


Kennen Sie die Geschichte der Entwicklung der künstlichen Intelligenz?
Unter den unzähligen technologischen Fortschritten im 20. und 21. Jahrhundert ist zweifellos die künstliche Intelligenz der einflussreichste. Von Suchmaschinenalgorithmen, die die Art und Weise verändern, wie wir Informationen finden, bis hin zu Amazons Alexa in der Verbraucherwelt hat sich künstliche Intelligenz zu einer wichtigen Technologie entwickelt, die die gesamte Technologiebranche in die Zukunft treibt.
Ob es sich um ein aufstrebendes Startup oder einen Branchenriesen wie Microsoft handelt, ein Unternehmen verfügt über mindestens eine Abteilung, die mit künstlicher Intelligenz oder maschinellem Lernen arbeitet. Einer bestimmten Studie zufolge wird die globale Branche der künstlichen Intelligenz im Jahr 2021 einen Wert von 93,5 Milliarden US-Dollar haben.
Künstliche Intelligenz entwickelte sich in den 2000er- und 2010er-Jahren zu einer treibenden Kraft in der Technologiebranche, doch in irgendeiner Form oder Weise gibt es sie schon seit mindestens den 1950er-Jahren und sie kann wohl sogar noch weiter zurückreichen.
Die Grundzüge der Geschichte der künstlichen Intelligenz, wie des Turing-Tests und der Schachcomputer, sind im öffentlichen Bewusstsein verankert, aber knapp unter der Oberfläche des gesunden Menschenverstandes existiert eine reiche und dichte Geschichte. Dieser Artikel wird das Wesentliche aus dieser Geschichte herausholen und Ihnen zeigen, wie sich künstliche Intelligenz von einer mythischen Idee zu einer Realität entwickelt hat, die die Welt verändert.
Von der Folklore zur Tatsache
Während künstliche Intelligenz oft als innovatives Konzept angesehen wird, stellen sich Menschen seit Tausenden von Jahren künstliche Intelligenz vor, und diese Vorstellungen haben wichtige Auswirkungen auf Die heutigen Fortschritte in diesem Bereich haben echte Auswirkungen. Wie etwa der Bronzeroboter Talos, der Beschützer der griechischen Insel Kreta, und die alchemistische Erschaffung des Menschen in der Renaissance. Charaktere wie Frankensteins Monster, HAL 9000 aus 2001: Odyssee im Weltraum und Skynet aus der Terminator-Reihe sind nur einige der Arten, wie wir künstliche Intelligenz in der modernen Fiktion darstellen.
Eines der einflussreichsten fiktiven Konzepte in der Geschichte der künstlichen Intelligenz sind die drei Gesetze der Robotik von Isaac Asimov. Diese Gesetze werden oft von Forschern und Unternehmen aus der Praxis zitiert, wenn sie ihre eigenen Gesetze für die Robotik entwickeln.
Tatsächlich nannten die britischen Institute of Engineering and Physical Sciences Research Council und Arts and Humanities Research Council, als sie ihre 5 Prinzipien für Designer, Konstrukteure und Benutzer von Robotern veröffentlichten, Asimos Ehemann ausdrücklich als Bezugspunkt Er weist darauf hin, dass Asimovs Gesetze in der Praxis einfach nicht funktionieren.
Computer, Spiele und der Turing-Test
In den 1940er Jahren, als Asimov „Die drei Gesetze“ schrieb, entwickelte der Forscher William Gray Walter eine rudimentäre Version der Simulation künstlicher Intelligenz. Diese winzigen Roboter, die als Schildkröten oder Schildkröten bekannt sind, können Licht und Kontakt mit ihren Plastikpanzern erkennen und darauf reagieren und können ohne den Einsatz eines Computers arbeiten.
In den späten 1960er Jahren baute die Johns Hopkins University einen weiteren computerlosen autonomen Roboter, den Beast, der mithilfe von Sonar durch die Hallen der Universität navigieren und reagieren konnte, wenn seine Batterie fast leer war. Laden Sie ihn an einer speziellen Steckdose auf .
Allerdings wird die Entwicklung der künstlichen Intelligenz, wie wir sie heute kennen, untrennbar mit der Entwicklung der Informatik verbunden sein. Turing schlug in seiner 1950 veröffentlichten Arbeit „Computing Machines and Intelligence“ den berühmten Turing-Test vor, der bis heute einflussreich ist. Viele frühe Programme für künstliche Intelligenz wurden zum Spielen entwickelt, beispielsweise das Dame-Programm von Christopher Strachey für den Computer Frantic I.
1956 prägten Marvin Minsky, John McCarthy, Claude Shannon und Nathan Rochester auf dem Dartmouth Symposium den Begriff „künstliche Intelligenz“. Bei dem Treffen prägte McCarthy den Namen für das aufstrebende Fachgebiet.
In diesem Seminar stellten Alan Newell und Herbert Simon auch erstmals ihr Logic Theorist-Computerprogramm vor, das mit Hilfe des Computerprogrammierers Cliff Shaw entwickelt wurde. „Logic Theorist“ soll mathematische Theoreme auf die Art und Weise beweisen, wie es menschliche Mathematiker tun.
Spiele und Mathematik standen im Mittelpunkt der frühen künstlichen Intelligenz, weil sie das Prinzip „Begründung als Suche“ problemlos anwendeten. Reasoning as Search, auch Mittelwertanalyse (MEA) genannt, ist eine Problemlösungsmethode, die drei grundlegenden Schritten folgt: Bestimmen Sie die Beständigkeit jedes von Ihnen beobachteten Problemzustands.
- Bestimmen Sie das ultimative Ziel (Sie werden keinen Hunger mehr verspüren).
- Entscheiden Sie, welche Maßnahmen Sie ergreifen müssen, um das Problem zu lösen.
- Dies war ein früher Vorläufer des Prinzips der künstlichen Intelligenz: Wenn Aktionen das Problem nicht lösen, finden Sie eine neue Reihe von Aktionen und wiederholen Sie den Vorgang, bis Sie das Problem gelöst haben.
Das erste künstliche neuronale Netzwerk wurde ursprünglich in den 1940er Jahren vorgeschlagen und 1958 dank der Finanzierung durch das U.S. Office of Naval Research erfunden. Ein Hauptaugenmerk der Forscher lag in dieser Zeit auf dem Versuch, künstliche Intelligenz dazu zu bringen, die menschliche Sprache zu verstehen.
1966 brachte Joseph Weizenbaum den ersten Chatbot, ELIZA, auf den Markt, für den Internetnutzer auf der ganzen Welt dankbar sind. Eine der einflussreichsten frühen Entwicklungen in der Forschung zur künstlichen Intelligenz war Roger Schanks Konzeptabhängigkeitstheorie, die versucht, Sätze in Form einer Reihe einfacher Schlüsselwörter in grundlegende Konzepte umzuwandeln.
Der erste Winter der künstlichen Intelligenz
Der Optimismus, der in den 1970er, 1950er und 1960er Jahren in Bezug auf die Forschung im Bereich der künstlichen Intelligenz vorherrschte, begann zu schwinden. Die Finanzierung versiegt aufgrund der Vielzahl realer Probleme, mit denen die KI-Forschung konfrontiert ist. Die wichtigste davon ist die Begrenzung der Rechenleistung.
Bruce G. Buchanan erklärte in einem Artikel im Journal of Artificial Intelligence: „Frühe Programme waren zwangsläufig durch die Größe und Geschwindigkeit von Speicher und Prozessoren sowie die relative Schwerfälligkeit früher Betriebssysteme begrenzt.“ Sprachen.“ Als die Finanzierung verschwand und der Optimismus schwand, wurde diese Zeit als „Winter der künstlichen Intelligenz“ bekannt.
In dieser Zeit erlebten Forscher im Bereich der künstlichen Intelligenz Rückschläge und es kam zu interdisziplinären Meinungsverschiedenheiten. Die Veröffentlichung von „The Perceptron“ von Marvin Minsky und Frank Rosenblatt im Jahr 1969 behinderte die Entwicklung des Gebiets der neuronalen Netze völlig und die Forschung auf diesem Gebiet machte erst in den 1980er Jahren Fortschritte.
Dann entstanden die sogenannten zwei Hauptkategorien. Eine Kategorie verwendet tendenziell logisches und symbolisches Denken, um ihre künstliche Intelligenz zu trainieren und zu erziehen. Sie hoffen, dass künstliche Intelligenz logische Probleme wie mathematische Theoreme lösen kann.
John McCarthy führte mit seinem Vorschlag von 1959 die Idee ein, Logik in der künstlichen Intelligenz einzusetzen. Darüber hinaus wurde die Programmiersprache Prolog, die 1972 von Alan Colmerauer und Phillipe Roussel entwickelt wurde, speziell als logische Programmiersprache konzipiert und wird auch heute noch in der künstlichen Intelligenz verwendet.
Gleichzeitig versucht eine andere Gruppe von Menschen, künstliche Intelligenz zu nutzen, um Probleme zu lösen, die künstliche Intelligenz erfordern, um wie Menschen zu denken. In einer Arbeit aus dem Jahr 1975 beschrieb Marvin Minsky eine von Forschern häufig verwendete Methode namens „Framing“.
Framework ist eine Möglichkeit für Menschen und künstliche Intelligenz, die Welt zu verstehen. Wenn wir einer neuen Person oder einem neuen Ereignis begegnen, können wir die Erinnerung an ähnliche Personen oder Ereignisse nutzen, um einen allgemeinen Eindruck zu vermitteln, z. B. wenn wir Essen in einem neuen Restaurant bestellen, aber möglicherweise nicht die Speisekarte oder die Person kennen, die Sie bedient, sodass wir dies tun können eine grobe Vorstellung davon, wie man eine Bestellung aufgibt, basierend auf früheren Erfahrungen in anderen Restaurants.
Von der Wissenschaft in die Industrie
Die 1980er Jahre markierten eine Rückkehr der Begeisterung für künstliche Intelligenz. Japans „Fifth Generation Project“ beispielsweise zielt darauf ab, intelligente Computer zu entwickeln, die auf Prolog laufen, genau wie normale Computer, die auf Code laufen, was das Interesse amerikanischer Unternehmen weiter geweckt hat. Um nicht hinterherzuhinken, investieren amerikanische Unternehmen in die Forschung im Bereich der künstlichen Intelligenz.
Zusammenfassend lässt sich sagen, dass das gestiegene Interesse an künstlicher Intelligenz und die Verlagerung hin zur industriellen Forschung dazu führten, dass der Wert der Branche der künstlichen Intelligenz im Jahr 1988 auf 2 Milliarden US-Dollar anstieg. Unter Berücksichtigung der Inflation wird diese Zahl im Jahr 2022 eher bei 5 Milliarden US-Dollar liegen.
Der zweite Winter der künstlichen Intelligenz
Doch in den 1990er Jahren begann das Interesse ebenso zu schwinden wie in den 1970er Jahren. Nach zehnjähriger Entwicklung ist es der Initiative der fünften Generation nicht gelungen, viele ihrer Ziele zu erreichen. Da es für Unternehmen billiger und einfacher ist, in Massenproduktion hergestellte Allzweckchips zu kaufen und KI-Anwendungen in Software zu programmieren, gibt es einen Markt für dedizierte KI-Hardware , wie LISP-Maschinen, stürzten ab und führten zu einem Schrumpfen des Gesamtmarktes.
Darüber hinaus begannen die Expertensysteme, die zu Beginn dieses Jahrhunderts die Machbarkeit künstlicher Intelligenz bewiesen, fatale Mängel aufzuweisen. Mit der weiteren Nutzung des Systems werden immer mehr Regeln für den Betrieb hinzugefügt und es erfordert eine immer größere Wissensbasis für die Verarbeitung. Mit der Zeit wächst der Personalaufwand, der für die Pflege und Aktualisierung der Wissensbasis des Systems erforderlich ist, bis es finanziell nicht mehr tragbar ist. Eine Kombination dieser und anderer Faktoren hat zum zweiten KI-Winter geführt.
Betreten Sie das neue Jahrtausend und die moderne Welt der künstlichen Intelligenz
In den späten 1990er und frühen 21. Jahrhunderten gab es Anzeichen dafür, dass der Frühling der künstlichen Intelligenz nahte. Einige der ältesten Ziele der KI wurden endlich erreicht, wie zum Beispiel der Sieg von Deep Blue über den damaligen Schachweltmeister Gary Kasparov im Jahr 1997, ein Meilenstein für die KI.
Ausgefeiltere mathematische Werkzeuge sowie die Zusammenarbeit mit Bereichen wie der Elektrotechnik haben die künstliche Intelligenz in eine stärker auf Logik ausgerichtete wissenschaftliche Disziplin verwandelt.
Gleichzeitig wurde künstliche Intelligenz in vielen neuen Industriebereichen eingesetzt, wie zum Beispiel bei den Suchmaschinenalgorithmen von Google, Data Mining, Spracherkennung usw. Neue Supercomputer und Programme werden mit menschlichen Spitzenkonkurrenten konkurrieren und sogar siegen, wie zum Beispiel IBMs Watson-Gewinner Jeopardy.
Eine der einflussreichsten Formen der künstlichen Intelligenz in den letzten Jahren war der Algorithmus von Facebook, der bestimmt, welche Beiträge Sie wann gesehen haben, um ein Online-Erlebnis für die Benutzer der Plattform zu schaffen. Algorithmen mit ähnlichen Fähigkeiten sind auf Websites wie YouTube und Netflix zu finden, wo sie anhand des bisherigen Verlaufs vorhersagen, was die Zuschauer als nächstes sehen möchten.
Manchmal werden diese Innovationen nicht einmal als künstliche Intelligenz betrachtet. Wie Nick Brostrom 2006 in einem Interview mit CNN sagte: „Viele hochmoderne künstliche Intelligenz, die in gängige Anwendungen eingedrungen ist, wird normalerweise nicht als künstliche Intelligenz bezeichnet, denn sobald etwas nützlich und häufig genug ist, wird es nicht mehr verwendet Nützliche künstliche Intelligenz (KI) blieb bis in die 2010er Jahre bestehen. Nun behaupten sowohl Startups als auch Technologiegiganten, dass ihre neuesten Produkte auf künstlicher Intelligenz oder maschinellem Lernen basieren. In manchen Fällen ist dieser Wunsch so stark, dass einige behaupten, ihre Produkte würden von KI angetrieben, auch wenn die Funktionalität der KI fraglich ist.
Ob über die oben genannten Social-Media-Algorithmen oder virtuelle Assistenten wie Amazons Alexa, künstliche Intelligenz hat Einzug in die Häuser vieler Menschen gehalten. Trotz Wintern und platzender Blasen hat sich der Bereich der künstlichen Intelligenz erhalten und ist zu einem sehr wichtigen Teil des modernen Lebens geworden und wird in den kommenden Jahren wahrscheinlich exponentiell wachsen.
Das obige ist der detaillierte Inhalt vonKennen Sie die Geschichte der Entwicklung der künstlichen Intelligenz?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen



Verarbeiten Sie 7 Millionen Aufzeichnungen effizient und erstellen Sie interaktive Karten mit Geospatial -Technologie. In diesem Artikel wird untersucht, wie über 7 Millionen Datensätze mithilfe von Laravel und MySQL effizient verarbeitet und in interaktive Kartenvisualisierungen umgewandelt werden können. Erstes Herausforderungsprojektanforderungen: Mit 7 Millionen Datensätzen in der MySQL -Datenbank wertvolle Erkenntnisse extrahieren. Viele Menschen erwägen zunächst Programmiersprachen, aber ignorieren die Datenbank selbst: Kann sie den Anforderungen erfüllen? Ist Datenmigration oder strukturelle Anpassung erforderlich? Kann MySQL einer so großen Datenbelastung standhalten? Voranalyse: Schlüsselfilter und Eigenschaften müssen identifiziert werden. Nach der Analyse wurde festgestellt, dass nur wenige Attribute mit der Lösung zusammenhängen. Wir haben die Machbarkeit des Filters überprüft und einige Einschränkungen festgelegt, um die Suche zu optimieren. Kartensuche basierend auf der Stadt

Es gibt viele Gründe, warum MySQL Startup fehlschlägt und durch Überprüfung des Fehlerprotokolls diagnostiziert werden kann. Zu den allgemeinen Ursachen gehören Portkonflikte (prüfen Portbelegung und Änderung der Konfiguration), Berechtigungsprobleme (Überprüfen Sie den Dienst Ausführen von Benutzerberechtigungen), Konfigurationsdateifehler (Überprüfung der Parametereinstellungen), Datenverzeichniskorruption (Wiederherstellung von Daten oder Wiederaufbautabellenraum), InnoDB-Tabellenraumprobleme (prüfen IBDATA1-Dateien), Plug-in-Ladeversagen (Überprüfen Sie Fehlerprotokolle). Wenn Sie Probleme lösen, sollten Sie sie anhand des Fehlerprotokolls analysieren, die Hauptursache des Problems finden und die Gewohnheit entwickeln, Daten regelmäßig zu unterstützen, um Probleme zu verhindern und zu lösen.

Der Artikel führt den Betrieb der MySQL -Datenbank vor. Zunächst müssen Sie einen MySQL -Client wie MySQLworkBench oder Befehlszeilen -Client installieren. 1. Verwenden Sie den Befehl mySQL-uroot-P, um eine Verbindung zum Server herzustellen und sich mit dem Stammkonto-Passwort anzumelden. 2. Verwenden Sie die Erstellung von Createdatabase, um eine Datenbank zu erstellen, und verwenden Sie eine Datenbank aus. 3.. Verwenden Sie CreateTable, um eine Tabelle zu erstellen, Felder und Datentypen zu definieren. 4. Verwenden Sie InsertInto, um Daten einzulegen, Daten abzufragen, Daten nach Aktualisierung zu aktualisieren und Daten nach Löschen zu löschen. Nur indem Sie diese Schritte beherrschen, lernen, mit gemeinsamen Problemen umzugehen und die Datenbankleistung zu optimieren, können Sie MySQL effizient verwenden.

Remote Senior Backend Engineer Job Vacant Company: Circle Standort: Remote-Büro-Jobtyp: Vollzeitgehalt: 130.000 bis 140.000 US-Dollar Stellenbeschreibung Nehmen Sie an der Forschung und Entwicklung von Mobilfunkanwendungen und öffentlichen API-bezogenen Funktionen, die den gesamten Lebenszyklus der Softwareentwicklung abdecken. Die Hauptaufgaben erledigen die Entwicklungsarbeit unabhängig von RubyonRails und arbeiten mit dem Front-End-Team von React/Redux/Relay zusammen. Erstellen Sie die Kernfunktionalität und -verbesserungen für Webanwendungen und arbeiten Sie eng mit Designer und Führung während des gesamten funktionalen Designprozesses zusammen. Fördern Sie positive Entwicklungsprozesse und priorisieren Sie die Iterationsgeschwindigkeit. Erfordert mehr als 6 Jahre komplexes Backend für Webanwendungen

MySQL kann JSON -Daten zurückgeben. Die JSON_EXTRACT -Funktion extrahiert Feldwerte. Über komplexe Abfragen sollten Sie die Where -Klausel verwenden, um JSON -Daten zu filtern, aber auf die Leistungsauswirkungen achten. Die Unterstützung von MySQL für JSON nimmt ständig zu, und es wird empfohlen, auf die neuesten Versionen und Funktionen zu achten.

Der MySQL -Primärschlüssel kann nicht leer sein, da der Primärschlüssel ein Schlüsselattribut ist, das jede Zeile in der Datenbank eindeutig identifiziert. Wenn der Primärschlüssel leer sein kann, kann der Datensatz nicht eindeutig identifiziert werden, was zu Datenverwirrung führt. Wenn Sie selbstsinkrementelle Ganzzahlsspalten oder UUIDs als Primärschlüssel verwenden, sollten Sie Faktoren wie Effizienz und Raumbelegung berücksichtigen und eine geeignete Lösung auswählen.

Detaillierte Erläuterung von Datenbanksäureattributen Säureattribute sind eine Reihe von Regeln, um die Zuverlässigkeit und Konsistenz von Datenbanktransaktionen sicherzustellen. Sie definieren, wie Datenbanksysteme Transaktionen umgehen, und sorgen dafür, dass die Datenintegrität und -genauigkeit auch im Falle von Systemabstürzen, Leistungsunterbrechungen oder mehreren Benutzern gleichzeitiger Zugriff. Säureattributübersicht Atomizität: Eine Transaktion wird als unteilbare Einheit angesehen. Jeder Teil schlägt fehl, die gesamte Transaktion wird zurückgerollt und die Datenbank behält keine Änderungen bei. Wenn beispielsweise eine Banküberweisung von einem Konto abgezogen wird, jedoch nicht auf ein anderes erhöht wird, wird der gesamte Betrieb widerrufen. begintransaktion; updateAccountsSetBalance = Balance-100WH

MySQL hat sich geweigert, anzufangen? Nicht in Panik, lass es uns ausprobieren! Viele Freunde stellten fest, dass der Service nach der Installation von MySQL nicht begonnen werden konnte, und sie waren so ängstlich! Mach dir keine Sorgen, dieser Artikel wird dich dazu bringen, ruhig damit umzugehen und den Mastermind dahinter herauszufinden! Nachdem Sie es gelesen haben, können Sie dieses Problem nicht nur lösen, sondern auch Ihr Verständnis von MySQL -Diensten und Ihren Ideen zur Fehlerbehebungsproblemen verbessern und zu einem leistungsstärkeren Datenbankadministrator werden! Der MySQL -Dienst startete nicht und es gibt viele Gründe, von einfachen Konfigurationsfehlern bis hin zu komplexen Systemproblemen. Beginnen wir mit den häufigsten Aspekten. Grundkenntnisse: Eine kurze Beschreibung des Service -Startup -Prozesses MySQL Service Startup. Einfach ausgedrückt, lädt das Betriebssystem MySQL-bezogene Dateien und startet dann den MySQL-Daemon. Dies beinhaltet die Konfiguration
