ปัญญาประดิษฐ์
ปัญญาประดิษฐ์ |
GOFAI |
---|
การค้นหาในปริภูมิสถานะ |
การวางแผนอัตโนมัติ |
การค้นหาเชิงการจัด |
ระบบผู้เชี่ยวชาญ |
การแทนความรู้ |
ระบบอิงความรู้ |
Connectionism |
ข่ายงานประสาทเทียม |
ชีวิตประดิษฐ์ |
ปัญญาประดิษฐ์แบบกระจาย |
การเขียนโปรแกรมเชิงพันธุกรรม |
ขั้นตอนวิธีเชิงพันธุกรรม |
ปัญญากลุ่ม |
Artificial beings |
Bayesian methods |
เครือข่ายแบบเบย์ |
การเรียนรู้ของเครื่อง |
การรู้จำแบบ |
ระบบฟัซซี |
ตรรกศาสตร์คลุมเครือ |
ฟัซซีอิเล็กทรอนิกส์ |
Philosophy |
ปัญญาประดิษฐ์แบบเข้ม |
สำนึกประดิษฐ์ |
การทดสอบทัวริง |
ปัญญาประดิษฐ์ (อังกฤษ: artificial intelligence) หรือ เอไอ (AI) หมายถึงความฉลาดเทียมที่สร้างขึ้นให้กับสิ่งที่ไม่มีชีวิต ปัญญาประดิษฐ์เป็นสาขาหนึ่งในด้านวิทยาการคอมพิวเตอร์ และวิศวกรรมเป็นหลัก แต่ยังรวมถึงศาสตร์ในด้านอื่น ๆ อย่างจิตวิทยา ปรัชญา หรือชีววิทยา ซึ่งสาขาปัญญาประดิษฐ์เป็นการเรียนรู้เกี่ยวกับกระบวนการการคิด การกระทำ การให้เหตุผล การปรับตัว หรือการอนุมาน และการทำงานของสมอง แม้ว่าดังเดิมนั้นเป็นสาขาหลักในวิทยาการคอมพิวเตอร์ แต่แนวคิดหลาย ๆ อย่างในศาสตร์นี้ได้มาจากการปรับปรุงเพิ่มเติมจากศาสตร์อื่น ๆ เช่น
- การเรียนรู้ของเครื่อง นั้นมีเทคนิคการเรียนรู้ที่เรียกว่า การเรียนรู้ต้นไม้ตัดสินใจ ซึ่งประยุกต์เอาเทคนิคการอุปนัยของจอห์น สจวร์ต มิลล์ นักปรัชญาชื่อดังของอังกฤษ มาใช้
- เครือข่ายประสาทเทียมก็นำเอาแนวคิดของการทำงานของสมองของมนุษย์ มาใช้ในการแก้ปัญหาการแบ่งประเภทของข้อมูล และแก้ปัญหาอื่น ๆ ทางสถิติ เช่น การวิเคราะห์ความถดถอยหรือ การปรับเส้นโค้ง
อย่างไรก็ตาม เนื่องจากปัจจุบันวงการปัญญาประดิษฐ์ มีการพัฒนาส่วนใหญ่โดยนักวิทยาศาสตร์คอมพิวเตอร์ อีกทั้งวิชาปัญญาประดิษฐ์ ก็ต้องเรียนที่ภาควิชาคอมพิวเตอร์ของคณะวิทยาศาสตร์หรือคณะวิศวกรรมศาสตร์ เราจึงถือเอาง่าย ๆ ว่า ศาสตร์นี้เป็นสาขาของวิทยาการคอมพิวเตอร์นั่นเอง
ประวัติ
แนวคิดเรื่องเครื่องจักรที่คิดได้และสิ่งมีชีวิตเทียมนั้นมีมาตั้งแต่สมัยกรีกโบราณ เช่นหุ่นยนต์ทาลอสแห่งครีต อันเป็นหุ่นยนต์ทองแดงของเทพฮิฟีสตัส แหล่งอารยธรรมใหญ่ ๆ ของโลกมักจะเชื่อเรื่องหุ่นยนต์ที่มีความคล้ายกับมนุษย์ เช่น ในอียิปต์และกรีซ ต่อมา ช่วงกลางศตวรรษที่ 19 และ 20 สิ่งมีชีวิตเทียมเริ่มปรากฏอย่างแพร่หลายในนิยายวิทยาศาสตร์ เช่น แฟรงเกนสไตน์ของแมรี เชลลีย์ หรือ R.U.R.ของกาเรล ชาเปก แนวคิดเหล่านี้ผ่านการอภิปรายมาอย่างแพร่หลาย โดยเฉพาะในแง่ของความหวัง ความกลัว หรือความกังวลด้านศีลธรรมเนื่องจากการมีอยู่ของปัญญาประดิษฐ์
กลไกหรือการให้เหตุผลอย่างมีแบบแผน ได้รับการพัฒนาขึ้นโดยนักปรัชญาและนักวิทยาศาสตร์มาตั้งแต่สมัยโบราณ การศึกษาด้านตรรกศาสตร์นำไปสู่การคิดค้นเครื่องคำนวณอิเล็กทรอนิกส์ดิจิทัลที่โปรแกรมได้โดยอาศัยหลักการทางคณิตศาสตร์ของแอลัน ทัวริงและคนอื่น ๆ ทฤษฎีการคำนวณของทัวริงชี้ว่า เครื่องจักรที่รู้จักการสลับตัวเลขระหว่าง 0 กับ 1 สามารถเข้าใจนิรนัยทางคณิตศาสตร์ได้ หลังจากนั้น การค้นพบทางด้านประสาทวิทยา ทฤษฎีสารสนเทศ และไซเบอร์เนติกส์ รวมทั้งทฤษฎีการคำนวณของทัวริง ได้ทำให้นักวิทยาศาสตร์บางกลุ่มเริ่มสนใจพิจารณาความเป็นไปได้ของการสร้าง สมองอิเล็กทรอนิกส์ ขึ้นมาอย่างจริงจัง
สาขาปัญญาประดิษฐ์นั้นเริ่มก่อตั้งขึ้นในที่ประชุมวิชาการที่วิทยาลัยดาร์ตมัธ สหรัฐอเมริกาในช่วงหน้าร้อน ค.ศ. 1956[1] โดยผู้ร่วมในการประชุมครั้งนั้น ได้แก่ จอห์น แม็กคาร์ธีย์ มาร์วิน มินสกี อัลเลน นิวเวลล์ อาเธอร์ ซามูเอล และเฮอร์เบิร์ต ไซมอน ที่ได้กลายมาเป็นผู้นำทางสาขาปัญญาประดิษฐ์ในอีกหลายสิบปีต่อมา นักวิทยาศาสตร์และนักศึกษาของพวกเขาเหล่านี้เขียนโปรแกรมที่หลายคนทึ่ง ไม่ว่าจะเป็น คอมพิวเตอร์ที่สามารถเอาชนะคนเล่นหมากรุก แก้ไขปัญหาเกี่ยวกับคำด้วยพีชคณิต พิสูจน์ทฤษฎีทางตรรกวิทยา หรือแม้กระทั่งพูดภาษาอังกฤษได้ ผู้ก่อตั้งสาขาปัญญาประดิษฐ์กลุ่มนี้เชื่อมั่นในอนาคตของเทคโนโลยีใหม่นี้มาก โดยเฮอร์เบิร์ต ไซมอนคาดว่าจะมีเครื่องจักรที่สามารถทำงานทุกอย่างได้เหมือนมนุษย์ภายใน 20 ปีข้างหน้า และมาร์วิน มินสกีก็เห็นพ้องโดยการเขียนว่า "เพียงชั่วอายุคน ปัญหาของการสร้างความฉลาดเทียมจะถูกแก้ไขอย่างยั่งยืน"
อย่างไรก็ตาม นักวิทยาศาสตร์กลุ่มนี้กลับไม่ได้พิจารณาถึงความยากของปัญหาที่จะพบมากนัก ในปี ค.ศ. 1974 เซอร์ เจมส์ ไลท์ฮิลล์ ได้เขียนวิพากษ์วิจารณ์สาขาปัญญาประดิษฐ์ ประกอบกับมีแรงกดดันจากสภาคองเกรสของสหรัฐฯให้ไปให้เงินสนับสนุนโครงการมีผลผลิตออกมาเป็นรูปธรรมมากกว่า ดังนั้น รัฐบาลสหรัฐอเมริกาและสหราชอาณาจักรจึงได้ตัดงบประมาณการวิจัยที่ไร้ทิศทางของสาขาปัญญาประดิษฐไป จนเป็นยุคที่เรียกว่า หน้าหนาวของปัญญาประดิษฐ์ (AI winter) กินเวลาหลายปี ซึ่งโครงการด้านปัญญาประดิษฐ์แต่ละโครงการนั้นหาเงินทุนสนับสนุนยากมาก
ในช่วงต้นคริสต์ทศวรรษ 1980 งานวิจัยด้านปัญญาประดิษฐ์ประสบความสำเร็จในเชิงพาณิชย์เป็นครั้งแรก ด้วยระบบที่ชื่อว่า ระบบผู้เชี่ยวชาญ อันเป็นระบบคอมพิวเตอร์ที่ช่วยในการหาคำตอบ อธิบายความไม่ชัดเจน ซึ่งปกตินั้นจะใช้ผู้เชี่ยวชาญในแต่ละสาขาตอบคำถามนั้น ในปี ค.ศ. 1985 ตลาดของปัญญาประดิษฐ์ทะยานขึ้นไปแตะระดับ 1 พันล้านดอลลาร์สหรัฐ ในขณะเดียวกัน โครงการคอมพิวเตอร์รุ่นที่ 5 ของญี่ปุ่นก็ได้จุดประกายให้รัฐบาลสหรัฐอเมริกาและสหราชอาณาจักรหันมาให้เงินทุนสนับสนุนงานวิจัยในสาขาปัญญาประดิษฐ์อีกครั้ง
ในคริสต์ทศวรรษ 1990 และช่วงต้นคริสต์ศตวรรษที่ 21 ปัญญาประดิษฐ์ประสบความสำเร็จอย่างสูงแม้ว่าจะมีหลายอย่างที่อยู่เบื้องหลัง มีการนำปัญญาประดิษฐ์มาใช้ในด้านการขนส่ง การทำเหมืองข้อมูล การวินิจฉัยทางการแพทย์ และในอีกหลายสาขาหลายอุตสาหกรรม ความสำเร็จของปัญญาประดิษฐ์นั้นได้รับการผลักดันมาจากหลายปัจจัย ไม่ว่าจะเรื่องของความเร็วของคอมพิวเตอร์ที่มีการประมวลผลที่เร็วขึ้น (ตามกฎของมัวร์) การให้ความสำคัญกับการแก้ปัญหาย่อยบางปัญหา การสร้างความเชื่อมโยงระหว่างปัญญาประดิษฐ์กับสาขาอื่น ๆ ที่ทำงานอยู่กับปัญญาที่คล้าย ๆ กัน ตลอดจนความมุ่งมั่นของนักวิจัยที่ใช้วิธีการทางคณิตศาสตร์และวิทยาศาสตร์ที่มีหลักการ
เมื่อวันที่ 11 พฤษภาคม ค.ศ. 1997 เครื่องดีปบลูของบริษัทไอบีเอ็ม กลายมาเป็นคอมพิวเตอร์เครื่องแรกของโลกที่สามารถเล่นหมากรุกเอาชนะ แกรี คาสปารอฟ แชมป์โลกในขณะนั้นได้ และในเดือนกุมภาพันธ์ ค.ศ. 2011 เครื่องวัตสันของบริษัทไอบีเอ็มก็สามารถเอาชนะแชมป์รายการตอบคำถามจีโอพาร์ดีได้แบบขาดลอย นอกจากนี้ เครื่องเล่นเกมอย่าง Kinect ก็ใช้เทคโนโลยีของปัญญาประดิษฐ์ มาใช้ในการสร้างส่วนติดต่อกับผู้ใช้ผ่านทางการเคลื่อนไหวร่างกายใน 3 มิติเช่นกัน
นิยามของปัญญาประดิษฐ์
มีคำนิยามของปัญญาประดิษฐ์มากมายหลากหลาย ซึ่งสามารถจัดแบ่งออกเป็น 4 ประเภทโดยมองใน 2 มิติ ได้แก่
- ระหว่าง นิยามที่เน้นระบบที่เลียนแบบมนุษย์ กับ นิยามที่เน้นระบบที่ระบบที่มีเหตุผล (แต่ไม่จำเป็นต้องเหมือนมนุษย์)
- ระหว่าง นิยามที่เน้นความคิดเป็นหลัก กับ นิยามที่เน้นการกระทำเป็นหลัก
ปัจจุบันงานวิจัยหลัก ๆ ของปัญญาประดิษฐ์จะมีแนวคิดในรูปที่เน้นเหตุผลเป็นหลัก เนื่องจากการนำปัญญาประดิษฐ์ไปประยุกต์ใช้แก้ปัญหา ไม่จำเป็นต้องอาศัยอารมณ์หรือความรู้สึกของมนุษย์ อย่างไรก็ตามนิยามทั้ง 4 ไม่ได้ต่างกันโดยสมบูรณ์ นิยามทั้ง 4 ต่างก็มีส่วนร่วมที่คาบเกี่ยวกันอยู่
นิยามดังกล่าวคือ
- ระบบที่คิดเหมือนมนุษย์ (Systems that think like humans)
- ปัญญาประดิษฐ์ คือ ความพยายามใหม่อันน่าตื่นเต้นที่จะทำให้คอมพิวเตอร์คิดได้ซึ่งเครื่องจักรที่มีสติปัญญาอย่างครบถ้วนและแท้จริง ("The exciting new effort to make computers think ... machines with minds, in the full and literal sense." [Haugeland, 1985])
- ปัญญาประดิษฐ์ คือ กลไกของกิจกรรมที่เกี่ยวข้องกับความคิดมนุษย์ เช่น การตัดสินใจ การแก้ปัญหา การเรียนรู้ ("[The automation of] activities that we associate with human thinking, activities such as decision-making, problem solving, learning." [Bellman, 1978])
- หมายเหตุ ก่อนที่จะทำให้เครื่องคิดอย่างมนุษย์ได้ ต้องรู้ก่อนว่ามนุษย์มีกระบวนการคิดอย่างไร ซึ่งการวิเคราะห์ลักษณะการคิดของมนุษย์ เป็นศาสตร์ด้าน cognitive science เช่น ศึกษาการเรียงตัวของเซลล์สมองในสามมิติ ศึกษาการถ่ายเทประจุไฟฟ้า และวิเคราะห์การเปลี่ยนแปลงทางเคมีไฟฟ้าในร่างกาย ระหว่างการคิด ซึ่งจนถึงปัจจุบัน (พ.ศ. 2548) เราก็ยังไม่รู้แน่ชัดว่า มนุษย์เรา คิดได้อย่างไร
- ระบบที่กระทำเหมือนมนุษย์ (Systems that act like humans)
- ปัญญาประดิษฐ์ คือ วิชาของการสร้างเครื่องจักรที่ทำงานในสิ่งซึ่งอาศัยปัญญาเมื่อกระทำโดยมนุษย์ ("The art of creating machines that perform functions that requires intelligence when performed by people." [Kurzweil, 1990])
- ปัญญาประดิษฐ์ คือ การศึกษาวิธีทำให้คอมพิวเตอร์กระทำในสิ่งที่มนุษย์ทำได้ดีกว่าในขณะนั้น ("The study of how to make computers do things at which, at the moment, people are better." [Rich and Knight, 1991])
- หมายเหตุ การกระทำเหมือนมนุษย์ เช่น
- สื่อสารได้ด้วยภาษาที่มนุษย์ใช้ เช่น ภาษาไทย ภาษาอังกฤษ ตัวอย่างคือ การแปลงข้อความเป็นคำพูด และ การแปลงคำพูดเป็นข้อความ
- มีประสาทรับสัมผัสคล้ายมนุษย์ เช่น คอมพิวเตอร์รับภาพได้โดยอุปกรณ์รับสัมผัส แล้วนำภาพไปประมวลผล
- เคลื่อนไหวได้คล้ายมนุษย์ เช่น หุ่นยนต์ช่วยงานต่าง ๆ อย่างการ ดูดฝุ่น เคลื่อนย้ายสิ่งของ
- เรียนรู้ได้ โดยสามารถตรวจจับรูปแบบการเกิดของเหตุการณ์ใด ๆ แล้วปรับตัวสู่สิ่งแวดล้อมที่เปลี่ยนไปได้
- ระบบที่คิดอย่างมีเหตุผล (Systems that think rationally)
- ปัญญาประดิษฐ์ คือ การศึกษาความสามารถในด้านสติปัญญาโดยการใช้โมเดลการคำนวณ ("The study of mental faculties through the use of computational model." [Charniak and McDermott, 1985])
- ปัญญาประดิษฐ์ คือ การศึกษาวิธีการคำนวณที่สามารถรับรู้ ใช้เหตุผล และกระทำ ("The study of the computations that make it possible to perceive, reason, and act" [Winston, 1992])
- หมายเหตุ คิดอย่างมีเหตุผล หรือคิดถูกต้อง เช่น ใช้หลักตรรกศาสตร์ในการคิดหาคำตอบอย่างมีเหตุผล เช่น ระบบผู้เชี่ยวชาญ
- ระบบที่กระทำอย่างมีเหตุผล (Systems that act rationally)
- ปัญญาประดิษฐ์คือการศึกษาเพื่อออกแบบเอเจนต์ที่มีปัญญา ("Computational Intelligence is the study of the design of intelligent agents" [Poole et al., 1998])
- ปัญญาประดิษฐ์ เกี่ยวข้องกับพฤติกรรมที่แสดงปัญญาในสิ่งที่มนุษย์สร้างขึ้น ("AI ... is concerned with intelligent behavior in artifacts" [Nilsson, 1998])
- หมายเหตุ กระทำอย่างมีเหตุผล เช่น เอเจนต์ (โปรแกรมที่มีความสามารถในการกระทำ หรือเป็นตัวแทนในระบบอัตโนมัติต่าง ๆ ) สามารถกระทำอย่างมีเหตุผลเพื่อบรรลุเป้าหมายที่ได้ตั้งไว้ เช่น เอเจนต์ในระบบขับรถอัตโนมัติ ที่มีเป้าหมายว่าต้องไปถึงเป้าหมายในระยะทางที่สั้นที่สุด ต้องเลือกเส้นทางที่ไปยังเป้าหมายที่สั้นที่สุดที่เป็นไปได้ จึงจะเรียกได้ว่า เอเจนต์กระทำอย่างมีเหตุผล อีกตัวอย่างเช่น เอเจนต์ในเกมหมากรุก ที่มีเป้าหมายว่าต้องเอาชนะคู่ต่อสู้ ก็ต้องเลือกเดินหมากที่จะทำให้คู่ต่อสู้แพ้ให้ได้ เป็นต้น
งานวิจัย
เป้าหมาย
ปัญหาโดยทั่วไปของการจำลอง (หรือสร้าง) ปัญญาถูกแบ่งออกเป็นปัญหาย่อย ๆ จำนวนมาก นักวิจัยด้านปัญญาประดิษฐ์พยายามศึกษาระบบย่อย ๆ เหล่านี้ โดยที่ได้รับความสนใจมากเป็นพิเศษ ได้แก่
การนิรนาม การให้เหตุผล และการแก้ไขปัญหา (deduction, reasoning, problem solving)
งานวิจัยด้านปัญญาประดิษฐ์ในช่วงแรก ๆ นั้นเริ่มต้นมาจากการให้เหตุผลแบบทีละขั้น ๆ เป็นการให้เหตุผลแบบเดียวกับที่มนุษย์ใช้ในการไขปัญหาหรือหาข้อสรุปทางตรรกศาสตร์ เมื่อปลายคริสต์ทศวรรษ 1980 และ 1990 งานวิจัยด้านปัญญาประดิษฐ์ได้ถูกพัฒนาอย่างต่อเนื่อง และประสบความสำเร็จในการจัดการกับความไม่แน่นอนหรือความไม่สมบูรณ์ของข้อมูลได้ โดยใช้หลักการของความน่าจะเป็นและเศรษฐศาสตร์
ความยากของสาขานี้คือ อัลกอริทึมส่วนใหญ่ต้องใช้การคำนวณและประมวลผลมหาศาล มักจะเป็นการคำนวณแบบสลับสับเปลี่ยนจำนวนมาก และทำให้คอมพิวเตอร์ต้องใช้หน่วยความจำมหาศาลเมื่อต้องแก้ปัญหาที่มีขนาดใหญ่มาก ดังนั้น งานวิจัยในสายนี้จึงมักมุ่งเน้นการหาอัลกอริทึมที่มีประสิทธิภาพในการค้นหาอย่างมีประสิทธิภาพ
มนุษย์มีความสามารถในการไขปัญหาอย่างรวดเร็ว สามารถตัดสินใจได้ตามสัญชาติญาณและมีความรวดเร็วกว่าความรู้สึกตามสามัญสำนึกและการอนุมานแบบทีละขั้นแบบที่งานวิจัยด้านปัญญาประดิษฐ์ในช่วงแรกทำได้ ปัจจุบัน งานวิจัยด้านปัญญาประดิษฐ์เริ่มหันมาให้ความสนใจการแก้ไขปัญหาที่ย่อยไปกว่าเชิงสัญลักษณ์ หรือที่เรียกว่า sub-symbolic problem solving ไม่ว่าจะเป็น เอเยนต์ฝังตัว โครงข่ายประสาทเทียม หรือการใช้หลักการทางสถิติกับปัญญาประดิษฐ์ เพื่อเลียนแบบธรรมชาติของมนุษย์ในการเดาอย่างมีหลักการทางความน่าจะเป็น
เทคนิคที่นิยมใช้กันมากก็คือ การเขียนโปรแกรมเชิงตรรกะ (logic programming) เมื่อเราแทนความรู้ของเครื่องด้วย first-order logic และ bayesian inference เมื่อเราแทนความรู้ของเครื่องด้วย bayesian networks
การแทนความรู้
การแทนความรู้ (knowledge representation) เป็นหัวใจสำคัญของงานวิจัยด้านปัญญาประดิษฐ์ เป็นการศึกษาด้านเก็บความรู้ (knowledge) ไว้ในเครื่องจักร เราเชื่อกันว่าหากจะให้เครื่องจักรแก้ไขปัญหาให้จะต้องใช้ความรู้จำนวนมหาศาลบนโลกนี้ สิ่งที่ปัญญาประดิษฐ์ต้องการจะหาสัญลักษณ์มาแทนได้แก่ วัตถุ คุณสมบัติ ประเภท ความสัมพันธ์ระหว่างวัตถุ ไม่ว่าจะเป็นสถานการณ์ เหตุการณ์ สถานะ และเวลา ตลอดจนเหตุและผล ความรู้เกี่ยวกับความรู้ (รู้ว่าคนอื่นรู้อะไร) และอื่น ๆ อีกมากมาย การแทน"สิ่งที่มีอยู่"นั้นเรียกว่าสาขาภววิทยา เป็นการแทนที่กลุ่มของวัตถุ ความสัมพันธ์ แนวคิด และอื่น ๆ บนเครื่องจักร ประเด็นสำคัญของการแทนความรู้ คือ
- ทำอย่างไรจะแสดงความรู้ได้อย่างกะทัดรัด ประหยัดหน่วยความจำ
- จะนำความรู้ที่เก็บไว้นี้ไปใช้ในการให้เหตุผลอย่างไร
- จะมีการเรียนรู้ความรู้ใหม่ ๆ ด้วยเทคนิคการเรียนรู้ของเครื่อง ให้ความรู้ที่ได้อยู่ในรูปแบบความรู้ที่เราออกแบบไว้ได้อย่างไร
การแทนความรู้สามารถแบ่งออกได้เป็นสองประเภทหลัก คือ
- ความรู้ที่แน่นอน (certain knowledge) เช่น การแทนความรู้ด้วยตรรกศาสตร์ ไม่ว่าจะเป็น first-order logic หรือ propositional logic
- ความรู้ที่มีความไม่แน่นอนมาเกี่ยวข้อง (uncertain knowledge) เช่น ฟัซซี่ลอจิก (fuzzy logic) และเครือข่ายแบบเบย์ ( bayesian networks)
ระบบผู้เชี่ยวชาญ
ระบบผู้เชี่ยวชาญ (expert system) เป็นการศึกษาเรื่องสร้างระบบความรู้ของปัญหาเฉพาะอย่าง เช่น การแพทย์หรือวิทยาศาสตร์ จุดประสงค์ของระบบนี้คือ ทำให้เสมือนมีมนุษย์ผู้เชี่ยวชาญคอยให้คำปรึกษา และคำตอบเกี่ยวกับปัญหาต่าง ๆ งานวิจัยด้านนี้มีจุดประสงค์หลักว่า เราไม่ต้องพึ่งมนุษย์ในการแก้ปัญหา แต่อย่างไรก็ตามในทางปฏิบัติแล้ว ระบบผู้เชี่ยวชาญยังต้องพึ่งมนุษย์เพื่อให้ความรู้พื้นฐานในช่วงแรก การจะทำงานวิจัยเรื่องนี้ต้องอาศัยความรู้พื้นฐานหลายเรื่อง ไม่ว่าจะเป็น การแทนความรู้, การให้เหตุผล และ การเรียนรู้ของเครื่อง
การวางแผนของเครื่อง (automated planning)
เอเยนต์ฉลาดจะต้องมีความสามารถในการตั้งเป้าหมายและบรรลุเป้าหมายได้เอง จะต้องมีวิธีการนึกภาพของอนาคต (จะต้องสามารถมองเห็นสถานะต่าง ๆ บนโลกและสามารถคาดการณ์ได้ว่าโลกจะเปลี่ยนไปอย่างไรได้) และสามารถที่จะตัดสินใจเลือกทางเลือกที่มีประโยชน์ (หรือมีค่า) มากที่สุดได้
ในปัญหาการวางแผนแบบยุคเก่านั้น เอเยนต์จะมีข้อสมมติฐานว่าเอเยนต์เป็นวัตถุเดียวที่มีการกระทำบนโลก แต่อย่างไรก็ตาม หากเอเยนต์ไม่ได้เป็นเพียงวัตถุเดียวที่มีการกระทำ เอเยนต์จะต้องสืบให้แน่ใจอย่างซ้ำ ๆ ว่าโลกนั้นตรงกับตามที่คาดการณ์ไว้หรือไม่ และจะต้องเปลี่ยนแปลงแผนที่วางไว้อย่างไร ทำให้เอเยนต์ยุคใหม่นี้จะต้องจัดการกับความไม่แน่นอนด้วย
ปัจจุบัน ได้มีงานวิจัยสาขาการวางแผนของเอเยนต์หลายตัว ที่อาศัยความร่วมมือและการแข่งขันของเอเยนต์หลาย ๆ ตัวเพื่อให้บรรลุเป้าหมายที่กำหนดไว้ โดยใช้วิธีการที่มีประสิทธิภาพอย่างขั้นตอนวิธีเชิงวิวัฒนาการหรือความฉลาดแบบกลุ่ม
การเรียนรู้ของเครื่อง
การเรียนรู้ของเครื่อง (machine learning) เป็นการศึกษาอัลกอริทึมคอมพิวเตอร์ที่ขั้นตอนวิธีจะถูกปรับปรุงอย่างอัตโนมัติผ่านการเรียนรู้จากประสบการณ์ เป็นหัวใจหลักของงานวิจัยด้านปัญญาประดิษฐ์นับตั้งแต่มีการก่อตั้งสาขานี้มา
การเรียนรู้แบบไม่มีผู้สอน (unsupervised learning) เป็นความสามารถในการหาแบบแผนบางอย่างจากข้อมูลที่เข้ามา ส่วนการเรียนรู้แบบมีผู้สอน (supervised learning) นั้นหมายถึงการแบ่งประเภทข้อมูลและการวิเคราะห์การถดถอยเชิงตัวเลข ปัญหาการแบ่งประเภทของข้อมูลนั้นใช้เพื่อกำหนดว่าของชิ้นใหม่ชิ้นหนึ่งจัดอยู่ในกลุ่มประเภทใดหลังจากที่ได้เรียนรู้ตัวอย่างสอนที่ระบุว่าของแต่ละอย่างควรจะอยู่ในประเภทใดมาแล้ว ส่วนการวิเคราะห์การถดถอยนั้นพยายามจะสร้างฟังก์ชันทางคณิตศาสตร์ที่อธิบายความสัมพันธ์ระหว่างข้อมูลขาเข้ากับข้อมูลขาออก และทำนายว่าข้อมูลขาออกควรจะเปลี่ยนไปอย่างไรเมื่อข้อมูลขาเข้าเปลี่ยนแปลง ในการเรียนรู้แบบเสริมกำลัง (reinforcement learning) นั้น เอเยนต์จะได้รับรางวัลหากมีการตอบสนองที่ดีและถูกลงโทษหากมีการตอบสนองที่ไม่ดี เอเยนต์จะเรียนรู้จากรางวัลและการลงโทษนี้ในการสร้างกลยุทธ์เพื่อแก้ไขปัญหาต่าง ๆ การเรียนรู้ทั้งสามแบบนี้สามารถวิเคราะห์ได้ด้วยทฤษฎีการตัดสินใจ (decision theory) โดยใช้แนวคิดของประโยชน์ การวิเคราะห์ทางคณิตศาสตร์ของอัลกอริทึมทางการเรียนรู้ของเครื่องจักรและการวิเคราะห์ประสิทธิภาพของอัลกอริทึมนั้นเป็นอีกหนึ่งสาขาทางด้านวิทยาการคอมพิวเตอร์สายทฤษฎี การเรียนรู้ของเครื่องจักรถือว่าเป็นหัวใจสำคัญของการพัฒนาหุ่นยนต์เช่นกัน ทำให้หุ่นยนต์มีทักษะใหม่ ๆ ได้ ผ่านการสำรวจด้วยตนเอง การติดต่อกับผู้สอนที่เป็นมนุษย์ การเลียนแบบ และอื่น ๆ
การประมวลผลภาษาธรรมชาติ
การประมวลผลภาษาธรรมชาติ (natural language processing)[2] คือการทำให้เครื่องมีความสามารถที่จะอ่านและเข้าใจภาษาที่มนุษย์พูดในชีวิตประจำวัน ระบบที่สามารถประมวลผลภาษาธรรมชาติได้มีประสิทธิภาพเพียงพอจะทำให้เรามีส่วนติดต่อกับผู้ใช้ที่ใช้ภาษาธรรมชาติ และหาความรู้ได้โดยตรงจากแหล่งข้อมูลที่มนุษย์เขียน เช่น หนังสือพิมพ์ นอกจากนี้ยังสามารถนำไปประยุกต์ใช้ได้โดยตรงกับการค้นข้อมูล (หรือการทำเหมืองข้อความ) การตอบคำถาม และการแปล
วิธีการโดยทั่วไปของการประมวลผลและดึงเอาความหมายมาจากธรรมชาติ คือ การทำดัชนีความหมาย นอกจากนี้ การเพิ่มความเร็วในการประมวลผลและลดขนาดของข้อมูลที่จะจัดเก็บก็ทำให้การค้นหาดัชนีจากฐานข้อมูลขนาดใหญ่มีประสิทธิภาพมากยิ่งขึ้น
การรับรู้ของเครื่อง
การรับรู้ของเครื่อง (machine perception) คือ ความสามารถในการอ่านข้อมูลขาเข้าจากเซนเซอร์ (เช่น กล้อง ไมโครโฟน เซนเซอร์สัมผัส โซนาร์ หรืออื่น ๆ ) เพื่อจะเข้าใจบริบทของโลกภายนอก ตัวอย่างของงานวิจัยด้านนี้ ได้แก่
- คอมพิวเตอร์วิทัศน์ (computer vision)
- การรู้จำคำพูด (speech recognition)
- การรู้จำใบหน้า (facial recognition)
- การรู้จำวัตถุ (object recognition)
การเคลื่อนไหวและการจัดการ (motion and manipulation)
สาขาวิทยาการหุ่นยนต์มีความคล้ายคลึงกับสาขาปัญญาประดิษฐ์ หุ่นยนต์ต้องการความฉลาดเพื่อจัดการกับสิ่งต่าง ๆ เช่น การจัดการวัตถุ ระบบนำทาง การแก้ปัญหาย่อยเช่นการหาที่อยู่ตัวเองหรือหาที่อยู่ของสิ่งอื่น ๆ การทำแผนที่ การวางแผนการเคลื่อนไหวหรือเส้นทาง
เป้าหมายระยะยาว
เป้าหมายระยะยาวของปัญญาประดิษฐ์ ได้แก่ ความฉลาดทางสังคม ความคิดสร้างสรรค์ และความฉลาดทั่วไป
ความฉลาดทางสังคม (social intelligence)
การคำนวณเชิงอารมณ์ (affective computing) คือ การศึกษาและพัฒนาระบบและเครื่องมือที่สามารถรู้จำ แปรผล ประมวลผล และจำลองอารมณ์ความรู้สึกของมนุษย์ได้ เป็นสหสาขาวิชาที่เกี่ยวข้องกับวิทยาการคอมพิวเตอร์ จิตวิทยา และประชานศาสตร์ สาขานี้เริ่มต้นจากความต้องการทางปรัชญาที่อยากจะเข้าถึงอารมณ์ของมนุษย์ สาขาการคำนวณเชิงอารมณ์สมัยใหม่นี้เริ่มจากคำนิยามของ โรซาไลนด์ พิการ์ด นักวิทยาศาสตร์คอมพิวเตอร์ที่ MIT ที่เริ่มใช้คำนี้ในผลงานวิจัยปี ค.ศ. 1995 เกี่ยวกับการคำนวณเชิงอารมณ์ แรงบันดาลใจของงานวิจัยสายนี้คือความต้องการที่จะจำลองความเข้าใจความรู้สึกของคนอื่นของมนุษย์ ต้องการมีเครื่องจักรที่สามารถแปลผลสถานะของอารมณ์ของมนุษย์และปรับเปลี่ยนพฤติกรรมให้ตอบสนองกับอารมณ์นั้น ๆ ของมนุษย์อย่างเหมาะสม
อารมณ์และทักษะทางสังคมมีบทบาทสำคัญต่อการพัฒนาความฉลาดของเครื่องจักร ก่อนอื่น เครื่องจักรจะต้องทำนายการกระทำของคนอื่น ผ่านทางการเข้าใจจุดมุ่งหมายและสถานะของอารมณ์ผู้อื่น (ส่วนนี้มีความเกี่ยวข้องกับทฤษฎีเกม ทฤษฎีการตัดสินใจ ตลอดจนความสามารถในการสร้างแบบจำลองอารมณ์ของมนุษย์ และความสามารถในการตรวจจับอารมณ์ผู้อื่นของมนุษย์) นอกจากนี้ ในการสร้างปฏิสัมพันธ์ระหว่างมนุษย์และคอมพิวเตอร์ที่ดีนั้น เครื่องจักรที่ฉลาดควรจะแสดงอารมณ์ออกมาด้วย แม้ว่าอารรมณ์นั้นจะไม่ได้เป็นอารมณ์ที่ตนรู้สึกจริง ๆ ก็ตาม
ความคิดสร้างสรรค์ (computational creativity)
สาขาย่อยของปัญญาประดิษฐ์สาขาหนึ่งต้องการจะสร้างความคิดสร้างสรรค์ ทั้งทางทฤษฎี (ในมุมมองทางปรัชญาและจิตวิทยา) และทางปฏิบัติ (ผ่านทางประยุกต์ใช้ระบบที่ให้ผลลัพธ์ที่ดูคล้ายความคิดสร้างสรรค์ หรือระบบที่สามารถตรวจจับและประเมินความคิดสร้างสรรค์ได้)
ความฉลาดทั่วไป (general intelligence)
นักวิจัยทางปัญญาประดิษฐ์หลายคนเชื่อว่า สุดท้ายแล้ว งานวิจัยต่าง ๆ จะถูกรวมเข้าสู่เครื่องจักรกลายเป็นความฉลาดแบบทั่วไป (บางครั้งก็เรียกว่า ปัญญาประดิษฐ์แบบแข็ง (String AI)) เป็นการรวมเอาทักษะต่าง ๆ เข้าด้วยกันและมีความสามารถมากกว่ามนุษย์ทุกคน นักวิจัยบางคนเชื่อว่าความฉลาดแบบนี้จะต้องมีคุณลักษณะทางมานุษยรูปนิยมบางอย่าง เช่น สำนึกประดิษฐ์ หรือ สมองประดิษฐ์
การวิจัยความฉลาดทั่วไปนั้นจะต้องแก้ปัญหาหลายอย่าง ตัวอย่างเช่น การแปลความหมายโดยเครื่องนั้นจะต้องให้เครื่องอ่านและเขียนข้อมูลภาษาธรรมชาติได้ทั้งสองภาษา ให้เหตุผล และรู้ว่ากำลังพูดถึงเรื่องอะไรกันอยู่ (การแทนความรู้) รวมทั้งจะต้องมีรู้ความตั้งใจของผู้เขียน (ความฉลาดทางสังคม) กล่าวคือ การแก้ปัญหาทางการวิจัยความฉลาดทั่วไปนั้น จะต้องแก้ปัญหาทางปัญญาประดิษฐ์หลาย ๆ อย่างไปพร้อม ๆ กัน
วิธีการ
ปัจจุบัน ยังไม่มีทฤษฎีหรือกระบวนทัศน์ใด ๆ ที่เป็นแนวทางที่ชัดเจนให้กับการวิจัยทางปัญญาประดิษฐ์ นักวิจัยบางคนก็ไม่เห็นด้วยกับบางเรื่อง ปัญหาที่ยังไม่มีคำตอบก็ยังมีอยู่มากมาย เช่น ปัญญาประดิษฐ์ควรจะมีพฤติกรรมคล้ายกับของจริงในธรรมชาติในทางจิตวิทยาหรือประสาทวิทยาหรือไม่ หรือ ชีววิทยาของร่างกายมนุษย์นั้นไม่ได้สัมพันธ์อะไรกับปัญญาประดิษฐ์แบบที่นกไม่ได้สัมพันธ์ใด ๆ กับอากาศยานหรือไม่ หรือ พฤติกรรมที่ฉลาดสามารถอธิบายได้ด้วยหลักการที่ง่าย ๆ ธรรมดา ๆ เช่นในทางตรรกะได้หรือไม่ หรือ เราจำเป็นหรือไม่ที่จะต้องแก้ปัญหาที่ไม่เกี่ยวข้องให้ครบ หรือ ความฉลาดสามารถถูกสร้างขึ้นมาโดยใช้สัญลักษณ์ขั้นสูงอย่างคำหรือแนวความคิดได้หรือไม่และจำเป็นจะต้องมีการประมวลผลสัญลักษณ์ที่ย่อยไปกว่านั้นหรือไม่
ไซเบอร์เนติกส์และการจำลองสมอง (cybernetics and brain simulation)
ในคริสต์ทศวรรษ 1940 และ 1950 นักวิทยาศาสตร์หลายคนพยายามจะหาความเชื่อมโยงระหว่างประสาทวิทยา ทฤษฎีสารสนเทศ และไซเบอร์เนติกส์ นักวิจัยบางคนได้สร้างเครือข่ายอิเล็กทรอนิกส์ขึ้นมาเพื่อสร้างความฉลาดขั้นต้นขึ้นมา ปัจจุบันวิธีการนี้ได้ถูกล้มเลิกไปแล้ว
สัญลักษณ์
หลังจากที่เริ่มมีความเป็นไปได้ที่จะสร้างเครื่องคอมพิวเตอร์ดิจิทัลขึ้นในราวคริสต์ทศวรรษ 1950 นักวิจัยทางปัญญาประดิษฐ์หลายคนก็เริ่มศึกษาดูความเป็นไปได้ที่จะลดรูปความฉลาดของมนุษย์ให้อยู่ในรูปสัญลักษณ์และการจัดการกับสัญลักษณ์ต่าง ๆ ศูนย์กลางของการวิจัยสาขานี้อยู่ที่มหาวิทยาลัยคาร์เนกีเมลลอน มหาวิทยาลัยสแตนฟอร์ด และสถาบันเทคโนโลยีแมสซาชูเซตส์ แต่ละมหาวิทยาลัยได้สร้างแนวทางการวิจัยเป็นของตัวเอง จอห์น ฮากแลนด์ตั้งชื่อหลักการเหล่านี้ว่า GOFAI (Good Old-Fashioned Artificial Intelligence) หรือปัญญาประดิษฐ์ในรูปแบบเก่า ต่อมาในช่วงคริสต์ทศวรรษ 1960 งานวิจัยโดยการแทนสัญลักษณ์นี้เริ่มประสบความสำเร็จในการจำลองความคิดชั้นสูงของมนุษย์ในบางโปรแกรม หลังจากที่วิธีการที่ใช้ไซเบอร์เนติกส์หรือโครงข่ายประสาทเทียมถูกล้มเลิกไป นักวิจัยในช่วงคริสต์ทศวรรษ 1960 และ 1970 หันมาใช้หลักการทางสัญลักษณ์เพราะเชื่อว่าวิธีการนี้จะประสบความสำเร็จในการสร้างปัญญาประดิษฐ์ทั่วไปที่เชื่อว่าเป็นเป้าหมายของงานวิจัยสาขานี้
- การจำลองการรับรู้ (cognitive simulation)
นักเศรษฐศาสตร์อย่างเฮอร์เบิร์ต ไซมอนและอัลเลน นิวเวลล์ได้ศึกษาทักษะการแก้ปัญหาของมนุษย์และพยายามทำให้มีระเบียบแบบแผน งานวิจัยของทั้งสองคนได้กลายมาเป็นจุดเริ่มต้นของสาขาของปัญญาประดิษฐ์ที่เรียกว่า วิทยาศาสตร์พุทธิปัญญา การวิจัยดำเนินการ และวิทยาการจัดการในเวลาต่อมา งานวิจัยสายนี้ใช้ผลจากการทดลองทางจิตวิทยาในการพัฒนาโปรแกรมที่สามารถจำลองเทคนิคที่คนใช้เพื่อแก้ปัญหาได้ วิธีการเหล่านี้มีจุดเริ่มต้นที่มหาวิทยาลัยคาร์เนกีเมลลอน
- วิธีการเชิงตรรกะ (logic-based)
จอห์น แม็กคาร์ธีย์ ใช้วิธีการที่แตกต่างไปจากวิธีของนิวเวลล์และไซมอน โดยรู้สึกว่าเครื่องจักรไม่จำเป็นต้องจำลองการคิดของมนุษย์ แต่ควรจะพยายามหาแก่นของการให้เหตุผลเชิงนามธรรมและการแก้ปัญหา ไม่ต้องสนใจว่าแต่ละคนจะใช้อัลกอรึทึมเดียวกันหรือไม่ ห้องปฏิบัติการวิจัยของเขาที่มหาวิทยาลัยสแตนฟอร์ดเน้นเรื่องของการใช้ตรรกะบัญญัติ (formal logic) ในการแก้ปัญหาต่าง ๆ ไม่ว่าจะเป็นการแทนความรู้ การวางแผน และการเรียนรู้ นอกจากนี้ มหาวิทยาลัยเอดินบะระและอีกหลายแห่งในยุโรปก็หันมาให้ความสนใจด้านการพัฒนาโปรแกรมเชิงตรรกะเช่นกัน ไม่ว่าจะเป็นภาษาโปรล็อกหรือการเขียนโปรแกรมเชิงตรรกะ
- วิธีการไม่ใช้ตรรกะ (anti-logic)
ในขณะเดียวกัน นักวิจัยที่สถาบันเทคโนโลยีแมสซาชูเซตส์ (เช่น มาร์วิน มินสกี และเซย์มัวร์ เพเพิร์ต) พบว่า การแก้ไขปัญหาบางอย่าง เช่น คอมพิวเตอร์วิทัศน์และการประมวลผลภาษาธรรมชาติจำเป็นต้องมีวิธีการที่ไม่จำเป็นต้องเตรียมล่วงหน้า นักวิจัยได้อ้างว่า ไม่มีหลักการที่ง่ายหรือหลักการทั่วไป (อย่างเช่นตรรกะ) ที่จะจับต้องพฤติกรรมความฉลาดของสิ่งมีชีวิตได้ โรเจอร์ แชงก์ ได้ตั้งชื่อว่า หลักการแอนตีลอจิก หรือหลักการ"ไม่เรียบร้อย" (เพื่อให้ตรงข้ามกับความมีระเบียบเรียบร้อยที่คาร์เนกีเมลลอนและสแตนฟอร์ด) ตัวอย่างของงานวิจัยสายนี้เช่น ฐานความรู้เกี่ยวกับสามัญสำนึก อันเป็นแนวคิดที่ค่อนข้างซับซ้อนในวงการปัญญาประดิษฐ์สมัยนั้น
- วิธีการเชิงความรู้ (knowledge-based)
เมื่อคอมพิวเตอร์เริ่มมีความจำที่ใหญ่ขึ้นตั้งแต่ออกสู่ตลาดเมื่อราวปี ค.ศ. 1970 นักวิจัยจากมหาวิทยาลัยเริ่มต้น 3 แห่งเริ่มหันมาสร้างความรู้สำหรับปัญญาประดิษฐ์ แนวคิดที่เปลี่ยนวงการนี้นำไปสู่การพัฒนาและการใช้ระบบผู้เชี่ยวชาญ และเป็นรูปแบบของซอฟต์แวร์ปัญญาประดิษฐ์แบบแรกที่ประสบความสำเร็จอย่างแท้จริง การปฏิวัติวงการดังกล่าวนี้ได้รับแรงขับเคลื่อนมาจากแนวคิดที่ว่า การนำปัญญาประดิษฐ์ไปประยุกต์ใช้นั้นจำเป็นจะต้องมีความรู้ในปริมาณมหาศาล
สัญลักษณ์ย่อย (sub-symbolic)
หลังจากวิธีการเชิงสัญลักษณ์ทางด้านปัญญาประดิษฐ์เริ่มหยุดชะงักในคริสต์ทศวรรษ 1980 นักวิจัยหลายคนก็เชื่อว่าระบบเชิงสัญลักษณ์ไม่น่าจะสามารถเลียนแบบกระบวนการที่เกี่ยวข้องกับสติปัญญาของมนุษย์ได้ โดยเฉพาะการรับรู้ วิทยาการหุ่นยนต์ การเรียนรู้ และการรู้จำแบบ นักวิจัยหลายคนได้เสนอหลักการของ"สัญลักษณ์ย่อย"กับปัญหาทางปัญญาประดิษฐ์บางปัญหา
- วิธีการจากล่างขึ้นบน (bottom-up)
นักวิจัยจากสาขาที่เกี่ยวข้องกับวิทยาการหุ่นยนต์ อาทิ รอดนีย์ บรูกส์ ปฏิเสธที่จะใช้ปัญญาประดิษฐ์เชิงสัญลักษณ์และหันมาใช้วิธีการทางวิศวกรรมที่จะทำให้หุ่นยนต์เคลื่อนไหวและอยู่รอดได้ งานวิจัยรูปแบบใหม่ในมุมมองแบบไม่อิงสัญลักษณ์นี้ทำให้งานวิจัยเชิงไซเบอร์เนติกส์ในยุค 1950 กลับมาอีกครั้ง และก่อให้เกิดการใช้ทฤษฎีควบคุมในสาขาปัญญาประดิษฐ์ขึ้น นอกจากนี้ ยังมีงานวิจัยพัฒนา"จิตใจฝังตัว"ในสาขาของ cognitive science ที่อ้างอิงแนวคิดที่ว่า ความฉลาดชั้นสูงนั้นล้วนเป็นส่วนประกอบมาจากร่างกายส่วนล่าง (เช่น การเคลื่อนไหว การรับรู้ และการมองเห็นภาพ) ทั้งนั้น
- ความฉลาดด้านการคำนวณ หรือการคำนวณแบบอ่อน (computational intelligence and soft computing)
กลางคริสต์ทศวรรษ 1980 เดวิด รูเมลฮาร์ต และนักวิจัยกลุ่มอื่นชุบชีวิตของสาขาโครงข่ายประสาทเทียมและศาสตร์การเชื่อมต่อขึ้นมาอีกครั้ง โครงข่ายประสาทเทียมถือเป็นตัวอย่างหนึ่งของการคำนวณแบบอ่อน อันเป็นวิธีการแก้ไขปัญหาที่แก้ไม่ได้ด้วยการใช้ความแน่นอนทางตรรกะ แต่สามารถแก้ได้โดยใช้การประมาณคำตอบที่แม่นยำเพียงพอ หลักการอื่น ๆ ของการคำนวณแบบอ่อน ได้แก่ ระบบคลุมเคลือ (fuzzy system) การคำนวณเชิงวิวัฒนาการ (evolutionary computation) และวิธีการอื่น ๆ ทางสถิติ
วิธีการทางสถิติ
ในคริสต์ทศวรรษ 1990 นักวิทยาศาสตร์ด้านปัญญาประดิษฐ์ได้พัฒนาเครื่องมือทางคณิตศาสตร์ที่มีประสิทธิภาพในการแก้ไขปัญหาย่อยบางอย่างได้ เครื่องมือเหล่านี้มีความเป็นวิทยาศาสตร์มากในแง่ที่ว่า ผลสามารถวัดและประเมินได้อย่างชัดเจน จนเป็นหัวใจสำคัญของปัญญาประดิษฐ์ในยุคหลังนี้ เนื่องจากวิธีการนี้ตั้งอยู่บนพื้นฐานของคณิตศาสตร์ จึงนำไปปรับใช้หรือพัฒนาร่วมกับหลักการในสาขาอื่น ๆ ได้ง่าย เช่น คณิตศาสตร์ เศรษฐศาสตร์ หรือการวิจัยดำเนินการ นักวิทยาศาสตร์ชื่อสจวร์ต รัสเซลล์และปีเตอร์ นอร์วิกอธิบายวิธีการนี้ไว้ว่าเป็น "การปฏิวัติ" และ "ความสำเร็จของความเป็นระเบียบ" อย่างไรก็ตาม ก็มีหลายคนที่ไม่เห็นด้วยกับเทคนิคเหล่านี้โดยชี้ว่า เทคนิคเหล่านี้มีความเฉพาะเจาะจงกับบางปัญหามากเกินไป และไม่สามารถบรรลุเป้าหมายระยะยาวในการสร้างความฉลาดทั่วไปได้ ปัจจุบันยังมีการถกเถียงกันอยู่เรื่องความเกี่ยวข้องและความถูกต้องของการใช้หลักการทางสถิติกับปัญญาประดิษฐ์ เช่น การถกเถียงกันระหว่างปีเตอร์ นอร์วิกกับโนม ชัมสกี
วิธีผสมผสาน
เอเยนต์ทรงปัญญา คือ ระบบที่สามารถรับรู้สิ่งแวดล้อมรอบข้างได้และเลือกปฏิบติตามวิธีที่มีโอกาสประสบความสำเร็จมากที่สุด เอเยนต์ทรงปัญญาในรูปแบบที่ง่ายที่สุดคือโปรแกรมที่สามารถแก้ไขปัญหาบางอย่างได้ ส่วนเอเยนต์ที่ซับซ้อนกว่านั้นก็ได้แก่มนุษย์และการรวมกลุ่มของมนุษย์ มุมมองนี้ทำให้นักวิจัยสามารถศึกษาปัญหาแบบแยกเฉพาะส่วนและหาคำตอบที่มีประโยชน์และถูกต้องได้โดยไม่ต้องมีเป้าหมายรวมกันเพียงเป้าหมายเดียว เอเยนต์จะต้องแก้ปัญหาเฉพาะอย่างปัญหาหนึ่งได้โดยการใช้วิธีการที่ได้ผล เอเยนต์บางเอเยนต์อาจจะใช้วิธีการทางสัญลักษณ์ หรือบางตัวอาจจะใช้วิธีการทางตรรกะ โครงข่ายประสาทเทียม หรือวิธีการอื่น ๆ แนวความคิดนี้ทำให้นักวิจัยสามารถสื่อสารกับสาขาอื่นได้ ไม่ว่าจะเป็นด้านเศรษฐศาสตร์หรือด้านทฤษฎีการตัดสินใจที่ใช้แนวคิดของเอเยนต์นามธรรมเช่นกัน แนวคิดเรื่องเอเยนต์ทรงปัญญานี้ได้รับการยอมรับเป็นวงกว้างนับตั้งแต่คริสต์ทศวรรษ 1990
นักวิจัยได้ออกแบบระบบเพื่อสร้างระบบฉลาดที่สามาาถติดต่อกับเอเยนต์ได้ผ่านทางระบบเอเยนต์หลายตัว ระบบดังกล่าวมีทั้งส่วนที่เป็นสัญลักษณ์และสัญลักษณ์ย่อย หรือเป็นระบบผสมผสาน (ไฮบริด) และการศึกษาระบบดังกล่าวนี้เรียกว่า การบูรณาการระบบปัญญาประดิษฐ์
เครื่องมือ
หลังจากปัญญาประดิษฐ์ได้มีการพัฒนาอย่างต่อเนื่องมากประมาณ 50 ปี ได้มีการพัฒนาเครื่องมือเพื่อใช้ในการแก้ไขปัญหาที่ยากในทางวิทยาการคอมพิวเตอร์ ตัวอย่างของวิธีการได้แก่
การค้นหาและการหาค่าที่เหมาะที่สุด (search and optimization)
ปัญหาทางปัญญาประดิษฐ์หลาย ๆ ปัญหาถูกแก้ในรูปแบบของทฤษฎีที่ว่าด้วยการค้นหาคำตอบจากคำตอบที่เป็นไปได้หลาย ๆ คำตอบ การให้เหตุผลสามารถเปลี่ยนรูปไปเป็นรูปแบบของการค้นหาได้ ตัวอย่างเช่น การพิสูจน์ทางตรรกะสามารถมองได้ว่าเป็นการค้นหาเส้นทางจากหลักฐานไปสู่ข้อสรุปได้ โดยผ่านขั้นตอนที่เรียกว่า การอนุมาน อัลกอริทึมทางวิทยาการหุ่นยนต์สำหรับการขยับข้อต่อและหยิบจับวัตถุก็ใช้วิธีการค้นหาสิ่งที่อยู่ภายในพื้นที่นั้น ๆ อัลกอริทึมทางด้านการเรียนรู้ของเครื่องหลาย ๆ อันก็ใช้วิธีการค้นหาบนคำตอบที่ดีที่สุด
อย่างไรก็ตาม การค้นหาแบบธรรมดานั้นไม่ค่อยจะเพียงพอสำหรับปัญหาในโลกจริง เพราะส่วนที่จะต้องค้นหานั้นมีขนาดใหญ่มหาศาล ทำให้การค้นหาเป็นไปได้ช้าหรือไม่สามารถทำให้เสร็จได้เลย หนึ่งในวิธีการแก้ปัญหาคือการใช้ค่าฮิวริสติกเพื่อตัดตัวเลือกที่ไม่น่าจะพาไปสู่เป้าหมายได้ (เรียกว่าวิธีการตัดกิ่งในต้นไม้ค้นหา) ค่าฮิวริสติกนี้ทำให้โปรแกรมสามารถเดาได้คร่าว ๆ ว่าเส้นทางไหนที่น่าจะพาไปสู่คำตอบ และช่วยทำให้ขนาดของตัวอย่างที่จะต้องค้นหาเล็กลงด้วย
การค้นหาเริ่มมีบทบาทเด่นชัดในคริสต์ทศวรรษ 1990 โดยใช้ทฤษฎีการหาค่าที่เหมาะสมที่สุดทางคณิตศาสตร์ ปัญหาหลาย ๆ อย่างก็สามารถเริ่มต้นการค้นหาได้ด้วยการเดาบางอย่าง จากนั้นก็ปรับวิธีการเดาไปเรื่อย ๆ จนกระทั่งไม่จำเป็นต้องปรับอีกแล้ว อัลกอริทึมเหล่านี้สามารถเรียกให้เห็นภาพได้ง่าย ๆ ว่าเป็นการปีนเขา โดยเริ่มจากการค้นหาที่จุดสุ่มในที่ราบ จากนั้นก็ค่อย ๆ กระโดดและไต่เขาขึ้นไปเรื่อย ๆ โดยใช้หลักการเดาว่าจุดไหนที่น่าจะทำให้เราปีนเขาขึ้นไป จนกระทั่งในที่สุดเราไปอยู่บนยอดสุดของภูเขา
การคำนวณเชิงวิวัฒนาการก็ใช้หลักการของการหาค้นหาค่าที่เหมาะที่สุดเช่นกัน ตัวอย่างเช่น เราอาจจะเริ่มต้นจากกลุ่มของสิ่งมีชีวิตกลุ่มหนึ่ง (สุ่มมา) จากนั้นก็ทำการวิวัฒนาการและผสมผสาน เลือกเอากลุ่มตัวอย่างที่ดีที่สุดเพื่ออยู่รอดต่อไปในรุ่น (การปรับการค้นหา) การคำนวณเชิงวิวัฒนาการมีหลายวิธี ได้แก่ ความฉลาดแบบกลุ่ม (swarm intelligence) หรือ ขั้นตอนวิธีเชิงวิวัฒนาการ (evolutionary algorithm) เช่น ขั้นตอนวิธีเชิงพันธุกรรม
ตรรกะ (logic)
ในการแทนความรู้และการแก้ปัญหานั้นมีการใช้ตรรกะอย่างมาก แต่ตรรกะก็สามารถประยุกต์ใช้ได้กับปัญญาอื่นได้เช่นกัน เช่น อัลกอริทึม Satplan ก็ใช้ตรรกะในการวางแผน และการเรียนรู้ของเครื่องบางวิธีก็ใช้การโปรแกรมตรรกะเชิงอุปนัย
วิธีทางความน่าจะเป็นและการให้เหตุผลบนความไม่แน่นอน (probabilistic methods for uncertain reasoning)
ปัญหาหลายอย่างทางปัญญาประดิษฐ์ (ในการให้เหตุผล วางแผน เรียนรู้ รับรู้ และหุ่นยนต์) ต้องมีเอเยนต์ที่คอยจัดการกับความไม่สมบูรณ์หรือความไม่แน่นอนของข้อมูล นักวิจัยด้านปัญญาประดิษฐ์ได้คิดค้นเครื่องมือหลายอย่างที่มีประสิทธิภาพเพื่อแก้ไขปัญหาเหล่านี้โดยใช้วิธีทางทฤษฎีความน่าจะเป็นและเศรษฐศาสตร์[3]
เครือข่ายแบบเบย์ เป็นเครื่องมือทั่วไปเครื่องมือหนึ่งที่สามารถใช้แก้ปัญหาได้หลายปัญหา ไม่ว่าจะเป็น การให้เหตุผล (ใช้อัลกอริทึมการอนุมานแบบเบย์) การเรียนรู้ (ใช้อัลกอริทึมหาค่าคาดหวังที่มากที่สุด) การวางแผน (ใช้เครือข่ายการตัดสินใจ) และการรับรู้ (ใช้เครือข่ายแบบเบย์พลวัต) อัลกอริทึมทางความน่าจะเป็นก็สามารถใช้กับการกรอง การทำนาย การปรับให้ราบเรียบ และการหาคำอธิบายสายข้อมูล ช่วยระบบรับรู้ให้สามารถวิเคราะห์กระบวนการต่าง ๆ ที่เกิดขึ้นและเปลี่ยนแปลงตลอดเวลาได้ (เช่น แบบจำลองมาร์คอฟซ่อนเร้น หรือ ตัวกรองคาลมาน)
ในทางเศรษฐศาสตร์ แนวคิดหนึ่งที่ถือเป็นหัวใจหลักคือ ประโยชน์ สำหรับปัญญาประดิษฐ์ เราสามารถนำค่าของประโยชน์มาวัดได้ว่าของบางอย่างจะมีค่าต่อเอเยนต์ทรงปัญญาได้อย่างไร นักวิทยาศาสตร์ได้พัฒนาเครื่องมือคณิตศาสตร์ที่แม่นยำเพื่อวิเคราะห์ว่าเอเยนต์จะตัดสินใจและวางแผนได้อย่างไร โดยใช้วิธีของ Markov เครือข่ายการตัดสินใจแบบพลวัต ทฤษฎีเกม เป็นต้น
การจัดหมวดหมู่และการเรียนรู้ทางสถิติ (classifiers and statistical learning methods)
การประยุกต์ใช้ปัญญาประดิษฐ์ที่ง่ายที่สุด อาจอยู่ในรูปแบบของ การจัดหมวดหมู่ ซึ่งเป็นการทำงานที่ใช้การจับคู่รูปแบบที่พบเข้ากับสิ่งที่ใกล้เคียงที่สุด การจับคู่นั้นขึ้นอยู่กับตัวอย่างที่สอน จึงทำให้เป็นหัวข้อที่น่าสนใจมากในการประยุกต์ใช้ปัญญาประดิษฐ์ ตัวอย่างสอนเหล่านี้อาจจะมาจากการสังเกตการณ์หรือเป็นรูปแบบที่ชัดเจน ในการเรียนรู้แบบมีผู้สอนนั้น รูปแบบแต่ละอย่างจะถูกจัดกำหนดให้อยู่ในประเภทบางประเภทหรือกลุ่มบางกลุ่ม การสำรวจข้อมูลและการระบุข้อมูลให้เข้ากับกลุ่มนั้นเรียกกันว่า เซ็ตข้อมูล เมื่อมีการสำรวจข้อมูลใหม่เข้ามา ข้อมูลใหม่จะถูกจัดกลุ่มตามตัวอย่างที่เคยสอนมาแล้ว
การจัดหมวดหมู่หรือกลุ่มนี้สามารถสอนกันได้หลายแบบ ไม่ว่าจะใช้วิธีการทางสถิติหรือทางการเรียนรู้ของเครื่อง วิธีการที่นิยมใช้ได้แก่ โครงข่ายประสาทเทียม วิธีเคอร์เนล support vector machine ขั้นตอนวิธีการค้นหาเพื่อนบ้านใกล้สุด k ตัว โมเดลผสมแบบเกาส์ การจัดหมวดหมู่แบบเบย์ใหม่ และต้นไม้การตัดสินใจ ประสิทธิภาพของแต่ละเครื่องมือนั้นขึ้นอยู่กับงานที่ทำแต่ละงานและคุณสมบัติของข้อมูลที่เข้ามา โดยทั่วไปแล้ว ไม่มีเครื่องมือใดที่ทำหน้าที่ได้ดีที่สุดบนทุกปัญหา
โครงข่ายประสาทเทียม
การศึกษาโครงข่ายประสาทเทียม[4] เริ่มต้นขึ้นตั้งแต่ก่อนที่จะมีงานวิจัยทางด้านปัญญาประดิษฐ์จากผลงานของวอลเตอร์ พิตต์สและวอร์เรน แม็กคัลลอช นอกจากนี้ยังมีแฟรงก์ โรเซนแบลตต์ที่คิดค้นเพอร์เซปตรอน และพอล เวอร์โบส์ผู้คิดค้นอัลกอริทึมการแพร่กระจายย้อนกลับ
ประเภทของโครงข่ายนี้อาจะแบ่งเป็นแบบไม่เป็นวงวน และแบบเป็นวงวน โครงข่ายประสาทเทียมที่ได้รับความนิยมได้แก่เพอร์เซปตรอน โครงข่ายเพอร์เซปตรอนแบบหลายชั้น และโครงข่ายฟังก์ชันฐานรัศมี โครงข่ายประสาทเทียมสามารถปรับใช้งานได้กับการควบคุมที่ฉลาดเช่นกับหุ่นยนต์ หรือเพื่อการเรียนรู้ของเครื่องด้วยก็ได้เช่นกัน
นอกจากนี้ หากโครงข่ายประสาทเทียมมีความทรงจำเชิงเวลาแล้วก็สามารถจำสร้างแบบจำลองเชิงโครงสร้างและวิธีการของนีโอคอร์เทกซ์ของสมองได้ ซึ่งเป็นแนวคิดที่เป็นที่มาของสาขาการเรียนรู้เชิงลึกที่ได้รับความนิยมมากตั้งแต่กลางศตวรรษที่ 20 เป็นต้นมาจากผลงานของเจฟฟรีย์ ฮินตันและรูสลาน ซาลาคัตดินอฟ
ทฤษฎีควบคุม (control theory)
ทฤษฎีควบคุม เป็นลูกหลานของไซเบอร์เนติกส์ สามารถนำไปประยุกต์ใช้งานได้หลากหลาย โดยเฉพาะในทางวิทยาการหุ่นยนต์
ภาษา (languages)
นักวิจัยทางปัญญาประดิษฐ์ได้พัฒนาภาษาพิเศษสำหรับงานวิจัย เช่น ภาษาลิสป์ และภาษาโปรล็อก
สาขาที่เกี่ยวข้องกับปัญญาประดิษฐ์
สาขาที่มีบทบาทมากในปัจจุบัน
วิทยาการหุ่นยนต์
- การจะสร้างหุ่นยนต์ที่อาศัยอยู่กับมนุษย์ได้จริง ต้องใช้ความรู้ทางปัญญาประดิษฐ์ทั้งหมด นอกจากนั้นยังต้องใช้ความรู้อื่น ๆ ทางเครื่องกล เพื่อสร้างสรีระให้หุ่นยนต์สามารถเคลื่อนไหวได้เช่นเดียวกับมนุษย์
- ในวงการวิทยการหุ่นยนต์ เขาก็ถือว่าปัญญาประดิษฐ์เป็นสาขาของเขาเช่นกัน
ขั้นตอนวิธีเชิงพันธุกรรม
- เป็นการประยุกต์นำแนวความคิดทางด้านการวิวัฒนาการที่มีอยู่ในธรรมชาติ มาใช้ในการแก้ปัญหาทางคณิตศาสตร์และคอมพิวเตอร์
- เป็นขั้นตอนวิธีเชิงสุ่ม (stochastic) (ไม่ได้คำตอบเดิมทุกครั้งที่แก้ปัญหาเดิม)
- มักประยุกต์ใช้ในปัญหาการหาค่าที่เหมาะสมที่สุด (optimization) ที่ไม่สามารถแก้ได้ด้วยวิธีมาตรฐานทางคณิตศาสตร์อย่างมีประสิทธิภาพ
- แนวคิดที่นำเอาหลักการวิวัฒนาการมาใช้นี้ มีรูปแบบอื่นอีกหลายรูปแบบ เช่น การโปรแกรมเชิงพันธุกรรม (genetic programming) และ evolution strategy อย่างไรก็ตามเทคนิคเหล่านี้มีแนวความคิดหลักเหมือนกัน ต่างกันในรายละเอียดปลีกย่อยเท่านั้น
โครงข่ายประสาทเทียม
ชีวิตประดิษฐ์ (artificial life)
- เป็นการศึกษาพฤติกรรมของชีวิตเทียมที่เราออกแบบและสร้างขึ้น
ปัญญาประดิษฐ์แบบกระจาย (distributed artificial intelligence)
สาขาอื่นที่ยังไม่มีบทบาทมากนัก
ความฉลาดแบบกลุ่ม
Artificial being
ดูเพิ่ม
อ้างอิง
หนังสือเรียน AI
The two most widely used textbooks in 2023. (See the Open Syllabus).
- Russell, Stuart J.; Norvig, Peter. (2021). Artificial Intelligence: A Modern Approach (4th ed.). Hoboken: Pearson. ISBN 978-0134610993. LCCN 20190474.
- Rich, Elaine; Knight, Kevin; Nair, Shivashankar B (2010). Artificial Intelligence (ภาษาอังกฤษ) (3rd ed.). New Delhi: Tata McGraw Hill India. ISBN 978-0070087705.
These were the four the most widely used AI textbooks in 2008:
- Luger, George; Stubblefield, William (2004). Artificial Intelligence: Structures and Strategies for Complex Problem Solving (5th ed.). Benjamin/Cummings. ISBN 978-0-8053-4780-7. เก็บจากแหล่งเดิมเมื่อ 26 July 2020. สืบค้นเมื่อ 17 December 2019.
- Nilsson, Nils (1998). Artificial Intelligence: A New Synthesis. Morgan Kaufmann. ISBN 978-1-55860-467-4. เก็บจากแหล่งเดิมเมื่อ 26 July 2020. สืบค้นเมื่อ 18 November 2019.
- Russell, Stuart J.; Norvig, Peter (2003), Artificial Intelligence: A Modern Approach (2nd ed.), Upper Saddle River, New Jersey: Prentice Hall, ISBN 0-13-790395-2
- Poole, David; Mackworth, Alan; Goebel, Randy (1998). Computational Intelligence: A Logical Approach. New York: Oxford University Press. ISBN 978-0-19-510270-3. เก็บจากแหล่งเดิมเมื่อ 26 July 2020. สืบค้นเมื่อ 22 August 2020.
Later editions.
- Poole, David; Mackworth, Alan (2017). Artificial Intelligence: Foundations of Computational Agents (2nd ed.). Cambridge University Press. ISBN 978-1-107-19539-4. เก็บจากแหล่งเดิมเมื่อ 7 December 2017. สืบค้นเมื่อ 6 December 2017.
ประวัติของ AI
- Crevier, Daniel (1993). AI: The Tumultuous Search for Artificial Intelligence. New York, NY: BasicBooks. ISBN 0-465-02997-3.
- McCorduck, Pamela (2004), Machines Who Think (2nd ed.), Natick, MA: A. K. Peters, Ltd., ISBN 1-56881-205-1
- Newquist, HP (1994). The Brain Makers: Genius, Ego, And Greed In The Quest For Machines That Think. New York: Macmillan/SAMS. ISBN 978-0-672-30412-5.
- Nilsson, Nils (2009). The Quest for Artificial Intelligence: A History of Ideas and Achievements. New York: Cambridge University Press. ISBN 978-0-521-12293-1.
แหล่งที่มาอื่น
- Nicas, Jack (February 7, 2018). "How YouTube Drives People to the Internet's Darkest Corners". The Wall Street Journal (ภาษาอังกฤษแบบอเมริกัน). ISSN 0099-9660. สืบค้นเมื่อ June 16, 2018.
- Williams, Rhiannon (June 28, 2023), "Humans may be more likely to believe disinformation generated by AI", MIT Technology Review
- Metz, Cade (May 4, 2023). "'The Godfather of A.I.' Quits Google and Warns of Danger Ahead". The New York Times. เก็บจากแหล่งเดิมเมื่อ July 1, 2023.
- Valinsky, Jordan (April 11, 2019), "Amazon reportedly employs thousands of people to listen to your Alexa conversations", CNN.com
- Vincent, James (15 November 2022). "The scary truth about AI copyright is nobody knows what will happen next". The Verge. เก็บจากแหล่งเดิมเมื่อ 19 June 2023. สืบค้นเมื่อ 19 June 2023.
- Reisner, Alex (August 19, 2023), "Revealed: The Authors Whose Pirated Books are Powering Generative AI", The Atlantic
- Alter, Alexandra; Harris, Elizabeth A. (September 20, 2023), "Franzen, Grisham and Other Prominent Authors Sue OpenAI", The New York Times
- Simonite, Tom (March 31, 2016). "How Google Plans to Solve Artificial Intelligence". MIT Technology Review.
- Harari, Yuval Noah (2023). "AI and the future of humanity". YouTube.
- Valance, Christ (30 May 2023). "Artificial intelligence could lead to extinction, experts warn". BBC News. เก็บจากแหล่งเดิมเมื่อ 17 June 2023. สืบค้นเมื่อ 18 June 2023.
- Urbina, Fabio; Lentzos, Filippa; Invernizzi, Cédric; Ekins, Sean (7 March 2022). "Dual use of artificial-intelligence-powered drug discovery". Nature Machine Intelligence. 4 (3): 189–191. doi:10.1038/s42256-022-00465-9. PMC 9544280. PMID 36211133. S2CID 247302391.
- Rose, Steve (11 July 2023). "AI Utopia or dystopia?". The Guardian Weekly. pp. 42–43.
- Grant, Nico; Hill, Kashmir (May 22, 2023). "Google's Photo App Still Can't Find Gorillas. And Neither Can Apple's". The New York Times.
- Berdahl, Carl Thomas; Baker, Lawrence; Mann, Sean; Osoba, Osonde; Girosi, Federico (7 February 2023). "Strategies to Improve the Impact of Artificial Intelligence on Health Equity: Scoping Review". JMIR AI (ภาษาอังกฤษ). 2: e42936. doi:10.2196/42936. ISSN 2817-1705. S2CID 256681439. เก็บจากแหล่งเดิมเมื่อ 21 February 2023. สืบค้นเมื่อ 21 February 2023.
- Dockrill, Peter (27 June 2022), "Robots With Flawed AI Make Sexist And Racist Decisions, Experiment Shows", Science Alert, คลังข้อมูลเก่าเก็บจากแหล่งเดิมเมื่อ 27 June 2022
- Ustun, B.; Rudin, C. (2016). "Supersparse linear integer models for optimized medical scoring systems". Machine Learning. 102 (3): 349–391. doi:10.1007/s10994-015-5528-6. S2CID 207211836.
- Schmidhuber, Jürgen (2022). "Annotated History of Modern AI and Deep Learning".
- Chen, Stephen (25 March 2023). "Artificial intelligence, immune to fear or favour, is helping to make China's foreign policy | South China Morning Post". คลังข้อมูลเก่าเก็บจากแหล่งเดิมเมื่อ 25 March 2023. สืบค้นเมื่อ 26 March 2023.
- Vogels, Emily A. (24 May 2023). "A majority of Americans have heard of ChatGPT, but few have tried it themselves". Pew Research Center. เก็บจากแหล่งเดิมเมื่อ 8 June 2023. สืบค้นเมื่อ 15 June 2023.
- Kobielus, James (27 November 2019). "GPUs Continue to Dominate the AI Accelerator Market for Now". InformationWeek (ภาษาอังกฤษ). เก็บจากแหล่งเดิมเมื่อ 19 October 2021. สืบค้นเมื่อ 11 June 2020.
- Gertner, Jon (18 July 2023). "Wikipedia's Moment of Truth – Can the online encyclopedia help teach A.I. chatbots to get their facts right — without destroying itself in the process? + comment". The New York Times. คลังข้อมูลเก่าเก็บจากแหล่งเดิมเมื่อ 18 July 2023. สืบค้นเมื่อ 19 July 2023.
{{cite news}}
: CS1 maint: bot: original URL status unknown (ลิงก์) CS1 maint: date and year (ลิงก์) - Hornik, Kurt; Stinchcombe, Maxwell; White, Halbert (1989). Multilayer Feedforward Networks are Universal Approximators (PDF). Neural Networks. Vol. 2. Pergamon Press. pp. 359–366.
- Cybenko, G. (1988). Continuous valued neural networks with two hidden layers are sufficient (Report). Department of Computer Science, Tufts University.
- Good, I. J. (1965), Speculations Concerning the First Ultraintelligent Machine
- Wong, Matteo (19 May 2023), "ChatGPT Is Already Obsolete", The Atlantic
- Christian, Brian (2020). The Alignment Problem: Machine learning and human values. W. W. Norton & Company. ISBN 978-0-393-86833-3. OCLC 1233266753.
- DiFeliciantonio, Chase (3 April 2023). "AI has already changed the world. This report shows how". San Francisco Chronicle. เก็บจากแหล่งเดิมเมื่อ 19 June 2023. สืบค้นเมื่อ 19 June 2023.
- Goswami, Rohan (5 April 2023). "Here's where the A.I. jobs are". CNBC (ภาษาอังกฤษ). เก็บจากแหล่งเดิมเมื่อ 19 June 2023. สืบค้นเมื่อ 19 June 2023.
- Nilsson, Nils (1995), "Eyes on the Prize", AI Magazine, vol. 16, pp. 9–17
- McCarthy, John (2007), "From Here to Human-Level AI", Artificial Intelligence: 171
- Beal, J.; Winston, Patrick (2009), "The New Frontier of Human-Level Artificial Intelligence", IEEE Intelligent Systems, 24: 21–24, doi:10.1109/MIS.2009.75, hdl:1721.1/52357, S2CID 32437713
- Bushwick, Sophie (16 March 2023), "What the New GPT-4 AI Can Do", Scientific American
- Mitchell, Tom (1997), Machine Learning, McGraw Hill, ISBN 0070428077
- McGaughey, E (2022), Will Robots Automate Your Job Away? Full Employment, Basic Income, and Economic Democracy, p. 51(3) Industrial Law Journal 511–559, doi:10.2139/ssrn.3044448, S2CID 219336439, SSRN 3044448, เก็บจากแหล่งเดิมเมื่อ 31 January 2021, สืบค้นเมื่อ 27 May 2023
- McCarthy, John (1999), What is AI?, เก็บจากแหล่งเดิมเมื่อ 4 December 2022, สืบค้นเมื่อ 4 December 2022
- Werbos, P. J. (1988), "Generalization of backpropagation with application to a recurrent gas market model", Neural Networks, 1 (4): 339–356, doi:10.1016/0893-6080(88)90007-X, เก็บจากแหล่งเดิมเมื่อ 29 October 2021, สืบค้นเมื่อ 29 September 2021
- Gers, Felix A.; Schraudolph, Nicol N.; Schraudolph, Jürgen (2002). "Learning Precise Timing with LSTM Recurrent Networks" (PDF). Journal of Machine Learning Research. 3: 115–143. เก็บ (PDF)จากแหล่งเดิมเมื่อ 9 October 2022. สืบค้นเมื่อ 13 June 2017.
- Deng, L.; Yu, D. (2014). "Deep Learning: Methods and Applications" (PDF). Foundations and Trends in Signal Processing. 7 (3–4): 1–199. doi:10.1561/2000000039. เก็บ (PDF)จากแหล่งเดิมเมื่อ 14 March 2016. สืบค้นเมื่อ 18 October 2014.
- Schulz, Hannes; Behnke, Sven (1 November 2012). "Deep Learning". KI – Künstliche Intelligenz (ภาษาอังกฤษ). 26 (4): 357–363. doi:10.1007/s13218-012-0198-z. ISSN 1610-1987. S2CID 220523562.
- Fukushima, K. (2007). "Neocognitron". Scholarpedia. 2 (1): 1717. Bibcode:2007SchpJ...2.1717F. doi:10.4249/scholarpedia.1717. was introduced by Kunihiko Fukushima in 1980.
- Habibi, Aghdam, Hamed (2017). Guide to convolutional neural networks : a practical application to traffic-sign detection and classification. Heravi, Elnaz Jahani. Cham, Switzerland. ISBN 978-3319575490. OCLC 987790957.
- Ciresan, D.; Meier, U.; Schmidhuber, J. (2012). "Multi-column deep neural networks for image classification". 2012 IEEE Conference on Computer Vision and Pattern Recognition. pp. 3642–3649. arXiv:1202.2745. doi:10.1109/cvpr.2012.6248110. ISBN 978-1-4673-1228-8. S2CID 2161592.
- "From not working to neural networking". The Economist. 2016. เก็บจากแหล่งเดิมเมื่อ 31 December 2016. สืบค้นเมื่อ 26 April 2018.
- Thompson, Derek (23 January 2014). "What Jobs Will the Robots Take?". The Atlantic. เก็บจากแหล่งเดิมเมื่อ 24 April 2018. สืบค้นเมื่อ 24 April 2018.
- Scassellati, Brian (2002). "Theory of mind for a humanoid robot". Autonomous Robots. 12 (1): 13–24. doi:10.1023/A:1013298507114. S2CID 1979315.
- Sample, Ian (14 March 2017a). "Google's DeepMind makes AI program that can learn like a human". The Guardian. เก็บจากแหล่งเดิมเมื่อ 26 April 2018. สืบค้นเมื่อ 26 April 2018.
- Sample, Ian (5 November 2017b). "Computer says no: why making AIs fair, accountable and transparent is crucial". The Guardian (ภาษาอังกฤษ). สืบค้นเมื่อ 30 January 2018.
- Heath, Nick (11 December 2020). "What is AI? Everything you need to know about Artificial Intelligence". ZDNet (ภาษาอังกฤษ). เก็บจากแหล่งเดิมเมื่อ 2 March 2021. สืบค้นเมื่อ 1 March 2021.
- Bowling, Michael; Burch, Neil; Johanson, Michael; Tammelin, Oskari (9 January 2015). "Heads-up limit hold'em poker is solved". Science (ภาษาอังกฤษ). 347 (6218): 145–149. Bibcode:2015Sci...347..145B. doi:10.1126/science.1259433. ISSN 0036-8075. PMID 25574016. S2CID 3796371. เก็บจากแหล่งเดิมเมื่อ 1 August 2022. สืบค้นเมื่อ 30 June 2022.
- Solly, Meilan (15 July 2019). "This Poker-Playing A.I. Knows When to Hold 'Em and When to Fold 'Em". Smithsonian. เก็บจากแหล่งเดิมเมื่อ 26 September 2021. สืบค้นเมื่อ 1 October 2021.
- "Artificial intelligence: Google's AlphaGo beats Go master Lee Se-dol". BBC News. 12 March 2016. เก็บจากแหล่งเดิมเมื่อ 26 August 2016. สืบค้นเมื่อ 1 October 2016.
- Rowinski, Dan (15 January 2013). "Virtual Personal Assistants & The Future Of Your Smartphone [Infographic]". ReadWrite. เก็บจากแหล่งเดิมเมื่อ 22 December 2015.
- Manyika, James (2022). "Getting AI Right: Introductory Notes on AI & Society". Daedalus. 151 (2): 5–27. doi:10.1162/daed_e_01897. S2CID 248377878. เก็บจากแหล่งเดิมเมื่อ 5 May 2022. สืบค้นเมื่อ 5 May 2022.
- Markoff, John (16 February 2011). "Computer Wins on 'Jeopardy!': Trivial, It's Not". The New York Times. เก็บจากแหล่งเดิมเมื่อ 22 October 2014. สืบค้นเมื่อ 25 October 2014.
- Anadiotis, George (1 October 2020). "The state of AI in 2020: Democratization, industrialization, and the way to artificial general intelligence". ZDNet (ภาษาอังกฤษ). เก็บจากแหล่งเดิมเมื่อ 15 March 2021. สืบค้นเมื่อ 1 March 2021.
- Goertzel, Ben; Lian, Ruiting; Arel, Itamar; de Garis, Hugo; Chen, Shuo (December 2010). "A world survey of artificial brain projects, Part II: Biologically inspired cognitive architectures". Neurocomputing. 74 (1–3): 30–49. doi:10.1016/j.neucom.2010.08.012.
- Robinson, A. J.; Fallside, F. (1987), "The utility driven dynamic error propagation network.", Technical Report CUED/F-INFENG/TR.1, Cambridge University Engineering Department
- Hochreiter, Sepp (1991). Untersuchungen zu dynamischen neuronalen Netzen (PDF) (วิทยานิพนธ์ diploma). Munich: Institut f. Informatik, Technische Univ. คลังข้อมูลเก่าเก็บจากแหล่งเดิม (PDF)เมื่อ 6 March 2015. สืบค้นเมื่อ 16 April 2016.
- Williams, R. J.; Zipser, D. (1994), "Gradient-based learning algorithms for recurrent networks and their computational complexity", Back-propagation: Theory, Architectures and Applications, Hillsdale, NJ: Erlbaum
- Hochreiter, Sepp; Schmidhuber, Jürgen (1997), "Long Short-Term Memory", Neural Computation, 9 (8): 1735–1780, doi:10.1162/neco.1997.9.8.1735, PMID 9377276, S2CID 1915014
- Goodfellow, Ian; Bengio, Yoshua; Courville, Aaron (2016), Deep Learning, MIT Press., คลังข้อมูลเก่าเก็บจากแหล่งเดิมเมื่อ 16 April 2016, สืบค้นเมื่อ 12 November 2017
- Hinton, G.; Deng, L.; Yu, D.; Dahl, G.; Mohamed, A.; Jaitly, N.; Senior, A.; Vanhoucke, V.; Nguyen, P.; Sainath, T.; Kingsbury, B. (2012). "Deep Neural Networks for Acoustic Modeling in Speech Recognition – The shared views of four research groups". IEEE Signal Processing Magazine. 29 (6): 82–97. Bibcode:2012ISPM...29...82H. doi:10.1109/msp.2012.2205597. S2CID 206485943.
- Schmidhuber, J. (2015). "Deep Learning in Neural Networks: An Overview". Neural Networks. 61: 85–117. arXiv:1404.7828. doi:10.1016/j.neunet.2014.09.003. PMID 25462637. S2CID 11715509.
- Linnainmaa, Seppo (1970). The representation of the cumulative rounding error of an algorithm as a Taylor expansion of the local rounding errors (วิทยานิพนธ์) (ภาษาฟินแลนด์). Univ. Helsinki, 6–7.|
- Griewank, Andreas (2012). "Who Invented the Reverse Mode of Differentiation? Optimization Stories". Documenta Matematica, Extra Volume ISMP: 389–400.
- Werbos, Paul (1974). Beyond Regression: New Tools for Prediction and Analysis in the Behavioral Sciences (วิทยานิพนธ์ Ph.D.). Harvard University.
- Werbos, Paul (1982). "Beyond Regression: New Tools for Prediction and Analysis in the Behavioral Sciences" (PDF). System Modeling and Optimization. Applications of advances in nonlinear sensitivity analysis. Berlin, Heidelberg: Springer. คลังข้อมูลเก่าเก็บจากแหล่งเดิม (PDF)เมื่อ 14 April 2016. สืบค้นเมื่อ 16 April 2016.
- "What is 'fuzzy logic'? Are there computers that are inherently fuzzy and do not apply the usual binary logic?". Scientific American (ภาษาอังกฤษ). 21 October 1999. เก็บจากแหล่งเดิมเมื่อ 6 May 2018. สืบค้นเมื่อ 5 May 2018.
- Merkle, Daniel; Middendorf, Martin (2013). "Swarm Intelligence". ใน Burke, Edmund K.; Kendall, Graham (บ.ก.). Search Methodologies: Introductory Tutorials in Optimization and Decision Support Techniques (ภาษาอังกฤษ). Springer Science & Business Media. ISBN 978-1-4614-6940-7.
- van der Walt, Christiaan; Bernard, Etienne (2006). "Data characteristics that determine classifier performance" (PDF). คลังข้อมูลเก่าเก็บจากแหล่งเดิม (PDF)เมื่อ 25 March 2009. สืบค้นเมื่อ 5 August 2009.
- Hutter, Marcus (2005). Universal Artificial Intelligence. Berlin: Springer. ISBN 978-3-540-22139-5.
- Howe, J. (November 1994). "Artificial Intelligence at Edinburgh University: a Perspective". เก็บจากแหล่งเดิมเมื่อ 15 May 2007. สืบค้นเมื่อ 30 August 2007.
- Galvan, Jill (1 January 1997). "Entering the Posthuman Collective in Philip K. Dick's "Do Androids Dream of Electric Sheep?"". Science Fiction Studies. 24 (3): 413–429. JSTOR 4240644.
- McCauley, Lee (2007). "AI armageddon and the three laws of robotics". Ethics and Information Technology. 9 (2): 153–164. CiteSeerX 10.1.1.85.8904. doi:10.1007/s10676-007-9138-2. S2CID 37272949.
- Buttazzo, G. (July 2001). "Artificial consciousness: Utopia or real possibility?". Computer. 34 (7): 24–30. doi:10.1109/2.933500.
- Anderson, Susan Leigh (2008). "Asimov's "three laws of robotics" and machine metaethics". AI & Society. 22 (4): 477–493. doi:10.1007/s00146-007-0094-5. S2CID 1809459.
- Yudkowsky, E (2008), "Artificial Intelligence as a Positive and Negative Factor in Global Risk" (PDF), Global Catastrophic Risks, Oxford University Press, 2008, Bibcode:2008gcr..book..303Y, เก็บ (PDF)จากแหล่งเดิมเมื่อ 19 October 2013, สืบค้นเมื่อ 24 September 2021
- IGM Chicago (30 June 2017). "Robots and Artificial Intelligence". www.igmchicago.org. เก็บจากแหล่งเดิมเมื่อ 1 May 2019. สืบค้นเมื่อ 3 July 2019.
- Lohr, Steve (2017). "Robots Will Take Jobs, but Not as Fast as Some Fear, New Report Says". The New York Times. เก็บจากแหล่งเดิมเมื่อ 14 January 2018. สืบค้นเมื่อ 13 January 2018.
- Frey, Carl Benedikt; Osborne, Michael A (1 January 2017). "The future of employment: How susceptible are jobs to computerisation?". Technological Forecasting and Social Change. 114: 254–280. CiteSeerX 10.1.1.395.416. doi:10.1016/j.techfore.2016.08.019. ISSN 0040-1625.
- Arntz, Melanie; Gregory, Terry; Zierahn, Ulrich (2016), "The risk of automation for jobs in OECD countries: A comparative analysis", OECD Social, Employment, and Migration Working Papers 189
- Morgenstern, Michael (9 May 2015). "Automation and anxiety". The Economist. เก็บจากแหล่งเดิมเมื่อ 12 January 2018. สืบค้นเมื่อ 13 January 2018.
- Mahdawi, Arwa (26 June 2017). "What jobs will still be around in 20 years? Read this to prepare your future". The Guardian. เก็บจากแหล่งเดิมเมื่อ 14 January 2018. สืบค้นเมื่อ 13 January 2018.
- Rubin, Charles (Spring 2003). "Artificial Intelligence and Human Nature". The New Atlantis. 1: 88–100. คลังข้อมูลเก่าเก็บจากแหล่งเดิมเมื่อ 11 June 2012.
- Bostrom, Nick (2014). Superintelligence: Paths, Dangers, Strategies. Oxford University Press.
- Brooks, Rodney (10 November 2014). "artificial intelligence is a tool, not a threat". คลังข้อมูลเก่าเก็บจากแหล่งเดิมเมื่อ 12 November 2014.
- Sainato, Michael (19 August 2015). "Stephen Hawking, Elon Musk, and Bill Gates Warn About Artificial Intelligence". Observer. เก็บจากแหล่งเดิมเมื่อ 30 October 2015. สืบค้นเมื่อ 30 October 2015.
- Harari, Yuval Noah (October 2018). "Why Technology Favors Tyranny". The Atlantic. เก็บจากแหล่งเดิมเมื่อ 25 September 2021. สืบค้นเมื่อ 23 September 2021.
- Robitzski, Dan (5 September 2018). "Five experts share what scares them the most about AI". เก็บจากแหล่งเดิมเมื่อ 8 December 2019. สืบค้นเมื่อ 8 December 2019.
- Goffrey, Andrew (2008). "Algorithm". ใน Fuller, Matthew (บ.ก.). Software studies: a lexicon. Cambridge, Mass.: MIT Press. pp. 15–20. ISBN 978-1-4356-4787-9.
- Lipartito, Kenneth (6 January 2011), The Narrative and the Algorithm: Genres of Credit Reporting from the Nineteenth Century to Today (PDF) (Unpublished manuscript), doi:10.2139/ssrn.1736283, S2CID 166742927, เก็บ (PDF)จากแหล่งเดิมเมื่อ 9 October 2022
- Goodman, Bryce; Flaxman, Seth (2017). "EU regulations on algorithmic decision-making and a 'right to explanation'". AI Magazine. 38 (3): 50. arXiv:1606.08813. doi:10.1609/aimag.v38i3.2741. S2CID 7373959.
- CNA (12 January 2019). "Commentary: Bad news. Artificial intelligence is biased". CNA (ภาษาอังกฤษ). เก็บจากแหล่งเดิมเมื่อ 12 January 2019. สืบค้นเมื่อ 19 June 2020.
- Larson, Jeff; Angwin, Julia (23 May 2016). "How We Analyzed the COMPAS Recidivism Algorithm". ProPublica (ภาษาอังกฤษ). เก็บจากแหล่งเดิมเมื่อ 29 April 2019. สืบค้นเมื่อ 19 June 2020.
- Müller, Vincent C.; Bostrom, Nick (2014). "Future Progress in Artificial Intelligence: A Poll Among Experts" (PDF). AI Matters. 1 (1): 9–11. doi:10.1145/2639475.2639478. S2CID 8510016. เก็บ (PDF)จากแหล่งเดิมเมื่อ 15 January 2016.
- Cellan-Jones, Rory (2 December 2014). "Stephen Hawking warns artificial intelligence could end mankind". BBC News. เก็บจากแหล่งเดิมเมื่อ 30 October 2015. สืบค้นเมื่อ 30 October 2015.
- Rawlinson, Kevin (29 January 2015). "Microsoft's Bill Gates insists AI is a threat". BBC News. เก็บจากแหล่งเดิมเมื่อ 29 January 2015. สืบค้นเมื่อ 30 January 2015.
- Holley, Peter (28 January 2015). "Bill Gates on dangers of artificial intelligence: 'I don't understand why some people are not concerned'". The Washington Post. ISSN 0190-8286. เก็บจากแหล่งเดิมเมื่อ 30 October 2015. สืบค้นเมื่อ 30 October 2015.
- Gibbs, Samuel (27 October 2014). "Elon Musk: artificial intelligence is our biggest existential threat". The Guardian. เก็บจากแหล่งเดิมเมื่อ 30 October 2015. สืบค้นเมื่อ 30 October 2015.
- Bostrom, Nick (2015). "What happens when our computers get smarter than we are?". TED (conference). เก็บจากแหล่งเดิมเมื่อ 25 July 2020. สืบค้นเมื่อ 30 January 2020.
- Thibodeau, Patrick (25 March 2019). "Oracle CEO Mark Hurd sees no reason to fear ERP AI". SearchERP (ภาษาอังกฤษ). เก็บจากแหล่งเดิมเมื่อ 6 May 2019. สืบค้นเมื่อ 6 May 2019.
- Bhardwaj, Prachi (24 May 2018). "Mark Zuckerberg responds to Elon Musk's paranoia about AI: 'AI is going to... help keep our communities safe.'". Business Insider. เก็บจากแหล่งเดิมเมื่อ 6 May 2019. สืบค้นเมื่อ 6 May 2019.
- Geist, Edward Moore (9 August 2015). "Is artificial intelligence really an existential threat to humanity?". Bulletin of the Atomic Scientists. เก็บจากแหล่งเดิมเมื่อ 30 October 2015. สืบค้นเมื่อ 30 October 2015.
- Madrigal, Alexis C. (27 February 2015). "The case against killer robots, from a guy actually working on artificial intelligence". Fusion.net. เก็บจากแหล่งเดิมเมื่อ 4 February 2016. สืบค้นเมื่อ 31 January 2016.
- Lee, Timothy B. (22 August 2014). "Will artificial intelligence destroy humanity? Here are 5 reasons not to worry". Vox. เก็บจากแหล่งเดิมเมื่อ 30 October 2015. สืบค้นเมื่อ 30 October 2015.
- Law Library of Congress (U.S.). Global Legal Research Directorate, issuing body. (2019). Regulation of artificial intelligence in selected jurisdictions. LCCN 2019668143. OCLC 1110727808.
- Berryhill, Jamie; Heang, Kévin Kok; Clogher, Rob; McBride, Keegan (2019). Hello, World: Artificial Intelligence and its Use in the Public Sector (PDF). Paris: OECD Observatory of Public Sector Innovation. เก็บ (PDF)จากแหล่งเดิมเมื่อ 20 December 2019. สืบค้นเมื่อ 9 August 2020.
- Barfield, Woodrow; Pagallo, Ugo (2018). Research handbook on the law of artificial intelligence. Cheltenham, UK. ISBN 978-1-78643-904-8. OCLC 1039480085.
- Iphofen, Ron; Kritikos, Mihalis (3 January 2019). "Regulating artificial intelligence and robotics: ethics by design in a digital society". Contemporary Social Science. 16 (2): 170–184. doi:10.1080/21582041.2018.1563803. ISSN 2158-2041. S2CID 59298502.
- Wirtz, Bernd W.; Weyerer, Jan C.; Geyer, Carolin (24 July 2018). "Artificial Intelligence and the Public Sector – Applications and Challenges". International Journal of Public Administration. 42 (7): 596–615. doi:10.1080/01900692.2018.1498103. ISSN 0190-0692. S2CID 158829602. เก็บจากแหล่งเดิมเมื่อ 18 August 2020. สืบค้นเมื่อ 22 August 2020.
- Buiten, Miriam C (2019). "Towards Intelligent Regulation of Artificial Intelligence". European Journal of Risk Regulation. 10 (1): 41–59. doi:10.1017/err.2019.8. ISSN 1867-299X.
- Wallach, Wendell (2010). Moral Machines. Oxford University Press.
- Brown, Eileen (5 November 2019). "Half of Americans do not believe deepfake news could target them online". ZDNet (ภาษาอังกฤษ). เก็บจากแหล่งเดิมเมื่อ 6 November 2019. สืบค้นเมื่อ 3 December 2019.
- Frangoul, Anmar (14 June 2019). "A Californian business is using A.I. to change the way we think about energy storage". CNBC (ภาษาอังกฤษ). เก็บจากแหล่งเดิมเมื่อ 25 July 2020. สืบค้นเมื่อ 5 November 2019.
- "The Economist Explains: Why firms are piling into artificial intelligence". The Economist. 31 March 2016. เก็บจากแหล่งเดิมเมื่อ 8 May 2016. สืบค้นเมื่อ 19 May 2016.
- Lohr, Steve (28 February 2016). "The Promise of Artificial Intelligence Unfolds in Small Steps". The New York Times. เก็บจากแหล่งเดิมเมื่อ 29 February 2016. สืบค้นเมื่อ 29 February 2016.
- Smith, Mark (22 July 2016). "So you think you chose to read this article?". BBC News. เก็บจากแหล่งเดิมเมื่อ 25 July 2016.
- Aletras, N.; Tsarapatsanis, D.; Preotiuc-Pietro, D.; Lampos, V. (2016). "Predicting judicial decisions of the European Court of Human Rights: a Natural Language Processing perspective". PeerJ Computer Science. 2: e93. doi:10.7717/peerj-cs.93.
- Cadena, Cesar; Carlone, Luca; Carrillo, Henry; Latif, Yasir; Scaramuzza, Davide; Neira, Jose; Reid, Ian; Leonard, John J. (December 2016). "Past, Present, and Future of Simultaneous Localization and Mapping: Toward the Robust-Perception Age". IEEE Transactions on Robotics. 32 (6): 1309–1332. arXiv:1606.05830. doi:10.1109/TRO.2016.2624754. S2CID 2596787.
- Cambria, Erik; White, Bebo (May 2014). "Jumping NLP Curves: A Review of Natural Language Processing Research [Review Article]". IEEE Computational Intelligence Magazine. 9 (2): 48–57. doi:10.1109/MCI.2014.2307227. S2CID 206451986.
- Vincent, James (7 November 2019). "OpenAI has published the text-generating AI it said was too dangerous to share". The Verge (ภาษาอังกฤษ). เก็บจากแหล่งเดิมเมื่อ 11 June 2020. สืบค้นเมื่อ 11 June 2020.
- Jordan, M. I.; Mitchell, T. M. (16 July 2015). "Machine learning: Trends, perspectives, and prospects". Science. 349 (6245): 255–260. Bibcode:2015Sci...349..255J. doi:10.1126/science.aaa8415. PMID 26185243. S2CID 677218.
- Maschafilm (2010). "Content: Plug & Pray Film – Artificial Intelligence – Robots". plugandpray-film.de. เก็บจากแหล่งเดิมเมื่อ 12 February 2016.
- Evans, Woody (2015). "Posthuman Rights: Dimensions of Transhuman Worlds". Teknokultura. 12 (2). doi:10.5209/rev_TK.2015.v12.n2.49072.
- Waddell, Kaveh (2018). "Chatbots Have Entered the Uncanny Valley". The Atlantic. เก็บจากแหล่งเดิมเมื่อ 24 April 2018. สืบค้นเมื่อ 24 April 2018.
- Poria, Soujanya; Cambria, Erik; Bajpai, Rajiv; Hussain, Amir (September 2017). "A review of affective computing: From unimodal analysis to multimodal fusion". Information Fusion. 37: 98–125. doi:10.1016/j.inffus.2017.02.003. hdl:1893/25490. S2CID 205433041. เก็บจากแหล่งเดิมเมื่อ 23 March 2023. สืบค้นเมื่อ 27 April 2021.
- "Robots could demand legal rights". BBC News. 21 December 2006. เก็บจากแหล่งเดิมเมื่อ 15 October 2019. สืบค้นเมื่อ 3 February 2011.
- Horst, Steven (2005). "The Computational Theory of Mind". The Stanford Encyclopedia of Philosophy. เก็บจากแหล่งเดิมเมื่อ 6 March 2016. สืบค้นเมื่อ 7 March 2016.
- Omohundro, Steve (2008). The Nature of Self-Improving Artificial Intelligence. presented and distributed at the 2007 Singularity Summit, San Francisco, CA.
- Ford, Martin; Colvin, Geoff (6 September 2015). "Will robots create more jobs than they destroy?". The Guardian. เก็บจากแหล่งเดิมเมื่อ 16 June 2018. สืบค้นเมื่อ 13 January 2018.
- White Paper: On Artificial Intelligence – A European approach to excellence and trust (PDF). Brussels: European Commission. 2020. เก็บ (PDF)จากแหล่งเดิมเมื่อ 20 February 2020. สืบค้นเมื่อ 20 February 2020.
- Anderson, Michael; Anderson, Susan Leigh (2011). Machine Ethics. Cambridge University Press.
- "Machine Ethics". aaai.org. คลังข้อมูลเก่าเก็บจากแหล่งเดิมเมื่อ 29 November 2014.
- Russell, Stuart (2019). Human Compatible: Artificial Intelligence and the Problem of Control. United States: Viking. ISBN 978-0-525-55861-3. OCLC 1083694322.
- "AI set to exceed human brain power". CNN. 9 August 2006. เก็บจากแหล่งเดิมเมื่อ 19 February 2008.
- "Robots could demand legal rights". BBC News. 21 December 2006. เก็บจากแหล่งเดิมเมื่อ 15 October 2019. สืบค้นเมื่อ 3 February 2011.
- "Kismet". MIT Artificial Intelligence Laboratory, Humanoid Robotics Group. เก็บจากแหล่งเดิมเมื่อ 17 October 2014. สืบค้นเมื่อ 25 October 2014.
- Smoliar, Stephen W.; Zhang, HongJiang (1994). "Content based video indexing and retrieval". IEEE MultiMedia. 1 (2): 62–72. doi:10.1109/93.311653. S2CID 32710913.
- Neumann, Bernd; Möller, Ralf (January 2008). "On scene interpretation with description logics". Image and Vision Computing. 26 (1): 82–101. doi:10.1016/j.imavis.2007.08.013. S2CID 10767011.
- Kuperman, G. J.; Reichley, R. M.; Bailey, T. C. (1 July 2006). "Using Commercial Knowledge Bases for Clinical Decision Support: Opportunities, Hurdles, and Recommendations". Journal of the American Medical Informatics Association. 13 (4): 369–371. doi:10.1197/jamia.M2055. PMC 1513681. PMID 16622160.
- McGarry, Ken (1 December 2005). "A survey of interestingness measures for knowledge discovery". The Knowledge Engineering Review. 20 (1): 39–61. doi:10.1017/S0269888905000408. S2CID 14987656.
- Bertini, M; Del Bimbo, A; Torniai, C (2006). "Automatic annotation and semantic retrieval of video sequences using multimedia ontologies". MM '06 Proceedings of the 14th ACM international conference on Multimedia. 14th ACM international conference on Multimedia. Santa Barbara: ACM. pp. 679–682.
- Kahneman, Daniel (2011). Thinking, Fast and Slow. Macmillan. ISBN 978-1-4299-6935-2. เก็บจากแหล่งเดิมเมื่อ 15 March 2023. สืบค้นเมื่อ 8 April 2012.
- Turing, Alan (1948), "Machine Intelligence", ใน Copeland, B. Jack (บ.ก.), The Essential Turing: The ideas that gave birth to the computer age, Oxford: Oxford University Press, p. 412, ISBN 978-0-19-825080-7
- Domingos, Pedro (2015). The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World. Basic Books. ISBN 978-0465065707.
- Minsky, Marvin (1986), The Society of Mind, Simon and Schuster
- Pinker, Steven (2007) [1994], The Language Instinct, Perennial Modern Classics, Harper, ISBN 978-0-06-133646-1
- Chalmers, David (1995). "Facing up to the problem of consciousness". Journal of Consciousness Studies. 2 (3): 200–219. เก็บจากแหล่งเดิมเมื่อ 8 March 2005. สืบค้นเมื่อ 11 October 2018.
- Roberts, Jacob (2016). "Thinking Machines: The Search for Artificial Intelligence". Distillations. Vol. 2 no. 2. pp. 14–23. คลังข้อมูลเก่าเก็บจากแหล่งเดิมเมื่อ 19 August 2018. สืบค้นเมื่อ 20 March 2018.
- Pennachin, C.; Goertzel, B. (2007). "Contemporary Approaches to Artificial General Intelligence". Artificial General Intelligence. Cognitive Technologies. Berlin, Heidelberg: Springer. pp. 1–30. doi:10.1007/978-3-540-68677-4_1. ISBN 978-3-540-23733-4.
- "Ask the AI experts: What's driving today's progress in AI?". McKinsey & Company. เก็บจากแหล่งเดิมเมื่อ 13 April 2018. สืบค้นเมื่อ 13 April 2018.
- Ransbotham, Sam; Kiron, David; Gerbert, Philipp; Reeves, Martin (6 September 2017). "Reshaping Business With Artificial Intelligence". MIT Sloan Management Review. เก็บจากแหล่งเดิมเมื่อ 19 May 2018. สืบค้นเมื่อ 2 May 2018.
- Lorica, Ben (18 December 2017). "The state of AI adoption". O'Reilly Media. เก็บจากแหล่งเดิมเมื่อ 2 May 2018. สืบค้นเมื่อ 2 May 2018.
- "AlphaGo – Google DeepMind". เก็บจากแหล่งเดิมเมื่อ 10 March 2016.
- Asada, M.; Hosoda, K.; Kuniyoshi, Y.; Ishiguro, H.; Inui, T.; Yoshikawa, Y.; Ogino, M.; Yoshida, C. (2009). "Cognitive developmental robotics: a survey". IEEE Transactions on Autonomous Mental Development. 1 (1): 12–34. doi:10.1109/tamd.2009.2021702. S2CID 10168773.
- Berlinski, David (2000). The Advent of the Algorithm. Harcourt Books. ISBN 978-0-15-601391-8. OCLC 46890682. เก็บจากแหล่งเดิมเมื่อ 26 July 2020. สืบค้นเมื่อ 22 August 2020.
- Brooks, Rodney (1990). "Elephants Don't Play Chess" (PDF). Robotics and Autonomous Systems. 6 (1–2): 3–15. CiteSeerX 10.1.1.588.7539. doi:10.1016/S0921-8890(05)80025-9. เก็บ (PDF)จากแหล่งเดิมเมื่อ 9 August 2007.
- Butler, Samuel (13 June 1863). "Darwin among the Machines". Letters to the Editor. The Press. Christchurch, New Zealand. เก็บจากแหล่งเดิมเมื่อ 19 September 2008. สืบค้นเมื่อ 16 October 2014 – โดยทาง Victoria University of Wellington.
- Clark, Jack (2015b). "Why 2015 Was a Breakthrough Year in Artificial Intelligence". Bloomberg.com. เก็บจากแหล่งเดิมเมื่อ 23 November 2016. สืบค้นเมื่อ 23 November 2016.
- Dennett, Daniel (1991). Consciousness Explained. The Penguin Press. ISBN 978-0-7139-9037-9.
- Dreyfus, Hubert (1972). What Computers Can't Do. New York: MIT Press. ISBN 978-0-06-011082-6.
- Dreyfus, Hubert; Dreyfus, Stuart (1986). Mind over Machine: The Power of Human Intuition and Expertise in the Era of the Computer. Oxford: Blackwell. ISBN 978-0-02-908060-3. เก็บจากแหล่งเดิมเมื่อ 26 July 2020. สืบค้นเมื่อ 22 August 2020.
- Dyson, George (1998). Darwin among the Machines. Allan Lane Science. ISBN 978-0-7382-0030-9. เก็บจากแหล่งเดิมเมื่อ 26 July 2020. สืบค้นเมื่อ 22 August 2020.
- Edelson, Edward (1991). The Nervous System. New York: Chelsea House. ISBN 978-0-7910-0464-7. เก็บจากแหล่งเดิมเมื่อ 26 July 2020. สืบค้นเมื่อ 18 November 2019.
- Fearn, Nicholas (2007). The Latest Answers to the Oldest Questions: A Philosophical Adventure with the World's Greatest Thinkers. New York: Grove Press. ISBN 978-0-8021-1839-4.
- Haugeland, John (1985). Artificial Intelligence: The Very Idea. Cambridge, Mass.: MIT Press. ISBN 978-0-262-08153-5.
- Hawkins, Jeff; Blakeslee, Sandra (2005). On Intelligence. New York: Owl Books. ISBN 978-0-8050-7853-4.
- Henderson, Mark (24 April 2007). "Human rights for robots? We're getting carried away". The Times Online. London. เก็บจากแหล่งเดิมเมื่อ 31 May 2014. สืบค้นเมื่อ 31 May 2014.
- Kahneman, Daniel; Slovic, D.; Tversky, Amos (1982). "Judgment under uncertainty: Heuristics and biases". Science. New York: Cambridge University Press. 185 (4157): 1124–1131. Bibcode:1974Sci...185.1124T. doi:10.1126/science.185.4157.1124. ISBN 978-0-521-28414-1. PMID 17835457. S2CID 143452957.
- Katz, Yarden (1 November 2012). "Noam Chomsky on Where Artificial Intelligence Went Wrong". The Atlantic. เก็บจากแหล่งเดิมเมื่อ 28 February 2019. สืบค้นเมื่อ 26 October 2014.
- Kurzweil, Ray (2005). The Singularity is Near. Penguin Books. ISBN 978-0-670-03384-3.
- Langley, Pat (2011). "The changing science of machine learning". Machine Learning. 82 (3): 275–279. doi:10.1007/s10994-011-5242-y.
- Legg, Shane; Hutter, Marcus (15 June 2007). "A Collection of Definitions of Intelligence". arXiv:0706.3639 [cs.AI].
- Lenat, Douglas; Guha, R. V. (1989). Building Large Knowledge-Based Systems. Addison-Wesley. ISBN 978-0-201-51752-1.
- Lighthill, James (1973). "Artificial Intelligence: A General Survey". Artificial Intelligence: a paper symposium. Science Research Council.
- Lombardo, P; Boehm, I; Nairz, K (2020). "RadioComics – Santa Claus and the future of radiology". Eur J Radiol. 122 (1): 108771. doi:10.1016/j.ejrad.2019.108771. PMID 31835078.
- Lungarella, M.; Metta, G.; Pfeifer, R.; Sandini, G. (2003). "Developmental robotics: a survey". Connection Science. 15 (4): 151–190. CiteSeerX 10.1.1.83.7615. doi:10.1080/09540090310001655110. S2CID 1452734.
- Maker, Meg Houston (2006). "AI@50: AI Past, Present, Future". Dartmouth College. คลังข้อมูลเก่าเก็บจากแหล่งเดิมเมื่อ 3 January 2007. สืบค้นเมื่อ 16 October 2008.
- McCarthy, John; Minsky, Marvin; Rochester, Nathan; Shannon, Claude (1955). "A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence". คลังข้อมูลเก่าเก็บจากแหล่งเดิมเมื่อ 26 August 2007. สืบค้นเมื่อ 30 August 2007.
- Minsky, Marvin (1967). Computation: Finite and Infinite Machines. Englewood Cliffs, N.J.: Prentice-Hall. ISBN 978-0-13-165449-5. เก็บจากแหล่งเดิมเมื่อ 26 July 2020. สืบค้นเมื่อ 18 November 2019.
- Moravec, Hans (1988). Mind Children. Harvard University Press. ISBN 978-0-674-57616-2. เก็บจากแหล่งเดิมเมื่อ 26 July 2020. สืบค้นเมื่อ 18 November 2019.
- NRC (United States National Research Council) (1999). "Developments in Artificial Intelligence". Funding a Revolution: Government Support for Computing Research. National Academy Press.
- Newell, Allen; Simon, H. A. (1976). "Computer Science as Empirical Inquiry: Symbols and Search". Communications of the ACM. 19 (3): 113–126. doi:10.1145/360018.360022..
- Nilsson, Nils (1983). "Artificial Intelligence Prepares for 2001" (PDF). AI Magazine. 1 (1). เก็บ (PDF)จากแหล่งเดิมเมื่อ 17 August 2020. สืบค้นเมื่อ 22 August 2020. Presidential Address to the Association for the Advancement of Artificial Intelligence.
- Oudeyer, P-Y. (2010). "On the impact of robotics in behavioral and cognitive sciences: from insect navigation to human cognitive development" (PDF). IEEE Transactions on Autonomous Mental Development. 2 (1): 2–16. doi:10.1109/tamd.2009.2039057. S2CID 6362217. เก็บ (PDF)จากแหล่งเดิมเมื่อ 3 October 2018. สืบค้นเมื่อ 4 June 2013.
- Schank, Roger C. (1991). "Where's the AI". AI magazine. Vol. 12 no. 4.
- Searle, John (1980). "Minds, Brains and Programs" (PDF). Behavioral and Brain Sciences. 3 (3): 417–457. doi:10.1017/S0140525X00005756. S2CID 55303721. เก็บ (PDF)จากแหล่งเดิมเมื่อ 17 March 2019. สืบค้นเมื่อ 22 August 2020.
- Searle, John (1999). Mind, language and society. New York: Basic Books. ISBN 978-0-465-04521-1. OCLC 231867665. เก็บจากแหล่งเดิมเมื่อ 26 July 2020. สืบค้นเมื่อ 22 August 2020.
- Simon, H. A. (1965). The Shape of Automation for Men and Management. New York: Harper & Row. เก็บจากแหล่งเดิมเมื่อ 26 July 2020. สืบค้นเมื่อ 18 November 2019.
- Solomonoff, Ray (1956). An Inductive Inference Machine (PDF). Dartmouth Summer Research Conference on Artificial Intelligence. เก็บ (PDF)จากแหล่งเดิมเมื่อ 26 April 2011. สืบค้นเมื่อ 22 March 2011 – โดยทาง std.com, pdf scanned copy of the original. Later published as
Solomonoff, Ray (1957). "An Inductive Inference Machine". IRE Convention Record. Vol. Section on Information Theory, part 2. pp. 56–62. - Spadafora, Anthony (21 October 2016). "Stephen Hawking believes AI could be mankind's last accomplishment". BetaNews. เก็บจากแหล่งเดิมเมื่อ 28 August 2017.
- Tao, Jianhua; Tan, Tieniu (2005). Affective Computing and Intelligent Interaction. Affective Computing: A Review. Lecture Notes in Computer Science. Vol. 3784. Springer. pp. 981–995. doi:10.1007/11573548. ISBN 978-3-540-29621-8.
- Tecuci, Gheorghe (March–April 2012). "Artificial Intelligence". Wiley Interdisciplinary Reviews: Computational Statistics. 4 (2): 168–180. doi:10.1002/wics.200. S2CID 196141190.
- Thro, Ellen (1993). Robotics: The Marriage of Computers and Machines. New York: Facts on File. ISBN 978-0-8160-2628-9. เก็บจากแหล่งเดิมเมื่อ 26 July 2020. สืบค้นเมื่อ 22 August 2020.
- แม่แบบ:Turing 1950.
- UNESCO Science Report: the Race Against Time for Smarter Development. Paris: UNESCO. 2021. ISBN 978-92-3-100450-6. เก็บจากแหล่งเดิมเมื่อ 18 June 2022. สืบค้นเมื่อ 18 September 2021.
- Vinge, Vernor (1993). "The Coming Technological Singularity: How to Survive in the Post-Human Era". Vision 21: Interdisciplinary Science and Engineering in the Era of Cyberspace: 11. Bibcode:1993vise.nasa...11V. คลังข้อมูลเก่าเก็บจากแหล่งเดิมเมื่อ 1 January 2007. สืบค้นเมื่อ 14 November 2011.
- Wason, P. C.; Shapiro, D. (1966). "Reasoning". ใน Foss, B. M. (บ.ก.). New horizons in psychology. Harmondsworth: Penguin. เก็บจากแหล่งเดิมเมื่อ 26 July 2020. สืบค้นเมื่อ 18 November 2019.
- Weng, J.; McClelland; Pentland, A.; Sporns, O.; Stockman, I.; Sur, M.; Thelen, E. (2001). "Autonomous mental development by robots and animals" (PDF). Science. 291 (5504): 599–600. doi:10.1126/science.291.5504.599. PMID 11229402. S2CID 54131797. เก็บ (PDF)จากแหล่งเดิมเมื่อ 4 September 2013. สืบค้นเมื่อ 4 June 2013 – โดยทาง msu.edu.
- AI & ML in Fusion
- AI & ML in Fusion, video lecture เก็บถาวร 2 กรกฎาคม 2023 ที่ เวย์แบ็กแมชชีน
อ่านเพิ่ม
แหล่งข้อมูลอื่น
ทั่วไป
- AI web category on Open Directory เก็บถาวร 2008-05-27 ที่ เวย์แบ็กแมชชีน
- Programming:AI เก็บถาวร 2004-05-17 ที่ เวย์แบ็กแมชชีน @ Wikibooks.org
- University of Berkeley AI Resources linking to about 869 other WWW pages about AI เป็นแหล่งที่รวบรวมข้อมูลทาง internet เกี่ยวกับ AI ไว้มากที่สุดแหล่งหนึ่ง
- Loebner Prize website เก็บถาวร 2010-12-30 ที่ เวย์แบ็กแมชชีน
- AIWiki[ลิงก์เสีย] - a wiki devoted to AI.
- AIAWiki - AI algorithms and research.
- Mindpixel "The Planet's Largest Artificial Intelligence Effort"
- OpenMind CommonSense เก็บถาวร 2006-02-08 ที่ เวย์แบ็กแมชชีน "Teaching computers the stuff we all know"
- Artificially Intelligent Ouija Board เก็บถาวร 2005-05-19 ที่ เวย์แบ็กแมชชีน - creative example of human-like AI
- Heuristics and AI in finance and investment เก็บถาวร 2001-12-02 ที่ เวย์แบ็กแมชชีน
- SourceForge Open Source AI projects เก็บถาวร 2008-12-19 ที่ เวย์แบ็กแมชชีน - 1139 projects
- Ethical and Social Implications of AI en Computerization
- AI algorithm implementations and demonstrations
- Marvin Minsky's Homepage
- Why Programming is a Good Medium for Expressing Poorly Understood and Sloppily Formulated Ideas เก็บถาวร 2005-05-04 ที่ เวย์แบ็กแมชชีน
กลุ่มวิจัย
- German Research Center for Artificial Intelligence หรือ DFKI
- AI Lab, Zurich เก็บถาวร 2005-06-04 ที่ เวย์แบ็กแมชชีน
- Computer Science and Artificial Intelligence Laboratory, MIT
- Department of Informatics, University of Sussex
- School of Informatics, the University of Edinburgh - มหาวิทยาลัยเอดินบะระ
- Knowledge Representation Laboratory เก็บถาวร 2005-04-04 ที่ เวย์แบ็กแมชชีน - สถาบันเทคโนโลยีแห่งเอเชีย
- Intelligent Systems Laboratory (ISL) เก็บถาวร 2005-04-05 ที่ เวย์แบ็กแมชชีน - จุฬาลงกรณ์มหาวิทยาลัย
- Knowledge Information & Data Management Laboratory (KIND) เก็บถาวร 2006-06-10 ที่ เวย์แบ็กแมชชีน - ห้องวิจัยการจัดการข้อมูล, สารสนเทศ, และความรู้ สถาบันเทคโนโลยีนานาชาติสิรินธร (SIIT) มหาวิทยาลัยธรรมศาสตร์
- Image and Vision Computing Laboratory เก็บถาวร 2005-11-08 ที่ เวย์แบ็กแมชชีน ห้องวิจัยการคำนวณภาพและวิทัศน์ สถาบันเทคโนโลยีนานาชาติสิรินธร มหาวิทยาลัยธรรมศาสตร์
- ปิยณัฐ ประถมวงศ์. “การเป็นผู้กระทำร่วม: เมื่อมนุษย์อยู่ร่วมกับปัญญาประดิษฐ์.” ใน ชาญณรงค์ บุญหนุน, คงกฤช ไตรยวงค์ และพัชชล ดุรงค์กวิน (บก.), เอกสารประกอบการประชุมวิชาการระดับชาติ เวทีวิจัยมนุษยศาสตร์ไทย ครั้งที่ 12 ‘อยู่ด้วยกัน’: โลก เทคโนโลยี ความเหลื่อมล้ำ และความเป็นอื่น. หน้า 114-133. ม.ป.ท., 2561.
หน่วยงานและองค์กรที่เกี่ยวข้องกับปัญญาประดิษฐ์
- American Association for Artificial Intelligence
- European Coordinating Committee for Artificial Intelligence
- The Association for Computational Linguistics เก็บถาวร 2005-09-23 ที่ เวย์แบ็กแมชชีน
- Artificial Intelligence Student Union เก็บถาวร 2005-07-28 ที่ เวย์แบ็กแมชชีน
- Association for Uncertainty in Artificial Intelligence
- Singularity Institute for Artificial Intelligence เก็บถาวร 2005-09-16 ที่ เวย์แบ็กแมชชีน
- The Society for the Study of Artificial Intelligence and the Simulation of Behaviour (United Kingdom)