Dịch Vụ Sửa Máy Tính Văn Phòng Trong những năm 1950 và 60, các nhà nghiên cứu trí tuệ nhân tạo đã như đang cố khám phá ra các quy tắc tư duy. Nhưng những quy tắc đó lại trở nên phức tạp hơn bất cứ ai tưởng tượng ra. Kể từ đó, nghiên cứu trí tuệ nhân tạo (AI) đã dựa vào các xác suất - các mẫu thống kê mà các máy tính có thể học được từ các tập dữ liệu huấn luyện lớn. Cách tiếp cận xác suất đã chịu trách nhiệm về hầu hết tiến bộ gần đây trong lĩnh vực trí tuệ nhân tạo, chẳng hạn như các hệ thống nhận dạng giọng nói, hoặc hệ thống đề xuất phim cho các thuê bao của Netflix. Tuy nhiên, Noah Goodman, một nhà khoa học thuộc MIT, có khoa là Brain and Cognitive Sciences, nhưng có phòng thí nghiệm là Khoa học Máy tính và trí tuệ nhân tạo, cho rằng AI đã bỏ quá nhiều khi từ bỏ các quy tắc. Bằng cách kết hợp các hệ thống dựa trên nguyên tắc cũ với những hiểu biết sâu sắc từ các hệ thống xác suất mới, Goodman đã tìm ra một cách để mô hình ý tưởng có thể có ý nghĩa rộng rãi đối với cả AI lẫn khoa học nhận thức. Các nhà nghiên cứu AI sớm nghĩ rằng suy luận logic: nếu bạn biết rằng con chim có thể bay và được cho biết rằng waxwing là một con chim, bạn có thể suy luận rằng waxwings có thể bay. Một trong những dự án đầu tiên của AI là sự phát triển của một ngôn ngữ toán học - giống như một ngôn ngữ máy tính - trong đó các nhà nghiên cứu có thể mã hoá các khẳng định như "chim có thể bay" và "waxwings là chim". Nếu ngôn ngữ là đủ nghiêm ngặt, các thuật toán máy tính sẽ có thể để lược qua các khẳng định được viết trong đó và tính toán tất cả các kết luận hợp lý hợp lý. Một khi họ đã phát triển các ngôn ngữ như vậy, các nhà nghiên cứu AI đã bắt đầu sử dụng chúng để mã hóa rất nhiều xác nhận commonsense, mà chúng được lưu trữ trong các cơ sở dữ liệu khổng lồ. Vấn đề với cách tiếp cận này, nói chung, rằng không phải tất cả các loài chim có thể bay. Và giữa những con chim không thể bay được, có một sự khác biệt giữa một con rôbôt trong một cái lồng và một con robin có cánh gãy, và một sự khác biệt giữa bất kỳ loại Robin và chim cánh cụt nào. Các ngôn ngữ toán học mà các nhà nghiên cứu AI đã phát triển đủ linh hoạt để đại diện cho sự phân biệt khái niệm như vậy, nhưng viết ra tất cả những sự phân biệt cần thiết cho những công việc nhận thức sơ khai nhất thậm chí còn khó khăn hơn dự kiến. Dịch Vụ Sửa Máy Tính Tại Cầu Giấy Nắm chắc sự không chắc chắn Trong điều kiện AI tương đối xác suất, một máy tính được cho ăn nhiều ví dụ về một cái gì đó - giống như hình ảnh loài chim - và có thể suy ra những ví dụ đó giống nhau như thế nào. Cách tiếp cận này hoạt động khá tốt với các khái niệm cụ thể như "chim", nhưng nó có vấn đề với các khái niệm trừu tượng hơn - ví dụ như chuyến bay, khả năng chia sẻ của chim, trực thăng, diều và siêu anh hùng. Bạn có thể hiển thị một hệ thống rất nhiều hình ảnh của sự việc trên chuyến bay, nhưng ngay cả khi nó đã tìm ra những gì họ có điểm chung, nó sẽ rất có thể misidentify các đám mây, hoặc mặt trời, hoặc các ăng-ten trên tòa nhà như trường hợp của chuyến bay. Và thậm chí chuyến bay là một khái niệm cụ thể so với, nói, "ngữ pháp" hoặc "làm mẹ". Là một công cụ nghiên cứu, Goodman đã phát triển một ngôn ngữ lập trình máy tính được gọi là Church - sau khi nhà thờ Logic Alonzo của Mỹ - giống như các ngôn ngữ AI đầu tiên, bao gồm các quy tắc suy luận. Nhưng những quy tắc này là có tính xác suất. Nói rằng cassowary là một con chim, một chương trình được viết trong Giáo Hội có thể kết luận rằng loài cassowaries có thể bay. Nhưng nếu chương trình sau đó được cho biết rằng các loài đà điểu có thể cân nặng gần 200 cân Anh, nó có thể sửa lại ước tính xác suất ban đầu của nó, kết luận rằng, thực tế, các nhà đười ươi có lẽ không thể bay được. Goodman nói: "Với lập luận xác suất, bạn sẽ có được tất cả những cấu trúc đó miễn phí. Một chương trình của Giáo hội chưa bao giờ gặp một con chim không có thề có thể ban đầu xác định khả năng rằng bất cứ con chim nào cũng có thể bay 99,99%. Nhưng khi học được nhiều về loài cassowaries - và chim cánh cụt, và những con rồng bị mắc kẹt và những con rồng cánh gai - nó sẽ sửa lại các xác suất của nó. Cuối cùng, các xác suất thể hiện tất cả các sự khác biệt về khái niệm mà các nhà nghiên cứu AI sớm cần phải có bằng tay. Tuy nhiên, theo thời gian, hệ thống tự học những điểm khác biệt đó - cách mà con người học các khái niệm mới và sửa đổi các khái niệm cũ. Nick Chater, giáo sư về nhận thức và khoa học quyết định tại Đại học College London, nói: "Điều tuyệt vời là điều này cho phép bạn xây dựng một mô hình nhận thức theo cách dễ hiểu và minh bạch hơn bạn có thể làm trước đây. "Bạn có thể tưởng tượng tất cả những điều mà một người biết, và cố gắng liệt kê những người đó chỉ là một công việc vô tận, và nó thậm chí có thể là một nhiệm vụ vô hạn. Tuy nhiên, thuật lừa dối là nói, "Không, không, chỉ nói cho tôi một vài điều", và rồi bộ não - hoặc trong trường hợp này, hệ thống Giáo hội, hy vọng tương tự như cách mà tâm trí làm nó - có thể phát ra, sử dụng tính xác suất, tất cả hậu quả và suy luận. Và, khi bạn cung cấp cho hệ thống thông tin mới, nó có thể tìm ra những hậu quả của điều đó. " Dịch Vụ Sửa Máy Tính Tại Nhà Hà Nội
