|
2
ГОУ ВПО «Курський Державний Медичний Університет»
Кафедра інформатики та обчислювальної техніки
Реферат з інформатики на тему
Історія і тенденції розвитку штучного інтелекту
Виконав: Ларін С.Л.
Перевірив: Артеменко
Віктор Іванович
Курськ 2009
план
Вступ
1. Історія розвитку AI
2. Перспективи та тенденції розвитку AI
2.1 Нейронні мережі
2.2 Еволюційні обчислення
2.3 Нечітка логіка
2.4 Обробка зображень
2.5 Експертні системи
2.6 Інтелектуальні додатки
2.7 Розподілені обчислення
2.8 ОС РВ
2.9 Інтелектуальна інженерія
2.10 Самоорганізуються СУБД
2.11 AI для аналізаторскіх функцій
2.12 Військова техніка
3. Штучний інтелект, як напрямок досліджень
3.1 Аспекти представлення знань
3.2 Рефлексія
3.3 Деякі підходи до вирішення проблеми AI
висновок
література
Вступ
Чи здатна машина мислити? Чи може машина мати усвідомлює думки в такому ж сенсі, в якому маємо їх ми? Якщо під машиною розуміти фізичну систему, здатну виконувати певні функції (а що ще під нею можна розуміти?), Тоді люди - це машини особливої, біологічної різновиди, а люди можуть мислити, і, отже, машини, звичайно, теж можуть мислити . Тоді, по всій видимості, можна створювати мислячі машини з найрізноманітніших матеріалів - скажімо, з кремнієвих кристалів або електронних ламп. Якщо це і виявиться неможливим, то поки ми, звичайно, цього ще не знаємо. Однак в останні десятиліття питання про те, чи може машина мислити, придбав зовсім іншу інтерпретацію. Він був підмінений питанням: чи здатна машина мислити тільки за рахунок виконання закладеної в неї комп'ютерної програми? Чи є програма основою мислення? Це принципово інше питання, тому що він не зачіпає фізичних, каузальних (причинних) властивостей існуючих або можливих фізичних систем, а скоріше відноситься до абстрактних, обчислювальним властивостями формалізованих комп'ютерних програм, які можуть бути реалізовані в будь-якому матеріалі, аби він був здатний виконувати ці програми. Досить велике число фахівців зі штучного інтелекту (ІІ) вважають, що на друге питання слід відповісти позитивно; іншими словами, вони вважають, що склавши правильні програми з правильними входами і виходами, вони дійсно створять розум. Більш того, вони вважають, що мають в своєму розпорядженні науковий тест, за допомогою якого можна судити про успіх чи невдачу такої спроби. На сьогоднішній день проблема дослідження AI займає життєвий простір в системі інформаційних наук. У своєму рефераті я спробую розглянути проблеми створення і втілення штучного інтелекту в життя, також освещу історію створення та найбільш перспективні розробки в цій галузі.
1. Історія розвитку AI
Як і будь-яка основна наука "Штучний інтелект" має досить багату історію. Можна виділити як теоретичну, так і експериментальну частини. Суть науки "Штучний інтелект" найкраще відображають слова "Дух в машині", при цьому не настільки важливо розвиток окремо понять про машину і дусі, як важливо їх поєднання. Але в той же час зрозуміло, що чим більше розвинені уявлення про машину, ніж вони більш досконалі з одного боку, і чим ми більше знаємо про дух з іншого боку - тим про більш скажімо так потужному ІІ ми можемо говорити. Але відрізняє науку "Штучний інтелект" від Обчислювальної техніки (Інформатики) з одного боку і від Медицини (Біології) з іншого - це саме зв'язок одного з іншим. І тільки при наявності зв'язку з цим ми можемо говорити про досягнення в галузі ШІ, а не окремо в областях Інформатики або Біології. Цьому питанню приділяється особливо велике значення в теоретичній частині, а для підтвердження теорій як і в інших науках використовується експеримент. Але історично поява теорій і перших експериментів завжди рознесено в часі. Тому почала теорії зазвичай відносять до філософії штучного інтелекту, і тільки з появою перших експериментів теорія набуває самостійного значення. Причому саму теорію "Штучного інтелекту", яка зараз знаходиться на межі з філософією, не потрібно поєднувати з теорією математичних, алгоритмічних, робототехнічних, фізіологічних та інших методів, які мають власне значення у відповідних науках. Зараз чіткого відмінності між рядом пов'язаних наук і власне "Штучним інтелектом" знайти дуже складно, а тим більше розрізнити теоретичні та експериментальний розділи науки. І тут головну допомогу може надати історія становлення та розвитку науки "Штучний інтелект".
Історично склалися три основні напрями в моделюванні ШІ.
В рамках першого підходу об'єктом досліджень є структура та механізми роботи мозку людини, а кінцева мета полягає в розкритті таємниць мислення. Необхідними етапами досліджень в цьому напрямку є побудова моделей на основі психофізіологічних даних, проведення експериментів з ними, висування нових гіпотез щодо механізмів інтелектуальної діяльності, вдосконалення моделей і т. Д.
Другий підхід як об'єкт дослідження розглядає ШІ. Тут мова йде про моделювання інтелектуальної діяльності за допомогою обчислювальних машин. Метою робіт в цьому напрямку є створення алгоритмічного і програмного забезпечення обчислювальних машин, що дозволяє вирішувати інтелектуальні завдання не гірше людини.
Нарешті, третій підхід орієнтований на створення змішаних людино-машинних, або, як ще кажуть, інтерактивних інтелектуальних систем, на симбіоз можливостей природного і штучного інтелекту. Найважливішими проблемами в цих дослідженнях є оптимальний розподіл функцій між природним і штучним інтелектом і організація діалогу між людиною і машиною.
Найпершими інтелектуальними завданнями, які стали вирішуватися за допомогою ЕОМ були логічні ігри (шашки, шахи), доказ теорем. Хоча, правда тут треба відзначити ще кібернетичні іграшки типу "електронної миші" Клода Шеннона, що керувалася складної релейного схемою. Ця мишка могла "досліджувати" лабіринт, і знаходити вихід з нього. А крім того, вміщена в уже відомий їй лабіринт, вона не шукала вихід, а відразу ж, не заглядаючи в тупикові ходи, виходила з лабіринту.
Американський кібернетик А. Самуель склав для обчислювальної машини програму, яка дозволяє їй грати в шашки, причому в ході гри машина навчається або, принаймні, створює враження, що навчається, покращуючи свою гру на основі накопиченого досвіду. У 1962 році ця програма воювали з Р. Нілі, найсильнішим шашкістом в США і перемогла.
Яким чином машині вдалося досягти такого високого класу гри?
Природно, що в машину були програмно закладені правила гри так, що вибір чергового ходу був підпорядкований цим правилам. На кожній стадії гри машина вибирала черговий хід з безлічі можливих ходів відповідно до деякого критерію якості гри. У шашках (як і в шахах) звичайно невигідно втрачати свої фігури, і, навпаки, вигідно брати фігури супротивника. Гравець (будь він людина або машина), який зберігає рухливість своїх фігур і право вибору ходів і в той же час тримає під боєм велике число полів на дошці, зазвичай грає краще свого противника, не додає значення цих елементів гри. Описані критерії хорошої гри зберігають свою силу протягом всієї гри, але є й інші критерії, які відносяться до окремих її стадіях - дебюту, міттендшпілю, ендшпіль.
Розумно поєднуючи такі критерії (наприклад у вигляді лінійної комбінації з експериментально підбираються коефіцієнтами або більш складним чином), можна для оцінки чергового ходу машини отримати деякий числовий показник ефективності - оцінну функцію. Тоді машина, порівнявши між собою показники ефективності чергових ходів, вибере хід, відповідний найбільшому показнику. Подібна автоматизація вибору чергового ходу не обов'язково забезпечує оптимальний вибір, але все ж це якийсь вибір, і на його основі машина може продовжувати гру, удосконалюючи свою стратегію (образ дії) в процесі навчання на минулому досвіді. Формально навчання полягає в підстроювання параметрів (коефіцієнтів) оцінної функції на основі аналізу проведених ходів та ігор з урахуванням їх результату.
На думку А. Самуеля, машина, яка використовує цей вид навчання, може навчитися грати краще, ніж середній гравець, за відносно короткий період часу.
Можна сказати, що всі ці елементи інтелекту, продемонстровані машиною в процесі гри в шашки, повідомлені їй автором програми. Почасти це так. Але не слід забувати, що програма ця не є "жорсткою", заздалегідь продуманої у всіх деталях. Вона удосконалює свою стратегію гри в процесі самонавчання. І хоча процес "мислення" у машини істотно відмінний від того, що відбувається в мозку грає в шашки людини, вона здатна у нього виграти.
Яскравим прикладом складної інтелектуальної гри до недавнього часу були шахи. У 1974 р відбувся міжнародний шаховий турнір машин, забезпечених відповідними програмами. Як відомо, перемогу на цьому турнірі здобула радянська машина з шаховою програмою "Каїсса".
Чому тут вжито "до недавнього часу"? Справа в тому, що недавні події показали, що незважаючи на досить велику складність шахів, і неможливість, у зв'язку з цим провести повний перебір ходів, можливість перебору їх на велику глибину, ніж зазвичай, дуже збільшує шанси на перемогу. Наприклад, за повідомленнями у пресі, комп'ютер фірми IBM, який переміг Каспарова, мав 256 процесорів, кожен з яких мав 4 Гб дискової пам'яті і 128 Мб оперативної. Весь цей комплекс міг прораховувати більш 100000000 ходів в секунду. До недавнього часу рідкістю був комп'ютер, який може робити таку кількість цілочисельних операцій в секунду, а тут ми говоримо про ходах, які повинні бути згенеровані і для яких прораховані оціночні функції. Хоча з іншого боку, цей приклад говорить про могутність і універсальності переборних алгоритмів.
В даний час існують і успішно застосовуються програми, що дозволяють машинам грати в ділові або військові ігри, що мають велике прикладне значення. Тут також надзвичайно важливо надати програмам притаманні людині здатність до навчання та адаптації. Однією з найбільш цікавих інтелектуальних завдань, також має величезне прикладне значення, є завдання навчання розпізнавання образів і ситуацій. Рішенням її займалися і продовжують займатися представники різних наук - фізіологи, психологи, математики, інженери. Такий інтерес до задачі стимулювався фантастичними перспективами широкого практичного використання результатів теоретичних досліджень: читають автомати, системи ШІ, що ставлять медичні діагнози, п роводящіе криміналістичну експертизу і т. П., А також роботи, здатні розпізнавати і аналізувати складні сенсорні ситуації.
У 1957 рамериканський фізіолог Ф. Розенблатт запропонував модель зорового сприйняття і розпізнавання - перцептрон. Поява машини, здатної навчатися поняттям і розпізнавати запропоновані об'єкти, виявилося надзвичайно цікавим н е тільки фізіологам, але і представникам інших областей знання і породило великий потік теоретичних і експериментальних досліджень.
Перцептрон або будь-яка програма, що імітує процес розпізнавання, працюють в двох режимах: в режимі навчання і в режимі розпізнавання. У режимі навчання хтось (людина, машина, робот або природа), який грає роль учителя, пред'являє машині об'єкти і про кожного з них повідомляє, до якого поняття (класу) він належить. За цими даними будується вирішальне правило, що є, по суті, формальним описом понять. У режимі розпізнавання машині пред'являються нові об'єкти (взагалі кажучи, відмінні від раніше пред'явлених), і вона повинна їх класифікувати, по можливості, правильно.
Проблема адаптації розпізнавання тісно пов'язана з іншою інтелектуальним завданням - проблемою перекладу з однієї мови на іншу, а також навчання машини мові. При досить формальної обробці і класифікації основних граматичних правил і прийомів користування словником можна створити цілком задовільний алгоритм для перекладу, скажімо наукового або ділового тексту. Для деяких мов такі системи були створені ще в кінці 60-г. Однак для того, щоб зв'язно перевести досить великий розмовний текст, необхідно розуміти його сенс. Роботи над такими програмами ведуться вже давно, але до повного успіху ще далеко. Є також програми, що забезпечують діалог між людиною і машиною на урізаному природною мовою.
Що ж стосується моделювання логічного мислення, то гарною модельної завданням тут може служити задача автоматизації доведення теорем. Починаючи з 1960 р, був розроблений ряд програм, здатних знаходити докази теорем в численні предикатів першого порядку. Ці програми мають, за словами американського фахівця в галузі ШІ Дж. Маккатті, "здоровим глуздом", т. Е. Здатністю робити дедуктивні висновки.
У програмі К. Гріна та ін., Що реалізує питально-відповідну систему, знання записуються мовою логіки предикатів у вигляді набору аксіом, а питання, що задаються машині, формулюються як підлягають доведенню теореми. Великий інтерес представляє "інтелектуальна" програма американського математика Хао Ванга. Ця програма за 3 хвилини роботи IBM-704 вивела 220 щодо простих лем і теорем з фундаментальної математичної монографії, а потім за 8.5 хв видала доказу ще 130 більш складних теорем, частина з яких ще не була виведена математиками. Правда, до цих пір жодна програма не вивела і не довела ні однієї теореми, яка б, що називається "конче" була б потрібна математикам і була б принципово нової.
Дуже великим напрямком систем ШІ є роботехника. У чому основна відмінність інтелекту робота від інтелекту універсальних обчислювальних машин?
Для відповіді на це питання доречно згадати належить великому російському фізіологові І. М. Сеченову вислів: "... все нескінченна різноманітність зовнішніх проявів мозкової діяльності зводиться остаточно лише до одного явища - м'язовому руху". Іншими словами, вся інтелектуальна діяльність людини спрямована в кінцевому рахунку на активну взаємодію з зовнішнім світом за допомогою рухів. Точно так же елементи інтелекту робота служать перш за все для організації його цілеспрямованих рухів. У той же час основне призначення чисто комп'ютерних систем ІІ полягає у вирішенні інтелектуальних завдань, що носять абстрактний або допоміжний характер, які зазвичай не пов'язані ні зі сприйняттям навколишнього середовища за допомогою штучних органів почуттів, ні з організацією рухів виконавчих механізмів.
Перших роботів важко назвати інтелектуальними. Тільки в 60-х роках з'явилися очуствленние роботи, якими керували універсальними комп'ютерами. Наприклад в 1969 р в Електротехнічній лабораторії (Японія) почалася розробка проекту "промисловий інтелектуальний робот". Мета цієї розробки - створення очуствленного маніпуляційного робота з елементами штучного інтелекту для виконання складально-монтажних робіт з візуальним контролем.
Маніпулятор робота має шість ступенів свободи і управляється міні-ЕОМ NEAC-3100 (об'єм оперативної пам'яті 32000 слів, обсяг зовнішньої пам'яті на магнітних дисках 273000 слів), яка формує необхідну програмне рух, що відпрацьовується стежить електрогідравлічної системою. Схват маніпулятора оснащений тактильними датчиками.
В якості системи зорового сприйняття використовуються дві телевізійні камери, забезпечені червоно-зелено-синіми фільтрами для розпізнавання кольору предметів. Поле зору телевізійної камери розбите на 64 * 64 осередків. В результаті обробки отриманої інформації грубо визначається область, займана цікавлять робота предметом. Далі, з метою детального вивчення цього предмета виявлена область знову ділиться на 4096 осередків. У тому випадку, коли предмет не поміщається в вибране "віконце", воно автоматично переміщається, подібно до того, як людина ковзає поглядом по предмету. Робот Електротехнічної лабораторії був здатний розпізнавати прості предмети, обмежені площинами і циліндричними поверхнями при спеціальному освітленні. Вартість даного експериментального зразка становила приблизно 400000 доларів.
Поступово характеристики роботів монотонно поліпшувалися, Але до цих пір вони ще далекі по тями від людини, хоча деякі операції вже виконують на рівні кращих жонглерів. Наприклад утримують на лезі ножа кулька від настільного тенісу.
Ще мабуть тут можна виділити роботи київського Інституту кібернетики, де під керівництвом Н. М. Амосова та В. М. Глушкова (нині покійного) ведеться комплекс досліджень, спрямованих на розробку елементів інтелекту роботів. Особливо е увагу в цих дослідженнях приділяється проблемам розпізнавання зображень і мови, логічного висновку (автоматичного доведення теорем) і керування за допомогою нейроподібних мереж.
Наприклад можна розглянути створений ще в 70-х роках макет транспортного автономного інтегрального робота (ТАІР). Конструктивно ТАІР являє собою триколісний шасі, на якому змонтована сенсорна система і блок управління. Сенсорна система включає в себе наступні засоби очуствленія: оптичний далекомір, навігаційна система з двома радіомаяками і компасом, контактні датчики, датчики кутів нахилу візки, таймер і ін. І особливість, яка відрізняє ТАІР від багатьох інших систем, створених у нас і за кордоном, це те, що в його складі немає комп'ютера в тому вигляді, до якого ми звикли. Основу системи управління становить бортова Нейроподібна мережу, на якій реалізуються різні алгоритми обробки сенсорної інформації, планування поведінки та управління рухом робота.
В кінці даного дуже короткого огляду розглянемо приклади великомасштабних експертних систем.
MICIN - експертна система для медичної діагностики. Розроблено групою з інфекційних захворювань Стенфордського університету. Ставить відповідний діагноз, виходячи з представлених їй симптомів, і рекомендує курс медикаментозного лікування будь-якої з діагностованих інфекцій. База даних складається з 450 правил.
PUFF - аналіз порушення дихання. Дана система являє собою MICIN, з якої видалили дані по інфекцій і вставили дані про легеневі захворювання.
DENDRAL - розпізнавання хімічних структур. Дана система найстаріша, з мають звання експертних. Перші версії цієї системи з'явилися ще в 1965 році в усі те ж Стенфордському університеті. За користувач дає системі DENDRAL деяку інформацію про речовину, а також дані спектрометрії (інфрачервоної, ядерного магнітного резонансу і мас-спектрометрії), і та в свою чергу видає діагноз у вигляді відповідної хімічної структури.
PROSPECTOR - експертна система, створена для сприяння пошуку комерційно виправданих родовищ корисних копалин.
2. Перспективи та тенденції розвитку AI
Повідомлення про унікальні досягнення фахівців в області штучного інтелекту (ІІ), що обіцяли небачені можливості, пропали зі сторінок науково-популярних видань багато років назад. Ейфорія, пов'язана з першими практичними успіхами в сфері ІІ, пройшла досить швидко, тому що перейти від дослідження експериментальних комп'ютерних моделей до вирішення прикладних завдань реального світу виявилося набагато складніше, ніж передбачалося. На труднощі такого переходу звернули увагу фахівці всього світу, і після детального аналізу з'ясувалося, що практично всі проблеми пов'язані з нестачею ресурсів двох типів: комп'ютерних (обчислювальної потужності, ємності оперативної і зовнішньої пам'яті) і людських (наукомістка розробка інтелектуального ПО вимагає залучення провідних фахівців з різних областей знання і організації довгострокових дослідницьких проектів). До сьогоднішнього дня ресурси першого типу вийшли (або вийдуть в найближчі п'ять-десять років) на рівень, що дозволяє системам ІІ вирішувати дуже складні для людини практичні завдання. А ось з ресурсами другого типу ситуація в світі навіть погіршується - саме тому досягнення в сфері ІІ зв'язуються в основному з невеликим числом провідних ІІ-центрів при найбільших університетах.
2.1 Нейронні мережі
Цей напрямок стабільно тримається на першому місці. Триває вдосконалення алгоритмів навчання і класифікації в масштабі реального часу, обробки природних мов, розпізнавання зображень, мови, сигналів, а також створення моделей інтелектуального інтерфейсу, підлаштовуватися під користувача. Серед основних прикладних завдань, що вирішуються за допомогою нейронних мереж, - фінансове прогнозування, розкопка даних, діагностика систем, контроль за діяльністю мереж, шифрування даних. В останні роки йде посилений пошук ефективних методів синхронізації роботи нейронних мереж на паралельних пристроях.
2.2 Еволюційні обчислення
На розвиток сфери еволюційних обчислень (ЕВ; автономне і адаптивне поведінку комп'ютерних програм і робототехнічних пристроїв) значний вплив справили насамперед інвестиції в нанотехнології. ЕВ зачіпають практичні проблеми самозборки, самоконфігурірованія і самовідновлення систем, що складаються з безлічі одночасно функціонуючих вузлів. При цьому вдається застосовувати наукові досягнення в галузі цифрових автоматів. Інший аспект ЕВ - використання для вирішення повсякденних завдань автономних агентів в якості персональних секретарів, керівників особистими рахунками, асистентів, які відбирають потрібні відомості в мережах за допомогою пошукових алгоритмів третього покоління, планувальників робіт, особистих вчителів, віртуальних продавців і т. Д. Сюди ж відноситься робототехніка і всі пов'язані з нею області. Основні напрямки розвитку - вироблення стандартів, відкритих архітектур, інтелектуальних оболонок, мов сценаріїв / запитів, методологій ефективної взаємодії програм і людей. Моделі автономного поведінки передбачається активно впроваджувати у всілякі побутові пристрої, здатні прибирати приміщення, замовляти і готувати їжу, водити автомобілі і т. П. В подальшому для вирішення складних завдань (швидкого дослідження вмісту Мережі, великих масивів даних на зразок геномних) будуть використовуватися колективи автономних агентів . Для цього доведеться зайнятися вивченням можливих напрямків еволюції подібних колективів, планування спільної роботи, способів зв'язку, групового самонавчання, кооперативного поведінки в нечітких середовищах з неповною інформацією, коаліційної поведінки агентів, які об'єднуються "за інтересами", навчитися вирішувати конфлікти взаємодії і т. П. Окремо стоять соціальні аспекти - як суспільство буде на практиці ставитися до таких спільнот інтелектуальних програм.
2.3 Нечітка логіка
Системи нечіткої логіки найактивніше будуть застосовуватися переважно в гібридних керуючих системах.
2.4 Обробка зображень
Продовжиться розробка способів представлення та аналізу зображень (стиснення, кодування при передачі з використанням різних протоколів, обробка біометричних образів, знімків із супутників), незалежних від пристроїв відтворення, оптимізації колірного подання на екрані і при виведенні на друк, розподілених методів отримання зображень. Подальші розвиток отримають кошти пошуку, індексування та аналізу сенсу зображень, узгодження вмісту довідкових каталогів при автоматичній каталогізації, організації захисту від копіювання, а також машинне зір, алгоритми розпізнавання та класифікації образів.
2.5 Експертні системи
Попит на експертні системи залишається на досить високому рівні. Найбільшу увагу сьогодні залучено до систем прийняття рішень в масштабі часу, близькому до реального, засобів зберігання, вилучення, аналізу та моделювання знань, систем динамічного планування.
2.6 Інтелектуальні додатки
Зростання числа інтелектуальних додатків, здатних швидко знаходити оптимальні рішення комбінаторних проблем (що виникають, наприклад, в транспортних задачах), пов'язаний з виробничим і промисловим зростанням в розвинених країнах.
2.7 Розподілені обчислення
Поширення комп'ютерних мереж і створення високопродуктивних кластерів викликали інтерес до питань розподілених обчислень - балансуванню ресурсів, оптимальному завантаженні процесорів, самоконфігурірованію пристроїв на максимальну ефективність, відстеження елементів, що вимагають оновлення, виявлення невідповідностей між об'єктами мережі, діагностування коректної роботи програм, моделювання подібних систем.
2.8 ОС РВ
Поява автономних робототехнічних пристроїв підвищує вимоги до ОС реального часу - організації процесів самонастроювання, планування обслуговуючих операцій, використання засобів ІІ для прийняття рішень в умовах дефіциту часу.
2.9 Інтелектуальна інженерія
Особливу зацікавленість у ІІ проявляють в останні роки компанії, що займаються організацією процесів розробки великих програмних систем (програмної інженерії). Методи ІІ все частіше використовуються для аналізу вихідних текстів і розуміння їхнього змісту, управління вимогами, виробленням специфікацій, проектування, кодогенераціі, верифікації, тестування, оцінки якості, виявлення можливості повторного використання, вирішення завдань на паралельних системах.
Програмна інженерія поступово перетворюється в так звану інтелектуальну інженерію, яка розглядає більш загальні проблеми подання та обробки знань (поки основні зусилля в інтелектуальній інженерії зосереджені на способах перетворення інформації в знання).
2.10 Самоорганізуються СУБД
Самоорганізуються СУБД будуть здатні гнучко підлаштовуватися під профіль конкретного завдання і не зажадають адміністрування.
2.11 AI для аналізаторскіх функцій
Автоматичний аналіз природних мов (лексичний, морфологічний, термінологічний, виявлення незнайомих слів, розпізнавання національних мов, переклад, корекція помилок, ефективне використання словників). Високопродуктивний OLAP-аналіз і розкопка даних, способи візуального завдання запитів. Медичні системи, які консультують лікарів в екстрених ситуаціях, роботи-маніпулятори для виконання точних дій в ході хірургічних операцій. Створення повністю автоматизованих кіберзаводов, гнучкі економні виробництва, швидке прототипування, планування робіт, синхронізація ланцюжків постачання, авторизації фінансових транзакцій шляхом аналізу профілів користувачів. Невелике число конференцій присвячено виробленню прикладних методів, спрямованих на вирішення конкретних завдань промисловості в області фінансів, медицини та математики.
Традиційно високий інтерес до ІІ в середовищі розробників ігор і розважальних програм (це окрема тема). Серед нових напрямків їх досліджень - моделювання соціальної поведінки, спілкування, людських емоцій, творчості.
2.12 Військова техніка
Дослідження в області нейронних мереж, що дозволяють отримати хороші (хоча і наближені) результати при вирішенні складних завдань управління, часто фінансує військове наукове агентство DARPA. Приклад - проект Smart Sensor Web, який передбачає організацію розподіленої мережі різноманітних датчиків, синхронно працюють на полі бою. Кожен об'єкт (вартістю не більше $ 300) в такій мережі є джерелом даних - візуальних, електромагнітних, цифрових, інфрачервоних, хімічних і т. П. Проект вимагає нових математичних методів вирішення багатовимірних задач оптимізації. Ведуться роботи по автоматичному розпізнаванню цілей, аналізу і прогнозу збоїв техніки за відхиленнями від типових параметрів її роботи (наприклад, по звуку). Операція "Буря в пустелі" стала стимулом до розвитку експертних систем з просунутим ІІ, застосовуваним в галузі постачання. На розробках, пов'язаних з технологіями машинного зору, засноване все високоточна зброя У ЗМІ нерідко можна прочитати про прийдешні сутичках самостійно діючих армій самохідних машин-роботів і безпілотних літаків. Однак існує ряд невирішених наукових проблем, що не дозволяють в найближчі десятиліття перетворити подібні прогнози в реальність. Перш за все це недоліки систем автоматичного розпізнавання, нездатних правильно аналізувати відеоінформацію в масштабі реального часу. Не менш актуальні завдання вирішення колізій у великих спільнотах автономних пристроїв, абсолютно точного розпізнавання своїх і чужих, вибору підлягають знищенню цілей, алгоритмів поведінки в незнайомому середовищі і т. П. Тому на практиці військові намагаються досягти менш масштабних цілей. Значні зусилля вкладаються в дослідження з розпізнавання мови, створюються експертні та консультаційні системи, покликані автоматизувати рутинні роботи і знизити навантаження на пілотів. Нейронні мережі досить ефективно застосовуються для обробки сигналів сонаров і відрізнення підводних каменів від хв. Генетичні алгоритми використовуються для евристичного пошуку рішення рівнянь, що визначають роботу військових пристроїв (систем орієнтації, навігації), а також в задачах розпізнавання - для поділу штучних і природних об'єктів, розпізнавання типів військових машин, аналізу зображення, одержуваного від камери з низьким дозволом або інфрачервоних датчиків .
3. Штучний інтелект, як напрямок досліджень
У поняття "штучний інтелект" вкладається різний зміст - від визнання інтелекту в ЕОМ, що вирішують логічні або навіть будь-які обчислювальні завдання, до віднесення до інтелектуальних лише тих систем, які вирішують весь комплекс завдань, здійснюваних людиною, або ще більш широку їх сукупність. Постараємося ж вичленувати той зміст поняття "штучний інтелект", який найбільшою мірою відповідає реальним дослідженням у цій галузі. У дослідженнях зі штучного інтелекту вчені відволікаються від подібності процесів, що відбуваються в технічній системі або в реалізованих нею програмах, з мисленням людини. Якщо система вирішує завдання, які людина зазвичай вирішує за допомогою свого інтелекту, то ми маємо справу з системою штучного інтелекту. Однак це обмеження недостатньо. Створення традиційних програм для ЕОМ-робота програміста - не їсти конструювання штучного інтелекту. Які ж завдання, які вирішуються технічними системами, можна розглядати як що конструюють штучний інтелект? Щоб відповісти на це питання, треба усвідомити, перш за все, що таке завдання. Як відзначають психологи, цей термін теж не є достатньо виразною. Мабуть, в якості вихідного можна взяти розуміння завдання як розумової задачі, що існує в психології. Вони підкреслюють, що завдання є тільки тоді, коли є робота для мислення, т. Е. Коли є деяка мета, а засоби до її досягнення не ясні; їх треба знайти за допомогою мислення. Добре з цього приводу сказав чудовий математик Д. Пойа: "... труднощі рішення в якійсь мірі входить в саме поняття завдання: там, де немає труднощі, немає і завдання". Якщо людина має очевидний засіб, за допомогою якого, напевно, можна здійснити бажання, пояснює він, то завдання не виникає. Якщо людина володіє алгоритмом рішення деякої задачі і має фізичну можливість його реалізації, то завдання у власному розумінні вже не існує. Так що розуміється завдання, по суті, тотожна проблемної ситуації, і вирішується вона за допомогою перетворення останньої. В її рішенні беруть участь не тільки умови, які безпосередньо задані. Людина використовує будь-яку знаходиться в його пам'яті інформацію, "модель світу", наявну в його психіці і включає фіксацію різноманітних законів, зв'язків, відносин цього світу. Якщо завдання не є розумової, то вона вирішується на ЕОМ традиційними методами і, отже, не входить в коло завдань штучного інтелекту. Її інтелектуальна частина виконана людиною. На частку машини залишилася частина роботи, яка не вимагає участі мислення, т. Е. "Безглузда", неінтелектуальна. Під словом "машина" тут розуміється машина разом з її сукупним математичним забезпеченням, що включає не тільки програми, але і необхідні для вирішення завдань "моделі світу". Недоліком такого розуміння є головним чином його антропоморфізм. Завдання, які вирішуються штучним інтелектом, доцільно визначити таким чином, щоб людина, по крайней мере, в визначенні відсутній. Основна функція мислення полягає у виробленні схем доцільних зовнішніх дій в нескінченно варіюють умовах. Специфіка людського мислення (на відміну від розумової діяльності тварин) полягає в тому, що людина виробляє і накопичує знання, зберігаючи їх у своїй пам'яті. Вироблення схем зовнішніх дій відбувається не за принципом "стимул - реакція", а на основі знань, одержуваних додатково із середовища, для поведінки в якій виробляється схема дії. Цей спосіб вироблення схем зовнішніх дій (а не просто дії по командам, нехай навіть мінливим як функції від часу або як однозначно певні функції від результатів попередніх кроків) є істотною характеристикою будь-якого інтелекту. Звідси випливає, що до систем штучного інтелекту відносяться ті, які, використовуючи закладені в них правила переробки інформації, виробляють нові схеми доцільних дій на основі аналізу моделей середовища, що зберігаються в їх пам'яті. Здатність до перебудови самих цих моделей відповідно до знову надходить інформацією є свідченням більш високого рівня штучного інтелекту. Більшість дослідників вважають наявність власної внутрішньої моделі світу у технічних систем передумовою їх "інтелектуальності". Формування такої моделі пов'язано з подоланням синтаксичної однобічності системи, тобто з тим, що символи або та їх частина, якою оперує система, інтерпретовані, мають семантику. Характеризуючи особливості систем штучного інтелекту, фахівці вказують на: 1) наявність в них власної внутрішньої моделі зовнішнього світу; ця модель забезпечує індивідуальність, відносну самостійність системи в оцінці ситуації, можливість семантичної і прагматичної інтерпретації запитів до системи; 2) здатність поповнення наявних знань; 3) здатність до дедуктивного висновку, тобто до генерації інформації, яка в явному вигляді не міститься в системі; це якість дозволяє системі конструювати інформаційну структуру з новою семантикою і практичною спрямованістю; 4) вміння оперувати в ситуаціях, пов'язаних з різними аспектами нечіткості, включаючи «розуміння» природної мови; 5) здатність до діалогового взаємодії з людиною; 6) здатність до адаптації. На питання, чи всі перераховані умови є обов'язковими, необхідні для визнання системи інтелектуальної, вчені відповідають по-різному. У реальних дослідженнях, як правило, визнається абсолютно необхідним наявність внутрішньої моделі зовнішнього світу, і при цьому вважається достатнім виконання хоча б одного з перерахованих вище умов. П. Армер висунув думку про "континуумі інтелекту": різні системи можуть зіставлятися не тільки як такі, що й не мають інтелекту, але і за ступенем його розвитку. При цьому, вважає він, бажано розробити шкалу рівня інтелекту, що враховує ступінь розвитку кожного з його необхідних ознак. Відомо, що свого часу А. Тьюрінг запропонував критерієм, що визначає, чи може машина мислити, «гру в імітацію". Згідно з цим критерієм, машина може бути визнана мислячої, якщо людина, ведучи з нею діалог з досить широкого кола питань, не зможе відрізнити її відповідей від відповідей людини. Критерій Тьюринга в літературі був підданий критиці з різних точок зору. Дійсно серйозний аргумент проти цього критерію полягає в тому, що в підході Тьюринга ставиться знак тотожності між здатністю мислити і здатність до вирішення завдань переробки інформації определенною типу. Успішна "гра в імітацію" не може без ретельного попереднього аналізу мислення як цілісності бути визнана критерієм здатності машини до мислення. Однак цей аргумент б'є мимо цілі, якщо ми говоримо не про мислячої машині, а про штучний інтелект, який повинен лише продукувати фізичні тіла знаків, що інтерпретуються людиною в якості рішень певних завдань. Тому прав В.М. Глушков, стверджуючи, що найбільш природно, слідуючи Тьюрингу, вважати, що деякий пристрій, створене людиною, є штучний інтелект, якщо, ведучи з ним досить довгий діалог по більш-менш широкого кола питань, людина не зможе розрізнити, розмовляє він з розумним живою істотою або з автоматичним пристроєм. Якщо врахувати можливість розробки програм, спеціально розрахованих на введення в оману людини, то, можливо, слід говорити не просто про людину, а про спеціально підготовленому експерта. Цей критерій, на погляд багатьох вчених, який суперечить перерахованим вище особливостям системи штучного інтелекту. Але що значить по "досить широкого кола питань", про який йде мова в критерії Тьюринга і у висловленні В.М.Глушкова? На початкових етапах розробки проблеми штучного інтелекту ряд дослідників, особливо що займаються евристичним програмуванням, ставили завдання створення інтелекту, успішно функціонуючого в будь-якій сфері діяльності. Це можна назвати розробкою "загального інтелекту". Зараз більшість робіт спрямовано на створення "професійного штучного інтелекту", т. Е. Систем, вирішальних інтелектуальні завдання з відносно обмеженою області (наприклад, управління портом, інтегрування функцій, доказ теорем геометрії тощо). У цих випадках "досить широке коло питань" повинен розумітися як відповідна область предметів. Вихідним пунктом міркувань про штучний інтелект було визначення такої системи як вирішальної розумові завдання. Але перед нею ставляться і завдання, які люди зазвичай не вважають інтелектуальними, оскільки при їх вирішенні людина свідомо не вдається до перебудови проблемних ситуацій. До їх числа належить, наприклад, завдання розпізнання зорових образів. Людина впізнає людину, якого бачив один-два рази, безпосередньо в процесі чуттєвого сприйняття. Виходячи з цього, здається, що це завдання не є інтелектуальною. Але в процесі пізнавання людина не вирішує розумових завдань лише остільки, оскільки програма розпізнання не перебуває у сфері усвідомленого. Але так як в рішенні таких задач на несвідомому рівні бере участь модель середовища, що зберігається в пам'яті, то ці завдання, по суті, є інтелектуальними. Відповідно і система, яка її вирішує, може вважатися інтелектуальної. Тим більше це відноситься до "розуміння" машиною фраз природною мовою, хоча людина в цьому не вбачає зазвичай проблемної ситуації. Теорія штучного інтелекту при вирішенні багатьох завдань стикається з гносеологічними проблемами. Одна з таких проблем полягає у з'ясуванні питання, доказова теоретично (математично) можливість або неможливість штучного інтелекту. На цей рахунок існують дві точки зору. Одні вважають математично доведеним, що ЕОМ в принципі може виконати будь-яку функцію, здійснювану природним інтелектом. Інші вважають в такій же мірі доведеним математично, що є проблеми, які вирішуються людським інтелектом, які принципово недоступні ЕОМ. Ці погляди висловлюються як кібернетики, так і філософами. Знання - основа інтелектуальної системи Багато видів розумової діяльності людини, такі, як написання програм для обчислювальної машини, заняття математикою, ведення міркувань на рівні здорового глузду і навіть водіння автомобіля - вимагають "інтелекту". Протягом останніх десятиліть було побудовано кілька типів комп'ютерних систем, здатних виконувати подібні завдання. Є системи, здатні діагностувати захворювання, планувати синтез складних синтетичних сполук, вирішувати диференціальні рівняння в символьному вигляді, аналізувати електронні схеми, розуміти обмежений обсяг людської мови і природного мовного тексту. Можна сказати, що такі системи мають в, деякій мірі, штучним інтелектом. Робота з побудови таких систем проводиться в області, що отримала назву штучний інтелект (ШІ). При реалізації інтелектуальних функцій неодмінно присутня інформація, яка називається знаннями. Іншими словами, інтелектуальні системи є в той же час системами обробки знань. В даний час в дослідженнях зі штучного інтелекту виділилися кілька основних напрямків. 1. Подання знань. В рамках цього напрямку вирішуються завдання, пов'язані з формалізацією і поданням знань у пам'яті системи ШІ. Для цього розробляються спеціальні моделі подання знань і мови опису знань, впроваджуються різні типи знань. Проблема подання знань є однією з основних проблем для системи ШІ, так як функціонування такої системи спирається на знання про проблемну область, які зберігаються в її пам'яті. 2. Маніпулювання знаннями. Щоб знаннями можна було користуватися при вирішенні завдання, слід навчити систему ШІ оперувати ними. В рамках даного напрямку розробляються способи поповнення знань на основі їх неповних описів, створюються методи достовірного і правдоподібного виведення на основі наявних знань, пропонуються моделі міркувань, що спираються на знання і імітують особливості людських міркувань. Маніпулювання знаннями дуже тісно пов'язане з поданням знань, і розділити ці два напрямки можна лише умовно. 3. Спілкування. У коло завдань цього напрямку входять: проблема розуміння і синтезу зв'язкових текстів на природній мові, розуміння і синтез мови, теорія моделей комунікацій між людиною і системою ШІ. На основі досліджень в цьому напрямку формуються методи побудови лінгвістичних процесів, питально-відповідних систем, діалогових систем та інших систем ІІ, метою яких є забезпечення комфортних умов для спілкування людини з системою ШІ. 4. Сприйняття. Цей напрямок включає розробку методів подання інформації про зорові образи в базі знань, створення методів переходу від зорових сцен до їх текстового опису і методів зворотного переходу, створення засобів, що породжують зорові сцени на основі внутрішніх уявлень в системах ШІ. 5. Навчання. Для розвитку здатності систем ШІ до навчання, тобто до вирішення завдань, з якими вони раніше не зустрічалися, розробляються методи формування умов завдань по опису проблемної ситуації або за спостереженням за нею, методи переходу від відомого рішення приватних завдань (прикладів) до вирішення загального завдання, створення прийомів розбивки вихідного завдання на більш дрібні і вже відомі для систем ШІ. В цьому напрямку ІІ зроблено ще дуже мало. 6. Поведінка. Оскільки системи ШІ повинні діяти в деякій навколишньому середовищу, то необхідно розробляти деякі поведінкові процедури, які дозволили б їм адекватно взаємодіяти з навколишнім середовищем, іншими системами ІІ і людьми. Цей напрямок в ІІ також розроблено ще дуже слабо. В останні роки термін "знання" все частіше вживається в інформатиці. Фахівці підкреслюють, що вдосконалення так званих інтелектуальних систем (інформаційно-пошукових систем високого рівня, діалогових систем, що базуються на природних мовах, інтерактивних людино-машинних систем, використовуваних в управлінні, проектуванні, наукових дослідженнях) багато в чому залежить від того, наскільки успішно будуть вирішуватися завдання (проблеми) подання знань.
3.1 Аспекти представлення знань
Не дивно, що перед тими, хто займається проблемою подання знань, постає питання про те, що таке знання, яка його природа і основні характеристики. У зв'язку з цим робляться, наприклад, спроби дати таке визначення знання, з якого можна було б виходити в рішенні задач уявлення знань у комп'ютерних системах. Поданням даних притаманний пасивний аспект: книга, таблиця, заповнена інформацією пам'ять. У теорії штучного інтелекту особливо підкреслюється активний аспект подання знань: придбання знання повинне стати активною операцією, що дозволяє не тільки запам'ятовувати, але й застосовувати сприйняті (придбані, засвоєні) знання для міркувань на їх основі. Використання символічної мови, такого, як мова математичної логіки, дозволяє формулювати опису в формі, одночасно близькій і до звичайної мови, і до мови програмування. Втім, математична логіка дозволяє міркувати, базуючись на придбаних знаннях: логічні висновки дійсно є активними операціями отримання нових знань з уже засвоєних. Принципова світоглядна установка складається в розгляді ЕОМ як предмета-посередника в пізнавальній людської діяльності. Комп'ютерна система, подібно до інших предметів-посередникам (знаряддям праці і предметів побуту, інструментів, приладів, знаково-символічних систем, науковим текстам і т. Д.), Граючи інструментальну роль в пізнанні, є засобом об'єктивізації накопиченого знання, втіленням певного соціально-історичного досвіду практичної і пізнавальної діяльності. Проблема подання знань виникла як одна з проблем штучного інтелекту. Вона пов'язана з переходом досліджень в цій області в деяку нову фазу. Мова йде про створення практично корисних систем (насамперед так званих експертних систем), застосовуваних у медицині, геології, хімії. Створення такого роду систем вимагає інтенсивних зусиль по формалізації знання, накопиченого у відповідній науці. З терміном "подання знань" зв'язується певний етап у розвитку математичного забезпечення ЕОМ. Якщо на першому етапі домінували програми, а дані грали допоміжну роль своєрідної "їжі" для "голодних" програм, то на наступних етапах роль даних неухильно зростала. Їх структура ускладнювалася: від машинного слова, розміщеного в одній комірці пам'яті ЕОМ, відбувався перехід до векторів, масивам, файлам, спискам. Вінцем цього розвитку стали абстрактні типи даних, що забезпечують можливість створення такої структури даних, яка найбільш зручна при вирішенні задачі. Послідовний розвиток структур даних привело до їх якісної зміни і до переходу від представлення даних до представлення знань. Рівень представлення знань відрізняється від рівня представлення даних не тільки більш складною структурою, а й істотними особливостями: интерпретируемость, наявність класифікованих зв'язків (наприклад, зв'язок між знаннями, що відносяться до елементу множини, і знаннями про це безлічі), які дозволяють зберігати інформацію, однакову для всіх елементів безлічі, записану одноактно при описі самої множини, наявність ситуативних відносин (одночасності, знаходження в одній точці простору і т. п., ці відносини визначаю т ситуативну сумісність тих або інших знань, збережених в пам'яті). Крім того, для рівня знань характерні такі ознаки, як наявність спеціальних процедур узагальнення, поповнення наявних в системі знань і ряду інших процедур. Моделювання на ЕОМ розумілося як технічна реалізація певної форми знакового моделювання. Однак, розглядаючи ЕОМ у гносеологічному плані в якості посередника в пізнанні, має сенс не фіксувати увагу, перш за все на "залізної частини" (hardware) комп'ютера, а розглядати всю комп'ютерну систему як складну систему взаємопов'язаних і до деяких меж самостійних моделей - як матеріальних, так і знакових, т. е. ідеальних. Такий підхід не тільки відповідає розгляду комп'ютерних систем у сучасній інформатиці, але є і гносеологічно виправданим. Багато важливих філософські аспекти проблем, що виникають у зв'язку з комп'ютеризацією різних сфер людської діяльності, вимагають для свого дослідження звернення, перш за все, до знакових складових комп'ютерних систем. Це вірно і по відношенню до філософських аспектів проблем подання знань. В останні роки все частіше став вживатися термін "комп'ютерне моделювання". Очевидно, має сенс позначати їм побудову будь-якого зі складових комп'ютерної системи - будь то знакова модель або матеріальна. Що змінюється в комп'ютерному моделюванні з переходом від рівня представлення даних до рівня подання знань? Який гносеологічний сенс цих змін? З введенням терміна "знання" з'являється властивість "усвідомлювати", т. Е. "Розуміти" свої інтелектуальні можливості. У свою чергу, це означає не що інше, як рефлексію.
3.2 Рефлексія
Дослідження в галузі штучного інтелекту виникли під впливом ідей кібернетики - перш за все ідеї спільності процесів управління і передачі інформації в живих організмах, суспільстві і техніці, зокрема, в комп'ютерах. Філософська прийнятність проблематики штучного інтелекту в її традиційному вигляді була обумовлена лежачим в її основі уявленням про те, що "порядок і зв'язок ідей ті ж, що порядок і зв'язок речей". Тим самим створити в комп'ютері структуру, яка б відтворювала "світ ідей", означало просто створити структуру, изоморфную структурі матеріального світу, т. Е. Побудувати "електронну модель світу". Ця модель інтерпретувалася як комп'ютерна модель людських знань про світ. Процес людського мислення інтерпретувався в комп'ютері як машинний пошук таких трансформацій моделі, які повинні були перевести комп'ютерну модель в якесь фінальне стан (наприклад, матову позицію в шахах). Для цього система штучного інтелекту потребувала знаннях про те, як здійснювати трансформації станів моделі, що призводять до заздалегідь заданої мети - станом з певними властивостями. У перший час було поширене переконання в принциповій здатності комп'ютера до самостійного дослідження зберігається в ньому моделі, т. Е. До самонавчання стратегії досягнення поставленої мети. Дана гіпотетична здатність інтерпретувалася як можливість машинного творчості, як основа створення майбутніх "мислячих машин". І, хоча в реально розроблялися системах досягнення мети здійснювалося на основі людського досвіду за допомогою алгоритмів, заснованих на теоретичному аналізі створюваних моделей і результатів проведених на них експериментів, ідеї побудови самонавчального систем багатьом здавалися найбільш перспективними. Лише до 80-му році була усвідомлена значимість проблеми використання в інтелектуальних системах людських знань про дійсність, яка спричинила серйозну розробку баз знань і методів вилучення особистих знань експертів. З розвитком даного напрямку виникла ідея рефлексивного управління. До цього моменту в кібернетиці управління розглядалося як передача об'єкта сигналів, що безпосередньо впливають на його поведінку, а ефективність управління досягалася за допомогою зворотного зв'язку - отримання інформації про реакції керованого об'єкта. Рефлексивне ж управління - є передача інформації, що впливає на наявний в об'єкта образ світу. Тим самим зворотний зв'язок виявляється зайвою - стан суб'єкта відомо передавальному інформацію, тобто об'єкту. Традиційні системи штучного інтелекту засновані на ідеології целеоріентірованного поведінки типу шахової гри, де мета обох партнерів полягає в тому, щоб поставити мат ціною будь-яких жертв. Не випадково саме шахові програми виявилися настільки важливими для відпрацювання методів штучного інтелекту. Чи варто вважати рефлексію невід'ємною частиною систем штучного інтелекту? Відповіддю з технічної точки зору може бути таке. Як і будь-яка комп'ютерна програма, наділена засобами самодіагностики і самовиправлення (а такі кошти вже стають стандартом), т. Е. Засобами підвищення надійності, системи штучного інтелекту повинні контролювати перебіг передвиборних процесів - як зовнішні, так і внутрішні. Однак може здатися, що в цьому сенсі буде достатнім просто розвинена структура зворотних зв'язків. Відразу слід зазначити, що під зворотним зв'язком слід розуміти тільки відповідну реакцію (або отримання інформації про неї) після якогось конкретного дії системи. Зворотній зв'язок лише надає дані, інформацію, але ні в якій мірі не інтерпретує їх. Норбертом Вінером в книзі "Кібернетика, або управління і зв'язок в тварині і машині" були наведені приклади порушень нервової системи людей і їх наслідки. Так люди з порушенням системи орієнтації власних кінцівок в просторі (не відчуває своїх рук і ніг, випадок, коли кінцівки "німіють") повинні були візуально контролювати свої дії. Це було типове порушення зворотного зв'язку. Рефлексія ж має на увазі аналіз отриманої картини. Аналіз функціонування власної моделі або моделі "всієї навколишньої дійсності" (в рамках поставленої задачі), контроль над її станом, прогнозування стану - є ні що інше, як реалізація рефлексії. Рефлексія - є якийсь метауровень. Із застосуванням мов програмування високого рівня, таких як Пролог, що дозволяє формулювати цілі і будувати логічні висновки досяжності цих цілей, завдання реалізації рефлексії вже може бути частково вирішена. З їх допомогою можна побудувати якусь метаструктуру, надбудову, якийсь метауровень, що дозволяє оцінювати поведінку попереднього. Однак, при розгляді терміна "глибока рефлексія" або "багаторівнева рефлексія" встає проблема побудови моделей самою системою. Тут на допомогу приходять абстрактні типи даних. Вони дозволяють оперувати структурами даних будь-якої кінцевої складності. Таким чином, можна вважати, що системи штучного інтелекту можуть містити модель рефлексії. Таким чином, вважати інтелектуальну систему повноцінної без уміння оцінювати, "розуміти" свої дії, тобто рефлексувати, не можна. Більш того, рефлексію слід вважати одним з головних інструментів побудови поведінки систем. Якщо говорити мовою математики, рефлексія є необхідною умовою існування інтелектуальної системи.
3.3 Деякі підходи до вирішення проблеми ІІ
Механістичний підхід. Ідея створення мислячих машин "людського типу", які думають, рухаються, чують, говорять, і взагалі поводяться як живі люди йде корінням в глибоке минуле. Ще в античності люди прагнули створити машину, подібну собі. У 1736 р французький винахідник Жак де Вокансон виготовив механічного флейтиста в людський зріст, який виконував дванадцять мелодій, перебираючи пальцями отвори і дуючи в мундштук, як справжній музикант. В середині 1750-х років Фрідріх фон Кнаус, австрійський автор, який служив при дворі Франциска I, сконструював серію машин, які вміли тримати перо і могли писати досить довгі тексти. Інший майстер, П'єр Жак-Дроз зі Швейцарії, побудував пару дивовижних за складністю механічних ляльок розміром з дитини: хлопчика, пише листи і дівчину, що грає на клавесині. Успіхи механіки XIX в. стимулювали ще більш честолюбні задуми. Так, в 1830-х роках англійський математик Чарльз Беббідж задумав, правда, так і не завершивши, складний цифровий калькулятор, який він назвав Аналітичної машиною; як стверджував Беббідж, його машина в принципі могла б розраховувати шахові ходи. Пізніше, в 1914 р, директор одного з іспанських технічних інститутів Леонардо Торрес-і-Кеведо дійсно виготовив електромеханічний пристрій, здатне розігрувати найпростіші шахові ендшпілі майже так само добре, як і людина. Але всі ці механічні пристрої мають лише віддалене подібність з тим, що може бути названо ІІ, хоча цікаві з історичної точки зору. Електронний підхід Після другої світової війни з'явилися пристрої, здавалося б, що підходять для досягнення заповітної мети - моделювання розумного поведінки; це були електронні цифрові обчислювальні машини. До кінця 50-х років усі ці захоплення виділилися в нову більш-менш самостійну гілку інформатики, що отримала назву "штучний інтелект". Дослідження в галузі ШІ, спочатку зосереджені в кількох університетських центрах США - Массачусетському технологічному інституті, Технологічному інституті Карнегі в Піттсбурзі, Станфордском університеті, - нині ведуться в багатьох інших університетах та корпораціях США та інших країн. Дослідників ШІ, що працюють над створенням мислячих машин, можна розділити на дві групи. Одних цікавить чиста наука і для них комп'ютер - лише інструмент, що забезпечує можливість експериментальної перевірки теорій процесів мислення. Інтереси іншої групи лежать в області техніки: вони прагнуть розширити сферу застосування комп'ютерів і полегшити користування ними. Багато представників другої групи мало дбають про з'ясуванні механізму мислення - вони вважають, що для їх роботи це чи більш корисно, ніж вивчення польоту птахів і літакобудування. Протягом усієї своєї короткої історії дослідники в галузі ШІ завжди перебували на передньому краї інформатики. Багато нині звичайні розробки, в тому числі вдосконалені системи програмування, текстові редактори і програми розпізнавання образів, значною мірою розглядаються на роботах з ШІ. Коротше кажучи, теорії, нові ідеї, і розробки ШІ незмінно привертають увагу тих, хто прагне розширити області застосування і можливості комп'ютерів, зробити їх більш "доброзичливими" тобто більш схожими на розумних помічників і активних порадників, ніж ті педантичні і тупуваті електронні раби, якими вони завжди були. Незважаючи на багатообіцяючі перспективи, жодну з розроблених досі програм ІІ не можна назвати "розумної" у звичайному розумінні цього слова. Це пояснюється тим, що всі вони вузько спеціалізовані; найскладніші експертні системи за своїми можливостями швидше нагадують дресированих або механічних ляльок, ніж людину з його гнучким розумом і широким кругозором. Навіть серед дослідників ШІ тепер багато хто сумнівається, що більшість подібних виробів принесе істотну користь. Чимало критиків ІІ вважають, що такого роду обмеження взагалі нездоланні, і рішення проблеми ІІ треба шукати не в сфері безпосередньо електроніки, а десь за її межами. Кібернетичний підхід Спроби побудувати машини, здатні до розумного поведінки, значною мірою натхнені ідеями професора Массачусетського технологічного інституту, Норберта Вінера, однією з видатних особистостей в інтелектуальній історії Америки і всього світу. Крім математики він мав широкі пізнання в інших областях, включаючи нейропсихологию, медицину, фізику і електроніку. Вінер був переконаний, що найбільш перспективні наукові дослідження в так званих прикордонних областях, які не можна конкретно віднести до тієї чи іншої конкретної дисципліни. Вони лежать десь на стику наук, тому до них зазвичай не підходять настільки суворо. "Якщо труднощі у вирішенні будь-якої проблеми психології мають математичний характер, пояснював він, - то десять необізнаних в математиці психологів просунутися не далі за одного настільки ж недосвідченого". Таким чином, міждисциплінарність - наріжний камінь сучасної науки. Вінеру і його співробітнику Джуліану Бігелоу належить розробка принципу "зворотного зв'язку", який був успішно застосований при розробці нової зброї з радіолокації наведенням. Принцип зворотного зв'язку полягає у використанні інформації, що надходить з навколишнього світу, для зміни поведінки машини. В основу розроблених Вінером і Бігелоу систем наведення були покладені тонкі математичні методи; при щонайменшій зміні відображених від літака радіолокаційних сигналів вони відповідно змінювали наводку знарядь, тобто - помітивши спробу відхилення літака від курсу, вони негайно розраховували його подальший шлях і направляли гармати так, щоб траєкторії снарядів і літаків перетнулися. Надалі Вінер розробив на принципі зворотного зв'язку теорії як машинного, так і людського розуму. Він доводив, що саме завдяки зворотного зв'язку все живе пристосовується до навколишнього середовища і домагається своїх цілей. "Усі машини, що претендують на розумність", - писав він, - "повинні мати здатність переслідувати певні цілі і пристосовуватися, тобто навчатися". У 1948 році виходить книга Вінера, в якій він заклав фундамент нової науки, названої ним кібернетикою, що в перекладі з грецького означає рульової. Следует отметить, что принцип "обратной связи", введенный Винером, был в какой-то степени предугадан Сеченовым в описанном им в книге "Рефлексы головного мозга" (1863 г.) феномене "центрального торможения", т. е. почти за 100 лет до Винера, и рассматривался как механизм регуляции деятельности нервной системы, и который лег в основу многих моделей произвольного поведения в отечественной психологии.
висновок
Ключевым фактором, определяющим сегодня развитие ИИ-технологий, считается темп роста вычислительной мощности компьютеров, так как принципы работы человеческой психики по-прежнему остаются неясными (на доступном для моделирования уровне детализации). Поэтому тематика ИИ-конференций выглядит достаточно стандартно и по составу почти не меняется уже довольно давно.
Но рост производительности современных компьютеров в сочетании с повышением качества алгоритмов периодически делает возможным применение различных научных методов на практике. Так случилось с интеллектуальными игрушками, так происходит с домашними роботами. Снова будут интенсивно развиваться временно забытые методы простого перебора вариантов (как в шахматных программах), обходящиеся крайне упрощенным описанием объектов. Но с помощью такого подхода (главный ресурс для его успешного применения - производительность) удастся решить, как ожидается, множество самых разных задач (например, из области криптографии). Уверенно действовать автономным устройствам в сложном мире помогут достаточно простые, но ресурсоемкие алгоритмы адаптивного поведения. При этом ставится цель разрабатывать системы, не внешне похожие на человека, а действующие, как человек.
Ученые пытаются заглянуть и в более отдаленное будущее. Можно ли создать автономные устройства, способные при необходимости самостоятельно собирать себе подобные копии (размножаться)? Способна ли наука создать соответствующие алгоритмы? Сможем ли мы контролировать такие машины? Ответов на эти вопросы пока нет. Продолжится активное внедрение формальной логики в прикладные системы представления и обработки знаний. В то же время такая логика не способна полноценно отразить реальную жизнь, и произойдет интеграция различных систем логического вывода в единых оболочках. При этом, возможно, удастся перейти от концепции детального представления информации об объектах и приемов манипулирования этой информацией к более абстрактным формальным описаниям и применению универсальных механизмов вывода, а сами объекты будут характеризоваться небольшим массивом данных, основанных на вероятностных распределениях характеристик.
Сфера ИИ, ставшая зрелой наукой, развивается постепенно - медленно, но неуклонно продвигаясь вперед. Поэтому результаты достаточно хорошо прогнозируемы, хотя на этом пути не исключены и внезапные прорывы, связанные со стратегическими инициативами.
література
1. Ильясов Ф. Н. Разум искусственный и естественный//Известия АН Туркменской ССР, серия общественных наук. 1986. № 6. С. 46-54
2. Пенроуз. Р. Новый ум короля. О компьютерах, мышлении и законах физики. М.: УРСС, 2005. ISBN 5-354-00993-6
3. Гарри Гаррисон. Выбор по Тьюрингу. М.: Эксмо-Пресс, 1999. 480 с. ISBN 5-04-002906-3
4. В МИРЕ НАУКИ. (Scientific American. Издание на русском языке). 1990. № 3
5. Геннадий Осипов «Искусственный интеллект: состояние исследований и взгляд в будущее»
6. "Ростов Телеком" #34 (55) «Искусственный интеллект: новая информационная революция»
7. Хант Э . Искусственный интеллект = Artificial intelligence / Под ред. В. Л. Стефанюка. -- М.: Мир, 1978. -- 558 с. -- 17 700 экз.
8. Люгер Дж. Ф. Искусственный интеллект: стратегии и методы решения сложных проблем = Artificial Intelligence: Structures and Strategies for Complex Problem Solving / Под ред. Н. Н. Куссуль. -- 4-е изд.. -- М.: Вильямс, 2005. -- 864 с. -- 2000 экз. -- ISBN 5-8459-0437-4
9. Девятков В. В. Системы искусственного интеллекта / Гл. ред. И. Б. Фёдоров. -- М.: Изд-во МГТУ им. Н. Э. Баумана, 2001. -- 352 с. -- (Информатика в техническом университете). -- 3000 экз. -- ISBN 5-7038-1727-7 ...........
|