ประวัติศาสตร์ AI และปัญหาพื้นฐาน

กรอบที่กว้างที่สุดคือปัญญาประดิษฐ์ วิธีการหนึ่งภายในนั้นคือแมชชีนเลิร์นนิง และในนั้นวิธีที่ใช้นิวรัลเน็ตเวิร์กซึ่งซ้อนชั้นลึกคือดีปเลิร์นนิง ในหลักสูตรทั้ง 3 คำนี้ถูกจัดเป็นคำสำคัญของหัวข้อ "1. นิยามของปัญญาประดิษฐ์" คำอธิบายที่วางแมชชีนเลิร์นนิงหรือดีปเลิร์นนิงไว้เป็นกรอบที่กว้างที่สุดมีทิศทางการครอบคลุมที่สลับกัน คำอธิบายที่ว่าทั้ง 3 เป็นอิสระต่อกันก็ไม่สอดคล้องกับข้อเท็จจริงที่ดีปเลิร์นนิงเป็นวิธีหนึ่งภายในแมชชีนเลิร์นนิง

การแบ่งระดับของปัญญาประดิษฐ์ออกเป็น 4 ประเภท ถูกยกไว้ในเป้าหมายของหัวข้อ "1. นิยามของปัญญาประดิษฐ์" ว่าคือ "โปรแกรมควบคุมแบบง่าย" "ปัญญาประดิษฐ์แบบคลาสสิก" "แมชชีนเลิร์นนิง" "ดีปเลิร์นนิง" สิ่งที่ทำงานตามการจับคู่เงื่อนไขกับการกระทำที่กำหนดไว้ล่วงหน้าเท่านั้นคือโปรแกรมควบคุมแบบง่าย ตรงกับกลไกอย่างเครื่องปรับอากาศที่เปิดปิดตามอุณหภูมิที่ตั้งไว้ ปัญญาประดิษฐ์แบบคลาสสิกคือสิ่งที่เลือกการกระทำจากการแยกกรณีหรือการค้นหาและความรู้ที่สะสมไว้ แมชชีนเลิร์นนิงคือสิ่งที่เรียนรู้กฎเกณฑ์จากข้อมูล และดีปเลิร์นนิงคือส่วนที่ใช้เครือข่ายซ้อนชั้นลึกในนั้น ซึ่งทั้งหมดนี้อยู่ในขั้นที่ก้าวหน้ากว่าขั้นที่มนุษย์เขียนการตอบสนองไว้ครบทุกกรณี

AI effect คือปรากฏการณ์ที่เมื่อกลไกของปัญญาประดิษฐ์ถูกเปิดเผยและเข้าใจกันมากขึ้น กลับถูกมองว่า "นี่เป็นเพียงการประมวลผลอัตโนมัติ ไม่ใช่สติปัญญา" ทำให้การประเมินคุณค่าลดลง ในหลักสูตรระบุไว้ชัดเจนในเป้าหมายของหัวข้อ "1. นิยามของปัญญาประดิษฐ์" ว่า "สามารถอธิบาย AI effect ได้" การถกเถียงเกี่ยวกับจุดเปลี่ยนที่ปัญญาประดิษฐ์เหนือกว่าสติปัญญามนุษย์คือ Singularity ซึ่งเป็นคำสำคัญของหัวข้อ "2. ปัญหาที่ถูกถกเถียงในสาขาปัญญาประดิษฐ์" แนวโน้มที่ประสิทธิภาพเพิ่มขึ้นตามปริมาณข้อมูล และสภาวะที่แสดงเหตุผลไม่ได้ ล้วนเป็นหัวข้ออื่นที่ไม่ใช่ AI effect

เอเจนต์หมายถึงมุมมองที่มองปัญญาประดิษฐ์เป็นตัวแสดงที่สังเกตสภาพแวดล้อม และเลือกการกระทำถัดไปด้วยตนเองเพื่อมุ่งสู่เป้าหมาย เป็นคำที่ใช้จับปัญญาประดิษฐ์จากมุมมอง "มีพฤติกรรมอย่างไร" มากกว่า "สร้างขึ้นด้วยกลไกแบบใด" ในหลักสูตรถูกวางไว้เป็นคำสำคัญของหัวข้อ "1. นิยามของปัญญาประดิษฐ์" เรียงคู่กับปัญญาประดิษฐ์ แมชชีนเลิร์นนิง ดีปเลิร์นนิง และ AI effect ทางเข้าสำหรับการดำเนินการบนหน้าจอ ผู้ที่จัดเตรียมข้อมูล และกลไกให้เช่าทรัพยากรการประมวลผล ล้วนไม่ใช่สิ่งที่คำนี้ชี้ถึง

ImageNet เป็นชุดข้อมูลขนาดใหญ่ที่ติดฉลากการจำแนกให้กับรูปภาพจำนวนมาก ส่วน ILSVRC เป็นการแข่งขันที่ใช้ชุดข้อมูลนั้นในการแข่งขันความแม่นยำของการจดจำภาพ ในหลักสูตรทั้งสองถูกวางไว้เป็นคำสำคัญของหัวข้อ "6. ดีปเลิร์นนิง" และใช้เป็นวัตถุดิบในการอธิบายว่าดีปเลิร์นนิงพัฒนามาอย่างไร ไม่ใช่สองชื่อเรียกที่ตั้งให้โมเดลเดียวกัน และไม่ใช่ความสัมพันธ์แบบมาตรฐานฉลากกับสนามตัดสิน สิ่งที่เกี่ยวข้องกับหมากล้อมคืออัลฟาโกะ (AlphaGo) ซึ่งเป็นคำสำคัญของหัวข้อย่อยเดียวกันแต่เป็นคนละอย่าง

LeNet เป็นนิวรัลเน็ตเวิร์กที่ใช้การคอนโวลูชัน สร้างขึ้นเพื่อจดจำตัวเลขที่เขียนด้วยลายมือ ในหลักสูตรถูกวางไว้เป็นคำสำคัญของหัวข้อ "6. ดีปเลิร์นนิง" สิ่งที่เอาชนะนักหมากล้อมมืออาชีพระดับสูงคืออัลฟาโกะ (AlphaGo) ชุดข้อมูลขนาดใหญ่ที่ติดฉลากให้กับรูปภาพจำนวนมากคือ ImageNet และสิ่งที่สร้างข้อความหรือรูปภาพขึ้นใหม่คือ Generative AI ซึ่งล้วนเป็นคำสำคัญอื่นที่เรียงอยู่ในหัวข้อย่อยเดียวกัน ควรจำไม่ใช่แค่ชื่อ แต่จำควบคู่กับว่าเป็นสิ่งที่มุ่งเน้นอะไร

อัลฟาโกะ (AlphaGo) เป็นโปรแกรมที่เอาชนะนักหมากล้อมมืออาชีพระดับสูงในการแข่งขันหมากล้อม ในหลักสูตรถูกวางไว้เป็นคำสำคัญของหัวข้อ "6. ดีปเลิร์นนิง" เรียงคู่กับ ImageNet, ILSVRC, LeNet, Neocognitron, Generative AI เป็นต้น เนื่องจากเป้าหมายของหัวข้อย่อยนี้คือ "สามารถอธิบายประวัติศาสตร์การพัฒนาของดีปเลิร์นนิงได้" จึงควรจำแต่ละชื่อควบคู่กับว่าเป็นตัวอย่างของฉากใดในการพัฒนา การถอดเสียงพูด การอ่านตัวเลขลายมือ และการสรุปข้อความ ล้วนไม่ใช่ผลงานที่อัลฟาโกะแสดงให้เห็น

หุ่นยนต์หมายถึงเครื่องจักรที่มีร่างกายเอง ส่วนปัญญาประดิษฐ์คือส่วนที่รับผิดชอบการตัดสินใจภายในนั้น ทั้งสองอาจซ้อนทับกันได้แต่ไม่ใช่สิ่งเดียวกัน มีปัญญาประดิษฐ์จำนวนมากที่ทำงานด้วยซอฟต์แวร์เพียงอย่างเดียวโดยไม่มีร่างกาย และในทางกลับกันก็มีหุ่นยนต์ที่เพียงแค่ทำซ้ำการเคลื่อนไหวที่กำหนดไว้โดยไม่มีปัญญาประดิษฐ์อยู่ด้วยเช่นกัน คำอธิบายที่สลับด้านผู้ตัดสินใจกับร่างกายจึงมีทิศทางที่กลับกัน และไม่ใช่การแบ่งตามการเรียนรู้หรือแบ่งตามความแตกต่างของสาขา

Neocognitron เป็นโมเดลที่ได้แรงบันดาลใจจากการทำงานของวงจรประสาทมนุษย์ พยายามจัดการข้อมูลด้านการมองเห็นเป็นขั้นตอนด้วยการซ้อนหลายชั้น การที่หลักสูตรวางวงจรประสาทมนุษย์และ Neocognitron ไว้เป็นคำสำคัญของหัวข้อ "6. ดีปเลิร์นนิง" เดียวกัน สามารถอ่านได้ว่าเพื่อให้เข้าใจว่าแนวคิดการซ้อนหลายชั้นนั้นมาจากไหน ไม่ใช่ว่าการเดินสายของวงจรประสาทถูกนำมาสร้างเป็นวงจรคอมพิวเตอร์โดยตรง และไม่ใช่ว่าการวิจัยวงจรประสาทถูกไขความกระจ่างจนสมบูรณ์แล้ว สิ่งที่เกี่ยวข้องกับหมากล้อมคืออัลฟาโกะ (AlphaGo) ในหัวข้อย่อยเดียวกัน

การค้นหาและการอนุมานคือขั้นตอนที่มนุษย์เป็นผู้ประกอบขั้นตอนวิธีแก้ปัญหาขึ้นเอง การแทนความรู้และระบบผู้เชี่ยวชาญคือขั้นตอนที่มนุษย์เขียนความรู้ของผู้เชี่ยวชาญออกมา แมชชีนเลิร์นนิงและดีปเลิร์นนิงคือขั้นตอนที่ให้ข้อมูลเป็นผู้เรียนรู้กฎเกณฑ์ กล่าวคือ เป็นกระแสที่น้ำหนักเปลี่ยนจากฝั่งที่มนุษย์เขียนออกมา ไปเป็นฝั่งที่ให้ข้อมูลเป็นผู้เรียนรู้ ทั้งนี้ คำเรียกที่นับกระแสนี้เป็น "ครั้งที่เท่าไร" ไม่เคยปรากฏในหลักสูตรเลย ห้องเรียนนี้จึงเรียกด้วยชื่อของหัวข้อย่อยโดยตรง การเปลี่ยนแปลงของรูปแบบข้อมูล สถานที่ประมวลผล และผู้ดำเนินการวิจัย ไม่ใช่สิ่งที่การเรียงลำดับนี้แสดงถึง

การประชุมดาร์ตมัธเป็นการประชุมวิจัยที่จัดขึ้นในปี 1956 ถือเป็นงานที่คำว่า artificial intelligence (ปัญญาประดิษฐ์) ถูกใช้ในที่สาธารณะเป็นครั้งแรก การทดสอบที่แยกแยะมนุษย์กับเครื่องจักรด้วยการโต้ตอบผ่านตัวอักษรเท่านั้น ถูกเสนอไว้ในบทความของทัวริงในปี 1950 ซึ่งเป็นเหตุการณ์แยกต่างหากที่เกิดก่อนการประชุมดาร์ตมัธ ตัวเลือกที่เชื่อมโยงสองอย่างนี้เข้าด้วยกันเป็นความผิดพลาดที่พบบ่อย จึงควรจำปีและเหตุการณ์แยกจากกัน การวิจัยระบบผู้เชี่ยวชาญและวิธีการเรียนรู้ของเครือข่ายที่ซ้อนชั้นลึก ล้วนเป็นหัวข้อที่เกิดขึ้นภายหลังการประชุมนี้

การทดสอบของทัวริงเป็นวิธีการตัดสินที่ว่า หากผู้ตัดสินไม่สามารถแยกแยะมนุษย์กับเครื่องจักรได้จากการโต้ตอบผ่านตัวอักษรเท่านั้น ก็ให้ถือว่าเครื่องจักรนั้นมีสติปัญญา จุดสำคัญคือไม่ได้ให้นิยามของสติปัญญาเอง แต่เป็นข้อเสนอที่จะตัดสินจากพฤติกรรมที่มองเห็นจากภายนอก การแข่งขันที่นำการทดสอบนี้มาจัดจริงในรูปแบบการแข่งขันคือ Loebner Prize ซึ่งเป็นคำสำคัญของหัวข้อย่อยเดียวกันเช่นกัน ไม่ใช่ขั้นตอนที่ตรวจสอบกลไกภายใน และไม่ใช่วิธีคำนวณที่ประเมินช่วงเวลา

ห้องจีนเป็นการทดลองทางความคิดที่ตั้งสมมติฐานว่า คนที่เพียงแค่เรียงสัญลักษณ์ตามคู่มือนั้นไม่ได้เข้าใจภาษาจีน จึงยืนยันว่าแม้พฤติกรรมจะแยกแยะจากมนุษย์ไม่ได้ ก็ไม่ได้แปลว่ามีความเข้าใจเสมอไป กล่าวคือเป็นการวิพากษ์การทดสอบของทัวริง และถูกนำมาใช้เป็นข้อโต้แย้งต่อจุดยืนของ Strong AI ที่ยอมรับว่ามีจิตใจหรือความเข้าใจ การอ่านว่าถูกนำมาแสดงเป็นหลักฐานสนับสนุน Strong AI นั้นมีทิศทางที่กลับกัน ซึ่งเป็นจุดที่มักเข้าใจผิดกันบ่อย ไม่ใช่เรื่องความเร็วในการจัดการสัญลักษณ์ และไม่ใช่เรื่องข้อได้เปรียบของวิธีการแปลภาษาด้วยเครื่อง

Strong AI กับ Weak AI เป็นการแบ่งตามว่าเครื่องจักรมีจิตใจหรือความเข้าใจหรือไม่ Strong AI คือจุดยืนที่มองว่าเครื่องจักรเข้าใจจริง ๆ ส่วน Weak AI คือจุดยืนที่มองว่าเป็นเพียงเครื่องมือที่ทำท่าเหมือนเข้าใจเท่านั้น ในทางกลับกัน ทั่วไปกับเฉพาะทางคือการแบ่งตามความกว้างของขอบเขตงานที่ใช้งานได้ ซึ่งเป็นแกนที่แตกต่างกันโดยสิ้นเชิง ดังนั้นการที่ขอบเขตการใช้งานกว้างจึงไม่ได้แปลว่ามีจิตใจ คำอธิบายที่สลับสองอย่างนี้จึงมีทิศทางกลับกัน และปริมาณข้อมูล ทรัพยากรการประมวลผล ความเร็วในการประมวลผล ค่าใช้จ่ายในการพัฒนา ล้วนไม่ใช่เกณฑ์ของการแบ่งแยกใดทั้งสองอย่าง

ปัญหากรอบคือปัญหาที่ไม่สามารถจำกัดวงเฉพาะสิ่งที่เกี่ยวข้องได้ในเวลาจำกัดว่า เมื่อลงมือทำการกระทำหนึ่งแล้ว อะไรจะเปลี่ยนและอะไรจะไม่เปลี่ยน กล่าวโดยสรุปคือปัญหาการจำกัดขอบเขตของความเกี่ยวข้อง เรื่องการเชื่อมโยงสัญลักษณ์กับความหมายในโลกจริงคือปัญหาการอ้างอิงสัญลักษณ์ (Symbol Grounding Problem) เรื่องงานเขียนความรู้ที่มีปริมาณมหาศาลคือคอขวดการได้มาซึ่งความรู้ (Knowledge Acquisition Bottleneck) และเรื่องที่แก้ได้เฉพาะปัญหาภายใต้เงื่อนไขจำกัดคือปัญหาของเล่น (Toy Problem) ซึ่งล้วนเป็นคำสำคัญอื่นที่เรียงอยู่ในหัวข้อย่อยเดียวกัน

ปัญหาการอ้างอิงสัญลักษณ์คือปัญหาว่าระบบจะเชื่อมโยงสัญลักษณ์กับความหมายในโลกจริงที่มันชี้ถึงได้อย่างไร มักถูกอธิบายในรูปแบบที่ว่า แม้จะมีคำว่า "ม้าลาย" และความรู้ว่า "ม้าที่มีลาย" อยู่ ก็ไม่ได้หมายความว่าจะเชื่อมโยงกับสิ่งของจริงตรงหน้าได้เสมอไป ปัญหาที่ไม่สามารถจำกัดวงเฉพาะสิ่งที่เกี่ยวข้องได้คือปัญหากรอบ (Frame Problem) ซึ่งสองปัญหานี้มักถูกถามคู่กัน กายภาพนิยม (Embodiment) เป็นจุดยืนที่ว่าอาจต้องมีการโต้ตอบกับสิ่งแวดล้อมผ่านร่างกาย ซึ่งเป็นแนวทางหนึ่งในการตอบปัญหานี้ เรื่องการประกอบขั้นตอน การสะท้อนกลับของข้อมูล และจำนวนคุณลักษณะ ล้วนไม่ใช่สิ่งที่คำนี้ชี้ถึง

กายภาพนิยมเป็นจุดยืนที่ว่า การที่สติปัญญาจะเกิดขึ้นได้อาจต้องอาศัยประสบการณ์การโต้ตอบกับสิ่งแวดล้อมผ่านร่างกาย ถูกพูดถึงในฐานะแนวทางตอบปัญหาการอ้างอิงสัญลักษณ์ที่ว่าสัญลักษณ์ไม่เชื่อมโยงกับความหมายในโลกจริง ว่าการมีร่างกายและสัมผัสโลกต่างหากที่สร้างการเชื่อมโยงนั้นขึ้นมา ไม่ใช่ข้ออ้างที่ว่าต้องมีรูปร่างเป็นหุ่นยนต์จึงจะใช้งานได้จริง ไม่ใช่เรื่องที่ถูกกำหนดโดยประสิทธิภาพของชิ้นส่วน และไม่ใช่ขั้นตอนที่ต้องแทนการเคลื่อนไหวของร่างกายด้วยสมการ

ปัญหาของเล่นชี้ถึงปัญหาที่จำกัดขอบเขต โดยกฎและสถานะถูกกำหนดไว้ชัดเจน ตัดความซับซ้อนของโลกจริงออกไป มักถูกใช้ในบริบทที่ว่า ปัญหารูปแบบนี้อย่างเขาวงกตหรือปริศนาแก้ได้ก็จริง แต่ไปไม่ถึงปัญหาในโลกจริงที่เงื่อนไขไม่ชัดเจน ควรระวังว่าไม่ได้แปลว่า "ปัญหาง่าย" แต่หมายถึงเงื่อนไขที่ทำให้โลกจริงเรียบง่ายลง ไม่ใช่สื่อการเรียนสำหรับเด็ก ไม่ใช่ปัญหายากที่ยังไม่มีคำตอบ และไม่ใช่ปัญหาที่ปริมาณการคำนวณมากเกินไป

คอขวดการได้มาซึ่งความรู้คือปัญหาที่ปริมาณและความยากของงานเขียนความรู้ของผู้เชี่ยวชาญออกมาเป็นรูปแบบกฎด้วยมือกลายเป็นกำแพง จนวิธีการสะสมความรู้ไม่แพร่หลาย จุดสำคัญคือสาเหตุไม่ได้อยู่ที่การขาดแคลนทรัพยากรการประมวลผล ข้อมูล หรือการสื่อสาร แต่อยู่ที่ความยากลำบากของงานเขียนความรู้เอง หนึ่งในความพยายามที่จะลดภาระนี้คือระบบสัมภาษณ์ (Interview System) ที่ถูกยกไว้ในหัวข้อ "4. การแทนความรู้และระบบผู้เชี่ยวชาญ" ของหลักสูตร

การแปลภาษาด้วยเครื่องแบบใช้กฎเป็นวิธีที่คนเขียนกฎไวยากรณ์และพจนานุกรมเพื่อประกอบคำแปล ส่วนการแปลภาษาด้วยเครื่องเชิงสถิติเป็นวิธีที่เลือกคำแปลที่น่าจะเป็นไปได้จากสถิติของข้อมูลคู่แปลจำนวนมาก กระแสที่เปลี่ยนจากวิธีที่มนุษย์เขียนออกมาไปเป็นวิธีที่ให้ข้อมูลเป็นผู้เรียนรู้ ปรากฏให้เห็นในหัวข้อการแปลนี้เช่นกัน คำอธิบายที่สลับสองอย่างนี้มีทิศทางที่กลับกัน ไม่ใช่ความแตกต่างของหน่วยที่ใช้แปลหรือความแตกต่างของภาษาพูดกับภาษาเขียน ทั้งนี้การแปลภาษาด้วยเครื่องเชิงสถิติยังถูกยกไว้ในหัวข้อ "27. การประมวลผลภาษาธรรมชาติ" นอกเหนือจากหัวข้อย่อยนี้ด้วย

การค้นหาแบบกว้างก่อนจะตรวจสอบโหนดทั้งหมดที่อยู่ในความลึกเดียวกันตามลำดับจากใกล้ราก ก่อนที่จะไปยังความลึกถัดไป สามารถหาคำตอบที่อยู่ในระดับตื้นที่สุดได้ก่อน แต่จำนวนโหนดที่ต้องจดจำมีแนวโน้มเพิ่มขึ้น การค้นหาแบบลึกก่อนจะดำดิ่งลงไปเท่าที่ไปได้ในคราวเดียว แล้วย้อนกลับเมื่อถึงทางตันเพื่อลองใหม่ ใช้หน่วยความจำน้อยกว่าแต่คำตอบแรกที่พบไม่จำเป็นต้องเป็นคำตอบที่ตื้นที่สุด คำอธิบายที่สลับสองอย่างนี้มีทิศทางที่กลับกัน การเลือกกิ่งแบบสุ่มคือแนวคิดของวิธีมอนติคาร์โล ส่วนการเดินจากใบไปยังรากไม่ตรงกับทั้งสองวิธี

วิธี Mini-Max เป็นวิธีที่คิดว่าในเกมที่สองฝ่ายผลัดกันเดิน ฝ่ายตนเองจะเลือกเดินที่ดีที่สุดสำหรับตนเอง ส่วนฝ่ายตรงข้ามจะเลือกเดินที่แย่ที่สุดสำหรับฝ่ายเรา แล้วส่งค่าของสถานการณ์ที่อยู่ล่วงหน้ากลับมาทีละขั้น วิธี αβ เป็นเทคนิคที่ตัดกิ่งที่รู้อยู่แล้วว่าตรวจสอบต่อไปก็ไม่ทำให้ผลสรุปเปลี่ยนแปลงทิ้งไประหว่างการค้นหานั้น เพื่อลดปริมาณที่ต้องตรวจสอบ ไม่ใช่แนวคิดการประเมินที่แยกจากวิธี Mini-Max ไม่ใช่ขั้นตอนที่สร้างต้นไม้การค้นหาขึ้นมาเอง และไม่ใช่ขั้นตอนที่ตรวจทานผลลัพธ์ในภายหลัง

Brute Force เป็นวิธีที่ตรวจสอบทุกความเป็นไปได้ของการเดินที่มีอยู่ทั้งหมดทีละอย่าง หากมีคำตอบก็จะพบแน่นอน แต่เมื่อจำนวนของการเดินเพิ่มขึ้น จำนวนชุดผสมจะเพิ่มขึ้นอย่างรวดเร็วจนไม่สามารถทำเสร็จได้ในเวลาที่เป็นจริง ด้วยเหตุนี้จึงต้องมีเทคนิคลดขอบเขตที่ตรวจสอบ ซึ่งเป็นที่มาของวิธี αβ เป็นต้น วิธีที่ตรวจสอบตามลำดับคะแนนของกิ่งที่มีแนวโน้ม แนวคิดของวิธีมอนติคาร์โลที่ลองแบบสุ่ม และวิธีที่บันทึกผลลัพธ์ระหว่างทางเพื่อนำมาใช้ซ้ำ ล้วนไม่ใช่ Brute Force เอง โจทย์อย่างหอคอยฮานอยที่สถานะและกฎชัดเจน ถูกยกไว้ในหลักสูตรในฐานะแบบฝึกหัดของการค้นหาลักษณะนี้

SHRDLU เป็นงานวิจัยที่ให้จัดการโลกของบล็อกไม้บนหน้าจอด้วยคำสั่งภาษา แสดงให้เห็นว่าคำสั่งภาษาใช้ได้ผลในโลกที่จำกัดเงื่อนไข STRIPS เป็นแนวคิดที่เขียนการกระทำในรูปแบบ "เงื่อนไขก่อนดำเนินการ" และ "สิ่งที่เปลี่ยนหลังดำเนินการ" แล้วประกอบลำดับการกระทำเพื่อไปสู่สถานะเป้าหมาย การจับคู่ที่สลับสองอย่างนี้มีทิศทางที่กลับกัน การลองซ้ำแบบสุ่มคือวิธีมอนติคาร์โล ส่วนการตัดกิ่งคือวิธี αβ การประเมินโครงสร้างโมเลกุลจากผลการวิเคราะห์มวลสารคือ DENDRAL และการวินิจฉัยโรคติดเชื้อแบคทีเรียคือมัยซิน (MYCIN) ซึ่งทั้งสองนี้ถูกวางไว้ในหัวข้อ "4. การแทนความรู้และระบบผู้เชี่ยวชาญ"

อีไลซา (ELIZA) เป็นโปรแกรมสนทนาที่ประกอบคำตอบตามรูปแบบของประโยคที่ป้อนเข้ามา ถูกยกเป็นตัวอย่างที่แสดงให้เห็นว่า แม้จะไม่เข้าใจเนื้อหาก็ยังดูเหมือนมนุษย์ได้ การประเมินโครงสร้างโมเลกุลจากข้อมูลการวิเคราะห์มวลสารคือ DENDRAL การวินิจฉัยโรคติดเชื้อแบคทีเรียและแนะนำยาปฏิชีวนะคือมัยซิน (MYCIN) ความพยายามระยะยาวที่เขียนความรู้สามัญคือโครงการไซค์ (Cyc) ซึ่งล้วนเป็นคำสำคัญอื่นที่เรียงอยู่ในหัวข้อย่อยเดียวกัน ควรระวังไม่ให้สับสนระหว่างสิ่งที่วินิจฉัยกับสิ่งที่สนทนา

มัยซิน (MYCIN) เป็นระบบผู้เชี่ยวชาญที่วินิจฉัยโรคติดเชื้อแบคทีเรียและแนะนำยาปฏิชีวนะที่เหมาะสม จัดการสาขาการแพทย์ สิ่งที่ประเมินโครงสร้างโมเลกุลของสารประกอบอินทรีย์จากข้อมูลการวิเคราะห์มวลสารในสาขาเคมีคือ DENDRAL สิ่งที่ท้าทายข้อสอบเข้ามหาวิทยาลัยคือ Todai Robot Project สิ่งที่แข่งขันกับมนุษย์ในการตอบคำถาม (Question-Answering) ในรายการทายปัญหาคือวัตสัน (Watson) การจับคู่ระหว่างชื่อกับสาขามักถูกถามโดยตรง จึงควรจำเป็นคู่กัน

DENDRAL เป็นระบบผู้เชี่ยวชาญในยุคแรกที่ประเมินโครงสร้างโมเลกุลของสารประกอบอินทรีย์ที่ไม่รู้จักจากข้อมูลการวิเคราะห์มวลสาร สาขาคือเคมี และมักถูกถามคู่กับมัยซิน (MYCIN) ที่จัดการสาขาการแพทย์ โครงการไซค์เป็นความพยายามระยะยาวที่เขียนความรู้สามัญของมนุษย์ต่อเนื่อง วัตสันเป็นกลไกการตอบคำถาม (Question-Answering) และ Todai Robot Project เป็นโครงการที่ท้าทายข้อสอบเข้ามหาวิทยาลัย ซึ่งล้วนเป็นสิ่งอื่นที่เรียงอยู่ในหัวข้อย่อยเดียวกัน

is-a คือความสัมพันธ์เชิงชั้นบนล่าง เช่น "สุนัขเป็นสัตว์" ที่แสดงว่าแนวคิดระดับล่างถูกรวมอยู่ในแนวคิดระดับบน has-a คือความสัมพันธ์ที่มีส่วนประกอบ เช่น "รถยนต์มียาง" ที่มองจากทั้งหมดไปยังส่วนประกอบ part-of คือความสัมพันธ์ที่เป็นส่วนหนึ่ง เช่น "ยางเป็นส่วนหนึ่งของรถยนต์" ที่มองจากส่วนประกอบไปยังทั้งหมด has-a กับ part-of เป็นการมองความเชื่อมโยงเดียวกันจากทิศทางตรงข้าม จึงควรระวังไม่ให้สลับทิศทาง ความหมายเดียวกัน ความหมายตรงข้าม และลำดับ ไม่ใช่ความสัมพันธ์ที่ทั้ง 3 คำนี้แสดงถึง

คำสาปแห่งมิติคือปรากฏการณ์ที่ยิ่งจำนวนคุณลักษณะที่จัดการ หรือมิติ เพิ่มขึ้น ข้อมูลยิ่งกระจายตัวอยู่ห่างกันในพื้นที่นั้น และปริมาณข้อมูลที่จำเป็นในการรักษาความหนาแน่นเท่าเดิมยิ่งเพิ่มขึ้นอย่างรวดเร็ว ความแตกต่างของระยะห่างระหว่างจุดต่าง ๆ ก็ยากที่จะเกิดขึ้นเช่นกัน คำอธิบายที่ว่ายิ่งลดคุณลักษณะยิ่งต้องการข้อมูลมากขึ้นมีทิศทางที่กลับกัน ส่วนความสอดคล้องกับข้อมูลฝึกและความสัมพันธ์ระหว่างทรัพยากรการประมวลผลกับความแม่นยำเป็นหัวข้ออื่น ทั้งนี้ในหลักสูตร คำนี้ถูกวางไว้ในหัวข้อ "5. แมชชีนเลิร์นนิง" ไม่ใช่ "7. การเรียนรู้แบบมีผู้สอน"

วิธีการแบบใช้กฎคือมนุษย์เขียนออกมาว่าเงื่อนไขแบบใดจะนำไปสู่ข้อสรุปแบบใด เพราะทำงานตามที่เขียนไว้ จึงแสดงเหตุผลของการตัดสินใจได้ง่าย แต่ยิ่งกรณีพิเศษเพิ่มขึ้นก็ยิ่งเขียนไม่ทัน แมชชีนเลิร์นนิงค้นหากฎเกณฑ์จากข้อมูล จึงรับมือกับการแยกกรณีจำนวนมากที่เขียนไม่ทันได้ แต่ก็แสดงเหตุผลของการตัดสินใจได้ยากขึ้น และต้องการข้อมูลที่มีทั้งคุณภาพและปริมาณ คำอธิบายที่สลับสองอย่างนี้มีทิศทางที่กลับกัน ฝั่งที่แสดงเหตุผลได้ง่ายคือวิธีการแบบใช้กฎ ตัวกรองสแปม ระบบแนะนำ และการประมวลผลภาษาธรรมชาติเชิงสถิติ เป็นตัวอย่างการประยุกต์ใช้แมชชีนเลิร์นนิงที่ถูกยกไว้ในหัวข้อย่อยนี้