Історія та тенденції розвитку штучного інтелекту

[ виправити ] текст може містити помилки, будь ласка перевіряйте перш ніж використовувати.

скачати

ГОУ ВПО «Курський Державний Медичний Університет»
Кафедра інформатики та обчислювальної техніки
Реферат з інформатики на тему
Історія та тенденції розвитку штучного інтелекту
Виконав: Ларін С.Л.
Перевірив: Артеменко
Віктор Іванович
Курськ, 2009

План
Введення
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 програми
2.7 Розподілені обчислення
2.8 ОС РВ
2.9 Інтелектуальна інженерія
2.10 Самоорганізуючийся СУБД
2.11 AI для аналізаторскіх функцій
2.12 Військові технології
3. Штучний інтелект, як напрям досліджень
3.1 Аспекти представлення знань
3.2 Рефлексія
3.3 Деякі підходи до вирішення проблеми AI
Висновок
Література

Введення
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 абсолютно 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 властивостям формалізованих комп'ютерних програм, які можуть бути реалізовані в будь-якому матеріалі, лише б він був здатний виконувати ці програми. Досить велика кількість фахівців з штучного інтелекту (ШІ) вважають, що на друге запитання слід відповісти позитивно, інакше кажучи, вони вважають, що склавши правильні програми з правильними входами і виходами, вони дійсно створять розум. Більше того, вони вважають, що мають у своєму розпорядженні науковий тест, за допомогою якого можна судити про успіх чи невдачу такої спроби. На сьогоднішній день проблема дослідження AI займає актуальне місце у системі інформаційних наук. У своєму рефераті я спробую розглянути проблеми створення та втілення штучного інтелекту в життя, також освещу історію створення і 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 розвинуті уявлення про машину, ніж вони більш досконалі з одного боку, і чим ми більш знаємо про дух з іншого боку - тим про більш скажімо так потужному ШІ 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 лише з появою перших експериментів теорія набуває самостійного значення. Причому саму теорію "Штучного інтелекту", яка зараз знаходиться на межі з філософією, не треба поєднувати з теорією математичних, алгоритмічних, робототехнічних, фізіологічних та інших методів, які мають власне значення у відповідних науках. Зараз чіткої відмінності між низкою 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.
У рамках першого підходу об'єктом досліджень є структура і механізми роботи мозку людини, а кінцева мета полягає в розкритті таємниць мислення. Необхідними етапами досліджень у цьому напрямку є побудова моделей на основі психофізіологічних даних, проведення експериментів з ними, висування нових гіпотез щодо механізмів інтелектуальної діяльності, удосконалення моделей і т. д.
Другий підхід в якості об'єкта дослідження розглядає ШІ. Тут мова йде про моделювання інтелектуальної діяльності за допомогою обчислювальних машин. Метою робіт у цьому напрямку є створення алгоритмічного і програмного забезпечення обчислювальних машин, що дозволяє вирішувати інтелектуальні задачі 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 "дослідити" лабіринт, і знаходити вихід з нього. А крім того, вміщена у вже 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 р. ця програма зіграли 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 цими правилами. На кожній стадії гри машина вибирала черговий хід з безлічі можливих ходів відповідно до певного критерію якості гри. У шашках (як і в шахах) зазвичай невигідно втрачати свої фігури, і, навпаки, вигідно брати фігури супротивника. Гравець (будь він людина чи 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 за свого супротивника, 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, ендшпілю.
Розумно поєднуючи такі критерії (наприклад, у вигляді лінійної комбінації з експериментально бираються коефіцієнтами або більш складним чином), можна для оцінки чергового ходу машини отримати деякий числовий показник ефективності - оціночну 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 підстроюванні 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. Частково 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 різниться 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 зробити 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, кожний з яких мав 4 Гб дискової пам'яті і 128 Мб оперативної. Весь цей комплекс міг прораховувати більш 100'000'000 ходів у 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 генеровані і для яких прораховані оціночні функції. Хоча з іншого боку, цей приклад свідчить про могутність і універсальності переборних алгоритмів.
В даний час існують і успішно застосовуються програми, що дозволяють машинам грати у ділові або військові ігри, що мають велике прикладне значення. Тут також надзвичайно важливо надати програмами властиві людині здатність до навчання та адаптації. Однією з найбільш цікавих інтелектуальних завдань, також має величезне прикладне значення, є задача 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 штучного інтелекту, що ставлять медичні діагнози, п роводящіе криміналістичну експертизу і т. п., а також роботи, здатні розпізнавати й аналізувати складні сенсорні ситуації.
У 1957 р. американський 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), що грає роль учителя, пред'являє машині об'єкти та 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 іншої інтелектуальної задачею - проблемою перекладу з однієї мови на іншу, а також навчання машини мови. 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-р. Однак для того, щоб складно перевести досить великий розмовний текст, необхідно розуміти його зміст. 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 спеціаліста в галузі ШІ Дж. Маккатті, "здоровим глуздом", тобто здатністю робити дедуктивні висновки.
У програмі К. Гріна та ін, що реалізує питально-відповідну систему, знання записуються на мові 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 відносно простих лем і теорем з фундаментальної математичної монографії, а потім за 8.5 хв видала докази ще 130 більше складних теорем, частина з яких ще не була виведена математиками. Правда, до цих пір жодна програма не вивела і не довела жодної теореми, яка б, що називається "конче" була б потрібна математикам і була б принципово нової.
Дуже великим напрямком систем ШІ є роботехніка. У чому основна відмінність інтелекту робота від інтелекту універсальних обчислювальних машин?
Для відповіді на це питання доречно згадати належить великому російському фізіолога І. М. Сєченова 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 із зовнішнім світом за допомогою рухів. Точно так само елементи інтелекту робота служать перш за все для організації його цілеспрямованих рухів. У той же час основне призначення чисто комп'ютерних систем ШІ 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, які управлялися 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), формує необхідну програмний 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. У 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 обраний "віконце", воно автоматично переміщається, подібно до того, як людина ковзає поглядом по предмету. Робот Електротехнічній лабораторії був здатний розпізнавати прості предмети, обмежені площинами й 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. Приміром утримують на лезі ножа кульку від настільного тенісу.
Ще мабуть тут можна виділити роботи київського Інституту кібернетики, де під керівництвом М. М. Амосова і В. М. Глушкова (нині покійного) ведеться комплекс досліджень, спрямованих на розробку елементів інтелекту роботів. Особливо ті увага в цих дослідженнях приділяється проблемам розпізнавання зображень і мови, логічного висновку (автоматичного доведення теорем) та управління за допомогою нейроподібних мереж.
До прикладу можна розглянути створений ще в 70-х роках макет транспортного автономного інтегрального робота (ТАЇР). Конструктивно ТАІР представляє 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 складає бортова нейроподібна мережу, на якій реалізуються різні алгоритми обробки сенсорної інформації, планування поведінки та управління рухом робота.
У кінці цього дуже короткого огляду розглянемо приклади великомасштабних експертних систем.
MICIN - експертна система для медичної діагностики. Розроблена 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 даної системи з'явилися ще в 1965 році під все тому 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 у 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 (ШІ), що обіцяли небачені можливості, пропали зі сторінок науково-популярних видань багато років тому. Ейфорія, пов'язана з першими практичними успіхами у сфері ШІ, 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 недостачею 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 та організації довгострокових дослідницьких проектів). До сьогоднішнього дня ресурси першого типу вийшли (чи вийдуть у найближчі п'ять-десять років) на рівень, що дозволяє системам ШІ вирішувати дуже складні для людини практичні завдання. А ось з ресурсами другого типу ситуація в світі навіть погіршується - саме тому досягнення у сфері ШІ зв'язуються в основному з невеликим числом провідних ШІ-центрів при найбільших університетах.
2.1 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 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 поведінка комп'ютерних програм та робототехнічних пристроїв) 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 вдається 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. Надалі для вирішення складних завдань (швидкого дослідження вмісту Мережі, великих масивів даних на зразок геномних) використовуватимуться колективи автономних агентів . Для цього доведеться зайнятися вивченням можливих напрямків еволюції подібних колективів, планування спільної роботи, засобів зв'язку, групового самонавчання, кооперативної поведінки в нечітких середовищах з неповною інформацією, коаліційної поведінки агентів, які об'єднуються "за інтересами", навчитися вирішувати конфлікти взаємодії і т. п. Осібно 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 і 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 і моделювання знань, систем динамічного планування.
2.6 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.
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, діагностуванню 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 коштів ШІ для прийняття рішень в умовах дефіциту часу.
2.9 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).
2.10 Самоорганізуючийся 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, що 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. Невелика кількість конференцій присвячено виробленню прикладних методів, спрямованих на вирішення конкретних завдань промисловості в області фінансів, медицини та математики.
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.
2.12 Військові технології
Дослідження в галузі 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 являє собою джерело даних - візуальних, електромагнітних, цифрових, інфрачервоних, хімічних і т. п. Проект вимагає нових математичних методів розв'язання багатовимірних задач оптимізації. Ведуться роботи з автоматичного розпізнавання 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, застосовуваних в галузі постачання. На розробках, пов'язаних з технологіями машинного зору, засновано все високоточну зброю У ЗМІ нерідко можна прочитати про прийдешні сутичках самостійно діючих армій самохідних машин-роботів і безпілотних літаків. Однак існує ряд невирішених наукових проблем, не дозволяють у найближчі десятиліття перетворити подібні прогнози в реальність. Перш за все це недоліки систем автоматичного розпізнавання, не здатних 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 мовлення, створюються експертні та консультаційні системи, покликані автоматизувати рутинні роботи і знизити навантаження на пілотів. Нейронні мережі досить ефективно застосовуються для обробки сигналів сонарів і відрізнення підводних каменів від мін. 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 напрям досліджень
У поняття "штучний інтелект" вкладається різний зміст - від визнання інтелекту в ЕОМ, вирішальних логічні або навіть будь-які обчислювальні задачі, до віднесення до інтелектуальних лише тих систем, які вирішують весь комплекс завдань, здійснюваних людиною, або ще більш широку їх сукупність. Постараємося ж вичленувати той сенс 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 є конструювання штучного інтелекту. Які ж завдання, які вирішуються технічними системами, можна розглядати як конституирующие штучний інтелект? Щоб відповісти на це питання, треба з'ясувати, перш за все, що таке завдання. Як зазначають психологи, цей термін теж не є достатньо виразною. Мабуть, в якості вихідного можна прийняти розуміння завдання як розумової задачі, що існує в психології. Вони підкреслюють, що завдання є тільки тоді, коли є робота для мислення, тобто коли є деяка мета, а засоби для 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 у 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 сенсі 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 що 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, значить, не входить в коло завдань штучного інтелекту. Її інтелектуальна частина виконана людиною. На частку машини залишилася частина роботи, яка не вимагає участі мислення, тобто "безглузда", неінтелектуальна. Під словом "машина" тут розуміється машина разом з її сукупним математичним забезпеченням, що включає не тільки програми, але й 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, принаймні, у 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 з середовища, для поведінки в якій виробляється схема дії. Цей спосіб вироблення схем зовнішніх дій (а не просто дії по командах, нехай навіть мінливих 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 належать 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'язана 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; ця 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 мають і не мають інтелекту, але і за рівнем 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 як критерію, що визначає, чи може машина мислити, "гру в імітацію". Згідно з цим критерієм, машина може бути визнана мислячої, якщо людина, ведучи з нею діалог по досить широкому колу 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 Тьюрінга ставиться знак тотожності між здатністю мислити і здатністю до вирішення завдань переробки інформації певного типу. Успішна "гра на 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, для вирішення певних завдань. Тому прав В.М. Глушков, стверджуючи, що найбільш природно, слідуючи Тьюрингу, вважати, що деякий пристрій, створений людиною, являє собою штучний інтелект, якщо, ведучи з ним досить довгий діалог по більш-менш широкому колу 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, не суперечить перерахованим вище особливостям системи штучного інтелекту. Але що означає по "досить широкому колу 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 магічними програмуванням, ставили завдання створення інтелекту, успішно функціонує в будь-якій сфері діяльності. Це можна назвати розробкою "загального інтелекту". Зараз більшість робіт спрямовано на створення "професійного штучного інтелекту", тобто систем, вирішальних інтелектуальні завдання з відносно обмеженою області (наприклад, управління портом, інтегрування функцій, доказ теорем геометрії й т.п.). 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 відноситься, наприклад, завдання розпізнання зорових образів. Людина дізнається людини, 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 знаходиться у сфері усвідомленого. Але так як у вирішенні таких завдань на неусвідомленому 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 інтелектуальною. Тим більше це відноситься до "розуміння" машиною фраз на природній мові, 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 кібернетиками, 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 декілька 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, деякою мірою, штучним інтелектом. Робота з побудови таких систем проводиться в області, що одержала назву штучний інтелект (ШІ). При реалізації інтелектуальних функцій неодмінно присутня інформація, звана 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. У рамках цього напрямку вирішуються завдання, пов'язані з формалізацією та 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, тому що функціонування такої системи спирається на знання про проблемну області, які зберігаються в її пам'яті. 2. Маніпулювання знаннями. Щоб знаннями можна було користуватися при вирішенні завдання, слід навчити систему ШІ оперувати ними. У рамках даного напрямку розробляються способи поповнення знань на основі їх неповних описів, створюються методи достовірного і правдоподібного висновку 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'язних текстів природною мовою, розуміння і синтез мови, теорія моделей комунікацій між людиною і системою ШІ. На основі досліджень у цьому напрямку формуються методи побудови лінгвістичних процесів, питально-відповідних систем, діалогових систем та інших систем ШІ, метою яких є забезпечення комфортних умов для спілкування людини з системою ШІ. 4. Сприйняття. Цей напрямок включає розробку методів подання інформації про зорових образах 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 у 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 за описом проблемної ситуації або зі спостереження за нею, методи переходу від відомого рішення приватних завдань (прикладів) до вирішення загальної задачі, створення прийомів розбиття вихідної задачі на більш дрібні і вже відомі для систем ШІ. У 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 ШІ і людьми. Цей напрям у 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 визначається тим, наскільки успішно будуть вирішуватися завдання (проблеми) подання знань.
3.1 Аспекти представлення знань
Не дивно, що перед тими, хто займається проблемою представлення 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 у вирішенні завдань подання знань в комп'ютерних системах. Поданням даних притаманний пасивний аспект: книга, таблиця, заповнена інформацією пам'ять. У теорії штучного інтелекту особливо підкреслюється активний аспект представлення знань: придбання знання повинне стати активною операцією, що дозволяє не тільки запам'ятовувати, але й застосовувати сприйняті (придбані, засвоєні) знання для міркувань на їхній основі. Використання символічного мови, такої, як мова математичної логіки, дозволяє формулювати опису у формі, одночасно близькою і до звичайної мови, і до мови програмування. Втім, математична логіка дозволяє міркувати, базуючись на придбаних знаннях: логічні висновки дійсно є активними операціями одержання нових знань із 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 та предметів побуту, інструментам, приладам, знаково-символічних систем, науковим текстам і т. д.), граючи інструментальну роль у 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 у цій області в деяку нову фазу. Мова йде про створення практично корисних систем (перш за все 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" пов'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, файлів, списками. Вінцем цього розвитку стали абстрактні типи даних, щоб забезпечити можливість створення такої структури даних, яка найбільш зручна при рішенні задачі. Послідовний розвиток структур даних призвело 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, але й істотними особливостями: интерпретованість, наявність класифікуються зв'язків (наприклад, зв'язок між знаннями, що відносяться до елемента множини, і знаннями про цю безлічі), які дозволяють зберігати інформацію, однакову для всіх елементів множини, записану одноактно при описі самої множини, наявність ситуативних відносин (одночасності, знаходження в одній точці простору і т. п., ці відносини визначають ситуативну сумісність тих чи інших знань, збережених у пам'яті). Крім того, для рівня знань характерні такі ознаки, як наявність спеціальних процедур узагальнення, поповнення наявних у системі знань і ряду інших процедур. Моделювання на ЕОМ розумілося як технічна реалізація певної форми знакового моделювання. Однак, розглядаючи ЕОМ у гносеологічному плані як 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 та до деяких меж самостійних моделей - як матеріальних, так і знакових, тобто ідеальних. Такий підхід не тільки відповідає розгляду комп'ютерних систем в 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, насамперед, до знакових складових комп'ютерних систем. Це вірно й у відношенні філософських аспектів проблем представлення знань. В останні роки все частіше став вживатися термін "комп'ютерне моделювання". Очевидно, має сенс позначати їм побудова будь-якого з складових комп'ютерної системи - будь то знакова модель або матеріальна. Що змінюється в комп'ютерному моделюванні з переходом від рівня представлення даних до рівня представлення знань? Який гносеологічний сенс цих змін? З введенням терміна "знання" з'являється властивість "усвідомлювати", тобто "розуміти" свої інтелектуальні можливості. У свою чергу, це означає не що інше, як рефлексію.
3.2 Рефлексія
Дослідження в області штучного інтелекту виникли під впливом ідей кібернетики - перш за все ідеї спільності процесів управління і передачі інформації в живих організмах, суспільстві і техніці, зокрема, у 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, ізоморфну ​​структурі матеріального світу, тобто 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 в знаннях про те, як здійснювати трансформації станів моделі, що призводять до наперед заданої мети - стану з певними властивостями. На початку було поширене переконання в принциповій здатності комп'ютера до самостійного дослідження зберігається в ньому моделі, тобто до самонавчання стратегії досягнення поставленої мети. Дана гіпотетична здатність інтерпретувалася як можливість машинного творчості, як основа створення майбутніх "мислячих машин". І, хоча в реально розроблених 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 самонавчаються систем багатьом здавалися найбільш перспективними. Лише до 80-му році була усвідомлена значимість проблеми використання в інтелектуальних системах людських знань про дійсність, що призвела серйозну розробку баз знань і методів отримання особистих знань експертів. З розвитком даного напрямку виникла ідея рефлексивного управління. До цього моменту в кібернетиці управління розглядалося як передача об'єкту 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 зворотній 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), тобто засобами підвищення надійності, системи штучного інтелекту повинні контролювати процеси, що відбуваються - 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 у просторі (не відчувають 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 метаструктур, 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. Говорячи мовою математики, рефлексія є необхідною умовою існування інтелектуальної системи.
3.3 Деякі підходи до вирішення проблеми ШІ
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 дмухаючи в мундштук, як справжній музикант. У середині 1750-х років Фрідріх фон Кнаус, австрійський автор, що служив при дворі Франциска I, сконструював серію машин, які вміли тримати перо й могли писати досить довгі тексти. Інший майстер, П'єр Жак-Дроз зі Швейцарії, побудував пару дивовижних по складності механічних ляльок розміром з дитини: хлопчика, пише листи і дівчину, що грає на клавесині. Успіхи механіки XIX ст. 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 ШІ, 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 на нову більш-менш самостійну гілку інформатики, що отримала назву "штучний інтелект". Дослідження в галузі ШІ, спочатку зосереджені в декількох університетських центрах США - Массачусетському технологічному інституті, Технологічному інституті Карнегі в Піттсбурзі, Стенфордському 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 у 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, жодної з розроблених до цих пір програм ІІ 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 суттєву користь. Чимало критиків ШІ вважають, що такого роду обмеження взагалі нездоланні, і рішення проблеми ШІ треба шукати не в сфері безпосередньо електроніки, а десь за її межами. Кібернетичний підхід Спроби побудувати машини, здатні до розумного поведінці, в значною мірою натхненні ідеями професора Массачусетського технологічного інституту, Норберта Вінера, однією з визначних 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 утруднення у вирішенні будь-які проблеми психології мають математичний характер, пояснював він, - то десять необізнаних у математиці психологів просунутися не далі 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 радіолокаційним 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 відбитих від літака радіолокаційних сигналів вони відповідно змінювали наводку знарядь, тобто - помітивши спробу відхилення літака від курсу, вони негайно розраховували його подальший шлях і направляли знаряддя 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 керманич. Слід зазначити, що принцип "зворотного зв'язку", введений Вінером, був у якійсь мірі передбачив Сеченовим в описаному ним у книзі "Рефлекси головного мозку" (1863 р.) феномен "центрального гальмування", тобто майже за 100 років до Вінера, і розглядався як механізм регуляції діяльності нервової системи, і який ліг в основу багатьох моделей довільної поведінки у вітчизняній психології.

Висновок
Ключовим фактором, що визначає сьогодні розвиток ІІ-технологій, вважається темп зростання обчислювальної потужності комп'ютерів, так як принципи роботи людської психіки, як і раніше залишаються неясними (на доступному для моделювання рівні деталізації). Тому тематика ШІ-конференцій виглядає досить стандартно і за складом майже не змінюється вже досить давно.
Але зростання продуктивності сучасних комп'ютерів у поєднанні з підвищенням якості алгоритмів періодично робить можливим застосування різних наукових методів на практиці. Так сталося з інтелектуальними іграшками, так відбувається з домашніми роботами. Знову будуть інтенсивно розвиватися тимчасово забуті методи простого перебору варіантів (як у шахових програмах), що обходяться вкрай спрощеним описом об'єктів. Але за допомогою такого підходу (головний ресурс для його успішного застосування - продуктивність) вдасться вирішити, як очікується, безліч самих різних завдань (наприклад, в галузі криптографії). Впевнено діяти автономним пристроїв у складному світі допоможуть досить прості, але ресурсомісткі алгоритми адаптивного поведінки. При цьому ставиться за мету розробляти системи, не зовні схожі на людину, а діючі, як людина.
Вчені намагаються заглянути і в більш віддалене майбутнє. Чи можна створити автономні пристрої, здатні при необхідності самостійно збирати собі подібні копії (розмножуватися)? Чи здатна наука створити відповідні алгоритми? Чи зможемо ми контролювати такі машини? Відповідей на ці запитання поки немає. Продовжиться активне впровадження формальної логіки в прикладні системи подання й обробки знань. У той же час така логіка не здатна повноцінно відобразити реальне життя, і відбудеться інтеграція різних систем логічного висновку в єдиних оболонках. При цьому, можливо, вдасться перейти від концепції детального представлення інформації про об'єкти і прийомів маніпулювання цією інформацією до більш абстрактним формальним описах і застосування універсальних механізмів виведення, а самі об'єкти будуть характеризуватися невеликим масивом даних, заснованих на ймовірнісних розподілах характеристик.
Сфера ШІ, що стала зрілою наукою, розвивається поступово - повільно, але неухильно просуваючись уперед. Тому результати досить добре прогнозовані, хоча на цьому шляху не виключені й раптові прориви, пов'язані зі стратегічними ініціативами.

Література
1. Ільясов Ф. М. Розум штучний і природний / / Известия АН Туркменської РСР, серія суспільних наук. 1986. № 6. С. 46-54
2. Пенроуз. Р. Новий розум короля. Про комп'ютери, мисленні і закони фізики. М.: УРСС, 2005. ISBN 5-354-00993-6
3. Гаррі Гаррісон. Вибір за Тьюрінгом. М.: Ексмо-Пресс, 1999. 480 с. ISBN 5-04-002906-3
4. У СВІТІ НАУКИ. (Scientific American. Видання російською мовою). 1990. № 3
5. Геннадій Осипов «Штучний інтелект: стан досліджень та погляд у майбутнє»
6. "Ростов Телеком" # 34 (55) «Штучний інтелект: нова інформаційна революція»
7. Хант Е. Штучний інтелект = Artificial intelligence / Под ред. В. Л. Стефанюка. - М.: Світ, 1978. - 558 с. - 17 700 екз.
8. Люгер Дж. Ф. Штучний інтелект: стратегії та методи вирішення складних проблем = Artificial Intelligence: Structures and Strategies for Complex Problem Solving / Под ред. М. М. Куссуль. - 4-е вид .. - М.: Вільямс, 2005. - 864 с. - 2000 екз. - ISBN 5-8459-0437-4
9. Девятко В. В. Системи штучного інтелекту / Гол. ред. І. Б. Федоров. - М.: Із МГТУ ім. Н. Е. Баумана, 2001. - 352 с. - (Інформатика в технічному університеті). - 3000 екз. - ISBN 5-7038-1727-7
Додати в блог або на сайт

Цей текст може містити помилки.

Програмування, комп'ютери, інформатика і кібернетика | Реферат
128.7кб. | скачати


Схожі роботи:
Історія розвитку штучного інтелекту
Проблематика штучного інтелекту
Проблеми штучного інтелекту
Парадокси штучного інтелекту
Створення штучного інтелекту
Вступ до проблеми штучного інтелекту
ЕС як різновид систем штучного інтелекту
Лінгвістичне забезпечення штучного інтелекту
Створення та розвиток штучного інтелекту
© Усі права захищені
написати до нас