Im Feld der künstlichen Intelligenz sind die schwierigsten Probleme als AI-complete oder AI-hard informell bekannt, andeutend, dass die Schwierigkeit dieser rechenbetonten Probleme zum Beheben des Hauptproblems der künstlichen Intelligenz — das Bilden von Computern so intelligent gleichwertig ist wie Leute oder starker AI. Um ein Problem zu nennen, widerspiegelt AI-complete eine Einstellung, dass er durch einen einfachen spezifischen Algorithmus nicht gelöst würde.

AI-complete Probleme werden Hypothese aufgestellt, um Computervision, das Verstehen der natürlichen Sprache einzuschließen, und sich mit unerwarteten Verhältnissen befassend, während man jedes echte Weltproblem behebt.

Mit der aktuellen Technologie können AI-complete Probleme nicht durch den Computer allein behoben werden, sondern auch menschliche Berechnung verlangen. Dieses Eigentum kann nützlich sein, um zum Beispiel für die Anwesenheit von Menschen als mit CAPTCHAs, und für die Computersicherheit zu prüfen, um Angriffe der rohen Gewalt zu überlisten.

Geschichte

Der Begriff wurde von Fanya Montalvo analog mit NP-complete und NP-hard in der Kompliziertheitstheorie ins Leben gerufen, die formell die berühmteste Klasse von schwierigen Problemen beschreibt. Der frühe Gebrauch des Begriffes ist im 1987-Dr. von Erik Mueller Doktorarbeit und in der 1991-Jargon-Datei von Eric Raymond.

AI-complete Probleme

AI-complete Probleme werden Hypothese aufgestellt, um einzuschließen:

• Computervision (und Teilprobleme wie Gegenstand-Anerkennung)
• Das Verstehen der natürlichen Sprache (und Teilprobleme wie Textbergwerk, maschinelle Übersetzung und Wortsinnbegriffserklärung)
• Sich mit unerwarteten Verhältnissen befassend, während man jedes echte Weltproblem behebt, ob es Navigation oder Planung oder sogar die Art ist, getan durch Expertensysteme vernünftig zu urteilen.

Maschinelle Übersetzung

Um genau zu übersetzen, muss eine Maschine im Stande sein, den Text zu verstehen. Es muss im Stande sein, dem Argument des Autors zu folgen, so muss es etwas Fähigkeit haben vernünftig zu urteilen. Es muss umfassende Weltkenntnisse haben, so dass es weiß, was besprochen wird — muss es mindestens mit dem allem gleichen Tatsachen des gesunden Menschenverstands vertraut sein, dass der durchschnittliche menschliche Übersetzer weiß. Einige dieser Kenntnisse sind in der Form von Tatsachen, die ausführlich vertreten werden können, aber einige Kenntnisse sind unbewusst und an den menschlichen Körper nah gebunden: Zum Beispiel muss die Maschine eventuell verstehen, wie ein Ozean ein Gefühl macht, um eine spezifische Metapher im Text genau zu übersetzen. Es muss auch die Absichten der Autoren, Absichten und emotionale Staaten modellieren, um sie auf einer neuen Sprache genau wieder hervorzubringen. Kurz gesagt, die Maschine ist erforderlich, großes Angebot an menschlichen intellektuellen Sachkenntnissen, einschließlich des Grunds, der Kenntnisse des gesunden Menschenverstands und der Intuitionen zu haben, die Bewegung und Manipulation, Wahrnehmung und sozialer Intelligenz unterliegen. Wie man glaubt, ist maschinelle Übersetzung deshalb AI-complete: Es kann verlangen, dass starker AI getan wird, sowie Menschen können es tun.

Softwarebrüchigkeit

AI Systeme können sehr einfache eingeschränkte Versionen von AI-complete Problemen, aber nie in ihrer vollen Allgemeinheit lösen. Wenn AI Forscher versuchen, ihre Systeme "hoch zu schrauben", um mehr komplizierte, echte Weltsituationen zu behandeln, neigen die Programme dazu, übermäßig spröde ohne Kenntnisse des gesunden Menschenverstands oder ein rudimentäres Verstehen der Situation zu werden: Sie scheitern, weil unerwartete Verhältnisse außerhalb seines ursprünglichen Problem-Zusammenhangs beginnen zu erscheinen. Wenn sich Menschen mit neuen Situationen in der Welt befassen, wird ihnen unermesslich durch die Tatsache geholfen, dass sie wissen, was man erwartet: Sie wissen, wie alle Dinge um sie sind, warum sie dort sind, was sie wahrscheinlich und so weiter tun werden. Sie können ungewöhnliche Situationen anerkennen und sich entsprechend anpassen. Eine Maschine ohne starken AI hat keine anderen Sachkenntnisse zurückzugreifen.

Formalisierung

Rechenbetonte Kompliziertheitstheorie befasst sich mit der rechenbetonten Verhältnisschwierigkeit von berechenbaren Funktionen. Definitionsgemäß bedeckt es Probleme nicht, deren Lösung unbekannt sind oder formell nicht charakterisiert worden sind. Da viele AI Probleme keine Formalisierung noch haben, erlaubt herkömmliche Kompliziertheitstheorie die Definition der AI-Vollständigkeit nicht.

Um dieses Problem zu richten, ist eine Kompliziertheitstheorie für AI vorgeschlagen worden. Es basiert auf einem Modell der Berechnung, die die rechenbetonte Last zwischen einem Computer und einem Menschen spaltet: Ein Teil wird durch den Computer und den anderen vom Menschen gelösten Teil gelöst. Das wird durch eine von den Menschen geholfene Maschine von Turing formalisiert. Die Formalisierung definiert Algorithmus-Kompliziertheit, Problem-Kompliziertheit und reducibility, der der Reihe nach Gleichwertigkeitsklassen erlaubt, definiert zu werden.

Die Kompliziertheit, einen Algorithmus mit einer von den Menschen geholfenen Maschine von Turing durchzuführen, wird von einem Paar gegeben, wo das erste Element die Kompliziertheit des Teils des Menschen vertritt und das zweite Element die Kompliziertheit des Teils der Maschine ist.

Ergebnisse

Die Kompliziertheit, die folgenden Probleme mit einer von den Menschen geholfenen Maschine von Turing zu beheben, ist:

• Optische Charakter-Anerkennung für den gedruckten Text:
• Test von Turing:
• für - verurteilen Gespräch, wo sich das Orakel an die Gespräch-Geschichte (beharrliches Orakel) erinnert:
• für - verurteilen Gespräch, wo die Gespräch-Geschichte wiederübersandt werden muss:
• für - verurteilen Gespräch, wo die Gespräch-Geschichte wiederübersandt werden muss und sich die Person Zeit nimmt, um die Abfrage zu lesen
• BESONDERS Spiel:
• Das Bildbeschriften (gestützt auf dem Protokoll von Arthur-Merlin):
• Bildklassifikation: Mensch nur: und mit weniger Vertrauen auf dem Menschen:.

Siehe auch

• ASR-ganzer
• Liste von offenen Problemen in der Informatik
• Synthetische Intelligenz