क्या 1960 के दशक में कृत्रिम बुद्धिमत्ता पर काम करने वाले वैज्ञानिकों और इंजीनियरों के शुरुआती अति आत्मविश्वास का कारण है?


21

मैंने अभी एक AI & Data Mining वर्ग, और पुस्तक की शुरुआत की है एआई एप्लीकेशन प्रोग्रामिंग, एआई के इतिहास के अवलोकन के साथ शुरू होता है। पहला अध्याय 1940 से लेकर आज तक एआई के इतिहास से संबंधित है। एक खास बयान मेरे ऊपर अटका:

[60 के दशक में] AI इंजीनियरों ने ओवरप्रोमाइज्ड और अंडरडेलीवर किया ...

अति आत्मविश्वास का कारण क्या था? क्या यह गणितीय भविष्यवाणी मॉडल के कारण दिखा रहा था कि एक सफलता कोने के आसपास थी, या कभी बढ़ती हार्डवेयर क्षमता के कारण लाभ लेने के लिए?


4
हब्रीस समस्या सार्वभौमिक है। अधिक विवरण के लिए 'रैंडमनेस द्वारा बेवकूफ' पढ़ें। en.wikipedia.org/wiki/Fooled_by_Randomness
Job

1
यदि आपकी लाइब्रेरी के पास इसकी एक प्रति है, तो डौग लेनैट के पेपर, "एएम और EURISKO काम क्यों करते हैं"। आर्टिफिशियल इंटेलिजेंस 23 (3): पीपी 269-294। पढ़ने लायक हो सकता है। (एएम और EURISKO डग लेनट के अपने कार्यक्रम थे)। यह, हालांकि, 60 के दशक के बाद ठीक है। व्यक्तिगत रूप से मुझे लगता है कि यह इसलिए था क्योंकि कुछ शुरुआती परियोजनाएँ बहुत सफल थीं, इसलिए ऐसा लग रहा था कि कुछ सरल तकनीकों का उपयोग करके कई समस्याएं घुलनशील होंगी। काश, यह मामला साबित नहीं होता।
MZB

7
उम्मीद से ज्यादा मुश्किल थी समस्या। बहुत कठिन।

8
@ Thorbjørn मुझे नहीं पता कि क्यों, लेकिन मैं कल्पना कर सकता हूं कि इंजीनियर के एक नोटबुक के हाशिये में फंसे होने से पहले वह कार्यालय से बाहर निकलता है और सभी पवित्रता को खोते हुए टिपिंग प्वाइंट तक पहुंचता है।
थॉमस ओवेन्स

3
यह जवाब में डालने लायक नहीं है, लेकिन आपको उन समय के सामाजिक संदर्भ को भी देखना चाहिए। पश्चिमी दुनिया, विशेष रूप से अमेरिका, द्वितीय विश्व युद्ध के माध्यम से रहा था और उसने बहुत सारी तकनीक विकसित की थी जिसने बहुत सारी कठिन समस्याओं को हल किया था। एक सामान्य समझ थी कि हम किसी भी समस्या को दूर कर सकते हैं जिसे हम हल करने के लिए अपना दिमाग लगाते हैं। इसे घमंड या हवस कहना शायद सबसे ऊपर है; मैं बेलगाम आशावाद की तरह कुछ के लिए और अधिक जाना होगा।
18

जवाबों:


30

मेरी निजी राय यह है कि यह हब्रीस के कारण था । 60 और 70 के दशक में MIT, स्टैनफोर्ड इत्यादि के हॉल घूमने वाले कुछ बड़े बड़े अहंकारी थे और उन्हें पता था कि उन्होंने इस समस्या को तोड़ दिया है। सही।

हालाँकि मैं उन दिनों में उस ब्रह्मांड का हिस्सा नहीं था, 80 के दशक के मध्य में मैं समानता खोज के साथ काम कर रहा था। हमारा काम शुरू में 60 के दशक में कॉर्नेल में जेरार्ड सैलटन द्वारा किए गए शोध पर आधारित था , जो दस्तावेजों और प्रश्नों का प्रतिनिधित्व करने के लिए भारित विशेषता वाले वैक्टर का उपयोग करता था। यह वास्तव में एक प्रयोग करने योग्य दृष्टिकोण था, लेकिन जब तंत्रिका जाल आग की लपटों में कम हो गए (कम से कम जब तक वे वापस प्रचार की खोज नहीं करते ), तो साल्टन के काम को तंत्रिका जाल के समान (सजा का इरादा) के कारण इसके साथ शामिल किया गया था। वह कुछ अलग करने की कोशिश कर रहा था, लेकिन कई साल ऐसे भी रहे, जहां वह बाकी लोगों के साथ लपका।

हर बार जब कोई व्यक्ति वर्तमान ईंट की दीवार के समाधान के लिए आता है तो वे बहुत उत्साहित हो जाते हैं और एआई को एक हल की हुई समस्या घोषित करते हैं। केवल यह नहीं है। क्योंकि पीछे कि ईंट की दीवार एक और एक है। यह चक्र बार-बार दोहराया गया है, और बार-बार, और न केवल एआई में। मेरा दृढ़ विश्वास है कि सभी भावी कंप्यूटर वैज्ञानिकों और इंजीनियरों को कम्प्यूटिंग के इतिहास में एक सेमेस्टर-लंबी कक्षा लेने के लिए आवश्यक होना चाहिए , अगली बड़ी चीजों की संख्या पर विशेष जोर के साथ ™ जो रॉकेट की तरह ऊपर गए ... और फिर एक बहुत बनाया घाटी के फर्श में बड़ा गड्ढा।

परिशिष्ट: मैंने एक पुराने दोस्त के साथ श्रम दिवस सप्ताहांत बिताया और हमने इस बारे में थोड़ी बात की। संदर्भ - यह पता लगाना कि इसका क्या अर्थ है, इसका प्रतिनिधित्व कैसे करें, और फिर इसका उपयोग कैसे करें - संभवतः सबसे बड़ी बाधा के रूप में सामने आया। और जितनी देर तुम उसे देखते हो, उतनी बड़ी बाधा बन जाती है। मनुष्य "क्या हो रहा है," के एक विशाल भंडार के खिलाफ "क्या हो रहा है" के अद्भुत, निकट-तात्कालिक आंशिक-पैटर्न मिलान के लिए सक्षम हैं, और फिर वर्तमान स्थिति के साथ अतीत के उस ज्ञान को मिलाकर एक संदर्भ बनाने के लिए जिसमें समझ कार्रवाई के लिए नेतृत्व कर सकते हैं। उदाहरण के लिए, हम इसे वाल्डो ग्रेड के नीचे की तरह "हम जिन चीज़ों को अनदेखा कर सकते हैं / नहीं कर सकते" के एक शक्तिशाली फ़िल्टर के रूप में उपयोग कर सकते हैं 60 MPH ट्रैफिक के साथ 4 लेन अचानक और केवल 3 या 4 फीट (या उससे कम) अलग हो गए।

स्पेक्ट्रम के बारे में stuff > data > information > knowledge > understanding > judgementहम अभी भी जानकारी / ज्ञान के चरणों को प्राप्त करने के लिए तनाव में हैं, और यहां तक कि यह अत्यधिक विवश डोमेन के लिए सीमित है ।


1
एआई एक पर्वत श्रृंखला की तरह है। हम कहीं तलहटी में हैं और हम उस चोटी को देख सकते हैं जिस पर हम चढ़ना चाहते हैं, लेकिन हमें पता नहीं है कि अगली पहाड़ी पर क्या है या हमारे लक्ष्य तक पहुँचने के लिए हमने और कितनी पहाड़ियों पर चढ़ना छोड़ दिया है।
CdMnky

1
IMO, यह वास्तव में परिष्कृत, अत्यधिक सामान्यीकृत पैटर्न मान्यता के बिना नहीं हो सकता। बस बहुत सारे सामान के बारे में पढ़कर उन्होंने मुझे भोले की तरह मारा या शायद बाएं-दिमाग वाले, जो कि सामान्य रूप से कम से कम जब मैं 80 के दशक में इसके बारे में जागरूक हो गया था, तो मुझे समझ में आने वाली प्रोग्रामिंग मिल गई।
एरिक रेपेने

17

काफी बस, उन्होंने बड़े पैमाने पर हाथ में समस्या के पैमाने को कम करके आंका, विशेष रूप से जहां कॉम्बीनाटिनाटोरियल विस्फोट का संबंध है। कई एआई समाधान "खिलौना" नमूनों के लिए ठीक काम करते हैं, लेकिन जब वे मानव-स्तर की समस्याओं के लिए बड़े पैमाने पर विफल हो जाते हैं।

यकीनन, वे भी अनुभवहीन थे। एक क्षेत्र के रूप में एआई केवल (अपेक्षाकृत) केवल व्यावहारिक अनुप्रयोगों के संदर्भ में आविष्कार किया गया था, इसलिए किसी को भी कुछ भी करने के लिए सिद्धांत लागू करने का महत्वपूर्ण अनुभव नहीं था।


मुझे इसका ज्यादा पता नहीं है लेकिन मैंने हमेशा सोचा है कि Google की कई विशेषताएं AI पर आधारित हैं। इस पर मेरी बुरी समझ है?
user10326

@ user10326: वे हैं। लेकिन मैं यह नहीं देखता कि हाथ में विषय के साथ क्या करना है- सवाल में अवधि के बाद 30 वर्षों तक Google का अस्तित्व नहीं था।
डेडएमजी सेप

ठीक है, लेकिन मैं जो कह रहा हूं वह यह है कि उन्होंने (Google) ने एआई का व्यावहारिक तरीके से उपयोग किया है, मेरा मतलब है कि ऐसा नहीं हो सकता है कि उन्होंने तब "कल्पना" की हो, लेकिन फिर भी Google की सुविधाओं का उपयोग एक गैर का उपयोग करके किया जा सकता है। ऐ भाषा?
user10326

4
@ user10326, जैसा कि मैं इसे समझता हूं, Google बहुत ही उन्नत अनुमान लगाने की प्रणाली का उपयोग कर रहा है। मूल रूप से, यह उपयोगकर्ता गतिविधि के पहाड़ों का विश्लेषण करता है और पैटर्न को अतिरिक्त रूप देने का प्रयास करता है। एआई की मूल दृष्टि एक सच्चे डिजिटल दिमाग का निर्माण करना था जो मानव मस्तिष्क की तरह काम करता था। वास्तव में, एआई का गठन करने पर भी सहमत होने में विफलता क्षेत्र के पतन में से एक है।
जिग्गी

@ user10326: अभी भी प्रासंगिकता को समझने में विफल है।
डेडएमजी सेप

15

मैं कुछ कारणों के बारे में सोच सकता हूं।

एआई ने 50 के दशक के अंत और 60 के दशक की शुरुआत में टॉय समस्याओं में से कुछ के साथ ऐसी तेजी से सफलता का अनुभव किया, कि उन्होंने जो कुछ भी किया था उसे कम कर दिया। एलिजा और SHRDLU अपेक्षाकृत सरल कार्यक्रम होने के बावजूद लोगों को चौंकाते हैं। दुर्भाग्य से, उन कार्यक्रमों का एक बड़ा हिस्सा तेजस्वी वास्तव में सिर्फ नवीनता था। आज कोई भी एलिजा के साथ बातचीत से बहुत प्रभावित नहीं है, लेकिन उस समय लोगों को लगा कि यह चमत्कारी है।

इसके अलावा, जैसा कि समस्याएं "हल" होती हैं या कम से कम ट्रैक्टेबल हो जाती हैं, लोग एआई के रूप में उनके बारे में लंबे समय तक नहीं सोचते हैं। कोड अनुकूलन एक AI समस्या हुआ करती थी। सांख्यिकीय शिक्षा एआई से बाहर अपनी खुद की विशेषता में उकसाया, और इसके साथ भाषण मान्यता ली। जैसे ही डाटा माइनिंग मुख्यधारा बनती है, यह एआई के साथ अपना जुड़ाव ढीला करेगी। समय के साथ एआई अपनी सफलताओं को भूल जाता है और अचूक और अघुलनशील समस्याओं को पकड़ लेता है, और यह एक फ्लॉप की तरह समाप्त होता है।


5
"अगर यह अब जादू (3) नहीं है, तो अच्छा है, यह कोई और नहीं है"।
पिस्कोवोर

लेकिन क्या सांख्यिकीय शिक्षा और डेटा खनन AI सिद्धांत रूप में नहीं है?
user10326

@ user10326, निश्चित रूप से अधिकांश संदर्भ अभी भी मशीन लर्निंग को एआई की एक शाखा के रूप में वर्गीकृत करते हैं, लेकिन मुझे यह धारणा मिलती है कि एमएल में काम करने वाले बहुत सारे लोग अगर आप को बताएंगे कि उन्होंने एआई में काम किया है। मुझे लगता है कि वे आपको बताएंगे कि व्यावहारिक रूप से, एमएल आंकड़ों की एक शाखा है, और बुद्धि, कृत्रिम या अन्यथा में कोई विशेष अंतर्दृष्टि प्रदान नहीं करता है।
चार्ल्स ई। ग्रांट

12

मुझे लगता है कि 60 के दशक में लोगों ने अपने स्वयं के मानव अनुभव का उपयोग "कठिन समस्याओं" और "आसान समस्याओं" में विभाजित करने के लिए किया था: शतरंज जीतने, तार्किक पहेलियों को हल करने, गणितीय समीकरणों को हल करने जैसी चीजें हमें मनुष्यों के लिए कठिन लगती हैं। प्राकृतिक भाषाओं को समझने या किसी छवि में वस्तुओं की रूपरेखा खोजने जैसी चीजें आसान लगती हैं, क्योंकि हमारा मस्तिष्क सचेत प्रयास के बिना सभी काम करता है। जब हम यह समझाने की कोशिश करते हैं कि हम उन चीजों को कैसे करते हैं, तो हम सरल स्पष्टीकरण के साथ आते हैं जैसे "अंग्रेजी वाक्यों में हमेशा संरचना विषय-विधेय-वस्तु होती है जहां विषय एक साधारण शब्द या वाक्यांश हो सकता है ...", या "मैं हूँ किनारों की तलाश और उन्हें वस्तु सीमाओं से कनेक्ट करें ”। आज हम जानते हैं कि चीजें सरल नहीं हैं, लेकिन केवल इसलिए कि सभी सरल (और बहुत सारे नहीं तो सरल) समाधानों की कोशिश की गई है और '

इसके अलावा, यह गिरावट 60 के दशक में शुरू नहीं हुई थी: उन "कठिन समस्याओं" को हल करने के तरीके पर शोध की सदियों से है (सांख्यिकी, खेल सिद्धांत, निर्णय सिद्धांत, गणित, लॉजिक्स, आदि), लेकिन मुझे यकीन है, किसी को भी कभी भी नहीं 1950 के पहले प्राकृतिक भाषाओं को कैसे पार्स किया जा सकता है, यह जानने के लिए परेशान।

और आज भी, आप नियमित रूप से स्टैकओवरफ़्लो पर सवाल पा सकते हैं, जहां लोग पूछते हैं कि वे अंग्रेजी वाक्यों को कैसे पार्स कर सकते हैं, एक छवि में किसी व्यक्ति की उम्र का अनुमान लगा सकते हैं, न्यायाधीश यदि एक छवि "काम के लिए सुरक्षित" है या यदि दो छवियां एक ही चीज दिखाती हैं। । मुझे नहीं लगता कि लोग हैं, जो इन सवालों को पूछने बहुत अधिक अभिमान या अहंकार से ग्रस्त हैं: इन समस्याओं को सिर्फ इतना आसान है, यह अविश्वसनीय है कि वहाँ लगता है उन्हें हल करने के लिए कोई सरल एल्गोरिथ्म।


3
मेरा मानना ​​है कि यह हबरिस सिद्धांत के बजाय सही उत्तर है, जो इस साइट पर दृढ़ता से समर्थित लगता है। जिन चीजों के बारे में हमने सोचा था कि मनुष्य मशीनों के लिए अपेक्षाकृत आसान था, दूसरी ओर मशीनों के लिए मनुष्य के लिए अविश्वसनीय रूप से सरल चीजें बहुत कठिन हैं।
एलेक्स सीपी

11

एआई में निराशाओं का एक लंबा इतिहास है, लेकिन मुझे लगता है कि कई आलोचकों को अक्सर अधिक सरल बना दिया जाता है, जैसे कि आपके उद्धरण के साथ "1960 के इंजीनियरों ने अधिरोहित और अल्पविकसित"।

60 के दशक में, AI शोधकर्ताओं के एक रिश्तेदार मुट्ठी भर का क्षेत्र था (यह क्षेत्र वास्तव में अभी तक इसे इंजीनियरिंग कहने के लिए पर्याप्त रूप से विकसित नहीं किया गया था), ज्यादातर विश्वविद्यालयों में, और उनमें से बहुत कम प्रोग्रामर थे।

1950 में कंप्यूटिंग मशीनों की अचानक उपलब्धता से स्वचालन के लिए बहुत उम्मीदें थीं, विशेष रूप से प्राकृतिक भाषा के मशीन अनुवाद, शतरंज खेलना और इसी तरह की समस्याओं में। आपको उन दिनों से सफलता की कुछ वास्तविक भविष्यवाणियां मिल सकती हैं, लेकिन जो वादे अनिवार्य रूप से सामने आए, उनमें से किसी ने भी उन समस्याओं में से एक को गहराई से निपटाया। (या, उन्होंने गलत तरीके से एक सफलता को दूसरे की गारंटी माना, जैसे कि शमूएल को चेकर्स के साथ इतनी सफलता मिलने के बाद अच्छा शतरंज खेलने में सक्षम होने की उम्मीद करना ।)

इसके अलावा, "उन्होंने कहा", "उन्होंने महसूस किया", "उन्होंने सोचा", आदि के किसी भी दावे से सावधान रहें; पूर्वव्यापी राय (जैसे यह!) चारों ओर फेंकना आसान है, जबकि "विशेषज्ञों" (जो वास्तव में किसी समस्या को हल करने की कोशिश की) द्वारा वास्तविक भविष्यवाणियों के प्रमाणों को खोजने के लिए बहुत कठिन हो सकता है।

ओवरप्रोमाइजिंग और अनडिलीवरिंग हमेशा सॉफ़्टवेयर डेवलपमेंट का एक लक्षण रहा है, भले ही उस विशिष्ट क्षेत्र की परवाह किए बिना जहां प्रोग्रामिंग लागू होती है। एआई के साथ एक बड़ी कठिनाई यह है कि गैर-तुच्छ समस्याएं अधिकांश इंजीनियरों की क्षमताओं से परे हैं। उदाहरण के लिए, हालांकि चार्ल्स ई। ग्रांट का जवाब एलिजा और SHRDLU को "अपेक्षाकृत सरल" के रूप में वर्गीकृत करता है, मैं कहूंगा कि यह केवल एलिजा (जो कि प्रथम वर्ष के अधिकांश प्रोग्रामिंग छात्र शायद बहुत कठिनाई के बिना लागू कर सकते हैं) सच है। दूसरी ओर, SHRDLU एक बड़ा, अत्यंत परिष्कृत कार्यक्रम है जिसे अधिकांश प्रोग्रामर को लागू करने में बहुत कठिन समय का आविष्कार करना होगा। दरअसल, विश्वविद्यालय के छात्रों की दो टीमें भी स्रोत कोड को पूरी तरह से फिर से नहीं चला सकती हैं, और SHRDLU जैसी क्षमताओं को अभी भी 40 साल बाद, आजकल खोजना मुश्किल है।

चूँकि AI शायद कम से कम समझी जाने वाली और सबसे अट्रैक्टिव समस्याओं में से एक है जहाँ कंप्यूटर को लागू किया जा सकता है, कुल मिलाकर मैं कहूँगा कि AI में प्रगति आम तौर पर कोर्स के लिए बराबर रही है। अभी भी उच्च उम्मीदें हैं , और 60 के दशक से हमारी हार्डवेयर गति और क्षमता बहुत बढ़ गई है, लेकिन मैं कहूंगा कि इंजीनियरों की क्षमता और एआई की समझ में इतना सुधार नहीं हो रहा है, इसलिए ट्यूरिंग टेस्ट पास करने जैसी एक पवित्र कब्र अभी भी है शायद एक लंबा रास्ता बंद है, और overpromising और underdelivering शायद कुछ समय के लिए जारी रहेगा।


पुन: ट्यूरिंग टेस्ट: मैंने जॉर्जिया टेक शिक्षण सहायक कार्यक्रम के बारे में पढ़ा, जो अधिकांश छात्र नहीं बता सकते हैं कि यह "एआई" है। वे उस की तलाश नहीं कर रहे थे, लेकिन यह निश्चित रूप से उन पर कूद नहीं सकता था। मुझे लगता है कि सामान्य बातचीत बहुत जल्द हल हो जाएगी। मैंने हाल ही में किसी व्यक्ति को एक नई Google इको चीज़ (जो भी कहा जाता है) के साथ खेलते हुए देखा। दयनीय, ​​लेकिन यह कितनी देर तक रहेगा, लाखों बंदरों ने इसे बातचीत के नमूने खिलाए?

5

मुझे लगता है कि इसका कारण अहंकार था। अगर मैं 60 के दशक में एआई में काम करने वाला इंजीनियर होता, तो मैं अपने आप में बहुत अहंकारी होता।

मुझे लगता है कि महान चीजों को पूरा करने के लिए, आपको महान चीजों के लिए पहुंचना होगा। जब तक आप सीमा से अधिक न हों, तब तक ओवरप्रोमाइजिंग एक बुरी चीज नहीं है। वैज्ञानिक आज ऐसी चीजों का वादा कर रहे हैं जिन पर मुझे विश्वास नहीं है कि यह संभव होगा, लेकिन अगर वे उस तक नहीं पहुंचते हैं, तो हम इसे याद करेंगे कि परिणामस्वरूप क्या पूरा होगा।


4

जब आप नहीं जानते कि आप कहां जा रहे हैं, तो इसे प्राप्त करना बहुत कठिन हो सकता है।

यदि हमारे पास कुछ प्रकार की उचित व्याख्या होती है कि खुफिया क्या है और यह कैसे काम करता है, तो शायद हम इसे प्रभावी ढंग से नकल करने के लिए एक शॉट देंगे। ट्यूरिंग परीक्षण आकर्षक और उपयोगी है, लेकिन हमें सच्ची बुद्धिमत्ता का मॉडल बनाने में मदद करने के लिए पर्याप्त नहीं है। सभी के लिए हम जानते हैं, खुफिया का "मॉडल" सच्ची बुद्धि के लिए पर्याप्त नहीं हो सकता है।


3
पहले वाक्य के लिए +1।
मेसन व्हीलर

हो सकता है कि हम बुद्धिमान न हों जो बुद्धिमत्ता को समझने में सक्षम हों, या यहां तक ​​कि इसका एक मॉडल भी। लेकिन हम एक क्रमी मॉडल का निर्माण कर सकते हैं, तो क्या यह अपने आप काम करता है ...

2

खैर, मैं कहूंगा कि कमोबेश यही हाल ओडब्ल्यूएल के साथ हो रहा है। चारों ओर देखें, और समानताएं खींचने की कोशिश करें।

कागज पर अच्छा लगता है, खिलौने की समस्याओं पर अच्छी तरह से काम करता है, अधिकांश वास्तविक डेटा पर अविश्वसनीय रूप से जटिल हो जाता है।


OWL क्या है? Ostwestfalen-Lippe?
सेल्के


2

दिए गए अच्छे उत्तरों के अलावा, दो अवलोकन:

दिन के कुछ उद्धरणों से प्रतीत होता है कि कई शोधकर्ता सोच रहे थे कि एक बार तेज कंप्यूटर तैयार करने के बाद तुच्छ समाधान को बढ़ाया जा सकता है। कुछ प्रकार के लर्निंग सिस्टम के लिए यह बहुत सही था, लेकिन मुझे लगता है कि ओपी जिस तरह की बात कर रहा है, उसके लिए यह वास्तव में बड़े पैमाने पर बेहतर नहीं है।

उस समय शोधकर्ताओं के पास मानव मन की जटिलता का बहुत कम अनुमान था (ट्यूरिंग टेस्ट जैसे विचारों पर ध्यान केंद्रित, यह विचार कि लोग केवल अपने मस्तिष्क का एक छोटा प्रतिशत कभी उपयोग करते हैं, आदि)। एक साधारण जानवर के स्तर पर एआई को कुछ उपायों द्वारा हासिल किया गया है क्योंकि चीजों को बढ़ाया गया था, लेकिन मानव स्तर एआई के लिए कूद उम्मीद से बहुत बड़ा था। इससे कुछ शोधकर्ताओं ने उस अंतराल को पाटने के प्रयास के रूप में बेबी सिस्टम और अन्य विकास / विकास आधारित सिमुलेशन सीखने की कोशिश की।


एक सरल मस्तिष्क (कीट, मछली, सरीसृप) व्यवहार को अच्छी तरह से संभाल सकता है , लेकिन तर्क को संभालना एक अलग समस्या है। इसलिए मुझे लगता है कि एआई जल्द ही एक समस्या डोमेन के बारे में समझाने में सक्षम होगा, लेकिन योगदान करने या उपन्यास समस्याओं को हल करने में सक्षम होने के लिए कुछ भी सार्थक नहीं है। दिलचस्प क्षेत्र वह है जहां छोटे दिमाग (पक्षी) जटिल चीजों की तरह कर सकते हैं जैसे कि संवादात्मक इनपुट का जवाब देना और मनोरंजक चीजों का आविष्कार करना (तोता जो लोगों को देखने के लिए दरवाजे की आवाज़ की नकल करता है, फिर दरवाजे का जवाब देता है, फिर हंसी की आवाज की)।

1

एक कारण यह था कि हम 1960 के दशक में ELSEWHERE थे। हमने अभी-अभी अंतरिक्ष में लॉन्च किया था, और जल्द ही चाँद पर एक आदमी उतरेगा। हमने पोलियो, और अन्य बड़ी बीमारियों के इलाज की खोज की थी।

लेकिन "कृत्रिम बुद्धिमत्ता" उस "इंजीनियरिंग" समस्याओं से एक अलग जानवर था जो हमने तब सामना किया था। यह "मैकेनिकल" समस्या के बजाय "तर्क" था।

संक्षेप में, AI (1960 के दशक में) एक विचार था "जिसका समय अभी तक नहीं आया था।" अधिक विकास हुआ, बाद के दशकों में, इससे पहले कि यह अन्य समस्याओं की तरह सुलभ हो जाए।


0

एक और कारण यह हो सकता है कि कंप्यूटर / कंप्यूटर प्रोग्राम लिखने में महारत हासिल करने से हमें थोड़ा नियंत्रण मिलता है जो सर्वव्यापीता की भावना पैदा करता है - वास्तव में, कोई व्यक्ति कम ब्रह्मांड बनाता है, यद्यपि बंद व्यक्ति।

इसके अलावा दार्शनिक / महामारी विज्ञान की शिक्षा की कमी और सरल व्याख्याओं में भोले विश्वास जैसे "इंटेलिजेंस के अलावा कुछ भी नहीं है ...." से पतिव्रता बन सकती है।

हमारी साइट का प्रयोग करके, आप स्वीकार करते हैं कि आपने हमारी Cookie Policy और निजता नीति को पढ़ और समझा लिया है।
Licensed under cc by-sa 3.0 with attribution required.