కృత్రిమ మేధస్సు

వికీపీడియా నుండి
 ఈ వ్యాసం పూర్తిగానో, పాక్షికంగానో గూగుల్ అనువాద పరికరం ఉపయోగించి యాంత్రికంగా అనువదించబడింది. అందుచేత ఇందులోని వాక్య నిర్మాణాలు, పదాల ఎంపిక కాస్త కృత్రిమంగా ఉండే అవకాశం ఉంది. అనువాదాన్ని వీలైనంతగా సహజంగా తీర్చిదిద్ది, ఈ మూసను తొలగించండి.
ఈ వ్యాసాన్ని వికీకరించి ఈ మూసను తొలగించండి.

కృత్రిమ మేధస్సు (Artificial Intelligence or AI) అనేది యంత్రాల మేధస్సు మరియు వాటిని రూపొందించడానికి ఉపయోగించే కంప్యూటర్ శాస్త్రంలో ఒక విభాగం. ప్రముఖ AI పాఠ్యపుస్తకాల్లో, ఈ రంగాన్ని "మేధో వ్యవస్థలను అభ్యసించి, రూపకల్పన చేసేది,"గా అభివర్ణించారు. [1] మేధో వ్యవస్థ అనేది దాని పరిస్థితులను గ్రహించి, విజయావకాశాలను అధికం చేసే చర్యలను నిర్వహించే ఒక వ్యవస్థ.[2] జాన్ మెక్‌కార్తే మొట్టమొదటిగా ఈ పదాన్ని 1956లో ఉపయోగించారు, [3] దీన్ని "మేధో యంత్రాలను తయారు చేసే శాస్త్రం మరియు రచన"గా అభివర్ణించాడు."[4]


ఈ రంగం మానవ జాతి కేంద్ర బిందువైన మేధస్సుతో—హోమో సెపియన్స్ యొక్క వివేకం— ఒక యంత్రం ద్వారా కూడా చేయవచ్చనే ప్రతిపాదనపై కనుగొనబడింది. [5] ఇది మెదడు స్వభావం మరియు శాస్త్రీయ దర్పం యొక్క పరిమితులు, ప్రాచీనత్వము నుండి కల్పిత గాథ, సృజనాత్మక రచన మరియు తత్త్వ శాస్త్రం వివరించిన సమస్యల గురించి తాత్విక సమస్యలకు తెర తీసింది.[6] కృత్రిమ మేధస్సు అనేది ఉత్కంఠభరితమైన నమ్మకం యొక్క విషయం, [7] దీని అభివృద్ధి చాలా మందకొడిగా నడిచింది [8] మరియు సాంకేతిక శాస్త్రంలో ముఖ్యమైన భాగంగా అవతరించడమే కాకుండా కంప్యూటర్ శాస్త్రంలో అత్యంత క్లిష్టమైన సమస్యల పరిష్కారానికి ఉపయోగిస్తారు. [9]


AI పరిశోధన అత్యంత సాంకేతికం మరియు విశేషమైనది, ఎంతగా అంటే కొందరు విమర్శకులు ఈ రంగాన్ని భాగాలుగా విభజించడాన్ని ఖండిస్తారు. [10] AI ఉపరంగాలు కొన్ని విశేషమైన సమస్యలు, విశేషమైన సాధనాల అనువర్తనం మరియు దీర్ఘకాలిక అభిప్రాయ భేదాల చుట్టూ కేంద్రీకరింపబడ్డాయి. వాద సరళి, పరిజ్ఞానం, యోజనము, అభ్యాసం, సంభాషణ, గ్రాహ్యత మరియు వస్తువు కదలిక మరియు నియంత్రణ ఇవన్నీ AI ఎదుర్కొనే ముఖ్యమైన సమస్యలు. [11] సాధారణ మేధస్సు (లేదా "శక్తివంతమైన AI") ఇప్పటికీ కొందరి పరిశోధకుల సుదీర్గ గమ్యం[12] కానీ కొందరు ఇది సాధ్యం కాదని నమ్ముతారు[citation needed].



విషయ సూచిక

AI పరిశోధన చరిత్ర [మార్చు]

ప్రధాన వ్యాసంs: History of artificial intelligence and Timeline of artificial intelligence


నాడీ వ్యవస్థలో నూతన ఆవిష్కరణలు, సమాచారం కోసం గణాంక సిద్ధాంతం, సమాచార నియంత్రణ మరియు స్థిరత్వం అని పిలువబడే సమాచార శాస్త్రం, మరీ ముఖ్యంగా మానవుల గణాంకాలను అనువర్తించే సామర్థ్యాలను అనుకరించే డిజిటల్ కంప్యూటర్‌ల ఆధారంగా 20‌వ శతాబ్దం మధ్యలో కొందరు శాస్త్రవేత్తలు కొత్త మేధో యంత్రాల ఆవిష్కరణకు పూనుకున్నారు. [13]


డార్ట్‌మౌత్ కళాశాల ప్రాంగణం, 1956‌వ సంవత్సరం, వేసవి కాలంలో జరిగిన సదస్సులో AI యొక్క ఆధునిక పరిశోధన గురించి ప్రస్తావన వచ్చింది. [14] ఆ సదస్సులో హాజరైన సభ్యులందరూ తరువాత AI పరిశోధనలో దశాబ్దాల పాటు అగ్రగాములుగా వెలిగారు, ముఖ్యంగా జాన్ మెక్‌కార్తి, మార్విన్ మిన్‌స్కి, అల్లెన్ న్యువెల్ మరియు హెర్బెర్ట్ సిమోన్, వీరు MIT, CMU మరియు స్టాన్‌ఫోర్డ్ నందు AI ప్రయోగశాలలు స్థాపించారు. వారు మరియు వారి శిష్యులు చాలా మందికి అద్భుతమైన ప్రోగ్రామ్‌లను తయారు చేసి ఇచ్చారు:[15]

కంప్యూటర్‌లు బీజగణితంలోని సమస్యలను పరిష్కరించడం, తార్కికమైన సిద్ధాంతాలను పరిష్కరించడం మరియు ఆంగ్ల భాష మాట్లాడటం చేసేవి. [16] 60వ దశకంలో వారి పరిశోధనకు మరియు ఈ పరిశోధనలో నిమగ్నమైన వారికి U.S రక్షణ శాఖ నుంచి భారీగా నిధులు అందాయి, [17]

పరిశోధనలో పాల్గొన్నవారు ఈ అభిప్రాయాలను వ్యక్తపరిచారు:

  • 1965, హెచ్. ఎ. సిమోన్: "రానున్న ఇరవై సంవత్సరాల్లో యంత్రాలు మానవులు చేసే ప్రతి పనిని చేయగలవు".

[18]


వారు ఎదుర్కొన్న సమస్యల వలన ఇబ్బందులను కనుగొనడంలో వారు విఫలమయ్యారు. [20] 1974‌వ సంవత్సరంలో ఇంగ్లాండ్‌కు చెందిన సర్ జేమ్స్ లైట్‌హిల్ విమర్శలకు స్పందిస్తూ మరియు ఇతర ఉపయోగకరమైన వాటికి నిధులు మళ్లించాలన్న కాంగ్రెస్ ఒత్తిడికి తలొగ్గుతూ U.S మరియు బ్రిటీష్ ప్రభుత్వాలు AI పరిశోధనకు నిధులను నిలిపివేయడంతో మొదటి AI వింటర్ ఏర్పడింది.[21]


అత్యంత నిష్ణాత వ్యవస్థలు వాణిజ్య పరంగా విజయం సాధించినందున 80‌వ దశకం మొదట్లో AI పరిశోధన మళ్లీ పుంజుకుంది, [22] అంతే గాక ఓ రకమైన AI ప్రోగ్రామ్ ఒకటి లేదా అధిక మానవ నిపుణుల విశ్లేషణాత్మక తెలివి మరియు పరిజ్ఞానాన్ని అనుకరించాయి. 1985 సంవత్సరానికల్లా AI వ్యాపారం కోట్ల డాలర్లను చేరుకుంది అంతే గాక ప్రభుత్వాలు మళ్లీ నిధులు సమకూర్చడం ప్రారంభించాయి. [23]

కొన్ని సంవత్సరాల తరువాత మార్కెట్‌లో 1987‌లో లిస్ప్ యంత్ర వ్యాపారం విఫలం కావడంతో AI మరోసారి అప్రతిష్ట పాలై, రెండవ దీర్ఘ కాల AI వింటర్ ప్రారంభమైంది.[24]


90వ దశకం మరియు 21వ శతాబ్ద ప్రారంభంలో AI గరిష్ట స్థాయిలో విజయాలను సాధించినప్పటికీ, కొద్ది కాలం తెర వెనుక ఉండాల్సి వచ్చింది. లాజిస్టిక్స్‌లో, డేటా మైనింగ్‌లో, వైద్య వ్యాధి నిర్ధారణలో మరియు సాంకేతిక పరిశ్రమకు సంబంధమున్న అనేక రంగాలలో కృత్రిమ మేధస్సును ఉపయోగిస్తారు.[9] విజయానికి పలు కారకాలు ఉన్నాయి: నేటి కంప్యూటర్‌ల విశేషమైన శక్తి సామర్థ్యాలు (మోర్స్ సూత్రాన్ని చూడండి), నిర్దిష్ట ఉప సమస్యలను పరిష్కరించడంలో ఉన్న ఉద్ఘాటన, ఒకే రకమైన సమస్యలపై పని చేస్తున్న AI మరియు ఇతర రంగాల మధ్య సంబంధాలను నెలకొల్పడం మరియు ముఖ్యంగా గణాంక పద్ధతులు మరియు కఠినమైన శాస్త్రీయ ప్రమాణాలపై పరిశోధకుల నూతన శ్రద్ధ. [25]


AI యొక్క తాత్వికత [మార్చు]

మూస:Portalpar

ప్రధాన వ్యాసం: Philosophy of artificial intelligence


మానవ మనసు యొక్క సామర్థ్యాలను పునఃసృష్టించగల సామర్ధ్యం కృత్రిమ మేధస్సు అనేది తాత్వికానికి ఒక సవాలు మరియు ఆదర్శంగా స్ఫూర్తిగా ఉంటుంది.మేధో యంత్రాలు ఎలా ఉండాలని ఏవైనా పరిమితులు ఉన్నాయా? మానవ మేధస్సుకు మరియు కృత్రిమ మేధస్సుకు ఏదైనా ముఖ్యమైన వ్యత్యాసం ఉందా? యంత్రానికి మనసు మరియు స్పృహ ఉంటుందా?ఈ ప్రశ్నలకు ఎక్కువ ప్రభావితం చేసే కొన్ని సమాధానాలు క్రింద ఇవ్వబడ్డాయి. [26]


ట్యూరింగ్ యొక్క "వినయ సంప్రదాయ" సిద్ధాంతం
ఒకవేళ యంత్రం మానవుల్లా వివేకంగా ప్రవర్తిస్తే అప్పుడు ఆ యంత్రం మానవుల్లా తెలివైనది . యంత్రాల యొక్క ప్రవర్తన బట్టి వాటి మేధస్సును అంచనా వేయవచ్చని అలన్ ట్యూరింగ్ చెప్పాడు. ఈ సిద్ధాంతం ట్యూరింగ్ పరీక్షకు ఆధారమైంది. [27]


డార్ట్‌మౌత్ ప్రతిపాదన
"అభ్యాసానికి చెందిన ప్రతి కోణాన్ని లేదా మేధస్సుకు సంబంధించిన ఎలాంటి లక్షణాన్ని అయినా అనుకరించడానికి ఒక యంత్రాన్ని తయారు చేయవచ్చు ." ఈ ప్రకటన 1956‌లో జరిగిన డార్ట్‌మౌత్ సదస్సు కోసం ప్రతిపాదనపై ముద్రించబడింది మరియు ఎంతో మంది AI పరిశోధకులకు ప్రాతినిధ్యం అయ్యింది. [5]


న్యూవెల్ మరియు సైమన్ యొక్క భౌతిక సంకేత వ్యవస్థ ప్రతిపాదన
"భౌతిక సంకేత వ్యవస్థకు అవసరమైన మరియు తగినంత సాధారణ మేధస్సు చర్య ఉంది" మేధస్సు యొక్క సారాంశం సంకేత పనితనం అని ఈ వివరణ తెలుపుతుంది. [28] మరోవైపు మానవ నైపుణ్యత, స్పృహలో ఉన్న సంకేత పనితనం కంటే నిస్పృహలో ఉన్న స్వభావంపైనే ఎక్కువగా ఆధారపడి ఉంటుందని మరియు ఒక పరిస్థితిలో మానవుడు ప్రత్యేక సంకేత పరిజ్ఞానం కంటే ఆ పరిస్థితి యొక్క అనుభూతిని ముందుగా పొందుతాడు అని హ్యుబర్ట్ డ్రేఫ్యూస్ వాదించాడు. [29] [30]


గోడెల్ యొక్క అసంపూర్ణ సిద్ధాంతం
'ఒక క్రమబద్ధ వ్యవస్థ (కంప్యూటర్ ప్రోగ్రామ్ లాంటివి) అన్ని నిజమైన వివరణలను నిరూపించలేదు. గోడెల్ యొక్క సిద్ధాంతం యంత్రాల పని తీరును పరిమితి చేస్తుందని వాదించే వారిలో రోజర్ పెన్‌రోజ్ ఒకడు. [31] [32]


సీర్లే యొక్క శక్తివంతమైన ఐ ప్రతిపాదన
'"సరైన ఆగమనాలు మరియు నిర్గమనాలతో సరిగా పోగ్రామ్ చేయబడిన కంప్యూటర్, మానవుల మనసు వలె అదే భావనతో పనిచేస్తుంది" . [33] కంప్యూటర్ లోపలికి చూసి దాని "మనసు" ఎక్కడ ఉంటుందో కనుక్కోవాలనే తన చైనీస్ రూమ్ వాదంతో సీర్ల్ ఈ ప్రకటనపై ప్రతివాదిస్తాడు. [34]


కృత్రిమ మెదడు వాదన
మెదడును అనుకరించవచ్చు . సాంకేతికంగా మెదడును నేరుగా హార్డ్‌వేర్ మరియు సాఫ్ట్‌వేర్‌లోనికి నకలు చేయడం సాధ్యమవుతుందని మరియు అటువంటి అనుకరణ అసలు దానికి సరిసమానంగా ఉంటుందని హాన్స్ మొరవెక్ మరియు రే కుర్జ్‌వెయిల్ వాదించారు. [35]



AI పరిశోధన [మార్చు]

21వ శతాబ్దంలో, AI పరిశోధన సాంకేతికంగా అత్యంత ప్రాధాన్యతను పొంది, సంబంధాలు లేని ఉపవర్గాలుగా విభజించబడింది. [10] ఉపవర్గాలు నిర్దిష్ట సంస్థలలో, వ్యక్తిగత పరిశోధకుల పనులు, నిర్దిష్ట సమస్యల పరిష్కారం, AI అనువర్తనం ఎలా చేయాలి అనే ముఖ్యమైన విషయాల్లో దీర్ఘకాల అభిప్రాయ బేధాలు మరియు వేర్వేరు ఉపకరణాల యొక్క అనువర్తనాలుచే అభివృద్ధి చెందాయి.


AI సమస్యలు [మార్చు]

మేధస్సు అనుకరించే సమస్యను అనేక నిర్దిష్ట ఉప-సమస్యలుగా విభజించారు. వీటిలో ఒక మేధో వ్యవస్థ ప్రదర్శించాలని పరిశోధకులు కోరుకునే నిర్దిష్ట లక్షణాలు లేదా సామర్థ్యాలు ఉంటాయి. క్రింద పేర్కొనబడిన లక్షణాలు అత్యంత ప్రాధాన్యతను సంతరించుకున్నాయి. [11]


తీసివేత, వాదన, సమస్య పరిష్కారం [మార్చు]

పదకేళిని పరిష్కరించేటప్పుడు, బోర్డ్ ఆటలు ఆడేటప్పుడు లేదా తార్కికమైన తీసివేతలు చేసేటప్పుడు మానవులు ఉపయోగించే దశలవారీ తర్కాన్ని అనుకరించే అల్గోరిథంలను ప్రారంభ AI పరిశోధకులు అభివృద్ధి చేశారు.[36] 80 మరియు 90 దశాబ్దాల చివరిలో, సంభావ్యత మరియు ఆర్ధిక శాస్త్రం నుండి విషయాలను ఉపయోగించి అనిశ్చిత మరియు అసంపూర్ణ సమాచారంతో వ్యవహరించడానికి అత్యంత సఫలీకృతమైన పద్ధతులను కూడా AI పరిశోధన అభివృద్ధి చేసింది. [37]


క్లిష్టమైన సమస్యల్లో అత్యధిక అల్గోరిథం‌లకు గణన వనరులు అవసరం - ఎక్కువ శాతం "మిశ్రమ స్పందనను" అనుభవిస్తాయి : ఒకవేళ సమస్య మరీ క్లిష్టమైతే అవసరమయ్యే మొత్తం కంప్యూటర్ సమయం మరియు స్మృతి లెక్కకు అందకపోవచ్చు. సమర్థవంతమైన సమస్య పరిష్కార అల్గోరిథం‌లు కనుగొనడమే AI పరిశోధన యొక్క ముఖ్య లక్ష్యం.[38]


ప్రారంభంలో AI పరిశోధన రూపొందించిన, వ్యక్తమైన మరియు దశలవారీ తీసివేతల ద్వారా కాకుండా మానవులు వేగవంతమైన, అవలీలగా తీసుకునే నిర్ణయాల ద్వారా వారి అత్యధిక సమస్యలను పరిష్కరించుకుంటారు. [39]ఉప-సంకేత సమస్య పరిష్కార విషయ అనుకరణలో AI కొంత ప్రగతి సాధించింది: అధిక తర్కం కోసం సెన్సారీమోటర్ నైపుణ్యాల ప్రాముఖ్యతను చేర్చిన విధానాలు ప్రస్పుటం చేశాయి; ఇలాంటి నైపుణ్యాన్ని పెంపొందించే మానవ మరియు జంతు మెదడులోని నిర్మాణాన్ని అనుకరించేందుకు నాడీ జాలిక పరిశోధన ప్రయత్నించింది.


పరిజ్ఞాన వృత్తాంతం [మార్చు]

ప్రధాన వ్యాసంs: Knowledge representation and Commonsense knowledge


పరిజ్ఞాన వృత్తాంతము [40] మరియు పరిజ్ఞాన సాంకేతిక శాస్త్రాలు [41] AI పరిశోధనకు కేంద్రాలుగా ఉన్నాయి. యంత్రాలు పరిష్కరించే సమస్యల్లో, చాలా వాటి పరిష్కారానికి ప్రపంచానికి సంబంధించిన విస్తారమైన పరిజ్ఞానం అవసరం అవుతుంది. AI ప్రాతినిధ్యం వహించాల్సిన విషయాల్లో: వస్తువులు, లక్షణాలు, వర్గాలు మరియు వస్తువుల మధ్య సంబంధాలు;[42]

పరిస్థితులు, సంఘటనలు, స్థితులు మరియు సమయం;[43] కారణాలు మరియు పర్యవసానాలు; [44] పరిజ్ఞానానికి సంబంధించిన పరిజ్ఞానం (ఇతరులకు తెలిసిన దాని గురించి మనకి ఏమి తెలుసు); [45] మరియు తక్కువగా పరిశోధించిన మరెన్నో ఇతర అంశాలు. "ఉనికిలో ఏది ఉంది" అనే దాని సంపూర్ణ ప్రాతినిధ్యాన్ని లక్షణ శాస్త్రం అంటారు.[46] (సాంప్రదాయ తత్వ శాస్త్రం నుంచి తీసుకున్న పదం) సాధారణంగా ఎగువ లక్షణ శాస్త్రం అంటారు.


పరిజ్ఞాన ప్రాతినిధ్యంలో అత్యంత క్లిష్టమైన సమస్యలు:


స్వయంసిద్ధ తర్కం మరియు అర్హత సమస్య
ప్రజలకు తెలిసిన పలు విషయాలను "ఉపయోగపడే ఆలోచనల" రూపంలో తీసుకుంటారు.ఉదాహరణకు, సంభాషణలో ఒక పక్షి గురించి ప్రస్తావన వస్తే, మనసులో ఒక పిడికిలి ప్రమాణంలో ఉండి, ఎగిరే, కూత పెట్టే జంతువు గుర్తుకు వస్తుంది. ఈ ఊహలు అన్ని పక్షులకు వర్తించవు. ఈ సమస్యను [47]1969లో [48]జాన్ మెక్‌కార్తి అర్హత సమస్యగా గుర్తించాడు: AI పరిశోధకులు లక్ష్యపెట్టే వివేక సూత్రంలో అత్యధికంగా మినహాయింపులు వస్తాయి. తర్క సారాంశం అవసరత ప్రకారం ఏదీ వాస్తవం లేదా అబద్దం కాదు.ఈ సమస్యకు AI పరిశోధన అనేక పరిష్కార మార్గాలను అన్వేషించింది. [49]



వివేక పరిజ్ఞానం యొక్క వ్యాప్తి.
ఒక సగటు వ్యక్తికి ఎన్ని పరిమాణ నిజాలు తెలుసు అనే విషయం లెక్కించలేము. వివేక పరిజ్ఞానం (ఉదాహరణకు, Cyc) యొక్క పరిజ్ఞాన ఆధారాన్ని నిర్మాణానికి ప్రయత్నించిన పరిశోధన పథకాలకు అపారమైన లక్షణ శాస్త్ర సాంకేతిక పరిజ్ఞానం అవసరం - ఒక క్లిష్టమైన భావనను ఒకే సమయంలో చేతితో నిర్మించాలి. [50] ఇంటర్నెట్ వంటి మాతృకలను చదవడం ద్వారా అర్థం చేసుకొని తన సొంత లక్షణ శాస్త్రానికి జత చేసుకొనేలా కంప్యూటర్‌ను రూపకల్పన చేయడం ఒక ప్రధాన లక్ష్యం.



కొంత వివేక పరిజ్ఞాన యొక్క ఉప సంకేతిక రూపం
బయటకు చెప్పగల్గినవి, సాధారణంగా ప్రజలకు తెలిసినవి "వాస్తవాలు" లేదా "సూక్తులుగా" పరిగణించరు. ఉదాహరణకు, చదరంగ క్రీడాకారుడు తన ఆటను బహిర్గతం చేసే నిర్దిష్ట చదరంగ స్థానాన్ని ఆడటానికి నిరాకరిస్తాడు[51] లేదా కళా విమర్శకుడు ఒక ప్రతిమను చూసిన వెంటనే అది నకిలీదని గుర్తుపడతాడు. [52] ఇవన్నీ మెదడు నుండి అవ్యక్తంగా మరియు మెదడు ఉప సంకేతంగా వచ్చే ధోరణులు లేదా అంతర్బుద్ధులు. [53] ఇలాంటి పరిజ్ఞానం, స్పృహతో ఉన్న సంకేత పరిజ్ఞాన సందర్భాలకు తెలియజేస్తూ, మద్దతు ఇస్తుంది. ఉప సంకేత తర్క సమస్యకు సంబంధించి ఇలాంటి పరిజ్ఞానానికి ప్రస్తుతం ఉన్న AI లేదా గణన మేధస్సులు ప్రాతినిధ్యం వహిస్తాయి. [53]



ప్రణాళిక [మార్చు]

ప్రధాన వ్యాసం: Automated planning and scheduling


మేధో వ్యవస్థలు లక్ష్యాలను నిర్ణయించుకుని, వాటిని చేరుకోవాలి. [54] వాటికి భవిష్యత్తును ఊహించే విధానం తెలిసి ఉండాలి (ప్రపంచానికి ప్రాతినిధ్యం వహించి, వాటి చర్యల వలన మార్పులను ముందుగానే చెప్పగలిగి ఉండాలి) మరియు లభించే ఎంపికల యొక్క ప్రయోజనాలను (లేదా "విలువ") గరిష్టీకరించడానికి ఎంపికలను ఎంచుకోవాలి. [55]


కొన్ని ప్రణాళిక సమస్యల్లో, వ్యవస్థ ఒక్కటే ప్రపంచంలో క్రియలు చేస్తుందని ఊహించుకుని, ఆ చర్యల వలన సంభవించే పర్యవసానాలు ఏ విధంగా ఉంటాయో ఖచ్చితంగా తెలుసుకోవాలి. [56] అయితే ఇది నిజం కాకపోతే, ప్రపంచం దాని అంచనాలకు సమానంగా ఉందని క్రమంగా తనిఖీ చేయాలి మరియు ఆ వ్యవస్థ అనిశ్చిత సందర్భంలో కారణాన్ని చూపించి, అవసరమైనప్పుడు ఆ ఆలోచనను తప్పక మార్చుకోవాలి.[57]


బహు-వ్యవస్థ ప్రణాళిక నిర్ణీత లక్ష్యాన్ని చేరుకోవడానికి పలు వ్యవస్థల సహకారం మరియు పోటీని ఉపయోగిస్తుంది. ఇలాంటి అత్యావశ్యకమైన ప్రవర్తనను పరిణామాత్మక అల్గోరిథం‌లు మరియు సమూహ మేధస్సు ఉపయోగిస్తాయి. [58]


అభ్యసించడం [మార్చు]

ప్రధాన వ్యాసం: Machine learning


యంత్ర అభ్యాసం [59] AI పరిశోధనకు మొదటి నుంచీ కేంద్రంగా ఉంది. [60] అపర్యవేక్షక అభ్యాసం అంటే అందించిన విలువల నుండి నమూనాలను గుర్తించే సామర్థ్యం. పర్యవేక్షక అభ్యాసంలో వర్గీకరణ (పలు వర్గాల్లో ఉదాహరణలు చూసిన పిమ్మట ఏదైనా ఏ వర్గానికి చెందుతుందో నిర్ణయించగల సామర్థ్యం) మరియు తర్కం (ఒక సంఖ్యా సంబంధమైన ఆగమన అంశాలు/నిర్గమన అంశాల ఉదాహరణలు ఇచ్చినప్పుడు ఆగమన అంశాల నుండి నిర్గమన అంశాలను రూపొందించే నిరంతర చర్యను కనుగొనడం) ఉంటాయి. అదనపుబల అభ్యాసంలో [61] మేధో వ్యవస్థకు మంచి స్పందన వస్తే బహుమానాలు ఉంటాయి మరియు చెడు స్పందన వస్తే శిక్ష పడుతుంది. ఈ విషయాలను ప్రయోజనాలు వంటి భావాలను ఉపయోగించి నిర్ణయాత్మక సిద్ధాంత ప్రమాణాల్లో విశ్లేషించవచ్చు. యంత్ర అభ్యాస అల్గోరిథం‌ యొక్క గణిత విశ్లేషణ మరియు వాటి పనితీరులు గణన అభ్యాస సిద్ధాంతం అనబడే సిద్దాంత కంప్యూటర్ శాస్త్రంలోని ఒక శాఖ.


సహజ భాషా సంవిధానం [మార్చు]

ప్రధాన వ్యాసం: Natural language processing


సహజ భాషా సంవిధానం [62] అనేది మానవులు మాట్లాడే భాషలను చదివి అర్థం చేసుకొనే సామర్థ్యాన్ని యంత్రాలకు ఇస్తుంది. శక్తివంతమైన సహజ భాషా సంవిధాన వ్యవస్థ ఇంటర్నెట్‌లో ఉన్న పాఠాన్ని చదివి సొంతంగా పరిజ్ఞానాన్ని సంపాదించగలదని చాలా మంది పరిశోధకులు నమ్ముతారు. సహజ భాషా సంవిధానానికి సంబంధించిన కొన్ని సరైన అనువర్తనాల్లో సమాచార సంగ్రహం (లేదా టెక్స్ట్ మైనింగ్) మరియు యంత్ర అనువాద అంశాలు ఉంటాయి. [63]


కదలిక మరియు హస్తనైపుణ్యం [మార్చు]

ASIMO అవరోధాలను అధిగమించడానికి మరియు మెట్లు ఎక్కడానికి సెన్సార్లు మరియు మేధో అల్గోరిథంలు ఉపయోగిస్తుంది.
ప్రధాన వ్యాసం: Robotics


రోబోట్ శాస్త్ర రంగం [64] AIతో దగ్గర సంబంధం కలిగి ఉంది. వస్తు నైపుణ్యత [65]వంటి చర్యలు చేపట్టేందుకు మరియు మార్గనిర్దేశకం, కదలిక అభ్యాసం (అక్కడికి ఎలా చేరాలి అని రూపకల్పన చేసుకోవడం) మ్యాపింగ్ (మీ చుట్టూ ఏముందో తెలుసుకోవడం) స్థానికీకరణం (మీరు ఎక్కడ ఉన్నారో తెలుసుకోవడం) వంటి ఉప సమస్యల కొరకు రోబోట్‌లకు మేధస్సు అవసరం. [66]


గ్రాహ్యత [మార్చు]

ప్రధాన వ్యాసంs: Machine perception, Computer vision, and Speech recognition


యంత్ర గ్రాహ్యత [67] అనేది ప్రాపంచిక కోణాలను ఊహించేందుకు సెన్సార్‌ల ద్వారా ఆగమన అంశాలను ఉపయోగించే సామర్థ్యం కలిగి ఉండేది. కంప్యూటర్ దృష్టి [68] అనేది దృశ్యమాన ఆగమనాన్ని విశ్లేషించే సామర్థ్యాన్ని కలిగి ఉండేది. కొన్ని ఉపసమస్యలు అంటే వాక్కు గుర్తింపు,[69] భావ గుర్తింపు మరియు వస్తువు గుర్తింపు. [70]


సామాజిక మేధస్సు [మార్చు]

ప్రధాన వ్యాసం: Affective computing
కిస్మెట్, మౌలిక సామాజిక నైపుణ్యతలున్న రోబోట్


మేధో వ్యవస్థ కోసం మనోద్వేగం మరియు సామాజిక నైపుణ్యతలు రెండు పాత్రలను పోషిస్తున్నాయి. [71]

  • ఇతరుల ఉద్దేశ్యాలు మరియు మనోద్వేగ స్థితులను అర్థం చేసుకొని వారి క్రియలను ఊహించగలగాలి. (ఇందులో గేమ్ సిద్ధాంతం, నిర్ణయాత్మక సిద్ధాంతం మరియు మానవ మనోద్వేగాల ప్రతిరూపం మరియు మనోద్వేగాలను గుర్తించే నైపుణ్యత కలిగి ఉండాలి).
  • ఉత్తమ మానవ-కంప్యూటర్ పరస్పర చర్యల కోసం, వివేకవంతమైన యంత్రం మనోద్వేగాలను కూడా ప్రదర్శించాలి - తాను సంభాషించే మానవులతో మర్యాదగా మరియు సున్నితంగా వ్యవహరించాలి. అత్యుత్తమంగా, దానికి సాధారణ మనోద్వేగాలు ఉండాలి.


సృజనాత్మకత [మార్చు]

ప్రధాన వ్యాసం: Computational creativity
పింగ్-పాంగ్ ఆడే ఒక రోబోట్, TOPIO, TOSY ద్వారా అభివృద్ధి చేయబడింది.


AI ఉపరంగమైన సృజనాత్మకతను సిద్ధాంత పరంగా (తత్వ శాస్త్రం మరియు మనస్తత్వ శాస్త్ర కోణాల నుండి) మరియు ఆచరణ పరంగా (సృజనాత్మకంగా పరిగణింపబడే బహిర్గత అంశాలను ఉత్పత్తి చేయగలిగిన కొన్ని వ్యవస్థల అమలు ద్వారా) చెప్పవచ్చు.


సాధారణ మేధస్సు [మార్చు]

ప్రధాన వ్యాసంs: Strong AI and AI-complete


చివరికి తమ కార్యాలను సాధారణ మేధస్సు (శక్తివంతమైన AI అని పిలవబడే) ఉన్న యంత్రంలో వ్యవస్థీకరించి, పైన పేర్కొన్న అన్ని నైపుణ్యాలతో కలిపితే అత్యధిక మానవ సామర్థ్యాలను లేదా సమస్త సామర్థ్యాలను అతిక్రమిస్తాయని చాలా మంది పరిశోధకులు నమ్ముతారు. [12] ఇలాంటి సందర్భాల్లో మానవుల్లాంటి వైఖరులు, అనగా కృత్రిమ స్పృహ లేదా కృత్రిమ మెదడు అవసరం అవుతుందని కొందరు నమ్ముతారు. [72]


పైన పేర్కొన్న పలు సమస్యలే AI-సమస్తంగా పరిగణింపబడతాయి: ఒక సమస్యను పరిష్కరించడానికి అన్ని సమస్యలూ పరిష్కరించాలి. ఉదాహరణకు, యంత్ర అనువాదం లాంటి సరియైన పనుల్లో రచయిత వాదాన్ని యంత్రం అనుసరించాలి, ఏ విషయ (పరిజ్ఞానం) గురించి చర్చ జరుగుతుందో గ్రహించాలి మరియు రచయిత సంకల్పాన్ని యథా ప్రకారంగా పునరుత్పత్తి చేయాలి (సామాజిక మేధస్సు). యంత్ర అనువాదాన్ని AI-సమస్తంగా పరిగణిస్తారు: ఎందుకంటే దీనికి శక్తివంతమైన AI అవసరం, అలాగే మానవులైనా చేస్తారు. [73]


AI విధానాలు [మార్చు]

AI పరిశోధనను నిర్దేశించే సర్వాంగీకార సిద్ధాంతం లేదా ప్రత్యేకమైన ఉదాహరణ లేదు. పరిశోధకులు పలు సమస్యలను అంగీకరించరు. [74] దీర్ఘకాలంగా సమాధానాలు లేకుండా మిగిలిపోయిన కొన్ని ప్రశ్నలు ఇక్కడ ఉన్నాయి: నాడీ మండల శాస్త్రం మరియు మనస్తత్వ శాస్త్రాలను అభ్యసించడం ద్వారా సహజ మేధస్సును కృత్రిమ మేధస్సు అనుకరించాలా? లేదా విమాన సాంకేతిక శాస్త్రానికి పక్షి జీవ శాస్త్రంలా AI పరిశోధనకు మానవ జీవ శాస్త్రం సంబంధం లేనిదా?[75] మేధో ప్రవర్తనను (తర్కం మరియు సర్వోత్తమీకరణం లాంటి) సాధారణమైన, సరళమైన నియమాల ఉపయోగించి వర్ణించవచ్చా?లేదా పూర్తిగా సంబంధంలేని అధిక మొత్తంలో సమస్యలను పరిష్కరించవల్సిన అవసరం ఉందా? [76] పదాలు మరియు ఆలోచనలు లాంటి పై స్థాయి సంకేతాలు ఉపయోగించి మేధస్సును పునరుత్పాదన చేయవచ్చా?లేదా "ఉప-సంకేతిక" సంవిధానం అవసరమా?[77]


సమాచార నియంత్రణ యంత్రాధ్యయనం మరియు మెదడు అనుకరణ [మార్చు]

ప్రధాన వ్యాసంs: Cybernetics and Computational neuroscience
పరిశోధకులకు మానవ మెదడు ఎంతో ప్రేరణ ఇస్తుంది అయితే దాన్ని ఎంతవరకూ అనుకరించాలి అనే విషయంపై ఏకాభిప్రాయం లేదు.

1940 మరియు 1950 దశాబ్దాలలో, చాలా మంది పరిశోధకులు నాడీ మండల శాస్త్రం, సమాచార సిద్ధాంతం మరియు సమాచార శాస్త్రం మధ్య సంబంధాన్ని అన్వేషించారు. కొందరు పరిశోధకులు ప్రాథమిక మేధస్సు ప్రదర్శించేందుకు ఎలక్ట్రానిక్ నెట్‌వర్క్‌లను ఉపయోగించే యంత్రాలను నిర్మించారు, డబ్ల్యూ. గ్రే వాల్టర్ టర్టిల్స్ మరియు జాన్ హాప్‌కిన్స్ బీస్ట్ లాంటివి. చాలా మంది పరిశోధకులు తత్వ సంఘం సమావేశాల కోసం ఇంగ్లాండ్‌లోని రేషియో క్లబ్ మరియు ప్రిన్స్‌టన్ విశ్వవిద్యాలయం వద్ద చేరుకొనేవారు. [13] 1960 దశాబ్దంలో ఈ విధానాన్ని విడిచిపెట్టారు, అయినప్పటికీ 1980‌లో ఇందులోని కొన్ని అంశాలు తిరిగి పుంజుకున్నాయి.


సాంప్రదాయ సంకేత AI [మార్చు]

ప్రధాన వ్యాసం: Good old fashioned artificial intelligence

1950 దశకం మధ్యలో డిజిటల్ కంప్యూటర్‌లు అందుబాటులోకి వచ్చిన తరువాత, మానవ మేధస్సును చిహ్న నైపుణ్యంగా మార్చే మార్గాలను AI పరిశోధన అన్వేషించడం ప్రారంభించింది. మూడు సంస్థలు ఈ పరిశోధనకు కేంద్ర బిందువులుగా మారాయి: CMU, స్టాన్‌ఫోర్డ్ మరియు MIT మరియు వీటిలో ప్రతీ సంస్థ పరిశోధనలో తన ప్రత్యేకతను చాటాయి. ఈ విధానాలను "ఉత్తమమైన మునుపటి తరానికి చెందిన AI" లేదా "GOFAI"గా జాన్ హాగ్లాండ్ పేర్కొన్నారు. [78]


పరిజ్ఞాన అనుకరణ
తత్వవేత్త హెర్బెర్ట్ సిమోన్ మరియు అలెన్ నెవెల్ మానవుల సమస్యను పరిష్కరించే నైపుణ్యాలను అభ్యసించి, క్రమపరచడానికి ప్రయత్నించారు మరియు వారి ఈ పని కృత్రిమ మేధస్సు రంగంలోనే కాక సంజ్ఞాన శాస్త్రం, కార్యాచరణ పరిశోధన మరియు నిర్వహణ శాస్త్రాలకు పునాది అయ్యింది. వారి పరిశోధన బృందం మానవ సమస్య పరిష్కారం మరియు వారు అభివృద్ధి చేసే ప్రోగ్రామ్‌ల (సాధారణ సమస్య పరిష్కరణి లాంటి ప్రోగ్రామ్) మధ్య సారూప్యాలను చూపేందుకు మానసిక ప్రయోగాలను నిర్వర్తించేవారు. కార్నేజ్ మెల్లోన్ విశ్వవిద్యాలయంలో కేంద్రీకృతమైన ఈ సాంప్రదాయం 1980 దశకం మధ్య, సోర్ నిర్మాణ అభివృద్ధి చివరికి ముగింపు దశకు చేరింది. [79] [80]



తార్కిక AI
నేవెల్ మరియు సిమాన్‌లా కాకుండా, మానవులు ఒకే అల్గోరిథంలను ఉపయోగించారు అనే అంశాన్ని ఖాతరు చేయకుండా యంత్రాలకు మానవ ఆలోచన అనుకరణ అవసరం ఉండదని, కానీ సారాంశాన్ని సంగ్రహించే వాద సరళి మరియు సమస్య పరిష్కారానికి మార్గాలను అన్వేషించే ప్రయత్నం చేయాలని జాన్ మెక్‌కార్తే అభిప్రాయపడ్డాడు.

స్టాన్‌‌ఫోర్డ్‌లోని తన పరిశోధనశాలలో (SAIL)లో పరిజ్ఞాన ప్రాతినిధ్యం, ప్రణాళిక మరియు అభ్యాసంతో సహా పలు రకాల సమస్యల పరిష్కారానికి లాంఛనప్రాయ తర్కాన్ని ఉపయోగించడంపై దృష్టి కేంద్రీకరించాడు. [81]ఎడిన్‌బర్గ్ విశ్వవిద్యాలయంలోని మరియు యూరోప్‌లో మరొక చోట పరిశోధనలోని తర్కంపై దృష్టి సారించడం వలన ప్రోగ్రామింగ్ భాష ప్రోలాగ్ మరియు తర్క ప్రోగ్రామింగ్ శాస్త్రాల అభివృద్ధికి దారి తీసింది. [82]



"క్రమరాహిత్య" సంకేత AI
MITలోని పరిశోధకులు (మార్విన్ మిన్‌స్కి మరియు సేమౌర్ పేపర్ట్) [83] అభిప్రాయం ప్రకారం దృష్టి మరియు సహజ భాషా సంవిధానంలోని క్లిష్టమైన సమస్యల పరిష్కారానికి నిర్దిష్టమైన పరిష్కారాలు అవసరం - మేధో ప్రవర్తన యొక్క అన్ని దశలను తెలుసుకోవడానికి సులభమైన మరియు సాధారణ నియమం (తర్కం లాంటి) ఏదీ లేదని వారు వాదించారు. [84]వారి తర్క వ్యతిరేక పోకడలను రోజర్ షాంక్ "క్రమరాహిత్యంగా" వర్ణించాడు (CMU మరియు స్టాన్‌ఫోర్డ్)లోని క్రమ ఉదాహరణలకు వ్యతిరేకంగా ఉన్నాయని). [76] వివేక పరిజ్ఞాన ఆధారాలు (డుగ్ లేనట్ యొక్క Cyc) క్రమరాహిత్య AI ఉదాహరణలు, ఎందుకంటే అవి క్లిష్టమైన భావనను ఒకేసారి చేతితో నిర్మించాల్సి వస్తుంది. [85]



పరిజ్ఞాన ఆధారిత AI
1970‌లో అధిక స్మృతి సామర్థ్యంతో ఉన్న కంప్యూటర్‌లు వాడుకలో వచ్చిన తరువాత, మూడు కాలాల పరిశోధకులు AI అనువర్తనాలలోకి పరిజ్ఞానాన్ని నిర్మించడం ప్రారంభించారు.[86] ఈ పరిజ్ఞాన విప్లవం అత్యంత సామర్థ్యం గల వ్యవస్థ మొట్టమొదటి సఫలమైన AI సాఫ్ట్‌వేర్ అభివృద్ధికి మరియు వినియోగానికి (ఎడ్‌వర్డ్ ఫెగెన్బామ్ ప్రవేశపెట్టిన) కారణం అయ్యింది.

[22] సాధారణ AI అనువర్తనాలకు అపారమైన పరిజ్ఞానం అవసరమని పరిజ్ఞాన విప్లవంలో తెలుసుకున్నారు.



ఉప-సంకేతిక AI [మార్చు]

1960‌లో అధిక-స్థాయి ఆలోచనలను చిన్న ప్రదర్శిత ప్రోగ్రామ్‌లచే అనుకరింప చేయడం ద్వారా సంకేతిక విధానాలు మంచి విజయాన్ని సాధించాయి. తరువాత సమాచార నియంత్రణ యంత్రాభ్యాసం మరియు నాడీ శాస్త్రా‌ల ఆధారిత విధానాలను విసర్జించారు లేదా ఉపయోగించకుండా విడిచి పెట్టారు. [87] 1980 కల్లా సంకేతిక AI అభివృద్ధి నిలిచిపోయినట్లు అనిపించింది మరియు గ్రహించడం, రోబోట్ శాస్త్రం, అభ్యాసం మరియు నమూనా గుర్తింపు లాంటి మానవ పరిజ్ఞానాలను సంకేతిక AI ఎప్పటికీ అనుకరించలేదని చాలా మంది విశ్వసించారు. ఎంతో మంది పరిశోధకులు నిర్దిష్ట AI సమస్యలకు ఉప-సంకేతిక విధానాలను అనుసరించడం ప్రారంభించారు. [77]


దిగువ-ఎగువ, ఏర్పడిన, ఉంచిన, ప్రవర్తన ఆధార AI లేదా నూవెల్లే AI
రోబోట్ శాస్త్రానికి సంబంధించిన పరిశోధకులు, రోడ్నీ బ్రూక్స్ లాంటి వారు సంకేతిక AIను తిరస్కరించి, రోబోట్లు నడవడానికి మరియు జీవించడానికి అనుమతించే ప్రాథమిక సాంకేతిక సమస్యలపై దృష్టి సారించారు.

[88] వారు 50‌వ దశకం మొదట్లో పరిశోధకులు ఉపయోగించిన సంకేతికత లేని దృక్పధాన్ని మరియు నియంత్రణ సిద్ధాంతాన్ని తిరిగి ప్రాచుర్యంలోకి తెచ్చారు. ఈ విధానాలన్నీ ఏర్పడిన మనో సిద్ధాంతానికి సందర్భానుసారంగా సంబంధం ఉంది.



గణన మేధస్సు
1980 మధ్య దశకంలో నాడీ వ్యవస్థ నెట్‌వర్క్‌లు మరియు అనుసంధాన వ్యవస్థలలో అభిరుచిని డేవిడ్ రుమేల్‌హార్ట్ మరియు ఇతరులు తిరిగి ప్రాచుర్యంలోకి తెచ్చారు.

[89] వీటిని మరియు మసక వ్యవస్థలు మరియు పరిణామాత్మక గణనం లాంటి ఇతర ఉప-సంకేతిక విధానాలను వెలువడిన నియమ గణన మేధస్సును ఉపయోగిస్తూ అభ్యసిస్తున్నారు. [90]



గణాంక AI [మార్చు]

1990లలో, AI పరిశోధకులు నిర్దిష్ట ఉపసమస్యలను పరిష్కరించడానికి అధునాతన గణాంక సాధనాలను అభివృద్ధి చేశారు. ఈ సాధనాలు పూర్తిగా శాస్త్రీయమైనవి, ఎందుకంటే వాటి ద్వారా వచ్చే ఫలితాలను ఊహించవచ్చు మరియు సరిచేయవచ్చు మరియు ఇవి తాజా AI విజయాలకు ఆధారంగా మారాయి. ఈ భాగస్వామ్య గణాంక భాష అధిక స్థిర రంగాలతో (గణాంక శాస్త్రం, అర్థ శాస్త్రం మరియు కార్యాచరణ పరిశోధన లాంటి రంగాలు) ఉన్నత స్థాయి సహకారానికి కూడా అనుమతి ఇచ్చింది.మూస:Harvtxt ఈ ఉద్యమం "విప్లవం" కంటే చిన్నది కాదని మరియు క్రమ వ్యవస్థల విజయంగా పరిగణింపబడుతుంది. [25]


విధానాలను అనుసంధానించడం [మార్చు]

మేధో వ్యవస్థ రూపావళి
మేధో వ్యవస్థ అనేది తన పరిస్థితులను గ్రహించి విజయావకాశాలను అధికం చేసే చర్యలను నిర్వహించే వ్యవస్థ.

సులభమైన మేధో వ్యవస్థలు అనేవి నిర్దిష్ట సమస్యలను పరిష్కరించే ప్రోగ్రామ్‌లు. అతి క్లిష్టమైన మేధో వ్యవస్థలు అనేవి సహేతుక, ఆలోచించే మానవులు. [91] ఒకే విధానంపై ఆధారపడకుండా భిన్నమైన సమస్యలను అభ్యసించి, సరిచేయగల మరియు వినియోగించగల పరిష్కారాలు కనుగొనేందుకు పరిశోధకులకు ఈ ఉదాహరణ ఒక లైసెన్స్ ఇస్తుంది. నిర్దిష్ట సమస్యను పరిష్కరించే ఒక వ్యవస్థ పనిచేసే ఎలాంటి విధానాన్ని అయినా ఉపయోగించవచ్చు - కొన్ని వ్యవస్థలు సంకేతికమైనవి మరియు తర్కమైనవి, కొన్ని ఉప-సంకేతిక నాడీ నెట్‌వర్క్‌లు మరియు కొన్ని కొత్త విధానాలను ఉపయోగించవచ్చు. ఈ ఉదాహరణ పరిశోధకులకు నిర్ణయాత్మక సిద్ధాంతం మరియు అర్ధ శాస్త్రం వంటి ఇతర రంగాలతో సంభాషించడానికి ఒక సాధారణ భాషను అందిస్తుంది, వీటిని సంక్షిప్త వ్యవస్థల సందర్భాలకు కూడా ఉపయోగించవచ్చు.1990 దశకంలో మేధో వ్యవస్థ ఉదాహరణను విస్తారంగా అంగీకరించారు. [92]



ఒక వ్యవస్థ నిర్మాణం లేదా పరిజ్ఞాన నిర్మాణం
బహు-వ్యవస్థలోని వ్యవస్థాపిత మేధో వ్యవస్థల నుండి మేధో వ్యవస్థలను నిర్మించేందుకు పరిశోధకులు కొత్త వ్యవస్థలు రూపొందించారు. [93] సంకేతిక మరియు ఉప-సంకేతిక అంశాలు కలిగిన వ్యవస్థను మిశ్రిత మేధో వ్యవస్థ అంటారు మరియు ఇలాంటి వ్యవస్థలను అభ్యసించడం కృత్రిమ మేధస్సు వ్యవస్థ అనుసంధానం అంటారు.

ఒక క్రమానుగతి నియంత్రణ వ్యవస్థ ఉప-సంకేతిక AIకు తక్కువ స్థాయి ప్రతిస్పందన స్థాయిల వద్ద మరియు ప్రణాళిక మరియు ప్రపంచ నమూనాకు అనుమతించే సడళింపు కాల సమస్యల గల సాంప్రదాయక సంకేతిక AIకు దాని అధిక స్థాయిల వద్ద ఒక వారధిని అందిస్తుంది. [94] ఇటువంటి క్రమానుగతి వ్యవస్థకు రోడ్నీ బ్రూక్స్ వరుస నిర్మాణం మొదటి ప్రతిపాదన.



AI పరిశోధన సాధనాలు [మార్చు]

50 సంవత్సరాల పరిశోధనా గమనంలో, కంప్యూటర్ శాస్త్రంలో క్లిష్టమైన సమస్యల పరిష్కారానికి AI భారీ సంఖ్యలో సాధనాలను అభివృద్ధి చేసింది. ఈ పద్ధతుల్లో కొన్ని అతి సాధారణ విధానాలు క్రింద చర్చించబడ్డాయి.



శోధన మరియు సర్వోత్తమీకరణం [మార్చు]

ప్రధాన వ్యాసంs: Search algorithm, Optimization (mathematics), and Evolutionary computation


AIలో ఉండే చాలా సమస్యలను పలు సాధ్యమయ్యే పరిష్కారాలను తెలివిగా శోధించటం ద్వారా సూత్రబద్ధంగా పరిష్కరించవచ్చు.[95]

శోధన చేయడం ద్వారా వాదనను తగ్గించవచ్చు.  ఉదాహరణకి, పూర్వ సిద్ధాంతంల నుండి ముక్తాయింపులు వరకు మార్గాన్వేషణ దారిలో తార్కికమైన నిదర్శనాన్ని వీక్షించవచ్చు, అక్కడ ప్రతి అడుగు ఒక ఉహా ప్రమాణ నియమం యొక్క అనువర్తనంగా ఉంటుంది. [96]
ప్రణాళిక అల్గోరిథంలు ఈ లక్ష్యానికి మార్గాన్ని కనుగొనే ప్రయత్నంలో లక్ష్యాల మరియు ఉపలక్ష్యాల యొక్క క్రమాలు వారీగా శోధిస్తుంది, ఈ ప్రక్రియ అల్ప-తుది విశ్లేషణగా పిలువబడుతుంది. [97]
రోబోల శాస్త్రం‌ అల్గోరిథంలు అవయవాల కదలిక మరియు వస్తువులను సంగ్రహించడానికి పరికూర్పు స్థలంలో స్థానిక శోధనలను ఉపయోగిస్తాయి. [65] 
సర్వోత్తమీకరణం ఆధారంగా చేసుకుని పలు అభ్యాసక అల్గోరిథంలు శోధన అల్గోరిథంలను ఉపయోగిస్తాయి.


సరళ కూలంకష శోధనలు[98]


ఇవి వాస్తవ ప్రపంచ సమస్యలకు చాలా అరుదుగా పనిచేస్తాయి: శోధన స్థలం ఇవి (శోధించడానికి స్థలాల సంఖ్య) త్వరితంగా ఉహాతీత సంఖ్యలుగా పెరుగుతాయి. ఫలితంగా శోధన చాలా నెమ్మదిగా జరుగుతుంది లేదా ఎప్పటికీ పూర్తి కాదు.లక్ష్యాన్ని చేరకుండా నిరోధించే ఎంపికలను తొలగించే పరిష్కార నియమాలు లేదా బండ నియమాలను ఉపయోగించడమే చాలా సమస్యలకు పరిష్కారం. (శోధన క్రమాన్ని కుదించడం అని పిలుస్తారు) పరిష్కార నియమాలు పరిష్కారానికి దారితీసే మార్గం ఉన్న "ఉత్తమ అంచనా"తో ప్రోగ్రామ్‌ను సమకూరుస్తాయి.[99]


1990‌లలో సర్వోత్తమీకరణం యొక్క గణిత సిద్ధాంతం ఆధారంగా ఒక విభిన్న శోధన రూపొందించబడింది.పలు సమస్యలకు, కొన్ని రూపాల ఊహాజనితాలతో శోధనను ప్రారంభించి, నిర్మలీకరించడం సాధ్యం కానంత వరకు ఊహాజనితాలను క్రమంగా నిర్మలీకరించడం ద్వారా సాధ్యమవుతుంది.ఈ అల్గోరిథంలను అంధ పర్వతారోహణగా చిత్రీకరించవచ్చు: మనం అనిర్దిష్ట భూదృశ్యం మీద శోధన మొదలు పెట్టి తరువాత గెంతడం లేదా నడవడం చేస్తూ పర్వత ఉన్నతికి చేరే వరకు మనం ఊహను అభివృద్ధి చేసుకుంటూ పోవాలి. ఇతర సర్వోత్తమీకరణ అల్గోరిథంలలో అనుకరణ మంద శీతలీకరణం, శోధన పుంజం మరియు అనిర్దిష్ట సర్వోత్తమీకరణా‌లు ఉన్నాయి.[100]


పరిణామాత్మక గణన అనేది సర్వోత్తమీకరణ శోధన యొక్క ఒక రూపాన్ని ఉపయోగిస్తుంది.

ఉదాహరణకి, అవి జీవుల జనాభా (ఊహాజనితం)తో ప్రారంభమై, తరువాత పరివర్తనం చెందడానికి మరియు పునఃమేళనం కావడానికి అనుమతించి, ప్రతి తరంలోనూ జీవించడానికి అనుకూలమైన వాటిని మాత్రమే ఎంపిక చేసుకోవడం చేస్తాయి (ఊహాజనితాన్ని అభివృద్ధి చేస్తూ).
పరిణామాత్మక గణన యొక్క రూపాలలో సమూహ మేధస్సు అల్గోరిథంలు (అనగా చీమల సహనివేశం లేదా కణ సమూహ సర్వోత్తమీకరణం)[101] 
మరియు పరిణామాత్మక అల్గోరిథంలు (అనగా అవి జన్యు అల్గోరిథంలు [102]
మరియు జన్యు ప్రోగ్రామింగ్ మొదలైనవి ఉన్నాయి[103][104]


తర్కం [మార్చు]

ప్రధాన వ్యాసంs: Logic programming and Automated reasoning


తర్కాన్ని[105] జాన్ మెక్‌కార్తే తన 1958 సలహా గ్రహీత ప్రతిపాదనలో AI పరిశోధనకు పరిచయం చేసాడు. 1963లో జె. అలెన్ రాబిన్‌సన్ అంక కంప్యూటర్లలో సులభంగా నిర్వర్తించే తార్కిక మినహాయింపు కోసం ఒక సాధారణ, సంపూర్ణ మరియు సమస్త అల్గోరిథ పద్ధతిని కనుగొన్నాడు. [106]

ఏదేమైనా, ఒక అల్గోరిథం యొక్క సరళమైన అమలు త్వరితంగా సమ్మిళిత విస్పోటనం లేదా అనంత మెళికి దారితీస్తుంది.  1974లో రాబర్ట్ కోవల్‌స్కీ తార్కిక వ్యక్తీకరణ ప్రాతినిధ్యాన్ని హార్న్ క్లాజు‌లుగా సూచించాడు (నియమాల రూపంలో ప్రవచనాలు:p  అయితే q ) ఇది తార్కిక మినహాయింపును తిరోగమన కూర్పిక లేదా పురోగమన కూర్పికకి తగ్గించింది.   ఇది సమస్యకు ఉపశమనాన్ని కల్పించింది (కాని తొలగించలేదు).[96] [107]



తర్కం విజ్ఞాన ప్రాతినిధ్యానికి మరియు సమస్యల పరిష్కారానికి ఉపయోగించబడుతుంది, అయితే దీనిని ఇతర సమస్యలకు కూడా అన్వయించవచ్చు.  ఉదాహరణకి, స్వయంచాలక ప్రణాళిక అల్గోరిథం తర్కాన్ని  ప్రణాళిక కోసం ఉపయోగిస్తుంది [108] 
మరియు ప్రేరక తార్కిక ప్రోగ్రామింగ్ అనేది ఒక అభ్యాసన పద్ధతి.[109]

AI పరిశోధనలో పలు తర్కం యొక్క పలు వేర్వేరు రూపాలను ఉపయోగించారు.





  • మసక తర్కం అనేది సూక్తుల యొక్క సత్యాన్ని సాధారణంగా సత్యం (1) లేదా అసత్యం (0) వలె కాకుండా 0 మరియు 1 మధ్య ఒక విలువగా సూచించడానికి అనుమతించే ప్రథమ-క్రమ తర్కం యొక్క ఒక సంస్కరణ. మసక వ్యవస్థలు అనిశ్చిత వాదన కోసం ఉపయోగించబడ్డాయి మరియు ఆధునిక పారశ్రామిక మరియు వినియోగదారు పదార్ధ నియంత్రణ వ్యవస్థలలో విస్తృతంగా దీనిని ఉపయోగించారు. [112]
  • అపక్రమ తర్కా‌లు, బహుశృత తర్కాలు మరియు నిర్భందనలు మొదలైన తర్క రూపాలను అపక్రమ వాదన మరియు అర్హత సమస్య‌లకు సహాయంగా రూపకల్పన చేశారు.

[49]

[45]


==== అనిశ్చిత వాదన కోసం సంభావ్యక పద్ధతులు

====
ప్రధాన వ్యాసంs: Bayesian network, Hidden Markov model, Kalman filter, Decision theory, and Utility theory


AIలో చాలా సమస్యలకు (వాదన, పథకం, అభ్యాసం, గోచరత్వం మరియు రోబో శాస్త్రం) అసంపూర్ణ లేదా అనిశ్చిత సమాచారంతో నిర్వహించబడే ప్రతినిధి అవసరం ఉంది. 80ల తుది మరియు 90‌ల ప్రారంభంలో, ఈ సమస్యల పరిష్కారం కోసం జ్యుడియా పెరల్ మరియు ఇతరులు సంభావ్యత సిద్ధాంతం మరియు అర్ధ శాస్త్రాల నుండి పద్ధతులను ఉపయోగించి శక్తి‌వంతమైన సాధనాలను రూపొందించడంలో విజయం సాధించారు. [113] [114]


బయే‌సియన్ నెట్‌వర్క్‌లు[115] అనేవి ఎక్కువ సమస్యలకు ఉపయోగించే ఒక అతి సాధారణ సాధనం: వాదన (బయే‌సియన్ అనుమాన ప్రమాణం అల్గోరిథం), [116] అభ్యాసం (ఆకాంక్ష-గరిష్టీకరణం అల్గోరిథం,[117] ప్రణాళిక (నిర్ణయాత్మక నెట్‌వర్క్‌లను ఉపయోగిస్తుంది) మరియు గోచరత్వం (చైతన్యవంత బయేసియన్ నెట్‌వర్క్‌లు).[118]


సంభావ్యక అల్గోరిథంలను అదనపు సమయంలో జరిగే విధానాలను విశ్లేషించడానికి గోచరత్వ వ్యవస్థలకు సహాయపడేందుకు డేటా ప్రవాహాల వడపోత, జోస్యం, వివరణలను సులభం చేయడానికి మరియు కనుగొనడానికి కూడా ఉపయోగిస్తారు [119] ఉదా. గుప్త మార్కొవ్ నమూనా‌లు [120] లేదా కాల్‌మ్యాన్ వడపోతలు[121])


అర్ధ శాస్త్రం నుంచి తీసుకున్న ఒక ముఖ్య భావన ప్రయోజనం: ఒక మేధో వ్యవస్థకు ఒక వస్తువు ఎంత విలువైనదో తెలుసుకోవడం.నిర్ణయాత్మక సిద్దాంతం, నిర్ణయాత్మక విశ్లేషణలు, సమాచార విలువ సిద్దాంతాలను ఉపయోగిస్తూ ఏ విధంగా ఒక వ్యవస్థ ఎంచుకోవడం మరియు పథకాన్ని రూపొందించడం చేయగలదో విశ్లేషించే సరైన గణిత సాధనాలు అబివృద్ధి [122] చేయబడ్డాయి.[55] ఈ సాధనాల్లో మార్కొవ్ నిర్ణయాత్మక విధానా‌లు, [123] చైతన్య నిర్ణయాత్మక నెట్‌వర్క్‌లు,[123] క్రీడా సిద్దాంతం మరియు యంత్రాంగ రూపకల్పన[124]


వర్గీకరణ కర్తలు మరియు గణాంక అభ్యాసక పద్దతులు వంటి నమూనాలు ఉన్నాయి [మార్చు]

ప్రధాన వ్యాసంs: Classifier (mathematics), Statistical classification, and Machine learning


అతి సాధారణ AI అనువర్తనాలు రెండు రకాలుగా విభజించబడ్డాయి: వర్గీకరణ కర్తలు ("ప్రకాశిస్తే అది వజ్రం") మరియు నియంత్రణలు ("ప్రకాశితం ఐతే ఎంపిక చేయి")నియంత్రణకర్తలు చర్యలను ఊహించే ముందుగా పరిస్థితులను వర్గీకరిస్తాయి మరియు వర్గీకరణం చాలా AI వ్యవస్థల కేంద్ర భాగాన్ని రూపొందిస్తుంది.


వర్గీకరణ కర్తలు[125] అనేవి సమీప పొంతనను కనుగొనడానికి నమూనా పొంతనను ఉపయోగించే క్రియలు. ఉదాహరణల ప్రకారం వాటిని సరిచేసి, AIలో వినియోగానికి చాలా ఆకర్షణీయంగా తయారు చేయవచ్చు. ఈ ఉదాహరణలను పరిశీలనలు లేదా నమూనాలుగా పిలవవచ్చు.పర్యవేక్షక అభ్యాసంలో, ప్రతి ఒక్క నమూనా ఒక నిర్దిష్ట ముందే నిర్వచించబడిన తరగతికి చెందింది. ఒక తరగతిని తీసుకోవల్సిన నిర్ణయం వలె చూడవచ్చు.వాటి తరగతుల గుర్తులతో కలిసిపోయే అన్ని పరిశీలనలను ఒక డేటా సమితిగా పిలుస్తారు.


ఒక నూతన పరిశీలన స్వీకరించినప్పుడు, ఆ పరిశీలన పూర్వ అనుభవం ఆధారంగా వర్గీకరించబడుతుంది.ఒక వర్గీకరణ కర్త అనేక మార్గాలలో శిక్షణ పొందుతుంది; చాలా గణాంక మరియు యంత్ర అభ్యాస‌ విధానాలు ఉన్నాయి.


విస్తృత స్థాయిలో వర్గీకరణ కర్తలు, ప్రతి ఒక్కటీ దాని బలం మరియు బలహీనతలతో అందుబాటులో ఉన్నాయి. వర్గీకరణ కర్త పనితీరు వర్గీకరించబడే డేటా లక్షణాలపై ఆధారపడి ఉంటుంది. ఇవ్వబడిన అన్ని సమస్యలపై ఉత్తమంగా పనిచేసే ఏకైక వర్గీకరణ కర్త ఏదీ లేదు; దీన్ని "నో ఫ్రీ లంచ్" సిద్ధాంతం వలె కూడా సూచిస్తారు. వర్గీకరణ కర్త పనితీరును సరిపోల్చడానికి మరియు వర్గీకరణ కర్త పనితీరును గుర్తించే డేటా లక్షణాలను కనుగొనడానికి పలు అనుభవిక పరీక్షలను నిర్వహించారు.ఇవ్వబడిన సమస్యకి ఒక యుక్తమైన వర్గీకరణ కర్తను గుర్తించడం అనేది ఇప్పటికీ ఒక శాస్త్రం కంటే ఒక కళగానే చెప్పవచ్చు.


చాలా విస్తృతంగా ఉపయోగించే వర్గీకరణ కర్తలు: నాడీ నెట్‌వర్క్,[126] కెర్నెల్ పద్ధతులు అనగా ఆధార ఆరోహక యంత్రం[127] k-సమీప పొరుగు అల్గోరిధం,[128] గౌస్సియన్ మిశ్రమ నమూనా,[129] సరళ బేయిస్ వర్గీకరణ కర్త,[130] మరియు నిర్ణయాత్మక క్రమం.[131] వర్గీకరణ కర్త పనితీరును కనుగొనే డేటా లక్షణాలను శోధించడానికి వర్గీకరణ [132] విధుల యొక్క విస్తృతమైన పరిధితో ఈ వర్గీకరణ కర్తల పనితీరును సరిపోల్చారు.


నాడీ నెట్‌వర్క్‌లు [మార్చు]

ప్రధాన వ్యాసంs: Neural networks and Connectionism
మానవ మెదడులో ఉన్న అపారమైన నాడీ నెట్‌వర్క్‌తో సంబంధం పెట్టుకొనే కణుపుల అనుసంధాన వ్యవస్థను నాడీ నెట్‌వర్క్ అంటారు.


కృత్రిమ నాడీ నెట్‌వర్క్‌ల అధ్యయనం[126] AI పరిశోధనా రంగం ప్రారంభం కావడానికి ఒక దశాబ్దం ముందు మొదలైంది. 1960లలో ఫ్రాంక్ రోసెన్‌బ్లాట్ ఒక ముఖ్య తొలి సంస్కరణ పెర్సెప్‌ట్రాన్‌ను అబివృద్ధి చేసాడు.[133] 1974లో పాల్ వెర్బోస్ బహుపొరల పెర్సెప్‌ట్రాన్‌‌ల కోసం తిరోగమన ప్రసరణ అల్గోరిధంను అభివృద్ధి చేసాడు. [134] 1980ల మధ్యలో ఇది సాధారణంగా నాడీ నెట్‌వర్క్ పరిశోధన మరియు అనుసంధన పునరుద్ధరణకి కారణం అయ్యింది. తొలిసారిగా 1982లో జాన్ హొప్‌ఫీల్డ్‌చే ఆకర్షక నెట్‌వర్క్ యొక్క ఒక రూపం హొప్‌ఫీల్డ్ నెట్ వర్ణించబడింది.


ఫీడ్‌ఫార్వార్డ్ నాడీ నెట్‌వర్క్, కిరణ సదృశ ఆధారిత నెట్‌వర్క్, కోహొనెన్ స్వీయ-వ్యవస్థీకృత మాన‌చిత్రం మరియు అనేక పునరావృత నాడీ నెట్‌వర్క్‌ల‌తో సహా సాధారణ నెట్‌వర్క్ నిర్మాణాలు అభివృద్ధి చేయబడ్డాయి.[citation needed] నాడీ నెట్‌వర్క్‌లను హెబ్బియాన్ అధ్యయనం, పోటీ అధ్యయనం వంటి సాంకేతిక ప్రక్రియలను మరియు [135]

సాపేక్షకంగా అధిక్రమానుసార లౌకిక స్మృతి మరియు తీవ్ర నమ్మకం నెట్‌వర్క్ యొక్క కొత్త నిర్మాణాలను ఉపయోగించి అధ్యయన సమస్యలకు వర్తింపచేస్తారు.


నియంత్రణ సిద్ధాంతం [మార్చు]

ప్రధాన వ్యాసం: Intelligent control


సమాచార నియంత్రణ యంత్రాధ్యయనం యొక్క రెండవతరం నియంత్రణ సిద్ధాంతం అనేది అనేక ముఖ్య అనువర్తనాలను, ముఖ్యంగా రోబో ‌శాస్త్రం‌లో కలిగి వుంది. [136]


విశేషమైన భాషలు [మార్చు]

AI పరిశోధకులు అనేక విశేష భాషలను AI పరిశోధన కోసం అభివృద్ధి చేసారు.



  • IPL [137] అనేది కృత్రిమ మేధస్సు కోసం తొలిసారిగా అభివృద్ధి చేయబడిన భాష. ఇది జాబితాలు, కూటములు, వ్యూహాలు (పట్టీలు), చైతన్య స్మృతి కేటాయింపు, డేటా రకాలు, ఆవర్తనం, సహకార ఆవర్తనం, ఆర్గమెంట్‌ల వలె చర్యలు, ఉత్పాదకులు (ప్రవాహాలు) మరియు సహకార బహువిధి నిర్వహణతో సహా సాధారణ సమస్య పరిష్కారాన్ని నిర్వహించే ప్రోగ్రామ్‌లకు మద్దతుకు లక్షణాలను కలిగి ఉంది.
  • లిస్ప్ [138] అనేది కంప్యూటర్ ప్రోగ్రామ్‌ల కోసం లండు కలనం ఆధారంగా ఒక ప్రయోగాత్మక గణిత సంకేతనం. అనుసంధాన జాబితాలు అనేవి లిస్ప్ భాషల ముఖ్యమైన డేటా నిర్మాణాలు మరియు లిస్ప్ మూలాధార కోడ్ అనేదే జాబితాలతో రూపొందించబడింది.దీని ఫలితంగా, లిస్ప్ ప్రోగ్రామ్‌లు కొత్త సూత్రాన్ని రూపొందించడానికి ప్రోగ్రామ్‌లను అనుమతించే సూక్ష్మ వ్యవస్థలను అభివృద్ధి చేస్తూ, డేటా నిర్మాణం వలె మూలాధార కోడ్‌ను నియంత్రించగలవు లేదా అలాగే లిస్ప్‌లో కొత్త డొమైన్-నిర్దిష్ట ప్రోగ్రామింగ్ భాషలను పొందుపరిచారు.

లిస్ప్ యొక్క అనేక ఉప భాషలు ఈ రోజు వాడుకలో ఉన్నాయి.

  • ప్రోలాగ్[107][139] అనేది ప్రోగ్రామ్‌లను సంబంధాల రూపంలో తెలియజేసే మరియు ఈ సంబంధాలపై ప్రశ్నల ను అమలు చేయడం ద్వారా పనిచేసే నిర్దేశాత్మక భాష.ప్రోలాగ్ అనేది ప్రత్యేకంగా సంకేత వాదన, డేటాబేస్ మరియు భాషా అన్వయ అనువర్తనాలకు ఉపయోగపడుతుంది. నేడు AIలో ప్రోలాగ్‌ను విస్తృతంగా ఉపయోగిస్తున్నారు.
  • STRIPS అనేది స్వయంచాలక ప్రణాళిక సమస్య సంకేతాల వ్యక్తీకరణకు ఒక భాష. ఇది ప్రాధమిక స్థితి, లక్ష్య స్థితులు మరియు క్రియల సమితులను వ్యక్తీకరిస్తుంది. ప్రతి ఒక్క క్రియకు పూర్వ స్థితులు (క్రియ జరగక ముందు నిర్ణయించవల్సినవి) మరియు అనంతర స్థితులు (క్రియ జరిగాక నిర్ణయించవల్సినవి) పేర్కొన్నారు.
  • ప్లానర్ అనేది ఒక విధాన పరమైన మరియు తార్కిక భాషల మధ్య ఒక మిశ్రిత. ఇది భావాలకు నమూనా-నిర్దేశిక అనుమాన ప్రమాణంతో అంతరాయం కలుగుతుందో అక్కడ తార్కిక విషయాలకు విధాన పరమైన వివరణలను అందిస్తుంది.

AI అనువర్తనాలను తరుచుగా ప్రామాణిక భాష C++ మరియు గణిత శాస్త్రం కోసం రూపొందించిన MATLAB మరియు లష్ వంటి భాషలలో కూడా వ్రాస్తారు.


కృత్రిమ మేధస్సు నాణ్యత పరిశీలన [మార్చు]

ప్రధాన వ్యాసం: Progress in artificial intelligence

ఒకరు ఒక వ్యవస్థ యొక్క మేధస్సుని ఎలా నిర్ధారిస్తారు?1950లో అలన్ టూరింగ్ ఒక వ్యవస్థ యొక్క మేధస్సును పరీక్షించడానికి ఒక సాధారణ నిర్వహణ పద్ధతిని ప్రతిపాదించాడు, దాన్ని ఇప్పుడు టూరింగ్ పరీక్ష‌గా పిలుస్తున్నారు. ఈ నిర్వహణ పద్ధతి పరీక్షించవల్సిన కృత్రిమ మేధస్సు యొక్క ముఖ్యమైన సమస్యల పరీక్షలు అన్నింటినీ అనుమతిస్తుంది. ఏదేమైనా ఇది చాలా క్లిష్టమైన సవాలు మరియు ప్రస్తుతం అన్ని వ్యవస్థలు విఫలమయ్యాయి.


రసాయన శాస్త్రంలో చిన్న సమస్యలు, చేతి-వ్రాత గుర్తింపు మరియు క్రీడ-ఆడటం వంటి నిర్దిష్ట సమస్యల మీద కూడా కృత్రిమ మేధస్సు నాణ్యతను పరీక్ష చేయవచ్చు. ఈ విధమైన పరీక్షలను అంశ విషయ నిపుణ టూరింగ్ పరీక్ష‌లగా పిలుస్తున్నారు. చిన్న సమస్యలు సాధించగల పలు లక్ష్యాలను అందిస్తాయి మరియు ధనాత్మక ఫలితాలు నిరంతర-పురోగామ సంఖ్యలో ఉన్నాయి.


AI పరీక్షల ఫలితాల విస్తృత వర్గాలు:


  • అనుకూలమైన : ఉత్తమంగా పనిచేయడం దీనికి సాధ్యం కాదు.
  • బలమైన మహా-మానవుడు . మానవులందరికన్నా బాగా పని చేయగలదు.
  • మహా-మానవుడు . చాలా మంది మానవుల కన్నా బాగా పని చేస్తుంది.
  • ఉప-మానవుడు చాలా మంది మానవులకన్నా అధమంగా పని చేస్తుంది.


ఉదాహరణకి, చదరంగ పలక (డ్రాఫ్ట్‌లు) వద్ద పనితీరు యొక్క అనుకూలమైనది,[140] చదరంగం వద్ద పనితీరు మహా-మానవుడుగా ఉంటూ బలమైన మహా-మానవుడు‌కి దగ్గరగా ఉంది. [141] మరియు పలు రోజువారీ విధుల వద్ద మానవుల పనితీరు ఉప-మానవుడుగా ఉంది.


ఒక భిన్నమైన విధానం మేధస్సు యొక్క గణిత శాస్త్రం వివరణల నుండి అభివృద్ధి చేసిన పరీక్షల ద్వారా యంత్ర మేధస్సును అంచనా వేసే విధానం ఆధారంగా ఉంటుంది.ఈ రకం పరీక్షల ఉదాహరణలు కోల్మోగోరోవ్ సంక్లిష్టత మరియు సంపీడన నుండి భావాలను ఉపయోగించి తొంభైల చివరిలో ప్రారంభించారు[142]

[143]. యంత్ర మేధస్సు యొక్క ఇదే రకం వివరణలను మార్కస్ హట్టర్ తన యూనివర్సల్ ఆర్టిఫిసియల్ ఇంటెలిజెన్స్‌ ‌లో (స్ప్రింజెర్ 2005) చెప్పాడు, ఇది తదనంతరం లెగ్ మరియు హట్టర్‌లచే అభివృద్ది చేయబడింది. [144]

గణిత శాస్త్రం నిర్వచనాలకు కొంత వెసులుబాటు ఉంది, అది ఏమిటంటే, వాటిని మానవేతర మేధస్సుకు మరియు మానవ పరీక్షకుల లేనప్పుడు వర్తింపచేయవచ్చు.


AI అనువర్తనాలు [మార్చు]

[icon] This section requires expansion. (July 2009)
ప్రధాన వ్యాసం: Applications of artificial intelligence


కృత్రిమ మేధస్సును విజయవంతంగా వైద్య పరీక్షలు, సరుకు వాణిజ్యం, రోబోట్ నియంత్రణ, చట్టం, వైజ్ఞానిక ఆవిష్కరణ, వీడియో గేమ్‌లు, బొమ్మలు మరియు వెబ్ శోధన యంత్రా‌లు మొదలైన వాటిలో ఉపయోగించారు. తరచుగా, ఒక సాంకేతికం ఒక ముఖ్యమైన ఉపయోగ స్థాయిని చేరినప్పుడు అది ఇక ఏ మాత్రం కృత్రిమ మేధస్సు‌గా గుర్తించబడదు, ఒక్కోసారి AI ఫలితం‌గా వర్ణించబడుతుంది. [145] ఇది ఒక్కోసారి కృత్రిమ జీవితంలో కూడా కలిసిపోవచ్చు.


పోటీలు మరియు బహుమతులు [మార్చు]

ప్రధాన వ్యాసం: Competitions and prizes in artificial intelligence

కృత్రిమ మేధస్సులో పరిశోధనను అబివృద్ధి చేయడానికి చాలా పోటీలు మరియు బహుమతులు ఉన్నాయి. అభివృద్ధి చేయదలిచిన ప్రధాన విషయాలు: సాధారణ యంత్ర మేధస్సు, సంభాషక ప్రవర్తన, డేటా-మైనింగ్, చోదక రహిత కారులు, రోబోట్ సాకర్ మరియు క్రీడలు మొదలైనవి.


పురాణం, కల్పన మరియు ఉహలలో AI [మార్చు]

ప్రధాన వ్యాసంs: Artificial intelligence in fiction, Ethics of artificial intelligence, Transhumanism, and Technological singularity


క్రీట్ యొక్క టాలోస్, హెపాస్టస్ యొక్క స్వర్ణ రోబోటులు మరియు పైగ్మాలైనులు గలటెయా వంటి ఆలోచించగల యంత్రాలు మరియు కృత్రిమ జీవులు గ్రీకు పురాణాలు‌లో కనిపిస్తాయి.[146]

ప్రాచీన సమాజాలలో మానవ సాదృశ్యత కలిగిన మేధస్సుని విశ్వసించడం జరిగింది, కొన్ని అత్యంత తొలినాళ్ళ పరిశుద్ధ ప్రతిమలు ఈజిప్ట్ మరియు గ్రీస్‌లో ఆరాధించబడ్డాయి.[147][148]

మరియు యాన్‌షి యంత్రాలతో సహా, [149] అలెగ్జాండరియా యొక్క కథానాయకుడు,[150]

Al- జాజరి [151]

లేదా వోల్ఫ్‌గ్యాంగ్ వోన్ కేంపెలెన్ వంటివి ఉన్నాయి.[152] కృత్రిమ జీవులు సృష్టి జాబిర్ ఐబిన్ హయ్యన్,[153] జూదా లోయివ్ [154] మరియు పారా‌సెల్సస్‌చే జరిగాయి అని విస్తృతంగా విశ్వసించడం జరిగింది.[155]ఈ జీవుల యొక్క కథలు మరియు వాటి అదృష్టాలు కృత్రిమ మేధస్సు‌లో అందించబడిన విధంగానే అవే ఆకాంక్షలు, భయాలు మరియు నీతి శాస్త్ర సంబంధిత నిమిత్తాలను చర్చించాయి. [6]


మేరీ షెల్లీ‌ యొక్క ఫ్రాంకెన్‌స్టీన్ [156] కృత్రిమ మేధస్సు యొక్క నీతిశాస్త్రాల్లో కీలక సమస్య కోసం ఆలోచించింది, ఒక యంత్రం మేధస్సుతో సృష్టించబడితే, దానికి అనుభూతి కూడా ఉంటుందా?అది అనుభూతి పొందగలిగితే, దానికి మానవులకి ఉన్నట్టే అవే హక్కులు ఉంటాయా? ఈ ఆలోచన ఆధునిక వైజ్ఞానిక కల్పన‌లలో కూడా కనిపించింది; కృత్రిమ మేధస్సు:A.I పేరుగా గల ఒక చలన చిత్రం‌లో చిన్న బాలుడు రూపంగా తయారు చేయబడిన యంత్రానికి మానవ భావోద్వేగాలను అనగా దుఃఖం, బాధ వంటి వాటిని అనుభూతి పొందగల సామర్ధ్యానిచ్చారు. రోబోట్ హక్కులు‌గా పిలవబడే ఈ సమస్యను ప్రస్తుతం ఉదాహరణకి, కాలిఫోర్నియాలో ఉన్న ఇన్‌స్టిట్యూట్ ఫర్ ద ఫ్యూచర్ పరిగణించబడుతుంది, [157] అయినప్పటికీ చాలా మంది విమర్శకులు ఈ చర్చ అపరిపక్వం అని విశ్వసిస్తున్నారు. [158]


వైజ్ఞానిక కల్పన సాహితీకారులు మరియు భవిష్యత్తు ఉహాకర్తలచే అన్వేషించబడిన మరో సమస్య ఏమిటంటే సమాజం మీద కృత్రిమ మేధస్సు యొక్క ప్రభావం. కల్పనలో, AI ఒక సేవకుడు (స్టార్ వార్స్‌ లో R2D2)గా, చట్టాన్ని అమలు చేసేవాడు (K.I.T.T. "నైట్ రైడర్") ఒక స్నేహితుడు (స్టార్ ట్రెక్‌ లో లెఫ్ట్‌నెంట్ కమాండర్ డేటా, ఒక విజేత (ది మ్యాట్రిక్స్), ఒక నియంత విత్ ఫోల్డెడ్ హ్యాండ్స్ , అంతం చేసేవాడు (టెర్మినేటర్ ), బ్యాటిల్‌స్టార్ గలాస్టికా , మానవ సామర్ధ్యాలకు పొడిగింపు (గోస్ట్ ఇన్ ది షెల్ ) మరియు మానవ పెందెంలో రక్షకుడు (ది ఫౌండేషన్ సిరీస్ లో ఆర్ డేనీల్ ఒలివావ్)గా కనిపిస్తాడు. విద్యావిషయకమైన వనరులు ఈ రకమైన పరిస్థితులు ఇలా భావించారు: మానవ కూలీల గిరాకీలో తరుగుదల, [159]


మానవ సామర్ధ్యం లేదా అనుభవానికి మెరుగుదల,[160] మరియు మానవుల గుర్తింపు మరియు మౌలిక విలువలకు కొత్త భాష్యం చెప్పవలసిన అవసరం ఉంది.[161]


పలు భవిష్య ఊహాకర్తలు కృత్రిమ మేధస్సు ప్రగతి యొక్క పరిమితులను మించి, ప్రాథమికంగా మానవత్వంగా రూపాంతరమవుతుందని వాదిస్తున్నారు. రే కర్జ్‌వీల్ మూర్ సూత్రం ఉపయోగించి (ఇది అంక సాంకేతిక శాస్త్రంలో అతి విశేషమైన అభివృద్ధిని అసాధారణ కచ్చితత్వంతో చూపింది) మానవుల మెదడుకు ఉన్న ప్రక్రియశక్తి డెస్క్‌టాప్ కంప్యూటర్‌‌లకు 2029‌వ సంవత్సరానికి వస్తుందని గణించాడు, 2045వ సంవత్సరానికి కృత్రిమ మేధస్సు తనకు తానే గతంలో ఏ మాత్రం ఉహించలేని అభివృద్ధి సాధించే స్థాయికి చేరి ఒక దృష్టాంతమును "వైజ్ఞానిక ఏకత్వం" అని వైజ్ఞానిక కాల్పనిక సాహితీకారుడు వెర్నర్ వింగ్ చెప్పాడు. [160] ఎడ్వర్డ్ ఫ్రెడ్‌కిన్ "కృత్రిమ మేధస్సు అనేది పరిణామక్రమంలో తరువాత స్థాయి" అని వాదించాడు, సామ్యూల్ బట్లర్‌ యొక్క "డార్విన్ ఎమాంగ్ ది మిషన్స్"చే (1863) మొదటిగా ప్రతిపాదించిన ఆలోచన మరియు 1998లో అదే పేరుతో జార్జ్ డేసన్ తన పుస్తకంలో విపులీకరించాడు. అనేక మంది భవిష్యత్తు ఊహాకర్తలు మరియు వైజ్ఞానిక కల్పన సాహితీకారులు భవిష్యత్తులో మానవులు మరియు యంత్రాలు కలిసిపోయి సైబోర్గ్‌లుగా అవతరించి మానవులు మరియు యంత్రాలు కన్నా ఎక్కువ సామర్ధం మరియు శక్తిని కలిగి ఉంటాయని చెబుతున్నారు.అల్డోస్ హుక్స్‌లే మరియు రాబర్ట్ ఎట్టింగర్‌లో అంకురించిన మానవ రూపాంతరణ అనే ఈ ఆలోచన ప్రస్తుతం రోబోట్ రూపకర్త హాన్స్ మారావెక్, సమాచార నియంత్రణ శాస్త్రవేత్త కీవెన్ వార్విక్ మరియు సృష్టికర్త రే కుర్జ్‌వీల్‌లు అనుసరిస్తున్నారు.[160] మంగాలో గోస్ట్ ఇన్ ది షెల్ మరియు వైజ్ఞానిక కల్పన శ్రేణి డ్యూన్‌ లో వంటి కల్పనలో సైతం మానవ రూపాంతరణను చిత్రీకరించబడింది. పమేలా మెక్‌కోర్డాక్ ఈ దృశ్యాలను ప్రాచీన మానవుల ఆకాంక్ష యొక్క భావాలుగా వర్ణిస్తూ, దీన్ని "దేవుని వలె సృష్టించడం" అని పేరు పెట్టింది. [6]


వీటిని కూడా చూడండి [మార్చు]

ప్రధాన వ్యాసం: Outline of artificial intelligence

AI పథకాల జాబితా

AI పరిశోధకుల జాబితా

వైజ్ఞానిక ఏకత్వం



గమనికలు [మార్చు]

  1. ↑ Poole, Mackworth & Goebel 1998, p. 1కృత్రిమ మేధస్సుకి పర్యాయపదంగా "గణన మేధస్సు" అనే పదం వాడుతాడు) ఇతర పాఠ్యపుస్తకాలు AI‌ని ఇలా కూడా విసదీకరించాయిమూస:Harvtxt మరియు మూస:Harvtxt (హేతుబద్ధ వ్యవస్థ పదం వాడే వాడు) మరియు "సమస్త-వ్యవస్థ వీక్షణం విస్తృతంగా ఈ రంగంలో అంగీకరించబడింది."
  2. ↑ సాంకేతిక శాస్త్రం యొక్క శాఖ కృత్రిమ మేధస్సు, అది యంత్రాలలో మేధస్సు యొక్క రూపకల్పన మరియు అధ్యయనాన్ని లేదా కంప్యూటర్ ద్వారా వ్యవస్థలను చూస్తుంది. ఈ నిర్వచనం లక్ష్యాలు, పనులు, గోచరత్వం మరియు పర్యావరణం మొదలైన వాటి పరమైనది మూస:Harvtxt. ఇతర నిర్వచనాలు కూడా జ్ఞానం మరియు అభ్యాసాలను అదనపు ప్రమాణాలుగా కలిగి ఉన్నాయి.
  3. ↑ ఏమైనా ఈ విషయం మీద కొంత వివాదం ఉంది (చూడు Crevier 1993, p. 50), మెక్‌క్యార్తి ఒక సి‌నెట్ ఇంటర్వ్యూలో "నేను ఈ పదంతో వచ్చాను" అని రూఢిగా చెప్పాడు (చూడు యంత్రాలను మనలాగా ఆలోచించేలా చేయడం.)
  4. ↑ చూడు జాన్ మెక్‌కార్తి, కృత్రిమ మేధస్సు అంటే ఏమిటి?
  5. ↑ 5.0 5.1 డార్ట్ మౌత్ ప్రతిపాదన
  6. ↑ 6.0 6.1 6.2 ఆలోచించే యంత్రాలు అనేది పమేలా మెక్‌కోర్‌డక్ యొక్క ఒక కేంద్ర ఆలోచన. "ఒక పూజ్యనీయ సాంస్కృతిక ఆచారం యొక్క శాస్త్రీయ దైవత్వంగా కృత్రిమ మేధస్సు"ని నేను ఆలోచించడానికి ఇష్టపడతాను అని ఆమె వ్రాసింది. (McCorduck 2004, p. 34)"కృత్రిమ మేధస్సు ఒక రూపంలో ఉంది లేదా ఒక ఆలోచన పాశ్చాత్య మేధావి చరిత్రలో వ్యాపించి ఉంది, అది ఒక స్వప్నం వెంటనే వాస్తవం అవ్వవలసిన అవసరం ఉంది". కృత్రిమ మేధస్సు నిర్మాణానికి మన చరిత్ర విచిత్ర, హాస్యరస, అత్యాధారణ, పౌరాణిక మరియు వాస్తవ సంఘటనా సమ్మేళనంగా ఉంది, మనకు ఏది అతి ముఖ్యమో ఎరిగి సాదారణమైన దానిని దాటి వెళ్లి పునరుత్పత్తి చేయడానికి పురాణం మరియు వాస్తవముల మధ్యలో, ముందు మరియు వెనుక కర్మాగారాలు సరఫరా చేయలేనివి మన ఉహాలు చేసాయి, మనం చాలా దీర్ఘకాలం ఈ వింతైన రూపం యొక్క స్వీయ-పునరుత్పత్తికి కట్టుబడి ఉండవలసి వచ్చింది." (McCorduck 2004, p. 3)హెల్లేనిస్తిక్ మూలాల ఆకాంక్షను ఆమె తిరిగి కనుగొని దానికి "దేవతల సృష్టిలా ప్రతి సృష్టి చేయడం" అని పిలిచింది. (McCorduck 2004, p. 340-400)
  7. ↑ తొలి AI పరిశోధకుల యొక్క ఉహలతో ఆశావాదం కలగలసినది ( చూడు AI చరిత్రలో ఆశావాదం) అదే విధంగా ఆధునిక మానవ రూపాంతరితులు యొక్క ఆలోచనలు అనగా రే కర్జ్‌వీల్.
  8. ↑ "వైఫల్యాలు" 1966 యొక్క ALPAC నివేదికలో, 1970‌లో పెర్సెప్‌ట్రాన్‌ల యొక్క పరిత్యజన, 1973 యొక్క లైట్‌హిల్ నివేదిక మరియు 1987లో లిస్ప్ యంత్రం యొక్క వ్యాపారం కూలిపోవడం మొదలైనవన్నీ జత చేసేలాగా సూచినబడ్డాయి,
  9. ↑ 9.0 9.1 సన్నివేశాల వెనుక AI అనువర్తనాలు విస్తృతంగా వినియోగించబడ్డాయి:
  10. ↑ 10.0 10.1 ఉప రంగాలకు AI భాగాహర్యం:
  11. ↑ 11.0 11.1 మేధావి చిహ్నాల యొక్క జాబితా పెద్ద AI పాఠ్యపుస్తకాలలో విషయాల ఆధారంగా వుంటూ కలగలిసి ఉన్నాయి:
  12. ↑ 12.0 12.1 సాధారణ మేధస్సు (బలమైన AI) AI: జనరంజక పరిచయాలులో చర్చించబడింది.
  13. ↑ 13.0 13.1 AI'ల తక్షణ పూర్వగాములు: కృత్రిమ మేధస్సు యొక్క చరిత్రలో సమాచార శాస్త్రాలు మరియు తొలి నాడీ నెట్‌వర్క్‌ల కోసం ఇంకా చూడు. పరిశోధకుల మధ్య గణన సిద్దాంతం‌కు, సమాచార శాస్త్రాలకు, సమాచార సిద్దంతంకు మరియు నాడీ నెట్‌వర్క్‌లకు అలెన్ టూరింగ్, జాన్ వోన్ న్యూ‌మ్యాన్, నోర్బర్ట్ వీనర్, క్లాడ్ షానన్, వారన్ మెక్‌కాల్లాగ్ , వాల్టర్ పిట్స్, మరియు డోనాల్డ్ హెబ్ మొదలైన వారు పునాది వేసారు.
  14. ↑ డార్ట్‌మౌత్ సమావేశం:
  15. ↑ కంప్యూటర్ ఎప్పుడైనా ఏదైనా తెలివైన దానిని చేస్తే ఆశ్చర్యంగా వుండేది అని రస్సెల్ మరియు నోర్విగ్ వ్రాసారు."Russell & Norvig 2003, p. 18
  16. ↑ AI యొక్క "సువర్ణ అధ్యాయాలు" (విజయవంత సంకేతిక వాదన ప్రక్రియలు 1956-1973): నిర్వచించబడిన ప్రోగ్రాములు డానియల్ బాబ్రో యొక్క STUDENT, నేవేల్ మరియు సిమోన్‌ల తార్కిక సిద్దాంత కర్త మరియు టెర్రీ వినోగ్రాడ్ యొక్క SHRDLU మొదలైనవి.
  17. ↑ DARPA 1960‌లలో దిశానిర్దేశ స్వచ్చత లేని AI పరిశోధనకు ధనమును దారపోసింది.
  18. ↑ Simon 1965, p. 96ఉల్లేఖనంలోCrevier 1993, p. 109
  19. ↑ Minsky 1967, p. 2 ఉల్లేఖనంలో Crevier 1993, p. 109
  20. ↑ చూడు కృత్రిమ మేధస్సు చరిత్ర — సమస్యలు
  21. ↑ ప్రధమ AI శీతాకాలం:
  22. ↑ 22.0 22.1 నిపుణ వ్యవస్థలు:
  23. ↑ 1980 యొక్క పెరుగుదల: నిపుణ వ్యవస్థలు యొక్క ఉద్భవం, ఐదవ తరం పధకం, అల్వి, MCC, SCI:
  24. ↑ ద్వితీయ AI శీతాకాలం:
  25. ↑ 25.0 25.1 ప్రామాణిక పద్దతులు ఇప్పుడు ఎంపిక చేయబడ్డాయి. ("నీట్స్ యొక్క విజయం"):
  26. ↑ ఈ క్రింద స్థాయిలు విషయం యొక్క ప్రామాణిక చర్చలలో ఉదహరించబడ్డాయి, అవి:
  27. ↑ టూరింగ్ పరీక్ష యొక్క తాత్విక భావనలు
  28. ↑ భౌతిక సంకేత వ్యవస్థల పరికల్పన:
  29. ↑ డ్రీ‌ఫస్ భౌతిక సంకేత వ్యవస్థ పరికల్పన యొక్క ఆవశ్యకత స్థితిని విమర్శించాడు, దీనిని "మానసిక ఉహానం" అని పిలిచాడు: "ప్రాధమిక సూత్రాలకు అనుగుణంగా సమాచారం యొక్క లేశాల మీద మది పరికరాల అనువర్తనంగా కనిపిస్తుంది". (Dreyfus 1992, p. 156)
  30. ↑ AI యొక్క డ్రీ‌ఫస్ విమర్శ:
  31. ↑ గోడెల్ సిద్దాంతాల యొక్క ముఖ్య భావం యొక్క అభిప్రాయ వివరణం
  32. ↑ గణిత సంభదిత అభ్యంతరం:
    గణిత అభ్యంతారానికి ఖండన:Turing 1950 “(2) గణిత సంభదిత అభ్యంతరం" క్రింద
    గణిత సంభదిత అభ్యంతర తయ్యారి:
  33. ↑ నుండి ఈ కధనం మూస:Harvtxt, మరియు ఇంకా ఉల్లేఖనంలోDennett 1991, p. 435 సీర్లె యొక్క అసలు సూత్రీకరణ ఏమిటంటే " తగినట్టుగా ప్రక్రియకరణమైన కంప్యూటర్‌ను నిజంగా ఒక మది అని చెప్పవచ్చు, అనగా సరి అయిన ప్రోగ్రాములు ఇవ్వబడిన కంప్యూటర్లు తెలిసిన స్థితులలో బాగా అర్ధం చేసుకుంటాయి". 125బలమైన AI ఇదే విధంగా నిర్వచించబడిందిమూస:Harvtxt: "స్థిరీకరణమైన యంత్రాలు తెలివిగా పనిచేయవచ్చు (లేదా అవి గనుక తెలివిగా పనిచేస్తే బహుసా మెరుగైనవి కూడా) దీనిని 'బలహీన AI పరికల్పన అని, మరియు స్థిరీకరణమైన యంత్రాలు నిజంగా ఆలోచిస్తే (ఆలోచన అనుకరణను ప్రతిఘటించినట్టుగా) దానిని బలమైన AI పరికల్పన" అని తాత్వికులు అన్నారు
  34. ↑ సీర్లె యొక్క చైనీస్ రూమ్ వాదన:
  35. ↑ కృత్రిమ మెదడు:
    జేనాన్ పిలిషిన్ ఇంకా జాన్ సీర్లె‌లు 1980లో దీనిని తాకారు. డానియల్ దేన్నేట్ మానవ చేతస్సుకు బహు ప్రయోజనాత్మక ఆలోచనల భూమిక వున్నట్టు చూసాడు; చూడు " చేతస్సు వివరణం".
  36. ↑ సమస్య పరిష్కారం, చిక్కు పరిష్కారం, క్రీడ జరిగించడం మరియు మినహాయింపు:
  37. ↑ అనిశ్చిత వాదనం:
  38. ↑ అస్వాధీనత మరియు సమర్ధత మరియు మిశ్రమ విస్ఫోటనం
  39. ↑ అనేక ప్రఖ్యాత ఉదాహరణలను సంజ్ఞాన శాస్త్రం ఇచ్చింది:మూస:Harvtxtసంపూర్ణ సంగ్రహ సమస్యలు మీద ప్రజల పని నిమ్న స్థాయిలో ఉంది, కాని అదే సమస్యను సామాజిక మేధస్సు మీద ప్రతిస్థితి చేసినప్పుడు పనితనం నాటకీయగా మెరుగు పడింది. (చూడు వాసన్ పని ఎంపిక)
    • మూస:Harvtxtఅనిశ్చిత వాదన మిళితమైన ప్రాధమిక సమస్యలలో ప్రజలు భయావహంగా ఉన్నట్టు కనిపించింది.
    (చూడు చాలా ఉదాహరణల కోసం పరిజ్ఞాన పక్షపాతములు జాబితా)
    • మూస:Harvtxtగణితంలో మన సామర్ధ్యాలు జ్ఞానం మరియు సామర్ధ్యాలు అనగా అవి ఒక "శరీరం" అనగా జ్ఞానేంద్రియ చాలకం మరియు గ్రాహ్యత సామర్ధ్యాలు మీద ఆధారపడి ఉంటాయి అని వివాధస్పధ వాదన అయింది.
    (చూడు గణితం ఉద్భవ స్థలం)
  40. ↑ జ్ఞాన ప్రాతినిధ్యం
  41. ↑ జ్ఞాన సాంకేతిక శాస్త్రం
  42. ↑ 42.0 42.1 వర్గీకరణములు మరియు సంభంధాలు ప్రాతినిధ్యం: అర్ధ నెట్‌వర్క్‌లు, వర్ణన తర్కా‌లు, పారంపర్యం ( పట్టీ‌లు మరియు లేఖనములు:
  43. ↑ 43.0 43.1 ఘటనలు మరియు సమయం ప్రాతినిధ్యం: స్థితి కలనం, ఘటన కలనం, దారళ కలనం (పట్టీ సమస్య పరిష్కారంతో కలసి):
  44. ↑ 44.0 44.1 నైమిత్తిక కలనం:
  45. ↑ 45.0 45.1 జ్ఞానం గురంచి జ్ఞానం ప్రాతినిధ్యం: విశ్వాస కలనం సరాసరి తర్కాలు
  46. ↑ లక్షణ శాస్త్రం
  47. ↑ McCarthy & Hayes 1969. మెక్ క్యార్తి ముందుగా పనుల యొక్క తార్కిక ప్రాతినిధ్య విషయాలని Russell & Norvig 2003 అపార నెట్ వర్క్ యొక్క ఉహాలలో అపక్రమ వాదన యొక్క సాధారణ విషయాలకు మన సాధారణవివేక జ్ఞానం క్రింద అనువర్తించడం ద్వారా ఆలోచించాడు
  48. ↑ McCarthy & Hayes 1969. మెక్ క్యార్తి ముందుగా పనుల యొక్క తార్కిక ప్రాతినిధ్య విషయాలని Russell & Norvig 2003 అపార నెట్ వర్క్ యొక్క ఉహాలలో అపక్రమ వాదన యొక్క సాధారణ విషయాలకు మన సాధారణవివేక జ్ఞానం క్రింద అనువర్తించడం ద్వారా ఆలోచించాడు
  49. ↑ 49.0 49.1 అపక్రమ వాదన మరియు అపక్రం తర్కం, బహుశృత తర్కా‌లు, నిర్భందన సంవృత ప్రపంచ ఊహనం, హస్త గతం ( పూలే et al. ‌‌ "అపక్రమ వాదన" క్రింద హస్తగతం ఉంచాడు లూగర్ et al. దీనిని "అనిశ్చిత వాదన" క్రింద పెట్టాడు):
  50. ↑ సాధారణ వివేక జ్ఞానం యొక్క విశాలత:
    Lenat & Guha 1989పరిచయం
  51. ↑ Dreyfus & Dreyfus 1986
  52. ↑ Gladwell 2005
  53. ↑ 53.0 53.1 మూర్తిభవించిన ప్రదర్శనగా నిపుణ జ్ఞానం:Dreyfus & Dreyfus 1986(హ్యుబర్ట్ ద్రేఫస్ ఒక తత్వవేత్త మరియు AI యొక్క విమర్శకుడు, మానవుల ఉపయోగకరమైన జ్ఞానమును ఉప-సంకేతిక పరివర్తన కోసం అందరికన్నా ముందుగ వాదించాడు.)Gladwell 2005(గ్లాడ్‌వెల్ యొక్క బ్లింక్ ఉప-సంకేత వాదన మరియు జ్ఞానంకు ప్రాచుర్యం పొందిన పరిచయం.)Hawkins 2005 (హాకిన్స్ ఉప-సంకేతిక జ్ఞానమును AI పరిశోధనలో ప్రాధమికంగా కేంద్రీకరించాలి అని వాదించాడు.)
  54. ↑ ప్రణాళిక:
  55. ↑ 55.0 55.1 సమాచార విలువ సిద్ధాంతం:
  56. ↑ శాస్త్రీయ ప్రణాళిక:
  57. ↑ అసంకల్పిత డొమైన్‌లలో ప్రణాళిక మరియు వ్యవహరించుట: షరతు పూర్వక ప్రణాళిక, నిర్వహణ పర్యవేక్షణ, పునఃప్రణాళిక మరియు నిరంతరాయ ప్రణాళిక:
  58. ↑ బహు-వ్యవస్థ ప్రణాళిక మరియు అత్యావస్యక ప్రవర్తన:
  59. ↑ అభ్యాసం
  60. ↑ . అలెన్ టూరింగ్ 1950లలోనే తన శాస్త్రీయ పత్రంలో గణన యంత్రాంగం మరియు మేధస్సు‌ అభ్యాసం యొక్క కేంద్రకత్వాన్ని చర్చించాడు. (Turing 1950)
  61. ↑ ఉపబలమిత అభ్యాసం:
  62. ↑ సహజ భాష ప్రక్రియకరణం:
  63. ↑ సహజ భాష ప్రక్రియకరణముల అనువర్తనాలలో సమాచారాన్ని యదాస్థితికి తీసుకు రావడం కలసి ఉంది ( అనగా టెక్స్ట్ మైనింగ్ మరియు యంత్ర అనువాదం):
  64. ↑ రోబో శాస్త్రములు
  65. ↑ 65.0 65.1 చలనం మరియు అమరిక స్థలం
  66. ↑ రోబోశాస్త్రం ప్రతిలేఖనం (స్థానికీకరణం మొదలైనవి):
  67. ↑ యంత్ర గోచరత్వం
  68. ↑ కంప్యూటర్ దృష్టి:
  69. ↑ వాక్కు గుర్తింపు:
  70. ↑ వస్తు గుర్తింపు:
  71. ↑ ఉద్వేగం మరియు ప్రభావిత గణనం:
  72. ↑ గెరాల్డ్ ఎదెల్‌మ్యాన్, ఐగోర్ అలెక్సాండర్ మరియు ఇతరులు బలమైన AIకు కృత్రిమ చేతస్సు అవసరం అని వాదించారు. CITATION IN PROGRESS రే కర్జ్‌వెల్, జెఫ్ హాకిన్స్ మరియు ఇతరులు మానవ మెదడు యొక్క కార్యాచరణ అనుకరణ అనేది బలమైన AIకు అవసరం అని వాదించారు. CITATION IN PROGRESS
  73. ↑ AI సమస్తం:
  74. ↑ నిల్స్ నిల్సన్ "AI దేని కోసమో ఆ రంగంలో విస్తృత అభిప్రాయబేధం ఉందని వ్రాసాడు." (Nilsson 1983, p. 10)
  75. ↑ జీవ మేదస్సు vs. సాధారణ మేదస్సు:Russell & Norvig 2003, pp. 2-3 వైమానిక సాంకేతిక శాస్త్రంతో సారూప్యం ఉన్న తయ్యారిని చేసాడు.
    • McCorduck 2004, pp. 100-101కృత్రిమ మేదస్సులో రెండు ముఖ్యమైన విభాగాలు ఉన్నాయి అని వ్రాసాడు, "మొదటిది అవి ఏ విధంగా ప్రావిణ్యపరిచినా వాటి లక్ష్యం మేధో ప్రవర్తన మరియు రెండవది ప్రకృతిలో ఉన్న మేధస్సును నమూనా చేయడం మరీ ముఖ్యంగా మానవులని."
    Kolata 1982, శాస్త్రం లో ఒక పత్రం, అది జీవ నమూనాలకు మెక్‌క్యార్తి యొక్క ఉపేక్షతను వర్ణిస్తుంది. " ఇది AI, కావున మానసికంగా అది వాస్తవం ఆయినా లక్ష్యపెట్టనవసరం లేదు" అన్నట్టుగా మెక్‌క్యార్తి వ్రాసాడు అని కొలాట ఉల్లేఖించాడు [1]. AI@50 వద్ద మెక్‌క్యార్తి ఇటీవల పదవీ విరమణ చేసాడు, అక్కడ " కృత్రిమ మేధస్సు మానవ మేధస్సుకి నిర్వచనం, అనుకరణా కాదని" చెప్పాడు(Maker 2006).
  76. ↑ 76.0 76.1 శుభ్రతలు vs. అశుభ్రతలు
  77. ↑ 77.0 77.1 సంకేత vs. ఉప-సంకేత AI:మూస:Harvtxt"ఉప-సంకేతికత" అను పదం వాడిన అతను.
  78. ↑ Haugeland 1985, pp. 112-117
  79. ↑ పరిజ్ఞాన అనుకరణ, నెవేల్ మరియు సిమోన్, AI వద్ద CMU (తరువాత కార్నేగి టెక్‌గా పిలిచారు)
  80. ↑ ఎగురుట (చరిత్ర):
  81. ↑ SAIL మరియు SRI వద్ద మెక్‌క్యార్తి మరియు AI పరిశోధన:
  82. ↑ ఫ్రాన్స్‌లో మరియు ఈడెన్‌బర్గ్ వద్ద AI పరిశోధన, ప్రోలోగ్ పుట్టుక:
  83. ↑ 1960లో మార్విన్ మిన్‌స్కి క్రింద MIT వద్ద AI:
  84. ↑ 1960లో మార్విన్ మిన్‌స్కి క్రింద MIT వద్ద AI:
  85. ↑ Cyc:McCorduck 2004, p. 489"ఒక సంకల్పితమైన అశుభ్ర యత్నం" అని పిలిచారు.
  86. ↑ జ్ఞాన విప్లవం:
  87. ↑ 1969లో మార్విన్ మిన్‌స్కి మరియు సేయమౌర్ పాపెర్ట్‌లచే అత్యంత నాటకీయంగా AI ఉప-సంకేతిక నేపధ్యంలోకి నెట్టబడడం పెర్సేప్‌ట్రాన్‌ల యొక్క విధ్వంసభరిత ఆక్షేపణ. చూడు AI చరిత్ర, AI శీతాకాలం లేదా ఫ్రాంక్ రోసేన్‌బ్లాట్
  88. ↑ AI కోసం మూర్తీభవించిన సామిప్యాలు
  89. ↑ అనుసంధాన వ్యవస్థ పునరుజ్జీవం:
  90. ↑ IEEE గణన మేధో సంస్థను చూడండి
  91. ↑ మేధో వ్యవస్థ లక్షణం:
  92. ↑ "సమస్త-వ్యవస్థ అభిప్రాయం ఈ రంగంలో సర్వత్రా అంగీకరించబడింది"Russell & Norvig 2003, p. 55
  93. ↑ వ్యవస్థ నిర్మాణాలు, మిశ్రిత మేధో వ్యవస్థలు:
  94. ↑ ఆల్బస్, జె. ఎస్. యొక్క మానవరహిత భూవాహనాలకు 4-D/RCS రూప నిర్మాణము ఉప ప్రమాణంగా ఉంది. జి గేర్‌హార్ట్, ఆర్. గన్డర్‌సన్, మరియు సి షుమేకర్, ఎడిటర్, ప్రొసీడింగ్స్ ఆఫ్ ది SPIE ఏరోసెన్స్ సెషన్ ఆన్ మానవరహిత భూవాహన సాంకేతికం, వాల్యూమ్ 3693, పేజీలు 11—20
  95. ↑ అల్గోరిథం‌ల శోధన
  96. ↑ 96.0 96.1 పురోగమన కూర్పికం, తిరోగమన కూర్పికం, హార్న్ఉపవాక్యాలు మరియు తార్కిక మినహాయింపు శోధన:
  97. ↑ స్థితి స్థల శోధన మరియు ప్రణాళిక
  98. ↑ అశిక్షిత శోధనలు (విశాల ప్రధమ శోధన, లోతైన ప్రధమ శోధన మరియు సాధారణ స్థల స్థితి శోధన):
  99. ↑ పరిష్కార నియమాలు లేదా శిక్షిత శోధనలు (ఉదా., అత్యాశక ఉత్తమ ప్రధమ మరియు A*):
  100. ↑ సర్వోత్తమీకరణం శోధనలు:
  101. ↑ కృత్రిమ జీవితం మరియు సమాజ ఆధారిత అభ్యాసం:
  102. ↑ అభ్యాసం కోసం జన్యు అల్గోరిధము‌లు: ఇవి కూడా చూడుము Holland, John H. (1975). Adaptation in Natural and Artificial Systems. University of Michigan Press. ISBN 0262581116. 
  103. ↑ Koza, John R. (1992). Genetic Programming. MIT Press. 
  104. ↑ Poli, R., Langdon, W. B., McPhee, N. F. (2008). A Field Guide to Genetic Programming. Lulu.com, freely available from http://www.gp-field-guide.org.uk/. ISBN 978-1-4092-0073-4. 
  105. ↑ తర్కం
  106. ↑ తీర్మానము మరియు సంధానం:
  107. ↑ 107.0 107.1 తర్క ప్రక్రియకరణ చరిత్ర: సలహా గ్రహీత:
  108. ↑ స్వయంచాలక ప్రణాళిక:
  109. ↑ వివరణ ఆధారిత అభ్యాసం, సాంగత్య ఆధారిత అభ్యాసం, అనుమేయమైన తర్క ప్రోగ్రామింగ్, విషయ ఆధారిత వాదం:
  110. ↑ ఉపపాదన తర్కం:
  111. ↑ ప్రధమ-వరుస తర్కం మరియు సమానత్వం లాంటి లక్షణాలు
  112. ↑ మసక తర్కం:
  113. ↑ AI కోసం జుడా పర్ల్ యొక్క భాగస్వామ్యం:
  114. ↑ అనిశ్చిత వాదన కోసం యాదృచ్చిక పద్దతులు:
  115. ↑ బయెసియన్ నెట్‌వర్క్‌లు:
  116. ↑ బయేసియన్ ప్రమాణ అల్గోరిథం:
  117. ↑ బయేసియన్ అభ్యాసం మరియు ఆకాంక్ష-గరిష్టీకరణం అల్గోరిథం:
  118. ↑ చైతన్యవంత బయేసియన్ నెట్‌వర్క్‌:
  119. ↑ యాదృచ్చిక కాలానుగుణ నమూనాలు: Russell & Norvig 2003, pp. 537-581
  120. ↑ గుప్త మర్కొవ్ రూపం:
  121. ↑ కల్మన్ వడపోత:
  122. ↑ నిర్ణయాత్మక సిద్ధాంతం మరియు నిర్ణయాత్మక పరిశీలన:
  123. ↑ 123.0 123.1 మర్కొవ్ నిర్ణయాత్మక పద్దతులు మరియు చైతన్య నిర్ణయాత్మక నెట్‌వర్క్‌లు:
  124. ↑ గేమ్ సిద్ధాంతం మరియు యంత్రాంగ రూపకల్పన:
  125. ↑ గణాంక అభ్యాస పద్దతులు మరియు విభజనకర్తలు:
  126. ↑ 126.0 126.1 నాడీ నెట్‌వర్క్ మరియు అనుసంధాన వ్యవస్థ
  127. ↑ కెర్నల్ పద్దతులు:
  128. ↑ కె-అతిసమీప పొరుగు అల్గోరిథం:
  129. ↑ గాసియన్ మిశ్రమ రూపం:
  130. ↑ సాధారణ బేయిస్ విభజన:
  131. ↑ నిర్ణయాత్మక క్రమం:
  132. ↑ van der Walt, Christiaan. "Data characteristics that determine classifier performance" (PDF). 
  133. ↑ పర్సె‌ప్‌ట్రాన్స్:
  134. ↑ తిరోగమన ప్రసరణ:
  135. ↑ పోటీ అభ్యాసం, హెబ్బియన్ కాకతాళీయ అభ్యాసం, హోప్‌ఫీల్డ్ నెట్‌వర్క్‌లు మరియు ఆకర్షక నెట్‌వర్క్‌లు:
  136. ↑ నియంత్రణ సిద్ధాంతం:
  137. ↑ Crevier 1993, p. 46-48
  138. ↑ లిస్ప్:
  139. ↑ ప్రోలాగ్:
  140. ↑ Schaeffer, Jonathan (2007-07-19). "Checkers Is Solved". Science. Retrieved 2007-07-20. 
  141. ↑ కంప్యూటర్ చదరంగం#కంప్యూటర్‌లు ప్రతిగా మానవులు
  142. ↑ Jose Hernandez-Orallo (2000). "Beyond the Turing Test". Journal of Logic, Language and Information 9 (4): 447–466. Retrieved on 2009-07-21. 
  143. ↑ D L Dowe and A R Hajek (1997). "A computational extension to the Turing Test". Proceedings of the 4th Conference of the Australasian Cognitive Science Society. Retrieved on 2009-07-21. 
  144. ↑ Shane Legg and Marcus Hutter (2007). "Universal Intelligence: A Definition of Machine Intelligence" (pdf). Minds and Machines 17: 391–444. Retrieved on 2009-07-21. 
  145. ↑ "AI set to exceed human brain power" (web article), CNN.com, 2006-07-26. Retrieved on 2008-02-26.
  146. ↑ పౌరాణికంలో AI‌:
  147. ↑ కృత్రిమ మేధస్సుగా పవిత్ర విగ్రహము‌లు
  148. ↑ నిజమైన మేధస్సు మరియు స్పృహ ఉన్న మొట్టమొదటి యంత్రాలని నమ్ముతారు. ఈ విగ్రహాలను చెక్కిన పని వారు దేవుళ్ళ నిజమైన స్వభావాన్ని, వారి ఇంద్రియాల ను మరియు ఆత్మల ను పునరుత్పాదన చేస్తారని ఒక నమ్మకమని హెర్మెస్ త్రిస్మెగిస్టస్ తెలిపారు. మెక్ కార్డక్, పవిత్ర కీలుబొమ్మలు మరియు మోషే సూత్రం మధ్య సంబంధం నెలకొల్పుతాడు (అదే కాలంలో అభివృద్ధి చేసిన), దాని ప్రకారం రోబోట్‌ల ఆరాధన నిషేధం(McCorduck 2004, pp. 6-9)
  149. ↑ Needham 1986, p. 53
  150. ↑ McCorduck 2004, p. 6
  151. ↑ "A Thirteenth Century Programmable Robot". Shef.ac.uk. Retrieved 2009-04-25. 
  152. ↑ McCorduck 2004, p. 17
  153. ↑ తాక్విన్: O'Connor, Kathleen Malone. "The alchemical creation of life (takwin) and other concepts of Genesis in medieval Islam". University of Pennsylvania. Retrieved on 2007-01-10.
  154. ↑ గోలెం: McCorduck 2004, p. 15-16, Buchanan 2005, p. 50
  155. ↑ McCorduck 2004, p. 13-14
  156. ↑ మూస:Harvtxtముఖ్యమైన నీతి నియమాలను పరిగణన లోకి తీసుకుంటూ ఫ్రాంకెన్‌స్టెయిన్ శాస్త్రీయ దురహంకారం మరియు రోబోట్ హక్కుల వేదనగా వర్ణించారు.
  157. ↑ రోబోట్ హక్కులు:
  158. ↑ టైమ్స్ ఆన్‌లైన్ చూడండి, రోబోట్‌ల కోసం మానవ హక్కులు?We’re getting carried away
  159. ↑ మూస:Harvtxt
  160. ↑ 160.0 160.1 160.2 ఏకత్వం, మానవ రూపాంతరం:
  161. ↑ AI పై జోసెఫ్ వెయిజెన్బామ్ యొక్క విమర్శ వెయిజెన్బామ్, (ELIZA అనే చాటర్‌బాట్ ప్రోగ్రామ్ నిర్మించిన మొట్టమొదటి పరిశోధకుడు) కృత్రిమ మేధస్సు దుర్వినియోగం మానవ జీవిత విలువను దిగజారుస్తుందని 1976‌లో వాదించాడు.


నమూనాలు [మార్చు]


= [మార్చు]

ప్రముఖ AI పాఠ్య పుస్తకాలు ===

A.I. పాఠ్య పుస్తక అవలోకనం కూడా చూడండి


= [మార్చు]

AI చరిత్ర ===


ఇతర వనరులు [మార్చు]

Nilsson, Nils (1983), "Artificial Intelligence Prepares for 2001", AI Magazine 1 (1), http://ai.stanford.edu/~nilsson/OnlinePubs-Nils/General%20Essays/AIMag04-04-002.pdf కృత్రిమ మేధస్సు అభివృద్ధి సంఘం అధ్యక్ష ప్రసంగం.


మరింత చదవండి [మార్చు]

ఆర్.సన్ & ఎల్. బుక్ మ్యాన్, (eds.), గణన నిర్మాణశిల్పం: నాడీ మరియు సంకేత ప్రక్రియలు

క్లూవెర్ అకాడమిక్ ప్రచురణలు, నీదమ్, MA. 1994.

సైబర్నెటిక్స్, ఆర్టిఫిసియల్ లైఫ్ మరియు న్యూ AI, MIT ప్రచురణ


బాహ్య లింకులు [మార్చు]

Artificial Intelligence గురించిన మరింత సమాచారము కొరకు వికీపీడియా యొక్క సోదర ప్రాజెక్టులు:అన్వేషించండి

Wiktionary-logo-en.png నిఘంటువు నిర్వచనాలు విక్క్షనరీ నుండి
Wikibooks-logo.svg పాఠ్యపుస్తకాలు వికీ పుస్తకాల నుండి
Wikiquote-logo.svg ఉదాహరణలు వికికోటు నుండి
Wikisource-logo.svg మూల పుస్తకాల నుండి వికి మూల పుస్తకాల నుండి
Commons-logo.svg చిత్రాలు మరియు మాద్యమము చిత్రాలు మరియు మాద్యమము నుండి
Wikinews-logo.png వార్తా కథనాలు వికీ వార్తల నుండి

బ్లాగ్స్


వనరులు

"http://te.wikipedia.org/w/index.php?title=కృత్రిమ_మేధస్సు&oldid=812934" నుండి వెలికితీశారు