Yapay zeka aniden bir icat değildir, ancak on yıllar teorik keşif, mühendislik atılımları ve felsefi tartışmalar, düşüncenin doğası hakkında tartışır. Hikayemiz, ilk bilgisayardan önce başlar ve matematikçiler ve mantıkçılar insan nedenlerinin yanlış anlamasını ister.Bugünün büyük sinir ağlarına, şiir ve teşhis hastalıkları, AI aynalarının evrimi, zekanın gelişimine olan hırsımız - ve bunu çoğaltmak için bizim hırsımız.

Yapay Zekanın Genesisi

AI'nın resmi doğumu genellikle orta-1950'lere izlenir, ancak entelektüel kökleri 1940'lara geri uzanır ve hatta daha önce Alan Turing gibi felsefe zeminini “görmek” için ne anlama geldiğini yeniden tanımlamak için ortaya koydu.

Turing Test ve Erken Teorik Makineler

Sepron 1950 yılında, [[Dönetici:0)Computing Machinery ve Intelligence[Dönetici: 1 ), Turing, “İmtasyon Oyunu” önerdi - insan sorgulayıcısının metin yoluyla etkileşime girdiği ve makineyi manipüle edebileceği bir makine ile etkileşim kurduğu test, sorgulayıcıyı insan olarak nitelendirebilir.

Simultane, Warren McCulloch ve Walter Pitts, 1943 yılında yapay nöronların matematiksel bir modelini yayınladı, basit on-off anahtarlarının ağlarının herhangi bir mantıksal önermeyi hesaplayabileceğini gösterdi. Bu, sinirbilim ve hesaplama arasındaki ilk kavramsal köprülerden biriydi, daha sonra baskın hale gelecektir.

1956'nın Dart Atölyesi

1956 yılının yazı yapay zekanın resmi kurucuunu işaret etti. John McCarthy, Marvin Minsky, Nathaniel Rochester ve Claude Shannon, Dartmouth Koleji'nde altı haftalık bir atölye düzenledi, “her türlü zeka öğrenmenin ya da başka bir özelliğinin onu simüle etmek için yapılabilecek olduğunu kabul etti.”

Mantık Theorist ve Sembolik AI

Makinenin ilk protestolarından biri, Allen Newell tarafından geliştirilen Mantıksal Theorist ve 1955-56'da Cliff Shaw tarafından geliştirilen program, Beyaz Baş ve Russell'ın “Principia Mathematica) numaralı mantıksal kurallardan 38 tanesinin insan anlayışına ihtiyaç duyan ilk 52 kişilik bir kanıtı olduğunu kanıtladı.

Sembolik AI, istihbaratın resmi kurallara göre sembollerin manipülasyonu yoluyla ele alınabileceğini varsaymıştır. Erken araştırmacılar, elgebra kelime problemlerini çözebilecek programları inşa etti, geometri kanıtlarını yerine getirdi ve hatta satranç oynadılar.

Perceptron ve Erken Neural Networks

Sembolik yaklaşıma paralel olarak, 1958 yılında psikolog Frank Rosenblat, Perceptron'u tanıttı, biyolojik nöronlardan ilham alan bir elektronik cihaz "eşit, konuşma, öğrenme örneklerine göre basit modelleri tanıyabilirdi. Rosenblat'un çalışması muazzam bir heyecan yarattı; theOSPT:0).

Ancak, tek katmanlı Perceptron'un kısıtlamaları yakında maruz kaldı. 1969 kitapçığında [FONT:0]Perceptrons), Minsky ve Seymour Papert matematiksel olarak, tek katmanlı Perceptron'un XOR işlevi gibi basit olmayan problemleri çözmediğini kanıtladı. Bu eleştiri, daha derin ağlara hesaplama gücü eksikliği ile birlikte, sinir ağlara finansman ve ilgi sağlama konusunda bir azalmaya yol açtı - AI'nın gölgelenmesi için.

Sembolik AI ve Uzman Sistemlerinin Çağı

1960'larda ve 1970'lerde, sembolik AI yaklaşımı egemen oldu. Araştırmacılar, dar alanlarda uzman düzeyinde performans sergileyebilen yönetimsel sistemler oluşturmaya odaklandılar. etkileyiciyken, bu yaklaşımın kısıtlamaları yakında ortaya çıktı, ilk büyük “AI kışı”na yol açtılar.

Kural tabanlı sistemler ve ilk AI Winter

1960'lar, SHRDLU gibi programların gelişimini Terry Winograd tarafından gördü ve bu, doğal bir blok dünya hakkında doğal dil komutlarını anlayabilirdi. Ancak araştırmacılar bu sistemleri gerçek dünya karmaşıklığını ele almaya çalıştılar, sert bir gerçekle karşılaştılar: AI tekniklerinin büyük ölçüde azaltılması ve ABD'de ABD'de ciddi bir kesintiye uğraması için gereken kurallar sayısı, özellikle de ABD'de ABD'de, ABD'de yaşananlar nedeniyle bozuldu.

Uzman Sistemler ve Ticari Başarı

1980'lerde uzman sistemlerin ticari yükselişi ile yeniden bir araya geldi. Bu programlar insan uzmanlarının bilgilerini büyük ölçüde IF-THEN kurallarına kodladı, inference motorları aracılığıyla uygulanan, MYCIN gibi sistemler, kütle spektrometri verilerini analiz etmek için DENDRAL ve XCON (R1), AI'nın gerçek iş değerini sunabileceğini gösterdi.

Uzman sistemler şirketler tarafından kabul edildi ve Lisp makinesi endüstrisi ortaya çıktı. Ancak, çeviklik ve yüksek bakım maliyetleri, daha ucuz genel amaçlı hesaplamanın gelişiyle birlikte, 1980'lerin sonlarında birçok şirket uzman sistemlerden ayrıldı ve ikinci AI kışı başladı.

Makine Öğrenme Paradigm Shift

Sembolik yaklaşım kararlı olduğu gibi, sessiz bir devrim inşa edildi. Araştırmacılar, veriden öğrenebilecek algoritmaları geliştirmek için programlama açık kurallarından uzaklaşmaya başladılar. Bu makine öğrenme paradigması sonunda AI araştırma ve uygulamaları ele almaya gelecekti.

Kurallardan Veriye: İstatistiksel Yöntemlerin Yükselişi

1990'larda, makine öğrenimi alanı farklı bir disiplin olarak ortaya çıktı, istatistiksel modelleri taklit etmek, veri odaklı öğrenme ve her görev için el kodlama kuralları yerine, araştırmacılar büyük veri setleri üzerinde eğitilmiş modeller.Bu yaklaşım konuşma tanıma, el yazma ve bilgi yenidentrieval gibi sorunlar için oldukça etkili oldu.

Bayesian ağlar, gizli Markov modelleri ve karar ağaçları standart araçlar haline geldi. IBM'de, istatistiki makine çevirisi ve konuşma tanıma üzerine araştırmalar, olasılıksal yöntemler gerçek dünya görevleri üzerinde üst düzey sistemlere dayalı olarak ortaya çıkabilirdi.Bu dönem ayrıca destek vektör makinesinin (SVM) yükselişini gördü.

Neural Networks Revival: Backpropagation ve Multi-kat Ağları

Sinir ağları iyilikten düşmüş olsa da, birkaç araştırmacıdan oluşan bir grup topar yakmayı sürdürdü. 1980'lerde, arka planlama algoritmasının yeniden tanımlanması ve popülerleştirilmesini sağladı -özellikle de David Rumelhart'ın çalışmasıyla, Geoffrey Hinton ve Ronald Williams'ın 1986'da - çok katmanlı sinir ağları etkili bir şekilde eğitilmesini sağladı.

1990'larda, Yann LeCun, genel görüntü tanıma gibi karmaşık sorunlara uygulanmış olsa da, sonunda bankaların çeklerini okuması için LeNet mimarisini yaratarak, onları daha karmaşık sorunlara ölçeklendirmesi hala sınırlı veri ve hesaplama gücü ile engellendi.

Ensemble Yöntemleri ve Veri ve Anlama Bekle

1990'ların ve 2000'lerin sonlarında, makine öğrenimi ilerlemesi rastgele ormanlar ve yüksek lisans programları gibi, çekirdek yöntemleri ile paralel olarak, Neural ağları, özel görevler için bir niş araç olarak kaldı.

Derin Öğrenme Devrimi

Büyük verilerin yakınlaştırılması, güçlü GPUs ve orta2000'lerin ortalarındaki algoritmalar derin öğrenmede bir patlamaya yol açtı. Neural ağları birçok gizli katmanla -özellikle de pratik olarak yanlış anlaşılmayı düşündü - konuşma, görüş ve dil görevleri.

AlexNet ve ImageNet'in parçalanması

Sulanan an 2012 yılında geldi, Alex Krizhevsky, Ilya Sutskever ve Geoffrey Hinton, ImageNet Büyük Scale Görsel Tanıklığı Mücadele Mücadelesi'ne derin bir konvoylu sinir ağıyla girdi ve şimdi egzersiz yapmaya başladı.(D)AlexNet[D[DÜye Olmayan Bilgisayar Görme Topluluğunu kazandı.Bu zafer, daha geniş bir öğrenme aracı değil, pratik bir araçta büyük bir değişim yaptı.

Doğal Dil İşleme: Word2Vec'den Transformers

Derin öğrenme ayrıca doğal dil işlemeye de dönüştürüldü. 2013'te Tomas Mikolov ve ekibi Word2Vec'i tanıttı, büyük fiziksel ilişkilerden gelen kelimelerin vektör gösterimini öğrenme yöntemi. Bu, örneğin, “king – erkek + kadın” bir vektöre yakın bir şekilde sonuçlandı.

Ancak, gerçek devrim 2017 yılında kağıt [[Dönetici:0) yayınla geldi, paralelleştirme ve uzun menzilli bağımlılıklar elde etti.[Dönetici ve el-of-art, Transformers'ın yeni ve konvolutional katmanları yeni bir şekilde tanıttı.

Generative AI ve Büyük Dil Modelleri

Transformer'ın potansiyeli büyük ölçekli bir metin üzerinde eğitim öncesi tamamen fark edildi. 2020 yılında OpenAI, GPT-3, olağanüstü derecede iyi niyetli modeller konseptini ortaya çıkardı - geniş bir dizi alt sürüm ve sıfır-shot öğrenme yeteneklerini gösteren 175 milyar dolarlık bir sistem. GPT-3, dil üretebilir, kod yaz ve cevap karmaşık sorular, genellikle görevlendirmeden bağımsız olarak, teknik alan ve yaratıcı bir iş alanı, teknik alandaki alanındaki araçları ve benzeri olmayan bir şekilde jeneratif sistemler.

Öğrenme ve Oyun Oynanır: AlfaGo ve Beyond

Derin öğrenmenin bir diğer zaferi, takviyeli öğrenme ile derin bir sinir ağları kombinasyonuyla geldi. 2016 yılında DeepMind'in AlphaGo, beş oyun ve kendi oyunlarından öğrenerek, AI'nın uzun süre en sezgisel ve karmaşık insan oyunlarından bile faydalanabileceğini gösterdi.

AlfaZero gibi daha sonra, satranç oynamayı öğrendi, shogi ve tamamen kendi oyundan, herhangi bir insan verileri olmadan, saatlerce süper insan performansı elde etti. Bu atılımlar derin takviye öğrenmenin genellenebilirliğini gösterdi.

Meydanlar, Etik ve Yol Ahead

AI sistemleri daha güçlü ve yaygın hale geldikçe, teknik performansın ötesine geçen yeni zorluklar getiriyorlar. Araştırmacılar ve politika yapıcılar adillik, şeffaflık ve kontrol sorunlarıyla doludur.

Açıklanabilirlik ve Bias

Derin öğrenme modelleri genellikle “kara kutular” – iç nedeni, yaratıcılarına bile uygun değildir. Bu, yüksek oranda tıbbi tanı, kredi puanlamaları ve ceza adaleti gibi uygulamalarla ilgili sorunlar ortaya çıkmaktadır, eğitim verilerinin uygun olduğu durumlarda, evrensel bir çözüm mevcut değildir. Örneğin, yüz tanıma sistemleri, renkli insanlar için daha yüksek hata oranlarına sahip olmaktadır. AI topluluğu, AI'nın daha fazla yatırım yaptığı gibi, daha fazla yatırım yapmaya yatırım yapıyor.

Güvenlik, uyum ve Değer Problemi

AI sistemleri daha özerk hale gelirken, insan değerleri ile uyum içinde davranmalarını sağlamak kritik hale gelir. “tamamlama sorunu”, hedefleri nasıl belirtelim, böylece AI, insan geri bildirimlerinden öğrenmeden önce istediğimiz şeyleri yapar.GelinmeGPT gibi modeller yapmak için önemliydi.

Yapay Genel Zeka için Quest

AI'nın orijinal rüyası insan benzeri genel zeka ile bir makine oluşturmaktı, herhangi bir entelektüel sorunu çözme yeteneğine sahip oldu. Bugünün sistemleri dar görevlerde öne çıkıyor, ancak insanların sınırsız olarak ilerlemelerini sağlamak için AGI'ya yönelik önyargılar ve sembolik mantıkla birlikte uzun süre boyunca değişen sürelerle ilgili olarak devam ediyor.

Dünyadaki Organizasyonlar AGI'ya daha yakın olan mimarileri aktif olarak araştırıyor.Ama yol açık olsa da, AI yeteneklerinin sürekli genişlemesi, yolculuğun sona erdiğini gösteriyor.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Yapay zekanın tarihi, GPT-3 tarafından üretilen sıvıya kanıtları durdurmaktır, AI uzun ve rüzgarlı bir yol seyahat etti.Her çağın baskın paradigması - asimetrik öğrenme ve derin öğrenme - Bugün, AI sadece bir araştırma alanına katkıda bulundu.

İleriye bakıldığında, sağlam, adil ve anlaşılabilir sistemlerin zorlukları, insan değerlerine olan bağlılığın her zaman katlanması ve çoğaltılması için önemli olacaktır. AI tarihinin bir sonraki bölümü, geçmişteki yaklaşımların bilgeliğini harmanlayabilecek olanlar tarafından yazılacaktır.