कृत्रिम बुद्धिमत्तेची वैशिष्ट्ये आणि त्याचा इतिहास

तंत्रज्ञानाचे जग आधीच आपल्या दैनंदिन जीवनाचा अविभाज्य भाग आहे आणि कृत्रिम बुद्धिमत्तेची वैशिष्ट्ये समजून घेणे मनोरंजक आहे ज्याने आपल्या जगण्याच्या पद्धतीत फरक केला आहे. तुम्हाला माहिती आहे का की आर्टिफिशियल इंटेलिजन्स ही कॉम्प्युटर सायन्सची एक शाखा आहे? येथे प्रविष्ट करा आणि त्याच्या वैशिष्ट्यांबद्दल जाणून घ्या आणि बरेच काही.

कृत्रिम बुद्धिमत्तेची वैशिष्ट्ये

या भागात आपण आर्टिफिशियल इंटेलिजन्सच्या वैशिष्ट्यांची चर्चा करू. या प्रकरणात, कृत्रिम बुद्धिमत्ता (IA) संगणक विज्ञानाच्या एका शाखेत विकसित केले आहे, जेथे तार्किक अल्गोरिदम लागू केले जातात जे मानवी मेंदूच्या संज्ञानात्मक वर्तनाचे अनुकरण करण्याचा प्रयत्न करतात. अर्थात, कृत्रिम बुद्धिमत्तेची व्याख्या विकसित होत राहते, परंतु शेवटी कृत्रिम बुद्धिमत्तेची सर्व वैशिष्ट्ये सहमत होतील की ते रोबोटिक उपकरणांच्या प्रोग्रामिंगसाठी वापरले जातात.

1956 च्या उन्हाळ्यात, आर्टिफिशियल इंटेलिजन्सच्या समस्येवर लक्ष देण्यासाठी डार्टमाउथ कॉन्फरन्स आयोजित करण्यात आली होती, ज्यामध्ये जॉन मॅककार्थी, मार्विन मिन्स्की आणि क्लॉड शॅनन यांनी भाग घेतला होता. ही मीटिंग आहे जेव्हा आर्टिफिशियल इंटेलिजन्स हा शब्द पहिल्यांदा लागू करण्यात आला होता, जिथे त्यांनी काही अंदाज दहा पर्यंत निर्धारित केले होते. वर्षे पूर्ण झाली नाहीत, म्हणून तपास अंदाजे पंधरा वर्षे सोडून दिला गेला. हे लक्षात घ्यावे की "कृत्रिम बुद्धिमत्ता" हा शब्द जॉन मॅककार्थीला दिला जातो.

हे विचार करणे सोपे आहे की तंत्रज्ञान आणि कृत्रिम बुद्धिमत्ता पूर्णपणे मानवांची जागा घेण्यापूर्वी ही फक्त काही काळाची बाब आहे. खरं तर, असे चित्रपट आणि वास्तविक जीवनातील संशोधक आहेत ज्यांना विश्वास आहे की कृत्रिम बुद्धिमत्ता असलेल्या मशीन्स मानवजातीला वश करण्यास आणि गुलाम बनविण्यास सक्षम असतील. या क्षणी, हे वास्तवापासून खूप दूर आहे, कारण हे तेव्हाच शक्य होईल जेव्हा कृत्रिम बुद्धिमत्तेला जाणीव असेल आणि स्वतः कृत्रिम बुद्धिमत्तेसह नवीन डिव्हाइस तयार करण्याची क्षमता असेल आणि त्याच्या प्रोग्रामिंगच्या आदेशांना बायपास आणि ओव्हरराइड करण्याची क्षमता असेल. स्वतःच्या इच्छेने. त्या वेळी, मनुष्य परिस्थितीवरील नियंत्रण गमावेल.

कृत्रिम बुद्धिमत्ता म्हणजे काय?

1956 मध्ये डार्थमाऊस कॉन्फरन्सच्या वेळीच, जिथे कृत्रिम बुद्धिमत्ता या शब्दाची अधिकृत व्याख्या करण्यात आली होती, ज्यामध्ये हे सिद्ध होते की जर एखादे यंत्र किंवा रोबोट एखाद्या मनुष्याच्या वागणुकीप्रमाणे वागले, तर ते वर्तन म्हणून मानले जाईल. यंत्र. स्मार्ट.

कृत्रिम बुद्धिमत्तेचे श्रेय दिलेल्या इतर व्याख्या खालीलप्रमाणे आहेत:

लोकांसारखे वागा

मॅककार्थीने स्थापित केलेली ही व्याख्या आहे, जी यंत्राच्या वर्तनाचे मूल्यांकन करण्यासाठी ते बुद्धिमान मानले जाऊ शकते की नाही हे निर्धारित करते. तथाकथित "ट्युरिंग टेस्ट" ही व्याख्या त्याच्या चाचणीचे परिणाम परिभाषित करण्यासाठी लागू करते. निर्णय घेणे, समस्या सोडवणे आणि मानवाप्रमाणे शिकणे यासारख्या क्रियांमध्ये समान असलेली सर्व उपकरणे कृत्रिम बुद्धिमत्तेची वैशिष्ट्ये पूर्ण करतात.

अॅलन ट्युरिंगने प्रस्तावित केलेली चाचणी अशी आहे की माणूस नैसर्गिक भाषेत यंत्र आणि मानवाशी संभाषण करेल, मशीन माणसाच्या वागणुकीचे अनुकरण करू इच्छित असेल आणि त्याच्या मूल्यांकनकर्त्याला फसवण्याचा प्रयत्न करेल. त्याच्या उत्तरांद्वारे त्याला विश्वास दिला जातो की तो खरोखर एक माणूस आहे. दुसऱ्या शब्दांत, दरम्यान कृत्रिम बुद्धिमत्तेची वैशिष्ट्ये म्हणजे मानवतेचे अनुकरण करण्याची क्षमता.

अर्थात, परीक्षकाला हे आधीच माहित असले पाहिजे की तो यंत्राशी आणि माणसाशी बोलत आहे आणि खरा माणूस कोणता आणि ढोंगी कोण आहे हे ठरवण्याचा प्रयत्न केला पाहिजे.

या प्रकरणात, बोलण्याची क्षमता विचारात घेतली जाणार नाही, कारण मूल्यांकनकर्त्याला एका वेगळ्या खोलीत ठेवले जाईल जिथे तो संगणकाद्वारे माहिती प्राप्त करेल, त्यामुळे संप्रेषण पूर्णपणे कीबोर्डवर अवलंबून असेल आणि या क्षमतेवर नाही. या अर्थाने, दरम्यान मानवी आवाजाचे अनुकरण करणे हे कृत्रिम बुद्धिमत्तेचे वैशिष्ट्य आहे.

लोकांसारखे कारण

कृत्रिम बुद्धिमत्तेचे आणखी एक वैशिष्ट्य म्हणजे रोबोटद्वारे तयार केलेल्या रेशनिंगच्या विकासाचे मूल्यांकन करणे, मिळालेला निकाल यशस्वी झाला की नाही हे लक्षात न घेता. हे दृश्य संज्ञानात्मक विज्ञानाद्वारे वापरले जाते. या तर्कामध्ये, घटनेचे आकलन, कारण आणि कृती करण्यास सक्षम होण्यासाठी आवश्यक असलेली सर्व गणना अंमलात आणली जाते.

तर्कशुद्ध कारण

मागील व्याख्येप्रमाणे, कृत्रिम बुद्धिमत्तेचे एक वैशिष्ट्य म्हणजे मशीनद्वारे केले जाणारे रेशनिंग, तथापि, या रेशनिंगमध्ये तर्क आणि सुसंगतता आहे की नाही हे लक्षात घेतले जाते, त्यामुळे ते रेशनिंग केले गेले आहे. 

तर्कशुद्धपणे वागा

या दृष्टिकोनातून निकालांचा पुन्हा विचार केला तर. एक उदाहरण म्हणून बुद्धिबळ खेळणारा रोबोट वापरणे, प्रत्येक गेम जिंकणे हे त्याचे ध्येय आहे. कृत्रिम बुद्धिमत्तेचे आणखी एक वैशिष्ट्य म्हणजे गणना करण्याची क्षमता, जी लक्ष्यापर्यंत पोहोचेपर्यंत उदासीन असेल.

कृत्रिम बुद्धिमत्ता वर्गीकरण

कृत्रिम बुद्धिमत्तेचे वर्गीकरण त्याच्या उद्दिष्टांनुसार केले जाऊ शकते. 

कमकुवत कृत्रिम बुद्धिमत्ता

या दृष्टिकोनातून असे मानले जाते की संगणक केवळ त्यांच्याकडे रेशनिंग असल्याचे भासवू शकतात, आणि प्रत्यक्षात त्यांचे स्वतःचे एक आहे असे नाही. या स्थितीचे समर्थन करणारे संशोधक असे मानतात की चेतनेसाठी सक्षम संगणक अस्तित्वात असणे किंवा विकसित करणे शक्य नाही, कारण प्रत्यक्षात हा एक प्रोग्राम असेल जो अशा गोष्टीचे अनुकरण करेल.

मजबूत कृत्रिम बुद्धिमत्ता

दुसरीकडे, असे संशोधक आहेत जे या वस्तुस्थितीची पुष्टी करतात की संगणकामध्ये मानवी मनाच्या समान क्षमतेसह तर्क किंवा विचार असू शकतात. याचा अर्थ असा होईल की संगणक इतर गोष्टींबरोबरच तर्क करू शकेल, कल्पना करू शकेल, अनुभवू शकेल, जरी सर्व काही एखाद्या प्रोग्रामपासून सुरू होत असले तरीही, त्याचे न्यूरल नेटवर्क ते या बिंदूपर्यंत पोहोचेपर्यंत विकसित होऊ शकते.

https://www.youtube.com/watch?v=k3BNEgN2kEQ

आर्टिफिशियल इंटेलिजन्समधील विषय

कृत्रिम बुद्धिमत्तेबद्दलच्या व्याख्या आणि दृष्टिकोन चार मुद्द्यांवर एकत्रित असले तरी, जर एखाद्या उपकरण मशीनमध्ये कृत्रिम बुद्धिमत्ता असेल तर त्याचे श्रेय विचारात घ्या. 

समस्यानिवारण आणि शोध

कृत्रिम बुद्धिमत्तेच्या मुख्य उद्दिष्टांपैकी एक म्हणजे ज्या समस्यांसाठी त्यांची रचना केली गेली आहे ते सोडवणे. प्रथम स्थानावर, समस्या मांडताना, त्यास अशा प्रकारे औपचारिक करणे आवश्यक आहे जे नंतर त्याचे निराकरण करण्यास अनुमती देईल. हा विषय समस्यांचे औपचारिकीकरण आणि त्यांचे निराकरण शोधण्यावर लक्ष केंद्रित करतो.

ज्ञान प्रतिनिधित्व आणि ज्ञान आधारित प्रणाली

हा विषय त्या समस्यांवर लक्ष केंद्रित करतो ज्यांचे निराकरण करण्यासाठी पूर्वीचे ज्ञान आवश्यक आहे. उदाहरणार्थ, जे आर्टिफिशियल इंटेलिजन्स प्रोग्रॅम वैद्यकशास्त्रात लागू केले जातात, त्या विषयाशी संबंधित ज्ञान आणि माहिती समाविष्ट करणे आवश्यक आहे जेणेकरून या विषयातील समस्या सोडवता येतील.

मशीन शिकणे

हा विषय प्राप्त झालेल्या अनुभवांनुसार मशीनद्वारे चालविल्या जाणार्‍या शिकण्याच्या प्रक्रियेचा संदर्भ देतो. शिकण्याचे विविध प्रकार आहेत जसे की अनुकरण शिक्षण, मजबुतीकरण शिक्षण, सखोल शिक्षण किंवा निर्णय वृक्ष आधारित शिक्षण. या सर्व प्रकारचे शिक्षण मशीनला अंतिम उद्दिष्ट पूर्ण झाल्याचा विचार करून केलेल्या क्रिया संग्रहित करण्याची परवानगी देते, सारखीच घटना घडल्यास त्याच क्रिया लागू करण्यासाठी.

प्रबलित शिक्षण

मजबुतीकरण शिक्षण हे प्राण्यांना प्रशिक्षित करण्यासाठी वापरल्या जाणार्‍या समान आहे, म्हणजेच जेव्हा ते एखादे कार्य करतात किंवा ऑर्डरचे योग्यरित्या पालन करतात तेव्हा त्यांना बक्षीस मिळते. या प्रकरणात मशीनला त्याची पहिली ऑर्डर प्राप्त होते आणि त्याला सकारात्मक परिणाम मिळत असल्याने, त्याला निर्णय घेण्यामध्ये सुधारणा करणे सुरू ठेवण्यासाठी प्रोत्साहन म्हणून हे प्राप्त होते. उदाहरणार्थ, यावर अवलंबून रोबोटचे प्रकार तुम्ही बुद्धिबळाचा खेळ जिंकणे हे तुमचे बक्षीस मानू शकता.

खोल शिक्षण

शिकण्याच्या दुसर्‍या प्रकाराला सखोल शिक्षण असे म्हणतात, ज्यामध्ये मानवी मेंदूच्या न्यूरॉन्समध्ये घडणाऱ्या न्यूरल नेटवर्क आणि संप्रेषण प्रक्रियांचे अनुकरण किंवा तत्सम वर्तन शोधले जाते.

उदाहरणार्थ, जेव्हा मानवी शरीरातील नैसर्गिक संवेदक जसे की डोळे, कान, स्पर्श, चव किंवा गंध बदलतात तेव्हा मेंदूला एक सिग्नल पाठविला जातो. हा सिग्नल पहिल्या न्यूरॉनद्वारे प्राप्त केला जातो आणि त्याचे विश्लेषण केले जाते जे खालील न्यूरॉन्समध्ये बदल शोधण्यासाठी संप्रेषण करते आणि अशा प्रकारे घटना आणि प्रतिक्रिया कशी द्यायची हे समजून घेण्यासाठी एक न्यूरोनल क्रम सुरू केला जातो.

अशीच प्रक्रिया उद्भवते जेव्हा, उदाहरणार्थ, चेहर्यावरील ओळख कॅमेरे एखाद्या व्यक्तीला त्यांच्या व्हिज्युअल सेन्सरद्वारे शोधतात, ते सक्रिय केले जाते. चेहरा शोधताना, चेहऱ्याच्या रंगांसारख्या सोप्या डेटाच्या विश्लेषणापासून तार्किक प्रक्रियांचा क्रम सुरू होतो. त्यानंतर, तो चेहरा बनवणाऱ्या भौमितिक आकृत्या निश्चित करण्याचा प्रयत्न करतो. शेवटी, त्या चेहऱ्याला वेगळे करणारे तपशील चांगल्या प्रकारे परिभाषित करण्यासाठी चेहऱ्याला अनेक फ्रेम्समध्ये विभाजित करा.

निर्णयाचे झाड

या प्रकारच्या शिक्षणामध्ये विविध समस्या सोडवण्याच्या योजनांचा वापर केला जातो ज्या माहिती प्राप्त झाल्यावर सक्रिय केल्या जातात. बुद्धिबळ खेळणाऱ्या रोबोचे उदाहरण पुन्हा हाती घेतले तर तो त्याची योजना सुरू करेल ज्यामध्ये त्याच्या प्रतिस्पर्ध्याने पहिला तुकडा हलवला आहे, तेथे तो कोणत्या एका हलव्याच्या आकडेवारीशी संबंधित अनेक गणिते करेल. नंतर, तुमचा विरोधक इतर हालचाली करेल आणि एक नवीन योजना उघडेल जिथे तुम्ही तुमच्या पुढील हालचाली करण्यासाठी पुन्हा गणना कराल.

शेवटी, जेव्हा तो बुद्धिबळाचा खेळ जिंकण्यात यशस्वी होतो, तेव्हा रोबोट भविष्यातील बुद्धिबळ खेळांसाठी त्याने आणि त्याच्या प्रतिस्पर्ध्याने घेतलेले सर्व निर्णय संग्रहित करतो, जेणेकरून जेव्हा अशीच घटना घडते तेव्हा त्याच्याकडे डेटाबेसमध्ये आधीपासूनच आवश्यक माहिती असते. आणि प्रतिसाद देऊ शकतो. अधिक जलद आणि गेम जिंकण्याच्या उच्च टक्केवारीसह.

वितरित कृत्रिम बुद्धिमत्ता

आम्हाला जाणून घेण्याची परवानगी दिलेल्या प्रगतीबद्दल धन्यवाद तंत्रज्ञान कसे कार्य करते, जसे की मल्टीप्रोसेसरची उत्क्रांती आणि इंटरनेटचे स्वरूप, कृत्रिम बुद्धिमत्तेला वितरित उपाय प्रदान करण्यास अनुमती दिली आहे.

कृत्रिम बुद्धिमत्ता अनुप्रयोग

याव्यतिरिक्त, कृत्रिम बुद्धिमत्तेच्या वापराशी जवळून जोडलेल्या चार शाखा आहेत, ज्या आहेत:

• नैसर्गिक भाषा.
• कृत्रिम दृष्टी.
• रोबोटिक.
• भाषण ओळख.

सध्या, कृत्रिम बुद्धिमत्तेच्या क्षेत्रात विशिष्ट अल्गोरिदम किंवा पद्धती वापरणारे विविध अनुप्रयोग विकसित केले गेले आहेत. 

जरी आर्टिफिशियल इंटेलिजन्सच्या अनेक ऍप्लिकेशन्सचा उल्लेख केला जाऊ शकतो, तरीही ज्यामध्ये त्याची उपस्थिती आढळते त्या सर्व गोष्टी कव्हर करणे कठीण होईल, कारण आज दैनंदिन वापरासाठी उपकरणे आहेत किंवा कंपन्या आणि कॉर्पोरेशन्सद्वारे वापरले जाणारे प्रोग्राम आहेत जेथे हे तंत्रज्ञान सापडते.

उदाहरणार्थ, आज एक सुपर कॉम्प्युटर वापरला जात आहे जो अल्गोरिदम वापरत आहे जो कोविड-19 वर उपचार शोधण्यासाठी वेगवेगळ्या औषधांचे संयोजन करतो. हा संगणक लक्षणविज्ञान डेटा, विषाणूची रचना आणि त्याचा प्रतिकार करण्यास सक्षम होण्यासाठी आवश्यक असलेल्या इतर माहितीचे मूल्यमापन करतो आणि अस्तित्वात असलेल्या विविध औषधांचा समावेश असलेल्या डेटाबेसद्वारे, या आजाराच्या रुग्णाला बरा करण्याचा प्रयत्न करत संयोजन तयार करतो. या संयोजनांमुळे होणारे दुष्परिणाम आणि शिफारस केलेले डोस देखील.

दुसरे उदाहरण, एकाधिक शोध इंजिनांद्वारे वापरलेले असू शकते जे प्रत्येक वापरकर्त्याच्या आवडी जाणून घेण्यासाठी शिकण्याची पद्धत वापरतात, हे तुम्हाला वर्तणुकीशी संबंधित प्रोफाइल आणि प्राधान्ये तयार करण्यास अनुमती देते आणि अशा प्रकारे यानुसार जाहिराती प्रदान करण्यास सक्षम होऊ शकतात.

पुढे, आम्ही आर्टिफिशियल इंटेलिजन्सचे काही उत्कृष्ट अॅप्लिकेशन्स सादर करू.

गेममधील अनुप्रयोग

बुद्धिबळातील सर्वोत्तम खेळाडूंनाही पराभूत करण्याची क्षमता असलेला एक रोबोट आहे, कारण हा रोबोट त्यांच्या चालींमध्ये रणनीती स्थापित करण्यासाठी आणि प्रत्येक गेम जिंकण्यासाठी आवश्यक गणिते आणि आकडेवारी पूर्ण करण्याच्या एकमेव उद्देशाने तयार करण्यात आला आहे.

आज व्यावहारिकदृष्ट्या सर्व गेम मशीनद्वारे पराभूत केले गेले आहेत, जरी कृत्रिम बुद्धिमत्ता असलेल्या मशीनद्वारे मारले जाणारे पहिले टेबल गेम चेकर्स आणि ऑथेलो होते. 

दामास

अल्बर्टा विद्यापीठाने 1989 मध्ये जोनाथन शेफरच्या टीमने चिन्नोक नावाचा एक कार्यक्रम विकसित केला आणि 1994 मध्ये तो महिलांमध्ये जागतिक विजेता बनला. चिन्नोक प्रोग्राममध्ये सर्वोत्तम चेकर्स खेळाडूंनी बनवलेल्या चेकर्स गेमच्या ओपनिंग आणि क्लोजिंगचा डेटाबेस आहे.

पुन्हा, 2007 मध्ये हे दर्शविले गेले की जेव्हा गेम उत्तम प्रकारे केला जातो तेव्हा चिन्नोक प्रोग्राम करणे अशक्य आहे. आणि जेव्हा प्रतिस्पर्ध्याच्या रणनीतीमध्ये सुधारणा करून सामना खेळला जातो, तेव्हा जास्तीत जास्त तो या कार्यक्रमाविरुद्ध बरोबरीत पोहोचू शकतो.

बुद्धीबळ

बुद्धिबळाच्या बाबतीत, वर्षानुवर्षे हा खेळ जिंकण्यासाठी विविध नवकल्पना आणि समस्या सोडवण्याचे कार्यक्रम विकसित केले गेले आहेत, तथापि, 1997 मध्ये मे महिन्यात न्यूयॉर्कमध्ये दीप ब्लूने जगज्जेत्या जी. कास्पारोव्हचा पराभव केला होता. 

हे IBM कंपनीने विकसित केलेले एक सॉफ्टवेअर होते ज्यामध्ये विशिष्ट हार्डवेअर आणि डेटाबेस होते ज्यामुळे अंतिम परिस्थिती बोर्डवर सात किंवा त्याहून कमी तुकड्यांसह सादर केल्यावर हा प्रोग्राम उत्तम प्रकारे पूर्ण करणे शक्य झाले. त्याचप्रमाणे, त्याचे शोध अल्गोरिदम, मिनिमॅक्स प्रकार, सर्व भिन्न प्रकरणांमध्ये सर्वोत्तम पर्याय निर्धारित करण्यात सक्षम होते.  

Go

आज हा सार्वजनिक खेळ आहे ज्यामध्ये कृत्रिम बुद्धिमत्तेचे यंत्र मानवी खेळाडूला हरवते, तथापि हे आश्चर्यकारक नाही, कारण काही काळापासून गो हा बुद्धिबळापेक्षाही कठीण आणि गुंतागुंतीचा खेळ मानला जात आहे.

या व्यतिरिक्त, या गेमचे परिमाण देखील अडचण लक्षणीयरीत्या वाढवतात कारण प्रत्येक बोर्डवर किती संभाव्य हालचाली केल्या जाऊ शकतात याचा उल्लेख न करता 361 19 3 चा बोर्ड बनवण्यासाठी 19 पेक्षा जास्त छेदनबिंदू आहेत. 

हा गेम जिंकण्यासाठी सक्षम मशीन नसले तरीही, नऊ बाय नऊच्या परिमाणे असलेल्या बोर्डांना चांगले प्रतिसाद देणारे प्रोग्राम आधीच आहेत आणि बुद्धिबळाच्या खेळासाठी वापरल्या जाणार्‍या शोध अल्गोरिदमच्या विपरीत, या प्रकरणात शोध अल्गोरिदम वापरले जातात. UCT शोध. 

रोबोटिक्स अनुप्रयोग

रोबोट्समध्ये विविध क्षेत्रे आहेत ज्यात ते वेगवान, अधिक कार्यक्षम आणि अचूक उपायांसाठी त्यांचे समर्थन प्रदान करतात, जसे की प्रक्रिया ऑटोमेशन आवश्यक असलेल्या उत्पादन लाइनमध्ये, लष्करी आणि संरक्षण क्षेत्रात आणि अगदी अन्वेषणासाठी देखील. कुतूहलाच्या बाबतीत जागा आहे या ग्रहावरील जीवसृष्टीच्या संभाव्य अस्तित्वाची माहिती गोळा करण्यासाठी सध्या मंगळावर असलेला मोबाईल रोबोट.

आज, असे रोबोट आहेत जे मनोरंजनाचे काम करतात आणि गेममध्ये भाग घेतात, जसे की जपानी पाळीव रोबोट पारो आणि आयबो. पारोच्या बाबतीत, हा एक उपचारात्मक रोबोट आहे जो रुग्णांमधील तणाव पातळी कमी करण्यास मदत करतो आणि त्यांचे सामाजिकीकरण सुधारण्यास मदत करतो. आयबोच्या बाबतीत, हा कुत्र्याच्या आकाराचा रोबोट आहे जो सोनीने विकसित केला आहे, ज्यामध्ये दृष्टी प्रणाली आहे आणि प्रोग्राम करण्यायोग्य आहे. 

शोध आणि टोपण रोबोट

असे मोबाईल रोबोट्स आहेत ज्यांचा वापर प्रतिकूल वातावरणात किंवा भागात शोध, शोध आणि टोपण यासाठी केला जातो. उदाहरणार्थ, चेरनोबिल आण्विक आपत्तीमध्ये वापरल्या गेलेल्या रोबोट्सप्रमाणे ज्याने घटनेमुळे झालेल्या नुकसानाची कल्पना करण्याचा प्रयत्न केला आणि एलिफंट्स फूट नावाच्या रेडिओएक्टिव्ह वस्तुमानाच्या प्रतिमा कॅप्चर करण्यात व्यवस्थापित केले.

किंवा 2004 मध्ये पहिले दोन आणि 2012 मध्ये तिसरे, जे सर्व जैविक, वातावरणीय आणि जैविक प्रक्रियांचे विश्लेषण करण्याचे कार्य पूर्ण करणारे रोबोट्स स्पिरीट, अपॉर्च्युनिटी आणि क्युरिऑसिटी मंगळ ग्रहाच्या पृष्ठभागावर पाठवण्यात आले होते त्यांचा उल्लेख देखील आपण करू शकतो. घटक जे हा ग्रह बनवा. 

1997 मध्ये, होंडा कंपनीने पहिला बायपेडल रोबोट सादर केला, तो म्हणजे दोन हातपायांसह चालण्याची क्षमता आणि त्याला पी3 असे म्हटले गेले. पुन्हा, Honda ने 2000 मध्ये ASIMO रोबोट सादर केला जो इनोव्हेटिव्ह मोबिलिटी मधील अ‍ॅडव्हान्स स्टेपमधून येतो. हा Honda P रोबोट मालिकेचा शेवट होता. हे सर्व रोबोट्स हेतूपुरस्सर माणसाची शारीरिक रचना आणि मोटर क्षमतेसाठी तयार करण्यात आले होते. 

आता, ASIMO धावत आहे की नाही हे बदलू शकते, पायऱ्या चढत आहे आणि अडथळे टाळू शकते आणि अगदी त्याच्या व्हिज्युअल सेन्सर किंवा कॅमेऱ्यांद्वारे ते हलत्या वस्तू, हातवारे आणि मुद्रा ओळखू शकते.

स्मार्ट वाहन अनुप्रयोग

सर्वात अलीकडील नवकल्पनांपैकी एक म्हणजे स्वायत्त प्रवासी वाहने. 

पूर्णपणे स्वयंचलित ड्रायव्हिंग असलेली पहिली मेट्रो जपानच्या सेंदाई शहरात उदयास आली, जी 1987 मध्ये विकसित झाली होती. आज अनेक पूर्णपणे स्वयंचलित मेट्रो प्रणाली आहेत.  

प्रवासी वाहून नेणाऱ्या आणि पूर्णपणे स्वयंचलित असू शकतात अशा वाहनांचे आणखी एक उदाहरण म्हणजे स्टॅनले, जे मोजावे वाळवंटात झालेल्या 2005 DARPA चॅलेंज स्पर्धेचे विजेते होते. स्टॅनलीने साध्य केले जे त्याने 212,4 किलोमीटरचा मार्ग सहा तास 54 मिनिटांत यशस्वीपणे पूर्ण केला. 

नंतर, जॉर्ज एअर फोर्स बेस येथे आयोजित 2007 DARPA ग्रँड चॅलेंजमध्ये, स्टॅनले स्वयंचलित वाहनाने पुन्हा 96 मैलांचा कोर्स यशस्वीपणे पूर्ण केला. या शर्यतीत सहभागी झालेली वाहने रिअल टाइममध्ये कॅलिफोर्निया राज्याच्या वाहतूक नियमांवर प्रक्रिया करण्यास सक्षम होती.

जगाच्या दुसर्‍या भागात, विशेषत: इंटरनॅशनल काँग्रेस सेंटर आणि ब्रॅंडनबर्ग गेट दरम्यान, बर्लिनच्या फ्री युनिव्हर्सिटीने विकसित केलेले मेड इन जर्मनी वाहन 80-किलोमीटरच्या मार्गावर गेले. हे वाहन पूर्णपणे स्वायत्त आहे, त्यात पादचारी आणि ट्रॅफिक लाइट्सची उपस्थिती ओळखण्याची क्षमता आहे. तथापि, त्यासाठी प्रवासाचा वेग यासारखा डेटा आवश्यक आहे. 

मानवरहित हवाई वाहने

मानवरहित एरिअल व्हेईकलच्या क्षीणतेवरून UAV म्हणूनही ओळखले जाते. पॅसिफिक महासागर पार करणारे पहिले मानवरहित हवाई वाहन म्हणजे ग्लोबल ह्वाक. हे 2001 मध्ये एप्रिल महिन्यात केले गेले, ते युनायटेड स्टेट्समध्ये सुरू झाले आणि ऑस्ट्रेलियामध्ये संपले. 

तथापि, हे मॉडेल अद्याप डेटा विश्लेषणासाठी ग्राउंड स्टेशन पायलट आणि इतर ऑपरेटरवर अवलंबून आहे. किंबहुना, 2011 मध्ये वेइसने सूचित केले होते की या प्रणाली, जरी ते मोठ्या प्रमाणात माहिती गोळा करण्यास सक्षम आहेत, तरीही रिअल टाइममध्ये त्यावर प्रक्रिया करण्याची आवश्यक क्षमता नाही आणि त्यामुळे माहितीनुसार इव्हेंटला हुशारीने प्रतिसाद देतात. त्वरित संकलित .

ही वाहने आज ड्रोन म्हणून अधिक प्रसिद्ध आहेत. ड्रोनमध्ये विविध अंतर्गत सेन्सर आणि उपकरणे असतात जी तुम्हाला तुमच्या नेव्हिगेशनमध्ये मदत करतात. उदाहरणार्थ, त्यांच्याकडे भौगोलिक स्थानासाठी एक GPS मॉड्यूल, वायरलेस कनेक्शनसह कॅमेरे, काही मोशन आणि उष्णता सेन्सर्ससह, इतरांसह आहेत. पहिल्या उदाहरणात, हे तंत्रज्ञान लष्करी वापरासाठी उद्भवले, जरी ते आधीच बाजारात आहे.

निष्कर्ष

तंत्रज्ञानाची विविध क्षेत्रे झपाट्याने प्रगत झाली आहेत यात शंका नाही आणि संगणन ही प्रगती यातून सुटत नाही, किंबहुना त्याने विज्ञानाच्या इतर शाखांच्या उत्क्रांतीला चालना दिली आहे. मूरच्या कायद्यानुसार कृत्रिम बुद्धिमत्तेद्वारे प्रदान केलेली गणना क्षमता अठरा महिन्यांच्या कालावधीत दुप्पट होत आहे. 

याचा अर्थ असा होतो की जर मूरचा कायदा कायम राहिला तर 2030 च्या सुमारास प्रोसेसरकडे असणारी संगणकीय शक्ती माणसाच्या समान किंवा कदाचित समान असेल.

Google आणि Amazon सारखी शोध इंजिने त्यांच्या वापरकर्त्यांकडील लाखो माहिती संग्रहित करतात जेणेकरून प्रत्येक व्यक्तीची प्राधान्ये अधिक चांगली सेवा प्रदान करता यावीत. त्यामुळे मोठ्या मेमरी क्षमता असलेल्या सर्व्हरला या डेटामध्ये समान रीतीने रेकॉर्ड करणे आवश्यक आहे.

सोशल नेटवर्क्सना, त्याचप्रमाणे, त्यांच्या आवडीनुसार प्रस्ताव सादर करण्यासाठी त्यांच्या ग्राहकांची प्राधान्ये रेकॉर्ड करण्यासाठी या मोठ्या स्टोरेज क्षमतांची आवश्यकता असते.