Nhắc đến trí tuệ nhân tạo ( AI ), tất cả chúng ta thường nghĩ ngay đến hình ảnh những chú robot trong khoa học viễn tưởng hay phim ảnh .
Ví dụ, con robot trong bộ phim nổi tiếng ” AI – Trí tuệ nhân tạo ” của đạo diễn Steven Spielberg có ngoại hình và trí mưu trí gần như giống con người, bản thân robot thậm chí còn còn không nhận ra đó là robot mà chỉ nghĩ rằng đó là con người ; Hay những con robot Open trong loạt phim ” Kẻ tiêu diệt ” có khung hình và trí mưu trí tiêu biểu vượt trội hơn người thường, những tưởng tượng táo bạo về trí tuệ nhân tạo này đã để lại một dấu ấn thâm thúy và ấn tượng so với tất cả chúng ta .
Trong những năm gần đây, sự tăng trưởng của trí tuệ nhân tạo trong nghành khoa học và công nghệ tiên tiến diễn ra nhanh hơn khi nào hết. Học máy, một nhánh của trí tuệ nhân tạo, đã lôi cuốn được sự chú ý quan tâm thoáng rộng, và học sâu, một nhánh của máy học, đã trở thành một điểm trung tâm điều tra và nghiên cứu trong những năm gần đây .
Trí tuệ nhân tạo đã từng bước phát triển như thế nào? Hôm nay, chúng ta sẽ cùng nhìn lại lịch sử của trí tuệ nhân tạo.
Năm 1949, Donald Olding Hebb xuất bản cuốn sách ” The Organization of Behavior “, trong đó diễn đạt những quy tắc học tập của Hebb và đề xuất kiến nghị khái niệm về trọng số ( Metrics ). Lý thuyết này đặt nền tảng cho thuật toán học của mạng nơ-ron nhân tạo trong học máy. Mạng nơ-ron nhân tạo là tiền thân của học sâu hiện đang rất phổ cập .
Năm 1950, Alan Turing đã xuất bản một bài báo nổi tiếng có tựa đề ” Máy móc hoàn toàn có thể tâm lý ? “, trong đó ông đưa ra khái niệm về tư duy của máy móc và đề xuất kiến nghị phép thử Turing ( một bài kiểm tra năng lực trí tuệ của máy tính. Phép thử như sau : một người chơi thực thi một cuộc tranh luận bằng ngôn từ tự nhiên với một con người và một máy tính, cả hai đều nỗ lực chứng tỏ mình là con người. Ba bên tham gia phép thử được cách ly với nhau ). Vì vậy, Turing còn được ca tụng là ” cha đẻ của trí tuệ nhân tạo “. Sau đó, để tưởng niệm những góp phần của Turing, Thương Hội Máy tính Hoa Kỳ đã xây dựng Trao Giải Turing để ghi nhận những người có góp phần xuất sắc trong nghành khoa học máy tính .
Năm 1952, Arthur Samuel đã tăng trưởng một chương trình chơi cờ có năng lực tự học và thậm chí còn hoàn toàn có thể vượt mặt những người chơi cờ chuyên nghiệp sau khi được giảng dạy .
Samuel đề xuất kiến nghị khái niệm ” học máy “, được định nghĩa là ” cung ứng cho máy tính một công dụng nhất định mà không được lập trình rõ ràng ” .
Năm 1956, khái niệm ” trí tuệ nhân tạo ” được đề xuất kiến nghị tại Hội nghị Dartmouth, thế cho nên năm 1956 được gọi là năm tiên phong của trí tuệ nhân tạo .
Năm 1957, Rosenblatt ý tưởng ra perceptron, quy mô nơ-ron sớm nhất trong triết lý mạng nơ-ron nhân tạo máy học. Ngay sau đó là sự Open của hàng loạt điều tra và nghiên cứu kim chỉ nan học sâu, tế bào cảm thụ được so sánh với quy mô nơ-ron để hiểu sâu hơn về đơn vị chức năng cơ bản của mạng nơ-ron …
Do sự nâng tầm của kim chỉ nan mạng nơ-ron nhân tạo, nghành nghề dịch vụ trí tuệ nhân tạo đã được chăm sóc rất nhiều, những cơ quan chính phủ nước nhà đã góp vốn đầu tư nhiều kinh phí đầu tư để xây dựng nhiều dự án Bất Động Sản tương quan .
Năm 1960, Vidro là người tiên phong sử dụng quy tắc học delta cho bước huấn luyện và đào tạo perceptron. Phương pháp này sau đó được gọi là giải pháp bình phương nhỏ nhất. Sự phối hợp của hai điều này tạo ra một bộ phân loại tuyến tính tốt .
Năm 1967, Giải thuật k hàng xóm gần nhất ( k-Nearest Neighbor, KNN ) Open, từ đó máy tính hoàn toàn có thể triển khai nhận dạng mẫu đơn giản .
Năm 1969, Marvin Minsky xuất bản cuốn sách ” Perceptrons “, trong đó ông yêu cầu những hạn chế của mạng nơ-ron nhân tạo. Do vị trí quan trọng của Minsky trong nghành nghề dịch vụ trí tuệ nhân tạo, và do những trở ngại trong nghành nghề dịch vụ điều tra và nghiên cứu trí tuệ nhân tạo, những nhà nghiên cứu của những dự án Bất Động Sản trí tuệ nhân tạo đã không hề thực thi lời hứa trước đó của họ. Kỳ vọng sáng sủa của mọi người về trí tuệ nhân tạo đã bị tác động ảnh hưởng nặng nề, và nhiều những dự án Bất Động Sản điều tra và nghiên cứu đã bị dừng lại hoặc chuyển hướng sang những dự án Bất Động Sản khác. Theo đó, nghiên cứu và điều tra về AI đã rơi vào thực trạng tụt dốc .
Từ giữa những năm 1970, trí tuệ nhân tạo đã bước vào ” thời kỳ tri thức “. Một lớp những chương trình AI được gọi là ” hệ chuyên viên ” ( Expert system ) khởi đầu được những công ty trên quốc tế vận dụng và ” giải quyết và xử lý kỹ năng và kiến thức ” ( Knowledge processing ) trở thành trọng tâm của điều tra và nghiên cứu AI chính thống .
Trong thời hạn này, nhiều quốc gia tiên phong đã mạnh tay vào góp vốn đầu tư những dự án Bất Động Sản tựa như với kỳ vọng sản xuất những cỗ máy hoàn toàn có thể trò chuyện với con người, dịch ngôn từ, lý giải hình ảnh và suy luận giống như con người .
Hệ chuyên viên là một chương trình hoàn toàn có thể vấn đáp hoặc xử lý những yếu tố trong một nghành đơn cử theo một tập hợp những quy tắc logic rút ra từ kiến thức và kỹ năng chuyên ngành .
Dendral, một dự án về trí tuệ nhân tạo được thiết kế từ năm 1965, có thể phân biệt các hỗn hợp dựa trên kết quả đo phổ kế. Năm 1972, MYCIN một hệ thống chuyên gia về chuỗi lạc hậu sớm sử dụng trí thông minh nhân tạo được ra đời, nó có khả năng xác định vi khuẩn gây nhiễm trùng nặng, như nhiễm khuẩn huyết và viêm màng não, và khuyên dùng kháng sinh, với liều điều chỉnh theo trọng lượng cơ thể của bệnh nhân. Theo đó, hệ thống cơ sở tri thức và kỹ thuật tri thức đã trở thành định hướng chính của nghiên cứu AI trong những năm 1980.
Năm 1982, Hopfield yêu cầu một loại mạng nơ-ron mới, sau này được gọi là mạng Hopfield, sử dụng một cách trọn vẹn mới để tìm hiểu và khám phá và giải quyết và xử lý thông tin. Đồng thời, thuật toán Viral ngược, một giải pháp huấn luyện và đào tạo của mạng nơ-ron, được yêu cầu, và thuật toán này cũng là một trong những thuật toán quan trọng của kim chỉ nan học sâu. Việc nghiên cứu và điều tra theo hướng mạng nơ-ron nhân tạo vốn im hơi lặng tiếng nhiều năm thì cho tới thời gian này đã lấy lại được sự tăng trưởng .
Năm 1986, một thuật toán quan trọng được đề xuất kiến nghị bởi Quinlan, đó là thuật toán cây quyết định hành động hay còn gọi là thuật toán ID3. So với quy mô mạng nơ-ron, thuật toán cây quyết định hành động ID3 cũng được sử dụng như một ứng dụng, bằng cách sử dụng những quy tắc đơn thuần và những tham chiếu rõ ràng để tìm ra nhiều trường hợp sử dụng thực tiễn hơn. Cây quyết định hành động là một kỹ thuật được sử dụng liên tục trong khai thác tài liệu, hoàn toàn có thể được sử dụng để nghiên cứu và phân tích tài liệu cũng như đưa ra Dự kiến .
Năm 1990, Schapire lần tiên phong kiến thiết xây dựng một thuật toán cấp đa thức, thuật toán Tăng cường bắt đầu. Một năm sau, Freund đề xuất kiến nghị một thuật toán Thúc đẩy hiệu suất cao hơn .
Năm 1995, Freund và Schapire đã nâng cấp cải tiến thuật toán Tăng cường và yêu cầu thuật toán AdaBoost ( Tăng cường thích ứng ). Hiệu quả của thuật toán này gần như tương tự với thuật toán Tăng cường do Freund yêu cầu năm 1991, nhưng dễ vận dụng hơn vào những yếu tố thực tiễn .
Cùng năm đó, một trong những cải tiến vượt bậc quan trọng nhất trong nghành học máy, tương hỗ máy vectơ ( SVM ), được đề xuất kiến nghị bởi Vapnick và Cortez trong một số lượng lớn những điều kiện kèm theo kim chỉ nan và thực nghiệm. Kể từ đó, điều tra và nghiên cứu học máy đã được chia thành hướng mạng nơ-ron và hướng máy vector tương hỗ .
Năm 1997, siêu máy tính Deep Blue của IBM vượt mặt nhà vô địch cờ vua quốc tế Kasparov đã lôi cuốn sự chú ý quan tâm của cả quốc tế .
Năm 2001, Brehman yêu cầu quy mô cây quyết định hành động tổng hợp, gồm có một tập hợp con ngẫu nhiên của những thành viên và mỗi nút được chọn từ một loạt những tập con ngẫu nhiên. Do đặc tính này, nó còn được gọi là Random forest ( RF ) .
Vào năm 2006, chuyên viên mạng nơ-ron Hinton đã đề xuất kiến nghị một thuật toán học sâu mạng nơ-ron, giúp cải tổ đáng kể năng lực của mạng nơ-ron, thử thách những máy vectơ tương hỗ và khởi đầu làn sóng học sâu trong giới học thuật và công nghiệp .
Học sâu được cho phép những quy mô thống kê giám sát với nhiều lớp giải quyết và xử lý để học từ tài liệu với nhiều lớp trừu tượng. Những chiêu thức này đã dẫn đến những nâng cấp cải tiến đáng kể trong nhiều nghành, gồm có nhận dạng giọng nói văn minh, nhận dạng hình ảnh trực quan, phát hiện hình ảnh và nhiều nghành nghề dịch vụ khác như phát hiện ma túy và gen .
Học sâu hoàn toàn có thể mày mò những cấu trúc phức tạp trong tài liệu lớn. Nó sử dụng thuật toán BP để hoàn thành xong quy trình mày mò. Thuật toán BP hoàn toàn có thể hướng dẫn máy cách lấy lỗi từ lớp trước và đổi khác những thông số kỹ thuật bên trong của lớp này, và những thông số kỹ thuật bên trong này hoàn toàn có thể được sử dụng để thống kê giám sát, trình diễn. Mạng tích hợp sâu đã mang lại những nâng tầm trong việc giải quyết và xử lý hình ảnh, video, lời nói và âm thanh, trong khi mạng lặp lại đã cho thấy những điểm sáng trong việc giải quyết và xử lý tài liệu tuần tự như văn bản và giọng nói .
Đồng thời, với sự tăng trưởng không ngừng của tài liệu lớn, một số ít yếu tố lúc bấy giờ không còn hoàn toàn có thể xử lý theo cách thủ công bằng tay và thường cần sự trợ giúp của máy tính để hoàn thành xong một số ít giải quyết và xử lý tài liệu phức tạp. Sự tích hợp giữa trí tuệ nhân tạo và tài liệu lớn là điểm điển hình nổi bật của những nghiên cứu và điều tra lúc bấy giờ .
Các phương pháp học thống kê phổ cập nhất trong trí tuệ nhân tạo là học sâu và máy vectơ tương hỗ, là chiêu thức đại diện thay mặt cho học tập thống kê. Có thể coi cả mạng nơ-ron và máy vectơ tương hỗ đều có nguồn gốc từ những perceptron .
Mô hình mạng nơ-ron thường được sử dụng để thực thi những trách nhiệm khó khăn vất vả như nhận dạng đối tượng người tiêu dùng, nhận dạng giọng nói, giải quyết và xử lý ngôn từ tự nhiên, v.v. Trong khi đó, tính đơn thuần của SVM lại khiến nó vẫn là phương pháp học máy được sử dụng thoáng rộng nhất .
Cải tiến là bản chất của công nghệ và tốc độ cải tiến của nó là cấp số nhân. Tăng trưởng theo cấp số nhân xảy ra khi số lượng tăng tỷ lệ với kích thước của một thứ gì đó. Ví dụ, tiền lãi trả cho một tài khoản ngân hàng tỷ lệ thuận với số dư của nó. Miễn là tăng trưởng theo cấp số nhân thì sẽ có thời gian không đổi.
Bởi vậy hoàn toàn có thể nói sự tăng trưởng của trí tuệ nhân tạo ngày thời điểm ngày hôm nay chỉ là một điểm khởi đầu. Nếu sức mạnh của công nghệ tiên tiến điện toán liên tục tăng trưởng, thì trong tương lai, sự tăng trưởng của AI sẽ là viễn cảnh khó lòng hoàn toàn có thể Dự kiến đúng mực và hoàn toàn có thể một ngày không xa, trí tuệ nhân tạo sẽ vượt xa sự mưu trí của con người ở nhiều góc nhìn .
( Theo Trí Thức Trẻ )
Tháng 3/2022, Ukraine thông tin đã thu giữ được 1 đơn vị chức năng Krasukha-4, mạng lưới hệ thống tác chiến điện tử tân tiến nhất của quân đội Nga tại mặt trận gần Kiev. Ngay lập tức, mạng lưới hệ thống này được chuyển giao cho phía Mỹ “ phẫu thuật ” .
