INTELIGENCIA ARTIFICIAL2400 años después                    ING. JUAN ROMANELLA
Inteligencia NaturalProcesar a gran velocidadMultiplicidad de sensoresComparación con información almacenadaCombinación de...
Inteligencia ArtificialModelado y simulación de actividadescognitivas              representar     comunicar observar     ...
Fundamentos FilosóficosFundamentos MatemáticosFundamentos PsicológicosFundamentos deIngeniería Computacional
Fundamentos Filosóficos
Platón           Algoritmo de EutidemoAristóteles      SilogismosRene Descartes   DualismoBlas Pascal      Intuición e Ins...
Fundamentos Matemáticos
Computación   máquina de Turing 1936Lógica   Aristoteles 430 AC   Boole 1847Probabilidad   Gerolamo Cardano 1530
Teoría de las decisiones   John von Neumann 1944
Fundamentos Psicológicos
Procesos cognitivosMemoriaAtenciónConocimientoPercepciónRazonamientoAsociaciónInterpretación
Fundamentos deingeniería computacional
RamasMáquinas InteligentesHerramientas de Simulación
RamasActividad RacionalSEModelos ComputacionalesRNA
Sistemas ExpertosResultadosGestión del conocimiento
Sistemas IAComo hacerPorque HacerCuando HacerPara que Hacer  Aprendizaje y Adaptabilidad
Ingeniería      computacionalInteligenciaArtefacto
De la ingeniería    computacional a la IAPascal 1650Leibnitz 1654Babbage 1820Turing 1940
De la IAa la ingeniería computacionalMulti TaskingBase de datos relacionadasAdministración automática de memoriaProgramaci...
Sistemas que piensan como humanosSistemas que actúan como humanosSistemas que piensan racionalmenteSistemas que actúan rac...
sensores           percepcionesambiente                  Arquitectura           acciones        + programa                ...
Acercamiento por       modelosLos HomunculisEntradas, salidas y cajas negrasRedesRedes con peso
REDESNEURONALESBIOLÓGICAS
Neurona y conexiones     sinápticas  1011 NEURONAS con 1014 SINAPSIS
Sinápsis
Activación neuronal
Los microtúbulos son cilindros   huecos de 25 nm de diámetro. Sus paredes son hexágonos de la         proteína tubulina. C...
Tubulina
MicrotúbuloExtremo -        Extremo +   Tubulina                             α                             Tubulina βProto...
EL MICROTÚBULO
Computadora de QubitsSistema sensorialSistema efector
El pensamiento humano no essolo racional sino tambiénemotivoEl accionar humano no es solomecánico sino motivacional
La emoción, el deseo, la motivación yel bienestar propio y de la especieguían la conducta humana inteligente.La emoción po...
Y la pregunta        fundamental...El sistema inteligente serádesarrollado en una computadorao en un ordenador?La intelige...
Diferenciascognoscitivas
Cerebros femeninos ymasculinostienen funciones,habilidadesy prioridades distintas
Diferencias     cognoscitivasLos hombres se destacan: Tareas espaciales Razonamiento matemático Recorridos en rutas pre...
Estas diferencias persisten con la evolución.La cultura y la educación pueden atenuarlaspero no transformarlasSe objetivan...
Significado Paleológico Hombre cazaba sólo. Desarrolló         Competencia,         cálculo de distancia,         visión t...
Significado PaleológicoMujer recolectaba frutos y cuidaba a la cría. Desarrolló     Cooperación,     visión periférica,   ...
Significado paleológico   de las diferenciasMujer programada para parir defender a la prole mantener la armoníaCerebro ...
Significado paleológico   de las diferenciasHombre programado para cazar, guerrear, proteger, proveer materialmenteCer...
REDESNEURONALESARTIFICIALES
HistoriaSimulación de red neuronal (1956)ADALINE, MADALINE (1959)PERCEPTRON (1962)Incapacidad XOR (1969)Memorias asociativ...
Modelo de unidad de     proceso
Unidad de proceso   electrónica      Dos amplificadores operacionales     son una neurona artificial analógica         e=e...
Modelo de unidad deproceso ponderada
Neuronas Biológicas yUnidades de Proceso Neuronas                  Unidades de proceso Conexiones sinápticas     Conexione...
REDES NEURONALESNEURONAMATRIZ DE PESOS      Determina el comportamiento de la red
CAPAS DE NEURONASENTRADA   OCULTAS        SALIDA    Red de peso de conexión
RED DE PESO DE CONEXION           Lateral   Atras               Adelante            entradas
LATERALESWAT: GANADOR TOMA TODOCOLAPSO DE ONDACLASE. MODO QUE GANA
RETARDOMODELOS CON MEMORIA
ADELANTEPRECONCIENCIA A CONCIENCIA
ATRASMECANISMO DE REFUERZO
RED MULTICAPACAPAS OCULTAS      SE CUANTIFICA COMO PESO
ARQUITECTURASACON: all class in one networkOCON: one class in one network
TAMAÑO Y RAPIDEZ de las REDES  PESO SINAPTICO             ACON (N+n).K                             OCON N (n+1).K  TIEMPO ...
Función lineal de base
Función radial de base
Función de activaciónLinealesUmbralNo LinealesGaussianaSigmoidal
Función de activación      Sigmoidal
Función de activación      Sigmoidal
Función de activación1.Acomodación de señales muy intensas sin producir saturación.2.Admite señales débiles sin excesiva a...
Función Gaussiana
Como implementar una        RNA
ASOCIACION   CLASIFICACIONFORMULACION PROBLEMAALGORITMO DE ANALISIS  MODELO NEURAL   ARQUITECTURA  IMPLEMENTACION
ASOCIACION   CLASIFICACIONFORMULACION PROBLEMAALGORITMO DE ANALISIS  MODELO NEURAL   ARQUITECTURA  IMPLEMENTACION
ASOCIACIONAUTO        recupera un patrón                 dada informaciónparcialHETERO      recupera un conjunto de       ...
ASOCIACION   CLASIFICACIONFORMULACION PROBLEMAALGORITMO DE ANALISIS  MODELO NEURAL   ARQUITECTURA  IMPLEMENTACION
CLASIFICACION de RNANO SUPERVISADA         solo se basa en entradasSUPERVISADA        interpola entre entradas y salidas
CLASIFICACIONSUPERVISADA          conjunto de muestras de          entrenamiento
CLASIFICACIONRED ENTRENADA SUPERVISADA         interpolación suaveRED ENTRENADA SUPERVISADA         regla delta
CLASIFICACIONNO SUPERVISADA     redes de peso fijo     sin adaptación a ambientes cambiantes
CLASIFICACIONRNA No Supervisadas modernas Aprendizaje por componentes principales Aprendizaje competitivo Códigos demográf...
ASOCIACION   CLASIFICADORFORMULACION PROBLEMAALGORITMO DE ANALISIS  MODELO NEURAL   ARQUITECTURA  IMPLEMENTACION
FORMULACION            PROBLEMA- VISION ARTIFICIAL- PROCESADO DE IMÁGENES- PROCESADO DE SEÑALES- RECONOCIMIENTO DEL HABLA-...
ASOCIACION   CLASIFICADORFORMULACION PROBLEMAALGORITMO DE ANALISIS  MODELO NEURAL   ARQUITECTURA  IMPLEMENTACION
ALGORITMO DE           ANALISIS Modelos linealesSuman ruido  Modelos no linealesEliminan perturbacioness=Σbim ti de todas ...
ALGORITMO DE       ANALISISHumedad                             UmbralTemperatura                         RuidoVibración   ...
ASOCIACION   CLASIFICADORFORMULACION PROBLEMAALGORITMO DE ANALISIS  MODELO NEURAL   ARQUITECTURA  IMPLEMENTACION
Modelo NeuralMemorias HeteroasociativasCompetitivasAdaptación ProbabilísticaPesos fijos
PERCEPTRON1º sistema con memoriasheteroasociativas                          Σ    Salida                      Perceptron   ...
Redes CompetitivasSimulación neurofisiológica del córtexcerebralSimilitud en métodos estadísticos deanálisis de clusters
Redes Competitivas       aob   a         b   A         B
Redes de Adaptación    ProbabilísticaPesos de conexiones precalculadosOperaciones no linealesActualización iterativaMinimi...
Redes de Pesos FijosFiltrosRecuperación de patrones
ASOCIACION   CLASIFICADORFORMULACION PROBLEMAALGORITMO DE ANALISIS  MODELO NEURAL   ARQUITECTURA  IMPLEMENTACION
ArquitecturaACONOCONNuevas Redes
Nuevas redesRed de memoria retroasociativad            c       A           B
Nuevas redesRedes de memoria asociativad           c      A            B
ASOCIACION   CLASIFICADORFORMULACION PROBLEMAALGORITMO DE ANALISIS  MODELO NEURAL   ARQUITECTURA  IMPLEMENTACION
Implementación Insecto ElectrónicoHardware dedicado 20000 neuronas Gato ElectrónicoHardware evolutivo 1 millón de neuronas...
Implementación                                                                  “Correlato neural”                        ...
Implementación                                                    Hexápodo en 3-D                                         ...
ImplementaciónHardware evolutivo        C                C    A       B        A       B
ImplementaciónCompuertas matriciales de campo    A B         B   D    C   D       A C
ImplementaciónROBOKONEKO 32768 módulos neurales                Módulo Neural               180 axones                 1152...
Implementación  Gato Electrónico106 neuronas 104 sinapsis     102 1/s sw  Robokoneko107 neuronas 104 sinapsis     103 1/s ...
ImplementaciónComparativamente con un procesadorPentium IV de 2,5 Gb realizando 109operaciones por segundoEl Gato Electrón...
Tecnologías encomputación neuronalSimuladores de SoftwareAceleradores de HardwareChips de SilicioProcesadores OpticosBio C...
Tecnologías encomputación neuronal       Simuladores de SoftwareSimples de implementar con cualquierlenguajeLibrerías C++M...
Tecnologías encomputación neuronal     Aceleradores de HardwareMark III y IV   8100 unidades de proceso                   ...
Tecnologías encomputación neuronal            Chips de SilicioENN           256 neuro transistores              100000 sin...
Tecnologías encomputación neuronal        Procesadores ÓpticosModuladores de luzOpto electrónica integradaLlaves ópticas n...
Tecnologías encomputación neuronal              Bio ChipsDNAPROTEINASANTICUERPOS
Lógica DifusaRobot           1920MáquinaHumanoideTrabajadorInteligente                Karel Capec
Lógica DifusaSistema anticipatorioIf         Then                          modelo   sistema                         predic...
Lógica Difusavariable del  evento                        determinismo   probabilidad               pasado       futuro    ...
Lógica difusa     bajo   medio   alto            µA(x)
Lógica DifusaHeuristically programmed Algorythmic computerIBM 10000
Lógica Difusa   Brazo robot
Lógica Difusa   Brazo robot
Lógica Difusa   Brazo robot
Lógica difusa      Control de posición      Estacionamiento      automático      Frenos ABS      Cajas de cambio      Auto...
El Futuro  La teletransportaciónPrimera computadora de quantumsT          A    BT          A    B T   A          BT    A  ...
El Futuro  Primer computadora de quantums3 átomos- 272,7 ºC  Computadora de quantums práctica500 a 5000 átomosTemperatura ...
Con la Inteligencia aparece la certeza de la finitud y la búsqueda de la trascendencia.¿Las computadoras tendrán sentido d...
En el mundo del carbono,primero surgen las emocionesy los sentimientosy más tarde la inteligencia.En el mundo del silicio,...
MUCHAS     GRACIASNo basta con alcanzar la sabiduría,   es necesario saber utilizarla                  Marco Tulio Cicerón...
Inteligencia artificial 2006
Inteligencia artificial 2006
Inteligencia artificial 2006
Inteligencia artificial 2006
Inteligencia artificial 2006
Inteligencia artificial 2006
Upcoming SlideShare
Loading in …5
×

Inteligencia artificial 2006

391 views

Published on

Published in: Education
0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total views
391
On SlideShare
0
From Embeds
0
Number of Embeds
1
Actions
Shares
0
Downloads
8
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

Inteligencia artificial 2006

  1. 1. INTELIGENCIA ARTIFICIAL2400 años después ING. JUAN ROMANELLA
  2. 2. Inteligencia NaturalProcesar a gran velocidadMultiplicidad de sensoresComparación con información almacenadaCombinación de informaciónRespuestas correctas o incorrectasNo necesita instrucciones explícitas
  3. 3. Inteligencia ArtificialModelado y simulación de actividadescognitivas representar comunicar observar memorizar recuperar calcular aplicar procedimientos comprender CREAR comparar relacionar ordenar clasificar analizar sintetizar elaborar hipótesis resolver problemas interpretarinferir conceptualizar planificar evaluar transferir
  4. 4. Fundamentos FilosóficosFundamentos MatemáticosFundamentos PsicológicosFundamentos deIngeniería Computacional
  5. 5. Fundamentos Filosóficos
  6. 6. Platón Algoritmo de EutidemoAristóteles SilogismosRene Descartes DualismoBlas Pascal Intuición e InstintosNewell y Simon Programación
  7. 7. Fundamentos Matemáticos
  8. 8. Computación máquina de Turing 1936Lógica Aristoteles 430 AC Boole 1847Probabilidad Gerolamo Cardano 1530
  9. 9. Teoría de las decisiones John von Neumann 1944
  10. 10. Fundamentos Psicológicos
  11. 11. Procesos cognitivosMemoriaAtenciónConocimientoPercepciónRazonamientoAsociaciónInterpretación
  12. 12. Fundamentos deingeniería computacional
  13. 13. RamasMáquinas InteligentesHerramientas de Simulación
  14. 14. RamasActividad RacionalSEModelos ComputacionalesRNA
  15. 15. Sistemas ExpertosResultadosGestión del conocimiento
  16. 16. Sistemas IAComo hacerPorque HacerCuando HacerPara que Hacer Aprendizaje y Adaptabilidad
  17. 17. Ingeniería computacionalInteligenciaArtefacto
  18. 18. De la ingeniería computacional a la IAPascal 1650Leibnitz 1654Babbage 1820Turing 1940
  19. 19. De la IAa la ingeniería computacionalMulti TaskingBase de datos relacionadasAdministración automática de memoriaProgramación orientada a objetos
  20. 20. Sistemas que piensan como humanosSistemas que actúan como humanosSistemas que piensan racionalmenteSistemas que actúan racionalmente
  21. 21. sensores percepcionesambiente Arquitectura acciones + programa efectores
  22. 22. Acercamiento por modelosLos HomunculisEntradas, salidas y cajas negrasRedesRedes con peso
  23. 23. REDESNEURONALESBIOLÓGICAS
  24. 24. Neurona y conexiones sinápticas 1011 NEURONAS con 1014 SINAPSIS
  25. 25. Sinápsis
  26. 26. Activación neuronal
  27. 27. Los microtúbulos son cilindros huecos de 25 nm de diámetro. Sus paredes son hexágonos de la proteína tubulina. Cada tubulina tiene forma de un “maní “de dímeros de 8 nm constituidos por monómeros alfa y beta.Los microtúbulos son los mayores componentes del citoesqueletoy se auto.reúnen para determinar la forma y función celular. Cristalografía por rayos X . Amos y Klug. 1974
  28. 28. Tubulina
  29. 29. MicrotúbuloExtremo - Extremo + Tubulina α Tubulina βProtofilamento
  30. 30. EL MICROTÚBULO
  31. 31. Computadora de QubitsSistema sensorialSistema efector
  32. 32. El pensamiento humano no essolo racional sino tambiénemotivoEl accionar humano no es solomecánico sino motivacional
  33. 33. La emoción, el deseo, la motivación yel bienestar propio y de la especieguían la conducta humana inteligente.La emoción por quién, el deseo haciaqué, la motivación hacia donde y elbienestar de quién guiará la conductade los sistemas inteligentes?
  34. 34. Y la pregunta fundamental...El sistema inteligente serádesarrollado en una computadorao en un ordenador?La inteligencia artificial tendrá uncerebro masculino o unofemenino?
  35. 35. Diferenciascognoscitivas
  36. 36. Cerebros femeninos ymasculinostienen funciones,habilidadesy prioridades distintas
  37. 37. Diferencias cognoscitivasLos hombres se destacan: Tareas espaciales Razonamiento matemático Recorridos en rutas predeterminadasLas mujeres presentan: Mayor velocidad perceptual Mayor fluidez verbal Más recuerdos de los detalles de una ruta Más velocidad en trabajos manuales de precisión. Mejor significación de la expresión facial y reconocimiento de caras
  38. 38. Estas diferencias persisten con la evolución.La cultura y la educación pueden atenuarlaspero no transformarlasSe objetivan en tests neuropsicológicos y enneuroimágenes de alta resolución Lopez Mato 03, modificado de Pease
  39. 39. Significado Paleológico Hombre cazaba sólo. Desarrolló Competencia, cálculo de distancia, visión tubular, percepción de sonidos graves, detección de movimientos lejanos, piel gruesa.Comunicación corta y fuerte Pease A y B
  40. 40. Significado PaleológicoMujer recolectaba frutos y cuidaba a la cría. Desarrolló Cooperación, visión periférica, percepción de sonidos agudos, detección de movimientos cercanos, piel fina con mayor tacto. Comunicación verbal y paraverbal acentuada Pease A y B
  41. 41. Significado paleológico de las diferenciasMujer programada para parir defender a la prole mantener la armoníaCerebro femenino fue programado paranutrir, educar, proveer cariño y amor Pease A y B
  42. 42. Significado paleológico de las diferenciasHombre programado para cazar, guerrear, proteger, proveer materialmenteCerebro masculino está determinado aintentar resolver problemas. Pease A y B
  43. 43. REDESNEURONALESARTIFICIALES
  44. 44. HistoriaSimulación de red neuronal (1956)ADALINE, MADALINE (1959)PERCEPTRON (1962)Incapacidad XOR (1969)Memorias asociativas (década del 70)PDP (década del 80)
  45. 45. Modelo de unidad de proceso
  46. 46. Unidad de proceso electrónica Dos amplificadores operacionales son una neurona artificial analógica e=excitación; i=inhibición; h=dintel -- Beer se aparta de este modelo Carlos von der Becke- - - - - - - - - - - - - - - - - - - - 9 U. FASTA- ---- --------- --------------------------------------------------------------- ------------------------------------------------------------- Foundations of Artificial Intelligence
  47. 47. Modelo de unidad deproceso ponderada
  48. 48. Neuronas Biológicas yUnidades de Proceso Neuronas Unidades de proceso Conexiones sinápticas Conexiones ponderadas Efectividad de las Peso de las conexiones sinápsis Excitación o inhibición Signo del peso Sinápsis combinadas Función de propagación Activación por tasa de Activación por salida disparo
  49. 49. REDES NEURONALESNEURONAMATRIZ DE PESOS Determina el comportamiento de la red
  50. 50. CAPAS DE NEURONASENTRADA OCULTAS SALIDA Red de peso de conexión
  51. 51. RED DE PESO DE CONEXION Lateral Atras Adelante entradas
  52. 52. LATERALESWAT: GANADOR TOMA TODOCOLAPSO DE ONDACLASE. MODO QUE GANA
  53. 53. RETARDOMODELOS CON MEMORIA
  54. 54. ADELANTEPRECONCIENCIA A CONCIENCIA
  55. 55. ATRASMECANISMO DE REFUERZO
  56. 56. RED MULTICAPACAPAS OCULTAS SE CUANTIFICA COMO PESO
  57. 57. ARQUITECTURASACON: all class in one networkOCON: one class in one network
  58. 58. TAMAÑO Y RAPIDEZ de las REDES PESO SINAPTICO ACON (N+n).K OCON N (n+1).K TIEMPO ENTRENAMIENTOPara N chico: ACON ~ OCONPara N grande: OCON + peso y + velocidad
  59. 59. Función lineal de base
  60. 60. Función radial de base
  61. 61. Función de activaciónLinealesUmbralNo LinealesGaussianaSigmoidal
  62. 62. Función de activación Sigmoidal
  63. 63. Función de activación Sigmoidal
  64. 64. Función de activación1.Acomodación de señales muy intensas sin producir saturación.2.Admite señales débiles sin excesiva atenuación3.Fácilmente derivable, ya que
  65. 65. Función Gaussiana
  66. 66. Como implementar una RNA
  67. 67. ASOCIACION CLASIFICACIONFORMULACION PROBLEMAALGORITMO DE ANALISIS MODELO NEURAL ARQUITECTURA IMPLEMENTACION
  68. 68. ASOCIACION CLASIFICACIONFORMULACION PROBLEMAALGORITMO DE ANALISIS MODELO NEURAL ARQUITECTURA IMPLEMENTACION
  69. 69. ASOCIACIONAUTO recupera un patrón dada informaciónparcialHETERO recupera un conjunto de patrones dado unpatrón
  70. 70. ASOCIACION CLASIFICACIONFORMULACION PROBLEMAALGORITMO DE ANALISIS MODELO NEURAL ARQUITECTURA IMPLEMENTACION
  71. 71. CLASIFICACION de RNANO SUPERVISADA solo se basa en entradasSUPERVISADA interpola entre entradas y salidas
  72. 72. CLASIFICACIONSUPERVISADA conjunto de muestras de entrenamiento
  73. 73. CLASIFICACIONRED ENTRENADA SUPERVISADA interpolación suaveRED ENTRENADA SUPERVISADA regla delta
  74. 74. CLASIFICACIONNO SUPERVISADA redes de peso fijo sin adaptación a ambientes cambiantes
  75. 75. CLASIFICACIONRNA No Supervisadas modernas Aprendizaje por componentes principales Aprendizaje competitivo Códigos demográficos Aprendizaje reforzado
  76. 76. ASOCIACION CLASIFICADORFORMULACION PROBLEMAALGORITMO DE ANALISIS MODELO NEURAL ARQUITECTURA IMPLEMENTACION
  77. 77. FORMULACION PROBLEMA- VISION ARTIFICIAL- PROCESADO DE IMÁGENES- PROCESADO DE SEÑALES- RECONOCIMIENTO DEL HABLA- RECONOCIMIENTO DE CARACTERES- SISTEMAS EXPERTOS- ANALISIS DE IMÁGENES MEDICAS- CONTROL REMOTO- CONTROL DE ROBOTS- INSPECCION INDUSTRIAL- EXPLORACION
  78. 78. ASOCIACION CLASIFICADORFORMULACION PROBLEMAALGORITMO DE ANALISIS MODELO NEURAL ARQUITECTURA IMPLEMENTACION
  79. 79. ALGORITMO DE ANALISIS Modelos linealesSuman ruido Modelos no linealesEliminan perturbacioness=Σbim ti de todas las unidades ocultas
  80. 80. ALGORITMO DE ANALISISHumedad UmbralTemperatura RuidoVibración Factores de DistracciónDisconfort s Salida de otras redes Funciones de probabilidad Asociacion Errores
  81. 81. ASOCIACION CLASIFICADORFORMULACION PROBLEMAALGORITMO DE ANALISIS MODELO NEURAL ARQUITECTURA IMPLEMENTACION
  82. 82. Modelo NeuralMemorias HeteroasociativasCompetitivasAdaptación ProbabilísticaPesos fijos
  83. 83. PERCEPTRON1º sistema con memoriasheteroasociativas Σ Salida Perceptron Fotocélulas
  84. 84. Redes CompetitivasSimulación neurofisiológica del córtexcerebralSimilitud en métodos estadísticos deanálisis de clusters
  85. 85. Redes Competitivas aob a b A B
  86. 86. Redes de Adaptación ProbabilísticaPesos de conexiones precalculadosOperaciones no linealesActualización iterativaMinimiza la función de energía
  87. 87. Redes de Pesos FijosFiltrosRecuperación de patrones
  88. 88. ASOCIACION CLASIFICADORFORMULACION PROBLEMAALGORITMO DE ANALISIS MODELO NEURAL ARQUITECTURA IMPLEMENTACION
  89. 89. ArquitecturaACONOCONNuevas Redes
  90. 90. Nuevas redesRed de memoria retroasociativad c A B
  91. 91. Nuevas redesRedes de memoria asociativad c A B
  92. 92. ASOCIACION CLASIFICADORFORMULACION PROBLEMAALGORITMO DE ANALISIS MODELO NEURAL ARQUITECTURA IMPLEMENTACION
  93. 93. Implementación Insecto ElectrónicoHardware dedicado 20000 neuronas Gato ElectrónicoHardware evolutivo 1 millón de neuronas RobokonecoCompuertas matriciales de efecto de campo 40 millones de neuronas
  94. 94. Implementación “Correlato neural” de PERIPLANETACarlos von der Becke- - - - - - - - - - - - - - - - - - - - 70U. FASTA- ---- -------------------------------------------------------------------------------------------------------------------------------------Foundations of Artificial Intelligence
  95. 95. Implementación Hexápodo en 3-D uno de los tantos robots hexapódicosCarlos von der Becke- - - - - - - - - - - - - - - - - - - - 72U. FASTA- ---- -------------------------------------------------------------------------------------------------------------------------------------Foundations of Artificial Intelligence
  96. 96. ImplementaciónHardware evolutivo C C A B A B
  97. 97. ImplementaciónCompuertas matriciales de campo A B B D C D A C
  98. 98. ImplementaciónROBOKONEKO 32768 módulos neurales Módulo Neural 180 axones 1152 neuronas por módulo 450 millones de transistores por módulo
  99. 99. Implementación Gato Electrónico106 neuronas 104 sinapsis 102 1/s sw Robokoneko107 neuronas 104 sinapsis 103 1/s sw Cerebro1011 neuronas 107 tubulinas 109 1/s sw
  100. 100. ImplementaciónComparativamente con un procesadorPentium IV de 2,5 Gb realizando 109operaciones por segundoEl Gato Electrónico realiza 1000 conexionesmas por unidad de tiempoRobokoneko o un gato real realizan 100000conexiones mas por unidad de tiempoEl cerebro realiza 1000000000000000000 (unTrillón) de conexiones mas por unidad detiempo
  101. 101. Tecnologías encomputación neuronalSimuladores de SoftwareAceleradores de HardwareChips de SilicioProcesadores OpticosBio Chips
  102. 102. Tecnologías encomputación neuronal Simuladores de SoftwareSimples de implementar con cualquierlenguajeLibrerías C++MatlabMathematicaP3 (LISP)
  103. 103. Tecnologías encomputación neuronal Aceleradores de HardwareMark III y IV 8100 unidades de proceso 417000 conexionesNEP para PCANZA 1500000 conexionesDELTA II 11000000 conexiones
  104. 104. Tecnologías encomputación neuronal Chips de SilicioENN 256 neuro transistores 100000 sinapto resistoresSilicon RetinaSilicon Ear
  105. 105. Tecnologías encomputación neuronal Procesadores ÓpticosModuladores de luzOpto electrónica integradaLlaves ópticas no linealesResonadores ópticos de fase variable
  106. 106. Tecnologías encomputación neuronal Bio ChipsDNAPROTEINASANTICUERPOS
  107. 107. Lógica DifusaRobot 1920MáquinaHumanoideTrabajadorInteligente Karel Capec
  108. 108. Lógica DifusaSistema anticipatorioIf Then modelo sistema predictivo presente probabilidad
  109. 109. Lógica Difusavariable del evento determinismo probabilidad pasado futuro tiempo
  110. 110. Lógica difusa bajo medio alto µA(x)
  111. 111. Lógica DifusaHeuristically programmed Algorythmic computerIBM 10000
  112. 112. Lógica Difusa Brazo robot
  113. 113. Lógica Difusa Brazo robot
  114. 114. Lógica Difusa Brazo robot
  115. 115. Lógica difusa Control de posición Estacionamiento automático Frenos ABS Cajas de cambio Autofocus de cámaras
  116. 116. El Futuro La teletransportaciónPrimera computadora de quantumsT A BT A B T A BT A B Blatt, Wineland, et al 2004
  117. 117. El Futuro Primer computadora de quantums3 átomos- 272,7 ºC Computadora de quantums práctica500 a 5000 átomosTemperatura ambiente
  118. 118. Con la Inteligencia aparece la certeza de la finitud y la búsqueda de la trascendencia.¿Las computadoras tendrán sentido de muerte y buscarán un dios?
  119. 119. En el mundo del carbono,primero surgen las emocionesy los sentimientosy más tarde la inteligencia.En el mundo del silicio,primero surgirá la inteligenciay a lo mejor, bastante más tardelas emociones y los sentimientos. Andrea Romanella
  120. 120. MUCHAS GRACIASNo basta con alcanzar la sabiduría, es necesario saber utilizarla Marco Tulio Cicerón 106 – 43 ac

×