ปัญญาประดิษฐ์

"AI" เปลี่ยนทางมาที่นี่ สำหรับความหมายอื่น ดูที่ AI (แก้ความกำกวม)

ปัญญาประดิษฐ์ ศัพท์ปัญญาประดิษฐ์
GOFAI
การค้นหาในปริภูมิสถานะ
การวางแผนอัตโนมัติ
การค้นหาเชิงการจัด
ระบบผู้เชี่ยวชาญ
การแทนความรู้
ระบบอิงความรู้
Connectionism
ข่ายงานประสาทเทียม
ชีวิตประดิษฐ์
ปัญญาประดิษฐ์แบบกระจาย
การเขียนโปรแกรมเชิงพันธุกรรม
ขั้นตอนวิธีเชิงพันธุกรรม
ปัญญากลุ่ม
Artificial beings
Bayesian methods
เครือข่ายแบบเบย์
การเรียนรู้ของเครื่อง
การรู้จำแบบ
ระบบฟัซซี
ตรรกศาสตร์คลุมเครือ
ฟัซซีอิเล็กทรอนิกส์
Philosophy
ปัญญาประดิษฐ์แบบเข้ม
สำนึกประดิษฐ์
การทดสอบทัวริง

ปัญญาประดิษฐ์ (อังกฤษ: artificial intelligence) หรือ เอไอ (AI) หมายถึงความฉลาดเทียมที่สร้างขึ้นให้กับสิ่งที่ไม่มีชีวิต ปัญญาประดิษฐ์เป็นสาขาหนึ่งในด้านวิทยาการคอมพิวเตอร์ และวิศวกรรมเป็นหลัก แต่ยังรวมถึงศาสตร์ในด้านอื่น ๆ อย่างจิตวิทยา ปรัชญา หรือชีววิทยา ซึ่งสาขาปัญญาประดิษฐ์เป็นการเรียนรู้เกี่ยวกับกระบวนการการคิด การกระทำ การให้เหตุผล การปรับตัว หรือการอนุมาน และการทำงานของสมอง แม้ว่าดังเดิมนั้นเป็นสาขาหลักในวิทยาการคอมพิวเตอร์ แต่แนวคิดหลาย ๆ อย่างในศาสตร์นี้ได้มาจากการปรับปรุงเพิ่มเติมจากศาสตร์อื่น ๆ เช่น

• การเรียนรู้ของเครื่อง นั้นมีเทคนิคการเรียนรู้ที่เรียกว่า การเรียนรู้ต้นไม้ตัดสินใจ ซึ่งประยุกต์เอาเทคนิคการอุปนัยของจอห์น สจวร์ต มิลล์ นักปรัชญาชื่อดังของอังกฤษ มาใช้
• เครือข่ายประสาทเทียมก็นำเอาแนวคิดของการทำงานของสมองของมนุษย์ มาใช้ในการแก้ปัญหาการแบ่งประเภทของข้อมูล และแก้ปัญหาอื่น ๆ ทางสถิติ เช่น การวิเคราะห์ความถดถอยหรือ การปรับเส้นโค้ง

อย่างไรก็ตาม เนื่องจากปัจจุบันวงการปัญญาประดิษฐ์ มีการพัฒนาส่วนใหญ่โดยนักวิทยาศาสตร์คอมพิวเตอร์ อีกทั้งวิชาปัญญาประดิษฐ์ ก็ต้องเรียนที่ภาควิชาคอมพิวเตอร์ของคณะวิทยาศาสตร์หรือคณะวิศวกรรมศาสตร์ เราจึงถือเอาง่าย ๆ ว่า ศาสตร์นี้เป็นสาขาของวิทยาการคอมพิวเตอร์นั่นเอง

ประวัติ

แนวคิดเรื่องเครื่องจักรที่คิดได้และสิ่งมีชีวิตเทียมนั้นมีมาตั้งแต่สมัยกรีกโบราณ เช่นหุ่นยนต์ทาลอสแห่งครีต อันเป็นหุ่นยนต์ทองแดงของเทพฮิฟีสตัส แหล่งอารยธรรมใหญ่ ๆ ของโลกมักจะเชื่อเรื่องหุ่นยนต์ที่มีความคล้ายกับมนุษย์ เช่น ในอียิปต์และกรีซ ต่อมา ช่วงกลางศตวรรษที่ 19 และ 20 สิ่งมีชีวิตเทียมเริ่มปรากฏอย่างแพร่หลายในนิยายวิทยาศาสตร์ เช่น แฟรงเกนสไตน์ของแมรี เชลลีย์ หรือ R.U.R.ของกาเรล ชาเปก แนวคิดเหล่านี้ผ่านการอภิปรายมาอย่างแพร่หลาย โดยเฉพาะในแง่ของความหวัง ความกลัว หรือความกังวลด้านศีลธรรมเนื่องจากการมีอยู่ของปัญญาประดิษฐ์

กลไกหรือการให้เหตุผลอย่างมีแบบแผน ได้รับการพัฒนาขึ้นโดยนักปรัชญาและนักวิทยาศาสตร์มาตั้งแต่สมัยโบราณ การศึกษาด้านตรรกศาสตร์นำไปสู่การคิดค้นเครื่องคำนวณอิเล็กทรอนิกส์ดิจิทัลที่โปรแกรมได้โดยอาศัยหลักการทางคณิตศาสตร์ของแอลัน ทัวริงและคนอื่น ๆ ทฤษฎีการคำนวณของทัวริงชี้ว่า เครื่องจักรที่รู้จักการสลับตัวเลขระหว่าง 0 กับ 1 สามารถเข้าใจนิรนัยทางคณิตศาสตร์ได้ หลังจากนั้น การค้นพบทางด้านประสาทวิทยา ทฤษฎีสารสนเทศ และไซเบอร์เนติกส์ รวมทั้งทฤษฎีการคำนวณของทัวริง ได้ทำให้นักวิทยาศาสตร์บางกลุ่มเริ่มสนใจพิจารณาความเป็นไปได้ของการสร้าง สมองอิเล็กทรอนิกส์ ขึ้นมาอย่างจริงจัง

สาขาปัญญาประดิษฐ์นั้นเริ่มก่อตั้งขึ้นในที่ประชุมวิชาการที่วิทยาลัยดาร์ตมัธ สหรัฐอเมริกาในช่วงหน้าร้อน ค.ศ. 1956 โดยผู้ร่วมในการประชุมครั้งนั้น ได้แก่ จอห์น แม็กคาร์ธีย์ มาร์วิน มินสกี อัลเลน นิวเวลล์ อาเธอร์ ซามูเอล และเฮอร์เบิร์ต ไซมอน ที่ได้กลายมาเป็นผู้นำทางสาขาปัญญาประดิษฐ์ในอีกหลายสิบปีต่อมา นักวิทยาศาสตร์และนักศึกษาของพวกเขาเหล่านี้เขียนโปรแกรมที่หลายคนทึ่ง ไม่ว่าจะเป็น คอมพิวเตอร์ที่สามารถเอาชนะคนเล่นหมากรุก แก้ไขปัญหาเกี่ยวกับคำด้วยพีชคณิต พิสูจน์ทฤษฎีทางตรรกวิทยา หรือแม้กระทั่งพูดภาษาอังกฤษได้ ผู้ก่อตั้งสาขาปัญญาประดิษฐ์กลุ่มนี้เชื่อมั่นในอนาคตของเทคโนโลยีใหม่นี้มาก โดยเฮอร์เบิร์ต ไซมอนคาดว่าจะมีเครื่องจักรที่สามารถทำงานทุกอย่างได้เหมือนมนุษย์ภายใน 20 ปีข้างหน้า และมาร์วิน มินสกีก็เห็นพ้องโดยการเขียนว่า "เพียงชั่วอายุคน ปัญหาของการสร้างความฉลาดเทียมจะถูกแก้ไขอย่างยั่งยืน"

อย่างไรก็ตาม นักวิทยาศาสตร์กลุ่มนี้กลับไม่ได้พิจารณาถึงความยากของปัญหาที่จะพบมากนัก ในปี ค.ศ. 1974 เซอร์ เจมส์ ไลท์ฮิลล์ ได้เขียนวิพากษ์วิจารณ์สาขาปัญญาประดิษฐ์ ประกอบกับมีแรงกดดันจากสภาคองเกรสของสหรัฐฯให้ไปให้เงินสนับสนุนโครงการมีผลผลิตออกมาเป็นรูปธรรมมากกว่า ดังนั้น รัฐบาลสหรัฐอเมริกาและสหราชอาณาจักรจึงได้ตัดงบประมาณการวิจัยที่ไร้ทิศทางของสาขาปัญญาประดิษฐไป จนเป็นยุคที่เรียกว่า หน้าหนาวของปัญญาประดิษฐ์ (AI winter) กินเวลาหลายปี ซึ่งโครงการด้านปัญญาประดิษฐ์แต่ละโครงการนั้นหาเงินทุนสนับสนุนยากมาก

ในช่วงต้นคริสต์ทศวรรษ 1980 งานวิจัยด้านปัญญาประดิษฐ์ประสบความสำเร็จในเชิงพาณิชย์เป็นครั้งแรก ด้วยระบบที่ชื่อว่า ระบบผู้เชี่ยวชาญ อันเป็นระบบคอมพิวเตอร์ที่ช่วยในการหาคำตอบ อธิบายความไม่ชัดเจน ซึ่งปกตินั้นจะใช้ผู้เชี่ยวชาญในแต่ละสาขาตอบคำถามนั้น ในปี ค.ศ. 1985 ตลาดของปัญญาประดิษฐ์ทะยานขึ้นไปแตะระดับ 1 พันล้านดอลลาร์สหรัฐ ในขณะเดียวกัน โครงการคอมพิวเตอร์รุ่นที่ 5 ของญี่ปุ่นก็ได้จุดประกายให้รัฐบาลสหรัฐอเมริกาและสหราชอาณาจักรหันมาให้เงินทุนสนับสนุนงานวิจัยในสาขาปัญญาประดิษฐ์อีกครั้ง

ในคริสต์ทศวรรษ 1990 และช่วงต้นคริสต์ศตวรรษที่ 21 ปัญญาประดิษฐ์ประสบความสำเร็จอย่างสูงแม้ว่าจะมีหลายอย่างที่อยู่เบื้องหลัง มีการนำปัญญาประดิษฐ์มาใช้ในด้านการขนส่ง การทำเหมืองข้อมูล การวินิจฉัยทางการแพทย์ และในอีกหลายสาขาหลายอุตสาหกรรม ความสำเร็จของปัญญาประดิษฐ์นั้นได้รับการผลักดันมาจากหลายปัจจัย ไม่ว่าจะเรื่องของความเร็วของคอมพิวเตอร์ที่มีการประมวลผลที่เร็วขึ้น (ตามกฎของมัวร์) การให้ความสำคัญกับการแก้ปัญหาย่อยบางปัญหา การสร้างความเชื่อมโยงระหว่างปัญญาประดิษฐ์กับสาขาอื่น ๆ ที่ทำงานอยู่กับปัญญาที่คล้าย ๆ กัน ตลอดจนความมุ่งมั่นของนักวิจัยที่ใช้วิธีการทางคณิตศาสตร์และวิทยาศาสตร์ที่มีหลักการ

เมื่อวันที่ 11 พฤษภาคม ค.ศ. 1997 เครื่องดีปบลูของบริษัทไอบีเอ็ม กลายมาเป็นคอมพิวเตอร์เครื่องแรกของโลกที่สามารถเล่นหมากรุกเอาชนะ แกรี คาสปารอฟ แชมป์โลกในขณะนั้นได้ และในเดือนกุมภาพันธ์ ค.ศ. 2011 เครื่องวัตสันของบริษัทไอบีเอ็มก็สามารถเอาชนะแชมป์รายการตอบคำถามจีโอพาร์ดีได้แบบขาดลอย นอกจากนี้ เครื่องเล่นเกมอย่าง Kinect ก็ใช้เทคโนโลยีของปัญญาประดิษฐ์ มาใช้ในการสร้างส่วนติดต่อกับผู้ใช้ผ่านทางการเคลื่อนไหวร่างกายใน 3 มิติเช่นกัน

นิยามของปัญญาประดิษฐ์

ภาพรวมอย่างย่อของปัญญาประดิษฐ์ (เอไอ) โดยเอไอแคมปัส

มีคำนิยามของปัญญาประดิษฐ์มากมายหลากหลาย ซึ่งสามารถจัดแบ่งออกเป็น 4 ประเภทโดยมองใน 2 มิติ ได้แก่

• ระหว่าง นิยามที่เน้นระบบที่เลียนแบบมนุษย์ กับ นิยามที่เน้นระบบที่ระบบที่มีเหตุผล (แต่ไม่จำเป็นต้องเหมือนมนุษย์)
• ระหว่าง นิยามที่เน้นความคิดเป็นหลัก กับ นิยามที่เน้นการกระทำเป็นหลัก

ปัจจุบันงานวิจัยหลัก ๆ ของปัญญาประดิษฐ์จะมีแนวคิดในรูปที่เน้นเหตุผลเป็นหลัก เนื่องจากการนำปัญญาประดิษฐ์ไปประยุกต์ใช้แก้ปัญหา ไม่จำเป็นต้องอาศัยอารมณ์หรือความรู้สึกของมนุษย์ อย่างไรก็ตามนิยามทั้ง 4 ไม่ได้ต่างกันโดยสมบูรณ์ นิยามทั้ง 4 ต่างก็มีส่วนร่วมที่คาบเกี่ยวกันอยู่

นิยามดังกล่าวคือ

1. ระบบที่คิดเหมือนมนุษย์ (Systems that think like humans)
   1. ปัญญาประดิษฐ์ คือ ความพยายามใหม่อันน่าตื่นเต้นที่จะทำให้คอมพิวเตอร์คิดได้ซึ่งเครื่องจักรที่มีสติปัญญาอย่างครบถ้วนและแท้จริง ("The exciting new effort to make computers think ... machines with minds, in the full and literal sense." [Haugeland, 1985])
   2. ปัญญาประดิษฐ์ คือ กลไกของกิจกรรมที่เกี่ยวข้องกับความคิดมนุษย์ เช่น การตัดสินใจ การแก้ปัญหา การเรียนรู้ ("[The automation of] activities that we associate with human thinking, activities such as decision-making, problem solving, learning." [Bellman, 1978])
   • หมายเหตุ ก่อนที่จะทำให้เครื่องคิดอย่างมนุษย์ได้ ต้องรู้ก่อนว่ามนุษย์มีกระบวนการคิดอย่างไร ซึ่งการวิเคราะห์ลักษณะการคิดของมนุษย์ เป็นศาสตร์ด้าน cognitive science เช่น ศึกษาการเรียงตัวของเซลล์สมองในสามมิติ ศึกษาการถ่ายเทประจุไฟฟ้า และวิเคราะห์การเปลี่ยนแปลงทางเคมีไฟฟ้าในร่างกาย ระหว่างการคิด ซึ่งจนถึงปัจจุบัน (พ.ศ. 2548) เราก็ยังไม่รู้แน่ชัดว่า มนุษย์เรา คิดได้อย่างไร
2. ระบบที่กระทำเหมือนมนุษย์ (Systems that act like humans)
   1. ปัญญาประดิษฐ์ คือ วิชาของการสร้างเครื่องจักรที่ทำงานในสิ่งซึ่งอาศัยปัญญาเมื่อกระทำโดยมนุษย์ ("The art of creating machines that perform functions that requires intelligence when performed by people." [Kurzweil, 1990])
   2. ปัญญาประดิษฐ์ คือ การศึกษาวิธีทำให้คอมพิวเตอร์กระทำในสิ่งที่มนุษย์ทำได้ดีกว่าในขณะนั้น ("The study of how to make computers do things at which, at the moment, people are better." [Rich and Knight, 1991])
   • หมายเหตุ การกระทำเหมือนมนุษย์ เช่น
     • สื่อสารได้ด้วยภาษาที่มนุษย์ใช้ เช่น ภาษาไทย ภาษาอังกฤษ ตัวอย่างคือ การแปลงข้อความเป็นคำพูด และ การแปลงคำพูดเป็นข้อความ
     • มีประสาทรับสัมผัสคล้ายมนุษย์ เช่น คอมพิวเตอร์รับภาพได้โดยอุปกรณ์รับสัมผัส แล้วนำภาพไปประมวลผล
     • เคลื่อนไหวได้คล้ายมนุษย์ เช่น หุ่นยนต์ช่วยงานต่าง ๆ อย่างการ ดูดฝุ่น เคลื่อนย้ายสิ่งของ
     • เรียนรู้ได้ โดยสามารถตรวจจับรูปแบบการเกิดของเหตุการณ์ใด ๆ แล้วปรับตัวสู่สิ่งแวดล้อมที่เปลี่ยนไปได้
3. ระบบที่คิดอย่างมีเหตุผล (Systems that think rationally)
   1. ปัญญาประดิษฐ์ คือ การศึกษาความสามารถในด้านสติปัญญาโดยการใช้โมเดลการคำนวณ ("The study of mental faculties through the use of computational model." [Charniak and McDermott, 1985])
   2. ปัญญาประดิษฐ์ คือ การศึกษาวิธีการคำนวณที่สามารถรับรู้ ใช้เหตุผล และกระทำ ("The study of the computations that make it possible to perceive, reason, and act" [Winston, 1992])
   • หมายเหตุ คิดอย่างมีเหตุผล หรือคิดถูกต้อง เช่น ใช้หลักตรรกศาสตร์ในการคิดหาคำตอบอย่างมีเหตุผล เช่น ระบบผู้เชี่ยวชาญ
4. ระบบที่กระทำอย่างมีเหตุผล (Systems that act rationally)
   1. ปัญญาประดิษฐ์คือการศึกษาเพื่อออกแบบเอเจนต์ที่มีปัญญา ("Computational Intelligence is the study of the design of intelligent agents" [Poole et al., 1998])
   2. ปัญญาประดิษฐ์ เกี่ยวข้องกับพฤติกรรมที่แสดงปัญญาในสิ่งที่มนุษย์สร้างขึ้น ("AI ... is concerned with intelligent behavior in artifacts" [Nilsson, 1998])
   • หมายเหตุ กระทำอย่างมีเหตุผล เช่น เอเจนต์ (โปรแกรมที่มีความสามารถในการกระทำ หรือเป็นตัวแทนในระบบอัตโนมัติต่าง ๆ ) สามารถกระทำอย่างมีเหตุผลเพื่อบรรลุเป้าหมายที่ได้ตั้งไว้ เช่น เอเจนต์ในระบบขับรถอัตโนมัติ ที่มีเป้าหมายว่าต้องไปถึงเป้าหมายในระยะทางที่สั้นที่สุด ต้องเลือกเส้นทางที่ไปยังเป้าหมายที่สั้นที่สุดที่เป็นไปได้ จึงจะเรียกได้ว่า เอเจนต์กระทำอย่างมีเหตุผล อีกตัวอย่างเช่น เอเจนต์ในเกมหมากรุก ที่มีเป้าหมายว่าต้องเอาชนะคู่ต่อสู้ ก็ต้องเลือกเดินหมากที่จะทำให้คู่ต่อสู้แพ้ให้ได้ เป็นต้น

งานวิจัย

เป้าหมาย

ปัญหาโดยทั่วไปของการจำลอง (หรือสร้าง) ปัญญาถูกแบ่งออกเป็นปัญหาย่อย ๆ จำนวนมาก นักวิจัยด้านปัญญาประดิษฐ์พยายามศึกษาระบบย่อย ๆ เหล่านี้ โดยที่ได้รับความสนใจมากเป็นพิเศษ ได้แก่

การนิรนาม การให้เหตุผล และการแก้ไขปัญหา (deduction, reasoning, problem solving)

งานวิจัยด้านปัญญาประดิษฐ์ในช่วงแรก ๆ นั้นเริ่มต้นมาจากการให้เหตุผลแบบทีละขั้น ๆ เป็นการให้เหตุผลแบบเดียวกับที่มนุษย์ใช้ในการไขปัญหาหรือหาข้อสรุปทางตรรกศาสตร์ เมื่อปลายคริสต์ทศวรรษ 1980 และ 1990 งานวิจัยด้านปัญญาประดิษฐ์ได้ถูกพัฒนาอย่างต่อเนื่อง และประสบความสำเร็จในการจัดการกับความไม่แน่นอนหรือความไม่สมบูรณ์ของข้อมูลได้ โดยใช้หลักการของความน่าจะเป็นและเศรษฐศาสตร์

ความยากของสาขานี้คือ อัลกอริทึมส่วนใหญ่ต้องใช้การคำนวณและประมวลผลมหาศาล มักจะเป็นการคำนวณแบบสลับสับเปลี่ยนจำนวนมาก และทำให้คอมพิวเตอร์ต้องใช้หน่วยความจำมหาศาลเมื่อต้องแก้ปัญหาที่มีขนาดใหญ่มาก ดังนั้น งานวิจัยในสายนี้จึงมักมุ่งเน้นการหาอัลกอริทึมที่มีประสิทธิภาพในการค้นหาอย่างมีประสิทธิภาพ

มนุษย์มีความสามารถในการไขปัญหาอย่างรวดเร็ว สามารถตัดสินใจได้ตามสัญชาติญาณและมีความรวดเร็วกว่าความรู้สึกตามสามัญสำนึกและการอนุมานแบบทีละขั้นแบบที่งานวิจัยด้านปัญญาประดิษฐ์ในช่วงแรกทำได้ ปัจจุบัน งานวิจัยด้านปัญญาประดิษฐ์เริ่มหันมาให้ความสนใจการแก้ไขปัญหาที่ย่อยไปกว่าเชิงสัญลักษณ์ หรือที่เรียกว่า sub-symbolic problem solving ไม่ว่าจะเป็น เอเยนต์ฝังตัว โครงข่ายประสาทเทียม หรือการใช้หลักการทางสถิติกับปัญญาประดิษฐ์ เพื่อเลียนแบบธรรมชาติของมนุษย์ในการเดาอย่างมีหลักการทางความน่าจะเป็น

เทคนิคที่นิยมใช้กันมากก็คือ การเขียนโปรแกรมเชิงตรรกะ (logic programming) เมื่อเราแทนความรู้ของเครื่องด้วย first-order logic และ bayesian inference เมื่อเราแทนความรู้ของเครื่องด้วย bayesian networks

การแทนความรู้

การแทนความรู้ (knowledge representation) เป็นหัวใจสำคัญของงานวิจัยด้านปัญญาประดิษฐ์ เป็นการศึกษาด้านเก็บความรู้ (knowledge) ไว้ในเครื่องจักร เราเชื่อกันว่าหากจะให้เครื่องจักรแก้ไขปัญหาให้จะต้องใช้ความรู้จำนวนมหาศาลบนโลกนี้ สิ่งที่ปัญญาประดิษฐ์ต้องการจะหาสัญลักษณ์มาแทนได้แก่ วัตถุ คุณสมบัติ ประเภท ความสัมพันธ์ระหว่างวัตถุ ไม่ว่าจะเป็นสถานการณ์ เหตุการณ์ สถานะ และเวลา ตลอดจนเหตุและผล ความรู้เกี่ยวกับความรู้ (รู้ว่าคนอื่นรู้อะไร) และอื่น ๆ อีกมากมาย การแทน"สิ่งที่มีอยู่"นั้นเรียกว่าสาขาภววิทยา เป็นการแทนที่กลุ่มของวัตถุ ความสัมพันธ์ แนวคิด และอื่น ๆ บนเครื่องจักร ประเด็นสำคัญของการแทนความรู้ คือ

• ทำอย่างไรจะแสดงความรู้ได้อย่างกะทัดรัด ประหยัดหน่วยความจำ
• จะนำความรู้ที่เก็บไว้นี้ไปใช้ในการให้เหตุผลอย่างไร
• จะมีการเรียนรู้ความรู้ใหม่ ๆ ด้วยเทคนิคการเรียนรู้ของเครื่อง ให้ความรู้ที่ได้อยู่ในรูปแบบความรู้ที่เราออกแบบไว้ได้อย่างไร

การแทนความรู้สามารถแบ่งออกได้เป็นสองประเภทหลัก คือ

• ความรู้ที่แน่นอน (certain knowledge) เช่น การแทนความรู้ด้วยตรรกศาสตร์ ไม่ว่าจะเป็น first-order logic หรือ propositional logic
• ความรู้ที่มีความไม่แน่นอนมาเกี่ยวข้อง (uncertain knowledge) เช่น ฟัซซี่ลอจิก (fuzzy logic) และเครือข่ายแบบเบย์ ( bayesian networks)

ระบบผู้เชี่ยวชาญ

ระบบผู้เชี่ยวชาญ (expert system) เป็นการศึกษาเรื่องสร้างระบบความรู้ของปัญหาเฉพาะอย่าง เช่น การแพทย์หรือวิทยาศาสตร์ จุดประสงค์ของระบบนี้คือ ทำให้เสมือนมีมนุษย์ผู้เชี่ยวชาญคอยให้คำปรึกษา และคำตอบเกี่ยวกับปัญหาต่าง ๆ งานวิจัยด้านนี้มีจุดประสงค์หลักว่า เราไม่ต้องพึ่งมนุษย์ในการแก้ปัญหา แต่อย่างไรก็ตามในทางปฏิบัติแล้ว ระบบผู้เชี่ยวชาญยังต้องพึ่งมนุษย์เพื่อให้ความรู้พื้นฐานในช่วงแรก การจะทำงานวิจัยเรื่องนี้ต้องอาศัยความรู้พื้นฐานหลายเรื่อง ไม่ว่าจะเป็น การแทนความรู้, การให้เหตุผล และ การเรียนรู้ของเครื่อง

การวางแผนของเครื่อง (automated planning)

เอเยนต์ฉลาดจะต้องมีความสามารถในการตั้งเป้าหมายและบรรลุเป้าหมายได้เอง จะต้องมีวิธีการนึกภาพของอนาคต (จะต้องสามารถมองเห็นสถานะต่าง ๆ บนโลกและสามารถคาดการณ์ได้ว่าโลกจะเปลี่ยนไปอย่างไรได้) และสามารถที่จะตัดสินใจเลือกทางเลือกที่มีประโยชน์ (หรือมีค่า) มากที่สุดได้

ในปัญหาการวางแผนแบบยุคเก่านั้น เอเยนต์จะมีข้อสมมติฐานว่าเอเยนต์เป็นวัตถุเดียวที่มีการกระทำบนโลก แต่อย่างไรก็ตาม หากเอเยนต์ไม่ได้เป็นเพียงวัตถุเดียวที่มีการกระทำ เอเยนต์จะต้องสืบให้แน่ใจอย่างซ้ำ ๆ ว่าโลกนั้นตรงกับตามที่คาดการณ์ไว้หรือไม่ และจะต้องเปลี่ยนแปลงแผนที่วางไว้อย่างไร ทำให้เอเยนต์ยุคใหม่นี้จะต้องจัดการกับความไม่แน่นอนด้วย

ปัจจุบัน ได้มีงานวิจัยสาขาการวางแผนของเอเยนต์หลายตัว ที่อาศัยความร่วมมือและการแข่งขันของเอเยนต์หลาย ๆ ตัวเพื่อให้บรรลุเป้าหมายที่กำหนดไว้ โดยใช้วิธีการที่มีประสิทธิภาพอย่างขั้นตอนวิธีเชิงวิวัฒนาการหรือความฉลาดแบบกลุ่ม

การเรียนรู้ของเครื่อง

การเรียนรู้ของเครื่อง (machine learning) เป็นการศึกษาอัลกอริทึมคอมพิวเตอร์ที่ขั้นตอนวิธีจะถูกปรับปรุงอย่างอัตโนมัติผ่านการเรียนรู้จากประสบการณ์ เป็นหัวใจหลักของงานวิจัยด้านปัญญาประดิษฐ์นับตั้งแต่มีการก่อตั้งสาขานี้มา

การเรียนรู้แบบไม่มีผู้สอน (unsupervised learning) เป็นความสามารถในการหาแบบแผนบางอย่างจากข้อมูลที่เข้ามา ส่วนการเรียนรู้แบบมีผู้สอน (supervised learning) นั้นหมายถึงการแบ่งประเภทข้อมูลและการวิเคราะห์การถดถอยเชิงตัวเลข ปัญหาการแบ่งประเภทของข้อมูลนั้นใช้เพื่อกำหนดว่าของชิ้นใหม่ชิ้นหนึ่งจัดอยู่ในกลุ่มประเภทใดหลังจากที่ได้เรียนรู้ตัวอย่างสอนที่ระบุว่าของแต่ละอย่างควรจะอยู่ในประเภทใดมาแล้ว ส่วนการวิเคราะห์การถดถอยนั้นพยายามจะสร้างฟังก์ชันทางคณิตศาสตร์ที่อธิบายความสัมพันธ์ระหว่างข้อมูลขาเข้ากับข้อมูลขาออก และทำนายว่าข้อมูลขาออกควรจะเปลี่ยนไปอย่างไรเมื่อข้อมูลขาเข้าเปลี่ยนแปลง ในการเรียนรู้แบบเสริมกำลัง (reinforcement learning) นั้น เอเยนต์จะได้รับรางวัลหากมีการตอบสนองที่ดีและถูกลงโทษหากมีการตอบสนองที่ไม่ดี เอเยนต์จะเรียนรู้จากรางวัลและการลงโทษนี้ในการสร้างกลยุทธ์เพื่อแก้ไขปัญหาต่าง ๆ การเรียนรู้ทั้งสามแบบนี้สามารถวิเคราะห์ได้ด้วยทฤษฎีการตัดสินใจ (decision theory) โดยใช้แนวคิดของประโยชน์ การวิเคราะห์ทางคณิตศาสตร์ของอัลกอริทึมทางการเรียนรู้ของเครื่องจักรและการวิเคราะห์ประสิทธิภาพของอัลกอริทึมนั้นเป็นอีกหนึ่งสาขาทางด้านวิทยาการคอมพิวเตอร์สายทฤษฎี การเรียนรู้ของเครื่องจักรถือว่าเป็นหัวใจสำคัญของการพัฒนาหุ่นยนต์เช่นกัน ทำให้หุ่นยนต์มีทักษะใหม่ ๆ ได้ ผ่านการสำรวจด้วยตนเอง การติดต่อกับผู้สอนที่เป็นมนุษย์ การเลียนแบบ และอื่น ๆ

การประมวลผลภาษาธรรมชาติ

การประมวลผลภาษาธรรมชาติ (natural language processing) คือการทำให้เครื่องมีความสามารถที่จะอ่านและเข้าใจภาษาที่มนุษย์พูดในชีวิตประจำวัน ระบบที่สามารถประมวลผลภาษาธรรมชาติได้มีประสิทธิภาพเพียงพอจะทำให้เรามีส่วนติดต่อกับผู้ใช้ที่ใช้ภาษาธรรมชาติ และหาความรู้ได้โดยตรงจากแหล่งข้อมูลที่มนุษย์เขียน เช่น หนังสือพิมพ์ นอกจากนี้ยังสามารถนำไปประยุกต์ใช้ได้โดยตรงกับการค้นข้อมูล (หรือการทำเหมืองข้อความ) การตอบคำถาม และการแปล

วิธีการโดยทั่วไปของการประมวลผลและดึงเอาความหมายมาจากธรรมชาติ คือ การทำดัชนีความหมาย นอกจากนี้ การเพิ่มความเร็วในการประมวลผลและลดขนาดของข้อมูลที่จะจัดเก็บก็ทำให้การค้นหาดัชนีจากฐานข้อมูลขนาดใหญ่มีประสิทธิภาพมากยิ่งขึ้น

การรับรู้ของเครื่อง

การรับรู้ของเครื่อง (machine perception) คือ ความสามารถในการอ่านข้อมูลขาเข้าจากเซนเซอร์ (เช่น กล้อง ไมโครโฟน เซนเซอร์สัมผัส โซนาร์ หรืออื่น ๆ ) เพื่อจะเข้าใจบริบทของโลกภายนอก ตัวอย่างของงานวิจัยด้านนี้ ได้แก่

• คอมพิวเตอร์วิทัศน์ (computer vision)
• การรู้จำคำพูด (speech recognition)
• การรู้จำใบหน้า (facial recognition)
• การรู้จำวัตถุ (object recognition)

การเคลื่อนไหวและการจัดการ (motion and manipulation)

บทความหลัก: วิทยาการหุ่นยนต์

สาขาวิทยาการหุ่นยนต์มีความคล้ายคลึงกับสาขาปัญญาประดิษฐ์ หุ่นยนต์ต้องการความฉลาดเพื่อจัดการกับสิ่งต่าง ๆ เช่น การจัดการวัตถุ ระบบนำทาง การแก้ปัญหาย่อยเช่นการหาที่อยู่ตัวเองหรือหาที่อยู่ของสิ่งอื่น ๆ การทำแผนที่ การวางแผนการเคลื่อนไหวหรือเส้นทาง

เป้าหมายระยะยาว

เป้าหมายระยะยาวของปัญญาประดิษฐ์ ได้แก่ ความฉลาดทางสังคม ความคิดสร้างสรรค์ และความฉลาดทั่วไป

ความฉลาดทางสังคม (social intelligence)

การคำนวณเชิงอารมณ์ (affective computing) คือ การศึกษาและพัฒนาระบบและเครื่องมือที่สามารถรู้จำ แปรผล ประมวลผล และจำลองอารมณ์ความรู้สึกของมนุษย์ได้ เป็นสหสาขาวิชาที่เกี่ยวข้องกับวิทยาการคอมพิวเตอร์ จิตวิทยา และประชานศาสตร์ สาขานี้เริ่มต้นจากความต้องการทางปรัชญาที่อยากจะเข้าถึงอารมณ์ของมนุษย์ สาขาการคำนวณเชิงอารมณ์สมัยใหม่นี้เริ่มจากคำนิยามของ โรซาไลนด์ พิการ์ด นักวิทยาศาสตร์คอมพิวเตอร์ที่ MIT ที่เริ่มใช้คำนี้ในผลงานวิจัยปี ค.ศ. 1995 เกี่ยวกับการคำนวณเชิงอารมณ์ แรงบันดาลใจของงานวิจัยสายนี้คือความต้องการที่จะจำลองความเข้าใจความรู้สึกของคนอื่นของมนุษย์ ต้องการมีเครื่องจักรที่สามารถแปลผลสถานะของอารมณ์ของมนุษย์และปรับเปลี่ยนพฤติกรรมให้ตอบสนองกับอารมณ์นั้น ๆ ของมนุษย์อย่างเหมาะสม

อารมณ์และทักษะทางสังคมมีบทบาทสำคัญต่อการพัฒนาความฉลาดของเครื่องจักร ก่อนอื่น เครื่องจักรจะต้องทำนายการกระทำของคนอื่น ผ่านทางการเข้าใจจุดมุ่งหมายและสถานะของอารมณ์ผู้อื่น (ส่วนนี้มีความเกี่ยวข้องกับทฤษฎีเกม ทฤษฎีการตัดสินใจ ตลอดจนความสามารถในการสร้างแบบจำลองอารมณ์ของมนุษย์ และความสามารถในการตรวจจับอารมณ์ผู้อื่นของมนุษย์) นอกจากนี้ ในการสร้างปฏิสัมพันธ์ระหว่างมนุษย์และคอมพิวเตอร์ที่ดีนั้น เครื่องจักรที่ฉลาดควรจะแสดงอารมณ์ออกมาด้วย แม้ว่าอารรมณ์นั้นจะไม่ได้เป็นอารมณ์ที่ตนรู้สึกจริง ๆ ก็ตาม

ความคิดสร้างสรรค์ (computational creativity)

สาขาย่อยของปัญญาประดิษฐ์สาขาหนึ่งต้องการจะสร้างความคิดสร้างสรรค์ ทั้งทางทฤษฎี (ในมุมมองทางปรัชญาและจิตวิทยา) และทางปฏิบัติ (ผ่านทางประยุกต์ใช้ระบบที่ให้ผลลัพธ์ที่ดูคล้ายความคิดสร้างสรรค์ หรือระบบที่สามารถตรวจจับและประเมินความคิดสร้างสรรค์ได้)

ความฉลาดทั่วไป (general intelligence)

นักวิจัยทางปัญญาประดิษฐ์หลายคนเชื่อว่า สุดท้ายแล้ว งานวิจัยต่าง ๆ จะถูกรวมเข้าสู่เครื่องจักรกลายเป็นความฉลาดแบบทั่วไป (บางครั้งก็เรียกว่า ปัญญาประดิษฐ์แบบแข็ง (String AI)) เป็นการรวมเอาทักษะต่าง ๆ เข้าด้วยกันและมีความสามารถมากกว่ามนุษย์ทุกคน นักวิจัยบางคนเชื่อว่าความฉลาดแบบนี้จะต้องมีคุณลักษณะทางมานุษยรูปนิยมบางอย่าง เช่น สำนึกประดิษฐ์ หรือ สมองประดิษฐ์

การวิจัยความฉลาดทั่วไปนั้นจะต้องแก้ปัญหาหลายอย่าง ตัวอย่างเช่น การแปลความหมายโดยเครื่องนั้นจะต้องให้เครื่องอ่านและเขียนข้อมูลภาษาธรรมชาติได้ทั้งสองภาษา ให้เหตุผล และรู้ว่ากำลังพูดถึงเรื่องอะไรกันอยู่ (การแทนความรู้) รวมทั้งจะต้องมีรู้ความตั้งใจของผู้เขียน (ความฉลาดทางสังคม) กล่าวคือ การแก้ปัญหาทางการวิจัยความฉลาดทั่วไปนั้น จะต้องแก้ปัญหาทางปัญญาประดิษฐ์หลาย ๆ อย่างไปพร้อม ๆ กัน

วิธีการ

ปัจจุบัน ยังไม่มีทฤษฎีหรือกระบวนทัศน์ใด ๆ ที่เป็นแนวทางที่ชัดเจนให้กับการวิจัยทางปัญญาประดิษฐ์ นักวิจัยบางคนก็ไม่เห็นด้วยกับบางเรื่อง ปัญหาที่ยังไม่มีคำตอบก็ยังมีอยู่มากมาย เช่น ปัญญาประดิษฐ์ควรจะมีพฤติกรรมคล้ายกับของจริงในธรรมชาติในทางจิตวิทยาหรือประสาทวิทยาหรือไม่ หรือ ชีววิทยาของร่างกายมนุษย์นั้นไม่ได้สัมพันธ์อะไรกับปัญญาประดิษฐ์แบบที่นกไม่ได้สัมพันธ์ใด ๆ กับอากาศยานหรือไม่ หรือ พฤติกรรมที่ฉลาดสามารถอธิบายได้ด้วยหลักการที่ง่าย ๆ ธรรมดา ๆ เช่นในทางตรรกะได้หรือไม่ หรือ เราจำเป็นหรือไม่ที่จะต้องแก้ปัญหาที่ไม่เกี่ยวข้องให้ครบ หรือ ความฉลาดสามารถถูกสร้างขึ้นมาโดยใช้สัญลักษณ์ขั้นสูงอย่างคำหรือแนวความคิดได้หรือไม่และจำเป็นจะต้องมีการประมวลผลสัญลักษณ์ที่ย่อยไปกว่านั้นหรือไม่

ไซเบอร์เนติกส์และการจำลองสมอง (cybernetics and brain simulation)

ในคริสต์ทศวรรษ 1940 และ 1950 นักวิทยาศาสตร์หลายคนพยายามจะหาความเชื่อมโยงระหว่างประสาทวิทยา ทฤษฎีสารสนเทศ และไซเบอร์เนติกส์ นักวิจัยบางคนได้สร้างเครือข่ายอิเล็กทรอนิกส์ขึ้นมาเพื่อสร้างความฉลาดขั้นต้นขึ้นมา ปัจจุบันวิธีการนี้ได้ถูกล้มเลิกไปแล้ว

สัญลักษณ์

หลังจากที่เริ่มมีความเป็นไปได้ที่จะสร้างเครื่องคอมพิวเตอร์ดิจิทัลขึ้นในราวคริสต์ทศวรรษ 1950 นักวิจัยทางปัญญาประดิษฐ์หลายคนก็เริ่มศึกษาดูความเป็นไปได้ที่จะลดรูปความฉลาดของมนุษย์ให้อยู่ในรูปสัญลักษณ์และการจัดการกับสัญลักษณ์ต่าง ๆ ศูนย์กลางของการวิจัยสาขานี้อยู่ที่มหาวิทยาลัยคาร์เนกีเมลลอน มหาวิทยาลัยสแตนฟอร์ด และสถาบันเทคโนโลยีแมสซาชูเซตส์ แต่ละมหาวิทยาลัยได้สร้างแนวทางการวิจัยเป็นของตัวเอง จอห์น ฮากแลนด์ตั้งชื่อหลักการเหล่านี้ว่า GOFAI (Good Old-Fashioned Artificial Intelligence) หรือปัญญาประดิษฐ์ในรูปแบบเก่า ต่อมาในช่วงคริสต์ทศวรรษ 1960 งานวิจัยโดยการแทนสัญลักษณ์นี้เริ่มประสบความสำเร็จในการจำลองความคิดชั้นสูงของมนุษย์ในบางโปรแกรม หลังจากที่วิธีการที่ใช้ไซเบอร์เนติกส์หรือโครงข่ายประสาทเทียมถูกล้มเลิกไป นักวิจัยในช่วงคริสต์ทศวรรษ 1960 และ 1970 หันมาใช้หลักการทางสัญลักษณ์เพราะเชื่อว่าวิธีการนี้จะประสบความสำเร็จในการสร้างปัญญาประดิษฐ์ทั่วไปที่เชื่อว่าเป็นเป้าหมายของงานวิจัยสาขานี้

• การจำลองการรับรู้ (cognitive simulation)

นักเศรษฐศาสตร์อย่างเฮอร์เบิร์ต ไซมอนและอัลเลน นิวเวลล์ได้ศึกษาทักษะการแก้ปัญหาของมนุษย์และพยายามทำให้มีระเบียบแบบแผน งานวิจัยของทั้งสองคนได้กลายมาเป็นจุดเริ่มต้นของสาขาของปัญญาประดิษฐ์ที่เรียกว่า วิทยาศาสตร์พุทธิปัญญา การวิจัยดำเนินการ และวิทยาการจัดการในเวลาต่อมา งานวิจัยสายนี้ใช้ผลจากการทดลองทางจิตวิทยาในการพัฒนาโปรแกรมที่สามารถจำลองเทคนิคที่คนใช้เพื่อแก้ปัญหาได้ วิธีการเหล่านี้มีจุดเริ่มต้นที่มหาวิทยาลัยคาร์เนกีเมลลอน

• วิธีการเชิงตรรกะ (logic-based)

จอห์น แม็กคาร์ธีย์ ใช้วิธีการที่แตกต่างไปจากวิธีของนิวเวลล์และไซมอน โดยรู้สึกว่าเครื่องจักรไม่จำเป็นต้องจำลองการคิดของมนุษย์ แต่ควรจะพยายามหาแก่นของการให้เหตุผลเชิงนามธรรมและการแก้ปัญหา ไม่ต้องสนใจว่าแต่ละคนจะใช้อัลกอรึทึมเดียวกันหรือไม่ ห้องปฏิบัติการวิจัยของเขาที่มหาวิทยาลัยสแตนฟอร์ดเน้นเรื่องของการใช้ตรรกะบัญญัติ (formal logic) ในการแก้ปัญหาต่าง ๆ ไม่ว่าจะเป็นการแทนความรู้ การวางแผน และการเรียนรู้ นอกจากนี้ มหาวิทยาลัยเอดินบะระและอีกหลายแห่งในยุโรปก็หันมาให้ความสนใจด้านการพัฒนาโปรแกรมเชิงตรรกะเช่นกัน ไม่ว่าจะเป็นภาษาโปรล็อกหรือการเขียนโปรแกรมเชิงตรรกะ

• วิธีการไม่ใช้ตรรกะ (anti-logic)

ในขณะเดียวกัน นักวิจัยที่สถาบันเทคโนโลยีแมสซาชูเซตส์ (เช่น มาร์วิน มินสกี และเซย์มัวร์ เพเพิร์ต) พบว่า การแก้ไขปัญหาบางอย่าง เช่น คอมพิวเตอร์วิทัศน์และการประมวลผลภาษาธรรมชาติจำเป็นต้องมีวิธีการที่ไม่จำเป็นต้องเตรียมล่วงหน้า นักวิจัยได้อ้างว่า ไม่มีหลักการที่ง่ายหรือหลักการทั่วไป (อย่างเช่นตรรกะ) ที่จะจับต้องพฤติกรรมความฉลาดของสิ่งมีชีวิตได้ โรเจอร์ แชงก์ ได้ตั้งชื่อว่า หลักการแอนตีลอจิก หรือหลักการ"ไม่เรียบร้อย" (เพื่อให้ตรงข้ามกับความมีระเบียบเรียบร้อยที่คาร์เนกีเมลลอนและสแตนฟอร์ด) ตัวอย่างของงานวิจัยสายนี้เช่น ฐานความรู้เกี่ยวกับสามัญสำนึก อันเป็นแนวคิดที่ค่อนข้างซับซ้อนในวงการปัญญาประดิษฐ์สมัยนั้น

• วิธีการเชิงความรู้ (knowledge-based)

เมื่อคอมพิวเตอร์เริ่มมีความจำที่ใหญ่ขึ้นตั้งแต่ออกสู่ตลาดเมื่อราวปี ค.ศ. 1970 นักวิจัยจากมหาวิทยาลัยเริ่มต้น 3 แห่งเริ่มหันมาสร้างความรู้สำหรับปัญญาประดิษฐ์ แนวคิดที่เปลี่ยนวงการนี้นำไปสู่การพัฒนาและการใช้ระบบผู้เชี่ยวชาญ และเป็นรูปแบบของซอฟต์แวร์ปัญญาประดิษฐ์แบบแรกที่ประสบความสำเร็จอย่างแท้จริง การปฏิวัติวงการดังกล่าวนี้ได้รับแรงขับเคลื่อนมาจากแนวคิดที่ว่า การนำปัญญาประดิษฐ์ไปประยุกต์ใช้นั้นจำเป็นจะต้องมีความรู้ในปริมาณมหาศาล

สัญลักษณ์ย่อย (sub-symbolic)

หลังจากวิธีการเชิงสัญลักษณ์ทางด้านปัญญาประดิษฐ์เริ่มหยุดชะงักในคริสต์ทศวรรษ 1980 นักวิจัยหลายคนก็เชื่อว่าระบบเชิงสัญลักษณ์ไม่น่าจะสามารถเลียนแบบกระบวนการที่เกี่ยวข้องกับสติปัญญาของมนุษย์ได้ โดยเฉพาะการรับรู้ วิทยาการหุ่นยนต์ การเรียนรู้ และการรู้จำแบบ นักวิจัยหลายคนได้เสนอหลักการของ"สัญลักษณ์ย่อย"กับปัญหาทางปัญญาประดิษฐ์บางปัญหา

• วิธีการจากล่างขึ้นบน (bottom-up)

นักวิจัยจากสาขาที่เกี่ยวข้องกับวิทยาการหุ่นยนต์ อาทิ รอดนีย์ บรูกส์ ปฏิเสธที่จะใช้ปัญญาประดิษฐ์เชิงสัญลักษณ์และหันมาใช้วิธีการทางวิศวกรรมที่จะทำให้หุ่นยนต์เคลื่อนไหวและอยู่รอดได้ งานวิจัยรูปแบบใหม่ในมุมมองแบบไม่อิงสัญลักษณ์นี้ทำให้งานวิจัยเชิงไซเบอร์เนติกส์ในยุค 1950 กลับมาอีกครั้ง และก่อให้เกิดการใช้ทฤษฎีควบคุมในสาขาปัญญาประดิษฐ์ขึ้น นอกจากนี้ ยังมีงานวิจัยพัฒนา"จิตใจฝังตัว"ในสาขาของ cognitive science ที่อ้างอิงแนวคิดที่ว่า ความฉลาดชั้นสูงนั้นล้วนเป็นส่วนประกอบมาจากร่างกายส่วนล่าง (เช่น การเคลื่อนไหว การรับรู้ และการมองเห็นภาพ) ทั้งนั้น

• ความฉลาดด้านการคำนวณ หรือการคำนวณแบบอ่อน (computational intelligence and soft computing)

กลางคริสต์ทศวรรษ 1980 เดวิด รูเมลฮาร์ต และนักวิจัยกลุ่มอื่นชุบชีวิตของสาขาโครงข่ายประสาทเทียมและศาสตร์การเชื่อมต่อขึ้นมาอีกครั้ง โครงข่ายประสาทเทียมถือเป็นตัวอย่างหนึ่งของการคำนวณแบบอ่อน อันเป็นวิธีการแก้ไขปัญหาที่แก้ไม่ได้ด้วยการใช้ความแน่นอนทางตรรกะ แต่สามารถแก้ได้โดยใช้การประมาณคำตอบที่แม่นยำเพียงพอ หลักการอื่น ๆ ของการคำนวณแบบอ่อน ได้แก่ ระบบคลุมเคลือ (fuzzy system) การคำนวณเชิงวิวัฒนาการ (evolutionary computation) และวิธีการอื่น ๆ ทางสถิติ

วิธีการทางสถิติ

ในคริสต์ทศวรรษ 1990 นักวิทยาศาสตร์ด้านปัญญาประดิษฐ์ได้พัฒนาเครื่องมือทางคณิตศาสตร์ที่มีประสิทธิภาพในการแก้ไขปัญหาย่อยบางอย่างได้ เครื่องมือเหล่านี้มีความเป็นวิทยาศาสตร์มากในแง่ที่ว่า ผลสามารถวัดและประเมินได้อย่างชัดเจน จนเป็นหัวใจสำคัญของปัญญาประดิษฐ์ในยุคหลังนี้ เนื่องจากวิธีการนี้ตั้งอยู่บนพื้นฐานของคณิตศาสตร์ จึงนำไปปรับใช้หรือพัฒนาร่วมกับหลักการในสาขาอื่น ๆ ได้ง่าย เช่น คณิตศาสตร์ เศรษฐศาสตร์ หรือการวิจัยดำเนินการ นักวิทยาศาสตร์ชื่อสจวร์ต รัสเซลล์และปีเตอร์ นอร์วิกอธิบายวิธีการนี้ไว้ว่าเป็น "การปฏิวัติ" และ "ความสำเร็จของความเป็นระเบียบ" อย่างไรก็ตาม ก็มีหลายคนที่ไม่เห็นด้วยกับเทคนิคเหล่านี้โดยชี้ว่า เทคนิคเหล่านี้มีความเฉพาะเจาะจงกับบางปัญหามากเกินไป และไม่สามารถบรรลุเป้าหมายระยะยาวในการสร้างความฉลาดทั่วไปได้ ปัจจุบันยังมีการถกเถียงกันอยู่เรื่องความเกี่ยวข้องและความถูกต้องของการใช้หลักการทางสถิติกับปัญญาประดิษฐ์ เช่น การถกเถียงกันระหว่างปีเตอร์ นอร์วิกกับโนม ชัมสกี

วิธีผสมผสาน

เอเยนต์ทรงปัญญา คือ ระบบที่สามารถรับรู้สิ่งแวดล้อมรอบข้างได้และเลือกปฏิบติตามวิธีที่มีโอกาสประสบความสำเร็จมากที่สุด เอเยนต์ทรงปัญญาในรูปแบบที่ง่ายที่สุดคือโปรแกรมที่สามารถแก้ไขปัญหาบางอย่างได้ ส่วนเอเยนต์ที่ซับซ้อนกว่านั้นก็ได้แก่มนุษย์และการรวมกลุ่มของมนุษย์ มุมมองนี้ทำให้นักวิจัยสามารถศึกษาปัญหาแบบแยกเฉพาะส่วนและหาคำตอบที่มีประโยชน์และถูกต้องได้โดยไม่ต้องมีเป้าหมายรวมกันเพียงเป้าหมายเดียว เอเยนต์จะต้องแก้ปัญหาเฉพาะอย่างปัญหาหนึ่งได้โดยการใช้วิธีการที่ได้ผล เอเยนต์บางเอเยนต์อาจจะใช้วิธีการทางสัญลักษณ์ หรือบางตัวอาจจะใช้วิธีการทางตรรกะ โครงข่ายประสาทเทียม หรือวิธีการอื่น ๆ แนวความคิดนี้ทำให้นักวิจัยสามารถสื่อสารกับสาขาอื่นได้ ไม่ว่าจะเป็นด้านเศรษฐศาสตร์หรือด้านทฤษฎีการตัดสินใจที่ใช้แนวคิดของเอเยนต์นามธรรมเช่นกัน แนวคิดเรื่องเอเยนต์ทรงปัญญานี้ได้รับการยอมรับเป็นวงกว้างนับตั้งแต่คริสต์ทศวรรษ 1990

นักวิจัยได้ออกแบบระบบเพื่อสร้างระบบฉลาดที่สามาาถติดต่อกับเอเยนต์ได้ผ่านทางระบบเอเยนต์หลายตัว ระบบดังกล่าวมีทั้งส่วนที่เป็นสัญลักษณ์และสัญลักษณ์ย่อย หรือเป็นระบบผสมผสาน (ไฮบริด) และการศึกษาระบบดังกล่าวนี้เรียกว่า การบูรณาการระบบปัญญาประดิษฐ์

เครื่องมือ

หลังจากปัญญาประดิษฐ์ได้มีการพัฒนาอย่างต่อเนื่องมากประมาณ 50 ปี ได้มีการพัฒนาเครื่องมือเพื่อใช้ในการแก้ไขปัญหาที่ยากในทางวิทยาการคอมพิวเตอร์ ตัวอย่างของวิธีการได้แก่

การค้นหาและการหาค่าที่เหมาะที่สุด (search and optimization)

ปัญหาทางปัญญาประดิษฐ์หลาย ๆ ปัญหาถูกแก้ในรูปแบบของทฤษฎีที่ว่าด้วยการค้นหาคำตอบจากคำตอบที่เป็นไปได้หลาย ๆ คำตอบ การให้เหตุผลสามารถเปลี่ยนรูปไปเป็นรูปแบบของการค้นหาได้ ตัวอย่างเช่น การพิสูจน์ทางตรรกะสามารถมองได้ว่าเป็นการค้นหาเส้นทางจากหลักฐานไปสู่ข้อสรุปได้ โดยผ่านขั้นตอนที่เรียกว่า การอนุมาน อัลกอริทึมทางวิทยาการหุ่นยนต์สำหรับการขยับข้อต่อและหยิบจับวัตถุก็ใช้วิธีการค้นหาสิ่งที่อยู่ภายในพื้นที่นั้น ๆ อัลกอริทึมทางด้านการเรียนรู้ของเครื่องหลาย ๆ อันก็ใช้วิธีการค้นหาบนคำตอบที่ดีที่สุด

อย่างไรก็ตาม การค้นหาแบบธรรมดานั้นไม่ค่อยจะเพียงพอสำหรับปัญหาในโลกจริง เพราะส่วนที่จะต้องค้นหานั้นมีขนาดใหญ่มหาศาล ทำให้การค้นหาเป็นไปได้ช้าหรือไม่สามารถทำให้เสร็จได้เลย หนึ่งในวิธีการแก้ปัญหาคือการใช้ค่าฮิวริสติกเพื่อตัดตัวเลือกที่ไม่น่าจะพาไปสู่เป้าหมายได้ (เรียกว่าวิธีการตัดกิ่งในต้นไม้ค้นหา) ค่าฮิวริสติกนี้ทำให้โปรแกรมสามารถเดาได้คร่าว ๆ ว่าเส้นทางไหนที่น่าจะพาไปสู่คำตอบ และช่วยทำให้ขนาดของตัวอย่างที่จะต้องค้นหาเล็กลงด้วย

การค้นหาเริ่มมีบทบาทเด่นชัดในคริสต์ทศวรรษ 1990 โดยใช้ทฤษฎีการหาค่าที่เหมาะสมที่สุดทางคณิตศาสตร์ ปัญหาหลาย ๆ อย่างก็สามารถเริ่มต้นการค้นหาได้ด้วยการเดาบางอย่าง จากนั้นก็ปรับวิธีการเดาไปเรื่อย ๆ จนกระทั่งไม่จำเป็นต้องปรับอีกแล้ว อัลกอริทึมเหล่านี้สามารถเรียกให้เห็นภาพได้ง่าย ๆ ว่าเป็นการปีนเขา โดยเริ่มจากการค้นหาที่จุดสุ่มในที่ราบ จากนั้นก็ค่อย ๆ กระโดดและไต่เขาขึ้นไปเรื่อย ๆ โดยใช้หลักการเดาว่าจุดไหนที่น่าจะทำให้เราปีนเขาขึ้นไป จนกระทั่งในที่สุดเราไปอยู่บนยอดสุดของภูเขา

การคำนวณเชิงวิวัฒนาการก็ใช้หลักการของการหาค้นหาค่าที่เหมาะที่สุดเช่นกัน ตัวอย่างเช่น เราอาจจะเริ่มต้นจากกลุ่มของสิ่งมีชีวิตกลุ่มหนึ่ง (สุ่มมา) จากนั้นก็ทำการวิวัฒนาการและผสมผสาน เลือกเอากลุ่มตัวอย่างที่ดีที่สุดเพื่ออยู่รอดต่อไปในรุ่น (การปรับการค้นหา) การคำนวณเชิงวิวัฒนาการมีหลายวิธี ได้แก่ ความฉลาดแบบกลุ่ม (swarm intelligence) หรือ ขั้นตอนวิธีเชิงวิวัฒนาการ (evolutionary algorithm) เช่น ขั้นตอนวิธีเชิงพันธุกรรม

ตรรกะ (logic)

ในการแทนความรู้และการแก้ปัญหานั้นมีการใช้ตรรกะอย่างมาก แต่ตรรกะก็สามารถประยุกต์ใช้ได้กับปัญญาอื่นได้เช่นกัน เช่น อัลกอริทึม Satplan ก็ใช้ตรรกะในการวางแผน และการเรียนรู้ของเครื่องบางวิธีก็ใช้การโปรแกรมตรรกะเชิงอุปนัย

วิธีทางความน่าจะเป็นและการให้เหตุผลบนความไม่แน่นอน (probabilistic methods for uncertain reasoning)

ปัญหาหลายอย่างทางปัญญาประดิษฐ์ (ในการให้เหตุผล วางแผน เรียนรู้ รับรู้ และหุ่นยนต์) ต้องมีเอเยนต์ที่คอยจัดการกับความไม่สมบูรณ์หรือความไม่แน่นอนของข้อมูล นักวิจัยด้านปัญญาประดิษฐ์ได้คิดค้นเครื่องมือหลายอย่างที่มีประสิทธิภาพเพื่อแก้ไขปัญหาเหล่านี้โดยใช้วิธีทางทฤษฎีความน่าจะเป็นและเศรษฐศาสตร์

เครือข่ายแบบเบย์ เป็นเครื่องมือทั่วไปเครื่องมือหนึ่งที่สามารถใช้แก้ปัญหาได้หลายปัญหา ไม่ว่าจะเป็น การให้เหตุผล (ใช้อัลกอริทึมการอนุมานแบบเบย์) การเรียนรู้ (ใช้อัลกอริทึมหาค่าคาดหวังที่มากที่สุด) การวางแผน (ใช้เครือข่ายการตัดสินใจ) และการรับรู้ (ใช้เครือข่ายแบบเบย์พลวัต) อัลกอริทึมทางความน่าจะเป็นก็สามารถใช้กับการกรอง การทำนาย การปรับให้ราบเรียบ และการหาคำอธิบายสายข้อมูล ช่วยระบบรับรู้ให้สามารถวิเคราะห์กระบวนการต่าง ๆ ที่เกิดขึ้นและเปลี่ยนแปลงตลอดเวลาได้ (เช่น แบบจำลองมาร์คอฟซ่อนเร้น หรือ ตัวกรองคาลมาน)

ในทางเศรษฐศาสตร์ แนวคิดหนึ่งที่ถือเป็นหัวใจหลักคือ ประโยชน์ สำหรับปัญญาประดิษฐ์ เราสามารถนำค่าของประโยชน์มาวัดได้ว่าของบางอย่างจะมีค่าต่อเอเยนต์ทรงปัญญาได้อย่างไร นักวิทยาศาสตร์ได้พัฒนาเครื่องมือคณิตศาสตร์ที่แม่นยำเพื่อวิเคราะห์ว่าเอเยนต์จะตัดสินใจและวางแผนได้อย่างไร โดยใช้วิธีของ Markov เครือข่ายการตัดสินใจแบบพลวัต ทฤษฎีเกม เป็นต้น

การจัดหมวดหมู่และการเรียนรู้ทางสถิติ (classifiers and statistical learning methods)

การประยุกต์ใช้ปัญญาประดิษฐ์ที่ง่ายที่สุด อาจอยู่ในรูปแบบของ การจัดหมวดหมู่ ซึ่งเป็นการทำงานที่ใช้การจับคู่รูปแบบที่พบเข้ากับสิ่งที่ใกล้เคียงที่สุด การจับคู่นั้นขึ้นอยู่กับตัวอย่างที่สอน จึงทำให้เป็นหัวข้อที่น่าสนใจมากในการประยุกต์ใช้ปัญญาประดิษฐ์ ตัวอย่างสอนเหล่านี้อาจจะมาจากการสังเกตการณ์หรือเป็นรูปแบบที่ชัดเจน ในการเรียนรู้แบบมีผู้สอนนั้น รูปแบบแต่ละอย่างจะถูกจัดกำหนดให้อยู่ในประเภทบางประเภทหรือกลุ่มบางกลุ่ม การสำรวจข้อมูลและการระบุข้อมูลให้เข้ากับกลุ่มนั้นเรียกกันว่า เซ็ตข้อมูล เมื่อมีการสำรวจข้อมูลใหม่เข้ามา ข้อมูลใหม่จะถูกจัดกลุ่มตามตัวอย่างที่เคยสอนมาแล้ว

การจัดหมวดหมู่หรือกลุ่มนี้สามารถสอนกันได้หลายแบบ ไม่ว่าจะใช้วิธีการทางสถิติหรือทางการเรียนรู้ของเครื่อง วิธีการที่นิยมใช้ได้แก่ โครงข่ายประสาทเทียม วิธีเคอร์เนล support vector machine ขั้นตอนวิธีการค้นหาเพื่อนบ้านใกล้สุด k ตัว โมเดลผสมแบบเกาส์ การจัดหมวดหมู่แบบเบย์ใหม่ และต้นไม้การตัดสินใจ ประสิทธิภาพของแต่ละเครื่องมือนั้นขึ้นอยู่กับงานที่ทำแต่ละงานและคุณสมบัติของข้อมูลที่เข้ามา โดยทั่วไปแล้ว ไม่มีเครื่องมือใดที่ทำหน้าที่ได้ดีที่สุดบนทุกปัญหา

โครงข่ายประสาทเทียม

การศึกษาโครงข่ายประสาทเทียม เริ่มต้นขึ้นตั้งแต่ก่อนที่จะมีงานวิจัยทางด้านปัญญาประดิษฐ์จากผลงานของวอลเตอร์ พิตต์สและวอร์เรน แม็กคัลลอช นอกจากนี้ยังมีแฟรงก์ โรเซนแบลตต์ที่คิดค้นเพอร์เซปตรอน และพอล เวอร์โบส์ผู้คิดค้นอัลกอริทึมการแพร่กระจายย้อนกลับ

ประเภทของโครงข่ายนี้อาจะแบ่งเป็นแบบไม่เป็นวงวน และแบบเป็นวงวน โครงข่ายประสาทเทียมที่ได้รับความนิยมได้แก่เพอร์เซปตรอน โครงข่ายเพอร์เซปตรอนแบบหลายชั้น และโครงข่ายฟังก์ชันฐานรัศมี โครงข่ายประสาทเทียมสามารถปรับใช้งานได้กับการควบคุมที่ฉลาดเช่นกับหุ่นยนต์ หรือเพื่อการเรียนรู้ของเครื่องด้วยก็ได้เช่นกัน

นอกจากนี้ หากโครงข่ายประสาทเทียมมีความทรงจำเชิงเวลาแล้วก็สามารถจำสร้างแบบจำลองเชิงโครงสร้างและวิธีการของนีโอคอร์เทกซ์ของสมองได้ ซึ่งเป็นแนวคิดที่เป็นที่มาของสาขาการเรียนรู้เชิงลึกที่ได้รับความนิยมมากตั้งแต่กลางศตวรรษที่ 20 เป็นต้นมาจากผลงานของเจฟฟรีย์ ฮินตันและรูสลาน ซาลาคัตดินอฟ

ทฤษฎีควบคุม (control theory)

ทฤษฎีควบคุม เป็นลูกหลานของไซเบอร์เนติกส์ สามารถนำไปประยุกต์ใช้งานได้หลากหลาย โดยเฉพาะในทางวิทยาการหุ่นยนต์

ภาษา (languages)

นักวิจัยทางปัญญาประดิษฐ์ได้พัฒนาภาษาพิเศษสำหรับงานวิจัย เช่น ภาษาลิสป์ และภาษาโปรล็อก

สาขาที่เกี่ยวข้องกับปัญญาประดิษฐ์

สาขาที่มีบทบาทมากในปัจจุบัน

วิทยาการหุ่นยนต์

• การจะสร้างหุ่นยนต์ที่อาศัยอยู่กับมนุษย์ได้จริง ต้องใช้ความรู้ทางปัญญาประดิษฐ์ทั้งหมด นอกจากนั้นยังต้องใช้ความรู้อื่น ๆ ทางเครื่องกล เพื่อสร้างสรีระให้หุ่นยนต์สามารถเคลื่อนไหวได้เช่นเดียวกับมนุษย์
• ในวงการวิทยการหุ่นยนต์ เขาก็ถือว่าปัญญาประดิษฐ์เป็นสาขาของเขาเช่นกัน

ขั้นตอนวิธีเชิงพันธุกรรม

• เป็นการประยุกต์นำแนวความคิดทางด้านการวิวัฒนาการที่มีอยู่ในธรรมชาติ มาใช้ในการแก้ปัญหาทางคณิตศาสตร์และคอมพิวเตอร์
• เป็นขั้นตอนวิธีเชิงสุ่ม (stochastic) (ไม่ได้คำตอบเดิมทุกครั้งที่แก้ปัญหาเดิม)
• มักประยุกต์ใช้ในปัญหาการหาค่าที่เหมาะสมที่สุด (optimization) ที่ไม่สามารถแก้ได้ด้วยวิธีมาตรฐานทางคณิตศาสตร์อย่างมีประสิทธิภาพ
• แนวคิดที่นำเอาหลักการวิวัฒนาการมาใช้นี้ มีรูปแบบอื่นอีกหลายรูปแบบ เช่น การโปรแกรมเชิงพันธุกรรม (genetic programming) และ evolution strategy อย่างไรก็ตามเทคนิคเหล่านี้มีแนวความคิดหลักเหมือนกัน ต่างกันในรายละเอียดปลีกย่อยเท่านั้น

ชีวิตประดิษฐ์ (artificial life)

• เป็นการศึกษาพฤติกรรมของชีวิตเทียมที่เราออกแบบและสร้างขึ้น

ดูเพิ่ม

• ภาษาโปรล็อก
• ศัพท์ปัญญาประดิษฐ์
• ปัญญาประดิษฐ์ทั่วไป
• สมาคมเพื่อความก้าวหน้าทางปัญญาประดิษฐ์

อ้างอิง

หนังสือเรียน AI

The two most widely used textbooks in 2023. (See the Open Syllabus).

• Russell, Stuart J.; Norvig, Peter. (2021). Artificial Intelligence: A Modern Approach (4th ed.). Hoboken: Pearson. ISBN 978-0134610993. LCCN 20190474.
• Rich, Elaine; Knight, Kevin; Nair, Shivashankar B (2010). Artificial Intelligence (ภาษาอังกฤษ) (3rd ed.). New Delhi: Tata McGraw Hill India. ISBN 978-0070087705.

These were the four the most widely used AI textbooks in 2008:

• Luger, George; Stubblefield, William (2004). Artificial Intelligence: Structures and Strategies for Complex Problem Solving (5th ed.). Benjamin/Cummings. ISBN 978-0-8053-4780-7. เก็บจากแหล่งเดิมเมื่อ 26 July 2020. สืบค้นเมื่อ 17 December 2019.
• Nilsson, Nils (1998). Artificial Intelligence: A New Synthesis. Morgan Kaufmann. ISBN 978-1-55860-467-4. เก็บจากแหล่งเดิมเมื่อ 26 July 2020. สืบค้นเมื่อ 18 November 2019.
• Russell, Stuart J.; Norvig, Peter (2003), Artificial Intelligence: A Modern Approach (2nd ed.), Upper Saddle River, New Jersey: Prentice Hall, ISBN 0-13-790395-2
• Poole, David; Mackworth, Alan; Goebel, Randy (1998). Computational Intelligence: A Logical Approach. New York: Oxford University Press. ISBN 978-0-19-510270-3. เก็บจากแหล่งเดิมเมื่อ 26 July 2020. สืบค้นเมื่อ 22 August 2020.

Later editions.

• Poole, David; Mackworth, Alan (2017). Artificial Intelligence: Foundations of Computational Agents (2nd ed.). Cambridge University Press. ISBN 978-1-107-19539-4. เก็บจากแหล่งเดิมเมื่อ 7 December 2017. สืบค้นเมื่อ 6 December 2017.

ประวัติของ AI

• Crevier, Daniel (1993). AI: The Tumultuous Search for Artificial Intelligence. New York, NY: BasicBooks. ISBN 0-465-02997-3.
• McCorduck, Pamela (2004), Machines Who Think (2nd ed.), Natick, MA: A. K. Peters, Ltd., ISBN 1-56881-205-1
• Newquist, HP (1994). The Brain Makers: Genius, Ego, And Greed In The Quest For Machines That Think. New York: Macmillan/SAMS. ISBN 978-0-672-30412-5.
• Nilsson, Nils (2009). The Quest for Artificial Intelligence: A History of Ideas and Achievements. New York: Cambridge University Press. ISBN 978-0-521-12293-1.

แหล่งที่มาอื่น

• Nicas, Jack (February 7, 2018). "How YouTube Drives People to the Internet's Darkest Corners". The Wall Street Journal (ภาษาอังกฤษแบบอเมริกัน). ISSN 0099-9660. สืบค้นเมื่อ June 16, 2018.
• Williams, Rhiannon (June 28, 2023), "Humans may be more likely to believe disinformation generated by AI", MIT Technology Review
• Metz, Cade (May 4, 2023). "'The Godfather of A.I.' Quits Google and Warns of Danger Ahead". The New York Times. เก็บจากแหล่งเดิมเมื่อ July 1, 2023.
• Valinsky, Jordan (April 11, 2019), "Amazon reportedly employs thousands of people to listen to your Alexa conversations", CNN.com
• Vincent, James (15 November 2022). "The scary truth about AI copyright is nobody knows what will happen next". The Verge. เก็บจากแหล่งเดิมเมื่อ 19 June 2023. สืบค้นเมื่อ 19 June 2023.
• Reisner, Alex (August 19, 2023), "Revealed: The Authors Whose Pirated Books are Powering Generative AI", The Atlantic
• Alter, Alexandra; Harris, Elizabeth A. (September 20, 2023), "Franzen, Grisham and Other Prominent Authors Sue OpenAI", The New York Times
• Simonite, Tom (March 31, 2016). "How Google Plans to Solve Artificial Intelligence". MIT Technology Review.
• Harari, Yuval Noah (2023). "AI and the future of humanity". YouTube.
• Valance, Christ (30 May 2023). "Artificial intelligence could lead to extinction, experts warn". BBC News. เก็บจากแหล่งเดิมเมื่อ 17 June 2023. สืบค้นเมื่อ 18 June 2023.
• Urbina, Fabio; Lentzos, Filippa; Invernizzi, Cédric; Ekins, Sean (7 March 2022). "Dual use of artificial-intelligence-powered drug discovery". Nature Machine Intelligence. 4 (3): 189–191. doi:10.1038/s42256-022-00465-9. PMC 9544280. PMID 36211133. S2CID 247302391.
• Rose, Steve (11 July 2023). "AI Utopia or dystopia?". The Guardian Weekly. pp. 42–43.
• Grant, Nico; Hill, Kashmir (May 22, 2023). "Google's Photo App Still Can't Find Gorillas. And Neither Can Apple's". The New York Times.
• Berdahl, Carl Thomas; Baker, Lawrence; Mann, Sean; Osoba, Osonde; Girosi, Federico (7 February 2023). "Strategies to Improve the Impact of Artificial Intelligence on Health Equity: Scoping Review". JMIR AI (ภาษาอังกฤษ). 2: e42936. doi:10.2196/42936. ISSN 2817-1705. S2CID 256681439. เก็บจากแหล่งเดิมเมื่อ 21 February 2023. สืบค้นเมื่อ 21 February 2023.
• Dockrill, Peter (27 June 2022), "Robots With Flawed AI Make Sexist And Racist Decisions, Experiment Shows", Science Alert, คลังข้อมูลเก่าเก็บจากแหล่งเดิมเมื่อ 27 June 2022
• Ustun, B.; Rudin, C. (2016). "Supersparse linear integer models for optimized medical scoring systems". Machine Learning. 102 (3): 349–391. doi:10.1007/s10994-015-5528-6. S2CID 207211836.
• Schmidhuber, Jürgen (2022). "Annotated History of Modern AI and Deep Learning".
• Chen, Stephen (25 March 2023). "Artificial intelligence, immune to fear or favour, is helping to make China's foreign policy | South China Morning Post". คลังข้อมูลเก่าเก็บจากแหล่งเดิมเมื่อ 25 March 2023. สืบค้นเมื่อ 26 March 2023.
• Vogels, Emily A. (24 May 2023). "A majority of Americans have heard of ChatGPT, but few have tried it themselves". Pew Research Center. เก็บจากแหล่งเดิมเมื่อ 8 June 2023. สืบค้นเมื่อ 15 June 2023.
• Kobielus, James (27 November 2019). "GPUs Continue to Dominate the AI Accelerator Market for Now". InformationWeek (ภาษาอังกฤษ). เก็บจากแหล่งเดิมเมื่อ 19 October 2021. สืบค้นเมื่อ 11 June 2020.
• Gertner, Jon (18 July 2023). "Wikipedia's Moment of Truth – Can the online encyclopedia help teach A.I. chatbots to get their facts right — without destroying itself in the process? + comment". The New York Times. คลังข้อมูลเก่าเก็บจากแหล่งเดิมเมื่อ 18 July 2023. สืบค้นเมื่อ 19 July 2023.{{cite news}}: CS1 maint: bot: original URL status unknown (ลิงก์) CS1 maint: date and year (ลิงก์)
• Hornik, Kurt; Stinchcombe, Maxwell; White, Halbert (1989). Multilayer Feedforward Networks are Universal Approximators (PDF). Neural Networks. Vol. 2. Pergamon Press. pp. 359–366.
• Cybenko, G. (1988). Continuous valued neural networks with two hidden layers are sufficient (Report). Department of Computer Science, Tufts University.
• Good, I. J. (1965), Speculations Concerning the First Ultraintelligent Machine
• Wong, Matteo (19 May 2023), "ChatGPT Is Already Obsolete", The Atlantic
• Christian, Brian (2020). The Alignment Problem: Machine learning and human values. W. W. Norton & Company. ISBN 978-0-393-86833-3. OCLC 1233266753.
• DiFeliciantonio, Chase (3 April 2023). "AI has already changed the world. This report shows how". San Francisco Chronicle. เก็บจากแหล่งเดิมเมื่อ 19 June 2023. สืบค้นเมื่อ 19 June 2023.
• Goswami, Rohan (5 April 2023). "Here's where the A.I. jobs are". CNBC (ภาษาอังกฤษ). เก็บจากแหล่งเดิมเมื่อ 19 June 2023. สืบค้นเมื่อ 19 June 2023.
• Nilsson, Nils (1995), "Eyes on the Prize", AI Magazine, vol. 16, pp. 9–17
• McCarthy, John (2007), "From Here to Human-Level AI", Artificial Intelligence: 171
• Beal, J.; Winston, Patrick (2009), "The New Frontier of Human-Level Artificial Intelligence", IEEE Intelligent Systems, 24: 21–24, doi:10.1109/MIS.2009.75, hdl:1721.1/52357, S2CID 32437713
• Bushwick, Sophie (16 March 2023), "What the New GPT-4 AI Can Do", Scientific American
• Mitchell, Tom (1997), Machine Learning, McGraw Hill, ISBN 0070428077
• McGaughey, E (2022), Will Robots Automate Your Job Away? Full Employment, Basic Income, and Economic Democracy, p. 51(3) Industrial Law Journal 511–559, doi:10.2139/ssrn.3044448, S2CID 219336439, SSRN 3044448, เก็บจากแหล่งเดิมเมื่อ 31 January 2021, สืบค้นเมื่อ 27 May 2023
• McCarthy, John (1999), What is AI?, เก็บจากแหล่งเดิมเมื่อ 4 December 2022, สืบค้นเมื่อ 4 December 2022
• Werbos, P. J. (1988), "Generalization of backpropagation with application to a recurrent gas market model", Neural Networks, 1 (4): 339–356, doi:10.1016/0893-6080(88)90007-X, เก็บจากแหล่งเดิมเมื่อ 29 October 2021, สืบค้นเมื่อ 29 September 2021
• Gers, Felix A.; Schraudolph, Nicol N.; Schraudolph, Jürgen (2002). "Learning Precise Timing with LSTM Recurrent Networks" (PDF). Journal of Machine Learning Research. 3: 115–143. เก็บ (PDF)จากแหล่งเดิมเมื่อ 9 October 2022. สืบค้นเมื่อ 13 June 2017.
• Deng, L.; Yu, D. (2014). "Deep Learning: Methods and Applications" (PDF). Foundations and Trends in Signal Processing. 7 (3–4): 1–199. doi:10.1561/2000000039. เก็บ (PDF)จากแหล่งเดิมเมื่อ 14 March 2016. สืบค้นเมื่อ 18 October 2014.
• Schulz, Hannes; Behnke, Sven (1 November 2012). "Deep Learning". KI – Künstliche Intelligenz (ภาษาอังกฤษ). 26 (4): 357–363. doi:10.1007/s13218-012-0198-z. ISSN 1610-1987. S2CID 220523562.
• Fukushima, K. (2007). "Neocognitron". Scholarpedia. 2 (1): 1717. Bibcode:2007SchpJ...2.1717F. doi:10.4249/scholarpedia.1717. was introduced by Kunihiko Fukushima in 1980.
• Habibi, Aghdam, Hamed (2017). Guide to convolutional neural networks : a practical application to traffic-sign detection and classification. Heravi, Elnaz Jahani. Cham, Switzerland. ISBN 978-3319575490. OCLC 987790957.
• Ciresan, D.; Meier, U.; Schmidhuber, J. (2012). "Multi-column deep neural networks for image classification". 2012 IEEE Conference on Computer Vision and Pattern Recognition. pp. 3642–3649. arXiv:1202.2745. doi:10.1109/cvpr.2012.6248110. ISBN 978-1-4673-1228-8. S2CID 2161592.
• "From not working to neural networking". The Economist. 2016. เก็บจากแหล่งเดิมเมื่อ 31 December 2016. สืบค้นเมื่อ 26 April 2018.
• Thompson, Derek (23 January 2014). "What Jobs Will the Robots Take?". The Atlantic. เก็บจากแหล่งเดิมเมื่อ 24 April 2018. สืบค้นเมื่อ 24 April 2018.
• Scassellati, Brian (2002). "Theory of mind for a humanoid robot". Autonomous Robots. 12 (1): 13–24. doi:10.1023/A:1013298507114. S2CID 1979315.
• Sample, Ian (14 March 2017a). "Google's DeepMind makes AI program that can learn like a human". The Guardian. เก็บจากแหล่งเดิมเมื่อ 26 April 2018. สืบค้นเมื่อ 26 April 2018.
• Sample, Ian (5 November 2017b). "Computer says no: why making AIs fair, accountable and transparent is crucial". The Guardian (ภาษาอังกฤษ). สืบค้นเมื่อ 30 January 2018.
• Heath, Nick (11 December 2020). "What is AI? Everything you need to know about Artificial Intelligence". ZDNet (ภาษาอังกฤษ). เก็บจากแหล่งเดิมเมื่อ 2 March 2021. สืบค้นเมื่อ 1 March 2021.
• Bowling, Michael; Burch, Neil; Johanson, Michael; Tammelin, Oskari (9 January 2015). "Heads-up limit hold'em poker is solved". Science (ภาษาอังกฤษ). 347 (6218): 145–149. Bibcode:2015Sci...347..145B. doi:10.1126/science.1259433. ISSN 0036-8075. PMID 25574016. S2CID 3796371. เก็บจากแหล่งเดิมเมื่อ 1 August 2022. สืบค้นเมื่อ 30 June 2022.
• Solly, Meilan (15 July 2019). "This Poker-Playing A.I. Knows When to Hold 'Em and When to Fold 'Em". Smithsonian. เก็บจากแหล่งเดิมเมื่อ 26 September 2021. สืบค้นเมื่อ 1 October 2021.
• "Artificial intelligence: Google's AlphaGo beats Go master Lee Se-dol". BBC News. 12 March 2016. เก็บจากแหล่งเดิมเมื่อ 26 August 2016. สืบค้นเมื่อ 1 October 2016.
• Rowinski, Dan (15 January 2013). "Virtual Personal Assistants & The Future Of Your Smartphone [Infographic]". ReadWrite. เก็บจากแหล่งเดิมเมื่อ 22 December 2015.
• Manyika, James (2022). "Getting AI Right: Introductory Notes on AI & Society". Daedalus. 151 (2): 5–27. doi:10.1162/daed_e_01897. S2CID 248377878. เก็บจากแหล่งเดิมเมื่อ 5 May 2022. สืบค้นเมื่อ 5 May 2022.
• Markoff, John (16 February 2011). "Computer Wins on 'Jeopardy!': Trivial, It's Not". The New York Times. เก็บจากแหล่งเดิมเมื่อ 22 October 2014. สืบค้นเมื่อ 25 October 2014.
• Anadiotis, George (1 October 2020). "The state of AI in 2020: Democratization, industrialization, and the way to artificial general intelligence". ZDNet (ภาษาอังกฤษ). เก็บจากแหล่งเดิมเมื่อ 15 March 2021. สืบค้นเมื่อ 1 March 2021.
• Goertzel, Ben; Lian, Ruiting; Arel, Itamar; de Garis, Hugo; Chen, Shuo (December 2010). "A world survey of artificial brain projects, Part II: Biologically inspired cognitive architectures". Neurocomputing. 74 (1–3): 30–49. doi:10.1016/j.neucom.2010.08.012.
• Robinson, A. J.; Fallside, F. (1987), "The utility driven dynamic error propagation network.", Technical Report CUED/F-INFENG/TR.1, Cambridge University Engineering Department
• Hochreiter, Sepp (1991). Untersuchungen zu dynamischen neuronalen Netzen (PDF) (วิทยานิพนธ์ diploma). Munich: Institut f. Informatik, Technische Univ. คลังข้อมูลเก่าเก็บจากแหล่งเดิม (PDF)เมื่อ 6 March 2015. สืบค้นเมื่อ 16 April 2016.
• Williams, R. J.; Zipser, D. (1994), "Gradient-based learning algorithms for recurrent networks and their computational complexity", Back-propagation: Theory, Architectures and Applications, Hillsdale, NJ: Erlbaum
• Hochreiter, Sepp; Schmidhuber, Jürgen (1997), "Long Short-Term Memory", Neural Computation, 9 (8): 1735–1780, doi:10.1162/neco.1997.9.8.1735, PMID 9377276, S2CID 1915014
• Goodfellow, Ian; Bengio, Yoshua; Courville, Aaron (2016), Deep Learning, MIT Press., คลังข้อมูลเก่าเก็บจากแหล่งเดิมเมื่อ 16 April 2016, สืบค้นเมื่อ 12 November 2017
• Hinton, G.; Deng, L.; Yu, D.; Dahl, G.; Mohamed, A.; Jaitly, N.; Senior, A.; Vanhoucke, V.; Nguyen, P.; Sainath, T.; Kingsbury, B. (2012). "Deep Neural Networks for Acoustic Modeling in Speech Recognition – The shared views of four research groups". IEEE Signal Processing Magazine. 29 (6): 82–97. Bibcode:2012ISPM...29...82H. doi:10.1109/msp.2012.2205597. S2CID 206485943.
• Schmidhuber, J. (2015). "Deep Learning in Neural Networks: An Overview". Neural Networks. 61: 85–117. arXiv:1404.7828. doi:10.1016/j.neunet.2014.09.003. PMID 25462637. S2CID 11715509.
• Linnainmaa, Seppo (1970). The representation of the cumulative rounding error of an algorithm as a Taylor expansion of the local rounding errors (วิทยานิพนธ์) (ภาษาฟินแลนด์). Univ. Helsinki, 6–7.|
• Griewank, Andreas (2012). "Who Invented the Reverse Mode of Differentiation? Optimization Stories". Documenta Matematica, Extra Volume ISMP: 389–400.
• Werbos, Paul (1974). Beyond Regression: New Tools for Prediction and Analysis in the Behavioral Sciences (วิทยานิพนธ์ Ph.D.). Harvard University.
• Werbos, Paul (1982). "Beyond Regression: New Tools for Prediction and Analysis in the Behavioral Sciences" (PDF). System Modeling and Optimization. Applications of advances in nonlinear sensitivity analysis. Berlin, Heidelberg: Springer. คลังข้อมูลเก่าเก็บจากแหล่งเดิม (PDF)เมื่อ 14 April 2016. สืบค้นเมื่อ 16 April 2016.
• "What is 'fuzzy logic'? Are there computers that are inherently fuzzy and do not apply the usual binary logic?". Scientific American (ภาษาอังกฤษ). 21 October 1999. เก็บจากแหล่งเดิมเมื่อ 6 May 2018. สืบค้นเมื่อ 5 May 2018.
• Merkle, Daniel; Middendorf, Martin (2013). "Swarm Intelligence". ใน Burke, Edmund K.; Kendall, Graham (บ.ก.). Search Methodologies: Introductory Tutorials in Optimization and Decision Support Techniques (ภาษาอังกฤษ). Springer Science & Business Media. ISBN 978-1-4614-6940-7.
• van der Walt, Christiaan; Bernard, Etienne (2006). "Data characteristics that determine classifier performance" (PDF). คลังข้อมูลเก่าเก็บจากแหล่งเดิม (PDF)เมื่อ 25 March 2009. สืบค้นเมื่อ 5 August 2009.
• Hutter, Marcus (2005). Universal Artificial Intelligence. Berlin: Springer. ISBN 978-3-540-22139-5.
• Howe, J. (November 1994). "Artificial Intelligence at Edinburgh University: a Perspective". เก็บจากแหล่งเดิมเมื่อ 15 May 2007. สืบค้นเมื่อ 30 August 2007.
• Galvan, Jill (1 January 1997). "Entering the Posthuman Collective in Philip K. Dick's "Do Androids Dream of Electric Sheep?"". Science Fiction Studies. 24 (3): 413–429. JSTOR 4240644.
• McCauley, Lee (2007). "AI armageddon and the three laws of robotics". Ethics and Information Technology. 9 (2): 153–164. CiteSeerX 10.1.1.85.8904. doi:10.1007/s10676-007-9138-2. S2CID 37272949.
• Buttazzo, G. (July 2001). "Artificial consciousness: Utopia or real possibility?". Computer. 34 (7): 24–30. doi:10.1109/2.933500.
• Anderson, Susan Leigh (2008). "Asimov's "three laws of robotics" and machine metaethics". AI & Society. 22 (4): 477–493. doi:10.1007/s00146-007-0094-5. S2CID 1809459.
• Yudkowsky, E (2008), "Artificial Intelligence as a Positive and Negative Factor in Global Risk" (PDF), Global Catastrophic Risks, Oxford University Press, 2008, Bibcode:2008gcr..book..303Y, เก็บ (PDF)จากแหล่งเดิมเมื่อ 19 October 2013, สืบค้นเมื่อ 24 September 2021
• IGM Chicago (30 June 2017). "Robots and Artificial Intelligence". www.igmchicago.org. เก็บจากแหล่งเดิมเมื่อ 1 May 2019. สืบค้นเมื่อ 3 July 2019.
• Lohr, Steve (2017). "Robots Will Take Jobs, but Not as Fast as Some Fear, New Report Says". The New York Times. เก็บจากแหล่งเดิมเมื่อ 14 January 2018. สืบค้นเมื่อ 13 January 2018.
• Frey, Carl Benedikt; Osborne, Michael A (1 January 2017). "The future of employment: How susceptible are jobs to computerisation?". Technological Forecasting and Social Change. 114: 254–280. CiteSeerX 10.1.1.395.416. doi:10.1016/j.techfore.2016.08.019. ISSN 0040-1625.
• Arntz, Melanie; Gregory, Terry; Zierahn, Ulrich (2016), "The risk of automation for jobs in OECD countries: A comparative analysis", OECD Social, Employment, and Migration Working Papers 189
• Morgenstern, Michael (9 May 2015). "Automation and anxiety". The Economist. เก็บจากแหล่งเดิมเมื่อ 12 January 2018. สืบค้นเมื่อ 13 January 2018.
• Mahdawi, Arwa (26 June 2017). "What jobs will still be around in 20 years? Read this to prepare your future". The Guardian. เก็บจากแหล่งเดิมเมื่อ 14 January 2018. สืบค้นเมื่อ 13 January 2018.
• Rubin, Charles (Spring 2003). "Artificial Intelligence and Human Nature". The New Atlantis. 1: 88–100. คลังข้อมูลเก่าเก็บจากแหล่งเดิมเมื่อ 11 June 2012.
• Bostrom, Nick (2014). Superintelligence: Paths, Dangers, Strategies. Oxford University Press.
• Brooks, Rodney (10 November 2014). "artificial intelligence is a tool, not a threat". คลังข้อมูลเก่าเก็บจากแหล่งเดิมเมื่อ 12 November 2014.
• Sainato, Michael (19 August 2015). "Stephen Hawking, Elon Musk, and Bill Gates Warn About Artificial Intelligence". Observer. เก็บจากแหล่งเดิมเมื่อ 30 October 2015. สืบค้นเมื่อ 30 October 2015.
• Harari, Yuval Noah (October 2018). "Why Technology Favors Tyranny". The Atlantic. เก็บจากแหล่งเดิมเมื่อ 25 September 2021. สืบค้นเมื่อ 23 September 2021.
• Robitzski, Dan (5 September 2018). "Five experts share what scares them the most about AI". เก็บจากแหล่งเดิมเมื่อ 8 December 2019. สืบค้นเมื่อ 8 December 2019.
• Goffrey, Andrew (2008). "Algorithm". ใน Fuller, Matthew (บ.ก.). Software studies: a lexicon. Cambridge, Mass.: MIT Press. pp. 15–20. ISBN 978-1-4356-4787-9.
• Lipartito, Kenneth (6 January 2011), The Narrative and the Algorithm: Genres of Credit Reporting from the Nineteenth Century to Today (PDF) (Unpublished manuscript), doi:10.2139/ssrn.1736283, S2CID 166742927, เก็บ (PDF)จากแหล่งเดิมเมื่อ 9 October 2022
• Goodman, Bryce; Flaxman, Seth (2017). "EU regulations on algorithmic decision-making and a 'right to explanation'". AI Magazine. 38 (3): 50. arXiv:1606.08813. doi:10.1609/aimag.v38i3.2741. S2CID 7373959.
• CNA (12 January 2019). "Commentary: Bad news. Artificial intelligence is biased". CNA (ภาษาอังกฤษ). เก็บจากแหล่งเดิมเมื่อ 12 January 2019. สืบค้นเมื่อ 19 June 2020.
• Larson, Jeff; Angwin, Julia (23 May 2016). "How We Analyzed the COMPAS Recidivism Algorithm". ProPublica (ภาษาอังกฤษ). เก็บจากแหล่งเดิมเมื่อ 29 April 2019. สืบค้นเมื่อ 19 June 2020.
• Müller, Vincent C.; Bostrom, Nick (2014). "Future Progress in Artificial Intelligence: A Poll Among Experts" (PDF). AI Matters. 1 (1): 9–11. doi:10.1145/2639475.2639478. S2CID 8510016. เก็บ (PDF)จากแหล่งเดิมเมื่อ 15 January 2016.
• Cellan-Jones, Rory (2 December 2014). "Stephen Hawking warns artificial intelligence could end mankind". BBC News. เก็บจากแหล่งเดิมเมื่อ 30 October 2015. สืบค้นเมื่อ 30 October 2015.
• Rawlinson, Kevin (29 January 2015). "Microsoft's Bill Gates insists AI is a threat". BBC News. เก็บจากแหล่งเดิมเมื่อ 29 January 2015. สืบค้นเมื่อ 30 January 2015.
• Holley, Peter (28 January 2015). "Bill Gates on dangers of artificial intelligence: 'I don't understand why some people are not concerned'". The Washington Post. ISSN 0190-8286. เก็บจากแหล่งเดิมเมื่อ 30 October 2015. สืบค้นเมื่อ 30 October 2015.
• Gibbs, Samuel (27 October 2014). "Elon Musk: artificial intelligence is our biggest existential threat". The Guardian. เก็บจากแหล่งเดิมเมื่อ 30 October 2015. สืบค้นเมื่อ 30 October 2015.
• Bostrom, Nick (2015). "What happens when our computers get smarter than we are?". TED (conference). เก็บจากแหล่งเดิมเมื่อ 25 July 2020. สืบค้นเมื่อ 30 January 2020.
• Thibodeau, Patrick (25 March 2019). "Oracle CEO Mark Hurd sees no reason to fear ERP AI". SearchERP (ภาษาอังกฤษ). เก็บจากแหล่งเดิมเมื่อ 6 May 2019. สืบค้นเมื่อ 6 May 2019.
• Bhardwaj, Prachi (24 May 2018). "Mark Zuckerberg responds to Elon Musk's paranoia about AI: 'AI is going to... help keep our communities safe.'". Business Insider. เก็บจากแหล่งเดิมเมื่อ 6 May 2019. สืบค้นเมื่อ 6 May 2019.
• Geist, Edward Moore (9 August 2015). "Is artificial intelligence really an existential threat to humanity?". Bulletin of the Atomic Scientists. เก็บจากแหล่งเดิมเมื่อ 30 October 2015. สืบค้นเมื่อ 30 October 2015.
• Madrigal, Alexis C. (27 February 2015). "The case against killer robots, from a guy actually working on artificial intelligence". Fusion.net. เก็บจากแหล่งเดิมเมื่อ 4 February 2016. สืบค้นเมื่อ 31 January 2016.
• Lee, Timothy B. (22 August 2014). "Will artificial intelligence destroy humanity? Here are 5 reasons not to worry". Vox. เก็บจากแหล่งเดิมเมื่อ 30 October 2015. สืบค้นเมื่อ 30 October 2015.
• Law Library of Congress (U.S.). Global Legal Research Directorate, issuing body. (2019). Regulation of artificial intelligence in selected jurisdictions. LCCN 2019668143. OCLC 1110727808.
• Berryhill, Jamie; Heang, Kévin Kok; Clogher, Rob; McBride, Keegan (2019). Hello, World: Artificial Intelligence and its Use in the Public Sector (PDF). Paris: OECD Observatory of Public Sector Innovation. เก็บ (PDF)จากแหล่งเดิมเมื่อ 20 December 2019. สืบค้นเมื่อ 9 August 2020.
• Barfield, Woodrow; Pagallo, Ugo (2018). Research handbook on the law of artificial intelligence. Cheltenham, UK. ISBN 978-1-78643-904-8. OCLC 1039480085.
• Iphofen, Ron; Kritikos, Mihalis (3 January 2019). "Regulating artificial intelligence and robotics: ethics by design in a digital society". Contemporary Social Science. 16 (2): 170–184. doi:10.1080/21582041.2018.1563803. ISSN 2158-2041. S2CID 59298502.
• Wirtz, Bernd W.; Weyerer, Jan C.; Geyer, Carolin (24 July 2018). "Artificial Intelligence and the Public Sector – Applications and Challenges". International Journal of Public Administration. 42 (7): 596–615. doi:10.1080/01900692.2018.1498103. ISSN 0190-0692. S2CID 158829602. เก็บจากแหล่งเดิมเมื่อ 18 August 2020. สืบค้นเมื่อ 22 August 2020.
• Buiten, Miriam C (2019). "Towards Intelligent Regulation of Artificial Intelligence". European Journal of Risk Regulation. 10 (1): 41–59. doi:10.1017/err.2019.8. ISSN 1867-299X.
• Wallach, Wendell (2010). Moral Machines. Oxford University Press.
• Brown, Eileen (5 November 2019). "Half of Americans do not believe deepfake news could target them online". ZDNet (ภาษาอังกฤษ). เก็บจากแหล่งเดิมเมื่อ 6 November 2019. สืบค้นเมื่อ 3 December 2019.
• Frangoul, Anmar (14 June 2019). "A Californian business is using A.I. to change the way we think about energy storage". CNBC (ภาษาอังกฤษ). เก็บจากแหล่งเดิมเมื่อ 25 July 2020. สืบค้นเมื่อ 5 November 2019.
• "The Economist Explains: Why firms are piling into artificial intelligence". The Economist. 31 March 2016. เก็บจากแหล่งเดิมเมื่อ 8 May 2016. สืบค้นเมื่อ 19 May 2016.
• Lohr, Steve (28 February 2016). "The Promise of Artificial Intelligence Unfolds in Small Steps". The New York Times. เก็บจากแหล่งเดิมเมื่อ 29 February 2016. สืบค้นเมื่อ 29 February 2016.
• Smith, Mark (22 July 2016). "So you think you chose to read this article?". BBC News. เก็บจากแหล่งเดิมเมื่อ 25 July 2016.
• Aletras, N.; Tsarapatsanis, D.; Preotiuc-Pietro, D.; Lampos, V. (2016). "Predicting judicial decisions of the European Court of Human Rights: a Natural Language Processing perspective". PeerJ Computer Science. 2: e93. doi:10.7717/peerj-cs.93.
• Cadena, Cesar; Carlone, Luca; Carrillo, Henry; Latif, Yasir; Scaramuzza, Davide; Neira, Jose; Reid, Ian; Leonard, John J. (December 2016). "Past, Present, and Future of Simultaneous Localization and Mapping: Toward the Robust-Perception Age". IEEE Transactions on Robotics. 32 (6): 1309–1332. arXiv:1606.05830. doi:10.1109/TRO.2016.2624754. S2CID 2596787.
• Cambria, Erik; White, Bebo (May 2014). "Jumping NLP Curves: A Review of Natural Language Processing Research [Review Article]". IEEE Computational Intelligence Magazine. 9 (2): 48–57. doi:10.1109/MCI.2014.2307227. S2CID 206451986.
• Vincent, James (7 November 2019). "OpenAI has published the text-generating AI it said was too dangerous to share". The Verge (ภาษาอังกฤษ). เก็บจากแหล่งเดิมเมื่อ 11 June 2020. สืบค้นเมื่อ 11 June 2020.
• Jordan, M. I.; Mitchell, T. M. (16 July 2015). "Machine learning: Trends, perspectives, and prospects". Science. 349 (6245): 255–260. Bibcode:2015Sci...349..255J. doi:10.1126/science.aaa8415. PMID 26185243. S2CID 677218.
• Maschafilm (2010). "Content: Plug & Pray Film – Artificial Intelligence – Robots". plugandpray-film.de. เก็บจากแหล่งเดิมเมื่อ 12 February 2016.
• Evans, Woody (2015). "Posthuman Rights: Dimensions of Transhuman Worlds". Teknokultura. 12 (2). doi:10.5209/rev_TK.2015.v12.n2.49072.
• Waddell, Kaveh (2018). "Chatbots Have Entered the Uncanny Valley". The Atlantic. เก็บจากแหล่งเดิมเมื่อ 24 April 2018. สืบค้นเมื่อ 24 April 2018.
• Poria, Soujanya; Cambria, Erik; Bajpai, Rajiv; Hussain, Amir (September 2017). "A review of affective computing: From unimodal analysis to multimodal fusion". Information Fusion. 37: 98–125. doi:10.1016/j.inffus.2017.02.003. hdl:1893/25490. S2CID 205433041. เก็บจากแหล่งเดิมเมื่อ 23 March 2023. สืบค้นเมื่อ 27 April 2021.
• "Robots could demand legal rights". BBC News. 21 December 2006. เก็บจากแหล่งเดิมเมื่อ 15 October 2019. สืบค้นเมื่อ 3 February 2011.
• Horst, Steven (2005). "The Computational Theory of Mind". The Stanford Encyclopedia of Philosophy. เก็บจากแหล่งเดิมเมื่อ 6 March 2016. สืบค้นเมื่อ 7 March 2016.
• Omohundro, Steve (2008). The Nature of Self-Improving Artificial Intelligence. presented and distributed at the 2007 Singularity Summit, San Francisco, CA.
• Ford, Martin; Colvin, Geoff (6 September 2015). "Will robots create more jobs than they destroy?". The Guardian. เก็บจากแหล่งเดิมเมื่อ 16 June 2018. สืบค้นเมื่อ 13 January 2018.
• White Paper: On Artificial Intelligence – A European approach to excellence and trust (PDF). Brussels: European Commission. 2020. เก็บ (PDF)จากแหล่งเดิมเมื่อ 20 February 2020. สืบค้นเมื่อ 20 February 2020.
• Anderson, Michael; Anderson, Susan Leigh (2011). Machine Ethics. Cambridge University Press.
• "Machine Ethics". aaai.org. คลังข้อมูลเก่าเก็บจากแหล่งเดิมเมื่อ 29 November 2014.
• Russell, Stuart (2019). Human Compatible: Artificial Intelligence and the Problem of Control. United States: Viking. ISBN 978-0-525-55861-3. OCLC 1083694322.
• "AI set to exceed human brain power". CNN. 9 August 2006. เก็บจากแหล่งเดิมเมื่อ 19 February 2008.
• "Robots could demand legal rights". BBC News. 21 December 2006. เก็บจากแหล่งเดิมเมื่อ 15 October 2019. สืบค้นเมื่อ 3 February 2011.
• "Kismet". MIT Artificial Intelligence Laboratory, Humanoid Robotics Group. เก็บจากแหล่งเดิมเมื่อ 17 October 2014. สืบค้นเมื่อ 25 October 2014.
• Smoliar, Stephen W.; Zhang, HongJiang (1994). "Content based video indexing and retrieval". IEEE MultiMedia. 1 (2): 62–72. doi:10.1109/93.311653. S2CID 32710913.
• Neumann, Bernd; Möller, Ralf (January 2008). "On scene interpretation with description logics". Image and Vision Computing. 26 (1): 82–101. doi:10.1016/j.imavis.2007.08.013. S2CID 10767011.
• Kuperman, G. J.; Reichley, R. M.; Bailey, T. C. (1 July 2006). "Using Commercial Knowledge Bases for Clinical Decision Support: Opportunities, Hurdles, and Recommendations". Journal of the American Medical Informatics Association. 13 (4): 369–371. doi:10.1197/jamia.M2055. PMC 1513681. PMID 16622160.
• McGarry, Ken (1 December 2005). "A survey of interestingness measures for knowledge discovery". The Knowledge Engineering Review. 20 (1): 39–61. doi:10.1017/S0269888905000408. S2CID 14987656.
• Bertini, M; Del Bimbo, A; Torniai, C (2006). "Automatic annotation and semantic retrieval of video sequences using multimedia ontologies". MM '06 Proceedings of the 14th ACM international conference on Multimedia. 14th ACM international conference on Multimedia. Santa Barbara: ACM. pp. 679–682.
• Kahneman, Daniel (2011). Thinking, Fast and Slow. Macmillan. ISBN 978-1-4299-6935-2. เก็บจากแหล่งเดิมเมื่อ 15 March 2023. สืบค้นเมื่อ 8 April 2012.
• Turing, Alan (1948), "Machine Intelligence", ใน Copeland, B. Jack (บ.ก.), The Essential Turing: The ideas that gave birth to the computer age, Oxford: Oxford University Press, p. 412, ISBN 978-0-19-825080-7
• Domingos, Pedro (2015). The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World. Basic Books. ISBN 978-0465065707.
• Minsky, Marvin (1986), The Society of Mind, Simon and Schuster
• Pinker, Steven (2007) [1994], The Language Instinct, Perennial Modern Classics, Harper, ISBN 978-0-06-133646-1
• Chalmers, David (1995). "Facing up to the problem of consciousness". Journal of Consciousness Studies. 2 (3): 200–219. เก็บจากแหล่งเดิมเมื่อ 8 March 2005. สืบค้นเมื่อ 11 October 2018.
• Roberts, Jacob (2016). "Thinking Machines: The Search for Artificial Intelligence". Distillations. Vol. 2 no. 2. pp. 14–23. คลังข้อมูลเก่าเก็บจากแหล่งเดิมเมื่อ 19 August 2018. สืบค้นเมื่อ 20 March 2018.
• Pennachin, C.; Goertzel, B. (2007). "Contemporary Approaches to Artificial General Intelligence". Artificial General Intelligence. Cognitive Technologies. Berlin, Heidelberg: Springer. pp. 1–30. doi:10.1007/978-3-540-68677-4_1. ISBN 978-3-540-23733-4.
• "Ask the AI experts: What's driving today's progress in AI?". McKinsey & Company. เก็บจากแหล่งเดิมเมื่อ 13 April 2018. สืบค้นเมื่อ 13 April 2018.
• Ransbotham, Sam; Kiron, David; Gerbert, Philipp; Reeves, Martin (6 September 2017). "Reshaping Business With Artificial Intelligence". MIT Sloan Management Review. เก็บจากแหล่งเดิมเมื่อ 19 May 2018. สืบค้นเมื่อ 2 May 2018.
• Lorica, Ben (18 December 2017). "The state of AI adoption". O'Reilly Media. เก็บจากแหล่งเดิมเมื่อ 2 May 2018. สืบค้นเมื่อ 2 May 2018.
• "AlphaGo – Google DeepMind". เก็บจากแหล่งเดิมเมื่อ 10 March 2016.
• Asada, M.; Hosoda, K.; Kuniyoshi, Y.; Ishiguro, H.; Inui, T.; Yoshikawa, Y.; Ogino, M.; Yoshida, C. (2009). "Cognitive developmental robotics: a survey". IEEE Transactions on Autonomous Mental Development. 1 (1): 12–34. doi:10.1109/tamd.2009.2021702. S2CID 10168773.
• Berlinski, David (2000). The Advent of the Algorithm. Harcourt Books. ISBN 978-0-15-601391-8. OCLC 46890682. เก็บจากแหล่งเดิมเมื่อ 26 July 2020. สืบค้นเมื่อ 22 August 2020.
• Brooks, Rodney (1990). "Elephants Don't Play Chess" (PDF). Robotics and Autonomous Systems. 6 (1–2): 3–15. CiteSeerX 10.1.1.588.7539. doi:10.1016/S0921-8890(05)80025-9. เก็บ (PDF)จากแหล่งเดิมเมื่อ 9 August 2007.
• Butler, Samuel (13 June 1863). "Darwin among the Machines". Letters to the Editor. The Press. Christchurch, New Zealand. เก็บจากแหล่งเดิมเมื่อ 19 September 2008. สืบค้นเมื่อ 16 October 2014 – โดยทาง Victoria University of Wellington.
• Clark, Jack (2015b). "Why 2015 Was a Breakthrough Year in Artificial Intelligence". Bloomberg.com. เก็บจากแหล่งเดิมเมื่อ 23 November 2016. สืบค้นเมื่อ 23 November 2016.
• Dennett, Daniel (1991). Consciousness Explained. The Penguin Press. ISBN 978-0-7139-9037-9.
• Dreyfus, Hubert (1972). What Computers Can't Do. New York: MIT Press. ISBN 978-0-06-011082-6.
• Dreyfus, Hubert; Dreyfus, Stuart (1986). Mind over Machine: The Power of Human Intuition and Expertise in the Era of the Computer. Oxford: Blackwell. ISBN 978-0-02-908060-3. เก็บจากแหล่งเดิมเมื่อ 26 July 2020. สืบค้นเมื่อ 22 August 2020.
• Dyson, George (1998). Darwin among the Machines. Allan Lane Science. ISBN 978-0-7382-0030-9. เก็บจากแหล่งเดิมเมื่อ 26 July 2020. สืบค้นเมื่อ 22 August 2020.
• Edelson, Edward (1991). The Nervous System. New York: Chelsea House. ISBN 978-0-7910-0464-7. เก็บจากแหล่งเดิมเมื่อ 26 July 2020. สืบค้นเมื่อ 18 November 2019.
• Fearn, Nicholas (2007). The Latest Answers to the Oldest Questions: A Philosophical Adventure with the World's Greatest Thinkers. New York: Grove Press. ISBN 978-0-8021-1839-4.
• Haugeland, John (1985). Artificial Intelligence: The Very Idea. Cambridge, Mass.: MIT Press. ISBN 978-0-262-08153-5.
• Hawkins, Jeff; Blakeslee, Sandra (2005). On Intelligence. New York: Owl Books. ISBN 978-0-8050-7853-4.
• Henderson, Mark (24 April 2007). "Human rights for robots? We're getting carried away". The Times Online. London. เก็บจากแหล่งเดิมเมื่อ 31 May 2014. สืบค้นเมื่อ 31 May 2014.
• Kahneman, Daniel; Slovic, D.; Tversky, Amos (1982). "Judgment under uncertainty: Heuristics and biases". Science. New York: Cambridge University Press. 185 (4157): 1124–1131. Bibcode:1974Sci...185.1124T. doi:10.1126/science.185.4157.1124. ISBN 978-0-521-28414-1. PMID 17835457. S2CID 143452957.
• Katz, Yarden (1 November 2012). "Noam Chomsky on Where Artificial Intelligence Went Wrong". The Atlantic. เก็บจากแหล่งเดิมเมื่อ 28 February 2019. สืบค้นเมื่อ 26 October 2014.
• Kurzweil, Ray (2005). The Singularity is Near. Penguin Books. ISBN 978-0-670-03384-3.
• Langley, Pat (2011). "The changing science of machine learning". Machine Learning. 82 (3): 275–279. doi:10.1007/s10994-011-5242-y.
• Legg, Shane; Hutter, Marcus (15 June 2007). "A Collection of Definitions of Intelligence". arXiv:0706.3639 [cs.AI].
• Lenat, Douglas; Guha, R. V. (1989). Building Large Knowledge-Based Systems. Addison-Wesley. ISBN 978-0-201-51752-1.
• Lighthill, James (1973). "Artificial Intelligence: A General Survey". Artificial Intelligence: a paper symposium. Science Research Council.
• Lombardo, P; Boehm, I; Nairz, K (2020). "RadioComics – Santa Claus and the future of radiology". Eur J Radiol. 122 (1): 108771. doi:10.1016/j.ejrad.2019.108771. PMID 31835078.
• Lungarella, M.; Metta, G.; Pfeifer, R.; Sandini, G. (2003). "Developmental robotics: a survey". Connection Science. 15 (4): 151–190. CiteSeerX 10.1.1.83.7615. doi:10.1080/09540090310001655110. S2CID 1452734.
• Maker, Meg Houston (2006). "AI@50: AI Past, Present, Future". Dartmouth College. คลังข้อมูลเก่าเก็บจากแหล่งเดิมเมื่อ 3 January 2007. สืบค้นเมื่อ 16 October 2008.
• McCarthy, John; Minsky, Marvin; Rochester, Nathan; Shannon, Claude (1955). "A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence". คลังข้อมูลเก่าเก็บจากแหล่งเดิมเมื่อ 26 August 2007. สืบค้นเมื่อ 30 August 2007.
• Minsky, Marvin (1967). Computation: Finite and Infinite Machines. Englewood Cliffs, N.J.: Prentice-Hall. ISBN 978-0-13-165449-5. เก็บจากแหล่งเดิมเมื่อ 26 July 2020. สืบค้นเมื่อ 18 November 2019.
• Moravec, Hans (1988). Mind Children. Harvard University Press. ISBN 978-0-674-57616-2. เก็บจากแหล่งเดิมเมื่อ 26 July 2020. สืบค้นเมื่อ 18 November 2019.
• NRC (United States National Research Council) (1999). "Developments in Artificial Intelligence". Funding a Revolution: Government Support for Computing Research. National Academy Press.
• Newell, Allen; Simon, H. A. (1976). "Computer Science as Empirical Inquiry: Symbols and Search". Communications of the ACM. 19 (3): 113–126. doi:10.1145/360018.360022..
• Nilsson, Nils (1983). "Artificial Intelligence Prepares for 2001" (PDF). AI Magazine. 1 (1). เก็บ (PDF)จากแหล่งเดิมเมื่อ 17 August 2020. สืบค้นเมื่อ 22 August 2020. Presidential Address to the Association for the Advancement of Artificial Intelligence.
• Oudeyer, P-Y. (2010). "On the impact of robotics in behavioral and cognitive sciences: from insect navigation to human cognitive development" (PDF). IEEE Transactions on Autonomous Mental Development. 2 (1): 2–16. doi:10.1109/tamd.2009.2039057. S2CID 6362217. เก็บ (PDF)จากแหล่งเดิมเมื่อ 3 October 2018. สืบค้นเมื่อ 4 June 2013.
• Schank, Roger C. (1991). "Where's the AI". AI magazine. Vol. 12 no. 4.
• Searle, John (1980). "Minds, Brains and Programs" (PDF). Behavioral and Brain Sciences. 3 (3): 417–457. doi:10.1017/S0140525X00005756. S2CID 55303721. เก็บ (PDF)จากแหล่งเดิมเมื่อ 17 March 2019. สืบค้นเมื่อ 22 August 2020.
• Searle, John (1999). Mind, language and society. New York: Basic Books. ISBN 978-0-465-04521-1. OCLC 231867665. เก็บจากแหล่งเดิมเมื่อ 26 July 2020. สืบค้นเมื่อ 22 August 2020.
• Simon, H. A. (1965). The Shape of Automation for Men and Management. New York: Harper & Row. เก็บจากแหล่งเดิมเมื่อ 26 July 2020. สืบค้นเมื่อ 18 November 2019.
• Solomonoff, Ray (1956). An Inductive Inference Machine (PDF). Dartmouth Summer Research Conference on Artificial Intelligence. เก็บ (PDF)จากแหล่งเดิมเมื่อ 26 April 2011. สืบค้นเมื่อ 22 March 2011 – โดยทาง std.com, pdf scanned copy of the original. Later published as
  Solomonoff, Ray (1957). "An Inductive Inference Machine". IRE Convention Record. Vol. Section on Information Theory, part 2. pp. 56–62.
• Spadafora, Anthony (21 October 2016). "Stephen Hawking believes AI could be mankind's last accomplishment". BetaNews. เก็บจากแหล่งเดิมเมื่อ 28 August 2017.
• Tao, Jianhua; Tan, Tieniu (2005). Affective Computing and Intelligent Interaction. Affective Computing: A Review. Lecture Notes in Computer Science. Vol. 3784. Springer. pp. 981–995. doi:10.1007/11573548. ISBN 978-3-540-29621-8.
• Tecuci, Gheorghe (March–April 2012). "Artificial Intelligence". Wiley Interdisciplinary Reviews: Computational Statistics. 4 (2): 168–180. doi:10.1002/wics.200. S2CID 196141190.
• Thro, Ellen (1993). Robotics: The Marriage of Computers and Machines. New York: Facts on File. ISBN 978-0-8160-2628-9. เก็บจากแหล่งเดิมเมื่อ 26 July 2020. สืบค้นเมื่อ 22 August 2020.
• แม่แบบ:Turing 1950.
• UNESCO Science Report: the Race Against Time for Smarter Development. Paris: UNESCO. 2021. ISBN 978-92-3-100450-6. เก็บจากแหล่งเดิมเมื่อ 18 June 2022. สืบค้นเมื่อ 18 September 2021.
• Vinge, Vernor (1993). "The Coming Technological Singularity: How to Survive in the Post-Human Era". Vision 21: Interdisciplinary Science and Engineering in the Era of Cyberspace: 11. Bibcode:1993vise.nasa...11V. คลังข้อมูลเก่าเก็บจากแหล่งเดิมเมื่อ 1 January 2007. สืบค้นเมื่อ 14 November 2011.
• Wason, P. C.; Shapiro, D. (1966). "Reasoning". ใน Foss, B. M. (บ.ก.). New horizons in psychology. Harmondsworth: Penguin. เก็บจากแหล่งเดิมเมื่อ 26 July 2020. สืบค้นเมื่อ 18 November 2019.
• Weng, J.; McClelland; Pentland, A.; Sporns, O.; Stockman, I.; Sur, M.; Thelen, E. (2001). "Autonomous mental development by robots and animals" (PDF). Science. 291 (5504): 599–600. doi:10.1126/science.291.5504.599. PMID 11229402. S2CID 54131797. เก็บ (PDF)จากแหล่งเดิมเมื่อ 4 September 2013. สืบค้นเมื่อ 4 June 2013 – โดยทาง msu.edu.
• AI & ML in Fusion
• AI & ML in Fusion, video lecture เก็บถาวร 2 กรกฎาคม 2023 ที่ เวย์แบ็กแมชชีน

อ่านเพิ่ม

• Autor, David H., "Why Are There Still So Many Jobs? The History and Future of Workplace Automation" (2015) 29(3) Journal of Economic Perspectives 3.
• Boden, Margaret, Mind As Machine, Oxford University Press, 2006.
• Cukier, Kenneth, "Ready for Robots? How to Think about the Future of AI", Foreign Affairs, vol. 98, no. 4 (July/August 2019), pp. 192–98. George Dyson, historian of computing, writes (in what might be called "Dyson's Law") that "Any system simple enough to be understandable will not be complicated enough to behave intelligently, while any system complicated enough to behave intelligently will be too complicated to understand." (p. 197.) Computer scientist Alex Pentland writes: "Current AI machine-learning algorithms are, at their core, dead simple stupid. They work, but they work by brute force." (p. 198.)
• Domingos, Pedro, "Our Digital Doubles: AI will serve our species, not control it", Scientific American, vol. 319, no. 3 (September 2018), pp. 88–93.
• Gertner, Jon. (2023) "Wikipedia's Moment of Truth: Can the online encyclopedia help teach A.I. chatbots to get their facts right — without destroying itself in the process?" New York Times Magazine (July 18, 2023) online

• Johnston, John (2008) The Allure of Machinic Life: Cybernetics, Artificial Life, and the New AI, MIT Press.
• Jumper, John; Evans, Richard; Pritzel, Alexander; และคณะ (26 August 2021). "Highly accurate protein structure prediction with AlphaFold". Nature. 596 (7873): 583–589. Bibcode:2021Natur.596..583J. doi:10.1038/s41586-021-03819-2. PMC 8371605. PMID 34265844. S2CID 235959867.
• LeCun, Yann; Bengio, Yoshua; Hinton, Geoffrey (28 May 2015). "Deep learning". Nature. 521 (7553): 436–444. Bibcode:2015Natur.521..436L. doi:10.1038/nature14539. PMID 26017442. S2CID 3074096. เก็บจากแหล่งเดิมเมื่อ 5 June 2023. สืบค้นเมื่อ 19 June 2023.
• Gary Marcus, "Artificial Confidence: Even the newest, buzziest systems of artificial general intelligence are stymmied by the same old problems", Scientific American, vol. 327, no. 4 (October 2022), pp. 42–45.
• Mitchell, Melanie (2019). Artificial intelligence: a guide for thinking humans. New York: Farrar, Straus and Giroux. ISBN 9780374257835.
• Mnih, Volodymyr; Kavukcuoglu, Koray; Silver, David; และคณะ (26 February 2015). "Human-level control through deep reinforcement learning". Nature. 518 (7540): 529–533. Bibcode:2015Natur.518..529M. doi:10.1038/nature14236. PMID 25719670. S2CID 205242740. เก็บจากแหล่งเดิมเมื่อ 19 June 2023. สืบค้นเมื่อ 19 June 2023. Introduced DQN, which produced human-level performance on some Atari games.
• Eka Roivainen, "AI's IQ: ChatGPT aced a [standard intelligence] test but showed that intelligence cannot be measured by IQ alone", Scientific American, vol. 329, no. 1 (July/August 2023), p. 7. "Despite its high IQ, ChatGPT fails at tasks that require real humanlike reasoning or an understanding of the physical and social world.... ChatGPT seemed unable to reason logically and tried to rely on its vast database of... facts derived from online texts."
• Serenko, Alexander; Michael Dohan (2011). "Comparing the expert survey and citation impact journal ranking methods: Example from the field of Artificial Intelligence" (PDF). Journal of Informetrics. 5 (4): 629–49. doi:10.1016/j.joi.2011.06.002. เก็บ (PDF)จากแหล่งเดิมเมื่อ 4 October 2013. สืบค้นเมื่อ 12 September 2013.
• Silver, David; Huang, Aja; Maddison, Chris J.; และคณะ (28 January 2016). "Mastering the game of Go with deep neural networks and tree search". Nature. 529 (7587): 484–489. Bibcode:2016Natur.529..484S. doi:10.1038/nature16961. PMID 26819042. S2CID 515925. เก็บจากแหล่งเดิมเมื่อ 18 June 2023. สืบค้นเมื่อ 19 June 2023.
• Ashish Vaswani, Noam Shazeer, Niki Parmar et al. "Attention is all you need." Advances in neural information processing systems 30 (2017). Seminal paper on transformers.
• รศ. ดร. บุญเสริม กิจศิริกุล (2003) "ปัญญาประดิษฐ์ เอกสารคำสอนวิชา 2110654", http://www.cp.eng.chula.ac.th/~boonserm/teaching/artificial.htm .
• รศ. ดร. ประภาส จงสถิตย์วัฒนา เอกสารการสอนเกี่ยวกับ โปรแกรมเชิงพันธุกรรม , ขั้นตอนวิธีเชิงพันธุกรรม และเอกสารอื่น ๆ ที่เกี่ยวข้อง, http://www.cp.eng.chula.ac.th/~piak/ .

แหล่งข้อมูลอื่น

ทั่วไป

• AI web category on Open Directory เก็บถาวร 2008-05-27 ที่ เวย์แบ็กแมชชีน
• Programming:AI เก็บถาวร 2004-05-17 ที่ เวย์แบ็กแมชชีน @ Wikibooks.org
• University of Berkeley AI Resources linking to about 869 other WWW pages about AI เป็นแหล่งที่รวบรวมข้อมูลทาง internet เกี่ยวกับ AI ไว้มากที่สุดแหล่งหนึ่ง
• Loebner Prize website เก็บถาวร 2010-12-30 ที่ เวย์แบ็กแมชชีน
• AIWiki - a wiki devoted to AI.
• AIAWiki - AI algorithms and research.
• Mindpixel "The Planet's Largest Artificial Intelligence Effort"
• OpenMind CommonSense เก็บถาวร 2006-02-08 ที่ เวย์แบ็กแมชชีน "Teaching computers the stuff we all know"
• Artificially Intelligent Ouija Board เก็บถาวร 2005-05-19 ที่ เวย์แบ็กแมชชีน - creative example of human-like AI
• Heuristics and AI in finance and investment เก็บถาวร 2001-12-02 ที่ เวย์แบ็กแมชชีน
• SourceForge Open Source AI projects เก็บถาวร 2008-12-19 ที่ เวย์แบ็กแมชชีน - 1139 projects
• Ethical and Social Implications of AI en Computerization
• AI algorithm implementations and demonstrations
• Marvin Minsky's Homepage
• Why Programming is a Good Medium for Expressing Poorly Understood and Sloppily Formulated Ideas

กลุ่มวิจัย

• German Research Center for Artificial Intelligence หรือ DFKI
• AI Lab, Zurich เก็บถาวร 2005-06-04 ที่ เวย์แบ็กแมชชีน
• Computer Science and Artificial Intelligence Laboratory, MIT
• Department of Informatics, University of Sussex
• School of Informatics, the University of Edinburgh - มหาวิทยาลัยเอดินบะระ
• Knowledge Representation Laboratory เก็บถาวร 2005-04-04 ที่ เวย์แบ็กแมชชีน - สถาบันเทคโนโลยีแห่งเอเชีย
• Intelligent Systems Laboratory (ISL) เก็บถาวร 2005-04-05 ที่ เวย์แบ็กแมชชีน - จุฬาลงกรณ์มหาวิทยาลัย
• Knowledge Information & Data Management Laboratory (KIND) เก็บถาวร 2006-06-10 ที่ เวย์แบ็กแมชชีน - ห้องวิจัยการจัดการข้อมูล, สารสนเทศ, และความรู้ สถาบันเทคโนโลยีนานาชาติสิรินธร (SIIT) มหาวิทยาลัยธรรมศาสตร์
• Image and Vision Computing Laboratory เก็บถาวร 2005-11-08 ที่ เวย์แบ็กแมชชีน ห้องวิจัยการคำนวณภาพและวิทัศน์ สถาบันเทคโนโลยีนานาชาติสิรินธร มหาวิทยาลัยธรรมศาสตร์
• ปิยณัฐ ประถมวงศ์. “การเป็นผู้กระทำร่วม: เมื่อมนุษย์อยู่ร่วมกับปัญญาประดิษฐ์.” ใน ชาญณรงค์ บุญหนุน, คงกฤช ไตรยวงค์ และพัชชล ดุรงค์กวิน (บก.), เอกสารประกอบการประชุมวิชาการระดับชาติ เวทีวิจัยมนุษยศาสตร์ไทย ครั้งที่ 12 ‘อยู่ด้วยกัน’: โลก เทคโนโลยี ความเหลื่อมล้ำ และความเป็นอื่น. หน้า 114-133. ม.ป.ท., 2561.

หน่วยงานและองค์กรที่เกี่ยวข้องกับปัญญาประดิษฐ์

• American Association for Artificial Intelligence
• European Coordinating Committee for Artificial Intelligence
• The Association for Computational Linguistics เก็บถาวร 2005-09-23 ที่ เวย์แบ็กแมชชีน
• Artificial Intelligence Student Union เก็บถาวร 2005-07-28 ที่ เวย์แบ็กแมชชีน
• Association for Uncertainty in Artificial Intelligence
• Singularity Institute for Artificial Intelligence เก็บถาวร 2005-09-16 ที่ เวย์แบ็กแมชชีน
• The Society for the Study of Artificial Intelligence and the Simulation of Behaviour (United Kingdom)