Kunstig intelligens -Artificial intelligence

fra Wikipedia, den frie encyklopedi

Kunstig intelligens ( AI ) er intelligens demonstrert av maskiner, i motsetning til den naturlige intelligensen som vises av dyr inkludert mennesker . AI-forskning har blitt definert som studiefeltet for intelligente agenter, som refererer til ethvert system som oppfatter omgivelsene og utfører handlinger som maksimerer sjansen for å nå sine mål.

Begrepet "kunstig intelligens" hadde tidligere blitt brukt for å beskrive maskiner som etterligner og viser "menneskelige" kognitive ferdigheter som er assosiert med det menneskelige sinnet, for eksempel "læring" og "problemløsning". Denne definisjonen har siden blitt avvist av store AI-forskere som nå beskriver AI i form av rasjonalitet og å handle rasjonelt, noe som ikke begrenser hvordan intelligens kan artikuleres.

AI-applikasjoner inkluderer avanserte nettsøkemotorer (f.eks. ), anbefalingssystemer (brukt av YouTube, Amazon og Netflix ), forståelse av menneskelig tale (som Siri og Alexa ), selvkjørende biler (f.eks. Tesla ), automatisert beslutningstaking og konkurrerer på høyeste nivå i strategiske spillsystemer (som sjakk og Go ). Etter hvert som maskiner blir stadig mer kapable, blir oppgaver som anses å kreve "intelligens" ofte fjernet fra definisjonen av AI, et fenomen kjent som AI-effekten . For eksempel er optisk tegngjenkjenning ofte ekskludert fra ting som anses å være AI, etter å ha blitt en rutinemessig teknologi.

Kunstig intelligens ble grunnlagt som en akademisk disiplin i 1956, og har i årene siden opplevd flere bølger av optimisme, etterfulgt av skuffelse og tap av finansiering (kjent som en " AI-vinter "), etterfulgt av nye tilnærminger, suksess og fornyet finansiering . AI-forskning har prøvd og forkastet mange forskjellige tilnærminger siden den ble grunnlagt, inkludert simulering av hjernen, modellering av menneskelig problemløsning, formell logikk, store databaser med kunnskap og etterligning av dyreadferd. I de første tiårene av det 21. århundre har svært matematisk-statistisk maskinlæring dominert feltet, og denne teknikken har vist seg svært vellykket, og bidratt til å løse mange utfordrende problemer i industrien og akademia.

De ulike underfeltene til AI-forskning er sentrert rundt bestemte mål og bruken av bestemte verktøy. De tradisjonelle målene for AI-forskning inkluderer resonnement, kunnskapsrepresentasjon, planlegging, læring, naturlig språkbehandling, persepsjon og evnen til å flytte og manipulere objekter. Generell intelligens (evnen til å løse et vilkårlig problem) er blant feltets langsiktige mål. For å løse disse problemene har AI-forskere tilpasset og integrert et bredt spekter av problemløsningsteknikker – inkludert søk og matematisk optimalisering, formell logikk, kunstige nevrale nettverk og metoder basert på statistikk, sannsynlighet og økonomi . AI trekker også på informatikk, psykologi, lingvistikk, filosofi og mange andre felt.

Feltet ble grunnlagt på antagelsen om at menneskelig intelligens "kan beskrives så nøyaktig at en maskin kan lages for å simulere den". Dette reiste filosofiske argumenter om sinnet og de etiske konsekvensene av å skape kunstige vesener utstyrt med menneskelignende intelligens; disse spørsmålene har tidligere blitt utforsket av myter, fiksjon og filosofi siden antikken. Dataforskere og filosofer har siden antydet at AI kan bli en eksistensiell risiko for menneskeheten hvis dens rasjonelle kapasitet ikke styres mot fordelaktige mål.

Historie

Fiksjoner og tidlige konsepter

Sølvdidragma fra Kreta som viser Talos, en eldgammel mytisk automat med kunstig intelligens

Kunstige vesener med intelligens dukket opp som historiefortellinger i antikken, og har vært vanlig i fiksjon, som i Mary Shelleys Frankenstein eller Karel Čapeks RUR Disse karakterene og deres skjebner reiste mange av de samme spørsmålene som nå er diskutert i etikk for kunstig intelligens .

Studiet av mekanisk eller "formell" resonnement begynte med filosofer og matematikere i antikken. Studiet av matematisk logikk førte direkte til Alan Turings teori om beregning, som antydet at en maskin, ved å blande symboler så enkle som "0" og "1", kunne simulere enhver tenkelig matematisk deduksjonshandling. Denne innsikten om at digitale datamaskiner kan simulere enhver prosess med formelle resonnementer er kjent som Church-Turing-avhandlingen .

Church-Turing-oppgaven, sammen med samtidige oppdagelser innen nevrobiologi, informasjonsteori og kybernetikk, førte til at forskere vurderte muligheten for å bygge en elektronisk hjerne. Det første verket som nå er generelt anerkjent som AI var McCullouch og Pitts formelle design fra 1943 for Turing-komplette "kunstige nevroner".

Tidlige undersøkelser

På 1950-tallet dukket det opp to visjoner for hvordan man oppnår maskinintelligens. En visjon, kjent som Symbolic AI eller GOFAI, var å bruke datamaskiner til å lage en symbolsk representasjon av verden og systemer som kunne resonnere om verden. Talsmenn inkluderte Allen Newell, Herbert A. Simon og Marvin Minsky . Nært knyttet til denne tilnærmingen var den "heuristiske søk" -tilnærmingen, som sammenlignet intelligens med et problem med å utforske et rom med muligheter for svar. Den andre visjonen, kjent som den konneksjonistiske tilnærmingen, søkte å oppnå intelligens gjennom læring. Tilhengere av denne tilnærmingen, mest fremtredende Frank Rosenblatt, forsøkte å koble Perceptron på måter inspirert av nevronforbindelser. James Manyika og andre har sammenlignet de to tilnærmingene til sinnet (Symbolic AI) og hjernen (connectionist). Manyika hevder at symbolske tilnærminger dominerte presset for kunstig intelligens i denne perioden, delvis på grunn av dens forbindelse til intellektuelle tradisjoner til Descarte, Boole, Gottlob Frege, Bertrand Russell og andre. Tilnærminger basert på kybernetikk eller kunstige nevrale nettverk ble skjøvet til bakgrunnen, men har fått ny fremtreden de siste tiårene.

Feltet AI-forskning ble født på en workshop ved Dartmouth College i 1956. Deltakerne ble grunnleggerne og lederne av AI-forskningen. De og elevene deres produserte programmer som pressen beskrev som "forbløffende": datamaskiner lærte seg brikkestrategier, løste ordproblemer i algebra, beviste logiske teoremer og snakket engelsk. På midten av 1960-tallet ble forskning i USA tungt finansiert av forsvarsdepartementet , og det var etablert laboratorier over hele verden.

Forskere på 1960- og 1970-tallet var overbevist om at symbolske tilnærminger til slutt ville lykkes med å skape en maskin med kunstig generell intelligens og anså dette som målet for deres felt. Herbert Simon spådde, "maskiner vil i løpet av tjue år være i stand til å utføre ethvert arbeid en mann kan gjøre". Marvin Minsky var enig, og skrev, "i løpet av en generasjon ... vil problemet med å skape 'kunstig intelligens' i stor grad være løst".

De klarte ikke å gjenkjenne vanskeligheten med noen av de gjenværende oppgavene. Fremgangen avtok, og i 1974, som svar på kritikken av Sir James Lighthill og pågående press fra den amerikanske kongressen for å finansiere mer produktive prosjekter, avbrøt både amerikanske og britiske myndigheter utforskende forskning innen AI. De neste årene ble senere kalt en " AI-vinter ", en periode da det var vanskelig å skaffe finansiering til AI-prosjekter.

Fra ekspertsystemer til maskinlæring

På begynnelsen av 1980-tallet ble AI-forskning gjenopplivet av den kommersielle suksessen til ekspertsystemer, en form for AI-program som simulerte kunnskapen og analytiske ferdighetene til menneskelige eksperter. I 1985 hadde markedet for kunstig intelligens nådd over en milliard dollar. Samtidig inspirerte Japans femte generasjons dataprosjekt amerikanske og britiske myndigheter til å gjenopprette finansieringen av akademisk forskning . Men fra og med sammenbruddet av Lisp Machine -markedet i 1987, falt AI igjen i vanry, og en andre, mer langvarig vinter begynte.

Mange forskere begynte å tvile på at den symbolske tilnærmingen ville være i stand til å etterligne alle prosessene med menneskelig erkjennelse, spesielt persepsjon, robotikk, læring og mønstergjenkjenning . En rekke forskere begynte å se på "subsymboliske" tilnærminger til spesifikke AI-problemer. Robotikkforskere, som Rodney Brooks, avviste symbolsk AI og fokuserte på de grunnleggende tekniske problemene som ville tillate roboter å bevege seg, overleve og lære omgivelsene deres. Interessen for nevrale nettverk og " konneksjonisme " ble gjenopplivet av Geoffrey Hinton, David Rumelhart og andre på midten av 1980-tallet. Myke dataverktøy ble utviklet på 80-tallet, for eksempel nevrale nettverk, uklare systemer, grå systemteori, evolusjonær beregning og mange verktøy hentet fra statistikk eller matematisk optimalisering .

AI gjenopprettet gradvis sitt rykte på slutten av 1990-tallet og begynnelsen av det 21. århundre ved å finne spesifikke løsninger på spesifikke problemer. Det smale fokuset gjorde det mulig for forskere å produsere verifiserbare resultater, utnytte flere matematiske metoder og samarbeide med andre felt (som statistikk, økonomi og matematikk ). I 2000 ble løsninger utviklet av AI-forskere mye brukt, selv om de på 1990-tallet sjelden ble beskrevet som "kunstig intelligens".

Raskere datamaskiner, algoritmiske forbedringer og tilgang til store datamengder muliggjorde fremskritt innen maskinlæring og persepsjon; datahungrige dyplæringsmetoder begynte å dominere nøyaktighetsmålene rundt 2012 . I følge Bloombergs Jack Clark var 2015 et landemerkeår for kunstig intelligens, med antall programvareprosjekter som bruker AI i økte fra en "sporadisk bruk" i 2012 til mer enn 2700 prosjekter. Han tilskriver dette en økning i rimelige nevrale nettverk, på grunn av en økning i cloud computing-infrastruktur og til en økning i forskningsverktøy og datasett. I en undersøkelse fra 2017 rapporterte ett av fem selskaper at de hadde "integrert AI i noen tilbud eller prosesser". Mengden forskning på AI (målt ved totale publikasjoner) økte med 50 % i årene 2015–2019.

Tallrike akademiske forskere ble bekymret for at AI ikke lenger forfulgte det opprinnelige målet om å lage allsidige, fullt intelligente maskiner. Mye av dagens forskning involverer statistisk kunstig intelligens, som i overveldende grad brukes til å løse spesifikke problemer, til og med svært vellykkede teknikker som dyp læring . Denne bekymringen har ført til underfeltet kunstig generell intelligens (eller "AGI"), som hadde flere velfinansierte institusjoner på 2010-tallet.

Mål

Det generelle problemet med å simulere (eller skape) intelligens har blitt brutt ned i underproblemer. Disse består av spesielle egenskaper eller evner som forskere forventer at et intelligent system skal vise. Egenskapene beskrevet nedenfor har fått mest oppmerksomhet.

Resonnement, problemløsning

Tidlige forskere utviklet algoritmer som imiterte trinnvise resonnementer som mennesker bruker når de løser gåter eller gjør logiske utledninger. På slutten av 1980- og 1990-tallet hadde AI-forskning utviklet metoder for å håndtere usikker eller ufullstendig informasjon, ved å bruke konsepter fra sannsynlighet og økonomi .

Mange av disse algoritmene viste seg å være utilstrekkelige for å løse store resonneringsproblemer fordi de opplevde en "kombinatorisk eksplosjon": de ble eksponentielt tregere etter hvert som problemene vokste seg større. Selv mennesker bruker sjelden trinn-for-trinn-fradraget som tidlig AI-forskning kunne modellere. De løser de fleste problemene sine ved å bruke raske, intuitive vurderinger.

Kunnskapsrepresentasjon

En ontologi representerer kunnskap som et sett med konsepter innenfor et domene og relasjonene mellom disse konseptene.

Kunnskapsrepresentasjon og kunnskapsteknikk gjør at AI-programmer kan svare på spørsmål intelligent og trekke slutninger om virkelige fakta.

En representasjon av "det som eksisterer" er en ontologi : settet med objekter, relasjoner, konsepter og egenskaper som er formelt beskrevet slik at programvareagenter kan tolke dem. De mest generelle ontologiene kalles øvre ontologier, som forsøker å gi grunnlag for all annen kunnskap og fungerer som formidlere mellom domeneontologier som dekker spesifikk kunnskap om et bestemt kunnskapsdomene ( interessefelt eller bekymringsområde). Et virkelig intelligent program vil også trenge tilgang til kunnskap om sunn fornuft; settet med fakta som en gjennomsnittlig person vet. Semantikken til en ontologi er typisk representert i beskrivelseslogikk, for eksempel Web Ontology Language .

AI-forskning har utviklet verktøy for å representere spesifikke domener, som objekter, egenskaper, kategorier og relasjoner mellom objekter; situasjoner, hendelser, tilstander og tid; årsaker og virkninger; kunnskap om kunnskap (det vi vet om hva andre vet);. standardbegrunnelse (ting som mennesker antar er sanne til de blir fortalt annerledes og vil forbli sanne selv når andre fakta endrer seg); så vel som andre domener. Blant de vanskeligste problemene i AI er: bredden av kunnskap om sunn fornuft (antallet atomfakta som gjennomsnittspersonen vet er enormt); og den sub-symbolske formen for mest vanlig kunnskap (mye av det folk vet er ikke representert som "fakta" eller "utsagn" som de kan uttrykke verbalt).

Formelle kunnskapsrepresentasjoner brukes i innholdsbasert indeksering og gjenfinning, scenetolkning, klinisk beslutningsstøtte, kunnskapsoppdagelse (utvinning av "interessante" og handlingsbare slutninger fra store databaser) og andre områder.

Planlegger

En intelligent agent som kan planlegge, lager en representasjon av verdens tilstand, gir spådommer om hvordan deres handlinger vil endre den og tar valg som maksimerer nytten (eller "verdien") av de tilgjengelige valgene. I klassiske planleggingsproblemer kan agenten anta at det er det eneste systemet som virker i verden, slik at agenten kan være sikker på konsekvensene av sine handlinger. Men hvis agenten ikke er den eneste aktøren, krever det at agenten resonnerer under usikkerhet, og kontinuerlig revurderer omgivelsene og tilpasser seg. Multi-agent planlegging bruker samarbeidet og konkurransen fra mange agenter for å oppnå et gitt mål. Emergent atferd som dette brukes av evolusjonære algoritmer og svermintelligens .

Læring

Maskinlæring (ML), et grunnleggende konsept for AI-forskning siden feltets begynnelse, er studiet av datamaskinalgoritmer som forbedres automatisk gjennom erfaring.

Uovervåket læring finner mønstre i en strøm av input. Overvåket læring krever at et menneske merker inndataene først, og kommer i to hovedvarianter: klassifisering og numerisk regresjon . Klassifisering brukes til å bestemme hvilken kategori noe hører hjemme i – programmet ser en rekke eksempler på ting fra flere kategorier og vil lære å klassifisere nye input. Regresjon er forsøket på å produsere en funksjon som beskriver forholdet mellom innganger og utganger og forutsier hvordan utgangene skal endre seg etter hvert som inngangene endres. Både klassifiserere og regresjonslærere kan sees på som "funksjonstilnærere" som prøver å lære en ukjent (muligens implisitt) funksjon; for eksempel kan en spamklassifisering ses på som å lære en funksjon som kartlegger fra teksten i en e-post til en av to kategorier, "spam" eller "ikke spam". I forsterkningslæring blir agenten belønnet for gode svar og straffet for dårlige. Agenten klassifiserer sine svar for å danne en strategi for å operere i sitt problemrom. Overføringslæring er når kunnskapen som er oppnådd fra ett problem, brukes på et nytt problem.

Beregningsbasert læringsteori kan vurdere elever etter beregningsmessig kompleksitet, etter prøvekompleksitet (hvor mye data som kreves), eller etter andre ideer om optimalisering .

Naturlig språkbehandling

Et parse-tre representerer den syntaktiske strukturen til en setning i henhold til en formell grammatikk .

Naturlig språkbehandling (NLP) lar maskiner lese og forstå menneskelig språk. Et tilstrekkelig kraftig prosesseringssystem for naturlig språk vil muliggjøre brukergrensesnitt på naturlige språk og tilegnelse av kunnskap direkte fra menneskeskrevne kilder, for eksempel nyhetstekster. Noen enkle anvendelser av NLP inkluderer informasjonsinnhenting, svar på spørsmål og maskinoversettelse .

Symbolsk AI brukte formell syntaks for å oversette den dype strukturen til setninger til logikk . Dette klarte ikke å produsere nyttige applikasjoner på grunn av logikkens umedlighet og bredden av sunn fornuftskunnskap. Moderne statistiske teknikker inkluderer samtidige forekomstfrekvenser (hvor ofte ett ord vises i nærheten av et annet), "søkeordspotting" (søke etter et bestemt ord for å hente informasjon), transformatorbasert dyp læring (som finner mønstre i tekst) og andre. De har oppnådd akseptabel nøyaktighet på side- eller avsnittsnivå, og innen 2019 kan de generere sammenhengende tekst.

Oppfatning

Funksjonsdeteksjon (bildet: kantdeteksjon ) hjelper AI med å komponere informative abstrakte strukturer ut av rådata.

Maskinoppfatning er evnen til å bruke input fra sensorer (som kameraer, mikrofoner, trådløse signaler og aktive lidar-, ekkolodd-, radar- og taktile sensorer ) for å utlede aspekter av verden. Applikasjoner inkluderer talegjenkjenning, ansiktsgjenkjenning og objektgjenkjenning . Datasyn er evnen til å analysere visuelle input.

Bevegelse og manipulasjon

AI er mye brukt i robotikk. Lokalisering er hvordan en robot kjenner sin plassering og kartlegger omgivelsene. Når det gis et lite, statisk og synlig miljø, er dette enkelt; dynamiske miljøer, som (i endoskopi ) det indre av pasientens pustende kropp, utgjør imidlertid en større utfordring.

Bevegelsesplanlegging er prosessen med å bryte ned en bevegelsesoppgave til "primitiver" som individuelle leddbevegelser. Slik bevegelse involverer ofte ettergivende bevegelse, en prosess der bevegelse krever å opprettholde fysisk kontakt med et objekt. Roboter kan lære av erfaring hvordan de skal bevege seg effektivt til tross for tilstedeværelsen av friksjon og girglidning.

Sosial intelligens

Kismet, en robot med rudimentære sosiale ferdigheter

Affective computing er en tverrfaglig paraply som omfatter systemer som gjenkjenner, tolker, behandler eller simulerer menneskelige følelser, følelser og humør . For eksempel er noen virtuelle assistenter programmert til å snakke i samtale eller til og med til å tulle humoristisk; det får dem til å virke mer følsomme for den emosjonelle dynamikken i menneskelig interaksjon, eller for på annen måte å lette menneske-datamaskin-interaksjon . Dette har imidlertid en tendens til å gi naive brukere en urealistisk oppfatning av hvor intelligente eksisterende dataagenter faktisk er. Moderat suksess relatert til affektiv databehandling inkluderer tekstuell sentimentanalyse og, mer nylig, multimodal sentimentanalyse ), der AI klassifiserer påvirkningene som vises av et videofilmet emne.

Generell etterretning

En maskin med generell intelligens kan løse en lang rekke problemer med bredde og allsidighet som ligner på menneskelig intelligens. Det er flere konkurrerende ideer om hvordan man kan utvikle kunstig generell intelligens. Hans Moravec og Marvin Minsky argumenterer for at arbeid i ulike individuelle domener kan inkorporeres i et avansert multi-agent system eller kognitiv arkitektur med generell intelligens. Pedro Domingos håper at det er en konseptuelt grei, men matematisk vanskelig " mesteralgoritme " som kan føre til AGI. Andre mener at antropomorfe trekk som en kunstig hjerne eller simulert barns utvikling en dag vil nå et kritisk punkt der generell intelligens dukker opp .

Verktøy

Søk og optimalisering

Mange problemer i AI kan løses teoretisk ved å intelligent søke gjennom mange mulige løsninger: Resonnement kan reduseres til å utføre et søk. For eksempel kan logiske bevis sees på som å søke etter en vei som fører fra premisser til konklusjoner, der hvert trinn er anvendelsen av en slutningsregel . Planleggingsalgoritmer søker gjennom trær av mål og delmål, og prøver å finne en vei til et målmål, en prosess som kalles middel-mål-analyse . Robotikkalgoritmer for å bevege lemmer og gripe gjenstander bruker lokale søk i konfigurasjonsområdet .

Enkle uttømmende søk er sjelden tilstrekkelig for de fleste problemer i den virkelige verden: søkeområdet (antall steder å søke) vokser raskt til astronomiske tall . Resultatet er et søk som er for sakte eller aldri fullføres. Løsningen for mange problemer er å bruke " heuristikk " eller "tommelfingerregler" som prioriterer valg til fordel for de som er mer sannsynlig å nå et mål og å gjøre det i et kortere antall trinn. I noen søkemetoder kan heuristikk også tjene til å eliminere noen valg som usannsynlig vil føre til et mål (kalt " beskjære søketreet " ) . Heuristikk forsyner programmet med en "beste gjetning" for banen som løsningen ligger på. Heuristikk begrenser søket etter løsninger til en mindre prøvestørrelse.

En partikkelsverm som søker det globale minimum

En helt annen type søk ble fremtredende på 1990-tallet, basert på den matematiske teorien om optimalisering . For mange problemer er det mulig å begynne søket med en form for gjetning og deretter avgrense gjetningen trinnvis inntil det ikke kan gjøres flere avgrensninger. Disse algoritmene kan visualiseres som blind bakkeklatring : vi begynner søket på et tilfeldig sted i landskapet, og deretter, med hopp eller skritt, fortsetter vi å bevege oss oppover til vi når toppen. Andre relaterte optimaliseringsalgoritmer inkluderer tilfeldig optimalisering, strålesøk og metaheuristikk som simulert gløding . Evolusjonær beregning bruker en form for optimaliseringssøk. For eksempel kan de begynne med en populasjon av organismer (gjettingene) og deretter tillate dem å mutere og rekombinere, og velge bare de sterkeste for å overleve hver generasjon (avgrense gjetningene). Klassiske evolusjonsalgoritmer inkluderer genetiske algoritmer, genuttrykksprogrammering og genetisk programmering . Alternativt kan distribuerte søkeprosesser koordineres via svermintelligensalgoritmer . To populære svermalgoritmer som brukes i søk er partikkelsvermoptimalisering (inspirert av fugleflokking ) og maurkolonioptimalisering (inspirert av maurstier ).

Logikk

Logikk brukes til kunnskapsrepresentasjon og problemløsning, men den kan også brukes på andre problemer. For eksempel bruker satplan- algoritmen logikk for planlegging og induktiv logikkprogrammering er en metode for læring .

Flere ulike former for logikk brukes i AI-forskning. Proposisjonell logikk involverer sannhetsfunksjoner som "eller" og "ikke". Førsteordens logikk legger til kvantifiserere og predikater og kan uttrykke fakta om objekter, deres egenskaper og deres forhold til hverandre. Fuzzy logic tildeler en "grad av sannhet" (mellom 0 og 1) til vage utsagn som "Alice er gammel" (eller rik, eller høy eller sulten), som er for språklig upresise til å være helt sanne eller usanne. Standardlogikker, ikke-monotoniske logikker og omskriving er former for logikk designet for å hjelpe med standardresonnement og kvalifikasjonsproblemet . Flere utvidelser av logikk er designet for å håndtere spesifikke kunnskapsdomener, for eksempel beskrivelseslogikk ; situasjonsberegning, hendelseskalkulus og flytende kalkulus (for å representere hendelser og tid); årsaksregning ; trosberegning (trosrevisjon) ; og modal logikk . Logikker for å modellere motstridende eller inkonsistente utsagn som oppstår i multi-agent-systemer har også blitt designet, for eksempel parakonsistente logikker .

Probabilistiske metoder for usikker resonnement

Forventningsmaksimerende gruppering av Old Faithful -utbruddsdata starter fra en tilfeldig gjetning, men konvergerer deretter med suksess til en nøyaktig gruppering av de to fysisk distinkte utbruddsmåtene.

Mange problemer i AI (inkludert i resonnement, planlegging, læring, persepsjon og robotikk) krever at agenten opererer med ufullstendig eller usikker informasjon. AI-forskere har utviklet en rekke verktøy for å løse disse problemene ved hjelp av metoder fra sannsynlighetsteori og økonomi. Bayesianske nettverk er et veldig generelt verktøy som kan brukes til ulike problemer, inkludert resonnement (ved å bruke den Bayesianske inferensalgoritmen ), læring (ved å bruke forventningsmaksimeringsalgoritmen ), planlegging (ved hjelp av beslutningsnettverk ) og persepsjon (ved å bruke dynamiske Bayesianske nettverk ). Sannsynlighetsalgoritmer kan også brukes til å filtrere, predikere, utjevne og finne forklaringer på datastrømmer, og hjelpe persepsjonssystemer med å analysere prosesser som skjer over tid (f.eks. skjulte Markov-modeller eller Kalman-filtre ).

Et nøkkelbegrep fra vitenskapen om økonomi er " nytte ", et mål på hvor verdifullt noe er for en intelligent agent. Det er utviklet nøyaktige matematiske verktøy som analyserer hvordan en agent kan ta valg og planlegge, ved hjelp av beslutningsteori, beslutningsanalyse og informasjonsverditeori. Disse verktøyene inkluderer modeller som Markov-beslutningsprosesser, dynamiske beslutningsnettverk, spillteori og mekanismedesign .

Klassifiserere og statistiske læringsmetoder

De enkleste AI-applikasjonene kan deles inn i to typer: klassifiserere ("hvis skinnende så diamant") og kontrollere ("hvis diamant så ta opp"). Kontrollere klassifiserer imidlertid også forhold før de utleder handlinger, og derfor utgjør klassifisering en sentral del av mange AI-systemer. Klassifiserere er funksjoner som bruker mønstertilpasning for å bestemme den nærmeste samsvar. De kan justeres i henhold til eksempler, noe som gjør dem svært attraktive for bruk i AI. Disse eksemplene er kjent som observasjoner eller mønstre. I veiledet læring tilhører hvert mønster en bestemt forhåndsdefinert klasse. En klasse er en avgjørelse som må tas. Alle observasjonene kombinert med deres klasseetiketter er kjent som et datasett. Når en ny observasjon mottas, klassifiseres denne observasjonen basert på tidligere erfaring.

En klassifiserer kan trenes på ulike måter; det er mange statistiske og maskinlæringsmetoder . Beslutningstreet er den enkleste og mest brukte symbolske maskinlæringsalgoritmen. K-nearest neighbor-algoritmen var den mest brukte analoge AI frem til midten av 1990-tallet. Kjernemetoder som støttevektormaskinen (SVM) fortrengte k-nærmeste nabo på 1990-tallet. Den naive Bayes-klassifisereren er angivelig den "mest brukte eleven" hos , delvis på grunn av dens skalerbarhet. Nevrale nettverk brukes også til klassifisering.

Klassifiseringsytelsen avhenger i stor grad av egenskapene til dataene som skal klassifiseres, for eksempel datasettstørrelsen, fordeling av prøver på tvers av klasser, dimensjonalitet og støynivået. Modellbaserte klassifikatorer gir gode resultater hvis den antatte modellen passer ekstremt godt til de faktiske dataene. Ellers, hvis ingen matchende modell er tilgjengelig, og hvis nøyaktighet (snarere enn hastighet eller skalerbarhet) er den eneste bekymringen, er konvensjonell visdom at diskriminerende klassifikatorer (spesielt SVM) har en tendens til å være mer nøyaktige enn modellbaserte klassifikatorer som "naive Bayes" på de fleste praktiske datasett.

Kunstige nevrale nettverk

Et nevralt nettverk er en sammenkoblet gruppe av noder, beslektet med det enorme nettverket av nevroner i den menneskelige hjernen .

Nevrale nettverk ble inspirert av arkitekturen til nevroner i den menneskelige hjernen. Et enkelt "nevron" N aksepterer input fra andre nevroner, som hver av dem, når de aktiveres (eller "avfyres"), avgir en vektet "stemme" for eller mot om nevron N selv skal aktiveres. Læring krever en algoritme for å justere disse vektene basert på treningsdataene; en enkel algoritme (kalt " ild sammen, koble sammen ") er å øke vekten mellom to tilkoblede nevroner når aktiveringen av en utløser vellykket aktivering av en annen. Nevroner har et kontinuerlig spektrum av aktivering; i tillegg kan nevroner behandle input på en ikke-lineær måte i stedet for å veie enkle stemmer.

Moderne nevrale nettverk modellerer komplekse forhold mellom innganger og utganger og finner mønstre i data. De kan lære kontinuerlige funksjoner og til og med digitale logiske operasjoner. Nevrale nettverk kan sees på som en type matematisk optimalisering - de utfører gradientnedstigning på en flerdimensjonal topologi som ble opprettet ved å trene nettverket. Den vanligste treningsteknikken er backpropagation - algoritmen. Andre læringsteknikker for nevrale nettverk er hebbisk læring ("ild sammen, koble sammen"), GMDH eller konkurrerende læring .

Hovedkategoriene av nettverk er asykliske eller fremadgående nevrale nettverk (der signalet passerer i bare én retning) og tilbakevendende nevrale nettverk (som tillater tilbakemelding og korttidsminner fra tidligere inngangshendelser). Blant de mest populære feedforward-nettverkene er perceptrons, multi-layer perceptrons og radial basis networks .

Dyp læring

Representerer bilder på flere lag av abstraksjon i dyp læring
Representerer bilder på flere lag av abstraksjon i dyp læring

Deep learning bruker flere lag med nevroner mellom nettverkets innganger og utganger. De flere lagene kan gradvis trekke ut funksjoner på høyere nivå fra råinngangen. For eksempel, i bildebehandling, kan lavere lag identifisere kanter, mens høyere lag kan identifisere konseptene som er relevante for et menneske, for eksempel sifre eller bokstaver eller ansikter. Dyplæring har drastisk forbedret ytelsen til programmer i mange viktige underområder av kunstig intelligens, inkludert datasyn, talegjenkjenning, bildeklassifisering og andre.

Deep learning bruker ofte konvolusjonelle nevrale nettverk for mange eller alle lagene. I et konvolusjonslag mottar hvert nevron input fra bare et begrenset område av det forrige laget kalt nevronets mottakelige felt . Dette kan betydelig redusere antall vektede forbindelser mellom nevroner, og skaper et hierarki som ligner organiseringen av dyrets visuelle cortex.

I et tilbakevendende nevralt nettverk vil signalet forplante seg gjennom et lag mer enn én gang; dermed er en RNN et eksempel på dyp læring. RNN-er kan trenes ved gradientnedstigning, men langsiktige gradienter som forplantes tilbake kan "forsvinne" (det vil si at de kan ha en tendens til null) eller "eksplodere" (det vil si at de kan ha en tendens til uendelig), kjent som forsvinnende gradientproblem . Teknikken for langtidsminne (LSTM) kan forhindre dette i de fleste tilfeller.

Spesialiserte språk og maskinvare

Spesialiserte språk for kunstig intelligens er utviklet, som Lisp, Prolog, TensorFlow og mange andre. Maskinvare utviklet for AI inkluderer AI-akseleratorer og nevromorfisk databehandling .

applikasjoner

For dette prosjektet måtte AI lære de typiske mønstrene i fargene og penselstrøkene til renessansemaleren Raphael . Portrettet viser ansiktet til skuespillerinnen Ornella Muti, "malt" av AI i stil med Raphael.

AI er relevant for enhver intellektuell oppgave. Moderne kunstig intelligens-teknikker er gjennomgripende og er for mange til å liste opp her. Ofte, når en teknikk når vanlig bruk, regnes den ikke lenger som kunstig intelligens; dette fenomenet beskrives som AI-effekten .

På 2010-tallet var AI-applikasjoner i hjertet av de mest kommersielt vellykkede områdene innen databehandling, og har blitt en allestedsnærværende funksjon i dagliglivet. AI brukes i søkemotorer (som Søk ), målrettet annonsering på nettet, anbefalingssystemer (tilbys av Netflix, YouTube eller Amazon ), genererer internetttrafikk, målrettet annonsering ( AdSense, Facebook ), virtuelle assistenter (som Siri eller Alexa ), autonome kjøretøy (inkludert droner og selvkjørende biler ), automatisk språkoversettelse ( Microsoft Translator, Translate ), ansiktsgjenkjenning ( Apples Face ID eller Microsofts DeepFace ) , bildemerking ( brukt av Facebook, Apples iPhoto og TikTok ) og spamfiltrering .

Det er også tusenvis av vellykkede AI-applikasjoner som brukes til å løse problemer for spesifikke bransjer eller institusjoner. Noen få eksempler er energilagring, deepfakes, medisinsk diagnose, militær logistikk eller forsyningskjedestyring.

Spilling har vært en test av AIs styrke siden 1950-tallet. Deep Blue ble det første datamaskinsjakkspillesystemet som slo en regjerende verdensmester i sjakk, Garry Kasparov, 11. mai 1997. I 2011, i en Jeopardy! quiz show show match, IBMs spørsmålssvarssystem, Watson, beseiret de to største Jeopardy! mesterne, Brad Rutter og Ken Jennings, med betydelig margin. I mars 2016 vant AlphaGo 4 av 5 Go -spill i en kamp med Go-mesteren Lee Sedol, og ble det første Go-datamaskinen som slo en profesjonell Go-spiller uten handicap . Andre programmer håndterer spill med ufullkommen informasjon ; som for poker på et overmenneskelig nivå, Pluribus og Cepheus . DeepMind på 2010-tallet utviklet en "generalisert kunstig intelligens" som kunne lære mange forskjellige Atari- spill på egen hånd.

Innen 2020 matchet Natural Language Processing - systemer som det enorme GPT-3 (den gang det desidert største kunstige nevrale nettverket) menneskelig ytelse på allerede eksisterende benchmarks, om enn uten at systemet oppnådde en sunn forståelse av innholdet i benchmarkene. DeepMinds AlphaFold 2 (2020) demonstrerte evnen til å tilnærme, i timer i stedet for måneder, 3D-strukturen til et protein. Andre applikasjoner forutsier resultatet av rettslige avgjørelser, skaper kunst (som poesi eller maleri) og beviser matematiske teoremer .

AI-patentfamilier for funksjonelle applikasjonskategorier og underkategorier. Datasyn representerer 49 prosent av patentfamiliene relatert til en funksjonell applikasjon i 2016.

I 2019 rapporterte WIPO at AI var den mest produktive fremvoksende teknologien når det gjelder antall patentsøknader og innvilgede patenter, tingenes internett ble estimert til å være størst når det gjelder markedsstørrelse. Den ble fulgt, igjen i markedsstørrelse, av stordatateknologier, robotikk, AI, 3D-utskrift og femte generasjon mobiltjenester (5G). Siden AI dukket opp på 1950-tallet, ble 340 000 AI-relaterte patentsøknader sendt inn av innovatører og 1,6 millioner vitenskapelige artikler har blitt publisert av forskere, med flertallet av alle AI-relaterte patentsøknader publisert siden 2013. Selskaper representerer 26 av de 30 beste. AI-patentsøkere, med universiteter eller offentlige forskningsorganisasjoner som står for de resterende fire. Forholdet mellom vitenskapelige artikler og oppfinnelser har sunket betydelig fra 8:1 i 2010 til 3:1 i 2016, noe som tilskrives å være en indikasjon på et skifte fra teoretisk forskning til bruk av AI-teknologier i kommersielle produkter og tjenester. Maskinlæring er den dominerende AI-teknikken som er avslørt i patenter og er inkludert i mer enn en tredjedel av alle identifiserte oppfinnelser (134777 maskinlæringspatenter inngitt for totalt 167038 AI-patenter inngitt i 2016), med datasyn som den mest populære funksjonelle applikasjonen . AI-relaterte patenter avslører ikke bare AI-teknikker og -applikasjoner, de refererer ofte også til et bruksområde eller industri. Tjue bruksområder ble identifisert i 2016 og inkluderte, i størrelsesorden: telekommunikasjon (15 prosent), transport (15 prosent), livs- og medisinske vitenskaper (12 prosent), og personlig utstyr, databehandling og interaksjon mellom mennesker og datamaskiner (11 prosent) . Andre sektorer inkluderte bank, underholdning, sikkerhet, industri og produksjon, landbruk og nettverk (inkludert sosiale nettverk, smarte byer og tingenes internett). IBM har den største porteføljen av AI-patenter med 8 290 patentsøknader, fulgt av Microsoft med 5 930 patentsøknader.

Juridiske aspekter

AIs evner til å ta beslutninger reiser spørsmål om juridisk ansvar og opphavsrettsstatus for skapte verk. Disse spørsmålene blir raffinert i ulike jurisdiksjoner.

Filosofi

Definere kunstig intelligens

Tenking vs. skuespill: Turing-testen

Alan Turing skrev i 1950 "Jeg foreslår å vurdere spørsmålet 'kan maskiner tenke'?" Han rådet til å endre spørsmålet fra om en maskin «tenker», til «om det er mulig for maskineri å vise intelligent oppførsel eller ikke». Det eneste som er synlig er maskinens oppførsel, så det spiller ingen rolle om maskinen er bevisst, eller har et sinn, eller om intelligensen bare er en "simulering" og ikke "den ekte varen". Han bemerket at vi heller ikke vet disse tingene om andre mennesker, men at vi utvider en "høflig konvensjon" som de faktisk "tenker". Denne ideen danner grunnlaget for Turing-testen.

Å handle menneskelig vs å handle intelligent: intelligente agenter

AI-grunnlegger John McCarthy sa: "Kunstig intelligens er ikke per definisjon simulering av menneskelig intelligens". Russell og Norvig er enige og kritiserer Turing-testen. De skrev: " Aeronautiske ingeniørtekster definerer ikke målet for deres felt som å lage "maskiner som flyr så nøyaktig som duer at de kan lure andre duer. " Andre forskere og analytikere er uenige og har hevdet at AI bør simulere naturlig intelligens ved å studere psykologi eller nevrobiologi .

Det intelligente agentparadigmet definerer intelligent atferd generelt, uten referanse til mennesker. En intelligent agent er et system som oppfatter omgivelsene og utfører handlinger som maksimerer sjansene for suksess. Ethvert system som har målrettet atferd kan analyseres som en intelligent agent: noe så enkelt som en termostat, så komplekst som et menneske, så vel som store systemer som firmaer, biomer eller nasjoner . Det intelligente agentparadigmet ble allment akseptert i løpet av 1990-tallet, og fungerer for tiden som definisjonen av feltet.

Paradigmet har andre fordeler for AI. Det gir en pålitelig og vitenskapelig måte å teste programmer på; forskere kan direkte sammenligne eller til og med kombinere ulike tilnærminger til isolerte problemer, ved å spørre hvilken agent som er best til å maksimere en gitt "målfunksjon". Det gir dem også et felles språk for å kommunisere med andre felt - for eksempel matematisk optimalisering (som er definert i form av "mål") eller økonomi (som bruker samme definisjon av en " rasjonell agent ").

Evaluering av tilnærminger til AI

Ingen etablert samlende teori eller paradigme har ledet AI-forskning i det meste av historien. Den enestående suksessen med statistisk maskinlæring på 2010-tallet overskygget alle andre tilnærminger (så mye at noen kilder, spesielt i næringslivet, bruker begrepet "kunstig intelligens" for å bety "maskinlæring med nevrale nettverk"). Denne tilnærmingen er for det meste sub-symbolsk, pen, myk og smal (se nedenfor). Kritikere hevder at disse spørsmålene kanskje må tas opp igjen av fremtidige generasjoner av AI-forskere.

Symbolsk AI og dens grenser

Symbolsk AI (eller " GOFAI ") simulerte det bevisste resonnementet på høyt nivå som folk bruker når de løser gåter, uttrykker juridiske resonnementer og gjør matematikk. De var svært vellykkede med "intelligente" oppgaver som algebra eller IQ-tester. På 1960-tallet foreslo Newell og Simon hypotesen om fysiske symbolsystemer: "Et fysisk symbolsystem har de nødvendige og tilstrekkelige midlene for generell intelligent handling."

Imidlertid mislyktes den symbolske tilnærmingen dystert på mange oppgaver som mennesker løser enkelt, for eksempel å lære, gjenkjenne et objekt eller sunn fornuft. Moravecs paradoks er oppdagelsen av at "intelligente" oppgaver på høyt nivå var enkle for AI, men "instinktive" oppgaver på lavt nivå var ekstremt vanskelige. Filosof Hubert Dreyfus hadde siden 1960-tallet hevdet at menneskelig ekspertise avhenger av ubevisst instinkt snarere enn bevisst symbolmanipulasjon, og av å ha en "følelse" for situasjonen, snarere enn eksplisitt symbolsk kunnskap. Selv om argumentene hans hadde blitt latterliggjort og ignorert da de først ble presentert, ble AI-forskningen til slutt enige.

Problemet er ikke løst: sub-symbolsk resonnement kan gjøre mange av de samme uutgrunnelige feilene som menneskelig intuisjon gjør, for eksempel algoritmisk skjevhet . Kritikere som Noam Chomsky hevder fortsatt forskning på symbolsk AI vil fortsatt være nødvendig for å oppnå generell intelligens, delvis fordi subsymbolsk AI er et trekk bort fra forklarbar AI : det kan være vanskelig eller umulig å forstå hvorfor et moderne statistisk AI-program laget en bestemt beslutning.

Ryddig vs. rufsete

"Neats" håper at intelligent atferd beskrives ved hjelp av enkle, elegante prinsipper (som logikk, optimalisering eller nevrale nettverk ). "Scruffies" forventer at det nødvendigvis krever løsning av et stort antall ikke-relaterte problemer. Denne problemstillingen ble aktivt diskutert på 70- og 80-tallet, men på 1990-tallet ble matematiske metoder og solide vitenskapelige standarder normen, en overgang som Russell og Norvig kalte "de ryddiges seier".

Myk vs. hard databehandling

Å finne en beviselig riktig eller optimal løsning er vanskelig for mange viktige problemer. Myk databehandling er et sett med teknikker, inkludert genetiske algoritmer, uklar logikk og nevrale nettverk, som er tolerante for unøyaktighet, usikkerhet, delvis sannhet og tilnærming. Myk databehandling ble introdusert på slutten av 80-tallet, og de mest vellykkede AI-programmene i det 21. århundre er eksempler på myk databehandling med nevrale nettverk .

Smal vs generell AI

AI-forskere er delt i hvorvidt de skal forfølge målene for kunstig generell intelligens og superintelligens (generell AI) direkte eller løse så mange spesifikke problemer som mulig (smal AI) i håp om at disse løsningene vil føre indirekte til feltets langsiktige mål Generelt intelligens er vanskelig å definere og vanskelig å måle, og moderne AI har hatt mer etterprøvbare suksesser ved å fokusere på spesifikke problemer med spesifikke løsninger. Det eksperimentelle underfeltet kunstig generell intelligens studerer dette området utelukkende.

Maskinbevissthet, sans og sinn

Sinnets filosofi vet ikke om en maskin kan ha et sinn, bevissthet og mentale tilstander, på samme måte som mennesker gjør. Dette problemet tar hensyn til maskinens interne opplevelser, snarere enn dens eksterne oppførsel. Mainstream AI-forskning anser dette problemet som irrelevant fordi det ikke påvirker feltets mål. Stuart Russell og Peter Norvig observerer at de fleste AI-forskere "ikke bryr seg om [filosofien til AI] - så lenge programmet fungerer, bryr de seg ikke om du kaller det en simulering av intelligens eller ekte intelligens." Spørsmålet har imidlertid blitt sentralt i sinnsfilosofien. Det er også typisk det sentrale spørsmålet i kunstig intelligens i skjønnlitteratur .

Bevissthet

David Chalmers identifiserte to problemer med å forstå sinnet, som han kalte de "harde" og "lette" problemene med bevissthet. Det enkle problemet er å forstå hvordan hjernen behandler signaler, legger planer og kontrollerer atferd. Det vanskelige problemet er å forklare hvordan dette føles eller hvorfor det skal føles som noe i det hele tatt. Menneskelig informasjonsbehandling er lett å forklare, men menneskelig subjektiv opplevelse er vanskelig å forklare. For eksempel er det lett å forestille seg en fargeblind person som har lært å identifisere hvilke objekter i synsfeltet som er røde, men det er ikke klart hva som kreves for at personen skal vite hvordan rødt ser ut .

Computationalism og funksjonalisme

Computationalism er posisjonen i sinnsfilosofien at menneskesinnet er et informasjonsbehandlingssystem og at tenkning er en form for databehandling. Computationalism hevder at forholdet mellom sinn og kropp er lik eller identisk med forholdet mellom programvare og maskinvare og dermed kan være en løsning på sinn-kropp-problemet . Denne filosofiske posisjonen ble inspirert av arbeidet til AI-forskere og kognitive forskere på 1960-tallet og ble opprinnelig foreslått av filosofene Jerry Fodor og Hilary Putnam .

Filosof John Searle karakteriserte denne posisjonen som "sterk AI" : "Den riktig programmerte datamaskinen med de riktige inngangene og utgangene ville derved ha et sinn på nøyaktig samme måte som mennesker har sinn." Searle imøtegår denne påstanden med sitt kinesiske romargument, som prøver å vise at selv om en maskin perfekt simulerer menneskelig atferd, er det fortsatt ingen grunn til å anta at den også har et sinn.

Robotrettigheter

Hvis en maskin har et sinn og en subjektiv opplevelse, kan den også ha sansing (evnen til å føle), og i så fall kan den også lide, og dermed ville den ha rett til visse rettigheter. Eventuelle hypotetiske robotrettigheter vil ligge på et spekter med dyrerettigheter og menneskerettigheter. Denne problemstillingen har vært vurdert i skjønnlitteratur i århundrer, og vurderes nå av for eksempel Californias Institute for the Future, men kritikere hevder at diskusjonen er for tidlig.

Framtid

Superintelligens

En superintelligens, hyperintelligens eller overmenneskelig intelligens er en hypotetisk agent som ville ha intelligens som langt overgår intelligensen til det smarteste og mest begavede menneskesinn. Superintelligens kan også referere til formen eller graden av intelligens som en slik agent besitter.

Hvis forskning på kunstig generell intelligens ga tilstrekkelig intelligent programvare, kan den kanskje omprogrammere og forbedre seg selv. Den forbedrede programvaren ville være enda bedre til å forbedre seg selv, og føre til rekursiv selvforbedring . Dens intelligens ville øke eksponentielt i en intelligenseksplosjon og kunne dramatisk overgå mennesker. Science fiction-forfatter Vernor Vinge kalte dette scenariet "singulariteten". Fordi det er vanskelig eller umulig å kjenne grensene for intelligens eller evnene til superintelligente maskiner, er den teknologiske singulariteten en hendelse utenfor hvilken hendelser er uforutsigbare eller til og med ufattelige.

Robotdesigner Hans Moravec, kybernetiker Kevin Warwick og oppfinner Ray Kurzweil har spådd at mennesker og maskiner vil smelte sammen i fremtiden til cyborger som er dyktigere og kraftigere enn begge. Denne ideen, kalt transhumanisme, har røtter i Aldous Huxley og Robert Ettinger .

Edward Fredkin argumenterer for at "kunstig intelligens er neste trinn i evolusjonen", en idé som først ble foreslått av Samuel Butlers " Darwin among the Machines " så langt tilbake som i 1863, og utvidet av George Dyson i sin bok med samme navn i 1998.

Risikoer

Teknologisk arbeidsledighet

Tidligere har teknologi hatt en tendens til å øke i stedet for å redusere den totale sysselsettingen, men økonomer erkjenner at "vi er i ukjent territorium" med AI. En undersøkelse blant økonomer viste uenighet om hvorvidt den økende bruken av roboter og AI vil føre til en betydelig økning i langtidsledigheten , men de er generelt enige om at det kan være en nettogevinst hvis produktivitetsgevinster omfordeles . Subjektive estimater av risikoen varierer mye; for eksempel anslår Michael Osborne og Carl Benedikt Frey at 47 % av jobbene i USA har «høy risiko» for potensiell automatisering, mens en OECD-rapport klassifiserer bare 9 % av jobbene i USA som «høy risiko».

I motsetning til tidligere bølger av automatisering, kan mange middelklassejobber bli eliminert av kunstig intelligens; The Economist uttaler at "bekymringen som AI kunne gjøre med funksjonærjobber som dampkraft gjorde med blåsnippjobber under den industrielle revolusjonen" er "verdt å ta på alvor". Jobber med ekstrem risiko varierer fra advokatfullmektiger til fastfood-kokker, mens jobbetterspørselen sannsynligvis vil øke for omsorgsrelaterte yrker som spenner fra personlig helsehjelp til presteskapet.

Dårlige skuespillere og bevæpnet AI

AI gir en rekke verktøy som er spesielt nyttige for autoritære myndigheter: smart spyware, ansiktsgjenkjenning og stemmegjenkjenning tillater omfattende overvåking ; slik overvåking lar maskinlæring klassifisere potensielle fiender av staten og kan hindre dem i å gjemme seg; anbefalingssystemer kan målrette propaganda og feilinformasjon nøyaktig for maksimal effekt; deepfakes hjelper til med å produsere feilinformasjon; avansert AI kan gjøre sentralisert beslutningstaking mer konkurransedyktig med liberale og desentraliserte systemer som markeder.

Terrorister, kriminelle og useriøse stater kan bruke andre former for bevæpnet kunstig intelligens som avansert digital krigføring og dødelige autonome våpen . I 2015 ble det rapportert at over femti land forsket på slagmarkroboter.

Maskinlæring AI er også i stand til å designe titusenvis av giftige molekyler i løpet av få timer.

Algoritmisk skjevhet

AI-programmer kan bli partiske etter å ha lært av data fra den virkelige verden. Det introduseres vanligvis ikke av systemdesignerne, men læres av programmet, og dermed er programmererne ofte uvitende om at skjevheten eksisterer. Bias kan utilsiktet introduseres av måten treningsdata velges på. Det kan også komme fra korrelasjoner : AI brukes til å klassifisere individer i grupper og deretter lage spådommer forutsatt at individet vil ligne andre medlemmer av gruppen. I noen tilfeller kan denne antakelsen være urettferdig. Et eksempel på dette er COMPAS, et kommersielt program som er mye brukt av amerikanske domstoler for å vurdere sannsynligheten for at en tiltalt blir en gjentaker . ProPublica hevder at det er langt mer sannsynlig at det COMPAS-tildelte tilbakefallsrisikonivået for svarte tiltalte blir overvurdert enn for hvite tiltalte, til tross for at programmet ikke ble fortalt rasene til de tiltalte. Andre eksempler der algoritmisk skjevhet kan føre til urettferdige utfall er når AI brukes til kredittvurdering eller ansettelse .

På sin 2022-konferanse om rettferdighet, ansvarlighet og åpenhet (ACM FAccT 2022) presenterte og publiserte Association for Computing Machinery i Seoul, Sør-Korea funn som anbefalte at inntil AI og robotikksystemer har vist seg å være fri for skjevhetsfeil, er de utrygge og bruken av selvlærende nevrale nettverk som er trent på enorme, uregulerte kilder til feil internettdata bør begrenses.

Eksistensiell risiko

Superintelligent AI kan være i stand til å forbedre seg til det punktet at mennesker ikke kunne kontrollere det. Dette kan, som fysikeren Stephen Hawking sier det, " beskrive slutten på menneskeslekten ". Filosof Nick Bostrom hevder at tilstrekkelig intelligent AI hvis den velger handlinger basert på å oppnå et eller annet mål, vil vise konvergent atferd som å skaffe ressurser eller beskytte seg selv mot å bli stengt. Hvis målene til denne AI ikke fullt ut reflekterer menneskehetens, kan det være nødvendig å skade menneskeheten for å skaffe seg flere ressurser eller forhindre seg selv i å bli stengt ned, til slutt for bedre å nå målet. Han konkluderer med at AI utgjør en risiko for menneskeheten, uansett hvor ydmyk eller " vennlig " dens uttalte mål kan være. Statsviter Charles T. Rubin hevder at «enhver tilstrekkelig avansert velvilje kan være umulig å skille fra ondskap». Mennesker bør ikke anta at maskiner eller roboter vil behandle oss gunstig fordi det ikke er noen a priori grunn til å tro at de vil dele vårt moralske system.

Oppfatningene fra eksperter og bransjeinnsidere er blandet, med betydelige fraksjoner som både er bekymret og ikke bekymret for risiko fra eventuell overmenneskelig kapabel AI. Stephen Hawking, Microsoft -grunnlegger Bill Gates, historieprofessor Yuval Noah Harari og SpaceX- grunnlegger Elon Musk har alle uttrykt alvorlige bekymringer om fremtiden til AI. Fremtredende teknologiske titaner inkludert Peter Thiel ( Amazon Web Services ) og Musk har forpliktet mer enn 1 milliard dollar til ideelle organisasjoner som forkjemper ansvarlig AI-utvikling, som OpenAI og Future of Life Institute . Mark Zuckerberg (administrerende direktør, Facebook) har sagt at kunstig intelligens er nyttig i sin nåværende form og vil fortsette å hjelpe mennesker. Andre eksperter hevder er at risikoen er langt nok i fremtiden til å ikke være verdt å undersøke, eller at mennesker vil være verdifulle fra perspektivet til en superintelligent maskin. Spesielt Rodney Brooks har sagt at "ondsinnet" AI fortsatt er århundrer unna.

Etiske maskiner

Friendly AI er maskiner som har blitt designet fra begynnelsen for å minimere risiko og for å ta valg som gagner mennesker. Eliezer Yudkowsky, som laget begrepet, argumenterer for at utvikling av vennlig AI bør være en høyere forskningsprioritet: det kan kreve en stor investering og det må fullføres før AI blir en eksistensiell risiko.

Maskiner med intelligens har potensial til å bruke intelligensen sin til å ta etiske beslutninger. Feltet maskinetikk gir maskiner etiske prinsipper og prosedyrer for å løse etiske dilemmaer. Maskinetikk kalles også maskinmoral, beregningsetikk eller beregningsmoral, og ble grunnlagt på et AAAI- symposium i 2005.

Andre tilnærminger inkluderer Wendell Wallachs "kunstige moralske agenter" og Stuart J. Russells tre prinsipper for utvikling av beviselig nyttige maskiner.

Regulering

Reguleringen av kunstig intelligens er utviklingen av offentlig sektors retningslinjer og lover for å fremme og regulere kunstig intelligens (AI); det er derfor knyttet til den bredere reguleringen av algoritmer. Det regulatoriske og politiske landskapet for AI er et voksende problem i jurisdiksjoner globalt. Mellom 2016 og 2020 vedtok mer enn 30 land dedikerte strategier for kunstig intelligens. De fleste EUs medlemsland hadde gitt ut nasjonale AI-strategier, det samme hadde Canada, Kina, India, Japan, Mauritius, Russland, Saudi-Arabia, De forente arabiske emirater, USA og Vietnam. Andre var i ferd med å utarbeide sin egen AI-strategi, inkludert Bangladesh, Malaysia og Tunisia. Global Partnership on Artificial Intelligence ble lansert i juni 2020, og uttalte at AI må utvikles i samsvar med menneskerettigheter og demokratiske verdier, for å sikre offentlig tillit og tillit til teknologien. Henry Kissinger, Eric Schmidt og Daniel Huttenlocher publiserte en felles uttalelse i november 2021 der de ba om en regjeringskommisjon for å regulere AI.

I skjønnlitteratur

Selve ordet "robot" ble laget av Karel Čapek i hans skuespill RUR fra 1921, tittelen som står for "Rossum's Universal Robots".

Tankedyktige kunstige vesener har dukket opp som fortellerverktøy siden antikken, og har vært et vedvarende tema i science fiction .

En vanlig trope i disse verkene begynte med Mary Shelleys Frankenstein, der en menneskelig skapelse blir en trussel mot sine mestere . Dette inkluderer verk som Arthur C. Clarkes og Stanley Kubricks 2001: A Space Odyssey (begge 1968), med HAL 9000, den morderiske datamaskinen som har ansvaret for romskipet Discovery One, samt The Terminator (1984) og The Matrix (1999 ) ). Derimot er de sjeldne lojale robotene som Gort fra The Day the Earth Stood Still (1951) og Bishop from Aliens (1986) mindre fremtredende i populærkulturen.

Isaac Asimov introduserte Three Laws of Robotics i mange bøker og historier, spesielt "Multivac"-serien om en superintelligent datamaskin med samme navn. Asimovs lover blir ofte tatt opp under lekmannsdiskusjoner om maskinetikk; mens nesten alle kunstig intelligens-forskere er kjent med Asimovs lover gjennom populærkulturen, anser de generelt lovene som ubrukelige av mange grunner, en av dem er deres tvetydighet.

Transhumanisme (sammenslåing av mennesker og maskiner) utforskes i mangaen Ghost in the Shell og science-fiction-serien Dune .

Flere verk bruker AI for å tvinge oss til å konfrontere det grunnleggende spørsmålet om hva som gjør oss til mennesker, og viser oss kunstige vesener som har evnen til å føle og dermed lide. Dette vises i Karel Čapeks RUR , filmene AI Artificial Intelligence og Ex Machina, samt romanen Do Androids Dream of Electric Sheep? , av Philip K. Dick . Dick vurderer ideen om at vår forståelse av menneskelig subjektivitet er endret av teknologi skapt med kunstig intelligens.

Vitenskapelig diplomati

Krigføring

Etter hvert som teknologi og forskning utvikler seg og verden går inn i den tredje revolusjonen av krigføring etter krutt og atomvåpen, starter våpenkappløpet med kunstig intelligens mellom USA, Kina og Russland, tre land med verdens fem høyeste militærbudsjetter. Intensjoner om å være verdensledende innen AI-forskning innen 2030 har blitt erklært av Kinas leder Xi Jinping, og president Putin i Russland har uttalt at "Den som blir lederen på denne sfæren vil bli verdens hersker". Hvis Russland skulle bli ledende innen AI-forskning, har president Putin uttalt Russlands intensjon om å dele noe av forskningen deres med verden for ikke å monopolisere feltet, i likhet med deres nåværende deling av kjernefysiske teknologier, og opprettholde vitenskapelige diplomatiforhold. USA, Kina og Russland er noen eksempler på land som har inntatt sine holdninger til militær kunstig intelligens siden så tidlig som i 2014, som har etablert militære programmer for å utvikle cybervåpen, kontrollere dødelige autonome våpen og droner som kan brukes til overvåking .

Russisk-ukrainsk krig

President Putin kunngjorde at kunstig intelligens er fremtiden for hele menneskeheten og anerkjenner kraften og mulighetene som utviklingen og distribusjonen av dødelige autonome våpen AI-teknologi kan innebære i krigføring og hjemlandssikkerhet, så vel som truslene. President Putins spådom om at fremtidige kriger vil bli utkjempet ved bruk av kunstig intelligens har begynt å komme til en viss grad etter at Russland invaderte Ukraina 24. februar 2022 . Det ukrainske militæret bruker de tyrkiske Bayraktar TB2-dronene som fortsatt krever menneskelig operasjon for å utplassere laserstyrte bomber, men som kan ta av, lande og cruise autonomt. Ukraina har også brukt Switchblade-droner levert av USA og mottatt informasjonsinnhenting av USAs egne overvåkingsoperasjoner angående slagmarksetterretning og nasjonal sikkerhet om Russland. På samme måte kan Russland bruke AI for å analysere slagmarkdata fra overvåkingsopptak tatt av droner. Rapporter og bilder viser at Russlands militære har utplassert KUB-BLA selvmordsdroner i Ukraina, med spekulasjoner om intensjoner om å myrde den ukrainske presidenten Volodymyr Zelenskyy .

Krigføringsbestemmelser

Etter hvert som forskningen på AI-området skrider frem, er det tilbakeslag om bruken av AI fra Campaign to Stop Killer Robots, og verdens teknologiledere har sendt en begjæring til FN som ber om nye forskrifter for utvikling og bruk av AI-teknologier i 2017, inkludert et forbud mot bruk av dødelige autonome våpen på grunn av etiske bekymringer for uskyldige sivilbefolkninger.

Cybersikkerhet

Med stadig utviklende cyberangrep og generering av enheter, kan AI brukes til trusseldeteksjon og mer effektiv respons ved risikoprioritering. Med dette verktøyet presenteres også noen utfordringer som personvern, informert samtykke og ansvarlig bruk. I følge CISA er cyberspace vanskelig å sikre for følgende faktorer: ondsinnede aktørers evne til å operere fra hvor som helst i verden, koblingene mellom cyberspace og fysiske systemer, og vanskeligheten med å redusere sårbarheter og konsekvenser i komplekse cybernettverk. Med de økte teknologiske fremskritt i verden, øker risikoen for omfattende følgehendelser. Paradoksalt nok trives evnen til å beskytte informasjon og skape en kommunikasjonslinje mellom det vitenskapelige og diplomatiske samfunnet. Rollen til cybersikkerhet i diplomati har blitt stadig mer relevant, og skaper begrepet cyberdiplomati – som ikke er enhetlig definert og ikke synonymt med cyberforsvar . Mange nasjoner har utviklet unike tilnærminger til vitenskapelig diplomati i cyberspace.

Tsjekkias tilnærming

Dateres tilbake til 2011, da den tsjekkiske nasjonale sikkerhetsmyndigheten (NSA) ble utnevnt til nasjonal myndighet for cyberagendaen. Cyberdiplomatiets rolle ble styrket i 2017 da det tsjekkiske utenriksdepartementet (MFA) oppdaget en seriøs cyberkampanje rettet mot egne datanettverk. I 2016 ble tre cyberdiplomater utplassert til Washington, DC, Brussel og Tel Aviv, med mål om å etablere aktivt internasjonalt samarbeid fokusert på engasjement med EU og NATO . Hovedagendaen for disse vitenskapelige diplomati-innsatsene er å styrke forskning på kunstig intelligens og hvordan den kan brukes i cybersikkerhetsforskning, utvikling og generell forbrukertillit. CzechInvest er en nøkkelaktør innen vitenskapelig diplomati og cybersikkerhet. For eksempel, i september 2018, organiserte de et oppdrag til Canada i september 2018 med spesielt fokus på kunstig intelligens. Hovedmålet med dette oppdraget var en salgsfremmende innsats på vegne av Praha, og forsøkte å etablere det som et fremtidig kunnskapssenter for industrien for interesserte kanadiske firmaer.

Tysklands tilnærming

Cybersikkerhet er anerkjent som en statlig oppgave, som deler inn i tre ansvarsdepartementer: det føderale innenriksdepartementet, det føderale forsvarsdepartementet og det føderale utenrikskontoret. Disse utmerkelsene fremmet opprettelsen av forskjellige institusjoner, som det tyske nasjonale kontoret for informasjonssikkerhet, det nasjonale cyberforsvarssenteret, det tyske nasjonale cybersikkerhetsrådet og cyber- og informasjonsdomenetjenesten. I 2018 ble en ny strategi for kunstig intelligens etablert av den tyske regjeringen, med opprettelsen av et tysk-fransk virtuelt forsknings- og innovasjonsnettverk, som gir mulighet for forskningsutvidelse innen cybersikkerhet.

Den europeiske unions tilnærming

Vedtakelsen av The Cybersecurity Strategy of the European Union – An Open, Safe and Secure Cyberspace- dokument i 2013 av EU-kommisjonen presset frem cybersikkerhetsinnsats integrert med vitenskapelig diplomati og kunstig intelligens. Innsatsen er sterk, da EU finansierer ulike programmer og institusjoner i arbeidet med å bringe vitenskap til diplomati og bringe diplomati til vitenskap. Noen eksempler er cybersikkerhetsprogrammet Competence Research Innovation (CONCORDIA), som samler 14 medlemsland, Cybersecurity for Europe (CSE)- som samler 43 partnere som involverer 20 medlemsland. I tillegg samler European Network of Cybersecurity Centers and Competence Hub for Innovation and Operations (ECHO) 30 partnere med 15 medlemsland og SPARTA samler 44 partnere som involverer 14 medlemsland. Denne innsatsen gjenspeiler EUs overordnede mål, å innovere cybersikkerhet for forsvar og beskyttelse, etablere et svært integrert cyberspace blant mange nasjoner og bidra ytterligere til sikkerheten til kunstig intelligens.

Russisk-ukrainsk krig

Med invasjonen av Ukraina i 2022 har det vært en økning i ondsinnet nettaktivitet mot USA, Ukraina og Russland. En fremtredende og sjelden dokumentert bruk av kunstig intelligens i konflikt er på vegne av Ukraina, ved å bruke programvare for ansiktsgjenkjenning for å avdekke russiske overfallsmenn og identifisere ukrainere drept i den pågående krigen. Selv om disse regjeringsfigurene ikke først og fremst er fokusert på vitenskapelig og cyberdiplomati, kommenterer andre institusjoner bruken av kunstig intelligens i cybersikkerhet med det fokuset. For eksempel har Georgetown Universitys senter for sikkerhet og fremvoksende teknologi (CSET) Cyber-AI-prosjektet, med ett mål å tiltrekke beslutningstakeres oppmerksomhet til den voksende mengden akademisk forskning, som avslører de utnyttende konsekvensene av AI og maskinlæring (ML). ) algoritmer. Denne sårbarheten kan være en plausibel forklaring på hvorfor Russland ikke engasjerer seg i bruk av kunstig intelligens i konflikter, ifølge Andrew Lohn, en senior stipendiat ved CSET. I tillegg til bruk på slagmarken, brukes AI av Pentagon til å analysere data fra krigen, analysere for å styrke cybersikkerhet og krigføringsetterretning for USA.

Valgsikkerhet

Etter hvert som kunstig intelligens vokser og den overveldende mengden nyheter som skildres gjennom cyberspace utvides, blir det ekstremt overveldende for en velger å vite hva de skal tro. Det er mange intelligente koder, referert til som bots, skrevet for å skildre mennesker på sosiale medier med mål om å spre missinformasjon. Valget i USA i 2016 er et offer for slike handlinger. Under Hillary Clinton og Donald Trump -kampanjen spredte kunstige intelligente roboter fra Russland feilinformasjon om kandidatene for å hjelpe Trump-kampanjen. Analytikere konkluderte med at omtrent 19 % av Twitter -tweets sentrert rundt valget i 2016 ble oppdaget å komme fra roboter. YouTube har de siste årene blitt brukt til å spre politisk informasjon også. Selv om det ikke er noe bevis på at plattformen prøver å manipulere seernes meninger, anbefaler Youtubes AI-algoritme videoer av lignende variasjon. Hvis en person begynner å forske på høyreorienterte politiske podcaster, vil YouTubes algoritme anbefale flere høyreorienterte videoer. Opprøret i et program kalt Deepfake, en programvare som brukes til å gjenskape noens ansikt og ord, har også vist sin potensielle trussel. I 2018 ble en Deepfake-video av Barack Obama gitt ut som sa ord han hevder å aldri ha sagt. Mens i et nasjonalt valg vil en Deepfake raskt bli avkreftet, har programvaren evnen til å påvirke et mindre lokalvalg kraftig . Dette verktøyet har et stort potensial for å spre feilinformasjon og overvåkes med stor oppmerksomhet. Selv om det kan sees på som et verktøy som brukes for skade, kan AI også bidra til å forbedre valgkamper. AI-roboter kan programmeres til å målrette mot artikler med kjent feilinformasjon. Robotene kan deretter indikere hva som blir feilinformert for å hjelpe til med å belyse sannheten. AI kan også brukes til å informere en person om hvor hver del står på et bestemt emne som helsetjenester eller klimaendringer . De politiske lederne i en nasjon har stor innflytelse på internasjonale anliggender. Dermed kan en politisk leder med manglende interesse for internasjonal samarbeidende vitenskapelig fremgang ha en negativ innvirkning på det vitenskapelige diplomatiet til den nasjonen

Arbeidets fremtid

Ansiktsgjenkjenning

Bruken av kunstig intelligens (AI) har subtilt vokst til å bli en del av hverdagen. Den brukes hver dag i programvare for ansiktsgjenkjenning . Det er det første sikkerhetsmålet for mange selskaper i form av en biometrisk autentisering. Denne autentiseringsmetoden lar selv de mest offisielle organisasjoner som USAs Internal Revenue Service verifisere en persons identitet via en database generert fra maskinlæring. Fra og med år 2022 krever USAs IRS at de som ikke gjennomgår et liveintervju med en agent, skal fullføre en biometrisk verifisering av identiteten deres via ID.mes ansiktsgjenkjenningsverktøy.

AI og skole

I Japan og Sør-Korea brukes programvare for kunstig intelligens i instruksjon av engelsk via selskapet Riiid. Riiid er et koreansk utdanningsselskap som jobber sammen med Japan for å gi studentene muligheten til å lære og bruke sine engelske kommunikasjonsferdigheter ved å engasjere seg med kunstig intelligens i en live chat. Riid er ikke det eneste selskapet som gjør dette. Et amerikansk selskap som Duolingo er veldig kjent for sin automatiserte undervisning i 41 språk. Babbel, et tysk språkopplæringsprogram, bruker også kunstig intelligens i undervisningsautomatiseringen, noe som gjør det mulig for europeiske studenter å lære viktige kommunikasjonsferdigheter som trengs i sosiale, økonomiske og diplomatiske omgivelser. Kunstig intelligens vil også automatisere de rutinemessige oppgavene som lærere må gjøre, for eksempel karaktersetting, oppmøte og håndtering av rutinemessige elevhenvendelser. Dette gjør læreren i stand til å fortsette med kompleksiteten i undervisningen som en automatisert maskin ikke kan håndtere. Disse inkluderer å lage eksamener, forklare komplekst materiale på en måte som vil gagne studentene individuelt og håndtere unike spørsmål fra studentene.

AI og medisin

I motsetning til den menneskelige hjernen, som har generalisert intelligens, kan den spesialiserte intelligensen til AI tjene som et middel til støtte for leger internasjonalt. Det medisinske feltet har en mangfoldig og dyp mengde data som AI kan bruke til å generere en prediktiv diagnose. Forskere ved et sykehus i Oxford har utviklet kunstig intelligens som kan diagnostisere hjerteskanninger for hjertesykdom og kreft. Denne kunstige intelligensen kan fange opp små detaljer i skanningene som leger kan gå glipp av. Som sådan vil kunstig intelligens i medisin forbedre industrien, og gi leger midler til å presist diagnostisere pasientene sine ved å bruke verktøyene som er tilgjengelige. Algoritmene for kunstig intelligens vil også bli brukt til å forbedre diagnosen ytterligere over tid, via en applikasjon av maskinlæring kalt presisjonsmedisin. Videre kan den snevre anvendelsen av kunstig intelligens bruke " dyp læring " for å forbedre medisinsk bildeanalyse. I røntgenavbildning bruker AI dyplæringsalgoritmer for å identifisere potensielle kreftlesjoner, som er en viktig prosess som hjelper til med tidlig diagnose.

AI i virksomheten

Dataanalyse er en grunnleggende egenskap ved kunstig intelligens som gjør at den kan brukes i alle aspekter av livet, fra søkeresultater til måten folk kjøper produkter på. I følge NewVantage Partners har over 90 % av toppbedriftene pågående investeringer i kunstig intelligens. Ifølge IBM, en av verdens ledere innen teknologi, har 45 % av respondentene fra selskaper med over 1000 ansatte tatt i bruk AI. Nyere data viser at bedriftsmarkedet for kunstig intelligens i løpet av 2020 ble verdsatt til 51,08 milliarder dollar. Bedriftsmarkedet for kunstig intelligens anslås å være over 640,3 milliarder dollar innen år 2028. For å forhindre skade, må organisasjoner som distribuerer AI spille en sentral rolle i å skape og distribuere pålitelig AI i tråd med prinsippene for pålitelig AI, og ta ansvar for å redusere risikoen.

Business og diplomati

Med den eksponentielle bølgen av kunstig teknologi og kommunikasjon, har fordelingen av ens idealer og verdier vært tydelig i dagliglivet. Digital informasjon spres via kommunikasjonsapper som Whatsapp, Facebook/Meta, Snapchat, Instagram og Twitter. Det er imidlertid kjent at disse nettstedene videresender spesifikk informasjon som tilsvarer dataanalyse. Hvis en høyreorientert person skulle gjøre et -søk, ville s algoritmer målrettet mot den personen og videresende data som er relevante for den målgruppen. USAs president Bill Clinton bemerket i 2000: "I det nye århundret vil friheten spre seg med mobiltelefon og kabelmodem. [...] Vi vet hvor mye Internett har forandret Amerika, og vi er allerede et åpent samfunn. Men når den private sektoren bruker kunstig intelligens for å samle data, et maktskifte fra staten til privat sektor kan sees. Dette maktskiftet, spesielt i store teknologiske selskaper, kan i dyptgripende endre hvordan diplomati fungerer i samfunnet. Fremveksten av digital teknologi og bruk av kunstig teknologi gjorde det mulig for den private sektoren å samle enorme data om offentligheten, som deretter blir ytterligere kategorisert etter rase, plassering, alder, kjønn, osv. The New York Times beregner at "de ti største teknologiselskapene, som har blitt portvakter innen handel, finans, underholdning og kommunikasjon, har nå en samlet markedsverdi på mer enn 10 billioner dollar. Når det gjelder bruttonasjonalprodukt, vil det rangere dem som verdens tredje største økonomi." Utover den generelle lobbyvirksomheten til kongressmedlemmer/kongresskvinner, bruker selskaper som Facebook/Meta eller innsamlet data for å nå sine tiltenkte målgrupper med målrettet informasjon.

AI og utenrikspolitikk

Flere nasjoner rundt om i verden bruker kunstig intelligens for å hjelpe med deres utenrikspolitiske beslutninger. Det kinesiske departementet for eksterne sikkerhetssaker – under Utenriksdepartementet – bruker kunstig intelligens til å gjennomgå nesten alle sine utenlandske investeringsprosjekter for risikoreduksjon. Kinas regjering planlegger å bruke kunstig intelligens i sin globale infrastrukturutviklingsplan på 900 milliarder dollar, kalt "Belt and Road Initiative" for politisk, økonomisk og miljømessig risikolindring.

Over 200 applikasjoner av kunstig intelligens brukes av over 46 FN-byråer, i sektorer som spenner fra helsevesen som arbeider med spørsmål som bekjempelse av COVID-19 til smart landbruk, for å hjelpe FN i politiske og diplomatiske forbindelser. Et eksempel er bruken av kunstig intelligens i FNs Global Pulse-program for å modellere effekten av spredningen av COVID-19 på internt fordrevne (IDP) og flyktningbosettinger for å hjelpe dem med å lage en passende global helsepolitikk.

Nye AI-verktøy som fjernmåling kan også brukes av diplomater for å samle inn og analysere data og sporing av objekter i nesten sanntid som for eksempel troppe- eller flyktningbevegelser langs grenser i voldelige konfliktsoner.

Kunstig intelligens kan brukes til å dempe viktige tverrnasjonale diplomatiske samtaler for å forhindre oversettelsesfeil forårsaket av menneskelige oversettere. Et viktig eksempel er Anchorage-møtene i 2021 som ble holdt mellom USA og Kina med sikte på å stabilisere utenriksrelasjoner, bare for at det skal ha motsatt effekt, øke spenningen og aggressiviteten mellom de to nasjonene, på grunn av oversettelsesfeil forårsaket av menneskelige oversettere. På møtet, da USAs nasjonale sikkerhetsrådgiver for president Joe Biden, uttalte Jacob Jeremiah Sullivan: "Vi søker ikke konflikt, men vi ønsker hard konkurranse velkommen og vi vil alltid stå opp for våre prinsipper, for folket vårt og for våre venner ", ble det feiloversatt til kinesisk som "vi vil møte konkurranse mellom oss, og vil presentere vår holdning på en veldig tydelig måte", og legger til en aggressiv tone til talen. AIs evne til rask og effektiv naturlig språkbehandling og sanntidsoversettelse og translitterasjon gjør det til et viktig verktøy for utenrikspolitisk kommunikasjon mellom nasjoner og forhindrer utilsiktet feiloversettelse.

Se også

Forklarende notater

Sitater

Referanser

Attribusjon

AI lærebøker

Dette var de fire mest brukte AI-lærebøkene i 2008:

Senere utgaver.

De to mest brukte lærebøkene i 2021. Åpen pensum: Utforsker

Historien om AI

Andre kilder

Videre lesning

  • DH Forfatter, "Hvorfor er det fortsatt så mange jobber? Historien og fremtiden til arbeidsplassautomatisering" (2015) 29(3) Journal of Economic Perspectives 3.
  • Boden, Margaret, Mind As Machine, Oxford University Press, 2006.
  • Cukier, Kenneth, "Ready for Robots? How to Think about the Future of AI", Foreign Affairs, vol. 98, nei. 4 (juli/august 2019), s. 192–98. George Dyson, datahistoriker, skriver (i det som kan kalles "Dysons lov") at "Ethvert system som er enkelt nok til å være forståelig vil ikke være komplisert nok til å oppføre seg intelligent, mens ethvert system som er komplisert nok til å oppføre seg intelligent vil være for komplisert til å forstå." (s. 197.) Informatiker Alex Pentland skriver: "Gjeldende AI-maskinlæringsalgoritmer er, i kjernen, dødelige dumme. De fungerer, men de fungerer med brute force." (s. 198.)
  • Domingos, Pedro, "Our Digital Doubles: AI will serve our art, not control it", Scientific American, vol. 319, nr. 3 (september 2018), s. 88–93.
  • Gopnik, Alison, "Making AI More Human: Artificial intelligence har iscenesatt en vekkelse ved å begynne å innlemme det vi vet om hvordan barn lærer", Scientific American, vol. 316, nr. 6 (juni 2017), s. 60–65.
  • Halpern, Sue, "The Human Costs of AI" (omtale av Kate Crawford, Atlas of AI: Power, Politics, and the Planetary Costs of Artificial Intelligence, Yale University Press, 2021, 327 s.; Simon Chesterman, We, the Robots ?: Regulating Artificial Intelligence and the Limits of the Law, Cambridge University Press, 2021, 289 s.; Keven Roose, Futureproof: 9 Rules for Humans in the Age of Automation, Random House, 217 s.; Erik J. Larson, The Myth of Artificial Intelligence: Why Computers Can't Think the Way We Do, Belknap Press / Harvard University Press, 312 s.), The New York Review of Books, vol. LXVIII, nr. 16 (21. oktober 2021), s. 29–31. "AI-treningsmodeller kan gjenskape forankrede sosiale og kulturelle skjevheter . [...] Maskiner vet bare hva de vet fra dataene de har fått. [s. 30.] [A]rtificial generell intelligens–maskinbasert intelligens som matcher vår egen – er utenfor kapasiteten til algoritmisk maskinlæring... 'Hjernen din er én del av et bredere system som inkluderer kroppen din, miljøet ditt, andre mennesker og kulturen som helhet.' Selv maskiner som mestrer oppgavene de er opplært til å utføre, kan ikke hoppe over domener. AIVA kan for eksempel ikke kjøre bil selv om den kan skrive musikk (og ville ikke engang vært i stand til det uten Bach og Beethoven [og andre komponister som AIVA er opplært til])." (s. 31.)
  • Johnston, John (2008) The Allure of Machinic Life: Cybernetics, Artificial Life, and the New AI, MIT Press.
  • Koch, Christof, "Proust blant maskinene", Scientific American, vol. 321, nr. 6 (desember 2019), s. 46–49. Christof Koch tviler på muligheten for at "intelligente" maskiner kan oppnå bevissthet, fordi "selv de mest sofistikerte hjernesimuleringene er usannsynlig å produsere bevisste følelser ." (s. 48.) I følge Koch, "Hvorvidt maskiner kan bli sansende [er viktig] av etiske grunner. Hvis datamaskiner opplever livet gjennom sine egne sanser, slutter de å være et rent middel til et mål bestemt av deres nytte til å... Per GNW [ Global Neuronal Workspace -teorien] forvandler de seg fra bare objekter til subjekter... med et synspunkt ... Så snart datamaskiners kognitive evner konkurrerer med menneskehetens, vil deres impuls til å presse på for juridisk og politisk rettighetene vil bli uimotståelige – retten til ikke å bli slettet, ikke å få fjernet minnene deres, ikke å lide smerte og forringelse Alternativet, legemliggjort av IIT [Integrated Information Theory], er at datamaskiner vil forbli bare supersofistikert maskineri, spøkelseslignende tomme skjell, blottet for det vi verdsetter mest: følelsen av selve livet." (s. 49.)
  • Marcus, Gary, "Am I Human?: Forskere trenger nye måter å skille kunstig intelligens fra den naturlige typen", Scientific American, vol. 316, nr. 3 (mars 2017), s. 58–63. En snublestein for AI har vært en manglende evne til pålitelig disambiguering . Et eksempel er "pronomendisambigueringsproblemet": en maskin har ingen mulighet til å bestemme hvem eller hva et pronomen i en setning refererer til. (s. 61.)
  • E McGaughey, 'Vil roboter automatisere jobben din? Full Employment, Basic Income, and Economic Democracy' (2018) SSRN, del 2(3) Arkivert 24. mai 2018 på Wayback Machine .
  • George Musser, " Artificial Imagination : How machines could learn kreativitet og sunn fornuft, blant andre menneskelige egenskaper", Scientific American, vol. 320, nei. 5 (mai 2019), s. 58–63.
  • Myers, Courtney Boyd ed. (2009). "The AI ​​Report" Arkivert 29. juli 2017 på Wayback Machine . Forbes juni 2009
  • Raphael, Bertram (1976). Den tenkende datamaskinen . WH Freeman og Co. ISBN 978-0716707233. Arkivert fra originalen 26. juli 2020 . Hentet 22. august 2020 .
  • Scharre, Paul, "Killer Apps: The Real Dangers of an AI Arms Race", Foreign Affairs, vol. 98, nei. 3 (mai/juni 2019), s. 135–44. "Dagens AI-teknologier er kraftige, men upålitelige. Regelbaserte systemer kan ikke håndtere omstendigheter som programmererne deres ikke forutså. Læringssystemer er begrenset av dataene de ble trent på. AI-feil har allerede ført til tragedie. Avanserte autopilotfunksjoner i biler, selv om de presterer bra under noen omstendigheter, har de kjørt biler uten forvarsel inn i lastebiler, betongbarrierer og parkerte biler. I feil situasjon går AI-systemer fra supersmart til superdumb på et øyeblikk. Når en fiende prøver å manipulere og hacke en AI system, er risikoen enda større." (s. 140.)
  • Serenko, Alexander (2010). "Utviklingen av en AI-journalrangering basert på den avslørte preferansetilnærmingen" (PDF) . Journal of Informetrics . 4 (4): 447–59. doi : 10.1016/j.joi.2010.04.001 . Arkivert (PDF) fra originalen 4. oktober 2013 . Hentet 24. august 2013 .
  • Serenko, Alexander; Michael Dohan (2011). "Sammenligning av ekspertundersøkelsen og rangeringsmetoder for sitering av tidsskrift: Eksempel fra feltet kunstig intelligens" (PDF) . Journal of Informetrics . 5 (4): 629–49. doi : 10.1016/j.joi.2011.06.002 . Arkivert (PDF) fra originalen 4. oktober 2013 . Hentet 12. september 2013 .
  • Tom Simonite (29. desember 2014). "2014 innen databehandling: Gjennombrudd innen kunstig intelligens" . MIT Technology Review .
  • Sun, R. & Bookman, L. (red.), Computational Architectures: Integrating Neural and Symbolic Processes . Kluwer Academic Publishers, Needham, MA. 1994.
  • Taylor, Paul, "Insanely Complicated, Hopelessly Inadequate" (omtale av Brian Cantwell Smith, The Promise of Artificial Intelligence: Reckoning and Judgment, MIT, 2019, ISBN 978-0262043045, 157 s.; AI: Gary Marcus og Ernest Rebootnest Building Artificial Intelligence We Can Trust, Ballantine, 2019, ISBN 978-1524748258, 304 s.; Judea Pearl og Dana Mackenzie, The Book of Why: The New Science of Cause and Effect, Penguin, 2019, ISBN 978-24141pp .), London Review of Books, vol. 43, nei. 2 (21. januar 2021), s. 37–39. Paul Taylor skriver (s. 39): «Kanskje det er en grense for hva en datamaskin kan gjøre uten å vite at den manipulerer ufullkomne representasjoner av en ekstern virkelighet».
  • Tooze, Adam, "Democracy and Its Discontents", The New York Review of Books, vol. LXVI, nei. 10 (6. juni 2019), s. 52–53, 56–57. "Demokrati har ikke noe klart svar på den tankeløse driften av byråkratisk og teknologisk makt . Vi kan faktisk være vitne til utvidelsen av det i form av kunstig intelligens og robotikk. På samme måte, etter tiår med alvorlig advarsel, forblir miljøproblemet fundamentalt uløst.... Byråkratisk overrekkelse og miljøkatastrofer er nettopp den typen saktegående eksistensielle utfordringer som demokratier håndterer veldig dårlig... Til slutt er det trusselen du jour: selskaper og teknologiene de fremmer." (s. 56–57.)

Eksterne linker