Artificial Intelligence ( AI ) ၏ သမိုင်းသည် ရှေးခေတ်လက်ရာများ ၊ ကျွမ်းကျင်ပညာရှင်များ၏ ဉာဏ်ရည်ဉာဏ်သွေး သို့မဟုတ် အသိဥာဏ်ပညာနှင့် ပြည့်စုံသော အတုအယောင်များ၏ ဒဏ္ဍာရီပုံပြင်များ၊ ကောလဟာလများဖြင့် စတင်ခဲ့သည်။ ခေတ်သစ် AI ၏ မျိုးစေ့များကို သင်္ကေတများ၏ စက်ပိုင်းဆိုင်ရာ ခြယ်လှယ်မှုအဖြစ် လူသားတွေးခေါ်မှုဖြစ်စဉ်ကို ဖော်ပြရန် ကြိုးပမ်းသည့် ဒဿနပညာရှင်တို့က စိုက်ပျိုးခဲ့ကြသည်။ ဤလုပ်ငန်းသည် 1940 ခုနှစ်များတွင် ပရိုဂရမ်ထုတ်နိုင်သော ဒစ်ဂျစ်တယ်ကွန်ပြူတာ၏ တီထွင်မှုတွင် အဆုံးစွန်သော သင်္ချာဆင်ခြင်ခြင်း၏ စိတ္တဇအနှစ်သာရကို အခြေခံသည့် စက် တစ်ခုဖြစ်သည် ။ . ဒီကိရိယာနဲ့ သူ့နောက်ကွယ်က အယူအဆတွေက လက်တစ်ဆုပ်စာ သိပ္ပံပညာရှင်တွေကို အီလက်ထရွန်းနစ် ဦးနှောက်တည်ဆောက်နိုင်ခြေကို လေးလေးနက်နက် ဆွေးနွေးဖို့ စတင်လှုံ့ဆော်ခဲ့ပါတယ်။
AI သုတေသန နယ်ပယ်ကို 1956 ခုနှစ် နွေရာသီတွင် USA ၊ Dartmouth College ၏ ကျောင်းဝင်းတွင် ကျင်းပသော အလုပ်ရုံဆွေးနွေးပွဲ တွင် တည်ထောင်ခဲ့ပါသည် ။ လူသားတစ်ဦးကဲ့သို့ ဉာဏ်ရည်ထက်မြက်သည့် စက်တစ်လုံးသည် မျိုးဆက်တစ်ဆက်ထက်မနည်း တည်ရှိနိုင်မည်ဟု ၎င်းတို့အများစုက ခန့်မှန်းခဲ့ကြပြီး ဤအမြင်ကို အကောင်အထည်ပေါ်လာစေရန် ဒေါ်လာသန်းပေါင်းများစွာ ပေးအပ်ခဲ့သည်။ [2]
နောက်ဆုံးတွင်၊ စီးပွားဖြစ် developer များနှင့် သုတေသီများသည် ပရောဂျက်၏အခက်အခဲကို လုံးလုံးလျားလျား လျှော့တွက်ခဲ့ကြသည်မှာ ထင်ရှားလာသည်။ [3] 1974 ခုနှစ်တွင် James Lighthill မှဝေဖန်မှုများ နှင့်ကွန်ဂရက်မှဆက်လက်ဖိအားပေးမှုကို တုံ့ပြန်သည့်အနေဖြင့် အမေရိကန် နှင့် ဗြိတိသျှအစိုးရများသည် အတုထောက်လှမ်းရေးအတွက်ရန်ပုံငွေထောက်ပံ့ခြင်းကိုရပ်တန့်ခဲ့ပြီးနောက်ပိုင်းခက်ခဲသောနှစ်များကိုနောက်ပိုင်းတွင် " AI winter " အဖြစ်လူသိများသည် ။ ခုနစ်နှစ်အကြာတွင် ဂျပန်အစိုးရ၏ အမြော်အမြင်ရှိသော ကြိုးပမ်းမှုတစ်ခု က အစိုးရများနှင့် လုပ်ငန်းနယ်ပယ်များကို AI ဒေါ်လာဘီလီယံပေါင်းများစွာ ပံ့ပိုးပေးရန် လှုံ့ဆော်ပေးခဲ့သော်လည်း 80 နှောင်းပိုင်းတွင် ရင်းနှီးမြုပ်နှံသူများသည် စိတ်ပျက်လက်ပျက်ဖြစ်ခဲ့ကြပြီး ရန်ပုံငွေများကို ထပ်မံရုပ်သိမ်းခဲ့သည်။
နည်းလမ်းအသစ်များ၊ အစွမ်းထက်ကွန်ပြူတာ ဟာ့ဒ်ဝဲအသုံးပြုမှုနှင့် အလွန်ကြီးမားသော ဒေတာအစုအဝေးများကြောင့် ပညာရပ်ဆိုင်ရာနှင့် စက်မှုလုပ်ငန်းဆိုင်ရာ ပြဿနာအများအပြားတွင် စက်သင်ယူမှုကို အောင်မြင်စွာအသုံးချ လိုက်သောအခါ AI တွင် ရင်းနှီးမြုပ်နှံမှုနှင့် စိတ်ဝင်စားမှုက ကြီးထွားလာခဲ့သည် ။
ဒဏ္ဍာရီဆန်ဆန်၊ စိတ်ကူးယဉ်နှင့် မှန်းဆနိုင်သော ရှေ့ပြေးနိမိတ်များ
ဂရိဒဏ္ဍာရီတွင် Talos သည် ကရေတေကျွန်းအတွက် အုပ်ထိန်းသူအဖြစ် ဆောင်ရွက်သော ကြေးဝါဖြင့် တည်ဆောက်ထားသည့် ဧရာမရုပ်ထုကြီးဖြစ်သည်။ သူသည် ကျူးကျော်သင်္ဘောများကို ကျောက်ခဲများဖြင့် ပစ်ပေါက်ပြီး ကျွန်းပတ်ပတ်လည်တွင် နေ့စဉ် ပတ်လမ်း ၃ ခု ပြီးမြောက်စေခဲ့သည်။ [4] pseudo-Apollodorus ' Bibliotheke အဆိုအရ ၊ Hephaestus သည် Talos ကို စက်ဘီးစီးသူများအကူအညီဖြင့် အတုလုပ်ကာ automaton အား လက်ဆောင်အဖြစ် ပေးအပ်ခဲ့သည်။Minos. [5] Argonautica တွင် Jason နှင့် Argonauts တို့သည် သူ့ခြေဖဝါးအနီးရှိ ပလပ် တစ်ချောင်းဖြင့် သူ့ကို အနိုင်ယူပြီး တစ်ကြိမ်ဖယ်ရှားလိုက်သောအခါတွင် အရေးကြီးသော ichor သည် သူ့ခန္ဓာကိုယ်မှ ထွက်လာပြီး သက်မဲ့များကို ထားခဲ့သည်။ [6]
Pygmalion သည် Ovid ၏ Metamorphoses တွင် ထင်ရှားကျော်ကြားသော ဂရိဒဏ္ဍာရီပုံပြင်များ၏ ဂရိဒဏ္ဍာရီလာ ဘုရင်နှင့် ပန်းပုဆရာဖြစ်သည် ။ Ovid ၏ ဇာတ်ကြောင်းကဗျာ၏ 10th စာအုပ်တွင်၊ Pygmalion သည် Propoetides များ သူတို့ကိုယ်သူတို့ ပြည့်တန်ဆာပြုသည့် နည်းလမ်းကို သက်သေခံသောအခါတွင် Pygmalion သည် အမျိုးသမီးများကို ရွံရှာသည် ။ [၇] ဤအတိုင်းပင် ဗီးနပ်စ်ဗိမာန်၌ ပူဇော်သက္ကာပြု၍ ထုလုပ်ထားသော ရုပ်တုကဲ့သို့ မိန်းမတစ်ဦးကို နတ်သမီးထံသို့ ယူဆောင်လာရန် တောင်း၏။ ဂိုလမ်ပြုလုပ်ခြင်းနှင့်ပတ်သက်၍ အစောဆုံးရေးသားထားသည့် မှတ်တမ်းကို 13 ရာစုအစောပိုင်းတွင် Eleazar Ben Judah of Worms ၏ရေးသားချက်များတွင် တွေ့ရှိရသည်။ [8] [9] အလယ်ခေတ်တွင် Golem ၏ ကာတွန်းဟု ယုံကြည်ခဲ့ကြသည်။စာရွက်တစ်ရွက်ကို ရွှံ့ပုံသဏ္ဍာန်၏ ပါးစပ်ထဲသို့ ဘုရားအမည်များ ထည့်သွင်းခြင်းဖြင့် အောင်မြင်နိုင်သည်။ [10] Brazen Heads ကဲ့သို့သော ဒဏ္ဍာရီဆန်ဆန် အော်တိုမာတာများနှင့် မတူဘဲ ၊ [11] Golem သည် စကားမပြောနိုင်ပါ။ [12]
Alchemical ဆိုသည်မှာ ဉာဏ်ရည်တုကို ဆိုလိုသည်။
ဆွစ်ဇာလန်နိုင်ငံဖွား အဂ္ဂိရတ်ပညာရှင် Paracelsus မှရေးသားသော သဘာဝတရား ၏အထဲတွင် သူသည် "အတုလူသား" ကို ဖန်တီးနိုင်သည်ဟု သူဆိုထားသော လုပ်ထုံးလုပ်နည်းကို ဖော်ပြပါသည်။ "လူ၏သုက်ပိုး" ကို မြင်းချေးတွင် ထားကာ ရက် 40 ကြာပြီးနောက် "Arcanum of Mans သွေး" ကို ကျွေးခြင်းဖြင့်၊ အဆိုပါ ဖျော်ရည်သည် အသက်ရှင်သော ကလေးငယ် ဖြစ်လာမည်ဖြစ်သည်။ [13] Takwin သည် အသက်၏ဖန်တီးမှုအတုဖြစ်ပြီး၊ အထူးသဖြင့် Jabir Ibn Hayyan မှ ရည်ညွှန်းထားသော Ismaili alchemical လက်ရေးစာမူများ၏ မကြာခဏအကြောင်းအရာတစ်ခုဖြစ်သည် ။ အစ္စလာမ့်အဂ္ဂိရတ်ပညာရှင် များသည် အပင်များမှ တိရစ္ဆာန်များအထိ ၎င်းတို့၏ အလုပ်အားဖြင့် ကျယ်ပြန့်သော အသက်တာကို ဖန်တီးရန် ကြိုးပမ်းခဲ့ကြသည်။ [14] Faust တွင် - ဓာတုဗေဒနည်းဖြင့် လုပ်ကြံဖန်တီးထားသော homunculus သည် ဖန်ပုလင်းထဲတွင် ထာဝစဉ်အသက်ရှင်ရန် ရည်မှန်းထားပြီး လူ့ခန္ဓာကိုယ်အပြည့်ဖြင့် မွေးဖွားလာရန် ကြိုးပမ်းနေပါသည်။ သို့သော် ဤအသွင်ပြောင်းမှု စတင်သောအခါတွင် မီးခွက်များကွဲအက်သွားပြီး homunculus သည် သေဆုံးသွားသည်။ [15]
ခေတ်ပေါ်ဝတ္ထု
၁၉ ရာစုတွင်၊ လူအတုနှင့် တွေးခေါ်စက်များအကြောင်း စိတ်ကူးစိတ်သန်းများကို စိတ်ကူးယဉ်ဆန်သော Mary Shelley ၏ Frankenstein သို့မဟုတ် Karel Čapek 's RUR (Rossum's Universal Robots) ၊ [16] နှင့် Samuel Butler ၏ " Darwin ကဲ့သို့သော ထင်ကြေးပေးမှုများ၊ Machines များအကြား ၊ [17] နှင့် Edgar Allan Poe ၏ " Maelzel's Chess Player " အပါအဝင် လက်တွေ့ကမ္ဘာဖြစ်ရပ်များတွင် ။ [18] AI သည် လက်ရှိကာလတွင် သိပ္ပံစိတ်ကူးယဉ်များ၏ ပုံမှန်အကြောင်းအရာတစ်ခု ဖြစ်လာခဲ့သည်။ [19]
Automata
လက်တွေ့ဆန်သော လူသားဆန်သော အော်တိုမာတာကို Yan Shi ၊ [20] Hero of Alexandria ၊ [21] Al-Jazari ၊ [22] Pierre Jaquet-Droz နှင့် Wolfgang von Kempelen အပါအဝင် ယဉ်ကျေးမှုတိုင်းမှ လက်သမားဆရာများက တည်ဆောက်ခဲ့သည် ။ [23] ရှေးအကျဆုံး လူသိများသော အော်တိုမာတာများသည် ရှေးခေတ် အီဂျစ် နှင့် ဂရိ တို့၏ အထွတ်အမြတ်ထားသော ရုပ်တုများ ဖြစ်သည် ။ [24] လက်သမားဆရာသည် ဤရုပ်တုများကို ဉာဏ်ပညာနှင့် စိတ်ခံစားမှုကို ပေးနိုင်သော စစ်မှန်သောစိတ်ဖြင့် ဖုံးအုပ်ထားသည်ဟု ယုံကြည်ကြသည်— Hermes Trismegistus က "ဘုရားများ၏ သဘာဝအစစ်အမှန်ကို ရှာဖွေတွေ့ရှိခြင်းဖြင့် လူသားသည် ၎င်းကို မျိုးပွားနိုင်သည်" ဟု ရေးသားခဲ့သည်။[25] [26]
ခေတ်သစ်အစောပိုင်းကာလတွင်၊ ဤဒဏ္ဍာရီလာ အော်တိုမာတာများသည် ၎င်းတို့အား မေးခွန်းများကိုဖြေဆိုရန် မှော်ဆန်သည့်စွမ်းရည်ရှိသည်ဟု ဆိုကြသည်။ အလယ်ခေတ်နှောင်းပိုင်းမှ အဂ္ဂိရတ်ပညာရှင်နှင့် ပညာရှင် Roger Bacon သည် မှော်ဆရာဖြစ်ခြင်း၏ ဒဏ္ဍာရီကို တီထွင်ပြီး ပြောင်ပြောင်ပြောင်မြောက်သော ဦးခေါင်းကို တီထွင်ခဲ့သည်ဟု ယူဆရသည်။ [27] ဤဒဏ္ဍာရီများသည် Mímir ဦးခေါင်း၏ Norse ဒဏ္ဍာရီနှင့် ဆင်တူသည်။ ဒဏ္ဍာရီအရ Mímir သည် ၎င်း၏ ဉာဏ်ပညာနှင့် ဉာဏ်ပညာကြောင့် လူသိများပြီး Æsir-Vanir စစ်ပွဲတွင် ခေါင်းဖြတ်ခံခဲ့ရသည်။ Odin သည် ဦးခေါင်းအား ဆေးဖက်ဝင်အပင်များဖြင့် အလှဆင်ထားပြီး Mímir ၏ ဦးခေါင်းသည် Odin အား ဉာဏ်ပညာဆက်လက်ပြောဆိုနိုင်စေရန်အတွက် ဂါထာများကို ဟောပြောခဲ့သည်ဟု ဆိုသည်။ ထို့နောက် Odin သည် ခေါင်းကို သူ့အနီးတွင် ထားကာ အကြံဥာဏ်ပေးသည်။ [28]
တရားဝင် ဆင်ခြင်ခြင်း
Artificial Intelligence သည် လူသားတို့၏ တွေးခေါ်မှု ဖြစ်စဉ်ကို စက်ပြင်နိုင်သည်ဟု ယူဆချက်အပေါ် အခြေခံသည်။ စက်ပိုင်းဆိုင်ရာ—သို့မဟုတ် “တရားဝင်”—ကျိုးကြောင်းဆင်ခြင်ခြင်းဆိုင်ရာလေ့လာမှုသည် ရှည်လျားသောသမိုင်းကြောင်းရှိသည်။ တရုတ် ၊ အိန္ဒိယ နှင့် ဂရိ ဒဿနပညာရှင်များသည် ဘီစီအီး ပထမထောင်စုနှစ်တွင် တရားဝင် နုတ်ယူခြင်းနည်းလမ်းများကို တီထွင်ခဲ့ကြသည်။ Aristotle ကဲ့သို့သော ဒဿနပညာရှင်များသည် ရာစုနှစ်များတစ်လျှောက် ၎င်းတို့၏ စိတ်ကူးများကို တီထွင်ဖန်တီးခဲ့ခြင်းဖြစ်ပြီး ၊ Euclid ( ဒြပ်စင် များသည် တရားဝင် ကျိုး ကြောင်းဆင်ခြင်ခြင်း ၏ စံနမူနာ ဖြစ်သော)၊ al -Khwārizmī ( အက္ခရာသင်္ချာကို တီထွင်ပြီး " algorithm " ဟု အမည်ပေးသော Aristotle ) ဥရောပ ပညာတော်သင်William of Ockham နှင့် Duns Scotus ကဲ့သို့သော ဒဿနပညာရှင်များ ။ [29]
စပိန်တွေးခေါ်ပညာရှင် Ramon Llull (1232–1315) သည် ယုတ္တိဗေဒနည်းဖြင့် အသိပညာများထုတ်လုပ်ရန်အတွက် ရည်မှန်း ထားသော စက် များစွာကို တီထွင်ခဲ့သည်။ [30] Llull သည် ၎င်း၏စက်များကို ဖြစ်နိုင်သမျှ အသိပညာများ ထုတ်ပေးရန် ရိုးရှင်းသော ယုတ္တိဗေဒဆိုင်ရာ လုပ်ဆောင်ချက်များဖြင့် အခြေခံနှင့် ငြင်းမရနိုင်သော အမှန်တရားများကို ပေါင်းစပ်နိုင်သည့် စက်ပိုင်းဆိုင်ရာ အရာများအဖြစ် ဖော်ပြခဲ့သည်။ [31] Llull ၏အလုပ်သည် သူ၏စိတ်ကူးများကို ပြန်လည်တီထွင်ခဲ့သော Gottfried Leibniz အပေါ် သြဇာကြီးမားခဲ့သည် ။ [၃၂]
17 ရာစုတွင်၊ Leibniz ၊ Thomas Hobbes နှင့် René Descartes တို့သည် ဆင်ခြင်တုံတရားအတွေးအမြင်အားလုံးကို အက္ခရာသင်္ချာ သို့မဟုတ် ဂျီသြမေတြီကဲ့သို့ စနစ်တကျပြုလုပ်နိုင်သည်ဟူသော ဖြစ်နိုင်ခြေကို စူးစမ်းလေ့လာခဲ့သည်။ [33] Hobbes သည် Leviathan ၌ "အကြောင်းပြချက်သည် တွက်ချက်ခြင်းမှတစ်ပါး" ဟု ကျော်ကြားသည်။ [34] Leibniz သည် ဆင်ခြင်ခြင်းဆိုင်ရာ စကြဝဠာဘာသာစကားဖြစ်သော ဝိသေသန universalis ကို တွက်ချက်ရာတွင် အငြင်းအခုံဖြစ်ခြင်းကို လျှော့ချပေးမည့် "စာရင်းကိုင်နှစ်ဦးကြားထက် ဒဿနပညာရှင်နှစ်ဦးကြား အငြင်းပွားစရာ မလိုတော့ပါ။ သူတို့ရဲ့ ချပ်ချပ်တွေကို ထောက်ပြီး အချင်းချင်းပြောကြ (ကြိုက်ရင် သက်သေအဖြစ် သူငယ်ချင်းနဲ့ ပြောပါ)။တွက်ချက်ကြည့်ရအောင် ။" [35] ဤဒဿနပညာရှင်များသည် AI သုတေသန၏ လမ်းညွှန်ယုံကြည်မှုဖြစ်လာမည့် ရုပ်ပိုင်းဆိုင်ရာသင်္ကေတစနစ် အယူအဆကို ထုတ်ဖော်ပြောဆိုလာကြသည် ။
20 ရာစုတွင်၊ သင်္ချာယုတ္တိဗေဒ လေ့လာမှုသည် ဉာဏ်ရည်တုကို ဖြစ်နိုင်ခြေရှိပုံပေါ်စေသည့် မရှိမဖြစ်လိုအပ်သော အောင်မြင်မှုများကို ပေးစွမ်းခဲ့သည်။ Boole ၏ The Laws of Thought and Frege 's Begriffsschrift ကဲ့သို့သော လက်ရာများဖြင့် အခြေခံအုတ်မြစ်များကို ချမှတ်ထားခြင်းဖြစ်သည် ။ Frege ၏စနစ် ပေါ်တွင်တည်ဆောက်ခြင်း ၊ Russell နှင့် Whitehead တို့သည် ၎င်းတို့၏လက်ရာဖြစ်သော Principia Mathematica တွင် 1913 ခုနှစ်တွင် သင်္ချာအခြေခံ၏တရားဝင်ကုသမှုကိုတင်ပြခဲ့သည်။ Russell ၏အောင်မြင်မှုမှ လှုံ့ဆော်မှုဖြင့် David Hilbert ၊ဤအခြေခံမေးခွန်းကိုဖြေဆိုရန် 1920s နှင့် 30s မှ သင်္ချာပညာရှင်များကို စိန်ခေါ်ခဲ့သည်- "သင်္ချာဆိုင်ရာ ကျိုးကြောင်းဆင်ခြင်ခြင်းအားလုံးကို တရားဝင်အောင်နိုင်သလား" [29] Gödel ၏ မပြည့်စုံမှု အထောက်အထား ၊ Turing ၏ စက် နှင့် Church 's Lambda calculus တို့ ဖြင့် သူ့မေးခွန်းကို ဖြေခဲ့သည် ။ [29] [36]
သူတို့အဖြေက အံ့သြစရာ နှစ်နည်းနဲ့။ ဦးစွာ၊ ၎င်းတို့သည် အမှန်တကယ်တွင် သင်္ချာယုတ္တိဗေဒဆိုင်ရာ ကန့်သတ်ချက်များရှိကြောင်း သက်သေပြခဲ့သည်။ သို့သော် ဒုတိယ (နှင့် AI အတွက် ပိုအရေးကြီးသည်) ၎င်းတို့၏အလုပ်သည် ဤကန့်သတ်ချက်များအတွင်းတွင် မည်သည့် သင်္ချာဆိုင်ရာ ကျိုးကြောင်းဆင်ခြင်မှုပုံစံကိုမဆို စက်ပြင်နိုင်သည်ဟု အကြံပြုထားသည်။ Church -Turing စာတမ်းတွင် 0 နှင့် 1 ကဲ့သို့ ရိုးရှင်းသော သင်္ကေတများကို ပေါင်းစပ်ထားသော စက်ကိရိယာတစ်ခုသည် သင်္ချာဖြတ်တောက်ခြင်း၏ စိတ်ကူးရနိုင်သော လုပ်ငန်းစဉ်တိုင်းကို တုပနိုင်သည်ဟု အဓိပ္ပာယ်ဖွင့်ဆိုထားသည်။ အဓိက ထိုးထွင်းသိမြင်မှုမှာ Turing စက် —စိတ္တဇသင်္ကေတ ခြယ်လှယ်ခြင်း၏ အနှစ်သာရကို ဖမ်းစားနိုင်သော ရိုးရှင်းသော သီအိုရီတည်ဆောက်မှုဖြစ်သည်။ [38] ဤတီထွင်မှုသည် တွေးခေါ်စက်များ၏ ဖြစ်နိုင်ခြေကို စတင်ဆွေးနွေးရန် လက်တစ်ဆုပ်စာ သိပ္ပံပညာရှင်များကို လှုံ့ဆော်ပေးမည်ဖြစ်သည်။ [29] [39]
ကွန်ပျူတာသိပ္ပံ
(တစ်ဖန်) ဒဿနပညာရှင် Gottfried Leibniz အပါအဝင် သင်္ချာပညာရှင် အများအပြားက ရှေးယခင်ကတည်းက တည်ဆောက်ခဲ့ပြီး တွက်ချက်ခြင်းစက်များကို မြှင့်တင်ခဲ့သည် ။ 19 ရာစုအစောပိုင်းတွင် Charles Babbage သည် ပရိုဂရမ်မာကွန်ပြူတာ ( Analytical Engine ) ကို ဘယ်သောအခါမှ မတည်ဆောက်ရသေးသော်လည်း၊ [40] Ada Lovelace သည် စက်သည် "ရှုပ်ထွေးနက်နဲသောအတိုင်းအတာ သို့မဟုတ် အတိုင်းအတာတစ်ခုအထိ ဂီတ၏ နက်နဲသိမ်မွေ့ပြီး သိပ္ပံပညာဆိုင်ရာအပိုင်းများကို ရေးဖွဲ့နိုင်သည်" ဟု ခန့်မှန်းခဲ့သည်။ [41] (သူမသည် Bernoulli နံပါတ်များကို အင်ဂျင်ဖြင့် တွက်ချက်နည်းကို လုံးလုံးအသေးစိတ်ဖော်ပြထားသော မှတ်စုအစုတစ်ခု ကြောင့် သူမကို ပထမဆုံး ပရိုဂရမ်မာတစ်ဦးအဖြစ် ချီးကျူးဂုဏ်ပြုခံရလေ့ရှိသည် ။)
Babbage ၏နောက်တွင် သူ၏အစောပိုင်းအလုပ်များကို အစပိုင်းတွင် မသိခဲ့သော်လည်း၊ အိုင်ယာလန်နိုင်ငံ၊ Dublin ရှိ ပြောင်းကုန်သည်တစ်ဦး၏ စာရေး ဖြစ်သူ Percy Ludgate ဖြစ်သည်။ သူသည် ၁၉၀၉ ခုနှစ်တွင် ထုတ်ဝေခဲ့သော လက်ရာတစ်ခုတွင် ဖော်ပြထားသည့် ပရိုဂရမ်မီနိုင်သော စက်ပိုင်းဆိုင်ရာ ကွန်ပျူတာကို လွတ်လပ်စွာ ဒီဇိုင်းထုတ်ခဲ့သည်။ [42] [43]
အခြား တီထွင်သူ နှစ်ဦးဖြစ်သည့် Leonardo Torres y Quevedo နှင့် Vannevar Bush တို့သည် Babbage ၏ လက်ရာကို အခြေခံ၍ သုတေသန ပြုလုပ်ခဲ့ကြသည်။
သူ၏ Essays on Automatics (1913) တွင် Torres သည် ရေပေါ်အမှတ် ကိုယ်စားပြုမှုများ ပါ၀င်သော လျှပ်စစ်စက်အစိတ်အပိုင်းများကို အသုံးပြုသည့် Babbage ဂဏန်းတွက်စက်ကို ဒီဇိုင်းထုတ်ကာ 1920 ခုနှစ်တွင် ရှေ့ပြေးပုံစံကို တည်ဆောက်ခဲ့သည်။ [44] Torres သည် 1912 ခုနှစ်တွင် autonomous machine များကို တည်ဆောက်ခဲ့သည်ဟုလည်း လူသိများသည်။ စစ်တုရင်ကစားခြင်း El Ajedrecista ။ လူသားလုပ်ဆောင်သည့် The Turk and Ajeeb နှင့် ဆန့်ကျင်ဘက်အနေဖြင့် El Ajedrecista (Chessplayer) သည် လူသားလမ်းညွှန်မှုမရှိဘဲ စစ်တုရင်ကစားနိုင်သည့် စစ်မှန်သော အော်တိုမက်တစ်ဖြစ်သည် ။ ၎င်းသည် စစ်တုရင်အပိုင်းသုံးပိုင်း ပါသည့် နောက်ဆုံးဂိမ်း တစ်ခုသာ ကစားခဲ့ပြီး အဖြူရောင် ဘုရင် နှင့် တောကောင် တစ်ကောင်ကို အလိုအလျောက် ရွေ့လျားစေသည်။လူမည်းဘုရင်ကို လူသားရန်ဘက်ပြုရန် လှုံ့ဆော် ခဲ့သည် ။ [45] [46]
Vannevar Bush ၏စာတမ်းတွင် Instrumental Analysis (1936) သည် Babbage ၏ဒီဇိုင်းကိုအကောင်အထည်ဖော်ရန် ရှိပြီးသား IBM Punch Card စက်များကိုအသုံးပြု၍ ဆွေးနွေးခဲ့သည်။ ထိုနှစ်တွင်ပင် အီလက်ထရွန်းနစ်ဒစ်ဂျစ်တယ်ကွန်ပြူတာတစ်လုံးတည်ဆောက်ခြင်းဆိုင်ရာ ပြဿနာများကို စုံစမ်းစစ်ဆေးရန် Rapid Arithmetical Machine ပရောဂျက်ကို စတင်ခဲ့သည်။ [၄၄]
ပထမဆုံး ခေတ်မီကွန်ပြူတာများသည် ဒုတိယကမ္ဘာစစ်၏ ကြီးမားသော ကုဒ်ဖျက်စက်များ ( ဥပမာ Z3 ၊ ENIAC နှင့် Colossus ) တို့ဖြစ်သည်။ အဆိုပါစက်နှစ်ခု၏နောက်ဆုံးစက်များသည် Alan Turing မှ ချမှတ်ထားသော သီအိုရီအခြေခံအုတ်မြစ်ပေါ်တွင်အခြေခံပြီး John von Neumann မှတီထွင်ခဲ့သည် ။ [၄၈]
1940 နှင့် 50 နှစ်များတွင် နယ်ပယ်အမျိုးမျိုးမှ သိပ္ပံပညာရှင် (သင်္ချာ၊ စိတ်ပညာ၊ အင်ဂျင်နီယာ၊ စီးပွားရေးနှင့် နိုင်ငံရေးသိပ္ပံ) လက်တစ်ဆုပ်စာ ဦးနှောက်အတု ဖန်တီးနိုင်ခြေကို စတင်ဆွေးနွေးခဲ့ကြသည်။ ဥာဏ်ရည်တု သုတေသန နယ်ပယ်ကို ပညာရပ်ဆိုင်ရာ စည်းကမ်းတစ်ခုအဖြစ် ၁၉၅၆ ခုနှစ်တွင် တည်ထောင်ခဲ့သည်။ [49]
Cybernetics နှင့် အစောပိုင်း အာရုံကြောကွန်ရက်များ
တွေးခေါ်စက်များဆိုင်ရာ အစောဆုံးသုတေသနကို 1930 နှောင်းပိုင်း၊ 1940 ခုနှစ်များနှင့် 1950 အစောပိုင်းများတွင် ပျံ့နှံ့ခဲ့သော အတွေးအခေါ်များ၏ ပေါင်းစပ်မှုမှ လှုံ့ဆော်မှုခံခဲ့ရသည်။ အာရုံကြောပညာ ဆိုင်ရာ မကြာသေးမီက သုတေသနပြုချက်များ အရ ဦးနှောက်သည် အာရုံကြော များ၏ လျှပ်စစ်ကွန်ရက်တစ်ခုဖြစ်ကြောင်း ပြသခဲ့သည် ။ Norbert Wiener 's cybernetics သည် လျှပ်စစ်ကွန်ရက်များတွင် ထိန်းချုပ်မှုနှင့် တည်ငြိမ်မှုကို ဖော်ပြခဲ့သည်။ Claude Shannon ၏ သတင်းအချက်အလက်သီအိုရီ သည် ဒစ်ဂျစ်တယ်အချက်ပြမှုများ (ဆိုလိုသည်မှာ အလုံးစုံ သို့မဟုတ် ဘာမှမရှိသော အချက်ပြများ) ကို ဖော်ပြခဲ့သည်။ Alan Turing ၏ တွက်ချက်မှုသီအိုရီမည်သည့် တွက်ချက်မှုပုံစံကိုမဆို ဒစ်ဂျစ်တယ်ဖြင့် ဖော်ပြနိုင်ကြောင်း ပြသခဲ့သည်။ ဒီစိတ်ကူးတွေကြားက ရင်းနှီးတဲ့ဆက်ဆံရေးက အီလက်ထရွန်းနစ်ဦးနှောက် ကို တည်ဆောက်ဖို့ ဖြစ်နိုင်တယ်လို့ အကြံပြုထားပါတယ် ။ [50]
ဤသွေးပြန်ကြောအတွင်းရှိအလုပ်နမူနာများတွင် W. Grey Walter ၏ လိပ်များ နှင့် Johns Hopkins Beast ကဲ့သို့သော စက်ရုပ်များပါဝင်သည် ။ ဤစက်များသည် ကွန်ပျူတာများ၊ ဒစ်ဂျစ်တယ် အီလက်ထရွန်နစ်ပစ္စည်းများ သို့မဟုတ် သင်္ကေတဆိုင်ရာ ကျိုးကြောင်းဆင်ခြင်ခြင်းကို အသုံးမပြုခဲ့ပါ။ ၎င်းတို့ကို analog circuitry ဖြင့် လုံး၀ ထိန်းချုပ်ထားသည်။ [51]
Walter Pitts နှင့် Warren McCulloch တို့သည် စိတ်ကူးယဉ်ဆန်သော အာရုံကြောများ ကွန်ရက်များကို ခွဲခြမ်းစိတ်ဖြာ ပြီး 1943 ခုနှစ်တွင် ရိုးရှင်းသော ယုတ္တိဗေဒလုပ်ဆောင်ချက်များကို မည်သို့လုပ်ဆောင်နိုင်သည်ကို ပြသခဲ့သည်။ [52] [53] ၎င်းတို့သည် နောက်ပိုင်းတွင် သုတေသီများက အာရုံကြောကွန်ရက် ဟု ခေါ်ဝေါ်သည့်အရာကို ပထမဆုံးဖော်ပြခဲ့ကြသည် ။ [54] Pitts နှင့် McCulloch မှ လှုံ့ဆော်ပေးသော ကျောင်းသားတစ်ဦး မှာ Marvin Minsky ဖြစ်ပြီး ထိုစဉ်က အသက် 24 နှစ်အရွယ် ဘွဲ့ရကျောင်းသားဖြစ်သည်။ 1951 ခုနှစ်တွင် (Dean Edmonds နှင့်အတူ) သူသည်ပထမဆုံးအာရုံကြောပိုက်ကွန်စက် SNARC ကို တည်ဆောက်ခဲ့သည် ။ [55] Minsky သည် လာမည့်နှစ်ပေါင်း 50 အတွင်း AI တွင် အရေးအပါဆုံးခေါင်းဆောင်များနှင့် ဆန်းသစ်တီထွင်သူများထဲမှ တစ်ဦးဖြစ်လာမည်ဖြစ်သည်။
Turing ၏စမ်းသပ်မှု
1950 တွင် Alan Turing သည် ထင်မြင်ယူဆသော စက်များကို ဖန်တီးနိုင်ခြေကို ခန့်မှန်းထားသည့် အထင်ကရ စာတမ်း တစ်စောင်ကို ထုတ်ဝေခဲ့သည် ။ [56] "တွေးခေါ်ခြင်း" သည် သူ၏ကျော်ကြားသော Turing Test ကို သတ်မှတ်ရန်နှင့် တီထွင်ရန် ခက်ခဲကြောင်း သူမှတ်သားခဲ့သည် ။ [57] အကယ်၍ စက် သည် လူသားတစ်ဦးနှင့် စကားပြောဆိုမှုမှ ခွဲခြား၍မရသော စကားစမြည်ပြောဆိုမှုကို ( တယ်လီပရင်တာ ဖြင့်) သယ်ဆောင်နိုင်လျှင် စက်သည် "တွေးခေါ်ခြင်း" ဟုဆိုခြင်းသည် ကျိုးကြောင်းဆီလျော်ပါသည်။ ဤပြဿနာ၏ရိုးရှင်းသောဗားရှင်းသည် Turing သည် "တွေးခေါ်စက်" သည် အနည်းဆုံး ဖြစ်နိုင်ချေ ရှိသည်ဟု ယုံကြည်စိတ်ချစွာ ငြင်းခုံနိုင်စေပြီး စာတမ်းသည် အဆိုပြုချက်အတွက် အသုံးအများဆုံး ကန့်ကွက်မှုများကို အဖြေပေးခဲ့သည်။ [၅၈] ဟိTuring Test သည် ဉာဏ်ရည်တုဆိုင်ရာ ဒဿန တွင် ပထမဆုံး လေးနက်သော အဆိုပြုချက်ဖြစ်သည် ။
AI ဂိမ်း
1951 ခုနှစ်တွင် Manchester တက္ကသိုလ်၏ Ferranti Mark 1 စက်ကို အသုံးပြု၍ Christopher Strachey သည် checkers ပရိုဂရမ်ကိုရေးသားခဲ့ပြီး Dietrich Prinz သည် စစ်တုရင် အတွက်တစ်ခုရေးခဲ့သည်။ [59] အလယ်တန်း 50 နှင့် 60 အစောပိုင်းများတွင် တီထွင်ခဲ့သော Arthur Samuel ၏ checkers ပရိုဂရမ်သည် နောက်ဆုံးတွင် လေးစားဖွယ်အပျော်တမ်းကို စိန်ခေါ်ရန် လုံလောက်သောစွမ်းရည်ကို ရရှိခဲ့သည်။ [60] Game AI ကို ၎င်း၏သမိုင်းတစ်လျှောက် AI တွင် တိုးတက်မှုအတိုင်းအတာတစ်ခုအဖြစ် ဆက်လက်အသုံးပြုသွားမည်ဖြစ်သည်။
Symbolic reasoning နှင့် Logic Theorist များ
ငါးဆယ်ကျော်အရွယ်တွင် ဒစ်ဂျစ်တယ်ကွန်ပြူတာများကို အသုံးပြုခွင့်ရလာသောအခါတွင် ဂဏန်းများကို ကိုင်တွယ်နိုင်သော စက်သည် သင်္ကေတများကို ခြယ်လှယ်နိုင်ကြောင်းနှင့် သင်္ကေတများကို ခြယ်လှယ်ခြင်းသည် လူ့အတွေး၏ အနှစ်သာရဖြစ်နိုင်ကြောင်း သိပ္ပံပညာရှင်အချို့က အလိုလို အသိအမှတ်ပြု ခဲ့ကြသည် ။ ဤသည်မှာ တွေးခေါ်မှုဆိုင်ရာ စက်များကို ဖန်တီးခြင်းအတွက် ချဉ်းကပ်မှုအသစ်ဖြစ်သည်။ [61]
1955 ခုနှစ်တွင် Allen Newell နှင့် (အနာဂတ်နိုဘယ်ဆုရှင်) Herbert A. Simon သည် " Logic Theorist " ( JC Shaw ၏အကူအညီဖြင့် ) ကိုဖန်တီးခဲ့သည်။ ပရိုဂရမ်သည် Russell နှင့် Whitehead ၏ Principia Mathematica ရှိ ပထမဆုံး သီအိုရီ ၅၂ ခုအနက်မှ ၃၈ ခုကို နောက်ဆုံးတွင် သက်သေပြမည်ဖြစ်ပြီး အချို့အတွက် အသစ်အဆန်းများနှင့် ပိုမိုပြေပြစ်သော အထောက်အထားများကို ရှာဖွေမည်ဖြစ်သည်။ [၆၂] ရှိမုန်က “အသျှင်မ၏ စိတ်/ခန္ဓာ ပြဿနာကို ဖြေရှင်းပြီးပြီ ၊ ရုပ်နှင့် ဖွဲ့စည်းထားသော စနစ်သည် စိတ်၏ ဂုဏ်သတ္တိ ရှိနိုင်ပုံကို ရှင်းပြပါ” ဟု ဆိုခဲ့သည်။ [63] (ဤသည်မှာ John Searle က နောက်ပိုင်းတွင် " Strong AI ဟုခေါ်သော ဒဿနဆိုင်ရာ ရပ်တည်ချက်၏ အစောပိုင်းထုတ်ပြန်ချက်ဖြစ်သည်။": လူ့ခန္ဓာကိုယ်ကဲ့သို့ ဦးနှောက်များပါ၀င်နိုင်သော စက်များ။) [64]
Dartmouth အလုပ်ရုံဆွေးနွေးပွဲ 1956- AI ၏မွေးဖွားမှု
1956 ခုနှစ် Dartmouth အလုပ်ရုံဆွေးနွေးပွဲကို Marvin Minsky ၊ John McCarthy နှင့် IBM မှ အကြီးတန်းသိပ္ပံပညာရှင်နှစ်ဦးဖြစ်သည့် Claude Shannon နှင့် Nathan Rochester တို့မှ စီစဉ်ကျင်းပခဲ့ပါသည် ။ ညီလာခံအတွက် အဆိုပြုချက်တွင် ဤအချက်ကို ထည့်သွင်းဖော်ပြထားသည်- "သင်ယူမှု၏ ရှုထောင့်တိုင်း သို့မဟုတ် ဉာဏ်ရည်ဉာဏ်သွေးဆိုင်ရာ အင်္ဂါရပ်တိုင်းသည် ၎င်းကို အတုယူရန် စက်ကို ဖန်တီးနိုင်သည်" ဟု အတိအကျ ဖော်ပြနိုင်သည်။ [66] ပါဝင်သူများတွင် Ray Solomonoff ၊ Oliver Selfridge ၊ Trenchard More ၊ Arthur Samuel ၊ Allen Newell နှင့် Herbert A. Simon ၊၎င်းတို့အားလုံးသည် AI သုတေသန၏ ပထမဆယ်စုနှစ်များအတွင်း အရေးကြီးသော ပရိုဂရမ်များကို ဖန်တီးခဲ့ကြသည်။ [67] အလုပ်ရုံဆွေးနွေးပွဲတွင် Newell နှင့် Simon တို့က " Logic Theorist " ကို ပွဲဦးထွက်ပြသခဲ့ပြီး McCarthy သည် သင်တန်းသားများအား "Artificial Intelligence" ကို နယ်ပယ်အမည်အဖြစ် လက်ခံရန် ဆွဲဆောင်ခဲ့သည်။ [68] 1956 Dartmouth အလုပ်ရုံဆွေးနွေးပွဲသည် AI သည် ၎င်း၏အမည်၊ ၎င်း၏မစ်ရှင်၊ ၎င်း၏ပထမဆုံးအောင်မြင်မှုနှင့် ၎င်း၏အဓိကကစားသမားများကို ရရှိခဲ့သည့်အခိုက်အတန့်ဖြစ်ပြီး AI ၏မွေးဖွားမှုဟု လူအများက ယူဆကြသည်။ [69] "Artificial Intelligence" ဟူသော အသုံးအနှုန်းကို ဆိုက်ဘာနက်ဆေးများ နှင့် ချိတ်ဆက်မှုများနှင့် သြဇာကြီးမားသော ဆိုက်ဘာနေပညာရှင် Norbert Wiener နှင့် ချိတ်ဆက်မှုများကို ရှောင်ရှားရန် McCarthy မှ ရွေးချယ်ခဲ့သည် ။ [70]
သင်္ကေတ AI 1956-1974
Dartmouth အလုပ်ရုံဆွေးနွေးပွဲအပြီး နှစ်များတွင် တီထွင်ခဲ့သော ပရိုဂရမ်များသည် လူအများစုအတွက် ရိုးရှင်းစွာ "အံ့ဩစရာ" ဖြစ်ခဲ့သည်- [71] ကွန်ပျူတာများသည် အက္ခရာသင်္ချာစကားလုံးပြဿနာများကို ဖြေရှင်းပေးကာ ဂျီသြမေတြီဆိုင်ရာ သီအိုရီများကို သက်သေပြကာ အင်္ဂလိပ်စကားပြောတတ်ရန် သင်ယူခဲ့ကြသည်။ စက်များဖြင့် ထိုကဲ့သို့သော "ဉာဏ်ရည်ဉာဏ်သွေး" အပြုအမူသည် လုံးဝဖြစ်နိုင်သည်ဟု ထိုအချိန်က လူနည်းစုက ယုံကြည်ကြပေမည်။ [72] သုတေသီများသည် သီးသန့်နှင့် ပုံနှိပ်ခြင်းတွင် ပြင်းထန်သော အကောင်းမြင်မှုကို ဖော်ပြခဲ့ကြပြီး အပြည့်အဝ ဉာဏ်ရည်ထက်မြက်သော စက်တစ်လုံးကို အနှစ် 20 မပြည့်မီတွင် တည်ဆောက်နိုင်မည်ဟု ခန့်မှန်းကြသည်။ [73] DARPA ကဲ့သို့သော အစိုးရအေဂျင်စီများသည် နယ်ပယ်သစ်ထဲသို့ ငွေများသွန်းလောင်းခဲ့ကြသည်။ [74]
ချဉ်းကပ်မှု
1950 နှောင်းပိုင်းနှင့် 1960 ခုနှစ်များတွင် အောင်မြင်သော ပရိုဂရမ်များနှင့် လမ်းညွှန်မှုအသစ်များစွာ ရှိခဲ့သည်။ သြဇာအရှိဆုံးသူများထဲတွင် ၎င်းတို့မှာ-
*ရှာဖွေမှုအဖြစ် ကျိုးကြောင်းဆင်ခြင်ခြင်း
အစောပိုင်း AI ပရိုဂရမ်များစွာသည် တူညီသော အခြေခံ အယ်လဂိုရီသမ်ကို အသုံးပြုခဲ့သည် ။ ပန်းတိုင်အချို့ကိုအောင်မြင်ရန် (ဂိမ်းတစ်ခုအနိုင်ရရန် သို့မဟုတ် သီအိုရီတစ်ခုကို သက်သေပြခြင်းကဲ့သို့) ၎င်းတို့သည် ၎င်းဆီသို့ (ရွေ့လျားခြင်း သို့မဟုတ် အဖြတ်အတောက်ပြုလုပ်ခြင်းဖြင့်) ဝင်္ကပါကိုဖြတ်၍ မသေမီအချိန်တိုင်း နောက် ပြန်ဆုတ်သွား သကဲ့သို့ ၎င်းဆီသို့ တစ်လှမ်းချင်းဆက်သွားကြသည်။ ဤအလေ့အကျင့်ကို " ရှာဖွေမှုအဖြစ် ကျိုးကြောင်းဆင်ခြင်ခြင်း " ဟုခေါ်သည် ။ [75]
အဓိကအခက်အခဲမှာ၊ ပြဿနာများစွာအတွက်၊ "ဝင်္ကဘာ" ကိုဖြတ်၍ ဖြစ်နိုင်သောလမ်းကြောင်းအရေအတွက်သည် ရိုးရိုးနက္ခတ္တဗေဒ (" ပေါင်းစပ်ပေါက်ကွဲခြင်း " ဟုခေါ်သော အခြေအနေတစ်ခု ) ဖြစ်သည်။ သုတေသီများu သည် အဖြေတစ်ခုဆီသို့ ဦးတည်နိုင်ဖွယ်မရှိသော လမ်းကြောင်းများကို ဖယ်ရှားပစ်မည့် heuristics သို့မဟုတ် " လက်မ၏စည်းမျဉ်းများ " ကို အသုံးပြုခြင်းဖြင့် ရှာဖွေမှုနေရာကို လျှော့ချမည်ဖြစ်သည် ။ [76]
Newell နှင့် Simon တို့သည် " General Problem Solver " ဟုခေါ်သော ပရိုဂရမ်တစ်ခုတွင် ဤ အယ်လဂိုရီသမ်၏ ယေဘုယျဗားရှင်းကို ဖမ်းယူရန် ကြိုးစားခဲ့သည် ။ [77] အခြားသော "ရှာဖွေခြင်း" ပရိုဂရမ်များသည် ဂျီသြမေတြီနှင့် အက္ခရာသင်္ချာဆိုင်ရာ ပြဿနာများကို ဖြေရှင်းခြင်းကဲ့သို့သော အထင်ကြီးစရာကောင်းသော အလုပ်များကို ပြီးမြောက်အောင်မြင်နိုင်သည် ဖြစ်သည့် Herbert Gelernter 's Geometry Theorem Prover (1958) နှင့် SAINT ၊ Minsky ၏ ကျောင်းသား James Slagle (1961) မှ ရေးသားခဲ့သည် ။ [78] အခြားပရိုဂရမ်များသည် ၎င်းတို့၏ စက်ရုပ် Shakey ၏အပြုအမူကို ထိန်းချုပ်ရန် Stanford တွင် ဖန်တီးထားသည့် STRIPS စနစ် ကဲ့သို့ လုပ်ဆောင်ချက်များကို စီစဉ်ရန် ပန်းတိုင်များနှင့် ပန်းတိုင်ခွဲများမှတစ်ဆင့် ရှာဖွေခဲ့သည် ။[79]
သဘာဝဘာသာစကား
AI သုတေသန၏ အရေးကြီးသော ရည်မှန်းချက်မှာ ကွန်ပျူတာများကို အင်္ဂလိပ်လို သဘာဝဘာသာစကား ဖြင့် ဆက်သွယ်နိုင်စေရန်ဖြစ်သည်။ အစောပိုင်း အောင်မြင်မှုမှာ အထက်တန်းကျောင်း အက္ခရာသင်္ချာ စကားလုံးပြဿနာများကို ဖြေရှင်းပေးနိုင်သည့် Daniel Bobrow ၏ STUDENT ပရိုဂရမ်ဖြစ်သည်။ [80]
semantic net သည် သဘောတရားများ (ဥပမာ "house","door") အဖြစ် nodes များနှင့် concepts များကြားတွင် ဆက်ဆံရေးများ (ဥပမာ "has-a") nodes များကြား ချိတ်ဆက်မှုများအဖြစ် ကိုယ်စားပြုသည်။ Semantic net ကိုအသုံးပြုသည့် ပထမဆုံး AI ပရိုဂရမ်ကို Ross Quillian [81] မှ ရေးသားခဲ့ပြီး အအောင်မြင်ဆုံး (အငြင်းပွားဖွယ်ရာ) ဗားရှင်းမှာ Roger Schank ၏ အယူအဆဆိုင်ရာ မှီခိုမှုသီအိုရီ ဖြစ်သည် ။ [82]
Joseph Weizenbaum ၏ ELIZA သည် အလွန်လက်တွေ့ကျသော စကားဝိုင်းများကို လုပ်ဆောင်နိုင်ပြီး အသုံးပြုသူများသည် ၎င်းတို့သည် ပရိုဂရမ်တစ်ခုမဟုတ်ဘဲ လူသားတစ်ဦးနှင့် ဆက်သွယ်ပြောဆိုနေသည်ဟု ရံဖန်ရံခါ အရူးအမူးစွဲလမ်းခဲ့ကြသည် ( ELIZA effect ကိုကြည့်ပါ )။ ဒါပေမယ့် တကယ်တော့ ELIZA က သူမ ဘာပြောနေမှန်း မသိခဲ့ပါဘူး။ သူမသည် စည်သွတ်ထားသော တုံ့ပြန်မှုကို ရိုးရှင်းစွာ ပေးသည် သို့မဟုတ် သူမအား ပြောခဲ့သည့် အရာကို ထပ်ခါတလဲလဲ ပြန်ပြောကာ သူမ၏ တုံ့ပြန်မှုကို သဒ္ဒါစည်းမျဉ်း အနည်းငယ်ဖြင့် ပြန်လည် ပုံဖော်ထားသည်။ ELIZA သည် ပထမဆုံး စကားပြောသူ ဖြစ်သည် ။ [83]
မိုက်ခရိုသောတာပန်
60 နှောင်းပိုင်းများတွင် MIT AI Laboratory မှ Marvin Minsky နှင့် Seymour Papert တို့က AI သုတေသနသည် မိုက်ခရိုကမ္ဘာများဟု သိကြသည့် ရိုးရှင်းသော အခြေအနေများကို အာရုံစိုက်သင့်ကြောင်း အဆိုပြုခဲ့သည်။ ရူပဗေဒကဲ့သို့ အောင်မြင်သော သိပ္ပံပညာများတွင် အခြေခံမူများကို ပွတ်တိုက်မှုမရှိသော လေယာဉ်များ သို့မဟုတ် လုံးဝတောင့်တင်းသော ကိုယ်ထည်များကဲ့သို့ ရိုးရှင်းသော မော်ဒယ်များကို အသုံးပြု၍ အခြေခံမူများကို မကြာခဏ နားလည်ကြသည်ကို ၎င်းတို့က ထောက်ပြခဲ့သည်။ သုတေသနအများစုသည် ပြားချပ်ချပ်မျက်နှာပြင်ပေါ်တွင် ပုံသဏ္ဍာန်မျိုးစုံနှင့် အရွယ်အစားအမျိုးမျိုးရှိသော ရောင်စုံတုံးများပါရှိသော " တုံးကမ္ဘာ " ကို အာရုံစိုက်ခဲ့သည်။ [84]
ဤအစီအစဥ်သည် Gerald Sussman (အဖွဲ့ကို ဦးဆောင်သူ)၊ Adolfo Guzman ၊ David Waltz (" ကန့်သတ်ပြန့်ပွားမှု " ကိုတီထွင်ခဲ့သူ ) နှင့် အထူးသဖြင့် Patrick Winston တို့မှ စက် ရူပါရုံ တွင် ဆန်းသစ်တီထွင်သည့်လုပ်ငန်းကို ဖြစ်ပေါ်စေခဲ့သည် ။ တစ်ချိန်တည်းမှာပင်၊ Minsky နှင့် Papert သည် တုံးများကို စုစည်းနိုင်သည့် စက်ရုပ်လက်တံတစ်ခုကို တည်ဆောက်ခဲ့ပြီး တုံးကမ္ဘာကို အသက်ဝင်စေခဲ့သည်။ မိုက်ခရိုကမ္ဘာပရိုဂရမ်၏ အောင်မြင်မှုမှာ Terry Winograd ၏ SHRDLU ဖြစ်သည် ။ ၎င်းသည် သာမန်အင်္ဂလိပ်စာကြောင်းများဖြင့် ဆက်သွယ်နိုင်သည်၊ လည်ပတ်မှုများကို အစီအစဉ်ဆွဲကာ ၎င်းတို့ကို လုပ်ဆောင်နိုင်သည်။ [85]
Automata
ဂျပန်နိုင်ငံတွင် Waseda တက္ကသိုလ်သည် WABOT ပရောဂျက်ကို 1967 ခုနှစ်တွင် စတင်ခဲ့ပြီး 1972 ခုနှစ်တွင် ကမ္ဘာ့ပထမဆုံး ဉာဏ်ရည်ထက်မြက်သော လူသားဆန်သော စက်ရုပ်ဖြစ်သော WABOT-1 ကို 1972 ခုနှစ်တွင် အပြီးသတ်ခဲ့သည် ။ ၎င်း၏ခြေလက်ထိန်းချုပ်မှုစနစ်က ၎င်းအား အောက်ခြေလက်အင်္ဂါများနှင့်အတူ လမ်းလျှောက်နိုင်စေကာ အရာဝတ္ထုများကို လက်ဖြင့် ကိုင်တွယ်ပို့ဆောင်နိုင်စေကာ ထိတွေ့မှုအာရုံခံကိရိယာများကို အသုံးပြုထားသည်။ ၎င်း၏အမြင်အာရုံစနစ်သည် ပြင်ပ receptors၊ မျက်လုံးတုနှင့် နားများကို အသုံးပြု၍ အရာဝတ္ထုများသို့ အကွာအဝေးနှင့် လမ်းကြောင်းများကို တိုင်းတာနိုင်စေခဲ့သည်။ ၎င်း၏ စကားဝိုင်းစနစ်က ဂျပန်လို လူတစ်ဦးနှင့် ပါးစပ်အတုဖြင့် ဆက်သွယ်နိုင်စေခဲ့သည်။ [88] [89] [90]
အကောင်းမြင်ဝါဒ
AI သုတေသီများ၏ ပထမမျိုးဆက်သည် ၎င်းတို့၏ အလုပ်နှင့်ပတ်သက်သော ခန့်မှန်းချက်များကို ပြုလုပ်ခဲ့သည်။
1958၊ HA Simon နှင့် Allen Newell - "ဆယ်နှစ်အတွင်း ဒစ်ဂျစ်တယ်ကွန်ပြူတာတစ်လုံးသည် ကမ္ဘာ့စစ်တုရင်ချန်ပီယံဖြစ်လာလိမ့်မည်" နှင့် "ဆယ်နှစ်အတွင်း ဒစ်ဂျစ်တယ်ကွန်ပျူတာတစ်လုံးသည် အရေးကြီးသောသင်္ချာသီအိုရီအသစ်တစ်ခုကို ရှာဖွေတွေ့ရှိပြီး သက်သေပြလိမ့်မည်" [91]
1965, HA Simon : "လူတစ်ယောက်လုပ်နိုင်တဲ့ အလုပ်မှန်သမျှကို အနှစ်နှစ်ဆယ်အတွင်းမှာ စက်တွေက စွမ်းဆောင်နိုင်လိမ့်မယ်။" [92]
1967၊ Marvin Minsky - "မျိုးဆက်တစ်ခုအတွင်း ... 'ဉာဏ်ရည်တုဖန်တီးခြင်း' ပြဿနာသည် သိသိသာသာ ဖြေရှင်းနိုင်လိမ့်မည်" [93]
1970၊ Marvin Minsky ( Life Magazine တွင် ) : "၃ နှစ်ကနေ ရှစ်နှစ်အတွင်းမှာ သာမန်လူသားတစ်ယောက်ရဲ့ ယေဘုယျဉာဏ်ရည်ရှိတဲ့ စက်တစ်လုံးကို ကျွန်တော်တို့ ရနိုင်လိမ့်မယ်။" [94]
ငွေကြေးထောက်ပံ့ခြင်း
1963 ခုနှစ် ဇွန်လတွင် MIT သည် အသစ်ဖန်တီးထားသော အဆင့်မြင့် သုတေသနပရောဂျက်များအေဂျင်စီ (နောက်ပိုင်း DARPA ဟုခေါ်သည် ) ထံမှ ထောက်ပံ့ငွေ $2.2 သန်း ရရှိခဲ့သည် ။ Minsky နဲ့ McCarthy တို့ လွန်ခဲ့တဲ့ငါးနှစ်က တည်ထောင်ခဲ့တဲ့ “AI Group” ကို အစားထိုးဖို့ MAC ပရောဂျက်ကို ရန်ပုံငွေအတွက် အသုံးပြုခဲ့ပါတယ် ။ DARPA သည် 70 နှစ်များအထိ တစ်နှစ်လျှင် ဒေါ်လာ သုံးသန်း ဆက်လက်ပံ့ပိုးပေးခဲ့သည်။ [95] DARPA သည် CMU ရှိ Newell နှင့် Simon ၏ ပရိုဂရမ် နှင့် Stanford AI Project ( John McCarthy မှ 1963 ခုနှစ်တွင် တည်ထောင်ခဲ့သည် ) အတွက် အလားတူ ထောက်ပံ့ကြေးများ ပေးခဲ့သည် ။ [96]နောက်ထပ်အရေးကြီးသော AI ဓာတ်ခွဲခန်းကို 1965 ခုနှစ်တွင် Donald Michie မှ Edinburgh တက္ကသိုလ်တွင် တည်ထောင်ခဲ့ပါသည်။ [97] ဤအဖွဲ့အစည်းလေးခုသည် AI သုတေသနလုပ်ငန်း (နှင့် ရန်ပုံငွေ) ၏ အဓိကဗဟိုဌာနများအဖြစ် နှစ်ပေါင်းများစွာ ဆက်လက်တည်ရှိနေမည်ဖြစ်ပါသည်။ [98]
ငွေကို ကြိုးအနည်းငယ်ဖြင့် ပူးတွဲပါရှိပါသည်- JCR Licklider ၊ ထို့နောက် ARPA ၏ ဒါရိုက်တာ က သူ၏အဖွဲ့အစည်းသည် "လူများကို ရန်ပုံငွေပရောဂျက်များမဟုတ်ဘဲ ပရောဂျက်များကို ရန်ပုံငွေပေးသင့်သည်ဟု ယုံကြည်ခဲ့သည်!" သုတေသီများကို သူတို့စိတ်ဝင်စားနိုင်သည့် မည်သည့်လမ်းညွှန်ချက်ကိုမဆို လိုက်လျှောက်ရန် ခွင့်ပြုခဲ့သည်။ [99] ၎င်းသည် MIT တွင် ဟက်ကာယဉ်ကျေးမှု ကို မွေးဖွားပေးသည့် လွတ်လပ်သော ဝီရိယကို ဖန်တီးပေးခဲ့ သော်လည်း ဤ "လက်ပစ်ခြင်း" ချဉ်းကပ်မှုမှာ ကြာရှည်မည်မဟုတ်ပေ။
ပထမဆုံး AI ဆောင်းရာသီ 1974-1980
1970 ခုနှစ်များတွင် AI သည် ဝေဖန်မှုများနှင့် ဘဏ္ဍာရေးဆိုင်ရာ ဆုတ်ယုတ်မှုများနှင့် ရင်ဆိုင်ခဲ့ရသည်။ AI သုတေသီများသည် ၎င်းတို့ကြုံတွေ့နေရသည့် ပြဿနာများ၏ အခက်အခဲများကို နားမလည်ခဲ့ကြပေ။ ၎င်းတို့၏ ကြီးမားသော အကောင်းမြင်မှုသည် မဖြစ်နိုင်သော မျှော်လင့်ချက်များ မြင့်မားလာစေပြီး ကတိပြုထားသည့် ရလဒ်များ အကောင်အထည်မဖော်နိုင်သောအခါတွင် AI အတွက် ရန်ပုံငွေ ပျောက်ကွယ်သွားခဲ့သည်။ [101] တစ်ချိန်တည်းမှာပင်၊ Marvin Minsky ၏ perceptrons များအပေါ် အပျက်အစီး ဝေဖန်မှုများ ကြောင့် ချိတ်ဆက်မှု နယ်ပယ် (သို့မဟုတ် neural nets ) သည် 10 နှစ်နီးပါး လုံးလုံးနီးပါး ပိတ်သွားခဲ့သည် ။ [102] 70 ခုနှစ်နှောင်းပိုင်းတွင် AI ၏ လူအများအမြင်တွင် အခက်အခဲများရှိနေသော်လည်း၊ အတွေးအခေါ်သစ်များကို ယုတ္တိဗေဒပရိုဂရမ်ရေးဆွဲခြင်း ၊ သာမာန်ကျိုးကြောင်းဆင်ခြင်ခြင်း တွင် စိတ်ကူးသစ်များရှာဖွေခဲ့ကြသည်။
ပြဿနာများ
အစောပိုင်း ခုနစ်ဆယ်ကျော်တွင် AI ပရိုဂရမ်များ၏ စွမ်းရည်များသည် အကန့်အသတ်ရှိခဲ့သည်။ အထင်ကြီးလောက်စရာအကောင်းဆုံးသူပင်လျှင် ၎င်းတို့ဖြေရှင်းသင့်သော ပြဿနာအသေးအဖွဲများကိုသာ ကိုင်တွယ်ဖြေရှင်းနိုင်သည်၊ ပရိုဂရမ်အားလုံးသည် တစ်နည်းအားဖြင့် "ကစားစရာများ" ဖြစ်သည်။ [104] AI သုတေသီများသည် 1970 ခုနှစ်များတွင် မကျော်လွှားနိုင်သော အခြေခံ ကန့်သတ်ချက်များ အများအပြားသို့ စတင်ရောက်ရှိခဲ့သည်။ အချို့သော ကန့်သတ်ချက်များသည် နောက်ပိုင်းဆယ်စုနှစ်များအတွင်း အောင်နိုင်လိမ့်မည်ဖြစ်သော်လည်း အချို့က နယ်ပယ်ကို ယနေ့တိုင် တည်ငြိမ်နေဆဲဖြစ်သည်။ [105]
ကန့်သတ်ကွန်ပြူတာ ပါဝါ - အမှန်တကယ် အသုံးဝင်သည့် အရာများကို ပြီးမြောက်ရန် လုံလောက်သော မမ်မိုရီ သို့မဟုတ် လုပ်ဆောင်မှု မြန်နှုန်း မရှိပါ။ ဥပမာအားဖြင့်၊ Ross Quillian ၏ သဘာဝဘာသာစကားတွင် အောင်မြင်သောအလုပ်သည် စကားလုံး အနှစ်ဆယ် သာရှိသော ဝေါဟာရဖြင့် သရုပ်ပြခဲ့ပြီး၊ [106] Hans Moravec သည် ၁၉၇၆ ခုနှစ်တွင် ကွန်ပြူတာများသည် ဉာဏ်ရည်ကို ပြသရန် အကြိမ်ပေါင်း သန်းနှင့်ချီ၍ အားနည်းနေသေးကြောင်း စောဒကတက်ခဲ့သည်။ သူသည် ဥပမာတစ်ခုအား အကြံပြုခဲ့သည်- ဥာဏ်ရည်တုသည် လေယာဉ် မြင်းကောင်ရေအား လိုအပ်သည့်နည်းတူ ဉာဏ်ရည်တုစွမ်းအား လိုအပ်သည် ။ သတ်မှတ်ထားတဲ့ အတိုင်းအတာတစ်ခုအောက်၊ မဖြစ်နိုင်ပေမယ့် ပါဝါ တိုးလာတာနဲ့ အမျှ ၊ နောက်ဆုံးမှာ လွယ်ကူလာနိုင်ပါတယ်။ [107]ကွန်ပျူတာအမြင်နှင့် ပတ်သက်၍၊ Moravec သည် အချိန်နှင့်တပြေးညီ လူသားများ၏ မြင်လွှာ၏ အစွန်းနှင့် ရွေ့လျားမှု ထောက်လှမ်းနိုင်မှုစွမ်းရည်ကို ကိုက်ညီစေရန် 10 9 operations/second (1000 MIPS) ပေးစွမ်းနိုင်သော အထွေထွေသုံးကွန်ပြူတာ လိုအပ်မည်ဟု ခန့်မှန်းခဲ့သည်။ [108] 2011 ခုနှစ်အထိ၊ လက်တွေ့ကျသော computer vision applications များသည် 10,000 မှ 1,000,000 MIPS လိုအပ်ပါသည်။ နှိုင်းယှဉ်ကြည့်လျှင် 1976 ခုနှစ်တွင် အမြန်ဆုံးစူပါကွန်ပြူတာ Cray-1 (ဒေါ်လာ 5 သန်းမှ $8 သန်းအတွင်း လက်လီရောင်းချနေသော) သည် 80 MIPS မှ 130 MIPS ဝန်းကျင်သာရှိပြီး ထိုအချိန်က ပုံမှန် desktop computer သည် 1 MIPS အောက်သာရရှိခဲ့သည်။
Intractability နှင့် ပေါင်းစပ်ပေါက်ကွဲခြင်း ။ 1972 တွင် Richard Karp ( Stephen Cook ၏ 1971 သီအိုရီကို တည်ဆောက်ခြင်း) တွင် ကိန်းဂဏန်းများ (သွင်းအားစုများ၏ အရွယ်အစား) တွင်သာ ဖြေရှင်းနိုင်သည့် ပြဿနာများစွာ ရှိကြောင်း ပြသခဲ့သည်ဤပြဿနာများအတွက် အကောင်းဆုံးဖြေရှင်းနည်းများကို ရှာဖွေခြင်းသည် ပြဿနာအသေးအဖွဲမှလွဲ၍ စိတ်ကူးမယဉ်နိုင်သော ကွန်ပျူတာအချိန်များစွာ လိုအပ်ပါသည်။ ၎င်းသည် AI မှအသုံးပြုသော "ကစားစရာ" ဖြေရှင်းချက်များစွာကို အသုံးဝင်သောစနစ်များအဖြစ် ဘယ်တော့မှ ချဲ့ထွင်မည်မဟုတ်ကြောင်း သေချာပေါက်နီးပါးဆိုလိုပါသည်။ [109]
ညီညွတ်သော အသိပညာ နှင့် ဆင်ခြင်တုံတရား ။ အမြင် သို့မဟုတ် သဘာဝဘာသာစကား ကဲ့သို့သော အရေးပါသော ဉာဏ်ရည်တုအသုံးချပလီကေးရှင်းများစွာသည်ကမ္ဘာနှင့်ပတ်သက်သည့် အချက်အလက်များစွာ လိုအပ်သည်- ပရိုဂရမ်တွင် ၎င်းကြည့်ရှုနေသည့်အရာ သို့မဟုတ် ၎င်းအကြောင်းပြောနေသည့်အကြောင်း အချို့ကို စိတ်ကူးရှိရန် လိုအပ်သည်။ ဤသည်မှာ ကလေးတစ်ဦးလုပ်ဆောင်သည့် ကမ္ဘာနှင့်ပတ်သက်သည့် တူညီသောအရာအများစုကို ပရိုဂရမ်က သိရှိရန် လိုအပ်သည်။ သုတေသီများသည် ဤအရာသည် အမှန်တကယ် များပြားလှသော အချက်အလက်တစ်ခုဖြစ်ကြောင်း မကြာမီ ရှာဖွေတွေ့ရှိခဲ့သည်။ 1970 တွင် မည်သူမျှ ဤမျှကြီးမားသော ဒေတာဘေ့စ်တစ်ခုကို မတည်ဆောက်နိုင်ခဲ့ဘဲ ပရိုဂရမ်တစ်ခုသည် သတင်းအချက်အလက်များစွာကို မည်သို့သင်ယူရမည်ကို မည်သူမျှ မသိခဲ့ကြပေ။ [၁၁၀]
Moravec ၏ ဝိရောဓိ - သီအိုရီများကို သက်သေပြခြင်းနှင့် ဂျီသြမေတြီပြဿနာများကို ဖြေရှင်းခြင်းသည် ကွန်ပျူတာများအတွက် နှိုင်းယှဉ်ရန်လွယ်ကူသော်လည်း မျက်နှာကို မှတ်မိခြင်း သို့မဟုတ် အခန်းကို ဖြတ်ကျော်ခြင်းကဲ့သို့ ထင်မြင်ယူဆရသည့် ရိုးရှင်းသောအလုပ်သည် လွန်စွာခက်ခဲပါသည်။ ၎င်းသည် ရူပါရုံ နှင့် စက်ရုပ်များဆိုင်ရာ သုတေသနပြုချက်သည် အဘယ်ကြောင့် ၁၉၇၀ ခုနှစ်များ အလယ်ပိုင်းတွင် ဤမျှလောက်သာ တိုးတက်မှု အနည်းငယ်ရရှိခဲ့သည်ကိုရှင်းပြပေးပါသည်[111]
ဘောင် နှင့် အရည်အချင်း ပြဿနာများ ။ လော့ဂျစ်ကို အသုံးပြုသော AI သုတေသီများ ( John McCarthy ကဲ့သို့) သည် ယုတ္တိဗေဒ၏ဖွဲ့စည်းပုံကို မပြောင်းလဲဘဲ အစီအစဉ်ဆွဲခြင်း သို့မဟုတ် ပုံသေဆင်ခြင်ခြင်း ပါ၀င်သော သာမန်နုတ်ထွက်မှုများကို ကိုယ်စားမပြုနိုင်ကြောင်း တွေ့ရှိခဲ့သည် ။ ၎င်းတို့သည် ပြဿနာများကိုဖြေရှင်းရန် ကြိုးစားရန် ( monotonic logics နှင့် modal logic များ ကဲ့သို့) ယုတ္တိဗေဒအသစ်များကို တီထွင်ခဲ့သည်။ [112]
ငွေကြေးအကုန်အကျများသည်။
AI သုတေသနကို ရန်ပုံငွေပံ့ပိုးပေးသော အေဂျင်စီများ (ဥပမာ- ဗြိတိန်အစိုးရ ၊ DARPA နှင့် NRC ) တို့သည် တိုးတက်မှုမရှိခြင်းကြောင့် စိတ်ပျက်လာပြီး နောက်ဆုံးတွင် AI သို့ ညွှန်ကြားခြင်းမရှိသော သုတေသနအတွက် ရန်ပုံငွေအားလုံးနီးပါးကို ဖြတ်တောက်ခဲ့သည်။ ALPAC အစီရင်ခံစာသည် စက်ဘာသာပြန်ခြင်းဆိုင်ရာ အားထုတ်မှုများကို ဝေဖန်သည့် အချိန်တွင် 1966 ခုနှစ်အစောပိုင်းတွင် စတင်ခဲ့သည် ။ ဒေါ်လာ သန်း 20 သုံးစွဲပြီးနောက် NRC သည် ထောက်ပံ့မှုအားလုံးကို အဆုံးသတ်ခဲ့သည်။ [113] 1973 ခုနှစ်တွင် အင်္ဂလန်ရှိ AI သုတေသနအခြေအနေနှင့်ပတ်သက်သည့် Lighthill အစီရင်ခံစာသည် ၎င်း၏ "ခမ်းနားသောရည်မှန်းချက်များ" ကိုအောင်မြင်ရန် AI ၏ လုံးလုံးလျားလျားပျက်ကွက်မှုကို ဝေဖန်ခဲ့ပြီး ထိုနိုင်ငံတွင် AI သုတေသနကို ဖျက်သိမ်းပစ်ခဲ့သည်။ [114] (အစီရင်ခံစာတွင် အထူးဖော်ပြထားသည်။AI ၏ ချို့ယွင်းချက်များအတွက် အကြောင်းပြချက်တစ်ခုအနေဖြင့် ပေါင်းစပ်ပေါက်ကွဲမှု ပြဿနာဖြစ်သည်။) [115] DARPA သည် CMU တွင် Speech Understanding Research ပရိုဂရမ် တွင် လုပ်ဆောင်နေသော သုတေသီများအတွက် အလွန်စိတ်ပျက်သွားပြီး နှစ်စဉ်ထောက်ပံ့ငွေ ဒေါ်လာသုံးသန်းကို ဖျက်သိမ်းခဲ့သည်။ [116] ၁၉၇၄ ခုနှစ်တွင် AI ပရောဂျက်များအတွက် ရန်ပုံငွေရှာဖွေရန် ခက်ခဲခဲ့သည်။
Hans Moravec သည် ၎င်း၏လုပ်ဖော်ကိုင်ဖက်များ၏ လက်တွေ့မကျသော ခန့်မှန်းချက်များအပေါ် အကျပ်အတည်းကို အပြစ်တင်ခဲ့သည်။ “သုတေသီများစွာသည် ချဲ့ကားချဲ့ကားမှု တိုးလာနေသော ဝဘ်ဆိုက်တွင် ဖမ်းမိခဲ့သည်။ [117] သို့ရာတွင်၊ အခြားပြဿနာတစ်ခုရှိသေးသည်- 1969 ခုနှစ်တွင် Mansfield ပြင်ဆင်ချက် ကျမ်းပိုဒ်မှ စတင်၍ DARPA သည် အခြေခံမညွှန်ကြားဘဲ သုတေသနပြုခြင်းထက် "မစ်ရှင်ကို ဦးတည်သည့် တိုက်ရိုက်သုတေသနပြုခြင်း" ကို ငွေကြေးထောက်ပံ့ရန် ဖိအားများအောက်တွင် တိုးလာခဲ့သည်။ 60 နှစ်များအတွင်း ပြုလုပ်ခဲ့သော ဖန်တီးမှု ၊ အလွတ်ရနိုင်သော ရှာဖွေရေး အတွက် ရန်ပုံငွေသည် DARPA မှ လာမည် မဟုတ်ပေ ။ ယင်းအစား၊ ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရတင့်ကားများနှင့် တိုက်ပွဲစီမံခန့်ခွဲမှုစနစ်များကဲ့သို့သော ပြတ်သားသောရည်မှန်းချက်များရှိသည့် သီးခြားပရောဂျက်များအတွက် ငွေကို ညွှန်ကြားခဲ့သည်။ [၁၁၈]
ကျောင်းဝင်းထဲက ဝေဖန်သံတွေ
ဒဿနပညာရှင် အများအပြားသည် AI သုတေသီများ၏ တောင်းဆိုမှုကို ပြင်းထန်စွာ ကန့်ကွက်ခဲ့ကြသည်။ အစောဆုံးတွေထဲက တစ်ယောက်က Gödel ရဲ့ မပြည့်မစုံမှု သီအိုရီ က လူသားတစ်ယောက် တတ်နိုင်သလောက် တရားဝင်စနစ် (ကွန်ပြူတာ ပရိုဂရမ်လိုမျိုး) ဟာ အချို့သော ထုတ်ပြန်ချက်တွေရဲ့ အမှန်တရားကို ဘယ်တော့မှ မမြင်နိုင်ဘူးလို့ စောဒကတက်ခဲ့သူ John Lucas က ဆိုပါတယ် ။ [119] Hubert Dreyfus သည် 1960 ခုနှစ်များအတွင်း ပျက်စီးသွားသော ကတိများကို လှောင်ပြောင်ကာ AI ၏ ယူဆချက်များကို ဝေဖန်ခဲ့ပြီး လူသားတို့၏ ဆင်ခြင်တုံတရားသည် အမှန်တကယ်တွင် "သင်္ကေတလုပ်ဆောင်ခြင်း" နှင့် အလွန်သေးငယ်သော၊ ပင်ကိုယ် သဘော ၊ မသိစိတ် " သိနည်း " တို့ပါရှိကြောင်း စောဒကတက်ခဲ့သည်။ [120] [121] John Searle ၏ တရုတ်ခန်း 1980 ခုနှစ်တွင် တင်ပြခဲ့သော ငြင်းခုံမှုတစ်ခုသည် ပရိုဂရမ်တစ်ခုအား ၎င်းအသုံးပြုသည့် သင်္ကေတများကို “နားလည်” ရန် ပြော၍မရကြောင်း ပြသရန် ကြိုးပမ်းခဲ့သည် (အရည်အသွေးကို “ ရည်ရွယ်ချက်ရှိရှိ ” ဟုခေါ်သည်)။ သင်္ကေတများသည် စက်အတွက် အဓိပ္ပါယ်မရှိဟု Searle က စောဒကတက်ပါက စက်ကို "တွေးခေါ်ခြင်း" ဟု ဖော်ပြ၍ မရပေ။ [122]
ဤဝေဖန်မှုများကို AI သုတေသီများက အလေးအနက်မထားဘဲ၊ ၎င်းတို့သည် ဝေးကွာနေပုံပေါက်နေသောကြောင့်ဖြစ်သည်။ မဆုတ်မနစ်နိုင်မှု နှင့် သာမန်အသိဥာဏ် ကဲ့သို့သော ပြဿနာများသည် ပို၍ ချက်ချင်းနှင့် လေးနက်ပုံပေါက်သည်။ တကယ့်ကွန်ပြူတာပရိုဂရမ်တစ်ခုတွင် ပြုလုပ်ထားသည့် " သိခြင်း " သို့မဟုတ် " ရည်ရွယ်ချက်ရှိရှိ " မည်မျှကွာခြားသည်ကို ရှင်းရှင်းလင်းလင်းမသိရပေ ။ Minsky က Dreyfus နှင့် Searle တို့ကို "သူတို့ နားလည်မှုလွဲကြပြီး လျစ်လျူရှုသင့်သည်" ဟုဆိုသည်။ [123] MIT တွင် သင်ကြားနေသော Dreyfus သည် အေးစက်သော ပခုံးကို ပေးအပ်ခဲ့ပြီး နောက်ပိုင်းတွင် AI သုတေသီများက "ကျွန်တော်နဲ့ နေ့လည်စာ စားတာကို မမြင်ဝံ့ဘူး" လို့ ဆိုပါတယ်။ [124] ELIZA ၏ရေးသားသူ Joseph Weizenbaum သည် သူ၏လုပ်ဖော်ကိုင်ဖက်များ၏ ခံစားမှုကို ခံစားခဲ့ရသည်။Dreyfus သည် ပရော်ဖက်ရှင်နယ်ဆန်ပြီး ကလေးဆန်သည်။ [125] သူသည် Dreyfus ၏ရာထူးများကို ပြတ်ပြတ်သားသားဝေဖန်သူတစ်ဦးဖြစ်သော်လည်း "၎င်းတို့သည် လူသားတစ်ဦးအား ဆက်ဆံရန်နည်းလမ်းမဟုတ်ကြောင်း တမင်တကာ ရှင်းရှင်းလင်းလင်းဖော်ပြခဲ့သည်။" [126]
Kenneth Colby သည် ELIZA ကိုအခြေခံ၍ စိတ်ကုထုံးဆိုင်ရာဆွေးနွေးမှုများကိုလုပ်ဆောင်နိုင်သည့်ကွန်ပျူတာပရိုဂရမ်ကိုရေးသားသော အခါ Weizenbaum သည် AI နှင့် ပတ်သက်၍ လေးနက်သောကျင့်ဝတ်ဆိုင်ရာသံသယများစတင်ခဲ့သည် ။ [127] Colby သည် လေးနက်သော ကုထုံးကိရိယာတစ်ခုအဖြစ် အသိဉာဏ်ကင်းမဲ့သော ပရိုဂရမ်တစ်ခုကို မြင်လိုက်ရသောကြောင့် Weizenbaum သည် စိတ်အနှောင့်အယှက်ဖြစ်ခဲ့ရသည်။ Colby သည် အစီအစဉ်အတွက် Weizenbaum အား ၎င်း၏ပံ့ပိုးကူညီမှုအတွက် အကြွေးမတင်သောအခါတွင် ရန်လိုမှုတစ်ခုစတင်ခဲ့ပြီး အခြေအနေမှာ မကူညီနိုင်ခဲ့ပါ။ 1976 ခုနှစ်တွင် Weizenbaum မှ Computer Power and Human Reason ကို ထုတ်ဝေခဲ့ပြီး ဥာဏ်ရည်တုကို အလွဲသုံးစားလုပ်ခြင်းသည် လူ့အသက်ကို တန်ဖိုးဖြတ်ရန် အလားအလာရှိသည်ဟု စောဒကတက်ခဲ့သည်။ [၁၂၈]
Perceptrons နှင့် connectionism ကိုတိုက်ခိုက်သည်။
Perceptron သည် Bronx High School of Science မှ Marvin Minsky ၏ ကျောင်းနေဖက်ဖြစ်သည့် Frank Rosenblatt မှ 1958 ခုနှစ်တွင် မိတ်ဆက်ခဲ့သော အာရုံကြောကွန်ရက် ပုံစံတစ်ခုဖြစ်သည် ။ AI သုတေသီအများစုကဲ့သို့ပင် "perceptron သည် နောက်ဆုံးတွင် သင်ယူနိုင်၊ ဆုံးဖြတ်ချက်များချနိုင်ပြီး ဘာသာစကားများကို ဘာသာပြန်နိုင်သည်" ဟု ခန့်မှန်းကာ ၎င်းတို့၏ ပါဝါနှင့်ပတ်သက်၍ အကောင်းမြင်ခဲ့သည်။ ပါရာဒိုင်းအတွက် တက်ကြွသော သုတေသနပရိုဂရမ်ကို 1960 ခုနှစ်များတစ်လျှောက်လုံး လုပ်ဆောင်ခဲ့သော်လည်း Minsky နှင့် Papert ၏ 1969 ခုနှစ် Perceptrons စာအုပ် ထုတ်ဝေမှုကြောင့် ရုတ်တရက် ရပ်တန့်သွားခဲ့သည် ။ ၎င်းသည် perceptrons လုပ်နိုင်သောအရာနှင့် Frank Rosenblatt တွင် ပြင်းထန်သောကန့်သတ်ချက်များရှိကြောင်းအကြံပြုခဲ့သည်။၏ဟောကိန်းများကို အကျယ်ချဲ့ပြီး ချဲ့ကားခဲ့သည်။ စာအုပ်၏အကျိုးသက်ရောက်မှုသည် ဆိုးရွားလှသည်- ချိတ်ဆက်မှုတွင် 10 နှစ်ကြာ မျှ သုတေသနလုံးဝမပြုလုပ်ခဲ့ပေ ။ နောက်ဆုံးတွင်၊ မျိုးဆက်သစ် သုတေသီများသည် နယ်ပယ်ကို ပြန်လည်ရှင်သန်လာကာ နောက်ပိုင်းတွင် ၎င်းသည် ဉာဏ်ရည်တု၏ အရေးပါပြီး အသုံးဝင်သော အစိတ်အပိုင်းတစ်ခု ဖြစ်လာမည်ဖြစ်သည်။ Rosenblatt သည် စာအုပ်ထုတ်ဝေပြီး မကြာမီတွင် လှေမှောက်မှုတစ်ခု၌ သေဆုံးသွားသောကြောင့် ၎င်းကို မြင်တွေ့ရန် အသက်ရှင်နေမည်မဟုတ်ပေ။ [102]
ယုတ္တိဗေဒနှင့် သင်္ကေတဆိုင်ရာ ကျိုးကြောင်းဆင်ခြင်ခြင်း- "သပ်ရပ်သော"
John McCarthy သည် ၎င်း၏ Advice Taker အဆိုပြုချက် တွင် 1959 ခုနှစ်အစောပိုင်းတွင် AI သုတေသနတွင် Logic ကို စတင်ခဲ့သည် ။ [129] 1963 ခုနှစ်တွင် J. Alan Robinson သည် ကွန်ပျူတာများ၊ ပြတ်သားမှု နှင့် ပေါင်းစည်းခြင်း ဆိုင်ရာ အယ်လဂိုရီသမ် ကို ဖြတ်တောက်ရန် ရိုးရှင်းသောနည်းလမ်းကို ရှာဖွေတွေ့ရှိခဲ့သည် ။ သို့သော်လည်း၊ McCarthy နှင့် သူ၏ကျောင်းသားများ ကြိုးပမ်းခဲ့သည့် 1960 ခုနှစ်နှောင်းပိုင်းများကဲ့သို့ ရိုးရှင်းသော အကောင်အထည်ဖော်မှုများသည် အထူးအားဖြင့် ခက်ခဲသည်- ပရိုဂရမ်များသည် ရိုးရှင်းသောသီအိုရီများကို သက်သေပြရန်အတွက် နက္ခတ်ဗေဒင်ဆိုင်ရာ ကိန်းဂဏန်းအဆင့်များ လိုအပ်ပါသည်။ [130] Edinburgh တက္ကသိုလ်မှ Robert Kowalski မှ 1970 ခုနှစ်များတွင် ယုတ္တိဗေဒဆိုင်ရာ ပိုမိုထိရောက်သောချဉ်းကပ်မှုကို တီထွင်ခဲ့သည်။မကြာခင်မှာပဲ ပြင်သစ်သုတေသီ Alain Colmerauer နဲ့ Philippe Roussel တို့ ပူးပေါင်းပြီး အောင်မြင်တဲ့ logic programming language Prolog ကို ဖန်တီးခဲ့ပါတယ် ။ [131] Prolog သည် လွယ်ကူသောတွက်ချက်မှုအား ခွင့်ပြုပေးသည့် "စည်းမျဥ်းများ" နှင့် " ထုတ်လုပ်မှုစည်းမျဉ်းများ " တို့ နှင့် နီးကပ်စွာဆက်စပ်နေသော ယုတ္တိဗေဒအစုခွဲ ( Horn clauses ၊ စည်းမျဥ်းများသည် Edward Feigenbaum ၏ ကျွမ်းကျင်သူစနစ်များ အတွက် အခြေခံအုတ်မြစ်ဖြစ်ပြီး Soar ကို ဦးတည်စေမည့် Allen Newell နှင့် Herbert A. Simon တို့၏ ဆက်လက်လုပ်ဆောင်နေသည့် အလုပ်သည် Soar နှင့် ၎င်းတို့၏ ပေါင်းစည်းထားသော သိမြင်မှုဆိုင်ရာ သီအိုရီများအတွက် အခြေခံအုတ်မြစ်ကို ပေးဆောင်ကာ သြဇာဆက်လက်ရှိနေမည်ဖြစ်သည် ။[၁၃၂]
ယုတ္တိနည်းကျကျ ချဉ်းကပ်မှုအား ဝေဖန်သူများက ဒရေဖူ့စ် ကဲ့သို့ပင် ၊ လူသားများသည် ပြဿနာများကို ဖြေရှင်းရာတွင် ယုတ္တိဗေဒကို အသုံးပြုခဲကြောင်း မှတ်ချက်ပြုခဲ့သည်။ Peter Wason ၊ Eleanor Rosch ၊ Amos Tversky ၊ Daniel Kahneman နှင့် အခြား စိတ်ပညာရှင်များ၏ စမ်းသပ်မှုများက သက်သေပြခဲ့သည်။ [133] McCarthy က လူတွေလုပ်တဲ့အရာနဲ့ မသက်ဆိုင်ဘူးလို့ တုံ့ပြန်ခဲ့ပါတယ်။ တကယ်လိုအပ်တာက ပြဿနာတွေကို ဖြေရှင်းပေးနိုင်တဲ့ စက်တွေက လူတွေလို ထင်မြင်တဲ့ စက်တွေ မဟုတ်ဘူးလို့ သူက စောဒကတက်တယ်။ [၁၃၄]
ဘောင်များနှင့် ဇာတ်ညွှန်းများ- "scuffles"
McCarthy ၏ ချဉ်းကပ်မှုကို ဝေဖန်သူများထဲတွင် MIT မှ နိုင်ငံတစ်ဝှမ်းရှိ ၎င်း၏လုပ်ဖော်ကိုင်ဖက်များ ပါဝင်သည် ။ Marvin Minsky ၊ Seymour Papert နှင့် Roger Schank တို့သည် လူကဲ့သို့တွေးခေါ်ရန် စက် လိုအပ်သော "ပုံပြင်နားလည်မှု" နှင့် "အရာဝတ္ထုအသိအမှတ်ပြုခြင်း" ကဲ့သို့သော ပြဿနာများကို ဖြေရှင်းရန် ကြိုးစားခဲ့ကြသည် ။ "ကုလားထိုင်" သို့မဟုတ် "စားသောက်ဆိုင်" ကဲ့သို့သော သာမာန်အယူအဆများကို အသုံးပြုရန်အတွက် ၎င်းတို့သည် သာမန်လူတို့ပြုလုပ်ခဲ့သော ယုတ္တိမတန်သော ယူဆချက်အားလုံးကို ပြုလုပ်ရမည်ဖြစ်သည်။ ကံမကောင်းစွာဖြင့်၊ ဤကဲ့သို့သော မတိကျသော အယူအဆများသည် ယုတ္တိဗေဒအရ ကိုယ်စားပြုရန် ခက်ခဲပါသည်။ Gerald Sussman က "အခြေခံအားဖြင့် မတိကျသော သဘောတရားများကို ဖော်ပြရန် တိကျသောဘာသာစကားကို အသုံးပြုခြင်းသည် ၎င်းတို့ကို ပို၍တိကျစေမည်မဟုတ်ကြောင်း သတိပြုမိခဲ့သည်။ McCarthy ၊ Kowalski ၊ Feigenbaum ၊ Newell နှင့် Simon တို့အသုံးပြုသော "သပ်ရပ်သော" ပါရာဒိုင်းများ နှင့် ဆန့်ကျင်သော ၎င်းတို့၏ " ယုတ္တိ ဆန့်ကျင်ရေး" ချဉ်းကပ်မှုများကို " scruffy " အဖြစ် ဖော်ပြခဲ့သည် ။ [၁၃၆]
1975 တွင်၊ Minsky သည် သူ၏ “scruffy” researchers အများအပြားသည် တူညီသော tool တစ်မျိုးကို အသုံးပြုနေကြကြောင်း ဟောပြောမှုစာတမ်းတစ်ခုတွင် Minsky က မှတ်ချက်ချခဲ့သည်- တစ်စုံတစ်ခုနှင့်ပတ်သက်ပြီး ကျွန်ုပ်တို့၏ ဘုံသဘောဆောင်သော ယူဆချက် အားလုံးကို ဖမ်းယူနိုင်သော မူဘောင်တစ်ခုဖြစ်သည်။ ဥပမာအားဖြင့်၊ ကျွန်ုပ်တို့သည် ငှက်တစ်ကောင်၏ အယူအဆကို အသုံးပြုပါက၊ ချက်ချင်းပင် သတိရလာမည့် ကြယ်စုတန်းများ ရှိသည်- ၎င်းသည် ယင်ကောင်များ၊ ပိုးကောင်များကို စားသည် ဟု ကျွန်ုပ်တို့ ယူဆနိုင်သည်။ ဤအချက်များသည် အမြဲမှန်သည်မဟုတ်ကြောင်း ကျွန်ုပ်တို့သိပြီး အဆိုပါအချက်အလက်များကိုအသုံးပြု၍ နုတ်ယူခြင်းသည် "ယုတ္တိမရှိ" မည်ဖြစ်သော်လည်း၊ ဤဖွဲ့စည်းတည်ဆောက်ထားသော ယူဆချက်များသည် ကျွန်ုပ်တို့ပြောသမျှနှင့် ထင်မြင်ယူဆချက်အားလုံး၏ အစိတ်အပိုင်း တစ်ခုဖြစ်သည်။ ဤအဆောက်အဦများကို " ဘောင်များ " ဟုခေါ်သည် ။ Schank သည် " scripts ဟုခေါ်သော ဖရိမ်ဗားရှင်းကို အသုံးပြုခဲ့သည်။" အင်္ဂလိပ်လို ဝတ္ထုတိုများအကြောင်း မေးခွန်းများကို အောင်မြင်စွာဖြေဆိုနိုင်စေရန်။ [137]
Boom 1980-1987
1980 ခုနှစ်များတွင် " ကျွမ်းကျင်သူစနစ်များ " ဟုခေါ်သော AI ပရိုဂရမ်ပုံစံကိုကမ္ဘာတစ်ဝှမ်းရှိကော်ပိုရေးရှင်းများကလက်ခံကျင့်သုံးခဲ့ပြီး အသိပညာသည် ပင်မရေစီးကြောင်း AI သုတေသန၏အာရုံစိုက်မှုဖြစ်လာခဲ့သည်။ ထိုနှစ်များတွင် ဂျပန်အစိုးရသည် ၎င်း၏ ပဉ္စမမျိုးဆက် ကွန်ပျူတာ ပရောဂျက်အတွက် AI ကို ပြင်းပြင်းထန်ထန် ရန်ပုံငွေ ပံ့ပိုးခဲ့သည်။ 1980 ခုနှစ်များအစောပိုင်းတွင် နောက်ထပ်အားတက်စရာဖြစ်ရပ်တစ်ခုမှာ John Hopfield နှင့် David Rumelhart တို့၏အလုပ်တွင် ချိတ်ဆက်မှု ပြန်လည်ရှင်သန်လာခြင်းဖြစ်သည် ။ တစ်ဖန် AI သည် အောင်မြင်မှုရရှိခဲ့သည်။ [၁၃၈]
ကျွမ်းကျင်တဲ့ စနစ်တွေ ထွန်းကားလာခြင်း
ကျွမ်းကျင်သူ စနစ်သည် ကျွမ်းကျင်သူများ၏ အသိပညာမှ ဆင်းသက်လာသော ယုတ္တိ နည်းဥပဒေများ ကို အသုံးပြုကာ မေးခွန်းများကို ဖြေကြားခြင်း သို့မဟုတ် ပြဿနာများကို ဖြေရှင်းပေးသည့် ပရိုဂရမ်တစ်ခုဖြစ်သည်။ အစောဆုံးနမူနာများကို Edward Feigenbaum နှင့် သူ၏ကျောင်းသားများ က ဖန်တီးခဲ့သည် ။ Dendral သည် 1965 တွင်စတင်ခဲ့ပြီး spectrometer readings မှဒြပ်ပေါင်းများကိုဖော်ထုတ်ခဲ့သည်။ MYCIN ကို 1972 ခုနှစ်တွင် တီထွင်ခဲ့ပြီး ကူးစက်တတ်သော သွေးရောဂါများကို ရှာဖွေတွေ့ရှိခဲ့သည်။ ချဉ်းကပ်မှု၏ ဖြစ်နိုင်ခြေကို သရုပ်ပြကြသည်။ [၁၃၉]
ကျွမ်းကျင်သောစနစ်များသည် တိကျသောအသိပညာ၏သေးငယ်သောနယ်ပယ်တစ်ခုတွင် (ထို့ကြောင့် သာမန်အသိဥာဏ်ဗဟုသုတ ပြဿနာကိုရှောင်ရှားခြင်း) တွင် ကန့်သတ်ထားပြီး ၎င်းတို့၏ရိုးရှင်းသောဒီဇိုင်းသည် ပရိုဂရမ်များတည်ဆောက်ပြီးနောက် ၎င်းတို့နေရာနှင့်တပြိုင်နက်ပြုပြင်ရန်အတွက်အတော်လေးလွယ်ကူစေသည်။ အလုံးစုံအားဖြင့်၊ ပရိုဂရမ်များသည် အသုံးဝင် ကြောင်း သက်သေပြခဲ့သည် - AI သည် ဤအချက်အထိ မအောင်မြင်နိုင်သောအရာဖြစ်သည်။ [၁၄၀]
1980 ခုနှစ်တွင် XCON ဟုခေါ်သော ကျွမ်းကျင်သည့်စနစ်တစ်ခုကို CMU တွင် Digital Equipment Corporation အတွက် ပြီးစီးခဲ့သည် ။ ၎င်းသည် ကြီးမားသောအောင်မြင်မှုတစ်ခုဖြစ်သည်- 1986 ခုနှစ်တွင် ကုမ္ပဏီအား နှစ်စဉ်ဒေါ်လာ သန်း 40 ခြွေတာခဲ့သည်။ [141] ကမ္ဘာတစ်ဝှမ်းရှိ ကော်ပိုရေးရှင်းများသည် ကျွမ်းကျင်သည့်စနစ်များကို စတင်တီထွင်အသုံးပြုခဲ့ကြပြီး 1985 ခုနှစ်တွင် ၎င်းတို့သည် AI တွင် ဒေါ်လာတစ်ဘီလီယံကျော် အကုန်အကျခံသုံးစွဲခဲ့ပြီး အများစုမှာ AI အတွက်ဖြစ်သည်။ -house AI ဌာနများ။ [142] Symbolics နှင့် Lisp Machines ကဲ့သို့သော ဟာ့ဒ်ဝဲကုမ္ပဏီများနှင့် IntelliCorp နှင့် Aion ကဲ့သို့သော ဆော့ဖ်ဝဲလ်ကုမ္ပဏီများ အပါအဝင် ၎င်းတို့ကို ပံ့ပိုးရန် လုပ်ငန်းကြီးပြင်းလာသည် ။ [143]
အသိပညာတော်လှန်ရေး
ကျွမ်းကျင်သူစနစ်များ၏ စွမ်းအားသည် ၎င်းတို့ပါရှိသော ကျွမ်းကျင်ပညာများမှ ဆင်းသက်လာခြင်းဖြစ်သည်။ ၎င်းတို့သည် 70s တစ်လျှောက်လုံးတွင် ရရှိလာခဲ့သည့် AI သုတေသန၏ ဦးတည်ချက်အသစ်၏ တစ်စိတ်တစ်ပိုင်းဖြစ်သည်။ "AI သုတေသီများသည် သိပ္ပံနည်းကျ ပါစီမိုနီ၏ ကျမ်းဂန်ကို ချိုးဖောက်သည့်အတွက် သံသယဖြစ်စဥ်စပြုလာသည်၊ ဉာဏ်ရည်သည် များပြားလှသော အသိပညာအမြောက်အမြားကို နည်းလမ်းအမျိုးမျိုးဖြင့် အသုံးပြုနိုင်သည့်စွမ်းရည်အပေါ် အခြေခံ၍ ကောင်းမွန်စွာလုပ်ဆောင်နိုင်သည်" ဟု [144] Pamela McCorduck က ရေးသားခဲ့သည် ။ "[T] ၁၉၇၀ ပြည့်လွန်နှစ်များမှ သင်ခန်းစာယူစရာမှာ ဉာဏ်ရည်ထက်မြက်သော အမူအကျင့်သည် အသိပညာနှင့် ဆက်ဆံရာတွင်၊ တစ်ခါတစ်ရံ အလွန်အသေးစိတ်သော အသိပညာ၊ ပေးအပ်ထားသော တာဝန်ချထားသော ဒိုမိန်းတစ်ခု၏ အသိပညာနှင့် ဆက်ဆံရာတွင် များစွာမူတည်သည်"။ [145] အသိပညာအခြေခံစနစ်များ နှင့် အသိပညာအင်ဂျင်နီယာတို့သည် 1980 ခုနှစ်များတွင် AI သုတေသန၏ အဓိကအာရုံစိုက်မှုဖြစ်လာခဲ့သည်။[၁၄၆]
1980 ခုနှစ်များတွင် သာမန်လူတို့သိသော လောကီဖြစ်ရပ်မှန်များ အားလုံးပါဝင်မည့် ကြီးမားသောဒေတာဘေ့စ်တစ်ခုကို ဖန်တီးခြင်းဖြင့် သာမာန်အသိဥာဏ်ပြဿနာကို တိုက်ရိုက် တိုက်ခိုက်ရန် ပထမဆုံးကြိုးပမ်းသည့် Cyc ၏ မွေးဖွားမှုကိုလည်း မြင်တွေ့ခဲ့ရသည်။ ပရောဂျက်ကို စတင်ဦးဆောင်ခဲ့သူ Douglas Lenat က ဖြတ်လမ်းမရှိဟု စောဒကတက်ခဲ့သည် - လူသားတို့၏ သဘောတရားများကို စက်များသိရန် တစ်ခုတည်းသောနည်းလမ်းမှာ ၎င်းတို့အား တစ်ကြိမ်လျှင် အယူအဆတစ်ခု၊ လက်ဖြင့် သင်ကြားပေးရန်ဖြစ်သည်။ ဒီပရောဂျက်ဟာ ဆယ်စုနှစ်ပေါင်းများစွာ ပြီးမြောက်ဖို့ မမျှော်လင့်ထားပါဘူး။ [147]
စစ်တုရင်ကစားခြင်းပရိုဂရမ် HiTech နှင့် Deep Thought တို့သည် 1989 ခုနှစ်တွင် စစ်တုရင်မာစတာများကို အနိုင်ယူခဲ့သည်။ နှစ်ခုလုံးကို Carnegie Mellon တက္ကသိုလ်မှ တီထွင်ခဲ့သည် ။ နက်ရှိုင်းသော တွေးခေါ်မှု ဖွံ့ဖြိုးတိုးတက်မှုသည် Deep Blue အတွက် လမ်းခင်းပေးခဲ့သည် ။ [၁၄၈]
ငွေပြန်အမ်းခြင်း- ပဉ္စမမျိုးဆက် ပရောဂျက်
1981 ခုနှစ်တွင် ဂျပန်အပြည်ပြည်ဆိုင်ရာကုန်သွယ်မှုနှင့်စက်မှုဝန်ကြီးဌာနသည် ပဉ္စမမျိုးဆက်ကွန်ပြူတာ ပရောဂျက် အတွက် အမေရိကန်ဒေါ်လာ သန်း 850 ကို ဖယ်ထားခဲ့သည် ။ သူတို့၏ ရည်ရွယ်ချက်မှာ ပရိုဂရမ်များရေးရန်နှင့် စကားပြောဆိုမှုများ၊ ဘာသာစကားများကို ဘာသာပြန်ရန်၊ ရုပ်ပုံများကို ဘာသာပြန်ရန်နှင့် လူသားများကဲ့သို့ အကြောင်းပြချက်များ သယ်ဆောင်နိုင်သည့် စက်များကို တည်ဆောက်ရန်ဖြစ်သည်။ [149] ပရောဂျက် အတွက် ပင်မကွန်ပျူတာဘာသာစကားအဖြစ် Prolog ကို ရွေးချယ်ခဲ့ကြသည် ။ [150]
အခြားနိုင်ငံတွေက သူတို့ရဲ့ အစီအစဉ်အသစ်တွေနဲ့ တုံ့ပြန်ခဲ့ပါတယ်။ UK သည် £350 million Alvey project ကို စတင်ခဲ့သည်။ အမေရိကန်ကုမ္ပဏီများ၏ လုပ်ငန်းစုတစ်ခုသည် AI နှင့် သတင်းအချက်အလက်နည်းပညာဆိုင်ရာ အကြီးစားပရောဂျက်များကို ရန်ပုံငွေပေးရန် Microelectronics and Computer Technology Corporation (သို့မဟုတ် "MCC") ကို ဖွဲ့စည်းခဲ့သည်။ [151] [152] DARPA သည်လည်း Strategic Computing Initiative ကို တည်ထောင်ခဲ့ပြီး 1984 နှင့် 1988 ခုနှစ်အကြား AI တွင် ၎င်း၏ ရင်းနှီးမြှုပ်နှံမှုကို သုံးဆတိုးခဲ့သည်။ [153]
ဆက်နွှယ်မှု ရှင်သန်ခြင်း
1982 ခုနှစ်တွင် ရူပဗေဒပညာရှင် John Hopfield သည် အာရုံကြောကွန်ရက်ပုံစံ (ယခု Hopfield net ဟုခေါ်သည် ) သည် အချက်အလက်များကို သင်ယူပြီး နည်းလမ်းသစ်ဖြင့် လုပ်ဆောင်နိုင်ကြောင်း သက်သေပြနိုင်ခဲ့သည်။ တစ်ချိန်တည်းမှာပင် Geoffrey Hinton နှင့် David Rumelhart တို့သည် Seppo Linnainmaa (1970) မှထုတ်ဝေသော Seppo Linnainmaa (1970) မှ ထုတ်ဝေသော အလိုအလျောက်ကွဲပြားခြင်း၏ပြောင်းပြန်မုဒ်ဟုခေါ်သော " backpropagation" ဟုခေါ်သော အာရုံကြောကွန်ရက်များကို လေ့ ကျင့် ပေး သည့် နည်းလမ်းကို ရေပန်းစားလာခဲ့သည် ။ ဤရှာဖွေတွေ့ရှိမှုနှစ်ခုသည် ချိတ်ဆက်မှု နယ်ပယ်ကို ပြန်လည်ရှင်သန်လာစေခဲ့သည် ။ [152] [154]
နယ်ပယ်သစ်သည် 1986 ခုနှစ်တွင် Parallel Distributed Processing ၏အသွင်အပြင်ဖြင့် ပေါင်းစပ်ထားပြီး Rumelhart နှင့် စိတ်ပညာရှင် James McClelland မှတည်းဖြတ်သော စာတမ်းနှစ်စောင်စုစည်းမှု ။ အာရုံကြောကွန်ရက်များကို ၁၉၉၀ ပြည့်လွန်နှစ်များတွင် စီးပွားဖြစ်အောင်မြင်လာမည်ဖြစ်ပြီး၊ ၎င်းတို့ကို optical character recognition နှင့် speech recognition ကဲ့သို့သော အင်ဂျင်များမောင်းနှင်သည့် ပရိုဂရမ်များအဖြစ် စတင်အသုံးပြုသောအခါတွင် ၎င်းတို့ကို စီးပွားဖြစ်အောင်မြင်လာမည်ဖြစ်သည် ။ [152] [155]
ဖြည့်စွက် MOS ( CMOS ) နည်းပညာ ပုံစံဖြင့် သတ္တု-အောက်ဆိုဒ်-တစ်ပိုင်းလျှပ်ကူးတာ ( MOS) အလွန်ကြီးမားသော ပေါင်းစည်းမှု (VLSI) သည် 1980 ခုနှစ်များတွင် လက်တွေ့ကျသော အာရုံကြောကွန်ရက် (ANN) နည်းပညာကို ဖွံ့ဖြိုးတိုးတက် စေခဲ့သည်။ နယ်ပယ်တွင် အထင်ကရ ထုတ်ဝေမှုမှာ Carver A. Mead နှင့် Mohammed Ismail တို့၏ 1989 ခုနှစ် Analog VLSI Implementation of Neural Systems စာအုပ်ဖြစ်သည်။ [156]
Bust- ဒုတိယ AI ဆောင်းရာသီ 1987-1993
စီးပွားရေးအသိုင်းအဝိုင်း၏ AI ကို စွဲဆောင်မှု မြင့်တက်လာပြီး 1980 ခုနှစ်များတွင် စီးပွားရေးပူဖောင်း ၏ ဂန္တဝင်ပုံစံဖြင့် ကျဆင်းသွားခဲ့သည် ။ ပြိုကျရခြင်းမှာ များပြားလှသော အလုပ်ဖြစ်နိုင်သော ဖြေရှင်းနည်းများကို စီးပွားဖြစ်ရောင်းချသူများ၏ ပျက်ကွက်မှုကြောင့်ဖြစ်သည်။ ဒါဇင်ပေါင်းများစွာသော ကုမ္ပဏီများ မအောင်မြင်သောကြောင့် နည်းပညာသည် ရှင်သန်နိုင်ခြင်း မရှိဟု ယူဆပါသည်။ [157] သို့သော် ဝေဖန်မှုများကြားမှ နယ်ပယ်သည် ဆက်လက်တိုးတက်နေခဲ့သည်။ စက်ရုပ် တီထွင်သူ Rodney Brooks နှင့် Hans Moravec အပါအဝင် သုတေသီအများအပြားသည် ဉာဏ်ရည်တုဆိုင်ရာ ချဉ်းကပ်မှုအသစ်အတွက် ငြင်းခုံခဲ့ကြသည်။
AI ဆောင်း
၁၉၇၄ ခုနှစ် ရန်ပုံငွေဖြတ်တောက်မှုမှ လွတ်မြောက်ခဲ့သော သုတေသီများက " AI ဆောင်းရာသီ " ဟူသော ဝေါဟာရကို ကျွမ်းကျင်သော စနစ်များအတွက် စိတ်အားထက်သန်မှုမှာ ထိန်းချုပ်မှုမှ ရုန်းထွက်ပြီး စိတ်ပျက်ဖွယ်နောက်သို့ လိုက်လာမည်ကို စိုးရိမ်လာကြသည်။ [158] ၎င်းတို့၏ကြောက်ရွံ့မှုများကို ကောင်းစွာတည်ဆောက်ခဲ့သည်- 1980 နှောင်းပိုင်းနှင့် 1990 ခုနှစ်များအစောပိုင်းတွင် AI သည် ဘဏ္ဍာရေးဆိုင်ရာ ဆုတ်ယုတ်မှုများဆက်တိုက်ကြုံတွေ့ခဲ့ရသည်။
ရာသီဥတုပြောင်းလဲမှု၏ပထမဆုံးအချက်မှာ 1987 ခုနှစ်တွင် အထူးပြု AI ဟာ့ဒ်ဝဲများအတွက် စျေးကွက်ရုတ်တရက်ပြိုလဲသွားခြင်းဖြစ်ပါသည်။ Apple နှင့် IBM တို့မှ ဒက်စတော့ကွန်ပျူတာများသည် အရှိန်နှင့်ပါဝါများ ဆက်တိုက်ရရှိလာကာ 1987 ခုနှစ်တွင် ၎င်းတို့ထုတ်လုပ်သည့် တန်ဖိုးကြီး Lisp စက်များ ထက် ပိုမိုအားကောင်းလာခဲ့သည်။ သင်္ကေတများ နှင့် အခြားအရာများ။ သူတို့ကို ဝယ်ဖို့ အကြောင်းပြချက်ကောင်း မရှိတော့ဘူး။ ဒေါ်လာတစ်ဘီလီယံခွဲတန်ဖိုးရှိတဲ့ လုပ်ငန်းတစ်ခုလုံးကို နေ့ချင်းညချင်း ဖြိုချပစ်လိုက်တယ်။ [159]
နောက်ဆုံးတွင် XCON ကဲ့သို့သော အစောဆုံးအောင်မြင်သော ကျွမ်းကျင်သူစနစ်များက ထိန်းသိမ်းရန် အလွန်စျေးကြီးကြောင်း သက်သေပြခဲ့သည်။ ၎င်းတို့သည် အပ်ဒိတ်လုပ်ရန် ခက်ခဲသည်၊ မသင်ယူနိုင်၊ ၎င်းတို့သည် " ကြွပ်ဆတ် " (ဆိုလိုသည်မှာ ပုံမှန်မဟုတ်သော သွင်းအားစုများပေးသောအခါတွင် ဆိုးရွားသောအမှားများ ပြုလုပ်နိုင်သည်)၊ ၎င်းတို့သည် အစောပိုင်းနှစ်များကဖော်ထုတ်ခဲ့သော ပြဿနာများ (ဥပမာ အရည်အချင်းစစ် ပြဿနာ ) ၏ သားကောင်ဖြစ်ခဲ့ရသည်။ ကျွမ်းကျင်သူစနစ်များသည် အသုံးဝင်ကြောင်း သက်သေပြခဲ့သော်လည်း အထူးအခြေအနေအနည်းငယ်တွင်သာ အသုံးဝင်သည်။ [160]
1980 ခုနှစ်နှောင်းပိုင်းတွင်၊ Strategic Computing Initiative သည် AI ကို "လေးလေးနက်နက်နှင့် ရက်ရက်စက်စက်" ရန်ပုံငွေဖြတ်တောက်ခဲ့သည်။ DARPA မှ ခေါင်းဆောင်မှုအသစ်သည် AI သည် "နောက်လှိုင်း" မဟုတ်ကြောင်း ဆုံးဖြတ်ခဲ့ပြီး ချက်ချင်းရလဒ်များထွက်နိုင်ခြေပိုများသော ပရောဂျက်များဆီသို့ ရန်ပုံငွေများကို ညွှန်ကြားခဲ့သည်။ [၁၆၁]
1991 ခုနှစ်တွင် ဂျပန်၏ ပဉ္စမမျိုးဆက်ပရောဂျက် အတွက် 1981 ခုနှစ်တွင်ရေးသားခဲ့သော အထင်ကြီးလောက်စရာပန်းတိုင်များစာရင်းကို မပြည့်မီခဲ့ပါ။ အမှန်တကယ်ပင်၊ ၎င်းတို့ထဲမှ အချို့သည် 2010 ခုနှစ်တွင် "ပေါ့ပေါ့ပါးပါး စကားပြောဆိုခြင်း" ကဲ့သို့ ၎င်းတို့ကို မဖြည့်ဆည်းနိုင်ခဲ့ပါ။ [162] အခြားသော AI ပရောဂျက်များကဲ့သို့ပင်၊ မျှော်မှန်းချက်များသည် အမှန်တကယ်ဖြစ်နိုင်သည်ထက် များစွာမြင့်မားခဲ့သည်။ [162] [163]
AI ကုမ္ပဏီပေါင်း 300 ကျော်သည် ပိတ်ပစ်ကာ ဒေဝါလီခံကာ 1993 ခုနှစ်ကုန်ပိုင်းတွင် ဝယ်ယူခဲ့ပြီး AI ၏ ပထမဆုံးသော ကုန်သွယ်မှုလှိုင်းကို ထိရောက်စွာ အဆုံးသတ်ခဲ့သည်။ [164] 1994 ခုနှစ်တွင် HP Newquist မှ The Brain Makers တွင် "ဥာဏ်ရည်တု၏ ချက်ခြင်းအနာဂတ်—၎င်း၏စီးပွားဖြစ်ပုံစံဖြင့်—အာရုံကြောကွန်ရက်များ ဆက်လက်အောင်မြင်မှုတွင် တစ်စိတ်တစ်ပိုင်းကျန်ရှိနေပုံရသည်" ဟု The Brain Makers တွင် ဖော်ပြခဲ့သည် ။ [၁၆၄]
Nouvelle AI နှင့် embodied အကြောင်းပြချက်
1980 ခုနှစ်နှောင်းပိုင်းတွင်၊ သုတေသီအများအပြားသည် စက်ရုပ်များကို အခြေခံ၍ ဉာဏ်ရည်တုဆိုင်ရာ ချဉ်းကပ်မှုအသစ်ကို ထောက်ခံအားပေးခဲ့ကြသည်။ [165] စစ်မှန်သောဉာဏ်ရည်ကိုပြသရန်အတွက် စက်တစ်လုံးတွင် ခန္ဓာကိုယ် ရှိရန် လိုအပ်သည် - ၎င်းသည် ရိပ်မိရန်၊ လှုပ်ရှားရန်၊ ရှင်သန်ရန်နှင့် လောကနှင့်ဆက်ဆံရန် လိုအပ်သည်ဟု ၎င်းတို့က ယုံကြည်ကြသည်။ ဤအာရုံခံကိရိယာစွမ်းရည်များသည် သာမန်အာရုံတွေးခေါ်ခြင်း ကဲ့သို့သော အဆင့်မြင့်ကျွမ်းကျင်မှုများအတွက် မရှိမဖြစ်လိုအပ်ပြီး စိတ္တဇ ကျိုးကြောင်းဆင်ခြင်ခြင်းသည် အမှန်တကယ်တွင် စိတ်ဝင်စားစရာ အနည်းဆုံး သို့မဟုတ် အရေးပါသော လူ့စွမ်းရည်ဖြစ်သည် ( Moravec's paradox ကို ကြည့်ပါ )။ သူတို့က အောက်ခြေကနေ ထောက်လှမ်းရေးကို တည်ဆောက်ဖို့ ထောက်ခံအားပေးတယ်။ [၁၆၆]
ချဉ်းကပ်မှုသည် ခြောက်ဆယ်ကျော်ကတည်းက လူကြိုက်မများခဲ့သော ဆိုက်ဘာနက် နှင့် ထိန်းချုပ်မှုသီအိုရီ မှ အတွေးအခေါ်များကို ပြန်လည်အသက်သွင်းခဲ့သည်။ အခြားရှေ့ပြေးနိမိတ်မှာ 1970 ခုနှစ်နှောင်းပိုင်းတွင် MIT သို့ရောက်ရှိခဲ့သော David Marr သည် အမြင်အာရုံ လေ့လာခြင်းအဖွဲ့ကို ဦးဆောင်ရန် သီအိုရီပိုင်းဆိုင်ရာ အာရုံကြောသိပ္ပံတွင် အောင်မြင်သောနောက်ခံဖြင့် ရောက်ရှိလာသူဖြစ်သည် ။ AI သည် ပုံသဏ္ဍာန်လုပ်ဆောင်မှုမလုပ်ဆောင်မီ အောက်ခြေမှ ရူပါရုံ၏ရုပ်ပိုင်းဆိုင်ရာ စက်ယန္တရားများကို နားလည်ရန် လိုအပ်သည်ဟု အကြောင်းပြချက်ဖြင့် ( မက်ကာသီ၏ ယုတ္တိဗေဒနှင့် Minsky ၏ဘောင်များ) အားလုံးကို သင်္ကေတဆိုင်ရာချဉ်းကပ်မှုများကို ငြင်းပယ်ခဲ့သည် ။ (1980 တွင် သွေးကင်ဆာကြောင့် Marr ၏ အလုပ်ကို တိုတောင်းစေခဲ့သည်။) [167]
၎င်း၏ 1990 ခုနှစ် "Elephants Don't Chess" စာတမ်းတွင် [168] စက်ရုပ်သုတေသီ Rodney Brooks သည် ရုပ်ပိုင်းဆိုင်ရာ သင်္ကေတစနစ် အယူအဆကို တိုက်ရိုက်ရည်ရွယ်ပြီး "ကမ္ဘာသည် ၎င်း၏ကိုယ်ပိုင်အကောင်းဆုံးပုံစံဖြစ်သောကြောင့် အမြဲတမ်းသင်္ကေတများမလိုအပ်ကြောင်း ငြင်းခုံခဲ့သည်။ အတိအကျ ခေတ်မီပါတယ်။ သူ့မှာအသေးစိတ်သိရမယ့်အရာတွေ အမြဲရှိပါတယ်။ လှည့်ကွက်ကတော့ သင့်လျော်သလို မကြာခဏဆိုသလို နားလည်သဘောပေါက်ဖို့ပါပဲ။" [169] 1980 နှင့် 1990 ခုနှစ်များတွင်၊ သိမြင်မှုဆိုင်ရာသိပ္ပံပညာရှင်များ စွာ သည် စိတ်၏သင်္ကေတလုပ်ဆောင်ခြင်းပုံစံကိုလည်း ငြင်းပယ်ခဲ့ပြီး ခန္ဓာကိုယ်သည် ဆင်ခြင်ခြင်းအတွက်မရှိမဖြစ်လိုအပ်ကြောင်း၊ embodied mind thesis ဟုခေါ်သော သီအိုရီတစ်ခုဖြစ်သည့် သဘောတရားတစ်ခုဖြစ်သည်။ [၁၇၀]
AI 1993-2011
ရာစုနှစ်တစ်ဝက်ကျော် သက်တမ်းရှိ AI နယ်ပယ်သည် နောက်ဆုံးတွင် ၎င်း၏သက်တမ်းအရင့်ဆုံးပန်းတိုင်အချို့ကို အောင်မြင်ခဲ့သည်။ နောက်ကွယ်တွင် အနည်းငယ်မျှသာရှိသော်လည်း ၎င်းကို နည်းပညာနယ်ပယ်တွင် အောင်မြင်စွာ စတင်အသုံးပြုခဲ့သည်။ အချို့သော အောင်မြင်မှုသည် ကွန်ပျူတာပါဝါ တိုးလာခြင်းကြောင့်ဖြစ်ပြီး အချို့မှာ သီးခြားခွဲထုတ်ထားသော ပြဿနာများကို အာရုံစိုက်ကာ သိပ္ပံနည်းကျ တာဝန်ခံမှု၏ အမြင့်ဆုံးစံနှုန်းများဖြင့် ၎င်းတို့ကို လိုက်လျှောက်ခြင်းဖြင့် အောင်မြင်ခဲ့သည်။ သို့တိုင်၊ အနည်းဆုံး စီးပွားရေးလောကတွင် AI ၏ဂုဏ်သတင်းသည် ရိုးရိုးထက်နိမ့်ပါသည်။ [၁၇၁]နယ်ပယ်အတွင်းတွင် AI သည် ၁၉၆၀ ခုနှစ်များအတွင်း ကမ္ဘာ၏စိတ်ကူးစိတ်သန်းများကို ဖမ်းစားခဲ့သော လူသားအဆင့် ဉာဏ်ရည်အိပ်မက်ကို ဖြည့်ဆည်းပေးရန် ပျက်ကွက်ရခြင်းအကြောင်းအရင်းနှင့် ပတ်သက်၍ သဘောတူညီမှု အနည်းငယ်မျှသာ ရှိခဲ့သည်။ ဤအချက်များအားလုံးသည် AI ကို သီးခြားပြဿနာများ သို့မဟုတ် ချဉ်းကပ်မှုများအပေါ် အာရုံစိုက်ထားသည့် အပြိုင်အဆိုင်နယ်ပယ်ခွဲများအဖြစ်သို့ အပိုင်းပိုင်းခွဲရန် ကူညီပေးခဲ့ပြီး၊ တစ်ခါတစ်ရံတွင် "ဉာဏ်ရည်တု" ၏ ညစ်ညမ်းသောမျိုးရိုးကို ဖုံးကွယ်ထားသည့် နာမည်အသစ်များအောက်တွင်ပင် ကူညီပေးခဲ့သည်။ [172] AI သည် ယခင်ကထက် ပိုမိုသတိထားရပြီး ပိုမိုအောင်မြင်ခဲ့သည်။
မှတ်တိုင်များနှင့် Moore ၏ဥပဒေ
၁၉၉၇ ခုနှစ် မေလ 11 ရက်နေ့တွင် Deep Blue သည် ကမ္ဘာ့စစ်တုရင်ချန်ပီယံ Garry Kasparov ကို အနိုင်ယူနိုင်သည့် ပထမဆုံး ကွန်ပျူတာ စစ်တုရင်ကစားသည့်စနစ် ဖြစ်လာခဲ့သည် ။ [173] စူပါကွန်ပြူတာသည် IBM မှ ထုတ်လုပ်သော မူဘောင်တစ်ခု၏ အထူးပြုဗားရှင်းဖြစ်ပြီး ပထမပွဲ (Deep Blue ရှုံးခဲ့သော) ပွဲစဉ်တွင် တစ်စက္ကန့်လျှင် အကြိမ်ရေ 200,000,000 ရွေ့လျားနိုင်သည်ဟု သတင်းရရှိပါသည်။ ဒီပွဲကို အင်တာနက်ကနေ တိုက်ရိုက်ထုတ်လွှင့်ခဲ့ပြီး ကြည့်ရှုသူ ၇၄ သန်းကျော် ရရှိခဲ့ပါတယ်။ [၁၇၄]
2005 ခုနှစ်တွင် Stanford စက်ရုပ်သည် DARPA Grand Challenge ကို 131 မိုင်အထိ အလိုအလျောက် မောင်းနှင်ခြင်းဖြင့် အနိုင်ရရှိခဲ့ပြီး အစမ်းမသပ်ရသေးသော သဲကန္တာရလမ်းတစ်လျှောက်။ [175] နှစ်နှစ်အကြာတွင် CMU မှ အဖွဲ့တစ်ဖွဲ့သည် ယာဉ်အန္တရာယ်နှင့် လမ်းစည်းကမ်းအားလုံးကို လိုက်နာရင်း မြို့ပြပတ်ဝန်းကျင်တွင် 55 မိုင်အကွာတွင် အလိုအလျောက် သွားလာခြင်းဖြင့် DARPA Urban Challenge ကို အနိုင်ရရှိခဲ့သည်။ [176] 2011 ခုနှစ် ဖေဖော်ဝါရီလတွင်၊ အန္တရာယ်ရှိ ။ ပဟေဠိရှိုး ပြပွဲပြိုင်ပွဲ၊ IBM ၏ မေးခွန်းအဖြေစနစ် Watson သည် အကြီးကျယ်ဆုံး Jeopardy နှစ်ခုကို အနိုင်ယူခဲ့သည်။ ချန်ပီယံများဖြစ်ကြသော Brad Rutter နှင့် Ken Jennings တို့သည် ထင်ရှားသော အနားသတ်များဖြစ်သည်။ [၁၇၇]
ဤအောင်မြင်မှုများသည် တော်လှန်သော ပါရာဒိုင်းအသစ်အချို့ကြောင့်မဟုတ်သော်လည်း အများစုမှာ အင်ဂျင်နီယာကျွမ်းကျင်မှု၏ ငြီးငွေ့ဖွယ်အသုံးချမှုနှင့် 90s ခုနှစ်များအတွင်း ကွန်ပျူတာ၏ မြန်နှုန်းနှင့် စွမ်းရည်များ အဆမတန်တိုးလာခြင်းကြောင့်ဖြစ်သည်။ [178] တကယ်တော့ Deep Blue ၏ ကွန်ပျူတာသည် ၁၉၅၁ ခုနှစ်တွင် စစ်တုရင်ကစားရန် Christopher Strachey သင် ပေးခဲ့သော Ferranti Mark 1 ထက် အဆ 10 သန်း ပိုမြန်သည်။ [179] ဤသိသိသာသာ တိုးလာမှုကို Moore ၏ ဥပဒေ ဖြင့် တိုင်းတာသည် ၊ သတ္တု-အောက်ဆိုဒ်-တစ်ပိုင်းလျှပ်ကူးတာ (MOS) ထရန်စစ္စတာ အရေအတွက် ကြောင့် ကွန်ပျူတာများသည် နှစ်နှစ်တစ်ကြိမ်၊နှစ်နှစ်တစ်ကြိမ်။ “ကုန်ကြမ်းကွန်ပြူတာ ပါဝါ” ၏ အခြေခံပြဿနာကို ဖြည်းညှင်းစွာ ကျော်လွှားနိုင်ခဲ့သည်။
အသိဉာဏ်အေးဂျင့်များ(Intelligent agent)
" အသိဉာဏ်အေးဂျင့်များ " ဟုခေါ်သော ပါရာဒိုင်းအသစ် သည် ၁၉၉၀ ခုနှစ်များအတွင်း တွင်ကျယ်စွာ လက်ခံလာခဲ့သည်။ [180] အစောပိုင်း သုတေသီများသည် AI အတွက် modular "divide and conquer" ချဉ်းကပ်နည်းများကို အဆိုပြုခဲ့သော်လည်း [181] ဉာဏ်ရည်ထက်မြက်သော အေးဂျင့်သည် Judea Pearl ၊ Allen Newell ၊ Leslie P. Kaelbling နှင့် အခြားသူများက ဆုံးဖြတ်ချက်သီအိုရီ မှ အယူအဆများကို ယူဆောင်လာ သည်အထိ ခေတ်မီသော ပုံစံသို့ မရောက်ရှိသေးပါ ။ AI ကိုလေ့လာခြင်းတွင်စီးပွားရေး။ [182] ကျိုးကြောင်းဆီလျော်သော အေးဂျင့ ်တစ်ခု၏ ဘောဂဗေဒပညာရှင်၏ အဓိပ္ပါယ်ဖွင့်ဆိုချက်သည် အရာဝတ္ထု တစ်ခု သို့မဟုတ် ကွန်ပျူတာသိပ္ပံ ၏ အဓိပ္ပါယ်ဖွင့်ဆိုချက် နှင့် လက်ထပ်လိုက်သော အခါ၊မော်ဂျူး ၊ အသိဉာဏ်အေးဂျင့် ပါရာဒိုင်းသည် ပြီးပြည့်စုံသည်။
ဉာဏ်ရည်ထက်မြက်သော အေးဂျင့်သည် ၎င်း၏ ပတ်ဝန်းကျင်ကို နားလည်သဘောပေါက်ပြီး ၎င်း၏အောင်မြင်နိုင်ခြေကို အမြင့်ဆုံးဖြစ်စေသည့် လုပ်ဆောင်ချက်များကို လုပ်ဆောင်သည့် စနစ်တစ်ခုဖြစ်သည်။ ဤအဓိပ္ပါယ်ဖွင့်ဆိုချက်အားဖြင့်၊ သီးခြားပြဿနာများကိုဖြေရှင်းပေးသည့် ရိုးရှင်းသောပရိုဂရမ်များသည် ကုမ္ပဏီများ ကဲ့သို့သော လူသားများနှင့် လူသားအဖွဲ့အစည်းများကဲ့သို့ပင် "ဉာဏ်ရည်ထက်မြက်သော အေးဂျင့်များ" ဖြစ်သည် ။ ဉာဏ်ရည်ထက်မြက်သော အေး ဂျင့်ပါရာဒိုင်းသည် AI သုတေသနကို "ဉာဏ်ရည်ထက်မြက်သော အေးဂျင့်များကို လေ့လာခြင်း" ဟု သတ်မှတ်သည်။ ဤသည်မှာ AI ၏ အစောပိုင်း အဓိပ္ပါယ်ဖွင့်ဆိုချက်အချို့၏ ယေဘုယျအဓိပ္ပာယ်ဖွင့်ဆိုချက်ဖြစ်သည်၊ ၎င်းသည် လူသားဉာဏ်ရည်ကို လေ့လာခြင်းထက် ကျော်လွန်ပါသည်။ ဉာဏ်ပညာ အမျိုးမျိုးကို လေ့လာတယ်။ [၁၈၃]
ပါရာဒိုင်းသည် သုတေသီများအား သီးခြားပြဿနာများကို လေ့လာရန်နှင့် အတည်ပြုနိုင်ကာ အသုံးဝင်သည့် ဖြေရှင်းနည်းများကို ရှာဖွေရန် သုတေသီများကို လိုင်စင်ပေးထားသည်။ ၎င်းသည် ပြဿနာများကိုဖော်ပြရန်နှင့် ၎င်းတို့၏ဖြေရှင်းချက်များကို အချင်းချင်းမျှဝေရန် ဘုံဘာသာစကားတစ်ခုပေးထားပြီး၊ စီးပွားရေးနှင့် ထိန်းချုပ်မှုသီအိုရီ ကဲ့သို့ စိတ္တဇအေးဂျင့်များ၏ သဘောတရားများကိုလည်း အသုံးပြုသည့် အခြားနယ်ပယ်များနှင့်လည်း ပံ့ပိုးပေးထားသည် ။ ပြီးပြည့်စုံသော အေးဂျင့်ဗိသုကာ တစ်ခု ( Newell's SOAR ကဲ့သို့) သည် သုတေသီများအား ဉာဏ်ရည်ထက်မြက်သော အေးဂျင့်များ ကြားမှ စွယ်စုံရနှင့် ဉာဏ်ရည်ထက်မြက်သော စနစ်များကို တစ်နေ့တွင် တည်ဆောက်နိုင်လိမ့်မည်ဟု မျှော်လင့်ထားသည် ။ [182] [184]
ဖြစ်နိုင်ခြေရှိသော ကျိုးကြောင်းဆင်ခြင်ခြင်းနှင့် ပိုကြီးသော ခိုင်မာမှု
AI သုတေသီများသည် ယခင်ကထက် ခေတ်မီဆန်းပြားသော သင်္ချာကိရိယာများကို တီထွင်အသုံးပြုလာကြသည်။ [185] သင်္ချာ ၊ လျှပ်စစ်အင်ဂျင်နီယာ ၊ စီးပွားရေး သို့မဟုတ် စစ်ဆင်ရေး သုတေသန စသည့် နယ်ပယ်များမှ သုတေသီများက AI ကို ဖြေရှင်းရန် လိုအပ်သော ပြဿနာများစွာကို ကျယ်ကျယ်ပြန့်ပြန့် သိရှိနားလည်လာခဲ့ပါသည် ။ မျှဝေထားသော သင်္ချာဘာသာစကားသည် ပိုမိုခိုင်မာပြီး အောင်မြင်သောနယ်ပယ်များနှင့် ပိုမိုမြင့်မားသော ပူးပေါင်းဆောင်ရွက်မှုအဆင့်ကို ခွင့်ပြုပေးပြီး တိုင်းတာနိုင်သောရလဒ်များနှင့် သက်သေပြနိုင်သော အောင်မြင်မှုရလဒ်များ၊ AI သည် ပိုမိုတင်းကျပ်သော "သိပ္ပံနည်းကျ" စည်းကမ်းဖြစ်လာသည်။ Russell & Norvig (2003)၎င်းကို "တော်လှန်ရေး" ထက် မနည်းသော အရာအဖြစ် ဖော်ပြပါ။ ၎င်းတို့သည် ၎င်းတို့၏ 2002 ခုနှစ် ဖတ်စာအုပ်တွင် ပြင်းထန်သော တင်းကျပ်မှုကို "သပ်ရပ်သော အောင်ပွဲ" ဟု အခိုင်အမာ ရှုမြင်နိုင်သည်ဟု [ 186] တွင် ငြင်း ခုံခဲ့ကြသော်လည်း ၎င်းတို့၏ 2020 AI ကျောင်းသုံးစာအုပ်တွင် "နက်နဲသော သင်ယူမှုကို ကိုယ်စားပြုနိုင်သည်" ဟု ပြောဆိုခြင်းဖြင့် နောက်ပိုင်းတွင် အရည်အချင်းပြည့်မီသည်။ scruffies တွေ ပြန်ပေါ်လာတယ်။" [၁၈၇]
Judea Pearl ၏ သြဇာကြီးသော 1988 စာအုပ် [188] သည် ဖြစ်နိုင်ခြေ နှင့် ဆုံးဖြတ်ချက်သီအိုရီကို AI သို့ ယူဆောင်လာခဲ့သည် ။ အသုံးပြုနေသည့် ကိရိယာအသစ်များစွာတွင် Bayesian ကွန်ရက်များ ၊ လျှို့ဝှက် Markov မော်ဒယ်များ ၊ သတင်းအချက်အလက်သီအိုရီ ၊ stochastic မော်ဒယ်လ် နှင့် ဂန္ထဝင် ပိုမိုကောင်းမွန်အောင်ပြုလုပ်ခြင်း တို့ဖြစ်သည် ။ အာရုံကြောကွန်ရက်များ နှင့် ဆင့်ကဲဖြစ်စဉ်ဆိုင်ရာ အယ်လဂိုရီသမ်များ ကဲ့သို့ " ကွန်ပြူတာဉာဏ်ရည်ဉာဏ် သွေး " ပါရာဒိုင်း များအတွက် တိကျသောသင်္ချာဖော်ပြချက်များကိုလည်း တီထွင်ခဲ့သည် ။ [၁၈၉]
နောက်ကွယ်က AI
AI သုတေသီများမှ မူလတီထွင်ခဲ့သော အယ်လဂိုရီသမ်များသည် ပိုမိုကြီးမားသောစနစ်များ၏ အစိတ်အပိုင်းများအဖြစ် စတင်ပေါ်ပေါက်လာသည်။ AI သည် အလွန်ခက်ခဲသော ပြဿနာများစွာကို ဖြေရှင်းပေးခဲ့ပြီး [190] နှင့် ၎င်းတို့၏ ဖြေရှင်းနည်းများသည် ဒေ တာတူးဖော်ခြင်း ၊ စက်မှုလုပ်ငန်းသုံး စက်ရုပ်များ ၊ ထောက်ပံ့ပို့ဆောင်ရေး၊ [ 192 ] စကားပြောအသိအမှတ်ပြုခြင်း ၊ [193] ဘဏ်လုပ်ငန်းဆော့ဖ်ဝဲ ၊ 194] ဆေးဘက်ဆိုင်ရာရောဂါရှာဖွေခြင်း [194] နှင့် Google ၏ရှာဖွေရေးအင်ဂျင်။ [၁၉၅]
AI နယ်ပယ်သည် 1990 ခုနှစ်များနှင့် 2000 ခုနှစ်များအစောပိုင်းတွင် ဤအောင်မြင်မှုများအတွက် အနည်းငယ်မျှသာ သို့မဟုတ် လုံးဝမရရှိခဲ့ပါ။ AI ၏ အကြီးမားဆုံး ဆန်းသစ်တီထွင်မှု အများအပြားကို ကွန်ပျူတာသိပ္ပံ၏ ကိရိယာသေတ္တာတွင် အခြားအရာတစ်ခုအဖြစ်သို့ လျှော့ချလိုက်ပါသည်။ [196] Nick Bostrom က "AI သည် ယေဘုယျအားဖြင့် အပလီကေးရှင်းများစွာကို စစ်ထုတ်ထားပြီး၊ တစ်စုံတစ်ခုသည် လုံလောက်ပြီး အသုံးများလာသောအခါတွင် ၎င်းသည် AI ဟု တံဆိပ်မကပ်တော့ပါ။" [၁၉၇]
၁၉၉၀ ခုနှစ်များအတွင်း AI မှ သုတေသီ အများအပြားသည် ၎င်းတို့၏ အလုပ်ကို သတင်းပေးခြင်း ၊ အသိပညာ အခြေခံစနစ်များ ၊ သိမြင်မှုစနစ်များ သို့မဟုတ် ကွန်ပြူတာဆိုင်ရာ ထောက်လှမ်းရေးများ ကဲ့သို့သော အခြားအမည်များဖြင့် တမင်တကာ ခေါ်ဝေါ်ခဲ့ကြသည် ။ တစ်စိတ်တစ်ပိုင်းအားဖြင့်၊ ၎င်းတို့သည် ၎င်းတို့၏နယ်ပယ်သည် AI နှင့် အခြေခံအားဖြင့် ကွဲပြားသည်ဟု ယူဆသောကြောင့် ဖြစ်နိုင်သော်လည်း အမည်အသစ်များသည် ရန်ပုံငွေရရှိရန် ကူညီပေးသောကြောင့်ဖြစ်သည်။ အနည်းဆုံး စီးပွားရေးလောကတွင် AI ဆောင်းရာသီ ၏ မအောင်မြင်သော ကတိများသည် 2000 ခုနှစ်များတွင် AI သုတေသနကို ဆက်လက်စွဲလန်းစေခဲ့သည်၊ 2005 ခုနှစ်တွင် New York Times တွင် ဖော်ပြခဲ့သည်- "ကွန်ပြူတာသိပ္ပံပညာရှင်များနှင့် ဆော့ဖ်ဝဲလ်အင်ဂျင်နီယာများသည် ရိုင်းစိုင်းသောဉာဏ်ရည်တုဟု ရှုမြင်ခံရမည်ကို စိုးရိမ်သောကြောင့် ဉာဏ်ရည်တုဟူသောဝေါဟာရကို ရှောင်ရှားခဲ့ကြသည်။ မျက်လုံးအိမ်မက်တွေ။" [198] [199] [200][201]
ခန့်မှန်းချက်များ (သို့မဟုတ် "HAL 9000 ဘယ်မှာလဲ။")
1968 ခုနှစ်တွင် Arthur C. Clarke နှင့် Stanley Kubrick တို့သည် 2001 ခုနှစ်တွင် လူသားများ၏ စွမ်းဆောင်ရည်နှင့် ကိုက်ညီသော သို့မဟုတ် ကျော်လွန်သည့် ဉာဏ်ရည်ဖြင့် တည်ရှိလာမည်ဟု စိတ်ကူးခဲ့ကြသည်။ ၎င်းတို့ ဖန်တီးခဲ့သော ဇာတ်ကောင် HAL 9000 သည် ၂၀၀၁ ခုနှစ် အရောက်တွင် ထိုစက်မျိုး တည်ရှိလိမ့်မည်ဟူသော ထိပ်တန်း AI သုတေသီများ မျှဝေထားသော ယုံကြည်ချက်အပေါ် အခြေခံထားသည်။ [202] [203]
2001 ခုနှစ်မှာ AI တည်ထောင်သူ Marvin Minsky က "ဒါဆို မေးခွန်းက ဘာကြောင့် 2001 မှာ HAL မရခဲ့တာလဲ?" [204] အာရုံကြော ပိုက်ကွန် သို့မဟုတ် မျိုးရိုးဗီဇဆိုင်ရာ အယ်လဂိုရီသမ်များကို စီးပွားဖြစ်အသုံးချခြင်းကဲ့သို့သော အရာများကို သုတေသနပြုနေချိန်တွင် သုတေသီအများစုက လျစ်လျူရှုခြင်း ကဲ့သို့ ဗဟိုပြဿနာများကို လျစ်လျူရှုထားသည်ဟု Minsky မှ အဖြေထွက်သည်ဟု ယုံကြည်ခဲ့သည် ။ တစ်ဖက်တွင် ဂျွန်မက်ကာသီက အရည်အချင်းပြဿနာကို အပြစ်တင်နေဆဲဖြစ်သည် ။ [205] Ray Kurzweil အတွက် ပြဿနာမှာ ကွန်ပြူတာ ပါဝါဖြစ်ပြီး Moore's Law ကို အသုံးပြု၍ လူသားအဆင့် ဉာဏ်ရည်ဥာဏ်သွေးပါသော စက်များသည် 2029 ခုနှစ်တွင် ပေါ်လာမည်ဟု ခန့်မှန်းခဲ့သည်။ [206] Jeff Hawkinsအာရုံကြောပိုက်ကွန် သုတေသနသည် လူ့ ကော်တက်ဇစ် ၏ မရှိမဖြစ်လိုအပ်သော ဂုဏ်သတ္တိများကို လျစ်လျူရှု ကာ ရိုးရှင်းသော ပြဿနာများကို ဖြေရှင်းရာတွင် အောင်မြင်သော ရိုးရှင်းသော မော်ဒယ်များကို ဦးစားပေးသည်ဟု စောဒကတက်ခဲ့သည်။ [207] အခြားသော ရှင်းလင်းချက်များစွာ ရှိပြီး တစ်ခုစီအတွက် သက်ဆိုင်ရာ သုတေသန အစီအစဉ် တစ်ခုစီ ရှိနေပါသည်။
နက်နဲသောသင်ယူမှု၊ ကြီးမားသောဒေတာနှင့် အထွေထွေဉာဏ်ရည်တု- 2011-လက်ရှိ
Deep learning သည် နက်ရှိုင်းသော ဂရပ်ကို အသုံးပြု၍ လုပ်ဆောင်မှုအလွှာများစွာဖြင့် ဒေတာများတွင် အဆင့်မြင့် abstractions များကို ပုံစံထုတ်သည့် စက်သင်ယူမှု၏ အခွဲတစ်ခုဖြစ်သည်။ [211] Universal approximation theorem အရ ၊ အနီးစပ်ဆုံး စဉ်ဆက်မပြတ် လုပ်ဆောင်မှုများကို အာရုံကြောကွန်ရက်တစ်ခုအတွက် deep-ness မလိုအပ်ပါ။ သို့တိုင်၊ နက်နဲသော ကွန်ရက်များကို ရှောင်ရှားရန် ကူညီပေးသော ရေတိမ်ကွန်ရက်များ (ထိုကဲ့သို့သော သင့်လျော်မှုလွန်ကဲခြင်း ) တွင် အဖြစ်များသော ပြဿနာများစွာရှိပါသည် ။ [212] ထို့ကြောင့်၊ နက်နဲသော အာရုံကြောကွန်ရက်များသည် ၎င်းတို့၏ ရေတိမ်ပိုင်း အစိတ်အပိုင်းများနှင့် နှိုင်းယှဉ်ပါက ပိုမိုရှုပ်ထွေးသော မော်ဒယ်များကို လက်တွေ့ကျကျ ဖန်တီးနိုင်မည်ဖြစ်သည်။
သို့သော် နက်နဲသောသင်ယူမှုတွင် ၎င်း၏ပြဿနာများရှိသည်။ ထပ်တလဲလဲ အာရုံကြောကွန်ရက်များအတွက် အဖြစ်များသော ပြဿနာမှာ အလွှာများကြားရှိ gradient များ တဖြည်းဖြည်းကျုံ့သွားပြီး သုညသို့ ဖယ်ထုတ်လိုက်သည်နှင့်အမျှ gradient များသည် ပျောက်ကွယ်သွားသည့် gradient ပြဿနာ ဖြစ်သည် ။ Long-term memory units ကဲ့သို့သော ဤပြဿနာကို ချဉ်းကပ်ရန် နည်းလမ်းများစွာ တီထွင်ထားပါသည် ။
ခေတ်မီဆန်းသစ်သောနက်နဲသောအာရုံကြောကွန်ရက်ဗိသုကာများသည် တစ်ခါတစ်ရံတွင်၊ အထူးသဖြင့် MNIST ဒေတာဘေ့စ် နှင့် လမ်းကြောင်းမှတ်သားမှုကဲ့သို့သော အရာများတွင် ကွန်ပျူတာအမြင်ကဲ့သို့သော နယ်ပယ်များတွင် လူသားများ၏တိကျမှုကိုပင် ပြိုင်ဆိုင်နိုင်သည်။ [၂၁၃]
စမတ်ရှာဖွေရေးအင်ဂျင်များ တပ်ဆင်ထားသည့် ဘာသာစကား စီမံဆောင်ရွက်ပေးသည့် အင်ဂျင်များသည် ယေဘူယျအသေးအဖွဲမေးခွန်းများ (ဥပမာ IBM Watson ကဲ့သို့) ဖြေဆိုရာတွင် လူသားများကို အလွယ်တကူ အနိုင်ယူနိုင်ပြီး နက်ရှိုင်းသော သင်ယူမှုတွင် မကြာသေးမီက ဖြစ်ပေါ်တိုးတက်မှုများသည် Go , နှင့် Doom (ထိုကဲ့သို့သော အရာများတွင် လူသားများနှင့် ယှဉ်ပြိုင်ရာတွင် အံ့မခန်းရလဒ်များ ထွက်ပေါ်စေခဲ့သည်။ ပထမလူသေနတ်ပစ် ဂိမ်း တစ်ခု ၊ အငြင်းပွားမှုအချို့ဖြစ်ပွားခဲ့သည်။) [214] [215] [216] [217]
Big Data
Big Data ဆိုသည်မှာ သတ်မှတ်ထားသော အချိန်ဘောင်အတွင်း သမားရိုးကျဆော့ဖ်ဝဲတူးလ်များဖြင့် ဖမ်းယူ၊ စီမံခန့်ခွဲ၍ မရနိုင်သော ဒေတာအစုအဝေးကို ရည်ညွှန်းသည်။ ၎င်းသည် လုပ်ဆောင်မှုပုံစံအသစ်များ လိုအပ်သည့် ကြီးမားသော ဆုံးဖြတ်ချက်ချခြင်း၊ ထိုးထွင်းသိမြင်မှုနှင့် လုပ်ငန်းစဉ် ပိုမိုကောင်းမွန်အောင် လုပ်ဆောင်နိုင်သည့် စွမ်းရည်များဖြစ်သည်။ Victor Meyer Schonberg နှင့် Kenneth Cooke တို့ က ရေးသားခဲ့သော Big Data Era တွင် ဒေတာကြီးများသည် ကျပန်းခွဲခြမ်းစိတ်ဖြာခြင်း (နမူနာစစ်တမ်း) အစား ဒေတာအားလုံးကို ခွဲခြမ်းစိတ်ဖြာရန်အတွက် အသုံးပြုပါသည်။ ဒေတာကြီးကြီးများ၏ 5V လက္ခဏာများ ( IBM မှ အဆိုပြုသည် ) ၊ Volume , Velocity , Variety [218] , Value [219] , Veracity [220]. ဒေတာကြီးကြီးမားမားနည်းပညာ၏ မဟာဗျူဟာမြောက် အရေးပါမှုသည် ကြီးမားသော ဒေတာအချက်အလက်များကို ကျွမ်းကျင်ပိုင်နိုင်ရန်မဟုတ်ဘဲ ဤအဓိပ္ပာယ်ရှိသော ဒေတာများကို အထူးပြုရန်ဖြစ်သည်။ တစ်နည်းဆိုရသော် ဒေတာကြီးများကို စက်မှုလုပ်ငန်းတစ်ခုနှင့် နှိုင်းယှဉ်ပါက၊ ဤလုပ်ငန်းတွင် အမြတ်အစွန်းရရှိရန် အဓိကအချက်မှာ ဒေတာ၏ " လုပ်ငန်းစဉ်စွမ်းရည် " ကို မြှင့်တင်ရန်နှင့် " စီမံဆောင်ရွက်ခြင်း " မှတစ်ဆင့် ဒေတာ၏ " တန်ဖိုး " ကို သိရှိနားလည်ရန်ဖြစ်သည်။
အထွေထွေဉာဏ်ရည်တု
အထွေထွေ ဉာဏ်ရည်သည် ပြဿနာ တစ်ခုအတွက် အဖြေကို ရှာဖွေခြင်းထက် ပြဿနာတိုင်းကို ဖြေရှင်းနိုင်သော စွမ်းရည်ဖြစ်သည် ။ Artificial General Intelligence (သို့မဟုတ် "AGI") သည် လူသားများ တတ်နိုင်သမျှ တူညီသော နည်းလမ်းများစွာဖြင့် ပြဿနာမျိုးစုံအတွက် ဉာဏ်ရည်ကို အသုံးချနိုင်သော ပရိုဂရမ်တစ်ခုဖြစ်သည်။ [221] [222] Artificial General Intelligence ကို "ပြင်းထန်သော AI", [223] သို့မဟုတ် Synthetic Intelligence [224] [225] " အားနည်း AI " သို့မဟုတ် "ကျဉ်းမြောင်းသော AI" ဟုလည်း ရည်ညွှန်းသည် ။ (အသိဉာဏ်ကို ခံစားနိုင်သော စက်များကို ရည်ညွှန်းရန်အတွက် ပညာရပ်ဆိုင်ရာ အရင်းအမြစ်များက "ခိုင်မာသော AI" ကို သိမ်းဆည်းထားသည်။)
ရေအောက်လုပ်ငန်းဆောင်တာများစွာအတွက် လိုက်လျောညီထွေဖြစ်စေနိုင်သော တံဆိပ်မပါသောဒေတာအမြောက်အမြားကို လေ့ကျင့်သင်ကြားထားသည့် ကြီးမားသောဥာဏ်ရည်တုမော်ဒယ်များဖြစ်သည့် ဖောင်ဒေးရှင်းမော်ဒယ်များကို 2018 ခုနှစ်တွင် စတင်ထုတ်လုပ်ခဲ့ပါသည်။ 2020 ခုနှစ်တွင် OpenAI မှထုတ်ပြန်ခဲ့သော GPT-3 ကဲ့သို့သော မော်ဒယ်များ နှင့် Gato မှ ထုတ်ပြန်ခဲ့သည် 2022 ခုနှစ်တွင် DeepMind မှ ဉာဏ်ရည်တု အထွေထွေ လမ်းကြောင်းပေါ်ရှိ အရေးကြီးသော မှတ်တိုင်များအဖြစ် ဖော်ပြခဲ့သည်။ [226] [227]
2023 ခုနှစ်တွင် Microsoft Research သည် လုပ်ဆောင်စရာများစွာဖြင့် GPT-4 ကြီးမားသောဘာသာစကားမော်ဒယ်ကို စမ်းသပ်ခဲ့ပြီး "၎င်းအား ဥာဏ်ရည်တုအထွေထွေထောက်လှမ်းရေး (AGI) စနစ်၏ အစောပိုင်း (မပြည့်စုံသေးသော) ဗားရှင်းအဖြစ် ကျိုးကြောင်းဆီလျော်စွာ ရှုမြင်နိုင်သည်" ဟု ကောက်ချက်ချခဲ့သည်။ [၂၂၈]
ဤကား ARTIFICIAL INTELLIGENCE အေအိုင်၏ သမိုင်းကြောင်း တည်း။
နည်းပညာဖြင့် ကမ္ဘာကြီး ခေတ်မီတိုးတက် ငြိမ်းချမ်းနိုင်ကြပါစေ ဆန္ဒပြုလျှက်
#Aimm
