Garry Kasparov hraje proti Deep Blue, prvnímu stroji, který vyhrál šachový zápas proti úřadujícímu mistru světa.
Moderní definice umělé inteligence (neboli AI) je „studium a navrhování inteligentních agentů“, přičemž inteligentní agent je systém, který vnímá své prostředí a podniká kroky, které maximalizují jeho šance na úspěch.
John McCarthy, který tento termín v roce 1956 vymyslel,
definuje jako „vědu a inženýrství o vytváření inteligentních strojů“.
Byly navrženy i další názvy pro tento obor, například výpočetní inteligence,
syntetická inteligence
nebo výpočetní racionalita.
Termín umělá inteligence se používá také k popisu vlastnosti strojů nebo programů: inteligence, kterou systém vykazuje.
Výzkum umělé inteligence využívá nástroje a poznatky z mnoha oborů, včetně informatiky, psychologie, filozofie, neurovědy, kognitivní vědy, lingvistiky, operačního výzkumu, ekonomie, teorie řízení, pravděpodobnosti, optimalizace a logiky.
Výzkum umělé inteligence se také překrývá s úlohami, jako jsou robotika, řídicí systémy, plánování, dolování dat, logistika, rozpoznávání řeči, rozpoznávání obličeje a mnoho dalších.
Vzestup a pád umělé inteligence ve vnímání veřejnosti
Tento obor se zrodil na konferenci na půdě Dartmouth College v létě 1956.
Účastníci této konference se na dlouhá desetiletí stali vůdčími osobnostmi výzkumu umělé inteligence, zejména John McCarthy, Marvin Minsky, Allen Newell a Herbert Simon, kteří založili laboratoře umělé inteligence na MIT, CMU a Stanfordu. Oni a jejich studenti napsali programy, které byly pro většinu lidí prostě ohromující:
Počítače řešily slovní úlohy v algebře, dokazovaly logické věty a mluvily anglicky.
V polovině 60. let byl jejich výzkum hojně financován agenturou DARPA,
a oni byli optimističtí ohledně budoucnosti nového oboru:
Tyto předpovědi, a mnoho jim podobných, by se nenaplnily. Neuvědomili si obtížnost některých problémů, kterým čelili: nedostatek hrubého počítačového výkonu,
neřešitelný kombinatorický rozmach jejich algoritmů,
obtížnost reprezentace rozumových znalostí a rozumového uvažování,
neuvěřitelná obtížnost vnímání a pohybu
a nedostatky logiky.
V roce 1974 DARPA v reakci na kritiku anglického sira Jamese Lighthilla a pokračující tlak Kongresu na financování produktivnějších projektů přerušila veškerý neusměrněný, průzkumný výzkum v oblasti umělé inteligence. To byla první zima umělé inteligence.
Na počátku 80. let byl tento obor oživen komerčním úspěchem expertních systémů a v roce 1985 dosáhl trh s umělou inteligencí více než miliardy dolarů.
Minsky a další varovali komunitu, že nadšení pro umělou inteligenci se vymklo kontrole a že určitě bude následovat zklamání.
Minsky měl pravdu. Počínaje zhroucením trhu s Lisp Machine v roce 1987 AI opět upadla v nemilost a začala druhá, trvalejší zima AI.
V 90. letech dosáhla umělá inteligence největších úspěchů, i když poněkud v pozadí. Umělá inteligence se ujala v celém technologickém průmyslu, kde zajišťovala těžkou práci v logistice, těžbě dat, lékařské diagnostice a mnoha dalších oblastech.
Úspěch byl způsoben několika faktory: dnes neuvěřitelným výkonem počítačů (viz Moorův zákon), větším důrazem na řešení konkrétních dílčích problémů, vytvořením nových vazeb mezi umělou inteligencí a dalšími obory, které se zabývají podobnými problémy, a především novým závazkem výzkumníků k pevným matematickým metodám a přísným vědeckým standardům.
1961-65 — A.L.Samuel Vyvinul program, který učil hrát dámu na úrovni mistra.
1965 — J.A.Robinson představil rezoluci jako odvozovací metodu v logice.
1965 – J. Lederberg, Edward Feigenbaum a Carl Djerassi zahájili na Stanfordově univerzitě práci na projektu DENDRAL. DENDRAL je expertní systém, který odhaluje strukturu molekul pouze na základě informací o složkách sloučeniny a údajů o hmotnostních spektrech. DENDRAL byl prvním expertním systémem založeným na znalostech, který byl vyvinut.
1968 — Práci na MACSYMA zahájili na MIT Carl Engleman, William Martin a Joel Moses. MACSYMA je rozsáhlý interaktivní program, který řeší řadu typů matematických úloh. Program MACSYMA, napsaný v jazyce LISP, navazoval na dřívější práci na programu SIN, který řešil problém neurčité integrace.
Debata o silné a slabé umělé inteligenci („může být artefakt vytvořený člověkem vědomý?“) je mezi filozofy umělé inteligence stále aktuálním tématem. Týká se to filosofie mysli a problému mysli a těla. Především Roger Penrose ve své knize The Emperor’s New Mind a John Searle se svým myšlenkovým experimentem „čínský pokoj“ tvrdí, že skutečného vědomí nelze dosáhnout pomocí formálních logických systémů, zatímco Douglas Hofstadter v knize Gödel, Escher, Bach a Daniel Dennett v knize Consciousness Explained argumentují ve prospěch funkcionalismu. V názorech mnoha silných zastánců umělé inteligence je umělé vědomí považováno za svatý grál umělé inteligence. Edsger Dijkstra se proslavil názorem, že tato debata nemá velký význam: „Otázka, zda počítač dokáže myslet, není o nic zajímavější než otázka, zda ponorka umí plavat.“
Epistemologie, nauka o znalostech, se také stýká s umělou inteligencí, protože inženýři řeší podobné otázky jako filozofové, jak nejlépe reprezentovat a používat znalosti a informace (např. sémantické sítě).
Na tuto oblast se zaměřuje katedra filosofie umělé inteligence a kognitivní vědy na Sussex University.
Konvenční výzkum umělé inteligence se zaměřuje na pokusy napodobit lidskou inteligenci pomocí manipulace se symboly a symbolicky strukturovaných znalostních bází. Tento přístup omezuje situace, na které lze konvenční umělou inteligenci aplikovat. Lotfi Zadeh uvedl, že „máme k dispozici také výpočetní nástroje, které jsou při koncipování a navrhování inteligentních systémů mnohem účinnější než metody založené na predikátové logice, které tvoří jádro tradiční UI“. Tyto techniky, mezi něž patří i fuzzy logika, se staly známými jako soft computing. Tyto často biologicky inspirované metody stojí v protikladu k tradiční umělé inteligenci a kompenzují nedostatky symbolizmu. Tyto dvě metodiky byly také označeny jako neats vs. scruffies, přičemž neats klade důraz na používání logiky a formální reprezentaci znalostí, zatímco scruffies uplatňuje aplikačně orientovaný heuristický přístup zdola nahoru.
Mnohé expertní systémy jsou organizovanými soubory takovýchto příkazů if-then, které se nazývají produkce. Ty mohou zahrnovat stochastické prvky, které vytvářejí vnitřní variabilitu, nebo se spoléhají na variabilitu vznikající v reakci na dynamické prostředí.
Jsou postaveny na automatizovaných odvozovacích mechanismech včetně dopředného a zpětného uvažování. Na základě určitých podmínek („if“) systém vyvozuje určité důsledky („then“).
Klasifikátory využívají rozpoznávání vzorů pro porovnávání podmínek. V mnoha případech to neznamená absolutní, ale spíše nejbližší shodu.
Klasifikátory jsou funkce, které lze ladit podle příkladů, což je činí velmi atraktivními pro použití v umělé inteligenci. Tyto příklady jsou známé jako pozorování nebo vzory. Při učení pod dohledem patří každý vzor do určité předem definované třídy. Na třídu lze pohlížet jako na rozhodnutí, které je třeba učinit. Všechna pozorování v kombinaci s jejich značkami tříd jsou známá jako soubor dat.
Při přijetí nového pozorování je toto pozorování klasifikováno na základě předchozích zkušeností. Klasifikátor lze trénovat různými způsoby; existují především statistické přístupy a přístupy strojového učení.
K dispozici je celá řada klasifikátorů, z nichž každý má své silné a slabé stránky. Výkonnost klasifikátoru značně závisí na vlastnostech klasifikovaných dat. Neexistuje jediný klasifikátor, který by fungoval nejlépe na všechny dané problémy; to se také označuje jako teorém „no free lunch“. Byly provedeny různé empirické testy s cílem porovnat výkonnost klasifikátorů a zjistit vlastnosti dat, které určují výkonnost klasifikátorů. Určení vhodného klasifikátoru pro daný problém je však stále spíše uměním než vědou.
Nejpoužívanějšími klasifikátory jsou neuronová síť, stroj s podpůrnými vektory, algoritmus k-nejbližšího souseda, model Gaussovy směsi, naivní Bayesův klasifikátor a rozhodovací strom. Výkonnost těchto klasifikátorů byla porovnávána v širokém spektru klasifikačních úloh.
s cílem nalézt charakteristiky dat, které určují výkon klasifikátoru; plně popsat vztah mezi charakteristikami dat a výkonem klasifikátoru však zůstává zajímavým úkolem.
Neuronová síť je vzájemně propojená skupina uzlů, podobná rozsáhlé síti neuronů v lidském mozku.
Mezi techniky a technologie v umělé inteligenci, které byly přímo odvozeny z neurověd, patří neuronové sítě, hebbovské učení a relativně nový obor hierarchické časové paměti, který simuluje architekturu neokortexu.
Výzkum umělé inteligence vedl k mnoha pokrokům v programovacích jazycích, včetně prvního jazyka pro zpracování seznamů Allena Newella a dalších, dialektů jazyka Lisp, Planneru, Actors, metafory vědecké komunity, produkčních systémů a jazyků založených na pravidlech.
Výzkum GOFAI se často provádí v programovacích jazycích, jako je Prolog nebo Lisp. Matlab a Lush (numerický dialekt jazyka Lisp) obsahují mnoho specializovaných pravděpodobnostních knihoven pro bayesovské systémy. Výzkum v oblasti UI často klade důraz na rychlý vývoj a tvorbu prototypů a používá tyto interpretované jazyky, které umožňují rychlé testování a experimentování v příkazovém řádku. Systémy reálného času však pravděpodobně budou vyžadovat specializovaný optimalizovaný software.
Mezi nejvýznamnější příklady patří jazyky LISP a Prolog, které byly vynalezeny pro výzkum umělé inteligence, ale nyní se používají i pro jiné úlohy než pro umělou inteligenci. Hackerská kultura nejprve vzešla z laboratoří umělé inteligence, zejména z laboratoře MIT AI Lab, kde v různých obdobích působily takové osobnosti jako John McCarthy, Marvin Minsky, Seymour Papert (který zde vyvinul program Logo) a Terry Winograd (který opustil umělou inteligenci po vývoji programu SHRDLU).
Ligový zápas z RoboCupu 2004 v portugalském Lisabonu.
Projekt Prometheus v hodnotě 800 milionů eur zaměřený na automobily bez řidiče (1987-1995) ukázal, že rychlá autonomní vozidla, zejména vozidla Ernsta Dickmannse a jeho týmu, mohou v provozu ujet dlouhé vzdálenosti (přes 100 mil), automaticky rozpoznávat a sledovat ostatní automobily pomocí počítačového vidění a předjíždět pomalejší vozidla v levém jízdním pruhu. Výzva bezpečného autonomního řízení od dveří ke dveřím v libovolném prostředí však bude vyžadovat další výzkum.
Oblíbenou výzvou mezi výzkumnými skupinami AI jsou každoroční mezinárodní soutěže RoboCup a FIRA v robotickém fotbale. Hiroaki Kitano formuloval výzvu Mezinárodní federace RoboCup: „V roce 2050 musí tým plně autonomních humanoidních robotických fotbalistů vyhrát fotbalový zápas, v souladu s oficiálními pravidly FIFA, proti vítězi posledního mistrovství světa.“
Méně známou výzvou na podporu výzkumu umělé inteligence je každoroční zápas Arimaa challenge. Tato výzva nabízí do roku 2020 odměnu 10 000 dolarů za vývoj programu, který hraje stolní hru Arimaa a porazí skupinu vybraných lidských protivníků.
V době po boomu digitálních vyhledávačů používají některé webové stránky jednoduchou formu umělé inteligence, která poskytuje odpovědi na otázky zadané návštěvníkem.
Do vstupního formuláře vyhledávače lze zadat otázky typu Jaká je nejvyšší budova a vrátí se seznam odpovědí. Příkladem tohoto druhu vyhledávače je AskWiki.
Aplikace umělé inteligence
Banky používají systémy umělé inteligence k organizaci operací, investování do akcií a správě nemovitostí. V srpnu 2001 porazili roboti lidi v simulované soutěži ve finančním obchodování (BBC News, 2001). Lékařská klinika může využívat systémy umělé inteligence k organizaci rozpisu lůžek, rotaci personálu a poskytování lékařských informací. Mnoho praktických aplikací je závislých na umělých neuronových sítích, sítích, které svou organizací napodobují mozkové neurony, u nichž bylo zjištěno, že vynikají v rozpoznávání vzorů. Finanční instituce již dlouho používají takové systémy k odhalování poplatků nebo pohledávek, které se vymykají normě, a označují je k prošetření člověkem. Neuronové sítě se také hojně využívají v oblasti vnitřní bezpečnosti, rozpoznávání řeči a textu, lékařské diagnostiky (například v technologii Concept Processing v softwaru EMR), dolování dat a filtrování e-mailového spamu.
Roboti se stali běžnou součástí mnoha průmyslových odvětví. Často jsou jim svěřovány práce, které jsou pro člověka považovány za nebezpečné. Roboti se osvědčili při pracích, které se velmi často opakují, což může vést k chybám nebo nehodám v důsledku ztráty koncentrace, a při dalších pracích, které mohou být pro člověka ponižující. Společnost General Motors používá přibližně 16 000 robotů pro úkoly, jako je lakování, svařování a montáž. Japonsko je světovou jedničkou v používání a výrobě robotů. V roce 1995 bylo na celém světě používáno 700 000 robotů; z toho více než 500 000 robotů pocházelo z Japonska.
V 90. letech 20. století se objevily první pokusy o masovou výrobu základních typů umělé inteligence pro vzdělávání nebo volný čas. To se s nástupem digitální revoluce velmi dařilo a pomohlo to lidem, zejména dětem, seznámit se s různými typy umělé inteligence, konkrétně v podobě Tamagoči a Giga Pets, internetu (příklad: základní rozhraní vyhledávače jsou jednou z jednoduchých forem) a prvního široce rozšířeného robota Furbyho. O pouhý rok později byl vydán vylepšený typ domácího robota v podobě Aibo, robotického psa s inteligentními funkcemi a autonomií.
Umělá inteligence – Keramické inženýrství – Výpočetní technika – Elektronika – Energie – Skladování energie – Inženýrská fyzika – Technologie ochrany životního prostředí – Materiálové vědy a inženýrství – Mikrotechnologie – Nanotechnologie – Jaderná technologie – Optické inženýrství – Zoografie
Komunikace – Grafika – Hudební technologie – Rozpoznávání řeči – Vizuální technologie
Stavebnictví – Finanční inženýrství – Výroba – Strojírenství – Těžba – Podniková informatika
Bomby – Zbraně a munice – Vojenská technika a vybavení – Námořní technika
Domácí spotřebiče – Domácí technika – Vzdělávací technika – Potravinářská technika
Letectví a kosmonautika – Zemědělství – Architektura – Bioinženýrství – Biochemie – Biomedicína – Keramika – Chemie – Stavebnictví – Počítače – Konstrukce – Kryogenní – Elektrika – Elektronika – Životní prostředí – Potravinářství – Průmysl – Materiály – Mechanika – Mechatronika – Metalurgie – Hornictví – Námořní doprava – Jaderná energetika – Ropa – Software – Konstrukce – Systémy – Textil – Tkáně
Biomedicínské inženýrství – Bioinformatika – Biotechnologie – Chemická informatika – Technika požární ochrany – Zdravotnické technologie – Farmaceutika – Bezpečnostní inženýrství – Sanitární inženýrství
Letectví a kosmonautika – Letecké a kosmické inženýrství – Námořní inženýrství – Motorová vozidla – Kosmické technologie – Doprava