Intelixencia artificial

intelixencia exhibida por artefactos creados por humanos

Defínese a intelixencia artificial (IA) como aquela intelixencia exhibida por artefactos creados por humanos (é dicir, artificial). A miúdo aplícase hipoteticamente aos computadores. O nome tamén se usa para se referir ao campo da investigación científica que intenta acercarse á creación de tales sistemas.

TOPIO, un robot humanoide, xogando ó tenis de mesa en Toquio no International Robot Exhibition (IREX) 2009.

Debido á multiplicidade de pais que tivo a intelixencia artificial, non hai un consenso para definir ese concepto, mais podemos dicir que a intelixencia artificial encárgase de modelar a intelixencia humana en sistemas computacionais.

Pode dicirse que a intelixencia artificial é unha das áreas máis fascinantes e con máis retos das ciencias da computación, na súa área de ciencias cognoscitivas. Naceu como mero estudo filosófico e razonístico da intelixencia humana, mesturada coa inquietude do home por imitar a natureza circundante (como voar e nadar), ata inclusive querer imitarse a si mesmo. En resumo, a intelixencia artificial procura imitar a intelixencia humana. Obviamente non o logrou aínda, ao menos non completamente.

Existen cinco puntos de vista principais sobre estes sistemas:

  • Os que pensan como humanos.
  • Os que actúan como humanos.
  • Os que pensan racionalmente.
  • Os que actúan racionalmente.
  • Os que senten como humanos.

Historia da intelixencia artificial editar

 
Retrato de 1930 de Alan Turing, considerado o pai da Intelixencia artificial.

En 1937, o matemático inglés Alan Mathison Turing (1912-1953) publicou un artigo de bastante repercusión sobre os "Números Calculábeis", que pode considerarse a orixe oficial da informática teórica.

Turing, neste artigo, presentou a Máquina de Turing, unha entidade matemática abstracta que formalizou o concepto de algoritmo e resultou ser a precursora das computadoras dixitais. Coa axuda da súa máquina, Turing puido demostrar que existen problemas irresolúbeis, dos que ningún computador será capaz de obter a súa solución, polo que a Alan Turing considérase o pai da teoría da computabilidade.

Tamén se considera o pai da intelixencia artificial, pola súa famosa Proba de Turing, que permitiría comprobar se un programa de computador pode ser tan intelixente como un ser humano.

A historia da intelixencia artificial pasou por diversas situacións:

  • O termo inventouse en 1956, nun congreso no que se fixeron previsións triunfalistas a dez anos que nunca se cumpriron, o que provocou o abandono case total das investigacións perante quince anos.
  • En 1980 a historia repetiuse co desafío xaponés da quinta xeración, que deu lugar ao auxe dos sistemas expertos, mais que non alcanzou moitos dos seus obxectivos, polo que este campo sufriu unha nova detención nos anos noventa.
  • Na actualidade estamos tan lonxe de cumprir a famosa proba de Turing como cando se formulou: Existirá intelixencia artificial cando non sexamos capaces de distinguir entre un ser humano e un programa de computadora nunha conversación ás cegas.
  • Como anécdota, moitos dos investigadores sobre IA sosteñen que "a intelixencia é un programa capaz de ser executado independentemente da máquina que o execute, computador ou cerebro".[1]

- A idea de algo parecido á intelixencia artificial existe desde hai millóns de anos. O primeiro home primitivo que tomou conciencia da súa propia existencia, e de que era capaz de pensar, seguramente se pregunta como funcionaria o seu pensamento e posteriormente chegaría á idea dun "creador superior". Polo tanto, a idea de que un ser intelixente cre a outro, a idea dun deseño virtual para a intelixencia, é tan remota como a toma de conciencia do ser humano.

- Os xogos matemáticos antigos, como o da torres de hanoi (aprox 3000ac), demostran o interese na procura dun bucle resolutivo, unha IA capaz de gañar nos mínimos movementos posíbeis.

 
Tríodo de De Forest.

- En 1903 Lee De Forest inventa o tríodo (tamén chamados bulbo ou válvula de baldeiro). Podería dicirse que a primeira gran máquina intelixente deseñada polo ser humano foi o computador ENIAC, composto por 18.000 válvulas de baldeiro, tendo en conta que o concepto de "intelixencia" é un termo subxectivo que depende da intelixencia e a tecnoloxía que teñamos nesa época. Un indíxena do amazonas no século 20 podería cualificar de intelixente un tocadiscos, cando en verdade non o é tanto.

- En 1937, o matemático inglés Alan Mathison Turing (1912-1953) publicou un artigo de bastante repercusión sobre os "Números Calculábeis", que pode considerarse a orixe oficial da Informática Teórica.

Neste artigo, introduciu a Máquina de Turing, unha entidade matemática abstracta que formalizou o concepto de algoritmo e resultou ser a precursora das computadoras dixitais. Con axuda da súa máquina, Turing puido demostrar que existen problemas irresolúbeis, dos que ningún computador será capaz de obter a súa solución, polo que a Alan Turing considérase o pai da teoría da computabilidade.

Tamén se considera o pai da intelixencia artificial, pola súa famosa Proba de Turing, que permitiría comprobar se un programa de computador pode ser tan intelixente como un ser humano.

  • En 1951 William Shockley inventa o transistor de unión. O invento do transistor fixo posíbel unha nova xeración de computadoras moito máis rápidas e pequenas.
  • En 1956, cuñouse o termo "intelixencia artificial" en Dartmouth durante unha conferencia convocada por McCarthy, á cal asistiron, entre outros, Minsky, Newell e Simon. Nesta conferencia fixéronse previsións triunfalistas a dez anos que nunca se cumpriron, o que provocou o abandono case total das investigacións durante quince anos.
  • En 1980 a historia repítese co desafío xaponés da quinta xeración, que deu lugar ao auxe dos sistemas expertos, mais que non alcanzou moitos dos seus obxectivos, polo que este campo sufriu unha nova detención nos anos noventa.
  • En 1987 Martín Fischles e Oscar Firschein describiron os atributos dun axente intelixente. Ao intentar describir cun maior ámbito (non só a comunicación) os atributos dun axente intelixente, a IA estendeuse a moitas áreas que crearon ramas de investigación enormes e diferenciadas. Ditos atributos do axente intelixente son:
  1. Ten actitudes mentais tales como crenzas e intencións
  2. Ten a capacidade de obter coñecemento, é dicir, aprender.
  3. Pode resolver problemas, incluso descompondo problemas complexos noutros máis simples.
  4. Entende. Posúe a capacidade de crearlle senso, se é posíbel, a ideas ambiguas ou contraditorias.
  5. Planifica, predí consecuencias, avalía alternativas (como nos xogos de xadrez)
  6. Coñece os límites do seu propias habilidades e coñecementos.
  7. Pode distinguir a pesar das similitude das situacións.
  8. Pode ser orixinal, creando incluso novos conceptos ou ideas, e ata utilizando analoxías.
  9. Pode xeneralizar.
  10. Pode percibir e modelar o mundo exterior.
  11. Pode entender e utilizar a linguaxe e os seus símbolos.

Podemos entón dicir que a IA inclúe características humanas tales como a aprendizaxe, a adaptación, o razoamento, a autocorrección, o melloramento implícito, e a percepción modelar do mundo. Así, podemos falar xa non só dun obxectivo, senón de moitos dependendo do punto de vista ou utilidade que poida atoparse á IA.

Moitos dos investigadores sobre IA sosteñen que "a intelixencia é un programa capaz de ser executado independentemente da máquina que o execute, computador ou cerebro".

Obxectivos editar

Razoamento e resolución de problemas editar

Os primeiros investigadores desenvolveron algoritmos que imitaban o razoamento paso a paso que os humanos usan cando resolven enigmas ou fan deducións lóxicas.[2] A finais da década de 1981-1990, a investigación da intelixencia artificial desenvolveran métodos para tratar con información incerta ou incompleta, empregando conceptos de probabilidade e economía.[3]

Estes algoritmos demostraron ser insuficientes para resolver grandes problemas de razoamento porque experimentaron unha «explosión combinatoria»: volvéronse exponencialmente máis lentos a medida que os problemas crecían.[4] Desta maneira, concluíuse que os seres humanos de cando en cando usan a dedución paso a paso que a investigación temperá da intelixencia artificial seguía; en cambio, resolven a maioría dos seus problemas utilizando xuízos rápidos e intuitivos.[5]

Representación do coñecemento editar

A representación do coñecemento[6] e a enxeñería do coñecemento[7] son fundamentais para a investigación clásica da intelixencia artificial. Algúns «sistemas expertos» tentan recompilar o coñecemento que posúen os expertos nalgún ámbito concreto. Ademais, outros proxectos tratan de reunir o «coñecemento de sentido común» coñecido por unha persoa media nunha base de datos que contén un amplo coñecemento sobre o mundo.

Entre os temas que contería unha base de coñecemento de sentido común están: obxectos, propiedades, categorías e relacións entre obxectos,[8] situacións, eventos, estados e tempo[9] causas e efectos;[10] e o coñecemento sobre o coñecemento (o que sabemos sobre o que saben outras persoas)[11] entre outros.

Planificación editar

Outro obxectivo da intelixencia artificial consiste en poder establecer metas e finalmente alcanzalas. [12] Para iso necesitan unha forma de visualizar o futuro, unha representación do estado do mundo e poder facer predicións sobre como as súas accións cambiarano, con tal de poder tomar decisións que maximicen a utilidade (ou o «valor») das opcións dispoñibles.[13]

Nos problemas clásicos de planificación, o axente pode asumir que é o único sistema que actúa no mundo, o que lle permite estar seguro das consecuencias das súas accións.[14] Con todo, se o axente non é o único actor, entón requírese que este poida razoar baixo incerteza. Isto require un axente que non só poida avaliar a súa contorna e facer predicións, senón tamén avaliar as súas predicións e adaptarse en función da súa avaliación.[15] A planificación de múltiples axentes utiliza a cooperación e a competencia de moitos sistemas para lograr un obxectivo determinado. O comportamento emerxente como este é utilizado por algoritmos evolutivos e intelixencia de enxame.[16]

Aprendizaxe editar

O aprendizaxe automática é un concepto fundamental da investigación da intelixencia artificial desde o inicio dos estudos deste campo; consiste na investigación de algoritmos informáticos que melloran automaticamente a través da experiencia.[17]

A aprendizaxe non supervisada é a capacidade de atopar patróns nun fluxo de entrada, sen que sexa necesario que un humano etiquete as entradas primeiro. O aprendizaxe supervisada inclúe clasificación e regresión numérica, o que require que un humano etiquete primeiro os datos de entrada. A clasificación úsase para determinar a que categoría pertence algo e ocorre despois de que un programa observe varios exemplos de entradas de varias categorías. A regresión é o intento de producir unha función que describa a relación entre entradas e saídas e predicir como deben cambiar as saídas a medida que cambian as entradas.[17] Tanto os clasificadores como os aprendices de regresión tentan aprender unha función descoñecida; por exemplo, un clasificador de spam pode verse como a aprendizaxe dunha función que asigna o texto dun correo electrónico a unha de dúas categorías, «spam» ou «non spam». A teoría da aprendizaxe computacional pode avaliar aos estudantes por complexidade computacional, complexidade da mostra (cantos datos requírense) ou por outras nocións de optimización.[18]

Probas de intelixencia nunha máquina editar

Técnicas e campos da intelixencia artificial editar

Tecnoloxías de apoio editar

Aplicacións editar

 
Para este proxecto, a IA tivo que aprender os patróns típicos das cores e as pinceladas do pintor renacentista Rafael. O retrato mostra o rostro da actriz Ornella Muti, "pintado" pola IA ao estilo de Rafael.

A intelixencia artificial (IA) é relevante para calquera tarefa intelectual.[19] As técnicas modernas de IA son xeneralizadas e son demasiado numerosas para enumeralas aquí.[20] Con frecuencia, cando unha técnica chega ao uso habitual, xa non se considera intelixencia artificial; este fenómeno descríbese como efecto AI.[21]

Na década de 2010, as aplicacións de intelixencia artificial estaban no centro das áreas da informática de maior éxito comercial e convertéronse nunha característica omnipresente da vida diaria. A IA utilízase en motores de procura (como Google Search), na orientación de anuncios en liña,[22] nos sistemas de recomendación (ofrecidos por Netflix, YouTube ou Amazon), impulsando o tráfico da internet, [23][24] na publicidade dirixida (AdSense, Facebook), en asistentes virtuais (como Siri ou Alexa),[25] nos vehículos autónomos (incluídos drons e coches autoconducidos), tradución automática (Microsoft Translator, Google Translate), recoñecemento facial (Face IDE de Apple ou DeepFace de Microsoft'), etiquetaxe de imaxes (utilizado por Facebook, Apple's iPhoto e TikTok) e filtrado de spam.

Tamén hai miles de aplicacións de IA exitosas utilizadas para resolver problemas para industrias ou institucións específicas. Algúns exemplos son almacenamento de enerxía,[26] deepfakes (ultrafalso[27]),[28] diagnóstico médico, loxística militar ou xestión da cadea de subministración.

O xogo de xadrez foi unha proba da forza da IA desde a década de 1950. O 11 de maio de 1997, Deep Blue converteuse no primeiro sistema informático de xadrez en derrotar ao vixente campión do mundo, naquel momento, Garri Kasparov.[29] No 2011, nun programa especial do concurso de exhibición Jeopardy! de preguntas e respostas o sistema de resposta a preguntas Watson de IBM, , derrotou aos dous maiores campións de Jeopardy!, Brad Rutter e Ken Jennings, por unha marxe significativa.[30] En marzo de 2016, AlphaGo gañou 4 de 5 partidas de Go nun enfrontamento co campión de Go Lee Sedol, converténdose no primeiro sistema de Go por computador en vencer a un xogador profesional de Go sen hándicaps.[n. 1][31]

Outros programas manexan xogos de información perfecta; como o Pluribus[n. 2] e o Cepheus.[33] para o póker a un nivel superior a os humanos, DeepMind na década de 2010 desenvolveron unha "intelixencia artificial xeneralizada" que podía aprender moitos xogos diversos de Atari por si mesma.[34]

En 2020, sistemas de procesamento da linguaxe natural como a enorme GPT-3 (por entón, a maior rede neuronal artificial con diferenza) igualaban o rendemento humano nos puntos de referencia preexistentes, aínda que sen que o sistema alcanzase unha comprensión lóxica dos contidos dos puntos de referencia.[35] O AlphaFold 2 (2020) de DeepMind demostrou a capacidade de mostrar, en horas no canto de meses, a estrutura 3D dunha proteína.[36] Outras aplicacións predín o resultado das decisións xudiciais,[37] crean arte (como poesía ou pintura) e proban teoremas matemáticos.

Semáforos intelixentes editar

Semáforos artificialmente intelixentes usan cámaras con radar, sensores de localización de acústica ultrasónica e algoritmos preditivos para mellorar o fluxo do tráfico

Os semáforos intelixentes desenvólvense na Universidade Carnegie Mellon desde 2009. O profesor Stephen Smith montou desde entón unha empresa, Surtrac, que instalou sistemas intelixentes de control de tráfico en 22 cidades. A instalación custa uns 20.000 dólares por intersección. O tempo de condución reduciuse nun 25% e o tempo de espera de atascos nun 40% nas interseccións nas que se instalou.[38]

Propiedade intelectual editar

 
Familias de patentes AI para categorías e subcategorías funcionais de aplicacións. Visión por ordenador representa o 49 por cento das familias de patentes relacionadas cunha aplicación funcional en 2016.

En 2019, a OMPI informou de que a IA era a tecnoloxía emerxente máis prolífica en canto a número de solicitudes de patentes e patentes concedidas, estimábase que a Internet das cousas era o maior mercado en canto a tamaño. Seguíronlle, de novo en tamaño de mercado, as tecnoloxías de macrodatos, a robótica, a IA, a impresión 3D e a quinta xeración de servizos móbiles (5G).[39] Desde que xurdiu a IA na década de 1950, os innovadores presentaron 340.000 solicitudes de patentes relacionadas coa IA e os investigadores publicaron 1,6 millóns de artigos científicos, e a maioría de todas as solicitudes de patentes relacionadas coa IA publicáronse a partir de 2013. As empresas representan 26 dos 30 principais solicitantes de patentes de IA, mentres que as universidades ou organismos públicos de investigación representan os catro restantes.[40]

A proporción de artigos científicos e invencións diminuíu significativamente de 8:1 en 2010 a 3:1 en 2016, o que se atribúe como indicativo dun cambio da investigación teórica ao uso de tecnoloxías de IA en produtos e servizos comerciais. A aprendizaxe automática é a técnica da IA dominante divulgada nas patentes está incluída en máis dun terzo de todas as invencións identificadas (134.777 patentes de aprendizaxe automática presentadas para un total de 167.038 patentes de IA presentadas en 2016), sendo a visión por computador a aplicación funcional máis popular. As patentes relacionadas coa IA non só revelan técnicas e aplicacións da IA, senón que a miúdo tamén se refiren a un campo de aplicación ou industrial. En 2016 identificáronse vinte campos de aplicación e incluíronse, por orde de magnitude: telecomunicacións (15 por cento), transportes (15 por cento), ciencias da vida e medicina (12 por cento) e dispositivos persoais, informática e interacción humano-computadora (11 por cento). Outros sectores incluíron a banca, entretemento, seguridade, industria e manufactura, agricultura e redes (incluíndo redes sociais, cidades intelixentes e a Internet das cousas). IBM ten a maior carteira de patentes de IA con 8.290 solicitudes de patentes, seguida de Microsoft con 5.930 solicitudes de patentes.[40]

Filosofía editar

Definición da intelixencia artificial editar

Artigo principal: Proba de Turing.

Alan Turing escribiu en 1950 "Propoño considerar a pregunta 'as máquinas poden pensar'?"[41] Aconsellou cambiar a pregunta de se unha máquina "pensa" a "se é posible ou non que a maquinaria mostre un comportamento intelixente".[41] Deseñou a proba de Turing, que mide a capacidade dunha máquina para simular a conversación humana.[42] Dado que só podemos observar o comportamento da máquina, non importa se "realmente" está a pensar ou ten literalmente unha "mente". Turing sinala que non podemos determinar estas cousas sobre outras persoas pero "é habitual ter a cortés convención de que todo o mundo pensa"[43]

Russell e Norvig coinciden con Turing en que a IA debe definirse en termos de "actuar" e non de "pensar".[44] Con todo, critican que a proba compare máquinas con persoas. "Os textos de enxeñería aeronáutica", escriben, "non definen o obxectivo do seu campo como facer 'máquinas que voen tan exactamente como as pombas que poidan enganar a outras pombas'".[45] O fundador da IA, John McCarthy, estivo de acordo e escribiu que "A intelixencia artificial non é, por definición, simulación da intelixencia humana".[46]

McCarthy define a intelixencia como "a parte computacional da capacidade de acadar obxectivos no mundo".[47] Outro fundador da IA, Marvin Minsky, defínea de xeito similar como "a capacidade de resolver problemas difíciles".[48] Estas definicións ven a intelixencia en termos de problemas ben definidos con solucións ben definidas, onde tanto a dificultade do problema como o rendemento do programa son medidas directas da "intelixencia" da máquina, e non se require ningunha outra discusión filosófica, ou quizais non sexa posible.

Unha definición que tamén foi adoptada por Google[49]- principal practicante no campo da IA. Esta definición estipulaba a capacidade dos sistemas para sintetizar información como manifestación da intelixencia, de forma similar a como se define na intelixencia biolóxica.

Avaliación dos enfoques da IA editar

Ningunha teoría unificadora establecida ou paradigma guiou a investigación da IA durante a maior parte da súa historia.[n. 3] O éxito sen precedente da aprendizaxe automática estatística na década de 2010 eclipsou todos os demais enfoques (ata o punto de que algunhas fontes, especialmente no mundo empresarial, utilizan o termo "intelixencia artificial" para referirse á "aprendizaxe automática con redes neurais"). Este enfoque é principalmente subsimbólico, neat, soft e narrow. Os críticos sosteñen que é posible que estas cuestións teñan que ser revisadas por futuras xeracións de investigadores en IA.

A IA simbólica e os seus límites editar

Intelixencia artificial simbólica (ou "GOFAI")[51] simulaban o razoamento consciente de alto nivel que utilizan as persoas cando resolven crebacabezas, expresan razoamentos xurídicos e fan cálculos matemáticos. Tiveron moito éxito en tarefas "intelixentes" como o álxebra ou os tests de intelixencia. Nos anos 60, Newell e Simon propuxeron a hipótese dos sistemas de símbolos físicos: "Un sistema de símbolos físicos ten os medios necesarios e suficientes para unha acción intelixente xeneral". [52]

Con todo, o enfoque simbólico fracasou en moitas tarefas que os humanos resolven con facilidade, como a aprendizaxe, o recoñecemento dun obxecto ou o razoamento de sentido común. O paradoxo de Moravec é o descubrimento de que as tarefas "intelixentes" de alto nivel eran fáciles para a IA, pero as tarefas "instintivas" de baixo nivel eran extremadamente difíciles.[53] O filósofo Hubert Dreyfus sostiña desde os anos sesenta que a pericia humana depende do instinto inconsciente máis que da manipulación consciente de símbolos, e de ter unha "sensación" da situación, máis que dun coñecemento simbólico explícito.[54] Aínda que os seus argumentos foran ridiculizados e ignorados cando se presentaron por primeira vez, finalmente, a investigación da IA coincidiu.[n. 4][5]

A cuestión non está resolta: O razoamento subsimbólico pode cometer moitos dos mesmos erros inescrutables que a intuición humana, como o rumbo algorítmico. Críticos como Noam Chomsky argumentan que a investigación continua sobre a IA simbólica aínda seguirá sendo necesaria para alcanzar a intelixencia xeral,[56][57] en parte porque a IA subsimbólica afástase da IA explicable: pode ser difícil ou imposible entender por que un programa moderno de IA estatística tomou unha decisión concreta. O campo emerxente da intelixencia artificial neurosimbólica tenta tender unha ponte entre ambos os enfoques.

Notas editar

  1. No ámbito deportivo, hándicap é o sistema para asignar vantaxes a través de compensacións entre diferentes competidores de maneira que se igualen as súas posibilidades de vitoria en competicións deportivas.
  2. O Smithsonian informa: "Pluribus superou a profesionais do póquer nunha serie de xogos Texas Hold'em sen límite de seis xogadores, alcanzando un fito na investigación de intelixencia artificial. É o primeiro bot que vence aos humanos nun complexo multixogador. competencia."[32]
  3. Nils Nilsson escribiu en 1983: "Simplemente, hai un amplo desacordo no campo sobre o que é a IA."[50]
  4. Daniel Crevier escribiu que "o tempo demostrou a precisión e a perspicacia dalgúns dos comentarios de Dreyfus. Se os formulase de forma menos agresiva, as accións construtivas que suxerían poderían terse tomado moito antes."[55]
Referencias
  1. "History of artificial intelligence _ AcademiaLab". academia-lab.com. Consultado o 2023-03-03. 
  2. Resolución de problemas, resolución de enigmas, xogo e dedución: Russell & Norvig 2003, c. 3–9, Poole, Mackworth & Goebel 1998, c. 2,3,7,9, Luger & Stubblefield 2004, c. 3,4,6,8, Nilsson 1998, c. 7–12
  3. Razoamento incerto: Russell & Norvig 2003, pp. 452–644, Poole, Mackworth & Goebel 1998, pp. 345–395, Luger & Stubblefield 2004, pp. 333–381, Nilsson 1998, c. 19
  4. Intratabilidade e eficiencia e a explosión combinatoria: Russell & Norvig 2003, pp. 9, 21–22
  5. 5,0 5,1 Evidencia psicolóxica da prevalencia do razoamento e coñecemento sub-simbólico:
  6. Representación do coñecemento: ACM 1998, I.2.4, Russell & Norvig 2003, pp. 320–363, Poole, Mackworth & Goebel 1998, pp. 23–46, 69–81, 169–196, 235–277, 281–298, 319–345, Luger & Stubblefield 2004, pp. 227–243, Nilsson 1998, c. 18
  7. Fnxeñería do coñecemento: * Russell & Norvig 2003, pp. 260–266, Poole, Mackworth & Goebel 1998, pp. 199–233, Nilsson 1998, c. 17.1–17.4
  8. Representación de categorías e relaciones: Russell & Norvig 2003, pp. 349–354, Poole, Mackworth & Goebel 1998, pp. 174–177, Luger & Stubblefield 2004, pp. 248–258, Nilsson 1998, c. 18.3
  9. Representación de eventos e o tempo: Russell & Norvig 2003, pp. 328–341, Poole, Mackworth & Goebel 1998, pp. 281–298, Nilsson 1998, c. 18.2
  10. Poole, Mackworth & Goebel 1998, pp. 335–337
  11. Russell & Norvig 2003, pp. 341–344, Poole, Mackworth & Goebel 1998, pp. 275–277
  12. Planificación automática: ACM 1998, ~I.2.8, Russell & Norvig 2003, pp. 375–459, Poole, Mackworth & Goebel 1998, pp. 281–316, Luger & Stubblefield 2004, pp. 314–329, Nilsson 1998, c. 10.1–2, 22
  13. Russell & Norvig 2003, pp. 600–604
  14. Planificación clásica: * Russell & Norvig 2003, pp. 375–430, Poole, Mackworth & Goebel 1998, pp. 281–315, Luger & Stubblefield 2004, pp. 314–329, Nilsson 1998, c. 10.1–2, 22
  15. Russell & Norvig 2003, pp. 430–449
  16. Russell & Norvig 2003, pp. 449–455
  17. 17,0 17,1 Aprendizaxe automática: ACM 1998, I.2.6, Russell & Norvig 2003, pp. 649–788, Poole, Mackworth & Goebel 1998, pp. 397–438, Luger & Stubblefield 2004, pp. 385–542, Nilsson 1998, c. 3.3, 10.3, 17.5, 20
  18. Jordan, M. I.; Mitchell, T. M. (16 de xullo de 2015). "Machine learning: Trends, perspectives, and prospects". Science (en inglés) 349 (6245). pp. 255–260. Bibcode:2015Sci...349..255J. PMID 26185243. doi:10.1126/science.aaa8415. 
  19. Russell & Norvig (2009), p. 1.
  20. European Commission (2020), p. 1.
  21. CNN (2006).
  22. Publicidade dirixida:
  23. Lohr (2016).
  24. Smith (2016).
  25. Rowinski (2013).
  26. Frangoul (2019).
  27. "ultrafalso, alternativa a deepfake". fundeu (en castelán). 19 de marzo de 2019. Consultado o 1 de febreiro do 2023. 
  28. Brown (2019).
  29. McCorduck (2004), pp. 480–483.
  30. Markoff (2011).
  31. Google (2016); BBC (2016)
  32. Solly (2019).
  33. Bowling et al. (2015).
  34. Sample (2017).
  35. Anadiotis, George (1 de outubro de 2020). ZDNet, ed. "The state of AI in 2020: Democratization, industrialization, and the way to artificial general intelligence" (en inglés). Consultado o 2 de febreiro do 2023. 
  36. Heath, Nick (11 de decembro de 2020). ZDNet, ed. "What is AI? Everything you need to know about Artificial Intelligence" (en inglés). Consultado o 2 de febreiro do 2023. 
  37. Aletras, N.; Tsarapatsanis, D.; Preotiuc-Pietro, D.; Lampos, V. (2016). "Predicting judicial decisions of the European Court of Human Rights: a Natural Language Processing perspective". PeerJ Computer Science 2. p. 93. doi:10.7717/peerj-cs.93. 
  38. "Going Nowhere Fast? Smart Traffic Lights Can Help Ease Gridlock". 18 de maio de 2022. 
  39. "Intellectual Property and Frontier Technologies". WIPO. 
  40. 40,0 40,1 "WIPO Technology Trends 2019 – Artificial Intelligence" (PDF). WIPO. 2019. Arquivado dende o orixinal (PDF) o 2022-10-09. 
  41. 41,0 41,1 Turing (1950), p. 1.
  42. Publicación orixinal de Turing do test de Turing en "Computing machinery and intelligence": Influencia histórica e implicacións filosóficas:
  43. Turing (1950), Under "The Argument from Consciousness".
  44. Russell & Norvig (2021), chpt. 2.
  45. Russell & Norvig (2021), p. 3.
  46. Maker, Meg Houston (2006). "AI@50: AI Past, Present, Future". Dartmouth College. Arquivado dende o orixinal o 3 de xaneiro de 2007. Consultado o 3 de febreiro do 2023. 
  47. McCarthy 1999.
  48. Minsky (1986).
  49. "Artificial intelligence - Google Search". www.google.com. Consultado o 2022-11-05. 
  50. Nilsson (1983), p. 10.
  51. Haugeland (1985), pp. 112–117.
  52. Hipótese do sistema de símbolos físicos: Importancia histórica:
  53. Paradoxo de Moravec:
  54. Crítica de Dreyfus á IA: Importancia histórica e implicacións filosóficas:
  55. Crevier (1993), p. 125.
  56. Langley (2011).
  57. Katz (2012).

Véxase tamén editar

Bibliografía editar

Edicións posteriores.
Os dous libros de texto máis utilizados en 2021. Open Syllabus: Explorer Arquivado 07 de outubro de 2021 en Wayback Machine.
Historia da IA

Outros artigos editar

Ligazóns externas editar