ХИЙМЭЛ ОЮУН УХААН БОЛОН ХӨӨРХӨН ОХИНЫ ТУУЛЬ

Cover image source: Cover8.com

Хиймэл оюун ухааны хөгжил болон Хөөрхөн охины тууль

За хиймэл оюун ухаан гэхээр толгойд нь юу бодогдож байна. Нөгөө Вилл Смитийн “Би, робот” кинонд гардаг шиг л өөрийн гэсэн гоцоос гоц ухаантай компьютер өөр бусад роботуудыг удирдаад хүмүүсийг боолчлох санаатай байгаагаар ч юм уу Шварцнейгер ахын алдарт “Терминатор” цуврал дээр гардаг шиг л бас өөр нэг компьютер хүмүүсийг устгах гэж өөрийгөө програмчлаад бусад роботуудыг ч бас тэгж програмчлаад хүн төрөлхтний эсрэг дайн өдөөж байгаа талаар бодогдож байна уу? Эсвэл нөгөө Матрикс дээр гардаг шиг л хүний тархинд хиймэл дурсамж, ухаан суулгаад элдэв адал явдалтай учирч байх зуур бас өөр нэг хиймэл оюун ухаантай роботууд өөрсдийг нь эрчим хүчээр тэжээх хүмүүсийг ангуучилж, хүмүүсийг боолчилж байгаа талаар бодогдож байна уу? Ер нь л тэгээд технологийн хөгжил орой дээрээ тулаад бүх зүйлсийг хиймлээр бүтээгээд эхлэнгүүт хүмүүсийг боолчилж, нийгмийг тэр чигээр нь өөрчлөх чадвар бүхий роботууд гарч ирээд л өөрсдийгөө зүсэн бүрээр зэвсэглээд роботуудыг маш ухаантай болгож програмчлаад л хүн төрөлхтнийг устгах дайн дэгдээж хүмүүс ялагдаад л хулгана шиг л энд тэндхийн газар доорх хонгил хавьцаа нуугдаж амьдарч эхлэнгүүт дэлхийтэй дайтахаар харь гарагийнхан ирэнгүүт гэнэт Авенжерсынхан дэлхийг аврахаар нэгдэж Скайрлет Ёохансан өөрийн брэнд үсрэлтээ хийж гарч ирээд л… Дииийд, хангалттай тэгэх үү.

Scarlet johansson

Image source: The Focused Filmomrapher

Ер нь бол тэгээд иймэрхүү байж боломгүй, хүний ой тоймд багтамгүй зүйлийг хиймэл оюун ухаан гэж зүйрлүүлж бодож байвал энэ бол жаахан эндүүрэл шүү. Одоо үед шинэ эриний судлаач, эрдэмтэн болгон л хиймэл оюун ухаан болон микро-биологийн салбарт ажиллахыг хүсдэг болсон. Яагаад гэхээр эдгээр салбаруудад нээгдээгүй маш олон ололтууд энд бий ба энэ салбарын Ньютон, Эйнштейных шиг хүчтэй эрдэмтний байр суурь үгүйлэгдэж байгаа үе. Түүнээс бусад шинжлэх ухааны салбарууд бол өөр өөрсдийн одуудаар дүүрэн, тэгээд ч шинэ нээлт хийхийн тулд яах аргагүй сод ухаантан байж л чадахаар хэмжээнд очсон. Жишээлбэл сансар судлалын талбарт Нейл Тайсон, физикт Стефен Хавкинг гэх мэт. Сод хүмүүс шинэ нээлт хийхэд тэрийг нь өөрөөс нь өөр хүн ойлгох хүн байхгүй байхаас гадна өөрсдийнх нь онолын баталгаа 20, 30н жилийн дараа хийгдэж байх жишээтэй. Харин хиймэл оюун ухаанд бол бүгд л адилхан төвшинд, бүгд л энэ нэг юм яадаг юм бол гээд шинэ тоглоомоо хазаж оролдож байгаа жаахан хүүхэд шиг л байгаа. За тэгэхээр энэхүү хиймэл оюун ухаан гэх энэ том шинжлэх ухааны талаарх цухас бичихийг хичээлээ.

Дэлхийд мэндлэхээс өмнөх үе (өмнөх 1943)

Саяхан дурдсан кинонуудын хиймэл оюун ухааны талаарх ойлголтуудаас зарим зүйлс нь үнэнд ойрхон. Эдгээр нь: хиймэл оюун ухаан болон робот ихэнхдээ хамт хэлхэлдэж яригддаг, мөн хиймэл оюун ухааныг хүн програмчилж ажиллагаанд оруулдаг. Хүн програмчилна гэхээр мэдээж ямар нэг машин дээр код бичиж оруулж таарна. Тэр машин нь мэдээж хүн болгоны мэдэх компьютер байж таарна. Тэгэхээр компьютер үүссэн цагаас хойш хиймэл оюун ухааны шинжлэх ухаан маань эхэлж хөгжсөн. Бүүр тодорхойлж хэлбэл Алан Тюринг өөрийн зохион бүтээсэн машин (компьютерын анхны хувилбар) болон ямар нэг үзэл бодол ухагдахуунд зориулсан загвар систем компьютер дээр хийгдэж болно гэх онол дэлхийн эрдэмтдэд хиймэл оюун ухааны талаарх гэрэл толгойд нь асааж өгсөн.  Алан Тюрингын машин зөвхөн Германы  Энигма кодыг тайлах зориулалттай байсан бол 1950-аад оны Жон Вон Ньюманы ажил одоогийн орчин үеийн компютерийн архитектур талаас нь анхных болох компьютерыг дэлхийд нээсэн. Үүн дээр хүмүүс өөрийн хүссэн кодоо бичээд хүссэн үр дүнгээ хүлээж авах боломжтой болсноор хүн төрөлхтөнд шинэ тоглоом гарч ирснээс гадна шинжлэх ухаанууд хурдтай үсрэнгүй хөгжих үндэс нээгдсэн. Ингээд л шинэ шинжлэх ухааны адал явдал эхэлж байгаа юм даа, ерөнхийд нь бол хиймэл оюун ухааны түүхчилсэн үечлэлийг эрдэмтэд 7н өөр үед хувааж үздэг. Хамгийн эхний үе бол мэдээж шинжлэх ухаан үүсэхээс өмнөх үе. Дөнгөж саяхан бичсэн Аланы машин болон бодол ухагдахууныг машинд оруулж тодорхойлж болно гэсэн түүний онолын ажлууд бүгд энэ үед орно. Түүнчлэн энэ үед хүний тархины эд эсийн ажиллагааны судалгаанд ч шинэ нээлтүүд гарч хүний тархи яаж ажилладаг талаар ерөнхий таамаг гарч байсан үе. Энэ үе 1943 он хүртэл үргэлжилнэ. Харин 1943 оноос 1956 он хүртэлх үе бол хиймэл оюун ухааны шинжлэх ухааны төрөлтийн үе.

Шинжлэх ухаан болж төрсөн нь (1943- 1956)

1943 онд нийтлэгдсэн Warren McCulloch and Walter Pitts-н “A Logical Calculus of Ideas Immanent in Nervous Activity” гэх судалгааны ажил бол хамгийн анхны хиймэл оюун ухааны талаарх нийтлэл. Энэ нийтлэл ерөнхийдөө тархийг тооцоолох төхөөрөмж болгож болно гэдгийг онолын төвшинд нотолж харуулсан. Тархи бол эсийн сүлжээний нэгдэл гэх онолын нээлтийг ашиглаад тэр олон ньюроныг төхөөрөмж болгон холбоод,  нэгж ньюрон болгоныг эд эс болгож төлөөлж үзээд тэдгээрийн хоорондын холбооны үйлдлийг логик болон Аланы тооцооллын онолд тулгуурлан ямар ч тооцоололтыг тухайн төхөөрөмжид хийх боломжтой болохыг нотолсон. Энэ нээлтэд 1949 онд Доналд Хебб жижиг өөрчлөлт хийн төхөөрөмжийн эд болгоны холбоосны жинг харилцан адилгүй болгож өөрчилснөөр уг төхөөрөмж маань өөртөө шинэ зүйлийг нээж суралцах боломжтой болгосон. Энэ нээлт нь Hebbian learning гэж нэрлэгдэх болсон ба одоо хүртэл энэ модель шинжлэх ухааны салбарт хэрэглээний төвшинд байдаг. 1951 онд энэ судалгааны ажлыг практикт Харвардын их сургуулийн хоёр оюутан ашиглаж хамгийн анхны мэдрэлийн цогц систем бүхий компьютерыг хийсэн. Энэ нь Снарк (SNARC) гэх нэртэй ба нийт 40-н эс бүхий 4000 гаруй вакуум хоолойноос бүрдсэн ба харх төөрдөг байшинд хоол хайж байгаа үйлдлийг програмчилж өгсөн.

Snarc

Image: SNARC Maze Solver source: CyberneticZoo.com

Үүнийг хийсэн оюутны нэг нь болох Марвин Минск (Marvin Minsky) 2016 онд нас нөгчих хүртэлээ хиймэл оюун ухааны энэ салбарыг тэргүүлэн хөгжүүлж байсан. Одоогоор энэ мэдрэлийн эсэн сүлжээт тооцоолол хийх аргачлал нь хиймэл оюун ухааны нэг салбар гэж тооцогдож байгаа ба саяхан хүн болгоны л ярих болсон Deep learning нь үүний хамгийн сүүлийн хувилбарт ололт. Deep learning маань үндсэндээ маш олон мэдрэлийн эд эсүүдийн дунд GPU-н туслалцаатайгаар үр дүн өндөртэй, хурдан тооцоолол хийж байгаагаараа олон хүний анхаарлыг татаад буй. Энэ үед Алан маань бас өөр нэг шинэ судалгааны ажил нийтэлсэн нь хиймэл оюун ухааны салбарыг бас тэр чигээр нь доргиогоод авсан. Уг судалгаа нь 1950 онд “Computing Machinery and Intelligence” гэх нэртэй нийтлэгдсэн ба тухайн үед хиймэл оюун ухаанд эргэлзэж байсан гүн ухаантан болон математикч нарын бүгдийнх нь амыг тагласан. Анх Аланг Германы Энигма кодыг тайлсан машинаа бүтээсний дараа бусад гүн ухаантан, математикчид болон эрдэмтэд түүнээс “Машин бие дааж сэтгэж чадах уу?” гэж асуухад тэр итгэлтэйгээр чадна гэж хэлж байсан боловч өөрийн байр сууриа нотолж харуулах байр суурьтай нотолгоо дутагдаад байсныгаа 1950 онд нийтэлсэн энэ ажлаараа хангаж өгсөн. Энэ судалгааны ажлаараа тэрбээр хэрхэн машин бие дааж сэтгэж байгааг шалгах аргачлалыг Алан Imitation Game гэх тоглоомонд суурилж гарган танилцуулсан. Харин энэ тестийг хиймэл оюун ухаанд Turing test гэж нэрлэдэг ба энэ тест нь ямарваа нэг машиныг хүн шиг сэтгэж, бие дааж үйлдэл хийж байгаа эсэхийг шалгах стандарт тест болсон. Тухайн үед Алан технологи хөгжиж, компьютер хурдан тооцоолол хийх шатанд хүрч хөгжих үед  миний нээсэн энэ тестийг давах хиймэл оюун ухааны програм зохиогдох болно гэж хэлсэн ч өдийд 60аад жилийн дараа үүнийг давсан ганцхан програм зохиогдсон төлөвтэй байна. Хожим Imitation Game нэртэй кино гарч Аланы амьдралын талаарх түүхийг олон нийтэд дэлгэсэн. Алан энэ тестээс гадна зарим чухал зүйлсийг нээсэн нь өөрийгөө хөгжүүлэх машин, удамшлын алгоритм, урамшуулалт хөгжүүлэлт хийх аргачлал зэрэг юм. Эдгээр нь одоогийн хиймэл оюун ухааны салаа салбар болоод хөгжиж буй. Энэ үед өөр нэг чухал онолын судалгааны ажил хийгдсэн нь Херб Сайман, Алан Ньювейл, Шав нарын Логикын онол юм. Энэ нь хамгийн анхны хиймэл оюун ухааны програм ба хүний асуудал шийдэх аргачлалыг яг тэр чигээр нь хуулж инженерчлэгдсэн програм. Уг програм нь Principia Mathematica-н 38-н теоромын баталгааг бие дааж хийж чадсан. Энэ судалгааны ажил нь математикийн теоремуудыг батлахаас гадна хиймэл оюун ухааны талбарт үндэс болсон гурван ойлголтыг нээсэн. Эхнийх нь бие дааж хайлт хийхэд ашиглагдах хайлтын үндэслэгээ гэх ойлголтыг гаргаж ирсэн. Тухайн програмны байр сууриас харахад баталгаа бол ямар нэг үндэс суурьнаас салаалсан логик хайлт ба уг суурь үндэсний нөхцөл хангагдахад баталгаа хийгдлээ гэж үздэг байсан. Яг энэ аргаар одоогийн ихэнх хиймэл оюун ухааны програмны хайлт, тооцоолол хийгдэж байгаа. Дараагийн бас нэг чухал зүйл нь хайлт бүрт тохирч болох шийдэл нь математикийн хуулийн дагуу илтгэгч зэргийн хувиар өсөлттэй байсан ба энэ нөхцөлд байж болох хувилбарыг багасгаж тооцоолж болох аргачлал танилцуулсан. Эцэсд нь уг програм маань өөрийн гэсэн тусгай програмчлалын хэл дээр (IPL) бичигдсэн байсан ба тэр програмчлалын хэлэнд жаахан өөрчлөлт хийгээд л одоо хүртэл хиймэл оюун ухааны програмчлал болон бусад маш их тексттэй ажиллах өндөр чадвартай програмчлалын хэл зохиогдсон нь Lisp юм. Эдгээрийн дараагаар 1956 онд Дартмоунтад зуны турш хиймэл оюун ухаантай холбоотой эрдэмтэдийн оролцсон уулзалт зөвлөгөөн зохион байгуулагдсанаар дэлхийн даяар хиймэл оюун ухаан гэх шинэ шинжлэх ухааны салбар нээгдсэнийг зарласан явдал болсон.

Эхлэлийн алтан үе (1956- 1969)

Энэ үеийн дараагаар 1956-1969 он хүртэлх эхэн үеийн хөгжлийн алтан үе эхэлсэн. Цоо шинэ зүйл эхлээд, тухайн үеийн оролдлогууд нь бүгд амжилттай болж байсан учраас тэр үед эрдэмтэд их эерэг хандлагатайгаар хандаж байсан. Үүнээсээ гадна тухайн үеийн бүхий л шилдэг эрдэмтэд сэтгэгчид энэ салбар луу хэлбийж эхэлж байсан учраас үүнийг нь дагаад санхүүжилт ч асар ихээр хийгдэж байсан. Тухайн үеийн хамгийн эхний нээлт бол Симон болон Ньювелийн зохиосон General Problem Solver байсан. Уг програм маань яг хүн шиг эргэцүүлж, асуудлын шийдлийг олох зориулалттайгаар бүтээгдсэн ба ямарваа нэг асуудлын үндсэн өгөгдлүүдийг тэрхүү асуудлыг хэрхэн шийдэх стратегиэс салгаж хөгжүүлэлт хийсэн хамгийн анхны програм болсон. Энгийнээр хэлбэл ямарваа нэг асуудалыг хүн шийдэхийн өмнө эхлээд юуны улмаас, ямар байдалд байгаа, ямар үр дүнд хүрэх ёстой вэ, уг асуудлыг шийдэхийн тулд ийм үйлдэл хийвэл хариу үйлдэл ямар байх вэ гэж эргэцүүлж үзэх хэрэгтэй болдог. Яг энэ аргачлалыг програмчлаад асуудалд өгөгдсөн, мэдэгдэж байгаа нөлөөлөх хүчин зүйл болгоныг тухайн програмны нөхцөл оролт болгож тооцоолол хийж хамгийн боломжийн шийдлийг програм гаргаж ирж байгаа гэсэн үг юм. Энэ нээлт маань өөр бусад нээлтийн үндэс гишгүүр болсон ба Гелернтер 1959 онд Geometry theorem Prover зохиж гаргаж тухайн үеийн геометрын теоремуудын баталгаануудыг уг програмаар хийж эхэлсэн бол МкКарти 1958 онд Advice Taker гэх програм бүтээж ямар нэг шинжлэх ухааны талбард маш сайн хүний мэдлэгийг програмд буулгаж авч тухайн салбарын ямар нэг асуудлыг тухайн хүний мэдлэгийн тусламжтайгаар шийдэж эхэлсэн. Түүнчлэн 1965 онд Робинсоны нээсэн Resolution theorem proving алгоритм нь нэгдүгээр зэргийн логик дарааллыг бүрэн дүүрэн батлах чадвартай байсан. Үүнтэй зэрэгцээд хиймэл оюун ухааны шинжлэх ухааны нэг аймшигтай араатаны эхэн үеийн хөгжил IBM-н хамгийн анхны худалдаанд гаргасан шинжлэх ухаанд зориулсан 701 загварын компьютер дээр хийгдэж байсан. Энэ нь machine learning буюу өөрөө бие даан суралцах чадвартай тооцоолуурын хөгжлийг практикт Самуэль эхлүүлсэн. Самуэль маш олон төрлийн Checker гэх програм бичсэн ба үүнийхээ заримыг ТВ-ээр шууд дамжуулан үзүүлж олон нийтэд компьютерын хөгжлийг хиймэл оюун ухааны програмын тусламжтайгаар танилцуулж байсан нь шинжлэх ухааны хөгжил, ололтыг олон нийтэд хүрэхэд их дэм болж байлаа. Түүний 1959 онд бичсэн тоглоомны програм нь өөрөө өөрийнхөө эсрэг тоглох чадвартайгаас гадна өөрийнхөө зохиогчоос ч илүү түвшинд тоглож эхлэсэн. Уг програм нь хамгийн анхны өөрөө бие даан суралцах чадвар бүхий програм гэж тооцогддог. Эдгээрийн хажуугаар хиймэл оюун ухааныг олонд танил болгоход хамгийн гол шалтгаан болсон салбар болох хэл боловсруулах чадвар шинээр хөгжиж эхэлсэн юм. Хамгийн анхны хүнтэй харьцах чадвартай програмыг Виноград (T.Winograd) бичсэн ба энэ нь дэлгэцэнд оруулсан жирийн асуултанд хариулах чадвартай SHRDLU програм юм.

Source: Gaizauskas, R. (2016) Machines and Intelligence: Lecture notes. Sheffield: The University of Sheffield

Их жирийн боловч энэ програм нь хэл боловсруулж судлах хүсэлтэй эрдэмтдэд хэрэгтэй хөрсийг нь бэлдэж өгсөн. SHRDLU нь өөрийн гэсэн санах ойтой ба түүндээ хэрэглэгчээс шинэ мэдээлэл оруулж хадгалах боломжтой байсан нь мөн л шинэ нээлт. Энэ салбарт бас өөр нэг хэл шинжлэлтэй холбоотой шинэ програм бичигдсэн нь ELIZA юм. Жосеф 1964-1966 оны хооронд MIT-д энэхүү програмыг зохиосон ба энэ програм нь өөрийн гэсэн мэдээллийн баазтай байсан. Хэрэглэгчтэй харилцахдаа тэр мэдээллийн сангаасаа тохирох үгийг сонгож хэрэглэж хэрэглэгчтэй чатлах чадвартай. Эдгээр нээлтүүд нь тухайн үеийн MIT-н судалгааны ажлуудын жишээ болсон ажлууд ба Минскийн удирдан явуулсан судалгааны програмын хэсгүүд байсан. Харин сүүлд Мински өөрөө хиймэл оюун ухааны онолд жижиглэсэн ертөнц гэх шинэ ойлголтыг нээсэн ба үүний тусламжтайгаар уг салбартаа цаашдын судалгааны ажил хийхэд маш амар болсон. Жижиглэсэн ертөнц гээд байгаа маань юу вэ гэхээр тухайн хайлтын ажилд тохиромжтой энгийн өгөгдлөөр бүтсэн орчин гэх хиймэл ойлголтыг тухайн програмдаа оруулж өгөн тооцоолол хийх юм. Тухайн програмны харилцах жинхэнэ орчинд тооцогдож болох зарим хүчин зүйлийг хасаж үзэж судалгаа, тооцоололоо хийнэ гэсэн үг. Үүнтэй адил аргачлалыг бид 10н жилдээ физикийн бодлого бодохдоо ашигладаг. Жишээлбэл гүний худгаас хувинтай ус татаж гаргаж байгаа хүний олсноос татах хүчийг тооцоолохдоо тухайн олсны үрэлтийн хүчний үйлчлэлтийг тооцоололгүйгээр бодлогоо бодох гэх мэт. MIT-н эдгээр шинэ нээлтүүдийн хажуугаар Stanford-н эрдэмтэд судлаачид ч бас хиймэл оюун ухааны салбарт цоо шинэ зүйл нээж хөгжүүлж байсан нь роботик юм. Тэд 1966-1972 оны хооронд Shakey гэх робот зохиог бүтээсэн. Уг робот нь өгөгдсөн командыг өөрөө бие даан жижиглэн олон жижиг тушаалд задалж боловсруулах чадвартай, дурангаар дүрс хүлээж авч тухайн орчиндоо хариу үйлдэл өгөх чадвартай ба хэл боловсруулах чадварыг ч өөртөө агуулсан робот юм.

Source: Gaizauskas, R. (2016) Machines and Intelligence: Lecture notes. Sheffield: The University of Sheffield

Энэ нь өмнөх логик үндэслэгээний судалгаа болон бодит биетийг хиймэл оюун ухаантай хослуулсан хамгийн анхны төслийн ажил болсноос гадна Stanford Research Institute Problem Solver гэх үйлдэл төлөвлөх аргачлалыг нээсэн. Уг аргачлал нь анхны байдал, хүрэх ёстой төлөв, үйл хөдлөл гэх өгөгдлийг ашиглан ямар ч биетийн анхны байдлаас хүрэх ёстой байдал хүртэлх боломжит арга замуудыг тооцолдог ба одоо Stanford-н энэ аргачлалыг бүхий л газар ашиглаж байгаа. Ер нь бол энэ үед маш олон хоорондоо адилгүй судалгааны ажлууд хийгдэж, түүнийгээ дагаад олон хиймэл оюун ухааны салаа салбарууд нээгдэж хөгжсөн дөө.

AI Winter (1966- 1973)

Мэдээж ямар ч зүйл байнга л сайн сайхан хөгжинө гэж юу байх вэ. Үүнийг ч дагуу хиймэл оюун ухааны хөгжилд хэдэн жилийн хар үе байсан. 1966-1973 оны үеийг “AI Winter” гэдэг ба энэ үед уг шинжлэх ухааны хөгжил бараг л зогсох дөхсөн. Маш олон төрлийн асуудалтай 1960-аад оны үед тулгарч эхэлсэн ба эдний хамгийн хэцүү нь технологийн тооцоолох чадварын лимит байлаа. Тухайн үеийн компьютер хиймэл оюун ухааны бүрэн тооцоолол хийхэд дэндүү удаан байсан. Жишээ татвал: жирийн хүний нүдний чадвартай адил чадвар бүхий тооцооллыг шууд хийхэд 10-н 9-н зэрэгтэй тооцоолол секундэд (1000 MIPS) хийх шаардлагатай байх ёстой ба өнөө үеийн ийм зориулалттай компьютерүүд 10-н 4-9н зэрэгт MIPS үйлдэл хийх чадвартай л болж байгаа бол 1976 онд дэлхийн хамгийн хурдан компьютер 80-130 MIPS үйлдэл хийх чадвартай л байсан. Үүний адилаар үндсэн математик тооцоолол болон алгоритмын нарийн төвөгтэй байдал тооцоолол хийхэд хүртэл хэт удаан байх бэрхшээлтэй тулгарч байсан. Эхэн үедээ судлаачид маань жижиглэсэн ертөнц дээр тооцооллоо хийж, баталгаагаа хийчихээд тэрийгээ илүү нарийн төвөгтэй байдалд  буюу арай бодит байдалтай ойролцоо байдалд туршихад зөвхөн тооцоолох техникээ сайжруулахад л болно гэж бодоцгоож байсан нь тохиромжгүй зүйл байх нь он жил өнгөрөх тусам нотлогдож байсан. Тухайн үед тулгарч байсан тооцооллын асуудлын нэг нь өгөгдсөн нөхцлийн комбинаторик үржигдэх чанар юм. Жишээлбэл: шатар тоглож байхад ямар нэг нөхцөлд боломжит нүүдэл хийх 30н боломж, нэг тоглолтын урт нь дунджаар 40н нүүдэл байна гэж тооцоод үүнийг хиймэл оюун ухааны тусламжтайгаар тооцоолж үзнэ гэвэл 30(0 зэрэг) + 30(1 зэрэг) + 30 (2 зэрэг) + … + 30 (40 зэрэг)= 30 (120 зэрэг) гэх тооцоог хийх ёстой болно. Энэ бол маш том тоо. Үүнтэй жишиг болгон харьцуулахад ертөнцийн бүх биетийн атомын тоо 10 (80 зэрэг). Түүнчлэн тухайн үед ийм том хэмжээний мэдээллийн бааз бүтээх, ийм хэмжээний мэдээлэл боловсруулах програм зохиох тал дээр ч сайн ойлголтгүй байсан. Үүн дээр нэмэгдээд бодит ертөнцийн үл ойлгогдох байдал болон аливаа зүйлсийг хүн ба компьютер хэрхэн ялгаатай хүлээж авах байдал нь маш том бэрхшээл болж эхэлсэн. Камераар хүлээж авч байгаа дүрс нь нэг бол тийм ч юм шиг үгүй бол арай өөр ч юм шиг харагдах нөхцөл гэх мэт.

ambiguous-imagesImage source: PostmodernMoviePoster

Жишээлбэл нэг зургыг хүмүүс хараад нэг залуу эмэгтэй болон нэг хөгшин эмэгтэй байна гэх бол үүнийг компьюер ч гэсэн ялгаж харж чадахгүй. Орон зайн наана цаана байхыг мэдрэх мэдрэмж бас алдаа ихтэй байсан. Хэл боловсруулах тал дээр гэхэд адил бичигддэг хирнээ өөр өөр утгатай үгнүүд их асуудал дагуулж эхэлсэн. Холбоот сүлжээ бүхий тооцоолох машин зохиох судалгаанд ч зарим эрдэмтэд буруу бодож уг салбарынхаа судалгааг 10н жилээр хойш татсан. Роботикын талбарт ч эрдэмтэд тухайн үед ашиглаж байсан логик, алгоритм, үндэслээгээнээс гадна роботод хөндөгдөөгүй биет тухайн байсан байрандаа байж байх болно гэх шинэ аксиом зохиож ашиглаж робот хөдлөхийнхөө өмнө эргэн тойрон дахь биетийн байгаа байдлыг эргэцүүлж үзэх тооцооллыг багасгах шаардлагатай байгаа нь ажиглагдаж эхэлсэн. Энэ асуудал яваандаа 80-аад онд шийдэгдсэн. Үүний адилаар зөвхөн логикт суурьлсан үндэслээгээгээр тооцоолол хийх нь хангалтгүй байгаа нь анзаарагдаж эхэлж яваандаа эрдэмтэд статистикийг хиймэл оюун ухааны тооцоолол хийхэд ашиглах шаардлагатай болсон. Эдгээр асуудлыг сайтар ажигласан эрдэмтэд хиймэл оюун ухааны салбар маань ямарваа хүнд хэцүү асуудлыг шийдэхдээ төвөггүй байгаа ч хүний амархан гэх асуудлыг шийдэхдээ их цаг авч байна гэж хэлэлцэж эхэлсэн. Энэ олон асуудал дээр нэрмээс болоод энэ салбарт хийгдэж байсан санхүүгийн хөрөнгө оруулалтууд судалгааны амжилтгүй байдлыг дагаад зогсож эхэлхээс гадна бүдрээд унасан байгаа дээр нь нэмээд хэд өшиглөчихье гэдэг шиг л хиймэл оюун ухаанаас гаднах зарим эрдэмтэд уг салбарыг шүүмжилж эхэлсэн.  Тэдгээрээс заримыг нь дурьдвал: хүний ааш араншин хэтэрхий төвөгтэй олон байдалтай бол компьютер зөвхөн зааж өгсөн дүрэм дагах л чадвартай учраас хүний ухааныг компьютер дээр хуулбарлаж бүтээх бол боломжгүй гэх үндэслэлтэй шүүмжлэл. Энэ мэтээр тэгээд л уналтын үедээ их юм үзсэн дээ хөөрхий. Тэгэхдээ энэ ч их зүгээр юм болсон юм. Яагаад гэвэл энэ л үед хиймэл оюун ухааныг зөв хөгжүүлэхэд яг юу юу хэрэгтэй вэ гэдгээ их сайн ойлгож авсан үе болсон доо. Одоо эргээд харахад эхний хэдэн жилийн судалгааны арга барилууд энгийн нөхцөлд, лабораторын нөхцөлд, цаасан дээр үзгээр нотолгоо,тооцоо хийхэд тохиромжтой байгаа ч яг бодит нөхцөл дээр, эсвэл арай илүү том орчинд илүү тооцоолол хийх шаардлагатай үед л болохоо байгаад ажиллахаа байчихаад байлаа. Яахав бодоод үз дээ, Улаанбаатарт өөрөө автоматаар явдаг машин хийж гаргахаар судалгаа шинжилгээ хийлээ гэж төсөөлье. За тэгээд хотынхоо замыг компьютерт оруулж байгаад тэрийгээ хотын замын гэрлийн системийг таньдаг болгоод эргэн тойрны орчиноо хардаг камератай болгоод эргэн тойрон дахь машинаасаа тодорхой хэмжээнд зайтай явдаг болгоод програмчиллаа. Тэгээд хаа газраас хөдлөөд замын гэрлээ дагаад хүссэн газраа очих болгоод програмаа туршаад үзчихлээ. Алдаагүй харагдаж л байна тийм ээ. За тэгээд энийгээ зам дээр тавингуут шууд л осолд орно эсвэл байрнаасаа хөдлөхгүй зогссоор л байна байх. Яагаад гэхээр осол гаргахгүйн тулд эргэн тойрны дөрвөн зүг найман зовхисыг байнга хянаж орчиндоо юу болж байгааг шууд ойлгож байх хэрэгтэй болно, өвөл бол машиныхаа мөсөн гулгалтыг тооцох хэрэгтэй, ямар ч нөхцөлд замын гэрлээ таних хэрэгтэй, гэнэт гэнэт олимпийн 100 метрт уралдаж байгаа юм шиг гүйдэг явган зорчигчдыг анзаарах хэрэгтэй, манайхан жолоочгүй машин явж байгааг мэдэх юм бол шууд л шахаад дээрэлхээд эхлэнэ тэр болгонд машин болгоноос зайтай байхаар програмчлагдсан учраас  дайрсан машин болгоныг хүлээж явуулж таарна, тэгээд ч муусайн приуснууд хаанаас ч гэнэт гараад ирэх юм билээ бүү мэд. Энэ мэт маш их тооцоог нэг дор шууд хийх шаардлагатай болно. Яг эхэн үеийн хиймэл оюун ухааны хөгжлийн тооцооллыг яг ингэж бодож гаргадаг байсан нь тооцоололд тохирсон шийдлийг эргэцүүлэн гаргахад маш их цаг авч байсан. Тэгээд үүнийхээ алдааг олж хараад энийгээ өөрчилж арай ухаалаг байдлаар зөв үр дүн хайх аргийн эрэл эхлэнэ дээ.

Мэдлэгт суурилсан систем болон мэргэжлийн системийн хөгжлийн эхлэл (1969- 1989)

Судлаачид энэ байдлыг ажиглаад судалгааны ажлаа ямар нэг хүрээлэлд баригдсан нөхцөлд ажиллах талаар ажиллагаа хийж эхэлсэн. Үүнийг мэдлэгийн хүрээллийн эсвэл мэргэшсэн систем гэж нэрлэх болсон. Ийм систем маань ямар зарчмаар ажиллах вэ гэхээр ямарваа нэг шинжлэх ухааны мэргэжилтний заавар эсвэл тухайн шинжлэх ухааны ололт, дүрмүүдийг мэдээллийн санд хуулаад тэрэнд хайлт хийж тооцоолол хийх юм. Яг ламаас юм асуудагтай л адилхан юм даа. Манайхан лам дээр очоод миний амьдралд юу боловоо гээд л асууна мань лам өөрийн мэдлэгт тулгуурлаад тухайн хүний асуултад үнэлгээ, тооцоолол хийж, “үзэж хараад” тохирох хариултыг тухайн хүндээ хэлж заавар хэлээд, адис өгдөг шиг л. Яахав ламын оронд мэдээж нэг програм л байна гэсэн үг. Ийм системийн хамгийн анхных нь DENDRAL гэх масс спектрометрт оруулж өгсөн молекулын бүтцийг таних зориулалттай програм. Энийг Stanford-д Buchanan, Feigenbaum, Lederberg 1969 онд зохиосон ба энэ төхөөрөмжийн талаар бид дунд сургуулийн химийн хичээлд үздэг. Тухайн үед уг систем маань эхлээд электронд бөмбөгдүүлж гарч ирсэн молекулын массыг тооцоололдоо оруулаад хиймэл оюун ухааны эрдэмтдийн гаргасан зарчим ёсоор түүнд тохирч болох бүхий л бүтцийг эргэцүүлж шалгаж тооцоолол хийж олж байсан. Энэ нь масс өндөр молекулууд дээр найдвартай ажиллаж байсан ч бага масстай молекулд энэ нь тохиромжгүй байсан. Мэдээж масс спектрометрт оруулж байгаа учраас масс багатай молекул их байх учраас энэ аргачлал мухардалд орж эхэлсэн. Гэвч мэдээж молекулыг таних гэж байгаа учраас молекулын тодорхой бүтэцтэй хайж таарна. Яагаав нөгөө Менделеевийн үелэх систем дээр байдаг даа, бүх бодис өөрсдийн гэсэн тодорхой бүтэцтэй. Үүнийг програмдаа оруулж өгч танигдсан массыг үелэх системийн дагуу тодорхой бүтэцтэй байгаа эсэхийг шалгаж хайж эхэлснээр ямар ч алдаагүй бөгөөд маш хурдан тооцоолол хийгдэж эхэлсэн. Энэ аргачлалыг арай өөр үгээр тайлбарлаж бичье л дээ. За би нэг хөөрхөн охинд бэлэг болгож өөрт нь болон надад таалагдах хувцас бэлэглэхээр боллоо гэж бодъё. Хэдэн мянган сонголт бүхий хувцасны дэлгүүр, нөгөө хөөрхөн охин, тэгээд би өгөгдлөө. Би тэгэхээр өөртөө мэдлэгт суурилсан систем суулгаагүй үед дэлгүүрт ороод гарт баригдсан хувцсаа л барьж аваад нөгөө хөөрхөн охиндоо өгөөд байх болно. Тэр охин болон надад таалагдах хувцсыг олохын тулд маш олон удаа дэлгүүр орж хувцас аваад нөгөө охинд дургүй хувцсыг нь маш олон удаа өгөх хэрэгтэй болно. Сүүлдээ тэр охин намайг энэ нөхөр чинь тэнэг юм байх даа гэж бодож эхэлнэ биз дээ? Хэрвээ би өөртөө тэр охиныг ямархуу төрөл стиллд дуртай, ямархуу хувцас зохидог гэх мэдээллийг суулгаад авчихвал дэлгүүрийн хэдэн мянган хувцасны сонголт дундаас хурдан хугацаанд хүссэн гоё хувцсыг сонгож авна. Тэгээд л нөгөө хөөрхөн охиндоо шууд л дуртай хувцсыг нь бэлэглэнэ. Тэр дороо шууд л үнэн cool мэдрэмжтэй гэх цолтой залуу болно шүү дээ. Мэдээж энэ систем маань ямар нэг зүйлийн талаарх онолын мэдлэгийг оруулж өгөх, түүнийгээ олон жижиг хэсэгт хувааж програмын нөхцөлд тааруулж маш олон if…then гэх өгөгдөл нөхцөл оруулах гэх мэт ажиллагаа ихтэй боловч хиймэл оюун ухааны хөгжилд цоо шинэ хуудас нээсэн алхам болсон. Үүн шигээр бусад хиймэл оюун ухааны судалгааны салбарт ч гэсэн өөрчлөлт орж эхэлсэн. Жишээлбэл Yale-н судлаач Roger Schank 1970-аад онд өөрийн оюутнуудтай хамт Scripts гэх хэл боловсруулах програм боловсруулсан. Энэ нь өмнөх програмаас юугаараа өөр гэхээр үг үсгийн дунд шинжилгээ хийхээсээ илүүтэйгээр тухайн өгүүлбэрийг юуны талаар өгүүлж байна гэдгийг ойлгох тал дээр уг програм ажилладаг байсан. Мэдээж үүнийг гарсны дараа хэд хэдэн асуулт гарч ирнэ. Програм өгөгдсөн асуултыг ойлгож хүнтэй харилцахын тулд юуны талаар ярьж байгаа талаар өөрийн гэсэн анхан өгөгдөл мэдлэгтэй байх хэрэгтэй болно. Энийг нь програмдаа гараар оруулах уу? Гараар оруулахаар болвол дэлхийн бүх мэдлэг, мэдээллийн талаар гараар оруулж байж програмтай бүрэн харилцах болох нь гээд л. Энэ мэдээж алдаа ихтэй оролдлого байсан ч орчин үеийн хэл боловсруулах аргачлалд мэдээлэл салгаж ойлгох гэх шинэ аргачлал нээсэн явдал болсон. Мински ч зүгээр суусангүйгээр өөрийн шинэ аргачлалын гаргаж ирж хөгжүүлсэн. Ямарваа нэг бодит зүйлсийн талаарх мэдээллийг тухайн бодит зүйлсийн бүлэг болгож үзээд түүнд хамааралтай шинж чанар болгоныг тухайн биетийн нэг хэлхээт чанар гэж үзээд бүлэглэх аргачлал боловсруулсан. Жишээлбэл: гадуур ямар нэг хөөрхөн охин явж байлаа гэхэд түүнийг биет гэж авч үзээд түүнд хамааралтай хэлхээт шинж чанар үүсгэнэ гэсэн үг. Хэлхээт шинж чанартаа үсний өнгө, уруулын хэлбэр, нүд давхраатай эсэх, арьсны өнгө, будалт хэтрүүлж хэрэглэдэг эсэх, биеийн хэлбэр, биеэ авч явж байгаа байдал, танилцъя гээд давхиад очиход өөдөөс ширвээд өнгөрөхөөр байна уу эсэх, түүнчлэн Mongolia’s next top model-д орж тэнэгтсэн эсэх гэх мэт. Мински энэ аргачлалаа практикт нэвтрүүлэхийн тулд шинэ програмчлалын хэл зохиосон (KL-One) ба энэ хэлний шинж чанар болон энэ аргачлалын зарим шинж чанар өнөө үеийн вебийн бүтэц, объект хандлагат програмын үндэс, Java гэх мэт ангилалт програмчлалын шинж чанар, объектын удамшил, тайлбарт логик, оршин тогтнохуйн гүн ухааны онол гэх мэт олон онолын ололтын эхлэл болсон. Энэ мэт шинэ ололтууд хиймэл оюун ухааны шинэ шинэ программуудыг бизнес хэрэглээний ертөнцөд нэвтрүүлж, тэндээсээ хөрөнгө олохын хажуугаар, дэмий зардал бууруулах, зарим нэг ажиллагааг автоматжуулж алдаагүй ажиллагаатай болгох гэх мэт зүйлд хиймэл оюун ухааны ололтыг ашиглах сайхан боломж болсон. Үүнийг ч ашиглаж эмнэлгийн шинжилгээ хийх, эрсдэлийн дүгнэлт шинжилгээ хийх, хортой орчинд цэвэрлэгээ засвар хийх, системийн удирдлага гэх мэт маш олон салбарт олон олон програм мэргэжлийн системийн зарчмыг дагаж бичигдэж олон нийтийн хэрэглээнд ороод байлаа. Өндөр хөгжсөн улс орны засгийн газрууд ч ажиглаж энэ салбарт судалгаа хийх төсөл баталж эхэлсэн. 1981 онд гэхэд л Япон 850 сая долларын хөрөнгө хиймэл оюун ухааны гадаад хэлний хөрвүүлэг хийх, хүнтэй харилцах, зураг таних, хүн шиг эргэцүүлэх програм хөгжүүлэх салбарт болон робот хөгжүүлэлтийн салбарт судалгаа хийхэд зарцуулахаар, Их Британи 350 сая фунтийг хиймэл оюун ухаан болон хэл боловсруулах салбарт зарцуулахаар, Америкт ч төрийн болон хувийн хэвшлийн олон төслүүд санхүүжилт аван төлөвлөгдөж байсан байна. Магадгүй энэ их хөрөнгө өдийд олон улсад Японыг роботик, технологийн салбарт тэргүүлэгч гэх ойлголтыг төрүүлдэг болсон ч юм билүү хэн мэдлээ. Юутай ч одооноос эхлээд Япон компаниуд ажиллагаандаа хүний оролцоог халж эхэлсэн байгаа талаар Ikon мэдээлсэн байсан. Цаашид чухам юу болохыг бүгдээрээ явж ламаасаа асууцгаая.

Шинэ загварчлал: холбоот байдал, ухаалаг агент, төрөлх хиймэл оюун ухааны үе (1986 одоо үе)

Хэдийгээр мэргэшсэн систем маань амжилттай байгаад зах зээл болон судалгааны ажилд өөрийн үнэт байдлаа харуулж байсан ч судлаачдын дунд яг одоогийн энэ зарчмаар энэ салбар маань үнэхээр өөрийн бие даасан ухаалаг систем зохиож чадах уу гэх асуулт гарч эхэлсэн. Яагаад гэхээр тэр үед Тюринг тестийг давсан програм зохиогдоогүй л байсан ба мэргэшсэн систем маань өөрийнхөө зориулагдаж бичигдсэн орчинд гайхалтай ажиллах ч өөр орчинд ажиллах чадваргүй байсан. Түүнчлэн хиймэл оюун ухаан маань олон салангид салбарт хуваагдаж эхлээд байлаа. Мөн хүний ааш араншинг бүрэн гаргаж дуурайж чадах ухаалаг систем бичигдээгүй байсан. Энэ мэт нөхцөл байдлууд 1980-аад оны дундаас судлаачдыг зарим нэг шинэ аргачлал загварчлах судалгаа болон хуучин орхигдсон байсан эхэн үеийн аргачлалуудын судалгааг цааш үргэлжлүүлж хөгжүүлэх түлхэц болсон. Ерөнхийдөө гурван салаа судалгаанууд хийгдсэн байдаг. Үүнд: холбоот байдал – тархины эд эсийн бүтэц шиг систем, өөрийн гэсэн бие мэдрэхүй бүхий хиймэл оюун ухааны систем үүсгэх, ухаалаг агентууд буюу ямарваа орчинд өөрөө бие даан ажиллах чадвар бүхий систем. 1980-аад онд Жон Хопфиельд (John Hopfield) ньюрон эсийн сүлжээний хооронд мэдээлэл дамжуулах арга замд шинэ аргачлал нээсэн. Уг аргачлал нь эсийг өөрт нь оруулж өгсөн оролтоор дамжуулж тооцоо хийлгээд гаралт руу мэдээлэл дамжуулахаас гадна уг гаралтаа эргүүлж өөрийн оролтын систем рүү оруулж давталттай тооцоолол хийх боломжтой болгосноос гадна, өөр дээрээ санах ойтой болж, өөрийн гэх онцлог үйлдэл хийх араншинтай болсон. Энэ аргачлалыг арай өөр үгээр тайлбарлая л даа. Нэг залуу найз охиндоо найзуудтайгаа уулзаж халбага пиво ууна гэж худлаа хэлээд найзуудтайгаа дотадах гэж гарах гэж байгаа ба найз охин нь дота тоглоход уурладаг гэж авч үзье. Тэр найз охиныг эс гэж үзээд найз залуугийн би найзуудтайгаа уулзаж пиво ууна гэж хэлж байгааг тэр эсэд орж байгаа өгөгдөл гэж бодъё. Охин ч залуугаа явуулж харин залуу маань хөөрхий худлаа ярьж дотадаж байгаа нь баригдсан гэж төсөөлөөд тэр охин залуу пиво уухаар гарна гэж худлаа хэлээд гарч дотаддаг гэх шинэ ойлголт өөр дээрээ хөгжүүлж суралцана. Үүний дараа залууг дахиж найзуудтайгаа пиво ууна гэж хэлээд гарах гэхэд тэр охин үүнийг өгөгдөл гэж хүлээж авч найз залуугаа гаргалаа гэж бодоод найз залуу нь гараад дотадна гэх өгөгдлийг дахиж өөрийн дотроо давтан боловсруулан охин маань найз залуу нь дотадахад уурладаг учраас охины уурлах онцлог араншин хөдөлнө. Эхэн үеийн холбоот байдлын аргачлал дээрх судалгаанууд дээр илүү ахиц хийн олон давхарга бүхий эсийн сүлжээг дахиж нэвтрүүлэн уг сүлжээгээ өөрөө сурах үйлдэл хийдэг болгосон. Энэ ололт нь Румельхарт болон МкКелландын Параллель болон тараалттай тооцоолол хийх нь гэх 1986 оны судалгааны ажилд багтсан ба энэ аргачлал нь програмчлалын инженерүүдэд ч их хэрэгтэй нээлт болсон. Хамгийн чухал нь энэ аргачлалын тусламжтайгаар одоо үед их хүмүүсийн сонирхол болоод байгаа Deep learning –г хөгжүүлэхэд их нэмэр болсон. Хиймэл оюун ухааны доторх салаа салбаруудын хөгжлийн тусламжтайгаар өөрийн бие даасан агент бүтээх оролдлого гарч эхлэхэд их тохиромжтой нөхцөл бүрдсэн. Өөрийн бие даасан агент гэхээрээ ямарваа дурын орчинд өөрийн мэдрэхүйгээр тухайн орчныхоо тухай мэдээллийг хүлээж авч тэр орчны талаар хүлээн авсан мэдээлэлдээ тааруулж хариу үйлдэл бие дааж хийх чадвартай ухаалаг агентыг хэлж байгаа юм. Орчин, тухайн орчны мэдээлэл гэхээр дан ганц роботын талаар ярьж байгаа биш шүү. Өдийд хиймэл оюун ухаан ашиглаж болох бүх хэрэглээнд энэ ухаалаг агент гэх ойлголт маань нэвтэрсэн. Жишээлбэл: бид бүхний мэйл рүү өдөр болгон хэрэггүй хогон мэдээлэл ирж байгааг таслан зогсоох үүрэгтэй спам мэйл шалгагч програм бий. Энэ програмын орчин нь интернет, орчноос хүлээж авч байгаа мэдээлэл нь мэйлүүд болоод тэрэн дундаас өгөгдсөн оролтуудын дагуу спамуудыг өөрөө ялгаж хэрэггүйг нь ялгаж хогийн сав руу илгээж, хэрэгтэйг нь тухайн хүний мэйл шуудан руу явуулж байгаа. Зүгээр спам мэйл ялгах програмыг гараар бичээд тэрэнд хийсэн тохиргооны дагуу програм маань спамуудыг ялгаад байна гэж боломжгүй. Яагаад гэвэл спам явуулж байгаа хүмүүс болон тус үйлчилгээг үзүүлэгч спам мэйлээ аль болох хүнд хүргэх гэж байнга явуулж байгаа мэйлэндээ өөрчлөлт хийж, аль болох спам шалгагчид баригдахгүй байхыг хичээнэ. Үүнтэй адилаар спам шалгагч маань өөрчлөгдөн хувьсаж байх хэрэгтэй болно. Энэхүү ухаалаг агент маань өөрөө өөрийгөө хувьсан өөрчилж, шинэ өгөгдөл хурааж байх чадвартай учраас тэрхүү спам явуулж байгаа хүмүүсийн өөрчилсөн болгоныг өөрөө бариад байх шинэ аргачлалыг энэ ухаалаг агент маань өөрөө өөр дээрээ суулгаж байгаа гэсэн үг. Хөөрхөн ухаалаг байгаа биз. Мэдээж энэхүү ухаалаг агентыг хэрэглээнд оруулж ирэнгүүт өөр шинэ асуудлууд болон агент маань хэрхэн шийд гаргах тал дээр ч шинэ аргачлал, онолын судалгаанууд хийгдсэн. Камер, дуу хүлээн авагч, дуут авиа хүлээн авагч гэх мэт төхөөрөмжөөс хүлээж авах мэдээллүүд маань яг төгс чанартай байж чадахгүй. Үүнийгээ дагаад хүлээн авсан мэдээлэл дээрээ тулгуурлан зөв тооцоолол гаргах хэрэгтэй болно. Энэ тал дээр эдийн засгийн шийд гаргах онол, тоглоомын онол, шийд гаргагчийг хайх онолууд  дээр хүртэл судалгаа хийж энэ талын эрдэмтэдтэй хүртэл хамтрах шаардлагатай болсон.

Цэвэр шинжлэх ухаанчилсан аргачлал болон үлэмж мэдээллийн эрин (1987- одоо үе)

Хиймэл оюун ухааны шинэлэх ухаан хамгийн сүүлийн үед тэгээд ер нь хоёр тал руу л их хандаж хөгжиж байна даа. Хамгийн эхэнд юу вэ гэвэл хиймэл оюун ухааны судлаачид маань гэв гэнэт л өө бидний судлаад байгаа зүйл чинь шинжлэх ухаан гэдгийг чухам л гэгээрч ухаарч санаад л эргээд бусад шинжлэх ухааны зарчим, уламжлалт шинжлэх ухааны аргачлалуудыг эргэж судалгаандаа ашиглах болсон. Өөрөөр хэлбэл маш сайн зохион байгуулалттай туршилт хийж түүнээсээ онолоо баталгаажуулж авахаас гадна өөр салбар шинжлэх ухаанаас ч гэсэн хэрэгтэй онолуудыг судалгаандаа ашиглаж эхлэх болсон. Ингэснээр математикаас магадлалын онол, статистик бүтэцжүүлэх онол, мэдээллийн онол зэргийг хиймэл оюун ухаанд ашиглах болсон бол шинжлэх ухааны туршилтуудаа өмнөх үеийнх шиг жижиг ертөнц дээр ажиллуулалгүйгээр яг жинхэнэ нөхцөлд, дахин давтаж ололтоо баталгаажуулж лавшруулах боломжтой байх байдлаар хийх болсон. Ингэснээр судлаачид туршилтын дүн, онолын баталгаа, өөрийн дэвшүүлсэн санаагаа хамтад нь шинжлэх ухааны нийгэмлэгийн хяналтад явуулах болсон ба тухайн судлаачдын дэвшүүлсэн  шинэ санааг дан ганц шинжлэх ухааны судалгааны байгууллагууд ч биш дурын хүн хийсэн туршилтыг давтаж хийж шалгах ч юм уу эсвэл хийсэн туршилтыг нь давтаж хийж үзэж өөрөө тэндээс шинэ зүйл сурах боломжтой болсон. Ингэснээр хиймэл оюун ухааныг сонирхох, судлах хүмүүсийн тоо эрс нэмэгдэх нэг үндэс суулгагдсан гэж үзэж болно.

Tesla-н автомат удирдлагатай машины хэрхэн ажиллаж байгаа талаарх үзүүлэн видео

Шинжлэх ухааны энэ шинэ аргачлалаас гадна орчин үед програмууд үлэмж хэмжээтэй мэдээлэлтэй харьцах шаардлагатай болсон ба ийм их мэдээллийг маш хурдан хугацаанд задалж ойлгохоор болгож ангилж үзэхэд хамгийн сайн аргачлал нь Deep learning байж таараад байгаа учраас үүнийг судлах хүмүүс ч мөн адил маш их нэмэгдсэн. Одоо хүн болгон л Facebook, twitter гэх мэт хэрэгсэлтэй байгаа түүндээ өдөр болгон л юм бичиж, ямар нэг юм бусадтайгаа хуваалцана. Орчин үеийн вэбсайтууд хэдэн тэрбум үгтэй харьцах шаардлагатай, мөн бусад шинжлэх ухаан хөгжихийн хажуугаар дуран авай, камер, дуу хүлээн авагч гэх мэт өгөгдөл хүлээн авах төхөөрөмжид хэдэн тирабайт мэдээлэл хуулагдана, жирийн өдөр тутмын вэб хөтөч хэдэн тэрбум зураг, видео дунд хайлт хийх шаардлагатай болсон гэх мэтээр асар их мэдээлэлд дарагддаг болоод буй. Уламжлалт аргачлалаар бичигдсэн программууд ийм их мэдээлэл дунд дарагдаад дундаас нь өндийж чадахгүй элгээрээ газар мөлхөж байх байдалд хүрсэн. Мэдээллийг хүлээн авч боловсруулаад хүнд ойлгогдохоор болгох, түүнийгээ алдаагүй хадгалах, хадгалсан мэдээлэл дундаа хайлт хийх, бас тэрийгээ элдэв процессын дундуур болон гаднын халдлагад алдахгүй байх гээд бүхий л зүйлд хэцүү байдал үүслээ дээ. Энэ хүнд байдалд одоо орчинд үед хариулт өгөх онолын ололт нь өөрөө хөгжих машин болон мэдээлэл ухах аргачлал юм. Асар их хэмжээтэй мэдээлэл дунд өөрөө хайлт хийж, тэндээсээ бие даан уг мэдээллийн цуглуулга маань ямар зохион байгуулалттай байгааг олж, түүнээсээ хэрэгтэйг нь авч өөрийн системээ хөгжүүлэх гэх мэт үйлдлүүдийг мэдээж хиймэл оюун ухаанаас өөр зүйл хийж чадахгүй. Жишээ авъя л даа. Нэг залуу өөртөө эхнэр авахаар хөөрхөн монгол охидууд дунд хайлт хийж байна гэж бодъё. Мэдээж хүн л болсон хойно тэр залууд таарах эхнэр болох хүн тодорхой хэдэн зөвхөн тэр залууд таарах онцлог шинжтэй байх шаардлагатай болно. Тэр залуу өдөрт 5 охинтой болзож өөрт тохирох эсэхийг эдгээр хэдэн шаардлагыг хангаж байгаа эсэх дээр тооцоо хийдэг гэж бодъё, тэгвэл сард 150, жилд 1800, арван жилд 18000, зуун жилд 180000 охинтой нэгбүрчлэн болзож уг нөхцөлүүдээ шалгах болно.

extra_large_robot

Image: Alicia Vikander Source: Fanbread.com

Бүхэл бүтэн нэг зууныг болзож өнгөрөөсөн ч манай Монголын бүх хөөрхөн охидтой уулзаж барах хаа ч үгүй байгаа биз. Хэрвээ тэр залууд хиймэл оюун ухааны өөрөө сурах аргачлалыг суулгаж өгөөд өөрт тохирсон үр дүнг гаргах аргачлалыг нь сайжруулсан гэж бодвол тэр залуу охидтой  болзох бүртээ өөрт таарсан эхнэр болохоор охин ямар байхыг бие дааж суралцан дараа дараагийн уулзах охидтой уулзахаасаа өмнө зөвхөн өөрийн хүсэлд таарах охидоос сонгож болзоод, нөхцөл шаардлага хангаагүй охидтой уулзахгүй байснаар хурдан эхнэрээ олох боломж бүрдэж эхэлнэ гэсэн үг. Тэгэхээр богино хугацаанд олон хөөрхөн охидын дунд хайлт хийгээд хүссэн эхнэрээ олно. Хүмүүс амьдрал дээр ч ийм шүү дээ, хэн их амьрал үзнэ төдий чинээ өөрийнхөө юу хүсэж байгааг мэддэг болно. Энэ байдлыг л компьютерд хуулж инженеерчилсэн байдал нь тэр.

Одоо үеийн хиймэл оюун ухааны шинжлэх ухаан нийгэм, эдийн засагт нөлөөлж буй байдал болон олон улс дахь хөгжил

За энэ хүртэл уншсан хүн дотроо аягүй бол юу гээчийн зөгнөлт киноны зохиол шиг юм уншчихав аа гэж шилээ маажиж байж магад. Эсвэл зарим хүмүүс энэ хүртэл уншаагүй ч байж мэднэ. Энэ хүртэл уншиж чадсан хүмүүстээ “Yeah! Та нар шүү, алив үнсий хацраа” гэж хэлмээр санагдлаа. За тэгэхээр одоо энэ хиймэл оюун ухаан гэх нөхөр юу хийж яаж энд тэнд түйвээж байгаа талаар ярилцъя. Трампын Америк, бишээ Обамаг засгийн эрх барьж байх үед өнгөрсөн 12 сард Цагаан ордны эдийн засгийн зөвлөхүүд болон судлаачид ерөнхийлөгчдөө хиймэл оюун ухааны нөлөөлөл ямар байгаа талаар болон ирээдүйд хэрхэн Америкийн эдийн засаг, нийгэмд нөлөөлөх талаар судалгаа хийж өргөж барьсан. Уг тайланд бичсэнээр бол хиймэл оюун ухааны дэвшлийг аж үйлдвэрт нэвтрүүлснээр бүтээмж маш их хэмжээгээр нэмэгдэж байгаа боловч аж үйлдвэрлэлд ажилладаг эсвэл биеийн хүчний ажил хийдэг нийгмийн бүлэг хэсэг болон боловсрол өндөртэй мэргэжилтний цалингийн хэмжээний ялгаа маш том байгаа, цаашид ч энэ ялгаа улам ихсэх төлөвтэй нь дурдагдсан. Том хэмжээний зөөврийн машинаар тээвэр хийдэг бизнест ирэх 10н жилд л бүх машинаа автоматжуулах төлөвтэй байгаа нь 3.8 сая хүний ажлын байрыг програмчилсан машин булаахаар заналхийлж байгаа хэрэг. Түүнчлэн ресторан, зөөврийн машин, жижиг оффисийн бичиг хэргийн ажил гэх мэт ажлын байр ирэх жилүүдэд өөрчлөгдөх төлөвтэй байгаа нь Америкийн хувьд нийт ажлын байрны 9% гэсэн үг юм. Гэвч Карл Фрей болон Майкл Осбоурн нарын Оксфордод 2013 онд хийсэн судалгаагаар Америкийн нийт ажлын байрны 47% нь автоматжуулалтад орох аюулд байгаа гэж гарсан байгаа юм. Сонирхолтой л юм, тэгэхдээ манай Монголын хувьд ийм зүйлсээс айх зүйлгүй. Хөгжих гэж ядаж буй буурай орны хувьд улсын маань бүх иргэд ямар нэг ажилтай байхад л анхаарлаа хандуулахаас биш хэн нэгний зохиосон үлгэрийн баатар шиг амьгүй машин ажлыг минь булаачихна гэж санаа зовох бол илүү үйлдэл юм даа. Харамсмаар өрөвдмөөр ч гэсэн бодит үнэн байдал иймээс хойш яаая гэхэв. Энэ тайлангаас өмнө Цагаан ордны судлаачид болон эдийн засгийн мэргэжилтнүүд “Preparing for the Future of Artificial Intelligence” гэх тайланг бас гаргасан ба 11 сард болсон Америкийн сенатын “The Dawn of Artificial Intelligence” хурлын протоколд дурдагдсанаар бол тэр шүүх хуралд (hearing) тус улс маань хиймэл оюун ухааны мэргэжилтэн бэлдэж олон улсын талбарт энэ салбарыг тэргүүлэгч гэх байр сууриа хадгалж үлдэх хэрэгтэй байгаа талаар болон хиймэл оюун ухааны нийгэм эдийн засагт нөлөөлж байгаа сайн нөлөөллийг анхаарч үзэх шаардлагатай байгаа талаар хэлэлцсэн бололтой. Герман улс ч аль дээр энэ тал дээр арга хэмжээ авч эхэлсэн гэдэг нь тэдний засгийн газрын төлөвлөгөөнд бий. Германы засгийн газрын High-tech 2020 гэх хөтөлбөрийн хүрээн дэхь арван төслийн ажлын нэг нь Industrie 4.0 гэх нэртэй ба энэ төсөл нь тус улсын үйлдвэржилт болон үйлдвэржүүлэлтийн технологийн дэвшлийг дэлхийд тэргүүлэгч байр сууринд хүргэх зорилготой. Уг төслийн хүрээнд үйлдвэржүүлэлтийн техник автоматжуулалт болон түүний програм хангамжид их анхаарах талаар дурдагдсан.

AI

Image source: Incarabia.com

Түүнчлэн Accenture-н гаргасан тайлангаар бол хиймэл оюун ухааныг аж үйлдвэрийн салбартаа ашиглаад эхэлсэн өндөр хөгжилтэй 12 орны эдийн засгийн өсөлт 2035 он гэхэд хоёр дахин ихсэх бололтой. Яахав эдгээр орнууд бол аж үйлдвэрийн салбартаа хүний хүч шаардагддаг, хар бор ажлуудыг роботуудаар болон зориулалтын автомат дамжлагат системээр зохицуулдаг байх л даа. Тэгснээр ажилчны даатгал, үйлдвэрийн осол, осолд орсон хүнийг хангах төлбөр гээд маш олон зүйлээс зайлсхийж болоод байгаа биз. Түүнчлэн Интернеттэй төхөөрөмжүүдийн хөгжил ойрын хэдэн жилд улам ихсээд буй. Интернеттэй төхөөрөмжүүд гэхээр хүнтэй дуу хоолойгоор болон бусад байдлаар холбогдож хүний тушаал даган удирдагддаг төхөөрөмжүүдийг хэлж байгаа. Гэртээ ороод ирэнгүүт өөдөөс мэндлээд л, ингэ гэж тушаангуут л өөдөөс за гээд л биелүүлээд л гэх мэт. Иймэрхүү ухаалаг төхөөрөмжүүдээр хүний хийдэг өдөр тутмын ажлуудыг орлуулаад ирэхээр тухайн хүнд боловсрох их цаг гарахаас гадна уг төхөөрөмжийн туслалцаатайгаар хүний хийх ёстой ажил ямар ч алдаагүй болж байгаа юм. Саяхан Facebook-н үүсгэн байгуулагч Марк Зукербэрг өөрийн бүтээсэн ийм төрлийн бүрэн системийг хэрхэн ажиллаж байгаа талаарх видео болон хэрхэн үүнийг хийсэн талаараа тэмдэглэл бичсэн байсан. Тэр видеог үзэж, тэмдэглэлийг нь уншаад үзээрэй. Шинэ сонин, гайхалтай зүйлс ерөөсөө байхгүй ч хиймэл оюун ухааны хэд хэдэн ололт хэрхэн ашиглагдсан талаар харж болно. Жишээлбэл хэл боловсруулах төхөөрөмж нь түүний хоолойг байнга таньж байхын тулд түүний хоолойн өөрчлөлтийг өөрийн сан дахь бичигдсэн өгөгдөлтэйгөө харьцуулж, өөрчлөгдсөн хоолойг танихын хажуугаар шаардлагатай бол хоолойн өөрчлөгдсөн байдлыг өөртөө хуулж авч суралцах хэрэгтэй болно. Үүнээс гадна царай таних систем нь ч байнга хувьсаж өөрчлөгдөж байх хэрэгтэй. Яагаад гэвэл хүний царай байнга ижил байна гэж байхгүй, түүнийг камераар бичиж авч байгаа өгөгдлийн сан уруу хуулж байгаа мэдээлэл ч байнга адилхан байна гэж байхгүй. Хүний биеийн жин, тухайн өдрийн гэрэл, хүний харж байгаа өнцөг, нүүрний хэвийлт гэх мэт хүний царайг өөрчилж байх хүчин зүйлсийг тооцон үзэж анх танина гэж өгөгдсөн өгөгдөл дээрээ харьцуулалт хийн хэрэгтэй бол мөн л шинэ төрхийг өөрөө суралцаж байх чадвар бүхий систем хэрэгтэй болно. Энэ бүхнийг түрүүхэн бичсэн хиймэл оюун ухааны ололтууд л зохицуулна шүү дээ. Бүүр цохож хэлбэл: Deep learning. Ойрын хэдхэн жилд гэнэтхэн л толгойтой болгон л Deep Learning гэж дуу алдаад л энэ чинь тэгдэг ингэдэг гэх болсон. 2012 онд Google-д үүний талаар хоёрхон судалгааны баг байсан бол одоо 2016 онд 1000 гаран төсөл хэрэгжиж буй. Энэ технологийг хэрэглээнд нэвтрүүлснээр Гүүглийн хөрвүүлэг хийх технологи (Google translate), хүний дуу авиа таних төхөөрөмж (Android Phone, Cortana), зураг таних технологи (Google driverless car, Youtube) зэрэг нь гайхалтай өндөр төвшинд ажиллаж байгаа. Энэ их амжилтад хүрээд буй шинжлэх ухааны аргачлал маань аль дээр үед нээгдсэн ньюроны сүлжээний алгоритм, компьютерын хүчин чадлын сайжрал болон үлэмж их мэдээллийн тусламжтайгаар ингэж ажиллаж байна даа. Гүүгл зөвхөн энүүгээр ч зогсохгүй, 2014 онд Их Британы Deep Mind гэх хиймэл оюун ухааны технологийн компанийг 500 сая доллараар худалдан авч тэдний хүний тархины богино хугацааны ой санамж болон сэтгэхүйг хуулбарлах чадвартай технологийг ашиглах болсон ба өдийд Гүүгл маань “A.I. first,” гэх уриатай болчоод буй. Өнгөрсөн 11 сараас л тэд ийм уриатай болоод Google Translate нь гэнэтхэн маш өндөр түвшинд ажилладаг болсон. Японы твиттерийн ертөнцөд үүний талаар нэлээн шуугиад авсан. Яагаад гэвэл google translate-н англиас япон уруу орчуулга хийх чадвар нь алдарт зохиолч Харуки Муракими гуайнхаас ч сайн болсон байгаад байгаа юм. Мөн Гүүгл өөрсдийн Google Brain салбараа тэдний алдарт инженер, программистууд дунд бүхнийг чадагч агуу их бурхан гэж хүндлэгддэг Жефф Деанаар удирдуулан өөрөө хөгжих машины судалгаа, түүний хэрэглээний салбарт судалгаа хийлгэж буй. Тун удахгүй л маш гайхалтай бүтээгдэхүүнүүд болон ололт амжилтууд бидэнд сонсогдож эхэлнэ. Үүнийг Apple-нхан зүгээр харж суугаад, бусад компаниудын гаргаж байгаа амжилтад алгаа ташаад, компаниудын бүтээж буй шинэ технологийн талаарх мэдээг сониноос өглөө болгон уншаад баярлаад сууж байна гэж бодож байна уу? Мэдээж үгүй. Энэ компани маань удаан хугацааны турш хиймэл оюун ухаан хөгжүүлэгчдийг нууцаар ажилд авч, өөрсдийн утасны технологидоо ашигладаг байсан гэдгээрээ алдартай. Хамгийн ойрын жишээ бол Siri. Гэвч тэдний энэ байдал нь ил болж саяхан тэд өөрсдийн хиймэл оюун ухааны нэг судалгааны ажлыг олонд ил болгосон. Энэ нийтлэлээ бичиж дуусгаад өөрийнхөө үг үсгийн алдаа, академик эх сурвалжийн хэрэглээний ёс зүй гэх мэт зүйлсээ хянаж байх хооронд Bloomberg-ээс 2017.01.26-нд гаргасан мэдээгээр бол Apple маань Amazon, Alphabet(Google), Microsoft, Facebook, IBM нарын үүсгэсэн нэг хиймэл оюун ухааныг хөгжүүлэх, олон нийтэд таниулах зорилготой ашгийн бус группд орсон байх юм. Энэ групп маань хиймэл оюун ухааны судалгаа хийж, түүнийг кодчилох стандард тогтоож, судалгааны ажлуудаа олон нийтэд дэлгэх зорилготой.

Шоу ертөнц ч хиймэл оюун ухааныг зүгээр байлгаагүй. Саяхан IBM-н хамгийн сүүлийн үеийн супер компьютер Watson өөрөө бие даан Morgan киноны трэйлерийг найруулсан. Найруулга шүү дээ, найруулга. Тэр компьютер маань уг киноны төрөлтэй адил хуучны сайн кинонууд болон кино урлагын зарим онолын ойлголтуудыг сураад тэндээсээ өөрөө бие даан өгөгдсөн киноны үйл явдал дунд эргэцүүлэл хийн трэйлерээ ямар байлгавал зүгээр вэ гэдгийг бие даан шийдсэн. Ер нь ч угаасаа IBM шоу ертөнцөд хиймэл оюун ухааны чадварыг гаргаж ирдэг түүхтэй компани л даа. Анх 1996 онд шатрын алдарт их мастер Каспаровын эсрэг тоглох зориулалттай Deep Blue гэх хиймэл оюун ухааны машин бүтээж шатрын их мастерыг буулгаж авч байсан. Тухайн үед мастерын тоглох арга барилыг судалж, тэр бүх өгөгдлийг Deep Blue өөрөө сурах машинд оруулж өгөн тэр машиныг зөвхөн Каспаровын эсрэг тоглоход зориулж програмчилж байсан. Түрүүн дурдсан Morgan-тай төстэй гэхээр хиймэл оюун ухааны талаар бас өөр нэг кино 2015 онд Ex Machina нэртэй гарч байлаа. Тус кинонд Тюринг тестийг хэрхэн хийхийг харуулахаас гадна миний хайрт жүжигчин Алисиа Викандер тоглосон. Хайртынхаа тоглосон киног бол тэгээд л шууд үзнэ шүү дээ (магадгүй хэзээ нэг өдөр нэг кинонд хамт ажиллана гэж найдна). Тэр киног үзсэний дараа хамгийн эхэнд толгойд орж ирсэн бодол бол: “What the fuck is A.I?”. Магадгүй тэр нэг хөөрхөн бүсгүй намайг энэ хиймэл оюун ухаан гэх шинжлэх ухааныг яг яадаг эд вэ гэж сонирхоход хүргэсэн ч байж мэдэх юм. Уг кинонд хэрвээ хиймэл оюун ухааны хөгжил маш өндөр төвшинд хүрээд хүнээс ялгаагүй роботууд хийгдээд ирвэл амьдрал ямар байх вэ гэх бодлыг үнэхээр хүний дотор оруулаад дахиж мартахааргүй болтол хийж өгсөн. Бас л эвгүй шүү дээ, эвгүй. Өөр нэг Her гээд Спайк Жонесын найруулсан, Скайрлет Ёохансаны тоглосон, Оскар болон Алтан Бөмбөгийн шагналт кино байна. Тэрэнд бүүр хүн хиймэл оюун ухаантай харилцаанд ороод болзож, хайрлаж, дурлаж, бусад хүмүүсд миний хос гэж танилцуулж байхыг харуулна. Ажил дээрээ, гэртээ, гадуур явахдаа гээд л өөрийнхөө бүх цаг хугацааг нэг төхөөрөмжтэй ярьж түүнтэй хамт амьдралаа өнгөрөөж байна гээд л бодоод үз. Энэ жил нээлтээ хийсэн арай шинэ кино гэвэл Arrival байна. Энэнд хэрхэн үл мэдэгдэх дүрсэнд тооцоолол хийн, хиймэл оюун ухааны өөрөө сурах процесс гарна. Гэвч эдгээр киног үзээгүй юм биш биз дээ? Хэрвээ эдгээр киног үзээгүй, одоо хүртэл La La Land-аасаа салж амжаагүй сэтгэхүйтэй байгаа бол ер нь өөрт хамгийн ойр байх пабд орж ганц хоёр юм уунгаа өөрийнхөө амьдралыг шүүн тунгаасан нь дээр дээ.

За байз ингэсгээд дуусгачихдаг ч юм билүү дээ. Ямар ном бичиж байгаа биш дээ тийм ээ. Сүүлдээ бүүр чөлөөт микд орж райм үглэж байгаа юм шиг л хадуурч өглөө. Энэ нийтлэлдээ 21-р зуунд техник, технологийн хөгжлийг тодорхойлох шинжлэх ухаан болох хиймэл оюун ухааны талаар энгийн мэдээллийг хүргэлээ. Манай Монгол маань энэ тал дээр ирэх хэдэн жилд тоглогч болж шалихгүй ч гэсэн, миний хойч үе болох хүүхэд залуус маань өөрсдийн ирээдүйгээ арай илүү өргөн хүрээгээр хараасай гэх нууцхан хүслийг агуулан бичлээ. Ертөнцөд санхүүгийн тооцоо хийж, эдийн засгийн байдлыг ажиглаж, энд тэнд улс төржиж хүний туг барихаас өөр мэргэжил байдаг юм шүү дээ.

Талархал:

Энэ нийтлэлийн маань мэргэжлийн үг хэллэгийн хөрвүүлэг болон онолын тайлбарт хяналт тавьсан Шаравсамбуудаа, математик болон шинжлэх ухааны ерөнхий ойлголтыг заасан нийслэлийн лаборатори 1-р дунд сургуулийн багш Эрдэнээ, Нарангэрэл, Чинбат, Өлзий-сайхан, Байгальмаа, Алтанцэцэг нартаа болон хиймэл оюун ухааны анхан шатны ойлголтыг зааж өгсөн багш Dr Robert Gaizauskas нартаа талархах нь зүйтэй болов уу.

Д.Төмөртогтох

2017.01.29

Хэрвээ та энэ тал дээр суралцахыг хүсвэл энэ Facebook group-д ороорой:

Ашигласан ном хэвлэмэлийн эх сурвалж:
Benedikt, C., & A.Osborne, M. (2013). The Future of Employment: How Susceptile are jobs to Computerisation? Oxford: University of Oxford.
Clements, A. (2006). Principles of Computer Hardware. Oxford: Oxford University Press.
Dartmouth Workshop. (2017, 01 27). Retrieved from Wikipedia: https://en.wikipedia.org/wiki/Dartmouth_workshop
Deep blue. (2017, 01 16). Retrieved from Wikipedia: https://en.wikipedia.org/wiki/Deep_Blue_(chess_computer)
DeepMind. (2017, 01 20). Retrieved from Wikipedia: https://en.wikipedia.org/wiki/DeepMind
Dendral. (2017, 01 21). Retrieved from https://en.wikipedia.org/wiki/Dendral
ELIZA. (2017, 01 08). Retrieved from Wikipedia: https://en.wikipedia.org/wiki/ELIZA
Executive Office of the President. (2016). Artificial Intelligence, Automation, and the Economy. Washington D.C. Retrieved from Whitehouse:  https://www.whitehouse.gov/sites/whitehouse.gov/files/documents/Artificial-Intelligence-Automation-Economy.PDF
Gaizauskas, R. (2016). Machines and Intelligence: Lecture notes. Sheffield: The University of Sheffield.
Hebb, D. (1949). Organization of Behavior. New York: Wiley & Sons.
INDUSTRIE 4.0. (2017, 01 28). Retrieved from Germany Trade & Invest: https://industrie4.0.gtai.de/INDUSTRIE40/Navigation/EN/Topics/industrie-4-0.html
Jonze, S. (Director). (2013). Her [Motion Picture].
Lewis-Kraus, G. (2017, 01 12). The Great AI awakening. Retrieved from NY times: https://www.nytimes.com/2016/12/14/magazine/the-great-ai-awakening.html
McCulloch, W., & Pitts, W. (1943). A Logical Calculus of Ideas Immanent in Nervous Activity.
Morgan | IBM Creates First Movie Trailer by AI | 20th Century FOX. (2017, 01 23). Retrieved from Youtube: https://www.youtube.com/watch?v=gJEzuYynaiw
Office of Science and Technology Policy, & National Science and Technology Council. (2016). Preparing fot the Future of Artificial Intelligence. Washington D.C.
Proyas, A. (Director). (2004). I, Robot [Motion Picture].
Reaney, M. (2016, 12 30). Inside Industry 4.0: What’s Driving The Fourth Industrial Revolution? Retrieved from Linkedin: https://www.linkedin.com/pulse/inside-industry-40-whats-driving-fourth-industrial-matt-reaney?trk=prof-post
Russell, S., & Norvig, P. (2014). Artificial Intelligence: A modern approach. Pearson Education Limited.
Scott, L. (Director). (2016). Morgan [Motion Picture].
Shakey: The Robot. (2017, 01 27). Retrieved from Wikipedia: https://en.wikipedia.org/wiki/Shakey_the_robot
SHRDLU. (2017, 01 19). Retrieved from Wikipedia: https://en.wikipedia.org/wiki/SHRDLU
Terminator (franchise) (1984-2015). [Motion Picture].
Tilley, A. (2017, 01 26). Apple Publishes Its First Artificial Intelligence Paper. Retrieved from Forbes: http://www.forbes.com/sites/aarontilley/2016/12/26/apple-publishes-its-first-artificial-intelligence-paper/#53216c814cfe
Turing, A. M. (1950). Computing Machinery and Intelligence. Mind LIX(236), 433-460.
Tyldum, M. (Director). (2014). The Imitation Game [Motion Picture].
Villeneuve, D. (Director). (2016). Arrival [Motion Picture].
Wachowskis, T. (Director). (1999 – 2003 ). The Matrix (franchise) [Motion Picture].
Watson. (2017, 01 29). Retrieved from Wikipedia: https://en.wikipedia.org/wiki/Watson_(computer)
Webb, A. (2016, 01 27). Apple Set to Join Amazon, Google, Facebook in AI Research Group. Retrieved from Bloomberg Technology: https://www.bloomberg.com/news/articles/2017-01-26/apple-said-to-join-amazon-google-facebook-in-ai-research-group
Zuckerberg, M. (2017, 01 26). Building Jarvis. Retrieved from Facebook: https://www.facebook.com/notes/mark-zuckerberg/building-jarvis/10154361492931634
“The Dawn of Artificial Intelligence” Senate hearing : http://www.commerce.senate.gov/public/index.cfm/2016/11/commerce-announces-first-artificial-intelligence-hearing
The Administration’s Report on the Future of Artificial Intelligence: https://obamawhitehouse.archives.gov/blog/2016/10/12/administrations-report-future-artificial-intelligence

avatar

I am a self-taught CG generalist and am currently studying computer science abroad. Unlike most people, I was not born brilliant or talented. And I am not ashamed of it; because I have a dream and work hard for it. So I constantly seek ways to learn and improve myself and my craft, from success or failure, as well as pass on knowledge and inspiration to others. On this blog, I write articles to help others and share what I have learned or my story.

1 Comment

  1. Neg iimerhuu ym unshihaar Mongoloos bur musun yvaad ugmuur sanagdah ym daa. Dotooddoo heden zuun myngan har ajilchin beldeh bodlogo barimtalj baisan uls shuu dee.

Submit a comment


*

Back To Top