Это дебютная статья одного из сотрудников Агентства Искусственного Интеллекта.
В 1943 году произошло открытие искусственных нейронных сетей. Первооткрывателями этой технологии стали американские учёные, а именно: нейрофизиолог Уоррен МакКаллок и математик Уолтер Питтс, которые опубликовали свою статью, основанную на понятии искусственного нейрона. Следующий прорыв совершил физиолог из Канады Дональд Хебб, описавший принципы обучения искусственного нейрона. По сути, его идея была первым функционирующим алгоритмом обучения искусственных нейронных сетей. Далее, американским нейрофизиологом Фрэнком Розенблаттом было создано устройство, которое способно моделировать процессы восприятия. Устройство получило название перцептрон.
В результате учёные создали один нейрон, после чего составили нейронную сеть. Но зарождения в ней сознания так и не произошло. Главные причины провала – малые вычислительные мощности и принципиальная невозможность самостоятельного появления сознания в нейронных сетях. Для решения проблемы учёные решили уделить внимание психологии.
Вскоре учёные начали изучать «коллективный интеллект», который, в природе, заключается в использовании умственных ресурсов нескольких представителей вида для достижения больших успехов. За примером далеко идти не нужно — большинство сложных научных концепций и технических аспектов могут быть созданы только командой специалистов различных областей. Или, например, роевой интеллект, который наблюдается у общественных насекомых, создающих единую, кажется, разумную систему своими действиями.
Понятие «Искусственный Интеллект» было введено Джоном МакКарти, а Марвин Минский вместе с ним в 1959 году создал Лабораторию информатики и Искусственного Интеллекта в MIT. Эта лаборатория была первой в сфере ИИ-технологий.
Джонном МакКарти были созданы принципы ИИ-технологий, которые в дальнейшем получили название «чистый подход» и «нисходящий Искусственный Интеллект». Гипотеза Ньюэлла-Саймона гласит, что осмысленные действия возможно воспроизвести при наличии механизма символьных вычислений. Сами символьные вычисления представляют из себя необходимое условие, которое требуется для появления в этой системе интеллекта.
Джон МакКарти считал, что ИИ-технологии должны производить имитацию высокоуровневых психологических процессов (логическое мышление, выводы и речь), словно умное существо. Более того, он считал, что ИИ-технологии смогут выполнять творческие функции.
Марвином Мински была разработана концепция «восходящего Искусственного Интеллекта», в основу которого легла попытка имитации естественных процессов, что происходят в человеческом организме. Например, для этих целей был созданы искусственные нейронные сети, моделирующие различные процессы человеческого разума на логическом уровне.
Изначально ИИ-технологии использовались для воссоздания когнитивных функций человека. Первоначальная идея подразумевала использование Искусственного Интеллекта для понимания природы интеллекта, разума и человеческого сознания.
Всё, что изложено ранее, является основой для всех подходов разработки решений на основе ИИ. Сейчас существует 7 подходов:
1. Интуитивный.
2. Логический.
3. Символьный.
4. Структурный.
5. Эволюционный.
6. Квазибиологический.
7. Агентный.
Все задачи, связанные с ИИ-технологиями, решаются методами, перечисленными ниже:
1. Подбор данных.
2. Обработка естественного языка.
3. Представление знаний.
4. Машинное обучение.
5. Распознавание образов.
6. Дата-майнинг.
7. Обработка НЕ-факторов знания.
8. Принятие решений.
9. Робототехника.
10. Роевой интеллект.
С методами и краткой историей возникновения ИИ-технологий мы разобрались. Теперь поподробнее рассмотрим существующие парадигмы. Существуют две парадигмы построения ИИ-систем — чистая и грязная.
Первая парадигма (чистая) включает в себя такие технологии, как экспертные системы, универсальные машины вывода и семиотические базы. Грязная парадигма включает в себя искусственные нейронные сети и эволюционные системы.
По сути, чистая парадигма соответствует психологическим аспектам развития ИИ-технологий, а грязная — биологическим.
В качестве примера технологий, относящихся к грязной парадигме можно взять искусственные нейронные сети, которые являются программой, построенной на основе биологических нейронных сетей. Искусственные нейронные сети имеют свойство обучаться, однако, здесь существует две проблемы — невозможность точечного обновления данных и трудность интерпретирования процесса их функционирования.
Что касается нисходящей парадигмы, то здесь хочется отметить символьный метод, который незаслуженно забыли. Произошло это потому, что естественный язык является чрезмерно сложным для восприятия компьютерами. Однако для этого нужна универсальная машина вывода, способная справиться с колоссальным временным ростом сложности алгоритма.
Но разработать настоящий Искусственный Интеллект можно только при помощи гибридного метода, который находится между двух парадигм. Нейросетевой подход можно использовать для первичной обработки и коммутации входных данных в систему управления и принятия решений ИИ-системы. Далее, будет применён символьный подход, который представляет из себя машину вывода. Гибридная интеллектуальная система является универсальной кибернетической машиной, состоящей из аффекторов, подсистемы управления и эффекторов.
Аффектоы нужны для восприятия сигналов из окружающей среды и их дальнейшей обработки в подсистеме управления. Из подсистемы управления сигналы поступают в эффекторы, воздействующие на окружающую среду.
В гибридных ИИ-системах сенсоры и исполнительные устройства связаны с подсистемой управления посредством нейронных сетей. Таким образом используется восходящая (грязная) парадигма.
Посредством аффекторных нейронных сетей принимаются очищенные сенсорами сигналы внешней среды, которые преобразуются в символы и подаются на вход универсальной машине вывода.
Последняя осуществляет вывод на основе собственных символьных знаний, выводя символьный результат. Таким образом реализуется чистая парадигма.
Символьный результат подаётся на вход моторной нейронной сети, которая преобразует высокоуровневые сигналы в сигналы управления исполнительными устройствами. Внутри гибридной ИИ-системы должны присутствовать контрольные обратные связи от элементов к сенсорам.
Таким образом можно воссоздать адаптационных механизм, который основывается на саморегуляции каждой подсистемы, её элементов и комплексов. Если контролируемые значения превышают установленные пределы, то подсистема управления откатывает изменённые показатели в установленный интервал.
Такую систему можно назвать разумной, так как она способна адекватно реагировать на внешние факторы и на внутреннее состояние самой себя. Для этого требуется постоянный контроль за состоянием системы управления. Это и есть саморефлексия, приводящая к осознанию.