Ім'я файлу: Проблеми створення штучного iнтелекту - StudentLib.docx
Розширення: docx
Розмір: 37кб.
Дата: 09.12.2020

Вступ
В якості самостійного наукового напрямку штучний інтелект (ШІ) існує вже понад чверть століття. Думка суспільства, щодо спеціалістів даної області, поступово змінювався від скепсису до поваги, і розуміння перспектив даної області в майбутньому. У передових країнах, таких як США і Японія, роботи в галузі інтелектуальних систем підтримуються на всіх рівнях - від пересічних громадян, до урядових органів. Існує цілком обґрунтована думка, що саме дослідження в галузі ШІ будуть визначати характер нинішнього інформаційного суспільства, яке вже фактично прийшло на зміну індустріальної епохи, що досягла своєї найвищої точки розквіту в минулому столітті.

Починаючи з 80-х років минулого століття, відбулося становлення ШІ як особливої наукової дисципліни, сформувалися її концептуальні моделі, накопичилися специфічні методи і прийоми, частково устоялися фундаментальні парадигми. У фахівців старшого покоління, які стояли біля витоків нової області досліджень, складається переконання, що період бурхливого, хаотичного розвитку скінчився, і тепер настає ера академічних і цілеспрямованих досліджень, розрахованих на тривалий період.
Базові положення
Слово інтелект (intelligence) походить від латинського intellectus - розум. Відповідно штучний інтелект (artificial intelligence) - ІІ зазвичай використовується як властивість автоматичних систем брати на себе окремі функції інтелектуальної праці людини, наприклад, вибирати і приймати оптимальні рішення на основі раніше отриманого досвіду і раціонального аналізу зовнішніх впливів або подій.

Інтелектом зазвичай називають здатність мозку вирішувати поставлені (інтелектуальні) задачі шляхом придбання, запам'ятовування і цілеспрямованого перетворення знань в процесі навчання та адаптації їх (знань) до різноманітних обставин. У цьому визначенні під терміном «знання» мається на увазі не тільки інформація, яка надходить у мозок людини через органи почуттів. Інформація подібного роду звичайно важлива, але недостатня для повноцінної інтелектуальної діяльності. Вся справа в тому, що оточуючі нас об'єкти мають властивість не тільки впливати на органи почуттів, але і знаходитися у взаємодії один з одним. Для того щоб здійснювати в навколишньому середовищі інтелектуальну діяльність, або як мінімум просто існувати, людині необхідно мати систему знань, модель цього світу. У цій інформаційній моделі навколишнього середовища реальні об'єкти, їх властивості та взаємини між ними не тільки відображаються і запам'ятовуються, а й можуть мозком людини (подумки) «цілеспрямовано перетворюватися». При цьому важливим є той момент, що формування моделі зовнішнього середовища відбувається в процесі навчання, на досвіді й адаптації до різноманітних обставин.

Під алгоритмом розуміють точну, приписану послідовність дій системи для вирішення всіх поставлених завдань з деякого даного класу задач.

Термін «алгоритм» походить від імені узбецького математика Аль Хо Резмі, який ще в 9 столітті запропонував до використання найпростіші арифметичні алгоритми. У математиці та кібернетиці клас задач певного типу вважається вирішеним, якщо для її вирішення знайдений відповідний алгоритм. Насправді, перебування алгоритмів є природною метою людини при вирішенні різноманітних класів задач. Пошук алгоритму для задач деякого типу пов'язано зі складними міркуваннями, які вимагають чималої винахідливості і високої кваліфікації. Вважається, що подібного роду діяльність вимагає участі інтелекту людини. Завдання, пов'язані з пошуком алгоритму розв'язання класу задач певного типу, зазвичай називають інтелектуальними завданнями.

Що ж щодо завдань, алгоритми, вирішення яких вже встановлені, то, як зазначає відомий вчений у галузі ШІ М. Мінський, - «зайво приписувати їм (ІІ) таке містичне властивість, як інтелектуальність». Після того, як алгоритм розв'язання задачі знайдений, процес вирішення завдання стає таким, що його можуть в рівній мірі виконати як людина, так і обчислювальна машина (належним чином запрограмована), яка не має ні найменшого уявлення про сутність самої задачі. Потрібно лише, щоб «обличчя» (людина або ІІ), вирішальне поставлене завдання, була здатна виконувати ті елементарні операції, з яких складається процес рішення, і, крім того, щоб воно («обличчя») педантично і акуратно керувалося запропонованим алгоритмом. Людина, так само як і ШІ, діє в таких випадках, як говоритися, чисто машинально і може успішно вирішувати будь-яке завдання аналізованого класу.

Видається цілком природним виключити з класу інтелектуальних такі завдання, для яких існують стандартні методи рішення. Наприклад, такими завданнями можуть бути чисто обчислювальні задачі: рішення системи лінійних алгебраїчних рівнянь, чисельне інтегрування диференціальних рівнянь і т. п. Для вирішення подібного роду завдань є стандартні алгоритми, що представляють собою певну послідовність елементарних операцій, яка може бути легко реалізована у вигляді програми для обчислювальної машини. На противагу цьому для широкого класу інтелектуальних завдань, таких, як розпізнавання образів, гра в шахи, доведення теорем і т. п., - формальне розбивка процесу пошуку рішення на окремі елементарні кроки часто виявляється дуже складною, навіть якщо сама їх рішення теоретично нескладно.

Тобто в деякому роді можна перефразувати визначення інтелекту, назвавши його універсальним сверхалгорітмом, який здатний створювати алгоритми вирішення найрізноманітніших, але в теж час конкретно поставлених завдань.

Варто відзначити, що професія програміста, виходячи з наведеного вище, по-суті є однією з найбільш інтелектуальних, оскільки продуктом діяльності програміста є програми - алгоритми в чистому вигляді. Тому, створення навіть певних елементів ШІ по-ідеї повинно значно підвищити продуктивність його праці.

Діяльність мозку, спрямовану на вирішення інтелектуальних завдань, називають мисленням, або інтелектуальною діяльністю. Інтелект і мислення пов'язані з вирішенням таких завдань, як доказ теорем, логічний аналіз, розпізнавання ситуацій, планування поведінки, ігри, також управління в умовах невизначеності. Характерними рисами інтелекту, що проявляються в процесі вирішення завдань, є здатність до навчання, узагальнення, накопичення досвіду (знань і навичок) і адаптації до умов, що змінюються в процесі вирішення завдань. Завдяки цим якостям мозок може вирішувати різноманітні завдання, а також легко перебудовуватися з рішення однієї задачі на іншу. Таким чином, мозок, наділений інтелектом, є універсальним засобом вирішення широкого спектру завдань (у тому числі і неформалізованих) для яких немає стандартних, заздалегідь відомих методів рішення.

Треба враховувати, що існують і інші, чисто поведінкові (функціональні) визначення. Так, згідно А.Н. Колмогорова, будь-яка матеріальна система, з якою можна досить довго обговорювати проблеми науки, літератури чи мистецтва, володіє інтелектом.

Іншим прикладом поведінкової трактування інтелекту може слугувати відоме визначення А. Тьюринга. Наприклад, у різних кімнатах знаходиться люди і машина. Вони не можуть бачити одне одного, але мають можливість спілкування (обмінюватися повідомленнями). Якщо в процесі діалогу між учасниками людям не вдається встановити, що один з учасників - машина, то таку машину можна вважати володіє інтелектом. Цікавий план імітації мислення, запропонований А. Тьюрінгом. «Намагаючись імітувати інтелект дорослої людини - пише Тьюринг - ми змушені багато розмірковувати про той процес, в результаті якого людський мозок досяг свого справжнього стану... Чому б нам замість того, щоб намагатися створити програму, яка імітує інтелект дорослої людини, не спробувати створити програму, яка імітувала б інтелект дитини? Адже якщо інтелект дитини отримує відповідне виховання, він стає інтелектом дорослої людини... Наш розрахунок полягає в тому, що пристрій, йому подібне, може бути легко запрограмоване... Таким чином, ми розчленуємо нашу проблему на дві частини: на завдання побудови «програми-дитини» і завдання «виховання» цієї програми ». Слід зазначити, що саме цей шлях використовують практично всі сучасні системи ШІ. Адже зрозуміло, що практично неможливо вкласти всі знання в систему ШІ. Більш того, тільки на цьому шляху виявляться перераховані вище ознаки інтелектуальної діяльності (накопичення досвіду, адаптація і т. п.).
Методи та підходи побудови системи ШІ
Існують різні підходи до побудови систем ШІ - логічний підхід, структурний, еволюційний, імітаційний. Це поділ не є історичним, коли одна думка поступово змінювалося іншим, і різні підходи та методики існують паралельно і сьогодні. Оскільки по-справжньому повноцінних систем штучного інтелекту в даний час немає, то не можна і стверджувати, що якийсь підхід є правильним, а який - ні.

Для початку розглянемо логічний підхід. Людина займається аж ніяк не тільки логічними вигадками. Це висловлювання звичайно вірно, але саме здатність до логічного мислення дуже сильно відрізняє людину від тварин. Основою для даного логічного підходу служить Булева алгебра. Кожен програміст знайомий з нею та з її використанням, хоча б на прикладі логічного оператора IF (якщо). Свій подальший розвиток Булева алгебра одержала у вигляді обчислення предикатів - у якому вона розширена за рахунок введення предметних символів, відносин між ними, кванторів існування та загальності.

Практично кожна система ШІ, побудована на логічному принципі, є машиною доказу теорем. При цьому вихідні дані зберігаються в базі даних у вигляді аксіом (правила логічного висновку як відносини між ними). Кожна така машина має блок генерації цілі, і система виводу намагається довести дану мету як теорему. Якщо мета доведена, то трасування застосованих правил дозволяє отримати ланцюжок дій, необхідних для реалізації поставленої мети. Потужність такої системи визначається можливостями генератора цілей і машини докази теорем. Можна стверджувати, що виразів алгебри не вистачить для повноцінної реалізації ІІ, але варто згадати, що основою всіх існуючих ЕОМ є біт - одиниця інформації (або значення комірки пам'яті), яка може приймати значення тільки логічного 0 і 1. Було б логічно припустити, що все, що можливо реалізувати на ЕОМ, можна було б реалізувати і у вигляді логіки предикатів. Хоча тут нічого не згадується про те, скільки на це піде часу. Домогтися більшої виразності логічного підходу дозволяє таке порівняно новий напрям, як нечітка логіка. Її особливістю є те, що правдивість висловлювання може приймати окрім значень так / ні (1 / 0) ще й проміжні значення - «не знаю» (0.5), «скоріше так, ніж ні» (0.75) і «скоріше ні, ніж так »(0.25). Такий підхід більше схожий на мислення людини, оскільки людина не часто відповідає тільки «так» чи «ні».

Для більшості логічних методів характерна велика трудомісткість, оскільки під час пошуку докази можливий повний перебір варіантів. Даний підхід вимагає ефективної реалізації обчислювального процесу, і задовільні результати роботи зазвичай гарантуються тільки при порівняно невеликому розмірі бази даних.

Під структурним підходом маються на увазі спроби побудови ШІ шляхом моделювання структури людського мозку. Однією з перших таких спроб був перцептрон Ф. Розенблатта. Основний модельованої структурною одиницею в перцептронах (як і в більшості інших варіантів моделювання мозку) є нейрон. Пізніше виникли і інші моделі, відомі під загальною назвою «нейронні мережі» (НС). Моделі ці розрізняються за будовою окремих нейронів, за топологією зв'язків між ними і за алгоритмами навчання. Серед найбільш відомих варіацій НС можна назвати НС зі зворотним поширенням помилки, мережі Хопфілда та стохастичні нейронні мережі.

Нейронні мережі найбільш успішно застосовуються в задачах розпізнавання образів, в тому числі сильно зачумлених (нечітких). Також є приклади успішного застосування НС для побудови власне систем ШІ.

Для моделей, побудованих на основі будови людського мозку характерна не занадто більша виразність алгоритмів і, завдяки останньому, висока продуктивність паралельно реалізованих НС. Для таких мереж характерно одне властивість, яке робить з дуже схожими з людським мозком - нейронні мережі працюють навіть за умов недостатньої інформації про навколишнє середовище, тобто як і людина, вони поставлене запитання можуть відповідати не тільки «так» і «ні», але й «не знаю точно, але скоріше ні», «не знаю точно, але скоріше так».

Досить велике поширення отримав еволюційний підхід. При побудові систем ШІ по такому підходу, основна увага приділяється побудові початкової моделі і правилам, за якими вона (модель) може змінюватися (еволюціонувати). Модель може бути складена з найрізноманітніших методів, це можуть бути і НС і набір логічних правил і будь-яка інша модель. Після цього ми запускаємо ШІ, і він, на підставі перевірки моделей, відбирає найкращі з них, на підставі яких по всіляких правилами генеруються нові моделі, з яких знову вибираються найкращі і т. д.

Еволюційних моделей, як таких, не існує, є тільки еволюційні алгоритми навчання, але моделі, отримані при еволюційному підході, мають деякі характерні особливості, що дозволяє виділити їх в окремий клас. Такими особливостями є перенесення основної уваги розробника з побудови моделі на алгоритм її модифікації і те, що отримані моделі практично не супроводжують витяганню нових знань про середовище, що оточує систему ШІ, тобто вона (система) стає «річчю в собі».

Широко використовується для побудови систем ШІ також імітаційний підхід. Даний підхід є класичним для кібернетики з одним із її базових понять - «чорним ящиком» (чя). Чорний ящик - це пристрій, програмний модуль або набір даних, інформація про внутрішню структуру та зміст якого відсутні, але відомі специфікації вхідних і вихідних даних. Об'єкт, поведінка якого імітується, якраз і являє собою такий «чорний ящик». Н е важливо, що у нього всередині і як він функціонує, головне, щоб наша модель в аналогічних ситуаціях вела себе так само. Таким чином моделюється інша властивість людини - здатність копіювати те, що роблять інші, не вдаючись у подробиці, навіщо це потрібно. Найчастіше ця здатність економить людині масу часу, особливо на початку його життя. До недоліків імітаційного підходу можна віднести низьку інформаційну здатність більшості моделей, побудованих з його допомогою.

Окремо варто відзначити, що на практиці чіткої межі між різними підходами немає. Часто зустрічаються змішані системи ШІ, де частина роботи виконується за однією методикою, а частина - за іншою.
Проблеми створення ШІ
Аналіз проблеми штучного інтелекту відкриває роль таких філософських пізнавальних знарядь, як категорії, специфічна семіотична система, логічні структури, раніше накопичене знання. Все це виявляються не за допомогою дослідження фізіологічних чи психологічних механізмів пізнавального процесу, але виявляється в знанні, у його мовному вираженні. Знаряддя пізнання, що формуються, в кінцевому рахунку на основі практичної діяльності, необхідні для будь-якої системи, що виконує функції абстрактного мислення, незалежно від її конкретного матеріального субстрату і структури. Тому, щоб створити систему, що виконує функції абстрактного мислення (тобто в кінцевому рахунку, формує адекватні схеми зовнішніх дій в істотно мінливих середовищах) необхідно наділити таку систему цими знаряддями. Розвиток систем ШІ за останні час якраз йде цим шляхом. Ступінь просування в даному напрямку щодо кожного із зазначених пізнавальних знарядь різна, але в цілому поки, на жаль, незначна.

У найбільшій мірі системи ШІ використовують формально-логічні структури, що обумовлено їх неспецифічністю для мислення і, по суті, алгоритмічним характером. Це дає можливість досить легкою їх технічної реалізації. Але навіть тут кібернетиці належить пройти великий шлях. У системах штучного інтелекту ще слабо використовуються модальна, імперативна, питально і інші логіки, які функціонують у людському інтелекті, і не менш необхідні для успішних пізнавальних процесів, що давно освоєні логікою, а потім і кібернетикою форми висновків. Підвищення «інтелектуального» рівня технічних систем, безумовно, пов'язано не тільки з розширенням застосовуваних логічних засобів, а й з більш інтенсивним їх використанням - перевірка інформації на несуперечність, конструювання планів обчислень і т. п.

Складніше йде справа з семіотичними системами, без яких інтелект неможливий у принципі. Мови, використовувані в ЕОМ, ще далекі від семіотичних структур, якими оперує мислення. Перш за все, для вирішення ряду завдань, необхідно послідовне наближення семіотичних систем, якими наділяється ЕОМ, до природної мови, точніше, до використання його обмежених фрагментів. У цьому плані робляться спроби наділити вхідні мови ЕОМ мови, наприклад, полісемією (яка елімінується при обробці в лінгвістичному процесорі). Вже розроблено проблемно-орієнтовані фрагменти природних мов, достатні для вирішення системою низки практичних завдань. Найбільш важливим підсумком такої роботи є створення семантичних мов (і їх формалізація), в яких слова-символи мають певну інтерпретацію.

Багато універсалії природних мов, необхідні для виконання ними пізнавальних функцій, в мовах ШІ поки реалізовані слабко (наприклад, відкритість) або використовуються обмежено (наприклад, полісемія). Все частіше втілення в семіотичних системах універсалій природної мови, обумовлених його пізнавальною функцією, виступає однією з найважливіших ліній вдосконалення систем ШІ, особливо тих, в яких проблемна область заздалегідь чітко не визначена.

Сьогодні системи штучного інтелекту здатні здійснювати переклад з одновимірних мов на багатовимірні. Зокрема, вони можуть будувати діаграми, схеми, креслення, графи, креслити на екрані криві і т. п. ЕОМ виробляють і зворотний переклад (описують графіки тощо за допомогою символів). Такого роду переклад є істотним елементом інтелектуальної діяльності. Правда сучасні системи ШІ поки не здатні до безпосереднього (без перекладу на символічний мова) використанню зображень або сприймаються сцен для «інтелектуальних» дій. Пошук шляхів глобального, а не локального, оперування інформацією становить одну з найважливіших і завдань теорії штучного інтелекту.

Втілення в інформаційні масиви і програми систем ІІ аналогів категорій знаходиться поки на початковій стадії. Наприклад, у категорії входять поняття «ціле», «частина», «загальне», «одиничне». Вони використовуються у ряді систем представлення знань, зокрема в якості «базових відносин», в тій мірі, в якій це необхідно для тих чи інших конкретних предметних або проблемних областей, з якими взаємодіють системи. У формалізованому понятійному апараті деяких систем представлення знань зроблені окремі спроби вираження деяких моментів змісту та інших категорій (наприклад, «причина» і «слідство»). Проте ряд категорій (наприклад, «сутність» і «явище») в мовах систем представлення знань відсутня. У цілому, дана проблема розробниками систем ІІ повною мірою ще не осмислена, і попереду ще багато роботи філософів, логіків і кібернетиків з впровадження аналогів категорій у системи подання знань, та інші компоненти інтелектуальних систем.

Сучасні системи ШІ майже не імітують складну ієрархічну структуру образу, що не дозволяє їм перебудовувати проблемні ситуації, комбінувати локальні частини мереж знань в блоки, перебудовувати ці блоки і т. п. Не є досконалим і взаємодія знову надходить інформації з сукупним знанням, фіксованим у системах. У семантичних мережах і фреймах, що використовуються при поданні знань, поки недостатньо використовуються методи, завдяки яким інтелект людини легко поповнюється новою інформацією, знаходить потрібні дані, перебудовує свою систему знань і т. п.

Ще меншою мірою сучасні системи ШІ здатні активно впливати на зовнішнє середовище, без чого не може; здійснюватися самонавчання і взагалі вдосконалення «інтелектуальної» діяльності.

Таким чином, хоча певні кроки до втілення гносеологічних характеристик мислення в сучасних системах штучного інтелекту зроблені, але в цілому ці системи ще далеко не володіють комплексом гносеологічних знарядь, якими володіє людина і які необхідні для виконання сукупності функцій абстрактного мислення. Чим більше характеристики систем штучного інтелекту будуть наближені до гносеологічним характеристиками мислення людини, тим ближче буде їх «інтелект» до інтелекту людини, точніше, тим вищою буде їх здатність до комбінування знакових конструкцій, сприймаються і інтерпретуються людиною в якості вирішення завдань і взагалі втілення думок.

Тому виникає складне питання. При аналізі пізнавального процесу гносеологія абстрагується від психофізіологічних механізмів, за допомогою яких реалізується сам процес. Але з цього не випливає, що для побудови систем штучного інтелекту ці механізми не мають значення. Не виключено, що механізми, необхідні для втілення невід'ємних характеристик інтелектуальної системи, не можуть бути реалізовані в цифрових машинах або навіть у будь-якої технічної системи, що включає в себе тільки компоненти неорганічної природи. Також не виключено, що хоча ми і можемо пізнати всі гносеологічні закономірності, що забезпечують виконання людиною його пізнавальної функції, але їх сукупність можна реалізувати лише в системі, субстратно тотожною людині.

Подібний погляд обґрунтовується X. Дрейфусом. «Тілесна організація людини - пише він - дозволяє йому виконувати... функції, для яких немає машинних програм - такі не тільки ще не створені, але навіть не існують у проекті... Ці функції включаються в загальну здатність людини до придбання тілесних умінь і навичок. Завдяки цієї фундаментальної здатності наділений тілом суб'єкт може існувати в навколишньому світі, не намагаючись вирішити нездійсненне завдання формалізації всього і вся ».

Підкреслення значення «тілесної організації» для розуміння особливостей психічних процесів, зокрема можливості сприйняття, заслуговує на окрему увагу. Якісні відмінності в здатності конкретних систем відображати світ тісно пов'язані з їх структурою, яка хоч і має відносну самостійність, але не може перебороти деяких рамок, заданих субстратом. У процесі біологічної еволюції вдосконалення властивості відображення відбувалося на основі ускладнення нервової системи, тобто субстрату відображення. Не виключено, що різниця субстратів ЕОМ і людини може зумовити фундаментальні відмінності в їх здатності до відбиття, що ряд функцій людського інтелекту в принципі недоступний машинам.

У філософській літературі стверджується, що допущення можливості виконання технічної системою інтелектуальних функцій людини означає зведення вищого (біологічного і соціального) до нижчого (до систем з неорганічних компонентів) і, отже, суперечить матеріалістичної діалектики. Але в цьому міркуванні не враховується, що шляхом ускладнення матерії однозначно не однозначні, і не виключено, що суспільство має можливість створити з неорганічних компонентів (абстрактно кажучи, минаючи хімічну форму руху) системи не менш складні і не менш здібні до відбиття, ніж біологічні. Створені таким чином програми були б компонентами суспільства, соціальною формою руху. Питання про можливість передачі інтелектуальних функцій технічним системам, і зокрема про можливість наділення їх розглянутими в роботі гносеологічними знаряддями, не може бути вирішене тільки виходячи з філософських міркувань. Він повинен бути підданий аналізу на базі конкретних наукових досліджень. X. Дрейфус підкреслює, що ЕОМ оперує інформацією, яка не має значення, сенсу. Для ЕОМ необхідний перебір величезної кількості варіантів. Тілесна організація людини, його організму дозволяє відрізняти значуще від незначного для життєдіяльності і вести пошук тільки в сфері першого. Для «не тілесної» ЕОМ, стверджує Дрейфус, це недоступно. Звичайно, конкретний тип організації тіла дозволяє людині обмежувати простір можливого пошуку. Це відбувається вже на рівні анализаторной системи. Зовсім інакше йде справа з ЕОМ. Коли в кібернетиці ставиться спільне завдання, наприклад розпізнання образів, то це завдання перекладається з чуттєво-наочного рівня на абстрактний. Тим самим знімаються обмеження, не усвідомлювані людиною, але містяться в його «тілі», у структурі органів почуттів і організму в цілому. Вони ігноруються ЕОМ. Тому простір пошуку різко збільшується. Це означає, що до «інтелекту» ЕОМ пред'являються більш високі вимоги (пошуку в більш великому просторі), ніж до інтелекту людини, до якого приплив інформації обмежений фізіологічною структурою його тіла.

Мають психікою системи відрізняються від ЕОМ перш за все тим, що їм притаманні біологічні потреби, зумовлені їхнім матеріальним, біохімічним субстратом. Відображення зовнішнього світу відбувається крізь призму цих потреб, у чому і виражається активність психічної системи. ЕОМ не має потреб, органічно пов'язаних з її субстратом, для неї як така інформація незначущі, байдужа. Значимість, генетично задана людині, має два типи наслідків. Перший - коло пошуку скорочується, і, тим самим, полегшується вирішення завдання. Другий - нестираним з пам'яті фундаментальні потреби організму обумовлюють однобічність психічної системи. Дрейфус пише в зв'язку з цим: «Якби у нас на Землі опинився марсіанин, йому, напевно, довелося б діяти в абсолютно незнайомій обстановці; завдання сортування релевантного і нерелевантного, істотного і несуттєвого, яка б перед ним виникла, виявилася б для нього настільки ж нерозв'язною, як і для цифрової машини, якщо, звичайно, він не зуміє взяти до уваги жодних людських устремлінь ». З цим можна не погодиться. Якщо запропонований «марсіанин» має іншу біологію, ніж людина, то він має й інший фундаментальний шар невід'ємних потреб, і прийняти йому «людські прагнення» значно важче, ніж ЕОМ, яка може бути запрограмована на будь-яку мету.

Жива істота в принципі не може бути по відношенню до цього фундаментального шару перепрограмувати, хоча для деяких цілей воно може бути запрограмовано знову, за допомогою дресирування. У цьому сенсі потенційні інтелектуальні можливості машини ширше подібних можливостей тварин. У людини ж над фундаментальним шаром біологічних потреб надбудовуються соціальні потреби, та інформація для нього не тільки біологічно, але й соціально значима. Людина універсальний і з точки зору потреб, і з точки зору можливостей їх задоволення. Однак ця універсальність особливо притаманна йому як соціальному суті, робить кошти доцільної діяльності, у тому числі і системи штучного інтелекту. Отже, тілесна організація не лише дає додаткові можливості, але і створює додаткові труднощі. Тому інтелекту людини важливо мати на озброєнні системи, вільні від його власних тілесних або інших потреб. Звичайно, від таких систем нерозумно вимагати, щоб вони самостійно розпізнавали образи, класифікували їх за ознаками, за якими це робить людина. Цілі для них необхідно ставити в явній формі.

Слід зазначити, що технічні системи можуть мати аналог тілесної організації. Розвинена кібернетична система має рецепторними та ефекторними придатками. Початок розвитку таких систем поклали інтегральні промислові роботи, в яких ЕОМ в основному виконує функцію пам'яті. У роботах «третього покоління» ЕОМ виконує і «інтелектуальні» функції. Їх взаємодія зі світом покликане удосконалювати їх «інтелект». Такого роду роботи мають «тілесну організацію», конструкція їх рецепторів і ефекторів містить певні обмеження, що скорочують простір, в якому, образно кажучи, могла б здійснювати пошук цифрова машина. Тим не менш, вдосконалення систем штучного інтелекту на базі цифрових машин може мати межі, через яких перехід до вирішення інтелектуальних завдань більш високого порядку, потребують врахування глобального характеру переробки інформації та ряду інших гносеологічних характеристик мислення, неможливий на дискретних машинах при скільки завгодно досконалої програмі. Технічна, а не тільки біологічна, еволюція відбивних систем виявляється пов'язаної зі зміною матеріального субстрату і конструкції цих систем. Така еволюція, тобто апаратне удосконалення систем штучного інтелекту, наприклад, через більш інтенсивне використання аналогових компонентів, гібридних систем, голографії і ряду інших ідей, буде мати місце. При цьому не виключається використання фізичних процесів, що протікають в мозку, і таких, які психіка в якості своїх механізмів не використовує. Поряд з цим ще далеко не вичерпані можливості вдосконалення систем ШІ шляхом використання у функціонуванні цифрових машин гносеологічних характеристик мислення, про які йшлося вище.

Останнім часом при аналізі проблем, пов'язаних з ІІ, часто застосовують математичний апарат нечітких множин, ідея та реалізація якого належить американському математику Л. Заде. Суть підходу полягає у відмові від принципу детермінізму. Мабуть, найбільш вражаючим властивістю людського інтелекту є здатність приймати правильні рішення в обстановці неповної і нечіткої інформації. Побудова моделей, наближених е міркувань людини, і використання їх у комп'ютерних системах майбутніх поколінь представляє сьогодні одну з найважливіших проблем науки. Зміщення центру досліджень нечітких систем у бік практичних додатків призвело до виявлення цілого ряду проблем, таких, як нові архітектури комп'ютерів для нечітких обчислень, елементна база нечітких комп'ютерів і контролерів, інструментальні засоби розробки, інженерні методи розрахунку і розробки нечітких систем управління і багато іншого. Математична теорія нечітких множин, запропонована Л. Заде близько тридцяти років тому, дозволяє описувати нечіткі поняття і знання, оперувати цими знаннями і робити нечіткі висновки. Засновані на цій теорії методи побудови комп'ютерних нечітких систем істотно розширюють області застосування комп'ютерів. Нечітке управління є однією із самих активних і результативних областей досліджень застосування теорії нечітких множин. Нечітке управління виявляється особливо корисним, коли технологічні процеси є дуже складними для аналізу за допомогою загальноприйнятих кількісних методів, або коли доступні джерела інформації інтерпретуються неточно або невизначено. Експериментально показано, що нечітке управління дає кращі результати, в порівнянні з одержуваними, при загальноприйнятих алгоритмах управління. Нечітка логіка, на якій засновано нечітке управління, ближче до людського мислення і природним мовам, ніж традиційні логічні системи.
Реалізація системи ШІ
Ще в далекому 1954 американський дослідник А. Ньюелл вирішив написати програму для гри в шахи. Ідеєю він поділився з аналітиками корпорації RAND Corporation, та які запропонували Ньюеллу свою допомогу. В якості теоретичної основи програми було вирішено використати метод, запропонований До. Шенноном, засновником теорії інформації. Точна формалізація методу була виконана А. Тьюрінгом. Він же і з моделював його вручну. До роботи була залучена група голландських психологів під керівництвом А. Де Гроота, вивчали стилі гри видатних шахістів. Через два роки спільної роботи цим колективом була створена мова програмування ІПЛ1 - перший символьний мову обробки списків. Незабаром була написана перша програма, яку можна віднести до досягнень у галузі штучного інтелекту. Ет про була програма «Логік-Теоретик» (1956 р.), призначена для автоматичного доведення теорем в обчисленні висловлювань. Власне програма для гри в шахи, NSS, була завершена в 1957 р. В основі е е лежали так звані евристики - правила, які дозволяють зробити вибір при відсутності точних теоретичних підстав - і опису цілей. Керуючий алгоритм намагався зменшити відмінності між оцінками поточної ситуації та оцінками мети або однією з підцілей. [1]

У 1956 рік у в США зібралися засновники кібернетики з метою обговорити можливості реалізації проекту «Штучний інтелект», як вони його тоді назвали. У числі учасників конференції були Д. Маккарті, М. Мінський, К. Шеннон, А. Тьюрінг та ін До ІІ спочатку просто віднесли властивості машин брати на себе окремі функції людини, наприклад, такі як переклад з однієї мови на іншу, розпізнавання об'єктів, прийняття оптимальних рішень і ін У СРСР напрям «Штучний інтелект» (ШІ) виникло із запізненням на цілих 10 років і прийшло на зміну кібернетичному та біонічними буму першої половини 60-х років. Спочатку оптимістам здавалося, що відбудеться революція і машина почне думати як людина. Нічого подібного не сталося. Стало ясно, що ніякого мислення, аналогічного людському, сходу побудувати не вийде. Тому акценти змістилися в бік створення штучного інтелекту - тобто машинним рішенням «важких» завдань, які людина вирішує, а машина поки немає. Таким чином, спочатку ШІ не претендував на пряме моделювання мислення, а був просто рішенням з допомогою машини важкоформалізованих «людських» завдань.

З самого початку передбачалося, що ці рішення дозволять сформулювати узагальнення і виробити специфічні методи ІІ, ведучі, у кінцевому рахунку, до машинного мислення. Представники виник напрямки справедливо вважали, що до конструктивного визначення і моделювання мислення корисно йти від специфіки завдань до методів їх вирішення, вводячи «інтелект» як механізм, необхідний для вирішення.

У кінцевому підсумку виявилося, що до традиційних завдань ІІ стали відносити досить багато завдань. Наприклад, це розуміння машиною природної мови, тобто питання-відповідь системи та доступ до баз даних на природному мовою, переклад з однієї мови на іншу, аналіз зображень об'ємних (3 - d) сцен, доказ теорем, ігри, бази даних, бази знань та ін [6]

Тепер коротко розглянемо найбільш активно розвиваються підходи і області застосування ІІ - у порядку убування їхньої популярності. Треба відзначити, що менша популярність нерідко пов'язана не стільки з потенціалом технології, скільки з віддаленістю перспектив е е прикладної реалізації (наприклад, вкрай високий потенціал кіберзаводов поки не викликає серйозного інтересу через наявність безлічі невирішених завдань по їх управління).

Нейронні мережі

Цей напрямок стабільно тримається на першому місці. Триває вдосконалення алгоритмів навчання та класифікації в масштабі реального часу, обробки природних мов, розпізнавання зображень, мови, сигналів, а також створення моделей інтелектуального інтерфейсу, що підстроює 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 ід е т посилений пошук ефективних методів синхронізації роботи нейронних мереж на паралельних пристроях.

Еволюційні обчислення

На розвиток сфери еволюційних обчислень (ЕВ) значний вплив справили насамперед інвестиції в нанотехнології. ЕВ зачіпають практичні проблеми самозбірки, самоконфігурірованія і самовідновлення систем, що складаються з безлічі одночасно функціонуючих вузлів. При цьому уда е тся застосовувати наукові досягнення з області цифрових автоматів. Інший аспект ЕВ - використання для вирішення повсякденних завдань автономних агентів як персональних секретарів, керуючих 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. Окремо варто відзначити соціальні аспекти - невідомо як суспільство буде на практиці ставитися до таких спільнот інтелектуальних програм.

Нечітка логіка

Системи нечіткої логіки найактивніше будуть застосовуватися переважно в гібридних керуючих системах.

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 і класифікації образів.

Експертні системи Попит на експертні системи (ЕС) залишається на досить високому рівні. Найбільшу увагу сьогодні приділяється систем прийняття рішень в масштабі часу, близькому до реального, засобів зберігання, вилучення, аналізу і моделювання знань, систем динамічного планування.

Інтелектуальні програми

Зростання числа інтелектуальних додатків, здатних швидко знаходити оптимальні рішення комбінаторних проблем (що виникають, наприклад, у транспортних задачах), пов'язаний з виробничим і промисловим зростанням у розвинених країнах.

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, діагностуванню коректної роботи програм, моделювання подібних систем.

Операційні системи реального часу

Поява автономних робототехнічних пристроїв підвищує вимоги до операційних систем реального часу (ОС РВ) - організації процесів самонастроювання, планування обслуговуючих операцій, використання коштів ШІ для прийняття рішень в умовах дефіциту часу.

Інтелектуальна інженерія

Особливу зацікавленість у ІІ виявляють в останні роки компанії, що займаються організацією процесів розробки великих програмних систем (програмною інженерією). Методи ШІ все частіше використовуються для аналізу вихідних текстів і розуміння їхнього змісту, керування вимогами, виробленням специфікацій, проектування, кодогенераціі, верифікації, тестування, оцінки якості, виявлення можливості повторного використання, рішення задач на паралельних системах. Програмна інженерія поступово перетворюється на так звану інтелектуальну інженерію, яка розглядає більш загальні проблеми подання й обробки знань (поки основні зусилля в інтелектуальній інженерії зосереджені на способах перетворення інформації в знання).

СУБД будуть здатні гнучко підлаштовуватися під профіль конкретного завдання і не зажадають адміністрування.

Автоматичний аналіз природних мов

Автоматичний аналіз природних мов (лексичний, морфологічний, термінологічний, виявлення незнайомих слів, розпізнавання національних мов, переклад, корекція помилок, ефективне використання словників).

Високопродуктивний OLAP-аналіз

Високопродуктивний OLAP-аналіз і розкопка даних, способи візуального завдання запитів.

Інтелектуальні медичні системи

Медичні системи, що консультують лікарів в екстрених ситуаціях, роботи-маніпулятори для виконання точних дій в ході хірургічних операцій.

Кіберзаводи

Створення повністю автоматизованих кіберзаводов, гнучкі економні виробництва, швидке прототипування, планування робіт, синхронізація ланцюжків постачання, авторизації фінансових транзакцій шляхом аналізу профілів користувачів.

Прикладні методи

Невелика кількість конференцій присвячено виробленню прикладних методів, спрямованих на вирішення конкретних завдань промисловості в області фінансів, медицини та математики.

Ігри

Традиційно високий інтерес до ШІ в середовищі розробників ігор і розважальних програм (це окрема тема). Серед нових напрямків їх досліджень - моделювання соціальної поведінки, спілкування, людських емоцій, творчості. [9]

Висновок

штучний інтелект алгоритмічний логічний

Однозначної відповіді, що ж таке «штучний інтелект» на даний момент не існує. Кожен автор має свою думку з цього приводу. Деякі вважають, що ІІ може бути створений на основі однієї з методик перерахованих вище, інші вважають, що створення ШІ неможливо саме на поточному етапі розвитку людства, треті - взагалі в принципі заперечують можливість створення ШІ.

Особливість ШІ в тому, що це не складна і дорога технологія, начебто атомної енергії. Це програмний продукт, який легко тиражувати (копіювати). Якщо навчати ШІ того, що людство вважаємо корисним, то для того, теоретично, ІІ зможе розвиватися по експоненті, тому що для кожного нового покоління ІІ не потрібно витрачати час на вивчення того, що вже знають попередні покоління (старі версії ІІ).

Але, якщо дозволити «розумною» машині приймати самостійні рішення, то неможливо знати заздалегідь, що це будуть за рішення, і немає впевненості, що ці рішення влаштують людини. Тому машина, знову таки теоретично, зможе здійснити свою волю у відповідності зі «своїми» судженнями, навіть якщо ви цього не бажаєте. [6]

Ну а що буде насправді - покаже майбутнє.
Список використаних джерел
1. М. Тім Джонс. «Програмування штучного інтелекту в додатках» - М.: ДМК Пресс, 2004 - 312.

. Лекторський В.А. «Теорія пізнання (гносеологія, епістемологія)» - «Питання філософії», 1999.

. Лефевр В.А. «Від психофізики до моделювання душі.» - «Питання філософії», 1990.

. Карл, Левітін, Поспєлов, Хорошевський. «Майбутнє штучного інтелекту.» - М.: Наука, 1991.

. Сотник С. Л., «Основи проектування систем штучного інтелекту» -1998.

. Шаміс А.Л. «Поведінка, сприйняття, мислення: проблеми створення штучного інтелекту». - Серія «Науки про штучне» - 2005.

. Мамардашвілі М.К. «Свідомість як філософська проблема» - «Питання філософії», 1990.

. Шалютін С.М. «Штучний інтелект: гносеологічний аспект» - М.: Думка, 1985.

. Бобровський С. «Перспективи та тенденції розвитку систем штучного інтелекту» - PC Week / RE № 32.
скачати

© Усі права захищені
написати до нас