Künstliche Intelligenz

Künstliche Intelligenz (Ai) ist Intelligenz vorgezeigt durch Maschinenim Gegensatz zu der natürliche Intelligenz angezeigt von Tiere einschließlich Menschen. Die KI -Forschung wurde als Studiengebiet definiert intelligente Agenten, was sich auf jedes System bezieht, das seine Umgebung wahrnimmt und Maßnahmen ergriffen, die seine Chance maximieren, seine Ziele zu erreichen.^[a]

Der Begriff "künstliche Intelligenz" wurde zuvor verwendet, um Maschinen zu beschreiben, die "menschliche" kognitive Fähigkeiten nachahmen und zeigen, die mit dem verbunden sind menschlicher Verstand, wie "Lernen" und "Problemlösung". Diese Definition wurde seitdem von großen KI -Forschern abgelehnt, die jetzt KI in Bezug auf Rationalität und rational handeln, was nicht einschränkt, wie Intelligenz artikuliert werden kann.^[b]

KI -Anwendungen umfassen Fortgeschrittene Web-Suche Motoren (z. B.,, Google), Empfehlungssysteme (benutzt von Youtube, Amazonas und Netflix), menschliche Sprache verstehen (wie zum Beispiel Siri und Alexa), selbstfahrende Autos (z.B., Tesla), automatisierte Entscheidungsfindung und auf höchstem Niveau in der Konkurrenz in Strategisches Spiel Systeme (wie z. Schach und gehen).^[2] Wenn Maschinen immer fähiger werden, werden Aufgaben, die "Intelligenz" erfordern, häufig aus der Definition von AI entfernt, einem Phänomen, das als das bekannt ist AI -Effekt.^[3] Zum Beispiel, optische Zeichenerkennung wird häufig von Dingen ausgeschlossen, die als KI angesehen werden,^[4] zu einer Routine -Technologie geworden.^[5]

Künstliche Intelligenz wurde 1956 als akademische Disziplin gegründet und in den Jahren seitdem mehrere Wellen des Optimismus erlebt.^[6][7] gefolgt von Enttäuschung und dem Finanzierungsverlust (bekannt als "bekannt"AI Winter"),,^[8][9] gefolgt von neuen Ansätzen, Erfolg und erneuerten Finanzmitteln.^[7][10] AI -Forschung hat seit ihrer Gründung viele verschiedene Ansätze versucht und verworfen, einschließlich der Simulation des Gehirns, Modellierung menschlicher Problemlösung, formelle Logik, große Wissensdatenbanken und das Tierverhalten imitieren. In den ersten Jahrzehnten des 21. Jahrhunderts sehr mathematisch-statistisch maschinelles Lernen hat das Gebiet dominiert, und diese Technik hat sich als äußerst erfolgreich erwiesen und dazu beigetragen, viele herausfordernde Probleme in der gesamten Industrie und in der Wissenschaft zu lösen.^[10][11]

Die verschiedenen Unterfelder der KI-Forschung konzentrieren sich auf bestimmte Ziele und die Verwendung bestimmter Tools. Zu den traditionellen Zielen der KI -Forschung gehören Argumentation, Wissensrepräsentation, Planung, Lernen, Verarbeitung natürlicher Sprache, Wahrnehmungund die Fähigkeit, Objekte zu bewegen und zu manipulieren.^[c] Generelle Intelligenz (Die Fähigkeit, ein willkürliches Problem zu lösen) gehört zu den langfristigen Zielen des Feldes.^[12] Um diese Probleme zu lösen, haben KI-Forscher eine breite Palette von Problemlösungstechniken angepasst und integriert-einschließlich der Suche und mathematischer Optimierung, formaler Logik, künstliche neurale Netzwerkeund Methoden basierend auf Statistiken, Wahrscheinlichkeit und Wirtschaft. KI stützt sich auch auf Informatik, Psychologie, Linguistik, Philosophieund viele andere Felder.

Das Feld wurde auf der Annahme beruht, dass die menschliche Intelligenz "so genau beschrieben werden kann, dass eine Maschine dazu gebracht werden kann, sie zu simulieren".^[d] Dies löste philosophische Argumente über den Geist und die ethischen Folgen der Schaffung künstlicher Wesen mit menschlicher Intelligenz aus; Diese Probleme wurden zuvor von untersucht von Mythos, Fiktion und Philosophie Seit der Antike.^[14] Informatiker und Philosophen seitdem vorgeschlagen haben, dass KI eine werden kann existenzielles Risiko für die Menschheit, wenn ihre rationalen Kapazitäten nicht auf vorteilhafte Ziele gesteuert werden.^[e]

Geschichte

Fiktionen und frühe Konzepte

Künstliche Wesen mit Intelligenz erschien als als Geschichtenerzählgeräte in der Antike,^[15] und waren in der Fiktion üblich, wie in Mary Shelley's Frankenstein oder Karel čapek's R.U.R.^[16] Diese Charaktere und ihr Schicksals haben viele der gleichen Themen aufgeworfen, die jetzt in der diskutiert wurden Ethik der künstlichen Intelligenz.^[17]

Die Untersuchung von Mechanik oder "formelle" Argumentation begann mit Philosophen und Mathematiker in der Antike. Die Untersuchung der mathematischen Logik führte direkt zu Alan Turing's Theorie der Berechnung, was darauf hindeutet, dass eine Maschine, indem sie Symbole so einfach wie "0" und "1" mischen, jeden denkbaren Akt des mathematischen Abzugs simulieren könnte. Diese Einsicht, dass digitale Computer jeden Prozess des formalen Denkens simulieren können, wird als die bezeichnet These der Kirche und tätige These.^[18]

Die These der Kirche, zusammen mit gleichzeitigen Entdeckungen in Neurobiologie, Informationstheorie und Kybernetik, veranlassten Forscher, die Möglichkeit zu berücksichtigen, ein elektronisches Gehirn aufzubauen.^[19] Die erste Arbeit, die jetzt allgemein als KI anerkannt ist McCullouch und Pitts'1943 formelles Design für Turing-Complete "Künstliche Neuronen".^[20]

Frühe Forschungen

In den 1950er Jahren entstanden zwei Visionen für die Erreichung von Maschinenintelligenz. Eine Vision, bekannt als Symbolische AI oder Gofai, war mit Computern, um eine symbolische Darstellung der Welt und Systeme zu schaffen, die über die Welt argumentieren könnten. Befürworter eingeschlossen Allen Newell, Herbert A. Simon, und Marvin Minsky. Eng mit diesem Ansatz verbunden war der "Heuristische Suche" Ansatz, der Intelligenz mit einem Problem der Erforschung eines Raums der Möglichkeiten für Antworten verglichen. Die zweite Vision, bekannt als die Verbindungsansatz, versuchte, durch das Lernen Intelligenz zu erreichen. Befürworter dieses Ansatzes, am deutlichsten Frank Rosenblatt, versuchte sich zu verbinden Perzeptron in einer Weise, die durch Verbindungen von Neuronen inspiriert ist.^[21] James Manyika und andere haben die beiden Ansätze mit dem Geist (symbolische KI) und dem Gehirn (Verbindungspersonal) verglichen. Manyika argumentiert, dass symbolische Ansätze den Vorstoß nach künstlicher Intelligenz in dieser Zeit dominierten, was teilweise auf seine Verbindung zu intellektuellen Traditionen von aufgrund der Intellektuellen zurückzuführen ist Descarte, Boole, Gottlob Frege, Bertrand Russell, und andere. Verbindungsorientierte Ansätze basierend auf Kybernetik oder künstliche neurale Netzwerke wurden in den Hintergrund gedrängt, haben aber in den letzten Jahrzehnten neue Bedeutung gewonnen.^[22]

Das Gebiet der KI -Forschung wurde bei geboren ein Workshop bei Dartmouth College 1956.^[f][25] Die Teilnehmer wurden die Gründer und Führer der KI -Forschung.^[g] Sie und ihre Schüler produzierten Programme, die die Presse als "erstaunlich" bezeichnete:^[h] Computer lernten Dame Strategien, Wortprobleme in Algebra, beweisen Logische Theoreme und Englisch sprechen.^[ich][27] Mitte der 1960er Jahre wurde die Forschung in den USA stark von der finanziert Verteidigungsministerium^[28] und Labors waren weltweit eingerichtet worden.^[29]

Die Forscher in den 1960er und 1970er Jahren waren überzeugt, dass symbolische Ansätze schließlich gelingen würden, eine Maschine mit zu schaffen künstliche allgemeine Intelligenz und betrachtete dies als Ziel ihres Feldes.^[30] Herbert Simon Vorhersagte "Maschinen werden innerhalb von zwanzig Jahren in der Lage sein, jede Arbeit zu erledigen, die ein Mann tun kann".^[31] Marvin Minsky Einverstanden, das Schreiben "innerhalb einer Generation ... Das Problem der Schaffung künstlicher Intelligenz wird erheblich gelöst".^[32]

Sie erkannten die Schwierigkeit einiger der verbleibenden Aufgaben nicht. Fortschritt verlangsamte sich und 1974 als Reaktion auf die Kritik von Sir James Lighthill^[33] und fortlaufender Druck vom US -Kongress zu produktivere Projekte finanzierenSowohl die US -amerikanischen als auch die britische Regierungen haben die Erkundungsforschung in der KI abgeschnitten. Die nächsten Jahre würden später als "als" bezeichnet werden "AI Winter", Eine Zeit, in der die Finanzierung von KI -Projekten eine Finanzierung erhielt.^[8]

Von Expertensystemen bis hin zu maschinellem Lernen

In den frühen 1980er Jahren wurde die KI -Forschung durch den kommerziellen Erfolg von wiederbelebt Expertensysteme,^[34] Eine Form des KI -Programms, das das Wissen und die analytischen Fähigkeiten menschlicher Experten simulierte. Bis 1985 hatte der Markt für KI über eine Milliarde Dollar erreicht. Gleichzeitig Japans Computer der fünften Generation Das Projekt inspirierte die US -amerikanischen und britischen Regierungen, die Finanzierung wiederherzustellen wissenschaftliche Forschung.^[7] Beginnend mit dem Zusammenbruch der Lisp -Maschine Der Markt im Jahr 1987 geriet AI erneut in Verruf, und ein zweiter, länger anhaltender Winter begann.^[9]

Viele Forscher bezweifeln, dass die Symbolischer Ansatz Würde in der Lage sein, alle Prozesse der menschlichen Wahrnehmung insbesondere nachzuahmen, insbesondere der menschlichen Erkenntnis Wahrnehmung, Robotik, Lernen und Mustererkennung. Eine Reihe von Forschern begann sich mit "subsymbolischen" Ansätzen für bestimmte KI-Probleme zu untersuchen.^[35] Robotik Forscher wie z. Rodney Brooks, lehnte symbolische KI ab und konzentrierte sich auf die grundlegenden technischen Probleme, die es Robotern ermöglichen würden, sich zu bewegen, zu überleben und ihre Umgebung zu lernen.^[j] Interessiert an Neuronale Netze und "Verbindungismus"wurde von wiederbelebt von Geoffrey Hinton, David Rumelhart und andere Mitte der 1980er Jahre.^[40] Soft Computing In den 80ern wurden Werkzeuge entwickelt, wie z. Neuronale Netze, Fuzzy -Systeme, Theorie des grauen Systems, Evolutionsberechnung und viele Werkzeuge aus Statistiken oder Mathematische Optimierung.

AI stellte ihren Ruf Ende der neunziger und des frühen 21. Jahrhunderts allmählich wieder her, indem er spezifische Lösungen für spezifische Probleme fand. Der enge Fokus ermöglichte es den Forschern, überprüfbare Ergebnisse zu erzielen, mathematische Methoden auszunutzen und mit anderen Bereichen zusammenzuarbeiten (wie z. Statistiken, Wirtschaft und Mathematik).^[41] Bis 2000 wurden von KI -Forschern entwickelte Lösungen weit verbreitet, obwohl sie in den neunziger Jahren selten als "künstliche Intelligenz" bezeichnet wurden.^[11]

Schnellere Computer, algorithmische Verbesserungen und Zugang zu große Datenmengen Aktivierte Fortschritte in maschinelles Lernen und Wahrnehmung; datenhungry tiefes Lernen Methoden dominierten die Genauigkeitsbenchmarks um 2012.^[42] Entsprechend Bloombergs Jack Clark, 2015 war ein Meilenstein für künstliche Intelligenz, mit der Anzahl der Softwareprojekte, die KI verwenden Google von einem "sporadischen Gebrauch" im Jahr 2012 auf mehr als 2.700 Projekte erhöht.^[k] Er führt dies auf eine Erschwinglichkeit zu Neuronale Netze, aufgrund eines Anstiegs der Cloud -Computing -Infrastruktur und einer Zunahme von Forschungstools und Datensätzen.^[10] In einer Umfrage von 2017 berichtete jedes fünfte Unternehmen, dass er "KI in einige Angebote oder Prozesse integriert" hatte.^[43] Die Forschung an KI (gemessen an Gesamtveröffentlichungen) stieg in den Jahren 2015–2019 um 50%.^[44]

Zahlreiche akademische Forscher waren besorgt darüber, dass KI nicht mehr das ursprüngliche Ziel verfolgte, vielseitige, vollständig intelligente Maschinen zu schaffen. Ein Großteil der aktuellen Forschung umfasst statistische KI, die überwiegend verwendet wird tiefes Lernen. Diese Sorge hat zum Unterfeld von geführt künstliche allgemeine Intelligenz (oder "Agi"), das in den 2010er Jahren mehrere gut finanzierte Institutionen hatte.^[12]

Ziele

Das allgemeine Problem der Simulation (oder Erstellung) von Intelligenz wurde in Unterprobleme unterteilt. Diese bestehen aus bestimmten Merkmalen oder Funktionen, die Forscher erwarten, dass ein intelligentes System angezeigt wird. Die nachstehend beschriebenen Eigenschaften haben die größte Aufmerksamkeit erhalten.^[c]

Argumentation, Problemlösung

Frühe Forscher entwickelten Algorithmen, die Schritt-für-Schritt-Argumentation imitierten, die Menschen verwenden, wenn sie Rätsel lösen oder logische Abzüge vornehmen.^[45] In den späten 1980er und 1990er Jahren hatte AI Research Methoden für den Umgang mit unsicher oder unvollständige Informationen, die Konzepte aussetzen von Wahrscheinlichkeit und Wirtschaft.^[46]

Viele dieser Algorithmen erwiesen sich als nicht ausreichend, um große Argumentationsprobleme zu lösen, da sie eine "kombinatorische Explosion" erlebten: Sie wurden exponentiell langsamer, als die Probleme größer wurden.^[47] Sogar Menschen verwenden selten den schrittweisen Abzug, den die frühe KI-Forschung modellieren könnte. Sie lösen die meisten Probleme mit schnellen, intuitiven Urteilen.^[48]

Wissensrepräsentation

Wissensrepräsentation und Knowledge Engineering^[49] Erlauben Sie KI-Programmen, Fragen intelligent zu beantworten und Abzüge zu realen Fakten zu führen.

Eine Darstellung von "was existiert" ist eine Ontologie: Die Reihe von Objekten, Beziehungen, Konzepten und Eigenschaften, die formell beschrieben werden, damit Softwareagenten sie interpretieren können.^[50] Die allgemeinsten Ontologien werden genannt Obere Ontologien, die versuchen, eine Grundlage für alle anderen Wissen zu bilden und als Mediatoren dazwischen zu fungieren Domain -Ontologien Dieser decken spezifisches Wissen über ein bestimmtes Wissen ab Domain (Interessensfeld oder Besorgnis des Gebiets). Ein wirklich intelligentes Programm würde auch Zugang zu vernünftigen Wissen erfordern. Die Fakten, die eine durchschnittliche Person kennt. Das Semantik einer Ontologie wird typischerweise in Beschreibung Logik dargestellt, wie z. Web -Ontologie -Sprache.^[51]

AI -Forschung hat Tools entwickelt, um bestimmte Domänen darzustellen, wie Objekte, Eigenschaften, Kategorien und Beziehungen zwischen Objekten.^[51] Situationen, Ereignisse, Staaten und Zeit;^[52] Ursachen und Wirkungen;^[53] Wissen über Wissen (was wir wissen, was andere Menschen wissen);.^[54] Standard -Argumentation (Dinge, von denen Menschen annehmen, sind wahr, bis sie anders erzählt werden und auch dann wahr bleiben, wenn sich andere Tatsachen ändern);^[55] sowie andere Bereiche. Zu den schwierigsten Problemen in der KI zählen: Die Breite des gesunden Menschenkenntnisses (die Anzahl der atomaren Tatsachen, die die durchschnittliche Person kennt, ist enorm);^[56] und die subsymbolische Form des am meisten gewohnten Wissens (vieles, was Menschen wissen, wird nicht als "Tatsachen" oder "Aussagen" dargestellt, die sie verbal ausdrücken könnten).^[48]

Formale Wissensdarstellungen werden in inhaltsbasierter Indexierung und Abruf verwendet,^[57] Szeneninterpretation,^[58] Klinische Entscheidungsunterstützung,^[59] Wissensentdeckung (Mining "interessant" und umsetzbare Schlussfolgerungen aus großen Datenbanken),^[60] und andere Bereiche.^[61]

Planung

Ein intelligenter Agent, der kann planen macht eine Darstellung des Zustands der Welt, macht Vorhersagen darüber, wie ihre Handlungen es verändern und Entscheidungen treffen, die die maximieren Dienstprogramm (oder "Wert") der verfügbaren Auswahlmöglichkeiten.^[62] Bei klassischen Planungsproblemen kann der Agent davon ausgehen, dass es das einzige System ist, das in der Welt handelt, sodass der Agent die Konsequenzen seiner Handlungen sicher ist.^[63] Wenn der Agent jedoch nicht der einzige Akteur ist, muss der Agent unter Unsicherheit unter der Unsicherheit und seiner Anpassung kontinuierlich erneut bewertet werden.^[64] Multi-Agent-Planung verwendet die Zusammenarbeit und Wettbewerb vieler Agenten, um ein bestimmtes Ziel zu erreichen. Aufstrebendes Verhalten solch dies wird von verwendet von Evolutionsalgorithmen und Schwarmintelligenz.^[65]

Lernen

Maschinelles Lernen (ML), ein grundlegendes Konzept der KI -Forschung seit der Gründung des Feldes,^[l] ist die Untersuchung von Computeralgorithmen, die sich automatisch durch Erfahrung verbessern.^[m]

Unbeaufsichtigtes Lernen Findet Muster in einem Eingangsstrom. Überwachtes Lernen Erfordert ein Mensch zuerst die Eingabedaten und erhält zwei Hauptsorten: Einstufung und numerisch Regression. Die Klassifizierung wird verwendet, um zu bestimmen, in welcher Kategorie etwas gehört - das Programm sieht eine Reihe von Beispielen für Dinge aus mehreren Kategorien und lernt, neue Eingaben zu klassifizieren. Die Regression ist der Versuch, eine Funktion zu erzeugen, die die Beziehung zwischen Eingaben und Ausgängen beschreibt und vorhersagt, wie sich die Ausgänge ändern sollten, wenn sich die Eingaben ändern. Sowohl Klassifikatoren als auch Regressionslernende können als "Funktionsapparat" angesehen werden, die versuchen, eine unbekannte (möglicherweise implizite) Funktion zu lernen. Beispielsweise kann ein Spam -Klassifizierer als Lernfunktion angesehen werden, die vom Text einer E -Mail in eine von zwei Kategorien, "Spam" oder "nicht Spam", abgebildet werden.^[69]Im Verstärkungslernen Der Agent wird für gute Antworten belohnt und für schlechte bestraft. Der Agent klassifiziert seine Antworten, um eine Strategie für den Betrieb in seinem Problemraum zu bilden.^[70] Transferlernen Wird das Wissen aus einem Problem auf ein neues Problem angewendet.^[71]

Computerlerntheorie kann die Lernenden durch beurteilen Rechenkomplexität, durch Probenkomplexität (wie viel Daten benötigt) oder nach anderen Vorstellungen von Optimierung.^[72]

Verarbeitung natürlicher Sprache

Verarbeitung natürlicher Sprache (NLP)^[73] ermöglicht Maschinen zu lesen und verstehe menschliche Sprache. Ein ausreichend leistungsstarkes System für natürliche Sprachverarbeitung würde ermöglichen Natürliche Benutzeroberflächen und der Erwerb von Wissen direkt aus von Menschen geschriebenen Quellen wie Newswire-Texten. Einige einfache Anwendungen von NLP umfassen Informationsrückgewinnung, Frage Beantwortung und Maschinenübersetzung.^[74]

Symbolische AI Gebraucht formell Syntax um die zu übersetzen tiefe Struktur von Sätzen in Logik. Dies konnte aufgrund der nicht nützliche Anwendungen erzeugen Uneinheitlichkeit der Logik^[47] und die Breite des gesunden Menschenkenntnisses.^[56] Zu den modernen statistischen Techniken gehören die Zusammenhäufigkeit von Ko-Auftreten (wie oft ein Wort in der Nähe des anderen erscheint), "Schlüsselwort-Spotting" (Suche nach einem bestimmten Wort zum Abrufen von Informationen). Transformator-basierend tiefes Lernen (die Muster im Text findet) und andere.^[75] Sie haben auf der Seite oder auf Absatzebene eine akzeptable Genauigkeit erreicht und bis 2019 einen kohärenten Text erzeugen.^[76]

Wahrnehmung

Maschinenwahrnehmung^[77] ist die Möglichkeit, Eingaben von Sensoren zu verwenden (wie Kameras, Mikrofone, drahtlose Signale und aktiv LIDAR, Sonar, Radar und taktile Sensoren) Aspekte der Welt abzuleiten. Anwendungen umfassen Spracherkennung,^[78] Gesichtserkennung, und Objekterkennung.^[79] Computer Vision ist die Fähigkeit, visuelle Eingaben zu analysieren.^[80]

Bewegung und Manipulation

KI wird stark in der Robotik eingesetzt.^[81] Lokalisierung ist, wie ein Roboter seinen Standort kennt und Karten seine Umgebung. Bei einer kleinen, statischen und sichtbaren Umgebung ist dies einfach. dynamische Umgebungen wie (in Endoskopie) Das Innere des Atemkörpers eines Patienten stellt eine größere Herausforderung dar.^[82]

Bewegungsplanung ist der Prozess, eine Bewegungsaufgabe in "Primitiven" wie individuelle gemeinsame Bewegungen aufzuteilen. Eine solche Bewegung beinhaltet häufig eine konforme Bewegung, ein Prozess, bei dem die Bewegung einen physischen Kontakt mit einem Objekt aufrechterhalten muss. Roboter können aus Erfahrung lernen, wie man trotz der Anwesenheit von Reibung und Ausrüstung effizient bewegt.^[83]

Soziale Intelligenz

Affective Computing ist ein interdisziplinärer Dach, der Systeme umfasst, die Menschen erkennen, interpretieren, verarbeiten oder simulieren Gefühl, Emotion und Stimmung.^[85] Zum Beispiel einige Virtuelle Assistenten sind programmiert, um unterhaltsam oder sogar humorvoll zu sprechen; Es lässt sie empfindlicher für die emotionale Dynamik der menschlichen Interaktion oder auf andere Weise erleichtern Menschliche interaktion mit dem Computer. Dies gibt jedoch tendenziell naive Benutzer eine unrealistische Vorstellung davon, wie intelligent vorhandene Computeragenten tatsächlich sind.^[86] Mäßige Erfolge im Zusammenhang mit affektivem Computing umfassen Textual Stimmungsanalyse und in jüngerer Zeit, multimodale Stimmungsanalyse), wobei AI die Affekte klassifiziert, die von einem auf Video aufgezeichneten Thema angezeigt werden.^[87]

Generelle Intelligenz

Eine Maschine mit allgemeiner Intelligenz kann eine Vielzahl von Problemen mit Breite und Vielseitigkeit wie menschlicher Intelligenz lösen. Es gibt mehrere konkurrierende Ideen, wie man künstliche allgemeine Intelligenz entwickelt. Hans Moravec und Marvin Minsky argumentieren, dass die Arbeit in verschiedenen einzelnen Bereichen in einen Fortgeschrittenen aufgenommen werden kann Multi-Agent-System oder Kognitive Architektur mit allgemeiner Intelligenz.^[88] Pedro Domingos hofft, dass es eine konzeptionell unkomplizierte, aber mathematisch schwierige gibt, "Master -Algorithmus"Das könnte zu Agi führen.^[89] Andere glauben das anthropomorph Funktionen wie ein künstliches Gehirn^[90] oder simuliert Entwicklung des Kindes^[n] wird eines Tages einen kritischen Punkt erreichen, an dem allgemeine Intelligenz entsteht.

Werkzeug

Suche und Optimierung

Viele Probleme in der KI können theoretisch gelöst werden, indem intelligent durch viele mögliche Lösungen gesucht werden:^[91] Argumentation kann auf eine Suche reduziert werden. Zum Beispiel kann logischer Beweis als Suche nach einem Pfad angesehen werden, der von Firmengelände zu Schlussfolgerungen, wo jeder Schritt die Anwendung eines ist Inferenzregel.^[92] Planung Algorithmen suchen durch Bäume von Zielen und Subzentaten und versuchen, einen Weg zu einem Zielziel zu finden, ein Prozess heißt Mittelwerteanalyse.^[93] Robotik Algorithmen zum Verschieben von Gliedmaßen und Griffobjekten verwenden Lokale Suchanfragen in Konfigurationsraum.^[94]

Einfache erschöpfende Suchanfragen^[95] sind für die meisten realen Probleme selten ausreichend: die Suchraum (Die Anzahl der Suchplätze) wächst schnell zu astronomische Zahlen. Das Ergebnis ist eine Suche, die ist zu langsam oder nie abgeschlossen. Die Lösung für viele Probleme besteht darin, zu verwenden. "Heuristik"oder" Faustregeln ", die die Entscheidungen für diejenigen priorisieren, die eher ein Ziel erreichen, und dies in einer kürzeren Anzahl von Schritten zu tun. Bei einigen Suchmethoden können Heuristiken auch dazu dienen, einige Entscheidungen zu beseitigen, die unwahrscheinlich zu einem Ziel führen können (genannt "Beschneidung das Suchbaum"). Heuristik Liefern Sie das Programm mit einer "besten Vermutung" für den Weg, auf dem die Lösung liegt.^[96] Heuristiken beschränken die Suche nach Lösungen in eine kleinere Stichprobengröße.^[97]

Eine ganz andere Art von Suche wurde in den neunziger Jahren in den neunziger Jahren bekannt, basierend auf der mathematischen Theorie von Optimierung. Bei vielen Problemen ist es möglich, die Suche mit irgendeiner Form einer Vermutung zu beginnen und dann die Vermutung schrittweise zu verfeinern, bis keine mehr Verfeinerungen vorgenommen werden können. Diese Algorithmen können als blind visualisiert werden Berg steigen: Wir beginnen die Suche an einem zufälligen Punkt in der Landschaft und bewegen dann durch Sprünge oder Schritte unsere Vermutung bergauf, bis wir die Spitze erreichen. Andere verwandte Optimierungsalgorithmen umfassen Zufällige Optimierung, Strahlsuche und Metaheuristik wie simuliertes Glühen.^[98] Evolutionsberechnung Verwendet eine Form der Optimierungssuche. Zum Beispiel können sie mit einer Population von Organismen (den Vermutungen) beginnen und ihnen dann ermöglichen, mutieren und rekombinieren. Auswahl Nur der Stärkste, der jede Generation überlebt (die Vermutungen verfeinert). Klassisch Evolutionsalgorithmen enthalten genetische Algorythmen, Genexpressionsprogrammierung, und Genetische Programmierung.^[99] Alternativ können verteilte Suchprozesse über die Koordinierung durch Schwarmintelligenz Algorithmen. Zwei beliebte Schwarmalgorithmen, die bei der Suche verwendet werden Partikelschwarmoptimierung (Inspiriert von Vogel strömen) und Ameisenkolonieoptimierung (inspiriert von Ameisenwege).^[100]

Logik

Logik^[101] wird für Wissensdarstellung und Problemlösung verwendet, kann aber auch auf andere Probleme angewendet werden. Zum Beispiel die Satplan Algorithmus verwendet Logik für Planung^[102] und Induktive Logikprogrammierung ist eine Methode für Lernen.^[103]

In der AI -Forschung werden verschiedene Formen der Logik verwendet. Aussagelogik^[104] beinhaltet Wahrheit Funktionen wie "oder" und "nicht". Logik erster Ordnung^[105] fügt hinzu Quantifizierer und Prädikate und kann Fakten über Objekte, ihre Eigenschaften und ihre Beziehungen zueinander ausdrücken. Fuzzy Logic weist vage Aussagen wie "Alice ist alt" (oder reich oder groß oder hungrig) einen "Grad der Wahrheit" (zwischen 0 und 1) zu, die zu sprachlich ungenau sind, um völlig wahr oder falsch zu sein.^[106] Standardlogik, Nicht-monotonische Logik und Umschreibung sind Formen der Logik, die bei der Standardargumentation und der Qualifikationsproblem.^[55] Es wurden verschiedene Logikverlängerungen für die Behandlung bestimmter Bereiche von ausgelegt Wissen, wie zum Beispiel Beschreibung Logik;^[51] Situationskalkül, Ereignisrechnung und fließender Kalkül (zur Vertretung von Ereignissen und Zeit);^[52] Kausalrechnung;^[53] Glaubensrechnung (Überzeugung Revision); und Modale Logik.^[54] Logik zu modellieren widersprüchliche oder inkonsistente Aussagen, die in Multi-Agent-Systemen entstehen, wurden ebenfalls entworfen, wie z. Paraconsistente Logik.

Probabilistische Methoden für unsicheres Denken

Viele Probleme in der KI (einschließlich der Argumentation, Planung, Lernen, Wahrnehmung und Robotik) erfordern, dass der Agent mit unvollständigen oder unsicheren Informationen arbeitet. KI -Forscher haben eine Reihe von Tools entwickelt, um diese Probleme mithilfe von Methoden aus zu lösen Wahrscheinlichkeit Theorie und Wirtschaft.^[107] Bayes'sche Netzwerke^[108] sind ein sehr allgemeines Werkzeug, das für verschiedene Probleme verwendet werden kann, einschließlich der Argumentation (mit der Verwendung der Bayes'sche Inferenz Algorithmus),^[Ö][110] Lernen (Verwendung der Erwartungsmaximierungsalgorithmus),^[p][112] Planung (Verwendung Entscheidungsnetzwerke)^[113] und Wahrnehmung (Verwendung Dynamische Bayes'sche Netzwerke).^[114] Probabilistische Algorithmen können auch zur Filterung, Vorhersage, Glättung und Finden von Erklärungen für Datenströme verwendet werden und helfen Wahrnehmung Systeme zur Analyse von Prozessen, die im Laufe der Zeit auftreten (z. B.,, Versteckte Markov -Modelle oder Kalman Filter).^[114]

Ein Schlüsselkonzept aus der Wissenschaft der Wirtschaft ist "Dienstprogramm", Ein Maß dafür, wie wertvoll etwas für einen intelligenten Agenten ist. Es wurden präzise mathematische Tools entwickelt, die analysieren, wie ein Agent Entscheidungen und Planen treffen kann, und mithilfe von Verwendung Entscheidungstheorie, Entscheidungsanalyse,^[115] und Informationswerttheorie.^[116] Diese Tools umfassen Modelle wie z. Markov -Entscheidungsprozesse,^[117] dynamisch Entscheidungsnetzwerke,^[114] Spieltheorie und Mechanismus -Design.^[118]

Klassifikatoren und statistische Lernmethoden

Die einfachsten AI -Anwendungen können in zwei Typen unterteilt werden: Klassifizierer ("wenn glänzend dann Diamond") und Controller ("Wenn Diamant dann abgeholt"). Controller klassifizieren jedoch auch Bedingungen, bevor sie Aktionen schließen, und die Klassifizierung bildet daher einen zentralen Bestandteil vieler AI -Systeme. Klassifikatoren sind Funktionen, die verwenden Musteranpassung um das nächste Match zu bestimmen. Sie können nach Beispielen abgestimmt werden, was sie für die Verwendung in AI sehr attraktiv macht. Diese Beispiele werden als Beobachtungen oder Muster bezeichnet. Beim überwachten Lernen gehört jedes Muster zu einer bestimmten vordefinierten Klasse. Eine Klasse ist eine Entscheidung, die getroffen werden muss. Alle Beobachtungen in Kombination mit ihren Klassenbezeichnungen werden als Datensatz bezeichnet. Wenn eine neue Beobachtung empfangen wird, wird diese Beobachtung basierend auf früheren Erfahrungen eingestuft.^[119]

Ein Klassifizierer kann auf verschiedene Arten ausgebildet werden; Es gibt viele statistische und maschinelles Lernen Ansätze. Das Entscheidungsbaum ist der einfachste und am häufigsten verwendete symbolische Algorithmus für maschinelles Lernen.^[120] K-Nearest Nachbaralgorithmus war bis Mitte der 1990er Jahre die am weitesten verbreitete analogische KI.^[121] Kernelmethoden so wie die Vektormaschine unterstützen (SVM) Vertriebener K-Nearest-Nachbar in den 1990er Jahren.^[122] Das Naiver Bayes -Klassifikator ist Berichten zufolge der "am häufigsten verwendete Lernende"^[123] bei Google, teilweise aufgrund seiner Skalierbarkeit.^[124] Neuronale Netze werden auch zur Klassifizierung verwendet.^[125]

Die Klassifikatorleistung hängt stark von den Merkmalen der zu klassifizierten Daten ab, wie z. Modellbasierte Klassifikatoren funktionieren gut, wenn das angenommene Modell äußerst gut für die tatsächlichen Daten passt. Andernfalls ist, wenn kein Matching-Modell verfügbar ist und wenn Genauigkeit (anstelle von Geschwindigkeit oder Skalierbarkeit) das alleinige Anliegen ist, ist konventionelle Weisheit, dass diskriminative Klassifikatoren (insbesondere SVM) in der Regel genauer sind als modellbasierte Klassifikatoren wie "naive Bayes". Zu den meisten praktischen Datensätzen.^[126]

Künstliche neurale Netzwerke

Neuronale Netze^[125] wurden von der Architektur der Neuronen im menschlichen Gehirn inspiriert. Ein einfaches "Neuron" N Akzeptiert Input von anderen Neuronen, von denen jede, wenn sie aktiviert (oder "gefeuert") N sollte selbst aktivieren. Das Lernen erfordert einen Algorithmus, um diese Gewichte anhand der Trainingsdaten anzupassen. Ein einfacher Algorithmus (genannt "Feuern Sie zusammen zusammen, verdrahten Sie zusammen") soll das Gewicht zwischen zwei verbundenen Neuronen erhöhen, wenn die Aktivierung von einem die erfolgreiche Aktivierung eines anderen auslöst. Neuronen haben ein kontinuierliches Aktivierungsspektrum. Zusätzlich können Neuronen Eingaben nichtlinear verarbeiten, anstatt direkte Stimmen zu abwägen.

Moderne neuronale Netzwerke modell komplexe Beziehungen zwischen Eingängen und Ausgaben und Muster finden in Daten. Sie können kontinuierliche Funktionen und sogar digitale logische Operationen lernen. Neuronale Netze können als eine Art von Art von betrachtet werden Mathematische Optimierung-Sie treten auf Gradientenabstieg auf einer mehrdimensionalen Topologie, die von erstellt wurde von Ausbildung das Netzwerk. Die häufigste Trainingstechnik ist die Backpropagation Algorithmus.^[127] Sonstiges Lernen Techniken für neuronale Netze sind Hebbisch -Lernen ("Feuern zusammen, verdrahten Sie zusammen"), Gmdh oder Wettbewerbslernen.^[128]

Die Hauptkategorien von Netzwerken sind acyclisch oder Feedforward Neural Networks (wo das Signal nur in eine Richtung verläuft) und Wiederkehrende neuronale Netze (die Feedback und kurzfristige Erinnerungen an frühere Eingabeereignisse ermöglichen). Zu den beliebtesten Feedforward -Netzwerken gehören Wahrnehmung, Mehrschichtwahrnehmung und radiale Basisnetzwerke.^[129]

Tiefes Lernen

Tiefes Lernen^[131] Verwendet mehrere Schichten von Neuronen zwischen den Eingaben und Ausgängen des Netzwerks. Die mehreren Schichten können nach dem Roheingang zunehmend höhere Merkmale auf höhere Ebene extrahieren. Zum Beispiel in Bildverarbeitung, niedrigere Schichten können Kanten identifizieren, während höhere Schichten die für einen Menschen relevanten Konzepte wie Ziffern oder Buchstaben oder Gesichter identifizieren können.^[132] Deep Learning hat die Leistung von Programmen in vielen wichtigen Teilfeldern der künstlichen Intelligenz drastisch verbessert, einschließlich Computer Vision, Spracherkennung, Bildklassifizierung^[133] und andere.

Deep Learning verwendet oft Faltungsnetzwerke für viele oder alle seine Schichten. In einer Faltungsschicht erhält jeder Neuron Eingaben nur aus einem eingeschränkten Bereich der vorherigen Schicht, der als Neuron bezeichnet wird Empfängliches Feld. Dies kann die Anzahl der gewichteten Verbindungen zwischen Neuronen erheblich verringern.^[134] und schafft eine Hierarchie, die der Organisation des Tier visuellen Kortex ähnelt.^[135]

In einem Wiederkehrendes neuronales Netzwerk Das Signal verbreitet sich mehr als einmal durch eine Schicht;^[136] Somit ist ein RNN ein Beispiel für tiefes Lernen.^[137] RNNs können von trainiert werden Gradientenabstieg,^[138] So auch langfristige Gradienten, die wieder propagiert sind Verschwandungsgradientenproblem.^[139] Das Langer kurzfristiger Speicher (LSTM) -Technik kann dies in den meisten Fällen verhindern.^[140]

Spezialsprachen und Hardware

Es wurden spezialisierte Sprachen für künstliche Intelligenz entwickelt, wie z. Lispeln, Prolog, Tensorflow und viele andere. Für KI entwickelte Hardware umfasst KI -Beschleuniger und Neuromorphes Computer.

Anwendungen

Handlungsfelder

KI ist für jede intellektuelle Aufgabe relevant.^[141] Moderne Techniken für künstliche Intelligenz sind allgegenwärtig und sind zu zahlreich, um sie hier aufzulisten.^[142] Wenn eine Technik den Mainstream -Gebrauch erreicht, wird sie häufig nicht mehr als künstliche Intelligenz angesehen. Dieses Phänomen wird als das beschrieben AI -Effekt.^[143]

In den 2010er Jahren waren AI -Anwendungen das Herzstück der kommerziell erfolgreichsten Computerbereiche und sind zu einem allgegenwärtigen Merkmal des täglichen Lebens geworden. KI wird in verwendet Suchmaschinen (wie zum Beispiel Google-Suche),Online -Anzeigen zielen,^[144] Empfehlungssysteme (angeboten von Netflix, Youtube oder Amazonas), Fahren Online-Datenverkehr,^[145][146] gezielte Werbung (Adsense, Facebook),Virtuelle Assistenten (wie zum Beispiel Siri oder Alexa),^[147] Autonome Fahrzeuge (einschließlich Drohnen und selbstfahrende Autos),Automatische Sprachübersetzung (Microsoft -Übersetzer, Google Übersetzer),Gesichtserkennung (Apfel's Gesichtsausweis oder Microsoft's Tiefface),Bildbezeichnung (benutzt von Facebook, Apfel's iPhoto und Tick ​​Tack) und Spamfilterung.

Es gibt auch Tausende erfolgreicher KI -Anwendungen, mit denen Probleme für bestimmte Branchen oder Institutionen gelöst werden können. Einige Beispiele sindEnergiespeicher,^[148] Deepfakes,^[149] Medizinische Diagnose, militärische Logistik oder Lieferkettenmanagement.

Spiele spielen ist seit den 1950er Jahren ein Test für die Stärke von AI. Tiefes Blau wurde das erste Computer-Schachspielsystem, das einen amtierenden Weltschach-Champion besiegte, Garry Kasparovam 11. Mai 1997.^[150] Im Jahr 2011 in a Gefahr! Quizshow Freundschaftsspiel, IBM's Fragen Antwortsystem, Watsonbesiegte die beiden größten Gefahr! Champions, Brad Rutter und Ken Jenningsmit einem erheblichen Rand.^[151] Im März 2016, Alphago gewann 4 von 5 Spielen von gehen in einem Match mit Go Champion Lee Sedol, der erste wird Computer Go-Playing -System, um einen professionellen Go -Player ohne zu schlagen Behinderte.^[152] Andere Programme handhaben ab unvollkommene Information Spiele; wie für Poker auf übermenschlicher Ebene, Pluribus^[q] und Cepheus.^[154] Deepmind In den 2010er Jahren entwickelte eine "verallgemeinerte künstliche Intelligenz", die viele vielfältige lernen könnte Atari Spiele für sich.^[155]

In 2020, Verarbeitung natürlicher Sprache Systeme wie die enormen GPT-3 (Damals mit weitem das größte künstliche neuronale Netzwerk) stimmten die menschliche Leistung bei bereits bestehenden Benchmarks ab, wenn auch ohne das System, das ein vernünftiges Verständnis des Inhalts der Benchmarks erreichte.^[156] DeepMinds Alphafold 2 (2020) zeigten die Fähigkeit, in Stunden anstelle von Monaten die 3D -Struktur eines Proteins zu approximieren.^[157] Andere Anwendungen sagen das Ergebnis von gerichtlichen Entscheidungen vor,^[158] Kunst schaffen (wie Poesie oder Malerei) und Beweisen Sie mathematische Theoreme.

Im Jahr 2019, WIPO berichtete, dass KI der produktivste war aufkommende Technologie in Bezug auf die Anzahl der Patent Bewerbungen und gewährte Patente, die, die Internet der Dinge wurde in Bezug auf die Marktgröße als der größte der größte. Es folgte wiederum von Big Data Technologies, Robotics, KI, 3D -Druck und der fünften Generation mobiler Dienste (5G).^[159] Seit der KI in den 1950er Jahren wurden von Innovatoren 340000 KI-bezogen AI -Patentantragsteller mit Universitäten oder öffentlichen Forschungsorganisationen, die die verbleibenden vier ausmachen.^[160] Das Verhältnis von wissenschaftlichen Arbeiten zu Erfindungen ist von 8: 1 im Jahr 2010 auf 3: 1 im Jahr 2016 signifikant zurückgegangen, was auf eine Verschiebung von theoretischer Forschung zur Verwendung von AI -Technologien in kommerziellen Produkten und Dienstleistungen zurückzuführen ist. Maschinelles Lernen ist die dominante KI Computer Vision Die beliebteste funktionale Anwendung sein. KI-bezogene Patente offenbaren nicht nur KI-Techniken und -Anwendungen, sondern beziehen sich häufig auch auf ein Anwendungsfeld oder eine Branche. Im Jahr 2016 wurden zwanzig Anwendungsfelder identifiziert und in der Reihenfolge der Größenordnung einbezogen: Telekommunikation (15 Prozent), Transport (15 Prozent), Lebens- und medizinische Wissenschaften (12 Prozent) sowie persönliche Geräte, Computer- und Interaktion zwischen Mensch und Computer (11 Prozent) (11 Prozent) . Weitere Sektoren waren Bankgeschäfte, Unterhaltung, Sicherheit, Industrie und Fertigung, Landwirtschaft und Netzwerke (einschließlich sozialer Netzwerke, intelligente Städte und Internet der Dinge). IBM verfügt über das größte Portfolio von AI -Patenten mit 8.290 Patentanwendungen, gefolgt von Microsoft mit 5.930 Patentanwendungen.^[160]

Legale Aspekte

Die Entscheidungen von AI werfen die Fähigkeiten auf, die Fragen der gesetzlichen Verantwortung und des Urheberrechtsstatus geschaffener Werke aufwirken. Diese Probleme werden in verschiedenen Gerichtsbarkeiten verfeinert.^[161]

Philosophie

Künstliche Intelligenz definieren

Denken vs. Schauspiel: Der Turing -Test

Alan Turing schrieb 1950 "Ich schlage vor, die Frage zu berücksichtigen" Können Maschinen denken? "^[162] Er riet zu ändern, ob eine Maschine "denkt", auf "ob es für Maschinen möglich ist, intelligentes Verhalten zu zeigen".^[163] Das einzige, was sichtbar ist, ist das Verhalten der Maschine, daher spielt es keine Rolle, ob die Maschine ist bewusst, oder hat eine Geist, oder ob die Intelligenz nur eine "Simulation" ist und nicht "die reale Sache". Er bemerkte, dass wir diese Dinge auch über andere Menschen nicht kennen, sondern dass wir eine "höfliche Konvention" erweitern, die sie tatsächlich "denken". Diese Idee bildet die Grundlage des Turing -Tests.^[164][r]

Menschlich handeln und intelligent handeln: intelligente Agenten

KI -Gründer John McCarthy sagte: "Künstliche Intelligenz ist per Definition nicht die Simulation der menschlichen Intelligenz".^[166] Russell und Norvig Stimmen Sie zu und kritisieren Sie den Turing -Test. Sie schrieben: "Luftfahrttechnik Texte definieren das Ziel ihres Feldes nicht als Maschinen, die so genau fliegen wie genau wie Tauben dass sie andere Tauben täuschen können.'"^[167] Andere Forscher und Analysten sind anderer Meinung und haben argumentiert, dass KI natürliche Intelligenz durch Studium simulieren sollte Psychologie oder Neurobiologie.^[s]

Das intelligente Agent -Paradigma^[169] definiert intelligentes Verhalten im Allgemeinen, ohne Bezug auf Menschen. Ein intelligenter Agent ist ein System, das seine Umgebung wahrnimmt und Maßnahmen ergriffen, die seine Erfolgschancen maximieren. Jedes System, das zielgerichtetes Verhalten hat Firmen, Biomes oder Nationen. Das intelligente Agent -Paradigma wurde in den neunziger Jahren weithin akzeptiert und dient derzeit als Definition des Feldes.^[a]

Das Paradigma hat andere Vorteile für KI. Es bietet eine zuverlässige und wissenschaftliche Möglichkeit, Programme zu testen. Forscher können verschiedene Ansätze für isolierte Probleme direkt vergleichen oder sogar kombinieren, indem sie fragen, welcher Agent am besten eine bestimmte "Zielfunktion" maximiert. Es gibt ihnen auch eine gemeinsame Sprache, um mit anderen Feldern zu kommunizieren - wie z. Mathematische Optimierung (was in Bezug auf "Ziele" definiert ist) oder Wirtschaft (die die gleiche Definition eines "verwendet"rationaler Agent").^[170]

Bewertung von Ansätzen an KI

Keine etablierte einheitliche Theorie oder Paradigma hat die KI -Forschung für den größten Teil seiner Geschichte geleitet.^[t] Der beispiellose Erfolg des statistischen maschinellen Lernens in den 2010er Jahren in den Schatten stellte alle anderen Ansätze (so sehr, dass einige Quellen, insbesondere in der Geschäftswelt, den Begriff "künstliche Intelligenz" verwenden, um "maschinelles Lernen mit neuronalen Netzwerken" zu bedeuten). Dieser Ansatz ist meistens subsymbolisch, sauber, Sanft und eng (siehe unten). Kritiker argumentieren, dass diese Fragen möglicherweise von zukünftigen Generationen von AI -Forschern überarbeitet werden müssen.

Symbolische KI und ihre Grenzen

Symbolische KI (oder "Gofai"))^[172] simulierte das auf hohe Ebene bewusste Denken, das Menschen verwenden, wenn sie Rätsel lösen, rechtliche Argumentation ausdrücken und Mathematik ausführen. Sie waren sehr erfolgreich bei "intelligenten" Aufgaben wie Algebra- oder IQ -Tests. In den 1960er Jahren schlugen Newell und Simon die Hypothese der physischen Symbolsysteme vor: "Ein physikalisches Symbolsystem hat das notwendige und ausreichende Mittel allgemein intelligenter Handlungen."^[173]

Der symbolische Ansatz scheiterte jedoch düster bei vielen Aufgaben, die Menschen leicht lösen, z. B. das Lernen, das Erkennen eines Objekts oder ein gesundener Überzeugung. Moravecs Paradox ist die Entdeckung, dass hochrangige "intelligente" Aufgaben für KI leicht waren, aber niedrige "instinktive" Aufgaben waren äußerst schwierig.^[174] Philosoph Hubert Dreyfus Ich hatte seit den 1960er Jahren argumentiert, dass menschliches Know -how von unbewussten Instinkten und nicht von bewusster Symbolmanipulation und von einem "Gefühl" für die Situation anstatt explizites symbolisches Wissen abhängt.^[175] Obwohl seine Argumente verspottet und ignoriert worden waren, als sie zum ersten Mal präsentiert wurden, stimmte die KI -Forschung zu.^[u][48]

Das Problem ist nicht gelöst: subsymbolisch Argumentation kann viele der gleichen unergründlichen Fehler machen, die die menschliche Intuition macht, wie z. Algorithmische Voreingenommenheit. Kritiker wie Noam Chomsky Die fortgesetzte Forschung zur symbolischen KI wird weiterhin notwendig sein, um allgemeine Intelligenz zu erreichen.^[177][178] Zum Teil, weil die subsymbolische KI eine Entfernung von entfernt ist Erklärbare AI: Es kann schwierig oder unmöglich sein zu verstehen, warum ein modernes statistisches KI -Programm eine bestimmte Entscheidung getroffen hat.

Ordentlich gegen Scuffy

"Neats" hoffe, dass intelligentes Verhalten mit einfachen, eleganten Prinzipien beschrieben wird (wie z. Logik, Optimierung, oder Neuronale Netze). "Scuffies" erwarten, dass es notwendigerweise eine große Anzahl von nicht verwandten Problemen erfordert. Dieses Thema wurde aktiv in den 70er und 80er Jahren diskutiert,^[179] Aber in den neunziger Jahren wurde mathematische Methoden und solide wissenschaftliche Standards zur Norm, ein Übergang, den Russell und Norvig als "Sieg der Nearts" bezeichneten.^[180]

Weiches gegen hartes Computing

Eine nachweislich korrekte oder optimale Lösung zu finden ist unlösbar für viele wichtige Probleme.^[47] Soft Computing ist eine Reihe von Techniken, einschließlich genetische Algorythmen, Fuzzy Logic und Neuronale Netze, die tolerant gegenüber Ungenauigkeit, Unsicherheit, teilweise Wahrheit und Annäherung sind. Soft Computing wurde in den späten 80ern eingeführt und die erfolgreichsten KI -Programme im 21. Jahrhundert sind Beispiele für Soft Computing mit Neuronale Netze.

Schmal gegen allgemeine KI

KI -Forscher sind aufgeteilt, ob sie die Ziele der künstlichen allgemeinen Intelligenz verfolgen sollen und Superintelligenz (allgemeine KI) direkt oder um so viele spezifische Probleme wie möglich zu lösen (enge KI) in der Hoffnung, dass diese Lösungen indirekt zu den langfristigen Zielen des Feldes führen werden^[181][182] Allgemeine Intelligenz ist schwer zu definieren und schwer zu messen, und die moderne KI hat nachweisbarere Erfolge erzielt, indem sie sich auf bestimmte Probleme mit bestimmten Lösungen konzentrieren. Das experimentelle Unterfeld der künstlichen allgemeinen Intelligenz untersucht diesen Bereich ausschließlich.

Maschinenbewusstsein, Verstand und Verstand

Das Philosophie des Geistes weiß nicht, ob eine Maschine eine haben kann Geist, Bewusstsein und mentale Zuständein dem gleichen Sinne, wie es Menschen tun. Dieses Problem berücksichtigt eher die internen Erfahrungen der Maschine als ihr externes Verhalten. Die Mainstream -KI -Forschung betrachtet dieses Thema irrelevant, da sie die Ziele des Feldes nicht beeinflusst. Stuart Russell und Peter Norvig Beachten Sie, dass die meisten KI -Forscher "die [Philosophie der KI] nicht interessieren - solange das Programm funktioniert, ist es ihnen egal, ob Sie es eine Simulation der Intelligenz oder der echten Intelligenz nennen".^[183] Die Frage ist jedoch für die Philosophie des Geistes von zentraler Bedeutung geworden. Es ist typischerweise auch die zentrale Frage in künstliche Intelligenz in der Fiktion.

Bewusstsein

David Chalmers identifizierte zwei Probleme beim Verständnis des Geistes, den er die "harten" und "einfachen" Probleme des Bewusstseins nannte.^[184] Das einfache Problem besteht darin, zu verstehen, wie die Gehirn verarbeitet, Pläne und kontrolliert Verhalten. Das schwierige Problem ist es, zu erklären, wie das ist fühlt sich Oder warum es sich wie irgendetwas anfühlen sollte. Menschlich Informationsverarbeitung ist jedoch leicht zu erklären, menschlich Subjektive Erfahrung ist schwer zu erklären. Zum Beispiel ist es leicht, sich eine farbblinde Person vorzustellen, die gelernt hat zu identifizieren, welche Objekte in ihrem Sichtfeld rot sind, aber es ist nicht klar, was für die Person erforderlich wäre weiß, wie Rot aussieht.^[185]

Computerationalismus und Funktionalismus

Computerationalismus ist die Position in der Philosophie des Geistes Dass der menschliche Geist ein Informationsverarbeitungssystem ist und dass das Denken eine Form des Computers ist. Der Computerationalismus argumentiert, dass die Beziehung zwischen Geist und Körper ähnlich oder identisch mit der Beziehung zwischen Software und Hardware ist und daher eine Lösung für die Mind-Body-Problem. Diese philosophische Position wurde von der Arbeit von KI -Forschern und kognitiven Wissenschaftlern in den 1960er Jahren inspiriert und wurde ursprünglich von Philosophen vorgeschlagen Jerry Fodor und Hilary Putnam.^[186]

Philosoph John Searle charakterisierte diese Position als "Starke KI": "Der entsprechend programmierte Computer mit den richtigen Eingängen und Ausgängen hätte dadurch einen Verstand in genau dem gleichen Sinn, den Menschen Geist haben."^[v] Searle kontert diese Behauptung mit seinem chinesischen Raumargument, der versucht zu zeigen, dass es immer noch keinen Grund gibt, auch wenn eine Maschine das menschliche Verhalten perfekt simuliert, dass sie auch einen Verstand hat.^[189]

Roboterrechte

Wenn eine Maschine eine Verstand und eine subjektive Erfahrung hat, kann dies auch haben Empfindungsvermögen (die Fähigkeit zu fühlen), und wenn ja, könnte es auch leidenund so hätte es Anspruch auf bestimmte Rechte.^[190] Alle hypothetischen Roboterrechte würden in einem Spektrum mit liegen Tierrechte und Menschenrechte.^[191] Dieses Problem wurde in berücksichtigt Fiktion seit Jahrhunderten,^[192] und wird jetzt von beispielsweise von Kalifornien berücksichtigt Institut für die ZukunftKritiker argumentieren jedoch, dass die Diskussion verfrüht ist.^[193]

Zukunft

Superintelligenz

Eine Superintelligenz, Hyperintelligenz oder übermenschliche Intelligenz ist ein hypothetischer Agent, der die Intelligenz besitzen würde, die den des hellsten und begabtesten menschlichen Geistes weit übertrifft. Superintelligenz Kann sich auch auf die Form oder den Grad der Intelligenz beziehen, das von einem solchen Agenten besessen ist.^[182]

Wenn recherchiert werden künstliche allgemeine Intelligenz Eine ausreichend intelligente Software produziert, kann sie möglicherweise neu programmieren und sich verbessern. Die verbesserte Software wäre noch besser darin, sich selbst zu verbessern, was dazu führt rekursive Selbstverbesserung.^[194] Seine Intelligenz würde exponentiell in einem zunehmen Intelligenzxplosion und könnte Menschen dramatisch übertreffen. Science -Fiction -Schriftsteller Vernor Vinge nannte dieses Szenario die "Singularität".^[195] Da es schwierig oder unmöglich ist, die Grenzen der Intelligenz oder die Fähigkeiten von Superintelligent -Maschinen zu kennen, ist die technologische Singularität ein Ereignis, über die Ereignisse unvorhersehbar oder sogar unergründlich sind.^[196]

Roboterdesigner Hans Moravec, Cyberneticist Kevin Warwickund Erfinder Ray Kurzweil haben vorausgesagt, dass Menschen und Maschinen in Zukunft verschmolzen werden Cyborgs Das sind fähiger und mächtiger als beides. Diese Idee, Transhumanismus genannt, hat Wurzeln in Aldous Huxley und Robert Ettinger.^[197]

Edward Fredkin argumentiert, dass "künstliche Intelligenz die nächste Stufe in der Evolution ist", eine Idee, die zuerst von vorgeschlagen wurde Samuel Butler's "Darwin unter den Maschinen"Bereits 1863 und durch erweitert von durch George Dyson in seinem gleichnamigen Buch im Jahr 1998.^[198]

Risiken

Technologische Arbeitslosigkeit

In der Vergangenheit hat die Technologie eher zunehmend als die Gesamtbeschäftigung gesteigert, aber die Ökonomen erkennen an, dass "wir in Uncharted Territory" mit KI sind.^[199] Eine Umfrage unter Ökonomen zeigte Uneinigkeit darüber Arbeitslosigkeit, aber sie sind sich im Allgemeinen einig, dass es ein Nettovorteil sein könnte, wenn Produktivität Gewinne sind umverteilt.^[200] Subjektive Schätzungen des Risikos variieren stark; Zum Beispiel Michael Osborne und Carl Benedikt Frey Schätzen Sie 47% der US -amerikanischen Arbeitsplätze im "hohen Risiko" potenzieller Automatisierung, während ein OECD -Bericht nur 9% der US -amerikanischen Arbeitsplätze als "hohes Risiko" klassifiziert.^[W][202]

Im Gegensatz zu früheren Automatisierungswellen können viele bürgerliche Jobs durch künstliche Intelligenz beseitigt werden. Der Ökonom stellt fest, dass "die Sorge, dass AI an Weißkragenjobs antworten könnte, was Dampfkraft während der industriellen Revolution mit den Arbeiten gemacht hat", ist "ernsthaft" wert.^[203] Jobs mit extremem Risiko reichen von Paralegals bis hin zu Fast-Food-Köchen, während die Arbeitsnachfrage wahrscheinlich für Pflegeberufe zunehmen wird, die von der persönlichen Gesundheitsversorgung bis zum Geistlichen reichen.^[204]

Schlechte Schauspieler und Waffen KI

KI bietet eine Reihe von Tools, die besonders nützlich sind für autoritär Regierungen: intelligent Spyware, Gesichtserkennung und Spracherkennung weit verbreitet zulassen Überwachung; Eine solche Überwachung erlaubt maschinelles Lernen zu klassifizieren potenzielle Feinde des Staates und können sie daran hindern, sich zu verstecken; Empfehlungssysteme kann genau zielen Propaganda und Fehlinformation für maximale Wirkung; Deepfakes Unterstützung bei der Erzeugung von Fehlinformationen; Fortgeschrittene KI kann machen Zentralisierte Entscheidungsfindung wettbewerbsfähiger mit liberalen und dezentralen Systemen wie Märkten.^[205]

Terroristen, Kriminelle und Schurkenstaaten können andere Formen von Waffen KI wie Fortgeschrittene verwenden Digitale Kriegsführung und tödliche autonome Waffen. Bis 2015 wurde berichtet, dass über fünfzig Länder Battlefield -Roboter untersucht.^[206]

Maschinenlernende KI ist auch in der Lage, innerhalb weniger Stunden Zehntausende von giftigen Molekülen zu entwerfen.^[207]

Algorithmische Voreingenommenheit

KI-Programme können nach dem Lernen aus realen Daten voreingenommen werden. Es wird normalerweise nicht von den Systemdesignern eingeführt, sondern vom Programm gelernt, und daher sind sich die Programmierer oft nicht bewusst, dass die Verzerrung existiert.^[208] Die Verzerrung kann durch den Weg versehentlich eingeführt werden Trainingsdaten ist ausgewählt.^[209] Es kann auch auftauchen aus Korrelationen: AI ist gewohnt klassifizieren Einzelpersonen in Gruppen und dann Vorhersagen unter der Annahme, dass die Person anderen Mitgliedern der Gruppe ähnelt. In einigen Fällen kann diese Annahme unfair sein.^[210] Ein Beispiel dafür ist Compas, ein kommerzielles Programm, das weit verbreitet von US -Gerichte Beurteilung der Wahrscheinlichkeit von a Beklagte ein ... werden Rückfall. ProPublica behauptet, dass das mit Compas zugewiesene Rückfallrisiko der schwarzen Angeklagten weitaus häufiger überschätzt wird als das von weißen Angeklagten, obwohl dem Programm nicht den Rassen der Angeklagten mitgeteilt wurde.^[211] Andere Beispiele, bei denen algorithmische Vorspannungen zu unfairen Ergebnissen führen können, sind, wenn AI für verwendet wird Kreditbeurteilung oder Einstellung.

Auf seiner Konferenz 2022 über Fairness, Rechenschaftspflicht und Transparenz (ACM Facct 2022) die Verband für Rechenmaschinen, in Seoul, Südkorea, präsentierte und veröffentlichte Ergebnisse, die empfehlen, dass KI- und Robotiksysteme als frei von Voreingenommenheitsfehlern nachgewiesen werden, sie sind unsicher und die Verwendung selbstlernender neuronaler Netzwerke, die auf riesigen, unregulierten Quellen fehlerhafter Internetdaten geschult sollten, sollten sich ausgebildet. verkürzt werden.^[212]

Existenzielles Risiko

Superintelligent KI kann sich möglicherweise so weit verbessern, dass die Menschen es nicht kontrollieren konnten. Dies könnte als Physiker Stephen Hawking setzt es ","buchstabieren Sie das Ende der Menschheit".^[213] Philosoph Nick Bostrom argumentiert, dass ausreichend intelligentes KI, wenn sie Handlungen basierend auf dem Erreichen eines Ziels auswählt, ausstellen wird konvergent Verhalten wie das Erwerb von Ressourcen oder das Schutz vor der Herstellung. Wenn die Ziele dieser KI die Menschheit nicht vollständig widerspiegeln, muss es möglicherweise die Menschheit schaden, mehr Ressourcen zu erwerben oder sich daran zu hindern, geschlossen zu werden, um ihr Ziel besser zu erreichen. Er kommt zu dem Schluss, dass KI ein Risiko für die Menschheit darstellt, wie bescheiden oder "auch"freundlich"Die angegebenen Ziele könnten sein.^[214] Politikwissenschaftler Charles T. Rubin argumentiert, dass "jede ausreichend fortgeschrittene Wohlwollen nicht von Böswilligkeit zu unterscheiden sein kann". Menschen sollten nicht annehmen, Maschinen oder Roboter würden uns günstig behandeln, weil es keine gibt a priori Grund zu der Annahme, dass sie unser Moralsystem teilen würden.^[215]

Die Meinung von Experten und Branchenkennern ist gemischt, mit beträchtlichen Brüchen, die sowohl betreffend als auch nicht besorgt durch das Risiko einer übermenschlich-fähigen KI betroffen sind.^[216] Stephen Hawking, Microsoft Gründer Bill Gates, Geschichtsprofessor Yuval Noah Harari, und SpaceX Gründer Elon Moschus haben alle ernsthafte Bedenken über die Zukunft der KI zum Ausdruck gebracht.^[217] Prominente Tech -Titanen einschließlich Peter Thiel (Amazon Web Services) und Musk haben mehr als 1 Milliarde US -Dollar an gemeinnützige Unternehmen verpflichtet Openai und die Future of Life Institute.^[218] Mark Zuckerberg (CEO, Facebook) hat gesagt, dass künstliche Intelligenz in seiner aktuellen Form hilfreich ist und weiterhin Menschen unterstützen wird.^[219] Andere Experten argumentieren, dass die Risiken in Zukunft weit genug sind, um nicht recherchiert zu sein oder dass Menschen aus der Perspektive einer Superintelligentenmaschine wertvoll sein werden.^[220] Rodney BrooksInsbesondere hat gesagt, dass die "böswillige" KI noch Jahrhunderte entfernt ist.^[x]

Ethische Maschinen

Freundliche KI sind Maschinen, die von Anfang an entworfen wurden, um Risiken zu minimieren und Entscheidungen zu treffen, die Menschen zugute kommen. Eliezer Yudkowsky, der den Begriff geprägt hat, argumentiert, dass die Entwicklung einer freundlichen KI eine höhere Forschungspriorität haben sollte: Es kann eine große Investition erfordern und muss abgeschlossen werden, bevor die KI zu einem existenziellen Risiko wird.^[222]

Maschinen mit Intelligenz haben das Potenzial, ihre Intelligenz zu nutzen, um ethische Entscheidungen zu treffen. Das Gebiet der Maschinenethik bietet Maschinen ethische Prinzipien und Verfahren zur Lösung ethischer Dilemmata.^[223] Maschinenethik wird auch genannt Maschinenmoral, Rechenethik oder rechnerische Moral,^[223] und wurde bei einem gegründet Aaai Symposium im Jahr 2005.^[224]

Andere Ansätze sind Wendell Wallach"künstliche moralische Agenten"^[225] und Stuart J. Russell's Drei Prinzipien zur Entwicklung nachdenklich vorteilhafter Maschinen.^[226]

Verordnung

Die Regulierung künstlicher Intelligenz ist die Entwicklung der Richtlinien und Gesetze des öffentlichen Sektors zur Förderung und Regulierung der künstlichen Intelligenz (KI); Es hängt daher mit der breiteren Regulation von Algorithmen zusammen.^[227] Die regulatorische und politische Landschaft für KI ist ein aufstrebendes Thema in Gerichtsbarkeiten weltweit.^[228] Zwischen 2016 und 2020 verfolgten mehr als 30 Länder engagierte Strategien für KI.^[44] Die meisten EU -Mitgliedstaaten hatten nationale KI -Strategien veröffentlicht, ebenso wie Kanada, China, Indien, Japan, Mauritius, die Russische Föderation, Saudi -Arabien, die Vereinigten Arabischen Emirate, die USA und Vietnam. Andere waren dabei, ihre eigene KI -Strategie auszuarbeiten, einschließlich Bangladesch, Malaysia und Tunesien.^[44] Das Globale Partnerschaft zur künstlichen Intelligenz wurde im Juni 2020 ins Leben gerufen, in dem die KI gemäß den Menschenrechten und demokratischen Werten erforderlich ist, um das Vertrauen und Vertrauen der Öffentlichkeit in die Technologie zu gewährleisten.^[44] Henry Kissinger, Eric Schmidt, und Daniel Huttenlocher veröffentlichte im November 2021 eine gemeinsame Erklärung, in der eine Regierungskommission zur Regulierung der KI gefordert wurde.^[229]

In der Fiktion

Nachdenkliche künstliche Wesen sind seit der Antike als Storytelling-Geräte aufgetreten,^[15] und waren ein anhaltendes Thema in Science-Fiction.^[17]

Eine gemeinsame Trope in diesen Werken begann mit mit Mary Shelley's Frankenstein, wo eine menschliche Schöpfung zu einer Bedrohung für ihre Meister wird. Dies beinhaltet Arbeiten wie Arthur C. Clarkes und Stanley Kubricks 2001: Ein Weltraum -Odyssey (beide 1968) mit Hal 9000, der mörderische Computer, der für die verantwortlich ist Entdeckung eins Raumschiff sowie Der Terminator (1984) und Die Matrix (1999). Im Gegensatz dazu die seltenen loyalen Roboter wie Gort von Der Tag an dem die Erde still stand (1951) und Bischof von Aliens (1986) sind in der Populärkultur weniger prominent.^[230]

Isaac asimov stellte die vor Drei Gesetze der Robotik In vielen Büchern und Geschichten, insbesondere in der "Multivac" -Serie über einen super-intelligenten Computer, der den gleichnamigen gleichnamigen ist. Die Gesetze von Asimov werden häufig während der Laiendiskussion über Maschinenethik erzogen.^[231]Während fast alle Forscher für künstliche Intelligenz durch die Gesetze von Asimov durch Populärkultur vertraut sind, betrachten sie die Gesetze aus vielen Gründen im Allgemeinen nutzlos, von denen eine ihre Unklarheit ist.^[232]

Transhumanismus (Die Verschmelzung von Menschen und Maschinen) wird in der untersucht Manga Geist in der Muschel und die Science-Fiction-Serie Düne.

Mehrere Arbeit Die Fähigkeit zu fühlenund damit zu leiden. Dies erscheint in Karel čapek's R.U.R., die Filme A.I. Künstliche Intelligenz und Ex machinasowie der Roman Träumen Androiden von elektrischen Schafen?, durch Philip K. Dick. Dick betrachtet die Idee, dass unser Verständnis der menschlichen Subjektivität durch Technologie verändert wird, die mit künstlicher Intelligenz geschaffen wurden.^[233]

Wissenschaftliche Diplomatie

Krieg

Wenn sich Technologie und Forschung entwickeln und die Welt nach Schießpulver und Atomwaffen in die dritte Revolution des Krieges eintreten, ist die künstliche Intelligenzwettbewegung Es folgt zwischen den USA, China und Russland, drei Länder mit den fünf besten Militärbudgets der Welt.^[234] Absichten, bis 2030 weltweit führend in der KI -Forschung zu sein^[235] wurden von Chinas Führer Xi Jinping erklärt, und Präsident Putin von Russland hat erklärt, dass "derjenige, der zum Führer in diesem Bereich wird, zum Herrscher der Welt wird".^[236] Wenn Russland führend in der KI -Forschung wird, hat Präsident Putin die Absicht Russlands erklärt, einen Teil ihrer Forschung mit der Welt zu teilen, um das Feld nicht zu monopolisieren.^[236] Ähnlich wie bei der Aufrechterhaltung der Kerntechnologien, die die Beziehungen der Wissenschaftsdiplomatie aufrechterhalten. Die Vereinigten Staaten, China und Russland sind einige Beispiele für Länder, die sie genommen haben Haltung gegenüber militärischer künstlicher Intelligenz Seit 2014, nachdem sie Militärprogramme zur Entwicklung von Cyberwaffen, kontrollieren tödliche autonome Waffen und Drohnen kontrollieren können, können dies sein zur Überwachung verwendet.

Russo-Ukrainischer Krieg

Präsident Putin kündigte an, dass künstliche Intelligenz die Zukunft für die gesamte Menschheit ist ^[236] und erkennt die Macht und Chancen an, die die Entwicklung und den Einsatz tödlicher autonomer Waffen -KI -Technologie in Kriegsführung und Heimatschutz sowie deren Bedrohungen aufnehmen kann. Die Vorhersage von Präsident Putins, dass zukünftige Kriege mit AI geführt werden Russland fiel am 24. Februar 2022 in die Ukraine ein. Das ukrainische Militär nutzt das türkische Bayraktar TB2-DRONES^[237] Dies erfordern immer noch den menschlichen Betrieb, um lasergesteuerte Bomben einzusetzen, kann aber autonom abheben, landen und kreuzen. Die Ukraine hat auch verwendet Switchblade -Drohnen von den USA geliefert und erhält Informationen, die von den eigenen Überwachungsoperationen der Vereinigten Staaten in Bezug auf den Battlefield Intelligence und die nationale Sicherheit in Bezug auf Russland gesammelt wurden.^[238] In ähnlicher Weise kann Russland mit KI bei der Analyse von Schlachtfelddaten aus Überwachungsmaterial von Drohnen helfen. Berichte und Bilder zeigen, dass das Russlands Militär Kubbla-Selbstmorddrohnen eingesetzt hat ^[239] in die Ukraine mit Absichtenspekulationen, den ukrainischen Präsidenten zu ermorden Volodymyr Zelenskyy.

Kriegsführung

Wenn die Forschung im KI -Bereich weitergeht, gibt es Rückschläge gegen die Verwendung von KI von der Kampagne, um Killerroboter zu stoppen und World Technology Leaders haben eine Petition gesendet^[240] an die Vereinten Nationen, die neue Vorschriften zur Entwicklung und Verwendung von AI -Technologien im Jahr 2017 fordern, einschließlich eines Verbots der Verwendung von tödliche autonome Waffen aufgrund ethischer Bedenken für unschuldige zivile Bevölkerung.

Internet-Sicherheit

Mit den sich ständig weiterentwickelnden Cyber-Angriffen und der Erzeugung von Geräten kann KI zur Erkennung von Bedrohungen und zur effektiveren Reaktion durch Risikopriorisierung verwendet werden. Mit diesem Tool werden auch einige Herausforderungen vorgestellt, wie z. B. Privatsphäre, Einverständniserklärung und verantwortungsbewusstes Gebrauch.^[241] Entsprechend CisaDer Cyberspace ist für die folgenden Faktoren schwer zu sichern: die Fähigkeit böswilliger Akteure, von überall auf der Welt zu operieren, die Verbindungen zwischen Cyberspace und physikalischen Systemen und die Schwierigkeit, Schwachstellen und Konsequenzen in komplexen Cyber ​​-Netzwerken zu verringern.^[242] Mit den erhöhten technologischen Fortschritten der Welt steigt das Risiko für weite Konsequenzen. Paradoxerweise lebt die Fähigkeit, Informationen zu schützen und eine Kommunikation zwischen der wissenschaftlichen und diplomatischen Gemeinschaft zu schaffen. Die Rolle der Cybersicherheit in der Diplomatie ist immer relevanter geworden und schafft den Begriff von Cyber ​​-Diplomatie - was nicht einheitlich definiert ist und nicht gleichbedeutend ist mit Cyber ​​-Verteidigung.^[243] Viele Nationen haben einzigartige Ansätze zur wissenschaftlichen Diplomatie im Cyberspace entwickelt.

Ansatz der Tschechischen Republik

Stammen aus dem Jahr 2011, wenn der Tschechisch Nationale Sicherheitsbehörde (NSA) wurde zur nationalen Behörde für die Cyber ​​-Agenda ernannt. Die Rolle der Cyber ​​-Diplomatie wurde 2017 verstärkt, als die Tschechisches Außenministerium (MFA) entdeckte eine ernsthafte Cyber ​​-Kampagne, die gegen ihre eigenen Computernetzwerke gerichtet war.^[244] Im Jahr 2016 wurden drei Cyber ​​-Diplomaten nach Washington, DC, Brüssel und Tel Aviv eingesetzt, um die aktive internationale Zusammenarbeit auf die Einbeziehung mit dem auszurichten EU und NATO. Die Hauptagenda für diese wissenschaftlichen Diplomatie -Bemühungen besteht darin, die Forschung über künstliche Intelligenz zu stärken und wie sie in der Cybersicherheitsforschung, der Entwicklung und des allgemeinen Vertrauens des Verbrauchers eingesetzt werden kann.^[245] Tschechinvest ist ein wichtiger Stakeholder für wissenschaftliche Diplomatie und Cybersicherheit. Zum Beispiel organisierten sie im September 2018 im September 2018 eine Mission nach Kanada mit einem besonderen Schwerpunkt auf künstliche Intelligenz. Das Hauptziel dieser besonderen Mission war eine Werbemaßnahme im Namen von Prag und versuchte, sie als zukünftige Wissenszentrum für die Branche für interessierte kanadische Unternehmen zu etablieren.^[246]

Deutschlands Ansatz

Die Cybersicherheit wird als staatliche Aufgabe anerkannt, die sich in drei Verantwortungsdienste unterteilt: das Bundesministerium des Innenraums, das Bundesministerium für Verteidigungsministerium und das Bundesauswärtige Amt.^[247] Diese Unterschiede förderten die Schaffung verschiedener Institutionen, wie dem deutschen Nationalen Amt für Informationssicherheit, dem National Cyberdefence Center, dem deutschen National Cyber ​​Security Council und dem Cyber- und Informationsdomänendienst.^[245] Im Jahr 2018 wurde von der deutschen Regierung eine neue Strategie für künstliche Intelligenz mit der Schaffung eines deutsch-französischen virtuellen Forschungs- und Innovationsnetzwerks errichtet.^[248] Halten Sie die Möglichkeit zur Forschungsausdehnung in die Cybersicherheit.

Ansatz der Europäischen Union

Die Annahme von Die Cybersicherheitsstrategie der Europäischen Union - ein offener, sicherer Cyberspace Dokument im Jahr 2013 der Europäischen Kommission^[245] Die Bemühungen zur Cybersicherheit integriert in die wissenschaftliche Diplomatie und künstliche Intelligenz. Die Anstrengungen sind stark, da die EU verschiedene Programme und Institutionen finanziert, um Wissenschaft in die Diplomatie zu bringen und Diplomatie in die Wissenschaft zu bringen. Einige Beispiele sind die Cyber ​​Security Program Competence Research Innovation (Concordia), die 14 Mitgliedstaaten zusammenbringt.^[249] Cybersicherheit für Europa (CSE)- was 43 Partner mit 20 Mitgliedstaaten zusammenbringt.^[250] Darüber hinaus versammelt sich das europäische Netzwerk von Cybersicherheitszentren und Kompetenz -Hub für Innovation and Operations (Echo) 30 Partner mit 15 Mitgliedstaaten^[251] und Sparta versammelt 44 Partner, an denen 14 Mitgliedstaaten beteiligt sind.^[252] Diese Bemühungen spiegeln die allgemeinen Ziele der EU wider, die Cybersicherheit für Verteidigung und Schutz zu innovieren, einen hochintegrierten Cyberspace zwischen vielen Nationen zu schaffen und weiter zur Sicherheit künstlicher Intelligenz beizutragen.^[245]

Russo-Ukrainischer Krieg

Mit der Invasion der Ukraine 2022 hat die böswillige Cyber ​​-Aktivitäten gegen die Vereinigten Staaten zugenommen.^[253] Ukraine und Russland. Eine herausragende und seltene dokumentierte Verwendung künstlicher Intelligenz im Konflikt ist im Namen der Ukraine, wobei die Gesichtserkennungssoftware verwendet wird, um russische Angreifer aufzudecken und die im laufenden Krieg getöteten Ukrainer zu identifizieren.^[254] Obwohl sich diese Regierungszahlen nicht in erster Linie auf wissenschaftliche und Cyber ​​-Diplomatie konzentrieren, kommentieren andere Institutionen die Verwendung künstlicher Intelligenz in der Cybersicherheit mit diesem Fokus. Zum Beispiel hat das Cyber-AI-Projekt der Georgetown University (Center for Security and Emerging Technology) das Cyber-AI-Projekt, mit dem ein Ziel darin besteht ) Algorithmen.^[255] Diese Sicherheitsanfälligkeit kann eine plausible Erklärung sein, warum Russland nicht in die Verwendung von KI in Konflikten pro Konflikt eingesetzt wird. Andrew Lohn, ein Senior Fellow bei Cset. Neben der Verwendung auf dem Schlachtfeld wird AI vom Pentagon verwendet, um Daten aus dem Krieg zu analysieren, und analysiert, um die Cybersicherheit und den Kriegsunternehmen für die Vereinigten Staaten zu stärken.^[238][256]

Wahlsicherheit

Wenn künstliche Intelligenz wächst und die überwältigende Menge an Nachrichten, die durch Cyberspace dargestellt werden, erweitert, wird es für einen Wähler äußerst überwältigend, zu wissen, was er glauben soll. Es gibt viele intelligente Codes, die als Bots bezeichnet werden und die Menschen in den sozialen Medien mit dem Ziel der Verbreitung von Miss -Informationen geschrieben haben.^[257] Die Wahl 2016 ist ein Opfer solcher Aktionen. Während der Hillary Clinton und Donald Trump Kampagne, künstliche intelligente Bots aus Russland verbreiteten Fehlinformationen über die Kandidaten, um der Trump -Kampagne zu helfen.^[258] Analysten kamen zu dem Schluss, dass ungefähr 19% von Twitter Es wurde festgestellt, dass Tweets auf die Wahlen 2016 von Bots stammen.^[258] Youtube In den letzten Jahren wurde auch politische Informationen verbreitet. Obwohl es keinen Beweis dafür gibt, dass die Plattform versucht, die Meinungen der Zuschauer zu manipulieren, empfiehlt der YouTubes -AI -Algorithmus Videos mit ähnlicher Vielfalt.^[259] Wenn eine Person zu recherchieren beginnt rechter Flügel Politische Podcasts, dann empfehlen YouTube's Algorithmus mehr rechte Videos.^[260] Der Aufstand in einem Programm namens namens DeepfakeEine Software, mit der das Gesicht und die Worte eines Menschen verwendet werden, hat auch ihre potenzielle Bedrohung gezeigt. 2018 ein DeepFake -Video von Barack Obama wurde freigelassen und sagte, er habe behauptet, nie gesagt zu haben.^[261] Während einer nationalen Wahl wird eine DeepFake schnell entlarvt, hat die Software die Möglichkeit, eine kleinere lokale Wahl stark zu beeinflussen. Dieses Tool bietet ein großes Potenzial für die Verbreitung von Fehlinformationen und wird mit großer Aufmerksamkeit überwacht.^[262]Obwohl es als Tool für Schaden angesehen werden kann, kann KI auch die Wahlkampagnen verbessern. AI -Bots können programmiert werden, um Artikel mit bekannter Fehlinformation zu zielen. Die Bots können dann angeben, was falsch informiert wird, um Licht auf die Wahrheit zu leuchten. KI kann auch verwendet werden, um eine Person zu informieren, wo jeder Teile zu einem bestimmten Thema steht wie z. Gesundheitspflege oder Klimawandel.^[263] Die politischen Führer einer Nation haben starke Einfluss auf internationale Angelegenheiten. Somit kann ein politischer Führer mit einem Mangel an Interesse für den internationalen kollaborativen wissenschaftlichen Fortschritt negative Auswirkungen auf die wissenschaftliche Diplomatie dieser Nation haben^[264]

Zukunft der Arbeit

Gesichtserkennung

Die Verwendung künstlicher Intelligenz (KI) ist subtil zu einem Teil des Alltags geworden. Es wird jeden Tag in verwendet Gesichtserkennung Software. Es ist das erste Maß für die Sicherheit für viele Unternehmen in Form einer biometrischen Authentifizierung. Diese Authentifizierungsmittel ermöglicht es auch den offiziellsten Organisationen wie dem Internal Revenue Service der Vereinigten Staaten, die Identität einer Person zu überprüfen ^[265] über eine Datenbank, die aus maschinellem Lernen generiert wird. Ab dem Jahr 2022 verlangt die United States IRS, dass diejenigen, die kein Live -Interview mit einem Agenten durchführen, eine biometrische Überprüfung ihrer Identität über das Gesichtserkennungsinstrument von ID.ME durchführen.^[265]

KI und Schule

In Japan und Südkorea wird die künstliche Intelligenz -Software in der Anweisung englischer Sprache über das Unternehmen RIIID verwendet.^[266] RIIID ist ein koreanisches Bildungsunternehmen, das neben Japan zusammenarbeitet, um den Schülern die Möglichkeit zu geben, ihre englischen Kommunikationsfähigkeiten zu erlernen und zu nutzen, indem sie sich in einem Live -Chat mit künstlicher Intelligenz beschäftigen.^[266] RIID ist nicht das einzige Unternehmen, das dies tut. Eine amerikanische Firma wie z. Duolingo ist sehr bekannt für den automatisierten Unterricht von 41 Sprachen. BabbelEin deutsches Sprachlernprogramm verwendet auch künstliche Intelligenz in seiner Lehrautomatisierung, sodass europäische Schüler wichtige Kommunikationsfähigkeiten erlernen können, die in sozialen, wirtschaftlichen und diplomatischen Umgebungen benötigt werden. Künstliche Intelligenz wird auch die Routineaufgaben automatisieren, die Lehrer erledigen müssen, z. B. die Bewertung, die Teilnahme und den Umgang mit routinemäßigen Studentanfragen.^[267] Auf diese Weise kann der Lehrer die Komplexität des Unterrichts fortsetzen, die eine automatisierte Maschine nicht verarbeiten kann. Dazu gehört das Erstellen von Prüfungen, das Erklären komplexer Materialien auf eine Weise, die den Schülern einzeln zugute kommt und einzigartige Fragen der Schüler bearbeitet.

KI und Medizin

Im Gegensatz zum menschlichen Gehirn, das über eine generalisierte Intelligenz verfügt, kann die spezialisierte Intelligenz der KI international als Mittel zur Unterstützung von Ärzten dienen. Das medizinische Bereich verfügt über eine vielfältige und tiefgreifende Datenmenge, in der AI eine prädiktive Diagnose erstellen kann. Forscher eines Oxford -Krankenhauses haben künstliche Intelligenz entwickelt, die Herz -Scans für Herzerkrankungen und Krebs diagnostizieren können.^[268] Diese künstliche Intelligenz kann winzige Details in den Scans aufnehmen, die Ärzte möglicherweise vermissen. Daher wird künstliche Intelligenz in der Medizin die Branche verbessern und den Ärzten die Möglichkeit geben, ihre Patienten mithilfe der verfügbaren Tools genau zu diagnostizieren. Die Algorithmen für künstliche Intelligenz werden auch verwendet, um die Diagnose im Laufe der Zeit weiter zu verbessern, indem maschinelles Lernen bezeichnet wird, die als Präzisionsmedizin bezeichnet werden.^[269] Darüber hinaus kann die enge Anwendung künstlicher Intelligenz gebrauchen. "tiefes Lernen"Um die medizinische Bildanalyse zu verbessern. In der Radiologie -Bildgebung verwendet AI Deep -Lern -Algorithmen, um potenziell krebsartige Läsionen zu identifizieren, was ein wichtiger Prozess ist, der bei der frühzeitigen Diagnose hilft.^[270]

KI im Geschäft

Datenanalyse ist eine grundlegende Eigenschaft der künstlichen Intelligenz, die es ermöglicht, in jeder Facette des Lebens von Suchergebnissen bis hin zur Art und Weise, wie Menschen Produkt kaufen, verwendet zu werden. Laut Newvantage Partners,^[271] Über 90% der Top -Unternehmen haben laufende Investitionen in künstliche Intelligenz. Laut IBM, einem der weltweit führenden Technologieführer, haben 45% der Befragten von Unternehmen mit über 1.000 Mitarbeitern KI verabschiedet.^[272] Jüngste Daten zeigen, dass der Geschäftsmarkt ^[273] Für künstliche Intelligenz im Jahr 2020 wurde ein Wert von 51,08 Milliarden US -Dollar bewertet. Der Geschäftsmarkt für künstliche Intelligenz wird bis zum Jahr 2028 voraussichtlich über 640,3 Milliarden US -Dollar liegen.^[273] Um Schaden zu verhindern, müssen KI-Abläufe Organisationen eine zentrale Rolle bei der Schaffung und Bereitstellung einer vertrauenswürdigen KI im Einklang mit den Prinzipien der vertrauenswürdigen KI spielen.^[274] und verantwortlich machen, um die Risiken zu mildern.^[275]

Geschäft und Diplomatie

Mit dem exponentiellen Anstieg der künstlichen Technologie und Kommunikation war die Verteilung der eigenen Ideale und Werte im täglichen Leben erkennbar. Digitale Informationen werden über Kommunikations -Apps wie WhatsApp, Facebook/Meta, Snapchat, Instagram und Twitter verbreitet. Es ist jedoch bekannt, dass diese Standorte spezifische Informationen vermitteln, die der Datenanalyse entsprechen. Wenn eine rechtflügelte Person eine Google-Suche durchführen würde, würden die Algorithmen von Google auf diese individuellen und weiteren Daten für diese Zielgruppe abzielen. US -Präsident Bill Clinton stellte im Jahr 2000 fest: "Im neuen Jahrhundert wird Liberty auf Handy- und Kabelmodem verbreitet. [...] Wir wissen, wie sehr das Internet Amerika verändert hat, und wir sind bereits eine offene Gesellschaft.^[276] Wenn der private Sektor jedoch künstliche Intelligenz verwendet, um Daten zu sammeln, kann eine Verschiebung der Macht vom Staat zum privaten Sektor gesehen werden. Diese Machtverschiebung, insbesondere in großen technologischen Unternehmen, könnte die Funktionsweise der Diplomatie in der Gesellschaft zutiefst verändern. Der Anstieg der digitalen Technologie und die Verwendung künstlicher Technologie ermöglichte es dem privaten Sektor, immense Daten über die Öffentlichkeit zu sammeln, die dann nach Rasse, Standort, Alter, Geschlecht usw. kategorisiert werden.^[277] Die New York Times berechnet, dass "die zehn größten Technologieunternehmen, die Gatekeeper in Handel, Finanzen, Unterhaltung und Kommunikation geworden sind, jetzt eine kombinierte Marktkapitalisierung von mehr als 10 Billionen US Die drittgrößte Volkswirtschaft der Welt. "^[278] Über die allgemeine Lobbyarbeit von Kongressabgeordneten/Kongresswomen hinaus verwenden Unternehmen wie Facebook/Meta oder Google gesammelte Daten, um ihre beabsichtigten Zielgruppen mit gezielten Informationen zu erreichen.^[278]

KI und Außenpolitik

Mehrere Nationen auf der ganzen Welt beschäftigen künstliche Intelligenz, um ihre außenpolitischen Entscheidungen zu unterstützen. Das chinesische Ministerium für externe Sicherheitsangelegenheiten - im Rahmen des Außenministeriums - verwendet KI, um fast alle ausländischen Investitionsprojekte zur Risikominderung zu überprüfen.^[279] Die Regierung von China plant, künstliche Intelligenz in ihrem globalen Entwicklungsplan in Höhe von 900 Milliarden US -Dollar zu nutzen, der als "Gürtel- und Straßeninitiative" für politische, wirtschaftliche und ökologische Risiko -Linderung bezeichnet wird.^[280]

Über 200 Anwendungen künstlicher Intelligenz werden von über 46 Agenturen der Vereinten Nationen in Sektoren verwendet, die von Gesundheitsversorgung reichen, die mit Problemen wie der Bekämpfung von Covid-19 bis hin zu intelligenter Landwirtschaft reichen, bis zur Unterstützung der UN in politischen und diplomatischen Beziehungen.^[281] Ein Beispiel ist die Verwendung von KI durch das UN Global Pulse-Programm zur Modellierung der Ausbreitung von CoVID-19 auf intern vertriebene Personen (IDP) und Flüchtlingssiedlungen, um sie bei der Schaffung einer angemessenen globalen Gesundheitspolitik zu unterstützen.^[282][283]

Neuartige KI-Tools wie Fernerkundung können auch von Diplomaten zum Sammeln und Analysieren von Daten sowie zur Verfolgung von Objekten wie Truppen oder Flüchtlingsbewegungen entlang der Grenzen in gewalttätigen Konfliktzonen verwendet werden.^[282][284]

Künstliche Intelligenz kann verwendet werden, um wichtige diplomatische diplomatische Gespräche zu mildern, um Übersetzungsfehler zu verhindern, die durch menschliche Übersetzer verursacht werden.^[285] Ein großes Beispiel sind die 2021 -Verankerungstreffen zwischen den USA und China, die darauf abzielen, die Außenbeziehungen zu stabilisieren, nur damit er den gegenteiligen Effekt hat und die Spannung und Aggressivität zwischen den beiden Nationen aufgrund von Übersetzungsfehlern erhöht, die durch menschliche Übersetzer verursacht wurden.^[286] In dem Treffen, als der nationale Sicherheitsberater der Vereinigten Staaten von Präsident Joe Biden, Jacob Jeremiah Sullivan, erklärte: "Wir suchen keinen Konflikt, aber wir begrüßen den harten Wettbewerb und wir werden uns immer für unsere Prinzipien, für unsere Leute und für unsere Freunde einsetzen "Es wurde in Chinese misshandelt, als" wir werden konkurrenzten und unsere Haltung auf sehr klare Weise darstellen ", was der Rede einen aggressiven Ton hinzufügt.^[286] Die Fähigkeit der KI zur schnellen und effizienten Verarbeitung natürlicher Sprache sowie in Echtzeitübersetzung und -Transliteration macht es zu einem wichtigen Instrument für die Kommunikation zwischen Fremdpolitik zwischen den Nationen und verhindert unbeabsichtigte Fehlübersetzungen.^[287]

Siehe auch

• A.I. Steigend
• AI -Steuerungsproblem
• Künstliche Intelligenzwettbewegung
• Künstliche allgemeine Intelligenz
• Verhaltensauswahlalgorithmus
• Geschäftsprozessautomatisierung
• Fallbasierte Argumentation
• Bürgerwissenschaft
• Emergener Algorithmus
• Weibliche Gendering von AI -Technologien
• Glossar der künstlichen Intelligenz
• Roboterprozessautomatisierung
• Synthetische Intelligenz
• Universelles Grundeinkommen
• Schwache ai

Erläuternder Vermerk

Zitate

Verweise

Zuschreibung

• Dieser Artikel enthält Text von a Kostenloser Inhalt Arbeit. Lizenziert unter C-by-SA 3.0 IGO-Text von entnommen von UNESCO -Wissenschaftsbericht: Das Rennen gegen die Zeit für intelligentere Entwicklung., Schneegans, S., T. Straza und J. Lewis (Hrsg.), UNESCO. Um zu lernen, wie man hinzufügt Offene Lizenz Text an Wikipedia -Artikel, siehe bitte Diese How-to-Seite. Informationen zur Wiederverwendung von Text von Wikipedia finden Sie in den Nutzungsbedingungen.

KI -Lehrbücher

Dies waren die vier am häufigsten verwendeten KI -Lehrbücher im Jahr 2008:

Geschichte der AI

Andere Quellen

Weitere Lektüre

Externe Links

• "Künstliche Intelligenz". Internet -Enzyklopädie der Philosophie.
• Thomason, Richmond. "Logik und künstliche Intelligenz". Im Zalta, Edward N. (ed.). Stanford Encyclopedia of Philosophy.
• Künstliche Intelligenz. BBC Radio 4 Diskussion mit John Agar, Alison Adam und Igor Aleksander (In unserer Zeit, 8. Dezember 2005).