Библиотека    Новые поступления    Словарь    Карта сайтов    Ссылки





предыдущая главасодержаниеследующая глава

2.Кандыбка Д. "Элементы теории ИИ в истории философии и техники. Общие положения"

Содержание:

Введение. Основные понятия и содержание

Исторические аспекты появления и развития систем ИИ

Тест Тьюринга. Направления развития

Биологические и социальные модели интеллекта: агенты

Задачи и области применения систем ИИ

Искусственный интеллект и философия

Заключительные замечания

Список литературы

"Разрушьте структуру, объединяющую предметы изучения, и вы неизбежно разрушите все его качество".

Д.Ф.Люгер

Введение. Основные понятия и содержание

Люди всегда хотели узнать как устроен и функционирует мозг, что, собственно, является чертой отличия человека от животных. История накопила множество попыток осмысления природы мышления, от духовных до анатомических. Множество споров философов и теологов с одной стороны, а также физиологов и анатомов - с другой, принесло мало пользы для понимания вопроса о природе человеческого мышления. Предмет оказался предельно трудным для изучения.

С появлением в 40-х годах вычислительных машин и исследований по кибернетике, вопрос о природе человеческого мышления приобрел кибернетический аспект. Ученые направили свои усилия на исследование возможности создания машин, обнаруживающих поведение, которое у людей мы называем интеллектуальным. Это направление исследований и получило название "Искусственный интеллект" (ИИ). Поскольку ИИ как своим появлением, так и последующим развитием, обязан вычислительным машинам, это направление обычно относят к области информатики и вычислительной техники. Искусственный интеллект можно определить как область компьютерной науки, занимающуюся автоматизацией разумного поведения. Это определение имеет существенный недостаток, поскольку само понятие не очень понятно и четко сформулировано. Большинство из нас уверены, что смогут отличить "разумное поведение", когда с ним столкнутся. Однако вряд ли кто-нибудь сможет дать интеллекту определение, достаточно конкретное для оценки предположительно разумной компьютерной программы и одновременно отражающее сложность человеческого разума.

Итак проблема определения искусственного интеллекта сводится к проблеме определения интеллекта вообще. Существует ряд вопросов на которые еще не были даны ответы. В какой мере можно интеллект создать, а в какой мере он существует априори? Что именно происходит при таком создании? Что такое творчество? Что такое интуиция? Можно ли судить о наличии интеллекта только по наблюдаемому поведению, или же требуется свидетельство наличия какого-то скрытого механизма? Как представляются знания в нервных тканях живых существ, и как можно применить это в проектировании интеллектуальных устройств? Что такое самоанализ и как он связан с разумностью? И, более того, необходимо ли создавать компьютерную программу по образу и подобию человеческого разума, или достаточно простого "инженерного подхода"? Возможно ли вообще достичь разумности посредством компьютерной техники, или же сущность интеллекта требует богатства чувств и опыта, присущего лишь биологическим существам?

Как уже было сказано, на эти вопросы не были даны ответы, но, однако, они помогли сформировать задачи и методологию, составляющие основу современного Искусственного Интеллекта. Таким образом ИИ предоставляет средство и испытательную модель для исследования интеллекта (такие теории могут быть представлены в виде компьютерных программ и испробованы на вычислительных системах).

Указанное выше определение ИИ не раскрывает полностью понятие дисциплины, оно лишь ставит новые вопросы и открывает парадоксы в области, одной из главных задач которой является самоопределение. Одна проблема поиска точного значения термина ИИ полностью объяснима. Изучение ИИ еще молодая дисциплина, и ее структура, круг вопросов и методики еще не четко определены, как в более зрелых науках.

Основываясь на результатах исследований нейробиологии, нейроанатомии и нейрофизиологии о строении живых нейронов мозга, их взаимосвязях между собой и принципах функционирования, можно, путем создания их искусственных математических и электронных аналогов и последующего объединения в искусственные нейронные сети, пытаться достичь гипотетической возможности построения думающих машин.

Однако в результате этих исследований выяснилось, что мозг имеет ошеломляющую сложность: 1011-1012 нейронов, каждый из которых соединен с десятками тысяч других нейронов. Все это образует невообразимо сложную нейронную паутину, далеко превосходящую самые смелые мечты о суперкомпьютерах. Тем не менее, накапливающиеся знания в этой сокровенной области позволили исследователям создать математические модели для проверки своих теорий. Выяснилось, что эти модели не только повторяют отдельные функции мозга, но и способны выполнять функции, имеющие собственную ценность. Поэтому возникли и существуют до настоящего времени две взаимно обогащающие друг друга цели нейронного моделирования: первая - понять функционирование мозга и вторая - создать машины (искусственные нейронные сети), выполняющие функции, сходные с функциями мозга. В нашем курсе мы будем уделять основное внимание этой второй цели.

В целом же, весь спектр "нейронных" исследований в системах ИИ получил название структурного подхода.

Другой альтернативный подход связан с попытками обойти трудные проблемы изучения и моделирования структурных и функциональных особенностей живого мозга, путем имитационного моделирования интеллектуальной деятельности человека, так сказать, по результату. Этот подход еще иногда называют подходом "черного ящика" или "совпадением по результату". Он заключается в следующем: Исходно принимается, что исследователь не знает принципов построения и функционирования естественного интеллекта, т.е. рассматривает его как "черный ящик". Задача сторонников этого подхода состоит в построении некоторых эвристических компьютерных программ, имитирующих интеллектуальную деятельность человека по конечному результату, не заботясь при этом о методах, которыми пользуются для этого люди.

В подтверждение этого подхода утверждалось, например, что ЭВМ прекрасно решает вычислительные задачи лучше и быстрее человека совсем другими способами. Эвристическое программирование связано с именами А.Ньюэлла и Г.Саймона из университета Карнеги (США) и основано на убеждении, что мышление человека по результату может быть сведено к сочетанию простых задач манипулирования символами (сравнение, поиск, модификация), т.е. операций, которые могут выполняться компьютером. Решение задач при этом сводится к поиску (перебору) в пространстве возможных решений по эвристическим правилам, которые помогают ускорить поиск и направить его к определенной цели.

Типичные задачи, которые решались в рамках эвристического поиска, были: доказательство теорем, различные игры (в шашки, шахматы, кубики, карты), решение головоломок, геометрические и шахматные задачи, сочинение музыки, определение химических структур и ряд других.

При этом, как сам Саймон, который в 1957 г. предсказал, что через 90 лет компьютер станет чемпионом мира, так и другие исследователи эвристического поиска стали жертвами неоправданного оптимизма. В рамках эвристического поиска машины могли решать лишь весьма ограниченный круг примитивных задач.

Последующие успехи имитационных программ ИИ и, в частности, тот факт, что шахматный компьютер Deep Blue в 1997 г. обыграл чемпиона мира Г.Каспарова, связаны уже не только и не столько с эвристическим поиском, сколько с появлением других "синтетических" направлений в ИИ. К ним относятся, в частности, способы аппаратной поддержки эвристических программ, реализуемые на основе мощных параллельных многопроцессорных систем и нейронных акселераторов (ускорителей). Например, в упомянутом компьютерном чемпионе генератор ходов реализован на 256 параллельно работающих процессорах.

Оба названных подхода в системах ИИ большую часть времени развивались независимо друг от друга, и лишь в последнее время наметилась некоторая тенденция к их сближению. Однако в учебных программах вузов это пока не нашло своего отражения.

Исторические аспекты появления и развития систем ИИ.

Официально возникновение исследований и разработок по ИИ относят к середине 20 века. Однако теоретико-философские истоки знаний о свойствах человеческого мышления можно отсчитывать еще от учения древнегреческого философа Сократа, жившего в 5 веке д.н.э. По Сократу цель познания состоит в том, чтобы в логике понятий выражать логику изучаемого мира. Ученик Сократа Платон, развивая взгляды своего учителя, вплотную подошел к открытию основных законов формальной логики, т.е. тех законов мышления, использование которых позволяет делать верные выводы, исходя из верных посылок (понятий). Основоположником же формальной логики стал гениальный ученик Платона, один из величайших ученых древности Аристотель. Логика Аристотеля не только определяла законы получения правильных выводов, но и отражала свойство человеческого мозга производить дедуктивные рассуждения в форме силлогизмов от общего к частному. Иными словами, Аристотель сформулировал законы и принципы логики понятий, позволяющей, по идее Сократа, отражать логику объективной реальности. Однако формальная логика Аристотеля отражала только статические картины реального мира и не позволяла разрешать некоторых парадоксов, связанных с движением.

Через 2000 лет после Аристотеля эту логику блестяще дополнил своей диалектикой немецкий философ Георг Гегель. Диалектическая логика Гегеля отражает в своих понятиях не только механическое движение, но и развитие вообще, включая процессы обучения, самообучения, формирования понятий и т.п. Иными словами, в отличие от формальной, диалектическая логика дает уже ключ к автоматизации динамической (творческой) компоненты человеческого мышления.

В 19 веке английский математик и логик Джордж Буль установил аналогию между логикой и алгеброй, представив логику как алгебру двоичных переменных, и разработал современный математический аппарат алгебры логики. Эта алгебра впоследствии стала называться булевой.

В 1950 г. английский математик и логик Алан Мэтисон Тьюринг предложил тест, позволяющий установить, является ли машина "думающей". Тест основывался на известной в то время салонной "игре в переговоры". (По вопросам и ответам один из играющих должен был определить, с кем он имеет дело с мужчиной или женщиной). По тесту Тьюринга один из играющих должен был определить: с кем он имеет дело с человеком или машиной. Фактически Тьюринг предложил абстрактную универсальную вычислительную машину, копирующую работу человеческого мозга при выполнении им некоторого алгоритмического процесса. Такая машина была названа "Машиной Тьюринга".

Развивая идеи своих предшественников, математик и логик Джон фон Нейман сформулировал принципы построения ЭВМ, материализующих абстрактную машину Алана Тьюринга. Эти принципы лежат в основе большинства современных традиционных компьютеров, а соответствующая им архитектура называется классической, или архитектурой фон Неймана.

Эта ветвь исследований породила, по существу, всю вычислительную технику, а следовательно и основанный на ней имитационный подход к построению систем ИИ.

Однако такие системы ИИ, как уже говорилось, лишь имитирует результаты функционирования мозга. Это обстоятельство приводит к тому, что такие уникальные свойства мозга, как обучение, распознавание, обобщение, формирование понятий, самопрограммирование и т.п., все еще трудновоспроизводимы на современных компьютерах.

Новый толчок в развитии систем ИИ, основанных уже на структурном подходе, связан с появлением новой науки об управлении - кибернетики. Ее автор - американский математик Норберт Винер постулировал инвариантность законов управления и связи в машине, живом организме и обществе. Иными словами, система управления может рассматриваться и изучаться независимо от своего материального носителя. Из этого следует, информационные механизмы мозга могут быть отделены от своего естественного носителя и реализованы в некоторой искусственной технической среде. Развитие этой идеи нашло свое воплощение в работах "второго отца" кибернетики, друга Н. Винера - американского нейрофизиолога Уоррена Маккалока и его коллеги - математика Уолтера Питса. В 1943 году в своей работе "Логическое исчисление идей, относящихся к нервной активности" Маккалок и Питс показали возможность применения аппарата математической логики к моделированию функций нейронов (принцип "все или ничего"). Эти ученые предложили в качестве упомянутой технической среды использовать искусственные нейронные сети (ИНС), элементами которых были искусственные нейроны, выполненные на бинарных пороговых преобразователях и функционирующие по принципу "все или ничего". ИНС могла выполнять любые математические и логические операции и, самое главное, была способна обучаться распознаванию образов, к обобщению и т.п., т.е. обладала свойствами, присущими исключительно живому мозгу, и которыми не обладают современные компьютеры.

Последующий вклад в развитие ИНС внес в начале 60-х годов американский ученый Фрэнк Розенблатт. Основная идея Ф. Розенблатта сводится к попытке заменить жесткие логические схемы Маккалока и Питтса системами со статистическими свойствами. Такие системы Розенблатт назвал перцептронами (от лат. perceptio - перцепция, восприятие). Теорию перцептронов Розенблатт развивает в своем фундаментальном труде "Принципы нейродинамики" (1962 г.). Первые успехи в моделировании перцептронов вызвали взрыв активности и оптимизма. На перцептронах удавалось решать довольно широкий класс задач, таких как

- предсказание погоды;

- анализ электрокардиограмм;

- искусственное зрение.

Параллельно с разработкой ИНС психологами были разработаны модели человеческого обучения. Одной из таких моделей, оказавшейся наиболее плодотворной, была модель Д.Хебба, который в 1949 году предложил закон обучения, явившийся стартовой точкой для алгоритмов обучения ИНС.

В течение некоторого времени казалось, что ключ к моделированию мозга найден, и техническое воспроизведение живого мозга является лишь вопросом конструирования достаточно большой ИНС.

Но эта иллюзия скоро рассеялась. Перцептроны почему-то не справлялись со многими задачами, вроде бы аналогичными тем, которые они успешно решали. С этих необъяснимых неудач начался этап кропотливого анализа. В 1969 году в Кембридже появляется работа Минского и Пайперта "Персептроны", в которой они, используя точные математические методы, строго доказали ряд теорем по функционированию сетей. Эти теоремы показали принципиальную ограниченность однослойных перцептронов и их неспособность решать многие простые задачи, в том числе реализовать функцию "Исключающее ИЛИ", ставшую впоследствии простейшей тестовой задачей для многих систем распознавания образов.

Блеск, строгость и неуязвимость аргументации Минского, а также его авторитет в совокупности с пессимистическими выводами относительно будущего ИНС привели к тому, что большинство исследователей и субсидии были переключены на другие более обещающие направления ИИ. ИНС были фактически преданы забвению на 20 лет. Лишь небольшое число ученых (за рубежом - Кохонен, Гроссберг, Андерсон; в СССР - школа ИК АН УССР под руководством Куссуля, Дунин-Барковский (МИРЭА), Каляев А.В. с учениками (ТРТУ)) продолжали исследования и разработки по ИНС. Постепенное накопление теоретического и экспериментального фундамента по ИНС, а также новые технологические возможности через 20 лет подвели эту область к следующему витку спирали развития. Новый взрыв интереса надежд и оптимизма начался в 1985 году. Поводом послужили несколько работ английского физика Хопфилда, который, работая со спиновыми стеклами, независимо от исследователей по ИНС показал и доказал большие возможности ИНС определенной конфигурации при решении многих оптимизационных задач из области ИИ и в частности задачи коммивояжера. Впоследствии ИНС такой конфигурации стали называть сетями Хопфилда.

За последнее десятилетие ИНС получили феноменально широкое распространение во многих прикладных областях. Появилось множество корпораций, занимающихся коммерческим использованием технологии ИНС. Особый интерес к этой области у ВПК, вкладывающего в настоящее время огромные средства в исследования и разработки по ИНС. Оценка Минского оказалось, мягко говоря, излишне пессимистичной и многие из поставленных в его книге задач решаются сейчас ИНС с помощью стандартных процедур.

Урок истории развития ИНС выражается известным законом Артура Кларка. "Если крупный уважаемый ученый говорит, что нечто может быть выполнено, то он почти всегда прав. Если же ученый говорит, что это не может быть выполнено, то он почти всегда не прав.

Современные технические системы, в основу функционирования которых положены ИНС, стали называться нейрокомпьютерами, а новая научная дисциплина, связанная с разработкой и исследованием методов их использования в различных практических областях стала называться "нейрокомпьютингом".

Нынешнее состояние работ в области нейрокомпьютинга настраивает на умеренный оптимизм в отношении возможности создания систем ИИ на основе структурного подхода. Вместе с тем не следует и переоценивать это направление ИИ, которое имеет свой ограниченный круг наиболее эффективно решаемых задач. Многое свидетельствует о том, что оба подхода к построению систем ИИ имитационный и структурный будут постепенно объединяться, интегрируясь в более крупные системы ИИ, в которых каждый из них будет использоваться для определенного типа задач, с которыми он лучше справляется.

Тест Тьюринга. Направления развития.

Тест Тьюринга сравнивает способности предположительно разумной машины со способностями человека - лучшим и единственным стандартом разумного поведения. Этот тест имеет следующие важные особенности.

1. Дает объективное понятие об интеллекте, т.е. реакции заведомо разумного существа на определенный набор вопросов. Таким образом, вводится стандарт для определения интеллекта, который предотвращает споры об "истинности" его природы.

2. Препятствует заведению нас в тупик сбивающими с толку и пока безответными вопросами, такими как : должен ли компьютер использовать какие-то конкретные внутренние процессы, или же должна ли машина по-настоящему осознавать свои действия.

3. Исключает предвзятость в пользу живых существ, заставляя опрашивающего сфокусироваться исключительно на содержании ответов на вопросы.

Благодаря этим преимуществам, тест Тьюринга представляет собой хорошую основу для многих схем, которые используются на практике для испытания современных интеллектуальных программ. Программа потенциально достигшая разумности в какой-либо предметной области, может быть испытана сравнением её способностей по решению данного множества проблем со способностями человека эксперта.

Тест Тьюринга, несмотря на свою интуитивную притягательность, уязвим для многих оправданных нападок. Однако из наиболее слабых мест является привязка чисто к символьным задачам. Этот тест не затрагивает способностей, требующих навыков перцепции или ловкости рук, хотя подобные аспекты тоже являются важными составляющими человеческого интеллекта. Иногда тест Тьюринга обвиняют в попытке втиснуть машинный интеллект в форму интеллекта человеческого. Возникает вопрос: почему машина не может пользоваться своими преимуществами? Например быстрый счет, большая память и т.д. Ведь для удачного прохождения теста сам факт быстрого и правильного счета (выполнение арифметических операций) является недопустимым. На самом деле, многие современные практики ИИ (например Ford и Hayes) говоря, что разработка систем, которые бы выдерживали всесторонний тест Тьюринга, - это ошибка, отвлекающая разработчиков от более важных, насущных задач: разработки универсальных теорий, объясняющих механизмы интеллекта людей и машин и применение этих теорий к проектированию инструментов для решения конкретных практических проблем.

Тьюринг также затронул проблему осуществимости построения интеллектуальной программы на базе цифрового компьютера. Размышляя в терминах конкретной вычислительной модели, он сделал несколько хорошо обоснованных предположений касательно ее объема памяти, сложности программы и основных принципов проектирования системы. Наконец, он рассмотрел множество моральных, философских и научных возражений возможности создания такой программы средствами современной технологии.

Два возражения стоит рассмотреть детально. "Возражение леди Лавлейс", впервые сформулированное Адой Лавлейс, сводится к тому, что компьютеры смогут делать лишь то, что им укажут, и, следовательно, не могут выполнять оригинальные (разумные) действия. Однако экспертные системы, особенно в области диагностики, могут формулировать выводы, которые не были заложены в них разработчиками. Многие разработчики считают что творческие способности можно реализовать программно.

Другое возражение, "аргумент естественности поведения", связано с невозможностью создания правил, которые говорили бы индивидууму, что в точности нужно делать при каждом стечении обстоятельств. Действительно, гибкость, присущая биологическим организмам реагировать на бесконечное количество различных ситуаций приемлемым, даже если и не оптимальным образом - отличительная черта разумного поведения. Справедливо, что управляющая логика, присущая большинству компьютерных программ не обладает достаточной гибкостью или силой воображения, но не верно, что все программы должны писаться именно таким образом. Большая часть работ в сфере ИИ за последние 25 лет была направлена на разработку таких языков программирования и моделей, призванных устранить этот недостаток (создание языков программирования предоставляющих инструменты создания программ с более гибкой управляющей логикой).

Современные программы ИИ обычно состоят из набора модульных компонентов, или правил поведения, которые не выполняются в жестко заданном порядке, а активизируются в зависимости от ситуации и конкретной задачи. Системы обнаружения совпадений позволяют применять общие правила к целому диапазону задач. Эти систем необычайно гибки, что позволяет относительно маленьким программам проявлять разнообразное поведение в широких пределах, реагируя на различные задания и ситуации.

Можно ли довести гибкость таких программ до уровня живых организмов, все еще предмет жарких споров. Нобелевский лауреат Герберт Саймон сказал, что большей частью своеобразие и изменчивость поведения, присущие живым организмам, возникли скорее благодаря сложности их окружающей среды, а не благодаря сложности их внутренних "программ". Саймон описывает муравья, петляющего по неровной, пересеченной поверхности. Хотя путь муравья кажется довольно сложным, Саймон утверждает, что цель муравья очень проста: вернуться как можно скорее в колонию. Изгибы и повороты вызваны встречаемыми препятствиями.

Эта идея, если удастся доказать ее применимость к организмам с более сложным интеллектом, составит сильный аргумент в пользу простоты, а следовательно, постижимости интеллектуальных систем. Любопытно, что, применив эту идею к человеку, мы придет к выводу огромной значимости культуры в формировании интеллекта. Для развития интеллекта необходимо его взаимодействие с достаточно богатой окружающей средой. Культура так же необходима для создания человеческих существ, как и люди для формирования культуры. Фактически на идее о том, что интеллект возникает из взаимодействий индивидуальных элементов общества, основывается следующий подход к ИИ.

Биологические и социальные модели интеллекта: агенты.

Выше был рассмотрен математический подход к задаче построения интеллектуальных устройств, подразумевающий, что основой, самого интеллекта являются логические умозаключения, а также основанный на "объективности" самих логических суждений. Этот взгляд на знание, язык и мышление отражает традицию рационализма западной философии, развитую в работах Платона, Галилея, Декарта, Лейбница и многих других философах. Также он отражает неявные предположения Тьюринга, особенно его взгляд на символьные рассуждения, как критерий интеллекта, и веру, что сравнение с человеческим поведением пригодно для подтверждения интеллекта машины.

Опора на логику как способ представления языка и логические выводы как основной механизм разумных рассуждений настолько доминирует в западной философии, что их "истинность" часто кажется очевидной и неоспоримой. Поэтому неудивительно, что подходы, основанные на этих предположениях, главенствуют в науке искусственного интеллекта от его зарождения до сегодняшнего дня.

Во второй половине ХХ века устои рационализма пошатнулись. Философия поздних работ Виттгенштейна вынудила пересмотреть понятие смысла в естественных и формальных языках. Труды Геделя и Тьюринга подвергли сомнению основания самой математики. Постмодернистские идеи изменили наши взгляды на значимость и ценность в художественном и социальном контекстах. ИИ также стал жертвой подобной критики. Действительно, трудности, которые стали на пути ИИ к его целям, часто рассматриваются как ошибочность математического подхода.

Две философские традиции - Виттгенштейна с Хассерлом и Хайдеггера являются основополагающими в этом пересмотре западной философии. В своей работе Виттгенштейн затронул многие допущения рационалистской традиции, включая основания языка, науки и знания. Естественный язык был главным предметом анализа Виттгенштейна. Этот философ опровергает мнение, что смысл человеческого языка можно вывести из каких-либо объективных основ.

В трудах Виттгенштейна, как и в теории речи, развитой Остином и его последователями, значение любого высказывания зависит от человеческого, культурного контекста. Атакуя основы смысла, Виттгенштейн утверждал, что мы должны рассматривать использование языка посредством выбора и действий в изменчивом культурном контексте. Виттгенштейн распространил свою критику даже на науку и математику, утверждая, что они в такой же мере общественные конструкции, как и языки.

Хассерл, отец феноменологии, рассматривал абстракции как объекты, укрепившиеся в конкретном "жизненном мире": рационалистская модель отодвигает конкретный поддерживающий ее мир на второй план. Для Хассерла, как и для его ученика Мерло-Понти , интеллект заключался не в знании истины, а в знании, как вести себя в постоянно меняющемся и развивающемся мире (изменяющийся принцип оперирования объектами, а не заготовленные шаблоны оперирования объектами). Т.о., в экзистенционалистско-феноменологической традиции интеллект рассматривается скорее с точки зрения выживания в мире, а не набор логических утверждений о мире. Выделяются ситуативные модели интеллектуального поведения (социальные модели).

Пример альтернативы логическому подходу - исследования в области коннекционистского обучения, в которых логике и работе рационального разума внимания мало уделяется, но сделана попытка достичь разумности посредством моделирования архитектуры реального мозга. В нейронных моделях интеллекта упор делается на способность мозга адаптироваться к миру, в котором он существует, с помощью изменений связей между отдельными нейронами. Знание в таких системах не выражается явными логическими конструкциями, а представляется в неявной форме, как свойство конфигураций таких взаимосвязей.

Иная модель интеллекта, заимствованная из биологии, навеяна процессами адаптации видов к окружающей среде. В разработках искусственной жизни и генетических алгоритмов принципы эволюции применяются для решения сложных проблем. Такие программы не решают задачи посредством простых логических рассуждений. Они порождают популяции соревнующихся между собой решений - кандидатов и заставляют их совершенствоваться с помощью процессов, имитирующих биологическую эволюцию: неудачные кандидаты на решения отмирают, в то время, как подающие надежды выживают воспроизводятся путем создания новых решений из частей "успешных" родителей.

Социальные системы дают еще одно модельное представление интеллекта с помощью глобального поведения, которое позволяет им решать проблемы, которые бы не удалось решить отдельными их членами. Примером может быть совместное решение научной проблемы учеными с помощью конференций и журналов. Здесь корни интеллекта связаны с культурой и обществом, а следовательно, разум является эмерджентным. Разумное поведение формируется совместными действиями большого числа очень простых взаимодействующих полуавтономных индивидуумов, или агентов. Являются агенты нервными клетками, индивидуальными особями биологического вида или же отдельными личностями в обществе, их взаимодействие создаёт интеллект.

Основные аспекты эмерджентных и агентских взглядов на интеллект:

1. Агенты автономны или полуавтономны. Следовательно, у каждого агента есть круг задач, причем он располагает малым знанием (или вовсе им не располагает) о том, что делают другие агенты или как они это делают. Каждый агент выполняет свою независимую часть решения проблемы и либовыдает собственно результат либо сообщает результат другим агентам.

2. Агенты являются "внедренными". Каждый агент чувствителен к своей окружающей среде и (обычно) не знает о состоянии полной области существования агентов. Т.о. знание агента ограничено его текущими задачами.

3. Агенты взаимодействуют. Они формируют коллектив индивидуумов, которые сотрудничают над решением задачи. В этом смысле их можно рассматривать как "сообщество". Как и в человеческом обществе, знания, умения и обязанности распределяются среди отдельных индивидуумов.

4. Сообщество агентов структурировано. В большинстве агентно-ориентированных методов решения проблем каждый индивидуум, работая со своим собственным окружением и навыками, координирует общий ход решения с другими агентами. Т.о., окончательное решение можно назвать не только коллективным, но и кооперативным.

5. Наконец, влияние интеллекта в этой среде является "эмерджентным". Хотя индивидуальные агенты обладают некоторыми совокупностями навыков и обязанностей, общий, совместный результат следует рассматривать как нечто большее, чем сумма отдельных вкладов. Интеллект рассматривается как явление, возникающее в сообществе, а не как свойство одно агента.

Большинство интеллектуальных методов решений требуют наличия разнообразных агентов. Это могут быть простые агенты-механизмы, задача которых - собирать и передавать информацию; агенты-координаторы, которые обеспечивают взаимодействие с другими агентами; агенты поиска, которые перебирают пакеты информации и возвращают какие-то избранные частицы; обучающие агенты, которые на основе полученной информации формируют обобщающие концепции; и агенты, принимающие решения, которые раздают задания и делают выводы на основе ограниченной информации и обработки. Агенты можно рассматривать, как механизмы, обеспечивающие выработку решения в условиях ограниченных ресурсов и процессорных мощностей.

Для разработки и построения таких сообществ необходимы следующие компоненты:

1. Структуры для представления информации.

2. Стратегии поиска в пространстве альтернативных решений.

3. Архитектура, обеспечивающая взаимодействие агентов.

Задачи и области применения систем ИИ

В различных литературных источниках пока нет единого мнения по определению и классификации задач ИИ.

Для лучшей ориентировки в обширной области задач и принципов ИИ, образуем вначале две группы понятий:

1) Общие подходы, методы, концепции, теоретические идеи, положенные в основу систем ИИ (нейронные сети, искусственное воспроизведение эволюции, эвристическое программирование и др.);

2) Прикладные области использования принципов ИИ (распознавание образов, обработка естественного языка, автоматическое программирование, управление роботами, машинное зрение, автоматическое доказательство теорем, экспертные системы и др.)

Такая классификация возникла исторически первоначально и ее можно отразить следующей схемой

1. Нейронные сети

2. Эвристическое программирование

3. Искусственное воспроизведение эволюции

1. Обработка естественного языка

2. Извлечение информации из баз данных

3. Экспертные и консультирующие системы

4. Доказательство теорем

5. Робототехника

6. Автоматическое программирование

7. Комбинаторные задачи и составление расписаний

8. Машинное восприятие (зрительное и слуховое)

В 1-й лекции вы уже познакомились с двумя основными подходами к построению систем ИИ - структурным и имитационным, которые соответствуют в этой схеме направлениям 1 и 2 теоретического фундамента ИИ. Поясню суть третьего подхода.

Искусственное воспроизведение эволюции. Этот подход основан на гипотезе, что человеческий интеллект, в своем развитии эволюционировал, благодаря процессу, включающему мутации и естественный отбор. При таком подходе систему ИИ, моделируемую на компьютере, заставляют эволюционировать путем мутаций и отбора. При этом предполагается, что компьютерная эволюция должна быть существенно более быстрой, чем естественная. На этом пути первоначально удалось добиться того, что системы ИИ эволюционировали до уровня способности решать простейшие задачи.

Недостаточные познания в механизмах естественной эволюции и скромные успехи по ее моделированию, как и в случае с нейронными сетями, обусловили на многие годы весьма слабый интерес исследователей к этому направлению по ИИ. В большинстве литературных изданий по ИИ это направление даже не упоминается.

В 90-е годы на новом витке спирали опять резко возрастает интерес к эволюционным методам ИИ. Теперь эти методы обычно дополняются т.н. генетическими алгоритмами и уже позволяют решать многие прикладные задачи, основанные на поиске и оптимизации. В частности весьма перспективным представляется объединение эволюционного и нейронного подхода, при котором важную задачу эффективного обучения нейронных сетей принимают на себя эволюционные алгоритмы.

Кратко остановимся теперь на второй группе понятий ИИ - его прикладных областях.

Обработка естественного языка. Когда люди общаются между собой на естественном языке (ЕЯ), они практически без всяких усилий используют сложные и пока мало понятные процессы. Оказалось, что построить машины, способные "понимать" хотя бы фрагменты ЕЯ, чрезвычайно трудно. Одной из причин является то обстоятельство, что ЕЯ возник как средство общения интеллектуальных существ. При таком общении происходит как бы передача некоторой порции "умственной структуры" от одного мозга к другому в условиях, когда каждый мозг располагает большими и, весьма подобными друг другу "умственными структурами", служащими в качестве общего контекста. Это позволяет участникам разговора использовать колоссальные интеллектуальные ресурсы и совместные знания для создания и восприятия чрезвычайно сжатых сообщений.

Вычислительная система, способная понимать сообщение на ЕЯ, нуждается, как и человек и в контекстуальных знаниях и в механизмах, обеспечивающих логический вывод из этих контекстуальных знаний и сообщений, так как генератор сообщения на ЕЯ уже предполагает наличие этих ресурсов и механизмов.

К настоящему времени, благодаря некоторым представлениям из ИИ, есть реальные результаты в решении задач синтеза и анализа письменных и устных фрагментов речи, задач машинного перевода с одного языка на другой с определенными ограничениями. Направление вошло в практическую стадию разработок прикладных систем. Вместе с тем, и дальнейший прогресс в этой области, по-видимому, будет тесно связан с общим развитием теории ИИ.

Извлечение информации из баз данных. Базы данных (БД) представляют собой программные пакеты, в которых хранятся большие объемы сведений, относящихся к определенной предметной области. БД формируется таким образом, чтобы из нее можно было извлекать нужные сведения в виде ответов на вопросы по данной предметной области. В настоящее время существует много разнообразных приемов построения БД и способов извлечения информации из них. По БД у вас будет специальный курс и сейчас на них мы останавливаться не будем. В рамках дисциплины ИИ нас интересует другая постановка вопроса по БД, а именно - как извлечь из БД ответ на вопрос, для которого необходимо провести дедуктивные рассуждения со сведениями, хранящимися в БД.

Здесь возникает несколько проблем.

Проблема 1. Построение системы, способной воспринимать вопросы на ЕЯ. (Об этом только что шла речь по первой прикладной области ИИ).

Частичное, обходное решение этой проблемы состоит в создании некоторого формального, понятного машине языка запросов из БД.

Проблема 2. Логический дедуктивный вывод ответа на поставленный вопрос, исходя из хранящихся в БД сведений.

Проблема 3. Для понимания вопроса и вывода ответа может потребоваться информация, выходящая за рамки той, которая в явном виде представлена в БД предметной области.

Пример. В БД отдела кадров некоторой фирмы среди прочих имеются следующие сведения:

1. Джон Смит работает в отделе закупок.

2. Джон Смит поступил на работу 8 октября 1997 г.

3. В отделе закупок 17 сотрудников.

4. Роберт Стейк является главой отдела закупок.

В систему поступает вопрос:

"Кто является боссом Джона Смита?"

Для того чтобы правильно ответить на поставленный вопрос: "Роберт Стейк" система должна каким-то образом знать, что глава некоторого отдела является боссом для людей, работающих в этом отделе. Каким образом представлять и извлекать необходимые знания, является одной из важнейших задач, для решения которой могут быть привлечены методы ИИ.

Экспертные и консультирующие системы. Автоматические экспертные и консультирующие системы (АЭКС) призваны обеспечивать пользователя компетентными заключениями, касающимися определенных предметных областей. Известны АЭКС, диагностирующие заболевания, оценивающие потенциальные месторождения полезных ископаемых, предлагающие варианты возможных структур сложных органических соединений и многие другие.

Ключевая проблема при построении АЭКС состоит в том, как представлять и использовать знания, которыми, очевидно, располагают и пользуются люди, являющими экспертами в предметных областях. Эта проблема осложняется еще и тем, что экспертные знания часто являются неточными, неопределенными и плохо формализуемыми. Тем не менее, эксперты успешно пользуются этими знаниями, делая полезные для дела заключения.

Во многих АЭКС применяется метод ИИ, связанный с логическим выводом, основанным на правилах. В таких системах экспертные знания представлены в виде большого множества простых правил, которые применяются при организации диалога между системой и пользователем, а также для вывода заключений. Дедукция, основанная на правилах, является одним из главных вопросов в исследованиях по ИИ.

Доказательство теорем. Поиск доказательства (или опровержения) для некоторой математической теоремы, несомненно, может рассматриваться как пример интеллектуальной задачи. Во-первых, потому что для доказательства требуется способность провести дедукцию, исходя из гипотез. Во-вторых, для построения доказательства необходимы интуитивные навыки, такие как построение догадки, о том, какие промежуточные леммы следует доказать, чтобы способствовать доказательству основной теоремы. Опытный математик, опираясь на некоторое собственное суждение, основанное на большом объеме специальных знаний, высказывает точную догадку, какие из ранее доказанных теорем в рассматриваемой предметной области будут полезны для искомого доказательства, выделяет в главной проблеме подзадачи, над которыми можно работать независимо друг от друга. В рамках ИИ был разработан ряд программ, которые в какой-то степени обладают некоторыми из таких способностей.

Изучение приемов доказательства теорем сыграло большую роль в развитии методов ИИ. Многие неформальные задачи, включая медицинскую диагностику и извлечение информации, допускают их формализацию как задачу на доказательство теорем.

Робототехника. В настоящее время это самостоятельная область науки и техники, выделившаяся из ИИ. Ее задачей является решение теоретических и практических вопросов организации целесообразного поведения подвижных роботов, снабженных сенсорными и эффекторными (исполнительными) механизмами. Перед такими роботами обычно ставится некоторая глобальная цель (например, для автономного подвижного робота-планетохода - достижение некоторой точки на поверхности другой планеты). Однако предполагается, что заранее невозможно полностью предсказать все возможные реакции со стороны окружающей среды робота. Поэтому многие проблемы своего поведения в окружающей среде робот должен решать самостоятельно, учитывая конкретные условия и используя при этом бортовую ЭВМ.

На первый взгляд может показаться, что управление действиями мобильного робота не требует большого интеллекта и даже маленькие дети способны успешно находить дорогу в окружающей обстановке, манипулировать различными предметами (игрушками, кубиками, столовыми приборами, выключателями света и т.п.). Однако многие из этих задач, практически бессознательно выполняемые людьми, требуют для их решения способностей, присущих большому интеллекту.

Исследования по робототехнике оказали существенное влияние на развитие многих идей ИИ. В частности они привели к созданию методов моделирования состояния мира и описания процесса изменения одного состояния внешнего мира на другое, дали лучшее понимание того, каким образом строить планы для последовательности действий и как управлять выполнением этих планов. Методы планирования действий робота стали строить как многоуровневые системы с высоким уровнем абстракции на верхнем уровне и все более детализированные на последующих уровнях.

Примером разработки систем такого рода являются многолетние работы, проводимые у нас в ТРТУ по созданию системы управления автономным мобильным роботом-марсоходом.

Автоматическое программирование. Существующие компиляторы в некотором смысле уже осуществляют автоматическое программирование. Они воспринимают полную спецификацию во входном коде того, что программа должна делать и пишут программу в объектном коде, которая это делает. Под автоматическим программированием понимается некий "суперкомпилятор", или программа, которая могла бы воспринимать описание на очень высоком уровне вплоть до ЕЯ того, что требуется от искомой программы. При этом, учитывая высокий уровень входного описания, и, следовательно, наличие неоднозначностей в этом описании, автоматическое программирование потребует, очевидно, дополнительного диалога между системой и пользователем для исключения неоднозначностей.

Задача автоматического написания программы для достижения заданного результата тесно связана с задачей доказательства того, что программа достигнет этого результата. Эта задача получила название верификация программы. Многие системы автоматического программирования включают верификацию выходной программы в качестве некоторой дополнительной возможности.

Важным вкладом в автоматическое программирование явилось заимствованное из робототехники представление об отладке программ как стратегии решения проблем. Установлено, что часто более эффективным оказывается создание недорогого, полного ошибок решения задачи написания программы, с последующей его модификацией, а не поиск с самого начала идеального, лишенного дефектов решения.

Комбинаторные задачи и составление расписаний. Многие задачи из этой области исследуются методами ИИ. Классическим примером является задача коммивояжера, в которой требуется найти маршрут минимальной длины в пределах нескольких городов, начиная от некоторого исходного города, посещая каждый город один раз и возвращаясь в исходный город.

Такой же характер носят многие головоломки. Например, задача о восьми ферзях, которая состоит в том, что восемь ферзей надо разместить на обычной шахматной доске так, чтобы ни один из них не атаковал другого. Иными словами, на каждой вертикали, горизонтали и диагонали должно быть не более одного ферзя. В задачах такого типа область возможных комбинаций или последовательностей, из которых необходимо выбрать ответ, чрезвычайно велика. Простые попытки решения таких задач вскоре порождает комбинаторный взрыв вариантов, которые быстро исчерпывают возможности обычных компьютеров.

Некоторые из этих задач (включая задачу коммивояжера) относятся теоретиками к NP-полным. Трудность решения таких задач зависит от высокой степени возрастания комбинаций (число шагов, времени решения), в зависимости от какой-либо характеристики объема задачи. Так, в задаче коммивояжера характеристикой объема задачи является число городов. Степень возрастания комбинаций в задачах может быть линейной, полиномиальной и экспоненциальной. Так вот время решения NP-полных задач растет экспоненциально с увеличением объема задачи. Пока еще не установлено, существует ли более быстрый, чем экспоненциальный метод решения NP-полных задач, но установлено, что если он существует хотя бы для одной NP-полной задачи, то аналогичные методы можно найти и для других NP-полных задач.

Таким образом, усилия специалистов по ИИ, работающих над решением комбинаторных задач сводятся пока к борьбе с экспоненциальным ростом времени решения, хотя бы даже в пределах его экспоненциального характера.

Интересные результаты в решении NP-полных задач достигнуты с помощью полносвязных нейронных сетей Хопфилда. Но об этом мы поговорим позже в разделе нейронных сетей.

Проблемы машинного восприятия. Попытки снабдить вычислительные машины "глазами и ушами" показали, что для полезной (интеллектуальной) обработки столь сложных входных данных необходимо "понимание". В свою очередь для такого понимания необходима огромная база знаний об окружающей среде.

Смысл процесса машинного восприятия состоит в создании сжатого представления о реальных входных сценах и образах, с которыми машина не в состоянии работать из-за громадного объема описывающей их информации. Характер и качество окончательного представления зависит от целей воспринимающей системы: (что является важным: цвета, пространственные соотношения и размеры, наличие определенных признаков и т.д.).

Основная трудность при восприятии сцен - невообразимое число возможных ее описаний. Одна из возможных плодотворных стратегий в этих условиях состоит в построении гипотез на различных уровнях описания и последующей их проверки с помощью набора детекторов. В свою очередь, процесс формирования гипотез нуждается в большом объеме знаний о сценах, которые ожидается увидеть.

В настоящее время зрительное машинное восприятие традиционно включает в себя следующие направления: проблемы анализа трехмерных сцен; разработку методов представления информации о зрительных образах в базе знаний; создание методов перехода от зрительных сцен к их текстовому описанию и обратного перехода; разработку процедур когнитивной графики*; создание средств для порождения зрительных сцен на основе внутренних представлений систем ИИ.

*Когнитивная графика (КГ) это направление ИИ, ориентированное, прежде всего, на порождение качественно нового знания в различных предметных областях, и, прежде всего, в фундаментальных науках. КГ реализуется в виде интерактивных компьютерных графических систем, в которых с помощью искусственной визуализации (и озвучивания) различных объектов и понятий предметной области, в том числе абстрактных (например, чисел), синтезируются абстрактные графические и звуковые построения (озвученные мультфильмы). Цель синтеза таких построений - целенаправленная активизация высших творческих метапроцедур образного, интуитивного, правополушарного мышления человека для активизации его творческих возможностей и генерации в мозгу человека ответных реакций в форме новых идей, гипотез, т.е. качественно нового знания.

Еще более сложной является проблема восприятия звуков. В контексте систем ИИ речь идет о восприятии речи. Причем под машинным восприятием речи понимается далеко не тривиальная задача идентификации лексических компонент речи и ее последующего семантического анализа. В конечном итоге решение проблемы позволит общаться с машиной на ЕЯ. Открывающиеся при этом возможности трудно переоценить.

Представленный перечень приложений ИИ является далеко не полным и имеет тенденцию быстро расширяться.

Вернемся снова к задаче классификации систем ИИ. В последнее время специалисты по ИИ все более сходятся на другом подходе к классификации систем ИИ, основанного на моделировании различных аспектов разумного поведения живых организмов:

1. Представление знаний

2. Манипулирование знаниями

3. Общение

4. Восприятие

5. Обучение

Такой подход можно также интерпретировать, как определенный набор способностей некой целостной, интегральной, интеллектуальной системы (ИС).

Понятно, что указанный набор способностей ИС следует рассматривать лишь как гипотетический. В различных практических областях применения систем ИИ может потребоваться только часть из этого перечня. Примером необходимости наличия, у искусственной ИС большинства из перечисленных способностей являются интегральные роботы, предназначенные для выполнения широкого (полностью не определенного) круга задач в естественной внешней среде. Причем в качестве ИС может рассматриваться не один робот, а коллектив подобных роботов. Такие работы сейчас весьма интенсивно ведутся (роботы-исследователи, микро роботы в ВКС и др.).

Остановимся кратко на каждом из перечисленных понятий в приведенной схеме.

1. Представление знаний. В рамках этого направления решаются задачи, связанные с формализацией и представлением знаний в памяти интеллектуальной системы (ИС). Для этого разрабатываются спец. модели представления знаний и языки для описания знаний, выделяются различные типы знаний. Изучаются источники, из которых ИС могут черпать знания, создаются процедуры и приемы, с помощью которых возможно приобретение знаний для ИС. Проблема представления знаний для ИС чрезвычайно актуальна, т.к. ИС - это система, функционирование которой опирается на знания о проблемной области.

2. Манипулирование знаниями. Для того чтобы знаниями можно было пользоваться при решении задач, надо научить ИС оперировать с ними. В рамках данного направления строятся способы пополнения знаний на основе их неполных описаний, изучаются системы классификации хранящихся в ИС знаний, разрабатываются процедуры обобщения знаний и формирования на их основе абстрактных понятий, создаются методы достоверного и правдоподобного вывода на основе имеющихся знаний, предлагаются модели рассуждений, опирающихся на знания и имитирующих способности человеческих рассуждений. Манипулирование знаниями тесно связано с представлением знаний. Многие исследователи считают, что эти направления можно разделить только условно. Создающаяся в настоящее время теория баз знаний включает оба этих направления.

3. Общение. В круг задач этого направления входят: проблема понимания связных текстов на ограниченном и неограниченном ЕЯ, синтез связных текстов, понимание речи и синтез речи, теория моделей коммуникации между человеком и ИС. К этому же кругу проблем примыкают задачи формирования объяснений действий ИС, которые она должна уметь порождать по просьбе человека; комплекс задач, связанных с интеграцией в единый внутренний образ сообщений различной модальности (текстовых, речевых, зрительных и т.п.), полученных в процессе коммуникации. На основе исследований в этом направлении формируются методы построения лингвистических процессоров, вопросно-ответных систем, диалоговых систем и других ИС, целью которых является обеспечение комфортных условий для общения человека с ИС.

4. Восприятие. Об этом направлении я вам уже говорил в контексте прикладных областей. Как видите, в ИИ тесно переплетены и теоретические прикладные направления.

5. Обучение. Предполагается, что ИС подобно человеку будут способны к обучению - решению задач, с которыми они ранее не встречались. Для того чтобы это стало возможным, необходимо: создать методы формирования условий задачи по описанию проблемной ситуации или по наблюдению за этой ситуацией, научиться переходу от известного решения частных задач (примеров) к решению общей задачи, создать приемы декомпозиции исходной для ИС задачи на более мелкие так, чтобы они оказались для ИС уже известными, разработать нормативные и декларативные модели самого процесса обучения, создать теорию подражательного поведения. И перечень таких задач можно еще продолжать.

6. Поведение. ИС должны действовать в некоторой окружающей среде. Поэтому возникает задача разработки специальных поведенческих процедур, которые позволили бы ИС адекватно взаимодействовать с окружающей средой, другими ИС (коллективы роботов) и людьми. Для достижения такого взаимодействия необходимо провести исследование в ряде направлений и создать: модели целесообразного поведения, нормативного поведения, ситуационного поведения, специальные методы многоуровневого планирования и коррекции планов в динамических ситуациях. Лишь после этого можно будет говорить о возможности привычного взаимодействия между людьми и ИС.

Искусственный интеллект и философия.

Поставленный Тьюрингом вопрос о разумности программ отражает наше понимание самой концепции разумности. Что такое разумность, как ее описать? Какова природа знания? Можно ли его представить в устройствах? Что такое навыки? Может ли знание в прикладной области соотноситься с навыком принятия решения в этой среде? Как знание о том, что есть истина, соотносится со знанием, как это сделать?

Ответы на эти вопросы составляют важную часть работы исследователей и разработчиков ИИ. В научном смысле программ ИИ можно рассматривать как эксперименты. Проект имеет конкретную реализацию в виде программы, и программа выполняется как эксперимент. Разработчики программы изучают результаты, а затем перестраивают программы и заново ставят эксперимент. Т.о. возможно определить, являются ли наши представления и алгоритмы достаточно хорошими моделями разумного поведения. Ньюэлл и Саймон предложили этот подход к научному познанию в своей тьюринговской лекции 1976г.

Многие применения ИИ подняли глубокие философские вопросы. В каком смысле можно заявить, что компьютер "понимает" фразы естественного языка? Продуцирование и понимание языка требует толкования символов. Недостаточно правильно сформулировать строку символов. Механизм понимания должен уметь приписывать им смысл или интерпретировать символы в зависимости от контекста. Что такое смысл? Что такое интерпретация?

Подобные философские вопросы встают во многих областях применения ИИ, будь то построение экспертных систем или разработка алгоритмов машинного обучения.

Заключительные замечания.

Этот обзор обнаружил молодую и многообещающую область науки, основная цель которой - найти эффективный способ понимания и применения интеллектуального решения проблем, планирования и навыков общения к широкому кругу практических задач. Несмотря на разнообразие проблем, затрагиваемых исследователями ИИ, во всех отраслях этой сферы наблюдаются некоторые общие черты.

1. Использование компьютеров для доказательства теорем, распознавания образов, обучения и других форм рассуждений.

2. Внимание к проблемам, не поддающимся алгоритмическим решениям. Отсюда - эвристический поиск как основа решения задач в ИИ.

3. Принятие решений на основе неточной, недостаточной или плохо определенной информации и применение формализмов представлений, помогающих программисту справляться с этими недостатками.

4. Выделение значительных качественных характеристик ситуации.

5. Попытка решить вопросы семантического смысла, ровно как и синтаксической формы.

6. Ответы, которые нельзя отнести к точным или оптимальным, но которые в каком-то смысле "достаточно хороши". Это результат применения эвристических методов в ситуациях, когда получение оптимальных или точных ответов слишком трудоемко или невозможно вовсе.

7. Использование большого количества специфичных знаний в принятии решений. Это основа экспертных систем.

8. Использование знаний метауровня для более совершенного управления стратегиями принятия решений. Хотя это очень сложная проблема, она постепенно становится важной областью исследований.

Как было отмечено раньше при обсуждении агентского решения проблем, объекты приобретают смысл при взаимоотношении с другими объектами. Это не менее справедливо в отношении фактов, теорий и методов, образующих любую научную область.

Литература:

1."Искусственный интеллект. Стратегии и методы решения сложных проблем" Джордж Ф. Люггер 2005 (четвертое издание)

2.Чернухин Ю.В. "Искусственный интеллект и нейрокомпьютеры". Таганрог: ТРТУ, 1997

3.Нильсон Н. "Принципы искусственного интеллекта": Пер. с англ. - М.: Радио и связь, 1985.

предыдущая главасодержаниеследующая глава



ПОИСК:




© FILOSOF.HISTORIC.RU 2001–2023
Все права на тексты книг принадлежат их авторам!

При копировании страниц проекта обязательно ставить ссылку:
'Электронная библиотека по философии - http://filosof.historic.ru'