Home › De meertalige Index van het Archief › Kunstmatige intelligentie

 Top 10 artikelen Goole Koreaanse thee nasza-klasa.pl Creditcardfraude Het zingen Misbruik Muziek van Indonesië Tchiluba De Provincie van Balkh Provincie van Balkh Thermische straling

News:

Kunstmatige intelligentie

Kunstmatige intelligentie (AI) is beide intelligentie van machines en de tak van computer wetenschap welke doelstellingen om het te creëren.

De belangrijke AI handboeken definiëren kunstmatige intelligentie als „studie en ontwerp van intelligente agenten,"^[1] waar intelligente agent is een systeem dat zijn milieu waarneemt en acties voert die zijn kansen op succes maximaliseren.^[2] AI kan als een totstandbrenging van een abstracte intelligente agent (AIA) worden gezien die de functionele essentie van intelligentie tentoonstelt.^[3] John McCarthy, die de termijn in 1956 muntte,^[4] defini�ërt het als „wetenschap en techniek van het maken van intelligente machines.“^[5]

Onder de trekken dat de onderzoekers hopen de machines zullen tentoonstellen zijn het redeneren, kennis, planning, het leren, mededeling, waarneming en de capaciteit aan beweging en manipuleer voorwerpen.^[6] Algemene intelligentie (of „sterke AI„is) nog niet bereikt en geweest een doel op lange termijn van AI onderzoek.^[7]

AI het onderzoek gebruikt hulpmiddelen en inzicht van vele gebieden, het omvatten computer wetenschap, psychologie, filosofie, neurologie, cognitieve wetenschap, taalkunde, ontology, verrichtingen onderzoek, economie, controle theorie, waarschijnlijkheid, optimalisering en logica.^[8] AI het onderzoek overlapt ook met taken zoals robotica, controle systemen, het plannen, voor het exploiteren van gegevens, logistiek, toespraak erkenning, gezichts erkenning en vele anderen.^[9] Andere namen voor het gebied zijn voorgesteld, zoals computer intelligentie,^[10] synthetische intelligentie,^[10] intelligente systemen,^[11] of computerrationaliteit.^[12]

Inhoud 1 Perspectieven op AI 1.1 AI in mythe, fictie en speculatie 1.2 Geschiedenis van AI onderzoek 1.3 Filosofie van AI 2 AI onderzoek 2.1 Problemen van AI 2.1.1 Conclusie, het redeneren, probleem het oplossen 2.1.2 De vertegenwoordiging van de kennis 2.1.3 Planning 2.1.4 Het leren 2.1.5 Natuurlijke taalverwerking 2.1.6 Motie en manipulatie 2.1.7 Waarneming 2.1.8 Sociale intelligentie 2.1.9 Creativiteit 2.1.10 Algemene intelligentie 2.2 Benaderingen van AI 2.2.1 Cybernetica en hersenensimulatie 2.2.2 Traditionele symbolische AI 2.2.3 Sub-symbolische AI 2.2.4 Intelligent agentenparadigma 2.2.5 Het integreren van de benaderingen 2.3 Hulpmiddelen van AI onderzoek 2.3.1 Zoek 2.3.2 Logica 2.3.3 Probabilistic methodes voor het onzekere redeneren 2.3.4 Classificatoren en statistische het leren methodes 2.3.5 Neurale netwerken 2.3.6 Sociale en optredende modellen 2.3.7 De theorie van de controle 2.3.8 Gespecialiseerde talen 2.4 De evaluatie van kunstmatige intelligentie 2.5 Competities en prijzen 3 Toepassingen van kunstmatige intelligentie 4 Zie ook 5 Nota's 6 Verwijzingen 6.1 Belangrijke AI handboeken 6.2 Andere bronnen 7 Verdere lezing 8 Externe verbindingen

Perspectieven op AI

AI in mythe, fictie en speculatie

Hoofd artikelen: kunstmatige intelligentie in fictie, ethiek van kunstmatige intelligentie, transhumanism, en Technologische bijzonderheid

Het mensdom heeft zeer gedetailleerd de implicaties van het denken van machines of kunstmatige wezens verondersteld. Zij verschijnen binnen Griekse mythen, zoals Talos van Kreta, de gouden robots van Hephaestus en Pygmalion Galatea.^[13] De vroegste bekende humanoidrobots (of automaten) waren heilige standbeelden binnen aanbeden Egypte en Griekenland, geloofd met echt bewustzijn door vakman begiftigd te zijn.^[14] In middeleeuwse tijden, alchimisten zoals Paracelsus geëista om kunstmatige wezens gecreërd te hebben.^[15] De realistische uurwerkimitaties van mensen zijn gebouwd door mensen zoals Yan Shi,^[16] Held van Alexandrië,^[17] Al-Jazari^[18] en Wolfgang von Kempelen.^[19] Pamela McCorduck merkt op dat de „kunstmatige intelligentie onder één of andere vorm een idee dat Westelijke intellectuele geschiedenis heeft doordrongen is, een droom in dringende behoefte om worden gerealiseerd.“^[20]

In moderne fictie, die begint met Mary Shelley's klassiek Frankenstein, de schrijvers hebben onderzocht ethisch kwesties die door machines worden voorgesteld te denken.^[21] Als een machine kan worden gecre�ërd die intelligentie heeft, kan ook het voel? Als het kan voelen, heeft het de zelfde rechten zoals een menselijk wezen? Dit is binnen een hoofdthema Frankenstein evenals in moderne wetenschapsfictie: bijvoorbeeld, de film Kunstmatige Intelligentie: A.I. overweegt een machine in de vorm van een kleine jongen die de capaciteit is gegeven om menselijke emoties, met inbegrip van, tragisch, de capaciteit te voelen te lijden. Deze kwestie wordt ook langs onderzocht futurists, zoals Californië Instituut voor de Toekomst onder de naam „robot rechten",^[22] hoewel vele critici geloven dat de bespreking voorbarig is.^[23][24]

De fictie van de wetenschap schrijvers en futurists ook op het potentiële effect van de technologie op het mensdom hebben gespeculeerd. In fictie, is AI als bediende verschenen (R2D2), een kameraad (Lt. De Gegevens van de bevelhebber), een uitbreiding tot menselijke capaciteiten (Spook in Shell), een veroveraar (De matrijs), een dictator (Met Gevouwen Handen) en een exterminator (Begeindiger, Battlestar Galactica). Sommige realistische potentiële gevolgen van AI zijn de verminderde menselijke arbeidsvraag,^[25] de verhoging van menselijke capaciteit of ervaring,^[26] en een behoefte aan herdefiniëring van menselijke identiteit en basiswaarden.^[27]

Futurists schat de mogelijkheden van machines het gebruiken De Wet van Moore, wat de relentless exponentiële verbetering van digitale technologie met geheimzinnige nauwkeurigheid meet. Ray Kurzweil dat heeft berekend bureaucomputers de zelfde verwerkingscapaciteit zoals menselijke hersenen tegen het jaar 2029 zal hebben, en dat tegen de kunstmatige intelligentie van 2045 zal een punt bereiken waar het kan verbeteren zelf aan een tarief dat ver om het even wat denkbaar in het verleden, een scenario dat overschrijdt wetenschaps fictie schrijver Vernor Vinge noemde „technologische bijzonderheid".^[28]

De „kunstmatige intelligentie is het volgende stadium in evolutie,“ Edward Fredkin gezegd in de jaren '80,^[29] uitdrukkend een langs eerst voorgesteld idee Samuel Butler's Darwin onder de Machines (1863), en langs uitgebreid op George Dyson in zijn boek van de zelfde naam (1998). Verscheidene futurists en wetenschaps fictie de schrijvers hebben voorspeld dat de mensen en de machines in de toekomst in zullen samenvoegen cyborgs dat meer geschikt en krachtig dan één van beiden is. Dit geroepen idee, transhumanism, heeft binnen wortels Aldous Huxley en Robert Ettinger, nu wordt geassoci�ërd met robot ontwerper Hans Moravec, cyberneticus Kevin Warwick en Ray Kurzweil.^[28] Transhumanism eveneens is geïllustreerdr in fictie, bijvoorbeeld op manga Spook in Shell

Geschiedenis van AI onderzoek

Hoofd artikelen: geschiedenis van kunstmatige intelligentie en chronologie van kunstmatige intelligentie

In het midden van de 20ste eeuw, begon een handvol wetenschappers met een nieuwe benadering van de bouw van intelligente machines, die op recente ontdekkingen binnen worden gebaseerd neurologie, een nieuwe wiskundige theorie van informatie, een inzicht in controle en geroepen stabiliteit cybernetica, en vooral, door de uitvinding van digitale computer, een machine die op de abstracte essentie van het wiskundige redeneren wordt gebaseerd.^[30]

Het gebied van modern AI onderzoek werd opgericht op conferentie over de campus van De Universiteit van Dartmouth in de zomer van 1956.^[31] Zij die aanwezig waren zouden de leiders van AI onderzoek voor vele decennia, vooral worden John McCarthy, Marvin Minsky, Allen Newell en Herbert Simon, die AI laboratoria bij oprichtte MIT, CMU en Stanford. Zij en hun studenten schreven programma's die, aan de meeste mensen eenvoudig zich verbaast waren:^[32] de computers losten woordproblemen in algebra, test logische stellingen en het sprekende Engels op.^[33] Door de middenjaren '60 werd hun onderzoek zwaar gefinancierd door De V.S. Ministerie van Defensie^[34] en zij waren optimistisch over de toekomst van het nieuwe gebied:

• 1965, H. A. Simon: „[M] achines zullen, binnen twintig jaar geschikt zijn, van het doen van om het even welk werk kan een mens doen“^[35]
• 1967, Marvin Minsky: „Binnen een generatie… het probleem om „kunstmatige intelligentie zal“ tot stand te brengen wezenlijk opgelost worden.“^[36]

Deze voorspellingen, en velen als hen, zouden niet waar komen. Zij waren er niet in geslaagd om de moeilijkheid van enkele problemen te erkennen die zij gezien en=.^[37] In 1974, in antwoord op de kritiek van Engeland De heer James Lighthill en aan de gang zijnde druk van Congres om productievere projecten, de V.S. te financieren. en de Britse overheden snijden al niet geleid, oriënterend onderzoek naar AI af. Dit was de eerste AI de Winter.^[38]

In de vroege jaren '80, AI werd het onderzoek doen herleven door het commerciële succes van expert-systemen (een vorm van AI programma die de kennis en de analytische vaardigheden van één of meerdere menselijke deskundigen) simuleerde en tegen 1985 de markt voor AI meer dan miljard dollars had bereikt.^[39] Minsky en anderen waarschuwden de gemeenschap dat het enthousiasme voor AI onbeheerst en dat teleurstelling was zeker spiraalsgewijs had bewogen te volgen.^[40] Het beginnen met de instorting van Lisp Machine de markt in 1987, AI viel nogmaals in diskrediet, en een seconde, durend AI de Winter begon.^[41]

In de jaren '90 en vroeg 21ste eeuw bereikte AI zijn grootste successen, alhoewel enigszins achter de scènes. De kunstmatige intelligentie werd goedgekeurd door de technologieindustrie, die het zware opheffen verstrekt voor logistiek, voor het exploiteren van gegevens, medische diagnose en veel andere gebieden.^[42] Het succes was toe te schrijven aan verscheidene factoren: het ongelooflijke vermogen van computers vandaag (zie De wet van Moore), een grotere nadruk bij het oplossen van specifieke deelproblemen, de verwezenlijking van nieuwe banden tussen AI en andere gebieden die aan gelijkaardige problemen werken, en vooral een nieuwe verplichting door onderzoekers volgens stevige wiskundige methodes en strenge wetenschappelijke normen.^[43]

Filosofie van AI

Hoofd artikel: filosofie van kunstmatige intelligentie

In a het klassieke document van 1950, Alan Turing stelde de vraag „kan Machines denken?“ In de jaren dat, filosofie van kunstmatige intelligentie heeft geprobeerd om het te beantwoorden.^[44]

• De „beleefde overeenkomst“ van Turing: Als een machine zo intelligent zoals een menselijk wezen handelt, dan is het zo intelligent zoals een menselijk wezen. Alan Turing theoretiseerde dat, uiteindelijk, wij de intelligentie van machine kunnen slechts beoordelen die op zijn gedrag wordt gebaseerd. Deze theorie vormt de basis van De test van Turing.^[45]
• Het voorstel van Dartmouth: Elk aspect van het leren of een andere eigenschap van intelligentie kan zo precies worden beschreven dat een machine kan worden gemaakt om het te simuleren. Deze bewering werd gedrukt in het voorstel voor De Conferentie van Dartmouth van 1956, en vertegenwoordigt de positie van de meeste werkende AI onderzoekers.^[46]
• Newell en Simon de fysieke hypothese van het symboolsysteem: A fysiek symboolsysteem heeft de noodzakelijke en voldoende middelen van algemene intelligente actie. Deze verklaring beweert dat de essentie van intelligentie symboolmanipulatie is.^[47] Hubert Dreyfus debatteerde dat, in tegendeel, de menselijke deskundigheid van onbewust instinct eerder dan bewuste symboolmanipulatie en van het hebben van een „gevoel“ voor de situatie eerder dan expliciete symbolische kennis afhangt.^[48]
• De onvolledigheidsstelling van Gödel: A fysiek symboolsysteem kan niet alle ware verklaringen bewijzen. Roger Penrose is onder zij die beweren dat de stelling van Gödel beperkt welke machines kunnen doen.^[49]
• Searle „sterke AI positie“: A fysiek symboolsysteem kan a hebben mening en geestelijke staten. Searle verzet zich tegen deze bewering met van hem Chinese ruimte argument, dat ons om vraagt te kijken binnen de computer en probeert om te vinden waar de „mening“ zou kunnen zijn.^[50]
• kunstmatige hersenen argument: De hersenen kunnen worden gesimuleerd. Hans Moravec, Ray Kurzweil en anderen hebben gedebatteerd dat het technologisch haalbaar is om de hersenen in hardware en software direct te kopiëren, en dat zulk een simulatie hoofdzakelijk identiek aan origineel zal zijn. Dit argument combineert het idee dat a geschikt krachtig de machine kan om het even welk proces, met simuleren materialist idee dat mening is het resultaat van een fysiek proces in hersenen.^[51]

AI onderzoek

Problemen van AI

Terwijl er geen universeel toegelaten definitie van intelligentie is,^[52] AI de onderzoekers hebben verscheidene trekken bestudeerd die als essentieel worden beschouwd.^[6]

Conclusie, het redeneren, probleem het oplossen

De vroege AI onderzoekers ontwikkelden algoritmen die het proces van bewust imiteerden, stap voor stap redenerend dat de mensen gebruiken wanneer zij raadsels oplossen, raadsspelen, spelen of logische conclusies maken.^[53] Door de recente jaren '80 en de jaren '90, AI had het onderzoek ook hoogst succesvolle methodes ontwikkeld om te behandelen onzeker of onvolledige informatie, die concepten aanwendt van waarschijnlijkheid en economie.^[54]

Voor moeilijke problemen, kunnen het grootste deel van deze algoritmen enorme computermiddelen vereisen - de meesten ervaren „combinatorische explosie": de hoeveelheid geheugen of vereist computertijd wordt astronomisch wanneer het probleem verder dan een bepaalde grootte gaat. Het onderzoek naar efficiëntere probleem het oplossen algoritmen is een prioriteits voor AI onderzoek.^[55]

Het is niet duidelijk, echter, dat het bewuste menselijke redeneren meer efficiënt wanneer geconfronteerd met een moeilijk abstract probleem is. Cognitieve wetenschappers hebben aangetoond dat de mensen het grootste deel van hun problemen het gebruiken oplossen onbewust redenerend, eerder dan de bewuste, geleidelijke conclusie dat het vroege AI onderzoek kon modelleren.^[56] Opgenomen cognitieve wetenschap debatteert onbewust dat sensorimotor de vaardigheden zijn essentieel aan onze probleem het oplossen capaciteiten. Men hoopt dat sub-symbolische methodes, als computer intelligentie en gesitueerd AI, zal deze instinctieve vaardigheden kunnen modelleren. Het probleem van het onbewuste probleem oplossen, die een deel van ons vormt commonsense het redeneren, is grotendeels onopgelost^{[dubieus – bespreek]}.

De vertegenwoordiging van de kennis

Hoofd artikelen: kennis vertegenwoordiging en commonsense kennis

De vertegenwoordiging van de kennis^[57] en kennis techniek^[58] zijn van centraal belang aan AI onderzoek. Veel van de problemenmachines zouden moeten oplossen zullen vereisen uitgebreide kennis over de wereld. Onder de dingen die AI moet vertegenwoordigen zijn: voorwerpen, eigenschappen, categorieën en relaties tussen voorwerpen;^[59] situaties, gebeurtenissen, staten en tijd;^[60] oorzaken en gevolgen;^[61] kennis over kennis (wat wij op de hoogte zijn van wat andere mensen het weten);^[62] en vele andere, minder goed onderzochte domeinen. Een volledige vertegenwoordiging van „wat“ is bestaat ontology^[63] (lenend een woord van traditioneel filosofie), van wat het meest algemeen wordt geroepen hogere ontologies.

Onder de moeilijkste problemen in kennis is de vertegenwoordiging:

• Gebrek dat en redeneert kwalificatie probleem: Veel van de dingenmensen weten de vorm van „het werk veronderstellingen.“ aanneem Bijvoorbeeld, als een vogel omhoog in gesprek komt, zingt het mensen typisch beeld een dier dat gerangschikte vuist is, en vliegt. Geen van deze dingen is waar in het algemeen over vogels. John McCarthy identificeerde dit probleem in 1969^[64] als kwalificatieprobleem: voor om het even welke commonsense regel die AI de onderzoekers geven om te vertegenwoordigen, neigt er een reusachtig aantal uitzonderingen te zijn. Bijna is niets eenvoudig waar of vals op de manier die de abstracte logica vereist. AI het onderzoek heeft een aantal oplossingen aan dit probleem onderzocht.^[65]
• Onbewuste kennis: Veel van welke mensen het weet wordt niet vertegenwoordigd als „feiten“ of „verklaringen“ dat zij luid konden uit eigenlijk zeggen. Zij nemen de vorm van intuïties of tendensen aan en in de hersenen unconsciously en sub-symbolically vertegenwoordigd. Deze onbewuste kennis informeert, steunt en verstrekt een context voor onze bewuste kennis. Zoals met het verwante probleem van het onbewuste redeneren, is het gehoopt dat gesitueerd AI of computer intelligentie manieren zal verstrekken om dit soort kennis te vertegenwoordigen.
• De breedte van gezond verstandkennis: Het aantal atoomfeiten dat de gemiddelde persoon het weet is astronomisch. De projecten van het onderzoek die proberen om een volledige kennisbank van te bouwen commonsense kennis, zoals Cyc, vereis enorme hoeveelheden vervelende geleidelijke ontological techniek - zij moeten, door hand worden gebouwd, één ingewikkeld concept tegelijkertijd.^[66]

Planning

Hoofd artikel: het geautomatiseerde planning en plannen

De intelligente agenten moeten doelstellingen kunnen bepalen en hen bereiken.^[67] Zij hebben een manier nodig om de toekomst te visualiseren: zij moeten een vertegenwoordiging van de staat van de wereld hebben en voorspellingen over kunnen maken hoe hun acties het zullen veranderen. Zij moeten ook proberen om te bepalen nut of „waarde“ van de keuzen beschikbaar aan het.^[68]

In sommige planningsproblemen, kan de agent veronderstellen dat het het enige ding handelend op de wereld is en het bepaald kan zijn wat de gevolgen van zijn acties kunnen zijn.^[69] Nochtans, als dit niet waar is, moet het periodiek controleren als de wereld zijn voorspellingen aanpast en het zijn plan moet veranderen aangezien dit noodzakelijk wordt, vereisend de agent aan reden onder onzekerheid.^[70]

De planning van de multi-agent probeert om het beste plan voor een gemeenschap van te bepalen agenten, het gebruiken samenwerking en de concurrentie om een bepaald doel te bereiken. Optredend gedrag zoals dit wordt gebruikt door allebei evolutieve algoritmen en zwerm intelligentie.^[71]

Het leren

Hoofd artikel: machine het leren

Belangrijk machine het leren^[72] de problemen zijn:

• Het Unsupervised leren: vind een model dat een stroom van input „ervaringen“ aanpast, en kunnen voorspellen welke nieuwe „te verwachten ervaringen“.
• Het gecontroleerde leren, zoals classificatie (om te kunnen bepalen welke categorie iets in, na het zien van een aantal voorbeelden van dingen van elke categorie) behoort, of regressie (gezien een reeks numerieke input-output voorbeelden, ontdek een ononderbroken functie die de output van de input zou produceren).
• Het leren van de versterking:^[73] de agent wordt beloond voor goede reacties en voor slechte degenen gestraft. (Deze kunnen in termen worden geanalyseerd besluit theorie, hanterend concepten als nut).

Natuurlijke taalverwerking

Hoofd artikel: natuurlijke taalverwerking

Natuurlijke taalverwerking^[74] geeft machines de capaciteit om de talen te lezen en te begrijpen de mensen spreken. Vele onderzoekers hopen dat een voldoende krachtig systeem van de natuurlijke taalverwerking kennis op zijn zou kunnen verwerven, door de bestaande tekst te lezen beschikbaar over Internet. Sommige ongecompliceerde toepassingen van natuurlijke taalverwerking omvatten informatie herwinning (of tekst mijnbouw) en automatische vertaling.^[75]

Motie en manipulatie

Hoofd artikel: robotica

Het gebied van robotica^[76] is nauw verwant aan AI. De intelligentie wordt vereist voor robots dergelijke taken kunnen behandelen zoals objecten manipulatie^[77] en navigatie, met deelproblemen van localisatie (wetend waar u) bent, afbeelding (lerend wat rond u) is en motie planning (berekenend hoe te daar te worden).^[78]

Waarneming

Hoofd artikelen: machine waarneming, computer visie, en toespraak erkenning

De waarneming van de machine^[79] is de capaciteit om input van sensoren (zoals camera's, microfoons, sonar en exotischere anderen) te gebruiken om aspecten van de wereld af te leiden. De visie van de computer^[80] is de capaciteit om visuele input te analyseren. Een paar geselecteerde deelproblemen zijn toespraak erkenning,^[81] gezichts erkenning en objecten erkenning.^[82]

Sociale intelligentie

Hoofd artikel: affectieve gegevensverwerking

De emotie en de sociale vaardigheden spelen twee rollen voor een intelligente agent:^[83]

• Het moet de acties van anderen kunnen voorspellen, door hun motieven en emotionele staten te begrijpen. (Dit impliceert elementen van spel theorie, besluit theorie, evenals de capaciteit om menselijke emoties en de op waarneming gebaseerde vaardigheden te modelleren om emoties te ontdekken.)
• Voor goed human-computer interactie, vereist een intelligente machine ook aan vertoning emoties - ten minste moet het beleefd lijken en gevoelig voor de mensen staat het in wisselwerking met. In het gunstigste geval, zou het moeten schijnen om normale emoties te hebben zelf.

Creativiteit

Hoofd artikel: Computer creativiteit

Een deelgebied van AI adressen creativiteit zowel theoretisch (vanuit een filosofisch als psychologisch perspectief) en praktisch (via specifieke implementaties van systemen die output produceren die kan als creatief worden beschouwd).

Algemene intelligentie

Hoofd artikelen: sterke AI en AI-volledig

De meeste onderzoekers hopen dat hun werk uiteindelijk in een machine met zal opgenomen worden algemeen intelligentie (wordt bekend die als sterke AI), hierboven combinerend alle vaardigheden en hoogstens overschrijdend menselijke capaciteiten of allemaal.^[7] Enkelen geloven dat antropomorf eigenschappen als kunstmatig bewustzijn of kunstmatige hersenen kan voor zulk een project worden vereist.

Veel van de problemen worden hierboven overwogen AI-volledig: om één probleem op te lossen, moet u hen oplossen allen. Bijvoorbeeld, zelfs een ongecompliceerde, specifieke taak als automatische vertaling vereist dat de machine het argument volgt van de auteur (reden), weet wat het ongeveer spreekt (kennis), en reproduceer trouw de bedoeling van de auteur (sociale intelligentie). Automatische vertaling, daarom, wordt verondersteld aI-Volledig om te zijn: het kan vereisen sterke AI worden gedaan evenals kunnen de mensen het doen.^[84]

Benaderingen van AI

Er zijn zo vele benaderingen van AI aangezien er AI zijn onderzoeker-om het even welk ruw categoriseren waarschijnlijk aan iemand zal oneerlijk zijn. De kunstmatige intelligentiegemeenschappen zijn rond bijzondere problemen, instellingen en onderzoekers, evenals het theoretische inzicht gegroeid die de hieronder beschreven benaderingen bepalen. De kunstmatige intelligentie is een jonge wetenschap en is nog een versplinterde inzameling van deelgebieden. Momenteel, is er geen gevestigde verenigende theorie die de deelgebieden in een coherent geheel verbindt.

Cybernetica en hersenensimulatie

In de jaren '40 en de jaren '50, onderzochten een aantal onderzoekers de verbinding tussen neurologie, informatie theorie, en cybernetica. Sommigen van hen bouwden machines die elektronische netwerken gebruikten om rudimentaire intelligentie, zoals tentoon te stellen W. Grijze Walter schildpadden en Het Dier van Hopkins van Johns. Veel van deze onderzoekers verzamelden zich voor vergaderingen van de Teleological Maatschappij in Princeton en Verhouding Club in Engeland.^[85]

Traditionele symbolische AI

Toen de toegang tot digitale computers in de middenjaren '50 mogelijk werd, AI begon het onderzoek de mogelijkheid dat te onderzoeken de menselijke intelligentie tot symboolmanipulatie zou kunnen worden verminderd. Het onderzoek werd gecentreerd in drie instellingen: CMU, Stanford en MIT, en elke één ontwikkelde zijn eigen stijl van onderzoek. John Haugeland noemde deze benaderingen van AI „goede ouderwetse AI“ of“GOFAI".^[86]

Cognitieve simulatie

Econoom Herbert Simon en Alan Newell de bestudeerde menselijke probleem het oplossen vaardigheden en geprobeerd om hen te formaliseren, en hun werk legden de fundamenten van het gebied van kunstmatige intelligentie, evenals cognitieve wetenschap, verrichtingen onderzoek en beheers wetenschap. Hun uitgevoerd onderzoeksteam psychologisch experimenten om de gelijkenissen tussen het menselijke probleem oplossen en de programma's aan te tonen (zoals hun „Algemene Solver van het Probleem„) zij ontwikkelden zich. Deze traditie, wordt gecentreerd die bij De Universiteit van Mellon van Carnegie,^[87] uiteindelijk in de ontwikkeling van zou culmineren Stijg architectuur in de middenjaren '80.^[88]

Logische AI

In tegenstelling tot Newell en Simon, John McCarthy was van mening dat de machines te hoeven om geen menselijke gedachte te simuleren, maar in plaats daarvan zouden moeten proberen om de essentie te vinden van het abstracte redeneren en probleem oplossen, ongeacht of de mensen de zelfde algoritmen gebruikten.^[89] Zijn laboratorium bij Stanford (ZEIL) geconcentreerd bij formeel gebruiken logica om een grote verscheidenheid van problemen op te lossen, het omvatten kennis vertegenwoordiging, planning en het leren. Het werk in logica die tot de ontwikkeling van de programmeertaal wordt geleid Proloog en de wetenschap van logica programmering.^[90]

„Scruffy“ symbolische AI

Onderzoekers bij MIT (zoals Marvin Minsky en Seymour Papert) vond dat binnen oplossend moeilijke problemen visie en natuurlijke taalverwerking vereiste ad hoc oplossingen - zij debatteerden dat er nr was gemakkelijk antwoord, geen eenvoudig en algemeen principe (als logica) dat zou alle aspecten van intelligent gedrag vangen. Roger Schank beschreef hun „anti-logica“ benaderingen zoals“scruffy„(in tegenstelling tot“keurig„paradigma's bij CMU en Stanford),^[91] en dit vormt nog de basis van onderzoek naar commonsense basissen van kennis (zoals Doug Lenat Cyc) welke één ingewikkeld concept moet worden gebouwd tegelijkertijd.

Op kennis gebaseerde AI

Toen de computers met groot geheugen beschikbare rond 1970 werden, begonnen de onderzoekers van alle drie tradities te bouwen kennis in AI toepassingen. Deze „kennisrevolutie“ leidde tot de ontwikkeling en de plaatsing van expert-systemen (langs geïntroduceerde Edward Feigenbaum), de eerste echt succesvolle vorm van AI software.^[92] De kennisrevolutie werd ook gedreven door de totstandbrenging dat de echt enorme hoeveelheden kennis door vele eenvoudige AI toepassingen worden vereist.

Sub-symbolische AI

Tijdens de jaren '60, hadden de symbolische benaderingen groot succes bij het simuleren van denken het op hoog niveau in kleine demonstratieprogramma's bereikt. Benaderingen worden gebaseerd die op cybernetica of neurale netwerken verlaten of werden geduwd in de achtergrond werden.^[93] Door de jaren '80, echter, scheen de vooruitgang in symbolische AI te blokkeren en velen geloofden dat de symbolische systemen nooit alle processen van menselijke kennis zouden kunnen imiteren, vooral waarneming, robotica, het leren en patroon erkenning. Een aantal onderzoekers begonnen „sub-symbolische“ benaderingen van specifieke AI problemen te onderzoeken.^[94]

Bottom-up, gesitueerd, gebaseerd het gedrag of nouvelle AI

Onderzoekers van het verwante gebied van robotica, zoals Rodney Brooks, verworpen symbolische AI en geconcentreerd op de basistechniekproblemen die robots om zich zouden toestaan te bewegen en te overleven.^[95] Hun werk deed herleven het niet-symbolische gezichtspunt van vroeg cybernetica onderzoekers van de jaren '50 en opnieuw geïntroduceerd het gebruik van controle theorie in AI. Deze benaderingen zijn conceptueel ook verwant met opgenomen meningsthesis.

Computer Intelligentie

Rente in neurale netwerken en „connectionism„langs werd doen herleven David Rumelhart en anderen in de middenjaren '80.^[96] Deze en andere sub-symbolische benaderingen, zoals verwarde systemen en evolutieve berekening, nu worden bestudeerd collectief door de nieuwe discipline van computer intelligentie.^[97]

Nieuwe neats

In de jaren '90, AI ontwikkelden de onderzoekers verfijnde wiskundige hulpmiddelen om specifieke deelproblemen op te lossen. Deze hulpmiddelen zijn echt wetenschappelijk, in de betekenis dat hun resultaten zowel meetbaar als meetbaar zijn, en zij zijn van veel van AI recente successen de oorzaak geweest. De gedeelde wiskundige taal heeft ook een hoog niveau van samenwerking met meer gevestigde gebieden toegelaten (als wiskunde, economie of verrichtingen onderzoek). Russell & Norvig (2003) beschrijf deze beweging als niets minder dan een „revolutie“ en de „overwinning van neats."^[98]

Intelligent agentenparadigma

„intelligente agenthet „paradigma werd wijd toegelaten tijdens de jaren '90.^[99][100] Hoewel de vroegere onderzoekers modulair „hadden voorgesteld verdeel en verover“ benaderingen van AI,^[101] intelligente agent bereikte zijn moderne vorm tot niet De Parel van Judea, Alan Newell en anderen gebrachte concepten van besluit theorie en economie in de studie van AI.^[102] Wanneer econoom definitie van a rationele agent werd gehuwd aan computer wetenschap definitie van voorwerp of module, intelligente agent het paradigma was volledig.

intelligente agent is een systeem dat zijn waarneemt milieu en voert acties wat zijn kansen op succes maximaliseert. De eenvoudigste intelligente agenten zijn programma's die specifieke problemen oplossen. De ingewikkeldste intelligente agenten zouden rationele, denkende menselijke wezens zijn.^[100]

Het paradigma geeft onderzoekersvergunning aan studie geïsoleerdev problemen en vindt oplossingen die zowel meetbaar als nuttig, zonder het akkoord gaan met één enkele benadering zijn. Een agent die een specifiek probleem oplost kan om het even welke benadering gebruiken die de werken - sommige agenten zijn symbolisch en logisch, zijn wat sub-symbolisch neurale netwerken en wat kunnen op nieuwe benaderingen (zonder dwingende onderzoekers om oude benaderingen te verwerpen die nuttig zijn gebleken) worden gebaseerd. Het paradigma geeft onderzoekers een gemeenschappelijke taal om problemen te beschrijven en hun oplossingen met elkaar en met andere gebied-zulke te delen zoals besluit theorie- dat hanteert ook concepten abstracte agenten.

Het integreren van de benaderingen

agenten architectuur of cognitieve architectuur staat onderzoekers toe om veelzijdigere en intelligente systemen uit het op elkaar inwerken op te bouwen intelligente agenten in a multi-agenten systeem.^[103] Een systeem met zowel symbolische als sub-symbolische componenten is a hybride intelligent systeem, en de studie van dergelijke systemen is de integratie van kunstmatige intelligentiesystemen. A hiërarchisch controlesysteem verstrekt een brug tussen sub-symbolische AI op zijn laagste, reactieve niveaus en traditionele symbolische AI op zijn hoogste niveaus, waar de ontspannen tijdbeperkingen planning en wereld modellering toelaten.^[104] Rodney Brooks' subsumption architectuur was een vroeg voorstel voor zulk een hiërarchische systeem.

Hulpmiddelen van AI onderzoek

In de loop van 50 jaar van onderzoek, heeft AI een groot aantal hulpmiddelen ontwikkeld om de moeilijkste problemen binnen op te lossen computer wetenschap. Enkelen van het meest algemeen van deze methodes worden hieronder besproken.

Zoek

Hoofd artikel: onderzoeks algoritme

Vele problemen in AI kunnen in theorie worden opgelost door intelligent door vele mogelijke oplossingen te zoeken:^[105] Het redeneren kan tot het uitvoeren van een onderzoek worden verminderd. Bijvoorbeeld, kan het logische bewijs worden bekeken zoals zoekend naar een weg die van leidt gebouw aan conclusies, waar elke stap de toepassing van is gevolgtrekkings regel.^[106] Planning de algoritmen zoeken door bomen die van doelstellingen en subgoals, een weg aan een doeldoel proberen te vinden.^[107] Robotica algoritmen om lidmaten te bewegen en objecten gebruik te begrijpen lokale onderzoeken in configuratie ruimte.^[77] Velen het leren de algoritmen hebben onderzoek bij hun kern.^[108]

Er zijn verscheidene soorten onderzoeksalgoritmen:

• De „niet geïnformeerde“ onderzoeksalgoritmen zoeken uiteindelijk door elk mogelijk antwoord tot zij van hun doel de plaats bepalen.^[109] De naïeve algoritmen komen snel problemen tegen wanneer zij de grootte van hun uitbreiden onderzoeks ruimte aan astronomisch aantallen. Het resultaat is een onderzoek dat is ook vertraag of voltooit nooit.
• Heuristisch of de „geïnformeerdea“ onderzoeken gebruiken heuristische methodes om keuzen te elimineren die tot hun doel waarschijnlijk niet kunnen leiden, waarbij drastisch het aantal mogelijkheden wordt verminderd zij moeten onderzoeken.^[110] Eliminatation van keuzen die zekere niet om tot het doel zijn te leiden wordt geroepen het snoeien.
• Lokale onderzoeken, zoals heuvel het beklimmen, het gesimuleerde ontharden en straal onderzoek, gebruikstechnieken worden geleend die van optimaliserings theorie.^[111]
• Globale onderzoeken zijn robuuster in aanwezigheid van lokale optima. De technieken omvatten evolutieve algoritmen, zwerm intelligentie en willekeurige optimalisering algoritmen.

Logica

Hoofd artikel: logica programmering

Logica^[112] langs werd geïntroduceerde in AI onderzoek John McCarthy in zijn 1958 De Afnemer van de raad voorstel. De belangrijkste technische ontwikkeling was J. Alan Robinson's ontdekking van resolutie en eenmaking algoritme voor logische conclusie in 1963. Deze procedure is eenvoudig, volledig en volledig algoritmisch, en kan gemakkelijk door digitale computers worden uitgevoerd.^[113] Nochtans, leidt een naïeve implementatie van het algoritme snel tot a combinatorische explosie of oneindige lijn. In 1974, Robert Kowalski voorgestelde vertegenwoordigende logische uitdrukkingen zoals De clausules van de hoorn (verklaringen in de vorm van regels: „als p dan q„), wat logische conclusie aan verminderde achteruit ketenend of het voorwaartse ketenen. Dit verminderde (maar elimineerde niet) zeer het probleem.^[106][114]

De logica wordt gebruikt voor kennisvertegenwoordiging en probleem het oplossen, maar het kan op andere problemen eveneens worden toegepast. Bijvoorbeeld, satplan het algoritme gebruikt logica voor planning,^[115] en aanleidinggevende logica programmering is een methode voor het leren.^[116]

Er zijn verscheidene verschillende vormen van logica die in AI onderzoek worden gebruikt.

• Propositional logica^[117] of sentential logica is de logica van verklaringen die waar of vals kan zijn.

• First-order logica^[118] staat ook het gebruik van toe quantifiers en predikaten, en kan feiten over voorwerpen, hun eigenschappen, en hun relaties met elkaar uitdrukken.

• Verwarde logica, een versie van first-order logica die de waarheid van een verklaring om als waarde tussen 0 en 1 toelaat worden vertegenwoordigd, eerder dan eenvoudig Ware (1) of Vals (0). Verwarde systemen kan voor het onzekere redeneren worden gebruikt en in moderne industrieel en de systemen van de verbruiksgoederencontrole wijd gebruikt.^[119]

• Standaard logica, non-monotonic logica en omschrijving zijn vormen van logica die worden ontworpen om met gebrek te helpen redenerend en kwalificatie probleem.^[65]
• Verscheidene uitbreidingen van logica zijn ontworpen om specifieke domeinen van te behandelen kennis, zoals: beschrijvings logica;^[59] situatie rekening, gebeurtenis rekening en vloeiende rekening (voor het vertegenwoordigen van gebeurtenissen en tijd);^[60] oorzakelijke rekening;^[61] geloofs rekening; en modale logica.^[62]

Probabilistic methodes voor het onzekere redeneren

Hoofd artikelen: Bayesian netwerk, verborgen Markov model, De filter van Kalman, besluit theorie, en nuts theorie

Vele problemen in AI (in het redeneren, planning, het leren, waarneming en robotica) vereisen de agent om met onvolledige of onzekere informatie te werken. Beginnend in de recente jaren '80 en de vroege jaren '90, De Parel van Judea en anderen verdedigden het gebruik van methodes worden getrokken die van waarschijnlijkheid theorie en economie om een aantal krachtige hulpmiddelen te bedenken om deze problemen op te lossen.^[120]

Bayesian netwerken^[121] zijn zeer algemeen hulpmiddel dat voor een groot aantal problemen kan worden gebruikt: het redeneren (gebruiken Bayesian gevolgtrekking algoritme),^[122] het leren (gebruiken verwachting-maximalisering algoritme),^[123] planning (gebruikend besluit netwerken)^[124] en waarneming (gebruikend dynamische Bayesian netwerken).^[125]

Probabilistic algoritmen kunnen ook voor het filtreren, voorspelling worden gebruikt, gladmakend en vindend verklaringen voor stromen van gegevens, het helpen waarneming systemen om processen te analyseren die in tijd voorkomen^[126] (b.v., verborgen Markov modellen^[127] en De filters van Kalman^[128]).

De problemen van de planning hebben ook voordelen van andere hulpmiddelen van economie, zoals genomen besluit theorie en besluit analyse,^[129] de theorie van de informatiewaarde,^[68] Markov besluitprocessen,^[130] dynamisch besluit netwerken,^[130] spel theorie en mechanisme ontwerp^[131]

Classificatoren en statistische het leren methodes

Hoofd artikelen: classificator (wiskunde), statistische classificatie, en machine het leren

De eenvoudigste AI toepassingen kunnen in twee types worden verdeeld: classificatoren („als glanzende toen diamant“) en controlemechanismen („als glanzende toen ver*beteren“). De controlemechanismen nochtans classificeren ook voorwaarden alvorens acties te concluderen, en daarom classificatie vormt een centraal deel van vele AI systemen.

Classificatoren^[132] zijn functies die gebruiken patroon aanpassing om een dichtste gelijke te bepalen. Zij kunnen volgens voorbeelden worden gestemd, die hen maken zeer voor gebruik in AI aantrekkelijk. Deze voorbeelden zijn genoemd geworden observaties of patronen. Bij het gecontroleerde leren, behoort elk patroon tot een bepaalde vooraf gedefinieerde klasse. Een klasse kan als een besluit worden gezien dat moet worden genomen. Alle observaties die met hun klassenetiketten zijn worden gecombineerd gekend als gegevensreeks.

Wanneer een nieuwe observatie wordt ontvangen, is die observatie geclassificeerd gebaseerd op vroegere ervaring. Een classificator kan op diverse manieren worden opgeleid; er zijn statistisch velen en machine het leren benaderingen.

Een brede waaier van classificatoren is beschikbaar, elk met zijn sterke punten en zwakheden. De prestaties van de classificator hangen zeer van de kenmerken van de te classificeren gegevens af. Er is geen classificator die het best aan alle bepaalde problemen werkt; dit wordt ook bedoeld als „geen vrije lunch“ stelling. Diverse empirische tests zijn uitgevoerd om classificatorprestaties te vergelijken en de kenmerken van gegevens te vinden die classificatorprestaties bepalen. Het bepalen van een geschikte classificator voor een bepaald probleem is nochtans nog meer een kunst dan wetenschap.

De wijdst gebruikte classificatoren zijn neuraal netwerk,^[133] pit methodes zoals steun vectormachine,^[134] k-meest dichtbijgelegen buuralgoritme,^[135] Gaussian mengselmodel,^[136] naïeve classificator Bayes,^[137] en besluit boom.^[108] De prestaties van deze classificatoren zijn vergeleken over een brede waaier van classificatietaken^[138] om gegevenskenmerken te vinden die classificatorprestaties bepalen.

Neurale netwerken

Hoofd artikelen: neurale netwerken en connectionism

De studie van kunstmatige neurale netwerken^[133] begon met cybernetica onderzoekers, die de in het decennium vóór het gebiedsAI onderzoek werken werden opgericht. In de jaren '60 Frank Rosenblatt ontwikkelde een belangrijke vroege versie, perceptron.^[139]

Paul Werbos ontwikkelde backpropagation algoritme voor multilayer perceptrons in 1974,^[140] welke tot een renaissance in neuraal netwerkonderzoek leidde en connectionism in het algemeen in de middenjaren '80. Andere gemeenschappelijke netwerkarchitectuur die is ontwikkeld omvat feedforward neuraal netwerk, radiaal basisnetwerk, Kohonen self-organizing kaart en divers terugkomende neurale netwerken. Netto hopveld, werd een vorm van attractornetwerk, eerst langs beschreven John Hopfield in 1982.

De neurale netwerken worden toegepast op het probleem van het leren, gebruikend dergelijke technieken zoals Het leren van Hebbian^[141] en het vrij nieuwe gebied van Hiërarchisch Tijdelijk Geheugen welke de architectuur van simuleert neocortex.^[142]

Sociale en optredende modellen

Hoofd artikel: evolutieve berekening

Verscheidene algoritmen voor het leren gebruiks hulpmiddelen van evolutieve berekening, zoals genetische algoritmen,^[143][144] zwerm intelligentie.^[145] en genetische programmering.^[146][147]

De theorie van de controle

Hoofd artikel: intelligente controle

De theorie van de controle, het kleinkind van cybernetica, heeft vele belangrijke toepassingen, vooral binnen robotica.^[148]

Gespecialiseerde talen

AI de onderzoekers hebben verscheidene gespecialiseerde talen voor AI onderzoek ontwikkeld:

• IPL, langs ontwikkelde één van de eerste programmeertalen, Alan Newell, Herbert Simon en J. C. Shaw.^[149]

• Lisp^[150] langs werd ontwikkeld John McCarthy bij MIT in 1958.^[151] Er zijn vele dialecten vandaag van Lisp in gebruik.

• Proloog,^[152] een taal wordt gebaseerd die op logica programmering, langs werd uitgevonden Frans onderzoekers Alain Colmerauer en Phillipe Roussel, in samenwerking met Robert Kowalski van Universiteit van Edinburgh.^[114]

• STROKEN, een planningstaal wordt ontwikkeld die bij Stanford in de jaren '60.
• Ontwerper ontwikkeld bij MIT rond de zelfde tijd.

AI de toepassingen worden ook vaak geschreven in standaardtalen als C++ en talen die voor wiskunde, worden ontworpen zoals Matlab en Sterke drank.

De evaluatie van kunstmatige intelligentie

Hoofd artikel: Vooruitgang in kunstmatige intelligentie

Hoe kan één als een agent bepalen intelligent is? In 1950, stelde Alan Turing een algemene procedure voor om de intelligentie van een agent te testen die nu als wordt bekend De test van Turing. Deze procedure laat bijna alle belangrijkste problemen van kunstmatige intelligentie toe om worden getest. Nochtans, is het een zeer moeilijke uitdaging en momenteel ontbreken alle agenten.

De kunstmatige intelligentie kan ook op specifieke problemen zoals kleine problemen worden geëvalueerdh in chemie, handschrifterkenning en spel-speelt. Dergelijke tests zijn genoemd inhoud deskundige tests Turing. De kleinere problemen verstrekken meer uitvoerbare doelstellingen en er is een steeds groter aantal positieve resultaten.

De brede klassen van resultaat voor een AI test zijn:

• optimaal: het is niet mogelijk beter te presteren
• sterke bovenmenselijk: presteert dan beter alle mensen
• bovenmenselijk: presteert dan beter de meeste mensen
• sub-human: presteert slechter dan de meeste mensen

Bijvoorbeeld, zijn de prestaties bij controleurs optimaal,^[153] de prestaties bij schaak zijn bovenmenselijk en naderend sterke bovenmenselijk,^[154] en de prestaties bij vele dagelijkse taken die door mensen worden uitgevoerd zijn sub-human.

Competities en prijzen

Hoofd artikel: Competities en prijzen in kunstmatige intelligentie

Er zijn een aantal competities en prijzen om onderzoek naar kunstmatige intelligentie te bevorderen. De belangrijkste bevorderde gebieden zijn: algemene machineintelligentie, gemoedelijk gedrag, auto's voor het exploiteren van gegevens, driverless, robotvoetbal en spelen.

Toepassingen van kunstmatige intelligentie

Hoofd artikel: Toepassingen van kunstmatige intelligentie

De kunstmatige intelligentie is met succes gebruikt in een brede waaier van gebieden met inbegrip van medische diagnose, voorraad handel, robot controle, wet, wetenschappelijk ontdekking en speelgoed. Vaak, wanneer een techniek heersende stromingsgebruik bereikt wordt het niet meer beschouwd als kunstmatige intelligentie, die soms als AI effect wordt beschreven.^[155] Het kan ook geïntegreerdn worden in het kunstmatige leven.

Zie ook

• Lijst van fundamentele kunstmatige intelligentieonderwerpen
• Lijst van AI onderzoekers
• Lijst van AI projecten
• Lijst van belangrijke AI publicaties
• Lijst van nieuwe technologieën

Nota's

Verwijzingen

Belangrijke AI handboeken

• Luger, George & Stubblefield, William (2004), Kunstmatige Intelligentie: Structuren en Strategieën voor het Complexe Oplossen van het Probleem (5de E-D.), Benjamin/Cummings Publishing Company, Inc., blz. 720, ISBN 0-8053-4780-1, <http://www.cs.unm.edu/~luger/ai-final/tocfull.html> 
• Nilsson, Nils (1998), Kunstmatige Intelligentie: Een nieuwe Synthese, Morgan Kaufmann Publishers, ISBN 978-1-55860-467-4 
• Russell, Stuart J. & Norvig, Peter (2003), Kunstmatige Intelligentie: Een moderne Benadering (2de E-D.), de Hogere Rivier van het Zadel, NJ: De Zaal van Prentice, ISBN 0-13-790395-2, <http://aima.cs.berkeley.edu/> 
• Poole, David; Wellustige Mackworth, Alan & Goebel, (1998), Computer Intelligentie: Een logische Benadering, De Universitaire Pers van Oxford, <http://www.cs.ubc.ca/spider/poole/ci.html> 

Andere bronnen

• ACM, (Vereniging van de Machines van de Gegevensverwerking) (1998), Het Systeem van de Classificatie van de Gegevensverwerking ACM: Kunstmatige intelligentie, <http://www.acm.org/class/1998/I.2.html> 
• Beken, Rodney (1990), “De olifanten spelen geen Schaak”, Robotica en Autonome Systemen 6: 3-15, <http://people.csail.mit.edu/brooks/papers/elephants.pdf>. teruggewonnen 30 Augustus 2007 
• Buchanan, Bruce G. (2005), „A (zeer) Korte Geschiedenis van Kunstmatige Intelligentie”, AI Tijdschrift: 53-60, <http://www.aaai.org/AITopics/assets/PDF/AIMag26-04-016.pdf>. teruggewonnen 30 Augustus 2007 
• Crevier, Daniel (1993), AI: Het Tumultuous Onderzoek naar Kunstmatige Intelligentie, New York, NY: BasicBooks, ISBN 0-465-02997-3 
• Haugeland, John (1985), Kunstmatige Intelligentie: Het eigenlijke Idee, Cambridge, Massa.: Pers MIT, ISBN 0-262-08153-9 .
• Hawkins, Jeff & Blakeslee, Sandra (2004), Op Intelligentie, New York, NY: De Boeken van de uil, ISBN 0-8050-7853-3 .
• Kahneman, Daniel; Slovic, D. & Tversky, Amos (1982), Oordeel onder onzekerheid: Heuristiek en biases, New York: De Universitaire Pers van Cambridge .
• Kurzweil, Ray (1999), De leeftijd van Geestelijke Machines, Boeken Penguin, ISBN 0-670-88217-8 
• Kurzweil, Ray (2005), De bijzonderheid is dichtbij, Boeken Penguin, ISBN 0-670-03384-7 
• Lakoff, George & Nunez, Rafaël E. (2000), Waar de Wiskunde uit komt: Hoe de Opgenomen Mening Wiskunde in het Zijn brengt, BasisBoeken, ISBN 0-465-03771-2 .
• Lenat, Douglas (1989), Bouw Grote Kennissystemen, Addison-Wesley 
• Lighthill, Professor de Heer James (1973), „Kunstmatige Intelligentie: Een algemeen Onderzoek“, Kunstmatige Intelligentie: een document symposium, De Raad voor Onderzoek van de Wetenschap 
• McCarthy, John; Minsky, Marvin; Rochester, Nathan & Shannon, Claude (1955), Een voorstel voor het Project van het Onderzoek van de Zomer Dartmouth op Kunstmatige Intelligentie, <http://www-formal.stanford.edu/jmc/history/dartmouth/dartmouth.html> .
• McCarthy, John & Hayes, P. J. (1969), „Sommige filosofische problemen van het standpunt van kunstmatige intelligentie”, De Intelligentie van de machine 4: 463-502, <http://www-formal.stanford.edu/jmc/mcchay69.html> 
• McCorduck, Pamela (2004), Who van machines denkt (2de E-D.), Natick, MA: A. K. Peters, Ltd, ISBN 1-56881-205-1 .
• Minsky, Marvin (1967), Berekening: Eindige en Oneindige Machines, Englewood Klippen, N.J.: Prentice-zaal 
• Minsky, Marvin (2006), De machine van de Emotie, New York, NY: Simon & Schusterl, ISBN 0-7432-7663-9 
• Moravec, Hans (1976), De rol van Ruwe Macht in Intelligentie, <http://www.frc.ri.cmu.edu/users/hpm/project.archive/general.articles/1975/Raw.Power.html> 
• Moravec, Hans (1988), De Kinderen van de mening, De Universitaire Pers van Harvard 
• NRC (1999), „Ontwikkeling in Kunstmatige Intelligentie“, De financiering van een Revolutie: De Steun van de overheid voor de Gegevensverwerking van Onderzoek, De Nationale Pers van de Academie 
• Newell, Allen & Simon, H. A. (1963), „GPS: Een programma dat Menselijke Gedachte“, in Feigenbaum, E.A. simuleert. & Feldman, J., Computers en Gedachte, McGraw-Hill 
• Searle, John (1980), “Meningen, Hersenen en Programma's”, De gedrags en Wetenschappen van Hersenen 3 (3): 417-457, <http://www.bbsonline.org/documents/a/00/00/04/84/bbs00000484-00/bbs.searle2.html> 
• Shapiro, Stuart C. (1992), „Kunstmatige Intelligentie“, in Shapiro, Stuart C., Encyclopedie van Kunstmatige Intelligentie (2de E-D.), New York: John Wiley, blz. 54-57, <http://www.cse.buffalo.edu/~shapiro/Papers/ai.ps> .
• Simon, H. A. (1965), De vorm van Automatisering voor Mensen en Beheer, New York: Harper & Rij 
• Turing, Alan (Oktober 1950), „De machines van de gegevensverwerking en intelligentie”, Mening LIX (236): 433-460, ISSN 0026-4423, doi:10.1093/mind/LIX.236.433, <http://loebner.net/Prizef/TuringArticle.html> 
• Wason, P. C. (1966), „Redenerend“, in Foss, B. M., Nieuwe horizonnen in psychologie, Harmondsworth: Penguin 
• Weizenbaum, Joseph (1976), De Macht van de computer en Menselijke Reden, San Francisco: W.H. Freeman & Bedrijf, ISBN 0716704641 

Verdere lezing

• R. Zon & L. Bookman, (eds.), Computer Architectuur: Integrerende Neurale en Symbolische Processen. De Academische Uitgevers van Kluwer, Needham, MA. 1994.

Externe verbindingen

Vind meer over Kunstmatige Intelligentie op de zusterprojecten van Wikipedia:
	De definities van het woordenboek
	Handboeken
	Citaten
	Bron teksten
	Beelden en media
	De verhalen van het nieuws
	Het leren middelen

• AI bij Het open Project van de Folder
• AI-hulpmiddelen, de Open BronAI communautaire homepage
• De Folder van de kunstmatige Intelligentie, een folder van de middelen van het Web had op kunstmatige intelligentie betrekking
• AI gemeenschap met nieuws, verbindingen, downloads, en artikelen
• De vereniging voor de Vordering van Kunstmatige Intelligentie
• De Video „Machines van Freeview met Meningen“ door het Vertrouwen van de Wetenschap Vega en BBC/OU
• John McCarthy's vaak gevraagd vragen over AI
• Het tijdschrift Futurist interviewt „Ai jagers“ Rodney Brooks, Peter Norvig, Barney Pell, et al.
• Jonathan Edwards bekijkt AI (BBC audio)С
• De website van Ray Kurzweil's gewijd aan AI met inbegrip van voorspelling van toekomstige ontwikkeling in AI
• Internationaal Dagboek van ComputerIntelligentie
• Internationaal Dagboek van Intelligente Technologie
• Logica en Kunstmatige Intelligentie ingang bij De Encyclopedie van Stanford van Filosofie door Richmond Thomason

v • D • e Belangrijke gebieden van technologie Toegepaste wetenschap Kunstmatige intelligentie · Ceramische techniek · De technologie van de gegevensverwerking · Elektronika · Energie · De opslag van de energie · De fysica van de techniek · Milieu technologie · De wetenschap van de visserij · De wetenschap en de techniek van materialen · Microtechnology · Nanotechnologie · Kern technologie · Optica · Zoography Informatie Mededeling · Grafiek · De technologie van de muziek · De erkenning van de toespraak · Visuele technologie Industrie Bouw · Financiële techniek · Productie · Machines · Mijnbouw · Bedrijfs informatica Militair Munitie · Bommen · Kanonnen · Militaire technologie en materiaal · Zee techniek Binnenlands Onderwijs technologie · Binnenlandse toestellen · Binnenlandse technologie · De technologie van het voedsel Techniek Ruimtevaart · Landbouw · Architecturaal · Audio · Automobiel · Biologisch · Biochemisch · Biomedisch · Uitzending · Ceramisch · Chemisch · Burgerlijk · Computer · Bouw · Cryogeen · Elektro · Elektronisch · Milieu · Voedsel · Industrieel · Materialen · Mechanisch · Mechatronics · Metallurgisch · Mijnbouw · Zee · Kern · Optisch · Aardolie · Software · Structureel · Systemen · Textiel · Weefsel · Vervoer Gezondheid en veiligheid Biomedische techniek · Bio-informatica · Biotechnologie · Cheminformatics · De beschermingstechniek van de brand · De technologieën van de gezondheid · Voeding · Geneesmiddelen · De techniek van de veiligheid · Sanitaire techniek Vervoer Ruimtevaart · Ruimtevaart techniek · Automobiel techniek · Mariene techniek · Gemotoriseerde voertuigen · Ruimte technologie