1950 년대 이후 여러 단계의 지속적인 탐구와 발전을 거쳐 인공지능은 패턴 인식, 지식공학, 로봇학 등 분야에서 큰 성과를 거두었지만, 진정한 인간 지능과는 거리가 멀다. 하지만 새로운 세기에 접어들면서 정보기술이 급속히 발전하면서 인공지능과 관련된 기술 수준도 그에 따라 높아졌다. 특히 인터넷의 보급과 응용으로 인공지능에 대한 수요가 갈수록 절실해지면서 인공지능 연구에 더욱 넓은 무대를 제공하게 됐다. 이 글은 오늘날의 인터넷 시대에 정보기술의 선도로서 인공지능 학습은 인공지능 과학 분야에서 주목할 만한 연구 방향이라고 강조했다. 학제 간 연구에서 인공지능 학습의 발전과 혁신을 실현하려면 인지과학, 뇌과학, 생물지능, 물리학, 복잡한 네트워크, 컴퓨터과학, 인공지능 사이의 교차 침투점을 중시해야 하며, 인지물리학 연구에 특히 중점을 두어야 한다. 자연어는 인간의 사고 활동의 전달체이며 인공지능 학습에서 피할 수 없는 지식 표현의 직접적인 대상이다. 언어로 개념을 정량적으로 표현할 수 있는 불확실성 변환 모델을 만들어 불확실성 인공지능을 발전시킬 필요가 있다. 우리는 실생활에서 복잡한 네트워크의 작은 세계 모델과 스케일없는 특성을 이용하여 네트워크 토폴로지를 새로운 지식 표현 방법으로 사용하여 네트워크 토폴로지의 진화와 네트워크 동적 행동을 연구하고 네트워크 지능을 연구하여 정보화 시대의 데이터 마이닝의 일반적인 요구 사항에 적응해야 합니다. 인공 지능 학습과 응용 분야의 새로운 영광을 맞이하다.
요약
1990 년대 이후 세계화가 형성되고 치열한 국제 경쟁이 치열해지면서 인공지능 기술의 연구와 응용에 점점 더 많은 관심을 기울이고 있으며, 제조업에서의 인공지능의 응용은 제조업의 지식화, 자동화, 유연성을 실현하는 데 있어 신속한 대응 시장의 관건이 되었다.
인공지능은 인간의 지능을 연구하는 메커니즘과 기계로 인간의 지능을 모방하는 학과이다. 후자의 의미에서 인공지능은' 기계지능' 또는' 지능시뮬레이션' 인공지능이라고도 불리는데, 현대전자컴퓨터가 출현한 후 발전한 것이다. 한편으로는 인간 지능의 확장이 되고, 다른 한편으로는 인간 지능을 탐구하는 메커니즘을 위한 새로운 이론과 연구 방법을 제공한다.
학습 메커니즘의 연구는 인공지능 연구의 핵심 과제이다. 그것은 지능형 시스템 적응성과 자기 개선 기능의 기초이다. 학습 과정은 다음과 같은 특징을 가지고 있다. 학습 행동은 일반적으로 뚜렷한 목적성을 가지고 있으며, 그 결과 지식을 얻는 것이다. 학습 시스템의 구조 변화는 방향성이 있으며 학습 알고리즘이나 환경에 의해 결정된다. 학습 시스템은 지능형 시스템을 구축하는 중추골격으로, 시스템 지식을 전면적으로 조직하고 보존하는 장소이다. 따라서 인공 지능 학습 연구의 주요 목적 중 하나는 기계가 일반적으로 인간 지능이 필요한 복잡한 임무를 수행할 수 있도록 하는 것입니다. 그러나 시대마다 이' 복잡한 작품' 에 대한 이해가 다르다.
첫째, 인공 지능 학습의 역사적 기반과 발전 속도
인공지능 학습의 발전사는 컴퓨터 과학 기술의 발전사와 관련이 있다. 컴퓨터 과학 외에도 인공지능은 정보론, 통제론, 자동화, 바이오닉스, 생물학, 심리학, 수리논리, 언어학, 의학, 철학 등 여러 학과를 포함한다.
일반적으로 인공지능의 사상은 독일의 유명한 수학자, 철학자 라이프니츠 (1646- 17 16) 가 제기한' 공용어' 사상으로 거슬러 올라갈 수 있다고 생각한다. 이 사상의 요점은' 사상내용' 을 기호로 표현하고' 사상내용' 사이의 논리적 관계를 기호로 표현하는 보편적인 기호언어를 구축하는 것이다. 따라서' 사고기계화' 는' 공통어' 로 실현할 수 있는 아이디어는 인공지능에 대한 가장 빠른 묘사로 볼 수 있다.
컴퓨터 과학의 창시자 튜링은' 인공지능의 아버지' 로 불린다. 그는 컴퓨터가 어떤 조건을 만족시켜야' 지능' 이라고 부를 수 있는지 주목했다. 1950 년, 그는 유명한' 튜링 실험' 을 제안했다. 한 사람과 한 대의 컴퓨터가 두 방에 있는데, 외부와의 연락은 키보드와 프린터만을 통해서만 이뤄진다. 인간 심판은 방 안의 사람과 컴퓨터에 질문을 하고 사람과 컴퓨터의 답변을 통해 어느 방이 사람인지, 어느 방이 컴퓨터인지 판단했다. 튜링은' 온화한' 심판이 제대로 구분하지 못한다면 이런 컴퓨터는 지능이라고 할 수 있다고 생각한다. 튜링 실험은 스마트 표준의 명확한 정의이다. 흥미롭게도, 일부 컴퓨터는 튜링 실험을 통과했지만, 사람들은 이 컴퓨터들이 지능이라는 것을 인정하지 않는다. 이는 지능기준에 대한 사람들의 이해가 더 깊어지고 인공지능에 대한 요구가 더 높다는 것을 반영한 것이다.
튜링과 폰 노이만의 이러한 작업과 맥카를로와 피츠의 신경망 수학 모델에 대한 연구는 인공지능의 초급 단계를 구성하는데, 실제로는 인공지능 학습의 시작이다.
인공지능의 초기 연구는 사람들에게 깊은 인상을 남겼다. 자동정리가 증명한 연구의 의의가 수학에만 국한되지 않는 것처럼, 검색의 연구의 의의도 게임에만 국한되지 않는다. 인지심리학의 정보가공학파는 사람의 사고 과정의 상당 부분이 초기 상태에서 중간 상태부터 최종 상태까지 하나의 문제로 추상화될 수 있기 때문에 검색 문제로 전환되어 기계에 의해 자동으로 완성될 수 있다고 생각한다. 예를 들어 "계획" 입니다. 로봇이 복잡한 작업을 완료하라는 요청을 받았다고 상상해 보십시오. 이 작업에는 여러 가지 하위 작업이 포함되어 있으며, 이러한 하위 작업 중 일부는 다른 하위 작업이 완료된 후에만 수행할 수 있습니다. 이때 로봇은 실행 가능한 행동 계획을 미리' 구상' 하여 이 계획에 따라 행동을 취해야 임무를 순조롭게 완성할 수 있다. "계획" 은 실행 가능한 행동 방안을 찾는 것이다. 그 하위 임무를 상태로 하고, 하위 임무 간의 의존성은 직후이며, 상태 공간에서 검색하면 된다.
인공지능의 초기 연구에는 자연어 이해, 컴퓨터 시각, 로봇도 포함되어 있다. 대량의 연구를 통해 자동추리 검색 등 일반적인 문제해결 수단만으로는 충분하지 않다는 것을 발견했다. 뉴빌과 사이먼의 인지심리학 연구에 따르면 각 분야의 전문가들이 전문분야에서 비범한 능력을 보인 것은 주로 전문가들이 풍부한 전문 지식 (분야 지식과 경험) 을 가지고 있기 때문이다. 1970 년대 중반에 페겐바움은 인공지능의 두 번째 발전기를 상징하는 지식공학의 개념을 제시했다. 지식 공학은 문제 해결에서 지식의 역할을 강조한다. 이에 따라 연구 내용은 지식 습득, 지식 표현, 지식 활용의 세 가지 측면으로 나뉜다. 지식 습득 연구는 전문가 지식을 효과적으로 얻는 방법을 연구합니다. 지식은 전문 지식을 컴퓨터에 쉽게 저장하고 사용할 수 있는 형태로 표현하는 방법을 연구합니다. 지식은 적절한 표현의 전문 지식을 사용하여 특정 분야의 문제를 해결하는 방법을 연구합니다. 지식공학의 주요 기술 수단은 초기 성과를 기초로 발전한 것이다. 특히 지식의 이용은 주로 자동추리와 검색의 기술적 성과에 의존한다. 지식 표현의 경우, Lenovo 메모리 및 자연어 이해 연구에서 제시된 의미망 표현은 초기 작업에 나타난 논리 표현 및 프로세스 표현 외에도 개발되었으며, 이후 프레임워크 표현, 개념 의존성, 스크립트 표현, 생성 표현 등 다양한 방법을 도입했습니다. 초기 연구와 달리 지식 공학은 실제 응용을 강조한다. 주요 응용 성과는 각종 전문가 시스템이다. 전문가 시스템의 핵심 구성 요소는 다음과 같습니다.
(a) 지식 기반 표현 (전문 지식 및 기타 지식 포함)
(b) 지식을 사용하여 문제를 해결하는 추론 기계.
대규모 전문가 시스템의 개발 주기는 종종 최장 10 년이며, 주된 이유는 지식 습득이다. 분야 전문가들은 문제를 잘 해결할 수 있지만 어떻게 해결했는지, 어떤 지식을 사용했는지 잘 알 수 없는 경우가 많다. 이로 인해 전문 지식 수집을 담당하는 지식 엔지니어가 지식 습득 작업을 효과적으로 수행하기가 어렵습니다. 이 상황은 자동 지식 습득, 즉 기계 학습 연구의 심도 있는 발전을 크게 자극했다. 비교적 많이 연구한 기계 학습 방법에는 귀납학습, 비유학습, 해석학습, 강화 학습, 진화학습이 있다. 기계 학습의 연구 목표는 기계가 자신이나' 다른 사람' 의 문제 해결 경험에서 관련 지식과 기술을 얻도록 함으로써 자신의 문제 해결 능력을 향상시키는 것이다.
1980 년대 이후, 컴퓨터 네트워크의 보급과 함께, 특히 인터넷의 출현으로 인공지능 기술을 포함한 각종 컴퓨터 기술의 광범위한 응용이 인간-기계 관계의 큰 변화를 촉진시켰다. 일본 미국 등 국가의 미래학자들의 예측에 따르면 인간-기계 관계는 전통적인' 연결인' 모델에서' 연결기계' 의 새로운 모델로 빠르게 바뀌고 있다. 이러한 변화는 사회 생산 방식과 생활방식에 큰 변화를 가져올 것이며, 인공지능과 전체 정보기술에 대한 새로운 과제도 제기될 것이다. 이로 인해 인공지능이 제 3 의 발전기에 진입하게 되었다.
이 새로운 발전기에 인공지능은 일련의 새로운 응용 수요에 직면해 있다.
첫째, 분산 공동 작업을 지원하는 강력한 기술적 수단이 필요합니다. 현대 생산은 사회화 대생산으로, 서로 다른 직업의 노동자들이 서로 다르거나 같은 시간과 장소에서 같은 임무에 종사하는 서로 다른 하위 임무이다. 이를 위해서는 컴퓨터가 각 하위 작업에 대한 지원과 지원을 제공할 뿐만 아니라 하위 작업 간의 조정에 대한 지원과 지원을 제공해야 합니다. 각 하위 작업은 대부분 독립적으로 수행할 수 있으므로 하위 작업 간의 관계는 동적이고 예측할 수 없는 것이어야 합니다. 따라서 하위 작업 간의 조정 (즉, 분산 공동 작업에 대한 지원) 은 인공 지능과 전체 정보 기술 및 기본 이론에 큰 도전을 제기합니다.
둘째, 네트워킹은 정보화를 촉진하여 분산되어 고립된 데이터베이스가 상호 연결된 전체 정보 공간, 즉 동일한 정보 공간을 형성할 수 있도록 합니다. 기존 브라우저와 검색 엔진은 사용자가 인터넷에서 정보를 찾는 데 필요한 도움을 주지만, 이러한 도움으로는 충분하지 않아 "정보 과부하" 와 "정보 손실" 이 점점 더 심각해지고 있습니다. 더욱 강력한 지능형 정보 서비스 도구는 이미 사용자의 절실한 수요가 되었다. 반면, 정보 공간이 인간에게 제공하는 가치는 개별 정보 항목 (예: 제조업체가 생산한 신제품에 대한 정보) 뿐만 아니라, 한 종류의 정보에 숨겨져 있는 보편적인 지식 (예: 특정 업계의 수급 변화 추세) 에 있다. 따라서 데이터의 지식 발견은 이미 절박한 연구 과제가 되었다. 로봇은 줄곧 현대 공업의 절박한 수요였다. 로봇 기술이 발달하면서 연구 중점은 역동적이고 예측할 수 없는 환경에서 독립적으로 작동할 수 있는 자율로봇과 사람을 포함한 다른 로봇과 협력할 수 있는 로봇으로 이동했다. 분명히 로봇 간의 이러한 협력은 물리적 세계에서 분산 공동 작업으로 볼 수 있으며, 여기에는 동일한 이론과 기술적 문제가 포함되어 있습니다.
인공지능의 세 번째 발전 시기의 두드러진 특징은 동적이고 예측할 수 없는 환경에서 자율적으로 작업을 조율할 수 있는 컴퓨터 시스템을 연구하는 것이다. 이 시스템을 에이전트라고 합니다. 현재 에이전트 이론, 에이전트 아키텍처 및 에이전트 언어를 중심으로 연구가 진행 중이며 일련의 중요한 새로운 아이디어, 새로운 이론, 새로운 방법 및 신기술이 생겨났습니다. 이 연구에서 인공지능은 소프트웨어 엔지니어링, 분산 컴퓨팅 및 통신 기술과 결합된 추세를 보이고 있다. 에이전트 연구의 응용은 생산과 업무뿐만 아니라 사람들의 학습과 오락에도 깊숙이 파고든다. 예를 들어, 에이전트와 가상 현실을 결합한 가상 교육 시스템을 통해 학생들은 비행기를 실제로 조작하지 않고도 비행의 기본 기술을 배울 수 있습니다. 마찬가지로 고객은 실전의 "맛" 을 "즐길" 수 있습니다.
중국은 또한 중국 인공지능학회, 중국컴퓨터연합회 인공지능과 패턴 인식위원회, 중국자동화학회 패턴 인식과 기계지능위원회 등 학술단체를 설립하여 이 분야의 학술 교류를 전개하였다. 또한 국가는 인공지능 연구와 관련된 국가 중점 실험실을 건설하기 시작했으며, 이는 우리나라 인공지능 연구를 추진하여 이 학과의 발전에 기여할 것이다.
인공지능 학습의 발전을 살펴보면, 그것이 줄곧 따라온 기본 사고방식을 볼 수 있다. 첫 번째는 단순한 시뮬레이션보다는 인간 지능의 인공 실현을 강조하고 가능한 한 인류의 실제 수요에 봉사하는 것이다. 둘째, 학제 간 결합을 강조하면서 점점 더 많은 수학, 정보과학, 생물학, 심리학, 생리학, 생태학, 비선형 과학 등 새로운 학과가 인공지능 학습 연구에 녹아들고 있다.
둘째, 인공 지능 학습의 주요 기술과 발전 추세
현재 인공 지능 학습에는 지능형 인터페이스, 데이터 마이닝, 에이전트 및 다중 에이전트 시스템의 세 가지 주요 핫스팟이 있습니다.
지능형 인터페이스 기술은 사람과 컴퓨터를 편리하고 자연스럽게 교류할 수 있는 방법을 연구하는 것이다. 이러한 목표를 달성하기 위해서는 컴퓨터가 문자를 이해하고, 언어를 이해하고, 문자를 표현하고, 심지어 서로 다른 언어 간에 번역할 수 있어야 하는데, 이러한 기능의 실현은 지식 표현 방법의 연구에 달려 있다. 따라서 지능형 인터페이스 기술에 대한 연구는 중요한 응용 가치와 기본적인 이론적 의미를 모두 가지고 있습니다. 현재 지능형 인터페이스 기술은 문자 인식, 음성 인식, 음성 합성, 이미지 인식, 기계 번역, 자연어 이해 등의 기술이 이미 적용되고 있는 놀라운 성과를 거두었습니다.
데이터 마이닝은 대량의 불완전하고, 소음이 있고, 모호하고, 무작위적인 실제 애플리케이션 데이터에서 숨겨진 알 수 없지만 잠재적으로 유용한 정보와 지식을 추출하는 프로세스입니다. 데이터 마이닝 및 지식 발견에 대한 연구는 데이터베이스, 인공 지능 및 수학 통계의 세 가지 강력한 기술 기둥을 형성했습니다. 주요 연구 내용에는 기본 이론, 발견 알고리즘, 데이터 웨어하우징, 시각화 기술, 정성 정량 교환 모델, 지식 표현 방법, 발견 지식의 유지 관리 및 재사용, 반정형 및 비정형 데이터의 지식 발견, 온라인 데이터 마이닝 등이 포함됩니다.
주체는 신념, 욕망, 의도, 능력, 선택, 약속 등 정신 상태를 가진 실체로 객체보다 더 세분성과 지능을 가지고 있으며 어느 정도 자주성을 가지고 있다. 주체는 자율적이고 독립적으로 임무를 완수하고, 환경과 상호 작용하고, 다른 주체와 교류하며, 계획을 통해 목표를 달성하려고 한다. 다중 에이전트 시스템은 논리적으로 또는 물리적으로 분리된 에이전트 간의 조정 지능 동작을 주로 연구하여 결국 문제 해결을 실현합니다. 현재 에이전트 및 다중 에이전트 시스템에 대한 연구는 주로 에이전트 및 다중 에이전트 이론, 에이전트 아키텍처 및 조직, 에이전트 언어, 에이전트 간 협력 및 조정, 통신 및 상호 작용 기술, 다중 에이전트 학습 및 다중 에이전트 시스템 응용 프로그램 등에 초점을 맞추고 있습니다.
차세대 지능 기술은 1980 년대 이후 급속히 발전한 컴퓨팅 기술로, 주로 신경망 (Agent), 진화 컴퓨팅, 모호한 논리, 에이전트로 대표되며, 그 중 주로 진화와 자기 조직을 배울 수 있는 능력이 있다.
신경망은 인간의 뇌에서 뉴런을 시뮬레이션하는 기능으로, 인간의 뇌에서 가장 기본적인 단위 뉴런 기능을 시뮬레이션하여 인간의 뇌의 기능을 시뮬레이션하고자 한다. 그것은 아이를 가르치는 것처럼 어떤 예를 통해 신경망을 훈련시킨다. 훈련을 거친 후 신경망은 특정 기능을 완성할 수 있다. 학습 사례를 통해 지식 기반과 추론 기계의 구조를 수정하여 인공 지능의 목적을 달성합니다.
마지막으로 또 다른 응용 분야는 패턴 인식입니다. 나는 지식 발굴에 광범위하게 적용되어야 한다고 생각한다. 왜냐하면 현재 프로젝트에서 점점 더 많은 데이터를 얻고 있기 때문이다. 이 데이터들에서 인위적으로 어떤 법칙을 확정하는 것은 쉽지 않다. 이 데이터들에서 새로운 법칙을 발견하는 것은 말할 것도 없다. 따라서 데이터 마이닝이 필요하며, 그 응용은 의사 결정 지원 시스템에 중요한 의미가 있습니다.
사람은 생각할 수 있고, 인공지능은 생각할 필요가 있다. 이것이 바로 추론이다. 사람은 배울 수 있고, 인공지능은 배워야 한다. 사람은 지식을 가질 수 있기 때문에 인공지능도 지식이 필요하다.
인공지능은 바로 인간의 뇌의 활동을 시뮬레이션하는 것이다. 인류는 이미 많은 신기술과 신소재로 인체의 많은 기능을 대체할 수 있다. 인간의 뇌를 모방하기만 하면 사람들은 인공생명의 연구를 완성하고 자신을 창조할 수 있는데, 이것은 과학적으로뿐만 아니라 철학적으로도 획기적인 의의를 가지고 있다.
학습이란 시스템이 환경에 적응할 때의 적응 변화를 말하며, 유사한 작업을 수행할 때 시스템이 더욱 효율적으로 작동할 수 있도록 하는 것이다. (존 F. 케네디, 공부명언) 1980 년대 이후 인공신경망의 학습 메커니즘에 더 많은 관심을 기울였으며, 연결 메커니즘에 기반한 하위기호 학습은 다시 한번 오늘날의 학습 메커니즘 연구의 핫스팟이 되어 경쟁 학습, 진화 학습, 강화 학습 등 다양한 새로운 학습 메커니즘을 제시했다.
기계 학습. 그것의 또 다른 이름, 무턱대고 외우면 그것의 특징을 직접 표현할 수 있다. 가장 간단하고 원시적인 학습 방법이자 기계의 강점, 사람의 약점이다.
학습을 지도하다. 이 학습 방식은 외부 환경이 시스템에 일반적인 지침이나 조언을 제공하는 것으로, 시스템은 이를 상세한 지식으로 변환하여 기술 자료로 보냅니다. 학습 과정에서 지식을 반복적으로 평가하여 완벽히 해야 한다.
귀납적 학습. 우리는 기계가 잘하는 것은 귀납이 아니라 연역이라는 것을 알 수 있다. 특수에서 일반으로, 일반에서 특수로 적합하지 않습니다. 특수에서 일반에 이르는 귀납은 인류 특유의 지혜의 상징이다. 많은 구체적인 귀납학습 방법이 있지만, 그 본질은 모두 컴퓨터가 일반에서 규칙을 도출하도록 하는 것이다.
유추 학습. 비유는 비슷한 것을 비교함으로써 배우는 것이다. 그것의 기초는 유추 추리, 즉 기억 속의 새로운 것을 낡은 것과 비교하는 것이다. 그것들 사이에 어떤 성질이 같은 것을 발견하면, 다른 성질도 같다고 추론할 수 있다.
통역 기반 학습. 이것은 최근 몇 년 동안 나타난 새로운 학습 방법이다. 그것은 귀납이나 비유를 통해 배우는 것이 아니라 관련 분야 지식과 훈련 사례를 이용하여 목표 개념을 배우고, 결국 이 목표 개념에 대한 일반적인 설명을 생성하는데, 이것은 형식화할 수 있는 일반 지식이다.
강화 학습은 행동 방법에 기반한 반 감독 학습이다. 일반적인 학습 방법에는 두 가지가 있다. 하나는 모델 기반입니다. 이런 방식으로, 지능은 환경의 정확한 모델을 필요로 하고, 지능이 높지만, 불확실한 동적 환경에는 적합하지 않다. 다른 하나는 행동 기반 방법입니다. 이 방법은 환경의 정확한 모델을 필요로 하지 않고 계층 구조를 채택한다. 고위층 행동은 저층 행동능력을 조절하고 구속할 수 있지만, 각 층은 [3] 의 지능형 제조 시스템과 같은 독자적인 결정권을 가지고 있다. 이러한 장점이 있기 때문에 로봇 축구 [4], 사냥 문제, 심지어 전쟁 지휘 [5] 에 자주 사용되지만, 로봇 축구 자체의 목적은 인공지능의 가용성을 테스트하는 것이기 때문에, 컴퓨터 대신 전쟁을 지휘할 수는 없다.
강화 학습을 채택한 에이전트는 유전자 알고리즘에 처음 등장해' Ethogenetics' 라는 사상을 도입해 오랜 기간 한 코드 문자열이 조합 최적화 문제에서 모든 전략 변수를 조합하는 방식에 대한 전통적인 정적 인식을 돌파했다. 코드 문자열을 스마트 에이전트가 능동적으로 진행하는 일련의 의사 결정 동작의 결과로 간주합니다.
인공지능 학습은 모호한 처리, 병렬화, 신경망, 기계 감정 등 여러 방면에서 발전할 수 있다. 현재 인공지능의 추리 기능은 이미 돌파되어 학습과 연상 기능을 연구하고 있다. 다음 단계는 인간의 우뇌의 모호한 처리 기능과 전뇌의 병렬 처리 기능을 모방하는 것이다. 인공신경망은 미래의 인공지능 응용의 새로운 분야로, 미래 스마트 컴퓨터의 구성은 폰노이만 기계를 호스트하고 인공신경망을 스마트 주변 장치의 조합으로 할 수 있다. 연구에 따르면 감정은 지능에서 분리되는 것이 아니라 지능의 일부이기 때문에 인공지능 분야의 다음 돌파구는 컴퓨터에 정서적 능력을 부여하는 것일 수 있다. 정서적 능력은 컴퓨터와 사람의 자연 교류에 매우 중요하다.
위의 학습 방법을 통해 지식을 얻고 편리한 방식으로 지식을 얻는 것이다. 앞서 말씀드렸듯이 기계의 사고방식은 인간과 많이 다르기 때문에 기계가 자신의 학습을 통해 쉽게 이해하고 사용할 수 있는 지식을 만들어 내는 것도 기계 학습의 목표 중 하나입니다.
인공지능은 줄곧 컴퓨터 기술의 최전선에 서 있으며, 인공지능 연구의 이론과 발견은 컴퓨터 기술의 발전 방향을 크게 결정할 것이다.
컴퓨터 칩의 소형화가 한계에 다다랐기 때문이다. 사람들은 새로운 컴퓨터 기술이 인공지능의 발전을 촉진할 수 있기를 점점 더 희망하고 있다. 현재, 적어도 세 가지 기술이 새로운 혁명을 일으킬 수 있다. 광자 컴퓨터, 양자 컴퓨터, 바이오컴퓨터입니다.
끝말
많은 과학자들은 기계의 지혜가 곧 알버트 아인슈타인과 스티븐 호킹의 지혜를 능가할 것이라고 단언한다. 저명한 물리학자인 스티븐 호킹은 인간이 숫자를 조작할 수 있는 뛰어난 능력으로 컴퓨터를 설계할 수 있는 것처럼 스마트머신도 성능이 더 좋은 컴퓨터를 만들 수 있다고 생각한다. 늦어도 금세기 중엽에는 컴퓨터의 지능이 인간을 능가할 수도 있다.
이 문서에서는 학습 중 몇 가지 방법에 대해 기본적으로 설명하고 발전 추세를 설명하지만, 일반적인 학습에서는 행동 기반 방법의 사용이 여전히 가장 주목받고 있습니다. 이 문서에서는 강화 학습 방법의 몇 가지 변형에 대해 설명하고 그 적용에 대해 어느 정도 설명합니다. 어느 정도까지, 그들은 시뮬레이션의 타당성을 깨달았다. 그러나 이러한 시뮬레이션의 대부분은 검증적이며 실제 생산에서 실제 인공 지능의 적용은 여전히 연구가 필요한 주제입니다. 마지막으로 인공지능 학습의 연구 분야를 요약해 보겠습니다. 다양한 활동에서 참고인의 역할은 인공지능 분야가 사람을 대신하는 활동일 뿐이라는 것을 알 수 있다. 인공지능 학습과 연구의 분야는 사람이 지능 활동을 하는 영역이다. 인공지능 학습은 기계를 응용하는 장점으로 인간이 지능 활동을 할 수 있도록 돕는 것이다. 인공지능 학습 연구의 목적은 인간 신경계의 기능을 시뮬레이션하는 것이다.
하지만 기술과 공예가 발달하면서 인공지능 학습 방법이 바뀌면서 우리의 관심을 끌고 있다.
참고
[1] 인공지능의 간략한 역사, 손흥청화대 출판사, 1990.
[2] 채자흥 서광우' 인공지능과 응용' 칭화대 출판사 2002 년 1 월.
[3] 첸 완추; 황 이순신; 을 눌러 섹션을 인쇄할 수도 있습니다 NBIC 융합 기술의 "포스트 인간" 문제 [j]; 호남 사범 대학 사회 과학 저널; 20 13 04
[4] 왕; 을 눌러 섹션을 인쇄할 수도 있습니다 도덕 로봇: 인간의 책임과 누락 사이의 모순 [j] 이론 월간지 20 13 1 1
[5] 왜 기계 학습 이론이 강력한 인공지능을 실현할 수 없는가?
[6] 왕; 을 눌러 섹션을 인쇄할 수도 있습니다 인공 지능의 도덕적 확립과 윤리적 예측 [j]; 남 중국 농업 대학 저널 (사회 과학 판); 20 14 0 1
[7] 리웅; 미디어 도덕적 인센티브 기능 및 실천 연구 [d]; 호남 대학교 20 13
[8] 손지남; 을 눌러 섹션을 인쇄할 수도 있습니다 전기 자동화 제어에 인공 지능 적용 [j]; 현대 상업 무역 산업; 20 13 07
[9] 노래 cuiping; 을 눌러 섹션을 인쇄할 수도 있습니다 전기 공학 자동화에 지능형 기술 적용 [J]: 전력 기술 적용 20 13 06
[10] 후금; 을 눌러 섹션을 인쇄할 수도 있습니다 전기 자동 시험 기술의 현황 및 개발 [j]; 실리콘 밸리 20 13 1 1
[1 1] 유혜연; 을 눌러 섹션을 인쇄할 수도 있습니다 전기 자동화 엔지니어링 제어 시스템의 현황 및 발전 추세 [J] 과학 기술 혁신과 응용 20 13 18
[12] 주금방; 을 눌러 섹션을 인쇄할 수도 있습니다 전기 공학 자동화에 인공 지능 적용 [j]; 화학 공학 및 장비 20 13 05
[13] 팬 웨이; 을 눌러 섹션을 인쇄할 수도 있습니다 일상 생활에서 전기 자동화의 역할과 미래 발전 추세 분석 [J] 과학 기술 혁신과 응용 20 13 12
[14] 정우 ： 을 눌러 섹션을 인쇄할 수도 있습니다 전기 자동화에 인공 지능 기술 적용 [J]: 전자 생산 20 13 05
[15] 조강; 유강 을 눌러 섹션을 인쇄할 수도 있습니다 전기 제어 회로 설계 및 연구 [j]; 전자 생산 20 13 02
[16] 여균평; 인공 지능 기술의 윤리적 문제와 대책 [d]; 우한 공과 대학 20 13
[17] 조; 망간 분말 제조 이송 제어 시스템 설계 및 연구 [d]; 란저우 공과 대학; 20 12