Реферат: Проблемы создания искусственного интеллекта

НАЦИОНАЛЬНЫЙ ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТУКРАИНЫ

«КИЕВСКИЙ ПОЛИТЕХНИЧЕСКИЙ ИНСТИТУТ»

РЕФЕРАТ

на тему:

«ПРОБЛЕМА СОЗДАНИЯ ИСКУССТВЕННОГОИНТЕЛЛЕКТА»

КИЕВ – 2009

План

Вступление

1. Базовые положения

2. Методики иподходы построения систем ИИ

3. Проблемы создания ИИ

4. Реализация систем ИИ

Заключение

Список использованных источников

Вступление

В качестве самостоятельного научногонаправления искусственный интеллект (ИИ) существует уже более четверти века. Мнениеобщества, относительно специалистов данной области, постепенно менялось от скепсисадо уважения, и понимания перспектив данной области в будущем. В передовыхстранах, таких как США и Япония, работы в области интеллектуальных системподдерживаются на всех уровнях – от рядовых граждан, до правительственныхорганов. Существует вполне обоснованное мнение, что именно исследования вобласти ИИ будут определять характер нынешнего информационного общества,которое уже фактически пришло на смену индустриальной эпохи, достигшей своейвысшей точки расцвета в прошлом веке.

Начиная с 80-х годов прошлого века,произошло становление ИИ как особой научной дисциплины, сформировались еёконцептуальные модели, накопились специфические методы и приёмы, частично устоялисьфундаментальные парадигмы. У специалистов старшего поколения, стоявших у истоковновой области исследований, складывается убеждение, что период бурного,хаотического развития кончился, и теперь наступает эра академических ицеленаправленных исследований, рассчитанных на длительный период. [1]

1. Базовые положения

Слово интеллект (intelligence)происходит от латинского intellectus – ум, рассудок, разум. Соответственноискусственный интеллект (artificial intelligence) – ИИ обычно используется каксвойство автоматических систем брать на себя отдельные функции интеллектуальноготруда человека, например, выбирать и принимать оптимальные решения на основеранее полученного опыта и рационального анализа внешних воздействий или событий.

Интеллектом обычно называют способностьмозга решать поставленные (интеллектуальные) задачи путём приобретения,запоминания и целенаправленного преобразования знаний в процессе обучения иадаптации их (знаний) к разнообразным обстоятельствам. В этом определении подтермином «знания» подразумевается не только информация, которая поступает вмозг человека через органы чувств. Информация подобного рода конечно важна, нонедостаточна для полноценной интеллектуальной деятельности. Всё дело в том, чтоокружающие нас объекты обладают свойством не только воздействовать на органычувств, но и находиться во взаимодействии друг с другом. Для того чтобыосуществлять в окружающей среде интеллектуальную деятельность, или как минимум простосуществовать, человеку необходимо иметь систему знаний, модель этого мира. Вэтой информационной модели окружающей среды реальные объекты, их свойства и взаимоотношениямежду ними не только отображаются и запоминаются, но и могут мозгом человека(мысленно) «целенаправленно преобразовываться». При этом важен тот момент, чтоформирование модели внешней среды происходит в процессе обучения, на опыте иадаптации к разнообразным обстоятельствам.

Под алгоритмом понимают точную, предписаннуюпоследовательность действий системы для решения любой поставленной задачи изнекоторого данного класса задач.

Термин «алгоритм» происходит от имениузбекского математика Аль Хо Резми, который еще в 9 веке предложил киспользованию простейшие арифметические алгоритмы. В математике и кибернетикекласс задач определенного типа считается решенным, если для её решения найденсоответствующий алгоритм. На самом деле, нахождение алгоритмов являетсяестественной целью человека при решении разнообразных классов задач. Поиск алгоритмадля задач некоторого типа связано со сложными рассуждениями, требующими немалойизобретательности и высокой квалификации. Считается, что подобного родадеятельность требует участия интеллекта человека. Задачи, связанные с поиском алгоритмарешения класса задач определенного типа, обычно называют интеллектуальнымизадачами.

Что же относительно задач, алгоритмы,решения которых уже установлены, то, как отмечает известный учёный в области ИИМ. Минский, – «излишне приписывать им (ИИ) такое мистическое свойство, какинтеллектуальность». После того, как алгоритм решения задачи найден, процессрешения задачи становится таким, что его могут в равной степени выполнить как человек,так и вычислительная машина (должным образом запрограммированная), не имеющаяни малейшего представления о сущности самой задачи. Требуется только, чтобы «лицо»(человек или ИИ), решающее поставленную задачу, было способно выполнять теэлементарные операции, из которых складывается процесс решения, и, кроме того,чтобы оно («лицо») педантично и аккуратно руководствовалось предложеннымалгоритмом. Человек, так же как и ИИ, действует в таких случаях, какговориться, чисто машинально и может успешно решать любую задачурассматриваемого класса.

Представляется совершенноестественным исключить из класса интеллектуальных такие задачи, для которыхсуществуют стандартные методы решения. Например, такими задачами могут быть чистовычислительные задачи: решение системы линейных алгебраических уравнений,численное интегрирование дифференциальных уравнений и т. п. Для решенияподобного рода задач имеются стандартные алгоритмы, представляющие собойопределенную последовательность элементарных операций, которая может быть легкореализована в виде программы для вычислительной машины. В противоположностьэтому для широкого класса интеллектуальных задач, таких, как распознаваниеобразов, игра в шахматы, доказательство теорем и т. п., – формальное разбиениепроцесса поиска решения на отдельные элементарные шаги часто оказывается весьмазатруднительным, даже если само их решение теоретически несложно.

Т.е. в некотором роде можно перефразироватьопределение интеллекта, назвав его универсальным сверхалгоритмом, которыйспособен создавать алгоритмы решения самых разнообразных, но в тоже время конкретнопоставленных задач.

Стоит отметить, что профессияпрограммиста, исходя из приведенного выше, по-сути является одной из самыхинтеллектуальных, поскольку продуктом деятельности программиста являютсяпрограммы – алгоритмы в чистом виде. Поэтому, создание даже определенных элементовИИ по-идее должно значительно повысить производительность его труда.

Деятельность мозга, направленную нарешение интеллектуальных задач, называют мышлением, или интеллектуальнойдеятельностью. Интеллект и мышление связаны с решением таких задач, какдоказательство теорем, логический анализ, распознавание ситуаций, планированиеповедения, игры, также управление в условиях неопределенности. Характернымичертами интеллекта, проявляющимися в процессе решения задач, являютсяспособность к обучению, обобщению, накоплению опыта (знаний и навыков) иадаптации к изменяющимся условиям в процессе решения задач. Благодаря этим качестваммозг может решать разнообразные задачи, а также легко перестраиваться с решенияодной задачи на другую. Таким образом, мозг, наделенный интеллектом, являетсяуниверсальным средством решения широкого спектра задач (в том числе и неформализованных)для которых нет стандартных, заранее известных методов решения.

Надо учитывать, что существуют идругие, чисто поведенческие (функциональные) определения. Так, согласно А. Н.Колмогорову, любая материальная система, с которой можно достаточно долгообсуждать проблемы науки, литературы или искусства, обладает интеллектом.

Другим примером поведенческойтрактовки интеллекта может служить известное определение А. Тьюринга. Например,в разных комнатах находится люди и машина. Они не могут видеть друг друга, ноимеют возможность общения (обмениваться сообщениями). Если в процессе диалогамежду участниками людям не удается установить, что один из участников – машина,то такую машину можно считать обладающей интеллектом. Интересен план имитациимышления, предложенный А. Тьюрингом. «Пытаясь имитировать интеллект взрослогочеловека – пишет Тьюринг – мы вынуждены много размышлять о том процессе, врезультате которого человеческий мозг достиг своего настоящего состояния…Почему бы нам вместо того, чтобы пытаться создать программу, имитирующуюинтеллект взрослого человека, не попытаться создать программу, котораяимитировала бы интеллект ребенка? Ведь если интеллект ребенка получаетсоответствующее воспитание, он становится интеллектом взрослого человека… Нашрасчет состоит в том, что устройство, ему подобное, может быть легкозапрограммировано… Таким образом, мы расчленим нашу проблему на две части: назадачу построения «программы-ребенка» и задачу «воспитания» этой программы».Следует отметить, что именно этот путь используют практически все современные системыИИ. Ведь понятно, что практически невозможно вложить все знания в систему ИИ. Болеетого, только на этом пути проявятся перечисленные выше признакиинтеллектуальной деятельности (накопление опыта, адаптация и т. п.). [5]

2. Методики и подходы построениясистем ИИ

Существуют различные подходы кпостроению систем ИИ – логический подход, структурный, эволюционный,имитационный. Это разделение не является историческим, когда одно мнениепостепенно сменялось другим, и различные подходы и методики существуют параллельнои сегодня. Поскольку по-настоящему полноценных систем искусственного интеллектав настоящее время нет, то нельзя и утверждать, что какой-то подход являетсяправильным, а какой-то – нет.

Для начала рассмотрим логическийподход. Человек занимается отнюдь не только логическими измышлениями. Этовысказывание конечно верно, но именно способность к логическому мышлению оченьсильно отличает человека от животных. Основой для данного логического подходаслужит Булевая алгебра. Каждый программист знаком с нею и с её использованием,хотя бы на примере логического оператора IF (если). Свое дальнейшее развитиеБулевая алгебра получила в виде исчисления предикатов – в котором она расширеназа счёт введения предметных символов, отношений между ними, кванторов существованияи всеобщности.

Практически каждая система ИИ,построенная на логическом принципе, представляет собой машину доказательстватеорем. При этом исходные данные хранятся в базе данных в виде аксиом (правилалогического вывода как отношения между ними). Каждая такая машина имеет блокгенерации цели, и система вывода пытается доказать данную цель как теорему.Если цель доказана, то трассировка примененных правил позволяет получитьцепочку действий, необходимых для реализации поставленной цели. Мощность такойсистемы определяется возможностями генератора целей и машины доказательстватеорем. Можно утверждать, что выражений алгебры не хватит для полноценнойреализации ИИ, но стоит вспомнить, что основой всех существующих ЭВМ являетсябит – единица информации (или значение ячейки памяти), которая может приниматьзначения только логического 0 и 1. Было бы логично предположить, что всё, чтовозможно реализовать на ЭВМ, можно было бы реализовать и в виде логикипредикатов. Хотя здесь ничего не упоминается о том, сколько на это уйдётвремени. Добиться большей выразительности логическому подходу позволяет такоесравнительно новое направление, как нечёткая логика. Её особенностью являетсято, что правдивость высказывания может принимать кроме значений да/нет (1/0) ещёи промежуточные значения – «не знаю» (0.5), «скорее да, чем нет» (0.75) и«скорее нет, чем да» (0.25). Такой подход больше похож на мышление человека,поскольку человек не часто отвечает только «да» или «нет».

Для большинства логических методовхарактерна большая трудоёмкость, поскольку во время поиска доказательствавозможен полный перебор вариантов. Данный подход требует эффективной реализациивычислительного процесса, и удовлетворительные результаты работы обычно гарантируютсятолько при сравнительно небольшом размере базы данных.

Под структурным подходом подразумеваютсяпопытки построения ИИ путём моделирования структуры человеческого мозга. Однойиз первых таких попыток был перцептрон Ф. Розенблатта. Основной моделируемойструктурной единицей в перцептронах (как и в большинстве других вариантовмоделирования мозга) является нейрон. Позднее возникли и другие модели, известныепод общим названием «нейронные сети» (НС). Модели эти различаются по строениюотдельных нейронов, по топологии связей между ними и по алгоритмам обучения.Среди наиболее известных вариаций НС можно назвать НС с обратнымраспространением ошибки, сети Хопфилда и стохастические нейронные сети.

Нейронные сети наиболее успешноприменяются в задачах распознавания образов, в том числе сильно зачумленных(нечётких). Также имеются примеры успешного применения НС для построения собственносистем ИИ.

Для моделей, построенных на основестроения человеческого мозга характерна не слишком большая выразительность, оприделённое распараллеливание алгоритмов и,благодаря последнему, высокая производительность параллельно реализованных НС. Длятаких сетей характерно одно свойство, которое делает из очень схожими счеловеческим мозгом – нейронные сети работают даже при условии недостаточнойинформации об окружающей среде, т.е. как и человек, они поставленный вопросмогут отвечать не только «да» и «нет» но и «не знаю точно, но скорее нет», «незнаю точно, но скорее да».

Довольно большое распространениеполучил эволюционный подход. При построении систем ИИ по такому подходу,основное внимание уделяется построению начальной модели и правилам, по которымона (модель) может изменяться (эволюционировать). Модель может быть составленапо самым различным методам, это могут быть и НС и набор логических правил илюбая другая модель. После этого мы запускаем ИИ, и он, на основании проверкимоделей, отбирает самые лучшие из них, на основании которых по самым различнымправилам генерируются новые модели, из которых опять выбираются самые лучшие ит. д.

Эволюционных моделей, как таковых, несуществует, есть только эволюционные алгоритмы обучения, но модели, полученныепри эволюционном подходе, имеют некоторые характерные особенности, чтопозволяет выделить их в отдельный класс. Такими особенностями являютсяперенесение основного внимания разработчика с построения модели на алгоритм еёмодификации и то, что полученные модели практически не сопутствуют извлечениюновых знаний о среде, окружающей систему ИИ, то есть она (система) становится «вещьюв себе».

Широко используется для построениясистем ИИ также имитационный подход. Данный подход является классическим длякибернетики с одним из её базовых понятий – «чёрным ящиком» (ЧЯ). Чёрный ящик –это устройство, программный модуль или набор данных, информация о внутреннейструктуре и содержании которого отсутствуют, но известны спецификации входных ивыходных данных. Объект, поведение которого имитируется, как раз и представляетсобой такой «черный ящик». Неважно, что у него внутри и как он функционирует, главное, чтобы наша модель ваналогичных ситуациях вела себя точно так же. Таким образом моделируется другое свойство человека – способность копировать то, что делают другие, не вдаваясь вподробности, зачем это нужно. Зачастую эта способность экономит человеку массувремени, особенно в начале его жизни. К недостаткам имитационного подхода можноотнести низкую информационную способность большинства моделей, построенных сего помощью.

Отдельно стоит отметить, что напрактике четкой границы между разными подходами нет. Часто встречаютсясмешанные системы ИИ, где часть работы выполняется по одной методике, а часть –по другой. [5]

3. Проблемы создания ИИ

Анализ проблемы искусственногоинтеллекта открывает роль таких философских познавательных орудий, каккатегории, специфическая семиотическая система, логические структуры, ранеенакопленное знание. Всё это обнаруживаются не посредством исследованияфизиологических или психологических механизмов познавательного процесса, новыявляется в знании, в его языковом выражении. Орудия познания, формирующиеся,в конечном счёте на основе практической деятельности, необходимы для любойсистемы, выполняющей функции абстрактного мышления, независимо от еёконкретного материального субстрата и структуры. Поэтому, чтобы создатьсистему, выполняющую функции абстрактного мышления (т. е. в конечном счёте,формирующую адекватные схемы внешних действий в существенно меняющихся средах)необходимо наделить такую систему этими орудиями. Развитие систем ИИ запоследние время как раз идёт по этому пути. Степень продвижения в данномнаправлении в отношении каждого из указанных познавательных орудий разная, но вцелом пока, увы, незначительна.

В наибольшей мере системы ИИиспользуют формально-логические структуры, что обусловлено их неспецифичностьюдля мышления и, в сущности, алгоритмическим характером. Это дает возможностьотносительно легкой их технической реализации. Но даже здесь кибернетикепредстоит пройти большой путь. В системах искусственного интеллекта ещё слабо используютсямодальная, императивная, вопросная и иные логики, которые функционируют вчеловеческом интеллекте, и не менее необходимы для успешных познавательныхпроцессов, чем давно освоенные логикой, а затем и кибернетикой формы выводов.Повышение «интеллектуального» уровня технических систем, безусловно, связано нетолько с расширением применяемых логических средств, но и с более интенсивнымих использованием – проверка информации на непротиворечивость, конструированияпланов вычислений и т. п.

Сложнее обстоит дело с семиотическимисистемами, без которых интеллект невозможен в принципе. Языки, используемые вЭВМ, ещё далеки от семиотических структур, которыми оперирует мышление. Преждевсего, для решения ряда задач, необходимо последовательное приближениесемиотических систем, которыми наделяется ЭВМ, к естественному языку, точнее, киспользованию его ограниченных фрагментов. В этом плане предпринимаются попыткинаделить входные языки ЭВМ универсалиями языка, например, полисемией (котораяэлиминируется при обработке в лингвистическом процессоре). Уже разработаныпроблемно-ориентированные фрагменты естественных языков, достаточные длярешения системой ряда практических задач. Наиболее важным итогом такой работыявляется создание семантических языков (и их формализация), в которых слова-символыимеют определенную интерпретацию.

Многие универсалии естественныхязыков, необходимые для выполнения ими познавательных функций, в языках ИИ покареализованы слабо (например, открытость) или используются ограниченно (например,полисемия). Все чаще воплощение в семиотических системах универсалийестественного языка, обусловленных его познавательной функцией, выступает однойиз важнейших линий совершенствования систем ИИ, особенно тех, в которыхпроблемная область заранее чётко не определена.

Сегодня системы искусственногоинтеллекта способны осуществлять перевод с одномерных языков на многомерные. Вчастности, они могут строить диаграммы, схемы, чертежи, графы, чертить на экранекривые и т. п. ЭВМ производят и обратный перевод (описывают графики и томуподобное с помощью символов). Такого рода перевод является существеннымэлементом интеллектуальной деятельности. Правда современные системы ИИ пока неспособны к непосредственному (без перевода на символический язык) использованиюизображений или воспринимаемых сцен для «интеллектуальных» действий. Поискпутей глобального, а не локального, оперирования информацией составляет одну изважнейших и задач теории искусственного интеллекта.

Воплощение в информационные массивы ипрограммы систем ИИ аналогов категорий находится пока в начальной стадии. Например,в категории входят понятия «целое», «часть», «общее», «единичное». Они используютсяв ряде систем представления знаний, в частности в качестве «базовых отношений»,в той мере, в какой это необходимо для тех или иных конкретных предметных илипроблемных областей, с которыми взаимодействуют системы. В формализованномпонятийном аппарате некоторых систем представления знаний предприняты отдельныепопытки выражения некоторых моментов содержания и других категорий (например, «причина»и «следствие»). Однако ряд категорий (например, «сущность» и «явление») вязыках систем представления знаний отсутствует. В целом, данная проблема разработчикамисистем ИИ в полной мере ещё не осмыслена, и предстоит ещё большая работафилософов, логиков и кибернетиков по внедрению аналогов категорий в системыпредставления знаний, и другие компоненты интеллектуальных систем.

Современные системы ИИ почти неимитируют сложную иерархическую структуру образа, что не позволяет имперестраивать проблемные ситуации, комбинировать локальные части сетей знаний вблоки, перестраивать эти блоки и т. п. Не является совершенным и взаимодействиевновь поступающей информации с совокупным знанием, фиксированным в системах. Всемантических сетях и фреймах, использующихся при представлении знаний, поканедостаточно используются методы, благодаря которым интеллект человека легкопополняется новой информацией, находит нужные данные, перестраивает своюсистему знаний и т. п.

Ещё в меньшей мере современныесистемы ИИ способны активно воздействовать на внешнюю среду, без чего не может;осуществляться самообучение и вообще совершенствование «интеллектуальной»деятельности.

Таким образом, хотя определенные шагик воплощению гносеологических характеристик мышления в современных системахискусственного интеллекта сделаны, но в целом эти системы ещё далеко не владеюткомплексом гносеологических орудий, которыми располагает человек и которыенеобходимы для выполнения совокупности функций абстрактного мышления. Чембольше характеристики систем искусственного интеллекта будут приближены кгносеологическим характеристикам мышления человека, тем ближе будет их «интеллект»к интеллекту человека, точнее, тем выше будет их способность к комбинированиюзнаковых конструкций, воспринимаемых и интерпретируемых человеком в качестверешения задач и вообще воплощения мыслей.

Поэтому возникает сложный вопрос. Прианализе познавательного процесса гносеология абстрагируется отпсихофизиологических механизмов, посредством которых реализуется сам процесс.Но из этого не следует, что для построения систем искусственного интеллекта этимеханизмы не имеют значения. Не исключено, что механизмы, необходимые длявоплощения неотъемлемых характеристик интеллектуальной системы, не могут бытьреализованы в цифровых машинах или даже в любой технической системе, включающейв себя только компоненты неорганической природы. Также не исключено, что хотямы и можем познать все гносеологические закономерности, обеспечивающие выполнениечеловеком его познавательной функции, но их совокупность реализуема лишь всистеме, субстратно тождественной человеку.

Подобный взгляд обосновывается X.Дрейфусом. «Телесная организация человека – пишет он – позволяет емувыполнять… функции, для которых нет машинных программ – таковые не только ещёне созданы, но даже не существуют в проекте… Эти функции включаются в общуюспособность человека к приобретению телесных умений и навыков. Благодаря этойфундаментальной способности наделенный телом субъект может существовать вокружающем его мире, не пытаясь решить невыполнимую задачу формализации всего ився».

Подчеркивание значения «телеснойорганизации» для понимания особенностей психических процессов, в частностивозможности восприятия, заслуживает отдельного внимания. Качественные различияв способности конкретных систем отражать мир тесно связаны с их структурой,которая хотя и обладает относительной самостоятельностью, но не можетпреодолеть некоторых рамок, заданных субстратом. В процессе биологическойэволюции совершенствование свойства отражения происходило на основе усложнениянервной системы, т. е. субстрата отражения. Не исключено, что различиесубстратов ЭВМ и человека может обусловить фундаментальные различия в ихспособности к отражению, что ряд функций человеческого интеллекта в принципенедоступен машинам.

В философской литературеутверждается, что допущение возможности выполнения технической системойинтеллектуальных функций человека означает сведение высшего (биологического исоциального) к низшему (к системам из неорганических компонентов) и,следовательно, противоречит материалистической диалектике. Но в этомрассуждении не учитывается, что пути усложнения материи однозначно не однозначны,и не исключено, что общество имеет возможность создать из неорганическихкомпонентов (абстрактно говоря, минуя химическую форму движения) системы неменее сложные и не менее способные к отражению, чем биологические. Созданныетаким образом системы являлись бы компонентами общества, социальной формойдвижения. Вопрос о возможности передачи интеллектуальных функций техническимсистемам, и в частности о возможности наделения их рассмотренными в работегносеологическими орудиями, не может быть решен только исходя из философскихсоображений. Он должен быть подвергнут анализу на базе конкретных научныхисследований. X. Дрейфус подчеркивает, что ЭВМ оперирует информацией, котораяне имеет значения, смысла. Для ЭВМ необходим перебор огромного числа вариантов.Телесная организация человека, его организма позволяет отличать значимое отнезначимого для жизнедеятельности и вести поиск только в сфере первого. Для «нетелесной» ЭВМ, утверждает Дрейфус, это недоступно. Конечно, конкретный типорганизации тела позволяет человеку ограничивать пространство возможного поиска.Это происходит уже на уровне анализаторной системы. Совсем иначе обстоит дело сЭВМ. Когда в кибернетике ставится общая задача, например распознания образов,то эта задача переводится с чувственно-наглядного уровня на абстрактный. Темсамым снимаются ограничения, не осознаваемые человеком, но содержащиеся в его «теле»,в структуре органов чувств и организма в целом. Они игнорируются ЭВМ. Поэтомупространство поиска резко увеличивается. Это значит, что к «интеллекту» ЭВМпредъявляются более высокие требования (поиска в более обширном пространстве),чем к интеллекту человека, к которому приток информации ограничен физиологическойструктурой его тела.

Обладающие психикой системыотличаются от ЭВМ прежде всего тем, что им присущи биологические потребности,обусловленные их материальным, биохимическим субстратом. Отражение внешнегомира происходит сквозь призму этих потребностей, в чём и выражается активностьпсихической системы. ЭВМ не имеет потребностей, органически связанных с еесубстратом, для нее как таковая информация незначима, безразлична. Значимость,генетически заданная человеку, имеет два типа последствий. Первый – круг поискасокращается, и, тем самым, облегчается решение задачи. Второй – нестираемые изпамяти фундаментальные потребности организма обусловливают односторонностьпсихической системы. Дрейфус пишет в связи с этим: «Если бы у нас на Землеочутился марсианин, ему, наверное, пришлось бы действовать в абсолютнонезнакомой обстановке; задача сортировки релевантного и нерелевантного, существенногои несущественного, которая бы перед ним возникла, оказалась бы для него стольже неразрешимой, как и для цифровой машины, если, конечно, он не сумеет принятьв расчет никаких человеческих устремлений». С этим можно не согласится. Если предложенный«марсианин» имеет иную биологию, чем человек, то он имеет и инойфундаментальный слой неотъемлемых потребностей, и принять ему «человеческиеустремления» значительно труднее, чем ЭВМ, которая может быть запрограммированана любую цель.

Живое существо в принципе не можетбыть по отношению к этому фундаментальному слою перепрограммировано, хотя длянекоторых целей оно может быть запрограммировано вновь, посредствомдрессировки. В этом смысле потенциальные интеллектуальные возможности машинышире подобных возможностей животных. У человека же над фундаментальным слоембиологических потребностей надстраиваются социальные потребности, и информациядля него не только биологически, но и социально значима. Человек универсален ис точки зрения потребностей, и с точки зрения возможностей их удовлетворения.Однако эта универсальность особо присуща ему как социальному существу,производящему средства целесообразной деятельности, в том числе и системыискусственного интеллекта. Следовательно, телесная организация не только даётдополнительные возможности, но и создает дополнительные трудности. Поэтомуинтеллекту человека важно иметь на вооружении системы, свободные от егособственных телесных или иных потребностей. Конечно, от таких систем неразумнотребовать, чтобы они самостоятельно распознавали образы, классифицировали их попризнакам, по которым это делает человек. Цели для них необходимо задавать вявной форме.

Следует отметить, что техническиесистемы могут иметь аналог телесной организации. Развитая кибернетическая системаобладает рецепторными и эффекторными придатками. Начало развитию таких системположили интегральные промышленные роботы, в которых ЭВМ в основном выполняетфункцию памяти. В роботах «третьего поколения» ЭВМ выполняет и «интеллектуальные»функции. Их взаимодействие с миром призвано совершенствовать их «интеллект».Такого рода роботы имеют «телесную организацию», конструкция их рецепторов иэффекторов содержит определенные ограничения, сокращающие пространство, вкотором, образно говоря, могла бы совершать поиск цифровая машина. Тем неменее, совершенствование систем искусственного интеллекта на базе цифровыхмашин может иметь границы, из-за которых переход к решению интеллектуальныхзадач более высокого порядка, требующих учёта глобального характера переработкиинформации и ряда других гносеологических характеристик мышления, невозможен надискретных машинах при сколь угодно совершенной программе. Техническая, а нетолько биологическая, эволюция отражающих систем оказывается связанной сизменением материального субстрата и конструкции этих систем. Такая эволюция,т. е. аппаратное усовершенствование систем искусственного интеллекта, например,через более интенсивное использование аналоговых компонентов, гибридных систем,голографии и ряда других идей, будет иметь место. При этом не исключаетсяиспользование физических процессов, протекающих в мозгу, и таких, которыепсихика в качестве своих механизмов не использует. Наряду с этим ещё далеко неисчерпаны возможности совершенствования систем ИИ путём использования вфункционировании цифровых машин гносеологических характеристик мышления, окоторых речь шла выше.

В последнее время при анализепроблем, связанных с ИИ, часто применяют математический аппарат нечёткихмножеств, идея и реализация которого принадлежит американскому математикуЛ.Заде. Суть подхода состоит в отказе от принципа детерминизма. Пожалуй,наиболее поразительным свойством человеческого интеллекта является способностьпринимать правильные решения в обстановке неполной и нечёткой информации. Построениемоделей, приближенных е рассуждениям человека, и использование их вкомпьютерных системах будущих поколений представляет сегодня одну из важнейшихпроблем науки. Смещение центра исследований нечётких систем в сторонупрактических приложений привело к выявлению целого ряда проблем, таких, какновые архитектуры компьютеров для нечётких вычислений, элементная база нечёткихкомпьютеров и контроллеров, инструментальные средства разработки, инженерныеметоды расчёта и разработки нечётких систем управления и многое другое.Математическая теория нечётких множеств, предложенная Л.Заде около тридцати летназад, позволяет описывать нечёткие понятия и знания, оперировать этимизнаниями и делать нечёткие выводы. Основанные на этой теории методы построениякомпьютерных нечетких систем существенно расширяют области применениякомпьютеров. Нечёткое управление является одной из самых активных ирезультативных областей исследований применения теории нечётких множеств. Нечёткоеуправление оказывается особенно полезным, когда технологические процессыявляются слишком сложными для анализа с помощью общепринятых количественныхметодов, или когда доступные источники информации интерпретируются неточно илинеопределенно. Экспериментально показано, что нечёткое управление дает лучшиерезультаты, по сравнению с получаемыми, при общепринятых алгоритмах управления.Нечеткая логика, на которой основано нечеткое управление, ближе к человеческомумышлению и естественным языкам, чем традиционные логические системы. [2,3,4,7,8]

4. Реализация систем ИИ

/>/>

Ещё в далёком 1954 году американскийисследователь А.Ньюэлл решил написать программу для игры в шахматы. Идеей онподелился с аналитиками корпорации RAND Corporation, и которые предложили Ньюэллу свою помощь. В качестве теоретическойосновы программы было решено использовать метод, предложенный К. Шенноном, основателем теорииинформации. Точная формализация метода была выполнена А. Тьюрингом. Он же и смоделировалего вручную. К работе была привлечена группаголландских психологов под руководством А. Де Гроота, изучавших стили игрывыдающихся шахматистов. Через два года совместной работы этим коллективом былсоздан язык программирования ИПЛ1 –первыйсимвольный язык обработки списков. Вскоре была написана первая программа,которую можно отнести к достижениям в области искусственного интеллекта. Это была программа «Логик-Теоретик»(1956 г.), предназначенная для автоматического доказательства теорем висчислении высказываний.Собственно программа дляигры в шахматы, NSS, была завершена в 1957 г. В основе её лежали так называемые эвристики – правила, которые позволяют сделать выбор при отсутствииточных теоретических оснований – иописания целей. Управляющий алгоритм пытался уменьшить различия между оценкамитекущей ситуации и оценками цели или одной из подцелей. [1]

В 1956 году вСША собрались основатели кибернетики с целью обсудить возможности реализациипроекта «Искусственный интеллект», как они его тогда назвали. В числеучастников конференции были Д. Маккарти, М. Минский, К. Шеннон, А. Тьюринг идр. К ИИ первоначально просто отнесли свойства машин брать на себя отдельныефункции человека, например, такие как перевод с одного языка на другой,распознавание объектов, принятие оптимальных решений и пр. В СССР направление «Искусственныйинтеллект» (ИИ) возникло с опозданием на целых 10 лет и пришло на сменукибернетическому и бионическому буму первой половины 60-х годов. Поначалу оптимистамказалось, что произойдет революция и машина начнет думать как человек. Ничегоподобного не произошло. Стало ясно, что никакого мышления, аналогичногочеловеческому, сходу построить не получится. Поэтому акценты сместились всторону создания искусственного интеллекта – т.е. машинным решением «трудных»задач, которые человек решает, а машина пока нет. Таким образом, первоначальноИИ не претендовал на прямое моделирование мышления, а был просто решением спомощью машины трудноформализуемых «человеческих» задач.

С самого начала предполагалось, чтоэти решения позволят сформулировать обобщения и выработать специфические методыИИ, ведущие, в конечном счете, к машинному мышлению. Представители возникшегонаправления справедливо полагали, что к конструктивному определению имоделированию мышления полезно идти от специфики задач к методам их решения,вводя «интеллект» как механизм, необходимый для решения.

В конечном итоге оказалось, что к традиционнымзадачам ИИ стали относить довольно много задач. Например, это понимание машинойестественного языка, т.е. вопрос-ответные системы и доступ к базам данных наестественном языке, перевод с одного языка на другой, анализ изображений объёмных(3-d) сцен, доказательство теорем, игры,базы данных, базы знаний и др. [6]

Теперь вкратце рассмотрим наиболееактивно развиваемые подходы и области применения ИИ – в порядке убывания их популярности. Надо отметить, чтоменьшая популярность нередко связана не столько с потенциалом технологии,сколько с отдаленностью перспектив еёприкладной реализации (например, крайне высокий потенциал киберзаводов пока невызывает серьезного интереса из-за наличия множества нерешенных задач по ихуправлению).

Нейронные сети

Это направление стабильно держится напервом месте. Продолжается совершенствование алгоритмов обучения иклассификации в масштабе реального времени, обработки естественных языков,распознавания изображений, речи, сигналов, а также создание моделейинтеллектуального интерфейса, подстраивающегося под пользователя. Средиосновных прикладных задач, решаемых с помощью нейронных сетей – финансовое прогнозирование, раскопкаданных, диагностика систем, контроль за деятельностью сетей, шифрование данных.В последние годы идёт усиленный поискэффективных методов синхронизации работы нейронных сетей на параллельныхустройствах.

Эволюционные вычисления

На развитие сферы эволюционныхвычислений (ЭВ) значительное влияние оказали преждевсего инвестиции в нанотехнологии. ЭВ затрагивают практические проблемысамосборки, самоконфигурирования и самовосстановления систем, состоящих измножества одновременно функционирующих узлов. При этом удаётся применять научные достижения из области цифровыхавтоматов. Другой аспект ЭВ – использование для решенияповседневных задач автономных агентов в качестве персональных секретарей,управляющих личными счетами, ассистентов, отбирающих нужные сведения в сетях с помощьюпоисковых алгоритмов третьего поколения, планировщиков работ, личных учителей,виртуальных продавцов и т. д. Сюда же относится робототехника и все связанные сней области. Основные направления развития – выработка стандартов, открытых архитектур, интеллектуальныхоболочек, языков сценариев/запросов, методологий эффективного взаимодействияпрограмм и людей. Модели автономного поведенияпредполагается активно внедрять во всевозможные бытовые устройства, способныеубирать помещения, заказывать и готовить пищу, водить автомобили и т. п. Отдельно стоит отметить социальные аспекты – неизвестно какобщество будет на практике относиться к таким сообществам интеллектуальныхпрограмм.

Нечеткая логика

Системы нечеткой логики активнеевсего будут применяться преимущественно в гибридных управляющих системах.

Обработка изображений

Продолжится разработка способовпредставления и анализа изображений (сжатие, кодирование при передаче сиспользованием различных протоколов, обработка биометрических образов, снимковсо спутников), независимых от устройств воспроизведения, оптимизации цветовогопредставления на экране и при выводе на печать, распределенных методовполучения изображений. Дальнейшие развитие получат средства поиска,индексирования и анализа смысла изображений, согласования содержимогосправочных каталогов при автоматической каталогизации, организации защиты откопирования, а также машинное зрение, алгоритмы распознавания и классификацииобразов.

Экспертные системы

Спрос на экспертные системы (ЭС) остаётсяна достаточно высоком уровне. Наибольшее внимание сегодня уделяется системампринятия решений в масштабе времени, близком к реальному, средствам хранения,извлечения, анализа и моделирования знаний, системам динамическогопланирования.

Интеллектуальные приложения

Рост числа интеллектуальныхприложений, способных быстро находить оптимальные решения комбинаторных проблем(возникающих, например, в транспортных задачах), связан с производственным ипромышленным ростом в развитых странах.

Распределенные вычисления

Распространение компьютерных сетей исоздание высокопроизводительных кластеров вызвали интерес к вопросамраспределенных вычислений – балансировке ресурсов, оптимальной загрузкепроцессоров, самоконфигурированию устройств на максимальную эффективность, отслеживаниюэлементов, требующих обновления, выявлению несоответствий между объектами сети,диагностированию корректной работы программ, моделированию подобных систем.

Операционные системы реальноговремени

Появление автономныхробототехнических устройств повышает требования к операционным системамреального времени (ОС РВ) – организации процессов самонастройки, планированияобслуживающих операций, использования средств ИИ для принятия решений вусловиях дефицита времени.

Интеллектуальная инженерия

Особую заинтересованность в ИИпроявляют в последние годы компании, занимающиеся организацией процессовразработки крупных программных систем (программной инженерией). Методы ИИ всечаще используются для анализа исходных текстов и понимания их смысла,управления требованиями, выработкой спецификаций, проектирования,кодогенерации, верификации, тестирования, оценки качества, выявлениявозможности повторного использования, решения задач на параллельных системах. Программнаяинженерия постепенно превращается в так называемую интеллектуальную инженерию,рассматривающую более общие проблемы представления и обработки знаний (покаосновные усилия в интеллектуальной инженерии сосредоточены на способахпревращения информации в знания).

Самоорганизующиеся СУБД

Самоорганизующиеся СУБД будутспособны гибко подстраиваться под профиль конкретной задачи и не потребуютадминистрирования.

Автоматический анализ естественныхязыков

Автоматический анализ естественныхязыков (лексический, морфологический, терминологический, выявление незнакомыхслов, распознавание национальных языков, перевод, коррекция ошибок, эффективноеиспользование словарей).

Высокопроизводительный OLAP-анализ

Высокопроизводительный OLAP-анализ ираскопка данных, способы визуального задания запросов.

Интеллектуальные медицинские системы

Медицинские системы, консультирующиеврачей в экстренных ситуациях, роботы-манипуляторы для выполнения точныхдействий в ходе хирургических операций.

Киберзаводы

Создание полностью автоматизированныхкиберзаводов, гибкие экономные производства, быстрое прототипирование,планирование работ, синхронизация цепочек снабжения, авторизации финансовыхтранзакций путем анализа профилей пользователей.

Прикладные методы

Небольшое число конференций посвященовыработке прикладных методов, направленных на решение конкретных задачпромышленности в области финансов, медицины и математики.

Игры

Традиционно высок интерес к ИИ всреде разработчиков игр и развлекательных программ (это отдельная тема). Срединовых направлений их исследований – моделирование социального поведения,общения, человеческих эмоций, творчества. [9]

Заключение

Однозначного ответа, что же такое «искусственныйинтеллект» на данный момент не существует. Каждый автор имеет своё мнение наэтот счёт. Некоторые считают, что ИИ может быть создан на основе одной изметодик перечисленных выше, другие считают, что создание ИИ невозможно именнона текущем этапе развития человечества, третьи – вообще в принципе отрицаютвозможность создания ИИ.

Особенность ИИ в том, что это несложная и дорогая технология, вроде атомной энергии. Это программный продукт,который легко тиражировать (копировать). Если учить ИИ тому, что человечество считаемполезным, то затем, теоретически, ИИ сможет развиваться по экспоненте, потомучто для каждого нового поколения ИИ не требуется тратить время на изучениетого, что уже знают предыдущие поколения (старые версии ИИ).

Но, если позволить «разумной» машинепринимать самостоятельные решения, то невозможно знать заранее, что это будутза решения, и нет уверенности, что эти решения устроят человека. Поэтому машина,снова таки теоретически, сможет осуществить свою волю в соответствии со «своими»суждениями, даже если вы этого не желаете. [6]

Ну а что будет на самом деле –покажет будущее.

Список использованных источников

1. М. Тим Джонс. «Программирование искусственного интеллектав приложениях» – М.: ДМК Пресс, 2004 – 312 с.: ил.

2. Лекторский В.А. «Теория познания (гносеология,эпистемология)» – «Вопросы философии», 1999, №8

3. Лефевр В.А. «От психофизики к моделированию души.» – «Вопросыфилософии», 1990, №7, с. 25-31.

4. Карл, Левитин, Поспелов, Хорошевский. «Будущееискусственного интеллекта.» – М.: Наука, 1991.

5. Сотник С. Л., «Основы проектирования систем искусственногоинтеллекта» –1998.

6. Шамис А.Л. «Поведение, восприятие, мышление: проблемысоздания искусственного интеллекта». – Серия «Науки об искусственном» – 2005.

7. Мамардашвили М.К. «Сознание как философская проблема» – «Вопросыфилософии», 1990, №10

8. Шалютин С.М. «Искусственный интеллект: гносеологическийаспект» – М.: Мысль, 1985.

9. Бобровский С. «Перспективы и тенденции развития системискусственного интеллекта» – PC Week/RE №32, 2001 г., стр. 32.