отклонения самолета от курса, они тотчас расчитывали его дальнейший путь

и направляли орудия так, чтобы траектории снарядов и самолетов пересеклись.

В дальнейшем Винер разработал на принципе обратной связи теории как

машинного так и человеческого разума. Он доказывал, что именно благодаря

обратной связи все живое приспосабливается к окружающей среде и

добивается своих целей. «Все машины, претендующие на «разумность», писал

он, должны обладать способность преследовать определенные цели и

приспосабливаться, т.е. обучаться». Созданной им науке Винер дает

название кибернетика, что в переводе с греческого означает рулевой.(2)

Следует отметить, что принцип «обратной связи», введенный Винером был

в какойто степени предугадан Сеченовым в явлении «центрального

торможения» в «Рефлексах головного мозга» (1863 г.) и рассматривался как

механизм регуляции деятельности нервной системы, и который лег в основу

многих моделей произвольного поведения в отечественной психологии.

Нейронный подход.

Многие ученые стали понимать, что создателям вычислительных машин

есть чему поучиться у биологии. Среди них был нейрофизиолог и

поэтлюбитель Уоррен Маккалох, обладавший как и Винер философским складом

ума и широким кругом интересов. В 1942 г. Маккалох, участвуя в научной

конференции в Ньюйорке, услышал доклад одного из сотрудников Винера о

механизмах обратной связи в биологии. Высказанные в докладе идеи

перекликались с собственными идеями Маккалоха относительно работы

головного мозга. В течении следующего года Маккалох в соавторстве со своим

18летним протеже, блестящим математиком Уолтером Питтсом, разработал

теорию деятельности головного мозга. Эта теория и являлась той основой, на

которой сформировалось широко распространенное мнение, что функции

компьютера и мозга в значительной мере сходны.

Исходя отчасти из предшествующих исследований нейронов (основных активных

клеток, составляющих нервную систему животных), проведенных Маккаллохом,

они с Питтсом выдвинули гипотезу, что нейроны можно упрощенно

рассматривать как устройства, оперирующие двоичными числами. Двоичные

числа, состоящие из цифр единица и нуль, рабочий инструмент одной из

систем математической логики. Английский математик XIXв. Джордж Буль,

предложивший эту остроумную систему, показал, что логические утверждения

можно закодировать в виде единиц и нулей, где единица соответствует

истинному выссказыванию а нуль ложному, после чего этим можно оперировать

как обычными числами. В 30е годы XX в. пионеры информатики, в особенности

американский ученый Клод Шеннон, поняли, что двоичные единица и нуль вполне

соответствуют двум состояниям электрической цепи (включеновыключено),

поэтому двоичная система идеально подходит для электронновычислительных

устройств. Маккалох и Питтс предложили конструкцию сети из электронных

«нейронов» и показали, что подобная сеть может выполнять практически

любые вообразимые числовые или логические операции. Далее они

предположили, что такая сеть в состоянии также обучаться, распознавать

образы, обобщать, т.е. она обладает всеми чертами интеллекта.

Из этого кибернетического, или нейромодельного, подхода к машинному

разуму скоро сформировался так называемый «восходящий метод» движение от

простых аналогов нервной системы примитивных существ, обладающих малым

числом нейронов, к сложнейшей нервной системе человека и даже выше.

Проблемы построения искусственного интеллекта

Гносеологический анализ проблемы искусственного интеллекта вскрывает

роль таких познавательных орудий, как категории, специфическая

семиотическая система, логические структуры, ранее накопленное знание. Они

обнаруживаются не посредством исследования физиологических или

психологических механизмов познавательного процесса, а выявляются в знании,

в его языковом выражении. Орудия познания, формирующиеся в конечном счете

на основе практической деятельности, необходимы для любой системы,

выполняющей функции абстрактного мышления, независимо от ее конкретного

материального субстрата и структуры. Поэтому, чтобы создать систему,

выполняющую функции абстрактного мышления, т. е. в конечном счете

формирующую адекватные схемы внешних действий в существенно меняющихся

средах, необходимо наделить такую систему этими орудиями.

Развитие систем искусственного интеллекта за последние десятилетия

идет по этому пути. Однако степень продвижения в данном направлении в

отношении каждого из указанных познавательных орудий неодинакова и в целом

пока незначительна.

I. В наибольшей мере системы искусственного интеллекта используют

формально-логические структуры, что обусловлено их неспецифичностью для

мышления и в сущности алгоритмическим характером. Это дает возможность

относительно легкой их технической реализации. Однако даже здесь

кибернетике предстоит пройти большой путь. В системах искусственного

интеллекта еще слабо используются модальная, императивная, вопросная и иные

логики, которые функционируют в человеческом интеллекте и не менее

необходимы для успешных познавательных процессов, чем давно освоенные

логикой, а затем и кибернетикой формы вывода. Повышение «интеллектуального»

уровня технических систем, безусловно, связано не только с расширением

применяемых логических средств, но и с более интенсивным их использованием

(для проверки информации на непротиворечивость, конструирования планов

вычислений и т. д.).

II. Намного сложнее обстоит дело с семиотическими системами, без

которых интеллект невозможен. Языки, используемые в ЭВМ, еще далеки от

семиотических структур, которыми оперирует мышление.

Прежде всего для решения ряда задач необходимо последовательное

приближение семиотических систем, которыми наделяется ЭВМ, к естественному

языку, точнее, к использованию его ограниченных фрагментов. В этом плане

предпринимаются попытки наделить входные языки ЭВМ универсалиями языка,

например полисемией (которая элиминируется при обработке в лингвистическом

процессоре). Разработаны проблемно-ориентированные фрагменты естественных

языков, достаточные для решения системой ряда практических задач. Наиболее

важным итогом этой работы является создание семантических языков (и их

формализация), в которых слова-символы имеют интерпретацию.

Однако многие универсалии естественных языков, необходимые для

выполнения ими познавательных функций, в языках искусственного интеллекта

пока реализованы слабо (например, открытость) или используются ограниченно

(например, полисемия). Все большее воплощение в семиотических системах

универсалий естественного языка, обусловленных его познавательной функцией,

выступает одной из важнейших линий совершенствования систем искусственного

интеллекта, особенно тех, в которых проблемная область заранее жестко не

определена.

Современные системы искусственного интеллекта способны осуществлять

перевод с одномерных языков на многомерные. В частности, они могут строить

диаграммы, схемы, чертежи, графы, высвечивать на экранах кривые и т. д. ЭВМ

производят и обратный перевод (описывают графики и тому подобное с помощью

символов). Такого рода перевод является существенным элементом

интеллектуальной деятельности. Но современные системы искусственного

интеллекта пока не способны к непосредственному (без перевода на

символический язык) использованию изображений или воспринимаемых сцен для

«интеллектуальных» действий. Поиск путей глобального (а не локального)

оперирования информацией составляет одну из важнейших перспективных задач

теории искусственного интеллекта.

III. Воплощение в информационные массивы и программы систем

искусственного интеллекта аналогов категорий находится пока в начальной

стадии. Аналоги некоторых категорий (например, «целое», «часть», «общее»,

«единичное») используются в ряде систем представления знаний, в частности в

качестве «базовых отношений», в той мере, в какой это необходимо для тех

или иных конкретных предметных или проблемных областей, с которыми

взаимодействуют системы.

В формализованном понятийном аппарате некоторых систем представления

знаний предприняты отдельные (теоретически существенные и практически

важные) попытки выражения некоторых моментов содержания и других категорий

(например, «причина», «следствие»). Однако ряд категорий (например,

«сущность», «явление») в языках систем представления знаний отсутствует.

Проблема в целом разработчиками систем искусственного интеллекта в полной

мере еще не осмыслена, и предстоит большая работа философов, логиков и

кибернетиков по внедрению аналогов категорий в системы представления знаний

и другие компоненты интеллектуальных систем. Это одно из перспективных

направлений в развитии теории и практики кибернетики.

IV. Современные системы искусственного интеллекта почти не имитируют

сложную иерархическую структуру образа, что не позволяет им перестраивать

проблемные ситуации, комбинировать локальные части сетей знаний в блоки,

перестраивать эти блоки и т. д.

Не является совершенным и взаимодействие вновь поступающей информации

с совокупным знанием, фиксированным в системах. В семантических сетях и

фреймах пока недостаточно используются методы, благодаря которым интеллект

человека легко пополняется новой информацией, находит нужные данные,

перестраивает свою систему знаний и т. д.

V. Еще в меньшей мере современные системы искусственного интеллекта

Страницы: 1, 2, 3, 4