Artificiellt Liv och Intelligens

En presentation över ämnet: "Artificiellt Liv och Intelligens"— Presentationens avskrift:

1 Artificiellt Liv och Intelligens

2 Artificiell intelligens
Att bygga tänkande maskiner är en uråldrig tanke Kan datorer tänka? Vad är tänkande egentligen?

3 Turingtestet Om man inte kan skilja maskinen från en människa bör den betraktas som intelligent Operationell definition av intelligens

4 Klassisk AI Ta reda på hur världen ser ut, representera den, finn väg till målet, utför den. Logik, regler, planering Frames

5 Automatisk bevisförning
Gelernters program hittade nytt geometriskt bevis 1960 AM upptäckte Goldbachs förmodan Symbolisk matematik: MACSYMA, Mathematica, Maple

6 SHRDLU - planering Terry Winograd vid M.I.T. AI Lab 1970
Språkförståelse Planering

7 Psykologen Eliza Hello! How do you do? What brings you to see me?
I'm planning to hold a course, I want you to give me some tips. Why do you say that? Because I like you. Is it because you like me that you came to me? Yes, that is the real reason. Does it bother you that is the real reason? Not at all. Earlier you said you like me? Yes. I see... Well, what makes you believe this is so?

8 Expertsystem Uppskattar sannolikheten för olika lösningar baserat på kända fakta. 70-talet Knowledge extraction Fuzzy logic

9 Spel Beslutsträd Förstärkningsinlärning Deep Blue vs. Kasparov
Arthur Samuels dam program Backgammon

10 Komposition Vem komponerar?
David Copes EMI (Experiments in Musical Intelligence) producerar övertygande musik.

11 Robotar

12 Att se och navigera

13 Datorstyrda bilar

14 Klassisk AI bra på Väldefinierade miljöer och situationer
Formella system

15 Klassisk AI är dålig på Komplicerade, osäkra miljöer ”Sunt förnuft”
Kunskapsrepresentation Behöver massor med datorkraft

16 Neuronnät Hur hantera osäkerhet och bli robust - hjärnan klarar ju det? Låna idéer direkt från biologin - neuronnät

17 Hjärnans struktur 100 miljarder neuroner, kopplade med synapser till varandra.

18 Artificiella Neuronnät
Neuronnät består av många element, tätt kopplade till varandra, som skickar enkla signaler och anpassar sig.

19 Inlärning Övervarkad inlärning Förstärkningsinlärning
Minska felet mellan verklig och önskad output Förstärkningsinlärning Maximera belöning Oövervakad inlärning Självorganisation

20 ANN bra på Uppgifter där man inte kan hitta en algoritmisk lösning
Där man kan lära från exempel Där man vill hitta struktur i existerande data - kan ofta generalisera

21 Nackdelar Träning kräver data och datakraft Ingen validering

22 Tillämpningar Förutsäga börskurser
Teckenigenkänning, signaturigenkänning Proccesskontroll Talsyntes Kategorisering, databrytning

23 Simulationer av biologiska neuroner
Förstå hjärnan Nejonögats simrörelser

24 Artificiellt Liv Vi studerar verkligt fysik genom att simulera den - varför inte göra samma sak med biologi? Vad är liv egentligen?

25 Evolution Reproduktion Variation Selektion

26 Självreplikering von Neumanns maskiner Cellulära automater

27 Genetiska algoritmer Att odla program Låt lösningar tävla mot varandra
Korsa bra lösningar

28 Att odla kretsar

29 Karl Sims

30 ”Blockies” Lära sig röra sig Spela fotboll

31

32 Tom Rays Tierra Små program konkurrerar Press att bli effektiv
Parasiter och immunitet

33 Grafik Lindemeyersystem

34 Karl Fleischer Celler och kemiska signaler

35 Att förstå och skapa liv
Varför inträffar massutrotningar? Hur fungerar marknader och samhällen? Kan evolution styras? Hur blir världen komplex?

36 Länkar och referenser http://www.nada.kth.se/~asa/Multimedia
Douglas Hofstadter, Gödel Escher Bach Hans Moravec, Robot: From Mere Machine to Transcendent Mind Ray Kurzweil, The Age of Spiritual Machines