloch and Walter Pitts (1943)^[119] Alan Turing (1948);^[120] Karl Steinbuch and Roger David Joseph (1961).^[121] Deep or recurrent networks that learned (or used gradient descent) were developed by: Frank Rosenblatt(1957);^[120] Oliver Selfridge (1959);^[121] Alexey Ivakhnenko and Valentin Lapa (1965);^[122] Kaoru Nakano (1971);^[123] Shun-Ichi Amari (1972);^[123] John Joseph Hopfield (1982).^[123] Precursors to backpropagation were developed by: Henry J. Kelley (1960);^[120] Arthur E. Bryson (1962);^[120] Stuart Dreyfus (1962);^[120] Arthur E. Bryson and Yu-Chi Ho (1969);^[120] Backpropagation was independently developed by: Seppo Linnainmaa (1970);^[124] Paul Werbos (1974).^[120]
^ Geoffrey Hinton said, of his work on neural networks in the 1990s, "our labeled datasets were thousands of times too small. [And] our computers were millions of times too slow."^[125]
^ Including Jon Kleinberg (Cornell University), Sendhil Mullainathan (University of Chicago), Cynthia Chouldechova (Carnegie Mellon) and Sam Corbett-Davis (Stanford)^[207]
^ Moritz Hardt (a director at the Max Planck Institute for Intelligent Systems) argues that machine learning "is fundamentally the wrong tool for a lot of domains, where you're trying to design interventions and mechanisms that change the world."^[212]
^ When the law was passed in 2018, it still contained a form of this provision.
^ This is the United Nations' definition, and includes things like land mines as well.^[226]
^ See table 4; 9% is both the OECD average and the U.S. average.^[237]
^ Sometimes called a "robopocalypse"^[245]
^ "Electronic brain" was the term used by the press around this time.^[297]^[298]
^ Daniel Crevier wrote, "the conference is generally recognized as the official birthdate of the new science."^[301] Russell and Norvig called the conference "the inception of artificial intelligence."^[119]
^ Russell and Norvig wrote "for the next 20 years the field would be dominated by these people and their students."^[302]
^ Russell and Norvig wrote "it was astonishing whenever a computer did anything kind of smartish".^[303]
^ The programs described are Arthur Samuel's checkers program for the IBM 701, Daniel Bobrow's STUDENT, Newell and Simon's Logic Theorist and Terry Winograd's SHRDLU.
^ Russell and Norvig write: "in almost all cases, these early systems failed on more difficult problems"^[307]
^ Embodied approaches to AI^[314] were championed by Hans Moravec^[315] and Rodney Brooks^[316] and went by many names: Nouvelle AI.^[316] Developmental robotics.^[317]
^ Matteo Wong wrote in The Atlantic: "Whereas for decades, computer-science fields such as natural-language processing, computer vision, and robotics used extremely different methods, now they all use a programming method called "deep learning." As a result, their code and approaches have become more similar, and their models are easier to integrate into one another."^[323]
^ Jack Clark wrote in Bloomberg: "After a half-decade of quiet breakthroughs in artificial intelligence, 2015 has been a landmark year. Computers are smarter and learning faster than ever", and noted that the number of software projects that use machine learning at Google increased from a "sporadic usage" in 2012 to more than 2,700 projects in 2015.^[325]
^ Nils Nilsson wrote in 1983: "Simply put, there is wide disagreement in the field about what AI is all about."^[340]
^ Daniel Crevier wrote that "time has proven the accuracy and perceptiveness of some of Dreyfus's comments. Had he formulated them less aggressively, constructive actions they suggested might have been taken much earlier."^[345]
^ Searle presented this definition of "Strong AI" in 1999.^[355] Searle's original formulation was "The appropriately programmed computer really is a mind, in the sense that computers given the right programs can be literally said to understand and have other cognitive states."^[356] Strong AI is defined similarly by Russell and Norvig: "Stong AI – the assertion that machines that do so are actually thinking (as opposed to simulating thinking)."^[357]

References

^ Jump up to: ^a ^b ^c Russell & Norvig (2021), pp. 1–4.
^ AI set to exceed human brain power Archived 2008-02-19 at the Wayback Machine CNN.com (July 26, 2006)
^ Kaplan, Andreas; Haenlein, Michael (2019). "Siri, Siri, in my hand: Who's the fairest in the land? On the interpretations, illustrations, and implications of artificial intelligence". Business Horizons. 62: 15–25. doi:10.1016/j.bushor.2018.08.004. ISSN 0007-6813. S2CID 158433736.
^ Jump up to: ^a ^b ^c ^d Copeland, J., ed. (2004). The Essential Turing: the ideas that gave birth to the computer age. Oxford, England: Clarendon Press. ISBN 0-19-825079-7.
^ Jump up to: ^a ^b
Dartmouth workshop:
- Russell & Norvig (2021, p. 18)
- McCorduck (2004, pp. 111–136)
- NRC (1999, pp. 200–201)
The proposal:
- McCarthy et al. (1955)
^ Kaplan, Andreas (2022). Artificial Intelligence, Business and Civilization: Our Fate Made in Machines. Routledge focus on business and management. New York, NY: Routledge. ISBN 978-1-000-56333-7.
^ Marquis, Pierre; Papini, Odile; Prade, Henri, eds. (2020). A Guided Tour of Artificial Intelligence Research: Volume III: Interfaces and Applications of Artificial Intelligence. Cham: Springer International Publishing. pp. xiii. doi:10.1007/978-3-030-06170-8. ISBN 978-3-030-06169-2.
^ Jump up to: ^a ^b
Successful programs the 1960s:
- McCorduck (2004, pp. 243–252)
- Crevier (1993, pp. 52–107)
- Moravec (1988, p. 9)
- Russell & Norvig (2021, pp. 19–21)
^ Jump up to: ^a ^b
Funding initiatives in the early 1980s: Fifth Generation Project (Japan), Alvey (UK), Microelectronics and Computer Technology Corporation (US), Strategic Computing Initiative (US):
- McCorduck (2004, pp. 426–441)
- Crevier (1993, pp. 161–162, 197–203, 211, 240)
- Russell & Norvig (2021, p. 23)
- NRC (1999, pp. 210–211)
- Newquist (1994, pp. 235–248)
^ Jump up to: ^a ^b
First AI Winter, Lighthill report, Mansfield Amendment
- Crevier (1993, pp. 115–117)
- Russell & Norvig (2021, pp. 21–22)
- NRC (1999, pp. 212–213)
- Howe (1994)
- Newquist (1994, pp. 189–201)
^ Jump up to: ^a ^b
Second AI Winter:
- Russell & Norvig (2021, p. 24)
- McCorduck (2004, pp. 430–435)
- Crevier (1993, pp. 209–210)
- NRC (1999, pp. 214–216)
- Newquist (1994, pp. 301–318)
^ Jump up to: ^a ^b
Deep learning revolution, AlexNet:
- Goldman (2022)
- Russell & Norvig (2021, p. 26)
- McKinsey (2018)
^ Toews (2023).
^ Frank (2023).
^ Jump up to: ^a ^b ^c
Artificial general intelligence:
- Russell & Norvig (2021, pp. 32–33, 1020–1021)
Proposal for the modern version:
- Pennachin & Goertzel (2007)
Warnings of overspecialization in AI from leading researchers:
^ Russell & Norvig (2021, §1.2).
^
Problem-solving, puzzle solving, game playing, and deduction:
- Russell & Norvig (2021, chpt. 3–5)
- Russell & Norvig (2021, chpt. 6) (constraint satisfaction)
- Poole, Mackworth & Goebel (1998, chpt. 2, 3, 7, 9)
- Luger & Stubblefield (2004, chpt. 3, 4, 6, 8)
- Nilsson (1998, chpt. 7–12)
^
Uncertain reasoning:
- Russell & Norvig (2021, chpt. 12–18)
- Poole, Mackworth & Goebel (1998, pp. 345–395)
- Luger & Stubblefield (2004, pp. 333–381)
- Nilsson (1998, chpt. 7–12)
^ Jump up to: ^a ^b ^c
Intractability and efficiency and the combinatorial explosion:
- Russell & Norvig (2021, p. 21)
^ Jump up to: ^a ^b ^c
Psychological evidence of the prevalence of sub-symbolic reasoning and knowledge:
^
Knowledge representation and knowledge engineering:
- Russell & Norvig (2021, chpt. 10)
- Poole, Mackworth & Goebel (1998, pp. 23–46, 69–81, 169–233, 235–277, 281–298, 319–345)
- Luger & Stubblefield (2004, pp. 227–243),
- Nilsson (1998, chpt. 17.1–17.4, 18)
^ Smoliar & Zhang (1994).
^ Neumann & Möller (2008).
^ Kuperman, Reichley & Bailey (2006).
^ McGarry (2005).
^ Bertini, Del Bimbo & Torniai (2006).
^ Russell & Norvig (2021), pp. 272.
^
Representing categories and relations: Semantic networks, description logics, inheritance (including frames, and scripts):
- Russell & Norvig (2021, §10.2 & 10.5),
- Poole, Mackworth & Goebel (1998, pp. 174–177),
- Luger & Stubblefield (2004, pp. 248–258),
- Nilsson (1998, chpt. 18.3)
^
Representing events and time:Situation calculus, event calculus, fluent calculus (including solving the frame problem):
- Russell & Norvig (2021, §10.3),
- Poole, Mackworth & Goebel (1998, pp. 281–298),
- Nilsson (1998, chpt. 18.2)
^
Causal calculus:
- Poole, Mackworth & Goebel (1998, pp. 335–337)
^
Representing knowledge about knowledge: Belief calculus, modal logics:
- Russell & Norvig (2021, §10.4),
- Poole, Mackworth & Goebel (1998, pp. 275–277)
^ Jump up to: ^a ^b
Default reasoning, Frame problem, default logic, non-monotonic logics, circumscription, closed world assumption, abduction:
- Russell & Norvig (2021, §10.6)
- Poole, Mackworth & Goebel (1998, pp. 248–256, 323–335)
- Luger & Stubblefield (2004, pp. 335–363)
- Nilsson (1998, ~18.3.3)
(Poole et al. places abduction under "default reasoning". Luger et al. places this under "uncertain reasoning").
^ Jump up to: ^a ^b
Breadth of commonsense knowledge:
- Lenat & Guha (1989, Introduction)
- Crevier (1993, pp. 113–114),
- Moravec (1988, p. 13),
- Russell & Norvig (2021, pp. 241, 385, 982) (qualification problem)
^ Newquist (1994), p. 296.
^ Crevier (1993), pp. 204–208.
^ Russell & Norvig (2021), p. 528.
^
Automated planning:
- Russell & Norvig (2021, chpt. 11).
^
Automated decision making, Decision theory:
- Russell & Norvig (2021, chpt. 16–18).
^
Classical planning:
- Russell & Norvig (2021, Section 11.2).
^
Sensorless or "conformant" planning, contingent planning, replanning (a.k.a online planning):
- Russell & Norvig (2021, Section 11.5).
^
Uncertain preferences:
- Russell & Norvig (2021, Section 16.7)
Inverse reinforcement learning:
- Russell & Norvig (2021, Section 22.6)
^
Information value theory:
- Russell & Norvig (2021, Section 16.6).
^
Markov decision process:
- Russell & Norvig (2021, chpt. 17).
^
Game theory and multi-agent decision theory:
- Russell & Norvig (2021, chpt. 18).
^
Learning:
- Russell & Norvig (2021, chpt. 19–22)
- Poole, Mackworth & Goebel (1998, pp. 397–438)
- Luger & Stubblefield (2004, pp. 385–542)
- Nilsson (1998, chpt. 3.3, 10.3, 17.5, 20)
^ Turing (1950).
^ Solomonoff (1956).
^
Unsupervised learning:
- Russell & Norvig (2021, pp. 653) (definition)
- Russell & Norvig (2021, pp. 738–740) (cluster analysis)
- Russell & Norvig (2021, pp. 846–860) (word embedding)
^ Jump up to: ^a ^b
Supervised learning:
- Russell & Norvig (2021, §19.2) (Definition)
- Russell & Norvig (2021, Chpt. 19–20) (Techniques)
^
Reinforcement learning:
- Russell & Norvig (2021, chpt. 22)
- Luger & Stubblefield (2004, pp. 442–449)
^
Transfer learning:
- Russell & Norvig (2021, pp. 281)
- The Economist (2016)
^ "Artificial Intelligence (AI): What Is AI and How Does It Work? | Built In". builtin.com. Retrieved 30 October 2023.
^
Computational learning theory:
- Russell & Norvig (2021, pp. 672–674)
- Jordan & Mitchell (2015)
^
Natural language processing (NLP):
- Russell & Norvig (2021, chpt. 23–24)
- Poole, Mackworth & Goebel (1998, pp. 91–104)
- Luger & Stubblefield (2004, pp. 591–632)
^
Subproblems of NLP:
- Russell & Norvig (2021, pp. 849–850)
^ Russell & Norvig (2021), pp. 856–858.
^ Dickson (2022).
^
Modern statistical and deep learning approaches to NLP:
- Russell & Norvig (2021, chpt. 24)
- Cambria & White (2014)
^ Vincent (2019).
^ Russell & Norvig (2021), pp. 875–878.
^ Bushwick (2023).
^
Computer vision:
- Russell & Norvig (2021, chpt. 25)
- Nilsson (1998, chpt. 6)
^ Russell & Norvig (2021), pp. 849–850.
^ Russell & Norvig (2021), pp. 895–899.
^ Russell & Norvig (2021), pp. 899–901.
^ Challa et al. (2011).
^ Russell & Norvig (2021), pp. 931–938.
^ MIT AIL (2014).
^
Affective computing:
^ Waddell (2018).
^ Poria et al. (2017).
^
Search algorithms:
- Russell & Norvig (2021, Chpt. 3–5)
- Poole, Mackworth & Goebel (1998, pp. 113–163)
- Luger & Stubblefield (2004, pp. 79–164, 193–219)
- Nilsson (1998, chpt. 7–12)
^
State space search:
- Russell & Norvig (2021, chpt. 3)
^ Russell & Norvig (2021), §11.2.
^
Uninformed searches (breadth first search, depth-first search and general state space search):
- Russell & Norvig (2021, §3.4)
- Poole, Mackworth & Goebel (1998, pp. 113–132)
- Luger & Stubblefield (2004, pp. 79–121)
- Nilsson (1998, chpt. 8)
^
Heuristic or informed searches (e.g., greedy best first and A*):
- Russell & Norvig (2021, s§3.5)
- Poole, Mackworth & Goebel (1998, pp. 132–147)
- Poole & Mackworth (2017, §3.6)
- Luger & Stubblefield (2004, pp. 133–150)
^
Adversarial search:
- Russell & Norvig (2021, chpt. 5)
^
Local or "optimization" search:
- Russell & Norvig (2021, chpt. 4)
^ Singh Chauhan, Nagesh (18 December 2020). "Optimization Algorithms in Neural Networks". KDnuggets. Retrieved 13 January 2024.
^
Evolutionary computation:
- Russell & Norvig (2021, §4.1.2)
^ Merkle & Middendorf (2013).
^
Logic:
- Russell & Norvig (2021, chpt. 6–9)
- Luger & Stubblefield (2004, pp. 35–77)
- Nilsson (1998, chpt. 13–16)
^
Propositional logic:
- Russell & Norvig (2021, chpt. 6)
- Luger & Stubblefield (2004, pp. 45–50)
- Nilsson (1998, chpt. 13)
^
First-order logic and features such as equality:
- Russell & Norvig (2021, chpt. 7)
- Poole, Mackworth & Goebel (1998, pp. 268–275),
- Luger & Stubblefield (2004, pp. 50–62),
- Nilsson (1998, chpt. 15)
^
Logical inference:
- Russell & Norvig (2021, chpt. 10)
^
logical deduction as search:
- Russell & Norvig (2021, §9.3, §9.4)
- Poole, Mackworth & Goebel (1998, pp. ~46–52)
- Luger & Stubblefield (2004, pp. 62–73)
- Nilsson (1998, chpt. 4.2, 7.2)
^
Resolution and unification:
- Russell & Norvig (2021, §7.5.2, §9.2, §9.5)
^ Warren, D.H.; Pereira, L.M.; Pereira, F. (1977). "Prolog-the language and its implementation compared with Lisp". ACM SIGPLAN Notices. 12 (8): 109–115. doi:10.1145/872734.806939.
^
Fuzzy logic:
- Russell & Norvig (2021, pp. 214, 255, 459)
- Scientific American (1999)
^ Jump up to: ^a ^b
Stochastic methods for uncertain reasoning:
- Russell & Norvig (2021, Chpt. 12–18 and 20),
- Poole, Mackworth & Goebel (1998, pp. 345–395),
- Luger & Stubblefield (2004, pp. 165–191, 333–381),
- Nilsson (1998, chpt. 19)
^
decision theory and decision analysis:
- Russell & Norvig (2021, Chpt. 16–18),
- Poole, Mackworth & Goebel (1998, pp. 381–394)
^
Information value theory:
- Russell & Norvig (2021, §16.6)
^
Markov decision processes and dynamic decision networks:
- Russell & Norvig (2021, chpt. 17)
^ Jump up to: ^a ^b ^c
Stochastic temporal models:
- Russell & Norvig (2021, Chpt. 14)
Hidden Markov model:
- Russell & Norvig (2021, §14.3)
Kalman filters:
- Russell & Norvig (2021, §14.4)
Dynamic Bayesian networks:
- Russell & Norvig (2021, §14.5)
^
Game theory and mechanism design:
- Russell & Norvig (2021, chpt. 18)
^
Bayesian networks:
- Russell & Norvig (2021, §12.5–12.6, §13.4–13.5, §14.3–14.5, §16.5, §20.2 -20.3),
- Пул, Макворт и Гебель (1998 , стр. 361–381),
- Люгер и Стабблфилд (2004 , стр. ~182–190, ≈363–379),
- Нильссон (1998 , глава 19.3–4)
^ Домингос (2015) , глава 6.
^
байесовского вывода Алгоритм :
- Рассел и Норвиг (2021 г. , §13.3–13.5),
- Пул, Макворт и Гебель (1998 , стр. 361–381),
- Люгер и Стабблфилд (2004 , стр. ~363–379),
- Нильссон (1998 , главы 19.4 и 7)
^ Домингос (2015) , с. 210.
^
Байесовское обучение и алгоритм максимизации ожидания :
- Рассел и Норвиг (2021 , глава 20),
- Пул, Макворт и Гебель (1998 , стр. 424–433),
- Нильссон (1998 , глава 20)
- Домингос (2015 , стр. 210)
^
Байесовская теория принятия решений и байесовские сети принятия решений :
- Рассел и Норвиг (2021 , §16.5)
^
Статистические методы обучения и классификаторы :
- Рассел и Норвиг (2021 г. , глава 20),
^ Чарамелла, Альберто ; Чарамелла, Марко (2024). Введение в искусственный интеллект: от анализа данных до генеративного ИИ . ISBN 978-8894787603 .
^
Деревья решений :
- Рассел и Норвиг (2021 , §19.3)
- Домингос (2015 , стр. 88)
^
Непараметрические модели обучения, такие как K-ближайший сосед и машины опорных векторов :
- Рассел и Норвиг (2021 , §19.7)
- Домингос (2015 , стр. 187) (к-ближайший сосед)
- Домингос (2015 , стр. 88) (методы ядра)
^ Домингос (2015) , с. 152.
^
Наивный байесовский классификатор :
- Рассел и Норвиг (2021 , §12.6)
- Домингос (2015 , стр. 152)
^ Jump up to: ^а ^б
Нейронные сети:
- Рассел и Норвиг (2021 , глава 21),
- Домингос (2015 , глава 4)
^
Вычисление градиента в вычислительных графах, обратное распространение ошибки , автоматическое дифференцирование :
- Рассел и Норвиг (2021 , §21.2),
- Люгер и Стабблфилд (2004 , стр. 467–474),
- Нильссон (1998 , глава 3.3)
^
Теорема об универсальной аппроксимации :
- Рассел и Норвиг (2021 , стр. 752)
Теорема:
- Цыбенко (1988)
- Хорник, Стинчкомб и Уайт (1989)
^
Нейронные сети прямого распространения :
- Рассел и Норвиг (2021 , §21.1)
^
Рекуррентные нейронные сети :
- Рассел и Норвиг (2021 , §21.6)
^
Перцептроны :
- Рассел и Норвиг (2021 , стр. 21, 22, 683, 22)
^ Jump up to: ^а ^б
Глубокое обучение :
^
Сверточные нейронные сети :
- Рассел и Норвиг (2021 , §21.3)
^ Дэн и Ю (2014) , стр. 199–200.
^ Чиресан, Мейер и Шмидхубер (2012) .
^ Рассел и Норвиг (2021) , с. 751.
^ Jump up to: ^а ^б ^с Рассел и Норвиг (2021) , с. 17.
^ Jump up to: ^а ^б ^с ^д ^и ^ж ^г Рассел и Норвиг (2021) , с. 785.
^ Jump up to: ^а ^б Шмидхубер (2022) , §5.
^ Шмидхубер (2022) , §6.
^ Jump up to: ^а ^б ^с Шмидхубер (2022) , §7.
^ Шмидхубер (2022) , §8.
^ Цитируется по Кристиану (2020 , стр. 22).
^ Смит (2023) .
^ «Объяснение: Генеративный ИИ» . 9 ноября 2023 г.
^ «Инструменты для написания искусственного интеллекта и создания контента» . Технологии преподавания и обучения Массачусетского технологического института Слоана . Проверено 25 декабря 2023 г.
^ Мармуйе (2023) .
^ Кобелус (2019) .
^ Томасон, Джеймс (21 мая 2024 г.). «Восстание Mojo: возрождение языков программирования, ориентированных на искусственный интеллект» . ВенчурБит . Проверено 26 мая 2024 г.
^ Водецки, Бен (5 мая 2023 г.). «7 языков программирования искусственного интеллекта, которые вам нужно знать» . ИИ-бизнес .
^ Давенпорт, Т; Калакота, Р. (июнь 2019 г.). «Потенциал искусственного интеллекта в здравоохранении» . Будущее Здоровьеc Дж . 6 (2): 94–98. doi : 10.7861/futurehosp.6-2-94 . ПМК 6616181 . ПМИД 31363513 .
^ Jump up to: ^а ^б Бакс, Моник; Торп, Джордан; Романов, Валентин (декабрь 2023 г.). «Будущее персонализированной сердечно-сосудистой медицины требует 3D- и 4D-печати, стволовых клеток и искусственного интеллекта» . Границы в сенсорах . 4 . дои : 10.3389/fsens.2023.1294721 . ISSN 2673-5067 .
^ Джампер, Дж; Эванс, Р; Притцель, А (2021). «Высокоточное предсказание структуры белка с помощью AlphaFold» . Природа . 596 (7873): 583–589. Бибкод : 2021Natur.596..583J . дои : 10.1038/s41586-021-03819-2 . ПМЦ 8371605 . PMID 34265844 .
^ «ИИ открывает новый класс антибиотиков для уничтожения устойчивых к лекарствам бактерий» . 20 декабря 2023 г.
^ «ИИ в десять раз ускоряет разработку лекарств от болезни Паркинсона» . Кембриджский университет. 17 апреля 2024 г.
^ Хорн, Роберт И.; Анджеевска, Ева А.; Алам, Парвез; Бротзакис, З. Фейдон; Шривастава, Анкит; Обер, Алиса; Новинска, Магдалена; Грегори, Ребекка С.; Стаатс, Роксина; Поссенти, Андреа; Чиа, Шон; Сорманни, Пьетро; Гетти, Бернардино; Коги, Байрон; Ноулз, Туомас П.Дж.; Вендруколо, Микеле (17 апреля 2024 г.). «Открытие мощных ингибиторов агрегации α-синуклеина с использованием структурного итеративного обучения» . Химическая биология природы . 20 (5). Природа: 634–645. дои : 10.1038/s41589-024-01580-x . ПМЦ 11062903 . ПМИД 38632492 .
^ Грант, Юджин Ф.; Ларднер, Рекс (25 июля 1952 г.). «Городской разговор - Это» . Житель Нью-Йорка . ISSN 0028-792X . Проверено 28 января 2024 г.
^ Андерсон, Марк Роберт (11 мая 2017 г.). «Двадцать лет спустя после матча Deep Blue против Каспарова: как шахматный матч положил начало революции больших данных» . Разговор . Проверено 28 января 2024 г.
^ Маркофф, Джон (16 февраля 2011 г.). «Компьютер побеждает в игре «Jeopardy!»: это не тривиально» . Нью-Йорк Таймс . ISSN 0362-4331 . Проверено 28 января 2024 г.
^ Байфорд, Сэм (27 мая 2017 г.). «AlphaGo уходит из соревновательного го после победы над номером один в мире со счетом 3–0» . Грань . Проверено 28 января 2024 г.
^ Браун, Ноам; Сандхольм, Туомас (30 августа 2019 г.). «Сверхчеловеческий ИИ для многопользовательского покера» . Наука . 365 (6456): 885–890. Бибкод : 2019Sci...365..885B . дои : 10.1126/science.aay2400 . ISSN 0036-8075 . ПМИД 31296650 .
^ «MuZero: Освоение го, шахмат, сёги и Atari без правил» . Гугл ДипМайнд . 23 декабря 2020 г. Проверено 28 января 2024 г.
^ Сэмпл, Ян (30 октября 2019 г.). «ИИ становится гроссмейстером в «чертовски сложном» StarCraft II» . Хранитель . ISSN 0261-3077 . Проверено 28 января 2024 г.
^ Вурман, PR; Барретт, С.; Кавамото, К. (2022). «Обгоняйте водителей-чемпионов Gran Turismo с помощью глубокого обучения с подкреплением». Природа . 602 (7896): 223–228. Бибкод : 2022Natur.602..223W . дои : 10.1038/s41586-021-04357-7 . ПМИД 35140384 .
^ Уилкинс, Алекс (13 марта 2024 г.). «ИИ Google учится играть в видеоигры с открытым миром, наблюдая за ними» . Новый учёный . Проверено 21 июля 2024 г.
^ Уэсато, Дж. и др.: Улучшение математических рассуждений с помощью контроля процесса. openai.com, 31 мая 2023 г. Проверено 7 августа 2024 г.
^ Шривастава, Саураб (29 февраля 2024 г.). «Функциональные критерии для надежной оценки эффективности рассуждений и пробелов в рассуждениях» . arXiv.org . Проверено 11 августа 2024 г.
^ Робертс, Шивон (25 июля 2024 г.). «ИИ получил серебряную медаль за решение задач Международной математической олимпиады» . nytimes.com . Проверено 7 августа 2024 г.
^ ЛЛЕММА . eleuther.ai. Проверено 7 августа 2024 г.
^ AI Математика. Caesars Labs, 2024 г. Проверено 7 августа 2024 г.
^ Алекс МакФарланд: 7 лучших ИИ для математических инструментов. unite.ai. Проверено 7 августа 2024 г.
^ Мэтью Финио и Аманда Дауни: Учебник IBM Think 2024, «Что такое искусственный интеллект (ИИ) в финансах?» 8 декабря 2023 г.
^ М. Николас Дж. Фирзли: журнал Pensions Age/European Pensions, «Искусственный интеллект: спросите отрасль», май, июнь 2024 г., https://videovoice.org/ai-in-finance-innovation-entrepreneurship-vs-over-regulation- с актом-искусственного-интеллекта-ЕС-не-работает-как-задумано/
^ Jump up to: ^а ^б ^с Исследовательская служба Конгресса (2019). Искусственный интеллект и национальная безопасность (PDF) . Вашингтон, округ Колумбия: Исследовательская служба Конгресса. PD-уведомление
^ Jump up to: ^а ^б Слюсарь, Вадим (2019). «Искусственный интеллект как основа будущих сетей управления» . Исследовательские ворота . дои : 10.13140/RG.2.2.30247.50087 .
^ Knight, Will. "The US and 30 Other Nations Agree to Set Guardrails for Military AI". Wired. ISSN 1059-1028. Retrieved 24 January 2024.
^ Marcelline, Marco (27 May 2023). "ChatGPT: Most Americans Know About It, But Few Actually Use the AI Chatbot". PCMag. Retrieved 28 January 2024.
^ Lu, Donna (31 March 2023). "Misinformation, mistakes and the Pope in a puffer: what rapidly evolving AI can – and can't – do". The Guardian. ISSN 0261-3077. Retrieved 28 January 2024.
^ Hurst, Luke (23 May 2023). "How a fake image of a Pentagon explosion shared on Twitter caused a real dip on Wall Street". euronews. Retrieved 28 January 2024.
^ Poole, David; Mackworth, Alan (2023). Artificial Intelligence, Foundations of Computational Agents (3rd ed.). Cambridge University Press. ISBN 9781009258197.
^ Russell, Stuart; Norvig, Peter (2020). Artificial Intelligence: A Modern Approach (4th ed.). Pearson. ISBN 9780134610993.
^ "Why agents are the next frontier of generative AI". McKinsey Digital. 24 July 2024. Retrieved 10 August 2024.
^ Ransbotham, Sam; Kiron, David; Gerbert, Philipp; Reeves, Martin (6 September 2017). "Reshaping Business With Artificial Intelligence". MIT Sloan Management Review. Archived from the original on 13 February 2024.
^ Sun, Yuran; Zhao, Xilei; Lovreglio, Ruggiero; Kuligowski, Erica (1 January 2024), Naser, M. Z. (ed.), "8 - AI for large-scale evacuation modeling: promises and challenges", Interpretable Machine Learning for the Analysis, Design, Assessment, and Informed Decision Making for Civil Infrastructure, Woodhead Publishing Series in Civil and Structural Engineering, Woodhead Publishing, pp. 185–204, ISBN 978-0-12-824073-1, retrieved 28 June 2024
^ Gomaa, Islam; Adelzadeh, Masoud; Gwynne, Steven; Spencer, Bruce; Ko, Yoon; Bénichou, Noureddine; Ma, Chunyun; Elsagan, Nour; Duong, Dana; Zalok, Ehab; Kinateder, Max (1 November 2021). "A Framework for Intelligent Fire Detection and Evacuation System". Fire Technology. 57 (6): 3179–3185. doi:10.1007/s10694-021-01157-3. ISSN 1572-8099.
^ Zhao, Xilei; Lovreglio, Ruggiero; Nilsson, Daniel (1 May 2020). "Modelling and interpreting pre-evacuation decision-making using machine learning". Automation in Construction. 113: 103140. doi:10.1016/j.autcon.2020.103140. ISSN 0926-5805.
^ Simonite (2016).
^ Russell & Norvig (2021), p. 987.
^ Laskowski (2023).
^ GAO (2022).
^ Valinsky (2019).
^ Russell & Norvig (2021), p. 991.
^ Russell & Norvig (2021), pp. 991–992.
^ Christian (2020), p. 63.
^ Vincent (2022).
^ Kopel, Matthew. "Copyright Services: Fair Use". Cornell University Library. Retrieved 26 April 2024.
^ Burgess, Matt. "How to Stop Your Data From Being Used to Train AI". Wired. ISSN 1059-1028. Retrieved 26 April 2024.
^ Reisner (2023).
^ Alter & Harris (2023).
^ "Getting the Innovation Ecosystem Ready for AI. An IP policy toolkit" (PDF). WIPO.
^ Hammond, George (27 December 2023). "Big Tech is spending more than VC firms on AI startups". Ars Technica. Archived from the original on 10 January 2024.
^ Wong, Matteo (24 October 2023). "The Future of AI Is GOMA". The Atlantic. Archived from the original on 5 January 2024.
^ "Big tech and the pursuit of AI dominance". The Economist. 26 March 2023. Archived from the original on 29 December 2023.
^ Fung, Brian (19 December 2023). "Where the battle to dominate AI may be won". CNN Business. Archived from the original on 13 January 2024.
^ Metz, Cade (5 July 2023). "In the Age of A.I., Tech's Little Guys Need Big Friends". The New York Times.
^ "Electricity 2024 – Analysis". IEA. 24 January 2024. Retrieved 13 July 2024.
^ Calvert, Brian (28 March 2024). "AI already uses as much energy as a small country. It's only the beginning". Vox. New York, NY.
^ Halper, Evan; O'Donovan, Caroline (21 June 2024). "AI is exhausting the power grid. Tech firms are seeking a miracle solution". Washington Post.
^ Davenport, Carly. "AI Data Centers and the Coming YS Power Demand Surge" (PDF). Goldman Sachs.
^ Ryan, Carol (12 April 2024). "Energy-Guzzling AI Is Also the Future of Energy Savings". Wall Street Journal. Dow Jones.
^ Hiller, Jennifer (1 July 2024). "Tech Industry Wants to Lock Up Nuclear Power for AI". Wall Street Journal. Dow Jones.
^ Nicas (2018).
^ Rainie, Lee; Keeter, Scott; Perrin, Andrew (22 July 2019). "Trust and Distrust in America". Pew Research Center. Archived from the original on 22 February 2024.
^ Williams (2023).
^ Taylor & Hern (2023).
^ Jump up to: ^a ^b Samuel, Sigal (19 April 2022). "Why it's so damn hard to make AI fair and unbiased". Vox. Retrieved 24 July 2024.
^ Jump up to: ^a ^b Rose (2023).
^ CNA (2019).
^ Goffrey (2008), p. 17.
^ Berdahl et al. (2023); Goffrey (2008, p. 17); Rose (2023); Russell & Norvig (2021, p. 995)
^ Christian (2020), p. 25.
^ Jump up to: ^a ^b Russell & Norvig (2021), p. 995.
^ Grant & Hill (2023).
^ Larson & Angwin (2016).
^ Christian (2020), p. 67–70.
^ Christian (2020, pp. 67–70); Russell & Norvig (2021, pp. 993–994)
^ Russell & Norvig (2021, p. 995); Lipartito (2011, p. 36); Goodman & Flaxman (2017, p. 6); Christian (2020, pp. 39–40, 65)
^ Quoted in Christian (2020, p. 65).
^ Russell & Norvig (2021, p. 994); Christian (2020, pp. 40, 80–81)
^ Quoted in Christian (2020, p. 80)
^ Dockrill (2022).
^ Sample (2017).
^ "Black Box AI". 16 June 2023.
^ Christian (2020), p. 110.
^ Christian (2020), pp. 88–91.
^ Christian (2020, p. 83); Russell & Norvig (2021, p. 997)
^ Christian (2020), p. 91.
^ Christian (2020), p. 83.
^ Verma (2021).
^ Rothman (2020).
^ Christian (2020), pp. 105–108.
^ Christian (2020), pp. 108–112.
^ Ropek, Lucas (21 May 2024). "New Anthropic Research Sheds Light on AI's 'Black Box'". Gizmodo. Retrieved 23 May 2024.
^ Russell & Norvig (2021), p. 989.
^ Jump up to: ^a ^b Russell & Norvig (2021), pp. 987–990.
^ Russell & Norvig (2021), p. 988.
^ Robitzski (2018); Sainato (2015)
^ Harari (2018).
^ Buckley, Chris; Mozur, Paul (22 May 2019). "How China Uses High-Tech Surveillance to Subdue Minorities". The New York Times.
^ "Security lapse exposed a Chinese smart city surveillance system". 3 May 2019. Archived from the original on 7 March 2021. Retrieved 14 September 2020.
^ Urbina et al. (2022).
^ Jump up to: ^a ^b E McGaughey, 'Will Robots Automate Your Job Away? Full Employment, Basic Income, and Economic Democracy' (2022) 51(3) Industrial Law Journal 511–559 Archived 27 May 2023 at the Wayback Machine
^ Ford & Colvin (2015);McGaughey (2022)
^ IGM Chicago (2017).
^ Arntz, Gregory & Zierahn (2016), p. 33.
^ Lohr (2017); Frey & Osborne (2017); Arntz, Gregory & Zierahn (2016, p. 33)
^ Zhou, Viola (11 April 2023). "AI is already taking video game illustrators' jobs in China". Rest of World. Retrieved 17 August 2023.
^ Carter, Justin (11 April 2023). "China's game art industry reportedly decimated by growing AI use". Game Developer. Retrieved 17 August 2023.
^ Morgenstern (2015).
^ Mahdawi (2017); Thompson (2014)
^ Tarnoff, Ben (4 August 2023). "Lessons from Eliza". The Guardian Weekly. pp. 34–39.
^ Cellan-Jones (2014).
^ Russell & Norvig 2021, p. 1001.
^ Bostrom (2014).
^ Russell (2019).
^ Bostrom (2014); Müller & Bostrom (2014); Bostrom (2015).
^ Harari (2023).
^ Müller & Bostrom (2014).
^
Leaders' concerns about the existential risks of AI around 2015:
^ ""Godfather of artificial intelligence" talks impact and potential of new AI". CBS News. 25 March 2023. Archived from the original on 28 March 2023. Retrieved 28 March 2023.
^ Pittis, Don (4 May 2023). "Canadian artificial intelligence leader Geoffrey Hinton piles on fears of computer takeover". CBC.
^ "'50-50 chance' that AI outsmarts humanity, Geoffrey Hinton says - BNN Bloomberg". Bloomberg BNN. 14 June 2024. Retrieved 6 July 2024.
^ Valance (2023).
^ Taylor, Josh (7 May 2023). "Rise of artificial intelligence is inevitable but should not be feared, 'father of AI' says". The Guardian. Retrieved 26 May 2023.
^ Colton, Emma (7 May 2023). "'Father of AI' says tech fears misplaced: 'You cannot stop it'". Fox News. Retrieved 26 May 2023.
^ Jones, Hessie (23 May 2023). "Juergen Schmidhuber, Renowned 'Father Of Modern AI,' Says His Life's Work Won't Lead To Dystopia". Forbes. Retrieved 26 May 2023.
^ McMorrow, Ryan (19 December 2023). "Andrew Ng: 'Do we think the world is better off with more or less intelligence?'". Financial Times. Retrieved 30 December 2023.
^ Levy, Steven (22 December 2023). "How Not to Be Stupid About AI, With Yann LeCun". Wired. Retrieved 30 December 2023.
^
Arguments that AI is not an imminent risk:
^ Jump up to: ^a ^b Christian (2020), pp. 67, 73.
^ Yudkowsky (2008).
^ Jump up to: ^a ^b Anderson & Anderson (2011).
^ AAAI (2014).
^ Wallach (2010).
^ Russell (2019), p. 173.
^ Stewart, Ashley; Melton, Monica. "Hugging Face CEO says he's focused on building a 'sustainable model' for the $4.5 billion open-source-AI startup". Business Insider. Retrieved 14 April 2024.
^ Wiggers, Kyle (9 April 2024). "Google open sources tools to support AI model development". TechCrunch. Retrieved 14 April 2024.
^ Heaven, Will Douglas (12 May 2023). "The open-source AI boom is built on Big Tech's handouts. How long will it last?". MIT Technology Review. Retrieved 14 April 2024.
^ Brodsky, Sascha (19 December 2023). "Mistral AI's New Language Model Aims for Open Source Supremacy". AI Business.
^ Edwards, Benj (22 February 2024). "Stability announces Stable Diffusion 3, a next-gen AI image generator". Ars Technica. Retrieved 14 April 2024.
^ Marshall, Matt (29 January 2024). "How enterprises are using open source LLMs: 16 examples". VentureBeat.
^ Piper, Kelsey (2 February 2024). "Should we make our most powerful AI models open source to all?". Vox. Retrieved 14 April 2024.
^ Alan Turing Institute (2019). "Understanding artificial intelligence ethics and safety" (PDF).
^ Alan Turing Institute (2023). "AI Ethics and Governance in Practice" (PDF).
^ Floridi, Luciano; Cowls, Josh (23 June 2019). "A Unified Framework of Five Principles for AI in Society". Harvard Data Science Review. 1 (1). doi:10.1162/99608f92.8cd550d1. S2CID 198775713.
^ Buruk, Banu; Ekmekci, Perihan Elif; Arda, Berna (1 September 2020). "A critical perspective on guidelines for responsible and trustworthy artificial intelligence". Medicine, Health Care and Philosophy. 23 (3): 387–399. doi:10.1007/s11019-020-09948-1. ISSN 1572-8633. PMID 32236794. S2CID 214766800.
^ Kamila, Manoj Kumar; Jasrotia, Sahil Singh (1 January 2023). "Ethical issues in the development of artificial intelligence: recognizing the risks". International Journal of Ethics and Systems. ahead-of-print (ahead-of-print). doi:10.1108/IJOES-05-2023-0107. ISSN 2514-9369. S2CID 259614124.
^ "AI Safety Institute releases new AI safety evaluations platform". UK Government. 10 May 2024. Retrieved 14 May 2024.
^
Regulation of AI to mitigate risks:
^ Law Library of Congress (U.S.). Global Legal Research Directorate (2019).
^ Jump up to: ^a ^b Vincent (2023).
^ Stanford University (2023).
^ Jump up to: ^a ^b ^c ^d UNESCO (2021).
^ Kissinger (2021).
^ Altman, Brockman & Sutskever (2023).
^ VOA News (25 October 2023). "UN Announces Advisory Body on Artificial Intelligence".
^ Edwards (2023).
^ Kasperowicz (2023).
^ Fox News (2023).
^ Milmo, Dan (3 November 2023). "Hope or Horror? The great AI debate dividing its pioneers". The Guardian Weekly. pp. 10–12.
^ "The Bletchley Declaration by Countries Attending the AI Safety Summit, 1–2 November 2023". GOV.UK. 1 November 2023. Archived from the original on 1 November 2023. Retrieved 2 November 2023.
^ "Countries agree to safe and responsible development of frontier AI in landmark Bletchley Declaration". GOV.UK (Press release). Archived from the original on 1 November 2023. Retrieved 1 November 2023.
^ "Second global AI summit secures safety commitments from companies". Reuters. 21 May 2024. Retrieved 23 May 2024.
^ "Frontier AI Safety Commitments, AI Seoul Summit 2024". gov.uk. 21 May 2024. Archived from the original on 23 May 2024. Retrieved 23 May 2024.
^ Jump up to: ^a ^b Russell & Norvig 2021, p. 9.
^ "Google books ngram".
^
AI's immediate precursors:
- McCorduck (2004, pp. 51–107)
- Crevier (1993, pp. 27–32)
- Russell & Norvig (2021, pp. 8–17)
- Moravec (1988, p. 3)
^ Jump up to: ^a ^b
Оригинальная публикация Тьюринга теста Тьюринга в « Вычислительной технике и интеллекте »:
- Turing (1950)
Historical influence and philosophical implications:
- Haugeland (1985, pp. 6–9)
- Кревье (1993 , стр. 24)
- МакКордак (2004 , стр. 70–71)
- Рассел и Норвиг (2021 , стр. 2, 984)
^ Кревье (1993) , стр. 47–49.
^ Рассел и Норвиг (2003) , с. 17.
^ Рассел и Норвиг (2003) , с. 18.
^ Ньюквист (1994) , стр. 86–86.
^ Саймон (1965 , стр. 96), цитируется по Crevier (1993 , стр. 109).
^ Минский (1967 , стр. 2), цитируется по Crevier (1993 , стр. 109).
^ Рассел и Норвиг (2021) , с. 21.
^ Лайтхилл (1973) .
^ NRC 1999 , стр. 212–213.
^ Рассел и Норвиг (2021) , с. 22.
^
Экспертные системы :
- Рассел и Норвиг (2021 , стр. 23, 292)
- Люгер и Стабблфилд (2004 , стр. 227–331)
- Нильссон (1998 , глава 17.4)
- МакКордак (2004 , стр. 327–335, 434–435)
- Кревье (1993 , стр. 145–162, 197–203)
- Ньюквист (1994 , стр. 155–183)
^ Рассел и Норвиг (2021) , с. 24.
^ Нильссон (1998) , стр. 7.
^ МакКордак (2004) , стр. 454–462.
^ Моравец (1988) .
^ Jump up to: ^а ^б Брукс (1990) .
^
Развивающая робототехника :
^ Рассел и Норвиг (2021) , с. 25.
^
- Кревье (1993 , стр. 214–215)
- Рассел и Норвиг (2021 , стр. 24, 26)
^ Рассел и Норвиг (2021) , с. 26.
^
Формальные и узкие методы, принятые в 1990-е годы:
- Рассел и Норвиг (2021 , стр. 24–26)
- МакКордак (2004 , стр. 486–487)
^
ИИ широко использовался в конце 1990-х годов:
- Курцвейл (2005 , стр. 265)
- НРК (1999 , стр. 216–222)
- Ньюквист (1994 , стр. 189–201)
^ Люди (2023) .
^
Закон Мура и ИИ:
- Рассел и Норвиг (2021 , стр. 14, 27)
^ Jump up to: ^а ^б ^с Кларк (2015b) .
^
Большие данные :
- Рассел и Норвиг (2021 , стр. 26)
^ Сагар, Рам (3 июня 2020 г.). «OpenAI выпускает GPT-3, самую большую модель на данный момент» . Журнал Analytics India . Архивировано из оригинала 4 августа 2020 года . Проверено 15 марта 2023 г.
^ ДиФелициантонио (2023) .
^ Госвами (2023) .
^ Jump up to: ^а ^б Тьюринг (1950) , с. 1.
^ Тьюринг (1950) , В разделе «Аргумент от сознания».
^ Кирк-Джаннини, Кэмерон Доменико; Гольдштейн, Саймон (16 октября 2023 г.). «ИИ как никогда близок к тому, чтобы пройти тест Тьюринга на «интеллект». Что произойдет, когда он это сделает?» . Разговор . Проверено 17 августа 2024 г.
^ Рассел и Норвиг (2021) , с. 3.
^ Создатель (2006) .
^ Маккарти (1999) .
^ Минский (1986) .
^ «Что такое искусственный интеллект (ИИ)?» . Облачная платформа Google . Архивировано из оригинала 31 июля 2023 года . Проверено 16 октября 2023 г.
^ «Одна из самых больших проблем в регулировании ИИ – это согласование определения» . Carnegieendowment.org . Проверено 31 июля 2024 г.
^ «ИИ или чушь? Как определить, действительно ли маркетинговый инструмент использует искусственный интеллект» . Барабан . Проверено 31 июля 2024 г.
^ Нильссон (1983) , стр. 10.
^ Хаугеланд (1985) , стр. 112–117.
^
Гипотеза системы физических символов:
- Ньюэлл и Саймон (1976 , стр. 116)
Историческое значение:
- МакКордак (2004 , стр. 153)
- Рассел и Норвиг (2021 , стр. 19)
^
Парадокс Моравеца :
- Моравец (1988 , стр. 15–16)
- Минский (1986 , стр. 29)
- Пинкер (2007 , стр. 190–191)
^
Критика ИИ Дрейфусом :
- Дрейфус (1972)
- Дрейфус и Дрейфус (1986)
Историческое значение и философские последствия:
- Кревье (1993 , стр. 120–132)
- МакКордак (2004 , стр. 211–239)
- Рассел и Норвиг (2021 , стр. 981–982)
- Фирн (2007 , глава 3)
^ Кревье (1993) , с. 125.
^ Лэнгли (2011) .
^ Кац (2012) .
^
Аккуратность против неряшливости , исторические дебаты:
- МакКордак (2004 , стр. 421–424, 486–489)
- Кревье (1993 , стр. 168)
- Нильссон (1983 , стр. 10–11)
- Рассел и Норвиг (2021 , стр. 24)
Классический пример «неряшливого» подхода к разведке:
- Минский (1986)
Современный пример аккуратного ИИ и его стремлений в 21 веке:
- Воскресенье (2015)
^ Пенначин и Герцель (2007) .
^ Jump up to: ^а ^б Робертс (2016) .
^ Рассел и Норвиг (2021) , с. 986.
^ Чалмерс (1995) .
^ Деннетт (1991) .
^ Хорст (2005) .
^ Сирл (1999) .
^ Сирл (1980) , с. 1.
^ Рассел и Норвиг (2021) , с. 9817.
^
Аргумент Сирла в китайской комнате :
- Сирл (1980) . Оригинальное изложение мысленного эксперимента Сирлом.
- Сирл (1999) .
Обсуждение:
- Рассел и Норвиг (2021 , стр. 985)
- МакКордак (2004 , стр. 443–445)
- Кревье (1993 , стр. 269–271)
^ Лейт, Сэм (7 июля 2022 г.). «Ник Бостром: Как мы можем быть уверены, что машина не находится в сознании?» . Зритель . Проверено 23 февраля 2024 г.
^ Jump up to: ^а ^б ^с Томсон, Джонни (31 октября 2022 г.). «Почему у роботов нет прав?» . Большое Думай . Проверено 23 февраля 2024 г.
^ Jump up to: ^а ^б Кейтман, Брайан (24 июля 2023 г.). «ИИ должен бояться людей» . Время . Проверено 23 февраля 2024 г.
^ Вонг, Джефф (10 июля 2023 г.). «Что лидерам нужно знать о правах роботов» . Компания Фаст .
^ Херн, Алекс (12 января 2017 г.). «Придать роботам статус личности, - утверждает комитет ЕС» . Хранитель . ISSN 0261-3077 . Проверено 23 февраля 2024 г.
^ Дови, Дана (14 апреля 2018 г.). «Эксперты не считают, что у роботов должны быть права» . Newsweek . Проверено 23 февраля 2024 г.
^ Кадди, Элис (13 апреля 2018 г.). «Права роботов нарушают права человека, предупреждают эксперты ЕС» . Евроньюс . Проверено 23 февраля 2024 г.
^ Зиеше, Соенке; Ямпольский, Роман (2019). «На пути к науке и политике в области благосостояния в области искусственного интеллекта» . Проверено 18 августа 2024 г.
^
Интеллектуальный взрыв и технологическая сингулярность :
- Рассел и Норвиг (2021 , стр. 1004–1005)
- Омохундро (2008)
- Курцвейл (2005)
Эй Джей Гуда «Интеллектуальный взрыв»
- Хорошо (1965)
Вернора Винджа «Необычность»
- Потрясающе (1993)
^ Рассел и Норвиг (2021) , с. 1005.
^
Трансгуманизм :
- Моравский (1988)
- Курцвейл (2005)
- Рассел и Норвиг (2021 , стр. 1005)
^
ИИ как эволюция:
- Эдвард Фредкин цитируется у МакКордака (2004 , стр. 401).
- Батлер (1863)
- Дайсон (1998)
^
ИИ в мифе:
- МакКордак (2004 , стр. 4–5)
^ МакКордак (2004) , стр. 340–400.
^ Бутаццо (2001) .
^ Андерсон (2008) .
^ МакКоли (2007) .
^ Гальван (1997) .

Учебники по искусственному интеллекту

Два наиболее широко используемых учебника в 2023 году (см. Открытую программу ):

Рассел, Стюарт Дж .; Норвиг, Питер. (2021). Искусственный интеллект: современный подход (4-е изд.). Хобокен: Пирсон. ISBN 978-0134610993 . LCCN 20190474 .
Рич, Элейн ; Найт, Кевин; Наир, Шивашанкар Б (2010). Искусственный интеллект (3-е изд.). Нью-Дели: Тата МакГроу Хилл, Индия. ISBN 978-0070087705 .

Это были четыре наиболее широко используемых учебника по ИИ в 2008 году:

Люгер, Джордж ; Стабблфилд, Уильям (2004). Искусственный интеллект: структуры и стратегии решения сложных проблем (5-е изд.). Бенджамин/Каммингс. ISBN 978-0-8053-4780-7 . Архивировано из оригинала 26 июля 2020 года . Проверено 17 декабря 2019 г.
Нильссон, Нильс (1998). Искусственный интеллект: новый синтез . Морган Кауфманн. ISBN 978-1-55860-467-4 . Архивировано из оригинала 26 июля 2020 года . Проверено 18 ноября 2019 г.
Рассел, Стюарт Дж .; Норвиг, Питер (2003), Искусственный интеллект: современный подход (2-е изд.), Аппер-Сэддл-Ривер, Нью-Джерси: Прентис-Холл, ISBN 0-13-790395-2 .
Пул, Дэвид ; Макворт, Алан ; Гебель, Рэнди (1998). Вычислительный интеллект: логический подход . Нью-Йорк: Издательство Оксфордского университета. ISBN 978-0-19-510270-3 . Архивировано из оригинала 26 июля 2020 года . Проверено 22 августа 2020 г.

Более поздние издания:

Пул, Дэвид; Макворт, Алан (2017). Искусственный интеллект: основы вычислительных агентов (2-е изд.). Издательство Кембриджского университета. ISBN 978-1-107-19539-4 . Архивировано из оригинала 7 декабря 2017 года . Проверено 6 декабря 2017 г.

История ИИ

Кревье, Дэниел (1993). ИИ: бурные поиски искусственного интеллекта . Нью-Йорк, штат Нью-Йорк: BasicBooks. ISBN 0-465-02997-3 . .
МакКордак, Памела (2004), Машины, которые думают (2-е изд.), Натик, Массачусетс: AK Peters, Ltd., ISBN 1-56881-205-1 .
Ньюквист, HP (1994). Создатели мозга: гений, эго и жадность в поисках мыслящих машин . Нью-Йорк: Макмиллан/САМС. ISBN 978-0-672-30412-5 .

Другие источники

ИИ и машинное обучение в Fusion
AI и ML в Fusion, видеолекция. Архивировано 2 июля 2023 г. в Wayback Machine.
Альтер, Александра; Харрис, Элизабет А. (20 сентября 2023 г.), «Франзен, Гришэм и другие выдающиеся авторы подают в суд на OpenAI» , The New York Times
Альтман, Сэм ; Брокман, Грег ; Суцкевер, Илья (22 мая 2023 г.). «Управление сверхинтеллектом» . openai.com . Архивировано из оригинала 27 мая 2023 года . Проверено 27 мая 2023 г.
Андерсон, Сьюзен Ли (2008). «Три закона робототехники» Азимова и метаэтика машин. ИИ и общество . 22 (4): 477–493. дои : 10.1007/s00146-007-0094-5 . S2CID 1809459 .
Андерсон, Майкл; Андерсон, Сьюзан Ли (2011). Машинная этика . Издательство Кембриджского университета.
Арнц, Мелани; Грегори, Терри; Зиран, Ульрих (2016), «Риск автоматизации рабочих мест в странах ОЭСР: сравнительный анализ», Рабочие документы ОЭСР по социальным вопросам, занятости и миграции 189
Асада, М.; Хосода, К.; Куниёси, Ю.; Исигуро, Х.; Инуи, Т.; Ёсикава, Ю.; Огино, М.; Ёсида, К. (2009). «Когнитивная развивающая робототехника: опрос». Транзакции IEEE по автономному умственному развитию . 1 (1): 12–34. дои : 10.1109/тамд.2009.2021702 . S2CID 10168773 .
«Спросите экспертов по искусственному интеллекту: что движет сегодняшним прогрессом в области искусственного интеллекта?» . МакКинси и компания . Архивировано из оригинала 13 апреля 2018 года . Проверено 13 апреля 2018 г.
Барфилд, Вудро; Пагалло, Уго (2018). Научно-исследовательский справочник по закону искусственного интеллекта . Челтнем, Великобритания: Издательство Эдварда Элгара. ISBN 978-1-78643-904-8 . OCLC 1039480085 .
Бил, Дж.; Уинстон, Патрик (2009), «Новые рубежи искусственного интеллекта человеческого уровня», IEEE Intelligent Systems , 24 : 21–24, doi : 10.1109/MIS.2009.75 , hdl : 1721.1/52357 , S2CID 32437713
Бердал, Карл Томас; Бейкер, Лоуренс; Манн, Шон; Особа, Осонде; Джирози, Федерико (7 февраля 2023 г.). «Стратегии по улучшению воздействия искусственного интеллекта на справедливость в отношении здоровья: обзор объема» . ДЖМИР А.И. 2 : е42936. дои : 10.2196/42936 . ISSN 2817-1705 . ПМЦ 11041459 . ПМИД 38875587 . S2CID 256681439 .
Берлински, Дэвид (2000). Появление алгоритма . Книги Харкорта. ISBN 978-0-15-601391-8 . OCLC 46890682 . Архивировано из оригинала 26 июля 2020 года . Проверено 22 августа 2020 г.
Беррихилл, Джейми; Хеанг, Кевин Кок; Клогер, Роб; Макбрайд, Киган (2019). Привет, мир: искусственный интеллект и его использование в государственном секторе (PDF) . Париж: Обсерватория инноваций государственного сектора ОЭСР. Архивировано (PDF) из оригинала 20 декабря 2019 года . Проверено 9 августа 2020 г.
Бертини, М; Дель Бимбо, А; Торняй, К. (2006). «Автоматическое аннотирование и семантический поиск видеопоследовательностей с использованием мультимедийных онтологий». ММ '06 Материалы 14-й международной конференции ACM по мультимедиа . 14-я международная конференция ACM по мультимедиа. Санта-Барбара: ACM. стр. 679–682.
Бостром, Ник (2014). Суперинтеллект: пути, опасности, стратегии . Издательство Оксфордского университета.
Бостром, Ник (2015). «Что произойдет, когда наши компьютеры станут умнее нас?» . ТЭД (конференция) . Архивировано из оригинала 25 июля 2020 года . Проверено 30 января 2020 г.
Брукс, Родни (10 ноября 2014 г.). «Искусственный интеллект — это инструмент, а не угроза» . Архивировано из оригинала 12 ноября 2014 года.
Брукс, Родни (1990). «Слоны не играют в шахматы» (PDF) . Робототехника и автономные системы . 6 (1–2): 3–15. CiteSeerX 10.1.1.588.7539 . дои : 10.1016/S0921-8890(05)80025-9 . Архивировано (PDF) из оригинала 9 августа 2007 года.
Бьютен, Мириам С. (2019). «На пути к интеллектуальному регулированию искусственного интеллекта» . Европейский журнал регулирования рисков . 10 (1): 41–59. дои : 10.1017/ошибка.2019.8 . ISSN 1867-299Х .
Бушвик, Софи (16 марта 2023 г.), «На что способен новый ИИ GPT-4» , Scientific American
Батлер, Сэмюэл (13 июня 1863 г.). «Дарвин среди машин» . Письма в редакцию. Пресса . Крайстчерч, Новая Зеландия. Архивировано из оригинала 19 сентября 2008 года . Проверено 16 октября 2014 г. - через Университет Виктории в Веллингтоне.
Бутаццо, Г. (июль 2001 г.). «Искусственное сознание: утопия или реальная возможность?». Компьютер . 34 (7): 24–30. дои : 10.1109/2.933500 .
Камбрия, Эрик; Уайт, Бебо (май 2014 г.). «Прыжки по кривым НЛП: обзор исследований обработки естественного языка [обзорная статья]». Журнал IEEE Computational Intelligence . 9 (2): 48–57. дои : 10.1109/MCI.2014.2307227 . S2CID 206451986 .
Селлан-Джонс, Рори (2 декабря 2014 г.). «Стивен Хокинг предупреждает, что искусственный интеллект может положить конец человечеству» . Новости Би-би-си . Архивировано из оригинала 30 октября 2015 года . Проверено 30 октября 2015 г.
Чалмерс, Дэвид (1995). «К проблеме сознания» . Журнал исследований сознания . 2 (3): 200–219. Архивировано из оригинала 8 марта 2005 года . Проверено 11 октября 2018 г.
Чалла, Субхаш; Морленд, Марк Р.; Мушицкий, Дарко; Эванс, Робин Дж. (2011). Основы отслеживания объектов . Издательство Кембриджского университета. дои : 10.1017/CBO9780511975837 . ISBN 978-0-521-87628-5 .
Кристиан, Брайан (2020). Проблема согласования : машинное обучение и человеческие ценности . WW Нортон и компания. ISBN 978-0-393-86833-3 . OCLC 1233266753 .
Чиресан, Д.; Мейер, У.; Шмидхубер, Дж. (2012). «Многостолбцовые глубокие нейронные сети для классификации изображений». Конференция IEEE 2012 по компьютерному зрению и распознаванию образов . стр. 3642–3649. arXiv : 1202.2745 . дои : 10.1109/cvpr.2012.6248110 . ISBN 978-1-4673-1228-8 . S2CID 2161592 .
Кларк, Джек (2015b). «Почему 2015 год стал годом прорыва в области искусственного интеллекта» . Bloomberg.com . Архивировано из оригинала 23 ноября 2016 года . Проверено 23 ноября 2016 г.
CNA (12 января 2019 г.). «Комментарий: Плохие новости. Искусственный интеллект предвзят» . ЦНА . Архивировано из оригинала 12 января 2019 года . Проверено 19 июня 2020 г.
Цыбенко, Г. (1988). Достаточно непрерывных нейронных сетей с двумя скрытыми слоями (Отчет). Департамент компьютерных наук Университета Тафтса.
Дэн, Л.; Ю, Д. (2014). «Глубокое обучение: методы и приложения» (PDF) . Основы и тенденции в области обработки сигналов . 7 (3–4): 1–199. дои : 10.1561/2000000039 . Архивировано (PDF) из оригинала 14 марта 2016 года . Проверено 18 октября 2014 г.
Деннетт, Дэниел (1991). Объяснение сознания . Пингвин Пресс. ISBN 978-0-7139-9037-9 .
ДиФелициантонио, Чейз (3 апреля 2023 г.). «ИИ уже изменил мир. Этот отчет показывает, как» . Хроники Сан-Франциско . Архивировано из оригинала 19 июня 2023 года . Проверено 19 июня 2023 г.
Диксон, Бен (2 мая 2022 г.). «Машинное обучение: какова архитектура трансформатора?» . Технические переговоры . Проверено 22 ноября 2023 г.
Докрилл, Питер (27 июня 2022 г.), «Роботы с ошибочным искусственным интеллектом принимают сексистские и расистские решения, показывают эксперименты» , Science Alert , заархивировано из оригинала 27 июня 2022 г.
Домингос, Педро (2015). Главный алгоритм: как поиски совершенной обучающейся машины изменят наш мир . Основные книги . ISBN 978-0465065707 .
Дрейфус, Хьюберт (1972). Чего не могут компьютеры . Нью-Йорк: MIT Press. ISBN 978-0-06-011082-6 .
Дрейфус, Юбер ; Дрейфус, Стюарт (1986). Разум над машиной: сила человеческой интуиции и опыта в эпоху компьютеров . Оксфорд: Блэквелл. ISBN 978-0-02-908060-3 . Архивировано из оригинала 26 июля 2020 года . Проверено 22 августа 2020 г.
Дайсон, Джордж (1998). Дарвин среди машин . Аллан Лейн Наука. ISBN 978-0-7382-0030-9 . Архивировано из оригинала 26 июля 2020 года . Проверено 22 августа 2020 г.
Эдельсон, Эдвард (1991). Нервная система . Нью-Йорк: Дом Челси. ISBN 978-0-7910-0464-7 . Архивировано из оригинала 26 июля 2020 года . Проверено 18 ноября 2019 г.
Эдвардс, Бендж (17 мая 2023 г.). «Опрос: ИИ представляет опасность для человечества, по мнению большинства американцев» . Арс Техника . Архивировано из оригинала 19 июня 2023 года . Проверено 19 июня 2023 г.
Эванс, Вуди (2015). «Постчеловеческие права: измерения трансчеловеческих миров» . Технокультура . 12 (2). дои : 10.5209/rev_TK.2015.v12.n2.49072 .
Фирн, Николас (2007). Последние ответы на древнейшие вопросы: философское приключение с величайшими мыслителями мира . Нью-Йорк: Гроув Пресс. ISBN 978-0-8021-1839-4 .
Форд, Мартин; Колвин, Джефф (6 сентября 2015 г.). «Будут ли роботы создавать больше рабочих мест, чем уничтожать?» . Хранитель . Архивировано из оригинала 16 июня 2018 года . Проверено 13 января 2018 г.
Фокс Ньюс (2023). «Опрос Fox News» (PDF) . Фокс Ньюс. Архивировано (PDF) из оригинала 12 мая 2023 года . Проверено 19 июня 2023 г.
Фрэнк, Майкл (22 сентября 2023 г.). «Лидерство США в области искусственного интеллекта может сформировать глобальный порядок XXI века» . Дипломат . Проверено 8 декабря 2023 г. Вместо этого Соединенные Штаты создали новую область доминирования, на которую остальной мир смотрит со смесью благоговения, зависти и негодования: искусственный интеллект... От моделей ИИ и исследований до облачных вычислений и венчурного капитала, американские компании, университеты и исследовательские лаборатории – и их филиалы в странах-союзниках – похоже, имеют огромное преимущество как в разработке передового искусственного интеллекта, так и в его коммерциализации. Стоимость венчурных инвестиций в стартапы в области искусственного интеллекта в США превышает аналогичные показатели остального мира вместе взятых.
Фрей, Карл Бенедикт; Осборн, Майкл А. (1 января 2017 г.). «Будущее занятости: насколько рабочие места подвержены компьютеризации?». Технологическое прогнозирование и социальные изменения . 114 : 254–280. CiteSeerX 10.1.1.395.416 . doi : 10.1016/j.techfore.2016.08.019 . ISSN 0040-1625 .
«От неработы к нейронным сетям» . Экономист . 2016. Архивировано из оригинала 31 декабря 2016 года . Проверено 26 апреля 2018 г.
Гальван, Джилл (1 января 1997 г.). «Вхождение в постчеловеческий коллектив в книге Филипа К. Дика «Мечтают ли андроиды об электроовцах?» ». Научно-фантастические исследования . 24 (3): 413–429. JSTOR 4240644 .
Гейст, Эдвард Мур (9 августа 2015 г.). «Является ли искусственный интеллект реальной угрозой человечеству?» . Бюллетень ученых-атомщиков . Архивировано из оригинала 30 октября 2015 года . Проверено 30 октября 2015 г.
Гертнер, Джон (18 июля 2023 г.). «Момент истины Википедии. Может ли онлайн-энциклопедия помочь научить чат-ботов с искусственным интеллектом правильно излагать факты, не разрушая при этом себя? + комментарий» . Нью-Йорк Таймс . Архивировано из оригинала 18 июля 2023 года . Проверено 19 июля 2023 г.
Гиббс, Сэмюэл (27 октября 2014 г.). «Илон Маск: искусственный интеллект — наша самая большая экзистенциальная угроза» . Хранитель . Архивировано из оригинала 30 октября 2015 года . Проверено 30 октября 2015 г.
Гоффри, Эндрю (2008). "Алгоритм". В Фуллере, Мэтью (ред.). Программное обеспечение: лексикон . Кембридж, Массачусетс: MIT Press. стр. 15–20 . ISBN 978-1-4356-4787-9 .
Голдман, Шэрон (14 сентября 2022 г.). «10 лет спустя «революция» глубокого обучения продолжается, — говорят пионеры искусственного интеллекта Хинтон, Лекун и Ли» . ВенчурБит . Проверено 8 декабря 2023 г.
Гуд, Ай.Дж. (1965), Размышления о первой сверхразумной машине
Гудфеллоу, Ян; Бенджио, Йошуа; Курвиль, Аарон (2016), Deep Learning , MIT Press., заархивировано из оригинала 16 апреля 2016 г. , получено 12 ноября 2017 г.
Гудман, Брайс; Флаксман, Сет (2017). «Правила ЕС об алгоритмическом принятии решений и «праве на объяснение» ». Журнал ИИ . 38 (3): 50. arXiv : 1606.08813 . дои : 10.1609/aimag.v38i3.2741 . S2CID 7373959 .
Счетная палата правительства (13 сентября 2022 г.). Потребительские данные: более широкое использование создает риски для конфиденциальности . gao.gov (отчет).
Грант, Нико; Хилл, Кашмир (22 мая 2023 г.). «Приложение Google Photo до сих пор не может найти горилл. И Apple тоже » Нью-Йорк Таймс .
Госвами, Рохан (5 апреля 2023 г.). «Вот где находятся рабочие места для ИИ» . CNBC . Архивировано из оригинала 19 июня 2023 года . Проверено 19 июня 2023 г.
Харари, Юваль Ной (октябрь 2018 г.). «Почему технологии благоприятствуют тирании» . Атлантика . Архивировано из оригинала 25 сентября 2021 года . Проверено 23 сентября 2021 г.
Харари, Юваль Ной (2023). «ИИ и будущее человечества» . Ютуб .
Хаугеланд, Джон (1985). Искусственный интеллект: сама идея . Кембридж, Массачусетс: MIT Press. ISBN 978-0-262-08153-5 .
Хендерсон, Марк (24 апреля 2007 г.). «Права человека для роботов? Мы увлекаемся» . «Таймс онлайн» . Лондон. Архивировано из оригинала 31 мая 2014 года . Проверено 31 мая 2014 г.
Хинтон, Г.; Дэн, Л.; Ю, Д.; Даль, Г.; Мохамед, А.; Джейтли, Н.; Старший, А.; Ванхук, В.; Нгуен, П.; Сайнат, Т. ; Кингсбери, Б. (2012). «Глубокие нейронные сети для акустического моделирования в распознавании речи - общие взгляды четырех исследовательских групп». Журнал обработки сигналов IEEE . 29 (6): 82–97. Бибкод : 2012ISPM...29...82H . дои : 10.1109/msp.2012.2205597 . S2CID 206485943 .
Холли, Питер (28 января 2015 г.). «Билл Гейтс об опасностях искусственного интеллекта: «Я не понимаю, почему некоторые люди не обеспокоены» » . Вашингтон Пост . ISSN 0190-8286 . Архивировано из оригинала 30 октября 2015 года . Проверено 30 октября 2015 г.
Хорник, Курт; Стинчкомб, Максвелл; Уайт, Халберт (1989). Многослойные сети прямого распространения — это универсальные аппроксиматоры (PDF) . Нейронные сети . Том. 2. Пергамон Пресс. стр. 359–366.
Хорст, Стивен (2005). «Вычислительная теория разума» . Стэнфордская энциклопедия философии . Архивировано из оригинала 6 марта 2016 года . Проверено 7 марта 2016 г.
Хоу, Дж. (ноябрь 1994 г.). «Искусственный интеллект в Эдинбургском университете: перспектива» . Архивировано из оригинала 15 мая 2007 года . Проверено 30 августа 2007 г.
IGM Чикаго (30 июня 2017 г.). «Роботы и искусственный интеллект» . www.igmchicago.org . Архивировано из оригинала 1 мая 2019 года . Проверено 3 июля 2019 г.
Ипхофен, Рон; Критикос, Михалис (3 января 2019 г.). «Регулирование искусственного интеллекта и робототехники: задуманная этика в цифровом обществе». Современная общественная наука . 16 (2): 170–184. дои : 10.1080/21582041.2018.1563803 . ISSN 2158-2041 . S2CID 59298502 .
Джордан, Мичиган; Митчелл, ТМ (16 июля 2015 г.). «Машинное обучение: тенденции, перспективы и перспективы». Наука . 349 (6245): 255–260. Бибкод : 2015Sci...349..255J . дои : 10.1126/science.aaa8415 . ПМИД 26185243 . S2CID 677218 .
Канеман, Дэниел (2011). Мышление быстрое и медленное . Макмиллан. ISBN 978-1-4299-6935-2 . Архивировано из оригинала 15 марта 2023 года . Проверено 8 апреля 2012 г.
Канеман, Дэниел ; Слович, Д.; Тверски, Амос (1982). «Суждение в условиях неопределенности: эвристика и предвзятость». Наука . 185 (4157). Нью-Йорк: Издательство Кембриджского университета: 1124–1131. Бибкод : 1974Sci...185.1124T . дои : 10.1126/science.185.4157.1124 . ISBN 978-0-521-28414-1 . ПМИД 17835457 . S2CID 143452957 .
Касперович, Питер (1 мая 2023 г.). «Регулировать ИИ? Республиканская партия гораздо более скептически, чем демократы, считает, что правительство может сделать это правильно: опрос» . Фокс Ньюс . Архивировано из оригинала 19 июня 2023 года . Проверено 19 июня 2023 г.
Кац, Ярден (1 ноября 2012 г.). «Ноам Хомский о том, где искусственный интеллект пошёл не так» . Атлантика . Архивировано из оригинала 28 февраля 2019 года . Проверено 26 октября 2014 г.
«Кисмет» . Лаборатория искусственного интеллекта Массачусетского технологического института, группа гуманоидной робототехники. Архивировано из оригинала 17 октября 2014 года . Проверено 25 октября 2014 г.
Киссинджер, Генри (1 ноября 2021 г.). «Проблема быть человеком в эпоху искусственного интеллекта» . Уолл Стрит Джорнал . Архивировано из оригинала 4 ноября 2021 года . Проверено 4 ноября 2021 г.
Кобелус, Джеймс (27 ноября 2019 г.). «Графические процессоры продолжают доминировать на рынке ускорителей искусственного интеллекта» . Информационная неделя . Архивировано из оригинала 19 октября 2021 года . Проверено 11 июня 2020 г.
Куперман, Г.Дж.; Райчли, РМ; Бейли, TC (1 июля 2006 г.). «Использование коммерческих баз знаний для поддержки принятия клинических решений: возможности, препятствия и рекомендации» . Журнал Американской ассоциации медицинской информатики . 13 (4): 369–371. дои : 10.1197/jamia.M2055 . ПМЦ 1513681 . ПМИД 16622160 .
Курцвейл, Рэй (2005). Сингулярность уже близко . Книги о пингвинах. ISBN 978-0-670-03384-3 .
Лэнгли, Пэт (2011). «Изменяющаяся наука о машинном обучении» . Машинное обучение . 82 (3): 275–279. дои : 10.1007/s10994-011-5242-y .
Ларсон, Джефф; Ангвин, Джулия (23 мая 2016 г.). «Как мы анализировали алгоритм рецидива COMPAS» . ПроПублика . Архивировано из оригинала 29 апреля 2019 года . Проверено 19 июня 2020 г.
Ласковски, Николь (ноябрь 2023 г.). «Что такое искусственный интеллект и как работает ИИ? TechTarget» . Корпоративный ИИ . Проверено 30 октября 2023 г.
Юридическая библиотека Конгресса (США). Управление глобальных юридических исследований, орган, выдающий документы. (2019). Регулирование искусственного интеллекта в отдельных юрисдикциях . LCCN 2019668143 . OCLC 1110727808 .
Ли, Тимоти Б. (22 августа 2014 г.). «Уничтожит ли искусственный интеллект человечество? Вот 5 причин не беспокоиться» . Вокс . Архивировано из оригинала 30 октября 2015 года . Проверено 30 октября 2015 г.
Ленат, Дуглас ; Гуха, Р.В. (1989). Создание больших систем, основанных на знаниях . Аддисон-Уэсли. ISBN 978-0-201-51752-1 .
Лайтхилл, Джеймс (1973). «Искусственный интеллект: общий обзор». Искусственный интеллект: докладный симпозиум . Научно-исследовательский совет.
Липартито, Кеннет (6 января 2011 г.), Повествование и алгоритм: жанры кредитной отчетности с девятнадцатого века до наших дней (PDF) (неопубликованная рукопись), doi : 10.2139/ssrn.1736283 , S2CID 166742927 , заархивировано (PDF) из оригинал от 9 октября 2022 г.
Лор, Стив (2017). «Роботы займут рабочие места, но не так быстро, как некоторые опасаются, говорится в новом докладе» . Нью-Йорк Таймс . Архивировано из оригинала 14 января 2018 года . Проверено 13 января 2018 г.
Лунгарелла, М.; Метта, Г.; Пфайфер, Р.; Сандини, Г. (2003). «Развитая робототехника: опрос». Наука о связях . 15 (4): 151–190. CiteSeerX 10.1.1.83.7615 . дои : 10.1080/09540090310001655110 . S2CID 1452734 .
«Машинная этика» . aaai.org . Архивировано из оригинала 29 ноября 2014 года.
Мадригал, Алексис К. (27 февраля 2015 г.). «Дело против роботов-убийц от парня, который на самом деле работает над искусственным интеллектом» . Fusion.net . Архивировано из оригинала 4 февраля 2016 года . Проверено 31 января 2016 г.
Махдави, Арва (26 июня 2017 г.). «Какие рабочие места останутся через 20 лет? Прочтите это, чтобы подготовить свое будущее» . Хранитель . Архивировано из оригинала 14 января 2018 года . Проверено 13 января 2018 г.
Мармуйе, Франсуаза (15 декабря 2023 г.). «Google Gemini: действительно ли новая модель искусственного интеллекта лучше ChatGPT?» . Разговор . Проверено 25 декабря 2023 г.
Мински, Марвин (1986), Общество разума , Саймон и Шустер
Машафильм (2010). «Содержание: фильм «Подключи и молись» – Искусственный интеллект – Роботы» . plugandpray-film.de . Архивировано из оригинала 12 февраля 2016 года.
Маккарти, Джон ; Мински, Марвин ; Рочестер, Натан ; Шеннон, Клод (1955). «Предложение для Дартмутского летнего исследовательского проекта по искусственному интеллекту» . Архивировано из оригинала 26 августа 2007 года . Проверено 30 августа 2007 г.
Маккарти, Джон (2007), «Отсюда к искусственному интеллекту человеческого уровня», Искусственный интеллект : 171.
Маккарти, Джон (1999), Что такое ИИ? , заархивировано из оригинала 4 декабря 2022 года , получено 4 декабря 2022 года.
МакКоли, Ли (2007). «ИИ-Армагеддон и три закона робототехники». Этика и информационные технологии . 9 (2): 153–164. CiteSeerX 10.1.1.85.8904 . дои : 10.1007/s10676-007-9138-2 . S2CID 37272949 .
МакГарри, Кен (1 декабря 2005 г.). «Обзор мер интересности для открытия знаний». Обзор инженерии знаний . 20 (1): 39–61. дои : 10.1017/S0269888905000408 . S2CID 14987656 .
Макгоги, Э. (2022), Автоматизируют ли роботы вашу работу? Полная занятость, базовый доход и экономическая демократия , с. 51(3) Industrial Law Journal 511–559, doi : 10.2139/ssrn.3044448 , S2CID 219336439 , SSRN 3044448 , заархивировано из оригинала 31 января 2021 г. , получено 27 мая 2023 г.
Меркл, Дэниел; Миддендорф, Мартин (2013). «Ройовой интеллект». В Берке, Эдмунд К.; Кендалл, Грэм (ред.). Методологии поиска: вводные уроки по методам оптимизации и поддержки принятия решений . Springer Science & Business Media. ISBN 978-1-4614-6940-7 .
Мински, Марвин (1967), Вычисления: конечные и бесконечные машины , Энглвуд Клиффс, Нью-Джерси: Прентис-Холл
Моравец, Ганс (1988). Разумные дети . Издательство Гарвардского университета. ISBN 978-0-674-57616-2 . Архивировано из оригинала 26 июля 2020 года . Проверено 18 ноября 2019 г.
Моргенштерн, Майкл (9 мая 2015 г.). «Автоматизация и тревога» . Экономист . Архивировано из оригинала 12 января 2018 года . Проверено 13 января 2018 г.
Мюллер, Винсент К.; Бостром, Ник (2014). «Будущий прогресс в области искусственного интеллекта: опрос экспертов» (PDF) . ИИ имеет значение . 1 (1): 9–11. дои : 10.1145/2639475.2639478 . S2CID 8510016 . Архивировано (PDF) из оригинала 15 января 2016 года.
Нойманн, Бернд; Мёллер, Ральф (январь 2008 г.). «Интерпретация на месте с логикой описания». Вычисление изображений и зрительных образов . 26 (1): 82–101. дои : 10.1016/j.imavis.2007.08.013 . S2CID 10767011 .
Нильссон, Нильс (1995), «Взгляд на приз», журнал AI , том. 16, стр. 9–17.
Ньюэлл, Аллен ; Саймон, ХА (1976). «Информатика как эмпирическое исследование: символы и поиск» . Коммуникации АКМ . 19 (3): 113–126. дои : 10.1145/360018.360022 .
Никас, Джек (7 февраля 2018 г.). «Как YouTube заводит людей в самые темные уголки Интернета» . Уолл Стрит Джорнал . ISSN 0099-9660 . Проверено 16 июня 2018 г.
Нильссон, Нильс (1983). «Искусственный интеллект готовится к 2001 году» (PDF) . Журнал ИИ . 1 (1). Архивировано (PDF) из оригинала 17 августа 2020 г. Проверено 22 августа 2020 г. Послание президента Ассоциации содействия развитию искусственного интеллекта .
NRC (Национальный исследовательский совет США) (1999). «Развития искусственного интеллекта». Финансирование революции: государственная поддержка компьютерных исследований . Национальная Академия Пресс.
Омохундро, Стив (2008). Природа самосовершенствующегося искусственного интеллекта . представлен и распространен на саммите Singularity Summit 2007, Сан-Франциско, Калифорния.
Удейер, П.Ю. (2010). «О влиянии робототехники на поведенческие и когнитивные науки: от навигации насекомых до когнитивного развития человека» (PDF) . Транзакции IEEE по автономному умственному развитию . 2 (1): 2–16. дои : 10.1109/тамд.2009.2039057 . S2CID 6362217 . Архивировано (PDF) из оригинала 3 октября 2018 г. Проверено 4 июня 2013 г.
Пенначин, К.; Герцель, Б. (2007). «Современные подходы к общему искусственному интеллекту». Общий искусственный интеллект . Когнитивные технологии. Берлин, Гейдельберг: Springer. стр. 1–30. дои : 10.1007/978-3-540-68677-4_1 . ISBN 978-3-540-23733-4 .
Пинкер, Стивен (2007) [1994], Языковой инстинкт , Многолетняя современная классика, Харпер, ISBN 978-0-06-133646-1
Пория, Суджанья; Камбрия, Эрик; Баджпай, Раджив; Хусейн, Амир (сентябрь 2017 г.). «Обзор аффективных вычислений: от унимодального анализа к мультимодальному слиянию» . Информационный синтез . 37 : 98–125. дои : 10.1016/j.inffus.2017.02.003 . hdl : 1893/25490 . S2CID 205433041 . Архивировано из оригинала 23 марта 2023 года . Проверено 27 апреля 2021 г.
Роулинсон, Кевин (29 января 2015 г.). «Билл Гейтс из Microsoft настаивает на том, что ИИ представляет собой угрозу» . Новости Би-би-си . Архивировано из оригинала 29 января 2015 года . Проверено 30 января 2015 г.
Рейснер, Алекс (19 августа 2023 г.), «Раскрыто: авторы, чьи пиратские книги служат основой для генеративного искусственного интеллекта» , The Atlantic
Робертс, Джейкоб (2016). «Мыслящие машины: поиск искусственного интеллекта» . Дистилляции . Том. 2, нет. 2. С. 14–23. Архивировано из оригинала 19 августа 2018 года . Проверено 20 марта 2018 г.
Робицки, Дэн (5 сентября 2018 г.). «Пять экспертов рассказали, что их больше всего пугает в ИИ » Архивировано из оригинала 8 декабря 2019 года . Проверено 8 декабря 2019 г.
«Роботы могут требовать законных прав» . Новости Би-би-си . 21 декабря 2006 г. Архивировано из оригинала 15 октября 2019 г. . Проверено 3 февраля 2011 г.
Роуз, Стив (11 июля 2023 г.). «ИИ Утопия или антиутопия?». Еженедельник Гардиан . стр. 42–43.
Рассел, Стюарт (2019). Совместимость с человеком: искусственный интеллект и проблема управления . США: Викинг. ISBN 978-0-525-55861-3 . OCLC 1083694322 .
Сайнато, Майкл (19 августа 2015 г.). «Стивен Хокинг, Илон Маск и Билл Гейтс предупреждают об искусственном интеллекте» . Наблюдатель . Архивировано из оригинала 30 октября 2015 года . Проверено 30 октября 2015 г.
Сэмпл, Ян (5 ноября 2017 г.). «Компьютер говорит нет: почему так важно сделать ИИ справедливыми, подотчетными и прозрачными» . Хранитель . Проверено 30 января 2018 г.
Ротман, Денис (7 октября 2020 г.). «Изучение объяснений LIME и стоящей за ним математики» . Кодемоция . Проверено 25 ноября 2023 г.
Скасселлати, Брайан (2002). «Теория разума робота-гуманоида». Автономные роботы . 12 (1): 13–24. дои : 10.1023/А:1013298507114 . S2CID 1979315 .
Шмидхубер, Дж. (2015). «Глубокое обучение в нейронных сетях: обзор». Нейронные сети . 61 : 85–117. arXiv : 1404.7828 . дои : 10.1016/j.neunet.2014.09.003 . ПМИД 25462637 . S2CID 11715509 .
Шмидхубер, Юрген (2022). «Аннотированная история современного искусственного интеллекта и глубокого обучения» .
Шульц, Ханнес; Бенке, Свен (1 ноября 2012 г.). «Глубокое обучение» . ИИ – Искусственный интеллект . 26 (4): 357–363. дои : 10.1007/s13218-012-0198-z . ISSN 1610-1987 . S2CID 220523562 .
Сирл, Джон (1980). «Разум, мозг и программы» (PDF) . Поведенческие и мозговые науки . 3 (3): 417–457. дои : 10.1017/S0140525X00005756 . S2CID 55303721 . Архивировано (PDF) из оригинала 17 марта 2019 года . Проверено 22 августа 2020 г.
Сирл, Джон (1999). Разум, язык и общество . Нью-Йорк: Основные книги. ISBN 978-0-465-04521-1 . OCLC 231867665 . Архивировано из оригинала 26 июля 2020 года . Проверено 22 августа 2020 г.
Саймон, Х.А. (1965), Форма автоматизации для мужчин и менеджмента , Нью-Йорк: Harper & Row.
Симоните, Том (31 марта 2016 г.). «Как Google планирует решить проблему искусственного интеллекта» . Обзор технологий Массачусетского технологического института .
Смит, Крейг С. (15 марта 2023 г.). «Создатель ChatGPT-4 Илья Суцкевер об ИИ-галлюцинациях и ИИ-демократии» . Форбс . Проверено 25 декабря 2023 г.
Смоляр, Стивен В.; Чжан, Хунцзян (1994). «Индексирование и поиск видео на основе контента». IEEE Мультимедиа . 1 (2): 62–72. дои : 10.1109/93.311653 . S2CID 32710913 .
Соломонов, Рэй (1956). Машина индуктивного вывода (PDF) . Летняя исследовательская конференция в Дартмуте по искусственному интеллекту. Архивировано (PDF) из оригинала 26 апреля 2011 года . Проверено 22 марта 2011 г. - через std.com, сканированная копия оригинала в формате PDF. Позже опубликовано как
Соломонов, Рэй (1957). «Машина индуктивного вывода». Протокол съезда IRE . Том. Раздел по теории информации, часть 2. С. 56–62.
Стэнфордский университет (2023 г.). «Отчет об индексе искусственного интеллекта за 2023 год / Глава 6: Политика и управление» (PDF) . Индекс ИИ. Архивировано (PDF) из оригинала 19 июня 2023 года . Проверено 19 июня 2023 г.
Тао, Цзяньхуа; Тан, Тьениу (2005). Аффективные вычисления и интеллектуальное взаимодействие . Аффективные вычисления: обзор. Конспекты лекций по информатике. Том. 3784. Спрингер. стр. 981–995. дои : 10.1007/11573548 . ISBN 978-3-540-29621-8 .
Тейлор, Джош; Херн, Алекс (2 мая 2023 г.). « Крестный отец искусственного интеллекта» Джеффри Хинтон покидает Google и предупреждает об опасности дезинформации» . Хранитель .
Томпсон, Дерек (23 января 2014 г.). «Какую работу займут роботы?» . Атлантика . Архивировано из оригинала 24 апреля 2018 года . Проверено 24 апреля 2018 г.
Тро, Эллен (1993). Робототехника: союз компьютеров и машин . Нью-Йорк: факты в архиве. ISBN 978-0-8160-2628-9 . Архивировано из оригинала 26 июля 2020 года . Проверено 22 августа 2020 г.
Тэйвз, Роб (3 сентября 2023 г.). «Трансформеры произвели революцию в области искусственного интеллекта. Что их заменит?» . Форбс . Проверено 8 декабря 2023 г.
Тьюринг, Алан (октябрь 1950 г.), «Вычислительная техника и интеллект», Mind , LIX (236): 433–460, doi : 10.1093/mind/LIX.236.433 , ISSN 0026-4423
Доклад ЮНЕСКО по науке: гонка со временем ради более разумного развития . Париж: ЮНЕСКО. 2021. ISBN 978-92-3-100450-6 . Архивировано из оригинала 18 июня 2022 года . Проверено 18 сентября 2021 г.
Урбина, Фабио; Ленцос, Филиппа; Инверницци, Седрик; Экинс, Шон (7 марта 2022 г.). «Двойное использование открытия лекарств с помощью искусственного интеллекта» . Природный машинный интеллект . 4 (3): 189–191. дои : 10.1038/s42256-022-00465-9 . ПМЦ 9544280 . ПМИД 36211133 . S2CID 247302391 .
Вэлэнс, Христос (30 мая 2023 г.). «Искусственный интеллект может привести к вымиранию, - предупреждают эксперты» . Новости Би-би-си . Архивировано из оригинала 17 июня 2023 года . Проверено 18 июня 2023 г.
Валинский, Джордан (11 апреля 2019 г.), «Сообщается, что Amazon нанимает тысячи людей для прослушивания ваших разговоров с Alexa» , CNN.com
Верма, Югеш (25 декабря 2021 г.). «Полное руководство по SHAP – аддитивные пояснения SHAPley для практиков» . Журнал Analytics India . Проверено 25 ноября 2023 г.
Винсент, Джеймс (7 ноября 2019 г.). «OpenAI опубликовала ИИ, генерирующий текст, который, по ее словам, слишком опасен для распространения» . Грань . Архивировано из оригинала 11 июня 2020 года . Проверено 11 июня 2020 г.
Винсент, Джеймс (15 ноября 2022 г.). «Страшная правда об авторских правах на ИИ заключается в том, что никто не знает, что будет дальше» . Грань . Архивировано из оригинала 19 июня 2023 года . Проверено 19 июня 2023 г.
Винсент, Джеймс (3 апреля 2023 г.). «ИИ вступает в эпоху корпоративного контроля» . Грань . Архивировано из оригинала 19 июня 2023 года . Проверено 19 июня 2023 г.
Виндж, Вернор (1993). «Грядущая технологическая сингулярность: как выжить в постчеловеческую эпоху» . Видение 21: Междисциплинарная наука и инженерия в эпоху киберпространства : 11. Бибкод : 1993vise.nasa...11V . Архивировано из оригинала 1 января 2007 года . Проверено 14 ноября 2011 г.
Уодделл, Каве (2018). «Чат-боты вошли в Зловещую долину» . Атлантика . Архивировано из оригинала 24 апреля 2018 года . Проверено 24 апреля 2018 г.
Уоллах, Венделл (2010). Моральные машины . Издательство Оксфордского университета.
Уэйсон, ПК ; Шапиро, Д. (1966). «Рассуждение» . В Фоссе, Б.М. (ред.). Новые горизонты психологии . Хармондсворт: Пингвин. Архивировано из оригинала 26 июля 2020 года . Проверено 18 ноября 2019 г.
Венг, Дж.; Макклелланд; Пентленд, А.; Спорнс, О.; Стокман, И.; Сур, М.; Телен, Э. (2001). «Автономное умственное развитие роботов и животных» (PDF) . Наука . 291 (5504): 599–600. дои : 10.1126/science.291.5504.599 . ПМИД 11229402 . S2CID 54131797 . Архивировано (PDF) из оригинала 4 сентября 2013 года . Проверено 4 июня 2013 г. - через msu.edu.
«Что такое «нечеткая логика»? Существуют ли компьютеры, которые по своей сути являются нечеткими и не применяют обычную двоичную логику?» . Научный американец . 21 октября 1999 г. Архивировано из оригинала 6 мая 2018 г. . Проверено 5 мая 2018 г.
Уильямс, Рианнон (28 июня 2023 г.), «Люди, возможно, с большей вероятностью поверят дезинформации, создаваемой ИИ» , MIT Technology Review
Вирц, Бернд В.; Вейерер, Ян К.; Гейер, Кэролин (24 июля 2018 г.). «Искусственный интеллект и государственный сектор – применение и проблемы» . Международный журнал государственного управления . 42 (7): 596–615. дои : 10.1080/01900692.2018.1498103 . ISSN 0190-0692 . S2CID 158829602 . Архивировано из оригинала 18 августа 2020 года . Проверено 22 августа 2020 г.
Вонг, Маттео (19 мая 2023 г.), «ChatGPT уже устарел» , The Atlantic
Юдковский, Э. (2008), «Искусственный интеллект как положительный и отрицательный фактор глобального риска» (PDF) , Глобальные катастрофические риски , Oxford University Press, 2008, Бибкод : 2008gcr..book..303Y , заархивировано (PDF) из оригинал 19 октября 2013 г. , дата обращения 24 сентября 2021 г.

Дальнейшее чтение

У Схолии есть тематический профиль « Искусственный интеллект» .

Ашиш Васвани, Ноам Шазир, Ники Пармар и др. «Внимание — это все, что вам нужно». Достижения в области нейронных систем обработки информации 30 (2017). Основополагающая статья о трансформаторах .
Автор, Дэвид Х. , «Почему до сих пор так много рабочих мест? История и будущее автоматизации рабочих мест» (2015) 29 (3) Journal of Economic Perspectives 3.
Боден, Маргарет , Разум как машина , Oxford University Press , 2006.
Кукиер, Кеннет , «Готовы к роботам? Как думать о будущем искусственного интеллекта», Foreign Relations , vol. 98, нет. 4 (июль/август 2019 г.), стр. 192–98. Джордж Дайсон , историк вычислительной техники, пишет (в так называемом «Законе Дайсона»), что «Любая система, достаточно простая, чтобы ее можно было понять, не будет достаточно сложной, чтобы вести себя разумно, в то время как любая система, достаточно сложная, чтобы вести себя разумно, будет слишком сложной для того, чтобы ее можно было понять». понимать." (стр. 197.) Ученый-компьютерщик Алекс Пентланд пишет: «Современные машинного обучения ИИ алгоритмы по своей сути совершенно глупы. Они работают, но работают с помощью грубой силы». (стр. 198.)
Гертнер, Джон. (2023) «Момент истины Википедии: может ли онлайн-энциклопедия помочь научить чат-ботов с искусственным интеллектом правильно излагать факты, не разрушая при этом себя?» Журнал New York Times (18 июля 2023 г.) онлайн
Глейк, Джеймс , «Судьба свободы воли» (обзор книги Кевина Дж. Митчелла , «Свободные агенты: как эволюция дала нам свободу воли» , Princeton University Press, 2023, 333 стр.), The New York Review of Books , vol. LXXI, нет. 1 (18 января 2024 г.), стр. 27–28, 30. « Свобода действий – это то, что отличает нас от машин. Для биологических существ разум и цель возникают в результате действий в мире и переживания последствий. Искусственный интеллект – бестелесный, чужой крови , пот и слезы – не имеют для этого повода». (стр. 30.)
Хьюз-Каслберри, Кенна , «Загадка-загадка убийства: литературная загадка « Челюсть Каина» , которая десятилетиями ставила людей в тупик, раскрывает ограничения алгоритмов обработки естественного языка», Scientific American , vol. 329, нет. 4 (ноябрь 2023 г.), стр. 81–82. «Этот конкурс по расследованию убийств показал, что, хотя модели НЛП ( обработки естественного языка ) способны на невероятные подвиги, их способности очень сильно ограничены объемом контекста , который они получают. Это [...] может вызвать [трудности] для исследователей». которые надеются использовать их для таких задач, как анализ древних языков . В некоторых случаях существует мало исторических записей о давно исчезнувших цивилизациях , которые могли бы служить учебными данными для этой цели». (стр. 82.)
Иммервар, Дэниел , «Ваши лживые глаза: люди теперь используют ИИ для создания фальшивых видеороликов, неотличимых от настоящих. Насколько это важно?», The New Yorker , 20 ноября 2023 г., стр. 54–59. «Если под « дипфейками » мы подразумеваем реалистичные видеоролики, созданные с использованием искусственного интеллекта, которые на самом деле обманывают людей, то их почти не существует. , вообще, работающие в наших СМИ как фальшивые доказательства. Их роль больше напоминает карикатуры , особенно похабные». (стр. 59.)
Джонстон, Джон (2008) Очарование машинной жизни: кибернетика, искусственная жизнь и новый искусственный интеллект , MIT Press.
Джампер, Джон; Эванс, Ричард; Притцель, Александр; и др. (26 августа 2021 г.). «Высокоточное предсказание структуры белка с помощью AlphaFold» . Природа . 596 (7873): 583–589. Бибкод : 2021Natur.596..583J . дои : 10.1038/s41586-021-03819-2 . ПМЦ 8371605 . PMID 34265844 . S2CID 235959867 .
ЛеКун, Янн; Бенджио, Йошуа; Хинтон, Джеффри (28 мая 2015 г.). «Глубокое обучение» . Природа . 521 (7553): 436–444. Бибкод : 2015Natur.521..436L . дои : 10.1038/nature14539 . ПМИД 26017442 . S2CID 3074096 . Архивировано из оригинала 5 июня 2023 года . Проверено 19 июня 2023 г.
Маркус, Гэри , «Искусственная уверенность: даже новейшие и самые модные системы общего искусственного интеллекта зашли в тупик из-за одних и тех же старых проблем», Scientific American , vol. 327, нет. 4 (октябрь 2022 г.), стр. 42–45.
Митчелл, Мелани (2019). Искусственный интеллект: руководство для думающего человека . Нью-Йорк: Фаррар, Штраус и Жиру. ISBN 9780374257835 .
Мних, Владимир; Кавукчуоглу, Корай; Сильвер, Дэвид; и др. (26 февраля 2015 г.). «Контроль на человеческом уровне посредством глубокого обучения с подкреплением» . Природа . 518 (7540): 529–533. Бибкод : 2015Natur.518..529M . дои : 10.1038/nature14236 . ПМИД 25719670 . S2CID 205242740 . Архивировано из оригинала 19 июня 2023 года . Проверено 19 июня 2023 г. Представлена DQN , которая обеспечивала производительность на уровне человека в некоторых играх Atari.
Пресс, Эяль , «Перед их лицами: заставляет ли технология распознавания лиц игнорировать противоречивые доказательства?», The New Yorker , 20 ноября 2023 г., стр. 20–26.
Ройвайнен, Эка , «IQ ИИ: ChatGPT успешно прошел [стандартный тест интеллекта], но показал, что интеллект нельзя измерить только с помощью IQ », Scientific American , vol. 329, нет. 1 (июль/август 2023 г.), с. 7. «Несмотря на свой высокий IQ, ChatGPT не справляется с задачами, которые требуют реального человеческого мышления или понимания физического и социального мира... ChatGPT, похоже, неспособен рассуждать логически и пытается полагаться на свою обширную базу данных... полученных фактов. из онлайн-текстов».
Шарр, Пол, «Приложения-убийцы: настоящие опасности гонки вооружений ИИ», Foreignaffs , vol. 98, нет. 3 (май/июнь 2019 г.), стр. 135–44. «Сегодняшние технологии искусственного интеллекта мощны, но ненадежны. Системы, основанные на правилах, не могут справиться с обстоятельствами, которые их программисты не предусмотрели. Системы обучения ограничены данными, на которых они обучались. Сбои искусственного интеллекта уже привели к трагедиям. хотя в некоторых обстоятельствах они работают хорошо, без предупреждения врезаются в грузовики, бетонные барьеры и припаркованные автомобили. В неправильной ситуации системы ИИ мгновенно превращаются из сверхумных в сверхтупые, когда враг пытается манипулировать ИИ и взломать его. системы, риски еще больше». (стр. 140.)
Серенко, Александр; Майкл Дохан (2011). «Сравнение методов рейтингования журналов, основанных на экспертном опросе и цитируемости: пример из области искусственного интеллекта» (PDF) . Журнал информаметрики . 5 (4): 629–49. дои : 10.1016/j.joi.2011.06.002 . Архивировано (PDF) из оригинала 4 октября 2013 года . Проверено 12 сентября 2013 г.
Сильвер, Дэвид; Хуанг, Аджа; Мэддисон, Крис Дж.; и др. (28 января 2016 г.). «Освоение игры Го с помощью глубоких нейронных сетей и поиска по дереву» . Природа . 529 (7587): 484–489. Бибкод : 2016Natur.529..484S . дои : 10.1038/nature16961 . ПМИД 26819042 . S2CID 515925 . Архивировано из оригинала 18 июня 2023 года . Проверено 19 июня 2023 г.
Технический документ: Искусственный интеллект: европейский подход к совершенству и доверию (PDF) . Брюссель: Европейская комиссия. 2020. Архивировано (PDF) из оригинала 20 февраля 2020 года . Проверено 20 февраля 2020 г.

Внешние ссылки

"Искусственный интеллект" . Интернет-энциклопедия философии .
Томасон, Ричмонд. «Логика и искусственный интеллект» . В Залте, Эдвард Н. (ред.). Стэнфордская энциклопедия философии .
Искусственный интеллект . Дискуссия на BBC Radio 4 с Джоном Агаром, Элисон Адам и Игорем Александром ( «В наше время» , 8 декабря 2005 г.).

[Problems_of_AI-15] Jump up to: ^a ^b This list of intelligent traits is based on the topics covered by the major AI textbooks, including: Russell & Norvig (2021), Luger & Stubblefield (2004), Poole, Mackworth & Goebel (1998) and Nilsson (1998)

[Tools_of_AI-17] Jump up to: ^a ^b This list of tools is based on the topics covered by the major AI textbooks, including: Russell & Norvig (2021), Luger & Stubblefield (2004), Poole, Mackworth & Goebel (1998) and Nilsson (1998)

[38] It is among the reasons that expert systems proved to be inefficient for capturing knowledge.^[34]^[35]

[39] "Rational agent" is general term used in economics, philosophy and theoretical artificial intelligence. It can refer to anything that directs its behavior to accomplish goals, such as a person, an animal, a corporation, a nation, or in the case of AI, a computer program.

[52] Alan Turing discussed the centrality of learning as early as 1950, in his classic paper "Computing Machinery and Intelligence".^[46] In 1956, at the original Dartmouth AI summer conference, Ray Solomonoff wrote a report on unsupervised probabilistic machine learning: "An Inductive Inference Machine".^[47]

[61] See AI winter § Machine translation and the ALPAC report of 1966

[104] Compared with symbolic logic, formal Bayesian inference is computationally expensive. For inference to be tractable, most observations must be conditionally independent of one another. AdSense uses a Bayesian network with over 300 million edges to learn which ads to serve.^[97]

[107] Expectation–maximization, one of the most popular algorithms in machine learning, allows clustering in the presence of unknown latent variables.^[99]

[133] Some form of deep neural networks (without a specific learning algorithm) were described by: Warren S. McCulloch and Walter Pitts (1943)^[119] Alan Turing (1948);^[120] Karl Steinbuch and Roger David Joseph (1961).^[121] Deep or recurrent networks that learned (or used gradient descent) were developed by: Frank Rosenblatt(1957);^[120] Oliver Selfridge (1959);^[121] Alexey Ivakhnenko and Valentin Lapa (1965);^[122] Kaoru Nakano (1971);^[123] Shun-Ichi Amari (1972);^[123] John Joseph Hopfield (1982).^[123] Precursors to backpropagation were developed by: Henry J. Kelley (1960);^[120] Arthur E. Bryson (1962);^[120] Stuart Dreyfus (1962);^[120] Arthur E. Bryson and Yu-Chi Ho (1969);^[120] Backpropagation was independently developed by: Seppo Linnainmaa (1970);^[124] Paul Werbos (1974).^[120]

[135] Geoffrey Hinton said, of his work on neural networks in the 1990s, "our labeled datasets were thousands of times too small. [And] our computers were millions of times too slow."^[125]

[218] Including Jon Kleinberg (Cornell University), Sendhil Mullainathan (University of Chicago), Cynthia Chouldechova (Carnegie Mellon) and Sam Corbett-Davis (Stanford)^[207]

[224] Moritz Hardt (a director at the Max Planck Institute for Intelligent Systems) argues that machine learning "is fundamentally the wrong tool for a lot of domains, where you're trying to design interventions and mechanisms that change the world."^[212]

[231] When the law was passed in 2018, it still contained a form of this provision.

[240] This is the United Nations' definition, and includes things like land mines as well.^[226]

[252] See table 4; 9% is both the OECD average and the U.S. average.^[237]

[261] Sometimes called a "robopocalypse"^[245]

[315] "Electronic brain" was the term used by the press around this time.^[297]^[298]

[319] Daniel Crevier wrote, "the conference is generally recognized as the official birthdate of the new science."^[301] Russell and Norvig called the conference "the inception of artificial intelligence."^[119]

[321] Russell and Norvig wrote "for the next 20 years the field would be dominated by these people and their students."^[302]

[323] Russell and Norvig wrote "it was astonishing whenever a computer did anything kind of smartish".^[303]

[324] The programs described are Arthur Samuel's checkers program for the IBM 701, Daniel Bobrow's STUDENT, Newell and Simon's Logic Theorist and Terry Winograd's SHRDLU.

[329] Russell and Norvig write: "in almost all cases, these early systems failed on more difficult problems"^[307]

[340] Embodied approaches to AI^[314] were championed by Hans Moravec^[315] and Rodney Brooks^[316] and went by many names: Nouvelle AI.^[316] Developmental robotics.^[317]

[347] Matteo Wong wrote in The Atlantic: "Whereas for decades, computer-science fields such as natural-language processing, computer vision, and robotics used extremely different methods, now they all use a programming method called "deep learning." As a result, their code and approaches have become more similar, and their models are easier to integrate into one another."^[323]

[351] Jack Clark wrote in Bloomberg: "After a half-decade of quiet breakthroughs in artificial intelligence, 2015 has been a landmark year. Computers are smarter and learning faster than ever", and noted that the number of software projects that use machine learning at Google increased from a "sporadic usage" in 2012 to more than 2,700 projects in 2015.^[325]

[366] Nils Nilsson wrote in 1983: "Simply put, there is wide disagreement in the field about what AI is all about."^[340]

[372] Daniel Crevier wrote that "time has proven the accuracy and perceptiveness of some of Dreyfus's comments. Had he formulated them less aggressively, constructive actions they suggested might have been taken much earlier."^[345]

[Searle's_strong_AI-385] Searle presented this definition of "Strong AI" in 1999.^[355] Searle's original formulation was "The appropriately programmed computer really is a mind, in the sense that computers given the right programs can be literally said to understand and have other cognitive states."^[356] Strong AI is defined similarly by Russell and Norvig: "Stong AI – the assertion that machines that do so are actually thinking (as opposed to simulating thinking)."^[357]

[FOOTNOTERussellNorvig20211–4-1] Jump up to: ^a ^b ^c Russell & Norvig (2021), pp. 1–4.

[:1-2] AI set to exceed human brain power Archived 2008-02-19 at the Wayback Machine CNN.com (July 26, 2006)

[andreas-3] Kaplan, Andreas; Haenlein, Michael (2019). "Siri, Siri, in my hand: Who's the fairest in the land? On the interpretations, illustrations, and implications of artificial intelligence". Business Horizons. 62: 15–25. doi:10.1016/j.bushor.2018.08.004. ISSN 0007-6813. S2CID 158433736.

[turing-4] Jump up to: ^a ^b ^c ^d Copeland, J., ed. (2004). The Essential Turing: the ideas that gave birth to the computer age. Oxford, England: Clarendon Press. ISBN 0-19-825079-7.

[Dartmouth_workshop-5] Jump up to: ^a ^b Dartmouth workshop:
Russell & Norvig (2021, p. 18)

McCorduck (2004, pp. 111–136)

NRC (1999, pp. 200–201)
The proposal:
McCarthy et al. (1955)

[34] Russell & Norvig (2021, p. 18)

[35] McCorduck (2004, pp. 111–136)

[36] NRC (1999, pp. 200–201)

[37] McCarthy et al. (1955)

[6] Kaplan, Andreas (2022). Artificial Intelligence, Business and Civilization: Our Fate Made in Machines. Routledge focus on business and management. New York, NY: Routledge. ISBN 978-1-000-56333-7.

[7] Marquis, Pierre; Papini, Odile; Prade, Henri, eds. (2020). A Guided Tour of Artificial Intelligence Research: Volume III: Interfaces and Applications of Artificial Intelligence. Cham: Springer International Publishing. pp. xiii. doi:10.1007/978-3-030-06170-8. ISBN 978-3-030-06169-2.

[AI_in_the_60s-8] Jump up to: ^a ^b Successful programs the 1960s:
McCorduck (2004, pp. 243–252)

Crevier (1993, pp. 52–107)

Moravec (1988, p. 9)

Russell & Norvig (2021, pp. 19–21)

[41] McCorduck (2004, pp. 243–252)

[42] Crevier (1993, pp. 52–107)

[43] Moravec (1988, p. 9)

[44] Russell & Norvig (2021, pp. 19–21)

[AI_in_the_80s-9] Jump up to: ^a ^b Funding initiatives in the early 1980s: Fifth Generation Project (Japan), Alvey (UK), Microelectronics and Computer Technology Corporation (US), Strategic Computing Initiative (US):
McCorduck (2004, pp. 426–441)

Crevier (1993, pp. 161–162, 197–203, 211, 240)

Russell & Norvig (2021, p. 23)

NRC (1999, pp. 210–211)

Newquist (1994, pp. 235–248)

[46] McCorduck (2004, pp. 426–441)

[47] Crevier (1993, pp. 161–162, 197–203, 211, 240)

[48] Russell & Norvig (2021, p. 23)

[49] NRC (1999, pp. 210–211)

[50] Newquist (1994, pp. 235–248)

[First_AI_winter-10] Jump up to: ^a ^b First AI Winter, Lighthill report, Mansfield Amendment
Crevier (1993, pp. 115–117)

Russell & Norvig (2021, pp. 21–22)

NRC (1999, pp. 212–213)

Howe (1994)

Newquist (1994, pp. 189–201)

[52] Crevier (1993, pp. 115–117)

[53] Russell & Norvig (2021, pp. 21–22)

[54] NRC (1999, pp. 212–213)

[55] Howe (1994)

[56] Newquist (1994, pp. 189–201)

[Second_AI_winter-11] Jump up to: ^a ^b Second AI Winter:
Russell & Norvig (2021, p. 24)

McCorduck (2004, pp. 430–435)

Crevier (1993, pp. 209–210)

NRC (1999, pp. 214–216)

Newquist (1994, pp. 301–318)

[58] Russell & Norvig (2021, p. 24)

[59] McCorduck (2004, pp. 430–435)

[60] Crevier (1993, pp. 209–210)

[61] NRC (1999, pp. 214–216)

[62] Newquist (1994, pp. 301–318)

[Deep_learning_revolution-12] Jump up to: ^a ^b Deep learning revolution, AlexNet:
Goldman (2022)

Russell & Norvig (2021, p. 26)

McKinsey (2018)

[64] Goldman (2022)

[65] Russell & Norvig (2021, p. 26)

[66] McKinsey (2018)

[FOOTNOTEToews2023-13] Toews (2023).

[FOOTNOTEFrank2023-14] Frank (2023).

[AGI-16] Jump up to: ^a ^b ^c Artificial general intelligence:
Russell & Norvig (2021, pp. 32–33, 1020–1021)
Proposal for the modern version:
Pennachin & Goertzel (2007)
Warnings of overspecialization in AI from leading researchers:
Nilsson (1995)

McCarthy (2007)

Beal & Winston (2009)

[70] Russell & Norvig (2021, pp. 32–33, 1020–1021)

[71] Pennachin & Goertzel (2007)

[72] Nilsson (1995)

[73] McCarthy (2007)

[74] Beal & Winston (2009)

[AI_influences-18] Russell & Norvig (2021, §1.2).

[19] Problem-solving, puzzle solving, game playing, and deduction:
Russell & Norvig (2021, chpt. 3–5)

Russell & Norvig (2021, chpt. 6) (constraint satisfaction)

Poole, Mackworth & Goebel (1998, chpt. 2, 3, 7, 9)

Luger & Stubblefield (2004, chpt. 3, 4, 6, 8)

Nilsson (1998, chpt. 7–12)

[77] Russell & Norvig (2021, chpt. 3–5)

[78] Russell & Norvig (2021, chpt. 6) (constraint satisfaction)

[79] Poole, Mackworth & Goebel (1998, chpt. 2, 3, 7, 9)

[80] Luger & Stubblefield (2004, chpt. 3, 4, 6, 8)

[81] Nilsson (1998, chpt. 7–12)

[20] Uncertain reasoning:
Russell & Norvig (2021, chpt. 12–18)

Poole, Mackworth & Goebel (1998, pp. 345–395)

Luger & Stubblefield (2004, pp. 333–381)

Nilsson (1998, chpt. 7–12)

[83] Russell & Norvig (2021, chpt. 12–18)

[84] Poole, Mackworth & Goebel (1998, pp. 345–395)

[85] Luger & Stubblefield (2004, pp. 333–381)

[86] Nilsson (1998, chpt. 7–12)

[Intractability-21] Jump up to: ^a ^b ^c Intractability and efficiency and the combinatorial explosion:
Russell & Norvig (2021, p. 21)

[88] Russell & Norvig (2021, p. 21)

[Psychological_evidence_of_sub-symbolic_reasoning-22] Jump up to: ^a ^b ^c Psychological evidence of the prevalence of sub-symbolic reasoning and knowledge:
Kahneman (2011)

Dreyfus & Dreyfus (1986)

Wason & Shapiro (1966)

Kahneman, Slovic & Tversky (1982)

[90] Kahneman (2011)

[91] Dreyfus & Dreyfus (1986)

[92] Wason & Shapiro (1966)

[93] Kahneman, Slovic & Tversky (1982)

[23] Knowledge representation and knowledge engineering:
Russell & Norvig (2021, chpt. 10)

Poole, Mackworth & Goebel (1998, pp. 23–46, 69–81, 169–233, 235–277, 281–298, 319–345)

Luger & Stubblefield (2004, pp. 227–243),

Nilsson (1998, chpt. 17.1–17.4, 18)

[95] Russell & Norvig (2021, chpt. 10)

[96] Poole, Mackworth & Goebel (1998, pp. 23–46, 69–81, 169–233, 235–277, 281–298, 319–345)

[97] Luger & Stubblefield (2004, pp. 227–243),

[98] Nilsson (1998, chpt. 17.1–17.4, 18)

[FOOTNOTESmoliarZhang1994-24] Smoliar & Zhang (1994).

[FOOTNOTENeumannMöller2008-25] Neumann & Möller (2008).

[FOOTNOTEKupermanReichleyBailey2006-26] Kuperman, Reichley & Bailey (2006).

[FOOTNOTEMcGarry2005-27] McGarry (2005).

[FOOTNOTEBertiniDel_BimboTorniai2006-28] Bertini, Del Bimbo & Torniai (2006).

[FOOTNOTERussellNorvig2021272-29] Russell & Norvig (2021), pp. 272.

[Representing_categories_and_relations-30] Representing categories and relations: Semantic networks, description logics, inheritance (including frames, and scripts):
Russell & Norvig (2021, §10.2 & 10.5),

Poole, Mackworth & Goebel (1998, pp. 174–177),

Luger & Stubblefield (2004, pp. 248–258),

Nilsson (1998, chpt. 18.3)

[106] Russell & Norvig (2021, §10.2 & 10.5),

[107] Poole, Mackworth & Goebel (1998, pp. 174–177),

[108] Luger & Stubblefield (2004, pp. 248–258),

[109] Nilsson (1998, chpt. 18.3)

[Representing_time-31] Representing events and time:Situation calculus, event calculus, fluent calculus (including solving the frame problem):
Russell & Norvig (2021, §10.3),

Poole, Mackworth & Goebel (1998, pp. 281–298),

Nilsson (1998, chpt. 18.2)

[111] Russell & Norvig (2021, §10.3),

[112] Poole, Mackworth & Goebel (1998, pp. 281–298),

[113] Nilsson (1998, chpt. 18.2)

[Representing_causation-32] Causal calculus:
Poole, Mackworth & Goebel (1998, pp. 335–337)

[115] Poole, Mackworth & Goebel (1998, pp. 335–337)

[Representing_knowledge_about_knowledge-33] Representing knowledge about knowledge: Belief calculus, modal logics:
Russell & Norvig (2021, §10.4),

Poole, Mackworth & Goebel (1998, pp. 275–277)

[117] Russell & Norvig (2021, §10.4),

[118] Poole, Mackworth & Goebel (1998, pp. 275–277)

[Default_reasoning_and_non-monotonic_logic-34] Jump up to: ^a ^b Default reasoning, Frame problem, default logic, non-monotonic logics, circumscription, closed world assumption, abduction:
Russell & Norvig (2021, §10.6)

Poole, Mackworth & Goebel (1998, pp. 248–256, 323–335)

Luger & Stubblefield (2004, pp. 335–363)

Nilsson (1998, ~18.3.3)
(Poole et al. places abduction under "default reasoning". Luger et al. places this under "uncertain reasoning").

[120] Russell & Norvig (2021, §10.6)

[121] Poole, Mackworth & Goebel (1998, pp. 248–256, 323–335)

[122] Luger & Stubblefield (2004, pp. 335–363)

[123] Nilsson (1998, ~18.3.3)

[Breadth_of_commonsense_knowledge-35] Jump up to: ^a ^b Breadth of commonsense knowledge:
Lenat & Guha (1989, Introduction)

Crevier (1993, pp. 113–114),

Moravec (1988, p. 13),

Russell & Norvig (2021, pp. 241, 385, 982) (qualification problem)

[125] Lenat & Guha (1989, Introduction)

[126] Crevier (1993, pp. 113–114),

[127] Moravec (1988, p. 13),

[128] Russell & Norvig (2021, pp. 241, 385, 982) (qualification problem)

[FOOTNOTENewquist1994296-36] Newquist (1994), p. 296.

[FOOTNOTECrevier1993204–208-37] Crevier (1993), pp. 204–208.

[FOOTNOTERussellNorvig2021528-40] Russell & Norvig (2021), p. 528.

[41] Automated planning:
Russell & Norvig (2021, chpt. 11).

[133] Russell & Norvig (2021, chpt. 11).

[42] Automated decision making, Decision theory:
Russell & Norvig (2021, chpt. 16–18).

[135] Russell & Norvig (2021, chpt. 16–18).

[43] Classical planning:
Russell & Norvig (2021, Section 11.2).

[137] Russell & Norvig (2021, Section 11.2).

[44] Sensorless or "conformant" planning, contingent planning, replanning (a.k.a online planning):
Russell & Norvig (2021, Section 11.5).

[139] Russell & Norvig (2021, Section 11.5).

[45] Uncertain preferences:
Russell & Norvig (2021, Section 16.7)
Inverse reinforcement learning:
Russell & Norvig (2021, Section 22.6)

[141] Russell & Norvig (2021, Section 16.7)

[142] Russell & Norvig (2021, Section 22.6)

[46] Information value theory:
Russell & Norvig (2021, Section 16.6).

[144] Russell & Norvig (2021, Section 16.6).

[47] Markov decision process:
Russell & Norvig (2021, chpt. 17).

[146] Russell & Norvig (2021, chpt. 17).

[48] Game theory and multi-agent decision theory:
Russell & Norvig (2021, chpt. 18).

[148] Russell & Norvig (2021, chpt. 18).

[machine_learning-49] Learning:
Russell & Norvig (2021, chpt. 19–22)

Poole, Mackworth & Goebel (1998, pp. 397–438)

Luger & Stubblefield (2004, pp. 385–542)

Nilsson (1998, chpt. 3.3, 10.3, 17.5, 20)

[150] Russell & Norvig (2021, chpt. 19–22)

[151] Poole, Mackworth & Goebel (1998, pp. 397–438)

[152] Luger & Stubblefield (2004, pp. 385–542)

[153] Nilsson (1998, chpt. 3.3, 10.3, 17.5, 20)

[FOOTNOTETuring1950-50] Turing (1950).

[FOOTNOTESolomonoff1956-51] Solomonoff (1956).

[53] Unsupervised learning:
Russell & Norvig (2021, pp. 653) (definition)

Russell & Norvig (2021, pp. 738–740) (cluster analysis)

Russell & Norvig (2021, pp. 846–860) (word embedding)

[157] Russell & Norvig (2021, pp. 653) (definition)

[158] Russell & Norvig (2021, pp. 738–740) (cluster analysis)

[159] Russell & Norvig (2021, pp. 846–860) (word embedding)

[Supervised_learning-54] Jump up to: ^a ^b Supervised learning:
Russell & Norvig (2021, §19.2) (Definition)

Russell & Norvig (2021, Chpt. 19–20) (Techniques)

[161] Russell & Norvig (2021, §19.2) (Definition)

[162] Russell & Norvig (2021, Chpt. 19–20) (Techniques)

[55] Reinforcement learning:
Russell & Norvig (2021, chpt. 22)

Luger & Stubblefield (2004, pp. 442–449)

[164] Russell & Norvig (2021, chpt. 22)

[165] Luger & Stubblefield (2004, pp. 442–449)

[56] Transfer learning:
Russell & Norvig (2021, pp. 281)

The Economist (2016)

[167] Russell & Norvig (2021, pp. 281)

[168] The Economist (2016)

[57] "Artificial Intelligence (AI): What Is AI and How Does It Work? | Built In". builtin.com. Retrieved 30 October 2023.

[58] Computational learning theory:
Russell & Norvig (2021, pp. 672–674)

Jordan & Mitchell (2015)

[171] Russell & Norvig (2021, pp. 672–674)

[172] Jordan & Mitchell (2015)

[59] Natural language processing (NLP):
Russell & Norvig (2021, chpt. 23–24)

Poole, Mackworth & Goebel (1998, pp. 91–104)

Luger & Stubblefield (2004, pp. 591–632)

[174] Russell & Norvig (2021, chpt. 23–24)

[175] Poole, Mackworth & Goebel (1998, pp. 91–104)

[176] Luger & Stubblefield (2004, pp. 591–632)

[60] Subproblems of NLP:
Russell & Norvig (2021, pp. 849–850)

[178] Russell & Norvig (2021, pp. 849–850)

[FOOTNOTERussellNorvig2021856–858-62] Russell & Norvig (2021), pp. 856–858.

[FOOTNOTEDickson2022-63] Dickson (2022).

[64] Modern statistical and deep learning approaches to NLP:
Russell & Norvig (2021, chpt. 24)

Cambria & White (2014)

[182] Russell & Norvig (2021, chpt. 24)

[183] Cambria & White (2014)

[FOOTNOTEVincent2019-65] Vincent (2019).

[FOOTNOTERussellNorvig2021875–878-66] Russell & Norvig (2021), pp. 875–878.

[FOOTNOTEBushwick2023-67] Bushwick (2023).

[68] Computer vision:
Russell & Norvig (2021, chpt. 25)

Nilsson (1998, chpt. 6)

[188] Russell & Norvig (2021, chpt. 25)

[189] Nilsson (1998, chpt. 6)

[FOOTNOTERussellNorvig2021849–850-69] Russell & Norvig (2021), pp. 849–850.

[FOOTNOTERussellNorvig2021895–899-70] Russell & Norvig (2021), pp. 895–899.

[FOOTNOTERussellNorvig2021899–901-71] Russell & Norvig (2021), pp. 899–901.

[FOOTNOTEChallaMorelandMušickiEvans2011-72] Challa et al. (2011).

[FOOTNOTERussellNorvig2021931–938-73] Russell & Norvig (2021), pp. 931–938.

[FOOTNOTEMIT_AIL2014-74] MIT AIL (2014).

[75] Affective computing:
Thro (1993)

Edelson (1991)

Tao & Tan (2005)

Scassellati (2002)

[197] Thro (1993)

[198] Edelson (1991)

[199] Tao & Tan (2005)

[200] Scassellati (2002)

[FOOTNOTEWaddell2018-76] Waddell (2018).

[FOOTNOTEPoriaCambriaBajpaiHussain2017-77] Poria et al. (2017).

[78] Search algorithms:
Russell & Norvig (2021, Chpt. 3–5)

Poole, Mackworth & Goebel (1998, pp. 113–163)

Luger & Stubblefield (2004, pp. 79–164, 193–219)

Nilsson (1998, chpt. 7–12)

[204] Russell & Norvig (2021, Chpt. 3–5)

[205] Poole, Mackworth & Goebel (1998, pp. 113–163)

[206] Luger & Stubblefield (2004, pp. 79–164, 193–219)

[207] Nilsson (1998, chpt. 7–12)

[State_space_search-79] State space search:
Russell & Norvig (2021, chpt. 3)

[209] Russell & Norvig (2021, chpt. 3)

[FOOTNOTERussellNorvig2021§11.2-80] Russell & Norvig (2021), §11.2.

[Uninformed_search-81] Uninformed searches (breadth first search, depth-first search and general state space search):
Russell & Norvig (2021, §3.4)

Poole, Mackworth & Goebel (1998, pp. 113–132)

Luger & Stubblefield (2004, pp. 79–121)

Nilsson (1998, chpt. 8)

[212] Russell & Norvig (2021, §3.4)

[213] Poole, Mackworth & Goebel (1998, pp. 113–132)

[214] Luger & Stubblefield (2004, pp. 79–121)

[215] Nilsson (1998, chpt. 8)

[Informed_search-82] Heuristic or informed searches (e.g., greedy best first and A*):
Russell & Norvig (2021, s§3.5)

Poole, Mackworth & Goebel (1998, pp. 132–147)

Poole & Mackworth (2017, §3.6)

Luger & Stubblefield (2004, pp. 133–150)

[217] Russell & Norvig (2021, s§3.5)

[218] Poole, Mackworth & Goebel (1998, pp. 132–147)

[219] Poole & Mackworth (2017, §3.6)

[220] Luger & Stubblefield (2004, pp. 133–150)

[83] Adversarial search:
Russell & Norvig (2021, chpt. 5)

[222] Russell & Norvig (2021, chpt. 5)

[Local_search2-84] Local or "optimization" search:
Russell & Norvig (2021, chpt. 4)

[224] Russell & Norvig (2021, chpt. 4)

[85] Singh Chauhan, Nagesh (18 December 2020). "Optimization Algorithms in Neural Networks". KDnuggets. Retrieved 13 January 2024.

[86] Evolutionary computation:
Russell & Norvig (2021, §4.1.2)

[227] Russell & Norvig (2021, §4.1.2)

[FOOTNOTEMerkleMiddendorf2013-87] Merkle & Middendorf (2013).

[Logic-88] Logic:
Russell & Norvig (2021, chpt. 6–9)

Luger & Stubblefield (2004, pp. 35–77)

Nilsson (1998, chpt. 13–16)

[230] Russell & Norvig (2021, chpt. 6–9)

[231] Luger & Stubblefield (2004, pp. 35–77)

[232] Nilsson (1998, chpt. 13–16)

[Propositional_logic-89] Propositional logic:
Russell & Norvig (2021, chpt. 6)

Luger & Stubblefield (2004, pp. 45–50)

Nilsson (1998, chpt. 13)

[234] Russell & Norvig (2021, chpt. 6)

[235] Luger & Stubblefield (2004, pp. 45–50)

[236] Nilsson (1998, chpt. 13)

[Predicate_logic-90] First-order logic and features such as equality:
Russell & Norvig (2021, chpt. 7)

Poole, Mackworth & Goebel (1998, pp. 268–275),

Luger & Stubblefield (2004, pp. 50–62),

Nilsson (1998, chpt. 15)

[238] Russell & Norvig (2021, chpt. 7)

[239] Poole, Mackworth & Goebel (1998, pp. 268–275),

[240] Luger & Stubblefield (2004, pp. 50–62),

[241] Nilsson (1998, chpt. 15)

[Inference-91] Logical inference:
Russell & Norvig (2021, chpt. 10)

[243] Russell & Norvig (2021, chpt. 10)

[Logic_as_search-92] uction as search:
Russell & Norvig (2021, §9.3, §9.4)

Poole, Mackworth & Goebel (1998, pp. ~46–52)

Luger & Stubblefield (2004, pp. 62–73)

Nilsson (1998, chpt. 4.2, 7.2)

[245] Russell & Norvig (2021, §9.3, §9.4)

[246] Poole, Mackworth & Goebel (1998, pp. ~46–52)

[247] Luger & Stubblefield (2004, pp. 62–73)

[248] Nilsson (1998, chpt. 4.2, 7.2)

[Resolution-93] Resolution and unification:
Russell & Norvig (2021, §7.5.2, §9.2, §9.5)

[250] Russell & Norvig (2021, §7.5.2, §9.2, §9.5)

[94] Warren, D.H.; Pereira, L.M.; Pereira, F. (1977). "Prolog-the language and its implementation compared with Lisp". ACM SIGPLAN Notices. 12 (8): 109–115. doi:10.1145/872734.806939.

[Fuzzy_logic-95] Fuzzy logic:
Russell & Norvig (2021, pp. 214, 255, 459)

Scientific American (1999)

[253] Russell & Norvig (2021, pp. 214, 255, 459)

[254] Scientific American (1999)

[Uncertain_reasoning-96] Jump up to: ^a ^b Stochastic methods for uncertain reasoning:
Russell & Norvig (2021, Chpt. 12–18 and 20),

Poole, Mackworth & Goebel (1998, pp. 345–395),

Luger & Stubblefield (2004, pp. 165–191, 333–381),

Nilsson (1998, chpt. 19)

[256] Russell & Norvig (2021, Chpt. 12–18 and 20),

[257] Poole, Mackworth & Goebel (1998, pp. 345–395),

[258] Luger & Stubblefield (2004, pp. 165–191, 333–381),

[259] Nilsson (1998, chpt. 19)

[Decisions_theory_and_analysis-97] sion theory and decision analysis:
Russell & Norvig (2021, Chpt. 16–18),

Poole, Mackworth & Goebel (1998, pp. 381–394)

[261] Russell & Norvig (2021, Chpt. 16–18),

[262] Poole, Mackworth & Goebel (1998, pp. 381–394)

[Information_value_theory-98] Information value theory:
Russell & Norvig (2021, §16.6)

[264] Russell & Norvig (2021, §16.6)

[Markov_decision_process-99] Markov decision processes and dynamic decision networks:
Russell & Norvig (2021, chpt. 17)

[266] Russell & Norvig (2021, chpt. 17)

[Stochastic_temporal_models-100] Jump up to: ^a ^b ^c Stochastic temporal models:
Russell & Norvig (2021, Chpt. 14)
Hidden Markov model:
Russell & Norvig (2021, §14.3)
Kalman filters:
Russell & Norvig (2021, §14.4)
Dynamic Bayesian networks:
Russell & Norvig (2021, §14.5)

[268] Russell & Norvig (2021, Chpt. 14)

[269] Russell & Norvig (2021, §14.3)

[270] Russell & Norvig (2021, §14.4)

[271] Russell & Norvig (2021, §14.5)

[Game_theory_and_mechanism_design-101] Game theory and mechanism design:
Russell & Norvig (2021, chpt. 18)

[273] Russell & Norvig (2021, chpt. 18)

[Bayesian_networks-102] Bayesian networks:
Russell & Norvig (2021, §12.5–12.6, §13.4–13.5, §14.3–14.5, §16.5, §20.2 -20.3),

Пул, Макворт и Гебель (1998 , стр. 361–381),

Люгер и Стабблфилд (2004 , стр. ~182–190, ≈363–379),

Нильссон (1998 , глава 19.3–4)

[275] Russell & Norvig (2021, §12.5–12.6, §13.4–13.5, §14.3–14.5, §16.5, §20.2 -20.3),

[276] Пул, Макворт и Гебель (1998 , стр. 361–381),

[277] Люгер и Стабблфилд (2004 , стр. ~182–190, ≈363–379),

[278] Нильссон (1998 , глава 19.3–4)

[FOOTNOTEDomingos2015chapter_6-103] Домингос (2015) , глава 6.

[Bayesian_inference-105] байесовского вывода Алгоритм :
Рассел и Норвиг (2021 г. , §13.3–13.5),

Пул, Макворт и Гебель (1998 , стр. 361–381),

Люгер и Стабблфилд (2004 , стр. ~363–379),

Нильссон (1998 , главы 19.4 и 7)

[281] Рассел и Норвиг (2021 г. , §13.3–13.5),

[282] Пул, Макворт и Гебель (1998 , стр. 361–381),

[283] Люгер и Стабблфилд (2004 , стр. ~363–379),

[284] Нильссон (1998 , главы 19.4 и 7)

[FOOTNOTEDomingos2015210-106] Домингос (2015) , с. 210.

[Bayesian_learning-108] Байесовское обучение и алгоритм максимизации ожидания :
Рассел и Норвиг (2021 , глава 20),

Пул, Макворт и Гебель (1998 , стр. 424–433),

Нильссон (1998 , глава 20)

Домингос (2015 , стр. 210)

[287] Рассел и Норвиг (2021 , глава 20),

[288] Пул, Макворт и Гебель (1998 , стр. 424–433),

[289] Нильссон (1998 , глава 20)

[290] Домингос (2015 , стр. 210)

[Bayesian_decision_networks-109] Байесовская теория принятия решений и байесовские сети принятия решений :
Рассел и Норвиг (2021 , §16.5)

[292] Рассел и Норвиг (2021 , §16.5)

[Statistical_classifiers-110] Статистические методы обучения и классификаторы :
Рассел и Норвиг (2021 г. , глава 20),

[294] Рассел и Норвиг (2021 г. , глава 20),

[Ciaramella-111] Чарамелла, Альберто ; Чарамелла, Марко (2024). Введение в искусственный интеллект: от анализа данных до генеративного ИИ . ISBN 978-8894787603 .

[112] Деревья решений :
Рассел и Норвиг (2021 , §19.3)

Домингос (2015 , стр. 88)

[297] Рассел и Норвиг (2021 , §19.3)

[298] Домингос (2015 , стр. 88)

[113] Непараметрические модели обучения, такие как K-ближайший сосед и машины опорных векторов :
Рассел и Норвиг (2021 , §19.7)

Домингос (2015 , стр. 187) (к-ближайший сосед)

Домингос (2015 , стр. 88) (методы ядра)

[300] Рассел и Норвиг (2021 , §19.7)

[301] Домингос (2015 , стр. 187) (к-ближайший сосед)

[302] Домингос (2015 , стр. 88) (методы ядра)

[FOOTNOTEDomingos2015152-114] Домингос (2015) , с. 152.

[115] Наивный байесовский классификатор :
Рассел и Норвиг (2021 , §12.6)

Домингос (2015 , стр. 152)

[305] Рассел и Норвиг (2021 , §12.6)

[306] Домингос (2015 , стр. 152)

[Neural_networks-116] Jump up to: ^а ^б Нейронные сети:
Рассел и Норвиг (2021 , глава 21),

Домингос (2015 , глава 4)

[308] Рассел и Норвиг (2021 , глава 21),

[309] Домингос (2015 , глава 4)

[Backpropagation-117] Вычисление градиента в вычислительных графах, обратное распространение ошибки , автоматическое дифференцирование :
Рассел и Норвиг (2021 , §21.2),

Люгер и Стабблфилд (2004 , стр. 467–474),

Нильссон (1998 , глава 3.3)

[311] Рассел и Норвиг (2021 , §21.2),

[312] Люгер и Стабблфилд (2004 , стр. 467–474),

[313] Нильссон (1998 , глава 3.3)

[118] Теорема об универсальной аппроксимации :
Рассел и Норвиг (2021 , стр. 752)
Теорема:
Цыбенко (1988)

Хорник, Стинчкомб и Уайт (1989)

[315] Рассел и Норвиг (2021 , стр. 752)

[316] Цыбенко (1988)

[317] Хорник, Стинчкомб и Уайт (1989)

[119] Нейронные сети прямого распространения :
Рассел и Норвиг (2021 , §21.1)

[319] Рассел и Норвиг (2021 , §21.1)

[120] Рекуррентные нейронные сети :
Рассел и Норвиг (2021 , §21.6)

[321] Рассел и Норвиг (2021 , §21.6)

[121] Перцептроны :
Рассел и Норвиг (2021 , стр. 21, 22, 683, 22)

[323] Рассел и Норвиг (2021 , стр. 21, 22, 683, 22)

[Deep_learning-122] Jump up to: ^а ^б Глубокое обучение :
Рассел и Норвиг (2021 , глава 21)

Гудфеллоу, Бенджио и Курвиль (2016)

Хинтон и др. (2016)

Шмидхубер (2015)

[325] Рассел и Норвиг (2021 , глава 21)

[326] Гудфеллоу, Бенджио и Курвиль (2016)

[327] Хинтон и др. (2016)

[328] Шмидхубер (2015)

[123] Сверточные нейронные сети :
Рассел и Норвиг (2021 , §21.3)

[330] Рассел и Норвиг (2021 , §21.3)

[FOOTNOTEDengYu2014199–200-124] Дэн и Ю (2014) , стр. 199–200.

[FOOTNOTECiresanMeierSchmidhuber2012-125] Чиресан, Мейер и Шмидхубер (2012) .

[FOOTNOTERussellNorvig2021751-126] Рассел и Норвиг (2021) , с. 751.

[FOOTNOTERussellNorvig202117-127] Jump up to: ^а ^б ^с Рассел и Норвиг (2021) , с. 17.

[FOOTNOTERussellNorvig2021785-128] Jump up to: ^а ^б ^с ^д ^и ^ж ^г Рассел и Норвиг (2021) , с. 785.

[FOOTNOTESchmidhuber2022§5-129] Jump up to: ^а ^б Шмидхубер (2022) , §5.

[FOOTNOTESchmidhuber2022§6-130] Шмидхубер (2022) , §6.

[FOOTNOTESchmidhuber2022§7-131] Jump up to: ^а ^б ^с Шмидхубер (2022) , §7.

[FOOTNOTESchmidhuber2022§8-132] Шмидхубер (2022) , §8.

[134] Цитируется по Кристиану (2020 , стр. 22).

[FOOTNOTESmith2023-136] Смит (2023) .

[137] «Объяснение: Генеративный ИИ» . 9 ноября 2023 г.

[138] «Инструменты для написания искусственного интеллекта и создания контента» . Технологии преподавания и обучения Массачусетского технологического института Слоана . Проверено 25 декабря 2023 г.

[FOOTNOTEMarmouyet2023-139] Мармуйе (2023) .

[FOOTNOTEKobielus2019-140] Кобелус (2019) .

[141] Томасон, Джеймс (21 мая 2024 г.). «Восстание Mojo: возрождение языков программирования, ориентированных на искусственный интеллект» . ВенчурБит . Проверено 26 мая 2024 г.

[142] Водецки, Бен (5 мая 2023 г.). «7 языков программирования искусственного интеллекта, которые вам нужно знать» . ИИ-бизнес .

[143] Давенпорт, Т; Калакота, Р. (июнь 2019 г.). «Потенциал искусственного интеллекта в здравоохранении» . Будущее Здоровьеc Дж . 6 (2): 94–98. doi : 10.7861/futurehosp.6-2-94 . ПМК 6616181 . ПМИД 31363513 .

[The_future_of_personalized_cardiova-144] Jump up to: ^а ^б Бакс, Моник; Торп, Джордан; Романов, Валентин (декабрь 2023 г.). «Будущее персонализированной сердечно-сосудистой медицины требует 3D- и 4D-печати, стволовых клеток и искусственного интеллекта» . Границы в сенсорах . 4 . дои : 10.3389/fsens.2023.1294721 . ISSN 2673-5067 .

[145] Джампер, Дж; Эванс, Р; Притцель, А (2021). «Высокоточное предсказание структуры белка с помощью AlphaFold» . Природа . 596 (7873): 583–589. Бибкод : 2021Natur.596..583J . дои : 10.1038/s41586-021-03819-2 . ПМЦ 8371605 . PMID 34265844 .

[146] «ИИ открывает новый класс антибиотиков для уничтожения устойчивых к лекарствам бактерий» . 20 декабря 2023 г.

[147] «ИИ в десять раз ускоряет разработку лекарств от болезни Паркинсона» . Кембриджский университет. 17 апреля 2024 г.

[148] Хорн, Роберт И.; Анджеевска, Ева А.; Алам, Парвез; Бротзакис, З. Фейдон; Шривастава, Анкит; Обер, Алиса; Новинска, Магдалена; Грегори, Ребекка С.; Стаатс, Роксина; Поссенти, Андреа; Чиа, Шон; Сорманни, Пьетро; Гетти, Бернардино; Коги, Байрон; Ноулз, Туомас П.Дж.; Вендруколо, Микеле (17 апреля 2024 г.). «Открытие мощных ингибиторов агрегации α-синуклеина с использованием структурного итеративного обучения» . Химическая биология природы . 20 (5). Природа: 634–645. дои : 10.1038/s41589-024-01580-x . ПМЦ 11062903 . ПМИД 38632492 .

[149] Грант, Юджин Ф.; Ларднер, Рекс (25 июля 1952 г.). «Городской разговор - Это» . Житель Нью-Йорка . ISSN 0028-792X . Проверено 28 января 2024 г.

[150] Андерсон, Марк Роберт (11 мая 2017 г.). «Двадцать лет спустя после матча Deep Blue против Каспарова: как шахматный матч положил начало революции больших данных» . Разговор . Проверено 28 января 2024 г.

[151] Маркофф, Джон (16 февраля 2011 г.). «Компьютер побеждает в игре «Jeopardy!»: это не тривиально» . Нью-Йорк Таймс . ISSN 0362-4331 . Проверено 28 января 2024 г.

[152] Байфорд, Сэм (27 мая 2017 г.). «AlphaGo уходит из соревновательного го после победы над номером один в мире со счетом 3–0» . Грань . Проверено 28 января 2024 г.

[153] Браун, Ноам; Сандхольм, Туомас (30 августа 2019 г.). «Сверхчеловеческий ИИ для многопользовательского покера» . Наука . 365 (6456): 885–890. Бибкод : 2019Sci...365..885B . дои : 10.1126/science.aay2400 . ISSN 0036-8075 . ПМИД 31296650 .

[154] «MuZero: Освоение го, шахмат, сёги и Atari без правил» . Гугл ДипМайнд . 23 декабря 2020 г. Проверено 28 января 2024 г.

[155] Сэмпл, Ян (30 октября 2019 г.). «ИИ становится гроссмейстером в «чертовски сложном» StarCraft II» . Хранитель . ISSN 0261-3077 . Проверено 28 января 2024 г.

[156] Вурман, PR; Барретт, С.; Кавамото, К. (2022). «Обгоняйте водителей-чемпионов Gran Turismo с помощью глубокого обучения с подкреплением». Природа . 602 (7896): 223–228. Бибкод : 2022Natur.602..223W . дои : 10.1038/s41586-021-04357-7 . ПМИД 35140384 .

[157] Уилкинс, Алекс (13 марта 2024 г.). «ИИ Google учится играть в видеоигры с открытым миром, наблюдая за ними» . Новый учёный . Проверено 21 июля 2024 г.

[158] Уэсато, Дж. и др.: Улучшение математических рассуждений с помощью контроля процесса. openai.com, 31 мая 2023 г. Проверено 7 августа 2024 г.

[159] Шривастава, Саураб (29 февраля 2024 г.). «Функциональные критерии для надежной оценки эффективности рассуждений и пробелов в рассуждениях» . arXiv.org . Проверено 11 августа 2024 г.

[NYT-160] Робертс, Шивон (25 июля 2024 г.). «ИИ получил серебряную медаль за решение задач Международной математической олимпиады» . nytimes.com . Проверено 7 августа 2024 г.

[161] ЛЛЕММА . eleuther.ai. Проверено 7 августа 2024 г.

[162] AI Математика. Caesars Labs, 2024 г. Проверено 7 августа 2024 г.

[163] Алекс МакФарланд: 7 лучших ИИ для математических инструментов. unite.ai. Проверено 7 августа 2024 г.

[164] Мэтью Финио и Аманда Дауни: Учебник IBM Think 2024, «Что такое искусственный интеллект (ИИ) в финансах?» 8 декабря 2023 г.

[165] М. Николас Дж. Фирзли: журнал Pensions Age/European Pensions, «Искусственный интеллект: спросите отрасль», май, июнь 2024 г., https://videovoice.org/ai-in-finance-innovation-entrepreneurship-vs-over-regulation- с актом-искусственного-интеллекта-ЕС-не-работает-как-задумано/

[:22-166] Jump up to: ^а ^б ^с Исследовательская служба Конгресса (2019). Искусственный интеллект и национальная безопасность (PDF) . Вашингтон, округ Колумбия: Исследовательская служба Конгресса. PD-уведомление

[AI-167] Jump up to: ^а ^б Слюсарь, Вадим (2019). «Искусственный интеллект как основа будущих сетей управления» . Исследовательские ворота . дои : 10.13140/RG.2.2.30247.50087 .

[168] Knight, Will. "The US and 30 Other Nations Agree to Set Guardrails for Military AI". Wired. ISSN 1059-1028. Retrieved 24 January 2024.

[169] Marcelline, Marco (27 May 2023). "ChatGPT: Most Americans Know About It, But Few Actually Use the AI Chatbot". PCMag. Retrieved 28 January 2024.

[170] Lu, Donna (31 March 2023). "Misinformation, mistakes and the Pope in a puffer: what rapidly evolving AI can – and can't – do". The Guardian. ISSN 0261-3077. Retrieved 28 January 2024.

[171] Hurst, Luke (23 May 2023). "How a fake image of a Pentagon explosion shared on Twitter caused a real dip on Wall Street". euronews. Retrieved 28 January 2024.

[172] Poole, David; Mackworth, Alan (2023). Artificial Intelligence, Foundations of Computational Agents (3rd ed.). Cambridge University Press. ISBN 9781009258197.

[173] Russell, Stuart; Norvig, Peter (2020). Artificial Intelligence: A Modern Approach (4th ed.). Pearson. ISBN 9780134610993.

[174] "Why agents are the next frontier of generative AI". McKinsey Digital. 24 July 2024. Retrieved 10 August 2024.

[175] Ransbotham, Sam; Kiron, David; Gerbert, Philipp; Reeves, Martin (6 September 2017). "Reshaping Business With Artificial Intelligence". MIT Sloan Management Review. Archived from the original on 13 February 2024.

[176] Sun, Yuran; Zhao, Xilei; Lovreglio, Ruggiero; Kuligowski, Erica (1 January 2024), Naser, M. Z. (ed.), "8 - AI for large-scale evacuation modeling: promises and challenges", Interpretable Machine Learning for the Analysis, Design, Assessment, and Informed Decision Making for Civil Infrastructure, Woodhead Publishing Series in Civil and Structural Engineering, Woodhead Publishing, pp. 185–204, ISBN 978-0-12-824073-1, retrieved 28 June 2024

[177] Gomaa, Islam; Adelzadeh, Masoud; Gwynne, Steven; Spencer, Bruce; Ko, Yoon; Bénichou, Noureddine; Ma, Chunyun; Elsagan, Nour; Duong, Dana; Zalok, Ehab; Kinateder, Max (1 November 2021). "A Framework for Intelligent Fire Detection and Evacuation System". Fire Technology. 57 (6): 3179–3185. doi:10.1007/s10694-021-01157-3. ISSN 1572-8099.

[178] Zhao, Xilei; Lovreglio, Ruggiero; Nilsson, Daniel (1 May 2020). "Modelling and interpreting pre-evacuation decision-making using machine learning". Automation in Construction. 113: 103140. doi:10.1016/j.autcon.2020.103140. ISSN 0926-5805.

[FOOTNOTESimonite2016-179] Simonite (2016).

[FOOTNOTERussellNorvig2021987-180] Russell & Norvig (2021), p. 987.

[FOOTNOTELaskowski2023-181] Laskowski (2023).

[FOOTNOTEGAO2022-182] GAO (2022).

[FOOTNOTEValinsky2019-183] Valinsky (2019).

[FOOTNOTERussellNorvig2021991-184] Russell & Norvig (2021), p. 991.

[FOOTNOTERussellNorvig2021991–992-185] Russell & Norvig (2021), pp. 991–992.

[FOOTNOTEChristian202063-186] Christian (2020), p. 63.

[FOOTNOTEVincent2022-187] Vincent (2022).

[188] Kopel, Matthew. "Copyright Services: Fair Use". Cornell University Library. Retrieved 26 April 2024.

[189] Burgess, Matt. "How to Stop Your Data From Being Used to Train AI". Wired. ISSN 1059-1028. Retrieved 26 April 2024.

[FOOTNOTEReisner2023-190] Reisner (2023).

[FOOTNOTEAlterHarris2023-191] Alter & Harris (2023).

[192] "Getting the Innovation Ecosystem Ready for AI. An IP policy toolkit" (PDF). WIPO.

[193] Hammond, George (27 December 2023). "Big Tech is spending more than VC firms on AI startups". Ars Technica. Archived from the original on 10 January 2024.

[194] Wong, Matteo (24 October 2023). "The Future of AI Is GOMA". The Atlantic. Archived from the original on 5 January 2024.

[195] "Big tech and the pursuit of AI dominance". The Economist. 26 March 2023. Archived from the original on 29 December 2023.

[196] Fung, Brian (19 December 2023). "Where the battle to dominate AI may be won". CNN Business. Archived from the original on 13 January 2024.

[197] Metz, Cade (5 July 2023). "In the Age of A.I., Tech's Little Guys Need Big Friends". The New York Times.

[198] "Electricity 2024 – Analysis". IEA. 24 January 2024. Retrieved 13 July 2024.

[199] Calvert, Brian (28 March 2024). "AI already uses as much energy as a small country. It's only the beginning". Vox. New York, NY.

[200] Halper, Evan; O'Donovan, Caroline (21 June 2024). "AI is exhausting the power grid. Tech firms are seeking a miracle solution". Washington Post.

[201] Davenport, Carly. "AI Data Centers and the Coming YS Power Demand Surge" (PDF). Goldman Sachs.

[202] Ryan, Carol (12 April 2024). "Energy-Guzzling AI Is Also the Future of Energy Savings". Wall Street Journal. Dow Jones.

[203] Hiller, Jennifer (1 July 2024). "Tech Industry Wants to Lock Up Nuclear Power for AI". Wall Street Journal. Dow Jones.

[FOOTNOTENicas2018-204] Nicas (2018).

[205] Rainie, Lee; Keeter, Scott; Perrin, Andrew (22 July 2019). "Trust and Distrust in America". Pew Research Center. Archived from the original on 22 February 2024.

[FOOTNOTEWilliams2023-206] Williams (2023).

[FOOTNOTETaylorHern2023-207] Taylor & Hern (2023).

[:03-208] Jump up to: ^a ^b Samuel, Sigal (19 April 2022). "Why it's so damn hard to make AI fair and unbiased". Vox. Retrieved 24 July 2024.

[FOOTNOTERose2023-209] Jump up to: ^a ^b Rose (2023).

[FOOTNOTECNA2019-210] CNA (2019).

[FOOTNOTEGoffrey200817-211] Goffrey (2008), p. 17.

[212] Berdahl et al. (2023); Goffrey (2008, p. 17); Rose (2023); Russell & Norvig (2021, p. 995)

[FOOTNOTEChristian202025-213] Christian (2020), p. 25.

[FOOTNOTERussellNorvig2021995-214] Jump up to: ^a ^b Russell & Norvig (2021), p. 995.

[FOOTNOTEGrantHill2023-215] Grant & Hill (2023).

[FOOTNOTELarsonAngwin2016-216] Larson & Angwin (2016).

[FOOTNOTEChristian202067–70-217] Christian (2020), p. 67–70.

[219] Christian (2020, pp. 67–70); Russell & Norvig (2021, pp. 993–994)

[220] Russell & Norvig (2021, p. 995); Lipartito (2011, p. 36); Goodman & Flaxman (2017, p. 6); Christian (2020, pp. 39–40, 65)

[221] Quoted in Christian (2020, p. 65).

[222] Russell & Norvig (2021, p. 994); Christian (2020, pp. 40, 80–81)

[223] Quoted in Christian (2020, p. 80)

[FOOTNOTEDockrill2022-225] Dockrill (2022).

[FOOTNOTESample2017-226] Sample (2017).

[227] "Black Box AI". 16 June 2023.

[FOOTNOTEChristian2020110-228] Christian (2020), p. 110.

[FOOTNOTEChristian202088–91-229] Christian (2020), pp. 88–91.

[230] Christian (2020, p. 83); Russell & Norvig (2021, p. 997)

[FOOTNOTEChristian202091-232] Christian (2020), p. 91.

[FOOTNOTEChristian202083-233] Christian (2020), p. 83.

[FOOTNOTEVerma2021-234] Verma (2021).

[FOOTNOTERothman2020-235] Rothman (2020).

[FOOTNOTEChristian2020105–108-236] Christian (2020), pp. 105–108.

[FOOTNOTEChristian2020108–112-237] Christian (2020), pp. 108–112.

[238] Ropek, Lucas (21 May 2024). "New Anthropic Research Sheds Light on AI's 'Black Box'". Gizmodo. Retrieved 23 May 2024.

[FOOTNOTERussellNorvig2021989-239] Russell & Norvig (2021), p. 989.

[FOOTNOTERussellNorvig2021987–990-241] Jump up to: ^a ^b Russell & Norvig (2021), pp. 987–990.

[FOOTNOTERussellNorvig2021988-242] Russell & Norvig (2021), p. 988.

[243] Robitzski (2018); Sainato (2015)

[FOOTNOTEHarari2018-244] Harari (2018).

[245] Buckley, Chris; Mozur, Paul (22 May 2019). "How China Uses High-Tech Surveillance to Subdue Minorities". The New York Times.

[246] "Security lapse exposed a Chinese smart city surveillance system". 3 May 2019. Archived from the original on 7 March 2021. Retrieved 14 September 2020.

[FOOTNOTEUrbinaLentzosInvernizziEkins2022-247] Urbina et al. (2022).

[auto1-248] Jump up to: ^a ^b E McGaughey, 'Will Robots Automate Your Job Away? Full Employment, Basic Income, and Economic Democracy' (2022) 51(3) Industrial Law Journal 511–559 Archived 27 May 2023 at the Wayback Machine

[249] Ford & Colvin (2015);McGaughey (2022)

[FOOTNOTEIGM_Chicago2017-250] IGM Chicago (2017).

[FOOTNOTEArntzGregoryZierahn201633-251] Arntz, Gregory & Zierahn (2016), p. 33.

[253] Lohr (2017); Frey & Osborne (2017); Arntz, Gregory & Zierahn (2016, p. 33)

[254] Zhou, Viola (11 April 2023). "AI is already taking video game illustrators' jobs in China". Rest of World. Retrieved 17 August 2023.

[255] Carter, Justin (11 April 2023). "China's game art industry reportedly decimated by growing AI use". Game Developer. Retrieved 17 August 2023.

[FOOTNOTEMorgenstern2015-256] Morgenstern (2015).

[257] Mahdawi (2017); Thompson (2014)

[258] Tarnoff, Ben (4 August 2023). "Lessons from Eliza". The Guardian Weekly. pp. 34–39.

[FOOTNOTECellan-Jones2014-259] Cellan-Jones (2014).

[FOOTNOTERussellNorvig20211001-260] Russell & Norvig 2021, p. 1001.

[FOOTNOTEBostrom2014-262] Bostrom (2014).

[FOOTNOTERussell2019-263] Russell (2019).

[264] Bostrom (2014); Müller & Bostrom (2014); Bostrom (2015).

[FOOTNOTEHarari2023-265] Harari (2023).

[FOOTNOTEMüllerBostrom2014-266] Müller & Bostrom (2014).

[267] Leaders' concerns about the existential risks of AI around 2015:
Rawlinson (2015)

Holley (2015)

Gibbs (2014)

Sainato (2015)

[467] Rawlinson (2015)

[468] Holley (2015)

[469] Gibbs (2014)

[470] Sainato (2015)

[:0-268] ""Godfather of artificial intelligence" talks impact and potential of new AI". CBS News. 25 March 2023. Archived from the original on 28 March 2023. Retrieved 28 March 2023.

[269] Pittis, Don (4 May 2023). "Canadian artificial intelligence leader Geoffrey Hinton piles on fears of computer takeover". CBC.

[270] "'50-50 chance' that AI outsmarts humanity, Geoffrey Hinton says - BNN Bloomberg". Bloomberg BNN. 14 June 2024. Retrieved 6 July 2024.

[FOOTNOTEValance2023-271] Valance (2023).

[guardian2023-272] Taylor, Josh (7 May 2023). "Rise of artificial intelligence is inevitable but should not be feared, 'father of AI' says". The Guardian. Retrieved 26 May 2023.

[foxnews2023-273] Colton, Emma (7 May 2023). "'Father of AI' says tech fears misplaced: 'You cannot stop it'". Fox News. Retrieved 26 May 2023.

[forbes2023-274] Jones, Hessie (23 May 2023). "Juergen Schmidhuber, Renowned 'Father Of Modern AI,' Says His Life's Work Won't Lead To Dystopia". Forbes. Retrieved 26 May 2023.

[andrewng2023-275] McMorrow, Ryan (19 December 2023). "Andrew Ng: 'Do we think the world is better off with more or less intelligence?'". Financial Times. Retrieved 30 December 2023.

[lecun2023-276] Levy, Steven (22 December 2023). "How Not to Be Stupid About AI, With Yann LeCun". Wired. Retrieved 30 December 2023.

[277] Arguments that AI is not an imminent risk:
Brooks (2014)

Geist (2015)

Madrigal (2015)

Lee (2014)

[481] Brooks (2014)

[482] Geist (2015)

[483] Madrigal (2015)

[484] Lee (2014)

[FOOTNOTEChristian202067,_73-278] Jump up to: ^a ^b Christian (2020), pp. 67, 73.

[FOOTNOTEYudkowsky2008-279] Yudkowsky (2008).

[FOOTNOTEAndersonAnderson2011-280] Jump up to: ^a ^b Anderson & Anderson (2011).

[FOOTNOTEAAAI2014-281] AAAI (2014).

[FOOTNOTEWallach2010-282] Wallach (2010).

[FOOTNOTERussell2019173-283] Russell (2019), p. 173.

[284] Stewart, Ashley; Melton, Monica. "Hugging Face CEO says he's focused on building a 'sustainable model' for the $4.5 billion open-source-AI startup". Business Insider. Retrieved 14 April 2024.

[285] Wiggers, Kyle (9 April 2024). "Google open sources tools to support AI model development". TechCrunch. Retrieved 14 April 2024.

[286] Heaven, Will Douglas (12 May 2023). "The open-source AI boom is built on Big Tech's handouts. How long will it last?". MIT Technology Review. Retrieved 14 April 2024.

[287] Brodsky, Sascha (19 December 2023). "Mistral AI's New Language Model Aims for Open Source Supremacy". AI Business.

[288] Edwards, Benj (22 February 2024). "Stability announces Stable Diffusion 3, a next-gen AI image generator". Ars Technica. Retrieved 14 April 2024.

[289] Marshall, Matt (29 January 2024). "How enterprises are using open source LLMs: 16 examples". VentureBeat.

[290] Piper, Kelsey (2 February 2024). "Should we make our most powerful AI models open source to all?". Vox. Retrieved 14 April 2024.

[291] Alan Turing Institute (2019). "Understanding artificial intelligence ethics and safety" (PDF).

[292] Alan Turing Institute (2023). "AI Ethics and Governance in Practice" (PDF).

[293] Floridi, Luciano; Cowls, Josh (23 June 2019). "A Unified Framework of Five Principles for AI in Society". Harvard Data Science Review. 1 (1). doi:10.1162/99608f92.8cd550d1. S2CID 198775713.

[294] Buruk, Banu; Ekmekci, Perihan Elif; Arda, Berna (1 September 2020). "A critical perspective on guidelines for responsible and trustworthy artificial intelligence". Medicine, Health Care and Philosophy. 23 (3): 387–399. doi:10.1007/s11019-020-09948-1. ISSN 1572-8633. PMID 32236794. S2CID 214766800.

[295] Kamila, Manoj Kumar; Jasrotia, Sahil Singh (1 January 2023). "Ethical issues in the development of artificial intelligence: recognizing the risks". International Journal of Ethics and Systems. ahead-of-print (ahead-of-print). doi:10.1108/IJOES-05-2023-0107. ISSN 2514-9369. S2CID 259614124.

[296] "AI Safety Institute releases new AI safety evaluations platform". UK Government. 10 May 2024. Retrieved 14 May 2024.

[297] Regulation of AI to mitigate risks:
Berryhill et al. (2019)

Barfield & Pagallo (2018)

Iphofen & Kritikos (2019)

Wirtz, Weyerer & Geyer (2018)

Buiten (2019)

[505] Berryhill et al. (2019)

[506] Barfield & Pagallo (2018)

[507] Iphofen & Kritikos (2019)

[508] Wirtz, Weyerer & Geyer (2018)

[509] Buiten (2019)

[FOOTNOTELaw_Library_of_Congress_(U.S.)._Global_Legal_Research_Directorate2019-298] Law Library of Congress (U.S.). Global Legal Research Directorate (2019).

[FOOTNOTEVincent2023-299] Jump up to: ^a ^b Vincent (2023).

[FOOTNOTEStanford_University2023-300] Stanford University (2023).

[FOOTNOTEUNESCO2021-301] Jump up to: ^a ^b ^c ^d UNESCO (2021).

[FOOTNOTEKissinger2021-302] Kissinger (2021).

[FOOTNOTEAltmanBrockmanSutskever2023-303] Altman, Brockman & Sutskever (2023).

[304] VOA News (25 October 2023). "UN Announces Advisory Body on Artificial Intelligence".

[FOOTNOTEEdwards2023-305] Edwards (2023).

[FOOTNOTEKasperowicz2023-306] Kasperowicz (2023).

[FOOTNOTEFox_News2023-307] Fox News (2023).

[308] Milmo, Dan (3 November 2023). "Hope or Horror? The great AI debate dividing its pioneers". The Guardian Weekly. pp. 10–12.

[2023-11-01-bletchley-declaration-full-309] "The Bletchley Declaration by Countries Attending the AI Safety Summit, 1–2 November 2023". GOV.UK. 1 November 2023. Archived from the original on 1 November 2023. Retrieved 2 November 2023.

[310] "Countries agree to safe and responsible development of frontier AI in landmark Bletchley Declaration". GOV.UK (Press release). Archived from the original on 1 November 2023. Retrieved 1 November 2023.

[311] "Second global AI summit secures safety commitments from companies". Reuters. 21 May 2024. Retrieved 23 May 2024.

[312] "Frontier AI Safety Commitments, AI Seoul Summit 2024". gov.uk. 21 May 2024. Archived from the original on 23 May 2024. Retrieved 23 May 2024.

[FOOTNOTERussellNorvig20219-313] Jump up to: ^a ^b Russell & Norvig 2021, p. 9.

[314] "Google books ngram".

[316] AI's immediate precursors:
McCorduck (2004, pp. 51–107)

Crevier (1993, pp. 27–32)

Russell & Norvig (2021, pp. 8–17)

Moravec (1988, p. 3)

[528] McCorduck (2004, pp. 51–107)

[ 1 ]

[ 2 ]

[ 3 ]

[ 4 ]

[ 5 ]

[ 6 ]

[ 7 ]

[ 8 ]

[ 9 ]

[ 10 ]

[ 11 ]

[ 12 ]

[ 13 ]

[ 14 ]

[ а ]

[ 15 ]

[ б ]

[ 16 ]

[ 17 ]

[ 18 ]

[ 19 ]

[ 20 ]

[ 21 ]

[ 22 ]

[ 23 ]

[ 24 ]

[ 25 ]

[ 26 ]

[ 27 ]

[ 28 ]

[ 29 ]

[ 30 ]

[ 31 ]

[ 32 ]

[ 33 ]

[ с ]

[ д ]

[ 36 ]

[ 37 ]

[ 38 ]

[ 39 ]

[ 40 ]

[ 41 ]

[ 42 ]

[ 43 ]

[ 44 ]

[ 45 ]

[ и ]

[ 48 ]

[ 49 ]

[ 50 ]

[ 51 ]

[ 52 ]

[ 53 ]

[ 54 ]

[ 55 ]

[ ж ]

[ 56 ]

[ 57 ]

[ 58 ]

[ 59 ]

[ 60 ]

[ 61 ]

[ 62 ]

[ 63 ]

[ 64 ]

[ 65 ]

[ 66 ]

[ 67 ]

[ 68 ]

[ 69 ]

[ 70 ]

[ 71 ]

[ 72 ]

[ 73 ]

[ 74 ]

[ 75 ]

[ 76 ]

[ 77 ]

[ 78 ]

[ 79 ]

[ 80 ]

[ 81 ]

[ 82 ]

[ 83 ]

[ 84 ]

[ 85 ]

[ 86 ]

[ 87 ]

[ 88 ]

[ 89 ]

[ 90 ]

[ 91 ]

[ 92 ]

[ 93 ]

[ 94 ]

[ 95 ]

[ 96 ]

[ г ]

[ 98 ]