C ap tulo

A NTECEDENTES DE AI

a historia de la IA es interesante por s mismo. Es un drama de hoy en da,

lleno de emocin y expectativa, el descubrimiento, y la decepcin. Desde el exceso de promesas de pronto (y ms tarde) la investigacin en IA, a los temores de la desconocido del pblico en general, la historia de la IA es digno de estudio por s mismo. En este captulo, vamos a explorar la historia tumultuosa de AI y tambin ofrecemos un Resumen introduccin a cada uno de los captulos de este libro.

QU ES LA INTELIGENCIA?
Para construir el software que se considera inteligente, es til comenzar con un definicin de inteligencia. La inteligencia puede ser definida simplemente como un conjunto de propiedades de la mente. Estas propiedades incluyen la capacidad para planificar, resolver problemas, y en general, la razn. Una definicin ms simple podra ser que la inteligencia es la capacidad de tomar la decisin correcta dado un conjunto de entradas y una variedad de posibles acciones. Usando esta definicin sencilla de la inteligencia (tomando la decisin correcta), podemos aplicar esta no slo a los seres humanos, sino tambin a los animales que exhiben racional comportamiento. Pero la inteligencia que se exhibe por los seres humanos es mucho ms compleja que la de los animales. Por ejemplo, los seres humanos tienen la capacidad para comunicarse con el lenguaje, pero tambin lo hacen algunos animales. Los humanos tambin pueden resolver problemas, pero lo mismo puede decirse de algunos animales. Una diferencia entonces es que los humanos encarnan muchos aspectos de la inteligencia (la capacidad de comunicar, resolver problemas, aprender y adaptarse) cuando los animales tpicamente incorporar un pequeo nmero de caractersticas inteligentes, y por lo general a una mucho nivel inferior al de los humanos. Podemos utilizar la misma analoga en AI aplicada a los sistemas informticos. Para ejemplo, es posible crear una aplicacin que juega un juego de clase mundial de Ajedrez, pero este programa no sabe nada del juego de damas, ni cmo hacer una buena taza de t. Una aplicacin de la minera de datos puede ayudar a identificar el fraude, pero no puede navegar en un entorno complejo. Desde esta perspectiva, la ms aplicaciones complejas e inteligentes pueden considerarse inteligente de un perspectiva, pero falta an la inteligencia ms simple que se puede ver en la menos inteligente de los animales.

El afamado autor Isaac Asimov escribi una vez acerca de su experiencia con pruebas de aptitud en el ejrcito. En el ejrcito, marc muy por encima de la norma. Pero lo que se dio cuenta era que poda obtener una buena puntuacin en los exmenes que eran desarrollado por otros que compartan sus inclinaciones acadmicas. Opin que si las pruebas fueron desarrolladas por las personas involucradas en la reparacin de automviles, tendra marc muy mal. La cuestin es que las pruebas se desarrollan en torno a un ncleo de la experiencia, y posee puntajes bajos en uno no necesariamente indica una falta de inteligencia.
NOTA

La bsqueda de inteligencia MECNICA

La historia est llena de historias de la creacin de mquinas inteligentes. En el 800s AC, la Ilada describe el alado Talos, un autmata de bronce forjado por Hefesto para proteger Creta. El funcionamiento interno de Talos no se describieron, excepto que era de bronce, y se llena de icor (o la sangre de un dios griego). La ejemplo ms reciente es el Frankenstein de Mary Shelley, en el que el cientfico recrea la vida de los antiguos. En 1921, la obra de Karel Capek "Universal Rossum Robots "introdujo el concepto de mano de obra barata a travs de la robtica. Pero una de las aplicaciones ms interesantes de la inteligencia artificial, en una forma no robitic, fue el de la HAL 9000 presentado por Arthur C. Clark en su su novela "2001:. Una odisea del espacio" HAL fue un artificial sensible inteligencia que ocupaba la nave espacial Descubrimiento (en el camino a Jpiter). HAL no tena forma fsica, sino que es administrado los sistemas de la nave espacial, observado visualmente los ocupantes humanos a travs de una red de cmaras, y comunicado con ellos en una voz humana normal. La moraleja detrs de la historia de HAL fue una de la programacin de hoy en da. Software hace exactamente lo que se le dice que hacer, y puede tomar decisiones incorrectas tratando de concentrarse en un nico objetivo importante. HAL, obviamente, no fue creado con Isaac Asimov tres leyes de la robtica en la mente.

LOS DAS MUY TEMPRANA (LOS PRIMEROS 1950)

Mientras que el trmino inteligencia artificial an no haba sido concebida, la dcada de 1950 fueron los primeros das de la IA. Los primeros sistemas informticos se estaban construyendo, y las ideas de la construccin de mquinas inteligentes estaban empezando a formarse.

Alan Turing
En 1950 fue Alan Turing, que pregunt si una mquina puede pensar. No mucho antes de Turing haba introducido el concepto de su universal abstracto mquina (llamada la Mquina de Turing) que era simple y podra resolver cualquier problema matemtico (aunque situado con cierta complejidad). Partiendo de esta idea, Turing se pregunt que si la respuesta de un equipo eran indistinguibles de un ser humano, entonces la computadora podra ser considerada una mquina de pensar. La resultado de este experimento se llama la prueba de Turing. En la prueba de Turing, si la mquina se podra engaar a un ser humano en el pensamiento de que sino que tambin era un ser humano, entonces pas la prueba de inteligencia. Una forma de pensar en

la prueba de Turing es mediante la comunicacin con el otro agente a travs de un teclado. Se hacen preguntas del interlocutor a travs del texto escrito, y las respuestas son proporcionado a travs del terminal. Este ensayo proporciona una manera de determinar si se ha creado la inteligencia. Teniendo en cuenta la tarea que nos ocupa, no slo es necesario que el pares inteligente contener los conocimientos necesarios para tener un inteligente conversacin, debe ser capaz de analizar y comprender el lenguaje natural y generar respuestas en lenguaje natural. Las preguntas pueden involucrar el razonamiento habilidades (tales como la resolucin de problemas), por lo que los seres humanos que imitan sera una hazaa! Una realizacin importante de Turing durante este perodo fue la necesidad de comenzar pequeo y crecer la inteligencia, en lugar de esperar que se materialice. Turing propuso lo que llam la Mquina Nio en el que un menor agente inteligente se crea y se somete a continuacin a un curso de educacin. En lugar de asumir que se podra construir una inteligencia adulta, queremos construir una inteligencia nio primero y luego inyectarla con el conocimiento. Esta idea de empezar poco a poco y en los niveles ms bajos se corresponde con las ideas posteriores de los llamados pensadores "desaliados". El cerebro humano es compleja y no completamente entendido, en lugar de esforzarse por imitar esto, por qu no empezar ms pequea en la nio (o incluso ms pequeo organismo) y trabajar nuestro camino? Turing llam a esto el hojas en blanco argumento. Un nio es como un bloc de notas que est lleno de hojas en blanco, sino que es un mecanismo por el cual el conocimiento se almacena. La vida de Alan Turing termin en una edad joven, pero est considerado el fundador del campo de la IA (a pesar de que el apodo no se aplicara para otro seis aos),.

AI, resolucin de problemas, y Juegos

Algunas de las primeras aplicaciones de la IA se centr en los juegos y en general la resolucin de problemas. En este momento, la creacin de una mquina inteligente se bas en la creencia de que la mquina sera inteligente si se pudiera hacer algo que la gente hace (y tal vez encuentren difcil). En 1950, Claude Shannon propuso que el juego del ajedrez era fundamentaly un problema en esta categora. De hecho, estaba en lo cierto, pero la fuerza bruta bsqueda no es realmente prctico para el espacio de bsqueda que existe con el Ajedrez. Buscar, heursticas y un catlogo de apertura y terminando mueve ofrece una manera ms rpida y ms eficiente para jugar ajedrez. Papel seminal de Shannon en ajedrez producido lo que se llama el nmero de Shannon, o 10 ^ 120, que representa el lmite inferior de la complejidad del rbol de juego de Ajedrez. [Shannon 1950] El primer programa de IA por escrito para una computadora fue llamada "La Lgica Terico ". Fue desarrollado en 1956 por Allen Newell, Herbert Simon, y J. C. Shaw para encontrar pruebas para ecuaciones. [Newell 1956] Lo ms singular
NOTA

acerca de este programa es que se encontr una mejor prueba que haba existido antes de una ecuacin dada. En 1957, Simon y Newell construidas en este trabajo para desarrollar General Problem Solver (GPS). Los GPS utilizan el anlisis de medios y fines para resolver los problemas, pero en general se restringi a los problemas de juguete. Como matemticas complejas, los investigadores tempranos AI cree que si una computadora podra resolver los problemas que ellos pensaban que eran complejos, entonces se podra construir mquinas inteligentes. Del mismo modo, present una plataforma de pruebas de juegos interesantes para el desarrollo de algoritmos y tcnicas para la toma de decisiones inteligentes. En el Reino Unido en la Universidad de Oxford en la dcada de 1950, los investigadores desarrollaron programas de juego de juego para dos juegos complejos. Christopher Strachey desarrollado un programa que juega a las damas en la Ferranti Mark I. En 1952, su programa podra jugar un juego razonable de Checkers. Dietrich Prinz desarrollado un programa, de nuevo para la Ferranti Mark I, que podra jugar al ajedrez (mate en dos variedad). Su programa podra buscar un millar de posibles movimientos, pero en esta ordenador a tiempo, requiere mucho tiempo y jug muy lentamente. En 1952, Arthur Samuel levant la barra para los programas de IA. Sus Checkers jugando programa, que se desarroll en el IBM 701, incluido el aprendizaje y la generalizacin. Lo que Samuel lo hizo con su programa de Checkers aprendizaje era nico en el que permiti dos copias de su programa para jugar entre s, y, por tanto, aprender unos de otros. El resultado fue un programa que pudiera derrotar a su creador. Para 1962, el programa de Damas de Samuel derrot al ex Campen Connecticut Checkers. programa de Samuel, y su enfoque de jugar uno contra copias otro, es uno de los primeros ejemplos de computacin supervivencia del ms apto y el campo que se dio en llamar la computacin evolutiva.
NOTA

INTELIGENCIA ARTIFICIAL EMERGE COMO UN CAMPO

A mediados de la dcada de 1950, Amnista Internacional empez a solidificarse como un campo de estudio. En este momento de la IA de vida, gran parte de la atencin se centr en lo que se llama IA fuerte Strong AI se centra en la construccin de la IA que imita la mente. El resultado es una entidad con sapiente inteligencia similar a la humana, la auto-conciencia, y la conciencia.

El Proyecto de Investigacin de Verano Dartmouth AI

En 1956, la Conferencia de Dartmouth AI provoc los involucrados en investigacin en AI: John McCarthy (Dartmouth), Marvin Minsky (Harvard), Nathaniel Rochester (IBM), y Claude Shannon (Bell Telephone Laboratories) reuni a investigadores en las computadoras, el lenguaje natural redes de procesamiento, y la neurona a la universidad de Dartmouth para una sesin de un mes de duracin de los debates y la investigacin de AI. El proyecto de investigacin de verano sobre AI comenz: Proponemos que un estudio de 2 meses, 10 el hombre de la inteligencia artificial se llevar a cabo durante el verano de 1956 en el Dartmouth College en Hanover, New Hampshire. El estudio es proceder sobre la base de la conjetura de que cada aspecto del aprendizaje o cualquier otra caracterstica

de la inteligencia puede, en principio, por lo que se describe, precisamente, de que un la mquina se puede hacer para simular. Un intento se har a encontrar cmo hacer que las mquinas usan el lenguaje, la forma y las abstracciones conceptos, resolver tipos de problemas ahora reservados para los seres humanos, y mejorarse a s mismos. Pensamos que un avance significativo puede ser realizado en uno o ms de estos problemas si una selecta grupo de cientficos trabaja en ello juntos durante un verano. Desde entonces, muchas conferencias de AI se han celebrado en todo el mundo, y en una variedad de disciplinas estudiadas bajo el nombre de AI. En el ao 2006, Dartmouth celebr la "Conferencia de Dartmouth Artificial Inteligencia: La Prximos cincuenta aos "(informalmente conocido como AI @ 50). La conferencia fue bien asistido (incluso de algunos que asistieron a la primera conferencia 50 aos antes), y se analizaron los avances de AI y de cmo sus retos estn relacionados con los de los dems campos de estudio.

Herramientas de construccin para la IA

Adems de acuar el trmino inteligencia artificial, y que rene a principales investigadores de AI en su conferencia de Dartmouth de 1956, John McCarthy diseado el primer lenguaje de programacin de IA. LISP fue descrita por primera vez por McCarthy en su artculo titulado "Funciones recursivas de expresiones simblicas y su cmputo por la mquina, Parte I. "El primer compilador LISP fue tambin implementado en LISP, por Tim Hart y Mike Levin en MIT en 1962 para el 704 de IBM. Este compilador introdujo muchas caractersticas avanzadas, tales como incrementales compilacin. [LISP 2007] LISP de McCarthy tambin fue pionera en muchas funciones avanzadas conceptos ya conocidos en ciencias de la computacin, tales como rboles (estructuras de datos), tipado dinmico, programacin orientada a objetos y el compilador de autoalojamiento. LISP se utiliza en un nmero de los primeros sistemas de IA, demostrando su utilidad como un lenguaje de IA. Uno de estos programas, llamado SHRDLU, proporciona una interfaz de lenguaje natural a un mundo de sobremesa de los objetos. El programa puede entender las preguntas sobre la mesa "mundo", razn por el estado de cosas en el mundo, planean acciones y realizar un aprendizaje rudimentario. SHRDLU fue diseado e implementado por Terry Winograd en el MIT AI Lab en un ordenador PDP-6. LISP, y los muchos dialectos que evolucionaron a partir de ella, se encuentran todava en amplia utilizar hoy. Captulo 13 proporciona una introduccin a las lenguas de la IA, incluyendo LISP.

El foco de IA fuerte
Recordemos que el objetivo de la primera IA fue en IA fuerte. Matemticas o lgica Resolver problemas, o la participacin en el dilogo, se consider que era inteligente, mientras que las actividades como caminar libremente en entornos inestables (que hacemos todos los das) no lo eran. En 1966, Joseph Weizenbaum, del MIT, ha desarrollado un programa que parodiaba

un psiclogo y poda sostener un dilogo interesante con un paciente. La diseo de Eliza sera considerado sencillo para los estndares actuales, pero su habilidades de bsqueda de patrones, que proporcionaron respuestas razonables a los pacientes declaraciones era real para muchas personas. Esta cualidad del programa fue molestarse en Weizenbaum que ms tarde se convirti en un crtico de la AI por su falta de la compasin.

Aplicaciones restringidas
Si bien gran parte de la primera IA fue-Strong centrado, hubo numerosas aplicaciones que se centr en la solucin de problemas prcticos. Una de tales aplicaciones se llama el "Proyecto Dendral," emerge en 1965 en la Universidad de Stanford. Dendral era desarrollados para ayudar a los qumicos orgnicos comprenden la organizacin de desconocido molculas orgnicas. Se utiliza como sus insumos grficos de espectrometra de masas y un base de conocimientos de la qumica, por lo que es el sistema experto primero conocido. Otras aplicaciones limitadas en esta era incluyen Macsyma, un sistema de lgebra computacional desarrollado en el MIT por Carl Engelman, William Martin y Joel Moiss. Macsyma fue escrito en Maclisp, un dialecto de LISP desarrollado en el MIT. Este sistema experto matemtica temprana demostrado la solucin de los problemas de integracin con el razonamiento simblico. Las ideas demostradas en Macsyma finalmente se abrieron paso en aplicaciones de matemticas comerciales.

Enfoques ascendentes Emerge

Temprano AI centr en un enfoque de arriba hacia abajo para AI, tratando de simular o imitar los conceptos de nivel superior del cerebro (la planificacin, el razonamiento, el lenguaje comprensin, etc). Pero los enfoques ascendentes comenzaron a ganarse el favor de la 1960, modelando principalmente conceptos de nivel inferior, como las neuronas y el aprendizaje a un nivel mucho ms bajo. En 1949, Donald Hebb present su regla que describe cmo las neuronas se asocian entre s si son varias veces activo al mismo tiempo. La contribucin de los disparos de una clula para permitir que otro aumentar con el tiempo de coccin con persistente, que conduce a una fuerte relacin entre los dos (una relacin causal). Pero en 1957, el perceptrn fue creado por Frank Rosenblatt en el Laboratorio Aeronutico Cornell. El perceptrn es un simple clasificador lineal que puede clasificar los datos en dos clases usando un aprendizaje no supervisado algoritmo. El perceptrn creado un considerable inters en la red neuronal arquitecturas, pero el cambio no fue muy lejos. aprendizaje de Hebb, perceptrones, y la red neuronal ms avanzada arquitecturas y algoritmos de aprendizaje estn cubiertos en la red neuronal
NOTA

INVIERNO DE AI
Antes de la dcada de 1970, Amnista Internacional haba generado un gran inters, y tambin considerable bombo de la comunidad investigadora. Muchos sistemas interesantes haba sido desarrollado, pero stos cayeron muy por debajo de las predicciones hechas por

algunos en la comunidad. Pero las nuevas tcnicas, como las redes neuronales respiraron nueva vida a este campo en evolucin, proporcionando formas adicionales para la clasificacin y aprendizaje. Pero la emocin de las redes neuronales lleg a su fin en 1969 con la publicacin de la mongraph titula "Perceptrones." Esta monografa fue escrito por Marvin Minsky y Seymour Papert, firmes defensores de Strong (o de arriba hacia abajo) AI. Los autores demostraron correctamente que los perceptrones de una sola capa fueron limitados, especialmente cuando se enfrentan a problemas que no son linealmente separables (tales como el problema XOR). El resultado fue una fuerte cada de financiacin en la investigacin de redes neuronales, y en general, la investigacin en AI como un campo. La investigacin posterior se encontraba con que las redes multicapa resolvieron el lineal problema de la separacin, pero demasiado tarde para que el dao hecho a la IA. Hardware construido para la IA, tales como las mquinas LISP, tambin sufri una prdida de inters. Mientras que las mquinas dieron paso a sistemas ms generales (no necesariamente programados en LISP), los lenguajes funcionales como LISP seguido atrayendo la atencin. Editores populares tales como emacs (desarrollado durante este perodo) siguen apoyando una gran comunidad de usuarios con un shell scripting basado en LISP.

Orientados a Resultados Aplicaciones

Si bien hubo una reduccin en el enfoque y el gasto en investigacin en IA en el 1970, el desarrollo de la IA continu, pero en un mbito ms centrado. Aplicaciones que fueron prometedoras, como los sistemas expertos, se levant como una de las claves desarrollos en esta poca. Uno de los primeros sistemas expertos para demostrar el poder de la basada en reglas arquitecturas se llamaba MYCIN, y fue desarrollado por Ted Shortliffe tras su disertacin sobre el tema, mientras que en Stanford (1974). MYCIN conocimiento operado en el campo del diagnstico mdico, y demostrado representacin e inferencia. Ms adelante en esta dcada, otra disertacin en Stanford por Bill VanMelles construido sobre la arquitectura MYCIN y sirve como un modelo para el sistema experto (todava en uso hoy en da). En el Captulo 5 le proporcionaremos una introduccin a la representacin del conocimiento y la inferencia lgica. Otras aplicaciones orientadas a los resultados incluyen los que se centran sobre los recursos naturales la comprensin del lenguaje. El objetivo de los sistemas en esta poca estaba en el desarrollo de sistemas de bsqueda de respuestas inteligentes. Para entender un pregunta se indica en lenguaje natural, la pregunta debe ser primero analiza en sus partes fundamentales. Bill Woods, introdujo la idea de la Augmented Red de Transicin (o ATN) que representa a los lenguajes formales como aumentada grficos. De Eliza en la dcada de 1960 a ATN en la dcada de 1970, del Lenguaje Natural Processing (NLP) y Comprensin del Lenguaje Natural (UDE) contina hoy en da en la forma de chatterbots.

Herramientas adicionales de AI Emerge

John McCarthy introdujo la idea de herramientas enfocadas por la IA en la dcada de 1950 con el

desarrollo del lenguaje LISP. Los sistemas expertos y sus conchas siguieron la tendencia con las herramientas para la IA, pero otro hecho interesante que en un forma combinada las dos ideas resultaron del lenguaje Prolog. Prolog fue un lenguaje construido para la IA, y era tambin un shell (para los que los sistemas expertos podran desarrollar). Prolog fue creado en 1972 por Alain Colmeraur y Phillipe Roussel basa en la idea de clusulas de Horn. Prolog es un alto nivel declarativo lenguaje basado en la lgica formal. Los programas escritos en Prolog consisten en hechos y reglas que la razn sobre esos hechos. Usted puede encontrar ms informacin sobre Prolog en Captulo 5 Representacin del Conocimiento y el Captulo 13, Los lenguajes de la AI.

Neat vs Enfoques desaliados

Una divisin en la IA, su enfoque, y los enfoques bsicos tambin se observ durante este perodo. Tradicional, o de arriba hacia abajo AI (tambin llamado Good-Old-Fashioned-AI, o BAIA para abreviar) continu durante este perodo, pero los nuevos enfoques comenzaron a surgir que mir AI desde abajo hacia arriba. Estos enfoques Tambin se marcaron Limpio y desaliado se acerca segregarlos en su campos representativos. Los que estn en el campamento ordenado favorecido enfoques adaptados AI que eran pura y comprobable. Pero aquellos en el campo de los mtodos utilizados desaliado menos demostrable pero todava produciendo resultados tiles y significativas. Un nmero de enfoques desaliados a AI que se hicieron populares durante este perodo incluyeron algoritmos genticos (modelar la seleccin natural para la optimizacin) y neural redes (modelado el comportamiento del cerebro desde la neurona hacia arriba). Los algoritmos genticos se populariz en la dcada de 1970 debido al trabajo de John Holland y sus estudiantes en la Universidad de Michigan. De Holanda libro sobre el tema sigue siendo un recurso til. Las redes neuronales, mientras que estancada por un tiempo despus de la publicacin de "Perceptrones," revivieron con la creacin de Paul John Werbos 'del algoritmo backpropagation. Este algoritmo sigue siendo el algoritmo de aprendizaje supervisado ms ampliamente utilizado para redes neuronales formacin feedforward. Usted puede aprender ms sobre gentica algoritmos y la computacin evolutiva en el captulo 3 y las redes neuronales en los captulos 8 y 9.

AI resurge
Al igual que la primavera siempre sigue el invierno, invierno de AI terminara eventualmente y traer una nueva vida en el campo (a partir de mediados de la dcada de 1980). La la reaparicin de la gripe aviar tuvo diferencias significativas respecto a los primeros das. En primer lugar, las predicciones salvajes de la creacin de mquinas inteligentes eran en su mayor parte sobre. En lugar de ello, los investigadores y los profesionales de IA se centraron en objetivos especficos principalmente en los aspectos dbiles de AI (en oposicin a IA fuerte). Dbil AI centrado en la solucin de problemas especficos, en comparacin con IA fuerte, cuyo objetivo

era emular a toda la gama de capacidades cognitivas humanas. En segundo lugar, el campo de la IA se ampli para incluir a muchos nuevos tipos de enfoques, por ejemplo, los enfoques inspirados en la biologa como la Colonia de Hormigas Optimizacin (ACO).

The Silent Retorno

Un aspecto interesante de la vuelta de AI fue que se produjo en silencio. En lugar de las reivindicaciones tpicos de IA fuerte, algoritmos dbiles que se encuentran uso en una variedad de ajustes. Sistemas de control borroso Lgica difusa y se utilizan en una serie de ajustes, incluidos los sistemas de cmara de enfoque automtico, frenos antibloqueo, as como jugando un papel importante en el diagnstico mdico. Los algoritmos de filtrado colaborativo encontradas su camino en la recomendacin de productos en una librera en lnea popular, y buscadores de Internet populares utilizan algoritmos de IA para agrupar los resultados de bsqueda para ayudar a hacer para encontrar lo que necesita ms fcil. El regreso en silencio sigue lo Rodney Brooks llama el "efecto de la IA." AI algoritmos y mtodos de transicin de ser "AI" de algoritmos estndar y mtodos, una vez que se convierten prcticamente til. Los mtodos descritos anteriormente son un ejemplo, otro es el reconocimiento de voz. Los algoritmos tras el reconocimiento de los sonidos del habla y su plasmacin en los smbolos se describi una vez dentro de los confines de la IA. Ahora bien, estos algoritmos son comn, y el apodo de AI ha pasado mucho tiempo desde. Por lo tanto, la AI efecto tiene una manera de disminuir la investigacin en IA, como patrimonio de la investigacin en IA se pierde en la aplicacin prctica de los mtodos.