Искусственный интеллект

Конечно, можно сказать, что выразительности алгебры высказываний не хватит для полноценной реализации искусственного интеллекта, но стоит вспомнить, что основой всех существующих ЭВМ является бит - ячейка памяти, которая может принимать значения только 0 и 1. Таким образом, было бы логично предположить, что все, что возможно реализовать на ЭВМ, можно было бы реализовать и в виде логики предикатов. Хотя здесь ничего не говорится о том, за какое время.

Добиться большей выразительности  логическому подходу позволяет  такое сравнительно новое направление, как нечеткая логика. Основным ее отличием является то, что правдивость высказывания может принимать в ней кроме да/нет (1/0), еще и промежуточные значения - не знаю (0.5); пациент скорее жив, чем мертв (0.75); пациент скорее мертв, чем жив (0.25). Данный подход больше похож на мышление человека, поскольку он на вопросы редко отвечает только да или нет. Хотя, правда, на экзамене будут приниматься только ответы из разряда классической булевой алгебры.

Для большинства логических методов  характерна большая трудоемкость, поскольку  во время поиска доказательства возможен полный перебор вариантов. Поэтому  данный подход требует эффективной  реализации вычислительного процесса, и хорошая работа обычно гарантируется  при сравнительно небольшом размере  базы данных.

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 тщательнее изучаются алгоритмы поиска пути и принятия решений.

Структурный подход

Под структурным подходом мы подразумеваем здесь попытки построения искусственного интеллекта путем моделирования структуры человеческого мозга. Одной из первых таких попыток был перцептрон Френка Розенблатта. Основной моделируемой структурной единицей в перцептронах (как и в большинстве других вариантов моделирования мозга) является нейрон.

Позднее возникли и другие модели, которые в простонародье обычно известны под термином "нейронные  сети" (НС). Эти модели различаются  по строению отдельных нейронов, по топологии связей между ними и  по алгоритмам обучения. Среди наиболее известных сейчас вариантов НС можно  назвать НС с обратным распространением ошибки, сети Хопфилда, стохастические нейронные сети.

НС наиболее успешно применяются  в задачах распознавания образов, в том числе сильно зашумленных, однако имеются и примеры успешного  применения их для построения собственно систем искусственного интеллекта, это  уже ранее упоминавшийся ТАИР.

Для моделей, построенных по мотивам  человеческого мозга характерна не слишком большая выразительность, легкое распараллеливание алгоритмов, и связанная с этим высокая  производительность параллельно реализованных  НС. Также для таких сетей характерно одно свойство, которое очень сближает их с человеческим мозгом - нейронные  сети работают даже при условии неполной информации об окружающей среде, то есть как и человек, они на вопросы могут отвечать не только "да" и "нет" но и "не знаю точно, но скорее да".

Эволюционный  подход

При построении систем искусственного интеллекта по данному подходу основное внимание уделяется построению начальной  модели, и правилам, по которым она  может изменяться (эволюционировать). Причем модель может быть составлена по самым различным методам, это  может быть и НС и набор логических правил и любая другая модель. После  этого мы включаем компьютер и  он, на основании проверки моделей  отбирает самые лучшие из них, на основании  которых по самым различным правилам генерируются новые модели, из которых  опять выбираются самые лучшие и  т. д.

В принципе можно сказать, что эволюционных моделей как таковых не существует, существует только эволюционные алгоритмы  обучения, но модели, полученные при  эволюционном подходе, имеют некоторые характерные особенности, что позволяет выделить их в отдельный класс.

Такими особенностями являются перенесение основной работы разработчика с построения модели на алгоритм ее модификации и то, что полученные модели практически не сопутствуют  извлечению новых знаний о среде, окружающей систему искусственного интеллекта, то есть она становится как бы вещью в себе.

Имитационный  подход

Данный подход является классическим для кибернетики с одним из ее базовых понятий - "черным ящиком" (ЧЯ). ЧЯ - устройство, программный модуль или набор данных, информация о  внутренней структуре и содержании которых отсутствуют полностью, но известны спецификации входных и  выходных данных. Объект, поведение  которого имитируется, как раз и  представляет собой такой "черный ящик". Нам не важно, что у него и у модели внутри и как он функционирует, главное, чтобы наша модель в аналогичных  ситуациях вела себя точно так  же.

Таким образом здесь моделируется другое свойство человека - способность копировать то, что делают другие, не вдаваясь в подробности, зачем это нужно. Зачастую эта способность экономит ему массу времени, особенно в начале его жизни.

Основным недостатком имитационного  подхода также является низкая информационная способность большинства моделей, построенных с его помощью.

С ЧЯ связана одна очень интересная идея. Кто бы хотел жить вечно? Я  думаю, что почти все ответят  на этот вопрос "я".

Представим себе, что за нами наблюдает  какое-то устройство, которое следит за тем, что в каких ситуациях  мы делаем, говорим. Наблюдение идет за величинами, которые поступают к нам на вход (зрение, слух, вкус, тактильные, вестибулярные и т. д.) и за величинами, которые выходят от нас (речь, движение и др.). Таким образом, человек выступает здесь как типичный ЧЯ.

Далее это устройство пытается отстроить  какую-то модель таким образом, чтобы  при определенных сигналах на входе  человека, она выдавала на выходе те же данные, что и человек. Если данная затея будет когда-нибудь реализована, то для всех посторонних наблюдателей такая модель будет той же личностью, что и реальный человек. А после  его смерти она, будет высказывать  те мысли, которые предположительно высказывал бы и смоделированный  человек.

Мы можем пойти дальше и скопировать  эту модель и получить брата близнеца с точно такими же "мыслями".

Можно сказать, что "это конечно  все интересно, но при чем тут  я? Ведь эта модель только для других будет являться мной, но внутри ее будет  пустота. Копируются только внешние  атрибуты, но я после смерти уже  не буду думать, мое сознание погаснет (для верующих людей слово "погаснет" необходимо заменить на "покинет  этот мир") ". Что ж это так. Но попробуем пойти дальше.

Согласно философским представлениям автора данного курса, сознание представляет собой сравнительно небольшую надстройку над нашим подсознанием, которая  следит за активностью некоторых  центров головного мозга, таких  как центр речи, конечной обработки  зрительных образов, после чего "возвращает" эти образы на начальные ступени  обработки данной информации. При  этом происходит повторная обработка  этих образов, мы как бы видим и  слышим, что думает наш мозг. При  этом появляется возможность мысленного моделирования окружающей действительности при нашем "активном" участии  в данном процессе. И именно наш  процесс наблюдения за деятельностью  этих немногих центров является тем, что мы называем сознанием. Если мы "видим" и "слышим" наши мысли, мы в сознании, если нет, то мы находимся  в бессознательном состоянии.

Если бы мы смогли смоделировать  работу именно этих немногих "сознательных" нервных центров (работа которых  правда основана на деятельности всего  остального мозга) в качестве одного ЧЯ, и работу "супервизора" в  качестве другого ЧЯ, то можно было бы с уверенностью говорить, что "да, данная модель думает, причем так же, как и я". Здесь я ничего не хочу говорить о том, как получить данные о работе этих нервных центров, поскольку на мой взгляд, сегодня нет ничего такого, что позволило бы следить за мозгом человека годами и при этом не мешало бы его работе и жизни.

И заканчивая беглое ознакомление с  различными методами и подходами  к построению систем искусственного интеллекта, хотелось бы отметить, что  на практике очень четкой границы  между ними нет. Очень часто встречаются  смешанные системы, где часть  работы выполняется по одному типу, а часть по-другому.

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.

Вспомогательные системы  нижнего уровня и их место в  системах искусственного интеллекта

Для того, чтобы человек сознательно воспринял информацию (для примера возьмем чертеж), она должна пройти довольно длительный цикл предварительной обработки. Вначале свет попадает в глаз. Пройдя через всю оптическую систему фотоны в конце концов попадают на сетчатку - слой светочувствительных клеток - палочек и колбочек.

Уже здесь - еще очень далеко от головного мозга, происходит первый этап обработки информации, поскольку, например, у млекопитающих, сразу  за светочувствительными клетками находится  обычно два слоя нервных клеток, которые выполняют сравнительно несложную обработку.

Теперь информация поступает по зрительному нерву в головной мозг человека, в так называемые "зрительные бугры". То, что именно сюда приходит видеоинформация для дальнейшей обработки, показывают многочисленные опыты над людьми во время различных операций, в ходе которых производилась трепанация черепа. При этом пациентам раздражали область зрительных бугров слабым электрическим полем, что вызывало у них различные световые галлюцинации. Причем, что интересно, при изменении места раздражения, пропорционально смещению, смещались и места галлюцинаций, т. е. на зрительные бугры как бы проецируется то, что мы видим.

Некоторые исследователи пошли  дальше, и вживляли слепым людям  целую матрицу электродов, напряжения на которых соответствовали освещенности соответствующих участков видеокамеры, размещенной на голове пациента. После  операции, слепые начинали различать  крупные фигуры (квадрат, треугольник, круг) и даже читать текст (при вживлении  матрицы 10*10). Широкому распространению  данного метода лечения слепоты  препятствуют как недостаточно высокий  наш технический уровень, так  и чрезвычайно высокая опасность  операций на открытом мозге. Такого рода опыты проводятся только попутно  с операцией, вызванной другими  причинами.

Далее зрительная информация поступает  в отделы мозга, которые уже выделяют из нее отдельные составляющие - горизонтальные, вертикальные, диагональные линии, контуры, области светлого, темного, цветного. До этих пор мы можем без  труда смоделировать работу мозга, применяя различные графические фильтры. Постепенно образы становятся все более сложными и размытыми, но графический образ картины пройдет еще долгий путь, прежде чем достигнет уровня сознания. Причем на уровне сознания у нас будет не только зрительный образ, к нему примешаются еще и звуки, запахи (если картина представляет собой натюрморт) и вкусовые ощущения. Дальнейшие ассоциации каждый может додумать сам.

Смысл всего сказанного заключается  в том, чтобы показать, что в  системах искусственного интеллекта имеются  подсистемы, которые мы уже сейчас можем реализовать, даже не зная о том, как они реализованы у человека. Причем можем это сделать не хуже, чем у прототипа, а зачастую и лучше. Например, искусственный глаз (а равно и блок первичной обработки видеоинформации, основанные на простейших фильтрах или др. сравнительно несложных устройствах) не устает, может видеть в любом диапазоне волн, легко заменяется на новый, видит при свете звезд.

Устройства обработки звука  позволяют улавливать девиацию голоса человека в 1-2 Герца. Данное изменение  частоты происходит при повышенном возбуждении вегетативной нервной  системы, которое в свою очередь  часто обусловлено волнением  человека. На данном принципе основаны современные детекторы лжи, которые  позволяют обнаружить с высокой  вероятностью даже записанные на пленку много лет назад ложные высказывания.

Современные системы управления электродвигателем  позволяют с высокой точностью  держать заданные координаты даже при  ударном изменении нагрузки. А  ведь это примерно тоже, что держать  на длинной палке баскетбольный  мяч, по которому то слева, то справа кидают теннисные мячи.

За одно и то же время, компьютер произведет гораздо больше арифметических операций и с большей точностью, чем человек.