인공지능 강좌 보고서
개요: 1950년대부터 여러 단계의 지속적인 탐구와 개발을 거쳐 인공지능은 패턴 인식, 지식 공학, 로봇 등에 널리 사용되었습니다. 이 분야에서는 상당한 성과가 있었지만, 진정한 의미의 인간 지능과는 아직 거리가 멀다. 그러나 새로운 세기가 시작되면서 정보기술의 급속한 발전과 함께 인공지능과 관련된 기술수준도 그에 맞춰 향상되어 왔다. 특히 인터넷의 대중화와 활용으로 인해 인공지능에 대한 수요가 점점 더 절실해지고 있으며, 이는 인공지능 연구에 새롭고 폭넓은 무대를 제공하기도 합니다. 본 논문은 오늘날의 인터넷 시대에 정보기술의 선두주자로서 인공지능 학습이 학제간 연구에서 인공지능 학습의 발전과 혁신을 이루기 위해서는 주목할만한 연구 방향임을 강조한다. 인지과학, 뇌과학, 생물지능, 물리학, 복잡한 네트워크, 컴퓨터과학과 인공지능, 특히 인지물리학 연구의 교차점에 주목해야 한다. 자연언어는 인간의 사고활동을 전달하는 매개체이자 인공지능 학습과 연구에 있어 피할 수 없는 지식 표현의 직접적인 대상이다. 현실을 활용하기 위해 생활 속의 복잡한 네트워크의 작은 세계 모델과 규모 없는 특성은 네트워크 토폴로지를 지식 표현의 새로운 방법으로 사용하고 네트워크 토폴로지의 진화와 네트워크 동적 행동을 연구하며 네트워크 지능을 연구함으로써 네트워크의 요구에 적응합니다. 정보화 시대의 데이터 마이닝은 인공지능 학습 및 응용 분야에서 새로운 영광을 맞이하기 위한 일반적인 요구 사항입니다.
개요
1990년대 이후 세계화의 형태와 점점 더 치열해지는 국제 경쟁으로 인해 인공지능 기술에 대한 연구와 응용이 점점 주목을 받게 되었고 그 응용도 더욱 활발해졌습니다. 제조 분야 인공지능의 기술은 제조의 지식, 자동화, 유연성을 구현하여 시장에 빠르게 대응하는 핵심이 되었습니다.
인공지능은 인간 지능의 메커니즘과 기계를 사용하여 인간 지능을 시뮬레이션하는 방법을 연구하는 학문입니다. 후자의 의미에서 인공지능은 '기계지능' 또는 '지능형 시뮬레이션'이라고도 불린다. 인공지능은 현대 전자컴퓨터의 등장 이후 개발되어 한편으로는 인간 지능의 확장이 되기도 하고, 다른 한편으로는 인간 지능의 메커니즘을 탐구하기 위한 새로운 이론과 연구 방법을 제시하기도 했다.
학습 메커니즘에 대한 연구는 인공지능 연구의 핵심 주제이다. 이는 지능형 시스템의 적응성과 성능 자체 개선 기능의 기초입니다. 학습 과정에는 다음과 같은 특징이 있습니다. 학습 행동은 일반적으로 분명한 목적을 가지며 그 결과는 지식 획득입니다. 학습 시스템의 구조적 변화는 학습 알고리즘이나 환경에 의해 결정됩니다. 지능형 시스템 구축의 중심 뼈대, 시스템 지식이 종합적으로 정리되고 보존되는 곳이다. 따라서 인공지능 학습 연구의 주요 목적은 일반적으로 인간의 지능이 필요한 복잡한 작업을 기계가 수행할 수 있도록 하는 것입니다. 그러나 시대와 사람들은 이 "복잡한 작업"에 대해 서로 다른 이해를 가지고 있습니다.
1. 인공지능 학습의 역사적 기반과 발전 속도
인공지능 학습의 발전 역사는 컴퓨터 과학 기술 발전의 역사와 연결되어 있다. 인공 지능에는 컴퓨터 과학 외에도 정보 이론, 사이버네틱스, 자동화, 생체 공학, 생물학, 심리학, 수리 논리, 언어학, 의학 및 철학과 같은 많은 분야가 포함됩니다.
일반적으로 인공지능의 싹은 독일의 유명한 수학자이자 철학자인 라이프니츠(1646~1716)가 제안한 '보편적 언어'라는 개념에서 거슬러 올라갈 수 있다고 여겨진다. 이 사상의 핵심은 보편적인 상징언어를 확립하고, 이 언어의 상징을 이용하여 '이념적 내용'을 표현하고, 상징간의 형식적 관계를 이용하여 '이념적 내용' 간의 논리적 관계를 표현하는 것이다. 따라서 '사고의 기계화'가 '보편적 언어'로 실현될 수 있다는 생각은 인공지능에 대한 최초의 기술이라고 볼 수 있다.
컴퓨터 과학의 창시자인 튜링은 '인공지능의 아버지'로 불리며, 컴퓨터가 '지능'이라고 불리기 위해 충족해야 할 조건에 대해 집중적으로 연구했습니다. 1950년에 그는 유명한 "튜링 실험"을 제안했습니다. 사람과 컴퓨터를 각각 두 개의 방에 배치하고 외부 세계와의 유일한 접촉은 키보드와 프린터를 통해서라는 것입니다.
인간 심판은 방 안에 있는 사람과 컴퓨터에게 질문을 하고, 사람과 컴퓨터의 답변을 바탕으로 어느 방이 인간이 차지하고 어느 방이 컴퓨터가 차지하는지를 판단한다. Turing은 "온건한" 심판이 정확하게 구별할 수 없다면 컴퓨터를 지능적이라고 부를 수 있다고 믿었습니다. "튜링 실험"은 지능의 표준을 명확하게 정의한 것입니다. 흥미롭게도 일부 컴퓨터는 나중에 튜링 실험을 통과했지만 사람들은 이 컴퓨터가 지능적이라는 사실을 인정하지 않았습니다. 이는 사람들이 지능 표준에 대해 더 깊이 이해하고 인공 지능에 대한 요구 사항이 더 높다는 것을 반영합니다.
위에서 언급한 Turing과 von Neumann의 연구, 그리고 뉴런 네트워크의 수학적 모델에 대한 McCullough와 Pitts의 연구는 인공지능의 초기 단계를 구성하며 사실상 인공지능의 시작이다. 학습의 시작. 인지심리학 정보처리학파에 따르면, 인간의 사고 과정의 상당 부분은 문제의 초기 상태에서 중간 상태를 거쳐 최종 상태에 이르는 과정으로 추상화될 수 있으며, 따라서 탐색 문제로 전환될 수 있다. 기계에 의해 자동으로 완료됩니다. 예를 들어, "계획" 문제입니다. 로봇이 다양한 하위 작업으로 구성된 복잡한 작업을 완료하도록 요청받고 그 중 일부는 다른 작업이 완료될 때까지 수행할 수 없다고 상상해 보세요. 이때 로봇은 실행 가능한 행동 계획을 미리 '상상'해야 그 계획에 따라 행동을 취함으로써 작업이 성공적으로 완료될 수 있다. "계획"은 실행 가능한 실행 계획을 찾는 것을 의미하며, 이는 하위 작업을 상태로 사용하고 하위 작업 간의 종속성을 직접적인 후속 관계로 사용하여 상태 공간에서 검색하여 달성할 수 있습니다.
인공지능에 대한 초기 연구에는 자연어 이해, 컴퓨터 비전, 로봇 공학 등도 포함되었습니다. 많은 연구를 통해 자동추론, 검색 등 일반적인 문제해결 방법에만 의존하는 것만으로는 충분하지 않다는 사실이 밝혀졌습니다. Newell과 Simon 등의 인지심리학 연구에 따르면, 다양한 분야의 전문가들이 자신의 전문 분야에서 탁월한 능력을 보이는 이유는 주로 전문가들이 풍부한 전문성(도메인 지식 및 경험)을 갖고 있기 때문인 것으로 나타났습니다. 1970년대 중반, 파이겐바움(Feigenbaum)은 지식공학의 개념을 제시하며 인공지능의 제2의 발전기를 맞이했다. 지식공학은 문제 해결에서 지식의 역할을 강조하며, 이에 따라 연구 내용은 지식 습득, 지식 표현, 지식 활용의 세 가지 측면으로 나누어집니다. 지식습득은 전문지식을 효과적으로 획득하는 방법, 지식표상은 전문지식을 컴퓨터에 저장하고 사용하기 쉬운 형태로 표현하는 방법을 연구하고, 특정 분야의 문제를 해결하기 위해 적절하게 표현된 전문지식을 활용하는 방법을 연구한다. . 지식공학의 주요 기술적 수단은 초기 성과, 특히 지식 활용을 기반으로 개발되는데, 이는 주로 자동 추론 및 검색의 기술적 성과에 의존합니다. 지식 표현 측면에서는 초기 작업에서 등장한 논리적 표현과 과정 표현을 활용한 것 외에도 연상기억과 자연어 이해 연구에서 제안된 의미 웹 표현을 개발한 후 프레임 표현과 개념 의존성을 도입하고 다양한 스크립트 표기법, 프로덕션 표기법 등 다양한 방법을 사용합니다. 이전 연구와 달리 지식 공학은 실제 적용을 강조합니다. 주요 적용 결과는 다양한 전문가 시스템이다. 전문가 시스템의 핵심 구성요소는 다음과 같습니다.
(a) 전문 지식 및 기타 지식을 포함한 지식 기반을 표현합니다.
(b) 지식을 사용하여 문제를 해결하는 추론 엔진입니다.
대규모 전문가 시스템의 개발 주기는 주로 지식 습득으로 인해 10년 이상 지속되는 경우가 많습니다. 도메인 전문가는 문제를 매우 잘 해결할 수 있지만 문제를 어떻게 해결했는지, 어떤 지식을 사용했는지 설명할 수 없는 경우가 많습니다. 이는 전문 지식 수집을 담당하는 지식 엔지니어가 지식 획득 작업을 효과적으로 완료하는 것을 어렵게 만듭니다. 이러한 상황은 자동 지식 습득-기계 학습 연구의 심층적 발전을 크게 자극했습니다. 더 많은 연구를 받은 기계 학습 방법에는 귀납 학습, 유추 학습, 설명 학습, 강화 학습, 진화 학습 등이 있습니다.
기계 학습의 연구 목표는 기계가 자신 또는 "다른 사람"의 문제 해결 경험을 통해 관련 지식과 기술을 습득하여 문제 해결 능력을 향상시킬 수 있도록 하는 것입니다.
1980년대 이후 컴퓨터 네트워크의 대중화, 특히 인터넷의 등장과 함께 인공지능 기술을 비롯한 다양한 컴퓨터 기술의 폭넓은 적용은 인간과 기계의 관계에 큰 변화를 가져왔다. 일본, 미국 등 미래학자들의 예측에 따르면, 인간과 기계의 관계는 '본드로서의 인간'이라는 전통적인 모델에서 '본드로서의 기계'라는 새로운 모델로 급속히 변화하고 있다. 인간-기계 관계의 변화는 사회적 생산방식을 야기할 것이며, 라이프스타일의 엄청난 변화는 인공지능은 물론 정보기술 전반에 걸쳐 새로운 화두를 불러일으켰습니다. 이로써 인공지능은 세 번째 개발기에 돌입하게 됐다. 이 새로운 개발 기간에 인공 지능은 일련의 새로운 애플리케이션 요구 사항에 직면해 있습니다.
먼저, 분산된 협업 작업을 지원하기 위한 강력한 기술적 수단을 제공하는 것이 필요합니다. 동일한 작업에 대해 다른 하위 작업을 배치합니다. 이를 위해서는 컴퓨터가 각 하위 작업에 대한 지원과 지원을 제공할 뿐만 아니라 하위 작업 간의 조정도 필요합니다. 각 하위 작업은 대부분 독립적으로 수행될 수 있으므로 하위 작업 간의 관계는 역동적이고 예측할 수 없습니다. 따라서 하위 작업 간의 조정(즉, 분산 협업 작업 지원)은 인공 지능은 물론 전체 정보 기술 및 기본 이론에도 큰 도전을 제기합니다. 둘째, 네트워킹은 정보화를 촉진하여 원래 분산되고 고립된 데이터베이스가 상호 연결된 전체, 즉 통합된 정보 공간을 형성하게 되었습니다. 기존의 브라우저와 검색 엔진은 사용자가 인터넷에서 정보를 찾는 데 필요한 도움을 제공하지만, 이러한 도움만으로는 충분하지 않아 '정보 과잉' 및 '정보 손실' 상황이 점점 심각해지고 있습니다. 보다 강력한 지능형 정보 서비스 도구는 사용자에게 긴급한 요구 사항이 되었습니다. 반면, 인간에게 있어서 정보공간의 가치는 개별 정보 항목(신제품을 생산하는 특정 제조업체에 대한 정보 등)뿐만 아니라, 정보의 큰 범주(예: 신제품을 생산하는 특정 제조업체에 대한 정보)에 숨겨진 보편적인 지식에도 있습니다. 수요와 공급의 특정 산업 변화 추세). 따라서 데이터에서의 지식 발견은 시급한 연구 주제가 되었습니다. 로봇은 현대 산업에서 항상 긴급한 요구 사항이었습니다. 로봇공학 기술이 발전하면서 역동적이고 예측할 수 없는 환경에서 독립적으로 작업할 수 있는 자율 로봇, 인간을 포함한 다른 로봇과 협력할 수 있는 로봇에 대한 연구 초점이 바뀌었습니다. 분명히 이러한 로봇 간의 협력은 물리적 세계에서의 분산된 협업으로 간주될 수 있으므로 동일한 이론적, 기술적 문제를 포함합니다.
인공지능 3차 발전기의 두드러진 특징은 역동적이고 예측 불가능한 환경에서 자율적이고 조화롭게 작동할 수 있는 컴퓨터 시스템에 대한 연구라고 볼 수 있다. 현재 에이전트 이론, 에이전트 아키텍처 및 에이전트 언어의 세 가지 측면을 중심으로 연구가 진행되고 있으며 일련의 중요한 새로운 아이디어, 새로운 이론, 새로운 방법 및 신기술을 생산했습니다. 본 연구에서 인공지능은 소프트웨어 공학, 분산 컴퓨팅, 통신 기술과 융합되는 추세를 보여준다. 에이전트 연구의 적용은 제작이나 업무에만 국한되지 않고, 인간의 학습, 오락 등 다양한 측면에 침투합니다. 예를 들어, 에이전트와 가상 현실을 결합하여 제작된 가상 훈련 시스템을 통해 학생들은 실제로 항공기를 조종하지 않고도 기본적인 비행 기술을 배울 수 있으며, 고객은 실제 전투의 "맛"을 "즐길" 수도 있습니다.
우리나라도 중국인공지능학회, 중국컴퓨터학회 인공지능 및 패턴인식 전문위원회, 중국자동화학회 패턴인식 및 기계지능 전문위원회 등 학술단체를 잇따라 설립하여 이 분야의 학술교류. 또한, 우리나라는 인공지능 연구와 관련된 다수의 국가핵심연구소를 건립하기 시작했는데, 이는 우리나라의 인공지능 연구를 촉진하고 이 주제의 발전에 기여할 것입니다.
인공지능 학습의 발전 역사를 살펴보면 인공지능이 늘 따라온 기본 사상을 엿볼 수 있다. 첫 번째는 순수한 시뮬레이션보다는 인간 지능의 인공적 구현을 강조하여 인간의 실제 요구를 최대한 충족시키는 것입니다.
둘째, 수학, 정보과학, 생물학, 심리학, 생리학, 생태학, 비선형 과학 등 점점 더 많은 새로운 학문이 인공지능 학습 연구에 통합되고 있습니다.
2. 인공지능 학습의 주요 기술 및 개발 동향
현재 인공지능 학습 연구의 세 가지 핫스팟은 지능형 인터페이스, 데이터 마이닝, 에이전트 및 멀티 에이전트 시스템입니다. .
지능형 인터페이스 기술은 사람이 컴퓨터와 편리하고 자연스럽게 소통할 수 있도록 하는 연구이다. 이러한 목표를 달성하기 위해서는 컴퓨터가 텍스트를 읽고, 언어를 이해하고, 표현을 말할 수 있어야 하며, 심지어 다른 언어 간 번역도 가능해야 합니다. 이러한 기능의 실현은 지식 표현 방법에 대한 연구에 달려 있습니다. 따라서 지능형 인터페이스 기술에 대한 연구는 큰 응용 가치와 기본적인 이론적 의의를 모두 가지고 있습니다. 현재 지능형 인터페이스 기술은 눈부신 성과를 거두고 있으며, 문자 인식, 음성 인식, 음성 합성, 이미지 인식, 기계 번역, 자연어 이해 등의 기술이 실용화되기 시작했습니다.
데이터 마이닝은 불완전하고, 시끄럽고, 모호하고, 무작위적인 실제 응용 정보와 지식 프로세스에서 숨겨진, 알려지지 않았지만 잠재적으로 유용한 정보를 추출하는 것입니다. 데이터 마이닝 및 지식 발견에 대한 연구는 이제 데이터베이스, 인공 지능 및 수학적 통계라는 세 가지 강력한 기술 기둥을 형성했습니다. 주요 연구 내용으로는 기초 이론, 발견 알고리즘, 데이터 웨어하우스, 시각화 기술, 정성적 및 양적 교환 모델, 지식 표현 방법, 발견된 지식의 유지 및 재사용, 반정형 및 비정형 데이터에서의 지식 발견, 온라인 데이터 마이닝 대기 등이 있습니다.
주체는 신념, 욕망, 의도, 능력, 선택, 헌신 등의 정신 상태를 가진 개체로, 객체보다 입도가 크고 지능이 높으며 어느 정도의 자율성을 가지고 있습니다. 에이전트는 자율적이고 독립적으로 작업을 완료하려고 시도하며 환경과 상호 작용하고 다른 에이전트와 통신하며 계획을 통해 목표를 달성할 수 있습니다. 다중 에이전트 시스템은 주로 논리적 또는 물리적으로 분리된 여러 에이전트 간의 조정된 지능형 동작을 연구하고 궁극적으로 문제 해결을 달성합니다. 에이전트 및 다중 에이전트 시스템에 대한 현재 연구는 주로 에이전트 및 다중 에이전트 이론, 에이전트 아키텍처 및 조직, 에이전트 언어, 에이전트 간의 협업 및 조정, 통신 및 상호 작용 기술, 다중 에이전트 학습 및 다중 에이전트 시스템 응용 등에 중점을 두고 있습니다. . 측면.
차세대 지능형 기술은 1980년대 이후 급속도로 발전한 컴퓨팅 기술을 말하며 주로 신경망(ANN), 진화 컴퓨팅(Evolutionary Computing), 퍼지 로직(Fuzzy Logic), 에이전트(Agent) 등으로 대표된다. 학습진화의 특징과 자기조직화 능력을 가지고 있습니다.
신경망은 인간 두뇌의 가장 기본 단위 뉴런의 기능을 시뮬레이션하여 인간 두뇌의 기능을 시뮬레이션하기를 희망하면서 인간 두뇌의 뉴런 기능을 시뮬레이션합니다. 마치 아이를 가르치는 것처럼 특정한 예를 통해 신경망을 훈련시킵니다. 훈련 후에는 이 신경망이 특정 기능을 완성할 수 있습니다. 예제 학습을 통해 지식베이스와 추론 엔진의 구조를 변형해 인공지능의 목적을 달성한다.
마지막으로 또 다른 응용 분야가 있는데, 바로 모델 인식입니다. 이제 이러한 것에서 인위적으로 정보를 추출하기 위해 공학에서 점점 더 많은 데이터를 얻기 때문에 지식 마이닝에 널리 활용되어야 한다고 생각합니다. 데이터에서 새로운 패턴을 발견하는 것은 물론이고, 데이터에서 특정 패턴을 파악하는 것도 쉽지 않기 때문에 데이터 마이닝을 수행하는 것이 필요하며, 이를 의사결정 지원 시스템에 적용하는 것은 큰 의미가 있을 것입니다.
사람은 생각할 수 있고 인공지능도 생각해야 합니다. 이것이 바로 추론입니다. 사람은 배울 수 있고 인공지능도 지식을 가질 수 있으므로 인공지능도 지식이 있어야 합니다.
인공지능은 인간 두뇌의 활동을 시뮬레이션하도록 설계되었습니다. 인간은 이미 많은 신기술과 신소재를 사용하여 인간 신체의 많은 기능을 대체할 수 있습니다. 인간은 스스로를 창조하며, 이는 과학뿐만 아니라 철학에서도 획기적인 의미를 지닌다.
학습이란 시스템이 환경에 적응함으로써 발생하는 적응적 변화를 말하며, 이는 유사한 작업을 완료하는 데 시스템을 더욱 효과적으로 만듭니다. 1980년대부터 ANN의 학습 메커니즘은 다시 한번 사람들의 관심을 끌었으며, 연결 메커니즘을 기반으로 한 하위 기호 학습은 오늘날의 학습 메커니즘 연구에서 다시 한 번 뜨거운 관심을 받고 있습니다. 강화 학습이 제안되었습니다.
로봇 학습.
암기학습이라는 다른 이름은 그 특성을 직접적으로 반영할 수 있는 가장 단순하고 원시적인 학습 방법이자, 인간의 약점이기도 하다.
지도 학습. 이러한 학습 방법은 외부 환경이 시스템에 일반적인 지시나 제안을 제공하고 시스템이 이를 구체적으로 세부적인 지식으로 변환하여 지식 베이스로 전송하는 방식으로, 이를 만들기 위해 지식을 반복적으로 평가해야 합니다. 지속적으로 개선되었습니다.
유도 학습. 기계가 잘하는 것은 귀납이 아니라 연역이라는 것을 알 수 있습니다. 구체적인 것에서 일반적인 것으로 가는 데에는 적합하지만, 특정한 것에서 일반적인 것으로 가는 데에는 별로 적합하지 않습니다. 인간에게는 지혜의 표시입니다. 구체적인 귀납적 학습 방법은 많이 있지만 그 본질은 컴퓨터가 일반적인 규칙을 도출하는 방법을 배우도록 하는 것입니다.
비유를 통해 학습합니다. 유추(analogy)는 비슷한 것을 비교함으로써 배우는 일종의 학습이다. 이는 기억 속에서 새로운 것과 오래된 것을 비교하는 것, 즉 그들 사이의 어떤 속성이 동일하다는 것을 발견하면, 그것들의 다른 속성도 동일하다고 (가설적으로) 추론할 수 있다는 점을 기반으로 합니다.
설명 기반 학습. 이것은 최근 몇 년 동안 등장한 새로운 학습 방법입니다. 귀납이나 유추를 통해 학습하는 것이 아니라 관련 도메인 지식과 훈련 사례를 사용하여 특정 목표 개념을 학습하고 최종적으로 목표 개념에 대한 일반적인 설명을 생성합니다. 이 일반적인 설명은 형식적으로 표현 가능한 일반 지식입니다.
강화 학습(Reinforcement Learning)은 행동 방법을 기반으로 한 준지도 학습입니다. 일반적인 학습 방법은 두 가지로 나뉘는데, 하나는 위에서 언급한 모델 기반 방법으로, 에이전트는 환경에 대한 정확한 모델이 필요하고 지능이 높지만, 다른 하나는 불확실한 동적 환경에는 적합하지 않습니다. 환경의 정확한 모델이 필요하지 않고 계층 구조가 채택되는 행동 기반 접근 방식입니다. 상위 수준의 행동은 하위 수준의 행동 능력을 조정하고 억제할 수 있지만 각 계층에는 자체적인 자율 결정 권한이 있습니다. [3]의 Holonic 지능형 제조 시스템과 같은 것입니다. 증강 버전은 이러한 장점을 가지고 있어 로봇 축구 게임[4], 사냥 문제, 심지어 전쟁 명령에 자주 사용됩니다[5]. 그러나 이는 이론적인 연구일 뿐 로봇 축구 게임 자체의 목적도 있기 때문입니다. 인공 지능의 유용성을 테스트하기 위해, 사람이 아닌 컴퓨터가 전쟁을 지휘하는 것은 더욱 불가능합니다.
강화학습을 사용하는 에이전트는 "Ethogenetics(행동 유전)"이라는 개념을 사용하여 유전 알고리즘에 처음 등장하여 코딩 문자열이 모든 전략 변수에 해당한다는 오랜 가정을 깨뜨렸습니다. 조합 최적화 문제 조합 방법에 대한 전통적이고 정적인 이해와 코딩 문자열은 지능형 에이전트(Agent)가 적극적으로 수행하는 일련의 의사 결정 행위의 결과로 간주됩니다.
인공 지능 학습은 퍼지 처리, 병렬화, 신경망 및 기계 감정과 같은 측면에서 발전할 수 있습니다. 현재 인공지능의 추론 기능은 획기적인 발전을 이루었으며, 학습 및 연관 기능이 연구 중이다. 다음 단계는 인간 우뇌의 퍼지 처리 기능과 전체 뇌의 병렬 처리 기능을 모방하는 것이다. 인공신경망은 미래 인공지능 응용의 새로운 분야로, 호스트인 폰 노이만 기계와 지능형 주변장치인 인공신경망의 결합이 미래 지능형 컴퓨터의 구성이 될 수 있다. 연구에 따르면 감정은 지능과 분리된 것이 아니라 지능의 일부이므로 인공 지능 분야의 다음 혁신은 컴퓨터에 감정적 기능을 부여하는 것일 수 있습니다. 컴퓨터가 사람과 자연스럽게 상호 작용하려면 정서적 능력이 중요합니다.
위의 방법을 통해 학습하는 목적은 지식을 얻기 위한 것이며, 편리한 방법을 통해 지식을 얻는 것입니다. 앞서 언급했듯이 기계가 생각하는 방식은 인간이 생각하는 방식과 매우 다르기 때문에, 기계가 스스로의 학습을 통해 이해하고 사용하기 쉬운 지식을 생성할 수 있도록 하는 것도 머신러닝의 목표 중 하나입니다.
인공지능은 항상 컴퓨터 기술의 최전선에 있었습니다. 인공지능 연구의 이론과 발견은 컴퓨터 기술의 발전 방향을 크게 결정할 것입니다.
컴퓨터 칩의 소형화가 한계에 가까워지고 있기 때문이다. 사람들은 인공 지능의 발전을 주도할 새로운 컴퓨터 기술에 점점 더 많은 기대를 걸고 있습니다. 현재 새로운 혁명을 촉발할 수 있는 잠재력을 지닌 기술은 광자 컴퓨터, 양자 컴퓨터, 생물학적 컴퓨터 세 가지가 있습니다.
결론
많은 과학자들은 기계의 지능이 곧 앨버트 아인슈타인과 스티븐 호킹을 합친 지능을 능가할 것이라고 주장합니다. 저명한 물리학자인 스티븐 호킹(Stephen Hawking)은 인간이 뛰어난 숫자 계산 능력을 바탕으로 컴퓨터를 설계할 수 있는 것처럼 스마트 기계가 더 나은 컴퓨터를 만들 것이라고 믿습니다. 컴퓨터 지능은 늦어도 20세기 중반에는 인간 지능을 능가할 수 있으며 아마도 훨씬 더 빠를 수도 있습니다.
이 기사는 학습의 일부 방법에 대한 기본 설명을 제공하고 그 개발 추세를 설명합니다. 그러나 일반적인 학습에서는 행동 기반 방법의 사용이 여전히 가장 인기가 있습니다. 학습 방법 및 적용에 대한 특정 설명. 어느 정도까지는 시뮬레이션이 가능해졌습니다. 그러나 이러한 시뮬레이션은 대부분 검증에 불과하며, 실제 생산에 실제 인공지능을 적용하는 것은 여전히 연구되어야 할 과제이다. 마지막으로 인공지능 학습의 다양한 연구 분야를 정리해보자. 다양한 활동에 있어 인간의 기능을 살펴보면, 인공지능 분야는 인간의 활동을 대체하는 분야에 불과하다는 결론을 내릴 수 있다. 사람들이 지적 활동을 하는 분야는 어느 분야든 인공지능 학습과 연구 분야이다. 인공지능 학습은 기계의 장점을 활용하여 인간의 지적 활동을 돕는 것입니다. 인공지능 학습 연구의 목적은 인간의 신경계 기능을 시뮬레이션하는 것입니다.
하지만 기술과 기술의 발전에 따라 인공지능 학습 방식도 변화해 우리에게 더 많은 관심을 불러일으킬 것이다.
참고자료
[1] "인공 지능의 간략한 역사" Sun Xing Tsinghua University Press, 1990
[2] Cai Zixing 및 Xu Guangyou "인공 지능과 그 응용" Tsinghua University Press, 2002년 1월
[3] Chen Wanqiu; Huang Yi; NBIC 융합 기술의 "포스트 휴먼" 문제[J]; Journal of Social Sciences of Hunan Normal University ; 2013년 04호
[4] 왕동하오;; 인간책임의 존재와 부재의 모순[J] 2013년 11호; 5] 기계학습이론 강력한 인공지능이 구현될 수 없는 이유
[6] 왕동하오; 인공지능의 도덕적 확립과 윤리적 딜레마 [J] Journal of South China Agricultural University (사회과학편); 2014년 01호
[7] Xiong Li; 미디어의 도덕적 인센티브 기능과 그 실천에 관한 연구[D] 2013
[8] Sun Zhinan; 전기 자동화 제어에 인공 지능 적용[J ]; 현대 상업 및 산업 2013년 7월호
[9] 전기 공학 자동화에 지능 기술 적용에 대한 간략한 분석[J] ; 전원 공급 기술 응용; 2013년 06호
[10] Hu Qin;; 전기 자동 감지 기술의 현황과 개발[J];Silicon Valley;2013년 11호
[11] Liu Huiyan;;전기 자동화 엔지니어링 제어 시스템의 현황 및 개발 개발 동향[J];기술 혁신 및 응용;2013년 제18호
[12] Zhu Jinfang;;응용 전기 공학 자동화의 인공 지능[J];화학 공학 및 장비;2013 Issue 05
[13] Pan Weihang;;일상 생활에서 전기 자동화의 역할에 대한 간략한 분석과 미래 개발 동향[J ];기술 혁신과 적용; 2013년 12호
[14] Yu Zheng;;전기 자동화에 인공 지능 기술 적용에 대한 간략한 논의[J];전자 생산;2013년 05호
[15] Zhao Gang;Liu Gang;;전자제품 생산에 관한 연구[J], 2013년 2호
[16] Li Junping; 인공지능 기술 대책 [D], 우한 공과대학 2013
[17] Zhao Yanjun; 망간 분말 제조 및 운송 제어 시스템 설계 및 연구[D] 2012