История искусственного интеллекта

См. Также: Хронология искусственного интеллекта и прогресс в области искусственного интеллекта.

История искусственного интеллекта ( ИИ ) началась в древности с мифов, историй и слухов об искусственных существах, наделенных интеллектом или сознанием мастерами-ремесленниками. Семена современного ИИ были посажены философами, которые пытались описать процесс человеческого мышления как механическое манипулирование символами. Кульминацией этой работы стало изобретение в 1940-х годах программируемого цифрового компьютера — машины, основанной на абстрактной сущности математических рассуждений. Это устройство и лежащие в его основе идеи вдохновили горстку учёных начать серьёзно обсуждать возможность создания электронного мозга .

Область исследований искусственного интеллекта была основана на семинаре, проходившем в кампусе Дартмутского колледжа в США летом 1956 года. Те, кто присутствовал, на десятилетия стали лидерами исследований в области искусственного интеллекта. Многие из них предсказывали, что машина, столь же умная, как человек, появится не более чем через одно поколение, и им дали миллионы долларов, чтобы воплотить это видение в жизнь.

В конце концов стало очевидно, что исследователи сильно недооценили сложность проекта. В 1974 году в ответ на критику со стороны Джеймса Лайтхилла и продолжающееся давление со стороны Конгресса США правительства США и Великобритании прекратили финансирование ненаправленных исследований в области искусственного интеллекта. Семь лет спустя дальновидная инициатива японского правительства вдохновила правительства и промышленность предоставить ИИ миллиарды долларов, но к концу 1980-х годов инвесторы разочаровались и снова прекратили финансирование. Последующие тяжелые годы позже будут известны как « зима искусственного интеллекта ». ИИ подвергался критике в прессе и избегался промышленностью до середины 2000-х годов, но исследования и финансирование продолжали расти под другими названиями.

В 1990-х и начале 2000-х годов машинное обучение применялось для решения многих задач в научных кругах и промышленности. Успех был обусловлен наличием мощного компьютерного оборудования, сбором огромных наборов данных и применением надежных математических методов. В 2012 году глубокое обучение оказалось прорывной технологией, затмившей все остальные методы. Архитектура -трансформер дебютировала в 2017 году и использовалась для создания впечатляющих генеративных приложений искусственного интеллекта . В 2020-е годы произошел бум инвестиций в искусственный интеллект .

Прекурсоры

Мифические, вымышленные и спекулятивные предшественники

Миф и легенда

В греческой мифологии Талос был гигантом, сделанным из бронзы, который охранял остров Крит. Он бросал валуны в корабли захватчиков и ежедневно совершал три обхода по периметру острова. Согласно псевдоаполлодора » « Библиотеке , Гефест выковал Талоса с помощью циклопа и автомат подарил Миносу . В « Аргонавтике» Ясон и аргонавты победили его с помощью единственной пробки возле его ноги, которая, после удаления, позволила жизненно важной сукровице вытечь из его тела и оставила его неживым.

Пигмалион был легендарным царем и скульптором греческой мифологии, широко представленным в Овидия » «Метаморфозах . В 10-й книге поэмы Овидия Пигмалион испытывает отвращение к женщинам, когда становится свидетелем того, как Пропоэтиды занимаются проституцией. Несмотря на это, он совершает подношения в храме Венеры, прося богиню принести ему женщину, подобную вырезанной им статуе.

Средневековые легенды об искусственных существах

Изображение гомункула из «Фауста» Гете.

В книге «О природе вещей» , написанной швейцарским алхимиком Парацельсом , он описывает процедуру, которая, по его утверждению, может изготовить «искусственного человека». Поместив «человеческую сперму» в конский навоз и через 40 дней накормив ее «Арканом человеческой крови», смесь превратится в живого младенца.

Самый ранний письменный отчет о создании големов можно найти в трудах Элеазара бен Иуды из Вормса в начале 13 века. В средние века считалось, что оживить Голема можно , вставив в рот глиняной фигурки лист бумаги с любым именем Бога. В отличие от легендарных автоматов вроде Brazen Heads , Голем . не мог говорить

Таквин , искусственное создание жизни, был частой темой исмаилитских алхимических рукописей, особенно тех, которые приписывались Джабиру ибн Хайяну . Исламские алхимики своей работой пытались создать широкий спектр форм жизни, от растений до животных.

В «Фаусте: Вторая часть трагедии» Иоганна Вольфганга фон Гете , созданный алхимически гомункул , которому суждено жить вечно в колбе, в которой он был создан, пытается родиться в полноценном человеческом теле. Однако после начала этой трансформации колба разбивается, и гомункул умирает.

Современная фантастика

Основная статья: Искусственный интеллект в художественной литературе

К 19 веку идеи об искусственных людях и мыслящих машинах получили развитие в художественной литературе, например, в Мэри Шелли » «Франкенштейне или Карела Чапека «RUR » («Универсальные роботы Россума») . и спекуляции, такие как » Сэмюэля Батлера « Дарвин среди машин , и в реальных случаях, в том числе в » Эдгара Аллана По « Шахматисте Мельзеля . ИИ — распространенная тема в научной фантастике до сих пор.

Автоматы

Основная статья: Автомат

Аль-Джазари (1206 г. н.э.) Программируемые автоматы

Реалистичные гуманоидные автоматы были построены мастерами многих цивилизаций, в том числе Янь Ши , Герой Александрии , Аль-Джазари , Гарун ар-Рашид , Жак де Вокансон , Леонардо Торрес и Кеведо , Пьер Жаке-Дро и Вольфганг фон Кемпелен .

Самыми старыми известными автоматами были священные статуи Древнего Египта и Греции . Верующие верили, что мастер наделил эти фигуры вполне реальным разумом, способным к мудрости и эмоциям - Гермес Трисмегист писал, что «открыв истинную природу богов, человек смог воспроизвести ее». Английский ученый Александр Некхэм утверждал, что древнеримский поэт Вергилий построил дворец со статуями-автоматами.

В период раннего Нового времени эти легендарные автоматы, как говорили, обладали магической способностью отвечать на заданные им вопросы. Предполагалось, что алхимик позднего средневековья и протопротестант Роджер Бэкон изготовил медную голову , разработав легенду о том, что он был волшебником. Эти легенды были похожи на скандинавский миф о голове Мимира . Согласно легенде, Мимир был известен своим интеллектом и мудростью и был обезглавлен во время войны асов и ванов . Говорят, что Один «забальзамировал» голову травами и произнес над ней заклинания, так что голова Мимира по-прежнему могла говорить мудрость Одину. Затем Один держал голову рядом с собой для совета.

Формальное рассуждение

Искусственный интеллект основан на предположении, что процесс человеческого мышления можно механизировать. Изучение механического — или «формального» — рассуждения имеет долгую историю. Китайские , индийские и греческие философы разработали структурированные методы формальной дедукции к первому тысячелетию до нашей эры. Их идеи на протяжении веков развивались такими философами, как Аристотель (который дал формальный анализ силлогизма ) , Евклид (чьи «Начала» были моделью формального рассуждения), аль-Хорезми (который разработал алгебру и дал свое имя « алгоритму »). ) и европейских схоластических философов, таких как Уильям Оккам и Дунс Скот .

Испанский философ Рамон Луллий (1232–1315) разработал несколько логических машин, предназначенных для получения знаний логическими средствами; Лулль описывал свои машины как механические сущности, которые могли объединять основные и неоспоримые истины с помощью простых логических операций, производимых машиной с помощью механических значений, таким образом, чтобы производить все возможные знания. Работы Лулля оказали большое влияние на Готфрида Лейбница , который переработал его идеи.

Готфрид Лейбниц , который предположил, что человеческий разум можно свести к механическим расчетам.

В 17 веке Лейбниц , Томас Гоббс и Рене Декарт исследовали возможность того, что все рациональное мышление можно сделать столь же систематическим, как алгебра или геометрия. Гоббс в «Левиафане» написал знаменитую фразу : «Разум — это не что иное, как расчет». Лейбниц предвидел универсальный язык рассуждений, характеристику Universalis , которая свела бы аргументацию к расчету, так что «не было бы больше необходимости в споре между двумя философами, чем между двумя бухгалтерами. свои планшеты и сказать друг другу (при желании с другом в качестве свидетеля): « Давайте посчитаем ». Эти философы начали формулировать гипотезу системы физических символов , которая впоследствии стала руководящей идеей исследований ИИ.

Изучение математической логики обеспечило существенный прорыв, благодаря которому искусственный интеллект стал казаться правдоподобным. Основы были заложены такими работами, как Буля » «Законы мышления и Фреге » «Begriffsschrift . Основываясь на Рассел системе Фреге, и Уайтхед представили формальную трактовку основ математики в своем шедевре « Начала математики» в 1913 году. Вдохновленный Дэвид успехом Рассела, Гильберт бросил вызов математикам 1920-х и 30-х годов, чтобы ответить на этот фундаментальный вопрос. : «Все ли математические рассуждения могут быть формализованы?» ответили , Гёделя доказательство неполноты машина и Тьюринга На его вопрос лямбда - Чёрча исчисление .

Фотография ENIAC армии США в Школе электротехники Мура

Их ответ удивил в двух отношениях. Во-первых, они доказали, что на самом деле существуют пределы возможностей математической логики. Но во-вторых (и что более важно для ИИ), их работа предполагала, что в этих пределах любая форма математического рассуждения может быть механизирована. Тезис Чёрча -Тьюринга подразумевал, что механическое устройство, перетасовывающее такие простые символы, как 0 и 1, может имитировать любой мыслимый процесс математического вывода. Ключевым открытием стала машина Тьюринга — простая теоретическая конструкция, отражающая суть манипулирования абстрактными символами. Это изобретение вдохновило горстку учёных начать обсуждение возможности мыслящих машин.

Информатика

Основные статьи: История компьютерного оборудования и История информатики.

Счетные машины проектировались или строились в древности и на протяжении всей истории многими людьми, в том числе Готфрид Лейбниц , Жозеф Мари Жаккард , Чарльз Бэббидж , Перси Ладгейт , Леонардо Торрес Кеведо , Ванневар Буш , и другие. Ада Лавлейс предположила, что машина Бэббиджа была «думающей или… рассуждающей машиной», но предупредила: «Желательно остерегаться возможности возникновения преувеличенных идей относительно возможностей» машины.

Первыми современными компьютерами были массивные машины времен Второй мировой войны (такие как Конрада Цузе , Z3 Хит Алана Тьюринга , Робинсон и Колосс Атанасофф и Берри , а также ABC и ENIAC в Пенсильванском университете ). ENIAC был основан на теоретической основе, заложенной Аланом Тьюрингом и разработанной Джоном фон Нейманом . и оказался самым влиятельным.

Рождение искусственного интеллекта (1941-56).

IBM 702 : компьютер, используемый первым поколением исследователей искусственного интеллекта.

Самые ранние исследования мыслящих машин были вдохновлены слиянием идей, которые стали преобладать в конце 1930-х, 1940-х и начале 1950-х годов. Недавние исследования в области неврологии показали, что мозг представляет собой электрическую сеть нейронов , которые излучают импульсы по принципу «все или ничего». Норберта Винера описала Кибернетика контроль и стабильность в электрических сетях. Клода Шеннона описала Теория информации цифровые сигналы (т.е. сигналы «все или ничего»). Алана Тьюринга показала Теория вычислений , что любую форму вычислений можно описать в цифровом виде. Тесная связь между этими идеями предполагала возможность создания «электронного мозга».

В 1940-х и 50-х годах несколько ученых из различных областей (математики, психологии, инженерии, экономики и политологии) исследовали несколько направлений исследований, которые будут иметь жизненно важное значение для дальнейших исследований ИИ. Алан Тьюринг был одним из первых, кто серьезно исследовал теоретическую возможность «машинного интеллекта». Область « исследования искусственного интеллекта » была основана как академическая дисциплина в 1956 году.

Тест Тьюринга

Тест Тьюринга

Основная статья: Тест Тьюринга

В 1950 году Тьюринг опубликовал знаковую статью « Вычислительная техника и интеллект », в которой высказал предположение о возможности создания мыслящих машин. В статье он отметил, что «мышлению» трудно дать определение, и разработал свой знаменитый тест Тьюринга : «Если бы машина могла вести разговор (по телетайпу ), который был бы неотличим от разговора с человеком, тогда было бы разумно говорят, что машина «думала». Эта упрощенная версия проблемы позволила Тьюрингу убедительно доказать, что «мыслящая машина» была, по крайней мере, правдоподобной , и статья ответила на все наиболее распространенные возражения против этого утверждения. Тест Тьюринга был первым серьезным предложением в философии искусственного интеллекта .

Искусственные нейронные сети

Уолтер Питтс и Уоррен Маккалок проанализировали сети идеализированных искусственных нейронов и показали, как они могут выполнять простые логические функции в 1943 году. Они были первыми, кто описал то, что позже исследователи назовут нейронной сетью . На эту статью повлияла статья Тьюринга « О вычислимых числах » 1936 года, в которой использовались аналогичные логические «нейроны» с двумя состояниями, но она была первой, кто применил ее к функциям нейронов. Одним из студентов, вдохновленных Питтсом и Маккалоком, был Марвин Мински , который в то время был 24-летним аспирантом. В 1951 году Мински и Дин Эдмондс построили первую нейронную сеть SNARC . Позже Мински стал одним из самых важных лидеров и новаторов в области искусственного интеллекта.

Кибернетические роботы

Экспериментальные роботы, такие как У. Грея Уолтера и черепахи зверь Джона Хопкинса , были построены в 1950-х годах. Эти машины не использовали компьютеры, цифровую электронику или символическое мышление; они полностью управлялись аналоговой схемой.

ИИ-игры

В 1951 году, используя Ferranti Mark 1 машину Манчестерского университета , Кристофер Стрейчи написал программу для шашек, а Дитрих Принц написал программу для шахмат. Шашечная программа Артура Сэмюэля , тема его статьи 1959 года «Некоторые исследования машинного обучения с использованием игры в шашки», в конечном итоге достигла достаточного мастерства, чтобы бросить вызов респектабельному любителю. Игровой ИИ будет продолжать использоваться как мера прогресса ИИ на протяжении всей его истории.

Символическое рассуждение и теоретик логики

Герберт Саймон (слева) в шахматном матче против Аллена Ньюэлла ок. 1958 год

Основная статья: Теоретик логики

Когда в середине пятидесятых годов стал возможен доступ к цифровым компьютерам , некоторые ученые инстинктивно осознали, что машина, способная манипулировать числами, может также манипулировать символами и что манипулирование символами вполне может быть сутью человеческого мышления. Это был новый подход к созданию думающих машин.

В 1955 году Аллен Ньюэлл и будущий лауреат Нобелевской премии Герберт А. Саймон создали « Теоретика логики с помощью Дж. К. Шоу » . В конечном итоге программа доказала 38 из первых 52 теорем Рассела и Уайтхеда «Principia Mathematica» , а для некоторых нашла новые и более элегантные доказательства. Саймон сказал, что они «решили почтенную проблему разума и тела , объяснив, как система, состоящая из материи, может обладать свойствами разума». Это было раннее утверждение философской позиции, которую Джон Сирл позже назвал « Сильным ИИ »: машины могут содержать в себе разум так же, как и человеческие тела. Представленная ими парадигма символического мышления будет доминировать в исследованиях и финансировании ИИ до середины 90-х годов, а также вдохновит когнитивную революцию .

Дартмутская мастерская

Основная статья: Дартмутская мастерская

Семинар в Дартмуте 1956 года стал поворотным событием, ознаменовавшим официальное зарождение ИИ как академической дисциплины. Его организовали Марвин Мински и Джон Маккарти при поддержке двух старших ученых Клода Шеннона и Натана Рочестера из IBM . В предложении конференции говорилось, что они намереваются проверить утверждение о том, что «каждый аспект обучения или любая другая особенность интеллекта может быть описана настолько точно, что можно создать машину для его моделирования». Термин «искусственный интеллект» ввел на семинаре Джон Маккарти. Среди участников были Рэй Соломонов , Оливер Селфридж , Тренчард Мор , Артур Сэмюэл , Аллен Ньюэлл и Герберт А. Саймон , каждый из которых создал важные программы в течение первых десятилетий исследований ИИ. На семинаре Ньюэлл и Саймон дебютировали как « Теоретик логики ». Семинар стал моментом, когда ИИ обрел свое имя, свою миссию, свой первый крупный успех и своих ключевых игроков, и многие считают его рождением.

Когнитивная революция

Основная статья: когнитивная революция

Осенью 1956 года Ньюэлл и Саймон также представили «Теоретика логики» на заседании Специальной группы по теории информации в Массачусетском технологическом институте (MIT). На той же встрече Ноам Хомский обсуждал свою порождающую грамматику , а Джордж Миллер описал свою знаковую работу « Магическое число семь, плюс-минус два ». Миллер писал: «Я покинул симпозиум с убеждением, скорее интуитивным, чем рациональным, что экспериментальная психология, теоретическая лингвистика и компьютерное моделирование когнитивных процессов - все это части единого целого».

Эта встреча стала началом « когнитивной революции » — междисциплинарного изменения парадигмы в психологии, философии, информатике и нейробиологии. Это вдохновило создание подполей символического искусственного интеллекта , генеративной лингвистики , когнитивной науки , когнитивной психологии , когнитивной нейробиологии и философских школ компьютерализма и функционализма . Во всех этих областях использовались связанные инструменты для моделирования сознания, и результаты, полученные в одной области, были актуальны для других.

Когнитивный подход позволил исследователям рассматривать «мысленные объекты», такие как мысли, планы, цели, факты или воспоминания, которые часто анализируются с использованием символов высокого уровня в функциональных сетях. Эти объекты были запрещены как «ненаблюдаемые» в более ранних парадигмах, таких как бихевиоризм . Символические ментальные объекты станут основным направлением исследований и финансирования ИИ в течение следующих нескольких десятилетий.

Первые успехи (1956–1974)

Программы, разработанные в годы после Дартмутского семинара , для большинства людей были просто «удивительными»: компьютеры решали задачи по алгебре, доказывали теоремы по геометрии и учились говорить по-английски. Мало кто в то время мог поверить, что такое «разумное» поведение машин вообще возможно. Исследователи выразили большой оптимизм в частном порядке и в печати, предсказывая, что полностью интеллектуальная машина будет построена менее чем за 20 лет. Правительственные учреждения, такие как Агентство перспективных оборонных исследовательских проектов (DARPA, тогда известное как «ARPA»), вкладывали деньги в эту область. Лаборатории искусственного интеллекта были созданы в ряде университетов Великобритании и США в конце 1950-х — начале 1960-х годов.

Подходы

В конце 50-х и 1960-х годах было много успешных программ и новых направлений. Среди наиболее влиятельных были следующие:

Рассуждение как поиск

Многие ранние программы искусственного интеллекта использовали один и тот же базовый алгоритм . Чтобы достичь какой-то цели (например, выиграть игру или доказать теорему), они шаг за шагом продвигались к ней (делая ход или вывод), как если бы искали в лабиринте, возвращаясь назад всякий раз, когда заходили в тупик.

Основная трудность заключалась в том, что для многих задач число возможных путей через «лабиринт» было астрономическим (ситуация, известная как « комбинаторный взрыв »). Исследователи сокращали пространство поиска, используя эвристику , которая исключала бы пути, которые вряд ли привели бы к решению.

Ньюэлл и Саймон попытались реализовать общую версию этого алгоритма в программе под названием « Общий решатель проблем ». Другие «поисковые» программы были способны выполнять впечатляющие задачи, такие как решение задач по геометрии и алгебре, например, « Гелернтера Проверка теоремы о геометрии» Герберта (1958) и «Символический автоматический интегратор» (SAINT), написанные учеником Мински Джеймсом Слэглом в 1961 году. Другие программы просматривали цели и подцели для планирования действий, например система STRIPS, разработанная в Стэнфорде для управления поведением робота Шейки .

Естественный язык

Пример семантической сети

Важная цель исследований ИИ — позволить компьютерам общаться на естественных языках, таких как английский. Первым успехом стала Дэниела Боброу программа STUDENT , которая могла решать школьные задачи по алгебре со словами.

Семантическая сеть представляет понятия (например, «дом», «дверь») как узлы, а отношения между понятиями — как связи между узлами (например, «имеет-а»). Первую программу искусственного интеллекта, использующую семантическую сеть, написал Росс Куиллиан. и самой успешной (и противоречивой) версией была Роджера Шанка теория концептуальной зависимости .

Джозефа Вайценбаума могла ELIZA вести разговоры, которые были настолько реалистичными, что пользователи иногда обманывались, думая, что они общаются с человеком, а не с компьютерной программой (см. Эффект ELIZA ). Но на самом деле ЭЛИЗА просто дала стандартный ответ или повторила то, что ей сказали, перефразировав свой ответ с помощью нескольких грамматических правил. ЭЛИЗА была первым чат-ботом .

Микромиры

В конце 60-х годов Марвин Мински и Сеймур Пейперт из Лаборатории искусственного интеллекта Массачусетского технологического института предложили сосредоточить исследования ИИ на искусственно простых ситуациях, известных как микромиры. Они отметили, что в таких успешных науках, как физика, основные принципы зачастую лучше всего понять с помощью упрощенных моделей, таких как плоскости без трения или идеально твердые тела. Большая часть исследований была сосредоточена на « мире блоков », который состоит из цветных блоков различных форм и размеров, расположенных на плоской поверхности.

Эта парадигма привела к новаторским работам в области машинного зрения Джеральда Сассмана , Адольфо Гусмана, Дэвида Вальца (который изобрел « распространение ограничений ») и особенно Патрика Уинстона . В то же время Мински и Паперт создали роботизированную руку, которая могла складывать блоки, оживляя мир блоков. Терри Винограда мог SHRDLU общаться обычными английскими предложениями о микромире, планировать операции и выполнять их.

Персептроны

Персептрон Марк 1.

Основная статья: Персептрон

В 1960-х годах когнитивная революция имела большое влияние, и большая часть финансирования была направлена ​​на лаборатории, исследующие символический ИИ . Однако было одно исключение: персептрон , однослойная нейронная сеть, представленная в 1958 году Фрэнком Розенблаттом (который был одноклассником Марвина Мински в Высшей научной школе Бронкса ). Как и большинство исследователей искусственного интеллекта, он с оптимизмом оценивал их возможности, предсказывая, что персептрон «в конечном итоге сможет учиться, принимать решения и переводить языки».

Розенблатт в основном финансировался Управлением военно-морских исследований . Бернард Уидроу и его ученик Тед Хофф построили ADALINE (1960) и MADALINE (1962), которые имели до 1000 регулируемых гирь. Группа из Стэнфордского исследовательского института под руководством Чарльза А. Розена и Альфреда Э. (Теда) Брэйна построила две машины нейронной сети под названием MINOS I (1960) и II (1963), в основном финансируемые Корпусом связи армии США . МИНОС II имел 6600 регулируемых гирь, и управлялся с помощью компьютера SDS 910 в конфигурации под названием MINOS III (1968), который мог классифицировать символы на армейских картах и ​​распознавать напечатанные от руки символы на Фортрана листах кодировки .

Большая часть исследований нейронных сетей в тот ранний период включала создание и использование специального оборудования, а не моделирование на цифровых компьютерах. Разнообразие аппаратного обеспечения было особенно очевидным в различных технологиях, используемых при реализации регулируемых грузов. Персептронные машины и SNARC использовали потенциометры, приводимые в движение электродвигателями. ADALINE использовала мемисторы , настроенные гальванопокрытием , хотя они также использовали моделирование на компьютере IBM 1620 . В машинах MINOS использовались ферритовые сердечники с множеством отверстий, которые можно было блокировать индивидуально, причем степень блокировки представляла собой вес.

Однако частично из-за отсутствия результатов, а частично из-за конкуренции со стороны символических исследований ИИ , проект MINOS исчерпал финансирование в 1966 году. Розенблатту не удалось обеспечить дальнейшее финансирование в 1960-х годах. В 1969 году исследования внезапно прекратились с публикацией Мински и Пейперта в 1969 году книги «Перцептроны» . Это предполагало, что существуют серьезные ограничения возможностей перцептронов и что предсказания Розенблатта были сильно преувеличены. Результатом книги стало то, что практически ни одно исследование коннекционизма не финансировалось. в течение 10 лет Конкуренция за государственное финансирование закончилась победой символических подходов ИИ над нейронными сетями.

Мински (который работал над SNARC ) стал ярым противником чисто коннекционистского ИИ. Уидроу (который работал над ADALINE ) обратился к адаптивной обработке сигналов. Группа SRI (работавшая над MINOS) обратилась к символическому искусственному интеллекту и робототехнике.

Основной проблемой была невозможность обучения многослойных сетей (варианты обратного распространения ошибки уже использовались в других областях, но этим исследователям они были неизвестны). Розенблатт попытался собрать средства для создания более крупных перцептронных машин, но погиб в катастрофе в 1971 году.

Оптимизм

Первое поколение исследователей ИИ сделало следующие прогнозы о своей работе:

• 1958, Х.А. Саймон и Аллен Ньюэлл : «Через десять лет цифровой компьютер станет чемпионом мира по шахматам» и «Через десять лет цифровой компьютер откроет и докажет новую важную математическую теорему».
• 1965, Х.А. Саймон: «Через двадцать лет машины будут способны выполнять любую работу, которую может выполнить человек».
• 1967, Марвин Мински : «Через поколение… проблема создания «искусственного интеллекта» будет существенно решена».
• 1970, Марвин Мински (в Life журнале ): «Через три-восемь лет у нас будет машина с общим интеллектом среднего человека».

Финансирование

В июне 1963 года Массачусетский технологический институт получил грант в размере 2,2 миллиона долларов от недавно созданного Агентства перспективных исследовательских проектов (ARPA, позже известного как DARPA ). Деньги были использованы для финансирования проекта MAC , включившего в себя «AI Group», основанную Минским и Маккарти пятью годами ранее. DARPA продолжало предоставлять 3 миллиона долларов каждый год до 70-х годов. DARPA предоставило аналогичные гранты программе Ньюэлла и Саймона в Университете Карнеги-Меллона и Стэнфордского университета , лаборатории искусственного интеллекта основанной Джоном Маккарти в 1963 году. Еще одна важная лаборатория искусственного интеллекта была основана в Эдинбургском университете Дональдом Мичи в 1965 году. Эти четыре учреждения в течение многих лет будут оставаться основными центрами исследований и финансирования ИИ в академических кругах.

Деньги были даны с небольшими условиями: Дж. К. Р. Ликлайдер , тогдашний директор ARPA, считал, что его организация должна «финансировать людей, а не проекты!» и позволило исследователям заниматься любыми направлениями, которые могли их заинтересовать. Это создало в Массачусетском технологическом институте свободную атмосферу, породившую хакерскую культуру . но этот подход «невмешательства» длился недолго.

Первая зима ИИ (1974–1980)

В 1970-е годы ИИ подвергался критике и финансовым неудачам. Исследователи ИИ не смогли оценить сложность проблем, с которыми они столкнулись. Их огромный оптимизм поднял общественные ожидания до невероятного уровня, и когда обещанные результаты не оправдались, финансирование, направленное на ИИ, было серьезно сокращено. Отсутствие успеха указывало на то, что методы, используемые исследователями ИИ в то время, были недостаточными для достижения их целей.

Однако эти неудачи не повлияли на рост и прогресс в этой области. Сокращение финансирования затронуло лишь несколько крупных лабораторий. и критика была по большей части проигнорирована. Интерес широкой общественности к этой области продолжал расти. число исследователей резко возросло, и новые идеи были исследованы в логическом программировании , здравом смысле и во многих других областях. Историк Томас Хей утверждает, что зимы не было. а исследователь искусственного интеллекта Нильс Нильссон назвал этот период самым «захватывающим» временем для работы в области искусственного интеллекта.

Проблемы

В начале семидесятых возможности программ ИИ были ограничены. Даже самые впечатляющие могли справиться только с тривиальными версиями проблем, которые они должны были решить; все программы были в каком-то смысле «игрушками». Исследователи искусственного интеллекта начали сталкиваться с несколькими ограничениями, которые будут преодолены только десятилетия спустя, а также с другими, которые все еще блокируют эту область в 2020-х годах:

• Ограниченная мощность компьютера. Не хватало памяти или скорости обработки данных, чтобы сделать что-нибудь действительно полезное. Например: успешная работа Росса Куиллиана над естественным языком была продемонстрирована со словарным запасом всего в 20 слов, потому что это все, что умещалось в памяти. Ганс Моравец утверждал в 1976 году, что компьютеры все еще в миллионы раз слабы, чтобы демонстрировать интеллект. Он предложил аналогию: искусственный интеллект требует мощности компьютера так же, как самолеты требуют лошадиных сил . Ниже определенного порога это невозможно, но по мере увеличения мощности в конечном итоге это может стать легко. «При достаточной мощности, — писал он, — все полетит».
• Неразрешимость и комбинаторный взрыв . В 1972 году Ричард Карп (опираясь на Стивена Кука 1971 года теорему ) показал, что существует множество проблем , которые можно решить только за экспоненциальное время . Поиск оптимальных решений этих проблем требует огромного количества компьютерного времени, за исключением тех случаев, когда проблемы тривиальны. Это означало, что многие «игрушечные» решения, используемые ИИ, никогда не смогут масштабироваться до полезных систем.
• Здравый смысл и рассуждения . Многие важные приложения искусственного интеллекта, такие как зрение или естественный язык, требуют огромных объемов информации о мире: программа должна иметь некоторое представление о том, на что она смотрит или о чем говорит. Для этого необходимо, чтобы программа знала о мире почти то же самое, что и ребенок. Вскоре исследователи обнаружили, что это огромный объем информации. Никто в 1970 году не мог создать достаточно большую базу данных, и никто не знал, как программа может получить столько информации.
• Парадокс Моравеца : доказывать теоремы и решать геометрические задачи сравнительно легко для компьютеров, но предположительно простая задача, такая как распознавание лица или пересечение комнаты, не наткнувшись ни на что, чрезвычайно сложна, а исследования в области зрения и робототехники в начале 1970-х годов не имели большого прогресса.
• кадров . и квалификации Проблемы Исследователи искусственного интеллекта (например, Джон Маккарти ), использовавшие логику, обнаружили, что они не могут представить обычные выводы, включающие планирование или рассуждения по умолчанию, без внесения изменений в структуру самой логики. Они разработали новую логику (например, немонотонную и модальную логику ), чтобы попытаться решить эти проблемы.

Уменьшение финансирования

См. также: AI зима

Агентства, которые финансировали исследования ИИ, такие как британское правительство , DARPA и Национальный исследовательский совет (NRC), были разочарованы отсутствием прогресса и в конечном итоге прекратили почти все финансирование ненаправленных исследований ИИ. Такая ситуация началась в 1966 году, когда в отчете Консультативного комитета по автоматической языковой обработке (ALPAC) были раскритикованы усилия по машинному переводу. Потратив 20 миллионов долларов, NRC прекратил всякую поддержку. В 1973 году отчет Лайтхилла о состоянии исследований ИИ в Великобритании подверг критике неспособность ИИ достичь своих «грандиозных целей» и привел к свертыванию исследований ИИ в этой стране. (В отчете особо упоминается проблема комбинаторного взрыва как причина неудач ИИ.) DARPA было глубоко разочаровано исследователями, работавшими над программой исследования понимания речи в CMU, и отменило ежегодный грант в размере 3 миллионов долларов.

Ганс Моравец обвинил в кризисе нереалистичные прогнозы своих коллег. «Многие исследователи попали в паутину растущих преувеличений». Однако была еще одна проблема: после принятия Мэнсфилдской поправки в 1969 году DARPA находилось под растущим давлением с целью финансирования «целевых прямых исследований, а не фундаментальных ненаправленных исследований». Финансирование творческих, свободных исследований, которые продолжались в 60-е годы, исходило не от DARPA, а вместо этого направляло деньги на конкретные проекты с четкими целями, такие как автономные танки и системы управления боем .

Крупнейшие лаборатории (MIT, Стэнфорд и CMU) получали щедрую поддержку от вооруженных сил США, и когда она была отозвана, это были единственные места, на которых серьезно повлияло сокращение бюджета. Тысячи исследователей за пределами этих учреждений и многие другие тысячи, присоединившиеся к этой области, не пострадали.

Философская и этическая критика

Смотрите также: Философия искусственного интеллекта

Некоторые философы высказали решительные возражения против заявлений исследователей ИИ. Одним из первых был Джон Лукас , который утверждал, что теорема Гёделя о неполноте показывает, что формальная система (например, компьютерная программа) никогда не сможет увидеть истинность определенных утверждений, в то время как человек может это сделать. Хьюберт Дрейфус высмеивал невыполненные обещания 1960-х годов и критиковал предположения об искусственном интеллекте, утверждая, что человеческое мышление на самом деле включает очень мало «обработки символов» и большое количество воплощенных , инстинктивных , бессознательных « ноу-хау ». Аргумент Джона Сирла « Китайская комната », представленный в 1980 году, был попыткой показать, что нельзя сказать, что программа «понимает» символы, которые она использует (качество, называемое « интенциональностью »). Если символы не имеют значения для машины, утверждал Серл, то машину нельзя назвать «мыслящей».

Эта критика не была воспринята всерьез исследователями ИИ. Такие проблемы, как неразрешимость и здравомыслие, казались гораздо более насущными и серьезными. Было неясно, какое значение « ноу-хау » или « преднамеренность » имеют для реальной компьютерной программы. из Массачусетского технологического института Мински сказал о Дрейфусе и Сирле, что «они неправильно понимают их, и их следует игнорировать». Дрейфус, который также преподавал в Массачусетском технологическом институте , отнесся к нему холодно: позже он сказал, что исследователи ИИ «не осмелились появиться за обедом со мной». Джозеф Вайценбаум , автор ELIZA , также был откровенным критиком позиций Дрейфуса, но он «намеренно дал понять, что [отношение его коллег-ИИ к Дрейфусу] не является способом обращения с человеком». и было непрофессионально и по-детски.

У Вайценбаума возникли серьезные этические сомнения по поводу ИИ, когда Кеннет Колби написал «компьютерную программу, которая может вести психотерапевтический диалог» на основе ELIZA. Вайценбаума беспокоило то, что Колби рассматривал бессмысленную программу как серьезный терапевтический инструмент. Началась вражда, и ситуация не улучшилась, когда Колби не выразил признательность Вайценбауму за его вклад в программу. В 1976 году Вайценбаум опубликовал книгу «Мощь компьютера и человеческий разум» , в которой утверждал, что неправильное использование искусственного интеллекта может привести к обесцениванию человеческой жизни.

Логика в Стэнфорде, КМУ и Эдинбурге

Логика была введена в исследования ИИ еще в 1959 году Джоном Маккарти в его предложении «Советчик» . В 1963 году Дж. Алан Робинсон открыл простой метод реализации дедукции на компьютерах — алгоритм разрешения и унификации . Однако простые реализации, подобные попыткам Маккарти и его учеников в конце 1960-х годов, были особенно трудными: программы требовали астрономического количества шагов для доказательства простых теорем. Более плодотворный подход к логике был разработан в 1970-х годах Робертом Ковальски в Эдинбургском университете , и вскоре это привело к сотрудничеству с французскими исследователями Аленом Кольмерауэром и Филиппом Русселем , которые создали успешный язык логического программирования Prolog . Пролог использует подмножество логики ( предложения Хорна , тесно связанные с « правилами » и « правилами производства »), которые позволяют легко выполнять вычисления. Правила продолжали оказывать влияние, обеспечивая основу для Эдварда Фейгенбаума и экспертных систем продолжающейся работы Аллена Ньюэлла и Герберта А. Саймона , которая привела к Soar и их единым теориям познания .

Критики логического подхода, как и Дрейфус , отмечали , что люди редко используют логику при решении проблем. Эксперименты таких психологов, как Питер Уэйсон , Элеонора Рош , Амос Тверски , Дэниел Канеман и других, предоставили доказательства. Маккарти ответил, что то, что делают люди, не имеет значения. Он утверждал, что на самом деле необходимы машины, способные решать проблемы, а не машины, которые думают так же, как люди.

«Антилогический» подход Массачусетского технологического института

Среди критиков подхода Маккарти по всей стране были его коллеги из Массачусетского технологического института . Марвин Мински , Сеймур Пейперт и Роджер Шанк пытались решить такие проблемы, как «понимание истории» и «распознавание объектов», которые требовали от машины мыслить как человек. Чтобы использовать обычные понятия, такие как «стул» или «ресторан», им приходилось делать все те же нелогичные предположения, которые обычно делают люди. К сожалению, подобные неточные концепции трудно представить в логике. Джеральд Сассман заметил, что «использование точного языка для описания по сути неточных понятий не делает их более точными». Шанк охарактеризовал их «антилогические» подходы как « неряшливые », в отличие от « аккуратных » парадигм, используемых Маккарти , Ковальским , Фейгенбаумом , Ньюэллом и Саймоном .

В 1975 году в своей основополагающей статье Мински отметил, что многие из его коллег-исследователей использовали один и тот же инструмент: структуру, которая отражает все наши предположения здравого смысла о чем-либо. Например, если мы используем понятие птицы, то на ум сразу приходит совокупность фактов: мы можем предположить, что она летает, ест червей и так далее. Мы знаем, что эти факты не всегда верны и что выводы, основанные на этих фактах, не будут «логичными», но эти структурированные наборы предположений являются частью контекста всего , что мы говорим и думаем. Он назвал эти структуры « фреймами ». Шанк использовал версию фреймов, которую он назвал « сценариями », чтобы успешно отвечать на вопросы о рассказах на английском языке.

Появление немонотонных логик

Логики приняли вызов. Пэт Хейс утверждал, что «большая часть «фреймов» — это просто новый синтаксис для частей первого порядка». Логика». Но он отметил, что «есть одна или две, казалось бы, незначительные детали, которые, однако, доставляют много хлопот, особенно дефолты». Тем временем Рэй Рейтер признал, что «традиционные логики, такие как логика первого порядка», логике, не хватает выразительной силы для адекватного представления знаний, необходимых для рассуждения по умолчанию». Он предложил дополнить логику первого порядка предположением о закрытом мире , согласно которому вывод верен (по умолчанию), если невозможно доказать его обратное. Он показал, как такое предположение соответствует предположению здравого смысла, принятому при рассуждениях с использованием фреймов. Он также показал, что у него есть «процедурный эквивалент» в виде отрицания и отказа в Прологе .

Предположение о закрытом мире, сформулированное Райтером, «не является понятием первого порядка (это мета-представление)». Однако Кейт Кларк показал, что отрицание как конечный отказ можно понимать как неявное рассуждение с использованием определений логики первого порядка, включая предположение об уникальном имени , согласно которому разные термины обозначают разных людей.

В конце 1970-х и на протяжении 1980-х годов были разработаны различные логики и расширения логики первого порядка как для отрицания как неудачи в логическом программировании , так и для рассуждений по умолчанию в более общем плане. В совокупности эти логики стали известны как немонотонные логики .

Бум (1980–1987)

форма программы ИИ под названием « экспертные системы В 1980-х годах корпорациями по всему миру была принята », и знания стали в центре внимания основных исследований ИИ. Правительства предоставили значительное финансирование, например, японский компьютерный проект пятого поколения и Инициативу стратегических вычислений США .

Хотя символическое представление знаний и логическое рассуждение создали эти полезные приложения в 80-х годах, они все еще не могли решить проблемы восприятия , робототехники , обучения и здравого смысла . Небольшое количество ученых и инженеров начало сомневаться в том, что символический подход когда-либо будет достаточен для этих задач, и разработали другие подходы, такие как коннекционизм , робототехника и мягкие вычисления .

Экспертные системы получают широкое распространение

Экспертная система — это программа, которая отвечает на вопросы или решает проблемы в определенной области знаний, используя логические правила , полученные на основе знаний экспертов. Самые ранние примеры были разработаны Эдвардом Фейгенбаумом и его учениками. Дендрал , начавший в 1965 году, идентифицировал соединения по показаниям спектрометра. МИЦИН , разработанный в 1972 году, предназначен для диагностики инфекционных заболеваний крови. Они продемонстрировали осуществимость подхода.

Экспертные системы ограничивались небольшой областью конкретных знаний (таким образом избегая проблемы здравого смысла ), а их простая конструкция позволяла относительно легко создавать программы, а затем модифицировать их после того, как они были готовы. В целом программы оказались полезными : то, чего ИИ до сих пор не смог достичь.

была завершена разработка экспертной системы под названием XCON В 1980 году в CMU для Digital Equipment Corporation . Это был огромный успех: к 1986 году компания экономила 40 миллионов долларов ежегодно. 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, включающая в себя компании-производители аппаратного обеспечения, такие как Symbolics и Lisp Machines , и компании-разработчики программного обеспечения, такие как IntelliCorp и Aion .

Государственное финансирование увеличивается

В 1981 году Министерство международной торговли и промышленности Японии выделило 850 миллионов долларов на проект 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 большому огорчению неряшлив , они выбрали Пролог в качестве основного языка программирования для проекта.

Другие страны ответили новыми собственными программами. Великобритания начала проект Алви стоимостью 350 миллионов фунтов стерлингов . Консорциум американских компаний сформировал Корпорацию микроэлектроники и компьютерных технологий (или «MCC») для финансирования крупномасштабных проектов в области искусственного интеллекта и информационных технологий. DARPA также отреагировало, основав Инициативу по стратегическим вычислениям и утроив инвестиции в искусственный интеллект в период с 1984 по 1988 год.

Революция знаний

Сила экспертных систем заключалась в содержащихся в них экспертных знаниях. Они были частью нового направления в исследованиях искусственного интеллекта, которое набирало силу на протяжении 70-х годов. «Исследователи ИИ начали подозревать — неохотно, поскольку это нарушало научный канон бережливости , — что интеллект вполне может быть основан на способности использовать большие объемы разнообразных знаний разными способами», пишет Памела МакКордак . «Важным уроком 1970-х годов было то, что разумное поведение во многом зависело от знания, иногда весьма детального знания, области, в которой лежит данная задача». Системы, основанные на знаниях , и инженерия знаний стали основным направлением исследований в области ИИ в 1980-х годах.

В 1980-х годах также родился Cyc , первая попытка напрямую решить проблему здравого смысла путем создания огромной базы данных, которая будет содержать все обыденные факты, известные обычному человеку. Дуглас Ленат , который начал и возглавил проект, утверждал, что короткого пути не существует: единственный способ для машин узнать значение человеческих понятий — это обучать их вручную, по одному понятию за раз. Ожидалось, что проект не будет завершен в течение многих десятилетий.

Шахматные программы HiTech и Deep Thought победили мастеров шахмат в 1989 году. Обе были разработаны Университетом Карнеги-Меллона ; Разработка Deep Thought проложила путь для Deep Blue .

Возрождение нейронных сетей: коннекционизм

Сеть Хопфилда с четырьмя узлами

В 1982 году физик Джон Хопфилд смог доказать, что разновидность нейронной сети (теперь называемая « сетью Хопфилда ») может обучаться и обрабатывать информацию и доказуемо сходится через достаточное время при любых фиксированных условиях. Это был прорыв, поскольку ранее считалось, что нелинейные сети в целом будут развиваться хаотично. Примерно в то же время Джеффри Хинтон и Дэвид Румельхарт популяризировали метод обучения нейронных сетей, получивший название « обратное распространение ошибки ». Эти два открытия помогли возродить исследования искусственных нейронных сетей .

Нейронные сети, наряду с несколькими другими подобными моделями, получили широкое внимание после публикации в 1986 году « Параллельной распределенной обработки» , двухтомного сборника статей под редакцией Румельхарта и психолога Джеймса Макклелланда . Новое направление получило название «коннекционизм» разгорелись серьезные дебаты , и между сторонниками символического ИИ и «коннекционистами» .

В 1990 году Ян ЛеКун из Bell Labs использовал сверточные нейронные сети для распознавания рукописных цифр. Система широко использовалась в 90-е годы для считывания почтовых индексов и личных чеков. Это было первое по-настоящему полезное применение нейронных сетей.

Робототехника и воплощенный разум

Основные статьи: Nouvelle AI , поведенческий ИИ , ситуативный ИИ и воплощенная когнитивная наука.

Родни Брукс , Ханс Моравец и другие утверждали, что для того, чтобы проявить настоящий интеллект, машине необходимо иметь тело — ей нужно воспринимать, двигаться, выживать и справляться с миром. Сенсомоторные навыки необходимы для развития навыков более высокого уровня, таких как здравое рассуждение . Их невозможно эффективно реализовать с помощью абстрактных символических рассуждений, поэтому ИИ должен решать проблемы восприятия, мобильности, манипулирования и выживания вообще без использования символического представления. Эти исследователи робототехники выступали за создание интеллекта «снизу вверх».

Предшественником этой идеи был Дэвид Марр , пришедший в Массачусетский технологический институт в конце 1970-х годов с успешным опытом работы в области теоретической нейробиологии, чтобы возглавить группу, изучающую зрение . Он отверг все символические подходы ( как Маккарти логику , так и рамки Мински ), утверждая, что ИИ необходимо понять физическую машину зрения снизу вверх, прежде чем произойдет какая-либо символическая обработка. (Работа Марра была прервана из-за лейкемии в 1980 году.)

В своей статье 1990 года «Слоны не играют в шахматы» Исследователь робототехники Брукс прямо нацелился на гипотезу системы физических символов , утверждая, что символы не всегда необходимы, поскольку «мир является своей лучшей моделью. Он всегда точно актуален. В нем всегда есть каждая деталь, которую необходимо знать. Хитрость заключается в том, чтобы ощущать это правильно и достаточно часто».

В 1980-х и 1990-х годах многие ученые-когнитивисты также отвергали модель обработки символов разумом и утверждали, что тело необходимо для рассуждения. Эта теория получила название о воплощенном разуме тезиса .

Бюст: вторая зима AI

Увлечение бизнес-сообщества искусственным интеллектом росло и падало в 1980-х годах по классической схеме экономического пузыря . Поскольку десятки компаний обанкротились, в деловом мире сложилось мнение, что технология нежизнеспособна. Ущерб репутации ИИ продлится и в 21 веке. В этой области не было единого мнения о причинах неспособности ИИ реализовать мечту об интеллекте человеческого уровня, которая захватила воображение мира в 1960-х годах. В совокупности все эти факторы помогли разделить ИИ на конкурирующие подобласти, сосредоточенные на конкретных проблемах или подходах, иногда даже под новыми названиями, которые скрывали запятнанную родословную «искусственного интеллекта».

В течение следующих 20 лет ИИ последовательно предлагал работающие решения конкретных изолированных проблем. К концу 1990-х годов его начали использовать во всей технологической отрасли, хотя и несколько закулисно. Успех был обусловлен увеличением мощности компьютеров , сотрудничеством с другими областями (такими как математическая оптимизация и статистика ) и использованием самых высоких стандартов научной отчетности. К 2000 году ИИ достиг некоторых из своих старых целей. Эта область была одновременно более осторожной и более успешной, чем когда-либо.

Сейчас зима

Термин « зима искусственного интеллекта » был придуман исследователями, пережившими сокращение финансирования в 1974 году, когда они были обеспокоены тем, что энтузиазм в отношении экспертных систем вышел из-под контроля и что за этим непременно последует разочарование. Их опасения были вполне обоснованными: в конце 1980-х — начале 1990-х годов ИИ пережил ряд финансовых неудач.

Первым признаком изменения погоды стал внезапный обвал рынка специализированного оборудования для искусственного интеллекта в 1987 году. Настольные компьютеры Apple и IBM неуклонно набирали скорость и мощность, и в 1987 году они стали более мощными, чем более дорогие машины Lisp , производимые Символика и другие. Больше не было веской причины их покупать. В одночасье была разрушена целая индустрия стоимостью полмиллиарда долларов.

В конце концов, поддержка первых успешных экспертных систем, таких как XCON , оказалась слишком дорогой. 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 много лет назад. Экспертные системы оказались полезными, но лишь в нескольких особых контекстах.

В конце 1980-х годов Инициатива по стратегическим вычислениям «глубоко и жестоко» сократила финансирование ИИ. Новое руководство DARPA решило, что искусственный интеллект не является «следующей волной», и направило средства на проекты, которые, казалось, с большей вероятностью дадут немедленные результаты.

К 1991 году впечатляющий список целей, намеченных в 1981 году для японского проекта «Пятое поколение», так и не был достигнут. Действительно, некоторые из них, например «вести непринужденную беседу», к 2010 году не встречались. Как и в случае с другими проектами ИИ, ожидания были намного выше, чем было на самом деле.

К концу 1993 года более 300 компаний, занимающихся искусственным интеллектом, закрылись, обанкротились или были приобретены, что фактически положило конец первой коммерческой волне искусственного интеллекта. В 1994 году HP Ньюквист заявил в книге The Brain Makers , что «ближайшее будущее искусственного интеллекта — в его коммерческой форме — похоже, частично зависит от продолжающегося успеха нейронных сетей».

ИИ за кулисами

В 1990-х годах алгоритмы, первоначально разработанные исследователями ИИ, начали появляться как части более крупных систем. ИИ решил множество очень сложных проблем и их решения оказались полезными во всей технологической отрасли, такой как интеллектуальный анализ данных , промышленная робототехника , логистика, распознавание речи , банковское программное обеспечение, медицинский диагноз и Google . поисковая система

В области ИИ эти успехи в 1990-х и начале 2000-х годов практически не получили должного признания. Многие из величайших инноваций ИИ были низведены до статуса просто еще одного предмета в наборе инструментов информатики. Ник Бостром объясняет: «Множество передовых технологий ИИ проникло в общие приложения, часто даже не называясь ИИ, потому что, как только что-то становится достаточно полезным и достаточно распространенным, его больше не называют ИИ».

Многие исследователи ИИ в 1990-х годах сознательно называли свою работу другими именами, например , информатика , системы, основанные на знаниях , «когнитивные системы» или вычислительный интеллект . Частично это могло быть связано с тем, что они считали свою область деятельности фундаментально отличной от ИИ, но новые имена также помогают обеспечить финансирование. По крайней мере, в коммерческом мире неудавшиеся обещания « зимы искусственного интеллекта» продолжали преследовать исследования в области искусственного интеллекта в 2000-е годы, как сообщила газета «Нью-Йорк Таймс» в 2005 году: «Учёные-компьютерщики и инженеры-программисты избегали термина «искусственный интеллект», опасаясь, что их сочтут дикими. -глазые мечтатели».

Вехи и закон Мура

11 мая 1997 года Deep Blue стала первой компьютерной игровой системой, победившей действующего чемпиона мира по шахматам Гарри Каспарова . Суперкомпьютер представлял собой специализированную версию системы, созданной IBM, и был способен обрабатывать в два раза больше ходов в секунду, чем во время первого матча (который Deep Blue проиграл), как сообщается, 200 000 000 ходов в секунду.

В 2005 году робот из Стэнфорда выиграл турнир DARPA Grand Challenge , проехав в автономном режиме 131 милю по неизведанной тропе в пустыне. Два года спустя команда из CMU выиграла конкурс DARPA Urban Challenge , автономно проехав 55 миль в городской среде, реагируя на дорожные опасности и соблюдая правила дорожного движения. В феврале 2011 года в опасности! викторина-шоу показательный матч, , IBM вопрос-ответ системы Уотсон , победилдва лучших Jeopardy! чемпионы Брэд Раттер и Кен Дженнингс со значительным отрывом.

Эти успехи были обусловлены не какой-то новой революционной парадигмой, а главным образом утомительным применением инженерных навыков и огромным увеличением скорости и мощности компьютеров к 90-м годам. Фактически, Deep Blue компьютер был в 10 миллионов раз быстрее, чем Ferranti Mark 1 , который Кристофер Стрейчи учил играть в шахматы в 1951 году. Это резкое увеличение измеряется законом Мура , который предсказывает, что скорость и емкость памяти компьютеров удваиваются каждые два года в результате того, что металл-оксид-полупроводник (МОП) количество транзисторов удваивается каждые два года. Фундаментальная проблема «грубой компьютерной мощности» постепенно решалась.

Интеллектуальные агенты

Новая парадигма под названием « интеллектуальные агенты » получила широкое распространение в 1990-е годы. Хотя ранее исследователи предлагали модульные подходы к ИИ по принципу «разделяй и властвуй», интеллектуальный агент не достиг своей современной формы до тех пор, пока Джудея Перл , Аллен Ньюэлл , Лесли П. Кельблинг и другие не привнесли концепции из теории принятия решений и экономики в изучение ИИ. Когда экономическое определение рационального агента сочеталось с компьютерной науке определением объекта или модуля в , парадигма интеллектуального агента была завершена.

Интеллектуальный агент — это система, которая воспринимает окружающую среду и предпринимает действия, которые максимизируют ее шансы на успех. Согласно этому определению, простые программы, решающие конкретные проблемы, являются «интеллектуальными агентами», равно как и люди и организации, состоящие из людей, такие как фирмы . Парадигма интеллектуальных агентов определяет исследования ИИ как «изучение интеллектуальных агентов». Это обобщение некоторых более ранних определений ИИ: он выходит за рамки изучения человеческого интеллекта; он изучает все виды интеллекта.

Эта парадигма давала исследователям право изучать отдельные проблемы и находить решения, которые были бы одновременно проверяемыми и полезными. Он предоставил общий язык для описания проблем и обмена их решениями друг с другом, а также с другими областями, которые также использовали концепции абстрактных агентов, таких как экономика и теория управления . Была надежда, что полная архитектура агентов (подобная Ньюэлла SOAR ) однажды позволит исследователям создавать более универсальные и интеллектуальные системы из взаимодействующих интеллектуальных агентов .

Вероятностные рассуждения и большая строгость

Исследователи ИИ начали разрабатывать и использовать сложные математические инструменты больше, чем когда-либо в прошлом. Было широко распространено понимание того, что многие из проблем, которые должен был решить ИИ, уже разрабатывались исследователями в таких областях, как математика , электротехника , экономика или исследование операций . Общий математический язык позволял как более высокий уровень сотрудничества с более авторитетными и успешными областями, так и достижение измеримых и доказуемых результатов; ИИ стал более строгой «научной» дисциплиной.

Влиятельная книга Джуди Перл 1988 года привнес вероятности и теорию принятия решений в ИИ. Среди множества новых инструментов были байесовские сети , скрытые марковские модели , теория информации , стохастическое моделирование и классическая оптимизация . Точные математические описания были также разработаны для « вычислительного интеллекта парадигм », таких как нейронные сети и эволюционные алгоритмы .

Глубокое обучение, большие данные (2011–2020 гг.)

В первые десятилетия XXI века доступ к большим объемам данных (известным как « большие данные »), более дешевые и быстрые компьютеры и передовые методы машинного обучения успешно применялись для решения многих проблем в экономике. Фактически, Глобальный институт McKinsey в своей знаменитой статье «Большие данные: следующий рубеж инноваций, конкуренции и производительности» подсчитал, что «к 2009 году почти все сектора экономики США имели в среднем по крайней мере 200 терабайт хранимых данных». .

К 2016 году рынок продуктов, оборудования и программного обеспечения, связанных с ИИ, достиг более 8 миллиардов долларов, а газета New York Times сообщила, что интерес к ИИ достиг «безумия». Применение больших данных начало распространяться и на другие области, например, на модели обучения в области экологии. и для различных приложений в экономике . Достижения в области глубокого обучения (особенно глубоких сверточных нейронных сетей и рекуррентных нейронных сетей ) способствовали прогрессу и исследованиям в области обработки изображений и видео, анализа текста и даже распознавания речи.

первый глобальный саммит по безопасности ИИ, , Великобритания, прошел В ноябре 2023 года в Блетчли-Парке на котором обсуждались краткосрочные и долгосрочные риски ИИ, а также возможность создания обязательных и добровольных нормативных рамок. Двадцать восемь стран, включая США, Китай и Европейский Союз, в начале саммита опубликовали декларацию, призывающую к международному сотрудничеству для решения проблем и рисков, связанных с искусственным интеллектом.

Глубокое обучение

Основная статья: Глубокое обучение

Глубокое обучение — это отрасль машинного обучения, которая моделирует абстракции высокого уровня в данных с помощью глубокого графа со многими уровнями обработки. Согласно универсальной теореме аппроксимации , глубина не обязательна для того, чтобы нейронная сеть могла аппроксимировать произвольные непрерывные функции. Несмотря на это, существует множество проблем, общих для мелких сетей (например, переобучение ), которых глубокие сети помогают избежать. Таким образом, глубокие нейронные сети способны реалистично генерировать гораздо более сложные модели по сравнению с их поверхностными аналогами.

Однако у глубокого обучения есть свои проблемы. Распространенной проблемой рекуррентных нейронных сетей является проблема исчезновения градиента , при которой градиенты, передаваемые между слоями, постепенно сжимаются и буквально исчезают по мере округления до нуля. Для решения этой проблемы было разработано множество методов, например, использование блоков кратковременной памяти .

Современные архитектуры глубоких нейронных сетей иногда могут даже соперничать с человеческой точностью в таких областях, как компьютерное зрение, особенно в таких вещах, как модифицированная база данных Национального института стандартов и технологий (MNIST) и распознавание дорожных знаков.

Системы языковой обработки, основанные на интеллектуальных поисковых системах, могут легко обойти людей при ответе на общие вопросы (например, IBM Watson ), а недавние разработки в области глубокого обучения дали удивительные результаты в конкуренции с людьми, особенно в таких играх, как Go и Doom (которые, будучи шутером от первого лица , вызвала некоторые споры).

Большие данные

Основная статья: Большие данные

Большие данные — это набор данных, которые невозможно собрать, управлять и обработать с помощью обычных программных инструментов в течение определенного периода времени. Это огромный объем возможностей принятия решений, понимания и оптимизации процессов, которые требуют новых моделей обработки. В книге Виктора Мейера Шенберга и Кеннета Кука «Эра больших данных» большие данные означают, что вместо случайного анализа (выборочного опроса) для анализа используются все данные. Характеристики больших данных «5V», предложенные IBM, следующие: объем , скорость , разнообразие . Ценить , Правдивость .

Стратегическое значение технологии больших данных заключается не в овладении огромной информацией, а в специализации на значимых данных. Другими словами, если большие данные сравнивать с отраслью, то ключом к достижению прибыльности в этой отрасли является повышение « возможностей обработки » данных и реализация « добавленной стоимости » данных посредством « обработки ».

Большие языковые модели, бум искусственного интеллекта (2020 – настоящее время)

Основная статья: Бум ИИ

Бум искусственного интеллекта начался с первоначальной разработки ключевых архитектур и алгоритмов, таких как архитектура преобразователя , в 2017 году, что привело к масштабированию и разработке крупных языковых моделей, демонстрирующих человеческие черты мышления, познания, внимания и творчества. Говорят, что новая эра искусственного интеллекта началась примерно в 2022–2023 годах с публичным выпуском масштабируемых моделей больших языков (LLM), таких как ChatGPT .

Большие языковые модели

Основная статья: Большие языковые модели

В 2017 году архитектуру- трансформер предложили исследователи Google. Он использует механизм внимания и позже стал широко использоваться в больших языковых моделях.

Базовые модели , представляющие собой большие языковые модели, обученные на огромных объемах неразмеченных данных и которые можно адаптировать к широкому спектру последующих задач, начали разрабатываться в 2018 году.

Такие модели, как GPT-3, выпущенная OpenAI в 2020 году, и Gato , выпущенная DeepMind в 2022 году, были описаны как важные достижения машинного обучения .

В 2023 году компания Microsoft Research протестировала большую языковую модель GPT-4 с большим количеством задач и пришла к выводу, что «её можно разумно рассматривать как раннюю (но всё ещё неполную) версию системы общего искусственного интеллекта (AGI)».

См. также

• История искусственных нейронных сетей
• История представления знаний и рассуждений
• История обработки естественного языка
• Очерк искусственного интеллекта
• Прогресс в области искусственного интеллекта
• Хронология искусственного интеллекта
• Хронология машинного обучения

Ссылки

• Берлински Д. (2000), Появление алгоритма , Harcourt Books, ISBN  978-0-15-601391-8 , OCLC   46890682 .
• Брукс Р.А. (1990). «Слоны не играют в шахматы» (PDF) . Робототехника и автономные системы . 6 (1–2): 3–15. дои : 10.1016/S0921-8890(05)80025-9 .
• Бьюкенен Б.Г. (зима 2005 г.), «(Очень) краткая история искусственного интеллекта» (PDF) , AI Magazine , стр. 53–60, заархивировано из оригинала (PDF) 26 сентября 2007 г. , получено 30 августа 2007 г.
• Батлер С. (13 июня 1863 г.), «Дарвин среди машин» , The Press , Крайстчерч, Новая Зеландия , получено 10 октября 2008 г.
• Бирн Дж.Г. (8 декабря 2012 г.). «Коллекция Джона Гэбриэла Бирна по компьютерным наукам» (PDF) . Архивировано из оригинала 16 апреля 2019 года . Проверено 8 августа 2019 г.
• «ИИ превысит возможности человеческого мозга» , CNN.com , 26 июля 2006 г. , дата обращения 16 октября 2007 г.
• Колби К.М., Ватт Дж.Б., Гилберт Дж.П. (1966), «Компьютерный метод психотерапии: предварительное общение» , Журнал нервных и психических заболеваний , том. 142, нет. 2, стр. 148–152, doi : 10.1097/00005053-196602000-00005 , PMID   5936301 , S2CID   36947398 .
• Колби К.М. (сентябрь 1974 г.), Десять критических замечаний о Парри (PDF) , Стэнфордская лаборатория искусственного интеллекта, НОМЕР ОТЧЕТА. STAN-CS-74-457 , получено 17 июня 2018 г.
• Кутюра Л. (1901), Логика Лейбница
• Коупленд Дж. (2000), Micro-World AI , получено 8 октября 2008 г.
• Коупленд Дж ((2004). The Essential Turing: идеи, породившие компьютерную эпоху . Оксфорд: Clarendon Press. ISBN  0-19-825079-7 . .
• Кордески Р. (2002), Открытие искусственного , Дордрехт: Kluwer. .
• Кревье Д. (1993). ИИ: бурные поиски искусственного интеллекта . Нью-Йорк, штат Нью-Йорк: BasicBooks. ISBN  0-465-02997-3 .
• Даррач Б. (20 ноября 1970 г.), «Знакомьтесь, Шейки, первый электронный человек», журнал Life Magazine , стр. 58–68 .
• Дойл Дж. (1983), «Что такое рациональная психология? На пути к современной ментальной философии», AI Magazine , vol. 4, нет. 3, стр. 50–53 .
• Дрейфус Х. (1965), Алхимия и искусственный интеллект , корпорации RAND Памятка .
• Дрейфус Х (1972), Чего не могут компьютеры , Нью-Йорк: MIT Press, ISBN  978-0-06-090613-9 , OCLC   5056816 .
• Дрейфус Х. , Дрейфус С. (1986). Разум над машиной: сила человеческой интуиции и опыта в эпоху компьютеров . Оксфорд, Великобритания: Блэквелл. ISBN  978-0-02-908060-3 . Проверено 22 августа 2020 г.
• The Economist (7 июня 2007 г.), «Ты со мной разговариваешь?» , The Economist , дата обращения 16 октября 2008 г.
• Фейгенбаум Э.А. , МакКордак П. (1983), Пятое поколение: искусственный интеллект и компьютерный вызов Японии миру , Майкл Джозеф, ISBN  978-0-7181-2401-4 .
• Хей Т. (декабрь 2023 г.). «Первой зимы искусственного интеллекта не было » . Коммуникации АКМ . 66 (12): 35–39. дои : 10.1145/3625833 . ISSN   0001-0782 . .
• Хаугеланд Дж (1985). Искусственный интеллект: сама идея . Кембридж, Массачусетс: MIT Press. ISBN  978-0-262-08153-5 .
• Хокинс Дж. , Блейксли С. (2004), Об разведке , Нью-Йорк, Нью-Йорк: Owl Books, ISBN  978-0-8050-7853-4 , OCLC   61273290 .
• Хебб Д. (1949), Организация поведения , Нью-Йорк: Wiley, ISBN  978-0-8058-4300-2 , OCLC   48871099 .
• Хьюитт С. , Бишоп П., Штайгер Р. (1973), Универсальный модульный формализм актеров для искусственного интеллекта (PDF) , IJCAI, заархивировано из оригинала (PDF) 29 декабря 2009 г.
• Гоббс Т (1651), Левиафан .
• Хофштадтер Д. (1999) [1979], Гёдель, Эшер, Бах: вечная золотая коса , Basic Books, ISBN  978-0-465-02656-2 , OCLC   225590743 .
• Хоу Дж. (ноябрь 1994 г.), Искусственный интеллект в Эдинбургском университете: перспектива , получено 30 августа 2007 г.
• Канеман Д. , Слович Д., Тверски А. (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 .
• Каплан А., Хэнлайн М. (2018), «Сири, Сири в моей руке, кто самый справедливый на земле? Об интерпретациях, иллюстрациях и последствиях искусственного интеллекта», Business Horizons , 62 : 15–25, doi : 10.1016/j .bushor.2018.08.004 , S2CID   158433736 .
• Колата Г. (1982), «Как компьютеры могут обрести здравый смысл?», Science , 217 (4566): 1237–1238, Бибкод : 1982Sci...217.1237K , doi : 10.1126/science.217.4566.1237 , PMID   17837639 .
• Курцвейл Р. (2005), Сингулярность близка , Viking Press, ISBN  978-0-14-303788-0 , OCLC   71826177 .
• Лакофф Дж. (1987), Женщины, огонь и опасные вещи: что категории говорят о разуме , University of Chicago Press., ISBN  978-0-226-46804-4 .
• Лакофф Г., Джонсон М. (1999). Философия во плоти: воплощенный разум и его вызов западной мысли . Основные книги. ISBN  978-0-465-05674-3 .
• Ленат Д. , Гуха Р.В. (1989), Создание больших систем, основанных на знаниях , Аддисон-Уэсли, ISBN  978-0-201-51752-1 , OCLC   19981533 .
• Левитт GM (2000), Турок, Шахматный автомат , Джефферсон, Северная Каролина: МакФарланд, ISBN  978-0-7864-0778-1 .
• Лайтхилл П.С. (1973), « Искусственный интеллект: общий обзор », Искусственный интеллект: бумажный симпозиум , Совет научных исследований .
• Лукас Дж. (1961), «Разумы, машины и Гёдель», Philosophy , 36 (XXXVI): 112–127, doi : 10.1017/S0031819100057983 , S2CID   55408480
• Люгер Г., Стабблфилд В. (2004). Искусственный интеллект: структуры и стратегии решения сложных проблем (5-е изд.). Бенджамин/Каммингс. ISBN  978-0-8053-4780-7 . Проверено 17 декабря 2019 г.
• Maker MH (2006), AI@50: AI Past, Present, Future , Дартмутский колледж, заархивировано из оригинала 8 октября 2008 г. , получено 16 октября 2008 г.
• Маркофф Дж. (14 октября 2005 г.), «За искусственным интеллектом стоит эскадрилья ярких реальных людей» , The New York Times , получено 16 октября 2008 г.
• Маккарти Дж. , Мински М., Рочестер Н. , Шеннон С. (31 августа 1955 г.), Предложение для Дартмутского летнего исследовательского проекта по искусственному интеллекту , заархивировано из оригинала 30 сентября 2008 г. , получено 16 октября 2008 г.
• Маккарти Дж., Хейс П.Дж. (1969), «Некоторые философские проблемы с точки зрения искусственного интеллекта», в Мельцер Б.Дж. , Митчи Д. (ред.), Machine Intelligence 4 , Edinburgh University Press, стр. 463–502 , получено 16 октября 2008 г.
• МакКордак П. (2004), Машины, которые думают (2-е изд.), Натик, Массачусетс: AK Peters, Ltd., ISBN  978-1-56881-205-2 , OCLC   52197627 .
• Маккалоу В.С. , Питтс В. (1943), «Логическое исчисление идей, имманентных нервной деятельности», Бюллетень математической биофизики , 5 (4): 115–127, doi : 10.1007/BF02478259
• Менабреа Л.Ф., Лавлейс А. (1843), «Очерк аналитической машины, изобретенной Чарльзом Бэббиджем» , «Научные мемуары » , 3 , получено 29 августа 2008 г. С примечаниями переводчика к мемуарам.
• Мински М. (1967), Вычисления: конечные и бесконечные машины , Энглвуд Клиффс, Нью-Джерси: Прентис-Холл
• Мински М. , Паперт С. (1969), Перцептроны: введение в вычислительную геометрию , MIT Press, ISBN  978-0-262-63111-2 , OCLC   16924756
• Мински М. (1974), Структура представления знаний , заархивировано из оригинала 7 января 2021 г. , получено 16 октября 2008 г.
• Мински М (1986), Общество разума , Саймон и Шустер, ISBN  978-0-671-65713-0 , OCLC   223353010
• Мински М (2001), На дворе 2001 год. Где HAL? , Technetcast доктора Добба , получено 8 августа 2009 г.
• Мур Дж, изд. (2003), Тест Тьюринга: неуловимый стандарт искусственного интеллекта , Дордрехт: Kluwer Academic Publishers, ISBN  978-1-4020-1205-1
• Моравец Х. (1976), Роль грубой силы в разведке , заархивировано из оригинала 3 марта 2016 г. , получено 16 октября 2008 г.
• Моравец Х (1988), Mind Children , издательство Гарвардского университета, ISBN  978-0-674-57618-6 , OCLC   245755104
• Малвихилл М. (17 октября 2012 г.). «1907 год: был ли первый портативный компьютер ирландской конструкции?» . Гениальная Ирландия .
• Нидэм Дж. (1986). Наука и цивилизация в Китае: Том 2 . Тайбэй: Caves Books Ltd.
• Ньюэлл А. , Саймон Х.А. (1963), «GPS: программа, которая имитирует человеческое мышление», в Фейгенбауме Э., Фельдмане Дж. (ред.), Компьютеры и мысль , Нью-Йорк: McGraw-Hill, ISBN  978-0-262-56092-4 , OCLC   246968117
• Ньюквист HP (1994), Создатели мозга: гений, эго и жадность в поисках мыслящих машин , Нью-Йорк: Macmillan/SAMS, ISBN  978-0-9885937-1-8 , OCLC   313139906
• NRC (1999), «Развития в области искусственного интеллекта» , Финансирование революции: государственная поддержка компьютерных исследований , National Academy Press, ISBN  978-0-309-06278-7 , OCLC   246584055
• Ник М. (2005), Аль-Джазари: гениальный мусульманский механик 13-го века , Аль-Шиндага , получено 16 октября 2008 г.
• Нильссон Н. (30 октября 2009 г.). В поисках искусственного интеллекта . Издательство Кембриджского университета. ISBN  978-0-52-112293-1 .
• О'Коннор К.М. (1994), Алхимическое создание жизни (таквин) и другие концепции Бытия в средневековом исламе , Университет Пенсильвании, стр. 1–435 , получено 10 января 2007 г.
• Олсен С. (10 мая 2004 г.), Newsmaker: Человек Google за кулисами , CNET , получено 17 октября 2008 г.
• Олсен С. (18 августа 2006 г.), Шпионаж за интеллектуальной поисковой системой CNET , получено 17 октября 2008 г.
• Перл Дж. (1988), Вероятностное рассуждение в интеллектуальных системах: сети правдоподобного вывода , Сан-Матео, Калифорния: Морган Кауфманн, ISBN  978-1-55860-479-7 , OCLC   249625842 .
• Пул Д., Макворт А., Гебель Р. (1998), Вычислительный интеллект: логический подход , Oxford University Press., ISBN  978-0-19-510270-3 .
• Кеведо Л.Т. (1914), «Журнал Академии точных наук», Очерки по автоматике – ее определение. Теоретическое расширение его приложений , вып. 12, с. 391–418
• Кеведо LT (1915), «Revue Générale des Sciences Pures et Appliquées» , Очерки автоматического управления - его определение. Теоретическая степень его применения , вып. 2, с. 601–611
• Рэндалл Б. (1982), «От аналитической машины к электронному цифровому компьютеру: вклад Ладгейта, Торреса и Буша» , fano.co.uk , получено 29 октября 2018 г.
• Рассел С.Дж. , Норвиг П. (2003), Искусственный интеллект: современный подход (2-е изд.), Аппер-Сэддл-Ривер, Нью-Джерси: Прентис-Холл, ISBN  0-13-790395-2 .
• Рассел С.Дж. , Норвиг П. (2021). Искусственный интеллект: современный подход (4-е изд.). Хобокен: Пирсон. ISBN  978-0-13-461099-3 . LCCN   20190474 .
• Сэмюэл А.Л. (июль 1959 г.), «Некоторые исследования машинного обучения с использованием игры в шашки» , IBM Journal of Research and Development , 3 (3): 210–219, CiteSeerX   10.1.1.368.2254 , doi : 10.1147/rd.33.0210 , S2CID   2126705 , заархивировано 3 марта 2016 года , получено 20 августа 2007 года .
• Сайгин А.П., Чичекли И., Акман В. (2000), «Тест Тьюринга: 50 лет спустя» (PDF) , Minds and Machines , 10 (4): 463–518, doi : 10.1023/A:1011288000451 , hdl : 11693/24987 , S2CID   990084 , заархивировано из оригинала (PDF) 9 апреля 2011 года , получено 7 января 2004 года . Перепечатано в Moor (2003 , стр. 23–78).
• Сирл Дж. (1980), «Мышление, мозг и программы» , «Поведенческие и мозговые науки » , 3 (3): 417–457, doi : 10.1017/S0140525X00005756 , заархивировано из оригинала 10 декабря 2007 г. , получено 13 мая 2009 г.
• Саймон Х.А. , Ньюэлл А. (1958), «Решение эвристических задач: следующий прогресс в исследовании операций», Operations Research , 6 : 1–10, doi : 10.1287/opre.6.1.1 .
• Саймон Х.А. (1965), Форма автоматизации для мужчин и менеджмента , Нью-Йорк: Harper & Row .
• Скиллингс Дж. (2006), Newsmaker: заставить машины думать как мы , CNET , получено 8 октября 2008 г.
• Таскарелла П. (14 августа 2006 г.), «Фирмы, занимающиеся робототехникой, сталкиваются с трудностями при сборе средств, а венчурный капитал стесняется» , Pittsburgh Business Times , получено 15 марта 2016 г.
• Тьюринг А. (1936–1937), «О вычислимых числах с применением к проблеме Entscheidungs» , Proceedings of the London Mathematical Society , 2, 42 (42): 230–265, doi : 10.1112/plms/s2-42.1.230 , S2CID   73712 , получено 8 октября 2008 года .
• Тьюринг А. (октябрь 1950 г.), «Вычислительная техника и интеллект», Mind , LIX (236): 433–460, doi : 10.1093/mind/LIX.236.433 , ISSN   0026-4423 .
• Теркл С. (1984). Второе я: компьютеры и человеческий дух . Саймон и Шустер. ISBN  978-0-671-46848-4 . OCLC   895659909 .
• Уэйсон ПК , Шапиро Д. (1966). «Рассуждение» . В Фоссе, Б.М. (ред.). Новые горизонты психологии . Хармондсворт: Пингвин . Проверено 18 ноября 2019 г.
• Вайценбаум Дж. (1976), Мощность компьютера и человеческий разум , WH Freeman & Company, ISBN  978-0-14-022535-8 , OCLC   10952283 .