ปัญญาประดิษฐ์: คู่มือฉบับสมบูรณ์

ในช่วงห้าสิบปีที่ผ่านมา ฝ่ายวิจัยปัญญาประดิษฐ์ได้กระตุ้นคุณลักษณะอันยิ่งใหญ่ที่ประชาชนทั่วไปไม่ได้มองว่าเป็น AI ความพยายามออนไลน์ส่วนใหญ่ของเรารวมถึงรูปแบบของ AI (ตัวแทนเสมือน การจดจำรูปแบบ การโฆษณาที่ตรงเป้าหมาย) อย่างไรก็ตาม สิ่งที่ได้ทำไปแล้วทั้งหมดเป็นเพียงเม็ดทรายที่อ้างอิงถึงสถานการณ์ที่เลวร้ายในอนาคต เพื่อที่จะวางตำแหน่งตัวเองตามความก้าวหน้าเหล่านี้ เราจำเป็นต้องได้รับความรู้เกี่ยวกับกระบวนการนี้

องค์กรธุรกิจเริ่มตระหนักมากขึ้นว่าปัญญาประดิษฐ์สามารถ (และในอนาคต) จะเป็นปัจจัยสำคัญสู่ความสำเร็จ ในปัจจุบัน คุณสมบัติเหล่านี้ถูกนำมาใช้ในอัลกอริธึมการวิเคราะห์ข้อมูลซึ่งมีความสามารถในการจัดเก็บ ประมวลผล และวิเคราะห์บิ๊กดาต้าอย่างเหมาะสม (อีกขอบเขตหนึ่งของการจัดการธุรกิจที่กำลังเติบโต) แต่จะรวมอัลกอริธึมการเพิ่มประสิทธิภาพผลิตภัณฑ์และเทคนิคการมีส่วนร่วมของลูกค้าที่ซับซ้อนในเร็วๆ นี้

Shutterstock.com | Tatiana Shepeleva

ในบทความนี้ เราจะนำเสนอคู่มือปัญญาประดิษฐ์ฉบับสมบูรณ์ผ่านหัวข้อที่ 1) ต้นกำเนิดของ AI; 2) เป้าหมายของ AI ; 3) วิธีการและเครื่องมือ ; 4) ประเด็นด้าน AI ; 5) การ สมัครเป็นผู้ประกอบการ และ 6) ตัวอย่างการนำ AI ไปใช้ในธุรกิจ

ต้นกำเนิดของปัญญาประดิษฐ์

แนวคิดและภูมิหลังทางปรัชญา

รากฐานของแนวคิดที่เกี่ยวกับการสร้างปัญญาประดิษฐ์สามารถสืบย้อนไปถึงหุ่นยนต์ที่สร้างขึ้นโดยอารยธรรมอียิปต์และจีน ตลอดจนถึงตำนานเทพเจ้ากรีกโบราณ การใช้คุณสมบัติของมนุษย์กับวัตถุและความคิดที่เป็นนามธรรมเป็นวิธีหนึ่งที่ผู้คนใช้เหตุผลกับการดำรงอยู่ของพวกเขาตั้งแต่วินาทีที่พวกเขาได้รับสติ

ด้วยการพัฒนาตรรกะและการเกิดขึ้นของสาขาการให้เหตุผลเชิงสัญลักษณ์ของปรัชญา การสร้างเครื่องจักรที่สามารถเลียนแบบสติปัญญาของมนุษย์จึงเป็นไปได้ในทางปฏิบัติ การให้เหตุผลเชิงสัญลักษณ์ระบุว่าสัญลักษณ์ (ตัวเลข กราฟ การคำนวณ สถิติ ฯลฯ) สามารถใช้แทนคำที่มีความหมายเหมือนกันสำหรับนิพจน์ที่ยาวขึ้นเพื่อแก้ปัญหา แนวคิดนี้เสนอในศตวรรษที่ 16 โดย Thomas Hobbes ซึ่งถือเป็น 'ปู่ของ AI'

นอกจากนี้ เมื่อวิศวกรรมก้าวหน้าไปตลอดหลายศตวรรษ ทั้งสองสาขาเริ่มมีความสัมพันธ์กัน คอมพิวเตอร์เครื่องแรก – Analytical Engine ได้รับการออกแบบในศตวรรษที่ 19 โดย Charles Babbage (แต่ไม่ได้สร้างจนกระทั่งปี 1991) ด้วยความก้าวหน้าอย่างต่อเนื่องของเทคโนโลยีตั้งแต่ช่วงต้นศตวรรษที่ 20 เป็นต้นมา ตลอดจนความจำเป็นที่เพิ่มขึ้นในการทำความเข้าใจกระบวนการทางคอมพิวเตอร์ให้ดียิ่งขึ้น จึงได้สร้างแบบจำลองต่างๆ และวาทกรรมเชิงทฤษฎีขึ้น

การทดสอบทัวริง

Alan Turing ตีพิมพ์งานพื้นฐานเกี่ยวกับประเด็นนี้ในปี 1950 – กระดาษคอมพิวเตอร์และข่าวกรอง ในบทความนี้ เขาได้เสนอแบบจำลองเครื่องจักรทัวริง ซึ่งเขาได้กล่าวถึงความเป็นไปได้ทางทฤษฎีของสิ่งที่สามารถคำนวณได้ เพื่อที่จะหักออกว่าความเป็นไปได้ในการคำนวณขยายไปถึงขอบเขตของความฉลาดของมนุษย์หรือไม่ เขาได้สร้างการทดสอบทัวริง วัตถุประสงค์ของการทดสอบคือการระบุว่าเครื่องจักรสามารถโน้มน้าวผู้สอบสวนที่น่าสงสัยได้หรือไม่ว่าเป็นมนุษย์จริงๆ การทดสอบดูเหมือนจะค่อนข้างง่าย – ไม่มีการมอบหมายงานที่ซับซ้อน (เช่น การสร้างงานศิลปะต้นฉบับ เป็นต้น) ที่เกี่ยวข้อง เพื่อที่จะผ่านไปได้ คอมพิวเตอร์จะต้องสามารถพูดคุยกับมนุษย์เล็กน้อยและแสดงความเข้าใจในบริบทที่กำหนด เรียบง่ายเหมือนฟังจากมุมมองของมนุษย์ การตระหนักถึงผลลัพธ์ดังกล่าวได้รับการพิสูจน์แล้วว่าเป็นเรื่องยากอย่างยิ่ง และจนถึงขณะนี้ ยังไม่สามารถบรรลุผลได้ ปัญหาหลักคือปัญหาที่เกี่ยวข้องกับเทคโนโลยีฮาร์ดแวร์ในช่วงกลางศตวรรษที่ 20 - ปัญหาห้องเก็บข้อมูลอำพรางปัญหาในอนาคตเกี่ยวกับการรับรู้ซอฟต์แวร์

นักวิจัยยังคงพยายามสร้างซอฟต์แวร์ที่จะผ่านการทดสอบทัวริงและนำเสนอในการแข่งขันทัวริงประจำปี รางวัลเงินสดมูลค่า 100,000 ดอลลาร์ของลีโอบเนอร์ยังคงรอซอฟต์แวร์ตัวแรกที่จะพิสูจน์ว่ามีความรู้สึก

AI – สาขาวิชา

บนพื้นฐานของความก้าวหน้าทางปรัชญา ตรรกะ คณิตศาสตร์ ไซเบอร์เนติกส์ ประสาทวิทยาศาสตร์ และสารสนเทศ สาขาวิชาปัญญาประดิษฐ์ถือกำเนิดขึ้นในปี พ.ศ. 2499 ในการประชุมที่วิทยาลัยดาร์ตมัธ ผู้เชี่ยวชาญ John McCarthy และ Marvin Minsky กลายเป็นชื่อที่โดดเด่นในความพยายามอย่างกว้างขวางในการสร้างเครื่องจักรอัจฉริยะในอีก 50 ปีข้างหน้า

โดยธรรมชาติแล้ว ในการสร้างความฉลาด เราต้องรู้ว่าความฉลาดคืออะไร อย่างไรก็ตาม นิยามนามธรรมของปัญญาเป็นสมบัติของมนุษย์ (และสัตว์บางชนิด) ที่แสดงออกมาทางตรรก การให้เหตุผล การเรียนรู้จากประสบการณ์ ความรู้ ความคิดสร้างสรรค์ และอื่นๆ อีกนับไม่ถ้วน ไม่สามารถแปลเป็นสัญลักษณ์และสร้างความรู้สึกได้ เครื่องจักร

คอมพิวเตอร์-หมากรุกและระบบผู้เชี่ยวชาญ

นักวิทยาศาสตร์ได้นำวิธีการและวิธีการต่างๆ มาใช้เพื่อสร้างปัญญาประดิษฐ์ หนึ่งในแนวทางคือวิวัฒนาการของซอฟต์แวร์เล่นหมากรุก เนื่องจากความจริงที่ว่ามันง่ายกว่ามากที่จะบรรลุประสิทธิภาพสูงโดยใช้เทคนิคเดรัจฉาน - หมายความว่าคอมพิวเตอร์คำนวณอัลกอริธึมของโซลูชันบนหลักการของต้นทุนที่น้อยที่สุดสำหรับความเสียหายสูงสุดที่เป็นไปได้สำหรับการเคลื่อนไหวในอนาคตจำนวนหนึ่ง - ซอฟต์แวร์เล่นหมากรุกทำ ไม่ได้เน้นที่การสร้างความรู้สึกมากนัก แต่เน้นที่เทคนิคการค้นหาขั้นสูงและฮาร์ดแวร์ที่ยั่งยืนสำหรับฐานข้อมูลขนาดใหญ่

ในทางกลับกัน ได้มีการพัฒนาระบบผู้เชี่ยวชาญเพื่อให้ความช่วยเหลือจากผู้เชี่ยวชาญในอุตสาหกรรมต่างๆ โดยการสร้างฐานข้อมูลความรู้ที่เชี่ยวชาญและรวมซอฟต์แวร์การเรียนรู้ของเครื่อง ซึ่งช่วยให้เครื่องสามารถคาดการณ์และให้คำปรึกษาเกี่ยวกับข้อมูลที่กำหนด เช่นเดียวกับซอฟต์แวร์โต้ตอบ (ขึ้นอยู่กับการพัฒนาภาษาธรรมชาติ) – นักวิทยาศาสตร์ได้ขยายคุณสมบัติของ 'เครื่องจักรอัจฉริยะ' ของพวกเขา ความสำเร็จเหล่านี้ถูกนำมาใช้ในระบบนำทาง การแพทย์ และธุรกิจ

ฤดูหนาวของAI

หลังจากความเบิกบานใจในขั้นต้นกับการวิจัยด้าน AI ในไม่ช้าก็เห็นได้ชัดว่าผลลัพธ์ที่มั่นคงจะใช้เวลามากกว่าที่คาดการณ์และประกาศไว้ หลังจากรายงานของ ALPAC และ Lighthill ซึ่งแสดงให้เห็นถึงความก้าวหน้าที่ไม่น่าพอใจในโครงการ AI (ปัญหาเกี่ยวกับซอฟต์แวร์ภาษาธรรมชาติ การพัฒนาที่ช้า) การไหลเข้าของการลงทุนก็สิ้นสุดลง – AI Winter ครั้งแรกเริ่มขึ้นในปี 1974 และดำเนินไปจนถึงต้นทศวรรษ 1980 เมื่อรัฐบาลอังกฤษยุยง โครงการ AI เพื่อตอบสนองต่อความพยายามของญี่ปุ่นเกี่ยวกับการเขียนโปรแกรมเชิงตรรกะ อย่างไรก็ตาม ในปี 1987 เนื่องจากการล่มสลายของตลาดคอมพิวเตอร์เอนกประสงค์และการระดมทุนที่ลดลง AI Winter ครั้งที่สองจึงเกิดขึ้นและกินเวลานานถึงห้าปี

ในช่วง 'ฤดูหนาว' การวิจัย AI ยังคงดำเนินต่อไปภายใต้ชื่อต่างๆ ซึ่งจะกลายเป็นหมวดหมู่ย่อยของสาขานี้ในอนาคต เช่น การเขียนโปรแกรมเชิงวิวัฒนาการ การเรียนรู้ของเครื่อง การรู้จำเสียง การทำเหมืองข้อมูล หุ่นยนต์อุตสาหกรรม เครื่องมือค้นหา และอื่นๆ อีกมากมาย

ตอนนี้ AI อยู่ที่ไหน?

สาขาการวิจัยปัญญาประดิษฐ์ทำให้เกิดความก้าวหน้าอย่างมากซึ่งถือได้ว่าเป็น 'เรื่องทั่วไป' ในปัจจุบัน - ผลลัพธ์ของเครื่องมือค้นหาที่ระบุและเป็นส่วนตัว ซอฟต์แวร์ผู้ช่วยส่วนตัวอัจฉริยะ - Siri, Google แปลภาษา, ระบบนำทางในรถยนต์, การปรับปรุงหุ่นยนต์ที่หลากหลาย และอื่นๆ อีกนับไม่ถ้วน

ความสำเร็จที่โดดเด่นบางประการ ได้แก่ :

• Deep Blue ของ IBM กลายเป็นคอมพิวเตอร์เครื่องแรกที่ชนะเกมหมากรุกกับแชมป์หมากรุกอย่าง Garry Kasparov ในปี 1997
• ระบบตอบคำถามของ IBM Watson ชนะแบบทดสอบ Jeopardy กับคู่ต่อสู้ที่เชี่ยวชาญในปี 2011
• Eugene Goostman แชทบ็อตเกลี้ยกล่อมสมาชิกคณะลูกขุนทดสอบทัวริงว่าเป็นเด็กชายอายุ 13 ปีจากยูเครนในปี 2014 อย่างไรก็ตาม ยูจีนผ่านการพิจารณาตัดสินขั้นต่ำสุดที่ 33% ผลลัพธ์ดังกล่าวไม่ถือว่าผ่านการทดสอบของทัวริงในสาระสำคัญเพราะส่วนใหญ่ขึ้นอยู่กับสภาพภายนอก (เด็กจากประเทศที่ไม่ได้ใช้ภาษาอังกฤษสามารถได้รับการอภัยสำหรับความไม่เพียงพอในการพูดคุยเล็กน้อยในขณะที่เจ้าของภาษาที่เป็นผู้ใหญ่จะไม่ เคยเป็น) ในช่วงปี 2015 นักพัฒนาของ Eugene ได้รับการคาดหวังให้ปกป้องชัยชนะและพิสูจน์ว่าพวกเขาได้คิดค้นซอฟต์แวร์ที่มีความรู้สึก (ซึ่งส่วนใหญ่อาจไม่ได้ทำ)

ดังที่สังเกตได้จากทั้งหมดที่กล่าวมาข้างต้น เป็นที่แน่ชัดว่าปัญหาที่ยากของปัญญาประดิษฐ์ยังไม่เห็นความก้าวหน้าอย่างมากในช่วงห้าสิบปีที่ผ่านมา ดังนั้น ผู้เชี่ยวชาญคาดการณ์ว่าอย่างน้อยอีกห้าสิบปีของการลองผิดลองถูกเพื่อเลียนแบบสติปัญญาของมนุษย์ เป็นเรื่องกว้างและซับซ้อนเกินกว่าจะแก้ไขได้ในเวลาอันสั้น อย่างไรก็ตาม ความก้าวหน้าที่เกิดขึ้นระหว่างการสืบเสาะจนถึงขณะนี้ได้ส่งอิทธิพลและหล่อหลอมโลกที่เราอาศัยอยู่อย่างมาก

เป้าหมายของปัญญาประดิษฐ์

เป้าหมาย 'สุดท้าย' ของความพยายามด้านปัญญาประดิษฐ์คือการสร้างเครื่องจักรอัจฉริยะที่สามารถให้เหตุผล วางแผน แก้ปัญหา คิดเชิงนามธรรม ทำความเข้าใจกับแนวคิดที่ซับซ้อน เรียนรู้อย่างรวดเร็ว และเรียนรู้จากประสบการณ์ (ซึ่งเป็นคำจำกัดความที่ตกลงกันของความฉลาดของมนุษย์) ในทางปฏิบัติ ปัญญาที่จำลองแบบปลอมๆ นี้จะสะท้อนถึงความสามารถที่กว้างและลึกในการทำความเข้าใจสภาพแวดล้อม เพื่อคิดให้ออกว่าจะทำอย่างไรในสถานการณ์ที่เป็นไปได้ที่ไม่มีที่สิ้นสุด เพื่อที่จะวางตำแหน่งตัวเองในสภาพแวดล้อมที่เพียงพอ AI จะต้องมีความชาญฉลาดทางสังคม (หมายความว่าจะต้องสามารถรับรู้และตอบสนองต่อคุณสมบัติที่เป็นนามธรรมในวงกว้างและคุณสมบัติของจักรวาลที่เข้าใจได้ เช่น อารมณ์) เพื่อที่จะจัดการปัญหาได้อย่างเหมาะสมที่สุด จะต้องสามารถใช้ความคิดสร้างสรรค์ในการทำงานได้ คุณสมบัติที่ระบุไว้ทั้งหมดนั้นมาจากเป้าหมายระยะยาวของการศึกษา AI – ความฉลาดทั่วไป

อย่างไรก็ตาม เพื่อให้บรรลุเป้าหมายดังกล่าว นักวิทยาศาสตร์ต้องให้ความสำคัญกับแนวคิดที่ซับซ้อนหลากหลายซึ่งเป็นองค์ประกอบสำคัญในการสร้าง ทั้งแบบรายบุคคลและแบบสัมพันธ์กัน ผู้สร้างเครื่องจักรอัจฉริยะในอนาคตจำเป็นต้องนำการศึกษาเชิงประจักษ์เกี่ยวกับระบบอัจฉริยะที่มีอยู่ (ส่วนใหญ่ของมนุษย์) ไปใช้ในงานของตน เช่นเดียวกับผลการสำรวจเชิงทฤษฎีและการวิเคราะห์ระบบปัญญาที่เป็นไปได้ (และกลไกและการแทนค่า) ปัจจัยเหล่านี้จำเป็นสำหรับการแก้ไขปัญหาที่เกี่ยวข้องกับระบบอัจฉริยะที่มีอยู่ตลอดจนการออกแบบเครื่องจักรอัจฉริยะหรือกึ่งอัจฉริยะใหม่ โดยพื้นฐานแล้ว นี่หมายความว่าจะต้องได้รับมุมมองที่สมบูรณ์ของความซับซ้อนของงานเนื่องจากการจำกัดความพยายามเพียงสาขาเดียว (เช่น วิศวกรรม) ความพยายามจะไม่ให้ผลลัพธ์ที่น่าพอใจ มันคงเป็นไปไม่ได้ที่จะสร้างเครื่องบินโดยไม่มีการตรวจนก

การหัก การให้เหตุผล การแก้ปัญหา

ในช่วงเริ่มต้นของการวิจัย AI กระบวนการให้เหตุผลเกิดขึ้นจากการเลียนแบบกระบวนการของมนุษย์ทีละขั้นตอนในการไขปริศนาหรือการหักตรรกะ อย่างไรก็ตาม วิธีการนี้ขึ้นอยู่กับทรัพยากรการคำนวณและหน่วยความจำคอมพิวเตอร์ซึ่งในขณะนั้นค่อนข้างจำกัด ประเด็นเหล่านี้ชี้ให้เห็นถึงความจำเป็นของการเลียนแบบกระบวนการตัดสินในทันทีของมนุษย์มากกว่าการใช้เหตุผลโดยเจตนา การตัดสินในทันทีนั้นสามารถมองได้ว่าเป็นความรู้แบบสัญชาตญาณและจิตใต้สำนึกซึ่งควบคุมทิศทางของการกระทำโดยเจตนา

AI พยายามที่จะบรรลุเป้าหมายของการตัดสินในทันทีผ่านการรวมกันของ:

• Embodied Agents (เอนทิตีอิสระที่สามารถโต้ตอบกับสภาพแวดล้อมและนำเสนอเป็นแบบจำลองเสมือนสามมิติ/ตัวหุ่นยนต์จริง)
• Sensorimotor Skills (การรวมกันของการรับรู้สภาพแวดล้อมผ่านเซ็นเซอร์และตอบสนองด้วยทักษะยนต์ – ตัวอย่างเช่น หุ่นยนต์รับรู้ว่ามีคนเข้ามาใกล้และยื่นมือเป็นการทักทาย – หุ่นยนต์ตอบสนองโดยการจับมือกับบุคคลนั้น);
• โครงข่ายประสาทเทียม (การจำลองโครงสร้างและกระบวนการในระบบประสาท โดยเฉพาะอย่างยิ่ง สมองของมนุษย์: ค่าการคำนวณจากอินพุต การเรียนรู้ของเครื่อง การจดจำรูปแบบ ลักษณะการปรับตัว);
• แนวทางทางสถิติ ( แนวทาง ทางคณิตศาสตร์ในการแก้ปัญหาเฉพาะ)

การแสดงความรู้

เพื่อเลียนแบบมนุษย์ AI จำเป็นต้องรวมความรู้จำนวนมหาศาลเกี่ยวกับวัตถุ คุณสมบัติ หมวดหมู่ และความสัมพันธ์ระหว่างกัน นอกจากนี้ยังต้องดำเนินการตามสถานการณ์และสถานะ สาเหตุ ผลกระทบ และแนวคิดที่เป็นนามธรรม เขตข้อมูล AI ใช้วิธีการแบบออนโทโลยีเพื่อเป็นตัวแทนความรู้ กล่าวคือ ความรู้ถูกวางสมมติฐานไว้ในชุดของแนวคิดที่มีการกำหนดความสัมพันธ์ภายในโดเมน

ปัญหา

• ความเป็นไปไม่ได้ของข้อความจริง/เท็จ – ทุกอย่างมีข้อยกเว้น
• ความกว้างของความรู้ของมนุษย์ทำให้การสร้างภววิทยาที่ครอบคลุมแทบจะเป็นไปไม่ได้เลย
• ต้องรวมรูปแบบความรู้ใต้สำนึกและสัญลักษณ์ย่อยไว้ด้วย

โซลูชั่น

• สถิติ AI – การแก้ปัญหาทางคณิตศาสตร์ของปัญหาบางอย่าง
• AI ที่ตั้ง - ระบบในฐานะหน่วยงานอิสระผ่านการโต้ตอบกับสิ่งแวดล้อมพัฒนาพฤติกรรมเบื้องต้น
• Computational Intelligence – คอมพิวเตอร์ที่เข้าใจแนวคิดเพียงพอ จึงสามารถให้ ontology เพิ่มเติมได้ด้วยตัวเอง (เช่น ผ่านทางอินเทอร์เน็ต)

การวางแผนอัตโนมัติ

AI ต้องสามารถสร้างโซลูชันที่ซับซ้อนและปรับให้เหมาะสมในพื้นที่หลายมิติและดำเนินการตามกลยุทธ์ / ลำดับของการกระทำเหล่านี้ กล่าวอีกนัยหนึ่ง ตัวแทนอัจฉริยะจำเป็นต้องสามารถเห็นภาพอนาคตที่เป็นไปได้ (การวิเคราะห์เชิงคาดการณ์) กำหนดเป้าหมายของการดำเนินการ (การตัดสินใจ) และดำเนินการในลักษณะที่จะเพิ่มประสิทธิภาพ (มูลค่า) ของกระบวนการได้สูงสุด

เป้าหมายเหล่านี้ต้องได้รับการจัดการทั้งแบบออฟไลน์ (สำหรับสภาพแวดล้อมที่รู้จัก) และแบบออนไลน์ (สำหรับสภาพแวดล้อมที่ไม่คาดคิด) นักวิทยาศาสตร์ยังต้องจัดการกับปัญหาของสถานการณ์ที่ไม่คาดคิด – เมื่อคาดว่าเครื่องจะตอบสนองอย่างชาญฉลาด

การเรียนรู้ของเครื่อง

แมชชีนเลิร์นนิงคือการสร้างและศึกษาอัลกอริธึมที่ช่วยให้ระบบ AI คาดการณ์และตัดสินใจโดยอิงจากการป้อนข้อมูลและความรู้ที่ได้รับ

สามารถมุ่งเน้นไปที่:

• การ รู้จำรูปแบบ โดยไม่ได้ รับการดูแลในสตรีมของข้อมูลเข้า (เช่น การกำหนดเมลสแปมจากเมลที่ไม่ใช่สแปมในระบบเมลอิเล็กทรอนิกส์)
• การจำแนกประเภท ภายใต้การดูแล (ตั้งโปรแกรม) และการสร้างความสัมพันธ์ในข้อมูลที่ป้อนเข้า (เช่น การนำสแปมและเมลที่ไม่ใช่สแปมออกเป็นหมวดหมู่ต่างๆ ในระบบ)

แมชชีนเลิร์นนิงใช้ในเทคโนโลยีสารสนเทศในด้านต่างๆ เช่น การกรองสแปม (ดังตัวอย่างข้างต้น) การรู้จำอักขระด้วยแสง การปรับให้เหมาะกับเครื่องมือค้นหา คอมพิวเตอร์วิทัศน์ และการขุดข้อมูล (การวิเคราะห์เชิงคาดการณ์)

การปรับปรุงเพิ่มเติมของอัลกอริธึมการเรียนรู้ของเครื่องควรคำนึงถึงความฉลาดทางคอมพิวเตอร์โดยรวมของเครื่อง

การประมวลผลภาษาธรรมชาติ

การประมวลผลและการสร้างภาษาธรรมชาติเป็นหนึ่งในประเด็นสำคัญที่เกี่ยวข้องกับสาขาวิชาปัญญาประดิษฐ์ ไม่น่าแปลกใจที่การทดสอบทัวริงหมุนรอบความสามารถของเครื่องจักรในการสนทนา (อย่างน้อยก็ดูเหมือน) อย่างมีสติ – เครื่องจักรที่จะสามารถเข้าใจคำพูดหรือคำที่เขียนภายในบริบทของพวกเขาและสามารถตอบสนองตามนั้นเป็นสิ่งที่สามารถจำแนกได้เป็น เอนทิตีที่ชาญฉลาด (เพราะมันเกี่ยวข้องกับคุณสมบัติที่เป็นนามธรรม เช่น ความฉลาดทางสังคม ความรู้ การรับรู้ การแก้ปัญหา ฯลฯ)

การรับรู้ของเครื่อง

การรับรู้ของเครื่องแสดงถึงความสามารถในการตีความข้อมูลเข้าที่คล้ายกับกระบวนการรับรู้ของมนุษย์ผ่านประสาทสัมผัส ประเด็นสำคัญที่พยายามจะแก้ไขคือประเด็นของการรับรู้ที่ครอบคลุม การส่งข้อมูลไปยังแกนกลางอันชาญฉลาดของเอนทิตีและระบบการตอบสนอง (กล่าวคือ การรับรู้ของเครื่องจะพบกับปัญหาทั้งในด้านวิศวกรรมและคุณลักษณะด้านคอมพิวเตอร์)

• วิสัยทัศน์ – รวบรวมข้อมูลโดยอิงจากภาพของโลกภายนอกที่มีมิติสูงและแปลงเป็นอัลกอริธึม/วิธีแก้ปัญหาสำหรับปัญหาที่กำหนด (ในปัจจุบัน เครื่องจักรสามารถใช้การจดจำใบหน้าและการตัดสินด้านสุนทรียะได้ แต่มีถนนยาวสำหรับการพัฒนาข้างหน้า)
• การได้ยิน – ความสามารถในการประมวลผลข้อมูลเสียง เช่น เพลงหรือคำพูด (ปัจจุบัน: การจดจำเสียง โปรแกรมแปลเสียง)
• สัมผัส – ความสามารถในการประมวลผลคุณสมบัติพื้นผิวและความคล่องแคล่วเพื่อโต้ตอบกับสิ่งแวดล้อมอย่างมีประสิทธิภาพและชาญฉลาด

วิทยาการหุ่นยนต์

เป้าหมายในวิทยาการหุ่นยนต์ผสมผสานวิศวกรรมกับการศึกษาปัญญาประดิษฐ์และหมุนรอบคำถามของ:

• การจัดการวัตถุ
• การนำทาง;
• การแปล;
• การทำแผนที่;
• การวางแผนการเคลื่อนไหว

แนวทางและเครื่องมือของ AI

แนวทาง

จากการเกิดขึ้นของการวิจัย AI ในปี 1950 มีการดำเนินการหลายวิธีผ่านการนำความรู้ไปใช้ในอุตสาหกรรมและวงวิชาการที่หลากหลาย วิธีการเหล่านี้พัฒนาขึ้นเพื่อตอบสนองต่อข้อบกพร่องที่แต่ละคนแสดงให้เห็นเกี่ยวกับการบรรลุเป้าหมาย – ความฉลาดทั่วไป เมื่อการวิจัย AI สูญเสียเงินทุนในช่วงฤดูหนาวของ AI การสลายตัวของแนวทางเป็นวิธีเดียวที่จะได้รับเงินลงทุนเพื่อการศึกษาอย่างต่อเนื่อง สิ่งที่สามารถสรุปได้จากมุมมองของวันนี้ก็คือ วิธีการทั้งหมดเหล่านี้มีความสำคัญต่อความซับซ้อนอย่างมากมายของปัญญาประดิษฐ์ และทุกแนวทางล้วนมีส่วนสนับสนุนอย่างมากต่อกระบวนการนี้ (ไม่ว่ากระบวนการจะช้าหรือขาดหายไปเพียงใดในกระบวนการที่ทำให้ดีอกดีใจก็ตาม) .

การเชื่อมต่อ

การผสมผสานเทคนิคและความรู้ด้านประสาทวิทยา เทคโนโลยีสารสนเทศ และไซเบอร์เนติกส์ นักวิทยาศาสตร์ประสบความสำเร็จในการจำลองความฉลาดขั้นพื้นฐานในทศวรรษ 1950 แนวทางนี้ถูกยกเลิกในทศวรรษถัดมาเพียงเพื่อให้เกิดขึ้นอีกครั้งในช่วงทศวรรษ 1980

ความสำเร็จ

• การประมวลผลทางประสาทสัมผัส
• พฤติกรรมของโครงข่ายประสาทเทียม
• ความรู้เกี่ยวกับระบบการกำกับดูแล

สัญลักษณ์

วิธีการดังกล่าวระบุว่าสติปัญญาของมนุษย์สามารถจำลองได้โดยการใช้สัญลักษณ์เท่านั้น เรียกอีกอย่างว่า 'ปัญญาประดิษฐ์สมัยเก่าที่ดี' - GOFAI และประสบความสำเร็จในการจำลองความฉลาดสูงในทศวรรษ 1960 - จำกัดเฉพาะโปรแกรมการสาธิตที่จำกัด

ความสำเร็จ

• ระบบผู้เชี่ยวชาญ

การจำลองความรู้ความเข้าใจ

แนวทางการจำลองความรู้ความเข้าใจถูกรวบรวมไว้ในการทดสอบทางจิตวิทยาที่ดำเนินการเพื่อให้ได้มาซึ่งความรู้เกี่ยวกับทักษะการแก้ปัญหาของมนุษย์ ผลลัพธ์จะต้องถูกทำให้เป็นทางการเพื่อพัฒนาโปรแกรมที่จะจำลองคุณสมบัติเหล่านี้ของสติปัญญาของมนุษย์

ความสำเร็จ

• รากฐานสำหรับการวิจัยปัญญาประดิษฐ์ – การเรียนรู้ของเครื่อง การประมวลผลภาษาธรรมชาติ ฯลฯ

ตรรกะ

ตัวแทนของวิธีการเชิงตรรกะถือได้ว่าความฉลาดของมนุษย์ในสาระสำคัญนั้นกระตุ้นจากการให้เหตุผลเชิงนามธรรมและการแก้ปัญหา และสามารถรักษาได้ด้วยเทคนิคของตรรกะ

ความสำเร็จ

• การแทนความรู้
• การวางแผนอัตโนมัติ
• การเรียนรู้ของเครื่อง
• การเขียนโปรแกรมลอจิก

แอนตี้ลอจิก

ฝ่ายตรงข้ามของแนวทางตรรกะระบุว่าไม่มีหลักการทั่วไปที่สามารถจับความซับซ้อนของพฤติกรรมที่ชาญฉลาด

ความสำเร็จ

• ชี้ให้เห็นถึงการขาดประสิทธิภาพของแนวทางตรรกะในเรื่องของการมองเห็นด้วยเครื่องและการประมวลผลภาษาธรรมชาติ

ความรู้

แนวทางที่อิงตามความรู้เริ่มนำมาใช้อย่างมากในการศึกษาวิจัยปัญญาประดิษฐ์ตั้งแต่การเกิดขึ้นของระบบผู้เชี่ยวชาญและการเพิ่มความจุในการจัดเก็บของระบบปฏิบัติการ

ความสำเร็จ

• การนำไปปฏิบัติในระบบผู้เชี่ยวชาญ
• หนึ่งในองค์ประกอบสำคัญของความฉลาดทั่วไป

เชิงนามธรรม

แนวทางที่เป็นนามธรรมเกิดขึ้นจากความจำเป็นในการจัดการกับปรากฏการณ์ทางปัญญาของมนุษย์ที่เป็นสัญลักษณ์ย่อยและเข้าใจได้ง่าย เพื่อที่จะจัดหาวิธีแก้ปัญหาที่เหมาะสมที่สุดสำหรับปัญหาของปัญญาประดิษฐ์

ความสำเร็จ

• การรับรู้ทางคอมพิวเตอร์
• วิทยาการหุ่นยนต์;
• การเรียนรู้ของเครื่อง
• การจดจำรูปแบบ

ตั้งอยู่

แนวทางปัญญาประดิษฐ์ที่ตั้งขึ้นหรือใหม่มุ่งเน้นไปที่ปัญหาทางวิศวกรรมขั้นพื้นฐานและปฏิเสธความเฉพาะตัวของแนวทางเชิงสัญลักษณ์ เป้าหมายคือการสร้างเครื่องจักรเสมือนจริงที่สามารถมีอยู่ในสภาพแวดล้อมจริง

ความสำเร็จ

• ทักษะยนต์
• ทักษะทางประสาทสัมผัส
• การรับรู้ของคอมพิวเตอร์

สถิติ

วิธีการทางสถิติใช้เครื่องมือทางคณิตศาสตร์ที่วัดผลและตรวจสอบได้ และรวมเข้ากับเศรษฐศาสตร์เพื่อแก้ปัญหาที่ระบุ แนวทางนี้ถูกวิพากษ์วิจารณ์ว่าด้วยการเพิกเฉยต่อเป้าหมายของข่าวกรองทั่วไป

ความสำเร็จ

• ประสบความสำเร็จในการแก้ไขปัญหาเฉพาะ

เครื่องมือ

สาขาวิชาปัญญาประดิษฐ์พบปัญหามากมายในการแสวงหาการตระหนักรู้ อย่างไรก็ตาม ได้ใช้วิธีการที่หลากหลายเพื่อแก้ไขปัญหาได้สำเร็จ

วิธีค้นหาและเพิ่มประสิทธิภาพ

การค้นหาวิธีแก้ปัญหาที่เป็นไปได้มากมาย การกำจัดสิ่งที่ไม่น่าจะนำไปสู่เป้าหมายเฉพาะ (หรือโดยรวม) และเลือกเส้นทางที่เหมาะสมที่สุดอาจเป็นวิธีแก้ไขปัญหาที่มีประสิทธิภาพ อัลกอริธึมการให้เหตุผล การวางแผน และวิทยาการหุ่นยนต์ถูกสร้างขึ้นด้วยความช่วยเหลือของเทคนิคการค้นหาตามการเพิ่มประสิทธิภาพ

ทฤษฎีการปรับให้เหมาะสมทางคณิตศาสตร์เกิดขึ้นจากการเริ่มค้นหาวิธีแก้ปัญหาด้วยการเดาอย่างชาญฉลาดและก้าวไปสู่การปรับแต่ง (เรียกอีกอย่างว่า 'การปีนเขา': การเลือกจุดสุ่มในแนวนอนและเคลื่อนที่โดยสุ่มไปยังยอดเขา)

การคำนวณเชิงวิวัฒนาการเป็นไปตามหลักการ 'การอยู่รอดของผู้ที่เหมาะสมที่สุด' - ชุดของการเดาถูกตั้งสมมติฐาน ผ่านการปรับแต่งบางส่วนของการเดาที่ตก และด้วยเหตุนี้จึงแสดงทางออกที่เหมาะสมที่สุด

ลอจิกเป็นวิธีการแก้ปัญหา

ลอจิกใช้สำหรับแก้ปัญหาเกี่ยวกับการวางแผนอัตโนมัติและการเรียนรู้ของเครื่อง ตลอดจนการเขียนโปรแกรมลอจิก ใช้สำหรับกำหนดความถูกต้องผ่านการระบุแหล่งที่มาจริง/เท็จ แสดงข้อเท็จจริงเกี่ยวกับวัตถุ คุณสมบัติ และความสัมพันธ์ซึ่งจำเป็นสำหรับ ontology ในการแทนความรู้

วิธีอื่นๆ

• อัลกอริธึมความน่าจะเป็นสำหรับการกรองและการวิเคราะห์เชิงคาดการณ์ของสตรีมข้อมูล
• ตัวแยกประเภทและวิธีการเรียนรู้ทางสถิติ
• โครงข่ายประสาทเทียม
• ภาษาการเขียนโปรแกรม (แตกต่างกันไปตามความต้องการเฉพาะของหมวดหมู่ย่อยของ AI)

ปัญหาปัญญาประดิษฐ์

นักวิจัยส่วนใหญ่ในสาขาปัญญาประดิษฐ์ระบุว่าปัญญาประดิษฐ์ทั่วไปในเครื่องจักรจะบรรลุผลสำเร็จภายในห้าสิบปีต่อจากนี้ แม้ว่าเราจะไม่สามารถยืนยันข้อความดังกล่าวได้ แต่ดูเหมือนว่าความก้าวหน้าจะเกิดขึ้นและจะเปลี่ยนโลกโดยสิ้นเชิง จึงต้องเกิดปัญหาต่างๆตามมา

โดยหลักแล้ว ระบบ AI มีความสามารถในการประมวลผลข้อมูลและการวิเคราะห์เชิงคาดการณ์ซึ่งเหนือกว่าระบบของมนุษย์อย่างมาก เพื่อให้ได้ประสิทธิภาพสูงสุด กฎเหล่านี้ค่อนข้างเป็นอิสระ ซึ่งควบคุมโดยชุดกฎที่เลือกสรรมาอย่างดีเพื่อบรรลุเป้าหมายประเภทหนึ่ง อย่างไรก็ตาม เนื่องจากความเป็นอิสระของพวกเขา พวกเขาสามารถดำเนินการไม่สมดุลเกี่ยวกับผู้ใช้ของพวกเขา – หากปัญหาที่อาจเกิดขึ้นไม่ได้รับการระบุในการเขียนโปรแกรม ระบบจะดำเนินการ – หากเป็นไปตามเป้าหมาย (และมนุษย์ไม่สามารถคาดการณ์สถานการณ์ที่เป็นไปได้ทั้งหมดได้ และอัลกอริธึมที่เพียงพอสำหรับพวกเขา) ปัญหาต้องได้รับการแก้ไขโดยการให้เกณฑ์ความปลอดภัยที่ชัดเจนเพื่อลดความเสียหายหากมีข้อผิดพลาดเกิดขึ้น นอกจากนี้ การระบุความรับผิดชอบที่เหมาะสมยังเป็นคำถามที่ต้องได้รับการแก้ไขเกี่ยวกับความพยายามของปัญญาประดิษฐ์

ยิ่งไปกว่านั้น เมื่อความฉลาดทั่วไปปรากฏ มนุษย์ต้องกำหนดระบบคุณธรรมตามที่พวกเขาจะจัดโครงสร้างระบบ AI แต่ยังรวมถึงกฎทางศีลธรรมตามตำแหน่งที่พวกเขาจะวางตำแหน่งตัวเองให้สัมพันธ์กับระบบ AI คำถามเกี่ยวกับจริยธรรมในปัญญาประดิษฐ์นั้นซับซ้อนอย่างไม่น่าเชื่อ - จะกำหนดได้อย่างไรว่าระบบได้รับการตั้งโปรแกรมให้ทำงานและเรียกร้องความรู้สึกหรือความรู้สึก?

นอกจากนี้ ใครจะเป็นผู้รับผิดชอบในการตัดสินใจเกี่ยวกับ AI ทั่วไป? ในขณะที่เราทุกคนต่างรู้จักโอกาสเชิงบวกและก้าวหน้าที่เทคโนโลยี AI จะนำมา เช่น การสิ้นสุดของโรค การเดินทางในอวกาศ การลดการทำงาน ฯลฯ ดูเหมือนเราจะลืมไปว่ามนุษย์มีความสามารถในการทำลายล้างมหาศาลเพื่ออำนาจและการจัดหาเงิน เห็นได้ชัดว่าต้องมีการจัดทำกฎระเบียบบางประการเกี่ยวกับการใช้ระบบ AI

การประยุกต์ใช้ AI ในการเป็นผู้ประกอบการ

บิ๊กดาต้าและการวิเคราะห์เฉพาะทาง

ในช่วงไม่กี่ปีที่ผ่านมา ความสามารถทางเทคโนโลยีที่เพิ่มขึ้นแบบทวีคูณ (หลักๆ ของการจัดเก็บและการประมวลผล) การหลั่งไหลของข้อมูลเพิ่มขึ้นอย่างมาก วันนี้ บริษัทต่างๆ สามารถรวบรวมและประมวลผล Big Data ในรูปแบบที่มีโครงสร้างและไม่มีโครงสร้าง (รูปภาพ วิดีโอ) และวิเคราะห์ข้อมูลดังกล่าวเพื่อให้ได้ข้อมูลเชิงลึกอันมีค่าเกี่ยวกับกลยุทธ์ทางธุรกิจ ปัญหาหนึ่งของการจัดการ Big Data คือการขาดผู้เชี่ยวชาญที่สามารถเข้าใจและนำไปปฏิบัติได้ มีการนำเสนอโซลูชันซอฟต์แวร์ต่างๆ เพื่อทำให้กระบวนการง่ายขึ้น เช่น ระบบผู้เชี่ยวชาญและการวิเคราะห์เชิงคาดการณ์ เห็นได้ชัดว่าสิ่งเหล่านี้เป็นผลจากการศึกษาปัญญาประดิษฐ์

อย่างไรก็ตาม เมื่ออัลกอริทึมพัฒนาขึ้น อิทธิพลของอัลกอริทึมเหล่านั้นที่มีต่อการจัดการข้อมูลก็เช่นกัน แมชชีนเลิร์นนิงเป็นอัลกอริทึมการทำนายและตัดสินใจตามข้อมูล ซึ่งเมื่อรวมกับการประมวลผลภาษาธรรมชาติ นำเสนอข้อมูลและโซลูชันที่ใช้งานได้ (และมีค่า) เกี่ยวกับกลยุทธ์ทางธุรกิจ (การโฆษณา ความสัมพันธ์กับลูกค้า การฝึกสอนพนักงาน) โดยมีเป้าหมายโดยรวมที่จะเพิ่มขึ้น ผลิตภาพและการมีส่วนร่วมของลูกค้า (ความพึงพอใจ) การแข่งขันในตลาดและการเติบโต

การเพิ่มประสิทธิภาพของผลิตภัณฑ์และบริการ

อัลกอริธึมปัญญาประดิษฐ์จะถูกนำมาใช้ไม่เพียงแต่ในด้านการจัดการธุรกิจเท่านั้น แต่ยังรวมถึงประสิทธิภาพและความพึงปรารถนาของผลิตภัณฑ์ด้วย ตัวอย่างเช่น เครื่องตัดหญ้าจะสามารถตัดหญ้าได้โดยไม่ต้องมีส่วนร่วมของมนุษย์ ยิ่งไปกว่านั้น พวกเขาจะสามารถทำงานที่สร้างสรรค์และพิเศษเฉพาะตัวได้ เช่น ไม่ดึงดอกไม้ออกมา ทั้งหมดนี้จะส่งผลต่อความพึงพอใจของลูกค้า เนื่องจากเป็นการแสดงถึงความต้องการเวลาและความพยายามที่ลดลงอย่างต่อเนื่องจากลูกค้าเพื่อประสิทธิภาพและความคุ้มค่าสูงสุด

ตัวอย่างการนำ AI ไปใช้ในธุรกิจ

นอกเหนือจากความพยายามที่สำคัญของ IBM ในด้านปัญญาประดิษฐ์ตั้งแต่เริ่มต้น บริษัทขนาดใหญ่เช่น Google และ Facebook ยังต้องให้ความสำคัญกับความเป็นไปได้ของ AI เช่นกัน เนื่องจากมีข้อมูลจำนวนมหาศาลและการจัดการที่ซับซ้อนและกระบวนการกำหนดกลยุทธ์ เราจะมาดูบริษัททั้งสามนี้และความพัวพันกับ AI กัน

IBM

นอกเหนือจากความสำเร็จที่สำคัญซึ่ง IBM ได้รับต่อสาธารณะด้วยความพยายามในเทคโนโลยี AI เช่น อัลกอริธึมการเล่นหมากรุก Deep Blue และระบบ Watson ที่ซับซ้อน ประโยชน์ที่แท้จริงยังอยู่ในคุณสมบัติที่เทคโนโลยีของพวกเขาเชี่ยวชาญและการนำไปใช้ในธุรกิจ อัลกอริธึม Deep Blue สามารถประมวลผลการวิเคราะห์เชิงทำนายจำนวนมหาศาลโดยพิจารณาจากประสิทธิภาพสูงสุดตามกฎของหมากรุก และแสดงให้เห็นว่าด้วยการกำหนดเป้าหมายที่ชัดเจน ไม่จำเป็นต้องครอบคลุมวิธีแก้ปัญหาที่เป็นไปได้ด้วยตนเอง – คอมพิวเตอร์ ดำเนินการด้วยตนเองและจำกัดเฉพาะวัตถุประสงค์ที่ตั้งโปรแกรมไว้ ปรับปรุงในลักษณะที่แม้แต่แชมป์หมากรุกก็ไม่สามารถเอาชนะกระบวนการนี้ได้

ระบบ Watson ได้รับการพัฒนาให้เป็นอัลกอริธึมคำถามและคำตอบแบบเรียลไทม์ที่จัดการเพื่อรับรู้และประมวลผลภาษาธรรมชาติ รวมทั้งให้เหตุผลกับคำตอบที่ถูกต้องและสร้างมันขึ้นมาในภาษาธรรมชาติ – ชนะแบบทดสอบ Jeopardy ขณะทำงานแบบออฟไลน์ มันถูกสร้างขึ้นบนพื้นฐานการเรียนรู้ของเครื่องเพราะจะเป็นวิธีการที่ใช้เวลานานและอาจไม่ได้ผลในการนำ ontology ของความรู้มากมายไปใช้ด้วยตนเอง

ความก้าวหน้าเหล่านี้มีความสำคัญอย่างยิ่งต่อกลยุทธ์ทางธุรกิจ เนื่องจากเป็นการเพิ่มประสิทธิภาพการประมวลผลเนื้อหาที่เกี่ยวข้องในวงกว้าง และเปิดใช้งานการสื่อสารที่สร้างสรรค์เพื่อนำเสนอข้อมูลเชิงลึกและดำเนินการตัดสินใจตามกระบวนการวิเคราะห์เหล่านี้

ปัจจุบัน IBM มุ่งเน้นที่การใช้อัลกอริทึมในสภาพแวดล้อมบนคลาวด์ และสร้างฐานข้อมูลสำหรับการดูแลสุขภาพ ธุรกิจ และการศึกษา

Google

Google ได้ใช้คุณลักษณะปัญญาประดิษฐ์สำหรับการปรับเปลี่ยนในแบบของคุณและข้อมูลจำเพาะของเครื่องมือค้นหาของตน ได้พัฒนา Google Translate ซึ่งเป็นเครื่องมือในการประมวลผลและการสร้างภาษาธรรมชาติที่เพียงพอ (นอกเหนือจากการขาดในแง่ของบริบทและความหมายเชิงสัญลักษณ์ย่อย) รวมถึงการนำระบบประสาทไปใช้ กลยุทธ์เครือข่ายในการจัดการฐานข้อมูลขนาดใหญ่ กลยุทธ์ทางประสาทเหล่านี้ออกแบบมาเพื่อจดจำรูปแบบและตัดสินใจได้อย่างรวดเร็ว นอกจากนี้ยังรวมอัลกอริธึมการเรียนรู้ของเครื่องด้วย ซึ่งหมายความว่าระบบจะเรียนรู้ผ่านประสบการณ์และทำงานได้อย่างมีประสิทธิภาพมากขึ้น

Facebook

โปรไฟล์ Facebook เป็นตัวหลอมรวมสำหรับข้อมูลที่มีโครงสร้างและไม่มีโครงสร้าง: รายชื่อเพื่อน เพจที่ชอบ กลุ่มที่เข้าร่วม เพื่อเพิ่มประสิทธิภาพประสบการณ์ของลูกค้า Facebook ใช้ปัญญาประดิษฐ์เพื่อรับรู้รูปแบบพฤติกรรมของผู้ใช้แต่ละราย (บนโดเมน Facebook เช่นเดียวกับออนไลน์โดยทั่วไป ) และข้อเสนอตามความชอบและความสนใจเฉพาะ ความพยายามของพวกเขากำลังมุ่งสู่การสร้างตัวแทนอัจฉริยะที่สามารถโต้ตอบกับผู้ใช้และให้ข้อมูลที่มีค่าได้ทันที

เมื่อพิจารณาจากทฤษฎีการเติบโตแบบทวีคูณของเทคโนโลยีและความรู้ของมัวร์ เราสามารถคาดการณ์ได้ว่าภาพอนาคตในนิยายวิทยาศาสตร์นั้นอยู่ใกล้แค่เอื้อม โดยเฉพาะอย่างยิ่งหากเราคำนึงถึงความซับซ้อนของวัตถุประสงค์ด้วย แม้ว่าจะมีปัญหามากมายเกี่ยวกับการรับรู้ AI และปัญหาด้านจริยธรรมเกี่ยวกับแง่มุมที่หลากหลายของ AI แต่ความคืบหน้ากำลังเกิดขึ้นและจะนำมาซึ่งคุณลักษณะเชิงบวกมากมาย ในธุรกิจ จะเปิดใช้งานกลยุทธ์ที่ออกแบบมาสำหรับผู้ใช้แต่ละราย เพิ่มความพึงพอใจและการสร้างผลกำไรให้กับองค์กร มันจะมีผลที่ตามมาในวงกว้างมากยิ่งขึ้นในด้านการแพทย์ เศรษฐกิจที่ยั่งยืน การลดความยากจน และการศึกษา เราควรหวังเพียงว่าความคืบหน้าจะตอบสนองจุดประสงค์ที่เห็นแก่ผู้อื่นเสมอ