답변:
수년 동안 많은 사람들이 인공 지능을 정의하려고 시도했습니다. 스튜어트 러셀과 피터 노비 그가 저술 한 많은 정의들이 그들의 책에 요약되어 있습니다. 인공 지능-현대적 접근 방식
AI의 정의는 다음과 같은 범주로 요약 될 수 있습니다.
- 사고 과정과 추론을 다루는 것 (AI가 어떻게 생각 / 이유하는지)
- 행동을 다루는 사람들 (AI가 알고있는 것을 고려하여 행동하는 방식)
또한 위의 두 범주는 다음과 같은 정의로 더 나뉩니다.
I. 인간의 성과를 복제하는 능력을 바탕으로 AI의 성공 여부를 평가
II. 또는 '합리성'이라는 이상적인 성능 측정 값을 복제 할 수있는 기능 (알고있는 것을 기반으로 '올바른'작업을 수행합니까?)
위의 각 범주에 맞는 정의를 인용하겠습니다.
- 1.I. "인간 사고, 의사 결정, 문제 해결, 학습과 같은 활동과 관련된 [자동화] 활동"-Bellman 1978
- 1.II. "지각, 추론 및 행동을 가능하게하는 계산에 대한 연구." -윈스턴, 1992
- 2.I. "현재 사람들이 더 잘하는 일을 컴퓨터로 만드는 방법에 대한 연구"-Rich and Knight, 1991
- 2.II. "지능형 에이전트의 설계에 대한 연구"-Poole et al., 1998
요약하면 AI는 합리적인 결정을 내리고 합리적인 조치를 취할 수있는 지능적이고 합리적인 시스템을 만드는 데 전념합니다.
Alan Turing이 컴퓨터가 지능적인지 테스트하도록 제안한 Turing 테스트에 대해 읽어 보라고 제안합니다. 그러나 튜링 테스트는 의인화되기 때문에 몇 가지 문제가 있습니다.
항공 엔지니어들은 비행기를 만들 때 비행기가 새처럼 정확하게 비행해야한다는 목표를 세우지 않고 공기 역학 연구를 기반으로 리프트 힘이 어떻게 생성되는지 배우기 시작했습니다. 이 지식을 사용하여 비행기를 만들었습니다.
마찬가지로 AI 세계의 사람들은 IMHO를 인간의 지능을 표준으로 삼지 말고 합리성을 표준으로 사용할 수 있습니다.
논문에서 Universal Intelligence : 머신 인텔리전스 정의 (2007), Legg and Hutter는 매우 진지한 연구를 통해 지능적으로 다음과 같이 지능을 정의합니다.
지능은 광범위한 환경에서 목표를 달성하는 에이전트의 능력을 측정합니다.
같은 논문에서 그들은 또한이 정의를 공식화한다. 자세한 내용은이 논문을 살펴볼 수 있지만, 몇 마디로,이 정의를 도출하기 위해 수년 동안 사람들이 제공 한 지능에 대한 여러 정의를 살펴보면서 키를 요약하려고했습니다. 이 모든 정의의 요점. 또한 지능 테스트 및 지능 정의와의 관계와 같은 문제를 논의합니다. 즉, 지능 테스트가 지능을 정의하기에 충분합니까, 지능 테스트 및 지능 별개의 개념의 정의입니까? 또한이 정의와 AIXI 사이의 관계를 지적 합니다.
기사에 인공 지능은 무엇인가? (2007), 존 맥카시, 또한 표현 만들어 낸 인공 지능의 창시자 중 하나 인공 지능을 , 쓰기
인공 지능은 지능형 기계, 특히 지능형 컴퓨터 프로그램을 만드는 과학 및 공학입니다. 인간 지능을 이해하기 위해 컴퓨터를 사용하는 유사한 작업과 관련이 있지만 AI는 생물학적으로 관찰 가능한 방법에 국한 할 필요는 없습니다.
그러나이 정의는 인간의 지능과 관련이 있으므로 모든 사람들이이 정의에 동의하는 것은 아닙니다.
그는 더 나아가
지능은 세상에서 목표를 달성하는 능력의 계산 부분입니다. 다양한 종류의 지능이 사람, 많은 동물 및 일부 기계에서 발생합니다.
인공 지능 분야는 1956 년 다트머스 회의 에서 공식적으로 고안된 이래로 진화 해 왔 으므로 인공 지능의 정의도 진화 할 것입니다. 그 회의 이전에는 사이버네틱스와 같은 몇 가지 관련 분야와 표현이 이미있었습니다.
내가 얻을 수있는 가장 짧은 대답은 다음과 같습니다. 우리는 여전히 자연 지능에 대해 많이 알지 못하기 때문에 소금 한알로 가져 가십시오.
자연 지능이 무엇인지는 [새로운] 과제를 해결하기 위해 그것들을 사용하려는 의도로 제한된 관측에서 추상적 개념을 학습하는 과정으로 볼 수 있습니다. 이 프로세스에는 이러한 개념을 사용하여 새롭고 가설 적으로 올바른 시나리오 / 이론을 상상하고 의미있는 방식으로 결합하여 가능성의 거대한 가설 공간을 줄이고 사전에 데이터를 관찰하지 않고도 새로운 상황으로 일반화 할 수 있습니다. 인공 지능 은 자연 지능이하는 일을 기계로 가져 오는 것입니다.
대부분의 사람들이 동의하는 공식적인 정의는 없습니다. 데이터 과학 / 머신 러닝 컨설턴트로서 다음과 같이 생각합니다.
연구 분야로서의 인공 지능 은 환경에서 자율적으로 감지하고 행동하며 행동에 대한 일부 메트릭에 따라 상황을 개선하는 에이전트의 연구입니다.
용어가 너무 광범위해서 모호하기 때문에이 용어가 마음에 들지 않습니다. 대신 Tom Mitchell의 머신 러닝 정의를 살펴보십시오.
컴퓨터 프로그램은 'P'로 측정 된 'T'작업의 성능이 경험 E로 향상되면 일부 클래스의 작업 'T'및 성능 측정 'P'와 관련하여 경험 'E'에서 배운다고합니다.
기계 학습은 AI의 중요한 부분이지만 유일한 것은 아닙니다. 검색 알고리즘, SLAM, 제한적 최적화, 지식 기반 및 자동 추론도 확실히 AI의 일부입니다.
인공 지능 연구자들은 의심 할 여지없이 훈련의 자신의 분야에 사용되는 용어 정의에 관심을 가지고, 그리고 용어에 약간의 모호함이 인공 . 문제는 지능 이라는 단어 가 역사적으로 실제 수량보다 질적 인 설명에 가깝다는 것입니다.
한 사람의 지능을 다른 사람의 지능과 어떻게 비교할 수 있습니까? IQ 테스트, 평균 대학 보드 테스트 범주, 순 가치, 체스 및 바둑 토너먼트 승리, 잘못된 결정 률, 다양한 지적 속도 경주, 평가 보드 및 패널은 정신 기능의 수학적 이론에 관련된 사람들에게 고통스럽지 못한 일련의 kludges되었습니다 우리는 지능이라고 부릅니다.
불과 한 세기 전, 지능은 학계, 비즈니스 및 개인 생활의 문제에 대한 해결책을 찾는 능력과 관련된 질적 인 용어였습니다. 문화가 한 번만 정 성적으로 사물에 대한 정량적 치료를 추구하기 시작함에 따라, 개인의 연령에 대한 정신 능력의 의존성 및 그들의 환경 적 기회는 도전을 야기했습니다. 지능 지수 (IQ)의 개념은 연령과 기회와 무관하게 정신 잠재력을 정량화하려는 욕구에서 비롯되었습니다.
일부는 수학과 언어에 적용 할 때 기본적인인지 기술에 대한 표준화 된 테스트를 생성함으로써 환경 요인을 최소화하려고 시도했습니다.
생산 시스템 및 퍼지 논리 컨테이너 (규칙 기반), 딥 러닝 (인공 네트워크 기반), 유전자 알고리즘 및 기타 AI 연구 형식은 인간을 위해 설계된 표준화 된 테스트에서 점수가 좋은 기계를 생산하지 못했습니다. 그러나 자연어 능력, 기계적 조정, 탁월한 계획 및 명확하고 검증 가능한 추론에 근거한 결론 도출이 기계에서 계속 추구되고 있습니다.
다음은 측정 방법, 사용 구조 및 초기 유망한 결과와 지속적인 개선을 가져온 연구의 종류로 구별되는 정신적 능력 범주입니다.
최적의 의미가 무엇인지에 대한 수학적 표현을 바탕으로 복잡한 함수에 대해 가장 가능성이 높고 최적의 매개 변수를 발견 한 것은 의도적으로 위에 나열되지 않았습니다. 머신 러닝 장치의 중심 활동은 과거에 지능이라고 불렀던 범주에 맞지 않습니다. 예측 목적으로 데이터 세트를 통계적으로 처리하는 것은 지적 의미에서 배우지 않습니다. 표면 피팅입니다. 머신 러닝은 현재 다른 전산 도구와 같이 인간 지능에서 힘을 확장하는 데 사용되는 도구입니다.
머신 러닝에 대한 이러한 제약은 앞으로 넘어 질 수 있습니다. 인공 네트워크가인지, 논리, 중요성을 인식하는 능력 및 위에 열거 된 범주에서 효과적인 능력을 입증 할 것인지 여부와시기는 알려져 있지 않습니다.
이것들이 교육이나 다른 훈련으로 인해 다양한 효과로 표현되는 단일 지능 능력의 모든 징후라는 인식 과학, 유전학 및 생물 정보학 분야의 증거 기반 발견에 의해 체계적으로 약화되었습니다.
유전학에서 지능에 대한 적어도 22 개의 독립적 인 유전 적 구성 요소가 확인되었으며 그 수가 증가 할 것으로 보인다. 인간 DNA의 이러한 독립적 인 스위치는 모두 뇌의 동일한 신경 조절에 영향을 미치지 않으며 g- 인자 이데올로기의 증거 기반의 약점을 나타냅니다.
인간 지능과 DNA 발현의 일부 형태는 시간이 지남에 따라 발견 될 복잡한 방식으로 매핑 될 수 있으며이 매핑은 시간이 지남에 따라 g- 인자 단순화를 완전히 대체 할 수 있습니다.
인공 지능이라는 용어 는 인간 지능의 형태와 표현의 시뮬레이션 으로 더 잘 표현 될 수 있으며 AI로 간단히 약칭됩니다. 그러나 그것은 정의가 아닙니다. 대략적인 설명입니다. 단일 용어로 느슨하게 그룹화 한 모든 차원에 대해 정확히 하나의 정확한 정의가있을 수는 없습니다. 그것이 인간 지능의 경우라면 인공 지능에서도 마찬가지입니다.
모든 지능적인 반응에 대해 나열 할 수있는 몇 가지 공통적 인 특징이 있습니다.
휴먼 인텔리전스는 동시적인 방식으로 배우고 적용 할 수 있습니다. 그 외에도, 더 작은 형태의 재귀로 제안 된 주요 인간 정신 능력 중 일부를 언급하지 않고 지능에 대한 실무 정의를 논의하는 것은 어려울 것이지만 재귀 또는 구성이 이러한 정신적 특징을 생성한다는 증거는 존재하지 않습니다.
지능형 기계에 대한 미래의 요구 사항에는 이러한 것들이 포함될 수 있으며, 지금 포함시키는 것이 약간의 지혜가있을 수 있습니다.
참고 문헌
대본, 계획, 목표 및 이해 : 인간의 지식 구조에 대한 조사 , Schank, Abelson, 2013, 16,689 기사, T & F 발췌문 : 인용문 : 1971 년 여름, 교과서의 교차점에서 잘못 정의 된 분야의 워크샵이있었습니다. 심리학, 인공 지능 및 언어학. 15 명의 참가자는 다양한 방식의 지식 또는 신념 체계의 표현에 관심을 보였습니다.
우리의 기술 이해 – 구함 : 지능의 정의 , Michael Warner, 2002
평생 학습과 성공에서 지능의 개념과 역할 , Robert J. Sternberg, Yale University, 1997
AI의 관점에서 볼 때 일부 철학적 문제 , John McCarthy 및 Patrick J. Hayes, 1981 년 스탠포드 대학교
감성 지능 이해 및 개발 , Olivier Serrat, 지식 솔루션, pp 329-339, 2017
마음의 틀 : 다중 지능 이론 , 2011, Howard Gardner
7 가지 (7 가지) 스마트 : 다중 지능 식별 및 개발 , 1999, Thomas Armstrong
지성
주어진 작업 또는 일련의 작업과 관련하여 다른 의사 결정 에이전트에 비해 의사 결정 에이전트의 강도 측정. 매체는 무의미합니다. 지능은 유기적이거나 의도적으로 만들어진 메커니즘에 의해 나타납니다. 해결 된 게임 의 경우와 같이 문제를 해결하는 기능 일 수도 있습니다 .
인공
의도적으로 생성 된 artifact 라는 용어와 관련이 있습니다. 일반적으로이 용어는 물리적 객체를 의미하는 데 사용되었지만 사람이 만든 알고리즘도 아티팩트로 간주됩니다.
어원은 라틴어 ars and faciō : "능숙하게 구성하다"또는 "만들기의 기술"에서 파생됩니다 .
인공 지능
부록 : "지능"의 의미
"지능"의 원래 의미는 인도 유럽으로 거슬러 올라가는 "획득"인 것으로 보인다. 참조 : 지능 (용어) ; * leg / * leh₂w-
OED의 지능에 대한 1 차 정의는 정확하지 않으며, 역량 획득 (증명 가능한 유틸리티)의 의미로 확장되었다. 단지 두 번째 정의는 더 오래되고 기본적이다. "[전략적] 정보의 수집; 2.3 (archaic) 일반; 뉴스. "
정보의 형태 (물질, 에너지, 상태, 상대 위치 등)에 관계없이 우주는 정보로 구성되는 것으로 간주 할 수 있습니다 . 알고리즘의 관점에서 볼 때 이것은 우주를 측정해야하는 유일한 수단은 지각 .
플랫 텍스트 파일을 가져옵니다. 데이터 일 수도 있지만 시도하고 실행할 수 있습니다. 실제로 실행되면 일부 작업에서 유틸리티를 보여줄 수 있습니다. (예를 들어, minimax 알고리즘 인 경우)
"유틸리티의 척도로서의 지능"은 그 자체가 정보의 의미에서 "지능"이며, 구체적으로 우리가 작업 또는 다른 지능에 대한 정도로서 지능을 측정하는 정보입니다.
보다 기존의 : 컴퓨터 프로그램 (대부분)은 이전에 본 적이 없거나 사전 프로그래밍되었거나 입력과 출력 사이의 명시 적 관계 (예 : domain 및 range ) 가없는 임의의 입력에 대한 출력을 계산할 수 있습니다 . 구글 검색, 알렉사, 시리, 코타나, IBM 왓슨 ... 정의는 그들 모두에게 적용된다; 범용 AI의 경우에도
한 걸음 더 나아갈 것입니다 ( 논쟁의 여지가 있습니다! ). 첫 번째 정의에서 인간이 아닌 엔티티 를 제거하면 그것은 바로 인간 지능에 대한 정의입니다. 예를 들어, 인민폐 는 감독되지 않은 사전 훈련 과정에서 데이터에서 숨겨진 추상적 인 의미를 유추 할 수 있습니다. 우리는 이것을 intuition우리를 위해 부를 수도 있지만, 그것은 인간에게 고유하지 않은 것 같습니다. ( 제프리 힌튼의 고양이 인식 실험은 좋은 예이지만 링크를 찾을 수 없습니다 ). RBM도 꿈을 꿀 수 있습니다 . 그래서 아마우리가 초자연 현상과 거의 비슷하다고 인식하는 인간 지능은 그것이 얼마나 복잡하더라도 수학적 모델로 모델링 될 수 있습니다. 따라서 인공 지능 감소를 기능의 구성 (대략 말하기)으로 판단하기 전에 인간의 지능 주장을 판단하십시오. 다음은 주제에 관한 Geoffrey Hinton 의 비디오입니다.
머신 러닝 : 머신 러닝은 새로운 입력에 대한 새로운 출력을 계산할 수 있도록 주어진 입력 및 출력에 대한 기능의 매개 변수를 최적화하는 프로세스입니다. Linear Regression 조차도 일종의 기계 학습이며 Deep Neural Network는 실제로 함수입니다. AI와 상호 호환 적으로 사용되지만 동일한 의미는 아닙니다. 기계 학습이 어떻게 대답하는 동안 AI는 무엇에 대답 합니다. (정확하지는 않지만 가깝습니다)
AI와 ML의 차이점을 명확히하기 위해 몇 가지 예를 들어 보겠습니다.
참고 : 그러나 현재 AI를 구축하는 데 사용하는 모든 방법과 구조는 기계 학습이라는 용어에 속합니다. 따라서 기계 학습을 사용하여 인공 지능을 구축한다고 말하는 것이 옳습니다.
알고리즘에 의해 구동되는 인간이 보여주는 것이 아니라 기계 수준의 지능입니다.