kunstig intelligens (ai) - imm.dtu.dktobo/aiintro.pdf · kunstig intelligens (ai) thomas bolander,...

Kunstig intelligens (AI)

Thomas Bolander, Lektor ved DTU Informatik

UNF Aalborg, 30. november 2010

Thomas Bolander, UNF Aalborg, E10 – s. 1/39

Kunstig intelligens i film

De fleste mennesker har et eller andet forhold til kunstig intelligens, især ikraft af de mange science fiction-film hvori robotter og kunstig intelligensspiller en central rolle:

• Rumrejsen ar 2001, Star Wars, A.I.–Kunstig Intelligens, WALL-E, IRobot, ...

Det karakteristiske ved disse science fiction-film er dog at de trods altstadig er science fiction...


Kunstig intelligens i hverdagen

Det mest avancerede kunstige intelligens vi umiddelbart kan fa øje pa ivores nære omgivelser er sadan noget som støvsugerrobotter oggræsslamaskinerobotter.

Et naturligt spørgsmal er: Vil vi nogensinde komme til at se robotter somer lige sa intelligente som i science fiction-filmene?


Fremtiden for kunstig intelligens

Vi er endnu meget langt fra robotter som er lige sa intelligente som iscience fiction-filmene.

Om vi overhovedet far dem kan kun tiden vise.

Men et er jeg ganske sikker pa:

Kunstig intelligens kommer helt sikkert til at spille en storrolle i fremtiden, og vil helt sikkert ændre vores hverdag ogmade at leve livet pa i mindst lige sa høj grad som computerenog internettet allerede har gjort det.

tidlig computer tidlig internet tidlig robotThomas Bolander, UNF Aalborg, E10 – s. 4/39

Hvad betyder “kunstig intelligens”?

Lad os pa selve begrebet “kunstig intelligens”. Det bestar af to ord:

• Kunstig. Bruges i samme betydning som “kunstige negle”,“kunstige ben”, “kunstigt hjerte”: noget menneskeskabt som lignereller deler funktion med noget som findes i naturen.

• Intelligens. Refererer til at det er den menneskelige hjerne viforsøger at “efterligne”.

Sa kunstig intelligens handler i en visforstand om at lave “kunstige hjerner”, elleri hvert fald maskiner som kan nogle af deting vi normalt forbinder med denmenneskelige hjerne.

Kunstig intelligens er saledes ret ambitiøst,for der er ingen tvivl om at denmenneskelige hjerne er noget af det mestekomplekse, der overhovedet findes inaturen!


Hvad betyder “kunstig intelligens”?

Vi har ovenfor antydet betydningen af “kunstig intelligens”, men ikkegivet en præcis definition. Det er umadeligt vanskeligt at give en sadandefinition.

John McCarthy, den kunstige intelligens’fader, forsøger selv at definere kunstigintelligens pa følgende made:

“Artificial intelligence is the thescience and engineering of makingintelligent machines, especiallyintelligent computer programs.”

John McCarthy, 2006

Det er en fin definition, men den efterlader jo spørgsmalet om hvad sa“intelligens” egentlig er for noget.


Hvad er intelligens?

Intelligens er et meget vanskeligt begreb. 52 amerikanske psykologerunderskrev i 1994 en (forsøgsvis) definition som starter sadan her:

“Intelligence is a very general mental capability that, amongother things, involves the ability to reason, plan, solveproblems, think abstractly, comprehend complex ideas, learnquickly and learn from experience.”

Intelligens (og dermed ogsa kunstig intelligens) har altsa med følgendeegenskaber at gøre:

• Ræssonering.

• Planlægning.

• Løsning af problemer.

• Abstrakt tænkning.

• Forstaelse af komplekse ideer.

• At lære hurtigt.

• At lære af erfaring.Thomas Bolander, UNF Aalborg, E10 – s. 7/39

Kunstig intelligens eller ej?

Betragt igen karakteriseringen af intelligens:

evnen til at ræssonere, planlægge, løse problemer, tænkeabstrakt, forsta komplekse ideer, lære hurtigt og lære aferfaring.

Har vore dages kunstig intelligens-systemer disse egenskaber? Hvis ikke,vil de sa nogensinde fa dem?

Det er svært at give et kort svar pa, da alle ovenstaende egenskaber kanfortolkes pa forskellig vis og gradbøjes.

For at komme nærmere pa et svar og en forstaelse af hvad kunstigintelligens egentlig er og ikke er, har vi brug for at introducere nogle nyebegreber og kigge lidt nærmere pa den kunstige intelligens’ historie...


Turing-testen

Alan Turing (ham som brødtyskernes Enigma-kode under andenverdenskrig) fandt i 1950 pa densakaldte Turing-test, en test til attjekke om en maskine “kan tænke”.

I en Turing-test er en menneskeligdommer i skriftlig dialog medhenholdsvis et andet menneske ogen maskine (en computer). Hvisdommeren ikke kan gætte hvem derer hvem, har maskinen bestaettesten (det forudsættes at bademennesket og maskinen forsøger atvirke menneskelige).

Alan Turing, 1954


Loebner-prisen

Hvert ar konkurrerer chatbots (konversations-computersystemer) modhinanden om Loebner-prisen. Prisen gar til den chatbot som klarer enTuring-test bedst muligt. Vinderen far 2.000$. Hvis maskinen klarerTuring-testen fuldstændigt far vinderen 25.000$. De 25.000$ er endnualdrig blevet udbetalt.

Chatbotten Jabberwacky har vundet flere gange indenfor de senere ar.Pa følgende slide er en dialog jeg har haft med den...


Jabberwacky: Have you read any books lately?Thomas: Yes.Jabberwacky: What books have you read?Thomas: “I am a strange loop”.Jabberwacky: Yes you are.Thomas: Is that supposed to be funny?Jabberwacky: Yes.Thomas: OK, accepted, it was kind of funny.Jabberwacky: No. Who are you trying to convince?Thomas: You.Jabberwacky: Tell me something funny.Thomas: The best joke I know is in Danish.Jabberwacky: That’s a poem I guess, tell me another.Thomas: Why don’t you tell me one?Jabberwacky: I don’t know any.Thomas: How can you not know any jokes?Jabberwacky: No, not that, what about star wars?Thomas: I don’t like star wars.Jabberwacky: Why don’t you like star wars?Thomas: I find it boring.Jabberwacky: How very British of me. I’m sorry. Are you going out tonight?Thomas: No, I’m preparing a talk for tomorrow.Jabberwacky: Preparing to become what?


ChatbotsI Danmark har en række kommuner, SAS ogIKEA investeret i chatbots fra firmaet ArtificialSolutions. Flere kommuner har dog allerededroppet deres chatbots igen.

Disse chatbots kan besvare simple og ofteforekommende spørgsmal, men kommer hurtigtpa glatis. De forstar ikke spørgsmalene, menleder efter ord i spørgsmalene som matcher ord ien database, hvor databasen sa ogsa indeholdertilhørende svar.

De fungerer dog relativt godt pa megetafgrænsede domæner.

Men de kan langt fra besta en Turing-test(ingengang en særlig IKEA-variant) og de leverheller ikke op til de tidligere nævnte betingelserfor ‘intelligens’ (ræssonering, planlægning, osv.)


http://www.ikea.com/dk/

Turing-testens relevans

Det er vist rimeligt at konkludere at kunstig intelligens—i hvert fald hvadangar den som kan besta Turing-testen—stadig er lysar ude i horisten.

Relevansen af Turing-testen kan dog ogsa diskuteres: Malet medforskning i flyveteknik er jo heller ikke at lave maskiner som kan flyvepræcist som duer, saledes at selv duerne ikke kan kende forskel!

For at bringe analogienvidere: Udviklingen af luftfarttog ogsa først rigtig fart daman stoppede med at forsøgeat bygge flyvende maskiner,som præcist kopierede fuglesvingebevægelser, og i stedetbegyndte at studere denbagvedliggende fysik ogaerodynamik.


Mennesket som inspiration

Af luftfarts-analogien kan vi konkludere at kunstig intelligens’ succes ikkenødvendigvis er betinget af at vi kan lave robotter som opfører signøjagtig ligesom mennesker. Med andre ord:

• Kunstig intelligens handler ikke nødvendigvis om at kopiere denmenneskelige hjerne.

• Det handler om at lade sig inspirere af den menneskelige hjerne, ogvia den vej lave maskiner og systemer som kan handle intelligent ogrationelt, hvad end de nu er tæt pa eller længere fra at ligne kloneraf mennesker.

Man kan ogsa spørge: ønsker vi overhovedet menneskelignende kunstigintelligens?


Lidt historie: Den tidlige optimisme

Den kunstige intelligens’ historie gar tilbage til de tidlige 1950’ere, kunmeget kort efter de første computere kom til verden. I begyndelsen varforventningerne til kunstig intelligens ekstremt høje. Kompleksiteten afden menneskelige intelligens blev stærkt undervurderet, og de flesteforventede at maskiner med menneskelignende intelligens var lige omhjørnet:

“It is not my aim to surprise or shock you—but the simplestway I can summerize is to say that there are now in the worldmachines that think, that learn and that create. Moreover, theirability to do these things is going to increase rapidly until—in avisible future—the range of problems they can handle will becoextensive with the range to which the human mind has beenapplied” (Herbert Simon, 1957).

Denne ‘visible future’ trækker øjensynligt ud...


Landvindinger i 50’erne og 60’erne

Den grænseløse optimisme i 50’erne og 60’erne skyldtes ogsa at manfaktisk den gang pa meget kort tid fik lavet kunstig intelligens-systemersom kunne løse et væld af problemer som pa den tid blev opfattet atkræve “rigtig” intelligens:

1. Skak-spillende computere som kunnesla dygtige amatører.

2. Computere som kunne bevisegeometriske sætninger bedre end defleste matematikstuderende.

3. Computere som kunne løse geometriskeanalogi-problemer i stil med IQ-tests.

4. Computere som kunne løseproblemregningsopgaver pafolkeskole-niveau.

5. Det første “elektroniske menneske”,robotten Shakey.


Landvindinger i 50’erne og 60’erne

Betragt igen listen over landvindinger i 50’erne og 60’erne:

1. Skak-spillende computere som kunne sla dygtige amatører;2. Computere som kunne bevise geometriske sætninger bedre end de

fleste matematikstuderende;3. Computere som kunne løse geometriske analogi-problemer i stil med

IQ-tests;4. Computere som kunne løse problemregningsopgaver pa

folkeskole-niveau;5. Det første “elektroniske menneske”, robotten Shakey.

Bemærk at vi her allerede til en vis grad godt kan tale om maskiner somræssonerer (alle), planlægger (1 og 5), tænker abstrakt (2, 3 og 4),lærer hurtigt og lærer af erfaring (5).

Vi vil dog næppe tilskrive disse systemer nogen forstaelse af komplekseideer, selvom det kan diskuteres, da forstaelse i sig selv er et megetvanskeligt begreb (ikke operationelt).


Den kunstige intelligens’ storhed og fald

De store successer i 50’erne og 60’erne satte ambitionsniveauet endnuhøjere op, og der blev investeret enorme summer i forskning i kunstigintelligens. Der skulle dog vise sig at være tale om en “AI-boble”.

Et af de ambitiøse projekter i USA var maskin-oversættelse af russiskevidenskabelige tekster til engelsk i kølvandet pa russernes opsendelse afSputnik.

Systemerne var dog blot simple syntaks-transformatorer hvilket blandtandet gav anledning til følgende underholdende oversættelse fra engelskvia russisk tilbage til engelsk:

Original: “The spirit is willing but the flesh is weak”.

Oversættelse: “The vodka is good but the meat is rotten”.


Den kunstige intelligens’ storhed og fald

I slutningen af 60’erne begyndte udviklingen af AI at ga megetlangsommere, og man blev klar over at reelt tænkende maskiner maskealligevel ikke var lige rundt om hjørnet—og at sadanne maskinerpotentielt maske slet ikke eksisterede.

Skuffelsen var stor, og interessen i at støtte forskning i kunstig intelligensgik pludselig stærkt ned ad bakke. I 1973 besluttede den britiske regeringat sløjfe al forskning i kunstig intelligens pa basis af en rapport somkonkluderede at:

“in no part of the field have discoveries made so far producedthe major impact that was then promised.”

Sa kan man sa lade være med at love for meget!

Problemet er naturligvis at man havde sat forventningernealt for højt, og dermed kun kunne ende med at bliveskuffet. Afstanden fra en skakcomputer til en HAL 9000(Rumrejsen ar 2001) blev kraftigt undervurderet.


Urealistiske forventninger

De urealistisk høje forventninger skyldes formodentlig ogsa at vi sa letrisikerer at identificere kunstig intelligens-systemer med mennesker,og dermed helt automatisk forventer at de har intellektuelle evner paniveau med vores egne.


Urealistiske forventninger: hospitalsrobotter

Frustrerede brugere af hospitalsrobotter iUSA:

• “TUG was a hospital worker, and itscolleagues expected it to have somesocial smarts, the absence of which ledto frustration—for example, when italways spoke in the same way in bothquiet and busy situations.”

• “I’m on the phone! If you say ’TUGhas arrived’ one more time I’m goingto kick you in your camera.”

• “It doesn’t have the manners we teachour children. I find it insulting that Istand out of the way for patients... butit just barrels right on.” TUG hospitalsrobot


Urealistiske forventninger

Problemerne med de “ubehøvlede” hospitalsrobotter kan løses—og vilblive løst. Hvad der er mere interessant er at vi automatisk har højereforventninger til kunstig intelligens og robotter end til computere ialmindelighed.

Eksempel. Vi er vant til at computere af og til “crasher” eller opfører siganderledes end vi beder dem om, og vi ved at det skyldes fejl icomputerens software. Men hvis man spurgte folk hvad problemet er vedat udstyre en robot med et vaben, ville de fleste tænke “hvad hvisrobotten bliver ond?” i stedet for “hvad hvis der er fejl i robottenssoftware som gør at den pludselig ved en fejl skyder vildt omkring sig?”


Nyt liv til den kunstige intelligens

Efter den kunstige intelligens’ lange vinter gennem 70’erne og det mesteaf 80’erne, far den i slutningen af 80’erne nyt liv igen. Men belært aferfaringen holder de flest sig nu til at “tage hvad man kan fa” fremforat have urealistiske forventninger. Det resulterer i en række nye successerfor den kunstige intelligens indenfor begrænsede domæner:

• USA’s forsvar bruger et planlægningssystem til at handterelogistikken i forbindelse med Golf-krigen i 1991, resulterende i enbesparelse større end den samlede mængde af penge benyttet tilforskning i kunstig intelligens i perioden 1950-1991.

• I 1994 kører en førerløs bilover 1000 km i tæt trafik iFrankrig.

• I 1997 slar IBM’s skakcomputerDeep Blue verdensmesterenGary Kasparov.

• I 2001 vinder en computer enkonkurrence i aktiehandel. Thomas Bolander, UNF Aalborg, E10 – s. 23/39

Deep Blue

Deep Blues succes skyldtes ikke at den havde en mere menneskelignendeintelligens end tidligere skak-computere.

Tværtimod benyttede den essentielt samme strategi som de allerførsteskak-computere fra slutningen af 50’erne: at slavisk regne sa mange trækfrem som muligt og vælge det træk som maksimerer en simpelforudprogrammeret matematisk funktion (en heuristiskevalueringsfunktion).


Deep Blue

Deep Blue fik saledes ikke sin styrke i kraft af en dybere forstaelse afspillet, men udelukkende i kraft af en super-computer der kunne foretagelangt flere beregninger end tidligere:

• Deep Blue havde over 500 special-designede skak-processorer somkørte i parallel.

• Deep Blue kunne udregne ca. 150 millioner træk i sekundet.

Spørgsmalet er om man kan opfatte en skakcomputer som blot slaviskregner en masse træk ud og maksimerer en matematisk funktion som‘intelligent’? For mange er det lidt skuffende fordi det forekommer langtmere ‘kunstigt’ end ‘intelligent’.

Men bemærk: Før skak-computernes tid opfattede alle skak som nogetder virkelig krævede “ægte intelligens” (ræssonering, abstrakt tænkning,begrebsliggørelse, generalisering, læring af erfaring). I en vis forstand“snyder” computeren og erstatter disse ting med ra beregningskraft.


Kasparov om Deep Blue

Gary Kasparov har selv for nyligt kommenteret pa Deep Blue og dens“intelligens”:

“The AI crowd, too, was pleased with the result and theattention, but dismayed by the fact that Deep Blue was hardlywhat their predecessors had imagined decades earlier when theydreamed of creating a machine to defeat the world chesschampion. Instead of a computer that thought and played chesslike a human, with human creativity and intuition, they got onethat played like a machine, systematically evaluating 200million possible moves on the chess board per second andwinning with brute number-crunching force.” (Gary Kasparov,The Huffington Post, 2010)

“Deep Blue was only intelligent the way your programmablealarm clock is intelligent. (Not that losing to a $10 millionalarm clock made me feel any better).”


Skuffelsen

Skuffelsen over de simple principper der ligger til grund for Deep Blue ogandre kunstig intelligens-systemer svarer lidt til skuffelsen man kan haveover nedenstaende mus: opgaven bliver løst, men bare ikke pa den madesom vi havde forventet og habet.


Mere om skak-computere

Mennesker er langt darligere og langsommere til systematisk at regneigennem alle mulige træksekvenser i skak end en computer er. Derfor ermennesker tvunget ud i at benytte andre metoder end brute force iskak. Det er her de højere kognitive evner kommer i spil: abstrakttænkning, generalisering m.m.

Det betyder ogsa at hvis menneske + computer spiller mod computer +computer er førstnævnte stadig langt overlegen.

Fremtidens skak-computere vil givetvis i langt højere grad forsøge atmodellere disse højere kognitive evner, for at skabe endnu stærkeresystemer.

Sagen er blot at udviklingen indenfor ra computerkraft er gaetvæsentligt hurtigere end udviklingen indenfor forstaelse ogimplementation af højere kognitive evner. Vi kæmper stadig for at forstahvordan abstrakt tænkning og generalisering fungerer i mennesker, oginden da kan vi ikke implementere sadanne evner i en computer.


Sokoban

Skak kan løses udelukkende med brute force og ra regnekraft, men detgælder ikke alle spil. I spillet Sokoban er det endnu ikke lykkedes at laveet computer-program som kan klare de mere komplekse baner og spilleop mod menneskelige spillere. Problemet er at udstyre computeren medgeometrisk intelligens og hierarkisk tænkning.


Intelligens eller ej?

Selvom de computere der kan lave logistik, spille skak, køre i bil oghandle med aktier (og tjene pa det!) nok ikke er hvad vi i dag vil kalde“tænkende maskiner”, er det dog computere som løser problemer vitidligere opfattede som krævende “ægte intelligens”.

Sa forskningen i kunstig intelligens rykker hele tiden ved vores grænsefor hvad vi opfatter som krævende “ægte intelligens”: I takt med atcomputere erobrer flere og flere af menneskets enemærker ma virevurdere vores opfattelse af hvilke problemer der kræver egentligintelligens. I hvert fald salænge disse computere benytter metoder derprimært handler om brute force og ra beregningskraft.


Intelligens eller ej?

Intelligens handler mere om den made hvorpa vi som mennesker udførerræssonering end det som vi faktisk er i stand til at opna med denneræssonering (jvf. f.eks. skak-computere versus skak-spillende mennesker).

Menneskets intelligens er fleksibel og dynamisk pa en made som ingencomputer (endnu) er. Vores evne til at være selvbevidste,selvobserverende og nærmest transcendere os selv er stadig et stortmysterium, og noget som ingen computer i dag er blot tilnærmelsesvis inærheden af.

Der har været en evigt igangværende diskussion siden den kunstigeintelligens begyndelse om hvorvidt det overhovedet kan lade sig gøre atlave menneskelignende intelligens pa en computer. Der er mangeargumenter for og imod, men endnu ingen overbevisende konklusion.


Det symbolske paradigme

Selvom man ikke nødvendigvis tror pa eksistensen af menneskelignendekunstig intelligens er det stadig den menneskelige hjernes processer somer inspirationen bag de fleste landvindinger indenfor faget. Der er tohovedparadigmer indenfor kunstig intelligens, det symbolske paradigmeog det sub-symbolske paradigme.

• Det symbolske paradigme. Her forsøger man direkte at simuleredet højeste niveau af kognitive processer i hjernen, det vil sigebevidst, sprogligt forankret, ræssonering. Kunstigintelligens-systemerne udstyres med et “kunstsprog” (et formeltsprog) som de benytter til at repræsentere viden om verden og til atræssonere omkring verden. Metoderne er primært baseret pa formellogik, et omrade som oprindeligt blev udviklet i begyndelsen af det20. arhundrede med henblik pa at forsta og sikre matematikkensgrundlag.


Det subsymbolske paradigme

• Det sub-symbolske paradigme. Her forsøger man modsat atsimulere de lavere niveauer af processor i hjernen: de biologiskeprocesser. Det gøres f.eks. med (kunstige) neurale netværk ogevolutionære algoritmer.

Systemerne indenfor de to paradigmer har forskellige styrker ogsvagheder:

• Det symbolske paradigme er godt til at lægge planer i kompleksedomæner.

• Det sub-symbolske paradigme er godt til mønstergenkendelse ogoplæring af rutine-opgaver.

I det symbolske paradigme har man meget kontrol over sit system, kanmatematisk bevise egenskaber ved det m.m. I det subsymbolskeparadigme ma man i langt højere grad bygge pa empiri.


Symbolsk versus subsymbolsk

Ofte konstrueres systemer som kombinerer de to paradigmer i f.eks.robot-køretøjer som bade skal planlægge ruter og rækkefølger afhandlinger (symbolsk) og skal kunne navigere ved hjælp af robotsyn(sub-symbolsk).

Mars Exploration Rover


Kunstig intelligens i dag

Kunstig intelligens-metoder benyttes i dag blandt andet til:

• Mønstergenkendelse i f.eks. ansigtskendelse, genkendelse af smil idigitalkameraer, musik-genkendelse og spam-filtre.

• Computerstyrede karakterer i computerspil (non-player characters).

• Autonome robotter sasom robot-græsslamaskiner og -støvsugere,Mars Exploration Rover og førerløse biler.

• Søgemaskiner som f.eks. Google.

• Ekspertsystemer sasom computer-systemer til at foretagemedicinsk diagnosticering.

• Computere der spiller komplekse brætspil sasom skak.

• Chat-robotter og computerprogrammer til maskin-oversættelse(automatisk oversættelse fra et sprog til et andet).


Kunstig intelligens i fremtiden

De mest succesfulde kunstig intelligens-systemer i dag har ikke kognitiveevner pa et særligt højt niveau, men klarer sig ved at erstatte disse meden enorm beregningskraft.

Næste skridt er at forsøge at implementere højere kognitive evner icomputere og robotter, men dette kræver tid og talmodighed, da denmenneskelige hjernes evne til at gøre disse ting stadig i det store og heleer et mysterium.



Konkret har vi f.eks. brug forhospitals-robotter med enbedre “situations-fornemmelse”. Her er detafgørende at robotterne ikkekun modellererhospitalsgange og kasser medmedicin, men ogsa andrerobotter og mennesker.

Det kræver en sakaldt“theory of mind”. Derarbejdes i dag pa at lavecomputer-systemer som haren sadan, bl.a. pa DTU.



Sa hvad kan vi egentlig helt præcist forvente os at se indenfor kunstigintelligens i fremtiden?

Følgende er de mest oplagte:

• Mere fritid: Flere service-robotter i vores omgivelser, som kanhjælpe med de daglige gøremal pa mere fleksibel og intelligent visend nutiden støvsugerrobotter.

• Mere automation: førerløse biler, flere robotter i industrien, flerehospitalsrobotter, osv.

• Mere underholdning: bedre og mere “realistiske” computer-styredemedspillere og modspillere i computer-spil.

• Bedre udnyttelse af ressourcer: intelligent energi-forbrug,intelligente hjem.

Bemærk dog at ingen af disse behøver at kræve menneskelignendeintelligens, og det stadig er uklart om vi alle ender med at have vorespersonlige R2-D2.


Konklusion

For at opsummere:

1. Kunstig intelligens er væsentligt vanskeligere og meretidskrævende at udvikle end fagets fædre oprindeligt forestillede sig.

2. Der er dog alligevel en række afgørende succeshistorier allerede,sa der er ingen grund til at opgive habet.

Det er lidt som at sta i 1800-tallet og snakke om at sende mennesker tilmanen med rumraket. Der var ikke i 1800-tallet noget som tydede pa detskulle være fysisk umuligt, men pa den anden side manglede der en heldel teori og teknologi inden det kunne realiseres.

Pa samme made er der ikke noget som tyder pa det skulle være umuligtat lave meget stærke kunstig intelligens-systemer med høje kognitiveevner, men der mangler stadig noget teori og teknologi før vi nar dertil.

Og sa skal vi ikke forvente at disse kunstig intelligens-systemernødvendigvis kommer til at ligne præcise kopier af mennesker, lige sa lidtsom moderne flyvemaskiner er præcise kopier af fugle.

http://www.imm.dtu.dk/∼tb


kunstig intelligens (ai) - imm.dtu.dktobo/aiintro.pdf · kunstig intelligens (ai) thomas bolander,...

Documents