ให้เราดำดิ่งลงไปในหัวข้อนี้ตั้งแต่สมัยโบราณจนถึงปี 2022
สมัยโบราณ
ปัญญาประดิษฐ์ (AI) เริ่มต้นด้วยตำนาน ตำนาน และเรื่องราวเกี่ยวกับสิ่งมีชีวิตประดิษฐ์ที่มีสติปัญญาหรือการรับรู้ที่สร้างขึ้นโดยช่างฝีมือระดับปรมาจารย์ นักปรัชญาชาวกรีกในยุคแรกพยายามพรรณนาถึงกระบวนการคิดของมนุษย์ว่าเป็นการดัดแปลงสัญลักษณ์เพื่อสร้างทฤษฎีเหมือนเครื่องจักร
นิยายเรื่องต่อมา
แนวคิดเกี่ยวกับมนุษย์ประดิษฐ์และเครื่องคิดถูกสร้างขึ้นในนิยาย เช่น Frankenstein ของ Mary Shelley หรือ RUR ของ Karel Čapek (Rossum's Universal Robots) และการเก็งกำไร เช่น "Darwin Among the Machines" ของ Samuel Butler และในเหตุการณ์ที่เกิดขึ้นจริง รวมถึง Edgar "ผู้เล่นหมากรุกของ Maelzel" ของ Allan Poe
ออโตมาตา
ช่างฝีมือจากทุกอารยธรรม รวมทั้ง Yan Shi, Hero of Alexandria, Al-Jazari, Pierre Jaquet-Droz และ Wolfgang von Kempelen ได้คิดค้นหุ่นยนต์ฮิวแมนนอยด์ที่เหมือนจริง รูปปั้นศักดิ์สิทธิ์ของชาวอียิปต์และกรีกโบราณเป็นเครื่องอัตโนมัติที่รู้จักกันเป็นครั้งแรก ผู้ศรัทธาเชื่อว่าช่างฝีมือได้มอบความคิดที่แท้จริงให้กับร่างเหล่านี้/ ในช่วงยุคกลาง หุ่นยนต์ในตำนานเหล่านี้ได้รับการกล่าวขานเพื่อตอบคำถามที่ส่งถึงพวกเขา
การให้เหตุผลอย่างเป็นทางการ
ปัญญาประดิษฐ์มีพื้นฐานมาจากแนวคิดที่ว่าความคิดของมนุษย์อาจถูกขับเคลื่อนด้วยเครื่องจักร มีการศึกษามากมายเกี่ยวกับการใช้เหตุผลอย่างเป็นทางการ หรือ "กลไก"— "การให้เหตุผล" นักปรัชญาชาวจีน อินเดีย และกรีก ได้คิดค้นวิธีการหักเงินอย่างเป็นทางการของสหัสวรรษแรกก่อนคริสตศักราช พวกเขาได้รับการพัฒนาโดยนักปรัชญาเช่นอริสโตเติล (ผู้เขียนบทวิเคราะห์ที่เข้มงวด), ยูคลิด (ซึ่งองค์ประกอบเป็นแบบอย่างของการให้เหตุผลอย่างเป็นทางการ), อัล-Khwārizmī (ผู้สร้างพีชคณิตและให้ชื่อของเขากับ "อัลกอริทึม" ) และนักคิดเชิงวิชาการชาวยุโรป เช่น William of Ockham
นักปรัชญาชาวสเปน Ramon Llull (1232–1315) ได้สร้างเครื่องจักรเชิงตรรกะหลายอย่างเพื่อสร้างความรู้ผ่านขั้นตอนเชิงตรรกะ เขาเรียกอุปกรณ์ของเขาว่าเป็นสิ่งมีชีวิตเชิงกลที่สามารถรวมข้อเท็จจริงพื้นฐานและข้อเท็จจริงที่เถียงไม่ได้โดยใช้การดำเนินการเชิงตรรกะอย่างง่ายในการผลิตความรู้ที่เป็นไปได้ทั้งหมด Gottfried Leibniz ฟื้นความคิดของ Llull
Leibniz, Thomas Hobbes และRené Descartes ได้ตรวจสอบโอกาสในศตวรรษที่ 16 ว่าความคิดที่มีเหตุผลทั้งหมดอาจถูกลดทอนเป็นพีชคณิตหรือเรขาคณิต เหตุผลตามฮอบส์คือ "ไม่มีอะไรนอกจากการคำนวณ" ไลบนิซจินตนาการถึงภาษาสากลแห่งการให้เหตุผล (ลักษณะเฉพาะของเขาเป็นสากล) ที่จะลดการอภิปรายเป็นการคำนวณเพื่อ "จะไม่จำเป็นต้องมีการโต้แย้งกันระหว่างนักปรัชญาสองคนมากกว่าระหว่างนักบัญชีสองคน เพราะมันเพียงพอแล้วสำหรับพวกเขาที่จะเอาดินสอของพวกเขา เหล่านี้ นักคิดได้ระบุสมมติฐานของระบบสัญลักษณ์ทางกายภาพก่อน ซึ่งในที่สุดจะกลายเป็นความเชื่อหลักของการศึกษา AI
ในศตวรรษที่ 20 ตรรกะเชิงตรรกะและคณิตศาสตร์ได้พัฒนาความก้าวหน้าครั้งสำคัญที่ทำให้ปัญญาประดิษฐ์ดูเหมือนใช้งานได้จริง งานดังกล่าววางรากฐานสำหรับกฎแห่งความคิดของ Boole และ Begriffsschrift ของ Frege ในปี ค.ศ. 1913 รัสเซลล์และไวท์เฮดได้ตีพิมพ์หนังสือ Principia Mathematica ซึ่งเป็นการศึกษาพื้นฐานของคณิตศาสตร์อย่างเป็นทางการ โดยสร้างขึ้นจากระบบของ Frege
คำตอบที่พวกเขาได้รับนั้นไม่คาดคิดในสองประการ ในการเริ่มต้น พวกเขาพิสูจน์ว่ามีข้อ จำกัด ว่าตรรกะทางคณิตศาสตร์สามารถทำได้อย่างไร อย่างไรก็ตาม ประการที่สองและมีความสำคัญมากกว่า (สำหรับ AI) การวิจัยของพวกเขาระบุว่าการอนุมานทางคณิตศาสตร์ใดๆ ก็ตามอาจถูกใช้กลไกภายในพารามิเตอร์เหล่านี้
การทดสอบทัวริง
การทดสอบทัวริงเป็นเป้าหมายระยะยาวสำหรับการวิจัย AI – เราจะสามารถสร้างคอมพิวเตอร์ที่สามารถปลอมตัวเป็นมนุษย์ได้เพียงพอหรือไม่ซึ่งผู้พิพากษาที่น่าสงสัยไม่สามารถแยกแยะความแตกต่างได้? ได้ดำเนินไปตามเส้นทางที่คล้ายคลึงกันในการวิจัย AI ส่วนใหญ่ตั้งแต่เริ่มก่อตั้ง ตอนแรกดูเหมือนว่าจะยากแต่ก็ทำได้ (เมื่อเทคโนโลยีฮาร์ดแวร์มาถึงแล้ว)
แม้จะมีการศึกษาหลายทศวรรษและการปรับปรุงทางเทคโนโลยีที่สำคัญ การทดสอบทัวริงยังคงเป็นเป้าหมายสำหรับนักวิจัย AI ในขณะที่ยังเผยให้เห็นว่าเราอยู่ไกลแค่ไหนจากการบรรลุเป้าหมายนั้น
ในปี 1950 Alan Turing นักคณิตศาสตร์และนักวิทยาศาสตร์คอมพิวเตอร์ชาวอังกฤษได้ตีพิมพ์บทความเรื่อง "Computing Machinery and Intelligence" ซึ่งเป็นจุดเริ่มต้นของสาขาที่จะกลายเป็นที่รู้จักในนามปัญญาประดิษฐ์ หลายปีก่อนที่ John McCarthy จะสร้างคำว่า Artificial Intelligence บทความเริ่มต้นด้วยคำถามง่ายๆ: “เครื่องคิดได้ไหม” หลังจากนี้ ทัวริงได้เสนอวิธีการกำหนดว่าเครื่องจักรสามารถคิดได้หรือไม่ ซึ่งกลายเป็นที่รู้จักในชื่อการทดสอบทัวริง “เกมเลียนแบบ” ได้รับการพัฒนาเป็นแบบทดสอบง่ายๆ ที่อาจใช้เพื่อระบุว่าเครื่องจักรกำลังคิดอยู่หรือไม่ สมมติว่าคอมพิวเตอร์ที่ตั้งโปรแกรมให้ดูเหมือนมนุษย์ที่มีปัญญาอย่างแท้จริงได้แสดงให้เห็นว่าคอมพิวเตอร์สามารถคิดได้อย่างแท้จริง
แม้ว่าผู้คนจะยังคงโต้แย้งว่าเครื่องจักรสามารถคิดและทดสอบไซเบอร์สเปซได้หรือไม่ เป็นที่ชัดเจนว่า Alan Turing และเกณฑ์ที่เสนอของเขาให้วิสัยทัศน์ที่ทรงพลังและให้ความรู้แก่ AI บทความนี้เขียนขึ้นโดย Alan Turing เอง ซึ่งมีส่วนสำคัญในการวิจัย AI และปูทางไปสู่วิทยาการคอมพิวเตอร์สมัยใหม่ การทดสอบทัวริงได้รับการยกย่องอย่างกว้างขวางว่าเป็นสถานที่สำคัญในด้านปัญญาประดิษฐ์และอาจถือได้ว่าเป็นเป้าหมายในอีกหลายปีข้างหน้าในขณะที่ยังเป็นก้าวสำคัญในการติดตามความคืบหน้าของฟิลด์ AI ทั้งหมด
ไซเบอร์เนติกส์และโครงข่ายประสาทเทียมในระยะเริ่มต้น
การประดิษฐ์คอมพิวเตอร์เป็นแรงบันดาลใจให้การสืบสวนในยุคแรกๆ เกี่ยวกับเครื่องจักรอัจฉริยะ การบรรจบกันของความคิดเกิดขึ้นในช่วงปลายทศวรรษที่ 1930, 1940 และต้นทศวรรษ 1950 ซึ่งเป็นแรงบันดาลใจให้งานด้านประสาทวิทยาก่อนหน้านี้ ผลงานของ Norbert Wiener และ Claude Shannon มุ่งเน้นไปที่การควบคุมและความเสถียรของเครือข่ายไฟฟ้า ทฤษฎีข้อมูลโดย Claude Shannon อธิบายสัญญาณดิจิทัล (สัญญาณทั้งหมดหรือไม่มีเลย) แนวคิดเชิงทฤษฎีของ Alan Turing เกี่ยวกับการคำนวณได้พิสูจน์แล้วว่าการคำนวณแบบใดก็ตามสามารถแสดงในรูปแบบดิจิทัลได้ การเชื่อมโยงอย่างใกล้ชิดระหว่างแนวคิดเหล่านี้ชี้ให้เห็นว่าอาจมีการสร้างสมองอิเล็กทรอนิกส์
หุ่นยนต์อย่างเต่าของ W. Grey Walter และ Johns Hopkins Beast เป็นตัวอย่างของการทำงานในพื้นที่นี้ เครื่องจักรเหล่านี้ขับเคลื่อนด้วยอุปกรณ์อิเล็กทรอนิกส์แบบแอนะล็อกและสัญชาตญาณมากกว่าคอมพิวเตอร์ อุปกรณ์อิเล็กทรอนิกส์ดิจิทัล หรือการให้เหตุผลเชิงสัญลักษณ์ พวกเขาถูกควบคุมโดยวงจรแอนะล็อกทั้งหมด
ในปี 1943 Walter Pitts และ Warren McCulloch ได้ตรวจสอบเครือข่ายของเซลล์ประสาทเทียมในอุดมคติและแสดงให้เห็นว่าพวกมันสามารถดำเนินการตามตรรกะขั้นพื้นฐานได้อย่างไร พวกเขาเป็นคนแรกที่อธิบายสิ่งที่นักวิจัยในภายหลังเรียกว่าโครงข่ายประสาทเทียม Marvin Minsky อายุน้อยซึ่งขณะนั้นเป็นนักศึกษาระดับบัณฑิตศึกษาอายุ 24 ปีได้รับแรงบันดาลใจจาก Pitts และ McCulloch ในปี 1951 (ร่วมกับ Dean Edmonds) เขาได้สร้างเครื่องโครงข่ายประสาทเทียมเครื่องแรก SNARC ในอีก 50 ปีข้างหน้า Minsky จะเป็นหนึ่งในผู้นำและนักประดิษฐ์ที่สำคัญที่สุดของ AI
เกม AI
ในปี 1951 Christopher Strachey และ Dietrich Prinz ได้สร้างโปรแกรมหมากฮอสสำหรับเครื่อง Ferranti Mark 1 ที่มหาวิทยาลัยแมนเชสเตอร์ โปรแกรมตรวจสอบของ Arthur Samuel ซึ่งสร้างขึ้นในช่วงกลางทศวรรษที่ 50 และต้นทศวรรษที่ 60 ในที่สุดก็ถึงทักษะระดับมือสมัครเล่น การใช้ AI ในเกมจะคงอยู่ตลอดประวัติศาสตร์เพื่อเป็นตัวชี้วัดความก้าวหน้าใน AI
Dartmouth Workshop 1956: การกำเนิดของ AI
ในปี 1956 การประชุม Dartmouth Conference จัดขึ้นโดย Marvin Minsky, John McCarthy และนักวิทยาศาสตร์อาวุโสของ IBM 2 คน ได้แก่ Claude Shannon และ Nathan Rochester "เครื่องอาจถูกสร้างขึ้นเพื่อเลียนแบบความฉลาดของมนุษย์ทุกด้าน" ข้อเสนอดังกล่าวอ่าน ผู้เข้าร่วมประกอบด้วย Ray Solomonoff, Oliver Selfridge, Trenchard More, Arthur Samuel, Allen Newell และ Herbert A. Simon ซึ่งทั้งหมดจะสร้างโครงการ AI ที่สำคัญในช่วงทศวรรษแรกของการศึกษา ในการประชุม นีเวลล์และไซม่อนได้เปิดเผย "นักทฤษฎีลอจิก" ขณะที่แม็กคาร์ธีขอให้ผู้เข้าร่วมประชุมยอมรับ "ปัญญาประดิษฐ์" เป็นชื่อสาขาวิชาของตน การประชุมดาร์ทเมาท์ในปี 1956 เป็นงานที่ทำให้ AI มีชื่อ จุดประสงค์ และความสำเร็จครั้งแรก ตลอดจนผู้เล่นหลักและช่วงเวลาที่กำหนด
สัญลักษณ์ AI 1956–1974
สำหรับคนส่วนใหญ่ ปีหลังจากการประชุมเชิงปฏิบัติการ Dartmouth นั้น "น่าประหลาดใจ" เพียงอย่างเดียว: คอมพิวเตอร์สามารถแก้ปัญหาคำศัพท์เกี่ยวกับพีชคณิต การพิสูจน์ทฤษฎีบทเรขาคณิต และการเรียนรู้ที่จะพูดภาษาอังกฤษ ในช่วงปลายทศวรรษ 1960 มีเพียงไม่กี่คนที่คิดว่าพฤติกรรม "อัจฉริยะ" เช่นนี้ของเครื่องจักรเป็นไปได้ ทั้งในแบบส่วนตัวและในสื่อสิ่งพิมพ์ นักวิชาการได้แสดงความมองโลกในแง่ดีอย่างยิ่งว่าจะมีการพัฒนาเครื่องจักรที่ชาญฉลาดอย่างเต็มที่ภายในเวลาไม่ถึง 20 ปี สาขาใหม่ดึงดูดเงินทุนจำนวนมากจากหน่วยงานของรัฐเช่น DARPA
AI ฤดูหนาวครั้งแรก พ.ศ. 2517-2523
ในปี 1970 AI เผชิญกับการวิพากษ์วิจารณ์และความพ่ายแพ้ทางการเงิน ความยากลำบากที่นักวิจัย AI กำลังเผชิญไม่ได้รับการยอมรับจากพวกเขา ความคาดหวังอันมหาศาลของพวกเขาได้เพิ่มขึ้นเกินกว่าที่สมเหตุสมผล และเมื่อผลประโยชน์ที่สัญญาไว้ไม่ปรากฏขึ้น เงินทุนของรัฐบาลสำหรับ AI ก็หายไป ในเวลาเดียวกัน เป็นเวลาสิบปีหลังจากการวิพากษ์วิจารณ์อย่างรุนแรงของ Marvin Minsky เกี่ยวกับการรับรู้ของ Perceptron ขอบเขตของการเชื่อมต่อ (หรือโครงข่ายประสาทเทียม) ก็อยู่เฉยๆ แม้จะมีมุมมองเชิงลบของสาธารณชนต่อ AI ในช่วงปลายทศวรรษ 1970 แต่ก็มีการสำรวจแนวคิดใหม่ๆ ในการเขียนโปรแกรมเชิงตรรกะ การใช้เหตุผลร่วมกัน และด้านอื่นๆ ที่หลากหลาย
บูม 1980–1987
ตั้งแต่วันแรกของ AI ความรู้เป็นปัญหาหลัก ระบบผู้เชี่ยวชาญ ซึ่งเป็นรูปแบบหนึ่งของโปรแกรม AI ได้รับการยอมรับจากธุรกิจต่างๆ ทั่วโลกในช่วงทศวรรษ 1980 และความรู้ได้กลายเป็นจุดสนใจของการวิจัย AI แบบฉีด ในปี 1990 รัฐบาลญี่ปุ่นลงทุนอย่างหนักใน AI ด้วยความคิดริเริ่มด้านคอมพิวเตอร์รุ่นที่ห้า การฟื้นตัวของความเชื่อมโยงในผลงานของ John Hopfield และ David Rumelhart ในช่วงต้นทศวรรษ 1980 เป็นอีกช่วงเวลาที่ให้กำลังใจ อีกครั้งที่ AI ประสบความสำเร็จ
AI ฤดูหนาวครั้งที่สอง พ.ศ. 2530-2536
ในช่วงทศวรรษ 1980 ความสนใจของโลกธุรกิจต่อ AI เป็นไปตามรูปแบบคลาสสิกของฟองสบู่เศรษฐกิจ ความผิดพลาดเกิดจากซัพพลายเออร์เชิงพาณิชย์ไม่สามารถผลิตโซลูชันที่ใช้งานได้หลากหลาย บริษัทหลายร้อยแห่งล้มเหลว และนักลงทุนจำนวนมากปฏิเสธที่จะลงทุนในบริษัทเหล่านี้ หลายคนเชื่อว่าเทคโนโลยีไม่สามารถใช้งานได้ แต่การวิจัยยังคงก้าวหน้าต่อไป ผู้เชี่ยวชาญหลายคน เช่น Rodney Brooks และ Hans Moravec ได้ให้การสนับสนุน AI รูปแบบใหม่อย่างสิ้นเชิง
AI 1993–2011
สาขาปัญญาประดิษฐ์ซึ่งมีอายุมากกว่าครึ่งศตวรรษได้บรรลุวัตถุประสงค์พื้นฐานที่สุดบางประการแล้ว ปัจจุบันมีการใช้อย่างมีประสิทธิภาพทั่วทั้งภาคส่วนเทคโนโลยี แม้ว่าจะค่อนข้างเงียบ บางส่วนเป็นผลมาจากความสามารถในการประมวลผลที่ดีขึ้น ในขณะที่บางส่วนเกิดจากการมุ่งเน้นไปที่ประเด็นเฉพาะที่แยกออกมาต่างหากและมุ่งมั่นที่จะบรรลุความรับผิดชอบทางวิทยาศาสตร์ในระดับสูงสุด และถึงกระนั้น ชื่อเสียงของ AI ในโลกธุรกิจก็ยังน้อยกว่าตัวเอก ภายในภาคสนาม มีข้อตกลงจำกัดว่าเหตุใด AI จึงไม่สามารถปฏิบัติตามคำมั่นสัญญาของความฉลาดระดับมนุษย์ในทศวรรษ 1960 AI ถูกแยกออกเป็นสาขาต่างๆ ที่แตกต่างกัน โดยแต่ละกลุ่มมุ่งเน้นไปที่ปัญหาหรือวิธีการที่แตกต่างกัน ในขณะที่ยังให้ภาพลวงตาว่าพวกเขากำลังทำงานเพื่อเป้าหมายเดียวกัน
"ชัยชนะของคนเรียบร้อย"
นักวิจัยด้านปัญญาประดิษฐ์เริ่มสร้างและใช้วิธีการทางคณิตศาสตร์ที่ซับซ้อนในอัตราที่มากกว่าที่เคยมีมา ปัญหาหลายอย่างที่ AI จำเป็นต้องแก้ไขได้รับการแก้ไขแล้วโดยนักวิชาการในสาขาต่างๆ เช่น คณิตศาสตร์ วิศวกรรมไฟฟ้า เศรษฐศาสตร์ และการวิจัยด้านปฏิบัติการ ภาษาทางคณิตศาสตร์ที่ใช้ร่วมกันช่วยให้เกิดการทำงานร่วมกันระหว่างสาขาที่หลากหลายและบรรลุผลสำเร็จที่วัดผลและตรวจสอบได้ ตอนนี้ AI ได้กลายเป็นวินัย "ทางวิทยาศาสตร์" ที่จริงจังมากขึ้นตาม Russell & Norvig (2003)
ทฤษฎีความน่าจะเป็นและการตัดสินใจได้ถูกรวมเข้ากับ AI ตั้งแต่งาน 1988 ที่มีอิทธิพลของ Judea Pearl ได้นำทฤษฎีความน่าจะเป็นและการตัดสินใจมาสู่ภาคสนาม เครือข่ายแบบเบย์ แบบจำลอง Markov ที่ซ่อนอยู่ ทฤษฎีข้อมูล การสร้างแบบจำลองสุ่ม และการปรับให้เหมาะสมแบบคลาสสิกเป็นเพียงไม่กี่เทคนิคใหม่ ๆ ที่ใช้ การแทนค่าทางคณิตศาสตร์ยังได้รับการพัฒนาสำหรับกระบวนทัศน์ "ความฉลาดทางคอมพิวเตอร์" เช่น โครงข่ายประสาทเทียมและอัลกอริทึมวิวัฒนาการ
การคาดการณ์ (หรือ "HAL 9000 อยู่ที่ไหน")
ในปี 1968 อาร์เธอร์ ซี. คลาร์กและสแตนลีย์ คูบริกทำนายว่าภายในปี 2544 เครื่องจักรจะมีสติปัญญาเทียบเท่าหรือเหนือกว่ามนุษย์ HAL 9000 ซึ่งเป็นตัวละคร AI ที่พวกเขาออกแบบนั้น มีพื้นฐานมาจากแนวคิดของผู้เชี่ยวชาญด้าน AI ชั้นนำหลายคนว่าอุปกรณ์ดังกล่าวจะได้รับการพัฒนาภายในปี 2544
ภายในปี 2016 ตลาดสินค้า ฮาร์ดแวร์ และซอฟต์แวร์ที่เกี่ยวข้องกับ AI มีมูลค่ามากกว่า 8 พันล้านดอลลาร์ โดยความสนใจใน AI จะเข้าสู่ "ความบ้าคลั่ง" แอปพลิเคชันของ Big data ได้เริ่มขยายไปไกลกว่าสาขาสถิติแล้ว ตัวอย่างเช่น มีการใช้บิ๊กดาต้าเพื่อฝึกแบบจำลองทางนิเวศวิทยาและสำหรับการใช้งานทางเศรษฐกิจที่หลากหลาย ความก้าวหน้าในการเรียนรู้เชิงลึก (โดยเฉพาะอย่างยิ่งโครงข่ายประสาทเทียมเชิงลึกและโครงข่ายประสาทที่เกิดซ้ำ) ได้กระตุ้นความก้าวหน้าและการวิจัยในการประมวลผลภาพและวิดีโอ การวิเคราะห์ข้อความ และแม้แต่การรู้จำคำพูด
ข้อมูลใหญ่
ข้อมูลขนาดใหญ่เป็นคำที่ใช้อธิบายข้อมูลตัวเลขจำนวนมหาศาลที่อยู่นอกเหนือความสามารถของซอฟต์แวร์แอปพลิเคชันทั่วไป ต้องใช้โมเดลการประมวลผลชุดใหม่ทั้งหมดเพื่อจัดการกับระดับการตัดสินใจ ความเข้าใจ และการเพิ่มประสิทธิภาพกระบวนการนี้ ในยุค Big Data Victor Meyer Schonberg และ Kenneth Cooke ให้คำจำกัดความของข้อมูลขนาดใหญ่ว่า "ข้อมูลทั้งหมดถูกใช้เพื่อการวิเคราะห์แทนการประเมินแบบสุ่ม (แบบสำรวจตัวอย่าง)
ต่อไปนี้คือลักษณะสำคัญ 5 ประการของข้อมูลขนาดใหญ่: ปริมาณ ความเร็ว ความหลากหลาย มูลค่า และความเป็นจริง (เสนอโดย IBM) ความสำคัญของเทคโนโลยีข้อมูลขนาดใหญ่ไม่ใช่เพื่อเชี่ยวชาญข้อมูลขนาดใหญ่ แต่เน้นที่บิตที่สำคัญ กล่าวอีกนัยหนึ่ง หากข้อมูลขนาดใหญ่เปรียบได้กับเศรษฐกิจ กุญแจสำคัญในการทำกำไรในภาคส่วนนี้คือการปรับปรุง "ความสามารถในการประมวลผล" ของข้อมูลและเปลี่ยนให้เป็น "มูลค่าเพิ่ม"
ปัญญาประดิษฐ์ทั่วไป
ความสามารถในการแก้ปัญหาใดๆ มากกว่าปัญหาเฉพาะ เรียกว่าความฉลาดทั่วไป ปัญญาประดิษฐ์ทั่วไป (หรือ "AGI") หมายถึงซอฟต์แวร์ที่อาจใช้สติปัญญากับปัญหาต่างๆ ในลักษณะเดียวกับที่มนุษย์สามารถทำได้
นักวิจัย AI โต้เถียงกันในช่วงต้นทศวรรษ 2000 ว่าการพัฒนา AI ได้ละทิ้งวัตถุประสงค์ดั้งเดิมของสาขาในการสร้างปัญญาประดิษฐ์ทั่วไป การศึกษา AGI ก่อตั้งขึ้นเป็นสาขาย่อยแยกต่างหาก และมีการประชุมทางวิชาการ ห้องปฏิบัติการ และหลักสูตรของมหาวิทยาลัยที่อุทิศให้กับการวิจัย AGI ตลอดจนสมาคมเอกชนและบริษัทใหม่ภายในปี 2010
ปัญญาประดิษฐ์ทั่วไปเรียกอีกอย่างว่า "AI ที่แข็งแกร่ง" "AI เต็มรูปแบบ" หรือสติปัญญาสังเคราะห์มากกว่า "AI ที่อ่อนแอ" หรือ "AI แคบ"
AI ในปี 2022
ปัญญาประดิษฐ์ (AI) ได้กลายเป็นความจริงทางธุรกิจและองค์กรสำหรับหลายภาคส่วน แม้ว่าประโยชน์ของ AI จะไม่ปรากฏชัดเสมอไป แต่ก็แสดงให้เห็นว่าสามารถปรับปรุงประสิทธิภาพของกระบวนการ ลดข้อผิดพลาดและแรงงาน และดึงข้อมูลเชิงลึกจากข้อมูลขนาดใหญ่
ผู้คนกำลังพูดถึงสิ่งที่จะยิ่งใหญ่ต่อไปในโลกเมื่อพูดถึงแนวโน้มที่ขับเคลื่อนด้วย AI คอลเลกชันของแนวโน้ม AI ที่น่าสนใจที่สุดที่คาดว่าจะได้รับในปี 2022 นำเสนอที่นี่:
- ROI ขับเคลื่อนการนำ AI ไปใช้;
- การวิเคราะห์วิดีโอ
- โมเดลธุรกิจ 'As a Service';
- ปรับปรุงความปลอดภัยทางไซเบอร์
- AI ใน Metaverse;
- ผ้าข้อมูล
- AI และ ML ด้วย Internet of Things (IoT);
- AI ชั้นนำของไฮเปอร์อัตโนมัติ
บทสรุป
ปัญญาประดิษฐ์มีผลกระทบอย่างมากต่ออนาคตของทุกภาคส่วนของวิทยาศาสตร์ เศรษฐกิจ การผลิต และทุกคน ปัญญาประดิษฐ์มีส่วนช่วยในการพัฒนาเทคโนโลยีที่เป็นนวัตกรรม เช่น บิ๊กดาต้า หุ่นยนต์ และอินเทอร์เน็ตของสรรพสิ่งตั้งแต่เริ่มต้น และจะพัฒนาต่อไป
