செயற்கை அறிவுத்திறன்

செயற்கை அறிவுத்திறன் என்பது கணினி அல்லது இயந்திரங்கள் கொண்டிருக்கக்கூடிய அறிவுத்திறன் ஆகும். இதை ஆயும், இதை உருவாக்கும் துறையையும் இச்சொல் குறிக்கிறது. மனிதர்களுக்கு ஒத்த அல்லது மனிதர்களைவிட அறிவுத்திறன் கொண்ட இயந்திரங்களை அமைப்பதே இத்துறையின் கருத்திய இலக்கு. இத்துறை கணினி அறிவியலின் ஒரு பிரிவாகும். தமிழில் செயற்கை அறிவுத்திறனை செயற்கை நுண்ணறிவு, செயற்கை அறிவாண்மை என்றும் குறிப்பிடுவர். ஆங்கிலத்தில் ஆர்டிஃபிசியல் இன்டலிஜென்ஸ் அல்லது AI என்று சுருக்காக குறிப்பர்.

பல செயற்கை அறிவுத்திறன் நூல்கள் இத்துறையை "நுண்ணறிவு முகவர்களை ஆயும், வடிவமைக்கும்" துறை என வரையறுக்கின்றன. நுண்ணறிவு முகவர் என்பது தன் சூழ்நிலையை உணர்ந்து அதன் இலக்குக்கேற்ப தனது வெற்றி வாய்ப்புக்களுக்குத் தக்கவாறு செயலில் ஈடுபடும் ஒரு அமைப்பு ஆகும்.

இத்துறை மனிதர்களின் முக்கிய பண்பாண அறிவை அடிப்படையாகக் கொண்டது. இந்த அறிவு எப்படி தொழிற்படுகிறது என்பதை துல்லியமாக அறிந்து, விபரித்து, இயந்திரங்களில் வடிவமைக்க முடியுமா என்பதை இத்துறை ஆய்கிறது. பகுத்தறிவு, இயந்திர கற்றல், திட்டமிடல், பார்வை, உணர்ச்சி, உள்ளுணர்வு, பொது அறிவு என பல முனைகள் செயற்கை அறிவுத்திறனுடன் இணைந்து வருகின்றன.

வரலாறு

முதன்மைக் கட்டுரை: செயற்கை அறிவுத்திறனின் வரலாறு 20 ஆம் நூற்றாண்டின் தொடக்கத்தில் நரம்பணுவியல், தகவல் கோட்பாடு, கட்டுபாட்டியல், சைபர்நெடிக்ஸ் ஆகிய துறைகள் பல புதிய சாத்தியக் கூறுகளை உருவாக்கின. இவை எல்லாவற்றுக்கும் மேலாக, மனிதனின் கணிதவியல் பகுத்தறிதல் செயலைச் செய்யக்கூடிய போன்று உருவாக்கப்பட்ட எண்மிய கணினியின் கண்டுபிடிப்பு ஆகியவற்றின் அடிப்படையில் நுண்ணறிவு இயந்திரங்களை உருவாக்குவதற்கான புதிய அணுகுமுறைகளை ஆராய்ச்சியாளர்கள் தேடத் தொடங்கினர்.

நவீன செயற்கை அறிவுத்திறன் ஆராய்ச்சித் துறையானது, 1956 ஆம் ஆண்டு கோடைக் காலத்தில் டார்ட்மவுத் கல்லூரி வளாகத்தில் நடந்த மாநாட்டில் நிறுவப்பட்டது. இதன் பங்கேற்பாளர்கள் பிற்காலத்தில், பல ஆண்டுகள் செயற்கை அறிவுத்திறன் ஆராய்ச்சியின் தலைவர்களாக இருந்தனர், இதில் ஜான் மெக்கர்த்தி, மார்வின் மின்சிகி, ஆலென் நேவெல் மற்றும் ஹெர்பர்ட் சைமன் ஆகியோர் குறிப்பிடத்தக்கவர்கள், இவர்கள் மிட், கார்னகி மெலன் மற்றும் இசுடான்ஃபோர்டு ஆகிய இடங்களில் செயற்கை அறிவுத்திறன் ஆய்வுக்கூடங்களை நிறுவினர். இவர்களும் இவர்களது மாணவர்களும் எழுதிய நிரல்கள், பெரும்பாலான மக்கள் வியக்கத்தக்க வகையில் இருந்தன: கணினிகள், இயற்கணிதத்திலுள்ள வார்த்தைச் சிக்கல்களைத் தீர்த்தல், தர்க்கரீதியான தேற்றங்களை நிரூபித்தல் மற்றும் ஆங்கிலம் பேசுதல் ஆகிய செயல்களைச் செய்தன. 60 ஆம் ஆண்டுகளின் மத்தியில், இவர்களது ஆராய்ச்சிக்கு, U.S. பாதுகாப்புத் துறை மிக அதிக அளவில் நிதியளித்தது, மேலும் இதில் ஈடுபட்டவர்கள் பின்வரும் யூகங்களைச் செய்தனர்:

• 1965, எச். ஏ. சைமன்: "இருபது ஆண்டுகளுக்குள், மனிதனால் செய்யக்கூடிய எந்த வேலையையும் இயந்திரங்கள் செய்யும்".
• 1967, மார்வின் மின்ஸ்கி: "ஒரு தலைமுறைக்குள் ... 'செயற்கை நுண்ணறிவு' உருவாக்குதலின் சிக்கல்கள் கணிசமாகத் தீர்க்கப்பட்டுவிடும்."

அவர்கள் தாங்கள் எதிர்கொண்ட சில சிக்கல்களின் கடுமையைக் கண்டுணரவில்லை. 1974 ஆம் ஆண்டில், இங்கிலாந்தின் சர் ஜேம்ஸ் லைட்ஹில்லின் திறனாய்வுக்கு மறுவினையாகவும் அதிக உற்பத்தித்திறனுடைய திட்டங்களுக்கு நிதியளிக்குமாறு காங்கிரஸ் கொடுத்த நெருக்கடியினாலும் அமெரிக்க மற்றும் பிரிட்டிஷ் அரசாங்கங்கள், சிறந்த இலக்கற்ற மற்றும் விளக்கவியல் சார்ந்த செயற்கை அறிவுத்திறன் ஆராய்ச்சிகள் அனைத்தையும் நிறுத்தின, இது முதல் செயற்கை அறிவுத்திறன் முடக்க காலம் உருவாக வழிவகுத்தது.

1980 ஆம் ஆண்டுகளின் தொடக்கத்தில், expert systems, இன் வர்த்தக வெற்றியால், செயற்கை அறிவுத்திறன் ஆராய்ச்சியானது மீண்டும் உயிரூட்டப்பட்டது, இது ஒன்று அல்லது அதற்கு மேற்பட்ட மனித நிபுணர்களின் அறிவு மற்றும் பகுத்துணரும் திறன் ஆகியவற்றை உருவாக்கக்கூடிய செயற்கை அறிவுத்திறன் நிரலின் ஒரு வடிவமாகும். 1985 ஆம் ஆண்டுக்குள், செயற்கை அறிவுத்திறன் சந்தையானது ஒரு பில்லியன் டாலர்களைத் தொட்டது, இதனால் அரசாங்கங்கள் மீண்டும் நிதியளிக்கத் தொடங்கின. சில ஆண்டுகளுக்குப் பின்னர், 1987 ஆம் ஆண்டில் Lisp கணினிச் சந்தை வீழ்ச்சியடையத் தொடங்கியதால், செயற்கை அறிவுத்திறன் மீண்டும் மிகத்தாழ்வான நிலைக்குத் தள்ளப்பட்டது, இதனால் இரண்டாம், நீண்டகாலம் நிலைக்கக்கூடிய செயற்கை அறிவுத்திறன் முடக்க காலம் தொடங்கியது.

90 ஆம் ஆண்டுகளிலும் 21 ஆம் நூற்றாண்டின் தொடக்கத்திலும், செயற்கை அறிவுத்திறன் துறை மிக அபாரமான வெற்றிகளை அடைந்தது, இருப்பினும் இது சிறிது காட்சிக்கு எட்டாவண்ணமே இருந்தது. செயற்கை நுண்ணறிவானது, லாஜிஸ்டிக்ஸ், தரவு செயலாக்கம், மருத்துவ அறுதியிடல் மற்றும் தொழில்நுட்ப தொழிற்சாலைகள் முழுவதும் பிற பல துறைகளிலும் பயன்படுத்தப்படுகிறது. வெற்றிக்கான பல்வேறு காரணிகள்: இன்றைய கணினிகளின் வியக்கத்தகு திறன் (காண்க: மூரின் விதி), குறிப்பிட்ட துணைச்சிக்கல்களைத் தீர்ப்பதற்கான மிகுந்த சிரத்தை, செயற்கை அறிவுத்திறன் மற்றும் இதே போன்ற சிக்கல்களைக் கையாளும் பிற துறைகளுடனான ஒத்துழைப்பு மற்றும் இவை எல்லாவற்றிற்கும் மேலாக, சிறந்த கணிதவியல் வழிமுறைகள் மற்றும் பெரும் அறிவியல் தரத்திட்டங்கள் ஆகியவற்றில் ஆராய்ச்சியாளர்கள் வழங்கிய புதிய பங்களிப்பும் ஒரு முக்கிய காரணமாக இருந்தது.

சிக்கல்கள்

அறிவு மாதிரியாக்கல் (அல்லது உருவாக்குதல்) சிக்கலானது குறிப்பிட்ட எண்ணிக்கையிலான துணை சிக்கல்களாக பகுப்படைந்தது. இவை ஆராய்ச்சியாளர்கள் தோற்றுவிக்க விரும்பிய நுண்ணறிவு அமைப்பின் குறிப்பிட்ட தனிக்கூறுகள் அல்லது திறன்களைக் கொண்டிருந்தன. கீழே விவரிக்கப்பட்டுள்ள தனிக்கூறுகள் மிகுந்த கவனத்தைப் பெற்றுன.

பொருத்தியறிதல், பகுத்தறிதல், சிக்கல் தீர்த்தல்

முதலில் செயற்கை அறிவுத்திறன் ஆராய்ச்சியாளர்கள், மனிதர்களின் புதிர்களைத் தீர்த்தல், சீட்டு விளையாட்டுகளை விளையாடுதல் அல்லது தர்க்கரீதியாக பொருத்தியறிதல்களை உருவாக்குதல் போன்றவற்றில் பயன்படுத்தும் படிப்பபடியான பகுத்தறிதலைப் போன்ற வழிமுறைகளை உருவாக்கினர். 80 ஆம் ஆண்டுகளின் இறுதி மற்றும் 90 ஆம் ஆண்டுகளில், நிகழ்தகவு மற்றும் பொருளாதாரம் ஆகியவற்றிலுள்ள கருத்துகளைப் பயன்படுத்தி, உறுதியற்ற அல்லது முழுமைபெறாத தகவல்களைக் கையாள்வதற்கான மிக வெற்றிகரமான முறைகளை செயற்கை அறிவுத்திறன் ஆராய்ச்சி உருவாக்கியது.

மிகவும் கடினமான சிக்கல்களுக்கு, இந்த வழிமுறைகளைப் பயன்படுத்த மிகப்பெரிய கணிப்பு வளங்கள் தேவைப்படலாம் - இவற்றில் பெரும்பாலானவை "சேர்க்கை வெடிப் பெருக்கத்தை" அடைகின்றன: சிக்கல் அளவு ஒரு குறிப்பிட்ட எல்லையைக் கடந்து செல்லும்போது அதற்குத் தேவையான நினைவகத்தின் அளவு அல்லது கணினியின் நேரம் ஆகியவை அளவிடமுடியாத அளவிற்கு அதிகரிக்கிறது. செயற்கை அறிவுத்திறன் ஆராய்ச்சியில் மிகவும் சிறந்த சிக்கல் தீர்க்கும் வழிமுறைகளின் தேடலே அதிக முன்னுரிமை பெற்றது.

மனிதர்கள், அவர்களின் பெரும்பாலான சிக்கல்களை, பழைய செயற்கை அறிவுத்திறன் ஆராய்ச்சி மாதிரியாக முயற்சித்த உணர்நிலை, படிப்படியான பொருத்தியறிதலுக்குப் பதிலாக வேகமான, உள்ளுணர்வு தீர்ப்புகளின் மூலமே தீர்க்கின்றனர். இந்த வகையான "துணைக் குறியீட்டு" சிக்கல் தீர்த்தலை உருவாக்குவதில் செயற்கை அறிவுத்திறன் ஓரளவு முன்னேற்றம் கண்டது: உயர்ந்த பகுத்தறிதலுக்கான உணர்திறன் இயந்திரத்தின் திறன்களின் முக்கியத்துவத்தை உள்ளடக்க அணுகுமுறைகள் வலியுறுத்துகின்றன, நரம்பியல் வலையமைப்பு ஆராய்ச்சியானது, இந்தத் திறனை அதிகரிக்கச் செய்வதற்காக, மனித மற்றும் விலங்கு மூளைகளின் உள்ளமைப்பைப் போன்ற அமைப்புகளை உருவாக்க முயற்சிக்கின்றன.

அறிவு விளக்கச் செயல்பாடு

முதன்மைக் கட்டுரைகள்: Knowledge representation மற்றும் Commonsense knowledge

அறிவு விளக்கச் செயல்பாடு மற்றும் கணினி-அறிவுப் பொறியியல் ஆகியவை செயற்கை அறிவுத்திறன் ஆராய்ச்சிக்கு முக்கியமானவை. கணினிகள் தீர்க்க வேண்டிய சிக்கல்களில் பெரும்பாலானவற்றைத் தீர்க்க, உலகம் பற்றிய விரிவான அறிவு தேவைப்படுகிறது. செயற்கை அறிவுத்திறன் எடுத்துரைக்க வேண்டியவற்றில் இவையும் அடங்கும்: பொருட்கள், பண்புகள், வகைகள் மற்றும் பொருட்களுக்கு இடையேயான தொடர்புகள்; சூழ்நிலைகள், நிகழ்வுகள், நிலைகள் மற்றும் காலம்; காரணங்கள் மற்றும் விளைவுகள்; அறிவைப் பற்றிய அறிவு (மற்றவர் என்ன அறிந்துள்ளனர் என்பது பற்றி நாம் என்ன அறிந்துள்ளோம் என்பது); மற்றும் பல, நன்கு ஆராயப்படாத பகுதிகள். உள்ளியம் என்பது "என்ன இருக்கிறது" என்பதற்கான முழுமையான விளக்கமாகும் (இந்த வார்த்தை மரபியல் தத்துவத்தில் இருந்து பெறப்பட்டது), அவை பொதுவாக உயர்நிலை உள்ளியங்கள் என்று அழைக்கப்படுகின்றன.

அறிவு விளக்கத்தில் உள்ள மிகக் கடினமான சிக்கல்கள்:

இயல்பான பகுத்தறிதல் மற்றும் தகுதிச் சிக்கல்

மக்கள் அறிந்துள்ளவற்றில் பெரும்பாலானவை "தகுந்த அனுமானங்கள்" என்ற வடிவத்திலேயே உள்ளன. எடுத்துக்காட்டாக, ஒரு பறவை பற்றிய பேச்சு எழும்போது, பொதுவாக மக்கள் கைப்பிடி அளவுள்ள, பாடுகின்ற மற்றும் பறக்கின்ற ஒரு உயிரினத்தைக் கற்பனை செய்கின்றனர். இவையனைத்தும் அனைத்துப் பறவைகளுக்கும் பொருந்துவதில்லை. 1969 ஆம் ஆண்டில் ஜான் மெக்கர்த்தி இந்தச் சிக்கலை தகுதிச் சிக்கல் எனக் கண்டறிந்தார் : செயற்கை அறிவுத்திறன் ஆராய்ச்சியாளர்கள் விளக்க முற்படும் எந்தப் பகுத்தறிவு விதியும், பல விதிவிலக்குகள் இருப்பது இயல்பு. கருத்துநிலைத் தர்க்கத்திற்குத் தேவையான சரி அல்லது தவறு என்ற இரு வடிவத்தில் மட்டுமே எதுவும் இருப்பதில்லை. செயற்கை அறிவுத்திறன் ஆராய்ச்சியானது இந்தச் சிக்கலுக்கு பல தீர்வுகளை ஆராய்ந்துள்ளது.

பொது அறிவு

சராசரி மனிதனுக்குத் தெரிந்த அணுக்கள் பற்றிய பல உண்மைகள் எண்ணிலடங்காதன. பொது அறிவுத்திறனின் ஒரு முழுமையான அறிவுத் தொகுப்பை உருவாக்க முயற்சித்த ஆராய்ச்சிப் பணித்திட்டங்களுக்கு (எ.கா., Cyc) உள்ளியப் பொறியியலில் பெரிய அளவிலான நீடித்த உழைப்பு தேவைப்படுகிறது — ஒரே நேரத்தில் அவற்றை இயந்திர உதவியில்லாமல் கண்டிப்பாக உருவாக்க வேண்டியிருந்தது. கணினியே, இணையம் போன்ற ஆதாரங்களிலிருந்து படித்து அறிந்துகொள்ளக் கூடிய போதுமான அளவு கருத்துகளை புரிந்துகொள்ள வைப்பதே முக்கிய இலக்காகும், மேலும் அவற்றை அதன் உள்ளியத்துடன் சேர்த்துக்கொள்ள முடிய வேண்டும்.

சில பொது அறிவுத்திறன்களின் துணைக் குறியீட்டு வடிவம்

மக்கள் அறிந்துள்ளவற்றில் பெரும்பாலானவை, அவர்கள் வெளியே கூறக் கூடிய "தகவல்கள்" அல்லது "அறிக்கைகளாக" விளக்கப்படுவதில்லை. எடுத்துக்காட்டாக, ஒரு தேர்ச்சி பெற்ற செஸ் வீரர் "மிகவும் பாதுகாப்பற்றது எனக் கருதும்" காரணத்தால் ஒரு குறிப்பிட்ட செஸ் நிலையைத் தவிர்ப்பார் அல்லது ஒரு கைதேர்ந்த சிற்பி ஒரு சிலையைப் ஒரு முறை பார்த்தவுடனே அது போலி என்பதை உணர்ந்திடுவார். இவை மூளையில் உணர்நிலை அல்லாத விதத்திலும் துணைக்குறியீட்டு முறையிலும் விளக்கப்படும் உள்ளுணர்வுகள் அல்லது அணுகுமுறைகள் ஆகும். இது போன்ற அறிவே, குறியீட்டு அடிப்படையிலான உணர்நிலை அறிவுக்கு உணர்த்துகிறது, ஆதரவளிக்கிறது மற்றும் ஒரு சூழலை வழங்குகிறது. துணைக்குறியீட்டு பகுத்தறிதல் தொடர்பான சிக்கலில், இந்த வகையான அறிவை வெளிப்படுத்தும் வழிகளை, இடம்பெற்றுள்ள செயற்கை அறிவுத்திறன் அல்லது கணினி சார்ந்த நுண்ணறிவு வழங்கும் என்று நம்பப்படுகிறது.

திட்டமிடுதல்

முதன்மைக் கட்டுரை: Automated planning and scheduling

நுண்ணறிவுக் கருவிகள் கண்டிப்பாக இலக்குகளை அமைத்து அவற்றை அடையும் திறனுடைவையாக இருக்க வேண்டும். அவை எதிர்காலத்தைக் காட்சிப்படுத்தும் வழியைக் கொண்டிருக்க வேண்டும் (அவை உலகின் தற்போதைய நிலைக்கான விளக்கத்தைகொண்டிருக்க வேண்டும் மேலும் அவற்றின் செயல்பாடுகள் எவ்வாறு அதனை மாற்றப்போகிறது என்பதற்கான முன் கணிப்புகளை உருவாக்க முடிய வேண்டும்) மேலும் கிடைக்கும் தேர்வுகளின் பயன்பாட்டை (அல்லது "மதிப்பை") அதிகப்படுத்தும் வகையிலான வழிகளைத் தேர்வு செய்ய முடிய வேண்டும்.

சில திட்டமிடல் சிக்கல்களில் கருவியானது, உலகில் அது மட்டுமே இருப்பதாகவும் செயல்படுவதாகவும் அனுமானித்துக்கொள்ளலாம், மேலும் அதன் செயல்பாடுகளால் ஏற்படும் விளைவுகள் குறித்து அவை நிச்சயமாக இருக்க முடியும். இருப்பினும், அது உண்மையில்லை என்றால் உலகம் சார்ந்த அதன் ஊகங்களின் பொருத்தங்களை சரிபார்த்து அதைப் பொறுத்து தனது திட்டத்தை தேவைக்கேற்ப அடிக்கடி மாற்றம் செய்யவேண்டும். காரணம், கருவியானது நிச்சயமின்மையின் அடிப்படையில் முடிவெடுக்க வேண்டும்.

பல-ஏஜெண்ட் திட்டமிடலானது, கொடுக்கப்பட்ட குறிக்கோளை அடைவதற்கு பல ஏஜெண்டுகளிடையேயான ஒத்துழைப்பையும் போட்டியையும் பயன்படுத்துகிறது. இது போன்ற தன்னிச்சை நடத்தையானது பரிணாம வழிமுறைகள் மற்றும் திரள் நுண்ணறிவு ஆகியவற்றால் பயன்படுத்தப்படுகிறது.

கற்றல்

முதன்மைக் கட்டுரை: Machine learning

இயந்திரக் கற்றல் என்பது தொடக்கத்திலிருந்தே செயற்கை அறிவுத்திறன் ஆராய்ச்சிக்கு விளங்கி வருகிறது. மேற்பார்வையின்றி கற்றல் என்பது தொடர்ச்சியான உள்ளீடுகளில் குறிப்பிட்ட வகை அம்சத்தைக் கண்டறியும் திறனாகும். மேற்பார்வையில் கற்றல் என்பது வகைப்படுத்தல் (பல்வேறு வகைகளில் இருந்து பல மாதிரிகளின் எடுத்துக்காட்டுக்களைப் பார்த்த பிறகு, ஒன்று எந்த வகையைச் சேர்ந்தது எனக் கண்டறிய முடிவது) மற்றும் ஒப்பீட்டுத் தீர்வு (கொடுக்கப்பட்ட பல உள்ளீடு/வெளியீடு மாதிரிகள் தொகுப்பில், உள்ளீடுகளிலிருந்து தொடர்ச்சியான வெளியீடுகளை வழங்கும் சார்பைக் கண்டுபிடிப்பது) இரண்டையும் உள்ளடக்கியது ஆகும். வலுவூட்டல் கற்றலில் கருவியானது நல்ல பதில்களுக்கு வெகுமதியும் தவறுகளுக்கு தண்டனையும் பெறுகிறது. இவற்றை தீர்வுகாணல் கொள்கையின் கருத்துகளின்படி பயன்பாடு போன்ற கருத்துக்களைப் பயன்படுத்தி பகுப்பாய்வு செய்யமுடியும். இயந்திரக் கற்றல் வழிமுறைகளின் கணிதவியல் பகுப்பாய்வுகள் மற்றும் அவற்றின் செயல்திறன் என்பது கணினி கற்றல் கொள்கை எனப்படும் கருத்தியல் கணினி அறிவியலின் ஒரு துறையாகும்.

இயற்கை மொழி செயலாக்கம்

முதன்மைக் கட்டுரை: Natural language processing

இயல்பு மொழித் தகவலியல் என்பது மனிதர்கள் பேசும் மொழிகளை படிக்கும் மற்றும் புரிந்துகொள்ளும் திறனை இயந்திரங்களுக்கு வழங்குகிறது. போதுமான திறனுள்ள இயல்பு மொழித் தகவலியல் அமைப்பால், இணையத்தில் கிடைக்கும் உரைகளைப் படிப்பதன் மூலம் தானாகவே அறிவைப் பெற முடியும் என்று பல ஆராய்ச்சியாளர்கள் நம்புகிறார்கள். இயல்பு மொழித் தகவலியலின் சில நேரடியான பயன்பாடுகள், தகவல் தரவு பெறுதல் (அல்லது உரைத் தரவு செயலாக்கம்) மற்றும் இயந்திர மொழிபெயர்ப்பு ஆகியவற்றை உள்ளடக்கியது.

இயக்கமும் கையாளுதலும்

ASIMO இயந்திர மனிதனானது எதிரே உள்ள பொருள்களில் மோதாமல் தவிர்க்க உணர்கருவிகளையும் நுண்ணறிவு வழிமுறைகளையும் பயன்படுத்துகிறது மேலும் அது படிகளில் ஏறக்கூடியதும் ஆகும்.

முதன்மைக் கட்டுரை: Robotics

ரோபோவியல் துறையானது செயற்கை அறிவுத்திறனுக்கு மிகவும் நெருக்கமானது. இது, பொருட்களைக் கையாளுதல் மற்றும் வழிச்செலுத்துதல் ஆகிய பணிகளுக்கும் இடமறிதல் (எங்கு இருக்கிறீர்கள் என்று அறிதல்), தன்னிலையறிதல் (உங்களைச் சுற்றி என்ன உள்ளது என்பதைக் கற்றல்) மற்றும் இயக்கத் திட்டமிடல் (அங்கு எவ்வாறு செல்வது என்பதைக் கண்டறிதல்) போன்ற துணைச் சிக்கல்களுக்கும் ரோபோக்களுக்கு நுண்ணறிவு அவசியம்.

புலனறிதல்

முதன்மைக் கட்டுரைகள்: Machine perception, Computer vision, மற்றும் Speech recognition

இயந்திரப் புலனறிதல் என்பது உணர்கருவிகளிலிருந்து (கேமராக்கள், மைக்ரோபோன்கள், சோனார் மற்றும் பிற விந்தையானவை) வரும் உள்ளீடுகளைப் பயன்படுத்தி உலகின் தன்மைகளை உய்த்தறியும் திறனாகும். கணினி பார்வை என்பது காட்சி உள்ளீட்டை பகுப்பாயும் திறனாகும். பேச்சு ஏற்பு, பொருள் ஏற்பு மற்றும் முக ஏற்பு ஆகியவை சில துணைச் சிக்கல்கள் ஆகும்.

சமூக நுண்ணறிவு

முதன்மைக் கட்டுரை: Affective computing

கிஸ்மத், வளர்ச்சியற்ற சமூகத் திறன்களைக் கொண்ட ஒரு ரோபோ

ஒரு நுண்ணறிவுக் கருவிக்கு, உணர்ச்சி மற்றும் சமூகத் திறன்கள் ஆகியன இரண்டு பங்கை வகிக்கின்றன:

• இது மற்றவர்களின் செயல்பாடுகளை அவர்களின் நோக்கங்கள் மற்றும் உணர்ச்சி நிலைகளை புரிந்துகொள்வதன் மூலம் கண்டிப்பாக யூகிக்க முடிய வேண்டும். (இதில் விளையாட்டுக் கொள்கை, தீர்வுகாணல் கொள்கை ஆகியவற்றின் கூறுகளும், அதே போன்று உணர்ச்சிகளைக் கண்டறிவதற்கான மனித உணர்ச்சிகளின் மாதிரி உருவாக்குதல் திறன் மற்றும் உய்த்தறியும் திறன்கள் ஆகியன அடங்கும்.)
• நல்ல மனிதன்-கணினி தொடர்புக்கு, ஒரு நுண்ணறிவு இயந்திரமானது உணர்ச்சிகளைக் காட்சிப்படுத்துவது அவசியம் — குறைந்தபட்சம் தொடர்புகொள்ளும் மனிதர்களிடம் தொடர்புகொள்வதில் பணிவாகவும் உணர்திறனுள்ளவையாகவும் தோன்ற வேண்டும். இது இயல்பான உணர்வுகளைத் தன்னகத்தே கொண்டிருப்பது மிகவும் சிறப்பு.

படைப்புத்திறன்

முதன்மைக் கட்டுரை: Computational creativity

TOPIO, TOSY நிறுவனத்தால் உருவாக்கப்பட்ட பிங்க்-பாங் விளையாடக்கூடிய ஒரு ரோபோ.

செயற்கை அறிவுத்திறனின் துணைத் துறையானது, படைப்புத்திறனை கொள்கை ரீதியாகவும் (தத்துவ ரீதியாகவும் உளவியல் பார்வையிலும்) (படைப்புத்திறனாகக் கருதப்படக்கூடிய வெளியீடுகளை உருவாக்கும் முறைமைகளைச் செயல்படுத்துவதன் மூலம்) செயல்முறையாகவும் அணுகுகிறது.

பொது நுண்ணறிவு

முதன்மைக் கட்டுரைகள்: Strong AI மற்றும் AI-complete

பொரும்பாலான ஆராய்ச்சியாளர்கள், அவர்களின் பணியானது, இறுதியாக பொது நுண்ணறிவு (வலிமையான செயற்கை அறிவுத்திறன் என்றழைக்கப்படுகிறது), மனிதனின் அனைத்துத் திறன்களுக்கும் மேலானவற்றைக் கொண்டிருக்கும் அல்லது அவற்றில் பெரும்பாலானவற்றைக் கொண்டிருக்கும் வகையில் மேலேகூறிய திறன்கள் அனைத்தையும் ஒருங்கே அமைக்கப்பட்டு ஓர் இயந்திரத்தில் உள்ளமைக்கப்படும் என நம்புகின்றனர். சிலர் அது போன்ற திட்டத்திற்கு செயற்கை உணர்நிலை அல்லது ஒரு செயற்கை மூளை போன்ற மனிதவுருவக அம்சங்கள் தேவைப்படுவதாக நம்புகின்றனர்.

மேலே கூறிய பல சிக்கல்கள் செயற்கை அறிவுத்திறனின் கடும் சிக்கல்களாகக் கருதப்படுகின்றன: ஒரு சிக்கலைத் தீர்க்க, கண்டிப்பாக அந்தச் சிக்கல்கள் அனைத்தையும் தீர்க்க வேண்டும். எடுத்துக்காட்டாக, இயந்திர மொழிபெயர்ப்பு போன்ற ஒரு நேரடியான தனித்துவமான பணிக்கும், ஆசிரியரின் வாதத்தை (காரணம்) இயந்திரம் பின்பற்ற வேண்டியதும் எதைப் பற்றிப் பேசப்படுகிறது என்பதைத் தெரிந்து வைத்திருப்பதும் (அறிவு) ஆசிரியரின் கருத்தை உண்மையாக வெளிப்படுத்துவதும் (சமூக நுண்ணறிவு) அவசியமாகிறது. ஆகவே இயந்திர மொழிபெயர்ப்பு, செயற்கை அறிவுத்திறனின் கடும் சிக்கல் என நம்பப்படுகிறது: அதற்கு மனிதர்கள் செய்வது போன்றே வலிமையான செயற்கை அறிவுத்திறன் தேவைப்படுகிறது.

தீர்வு அணுகுமுறைகள்

செயற்கை அறிவுத்திறன் ஆராய்ச்சிக்கு வழிகாட்டி என்று கருதக்கூடிய வகையிலான சிறந்த ஒருமித்த கொள்கை அல்லது முன்னுதாரணம் எதுவும் இல்லை. ஆராய்ச்சியாளர்கள் பல கருத்துக்களில் முரண்படுகின்றனர். இவை நிண்ட காலமாகவே பதிலளிக்கப்படாத கேள்விகளாகும்: உளவியல் அல்லது நரம்பியலைப் படிப்பதன் மூலம் செயற்கை நுண்ணறிவானது இயற்கையான நுண்ணறிவைப் போலவே ஒன்றை உருவாக்க வேண்டுமா? அல்லது பறவையின் உயிரியலானது வானூர்திப் பொறியியலுடன் தொடர்பற்றது என்பதைப் போலவே மனிதனின் உயிரியலானது செயற்கை அறிவுத்திறன் ஆராய்ச்சியுடன் தொடர்பற்றதா? நுண்ணறிவு நடத்தையை (தர்க்கம் அல்லது சிறந்ததைத் தேர்ந்தெடுத்தல் போன்ற) எளிய தத்துவங்களின் மூலம் விளக்க முடியுமா? அல்லது அதற்கு ஒன்றுக்கொன்று கொஞ்சமும் தொடர்பில்லாத பல சிக்கல்களைத் தீர்ப்பது அவசியமா? சொற்கள் மற்றும் கருத்துக்களைப் போலவே உயர் நிலைக் குறியீடுகளைப் பயன்படுத்தி நுண்ணறிவை உருவாக்க முடியுமா? அல்லது அதற்கு "துணைக் குறியீடுகள்" செயலாக்கம் தேவையா?

தன்னாள்வியலும் மூளை உருவாக்கமும்

முதன்மைக் கட்டுரைகள்: Cybernetics மற்றும் Computational neuroscience

மனித மூளையானது செயற்கை நுண்ணறிவு ஆய்வாளர்களுக்கு ஊக்கத்தை வழங்குகிறது, இருந்தாலும் மனிதமூளையை கண்டிப்பாக எவ்வாறு ஒத்திருப்பது என்பதில் கருத்தொற்றுமை இல்லை.

1940 ஆம் ஆண்டுகளிலும் 1950 ஆம் ஆண்டுகளிலும், பல ஆராய்ச்சியாளர்கள் நரம்பியல், தகவல் கொள்கை மற்றும் தான்னாள்வியல் ஆகியவற்றுக்கிடையே உள்ள தொடர்பை வெளிக்கொணர்ந்தனர். அவர்களில் சிலர், டபள்யூ. கிரே வால்டரின் டர்ட்டில்கள் மற்றும் ஜான்ஸ் ஹோப்கின்ஸ் பீஸ்ட் போன்ற, அடிப்படை நுண்ணறிவை ஒத்த வகையில் இயங்க மின்னணு நெட்வொர்க்குகளைப் பயன்படுத்திய இயந்திரங்களை உருவாக்கினர். இந்த ஆராய்ச்சியாளர்களில் பலர் பிரின்ஸ்டன் பல்கலைகழகம் மற்றும் இங்கிலாந்தில் உள்ள ரேஷியோ கிளப் ஆகிய இடங்களில் உள்ள நோக்கவியல் உளவியல் சங்கத்தில் மாநாடுகளைக் கூட்டினர். 1960 ஆம் ஆண்டுகளில், இந்த வகை அணுகுமுறை பெரிதும் கைவிடப்பட்டது, இருப்பினும் அதன் அம்சங்கள் மீண்டும் 1980 ஆம் ஆண்டுகளில் மறுபரிசீலினை செய்யப்பட்டன.

பாரம்பரிய குறியீட்டு செயற்கை அறிவுத்திறன்

முதன்மைக் கட்டுரை: Good old fashioned artificial intelligence

1950 ஆம் ஆண்டுகளின் மத்தியில் டிஜிட்டல் கணினிகளுக்கான அணுகல் சாத்தியமானபோது, மனித நுண்ணறிவை குறியீடுகளின் அமைப்புகளாக வடிவமைப்பது சாத்தியமா என செயற்கை அறிவுத்திறன் ஆராய்ச்சித் துறை ஆராயத் தொடங்கியது. இந்த ஆராய்ச்சி பிரதானமாக மூன்று நிறுவனங்களில் நிகழ்த்தப்பட்டது: CMU, ஸ்டான்ஃபோர்டு மற்றும் MIT ஆகிய நிறுவனங்களே அவை. மேலும் அவை ஒவ்வொன்றும் தனக்கே உரிய பாணியில் ஆராய்ச்சியை மேற்கொண்டன. ஜான் ஹாயக்லேண்ட், இந்த செயற்கை அறிவுத்திறன் அணுகுமுறைகளை "சிறந்த பழைய வகை செயற்கை அறிவுத்திறன்" அல்லது "GOFAI" என அழைக்கிறார்.

அறிநிலை உருவாக்கம்

பொருளியலாளர் ஹெர்பர்ட் சைமன் மற்றும் ஆலன் நேவெல் ஆகியோர் மனிதனின் சிக்கல் தீர்ப்புத் திறன்களை ஆராய்ந்து அவற்றைச் சூத்திரப்படுத்த முயற்சித்தனர், மேலும் அவர்களின் இந்தச் செயல் செயற்கை நுண்ணறிவு மற்றும் அறிநிலை அறிவியல், செயல்முறை ஆய்வுகள் மற்றும் மேலேண்மை அறிவியல் ஆகிய அனைத்துத் துறைகளுக்குமான அடிப்படையை உருவாக்கியது. அவர்களின் ஆராய்ச்சிக் குழுவினர், மனிதனின் சிக்கல் தீர்ப்புத் திறனுக்கும் அவர்கள் உருவாக்கிவந்த ("General Problem Solver" போன்ற) நிரல்களுக்கும் உள்ள ஒப்புமைகளை விளக்க பல உளவியல் சோதனைகளை மேற்கெண்டனர். கார்னகி மெலன் பல்கலைக்கழகத்தில் உருவான இந்த மரபு தொடர்ந்து 1980 ஆம் ஆண்டுகளின் மத்தியில் Soar கட்டமைப்புக்கு வழிகோளியது.

தர்க்க ரீதியான செயற்கை அறிவுத்திறன்

நேவெல் மற்றும் சைமன் ஆகியோர் போலன்றி, இயந்திரங்கள் மனித சிந்தனையை மீண்டும் உருவாக்கத் தேவையில்லை, மாறாக தனிப்பட்ட சிந்தனை மற்றும் சிக்கல் தீர்த்தல் திறன்களின் சாரத்தை மட்டும் கொண்டிருந்தாலே போதும், இதற்கு அவை மனிதர்கள் பயன்படுத்தும் அதே சிந்தனை வழிமுறைகளைப் பயன்படுத்த வேண்டும் என்ற அவசியமும் இல்லை என ஜான் மேக்கர்த்தி கருதினார். ஸ்டான்ஃபோர்டில் உள்ள அவரது ஆய்வகம் (SAIL), அறிவு விளக்கச் செயல்பாடு, திட்டமிடல் மற்றும் கற்றல் உட்பட பல வகையான சிக்கல்களைத் தீர்ப்பதற்கான முறையான தர்க்கத்தைப் பயன்படுத்துவதில் கவனம் செலுத்தியது. எடின்பர்க் பல்கலைக்கழகத்தில் நிகழ்த்தப்பட்ட பணிகளிலும் Prolog நிரலாக்க மொழி மற்றும் தர்க்க நிரலாக்கம் ஆகியவை உருவாக வழிகோளிய செயல்பாடுகள் ஐரோப்பாவில் எங்கெல்லாம் நிகழ்ந்ததோ அங்கெல்லாமும் தர்க்கம் என்பதே மையக் கருத்தாக இருந்தது.

"சீரற்ற" குறியீட்டு செயற்கை அறிவுத்திறன்

MIT இன் (மார்வின் மின்ஸ்கி மற்றும் சேய்மொர் பேபெர்ட் போன்ற) ஆராய்ச்சியாளர்கள் , பார்வை மற்றும் இயல்பு மொழித் தகவலியல் ஆகியவற்றில் கடினமான சிக்கல்களைத் தீர்ப்பதற்கு தனித்துவமான தீர்வுகள் தேவை எனக் கண்டறிந்தனர் – மேலும் நுண்ணறிவு நடத்தையின் அனைத்து அம்சங்களையும் கையாளும் வகையிலான (தர்க்கம் போன்ற) எளிய மற்றும் பொதுவான தத்துவம் எதுவும் இல்லை எனவும் வாதிட்டனர். ரோஜர் ஸ்ஹான்க், அவர்களின் "தர்க்கத்திற்கு எதிரான" அணுகுமுறையை (CMU மற்றும் ஸ்டான்ஃபோர்டில் காணப்பட்ட "தெளிவான" வழிமுறைகளைப் போல இல்லாமல்) "சீரற்றது" என விவரிக்கிறார். (டக் லெனாட்டின் Cyc போன்ற) பொது அறிவுத்திறன் தொகுப்புகள் "சீரற்ற" செயற்கை அறிவுத்திறனுக்கு எடுத்துக்காட்டுகளாகும், காரணம் அவற்றைக் கைமுறையாக உருவாக்க வேண்டியிருந்தது அதே நேரத்தில் மிகவும் சிக்கலான கருத்தாகவும் இருந்தது.

அறிவை அடிப்படையாகக் கொண்ட செயற்கை அறிவுத்திறன்

1970 ஆம் ஆண்டுகளில் அதிக நினைவகங்களைக் கொண்ட கணினிகள் கிடைத்த போது, மூன்று மரபுகளைச் சேர்ந்த ஆராய்ச்சியாளர்களும் செயற்கை அறிவுத்திறன் பயன்பாடுகளில் அறிவை உள்ளமைக்கத் தொடங்கினர். இந்த "அறிவுப் புரட்சியானது" முதன் முதல் உண்மையான வெற்றிகரமான செயற்கை அறிவுத்திறன் மென்பொருள் வடிவமான வல்லமைபடைத்த அமைப்புகளின் (எட்வர்டு ஃபெயிகென்பம் அறிமுகப்படுத்தியது) உருவாக்கத்திற்கும் வினியோகத்திற்கும் வழிகோளியது. பல எளிய செயற்கை அறிவுத்திறன் பயன்பாடுகளுக்கும் பெருமளவிலான அறிவு தேவைப்படும் என்பதை உணர்ந்ததும் இந்த அறிவுப் புரட்சிக்கு காரணமாகும்.

துணைக் குறியீட்டு செயற்கை அறிவுத்திறன்

1960 ஆம் ஆண்டுகளின் போது, சிறிய விளக்க நிரல்களில் உயர் நிலை சிந்தனைகளை உருவாக்குவதில் குறியீட்டு அணுகுமுறைகள் பெரும் வெற்றி கண்டன. தன்னாள்வியல் அல்லது நரம்பியல் வலையமைப்புகளை அடிப்படையாகக் கொண்ட அணுகுமுறைகள் கைவிடப்பட்டன அல்லது பின்னுக்குத் தள்ளப்பட்டன. இருப்பினும் 1980 ஆம் ஆண்டுகளில், குறியீட்டு முறைகளின் முன்னேற்றம் நின்றுவிட்டது, மேலும் குறியீட்டு முறைகள் மனித சிந்தனையின் அனைத்துச் செயல்களையும் செய்ய முடியாது எனப் பலர் நம்பினர், குறிப்பாக புலன் உணர்வு, ரோபோவியல், கற்றல் மற்றும் வகை அறிதல். பல ஆராய்ச்சியாளர்கள் தனிப்பட்ட செயற்கை அறிவுத்திறன் சிக்கல்களுக்கு "துணைக் குறியீட்டு" அணுகுமுறைகளைப் பயன்படுத்த்திப் பார்க்கத் தொடங்கினர்.

அடி முதல் நுனி வரை, உள்ளமைக்கப்பட்ட, இடம்பெற்றுள்ள, நடத்தை அடிப்படையிலான அல்லது நௌவெல்லி செயற்கை அறிவுத்திறன்

ரோபோவியலுக்குத் தொடர்புடைய துறைகளைச் சேர்ந்த ரோட்னி ப்ரூக்ஸ் போன்ற ஆராய்ச்சியாளர்கள், குறியீட்டு செயற்கை அறிவுத்திறனை நிராகரித்து ரோபோக்கள் நகரவும் வசிக்கவும் தேவையான அடிப்படை பொறியியல் சிக்கல்களில் கவனத்தைச் செலுத்தினர். அவர்களின் பணி, 50களைச் சேர்ந்த முந்தைய தன்னாள்வியல் ஆராய்ச்சியாளர்களின் குறியீடற்ற கருத்தியலுக்கு புத்துயிரளிப்பதாக இருந்தது, மேலும் செயற்கை அறிவுத்திறனில் கட்டுப்பாட்டுக் கொள்கையை அறிமுகப் படுத்தியது. இந்த அணுகுமுறைகள் கருத்தியலின்படி உள்ளமைக்கப்பட்ட மன ஆய்வறிக்கையுடன் தொடர்புடையது.

கணினி சார்ந்த நுண்ணறிவு

நரம்பியல் வலையமைப்புகள் மற்றும் "தொடர்பியல்" ஆகியவற்றிலான ஈடுபாடுகள் 1980 ஆம் ஆண்டுகளின் மத்தியில் டேவிட் ருமேல்ஹார்ட் மற்றும் பிறரால் புத்துயிர் பெற்றன. இவையும் தெளிவில்லா அமைப்புகள் மற்றும் பரிணாம கணிப்பு போன்ற பிற துணைக் குறியீட்டு அணுகுமுறைகளும் தற்போது தொகுப்பாக வளர்ந்துவரும் கணினி சார்ந்த நுண்ணறிவின் தனியொரு பிரிவாக ஆராயப்படுகின்றன.

புள்ளியியல் செயற்கை அறிவுத்திறன்

1990 ஆம் ஆண்டுகளில், செயற்கை அறிவுத்திறன் ஆராய்ச்சியாளர்கள் தனித்துவமான துணைச் சிக்கல்களைத் தீர்க்க உதவும் நுண்ணியல்புடைய கணிதவியல் கருவிகளை உருவாக்கினர். இந்தக் கருவிகளின் முடிவுகளை அளவிடவும் சரிபார்க்கவும் முடிகிறது என்ற வகையில் இவை உண்மையில் அறிவியல் பூர்வமானவை, மேலும் செயற்கை அறிவுத்திறன் இன் சமீபத்திய வெற்றிகளில் பெரும்பான்மையானவற்றுக்கு அவையே காரணமாக அமைந்துள்ளன. பகிரப்பட்ட கணிதவியல் மொழியும் (கணிதவியல், பொருளாதாரம் அல்லது செயல்முறை ஆய்வுகள் போன்ற) வளர்ச்சி பெற்ற துறைகளுடனான உயர்நிலைக் கூட்டுச் செயல்பாட்டை அனுமதித்தது. Russell & Norvig (2003) இந்த நிகழ்வை "புரட்சி" என்றும் "நேர்த்தித் தன்மைகளின் வெற்றி" என்றும் அழைக்கிறார்.

அணுகுமுறைகளைத் தொகுத்தல்

நுண்ணறிவுக் கருவி முன்னுதாரணம்

நுண்ணறிவுக் கருவி என்பது தன்னுடைய சூழலை உணர்ந்து அதன் வெற்றிக்கான வாய்ப்பை அதிகரிக்கும் வகையிலான செயல்களைச் செய்யக்கூடிய ஒரு அமைப்பாகும். குறிப்பிட்ட சிக்கல்களைத் தீர்க்கும் நிரல்களை, மிக எளிய நுண்ணறிவுக் கருவிகள் எனலாம். பகுத்தறியும், சிந்திக்கும் மனித இனமே மிகச் சிக்கலான நுண்ணறிவுக் கருவியாகும். ஒற்றை அணுகுமுறையைச் சாராமல் தனித்துவமான சிக்கல்களை ஆய்வு செய்யவும் அவற்றுக்கான தீர்வைக் கண்டறியவும் இந்த முன்னுதாரணமே ஆராய்ச்சியாளர்களுக்கு உதவுகிறது, மேலும் அந்தத் தீர்வுகள் சரிபார்க்கக் கூடியதும் அதே நேரத்தில் பயனுள்ளதாகவும் உள்ளன. ஒரு குறிப்பிட்ட சிக்கலைத் தீர்க்கும் ஒரு கருவி, ஏதுவான எந்த அணுகுமுறையையும் பயன்படுத்திக் கொள்ளலாம் — சில கருவிகள் குறியீடு மற்றும் தர்க்க ரீதியானவை, சில கருவிகள் துணைக் குறியீட்டு நரம்பியல் வலையமைப்புகள் அணுகுமுறையைக் கொண்டவை, இன்னும் சில புதிய அணுகுமுறைகளையும் பயன்படுத்தின. இந்த முன்னுதாரணம் ஆராய்ச்சியாளர்களுக்கு பிற துறைகளுடன் தொடர்புகொள்வதற்கான ஒரு பொதுவான மொழியையும் வழங்கியது— தீர்வுகாணல் கொள்கை மற்றும் பொருளாதாரம் போன்றவை அவற்றுள் அடங்கும்—அவையும் தனித்துவமான கருவிகள் கருத்தைப் பயன்படுத்துகின்றன. நுண்ணறிவுக் கருவி முன்னுதாரணமானது 1990 ஆம் ஆண்டுகளில் பரவலாக ஏற்றுக்கொள்ளப்பட்டது.

கருவிக் கட்டமைப்பு அல்லது சிந்தனைக் கட்டமைப்பு

ஒரு பல-கருவி அமைப்பில் செயல்படக்கூடிய நுண்ணறிவுக் கருவிகள் உள்ளமைக்கப்பட்ட நுண்ணறிவுக் கருவிகளை ஆராய்ச்சியாளர்கள் உருவாக்கியுள்ளனர். குறியீட்டு மற்றும் துணைக் குறியீட்டு அமைப்புகளை ஒருங்கே கொண்டுள்ள அமைப்பை கலப்பின நுண்ணறிவு அமைப்பு என்கிறோம், மேலும் அவ்வகை அமைப்புகளைப் பற்றிய கல்வி செயற்கை நுண்ணறிவு அமைப்புகள் ஒருமைப்பாட்டியல் எனப்படும். ஒரு வரிசையமைப்புக் கட்டுப்பாட்டு முறைமையானது அதன் கீழ் நிலையில் உள்ள துணைக் குறியீட்டு செயற்கை அறிவுத்திறன் மற்றும் உயர் நிலையில் உள்ள மறுவினை நிலைகள் மற்றும் மரபார்ந்த குறியீட்டு செயற்கை அறிவுத்திறன் ஆகியவற்றுக்கிடையே ஒரு பாலமாக உள்ளது, இதில் ஓய்வு நேரத் தடைகளின் போது திட்டமிடலும் உலக மாதிரி அறிதலும் நிகழ்கிறது. ரோட்னி ப்ரூக்ஸ் இன் அடிப்படைக் கருதுகோள் கட்டமைப்பு என்பது அது போன்ற ஒரு வரிசையமைப்பு முறைமைக்கான முந்தைய முன்மொழிதலாகும்.

செயற்கை அறிவுத்திறன் ஆராய்ச்சியின் கருவிகள்

50 ஆண்டு கால ஆராய்ச்சியில் கணினி அறிவியலில் உள்ள மிகக் கடினமான சிக்கல்களைத் தீர்ப்பதற்கு அதிக அளவிலான கருவிகளை செயற்கை அறிவுத்திறன் உருவாக்கியுள்ளது. அந்த முறைகளில் பொதுவான சிலவற்றைப் பற்றி இங்கு விவரிக்கப்பட்டுள்ளது.

தேடலும் ஏற்புடையதாக்குதலும்

முதன்மைக் கட்டுரைகள்: Search algorithm, Optimization (mathematics), மற்றும் Evolutionary computation

சாத்தியமான பல தீர்வுகளைத் தேடுவதன் மூலம் கோட்பாட்டளவிலே செயற்கை அறிவுத்திறனின் பெரும்பாலான சிக்கல்களைத் தீர்க்க முடியும்: பகுத்தறிதல் என்பதை தேடலை நிகழ்த்துதல் என்ற நிலைக்குக் கீழிறக்கலாம். எடுத்துக்காட்டாக, தர்க்க ரீதியான நிரூபணம் என்பதை, கருதுகோள்களிலிருந்து தீர்மானங்களுக்குச் செல்லும் பாதையின் தேடலாகக் கருதலாம், இதில் ஒவ்வொரு படியும் ஒரு யூக விதியின் பயன்பாடாகும். திட்டமிடல் வழிமுறைகள் குறிக்கோள்கள் மற்றும் துணைக் குறிக்கோள்களின் கிளையமைப்புகள் வழியே தேடுகின்றன, அதில் இலக்குக் குறிக்கோளை அடையும் பாதையைக் கண்டறிவதற்கான முயற்சி மேற்கொள்ளப்படுகிறது, இந்தச் செயலே பொருள்-முடிவு பகுப்பாய்வு எனப்படுகிறது. உறுப்புகளை அசைக்கவும் பொருள்களைப் பிடிக்கவும் பயன்படும் ரோபோவியல் வழிமுறைகள் உள்ளமைப்புப் பகுதியிலான அகத் தேடலைப் பயன்படுத்துகின்றன. பல கற்றல் வழிமுறைகள் ஏற்புடையதாக்குதலின் அடிப்படையிலமைந்த தேடல் வழிமுறைகளைப் பயன்படுத்துகின்றன.

எளிய முழுமையான தேடல்கள் பெரும்பாலான யதார்த்த உலகின் சிக்கல்களுக்கு அரிதாகப் போதுமானவையாக உள்ளன: இதில் தேடல் பகுதியானது (தேட வேண்டிய இடங்களின் எண்ணிக்கை) விரைவில் மிக அதிகமான எண்ணிக்கைக்குச் செல்கிறது. மிக மெதுவான அல்லது முடிவடையாத தேடலே இதன் முடிவாகும். குறிக்கோளை அடைய உதவாததாகத் தோன்றும் தேர்வுகளைப் புறக்கணிக்கும் (இதுவே "தேடல் கிளையமைப்பைப் பண்படுத்தல்" என்று அழைக்கப்படுகிறது) "தீர்வு விதிகள்" அல்லது "அடிப்படை விதியைப்" பயன்படுத்துவதே பெரும்பாலான சிக்கல்களுக்குத் தீர்வாகும். தீர்வு விதிகள், எந்தப் பாதையில் தீர்வு கிடைக்கும் என்பதற்கான "சிறந்த யூகத்தை" நிரலுக்கு வழங்குகின்றன.

1990 ஆம் ஆண்டுகளில் மிகவும் வித்தியாசமான தேடல் ஒன்று தோன்றி முக்கியத்துவம் பெற்றது, அது கணிதவியலின் சிறந்ததைத் தேர்ந்தெடுத்தல் கோட்பாட்டின் அடிப்படையில் அமைந்திருந்தது. பெரும்பாலான சிக்கல்களுக்கு, ஏதேனும் ஒரு யூகத்தின் வடிவத்தில் தேடலைத் தொடங்கி, படிப்படியாக அந்த யூகத்தைச் செம்மைப்படுத்திக்கொண்டே சென்று, மேலும் செம்மைப்படுத்த முடியாத நிலையை அடையும் வரை அதைத் தொடர முடியும். இந்த வழிமுறைகளை கண்மூடித்தனமான மலையேறுதல் தேடலைப் போலக் கருதலாம்: இதில் அடித்தளத்தில் ஏதோ ஒரு புள்ளியில் தேடலைத் தொடங்கி, படிப்படியாக மேல்நோக்கி யூகத்தை நகர்த்தி மேல்மட்டத்தை அடையும் வரை அது தொடரப்படுகிறது. பிற சிறந்ததைத் தேர்ந்தெடுத்தல் வழிமுறைகளில் தூண்டு உருவாக்கம், கற்றைத் தேடல் மற்றும் சீரற்ற தேர்வுமுறை ஆகியவை அடங்கும்.

பரிணாம கணிப்பு வழிமுறையானது சிறந்ததைத் தேர்ந்தெடுத்தல் தேடல் வகையைப் பயன்படுத்துகிறது. எடுத்துக்காட்டாக, அவை யூகக் குழுக்களின் தொகுப்பில் (யூகங்கள்) தொடங்கி அவற்றை மாற்றத்துக்குள்ளாக்கியும் செம்மைப்படுத்தியும் ஒவ்வொரு மாற்றத்திலும் தக்கனவற்றை மட்டுமே தொடர்ந்து இருப்பதற்குத் தேர்ந்தெடுக்கின்றன (யூகங்களைச் செம்மைப்படுத்தல்). பரிணாம கணிப்பு வகைகளில் (எறும்புக் கூட்ட முறை அல்லது துகள் திரள் தேர்வுமுறை போன்ற) திரள் நுண்ணறிவு வழிமுறைகள் அடங்கும் மேலும் பின்வருவனவற்றைப் போன்ற பரிணாம வழிமுறைகளும் பரிணாம கணிப்பு வகைகளில் அடங்கும்  : மரபியல் வழிமுறைகள் மற்றும் மரபியல் நிரலாக்கம் .

தர்க்கம்

முதன்மைக் கட்டுரைகள்: Logic programming மற்றும் Automated reasoning

தர்க்கம் என்பதை செயற்கை அறிவுத்திறன் ஆராய்ச்சிக்கு அறிமுகப்படுத்தியவர் ஜான் மேக்கர்த்தி ஆவார். அவர் இதை 1958 ஆம் ஆண்டில் தனது Advice Taker திட்ட அறிமுகத்தில் அறிமுகப்படுத்தினார். 1963 இல், ஜெ. ஆலன் ராபின்சன் என்பவர் ஒரு எளிய, சிக்கலான மற்றும் முழுவதும் வழிமுறை அடிப்படையிலான தர்க்க ரீதியான பொருத்தியறிதல் முறையைக் கண்டுபிடித்தார், இதை டிஜிட்டல் கணினிகள் எளிதாக நிகழ்த்த முடியும். இருப்பினும், அந்த வழிமுறையின் அறியாமை மிக்க பயன்பாட்டினால் சேர்க்கை வெடிப் பெருக்கம் அல்லது ஓர் முடிவிலா சுழற்சி உருவானது. 1974 இல், ராபர்ட் கொவல்ஸ்கி என்பவர் தர்க்க ரீதியான கோவைகளை ஹார்ன் கூறுகளாக (விதிகளின் வடிவில் அமைந்த அறிக்கைகள்: "if p then q ") அமைப்பதைப் பரிந்துரைத்தார், இது தர்க்க ரீதியான பொருத்தியறிதலை பின்னோக்கிய சங்கிலியாக்கம் அல்லது முன்னோக்கிய சங்கிலியாக்கமாக மாற்றியது. இது அந்தச் சிக்கலை ஓரளவு தணித்தது (ஆனாலும் முழுவதும் நீக்கவில்லை).

தர்க்கம் என்பது அறிவு விளக்கச் செயல்பாட்டுக்கும் சிக்கல் தீர்த்தலுக்கும் பயன்படுத்தப்படுகிறது, ஆனால் பிற சிக்கல்களுக்கும் அதைப் பயன்படுத்த முடியும். எடுத்துக்காட்டாக, சாட் திட்டம் வழிமுறையானது தர்க்கத்தை திட்டமிடலுக்குப் பயன்படுத்துகிறது, மேலும் உண்மை ஒப்பீட்டு தர்க்க நிரலாக்கம் என்பது ஒரு கற்றல் முறையாகும். செயற்கை அறிவுத்திறன் ஆராய்ச்சியில் பல வெவ்வேறு தர்க்க வகைகள் பயன்படுத்தப்படுகின்றன.

• கருத்துரை அல்லது சொற்றொடரியல் தர்க்கம் என்பது சரி அல்லது தவறு என்ற இரு விதமாக மட்டுமே இருக்கக்கூடிய அறிக்கைகளின் தர்க்கமாகும்.
• முதல்-வரிசை தர்க்கம் எனும் தர்க்கமும் அளவிடல்களையும் பயனிலைகளையும் பயன்படுத்துவதை அனுமதிக்கிறது, மேலும் பொருள்களின் குணங்கள், மற்றவற்றுடன் அவற்றுக்குள்ள தொடர்பு போன்ற தன்மைகளைப் பற்றியும் அவற்றால் விவரிக்க முடியும்.
• தெளிவில்லா தர்க்கம், என்பது முதல்-வரிசை தர்க்கத்தின் ஒரு வடிவமே ஆகும், அது வெறும் சரி (1) அல்லது தவறு (0) என்பதைப் போலன்றி ஓர் அறிக்கையின் உண்மையை 0 அல்லது 1 க்கு இடைப்பட்ட மதிப்பாக விவரிக்க அனுமதிக்கிறது. தெளிவில்லா தர்க்கங்களை நிச்சயமற்றவற்றின் பகுத்தறிதலுக்குப் பயன்படுத்தலாம், மேலும் நவீன தொழிற்துறை மற்றும் நுகர்வோர் தயாரிப்புக் கட்டுப்பாட்டு முறைமைகளிலும் அவை பெரிதும் பயன்பட்டுவந்தன.
• இயல்பு தர்க்கங்கள், ஒற்றைப் போக்கற்ற தர்க்கங்கள் மற்றும் கட்டுப்படுத்தல்(தர்க்கம்) ஆகியவை இயல்பான பகுத்தறிதல் மற்றும் தகுதிச் சிக்கல் ஆகியவற்றுக்கு உதவியாகப் பயன்படும் வகையில் உருவாக்கப்பட்ட தர்க்க வகைகளாகும்.
• அறிவின் குறிப்பிட்ட பகுதிகளைக் கையாள்வதற்கென தர்க்கங்களின் நீட்டிப்புகள் பல உருவாக்கப்பட்டன அவற்றில் சில: விளக்க தர்க்கங்கள்; சூழ்நிலை நுண்கணிதம், நிகழ்வு நுண்கணிதம் மற்றும் நிலை நுண்கணிதம் (நிகழ்வுகளையும் நேரத்தையும் விளக்குவதற்கு); காரண நுண்கணிதம்; கோட்பாட்டு நுண்கணிதம்; மற்றும் பயன்முறைத் தர்க்கங்கள்.

நிச்சயமற்ற பகுத்தறிதலுக்கான நிகழ்தகவு அடிப்படையிலான முறை

முதன்மைக் கட்டுரைகள்: Bayesian network, Hidden Markov model, Kalman filter, Decision theory, மற்றும் Utility theory

செயற்கை அறிவுத்திறனின் பல சிக்கல்களுக்கு (பகுத்தறிதல், திட்டமிடல், கற்றல், புலனறிதல் மற்றும் ரோபோவியல் ஆகியவற்றில்) கருவியானது முழுமையற்ற அல்லது நிச்சயமற்ற தகவலுடன் செயலாற்றுவது அவசியமாகிறது. 80களின் பிந்தைய ஆண்டுகள் மற்றும் 90களில் தொடங்கி ஜூடியா பியர்ள் மற்றும் பிறர், இந்தச் சிக்கல்களைத் தீர்ப்பதற்கான பல ஆற்றல் மிக்க கருவிகளை உருவாக்குவதற்கு நிகழ்தகவு கோட்பாடு மற்றும் பொருளாதாரம் ஆகியவற்றிலிருந்து பெறப்பட்ட முறைகளைப் பயன்படுத்துவதில் வெற்றி கண்டனர்.

பேயேஸியன் நெட்வொர்க்குகள் மிகவும் பொதுவானவை, பின்வருவன போன்ற அதிக எண்ணிக்கையிலான சிக்கல்களைத் தீர்க்க அவற்றைப் பயன்படுத்தலாம்: பகுத்தறிதல் (பேயேஸியன் அனுமான வழிமுறையைப் பயன்படுத்தி நிகழ்த்தப்படுவது), கற்றல் (எதிர்பார்ப்பு-மிகுதியாக்கல் வழிமுறையைப்) பயன்படுத்தி நிகழ்த்தப்படுவது, திட்டமிடல் (தீர்வுகாணல் நெட்வொர்க்குகளைப் பயன்படுத்தி நிகழ்த்தப்படுவது) மற்றும் புலனறிதல் (மாறும் பேயேஸியன் நெட்வொர்க்குகளைப் பயன்படுத்தி நிகழ்த்தப்படுவது).

வடிகட்டுதல், ஊகம், தரவுக் கற்றைகளுக்கான விளக்கம் காணுதல் மற்றும் அவற்றை மென்மைப்படுத்துதல், புலனறிதல் அமைப்புகளுக்கு குறிப்பிட்ட கால அளவில் நடைபெறும் செயல்களை பகுப்பாய்வு செய்வதில் உதவுதல் ஆகிய செயல்களுக்கும் நிகழ்தகவு அடிப்படையிலான வழிமுறைகளைப் பயன்படுத்தலாம் (எ.கா., மறைக்கப்பட்ட மார்கோவ் மாதிரிகள் அல்லது கால்மன் வடிகட்டிகள் ).

பொருளாதார அறிவியலிலிருந்து பெறப்பட்ட முக்கியக் கருத்து "பயன்பாடு" என்பதாகும்: அது ஒரு நுண்ணறிவுக் கருவிக்கு ஏதேனும் ஒன்று எந்த அளவு மதிப்பு மிக்கது என்பதன் அளவாகும். பின்வருவனவற்றைப் பயன்படுத்தி ஒரு கருவி எவ்வாறு தேர்வு செய்யும் என்பதை பகுப்பாய்வு செய்யும் துல்லியமான கணிதவியல் கருவிகள் உருவாக்கப்பட்டுள்ளன: தீர்வுகாணல் கொள்கை, தீர்வுகாணல் பகுப்பாய்வு தகவல் மதிப்புக் கொள்கை. இந்தக் கருவிகளில் பின்வருவன போன்ற மாதிரிகளும் அடங்கும்: மார்கோவ் தீர்வுகாணல் செயல்முறைகள் மாறும் தீர்வுகாணல் நெட்வொர்க்குகள், விளையாட்டுக் கொள்கை மற்றும் இயக்கமுறை வடிவமைப்பு

வகைப்படுத்திகளும் புள்ளியியல் கற்றல் முறைகளும்

முதன்மைக் கட்டுரைகள்: Classifier (mathematics), Statistical classification, மற்றும் Machine learning

மிக எளிய செயற்கை அறிவுத்திறன் பயன்பாடுகளை இரு பிரிவுகளாகப் பிரிக்கலாம்: வகைப்படுத்திகள் ("பளபளப்பாக இருந்தால் அது வைரம்") மற்றும் கட்டுப்படுத்திகள் ("பளபளப்பாக இருந்தால் எடுக்க வேண்டும்"). இருப்பினும், கட்டுப்படுத்திகளும் செயல்களை முடிவு செய்யும் முன்பு சூழ்நிலைகளை வகைப்படுத்துகின்றன, ஆகவே வகைப்படுத்தல் என்பதே பெரும்பாலான செயற்கை அறிவுத்திறன் அமைப்புகளின் மையப் பகுதியாக விளங்குகிறது.

வகைப்படுத்திகள் என்பவை மிக நெருக்கமான பொருத்தத்தைத் தீர்மானிக்க, வகைப் பொருத்துதலைப் பயன்படுத்தும் சார்புகளாகும். எடுத்துக்காட்டுகளுக்கு ஏற்றவாறு அவற்றைச் சரிசெய்ய முடியும், இதனால் செயற்கை அறிவுத்திறனில் அவற்றைப் பயன்படுத்துவது சிறப்பாக இருக்கும். இந்த எடுத்துக்காட்டுகளே கவனிப்புகள் அல்லது வகைகள் எனப்படும். மேற்பார்வையில் கற்றலில் ஒவ்வொரு வகையும் குறிப்பிட்ட முன் வரையறுக்கப்பட்ட பிரிவைச் சேர்ந்தவை. ஒரு பிரிவு என்பதை, எடுக்கப்பட வேண்டிய முடிவு எனக் கருதலாம். பிரிவுக் குறிப்புகளுடனமைந்த அனைத்து கவனிப்புகளும் சேர்த்து தரவுத் தொகுப்பு என அறியப்படுகின்றன.

ஒரு புதிய கவனிப்பு பெறப்படும் போது, அந்த கவனிப்பானது முந்தைய அனுபவத்தின் அடிப்படையில் வகைப்படுத்தப்படுகிறது. ஒரு வகைப்படுத்தியை பல்வேறு வழிகளில் பயிற்றுவிக்கலாம்; அதற்கு பல புள்ளியியல் சார்ந்த மற்றும் இயந்திரக் கற்றல் அணுகுமுறைகள் உள்ளன.

பல வகையான வகைப்படுத்திகள் உள்ளன, அவை ஒவ்வொன்றும் அவற்றுக்கான குறிப்பிட்ட சிறப்புகளையும் குறைபாடுகளையும் கொண்டுள்ளன. வகைப்படுத்தியின் செயல்திறனானது, வகைப்படுத்தப்பட வேண்டிய தரவின் பண்புகளையே பெரிதும் சார்ந்துள்ளது. எல்லாச் சிக்கல்களையும் சிறப்பாகக் கையாளும் வகையிலான ஒரே வகைப்படுத்தி இல்லை; இதை "நோ ஃப்ரீ லன்ச்" தேற்றம் என்றும் கூறுவர். வகைப்படுத்தியின் செயல்திறனை ஒப்பிடவும் அதன் செயல்திறனை நிர்ணயிக்கும் தரவின் பண்புகளைக் கண்டறியவும் பல்வேறு செயல்முறை ஆய்வுகளின் அடிப்படையிலான சோதனைகள் நிகழ்த்தப்பட்டன. ஒரு குறிப்பிட்ட சிக்கலுக்கான மிகவும் பொருத்தமான வகைப்படுத்தியைத் தீர்மானிப்பது என்பது அறிவியல் திறன் என்பதை விடக் கலைத் திறன் என்றே கூறலாம்.

பின்வருவனவையே மிகப் பரவலாகப் பயன்படுத்தப்படும் வகைப்படுத்திகள் ஆகும்: நரம்பியல் வலையமைப்பு வெக்டார் கற்றல் முறைத்தொகுப்பு போன்ற கெர்னல் முறைகள், k-அருகாமையிலுள்ளவற்றைப் பொறுத்து வகைப்படுத்தும் வழிமுறை, காஸியன் கலவை மாதிரி, சீரற்ற பேயஸ் வகைப்படுத்தி, மற்றும் தீர்வுக் கிளையமைப்பு. இந்த வகைப்படுத்திகளின் செயல்திறனானது பல்வேறு வகைப்படுத்தல் செயல்களின் அடிப்படையில் ஒப்பிடப்பட்டது வகைப்படுத்தியின் செயல்திறனைத் தீர்மானிக்கும் தரவுப் பண்புகளைக் கண்டறியும் தேவையே இதற்குக் காரணமாகும்.

நரம்பியல் வலையமைப்புகள்

முதன்மைக் கட்டுரைகள்: Neural networks மற்றும் Connectionism

ஒரு நரம்பியல் வலையமைப்பு என்பது மனித மூளையிலுள்ள நியூரான்களின் மிகப்பெரிய வலையமைப்பைப் போன்ற ஒன்றிணைக்கப்பட்ட கணுக்களின் தொகுப்பாகும்.

செயற்கை நரம்பியல் வலையமைப்புகளைப் பற்றிய ஆய்வுகள் செயற்கை அறிவுத்திறன் ஆராய்ச்சித் துறை உருவானதற்கு பத்தாண்டுகளுக்கு முன்பே தொடங்கின. 1960களில் ஃப்ரேங்க் ரோசன்பிளேட், பெர்செப்ட்ரான் எனும் செய்ற்கை நரம்பியல் வலையமைப்பின் முக்கியமான முதல் பதிப்பை உருவாக்கினார். பால் வெர்போஸ் என்பவர் 1974 இல் பல அடுக்கு பெர்செப்ட்ரான்களுக்கான பின்னோக்குப் பரவல் வழிமுறையை உருவாக்கினார் இது 1980களின் மத்தியில் நரம்பியல் வலையமைப்பு ஆராய்ச்சிகளுக்கும் தொடர்பியலுக்கும் புத்துயிர் அளித்தது. ஹோப்ஃபீல்டு வலை எனும் ஒரு வகை கவரும் நெட்வொர்க்கானது ஜான் ஹோப்ஃபீல்டு என்பவரால் 1982 இல் விவரிக்கப்பட்டது.

உருவாக்கப்பட்ட பொதுவான வலையமைப்புக் கட்டமைப்புகளில் முன்நகர்வு நரம்பியல் வலையமைப்பு, ஆர அடிப்படை நெட்வொர்க், கொஹோனென் சுயப் பயிற்சி மாதிரி மற்றும் பல்வேறு மீட்சி நரம்பியல் வலையமைப்புகள் ஆகியன அடங்கும். ஹெப்பியன் கற்றல், போட்டியிலான கற்றல் போன்ற முறைகளைப் பயன்படுத்தி கற்றல் சிக்கலுக்கு இந்த நரம்பியல் வலையமைப்புகள் பயன்படுத்தப்படுகின்றன மேலும் அதோடு காலம் சார்ந்த வரிசையமைப்பு நினைவகக் கட்டமைப்பு மற்றும் ஆழ் நம்பிக்கை வலையமைப்புகள் ஆகியனவும் உள்ளன

கட்டுப்பாட்டுக் கொள்கை

முதன்மைக் கட்டுரை: Intelligent control

கட்டுப்பாட்டுக் கொள்கை, என்பது தன்னாள்வியலின் வழித்தோன்றல் எனலாம், மேலும் அது முக்கியப் பயன்பாடுகளைக் கொண்டுள்ளது, குறிப்பாக ரோபோவியலில் பயன்பாடுகளைக் கொண்டுள்ளது.

தனிச்சிறப்பு மொழிகள்

செயற்கை அறிவுத்திறன் ஆராய்ச்சியாளர்கள் செயற்கை அறிவுத்திறன் ஆராய்ச்சிகளுக்காக பல தனிச்சிறப்பு மொழிகளை உருவாக்கியுள்ளனர்:

• IPL என்பதே செயற்கை நுண்ணறிவுக்காக உருவாக்கப்பட்ட முதல் மொழியாகும். பட்டியல்கள், சேர்க்கைகள், சட்டகங்கள் (சட்டங்கள்), மாறும் நினைவக ஒதுக்கீடு, தரவு வகைகள், சுழல், தொடர்பு முறை மீட்பு, சார்புகளை சார்பின் மாறிகளாக வழங்குதல், ஜெனெரேட்டர்கள் (தொகுப்புகள்) மற்றும் கூட்டிணைப் பல பணி போன்றவை உள்ளிட்ட பல பொதுவான சிக்கல் தீர்க்கும் நிரல்களை ஆதரிக்கும் வகையில் சேர்க்கப்பட்ட பல அம்சங்கள் இதில் உள்ளன.
• Lisp என்பது லேம்டா நுண்கணிதத்தின் அடிப்படையிலமைந்த கணினி நிரல்களுக்கான நடைமுறை கணிதவியல் குறியீட்டு முறையாகும். இணைப்புப் பட்டியல்கள் என்பவை Lisp மொழிகளின் பிரதான தரவு அமைப்புகளில் ஒன்றாகும், மேலும் Lisp மூலக் குறியீடும் பட்டியல்களாலே உருவாக்கப்பட்டது. இதன் விளைவாக, Lisp நிரல்கள் மூலக் குறியீட்டை தரவு அமைப்பாகவும் அமைத்துக்கொள்ளவும் முடிந்தது, இந்த அம்சம் மேக்ரோ அமைப்புகளுக்கு வழிகோளியது, இந்த மேக்ரோ அமைப்புகள் நிரல் உருவாக்குநர்கள் புதிய விதியை அல்லது களம் சார்ந்த நிரலாக்க மொழிகளையும் Lisp இல் உள்ளமைக்க உதவியது. இன்று Lisp இன் பல விதமான பயன்பாடுகள் உள்ளன.
• Prolog என்பது ஒரு முன் தீர்மான மொழியாகும், இதில் நிரல்கள் தொடர்புகளாக விவரிக்கப்படுகின்றன, மேலும் இந்தத் தொடர்புகளினூடே வினவல்களை இயக்குவதன் மூலம் செயல்கள் மேற்கொள்ளப்படுகின்றன. Prolog மொழியானது குறிப்பாக குறியீட்டு பகுத்தறிதல், தரவுத்தளம் மற்றும் மொழிப் பாகுபடுத்திப் பயன்பாடுகளில் மிகப் பயனுள்ளது. இன்று செயற்கை அறிவுத்திறனில் Prolog பரவலாகப் பயன்படுத்தப்படுகிறது.
• STRIPS என்பது தானியங்கு திட்டமிடுதல் சிக்கல் நேர்வுகளை விளக்குவதற்கான ஒரு மொழியாகும். இது ஒரு தொடக்க நிலை, குறிக்கோள் நிலைகள் மற்றும் நடவடிக்கைகளின் ஒரு தொகுப்பு ஆகியவற்றை வெளிப்படுத்துகிறது. ஒவ்வொரு செயலுக்கும், முன்நிபந்தனைகளும் (செயலைச் செய்யும் முன்பு எதை நிறுவ வேண்டும்) பின்நிபந்தனைகளும் (செயலைச் செய்த பின்னர் எதை நிறுவ வேண்டும்) குறிப்பிடப்படுகின்றன.
• Planner என்பது வழிமுறையியல் மற்றும் தர்க்கவியல் மொழிகளின் கலப்பின மொழியாகும். இது தர்க்கவியல் சொற்றொடர்களுக்கான வழிமுறையியல் புரிதலை வழங்குகிறது, இதில் அர்த்தங்கள் வகையால் நிர்வகிக்கப்படும் விளக்க வழிமுறையைக் கொண்டு புரிந்துகொள்ளப்படுகின்றன.

C++ போன்ற தரநிலை மொழிகளைக் கொண்டும் MATLAB மற்றும் Lush போன்ற கணிதவியலுக்காக உருவாக்கப்பட்ட மொழிகளைக் கொண்டும் சில நேரங்களில் செயற்கை அறிவுத்திறன் பயன்பாடுகள் எழுதப்படுகின்றன.

செயற்கை நுண்ணறிவு மதிப்பிடுதல்

முதன்மைக் கட்டுரை: Progress in artificial intelligence

ஒரு கருவி நுண்ணறிவுள்ள கருவியா என எவ்வாறு கண்டறிவது? 1950 இல் ஆலன் டரிங் என்பவர் ஒரு கருவியின் நுண்ணறிவைச் சோதனை செய்ய ஒரு பொது செயல்முறையை முன்மொழிந்தார், அதுவே இப்பொழுது டரிங் சோதனை என்று அறியப்படுகிறது. இந்த செயல்முறையானது செயற்கை நுண்ணறிவின் அனைத்து முக்கிய சிக்கல்களையும் சோதனைக்குட்படுத்த உதவுகிறது. இருப்பினும், இது ஒரு கடினமான சவாலாக உள்ளது, மேலும் தற்போது அனைத்துக் கருவிகளும் தோல்வியடைகின்றன.

செயற்கை நுண்ணறிவை, வேதியியலில் உள்ள சிறிய கணக்குகள், கையெழுத்து ஏற்பு மற்றும் விளையாட்டை விளையாடுதல் போன்று குறிப்பிட்ட சிக்கல்களில் மதிப்பீடு செய்ய முடியும். இது போன்ற சோதனைகள் துறைசார் சிறப்பு டரிங் சோதனைகள் என்று கூறப்படுகின்றன. சிறிய சிக்கல்கள் அதிகம் அடையக்கூடிய இலக்குகளை வழங்குகின்றன, மேலும் அதிகரிக்கும் எண்ணிக்கையிலான நேர்மறை முடிவுகள் உள்ளன.

ஒரு செயற்கை அறிவுத்திறன் சோதனையின் வெளியீட்டின் பெரும் வகைகள்:

• உகந்தது : இது சிறப்பாகச் செயல்பட வாய்ப்பில்லை
• வலிமையான சிறந்த மனிதன் : அனைத்து மனிதர்களையும் விடச் சிறப்பாகச் செயல்படுகிறது
• சிறந்த மனிதன் : பெரும்பாலான மனிதர்களைவிடச் சிறப்பாகச் செயல்படுகிறது
• துணை-மனிதன் : பெரும்பாலான மனிதர்களைவிட மோசமாகச் செயல்படுகிறது

எடுத்துக்காட்டாக, ட்ராஃப்ட் விளையாட்டுகளில் (ட்ராஃப்ட் விளையாட்டுகள்) செயல்திறன் உகந்தது ஆகும், சதுரங்கத்தில் செயல்திறன், சிறந்த மனிதன் வகையில் வருகிறது, மேலும் அது வலிமையான சிறந்த மனிதனை நெருங்குகிறது, மற்றும் மனிதனால் பெரும்பாலும் தினசரி செய்யப்படும் பணிகளில் செயல்திறன் துணை-மனிதன் வகையில் வருகிறது.

நுண்ணறிவுக்கான கணிதவியல் வரையறைகளிலிருந்து உருவாக்கப்பட்ட சோதனைகள் மூலமாக இயந்திர நுண்ணறிவை அளவிடுவதன் அடிப்படையில் முற்றிலும் வேறுபட்ட அணுகுமுறை உள்ளது. இது போன்ற சோதனைகளின் மாதிரிகள் தொண்ணூறுகளின் இறுதியில் கோல்மோகோரொவ் சிக்கலமைப்பு மற்றும் ஒடுக்கம் ஆகியவற்றிலிருந்து வந்த கருத்தமைவுகளைப் பயன்படுத்தி நுண்ணறிவு சோதனைகளை உருவாக்குதல் மூலம் தொடங்கப்பட்டது

. இயந்திர நுண்ணறிவின் ஒத்த வரையறைகளை மார்கஸ் ஹட்டர் அவரது புத்தகமான யுனிவர்சல் ஆர்டிஃபிசியல் இண்டலிஜென்ஸ்  (ஸ்பிரிங்கர் 2005) முன்மொழிந்தார், அது லெக் மற்றும் ஹர்ட்டரால் மேலும் மேம்படுத்தப்பட்டது . 

கணித வரையறைகளில் ஒரு நன்மை உள்ளது, மனித சோதனைகள் செய்யப்படாத போது மனிதனல்லாத நுண்ணறிவுகளுக்கு அவற்றைப் பொருத்த முடியும் என்ற விதத்தில் அவை சிறந்தவை.

செயற்கை அறிவுத்திறனின் பயன்பாடுகள்

முதன்மைக் கட்டுரை: Applications of artificial intelligence

செயற்கை நுண்ணறிவானது மருத்துவ அறுதியிடல், பங்கு வணிகம், ரோபோ கட்டுப்பாடு, சட்டம், அறிவியல் கண்டுபிடிப்பு, வீடியோ விளையாட்டுக்கள், பொம்மைகள் மற்றும் வலை தேடு பொறிகள் உட்பட பெரும்பால துறைகளில் வெற்றிகரமாக பயன்படுத்தப்பட்டுக் கொண்டிருக்கிறது. ஒரு தொழில்நுட்பமானது பிரதானப் பயன்பாட்டிற்கு புழக்கத்திற்கு வந்துவிட்டால், அதன் பின்னர் அது செயற்கை நுண்ணறிவு என்று கருதப்படுவதில்லை, இதை செயற்கை அறிவுத்திறன் விளைவு என்பர். அது செயற்கை வாழ்க்கையுடன் ஒருங்கிணைக்கப்படவும் கூடும்.

போட்டிகளும் பரிசுகளும்

முதன்மைக் கட்டுரை: Competitions and prizes in artificial intelligence

செயற்கை நுண்ணறிவு ஆராய்ச்சியை மேம்படுதுவதற்கு பல போட்டிகளும் பரிசுகளும் உள்ளன. ஊக்குவிக்கப்படும் முக்கியப் பிரிவுகள்: பொது இயந்திர நுண்ணறிவு, உரையாடல் விதம், தரவு செயலாக்கம், ஓட்டுனரில்லா கார்கள், ரோபோ சாக்கர் மற்றும் விளையாட்டுகள்.

புராணம், புதினம் மற்றும் யூகங்களில் செயற்கை அறிவுத்திறன்

முதன்மைக் கட்டுரைகள்: Artificial intelligence in fiction, Ethics of artificial intelligence, Transhumanism, மற்றும் Technological singularity

க்ரீட்டின் டேலோஸ், ஹிபேஸ்டஸின் தங்க ரோபோக்கள் மற்றும் பிக்மேலியனின் கேலாட்டியா போன்ற சிந்திக்கும் இயந்திரங்களும் செயற்கை உயிர்களும், கிரேக்க புராணங்களில் இடம்பெற்றுள்ளன. பல பண்டைய சமூகங்களில் உருவாக்கப்பட்டிருந்த மனித சாயல்கள் நுண்ணறிவைக் கொண்டிருந்ததாக நம்பினர்; பழங்காலத்தில் இருந்த புனிதச் சிலைகள் எகிப்து மற்றும் கிரீஸ் நாடுகளில் வணங்கப்பட்டன, மேலும் யான் ஷியின் இயந்திரங்கள், ஹீரோ ஆஃப் அலெக்ஸாண்ட்ரியா, அல்-ஜாசரி அல்லது வோல்ஃப்கேங்க் வோன் கெம்பெலென் ஆகியவையும் இதிலடங்கும். ஜாபிர் இப்ன் ஹாய்யன், ஜுடா லோ மற்றும் பேராசெல்ஸஸ் ஆகியோரால் இந்த செயற்கை உயிர்கள் உருவாக்கப்பட்டதாகப் பரவலாக நம்பப்பட்டது. இந்தப் படைப்புகளின் கதைகள் மற்றும் அவற்றின் இறுதி முடிவுகள், செயற்கை நுண்ணறிவினால் தற்காலத்தில் ஏற்பட்டிருக்கும் அதே நம்பிக்கைகள், அச்சங்கள் மற்றும் ஒழுக்க நெறிமுறைக் கோட்பாடுகள் பற்றி விவரிக்கின்றன.

மேரி ஷெல்லியின் ப்ரேங்கென்ஸ்டீன் , செயற்கை நுண்ணறிவின் நெறிமுறைகளில் ஒரு முக்கியக் கருத்தை விவாதிக்கிறது: ஓர் இயந்திரத்தை நுண்ணறிவு கொண்டதாக உருவாக்க முடியுமெனில், அதனால் உணர முடியுமா? அதனால் உணர முடியுமெனில், மனிதனைப் போல அதற்கும் உரிமைகள் உள்ளதா? இந்த சிந்தனை நவீன அறிவியல் புதினங்களில் கூட தோன்றுகிறது: அது செயற்கை நுண்ணறிவு: A.I. என்ற திரைப்படத்தில் ஒரு சிறுவனின் வடிவில் உருவாக்கப்பட்ட இயந்திரமானது சோகம், பாதிப்படையும் திறன் உட்பட மனித உணர்ச்சிகளை உணரும் திறனைக் கொண்டதாக சித்தரிக்கப்படுகிறது. இந்த சிக்கலானது, இப்போது "ரோபோ உரிமைகள்" என்று அறியப்படுகிறது, இது கலிபோர்னியாவின் எதிர்காலத்திற்கான நிறுவனத்தால் கருத்தில் கொள்ளப்பட்டிருக்கிறது, இருந்தாலும் பல விமர்சகர்கள் இந்தக் கருத்தை முதிர்வற்றது என நம்புகின்றனர்.

சமூகத்தில் செயற்கை நுண்ணறிவின் தாக்கமே அறிவியல் புதின ஆசிரியர்களாலும் எதிர்காலவாதிகளாலும் வெளிக்கொணரப்பட்ட மற்றொரு சிக்கல் ஆகும். புதினத்தில், செயற்கை அறிவுத்திறன் ஆனது வேலைக்காரனாகவும் (ஸ்டார் வார்ஸ் இல் R2D2), சட்டத்தை நிலைநாட்டுபவராகவும் (K.I.T.T. "நைட் ரைடர்"), தோழனாகவும் (ஸ்டார் ட்ரெக் இல் லெப்ட்டினன். கமாண்டர் டேட்டா), வெற்றிவீரனாகவும் (த மேட்ரிக்ஸ் ), சர்வாதிகாரியாகவும் (வித் ஃபோல்டேட் ஹேண்ட்ஸ் ), எக்ஸ்டெர்மினேட்டராகவும் (டெர்மினேட்டர் , பேட்டில்ஸ்டார் கேலக்டிகா ), திறன்கள் நீட்டிக்கப்பட்ட மனிதனாகவும் (கோஸ்ட் இன் தி ஷெல் ) மற்றும் மனித வாழ்க்கையின் மீட்பராகவும் (ஃபவுண்டேஷன் சீரியஸில் ஆர். டேனீல் ஒலிவா) தோன்றியிருக்கின்றது. இது போன்ற விளைவுகளை கல்வி சார்ந்த அமைப்புகள் பின்வருமாறு கருதுகின்றன: மனித பணியாளர்களுக்கான தேவைக் குறைப்பு, மனிதனின் திறன் அல்லது அனுபவத்தின் மிகைப்படுத்தல், மேலும் மனித அடையாளத்திற்கான மறுவரையறை மற்றும் அடிப்படை மதிப்புகளின் தேவையாகவும் கருதுகின்றன.

சில எதிர்காலவாதிகள், செயற்கை நுண்ணறிவானது முன்னேற்ற வரம்புகளை மீறி, அடிப்படையில் மனித இனத்தையே வென்றுவிடும் என வாதிடுகின்றனர். ரே கர்ஸ்வெயில், 2029 ஆம் ஆண்டில் மேசைக் கணினிகள் மனித மூளையைப் போன்றே செயலாக்கத் திறனைப் பெற்றிருக்கும் என்பதைக் கணிக்க மூரின் விதியை (இது டிஜிட்டல் தொழில்நுட்பத்தில் விசித்திரமான துல்லியத்துடன் தளராத அடுக்கடுக்கான மேம்பாட்டை விவரிக்கின்றது) பயன்படுத்தியுள்ளார், மேலும் 2045 இல் செயற்கை நுண்ணறிவு கடந்த காலத்தில் மனத்தில் நினைத்த எதையும் விஞ்சுகின்ற வீதத்தில் தன்னைத் தானே மேம்படுத்திக்கொள்ளும் திறனை அடையும் என்றும் கூறுகிறார், இந்த நிகழ்வை வெர்னர் வின்ஜ் என்ற அறிவியல் புதின எழுத்தாளர் "தொழில்நுட்பவியல் சார்ந்த சிறப்பொருமை" என்று கூறுகிறார். எட்வர்ட் ஃப்ரெட்கின், "செயற்கை நுண்ணறிவு என்பது பரிணாம வளர்ச்சியில் அடுத்த கட்டம்" என வாதிடுகிறார், இந்த சிந்தனை முதலில் சாமுவேல் பட்லரின் "டார்வின் அமாங்க் தி மெஷின்ஸ்" (1863) ஆல் முன்மொழியப்பட்டது, மேலும் ஜார்ஜ் டைசன் 1998 இல் அதே பெயரில் வெளியிடப்பட்ட புத்தகத்தில் விரிவுபடுத்தப்பட்டது. சில எதிர்காலவாதிகளும் அறிவியல் புதின ஆசிரியர்களும், மனிதர்களும் இயந்திரங்களும் எதிர்காலத்தில் ஒன்றாகி, அவ்வினம் அதிகத் திறன் வாய்ந்ததாகவும் சகதி வாய்ந்ததாகவுமானபகுதியளவு செயற்கை மனிதர்களாக உருவெடுக்கும் முன் கணித்துள்ளனர். இந்தச் சிந்தனை, மீவு மனிதத்துவம் என்று அழைக்கப்படுகிறது, இதன் ஆணிவேர் ஆல்டஸ் ஹக்ஸ்லி மற்றும் ராபர்ட் எட்டிஞ்செர் ஆகியோர் உருவாக்கியது, தற்போது இச்சிந்தனை ரோபோ வடிவமைப்பாளர் ஹான்ஸ் மோரவேக், தன்னாள்வியலாளர் கெவின் வார்விக் மற்றும் கண்டுபிடிப்பாளர் ரே கர்ஸ்வெயில் ஆகியோரால் பயன்படுத்தப்பட்டு வருகிறது. அதே போன்று மீவு மனிதத்துவம் புதினத்திலும் விளக்கப்பட்டுள்ளது, மங்கா கோஸ்ட் இன் தி ஷெல் மற்றும் அறிவியல் புதினத் தொடர் டூன் ஆகியவை இதற்கு எடுத்துக்காட்டுகளாகும். பமேளா மெக்கார்டக் இந்தக் கூற்றுகள் பண்டைய மனித விருப்பங்களின் வெளிப்பாடுகளாக உள்ளன என்று எழுதுகிறார், இதை அவர், "கடவுள் போல் தோன்றுதல்" என்று அழைக்கிறார்.

செயற்கை அறிவுத்திறனும் மெய்யியலும்

செயற்கை நுண்ணறிவானது, மனித மனத்தின் திறன்களை செயற்கையாக உருவாக்க முடியும் என்ற வலியுறுத்தலால், மெய்யியல் ஒரு சவாலாகவும், ஊக்கமளிப்பதாகவும் இருந்தது. இயந்திரங்கள் எந்த அளவுக்கு நுண்ணறிவுடன் இருக்க முடியும் என்பதற்கு எல்லைகள் உள்ளதா? மனித நுண்ணறிவுக்கும், செயற்கை நுண்ணறிவுக்கும் இடையே ஏதேனும் முக்கியமான வித்தியாசங்கள் உள்ளனவா? ஓர் இயந்திரம், மனம் மற்றும் உணர்நிலை ஆகியவற்றைப் பெற்றிருக்க முடியுமா? இந்த வினாக்களுக்கான மிகப் பிரபலமான பதில்களில், ஒரு சில கீழே கொடுக்கப்பட்டுள்ளன.

டரிங்கின் "பண்பட்ட மரபு"

ஓர் இயந்திரமானது மனிதனைப்போலவே நுண்ணறிவுடன் செயல்பட்டால், அது மனிதனைப்போல நுண்ணறிவு கொண்டதாகவே இருக்கும். ஓர் இயந்திரத்தின் நடத்தையைக் கொண்டு மட்டுமே அதன் நுண்ணறிவைத் தீர்மானிக்க முடியும் என ஆலன் டரிங் கூறினார். இந்தக் கொள்கையே டரிங் சோதனைக்கு அடிப்படையாக விளங்கியது.

டார்ட்மவுத் திட்ட அறிமுகம்

"நுண்ணறிவின் கற்றல் அல்லது எந்தவொரு அம்சத்தின் அனைத்துக் கூறுகளையும், ஓர் இயந்திரத்தால் செய்ய இயலக் கூடிய ஒன்று எனத் துல்லியமாக விவரிக்கலாம்." இந்தக் கருத்தானது 1956 இன் டார்ட்மவுத் விவாதத்தின் முன்மொழிதலில் அச்சிடப்பட்டது, மேலும் அது மிகவும் அதிக பங்களிப்பை வழங்கும் செயற்கை அறிவுத்திறன் ஆராய்ச்சியாளர்களின் நிலையையும் வெளிப்படுத்துகிறது.

நேவெல் மற்றும் சைமனின் இயற்பியல் குறியீடு அமைப்பு கருத்தியல்

"ஓர் இயற்பியல் குறியீடு அமைப்பு என்பது போதுமான அளவு தேவையான பொது நுண்ணறிவுச் செயல்களை உள்ளடக்கியதாக உள்ளது." இந்தக் கருத்தானது, குறியீடுகளைக் கையாளும் திறனே நுண்ணறிவின் சாராம்சமாகும் என வலியுறுத்துகிறது. மாறாக, மனித நிபுணத்துவமானது அறிநிலையுள்ள குறியீட்டு கையாளுதலைக் காட்டிலும் அறிநிலையற்ற உள்ளார்ந்தப் பண்பையும் சார்ந்துள்ளது, மேலும் வெறும் குறியீட்டு அறிவைக் காட்டிலும் சூழலைக் குறித்த ஒரு "உணர்வின்" பயன்பாட்டையே சார்ந்துள்ளது, என ஹூபெர்ட் ட்ரேஃபஸ் வாதிட்டார்.

கோடெலின் முழுமையற்ற தன்மைத் தேற்றம்

ஒரு (கணினி நிரல் போன்ற) முறைசார் அமைப்பால் சரியான அனைத்துக் கருத்துக்களையும் நிரூபிக்க முடியாது. இயந்திரங்கள் என்னவெல்லாம் செய்ய முடியும் என்பதை கோடெலின் தேற்றம் வரையறுக்கிறது என்று கூறியவர்களில் ரோஜர் பென்ரோஸ் ஒருவர்.

சியர்ளின் வலிமையான செயற்கை அறிவுத்திறன் கருத்தியல்

"மிகச் சரியான முறையில் நிரலாக்கம் செய்யப்பட்ட கணினி, சரியான உள்ளீடுகளையும் வெளியீடுகளையும் கொண்டிருக்கும்பட்சத்தில், மனித மனம் செயல்படும் அதே விதத்திலான மனதைக் கொண்டிருக்க முடியும்." சியர்ள் இந்தக் கருத்தை தனது சைனீஸ் ரூம் விவாதத்தைக் கொண்டு எதிர்க்கிறார், அந்த விவாதம், கணினியின் உள்ளே பார்த்து அதில் "மனம்" எங்கு உள்ளது எனத் தேடிப் பார்க்குமாறு கூறுகிறது.

செயற்கை மூளை விவாதம்

மூளையைப் போன்ற ஒன்றை உருவாக்க முடியும். தொழில்நுட்பத்தைப் பயன்படுத்தி மூளையை வன்பொருள் மற்றும் மென்பொருளுக்கு நகலெடுக்க முடியும் என ஹான்ஸ் மோரவேக், ரே கர்ஸ்வெயில் மற்றும் பிறர் வாதிட்டனர், மேலும் அவ்வாறு உருவாக்கியது கண்டிப்பாக அசல் மூளையை ஒத்ததாக இருக்கும், இருக்க வேண்டும் எனவும் வாதிட்டனர்.

மேலும் காண்க

முதன்மைக் கட்டுரை: Outline of artificial intelligence

• செயற்கை அறிவுத்திறன் செயல்திட்டங்களின் பட்டியல்
• செயற்கை அறிவுத்திறன் ஆய்வாளர்களின் பட்டியல்
• உருவாகிவரும் தொழில்நுட்பங்களின் பட்டியல்
• அடிப்படையான செயற்கை நுண்ணறிவு தலைப்புகளின் பட்டியல்
• முக்கியமான செயற்கை அறிவுத்திறன் வெளியீடுகளின் பட்டியல்
• தொழில்நுட்பவியல் சார்ந்த சிறப்பொருமை
• மனதின் தத்துவம்
• உள அளவியல் செயற்கை நுண்ணறிவு
• நுண்ணறிவு இயற்பியல்

குறிப்புதவிகள்

முக்கிய செயற்கை அறிவுத்திறன் உரைநூல்கள்

A.I. உரைநூல் ஆய்வையும் காண்க

• Luger, George; Stubblefield, William (2004), Artificial Intelligence: Structures and Strategies for Complex Problem Solving (5th ed.), The Benjamin/Cummings Publishing Company, Inc., ISBN 0-8053-4780-1, http://www.cs.unm.edu/~luger/ai-final/tocfull.html 
• Nilsson, Nils (1998), Artificial Intelligence: A New Synthesis, Morgan Kaufmann Publishers, ISBN 978-1-55860-467-4 
• வார்ப்புரு:Russell Norvig 2003
• Poole, David; Mackworth, Alan; Goebel, Randy (1998), Computational Intelligence: A Logical Approach, New York: Oxford University Press, http://www.cs.ubc.ca/spider/poole/ci.html 
• Winston, Patrick Henry (1984), Artificial Intelligence, Reading, Massachusetts: Addison-Wesley, ISBN 0201082594 

பிற ஆதாரங்கள்

• ACM, (Association of Computing Machinery) (1998), ACM Computing Classification System: Artificial intelligence, http://www.acm.org/class/1998/I.2.html 
• Brooks, Rodney (1990), "Elephants Don't Play Chess" (PDF), Robotics and Autonomous Systems 6: 3–15, doi:10.1016/S0921-8890(05)80025-9, http://people.csail.mit.edu/brooks/papers/elephants.pdf, retrieved 2007-08-30 
• Buchanan, Bruce G. (Winter 2005), "A (Very) Brief History of Artificial Intelligence" (PDF), AI Magazine: 53–60, http://www.aaai.org/AITopics/assets/PDF/AIMag26-04-016.pdf, retrieved 2007-08-30 
• Dreyfus, Hubert (1972), What Computers Can't Do, New York: MIT Press, ISBN 0060110821 
• Dreyfus, Hubert (1979), What Computers Still Can't Do, New York: MIT Press .
• Dreyfus, Hubert; Dreyfus, Stuart (1986), Mind over Machine: The Power of Human Intuition and Expertise in the Era of the Computer, Oxford, UK: Blackwell .
• Gladwell, Malcolm (2005), Blink, New York: Little, Brown and Co., ISBN 0-316-17232-4 .
• Haugeland, John (1985), Artificial Intelligence: The Very Idea, Cambridge, Mass.: MIT Press, ISBN 0-262-08153-9 .
• Hawkins, Jeff; Blakeslee, Sandra (2004), On Intelligence, New York, NY: Owl Books, ISBN 0-8050-7853-3 .
• Hofstadter, Douglas (1979), Gödel, Escher, Bach: an Eternal Golden Braid .
• Howe, J. (November 1994), Artificial Intelligence at Edinburgh University: a Perspective, http://www.inf.ed.ac.uk/about/AIhistory.html .
• Kahneman, Daniel; Slovic, D.; Tversky, Amos (1982), Judgment under uncertainty: Heuristics and biases, New York: Cambridge University Press .
• Kolata, G. (1982), "How can computers get common sense?", Science (217): 1237-1238 .
• Kurzweil, Ray (1999), The Age of Spiritual Machines, Penguin Books, ISBN 0-670-88217-8 .
• Kurzweil, Ray (2005), The Singularity is Near, Penguin Books, ISBN 0-670-03384-7 .
• Lakoff, George (1987), Women, Fire, and Dangerous Things: What Categories Reveal About the Mind, University of Chicago Press., ISBN 0-226-46804-6 .
• Lakoff, George; Núñez, Rafael E. (2000), Where Mathematics Comes From: How the Embodied Mind Brings Mathematics into Being, Basic Books, ISBN 0-465-03771-2 .
• Lenat, Douglas; Guha, R. V. (1989), Building Large Knowledge-Based Systems, Addison-Wesley 
• Lighthill, Professor Sir James (1973), "Artificial Intelligence: A General Survey", Artificial Intelligence: a paper symposium, Science Research Council 
• Lucas, John (1961), "Minds, Machines and Gödel", in Anderson, A.R., Minds and Machines, http://users.ox.ac.uk/~jrlucas/Godel/mmg.html .
• Maker, Meg Houston (2006), AI@50: AI Past, Present, Future, Dartmouth College, http://www.engagingexperience.com/2006/07/ai50_ai_past_pr.html, retrieved 16 October 2008 
• McCarthy, John; Minsky, Marvin; Rochester, Nathan; Shannon, Claude (1955), A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence, http://www-formal.stanford.edu/jmc/history/dartmouth/dartmouth.html .
• McCarthy, John; Hayes, P. J. (1969), "Some philosophical problems from the standpoint of artificial intelligence", Machine Intelligence 4: 463–502, http://www-formal.stanford.edu/jmc/mcchay69.html 
• Minsky, Marvin (1967), Computation: Finite and Infinite Machines, Englewood Cliffs, N.J.: Prentice-Hall 
• Minsky, Marvin (2006), The Emotion Machine, New York, NY: Simon & Schusterl, ISBN 0-7432-7663-9 
• Moravec, Hans (1976), The Role of Raw Power in Intelligence, http://www.frc.ri.cmu.edu/users/hpm/project.archive/general.articles/1975/Raw.Power.html 
• Moravec, Hans (1988), Mind Children, Harvard University Press 
• NRC (1999), "Developments in Artificial Intelligence", Funding a Revolution: Government Support for Computing Research, National Academy Press 
• Needham, Joseph (1986), Science and Civilization in China: Volume 2, Caves Books Ltd. 
• Newell, Allen; Simon, H. A. (1963), "GPS: A Program that Simulates Human Thought", in Feigenbaum, E.A.; Feldman, J., Computers and Thought, McGraw-Hill 
• Newell, Allen; Simon, H. A. (1976), "Computer Science as Empirical Inquiry: Symbols and Search", Communications of the ACM, 19, http://www.rci.rutgers.edu/~cfs/472_html/AI_SEARCH/PSS/PSSH4.html .
• Nilsson, Nils (1983), "Artificial Intelligence Prepares for 2001", AI Magazine 1 (1), http://ai.stanford.edu/~nilsson/OnlinePubs-Nils/General%20Essays/AIMag04-04-002.pdf , செயற்கை நுண்ணறிவு மேம்பாட்டுக் கூட்டமைப்பின் தலைமை உரை.
• Searle, John (1980), "Minds, Brains and Programs", Behavioral and Brain Sciences 3 (3): 417–457, http://www.bbsonline.org/documents/a/00/00/04/84/bbs00000484-00/bbs.searle2.html 
• Searle, John (1999), Mind, language and society, New York, NY: Basic Books, ISBN 0465045219, OCLC 43689264 231867665 43689264 
• Shapiro, Stuart C. (1992), "Artificial Intelligence", in Shapiro, Stuart C., Encyclopedia of Artificial Intelligence (2nd ed.), New York: John Wiley, pp. 54–57, http://www.cse.buffalo.edu/~shapiro/Papers/ai.pdf .
• Simon, H. A. (1965), The Shape of Automation for Men and Management, New York: Harper & Row 
• வார்ப்புரு:Turing 1950
• Wason, P. C.; Shapiro, D. (1966), "Reasoning", in Foss, B. M., New horizons in psychology, Harmondsworth: Penguin 
• Weizenbaum, Joseph (1976), Computer Power and Human Reason, San Francisco: W.H. Freeman & Company, ISBN 0716704641 

மேலும் படிக்க

• ஆர். சன் & எல். புக்மேன், (பதிப்புகள்), கம்ப்யூடேஷனல் ஆர்க்கிடெக்சர்ஸ்: இண்டகரேட்டிங் நியூரல் அண்ட் சிம்பாலிக் ப்ராசஸஸ் க்ளுவேர் அகாடெமிக் பப்ளிஷர்ஸ், நீதம், MA. 1994.
• மார்கெரெட் போடன், மைண்ட் அஸ் மெஷின், ஆக்ஸ்ஃபோர்டு யுனிவர்சிட்டி பிரஸ், 2006
• ஜான் ஜான்ஸன், (2008) "தி அல்லுர் ஆஃப் மெஷினிக் லைப்: சைபர்நெட்டிக்ஸ், ஆர்டிஃபிசியல் லைப், அண்ட் தி நியூ AI", MIT பிரஸ்

புற இணைப்புகள்

செயற்கை அறிவுத்திறன் பற்றிய மேலதிக தகவல்களைப் பார்க்க தொடர்புடையத் திட்டங்கள்:

விக்சனரி விக்சனரி
நூல்கள் விக்கிநூல்
மேற்கோள் விக்கிமேற்கோள்
மூலங்கள் விக்கிமூலம்
விக்கிபொது
செய்திகள் விக்கிசெய்தி

• நம்மைப் போன்ற மெஷின்கள் — செயற்கை நுண்ணறிவு மற்றும் தொடர்புடைய தலைப்புகளைக் கொண்ட வலைத்தளம்].
• செயற்கை அறிவுத்திறன் என்றால் என்ன? — செயற்கை அறிவுத்திறன் நிறுவனர் ஜான் மேக்கர்த்தி வழங்கும் செயற்கை நுண்ணறிவின் ஓர் அறிமுகம்.
• வார்ப்புரு:SEP

வலைப்பதிவுகள்

• நாம் இங்கிருந்து எங்கே செல்வது? — செயற்கை அறிவுத்திறனின் வரலாறு மற்றும் சிறப்பம்சங்கள் பற்றிய வ்லோட்சிஸ்லா டச்சின் கண்ணோட்டம்.

வளங்கள்

• AI திறந்த ஆவணத் திட்டத்தில்
• AI தலைப்புகள் — கல்வி சார்ந்த ஆராய்ச்சியாளர்களுக்கான முன்னணி அமைப்பான, செயற்கை நுண்ணறிவு முன்னேற்றக் கூட்டமைப்பால் நிர்வகிக்கப்படும் மிகப்பெரிய இணைப்புகள் கோப்பகம் மற்றும் பிற வளங்கள்.