| dbo:abstract
|
- La intel·ligència artificial simbòlica, també anomenada GOFAI (les sigles de Good Old-Fashioned AI) es refereix a la intel·ligència artificial més primitiva, clàssica i simbòlica. La intel·ligència artificial normal, en canvi, engloba programació i robòtica evolucionada. L’objectiu d’aquesta és construir sistemes informàtics útils que substitueixin o ajudin a tasques humanes. L’objectiu de la GOFAI, en canvi, és desenvolupar teories de la ment explicatives. (ca)
- Inteligencia artificial simbólica es el nombre colectivo para todos los métodos de investigación de la inteligencia artificial que se basan en representaciones de alto nivel "simbólico" de los problemas, la lógica matemática y la búsqueda. IA simbólica fue el paradigma dominante de la investigación en IA desde mediados de los cincuenta hasta finales de los años ochenta. Después, se introdujeron enfoques sub-simbólicos más recientes a la IA, basado en redes neuronales, estadística, optimización numérica y otras técnicas. La IA simbólica se sigue aplicando en algunos dominios más pequeños (como la representación del conocimiento), pero la mayoría de las aplicaciones de IA en el siglo XXI no emplean símbolos legibles como sus objetos primarios. dio el nombre GOFAI (por sus siglas en inglés, Good Old-Fashioned Artificial Intelligence) a la IA simbólica en su libro de 1985 Inteligencia Artificial: La Idea Pura, que exploró las implicaciones filosóficas de la investigación de la inteligencia artificial. En robótica el término análogo es GOFAIR (por sus siglas en inglés, "Good Old-Fashioned Robotics"). Este enfoque se basa en la suposición de que muchos aspectos de la inteligencia se pueden lograr mediante la manipulación de símbolos, un supuesto definido como la "" por Allen Newell y Herbert A. Simon a mediados de los años 60’s: La forma más exitosa de la IA simbólica son los sistemas expertos, los cuales utilizan una red de . Las normas de producción conectan símbolos en una relación similar a una instrucción “Si-Entonces” (If-Then). El sistema experto procesa las reglas para hacer deducciones y determinar qué información adicional se necesita, por ejemplo, qué preguntas hacer, usando simbología legible para el ser humano. Los opositores a la aproximación simbólica incluyen a expertos en robótica como Rodney Brooks, quien tiene como objetivo producir robots autónomos sin representación simbólica (o con sólo una mínima representación) y los investigadores de inteligencia computacional, que aplican técnicas como las redes neuronales y optimización para resolver problemas en el aprendizaje automático y la ingeniería de control. La IA simbólica estaba destinada a producir inteligencia similar a la humana en una máquina, mientras que la mayor parte de la investigación moderna se dirige a subproblemas específicos. La investigación sobre la inteligencia general está en estudio del subcampo llamado Inteligencia Artificial General. (es)
- In artificial intelligence, symbolic artificial intelligence is the term for the collection of all methods in artificial intelligence research that are based on high-level symbolic (human-readable) representations of problems, logic and search. Symbolic AI used tools such as logic programming, production rules, semantic nets and frames, and it developed applications such as knowledge-based systems (in particular, expert systems), symbolic mathematics, automated theorem provers, ontologies, the semantic web, and automated planning and scheduling systems. The Symbolic AI paradigm led to seminal ideas in search, symbolic programming languages, agents, multi-agent systems, the semantic web, and the strengths and limitations of formal knowledge and reasoning systems. Symbolic AI was the dominant paradigm of AI research from the mid-1950s until the middle 1990s. Researchers in the 1960s and the 1970s were convinced that symbolic approaches would eventually succeed in creating a machine with artificial general intelligence and considered this the ultimate goal of their field. An early boom, with early successes such as the Logic Theorist and Samuel's Checker's Playing Program led to unrealistic expectations and promises and was followed by the First AI Winter as funding dried up. A second boom (1969–1986) occurred with the rise of expert systems, their promise of capturing corporate expertise, and an enthusiastic corporate embrace. That boom, and some early successes, e.g., with XCON at DEC, was followed again by later disappointment. Problems with difficulties in knowledge acquisition, maintaining large knowledge bases, and brittleness in handling out-of-domain problems arose. Another, second, AI Winter (1988–2011) followed. Subsequently, AI researchers focused on addressing underlying problems in handling uncertainty and in knowledge acquisition. Uncertainty was addressed with formal methods such as hidden Markov models, Bayesian reasoning, and statistical relational learning. Symbolic machine learning addressed the knowledge acquisition problem with contributions including Version Space, Valiant's PAC learning, Quinlan's ID3 decision-tree learning, case-based learning, and inductive logic programming to learn relations. Neural networks, a sub-symbolic approach, had been pursued from early days and was to reemerge strongly in 2012. Early examples are Rosenblatt's perceptron learning work, the backpropagation work of Rumelhart, Hinton and Williams, and work in convolutional neural networks by LeCun et al. in 1989. However, neural networks were not viewed as successful until about 2012: "Until Big Data became commonplace, the general consensus in the Al community was that the so-called neural-network approach was hopeless. Systems just didn't work that well, compared to other methods. ... A revolution came in 2012, when a number of people, including a team of researchers working with Hinton, worked out a way to use the power of GPUs to enormously increase the power of neural networks." Over the next several years, deep learning had spectacular success in handling vision, speech recognition, speech synthesis, image generation, and machine translation. However, since 2020, as inherent difficulties with bias, explanation, comprehensibility, and robustness became more apparent with deep learning approaches; an increasing number of AI researchers have called for combining the best of both the symbolic and neural network approaches and addressing areas that both approaches have difficulty with, such as common-sense reasoning. (en)
- L'intelligenza artificiale simbolica indica i metodi nella ricerca sull'intelligenza artificiale che si basano su rappresentazioni di problemi "simboliche" di (leggibili dall'uomo), logica e ricerca. L'IA simbolica è stata il paradigma dominante della ricerca sull'IA dalla metà degli anni '50 fino alla fine degli anni '80. (it)
- Символический искусственный интеллект — собирательное название для всех методов исследования искусственного интеллекта, основанных на высокоуровневом «символическом» (человекочитаемом) представлении задач, логики и поиска. Символический ИИ лёг в основу доминирующей парадигмы исследований ИИ с середины 1950-х до конца 1980-х. В 1985 году (англ. John Haugeland) дал символическому ИИ название GOFAI (англ. Good Old-Fashioned Artificial Intelligence, «старый добрый искусственный интеллект») в своей книге Artificial Intelligence: The Very Idea, посвящённой философскому отражению последствий исследований искусственного интеллекта. В робототехнике применяется аналогичный термин GOFAIR («старый добрый искусственный интеллект в робототехнике»). Наиболее успешная форма символического ИИ — это экспертные системы, использующие сеть продукционных правил. Продукционные правила объединяют символы в отношения, похожие на оператор «если-то». Экспертная система, обрабатывая эти правила, делает логические выводы и определяет, какая дополнительная информация ей необходима, то есть какие следует задать вопросы, используя человекочитаемые символы. (ru)
- 符号人工智慧（英語：Symbolic artificial intelligence）是人工智慧研究中的一個集合術語，泛指所有「基於問題、逻辑和搜索的高級『符號』（人類可讀）表徵」的方法。从1950年代中期到1980年代后期，符號AI一直是AI研究的主要范式 。 1985年，在他的書《 人工智慧：非常的想法 》中探讨了人工智慧研究的哲学含义，将符號人工智慧命名为GOFAI（Good Old-Fashioned Artificial Intelligence，指的是“有效的老式人工智慧）。在机器人学領域 ，类似的术语是GOFR（“有效的老式机器人学”）。 该方法基于这样的假设：「智慧的许多特征可以透過符号處理来实现。」在1960年代中期，艾伦·纽厄尔和赫伯特·西蒙將該假设定义为「物理符号系统假設」。 符號人工智慧中，有一種常用的形式是专家系统 ，該系統使用產出規則網路。產出規則是以类似「If-Then语句的关系」來连接符号。专家系统會使用人类可读的符号來处理规则，藉此进行推論，并确定還需要哪些其他信息，也就是還要问什么问题。 符號方法的反对者包括罗德尼·布鲁克斯等機器人學專家 ，他们打算生产無符號表徵（或仅具最低限度的表徵）的自律機器人，其它反对者還包括研究人员，他们应用诸如人工神经网络和最佳化之类的技术来解决机器学习和控制工程中的问题 。 符號人工智慧的目的是在機器中產生通用的、類人的智慧，而大多數現代研究是針對特定的子問題。目前對通用智慧的研究集中在通用人工智慧的子领域中 。 最初，機器被設計成「根據符號表示的輸入」來制定輸出。當輸入是明確的且屬於確定性時，輸出就會使用符號。但是，當存在不確定性時，表徵會使用"模糊逻辑"完成（例如，在制定預測的時候）。這在人工神经网络中可以看到。 (zh)
|
| rdfs:comment
|
- La intel·ligència artificial simbòlica, també anomenada GOFAI (les sigles de Good Old-Fashioned AI) es refereix a la intel·ligència artificial més primitiva, clàssica i simbòlica. La intel·ligència artificial normal, en canvi, engloba programació i robòtica evolucionada. L’objectiu d’aquesta és construir sistemes informàtics útils que substitueixin o ajudin a tasques humanes. L’objectiu de la GOFAI, en canvi, és desenvolupar teories de la ment explicatives. (ca)
- L'intelligenza artificiale simbolica indica i metodi nella ricerca sull'intelligenza artificiale che si basano su rappresentazioni di problemi "simboliche" di (leggibili dall'uomo), logica e ricerca. L'IA simbolica è stata il paradigma dominante della ricerca sull'IA dalla metà degli anni '50 fino alla fine degli anni '80. (it)
- Inteligencia artificial simbólica es el nombre colectivo para todos los métodos de investigación de la inteligencia artificial que se basan en representaciones de alto nivel "simbólico" de los problemas, la lógica matemática y la búsqueda. IA simbólica fue el paradigma dominante de la investigación en IA desde mediados de los cincuenta hasta finales de los años ochenta. Después, se introdujeron enfoques sub-simbólicos más recientes a la IA, basado en redes neuronales, estadística, optimización numérica y otras técnicas. La IA simbólica se sigue aplicando en algunos dominios más pequeños (como la representación del conocimiento), pero la mayoría de las aplicaciones de IA en el siglo XXI no emplean símbolos legibles como sus objetos primarios. (es)
- In artificial intelligence, symbolic artificial intelligence is the term for the collection of all methods in artificial intelligence research that are based on high-level symbolic (human-readable) representations of problems, logic and search. Symbolic AI used tools such as logic programming, production rules, semantic nets and frames, and it developed applications such as knowledge-based systems (in particular, expert systems), symbolic mathematics, automated theorem provers, ontologies, the semantic web, and automated planning and scheduling systems. The Symbolic AI paradigm led to seminal ideas in search, symbolic programming languages, agents, multi-agent systems, the semantic web, and the strengths and limitations of formal knowledge and reasoning systems. (en)
- Символический искусственный интеллект — собирательное название для всех методов исследования искусственного интеллекта, основанных на высокоуровневом «символическом» (человекочитаемом) представлении задач, логики и поиска. Символический ИИ лёг в основу доминирующей парадигмы исследований ИИ с середины 1950-х до конца 1980-х. (ru)
- 符号人工智慧（英語：Symbolic artificial intelligence）是人工智慧研究中的一個集合術語，泛指所有「基於問題、逻辑和搜索的高級『符號』（人類可讀）表徵」的方法。从1950年代中期到1980年代后期，符號AI一直是AI研究的主要范式 。 1985年，在他的書《 人工智慧：非常的想法 》中探讨了人工智慧研究的哲学含义，将符號人工智慧命名为GOFAI（Good Old-Fashioned Artificial Intelligence，指的是“有效的老式人工智慧）。在机器人学領域 ，类似的术语是GOFR（“有效的老式机器人学”）。 该方法基于这样的假设：「智慧的许多特征可以透過符号處理来实现。」在1960年代中期，艾伦·纽厄尔和赫伯特·西蒙將該假设定义为「物理符号系统假設」。 符號人工智慧中，有一種常用的形式是专家系统 ，該系統使用產出規則網路。產出規則是以类似「If-Then语句的关系」來连接符号。专家系统會使用人类可读的符号來处理规则，藉此进行推論，并确定還需要哪些其他信息，也就是還要问什么问题。 符號方法的反对者包括罗德尼·布鲁克斯等機器人學專家 ，他们打算生产無符號表徵（或仅具最低限度的表徵）的自律機器人，其它反对者還包括研究人员，他们应用诸如人工神经网络和最佳化之类的技术来解决机器学习和控制工程中的问题 。 (zh)
|