Kecerdasan buatan dapat digunakan untuk menciptakan “cerdas” robot, seperti Asimo.

Kecerdasan buatan (AI) adalah kecerdasan dari mesin-mesin dan cabang ilmu komputer yang bertujuan untuk menciptakannya. Buku teks mendefinisikan lapangan sebagai “studi dan desain agen cerdas,” di mana suatu agen cerdas adalah sistem yang merasakan lingkungannya dan mengambil tindakan yang memaksimalkan peluang keberhasilan. John McCarthy, yang menciptakan istilah dalam 1956, mendefinisikan sebagai “ilmu dan teknik membuat mesin cerdas.”

Bidang ini didirikan pada klaim bahwa milik sentral manusia, intelijen-yang cita rasa dari Homo sapiens-bisa begitu tepat dijelaskan sehingga dapat disimulasikan oleh sebuah mesin. Hal ini menimbulkan masalah-masalah filosofis tentang sifat dari pikiran dan batas-batas keangkuhan ilmiah, masalah-masalah yang telah ditangani oleh mitos, fiksi dan filsafat sejak jaman dahulu. Kecerdasan buatan telah menjadi subjek optimisme hati, telah mengalami kemunduran yang menakjubkan dan, hari ini, telah menjadi penting bagian dari industri teknologi, menyediakan angkat berat bagi banyak masalah-masalah yang paling sulit dalam ilmu komputer.

Penelitian AI sangat teknis dan khusus, sangat dibagi menjadi subbidang yang sering gagal untuk berkomunikasi dengan satu sama lain. Subbidang telah tumbuh di sekitar lembaga-lembaga tertentu, karya peneliti perorangan, pemecahan masalah-masalah tertentu, telah berlangsung lama perbedaan pendapat tentang bagaimana AI harus dilakukan dan aplikasi dari alat yang berbeda secara luas. Masalah pusat AI meliputi ciri sebagai penalaran, pengetahuan, perencanaan, belajar, komunikasi, persepsi dan kemampuan untuk bergerak dan memanipulasi objek. General intelligence (or “strong AI”) masih merupakan tujuan jangka panjang dari ( beberapa) penelitian.

Sejarah

Berpikir mesin dan buatan manusia muncul dalam mitologi Yunani, seperti Talos dari Kreta, robot emas dari Hephaestus dan Pygmalion’s Galatea. Manusia persamaan diyakini memiliki kecerdasan yang dibangun di setiap peradaban besar: animasi patung yang dipuja di Mesir dan Yunani dan humanoid robot itu dibangun oleh Yan Shi, Hero dari Alexandria, Al-Jazari dan Wolfgang von Kempelen. Hal itu juga diyakini bahwa makhluk buatan telah diciptakan oleh Jabir bin Hayyan , Yehuda Loew dan Paracelsus. Dengan ke-19 dan abad ke-20, buatan manusia telah menjadi fitur umum dalam fiksi, seperti dalam Mary Shelley’s Frankenstein atau Karel Capek ’s RUR (Rossum’s Universal Robots) . Pamela McCorduck berpendapat bahwa semua ini adalah contoh dari dorongan kuno, saat ia menjelaskan hal itu, “untuk menempa para dewa”. Kisah-kisah tentang makhluk-makhluk ini dan nasib mereka mendiskusikan berbagai harapan yang sama, ketakutan dan etis keprihatinan yang disajikan oleh kecerdasan buatan.

Mekanis atau “resmi” penalaran telah dikembangkan oleh filsuf dan matematikawan sejak zaman purba. Studi tentang logika dipimpin langsung kepada penemuan komputer elektronik digital yang dapat diprogram,yang didasarkan pada karya matematikawan Alan Turing dan lain-lain. Turing teori komputasi menyarankan bahwa sebuah mesin, dengan menyeret simbol-simbol yang sederhana seperti “0″ dan “1″, bisa meniru tindakan manapun deduksi matematis. Hal ini, bersama dengan penemuan-penemuan terbaru dalam neurology, teori informasi dan sibernetika, terinspirasi sebuah kelompok kecil peneliti untuk mulai serius mempertimbangkan kemungkinan membangun otak elektronik.

Bidang penelitian AI didirikan pada sebuah konferensi di kampus Dartmouth College pada musim panas 1956. Para peserta, termasuk John McCarthy, Marvin Minsky, Allen Newell dan Herbert Simon, menjadi pemimpin penelitian flu burung selama beberapa dekade . Mereka dan murid-murid mereka yang menulis program, untuk kebanyakan orang, cukup mengejutkan: komputer kata memecahkan masalah dalam aljabar, logis membuktikan teorema dan berbicara dalam bahasa Inggris. Pada pertengahan tahun 1960-an, penelitian dalam AS sangat didanai oleh Departemen Pertahanan dan laboratorium telah didirikan di seluruh dunia. AI pendiri yang sangat optimis tentang masa depan bidang baru: Herbert Simon meramalkan bahwa “mesin akan mampu, dalam waktu dua puluh tahun, melakukan pekerjaan apa pun seorang pria bisa melakukan “dan Marvin Minsky setuju, menulis bahwa” dalam satu generasi … masalah penciptaan ‘kecerdasan buatan’ akan secara substansial dapat dipecahkan “. Mereka telah gagal untuk mengenali kesulitan dari beberapa masalah yang mereka hadapi. Pada tahun 1974, sebagai tanggapan atas kritik dari Inggris Sir James Lighthill dan berkelanjutan tekanan dari Kongres untuk mendanai proyek-proyek yang lebih produktif, Amerika Serikat dan pemerintah Inggris memutuskan semua diarahkan, eksplorasi penelitian dalam AI. The next few years, when funding for projects was hard to find, would later be called an ” AI winter “. Beberapa tahun mendatang, ketika dana untuk proyek-proyek itu sulit ditemukan, yang kemudian disebut sebagai “AI musim dingin”. [34]

Pada awal 1980-an, penelitian AI dihidupkan kembali oleh keberhasilan komersial sistem ahli, sebuah bentuk program yang AI simulasi analisis pengetahuan dan keterampilan dari satu atau lebih pakar manusia. By 1985 the market for AI had reached over a billion dollars. Pada tahun 1985 pasar Flu Burung telah mencapai lebih dari satu miliar dolar. Pada saat yang sama, Jepang komputer generasi kelima proyek terinspirasi AS dan pemerintah Inggris untuk mengembalikan dana untuk penelitian akademis di lapangan. Namun, yang diawali dengan runtuhnya Mesin Lisp pasar pada tahun 1987, AI sekali lagi jatuh ke dalam kehinaan, dan yang kedua, lebih tahan lama AI musim dingin dimulai.

Pada tahun 1990-an dan awal abad ke-21, AI mencapai sukses terbesar, meskipun agak di belakang layar. Kecerdasan buatan digunakan untuk logistik, data mining, diagnosa medis dan banyak daerah lain di seluruh industri teknologi. Keberhasilan ini disebabkan beberapa faktor: kekuatan luar biasa dari komputer hari ini (lihat hukum Moore), yang lebih menekankan pada pemecahan spesifik subproblems, penciptaan hubungan baru antara AI dan bidang lain yang bekerja pada masalah yang sama, dan terutama komitmen baru oleh para peneliti untuk matematika padat metode dan standar ilmiah yang ketat.

Masalah

Masalah simulasi (atau menciptakan) intelijen telah dipecah menjadi beberapa sub-masalah tertentu. Ini terdiri dari ciri-ciri tertentu atau kemampuan yang peneliti ingin sistem yang cerdas untuk ditampilkan. Sifat-sifat yang diuraikan di bawah ini telah menerima perhatian paling besar.

Pemotongan, penalaran, pemecahan masalah

AI awal peneliti mengembangkan algoritma yang meniru langkah-demi-langkah penalaran yang digunakan manusia ketika mereka memecahkan teka-teki, bermain papan permainan atau membuat kesimpulan-kesimpulan logis. Pada akhir 1980-an dan 90-an, penelitian AI juga telah sangat sukses mengembangkan metode untuk berurusan dengan pasti atau informasi yang tidak lengkap, menggunakan konsep-konsep dari probabilitas dan ekonomi.

Untuk masalah sulit, sebagian besar algoritma ini memerlukan sumber daya komputasi yang sangat besar – paling mengalami “ledakan kombinatorial”: jumlah memori atau komputer waktu yang diperlukan menjadi masalah astronomi ketika melampaui ukuran tertentu. Mencari pemecahan masalah yang lebih efisien algoritma adalah prioritas tinggi untuk penelitian Flu Burung.

Manusia memecahkan kebanyakan masalah mereka dengan cepat, intuitif penilaian daripada sadar, langkah-demi-langkah deduksi bahwa awal penelitian AI bisa model. AI telah membuat beberapa kemajuan pada jenis ini meniru “sub-simbolis” pemecahan masalah: agen terwujud pendekatan yang menekankan pentingnya sensorimotor keterampilan penalaran yang lebih tinggi; jaringan saraf upaya penelitian untuk mensimulasikan struktur di dalam otak manusia dan hewan yang melahirkan keterampilan ini.

Pengetahuan representasi

Representasi pengetahuan dan pengetahuan teknik adalah pusat untuk penelitian Flu Burung. Banyak masalah mesin diharapkan untuk menyelesaikan akan memerlukan pengetahuan yang luas tentang dunia. Di antara hal-hal yang perlu untuk mewakili AI adalah: objek, properti, kategori dan hubungan antara obyek; situasi, peristiwa, keadaan dan waktu; sebab dan akibat; pengetahuan tentang pengetahuan (apa yang kita ketahui tentang apa orang lain tahu); dan banyak lainnya, yang kurang baik diteliti domain. Representasi lengkap “apa ada” adalah ontologi (meminjam kata dari tradisional filsafat), yang paling umum disebut atas ontologi.

Di antara masalah yang paling sulit dalam representasi pengetahuan adalah:

Default penalaran dan masalah kualifikasi

Banyak hal yang orang tahu mengambil bentuk “kerja asumsi.” Sebagai contoh, jika seekor burung muncul dalam percakapan, orang biasanya gambar binatang yang berukuran kepalan tangan, menyanyi, dan lalat. Tak satu pun dari hal-hal ini adalah benar tentang semua burung. John McCarthy mengidentifikasi masalah ini pada tahun 1969 sebagai masalah kualifikasi: untuk setiap akal sehat peneliti AI aturan yang peduli untuk mewakili, cenderung ada sejumlah besar pengecualian. Hampir tidak ada hanya benar atau salah dalam cara yang abstrak memerlukan logika. AI penelitian telah menyelidiki sejumlah solusi untuk masalah ini.

Luasnya pengetahuan akal sehat

Jumlah atom fakta bahwa rata-rata orang tahu adalah astronomi. Proyek-proyek penelitian yang berusaha untuk membangun basis pengetahuan yang lengkap tentang pengetahuan akal sehat (misalnya, Cyc) memerlukan sejumlah besar susah payah ontologis teknik – mereka harus dibangun, dengan tangan, satu konsep rumit pada suatu waktu. Sebuah tujuan utama adalah memiliki komputer cukup memahami konsep-konsep untuk dapat belajar dengan membaca dari sumber-sumber seperti internet, dan dengan demikian dapat menambah sendiri ontologi.

Bentuk yang subsymbolic beberapa pengetahuan akal sehat

Banyak dari apa yang orang tahu tidak direpresentasikan sebagai “fakta” atau “pernyataan” bahwa mereka bisa benar-benar mengatakan keras. Sebagai contoh, seorang master catur akan menghindari posisi catur tertentu karena “terasa terlalu terbuka” atau kritikus seni dapat mengambil satu melihat sebuah patung dan langsung menyadari bahwa itu adalah palsu. Ini adalah intuisi atau kecenderungan yang terwakili di dalam otak non-sadar dan sub-simbolis. Pengetahuan seperti ini menginformasikan, mendukung dan memberikan konteks bagi simbolis, sadar pengetahuan. Sebagaimana dengan masalah terkait sub-simbolik penalaran, diharapkan yang terletak AI atau kecerdasan komputasi akan menyediakan cara untuk mewakili pengetahuan semacam ini.

Perencanaan

Agen cerdas harus mampu menetapkan tujuan dan mencapainya. Mereka membutuhkan suatu cara untuk memvisualisasikan masa depan (mereka harus memiliki sebuah representasi dari keadaan dunia dan mampu membuat prediksi tentang bagaimana tindakan-tindakan mereka akan berubah) dan dapat membuat pilihan yang memaksimalkan utilitas (atau “nilai”) dari pilihan yang tersedia.

Dalam masalah perencanaan klasik, agen dapat mengasumsikan bahwa itu adalah satu-satunya hal yang bekerja pada dunia dan bisa memastikan apa akibat dari tindakan mungkin. Namun, jika hal ini tidak benar, harus secara berkala memeriksa apakah dunia sesuai dengan prediksi dan itu harus mengubah rencana seperti ini menjadi perlu, membutuhkan agen untuk alasan di bawah ketidakpastian.

Multi-agent perencanaan menggunakan kerjasama dan kompetisi dari banyak agen untuk mencapai tujuan tertentu. Emergent perilaku seperti ini digunakan oleh algoritma evolusioner dan kawanan intelijen.

Belajar

Machine learning telah menjadi pusat penelitian AI dari awal. Tanpa pengawasan belajar adalah kemampuan untuk menemukan pola-pola aliran masukan. Diawasi pembelajaran meliputi klasifikasi dan numerik regresi. Klasifikasi ini digunakan untuk menentukan apa yang termasuk dalam kategori sesuatu, setelah melihat sejumlah contoh hal dari beberapa kategori. Regresi mengambil numerik satu set input / output contoh dan upaya untuk menemukan fungsi yang kontinu akan menghasilkan output dari input. Dalam penguatan belajar agen dihargai tanggapan baik dan dihukum karena buruk. Ini dapat dianalisis dalam kerangka teori keputusan, dengan menggunakan konsep seperti utilitas. Analisis matematis algoritma pembelajaran mesin dan kinerja mereka adalah cabang ilmu komputer teoretis dikenal sebagai teori belajar komputasional.

Alam pengolahan bahasa

Pengolahan bahasa alami memberikan mesin kemampuan untuk membaca dan memahami bahasa yang manusia berbicara. Banyak peneliti berharap bahwa yang cukup kuat sistem pemrosesan bahasa alami akan dapat memperoleh pengetahuan dengan sendirinya, dengan membaca teks yang ada tersedia melalui internet. Beberapa aplikasi langsung pengolahan bahasa alami meliputi pengambilan informasi (atau teks pertambangan) dan mesin terjemahan.

Motion dan manipulasi

Asimo menggunakan sensor dan algoritma cerdas untuk menghindari rintangan dan menavigasi tangga.

Intelijen diperlukan untuk robot untuk dapat menangani tugas-tugas seperti sebagai objek manipulasi dan navigasi, dengan sub-masalah lokalisasi (mengetahui dimana anda berada), pemetaan (belajar apa yang ada di sekitar Anda) dan perencanaan gerak (memikirkan bagaimana sampai di sana).

Persepsi

Mesin persepsi adalah kemampuan untuk menggunakan input dari sensor (seperti kamera, mikrofon, sonar dan lain-lain lebih eksotis) untuk menyimpulkan aspek dunia. Komputer visi adalah kemampuan untuk menganalisa input visual. Beberapa dipilih subproblems adalah pengenalan suara, pengenalan wajah dan pengenalan obyek.

Sosial intelijen

Kismet, sebuah robot dengan keterampilan sosial dasar

Emosi dan keterampilan sosial memainkan dua peran untuk agen yang cerdas. Pertama, harus dapat memprediksi tindakan orang lain, dengan memahami motif mereka dan emosi. (Hal ini melibatkan elemen-elemen dari teori permainan, teori keputusan, serta kemampuan untuk model emosi manusia dan keterampilan perseptual untuk mendeteksi emosi.) Juga, untuk yang baik interaksi manusia-komputer, sebuah mesin cerdas juga perlu untuk menampilkan emosi. Setidaknya itu harus tampak sopan dan peka terhadap manusia itu berinteraksi dengan. Paling-paling, harus memiliki emosi yang normal itu sendiri.