ИИ зима

В истории искусственного интеллекта « зима ИИ» — это период снижения финансирования и интереса к исследованиям в области искусственного интеллекта . Эта область пережила несколько циклов ажиотажа , за которыми последовали разочарования и критика, за которыми последовали сокращения финансирования, а затем возобновился интерес спустя годы или даже десятилетия.

Этот термин впервые появился в 1984 году как тема публичных дебатов на ежегодном собрании AAAI (тогда называвшегося «Американской ассоциацией искусственного интеллекта»). Роджер Шанк и Марвин Мински — два ведущих исследователя ИИ, пережившие «зиму» 1970-х годов, — предупредили бизнес-сообщество, что энтузиазм в отношении ИИ вышел из-под контроля в 1980-х годах и что за этим обязательно последует разочарование. Они описали цепную реакцию, похожую на « ядерную зиму », которая начнется с пессимизма в сообществе ИИ, за которым последует пессимизм в прессе, за которым последует серьезное сокращение финансирования, а затем и прекращение серьезных исследований. Три года спустя индустрия искусственного интеллекта стоимостью в миллиард долларов начала рушиться.

Было две большие зимы примерно в 1974–1980 и 1987–2000 годах. и несколько более мелких эпизодов, в том числе следующие:

• 1966: провал машинного перевода
• 1969: критика перцептронов (ранних однослойных искусственных нейронных сетей )
• 1971–75: исследований Разочарование DARPA программой понимания речи в Университете Карнеги-Меллон.
• 1973: значительное сокращение исследований искусственного интеллекта в Соединенном Королевстве в ответ на отчет Лайтхилла.
• 1973–74: сокращение DARPA академических исследований в области ИИ в целом.
• 1987: крах машин LISP. рынка
• 1988: отмена новых расходов на ИИ Инициативой стратегических вычислений.
• 1990-е: от многих экспертных систем отказались
• 1990-е: конец компьютерного проекта пятого поколения. первоначальных целей

Энтузиазм и оптимизм в отношении ИИ в целом возросли с момента его падения в начале 1990-х годов. Примерно начиная с 2012 года интерес к искусственному интеллекту (и особенно к подобласти машинного обучения ) со стороны исследовательских и корпоративных сообществ привел к резкому увеличению финансирования и инвестиций, что привело к нынешнему (по состоянию на 2024 год) ) AI бум .

Ранние серии

Машинный перевод и отчет

См. Также: История машинного перевода.

Исследования обработки естественного языка (НЛП) берут свое начало в начале 1930-х годов и начали свое существование с работы над машинным переводом (МП). Однако значительные достижения и приложения начали появляться после публикации влиятельного меморандума Уоррена Уивера в 1949 году. Меморандум вызвал большой ажиотаж в исследовательском сообществе. В последующие годы развернулись примечательные события: IBM приступила к разработке первой машины, MIT назначил своего первого штатного профессора по машинному переводу, состоялось несколько конференций, посвященных MT. Кульминацией стала публичная демонстрация машины IBM-Джорджтаун, которая привлекла широкое внимание уважаемых газет в 1954 году.

Как и в случае со всеми бумами искусственного интеллекта, за которыми следовали отчаянные зимы искусственного интеллекта, средства массовой информации имели тенденцию преувеличивать значение этих событий. Заголовки об эксперименте IBM в Джорджтауне пестрили такими фразами, как «Двуязычная машина», «Мозг робота переводит русский на Королевский английский» и т. д. и «Дитя полиглота». Однако настоящая демонстрация включала перевод тщательно подобранного набора из 49 русских предложений на английский язык, при этом словарный запас машины был ограничен всего 250 словами. Чтобы представить ситуацию в перспективе, исследование, проведенное Полом Нэйшеном в 2006 году , показало, что людям необходим словарный запас, состоящий примерно из 8000–9000 слов, чтобы понимать письменные тексты с точностью 98%.

Во время Холодной войны правительство США было особенно заинтересовано в автоматическом и мгновенном переводе российских документов и научных отчетов. Правительство активно поддерживало усилия по машинному переводу, начиная с 1954 года. Еще одним фактором, стимулировавшим развитие механического перевода, был интерес, проявленный Центральным разведывательным управлением (ЦРУ). В тот период ЦРУ твердо верило в важность развития возможностей машинного перевода и поддерживало подобные инициативы. Они также признали, что последствия этой программы выходят за рамки интересов ЦРУ и разведывательного сообщества.

Вначале исследователи были настроены оптимистично. Ноама Хомского Новая работа в области грамматики упростила процесс перевода, и было «много предсказаний о неизбежных «прорывах»».

Брифинг для вице-президента США Джеральда Форда в 1973 году о узловой грамматике. модели компьютерного перевода, основанной на

Однако исследователи недооценили огромную трудность устранения неоднозначности смысла слов . Чтобы перевести предложение, машине нужно было иметь некоторое представление о том, о чем это предложение, иначе она допускала ошибки. апокриф Пример: «Дух бодр, но плоть слаба». В переводе туда и обратно с русского получилось "водка хорошая, но мясо тухлое". Позже исследователи назовут это проблемой здравого смысла .

К 1964 году Национальный исследовательский совет был обеспокоен отсутствием прогресса и сформировал Консультативный комитет по автоматической языковой обработке ( ALPAC ), чтобы изучить проблему. В знаменитом отчете 1966 года они пришли к выводу, что машинный перевод дороже, менее точен и медленнее, чем человеческий перевод. Потратив около 20 миллионов долларов, NRC прекратил всякую поддержку. Карьера была разрушена, а исследования прекратились.

Машинный перевод прошел тот же путь, что и НЛП, от подходов, основанных на правилах, через статистические подходы до подходов нейронных сетей, кульминацией которых в 2023 году стали большие языковые модели .

однослойных нейронных сетей в

См. Также: Персептроны (книга) и Фрэнк Розенблатт.

Простые сети или схемы связанных элементов, в том числе Уолтера Питтса и Уоррена Маккаллоха для нейронная сеть логики и Марвина Мински система SNARC . , не смогли дать обещанных результатов и от них отказались в конце 1950-х годов После успеха таких программ, как « Теоретик логики» и «Решатель общих задач» , Алгоритмы манипулирования символами в то время казались более многообещающими как средства достижения логического рассуждения, рассматриваемого в то время как сущность интеллекта, естественного или искусственного.

Интерес к персептронам , изобретенным Фрэнком Розенблаттом, поддерживался только благодаря силе его личности. Он оптимистично предсказал, что персептрон «в конечном итоге сможет учиться, принимать решения и переводить языки». Основные исследования перцептронов частично прекратились из-за того, что «Перцептроны» в книге Марвина Мински и Сеймура Пейперта 1969 года подчеркивались пределы возможностей перцептронов. Хотя уже было известно, что многослойные перцептроны не подлежат критике, в 1960-е годы никто не знал, как обучать многослойные перцептроны. До обратного распространения ошибки оставалось еще много лет.

В 1970-х и начале 1980-х годов было трудно найти крупное финансирование для проектов нейросетевых подходов. Важные теоретические работы продолжались, несмотря на отсутствие финансирования. «Зима» нейросетевого подхода подошла к концу в середине 1980-х годов, когда работы Джона Хопфилда , Дэвида Румельхарта и других возродили широкомасштабный интерес. Однако Розенблатт не дожил до этого, поскольку погиб в катастрофе вскоре после «Персептронов» . публикации

Неудачи 1974 года

Лайтхилла

См. Также: Отчет Лайтхилла

В 1973 году профессора сэра Джеймса Лайтхилла Великобритании попросил парламент оценить состояние исследований ИИ в Соединенном Королевстве. Его доклад, который теперь называется докладом Лайтхилла, подверг критике полную неспособность ИИ достичь своих «грандиозных целей». Он пришел к выводу, что все, что сделано в области ИИ, не может быть сделано в других науках. Он особо упомянул проблему « комбинаторного взрыва » или « неразрешимости », которая подразумевала, что многие из наиболее успешных алгоритмов ИИ не справлялись с проблемами реального мира и подходили только для решения «игрушечных» версий.

Отчет был оспорен в ходе дебатов, транслировавшихся в сериале BBC «Противоречие» в 1973 году. Дебаты «Робот общего назначения - это мираж» Королевского института велись между Лайтхиллом и командой Дональда Мичи , Джона Маккарти и Ричарда Грегори . Позже Маккарти писал, что «проблема комбинаторного взрыва была осознана в ИИ с самого начала».

Отчет привел к полному прекращению исследований ИИ в Великобритании. Исследования ИИ продолжались лишь в нескольких университетах (Эдинбурге, Эссексе и Сассексе). Исследования не возродились в больших масштабах до 1983 года, когда Алви (исследовательский проект британского правительства) снова начал финансировать ИИ из военного бюджета в 350 миллионов фунтов стерлингов в ответ на японский проект «Пятое поколение» (см. ниже). У Алви был ряд требований только для Великобритании, которые не нашли одобрения на международном уровне, особенно среди партнеров из США, и лишились финансирования Фазы 2.

Сокращение финансирования DARPA в начале 1970

В 1960-х годах Агентство перспективных исследовательских проектов Министерства обороны (тогда известное как «ARPA», теперь известное как «DARPA») предоставило миллионы долларов на исследования ИИ без каких-либо условий. Дж.К.Р. Ликлайдер , директор-основатель компьютерного подразделения DARPA, верил в «финансирование людей, а не проектов». и он и несколько его преемников позволили лидерам ИИ (таким как Марвин Мински , Джон Маккарти, Герберт А. Саймон или Аллен Ньюэлл ) тратить их практически так, как им хотелось.

Это отношение изменилось после принятия Мэнсфилдской поправки в 1969 году, которая требовала от DARPA финансировать «целевые прямые исследования, а не фундаментальные ненаправленные исследования». Чистые ненаправленные исследования, подобные тем, которые проводились в 1960-х годах, больше не будут финансироваться DARPA. Теперь исследователям пришлось показать, что их работа вскоре приведет к появлению полезных военных технологий. Предложения по исследованиям ИИ были проведены на очень высоком уровне. Ситуацию не улучшило то, что отчет Лайтхилла и собственное исследование DARPA ( Американская исследовательская группа ) предположили, что большинство исследований ИИ вряд ли дадут что-то действительно полезное в обозримом будущем. Деньги DARPA были направлены на конкретные проекты с четко выраженными целями, такие как автономные танки и системы управления боем. К 1974 году финансирование проектов искусственного интеллекта было трудно найти.

Исследователь искусственного интеллекта Ганс Моравец обвинил в кризисе нереалистичные прогнозы своих коллег: «Многие исследователи попали в паутину растущих преувеличений. Их первоначальные обещания DARPA были слишком оптимистичными. .Но они почувствовали, что не могут в следующем предложении обещать меньше, чем в первом, поэтому пообещали больше». В результате, как утверждает Моравец, некоторые сотрудники DARPA потеряли терпение к исследованиям ИИ. «В DARPA буквально сформулировали, что «некоторым из этих людей предстоит преподать урок, сократив их контракты на два миллиона долларов в год почти до нуля!» — сказал Моравец Дэниелу Кревье .

Хотя проект автономного танка потерпел неудачу, система управления боем ( инструмент динамического анализа и перепланирования ) оказалась чрезвычайно успешной, сэкономив миллиарды долларов в первой войне в Персидском заливе и окупив все инвестиции DARPA в искусственный интеллект. и оправдание прагматичной политики DARPA.

Разгром SUR

Как описано в:

В 1971 году Агентство передовых оборонных исследовательских проектов (DARPA) начало амбициозный пятилетний эксперимент по распознаванию речи. Целью проекта было обеспечить распознавание высказываний из ограниченного словарного запаса практически в реальном времени. Три организации, наконец, продемонстрировали системы по завершении проекта в 1976 году. Это Университет Карнеги-Меллона (CMU), который фактически продемонстрировал две системы [HEARSAY-II и HARPY]; Болт, Беранек и Ньюман (BBN); и Корпорация системного развития со Стэнфордским исследовательским институтом (SDC/SRI)

Системой, наиболее близкой к достижению первоначальных целей проекта, была система CMU HARPY. Относительно высокая производительность системы HARPY во многом была достигнута за счет «жесткой проводки» информации о возможных высказываниях в базу знаний системы. Хотя HARPY внесла некоторые интересные вклады, ее зависимость от обширных предварительных знаний ограничивала применимость этого подхода к другим задачам понимания сигналов.

DARPA было глубоко разочаровано исследователями, работавшими над программой исследования понимания речи в Университете Карнеги-Меллон. DARPA надеялось и считало, что это обещано, система, которая могла бы реагировать на голосовые команды пилота. Команда SUR разработала систему, которая могла распознавать разговорный английский язык, но только если слова произносились в определенном порядке . DARPA посчитало, что его обманули, и в 1974 году расторгло контракт на три миллиона долларов в год.

Много лет спустя несколько успешных коммерческих систем распознавания речи будут использовать технологию, разработанную командой Карнеги-Меллона (например, скрытые модели Маркова ), и к 2001 году рынок систем распознавания речи достигнет 4 миллиардов долларов.

Описание Hearsay-II см. в разделах Hearsay-II , «Система понимания речи Hearsay-II: интеграция знаний для устранения неопределенности» и «Ретроспективный взгляд на архитектуру Hearsay-II» , которые появляются в Blackboard Systems.

Редди дает обзор прогресса в понимании речи в конце проекта DARPA в статье 1976 года в Proceedings of the IEEE .

Противоположное мнение

Томас Хей утверждает, что активность в области ИИ не замедлилась, даже несмотря на то, что финансирование Министерства обороны перенаправлялось, в основном после принятия Конгрессом закона, призванного разделить военную и академическую деятельность. Этот действительно профессиональный интерес рос на протяжении 70-х годов. ACM Используя количество членов SIGART , Специальной группы по интересам по искусственному интеллекту , в качестве показателя интереса к этому предмету, автор пишет:

(...) Я нашел два источника данных, ни один из которых не подтверждает идею широкомасштабной зимы ИИ в 1970-х годах. Одним из них является членство в SIGART ACM, главном месте для обмена новостями и тезисами исследований в 1970-е годы. Когда в 1973 году был опубликован отчет Лайтхилла, в быстрорастущей группе насчитывался 1241 член, что примерно вдвое больше, чем в 1969 году. Следующие пять лет традиционно считаются самой мрачной частью первой зимы ИИ. Сообщество искусственного интеллекта сокращалось? Нет! К середине 1978 года число членов SIGART увеличилось почти втрое, до 3500 человек. Группа не только росла быстрее, чем когда-либо, но и росла пропорционально быстрее, чем ACM в целом, который начал выходить на плато (расширяясь менее чем на 50% за весь период с 1969 по 1978 год). Каждый 11-й член ACM был в SIGART.

Неудачи конца 1980-х — начала 1990

Крах рынка LISP-машин

форма программы искусственного интеллекта, называемая « экспертной системой В 1980-х годах корпорациями по всему миру была принята ». Первой коммерческой экспертной системой была XCON , разработанная в Карнеги-Меллоне для Digital Equipment Corporation , и она имела огромный успех: по оценкам, она сэкономила компании 40 миллионов долларов всего за шесть лет работы. Корпорации по всему миру начали разрабатывать и внедрять экспертные системы и к 1985 году потратили на ИИ более миллиарда долларов, большая часть которых приходилась на собственные отделы ИИ. Для их поддержки выросла целая индустрия, включая компании-разработчики программного обеспечения, такие как Teknowledge и Intellicorp (KEE) , а также компании-производители оборудования, такие как Symbolics и LISP Machines Inc. , которые создали специализированные компьютеры, называемые машинами LISP , которые были оптимизированы для обработки языка программирования LISP , предпочтительного языка программирования LISP. язык для исследований ИИ в США.

Мински и Шанка В 1987 году, через три года после предсказания , рынок специализированного оборудования искусственного интеллекта на основе LISP рухнул. Рабочие станции таких компаний, как Sun Microsystems, предлагали мощную альтернативу машинам LISP, а такие компании, как Lucid, предлагали среду LISP для этого нового класса рабочих станций. Производительность этих обычных рабочих станций становилась все более сложной задачей для LISP-машин. Такие компании, как Lucid и Franz LISP, предлагали все более мощные версии LISP, переносимые на все системы UNIX. Например, были опубликованы тесты, показывающие, что рабочие станции сохраняют преимущество в производительности по сравнению с машинами LISP. Более поздние настольные компьютеры, созданные Apple и IBM , также предлагали более простую и популярную архитектуру для запуска приложений LISP. К 1987 году некоторые из них стали такими же мощными, как и более дорогие машины LISP. На настольных компьютерах были доступны механизмы, основанные на правилах, такие как CLIPS . Эти альтернативы не оставляли потребителям причин покупать дорогую машину, предназначенную для работы с LISP. За один год была заменена целая отрасль стоимостью полмиллиарда долларов.

К началу 1990-х годов большинство коммерческих компаний, занимающихся LISP, обанкротились, в том числе Symbolics, LISP Machines Inc., Lucid Inc. и т. д. Другие компании, такие как Texas Instruments и Xerox , покинули эту область. Небольшое количество компаний-клиентов (то есть компаний, использующих системы, написанные на LISP и разработанные на машинных платформах LISP) продолжали обслуживать системы. В некоторых случаях это обслуживание предполагало выполнение последующих вспомогательных работ.

Замедление внедрения экспертных систем

К началу 1990-х годов обслуживание первых успешных экспертных систем, таких как XCON, оказалось слишком дорогим. Их было трудно обновлять, они не могли учиться, были «хрупкими» (т. е. могли совершать гротескные ошибки при вводе необычных данных) и становились жертвами проблем (таких как проблема квалификации ), которые были выявлены годами ранее в исследования в области немонотонной логики . Экспертные системы оказались полезными, но лишь в нескольких особых контекстах. Другая проблема была связана с вычислительной сложностью усилий по поддержанию истины для общих знаний. KEE использовал подход, основанный на предположениях (см. NASA, TEXSYS ), поддерживающий сценарии с множеством миров, которые было трудно понять и применить.

Немногим оставшимся компаниям-оболочкам экспертных систем в конечном итоге пришлось сократить штат и искать новые рынки и парадигмы программного обеспечения, такие как рассуждение на основе прецедентов или универсальный доступ к базам данных . Развитие Common Lisp спасло многие системы, такие как ICAD , которые нашли применение в инженерии, основанной на знаниях . Другие системы, такие как KEE от Intellicorp, перешли с LISP на C++ (вариант) на ПК и помогли внедрить объектно-ориентированную технологию (включая предоставление основной поддержки для разработки UML (см. UML Partners ).

Конец проекта «Пятое поколение»

См. Также: Компьютер пятого поколения.

В 1981 году Министерство международной торговли и промышленности Японии выделило 850 миллионов долларов на проект создания компьютера пятого поколения . Их целью было писать программы и создавать машины, которые могли бы вести разговоры, переводить языки, интерпретировать изображения и рассуждать, как люди. К 1991 году впечатляющий список целей, поставленных в 1981 году, так и не был достигнут. По словам Х. П. Ньюквиста в книге «Создатели мозгов» , «1 июня 1992 года проект «Пятое поколение» завершился не ревом успеха, а хныканьем». Как и в случае с другими проектами ИИ, ожидания были намного выше, чем было на самом деле.

стратегическим

См. Также: Инициатива в области стратегических вычислений.

В 1983 году в ответ на проект пятого поколения DARPA снова начало финансировать исследования в области искусственного интеллекта в рамках Инициативы стратегических вычислений. Первоначально предполагалось, что проект начнется с практических, достижимых целей, включая даже общий искусственный интеллект в качестве долгосрочной цели. Программа находилась под руководством Управления технологий обработки информации (IPTO) и также была направлена ​​на суперкомпьютеры и микроэлектронику . К 1985 году компания потратила 100 миллионов долларов, и в 60 учреждениях реализовывались 92 проекта: половина в промышленности, половина в университетах и ​​правительственных лабораториях. Исследования искусственного интеллекта хорошо финансировались SCI.

Джек Шварц, который возглавил IPTO в 1987 году, назвал экспертные системы «умным программированием» и «глубоко и жестоко» сократил финансирование ИИ, «потрошив» SCI. Шварц считал, что DARPA должно сосредоточить свое финансирование только на тех технологиях, которые показали наибольшую перспективу. По его словам, DARPA должно «серфить», а не «собачьим веслом», и он был твердо убежден, что ИИ не является «следующей волной». Инсайдеры программы отметили проблемы в общении, организации и интеграции. Несколько проектов пережили сокращение финансирования, в том числе помощник пилота и автономный наземный транспорт (которые так и не были поставлены), а также система управления боем DART, которая (как отмечалось выше) оказалась успешной.

AI зима 1990-х и начала 2000-х годов

Обзор отчетов начала 2000-х годов показывает, что репутация ИИ все еще была плохой:

• Алекс Кастро, цитата из The Economist , 7 июня 2007 г.: «[Инвесторов] отпугнул термин «распознавание голоса», который, как и «искусственный интеллект», ассоциируется с системами, которые слишком часто не оправдывают своих обещаний. ."
• Пэтти Таскарелла в Pittsburgh Business Times , 2006 г.: «Некоторые считают, что слово «робототехника» на самом деле несет в себе стигму, которая снижает шансы компании на финансирование».
• Джон Маркофф в газете «Нью-Йорк Таймс» , 2005 г.: «На пике своего развития некоторые ученые-компьютерщики и инженеры-программисты избегали термина «искусственный интеллект», опасаясь, что их сочтут мечтателями с безумными глазами».

Многие исследователи искусственного интеллекта в середине 2000-х годов сознательно называли свою работу другими именами , такими как информатика , машинное обучение, аналитика, системы, основанные на знаниях , управление бизнес-правилами , когнитивные системы , интеллектуальные системы, интеллектуальные агенты или вычислительный интеллект , чтобы указать, что их работа делает упор на определенные инструменты или направлена ​​на конкретную подзадачу. Хотя отчасти это может быть связано с тем, что они считают свою область деятельности фундаментально отличной от ИИ, верно также и то, что новые названия помогают обеспечить финансирование, избегая клейма ложных обещаний, связанного с названием «искусственный интеллект».

В конце 1990-х и начале XXI века технология искусственного интеллекта стала широко использоваться в качестве элементов более крупных систем. но эти успехи редко получают признание в этой области. В 2006 году Ник Бостром объяснил, что «много передовых ИИ проникло в общие приложения, часто не называясь ИИ, потому что, как только что-то становится достаточно полезным и достаточно распространенным, его больше не называют ИИ». Примерно в то же время Родни Брукс заявил, что «существует этот глупый миф о том, что ИИ потерпел неудачу, но ИИ окружает вас каждую секунду дня».

следует короткая зима (2020-2022 гг.

Годовой временной ряд количества научных публикаций, в которых упоминаются ключевые слова «искусственный интеллект» (ИИ), «машинное обучение» (ML) и «нейронная сеть» (NN) с 2014 по 2023 год.

В период с 2015 по 2020 год произошел беспрецедентный всплеск исследовательской активности в области искусственного интеллекта (см. рисунок): количество публикаций, в которых упоминается ключевое слово «искусственный интеллект», увеличилось со 169 000 в 2014 году до 590 000 в 2019 году, что демонстрирует огромные двузначные темпы роста за год. в годовом исчислении с 12% в 2016 году до 45% в 2018 году, при этом рост превышает 30% в годовом исчислении с 2017 по 2019 год. Близкая параллельная тенденция отражена в публикациях, в которых упоминаются ключевые слова «машинное обучение» и «нейронная сеть». Этот рост был беспрецедентным как по количеству, так и по воздействию, оказав революционный эффект на большинство приложений искусственного интеллекта.

Революция в доступности во всем мире дешевых, динамически масштабируемых и крупномасштабных облачных вычислений потенциально способствовала этому буму публикаций об исследованиях в области ИИ. Наличие дешевых облачных вычислений означало, что даже студенты колледжей могли развертывать и экспериментировать с большими моделями ИИ.

За взрывным бумом с 2015 по 2020 год последовало столь же впечатляющее сокращение числа публикаций, превысившее 33% в годовом исчислении с 2021 по 2023 год. Это лишь второй случай в истории исследований ИИ, когда количество публикаций сократилось более чем на 33%. более 20%, причем первый из них приходится на первую зиму AI.

Причинные события этой последней «зимы искусственного интеллекта», похоже, не совсем ясны. Частично это можно отнести на счет чрезвычайных обстоятельств, вызванных пандемией Covid , которая привела к повсеместной переориентации исследовательской направленности и финансирования в академических областях, включая искусственный интеллект. Однако значительная его часть, вероятно, была лишь коррекционным замедлением ( регрессом к среднему значению ) после беспрецедентного взрывного роста с 2015 по 2020 год.

Текущая весна AI (с 2022 г. по

Основная статья: Бум ИИ

За последние несколько лет ИИ достиг самого высокого уровня интереса и финансирования в своей истории по всем возможным показателям, включая: публикации, патентные заявки, общий объем инвестиций (50 миллиардов долларов в 2022 году), и вакансий (800 000 вакансий в США в 2022 году). Успехами нынешней «весны искусственного интеллекта» или «бума искусственного интеллекта» являются достижения в области языкового перевода (в частности, Google Translate ), распознавания изображений (поддерживаемого обучающей базой данных ImageNet ), коммерциализированных Google Image Search , а также в игровых системах. такие как AlphaZero (чемпион по шахматам) и AlphaGo (чемпион по го) и Watson ( чемпион Jeopardy ). Поворотным моментом стал 2012 год, когда AlexNet ( сеть глубокого обучения ) выиграла конкурс ImageNet Large Scale Visual Recognition Challenge с вдвое меньшим количеством ошибок, чем обладатель второго места.

Выпуск в 2022 году чат-бота OpenAI с искусственным интеллектом ChatGPT , который по состоянию на январь 2023 года имеет более 100 миллионов пользователей. оживил дискуссию об искусственном интеллекте и его влиянии на мир.

См. также

• История искусственных нейронных сетей
• История искусственного интеллекта
• AI-эффект
• Программный кризис

Ссылки

• Кристиан, Брайан (2020). Проблема согласования : машинное обучение и человеческие ценности . WW Нортон и компания. ISBN  978-0-393-86833-3 . OCLC   1233266753 .
• 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.
• 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.
• 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.
• Кревье, Дэниел (1993). ИИ: бурные поиски искусственного интеллекта . Нью-Йорк, штат Нью-Йорк: BasicBooks. ISBN  0-465-02997-3 .
• Хоу, Дж. (ноябрь 1994 г.). «Искусственный интеллект в Эдинбургском университете: перспектива» . Архивировано из оригинала 17 августа 2007 года . Проверено 30 августа 2007 г.
• Курцвейл, Рэй (2005). Сингулярность уже близко . Викинг Пресс. ISBN  978-0-670-03384-3 .
• Лайтхилл, профессор сэр Джеймс (1973). «Искусственный интеллект: общий обзор». Искусственный интеллект: докладный симпозиум . Научно-исследовательский совет.

• Мински, Марвин ; Паперт, Сеймур (1969). Перцептроны: введение в вычислительную геометрию . Массачусетский технологический институт Пресс. ISBN  0-262-13043-2 .
• МакКордак, Памела (2004), Машины, которые думают (2-е изд.), Натик, Массачусетс: AK Peters, Ltd., ISBN  1-56881-205-1
• НРК (1999). «Развития искусственного интеллекта» . Финансирование революции: государственная поддержка компьютерных исследований . Национальная Академия Пресс. Архивировано из оригинала 12 января 2008 года . Проверено 30 августа 2007 г. {{cite book}}: CS1 maint: bot: исходный статус URL неизвестен ( ссылка )
• Ньюквист, HP (1994). Создатели мозга: гений, эго и жадность в поисках мыслящих машин . Макмиллан/САМС. ISBN  978-0-9885937-1-8 .
• 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

Дальнейшее чтение

• 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.)
• Маркус, Гэри , «Я человек?: Исследователям нужны новые способы отличить искусственный интеллект от естественного», Scientific American , vol. 316, нет. 3 (март 2017 г.), стр. 58–63. Необходимы многочисленные тесты эффективности искусственного интеллекта , потому что «так же, как не существует единого теста спортивного мастерства, не может быть и одного окончательного теста интеллекта ». Один из таких тестов, «Конструкторский вызов», проверит восприятие и физические действия — «два важных элемента разумного поведения, которые полностью отсутствовали в оригинальном тесте Тьюринга ». Другое предложение заключалось в том, чтобы дать машинам те же стандартизированные тесты по естественным наукам и другим дисциплинам, которые сдают школьники. Пока что непреодолимым камнем преткновения на пути к искусственному интеллекту является неспособность к надежному устранению неоднозначности . «[П]рактически каждое предложение, [которое генерируют люди] двусмысленно , часто во многих смыслах». Яркий пример известен как «проблема устранения неоднозначности местоимений»: машина не имеет возможности определить, кому или чему адресовано сообщение. Местоимение в предложении, например «он», «она» или «оно», относится.
• Люк Мюльхаузер (сентябрь 2016 г.). «Чему нам следует научиться из прошлых прогнозов ИИ?» . Открытый благотворительный проект.
• Гурсой Ф. и Какадиарис И.А. (2023) Стратегия исследований искусственного интеллекта в США: критическая оценка и политические рекомендации . Передний. Большие данные 6:1206139. doi: 10.3389/fdata.2023.1206139: Глобальные тенденции в исследованиях и разработках в области ИИ находятся в значительной степени под влиянием США. Такие тенденции очень важны для будущего отрасли, особенно с точки зрения выделения средств, чтобы избежать второй зимы искусственного интеллекта, способствовать улучшению общества и гарантировать безопасный переход общества к новой социотехнической парадигме. В данной статье через критическую призму рассматриваются официальные стратегии правительства США в области исследований и разработок в области искусственного интеллекта в свете этой актуальной проблемы. В нем содержится шесть предложений по совершенствованию стратегий исследований ИИ в США и во всем мире.
• 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».

Внешние ссылки

• Статья ComputerWorld (февраль 2005 г.)
• Информационный бюллетень AI Expert (январь 2005 г.)
• «Если это работает, то это не ИИ: коммерческий взгляд на стартапы в области искусственного интеллекта»
• «Шаблоны программного обеспечения» — сборник эссе Ричарда П. Габриэля , включая несколько автобиографических эссе.
• «Искусственный интеллект: общий обзор». Рецензия на книгу Джона Маккарти
• Другие ресурсы о роботах Freddy II Включает ссылку на 90-минутные дебаты 1973 года « Противоречие » Королевской академии Лайтхилла против Мичи, Маккарти и Грегори в ответ на отчет Лайтхилла британскому правительству.