Хиймэл оюун ухааныг хэрхэн бичих вэ. Хиймэл оюун. Бүтээлийн зөрчил ба асуудлууд. Яагаад хиймэл оюун ухаан хүнийг ялдаг вэ?

Хиймэл оюун ухаан 2017 оны 12-р сарын 15-нд мэдрэлийн сүлжээг бүтээжээ

Хиймэл оюун ухаан өөрийн мэдрэлийн сүлжээг бий болгох тэр мөчийг бид харж амьдарсан. Хэдийгээр олон хүмүүс үүнийг ижил зүйл гэж боддог. Гэвч үнэн хэрэгтээ бүх зүйл тийм ч энгийн биш бөгөөд одоо бид энэ нь юу болохыг, хэн хэнийг бүтээж чадахыг олж мэдэхийг хичээх болно.

Google-ийн тархины хэлтсийн инженерүүд энэ хавар AutoML-ийг үзүүлэв. Энэхүү хиймэл оюун ухаан нь хүний ​​оролцоогүйгээр өөрийн гэсэн өвөрмөц хиймэл оюун ухаан бүтээх чадвартай. Саяхан мэдсэнээр AutoML анх удаа компьютерийн харааны систем болох NASNet-ийг бүтээж чадсан байна. Энэхүү технологи нь урьд өмнө хүмүүсийн бүтээсэн бүх аналогиас хамаагүй илүү юм. Энэхүү хиймэл оюун ухаанд суурилсан систем нь бие даасан машиныг хөгжүүлэхэд маш сайн туслах болно. Энэ нь робот техникт бас хамаатай - роботууд цоо шинэ түвшинд хүрэх боломжтой болно.

AutoML-ийн хөгжил нь хүчирхэг сургалтын өвөрмөц систем дээр суурилдаг. Бид тодорхой тодорхой ажлуудад зориулагдсан цоо шинэ мэдрэлийн сүлжээг бие даан хөгжүүлдэг мэдрэлийн сүлжээ-менежерийн тухай ярьж байна. Манай тохиолдолд AutoML нь видеон дээрх объектуудыг бодит цаг хугацаанд нь хамгийн зөв таних системийг бий болгохыг зорьдог.

Хиймэл оюун ухаан өөрөө шинэ мэдрэлийн сүлжээг сургаж, алдааг хянаж, засч залруулах боломжтой болсон. Системийг ашиглахад бэлэн болтол сургалтын үйл явц олон удаа давтагдсан (хэдэн мянган удаа). Сонирхолтой нь тэрээр одоогийн байгаа хэдий ч хүмүүс хөгжүүлж, сургасан ижил төстэй мэдрэлийн сүлжээг тойрч гарч чадсан юм.

Үүний зэрэгцээ, AutoML нь NASNеt-ийн гүйцэтгэлийг үнэлж, энэ мэдээллийг охин сүлжээг сайжруулахад ашигладаг; энэ үйл явц хэдэн мянган удаа давтагддаг. Инженерүүд NASNet-ийг ImageNet болон COCO зургийн багц дээр туршиж үзэхэд энэ нь одоо байгаа бүх компьютерийн харааны системийг давж гарсан.

Google нь NASNet 82.7% нарийвчлалтайгаар хүлээн зөвшөөрч байгааг албан ёсоор зарлав. Энэ нь Момента, Оксфордын мэргэжилтнүүдийн энэ оны намрын эхээр тогтоосон өмнөх дээд амжилтаас 1.2%-иар өндөр байна. NASNet нь 43.1%-ийн дундаж нарийвчлалтай бусад хүмүүсээс 4% илүү үр ашигтай байдаг.

Мөн гар утасны платформд тохирсон NASNet-ийн хялбаршуулсан хувилбар байдаг. Энэ нь аналогиас гурваас дээш хувиар давж гардаг. Ойрын ирээдүйд энэ системийг бие даасан тээврийн хэрэгсэл үйлдвэрлэхэд ашиглах боломжтой болох бөгөөд үүнд компьютерийн харааны хүртээмж чухал юм. AutoML нь илүү өндөр оргилуудыг эзлэхийг эрмэлзэж, шинэ удамшлын мэдрэлийн сүлжээг үйлдвэрлэсээр байна.

Мэдээжийн хэрэг, энэ нь хиймэл оюун ухааны талаархи санаа зовоосон асуудалтай холбоотой ёс зүйн асуултуудыг бий болгож байна: Хэрэв AutoML системүүдийг нийгэм тэднийг гүйцэж чадахгүй тийм хурдтай бүтээвэл яах вэ? Гэсэн хэдий ч олон томоохон компаниуд AI-ийн аюулгүй байдлын асуудлыг анхаарч үзэхийг хичээ. Жишээлбэл, Amazon, Facebook, Apple болон бусад зарим корпорацууд нь хүмүүс болон нийгэмд тустай AI-ийн түншлэлийн гишүүн юм. Цахилгаан ба Инженерийн Хүрээлэн (IEE) хиймэл оюун ухаанд зориулсан ёс зүйн стандартыг санал болгосон бөгөөд жишээлбэл, DeepMind хиймэл оюун ухааны хэрэглээтэй холбоотой ёс суртахууны болон ёс суртахууны асуудлыг шийдвэрлэх бүлэг байгуулснаа зарлав.

Гэсэн хэдий ч олон томоохон компаниуд хиймэл оюун ухааны аюулгүй байдлын асуудлыг анхаарч үзэхийг хичээж байна. Мэдээжийн хэрэг, энэ нь хиймэл оюун ухааны талаархи санаа зовоосон асуудалтай холбоотой ёс зүйн асуултуудыг бий болгож байна: Хэрэв AutoML системүүдийг нийгэм тэднийг гүйцэж чадахгүй тийм хурдтай бүтээвэл яах вэ? Цахилгаан ба Инженерийн Хүрээлэн (IEE) хиймэл оюун ухаанд зориулсан ёс зүйн стандартыг санал болгосон бөгөөд жишээлбэл, DeepMind хиймэл оюун ухааны хэрэглээтэй холбоотой ёс суртахууны болон ёс суртахууны асуудлыг шийдвэрлэх бүлэг байгуулснаа зарлав. Жишээлбэл, Amazon, Facebook, Apple болон бусад зарим корпорацууд нь хүмүүс болон нийгэмд тустай AI-ийн түншлэлийн гишүүн юм.

Хиймэл оюун ухаан гэж юу вэ?

"Хиймэл оюун ухаан" гэсэн нэр томъёог Лисп хэлийг зохион бүтээгч, функциональ програмчлалыг үндэслэгч, хиймэл оюун ухааны судалгааны салбарт оруулсан асар их хувь нэмрийг нь үнэлэн Тюрингийн шагналын эзэн Жон МакКарти гаргажээ.
Хиймэл оюун ухаан нь хүн шиг ухаалаг сэтгэх чадвартай компьютер, компьютерийн удирдлагатай робот, программ бүтээх арга юм.

AI судалгааг судлах замаар хийдэг сэтгэцийн чадвархүн, дараа нь энэхүү судалгааны үр дүнг ухаалаг программ, системийг хөгжүүлэх үндэс болгон ашигладаг.

Мэдрэлийн сүлжээ гэж юу вэ?

Мэдрэлийн сүлжээний цаад санаа нь маш энгийн элементүүдээс цогц бүтцийг угсрах явдал юм. Тархины ганцхан хэсгийг үндэслэлтэй гэж үзэх боломжгүй ч хүмүүс IQ тестийг ихэвчлэн сайн хийдэг. Гэсэн хэдий ч өнөөг хүртэл "ямар ч зүйлээс" оюун ухаан бий болгох санааг ихэвчлэн шоолж байсан: бичгийн машинтай мянган сармагчингийн тухай хошигнол аль хэдийн зуун жилийн настай бөгөөд хэрэв хүсвэл мэдрэлийн сүлжээг шүүмжилж болно. Цицерон эрт орой хэзээ нэгэн цагт утга учиртай текст гарч ирэхийн тулд цэнхэр өнгөтэй болтол нь үсэг бүхий жетонуудыг агаарт шидэхийг шоолж санал болгосон. Гэсэн хэдий ч 21-р зуунд сонгодог зохиолууд дэмий шоолж байсан нь тодорхой болов: энэ бол шаргуу тууштай байж дэлхийг эзэгнэж чадах жетонтой сармагчингуудын арми юм.
Үнэн хэрэгтээ мэдрэлийн сүлжээг шүдэнзний хайрцагнаас ч угсарч болно: энэ нь мэдээллийг боловсруулах энгийн дүрмийн багц юм. "Хиймэл нейрон" буюу перцептрон нь тусгай төхөөрөмж биш, цөөн тооны арифметик үйлдэл юм.

Перцептрон нь хаана ч хялбар ажилладаггүй: энэ нь хэд хэдэн анхны тоог хүлээн авч, тус бүрийг энэ тооны "утга" -аар үржүүлдэг (доорх дэлгэрэнгүй), нэмж, үр дүнгээс хамааран 1 эсвэл -1 өгдөг. Жишээлбэл, бид нээлттэй талбайн зургийг авч, нейрондоо энэ зурган дээрх зарим цэгийг харуулдаг - өөрөөр хэлбэл бид санамсаргүй координатыг хоёр дохио болгон илгээдэг. Тэгээд бид: "Эрхэм нейрон, энэ тэнгэр эсвэл газар уу?" "Хасах нэг" гэж дамми хариулж, хуримтлагдсан үүл рүү тайван харав. -Дэлхий гэдэг нь тодорхой.

"Тэнгэрт хуруугаа түлхэх" нь перцептроны үндсэн ажил юм. Та түүнээс ямар ч үнэн зөвийг хүлээх боломжгүй: та зүгээр л зоос эргүүлж чадна. Ид шид нь машин сурах гэж нэрлэгддэг дараагийн шатанд эхэлдэг. Эцсийн эцэст бид зөв хариултыг мэддэг бөгөөд энэ нь бид үүнийг програмдаа бичиж болно гэсэн үг юм. Тиймээс буруу таамаглал бүрийн хувьд перцептрон шууд утгаараа торгууль, зөв ​​бол урамшуулал авдаг: ирж буй дохионы "үнэ цэнэ" нэмэгдэж эсвэл буурдаг. Үүний дараа хөтөлбөр үргэлжилдэг шинэ томъёо... Эрт орой хэзээ нэгэн цагт нейрон нь зураг дээрх дэлхий доор, тэнгэр дээр байгаа гэдгийг зайлшгүй "ойлгох" болно - өөрөөр хэлбэл х-координатыг дамжуулж буй сувгийн дохиог зүгээр л үл тоомсорлож эхэлнэ. тэр. Хэрэв та ийм боловсронгуй робот руу өөр гэрэл зураг авбал тэр давхрагын шугамыг олохгүй байж магадгүй ч тэр дээд хэсгийг доод хэсэгтэй андуурахгүй нь гарцаагүй.

Бодит амьдрал дээр томъёо нь арай илүү төвөгтэй боловч зарчим нь хэвээр байна. Перцептрон нь зөвхөн нэг ажлыг хийж чадна: тоонуудыг авч, хоёр овоолго хийнэ. Хамгийн сонирхолтой зүйл бол хэд хэдэн ийм элементүүд байгаа үед эхэлдэг, учир нь ирж буй тоонууд нь бусад "тоосго" -ын дохио байж болно! Нэг нейрон цэнхэр пикселийг ногооноос ялгахыг хичээнэ, хоёр дахь нь координатыг үргэлжлүүлэн судалж, гурав дахь нь эдгээр хоёр үр дүнгийн аль нь үнэнд ойр байгааг шүүх гэж оролдоно гэж бодъё. Хэрэв та цэнхэр пиксел дээр хэд хэдэн мэдрэлийн эсийг нэг дор байрлуулж, үр дүнг нэгтгэн дүгнэвэл "шилдэг оюутнууд" нэмэлт урамшуулал авах бүхэл бүтэн давхарга авах болно. Тиймээс нэлээд тархсан сүлжээ нь бүхэл бүтэн уулын өгөгдлийг цуглуулж, бүх алдааг нь харгалзан үзэх боломжтой.

Шүдэнзний хайрцгийг ашиглан мэдрэлийн сүлжээг хийж болно - тэгвэл та үдэшлэгт зочдыг зугаацуулах заль мэхтэй болно. MirF-ийн редакторууд үүнийг аль хэдийн туршиж үзсэн бөгөөд хиймэл оюун ухааны давуу талыг даруухан хүлээн зөвшөөрдөг. 11 саваагийн тоглоом тоглохын тулд үндэслэлгүй зүйлийг зааж өгье. Дүрмүүд нь энгийн: ширээн дээр 11 шүдэнз байгаа бөгөөд нүүдэл бүрт та нэг юмуу хоёрыг авах боломжтой. Хамгийн сүүлд авсан хүн ялагч болно. Үүнийг "компьютер"-ийн эсрэг яаж тоглох вэ?

Маш энгийн.

Бид 10 хайрцаг эсвэл аяга авдаг. Тус бүр дээр бид 2-оос 11 хүртэлх тоог бичдэг.

Хайрцаг бүрт бид хоёр чулуу тавьдаг - хар, цагаан. Та бие биенээсээ ялгаатай бол ямар ч зүйлийг ашиглаж болно. Энэ бол бид арван мэдрэлийн сүлжээтэй!

Мэдрэлийн сүлжээ үргэлж хамгийн түрүүнд алхдаг. Эхлээд хэдэн шүдэнз үлдсэнийг хараад, энэ дугаартай хайрцгийг ав. Эхний алхам дээр энэ нь №11 хайрцаг байх болно. Шаардлагатай хайрцгаас хайрга чулууг ав. Та нүдээ аниад эсвэл зоос эргүүлж болно, гол зүйл бол санамсаргүй байдлаар үйлдэл хийх явдал юм.
Хэрэв чулуу нь цагаан бол мэдрэлийн сүлжээ хоёр шүдэнз авахаар шийддэг. Хэрэв хар бол - нэг. Хайрцагны хажууд хайрга тавь, ингэснээр аль нейрон шийдвэр гаргасныг мартахгүй. Үүний дараа хүн алхдаг - тоглолт дуусах хүртэл.

Одоо хөгжилтэй зүйл эхэлж байна: суралцах. Хэрэв сүлжээ нь тоглоомд ялсан бол түүнийг шагнах ёстой: тоглоомын үеэр унасан энэ тоглоомд оролцсон "нейрон" руу ижил өнгийн нэг нэмэлт хайрга шид. Сүлжээ алдвал хамгийн сүүлд ашигласан хайрцгийг авч, тэндээс бүтэлгүйтсэн чулууг зайлуул. Хайрцаг нь аль хэдийн хоосон байх магадлалтай - дараа нь "сүүлчийн" нейрон нь өмнөх ижил төстэй нейрон гэж тооцогддог. Дараагийн тоглолтын үеэр хоосон хайрцгийг цохиход мэдрэлийн сүлжээ автоматаар бууж өгөх болно.

Тэгээд л болоо! Энэ мэт хэд хэдэн тоглоом тогло. Эхлээд та сэжигтэй зүйл анзаарахгүй байх болно, гэхдээ ялалт болгоны дараа сүлжээ улам бүр амжилттай нүүдэл хийх болно - арав орчим тоглоомын дараа та ялж чадахгүй мангас бүтээсэн гэдгээ ойлгох болно.

Эх сурвалжууд:

Цуврал өгүүллээр бид хиймэл оюун ухаан, хувийн загварчлал, BIG өгөгдөл боловсруулах зэрэг ихэнх хиймэл оюун ухааны мэргэжилтнүүд болон олон нийтэд байдаггүй шинэ хандлагуудыг судлах болно. Энэхүү мэдээллийн үнэ цэнэ нь бүгдийг практикт туршиж, онолын ихэнх боловсруулалтыг хэрэглээний төслүүдэд хэрэгжүүлдэгт оршино.

Өнөөдөр хиймэл оюун ухаан гэсэн ойлголттой холбоотой орчин үеийн технологиуд, тухайлбал: шинжээчийн систем, мэдрэлийн сүлжээ, хэл шинжлэлийн алгоритм, эрлийз систем, танин мэдэхүйн технологи, симуляци (чат бот) гэх мэтийг та нарын ихэнх нь сонссон байх.

Тийм ээ, олон компаниуд үйлчлүүлэгчдийнхээ мэдээлэл боловсруулах асуудлыг шийдвэрлэхийн тулд дээрх технологийг ашигладаг. Эдгээр компаниудын зарим нь хиймэл оюун ухааны шийдлийг бий болгож байгаа эсвэл бүтээсэн гэж бичдэг. Гэхдээ энэ нь оюун ухаан мөн үү?

Бидний хийх хамгийн эхний зүйл бол оюун ухаан гэж юу болохыг тодорхойлох явдал юм.

Оюун ухаантай компьютер байдаг гэж төсөөлөөд үз дээ. Мөн та түүнтэй дуут болон мессежээр харилцах боломжтой.
Асуултууд:

• Компьютерийн тагнуулын программд хэлний онцлогийг оруулах шаардлагатай юу (семантик, дүрэм, морфологийг тайлбарлах) эсвэл тэр хүнтэй харилцах замаар бие даан хэл сурч чадах уу?
• Хэрэв танд компьютерт хэл заах даалгавар өгвөл та юу хийх байсан бэ?
• Хэрэв та сургалтанд хамрагдсан бол тэр хэн шиг харагдах вэ?

Одоо та заах ёстой цорын ганц ялгаагаар эдгээр асуултад дахин хариулна уу:

• Онолын хувьд харилцах чадвартай, цэвэр цусны тоть.
• Шинээр төрсөн хүүхэд.

Та бид хоёр оюуны ажил хийсэн бөгөөд та бүхний олонхи шинэ мэдлэг олж авсан гэж найдаж байна. Тэгээд ийм учраас:

• Эхлээд би танаас "хэрэв ... юу болох вэ" гэж төсөөлж (төсөөлж үзээрэй) асуусан. Та өөрчлөгдсөн орчинд тоглосон. Магадгүй танд мэдээлэл, мэдлэг дутмаг байсан байх, энэ нь танд хэцүү байсан.
• Хоёрдугаарт, та суралцах, танин мэдэхүйн чадвартай болсон, та өөрт тань танил зүйрлэлийг олж мэдсэн эсвэл үүнийг текстээс олж мэдсэн, магадгүй та интернет ашигласан эсвэл найзаасаа зөвлөгөө авсан байж магадгүй юм.

Оюун ухааныг тодорхойлох олон арга байдаг. Бид түүний үндсэн шинж чанаруудыг тодорхойлох болно ...

Юуны өмнө оюун ухаан бол суралцах, төсөөлөх чадвар юм.

Оюун ухааныг загварчлах алгоритмыг бий болгохын тулд хамгийн түрүүнд хийх ёстой зүйл юм түүнд суралцах чадварыг өг, үүнд хөрөнгө оруулахад мэдлэг шаардлагагүй.

Сурах үйл явцыг илүү дэлгэрэнгүй тайлбарлахын тулд хүүхдийнхээ жишээ рүү буцъя.
Хүүхэд хэлийг ойлгож, ярьж сурахад ямар зарчим үйлчилдэг вэ?

1. Тэр өөр өөр нөхцөл байдалд байгаа үгийг олон удаа сонсох тусам тэр үүнийг хурдан санах болно. Түүний хамгийн түрүүнд хэлэх үг нь "ээж" байх магадлалтай.
   "Ээж танд хайртай"
   "Ээж гараа угаана"
   "Ээж чамайг үнсэж байна"
   "Ээж хаана байна?"
   Өгөгдлийн илүүдэлтэй холбоотойгоор суралцах нь үүсдэг.
2. Мэдээллийн урсгалын олон суваг оролцох тусам сургалт илүү үр дүнтэй болно.
   хүүхэд сонсдог: "Ээж танд хайртай."
   хүүхэд ээжийнхээ инээмсэглэлийг хардаг.
   хүүхэд эхээс ирж буй дулааныг мэдэрдэг.
   хүүхэд эхийн сүүг амталж, үнэрлэдэг.
   хүүхэд "ээж" гэж хэлдэг.
3. Хүүхэд энэ үгийг нэг дор зөв хуулбарлаж чадахгүй. Тэр хичээх болно, оролдоно. "М", "Маа", "Ээж", "М" ... "Ээж". Сурах үйл ажиллагаа явагддаг бөгөөд бид үр дүнд хүрэх хүртэл дараагийн оролдлого бүрийг тохируулдаг. Туршилт, алдааны арга. Бодит байдлаас санал авах нь маш чухал юм.
4. Хүүхдүүдээ битгий хүмүүжүүл, тэд чам шиг хэвээрээ байх болно. Хүүхэд эргэн тойрныхоо хүмүүстэй адилхан байхыг хичээдэг. Тэр тэднийг дуурайж, тэднээс суралцдаг. Энэ бол хувийн зан чанарыг загварчлах механизмуудын нэг бөгөөд бид дараагийн нийтлэлүүдэд илүү дэлгэрэнгүй ярих болно.

Төсөөлөл ямар үүрэг гүйцэтгэдэг вэ?

Та мэдэхгүй замаар явж байна гэж төсөөлөөд үз дээ. 80 км / цаг хурдны хязгаарын тэмдгийг өнгөрөө. Хөдөлгөөнтэй явахад та өөр хурдны хязгаарлалтыг харах боловч шаварт цацагдсан тул ялгах бараг боломжгүй юм. Та 95 км/цагийн хурдтай явж байна. Та юу хийх вэ? Таныг шийдвэр гаргаж байх хооронд цагдаагийн ажилтан бутны цаанаас харахад түүний нүүрэнд гэрэлтсэн инээмсэглэл тодорчээ. "Тэмдгийн дүрс" таны толгойд тэр дороо бүтсэн бөгөөд та яагаад энд цагдаа байгааг ойлгосон бөгөөд та яаралтай тоормос дарах хэрэгтэй. Та хурдаа 55 км / цаг хүртэл бууруулж, цагдаагийн нүүрэн дээрх инээмсэглэл тэр дороо алга болж, та жолоогоо үргэлжлүүлээрэй.

Бас нэг сонирхолтой жишээамьтны ертөнцийн уран сэтгэмжийн ажил бол шаазгайг ажиглах явдал юм. Шаазгай бусад шаазгайн өмнө эзгүй газар хоол булжээ. Шаазгайнууд бүгд ниссэн ч манай шаазгай эзгүй газар буцаж ирээд хоолоо нуув. Юу болсон бэ? Тэр хоолоо хаана нуусныг харсан өөр шаазгай ирвэл "яах вэ" гэж тэр төсөөлөв (төсөөлөв). Тэр нөхцөл байдлыг дуурайж, үүнээс хэрхэн зайлсхийх шийдлийг олжээ.

Төсөөлөл нь нөхцөл байдлыг дур зоргоороо дууриах явдал юм.

Та аль хэдийн харсанчлан, оюун ухаан бол мэдлэгийн бааз биш, энэ нь програмчлагдсан хариу үйлдэл эсвэл урьдчилан тодорхойлсон дүрмийг дагаж мөрддөг зүйл биш юм.

Оюун ухаан гэдэг нь бэрхшээлийг шийдвэрлэх явцад суралцах, танин мэдэх, өөрчлөгдөж буй нөхцөл байдалд дасан зохицох чадвар юм.

Тагнуулыг тодорхойлохдоо бид алийг нь ч анзааралгүй орхисон юм шиг санагдаж байна чухал бүрэлдэхүүн хэсгүүдэсвэл ямар нэг зүйлийн талаар хэлэхээ мартсан уу?

Тийм ээ, бид ойлголтыг алдаж, санах ойн тухай ярихаа мартсан.

Нүдний нүхээр хараад захидлын хэсгийг харж байна гээд төсөөлөөд үз дээ:

Энэ ямар захидал вэ?

Магадгүй "K"?

Мэдээжийн хэрэг үгүй, энэ бол "мөнхийн" гэсэн Японы иероглиф юм.

Танд сая даалгавар (асуудал) өгсөн. Та толгойдоо "K" үсгийн ижил төстэй дүрсийг олж, тайвширсан байх.

Таны оюун ухаан бүх зүйлийг дүрсээр хүлээн авч, санах ойд ижил төстэй дүр төрхийг хайж байдаг, хэрэв байхгүй бол одоо байгаа зургуудад зангуу үүсдэг бөгөөд үүний ачаар та шинэ мэдээллийг санаж, ур чадвар, туршлага олж авдаг.

Дүрс гэдэг нь мэдрэхүйн тусламжтайгаар (мэдээллийн урсгалын суваг) хүлээн авдаг бодит ертөнцийн субъектив төсөөлөл юм.

Хүлээн авах нь субъектив шинж чанартай байдаг, учир нь энэ нь сургалтын дараалал, хүний ​​амьдрал дахь дүр төрх, тэдгээрийн нөлөөллийн дараалал зэргээс хамаардаг.

Ойлголт нь гэрэл / харанхуй хэв маягийг танихаас эхэлдэг. Нээлттэй нүд - гэрэл, ойрхон - харанхуй. Цаашилбал, хүн "ээж", "аав", бөмбөг, ширээ, нохой гэх мэт илүү төвөгтэй дүр төрхийг таньж сурдаг. Бид лавлагааны өгөгдлийг хүлээн авдаг бөгөөд дараагийн бүх зургууд нь өмнөх зургуудын дээд бүтэц юм.

Энэ үүднээс авч үзвэл, суралцах нь ой санамжинд байгаа дүрс, төсөөллийн хооронд шинэ харилцааг бий болгох үйл явц юм.

Санах ой нь зураг, тэдгээрийн харилцааг хадгалахад ашиглагддаг.

А төсөөлөл бол дуусаагүй дүрсийг гүйцээх чадвар юм.

Дүгнэж хэлэхэд, амьтны ертөнцөөс хийсэн өөр нэг туршилт энд байна.

Шимпанзег торонд хийж, торны дотор шалнаас нэлээд өндөрт гадил жимсний баглаа өлгөжээ. Шимпанзе эхэндээ үсэрч байсан ч хурдан ядарч, гадилыг сонирхохоо больсон бололтой, түүнд анхаарлаа хандуулалгүй суув. Гэвч хэсэг хугацааны дараа сармагчин торонд үлдсэн саваагаа аваад гадилыг унатал нь сэгсэрлээ. Өөр нэг удаа, банана авахын тулд шимпанзе хоёр саваа холбож чадсан, учир нь саваа тус бүр нь тэдэнд хүрэхэд хангалтгүй байв. Амьтан мөн илүү хэцүү ажлыг даван туулж, гадил жимсний доор хайрцгийг гэнэт байрлуулж, алхам болгон ашиглажээ.

Шимпанзе нарт "банана"-ны танил дүр төрхийг үзүүлэв. Гэхдээ түүний дүр төрх бүрэн бус болсон - тэдэнд хүрч, идэж болохгүй. Гэхдээ энэ нь хүнсний цорын ганц эх үүсвэр байсан тул дуусаагүй дүр төрх нь дотоод хурцадмал байдлыг нэмэгдүүлж, дуусгахыг шаарддаг.

Асуудлыг шийдвэрлэх арга хэрэгсэл (зураг дуусгах) үргэлж бэлэн байсан боловч шийдэл гарч ирэхэд одоо байгаа зургуудыг өөрчлөх шаардлагатай байв (төсөөлөлийн тусламжтайгаар суралцах шаардлагатай байв). Шимпанзе төсөөлөх ёстой байсан (бүх боломжит хувилбаруудыг оюун ухаандаа жагсаан бичнэ үү): "Би саваа авбал юу болох вэ", "хэрэв ... юу болох вэ" гэх мэт хамгийн их магадлалтай таамаглалуудыг практик дээр шалгаж, санал хүсэлтээ авч үзээрэй, дахин төсөөлөөд үз дээ. , оролдоод үз, санал хүсэлтээ аваарай гэх мэтээр бид зургийг дуусгах хүртэл (сурах).

Хэрэв "мөнхийн" иероглифийн дүр төрхийг таних нь таны хувьд амьдрал, үхлийн асуудал байсан бол та үүнийг хийх арга замыг олох нь гарцаагүй.

Илүү алдартай хэлнээс бид техникийн хэл рүү шилжиж, доор ашиглах үндсэн ойлголтуудыг томъёолно.

• Өөр өөр мэдээллийн сувгуудын илүүдэл мэдээллийн огтлолцол нь дүр төрхийг бий болгодог.
• Сурах нь өөрчлөлт юм мэдээллийн урсгалмэдээллийн талбарт.
• Мэдээллийн талбар (санах ой) - зураг хадгалах, тэдгээрийн харилцаа холбоо.
• Төсөөлөл - ...
  - "Эрхэм уншигч та өөрийн амьдралын туршлага болон энэхүү нийтлэлээс авсан илүүц мэдээллийг ашиглан өөрийн төсөөллийнхөө дүр төрхийг бие даан гүйцэтгээрэй."
• Оюун ухаан бол суралцах, төсөөлөх чадвар юм.

Өгүүллийн эхэнд бид өнөөдөр хиймэл оюун ухаантай холбоотой технологиудыг жагсаасан бол одоо та эдгээр нь оюун ухаан гэсэн ойлголттой хэрхэн нийцэж байгааг бие даан үнэлэх боломжтой.

Дараагийн өгүүллээр бид интернетээс ухаалаг мэдээлэл хайх гэх мэт ажлыг авч үзэх болно. Бид оюун ухааны шалгуурыг тодорхойлж, практик арга барилыг боловсруулж, энэ зүйлд дурдсан зарчмуудыг хэрэгжүүлэх бодит хэрэглээг "мэдрэх" болно.

Нийтлэл нь үнэн гэж хэлэхгүй, энэ бол бидний хөгжүүлэлт, судалгааны нэг хэсэг юм. Сэтгэгдэл бичих, материалыг өөрийн жишээ эсвэл бодлоор баяжуулаарай. Сурах, төсөөлөх ...

"Хиймэл оюун ухаан" эсвэл AI (Artificial Intelligence) гэсэн хэллэгийн ард юу нуугдаж байгааг хүн бүр мэддэггүй. Ихэнх хүмүүс хиймэл оюун ухааныг өөрийнхөөрөө “бодох”, ухаалаг шийдвэр гаргах, өдөөлтөд хариу үйлдэл үзүүлэх зорилгоор програмчлагдсан компьютер гэж боддог байх. Энэ санаа нь бүрэн зөв биш юм. Ямар ч компьютер, ямар ч машин үнэхээр сэтгэж чадахгүй - учир нь энэ нь "сэтгэлгүй машин"-д байдаггүй ухамсарыг шаарддаг. Компьютер зөвхөн хүний ​​хэлсэн зүйлийг л хийж чадна.

AI програмчлалыг нэг дороос харах

AI програмчлал нь компьютерт хэрхэн сэтгэхийг заах тухай биш юм. Харин туршлага дээрээ тулгуурлан тодорхой асуудлыг бие даан сурч, шийдвэрлэхээр програмчлагдсан байх болно. Гэхдээ энд ч гэсэн бид тэдний өөрсдийнх нь сэтгэлгээний тухай биш, харин дуураймал байдлын тухай ярьж байна. Энэ нь AI-ийн гаргасан шийдвэрт мөн хамаарна. сонголтуудыг жинлэж, дараа нь сонголт хийх боломжтой. Гэсэн хэдий ч түүний сонголт нь урьд өмнө програмчлагдсан параметрүүд дээр суурилдаг.

Тиймээс хиймэл оюун ухаан нь зөвхөн компьютерт урьдчилан тодорхойлсон зүйлийг л хийж чадна, гэхдээ хүнээс илүү сайн, илүү нарийвчлалтай, хурдан. Дашрамд хэлэхэд, хэрэв та хэрхэн програмчлах талаар сурахыг хүсч байвал анхан шатны програмистуудад зориулсан бидний зөвлөгөөг үзээрэй.

Хиймэл оюун ухаан ашиглах

Цогцолбор гэх мэт олон салбарт хиймэл оюун ухааныг аль хэдийн ашиглаж эхэлсэн Компьютер тоглоомболон хайлтын системүүд. Зөвхөн компьютерийн шинжлэх ухаан, математик биш, AI програмчлалд олон салбар чухал үүрэг гүйцэтгэдэг. Философи, сэтгэл судлал, мэдрэл судлал, хэл шинжлэл маш чухал.

Хиймэл оюун ухааныг мэдрэлийн болон бэлгэдлийн (хүчтэй, сул) гэж хуваадаг. Эхнийх нь хүний ​​тархины бүтэц, үйл ажиллагааг дуурайхыг оролддог. Сүүлийнх нь холбогдох асуудал, үр дүнд анхаарлаа хандуулдаг.

Жишээлбэл, өдөр тутмын амьдралд хиймэл оюун ухааныг програмчилж, робот техникт ашигладаг. Энэ нь үйлдвэрлэлийн процессыг хянах эсвэл зүгээр л гүйцэтгэдэг өдөр тутмын даалгавар... мөн үзүүлэхэд ашигладаг. Хамгийн алдартай жишээ бол нүүр эсвэл хурууны хээ таних явдал юм.

Хиймэл оюун ухааныг бий болгох өөр нэг алхам бол мэдлэгт суурилсан систем юм. Дараа нь програмчлалын өгөгдлийг програмд ​​оруулна. Энэ нь хиймэл оюун ухаанд логик, бие даан хариулт өгөх боломжийг олгодог асуулт асуусан... Гэсэн хэдий ч эдгээр "бие даасан хариултууд" хүртэл зөвхөн хиймэл оюун ухаан анх заяагдсан мэдлэг дээр суурилдаг.

Энэ хэсэгт илүү ч биш, дутуу ч биш, оюуны үйл ажиллагааны үндэс суурь болох алгоритмын тухай өгүүлдэг. Үүнтэй зэрэгцэн бид байгалийн оюун ухаанд ижил төстэй үзэгдлүүд хэрхэн үүсч болох вэ гэсэн асуултанд хариулахыг хичээх болно. Мэдээжийн хэрэг, бид оюун ухааны бүх нууцыг задлахгүй, бүрэнхий тархи үүсгэхгүй, гэхдээ бид цаашид хаана ухах зарчмыг, гол чиглэлийг олж мэдэх болно. Бид хүний ​​оюун ухааны талаар илүү ихийг мэдэх болно. Мөн яг одоо компьютер дээр програмчлах боломжтой алгоритмуудын практик тойм зураг байх болно.

Гэхдээ эхлээд өмнөх хэсгүүдэд бид юу олж авсныг товчхон дурдъя (). Тэнд юу байдгийг би аль хэдийн мартчихсан болохоор өөртөө сануулах хэрэгтэй, тэгэхгүй бол цааш нь хэлж ч чадахгүй. :) Хэн санаж байна - энэ хэсгийг алгаса.

Өмнөх хэсгүүдэд юу байсан

Пенроуз гайхамшигтай номондоо тархи нь туйлын үнэн зөв дүгнэлт гаргах чадвартай гэж үздэг бөгөөд сэтгэхүйн үйл явцын үндэс нь хязгаарлагдмал хугацаанд мөнхийн тооцоолол хийх боломжтой физик процессууд юм гэж үздэг. Түүгээр ч зогсохгүй эдгээр үйл явц нь зөвхөн юу болохыг биш, харин үгийн жинхэнэ утгаараа үнэмлэхүй, үгүйсгэх аргагүй үнэнийг тооцдог. Мөн тархи эдгээр үйл явцыг бодохын тулд "татах" боломжтой. Тиймээс тархины үйл ажиллагаанд ийм процесс шаардлагатай байдаг. Хэдийгээр ийм үйл явц нь өнөөгийн физикт тодорхойгүй байгаа ч Пенроуз ертөнцийн гүн гүнзгий түвшин нь ийм процесс дээр суурилсан өөр бодит байдал гэж үздэг.

Энэ бусад бодит байдлын талаар Пенроуз олон талаараа зөв бөгөөд үүнээс ч илүүтэйгээр бид ямар нэгэн байдлаар орчлон ертөнцийн үндэс суурь юу байдаг талаар сонирхолтой, ижил төстэй санаануудыг хэлэх болно. Гэсэн хэдий ч Пенроуз яаран, хэд хэдэн алхамаар үсрэв. Оюуны үйл ажиллагааны дийлэнх хувийг (бүгд биш бол) илүү энгийн, энгийн зүйлээр тайлбарлаж болно.

Пенроузын эргэлзээгүй гавьяа бол тэр учрыг нь үнэмшилтэйгээр тайлбарласан явдал юм оюуны үйл ажиллагааямар ч байдлаар албан ёсны логик (эсвэл өөрөөр хэлбэл хатуу алгоритмууд) дээр тулгуурлаж болохгүй. Илүү нарийвчлалтайгаар Пенроуз мэдэгдэж буй физик үйл явцын үндсэн дээр туйлын үнэн логик (энэ нь Пенроузын ойлголтоор оюуны үйл ажиллагаа) боломжгүй гэдгийг харуулсан. Гэхдээ бид үүнийг өөрийнхөөрөө, өөрөөр хэлбэл оюуны үйл ажиллагаанд туйлын үнэн логик шаардлагагүй гэдгийг ойлгосон. Эсвэл өөрөөр хэлбэл хүний ​​оюун ухаан үнэмшилтэй, үнэнийг сайн ойртуулдаг ч алдаа гарах магадлал байсаар байна. Энэ нь асуудлыг үндсээр нь өөрчилдөг, тухайлбал байгалийн оюун ухааныг хэрхэн тайлбарлах, хиймэл оюун ухааныг хэрхэн бий болгох арга барилыг бүрэн өөрчилдөг. Ийм оюун ухааныг энгийн компьютер дээр програмчлагдсан Тьюрингийн машин дээр загварчлах боломжтой боловч илүү хүчирхэг архитектуртай, жишээлбэл квант эсвэл оптик гэх мэт төрөлхийн параллелизмтэй байх нь дээр.

Одоо логикийн үнэнийг биш, үнэнийг тойрсон шуугианы ард юу байгааг эргэн санацгаая. Математик болон компьютерийн тооцоолол, хүний ​​тусгал, логик бүтэц, дүгнэлтүүд нь алгоритм эсвэл албан ёсны систем гэсэн ойлголттой холбоотой байдаг (үнэндээ энэ нь ижил зүйл юм). Алгоритмыг гүйцэтгэх (энэ нь мөн албан ёсны системийн дүрмийг ашиглах явдал юм) нь бүх төрлийн тооцоолол, эргэцүүлэл болон бусад физик процессуудын загвар юм (эсвэл наад зах нь нэлээд сайн ойролцоо). Алгоритм гэдэг нь зарим хийсвэр компьютер (Тюрингийн машин) -аар алхам алхмаар гүйцэтгэх зааварчилгаа юм.

Хатуу алгоритм гэсэн ойлголт байдаг (энэ нь бас бүрэн бөгөөд тууштай албан ёсны систем юм). Оролтын өгөгдлийн ижил багц дээр хатуу алгоритм финалалхамуудын тоо ижил хариултыг өгөх болно. Албан ёсны систем, логик үндэслэлд хэрэглэхэд энэ нь эхний нөхцлийн хувьд хязгаарлагдмал хугацаанд үнэн (тогтвортой, хоёрдмол утгагүй) хариултыг олж чадна гэсэн үг юм. Ийм тооцоог мөн детерминист гэж нэрлэдэг.

Гэхдээ эдгээр нөхцөл хангагдаагүй тодорхой бус (хатуу бус) алгоритмууд бас байдаг (тэдгээр нь бүрэн бус / зөрчилтэй албан ёсны системүүд). Алгоритмын хувьд хязгаарлагдмал байдлын нөхцөлийг дагаж мөрдөхгүй байх нь алгоритм нь тооцоогоо дуусгах эсэх нь тодорхойгүй, үүнийг хэрхэн урьдчилан олж мэдэх нь тодорхойгүй гэсэн үг юм. Детерминистик бус алгоритм тооцоогоо дуусгаж магадгүй, эсвэл үүрд тэнүүчилж магадгүй, гэхдээ яг юу хийх вэ гэдэг нь үүрд таах боломжтой оньсого юм. Албан ёсны тогтолцооны хувьд анхны мэдэгдлийн үнэн эсвэл худал гэдгийг батлах нь хэзээ нэгэн цагт ойлгомжгүй эсвэл үүрд үргэлжлэх болно. Тохиромжгүй байдал гэдэг нь албан ёсны систем дотроос та анхны мэдэгдлийн үнэн ба худал хариултыг өгөх өөр өөр дүрмийн гинжин хэлхээг сонгож болно гэсэн үг юм. Алгоритмын хувьд энэ нь ижил өгөгдөл дээр өөр өөр үр дүнг авч болно гэсэн үг юм.

Пенроуз зэрэг олон хүмүүс оюуны үйл ажиллагаа нь хатуу албан ёсны логик дээр суурилдаг гэж хэлдэг. Гэхдээ энд дэлхий даяар отолт явагдаж байна. Годелийн удаан батлагдсан теорем нь албан ёсны систем нь нэгэн зэрэг бүрэн бөгөөд тууштай байж чадахгүй гэж хэлдэг. Бүрэн байдал гэдэг нь албан ёсны систем нь өөрийн мэргэжлийн чиглэлийн талаар бүгдийг мэддэг гэсэн үг юм. Ийм тогтолцоог оруулснаар өөрийнхөө үнэнийг шүүж чадна. Албан ёсны тогтолцоог гаднаас хэн нэгэн бий болговол тэр нь зөв үр дүнгээ өгч ажиллаж чадна, энэ хүн үүнийг зөв бий болгосон эсэхэд огтхон ч санаа зовдоггүй. Хэрэв албан ёсны систем үүнийг зөв хийсэн эсэхийг шалгах гэж оролдвол бүтэлгүйтэх болно. Учир нь манай систем тогтвортой мөртлөө бүрэн биш. Хэрэв систем нь өөрийнхөө зөвийг (бүрэн) шүүж чаддаг бол ийм систем нь дотоод зөрчилдөөнтэй байх бөгөөд түүний үйл ажиллагааны үр дүн нь зөв байх албагүй. Яагаад? Үүнд өөрийгөө шалгах (өөрийгөө танин мэдэх, эргэцүүлэн бодох) асуулт нь мөнхийн тооцооллын ангилалд багтдаг.

Үүнээс юу гарах вэ? Энэ нь (Пенроузын хэлснээр) хүний ​​​​оюун ухаан нь бүрэн бөгөөд тууштай систем юм, учир нь энэ нь үнэн зөв мэдэгдлийг бий болгож, өөрийн зөв байдлыг хянах чадвартай байдаг. Гэвч Годелийн теоремын дагуу энэ нь боломжгүй юм. Тиймээс богино хормын дотор мөнхөд эргэн тойрон харж, хариултыг олж, энэ хариултыг тархинд буцааж өгөх оюун ухааны ажилд үл мэдэгдэх физик процессыг оруулах шаардлагатай байна. Гэхдээ бидний өмнө дурдсанчлан оюун ухаан нь бүрэн бөгөөд тууштай байх албагүй, гэхдээ энэ нь үнэн бөгөөд алдаагүй мэт дүр эсгэж чаддаг.

Хоёрдахь отолт бол физик нь албан ёсны логикийн үйл ажиллагаа явуулдаг объектуудыг мэддэггүй явдал юм. Тухайлбал, албан ёсны үндэслэл нь ихэвчлэн натурал тоо, үнэн, худал байдлын тухай ойлголт дээр суурилдаг. Натурал тоонууд нь 1 + 1 = 2, 2 + 1 = 3 гэх мэт тоонууд юм. Үнэн = 1, Худал = 0, Сөрөг үнэн = Худал. Бүх нэгжүүд хоорондоо туйлын тэнцүү, нийлбэрийн нөхцлийн орлуулалт өөрчлөгддөггүй гэх мэт. Гэхдээ хамгийн хэцүү зүйл бол манай ертөнцөд натурал тоотой хоёрдмол утгагүй холбоотой байж болох тийм бөөмс, ийм зүйл, үйл явц байдаггүй бөгөөд үүний зэрэгцээ арифметикийн дүрмийг эдгээр биетүүдийн хувьд аль ч мужид биелүүлсэн. Зарим мужид арифметик нь ойролцоогоор зөв боловч мужаас гадуур дэлхийн хэмжээний доголдол эхэлдэг. Тиймээс албан ёсны логик нь бүдүүлэгээр хэлбэл, мөн чанар нь бүрхэг байдаг зүйлүүдийг ойлгохгүйгээр өөрөө ажилладаг. Түүнээс гадна арифметик өөрөө бүрэн, тууштай системд хамаарахгүй, жишээлбэл хөгжилтэй баримт... Ерөнхийдөө туйлын үнэн, натурал тоо гэх мэт ойлголтууд зарчмын хувьд оршин тогтнох боломжгүй юм шиг санагддаг. Хэрхэн, яагаад гэдгийг дараагийн хэсгүүдэд оруулах болно.

Үүнээс юу гарах вэ? Тархинд, тэр ч байтугай компьютерт ч тохиолддог бүх үйл явц, бүх тооцоолол нь угаасаа бүрэн бус эсвэл зөрчилддөг боловч нэгэн зэрэг бүрэн бөгөөд тууштай тооцоололд сайн боломжийн ойролцоо дүгнэлт өгдөг.

Пенроуз яагаад зөрчилтэй албан ёсны тогтолцоонд дургүй байдаг вэ, яагаад Пенроуз тэднийг оюуны үйл ажиллагааны үндэс болгох эрхийг үгүйсгэдэг вэ? Бидний санаж байгаагаар зөрчилтэй албан ёсны системд ижил өгөгдлийн хувьд та 1 = 2 гэх мэт үнэн ба худал мэдэгдлийг хоёуланг нь гаргаж болно. Үүний үндсэн дээр Пенроуз зөрчилдөөнтэй системүүд болно гэдгийг сануулж байна үргэлж(!)зөрчилтэй үр дүн гаргах. Үүнээс үзэхэд Пенроуз эмх замбараагүй үйл явцын талаар маш нарийн тайлбар хийдэг бөгөөд тэрээр эдгээр нь санамсаргүй үйл явц бөгөөд дунджаар хатуу албан ёсны системээр загварчлагдах боломжтой гэж тэр үзэж байна.

Үнэн хэрэгтээ, зөрчилдөөнтэй системүүд ихэнх тохиолдолд жинхэнэ үр дүнд хүрч чаддаг тул дотоод зөрчилдөөн тэр даруй давамгайлж, системийг устгах шаардлагагүй юм. Зөрчилдөөнийг багасгасан тогтолцоо байж болно. Мөн хийсвэр компьютер дээр ажиллаж байсан ч тэдгээр нь тодорхой бус, бүрэн бус, нийцэхгүй хэвээр байх боловч ихэнх тохиолдолд тэд үнэмшилтэй үр дүнг гаргах болно. Яагаад Пенроуз зөрчилдөөнтэй системүүд өөрсдийн зөрчилдөөнөөр үргэлж устгагдах болно гэж шийдсэн бэ? Пенроуз энэ талаар чимээгүй байна ...

Цаашид илүү. Өмнөх хэсгүүдэд бид харсанчлан, бидний ертөнцийн үйл явц нь компьютер эсвэл тархинд байгаа эсэхээс үл хамааран угаасаа бүрхэг бөгөөд зөрчилдөөнтэй байдаг. Гэхдээ ихэнх тохиолдолд тэд гаргадаг зөв үр дүн... Энэ нь эдгээр процессууд нь ижил төстэй тооцооллын олон давталтаас эсвэл олон тооны ижил төстэй элементүүдээс бүрддэг тул ихэнх тохиолдолд эдгээр давталт эсвэл элементүүдийн хослол нь тогтвортой бөгөөд зөв үр дүнг өгдөгтэй холбоотой юм. Үүний зэрэгцээ, мэдээжийн хэрэг, дотоод жижиг зөрчилдөөн улам бүр нэмэгдэж, бүхэл бүтэн системийг устгах магадлал маш бага хэвээр байна. Гэхдээ ихэнх тохиолдолд систем нь хоорондоо уялдаа холбоотой байдаг тул бие биендээ үйлчилдэг элементүүд нь дотоод зөрчилдөөнийг багасгадаг. Манай дэлхий дээрх бүх үйл явц нь маш их уялдаатай байдаггүй, гэхдээ ийм процессууд байдаг бөгөөд компьютер, тархинд болж байгаа зүйл нь тэднийх юм. Манай ертөнцөд ийм зохицол хаанаас ирдэг вэ - сэдэв дараах хэсгүүд... Бидний ертөнцийг үзэх үзэл, оюуны үйл ажиллагаандаа дэлхий даяар ямар нэг зүйлд буруу байх, бидний шүүлтэнд орчлон ертөнцийн талаарх бидний бүхэл бүтэн санааг үндсээр нь эргүүлж чадах өчүүхэн өтний нүх байх магадлал бага байдаг. Гэхдээ энэ талаар дараагийн хэсгүүдэд илүү дэлгэрэнгүй.

Эхэндээ хүний ​​сэтгэлгээ яг ийм үйл явц дээр суурилдаг. Логик урт гинж, тодорхой дүрэм байхгүй. Үүний оронд, боловсруулах урт мөчлөггүй, нөхцөл байдлын хариу арга хэмжээний богино хэлхээ байдаг. Эдгээр гинжин хэлхээний элементүүд нь олон тооны оролттой бөгөөд элемент дотор оролтын өгөгдөл нь олон зэрэгцээ, давхардсан, бүдэг замуудад хуваагддаг бөгөөд энэ нь гаралт дээр тодорхой шийдлийг өгдөг. Бид эдгээр элементүүдийг богино, өргөн үндэслэлтэй дүрэм гэж нэрлэдэг. Ийм дүрмүүд нь логик дүгнэлтэд оролцдоггүй, тэд аль хэдийн "санаж" байдаг. бэлэн шийдэлтэдэнд мэдэгдэж буй нөхцөл байдалд. Ийм дүрмийг сурах механизм нь тодорхой логик дүгнэлтээс хол байгаа бөгөөд өмнөх хэсгүүдэд тайлбарласан болно.

Ийм үйл явц нь бодит ертөнцтэй харилцахад сайн боловч албан ёсны логик нь тэдэнд хэцүү байдаг. Гэсэн хэдий ч хүний ​​оюун ухаан албан ёсны логик горимд ажиллаж, компьютерийн тооцооллыг дуурайж чаддаг. Магадгүй, гэхдээ илүү "хүнд" үйл явцын зардлаар. Энгийн логик схемийн тооцооллыг арилгахын тулд тархинд байдаг энгийн программ, олон тооны богино бүдэг дүрмүүд оролцдог бөгөөд эдгээр нь тэдгээрийг хослуулан хэрэглэхэд хатуу логикийн ажилтай төстэй үр дүнг өгдөг. Эдгээр дүрмүүд нь албан ёсны логикт огт зориулагдаагүй тул албан ёсны логикийг дуурайхад оролцдог тэдгээрийн тоо нь бодит ертөнцтэй харилцахаас хамаагүй их байх болно. Тиймээс янз бүрийн амьтад логик сэтгэлгээний чадваргүй байдаг тул энэ нь хүний ​​боловсронгуй тархи шаарддаг. Хэдийгээр янз бүрийн амьтдын өдөр тутам хийдэг ажил бол компьютерийн хүч чадлаас давсан байдаг.

Гэхдээ ийм "хүнд" үйл явц нь бас давуу талтай. Энэ нь тархи нь шинэ логик бүтэц, компьютерийн програмуудыг үүсгэж чаддагт оршино өндөр зэрэгтэйүнэмшилтэй, харин энгийн боловч үр дүнтэй алгоритм нь зөвхөн өөрийн ажлыг утга учиргүй гүйцэтгэх чадвартай байдаг. Дериватив бүтцийн нарийн төвөгтэй байдал нь тархинд анх оролцож байсан үйл явцын түвшингээс хэд дахин бага юм. Энэхүү нарийн төвөгтэй байдлын ялгаа нь зөрчилдөөнтэй оюуны үйл явц нь жинхэнэ логик бүтцийг бий болгодог гэсэн зөрчилдөөнийг шийддэг. Хэрэв нарийн төвөгтэй байдлын энэ ялгааг тооцохгүй бол эдгээр жинхэнэ бүтээн байгуулалтууд хаанаас ирснийг ойлгох арга байхгүй.

Нарийн төвөгтэй логик бүтцийг шаарддаг асуудлыг хүн "шинжлэх ухааны нудрах" аргаар шууд утгаараа шийддэг. Тухайлбал, хамгийн энгийн хувилбарыг гаргаж ирэхийн тулд тархин дахь тооцоогоо зайлуулж, буруу мөчүүдийг олж харж, дараагийнхыг (зөв сонголт байх албагүй) гаргаж ирэх, тооцооллыг дахин дуурайх гэх мэт. Сайн бэлтгэл хийснээр ийм бүтээн байгуулалтууд нь ухамсрын оролцоо шаарддаггүй хурдан автомат үйлдлийн ангилал болж хувирдаг (гэхдээ тэдний нарийн төвөгтэй байдал асар их хэвээр байна), ердийн нөхцөл байдлыг санаж, эхэлдэг. бололтойтархи нь ердийн компьютер шиг ажилладаг (албан ёсны логикийн дагуу), гэхдээ энэ нь огт тийм биш юм.

Энэ нь тархи удаан хугацаанд "хохьсон", ямар нэг даалгаварт "хурдасгасан", анхны өгөгдөл, амжилтгүй оролдлого, тодорхойгүй урьдчилан таамаглал, үнэн хаа нэгтээ байгаа гэсэн хүсэл тэмүүлэлтэй байх үед тохиолддог. Дараа нь тэсрэлт, ухаарлын гялбаа, бүх зүйл байрандаа орж, шинэ үнэн төрнө. Энэ үнэн агшин зуур төрж, дээд ертөнцөөс ирсэн мэт санагдаж магадгүй юм. Гэвч үнэн хэрэгтээ үр дүн нь адилхан, ухаарлын гялбааны өмнө олон тооны богино бөгөөд үнэмшилтэй дүрмийг татан оролцуулж, өөрчилж, бий болгож, тэдгээрийг ямар нэгэн байдлаар нэгтгэж, уялдуулах гэж оролдсон, ихэнхдээ амжилтгүй болсон. Одоо эдгээр бүх дүрмүүд хоорондоо зохицож, нэг эв найртай үйл явцад нэгдэж, бүгд хамтдаа шинэ үнэнийг гаргах мөч ирж байна.

Эдгээр зарчмуудыг дагаж хиймэл оюун ухааныг ердийн компьютер дээр програмчлах боломжтой. Мэдээжийн хэрэг, энэ хөтөлбөр нь эхлээд тодорхойгүй байдал, дотоод зөрчилдөөнд чиглэгдэх болно. Хэдийгээр одоо байгаа компьютерийн программууд нь тодорхойгүй, зөрчилтэй боловч бичигдсэн байдаг орчин үеийн хөтөлбөрүүдтэдгээрийг тодорхой бус, зөрчилдөөн багатай болгох зорилготой. Мэдээжийн хэрэг, хиймэл оюун ухаан нь зөвшөөрөгдсөн илүү үр дүнтэй архитектурыг ашиглах нь дээр олон тоонызэрэгцээ ба харилцан үйлчлэлийн үйл явц. Жишээлбэл, квант эсвэл оптик. Мөн нэг процессортой электрон компьютерийг ухаалаг байхаар програмчилж болох ч хүч чадалгүй байх магадлалтай.

"Хүнд" үйл явц, уялдуулах талаар дараа нь дэлгэрэнгүй авч үзэх бөгөөд одоо хиймэл оюун ухааныг зохион бүтээж эхэлцгээе.

Тагнуулын тоосго

Энэ чиглэлээр өмнө нь юу бодож олсон, юу дутагдаж байгааг товч дурдъя. Энэ бүгдийг өмнөх хэсгүүдэд дэлгэрэнгүй тайлбарласан болно. Яагаад ийм байдгийг ойлгохын тулд бид үүнийг сануулж байна, өөрөөр биш. Эцсийн эцэст, тагнуулын алгоритм нь өөрөө тийм ч төвөгтэй биш бөгөөд гол зүйл бол зарчмууд бөгөөд та аль чиглэлд шилжих, ямар үр дүнд хүрэхийг ойлгох хэрэгтэй.

Програмчлалын хэлүүд... Процедурын болон предикат гэж байдаг. Процедурын хэл дээр програмыг зааврын хатуу дараалал хэлбэрээр бичдэг бөгөөд тэдгээрийн хооронд нөхцөлт үсрэлт байж болно.

Предикат хэл нь бие даасан дүрмүүдтэй бөгөөд тус бүр өөрийн гэсэн хүрээтэй байдаг. Предикат хэл дээрх гүйцэтгэгч нь одоогийн нөхцөл байдалд нийцэж байгаа бүх дүрмийг шалгаж, хэрэгжүүлдэг. шаардлагатай дүрэмнөхцөл байдлыг (дотоод төлөв) өөрчилдөг бөгөөд ингэснээр дүрмээс урт логик хэлхээ үүсгэж болно. Мэдээжийн хэрэг, энэ нь жүжигчдэд процедурын програмыг гүйцэтгэхээс илүү хэцүү байдаг.

Процедурын хэл нь алгоритмыг сайн мэддэг, хурдан шаарддаг газар сайн байдаг үр дүнтэй хэрэгжүүлэх... Хүний мэдлэг, логик дүрмийг хадгалах, дараа нь мэдлэг дээр үндэслэн дүгнэлт гаргах (жишээлбэл, оролтын янз бүрийн нөхцөл байдлыг үнэлэх) шаардлагатай бол предикат хэл нь сайн байдаг. Програмыг бүхэлд нь дахин бичихгүйгээр тэдэнд шинэ мэдлэг нэмэх нь тохиромжтой. Шинэ мэдлэгийг нэвтрүүлсний дараа бүхэл бүтэн мэдлэгийн баазыг тогтвортой байдалд оруулдаг өөрчлөлтүүд ч бий. Саяхныг хүртэл предикат хэл (Prolog гэх мэт) нь хиймэл оюун ухааны ирээдүй гэж тооцогддог байв.

Процедурын болон предикат хэл нь бие биендээ харилцан илэрхийлэгддэг бөгөөд алгоритмд хамаарах ижил асуудлуудтай байдаг (албан ёсны системүүд, дээрээс болон доороос үзнэ үү).

Нэгдүгээрт, бид зогсоох асуудалтай тулгарч байна. Алгоритм нь хөрш зэргэлдээ салбартай ойролцоо байж болох ч шийдлийг хайж үргэлж тэнүүчилж чаддаг. Гэхдээ алгоритм нь бүрэн, тууштай албан ёсны системд нийцэх болно. Гэвч бидний хувьд ямар ч утгагүй (одоогоор бид хязгаарлагдмал хугацаанд мөнхийн тооцоог хийж чадахгүй гэдэгт итгэж байна). Хэрэв бид "урт" мөчрүүдийг тайрах ажлыг хийвэл алгоритм нь илүү практик болж хувирах боловч бүрэн бүтэн байдал, тууштай байдал алдагдах болно, энэ нь үнэн биш, харин үнэмшилтэй болно. Энд бид буруу шийдвэр гаргах магадлал бага зэрэг нэмэгдэх тухай биш, харин алгоритм нь үндсэндээ буруу шийдвэр гаргах боломжтой болох тухай ярьж байна.

Хоёрдугаарт, логик нэгжийг бүрдүүлдэг предикатын дүрмүүд нь хэтэрхий "нарийн" байдаг. Байгалийн оюун ухаанд логик нэгжүүд байдаг захиалгаилүү олон оролтын нөхцлүүд ба эдгээр оролтыг тодорхой бус шалгуурын дагуу боловсруулдаг. Түүгээр ч барахгүй, ийм дүрслэлээр мэдлэгийг "түрхэж", тодорхой, албан ёсны байдлаа алддаг.

Одоо байгаа бүдэг логик (шинжлэх ухаанд ийм хэсэг байдаг) нь предикат хэлэнд хэрэглэхэд тохиромжгүй, ийм учраас. Аливаа бүдэг бадаг байдал нь логик дүгнэлтийн өөр бүдэг бадагтай таарвал олон хувилбар, өөр логик хэлхээг үүсгэж болно. Түүнээс гадна эдгээр сонголтууд нь нуранги шиг амархан ургаж болно. Миний мэдэж байгаагаар одоо байгаа бүдэг логик нь гинжийг зэрэгцүүлэн холбох эсвэл урвуу холболттой ямар ч холбоогүй юм. Бүдэг логикийн хийдэг бүх зүйл нь ижил логик илэрхийллүүдтэй ажилладаг бөгөөд зөвхөн логик тэг ба нэгийн оронд тэгээс нэг хүртэлх бодит мужийг ашигладаг бөгөөд энэ мужаас тоонуудыг нэгтгэх арифметик үйлдлүүдийг ашигладаг.

"Цогцолбор" логикийн хувилбарууд байдаг бөгөөд үүнд далд утга нь урвуу байх үед тодорхойгүй байдал үүсдэг, энэ нь төсөөллийн нэгж мэтээр илэрхийлэгддэг, цаашдын тооцоололд оролцдог, гинжийг зэрэгцүүлэн нэгтгэх боломжтой. Гэхдээ одоохондоо энэ сэдвийг цаашид тодруулах шаардлагатай байна.

Гуравдугаарт, хүн байхгүй үед бусад алгоритмуудыг сургах (бүтээх) алгоритм бидэнд байхгүй, гэхдээ сургалтын нөхцөл байдлын багц (зөв оролт, гаралтын утгын хосуудын төлөөлөл) байгаа үед.

Загвар таних системүүд... Манай хиймэл оюун ухааны логик нэгжийн хувьд маш тохиромжтой. Орцны нөхцөл байдлыг хэрхэн ангилж, гарцын шийдлийг өгөхийг тэд сайн мэддэг. Ийм системд дотоод санах ой (төлөв байдал) байхгүй, энэ төлөвийн өөрчлөлтүүд нь өдөөлтийн хариу урвалын рефлекс болдог тул удаан хугацааны боловсруулалт хийх шаардлагагүй тохиолдолд л үнэн юм. Гэхдээ танигчид ангиллыг төгс зохицуулдаг. Тэд бүр нарийн төвөгтэй зургийг боловсруулж чаддаг (жишээлбэл, царайны зургаас хүнийг таних). Загвар таних системийн сургалтын аргууд нь үр дүнтэй бөгөөд сайн мэддэг. Мэдэгдэж буй жишээнүүдийн багц дээр сургасан танигч нь далд хэв маягийг барьж, үл мэдэгдэх жишээнүүдэд туршлагыг чанарын хувьд нэгтгэж чаддаг.

Сурах зарчим... Хүссэн (лавлагаа) үр дүн болон ухаалаг системийн бодит үр дүнг мэдэх үед та энэ системийн алдааг тооцоолж, зөв ​​чиглэлд ажиллахын тулд системийг засч болно.

Залруулга (сургалт) аргууд нь үнэн зөв (тэдгээрийг орон нутгийн гэж нэрлэдэг), дэлхийн хэмжээнд байдаг. Орон нутгийн аргууд нь бүх системийн алдааг тооцоолох чадвартай тул хурдан бөгөөд үр дүнтэй байдаг. Глобал аргууд үүнийг яаж хийхээ мэдэхгүй, бүхэл системийн параметрүүдийг санамсаргүйгээр өөрчилдөг, өөрчлөлт нь системийн үйл ажиллагаанд хэр амжилттай нөлөөлсөнийг харж, үүний үндсэн дээр энэхүү өөрчлөлтийг хадгалах эсэхээ шийддэг.

Орон нутгийн арга нь алдааны чиглэлийг тооцоолж, бүхэл системийн дагуу эсрэг чиглэлд оролтоос тарааж болох градиент буурах арга юм. Хэдийгээр энэ арга нь "зөвхөн" үнэмшилтэй боловч практикт сайн үр дүнг өгдөг, жишээлбэл, олон давхаргат перцептронуудыг сургахад (үүнийг ихэвчлэн мэдрэлийн сүлжээ гэж нэрлэдэг). Гэхдээ алдааны бүтэц, түүнийг засах арга нь мэдэгддэггүй тул үүнийг үргэлж хэрэглэх боломжгүй (орон нутгийн бусад аргуудын нэгэн адил).

Гэхдээ бид дэлхийн заах арга, генетикийн алгоритм, анивчилгааны загварчлалтай, тэдгээр нь идэшт боловч тооцоолох нөөцөд маш их шуналтай байдаг. Алдааг хэрхэн засах талаар бараг юу ч мэдэхгүй үед тэд ажиллах боломжтой. Генетикийн алгоритм нь илүү үр дүнтэй байдаг, ялангуяа та шийдэж буй асуудлын бүтцийн талаар ямар нэг зүйлийг мэддэг бол.

Хэмжээний зарчим... Энэ нь ижил төстэй үйл явцыг олон удаа давтах эсвэл олон тооны ижил төстэй элементүүдийг хослуулах замаар маш тогтвортой (эсвэл өндөр үнэмшилтэй) үр дүнд хүрч чадна гэсэн үг юм. Ижил төстэй элемент / үйл явц нь дунджаар ижил төстэй гэсэн үг биш бөгөөд энэ нь элементүүд нь хоорондоо зөрчилдөж, хоорондоо өрсөлдөж, тогтворгүй байж болно гэсэн үг юм, гэхдээ эцэст нь тэдгээр нь өндөр үнэмшилтэй шийдэлд нэгтгэгдсэн (зохицуулагдсан) гэсэн үг юм. . Жишээлбэл, компьютерийн логик хэлхээнд бүх энгийн бөөмс тогтворгүй боловч хагас задралын хугацаа нь маш урт, эсвэл логик элемент дэх бөөмсийн тоо маш их байдаг тул бие даасан бөөмийн задрал бараг байдаггүй. логик хэлхээний эвдрэлийг үүсгэдэг. Өөр нэг жишээ бол хиймэл мэдрэлийн сүлжээнд тусдаа мэдрэлийн холболт нь шийдвэрт бага нөлөө үзүүлдэг, холболтууд нь хоорондоо зөрчилддөг боловч эцэст нь мэдрэлийн сүлжээ нь ихэвчлэн зөв шийдвэр гаргадаг.

Дүгнэж хэлье. Бидэнд нарийн төвөгтэй үндэслэл, дотоод төлөвийг боловсруулахад тохиромжтой предикат хэлүүд байдаг. Предикат хэлэнд логик нэгж болгон ашиглаж болох хэв маягийг таних системүүд байдаг. Бид автоматаар шинэ алгоритмуудыг бий болгоно (сургана) гэж найдаж буй бүх л идэшт сурах аргууд байдаг. Хэмжээний зарчим байдаг бөгөөд энэ нь бүрэн бүтэн байдал, тууштай байдал алдагдсанаар хиймэл оюун ухааны шийдлүүдийн өндөр магадлалыг хадгалах боломжийг бидэнд олгоно.

Тагнуулын алгоритм

Би генетикийн алгоритмын мөн чанарыг товчхон дурсъя. Ийм арга байдаг - санамсаргүй хайлт. Санамсаргүй шийдлийг гаргаж, үнэлж, дараа нь санамсаргүй байдлаар өөрчилдөг. Хэрэв үр дүн нь илүү сайн байвал шийдвэрийг санаж байна. Дараа нь мөчлөг давтагдана. Энэ аргыг "шинжлэх ухааны дагуу" шийдлийг хэрхэн тооцоолох нь тодорхойгүй үед ашиглагддаг. Энэ нь маш удаан хугацаа шаарддаг. Мөн хэрэв та олон тооны зэрэгцээ зэрэгцээ эхлүүлбэл өөр өөр шийдэл? Амжилтанд хүрсэн хүмүүсийн хувьд (шийдлийн чанар сайн эсвэл цаг хугацааны явцад эсвэл "хөршүүд"-тэй харьцуулахад сайжирдаг) бид хуулбарыг үүсгэж, эдгээр тохиолдлуудыг (санамсаргүй байдлаар) зальтай байдлаар өөрчилдөг. Бусдын арын дэвсгэр дээр муу харагдаж байгаа эсвэл шийдлийн чанарыг цаг хугацааны явцад сайжруулдаггүй шийдлүүдийг бид санамсаргүй байдлаар өөрчлөх эсвэл бүрмөсөн устгаж, оронд нь шинээр бий болсон санамсаргүй шийдлүүдийг тавьдаг. . Мэдээжийн хэрэг, буруу шийдвэрийг сурталчлах магадлал бага байдаг. Хоёр өөр уусмалаас нэг хэсгийг хазаж, эдгээр хоёр хэсгийг хооронд нь нааж, шинэ уусмал болгоход өөр нэг үйлдэл (мөн санамсаргүй байдлаар хийдэг). Гарц гэж нэрлэдэг. Шийдэл сайн байх тусам эрлийзжүүлэх магадлал өндөр болно. Үүний үр дүнд байгаа шийдлийг олж авахын тулд үсэрч болно хамгийн сайн үр дүнтүүний эцэг эхийн аль алинаас нь илүү. Гэхдээ энэ нь эсрэгээрээ ч тохиолдож болно. Хэрэв шийдэл нь илүү сайн болсон бол үүнийг дахин үржүүлж, муу бол ийм шийдэлтэй болно. их магадлалтайхасагдсан. Ийм хайлт нь шийдлийн бүтцийг мэдэж байх үед хамгийн үр дүнтэй байдаг бөгөөд бид шийдлийг битээр жижиглэхгүй, харин энэ бүтцийг харгалзан санамсаргүй өөрчлөлт (мутаци) болон хөндлөн огтлолын үйлдлүүдийг ашигладаг.

Шийдлүүдийг зөвхөн зэрэгцүүлэн хэрэгжүүлээд зогсохгүй бие биетэйгээ байнга харьцуулж, солилцдог тул ийм хайлт нь санамсаргүй хайлттай харьцуулахад гүйцэтгэлд гайхалтай үсрэлт өгч, хамгийн хэцүү асуудлыг шийдвэрлэх боломжтой болж хувирдаг. Ердийн санамсаргүй шийдэл нь дунджаар тийм ч сонирхолтой биш юм шиг санагдаж байна, түүний үр ашиг нь маш бага юм. Гэвч олон шийдлүүд хоорондоо харилцан үйлчилж эхэлмэгц хэвийн бус үр дүн (сайн шийдэл) хурдан гарч, урагшилдаг. Энэ нь Пенроуз эмх замбараагүй үйл явцыг дунджаар судалж, ердийн тохиолдлуудыг судлахыг зөвлөж, ердийн хэргүүдээс гадна тэд юу ч үүсгэж чадахгүй гэдгийг онцолсон бөгөөд энэ нь мэдээжийн хэрэг шударга бус явдал юм. Энэхүү хайлт нь ердийн уялдуулах үйл явцын нэг болох масштабын зарчмын жишээ юм.

"Шинжлэх ухааны үндэслэлээр" хэрхэн зөв шийдлийг олох нь тодорхойгүй байхад янз бүрийн чиглэлээр үр дүнтэй шийдлийг олж чаддаг генетикийн алгоритм гэж үүнийг л хэлдэг. Эсвэл программ автоматаар бичдэг шиг тийм "шинжлэх ухааны" арга огт байхгүй. Генетикийн алгоритмыг үр дүнтэй болгохын тулд юуны түрүүнд дэлхий дээрх амьдрал (дараа нь оюун ухаан) ийм зарчмын дагуу бий болсон явдал юм. Яагаад ийм уялдуулах үйл явц боломжтой вэ гэдэг нь дараагийн хэсгүүдийн сэдэв юм.

Хиймэл оюун ухаанд ийм чиглэл байдаг - генетикийн програмчлал. Шийдэл бүр нь параметрийн багц биш, харин процедурын програмчлалын хэлээр бичигдсэн бүхэл бүтэн програм юм. Бүх гогцоо, нөхцөлт үсрэлт, хувьсагчийн дотоод төлөвтэй. Үүний дагуу шийдвэрийн үр дүн нь энэ хөтөлбөрийг хэрэгжүүлсний үр дүн юм. Программыг бий болгохын тулд генетикийн алгоритмыг ашигласан бөгөөд энэ нь санамсаргүй байдлаар үүсгэгдсэн олон тооны програмуудаас программ, хамгийн зөв замэнэ асуудлыг шийдвэрлэх. Миний харсан нийтлэлд машины жолоог удирдах даалгавар байсан. Тэдгээр. Шийдвэрийн үр дүн нь оролтын нэг хариулт биш, харин цаг хугацааны явцад үргэлжилсэн үйл явц юм. Генетикийн алгоритм амжилттай болж, жолооны хүрдийг зөв удирддаг программыг бий болгосон. Даалгавар нь тийм ч төвөгтэй биш бөгөөд тэд мэдрэлийн сүлжээнд ижил төстэй зүйлийг хийдэг (хэдийгээр зарим дотоод төлөв байсаар байгаа бөгөөд муж улсын сүлжээтэй харилцах дүрмийг хүн зурсан байдаг). Гэхдээ энэ нь програмыг автоматаар дотоод төлөв, өөр гогцоо, мөчрүүдээр үүсгэсэн болохыг харуулж байна.

Харамсалтай нь, би энэ сэдвээр нөхцөл байдлын талаар мэдээлэл хийгээгүй бөгөөд өөр юу ч хэлж чадахгүй. Сонирхсон хүмүүс "генетик програмчлал" гэсэн хэллэгийг хайж олох боломжтой. Тиймээс цаашид бид судлагдсан хязгаараас давж, таамаглалын талбарт ордог. Эдгээр таамаглалуудын зарим нь аль хэдийн мэдэгдэж байгаа бөгөөд би дугуйг зохион бүтээх ажилд оролцож байгаа байх. Гэхдээ энэ нь сонирхолтой хэвээр байна. :)

Генетик алгоритмыг ашиглан олж авсан програмууд ямар шинж чанартай болохыг харцгаая. Ийм программууд нь хязгааргүй (эсвэл маш урт) гогцоотой байж болох тул тохирох байдлын үнэлгээ нь ямар ч үр дүн гаргахгүйгээр маш удаан ажилладаг програмуудыг хаях ёстой. харагдах үр дүн... Энэ алхам нь ерөнхийдөө зөв боловч харамсалтай нь энэ нь сонирхолтой байж болох урт логик гинжийг (тэдгээрийг дараа нь хэрхэн анхаарч үзэх вэ) гаргадаг. Цаашилбал, огтлолцох үед програмын салбаруудыг бодолгүйгээр жижиглэж, ихэвчлэн утгагүй код үүсгэдэг. Хэрэв энгийн даалгаврын хувьд энэ нь тийм ч асуудал биш бол илүү төвөгтэй ажлуудын хувьд энэ нь олон тооны ашиглагдах боломжгүй шийдлүүд гарч ирэх болно, учир нь хамгийн бага өөрчлөлт нь програмын гүйцэтгэлийг бүрмөсөн сүйтгэж болзошгүй бөгөөд энэ нь бага зэрэг ашиг тустай байх болно. төгсгөлд нь. Эсвэл хөтөлбөр нь олон тооны илүүдэл салаатай, "хог"-той байх бөгөөд энэ нь бие биетэйгээ зөв шийдэлд нийцэх болно. Хувьслын үйл явц дахь энэхүү "хог" нь нэвтрүүлсэн өөрчлөлтийг даван туулж сурахын тулд өөрчлөлт нь хөтөлбөрийг сүйрүүлэхгүй байх болно. Гэхдээ ямар ч тохиолдолд бид "нимгэн" логик хэлхээний санаатай салах ёс гүйцэтгэх ёстой бөгөөд энэ нь тухайн хүний ​​бичсэн ижил тодорхой програмуудыг төлөөлдөг. Хөтөлбөрийг автоматаар бичих үр дүн нь ийм хэлхээнээс хол байх болно. Мэдээжийн хэрэг, өгөгдөл олборлох алгоритмууд гарч ирэх бөгөөд энэ нь хоорондоо зөрчилдсөн бөөгнөрөлийг тодорхой алгоритм болгон багасгах боломжтой боловч энэ нь тодорхой алгоритмыг цаашид сайжруулахад туслах болно. автомат горим, "т рхэцтэй" харагдац руу буцаах шаардлагатай болно (эсвэл т рхэц нь дангаараа, цаашдын сургалтын явцад хийгдэх болно). Өгөгдөл олборлолтын тусламжтайгаар гаргаж авсан алгоритм нь анхны, "түрхсэн" хувилбараасаа илүү нарийхан "үзэл бодолтой" байх болно гэсэн хардлага байдаг. Үүнтэй төстэй үзэгдлийг хэв маягийг таних тухай өмнөх хэсгүүдэд тайлбарласан.

Бидний санаж байгаагаар предикат хэл нь өөрчлөлтөд илүү уян хатан бөгөөд хүний ​​​​мэдлэгийг бүртгэдэг, учир нь тэдгээр нь програмын хатуу хүрээнээс биш, харин тохиромжтой нөхцөл байдал (нөхцөл) үүссэн үед автоматаар өдөөгддөг бие даасан дүрмүүдээс бүрддэг. тохиолддог. Хэрэв үйлдлүүд нь шийдлийн бүтцийг харгалзан үзвэл генетикийн алгоритм илүү үр дүнтэй ажилладаг. Процедурын хэлбэрээр бичих нь генетикийн алгоритмыг бодлогогүйгээр программыг хагалж, ажиллах боломжгүй олон хувилбаруудыг бий болгодог. Тиймээс бид програмыг предикат хэлбэрээр бичиж, генетикийн алгоритмыг ийм бүтцийг харгалзан үзэх болно. Тухайлбал, өөр өөр шийдлийн програмууд нь битийн бит биш, харин бүхэлдээ бие даасан дүрмийг солилцох боломжтой болно. Санамсаргүй өөрчлөлт нь дүрмийн түвшинд ажиллах болно. Түүнээс гадна, нэг програмын хүрээнд та ямар ч дарааллаар нь хамаагүй өөр тооны дүрэмтэй байж болно. Мөн эдгээр дүрмүүд нь маш их байж болно ижил төстэй найзнайз дээр, бас огт өөр. Та зөвхөн програмуудыг өөрсдөө төдийгүй нэг програмын доторх дүрмийг үржүүлж, хөндлөн гаргаж болно. Энэ нь програмыг гүйцэтгэх үед тэд өөрсдөө зөв гинжин хэлхээнд жагсах болно, учир нь гүйцэтгэгч програмын салбаруудаар (процедурын хэлээр) тэнэг байдлаар алхдаггүй, харин одоогийн нөхцөл байдлын дагуу дүрмийг сонгодог (тус бүр нь). дүрэм нөхцөл байдлыг өөрчилдөг).

Гэхдээ хамгийн сонирхолтой зүйл бол дүрмийн банкийг бүх программд нийтлэг болгох явдал юм. Энэ тохиолдолд програм нь ерөнхий банкнаас ямар дүрмийг илүүд үздэг тухай мэдээллийг харуулах бөгөөд тэдгээрийг хэрэглэх дарааллын талаархи мэдээллийг хасдаггүй. Энэ тохиолдолд гүйцэтгэлийн шалгуурыг зөвхөн хөтөлбөрт төдийгүй дүрэмд хэрэглэж болно. Эцсийн эцэст, дүрэм бүр хэд хэдэн өөр өөр хөтөлбөрүүдэд хувь нэмэр оруулдаг бөгөөд эдгээр хөтөлбөрүүдийн хэд нь амжилттай, хэд нь амжилтгүй болохыг тооцоолж болно. Үүний үндсэн дээр дүрмийн үр дүнтэй байдлын талаар дүгнэлт хийж, үүний дагуу зөвхөн хөтөлбөрийг төдийгүй дүрмийг боловсруулна (өөрөөр хэлбэл үржүүлэх, хөндлөн гарах, дүрмийг санамсаргүйгээр өөрчлөх). Ижил дүрмүүд өөр өөр хөтөлбөрт давтагдахаа больсон, хөтөлбөр бүр илүү өргөн хүрээний дүрэм журамд хандах боломжтой болсноор үр ашгийн олз бий. Гэхдээ хамгийн чухал зүйл бол дүрмийг өөр өөр хөтөлбөрт ашиглах үед хамтдаа үнэлдэг бөгөөд энэ нь үнэлгээний чанар, дүрмийн хувьслыг эрс сайжруулдаг (магадгүй).

Тиймээс бид хиймэл оюун ухааны хамгийн энгийн хувилбарыг авсан бөгөөд энэ нь маш тохиромжтой янз бүрийн тоглоомууд, зэрэг компьютер, шинжээчийн систем, процессын хяналтын систем. Энэ нь Марковын загваруудын оронд дотоод санах ой бүхий хар хайрцагны процессыг загварчлахад тохиромжтой (эдгээр нь оролт, гаралт дээр юу байгааг харж болох процессууд боловч дотоод байдал, процессууд нь ойлгомжгүй, бидний бодлоор хар хайрцаг юм. ).

Эндээс генетикийн алгоритм нь програмын хэсгүүдийг бие даасан дэд программ болгон хувааж, програмыг өөрчлөхдөө тэдгээрийн бүтцийг харгалзан үзэх логик санал гарч ирж магадгүй юм. Процедурын бичвэрийн хувьд энэ нь үр ашгийг нэмэгдүүлэх боломжтой боловч энэ нь түүний өвөрмөц сул талуудыг арилгахгүй хэвээр байна, учир нь танд санамсаргүй өөрчлөлтөөр эвдэрч болох хатуу дараалал, нөхцөлт мэдэгдэл, гогцоо хэрэгтэй хэвээр байна. Предикатын тэмдэглэгээнд ийм журам огт байдаггүй. Гэхдээ нөгөө талаас дэлхийн нөхцөл байдлыг шаталсан нөхцөл байдал, нөхцөл байдлын дараалалд хуваах боломжтой бөгөөд ингэснээр зөвхөн өөрийн дүрэм журам нь дэд нөхцөл бүрийг авч үздэг. Богино хугацаанд ийм хуваалт нь генетикийн алгоритмын үр ашгийг нэмэгдүүлэх ёстой. Гэвч үнэн хэрэгтээ бодит оюун ухаанд дүрмийн харилцан үйлчлэл нь илүү төвөгтэй шинж чанартай байдаг тул ийм хуваагдал нь угаасаа байдаг бөгөөд угаасаа байдаггүй. Тиймээс нөхцөл байдлыг ингэж хуваах замаар богино хугацаанд үр шимийг нь хүртэж болох ч ирээдүйд саад болно. Энэ талаар дараа дэлгэрэнгүй.

Хиймэл оюун ухаан, хувилбар 2.0

Предикат хэлэнд (Пролог гэх мэт) програмын алхамуудын дараалал байдаггүй. Зөвхөн дүрмийн багц байдаг бөгөөд эдгээр дүрмийг хэрэгжүүлэх дарааллыг анх ямар ч байдлаар тогтоогоогүй болно.

Энэ нь дараах байдалтай харагдаж байна.
дүрэм n: хэрэв нөхцөл бол үр дүн;
дүрэм m: хэрэв нөхцөл бол үр дүн;
гэх мэт.

Нөхцөл байдал нь хамгийн энгийн илэрхийлэл болон бусад дүрмүүд, түүний дотор харилцан рекурсив хэрэглээг багтаасан нэлээд төвөгтэй байж болно. Дүрмийг хэрэгжүүлэх үр дүн нь эцсийн нөхцөл байдал болон бусад дүрмийн (мөн өөрөө) хэрэгжих эсэхийг шалгах нөхцлийн нэг хэсгийг хоёуланг нь илэрхийлж болох нарийн төвөгтэй нөхцөл юм. Эдгээр үр дүн нь тодорхой бөгөөд хоёрдмол утгагүй юм.

Предикат програмыг гүйцэтгэхэд дэлхийн нөхцөл байдал байдаггүй. Анхны нөхцөл байдаг бөгөөд үүний дагуу орчуулагч тохирох нөхцөлтэй таарсан эхний дүрмийг хайж олох бөгөөд энэ дүрмийн үр дүнг эхний нөхцөл дээр нэмнэ. Шинэ нөхцөл байдалд тохирсон дүрмийг эрэлхийлэх ажил давтагдана. Үр дүн нь эцсийн үр дүнд хүрэхийг харуулсан дүрэмд хүргэж болох дүгнэлтийн гинжин хэлхээ юм. Хэрэв орчуулагч бүх боломжит гинжийг шавхсан бол мөчлөг бүрт дараагийн гинжийг хайж эхэлнэ. тохиромжтой дүрэмшинэ хэлхээ барих.

Нөхцөл байдал (нөхцөл байдал) нь анхдагч нөхцөл ба хэрэглэгдэх дүрмийн гинжин хэлхээ гэдгийг дахин анхаарна уу. Буцах үед хэрэглэсэн дүрмийн гинжин хэлхээ нь өөрчлөгддөг.

Дүрмүүдийг гинжлэх үед орчуулагч төгсгөлгүй хайлтанд орж магадгүй ч шийдэл нь ойрхон байж магадгүй юм. Тиймээс хэрэв орчуулагч "ухаалаг" бол боломжит гогцоог таних боломжтой эсвэл хэд хэдэн гинжин шийдвэрүүдийг зэрэгцүүлэн хийж, эцэст нь эцсийн нөхцөл байдалд илүү хурдан хүргэх нэгийг сонгох боломжтой. Нөгөө талаас, дүрмийн багцыг бичиж буй хүн гогцоо үүсэх магадлалыг багасгахад анхаарах хэрэгтэй.

Жишээлбэл, номлогчид, хүн иддэг хүмүүсийн тухай асуудал бол нэг завин дээр олон номлогчид, хүн иддэг хүмүүсийг нөгөө тал руу зөөх шаардлагатай болдог. Усан онгоцонд зөвхөн хоёр хүн багтах боломжтой. Хэрэв эрэг дээр номлогчдоос олон хүн хооллогчид байвал номлогчдыг иднэ. Асуудлыг предикат хэлээр шийдвэрлэхдээ номлогчид хооллохгүй байхын тулд зөвшөөрөгдөх нөхцөл байдлыг (үүнд рекурсив байдлаар) болон завины зөвшөөрөгдөх хөдөлгөөнийг (завинд үргэлж нэг эсвэл хоёр хүн байх ёстой) бичдэг. Цаашилбал, олон түмэн нөгөө талд байх нөхцөл байдалд хүрэх хүртэл орчуулагч өөрөө боломжтой шийдвэрийн модыг бий болгодог. Энэ тохиолдолд дүрэм журмын гинжин хэлхээ нь голын дээгүүр номлогчид болон каннибалуудыг тээвэрлэх дарааллыг агуулдаг.

Дүрмүүд нь шийдлийг олох явцад хоорондоо тодорхой холбоотой байдаг тул предикат хэл дээр аль хэдийн дүрмийн түвшинд шатлал, тэдгээрийн хэрэглээний дарааллыг тогтоодог нь процедурын хэл дээрх процедурыг бүлэглэхтэй төстэй зүйл юм. Гэхдээ бид дүрмүүдийн хоорондын хэлхээ холбоог тодорхой болгохгүй бол энэ бүлэглэл алга болно. Энэ нь яг яаж шинээр үүсэх вэ (эсвэл түүнийг бий болгоход хэрхэн туслах вэ) нь аль хэдийн шинэ асуулт юм.

Предикат хэлэнд гогцоо, нөхцөлт үсрэлт, хатуу кодлогдсон үйлдлийн дараалал байхгүй. Гүйцэтгэгч нь юу хийхээ үргэлж "мэддэг", учир нь тэр одоогийн нөхцөл байдалд дараагийн алхмыг сонгодог. Гүйцэтгэгч зөвхөн нэг алхамыг сонгодог, учир нь дараагийн алхамд тэрээр өөрчлөгдсөн нөхцөл байдлыг үнэлж, нөхцөл байдал хичнээн гэнэтийн өөрчлөлтөөс үл хамааран шинэ алхамыг сонгох болно. Энэ нь хөтөлбөрийнхөө нэг хэсэг бүтэлгүйтсэн эсвэл буруу шийдвэр гаргасан тохиолдолд жүжигчинд гарахад тусална. Буруу чиглэлд сүйрлийн оронд жүжигчин нөхцөл байдлыг дахин үнэлэх бөгөөд дараагийн алхам нь энэ байдлыг сайжруулах болно.

Мэдээжийн хэрэг, холбогдох процессууд нь програмын процедурыг бичихээс хамаагүй илүү тооцоолох хүчин чадалтай байдаг. Предикат хэл дээрх анхны хэлбэрээрээ бүх зүйл өмнөх догол мөрөнд дурдсан шиг жигд байдаггүй.

Предикат хэлний сул тал нь дүрмийн хамрах хүрээ нь маш нарийн бөгөөд тэдгээр нь хэтэрхий урт гинжээр эгнээнд ордог. Тагнуулын хувьд эсрэгээр, логик нэгж нь маш өргөн хүрээний оролтын нөхцөлийг бүдэг ба шугаман бус шалгуурын дагуу үнэлдэг богино дүгнэлтийн хэлхээнүүд давамгайлдаг.

Тиймээс хиймэл оюун ухааныг бий болгох дараагийн алхам бол нарийн тодорхой дүрмийг бүдэг ба өргөн дүрмээр сольж, дүгнэлтийн хэлхээг богиносгох явдал юм.

Эхлээд програмын глобал төлөвийг (энгийн массив тоо) болгоё. Энэ массивын нэг хэсэг нь оролтын өгөгдөл юм. Тэдгээрийг гаднаас нь байнга шинэчилж байдаг. Хөтөлбөрийг өөрчлөхийг зөвшөөрөх эсэх нь зарчмын асуудал биш, гол зүйл бол тэдгээрийг байнга шинэчилж байх явдал юм. Энэ массивын нэг хэсэг нь програмын дотоод төлөв юм. Үлдсэн хэсэг нь гаралт юм. Дотоод болон гаралтын нүднүүд нь зөвхөн шийдэл нь гаралтын нүднүүдээс уншигдаж байгаагаараа ялгаатай. Оролт ба гаралтыг хоёуланг нь ижил параметрийг бичих / уншихад үргэлж ашигладаг. Жишээлбэл, оролт №1 - хурд, оролт №2 - түлшний мэдрэгч, гаралт №3 - жолооны байрлалыг өөрчлөх, гаралт №4 - хурдыг өөрчлөх. Бид тоонуудыг дур мэдэн хуваарилдаг тул сургалтын явцад програм нь оролт, гаралт хаана байгааг ойлгож сурах ёстой.

Дүрмийн үндэслэлийн хувьд жишээлбэл, олон давхаргат перцептроныг (энэ нь ихэвчлэн мэдрэлийн сүлжээ гэж нэрлэгддэг) ав. Хөтөлбөрийн дотор ийм мэдрэлийн сүлжээг сургах алгоритм нь бидэнд мэдэгдээгүй хэвээр байгааг анхаарна уу. Бидэнд ийм мэдрэлийн сүлжээнүүд их байх болно. Тэд хамтдаа хөтөлбөрийн багц дүрмийг бүрдүүлнэ. Мэдрэлийн сүлжээ бүр програмын бүх дэлхийн төлөвийг оролт болгон хүлээн авдаг (оролтын тоо нь төлөвийн эсийн тоотой тэнцүү). Мэдрэлийн сүлжээ нь цөөн тооны гаралттай байдаг. Гаралт бүр нь статусын нүднүүдийн аль нэгэнд тохирно. Давталт бүрт мэдрэлийн сүлжээ бүрийн гаралтыг глобал төлөвт нэмнэ (гаралт нь сөрөг байж болно). Бүх сүлжээг одоогийн байдлын үндсэн дээр нэгэн зэрэг байцааж, нийт нөлөөллийн дагуу шинэ төлөвийг бий болгодог.

Сүлжээ тус бүрийн гаралтын тоо, тэдгээрийн хуваарилалтыг эхлээд санамсаргүй байдлаар сонгоно. Бид хувьслын өөрчлөлтийг ихэнх тохиолдолд дэлхийн төлөвийн эсүүд болон мэдрэлийн сүлжээний оролт / гаралтын хоорондох шилжүүлгийг өөрчлөхгүй байхаар бүтээдэг. Зөвхөн бага магадлалтайгаар өөрчлөлтүүд нь сүлжээний оролт эсвэл гаралтыг өөр нүд рүү шилжүүлж болно. Энэ нь зайлшгүй шаардлагатай, учир нь одоогоор бид нүд бүр нь тодорхой параметр (дотоод байсан ч гэсэн) гэж үзэж байгаа тул сүлжээний оролт / гаралтыг түүний дасаагүй өөр параметр рүү шилжүүлбэл үр дүн нь гарна. нэлээд амжилтгүй болно. Харамсалтай нь, ийм маневр хийснээр бид дахин бага зэрэг алддаг сонирхолтой шинж чанарууджинхэнэ оюун ухаан, гэхдээ бид яг одоо үр ашгийг олж авдаг. Бид дараа нь эдгээр үл хөдлөх хөрөнгөд буцаж очих болно.

Хувьслын явцад дэлхийн төлөвт байгаа эсийн тоог бас өөрчилж болно. Үүний дагуу бүх мэдрэлийн сүлжээг тохируулна. Хэрэв эсүүд клончлогдсон бол мэдрэлийн сүлжээнүүдийн харгалзах оролт, гаралтыг хувилна. Хэрэв нүдийг устгасан бол холбогдох оролт / гаралтыг бүх сүлжээнээс устгана.

Нэг мэдрэлийн сүлжээний гаралтын тоог нэмэгдүүлэх эсвэл багасгах боломжтой хувьслын өөрчлөлтүүд бас байдаг.

Ийм мэдрэлийн сүлжээнүүдийн багцаас бүрдэх програм яг яаж шийдлийг гаргах вэ? Бүр тодруулбал, дараагийн давталтын дараа хөтөлбөр шийдвэрээ гаргасныг хэрхэн ойлгож, оролтын нүднүүдээс энэ шийдвэрийг унших вэ? Энэ нь бас туршилт шаарддаг сонирхолтой асуулт юм. Эхний анхаарах зүйлс нь дараах байдалтай байна. Гаралтын утгууд тогтворжсон. Эсвэл хариулт бэлэн болсон гэсэн дохио өгдөг тусгай гаралтууд байдаг. Эдгээр гаралт нь хувьслын явцад өөрөө тохируулагддаг.

Шийдвэрүүдийг арилгасны дараа хөтөлбөр цаашаа ажиллах ёстой бөгөөд магадгүй дотоод байдлаасаа эхлэн ажиллах ёстой. Хөтөлбөр нь тодорхой шийдэлд тогтворжсон тул түүнийг цаашдын ажилд хэрхэн түлхэх вэ? Нэгдүгээрт, шийдвэрийг устгасны дараа оролтын нүднүүдийг бодит өгөгдлөөр дарж бичнэ (сүлжээ шийдвэр гаргах үед оролтын өгөгдөл бараг өөрчлөгдөөгүй гэж бид үзэж байна). Хоёрдугаарт, та давталтын эхэнд олон тоо оруулах тусгай оролтын нүдийг үүсгэж болно. Цаашилбал, энэ дугаарыг хэрхэн өөрчлөх талаар сурах шаардлагатай, эсвэл та үүнийг гаднаас нь багасгаж, сүлжээнд цаг хугацаа өнгөрч байгааг ойлгуулж болно. Ерөнхийдөө туршилт хийх санаанууд хангалттай байдаг.

Одоо яагаад ийм болсныг тайлбарлая.

Юуны өмнө бид дүрэм журмын гинжин хэлхээг бий болгохоос татгалзаж, дүрэм бүрийг ажлын үр дүнг дэлхийн улс болгон бичихийг албадав. Үүнийг хийснээр бид буцаан татах, буцаах урт гинжийг бий болгох боломжгүй болгосон ч бид илүү хурдан хариу үйлдэл үзүүлж, нөхцөл байдлын талаар өргөн, тодорхой бус үнэлгээ авсан. Хувилбар бүр өөрийн гэсэн дэлхийн төлөвтэй байдаг хэд хэдэн хувилбаруудын зэрэгцээ боловсруулалт хаашаа ч явсангүй гэдгийг анхаарна уу. Гэхдээ манайд анхны предикатын тайлбарлагч шиг тийм өргөн салбарлалт байхгүй. Хэрэв бид дүгнэлтийн гинжийг бүдэг бадаг дүрмийн дагуу салбарлахыг оролдвол шийдлийг бий болгох эхний үе шатанд ч гэсэн сонголтуудын тоо хэмжээнээс их хэмжээгээр алга болно.

Үүний үр дүнд бид огт өөр зүйлийг олж авлаа, гэхдээ энэ нь предикатуудын талаархи анхны дүгнэлттэй төстэй юм шиг санагдаж байна. Энэ зүйл нь нарийн төвөгтэй, тодорхой дүгнэлт гаргах чадваргүй болсон, гэхдээ энэ нь нарийн төвөгтэй, хурдан өөрчлөгдөж буй орчинд ажиллах чадвартай, тэр ч байтугай анхны хувилбар нь хийх боломжгүй логик дүгнэлтийн зарим үндэслэлтэй юм. Нарийн төвөгтэй, тодорхой дүгнэлтүүдийн дүгнэлт бидэнд буцаж ирэх болно гэнэтийн байдлаар, энэ хооронд үүссэн тагнуул нь үүнгүйгээр байх болно.

Гэсэн хэдий ч үүссэн зүйл нь логик асуудлыг (шатар тоглох гэх мэт) хүн үүнийг хэрхэн хийдэгтэй адилаар шийдэж чадна. Ийм сэтгэлгээг нөхцөл байдлын гэж нэрлэж болно. Энэ нь урт логик хэлхээг бий болгохоос биш, харин одоогийн нөхцөл байдал ямар байгаа, энэ байдлыг хэрхэн өөрчлөх вэ гэдгийг үнэлэхээс эхэлдэг. Нөхцөл байдал нь одоогийн байдлаар систем "шийдвэрлэсэн" гадаад өгөгдөл болон дотоод төлөвийг багтаасан болно. Цаашид хаашаа шилжих вэ гэдэг үнэлгээ, шийдвэр гаргана бүрАлхам, процессын алгоритм, дүгнэлтээс ялгаатай нь урт удаан үндэслэлээр булж болох бөгөөд бодит байдлаас унана. Тиймээс ийм хөтөлбөрт санамсаргүй байдлаар өөрчлөлт оруулах нь процедурын бүртгэлээс ялгаатай нь гүйцэтгэлд аюултай биш юм. Хэдийгээр энэ нь үл ойлгогдох нөхцөл байдалд орсон эсвэл алдаа гаргасан ч гэсэн ийм програм нь тэнэг байдалд орохгүй, харин ямар нэгэн зүйл хийхийг оролдох болно, учир нь нөхцөл байдлыг үнэлэхэд алгоритмын жижиг салбар биш, харин бүхэл бүтэн багц оролцдог. дүрэм журам. Хөтөлбөр нь эхлээд эмх замбараагүй шидэж байсан ч эрт орой хэзээ нэгэн цагт танил нөхцөл байдалд орж, түүнийг зөв чиглэлд эргүүлэх боломжтой болно.

Нөхцөл байдлын сэтгэлгээ нь гурван зүйл дээр суурилдаг. Нэгдүгээрт, энэ нь танил тохиолдлын нөхцөл байдлын ерөнхий ойлголт юм (загвар таних системтэй адил). Жишээлбэл, шатрын самбар дээрх хэсгүүдийн янз бүрийн зохион байгуулалтаас сэтгэн бодох систем нь нийтлэг зүйлийг олж, нөхцөл байдлыг үнэлж, түүний хэсгүүдэд аюул заналхийлж байгаа эсэх, алдагдалгүй довтлох боломж байгаа эсэх, дараа нь илүү олон зүйл байж магадгүй юм. тодорхой нөхцөл байдал-хослолууд. Хоёр дахь нь туршлага (урт дүгнэлт хийлгүйгээр нөхцөл байдлыг сайн тал руу нь өөрчлөхөд хэрэглэгдэх богино, үнэмшилтэй дүрмийн номын сан). Нөхцөл байдлын үнэлгээнд үндэслэн энэ байдлыг өөрчлөх хувилбаруудыг санал болгож байна, жишээлбэл, хэсгүүдийг хэрхэн шилжүүлэх талаархи бүдүүлэг өгөгдөл. Шинжилгээч нь энэ ойролцоо өгөгдлийг шатрын самбар дээрх хэсгүүдийн зөв хөдөлгөөнд хөрвүүлдэг (хэрэв зөв хөдөлгөөн олдохгүй бол дараах хувилбарыг авна). Үүнтэй төстэй нөхцөл байдал (мөн үүний дагуу тэдгээрийг шийдвэрлэх арга замууд) тоглоомын аль ч үе шатанд тохиолдож болох бөгөөд бид янз бүрийн нүүдлийн сонголтуудыг удаан тоололгүйгээр шууд шийдлийг олж авдаг. Тиймээ, эдгээр сонголтууд нь "зүгээр л" үнэмшилтэй, гэхдээ тэдгээр нь бодит намуудын арвин туршлага агуулсан бөгөөд шинэ намуудад нэлээд хэрэглэгдэх боломжтой. Түүгээр ч зогсохгүй эдгээр нөхцөл байдал нь тоглоом хэрхэн урагшлах олон нүүдлийн талаар зарим мэдлэгийг агуулдаг боловч хөдөлж буй хэсгүүдийн түвшинд биш, харин тактикийн нөхцөл байдлыг өөрчлөх түвшинд (энэ нь тэнцээнд хүрэхийн тулд тэнцвэрийг хадгалах гэх мэт эцэс төгсгөлгүй мөчлөгүүдийг багтааж болно) ) ... Гэсэн хэдий ч тэд алдагдалд хүргэсэн бол номын сан нь тэдний нөхцөл байдалд ажиллах шинэ дүрмүүдээр нэмэгдэх болно. Гуравдугаарт, энэ нь хэд хэдэн алхам урагшлах боломжтой шийдлийн дотоод шалгалт юм (жишээ нь, ямар нэг зүйлийг гаргаж ирэх, дараа нь нөхцөл байдлыг хэр сайн өөрчлөхийг олж мэдэх, хэд хэдэн өөр шийдлүүдийг хадгалах, манай систем үүнийг хэрхэн хийхээ хараахан мэдэхгүй байна. , энэ нь зөвхөн нэг сонголтыг өгдөг, гэхдээ энэ талаар илүү их зүйл байх болно).

Дашрамд хэлэхэд, та мэдрэлийн сүлжээг судлахдаа тэдгээрийг зөвхөн оролтын өгөгдөл дээр үндэслэн ажиллуулахаас гадна дотоод төлөвийг шингээж, нарийн төвөгтэй програмуудыг хэрэгжүүлэхэд сургах талаар бодож байсан байх? Энэ нь надад сонирхолтой байсан. Үнэн бол би ийм сүлжээг хэрхэн сургах талаар удаан хугацааны туршид үнэ цэнэтэй зүйл бодож олсонгүй. Харин одоо арай өөр талаас нь хариулж байна.

Бид яагаад бүхэл бүтэн мужийг шинэчлэх боломжтой нэг том сүлжээний оронд олон мэдрэлийн сүлжээ хийсэн бэ? Генетикийн алгоритмыг үр дүнтэй ажиллуулахын тулд бие даасан дүрэм журамтай байх нь зүйтэй бөгөөд тэдгээр нь тус бүр нь тодорхой (бидний ойлголтоос далд) үйлдлийг хариуцах болно. Нэмж дурдахад ийм дүрмүүдийг программуудын хооронд солилцож, тэдгээрээс өөр өөр багц програмуудыг хийж, бие даасан дүрмийг өөрчилж, хувилж, тэр ч байтугай хамгийн амжилттай (эсвэл ирээдүйн номын сангийн) дүрмийн санг бүрдүүлж болно. Нэг том мэдрэлийн сүлжээгээр үүнийг хийхэд хэцүү байх болно. Нэмж дурдахад, ердийн мэдрэлийн сүлжээнүүдийн хувьд нэгдэл нь ердийн мэдрэлийн сүлжээнээс илүү сайн ажилладаг.

Үүнтэй төстэй шалтгааны улмаас мэдрэлийн сүлжээ бүр цөөн тооны гаралттай байдаг. Тэдгээр. дүрэм бүр өөрийн гэсэн жижиг шийдвэр гаргах чадвартай. Үүний зэрэгцээ, сүлжээ бүр нь нөхцөл байдлын талаар дэлхийн хэмжээний төсөөлөлтэй байх хүлээлттэй байгаа бүх мужаас оролттой байдаг, гэхдээ тэр үед тодорхой дүрмийн хамрах хүрээтэй холбоогүй ихэнх тохиолдолд хариу үйлдэл үзүүлэхгүй. Сүлжээ бүр хувьслын явцад үүнийг сурах ёстой. Тиймээс дэлхийн төлөв байдалд нөлөөлж байсан ч өнөөгийн нөхцөл байдалд яг тохирсон дүрэм журам ажиллах болно. Бичлэгийн тоо бас хязгаарлагдмал байх ёстой, энэ онооны талаар надад ямар ч бодол алга, зөвхөн туршилт л тус болно.

Үүний үр дүнд сургалтын дараа та мэдрэлийн сүлжээний багцаас бүрдэх программ авах хэрэгтэй. Хөтөлбөр нь оролтын нүднүүдийг тохируулсан анхны төлөвөөс эхэлдэг, үлдсэн нүдийг тэглэж болно (эсвэл санамсаргүй утгууд бага байна). Давталт бүрт глобал төлөвийг бүх сүлжээний оролтод нийлүүлж, бүх сүлжээний үйл ажиллагааны үр дүнг тооцож, бүх сүлжээний гаралтыг тэр даруй глобал төлөвт нэмнэ. Дараагийн давталт ирдэг. Жишээлбэл, гаралтын утгууд тогтворжсон эсвэл шийдэл бэлэн болсон гэсэн дохиог тусгай гаралт руу илгээснээр шийдэл бэлэн болсон гэж ойлгож болно. Үүний дараа гаралтын утгуудыг уншиж, шинэ оролтын утгуудыг ачаалж, програм шинэчлэгдсэн өгөгдөлтэй үргэлжлүүлэн ажиллана.

Энэ программ нь генетикийн алгоритмыг ашиглан автоматаар үүсгэгддэг. Хамгийн гол нь бид хүлээн авсан програмуудын үр нөлөөг үнэлэх шалгуур үзүүлэлттэй байдаг (өөрөөр хэлбэл нэг програм нөгөөгөөсөө илүү сайн байдаг) бөгөөд энэ нь генетикийн алгоритм ажиллахад хангалттай юм. Бодит ертөнцийн даалгавруудын хувьд ийм шалгуур ихэвчлэн байдаг. Энэ нь янз бүрийн нөхцөл байдалд тохирсон сайн, муу гэж тооцогддог ажлын багц жишээ байж болно (хэв маягийг таних систем нь жишээнүүдээс суралцдаг). Алдартай жишээнүүдээс сургамж авснаар програм нь хэв маягийг таних системтэй адил өөрийн туршлагаа үл мэдэгдэх жишээнүүдэд нэгтгэн дүгнэх, тухайлбал ийм ерөнхийлөлт нь чанарын шинж чанартай байж, олон тооны жишээн дэх далд хэв маягийг барьж, гэнэтийн зураг зурах боломжтой болно. гэхдээ зөв) дүгнэлт. Нарийн логик дүгнэлт, тодорхой шийдэл шаарддаг ажлуудын хувьд энэ нь илүү хэцүү байдаг (гэхдээ энэ талаар илүү их зүйл байх болно). Хөтөлбөрүүдийг бие биетэйгээ тулалдах, жишээлбэл, шатар тоглох, хамгийн сайн тоглосоныг нь үр дүнтэй гэж хүлээн зөвшөөрөх сонголтууд байж болно, тэгвэл хөндлөнгийн үнэлгээ шаардлагагүй болно.

Генетик алгоритм нь дүрэм (мэдрэлийн сүлжээ) болон програмын багцыг санамсаргүй байдлаар үүсгэдэг. Бүх дүрмүүд нийтлэг агуулахад байрладаг. Эдгээр программ бүр нь нийтлэг репозитороос авсан өөрийн дүрмийн багцаас бүрдэнэ. Дүрмүүд нь өөрөө репозиторд байдаг, програм нь зөвхөн тэдэнд ханддаг. Үр дүнтэй байдлыг үнэлэхийн тулд бүх програмуудыг зэрэгцүүлэн ажиллуулдаг (тус бүр өөрийн гэсэн төлөвтэй, оролт-гаралтын багцтай). Хамгийн сайн үнэлгээг илүү хурдан, илүү үр дүнтэй ажилладаг хөтөлбөрүүдэд өгдөг. Удаан бодсон, эсвэл огт шийдвэр гаргадаггүй нэвтрүүлгүүдийг торгодог.

Муу програмуудтай илүү магадлалтайөөрчилсөн эсвэл бүрмөсөн устгасан. Тэдний оронд шинээр үүсгэгдсэн програмууд эсвэл одоо байгаа програмуудаас хувилсан програмууд ирдэг. Хөтөлбөрийн үнэлгээ нь хуримтлагдсан байж болно, i.e. хуримтлуулж, хөтөлбөрт хөгжихийн тулд хэсэг хугацаа өгдөг. Сайн программуудыг хувилах магадлал өндөр байдаг. Хөтөлбөрүүд муугаас сайн руу хөгжиж байна.

Хангалттай сайн шийдэлд хүрсний дараа генетикийн алгоритмын үр дүнд хамгийн сайн програмыг сонгож, ирээдүйд энэ програмыг бодит асуудлуудад ашигладаг.

Хөтөлбөрүүд ямар хувьслын өөрчлөлтөд өртөж болох вэ? Хадгалах газраас дүрэм нэмэх эсвэл хасах. Өөр програмтай нийлж, тухайлбал хоёр програмыг авч, тэдгээрийн үндсэн дээр нэг програмын дүрмийн нэг хэсэг, хоёр дахь хөтөлбөрийн дүрмийн хэсгээс бүрдэх гурав дахь програмыг бий болгодог. Зөрж гарахдаа программд нэмэх, хасах, бичих дүрмийг санамсаргүй байдлаар сонгоно. Хэдийгээр та энэ талаар бодож үзвэл, магадгүй үүнийг илүү зорилготойгоор хийх арга замууд байж болох ч, дүрмийн тодорхой хөтөлбөрт оролцох үр дүнтэй байдлын үнэлгээ байх болно.

Дүрмүүд (мэдрэлийн сүлжээ) ямар хувьслын өөрчлөлтөд өртөж болох вэ? Өмнө дурьдсанчлан, эдгээр өөрчлөлтүүдийн нэг нь дотоод төлөвт байгаа эсийн тоо өөрчлөгдөх бөгөөд энэ нь бүх дүрэм журамд нөлөөлдөг. Төлөвийн эсийн тоог нэмэгдүүлэх, багасгах хэрэгцээг хөтөлбөрийн динамик байдал, төлөв байдал хэр олон удаа өөрчлөгдөж, бие биетэйгээ хэр зэрэг хамааралтай, гаралтын утгад хэр их нөлөөлж, хэр үр дүнтэйгээр үнэлж болно. хөтөлбөрүүдийн хүн ам ерөнхийдөө. Дараагийн хувьслын өөрчлөлтүүд нь дүрмийг клончлох, дүрмийг санамсаргүй өөрчлөх (жишээлбэл, мэдрэлийн сүлжээний "жинг сэгсрэх" гэх мэт, үр ашиг бага байх тусам сэгсрэх нь илүү хүчтэй болно). Клончлох нь дараачийн дүрмийг өөрчлөхтэй зэрэгцэн програмыг хувилахад хүргэдэг. Жишээлбэл, анхны программд анхны дүрмийн холбоос, клончлагдсан програмд ​​- хувилсан дүрмийн холбоос хэвээр байна. Эсвэл эх программд дүрмийн клон руу нэмэлт холбоос гарч ирнэ. Хоёр мэдрэлийн сүлжээнээс нэг хэсгийг аваад гурав дахь сүлжээнд наасан үед дүрмийг давж болно. Дүрэмд (мэдрэлийн сүлжээ) гаралтын тоо санамсаргүй байдлаар өөрчлөгдөж болох бөгөөд дээр дурдсанчлан дотоод холболтын тоо, бүтэц өөрчлөгдөж болно.

Дүрэм бүрийн хувьд түүний үр нөлөөг тухайн дүрмийг агуулсан хөтөлбөрүүд хэр амжилттай ажиллаж байгаагаас хамаарч тооцоолж болно. Түүнээс гадна, та дүрмийг хөтөлбөрт оруулах боломжтой боловч идэвхгүй байж болох тул энэ нь програмын үйл ажиллагаанд нөлөөлөхгүй гэдгийг анхаарч үзэх хэрэгтэй. Ийм үнэлгээнд үндэслэн бид дүрмийн санг зориудаар хөгжүүлж чадна, тухайлбал амжилттай дүрмийг илүү олон удаа давтаж, үр дүнгүй дүрмийг арилгах эсвэл өөрчлөх магадлал өндөр болно. Мөн бид хамгийн үр дүнтэй дүрмүүд дээр суурилсан хөтөлбөрүүдийг бий болгож чадна. Эсвэл өөрчлөлтийн явцад хөтөлбөрт оруулах магадлал өндөр байдаг хамгийн сайн дүрэм... Банк нь дүрэм журмыг өөр өөр хамрах хүрээтэй хадгалдаг боловч нийтлэг асуудлыг шийдэж байгааг анхаарна уу.

Гэхдээ хамгийн сонирхолтой нь дүрэм бүрийн хувьд та зөвхөн үр ашгийг төдийгүй алдааг тооцоолох боломжтой юм шиг санагдаж байна! Тухайлбал, өгөгдсөн оролтын нөхцөлд энэ дүрэм хэрхэн зөв ажиллах ёстойг ойлгох. Эцсийн эцэст бид өдөөх дүрэм (мэдрэлийн сүлжээ) жишээнүүдтэй сайн хөтөлбөрүүд(энэ нь хөтөлбөрийг бүрдүүлдэг дүрмийн зөв шийдвэрүүд байсан гэж бид үзэж байна) болон муу программ дээр ажиллах жишээнүүд (эдгээр нь хөтөлбөрийг бүрдүүлдэг дүрмийн буруу шийдвэрүүд байсан гэж бид үзэж байна). Үүний дагуу та мэдрэлийн сүлжээ бүрийн гаргасан сайн шийдвэрүүдийг бэхжүүлж, муу шийдвэрийг багасгахыг оролдож болно. Оролт, гаралтын утгыг ямар ч асуудалгүйгээр хуулбарлаж, тэдгээрийн үндсэн дээр алдааны буцаан тархалтын алгоритм руу илгээсэн сургалтын дээжийг байгуулж болно. Энд байгаа гол асуудал бол сургалтын багцын оролт, гаралтын цаг хугацааны дарааллыг задлах явдал бөгөөд энд хоёрдмол утгатай байж болно. Эцсийн эцэст, зөв ​​сүлжээнд байгаа бүх шийдвэр (оролт-гаралтын хос) нь хамгийн зөв, буруу нь буруу байсан гэж бид таамаглаж чадахгүй. Магадгүй энэ нь эцсийн мөчид зөв шийдвэрт "дарагдсан" тэс өөр дүрмийн буруу юм болов уу? Шийдвэрийн бүх дарааллыг задлахад оролцох нь найдваргүй оролдлого юм. Тиймээс та эдгээр цаг хугацааны дараалалд үндэслэн дээжийг бүрдүүлэх талаар бодох хэрэгтэй болно. Сургалтын дээжийг бүрдүүлэхдээ бид олон жишээг хаяж, зөвхөн хамгийн тодорхойгүйг нь үлдээсэн ч ахиц дэвшил байх болно.

Одоо бидэнд юу байгааг харцгаая. Одоо бид бодит ертөнцийн даалгавруудыг удирдан чиглүүлэх, олон янзын нөхцөл байдалд уян хатан ажиллах, алдаанаас ангижрах, дотоод логик, нөхцөл байдлыг урьдчилан таамаглах / загварчлах боломжтой програмуудыг автоматаар бичих хэрэгсэлтэй болсон. Тэдний хийж чадахгүй зүйл бол нарийн логик хэлхээг бий болгож, урт дүгнэлт хийх явдал юм. Хэдийгээр олон даалгаврын хувьд ийм тагнуул нь гүнзгий логик үйл явц явагдаж байгаа мэт дүр эсгэх боломжтой боловч үнэндээ сургалтын явцад олж авсан хоосон зайг ашигласан болно. Ийм оюун ухаан, бие даасан байдал хангалтгүй, хүн үүнд маш их зүйлийг хийх шаардлагатай хэвээр байна. Техник хангамжийн хэсэгт бидний олж авсан зүйл нь байгалиас бий болгосон зүйлтэй бараг ижил биш юм.

Хиймэл оюун ухаан, 3.0 хувилбар

Одоо орчны эмулятор гэдэг зүйлийг нэмье. Бидэнд хоёр сорт хэрэгтэй болно, нэг нь гадаад орчныг дуурайх, нөгөө нь урьдчилан таамаглахад зориулагдсан. Гурав дахь төрөл байх болно, гэхдээ дараа нь илүү ихийг хэлэх болно.

Урьдчилан таамаглах горимд байгаа эмулятор нь хяналтын програмаас өмнөх төлөв байдлын түүх, хүрээлэн буй орчинд үзүүлж буй нөлөөллийг мэдэж, гадаад орчны хүлээгдэж буй үйлдлийг цөөн тооны алхам урагшлуулах чадвартай байх ёстой. Одоо програм нь гадаад орчинд шууд ажиллахгүй, харин эхлээд эмулятор дээр ажиллах болно. Мөн эмулятор дээр та програмын нөлөөллийн улмаас хүрээлэн буй орчин зөв чиглэлд өөрчлөгдсөн эсэхийг урьдчилан харах боломжтой. Тиймээс, та ижил төстэй байдлаар бэлтгэгдсэн хэд хэдэн хөтөлбөртэй байж болно, гэхдээ бие биенээсээ ялгаатай. Тэд тус бүрийн хувьд хүрээлэн буй орчны бодит цагийн эмуляторыг бий болго. Гадаад орчинд алхам тутамдаа эмулятор дээр хамгийн сайн үнэлгээ авах програмын нөлөөллийг үзүүлээрэй. Өөр нэг хувилбар бол хөтөлбөрийн баг "олонхийн санал" -аар хүлээн зөвшөөрөх шийдвэрийг (хамгийн сайн байх албагүй) гаргах явдал юм, тэгвэл энэ шийдвэр найдвартай байх болно.

Эмуляцийн горим дахь эмулятор нь урьдчилан таамаглахтай төстэй боловч бодит гадаад орчин байхгүй үед сургалтын хөтөлбөрт ашиглагддаг. Өмнөх хувилбарт бид гадаад орчноос авсан зүсэлтийн бэлэн жишээг авсан. Тиймээс эдгээр жишээнүүдийн оронд та дахин бүтээхээр бэлтгэгдсэн эмулятор үүсгэж болно ердийн нөхцөл байдалгадаад орчин. Эцсийн эцэст маш олон жишээ байж болох бөгөөд энэ нээлтийн оронд авсаархан эмулятор ашиглах нь илүү үр дүнтэй байдаг.

Сургалтын горимд байгаа эмуляторыг жинхэнэ мэдрэгч дээр байрлуулж, удаан хугацаагаар үлдээж болно. Байгалийн асуулт - яагаад шаардлагатай програмыг мэдрэгч дээр нэг дор байрлуулж болохгүй гэж? Энд хэд хэдэн хариулт байна. Эхлээд бид хөтөлбөрийн дараагийн хувилбарыг сургах хүсэлтэй байж магадгүй бөгөөд дараа нь дахин бодит төхөөрөмжүүдийг жолоодох хэрэгтэй болно. Хоёрдугаарт, програм зөв сурсан эсэхээс үл хамааран бодит мэдрэгч дээр туршилт хийх боломжгүй, эсвэл ийм туршилтууд үнэтэй байж болох бөгөөд эмулятор нь урьдчилан таамаглах горимд ажиллах боломжтой.

Нэмж дурдахад эмулятор нь нэгдүгээрт, хүрээлэн буй орчны зан төлөвөөс санамсаргүй хазайлт үүсгэх, хоёрдугаарт, хүрээлэн буй орчны төлөв байдлаас өөр өөр цаг хугацааны дарааллыг нэгтгэх боломжтой байхаар тохируулж болно. Эмулятор нь гадаад орчинд бэлтгэгдсэн тул ийм хослолыг "зохион бүтээсэн" нь үнэмшилтэй байх болно. Энэ нь сургалтын хөтөлбөрүүдийн жишээг өргөжүүлдэг.

Мэдээжийн хэрэг, бодит цаг хугацаанд болж буй бүх зүйлийг дахин бичиж, програмын автомат нэмэлт сургалтанд ашиглаж болно.

Эмуляторт зориулсан програмуудыг дээр дурдсантай ижил технологи ашиглан хийж болно.

Хэрэв гадаад орчин нь маш нарийн төвөгтэй (шатар тоглох гэх мэт) бол эмулятор нь хяналтын програмтай маш ойрхон технологи ашиглан бүтээгдэх болно. Сурах үед хөтөлбөрүүд хоорондоо тоглож, хамгийн хүчтэй хөтөлбөр нь үлдэх болно. Урьдчилан таамаглах эмулятор нь зөвхөн хамгийн сайн нүүдлийг олохын тулд төдийгүй өрсөлдөгчийнхөө тоглох хэв маягт дасан зохицох боломжтой. Тиймээс хүнтэй тоглохдоо эцсийн шийдвэр гаргахаас өмнө олон программууд болон тэдгээрийн өрсөлдөгчид, эмуляторуудын хооронд машины "тархинд" бүхэл бүтэн тулаан өрнөх болно.

Тиймээс бид гадаад орчны эмуляторыг ашиглан сургалтын хөтөлбөрийн чанар, бодит цаг хугацаанд шийдвэр гаргах чанарыг хоёуланг нь нэмэгдүүлдэг.

Өрсөлдөөнт шийдвэр гаргах, хүрээлэн буй орчны эмулятор бүхий байгалийн оюун ухаанд ийм параллель байдал бий юу? Би тэгж бодож байна, гэхдээ энэ нь бараг байхгүй шууд хэлбэр... Байгалийн хувьслын явцад үүссэн зүйл нь мэдээж илүү төвөгтэй бөгөөд үр дүнтэй байдаг. Гэхдээ энд энгийн бөгөөд хамгийн хурдан үр дүнд хүрэхийн тулд бид өрсөлдөөн, эмуляторыг зохиомлоор нэвтрүүлсэн.

Гадаад орчны эмулятор, өрсөлдөх чадвартай хамтын шийдлийг нэвтрүүлсний дараа манай хиймэл оюун ухааны шинэ шинж чанаруудыг нэвтрүүлэх боломжтой.

Тэнэмэл суурь шийдэл... Шийдвэр гаргасны дараа дараагийн алхамыг ойлгохын тулд бүх хөтөлбөрийг дахин бүтээхийг албадах шаардлагагүй. Та өнгөрсөн нөхцөл байдлын талаар удаан хугацааны турш үргэлжлүүлэн бодохын тулд зарим (зарим шалгуураар сайн) хөтөлбөрүүдийг орхиж болно. Магадгүй тэд ямар нэг зүйлийн талаар бодох бөгөөд энэ нь одоогийн нөхцөл байдалд (өөрчлөгдсөн ч гэсэн) хэрэг болох эсвэл цаашдын суралцахад хэрэг болно. Жишээлбэл, хоцрогдсон хөтөлбөр нь дайсны санааг тайлах эсвэл сонирхолтой тактикийн шийдлийг олох боломжтой. Дараа нь одоогийн нөхцөл байдлыг энэ шийдэл рүү эргүүлэхийг оролдох боломжтой болно (хиймэл оюун ухаан "бодол санаагаа өөрчилсөн") бөгөөд хэрэв тэр үед тоглоом аль хэдийн дууссан (эсвэл өөр чиглэлд явсан) бол шийдэл нь олддог. сургалтанд ашиглаж болно. Эдгээр хоёр хувилбарыг яг яаж хэрэгжүүлэх нь тусдаа судалгааны сэдэв юм. Үүний зэрэгцээ хиймэл оюун ухаан байнга онлайн байх бөгөөд бараг л хүн шиг сэтгэж, өөрийгөө сайжруулж, өөртэйгөө харилцан яриа өрнүүлэх болно.

Сонголтуудын тэсрэлт... Та тусдаа програм (эсвэл бүлэг програмууд) салаа дээр байгаа, тодорхойгүй нөхцөл байдал илэрсэн, энэ нөхцөл байдал шинэ шийдвэрийн салбарууд (хөтөлбөр + эмулятор) болж салбарлах шаардлагатай болсон нөхцөл байдлыг илрүүлэхийг оролдож болно. Дахин хэлэхэд, ийм нөхцөл байдлыг хэрхэн илрүүлэх, хэрхэн салбарлах вэ гэдэг нь тусдаа судалгааны сэдэв, хагалгаагүй талбай юм. Одоохондоо энэ нь зөвхөн санаа, ойлгомжгүй тохиолдолд оюун ухаан нь хувилбаруудыг салбарлаж чаддаг байх ёстой гэсэн санааны түвшинд л байна. Гэхдээ салбарлах нь шийдвэрийн модыг давтахтай огт адилгүй. Хоёрдмол утгатай үйлдлүүд (төсөөллийн нэгж) нь ирээдүйд ижил арифметикийн дүрмийн дагуу бие биетэйгээ харилцан үйлчилдэг хэд хэдэн хувилбаруудыг гаргах үед энэ нь долгионы функцийг будахтай адил, нарийн төвөгтэй арифметик шиг юм. Түүнчлэн хиймэл оюун ухаан дахь салбарласан шийдлүүд нь хоорондоо үргэлжлүүлэн харилцаж, (ямар асуулт вэ гэдэг асуулт) үргэлжлэн оршиж байх ёстой. зөв мөчЦаг хугацаа өнгөрөхөд салбарууд нэг шийдэлд нэгдэж болно. Түүгээр ч барахгүй салбарлах нь сонголтуудыг тоолж байгаа шиг тэнэг зүйл биш, харин хамгийн сонирхолтой мөчүүдэд тохиолддог.

Боломжит салбар цэгийг яг яаж илрүүлэх вэ? Уламжлалт мэдрэлийн сүлжээнүүдийн хувьд өгөгдөл боловсруулахад хангалтгүй бол мэдрэлийн сүлжээний хүчин чадлыг нэмэгдүүлэх, шийдвэр гаргахад хэтэрсэн тохиолдолд сүлжээний хүчин чадлыг багасгах алгоритмууд байдаг. Мэдрэлийн сүлжээн дэх хүчин чадлыг өөрчлөх нь мэдрэлийн эсүүд болон нейронуудын хоорондох жин-холболтыг нэмэх, арилгах явдал юм (шугаман бус матриц дахь мөрүүдийг нэмэх / хасах, шийдэлд нөлөөлөхгүй элементүүдийг тэглэхийг уншина уу). Шаардлагатай бол ургадаг мэдрэлийн модны тухай бүхэл бүтэн чиглэл байдаг. Тиймээс хөтөлбөрүүдийн багт та өөр өөр програмууд юуны талаар "бодож" байгааг шалгаж, ижил төстэй нөхцөл байдлыг багасгаж, "бодол" -ын шинэ чиглэлийг бий болгохыг оролдож болно. Үүнийг үнэлэхдээ юуны түрүүнд эмуляторууд бидэнд туслах болно, бид тэд гадаад орчны талаархи төсөөлөл хэр төстэй болохыг харах хэрэгтэй.

Хувь хүний ​​​​хөтөлбөрүүд нь шийдлийг хэрхэн хоёрдмол утгагүй байдлаар өгч байгааг шалгах боломжтой. Хэрэв програм нь хэд хэдэн шийдлийн хооронд эргэлдэж, эсвэл шийдэлд хүрэхгүй бол "өөр бодлын чиглэл" -ийг идэвхжүүлэхийн тулд ижил нөхцөл байдалд тохируулсан боловч санамсаргүй хазайлттай нэмэлт програмуудыг шидэж болно. . Салбарлах нь хөтөлбөр нь шийдэлд хэр хоёрдмол утгатай болохыг тодорхойлж, хоёрдмол утгатай тохиолдлуудыг хэд хэдэн хоёрдмол утгагүй хөтөлбөрүүдэд хувааж, багаар илүү амжилттай хамтран ажиллах боломжтой болох сургалтанд ашигтай байж болно. Гэхдээ дахин хэлэхэд эдгээр нь зөвхөн үзэсгэлэнтэй санаанууд, туршилт хийх санаанууд юм.

Тэд мөрөөдөх болно

Бидэнд зөв зан үйлийн жишээнүүд байгаа эсвэл хүрээлэн буй орчны хариу үйлдлийг дуурайж чаддаг бол энэ нь сайн хэрэг. Байгалийн оюун ухаанд (мөн ирээдүйн хиймэл оюун ухаанд) ийм тансаг байдал үргэлж байдаггүй. Оюун ухаан нь хүрээлэн буй орчинд ямар нэгэн зүйл хийхийг оролддог, тэндээс ямар нэг зүйл зөв гарч ирдэг, ямар нэг зүйл болохгүй, ямар нэг зүйл үл ойлгогдох үр дагавартай үлддэг. Үүнээс хэрхэн суралцах вэ?

Үүний тулд бид гурав дахь төрлийн гадаад орчны эмуляторыг танилцуулах болно. Тэрээр гадаад орчны илрэл, хиймэл оюун ухаан эдгээр илрэлүүдийн хариуд юу хийсэн, энэ нь юунд хүргэсэн зэргийг санах болно. Энэ нь туршлага хуримтлуулахын хэрээр ийм эмулятор нь хүрээлэн буй орчныг дуурайх, урьдчилан таамаглах гэсэн өмнөх хоёр төрлийг хослуулах боломжтой бөгөөд бидний хиймэл оюун ухаантай төстэй зарчмууд дээр бүтээгдэх болно гэдгийг үгүйсгэхгүй.

Тодорхой мэдээлэлгүй, ямар үйлдэл зөв, аль нь буруу болохыг яаж сурах вэ? Жижиг ухралт. Хопфилд сүлжээнүүд нь шүүмжлэлтэй үнэлгээ, алдаа засахгүйгээр бүх жишээг "дүгнэх" замаар жишээнүүдээс суралцдаг. Сургалтанд хамрагдсан Хопфилд сүлжээ нь давталтын үед хэсэгчилсэн эсвэл чимээ шуугиантай дүр төрхөөр анхны зургийг дахин бүтээж чаддаг (өгөгдсөн зургийн хамгийн бага энергийн нэгдэл). Тиймээс сүлжээнд сургасны дараа заримдаа хуурамч зураг авдаг. Хуурамч зургийг арилгахын тулд сургалтын жишээг оролт дээр ажиллуулдаг бөгөөд хэрэв сүлжээ нь хуурамч зураг руу нийлдэг бол ийм зургийг дарж бичдэг. Нэг ёсондоо сүлжээ өмнө нь хүлээн авсан мэдээлэлдээ тулгуурлан “мөрөөддөг” бөгөөд зүүдэндээ худал мэдээллийг зөв мэдээллээр сольдог. Хопфилд сүлжээг ашиглаж байна энгийн зургууд, гэхдээ бид зарчмыг сонирхож байна.

Энд бид ижил төстэй замыг дагаж болно. Гадаад орчноос мэдээлэл хуримтлуулсаны дараа тагнуул нь гадаад орчноос тасарч, зөвхөн эмулятор дээр ажилладаг. Эмулятор нь нөхцөл байдлыг хуулбарладаг бөгөөд хэрэв оюун ухаан нь сайн шийдлийг өгсөн бол энэ шийдлийг бэхжүүлж, хэрэв муу бол энэ шийдлийг өөр зүйлээр солино. Жишээлбэл, санамсаргүй байдлаар. Гол нь шинэ шийдэл нь муу юм шиг харагдахгүй байгаа юм. Үүний зэрэгцээ бид хуримтлагдсан сайн шийдлүүд алдагдахгүй, шинэ муу шийдлүүд гарч ирэхгүй байхаар өөрчлөлтийг бий болгодог.

Наад зах нь ийм бүтцийн өөрчлөлтийг генетикийн алгоритм ашиглан хийж болно. Хөтөлбөрийг бүрдүүлсэн дүрэм бүрийг хөндлөнгийн үнэлгээ хийх боломжтой бөгөөд ингэснээр дүрэм бүрийн алдаа, засварыг үнэн зөв тооцоолох боломжтой болно. Эцсийн эцэст, хөтөлбөр сайн эсвэл муу ажилласан талаар бидэнд тодорхой мэдээлэл байна. Шийдвэрийг нэвтрүүлгийн баг гаргасан бол шийдвэрийн зөв эсэх тухай мэдээлэл зөвхөн ялагч нэвтрүүлэгт л мэдэгддэг гэсэн утгаараа энд илүү хэцүү байдаг. Гэхдээ нөгөө талаас бид програмуудын зан байдлын талаархи мэдээлэлтэй бөгөөд энэ нь цаг хугацааны хувьд урт бөгөөд үүнээс нарийн мэдээллийг гаргаж авах боломжтой болсон.

Тиймээс хэрэв хиймэл оюун ухааныг байгалийн нөхцөлд оруулбал сэрэхүйн урт үе шатууд гарч ирэх бөгөөд энэ хугацаанд туршилт, алдааны үр дүнд мэдээлэл хуримтлагдаж, дараа нь энэ мэдээллийг чанарын хувьд шингээж авах нойрны үе шатууд гарч ирдэг. Энэ үйл явц нь өөрөө урт бөгөөд шаргуу байх болно. Байгалийн оюун ухаанд ийм механизм хувьслын явцад нэг удаа гарч ирсэн бөгөөд ашигтай шинж чанараа хурдан харуулж, дараагийн үеийнхэнд үржиж байв. Энэ нь хувьслын явцад гарч ирэхэд тийм ч хэцүү биш юм.

Тэд өвдөлт мэдрэх болно

Үйлдлийн зөв байдлын талаархи мэдээлэл байхгүй тохиолдолд сургалтын өөр нэг сонголт. Ангилах аргаар заахдаа шийдлийг дахин бүтээхийн тулд параметрийн санамсаргүй өөрчлөлтийг бүхэлд нь шийдэлд ашигладаг гэдгийг сануулъя. Ийм өөрчлөлтийн хүч (температур) өндөр эхэлж, уусмал нийлэх үед аажмаар буурдаг. хамгийн сайн сонголт... Хэрэв өөрчлөлтүүд нь бидэнд тохирохгүй бол илүү тохиромжтой хувилбарыг хайж олохын тулд өөрчлөлтийн хүч чадал (зайлуулах температур) нэмэгддэг.

Тиймээс хувьслын явцад өвдөлтийн механизм бий болсон. Буруу үйлдэл - бидний мэдрэлийн холболтууд хэрцгий галд хэрхэн залгиж байгааг бид шууд мэдэрдэг. Энэ сэгсрэлт нь анзаарагдахгүй өнгөрдөггүй. Буруу үйлдлийн үр дагавар нь бидний мэдрэлийн холбоонд шууд утгаараа шатдаг. Тиймээс бид эдгээр буруу үйлдлүүдийг давтахаас зайлсхийх болно. Механизм нь энгийн боловч үр дүнтэй байдаг.

Хиймэл оюун ухаанд суралцах нь санамсаргүй өөрчлөлтийн илүү эрчимтэй хурдаар, хэрэв оюун ухаан нь буруу шийдвэр гаргах юм бол зорилготой өөрчлөлтийн өндөр хурдаар нөхөж болно. Ийм нэмэлтийг хөтөлбөрийн багийн түвшинд болон бие даасан хөтөлбөр, дүрмийн түвшинд хэрэглэж болно. "Муу" дүрмүүд эсвэл хөтөлбөрүүд нь буруу үйлдлийн үр дүнд шууд утгаараа шатаж болно. сайн дүрэммөн хөтөлбөр нь аврагдаж, үржих боловч гал шиг буруу үйлдлээс "айх" болно.

Оюун ухааны өндөр түвшинд "өвдөлт" нь "толгой нь санаанаасаа салж байна", "бодол цуглуулах боломжгүй" гэх мэтээр илэрдэг. Сайн шийдвэрийн төлөв байдал нь бодлын тодорхой байдал, эв найрамдал, "сэтгэл санааны амар амгалан" дагалддаг.

Дүрмийн чуулга

Хувьслын сургалтын явцад дүрмийн зарим хэсэг нь эцэг эхтэй холбоотой хэвээр байхаар хувилдаг гэж төсөөлөөд үз дээ. Жишээлбэл, тэдгээр нь ижил оролт, гаралттай холбогдсон хэвээр байгаа бөгөөд бараг нэгэн зэрэг идэвхждэг. Үүний зэрэгцээ дүрмүүд нь бие биенээсээ ялгаатай хэвээр байгаа бөгөөд тэдний цаашдын хувьсал өөр өөр замаар явж болно. Одоо бид өөрчлөлт хийх явцад дүрмийн энэ хэсэг нь ихэвчлэн хоорондоо холбоотой байхаар хийх болно, өөрөөр хэлбэл. Ингэснээр гаралт, гарц, идэвхжүүлэлт, гаргасан шийдвэрүүд нь үндсэндээ ижил байна. Энэ тохиолдолд чуулгын дүрэм бусад газарт, түүний дотор бусад чуулгад оролцож болно.

Эндээс харахад чуулга бүх дүрмийнхээ хамтаар шийдвэр гаргадаг юм байна. Хамтын ажлын үр дүнд шийдэл нь илүү чанартай байх болно (наад зах нь энэ нь энгийн мэдрэлийн сүлжээнд тохиолддог). Гэхдээ үүнтэй зэрэгцэн чуулга нь нөхцөл байдлын зарим шинэ, чанарын хувьд өөр өөр төлөөлөлтэй байх болно, чуулгын дүрмүүд бусад газарт (мөн чуулга) хөтөлбөрийн (мөн энэ нь хөтөлбөрт оролцож буй чуулгын талаархи таамаглал юм). Нөхцөл байдлын алсын хараа нь бусад нөхцөл байдлын туршлагаар илүү өндөр түвшинд, илүү ерөнхий, илүү өргөжин тэлж, баяжуулах болно гэж бид хэлж чадна. Тиймээс, хил хязгаар эсвэл шинэ нөхцөл байдалд чуулга бий болгох боломжтой болно (хүн ч гэсэн уран зөгнөлт гэж хэлж болно) шинэ бодит байдалбэлтгэлийн үеэр харсан хуучин үгийнхээ утгыг үргэлжлүүлэв.

Энд хийсвэрлэл-категори, ассоциатив сэтгэлгээ гэх мэт зүйлс заль мэх дээр гарч эхэлдэг. "Хүнд" логик гинж гарч ирж эхэлдэг бөгөөд энэ нь нөхцөл байдлыг илүү өндөр алсын хараатай болгосноор албан ёсны логик, нарийн алгоритмтай ойролцоо "нимгэн" логик хэлхээг үүсгэж чаддаг.

Шинэ нөхцөл байдалтай тулгарах үед ийм чуулга нөөцөд байгаа хөтөлбөр нь туршлагаа шинэ нөхцөл байдалд шилжүүлэх, нэгтгэхэд илүү хялбар байх болно.

Энэ бүхэн бол сайхан таамаглал боловч бүх зүйл энэ чиглэлд явж байгаа бололтой. Тархинд ийм чуулга яг хэрхэн үүсч, хадгалагдаж байсан нь одоогоор тодорхойгүй байна (гэхдээ хувьслын хувьд энэ нь маш энгийн харагддаг). Уг хөтөлбөрт чуулгуудыг хэрхэн дэмжиж, зааж байгаа нь бас л асуудал. Чуулганы дүрмийн тодорхой зохицуулалт байхгүй бололтой, бүх зүйл өрсөлдөөн, харилцан үйлчлэлийн ижил зарчмын дагуу тодорхой нөхцөл байдалд тохирсон дүрмийг нэгтгэх замаар динамикаар шийдэгддэг. Үүний зэрэгцээ дүрэм, чуулга нь динамикаар шаталсан байдлаар баригдаж болох бөгөөд байнгын шатлал байхгүй, тэдгээрийн хооронд мета түвшин, шилжилт байхгүй, тэдгээрийг тусгаарлах замаар тодорхой албажуулах боломжгүй болно. систем-дэд системийн холбоосууд. Үүнийг хэрхэн бий болгох талаар илүү дэлгэрэнгүй мэдээлэл өгөх болно. Байгалийн жам ёсны байдлаас харахад бүх зүйл маш энгийн харагддаг гэдгийг та хүлээн зөвшөөрөх ёстой.

Мөн дахин долгион, давтамж, голограф

Манай хиймэл оюун ухааны хөтөлбөрт өрсөлдөгч хөтөлбөрүүдэд хуваагдах, нөхцөл байдлын өөр алсын хараа зохиомлоор хийгдсэн байдаг. Үүний нэгэн адил дэлхийн улсыг зохиомлоор нэвтрүүлж, түүнд бүх дүрэм журам, цаг үүсгэгч хандах боломжтой бөгөөд шинэ мөч бүрт бүх дүрмийг идэвхжүүлж, нөхцөл байдлыг шинэчилдэг. Гэхдээ тархинд үүнтэй төстэй зүйл байдаггүй, гэхдээ маш төстэй зүйл тэнд байгалийн жамаар үүссэн.

Бидэнд байгаа зүйл бол байгалийн мэдрэлийн эсийн потенциалыг хуримтлуулах шинж чанар бөгөөд эгзэгтэй босго давсан тохиолдолд гаралт дээрээ хэд хэдэн дохиогоор цэнэглэгддэг (өмнөх хэсгүүдийн давтамжийн мэдрэлийн сүлжээг санаж байна уу?). Эдгээр цувралууд нь эргээд анхны нейроны оролттой холбогдсон нейронуудын потенциалыг нэмэгдүүлэх (эсвэл багасгах) болгонд. Босго боломжууд, ялгарах давтамж, үргэлжлэх хугацаа нь сургалтын үйл явцад тохируулагдсан параметрүүд юм.

Тиймээс цаг үүсгэгч, гогцоо ба нөхцөлт шилжилт, дэлхийн төлөв байдал, нөхцөл байдлын албадан параллель байдал шаардлагагүй болох нь харагдаж байна.

Ийм мэдрэлийн эсүүдийн цуглуулга нь аль хэдийн дотоод төлөв, давталтын нарийн төвөгтэй логик, нөхцөлт боловсруулалтыг агуулдаг.

Нэмж дурдахад, мэдрэлийн эсийн багцыг өөр (зэрэгцээ) гинж болгон нэгтгэж, тус бүр нь нөхцөл байдлын талаархи өөрийн гэсэн төсөөлөлтэй байдаг бөгөөд гаралтын үед эдгээр бүх гинжүүд хоорондоо өрсөлдөж, шийдлийг гаралтад оруулах болно. Ийм боловсруулалт нь ердийн компьютер дээр загварчлахад нэлээд тохиромжтой. Өөр нэг зүйл бол эхэндээ албадан параллелжуулсан тагнуулын загвараас илүү их нөөц баялагт шунах магадлалтай боловч урт хугацаанд зохицуулалт багатай загвар нь илүү үр дүнтэй байх болно.

Одоо чуулга, мета чуулгын тухай санацгаая. Бүхэл бүтэн долгионы фронтууд нь бие даасан чуулга дундуур тэнүүчилж байгаа нь янз бүрийн чуулгад хосолсон долгионы нарийн төвөгтэй хэв маягийг өгдөг, магадгүй голограф зургуудаас ч илүү төвөгтэй байдаг. Эдгээр долгионы хэв маяг нь бие даасан мэдрэлийн эсүүдийг (эсвэл манай хиймэл оюун ухаан дахь сүлжээний дүрмийг) чуулга, мета чуулга болгон динамикаар холбодог.

Энэ бүхэн хэрхэн байгалийн жамаар, гэхдээ прагматик байдлаар гарч ирснийг хараарай. Ямар ч давтамж, голограф сүлжээг тусад нь зохион бүтээх шаардлагагүй, тэднийг тамлан зовоож, дүрсийг танихыг албадах шаардлагагүй. Үр дүнтэй ба хэрэглэхэд хангалттай байгалийн курсзүйлс, энэ бүх давтамж-голограф шинж чанар нь гаж нөлөө хэрхэн илэрсэн.

Тархинд нэг удаа орсон анхны нөхцөл байдал нь олон өөр гинжин хэлхээнд хуваагдаж, мэдрэлийн потенциалын өөрчлөлтийн бүхэл бүтэн шуургыг үүсгэдэг бөгөөд үүний үр дүнд илүү төвөгтэй, чанарын дүрслэлийг олж авдаг. Гарах үед энэ бүх боловсруулалтыг дахин гаргах шаардлагатай нарийн хязгаарт шилжүүлдэг гадаад ертөнц.

Холбоо, ангилал, ерөнхий дүгнэлт болон бусад философи

Чуулганы тухай хэсэгт бид дүрмүүд хөтөлбөрийн янз бүрийн хэсэгт оролцох нь сайн хэрэг гэдгийг дурьдсан бөгөөд ингэснээр дүрмүүд нь огт өөр нөхцөл байдлын туршлагыг чанарын хувьд нэгтгэж сурах болно. Тодруулбал, тэд ассоциатив сэтгэлгээ, ангилал зэрэг өндөр түвшний хийсвэрлэлийн замд байх болно. Жишээлбэл, тэд "цагаан", "сэвсгэр" гэсэн ойлголтоос нийтлэг зүйлийг авч, "ялаа" гэсэн нөхцөл байдалд хэрэглэх боломжтой болно. Ийм боловсруулалт нь сэтгэхүйг илүү хүчирхэг болгож, огт өөр нөхцөл байдалд дүрмийн чуулга динамикаар бий болгох боломжийг танд олгоно.

Ийм шинж чанарыг олж авахын тулд бид чуулга, тэдгээрийн засвар үйлчилгээг зохиомлоор нэвтрүүлсэн. Тодорхой нөхцөл байдалд (үзэл баримтлал) сургаж, огт өөр нөхцөл байдалд оролцох, давтан сургах (цагаан / сэвсгэр / ялаа гэх мэт бусад ойлголтуудын хувьд) сургах боломжийг олгодог өөр ямар шинж чанаруудыг олж авах вэ?

Одоогоор хоёр сонголт гарч ирж байна.

Сонголт нэг, оролт гаралтын динамик хослол... Эхэндээ бид дүрмийн оролт, гаралтыг (мэдрэлийн сүлжээ) дэлхийн төлөвийн эсүүдтэй хатуу харьцаж байсныг санаж байна уу? Үүний зэрэгцээ хувьслын өөрчлөлтийг эдгээр захидал харилцааг хамгийн бага хэмжээнд хүртэл өөрчлөх байдлаар тохируулсан. Дараагийн хувилбарт дэлхийн төлөвгүй, оролт, гаралт өөр өөр дүрэм-Торнууд бас хоорондоо нягт холбоотой байсан.

Одоо ажлын явцад болон суралцах явцад орц, гаралтыг бие биентэйгээ харьцуулахад байрлалаа өөрчлөхийг зөвшөөрье. Хоёр асуулт гарч ирнэ. Нэгдүгээрт, үүссэн хослолын элементүүд хэр зэрэг нийцэж байгааг хэрхэн тодорхойлох вэ, энэ нэгдэл нь асуудлыг хэр үр дүнтэй шийдэж байна вэ? Хоёрдугаарт, маш олон хослол байдаг тул оролт, гаралтын нийцтэй / үр дүнтэй хослолыг хэрхэн хурдан олох вэ?

Хамгийн энгийн сонголт бол дүрмийн оролт, гаралт бүрийг хувьслын дагуу өөрчлөгддөг нийцтэй байдлын онцлогтой тааруулах бөгөөд магадгүй сургалтын явцад энэ нийцлийг дүрмийн үр дүнгийн дагуу илүү нарийн тохируулах арга байдаг. (Дүрэм ажиллаж байх үед гаралтын нийцтэй байдлыг тооцоолох боломжтой юу? Энэ нь үр дүнтэй байх болов уу?) Гадаад орчны оролт, гаралтын хувьд танд ерөнхий багцын нэг хэсэг болох нийцтэй байдлын багц хэрэгтэй. Хөтөлбөр ажиллаж байх үед дүрмүүд нь зөвхөн оролт-гаралтын нийцтэй байдлыг харгалзан холбогдох болно. Ийм нийцтэй байдлыг сонгох ажил нь тооцооллын хувьд хялбар биш боловч тийм ч хэцүү биш юм. Үүнтэй төстэй зүйлийг хийх боломжтой Хопфилд сүлжээний алгоритмууд энэ сонголтод туслах болно.

Дараагийн сонголт бол сургалтын үйл явцад янз бүрийн дүрмийн оролт, гаралтыг янз бүрийн аргаар нэгтгэж, янз бүрийн хослолуудын үр дүнтэй байдлын (нийцтэй байдлын) талаарх мэдээллийг хуримтлуулах явдал юм. Бодит ажил дээр дээрхийн дагуу яваарай - оролтыг нийцтэй байдлын дагуу нэгтгэнэ.

Өмнөх хувилбарууд нь хиймэл оюун ухааныг хэрэгжүүлэхэд тохиромжтой боловч байгалийн оюун ухаанд ийм оролт, гаралтын хослол байдаггүй бололтой. Гэхдээ онцлог газрын зураг байдаг, өмнөх хэсгүүдэд convolutional сүлжээ болон neocognitron-ийн талаар үзнэ үү. Ийм хөзрүүд байгалийн оюун ухаанд байдаг юм шиг санагддаг.

Онцлог газрын зургийн утга нь дараах байдалтай байна. Дүрэм журам байдаг, оролтын нүднүүд байдаг. Дүрэм бүр нь хөдлөх цонх ашиглан оролтын нүднүүдийг сканнердах ба цонхны бүх нүд нь дүрмийн оролт руу очдог. Дүрмийн үр дүнг функцийн газрын зургийн нүдэнд бичдэг бөгөөд энэ нь оролтын нүднүүдийн цонхны байрлалтай тохирч байна. Үүний үр дүнд дүрэм бүрийн хувьд хамгийн сайн дүрмийг өдөөх газрууд хамгийн өндөр утгатай байх онцлог газрын зургийг авах болно. Дараагийн давхаргад бүх онцлог газрын зураг нь шинэ дүрмийн оролтыг бүрдүүлдэг бөгөөд тэдгээр нь өөрсдийн онцлогийн газрын зургийг дахин бүрдүүлдэг. Сурах дүрэм нь алдааг буцааж тарааж болно. Ийм дүрмийг хөтөлбөрийн нэг хэсэг болгон хэрхэн заах вэ гэдэг нь нээлттэй асуулт юм.

Онцлог газрын зураг нь масштаб, хэтийн төлөв, эргэлтийн өөрчлөлт, дүрслэгдсэн объектын хэв гажилттай холбоотой гажуудлыг дүрсийг танихад сайн харуулсан.

Тиймээс онцлог газрын зураг нь програмыг бүрдүүлдэг дүрмийн оролт, гаралтыг динамикаар хослуулах туршилт хийхэд тохиромжтой нэр дэвшигч юм.

Хоёрдахь хувилбар, оролт гаралтын давтамжийн хослол... Энэ тохиолдолд та оролт, гаралтыг дахин зохион байгуулах шаардлагагүй болно. Давтамжийн мэдрэлийн сүлжээнд (эсвэл ийм сүлжээнд баригдсан програмуудад) нейрон бүр нь хамгийн энгийн давтамжийн шүүлтүүр ба хамгийн энгийн давтамж үүсгэгч юм. Түүнчлэн, энэ шүүлтүүрийг өөр өөр гармоникуудад нэгэн зэрэг тохируулах боломжтой (үүнтэй холбоотойгоор давтамжийн сүлжээний хүчин чадал, чадвар нь ердийн сүлжээнүүдээс өндөр байдаг). Үүний нэгэн адил нейронуудын аль ч хослол нь нарийн төвөгтэй давтамжийн шүүлтүүр ба нарийн төвөгтэй давтамж үүсгэгч юм. (Манай хиймэл оюун ухаанд ийм нейрон нь жижиг мэдрэлийн сүлжээгээр илэрхийлэгдсэн нэг дүрэмтэй дүйцэхүйц юм.)

Иймээс огт өөр биетүүдтэй холбоотой дохио нь ижил мэдрэлийн эсүүдийн дагуу өөр өөр давтамжтайгаар тэнүүчилж чаддаг. Гэхдээ өөр өөр давтамжууд нь ижил мэдрэлийн эсүүдэд (нейронуудын нэгдэл) нөлөөлдөг тул өөр өөр давтамжууд (мөн тэдгээрийн боловсруулдаг нэгжүүд) бие биедээ нөлөөлдөг. Тиймээс, хэрэв бидний оюун ухаан нь давтамжийн дохиог боловсруулах зарчмууд дээр суурилдаг бол (давтамжийн тухай хэсэгт дээр дурдсанчлан) энэ оюун ухаан нь нэгэн төрлийн бус биетүүдийг ерөнхийд нь нэгтгэх, зарим философийн хийсвэрлэх чадвартай байх шиг байна. Гэсэн хэдий ч давтамжийн сүлжээнд ийм ерөнхий ойлголт үүсэхийг хурдасгах нэмэлт техникийн шийдлүүд байж болно.

Тэгээд бага зэрэг дүгнэж хэлэхэд. Орц, гарцыг нэгтгэх ийм аргууд нь ассоциатив сэтгэлгээ, чанарын ерөнхий дүгнэлт гэх мэт өндөр түвшний шинж чанарыг төдийгүй илүү зохиомол шинж чанарыг өгдөг. Цахилгааны хэлхээнд утаснууд холилдвол яах вэ? Энэ нь хэлхээнд үхэлд хүргэх магадлалтай. Гэхдээ тархины хувьд энэ нь шаардлагагүй юм. Туршилтыг (амьтад дээр) хийж, тархийг нь хэсэг болгон хувааж, хольж, дараа нь буцааж нугалж, амьтныг суллав. Хэсэг хугацааны дараа амьтан хэвийн байдалдаа орж, амьдарлаа. Ашигтай өмч, үнэн үү?

Мета-түвшин байхгүй

Нэгэн удаа би оюуны системд логик шатлалыг хэрхэн байгуулдаг вэ, нэг тунгалаг түвшнээс дээш өөр нэг бүтэц баригдсан үед логик бүтэц хэрхэн үүсдэг талаар эргэлзэж, доор хэд хэдэн түвшинг нэгтгэн дүгнэв. Хиймэл оюун ухааны тухай бүтээлүүдэд (зөвхөн биш) системүүд хэрхэн хувьсан өөрчлөгдөж, нарийн төвөгтэй байдлыг хуримтлуулж, нэг түвшнээс нөгөөд шилжиж байгааг маш сайхан дүрсэлсэн байдаг.

Бодит системүүдийн хувьд доод түвшнийг хэчнээн сайн бодож боловсруулсан ч зарим нэг зөрүү байнга хуримтлагдаж, дээд түвшнийхтэй уялдуулах боломжгүй өөрчлөлтүүд байнга гарч ирдэг бөгөөд эдгээр өөрчлөлтүүд эрт орой хэзээ нэгэн цагт бүхэл бүтэн системийг эвдэж, шинэчлэгдэхийг шаарддаг. бүх шатлалын үндсэн шинэчлэл. Гарах арга зам нь ийм шатлалтай хатуу холбоогүй байх, үйл ажиллагааны эрх чөлөөг орхих, шаардлагатай бол албан ёсны шатлалыг тойрч ажиллах боломжтой байх явдал байв. Энэ бол муу зохион бүтээгдсэн тогтолцооны шинж тэмдэг биш, эдгээр нь амьдралын бодит байдал юм.

Мэдээжийн хэрэг, зөв ​​систем нь эмх замбараагүй байдлыг багасгах болно, энэ нь тийм юм. Гэхдээ энэ нь ийм тогтолцоонд албан бус харилцаа холбоо бүрэн байхгүй гэсэн үг биш юм. Сайн систем нь бүх зөв байдлынхаа хувьд өөрийн устгалын элементийг агуулсан байх ёстой. Систем нь даалгавраа даван туулж чадахаа больсон үед хүчин төгөлдөр болох элемент, системийг шинэ бодит байдалд бүрэн сэргээдэг элемент.

Үүний нэгэн адил хиймэл оюун ухаанд ямар ч логик түвшин, мета-шилжилт хийх газар байхгүй юм шиг санагддаг (ялангуяа холбоо, ерөнхий дүгнэлтийн өмнөх хэсгийг харахад). Бүх дүрэм (тэдгээр нь бидний ойлголтоор мэдрэлийн эсүүд) аль ч түвшинд шийдвэр гаргахад нэгэн зэрэг оролцдог. Дүрэм-нейронууд динамикаар янз бүрийн чуулга, янз бүрийн шатлалд багтах боломжтой. Гэхдээ ийм динамик тохируулгатай байсан ч гэсэн тэд шаталсан хатуу ширүүн байх ёсгүй, доод түвшний элемент нь дээд түвшинд амархан нөлөөлж, ингэснээр түүнийг бүрэн сэргээнэ.

Дүрмийг хэрэгжүүлэх тодорхой тохиолдол бүрт та өөрийн шаталсан тогтолцоог бий болгож болно. Гэхдээ энэ шатлал нь янз бүрийн албан ёсны дагуу явагддаг тул статик биш юм. Тагнуулын хувьд аль талаас нь татах, ямар өнцгөөс харах вэ гэдгээс л шалтгаална. Өнцөг бүр өөрийн гэсэн шатлалтай, ийм "харах өнцөг" маш олон байж болно. Оюун ухаан дотор тодорхой шатлал байхгүй бололтой (энэ нь тархины аль хэсэг нь аль эрхтнийг хариуцаж байгааг тодорхойлдог "техник хангамж" гэсэн үг биш юм).

Квантын генетик

Тагнуулын квант тооцоолол, квант шинж чанаруудын талаар маш олон сонирхолтой зүйл ярьсан. Зарим нь бүр тархи нь сэтгэн бодоход квант процессыг шууд "татгаж" чаддаг гэж үздэг.

Товчхондоо, квант тооцооллын мөн чанар үүнтэй холбоотой. Анхны өгөгдлийг цөөн тооны энгийн тоосонцоруудад хэрэглэнэ. Өгөгдлийг шийдвэрлэх явцад асар их хэмжээний өгөгдөл нэгэн зэрэг боловсруулагдаж эхэлдэг. янз бүрийн арга замууд, үүнээс гадна эдгээр аргууд нь хоорондоо харилцаж, шийдэл нь хэнээс илүү, хэнээс илүү муу болохыг сурч, муу шийдвэр суларч, сайныг бэхжүүлдэг.

Энэ нь квант тооцооллыг эхлүүлэхэд бөөмс бүр тооцоололд оролцож буй бусад бүх бөөмсийн төлөвийг бүрэн "мэдэрч", эрчим хүчний ихээхэн зарцуулалтгүйгээр шууд мэдрэгддэгтэй холбоотой юм. Уусмалыг ажиллуулахад бөөмс нь гадаад ертөнцөөс судлах боломжгүй "т рхэцтэй" (" орооцолдсон ") байдалд дүрнэ. Түрхсэн төлөвт бөөмс бүр тодорхой физик төлөвтэй байдаггүй, бөөм бүр нэгэн зэрэг хэд хэдэн төлөвт байдаг бөгөөд хэд хэдэн зэрэгцээ үйл явцад оролцож болно (түүнээс гадна эдгээр процессууд бие биенээ "мэдрэх" боломжтой). Түүгээр ч зогсохгүй уусмалд илүү олон тоосонцор оролцох тусам ижил бөөмс нэгэн зэрэг олон төлөвтэй байж болно.

Хэрэв бид түрхсэн төлөвт орж, дотор нь юу байгааг харахыг оролдвол ямар ч үед бид бөөмсийн тодорхой физик төлөвийг олж авах болно, олон тооны нэгэн зэрэг төлөв байдлын талаархи ойлголт байхгүй. Түүнээс гадна, ийм хөндлөнгийн оролцооны дараа шийдвэрийн явцыг бүрэн устгах болно, олон улсын байдлыг сэргээх боломжгүй. Тиймээс оролтын өгөгдлийг зааж өгөх, шийдлийн үр дүнг арилгах хооронд юу тохиолдох нь нууц юм. Шийдвэрлэх явцад бага хэмжээний оролтын өгөгдөл нь илүү нарийн төвөгтэй дотоод төлөвийг бий болгодог бөгөөд энэ нь хэрхэн хувьсан өөрчлөгдөж байгаа нь тодорхойгүй, судалгаанд хамрагддаггүй, гэхдээ зөв шийдлийг өгдөг. Төрсөн байдлыг шалгах гэж байхад баригдсан төр нь магадлалын шинж чанартай. Квантын алгоритмын зөв найрлагатай бол зөв шийдлийг арилгах магадлалыг буруу шийдлийг арилгах магадлалаас хамаагүй өндөр болгох боломжтой (өөрөөр хэлбэл уусмалыг дор хаяж хэд хэдэн удаа арилгах шаардлагатай).

Ийм байдлаар та асар их тооцоолох хүчийг бараг үнэ төлбөргүй авах боломжтой юм шиг санагдаж байна. Гэхдээ нэг асуудал байна - уусмалын хэсгүүд нь гадаад ертөнцөөс бүрэн тусгаарлагдсан байх ёстой, эс тэгвээс гадаад ертөнц шийдлийн зөвийг төөрөгдүүлэх болно (зохицуулалт зөрчих). Бүрэн тусгаарлах боломжгүй гэж үздэг, учир нь (квантын физикийн хэлснээр) бөөмс бүр, квант бүр бүх орчлон ертөнцийг бүхэлд нь хамарч, бидний орчлон ертөнцийг бүрдүүлдэг бусад бүх бөөмстэй нягт холбоотой байдаг. Мөн энэхүү үзэл бодлын үр дүнд квант тооцоолол нь тоосонцорыг өөр орчлон ертөнц дээр түрхсэн төлөвт оруулдаггүй, харин бидний орчлон ертөнцөөс бусад маш тодорхой тоосонцорыг татан авч тооцооллыг зэрэгцүүлэн хийдэг болох нь харагдаж байна. Энэ нь дотоод байдлыг судлахад бэрхшээлийг арилгахгүй хэвээр байгаа нь үнэн.

Үүнээс хэд хэдэн сонирхолтой дүгнэлт гарч байна. Өндөр хүчин чадалтай квант тооцоолол нь бидэнд туйлын үнэн тооцоолол өгөх боломжгүй боловч дээр дурдсанчлан хиймэл оюун ухаан гэх мэт үндэслэлтэй шийдлүүдэд маш тохиромжтой. Өмнөхтэй нягт огтлолцсон өөр нэг дүгнэлт бол квант тооцоолол нь өөрийгөө танин мэдэх, өөрийгөө эргэцүүлэн бодох боломжийг олгодоггүй, учир нь тэдгээр нь орчлон ертөнцийн салшгүй хэсэг учраас өөрсдийгөө болон орчлон ертөнцийг бүхэлд нь таньж чадахгүй. салшгүй хэсэг. Ийм учраас бид өмнөх хэсгүүдэд дурдсанчлан квант бөөмсийн төлөвийг хэмжихийг оролдох үед квант тодорхойгүй байдал үүсдэг. Эцсийн эцэст, зөвхөн өөрийнхөө тусламжтайгаар өөрийгөө бүрэн таньж мэдэх боломжгүй юм. Квантын тодорхойгүй байдал нь үнэн хэрэгтээ албан ёсны систем өөрийгөө үнэмлэхүй үнэн зөвөөр таньж чадахгүй гэсэн Годелийн теоремын шууд үр дагавар юм.

Одоо тагнуулын ажил руугаа орцгооё. Олон судлаачид квант тооцоолол болон хүний ​​оюуны үйл явцын шинж чанаруудын ижил төстэй байдлыг зөв анзаарсан. Бидний хувьд хамгийн сонирхолтой шинж чанарууд нь дараах байдалтай байна. Шийдвэрийн оролт, гаралт нь төлөв байдлын нэлээд энгийн багц юм. Эдгээр энгийн байдал нь тархийг гаднаас нь судлах боломжгүй илүү төвөгтэй байдалд оруулдаг. Энэ төлөвийг судлах эсвэл шийдлийг арилгах оролдлого нь дахин багц үүсгэдэг энгийн мужууд, үүнээс гадна эдгээр төлөвүүд нь бас магадлалын шинж чанартай бөгөөд буруу гэхээсээ илүү зөв шийдлийг өгөх магадлал өндөр байдаг. Хүн орох / гарахаас ялгаатай нь энэ дотоод байдлыг ойлгоход хэцүү байдаг, гэхдээ энэ нь "эсгий" гэж нэрлэгддэг дотоод байдал юм. Квантын тооцооллын нэгэн адил анхны төлөвийг тохируулах, шийдлийг арилгах нь нэлээд цаг хугацаа шаардсан процедур юм. Тиймээс хүн "өөрийнхөө дотор" сэтгэх нь амархан байдаг, гэхдээ өөрийнхөө бодлыг гаднаас нь, өөр хүнд хүргэхийн тулд маш их хичээх хэрэгтэй.

Одоо зөвхөн квантын тооцоолол болон хүний ​​оюун ухааны дээрх шинж чанарууд нь генетикийн алгоритм дээр үндэслэсэн хиймэл оюун ухааны өмнө тайлбарласан алгоритмд бараг нэгийг харьцах боломжтой гэдгийг анхаарах л үлдлээ.

Үнэн хэрэгтээ тархинд долгион, давтамж, мэдрэлийн эсүүд нь хромосом, өөр шийдэл бүхий генетикийн алгоритмтай төстэй зүйл байж болох уу? Хэрэв та нөгөө талаас нь харвал генетикийн алгоритм нь илүү олон зүйлийн нэг илрэл юм. ерөнхий ангиүйл явц.

Тархи нь квантын сонирхолтой шинж чанарыг харуулахын тулд квант процессыг шууд татах шаардлагагүй бөгөөд илүү прагматик тайлбарууд байдаг. Мөн квантын тооцоолол өөрөө ч гэсэн зэрэгцээ ертөнц болон үнэмлэхүй үнэний тухай ид шидийн үзлийг татах шаардлагагүй, учир нь тэдгээр нь бичил түвшинд зөвхөн бөөмсийг түрхсэн төлөвт дүрж буй мэт боловч үнэн хэрэгтээ агуулгыг агуулсан генетикийн алгоритм болгон зохион байгуулж болно. өөрийн орчлон ертөнцийн тооцооллын нөөцөөр.

Квантын тооцоолол, генетик алгоритмууд болон хиймэл оюун ухааны бусад салбаруудын уулзвар дээр тооцоолох шинэ онол гарч ирэх бөгөөд энэ нь квант физикийн нарийн төхөөрөмж дээр тулгуурлан илүү хүчирхэг квант компьютер хийх боломжийг олгоно. , тагнуулд тохиолддог үйл явцыг илүү нарийвчлалтай тайлбарлах. Эцсийн эцэст бидний оюун ухааны тухай ойлголтод хүрч ирсэн зүйл нь "0.5 + 0.5 литр болно гэдгийг би дотроо мэдэрч байна, гэхдээ би математикийн аргаар баталж чадахгүй" гэсэн анекдоттой төстэй бөгөөд үүнийг хийж чадна, гэхдээ бид тайлбарлаж чадахгүй. яагаад ийм байгаа юм.

Аливаа зүйлийн дотоод төлөөлөл

Тархи гадаад зүйлийг хэрхэн төлөөлдөг вэ? Тархи нь объект, үзэгдлийн физик загварыг дахин бүтээж байгаа мэт санагдаж магадгүй бөгөөд энэ нь маш олон буруу дүгнэлтэд хүргэдэг. Үнэн хэрэгтээ дотоод дүрслэл нь физик загвартай огт адилгүй. Дотоод загвар нь үнэмшилтэй. Дотоод загвар нь зөвхөн бидний хувьд чухал ач холбогдолтой объектын шинж чанарууд, өдөр тутмын амьдралд хэрэглэгддэг шинж чанаруудыг агуулсан аналогийг бүрдүүлдэг. Энэхүү дотоод загварыг заримдаа "гэнэн физик" гэж нэрлэдэг. Өдөр тутмын туршлагын хүрээнд ийм загвар нь буруу боловч нэлээд практик үр дүнг өгдөг. Гэвч бид өдөр тутмын туршлагын хил хязгаараас давж гарахад ийм загвар бүтэлгүйтдэг.

Ийм загварыг бүрдүүлдэг дүрмийн багц нь бодит биет дүрслэлээс маш хол байж болно. Үүнээс болж дотоод дүрслэл нь бодит объектуудын олон тооны "гайхалтай" шинж чанарыг хавсаргаж, дотоод дүрслэл нь "өөрийн амьдралаар амьдарч" эхэлдэг. Жишээлбэл, хүүхэлдэйн кино. Шог зураг дээр зурсан царайг хүн амархан таньж чаддаг, бэлтгэгдсэн хүмүүс шог зураг зурдаг. Гэхдээ царай таних систем нь хүүхэлдэйн кинонуудыг гайхшруулж байна. Хэдийгээр танигчдад үнэмшилтэй загвар байдаг ч энэ нь хүнийхээс илүү бие махбодод илүү ойр байдаг.

Дотоод дүрслэл нь мөн өмнө дурдсан нарийн төвөгтэй байдлын дифференциалтай байдаг. Энэ нь энгийн объект эсвэл үзэгдэл нь аливаа зүйлийн мөн чанарыг загварчлах үүрэгтэй илүү төвөгтэй дотоод дүрслэлийг бий болгодогт оршино. Эцсийн эцэст оюун ухаан нь физикийг шууд дуурайж чадахгүй. Энгийн санаа нь аливаа зүйлийн мөн чанарыг "мэдрэмж" төрүүлдэг бөгөөд яагаад ийм болсныг мэдэрсэн ч тайлбарлаж чадахгүй. Илүү төвөгтэй дүрслэл нь аливаа зүйлийн дүрслэлийг ойлголт, уран зөгнөл, ухамсартай сэтгэлгээний түвшинд (хүүхэлдэйн киноны жишээ) хүртэл татаж чадна.

Сайн уу логик

Логик гэж юу вэ, оюуны өндөр үйл ажиллагаа хаанаас гардаг вэ?

Бидний оюун ухаан хамгийн энгийн "орох-гарах" урвалаас эхлээд орох нөхцөл байдлыг илүү төвөгтэй дотоод дүрслэл болгон задалдаг асар олон тооны өрсөлдөөнт үйл явцын хослол руу шилжсэн.

Үүний үр дүнд зарим зүйлийн хувьд энэ зүйлийн дотоод дүрслэл болох асар их нарийн төвөгтэй дүрмийн цогцолборууд (анхны зүйлийн физикээс хамаагүй илүү төвөгтэй) үүсч болно. Эдгээр дүрмүүд нь ямар төрлийн байж болох, ойролцоогоор хэрхэн бий болох талаар дээр дурдсан болно. Гэхдээ гол зүйл бол анхны үзэгдэл ба түүний тайлбарын нарийн төвөгтэй байдлын ялгаанаас болж энэ үзэгдлийн чанарын хувьд ялгаатай дүрслэл боломжтой болж, энэ үзэгдлийн талаар өндөр үнэмшилтэй шинэ мэдлэг олж авах боломжтой болдог.

Оюун ухаан, алгоритм хоёрын парадокс нь алгоритм нь тухайн үзэгдлийн мөн чанарыг ойлгохгүйгээр зөвхөн аливаа зүйлийн физикийг тэнэг байдлаар дуурайж чаддаг, тухайн үзэгдлийн талаар шинэ мэдлэг олж авах боломжгүй, тэр байтугай үнэнийг ч баталж чадахгүйд оршдог гэдгийг сануулъя. түүний ажлын. Оюун ухаан нь аливаа зүйлийн мөн чанарыг илүү нарийн дотоод дүрслэлийн ачаар зөвхөн эдгээр зүйлсийг загварчлахаас гадна тэдгээрийн талаар шинэ мэдлэг олж авах, тэр ч байтугай энэ зүйлийн талаархи дүгнэлтийн үнэнийг үнэлж, өндөр үнэлгээ хийх чадвартай байдаг. үнэмшилтэй байдлын зэрэг.

Объект, үзэгдлийн мөн чанарыг дүрслэн харуулах, дүрслэл болгон хөгжүүлэх нарийн төвөгтэй байдлын шилжилт нь объект, үзэгдлийн анхны "физик" -ээс илүү төвөгтэй олон тооны дараалалтай байдаг нь ойлголтын үүргийг гүйцэтгэхэд тохиромжтой нэр дэвшигч юм. Нарийн төвөгтэй дотоод дүрслэлд задаргаа байдаг - аливаа зүйлийн мөн чанарыг ойлгох, өндөр чанартай зохицуулах, гэнэтийн нөхцөл байдал үүсэхэд уян хатан хариу үйлдэл үзүүлэх боломжтой. Ийм задрал байхгүй - зөвхөн тэнэг "шахах" л боломжтой, алгоритмыг сохроор дагаж мөрддөг бөгөөд энэ нь шинэ мэдлэгийг өгдөггүй бөгөөд түүний ажлын мөн чанар, үнэнийг тайлагнадаггүй бөгөөд шинэ хүчин зүйлүүд гарч ирэхэд эргэлздэг. босох.

Алгоритмыг уйтгартай дагаж мөрдөх нь оюуны өндөр идэвхийг татдаггүй тул хурдан бөгөөд үр дүнтэй байдаг тул ердийн нөхцөл байдалд зөвхөн тодорхой хариу үйлдэл үзүүлэх шаардлагатай байдаг. Ойлголтыг татахуйц оюуны өндөр үйл ажиллагаа нь янз бүрийн алгоритмуудыг аажмаар нэгтгэх чадвартай боловч тэдгээрийг хурдан гүйцэтгэх чадваргүй байдаг. Эдгээр аргуудыг хослуулах нь бас боломжтой.

Дараагийн логик асуулт бол ойлгох явцад юу болж байгааг ойлгох боломжтой юу? Үүнтэй ижил логик хариулт нь тийм байх магадлалтай, гэхдээ энэ нь оюун ухаанд тохиолддог үйл явцын ийм дүрслэлийг шаарддаг бөгөөд энэ нь анхны оюуны үйл явцын нарийн төвөгтэй байдлаас илүү олон тооны дараалалтай байх болно. Өөрөөр хэлбэл, бид оюун ухааны талаар ямар нэг зүйлийг сурч чадна, бид ямар нэг зүйлийг хийж чадна, гэхдээ бид хүний ​​оюун ухааны ажлыг бүрэн, чанарын хувьд ойлгож чадахгүй - зүгээр л тархины хүч хангалттай биш юм. Хэдийгээр бид одоо компьютер ашиглаж байгаа шиг тэдгээрт болж буй үйл явцын талаар бүрэн мэдлэггүйгээр хэв маягийг судалж, ашиглаж болно. Компьютерийн хэлхээний логик нэгжүүд хэрхэн ажилладаг, тэдгээрийг хэрхэн дээд түвшинд нэгтгэж байгааг ойлгох бүрэн боломжтой боловч бүх сая транзисторуудад болж буй үйл явцыг төсөөлөх нь бодитой бус юм. Оюун ухааны хувьд ч мөн адил.

Дээрхээс харахад яагаад ойлгохыг тайлбарлахад хэцүү, ойлгоход хялбар байдаг, яагаад ойлголтыг дагалдан логик бүтцийг бий болгох боломжтой, яагаад ойлгоход хүргэсэн суурийг бүхэлд нь хуулбарлах нь маш хэцүү байдаг нь тодорхой болно. өөрөө. Доор энэ талаар бүхэл бүтэн хэсэг байх болно. Эндээс мэдрэмж гэж юу болох, сэтгэлийн мэдрэмж гэж юу болох, яагаад мэдрэмж, мэдрэмжийг илэрхийлэхэд хэцүү, гэхдээ мэдрэхэд хялбар байдаг нь тодорхой болно. Ерөнхийдөө олон сонирхолтой үр дагаварууд байдаг, хэн сонирхож байгаа бол - ухамсрын квант шинж чанаруудын чиглэлийг хараарай.

Өөр нэг асуулт бол бид өөрсдийгөө мэддэг, эргэн тойрныхоо ертөнцийг хэрхэн мэддэг вэ? Сэтгэн бодох машинууд ийм ойлголттой болох уу? Энэ үндсэн философийн асуултЭнэ нь хиймэл оюун ухааны хүрээнд хамаарахгүй боловч бид дараагийн хэсэгт хариулахыг хичээх болно.

Нарийн төвөгтэй байдал, ойлголтын ялгааны талаархи бодлыг үргэлжлүүлснээр бид хэт нарийн төвөгтэй дотоод дүрслэл нь эцсийн эцэст дотоод дүрслэлээс маш нимгэн, хурц, хэт зохицсон ирмэгийг бий болгож чадна гэсэн дүгнэлтэд хүрч байна. зүйлс. Өөрөөр хэлбэл, анхны зүйлийг идеалжуулах буюу хийсвэрлэх.

Эдгээр хийсвэрлэлүүд нь асар олон тооны дотоод, зөрчилдөөнтэй, хосолсон үйл явцын олон тооны хослолоос үүдэлтэй. Гэхдээ олонхийн харилцан үйлчлэлийн үр дүнгээс ялгаатай дотоод үйл явц, хийсвэрлэлийн хувьд үр дүн нь бүдгэрэхгүй (өргөн), харин нэг эсвэл хэд хэдэн маш тодорхой ирмэг эсвэл оргилд цуглуулсан шигээ үзүүрээр цуглуулна.

Мэдээжийн хэрэг, хийсвэрлэл нь бусад зүйлсийн дотор тэдгээрийн бодит загваруудын илрэлийг олон удаа ажиглах, мөн объектын дотоод дүрслэлийг хамарсан давтагдах тусгалыг бий болгодог. Түүгээр ч барахгүй эдгээр ажиглалт, эргэцүүлэлүүдийн давталт нь хийсвэрлэл өгдөггүй бусад объектуудаас илүү өндөр байдаг. Хийсвэрлэлийн дотоод дүрслэлийг өгдөг дүрмийн мөн чанар нь магадгүй илүү эмх цэгцтэй, дээд зэргийн уялдаа холбоо, хэлбэрт тохирсон байдаг.

Дараагийн алхам бол ийм оргил уялдаа холбоо нь урт гинжин хэлхээнд нэгдэж, өөрсдийн хуулийн дагуу ажиллах боломжтой болно. Тиймээс бид хийсвэр эсвэл логик сэтгэлгээний шинэ түвшинд хүрдэг. Мэдээжийн хэрэг, энэ түвшин нь энгийн ойлголтоос хамаагүй илүү төвөгтэй бөгөөд ойлголттой амьтан бүр нарийн төвөгтэй логик бүтцийг бүтээх чадваргүй байдаг.

Ийм хийсвэр гинж нь хаа нэгтээ анхны прототиптэй төстэй, хаа нэгтээ тэднээс холдох өөрсдийн хууль тогтоомжийн дагуу амьдрах болно.

Логик хийцүүд хаанаас ирснийг анхаарч үзээрэй. Тэд алгоритмын түвшинд, тэр ч байтугай дараагийн түвшинд, ойлголтын түвшинд ч байдаггүй. Тэд аль хэдийн оюун ухааны гурав дахь түвшин, ойлголтоос илүү ойлголтын нэг төрөл юм.

Логик бүтээн байгуулалтын явцад тархи зөвхөн дүлий алгоритм шиг, анхдагч дүгнэлт гаргах машин шиг ажилладаг мэт "дүр эсгэдэг" гэдгийг санах нь зүйтэй. Чухамдаа логик бүтцэд хамаарах үйл явц нь анхны логик бүтцээс илүү нарийн төвөгтэй асар том эрэмбийн дараалал байдаг бөгөөд ийм нарийн төвөгтэй байдлын үсрэлтээс болж оюун ухаан нь шинэ логик бүтцийг бий болгож, тэдгээрийн үнэнийг өндөр нарийвчлалтайгаар шүүж чаддаг.

Үүний нэгэн адил тархи нь "хүнд" үйл явцын улмаас компьютерийн ажлыг (Тюринг машин) дуурайж чаддаг ч тархи нь "нарийн" алгоритмуудыг дагаж мөрддөг мэт санагддаг (ялангуяа тархи үүнийг хийхэд сургагдсан бол).

Нарийн логик бүтэц, алгоритмуудын талаар бага зэрэг илүү. Мэдлэггүй хүмүүст математикийн үнэний тухай бодох эсвэл компьютерийн программ зохиохдоо нэгэн гэгээрсэн мэргэн бясалгалын маягаар суугаад, зөв ​​үндэслэлийн тусламжтайгаар зөв дүгнэлтэд хүрдэг эсвэл зөв програмыг гаргаж ирдэг мэт санагдаж магадгүй юм. . Үнэн хэрэгтээ юу болж байгаа нь дараах диаграммтай илүү төстэй юм.

• Анхны хувилбар (эсвэл санамсаргүйгээр үүсгэсэн) "ямар нэгэн зүйл" гарч ирэв.
• Би логик үндэслэлийг дуурайж энэ "ямар нэгэн зүйл" -ийн ажлыг шалгасан, санаж байна асуудалтай газрууд.
• Би асуудлын талбаруудыг бичих замаар сайжруулахыг оролдсон (би энэ "ямар нэг зүйлийг" сайжруулсан).
• Сайжруулсан хувилбарыг шалгасан гэх мэт.

Эцсийн эцэст тархи нь зүгээр л зөв логик гинж үүсгэхээс гадна логик үндэслэлийг дуурайж эдгээр хэлхээний ажлыг шалгах чадвартай байдаг. Өөр нэг зүйл бол тархинд янз бүрийн нөхцөл байдалд тохирсон загваруудын асар том "номын сан" байдаг бөгөөд эдгээр загваруудыг бие биетэйгээ хэрхэн хослуулах талаар олон үндэслэлтэй дүрмүүд байдаг. Эдгээр дүрэм, хэв маягийг хэрэгжүүлснээр цөөн тооны оролдлого хийснээр сайн логик үндэслэл, хөтөлбөрүүдийг бий болгох боломжтой. Ялангуяа ийм дүрмүүд нь янз бүрийн загваруудын хослолын үйл ажиллагааны оношлогоог багтааж болох бөгөөд бүхэл бүтэн өгөгдлийн тоон дээр логик бүтцийг ажиллуулахын оронд динамикаар шинэчлэгдэж болно.

Энэ долоо хоногт та энэ мэргэжлээр суралцаж байсан GeekBrains-ийн оюутны маш их урам зориг өгсөн тохиолдлыг уншиж болно. Тэр энэ мэргэжлийг эзэмшихэд хүргэсэн өөрийн зорилгын нэг болох ажлын зарчмыг сурч, өөрөө тоглоомын робот бүтээхийг сурах хүслийн тухай ярьсан.

Үнэхээр ч тоглоомын загвар ч бай, гар утасны програм ч бай төгс хиймэл оюун ухааныг бий болгох хүсэл эрмэлзэл нь бидний олонхыг програмист болох зам руу хөтөлсөн юм. Асуудал нь тоннуудын ард юу байгаа юм бэ сургалтын материалүйлчлүүлэгчдийн хатуу ширүүн бодит байдал, энэ хүсэл нь өөрийгөө хөгжүүлэх энгийн хүслээр солигдсон юм. Хүүхэд насны мөрөөдлөө биелүүлж эхлээгүй байгаа хүмүүст зориулан жинхэнэ хиймэл оюун ухаан бүтээх товч зааварчилгааг хүргэж байна.

Үе шат 1. Сэтгэл дундуур байх

Бид ядаж энгийн роботуудыг бүтээх тухай ярихад нүд нь гялалзаж, түүний юу хийж чадах тухай олон зуун санаа толгойд нь эргэлддэг. Гэсэн хэдий ч хэрэгжилтийн тухай ярихад математик нь бодит зан үйлийг тайлах түлхүүр юм. Тийм ээ, хиймэл оюун ухаан нь хэрэглээний програм бичихээс хамаагүй хэцүү байдаг - зөвхөн програм хангамжийн дизайны талаархи мэдлэг танд хангалтгүй байх болно.

Математик бол таны цаашдын програмчлалыг бий болгох шинжлэх ухааны трамплин юм. Энэ онолын талаар мэдлэг, ойлголтгүй бол хүнтэй харилцах талаархи бүх санаанууд хурдан тасрах болно, учир нь хиймэл оюун ухаан нь томъёоны багцаас өөр зүйл биш юм.

Үе шат 2. Хүлээн авах

Оюутны уран зохиолын бардам зан бага зэрэг дарагдсан бол та дасгал хийж эхлэх боломжтой. LISP эсвэл бусад програмыг ашиглах нь үнэ цэнэтэй зүйл биш юм - та эхлээд хиймэл оюун ухааны дизайны зарчмуудыг ойлгох хэрэгтэй. Python нь хурдан суралцах болон цаашдын хөгжилд төгс төгөлдөр юм - энэ хэл нь шинжлэх ухааны зорилгоор ихэвчлэн хэрэглэгддэг хэл тул таны ажлыг хөнгөвчлөх олон номын санг олох болно.

Үе шат 3. Хөгжил

Одоо бид хиймэл оюун ухааны онол руу шууд хандлаа. Тэдгээрийг ойролцоогоор 3 ангилалд хувааж болно:

• Сул хиймэл оюун ухаан - бидний компьютер тоглоомд харагддаг роботууд эсвэл Siri шиг энгийн туслахууд. Тэд маш нарийн мэргэшсэн даалгавруудыг гүйцэтгэдэг эсвэл тэдгээрийн өчүүхэн цогцолбор бөгөөд харилцан үйлчлэлийн аливаа урьдчилан таамаглах боломжгүй байдал нь тэднийг төөрөлдүүлдэг.
• Хүчтэй хиймэл оюун ухаан нь хүний ​​тархитай харьцуулахуйц оюун ухаантай машинууд юм. Өнөөдөр энэ ангийн жинхэнэ төлөөлөгч байхгүй ч Ватсон шиг компьютерууд энэ зорилгодоо хүрэхэд тун ойрхон байна.
• Төгс хиймэл оюун ухаан бол ирээдүй, бидний чадавхийг давах машин тархи юм. Ийм бүтээн байгуулалтын аюулын тухай Стивен Хокинг, Элон Маск, Терминатор киноны франчайз нар аюулын талаар анхааруулж байна.

Мэдээжийн хэрэг та хамгийн энгийн роботуудаас эхлэх хэрэгтэй. Үүнийг хийхийн тулд санаарай хуучин сайн тоглоом 3x3 талбайг ашиглахдаа "Tic-tac-toe" хийж, үйлдлүүдийн үндсэн алгоритмыг өөрөө олж мэдэхийг хичээ: алдаагүй үйлдлээр ялах магадлал, талбайн байрлал дахь хамгийн амжилттай газрууд, тоглолтыг тэнцээ болгон багасгах хэрэгтэй гэх мэт.

Олон арван тоглоом тоглож, өөрийн үйлдлүүддээ дүн шинжилгээ хийснээр та бүх чухал талуудыг тодруулж, тэдгээрийг машины код болгон дахин бичих боломжтой болно. Үгүй бол бодоод үзээрэй, магадгүй энэ холбоос энд байна.

Дашрамд хэлэхэд, хэрэв та Python хэлийг эзэмшсэн хэвээр байгаа бол энэхүү дэлгэрэнгүй гарын авлагаас харахад маш энгийн робот үүсгэж болно. C ++ эсвэл Java зэрэг бусад хэлний хувьд алхам алхмаар материал олоход танд бэрхшээл гарахгүй. Хиймэл оюун ухааныг бүтээхэд ер бусын зүйл байхгүй гэдгийг мэдэрсний дараа та хөтчөө аюулгүй хааж, хувийн туршилтаа эхлүүлэх боломжтой.

Үе шат 4. Сэтгэл хөдлөл

Нэгэнт бүх зүйл эхнээсээ гарсан тул та илүү ноцтой зүйлийг бүтээхийг хүсч магадгүй юм. Үүнд дараах хэд хэдэн эх сурвалж туслах болно.

Таны ойлгож байгаагаар эдгээр нь API-ууд бөгөөд танд цаг хугацаа алдахгүйгээр ноцтой хиймэл оюун ухааныг бий болгох боломжийг олгоно.

Үе шат 5. Ажил

Одоо та хиймэл оюун ухааныг хэрхэн бүтээх, юуг нэгэн зэрэг ашиглах талаар тодорхой ойлгосон бол мэдлэгээ шинэ түвшинд гаргах цаг болжээ. Нэгдүгээрт, энэ нь Machine Learning хэмээх сахилга батыг судлах шаардлагатай. Хоёрдугаарт, сонгосон програмчлалын хэлний зохих номын сантай хэрхэн ажиллах талаар сурах хэрэгтэй. Бидний авч үзэж буй Python-ын хувьд эдгээр нь Scikit-learn, NLTK, SciPy, PyBrain, Numpy юм. Гуравдугаарт, хөгжил зайлшгүй шаардлагатай. Хамгийн гол нь та одоо AI-ийн уран зохиолыг бүрэн дүүрэн ойлгож унших боломжтой болно.

• Тоглоомын хиймэл оюун ухаан, Иан Миллингтон;
• Тоглоомын програмчлалын загвар, Роберт Нисторм;
• Пролог, Лисп, Жава дахь хиймэл оюун ухааны алгоритм, өгөгдлийн бүтэц, хэлц үг, Жорж Лугер, Уильям Стбалфилд;
• Тооцооллын танин мэдэхүйн мэдрэлийн шинжлэх ухаан, Рандалл О'Рейли, Юко Мунаката;
• Хиймэл оюун ухаан: Орчин үеийн хандлага, Стюарт Рассел, Питер Норвиг.

Тиймээ, энэ сэдэвтэй холбоотой бүх зохиол эсвэл бараг бүх зохиолыг гадаад хэл дээр толилуулж байгаа тул хиймэл оюун ухааныг мэргэжлийн түвшинд бүтээхийг хүсвэл англи хэлээ техникийн түвшинд хүртэл сайжруулах хэрэгтэй. Гэсэн хэдий ч энэ нь програмчлалын аль ч салбарт хамааралтай, тийм үү?