Искусственный интеллект (ИИ) — это способность компьютера или робота, управляемого компьютером, выполнять задачи, которые обычно требуют человеческого интеллекта, такие как рассуждение, обучение, принятие решений, обработка естественного языка, компьютерное зрение, и распознавание речи. Искусственный интеллект — это широкая междисциплинарная область, основанная на различных дисциплинах, таких как математика, информатика, инженерия, психология, нейробиология и философия.

Существуют разные типы систем искусственного интеллекта в зависимости от их целей и возможностей. Некоторые из распространенных типов:

Узкий ИИ. Этот тип ИИ предназначен для выполнения определенной задачи или функции, например игры в шахматы, распознавания лиц или вождения автомобиля. Системы Узкого ИИ обычно основаны на правилах или алгоритмах, которые программируются людьми-экспертами. Они могут хорошо работать в своей области, но не могут распространяться на другие области или задачи. Примеры узкого ИИ включают ChatGPT, Siri, Google Translate и беспилотные автомобили.

Общий ИИ. Этот тип ИИ нацелен на достижение человеческого интеллекта и способностей в широком спектре областей и задач. Общие системы искусственного интеллекта смогут учиться на основе любого источника данных, рассуждать о любой проблеме и общаться на любом языке. У них также будет здравый смысл, креативность и эмоции. Всеобщий ИИ — это все еще научно-фантастическая мечта, гипотетическая и неуловимая, которая пока не реализована. Некоторые исследователи считают, что общий ИИ возможен и желателен, в то время как другие сомневаются в его осуществимости и этических последствиях.

СуперИИ. Этот тип ИИ является расширением обычного ИИ, превосходящим человеческий интеллект и возможности во всех аспектах. Системы суперИИ смогут перехитрить, превзойти и перехитрить людей в любой области и задаче. СуперИИ — это также гипотетическая и противоречивая концепция, поднимающая множество философских и экзистенциальных вопросов о будущем человечества и его отношениях с машинами.

Системы искусственного интеллекта также можно классифицировать по методам обучения, например:

Обучение под контролем. Это метод, при котором система ИИ учится на помеченных данных, что означает, что данные имеют заранее определенные категории или результаты. Система пытается найти шаблоны или правила, которые могут сопоставить входные данные с выходными метками. Затем система может использовать эти шаблоны или правила для прогнозирования или классификации новых данных. ИИ с контролируемым обучением полезен для таких задач, как регрессия, классификация и обнаружение аномалий. Примеры алгоритмов обучения с учителем включают линейную регрессию, логистическую регрессию, деревья решений, k-ближайшие соседи, машины опорных векторов и нейронные сети.

Обучение без учителя. Это метод, при котором система ИИ учится на немаркированных данных, что означает, что данные не имеют заранее определенных категорий или результатов. Система пытается найти в данных закономерности или структуры, которые могут раскрыть некоторую скрытую информацию или особенности. Затем система может использовать эти шаблоны или структуры для группировки или кластеризации схожих точек данных. ИИ без учителя полезен для таких задач, как уменьшение размерности, извлечение признаков, кластеризация и анализ правил ассоциации. Примеры алгоритмов обучения без учителя включают анализ главных компонентов, кластеризацию k-средних, иерархическую кластеризацию, самоорганизующиеся карты и априорный алгоритм.

Обучение с подкреплением. Это метод, при котором система ИИ учится на собственных действиях и опыте в окружающей среде. Система взаимодействует с окружающей средой, совершая действия и наблюдая за последствиями. Система получает вознаграждения или штрафы в зависимости от результатов своих действий. Система пытается максимизировать свои совокупные выгоды с течением времени, изучая оптимальную политику, которая может направлять ее действия в различных ситуациях. ИИ с подкреплением полезен для таких задач, как управление, оптимизация, игры и робототехника. Примеры алгоритмов обучения с подкреплением включают Q-обучение, SARSA, глубокие Q-сети (DQN), методы политического градиента (PGM) и методы критика субъектов (ACM).

Системы искусственного интеллекта также можно классифицировать на основе методов представления знаний и рассуждений, например:

ИИ на основе логики. Это метод, в котором система ИИ использует формальную логику для представления знаний и рассуждений о них. Логические системы искусственного интеллекта используют символы и правила для кодирования фактов и отношений в предметной области. Затем они могут использовать дедуктивные или индуктивные рассуждения, чтобы вывести новые факты или выводы из существующих знаний. ИИ на основе логики полезен для таких задач, как доказательство теорем, экспертные системы, понимание естественного языка и планирование. Примеры языков искусственного интеллекта, основанных на логике, включают логику высказываний, логику первого порядка (FOL), логику описания (DL), Пролог (Программирование в LOGic) и Лисп (обработка списков).

Вероятностный ИИ: это метод, в котором система ИИ использует теорию вероятностей для представления знаний и их обоснования. Вероятностные системы искусственного интеллекта используют случайные величины и распределения для кодирования неопределенности и изменчивости в предметной области. Затем они могут использовать вероятностный вывод для расчета вероятности или достоверности различных гипотез или результатов с учетом некоторых доказательств или наблюдений. Вероятностный ИИ полезен для таких задач, как байесовские сети (BN), скрытые модели Маркова (HMM), фильтры Калмана (KF), распространение убеждений (BP), максимизация ожидания (EM), цепь Маркова Монте-Карло (MCMC), наивный Байес. (NB), модели гауссовой смеси (GMM), скрытое распределение Дирихле (LDA) и графические модели (GM).

Нейронный ИИ: это метод, в котором система ИИ использует искусственные нейронные сети для представления знаний и рассуждений о них. Системы искусственного интеллекта на основе нейронов используют взаимосвязанные блоки или нейроны, которые могут обрабатывать и передавать информацию параллельно. Затем они могут использовать алгоритмы обучения для корректировки весов или связей между нейронами на основе входных и выходных данных. Нейронный ИИ полезен для таких задач, как восприятие, распознавание, генерация, перевод и синтез. Примеры архитектур ИИ на основе нейронов включают нейронные сети прямого распространения (FNN), рекуррентные нейронные сети (RNN), сверточные нейронные сети (CNN), длинную кратковременную память (LSTM), вентилируемую рекуррентную единицу (GRU), трансформатор, генеративно-состязательные сети. (GAN), вариационные автоэнкодеры (VAE) и глубокое обучение с подкреплением (DRL).

Системы искусственного интеллекта имеют множество преимуществ и недостатков в зависимости от их применения и последствий. Некоторые из преимуществ:

Системы искусственного интеллекта могут выполнять задачи, которые сложны, опасны или утомительны для людей, например, добыча полезных ископаемых, производство, хирургия или исследование космоса.

Системы искусственного интеллекта могут улучшить человеческие возможности и производительность, например, в образовании, развлечениях, здравоохранении или общении.

Системы искусственного интеллекта могут предоставить новые идеи и открытия, такие как наука, искусство или инновации.

Некоторые из недостатков:

Системы искусственного интеллекта могут создавать этические и социальные проблемы, такие как конфиденциальность, безопасность, подотчетность или справедливость.

Системы искусственного интеллекта могут вызывать экономические и экологические проблемы, такие как безработица, неравенство или потребление ресурсов.

Системы искусственного интеллекта могут угрожать человеческому достоинству и автономии, например идентичности, свободе действий или морали.

Системы искусственного интеллекта также могут применяться для создания роботов, способных взаимодействовать с физическим миром. Роботы — это машины, которые могут чувствовать, приводить в действие, общаться и выполнять вычисления. Роботы можно классифицировать по их морфологии, например:

Роботы-гуманоиды. Это роботы, по форме и размеру напоминающие человеческое тело. Обычно у них есть голова, туловище, руки, ноги и кисти. Они могут выполнять задачи, требующие человеческой ловкости и подвижности, например ходьбу, бег, прыжки или хватание. Примеры гуманоидных роботов включают ASIMO (продвинутый шаг в инновационной мобильности), Atlas (гибкий антропоморфный робот), Sophia (социальный робот-гуманоид) и Pepper (эмоциональный робот-гуманоид).

Роботы-анималоиды. Это роботы, по форме и размеру напоминающие животных. Обычно у них есть тело, конечности, хвост и голова. Они могут выполнять задачи, требующие ловкости и приспособляемости животных, например лазание, плавание, полет или ползание. Примеры роботов-анималоидов включают Spot (четвероногий робот), Cheetah (самый быстрый робот с ногами), RoboBee (микровоздушный транспорт) и Snakebot (модульный змееподобный робот).

Роботы-механоиды. Это роботы, имеющие механический или промышленный вид. Обычно у них есть шасси, колеса или гусеницы, рычаги или инструменты и датчики. Они могут выполнять задачи, требующие силы и точности, например подъем,
транспортировку, сборку или сварку. Примеры роботов-механоидов включают KUKA (промышленный робот-манипулятор), Roomba (робот-пылесос), Curiosity (марсоход) и робота для обезвреживания бомб.

Роботов также можно классифицировать по уровню автономности:

Роботы с дистанционным управлением. Это роботы, которыми дистанционно управляет человек-оператор. Оператор передает роботу команды и обратную связь через канал связи. Робот выполняет команды и отправляет оператору сенсорные данные. Роботы с телеуправлением полезны для задач, требующих человеческого интеллекта или здравого смысла, но слишком рискованных или недоступных для непосредственного выполнения людьми. Примеры телеуправляемых роботов включают дроны (беспилотные летательные аппараты), подводные лодки (дистанционно управляемые транспортные средства), хирургические роботы (системы «главный-подчиненный») и военные роботы (беспилотные наземные транспортные средства).

Полуавтономные роботы. Это роботы, которые могут выполнять некоторые задачи самостоятельно, но при этом требуют наблюдения или вмешательства человека. Человек предоставляет роботу высокоуровневые цели или инструкции через пользовательский интерфейс. Робот планирует и выполняет задачи в соответствии с инструкциями и отправляет обновления статуса человеку. Человек контролирует работу робота и вмешивается при необходимости. Полуавтономные роботы полезны для задач, требующих сотрудничества или координации между людьми и роботами. Примеры полуавтономных роботов включают беспилотные автомобили (автономные транспортные средства), социальные роботы (роботы-компаньоны), сервисные роботы (персональные роботы) и промышленные роботы (коллаборативные роботы).

Полностью автономные роботы. Это роботы, которые могут выполнять задачи без участия или руководства человека. Робот имеет свои собственные цели или задачи, которые он преследует автономно, исходя из своего внутреннего состояния и внешней среды. Робот учится на собственных действиях и опыте и адаптируется к меняющимся ситуациям. Робот не общается с людьми, если его не просят или не требуют.

Полностью автономные роботы полезны для задач, требующих самостоятельности или устойчивости в сложных или динамичных средах. Примеры полностью автономных роботов включают марсоходы (роботы для исследования планет), роевые роботы (коллективная робототехника), роботы-спасатели (поисковые и спасательные роботы), и военные роботы (Беспилотные боевые машины).