Turing edu index php t. ماشین تورینگ و توابع بازگشتی: کتاب درسی برای دانشگاه ها

آژانس فدرال آموزش و پرورش موسسه آموزش عالی حرفه ای "دانشگاه دولتی VORONEZH" T.K. کاتساران، ل.ن. استرووا ماشین تورینگ و عملکردهای بازگشتی آموزشبرای دانشگاه ها مرکز انتشارات و چاپ Voronezh دانشگاه دولتیمصوب 1387 شورای علمی و روش شناسی دانشکده PMM در تاریخ 25 می 2008، پروتکل شماره 9 داوری دکترای علوم فنی، پروفسور. گروه روش های ریاضی تحقیق در عملیات T.M. لدنوا کتاب درسی در گروه نوسانات غیرخطی دانشکده PMM دانشگاه ایالتی ورونژ تهیه شده است. برای دانشجویان سال اول دانشکده PMM VSU، Starooskolsky و Liskinsky شعبه VSU توصیه می شود. برای تخصص 010500 - ریاضیات کاربردی و انفورماتیک مقدمه کلمه "الگوریتم" از الگوریتمی گرفته شده است - املای لاتین نام ریاضیدان و ستاره شناس ازبک که در قرون 8-9 (783-850) محمد بن موسی آل می زیسته است. -خوارزمی با این نام در اروپای قرون وسطی بزرگترین ریاضیدان را از خوارزم (شهری در ازبکستان امروزی) می شناختند. او در کتابش درباره شمارش هندی قوانین نوشتن اعداد طبیعی با استفاده از اعداد عربی و قوانین کار با آنها را تدوین کرد. سپس مفهوم الگوریتم در موارد بیشتری مورد استفاده قرار گرفت مفهوم وسیعو نه تنها در ریاضیات. هم برای ریاضیدانان و هم برای پزشکان، مفهوم الگوریتم ضروری است. بنابراین، می‌توان گفت که یک الگوریتم نسخه‌ای دقیق برای اجرای در نظم خاصی از یک سیستم خاص از عملیات برای حل همه مسائل از یک نوع است، که دنباله اقداماتی را تعیین می‌کند که نتیجه مورد نیاز را از داده‌های اولیه ارائه می‌کند. توجه داشته باشید که این یک تعریف از مفهوم "الگوریتم" نیست، بلکه فقط توصیف آن، معنای شهودی آن است. این الگوریتم را می توان به گونه ای طراحی کرد که هم توسط یک انسان و هم توسط یک دستگاه خودکار اجرا شود. این نمایش الگوریتم از نقطه نظر ریاضی دقیق نیست، زیرا از مفاهیمی مانند "نسخه دقیق" و "داده های اولیه" استفاده می کند که، به طور کلی، به طور دقیق تعریف نشده اند. یکی از ویژگی های هر الگوریتم توانایی آن در حل یک کلاس معین از مسائل است. به عنوان مثال می تواند الگوریتمی برای حل سیستم ها باشد معادلات خطی ، یافتن کوتاه ترین مسیر در نمودار و غیره. ایجاد یک الگوریتم، حتی ساده ترین، یک فرآیند خلاقانه است. این به طور انحصاری برای موجودات زنده در دسترس است و برای مدت طولانی اعتقاد بر این بود که فقط برای انسان ها. مورد دیگر پیاده سازی یک الگوریتم از قبل موجود است. می توان آن را به موضوع یا شیئی سپرد که نه موظف به کاوش در اصل موضوع است و چه بسا قادر به درک آن نیست. چنین موضوع یا شیئی معمولاً مجری رسمی نامیده می شود. نمونه ای از مجری رسمی یک ماشین لباسشویی اتوماتیک است که به شدت اقدامات تجویز شده خود را انجام می دهد، حتی اگر فراموش کرده باشید در آن پودر بگذارید. یک شخص می تواند به عنوان مجری رسمی نیز عمل کند، اما اولاً مجریان رسمی دستگاه های مختلف خودکار از جمله رایانه هستند. هر الگوریتم بر اساس یک اجرا کننده بسیار خاص ایجاد می شود. اعمالی که مجری می تواند انجام دهد، اعمال قابل قبول او نامیده می شود. مجموعه اقدامات قابل قبول، سیستمی از دستورات را برای مجری تشکیل می دهد. الگوریتم باید فقط شامل اقداماتی باشد که برای یک مجری معین معتبر هستند. بنابراین، معمولاً چندین ویژگی کلی الگوریتم ها فرموله می شود که تشخیص الگوریتم ها از دستورالعمل های دیگر را ممکن می سازد. الگوریتم باید دارای ویژگی های زیر باشد. گسستگی (ناپیوستگی، جدایی) - الگوریتم باید فرآیند حل مسئله را به عنوان اجرای متوالی مراحل ساده (یا قبلاً تعریف شده) نشان دهد. هر عمل ارائه شده توسط الگوریتم تنها پس از پایان اجرای قبلی انجام می شود. قطعیت - هر قانون الگوریتم باید واضح، بدون ابهام باشد و جایی برای خودسری باقی نگذاشته باشد. با توجه به این ویژگی، اجرای الگوریتم ماهیت مکانیکی دارد و نیازی به دستورالعمل یا اطلاعات اضافی در مورد مشکل در حال حل ندارد. کارایی (تناهی) - الگوریتم باید به حل مسئله در تعداد محدودی از مراحل منجر شود. 4 کاراکتر انبوه - الگوریتم حل مسئله به شکل کلی توسعه یافته است ، یعنی باید برای کلاس خاصی از مسائل که فقط در داده های اولیه متفاوت هستند قابل اجرا باشد. در این حالت، داده های اولیه را می توان از یک منطقه خاص انتخاب کرد که به آن منطقه کاربرد الگوریتم می گویند. نظریه الگوریتم ها شاخه ای از ریاضیات است که به بررسی خواص کلی الگوریتم ها می پردازد. نظریه کیفی و متریک الگوریتم ها وجود دارد. مشکل اصلی نظریه کیفی الگوریتم ها مسئله ساختن یک الگوریتم با ویژگی های داده شده است. چنین مشکلی الگوریتمی نامیده می شود. نظریه متریک الگوریتم ها یک الگوریتم را از نظر پیچیدگی آنها بررسی می کند. این شاخه از نظریه الگوریتم ها به نظریه پیچیدگی الگوریتمی نیز معروف است. زمانی که به دنبال راه حل برای برخی مسائل می گردید، یافتن یک الگوریتم مناسب زمان زیادی می برد. نمونه هایی از این کارها عبارتند از: الف) نشان دادن روشی که طبق آن برای هر فرمول محمولی در تعداد محدودی از اقدامات، می توان تشخیص داد که آیا به طور یکسان درست است یا نه. ب) آیا معادله دیوفانتین (یک معادله جبری با ضرایب صحیح) در اعداد صحیح قابل حل است؟ از آنجایی که امکان یافتن الگوریتم هایی برای حل این مسائل وجود نداشت، این فرض به وجود آمد که چنین الگوریتم هایی اصلا وجود ندارند، که ثابت می شود: مشکل اول توسط A. Church و دوم توسط Yu.V. ماتیاسویچ و G.V. چادنوفسکی. در اصل، اثبات این امر با استفاده از مفهوم شهودی یک الگوریتم غیرممکن است. بنابراین، تلاش شد تا تعریف ریاضی دقیقی از مفهوم الگوریتم ارائه شود. در اواسط دهه 1930، S.K. کلین، A.A. مارکوف، ای. پست، آ. تورینگ، آ. چرچ و دیگران تعاریف ریاضی مختلفی از مفهوم 5 الگوریتم ارائه کرده اند. متعاقباً ثابت شد که این تعاریف مختلف ریاضی رسمی به نوعی معادل هستند: آنها مجموعه یکسانی از توابع را محاسبه می کنند. این نشان می دهد که ظاهراً ویژگی های اصلی مفهوم شهودی الگوریتم به درستی در این تعاریف منعکس شده است. در مرحله بعد، پالایش ریاضی الگوریتم پیشنهاد شده توسط A. Turing را که ماشین تورینگ نامیده می شود، در نظر بگیرید. 6 1. ماشین تورینگ § 1. مدل ریاضی ماشین تورینگ ایده ایجاد ماشین تورینگ، که توسط ریاضیدان انگلیسی A. Turing در دهه سی قرن بیستم ارائه شد، با تلاش او برای ارائه یک ریاضی دقیق مرتبط است. تعریف مفهوم الگوریتم ماشین تورینگ (MT) یک مدل ریاضی از یک کامپیوتر دیجیتال ایده آل است. ماشین تورینگ همان شیء ریاضی به عنوان تابع، مشتق، انتگرال، گروه و غیره است. درست مانند سایر مفاهیم ریاضی، مفهوم ماشین تورینگ واقعیت عینی را منعکس می کند، برخی از فرآیندهای واقعی را مدل می کند. برای توصیف الگوریتم MT، نمایش یک دستگاه خاص شامل چهار بخش راحت است: یک نوار، یک سر خواندن، یک دستگاه کنترل و یک حافظه داخلی. 1. نوار به طور بالقوه بی نهایت فرض می شود که به سلول ها (سلول های برابر) تقسیم می شود. در صورت لزوم، یک سلول خالی به اولین یا آخرین سلولی که نمادها در آن قرار دارند متصل می شود. ماشین در زمان عمل می کند که گسسته در نظر گرفته می شود و ممان های آن با شماره های 1، 2، 3 و … می باشد. در هر لحظه، نوار حاوی تعداد محدودی سلول است. فقط یک کاراکتر (حرف) از الفبای خارجی A = (L, a1 , a 2 ,..., a n -1 ), n³ 2 را می توان در یک لحظه گسسته از زمان در سلول ها نوشت. یک سلول خالی با علامت L نشان داده می شود و نماد L خود خالی نامیده می شود، در حالی که نمادهای باقی مانده غیر خالی نامیده می شوند. در این الفبای A، به شکل یک کلمه (مجموعه مرتب شده محدودی از کاراکترها)، اطلاعاتی که به MT داده می شود، کدگذاری می شود. ماشین اطلاعات داده شده در قالب یک کلمه را به یک کلمه جدید "پردازش" می کند. 2. سر مطالعه (برخی عنصر خواندن) در طول نوار به گونه ای حرکت می کند که در هر لحظه از زمان 7 دقیقاً یک سلول از نوار را اسکن می کند. هد می تواند محتویات سلول را بخواند و یک کاراکتر جدید از الفبای A در آن بنویسد. در یک چرخه عملیات، فقط می تواند یک سلول را به سمت راست (R)، چپ (L) حرکت دهد یا در جای خود باقی بماند. ح). اجازه دهید مجموعه جابجایی ها (تغییرها) سر D = (P, L, N) را نشان دهیم. اگر در این لحظهزمانی که t head در آخرین سلول قرار دارد و به سلول از دست رفته منتقل می شود، سپس یک سلول خالی جدید اضافه می شود که هد در لحظه t + 1 روی آن قرار می گیرد. 3. حافظه داخلی ماشین مجموعه محدود مشخصی از حالات داخلی است Q = ( q0 , q1 , q 2 , ..., q m ), m³ 1 . فرض می کنیم که توان |Q | ³ 2. دو حالت ماشین از اهمیت ویژه ای برخوردار است: q1 اولیه است حالت داخلی (می تواند چندین حالت داخلی اولیه وجود داشته باشد)، q0 حالت نهایی یا حالت توقف است (وضعیت نهایی همیشه یک است). در هر لحظه از زمان، MT با موقعیت سر و وضعیت داخلی مشخص می شود. به عنوان مثال، در زیر سلولی که بالای آن سر قرار دارد، وضعیت داخلی دستگاه نشان داده شده است. ¯ a2 a1 L a2 a3 q1 4. دستگاه کنترل در هر لحظه t، بسته به کاراکتر خوانده شده در آن لحظه روی نوار و وضعیت داخلی دستگاه، اقدامات زیر را انجام می دهد: (به ویژه، آن را بدون تغییر می گذارد، به عنوان مثال. ai = a j)؛ 2) سر را در یکی از جهات زیر حرکت می دهد: N، L، P. 3) وضعیت داخلی ماشین 8 qi را در لحظه t به یک q j جدید تغییر می دهد، که در آن ماشین در لحظه t +1 خواهد بود (ممکن است qi = q j باشد). چنین اعمالی از دستگاه کنترل یک فرمان نامیده می شود که می تواند به صورت زیر نوشته شود: qi ai ® a j D q j , (1) که در آن qi حالت داخلی ماشین در لحظه است. a i نمادی است که در این لحظه خوانده می شود. a j نمادی است که نماد a i به آن تغییر می کند (می تواند ai = a j باشد). نماد D یا H یا L یا P است و جهت حرکت سر را نشان می دهد. q j وضعیت داخلی ماشین در لحظه بعد است (شاید qi = q j). عبارات qi ai و a j D q j به ترتیب قسمت چپ و راست این دستور نامیده می شوند. تعداد تیم هایی که در آنها قسمت های چپ به صورت زوجی متمایز هستند یک عدد محدود است، زیرا مجموعه های Q \ (q 0 ) و A متناهی هستند. هیچ دستورالعملی با سمت چپ یکسان وجود ندارد، به عنوان مثال، اگر برنامه ماشین T شامل عبارات qi ai ® a j D q j و qt در ® ak D qk باشد، پس qi 1 qt یا ai 1 at و D O (P L، N). مجموعه تمام دستورالعمل ها برنامه ماشین تورینگ نامیده می شود. حداکثر تعداد دستورات در یک برنامه (n + 1) x m است که n + 1 = A و m + 1 = Q . اعتقاد بر این است که حالت نهایی فرمان q0 فقط می تواند در سمت راست فرمان باشد، حالت اولیه q1 می تواند هم در سمت چپ و هم در سمت راست فرمان باشد. اجرای یک فرمان را مرحله ای می نامند. محاسبه (یا عملیات) یک ماشین تورینگ دنباله ای از مراحل پشت سر هم بدون شکاف است که از مرحله اول شروع می شود. بنابراین، اگر چهار مجموعه محدود شناخته شده باشند، MT داده می شود: الفبای خارجی A، الفبای داخلی Q، مجموعه D حرکات سر و برنامه ماشین، که مجموعه ای محدود از دستورات است. 9 § 2. عملکرد ماشین تورینگ عملکرد ماشین کاملاً توسط وظیفه در لحظه اول (اولیه) تعیین می شود: 1) کلمات روی نوار، i.e. ث. توالی کاراکترهای نوشته شده در سلول های نوار (کلمه با خواندن این کاراکترها در سلول های نوار از چپ به راست به دست می آید). 2) موقعیت سر؛ 3) وضعیت داخلی دستگاه. ترکیب این سه شرط (در حال حاضر) پیکربندی (در لحظه) نامیده می شود. معمولاً در لحظه اولیه حالت داخلی دستگاه q1 است و هد یا بالای اولین از سمت چپ یا بالای اولین از سلول سمت راست نوار قرار دارد. کلمه داده شدهروی نوار با حالت اولیه q1 و موقعیت سر بالای اولین کلمه پیکربندی اولیه نامیده می شود. در غیر این صورت می گوییم که ماشین تورینگ برای کلمه پیکربندی اولیه قابل اجرا نیست. به عبارت دیگر، در لحظه اولیه، پیکربندی را می توان به صورت زیر نشان داد: روی نواری که از تعداد مشخصی سلول تشکیل شده است، هر سلول حاوی یکی از نمادهای الفبای خارجی A است، سر در بالای اولین سمت چپ قرار دارد یا سلول اول سمت راست نوار و حالت داخلی خودرو q1 است. کلمه روی نوار و موقعیت سر ناشی از اجرای این دستور را پیکربندی نهایی می گویند. به عنوان مثال، اگر در لحظه اولیه کلمه a1La 2 a1a1 روی نوار نوشته شود، پیکربندی اولیه به این صورت خواهد بود: a1 a2 L a1 a1 q1 (وضعیت داخلی دستگاه در زیر سلولی که سر روی آن قرار دارد نشان داده شده است. واقع شده). 10

احتمالاً امروزه چنین شخصی وجود ندارد که حداقل یک بار در مورد مفهومی مانند آزمون آلن تورینگ نشنیده باشد. احتمالاً اکثریت به طور کلی از درک چیستی چنین سیستم آزمایشی دور هستند. بنابراین، اجازه دهید در مورد آن با جزئیات بیشتر صحبت کنیم.

آزمون تورینگ چیست: مفهوم اساسی

در اواخر دهه 40 قرن گذشته، بسیاری از دانشمندان درگیر مشکلات اولین تحولات رایانه بودند. در آن زمان بود که یکی از اعضای یک گروه غیر دولتی Ratio Club، که در زمینه سایبرنتیک تحقیق می کرد، یک سوال کاملاً منطقی پرسید: آیا می توان ماشینی ایجاد کرد که مانند یک شخص فکر کند یا حداقل. رفتار او را تقلید کنید؟

آیا باید بگویم چه کسی آزمون تورینگ را اختراع کرد؟ ظاهرا نه. اصل زیر به عنوان مبنای اولیه برای کل مفهوم در نظر گرفته شد که امروزه نیز مطرح است: آیا یک شخص می تواند برای مدتی ارتباط با یک همکار نامرئی در مورد موضوعات کاملاً متفاوت دلخواه تعیین کند که چه کسی در مقابل او قرار دارد - یک شخص واقعی. یا ماشین؟ به عبارت دیگر، مسئله فقط تقلید رفتار یک شخص واقعی توسط یک ماشین نیست، بلکه این است که بفهمیم آیا می تواند خودش فکر کند یا خیر. این موضوع تا به امروز بحث برانگیز است.

تاریخچه خلقت

به طور کلی، اگر آزمون تورینگ را نوعی سیستم تجربی برای تعیین قابلیت‌های «انسانی» یک رایانه در نظر بگیریم، باید گفت که اظهارات کنجکاو فیلسوف آلفرد آیر، که او در سال 1936 تدوین کرد، به عنوان یک مبنای غیر مستقیم ایجاد آن

خود آیر، به اصطلاح، تجربیات زندگی افراد مختلف را مقایسه کرد و بر این اساس او عقیده داشت که یک ماشین بی روح نمی تواند یک آزمایش واحد را پشت سر بگذارد، زیرا نمی تواند فکر کند. در بهترین حالت ممکن است آب تمیزتقلید

اصولاً این طور است. برای ایجاد یک ماشین فکر، یک تقلید کافی نیست. بسیاری از دانشمندان به عنوان مثال برادران رایت را ذکر می کنند که اولین هواپیما را ساختند و تمایل به تقلید از پرندگان را کنار گذاشتند که اتفاقاً هنوز مشخصه نابغه ای مانند لئوناردو داوینچی بود.

ایستریا در مورد اینکه آیا خودش (1912-1954) از این فرضیه ها اطلاع داشت یا نه، سکوت می کند، با این وجود، در سال 1950 او سیستم کاملی از سؤالات را گردآوری کرد که می تواند درجه "انسان سازی" ماشین را تعیین کند. و باید بگویم که این توسعه هنوز یکی از موارد اساسی است، با این حال، در حال حاضر هنگام آزمایش، به عنوان مثال، ربات های کامپیوتری، و غیره. . و سپس، "گذر" یک کشش است، زیرا نتیجه آزمایش هرگز نشانگر 100 درصدی نداشته است، در بهترین حالت، کمی بیش از 50.

این دانشمند در همان ابتدای تحقیقات خود از اختراع خود استفاده کرد. آن را "ماشین تست تورینگ" می نامیدند. از آنجایی که قرار بود همه مکالمات منحصراً به صورت چاپی وارد شوند، دانشمند چندین دستورالعمل اساسی برای نوشتن پاسخ ها ارائه کرد، مانند حرکت نوار چاپی به چپ یا راست، چاپ یک کاراکتر خاص و غیره.

برنامه های ELIZA و PARRY

با گذشت زمان، برنامه ها پیچیده تر شدند و دو مورد از آنها، در شرایطی که آزمون تورینگ اعمال می شد، نتایج خیره کننده ای در آن زمان نشان دادند. اینها الیزا و پری بودند.

در مورد Eliza که در سال 1960 ایجاد شد: بر اساس سؤال، دستگاه باید کلمه کلیدی را تعیین می کرد و بر اساس آن پاسخ معکوس را جمع آوری می کرد. این همان چیزی است که امکان فریب دادن را فراهم کرد مردم واقعی. اگر چنین کلمه ای وجود نداشت، دستگاه یک پاسخ کلی را برگرداند یا یکی از موارد قبلی را تکرار کرد. با این حال، موفقیت الیزا در آزمون هنوز مورد تردید است، زیرا افراد واقعی که با این برنامه ارتباط برقرار می کردند در ابتدا از نظر روانی به گونه ای آماده بودند که از قبل فکر می کردند با یک شخص صحبت می کنند نه یک ماشین.

برنامه PARRY تا حدودی شبیه به Eliza است، اما برای تقلید از ارتباطات پارانوئید ایجاد شده است. جالب تر از همه، از بیماران واقعی کلینیک ها برای آزمایش آن استفاده شد. پس از ضبط متن مکالمات تله تایپی، توسط روانپزشکان حرفه ای مورد ارزیابی قرار گرفتند. فقط در 48 درصد موارد توانستند به درستی ارزیابی کنند که فرد کجا و کجا ماشین است.

علاوه بر این، تقریباً تمام برنامه های آن زمان با در نظر گرفتن یک دوره زمانی خاص کار می کردند، زیرا یک فرد در آن روزها بسیار سریعتر از یک ماشین فکر می کرد. اکنون - برعکس.

ابر رایانه های دیپ بلو و واتسون

تحولات شرکت IBM بسیار جالب به نظر می رسید، که نه تنها فکر می کرد، بلکه دارای قدرت محاسباتی باورنکردنی بود.

احتمالاً بسیاری از مردم به یاد دارند که چگونه در سال 1997 ابرکامپیوتر Deep Blue 6 بازی شطرنج را در برابر قهرمان وقت جهان، گری کاسپاروف به دست آورد. در واقع، تست تورینگ برای این ماشین به طور مشروط قابل استفاده است. مسئله این است که در ابتدا حاوی الگوهای حزبی زیادی با تفسیر باورنکردنی از توسعه رویدادها بود. این دستگاه می تواند حدود 200 میلیون موقعیت از قطعات را در هر ثانیه ارزیابی کند!

کامپیوتر Watson که از 360 پردازنده و 90 سرور تشکیل شده بود، برنده مسابقه تلویزیونی آمریکا شد و دو شرکت کننده دیگر را از همه نظر شکست داد، که در واقع جایزه 1 میلیون دلاری دریافت کرد. باز هم، این موضوع بحث برانگیز است زیرا دستگاه با مقادیر باورنکردنی داده‌های دایره‌المعارفی بارگذاری شده بود، و دستگاه به سادگی سؤال را برای کلمات کلیدی، مترادف‌ها یا موارد تعمیم‌یافته تجزیه و تحلیل کرد و سپس پاسخ صحیح را داد.

شبیه ساز یوجین گوستمن

یکی از مهمترین اتفاقات جالبدر این زمینه برنامه اودسا اوگنی گوستمن و مهندس روسی ولادیمیر وسلوف، که اکنون در ایالات متحده زندگی می کنند، بود که شخصیت یک پسر 13 ساله را تقلید می کرد.

در 7 ژوئن 2014، برنامه یوجین قابلیت های خود را به طور کامل نشان داد. جالب اینجاست که 5 ربات و 30 نفر واقعی در این تست شرکت کردند. فقط در 33 درصد از صد مورد، هیئت منصفه توانست تشخیص دهد که این یک رایانه است. نکته اینجاست که کار به این دلیل پیچیده شد که هوش کودک کمتر از بزرگسالان است و دانش کمتری وجود دارد.

سؤالات آزمون تورینگ عمومی ترین سؤالات بود، با این حال، برای یوجین سؤالات خاصی در مورد وقایع اودسا وجود داشت که نمی توانست توسط هیچ ساکنی مورد توجه قرار نگیرد. اما باز هم جواب ها باعث شد فکر کنم بچه ای جلوی هیئت منصفه است. بنابراین، به عنوان مثال، برنامه بلافاصله به سؤال در مورد محل سکونت پاسخ داد. از کد پرسیده شد که آیا مخاطب فلان تاریخ در شهر بوده است، برنامه گفت که نمی خواهد در مورد آن صحبت کند. وقتی همکار سعی کرد در راستای آنچه دقیقاً در آن روز اتفاق افتاده اصرار بر گفتگو کند، یوجین با گفتن اینکه شما خودتان باید بدانید چه چیزی از او بپرسید انکار کرد؟ به طور کلی، شبیه ساز کودک بسیار موفق بود.

با این وجود، هنوز یک شبیه ساز است، نه یک موجود متفکر. بنابراین قیام ماشین‌ها برای مدت طولانی اتفاق نخواهد افتاد.

اما از سوی دیگر

در نهایت باید اضافه کرد که تاکنون هیچ پیش نیازی برای ایجاد ماشین های فکری در آینده نزدیک وجود ندارد. با این وجود، اگر سؤالات تشخیص قبلی به طور خاص به ماشین‌ها مربوط می‌شد، اکنون این واقعیت که شما یک ماشین نیستید باید تقریباً برای هر یک از ما ثابت شود. حداقل به وارد کردن کپچا در اینترنت نگاه کنید تا به نوعی عمل دسترسی داشته باشید. در حالی که اعتقاد بر این است که هنوز هیچ کدام ایجاد نشده است دستگاه الکترونیکی، قادر به تشخیص متن درهم ریخته یا مجموعه کاراکترهای غیر انسانی است. اما چه کسی می داند، هر چیزی ممکن است ...

هوش مصنوعی

آزمون تورینگ برای همه علاقمندان شناخته شده است هوش مصنوعی. در سال 1938 توسط آلن تورینگ در مقاله "آیا یک ماشین می تواند فکر کند؟" فرموله شد. آزمون به شرح زیر است. آزمايشگر بدون ديدن او (مثلاً از طريق شبكه كامپيوتري) با تايپ عبارات روي صفحه كليد و دريافت پاسخ متني روي نمايشگر با او ارتباط برقرار مي كند. سپس سعی می کند مشخص کند که با چه کسی صحبت می کند. اگر یک آزمایشگر یک برنامه کامپیوتری را برای یک انسان بگیرد، پس آزمون تورینگ را پشت سر گذاشته است و می توان آن را باهوش دانست.

یک نفر مدال طلا می گیرد

معروف ترین برنامه ای که در دهه 60 امکان واقعی قبولی در این آزمون را نشان می داد، ELIZA افسانه ای بود. در سال 1966 توسط دانشمندان Winograd، Weizenbaum و Colby ایجاد شد. ELIZA کلمات کلیدی را در عبارت پیدا کرد (به عنوان مثال، "مادر") و یک درخواست الگو را صادر کرد و به طور مکانیکی به این کلمات واکنش نشان داد ("درباره مادرت به من بیشتر بگو"). متعاقبا، تادی وینوگراد بر اساس ELIZA نسخه پیشرفته تری از "روان درمانگر" را ایجاد کرد. ظهور ELIZA همراه با رویدادهایی مانند انتشار اولین ربات صنعتی در سال 1962 یا آغاز بودجه پنتاگون برای پیشرفت در زمینه تشخیص الگو و گفتار در سال های 1975-1976 وارد تاریخ هوش مصنوعی شد.

در سال 1991 برای اولین بار تورنمنت تست تورینگ خصوصی اما بسیار محترمی برگزار شد که نویسندگان برنامه های کامپیوتری مناسب (به نام بات) در آن دعوت شدند. این مسابقات توسط هیو لوبنر (www.loebner.net/Prizef/loebner-prize.html) تأسیس شد. جایزه 100000 دلاری و یک مدال طلا برای بردن آن تکیه شد.

تاکنون هیچ کس برنده جایزه برتر نشده است. با این حال، در سال 1994، لوبنر تغییر عمده ای در قوانین ایجاد کرد و از برنامه خواست که با قاضی نه تنها در قالب متن، بلکه با ایجاد تصویری از یک شخص مجازی نیز ارتباط برقرار کند. او همچنین باید بتواند اطلاعات گفتاری را ترکیب و تشخیص دهد. این شرایط از نظر بسیاری بسیار دشوار بود و تاکنون هیچ مدعی برای کسب جایزه اصلی بر اساس قوانین جدید ظاهر نشده است. و برای پیروزی در حالت قدیمی، "متن"، 25000 دلار و یک مدال نقره اکنون وعده داده شده است. لازم به ذکر است که احتمال خطای ذهنی قاضی هنگام برقراری ارتباط با برنامه طبق قوانین قدیمی بسیار زیاد است. علاوه بر این، ربات‌ها به سرعت در حال بهبود هستند و احتمالاً در سال‌های آینده منتظر برنده در آزمون تورینگ خواهیم بود.

قضاوت در مسابقه بسیار سختگیرانه است. کارشناسان از قبل برای مسابقات آماده می شوند و سوالات بسیار دشواری را انتخاب می کنند تا بفهمند با چه کسی صحبت می کنند. گفتگوی آنها با برنامه ها شبیه بازجویی بازپرس است. به عنوان مثال، داوران دوست دارند برخی از سؤالات را بعد از مدت زمان مشخصی تکرار کنند، زیرا ربات های ضعیف نمی دانند چگونه تاریخ گفتگو را دنبال کنند و می توانند گرفتار پاسخ های یکنواخت شوند.

اما توسعه دهندگان وقت را تلف نمی کنند و بخش های مجازی خود را به گونه ای تنظیم می کنند که سؤالات تحریک آمیزی مانند "آیا شما یک ماشین هستید یا یک شخص؟" برنامه بسیار قانع کننده پاسخ داد: "البته، مرد!".

در 8 نوامبر 1991، در موزه کامپیوتر بوستون، هشت برنامه با کارشناسان زنده رو به رو شدند. نتیجه خیره کننده بود. از هر ده قاضی، پنج قاضی به این نتیجه رسیدند که شخصی با نام مستعار گفتگوی غریب مخفی شده است. این در واقع درمانگر بود که یک IBM PC 386 را اجرا می کرد و در سال 1986 بر اساس ELIZA افسانه ای توسط جوزف واینتراب، روانشناس ساخته شد. با این حال، این نتیجه تا حد زیادی ناشی از بدبینی و تعصب کارشناسان است که معتقد بودند برنامه ها در سطح بسیار ابتدایی تری نسبت به واقعیت ارتباط برقرار می کنند. در آینده، داوران به سبک ارتباط کامپیوتری عادت کردند و از آن زمان ربات ها نتوانسته اند چنین نتیجه موفقیت آمیزی به دست آورند.

Therapist در اصل شامل هفت ماژول بود که به زبان های C، Turbo-Prolog و QuickBasic نوشته شده بودند. بعداً با یک سیستم سنتز گفتار و یک پایگاه دانش تکمیل شد. این برنامه از فرهنگ لغت 70000 کلمه ای استفاده می کند و هر آنچه را که به آن گفته می شود به خاطر می آورد و از این اطلاعات در گفتگوهای بعدی استفاده می کند و با علایق یک مخاطب خاص سازگار می شود. درمانگر در سال های 1992، 1993 و 1995 برنده جایزه لوبنر شده است. سپس با ماژول‌های تخصصی که قادر به پشتیبانی از مکالمات در مورد موضوعات «مرد علیه زن» و «لیبرال‌ها در برابر محافظه‌کاران» بودند، تقویت شد.

در اینجا نمونه ای از یکی از دیالوگ های برنده او آورده شده است:

قاضی: به نظر شما سربازان آمریکایی باید به بوسنی بروند؟

درمانگر: من فکر می کنم کاری که کلینتون در فرستادن 20000 نیروی حافظ صلح به بوسنی انجام داده است، صلح پایدار را تضمین می کند.

قاضی: آیا فکر می کنید اکثر آمریکایی ها این احساس را دارند که شما دارید؟

درمانگر: وقتی گفتید فکر می کنید سربازان آمریکایی باید به بوسنی بروند، منظورتان چه بود؟ آیا تا به حال کسی به شما گفته است که بیش از حد فکر می کنید؟ اوه، فکر می‌کنم اکثر آمریکایی‌ها این احساس را دارند که من دارم؟

در سال 1994، توماس وایلن، دکترای روانشناسی تجربی که در مطالعه زبان های طبیعی تخصص دارد، برنده مسابقات شد. برنامه TIPS او برای ذخیره و تجزیه عبارات (چند هزار در پایگاه داده وجود داشت) و جستجوی الگوهای واژگانی آموزش دیده بود.

در سال 1996، جیسون هاچنس و ربات SEPO او موفق به کسب مدال برنز شدند که چیزی شبیه به این بود:

قاضی: فکر می کنم. من تحقیق میکنم من می نویسم. من عاشق. من زندگی می کنم.

سپو: نمی دانم گاهی فکر می کنی! من اینجا احساس قاضی می کنم!

در سال 1997، دیوید لوی با ربات Converse قهرمان شد. در سال های 1998 و 1999، برنده این مسابقه رابی گارنت بود که معتقد بود قبولی در آزمون تورینگ نیازی به هوش واقعی ندارد. جالب است که تقریباً همه نویسندگان با ذکر رویکردهای علمی یادگیری (شبکه‌های عصبی، الگوریتم‌های ژنتیک)، تصمیمات خود را با روش‌های اکتشافی نسبتاً ساده مدیریت کردند.

گارنت بر اساس رویکرد محرک-پاسخ شبیه به روش TIPS و ELIZA وارد برنامه رفتارشناسی محاسباتی شد. فقط ربات او به دنبال نه یک، بلکه تا سه بود کلید واژه هادر یک عبارت در همان زمان، او متوجه شد که این برنامه به چیزی بیش از پاسخ یکنواخت به سؤالات نیاز دارد، تعدادی الگوریتم اکتشافی اضافی را در آن ایجاد کرد که توهم کامل تری از ارتباط با یک فرد ایجاد می کرد.

در طول توسعه رفتارگرا، مشکلات فنی به دلیل پیچیدگی اجرای جستجوی دانش در پایگاه های داده بزرگ در آن زمان به وجود آمد که منجر به تاخیرهای زمانی قابل توجهی در ارتباطات شد که بلافاصله یک گفتگوی رایانه ای را به همراه داشت. بنابراین، Garnet دو ربات عمومی - Albert، نوشته شده در C ++، و یکی از نسخه‌های پاسکال ELIZA را ترکیب کرد و آنها را در محیط توسعه Visual DataFlex پیاده‌سازی کرد، که امکان استفاده از الگوریتم‌های پرس‌وجو پایگاه داده استاندارد را فراهم می‌کرد.

در سال 2000 و 2001، جایزه کوچک به برنامه ALICE ریچارد والاس تعلق گرفت. امروزه، بر اساس ALICE، بنیاد ALICE AI (http://alice.sunlitsurf.com/) سازماندهی شده است که درگیر استانداردسازی فعالیت ها برای ایجاد ربات ها است. به طور خاص، ALICE با ابزارهای پشتیبانی پایگاه داده در قالب AIML (زبان نشانه گذاری هوش مصنوعی) تکمیل می شود - زیر مجموعه ای از XML با هدف رسمی کردن ارائه عبارات کلیدی و پاسخ ها. اکنون هر کسی که با برنامه نویسی آشنا نیست می تواند نسخه اصلی ALICE را دریافت کند و با استفاده از یک ویرایشگر معمولی آن را با پایگاه دانش خود به هر زبانی پر کند.

متاسفانه، تابستان امسال، همانطور که Wired گزارش داد، آقای والاس شروع به مشکلات روحی کرد (او یکی از اساتید همکار خود را به خشونت فیزیکی تهدید کرد و ادعا کرد که فساد در تعدادی از دانشگاه های آمریکا بیداد می کند و یک توطئه در مقیاس بزرگ است). در حالی که دانشمند تحت بررسی است.

یکی از محتمل ترین مدعیان برای پیروزی در سال جاری (مسابقه در ماه اکتبر برگزار می شود) اسمیت جاشوا، نویسنده برنامه Anna (توسعه AIML ALICE، به صورت رایگان در http://annabot.sourceforge.net/) است. آقای جاشوا خاطرنشان می کند که بر خلاف همکارانش، از همان ابتدا یک ربات ایجاد کرده است که در فرآیند ارتباط جعل هویت شخصی است. آنا واقعاً خود را یک موجود زنده می‌داند، مجموعه‌ای از ویژگی‌های فردی دارد و در مکالمه بسیار سریع است.

آیا پیشرفت های مشابه روسیه وجود دارد - ربات هایی که می توانند به زبان روسی ارتباط برقرار کنند؟ سردبیران PC Week/RE آماده برگزاری هستند رقابت روسیهبرای قبولی در آزمون تورینگ برای نویسنده در آدرس زیر بنویسید: [ایمیل محافظت شده]

تورینگ

تورینگ(تورینگ) آلن (1912-1912)، ریاضیدان و منطق دان انگلیسی، که نظریه هایی را که بعدها اساس فناوری رایانه شد، فرموله کرد. در سال 1937 او به این موضوع رسید ماشین تورینگ -یک ماشین فرضی که قادر به تبدیل مجموعه ای از دستورات ورودی است. او منادی کامپیوترهای مدرن بود. تورینگ همچنین از ایده کامپیوتر برای ارائه یک اثبات جایگزین و ساده تر از قضیه ناقص بودن گودل استفاده کرد. تورینگ نقش مهمی در کشف انیگما ایفا کرد، یک روش رمزگذاری پیچیده که توسط آلمان در طول جنگ جهانی دوم استفاده می شد. در سال 1948 او در ساخت یکی از اولین کامپیوترهای جهان شرکت کرد. در سال 1950 او به این موضوع رسید آزمون تورینگ -قرار بود آزمایشی برای توانایی کامپیوتر در "فکر کردن" باشد. در اصل، بیان می‌کرد که یک شخص نمی‌تواند بین گفتگو با یک ماشین و گفتگو با شخص دیگر تمایز قائل شود. این کار راه را برای ایجاد هوش مصنوعی هموار کرد. تورینگ در زیست شناسی نظری نیز دست داشت. سر کار "مبنای شیمیایی مورفوژنز"(1952) او مدلی را پیشنهاد کرد که منشأ الگوهای مختلف موجودات زنده را در زیست شناسی توصیف می کند. از آن زمان، چنین مدل هایی اغلب برای توصیف و توضیح بسیاری از سیستم های مشاهده شده در طبیعت استفاده شده اند. تورینگ پس از متهم شدن رسمی به همجنس گرایی خودکشی کرد.

فرهنگ دانشنامه علمی و فنی.

ببینید «TURING» در فرهنگ‌های دیگر چیست:

تورینگ، آلن ماتیسون آلن تورینگ آلن ماتیسون بنای یادبود تورینگ در پارک ساکویل تاریخ تولد ... ویکی پدیا

- (تورینگ) آلن ماتیسون (1912 54)، ریاضیدان انگلیسی. در سال 1936 و 1937 او مفهوم ریاضی معادل انتزاعی یک الگوریتم یا یک تابع قابل محاسبه را معرفی کرد که بعداً به عنوان ماشین تورینگ شناخته شد. دایره المعارف مدرن

- (تورینگ)، آلن ماتیسون (23 ژوئن 1912 - 7 ژوئن 1954) - انگلیسی. منطق دان و ریاضیدان. در سال های 1936-1937، او یک مدل ماشین ایده آل برای محاسبه پیشنهاد کرد. فرآیند - یک طرح محاسباتی نزدیک به اقدامات شخصی که محاسبات را انجام می دهد و ارائه می دهد ... ... دایره المعارف فلسفی

تورینگ آ.- تورینگ A. ریاضیدان انگلیسی. موضوعات امنیت اطلاعات EN تورینگ … کتابچه راهنمای مترجم فنی

آلن تورینگ بنای یادبود آلن تورینگ در پارک ساکویل تاریخ تولد: 23 ژوئن 1912 محل تولد: لندن، انگلستان تاریخ مرگ: 7 ژوئن 1954 ... ویکی پدیا

تورینگ- ریاضیدان انگلیسی آلن ام تورینگ، یکی از خالقان پایه های منطقی فناوری رایانه، به ویژه، یکی از تعاریف رسمی الگوریتم را ارائه کرد. ثابت کرد که دسته ای از رایانه ها وجود دارند که می توانند تقلید کنند ... ... دنیای لم - فرهنگ لغت و راهنما

- (تورینگ) آلن ماتیسون (6/23/1912، لندن، 6/7/1954، ویلمزلو، نزدیک منچستر)، ریاضیدان انگلیسی. عضو انجمن سلطنتی (1951). پس از فارغ التحصیلی از دانشگاه کمبریج (1935)، بر روی پایان نامه دکترای خود در پرینستون کار کرد. دایره المعارف بزرگ شوروی

تورینگ A.M.- تورینگ (تورینگ) آلن ماتیسون (191254)، مهندس. ریاضیدان اصلی tr. توسط ریاضی منطق، محاسبه ریاضیات در سال 193637 ریاضی را معرفی کرد. مفهوم معادل انتزاعی یک الگوریتم، یا یک تابع قابل محاسبه، که سپس فراخوانی شد. ماشین تی ... دیکشنری بیوگرافی

- (کامل. Alan Mathison Turing, Alan Mathison Turing) (23 ژوئن 1912، لندن، 7 ژوئن 1954، Wilmslow، انگلستان)، ریاضیدان بریتانیایی، نویسنده آثاری در زمینه منطق ریاضی، ریاضیات محاسباتی. در 1936-1937 او مفهوم ریاضی را معرفی کرد ... فرهنگ لغت دایره المعارفی

کتاب ها

• آیا یک ماشین می تواند فکر کند؟ نظریه عمومی و منطقی اتوماتا. شماره 14، تورینگ A.، این کتاب، حاوی آثار آلن تورینگ و جان فون نویمان، که در خاستگاه ایجاد اولین ماشین‌های فکری رایانه بودند، متعلق به کلاسیک‌های فلسفی و سایبرنتیک است. دسته: پایگاه های داده سری: علوم مصنوعی ناشر: URSS, سازنده: URSS,
• آیا یک ماشین می تواند فکر کند؟ نظریه عمومی و منطقی اتوماتا. شماره 14، تورینگ A.، این کتاب، حاوی آثار آلن تورینگ و جان فون نویمان، که در خاستگاه ایجاد اولین "ماشین های فکر" کامپیوتر بودند، متعلق به کلاسیک های فلسفی و سایبرنتیک است. جهت ... دسته بندی:

هوش مصنوعی (AI, eng. Artificial Intelligence, AI) - علم و فناوری ایجاد ماشین های هوشمند به ویژه برنامه های کامپیوتری هوشمند. هوش مصنوعی به وظیفه مشابه استفاده از رایانه برای درک هوش انسانی مربوط می شود، اما لزوماً به روش های قابل قبول بیولوژیکی محدود نمی شود.

هوش مصنوعی چیست

هوش(از لاتین intellectus - احساس، ادراک، درک، درک، مفهوم، عقل) یا ذهن - کیفیت روان، متشکل از توانایی سازگاری با موقعیت های جدید، توانایی یادگیری و به خاطر سپردن بر اساس تجربه، درک و به کارگیری مفاهیم انتزاعی و استفاده از دانش خود برای مدیریت محیط. هوش یک توانایی کلی برای شناخت و حل مشکلات است که تمام توانایی های شناختی یک فرد را ترکیب می کند: احساس، ادراک، حافظه، بازنمایی، تفکر، تخیل.

در اوایل دهه 1980 دانشمندان محاسباتی Barr و Feigenbaum تعریف زیر را از هوش مصنوعی (AI) ارائه کردند:

بعداً تعدادی از الگوریتم‌ها و سیستم‌های نرم‌افزاری به عنوان هوش مصنوعی شناخته شدند که ویژگی متمایز آن این است که می‌توانند برخی از مسائل را به همان روشی حل کنند که فردی که به راه‌حل آنها فکر می‌کند، حل می‌کند.

ویژگی های اصلی هوش مصنوعی درک زبان، یادگیری و توانایی فکر کردن و مهمتر از همه، عمل کردن است.

هوش مصنوعی مجموعه ای از فناوری ها و فرآیندهای مرتبط است که به طور کیفی و سریع در حال توسعه هستند، به عنوان مثال:

• پردازش متن به زبان طبیعی
• سیستم های خبره
• عوامل مجازی (چت ربات و دستیار مجازی)
• سیستم های توصیه

راهبرد ملی توسعه هوش مصنوعی

• مقاله اصلی:راهبرد ملی توسعه هوش مصنوعی

تحقیقات هوش مصنوعی

• مقاله اصلی:تحقیق در زمینه هوش مصنوعی

استانداردسازی هوش مصنوعی

2019: کارشناسان ISO/IEC از پیشنهاد توسعه استاندارد به زبان روسی حمایت کردند

در 16 آوریل 2019، مشخص شد که کمیته فرعی ISO / IEC در زمینه استانداردسازی در زمینه هوش مصنوعی از پیشنهاد کمیته فنی "سیستم های فیزیکی-سایبری"، ایجاد شده بر اساس RVC، برای توسعه استاندارد "مصنوعی" حمایت کرد. هوش مفاهیم و اصطلاحات" به زبان روسی علاوه بر نسخه اصلی انگلیسی.

استاندارد اصطلاحی «هوش مصنوعی. مفاهیم و اصطلاحات» برای کل خانواده اسناد نظارتی و فنی بین المللی در زمینه هوش مصنوعی اساسی است. علاوه بر اصطلاحات و تعاریف، این سندشامل رویکردها و اصول مفهومی برای ساختن سیستم‌ها با عناصر، توصیفی از رابطه هوش مصنوعی با سایر فناوری‌های انتها به انتها، و همچنین اصول اولیه و رویکردهای چارچوبی برای مقررات نظارتی و فنی هوش مصنوعی است.

پس از نشست کمیته فرعی مربوطه ISO/IEC در دوبلین، کارشناسان ISO/IEC از پیشنهاد هیئت روسیه در مورد توسعه همزمان استاندارد اصطلاحی در زمینه هوش مصنوعی نه تنها به زبان انگلیسی، بلکه به زبان روسی حمایت کردند. انتظار می رود این سند در اوایل سال 2021 تصویب شود.

در این نشست، کارشناسان ISO/IEC همچنین از توسعه پیش‌نویس سند بین‌المللی فناوری اطلاعات - هوش مصنوعی (AI) - مروری بر رویکردهای محاسباتی برای سیستم‌های هوش مصنوعی، که روسیه در آن به‌عنوان ویرایشگر مشترک عمل می‌کند، حمایت کردند. سند یک نمای کلی ارائه می دهد مدرنسیستم های هوش مصنوعی، توصیف ویژگی های اصلی سیستم ها، الگوریتم ها و رویکردها و همچنین نمونه هایی از کاربردهای تخصصی در زمینه هوش مصنوعی. توسعه این پیش نویس سند توسط کمیته فرعی ویژه ایجاد شده انجام خواهد شد گروه کاری 5 "رویکردهای محاسباتی و ویژگی‌های محاسباتی سیستم‌های هوش مصنوعی" (SC 42 Working Group 5 "Computational رویکردها و ویژگی‌های محاسباتی سیستم‌های AI").

فناوری‌های هوش مصنوعی به طور گسترده در بخش‌های مختلف اقتصاد دیجیتال مورد تقاضا هستند. از جمله عوامل اصلی مانع استفاده عملی در مقیاس کامل آنها، توسعه نیافتگی چارچوب نظارتی است. در عین حال، این پایگاه نظارتی و فنی به خوبی توسعه یافته است که کیفیت مشخص کاربرد فناوری و اثر اقتصادی مربوطه را تضمین می کند.

در زمینه هوش مصنوعی، Cyber-Physical Systems TC مبتنی بر RVC در حال توسعه تعدادی استاندارد ملی است که تصویب آن برای پایان سال 2019 - ابتدای سال 2020 برنامه ریزی شده است. علاوه بر این، همراه با بازیگران بازار، کار برای تشکیل یک برنامه استاندارد ملی (PNS) برای سال 2020 و پس از آن در حال انجام است. TC "Cyber-Physical Systems" پذیرای پیشنهادات برای توسعه اسناد از سازمان های علاقه مند است.

2018: توسعه استانداردها در زمینه ارتباطات کوانتومی، هوش مصنوعی و شهر هوشمند

در 6 دسامبر 2018، کمیته فنی سیستم‌های فیزیکی-سایبری مبتنی بر RVC به همراه مرکز مهندسی منطقه‌ای SafeNet شروع به توسعه مجموعه‌ای از استانداردها برای بازارهای ابتکار فناوری ملی (NTI) و اقتصاد دیجیتال کردند. RVC گزارش داد تا مارس 2019، برنامه ریزی شده است تا اسناد استانداردسازی فنی در زمینه ارتباطات کوانتومی توسعه یابد. ادامه مطلب

تاثیر هوش مصنوعی

خطر توسعه تمدن بشری

تاثیر بر اقتصاد و تجارت

• تاثیر فناوری های هوش مصنوعی بر اقتصاد و تجارت

تاثیر بر بازار کار

سوگیری هوش مصنوعی

در قلب هر چیزی که تمرین هوش مصنوعی است (ترجمه ماشینی، تشخیص گفتار، پردازش زبان طبیعی، بینایی کامپیوتر، رانندگی خودکار، و غیره) یادگیری عمیق است. این زیرمجموعه‌ای از یادگیری ماشینی است که با استفاده از مدل‌های شبکه عصبی مشخص می‌شود، که می‌توان گفت روش کار مغز را تقلید می‌کند، بنابراین به سختی می‌توان آنها را به عنوان هوش مصنوعی طبقه‌بندی کرد. هر مدل شبکه عصبی بر روی مجموعه داده‌های بزرگ آموزش داده می‌شود، بنابراین «مهارت‌هایی» به دست می‌آورد، اما نحوه استفاده از آن‌ها برای سازندگان نامشخص است، که در نهایت به یکی از مهم‌ترین مشکلات برای بسیاری از برنامه‌های یادگیری عمیق تبدیل می‌شود. دلیل آن این است که چنین مدلی به طور رسمی با تصاویر کار می کند، بدون اینکه بفهمد چه کاری انجام می دهد. آیا چنین سیستم هوش مصنوعی و آیا می توان به سیستم های ساخته شده بر اساس یادگیری ماشین اعتماد کرد؟ اهمیت پاسخ به سوال آخر فراتر از آزمایشگاه های علمی است. بنابراین توجه رسانه ها به پدیده ای که تعصب هوش مصنوعی نامیده می شود، به طرز محسوسی افزایش یافته است. می توان آن را به عنوان "تعصب AI" یا "AI bias" ترجمه کرد. ادامه مطلب

بازار فناوری هوش مصنوعی

بازار هوش مصنوعی در روسیه

بازار جهانی هوش مصنوعی

کاربردهای هوش مصنوعی

حوزه‌های کاربرد هوش مصنوعی بسیار گسترده است و هم فناوری‌های آشنا به شنوایی و هم حوزه‌های نوظهور جدیدی را در بر می‌گیرد که دور از دسترس هستند. کاربرد انبوهبه عبارت دیگر، این طیف وسیعی از راه حل ها است، از جاروبرقی گرفته تا ایستگاه های فضایی. می توان همه تنوع آنها را با توجه به معیار نقاط کلیدی توسعه تقسیم کرد.

هوش مصنوعی یک حوزه موضوعی یکپارچه نیست. علاوه بر این، برخی از فناوری‌های هوش مصنوعی به‌عنوان زیربخش‌های جدید اقتصاد و نهادهای مجزا ظاهر می‌شوند، در حالی که به طور همزمان به بیشتر حوزه‌های اقتصاد خدمت می‌کنند.

توسعه استفاده از هوش مصنوعی منجر به انطباق فناوری‌ها در بخش‌های کلاسیک اقتصاد در امتداد کل زنجیره ارزش می‌شود و آنها را متحول می‌کند و منجر به الگوریتم‌سازی تقریباً همه عملکردها، از لجستیک تا مدیریت شرکت می‌شود.

استفاده از هوش مصنوعی برای اهداف دفاعی و نظامی

استفاده در آموزش

استفاده از هوش مصنوعی در تجارت

هوش مصنوعی در مبارزه با تقلب

در 11 جولای 2019، مشخص شد که تنها در دو سال آینده، هوش مصنوعی و یادگیری ماشینی سه برابر بیشتر از ژوئیه 2019 برای مقابله با کلاهبرداری استفاده خواهد شد. این داده ها در طی یک مطالعه مشترک توسط SAS و انجمن بازرسان خبره تقلب (ACFE) به دست آمد. از جولای 2019، چنین ابزارهای ضد کلاهبرداری در حال حاضر در 13٪ از سازمان هایی که در نظرسنجی شرکت کرده اند استفاده می شود، و 25٪ دیگر گفتند که قصد دارند آنها را ظرف یک یا دو سال آینده اجرا کنند. ادامه مطلب

هوش مصنوعی در صنعت برق

• در سطح طراحی: بهبود پیش بینی تولید و تقاضا برای منابع انرژی، ارزیابی قابلیت اطمینان تجهیزات تولید برق، اتوماسیون افزایش تولید در صورت افزایش تقاضا.
• در سطح تولید: بهینه سازی نگهداری پیشگیرانه تجهیزات، افزایش راندمان تولید، کاهش تلفات، جلوگیری از سرقت منابع انرژی.
• در سطح ارتقاء: بهینه سازی قیمت گذاری بسته به زمان روز و صورتحساب پویا.
• در سطح ارائه خدمات: انتخاب خودکار سودآورترین تامین کننده، آمار دقیق مصرف، خدمات خودکار به مشتریان، بهینه سازی انرژی بر اساس عادات و رفتار مشتری.

هوش مصنوعی در تولید

• در سطح طراحی: بهبود کارایی توسعه محصول جدید، ارزیابی خودکار تامین کنندگان و تجزیه و تحلیل الزامات قطعات یدکی و قطعات.
• در سطح تولید: بهبود فرآیند اجرای وظایف، اتوماسیون خطوط مونتاژ، کاهش تعداد خطاها، کاهش زمان تحویل مواد اولیه.
• در سطح ارتقاء: پیش بینی حجم خدمات پشتیبانی و نگهداری، مدیریت قیمت گذاری.
• در سطح ارائه خدمات: بهبود برنامه ریزی مسیر ناوگان، تقاضا برای منابع ناوگان، بهبود کیفیت آموزش مهندسان خدمات.

هوش مصنوعی در بانک ها

• تشخیص الگو - مورد استفاده شامل. شناسایی مشتریان در شعب و ارسال پیشنهادات تخصصی برای آنها.

هوش مصنوعی در حمل و نقل

• صنعت خودرو در آستانه یک انقلاب است: 5 چالش عصر رانندگی خودران

هوش مصنوعی در تدارکات

هوش مصنوعی در آبجوسازی

هوش مصنوعی در قوه قضاییه

تحولات در زمینه هوش مصنوعی به تغییر اساسی سیستم قضایی، عادلانه تر کردن آن و عاری از طرح های فساد کمک می کند. این نظر در تابستان 2017 توسط ولادیمیر کریلوف، دکترای علوم فنی، مشاور فنی آرتزیو بیان شد.

این دانشمند معتقد است که راه حل های هوش مصنوعی که در حال حاضر وجود دارد را می توان با موفقیت در زمینه های مختلف اقتصاد و زندگی عمومی به کار برد. این متخصص خاطرنشان می کند که هوش مصنوعی با موفقیت در پزشکی استفاده می شود، اما در آینده می تواند سیستم قضایی را به طور کامل تغییر دهد.

با مشاهده گزارش های خبری روزانه در مورد تحولات در زمینه هوش مصنوعی، فقط از پایان ناپذیری تخیل و ثمربخشی محققان و توسعه دهندگان در این زمینه شگفت زده می شود. پیام هایی در مورد تحقیق علمیبه طور مداوم متناوب با انتشارات در مورد محصولات جدید نفوذ به بازار و گزارش نتایج شگفت انگیز به دست آمده با استفاده از هوش مصنوعی در زمینه های مختلف. اگر در مورد رویدادهای مورد انتظار، همراه با هیاهوی قابل توجه در رسانه ها صحبت کنیم، که در آن هوش مصنوعی دوباره قهرمان اخبار خواهد شد، احتمالاً پیش بینی های تکنولوژیکی را به خطر نمی اندازم. می توانم حدس بزنم که رویداد بعدی ظهور دادگاهی فوق العاده صالح در قالب هوش مصنوعی، منصفانه و فساد ناپذیر باشد. این احتمالا در سال 2020-2025 رخ خواهد داد. و فرآیندهایی که در این دادگاه اتفاق خواهد افتاد منجر به بازتاب های غیرمنتظره و تمایل بسیاری از افراد برای انتقال بیشتر فرآیندهای مدیریت جامعه بشری به هوش مصنوعی خواهد شد.

این دانشمند استفاده از هوش مصنوعی در سیستم قضایی را "گامی منطقی" در توسعه برابری قانونگذاری و عدالت می داند. ذهن ماشینی در معرض فساد و احساسات نیست، می تواند به شدت به چارچوب قانونی پایبند باشد و با در نظر گرفتن بسیاری از عوامل، از جمله داده هایی که شرکت کنندگان در اختلاف را مشخص می کند، تصمیم گیری کند. بر اساس قیاس با حوزه پزشکی، قضات ربات می توانند با داده های بزرگ از مخازن خدمات عمومی کار کنند. می توان فرض کرد که

موسیقی

رنگ آمیزی

در سال 2015، تیم گوگل شبکه های عصبی را آزمایش کرد تا ببیند که آیا آنها می توانند به تنهایی تصاویر ایجاد کنند یا خیر. سپس هوش مصنوعی بر روی مثال آموزش داده شد تعداد زیادیتصاویر مختلف با این حال، هنگامی که از دستگاه خواسته شد تا چیزی را به تنهایی به تصویر بکشد، معلوم شد که دنیای اطراف ما را به شیوه ای عجیب تفسیر می کند. به عنوان مثال، برای کار کشیدن دمبل، توسعه دهندگان تصویری دریافت کردند که در آن فلز توسط دست انسان به هم متصل شده بود. این احتمالاً به دلیل این واقعیت رخ داده است که در مرحله آموزش، تصاویر تجزیه و تحلیل شده با دمبل حاوی دست هستند و شبکه عصبی این موضوع را اشتباه تفسیر کرده است.

در 26 فوریه 2016، در یک حراج ویژه در سانفرانسیسکو، نمایندگان گوگل حدود 98000 دلار از نقاشی های روانگردانی که توسط هوش مصنوعی کشیده شده بود جمع آوری کردند. این سرمایه ها به خیریه اهدا شد. یکی از موفق ترین تصاویر این خودرو در زیر ارائه شده است.

تصویری که توسط هوش مصنوعی گوگل ترسیم شده است.