Mail:





Spis Treści



• Krótka historia A.I.

• Mity Sztucznej Inteligencji

• Jak A.I. zmienia nasz świat

• Sztuczna Inteligencja z NetLogo







Słowniczek Sztucznej Inteligencji





XV Podstawowych Skrótów w Windows 10

1. Ctrl + A: Ctrl + A, podświetla lub zaznacza wszystko, co masz w środowisku, w którym pracujesz. Jeśli myślisz sobie: "Wow, zawartość tego dokumentu jest obszerna i nie ma czasu, aby ją wybrać, a poza tym wywrze presję na moim komputerze?" Używanie myszy do tego jest przestarzałą metodą obsługi zadania, takiego jak wybieranie wszystkich, Ctrl + A zajmie się tym w zaledwie kilka sekund.

2. Ctrl + C: Ctrl + C kopiuje dowolny podświetlony lub wybrany element w środowisku pracy. Oszczędza czas i stres, który zostałby użyty do kliknięcia prawym przyciskiem myszy i ponownego kliknięcia tylko w celu skopiowania. Użyj Ctrl + C.

3. Ctrl + N: Ctrl + N otwiera nowe okno lub plik. Zamiast klikać Plik, Nowy, pusty / szablon i kolejne kliknięcie, po prostu naciśnij Ctrl + N, a nowe okno lub plik pojawi się natychmiast.

4. Ctrl + O: Ctrl + O otwiera istniejący plik. Użyj Ctrl + O, gdy chcesz zlokalizować / otworzyć plik lub program.

5. Ctrl + P: Ctrl + P drukuje aktywny dokument. Zawsze używaj tego do zlokalizowania okna dialogowego drukarki i drukowania.

6. Ctrl + S: Ctrl + S zapisuje nowy dokument lub plik i zmiany wykonane przez użytkownika. Dotykasz teraz myszy? Proszę przestań! Nie używaj myszy. Po prostu naciśnij Ctrl + S, a wszystko zostanie zapisane.

7. Ctrl + V: Ctrl + V wkleja skopiowane elementy do aktywnego obszaru używanego programu. Użycie ctrl + V w takim przypadku Oszczędza czas i stres związany z kliknięciem prawym przyciskiem myszy i ponownym kliknięciem tylko po to, aby wkleić.

8. Ctrl + W: Ctrl + W służy do zamykania strony, na której pracujesz, gdy chcesz opuścić środowisko pracy. "Jest sposób, w jaki Peace robi to bez użycia myszy. O mój Boże, dlaczego się tego nie nauczyłem? " Nie martw się, mam odpowiedź: Peace naciska Ctrl + W, aby zamknąć aktywne okna.

9. Ctrl + X: Ctrl + X tnie elementy (sprawiając, że elementy znikają z ich pierwotnego miejsca). Różnica między wycinaniem a usuwaniem elementów polega na tym, że w wycinaniu wycinane elementy nie giną na stałe, ale przygotowuje się do wklejenia w innym miejscu wybranym przez użytkownika. Użyj Ctrl + X, gdy myślisz "To nie powinno być tutaj i nie mogę znieść stresu związanego z przepisywaniem lub przeprojektowywaniem tego we właściwym miejscu".

10. Ctrl + Y: Ctrl + Y ponawia cofniętą czynność. Ctrl + Z przywróciło to, czego nie potrzebujesz? Naciśnij Ctrl + Y, aby ponownie go usunąć.

11. Ctrl + Z: Ctrl + Z cofa akcje. Nie możesz znaleźć tego, co wpisałeś teraz lub wstawionego obrazu, nagle zniknął lub omyłkowo go usunąłeś? Naciśnij Ctrl + Z, aby go przywrócić.

12. Alt + F4: Alt + F4 zamyka aktywne okna lub elementy. Nie musisz poruszać myszą, aby zamknąć aktywne okno, po prostu naciśnij Alt + F4, jeśli skończysz lub nie chcesz, aby ktoś, kto przychodził, zobaczył, co robisz.

13. Ctrl + F6: Control plus F6 Nawigacja między otwartymi oknami, umożliwiając użytkownikowi zobaczenie, co dzieje się w aktywnych oknach. Pracujesz w programie Microsoft Word i chcesz się dowiedzieć, czy inne aktywne okno, w którym Twoja przeglądarka ładuje stronę, nadal się rozwija? Użyj Ctrl + F6.

14. F1: Wyświetla okno pomocy. Czy Twój komputer działa nieprawidłowo? Użyj F1, aby znaleźć pomoc, gdy nie wiesz, co dalej zrobić.

15. F12: Umożliwia użytkownikowi wprowadzanie zmian w już zapisanym dokumencie. F12 to skrót do użycia, gdy chcesz zmienić format, w którym zapisałeś istniejący dokument, wpisać hasło, zmienić jego nazwę, zmienić lokalizację pliku lub miejsce docelowe lub wprowadzić inną zmianę




A.I. … i wszystko jasne




Wprowadzenie do Języka R




Język R … od słów do czynów !!!



 + Kody Źródłowe




A.I.: Jaka jest nasza Przyszłość?

[101 Prostych Pytań]




VIDEO



  Hipoteza Riemanna

 Pogadać z Maszyną 1

 Pogadać z Maszyną 2

 Pogadać z Maszyną 3

 Pogadać z Maszyną 4

 Wywiad z maszyną !

 Co słyszy Sztuczna Inteligencja?

 Komputer Kwantowy

 Świadomość Maszyn

 Sztuczna Inteligencja - Szansa czy Zagrożenie?

 This is AI 1

 This is AI 2 : How machines learn

 This is AI 3 : Learnig for life

 This is AI 4: A synthetic sixth sense




Bogowie Sztucznej Inteligencji






SŁOWNIK TERMINÓW ROBOTYCZNYCH




Anatomia Robota

  • Systemy Sterowania
  • Sprzęt Komputerowy
  • Niezawodność, Bezpieczeństwo i Zgodność
  • Kroki Projektowe: HLD
  • Energia i systemy zasilania
  • Kontrola Energii
  • DSP
  • Komunikacja
  • Silniki i Siłowniki
  • Mechanika



  • Artificial Intelligence




    Jak A.I. zmienia nasz świat




    Mity Sztucznej Inteligencji




    Króka Historia A.I.




    Fundamenty


    • Prolog

    • Wprowadzenie do A.I.

    • Definiowanie roli danych

    • Biorąc pod uwagę alogorytmy

    • Pionierski ,specjalistyczny sprzęt

    • Zastosowanie AI w aplikacjach komputerowych

    • Automatyzacja typowych procesów

    • Zastosowanie AI w medycynie

    • A.I. a poprawa interakcji

    • Analiza danych przez A.I.

    • Wykorzystanie machine learning

    • Poprawa A.I. (…)

    • Rozwój robotów

    • Latanie dronami

    • Samochód napędzany A.I.

    • Zroumieć aplikacje bez szans

    • AI w Kosmosie

    • Nowe zawody w erze A.I.

    •  X zawodów dla A.I.(?)

    • Wkład A.I. w społeczeństwo

    • Jak zawiodła A.I.




    "Ocieplamy" Fundamenty


    • Intuicyjna koncepcja sztucznej inteligencji

    • Podstawy wyszukiwania

    • Inteligentne wyszukiwanie

    • Algorytmy Ewolucyjne

    • Zaawansowane podejście ewolucyjne

    • Inteligencja Roju: Mrówki

    • Inteligencja roju: Cząstki

    • Uczenie maszynowe

    • Sztuczne sieci neuronowe

    •  Uczenie się ze wzmocnieniem za pomocą Q-Learning




    XVI Filarów Świątyni ArtInt′a


    • Korzenie i Zakres

    • Reprezentacja i wyszukiwanie

    • Struktury i strategie wyszukiwania

    • Wyszukiwanie Heurystyczne

    • Metody Stochastyczne

    • Budowanie algorytmów sterowania

    • Reprezentacja Wiedzy

    • Silna metoda rozwiązywanie problemów

    • Rozumowanie w niepewnych sytuacjach

    •  Uczenie maszynowe : oparte na symbolach

    • Uczenie maszynowe : koneksjonizm

    • Uczenie maszynowe : genetyczne i awaryjne

    • Uczenie maszynowe : probabilistyczne

    • Automatyczne wnioskowanie

    • Rozumienie języka naturalnego

    • Sztuczna Inteligencja jako pytanie empiryczne




    Sztuczna Inteligencja i Big Data

    Sekcja 1 : Big Data i systemy sztucznej inteligencji

    Sekcja 2 : Ontologia dla dużych zbiorów danych

    Sekcja 3: Uczenie się z dużych zbiorów danych

    Sekcja 4:Sieci neuronowe dla dużych zbiorów danych

    Sekcja 5: Deep Big Data Analytics

    Sekcja 6: Przetwarzanie języka naturalnego

    Sekcja 7: Systemy rozmyte

    Sekcja 8: Programowanie genetyczne

    Sekcja 9: Analiza roju

    Sekcja 10: Uczenie się przez wzmocnienie

    Sekcja 11: Cyberbezpieczeństwo

    Sekcja 12: Obliczenia poznawcze












    Wczoraj , Dziś … Jutro














    Odwiedzin: 9503
    Dzisiaj: 28
    On-line: 1
    Strona istnieje: 712 dni
    Ładowanie: 0.675 sek


    [ 1589 ]



    Sztuczna Inteligencja z Językiem NetLogo



    LINK



    A.I. dla Nie-Techników (WSTĘP)




    Na pierwszy rzut oka aplikacja Uber jest prosta. Wystarczy kilka kliknięć, aby w ciągu kilku minut przywołać kierowcę. Ale za kulisami kryje się zaawansowana platforma technologiczna, która w dużej mierze opiera się na sztucznej inteligencji (AI). Oto tylko niektóre z możliwości:

    •  System przetwarzania języka naturalnego (NLP), który może rozumieć konwersacje, co zapewnia usprawnione wrażenia
    •  Oprogramowanie komputerowe, które weryfikuje miliony obrazów i dokumentów, takich jak prawa jazdy i menu restauracji
    •  Algorytmy przetwarzania czujników, które pomagają poprawić dokładność w gęstych obszarach miejskich, w tym automatyczne wykrywanie kolizji poprzez wykrywanie nieoczekiwanego ruchu z telefonu kierowcy lub pasażera
    •  Zaawansowane algorytmy uczenia maszynowego, które przewidują podaż kierowców, zapotrzebowanie kierowców i ETA .

    Takie technologie są zdecydowanie niesamowite, ale są też wymagane. Nie ma możliwości, aby Uber mógł skalować swój wzrost - który wiązał się z obsługą ponad 10 miliardów podróży - bez sztucznej inteligencji. W tym świetle nie powinno dziwić, że firma wydaje na tę technologię setki milionów i zatrudnia liczną grupę ekspertów AI. Ale sztuczna inteligencja nie jest przeznaczona tylko dla szybko ładujących się startupów. Technologia okazuje się również krytycznym priorytetem dla tradycyjnych firm. Wystarczy spojrzeć na McDonalda. W 2019 roku firma wyłożyła 300 milionów dolarów na przejęcie startupu technologicznego Dynamic Yield. Była to największa transakcja firmy od momentu zakupu Boston Market w 1999 roku. Dynamic Yield, założona w 2011 roku, jest pionierem w wykorzystywaniu sztucznej inteligencji do tworzenia spersonalizowanych interakcji z klientami w Internecie, aplikacjach i e-mailach. Niektórzy z jej klientów to Hallmark Channel, IKEA i Sephora. McDonald′s przechodzi transformację cyfrową, a sztuczna inteligencja jest kluczowym elementem strategii. Dzięki Dynamic Yield firma planuje wykorzystać tę technologię do przeprojektowania swojego Drive Thru, który odpowiada za większość jej przychodów. Dzięki analizie danych, takich jak pogoda, ruch uliczny i pora dnia, cyfrowe menu będą dynamicznie zmieniane w celu zwiększenia możliwości uzyskania przychodów. Wygląda również na to, że McDonald′s użyje geofencing, a nawet rozpoznawania obrazów tablic rejestracyjnych, aby poprawić celowanie. Ale to dopiero początek. McDonald′s spodziewa się wykorzystywać sztuczną inteligencję w kioskach sklepowych i oznakowaniu, a także w łańcuchu dostaw. Firma zdaje sobie sprawę, że przyszłość jest zarówno obiecująca, jak i niebezpieczna. Jeśli firmy nie będą proaktywne w zakresie nowych technologii, mogą ostatecznie upaść. Wystarczy spojrzeć, jak Kodak powoli dostosowywał się do aparatów cyfrowych. Albo zastanów się, jak branża taksówkarska nie zmieniła się w obliczu ataku Ubera i Lyfta. Z drugiej strony nowe technologie mogą być niemal eliksirem dla firmy. Potrzebna jest jednak solidna strategia, dobre zrozumienie tego, co jest możliwe i chęć do podejmowania ryzyka. W tej książce przedstawię narzędzia, które pomogą w tym wszystkim. OK więc, jak duża będzie AI? Według badania przeprowadzonego przez PWC, do 2030 r. do globalnego PKB doda oszałamiające 15,7 biliona dolarów, czyli więcej niż łączna produkcja Chin i Indii. Autorzy raportu zauważają: "AI dotyka prawie każdego aspektu naszego życia. A to dopiero początek". To prawda, że jeśli chodzi o przewidywanie trendów, może być sporo szumu. Jednak sztuczna inteligencja może być inna, ponieważ ma potencjał do przekształcenia się w technologię ogólnego przeznaczenia. Równolegle do tego jest to, co wydarzyło się w XIX wieku wraz z pojawieniem się elektryczności, która miała transformacyjny wpływ na cały świat. Na znak strategicznego znaczenia sztucznej inteligencji firmy technologiczne, takie jak Google, Microsoft, Amazon.com, Apple i Facebook, poczyniły znaczne inwestycje w tej branży. Na przykład Google nazywa siebie firmą "najpierw AI" i wydał miliardy na kupowanie firm w kosmosie, a także zatrudnianie tysięcy naukowców zajmujących się danymi. Innymi słowy, coraz więcej miejsc pracy będzie wymagało znajomości sztucznej inteligencji. Oczywiście nie oznacza to, że będziesz musiał uczyć się języków programowania lub rozumieć zaawansowane statystyki. Ale kluczowe będzie posiadanie solidnych podstaw w zakresie podstaw.

    Naszym celem jest dostarczenie praktycznych porad, które mogą mieć duży wpływ na twoją organizację i karierę. Nie znajdziesz głęboko technicznych wyjaśnień, fragmentów kodu ani równań. Zamiast tego, masz dostać odpowiedzi na najważniejsze pytania menedżerów: gdzie sztuczna inteligencja ma sens? Jakie są problemy? Jak oceniasz technologię? A co z uruchomieniem pilota AI?

    Oto krótkie opisy części:

    •  Część 1 - Podstawy sztucznej inteligencji: Jest to przegląd bogatej historii sztucznej inteligencji, która sięga lat pięćdziesiątych. Poznasz błyskotliwych badaczy i informatyków, takich jak Alan Turing, John McCarthy, Marvin Minsky i Geoffrey Hinton. Omówione zostaną również kluczowe koncepcje, takie jak test Turinga, który mierzy, czy maszyna osiągnęła prawdziwą sztuczną inteligencję.
    •  Część 2 - Dane: Dane są siłą napędową sztucznej inteligencji. W ten sposób algorytmy mogą znajdować wzorce i korelacje, aby zapewnić wgląd. Ale są miny z danymi, takimi jak jakość i stronniczość. W tym rozdziale przedstawiono ramy do pracy z danymi w projekcie AI.
    •  Część 3 - Uczenie maszynowe: Jest to podzbiór sztucznej inteligencji i obejmuje tradycyjne techniki statystyczne, takie jak regresja. Ale w tym rozdziale omówimy również zaawansowane algorytmy, takie jak k-Nearest Neighbor (k-NN) i Naive Bayes Classifier. Oprócz tego przyjrzymy się, jak stworzyć model uczenia maszynowego.
    •  Część 4 - Głębokie uczenie: Jest to kolejny podzbiór sztucznej inteligencji i jest to wyraźnie ten, w którym w ciągu ostatniej dekady pojawiło się wiele innowacji. Głębokie uczenie polega na wykorzystywaniu sieci neuronowych do znajdowania wzorców naśladujących mózg. W rozdziale przyjrzymy się głównym algorytmom, takim jak rekurencyjne sieci neuronowe (RNN), splotowe sieci neuronowe (CNN) i generatywne sieci kontradyktoryjne (GAN). Pojawią się również wyjaśnienia kluczowych pojęć, takich jak propagacja wsteczna.
    •  Część 5 - Automatyzacja procesów robotycznych: Wykorzystuje systemy do automatyzacji powtarzalnych procesów, takich jak wprowadzanie danych do systemu zarządzania relacjami z klientami (CRM). Robotic Process Automation (RPA) odnotował ogromny wzrost w ciągu ostatnich kilku lat ze względu na wysoki ROI (zwrot z inwestycji). Technologia była również wstępnym sposobem wdrażania sztucznej inteligencji przez firmy.
    •  Część 6 - Przetwarzanie języka naturalnego (NLP): Ta forma sztucznej inteligencji, która obejmuje rozumienie rozmów, jest najbardziej wszechobecna w przypadku Siri, Cortany i Alexy. Ale systemy NLP, takie jak chatboty, również stały się krytyczne w świecie korporacji. Ten rozdział pokaże, jak efektywnie wykorzystać tę technologię i jak uniknąć trudnych problemów.
    •  Część 7 - Roboty fizyczne: Sztuczna inteligencja zaczyna mieć duży wpływ na tę branżę. Dzięki głębokiemu uczeniu robotom łatwiej jest zrozumieć swoje środowisko. W tym rozdziale przyjrzymy się zarówno robotom konsumenckim, jak i przemysłowym, na przykład z niezliczoną liczbą przypadków użycia.
    •  Część 8 - Wdrażanie sztucznej inteligencji: Przyjmiemy krok po kroku podejście do tworzenia projektu sztucznej inteligencji, od początkowej koncepcji do wdrożenia. W tym rozdziale omówimy również różne narzędzia, takie jak Python, TensorFlow i PyTorch.
    •  Część 9 - Przyszłość sztucznej inteligencji: W tym rozdziale omówione zostaną niektóre z największych trendów w sztucznej inteligencji, takie jak jazda autonomiczna, uzbrojenie sztucznej inteligencji, bezrobocie technologiczne, odkrywanie leków i regulacje prawne.


    Złoty Wiek AI

    Od 1956 do 1974 dziedzina sztucznej inteligencji była jednym z najgorętszych miejsc w świecie technologii. Głównym katalizatorem był szybki rozwój technologii komputerowych. Przeszli od ogromnych systemów opartych na lampach próżniowych do mniejszych systemów opartych na układach scalonych, które były znacznie szybsze i miały większą pojemność. Rząd federalny również mocno inwestował w nowe technologie. Częściowo było to spowodowane ambitnymi celami programu kosmicznego Apollo i ciężkimi wymaganiami zimnej wojny. Jeśli chodzi o sztuczną inteligencję, głównym źródłem finansowania była Agencja Zaawansowanych Projektów Badawczych (ARPA), która została uruchomiona pod koniec lat 50. po szoku wywołanym przez rosyjskiego Sputnika. Wydatki na projekty wiązały się zwykle z kilkoma wymaganiami. Celem było inspirowanie przełomowych innowacji. Jeden z liderów ARPA, J.C.R. Licklider, miał motto "funduj ludzi, a nie projekty". W większości większość funduszy pochodziła ze Stanford, MIT, Lincoln Laboratories i Carnegie Mellon University. Poza IBM sektor prywatny był w niewielkim stopniu zaangażowany w rozwój sztucznej inteligencji. Należy pamiętać, że do połowy lat pięćdziesiątych IBM wycofał się i skupił na komercjalizacji swoich komputerów. Klienci obawiali się, że ta technologia doprowadzi do znacznej utraty miejsc pracy. Dlatego IBM nie chciał być obwiniany. Innymi słowy, wiele innowacji w sztucznej inteligencji wywodzi się ze środowiska akademickiego. Na przykład w 1959 roku Newell, Shaw i Simon nadal przesuwali granice w dziedzinie sztucznej inteligencji, opracowując program o nazwie "Ogólne rozwiązywanie problemów". Jak sama nazwa wskazuje, chodziło o rozwiązywanie problemów matematycznych, takich jak Wieża Hanoi. Ale było wiele innych programów, które próbowały osiągnąć pewien poziom silnej sztucznej inteligencji. Przykłady obejmowały:

    •  SAINT lub Symbolic Automatic INTegrator (1961): Ten program, stworzony przez badacza MIT Jamesa Slagle′a, pomógł rozwiązać problemy z rachunkiem różniczkowym dla studentów pierwszego roku. Zostałby zaktualizowany do innych programów, zwanych SIN i MACSYMA, które robiły znacznie bardziej zaawansowaną matematykę. SAINT był właściwie pierwszym przykładem systemu eksperckiego, kategorii sztucznej inteligencji
    •  ANALOGY (1963): Ten program został stworzony przez profesora MIT Thomasa Evansa. Aplikacja wykazała, że komputer może rozwiązać analogiczne problemy z testem IQ.
    •  STUDENT (1964): Pod kierunkiem Minsky′ego na MIT Daniel Bobrow stworzył tę aplikację AI do swojej pracy doktorskiej. System wykorzystywał przetwarzanie języka naturalnego (NLP) do rozwiązywania problemów algebry dla uczniów szkół średnich.
    •  ELIZA (1965): profesor MIT Joseph Weizenbaum zaprojektował ten program, który natychmiast stał się wielkim hitem. To nawet wywołało szum w prasie głównego nurtu. Został nazwany na cześć Elizy (na podstawie sztuki George′a Bernarda Shawa Pigmalion) i służył jako psychoanalityk. Użytkownik może wpisać pytania, a ELIZA udzieli porady (był pierwszym przykładem chatbota). Niektórzy, którzy go używali, myśleli, że program to prawdziwa osoba, co głęboko zaniepokoiło Weizenbauma, ponieważ podstawowa technologia była dość podstawowa.
    •  Widzenie komputerowe (1966): W legendarnej historii Marvin Minsky z MIT powiedział studentowi Geraldowi Jayowi Sussmanowi, aby spędził lato podłączając kamerę do komputera i zmuszając komputer do opisania tego, co zobaczył. Zrobił właśnie to i zbudował system, który wykrywał podstawowe wzorce. Było to pierwsze użycie widzenia komputerowego.
    •  Mac Hack (1968): profesor MIT Richard D. Greenblatt stworzył ten program do gry w szachy. Jako pierwszy grał w prawdziwych turniejach i otrzymał ocenę C.
    • o Hearsay I (koniec lat 60.): Profesor Raj Reddy opracował system ciągłego rozpoznawania mowy. Niektórzy z jego uczniów stworzyli następnie Dragon Systems, która stała się główną firmą technologiczną.

    W tym okresie nastąpiło rozprzestrzenianie się artykułów naukowych i książek o AI. Niektóre z tematów obejmowały metody bayesowskie, uczenie maszynowe i widzenie. Ale generalnie istniały dwie główne teorie dotyczące sztucznej inteligencji. Jednym kierował Minsky, który powiedział, że muszą istnieć systemy symboliczne. Oznaczało to, że sztuczna inteligencja powinna opierać się na tradycyjnej logice komputerowej lub programowaniu wstępnym, czyli korzystaniu z podejść takich jak instrukcje If-Then-Else. Następnie był Frank Rosenblatt, który uważał, że sztuczna inteligencja musi używać systemów podobnych do mózgu, takich jak sieci neuronowe (to pole było również znane jako koneksjonizm). Ale zamiast nazywać wewnętrzne funkcjonowanie neuronów, nazwał je perceptronami. System byłby w stanie uczyć się w miarę przyjmowania danych w miarę upływu czasu. W 1957 roku Rosenblatt stworzył do tego celu pierwszy program komputerowy, nazwany Mark 1 Perceptron. Zawierał kamery, które pomagały odróżnić dwa obrazy (miały 20 × 20 pikseli). Perceptron Mark 1 używałby danych, które miały losowe wagi, a następnie przechodził przez następujący proces:

    1. Weź wejście i wymyśl wyjście perceptronu.
    2. Jeśli nie ma dopasowania, to
    a. Jeśli wyjście powinno wynosić 0, ale było 1, waga dla 1 zostanie zmniejszona.
    b. Jeśli wyjście powinno wynosić 1, ale było 0, waga dla 1 zostanie zwiększona.
    3. Powtarzaj kroki 1 i 2, aż wyniki będą dokładne.

    To było zdecydowanie przełomowe dla AI. New York Times napisał nawet dla Rosenblatta, wychwalając "Marynarka wojenna ujawniła dziś zarodek elektronicznego komputera, który oczekuje, że będzie w stanie chodzić, rozmawiać, widzieć, pisać, reprodukować się i być świadomym swojego istnienia". Ale wciąż były dokuczliwe problemy z perceptronem. Jednym z nich było to, że sieć neuronowa miała tylko jedną warstwę (głównie z powodu braku mocy obliczeniowej w tym czasie). Następnie badania nad mózgiem wciąż znajdowały się na początkowym etapie i nie oferowały wiele w zakresie zrozumienia zdolności poznawczych. Minsky napisałby wspólnie z Seymourem Papertem książkę zatytułowaną Perceptrons (1969). Autorzy bezlitośnie atakowali podejście Rosenblatta, które szybko zniknęło. Zauważ, że na początku lat pięćdziesiątych Minsky opracował prymitywną maszynę sieci neuronowych, na przykład używając setek lamp próżniowych i części zamiennych z bombowca B-24. Zauważył jednak, że technologia nie była w stanie funkcjonować. Rosenblatt próbował walczyć, ale było już za późno. Społeczność AI szybko zmieniła się w sieci neuronowe. Rosenblatt zginął kilka lat później w wypadku na łodzi. Miał 43 lata. Jednak w latach 80. jego idee zostałyby ożywione, co doprowadziłoby do rewolucji w sztucznej inteligencji, przede wszystkim wraz z rozwojem głębokiego uczenia się. W większości złoty wiek sztucznej inteligencji był swobodny i ekscytujący. Niektórzy z najzdolniejszych naukowców na świecie próbowali stworzyć maszyny, które naprawdę potrafią myśleć. Ale optymizm często dochodził do skrajności. W 1965 roku Simon powiedział, że w ciągu 20 lat maszyna może zrobić wszystko, co potrafi człowiek. Następnie w 1970 roku, w wywiadzie dla magazynu Life, powiedział, że stanie się to za 3-8 lat (nawiasem mówiąc, był doradcą przy filmie 2001: Odyseja kosmiczna). Niestety kolejna faza AI byłaby znacznie ciemniejsza. Było więcej naukowców, którzy stali się sceptyczni. Chyba najgłośniej wypowiadał się filozof Hubert Dreyfus. W książkach takich jak What Computers Still Can't Do: A Critique of Artificial Reason8 przedstawił swoje poglądy, że komputery nie są podobne do ludzkiego mózgu i że sztuczna inteligencja żałośnie nie spełniłaby wzniosłych oczekiwań.