In fact, AI is already here, earnin

In fact, AI is already here, earning its keep in banks, airports, hospitals, factories - even your own home and car. It may not be quite what many were led to expect, but then the story of real-life AI is one of misplaced dreams, bitter feuds and grant-grabbing hype. Today's computer scientists divide into two broad camps on the issue of AI. The pragmatists see AI as a means to creating machines that do for thinking what engines have done for physical labour - taking on tasks we humans would prefer not to do: spending endless hours looking out for intruders on CC-TV, say, or scouring heaps of market data for trends or scanning piles of medical images for signs of disease.
Then there are the visionaries, still wedded to Turing's challenge and trying to bring the sci-fi image to life. For them AI is all about computerised "assistants" that solve your printer problems and cheeky-chappy robots that talk to strangers. There are some who even see AI as the route to understanding the workings of the human mind.
Without doubt, it is the visionaries who have done most to get AI research on TV shows such as Tomorrow's World - and supplements such as this. It is the pragmatists, however, who have got AI out of the door and into successful applications. To do it, they have built on everything from mathematical theories to vague hunches about how to imbue machines with intelligence, some of which predate even Turing's prediction.
As early as 1943, Walter Pitts and Warren McCullock at the Massachusetts Institute of Technology (MIT) had shown that collections of simple electronic brain-cells - "neural networks" - could perform certain tasks requiring a degree of intelligence. The trick lay in training such networks to associate particular inputs with outputs - just as humans link, say, names to faces. Considering their crudeness, the abilities of these early neural networks was astonishing. By 1951, MIT's Marvin Minsky had wired together vacuum tubes and mimicked a rat's ability to navigate a maze after "learning" which routes worked best.
It seemed clear that the fastest route to AI lay in building ever-bigger, ever-more brain-like neural networks. And without doubt, sophisticated neural networks have led to some of the most impressive applications of AI. Around the same time, however, an entirely different approach started to emerge - creating the other major strand of AI research.
Suspicious about whether something wired up like a brain really worked like a brain, some researchers decided that a more certain route to AI was to give machines access to the rules of reasoning: that is, symbolic logic.
Mathematicians already had operations and rules of inference that could handle logical statements such as "IF Jane is a woman's first name, and someone's first name is Jane, THEN that someone is a woman". By the mid-1950s, Herbert Simon of the Carnegie Institute of Technology in Pittsburgh and colleagues had turned these rules into a set of instructions computers could understand. Called the Logic Theorist, their program could tackle problems taken from a notoriously difficult textbook on logic written by Bertrand Russell and Alfred Whitehead - which certainly required some degree of "intelligence".
Not for the last time, however, this modest success prompted wild optimism about the ability of computers to take on anything. The 1956 conference at which Logic Theorist made its debut saw the birth of the term "Artificial Intelligence". Soon afterwards, Simon was predicting the emergence in 10 years of computers so smart they would make their own mathematical discoveries and become world chess champion.
It was a prediction that reckoned without human nature. Resentful of the claims being made by each camp - and aware of the finite research funding available - a bitter schism developed between those who saw neural networks as the way ahead and those backing the logic-based approach.
The first to suffer the consequences was neural network research, funding for which all but ceased from the late 1960s until the mid-1980s. The collapse was triggered by a book co-authored by, of all people, Marvin Minsky - one of the early pioneers of neural networks.
Annoyed by the overblown claims made for simple neural networks, Minsky claimed this whole approach to AI was doomed. His "proof" rested on the inability of simple neural networks to solve a basic logical problem. Even at the time, researchers knew the solution: use more sophisticated neural networks. It made no difference; the funding dried up; for the next 15 years the logic-based approach ruled the AI roost.
Attention focused on so-called expert systems, computers whose logic-based programs could supposedly capture human expertise and reason with it. The prospect of having, say, desktop consultants on every GP's desk or pension experts in every high-street bank was a beguiling one. As ever, however, the reality failed to match the hype. Capturing human expertise proved harder than the enthusiasts thought, and performing logical reasoning made big demands of the computers then available. By the early 1990s, it was clear that expert systems were not the Golden Road to AI either.
For a while, the pendulum of hype looked set to swing straight back to neural networks. Fortunately, some sanity has now seeped into AI research, with recognition that - surprise, surprise - every approach has its merits and pitfalls.
The logic-based approach, for instance, tends to work best in tight, well-defined areas, where the computer draws conclusions from "checklist"-style responses. This has led to financial transaction vetting becoming one of its most successful applications, not least because customers often demand justification for a particular decision, something that logic-based systems can provide. Fraud detection, medical diagnosis and process control are other areas that have seen logic-based AI successfully applied.
The difficulty of giving expert systems the background knowledge they need to make inferences has also been tackled. Human experts themselves aren't always clear how they reach the decisions they do; they also make mistakes, and find it hard to keep up to date. This has led to the emergence of expert systems based on so-called Bayesian networks, which use probability theory to turn new and uncertain data into further "expertise" for the computer to draw on.
Neural networks, the other major strand in the AI story, have also found success in applications which play to their strengths: pattern-spotting and learning from experience. Unlike logic-based systems, neural networks don't have to know what rules apply, instead acquiring their skills by being exposed to lots of examples. They also cope well with new, incomplete and noisy data. This has made them ideal for tasks such as spotting faces in a crowd, detecting market trends in messy data-sets and controlling complex production processes.
Neural networks aren't too good at justifying their actions, however - which can make them unacceptable for making decisions whereby fortunes or lives are at stake. This has led to the emergence of so-called hybrid systems, where both logic and neural AI techniques are combined to give the best of both worlds.
After half a century of research, all the money and effort poured into AI technology is certainly starting to pay off. The most successful applications have, however, generally been more ho-hum than AI's sci-fi image: the neural network cooking controls of Sharp's microwave ovens, for example, or the expert system that vets American Express's credit card transactions.
When current AI technology is pushed closer to its sci-fi image, the results can be more irritating than impressive: witness Microsoft's Paperclip assistant, and the AI-based "help-desks" of some high-tech companies. Even now, 50 years after work began on intelligent machines, only the bravest customers trust the automated telephone ticketing system at their local cinema.
Even so, visionary AI researchers working away from the mainstream have pulled off some striking achievements, using techniques hand-crafted for the task. Herbert Simon's 1957 prediction that a computer would make a mathematical discovery came to pass 20 years later, when a logic-based program named AM, developed by Douglas Lenat at Stanford University, discovered that every even number greater than four seemed to be the sum of two odd primes. In fact, AM had been pipped to this discovery by the Prussian mathematician Christian Goldbach in the 18th century; nevertheless the rediscovery of "Goldbach's Conjecture" by AM caused a stir within the AI community.
Simon's prediction that a computer would become world chess champion also came to pass - in a manner of speaking - in 1997 when IBM's Deep Blue computer beat Garry Kasparov, the greatest human exponent of the game. As with Lenat's program, however, Deep Blue was hand-built for the task and lies off the mainstream of AI research.
Most likely it will be one of the AI visionaries who finally creates a computer that passes Turing's 50-year-old test. For many in the AI community, however, beating the Turing Test is viewed as little more than a party trick. They are hard at work addressing far more basic issues in AI - like convincing computers to hand over the cinema tickets you've paid for.

Результаты (русский) 1:

В самом деле, ии здесь, уже зарабатывает его держать в банки, аэропорты, больницы, фабрики - даже собственный дом и автомобиль. Она не может быть достаточно того, что многие пришли к ожидать, но тогда история реальной жизни AI является одним из неправильно мечты, горьких распрей и Грант захвата шумиха. Сегодняшние компьютерные ученые делят на два широких лагеря по вопросу о AI. Прагматики см АИ как средство создания машин, которые делают для думая, что двигатели сделали для физического труда - принимая на задачах мы люди предпочли бы не делать: тратить бесконечные часы, глядя на злоумышленников на CC-ТВ, скажем, или чистки кучу данных рыночных тенденций или сканирование кучу медицинских изображений для признаков заболевания.Тогда есть мечтатели, по-прежнему преданными Тьюринга на вызов и пытается довести научно-фантастический образ жизни. Для них АИ это все о компьютерных «помощники», которые решают ваши проблемы принтера и нахальный паренек роботов, которые разговаривать с незнакомыми людьми. Есть некоторые, кто даже увидеть АИ как путь к пониманию функционирования человеческого разума.Без сомнения это мечтатели, которые сделали большинство получить исследований ии на ТВ-шоу, таких как завтрашнего мира - и добавки, такие как это. Это прагматики, однако, которые получили АИ из двери и в успешных приложений. Для этого они построили на все, начиная от математических теорий расплывчатые догадки о том, как наполнить машин с интеллектом, некоторые из которых предшествовали даже Тьюринга предсказание.Уже в 1943 году, Walter Pitts и Уоррен McCullock в Массачусетском технологическом институте (MIT) показали, что коллекции простых электронных мозга клеток - «нейронные сети» - может выполнять определенные задачи, требующие определенной разведки. Хитрость заключается в подготовке таких сетей присоединиться частности входы с выходами - так же, как люди ссылки, скажем, имена для лица. Учитывая их грубости способности этих ранних нейронных сетей был удивительным. К 1951 году MIT Marvin Мински проводной вместе вакуумных трубок и передразнил крысы способности для навигации лабиринте после «обучения» какие маршруты работали лучше.Казалось, ясно, что самый быстрый маршрут в АИ в здании когда-либо больше, когда-либо более мозг как нейронных сетей. И без сомнения, сложные нейронные сети привели к некоторым из наиболее впечатляющих приложений ии. Примерно то же время однако, совершенно иной подход стали появляться - создание других крупных пряди исследований ИИ.Подозрения о ли что-то проводной вверх как мозг действительно работает как мозг, некоторые исследователи решил, что более определенный маршрут для AI был дать машины доступ к правилам рассуждений: то есть, символической логики.Математиков уже операций и правила вывода, который может обрабатывать логических операторов, как «если Джейн является имя первой женщины, и чье-то имя — Джейн, то что кто-то это женщина». Середине 50-х Herbert Simon технологического института Карнеги в Питтсбурге и коллеги превратился в набор инструкций, компьютеры могли понимать эти правила. Называется логика теоретик, их программа может решать проблемы, взятые из непросты учебник по логике, написанная Бертран Рассел и Альфред Уайтхед - которая безусловно требует некоторой степени «разведки».Однако, не в последний раз, этот скромный успех побудило диких оптимизм по поводу компьютеров возможность взять на что-нибудь. 1956 года конференцию, на которой логика теоретик сделал его дебют видел рождение термина «Искусственный интеллект». Вскоре после этого Simon предсказать появление в 10 лет компьютеров настолько умные, они будут делать свои собственные математические открытия и стать чемпионом мира.Это был прогноз, что рассчитывал без человеческой природы. Обиженный заявления каждый лагерь - и осведомлены о конечных финансирование имеющихся исследований - горький раскола разработали между теми, кто видел нейронных сетей как путь вперед и теми бэк подход на основе логики.Первыми страдают от последствий был нейронной сети научных исследований, финансирование которой все но прекратили свое существование с конца 1960-х до середины 80-х годов. Крах был спровоцирован книгу в соавторстве, всех людей, Marvin Мински - один из пионеров нейронных сетей.Досадно, раздутые утверждения для простых нейронных сетей, Мински утверждали, что этот весь подход к ии был обречен. Его «доказательство» основывается на простых нейронных сетей неспособность решить основные логические проблемы. Даже в то время исследователи знали решение: использование более сложных нейронных сетей. Он не имеет никакого значения; финансирования иссяк; следующие 15 лет, подход, основанный на логике правили ии насест.Внимание сосредоточено на так называемых экспертных систем, компьютеры которых на основе логики программы якобы может захватить человеческого опыта и причине с ним. Начинка была перспектива того, скажем, обои консультантов на стол или пенсионных экспертов каждый GP в каждый банк Хай стрит. Как никогда однако, реальность не соответствует hype. Захват человеческого опыта оказалось сложнее, чем думали энтузиасты, и выполняющих логические рассуждения доступны большие требования компьютеров тогда. В начале 1990-х было ясно, что экспертные системы были не Золотая дорога в АИ либо.Какое-то время маятник обман выглядел присвоено качели прямой спиной к нейронным сетям. К счастью некоторые вменяемость теперь просочилась в исследований ИИ, с признанием, что - сюрприз, сюрприз - каждый подход имеет свои преимущества и недостатки.Подход, основанный на логике, например, стремится работать лучше в плотный, четко определенных областях, где компьютер делаются выводы из «контрольного перечня»-стиль ответов. Это привело к финансовой сделки, проверки, став одним из его самых успешных приложений, не в последнюю очередь потому, что клиенты часто требуют обоснования для принятия конкретного решения, то, что на основе логики системы могут обеспечить. Других областей, которые видели на основе логики AI успешно применяется обнаружения мошенничества, медицинской диагностики и управления процессом.Рассматривался также трудности давая экспертные системы базовых знаний, что им нужно сделать выводы. Человека сами эксперты не всегда ясно, каким образом они достигают решения они делают; Они также делают ошибки и найти его трудно держать в курсе. Это привело к появлению экспертных систем, основанных на так называемые байесовских сетях, которые используют теорию вероятности превратить далее «экспертиза» для компьютера, чтобы опираться на данные новой и неопределенной.Нейронные сети, другие крупные пряди в историю ии, также нашли успеха в приложениях, которые играют в свои сильные стороны: шаблон-кровянистые выделения и изучения накопленного опыта. В отличие от систем, основанных на логике, нейронные сети не нужно знать, какие правила применяются, вместо приобретения их навыков, подвергаясь много примеров. Они также справиться и с новой, неполные и шумных данных. Это делает их идеально подходит для задач, таких как кровянистые выделения, лица в толпе, обнаружение тенденции рынка в грязный наборов данных и контроля сложных производственных процессов.Нейронные сети не слишком хорошо оправдать свои действия, однако, - которые могут сделать их неприемлемыми для принятия решений, когда на карту поставлены судьбы или жизнь. Это привело к появлению так называемых гибридных систем, где логика и нейронные AI методы объединяются чтобы дать лучшее из обоих миров.После полувека исследований все деньги и усилия, выливают в AI технологии конечно начинает окупаться. Наиболее успешных приложений однако, как правило, были более хо-гул, чем научно-фантастический образ AI: приготовление управления микроволновых печей Sharp в нейронной сети, например, или экспертной системы, ветеринары транзакций кредитных карт American Express.Когда нынешняя технология AI помещается ближе к его научно-фантастический образ, результаты могут быть более раздражающего, чем впечатляющие: свидетель помощник Microsoft скрепки и на основе АИ «Справка столы» некоторых компаний хай тек. Даже сейчас 50 лет после начала работы на разумных машин, только смелых клиентов доверяют автоматизированной телефонной системы продажи билетов на их местном кинотеатре.Несмотря на это с богатой фантазией исследователей ИИ, работающих далеко от основного снял ряд ярких достижений, используя методы ручной работы для выполнения этой задачи. Herbert Simon 1957 предсказание, что компьютер будет делать математические открытия сбылось спустя 20 лет, когда на основе логики программа с именем AM, разработанный Lenat Дуглас в Стэнфордском университете, обнаружил, что, как представляется, каждое четное число больше, чем четыре суммы двух нечетных чисел. В самом деле я было обогнал к этому открытию, прусский математик Кристиан Гольдбах в XVIII веке; Тем не менее возрождение «Гольдбаха» утра вызвало сенсацию в сообществе AI.Simon's предсказание, что компьютер станет мировой чемпион по шахматам также пришли пройти - в манере говорить - в 1997 году, когда компьютер IBM's Deep Blue победил Гарри Каспаров, величайших человека показатель игры. Как и в случае с Lenat в программе, однако, Deep Blue был ручной сборки для задачи и лежит вне основного русла исследований ИИ.Скорее всего это будет один АИ мечтателей, которые наконец создает компьютер, который проходит тест Тьюринга на 50-летний. Для многих в AI сообщества однако, победив тест Тьюринга рассматривается как не более чем уловка партии. Они напряженно работают гораздо более основных вопросов в АИ - как убедить компьютеры сдать билеты в кино, которую вы заплатили за.

Результаты (русский) 2:

В самом деле, AI уже здесь, зарабатывая свою Имейте в банках, аэропортах, больницах, на заводах - даже ваш собственный дом и автомобиль. Это может быть не совсем то, что многие пришли к ожидать, но затем история из реальной жизни А.И. является одним из неуместных мечты, горьких распрей и предоставить захвата рекламы. Сегодняшние ученые компьютерные разделить на две большие лагеря по вопросу о ИИ. Прагматики см ИИ как средство для создания машин, которые делают для думать, что двигатели сделали для физического труда - принимать на задачи, которые мы, люди предпочли бы не делать: проводить бесконечные часы, глядя злоумышленников на CC-TV, скажем, для чистки или кучи рыночных данных для выявления тенденций или сканирования груды медицинских изображений для признаков заболевания.
Кроме того, есть мечтатели, еще супружеских на вызов Тьюринга и пытаются довести научно-фантастический образ жизни. Для них А.И. это все о компьютеризированных "помощников", которые решают свои проблемы принтера и нахальные-паренек роботов, которые говорят с незнакомыми людьми. Есть некоторые, кто даже увидеть AI как путь к пониманию, как работает человеческий разум.
Без сомнения, это провидцы, которые наиболее сделать, чтобы получить исследований по птичьему гриппу телевизионных шоу, таких как World Tomorrow - и добавок, таких, как этот. Это прагматики, однако, получившие в AI из двери и в успешных приложений. Чтобы сделать это, они построили все, от математических теорий к смутных догадках о том, как наполнить машины с интеллектом, некоторые из которых предшествуют даже прогноз Тьюринга.
Уже в 1943 году, Уолтер Питтс и Уоррен McCullock в Массачусетском технологическом институте (MIT) показали, что коллекции простых электронных мозговых клеток - "нейронные сети" - может выполнять определенные задачи, требующие степень интеллекта. Трюк заключался в подготовке таких сетей, чтобы связать отдельные входы с выходами - так же, как люди ссылаются, скажем, имена лиц. Учитывая их грубость, способности этих ранних нейронных сетей было удивительно. К 1951 году, Массачусетского технологического института Марвин Мински уже соединены друг с другом вакуумных трубок и передразнил способность крысы проходить лабиринт после "обучения", который маршруты работали лучше.
Казалось очевидным, что самый быстрый путь к AI лежал в здании когда-либо больше, все более мозговой как нейронных сетей. И без сомнения, сложные нейронные сети привело к некоторым из самых впечатляющих применений ИИ. Примерно в то же время, однако, совершенно иной подход начали появляться. - Создавая другую важную прядь исследований ИИ
Подозрительный о том, что-то проводной вверх, как мозг действительно работал как мозг, некоторые исследователи решили, что более верного пути к МА чтобы дать машинам доступ к правилам рассуждений:., то есть символическая логика
математики уже операциями и правила вывода, которые могут обрабатывать логические высказывания, такие как "ЕСЛИ Джейн имя женщины, и чей-то имя Джейн, то это кто-то это женщина ". К середине 1950-х годов, Герберт Саймон в Технологическом институте Карнеги в Питтсбурге и его коллеги превратили эти правила в набор инструкций компьютеры могли понять. Вызывается Logic Теоретик, их программа может решать проблемы, взятые из крайне сложно учебника по логике, написанный Бертрана Рассела и Альфреда Уайтхеда -., Которые, безусловно, необходимой некоторую степень «Интеллект»
, не в последний раз, однако, этот скромный успех побудил дикий оптимизм о способности компьютеров взять на что-нибудь. 1956 конференция, на которой Logic Теоретик дебютировал видел рождение термина "искусственный интеллект". Вскоре после этого, Саймон предсказывают появление в 10 лет компьютерах такие умные они делают свои собственные математические открытия и стать чемпионом мира по шахматам.
Это было предсказание, что рассчитывал без человеческой природы. Обиженный претензий, предпринимаемые каждом лагере - и знающий о конечной финансирования научных исследований в наличии -. Горькой раскола, разработанной между теми, кто видел нейронных сетей в качестве пути вперед и тех, кто поддерживает подход на основе логики
первую очередь страдают от последствий было нейронная Сеть исследования, финансирование которых все, кроме, пока не прекратится с конца 1960-х годов до середины 1980-х годов. Распад был вызван книги в соавторстве с из всех людей, Марвин Мински -. Один из пионеров нейронных сетей
раздражает раздутые претензий для простых нейронных сетей, Минский утверждал, вся эта подход к ИИ был обречен. Его «доказательство» опиралась на неспособность простых нейронных сетей для решения основной логический проблему. Даже в то время, исследователи знали решение: использовать более сложные нейронные сети. Это не имело никакого значения; финансирование иссяк; в течение следующих 15 лет подход на основе логики правил насест AI.
Внимание было сосредоточено на так называемых экспертных систем, компьютеров, на основе логики программы могут якобы захватить человеческого опыта и разум вместе с ним. Перспектива того, что, скажем, настольные консультанты на столе или пенсионных экспертов каждого врача общей практики в каждом высокой улице банка было заманчиво один. Как всегда, однако, реальность не соответствовала обману. Захват человек экспертиза подтвердила, труднее, чем энтузиасты думал, и выполнения логических рассуждений сделал большие требования компьютерах доступными. К началу 1990-х годов, было ясно, что экспертные системы не были Голден-роуд МА либо.
Какое-то время маятник ажиотаж, казалось, качели прямо назад нейронных сетей. К счастью, некоторые здравомыслие в настоящее время просочилась в исследованиях А.И., с признанием того, что - сюрприз, сюрприз -. Каждый подход имеет свои преимущества и подводные камни
подход на основе логики, например, как правило, лучше всего работают в жесткой, четко определенных областях, где Компьютер делает выводы из "Контрольный список" стиле ответов. Это привело к Проверка: финансовая операция становится одним из самых успешных приложений, не в последнюю очередь потому, что клиенты часто требуют обоснования в отношении конкретного решения, то, что логико-системы могут обеспечить. Обнаружение Мошенничество, медицинская диагностика и контроль процесса в других областях, которые видели на основе логики успешно AI применяется.
Трудность давая экспертные системы фонового знания, необходимые, чтобы сделать выводы также решить. Человека сами эксперты, не всегда ясно, как они достигают решения, которые они делают; они также делают ошибки, и найти его трудно держать в курсе. Это привело к появлению экспертных систем, основанных на так называемых байесовских сетей, которые используют теорию вероятностей, чтобы включить новые и неточных данных в дальнейшем «экспертизы» для компьютера, чтобы рисовать.
нейронных сетей, других крупных нить в истории А.И. , также успех в приложениях, которые играют свои сильные стороны: Pattern-кровянистые выделения и изучения опыта. В отличие от логических систем, в нейронные сети не нужно знать, что правила, вместо того, чтобы приобретать свои навыки подвергаясь большим количеством примеров. Они также хорошо справляются с новыми, неполных и зашумленных данных. Это сделало его идеальным для таких задач, как кровянистые выделения лица в толпе, выявления рыночных тенденций в грязных наборов данных и управления сложными производственными процессами.
Нейронные сети не слишком хорошо, на оправдание своих действий, однако, - которые могут сделать их неприемлемыми для изготовления решения, в силу судьбы или жизни находятся под угрозой. Это привело к появлению так называемых гибридных системах, где оба логика и нейронные технологии AI объединяются, чтобы дать лучшее из обоих миров.
Спустя полвека исследований, все деньги и усилия выливают в технологии AI, конечно, начинают расплачиваться. Наиболее успешные приложения, однако, как правило, были более хо-гул, чем научно-фантастического образа ИИ: нейронная сеть приготовления управления СВЧ-печей Sharp, например, или экспертную систему, которая ветеринары транзакций по кредитным картам American Express в.
Когда современная технология AI проталкивается ближе к ее научно-фантастического образа, результаты могут быть более раздражающим, чем впечатляет: Скрепка помощник свидетеля Microsoft, и АИ-основанные "Help-столы» некоторых высокотехнологичных компаний. Даже сейчас, спустя 50 лет после начала работы на интеллектуальных машин, только самые смелые клиенты доверяют автоматической телефонной системы продажи билетов в местном кинотеатре.
Тем не менее, с богатой фантазией исследователи ИИ, работающих от мейнстрима у снял некоторые поразительные достижения, с использованием методов ручной для выполнения этой задачи. Герберт Саймон в 1957 году предсказание, что компьютер будет сделать математическое открытие случилось 20 лет спустя, когда программа на основе логики имени А.М., разработанная Дуглас Ленат Стэнфордского университета, обнаружил, что каждый четное число, большее четыре, казалось, сумма два нечетных простых чисел. На самом деле, AM были обогнал к этому открытию прусским математика Кристиан Гольдбаха в 18 веке; Тем не менее повторное открытие "Проблема Гольдбаха" А. М. отличился в сообществе искусственного интеллекта.
Прогноз Саймона о том, что компьютер станет чемпион мира по шахматам также сбылось - в манере говорить - в 1997 году, когда Deep Blue Компьютер IBM биться Гарри Каспарова, Наибольшее человек показатель игре. Как с помощью программы Ленат, однако, Deep Blue был собран вручную для выполнения этой задачи и лежит у русло исследований в области искусственного интеллекта.
Скорее всего, это будет один из провидцев AI, который, наконец, создает компьютер, который проходит 50-летний тест Тьюринга. Для многих в обществе А.И., однако, победив Тест Тьюринга рассматривается как немного больше, чем партии трюк. Они напряженно работают решению гораздо более основные вопросы в AI - как убедить компьютеров сдать билеты в кино вы заплатили за.

Результаты (русский) 3:

В самом деле, AI уже здесь, заработать ее держать в банки, аэропорты, больницы, фабрики - даже у себя дома и в машине. Она не может быть довольно многие были ожидать, но затем историю реальной жизни AI - это один из рушились мечты, горький вражда и захват большой ажиотаж. Сегодня ученые ЭБУ разделить на две широкие лагерей по вопросу о AI.