Cara Otak Menyelesaikan Masalah. @OpenLedger

Otakmu itu mesin prediksi. Ketika kamu menyentuh api saat kecil, neuron-neuronmu terhubung untuk mengingat rasa sakit. Ketika kamu melihat anjing, otakmu tidak memeriksa buku aturan. Sebaliknya, jutaan neuron menyala dalam pola yang menyandikan pengalamanmu di masa lalu tentang "anjingness."

Ini adalah kecerdasan: kemampuan untuk menggeneralisasi dari pengalaman. Mesin ingin melakukan hal yang sama. Upaya pertama bukan untuk membangun neuron tetapi untuk menulis aturan. Jika api = panas, jangan sentuh. Jika anjing = empat kaki, ekor, menggonggong, maka klasifikasikan sebagai anjing. Ini disebut AI simbolis, dunia logika yang dibuat tangan.#OpenLedger

Ilustrasi yang membandingkan pemecahan masalah seperti otak dan berbasis aturan

Ini berhasil untuk masalah sempit tetapi runtuh saat kenyataan menjadi rumit. Otak berkembang dalam situasi yang rumit, aturan tidak.

Pelajari lebih lanjut:

Sejarah Kecerdasan Buatan (Wikipedia) $OPEN

Konferensi Dartmouth: Di Mana "AI" Dilahirkan

Pada musim panas 1956, John McCarthy, Marvin Minsky, Claude Shannon, dan Nathaniel Rochester berkumpul di Dartmouth College untuk Proyek Penelitian Musim Panas AI Dartmouth.

Di sinilah istilah "Kecerdasan Buatan" pertama kali diciptakan. Proposal tersebut menyatakan:

"Setiap aspek pembelajaran atau fitur lain dari kecerdasan pada prinsipnya dapat dijelaskan dengan sangat tepat sehingga sebuah mesin dapat dibuat untuk mensimulasikannya."

Ini bukan hackathon pengkodean. Ini adalah cetak biru untuk sebuah bidang, menunjuk pada jaringan saraf, pencarian, penalaran simbolis, dan bahasa. Mimpinya sudah ditetapkan.

Untuk belajar lebih lanjut:

Konferensi Dartmouth

Dari Aturan ke Pembelajaran: Perceptron

Pada tahun 1957, Frank Rosenblatt bertanya: bagaimana jika mesin bisa belajar seperti neuron? Ia memperkenalkan perceptron, model matematis pertama dari neuron.

Perceptron mengambil input, mengalikan mereka dengan bobot, menambahkan bias, dan menjalankannya melalui fungsi langkah:

f(x) = h(w ⋅ x + b)

Input (xi) = fitur, seperti nilai piksel

Bobot (wi) = pentingnya setiap fitur

Bias (b) = menyesuaikan batas keputusan

Fungsi langkah (h) = output biner (1 atau 0)

Ini menjadikan perceptron sebagai pengklasifikasi linier, mampu menggambar batas garis lurus antara kelas.

Rosenblatt juga membangun perangkat keras: Mark I Perceptron (1960). Ini memiliki grid 20×20 dari sel foto yang berfungsi seperti retina, terhubung secara acak ke unit asosiasi, dengan bobot yang dapat disesuaikan yang diterapkan oleh potensiometer. Motor memperbarui bobot ini selama proses pembelajaran.

Ini mampu mengklasifikasikan pola sederhana dan menciptakan kegembiraan yang besar. The New York Times bahkan mengklaim bahwa suatu hari nanti ia bisa berjalan, berbicara, dan memiliki kesadaran (

Arsip NYT, 1958).