Artificial intelligence • Artificia

Artificial intelligence

• Artificial intelligence is technology and a branch of computer science that studies and develops intelligent machines and software. Major AI researchers and textbooks define the field as “the study and design of intelligent agents”,[1] where an intelligent agent is a system that perceives its environment and takes actions that maximize its chances of success.[2] John McCarthy, who coined the term in 1955,[3] defines it as “the science and engineering of making intelligent machines
• AI research is highly technical and specialized, deeply divided into subfields that often fail to communicate with each other. Some of the division is due to social and cultural factors: subfields have grown up around particular institutions and the work of individual researchers. AI research is also divided by several technical issues. There are subfields which are focused on the solution of specific problems, on one of several possible approaches, on the use of widely differing tools and towards the accomplishment of particular applications.
• The central problems (or goals) of AI research include reasoning, knowledge, planning, learning, communication, perception and the ability to move and manipulate objects. General intelligence (or “strong AI”) is still among the field’s long term goals. Currently popular approaches include statistical methods, computational intelligence and traditional symbolic AI. There are an enormous number of tools used in AI, including versions of search and mathematical optimization, logic, methods based on probability and economics, and many others.
• The field was founded on the claim that a central property of humans, intelligence – the sapience of Homo sapiens-can be so precisely described that it can be simulated by a machine. This raises philosophical issues about the nature of the mind and the ethics of creating artificial beings, issues which have been addressed by myth, fiction and philosophy since antiquity. Artificial intelligence has been the subject of tremendous optimism but has also suffered stunning setbacks. Today it has become an essential part of the technology industry and many of the most difficult problems in computer science.
• The general problem of simulating (or creating) intelligence has been broken down into a number of specific sub-problems. These consist of particular traits or capabilities that researchers would like an intelligent system to display. The traits described below have received the most attention.
• Deduction, reasoning, problem solving
o Early AI researchers developed algorithms that imitated the step by step reasoning that humans use when they solve puzzles or make logical deductions. By the late 1980s and 1990s, AI research had also developed highly successful methods for dealing with uncertain or incomplete information, employing concepts from probability and economics.
o For difficult problems, most of these algorithms can require enormous computational resources – most experience a “combinatorial explosion”: the amount of memory or computer time required becomes astronomical when the problem goes beyond a certain size. The search for more efficient problem solving algorithms is a high priority for AI research.
• Human beings solve most of their problems using fast, intuitive judgments rather than the conscious, step by step deduction that early AI research was able to model. AI has made some progress at imitating this kind of “sub-symbolic” problem solving: embodied agent approaches emphasize the importance of sensorimotor skills to higher reason; neural net research attempts to simulate the structures inside the brain that give rise to this skill; statistical approaches to AI mimic the probabilistic nature of the human ability to guess.
• Knowledge representation
• An ontology represents knowledge as a set of concepts within a domain and the relationships between those concepts.
• Knowledge representation and knowledge engineering are central to AI research. Many of the problems machines are expected to solve will require extensive knowledge about the world.
• Among the things that AI needs to represent are: objects, properties, categories and relations between objects; situations, events, states and time; causes and effects; knowledge about knowledge (what we know about what other people know); and many other, less well researched domains. A representation of “what exists” is an ontology: the set of objects, relations, concepts and so on that the machine knows about. The most general are called upper ontologies, which attempt to provide a foundation for all other knowledge.
• Among the most difficult problems in knowledge representation are:
• Default reasoning and the qualification problem
• Many of the things people know take the form of “working assumption.” For example, if a bird comes up in conversation, people typically picture an animal that is fist sized, sings, and flies. None of these things are true about all birds.
• John McCarthy identified this problem in 1969 as the qualification problem: for any commonsense rule that AI researchers care to represent, there tend to be a huge number of exception. Almost nothing is simply true or false in the way that abstract logic requires. AI research has explored a number of solutions to this problem.

ผลลัพธ์ (ไทย) 1:

ปัญญาประดิษฐ์

•ปัญญาประดิษฐ์เป็นเทคโนโลยีและเป็นสาขาหนึ่งของวิทยาการคอมพิวเตอร์ว่าการศึกษาและพัฒนาเครื่องจักรที่ชาญฉลาดและซอฟแวร์ นักวิจัยไอสำคัญและตำรากำหนดเขตข้อมูลที่เป็น "การศึกษาและการออกแบบของตัวแทนชาญฉลาด" [1] ที่ตัวแทนชาญฉลาดเป็นระบบที่รับรู้สภาพแวดล้อมและใช้การกระทำที่เพิ่มโอกาสของความสำเร็จ[2] จอห์นแมคคาร์ใครเป็นคนบัญญัติคำว่าในปี ค.ศ. 1955 [3] กำหนดว่ามันเป็น "วิทยาศาสตร์และวิศวกรรมของเครื่องทำฉลาด
• Ai วิจัยเป็นอย่างมากทางด้านเทคนิคและผู้เชี่ยวชาญแบ่งลึกลงไปในฟิลด์ที่มักจะล้มเหลวในการสื่อสารกับแต่ละอื่น ๆ . บางส่วนเป็นเพราะปัจจัยทางสังคมและวัฒนธรรม:ฟิลด์ได้เติบโตขึ้นรอบสถาบันโดยเฉพาะอย่างยิ่งและผลงานของนักวิจัยแต่ละคน การวิจัยไอยังแบ่งออกจากปัญหาทางเทคนิคหลายประการ มีฟิลด์ซึ่งมุ่งเน้นการแก้ปัญหาที่เฉพาะเจาะจงบนหนึ่งในวิธีที่เป็นไปได้หลายประการเกี่ยวกับการใช้เครื่องมือที่แตกต่างกันอย่างกว้างขวางและต่อความสำเร็จของการใช้งานโดยเฉพาะอย่างยิ่งเป็น.
•ปัญหากลาง (หรือเป้าหมาย) ของการวิจัยไอรวมถึงเหตุผลความรู้การวางแผนการเรียนรู้การสื่อสารการรับรู้และความสามารถในการเคลื่อนย้ายและจัดการวัตถุ ทั่วไปของหน่วยสืบราชการลับ (หรือ "แข็งแรงเอไอ") ยังคงเป็นหนึ่งในเป้าหมายระยะของสนามที่ยาว ขณะนี้วิธีที่นิยมรวมถึงวิธีการทางสถิติและการคำนวณปัญญา Ai สัญลักษณ์แบบดั้งเดิมมีจำนวนมหาศาลของเครื่องมือที่ใช้ในไอรวมทั้งรุ่นของการเพิ่มประสิทธิภาพการค้นหาและคณิตศาสตร์, ตรรกะวิธีการขึ้นอยู่กับความน่าจะเป็นและเศรษฐศาสตร์และอื่น ๆ อีกมากมาย
•สนามก่อตั้งขึ้นเมื่อวันที่อ้างว่าทรัพย์สินส่วนกลางของมนุษย์ปัญญา. - ความฉลาดปราดเปรื่องของมนุษย์โฮโมเซเปีย-สามารถอธิบายได้อย่างแม่นยำเพื่อที่จะสามารถจำลองโดยเครื่องนี้ยกประเด็นปรัชญาเกี่ยวกับธรรมชาติของจิตใจและจริยธรรมของการสร้างสิ่งมีชีวิตเทียมประเด็นที่ได้รับการแก้ไขโดยตำนานนิยายและปรัชญาตั้งแต่สมัยโบราณ ปัญญาประดิษฐ์ได้รับเรื่องของการมองในแง่ดีอย่างมาก แต่ยังได้รับความเดือดร้อนความพ่ายแพ้ที่น่าทึ่งวันนี้มันได้กลายเป็นส่วนสำคัญของอุตสาหกรรมเทคโนโลยีและหลายปัญหาที่ยากที่สุดในด้านวิทยาศาสตร์คอมพิวเตอร์.
•ปัญหาทั่วไปของเลียนแบบ (หรือสร้าง) หน่วยสืบราชการลับที่ได้รับการแบ่งออกเป็นจำนวนย่อยที่เฉพาะเจาะจงปัญหา เหล่านี้ประกอบด้วยลักษณะเฉพาะหรือความสามารถที่นักวิจัยต้องการระบบอัจฉริยะที่จะแสดงลักษณะที่อธิบายด้านล่างได้รับความสนใจมากที่สุด.
•หักให้เหตุผลปัญหาแก้
o นักวิจัยไอต้นการพัฒนาอัลกอริทึมที่เลียนแบบขั้นตอนโดยขั้นตอนให้เหตุผลว่ามนุษย์ใช้เมื่อพวกเขาแก้ปริศนาหรือหักเงินตรรกะ โดยช่วงปลายปี 1980 และ 1990, เอไอวิจัยยังได้พัฒนาวิธีการที่ประสบความสำเร็จอย่างมากในการจัดการกับข้อมูลที่ไม่แน่นอนหรือไม่สมบูรณ์. จ้างแนวคิดจากความน่าจะเป็นและเศรษฐศาสตร์
o สำหรับปัญหาที่ยากที่สุดของขั้นตอนวิธีการเหล่านี้สามารถต้องใช้ทรัพยากรการคำนวณมหาศาล - ประสบการณ์มากที่สุด "ระเบิด combinatorial" จำนวนหน่วยความจำหรือเวลาที่จำเป็นต้องใช้คอมพิวเตอร์จะกลายเป็นดาราศาสตร์เมื่อปัญหาได้รับนอกเหนือไปจากขนาดบางค้นหาอัลกอริทึมมีประสิทธิภาพมากขึ้นในการแก้ปัญหาเป็นลำดับความสำคัญสูงสำหรับการวิจัยไอ.
•มนุษย์แก้ปัญหาส่วนใหญ่ของปัญหาของพวกเขาได้อย่างรวดเร็วโดยใช้คำตัดสินง่ายมากกว่าขั้นตอนที่สติโดยการหักเงินขั้นตอนที่ว่างานวิจัยไอต้นก็สามารถที่จะแบบ Ai มีความคืบหน้าบางอย่างที่เลียนแบบชนิดนี้ย่อย "สัญลักษณ์" การแก้ปัญหา:เป็นตัวเป็นตนตัวแทนวิธีการเน้นความสำคัญของทักษะ sensorimotor เหตุผลสูงกว่า; ประสาทพยายามวิจัยสุทธิเพื่อจำลองโครงสร้างภายในสมองที่ก่อให้เกิดทักษะนี้. วิธีการทางสถิติเพื่อ AI เลียนแบบธรรมชาติน่าจะเป็นความสามารถของมนุษย์ที่จะคาดเดา
แทนความรู้•
•อภิปรัชญาแสดงให้เห็นถึงความรู้ที่เป็นชุดของแนวความคิดภายในโดเมนและความสัมพันธ์ระหว่างแนวความคิดเหล่านั้น.
•แทนความรู้และวิศวกรรมความรู้เป็นศูนย์กลางของการวิจัยไอ หลายปัญหาที่เครื่องที่คาดว่าจะแก้ปัญหาจะต้องมีความรู้กว้างขวางเกี่ยวกับโลก
•ท่ามกลางสิ่งที่เอไอความต้องการที่จะเป็นตัวแทนคือ:. วัตถุคุณสมบัติ,หมวดหมู่และความสัมพันธ์ระหว่างวัตถุสถานการณ์เหตุการณ์ที่เกิดขึ้นในสหรัฐฯและเวลา; สาเหตุและผลกระทบความรู้เกี่ยวกับความรู้ (สิ่งที่เรารู้เกี่ยวกับสิ่งที่คนอื่นรู้) และอื่น ๆ อีกมากมายโดเมนวิจัยไม่ดี เป็นตัวแทนของ "สิ่งที่มีอยู่" คืออภิปรัชญา: ชุดของวัตถุ, ความสัมพันธ์แนวความคิดและอื่น ๆ ว่าเครื่องรู้เกี่ยวกับ ทั่วไปส่วนใหญ่จะเรียกว่าจีบน,. ซึ่งความพยายามที่จะให้มูลนิธิเพื่อเป็นความรู้อื่น ๆ ทั้งหมด
•ของปัญหาที่ยากที่สุดในการแทนความรู้คือ:
เหตุผล•เริ่มต้นและปัญหาคุณสมบัติ
•หลายสิ่งคนรู้ว่าจะใช้รูปแบบของตัวอย่างเช่น "สมมติฐานการทำงาน." ถ้านกที่เกิดขึ้นในการสนทนาคนมักจะวาดภาพสัตว์ที่มีขนาดกำปั้นร้องและบินไม่มีสิ่งเหล่านี้เป็นจริงเกี่ยวกับนกทั้งหมด
•จอห์นแมคคาร์ระบุปัญหานี้ในปี 1969 เป็นปัญหาวุฒิการศึกษา:. สำหรับกฎ commonsense ใด ๆ ที่ดูแลนักวิจัยเพื่อเป็นตัวแทนของเอไอมีแนวโน้มที่จะมีจำนวนมากของข้อยกเว้น เกือบไม่มีอะไรเป็นเพียงจริงหรือเท็จในทางที่ตรรกะนามธรรมต้อง การวิจัยไอมีการสำรวจจำนวนของการแก้ปัญหาเพื่อแก้ไขปัญหานี้

ผลลัพธ์ (ไทย) 2:

ปัญญาประดิษฐ์

•ปัญญาประดิษฐ์เป็นสาขาของวิทยาศาสตร์คอมพิวเตอร์ที่ศึกษา และพัฒนาเครื่องจักรที่ชาญฉลาดและซอฟต์แวร์และเทคโนโลยี นักวิจัย AI และตำราหลักกำหนดเขตข้อมูลเป็น "การศึกษาและออกแบบตัวแทนอัจฉริยะ", [1] ซึ่งตัวแทนอัจฉริยะเป็นระบบที่ละเว้นสภาพแวดล้อม และใช้การกระทำที่เพิ่มโอกาสของความสำเร็จ[2] จอห์น McCarthy ใครเป็นระยะใน 1955, [3] คน กำหนดเป็น "วิทยาศาสตร์และวิศวกรรมของเครื่องอัจฉริยะทำ
• AI วิจัยมีเทคนิคสูง และ เฉพาะ ลึกแบ่ง subfields ที่มักจะล้มเหลวในการสื่อสารระหว่างกัน บางส่วนได้เนื่องจากปัจจัยทางสังคม และวัฒนธรรม: subfields ได้เติบโตขึ้นเฉพาะสถาบันและงานวิจัยแต่ละ ยังมีหารวิจัย AI ด้วยปัญหาทางเทคนิคหลาย มี subfields ซึ่งจะมุ่งเน้นการแก้ปัญหาของปัญหาเฉพาะ หนึ่งในหลายวิธีเป็นไปได้ การใช้ เครื่องมือที่แตกต่างกันอย่างกว้างขวางจน ถึงความสำเร็จของการใช้งานเฉพาะ
•กลางปัญหา (หรือเป้าหมาย) AI วิจัยรวมถึงการใช้เหตุผล ความรู้ วางแผน เรียนรู้ สื่อสาร รับรู้ และความสามารถในการย้าย และจัดการวัตถุ ปัญญาทั่วไป (หรือ "แข็งแกร่ง AI") เป็นหนึ่งในเป้าหมายระยะยาวของเขตข้อมูลยัง ปัจจุบันนิยมวิธีได้แก่วิธีทางสถิติ ปัญญาคำนวณ และ AI สัญลักษณ์ดั้งเดิม มีจำนวนเครื่องมือที่ใช้ใน AI รวมรุ่นค้นหา และเพิ่มประสิทธิภาพทางคณิตศาสตร์ ตรรกะ ตามความน่าเป็น และเศรษฐศาสตร์ และอื่น ๆ อีกมากมายที่มหาศาล
•ฟิลด์ก่อตั้งขึ้นที่อ้างว่า คุณสมบัติกลางของมนุษย์ ระบบสารสนเทศ – sapience ของกะเทย sapiens-จะให้แม่นยำว่า มันสามารถจำลอง โดยเครื่องจักร นี้เพิ่มปัญหาปรัชญาเกี่ยวกับธรรมชาติของจิตใจและมารยาทในการสร้างสิ่งมีชีวิตเทียม ปัญหาที่มีอยู่ โดยความเชื่อผิด ๆ นิยาย และปรัชญาตั้งแต่โบราณ ปัญญาประดิษฐ์แล้วเรื่องของการมองในแง่ดีมาก แต่มียังได้รับความเดือดร้อน setbacks ที่สวยงาม วันนี้มันได้กลายเป็นเป็นส่วนสำคัญของอุตสาหกรรมเทคโนโลยีและปัญหาที่ยากที่สุดในคอมพิวเตอร์วิทยาศาสตร์
•ปัญหาทั่วไปของการเลียนแบบ (หรือสร้าง) ปัญญาถูกแบ่งออกเป็นจำนวนเฉพาะ sub-problems เหล่านี้ประกอบด้วยลักษณะเฉพาะหรือความสามารถที่นักวิจัยต้องการให้แสดงระบบอัจฉริยะ ลักษณะที่อธิบายไว้ด้านล่างได้รับมากที่สุดใส่
•หัก ด้าน ปัญหา
o AI ช่วงวิจัยพัฒนาอัลกอริทึมที่เลียนแบบเหตุผลที่ขั้นตอนที่มนุษย์ใช้เมื่อแก้ปริศนา หรือให้หักทางตรรกะ ปลายทศวรรษ 1980 และปี 1990 วิจัย AI ได้พัฒนาวิธีการประสบความสำเร็จในการจัดการกับข้อมูลที่ไม่แน่นอน หรือไม่สมบูรณ์ ใช้แนวคิดจากความน่าเป็นและเศรษฐศาสตร์
o ยากปัญหา อัลกอริทึมเหล่านี้ส่วนใหญ่สามารถใช้ทรัพยากรมหาศาลคอมพิวเตอร์ – "กระจายปัญหา" พบมากที่สุด: จำนวนเวลาหน่วยความจำหรือคอมพิวเตอร์ที่ใช้งานทางดาราศาสตร์เมื่อปัญหาที่เกินกว่าขนาดที่กำหนด ค้นหาอัลกอริทึมในการแก้ไขปัญหามีประสิทธิภาพมากขึ้นมีความสำคัญสำหรับงานวิจัย AI
•มนุษย์แก้ปัญหารวดเร็ว ใช้ตัดสินง่ายมากกว่าหักสติ ขั้นตอนที่เริ่มต้นวิจัย AI ได้รุ่นใหญ่ AI ได้ความคืบหน้าบางที่เลียนแบบของการแก้ปัญหา "sub-symbolic": ตัวแทน embodied วิธีเน้นความสำคัญของทักษะ sensorimotor เหตุผลสูงกว่า วิจัยประสาทสุทธิพยายามจำลองโครงสร้างภายในสมองที่ให้ขึ้นกับทักษะนี้ สถิติวิธี AI เลียนแบบธรรมชาติของมนุษย์สามารถเดา probabilistic
•แสดงความรู้
•ภววิทยาแสดงถึงความรู้เป็นชุดของแนวคิดภายในโดเมนและความสัมพันธ์ระหว่างแนวคิดเหล่านั้น
•แสดงความรู้และความรู้เป็นศูนย์กลางวิจัย AI ปัญหาเครื่องคาดว่าจะแก้จะต้องมีความรู้กว้างขวางเกี่ยวกับโลก
•ในสิ่งที่ AI ต้องแสดง: วัตถุ คุณสมบัติ ประเภทและความสัมพันธ์ระหว่างวัตถุ สถานการณ์ เหตุการณ์ อเมริกา และ เวลา สาเหตุและผลกระทบ ความรู้เกี่ยวกับความรู้ (สิ่งที่เราทราบเกี่ยวกับสิ่งที่คนอื่นรู้); และอื่น ๆ น้อยดีเมือโดเมน ตัวแทนของ"สิ่ง" เป็นภววิทยา: ชุดของวัตถุ ความสัมพันธ์ แนวคิด และอื่น ๆ ที่เครื่องรู้เกี่ยวกับ ทั่วไปส่วนใหญ่จะเรียกว่า ontologies ด้านบน ซึ่งพยายามให้รากฐานสำหรับทั้งหมดอื่น ๆ รู้
•ระหว่างปัญหายากที่สุดในการนำเสนอความรู้:
•เริ่มต้นเหตุผลและปัญหาคุณสมบัติ
•หลายคนสิ่งรู้ใช้รูปแบบของ "อัสสัมทำงาน" ตัวอย่าง ถ้านกมาในการสนทนา คนปกติภาพสัตว์ที่มีขนาดกำปั้น ร้องเพลง และยัง ไม่มีสิ่งเหล่านี้เป็นจริงเกี่ยวกับนกทั้งหมด
•จอห์น McCarthy ระบุปัญหานี้ใน 1969 เป็นปัญหาคุณสมบัติ: สำหรับใด ๆ กฎ commonsense ว่า นักวิจัย AI ดูแลถึง มีมักจะ เป็นตัวเลขขนาดใหญ่ของข้อยกเว้น เกือบไม่มีอะไรเป็นแค่จริง หรือเท็จในแบบที่ต้องใช้ตรรกะแบบนามธรรม วิจัย AI ได้สำรวจจำนวนแก้ไขปัญหานี้

ผลลัพธ์ (ไทย) 3:

ระบบประมวลผลอัจฉริยะ

•เทียมคือเทคโนโลยีและสาขาของวิชาวิทยาศาสตร์คอมพิวเตอร์ว่าการศึกษาและการพัฒนาซอฟต์แวร์และเครื่องอัจฉริยะ ที่สำคัญ AI หนังสือเรียนและนักวิจัยกำหนดฟิลด์ที่เป็น"การออกแบบและการศึกษาของอัจฉริยะ Agent "[ 1 ]ที่ Agent อัจฉริยะที่เป็นระบบที่รับรู้ว่า สภาพแวดล้อม ของพื้นที่และจะใช้เวลาดำเนินการที่จะเพิ่มโอกาสของความสำเร็จ[ 2 ]จอห์น McCarthy ' s ที่อิงอยู่ใน 1955 [ 3 ]จะกำหนดให้เป็น"ทางด้านวิศวกรรมและวิทยาศาสตร์ของเครื่องอัจฉริยะ
ซึ่งจะช่วยทำให้การวิจัย• AI เป็นอย่างสูงและมีความเชี่ยวชาญทางด้านเทคนิคอย่างลึกซึ้งแบ่งออกเป็น subfields ที่มักไม่สามารถติดต่อสื่อสารกับเครื่องอื่น แผนกบางอย่างจะเป็นผลมาจากปัจจัยทางสังคมและวัฒนธรรมsubfields ได้เติบโตขึ้นโดยรอบการกำกับสถาบันการเงินเฉพาะและการทำงานของนักวิจัยของแต่ละบุคคล AI การวิจัยแบ่งออกเป็นหลายโดยปัญหาทางเทคนิคนอกจากนั้นยัง มี subfields ซึ่งมีความมุ่งมั่นในโซลูชันของปัญหาเฉพาะบนหนึ่งในแนวทางที่เป็นไปได้ในการใช้งานที่หลากหลายของเครื่องมืออย่างกว้างขวางและมีความแตกต่างกันไปทางผลงานของแอพพลิเคชันเฉพาะ.
•ศูนย์กลางปัญหา(หรือเป้าหมาย)ของ AI การวิจัยรวมถึงความรู้การใช้เหตุผลการวางแผนการเรียนรู้การสื่อสารการรับรู้และความสามารถในการเคลื่อนไหวและทำการปรับเปลี่ยนแก้ไขออบเจกต์ ข้อมูลทั่วไป(หรือ" Strong อาย")จะยังอยู่ในเป้าหมายระยะยาวของฟิลด์ ในปัจจุบันได้รับความนิยมรวมถึงวิธีการทางสถิติข้อมูลนวัตกรรมวิธีการแบบดั้งเดิมและเป็นสัญลักษณ์ AIมีจำนวนมากที่ของเครื่องมือที่ใช้ในอายรวมถึงรุ่นของการค้นหาและการปรับแต่งทางคณิตศาสตร์ตรรกะวิธีใดวิธีหนึ่งซึ่งใช้ในด้านเศรษฐกิจและความเป็นไปได้และอื่นๆอีกมากมาย.
•ฟิลด์ที่ได้ถูกก่อตั้งขึ้นในอ้างว่าที่ที่พักในศูนย์กลางของมนุษย์อัจฉริยะ - วางท่าฉลาดของมนุษย์ได้อย่างแม่นยำตามที่อธิบายไว้ว่าสามารถจำลองเครื่องที่โรงแรมแห่งนี้ก่อให้เกิดปัญหาทางปรัชญาเกี่ยวกับธรรมชาติของความคิดและจริยธรรมของการสร้างมนุษย์เทียมซึ่งมีปัญหาการจัดการโดยปรัชญาและเรื่องความเชื่อตั้งแต่โบราณ ระบบปัญญาประดิษฐ์เป็นหัวข้อที่มีการมองโลกในแง่ดีอย่างมหาศาลแต่มี ภาวะ ถดถอยยังงดงามจนแทบต้องตกตะลึงในวันนี้ได้กลายเป็นส่วนหนึ่งที่สำคัญของอุตสาหกรรมเทคโนโลยีและมากที่สุดส่วนมากปัญหาเรื่องยากในวิชาวิทยาศาสตร์คอมพิวเตอร์.
•ปัญหาทั่วไปของจำลอง(หรือการสร้าง)ข่าวกรองมีการทำลายลงไปในจำนวนที่ระบุของคณะอนุกรรมการแก้ไขปัญหา เหล่านี้ประกอบไปด้วยความสามารถหรือคุณสมบัติเฉพาะที่นักวิจัยต้องการระบบอัจฉริยะที่จะแสดงคุณสมบัติที่อธิบายไว้ด้านล่างนี้ได้รับความสนใจมากที่สุด.
•หักลดหย่อนการใช้เหตุผลการแก้ปัญหา
o ช่วงต้น AI นักวิจัยพัฒนาอัลกอริธึมที่เจียระไนขั้นตอนที่โดยการใช้เหตุผลที่มนุษย์ใช้เมื่อพวกเขาแก้พัซเซิลหรือทำให้ลดหย่อนแบบลอจิก ในช่วงปลายปี 1980 ที่ 1990 s และ S อายการวิจัยได้พัฒนาวิธีการประสบความสำเร็จอย่างสูงในการจัดการกับข้อมูลความไม่แน่นอนหรือไม่สมบูรณ์ยังใช้แนวความคิดจากความเป็นไปและเศรษฐศาสตร์.
o สำหรับปัญหาเรื่องยากอัลกอริธึมเหล่านี้ได้มากที่สุดจะต้องใช้ทรัพยากรนวัตกรรมขนาดใหญ่ - มากที่สุด"การป้องกันการระเบิด combinatorial "จำนวนของเวลาคอมพิวเตอร์หรือมีการติดตั้งหน่วยความจำที่ต้องการจะกลายเป็นทางดาราศาสตร์เมื่อเกิดปัญหาจะไปขนาดบางการค้นหามากกว่าปัญหาการแก้ไขปัญหาอย่างมี ประสิทธิภาพ อัลกอริธึมคือลำดับความสำคัญสูงสำหรับการวิจัย AI .มนุษย์
•มนุษย์แก้ปัญหาของตนโดยใช้คำตัดสินได้อย่างง่ายดายและรวดเร็วมากที่สุดมากกว่าหักขั้นตอนโดยขั้นตอนที่คำนึงถึงในเรื่องของงบประมาณที่ช่วงต้นอัยการวิจัยก็สามารถรุ่น AI ได้มีความคืบหน้าบาง ประเภท ที่เลียนแบบนี้ของ"คณะอนุกรรมการสัญลักษณ์"การแก้ปัญหาAgent ปรากฏแนวทางเน้นความสำคัญของความรู้ความชำนาญ sensorimotor สูงขึ้นเพื่อเหตุผลด้านการวิจัยสุทธิเกินความพยายามในการจำลองโครงสร้างที่อยู่ด้านในสมองซึ่งจะช่วยให้เพิ่มขึ้นเป็นความชำนาญนี้วิธีการทางสถิติเพื่อ AI probabilistic เลียนแบบธรรมชาติของความสามารถของมนุษย์ที่จะเดาได้ว่า.เป็นตัวแทน

•มีความรู้•< B > Capitalism )ที่แสดงถึงความรู้ตามที่กำหนดไว้ในแนวความคิดอยู่ ภายใน โดเมนและความสัมพันธ์ระหว่างแนวความคิดผู้ที่.•มีความรู้ทางด้านวิศวกรรม
เป็นตัวแทนความรู้และเป็นศูนย์กลางการวิจัย AI จำนวนมากของเครื่องที่มีปัญหาที่คาดว่าจะแก้ปัญหาจะต้องใช้ความรู้ที่หลากหลายเกี่ยวกับโลก.
•ท่ามกลางสิ่งต่างๆที่อายความต้องการในการแสดงมีคุณสมบัติของวัตถุความสัมพันธ์และ ประเภท ระหว่างวัตถุสถานการณ์เหตุการณ์เวลาและรัฐจะทำให้เกิดผลกระทบด้านความรู้ความเข้าใจเกี่ยวกับความรู้(สิ่งที่เรารู้เกี่ยวกับคนอื่นรู้)และโดเมนน้อยรวมทั้งวิจัยอื่นๆอีกเป็นจำนวนมาก. การเป็นตัวแทนของ"ที่มีอยู่แล้ว"เป็น Capitalism )ที่ตั้งอยู่ที่ความสัมพันธ์ของวัตถุและแนวความคิดดังนั้นที่ว่าเครื่องที่จะรู้เกี่ยวกับ โดยทั่วไปมากที่สุดมีการเรียก ontologies ด้านบนซึ่งเป็นความพยายามให้มูลนิธิในทุกความรู้.
•ท่ามกลางที่ยากที่สุดคือปัญหาในความรู้การแสดงเป็น:
•ค่าเริ่มต้นการใช้เหตุผลและปัญหาการตรวจสอบคุณสมบัติ
•จำนวนมากของสิ่งที่คนรู้ว่าจะนำรูปแบบของ"การทำงานการ"ตัวอย่างเช่นหากนกเข้ามาในการสนทนา,ผู้คนโดยทั่วไป ภาพ ที่สัตว์ที่มีขนาดกำปั้น,ร้องเพลง,และบิน.ไม่มีสิ่งเหล่านี้เป็นความจริงเกี่ยวกับนก.จอห์น McCarthy ' s
•ระบุว่าปัญหานี้ในปี 1969 ในฐานะที่เป็นปัญหาคุณสมบัติที่จำเป็นสำหรับกฎข้อที่สติสัมปชัญญะที่ AI นักวิจัยของการดูแลในการเป็นตัวแทนไม่มีแนวโน้มที่จะเป็นจำนวนมหาศาลของข้อยกเว้น เกือบจะไม่มีอะไรเลยมีความเรียบง่ายจริงหรือเท็จในทางที่เป็นนามธรรมต้องใช้ตรรกะ AI มีงานวิจัยสำรวจจำนวนหนึ่งของโซลูชันเพื่อแก้ไขปัญหานี้