Естественный и искусственный интеллект

• нисходящий (англ. Top-Down AI), семиотический — создание экспертных систем, баз знаний и систем логического вывода, имитирующих высокоуровневые психические процессы: мышление, рассуждение, речь, эмоции, творчество и т. д.;
• восходящий (англ. Bottom-Up AI), биологический — изучение нейронных сетей и эволюционных вычислений, моделирующих интеллектуальное поведение на основе биологических элементов, а также создание соответствующих вычислительных систем, таких как нейрокомпьютер или биокомпьютер.

Последний подход, строго говоря, не относится к науке  о ИИ в смысле, данном Джоном Маккарти — их объединяет только общая конечная цель. 

5.ТЕСТ  ТЬЮРИНГА И ИНТУИТИВНЫЙ ПОДХОД.

Эмпирический  тест, идея которого была предложена Аланом Тьюрингом в статье «Вычислительные машины и разум» (англ. Computing Machinery and Intelligence), опубликованной в 1950 году в философском журнале «Mind». Целью данного теста является определение возможности искусственного мышления, близкого к человеческому.

Стандартная интерпретация  этого теста звучит следующим  образом: «Человек взаимодействует с одним компьютером и одним человеком. На основании ответов на вопросы он должен определить, с кем он разговаривает: с человеком или компьютерной программой. Задача компьютерной программы — ввести человека в заблуждение, заставив сделать неверный выбор». Все участники теста не видят друг друга.

• Самый общий подход предполагает, что ИИ будет способен проявлять поведение, не отличающееся от человеческого, причём в нормальных ситуациях. Эта идея является обобщением подхода теста Тьюринга, который утверждает, что машина станет разумной тогда, когда будет способна поддерживать разговор с обычным человеком, и тот не сможет понять, что говорит с машиной (разговор идёт по переписке).
• Писатели-фантасты часто предлагают ещё один подход: ИИ возникнет тогда, когда машина будет способна чувствовать и творить. Так, хозяин Эндрю Мартина из «Двухсотлетнего человека» начинает относиться к нему как к человеку, когда тот создаёт игрушку по собственному проекту. А Дейта из Звёздного пути, будучи способным к коммуникации и научению, мечтает обрести эмоции и интуицию.

Однако последний  подход вряд ли выдерживает критику  при более детальном рассмотрении. К примеру, несложно создать механизм, который будет оценивать некоторые  параметры внешней или внутренней среды и реагировать на их неблагоприятные  значения. Про такую систему можно  сказать, что у неё есть чувства («боль» — реакция на срабатывание датчика удара, «голод» — реакция на низкий заряд аккумулятора, и т. п.). А кластеры, создаваемые картами Кохонена, и многие другие продукты «интеллектуальных» систем можно рассматривать как вид творчества.  
 
 

6.СИМВОЛЬНЫЙ  ПОДХОД. 

Исторически символьный подход был первым в эпоху цифровых машин, так как именно после создания Лисп, первого языка символьных вычислений, у его автора возникла уверенность в возможности практически приступить к реализации этими средствами интеллекта. Символьный подход позволяет оперировать слабоформализованными представлениями и их смыслами. От умения выделить только существенную информацию зависит эффективность и результативность решения задачи.

Но широта классов  задач, эффективно решаемых человеческим разумом, требует невероятной гибкости в методах абстрагирования. А  это недоступно при любом инженерном подходе, в котором исследователь  выбирает методы решения, основываясь  на способность быстро дать эффективное  решение какой-то наиболее близкой  этому исследователю задачи. То есть уже за реализованную в виде правил единственную модель абстрагирования  и конструирования сущностей. Это  выливается в значительные затраты  ресурсов для непрофильных задач, то есть система от интеллекта возвращается к грубой силе на большинстве задач  и сама суть интеллекта исчезает из проекта.

Основное применение символьной логики — это решение задач по выработке правил. Большинство исследований останавливается как раз на невозможности хотя бы обозначить новые возникшие трудности средствами выбранных на предыдущих этапах символьных системах. Тем более решить их и тем более обучить компьютер решать их или хотя бы идентифицировать и выходить из таких ситуаций. 

7.ЛОГИЧЕСКИЙ  ПОДХОД. 

Логический подход к созданию систем искусственного интеллекта направлен на создание экспертных систем с логическими моделями баз знаний с использованием языка предикатов.

Учебной моделью  систем искусственного интеллекта в 1980-х  годах был принят язык и система  логического программирования Пролог. Базы знаний, записанные на языке Пролог, представляют наборы фактов и правил логического вывода, записанных на языке логических предикатов.

Логическая модель баз знаний позволяет записывать не только конкретные сведения и данные в форме фактов на языке Пролог, но и обобщенные сведения с помощью  правил и процедур логического вывода и в том числе логических правил определения понятий, выражающих определённые знания как конкретные и обобщенные сведения.

В целом исследования проблем искусственного интеллекта в рамках логического подхода  к проектированию баз знаний и  экспертных систем направлено на создание, развитие и эксплуатацию интеллектуальных информационных систем, включая вопросы обучения студентов и школьников, а также подготовки пользователей и разработчиков таких интеллектуальных информационных систем. 

8. АГЕНТНО-ОРИЕНТИРОВАННЫЙ ПОДХОД. 

Последний подход, развиваемый с начала 1990-х годов называется агентно-ориентированным подходом, или подходом, основанным на использовании интеллектуальных (рациональных) агентов. Согласно этому подходу, интеллект — это вычислительная часть (грубо говоря, планирование) способности достигать поставленных перед интеллектуальной машиной целей. Сама такая машина будет интеллектуальным агентом, воспринимающим окружающий его мир с помощью датчиков, и способной воздействовать на объекты в окружающей среде с помощью исполнительных механизмов.

Этот подход акцентирует внимание на тех методах  и алгоритмах, которые помогут интеллектуальному агенту выживать в окружающей среде при выполнении его задачи. Так, здесь значительно сильнее изучаются алгоритмы поиска пути и принятия решений. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

9.ГИБРИДНЫЙ  ПОДХОД. 

Гибридный подход предполагает, что только синергетическая комбинация нейронных и символьных моделей достигает полного спектра когнитивных и вычислительных возможностей. Например, экспертные правила умозаключений могут генерироваться нейронными сетями, а порождающие правила получают с помощью статистического обучения. Сторонники данного подхода считают, что гибридные информационные системы будут значительно более сильными, чем сумма различных концепций по отдельности.

10. 0 И  1. 

     Еще в 1943 году нейрофизиолог Уоррен Маккаллох, обладавший, философским складом ума и широким кругом интересов, в соавторстве с 18-летним математиком Уолтером Питтсом разработал теорию деятельности головного мозга. Эта теория и стала основой, на которой сформировалось широко распространенное мнение, что функции компьютера и мозга в значительной мере сходны.

     Исходя  из исследований нейронов (основных активных клеток, составляющих нервную систему живых существ), Маккаллох и Питтс выдвинули гипотезу: нейроны можно рассматривать как устройства, оперирующие двоичными числами. Двоичные числа, состоящие из единиц и нолей, — рабочий инструмент так называемой Булевой логики. Сто с лишним лет назад английский математик Джордж Буль показал, что логические утверждения можно закодировать в виде единиц и нолей, где единица соответствует истинному высказыванию, а ноль — ложному, после чего ими можно оперировать как обычными числами. Позднее пионеры информатики поняли, что единица и ноль вполне соответствуют двум состояниям электрической цепи (включено/ выключено), поэтому двоичная система идеально подходит для электронных вычислительных устройств.

     Маккаллох и Питтс предложили конструкцию  сети из электронных нейронов, которая могла бы выполнять практически любые числовые или логические операции. А далее предположили, что такая сеть в состоянии обучаться, распознавать образы, обобщать, то есть обладает всеми чертами интеллекта.

     Теории  Маккаллоха—Питтса в сочетании  с книгами Винера вызвали огромный интерес. В 40—60-е годы Кибернетики запирались в лабораториях и мастерских, напряженно работая над теорией функционирования мозга и методично паяя электронные компоненты моделей нейронов.

     Из  этого кибернетического (или нейро-модельного) подхода к машинному разуму сформировался  так называемый восходящий метод  — движение от простых аналогов нервной системы примитивных существ к нервной системе человека. Конечная цель виделась в создании самоорганизующейся системы, обучающейся машины — устройств, способных следить за окружающей обстановкой и с помощью обратной связи менять свое поведение, вести себя, как живой организм.

     Однако  такое движение не всегда целесообразно  и возможно. Как заметил сам  Уоррен Маккаллох. И дело не только во времени, но и в чисто физических ограничениях. Ведь даже модель нервной системы муравья состоит из 20 тысяч нейронов, а у человека их около 100 миллиардов. Фрэнка Розенблата все эти трудности, однако, не пугали. В конце 50-х он предложил модель электронного устройства — персептрона, который должен был бы имитировать процессы человеческого мышления. Персептрон передавал сигналы от "глаза" из фотоэлементов в блоки электромеханических ячеек памяти, которые оценивали относительную величину электрических сигналов. Два года спустя была продемонстрирована первая действующая машина Марк 1, которая могла научиться распознавать некоторые буквы, написанные на карточках, поднесенных к "глазам".

     Персептрон  Розенблата оказался высшим достижением  восходящего метода создания искусственного интеллекта. Чтобы научить персептрон строить догадки на основе исходных предпосылок, в нем предусматривалась некое элементарное самопрограммирование.

     Но  недолго музыка играла: почву у  сторонников восходящего метода выбили два профессора все того же Массачусетского Технологического Института — Минский и Пейперт, поначалу бывшие активными его приверженцами. В 1969 году они написали книгу, доказывая математически, что персептроны принципиально не в состоянии выполнять многие из обещанных функций: не то что читать, слушать и понимать полученную информацию — они никогда не смогут распознавать предмет, частично заслоненный другим. То есть, глядя на торчащий из-за кресла кошачий хвост, такая машина никогда не догадается, кому он принадлежит. Правительство США финансировать это направление перестало.

     Правда, затем Минский опять "перековался" и вернулся в стан "восходящих". И даже покаялся: теперь он считал, что для реального прорыва вперед в создании разумных машин потребуется устройство, во многом похожее на разгромленный им персептрон.

     Суммируя, можно привести слова члена Совета Российской ассоциации искусственного интеллекта В.Б.Тарасова о том, что на первом этапе — в 60—90-е годы — главной была "инженерия знаний": интеллектуальные системы понимались как системы, основанные на знаниях. Иначе говоря, основное внимание уделялось вопросам работы с информацией — извлечению знаний, их обработке, классификации представлению и т.д. На этой основе появляется возможность создания различных "решателей" задач.

     Самыми  первыми интеллектуальными задачами, которые стали решать при помощи электронных вычислительных машин, были логические игры (шашки, шахматы), доказательство теорем. Американский кибернетик А.Самуэль составил для вычислительной машины программу, которая позволяла ей играть в шашки, причем в ходе игры машина обучалась (или создавала впечатление, что обучается), улучшая свои навыки на основе накопленного опыта. В 1962 году эта программа сразилась с Р. Нили, сильнейшим шашистом в США, и победила.

     Ярким примером сложной интеллектуальной игры до недавнего времени были шахматы. Еще в 1974 году состоялся международный  шахматный турнир программ для электронных вычислительных машин. Победу в нем одержала советская программа "Каисса".

     Почему "до недавнего времени"? События  показали, что, несмотря на сложность шахмат и невозможность полного перебора ходов, само увеличение этого перебора резко увеличивает и шансы на победу. К примеру, компьютер IBM, победивший Каспарова, имел 256 процессоров, каждый — с 4 Гб дисковой памяти и 128 Мб оперативной. Весь этот комплекс просчитывал более 100 миллионов ходов в секунду. Именно шахматных ходов, которые должны быть сгенерированы и для которых просчитаны оценочные функции.