SECINĀJUMI
1. Eksistē jau relatīvi daudz programmētāju veidoti mākslīgā intelekta risinājumi.
2. Vislielākā problēma ir tā, ka tikai ļoti neliela daļa no šiem mākslīgā intelekta risinājumiem ir aprakstīta, turklāt apraksts bieži vien ir vispārīgs. Vislabāk aprakstīti ir tie aģenti, kuru izstrādātāji to ir veidojuši akadēmiskiem mērķiem.
3. Spēļu problēmas analīze liek domāt, ka mākslīgā intelekta risinājuma izveide šīm spēlēm ir ļoti sarežģīta, jo tajā varētu būt jāpielieto sarežģītas mašīnmācīšanās un matemātiskās statistikas tehnikas. Tomēr tas tā nebūt nav.
4. Mākslīgā intelekta problēmu nevar atrisināt, izmantojot vienu tehniku.
5. Katrā zināšanu apgabalā problēma ir jāsadala daudz mazās daļiņās, kur kādā no tām iespējams var pielietot kādu mašīnmācīšanās algoritmu.
6. Mākslīgā intelekta aģenta izstrādes arhitektūrā pārsvarā dominē milti-aģentu sistēmas. Spēle tiek sadalīta dažādās apakšproblēmās, un katrs arhitektūras aģents risina kādu apakšproblēmu.
7. Nereti aģenti var dot konfliktējošus rīkojumus, kurus nākas prioritizēt. Bet tos prioritizējot, sistēma vienalga nespēj apzināt, cik lielā mērā rīkojumi ir konfliktējuši, jo konfliktus parasti pamana tikai sūtot divus dažādus rīkojumus par vienu un to pašu spēles objektu uz spēles dzinēju.
8. Aģenta izveide, kas spētu mācīties no nulles un palikt labākam ar laiku, joprojām paliek atklāta problēma. Pašreizējie aģenti prot tikai tās stratēģijas un taktikas, kas tajos jau ir iekodētas. Tieši šī iemesla dēļ šķietami pārākos mākslīgā intelekta aģentus, kas izmanto mašīnmācīšanās paņēmienus, var sakaut vienkārši un uz vienu stratēģiju vērsti aģenti.
9. Mākslīgā intelekta aģenti pārspēj cilvēkus uzmanības noturēšanā, nenoguršanā, precīzā un ātrā darbību izpildē. Tomēr tie nespēj sacensties ar cilvēku ilgtermiņā. Aģentiem pietrūkst izpratnes par to, ko viņi dara, tādējādi zaudējot cilvēkiem intelektuālā līmenī.
…
