mały|Procent błędów przy klasyfikacji obrazów dokonywanej przez SI (niebieskie słupki) i przez człowieka (czerwona linia)
Sztuczna inteligencja jest wykorzystywana w wielu dziedzinach, takich jak diagnostyka medyczna, gra na giełdzie, sterowanie robotami czy automatyczne dowodzenie twierdzeń. Wiele tych zastosowań nie jest jednak traktowanych jako SI, ponieważ termin zwykle kojarzy się z tymi funkcjami ludzkiego umysłu, których jeszcze nie potrafimy odtworzyć w komputerzeKaplan Andreas; Michael Haenlein (2018) Siri, Siri in my Hand, who's the Fairest in the Land? On the Interpretations, Illustrations and Implications of Artificial Intelligence, Business Horizons, 62(1).
W odpowiednio zdefiniowanych warunkach można porównywać wyniki uzyskane przez programy komputerowe z wynikami uzyskiwanymi przez ludzi. Testy takie nazywane są eksperckimi testami Turinga. W ten sposób można wskazywać kolejne problemy, dla których programy znajdują rozwiązania lepiej niż ludzie.
Osiągnięcia SI w rozwiązywaniu problemów Osiągnięcia SI w rozwiązywaniu różnych problemów można podzielić na następujące kategorie: rozwiązane: nie jest możliwe uzyskanie lepszego wyniku nadludzkie: lepsze niż uzyskane przez jakiegokolwiek człowieka mistrzowskie: odpowiadające poziomowi specjalistów w danej dziedzinie ludzkie: odpowiadające poziomowi przeciętnego człowieka słabe: gorsze od większości ludzi
Rozwiązane Kółko i krzyżyk – drzewo gry ma 26830 węzłów, więc nawet prosty program brute force może je łatwo przejrzeć. Czwórki – drzewo gry ma 4,5 biliona pozycji. Strategia optymalna została znaleziona w 1988 roku. Warcaby angielskie – drzewo gry ma 5×1020 pozycji. Strategia optymalna została znaleziona w 2007 roku. Kostka Rubika – istnieje 4×1019 pozycji. W 1995 roku pokazano, że niektóre z nich wymagają 20 ruchów. W 2010 roku sprawdzono, że każdą pozycję da się rozwiązać w nie więcej niż 20 ruchów.
Nadludzkie Pilotowanie myśliwca – w 2016 roku program ALPHA w symulowanych pojedynkach powietrznych wygrywał za każdym razem z ekspertami, nawet pilotując myśliwiec o słabszych parametrach. Diagnostyka raka płuc i zapalenia płuc – w 2013 roku superkomputer Watson poprawnie diagnozował 90% przypadków raka płuc, podczas kiedy przeciętny onkolog 50%. W 2017 roku CheXNet trafniej diagnozował zapalenie płuc od specjalistów. Diagnostyka czerniaka - w 2017 roku najlepsze sieci neuronowe osiągały wyniki takie jak dermatolodzyEsteva, Andre, et al. "Dermatologist-level classification of skin cancer with deep neural networks." Nature 542.7639 (2017): 115.. W 2018 były już od nich lepszeMan against machine: diagnostic performance of a deep learning convolutional neural network for dermoscopic melanoma recognition in comparison to 58 dermatologists. Rozstrzyganie kwestii z zakresu prawa ubezpieczeń gospodarczychW 2017 roku Case Cruncher Alpha poprawnie osądził 86,6% spraw, podczas gdy średnia dla prawników wynosiła 66,3%: i umów poufności. Poker - w 2019 roku program Pluribus (ulepszona wersja Libratusa) wykazał się nadludzkimi wynikami w sześcioosobowej wersji pokera bez limitu, najpopularniejszej odmianie pokera Teleturnieje z pytaniami dotyczącymi ogólnych tematów, takich jak historia, literatura, sztuka, nauka czy sport – w 2011 roku superkomputer Watson pokonał najlepszych graczy w Jeopardy! ScrabbleWorld-championship-caliber Scrabble PuzzleComputer software sets new record for solving jigsaw puzzle ReversiLOGISTELLO's Homepage Szachy – najlepsze programy szachowe osiągają ranking szachowy ponad 3400, podczas gdy najwyższy ranking człowieka to 2882
Mistrzowskie Sterowanie samochodem Tryktrak BrydżRoboBridge – Home KrzyżówkiProverb: The probabilistic cruciverbalist. By Greg A. Keim, Noam Shazeer, Michael L. Littman, Sushant Agarwal, Catherine M. Cheves, Joseph Fitzgerald, Jason Grosland, Fan Jiang, Shannon Pollard, and Karl Weinmeister. 1999. In Proceedings of the Sixteenth National Conference on Artificial Intelligence, 710-717. Menlo Park, Calif.: AAAI Press. Diagnostyka dermatologiczna Tłumaczenie automatyczne
Ludzkie Rozpoznawanie liter Rozpoznawanie mowy – w 2015 roku Baidu ogłosiła, że ich system rozpoznawania mowy Deep Speech 2 rozpoznaje mandaryńskie i angielskie frazy wyrwane z kontekstu lepiej, niż przeciętny człowiek znający oba języki Rozpoznawanie obrazów – w 2015 roku program opracowany przez Microsoft robił 4,94% błędów przy rozpoznawaniu obrazów z otwartej bazy danych ImageNet, podczas gdy ludzie robią średnio 5,1% błędów Czytanie ze zrozumieniem - w 2018 roku program Alibaby SLQA+ i program Microsoftu r-net zdobyły 82,4 i 82,7 punktów w teście składającym się ze 100 tysięcy pytań. Przeciętny wynik człowieka to 82,3. Podobny wynik osiągnął MT-DNN na teście General Language Understanding Evaluation.
Słabe Analiza sensowności obrazu polegająca na identyfikowaniu jako dziwne zdjęć przedstawiających doniczkę w miejscu klawiatury lub łączeniu nieprzystających fragmentów zdjęć (łączenie przystających fragmentów jest możliwe dla systemów komputerowych dzięki analizie kolorów i linii) Większość prac wykonywanych przez ludzi (patrz paradoks Moraveca).
Przypisy
*