Πώς να γράψετε τεχνητή νοημοσύνη. Τεχνητή νοημοσύνη. Αντιφάσεις και προβλήματα δημιουργίας. Γιατί η τεχνητή νοημοσύνη νικά τους ανθρώπους

Η τεχνητή νοημοσύνη δημιούργησε ένα νευρωνικό δίκτυο στις 15 Δεκεμβρίου 2017

Ζήσαμε για να δούμε τη στιγμή που η τεχνητή νοημοσύνη δημιουργεί το δικό της νευρωνικό δίκτυο. Αν και πολλοί πιστεύουν ότι αυτό είναι το ίδιο πράγμα. Αλλά στην πραγματικότητα, δεν είναι όλα τόσο απλά, και τώρα θα προσπαθήσουμε να καταλάβουμε τι είναι και ποιος μπορεί να δημιουργήσει ποιον.

Μηχανικοί από το τμήμα Google Brain παρουσίασαν το AutoML αυτή την άνοιξη. Αυτή η τεχνητή νοημοσύνη είναι σε θέση να παράγει το δικό της μοναδικό AI χωρίς ανθρώπινη παρέμβαση. Όπως αποδείχθηκε πρόσφατα, η AutoML μπόρεσε να δημιουργήσει το NASNet, ένα σύστημα όρασης υπολογιστή για πρώτη φορά. Αυτή η τεχνολογία ξεπερνά σημαντικά όλα τα ανάλογα που δημιουργήθηκαν προηγουμένως από τον άνθρωπο. Αυτό το σύστημα που βασίζεται στην τεχνητή νοημοσύνη μπορεί να είναι ένας εξαιρετικός βοηθός στην ανάπτυξη, ας πούμε, αυτόνομων αυτοκινήτων. Ισχύει επίσης στη ρομποτική - τα ρομπότ θα μπορούν να φτάσουν σε ένα εντελώς νέο επίπεδο.

Η ανάπτυξη του AutoML βασίζεται σε ένα μοναδικό σύστημα ενισχυτικής μάθησης. Μιλάμε για έναν διαχειριστή νευρωνικών δικτύων που αναπτύσσει ανεξάρτητα εντελώς νέα νευρωνικά δίκτυα σχεδιασμένα για συγκεκριμένες συγκεκριμένες εργασίες. Στην περίπτωσή μας, το AutoML στοχεύει να παράγει ένα σύστημα που αναγνωρίζει αντικείμενα σε μια πλοκή βίντεο όσο το δυνατόν ακριβέστερα σε πραγματικό χρόνο.

Η ίδια η τεχνητή νοημοσύνη ήταν σε θέση να εκπαιδεύσει ένα νέο νευρωνικό δίκτυο, παρακολουθώντας λάθη και διορθώνοντας την εργασία. Η διαδικασία εκμάθησης επαναλήφθηκε πολλές φορές (χιλιάδες φορές) μέχρι το σύστημα να είναι έτοιμο για χρήση. Περιέργως, μπόρεσε να παρακάμψει οποιαδήποτε παρόμοια νευρωνικά δίκτυα διαθέσιμα αυτήν τη στιγμή, αλλά αναπτύχθηκαν και εκπαιδεύτηκαν από ανθρώπους.

Ταυτόχρονα, η AutoML αξιολογεί την απόδοση του NASNEt και χρησιμοποιεί αυτές τις πληροφορίες για να βελτιώσει το θυγατρικό δίκτυο. αυτή η διαδικασία επαναλαμβάνεται χιλιάδες φορές. Όταν οι μηχανικοί δοκίμασαν το NASNet σε εικόνες ImageNet και COCO, ξεπέρασε όλα τα υπάρχοντα συστήματα όρασης υπολογιστών.

Η Google ανακοίνωσε επίσημα ότι το NASNet αναγνωρίζει με ακρίβεια 82,7%. Το αποτέλεσμα είναι 1,2% υψηλότερο από το προηγούμενο ρεκόρ, το οποίο σημείωσαν ερευνητές από ειδικούς της Momenta και της Οξφόρδης στις αρχές αυτού του φθινοπώρου. Το NASNet είναι 4% πιο αποδοτικό από τα αντίστοιχα του με μέση ακρίβεια 43,1%.

Υπάρχει επίσης μια απλοποιημένη έκδοση του NASNet, η οποία είναι προσαρμοσμένη για κινητές πλατφόρμες. Ξεπερνά τα ανάλογα κατά λίγο περισσότερο από τρία τοις εκατό. Στο εγγύς μέλλον, θα είναι δυνατή η χρήση αυτού του συστήματος για την παραγωγή αυτόνομων οχημάτων, για τα οποία είναι σημαντική η διαθεσιμότητα υπολογιστικής όρασης. Η AutoML συνεχίζει να παράγει νέα κληρονομικά νευρωνικά δίκτυα, προσπαθώντας να κατακτήσει ακόμη μεγαλύτερα ύψη.

Αυτό, φυσικά, εγείρει ηθικά ερωτήματα που σχετίζονται με ανησυχίες σχετικά με την τεχνητή νοημοσύνη: τι γίνεται αν η AutoML κατασκευάζει συστήματα με τέτοια ταχύτητα που η κοινωνία απλά δεν μπορεί να συμβαδίσει με αυτά; Ωστόσο, πολλοί μεγάλες εταιρείεςπροσπαθήστε να λάβετε υπόψη τις ανησυχίες για την ασφάλεια της τεχνητής νοημοσύνης. Για παράδειγμα, η Amazon, το Facebook, η Apple και ορισμένες άλλες εταιρείες είναι μέλη της Partnership on AI to Benefit People and Society. Το Institute of Electrical and Engineering (IEE) έχει προτείνει ηθικά πρότυπα για την τεχνητή νοημοσύνη και η DeepMind, για παράδειγμα, ανακοίνωσε τη δημιουργία μιας ομάδας που θα ασχολείται με ηθικά και ηθικά ζητήματα που σχετίζονται με τις εφαρμογές της τεχνητής νοημοσύνης.

Ωστόσο, πολλές μεγάλες εταιρείες προσπαθούν να λάβουν υπόψη τους τις ανησυχίες για την ασφάλεια της τεχνητής νοημοσύνης. Αυτό, φυσικά, εγείρει ηθικά ερωτήματα που σχετίζονται με ανησυχίες σχετικά με την τεχνητή νοημοσύνη: τι γίνεται αν η AutoML κατασκευάζει συστήματα με τέτοια ταχύτητα που η κοινωνία απλά δεν μπορεί να συμβαδίσει με αυτά; Το Institute of Electrical and Engineering (IEE) έχει προτείνει ηθικά πρότυπα για την τεχνητή νοημοσύνη και η DeepMind, για παράδειγμα, ανακοίνωσε τη δημιουργία μιας ομάδας που θα ασχολείται με ηθικά και ηθικά ζητήματα που σχετίζονται με τις εφαρμογές της τεχνητής νοημοσύνης. Για παράδειγμα, η Amazon, το Facebook, η Apple και ορισμένες άλλες εταιρείες είναι μέλη της Partnership on AI to Benefit People and Society.

Τι είναι η τεχνητή νοημοσύνη;

Ο όρος «τεχνητή νοημοσύνη» επινοήθηκε από τον John McCarthy, εφευρέτη της γλώσσας Lisp, ιδρυτή του λειτουργικού προγραμματισμού και νικητή του βραβείου Turing για την τεράστια συνεισφορά του στον τομέα της έρευνας της τεχνητής νοημοσύνης.
Η τεχνητή νοημοσύνη είναι ένας τρόπος να φτιάξεις έναν υπολογιστή, ένα ρομπότ ελεγχόμενο από υπολογιστή ή ένα πρόγραμμα ικανό να σκέφτεται έξυπνα σαν άνθρωπος.

Η έρευνα AI πραγματοποιείται με μελέτη νοητικές ικανότητεςανθρώπινο, και στη συνέχεια τα αποτελέσματα αυτής της έρευνας χρησιμοποιούνται ως βάση για την ανάπτυξη έξυπνων προγραμμάτων και συστημάτων.

Τι είναι ένα νευρωνικό δίκτυο;

Η ιδέα πίσω από ένα νευρωνικό δίκτυο είναι να συναρμολογήσει μια πολύπλοκη δομή από πολύ απλά στοιχεία. Ένα μόνο μέρος του εγκεφάλου δύσκολα μπορεί να θεωρηθεί λογικό - αλλά οι άνθρωποι συνήθως τα καταφέρνουν εκπληκτικά καλά στα τεστ IQ. Ωστόσο, μέχρι τώρα, η ιδέα της δημιουργίας ενός μυαλού "από το τίποτα" ήταν συνήθως γελοιοποιημένη: το αστείο για χίλιους πιθήκους με γραφομηχανές είναι ήδη εκατό ετών και, αν θέλετε, η κριτική των νευρωνικών δικτύων μπορεί να βρεθεί ακόμη και σε Ο Κικέρωνας, που σαρκαστικά πρότεινε να πετάξει μάρκες με γράμματα στον αέρα μέχρι να γίνει μπλε, ώστε αργά ή γρήγορα να βγει ένα κείμενο με νόημα. Ωστόσο, στον 21ο αιώνα, αποδείχθηκε ότι οι κλασικοί κορόιδευαν μάταια: είναι ο στρατός των πιθήκων με μάρκες που, με τη δέουσα επιμονή, μπορεί να καταλάβει τον κόσμο.
Στην πραγματικότητα, ένα νευρωνικό δίκτυο μπορεί ακόμη και να συναρμολογηθεί από σπιρτόκουτα: είναι απλώς ένα σύνολο απλών κανόνων με τους οποίους γίνεται η επεξεργασία των πληροφοριών. Ένας «τεχνητός νευρώνας», ή perceptron, δεν είναι μια ειδική συσκευή, αλλά μόνο μερικές αριθμητικές πράξεις.

Το perceptron δεν λειτουργεί πουθενά πιο εύκολα: λαμβάνει αρκετούς αρχικούς αριθμούς, πολλαπλασιάζει τον καθένα με την «τιμή» αυτού του αριθμού (περισσότερα για αυτό παρακάτω), προσθέτει και, ανάλογα με το αποτέλεσμα, δίνει 1 ή -1. Για παράδειγμα, φωτογραφίζουμε ένα ανοιχτό πεδίο και δείχνουμε τον νευρώνα μας κάποιο σημείο σε αυτήν την εικόνα - δηλαδή, του στέλνουμε τυχαίες συντεταγμένες ως δύο σήματα. Και μετά ρωτάμε: "Αγαπητέ νευρώνα, υπάρχει παράδεισος ή γη;" «Μείον ένα», απαντά ο ανδρείκελος, κοιτάζοντας γαλήνια το σύννεφο σωρών. - Είναι σαφές ότι η γη.

«Το να χώνεις το δάχτυλό σου στον ουρανό» είναι η κύρια απασχόληση του perceptron. Δεν μπορείτε να περιμένετε καμία ακρίβεια από αυτόν: μπορείτε εξίσου καλά να γυρίσετε ένα νόμισμα. Η μαγεία ξεκινά στο επόμενο στάδιο, που ονομάζεται μηχανική μάθηση. Εξάλλου, γνωρίζουμε τη σωστή απάντηση - που σημαίνει ότι μπορούμε να τη γράψουμε στο πρόγραμμά μας. Αποδεικνύεται λοιπόν ότι για κάθε λάθος εικασία, το perceptron λαμβάνει κυριολεκτικά μια ποινή και για τη σωστή - ένα ασφάλιστρο: η "αξία" των εισερχόμενων σημάτων αυξάνεται ή μειώνεται. Μετά από αυτό, το πρόγραμμα εκτελείται νέα φόρμουλα... Αργά ή γρήγορα, ο νευρώνας αναπόφευκτα θα «καταλάβει» ότι η γη στη φωτογραφία είναι από κάτω και ο ουρανός στην κορυφή - δηλαδή, θα αρχίσει απλώς να αγνοεί το σήμα από το κανάλι μέσω του οποίου μεταδίδονται οι συντεταγμένες x. το. Εάν περάσετε μια άλλη φωτογραφία σε ένα τόσο εξελιγμένο ρομπότ, τότε μπορεί να μην βρει τη γραμμή του ορίζοντα, αλλά σίγουρα δεν θα μπερδέψει την κορυφή με το κάτω μέρος.

Στην πραγματική ζωή, οι τύποι είναι λίγο πιο περίπλοκοι, αλλά η αρχή παραμένει η ίδια. Το perceptron μπορεί να κάνει μόνο μία εργασία: να πάρει αριθμούς και να τους βάλει σε δύο στοίβες. Το πιο ενδιαφέρον ξεκινά όταν υπάρχουν αρκετά τέτοια στοιχεία, γιατί οι εισερχόμενοι αριθμοί μπορεί να είναι σήματα από άλλα «τούβλα»! Ας υποθέσουμε ότι ένας νευρώνας θα προσπαθήσει να διακρίνει τα μπλε εικονοστοιχεία από τα πράσινα, ο δεύτερος θα συνεχίσει να πειράζει τις συντεταγμένες και ο τρίτος θα προσπαθήσει να κρίνει ποια από αυτά τα δύο αποτελέσματα είναι πιο κοντά στην αλήθεια. Εάν ορίσετε πολλούς νευρώνες στα μπλε εικονοστοιχεία ταυτόχρονα και συνοψίσετε τα αποτελέσματά τους, θα λάβετε ένα ολόκληρο επίπεδο στο οποίο οι «καλύτεροι μαθητές» θα λάβουν επιπλέον μπόνους. Έτσι, ένα αρκετά διαδεδομένο δίκτυο μπορεί να φτυαρίσει ένα ολόκληρο βουνό δεδομένων και να λάβει υπόψη όλα τα λάθη του.

Ένα νευρωνικό δίκτυο μπορεί να γίνει χρησιμοποιώντας σπιρτόκουτα - τότε θα έχετε ένα κόλπο στο οπλοστάσιό σας με το οποίο μπορείτε να διασκεδάσετε τους καλεσμένους σε πάρτι. Οι συντάκτες του MirF το έχουν ήδη δοκιμάσει - και παραδέχεται ταπεινά την ανωτερότητα της τεχνητής νοημοσύνης. Ας διδάξουμε την παράλογη ύλη να παίζει το παιχνίδι των 11 μπαστούνια. Οι κανόνες είναι απλοί: υπάρχουν 11 αγώνες στο τραπέζι και σε κάθε κίνηση μπορείτε να πάρετε είτε έναν είτε δύο. Νικητής είναι αυτός που πήρε το τελευταίο. Πώς το παίζεις αυτό ενάντια στον «υπολογιστή»;

Πολύ απλό.

Παίρνουμε 10 κουτιά ή φλιτζάνια. Σε καθένα γράφουμε έναν αριθμό από το 2 έως το 11.

Βάζουμε δύο πέτρες σε κάθε κουτί - ασπρόμαυρες. Μπορείτε να χρησιμοποιήσετε οποιαδήποτε στοιχεία, εφόσον διαφέρουν μεταξύ τους. Αυτό ήταν - έχουμε ένα δίκτυο δέκα νευρώνων!

Το νευρωνικό δίκτυο περπατά πάντα πρώτο. Πρώτα, κοιτάξτε πόσα σπίρτα έχουν απομείνει και πάρτε ένα κουτί με αυτόν τον αριθμό. Στην πρώτη κίνηση, θα είναι το πλαίσιο # 11. Πάρτε οποιοδήποτε βότσαλο από το απαιτούμενο κουτί. Μπορείτε να κλείσετε τα μάτια σας ή να γυρίσετε ένα νόμισμα, το κύριο πράγμα είναι να ενεργήσετε τυχαία.
Εάν η πέτρα είναι λευκή, το νευρωνικό δίκτυο αποφασίζει να πάρει δύο σπίρτα. Αν μαύρο - ένα. Τοποθετήστε ένα βότσαλο δίπλα στο κουτί για να μην ξεχάσετε ποιος «νευρώνας» πήρε την απόφαση. Μετά από αυτό, ένα άτομο περπατά - και ούτω καθεξής μέχρι να τελειώσουν οι αγώνες.

Και τώρα αρχίζει η διασκέδαση: η μάθηση. Εάν το δίκτυο κερδίσει το παιχνίδι, τότε πρέπει να ανταμειφθεί: ρίξτε ένα επιπλέον βότσαλο του ίδιου χρώματος σε αυτούς τους «νευρώνες» που συμμετείχαν σε αυτό το παιχνίδι, οι οποίοι έπεσαν κατά τη διάρκεια του παιχνιδιού. Εάν το δίκτυο χάσει, πάρτε το τελευταίο χρησιμοποιημένο κουτί και αφαιρέστε την ανεπιτυχή πέτρα από εκεί. Μπορεί να αποδειχθεί ότι το κουτί είναι ήδη άδειο - τότε ο "τελευταίος" νευρώνας θεωρείται ο προηγούμενος παρόμοιος νευρώνας. Κατά τη διάρκεια του επόμενου παιχνιδιού, χτυπώντας ένα άδειο κουτί, το νευρωνικό δίκτυο θα παραδοθεί αυτόματα.

Αυτό είναι όλο! Παίξτε αρκετά παιχνίδια όπως αυτό. Στην αρχή, δεν θα παρατηρήσετε τίποτα ύποπτο, αλλά μετά από κάθε νίκη, το δίκτυο θα κάνει όλο και πιο επιτυχημένες κινήσεις - και μετά από περίπου δώδεκα παιχνίδια θα συνειδητοποιήσετε ότι έχετε δημιουργήσει ένα τέρας που δεν μπορείτε να νικήσετε.

Πηγές:

Σε μια σειρά άρθρων, θα εξερευνήσουμε νέες προσεγγίσεις στην τεχνητή νοημοσύνη, τη μοντελοποίηση προσωπικότητας και την επεξεργασία δεδομένων BIG που δεν είναι διαθέσιμες στους περισσότερους επαγγελματίες τεχνητής νοημοσύνης και στο κοινό. Η αξία αυτών των πληροφοριών είναι ότι όλα δοκιμάζονται στην πράξη και οι περισσότερες θεωρητικές εξελίξεις εφαρμόζονται σε εφαρμοσμένα έργα.

Πολλοί από εσάς έχετε ακούσει για σύγχρονες τεχνολογίες που συνδέονται σήμερα με την έννοια της τεχνητής νοημοσύνης, συγκεκριμένα: συστήματα ειδικών, νευρωνικά δίκτυα, γλωσσικοί αλγόριθμοι, υβριδικά συστήματα, γνωστικές τεχνολογίες, προσομοίωση (chat bots) κ.λπ.

Ναι, πολλές εταιρείες χρησιμοποιούν τις παραπάνω τεχνολογίες για να λύσουν τα προβλήματα επεξεργασίας πληροφοριών των πελατών τους. Μερικές από αυτές τις εταιρείες γράφουν ότι δημιουργούν ή έχουν δημιουργήσει λύσεις τεχνητής νοημοσύνης. Είναι όμως ευφυΐα;

Το πρώτο πράγμα που θα κάνουμε είναι να ορίσουμε τι είναι νοημοσύνη.

Φανταστείτε ότι υπάρχει ένας υπολογιστής με νοημοσύνη. Και έχετε την επιλογή να επικοινωνήσετε μαζί του φωνητικά ή μέσω γραπτών μηνυμάτων.
Ερωτήσεις:

• Είναι απαραίτητο να ενσωματωθούν γλωσσικά χαρακτηριστικά στο πρόγραμμα νοημοσύνης του υπολογιστή (για να περιγράψει τη σημασιολογία, τη γραμματική, τη μορφολογία) ή θα μπορούσε να μάθει γλώσσες μόνος του μέσω της αλληλεπίδρασης με ένα άτομο;
• Αν σας αναλάμβαναν να διδάξετε μια γλώσσα σε έναν υπολογιστή, τι θα κάνατε;
• Αν έπαιρνες μέρος στην προπόνηση, σε ποιον θα έμοιαζε;

Τώρα, απαντήστε ξανά σε αυτές τις ερωτήσεις, με τη μόνη διαφορά που θα έπρεπε να διδάξετε:

• Ένας καθαρόαιμος παπαγάλος, θεωρητικά ικανός για επικοινωνία.
• Νεογέννητο μωρό.

Εσείς και εγώ μόλις κάναμε κάποια πνευματική δουλειά και ελπίζω ότι πολλοί από εσάς έχετε αποκτήσει νέες γνώσεις. Και για αυτο:

• Πρώτα, σας ζήτησα να φανταστείτε (φανταστείτε), "τι θα συμβεί αν ...". Ενεργήσατε σε ένα αλλαγμένο περιβάλλον. Ίσως σας έλειπαν πληροφορίες και γνώσεις, σας ήταν δύσκολο.
• Δεύτερον, αποδείχτηκες ικανός για μάθηση, γνώση, βρήκες μια αναλογία οικεία σε σένα ή τη γνώρισες στο κείμενο, ή ίσως χρησιμοποιήσατε το Διαδίκτυο ή ζητήσατε τη συμβουλή ενός φίλου.

Υπάρχουν πολλές προσεγγίσεις για τον ορισμό της νοημοσύνης. Θα ορίσουμε τα κύρια χαρακτηριστικά του...

Πρωτα απο ολα ευφυΐα είναι η ικανότητα να μαθαίνεις και να φαντάζεσαι.

Για να δημιουργήσετε έναν αλγόριθμο για τη μοντελοποίηση της νοημοσύνης, το πρώτο πράγμα που πρέπει να κάνετε είναι να του δώσει την ικανότητα να μαθαίνει, δεν χρειάζονται γνώσεις για να επενδύσεις σε αυτό.

Ας επιστρέψουμε στο παράδειγμα του παιδιού μας για να περιγράψουμε τη διαδικασία μάθησης με περισσότερες λεπτομέρειες.
Ποιες αρχές λειτουργούν όταν ένα παιδί μαθαίνει να κατανοεί και να μιλάει μια γλώσσα;

1. Όσο πιο συχνά ακούει μια λέξη σε διαφορετικά συμφραζόμενα, τόσο πιο γρήγορα θα τη θυμάται. Η λέξη που θα πει πρώτη πιθανότατα θα είναι «μαμά».
   "Η μαμά σε αγαπάει"
   "Η μαμά θα σου πλύνει τα χέρια"
   "Η μαμά σε φιλάει"
   "Που ειναι η ΜΑΜΑ?"
   Η μάθηση προκύπτει λόγω πλεονασμού δεδομένων.
2. Όσο περισσότερα κανάλια ροής πληροφοριών εμπλέκονται, τόσο πιο αποτελεσματική είναι η εκπαίδευση:
   το παιδί ακούει: «Η μαμά σε αγαπάει».
   το παιδί βλέπει το χαμόγελο της μητέρας.
   το μωρό νιώθει τη ζεστασιά που έρχεται από τη μητέρα.
   το μωρό γεύεται και μυρίζει το μητρικό γάλα.
   το παιδί λέει «μαμά».
3. Το παιδί δεν θα μπορεί να αναπαράγει σωστά τη λέξη αμέσως. Θα προσπαθήσει, θα προσπαθήσει. «Μ», «Μαμά», «Μαμά», «Μ» ​​... «Μαμά». Η μάθηση λαμβάνει χώρα στη δράση, κάθε επόμενη προσπάθεια προσαρμόζεται μέχρι να έχουμε το αποτέλεσμα. Μέθοδος δοκιμής και λάθους. Η λήψη σχολίων από την πραγματικότητα είναι πολύ σημαντική.
4. Μην εκπαιδεύετε τα παιδιά σας, θα είναι ακόμα σαν εσάς. Το παιδί προσπαθεί να είναι σαν τους ανθρώπους γύρω του. Τους μιμείται και μαθαίνει από αυτούς. Αυτός είναι ένας από τους μηχανισμούς μοντελοποίησης της προσωπικότητας, για τον οποίο θα μιλήσουμε αναλυτικότερα στα επόμενα άρθρα.

Ποιος είναι ο ρόλος της φαντασίας;

Φανταστείτε ότι οδηγείτε σε έναν άγνωστο δρόμο. Περάστε την πινακίδα ορίου ταχύτητας 80 km/h. Οδηγήστε και βλέπετε μια άλλη πινακίδα ορίου ταχύτητας, αλλά είναι πλημμυρισμένη από λάσπη και είναι σχεδόν αδύνατο να τη διακρίνετε. Ταξιδεύετε με ταχύτητα 95 km/h. Τι θα κάνεις? Ενώ παίρνατε μια απόφαση, ένας αστυνομικός κοίταξε πίσω από τους θάμνους και είδατε ένα λαμπερό χαμόγελο στο πρόσωπό του. Η «εικόνα της πινακίδας» ολοκληρώθηκε αμέσως στο κεφάλι σας και καταλάβατε γιατί υπάρχει ένας αστυνομικός εδώ και ότι πρέπει να πατήσετε επειγόντως το φρένο. Ρίχνεις την ταχύτητα στα 55 km/h, το χαμόγελο από το πρόσωπο του αστυνομικού εξαφανίζεται αμέσως και συνεχίζεις να οδηγείς.

Και ένα ακόμα ενδιαφέρον παράδειγμαευφάνταστη δουλειά από το ζωικό βασίλειο είναι η παρατήρηση των καρακάκων. Η κίσσα έθαψε φαγητό στην ερημιά μπροστά στις άλλες κίσσες. Όλες οι κίσσες πέταξαν μακριά, αλλά η κίσσα μας επέστρεψε στην ερημιά και έκρυψε το φαγητό. Τι συνέβη? Φαντάστηκε (φαντάθηκε), «τι θα γίνει αν» φτάσει μια άλλη καρακάξα, που έχει δει πού έκρυψε το φαγητό. Προσομοίωσε την κατάσταση και βρήκε μια λύση για το πώς να την αποφύγει.

Η φαντασία διαμορφώνει μια κατάσταση με αυθαίρετους όρους.

Όπως έχετε ήδη δει, η ευφυΐα δεν είναι μια βάση γνώσεων, δεν είναι ένα σύνολο προγραμματισμένων αντιδράσεων ή ακολουθώντας προκαθορισμένους κανόνες.

Η νοημοσύνη είναι η ικανότητα μάθησης, γνώσης και προσαρμογής στις μεταβαλλόμενες συνθήκες κατά τη διαδικασία επίλυσης δυσκολιών.

Δεν σας φαίνεται ότι στον ορισμό της νοημοσύνης έχουμε χάσει κανέναν από τα μάτια μας σημαντικά συστατικάή ξέχασες να πεις κάτι;

Ναι, μας έλειψε η αντίληψη και ξεχάσαμε να μιλήσουμε για τη μνήμη.

Φανταστείτε να κοιτάτε μέσα από ένα ματάκι και να βλέπετε μέρος ενός γράμματος:

Τι είναι αυτό το γράμμα;

Ίσως «Κ»;

Όχι βέβαια, αυτό είναι το ιαπωνικό ιερογλυφικό για την «αιωνιότητα».

Μόλις σας δόθηκε μια εργασία (πρόβλημα). Πιθανότατα βρήκατε μια παρόμοια εικόνα του γράμματος «Κ» στο κεφάλι σας και ηρεμήσατε.

Η διάνοιά σας αντιλαμβάνεται τα πάντα με εικόνες και αναζητά μια παρόμοια εικόνα στη μνήμη, αν δεν υπάρχει, τότε δημιουργείται μια άγκυρα σε υπάρχουσες εικόνες και χάρη σε αυτό θυμάστε νέες πληροφορίες, αποκτάτε δεξιότητες ή εμπειρία.

Μια εικόνα είναι μια υποκειμενική όραση του πραγματικού κόσμου, που γίνεται αντιληπτή με τη βοήθεια των αισθήσεων (κανάλια ροής πληροφοριών).

Η αντίληψη είναι υποκειμενική, γιατί εξαρτάται από τη σειρά της εκπαίδευσης, τη σειρά εμφάνισης των εικόνων στη ζωή ενός ατόμου και την επιρροή τους.

Η αντίληψη ξεκινά με την αναγνώριση φωτεινών / σκοτεινών μοτίβων. Ανοιχτά μάτια - ανοιχτόχρωμα, κλειστά - σκοτεινά. Περαιτέρω, ένα άτομο μαθαίνει να αναγνωρίζει όλο και πιο περίπλοκες εικόνες - "μαμά", "μπαμπά", μια μπάλα, ένα τραπέζι, ένα σκυλί. Λαμβάνουμε δεδομένα αναφοράς και όλες οι επόμενες εικόνες είναι μια υπερκατασκευή πάνω από τις προηγούμενες.

Από αυτή την άποψη, η μάθηση είναι η διαδικασία δημιουργίας νέων σχέσεων μεταξύ των αντιληπτών εικόνων και των εικόνων που βρίσκονται ήδη στη μνήμη.

Η μνήμη χρησιμοποιείται για την αποθήκευση εικόνων και των σχέσεών τους.

ΕΝΑ Η φαντασία είναι η ικανότητα να ολοκληρώσεις μια ημιτελή εικόνα.

Για να συνοψίσουμε, εδώ είναι ένα άλλο πείραμα από τον κόσμο των ζώων:

Οι χιμπατζήδες τοποθετήθηκαν σε ένα κλουβί και ένα μάτσο μπανάνες κρεμάστηκε μέσα στο κλουβί αρκετά ψηλά από το πάτωμα. Ο χιμπατζής πήδηξε στην αρχή, αλλά γρήγορα κουράστηκε και φαινόταν να χάνει το ενδιαφέρον του για τις μπανάνες και κάθισε, χωρίς να τις προσέχει. Αλλά μετά από λίγο, η μαϊμού πήρε το ραβδί που είχε μείνει στο κλουβί και κούνησε τις μπανάνες μέχρι να πέσουν. Μια άλλη φορά, για να πάρει μπανάνες, ο χιμπατζής κατάφερε να συνδέσει δύο ξυλάκια, αφού το κάθε ραβδί ξεχωριστά δεν ήταν αρκετό για να τα φτάσει. Το ζώο αντιμετώπισε επίσης ένα πιο δύσκολο έργο, τοποθετώντας απροσδόκητα ένα κουτί κάτω από τις μπανάνες και χρησιμοποίησε το ως βήμα.

Στους χιμπατζήδες δόθηκε η γνώριμη εικόνα ενός «μάτσου μπανάνες». Αλλά η εικόνα για αυτήν αποδείχθηκε ελλιπής - δεν μπορούν να προσεγγιστούν και να φαγωθούν. Αλλά επειδή αυτή ήταν η μόνη διαθέσιμη πηγή τροφής, η ημιτελής εικόνα αύξησε την εσωτερική ένταση και απαιτούσε ολοκλήρωση.

Τα μέσα για την επίλυση του προβλήματος (συμπλήρωση της εικόνας) ήταν πάντα διαθέσιμα, αλλά η εμφάνιση μιας λύσης απαιτούσε μετασχηματισμό των υπαρχουσών εικόνων (χρειαζόταν να μάθουμε με τη βοήθεια της φαντασίας). Ο χιμπατζής έπρεπε να φανταστεί (να απαριθμήσει νοερά όλες τις πιθανές επιλογές): "τι θα συμβεί αν πάρω ένα ραβδί", "τι θα συμβεί αν ..." και τις πιο πιθανές υποθέσεις για να ελέγξει στην πράξη, να προσπαθήσει να λάβει ανατροφοδότηση, πάλι φανταστείτε , δοκιμάστε, λάβετε ανατροφοδότηση επικοινωνίας και ούτω καθεξής μέχρι να ολοκληρώσουμε την εικόνα (μάθουμε).

Αν η αναγνώριση της εικόνας του ιερογλυφικού «αιωνιότητα» ήταν θέμα ζωής και θανάτου για εσάς, τότε σίγουρα θα βρείτε τρόπο να το κάνετε.

Από μια πιο δημοφιλής γλώσσα, θα προχωρήσουμε σε μια τεχνική και θα διατυπώσουμε τις βασικές έννοιες που θα χρησιμοποιήσουμε παρακάτω:

• Η διασταύρωση περιττών πληροφοριών από διαφορετικά κανάλια πληροφοριών δημιουργεί μια εικόνα.
• Η μάθηση είναι μεταμόρφωση ροές πληροφοριώνστο πεδίο πληροφοριών.
• Πεδίο πληροφοριών (μνήμη) - αποθήκευση εικόνων και οι σχέσεις τους.
• Φαντασία - ...
  - «Αγαπητέ αναγνώστη, συμπλήρωσε μόνος σου την εικόνα της φαντασίας σου, χρησιμοποιώντας περιττές πληροφορίες από την εμπειρία της ζωής σου και από αυτό το άρθρο».
• Η νοημοσύνη είναι η ικανότητα να μαθαίνεις και να φαντάζεσαι.

Στην αρχή του άρθρου, απαριθμήσαμε τις τεχνολογίες που σχετίζονται με την τεχνητή νοημοσύνη σήμερα, τώρα μπορείτε να αξιολογήσετε ανεξάρτητα πώς αντιστοιχούν στην έννοια της νοημοσύνης.

Στο επόμενο άρθρο, θα εξετάσουμε μια τέτοια εργασία ως έξυπνη αναζήτηση πληροφοριών στο Διαδίκτυο. Θα ορίσουμε τα κριτήρια για την ευφυΐα, θα αναπτύξουμε πρακτικές προσεγγίσεις και θα «αισθανθούμε» μια πραγματική εφαρμογή που εφαρμόζει τις αρχές που περιγράφονται σε αυτό το άρθρο.

Το άρθρο δεν ισχυρίζεται ότι είναι αληθινό, είναι μέρος της ανάπτυξης και της έρευνάς μας. Γράψτε σχόλια, συμπληρώστε το υλικό με τα παραδείγματα ή τις σκέψεις σας. Μάθετε και φανταστείτε…

Τι κρύβεται πίσω από τη φράση «τεχνητή νοημοσύνη» ή AI (Artificial Intelligence), δεν το γνωρίζουν όλοι. Οι περισσότεροι άνθρωποι πιθανώς σκέφτονται την τεχνητή νοημοσύνη ως έναν υπολογιστή που έχει προγραμματιστεί να «σκέφτεται» μόνος του, να παίρνει έξυπνες αποφάσεις και να ανταποκρίνεται σε ερεθίσματα. Αυτή η ιδέα δεν είναι απολύτως σωστή. Κανένας υπολογιστής και καμία μηχανή δεν μπορεί πραγματικά να σκεφτεί - γιατί αυτό απαιτεί μια συνείδηση ​​που δεν έχει μια «άψυχη μηχανή». Ένας υπολογιστής μπορεί να κάνει μόνο ό,τι του λέει κάποιος να κάνει.

Προγραμματισμός AI με μια ματιά

Ο προγραμματισμός της τεχνητής νοημοσύνης δεν έχει να κάνει με τη διδασκαλία ενός υπολογιστή πώς να σκέφτεται. Αντίθετα, θα προγραμματιστεί να μαθαίνει και να λύνει συγκεκριμένα προβλήματα μόνο του με βάση την εμπειρία του. Αλλά και εδώ δεν μιλάμε για δική τους σκέψη, αλλά για μίμηση. Αυτό ισχύει και για τις αποφάσεις που παίρνει η AI. μπορεί να σταθμίσει τις επιλογές και μετά να κάνει επιλογές. Ωστόσο, η επιλογή του θα βασίζεται πάντα σε εκείνες τις παραμέτρους που είχαν προγραμματιστεί προηγουμένως.

Έτσι, η τεχνητή νοημοσύνη μπορεί να κάνει μόνο ό,τι ήταν προκαθορισμένο για τον υπολογιστή, αλλά καλύτερα, πιο ακριβή και πιο γρήγορα από τους ανθρώπους. Παρεμπιπτόντως, αν θέλετε να μάθετε πώς να προγραμματίζετε, δείτε τις συμβουλές μας για αρχάριους προγραμματιστές.

Χρήση τεχνητής νοημοσύνης

Η τεχνητή νοημοσύνη χρησιμοποιείται ήδη σε πολλούς τομείς, όπως οι σύνθετοι παιχνίδια στον υπολογιστήκαι τις μηχανές αναζήτησης. Στον προγραμματισμό τεχνητής νοημοσύνης, ένα σύμπλεγμα επιστημονικών κλάδων παίζει σημαντικό ρόλο, όχι μόνο η επιστήμη των υπολογιστών ή τα μαθηματικά. Η φιλοσοφία, η ψυχολογία, η νευρολογία και η γλωσσολογία έχουν μεγάλη σημασία.

Η τεχνητή νοημοσύνη χωρίζεται σε νευρική και συμβολική (ισχυρή και αδύναμη). Το πρώτο προσπαθεί να μιμηθεί τις δομές και τις λειτουργίες του ανθρώπινου εγκεφάλου. Το τελευταίο εστιάζει στο αντίστοιχο πρόβλημα και αποτέλεσμα.

Στην καθημερινή ζωή, για παράδειγμα, η τεχνητή νοημοσύνη προγραμματίζεται και χρησιμοποιείται στη ρομποτική. Χρησιμεύει στον έλεγχο των παραγωγικών διαδικασιών ή απλώς εκτελεί καθημερινές εργασίες... χρησιμοποιείται επίσης για απόδοση. Το πιο δημοφιλές παράδειγμα είναι η αναγνώριση προσώπου ή δακτυλικών αποτυπωμάτων.

Ένα άλλο βήμα στη δημιουργία τεχνητής νοημοσύνης είναι τα συστήματα που βασίζονται στη γνώση. Στη συνέχεια τα δεδομένα προγραμματισμού εισάγονται στο πρόγραμμα. Αυτό επιτρέπει στην τεχνητή νοημοσύνη να παρέχει λογικά και ανεξάρτητα απαντήσεις ερωτήσεις που τέθηκαν... Ωστόσο, ακόμη και αυτές οι «ανεξάρτητες απαντήσεις» βασίζονται μόνο στη γνώση που είχε αρχικά προικιστεί η τεχνητή νοημοσύνη.

Σε αυτό το μέρος, ούτε λίγο ούτε πολύ, γίνεται λόγος για τον αλγόριθμο που βασίζεται στην πνευματική δραστηριότητα. Παράλληλα, θα προσπαθήσουμε να απαντήσουμε στο ερώτημα πόσο παρόμοια φαινόμενα θα μπορούσαν να προκύψουν στη φυσική νοημοσύνη. Εμείς, φυσικά, δεν θα αποκαλύψουμε όλα τα μυστικά της νοημοσύνης, δεν θα δημιουργήσουμε έναν εγκέφαλο του λυκόφωτος, αλλά θα μάθουμε τις αρχές, την κύρια κατεύθυνση για το πού να σκάψουμε περαιτέρω. Θα μάθουμε περισσότερα για την ανθρώπινη νοημοσύνη. Θα υπάρχουν επίσης πρακτικά σκίτσα αλγορίθμων που μπορούν να προγραμματιστούν σε υπολογιστή αυτή τη στιγμή.

Αλλά πρώτα, εν συντομία, πού φτάσαμε στα προηγούμενα μέρη (). Εγώ ο ίδιος έχω ήδη ξεχάσει τι υπήρχε εκεί, οπότε θα πρέπει να το υπενθυμίσω στον εαυτό μου, διαφορετικά δεν θα μπορώ καν να πω περισσότερα. :) Ποιος θυμάται - παραλείψτε αυτήν την ενότητα.

Τι ήταν στα προηγούμενα μέρη

Ο Penrose, στα υπέροχα βιβλία του, πιστεύει ότι ο εγκέφαλος είναι ικανός να κάνει απολύτως αληθινές κρίσεις και υποστηρίζει ότι στην καρδιά των διαδικασιών σκέψης βρίσκονται φυσικές διαδικασίες που μπορούν να εκτελέσουν αιώνιους υπολογισμούς σε ένα πεπερασμένο χρόνο. Επιπλέον, αυτές οι διαδικασίες υπολογίζονται όχι απλώς τι, αλλά η απόλυτη και αδιαμφισβήτητη αλήθεια με την αληθινή έννοια της λέξης. Και ο εγκέφαλος μπορεί να «τραβήξει» αυτές τις διαδικασίες για να σκεφτεί. Και αυτός είναι ο λόγος που τέτοιες διαδικασίες είναι απαραίτητες για τη λειτουργία του εγκεφάλου. Και, παρόλο που τέτοιες διαδικασίες είναι άγνωστες στη σημερινή φυσική, ο Penrose πιστεύει ότι ένα βαθύτερο επίπεδο του σύμπαντος είναι μια διαφορετική πραγματικότητα που βασίζεται σε τέτοιες διαδικασίες.

Από πολλές απόψεις, ο Penrose έχει δίκιο για αυτήν την άλλη πραγματικότητα, και ακόμη περισσότερο από αυτό, με κάποιο τρόπο θα πούμε όχι λιγότερο ενδιαφέρουσες και παρόμοιες ιδέες για το τι βρίσκεται στα θεμέλια του σύμπαντος. Αλλά παρόλα αυτά, ο Πένροουζ έσπευσε, πήδηξε, θα λέγαμε, αρκετά βήματα. Η συντριπτική πλειοψηφία (αν όχι όλη) της πνευματικής δραστηριότητας μπορεί να εξηγηθεί από πιο εγκόσμια και εγκόσμια πράγματα.

Το αναμφισβήτητο πλεονέκτημα του Penrose είναι ότι εξήγησε πειστικά το γιατί πνευματική δραστηριότηταδεν μπορεί σε καμία περίπτωση να βασίζεται σε τυπική λογική (ή με άλλα λόγια, σε αυστηρούς αλγόριθμους). Πιο συγκεκριμένα, ο Penrose έδειξε ότι η απολύτως αληθινή λογική (που είναι, κατά την κατανόηση του Penrose, πνευματική δραστηριότητα) είναι αδύνατη με βάση γνωστές φυσικές διεργασίες. Αλλά το καταλάβαμε αυτό με τον δικό μας τρόπο, δηλαδή ότι η πνευματική δραστηριότητα δεν χρειάζεται απολύτως αληθινή λογική. Ή, με άλλα λόγια, η ανθρώπινη νοημοσύνη είναι εύλογη, δίνει καλές προσεγγίσεις στην αλήθεια, αλλά η πιθανότητα λάθους εξακολουθεί να υπάρχει. Και αυτό αλλάζει ριζικά το θέμα, δηλαδή, αλλάζει εντελώς τις προσεγγίσεις για το πώς να εξηγήσετε τη φυσική νοημοσύνη και πώς να δημιουργήσετε τεχνητή νοημοσύνη. Και μια τέτοια νοημοσύνη μπορεί να διαμορφωθεί σε μια μηχανή Turing, προγραμματισμένη σε έναν συνηθισμένο υπολογιστή, ωστόσο, είναι καλύτερο να έχουμε μια αρχιτεκτονική μεγαλύτερης ισχύος και με εγγενή παραλληλισμό, για παράδειγμα, κβαντική ή οπτική.

Τώρα ας θυμηθούμε τι κρύβεται πίσω από τη φασαρία γύρω από την αλήθεια και όχι την αλήθεια της λογικής. Οι μαθηματικοί και υπολογισμοί υπολογιστών, οι ανθρώπινες αντανακλάσεις, οι λογικές κατασκευές και τα συμπεράσματα συνδέονται με την έννοια ενός αλγορίθμου ή ενός τυπικού συστήματος (στην πραγματικότητα, είναι ένα και το αυτό). Η εκτέλεση ενός αλγορίθμου (είναι επίσης η εφαρμογή των κανόνων ενός τυπικού συστήματος) είναι ένα μοντέλο όλων των ειδών υπολογισμών, ανακλάσεων και άλλων φυσικών διεργασιών (ή, τουλάχιστον, μιας αρκετά καλής προσέγγισης). Ένας αλγόριθμος είναι ένα σύνολο εντολών που μπορούν να εκτελεστούν βήμα προς βήμα από κάποιον αφηρημένο υπολογιστή (μηχανή Turing).

Υπάρχει η έννοια του αυστηρού αλγορίθμου (είναι επίσης ένα πλήρες και συνεπές επίσημο σύστημα). Στο ίδιο σύνολο δεδομένων εισόδου, ένας αυστηρός αλγόριθμος για ο τελικόςο αριθμός των βημάτων θα δώσει την ίδια απάντηση. Όταν εφαρμόζεται σε τυπικά συστήματα και λογικούς συλλογισμούς, αυτό σημαίνει ότι σε έναν πεπερασμένο χρόνο για τις αρχικές συνθήκες μπορεί κανείς να βρει μια αληθινή (συνεπή και σαφή) απάντηση. Τέτοιοι υπολογισμοί ονομάζονται επίσης ντετερμινιστικοί.

Υπάρχουν όμως και μη ντετερμινιστικοί (μη αυστηροί) αλγόριθμοι στους οποίους δεν πληρούνται αυτές οι προϋποθέσεις (είναι ελλιπή / αντιφατικά τυπικά συστήματα). Για τον αλγόριθμο, η μη τήρηση της συνθήκης του πεπερασμένου σημαίνει ότι δεν είναι γνωστό εάν ο αλγόριθμος θα ολοκληρώσει τον υπολογισμό του και δεν είναι σαφές πώς να το μάθετε εκ των προτέρων. Ένας μη ντετερμινιστικός αλγόριθμος μπορεί να ολοκληρώσει τον υπολογισμό του ή να περιπλανιέται για πάντα, αλλά αυτό που ακριβώς θα κάνει είναι ένας γρίφος που μπορεί να μαντέψει για πάντα. Για τα επίσημα συστήματα, η απόδειξη της αλήθειας ή του ψεύδους της αρχικής δήλωσης είναι ακατανόητη κάποια μέρα ή θα συνεχιστεί για πάντα. Η ασυνέπεια σημαίνει ότι μέσα στο επίσημο σύστημα, μπορείτε να επιλέξετε διαφορετικές αλυσίδες κανόνων που, για την αρχική δήλωση, θα δώσουν και μια αληθινή και μια ψευδή απάντηση. Για τον αλγόριθμο, αυτό σημαίνει ότι μπορούν να ληφθούν διαφορετικά αποτελέσματα στα ίδια δεδομένα.

Πολλοί, συμπεριλαμβανομένου του Penrose, λένε ότι η πνευματική δραστηριότητα βασίζεται στην αυστηρή τυπική λογική. Αλλά εδώ υπάρχει μια παγκόσμια ενέδρα. Το από καιρό αποδεδειγμένο θεώρημα του Gödel λέει ότι ένα επίσημο σύστημα δεν μπορεί να είναι πλήρες και συνεπές ταυτόχρονα. Η πληρότητα σημαίνει ότι το επίσημο σύστημα γνωρίζει τα πάντα για τον τομέα της εμπειρογνωμοσύνης του. Η συμπερίληψη ενός τέτοιου συστήματος μπορεί να κρίνει την αλήθεια από μόνη της. Αν ένα επίσημο σύστημα δημιουργηθεί από κάποιον απ' έξω, τότε μπορεί να λειτουργήσει, δίνοντας τα σωστά αποτελέσματα και να μην ενδιαφέρεται καθόλου για το αν αυτός το δημιούργησε σωστά. Εάν το επίσημο σύστημα προσπαθήσει να βεβαιωθεί ότι έχει γίνει σωστά, τότε θα αποτύχει. Γιατί το σύστημά μας είναι συνεπές, αλλά όχι πλήρες. Εάν το σύστημα είναι σε θέση να κρίνει την ορθότητα του εαυτού του (πλήρες), τότε ένα τέτοιο σύστημα θα έχει εσωτερικές αντιφάσεις και τα αποτελέσματα της δραστηριότητάς του δεν είναι απαραίτητα σωστά. Γιατί; Συμπεριλαμβανομένου επειδή το ζήτημα της αυτοεξέτασης (αυτογνωσία, αυτοστοχασμός) ανήκει στην κατηγορία των αιώνιων υπολογισμών.

Τι προκύπτει από αυτό; Αποδεικνύεται (σύμφωνα με τον Penrose) ότι η ανθρώπινη νοημοσύνη είναι ένα πλήρες και συνεπές σύστημα, επειδή μπορεί να δημιουργήσει αληθινές δηλώσεις και ταυτόχρονα να παρακολουθεί την ορθότητα του εαυτού της. Αλλά σύμφωνα με το θεώρημα του Gödel, αυτό είναι αδύνατο. Είναι λοιπόν απαραίτητο να εμπλέκονται άγνωστες φυσικές διεργασίες για το έργο της νόησης, που σε σύντομο χρονικό διάστημα μπορεί να κοιτάξει γύρω από την αιωνιότητα, να βρει την απάντηση και να επιστρέψει αυτή την απάντηση στον εγκέφαλο. Αλλά όπως έχουμε ήδη σημειώσει, η διάνοια δεν χρειάζεται να είναι πλήρης και συνεπής, αν και μπορεί πολύ εύλογα να προσποιηθεί ότι είναι αληθινή και αλάνθαστη.

Η δεύτερη ενέδρα είναι ότι η φυσική δεν γνωρίζει τις οντότητες στις οποίες λειτουργεί η τυπική λογική. Δηλαδή, ο τυπικός συλλογισμός βασίζεται συχνά στις έννοιες των φυσικών αριθμών, στις έννοιες της αλήθειας και του ψεύδους. Φυσικοί αριθμοί είναι εκείνοι στους οποίους 1 + 1 = 2, 2 + 1 = 3, και ούτω καθεξής. Αλήθεια = 1, Λάθος = 0, Αρνητική Αλήθεια = Λάθος. Όλες οι μονάδες είναι απολύτως ίσες μεταξύ τους, η μετάθεση των όρων του αθροίσματος δεν αλλάζει και ούτω καθεξής. Αλλά το πρόβλημα είναι ότι δεν υπάρχουν τέτοια σωματίδια, τέτοια πράγματα ή διαδικασίες στον κόσμο μας που θα μπορούσαν να συσχετιστούν αναμφισβήτητα με φυσικούς αριθμούς, και ταυτόχρονα, έτσι ώστε οι αριθμητικοί κανόνες να πληρούνται για αυτές τις οντότητες σε οποιεσδήποτε περιοχές. Σε ορισμένα εύρη, η αριθμητική είναι περίπου σωστή, αλλά εκτός του εύρους, ξεκινούν οι παγκόσμιες αποτυχίες. Επομένως, η τυπική λογική, χονδρικά μιλώντας, λειτουργεί μόνη της χωρίς να καταλαβαίνει τι, οντότητες, η ουσία των οποίων είναι μάλλον ασαφής. Επιπλέον, η ίδια η αριθμητική δεν ανήκει σε πλήρη και συνεπή συστήματα, όπως είναι διασκεδαστικό γεγονός... Και γενικά, φαίνεται ότι τέτοιες έννοιες όπως η απόλυτη αλήθεια, οι φυσικοί αριθμοί, καταρχήν, δεν μπορούν να υπάρχουν. Το πώς και το γιατί θα γίνει στα επόμενα μέρη.

Τι προκύπτει από αυτό; Όλες οι διαδικασίες, όλοι οι υπολογισμοί που λαμβάνουν χώρα ακόμη και στον εγκέφαλο, ακόμη και στους υπολογιστές, είναι εγγενώς είτε ελλιπείς είτε αντιφατικοί, αν και ταυτόχρονα δίνουν μια καλή εύλογη προσέγγιση σε πλήρεις και συνεπείς υπολογισμούς.

Γιατί στον Penrose δεν αρέσουν τα αντικρουόμενα επίσημα συστήματα, γιατί ο Penrose τους αρνείται το δικαίωμα να είναι η βάση της πνευματικής δραστηριότητας; Όπως θυμόμαστε, σε ένα αντιφατικό επίσημο σύστημα, για τα ίδια δεδομένα, μπορείτε να συναγάγετε τόσο αληθείς όσο και ψευδείς δηλώσεις, μέχρι το γεγονός ότι 1 = 2, και ούτω καθεξής. Σε αυτή τη βάση, ο Penrose υπαινίσσεται ότι τα αντικρουόμενα συστήματα θα το κάνουν πάντα(!)παράγουν αντικρουόμενα αποτελέσματα. Από αυτό, ο Penrose έχει μια πολύ στενή ερμηνεία των χαοτικών διαδικασιών, πιστεύει ότι αυτές είναι απλώς τυχαίες διαδικασίες που, κατά μέσο όρο, μπορούν να μοντελοποιηθούν από ένα αυστηρό επίσημο σύστημα.

Στην πραγματικότητα, τα αντιφατικά συστήματα μπορούν στις περισσότερες περιπτώσεις να συγκλίνουν στο πραγματικό αποτέλεσμα, δεν είναι καθόλου απαραίτητο οι εσωτερικές αντιφάσεις να κυριαρχήσουν αμέσως και να καταστρέψουν το σύστημα. Μπορεί να υπάρχουν συστήματα στα οποία ελαχιστοποιούνται οι αντιφάσεις. Και ακόμη και όταν εκτελούνται σε έναν αφηρημένο υπολογιστή, θα παραμείνουν μη ντετερμινιστικά, ελλιπή και ασυνεπή, αλλά στις περισσότερες περιπτώσεις θα παράγουν ένα εύλογο αποτέλεσμα. Γιατί ο Penrose αποφάσισε ότι τα αντικρουόμενα συστήματα θα καταστρέφονται πάντα από τις δικές τους αντιφάσεις; Η Penrose σιωπά για αυτό…

Περαιτέρω περισσότερα. Όπως είδαμε στα προηγούμενα μέρη, οι διαδικασίες του κόσμου μας, είτε σε υπολογιστές είτε σε εγκεφάλους, είναι όλες εγγενώς ασαφείς και αντιφατικές. Αλλά στις περισσότερες περιπτώσεις, εκδίδουν σωστό αποτέλεσμα... Αυτό οφείλεται στο γεγονός ότι αυτές οι διεργασίες αποτελούνται είτε από πολλαπλές επαναλήψεις παρόμοιων υπολογισμών, είτε από μεγάλο αριθμό παρόμοιων στοιχείων, με τέτοιο τρόπο ώστε ο συνδυασμός αυτών των επαναλήψεων ή στοιχείων στις περισσότερες περιπτώσεις δίνει ένα σταθερό και σωστό αποτέλεσμα. Ταυτόχρονα, βέβαια, υπάρχει μια πολύ μικρή πιθανότητα να αναπτυχθεί μια μικρή εσωτερική αντίφαση και να καταστρέψει ολόκληρο το σύστημα. Αλλά στις περισσότερες περιπτώσεις, το σύστημα φαίνεται να είναι εναρμονισμένο, τα στοιχεία, που δρουν το ένα πάνω στο άλλο, ελαχιστοποιούν τις εσωτερικές αντιφάσεις. Δεν είναι όλες οι διαδικασίες στον κόσμο μας σε μεγάλο βαθμό εναρμονισμένες, αλλά υπάρχουν τέτοιες διεργασίες και αυτό που συμβαίνει στους υπολογιστές και στον εγκέφαλο ανήκει σε αυτές. Από πού προέρχεται μια τέτοια εναρμόνιση στον κόσμο μας - ένα θέμα τα ακόλουθα μέρη... Υπάρχει επίσης μια μικρή πιθανότητα στις κοσμοθεωρίες μας, στην πνευματική μας δραστηριότητα, να κάνουμε γενικά λάθος σε κάτι, να υπάρχει μια μικρή σκουληκότρυπα στις κρίσεις μας, που μπορεί να ανατρέψει θεμελιωδώς ολόκληρη την ιδέα μας για το σύμπαν. Αλλά περισσότερα για αυτό στα επόμενα μέρη.

Αρχικά, η ανθρώπινη σκέψη βασίζεται ακριβώς σε τέτοιες διαδικασίες. Δεν υπάρχουν μακριές λογικές αλυσίδες, δεν υπάρχουν σαφείς κανόνες. Αντίθετα, υπάρχουν σύντομες αλυσίδες απόκρισης σε καταστάσεις, χωρίς μεγάλους κύκλους επεξεργασίας. Τα στοιχεία αυτών των αλυσίδων έχουν μεγάλο αριθμό εισόδων και μέσα στο στοιχείο, τα δεδομένα εισόδου χωρίζονται σε πολλές παράλληλες, διπλές, ασαφείς διαδρομές, οι οποίες στην έξοδο δίνουν μια σαφή λύση. Ονομάζουμε αυτά τα στοιχεία σύντομους και ευρείες εύλογους κανόνες. Τέτοιοι κανόνες δεν εμπλέκονται σε λογικά συμπεράσματα, ήδη "θυμούνται" έτοιμη λύσησε καταστάσεις που τους είναι γνωστές. Ο μηχανισμός για την εκμάθηση τέτοιων κανόνων απέχει επίσης πολύ από ένα σαφές λογικό συμπέρασμα και περιγράφεται στα προηγούμενα μέρη.

Τέτοιες διαδικασίες είναι καλές για την αλληλεπίδραση με τον πραγματικό κόσμο, αλλά η τυπική λογική τους είναι δύσκολη. Ωστόσο, η ανθρώπινη νοημοσύνη μπορεί να λειτουργήσει με τυπική λογική λειτουργία, μπορεί να μιμηθεί υπολογισμούς υπολογιστών. Ίσως, αλλά σε βάρος πολύ πιο «βαρέων» διαδικασιών. Για να διώξουν τους υπολογισμούς ενός απλού λογικού σχήματος, ενός απλού προγράμματος στον εγκέφαλο, εμπλέκονται μυριάδες σύντομοι ασαφείς κανόνες, οι οποίοι, στο συνδυασμό τους, δίνουν ένα αποτέλεσμα παρόμοιο με το έργο της αυστηρής λογικής. Και δεδομένου ότι αυτοί οι κανόνες δεν προορίζονται καθόλου για τυπική λογική, ο αριθμός τους που εμπλέκεται στην μίμηση της τυπικής λογικής θα είναι πολύ μεγαλύτερος από ό,τι για την αλληλεπίδραση με τον πραγματικό κόσμο. Και επομένως, διαφορετικά ζώα δεν είναι ικανά για λογική σκέψη, αυτό απαιτεί έναν εξελιγμένο ανθρώπινο εγκέφαλο. Αν και οι καθημερινές εργασίες που επιλύουν διαφορετικά ζώα είναι πέρα ​​από τη δύναμη ενός υπολογιστή.

Όμως τέτοιες «βαριές» διαδικασίες έχουν και ένα πλεονέκτημα. Συνίσταται στο γεγονός ότι ο εγκέφαλος μπορεί να παράγει νέες λογικές κατασκευές και προγράμματα υπολογιστών με υψηλός βαθμόςαληθοφάνεια, ενώ ένας απλός αλλά αποτελεσματικός αλγόριθμος μπορεί να κάνει τη δουλειά του μόνο χωρίς νόημα. Η πολυπλοκότητα των δομών παραγώγων είναι πολλές τάξεις μεγέθους μικρότερη από τον βαθμό των διεργασιών που αρχικά εμπλέκονται στον εγκέφαλο. Αυτή η διαφορά στην πολυπλοκότητα είναι που επιλύει την αντίφαση ότι οι αντιφατικές διανοητικές διαδικασίες δημιουργούν αληθινές λογικές κατασκευές. Εάν αυτή η διαφορά στην πολυπλοκότητα δεν ληφθεί υπόψη, τότε δεν υπάρχει τρόπος να καταλάβουμε από πού προέρχονται αυτές οι αληθινές κατασκευές.

Εργασίες που απαιτούν πολύπλοκες λογικές κατασκευές, ένα άτομο λύνει κυριολεκτικά με τη μέθοδο του "επιστημονικού σακί". Δηλαδή, βρείτε κάποια απλούστερη επιλογή, διώξτε τον υπολογισμό της στον εγκέφαλο, δείτε τις λάθος στιγμές, βρείτε την επόμενη (όχι απαραίτητα τη σωστή επιλογή), μιμηθείτε ξανά τον υπολογισμό και ούτω καθεξής. Με καλή εκπαίδευση, τέτοιες κατασκευές μετατρέπονται στην κατηγορία των γρήγορων αυτόματων ενεργειών που δεν απαιτούν τη συμμετοχή της συνείδησης (και, ωστόσο, η πολυπλοκότητά τους είναι ούτως ή άλλως τεράστια), θυμούνται τυπικές καταστάσεις και ξεκινούν φαίνομαιότι ο εγκέφαλος λειτουργεί σαν ένας κανονικός υπολογιστής (σύμφωνα με την τυπική λογική), αν και αυτό δεν συμβαίνει καθόλου.

Συμβαίνει επίσης όταν ο εγκέφαλος «σκυλίζει» για μεγάλο χρονικό διάστημα, «επιταχύνεται» για κάποια εργασία, υπάρχει ένας σελιδοδείκτης αρχικών δεδομένων, ανεπιτυχείς προσπάθειες, αόριστες προαισθήσεις και λαχταρίες ότι η αλήθεια είναι κάπου κοντά. Και μετά μπαμ, και μια λάμψη διορατικότητας, όλα μπαίνουν στη θέση τους και μια νέα αλήθεια γεννιέται. Μπορεί να φαίνεται ότι αυτή η αλήθεια γεννήθηκε ακαριαία και προήλθε από τις ανώτερες σφαίρες. Αλλά στην πραγματικότητα, το αποτέλεσμα είναι το ίδιο, μια λάμψη διορατικότητας είχε προηγηθεί μια μακρά και σκληρή δουλειά που περιελάμβανε, άλλαξε και δημιούργησε μυριάδες σύντομους και πιστευτούς κανόνες, προσπάθησε να τους συνδυάσει με κάποιο τρόπο, να εναρμονίσει, κυρίως ανεπιτυχώς. Και τώρα έρχεται η στιγμή που όλοι αυτοί οι κανόνες συνδυάζονται ήδη αρμονικά μεταξύ τους, συγχωνεύονται σε μια ενιαία αρμονική διαδικασία και όλοι μαζί δίνουν μια νέα αλήθεια.

Η τεχνητή νοημοσύνη, ακολουθώντας τέτοιες αρχές, θα μπορούσε κάλλιστα να προγραμματιστεί σε συμβατικούς υπολογιστές. Όπως είναι φυσικό, το πρόγραμμα αυτό θα έχει αρχικά στόχο την απροσδιοριστία και την παρουσία εσωτερικών αντιφάσεων. Ενώ τα υπάρχοντα προγράμματα υπολογιστή, αν και απροσδιόριστα και αντιφατικά, είναι γραμμένα σύγχρονα προγράμματαμε στόχο να γίνουν λιγότερο ακαθόριστα και λιγότερο αντιφατικά. Φυσικά, είναι καλύτερο για την τεχνητή νοημοσύνη να χρησιμοποιεί μια πιο αποτελεσματική αρχιτεκτονική που να επιτρέπει ένας μεγάλος αριθμός απόπαράλληλες και αλληλεπιδρώντες διαδικασίες. Για παράδειγμα, κβαντική ή οπτική. Οι ηλεκτρονικοί υπολογιστές ενός επεξεργαστή μπορούν επίσης να προγραμματιστούν ώστε να είναι έξυπνοι, αλλά είναι πιθανό να μην έχουν ισχύ.

Περισσότερα για τις «βαριές» διαδικασίες και την εναρμόνιση θα συζητηθούν λεπτομερώς αργότερα, και τώρα ας αρχίσουμε να σχεδιάζουμε τεχνητή νοημοσύνη.

Τούβλα νοημοσύνης

Ας ξεκινήσουμε υπενθυμίζοντας εν συντομία τι έχουμε ήδη καταλήξει σε αυτόν τον τομέα και τι λείπει. Όλα αυτά περιγράφονται αναλυτικά στα προηγούμενα μέρη. Σας το υπενθυμίζουμε για να καταλάβετε γιατί είναι έτσι και όχι διαφορετικά. Εξάλλου, ο ίδιος ο αλγόριθμος νοημοσύνης δεν είναι τόσο περίπλοκος, το κύριο πράγμα σε αυτόν είναι οι αρχές, πρέπει να καταλάβετε προς ποια κατεύθυνση να κινηθείτε και ποια αποτελέσματα να περιμένετε.

Γλώσσες προγραμματισμού... Υπάρχουν διαδικαστικά και κατηγόρημα. Στις διαδικαστικές γλώσσες, ένα πρόγραμμα γράφεται ως μια αυστηρή ακολουθία εντολών, μεταξύ των οποίων μπορεί να υπάρχουν άλματα υπό όρους.

Οι κατηγόριες γλώσσες έχουν ένα σύνολο ανεξάρτητων κανόνων, καθένας από τους οποίους έχει το δικό του πεδίο εφαρμογής. Ο εκτελεστής σε κατηγορηματικές γλώσσες ελέγχει όλους τους κανόνες συμμόρφωσης με την τρέχουσα κατάσταση και εφαρμόζει απαραίτητους κανόνεςπου αλλάζουν την κατάσταση (εσωτερική κατάσταση), και έτσι μπορούν να χτίσουν μακριές λογικές αλυσίδες από τους κανόνες. Φυσικά, αυτό είναι πιο δύσκολο για τον ερμηνευτή από την εκτέλεση ενός διαδικαστικού προγράμματος.

Οι διαδικαστικές γλώσσες είναι καλές όπου ο αλγόριθμος είναι γνωστός και απαιτεί γρήγορη και αποτελεσματική εφαρμογή... Οι κατηγόριες γλώσσες είναι καλές εκεί όπου απαιτείται η αποθήκευση της ανθρώπινης γνώσης, των λογικών κανόνων και στη συνέχεια η εξαγωγή συμπερασμάτων με βάση τη γνώση (για παράδειγμα, η αξιολόγηση διαφόρων καταστάσεων εισαγωγής). Είναι βολικό να προσθέσετε νέες γνώσεις σε αυτά, χωρίς να ξαναγράψετε ολόκληρο το πρόγραμμα ως σύνολο. Υπάρχουν μάλιστα τροποποιήσεις στις οποίες, μετά την εισαγωγή της νέας γνώσης, ολόκληρη η βάση γνώσης φέρεται σε συνεπή κατάσταση. Μέχρι πρόσφατα, οι κατηγορηματικές γλώσσες (όπως η Prolog) θεωρούνταν το μέλλον της τεχνητής νοημοσύνης.

Αλλά το γεγονός είναι ότι οι διαδικαστικές και οι κατηγορηματικές γλώσσες εκφράζονται αμοιβαία η μία στην άλλη και έχουν τα ίδια προβλήματα που ενυπάρχουν στους αλγόριθμους (επίσημα συστήματα, βλέπε παραπάνω και παρακάτω).

Πρώτον, αντιμετωπίζουμε το πρόβλημα της διακοπής. Ο αλγόριθμος μπορεί πάντα να περιπλανηθεί αναζητώντας μια λύση, αν και μπορεί να βρίσκεται κοντά, σε ένα γειτονικό κλάδο. Αλλά ο αλγόριθμος θα αντιστοιχεί σε ένα πλήρες και συνεπές επίσημο σύστημα. Αλλά δεν υπάρχει νόημα για εμάς (μέχρι στιγμής πιστεύουμε ότι δεν μπορούμε να κάνουμε έναν αιώνιο υπολογισμό σε έναν πεπερασμένο χρόνο). Εάν κάνουμε κάποιο είδος κλαδέματος «μακριών» κλαδιών, τότε ο αλγόριθμος θα γίνει πιο πρακτικός, αλλά θα χάσει την πληρότητα και τη συνέπεια, θα γίνει όχι αληθινός, αλλά εύλογος. Και εδώ δεν μιλάμε για το γεγονός ότι η πιθανότητα μιας λανθασμένης απόφασης θα αυξηθεί ελαφρώς, αλλά για το γεγονός ότι ο αλγόριθμος θα μπορεί να παράγει θεμελιωδώς λάθος αποφάσεις.

Δεύτερον, οι κανόνες κατηγορήματος που απαρτίζουν τις λογικές μονάδες είναι πολύ «στενοί». Στη φυσική νοημοσύνη, οι λογικές μονάδες έχουν ενεργοποιηθεί παραγγελίεςπερισσότερες συνθήκες εισόδου και αυτές οι είσοδοι επεξεργάζονται σύμφωνα με ασαφή κριτήρια. Επιπλέον, με μια τέτοια αναπαράσταση, η γνώση «αλείφεται», χάνει τη διαύγεια και τον φορμαλισμό της.

Η υπάρχουσα ασαφής λογική (υπάρχει μια τέτοια ενότητα στην επιστήμη) δεν είναι κατάλληλη για χρήση σε κατηγορηματικές γλώσσες, γι' αυτό. Οποιαδήποτε ασάφεια, όταν συναντά μια άλλη ασάφεια στο λογικό συμπέρασμα, μπορεί να δημιουργήσει πολλές εναλλακτικές επιλογές, διαφορετικές λογικές αλυσίδες. Επιπλέον, αυτές οι επιλογές μπορούν εύκολα να αναπτυχθούν σαν χιονοστιβάδα. Η υπάρχουσα ασαφής λογική, από όσο γνωρίζω, δεν έχει καμία σχέση με τον παραλληλισμό αλυσίδων ή τον συνδυασμό τους προς τα πίσω. Το μόνο που κάνει η ασαφής λογική είναι να λειτουργεί με τις ίδιες λογικές εκφράσεις, αλλά αντί για λογικό μηδέν και ένα, χρησιμοποιεί ένα πραγματικό εύρος από το μηδέν έως το ένα και αριθμητικές πράξεις για να συνδυάσει αριθμούς από αυτό το εύρος.

Υπάρχουν παραλλαγές της «σύνθετης» λογικής, στις οποίες όταν αντιστρέφεται το υπονοούμενο, προκύπτει μια αβεβαιότητα, η οποία εκφράζεται ως κάτι σαν φανταστική μονάδα και η οποία εμπλέκεται σε περαιτέρω υπολογισμούς, με δυνατότητα παραλληλισμού και συγχώνευσης αλυσίδων. Αλλά προς το παρόν, αυτό το θέμα απαιτεί περαιτέρω αποκάλυψη.

Τρίτον, δεν έχουμε έναν αλγόριθμο που θα μπορούσε να εκπαιδεύσει (δημιουργήσει) άλλους αλγόριθμους, απουσία ενός ατόμου, αλλά όταν υπάρχει ένα σύνολο καταστάσεων εκπαίδευσης (ένα αντιπροσωπευτικό σύνολο ζευγών σωστών τιμών εισόδου και εξόδου).

Συστήματα αναγνώρισης προτύπων... Κατάλληλο ως λογική μονάδα για την τεχνητή νοημοσύνη μας. Είναι σε θέση να ταξινομήσουν καλά την κατάσταση εισόδου και να δώσουν λύση στην έξοδο. Είναι αλήθεια, μόνο εάν δεν απαιτείται μακροπρόθεσμη επεξεργασία, αφού τέτοια συστήματα δεν έχουν εσωτερική μνήμη (καταστάσεις) και μετασχηματισμούς αυτής της κατάστασης, που είναι μάλλον ένα αντανακλαστικό ερεθίσματος-απόκρισης. Αλλά οι αναγνωριστές χειρίζονται τέλεια την ταξινόμηση. Μπορούν ακόμη και να χειριστούν περίπλοκες εικόνες (όπως η αναγνώριση ενός ατόμου από μια εικόνα προσώπου). Οι μέθοδοι εκπαίδευσης για συστήματα αναγνώρισης προτύπων είναι αποτελεσματικές και γνωστές. Εκπαιδευμένος σε ένα σύνολο γνωστών παραδειγμάτων, ο αναγνωριστής μπορεί να πιάσει κρυφά μοτίβα και να γενικεύσει ποιοτικά την εμπειρία σε άγνωστα παραδείγματα.

Αρχές μάθησης... Όταν γνωρίζετε το επιθυμητό αποτέλεσμα (αναφοράς) και το πραγματικό αποτέλεσμα του ευφυούς συστήματος, μπορείτε να υπολογίσετε το σφάλμα αυτού του συστήματος και να διορθώσετε το σύστημα έτσι ώστε να λειτουργεί προς τη σωστή κατεύθυνση.

Οι μέθοδοι διόρθωσης (εκπαίδευσης) είναι ακριβείς (ονομάζονται επίσης τοπικές) και καθολικές. Οι τοπικές μέθοδοι είναι ικανές να υπολογίζουν σφάλματα σε όλο το σύστημα και επομένως είναι γρήγορες και αποτελεσματικές. Οι παγκόσμιες μέθοδοι δεν ξέρουν πώς να το κάνουν αυτό, αλλάζουν κατά λάθος τις παραμέτρους ολόκληρου του συστήματος, βλέπουν πόσο επιτυχώς η αλλαγή έχει επηρεάσει τη λειτουργία του συστήματος και σε αυτή τη βάση αποφασίζουν εάν θα αποθηκεύσουν αυτήν την αλλαγή.

Η τοπική μέθοδος αναφέρεται στη μέθοδο gradient descent, όταν η κατεύθυνση του σφάλματος μπορεί να υπολογιστεί και να διαδοθεί από την είσοδο προς την αντίθετη κατεύθυνση σε ολόκληρο το σύστημα. Αυτή η μέθοδος, αν και είναι «μόνο» εύλογη, δίνει καλά αποτελέσματα στην πράξη, για παράδειγμα, για την εκπαίδευση πολυστρωματικών perceptrons (τα οποία συχνά ονομάζονται νευρωνικά δίκτυα). Αλλά δεν είναι πάντα εφαρμόσιμο (όπως άλλες τοπικές μέθοδοι), καθώς η δομή του σφάλματος και ο τρόπος διόρθωσής του μπορεί να μην είναι γνωστοί.

Αλλά έχουμε παγκόσμιες μεθόδους διδασκαλίας, έναν γενετικό αλγόριθμο και προσομοίωση ανόπτησης, είναι παμφάγες, αλλά πολύ άπληστοι για υπολογιστικούς πόρους. Μπορούν να λειτουργήσουν όταν σχεδόν τίποτα δεν είναι γνωστό σχετικά με τον τρόπο διόρθωσης του σφάλματος. Ο γενετικός αλγόριθμος είναι πιο αποτελεσματικός, ειδικά αν γνωρίζετε κάτι σχετικά με τη δομή του προβλήματος που επιλύεται.

Αρχή κλίμακας... Σημαίνει ότι με επαναλαμβανόμενη επανάληψη παρόμοιων διεργασιών ή συνδυασμό μεγάλου αριθμού παρόμοιων στοιχείων, μπορεί να επιτευχθεί ένα εξαιρετικά σταθερό (ή πολύ εύλογο) αποτέλεσμα. Ένα παρόμοιο στοιχείο / διαδικασία δεν σημαίνει παρόμοια κατά μέσο όρο, σημαίνει ότι τα στοιχεία μπορεί να έρχονται σε αντίθεση και να ανταγωνίζονται μεταξύ τους, μπορεί να είναι ασταθή, αλλά τελικά συνδυάζονται (εναρμονίζονται) σε μια λύση με υψηλό βαθμό αληθοφάνειας . Για παράδειγμα, στα λογικά κυκλώματα των υπολογιστών, όλα τα στοιχειώδη σωματίδια είναι ασταθή, αλλά ο χρόνος ημιζωής τους είναι είτε πολύ μεγάλος είτε ο αριθμός των σωματιδίων σε ένα λογικό στοιχείο είναι πολύ μεγάλος, έτσι ώστε η διάσπαση ενός μεμονωμένου σωματιδίου πρακτικά δεν δίνουν αστοχία σε λογικά κυκλώματα. Ένα άλλο παράδειγμα, στα τεχνητά νευρωνικά δίκτυα, μια ξεχωριστή νευρωνική σύνδεση έχει μικρή επίδραση στις αποφάσεις, οι ίδιες οι συνδέσεις μπορεί να είναι αντιφατικές, αλλά τελικά το νευρωνικό δίκτυο παράγει ως επί το πλείστον σωστές αποφάσεις.

Ας συνοψίσουμε. Έχουμε κατηγορηματικές γλώσσες που είναι κατάλληλες για σύνθετη συλλογιστική και επεξεργασία εσωτερικής κατάστασης. Υπάρχουν συστήματα αναγνώρισης προτύπων που μπορούν να χρησιμοποιηθούν ως λογικές μονάδες για κατηγόριες γλώσσες. Υπάρχουν παμφάγες μέθοδοι διδασκαλίας που ελπίζουμε να δημιουργήσουν αυτόματα (εκπαιδεύσουν) νέους αλγόριθμους. Υπάρχει μια αρχή κλίμακας, η οποία, με την απώλεια της πληρότητας και της συνέπειας, θα μας επιτρέψει να διατηρήσουμε υψηλή πιθανότητα των λύσεων τεχνητής νοημοσύνης μας.

Αλγόριθμος νοημοσύνης

Επιτρέψτε μου να υπενθυμίσω εν συντομία την ουσία του γενετικού αλγορίθμου. Υπάρχει μια τέτοια μέθοδος - τυχαία αναζήτηση. Μια τυχαία λύση δημιουργείται, αξιολογείται και μετά αλλάζει τυχαία. Εάν το αποτέλεσμα είναι καλύτερο, η απόφαση θυμάται. Στη συνέχεια ο κύκλος επαναλαμβάνεται. Αυτή η μέθοδος χρησιμοποιείται όταν δεν είναι σαφές πώς να υπολογιστεί η λύση "σύμφωνα με την επιστήμη". Χρειάζεται πολύς χρόνος. Και αν ξεκινήσετε έναν μεγάλο αριθμό παράλληλα διαφορετικές λύσεις? Για όσους από αυτούς προοδεύουν στην επιτυχία (η ποιότητα των λύσεων είναι καλή ή βελτιώνεται με την πάροδο του χρόνου ή σε σύγκριση με τους "γείτονες"), δημιουργούμε αντίγραφα-αντίγραφα και αλλάζουμε (τυχαία) αυτές τις περιπτώσεις επί πονηρού. Όσες από τις λύσεις φαίνονται άσχημες στο φόντο των άλλων ή δεν βελτιώνουν την ποιότητα της λύσης με την πάροδο του χρόνου, υποβάλλουμε αυτές τις περιπτώσεις σε όλο και περισσότερες τυχαίες αλλαγές ή διαγράφουμε εντελώς και στη θέση τους βάζουμε το τυχαίο που δημιουργήθηκε πρόσφατα λύσεις. Φυσικά, οι κακές αποφάσεις είναι λιγότερο πιθανό να διαδοθούν. Υπάρχει μια ακόμη λειτουργία (εφαρμόζεται επίσης τυχαία), όταν ένα κομμάτι δαγκώνεται από δύο διαφορετικά διαλύματα και αυτά τα δύο κομμάτια κολλούνται μεταξύ τους σε ένα νέο διάλυμα. Η διέλευση λέγεται. Όσο καλύτερη είναι η λύση, τόσο πιο πιθανό είναι να υποστεί διασταύρωση. Ως αποτέλεσμα, μπορεί κανείς να πηδήξει για να αποκτήσει μια λύση που έχει καλύτερο αποτέλεσμααπό τους δύο γονείς του. Αλλά μπορεί να συμβεί και αντίστροφα. Εάν η λύση αποδείχθηκε καλύτερη, τότε πολλαπλασιάζεται περαιτέρω, εάν είναι χειρότερη, τότε μια τέτοια λύση, με πολύ πιθανόαφαιρέθηκε. Μια τέτοια αναζήτηση είναι πιο αποτελεσματική όταν γνωρίζουμε τη δομή της λύσης και εφαρμόζουμε τις πράξεις τυχαίας αλλαγής (μετάλλαξης) και διασταύρωσης, όχι τεμαχίζοντας τη λύση με bit, αλλά λαμβάνοντας υπόψη αυτή τη δομή.

Λόγω του γεγονότος ότι οι λύσεις όχι μόνο διεξάγονται παράλληλα, αλλά συγκρίνονται και ανταλλάσσονται συνεχώς μεταξύ τους, μια τέτοια αναζήτηση δίνει ένα φανταστικό άλμα στην απόδοση σε σύγκριση με την τυχαία αναζήτηση και αποδεικνύεται ότι μπορεί να επιλύσει τα πιο δύσκολα προβλήματα. Φαίνεται ότι μια τυπική τυχαία λύση, κατά μέσο όρο, δεν είναι τίποτα ενδιαφέρον και η αποτελεσματικότητά της είναι εξαιρετικά χαμηλή. Αλλά μόλις πολλές λύσεις αρχίσουν να αλληλεπιδρούν μεταξύ τους, ένα άτυπο αποτέλεσμα (μια καλή λύση) εμφανίζεται γρήγορα και εξελίσσεται. Παρεμπιπτόντως, η Penrose συμβουλεύει τη μελέτη χαοτικών διαδικασιών κατά μέσο όρο, τη μελέτη τυπικών περιπτώσεων, τονίζοντας ότι εκτός από τυπικές περιπτώσεις δεν μπορούν να δημιουργήσουν τίποτα, κάτι που φυσικά είναι άδικο. Αυτή η αναζήτηση είναι μια απεικόνιση της αρχής της κλίμακας, μιας από τις τυπικές διαδικασίες εναρμόνισης.

Αυτός είναι ο λεγόμενος γενετικός αλγόριθμος, ο οποίος μπορεί να βρει αποτελεσματικές λύσεις σε διάφορους τομείς, όταν δεν είναι καν γνωστό πώς να βρεθεί η σωστή λύση «σύμφωνα με την επιστήμη». Ή δεν υπάρχει καθόλου τέτοιος «επιστημονικός» τρόπος, όπως συμβαίνει με την αυτόματη εγγραφή προγραμμάτων. Για την αποτελεσματικότητα του γενετικού αλγορίθμου, είναι πρωτίστως το γεγονός ότι η ζωή στη Γη (και μετά ο νους) εμφανίστηκε σύμφωνα με τέτοιες αρχές. Το γιατί είναι δυνατή μια τέτοια διαδικασία εναρμόνισης είναι το θέμα των επόμενων μερών.

Υπάρχει μια τέτοια κατεύθυνση στην τεχνητή νοημοσύνη - γενετικός προγραμματισμός. Κάθε λύση δεν είναι ένα σύνολο παραμέτρων, αλλά ένα ολόκληρο πρόγραμμα γραμμένο σε μια διαδικαστική γλώσσα προγραμματισμού. Με όλους τους βρόχους, τα άλματα υπό όρους και την εσωτερική κατάσταση σε μεταβλητές. Κατά συνέπεια, το αποτέλεσμα της απόφασης είναι το αποτέλεσμα της εκτέλεσης αυτού του προγράμματος. Για τη δημιουργία ενός προγράμματος, χρησιμοποιήθηκε ένας γενετικός αλγόριθμος, ο οποίος, από έναν μεγάλο αριθμό προγραμμάτων που δημιουργήθηκαν τυχαία, δημιούργησε ένα πρόγραμμα, ο καλύτερος τρόποςεπίλυση αυτού του προβλήματος. Σε εκείνο το άρθρο που είδα, το καθήκον ήταν να ελέγξω το τιμόνι του αυτοκινήτου. Εκείνοι. το αποτέλεσμα μιας απόφασης δεν είναι μια μεμονωμένη απάντηση σε μια εισαγωγή, αλλά μια διαδικασία που εκτείνεται με την πάροδο του χρόνου. Ο γενετικός αλγόριθμος πέτυχε και δημιούργησε ένα πρόγραμμα που έλεγχε σωστά το τιμόνι. Το έργο δεν είναι τόσο περίπλοκο, κάνουν κάτι παρόμοιο στα νευρωνικά δίκτυα (αν και υπάρχει ακόμα κάποια εσωτερική κατάσταση εκεί και οι κανόνες για την αλληλεπίδραση της κατάστασης με το δίκτυο γράφονται από ένα άτομο). Είναι όμως ενδεικτικό ότι το πρόγραμμα δημιουργήθηκε αυτόματα με εσωτερική κατάσταση, διαφορετικούς βρόχους και διακλαδώσεις.

Δυστυχώς, δεν παρακολούθησα την κατάσταση σε αυτό το θέμα και δεν μπορώ να σας πω κάτι άλλο. Οι ενδιαφερόμενοι μπορούν να αναζητήσουν τη φράση «γενετικός προγραμματισμός». Επομένως, περαιτέρω υπερβαίνουμε αυτά που μελετήσαμε και μπαίνουμε στον τομέα των υποθέσεων. Είναι πολύ πιθανό κάποιες από αυτές τις υποθέσεις να είναι ήδη γνωστές και ασχολούμαι με την εφεύρεση του τροχού. Αλλά εξακολουθεί να είναι ενδιαφέρον. :)

Ας δούμε ποιες ιδιότητες έχουν τα προγράμματα που λαμβάνονται με τον γενετικό αλγόριθμο. Τέτοια προγράμματα μπορεί να έχουν άπειρους (ή πολύ μεγάλους) βρόχους, επομένως η αξιολόγηση καταλληλότητας θα πρέπει να απορρίψει προγράμματα που εκτελούνται για πολύ μεγάλο χρονικό διάστημα χωρίς να παράγουν ορατό αποτέλεσμα... Η κίνηση, σε γενικές γραμμές, είναι σωστή, αλλά, δυστυχώς, πετάει δυνητικά ενδιαφέρουσες μακριές λογικές αλυσίδες (πώς να τις λάβετε υπόψη αργότερα). Επιπλέον, κατά τη διέλευση, οι κλάδοι του προγράμματος θα τεμαχιστούν αλόγιστα, δημιουργώντας συχνά χωρίς νόημα κώδικα. Και αν για μια απλή εργασία αυτό δεν είναι τόσο πρόβλημα, τότε για πιο σύνθετες εργασίες, είτε θα προκύψει ένας μεγάλος αριθμός ακατάλληλων λύσεων, επειδή η μικρότερη αλλαγή μπορεί να καταστρέψει εντελώς την απόδοση του προγράμματος και πιθανότατα θα είναι ελάχιστα χρήσιμη σε το τέλος. Ή το πρόγραμμα θα έχει μεγάλο αριθμό περιττών κλαδιών, «σκουπίδια» που αφάνταστα θα συνδυάζονται μεταξύ τους στη σωστή λύση. Αυτό το «σκουπίδι» στη διαδικασία της εξέλιξης για να μάθουν να επιβιώνουν από τις αλλαγές που εισάγονται, έτσι ώστε η αλλαγή να μην σπάσει μοιραία το πρόγραμμα. Αλλά σε κάθε περίπτωση, θα πρέπει να αποχαιρετήσουμε την ιδέα των "λεπτών" λογικών αλυσίδων, που θα αντιπροσωπεύουν τα ίδια ξεκάθαρα προγράμματα που γράφει ένα άτομο. Το αποτέλεσμα της αυτόματης εγγραφής προγραμμάτων θα απέχει πολύ από τέτοιες αλυσίδες. Φυσικά, θα εμφανιστούν αλγόριθμοι εξόρυξης δεδομένων που θα είναι σε θέση να ελαχιστοποιήσουν αυτόν τον αντιφατικό σωρό σε έναν καθαρό αλγόριθμο, αλλά αυτός ο σαφής αλγόριθμος, για περαιτέρω βελτίωση αυτόματη λειτουργία, θα χρειαστεί να το επαναφέρετε στην «λεσματωμένη» όψη (ή η επάλειψη θα γίνει από μόνη της, στη διαδικασία περαιτέρω εκπαίδευσης). Και υπάρχει η υποψία ότι ο αλγόριθμος που βγήκε με τη βοήθεια της εξόρυξης δεδομένων θα έχει μια πιο στενή "προοπτική" από την αρχική, "αλειφόμενη" εκδοχή του. Ένα παρόμοιο φαινόμενο περιγράφηκε στα προηγούμενα μέρη σχετικά με την αναγνώριση προτύπων.

Όπως θυμόμαστε, οι κατηγορηματικές γλώσσες είναι πιο ευέλικτες στις αλλαγές και προσαρμόζονται στην καταγραφή της ανθρώπινης γνώσης, επειδή δεν αποτελούνται από ένα άκαμπτο πλαίσιο του προγράμματος, αλλά από ανεξάρτητους κανόνες που ενεργοποιούνται αυτόματα όταν μια κατάλληλη κατάσταση (συνθήκες) λαμβάνει χώρα. Ένας γενετικός αλγόριθμος λειτουργεί πιο αποτελεσματικά εάν οι πράξεις λαμβάνουν υπόψη τη δομή της λύσης. Η γραφή σε μια διαδικαστική μορφή αναγκάζει τον γενετικό αλγόριθμο να τεμαχίσει χωρίς σκέψη το πρόγραμμα, δημιουργώντας πολλές μη εφαρμόσιμες παραλλαγές. Ως εκ τούτου, θα γράψουμε το πρόγραμμα σε κατηγόρημα και θα προσαρμόσουμε τον γενετικό αλγόριθμο για να λάβουμε υπόψη μια τέτοια δομή. Δηλαδή, διαφορετικά προγράμματα λύσεων θα μπορούν να ανταλλάσσουν όχι bits από bit, αλλά εντελώς ανεξάρτητους κανόνες. Οι τυχαίες αλλαγές θα λειτουργήσουν σε επίπεδο κανόνα. Επιπλέον, μέσα σε ένα πρόγραμμα, μπορείτε να έχετε διαφορετικό αριθμό κανόνων, ανεξάρτητα από τη σειρά. Και αυτοί οι κανόνες μπορεί να είναι πολύ παρόμοιος φίλοςσε έναν φίλο, και εντελώς διαφορετικό. Μπορείτε να πολλαπλασιάσετε και να διασταυρώσετε όχι μόνο τα ίδια τα προγράμματα, αλλά και τους κανόνες σε ένα πρόγραμμα. Και όλα αυτά επειδή όταν εκτελεστεί το πρόγραμμα, οι ίδιοι θα παραταχθούν στη σωστή αλυσίδα, επειδή ο εκτελεστής δεν περπατά ανόητα στους κλάδους του προγράμματος (όπως σε μια διαδικαστική γλώσσα), αλλά επιλέγει τους κανόνες σύμφωνα με την τρέχουσα κατάσταση ( κάθε κανόνας αλλάζει την κατάσταση).

Αλλά το πιο ενδιαφέρον πράγμα θα ήταν να γίνει η τράπεζα κανόνων κοινή για όλα τα προγράμματα. Σε αυτήν την περίπτωση, το πρόγραμμα θα αντιπροσώπευε δεδομένα σχετικά με τους κανόνες που προτιμά από τη γενική τράπεζα, και δεν αποκλείεται, πληροφορίες σχετικά με την προτιμώμενη ακολουθία εφαρμογής τους. Στην περίπτωση αυτή, τα κριτήρια απόδοσης μπορούν να εφαρμοστούν όχι μόνο σε προγράμματα, αλλά και σε κανόνες. Εξάλλου, κάθε κανόνας συνεισφέρει σε πολλά διαφορετικά προγράμματα και μπορείτε να υπολογίσετε πόσα από αυτά τα προγράμματα είναι επιτυχημένα και πόσα όχι. Και σε αυτή τη βάση, βγάλτε συμπεράσματα σχετικά με την αποτελεσματικότητα των κανόνων και, κατά συνέπεια, εξελίξτε όχι μόνο τα προγράμματα, αλλά και τους κανόνες (δηλαδή πολλαπλασιάστε, διασταυρώστε, αλλάξτε κατά λάθος τους ίδιους τους κανόνες). Τα κέρδη αποτελεσματικότητας προέρχονται από το γεγονός ότι παρόμοιοι κανόνες δεν επαναλαμβάνονται πλέον σε διαφορετικά προγράμματα, κάθε πρόγραμμα έχει πρόσβαση σε μια ευρύτερη τράπεζα κανόνων. Αλλά το πιο σημαντικό είναι ότι οι κανόνες αξιολογούνται μαζί, όταν διασταυρώνονται σε διαφορετικά προγράμματα, γεγονός που (πιθανώς) βελτιώνει δραματικά την ποιότητα της αξιολόγησης και την εξέλιξη των κανόνων.

Έτσι, πήραμε την απλούστερη έκδοση της τεχνητής νοημοσύνης, η οποία είναι αρκετά εφαρμόσιμη σε διαφορετικά παιχνίδια, συμπεριλαμβανομένου υπολογιστών, εξειδικευμένων συστημάτων και συστημάτων ελέγχου διεργασιών. Αυτό είναι επίσης κατάλληλο για τη μοντελοποίηση διεργασιών μαύρου κουτιού με εσωτερική μνήμη, αντί για μοντέλα Markov (αυτές είναι διεργασίες στις οποίες μπορείτε να δείτε τι υπάρχει στην είσοδο και την έξοδο, αλλά η εσωτερική κατάσταση και οι διαδικασίες είναι ακατανόητες, ένα μαύρο κουτί κατά τη γνώμη μας ).

Εδώ μπορεί να προκύψει μια λογική πρόταση ότι ο γενετικός αλγόριθμος θα μπορούσε να χωρίσει κομμάτια του προγράμματος σε ανεξάρτητες υπορουτίνες και να λάβει υπόψη τη δομή τους κατά την αλλαγή του προγράμματος. Για τη διαδικαστική γραφή, αυτό μπορεί να αυξήσει την αποτελεσματικότητα, αλλά και πάλι δεν εξαλείφει τα εγγενή μειονεκτήματά του, επειδή εξακολουθείτε να χρειάζεστε μια άκαμπτη ακολουθία εντολών, δηλώσεων υπό όρους και βρόχους, που μπορεί να σπάσουν από μια τυχαία αλλαγή. Στον συμβολισμό κατηγορήματος, οι διαδικασίες αυτές καθαυτές δεν υπάρχουν καθόλου. Αλλά από την άλλη πλευρά, είναι δυνατό να χωριστεί η παγκόσμια κατάσταση σε ένα σύνολο ιεραρχικών καταστάσεων και σε μια ακολουθία καταστάσεων, έτσι ώστε μόνο το δικό του σύνολο κανόνων να ασχολείται με κάθε υποκατάσταση. Βραχυπρόθεσμα, μια τέτοια κατάτμηση θα πρέπει να αυξήσει την αποτελεσματικότητα του γενετικού αλγορίθμου. Αλλά το γεγονός είναι ότι στην πραγματική νοημοσύνη η αλληλεπίδραση των κανόνων είναι πιο σύνθετης φύσης, στην οποία μια τέτοια διαίρεση είναι και εγγενής και όχι εγγενής. Επομένως, επιβάλλοντας μια τέτοια διαίρεση της κατάστασης, βραχυπρόθεσμα μπορούμε να έχουμε οφέλη, αλλά στο μέλλον θα παρεμβαίνει. Περισσότερα για αυτό αργότερα.

Τεχνητή νοημοσύνη, έκδοση 2.0

Σε κατηγορηματικές γλώσσες (όπως η Prolog), δεν υπάρχει σειρά βημάτων σε ένα πρόγραμμα. Υπάρχει μόνο ένα σύνολο κανόνων και η σειρά για την εφαρμογή αυτών των κανόνων δεν ορίζεται αρχικά με κανέναν τρόπο.

Μοιάζει με αυτό:
κανόνας n: αποτέλεσμα εάν συνθήκη?
κανόνας m: αποτέλεσμα εάν συνθήκη?
και τα λοιπά.

Η συνθήκη μπορεί να είναι αρκετά περίπλοκη, συμπεριλαμβανομένων τόσο των απλούστερων εκφράσεων όσο και άλλων κανόνων, συμπεριλαμβανομένης της αμοιβαίας αναδρομικής εφαρμογής. Το αποτέλεσμα της εκτέλεσης ενός κανόνα είναι επίσης μια σύνθετη συνθήκη, η οποία μπορεί να υποδεικνύει τόσο την τελική κατάσταση όσο και μέρος της συνθήκης για τον έλεγχο της εφαρμογής άλλων κανόνων (και της ίδιας). Αυτά τα αποτελέσματα είναι ξεκάθαρα και ξεκάθαρα.

Δεν υπάρχει παγκόσμια κατάσταση κατά την εκτέλεση ενός προγράμματος κατηγόρησης. Υπάρχει μια αρχική συνθήκη, υπό την οποία ο διερμηνέας αναζητά τον πρώτο κανόνα που βρίσκει με μια κατάλληλη συνθήκη, το αποτέλεσμα αυτού του κανόνα προστίθεται στην αρχική συνθήκη. Η αναζήτηση κατάλληλου κανόνα για τη νέα κατάσταση επαναλαμβάνεται. Το αποτέλεσμα είναι μια αλυσίδα συμπερασμάτων που μπορεί να οδηγήσει σε έναν κανόνα που υποδηλώνει την επίτευξη του τελικού αποτελέσματος. Εάν ο διερμηνέας εξαντληθεί από όλες τις διαθέσιμες αλυσίδες, τότε θα αρχίσει να γυρίζει πίσω, για κάθε κύκλο αναζητώντας τον επόμενο κατάλληλος κανόναςκατασκευή νέων αλυσίδων.

Σημειώστε ξανά ότι μια κατάσταση (κατάσταση) είναι μια αρχική συνθήκη συν μια αλυσίδα εφαρμοζόμενων κανόνων. Κατά την επαναφορά, η αλυσίδα των εφαρμοζόμενων κανόνων αλλάζει ανάλογα.

Όταν αλυσιδωτές κανόνες, ο διερμηνέας μπορεί κάλλιστα να πέσει σε μια ατελείωτη αναζήτηση, αν και η λύση μπορεί να είναι κοντά. Επομένως, εάν ο διερμηνέας είναι «έξυπνος», τότε μπορεί είτε να αναγνωρίσει τις θέσεις του πιθανού βρόχου, είτε να διεξάγει πολλές αλυσίδες αποφάσεων παράλληλα, επιλέγοντας από αυτές στο τέλος αυτή που θα οδηγήσει στην τελική κατάσταση πιο γρήγορα. Από την άλλη πλευρά, το άτομο που γράφει το σύνολο κανόνων πρέπει να φροντίσει να ελαχιστοποιήσει την πιθανότητα ενός βρόχου.

Για παράδειγμα, ένα πρόβλημα με ιεραπόστολους και κανίβαλους, όταν σε ένα σκάφος πρέπει να μεταφέρετε ένα πλήθος ιεραπόστολων και κανίβαλων στην άλλη πλευρά. Το σκάφος μπορεί να φιλοξενήσει μόνο δύο άτομα. Αν υπάρχουν περισσότεροι κανίβαλοι στην ακτή από ιεραπόστολους, τότε οι ιεραπόστολοι θα φαγωθούν. Κατά την επίλυση ενός προβλήματος σε μια κατηγορημένη γλώσσα, οι αποδεκτές καταστάσεις γράφονται έτσι ώστε να μην τρώγονται οι ιεραπόστολοι (συμπεριλαμβανομένων των αναδρομικών) και οι επιτρεπτές κινήσεις του σκάφους (θα πρέπει πάντα να υπάρχουν ένα ή δύο άτομα στη βάρκα). Στη συνέχεια, ο ίδιος ο διερμηνέας χτίζει ένα δέντρο με εφικτές αποφάσεις μέχρι να φτάσει σε μια κατάσταση όπου ολόκληρο το πλήθος βρίσκεται στην άλλη πλευρά. Η αλυσίδα των κανόνων σε αυτή την περίπτωση φέρει την ακολουθία της μεταφοράς ιεραποστόλων και κανίβαλων κατά μήκος του ποταμού.

Δεδομένου ότι οι κανόνες συνδέονται σαφώς μεταξύ τους στη διαδικασία εύρεσης λύσης, σε κατηγορηματικές γλώσσες, ήδη στο επίπεδο κανόνων, τίθεται μια ιεραρχία και μια ακολουθία εφαρμογής τους, κάτι παρόμοιο με την ομαδοποίηση σε διαδικασίες σε διαδικαστικές γλώσσες. Αλλά μόλις κάνουμε την αλυσίδα μεταξύ των κανόνων λιγότερο σαφή, αυτή η ομαδοποίηση χάνεται. Και το πώς ακριβώς θα προκύψει εκ νέου (ή πώς να το βοηθήσουμε να σχηματιστεί) είναι ήδη ένα νέο ερώτημα.

Στις κατηγορηματικές γλώσσες, δεν υπάρχουν βρόχοι, δεν υπάρχουν άλματα υπό όρους, δεν υπάρχουν σκληρά κωδικοποιημένες ακολουθίες ενεργειών. Ο ερμηνευτής πάντα «ξέρει» τι πρέπει να κάνει, γιατί επιλέγει το επόμενο βήμα για την τρέχουσα κατάσταση. Ο ερμηνευτής επιλέγει μόνο ένα βήμα, γιατί στο επόμενο βήμα θα αξιολογήσει την αλλαγμένη κατάσταση και θα επιλέξει ένα νέο βήμα, ανεξάρτητα από το πόσο απροσδόκητα αλλάζει η κατάσταση. Αυτό θα βοηθήσει επίσης τον ερμηνευτή να ξεφύγει εάν μέρος του προγράμματός του απέτυχε ή πήρε τη λάθος απόφαση. Αντί να πέσει καταστροφικά προς τη λάθος κατεύθυνση, ο ερμηνευτής θα αξιολογήσει για άλλη μια φορά την κατάσταση και, πιθανότατα, το επόμενο βήμα θα βελτιώσει αυτή την κατάσταση.

Φυσικά, οι διαδικασίες που εμπλέκονται είναι πολύ πιο εντατικές υπολογιστικά από τη διαδικαστική σύνταξη του προγράμματος. Και στην αρχική τους μορφή στις κατηγορηματικές γλώσσες, δεν είναι όλα τόσο ομαλά όπως περιγράφηκε στην προηγούμενη παράγραφο.

Το μειονέκτημα των κατηγορηματικών γλωσσών είναι ότι το πεδίο εφαρμογής των κανόνων είναι πολύ στενό και παρατάσσονται σε πολύ μεγάλες αλυσίδες. Στη νοημοσύνη, από την άλλη πλευρά, επικρατούν σύντομες αλυσίδες συμπερασμάτων, στις οποίες μια λογική μονάδα αξιολογεί ένα πολύ ευρύ φάσμα συνθηκών εισόδου, επιπλέον, σύμφωνα με ασαφή και μη γραμμικά κριτήρια.

Επομένως, το επόμενο βήμα στην οικοδόμηση της τεχνητής νοημοσύνης είναι η αντικατάσταση των στενών σαφών κανόνων με ασαφείς και ευρείς κανόνες και η συντομότερη της αλυσίδας συμπερασμάτων.

Αρχικά, ας φτιάξουμε την καθολική κατάσταση του προγράμματος (μια συνηθισμένη σειρά αριθμών). Μέρος αυτού του πίνακα είναι δεδομένα εισόδου. Ενημερώνονται τακτικά εξωτερικά. Το αν θα επιτραπεί στο πρόγραμμα να τα αλλάξει δεν είναι θέμα αρχής, το κυριότερο είναι ότι ενημερώνονται τακτικά. Μέρος αυτού του πίνακα είναι η εσωτερική κατάσταση του προγράμματος. Το υπόλοιπο είναι έξοδος. Τα εσωτερικά και τα κελιά εξόδου διαφέρουν μόνο στο ότι η λύση διαβάζεται από τα κελιά εξόδου. Τόσο οι είσοδοι όσο και οι έξοδοι χρησιμοποιούνται πάντα για την εγγραφή / ανάγνωση της ίδιας παραμέτρου. Για παράδειγμα, είσοδος # 1 - ταχύτητα, είσοδος # 2 - αισθητήρας καυσίμου, έξοδος # 3 - αλλαγή της θέσης του πηδαλίου, έξοδος # 4 - αλλαγή της ταχύτητας. Εκχωρούμε αριθμούς αυθαίρετα, στη διαδικασία εκμάθησης το ίδιο το πρόγραμμα πρέπει να μάθει να κατανοεί πού είναι η είσοδος και η έξοδος.

Για τη βάση του κανόνα, πάρτε, για παράδειγμα, ένα πολυστρωματικό perceptron (το οποίο συχνά ονομάζεται απλά ένα νευρωνικό δίκτυο). Σημειώστε ότι ο αλγόριθμος για την εκπαίδευση ενός τέτοιου νευρωνικού δικτύου εντός του προγράμματος είναι ακόμα άγνωστος σε εμάς. Θα έχουμε πολλά τέτοια νευρωνικά δίκτυα. Μαζί θα αποτελέσουν ένα σύνολο κανόνων προγράμματος. Κάθε νευρωνικό δίκτυο λαμβάνει ολόκληρη την παγκόσμια κατάσταση του προγράμματος ως είσοδο (ο αριθμός των εισόδων είναι ίσος με τον αριθμό των κελιών κατάστασης). Το νευρωνικό δίκτυο έχει λίγες εξόδους. Κάθε έξοδος αντιστοιχεί επίσης σε ένα από τα κελιά κατάστασης. Σε κάθε επανάληψη, η έξοδος κάθε νευρωνικού δικτύου προστίθεται στην καθολική κατάσταση (η έξοδος μπορεί να είναι αρνητική). Όλα τα δίκτυα ανακρίνονται ταυτόχρονα με βάση την τρέχουσα κατάσταση και δημιουργούν μια νέα κατάσταση από τη συνολική τους επίδραση.

Ο αριθμός των εξόδων και η εκχώρηση τους για κάθε δίκτυο επιλέγεται αρχικά τυχαία. Κατασκευάζουμε τις εξελικτικές αλλαγές με τέτοιο τρόπο ώστε στις περισσότερες περιπτώσεις να αφήνουν αμετάβλητη την εναλλαγή μεταξύ των κυττάρων της παγκόσμιας κατάστασης και των εισροών/εξόδων του νευρωνικού δικτύου. Και μόνο με μια μικρή πιθανότητα, οι αλλαγές μπορούν να αναδιατάξουν την είσοδο ή την έξοδο του δικτύου σε άλλη κυψέλη. Αυτό είναι απαραίτητο γιατί μέχρι στιγμής πιστεύουμε ότι κάθε κύτταρο είναι μια συγκεκριμένη παράμετρος (ακόμα κι αν είναι εσωτερική), επομένως, εάν αλλάξουμε την είσοδο / έξοδο του δικτύου σε μια άλλη παράμετρο, στην οποία δεν είναι συνηθισμένος, τότε η το αποτέλεσμα θα είναι μάλλον ανεπιτυχές. Δυστυχώς, με έναν τέτοιο ελιγμό, χάνουμε πάλι κάποιους ενδιαφέρουσες ιδιότητεςπραγματική ευφυΐα, αλλά έχουμε αποτελεσματικότητα αυτή τη στιγμή. Θα επιστρέψουμε σε αυτά τα ακίνητα αργότερα.

Κατά τη διάρκεια της εξέλιξης, ο αριθμός των κυττάρων στην παγκόσμια κατάσταση μπορεί επίσης να αλλάξει. Στη συνέχεια, όλα τα νευρωνικά δίκτυα προσαρμόζονται ανάλογα. Εάν τα κύτταρα κλωνοποιηθούν, τότε οι αντίστοιχες είσοδοι και έξοδοι των νευρωνικών δικτύων κλωνοποιούνται. Εάν διαγραφούν κελιά, τότε οι αντίστοιχες είσοδοι / έξοδοι διαγράφονται από όλα τα δίκτυα.

Υπάρχουν επίσης εξελικτικές αλλαγές που μπορούν να αυξήσουν ή να μειώσουν τον αριθμό των εξόδων ενός μεμονωμένου νευρωνικού δικτύου.

Πώς ακριβώς θα παράγει μια λύση ένα πρόγραμμα που αποτελείται από ένα σύνολο τέτοιων νευρωνικών δικτύων; Πιο συγκεκριμένα, πώς, μετά την επόμενη επανάληψη, να καταλάβουμε ότι το πρόγραμμα έχει πάρει την απόφασή του και να διαβάσουμε αυτήν την απόφαση από τα κελιά εισόδου; Αυτή είναι επίσης μια ενδιαφέρουσα ερώτηση που απαιτεί πειραματισμό. Οι πρώτες εκτιμήσεις είναι οι εξής. Οι τιμές εξόδου σταθεροποιούνται. Ή υπάρχουν ειδικές έξοδοι που σηματοδοτούν ότι η απάντηση είναι έτοιμη. Αυτές οι έξοδοι αυτορυθμίζονται στη διαδικασία της εξέλιξης.

Μετά την αφαίρεση των αποφάσεων, το πρόγραμμα θα πρέπει να λειτουργήσει περαιτέρω και, πιθανότατα, να ξεκινήσει από την εσωτερική του κατάσταση. Πώς να την ωθήσει σε περαιτέρω δουλειά, επειδή το πρόγραμμα έχει σταθεροποιηθεί σε μια συγκεκριμένη λύση; Πρώτον, αφού αφαιρεθεί η απόφαση, τα κελιά εισόδου θα αντικατασταθούν με τα πραγματικά δεδομένα (πιστεύουμε ότι ενώ το δίκτυο λαμβάνει μια απόφαση, τα δεδομένα εισόδου ουσιαστικά δεν έχουν αλλάξει). Δεύτερον, μπορείτε να δημιουργήσετε ένα ειδικό κελί εισόδου στο οποίο θα τοποθετήσετε έναν μεγάλο αριθμό στην αρχή της επανάληψης. Επιπλέον, υπάρχει είτε η ίδια για να μάθει πώς να αλλάζει αυτόν τον αριθμό είτε μπορείτε να τον μειώσετε από έξω, αφήνοντας το δίκτυο να καταλάβει ότι ο χρόνος περνάει. Γενικά, υπάρχουν αρκετές ιδέες για πειράματα.

Τώρα μια εξήγηση του γιατί συμβαίνει αυτό.

Πρώτα απ 'όλα, εγκαταλείψαμε τη δημιουργία αλυσίδων κανόνων και αναγκάσαμε κάθε κανόνα να γράψει το αποτέλεσμα της δουλειάς του σε ένα παγκόσμιο κράτος. Κάνοντας αυτό, καταστήσαμε αδύνατη τη δημιουργία μακρών αλυσίδων απόσυρσης και επαναπροώθησης, αλλά λάβαμε μια ταχύτερη απόκριση και μια ευρεία και ασαφή αξιολόγηση της κατάστασης. Σημειώστε ότι η παράλληλη επεξεργασία πολλών παραλλαγών, όπου κάθε παραλλαγή έχει τη δική της παγκόσμια κατάσταση, δεν έχει καταλήξει πουθενά. Αλλά δεν έχουμε τόσο ευρεία διακλάδωση όπως στον αρχικό ερμηνευτή κατηγορήματος. Εάν προσπαθούσαμε να διακλαδίσουμε τις αλυσίδες συμπερασμάτων σε ευρείες ασαφείς κανόνες, τότε ο αριθμός των επιλογών θα έφευγε καταστροφικά από την κλίμακα ακόμη και στα πρώτα στάδια της δημιουργίας μιας λύσης.

Ως αποτέλεσμα, πήραμε κάτι εντελώς διαφορετικό, αν και φαίνεται να μοιάζει με το αρχικό συμπέρασμα για τα κατηγορήματα. Αυτό το κάτι δεν είναι πλέον ικανό να κατασκευάσει περίπλοκα και ξεκάθαρα συμπεράσματα, αλλά είναι ικανό να δρα σε ένα πολύπλοκο, ταχέως μεταβαλλόμενο περιβάλλον, και έχει ακόμη και κάποιες αρχές ενός εύλογου λογικού συμπεράσματος, κάτι που η αρχική έκδοση δεν μπορεί να κάνει. Ωστόσο, το συμπέρασμα περίπλοκων και σαφών συμπερασμάτων θα μας επιστρέψει με απροσδόκητο τρόπο, στο μεταξύ, η νοημοσύνη που προκύπτει θα είναι χωρίς αυτήν.

Ωστόσο, το κάτι που προκύπτει μπορεί να λύσει λογικά προβλήματα (όπως το να παίζει σκάκι) με τον δικό του τρόπο, παρόμοιο με το πώς το κάνει ένα άτομο. Αυτό το είδος σκέψης μπορεί να ονομαστεί περιστασιακή. Δεν ξεκινά από την κατασκευή μακριών λογικών αλυσίδων, αλλά από την αξιολόγηση του ποια είναι η τρέχουσα κατάσταση και πώς μπορεί να αλλάξει αυτή η κατάσταση. Η κατάσταση περιλαμβάνει τόσο εξωτερικά δεδομένα όσο και εσωτερική κατάσταση, αυτό που το σύστημα έχει «αποφασίσει» μέχρι την τρέχουσα στιγμή. Η αξιολόγηση και η λήψη αποφάσεων για το πού να προχωρήσουμε περαιτέρω διεξάγονται κάθεβήμα, σε αντίθεση με τους διαδικαστικούς αλγόριθμους και τα συμπεράσματα, τα οποία μπορούν να θάψουν σε μακροσκελή συλλογισμό, να πέφτουν εκτός πραγματικότητας. Επομένως, τυχαίες αλλαγές σε ένα τέτοιο πρόγραμμα δεν θα είναι μοιραίες για την απόδοση, σε αντίθεση με ένα διαδικαστικό αρχείο. Ακόμα κι αν μπει σε μια ακατανόητη κατάσταση ή κάνει λάθος, ένα τέτοιο πρόγραμμα δεν θα πέσει σε λήθαργο, αλλά θα προσπαθήσει να κάνει κάτι, επειδή δεν εμπλέκεται ένας μικρός κλάδος του αλγορίθμου στην αξιολόγηση της κατάστασης, αλλά ολόκληρο το σύνολο των κανόνων. Και ακόμα κι αν το πρόγραμμα κάνει χαοτικές ρίψεις στην αρχή, αργά ή γρήγορα θα βρεθεί σε μια οικεία κατάσταση και θα μπορέσει να το γυρίσει στη σωστή κατεύθυνση.

Η περιστασιακή σκέψη βασίζεται σε τρία πράγματα. Πρώτον, είναι μια γενίκευση της κατάστασης σε μια οικεία περίπτωση (όπως στα συστήματα αναγνώρισης προτύπων). Για παράδειγμα, από την ποικίλη διάταξη των κομματιών στη σκακιέρα, το σύστημα σκέψης βρίσκει κάτι κοινό, δίνει μια αξιολόγηση της κατάστασης, υπάρχει κίνδυνος για τα πιόνια του, υπάρχει πιθανότητα να κάνει μια επίθεση χωρίς απώλεια, τότε εκεί μπορεί να είναι πιο συγκεκριμένες καταστάσεις-συνδυασμοί. Το δεύτερο είναι η εμπειρία (μια βιβλιοθήκη σύντομων εύλογων κανόνων που εφαρμόζονται για να αλλάξουν μια κατάσταση προς το καλύτερο χωρίς μακρά συμπεράσματα). Με βάση την αξιολόγηση της κατάστασης, προτείνονται εναλλακτικές λύσεις για την αλλαγή αυτής της κατάστασης, για παράδειγμα, πρόχειρα δεδομένα για τον τρόπο μετακίνησης των κομματιών. Ο αναλυτής μεταφράζει αυτά τα κατά προσέγγιση δεδομένα στις σωστές κινήσεις των κομματιών στη σκακιέρα (αν δεν μπορούν να βρεθούν οι σωστές κινήσεις, τότε λαμβάνεται η επόμενη εναλλακτική). Παρόμοιες καταστάσεις (και, κατά συνέπεια, λύσεις για αυτές) μπορούν να συμβούν σε οποιοδήποτε στάδιο του παιχνιδιού και παίρνουμε αμέσως μια λύση για αυτές, χωρίς μεγάλη απαρίθμηση επιλογών για διάφορες κινήσεις. Ναι, αυτές οι επιλογές είναι "απλώς" εύλογες, αλλά περιλαμβάνουν πλούσια εμπειρία από πραγματικά πάρτι και είναι αρκετά εφαρμόσιμες σε νέα πάρτι. Επιπλέον, αυτές οι καταστάσεις περιλαμβάνουν κάποια γνώση για το πώς το παιχνίδι θα αναπτύξει πολλές κινήσεις μπροστά, αλλά όχι στο επίπεδο των κινούμενων κομματιών, αλλά στο επίπεδο της αλλαγής της τακτικής κατάστασης (που μπορεί να περιλαμβάνει ατελείωτους κύκλους, όπως η διατήρηση της ισορροπίας για την επίτευξη ισοπαλίας )... Και αν, ωστόσο, οδηγήσουν σε απώλεια, τότε η βιβλιοθήκη θα συμπληρωθεί με νέους κανόνες που θα λειτουργήσουν στην κατάστασή τους. Τρίτον, αυτός είναι ένας εσωτερικός έλεγχος μιας πιθανής λύσης αρκετά βήματα προς τα εμπρός (δηλαδή, για να καταλήξουμε σε κάτι και στη συνέχεια να καταλάβουμε πόσο καλά θα αλλάξει την κατάσταση, διατηρώντας αρκετές εναλλακτικές λύσεις, το σύστημά μας δεν ξέρει ακόμα πώς να το κάνει αυτό , δίνει μόνο μία επιλογή, αλλά θα υπάρξουν περισσότερα σχετικά).

Παρεμπιπτόντως, ίσως αναρωτηθήκατε, όταν μελετάτε τα νευρωνικά δίκτυα, πώς να τα κάνετε να λειτουργούν όχι μόνο με βάση τα δεδομένα εισόδου, αλλά και να τα διδάξετε να αφομοιώνουν την εσωτερική κατάσταση και να εκτελούν πολύπλοκα προγράμματα; Ήταν ενδιαφέρον για μένα. Είναι αλήθεια ότι για πολύ καιρό, ποτέ δεν βρήκα κάτι αξιόλογο πώς να εκπαιδεύσω ένα τέτοιο δίκτυο. Αλλά τώρα υπάρχει μια απάντηση από μια ελαφρώς διαφορετική πλευρά.

Γιατί φτιάξαμε πολλά νευρωνικά δίκτυα, αντί για ένα μεγάλο, που θα μπορούσε να ενημερώσει ολόκληρη την κατάσταση; Το γεγονός είναι ότι για να λειτουργεί αποτελεσματικά ο γενετικός αλγόριθμος, είναι επιθυμητό να υπάρχει ένα σύνολο ανεξάρτητων κανόνων, καθένας από τους οποίους θα είναι υπεύθυνος για κάποια συγκεκριμένη (αν και κρυφή από την κατανόησή μας) δράση. Επιπλέον, τέτοιοι κανόνες μπορούν να ανταλλάσσονται μεταξύ προγραμμάτων, να δημιουργούν διαφορετικά σύνολα προγραμμάτων από αυτά, να αλλάζουν και να κλωνοποιούν μεμονωμένους κανόνες, ακόμη και να σχηματίζουν μια βιβλιοθήκη με τους πιο επιτυχημένους (ή ακόμα και μελλοντικές βιβλιοθήκες) κανόνων. Θα είναι δύσκολο να γίνει αυτό με ένα μεγάλο νευρωνικό δίκτυο. Επιπλέον, για τα συμβατικά νευρωνικά δίκτυα, οι συλλογικότητες τείνουν να τα πάνε καλύτερα από τα συμβατικά νευρωνικά δίκτυα.

Για παρόμοιους λόγους, κάθε νευρωνικό δίκτυο έχει μόνο μικρό αριθμό εξόδων. Εκείνοι. κάθε κανόνας είναι ικανός να πάρει τη δική του μικρή απόφαση. Αλλά ταυτόχρονα, κάθε δίκτυο έχει εισροές από ολόκληρη την πολιτεία, με την προσδοκία να έχει μια συνολική εικόνα της κατάστασης, αλλά ταυτόχρονα να μην ανταποκρίνεται στις περισσότερες περιπτώσεις που δεν σχετίζονται με το πεδίο εφαρμογής ενός συγκεκριμένου κανόνα. Κάθε δίκτυο πρέπει να το μάθει αυτό στη διαδικασία της εξέλιξης. Επομένως, ακόμη και όταν επηρεάζετε το παγκόσμιο κράτος, θα λειτουργήσουν ακριβώς αυτοί οι κανόνες που ισχύουν στην τρέχουσα κατάσταση. Μπορεί κάλλιστα ο αριθμός των συμμετοχών να είναι επίσης περιορισμένος, για αυτό το σκορ δεν έχω σκέψεις, μόνο ένα πείραμα θα βοηθήσει εδώ.

Ως αποτέλεσμα, μετά την εκπαίδευση, θα πρέπει να λάβετε ένα πρόγραμμα που αποτελείται από ένα σύνολο νευρωνικών δικτύων. Το πρόγραμμα ξεκινά από την αρχική κατάσταση, στην οποία έχουν οριστεί τα κελιά εισόδου, τα υπόλοιπα κελιά μπορούν να μηδενιστούν (ή να έχουν μικρές τυχαίες τιμές). Σε κάθε επανάληψη, η καθολική κατάσταση παρέχεται στην είσοδο όλων των δικτύων, υπολογίζεται το αποτέλεσμα της λειτουργίας όλων των δικτύων και η έξοδος όλων των δικτύων προστίθεται αμέσως στην καθολική κατάσταση. Έρχεται η επόμενη επανάληψη. Μπορείτε να καταλάβετε ότι η λύση είναι έτοιμη, για παράδειγμα, από το γεγονός ότι οι τιμές εξόδου έχουν σταθεροποιηθεί ή ένα σήμα έχει σταλεί σε μια ειδική έξοδο, που σηματοδοτεί ότι η λύση είναι έτοιμη. Μετά από αυτό, διαβάζονται οι τιμές εξόδου, φορτώνονται νέες τιμές εισόδου και το πρόγραμμα συνεχίζει να λειτουργεί με τα ενημερωμένα δεδομένα.

Αυτό το πρόγραμμα δημιουργείται αυτόματα χρησιμοποιώντας έναν γενετικό αλγόριθμο. Το κυριότερο είναι ότι έχουμε τουλάχιστον κάποιο κριτήριο για την αξιολόγηση της αποτελεσματικότητας των προγραμμάτων που λαμβάνονται (δηλαδή, είναι ένα πρόγραμμα καλύτερο από ένα άλλο) και αυτό αρκεί για να λειτουργήσει ο γενετικός αλγόριθμος. Για εργασίες του πραγματικού κόσμου, συνήθως υπάρχει ένα τέτοιο κριτήριο. Αυτά μπορεί να είναι σύνολα παραδειγμάτων εργασίας που θεωρούνται καλά και κακά για διαφορετικές καταστάσεις (τα συστήματα αναγνώρισης προτύπων μαθαίνουν επίσης από παραδείγματα). Έχοντας μάθει από γνωστά παραδείγματα, το πρόγραμμα, όπως και τα συστήματα αναγνώρισης προτύπων, θα μπορεί να γενικεύει την εμπειρία του σε άγνωστα παραδείγματα, συμπεριλαμβανομένης μιας τέτοιας γενίκευσης μπορεί να είναι ποιοτικής φύσης, να πιάσει κρυφά μοτίβα σε ένα σύνολο παραδειγμάτων και να σχεδιάσει απροσδόκητα ( αλλά σωστά) συμπεράσματα. Για εργασίες που απαιτούν ακριβή λογικά συμπεράσματα και σαφή λύση, αυτό είναι πιο δύσκολο (αλλά θα υπάρξουν περισσότερα σχετικά). Μπορεί να υπάρχουν επιλογές για να κάνετε τα προγράμματα να παλεύουν μεταξύ τους, για παράδειγμα, να παίξετε σκάκι και να αναγνωρίσετε αυτό που παίζει καλύτερα ως αποτελεσματικό, τότε δεν χρειάζεται εξωτερική αξιολόγηση.

Ένας γενετικός αλγόριθμος δημιουργεί τυχαία ένα σύνολο κανόνων (νευρωνικά δίκτυα) και ένα σύνολο προγραμμάτων. Όλοι οι κανόνες βρίσκονται σε ένα κοινό αποθετήριο. Κάθε ένα από αυτά τα προγράμματα αποτελείται από το δικό του συγκεκριμένο σύνολο κανόνων που λαμβάνονται από ένα κοινό αποθετήριο. Οι ίδιοι οι κανόνες βρίσκονται στο αποθετήριο, το πρόγραμμα αναφέρεται μόνο σε αυτούς. Για την αξιολόγηση της αποτελεσματικότητας, όλα τα προγράμματα εκτελούνται παράλληλα (το καθένα έχει τη δική του κατάσταση και ένα σύνολο εισροών-εξόδων). Οι καλύτερες βαθμολογίες δίνονται σε εκείνα τα προγράμματα που λειτουργούν πιο γρήγορα και πιο αποτελεσματικά. Όσα προγράμματα σκέφτονται για μεγάλο χρονικό διάστημα ή δεν παίρνουν καθόλου απόφαση τιμωρούνται.

Κακά προγράμματα με πιο πιθανόαλλάζουν ή διαγράφονται εντελώς. Στη θέση τους έρχονται είτε προγράμματα που έχουν δημιουργηθεί πρόσφατα, είτε κλωνοποιημένα από υπάρχοντα. Η αξιολόγηση των προγραμμάτων μπορεί να είναι αθροιστική, π.χ. συσσωρεύονται, δίνοντας στο πρόγραμμα κάποια ανάπαυλα για να εξελιχθεί. Τα καλά προγράμματα είναι πιο πιθανό να κλωνοποιηθούν. Τα προγράμματα εξελίσσονται από κακό σε καλό.

Αφού επιτευχθεί μια αρκετά καλή λύση, το καλύτερο πρόγραμμα επιλέγεται ως αποτέλεσμα του γενετικού αλγόριθμου και στο μέλλον αυτό το πρόγραμμα χρησιμοποιείται για πραγματικά προβλήματα.

Σε ποιες εξελικτικές αλλαγές μπορούν να υποστούν τα προγράμματα; Προσθέστε ή αφαιρέστε έναν κανόνα από το χώρο αποθήκευσης. Διασταύρωση με άλλο πρόγραμμα, δηλαδή, λαμβάνονται δύο προγράμματα, στη βάση τους δημιουργείται ένα τρίτο, το οποίο αποτελείται από ένα μέρος των κανόνων του ενός προγράμματος και ένα μέρος των κανόνων του δεύτερου προγράμματος. Οι κανόνες που πρέπει να προστεθούν, να αφαιρεθούν ή να εγγραφούν στο πρόγραμμα κατά τη διασταύρωση επιλέγονται τυχαία. Αν και, αν το καλοσκεφτείτε, ίσως υπάρχουν τρόποι να το κάνετε πιο σκόπιμα, ίσως θα υπάρξει μια αξιολόγηση της αποτελεσματικότητας της συμμετοχής του κανόνα σε ένα συγκεκριμένο πρόγραμμα.

Σε ποιες εξελικτικές αλλαγές μπορούν να υποβληθούν οι κανόνες (νευρωνικά δίκτυα). Όπως αναφέρθηκε ήδη, μια τέτοια αλλαγή είναι μια αλλαγή στον αριθμό των κελιών στην εσωτερική κατάσταση, η οποία επηρεάζει όλους τους κανόνες. Η ανάγκη αύξησης ή μείωσης του αριθμού των κελιών κατάστασης μπορεί λίγο-πολύ να εκτιμηθεί από τη δυναμική του προγράμματος, από το πόσο συχνά αλλάζουν οι καταστάσεις, πόσο συσχετίζονται μεταξύ τους, πόσο επηρεάζουν τις τιμές εξόδου και πόσο αποτελεσματικό ο πληθυσμός των προγραμμάτων είναι γενικά. Οι επόμενες εξελικτικές αλλαγές είναι η κλωνοποίηση κανόνων, η τυχαία αλλαγή κανόνων (δηλαδή, «κουνώντας τα βάρη» του νευρωνικού δικτύου, όπως στην ανόπτηση, όσο χαμηλότερη είναι η απόδοση, τόσο ισχυρότερο είναι το τίναγμα). Η κλωνοποίηση μαζί με την επακόλουθη αλλαγή των κανόνων μπορεί να προσκολληθεί στην κλωνοποίηση προγραμμάτων. Για παράδειγμα, στο αρχικό πρόγραμμα η σύνδεση με τον αρχικό κανόνα παραμένει, στο κλωνοποιημένο πρόγραμμα - η σύνδεση με τον κλωνοποιημένο κανόνα. Ή, στο πρόγραμμα πηγής, εμφανίζεται ένας σύνδεσμος επιπλέον σε έναν κλώνο του κανόνα. Οι κανόνες μπορούν να διασταυρωθούν όταν ένα κομμάτι λαμβάνεται από δύο νευρωνικά δίκτυα και κολλάται σε ένα τρίτο δίκτυο. Σε κανόνες (νευρωνικά δίκτυα), ο αριθμός των εξόδων μπορεί να αλλάξει τυχαία, όπως περιγράφεται παραπάνω, ο αριθμός και η δομή των εσωτερικών συνδέσεων μπορεί να αλλάξει.

Για κάθε κανόνα, η αποτελεσματικότητά του μπορεί να υπολογιστεί με βάση το πόσο επιτυχημένα είναι τα προγράμματα που περιλαμβάνουν τον κανόνα. Επιπλέον, μπορείτε να λάβετε υπόψη το γεγονός ότι ο κανόνας μπορεί να περιλαμβάνεται στο πρόγραμμα, αλλά να είναι ανενεργός, με αποτέλεσμα να μην επηρεάζει τη λειτουργία του προγράμματος. Με βάση μια τέτοια αξιολόγηση, μπορούμε να εξελίξουμε σκόπιμα την τράπεζα κανόνων, δηλαδή να αναπαράγουμε πιο συχνά επιτυχημένους κανόνες και να έχουμε περισσότερες πιθανότητες να καταργήσουμε ή να αλλάξουμε τους αναποτελεσματικούς κανόνες. Μπορούμε επίσης να δημιουργήσουμε προγράμματα βασισμένα στους πιο αποτελεσματικούς κανόνες. Ή, στη διαδικασία της αλλαγής, είναι πιο πιθανό να συμπεριληφθούν σε προγράμματα καλύτερους κανόνες... Σημειώστε ότι η τράπεζα αποθηκεύει κανόνες με διαφορετικά πεδία, αλλά, ωστόσο, επιλύει ένα κοινό πρόβλημα.

Αλλά το πιο ενδιαφέρον είναι ότι φαίνεται ότι για κάθε κανόνα, μπορείτε να υπολογίσετε όχι μόνο την αποτελεσματικότητα, αλλά και το σφάλμα! Δηλαδή, για να κατανοήσουμε πώς αυτός ο κανόνας πρέπει να λειτουργεί σωστά υπό τις δεδομένες συνθήκες εισαγωγής. Άλλωστε, έχουμε παραδείγματα κανόνων ενεργοποίησης (νευρωνικά δίκτυα). καλά προγράμματα(πιστεύουμε ότι αυτές ήταν οι σωστές αποφάσεις των κανόνων που απαρτίζουν το πρόγραμμα) και παραδείγματα εργασίας σε κακά προγράμματα (πιστεύουμε ότι αυτές ήταν οι λάθος αποφάσεις των κανόνων που απαρτίζουν το πρόγραμμα). Αντίστοιχα, μπορείτε να προσπαθήσετε να ενισχύσετε τις καλές αποφάσεις που παρήγαγε κάθε νευρωνικό δίκτυο και να ελαχιστοποιήσετε τις κακές αποφάσεις. Οι τιμές των εισόδων και των εξόδων μπορούν να αναπαραχθούν χωρίς κανένα πρόβλημα και στη βάση τους μπορεί να κατασκευαστεί ένα δείγμα εκπαίδευσης, το οποίο αποστέλλεται στον αλγόριθμο οπισθοδιάδοσης σφαλμάτων. Το κύριο πρόβλημα εδώ είναι να ξεδιπλωθεί η χρονική ακολουθία του τι ήταν στις εισόδους και τις εξόδους του σετ εκπαίδευσης, και εδώ μπορεί να υπάρχουν ασάφειες. Εξάλλου, δεν μπορούμε να υποθέσουμε ότι όλες οι αποφάσεις (ζεύγη εισόδου-εξόδου) στο σωστό δίκτυο ήταν ιδανικά σωστές και στο λάθος - ιδανικά λανθασμένες. Ίσως για αυτό φταίει ένας τελείως διαφορετικός κανόνας, ο οποίος στο τέρμα «εξάλειψε» τη σωστή απόφαση; Η συμμετοχή στο ξετύλιγμα ολόκληρης της σειράς των αποφάσεων είναι μια απελπιστική προσπάθεια. Επομένως, θα πρέπει να σκεφτείτε να σχηματίσετε ένα δείγμα με βάση αυτές τις χρονικές ακολουθίες. Και ακόμα κι αν, όταν σχηματίζουμε ένα δείγμα εκπαίδευσης, πετάξουμε πολλά παραδείγματα, αφήνοντας μόνο τα πιο ξεκάθαρα, θα εξακολουθεί να είναι πρόοδος.

Τώρα ας δούμε τι έχουμε. Και τώρα έχουμε ένα εργαλείο για αυτόματη εγγραφή προγραμμάτων που μπορεί να πλοηγηθεί στις εργασίες του πραγματικού κόσμου, να ενεργεί ευέλικτα σε ένα ευρύ φάσμα καταστάσεων, να ανακτήσει από λάθη, να έχει κάποιο είδος εσωτερικής λογικής και να προβλέψει / μοντελοποιήσει την κατάσταση. Αυτό που δεν μπορούν να κάνουν είναι να αναπτύξουν λεπτές λογικές αλυσίδες, να κάνουν μεγάλα συμπεράσματα. Αν και για πολλές εργασίες, μια τέτοια ευφυΐα θα είναι σε θέση να προσποιείται ότι πραγματοποιούνταν βαθιές λογικές διαδικασίες, αν και στην πραγματικότητα εφάρμοζε μόνο τα κενά που αποκτήθηκαν κατά τη διάρκεια της εκπαίδευσης. Αυτό το είδος ευφυΐας και ανεξαρτησίας δεν είναι αρκετό, ένα άτομο χρειάζεται ακόμα να κάνει πολλά σε αυτό. Και στο κομμάτι του υλικού, αυτό που πήραμε δεν είναι αρκετά παρόμοιο με αυτό που σκέφτηκε η φύση.

Τεχνητή νοημοσύνη, έκδοση 3.0

Τώρα ας προσθέσουμε ένα πράγμα που ονομάζεται εξομοιωτής περιβάλλοντος. Θα χρειαστούμε δύο ποικιλίες, η μία για μίμηση του εξωτερικού περιβάλλοντος και η δεύτερη για την πρόβλεψη. Θα υπάρξει επίσης μια τρίτη ποικιλία, αλλά περισσότερα για αυτό αργότερα.

Ο εξομοιωτής σε λειτουργία πρόβλεψης θα πρέπει να είναι σε θέση να παράγει την αναμενόμενη συμπεριφορά του εξωτερικού περιβάλλοντος σε έναν μικρό αριθμό βημάτων προς τα εμπρός, γνωρίζοντας το ιστορικό προηγούμενων καταστάσεων και τις τρέχουσες επιπτώσεις στο περιβάλλον από το πρόγραμμα ελέγχου. Τώρα το πρόγραμμα θα ενεργήσει όχι αμέσως στο εξωτερικό περιβάλλον, αλλά πρώτα στον εξομοιωτή. Και στον εξομοιωτή, μπορείτε να δείτε την πρόβλεψη, εάν το περιβάλλον έχει αλλάξει προς τη σωστή κατεύθυνση λόγω του αντίκτυπου του προγράμματος. Επομένως, μπορείτε να έχετε πολλές περιπτώσεις προγραμμάτων που εκπαιδεύονται με παρόμοιο τρόπο, αλλά διαφορετικά μεταξύ τους. Για καθένα από αυτά, ξεκινήστε τον δικό σας εξομοιωτή περιβάλλοντος σε πραγματικό χρόνο. Και σε κάθε βήμα στο εξωτερικό περιβάλλον να εκδίδει τον αντίκτυπο του προγράμματος που θα λάβει την καλύτερη βαθμολογία στον εξομοιωτή. Μια άλλη επιλογή είναι να ληφθεί αυτή η απόφαση (όχι απαραίτητα η καλύτερη), η οποία θα γίνει αποδεκτή από την «πλειονότητα των ψήφων» από την ομάδα του προγράμματος, τότε αυτή η απόφαση θα είναι αξιόπιστη.

Ένας εξομοιωτής σε λειτουργία εξομοίωσης είναι παρόμοιος με την πρόβλεψη, αλλά χρησιμοποιείται στη διαδικασία εκπαιδευτικών προγραμμάτων όταν δεν υπάρχει πραγματικό εξωτερικό περιβάλλον. Στην προηγούμενη έκδοση, πήραμε έτοιμα παραδείγματα κοπής από το εξωτερικό περιβάλλον. Έτσι, αντί για αυτά τα παραδείγματα, μπορείτε να δημιουργήσετε έναν εξομοιωτή εκπαιδευμένο για αναδημιουργία τυπικές καταστάσειςεξωτερικό περιβάλλον. Σε τελική ανάλυση, μπορεί να υπάρχουν πολλά παραδείγματα και είναι πιο αποτελεσματικό να χρησιμοποιήσετε έναν συμπαγή εξομοιωτή αντί για αυτήν την ανακάλυψη.

Ο εξομοιωτής σε λειτουργία εκπαίδευσης μπορεί να τοποθετηθεί σε πραγματικούς αισθητήρες και να αφεθεί για μεγάλο χρονικό διάστημα. Μια λογική ερώτηση - γιατί να μην βάλετε αμέσως το απαραίτητο πρόγραμμα στους αισθητήρες για εκπαίδευση; Υπάρχουν πολλές απαντήσεις εδώ. Αρχικά, μπορεί να θέλουμε να εκπαιδεύσουμε την επόμενη έκδοση του προγράμματος και, στη συνέχεια, θα χρειαστεί ξανά να οδηγήσουμε πραγματικές συσκευές. Δεύτερον, είναι αδύνατο να πειραματιστείτε σε πραγματικούς αισθητήρες, είτε το πρόγραμμα έχει μάθει σωστά είτε τέτοια πειράματα μπορεί να είναι ακριβά και ο εξομοιωτής μπορεί να λειτουργήσει σε λειτουργία πρόβλεψης.

Επιπλέον, ο εξομοιωτής μπορεί να ρυθμιστεί έτσι ώστε να μπορεί, πρώτον, να παράγει τυχαίες αποκλίσεις από τη συμπεριφορά του περιβάλλοντος και, δεύτερον, να συνδυάζει διαφορετικές χρονικές ακολουθίες από τη συμπεριφορά του περιβάλλοντος. Εφόσον ο εξομοιωτής είναι εκπαιδευμένος σε εξωτερικό περιβάλλον, τέτοιοι συνδυασμοί θα «εφευρεθούν» εύλογα. Το οποίο διευρύνει το σύνολο των παραδειγμάτων για προγράμματα διδασκαλίας.

Όπως είναι φυσικό, όλα όσα συμβαίνουν σε πραγματικό χρόνο μπορούν και πάλι να καταγραφούν και να χρησιμοποιηθούν για αυτόματη πρόσθετη εκπαίδευση προγραμμάτων.

Τα προγράμματα για τον εξομοιωτή μπορούν να κατασκευαστούν χρησιμοποιώντας την ίδια τεχνολογία που περιγράφηκε παραπάνω.

Εάν το εξωτερικό περιβάλλον είναι πολύ περίπλοκο (όπως όταν παίζετε σκάκι), τότε ο εξομοιωτής θα κατασκευαστεί χρησιμοποιώντας μια τεχνολογία πολύ κοντά στο ίδιο το πρόγραμμα ελέγχου. Στο βαθμό που κατά τη μάθηση, τα προγράμματα θα παίζουν μεταξύ τους και το πιο δυνατό πρόγραμμα θα επιβιώσει. Ο εξομοιωτής πρόβλεψης μπορεί να τροποποιηθεί ώστε όχι μόνο να αναζητά την καλύτερη κίνηση, αλλά και να προσαρμόζεται στο στυλ παιχνιδιού του αντιπάλου. Έτσι, όταν παίζετε με ένα άτομο, μια ολόκληρη μάχη θα γίνει στον «εγκέφαλο» της μηχανής ανάμεσα σε πολλά προγράμματα και τους αντιπάλους τους, εξομοιωτές, πριν πάρουν την τελική απόφαση.

Έτσι, χρησιμοποιώντας τον εξομοιωτή του εξωτερικού περιβάλλοντος, αυξάνουμε τόσο την ποιότητα των εκπαιδευτικών προγραμμάτων όσο και την ποιότητα λήψης αποφάσεων σε πραγματικό χρόνο.

Υπάρχει τέτοιος παραλληλισμός στη φυσική νοημοσύνη, με τη λήψη ανταγωνιστικών αποφάσεων και έναν εξομοιωτή περιβάλλοντος; Νομίζω ναι, αλλά σχεδόν σε αυτό άμεση μορφή... Αυτό που σχηματίστηκε κατά τη διάρκεια της φυσικής εξέλιξης είναι σίγουρα πιο περίπλοκο και αποτελεσματικό. Αλλά εδώ, για απλότητα και ταχύτερη επίτευξη του εφέ, εισαγάγαμε τεχνητά τον ανταγωνισμό και έναν εξομοιωτή.

Μετά την εισαγωγή ενός εξομοιωτή του εξωτερικού περιβάλλοντος και μιας ανταγωνιστικής συλλογικής λύσης, είναι δυνατή η εισαγωγή νέων ιδιοτήτων της τεχνητής νοημοσύνης μας.

Περιπλανώμενες λύσεις φόντου... Αφού λάβετε μια απόφαση, δεν είναι απαραίτητο να αναγκάσετε όλα τα προγράμματα να ανακατασκευαστούν για να κατανοήσουν το επόμενο βήμα. Μπορείτε να αφήσετε μερικά (καλά με ορισμένα κριτήρια) προγράμματα για να συνεχίσετε να σκέφτεστε για προηγούμενες καταστάσεις για μεγάλο χρονικό διάστημα. Μπορεί κάλλιστα να σκεφτούν κάτι, και αυτό το κάτι θα είναι χρήσιμο είτε στην τρέχουσα (ακόμη και αν αλλάξει) κατάσταση, είτε θα είναι χρήσιμο για περαιτέρω μάθηση. Για παράδειγμα, ένα πρόγραμμα που υστερεί μπορεί να αποκαλύψει την πρόθεση ενός εχθρού ή να βρει μια ενδιαφέρουσα τακτική λύση. Τότε θα είναι δυνατό να προσπαθήσουμε να στρέψουμε την τρέχουσα κατάσταση προς αυτή τη λύση (η τεχνητή νοημοσύνη «άλλαξε γνώμη») και αν το παιχνίδι έχει ήδη ολοκληρωθεί μέχρι εκείνη τη στιγμή (ή έχει πάει σε διαφορετική κατεύθυνση), τότε το λύση μπορεί να χρησιμοποιηθεί στην προπόνηση. Το πώς ακριβώς πραγματοποιούνται και οι δύο αυτές επιλογές είναι ένα θέμα για ξεχωριστές μελέτες. Ταυτόχρονα, η τεχνητή νοημοσύνη θα είναι συνεχώς online και θα σκέφτεται, θα βελτιώνεται, θα διεξάγει διαλόγους με τον εαυτό της, σχεδόν σαν άτομο.

Έκρηξη επιλογών... Μπορείτε να προσπαθήσετε να εντοπίσετε καταστάσεις όταν ένα ξεχωριστό πρόγραμμα (ή μια ομάδα προγραμμάτων) βρίσκεται σε διχάλα, όταν ανιχνεύεται μια διφορούμενη κατάσταση και αυτή η κατάσταση αναγκάζεται να διακλαδωθεί σε νέους κλάδους απόφασης (πρόγραμμα + εξομοιωτής). Και πάλι, πώς να ανιχνεύσετε τέτοιες καταστάσεις, πώς να τις διακλαδώσετε είναι θέμα χωριστών μελετών, χωράφι χωρίς όργωμα. Μέχρι στιγμής, αυτό είναι μόνο στο επίπεδο μιας ιδέας, η ιδέα ότι σε περίπτωση ασάφειας, η διάνοια θα πρέπει να μπορεί να διακλαδώσει παραλλαγές. Αλλά η διακλάδωση δεν είναι καθόλου ίδια με την επανάληψη πάνω από ένα δέντρο απόφασης. Είναι μάλλον σαν να κηλιδώνουμε τη συνάρτηση κύματος, όπως η σύνθετη αριθμητική, όταν οι πράξεις με ασάφεια (φανταστική μονάδα) παράγουν πολλές επιλογές, οι οποίες στο μέλλον, σύμφωνα με τους κανόνες της ίδιας αριθμητικής, αλληλεπιδρούν μεταξύ τους. Επίσης, οι διακλαδισμένες λύσεις στην τεχνητή νοημοσύνη θα πρέπει να συνεχίσουν να συνυπάρχουν, συνεχίζοντας να επικοινωνούν μεταξύ τους (πώς ακριβώς είναι επίσης ένα ερώτημα) και σε κατάλληλη στιγμήχρόνο, οι κλάδοι μπορούν να συγκλίνουν σε μια ενιαία λύση. Επιπλέον, η διακλάδωση δεν θα συμβεί ανόητα, όπως όταν εξετάζουμε επιλογές, αλλά ακριβώς εκείνες τις στιγμές που είναι πιο ενδιαφέρουσες.

Πώς ακριβώς μπορεί να ανιχνευθεί ένα πιθανό σημείο διακλάδωσης; Για τα συμβατικά νευρωνικά δίκτυα, υπάρχουν αλγόριθμοι που αυξάνουν τη χωρητικότητα του νευρωνικού δικτύου εάν δεν επαρκεί για την επεξεργασία δεδομένων και μειώνουν τη χωρητικότητα του δικτύου εάν είναι υπερβολική για τη λήψη αποφάσεων. Η αλλαγή της χωρητικότητας σε ένα νευρωνικό δίκτυο είναι προσθήκη και αφαίρεση βαρών-συνδέσεων μεταξύ των νευρώνων και των ίδιων των νευρώνων (διαβάστε προσθήκη / αφαίρεση σειρών σε μια μη γραμμική μήτρα και μηδενισμός στοιχείων που δεν επηρεάζουν τη λύση). Υπάρχει μια ολόκληρη κατεύθυνση σχετικά με τα νευρικά δέντρα που μεγαλώνουν ανάλογα με τις ανάγκες. Έτσι, σε μια ομάδα προγραμμάτων, μπορείτε να ελέγξετε τι «σκέφτονται» διαφορετικά προγράμματα, να ελαχιστοποιήσετε παρόμοιες καταστάσεις και να προσπαθήσετε να δημιουργήσετε νέες κατευθύνσεις «σκέψης». Στην αξιολόγηση αυτού, πρώτα απ 'όλα, οι εξομοιωτές θα μας βοηθήσουν, πρέπει να δούμε πόσο παρόμοια δίνουν ένα όραμα για το εξωτερικό περιβάλλον.

Μπορούν επίσης να ελεγχθούν μεμονωμένα προγράμματα για να δούμε πόσο ξεκάθαρα δίνουν μια λύση. Εάν ένα πρόγραμμα περιπλανιέται μεταξύ πολλών λύσεων ή δεν συγκλίνει σε μια λύση, τότε μπορούν να τεθούν πρόσθετα προγράμματα σε αυτήν την κατάσταση, αρχικοποιημένα από την ίδια κατάσταση, αλλά με τυχαίες αποκλίσεις για να τονωθεί η «πορεία εναλλακτικών σκέψεων». Η διακλάδωση μπορεί επίσης να είναι χρήσιμη στην εκπαίδευση, όταν θα είναι δυνατό να προσδιοριστεί πόσο ασαφές είναι το πρόγραμμα στη λύση και να χωριστούν οι διφορούμενες περιπτώσεις σε πολλά πιο ξεκάθαρα προγράμματα, έτσι ώστε να συνεργάζονται με μεγαλύτερη επιτυχία σε μια ομάδα. Αλλά και πάλι, όλα αυτά είναι μόνο όμορφες ιδέες μέχρι τώρα, ιδέες για πειράματα.

Θα ονειρεύονται

Είναι καλό όταν έχουμε παραδείγματα σωστής συμπεριφοράς ή μπορούμε να μιμηθούμε την αντίδραση του περιβάλλοντος. Για τη φυσική νοημοσύνη (και το μέλλον της τεχνητής νοημοσύνης), αυτή η πολυτέλεια δεν είναι πάντα διαθέσιμη. Η διάνοια προσπαθεί να κάνει κάτι με το περιβάλλον, κάτι βγαίνει σωστά από αυτό, κάτι όχι, κάτι μένει με ακατανόητες συνέπειες. Πώς να μάθετε από αυτό;

Για να γίνει αυτό, θα εισαγάγουμε τον τρίτο τύπο του εξομοιωτή εξωτερικού περιβάλλοντος. Θα θυμάται τις εκδηλώσεις του εξωτερικού περιβάλλοντος, τι έκανε η τεχνητή νοημοσύνη ως απάντηση σε αυτές τις εκδηλώσεις και σε τι οδήγησε αυτό. Αυτό δεν αποκλείει το ενδεχόμενο, καθώς αποκτάται εμπειρία, ένας τέτοιος εξομοιωτής θα μπορεί να συνδυάζει τις δύο προηγούμενες ποικιλίες - εξομοίωση και πρόβλεψη του περιβάλλοντος, και θα βασίζεται σε αρχές παρόμοιες με την τεχνητή νοημοσύνη μας.

Πώς να μάθετε όταν δεν υπάρχουν σαφείς πληροφορίες, ποιες ενέργειες είναι σωστές και ποιες όχι; Μια μικρή παρέκκλιση. Τα δίκτυα Hopfield μαθαίνουν από παραδείγματα «συνοψίζοντας» όλα τα παραδείγματα, χωρίς κριτική αξιολόγηση, χωρίς διόρθωση σφαλμάτων. Ένα εκπαιδευμένο δίκτυο Hopfield σε μια μερική ή θορυβώδη εικόνα κατά την επανάληψη (σύγκλιση στο ελάχιστο ενεργειακό μιας δεδομένης εικόνας) μπορεί να αναδημιουργήσει την αρχική εικόνα. Έτσι, μετά από εκπαίδευση στο δίκτυο, μερικές φορές λαμβάνονται ψευδείς εικόνες. Προκειμένου να εξαλειφθούν οι ψευδείς εικόνες, εκκινούνται παραδείγματα εκπαίδευσης στην είσοδο και εάν το δίκτυο συγκλίνει σε μια ψευδή εικόνα, τότε μια τέτοια εικόνα αντικαθίσταται. Κατά κάποιο τρόπο, το δίκτυο «ονειρεύεται» με βάση πληροφορίες που έλαβε προηγουμένως και στο όνειρο, οι ψευδείς πληροφορίες αντικαθίστανται με σωστές πληροφορίες. Τα δίκτυα Hopfield χρησιμοποιούνται για απλές εικόνες, αλλά μας ενδιαφέρει η αρχή.

Μπορούμε να ακολουθήσουμε μια παρόμοια διαδρομή εδώ. Μετά τη συσσώρευση πληροφοριών από το εξωτερικό περιβάλλον, η νοημοσύνη αποσυνδέεται από το εξωτερικό περιβάλλον και λειτουργεί μόνο με τον εξομοιωτή. Ο εξομοιωτής αναπαράγει καταστάσεις και αν η διάνοια έχει δώσει μια καλή λύση, τότε αυτή η λύση ενισχύεται, αν είναι κακή, τότε αυτή η λύση αντικαθίσταται από κάτι άλλο. Για ένα τυχαίο, για παράδειγμα. Το κυριότερο είναι ότι η νέα λύση δεν φαίνεται κακή. Ταυτόχρονα, χτίζουμε αλλαγές με τέτοιο τρόπο ώστε να μην χάνονται οι συσσωρευμένες καλές λύσεις και να μην εμφανίζονται νέες κακές λύσεις.

Τουλάχιστον, μια τέτοια αναδιάρθρωση μπορεί να πραγματοποιηθεί χρησιμοποιώντας έναν γενετικό αλγόριθμο. Είναι πιθανό να είναι επίσης δυνατή η διασταυρούμενη αξιολόγηση κάθε κανόνα που απαρτίζει το πρόγραμμα, έτσι ώστε να είναι δυνατός ο ακριβής υπολογισμός του σφάλματος και η διόρθωση για κάθε κανόνα. Άλλωστε, έχουμε κάποιες πληροφορίες για το αν το πρόγραμμα λειτούργησε καλά ή άσχημα. Είναι πιο δύσκολο εδώ με την έννοια ότι αν η απόφαση ελήφθη από μια ομάδα προγραμμάτων, τότε οι πληροφορίες για την ορθότητα της απόφασης είναι γνωστές μόνο για το πρόγραμμα που κέρδισε. Αλλά από την άλλη πλευρά, έχουμε πληροφορίες σχετικά με τη συμπεριφορά των προγραμμάτων, η οποία είναι μεγάλη χρονικά, και από αυτήν είναι ήδη δυνατή η εξαγωγή λεπτομερειών.

Αποδεικνύεται λοιπόν ότι εάν η τεχνητή νοημοσύνη τεθεί σε φυσικές συνθήκες, τότε θα εμφανιστούν μεγάλες φάσεις εγρήγορσης, κατά τις οποίες συσσωρεύονται πληροφορίες μέσω δοκιμής και λάθους, και μετά από αυτές υπάρχουν φάσεις ύπνου, κατά τις οποίες αυτές οι πληροφορίες αφομοιώνονται ποιοτικά. Αυτή η ίδια η διαδικασία θα αποδειχθεί μακρά και επίπονη. Στη φυσική νοημοσύνη, ένας τέτοιος μηχανισμός, αφού εμφανίστηκε μια φορά στη διαδικασία της εξέλιξης, έδειξε γρήγορα τη χρησιμότητά του και πολλαπλασιάστηκε για τις επόμενες γενιές. Το πράγμα, όπως ήταν, δεν είναι πολύ δύσκολο για να φανεί κατά την εξέλιξη.

Θα νιώσουν πόνο

Μια άλλη επιλογή εκπαίδευσης όταν δεν υπάρχουν διαθέσιμες πληροφορίες σχετικά με την ορθότητα των ενεργειών. Επιτρέψτε μου να σας υπενθυμίσω ότι κατά τη διδασκαλία με τη μέθοδο της ανόπτησης, οι τυχαίες αλλαγές των παραμέτρων χρησιμοποιούνται ως σύνολο σε ολόκληρη τη λύση για την εκ νέου κατασκευή της λύσης. Η ισχύς τέτοιων αλλαγών (θερμοκρασία) ξεκινά από ψηλά και σταδιακά μειώνεται όταν το διάλυμα συγκλίνει σε η καλύτερη επιλογή... Εάν οι αλλαγές δεν μας ταιριάζουν, η ισχύς των αλλαγών (θερμοκρασία ανόπτησης) αυξάνεται σε αναζήτηση μιας πιο κατάλληλης επιλογής.

Επομένως, στη διαδικασία της εξέλιξης, έχει αναπτυχθεί ένας μηχανισμός πόνου. Η λάθος ενέργεια - και αισθανόμαστε αμέσως πώς οι νευρικές μας συνδέσεις καταβροχθίζονται από μια σκληρή φλόγα. Αυτό το ταρακούνημα δεν περνά απαρατήρητο. Οι συνέπειες μιας λανθασμένης ενέργειας κυριολεκτικά καίγονται στις νευρικές μας συνδέσεις. Τόσο πολύ που αποφεύγουμε με κάθε τρόπο την επανάληψη αυτών των λανθασμένων ενεργειών. Ο μηχανισμός είναι απλός αλλά αποτελεσματικός.

Στην τεχνητή νοημοσύνη, η μάθηση μπορεί να συμπληρωθεί με έναν πιο έντονο ρυθμό τυχαίας αλλαγής, έναν υψηλότερο ρυθμό σκόπιμης αλλαγής εάν η διάνοια παράγει κακές αποφάσεις. Τέτοιες προσθήκες μπορούν να εφαρμοστούν τόσο σε επίπεδο ομάδας προγραμμάτων όσο και σε επίπεδο μεμονωμένων προγραμμάτων ή κανόνων. Οι "κακοί" κανόνες ή προγράμματα μπορεί κυριολεκτικά να καούν ως αποτέλεσμα λανθασμένων ενεργειών, την ίδια στιγμή καλούς κανόνεςκαι το πρόγραμμα θα σωθεί και θα πολλαπλασιαστεί, αλλά θα «φοβούνται» λάθος ενέργειες όπως η φωτιά.

Σε υψηλότερο επίπεδο νοημοσύνης, ο «πόνος» θα εκδηλωθεί επίσης ως προς το γεγονός ότι «το κεφάλι χωρίζεται από ιδέες», «είναι αδύνατο να μαζέψεις σκέψεις» κ.λπ. Η κατάσταση μιας καλής απόφασης θα συνοδεύεται από διαύγεια σκέψης, αρμονία και «ηρεμία».

Σύνολα κανόνων

Φανταστείτε ότι στη διαδικασία της εξελικτικής μάθησης, κάποιο μέρος των κανόνων κλωνοποιείται έτσι ώστε να παραμένουν διασυνδεδεμένοι με το γονικό παράδειγμα. Για παράδειγμα, παραμένουν συνδεδεμένα στις ίδιες εισόδους και εξόδους και ενεργοποιούνται σχεδόν ταυτόχρονα. Ταυτόχρονα, οι κανόνες εξακολουθούν να είναι διαφορετικοί μεταξύ τους και η περαιτέρω εξέλιξή τους μπορεί να εξελιχθεί με διαφορετικούς τρόπους. Τώρα θα το κάνουμε έτσι ώστε όταν γίνονται αλλαγές, αυτό το μέρος των κανόνων να παραμένει ως επί το πλείστον διασυνδεδεμένο, δηλ. έτσι ώστε οι έξοδοι, οι έξοδοι, η ενεργοποίηση και οι εκδιδόμενες αποφάσεις να είναι σε μεγάλο βαθμό ίδιες. Σε αυτή την περίπτωση, οι κανόνες του συνόλου μπορούν να συμμετέχουν σε άλλα μέρη, συμπεριλαμβανομένων και άλλων συνόλων.

Αποδεικνύεται ότι το σύνολο παίρνει αποφάσεις μαζί με όλους τους κανόνες του. Λόγω της συλλογικής εργασίας, η λύση θα αποδειχθεί καλύτερης ποιότητας (τουλάχιστον, αυτό ισχύει για τα συνηθισμένα νευρωνικά δίκτυα). Αλλά ταυτόχρονα, το σύνολο θα έχει επίσης κάποια νέα, ποιοτικά διαφορετική αναπαράσταση της κατάστασης, θα μπορεί να δράσει πολύ πέρα ​​από την αρχική κατάσταση, λόγω του γεγονότος ότι οι κανόνες από το σύνολο εμπλέκονται σε άλλα μέρη (και σύνολα) του προγράμματος (και αυτό είναι ήδη μια υπόθεση, όσον αφορά τα σύνολα που συμμετέχουν στο πρόγραμμα). Μπορούμε να πούμε ότι το όραμα της κατάστασης θα είναι πιο υψηλού επιπέδου, πιο γενικευμένο, πιο διευρυμένο και εμπλουτισμένο από την εμπειρία άλλων καταστάσεων. Έτσι, σε οριακές ή νέες καταστάσεις, το σύνολο θα είναι σε θέση να δημιουργήσει (μπορεί να πει κανείς, φαντασιώνεται) νέα πραγματικότητασυνεχίζοντας την έννοια του παλιού που είδε κατά την προπόνηση.

Εδώ, πράγματα όπως αφαίρεση-κατηγορίες, συνειρμική σκέψη αρχίζουν να εμφανίζονται επίμονα. Αρχίζουν να εμφανίζονται «βαριές» λογικές αλυσίδες, οι οποίες, λόγω τάξεων μεγέθους υψηλότερης όρασης της κατάστασης, μπορούν να παράγουν «λεπτές» λογικές αλυσίδες κοντά στην τυπική λογική και αυστηρούς αλγόριθμους.

Όταν αντιμετωπίζει νέες καταστάσεις, το πρόγραμμα, έχοντας τέτοια σύνολα στο αποθεματικό, θα είναι πολύ πιο εύκολο να μεταφέρει και να γενικεύσει την εμπειρία του σε νέες καταστάσεις.

Όλα αυτά είναι μέχρι στιγμής όμορφες υποθέσεις, αλλά, πιθανότατα, τα πράγματα πάνε προς αυτή την κατεύθυνση. Το πώς ακριβώς σχηματίστηκαν και διατηρήθηκαν τέτοια σύνολα στον εγκέφαλο δεν είναι ακόμη σαφές (αλλά συμφωνώ, εξελικτικά φαίνεται αρκετά απλό). Το πώς υποστηρίζονται και διδάσκονται τα σύνολα στο πρόγραμμα είναι επίσης ένα ερώτημα. Προφανώς, δεν υπάρχει σαφής καθιέρωση των κανόνων στα σύνολα, όλα λύνονται δυναμικά, συνδυάζοντας τους κανόνες που είναι συμβατοί για μια συγκεκριμένη κατάσταση, σύμφωνα με τις ίδιες αρχές ανταγωνισμού και αλληλεπίδρασης. Ταυτόχρονα, οι κανόνες και τα σύνολα μπορούν επίσης να ενσωματωθούν δυναμικά σε μια ιεραρχία, και, ωστόσο, δεν θα υπάρχει μόνιμη ιεραρχία, δεν θα υπάρχουν μετα-επίπεδα και μεταβάσεις μεταξύ τους, δεν θα υπάρχει σαφής επισημοποίηση με την κατανομή των συνδέσμους συστήματος-υποσυστήματος. Περισσότερες λεπτομέρειες σχετικά με το πώς μπορεί να διαμορφωθεί θα δοθούν περαιτέρω. Και πρέπει να παραδεχτείτε, από τη σκοπιά της φυσικής πορείας των πραγμάτων, όλα φαίνονται αρκετά απλά.

Και πάλι κύματα, συχνότητες και ολογραφία

Στο πρόγραμμα τεχνητής νοημοσύνης μας, η διαίρεση σε ανταγωνιστικά προγράμματα και μια εναλλακτική θεώρηση της κατάστασης τίθεται τεχνητά. Με τον ίδιο τρόπο, εισάγεται τεχνητά ένα παγκόσμιο κράτος, στο οποίο έχουν πρόσβαση όλοι οι κανόνες και μια γεννήτρια ρολογιού, η οποία σε κάθε νέα στιγμή ενεργοποιεί όλους τους κανόνες και ενημερώνει την κατάσταση. Αλλά στον εγκέφαλο δεν υπάρχει τίποτα τέτοιο, και, ωστόσο, κάτι πολύ παρόμοιο σχηματίστηκε εκεί φυσικά.

Αυτό που έχουμε είναι η ιδιότητα ενός φυσικού νευρώνα να συσσωρεύει δυναμικό, και όταν ξεπεραστεί το κρίσιμο όριο, εκφορτίζεται με μια σειρά σημάτων στις εξόδους του (θυμάστε τα νευρωνικά δίκτυα συχνότητας στα προηγούμενα μέρη;). Αυτές οι σειρές, με τη σειρά τους, κάθε φορά αυξάνουν (ή μειώνουν) τα δυναμικά των νευρώνων που συνδέονται με τις εισόδους του αρχικού νευρώνα. Τα δυναμικά κατωφλίου, η συχνότητα και η διάρκεια της εκφόρτισης είναι παράμετροι που φαίνεται να συντονίζονται στη διαδικασία εκμάθησης.

Αποδεικνύεται λοιπόν ότι δεν χρειάζονται ούτε γεννήτρια ρολογιού, ούτε βρόχοι και μεταβάσεις υπό όρους, ούτε μια παγκόσμια κατάσταση και αναγκαστικός παραλληλισμός της κατάστασης.

Συλλογές τέτοιων νευρώνων φέρουν ήδη μια εσωτερική κατάσταση, και πολύπλοκη επαναληπτική λογική και επεξεργασία υπό όρους.

Επιπλέον, πακέτα νευρώνων μπορούν να συνδυαστούν σε εναλλακτικές (παράλληλες) αλυσίδες, η καθεμία με το δικό της όραμα για την κατάσταση, και στην έξοδο, όλες αυτές οι αλυσίδες ανταγωνίζονται μεταξύ τους για το ποια λύση θα υποβληθεί στην έξοδο. Και μια τέτοια επεξεργασία είναι αρκετά επιδεκτική μοντελοποίησης σε συμβατικούς υπολογιστές. Ένα άλλο πράγμα είναι ότι στην αρχή είναι πιθανό να είναι πιο διψασμένο για πόρους από το μοντέλο νοημοσύνης με αναγκαστική παραλληλοποίηση, αλλά μακροπρόθεσμα, το λιγότερο ρυθμισμένο μοντέλο, φαίνεται, θα αποδειχθεί πιο αποτελεσματικό.

Τώρα ας θυμηθούμε τα σύνολα και τα μετα-σύνολο. Αποδεικνύεται ότι ολόκληρα μέτωπα κυμάτων περιφέρονται μέσα από μεμονωμένα σύνολα, τα οποία σε διαφορετικά σύνολα, σε συνδυασμό, δίνουν περίπλοκα κυματικά μοτίβα, ίσως και πιο περίπλοκα από τις ολογραφικές εικόνες. Αυτά τα κυματικά μοτίβα είναι που συνδέουν δυναμικά μεμονωμένους νευρώνες (ή δίκτυα κανόνων στην τεχνητή νοημοσύνη μας) σε σύνολα και μετα-συγκροτήσεις.

Δείτε πώς βγήκαν όλα φυσικά και όμως ρεαλιστικά. Δεν χρειάζεται να εφεύρουμε χωριστά δίκτυα συχνοτήτων και ολογραφικών, δεν χρειάζεται να τα βασανίζουμε και να τα αναγκάζουμε να αναγνωρίζουν εικόνες. Αρκεί να εφαρμόσετε ένα αποτελεσματικό και φυσική πορείαπράγματα, πώς εκδηλώθηκαν όλες αυτές οι ολογραφικές ιδιότητες συχνότητας, ως παρενέργεια.

Η αρχική κατάσταση, μόλις στον εγκέφαλο, χωρίζεται σε πολλές εναλλακτικές αλυσίδες, προκαλεί ολόκληρες καταιγίδες κυμάτων αλλαγών στα νευρωνικά δυναμικά και ως αποτέλεσμα αποκτά μια πολύ πιο περίπλοκη και ποιοτική αναπαράσταση. Στην έξοδο, όλη αυτή η επεξεργασία καταρρέει και πάλι σε στενά όρια που πρέπει να εκδοθούν εξωτερικό κόσμο.

Συνειρμοί, κατηγορίες, γενικεύσεις και άλλη φιλοσοφία

Στην ενότητα για τα σύνολα, αναφέραμε ότι καλό θα ήταν οι κανόνες να συμμετέχουν σε διάφορα μέρη του προγράμματος, ώστε οι κανόνες να μάθουν να γενικεύουν ποιοτικά την εμπειρία από εντελώς ανόμοιες καταστάσεις. Δηλαδή, θα βρίσκονται στο μονοπάτι των αφαιρέσεων υψηλού επιπέδου όπως η συνειρμική σκέψη και η κατηγοριοποίηση. Για παράδειγμα, θα μπορούν να βγάλουν κάτι κοινό από τις έννοιες «λευκό» και «χνουδωτό» και να το εφαρμόσουν στην κατάσταση «μύγες». Μια τέτοια επεξεργασία θα κάνει τη σκέψη πολύ πιο ισχυρή και θα σας επιτρέψει να δημιουργήσετε δυναμικά σύνολα κανόνων για εντελώς ανόμοιες καταστάσεις.

Για να αποκτήσουμε τέτοιες ιδιότητες, εισαγάγαμε τεχνητά τα σύνολα και τη συντήρησή τους. Με ποιους άλλους τρόπους μπορείτε να αποκτήσετε τις ιδιότητες που επιτρέπουν στον κανόνα, εκπαιδεύεστε για συγκεκριμένες καταστάσεις (έννοιες), να συμμετέχετε και να επανεκπαιδεύεστε σε εντελώς διαφορετικές καταστάσεις (για άλλες έννοιες, όπως στο παράδειγμα σχετικά με το λευκό / αφράτο / μύγες);

Μέχρι στιγμής προκύπτουν δύο επιλογές.

Επιλογή πρώτη, δυναμικός συνδυασμός εισόδων και εξόδων... Θυμάστε, στην αρχή βάλαμε μια σκληρή αντιστοιχία των εισροών και εξόδων των κανόνων (νευρωνικά δίκτυα) με τα κύτταρα του παγκόσμιου κράτους; Ταυτόχρονα, οι εξελικτικές αλλαγές ρυθμίστηκαν με τέτοιο τρόπο ώστε να αλλάξουν αυτές οι αντιστοιχίες στο ελάχιστο. Στην επόμενη έκδοση, χωρίς καθολική κατάσταση, οι είσοδοι και οι έξοδοι διαφορετικούς κανόνες-τα δίχτυα ήταν επίσης στενά συνδεδεμένα μεταξύ τους.

Τώρα ας επιτρέψουμε στη διαδικασία της εργασίας και στη διαδικασία εκμάθησης οι εισροές και οι εκροές να αλλάξουν τη θέση τους μεταξύ τους. Προκύπτουν δύο ερωτήματα. Πρώτον, πώς να προσδιορίσετε πόσο συμβατά είναι τα στοιχεία του συνδυασμού που προκύπτει, πόσο αποτελεσματικά αυτή η ένωση λύνει το πρόβλημα; Δεύτερον, πώς να βρείτε γρήγορα συμβατούς / αποτελεσματικούς συνδυασμούς εισόδων και εξόδων, επειδή υπάρχουν πολλοί συνδυασμοί;

Η απλούστερη επιλογή είναι να αντιστοιχίσετε κάθε είσοδο και έξοδο του κανόνα με μια δυνατότητα συμβατότητας, η οποία αλλάζει εξελικτικά, και ίσως υπάρχει τρόπος να ρυθμίσετε αυτή τη συμβατότητα με μεγαλύτερη ακρίβεια, στη διαδικασία εκμάθησης, σύμφωνα με τα αποτελέσματα των κανόνων. (Μπορεί να υπολογιστεί η συμβατότητα των εξόδων κατά τη λειτουργία του κανόνα; Θα ήταν αποτελεσματικό;) Για εισόδους και εξόδους στο εξωτερικό περιβάλλον, απαιτείται επίσης ένα σύνολο συμβατότητας, το οποίο θα είναι μέρος του γενικού συνόλου. Όταν το πρόγραμμα εκτελείται, οι κανόνες θα συνδέονται μόνο λαμβάνοντας υπόψη τη συμβατότητα των εισόδων-εξόδων. Το έργο της επιλογής μιας τέτοιας συμβατότητας δεν είναι εύκολο υπολογιστικά, αλλά και πάλι δεν είναι εντελώς δύσκολο. Ίσως οι αλγόριθμοι δικτύου Hopfield που μπορούν να κάνουν παρόμοια πράγματα θα βοηθήσουν σε αυτήν την επιλογή.

Η επόμενη επιλογή είναι να συνδυαστούν με διαφορετικούς τρόπους στη μαθησιακή διαδικασία οι εισροές και οι εκροές διαφορετικών κανόνων και να συσσωρευτούν πληροφορίες σχετικά με την αποτελεσματικότητα (συμβατότητα) διαφορετικών συνδυασμών. Στην πραγματική εργασία, προχωρήστε όπως παραπάνω - συνδυάστε τις εισόδους σύμφωνα με τη συμβατότητα.

Οι προηγούμενες επιλογές είναι κατάλληλες για την εφαρμογή τεχνητής νοημοσύνης, αλλά φαίνεται να μην υπάρχει τέτοιος συνδυασμός εισόδων και εξόδων στη φυσική νοημοσύνη. Υπάρχουν όμως χάρτες χαρακτηριστικών, δείτε για τα συνελικτικά δίκτυα και το νεογνίτρο στα προηγούμενα μέρη. Και τέτοιες κάρτες φαίνεται να υπάρχουν στη φυσική νοημοσύνη.

Η έννοια των χαρτών χαρακτηριστικών είναι η εξής. Υπάρχει ένα σύνολο κανόνων, υπάρχει ένα σύνολο κελιών εισόδου. Κάθε κανόνας σαρώνει τα κελιά εισόδου χρησιμοποιώντας ένα κινητό παράθυρο και όλα τα κελιά από το παράθυρο πηγαίνουν στην είσοδο του κανόνα. Το αποτέλεσμα του κανόνα εγγράφεται στο κελί του χάρτη χαρακτηριστικών, το οποίο αντιστοιχεί στη θέση του παραθύρου στα κελιά εισόδου. Ως αποτέλεσμα, για κάθε κανόνα, θα λαμβάνεται ένας χάρτης χαρακτηριστικών, στον οποίο οι θέσεις της καλύτερης ενεργοποίησης κανόνα θα έχουν τις υψηλότερες τιμές. Στο επόμενο επίπεδο, όλοι οι χάρτες χαρακτηριστικών αποτελούν την είσοδο για ένα νέο σύνολο κανόνων, οι οποίοι και πάλι συνθέτουν τους χάρτες χαρακτηριστικών τους. Οι κανόνες εκμάθησης μπορούν να αναπαράγουν ένα σφάλμα. Το πώς να διδάξετε τέτοιους κανόνες ως μέρος ενός προγράμματος είναι ένα ανοιχτό ερώτημα.

Οι χάρτες χαρακτηριστικών έδειχναν καλά στην αναγνώριση εικόνας, με παραμορφώσεις που σχετίζονται με αλλαγή στην κλίμακα, την προοπτική, την περιστροφή και με παραμορφώσεις ειδικές για το απεικονιζόμενο αντικείμενο.

Επομένως, οι χάρτες χαρακτηριστικών είναι καλός υποψήφιος για πειράματα δυναμικού συνδυασμού εισόδων και εξόδων για τους κανόνες που συνθέτουν ένα πρόγραμμα.

Επιλογή δύο, συνδυασμός συχνότητας εισόδων και εξόδων... Σε αυτήν την περίπτωση, δεν χρειάζεται να αναδιατάξετε τις εισόδους και τις εξόδους. Σε νευρωνικά δίκτυα συχνότητας (ή σε προγράμματα που έχουν δημιουργηθεί σε τέτοια δίκτυα), κάθε νευρώνας είναι τόσο το απλούστερο φίλτρο συχνότητας όσο και η απλούστερη γεννήτρια συχνότητας. Επιπλέον, αυτό το φίλτρο μπορεί να συντονιστεί σε διαφορετικές αρμονικές ταυτόχρονα (εξαιτίας των οποίων η χωρητικότητα και οι δυνατότητες των δικτύων συχνοτήτων είναι υψηλότερες από αυτές των συμβατικών δικτύων). Ομοίως, οποιοσδήποτε συνδυασμός νευρώνων είναι ταυτόχρονα ένα φίλτρο πολύπλοκης συχνότητας και μια γεννήτρια σύνθετων συχνοτήτων. (Στην τεχνητή νοημοσύνη μας, ένας τέτοιος νευρώνας είναι το ισοδύναμο ενός μόνο κανόνα που αντιπροσωπεύεται από ένα μικρό νευρωνικό δίκτυο.)

Επομένως, σήματα που σχετίζονται με εντελώς ανόμοιες οντότητες μπορούν να περιφέρονται κατά μήκος των ίδιων νευρώνων σε διαφορετικές συχνότητες. Επειδή όμως διαφορετικές συχνότητες επηρεάζουν τους ίδιους νευρώνες (συνδυασμοί νευρώνων), διαφορετικές συχνότητες (και οι οντότητες που επεξεργάζονται) επηρεάζουν η μία την άλλη. Επομένως, εάν η νοημοσύνη μας βασίζεται στις αρχές της επεξεργασίας σήματος συχνότητας (όπως αναφέρθηκε παραπάνω στην ενότητα για τις συχνότητες), τότε αυτή η νοημοσύνη φαίνεται ήδη να έχει την ικανότητα να γενικεύει ετερογενείς οντότητες και σε κάποια φιλοσοφική αφαίρεση. Ωστόσο, ενδέχεται να υπάρξουν πρόσθετες τεχνικές λύσεις που θα επιταχύνουν τον σχηματισμό τέτοιων γενικεύσεων στα δίκτυα συχνοτήτων.

Και λίγο συμπέρασμα. Τέτοιες μέθοδοι ανασυνδυασμού εισροών και εκροών δίνουν όχι μόνο ιδιότητες υψηλού επιπέδου, όπως η συνειρμική σκέψη και οι ποιοτικές γενικεύσεις, αλλά και πιο πεζές. Τι συμβαίνει εάν τα καλώδια ανακατευτούν στο ηλεκτρικό κύκλωμα; Αυτό πιθανότατα θα είναι μοιραίο για το κύκλωμα. Αλλά για τον εγκέφαλο δεν είναι απαραίτητο. Πειράματα (σε ζώα) διεξήχθησαν όταν ο εγκέφαλος κυριολεκτικά κόπηκε σε κομμάτια και αναμίχθηκε, μετά διπλώθηκε και το ζώο απελευθερώθηκε. Μετά από λίγο, το ζώο επέστρεψε στο φυσιολογικό και έζησε. Χρήσιμο ακίνητο, αλήθεια?

Δεν υπάρχουν μετα-επίπεδα

Μόλις αναρωτήθηκα για το πώς χτίζεται μια λογική ιεραρχία σε ευφυή συστήματα, πώς γίνονται λογικές κατασκευές όταν ένα άλλο χτίζεται πάνω από ένα κρυστάλλινο επίπεδο, συνοψίζοντας πολλά επίπεδα παρακάτω. Σε εργασίες για την τεχνητή νοημοσύνη (και όχι μόνο), περιγράφηκε όμορφα πώς τα συστήματα εξελίσσονται, συσσωρεύουν πολυπλοκότητα, μετακινούνται από το ένα επίπεδο στο άλλο.

Στα πραγματικά συστήματα, πάντα αποδεικνύεται ότι ανεξάρτητα από το πόσο καλά έχουν μελετηθεί τα κατώτερα επίπεδα, πάντα συσσωρεύονται κάποιες αποκλίσεις σε αυτά, αλλαγές που δεν μπορούν να συντονιστούν με τα ανώτερα επίπεδα, αυτές οι αλλαγές αργά ή γρήγορα διαλύουν ολόκληρο το σύστημα, απαιτώντας σημαντική αναμόρφωση ολόκληρης της ιεραρχίας. Η διέξοδος ήταν αυτή - να μην δεσμευόμαστε έντονα με τέτοιες ιεραρχίες, να αφήνουμε την ελευθερία δράσης, ώστε, αν χρειαστεί, να είναι δυνατή η εργασία παρακάμπτοντας την τυπική ιεραρχία. Και αυτό δεν είναι σημάδι ενός κακοσχεδιασμένου συστήματος, αυτές είναι πραγματικότητες της ζωής.

Φυσικά, το σωστό σύστημα θα ελαχιστοποιήσει το χάος, και αυτό είναι. Αλλά αυτό δεν σημαίνει ότι οι άτυποι δεσμοί απουσιάζουν εντελώς σε ένα τέτοιο σύστημα. Ένα καλό σύστημα, παρ' όλη την ορθότητά του, πρέπει να φέρει ένα στοιχείο της δικής του καταστροφής. Ένα στοιχείο που τίθεται σε ισχύ όταν το σύστημα δεν μπορεί πλέον να ανταπεξέλθει στα καθήκοντά του, ένα στοιχείο που αναδομεί πλήρως το σύστημα για νέες πραγματικότητες.

Ομοίως, στην τεχνητή νοημοσύνη, φαίνεται να μην υπάρχει χώρος για λογικά επίπεδα και μετα-μεταβάσεις (ειδικά ενόψει της προηγούμενης ενότητας σχετικά με τις συσχετίσεις και τις γενικεύσεις). Όλοι οι κανόνες (είναι νευρώνες κατά την κατανόησή μας) εμπλέκονται ταυτόχρονα στη λήψη αποφάσεων σε οποιοδήποτε επίπεδο. Κανόνες-νευρώνες μπορούν να παραταχθούν δυναμικά σε διάφορα σύνολα, σε διάφορες ιεραρχίες. Αλλά ακόμα και με μια τέτοια δυναμική ευθυγράμμιση, δεν θα έχουν ιεραρχική αυστηρότητα, ένα στοιχείο από το κατώτερο επίπεδο μπορεί εύκολα να επηρεάσει το ανώτερο επίπεδο, τόσο που θα το ξαναχτίσει πλήρως.

Σε κάθε συγκεκριμένη περίπτωση εφαρμογής των κανόνων, μπορείτε να δημιουργήσετε τη δική σας ιεραρχία. Όμως αυτή η ιεραρχία δεν είναι στατική, όπως συμβαίνει με διάφορες επισημοποιήσεις. Στη νοημοσύνη, όλα εξαρτώνται από ποια πλευρά να τραβήξετε, ποια γωνία να κοιτάξετε. Κάθε γωνία έχει τη δική της ιεραρχία και μπορεί να υπάρχουν πολλές τέτοιες «γωνίες θέασης». Μέσα στη διάνοια, προφανώς, δεν υπάρχει σαφής ιεραρχία (αυτό δεν σημαίνει το επίπεδο «υλισμικού» που καθορίζει ποιο μέρος του εγκεφάλου είναι υπεύθυνο για ποια όργανα).

Κβαντική γενετική

Πολλά ενδιαφέροντα πράγματα έχουν ειπωθεί για τον κβαντικό υπολογισμό και τις κβαντικές ιδιότητες της νοημοσύνης. Κάποιοι μάλιστα πιστεύουν ότι ο εγκέφαλος μπορεί να «συσπάσει» άμεσα τις κβαντικές διαδικασίες για να σκεφτεί.

Εν ολίγοις, η ουσία του κβαντικού υπολογισμού συνοψίζεται σε αυτό. Τα αρχικά δεδομένα εφαρμόζονται σε μικρό αριθμό στοιχειωδών σωματιδίων. Κατά τη διαδικασία επίλυσης δεδομένων, ένας τεράστιος όγκος δεδομένων αρχίζει να επεξεργάζεται ταυτόχρονα. διαφορετικοί τρόποιΕπιπλέον, αυτές οι μέθοδοι επικοινωνούν μεταξύ τους, μαθαίνουν από ποιον είναι καλύτερη η λύση, από ποιον είναι χειρότερη, οι κακές αποφάσεις αποδυναμώνονται, οι καλές ενισχύονται.

Αυτό συμβαίνει λόγω του γεγονότος ότι κατά την έναρξη των κβαντικών υπολογισμών, κάθε σωματίδιο "αισθάνεται" εντελώς την κατάσταση όλων των άλλων σωματιδίων που συμμετέχουν στον υπολογισμό και αισθάνεται αμέσως και χωρίς σημαντική δαπάνη ενέργειας. Όταν εκτοξεύεται η λύση, τα σωματίδια βυθίζονται σε μια «λεσμένη» («μπλεγμένη») κατάσταση, η οποία δεν μπορεί να διερευνηθεί από τον έξω κόσμο. Σε κατάσταση κηλίδας, κάθε σωματίδιο δεν έχει καθαρή φυσική κατάσταση, κάθε σωματίδιο βρίσκεται ταυτόχρονα σε πολλές καταστάσεις και μπορεί να συμμετέχει σε πολλές παράλληλες διεργασίες (επιπλέον, αυτές οι διεργασίες «αισθάνονται» η μία την άλλη). Επιπλέον, όσο περισσότερα σωματίδια συμμετέχουν στο διάλυμα, τόσο περισσότερες καταστάσεις μπορεί να έχει το ίδιο σωματίδιο ταυτόχρονα.

Αν προσπαθήσουμε να μπούμε σε μια κατάσταση κηλίδας και να δούμε τι υπάρχει εκεί μέσα, τότε σε κάθε δεδομένη στιγμή θα έχουμε συγκεκριμένες φυσικές καταστάσεις σωματιδίων, χωρίς μια ένδειξη πολλών ταυτόχρονων καταστάσεων. Επιπλέον, μετά από μια τέτοια παρέμβαση, η πορεία της απόφασης θα καταστραφεί εντελώς, η πολλαπλή κατάσταση δεν μπορεί να αποκατασταθεί. Επομένως, αυτό που συμβαίνει στο διάστημα μεταξύ του καθορισμού των δεδομένων εισόδου και της αφαίρεσης του αποτελέσματος της λύσης είναι ένα μυστήριο. Αποδεικνύεται ότι μια μικρή ποσότητα δεδομένων εισόδου στη διαδικασία επίλυσης δημιουργεί πολλές τάξεις μεγέθους πιο περίπλοκη εσωτερική κατάσταση, η οποία δεν είναι σαφής πώς εξελίσσεται, δεν προσφέρεται για έρευνα και, ωστόσο, δίνει τη σωστή λύση. Η κατάσταση που καταγράφεται κατά την προσπάθεια διερεύνησης της κηλιδωμένης κατάστασης είναι πιθανολογικής φύσης. Με τη σωστή μεταγλώττιση του κβαντικού αλγορίθμου, είναι δυνατό να γίνει η πιθανότητα αφαίρεσης της σωστής λύσης πολύ μεγαλύτερη από την πιθανότητα αφαίρεσης της λάθος λύσης (δηλαδή, η λύση πρέπει να αφαιρεθεί τουλάχιστον πολλές φορές).

Φαίνεται ότι με αυτόν τον τρόπο μπορείτε να αποκτήσετε τεράστια υπολογιστική ισχύ σχεδόν δωρεάν. Αλλά υπάρχει ένα πρόβλημα - τα σωματίδια της λύσης πρέπει να απομονωθούν πλήρως από τον έξω κόσμο, διαφορετικά ο έξω κόσμος θα καταρρίψει την ορθότητα της πορείας της λύσης (παραβιάζει τη συνοχή). Πιστεύεται ότι η πλήρης απομόνωση είναι αδύνατη, επειδή (όπως λέει η κβαντική φυσική) κάθε σωματίδιο, κάθε κβαντικό, αρχικά λερώνεται σε ολόκληρο το σύμπαν και είναι στενά συνυφασμένο με κάθε άλλο σωματίδιο που αποτελεί το σύμπαν μας. Και, ως συνέπεια αυτής της άποψης, αποδεικνύεται ότι ο κβαντικός υπολογισμός δεν βυθίζει τα σωματίδια σε μια κατάσταση που κηλιδώνεται πάνω από εναλλακτικά σύμπαντα, αλλά προσελκύει άλλα, πολύ συγκεκριμένα σωματίδια από το δικό μας σύμπαν για να παραλληλίσει τους υπολογισμούς. Είναι αλήθεια ότι αυτό εξακολουθεί να μην εξαλείφει τις δυσκολίες στη μελέτη της εσωτερικής κατάστασης.

Από αυτό προκύπτουν αρκετά ενδιαφέροντα συμπεράσματα. Ο κβαντικός υπολογισμός σε υψηλές δυνάμεις δεν θα είναι σε θέση να μας παρέχει απόλυτα αληθινούς υπολογισμούς, αλλά είναι αρκετά κατάλληλος για εύλογες λύσεις, για παράδειγμα, στην τεχνητή νοημοσύνη, όπως περιγράφεται παραπάνω. Και ένα ακόμη συμπέρασμα, που διασταυρώνεται στενά με το προηγούμενο - οι κβαντικοί υπολογιστές δεν μπορούν να παρέχουν αυτογνωσία, αυτοστοχασμό, αφού αποτελούν αναπόσπαστο μέρος του σύμπαντος και επομένως δεν μπορούν να γνωρίσουν τον εαυτό τους και το σύμπαν στο σύνολό του, καθώς αποτελούν αναπόσπαστο μέρος του. Αυτός είναι ο λόγος που οι κβαντικές αβεβαιότητες ακολουθούν στην πραγματικότητα όταν προσπαθούμε να μετρήσουμε τις καταστάσεις των κβαντικών σωματιδίων, όπως σημειώσαμε στα προηγούμενα μέρη. Εξάλλου, είναι αδύνατο να γνωρίσει κανείς πλήρως τον εαυτό του μόνο με τη βοήθεια του εαυτού του. Η κβαντική αβεβαιότητα είναι στην πραγματικότητα μια άμεση συνέπεια του θεωρήματος του Gödel, το οποίο δηλώνει ότι ένα τυπικό σύστημα δεν μπορεί να γνωρίσει τον εαυτό του με απόλυτη αληθινή ακρίβεια.

Τώρα ας επιστρέψουμε στην ευφυΐα. Πολλοί ερευνητές έχουν παρατηρήσει σωστά τις ομοιότητες μεταξύ των ιδιοτήτων του κβαντικού υπολογισμού και των διανοητικών διεργασιών στους ανθρώπους. Οι πιο ενδιαφέρουσες ιδιότητες για εμάς είναι οι εξής. Η είσοδος και η έξοδος απόφασης είναι ένα αρκετά απλό σύνολο καταστάσεων. Αυτές οι απλές καταστάσεις βυθίζουν τον εγκέφαλο σε μια πολύ πιο περίπλοκη κατάσταση που δεν μπορεί να διερευνηθεί από έξω. Μια προσπάθεια διερεύνησης αυτής της κατάστασης ή κατάργησης μιας λύσης, παράγει ξανά ένα σύνολο απλές καταστάσεις, εξάλλου, αυτές οι καταστάσεις είναι επίσης πιθανολογικές και είναι πιο πιθανό να δώσουν μια σωστή λύση παρά μια λάθος. Είναι δύσκολο για ένα άτομο να συνειδητοποιήσει αυτή την εσωτερική κατάσταση, σε αντίθεση με την είσοδο / έξοδο, αλλά αυτή είναι μια εσωτερική κατάσταση, η οποία ονομάζεται "αισθητή". Όπως και στον κβαντικό υπολογισμό, η ρύθμιση της αρχικής κατάστασης και η αφαίρεση της λύσης είναι αρκετά χρονοβόρες διαδικασίες. Έτσι, είναι εύκολο για ένα άτομο να σκέφτεται "μέσα στον εαυτό του", αλλά για να μεταφέρει τις σκέψεις του προς τα έξω, σε ένα άλλο άτομο - πρέπει να προσπαθήσετε σκληρά.

Τώρα μένει μόνο να σημειωθεί ότι οι παραπάνω ιδιότητες του κβαντικού υπολογισμού και της ανθρώπινης νοημοσύνης είναι πρακτικά εφαρμόσιμες μία προς μία στον αλγόριθμο τεχνητής νοημοσύνης που περιγράφηκε προηγουμένως, ο οποίος βασίστηκε σε έναν γενετικό αλγόριθμο.

Τελικά, στην πραγματικότητα, φαίνεται, πού στον εγκέφαλο, με τα κύματα, τις συχνότητες και τους νευρώνες του, μπορεί να προκύψει κάποια ομοιότητα ενός γενετικού αλγορίθμου, με τα χρωμοσώματά του και τις εναλλακτικές λύσεις; Αποδεικνύεται, αν κοιτάξετε από την άλλη πλευρά, ο γενετικός αλγόριθμος είναι μόνο μία από τις εκδηλώσεις περισσότερων γενική τάξηδιαδικασίες.

Αποδεικνύεται ότι ο εγκέφαλος, για να επιδείξει ενδιαφέρουσες κβαντικές ιδιότητες, δεν χρειάζεται να τραβήξει απευθείας τις κβαντικές διαδικασίες, υπάρχουν πιο ρεαλιστικές εξηγήσεις. Και ακόμη και ο ίδιος ο κβαντικός υπολογισμός δεν χρειάζεται να προσελκύει τον μυστικισμό για τα παράλληλα σύμπαντα και τις απόλυτες αλήθειες, επειδή μπορεί κάλλιστα να οργανωθούν σε μικροεπίπεδο σε κάποιο είδος γενετικού αλγόριθμου που προσποιείται ότι βυθίζει σωματίδια σε μια κηλιδωμένη κατάσταση, αλλά στην πραγματικότητα περιεχόμενο με τους υπολογιστικούς πόρους του δικού του σύμπαντος.

Μπορεί κάλλιστα στη διασταύρωση κβαντικών υπολογιστών, γενετικών αλγορίθμων και άλλων τομέων της τεχνητής νοημοσύνης, να προκύψει μια νέα θεωρία υπολογισμού, η οποία θα επιτρέψει την κατασκευή πιο ισχυρών κβαντικών υπολογιστών και θα επιτρέψει, με βάση την αυστηρή συσκευή κβαντική φυσική, για να εξηγήσει με μεγαλύτερη ακρίβεια τις διαδικασίες που συμβαίνουν στη νοημοσύνη. Άλλωστε, αυτό στο οποίο έχουμε καταλήξει μέχρι στιγμής για την κατανόηση της νοημοσύνης μοιάζει με ένα ανέκδοτο «αισθάνομαι στο έντερό μου ότι 0,5 + 0,5 θα είναι ένα λίτρο, αλλά δεν μπορώ να το αποδείξω μαθηματικά», όταν μπορούμε να το κάνουμε, αλλά δεν μπορούμε εξηγήστε γιατί συμβαίνει αυτό.

Εσωτερική αναπαράσταση πραγμάτων

Πώς αντιπροσωπεύει ο εγκέφαλος εξωτερικά πράγματα; Μπορεί να φαίνεται ότι ο εγκέφαλος αναδημιουργεί ένα φυσικό μοντέλο αντικειμένων και φαινομένων, το οποίο οδηγεί σε πολλά λανθασμένα συμπεράσματα. Στην πραγματικότητα, η εσωτερική αναπαράσταση δεν είναι καθόλου ίδια με το φυσικό μοντέλο. Το εσωτερικό μοντέλο είναι εύλογο. Το εσωτερικό μοντέλο σχηματίζει ένα ανάλογο που καταγράφει μόνο τις ιδιότητες ενός αντικειμένου που είναι πιο σημαντικές για εμάς, εκείνες τις ιδιότητες που χρησιμοποιούνται στην καθημερινή εμπειρία. Αυτό το εσωτερικό μοντέλο αποκαλείται μερικές φορές «αφελής φυσική». Μέσα στα όρια της καθημερινής εμπειρίας, ένα τέτοιο μοντέλο δίνει, αν και λανθασμένα, αλλά αρκετά πρακτικά αποτελέσματα. Μόλις όμως ξεπεράσουμε τα όρια της καθημερινής εμπειρίας, ένα τέτοιο μοντέλο αποτυγχάνει.

Το σύνολο των κανόνων που σχηματίζουν ένα τέτοιο μοντέλο μπορεί να απέχει πολύ από την πραγματική φυσική αναπαράσταση. Εξαιτίας αυτού, η εσωτερική αναπαράσταση φέρει στο παράρτημα ένα πλήθος «φανταστικών» ιδιοτήτων πραγματικών αντικειμένων, η εσωτερική αναπαράσταση αρχίζει να «ζει τη δική της ζωή». Για παράδειγμα, κινούμενα σχέδια. Ένα άτομο μπορεί εύκολα να αναγνωρίσει ένα πρόσωπο που σχεδιάζεται σε μια καρικατούρα, τα εκπαιδευμένα άτομα μπορούν να σχεδιάσουν καρικατούρες. Αλλά τα συστήματα αναγνώρισης προσώπου είναι μπερδεμένα κινούμενα σχέδια. Και δικαίως, αν και υπάρχει ένα εύλογο μοντέλο σε αναγνωριστικά, είναι πολύ πιο κοντά στο φυσικό παρά στο ανθρώπινο.

Η εγγενής αναπαράσταση έχει επίσης τη διαφορά πολυπλοκότητας που περιγράφηκε προηγουμένως. Συνίσταται στο γεγονός ότι ένα απλούστερο αντικείμενο ή φαινόμενο δημιουργεί μια πολύ πιο περίπλοκη εσωτερική αναπαράσταση, η οποία είναι υπεύθυνη για τη μοντελοποίηση της ουσίας των πραγμάτων. Εξάλλου, η νοημοσύνη δεν μπορεί να προσομοιώσει άμεσα τη φυσική. Μια απλή ιδέα γεννά μια «αίσθηση» της ουσίας των πραγμάτων, όταν αισθάνεστε γιατί συμβαίνει αυτό, αλλά δεν μπορείτε να εξηγήσετε. Μια πιο σύνθετη αναπαράσταση μπορεί να τραβήξει την αναπαράσταση των πραγμάτων στο επίπεδο της κατανόησης, της φαντασίας, στο επίπεδο της συνειδητής σκέψης (παράδειγμα με κινούμενα σχέδια).

Γεια σου λογική

Τι είναι η λογική και από πού προέρχεται η υψηλότερη πνευματική δραστηριότητα;

Η διάνοιά μας έχει περάσει από τις πιο απλές αντιδράσεις «εισόδου-εξόδου» στον συνδυασμό ενός τεράστιου αριθμού ανταγωνιστικών διαδικασιών που αποσυνθέτουν την κατάσταση εισόδου σε μια πολύ πιο περίπλοκη εσωτερική αναπαράσταση.

Ως αποτέλεσμα, για ορισμένα πράγματα μπορούν να δημιουργηθούν συμπλέγματα κανόνων τεράστιας πολυπλοκότητας (πολύ πιο περίπλοκα από τη φυσική του αρχικού πράγματος), που είναι η εσωτερική αναπαράσταση αυτού του πράγματος. Το τι ακριβώς είδους μπορεί να είναι αυτοί οι κανόνες και πώς κατά προσέγγιση μπορούν να διαμορφωθούν περιγράφεται παραπάνω. Αλλά το κύριο πράγμα είναι ότι λόγω μιας τέτοιας διαφοράς στην πολυπλοκότητα μεταξύ του αρχικού φαινομένου και της περιγραφής του, καθίσταται δυνατή μια ποιοτικά διαφορετική αναπαράσταση αυτού του φαινομένου, γεγονός που καθιστά δυνατή την εξαγωγή νέας γνώσης για αυτό το φαινόμενο με υψηλό βαθμό αληθοφάνειας.

Επιτρέψτε μου να σας υπενθυμίσω ότι το παράδοξο της νοημοσύνης εναντίον του αλγόριθμου έγκειται στο γεγονός ότι ένας αλγόριθμος μπορεί να προσομοιώσει μόνο ανόητα τη φυσική ενός πράγματος, χωρίς να συνειδητοποιήσει την ουσία του φαινομένου, δεν μπορεί να αντλήσει νέα γνώση για το φαινόμενο και δεν μπορεί καν να εγγυηθεί την αλήθεια του έργου του. Η νοημοσύνη, λόγω μιας πολύ πιο περίπλοκης εσωτερικής αναπαράστασης της ουσίας των πραγμάτων, είναι σε θέση όχι μόνο να μοντελοποιήσει αυτά τα πράγματα, αλλά και να συναγάγει νέα γνώση για αυτά, ακόμη και να αξιολογήσει την αλήθεια των κρίσεων για αυτό το πράγμα, και με υψηλή βαθμό αληθοφάνειας.

Η μετάβαση της πολυπλοκότητας, που αναπτύσσει την αναπαράσταση της ουσίας των αντικειμένων και των φαινομένων, σε μια αναπαράσταση, πολλές τάξεις μεγέθους πιο περίπλοκη από την αρχική «φυσική» αντικειμένων και φαινομένων, είναι ένας καλός υποψήφιος για το ρόλο της κατανόησης. Υπάρχει μια αποσύνθεση σε μια πολύπλοκη εσωτερική αναπαράσταση - υπάρχει κατανόηση και υψηλής ποιότητας χειρισμός της ουσίας των πραγμάτων, μια ευέλικτη απάντηση είναι δυνατή όταν προκύπτουν απροσδόκητες καταστάσεις. Δεν υπάρχει τέτοια αποσύνθεση - μόνο ανόητο "στρίμωγμα" είναι δυνατό, τυφλή προσκόλληση στον αλγόριθμο, ο οποίος δεν αποδίδει νέα γνώση και δεν δίνει αναφορά για την ουσία ή την αλήθεια του έργου του και μπερδεύεται όταν προκύπτουν νέοι παράγοντες.

Η βαρετή τήρηση του αλγόριθμου δεν προσελκύει την υψηλότερη πνευματική δραστηριότητα, επομένως είναι γρήγορη και αποτελεσματική, όπου χρειάζεται μόνο μια σαφής αντίδραση σε τυπικές καταστάσεις. Η ανώτερη πνευματική δραστηριότητα, με την έλξη της κατανόησης, είναι σε θέση να καθηλώσει αργά διαφορετικούς αλγόριθμους, αλλά δεν είναι σε θέση να τους εκτελέσει γρήγορα. Συνδυασμοί αυτών των μεθόδων είναι επίσης δυνατοί.

Το επόμενο λογικό ερώτημα είναι - είναι δυνατόν να καταλάβουμε τι συμβαίνει στη διαδικασία της κατανόησης; Και η ίδια λογική απάντηση - πιθανότατα ναι, αλλά αυτό θα απαιτήσει μια τέτοια αναπαράσταση των διαδικασιών που συμβαίνουν στη νόηση, η οποία θα ήταν πολλές τάξεις μεγέθους ανώτερη από την πολυπλοκότητα των αρχικών διανοητικών διαδικασιών. Δηλαδή, μπορούμε να μάθουμε κάτι για τη διάνοια, μπορούμε να κάνουμε κάτι, αλλά δεν είμαστε σε θέση να κατανοήσουμε πλήρως και ποιοτικά το έργο της ανθρώπινης διανόησης - απλά η δύναμη του εγκεφάλου δεν αρκεί. Αν και μπορούμε να μελετήσουμε και να χρησιμοποιήσουμε τα μοτίβα, όπως χρησιμοποιούμε τους υπολογιστές τώρα, χωρίς πλήρη επίγνωση των διαδικασιών που λαμβάνουν χώρα σε αυτά. Δεν είναι ρεαλιστικό να φανταστούμε τις διεργασίες που λαμβάνουν χώρα σε όλα τα εκατομμύρια τρανζίστορ, αν και είναι πολύ πιθανό να κατανοήσουμε πώς λειτουργούν οι λογικές μονάδες των κυκλωμάτων υπολογιστών και πώς συνδυάζονται σε υψηλότερα επίπεδα. Το ίδιο ισχύει και για τη διάνοια.

Από τα παραπάνω, γίνεται σαφές γιατί η κατανόηση είναι δύσκολο να εξηγηθεί και γιατί η κατανόηση είναι εύκολη, γιατί είναι δυνατόν να δημιουργηθούν λογικές κατασκευές που συνοδεύουν την κατανόηση και γιατί είναι πολύ δύσκολο να αναπαραχθεί ολόκληρη η βάση που οδήγησε στην κατανόηση εαυτό. Θα υπάρχει μια ολόκληρη ενότητα για αυτό παρακάτω. Από εδώ γίνεται σαφές τι είναι ένα συναίσθημα, τι είναι το συναίσθημα μιας κατάστασης, γιατί τα συναισθήματα και οι αισθήσεις είναι δύσκολο να εκφραστούν, αλλά εύκολα να αισθανθούν. Γενικά, υπάρχουν πολλές ενδιαφέρουσες συνέπειες, που ενδιαφέρονται - κοιτάξτε προς την κατεύθυνση των κβαντικών ιδιοτήτων της συνείδησης.

Ένα άλλο ερώτημα είναι πώς ακριβώς αποδεικνύεται ότι έχουμε επίγνωση του εαυτού μας, συνειδητοποιώντας τον κόσμο γύρω μας; Θα αποκτήσουν οι σκεπτόμενες μηχανές αυτού του είδους την επίγνωση; Αυτό το θεμελιώδες φιλοσοφικό ερώτημαδεν εμπίπτει στο πεδίο της τεχνητής νοημοσύνης, αλλά θα προσπαθήσουμε να απαντήσουμε στο επόμενο μέρος.

Συνεχίζοντας τη σκέψη για τις διαφορές στην πολυπλοκότητα και την κατανόηση, καταλήγουμε στο συμπέρασμα ότι μια υπερ-σύνθετη εσωτερική αναπαράσταση, στο τέλος, θα είναι σε θέση να δημιουργήσει πολύ λεπτές, θα έλεγε κανείς αιχμηρές, υπερ-εναρμονισμένες άκρες από την εσωτερική αναπαράσταση του πράγματα. Με άλλα λόγια, εξιδανίκευση ή αφαίρεση των αρχικών πραγμάτων.

Αυτές οι αφαιρέσεις οφείλουν τη γέννησή τους σε έναν πολλαπλό συνδυασμό ενός τεράστιου αριθμού εσωτερικών, αντικρουόμενων και συνδυαστικών διαδικασιών. Αλλά σε αντίθεση με τα αποτελέσματα της αλληλεπίδρασης της πλειοψηφίας εσωτερικές διαδικασίες, για αφαιρέσεις, το αποτέλεσμα δεν θα είναι θολό (πλατύ), αλλά θα συλλέγεται, λες, σε ένα σημείο, σε μία ή περισσότερες πολύ καθαρές ακμές ή κορυφές.

Φυσικά, οι αφαιρέσεις δημιουργούνται, μεταξύ άλλων, από την επαναλαμβανόμενη παρατήρηση των εκδηλώσεων των πραγματικών πρωτοτύπων τους, και τις επαναλαμβανόμενες αντανακλάσεις που περιλαμβάνουν την εσωτερική αναπαράσταση των αντικειμένων. Επιπλέον, η επανάληψη αυτών των παρατηρήσεων και στοχασμών είναι σίγουρα υψηλότερη από αυτή άλλων αντικειμένων που δεν δίνουν αφαιρέσεις. Και η φύση των κανόνων που δίνουν μια εσωτερική αναπαράσταση των αφαιρέσεων είναι πιθανώς πιο τακτοποιημένη, πιο προσαρμοσμένη στην κορυφαία εναρμόνιση, μορφή.

Το επόμενο βήμα είναι ότι τέτοιες κορυφαίες εναρμονίσεις θα μπορούν να ενωθούν σε μακριές αλυσίδες, ενεργώντας σύμφωνα με τους δικούς τους νόμους. Έτσι, παίρνουμε ένα νέο επίπεδο σκέψης, αφηρημένο ή λογικό. Φυσικά, αυτό το επίπεδο είναι πολύ πιο δύσκολο από τη συνηθισμένη κατανόηση και δεν είναι κάθε πλάσμα προικισμένο με κατανόηση ικανό για πολύπλοκες λογικές κατασκευές.

Τέτοιες αφηρημένες αλυσίδες θα ζουν σύμφωνα με τους δικούς τους νόμους, κάπου μοιάζουν με τα αρχικά πρωτότυπα, κάπου απομακρύνονται από αυτά.

Προσέξτε από πού προήλθαν οι λογικές κατασκευές. Δεν βρίσκονται στο αλγοριθμικό επίπεδο, ούτε καν στο επόμενο επίπεδο, στο επίπεδο της κατανόησης. Είναι ήδη το τρίτο επίπεδο νοημοσύνης, ένα είδος κατανόησης έναντι της κατανόησης.

Μένει να υπενθυμίσουμε ότι στη διαδικασία των λογικών κατασκευών, ο εγκέφαλος «προσποιείται» μόνο ότι λειτουργεί σαν ανόητος αλγόριθμος, σαν μια πρωτόγονη μηχανή συμπερασμάτων. Στην πραγματικότητα, οι διαδικασίες που εμπλέκονται σε λογικές κατασκευές είναι τεράστιες τάξεις μεγέθους πιο περίπλοκες από τις αρχικές λογικές κατασκευές, και λόγω αυτού του άλματος στην πολυπλοκότητα, η διάνοια καταφέρνει να δημιουργήσει νέες λογικές κατασκευές και να κρίνει την αλήθεια τους με υψηλό βαθμό ακρίβειας.

Με τον ίδιο τρόπο, ο εγκέφαλος μπορεί να μιμηθεί τη δουλειά των υπολογιστών (μηχανές Turing), λόγω «βαριών» διεργασιών, αν και φαίνεται ότι ο εγκέφαλος ακολουθεί «λεπτούς» αλγόριθμους (ειδικά αν ο εγκέφαλος είναι εκπαιδευμένος να το κάνει).

Και λίγα περισσότερα για τις λεπτές λογικές κατασκευές και τους αλγόριθμους. Στους αμύητους, μπορεί να φαίνεται ότι όταν σκέφτεται μαθηματικές αλήθειες ή όταν συντάσσει προγράμματα υπολογιστή, ένας πεφωτισμένος σοφός κάθεται με κάποια όψη διαλογισμού και με τη βοήθεια της σωστής λογικής καταλήγει στα σωστά συμπεράσματα ή καταλήγει στο σωστό πρόγραμμα . Στην πραγματικότητα, αυτό που συμβαίνει μοιάζει περισσότερο με το παρακάτω διάγραμμα.

• Βρήκε "κάτι", μια αρχική έκδοση (ή ακόμα και κατά λάθος το δημιούργησε).
• Έλεγξα τη δουλειά αυτού του «κάτι» μιμούμενος λογικούς συλλογισμούς, απομνημονευμένους προβληματικές περιοχές.
• Προσπάθησα να βελτιώσω τις προβληματικές περιοχές πληκτρολογώντας (βελτίωσα αυτό το "κάτι").
• Ελέγξτε τη βελτιωμένη έκδοση και ούτω καθεξής.

Σε τελική ανάλυση, ο εγκέφαλος είναι σε θέση όχι τόσο να παράγει σωστές λογικές αλυσίδες εν κινήσει, αλλά να ελέγχει τη λειτουργία αυτών των αλυσίδων μιμούμενος τη λογική συλλογιστική. Ένα άλλο πράγμα είναι ότι ο εγκέφαλος έχει μια τεράστια «βιβλιοθήκη» προτύπων για διαφορετικές καταστάσεις, συν ένα σωρό εύλογους κανόνες για το πώς να συνδυάσετε αυτά τα πρότυπα μεταξύ τους. Εφαρμόζοντας αυτούς τους κανόνες και τα μοτίβα, με έναν μικρό αριθμό προσπαθειών, είναι δυνατό να δημιουργηθούν καλοί λογικοί συλλογισμοί και προγράμματα. Συγκεκριμένα, τέτοιοι κανόνες μπορούν να περιλαμβάνουν διαγνωστικά για τη λειτουργία διαφορετικών συνδυασμών προτύπων και μπορούν και θα ενημερώνονται δυναμικά, αντί να εκτελούνται λογικές κατασκευές σε ολόκληρο τον όγκο δεδομένων κάθε φορά.

Αυτή την εβδομάδα θα μπορούσατε να διαβάσετε μια εξαιρετικά συγκινητική περίπτωση από έναν μαθητή του GeekBrains που σπούδασε το επάγγελμα, όπου μίλησε για έναν από τους στόχους του, που οδήγησε στο επάγγελμα - την επιθυμία να μάθεις την αρχή της εργασίας και να μάθεις πώς να δημιουργείς μόνος σου bots παιχνιδιών.

Πράγματι, ήταν η επιθυμία να δημιουργήσουμε τέλεια τεχνητή νοημοσύνη, είτε πρόκειται για ένα μοντέλο παιχνιδιού είτε για ένα πρόγραμμα για κινητά, που ώθησε πολλούς από εμάς στο μονοπάτι ενός προγραμματιστή. Το πρόβλημα είναι τι κρύβεται πίσω από τους τόνους διδακτικό υλικόκαι τη σκληρή πραγματικότητα των πελατών, αυτή ακριβώς η επιθυμία αντικαταστάθηκε από μια απλή επιθυμία για αυτο-ανάπτυξη. Για όσους δεν έχουν αρχίσει ακόμα να εκπληρώνουν τα παιδικά τους όνειρα, εδώ είναι ένας σύντομος οδηγός για τη δημιουργία μιας πραγματικής τεχνητής νοημοσύνης.

Στάδιο 1. Απογοήτευση

Όταν μιλάμε για τη δημιουργία τουλάχιστον απλών bots, τα μάτια γεμίζουν λάμψη και εκατοντάδες ιδέες αναβοσβήνουν στο κεφάλι του για το τι πρέπει να μπορεί να κάνει. Ωστόσο, όταν πρόκειται για την υλοποίηση, αποδεικνύεται ότι τα μαθηματικά είναι το κλειδί για την αποκάλυψη της πραγματικής συμπεριφοράς. Ναι, η τεχνητή νοημοσύνη είναι πολύ πιο δύσκολη από τη σύνταξη προγραμμάτων εφαρμογών - η γνώση του σχεδιασμού λογισμικού από μόνη της δεν θα σας αρκεί.

Τα μαθηματικά είναι το επιστημονικό εφαλτήριο πάνω στο οποίο θα χτιστεί ο περαιτέρω προγραμματισμός σας. Χωρίς γνώση και κατανόηση αυτής της θεωρίας, όλες οι ιδέες θα σπάσουν γρήγορα για την αλληλεπίδραση με ένα άτομο, επειδή ένα τεχνητό μυαλό δεν είναι στην πραγματικότητα τίποτα περισσότερο από ένα σύνολο τύπων.

Στάδιο 2. Αποδοχή

Όταν η αλαζονεία είναι λίγο γκρεμισμένη από τη φοιτητική λογοτεχνία, μπορείτε να αρχίσετε να εξασκείτε. Το να ρίξετε τον εαυτό σας στο LISP ή σε άλλους δεν αξίζει ακόμα - θα πρέπει πρώτα να βολευτείτε με τις αρχές του σχεδιασμού AI. Η Python είναι ιδανική τόσο για γρήγορη εκμάθηση όσο και για περαιτέρω ανάπτυξη - αυτή είναι η γλώσσα που χρησιμοποιείται συχνότερα για επιστημονικούς σκοπούς, γι' αυτήν θα βρείτε πολλές βιβλιοθήκες που θα διευκολύνουν την εργασία σας.

Στάδιο 3. Ανάπτυξη

Τώρα στραφούμε απευθείας στη θεωρία του AI. Μπορούν να χωριστούν χονδρικά σε 3 κατηγορίες:

• Αδύναμο AI - bots που βλέπουμε σε παιχνίδια υπολογιστή ή απλοί βοηθοί όπως το Siri. Είτε εκτελούν εξαιρετικά εξειδικευμένες εργασίες είτε αποτελούν ένα ασήμαντο σύμπλεγμα αυτών και κάθε απρόβλεπτη αλληλεπίδραση τους μπερδεύει.
• Το Strong AI είναι ένα μηχάνημα του οποίου η ευφυΐα είναι συγκρίσιμη με αυτή ενός ανθρώπινου εγκεφάλου. Σήμερα, δεν υπάρχουν πραγματικοί εκπρόσωποι αυτής της κατηγορίας, αλλά υπολογιστές όπως ο Watson είναι πολύ κοντά στην επίτευξη αυτού του στόχου.
• Το τέλειο AI είναι το μέλλον, ένας μηχανικός εγκέφαλος που θα ξεπεράσει τις δυνατότητές μας. Σχετικά με τον κίνδυνο τέτοιων εξελίξεων προειδοποιούν οι Stephen Hawking, Elon Musk και το franchise ταινιών Terminator για τον κίνδυνο.

Φυσικά, θα πρέπει να ξεκινήσετε με τα πιο απλά ρομπότ. Για να το κάνετε αυτό, θυμηθείτε παλιό καλό παιχνίδι"Tic-tac-toe" όταν χρησιμοποιείτε το πεδίο 3x3 και προσπαθήστε να μάθετε μόνοι σας τους βασικούς αλγόριθμους ενεργειών: την πιθανότητα να κερδίσετε με ενέργειες χωρίς σφάλματα, τις πιο επιτυχημένες θέσεις στο γήπεδο για τη θέση του κομματιού, το πρέπει να μειώσει το παιχνίδι σε ισοπαλία, και ούτω καθεξής.

Αρκετές δεκάδες παιχνίδια και αναλύοντας τις δικές σας ενέργειες, μπορείτε πιθανώς να επισημάνετε όλες τις σημαντικές πτυχές και να τις ξαναγράψετε σε κώδικα μηχανής. Αν όχι, συνεχίστε να σκέφτεστε, και αυτός ο σύνδεσμος είναι εδώ για κάθε ενδεχόμενο.

Παρεμπιπτόντως, αν εξακολουθείτε να καταλαμβάνετε τη γλώσσα Python, τότε μπορείτε να δημιουργήσετε ένα αρκετά απλό bot ανατρέχοντας σε αυτό το λεπτομερές εγχειρίδιο. Για άλλες γλώσσες, όπως η C ++ ή η Java, δεν θα δυσκολευτείτε ούτε να βρείτε υλικό βήμα προς βήμα. Νιώθοντας ότι δεν υπάρχει τίποτα υπερφυσικό πίσω από τη δημιουργία του AI, μπορείτε να κλείσετε με ασφάλεια το πρόγραμμα περιήγησης και να ξεκινήσετε προσωπικά πειράματα.

Στάδιο 4. Ενθουσιασμός

Τώρα που τα πράγματα έχουν ξεφύγει, μάλλον θέλετε να δημιουργήσετε κάτι πιο σοβαρό. Ένας αριθμός από τους ακόλουθους πόρους θα σας βοηθήσουν σε αυτό:

Όπως καταλαβαίνετε ακόμη και από τα ονόματα, πρόκειται για API που θα σας επιτρέψουν να δημιουργήσετε κάποια εμφάνιση σοβαρής τεχνητής νοημοσύνης χωρίς να χάσετε χρόνο.

Στάδιο 5. Εργασία

Τώρα, όταν καταλαβαίνετε ήδη ξεκάθαρα πώς να δημιουργήσετε AI και τι να χρησιμοποιήσετε ταυτόχρονα, ήρθε η ώρα να μεταφέρετε τις γνώσεις σας σε ένα νέο επίπεδο. Πρώτον, απαιτεί μια πειθαρχική μελέτη που ονομάζεται Μηχανική Μάθηση. Δεύτερον, πρέπει να μάθετε πώς να εργάζεστε με τις κατάλληλες βιβλιοθήκες της επιλεγμένης γλώσσας προγραμματισμού. Για την Python που εξετάζουμε, αυτά είναι τα Scikit-learn, NLTK, SciPy, PyBrain και Numpy. Τρίτον, η ανάπτυξη είναι απαραίτητη. Και το πιο σημαντικό, τώρα θα μπορείτε να διαβάζετε λογοτεχνία AI με πλήρη κατανόηση του θέματος:

• Τεχνητή Νοημοσύνη για Παιχνίδια, Ian Millington;
• Μοτίβα προγραμματισμού παιχνιδιών, Robert Nystorm;
• Αλγόριθμοι AI, Δομές Δεδομένων και Ιδιώματα σε Prolog, Lisp και Java, George Luger, William Stbalfield.
• Υπολογιστική Γνωσιακή Νευροεπιστήμη, Randall O'Reilly, Yuko Munakata;
• Artificial Intelligence: A Modern Approach, Stuart Russell, Peter Norvig.

Και ναι, όλη ή σχεδόν όλη η βιβλιογραφία για αυτό το θέμα παρουσιάζεται σε μια ξένη γλώσσα, οπότε αν θέλετε να δημιουργήσετε τεχνητή νοημοσύνη επαγγελματικά, πρέπει να βελτιώσετε τα αγγλικά σας σε τεχνικό επίπεδο. Ωστόσο, αυτό είναι σχετικό για κάθε τομέα προγραμματισμού, έτσι δεν είναι;