Искусственный интеллект

Антиблокировочная система на автомобилях  позволяет держать тормоза на грани заклинивания колеса, что дает наибольшее трение с дорогой, а это  без АБС по силам только очень  опытным водителям.

В принципе такие примеры, где техника  оказывается ничуть не хуже человека, можно продолжать до бесконечности. Общий же смысл сказанного в том, что при конструировании искусственного интеллекта, мы не связаны одним  набором элементарных составляющих, как природа. В каждом конкретном случае желательно применять то, что  даст самый большой эффект. В той  области, где у человека господствуют рефлексы (чихание, быстрое напряжение быстро растягиваемой мышцы, переваривание  пищи, регулировка температуры), мы вообще можем применить жесткие  системы управления, с раз и  навсегда заданным алгоритмом функционирования. При этом вполне можно ожидать  увеличения точности и уменьшение времени  обучения их до нуля. При этом ядро нашей  системы искусственного интеллекта будет решать уже не настолько  глобальные задачи.

Данный принцип разбиения задачи на подзадачи уже давно используется природой. К примеру, мы далеко не полностью  используем все возможности наших  мышц в области разнообразия движений. Мы не можем заставить наши глаза  смотреть в разные стороны, не говоря уже о том, чтобы делать это  на разном уровне (левый глаз - влево-вверх, правый - вправо-вниз). При ходьбе мы часто используем далеко не оптимальный  набор движений и далеко не все  сочетания вариантов напряжения мышц мы опробуем. Попробуйте к примеру сделать волну животом. В принципе здесь нет ничего сложного, поскольку каждый пучок мышц пресса иннервируется отдельно, но если Вы этого не делали ранее, то получить необходимый результат будет не просто - в повседневной жизни это действие ненужно, а значит, его нет и в "словаре движений", а на обучение необходимо определенное время. А по поводу оптимальности походки существуют расчеты, что если бы человек всегда рассчитывал оптимально траекторию движения в которой существует более 200 степеней свобод, то он бы не ходил, а в основном бы только думал о том, как надо ходить.

На самом деле наша система управления построена по иерархическому принципу, когда задача распределяется между  несколькими уровнями. Высший уровень  нервной системы (связанный с  большими полушариями мозга) ставит лишь общую задачу, скажем, переложить книгу на стол. Этот уровень вообще не контролирует действие отдельных  двигательных единиц, направленных на решение поставленной задачи. Здесь  уместна аналогия: командующий армией, ставя перед своими войсками некую  общую задачу, отнюдь не предписывает каждому солдату и офицеру, что  именно он должен делать в каждый момент операции.

Детализация построения движений у  человека происходит на уровнях более  низких, чем командный уровень  коры больших полушарий. Более того, в некоторых случаях (когда мы отдергиваем руку, прикоснувшись  к горячему предмету, даже не успев  осознать ситуацию) все управление формируется на нижележащих уровнях, связанных с различными отделами спинного мозга.

В общем ситуация схожа с той, когда программист использует библиотеку подпрограмм. При этом ему не важно, какой алгоритм они используют, если программа работает нормально. А  на написание своей библиотеки тратится драгоценное время. Кроме того, еще не известно, будет ли она работать так же хорошо.

Общий вывод состоит в том, что в настоящее время существуют методы, алгоритмы и устройства, которые позволяют нам довольно неплохо смоделировать нижние уровни человеческого интеллекта, причем совсем не обязательно на таком же физическом принципе.

Модели и методы исследований

Методы  самоорганизации

Под термином “самоорганизация” понимается “процесс самопроизвольного (спонтанного) увеличения порядка, или организации в системе, состоящей из многих элементов, происходящий под действием внешней среды”.

Принципы самоорганизации  были предметом исследования многих выдающихся ученых: Дж. фон Неймана, Н. Винера, У.Р. Эшби и др. Большой вклад в развитие этого направления внесли работы украинских кибернетиков под руководством А.Г. Ивахненко, разработавших целый класс адаптивных самоорганизующихся моделей), который можно было бы назвать "интеллектуальным обобщением" эмпирико-статистических методов.

Можно отметить следующие  принципы самоорганизации математических моделей:

• принцип неокончательных решений (заключается в необходимости сохранения достаточной "свободы выбора" нескольких лучших решений на каждом шаге самоорганизации),
• принцип внешнего дополнения (базируется на теореме К. Геделя и заключается в том, что только внешние критерии, основанные на новой информации, позволяют синтезировать истинную модель объекта, скрытую в зашумленных экспериментальных данных);
• принцип массовой селекции (предложен А.Г. Ивахненко и указывает наиболее целесообразный путь постепенного усложнения самоорганизующейся модели, с тем чтобы критерий ее качества проходил через свой минимум).

Для возникновения самоорганизации  необходимо иметь исходную структуру, механизм случайных ее мутаций и  критерии отбора, благодаря которому мутация оценивается с точки  зрения полезности для улучшения  качества системы. Т.е. при построении этих систем ИИ исследователь задает только исходную организацию и список переменных, а также критерии качества, формализующие цель оптимизации, и правила, по которым модель может изменяться (самоорганизовываться или эволюционировать). Причем сама модель может принадлежать самым различным типам: линейная или нелинейная регрессия, набор логических правил или любая другая модель.

Можно выделить следующие  подклассы самоорганизующихся моделей:

• модели, реализующие полиномиальные алгоритмы, обобщением которых явился метод группового учета аргументов (МГУА);
• модели, основанные на вероятностных методах самоорганизации и грамматике конечных стохастических автоматов;
• исследование структуры сложной системы и решение задач восстановления уравнений (физических законов), описывающих разомкнутый объект по небольшому количеству экспериментальных точек.

Принцип массовой селекции, используемый в алгоритмах МГУА, как  и многие другие идеи кибернетики, заимствует действующие природные механизмы  и схематически повторяет агротехнические  методы селекции растений или животных, например:

• высевается некоторое количество семян и, в результате опыления, образуются сложные наследственные комбинации;
• селекционеры выбираю<span