Штучний інтелект

Єдиної відповіді на питання, чим опікується штучний інтелект ― не існує. Майже кожен автор, який пише книгу про штучний інтелект, відштовхується від якогось визначення, та розглядає в його світлі досягнення цієї науки. Зазвичай ці визначення зводяться до таких:

• штучний інтелект вивчає методи розв'язання завдань, які потребують людського розуміння. Отже, мова іде про те, щоби навчити ШІ розв'язувати тести інтелекту. Це передбачає розвиток способів розв'язання задач за аналогією, методів дедукції та індукції, накопичення базових знань і вміння їх використовувати;
• штучний інтелект вивчає методи розв'язання задач, для яких не існує способів розв'язання або вони не коректні (через обмеження в часі, пам'яті тощо). Завдяки такому визначенню інтелектуальні алгоритми часто використовуються для розв'язання NP-повних задач, наприклад, задачі комівояжера;
• штучний інтелект займається моделюванням людської вищої нервової діяльності;
• штучний інтелект — це системи, які можуть оперувати зі знаннями, а найголовніше — навчатися. В першу чергу мова ведеться про те, щоби визнати клас експертних систем (назва походить від того, що вони спроможні замінити «на посту» людей-експертів) інтелектуальними системами;
• останній підхід, що почав розвиватися з 1990-х років, називається агентно-орієнтованим підходом. Цей підхід зосереджує увагу на тих методах і алгоритмах, які допоможуть інтелектуальному агенту виживати в довкіллі під час виконання свого завдання. Тому тут значно краще вивчаються алгоритми пошуку і прийняття рішення.

Експерти НАТО у своїй діяльності оперують спорідненими тлумаченнями штучного інтелекту[2]:

• «спроможність, що надається алгоритмами оптимального або неоптимального вибору з широкого простору можливостей, для досягнення цілей шляхом застосування стратегій, які можуть спиратися на навчання або адаптацію до навколишнього середовища»[2];
• «системи, які створені людиною і діють у фізичному або цифровому світі, враховують складну мету і обирають найкращі дії (відповідно до заздалегідь визначених параметрів), які необхідно виконати для досягнення поставленої мети на основі сприйняття свого середовища, інтерпретації зібраних структурованих або неструктурованих даних та обґрунтування знань, отриманих з цих даних»[2].

Найзагальніший підхід полягає в тому, що штучний інтелект матиме змогу поводити себе як людський за звичних умов. Ця ідея є узагальненим підходом тесту Тюрінга, який стверджує, що машина стане розумною тоді, коли буде спроможна підтримувати діалог з людиною, а та не зможе зрозуміти, що розмовляє з машиною (діалог ведеться переписуванням).

Письменники-фантасти часто пропонують ще один підхід: штучний інтелект виникає тоді, коли машина буде відчувати і творити. Наприклад, хазяїн Ендрю Мартіна з «Двохсотлітньої людини» Айзека Азімова починає ставитись до нього як до людини тоді, коли той створив іграшку за власним проєктом. А Дейта з «Зоряного шляху», що спроможний до спілкування та навчання, мріє володіти емоціями та інтуїцією.

Існують різні методи створення систем штучного інтелекту. У наш час можна виділити 4 досить різних методи:

1. Логічний підхід. Основою для вивчення логічного підходу слугує алгебра логіки. Кожен програміст знайомий з нею з того часу, коли він вивчав оператор IF. Свого подальшого розвитку алгебра логіки отримала у вигляді числення предикатів — в якому вона розширена за рахунок введення предметних символів, відношень між ними. Крім цього, кожна така машина має блок генерації цілі, і система виводу намагається довести дану ціль як теорему. Якщо ціль досягнута, то послідовність використаних правил дозволить отримати ланцюжок дій, необхідних для реалізації поставленої цілі (таку систему ще називають експертною системою). Потужність такої системи визначається можливостями генератора цілей і машинного доведення теорем. Для досягнення кращої виразності логічний підхід використовує новий напрям, його назва — нечітка логіка. Головною відмінністю цього напряму є те, що істинність вислову може приймати окрім значень «так»/«ні» (1/0) ще й проміжні значення — «не знаю» (0,5), «пацієнт швидше живий, ніж мертвий» (0,75), «пацієнт швидше мертвий, ніж живий» (0,25). Такий підхід подібніший до мислення людини, оскільки вона рідко відповідає «так» або «ні».
2. Під структурним підходом ми розуміємо спроби побудови ШІ шляхом моделювання структури людського мозку. Однією з перших таких спроб був перцептрон Френка Розенблата. Головною моделюючою структурною одиницею в перцептронах (як і в більшості інших варіантах моделювання мозку) є нейрон. Пізніше виникли й інші моделі, відоміші під назвою нейронні мережі (НМ) і їхні реалізації — нейрокомп'ютери. Ці моделі відрізняються за будовою окремих нейронів, за топологією зв'язків між ними і алгоритмами навчання. Серед найвідоміших на початку 2000-х років варіантів НМ можна назвати НМ зі зворотнім поширенням помилки, мережі Кохонена, мережі Гопфілда, стохастичні нейронні мережі. У ширшому розумінні цей підхід відомий як конекціонізм. Відмінності між логічним та структурним підходом не стільки принципові, як це здається на перший погляд. Алгоритми спрощення і вербалізації нейронних мереж перетворюють моделі структурного підходу на явні логічні моделі[3]. З іншого боку, ще 1943 року Воррен Маккалох і Волтер Піттс показали, що нейронна мережа може реалізувати будь-яку функцію алгебри логіки[4].
3. Еволюційний підхід. Під час побудови системи ШІ за даним методом основну увагу зосереджують на побудові початкової моделі і правилах, за якими вона може змінюватися (еволюціонувати). Причому модель може бути створено за найрізноманітнішими методами, це може бути і НМ, і набір логічних правил, і будь-яка інша модель. Після цього ми вмикаємо комп'ютер і він на основі перевірки моделей відбирає найкращі з них, і за цими моделями за найрізноманітнішими правилами генеруються нові моделі. Серед еволюційних алгоритмів класичним вважається генетичний алгоритм.
4. Імітаційний підхід. Цей підхід є класичним для кібернетики з одним із її базових понять чорний ящик. Об'єкт, поведінка якого імітується, якраз і являє собою «чорний ящик». Для нас не важливо, які моделі у нього всередині і як він діє, головне, щоби наша модель в аналогічних ситуаціях поводила себе без змін. Таким чином тут моделюється інша властивість людини — здатність копіювати те, що роблять інші, без поділу на елементарні операції і формального опису дій. Часто ця властивість економить багато часу об'єктові, особливо на початку його життя.

У рамках гібридних інтелектуальних систем намагаються об'єднати ці напрямки. Експертні правила висновків, можуть генеруватися нейронними мережами, а побіжні правила отримують за допомогою статистичного вивчення. Багатообіцяльний новий підхід, який ще називають підсиленням інтелекту, розглядає досягнення ШІ у процесі еволюційної розробки, як поточний ефект підсилення людського інтелекту технологіями.

Як наукова дисципліна ШІ має кілька основних напрямів[2]:

• машинне мислення (англ. machine reasoning, охоплює процеси планування, представлення знань і міркування, пошук та оптимізацію)[2];
• машинне навчання (умовно поділяється на глибоке навчання (англ. deep learning) і навчання з підкріпленням (англ. reinforcement learning))[2],
• робототехніка (включає в себе управління, ситуаційне сприйняття, датчики і приводи, а також інтеграцію усіх інших методів в кібер-фізичні системи)[2].

Якщо проаналізувати історію ШІ, можна виділити такий обширний напрям як моделювання міркувань (англ. Model-based reasoning). Багато років розвиток науки ШІ просувався саме таким шляхом, і зараз це одна з найрозвиненіших областей в сучасному ШІ. Моделювання міркувань має на увазі створення символьних систем, на вході яких поставлена деяка задача, а на виході очікується її розв'язок. Як правило, запропонована задача уже формалізована, тобто переведена на математичну форму, але або не має алгоритму розв'язання, або цей алгоритм занадто складний, трудомісткий тощо. В цей напрям входять: автоматизоване доведення теорем, прийняття рішень і теорія ігор, планування і диспетчеризація, прогнозування.

Таким чином, на перший план виходить інженерія знань, яка об'єднує завдання отримання знань з простої інформації, їх систематизацію і використання. Досягнення в цій області зачіпають майже всі інші напрями дослідження ШІ. Тут також необхідно відзначити дві важливі підобласті. Перша з них — машинне навчання — стосується процесу самостійного отримання знань інтелектуальною системою під час її роботи. Другу пов'язано зі створенням експертних систем — програм, які використовують спеціалізовані бази знань для отримання достовірних висновків щодо довільної проблеми.

Великі і цікаві досягнення є в області моделювання біологічних систем. Сюди можна віднести кілька незалежних напрямків. Нейронні мережі використовуються для розв'язання нечітких і складних проблем, таких як розпізнавання геометричних фігур чи кластеризація об'єктів. Генетичний підхід заснований на ідеї, що деякий алгоритм може стати ефективнішим, якщо відбере найкращі характеристики у інших алгоритмів («батьків»). Відносно новий підхід, де ставиться задача створення автономної програми — агента, котрий співпрацює з довкіллям, називається агентний підхід. А якщо належним чином примусити велику кількість «не дуже інтелектуальних» агентів співпрацювати разом, то можна отримати «мурашиний» інтелект.

Задачі розпізнавання об'єктів вже частково розв'язуються в рамках інших напрямків. Сюди відносяться розпізнавання символів, рукописного тексту, мови, аналіз текстів. Особливо слід згадати комп'ютерне бачення, яке пов'язане з машинним навчанням та робототехнікою.

Робототехніка і штучний інтелект часто поєднуються одне з одним. Об'єднання цих двох наук, створення інтелектуальних роботів, можна вважати ще одним напрямом ШІ.

Окремо тримається машинна творчість, через те, що природа людської творчості ще менше вивчена, ніж природа інтелекту. Тим не менше, ця область існує, і тут стоять проблеми написання комп'ютером музики, літературних творів (часто — віршів та казок), образотворче мистецтво.

Нарешті, існує безліч програм штучного інтелекту, кожна з яких утворює майже самостійний напрямок. Як приклади, можна навести програмування інтелекту в комп'ютерних іграх, нелінійному керуванні, інтелектуальні системи безпеки. Наприклад, у 2018 році дослідники з Корнуельського університету зробили те, що зможе кардинально змінити процес розробки нових відеоігор. Вони створили пару нейронних мереж, що змагаються (генеративних змагальних мереж), і навчили їх на прикладі найпершої гри-шутера, Doom-а. В процесі навчання нейронні мережі визначили основні принципи побудови рівнів цієї гри і після цього вони стали здатні генерувати нові рівні без найменшої допомоги з боку людей[5].

Не важко бачити, що більшість областей дослідження перетинаються. Це властиво для будь-якої науки. Але в штучному інтелекті взаємозв'язок між, задавалося б, різними напрямами, виражено дуже сильно, і це пов'язано з філософською суперечкою про сильний і слабкий ШІ.

Дослідження в галузі планування почалися зі спроби сконструювати робота, який би виконував свої завдання з деякою мірою гнучкості і здатністю реагувати на навколишній світ. Планування припускає, що робот повинен уміти виконувати деякі елементарні дії. Він намагається знайти послідовність таких дій, за допомогою якої можна виконати більш складне завдання, наприклад, рухатися кімнатою, заповненою перешкодами. Одним з методів планування є метод ієрархічної декомпозиції.

Планування, через низку причин, є складним завданням, чималу роль у цьому відіграє розмір простору можливих послідовностей кроків. Навіть дуже простий робот здатний породити величезну кількість різних комбінацій елементарних рухів. Дослідження у галузі планування сьогодні вийшли за межі робототехніки, тепер вони включають також координацію складних систем завдань і цілей. Сучасні планувальники застосовуються як в агентських середовищах, так і для керування прискорювачами часток.

Машинне навчання — це розділ штучного інтелекту, що має за основу побудову та дослідження систем, які можуть самостійно навчатись з даних. Наприклад, система машинного навчання може бути натренована на електронних повідомленнях для розрізняння спаму і прийнятних повідомлень. Після навчання вона може бути використана для класифікації нових повідомлень електронної пошти на спам та не-спам. В основі машинного навчання розглядаються уявлення та узагальнення. Представлення даних і функцій оцінки цих даних є частиною всіх систем машинного навчання, наприклад, у наведеному вище прикладі, повідомлення електронною поштою, ми можемо уявити лист як набір англійських слів, просто відмовившись від порядку слів. Узагальнення є властивістю, яку система буде застосовувати добре на невидимих примірниках даних; умови, за яких це може бути гарантовано, є ключовим об'єктом вивчення в полі обчислювальної теорії навчання. Існує широкий спектр завдань машинного навчання та успішних застосувань. Оптичне розпізнавання символів, в яких друковані символи розпізнаються автоматично, та ґрунтуються на попередніх прикладах, є класичним підходом техніки машинного навчання. 1959 року Артур Самуїл визначив машинне навчання як «Поле дослідження, яке дає комп'ютерам можливість навчатися, не будучи явно запрограмованими».

Обробка природної мови — загальний напрямок штучного інтелекту та лінгвістики. Він вивчає проблеми комп'ютерного аналізу та синтезу природної мови. Стосовно штучного інтелекту аналіз означає розуміння мови, а синтез — генерацію розумного тексту. Розв'язок цих проблем буде означати створення зручнішої форми взаємодії комп'ютера та людини.

Розуміння природної мови іноді вважають AI-повною задачею, тому що розпізнавання живої мови потребує величезних знань системи про довкілля та можливості взаємодіяти з ним. Саме означення змісту слова «розуміти» — одне з головних завдань штучного інтелекту. На початку 2000-х років значну роль у вирішенні задач з обробки природномовних даних відіграють онтології, наприклад, WordNet, UWN.

Машинний зір — це застосування комп'ютерного зору в промисловості та виробництві. В той час як комп'ютерний зір — це загальний набір методів, що дозволяють комп'ютерам бачити, областю інтересу машинного зору, як інженерного напрямку, є цифрові пристрої введення/виведення та комп'ютерні мережі, призначені для контролю виробничого обладнання, такого як роботи-маніпулятори чи апарати для вилучення бракованої продукції. Машинний зір є підрозділом інженерії, пов'язаним з обчислювальною технікою, оптикою, машинобудуванням та промисловою автоматизацією. Одним з найпоширеніших застосувань машинного зору є інспекція промислових товарів, таких як напівпровідникові чипи, автомобілі, продукти харчування та ліки. Люди, що працюють на складальних лініях, оглядають частини продукції і роблять висновки про якість виконання. Системи машинного зору для цієї мети використовують цифрові та інтелектуальні камери, а також програмне забезпечення обробки зображення для виконання аналогічних перевірок.

Комерційні пакети програм для машинного зору і пакети програм з відкритим вихідним кодом зазвичай містять низку методів обробки зображень, таких як:

• лічильник пікселів: підраховує кількість світлих або темних пікселів;
• бінаризація: перетворює зображення в сірих тонах в бінарне (білі та чорні пікселі);
• сегментація: використовується для пошуку і/або підрахунку деталей
  • пошук і аналіз блобів: перевірка зображення на окремі блоби пов'язаних пікселів (наприклад, чорної діри на сірому об'єкті) у вигляді опорної точки зображення. Ці блоби часто представляють цілі для обробки, захоплення або виробничого браку;
  • надійне розпізнавання за шаблонами: пошук за шаблоном об'єкта, який може бути повернутий, частково прихований іншим об'єктом, або відрізнятись за розміром
• зчитування штрих-кодів: декодування 1D- і 2D-кодів, розроблених для зчитування або сканування машинами;
• оптичне розпізнавання символів: автоматизоване читання тексту, наприклад, серійних номерів;
• вимірювання: вимірювання розмірів об'єктів в дюймах або міліметрах;
• знаходження країв: пошук країв об'єктів;
• зіставлення шаблонів: пошук, підбір, і/або підрахунок конкретних моделей.

В більшості випадків системи машинного зору використовують послідовне поєднання цих методів обробки для виконання повного інспектування. Наприклад, система, яка зчитує штрих-код, може також перевірити поверхню на наявність подряпин або пошкодження та виміряти довжину і ширину компонентів, що обробляються.

Кінцевою метою досліджень з питань «штучного інтелекту» є розкриття таємниць мислення та створення моделі мозку. Принципова можливість моделювання інтелектуальних процесів випливає з основного гносеологічного результату кібернетики, який полягає у тому, що будь-яку функцію мозку, будь-яку розумову діяльність, описану мовою з суворо однозначною семантикою за допомогою скінченного числа слів, в принципі можна передати електронній цифровій обчислювальній машині (ЕЦОМ). Сучасні ж наукові уявлення про природу мозку дають підстави вважати, що принаймні в суто інформаційному аспекті найістотніші закономірності мозку визначаються скінченною (хоч, може, й надзвичайно великою) системою правил.

Штучний інтелект — технічна (в усіх сучасних випадках спроб практичної реалізації — комп'ютерна) система, що має певні ознаки інтелекту, тобто здатна:

• розпізнавати та розуміти;
• знаходити спосіб досягнення результату та приймати рішення;
• вчитися.

У практичному плані наявність лише неповних знань про мозок, про його функціонування не заважає будувати його наближені інформаційні моделі, моделювати на ЕЦОМ найскладніші процеси мислення, у тому числі й творчі.

На початку XVII століття Рене Декарт зробив припущення, що тварина — деякий складний механізм, тим самим сформулював механічну теорію. 1623 року Вільгельм Шиккард (нім. Wilhelm Schickard) побудував першу механічну цифрову обчислювальну машину, згодом було створено машини Блеза Паскаля (1643) і Готфріда Лейбніца (1671). Лейбніц також був першим, хто описав сучасну двійкову систему числення, хоча до нього цією системою періодично захоплювались різні великі вчені[6][7]. В XIX столітті Чарлз Беббідж і Ада Лавлейс працювали над програмованою механічною обчислювальною машиною.

У XVIII столітті завдяки розвитку техніки і, в особливості, годинникових механізмів інтерес до подібних винаходів зріс ще сильніше. В середині 1750-х років австрійський винахідник Фрідріх фон Кнаус сконструював серію машин, які вміли писати пером досить довгі тексти. Досягнення в механіці XIX століття сприяли новому поштовху винаходів в напрямку до сучасного розуміння штучного інтелекту. У 1830-х роках англійський математик Чарльз Беббідж придумав концепцію складного цифрового калькулятора — аналітичної машини, яка могла б розраховувати ходи для гри в шахи. У 1832 році С. Н. Корсаков представив принцип розробки наукових методів і пристроїв для посилення можливостей розуму і запропонував серію «інтелектуальних машин», в конструкції яких, вперше в історії інформатики, застосував перфоровані карти[8].

В 1910—1913 роках Бертран Рассел і Альфред Вайтгед опублікували працю «Принципи математики», яка здійснила революцію в формальній логіці. 1941 року Конрад Цузе побудував перший робочий програмно-контрольований комп'ютер. Воррен Маккалох і Вальтер Піттс 1943 року опублікували A Logical Calculus of the Ideas Immanent in Nervous Activity, поклавши основи нейронних мереж.[9]

Вперше алгоритми AI з'явилися в 1960-х роках.  Пристрої, попередньо запрограмовані для найпростіших міркувань, породили ранні платформи для створення цілих експертних і кваліфікованих прогностичних систем. І, не дивлячись на те, що на початкових етапах роботи з такими системами вчені зіштовхнулися з низкою проблем, які, на перший погляд, було неможливо вирішити, — результати численних досліджень принесли свої плоди.

Кілька десятиліть тому розвиток технологій штучного інтелекту гальмувала відсутність впевненості в кінцевому продукті.  На це впливало чимало чинників: надмірна вартість машинного часу, вельми скромні обчислювальні ресурси, обмеженість мов програмування, громіздкість елементної бази тощо. У 1970-80-х роках процес взагалі майже зупинився на фоні фактично повного скорочення належного фінансування.

Однак, завдяки революційним розробкам у сфері напівпровідникової промисловості відбувся прорив у технологіях зберігання та обробки інформації і, як наслідок, — початок відродження епохи розумних машин припав на 1990-ті роки: з появою обмежених систем машинного навчання. А 2000-і роки ознаменували вже зовсім нову епоху розвитку систем штучного інтелекту[10].

ASIMO — Інтелектуальний гуманоїдний робот від Honda, використовує сенсори та спеціальні алгоритми для уникнення перешкод та ходіння сходами.

Kismet, робот з базовими соціальними навичками.

У створенні штучного інтелекту (в буквальному розумінні цього слова; експертні системи і шахові програми сюди не відносяться) спостерігається інтенсивний перелом усіх предметних областей, які мають хоч якесь відношення до ШІ в базі знань. Практично всі підходи були випробувані, але до появи повноцінного штучного розуму жодна дослідницька група так і не дійшла.

Дослідження ШІ влились в загальний потік технологій сингулярності (видового стрибка, експотенціального розвитку людини), таких як нанотехнологія, молекулярна біоелектроніка, теоретична біологія, квантова теорія(ї), ноотропіки, екстромофіли тощо.

3 1 серпня 2017 року Facebook вимкнув систему штучного інтелекту через те, що боти винайшли свою мову, якою вони почали спілкуватися між собою. Випробувачі алгоритму схильні вважати, що фрази і навіть самі повторення представляли собою спроби ботів самостійно «зрозуміти» принципи спілкування[11].

За кілька днів перед тим Ілон Маск назвав штучний інтелект найбільшою загрозою, з якою зіткнеться цивілізація, а засновник Facebook Марк Цукерберг активно заперечував йому[12][13]. Чат-боти для Messenger Фейсбук запустив у квітні 2016 року. Боти могли самостійно навчатися[14].

• штучний інтелект буде все частіше ставати предметом міжнародної політики (зокрема, питанням конкуренції та боротьби між державами);
• виробники штучного інтелекту намагатимуться робити його «прозорим» та зрозумілим для людей (через нерозуміння виникають страхи серед основної маси населення до продуктів, які діють на основі штучного інтелекту);
• штучний інтелект буде поглиблювати своє проникнення в бізнес;
• через штучний інтелект виникне більше робочих місць, ніж буде втрачено[15].

Банки застосовують системи штучного інтелекту (СШІ) в страховій діяльності (актуарна математика) при грі на біржі і управлінні власністю. У серпні 2001 року роботи виграли в людей в імпровізованому змаганні з трейдингу (BBC News, 2001). Методи розпізнавання образів, (включаючи, як складніші й спеціалізованіші, так і нейронні сітки) широко використовують при оптичному і акустичному розпізнаванні (в тому числі тексту і голосу), медичній діагностиці, спам-фільтрах, в системах ППО (визначення цілей), а також для забезпечення ряду інших задач національної безпеки.

Застосування ШІ є важливим трендом у створенні перспективних систем управління поля бою та озброєнням[2].

За допомогою ШІ можливо забезпечити оптимальний та адаптивний до загроз вибір комбінації сенсорів і засобів ураження, скоординувати їх сумісне функціонування, виявляти та ідентифікувати загрози; оцінювати наміри противника[2]. Суттєву роль ШІ відіграє у реалізації тактичних систем доповненої реальності. Наприклад, ШІ дозволяє забезпечити класифікацію та семантичну сегментацію зображень, локалізацію і ідентифікацію мобільних об'єктів з метою схематичного відтворення контурів об'єктів в якості символів доповненої реальності для ефективного цілевказування[2].

Значні надії покладаються на використання СШІ для управління мережами стільникового зв'язку 6G[16].

Розробники комп'ютерних ігор вимушені застосовувати ШІ тої чи іншої міри пропрацьованості. Стандартними задачами ШІ в іграх є відшукання шляху в двовимірному або тривимірному просторі, імітація поведінки бойової одиниці, обрахунок вірної економічної стратегії і так далі.

2018 року портрет вигаданої людини, намальований ШІ, продали за 432 тис. $. Перш ніж намалювати «Едмонда Беламі», алгоритм дослідив 15 тис. портретів, датованих XIV—XX ст.[17].

Перспективним напрямом застосування ШІ є наукові дослідження, де він задіяний для аналізу наукових публікацій з метою синтезу нових знань, відкриття нових матеріалів, закономірностей тощо[18].

За допомогою алгоритму машинного навчання на основі штучного інтелекту вдалося знайти близько 50 нових екзопланет[19].

Проглядаються два напрямки розвитку ШІ:

• перший полягає у вирішенні проблем, пов'язаних з наближенням спеціалізованих систем ШІ до можливостей людини та їх інтеграції, яка реалізована природою людини.
• другий полягає у створенні Штучного Розуму, який представляє інтеграцію уже створених систем ШІ в єдину систему, здібну вирішувати проблеми людства.

Наука «про створення штучного розуму» не могла не привернути уваги філософів. З появою перших інтелектуальних систем були зачеплені фундаментальні питання про людину і знання, а інколи і влаштування світу. З одної сторони, вони нерозривно пов'язані з цією наукою, а з іншої — вносять в неї деякий хаос. Серед дослідників ШІ досі не існує якої-небудь домінуючої точки зору на критерії інтелектуальності, систематизацію вирішуваних цілей і задач, нема навіть строгого визначення науки.

Найгарячіші суперечки у філософії штучного інтелекту викликає питання можливості мислення творення людських рук. Питання «Чи може машина мислити?», яке підштовхнуло дослідників до створення науки про моделювання людського розуму, було поставлено Аланом Тюрінгом 1950 року.[20] Дві основних точки зору на це питання носять назви гіпотез сильного і слабкого штучного інтелекту.

Термін «сильний штучний інтелект» ввів Джон Серль, його ж словами підхід і характеризується:

Більше того, така програма буде не тільки моделлю розуму; вона в буквальному розумінні слова сама і буде розумом, в тому ж розумінні, в якому людський розум — це розум..[21]

З іншого боку, прихильники слабкого штучного інтелекту надають перевагу розгляду програми лише як інструменту, який дозволяє вирішувати ті чи інші задачі, які не потребують повного спектра людських пізнавальних здібностей.

У своєму уявному експерименті «Китайська кімната» Джон Серль демонструє, що проходження тесту Тюрінга не є критерієм наявності істинного процесу мислення. Мислення є процесом опрацювання інформації, яка перебуває в пам'яті: аналіз, синтез і самопрограмування. Аналогічну позицію займає і Роджер Пенроуз, який в своїй книзі «Новий розум короля» аргументує неможливість отримання процесу мислення на основі формальних систем[22].

Існують різні точки зору на це запитання. Аналітичний підхід допускає аналіз вищої нервової діяльності людини до нижчої, неподільного рівня (функція вищої нервової діяльності, елементарна реакція на зовнішні подразники (стимули), збудження синапсів сукупності зв'язаних функцією нейронів) і подальше відтворення цих функцій.

Деякі спеціалісти за інтелект приймають здатність раціонального, мотивованого вибору, в умовах недостатньої інформації. Тобто інтелектуальною просто рахується та програма діяльності (не обов'язково реалізована на сучасних ЕОМ), яка зможе вибрати із визначеної множини альтернатив, наприклад, куди іти у випадку «наліво підеш …», «направо підеш …», «прямо підеш …».

З проблемами штучного інтелекту тісно пов'язана також епістемологія — наука про знання в рамках філософії. Філософи, які займаються даною проблематикою, вирішують питання, подібні до тих, які вирішуються інженерами ШІ про те, як краще представити і використати знання і інформацію.

Серед послідовників авраамічних релігій існує декілька точок зору на можливість створення ШІ на основі структурного підходу. За однією із них мозок, роботу якого стараються імітувати системи, на їх думку, не бере участі в процесі мислення, не є джерелом свідомості і якої-небудь іншої розумової діяльності. Створення ШІ на основі структурного підходу неможливе.

Згідно з іншою точкою зору, мозок бере участь в процесі мислення, але у вигляді «передавача» інформації від душі. Мозок відповідальний за такі «прості» функції, як безумовні рефлекси, реакція на біль тощо. Створення ШІ на основі структурного підходу можливе, якщо система, яка конструюється, може виконувати «передавальні» функції.

Обидві позиції в наш час зазвичай не признаються наукою, оскільки поняття душа не розглядається сучасною наукою як наукова категорія.

На думку багатьох буддистів ШІ можливий. Так, духовний лідер Далай-лама XIV не виключає можливості існування свідомості на комп'ютерній основі[23].

Раеліти активно підтримують розробки в області штучного інтелекту. Відносини католицької церкви і науки в наш час визначаються висловлюванням Папи Івана Павла II в енцикліці «Fides et Ratio»: «віра і розум це як два крила, на яких людський дух піднімається до споглядання істини»[24]. Така ідеологія є основою і для визначення ставлення церкви до новітнього напрямку в сучасних науці і технології--штучного інтелекту. Церква сприймає той факт, що розвиток штучного інтелекту породжує серйозні етичні дилеми, і вбачає можливості прийняти участь в їх подоланні. За повідомленням BBC[25] поважних представників IBM, Microsoft з представниками Папи, на якій обговорювалися проблеми впливу штучного інтелекту на людство. Учасники зустрічі підписали спільну декларацію Rome Call 2020 про підтримку етичного підходу до проблем розвитку штучного інтелекту.

У науково-фантастичній літературі ШІ частіше всього показуються як сила, яка намагається скинути владу людини (Омніус, HAL 9000, Скайнет, Colossus, Матриця і реплікант) або обслуговуючий гуманоїд (C-3PO, Data, KITT і KARR, Двохсотрічна людина). Машинний інтелект як продовження інтелекту людини висвітлюється в фільмі Страховик. Неминучість домінування над світом ШІ, який вийшов з-під контролю, заперечується такими фантастами як Айзек Азімов і Кевін Ворвік.

Цікаве бачення майбутнього представлено в романі «Вибір по Тюрингу» письменника-фантаста Гаррі Гаррісона і вченого Марвіна Мінскі[26]. Автори розмірковують на тему втрати людяності в людини, в мозок якої була вживлена ЕОМ, і набуття людяності машиною з ШІ, в пам'ять якої була скопійована інформація із головного мозку людини.

Деякі наукові фантасти, наприклад Вернор Вінжі, також міркували над наслідками появи ШІ, яке спричинить різкі драматичні зміни в суспільстві. Такий період називають технологічною сингулярністю.

Одним із найвидатніших досліджень проблематики ШІ фактично є вся творчість видатного фантаста і філософа XX століття Станіслава Лема.