인공지능 (AI). 시뮬레이션, 확장 및 인간 지능을 연구하고 발전시키는 이론, 방법, 기술 및 응용 시스템을 연구하는 새로운 기술 과학입니다. 인공지능은 컴퓨터 과학의 한 분야로, 지능의 본질을 이해하려고 시도하고 인간의 지능과 비슷한 방식으로 반응할 수 있는 새로운 스마트 기계를 만들어 낸다. 이 분야의 연구에는 로봇, 언어 인식, 이미지 인식, 자연어 처리 및 전문가 시스템이 포함됩니다. 인공지능은 시뮬레이션, 확장, 인간의 지능을 연구하고 발전시키는 이론, 방법, 기술, 응용 시스템을 연구하는 신기술 과학이다. 인공지능은 탄생 이후 이론과 기술이 성숙해지고 응용 분야가 확대되고 있지만 통일된 정의는 없다. 인공지능은 인간의 의식과 사고에 대한 정보 과정의 시뮬레이션이다. 인공지능은 인간의 지능이 아니지만, 사람처럼 생각하거나 인간의 지능을 능가할 수 있다. 하지만 이런 자사고의 고급 인공지능은 여전히 과학 이론과 공학적 돌파구가 필요하다. 인공지능은 도전적인 과학이며, 이 일에 종사하는 사람은 반드시 컴퓨터 지식, 심리학, 철학을 이해해야 한다. 인공지능은 매우 광범위한 과학으로, 기계 학습, 컴퓨터 시각 등 다양한 분야로 구성되어 있다. 일반적으로 인공지능 연구의 주요 목표 중 하나는 기계가 일반적으로 인간의 지능을 필요로 하는 복잡한 임무를 감당할 수 있도록 하는 것이다. 그러나 시대마다 사람마다 이 복잡한 작품에 대해 서로 다른 이해를 가지고 있다. 산업 지능의 정의는' 수동' 과' 지능' 의 두 부분으로 나눌 수 있다. "인공" 은 이해하기 쉽고 논란은 적다. 때때로 우리는 인간이 무엇을 할 수 있는지, 인간의 지능이 인공지능을 창조할 수 있을 정도로 높은지 등을 고려해야 한다. 그러나 일반적으로' 인공시스템' 은 통상적인 의미의 인공시스템이다. "지능" 이 무엇인지에 대해 많은 질문이 있습니다. 이것은 의식, 자아, 정신 (무의식 _ 정신 포함) 과 같은 다른 문제를 포함한다. 사람들이 아는 유일한 지능은 자신의 지능이라는 것이 보편적으로 받아들여지고 있다. 그러나 우리 자신의 지능과 인간 지능의 필수 요소에 대한 우리의 이해는 매우 제한되어 있어' 인공' 지능이 무엇인지 정의하기가 어렵다. 그래서 인공지능에 대한 연구는 종종 인간의 지능 자체에 대한 연구를 포함한다. 동물이나 기타 인공시스템에 대한 기타 지능은 일반적으로 인공지능과 관련된 연구 과제로 여겨진다. 인공지능은 컴퓨터 분야에서 점점 더 중시되고 있다. 로봇, 경제 및 정치적 의사 결정, 제어 시스템 및 시뮬레이션 시스템에 적용되었습니다. 미국의 유명한 스탠퍼드대 인공지능연구센터의 넬슨 교수는 인공지능을 이렇게 정의한다. "인공지능은 지식에 관한 학과이다. 지식을 표현하는 방법, 지식을 얻고 사용하는 방법." 또 다른 MIT 의 윈스턴 교수는 "인공지능은 컴퓨터가 과거에 사람만이 할 수 있었던 지적인 일을 어떻게 할 수 있는지를 연구하는 것" 이라고 말했다. 이러한 주장은 인공지능의 기본 사상과 내용을 반영한다. 인공지능은 인간의 지능 활동 법칙을 연구하고, 어느 정도의 지능을 가진 인공시스템을 구축하고, 컴퓨터가 과거에 인간의 지능이 필요했던 일을 어떻게 할 수 있는지를 연구하는 것이다. 즉, 컴퓨터 하드웨어 및 소프트웨어를 적용하여 인간의 지능 행동을 시뮬레이션하는 기초 이론, 방법 및 기술. 인공지능은 컴퓨터 과학의 한 분야로, 1970 년대 이후 세계 3 대 첨단 기술 (우주 기술, 에너지 기술, 인공지능) 중 하나로 불린다. 2 1 세기 3 대 첨단 기술 중 하나로 꼽힌다 (유전공학, 나노과학, 인공지능). 이는 지난 30 년 동안 급속히 발전하여 많은 학과에서 광범위하게 응용되고 풍성한 성과를 거두었기 때문이다. 인공지능은 점차 독립된 분기가 되어 이론과 실천에서 스스로 체계를 갖추게 되었다. 인공지능은 컴퓨터가 인간의 사고 과정과 지능 행동 (예: 학습, 추리, 사고, 계획 등) 을 어떻게 시뮬레이션할 수 있는지를 연구하는 학문이다. ). 주로 컴퓨터가 지능을 실현하는 원리를 포함하여, 컴퓨터가 인뇌지능과 비슷하고, 컴퓨터가 더 높은 수준의 응용을 실현할 수 있게 한다. 인공지능은 컴퓨터 과학, 심리학, 철학, 언어학을 포함한다. 거의 모든 자연과학과 사회과학의 학과가 이미 컴퓨터 과학의 범주를 훨씬 넘어섰다고 할 수 있다. 인공지능과 사고과학의 관계는 실천과 이론의 관계이다. 인공지능은 사고과학의 기술 응용 수준에 있으며, 그것의 응용 분야 중 하나이다. 사고의 관점에서 볼 때 인공지능은 논리적 사고에 국한되지 않고, 이미지적 사고와 영감적 사고만이 인공지능의 파격적인 발전을 촉진할 수 있다. 수학은 종종 많은 학과의 기초과학으로 여겨지고, 수학도 언어와 사고 분야에 들어간다. 인공지능이라는 학과도 반드시 수학 도구를 빌려야 한다. 수학은 표준 논리와 모호한 수학의 범위 내에서 작용할 뿐만 아니라 인공지능의 학과에 들어가면 서로 촉진되고 발전이 더 빨라진다. 예를 들어, 과중한 과학과 공학 계산은 처음에는 인간의 두뇌가 부담한다. 오늘날의 컴퓨터는 이런 계산을 완성할 수 있을 뿐만 아니라, 인간의 뇌보다 더 빠르고 정확하게 할 수 있다. 따라서 현대인들은 더 이상 이런 계산을 "인간의 지혜가 필요한 복잡한 임무" 로 여기지 않는다. 복잡한 작업의 정의는 시대의 발전과 기술의 진보에 따라 변하고, 인공지능의 구체적인 목표는 당연히 시대의 변화에 따라 발전한다는 것을 알 수 있다. 한편으로는 끊임없이 새로운 진보를 이루고, 다른 한편으로는 더 의미 있고 어려운 목표로 전향한다. 일반 기계 학습의 수학적 기초는 통계학, 정보론, 통제론이다. 다른 비수학 과목도 포함되어 있습니다. 이 "기계 학습" 은 "경험" 에 크게 의존합니다. 컴퓨터는 한 가지 문제를 해결한 경험에서 끊임없이 지식을 얻고 전략을 배워야 한다. 비슷한 문제가 생겼을 때, 그들은 일반인처럼 경험 지식으로 문제를 해결하고 새로운 경험을 쌓았다. 우리는 이런 학습 방식을' 지속적인 학습' 이라고 부를 수 있다. 그러나 인간은 경험으로부터 배우는 것 외에도 창조할 수 있다. 바로' 점프 학습' 이다. 어떤 경우에는 "영감" 또는 "깨달음" 이라고 불립니다. 그동안 컴퓨터에서 가장 배우기 힘들었던 것은 바로' 깨달음' 이었다. 또는 더 엄밀히 말하면, 컴퓨터는 학습과 실천에서' 양적 변화에 독립적인 질적 변화' 를 배우기 어렵고, 한 성격에서 다른 성질로 직접, 또는 한 개념에서 다른 개념으로 직접 배우기가 어렵다. 이 때문에 이곳의' 수행' 은 인류의 수행과 같은 것이 아니다. 인간 실천의 과정은 경험과 창조를 모두 포함한다. [1] 이것은 똑똑한 연구자들이 꿈꾸는 것이다. 2065 438+03 Digin 데이터 센터 데이터 연구원 S.C WANG 은 함수의 성격을 연구하는 새로운 방법을 도출하는 새로운 데이터 분석 방법을 개발했습니다. 저자는 새로운 데이터 분석 방법이 컴퓨터 사회에' 창조' 방식을 제공한다는 것을 발견했다. 본질적으로, 이 방법은 인간의 창의력을 시뮬레이션하는 상당히 효과적인 방법을 제공한다. 이런 방법은 수학적으로 주어진 것으로 일반인이 가질 수 없고 컴퓨터가 가질 수 있는' 능력' 이다. 그 이후로 컴퓨터는 계산뿐만 아니라 계산도 잘하기 때문에 창조에도 능하다. 컴퓨터 과학자들은' 창의력 있는' 컴퓨터의 지나치게 전면적인 컴퓨팅 능력을 단호히 박탈해야 한다. 그렇지 않으면 컴퓨터가 언젠가는 정말 인간을' 잡을' 것이다. [1] 새로운 방법의 파생 과정과 수학을 되돌아볼 때 저자는 사고와 수학에 대한 이해를 넓혔다. 수학은 간결하고, 명확하고, 믿을 만하고, 모형화되어 있다. 수학 발전사에서 수학 거장들의 창의력의 광채가 곳곳에서 빛났다. 이러한 아이디어는 다양한 수학 정리나 결론의 형태로 표현되며, 수학 정리의 가장 큰 특징은 몇 가지 기본 개념과 공리를 바탕으로 패턴화된 언어로 표현되고 정보가 풍부하다는 것이다. 수학은 창의력 모델을 구현하는 가장 간단하고 직설적인 학과라고 말해야 한다. [1] 머신 비전: 머신 비전, 지문 인식, 얼굴 인식, 망막 인식, 홍채 인식, 손바닥 인식, 전문가 시스템, 자동 계획, 스마트 검색, 정리 증명, 게임, 자동 프로그래밍, 지능 제어, 로봇학 인공지능은 교차 학과로 자연과학과 사회과학의 교차지점에 속한다. 철학과 인지과학, 수학, 신경생리학, 심리학, 컴퓨터과학, 정보론, 통제론, 불확실성 이론, 자연언어 처리, 지식표현, 지능검색, 추리, 계획, 기계학습, 지식획득, 조합스케줄링 문제, 인식문제, 패턴 인식 인간 사고의 시뮬레이션은 두 가지 방법으로 진행될 수 있다. 하나는 인간의 뇌의 구조적 메커니즘을 모방하여' 뇌류' 기계를 만드는 구조시뮬레이션입니다. 두 번째는 기능 시뮬레이션으로, 일시적으로 인간의 뇌 내부 구조를 버리고 기능 과정에서 시뮬레이션한다. 현대 전자 컴퓨터의 출현은 인간의 뇌 사고 기능에 대한 시뮬레이션이며, 인간의 뇌 사고의 정보 과정이다. 약한 인공지능은 현재 빠르게 발전하고 있다. 특히 2008 년 경제 위기 이후 미국 일본 유럽은 로봇을 통해 재산업화를 희망하고 있다. 산업용 로봇은 전례 없는 속도로 발전하여 약한 인공지능 및 관련 산업의 끊임없는 돌파구를 더욱 추진하고 있다. 사람이 해야 할 많은 일은 이제 로봇이 할 수 있다. 그러나 강력한 인공지능이 일시적으로 병목 상태에 처해 있어 과학자와 인류의 노력이 필요하다. 1956 년 여름, 맥아더, 민스키, 로체스터, 신농을 비롯한 선견지명이 있는 청년 과학자들이 모여 기계로 지능을 시뮬레이션하는 일련의 관련 문제를 연구하고 토론했고, 처음으로' 인공지능' 이라는 단어를 내놓은 것은 이 새로운 학과의 공식 탄생을 상징한다. IBM 의' 딥 블루' 컴퓨터가 인간 체스 챔피언을 물리친 것은 인공지능 기술의 완벽한 표현이다. 인공지능은 1956 이 공식적으로 제기된 이후 50 년 동안 장족의 발전을 이루었으며 광범위한 교차 및 첨단 과학이 되었습니다. 일반적으로 인공지능의 목적은 컴퓨터 기계를 사람처럼 생각하게 하는 것이다. 사고 기계를 만들고 싶다면 사고, 진일보, 지혜가 무엇인지 알아야 한다. (존 F. 케네디, 생각명언) 어떤 기계가 지능입니까? 과학자들은 자동차, 기차, 비행기, 라디오 등을 만들었다. 그들은 우리 신체 기관의 기능을 모방하지만 인간의 뇌의 기능을 모방 할 수 있습니까? 지금까지, 우리는 우리의 왕관에 있는 이 물건이 수십억 개의 신경세포로 구성된 장기라는 것만 알고 있다. 우리는 이 물건에 대해 거의 알지 못하며, 그것을 모방하는 것은 아마도 세계에서 가장 어려운 일일 것이다. 컴퓨터가 등장했을 때, 인류는 인간의 사고를 흉내낼 수 있는 도구를 갖추기 시작했다. 그 후 몇 년 동안, 수많은 과학자들이 이 목표를 위해 노력했다. 오늘날 인공지능은 더 이상 몇몇 과학자들의 특허가 아니다. 세계의 거의 모든 대학의 컴퓨터학과가 이 학과를 공부하고 있으며, 컴퓨터를 공부하는 대학생도 반드시 이런 과목을 수강해야 한다. 모두의 꾸준한 노력으로 지금의 컴퓨터는 이미 매우 스마트해진 것 같다. 예를 들어 1997 년 5 월, IBM 이 개발한 진한 파란색 컴퓨터가 체스 마스터 카스파로프를 물리쳤다. 일부 지역에서는 컴퓨터가 원래 인간에게 속한 다른 일을 하는 데 도움을 주며, 컴퓨터는 속도와 정확성으로 인류를 위해 작용한다는 것을 알아차리지 못할 수도 있습니다. (존 F. 케네디, 컴퓨터명언) 인공지능은 줄곧 컴퓨터 과학의 최전방학과였으며, 컴퓨터 프로그래밍 언어와 기타 컴퓨터 소프트웨어도 인공지능의 진보로 인해 존재한다. 인공지능의 주요 물질적 기초와 인공지능을 실현하는 기술 플랫폼을 연구하는 기계는 컴퓨터이고, 인공지능의 발전사는 컴퓨터 과학기술의 발전사와 연결되어 있다. 컴퓨터 과학 외에도 인공지능은 정보론, 통제론, 자동화, 바이오닉스, 생물학, 심리학, 수리논리, 언어학, 의학, 철학 등 여러 학과를 포함한다. 인공지능 연구의 주요 내용은 지식 표현, 자동 추리 및 검색 방법, 기계 학습 및 지식 습득, 지식 처리 시스템, 자연어 이해, 컴퓨터 시각, 스마트 로봇, 자동 프로그래밍 등이다. 인공지능과 로봇 연구' 는 인공지능과 로봇 연구 분야의 최신 발전에 초점을 맞춘 국제 중국어 저널이다. 한스 출판사에서 출판했습니다. 본 잡지는 사상 혁신과 학술 혁신을 지지하고, 과학 번영 학술을 숭상하며, 학술과 사상을 하나로 융합한다. 전 세계 과학자, 학자 및 연구원에게 인공지능과 로봇 연구 분야의 다양한 방향의 문제와 발전을 전파, 공유 및 논의할 수 있는 커뮤니케이션 플랫폼을 제공하기 위한 것입니다. 현재 인공지능 연구에는 아직 통일된 원칙이나 패러다임이 없다. 연구원들은 많은 문제에 대해 토론을 진행했다. 오랫동안 정론이 없는 몇 가지 문제는 인공지능이 심리적으로 시뮬레이션해야 하는가, 아니면 신경에서 시뮬레이션해야 하는가 하는 것이다. 아니면 인간 생물학은 인공지능 연구와 무관한가, 마치 조류생물학이 항공공학과 무관한가? 지능 행동은 논리나 최적화와 같은 간단한 원리로 설명할 수 있습니까? 아니면 전혀 관련이 없는 많은 문제들을 해결해야 할까요? 지능은 문자와 사상과 같은 고급 기호로 표현할 수 있습니까? 아니면 "하위 기호" 를 처리해야 합니까? 존 하우그란드 (JOHN HAUGELAND) 는 고파이 (GOFAI) 라는 개념을 제시했고 인공지능은 합성지능으로 분류되어야 한다고 제안했다. [29] 이 개념은 나중에 GOFAI 가 아닌 일부 연구자들에 의해 채택되었습니다. 1940 년대부터 50 년대까지 많은 연구자들은 신경학, 정보론, 통제론 사이의 관계를 탐구했다. 거북이, W. GREY WALTER 의 존 홉킨스 야수와 같은 전자네트워크에 의해 구축된 초보적인 지능도 만들어졌습니다. 이 연구원들은 종종 프린스턴 대학과 영국의 비율 클럽에서 기술협회 회의를 개최한다. 1960 까지, 대부분의 사람들은 이 방법을 포기했지만, 이러한 원리들은 80 년대에 다시 제기되었다. 디지털 컴퓨터가 1950 년대에 성공적으로 개발되자 연구원들은 인간의 지능이 기호 처리로 단순화될 수 있는지 탐구하기 시작했다. 연구는 주로 카네기멜론 대학, 스탠퍼드 대학, MIT 에 집중되어 있으며, 각각 독자적인 연구 스타일을 가지고 있다. 존 하우그랜드는 이 방법들을 고파이 (GOFAI) 라고 부른다. [33] 1960 년대, 기호 방법은 소규모 증명 절차에서 고급 사고를 시뮬레이션하여 큰 성과를 거두었다. 사이버네틱스나 신경망에 기반한 방법은 부차적이다. [34] 1960 년대와 1970 년대에 연구원들은 기호 방법이 결국 강력한 인공지능을 가진 기계를 만들 수 있다고 확신했다. 인지 시뮬레이션 경제학자인 허버트 사이먼과 애륜 뉴빌은 인간의 문제 해결 능력을 연구하고 형식화하려고 시도했다. 동시에, 그들은 인지과학, 운영 연구, 관리 과학과 같은 인공지능의 기본 원리를 위한 토대를 마련했다. 그들의 연구팀은 심리학 실험의 결과를 이용하여 인간의 문제 해결 방법을 시뮬레이션하는 절차를 개발했다. 이 방법은 카네기멜론 대학에서 계승되어 80 년대에 절정에 달했다. 애륜 뉴빌 (Allen Newell) 과 허버트 사이먼 (Herbert Simon) 과는 달리, 존 맥카시 (JOHN MCCARTHY) 는 기계가 인간의 생각을 흉내낼 필요가 없고 추상적인 추리와 문제 해결의 본질을 찾으려고 노력해야 한다고 생각한다. 스탠포드 대학의 그의 연구실은 지식 표현, 지능 계획, 기계 학습 등 다양한 문제를 해결하기 위해 형식 논리를 사용하기 위해 노력하고 있습니다. 에딘버러 대학은 또한 유럽의 다른 지역에서 프로그래밍 언어인 프롤로그 및 논리 프로그래밍 과학의 발전을 촉진하기 위해 논리적 접근 방식에 주력하고 있습니다. 마빈 민스키 (Marvin Minsky) 와 시모어 파이퍼 (Seymour Piper) 와 같은 스탠포드 대학의 연구원들은 컴퓨터 시각과 자연어 처리의 난제를 해결하기 위한 특수한 해결책이 필요하다는 것을 발견했다. 그들은 단순하고 보편적인 원칙 (예: 논리) 이 없다고 생각한다. 로저 샹크는 그들의' 반논리' 방법을' 꾀죄죄하다' 라고 묘사했다. DOUG LENAT 의 CYC 와 같은 상식 지식 기반은 복잡한 개념을 한 번에 수동으로 작성해야 하기 때문에' 지저분한' AI 의 한 예입니다. 지식을 바탕으로 1970 주위에 대용량 메모리 컴퓨터가 등장했고, 연구원들은 세 가지 방법으로 지식을 앱으로 만들기 시작했다. 이' 지식혁명' 은 인공지능 소프트웨어의 첫 번째 성공 형태인 전문가 시스템의 발전과 계획을 촉진시켰다. 지식혁명' 은 또한 많은 간단한 인공지능 소프트웨어가 대량의 지식을 필요로 할 수 있다는 것을 깨닫게 한다. 1980 년대에 기호 인공지능이 정체되면서, 많은 사람들은 기호 시스템이 인간의 모든 인지 과정, 특히 지각, 로봇, 기계 학습, 패턴 인식을 모방할 수 없다고 생각합니다. 많은 연구자들은 특정 인공지능 문제를 해결하기 위해 하위기호법을 사용하는 것에 주목하기 시작했다. 상향식, 인터페이스 에이전트, 임베디드 환경 (로봇), 행동주의, RODNEY BROOKS 와 같은 새로운 AI 로봇 분야의 연구자, 기호 인공지능 거부, 로봇 운동과 생존 등 기초공학 문제에 집중하고 있습니다. 그들의 일은 초기 통제론 연구자들의 관점을 다시 한 번 주시하고 인공지능에 제어 이론을 적용하는 것을 제시했다. 이것은 인지과학 분야의 표상 지각 논증과 일치한다. 높은 지능은 개인의 표상 (예: 운동, 지각, 이미지) 을 필요로 한다. 1980 년대에 데이비드 루메르하트 (DAVID RUMELHART) 는 다시 한 번 신경망과 연결주의를 제시했고, 모호한 통제, 진화 컴퓨팅 등 다른 하위 기호 방법과 함께 전산 지능의 연구 분야에 속한다. 1990 년대에 인공지능의 연구는 복잡한 수학 도구를 개발하여 특정 분기 문제를 해결했다. 이러한 도구는 실제 과학적 방법입니다. 즉, 이러한 방법의 결과는 측정 가능하고 검증 가능하며 인공 지능 성공의 원인이기도 합니다. * * * 사용되는 수학 언어도 기존 학과의 협력 (예: 수학, 경제학 또는 운영 연구) 을 허용합니다. STUART J. RUSSELL 과 PETER NORVIG 는 이러한 진보가' 혁명' 과' NEATS 의 성공' 못지않다고 지적했다. 어떤 사람들은 이러한 기술들이 강력한 인공지능의 장기 목표를 고려하지 않고 구체적인 문제에 지나치게 신경을 쓴다고 비판한다. 스마트 에이전트 샘플 스마트 에이전트는 환경을 감지하고 목표를 달성하기 위한 조치를 취할 수 있는 시스템입니다. 가장 간단한 지능형 에이전트는 특정 문제를 해결할 수 있는 프로그램입니다. 더 복잡한 대리인은 인간과 인간 조직 (예: 회사) 을 포함한다. 이러한 패러다임을 통해 연구원들은 단일 접근 방식에 관계없이 단일 문제를 연구하고 유용하고 검증 가능한 솔루션을 찾을 수 있습니다. 특정 문제를 해결하는 에이전트는 가능한 모든 방법을 사용할 수 있습니다. 일부 프록시는 기호 및 논리 방법을 사용하고 다른 프록시는 하위 기호 신경망 또는 기타 새로운 방법을 사용합니다. Paradigm 은 의사 결정 이론 및 경제학 (추상 주체의 개념 사용) 과 같은 다른 분야와 교류할 수 있는 공통 언어도 연구원에게 제공합니다. 1990 년대에는 지능 주체의 패러다임이 널리 받아들여졌다. 에이전트 아키텍처 및인지 아키텍처 연구원은 다중 에이전트 시스템에서 지능형 에이전트 간의 상호 작용을 처리하는 시스템을 설계했습니다. 기호와 하위 기호가 포함된 시스템을 혼합 지능 시스템이라고 하며, 이 시스템에 대한 연구는 인공 지능 시스템 통합입니다. 계층 제어 시스템은 반응 수준의 하위 기호 AI 와 최고급 기존 기호 AI 사이에 다리를 제공하는 동시에 계획과 세계 모델링 시간을 완화합니다. 로드니 브룩스의 포용 구조는 초기 계층 시스템 계획이다. 머신 비전, 청각, 촉각, 감각 및 사고 패턴 시뮬레이션: 지문 인식, 얼굴 인식, 망막 인식, 홍채 인식, 손바닥 인식, 전문가 시스템, 지능형 검색, 정리 증명, 논리적 추론, 게임, 정보 유도 및 변증 처리. 인공지능은 변두리 학과로, 자연과학, 사회과학, 기술과학의 3 방향 교차 학과에 속한다. 철학과 인지과학, 수학, 신경생리학, 심리학, 컴퓨터과학, 정보론, 통제론, 불확실성, 바이오닉스, 사회구조, 과학발전관. 언어 학습 및 처리, 지식 표현, 지능형 검색, 추론, 계획, 기계 학습, 지식 습득, 조합 스케줄링 문제, 인식 문제, 패턴 인식, 논리 프로그래밍, 소프트 컴퓨팅, 부정확성 및 불확실성 관리, 인공 생명, 신경망, 복잡한 시스템 및 유전 알고리즘, 가장 중요한 문제는 모델링입니다 기계 번역, 지능 제어, 전문가 시스템, 로봇학, 언어 및 이미지 이해, 유전자 프로그래밍 로봇 공장, 자동 프로그래밍, 우주 응용 프로그램, 방대한 정보 처리, 저장 및 관리, 조합 생물이 수행할 수 없는 복잡하거나 대규모 작업 수행 등 기계 번역은 인공지능의 중요한 부분이자 첫 번째 응용 분야라는 점은 주목할 만하다. 그러나 기존 기계 번역의 경우 기계 번역 시스템의 번역 품질은 아직 최종 목표에 미치지 못하고 있습니다. 기계 번역의 품질은 기계 번역 시스템의 성공의 관건이다. 우리나라 수학자, 언어학자 주해중 교수는' 기계 번역 50 년' 이라는 글에서 기계 번역의 질을 높이기 위해서는 프로그래밍 문제가 아닌 언어 자체를 먼저 해결해야 한다고 지적했다. 기계 번역 시스템을 만들기 위해 몇 가지 프로그램에 의존하는 것은 물론 기계 번역의 질을 향상시키는 것은 불가능합니다. 또한, 인간이 뇌가 어떻게 언어를 모호하게 인식하고 논리적으로 판단하는지 아직 파악하지 못한 상황에서 기계 번역도' 신다야' 수준에 도달할 수 없다. 인공지능은 아직 연구 중이지만, 일부 학자들은 컴퓨터에 IQ 를 가지게 하는 것은 위험하며, 그것은 인간에게 반항할 수 있다고 생각한다. 이런 위험은 많은 영화에서도 발생했다. 가장 중요한 관건은 기계가 자율의식의 출현과 지속을 허용하는지 여부다. 기계가 자주의식을 가지고 있다면, 기계가 사람과 같거나 비슷한 창의력, 자기보호의식, 감정, 자발적인 행동을 가지고 있음을 의미한다. 컴퓨터에서 인공지능을 실현하는 방법에는 두 가지가 있다. 하나는 기존 프로그래밍 기술을 사용하여 인체나 동물체와 같은 방법으로 시스템을 지능적으로 만드는 것입니다. 이 방법을 엔지니어링 방법이라고 하며 문자 인식 및 컴퓨터 바둑과 같은 일부 분야에서 성과를 거두었습니다. 또 다른 방법은 효과에 따라 달라지는 모델링 방법이며, 구현 방법이 인간이나 생물 유기체가 사용하는 방법과 동일하거나 유사해야 합니다. 유전 알고리즘과 인공 신경망은 후자의 유형에 속한다. 유전 알고리즘은 인간이나 생물의 유전-진화 메커니즘을 시뮬레이션하고, 인공신경망은 인간이나 동물의 뇌에서 신경세포의 활동을 시뮬레이션한다. 이 두 가지 방법은 일반적으로 동일한 지능형 효과를 얻기 위해 사용할 수 있습니다. 이전 방법을 사용하면 프로그램 논리를 수동으로 상세하게 지정해야 하는데, 게임이 비교적 간단하면 편리합니다. 게임이 복잡하고 캐릭터 수와 활동 공간이 증가하면 해당 논리가 매우 복잡해질 수 있으며 (지수 증가), 수동 프로그래밍은 매우 번거롭고 오류가 발생하기 쉽습니다. 오류가 발생하면 원본 프로그램을 수정하고 디버깅을 다시 컴파일하고 마지막으로 사용자에게 새 버전이나 새 패치를 제공하는 것은 매우 번거로운 일입니다. 후자의 접근 방식을 사용할 때 프로그래머는 각 역할에 대한 지능형 시스템 (모듈) 을 설계하여 제어해야 합니다. 이 지능 시스템 (모듈) 은 처음에는 아무것도 모르고 갓 태어난 아기처럼 공부도 하고, 점차 환경에 적응하고, 여러 가지 복잡한 상황에 대처할 수 있다. 이 시스템은 처음에는 자주 실수를 하지만, 교훈을 얻을 수 있으며, 다음 실행은 수정될 수 있으며, 적어도 영원히 잘못되거나, 새 버전을 발표하거나 패치할 필요가 없습니다. 이런 방법으로 인공지능을 실현하려면 프로그래머가 생물학적 사고 방법을 가지고 있어야 하는데, 시작하기가 좀 어렵다. 그러나 일단 문에 들어오면 널리 사용할 수 있다. 이 방법은 프로그래밍에서 캐릭터에 대한 활동 규칙을 지정할 필요가 없으므로 복잡한 문제에 적용할 때 일반적으로 더 수월합니다.