در Cognitive Simulation هم کامپیوترها با هدف بررسی نظریه‌های مطرح‌شده در مورد نحوهٔ عملکرد مغز انسان به کار گرفته می‌شوند. برای اینکه تفاوت این دو روش آشکارتر شود، فرض کنید که قرار است سیستمی مجهز به یک اِسکنر نوری ایجاد شود که قادر به تشخیص حروف الفبا باشد. در مقابل، روش‌های عمومی قرار دارند که در مورد دامنهٔ وسیعی از مسائل و اهداف قابل‌استفاده هستند. تاکنون مسائل مختلفی با استفاده از سیستم‌های مبتنی بر هوش مصنوعی حل شده‌اند به طوری که میتوان در یک بازی، پیش‌بینی حرکت بُرد یا مجموعه‌ای از حرکاتی که منجر به بُرد می‌شوند را به هوش مصنوعی واگذار کرد. یکی از مهم‌ترین گرایش‌های آن یادگیری ماشین است که به اختصار ML خوانده می‌شود. سپس ماشین باید یاد بگیرد که چطور و از چه راه هایی باید به آن هدف برسد.
- به‌عنوان مثال میتوان به دسته‌بندی میوه‌های هم‌وزن یا خودروهایی با ابعاد موتور برابر اشاره کرد.
- در سال ۲۰۱۱ نیز کامپیوتری تحت عنوان «واتسون» موفق شد در مسابقه تلویزیونی «!
- همین حالا که شما در حال خواندن این مقاله هستید، نزدیک به چندین محصول گوگل که بر پایه هوش مصنوعی هستند درگیر شدند تا شما را به این مقاله برسانند.
- این سیستم برای تشخیص چهره از مفهوم تشخیص الگو، یادگیری عمیق، تحلیل صورت و ماشین لرنینگ بهره می‌برد.
- صنایع بهداشت و درمان از هوش مصنوعی برای تشخیص‌هایی بهتر و سریع‌تر از انسان استفاده می‌کنند.
این قابلیت به انسان‌ها امکان این را می‌دهد که بتوانند راحت‌تر با کامپیوتر و رایانه ارتباط برقرار کند. شبکه عصبی مصنوعی مانند سیستم عصبی انسان اطلاعات را بررسی می‌کند و تجربیات جدید را می‌آموزد طبق داده‌های خود اطلاعات را طبقه‌بندی می‌کند. در سیستم زیستی انسان‌ها اتصالات به واسطه‌ی رشته‌های عصبی سیناپسی برقرار می‌شوند اما در شبکه عصبی مصنوعی اتصالات از طریق گره‌ها برقرار می‌شوند. به عنوان مثال تعاملات شما با الکسا، جستجوی Google و Google Photos همه براساس یادگیری عمیق است و هرچه بیشتر از آنها استفاده کنیم دقیق‌تر می‌شوند. امروزه در زمینه پزشکی، میتوان از تکنیک‌های مجله خبری لنوو مگ ناشی از یادگیری عمیق، طبقه‌بندی تصویر و تشخیص اشیا برای یافتن سرطان در MRIها با همان دقت رادیولوژیست‌های بسیار آموزش دیده استفاده کرد.
نظرات
در این مورد ماشین‌ها میتوان به ماشین آبی عمیق کمپانی IBM اشاره کرد، دیپ بلو به اولین ماشینی تبدیل شد که توانست در سال ۱۹۹۷ گری کاسپاروف قهرمان شطرنج را جهان را شکست دهد. این ماشین توانایی استفاده از تاریخچه حرکات قبلی خود و حریف را نداشت و برای هر حرکت جدید باید تمامی استراتژی ها را بررسی و بهترین را انتخاب میکرد، به همین دلیل اگر از ماشین های انفعالی در بازه های بزرگ تر استفاده میکردند. جان مک کارتی در دانشگاه استنفورد، آزمایشگاهی را راه‌اندازی کرد و کار خود را با کار کردن بر روی خودروهایی با قابلیت رانندگی خودکار شروع کرد. او در این آزمایشگاه در دهه‌های ۶۰ الی ۷۰ میلادی بر روی سیستم‌هایی کار کرد که مهارت‌های شنیداری، بینایی، حرکتی و استدلال را از روی انسان تقلید کند و همین اتفاق باعث شد تا تحولات مهمی در هوش مصنوعی رخ دهد.
تتر چیست؟
بوستروم می‌گوید ابرهوشمندی هرگونه هوشی است که از لحاظ توانایی‌های شناختی در همه‌ی حوزه‌های ممکن، انسان را شکست دهد. او زمان رسیدن به ابرهوشمندی را ۳۰ سال پس از رسیدن به هوش عمومی مصنوعی پیش‌بینی می‌کند. سامانه های خبره از منطق if-then برای حل مسائل و مشکلات پیچیده پیروی می‌کنند و همین موضوع باعث شده است تا از شیوه‌های رایج و مطرح برنامه نویسی استفاده نکنند. تکنولوژی سامانه های خبره در کارهایی همچون بررسی وام‌های بانکی، پردازش سیستم‌های پزشکی، مدیریت و کنترل اطلاعات، کشف و شناسایی ویروس‌ها و غیره کاربرد دارند. سامانه‌های خبره زمینه‌ای پرکاربرد در هوش مصنوعی و مهندسی دانش است که با توجه به نیاز روزافزون جوامع بر اتخاذ راه حل‌ها و تصمیمات سریع در مواردی که دانش‌های پیچیده و چندگانهٔ انسانی مورد نیاز است و بر اهمیت نقش آنها نیز افزوده می‌شود.
کتب درسی AI[ویرایش]
کار با فرایند شناسایی چهره، تحلیل چهره و تبدیل تصویر به داده‌های موجود و یافتن جفت مناسب آغاز می‌شود. این یکی از معروف‌ترین ایده‌های پروژه هوش مصنوعی‌ست که در صنایع مختلف کاربرد دارد. از کاربردهای این ایده به شرکت‌های سازنده‌ی شبکه‌های اجتماعی، اسکن صورت در کالج، اپلیکیشن‌های سلامتی مانند Face2Gene و حتی شرکت اپل برای باز کردن آیفون ایکس اشاره می‌کنیم. یکی از اهداف هوش مصنوعی، تسهیل فرآیندهای مختلف برای کاربران می‌باشد.