Отсюда следует, что к системам “искусственного интеллекта” относятся те, которые, используя заложенные в них правила переработки информации, вырабатывают новые схемы целесообразных действий на основе анализа моделей среды, хранящихся в их памяти. Способность к перестройке самих этих моделей в соответствии с вновь поступающей информацией является свидетельством более высокого уровня “искусственного интеллекта”.

Принципы обработки информации, заложенные в первые вычислительные устройства, определялись традиционными представлениями о могуществе формальной логики. Жесткие алгоритмы предписывали устройству поочередно шаг за шагом выполнить некоторые арифметические преобразования. И с такой задачей устройства успешно справлялись. Но далее сложилась парадоксальная ситуация: компьютеры прекрасно имитировали высшие формы абстрактной деятельности человека, такие как решение сложных инженерных задач и в тоже время им были недоступны более “примитивные” способности типа распознавания изображений, понимания конструкций языка. Попытки экстенсивного наращивания скорости и объема вычислений проблему не решили. Стало очевидно, что необходим пересмотр фундаментальных принципов работы решающих устройств.

Первым реальным шагом на пути преодоления ограничений алгоритмического подхода была разработка эвристического программирования. Решению задачи может способствовать использование информации самого различного рода: информация может подсказать порядок, в котором следует проверять возможные решения или послужить основанием, для того чтобы исключить из рассмотрения целый класс возможных решений. Всякая информация такого рода есть эвристика, т.е. то, что способствует открытию. Иными словами суть эвристического поиска - сокращение числа перебираемых вариантов без потери качества решения, благодаря содержащейся в задаче дополнительной информации. Эвристики в редких случаях могут служить безошибочным руководством, их результаты варьируют от задачи к задаче, и успешность их применения нельзя гарантировать. Однако, руководствуясь такими инструкциями, машина проявляет больше “человеческих” свойств, ей становится доступным принципиально новый круг задач (например, поиск в лабиринте).  Именно в 50-х годах, когда был открыт принцип эвристического программирования, термин “искусственный интеллект” получил еще одно толкование, теперь им обозначалась область исследований, в которой цифровые машины используются для моделирования разумного поведения.

Другим подходом было создание алгоритмов, которые обеспечили бы компьютерам способность обучаться, или, иначе говоря, способность изменяться под влиянием собственного опыта. К сожалению, системы искусственного интеллекта практически неспособны активно воздействовать на внешнюю среду, что отрицательно сказывается на возможностях самообучения и вообще совершенствования «интеллектуальной» деятельности. Простые процессы ассоциативного обучения были промоделированы на цифровых машинах, но такое обучение имеет мало общего с тем, что мы наблюдаем у человека или высокоорганизованных животных.

Задача создания обучающихся систем непосредственно связана со структурированием знаний, объем которых может быть грандиозным. Вспомним, что наличие собственной модели мира неотъемлемый признак “искусственного интеллекта”. Формирование такой модели связано с преодолением синтаксической односторонности системы, т.е. с тем, что символы или та их часть, которой оперирует система, интерпретированы, имеют семантику. На начальных этапах разработки проблемы искусственного интеллекта ряд исследователей, особенно занимающихся эвристическим программированием, ставили задачу создания интеллекта, успешно функционирующего в любой сфере деятельности. Это можно назвать разработкой «общего интеллекта». Сейчас большинство работ направлено на создание «профессионального искусственного интеллекта», т. е. систем, решающих интеллектуальные задачи из относительно ограниченной области (например, управление портом, интегрирование функций, доказательство теорем геометрии и т.п.). Тем самым создаются предпосылки для устранения неоднозначности семантической интерпретации, что упрощает процесс реализации функций самообучения. Такие специализированные системы получили название экспертных. Однако даже на современном этапе экспертные системы не в полной мере оправдывают свое название. Они представляют собой скорее склад знаний, которыми обладают различные эксперты и только в этом могут принести пользу при определенных обстоятельствах. Однако элемент интеллектуальности у этих систем все-таки имеется. Дело в том что самостоятельное структурирование огромных массивов информации является довольно сложной задачей. Основой современных экспертных систем служат фреймы – крупная, структурированная единица знаний, основанная на фактах и процедурах. Фактуальные (декларативные) знания – база данных. Важнейшая часть базы данных – сценарий описывающий внешнюю обстановку, с которой взаимодействует эксперт. Процедурные знания – множество правил вывода (продукций) для базы знаний. Правила включают информацию о методах сужения области поиска. Отдельные фреймы взаимосвязаны и образуют единую систему. Единство системы реализуется с помощью дополнительной информации, содержащейся в каждом фрейме. Она включает сведения о способе обращения с данным фреймом, о действии, которое нужно выполнить, о действии которое нужно выполнить, если текущие предположения не оправдались. Таким образом, фрейм включает способы переадресации к другому фрейму, а иногда переадресация осуществляется по аналогии. Еще одна характерная особенность фрейма связана с наследованием атрибутов, что позволяет избегать дублирования информации и устранять противоречивые данные

Некоторые задачи, такие как распознавание образов и использование естественных языков не удавалось реализовать длительное время, лишь в последние годы в этой области наметился некоторый прогресс. На задаче распознания зрительных образов следует остановиться особо. Человек узнает человека, которого видел один-два раза, непосредственно в процессе чувственного восприятия. Исходя из этого, кажется, что задача не является интеллектуальной. Но в процессе узнавания человек не решает мыслительных задач лишь постольку, поскольку программа распознания не находится в сфере осознанного. Традиционный подход показал полную несостоятельность в плане восприятия естественного языка даже для эвристически запрограммированных систем. Попытки свести понимание языка к конечному набору каких-то правил выявили, что он не поддается окончательной формализации. Правила, которые выводились из других правил, в свою очередь нуждались в интерпретации. Вскрылась проблема “изначального понимания” человеком неявных инструкций, которые не могут быть четко сформулированы. Принципиальная корректность работы компьютера означает невозможность порождения ошибочных гипотез, а указание на локальный характер работы ЭВМ - отсутствие как такового механизма выдвижения гипотез, поскольку для выдвижения гипотез необходима другая, отличная от алгоритмического вычислителя, программа, способная "помнить" результаты своих прошлых вычислений и анализировать их. По существу, речь в данном случае идет уже о программе следующего иерархического уровня (метапрограмме), которая работает не непосредственно с "входными данными", а с результатами работы программы первого уровня - с результатами работы алгоритмического вычислителя.

Это заставило ученых обратиться к еще одному аспекту человеческого мышления: умению человека учитывать нечеткие ситуации, не прибегая к замене их точными описаниями. Человек способен использовать глобальный контекст для требуемого уменьшения неоднозначности, не прибегая при этом к формализации (то есть полному исключению неопределенности). Это особенно ярко проявляется при манипулировании естественным языком. Присущее человеку ощущение ситуации позволяет ему исключить из рассмотрения большинство возможных вариантов до всякого точного их анализа. По аналогии с человеком в цифровые вычислительные устройства попытались ввести принцип случайности. Такой подход оказался наиболее продуктивным при решении игровых задач, например шахматных. Также интересной в этом плане представляется используемая во фреймах операция по умолчанию. Она включается, если не хватает конкретной информации для использования данного фрейма. Тогда вводится предположение, что недостающая информация – обычная, т.е. не отличается от нормы. Такой прием позволяет снять неопределенность – понять смысл ситуации при неполноте информации. Вывод по умолчанию выполняет весьма важную функцию при распознавании. Например, если видна лишь часть образа, то, заменив другие части значениями по умолчанию, можно хотя бы приблизительно идентифицировать образ. Точно также, используя значения по умолчанию, можно восстановить смысл контекста, из которого выхвачены отдельные предложения. Отчетливо видно, что те механизмы мышления, которые мыслители прошлого, считали  лишь помехой на пути постижения истины, являются  не менее важным способом получения информации о действительности, хотя законы такого способа не столь очевидны по сравнению с правилами формальной логики.

На данной стадии возникает необходимость прояснить взаимоотношения, существующие между “искусственным интеллектом” и биологической наукой о мышлении. Один из аспектов проблемы – это моделирование процессов мышления. В исследованиях по “искусственному интеллекту” ученые, сталкиваясь с затруднениями, неизбежно обращали взоры на процессы мыслительной деятельности, имеющие место у человека. Вот что пишет по этому поводу Станислав Мурсалов программист, известный разработчик систем с элементами “искусственного интеллекта”: “Многочисленные аналогии с психикой человека будут продолжаться, …аналогия в данном случае – важный инструмент разработки. Фундаментальная теория всегда опирается на подходящую модель явления, а здесь самая подходящая модель – наша психика, сотворив которую, природа давно решила нашу задачу. Уже многократно в трудах своих, придя к тем или иным выводам, впоследствии я обнаруживал объяснение этому в "психической" книжке или беседуя с умным человеком. … если совершенно разные пути приводят к аналогичным выводам, значит предмет– рационален, работать с ним можно…”

Общим для мозга и моделирующими его работу устройствами является материальность, закономерный характер всех процессов, общность некоторых форм движения материи и отражение как всеобщее свойство материи.

Когда мы говорим о модели, речь идет о системе, в определенных существенных структурах и отношениях аналогичной предмету исследования, системе, применение которой при исследовании определенных предметных областей опирается на научную обоснованность выводов по аналогии. Аналогия предполагает тождественность некоторых характеристик сравниваемых систем, но в целом эти системы всегда различны.

Модель при этом выступает как заместитель прототипа, причем это не простое замещение, а такое, которое дает возможность получить о прототипе определенное знание. Следовательно, для всех научных моделей характерно то, что они являются заместителями объекта исследования, находящимися с последним в таком сходстве (или соответствии), которое позволяет получить новое знание об этом объекте. Весьма распространенным является отождествление модели с идеальным образом. С этой точкой зрения трудно согласиться, ведь нетождественность модели и образа определяется самой природой моделирования – последнее предполагает формирование образа в процессе предварительного исследования объекта (прототипа).

В моделировании объекта мы можем выделить разные этапы, для которых характерно использование моделей, отражающих степень полноты аналогии между моделью и прототипом: моделирование результата; моделирование поведения, ведущего к этому результату; моделирование структуры; моделирование материала. Этот способ разделения моделей оказывается удобным для анализа моделирования отражательных функций мозга. Например, такой вид аналогии как изоморфизм предполагает тождество структур и различие элементов, но соответствие структур разных объектов не предполагает обязательность тождества элементов, связанных определенными соотношениями. Такова же ситуация и при других видах аналогии.

Возникновение системного подхода было обусловлено тем, что традиционные методы исследования при изучении сложных объектов оказались несостоятельными. Поэтому и появилось необходимость представления сложного объекта в виде системы. С использованием системного подхода возникает вопрос: существуют ли системы реально или же системы привносятся в реальность человеком? Имеется тенденция, берущая начало с Клода Бернара, согласно которой системы существуют не в природе, а в сознании людей. С. Бир, исходя из разрабатываемой им идеи имманентности организации, утверждает, что наш мозг накладывает некоторую структуру на реальное бытие, выделяя тем самым систему. Конечно, можно согласиться с тем, что прерогатива выделения системы принадлежит субъекту, но это не означает, что система – произвольная конструкция сознания, т.к. если есть отражение в сознании, то есть и то, что отображается, т.е. объективная действительность. Несмотря на объективность существования системы, ее выражение,

представление носит условный характер, определяемый уровнем развития нашего знания. И в этом смысле мы можем сказать, что система в виде некоторого теоретического представления объекта не существует вне человеческого познания  и общественной практики, хотя сам объект с его взаимосвязью составляющих существует объективно. Таким образом, можно говорить, что существую реальные объективные системы (объекты) и системы понятий (мысленные, концептуальные системы),  которые характеризуют этот объект. Следовательно, в виде систем могут быть представлены не только объекты, но и теории.

Мозг и кибернетические моделирующие устройства принадлежат к самоорганизующимся динамическим функциональным системам. Для правильного функционирования системы в ней необходимо постоянство определенных параметров. Регулирование осуществляется по замкнутому циклу, при котором посредством обратной связи система получает сигнал о степени полезности действия. Между мозгом и моделирующим устройством существует структурно-функциональная аналогия, заключающаяся в том, что определенной структуре соответствует определенная функция.

Субстанциональные теории психического стали терять популярность по мере того, как дальнейшее развитие наук, таких как физика, математика и, в особенности, кибернетика, показало, что функции, как правило, не столь тесно связаны с субстратом в котором или посредством которого они реализуются. Одна и та же функция (описываемая, например, одними и теми же математическими формулами) может быть реализована различными способами и в различных по своим физическим свойствам субстратах. Выяснилось, что функция больше зависит не от специфических свойств материального субстрата, а от его структурной организации. Выяснилось также, что сложные функции можно представить в виде суперпозиции некоторого фиксированного множества простых функций. В математике подобный подход получил развитие в теории алгоритмов (теории рекурсивных функций).

Однако, при моделировании мышления в технической модели воссоздается не мыслительный процесс, а лишь его результат. Совершенно прав, по моему мнению, В.А. Веников, утверждающий, что при моделировании живых систем между моделью и прототипом проявляется сходство по отдельным функциям и несходство по существу.

Несмотря на это стала выдвигаться,  по словам Б.М. Кедрова, “идея о сведении мозга к чисто физической системе, о мнимой замене мозга машиной”. Так возникла проблема, получившая первоначальную формулировку “может ли машина мыслить?”. И нередко признание возможности наделения моделирующих устройств сознанием стало ассоциироваться с материализмом, а отрицание такой возможности- с идеализмом. Столь категоричная постановка вопроса неправомерна: между живыми системами и моделирующими устройствами есть и общность, которую невозможно отрицать, и специфика, которой нельзя пренебречь. А для проведения сравнительного анализа этих двух объектов необходимо в первую очередь конкретизировать терминологию описания.

Страницы: 1, 2, 3, 4, 5