I to tidligere artikler vi så, hvordan arbejdet af Alan Turing, Claude Shannon og John von Neuman muliggjorde skabelsen af computere, der var i stand til at hoste kunstig intelligens. Dog alleDer skulle stadig oprettes programmer, der var i stand til at udføre opgaven. Derfor beskriver vi i dette indlæg softwarens vej fra de første samtalesimuleringer til de nuværende sprogmodeller.
Alan Turing var den første til at definere en måde at bestemme succesen af denne type programmer. Problemet er, at Turing-testen kun demonstrerede programmeringsevner, ikke at vi stod over for, hvad man kunne kalde en kunstig intelligens.
Softwarens vej
Mens Marvin Minskys definition kræver, at en maskine for at blive betragtet som kunstig intelligens skal udføre den samme opgave som et menneske, kræver det evnen til at tænke, Turing-testen beder kun om, at et menneske ikke er i stand til at afgøre, om hans samtalepartner er det eller ej.
Selvom ELIZA, et computerprogram skrevet i midten af 60'erne, ikke var beregnet til at bestå Turing-testen, lagde grundlaget for en række programmer, der ville forsøge at gøre det. Showet påtog sig rollen som en psykiater, der stiller en række spørgsmål til en patient om almindelige emner som familie, venner eller humør. Ifølge svarene fortsatte han efter en på forhånd fastlagt linje.
Hverken ELIZA (og faktisk nogen anden software) ville have været mulig uden værkerne af en selvlært matematiklærer ved navn George Boole, der i det XNUMX. århundrede begyndte at studere oversættelsen til matematiske termer af den menneskelige ræsonnementproces. Til dette analyserede han måden at gruppere objekter i klasser, og hvad der skete, når disse klasser blev kombineret med andre. Han tildelte derefter symboler for hvert af disse forhold.
Fra formalisering til feedback
Hvis objekterne i et sæt ændres af bekræftelser, og vi etablerer tre mulige relationer mellem dem (OG, ELLER og IKKE) har vi allerede en måde at klassificere dem i en af to grupper (sandt eller falsk).
Men Booles værker var ikke gode til alle slags påstande. Der var brug for en måde at beskrive generelle begreber på. Det vil sige, at de kan være sande eller falske afhængigt af omstændighederne.
Så det bliver forstået. Booleske job giver dig mulighed for at arbejde med påstanden
Diego er argentiner og skriver ind Linux Adictos
Men du kan ikke gøre noget med:
X er... og skriver i Z.
For dette måtte vi vente til 70'erne, hvor en tysk professor ved navn Frege introducerede begrebet prædikater. Et prædikat er et udsagn, der kan beskrives som sandt eller falsk alt efter omstændighederne.
Diego, Argentine y linux afhængigs er enheder, der hverken er sande eller falske, men afhængigt af hvordan de kombineres i et prædikat, vil de gøre det sådan.
Freje tilføjede to udtryk med deres tilsvarende symboler:
For alt (Indikerer, at alle værdier af en variabel opfylder en betingelse)
Der er en... sådan (Indebærer, at der er mindst ét element, der vil opfylde en betingelse.
feedback teori
Det næste store bidrag til skabelsen af kunstig intelligens var ikke matematisk, det kom fra biologien. Norbert Wiener, grundlæggeren af Cybernetics, var interesseret i de fælles punkter mellem teknik og biologi. Det var denne interesse, der fik ham til at analysere, hvordan varmblodede dyr holdt deres temperatur konstant på trods af skiftende omgivende temperaturer. Wiener postulerede, at i dette og andre tilfælde var feedbackmekanismer på arbejde. Med andre ord, når man modtog information, blev der produceret et svar for at tilpasse sig det.
Går han videre, kom han til at bekræfte, at intelligent adfærd ikke er andet end resultatet af feedback-mekanismer. Det kan vi med andre ord konkludere Intelligens (naturlig eller kunstig) handler om at indsamle information, bearbejde den, handle på resultatet og gentage processen.