XIII Международная студенческая научная конференция Студенческий научный форум - 2021

Аннотация:

В данной статье рассмотрены несколько классификаций искусственного интеллекта, выделены их сильные и слабые стороны, на основании чего сделан вывод о наиболее корректном подходе к классификации искусственного интеллекта.

Abstract:

This article discusses several classifications of artificial intelligence, identifies their strengths and weaknesses, on the basis of which it is concluded that the most correct approach to the classification of artificial intelligence is made.

Ключевые слова:

Искусственный интеллект, нейрокибернетическое направление, логическое направление, семиотический подход, биологический подход, классификация искусственного интеллекта.

Keyword:

Artificial intelligence, neurocybernetic direction, logical direction, semiotic approach, biological approach, classification of artificial intelligence.

ВВЕДЕНИЕ

Единого ответа на вопрос, чем занимается искусственный интеллект (далее – ИИ), не существует. Почти каждый автор, пишущий книгу об ИИ, отталкивается в ней от какого-либо определения, рассматривая в его свете достижения этой науки.

В философии не решён вопрос о природе и статусе человеческого интеллекта. Нет и точного критерия достижения компьютерами «разумности», хотя на заре искусственного интеллекта был предложен ряд гипотез, например, тест Тьюринга или гипотеза Ньюэлла — Саймона [1]. Поэтому, несмотря на наличие множества подходов как к пониманию задач ИИ, так и созданию интеллектуальных информационных систем, можно выделить два основных подхода к разработке ИИ:

нисходящий (англ. Top-Down AI), семиотический — создание экспертных систем, баз знаний и систем логического вывода, имитирующих высокоуровневые психические процессы: мышление, рассуждение, речь, эмоции, творчество и т. д.;

восходящий (англ. Bottom-Up AI), биологический — изучение нейронных сетей и эволюционных вычислений, моделирующих интеллектуальное поведение на основе биологических элементов, а также создание соответствующих вычислительных систем, таких как нейрокомпьютер или биокомпьютер [2].

С самого начала исследований в области моделирования процесса мышления (конец 40-х годов) выделились два независимых направления: логическое и нейрокибернетическое.

Логическое основано на выявлении и применении в интеллектуальных системах различных логических и эмпирических приемов (эвристик), которые применяет человек для решения каких-либо задач. Его достоинствами являются:

возможность относительно легкого понимания работы системы;

легкость отображения процесса рассуждений системы на ее интерфейс с пользователем на естественном языке или каком-либо формальном языке;

достижимость однозначности поведения системы в одинаковых ситуациях.

Недостатками этого подхода являются:

трудность и неестественность реализации нечетких знаков (образов);

трудность (или даже невозможность) реализации адекватного поведения в условиях неопределенности (недостаточности знаний, зашумленности данных, не точно поставленной цели и т. п.);

трудность и неэффективность распараллеливания процесса решения задач [3].

Второе направление – нейрокибернетическое – было основано на построении самоорганизующихся систем, состоящих из множества элементов, функционально подобных нейронам головного мозга, то есть моделирование образного мышления и мышления на подсознательном уровне. Его достоинства – это отсутствие недостатков, свойственных логическому направлению, а недостатки – отсутствие его достоинств [3].

Интуитивный подход. Эмпирический тест был предложен Аланом Тьюрингом в статье «Вычислительные машины и разум», опубликованной в 1950 году. Целью данного теста является определение возможности искусственного мышления, близкого к человеческому.

Самый общий подход предполагает, что ИИ будет способен проявлять поведение, не отличающееся от человеческого, причём в нормальных ситуациях. Эта идея является обобщением подхода теста Тьюринга, который утверждает, что машина станет разумной тогда, когда будет способна поддерживать разговор с обычным человеком, и тот не сможет понять, что говорит с машиной (разговор идёт по переписке).

Однако последний подход вряд ли выдерживает критику при более детальном рассмотрении. К примеру, несложно создать механизм, который будет оценивать некоторые параметры внешней или внутренней среды и реагировать на их неблагоприятные значения. Про такую систему можно сказать, что у неё есть чувства («боль» — реакция на срабатывание датчика удара, «голод» — реакция на низкий заряд аккумулятора, и т. п.).

Символьный подход. Исторически символьный подход был первым в эпоху цифровых машин, так как именно после создания Лисп, первого языка символьных вычислений, у его автора возникла уверенность в возможности практически приступить к реализации этими средствами интеллекта. Символьный подход позволяет оперировать слабо формализованными представлениями и их смыслами.

Основная особенность символьных вычислений — создание новых правил в процессе выполнения программы. Тогда как возможности не интеллектуальных систем завершаются как раз перед способностью хотя бы обозначать вновь возникающие трудности. Тем более эти трудности не решаются и наконец компьютер не совершенствует такие способности самостоятельно [2].

Недостатком символьного подхода является то, что такие открытые возможности воспринимаются не подготовленными людьми как отсутствие инструментов. Эту, скорее культурную проблему, отчасти решает логическое программирование.

Агентно-ориентированный подход. Последний подход, развиваемый с начала 1990-х годов, называется агентно-ориентированным подходом, или подходом, основанным на использовании интеллектуальных (рациональных) агентов. Согласно этому подходу, интеллект — это вычислительная часть (грубо говоря, планирование) способности достигать поставленных перед интеллектуальной машиной целей. Сама такая машина будет интеллектуальным агентом, воспринимающим окружающий его мир с помощью датчиков, и способной воздействовать на объекты в окружающей среде с помощью исполнительных механизмов.

Этот подход акцентирует внимание на тех методах и алгоритмах, которые помогут интеллектуальному агенту выживать в окружающей среде при выполнении его задачи. Так, здесь значительно тщательнее изучаются алгоритмы поиска пути и принятия решений.

Гибридный подход предполагает, что только синергетическая комбинация нейронных и символьных моделей достигает полного спектра когнитивных и вычислительных возможностей. Например, экспертные правила умозаключений могут генерироваться нейронными сетями, а порождающие правила получают с помощью статистического обучения [2].

Также в исследованиях в области искусственного интеллекта сложилось еще два направления в 90-е годы XX века: программно-прагматическое и бионическое.

Прагматическое направление основано на предположении о том, что мыслительная деятельность человека – «черный ящик», создавались программы, с помощью которых «можно было решать те задачи, решение которых до этого считалось исключительно прерогативой человека».

В бионическом направлении решались задачи «искусственного воспроизведения тех структур и процессов, которые характерны для живого человеческого мозга и которые лежат в основе процесса решения задач человеком». Данное направление в силу его фундаментального характера связано с нейронауками, лингвистикой, в частных случаях с морфологией и психологией.

Таким образом, можно выделить различные направления в области исследований искусственного интеллекта (Таблица 1).

Таблица 1. Классификации исследований искусственного интеллекта.

1	Логический подход. Логические и эмпирические приёмы.		Нейрокибернетический подход. Моделирование образного мышления и мышления на подсознательном уровне.
2	Нисходящий. Создание экспертных систем, баз знаний и систем логического вывода.		Восходящий. Интеллектуальное поведение на основе биологических элементов.
3	Прагматический. Создание программ для решения определенного типа задач (игровые программы, программы для решения логических задач, поиска, классификации и т. п.)		Бионический. Связан для структур и процессов, которые характерны для человеческого мозга.
4	Интуитивный Предполагает, что ИИ будет способен проявлять поведение, не отличающееся от человеческого.	Символьный. Позволяет оперировать слабо формализованными представлениями и их смыслами.		Агентно-ориентированный. интеллект — это вычислительная часть, способная достигать поставленных перед интеллектуальной машиной целей.	Гибридный. Полагает, что комбинация нейронных моделей достигает нужной вычислительной возможности.

В настоящее время нейрокибернетический подход имеет большой потенциал в направлениях разработки искусственного интеллекта, так как он добился наибольших успехов. Способность к обучению, делает его гибкими и мощными, кроме того, нет необходимости разрабатывать алгоритм для решения конкретной задачи, то есть, нет необходимости понимать внутренние механизмы выполнения этой задачи, что делает процесс работы ИИ сети более универсальными по сравнению с другими подходами.

ЗАКЛЮЧЕНИЕ

ИИ является мощным средством обработки данных и может находить решения сложных задач быстрее, чем традиционные алгоритмы, написанные программистами. Искусственные нейронные сети и методики глубокого обучения могут помочь решить ряд разнообразных проблем. Минус состоит в том, что самые оптимизированные модели часто работают как «чёрные ящики», не давая возможности изучить причины выбора ими того или иного решения. Этот факт может привести к этическим проблемам, связанным с прозрачностью информации.

В настоящий момент в области искусственного интеллекта наблюдается вовлечение многих предметных областей, имеющих скорее практическое отношение к ИИ, а не фундаментальное. Многие подходы были опробованы, но к созданию искусственного разума ни одна исследовательская группа пока так и не подошла. Однозначного ответа на вопрос, чем занимается искусственный интеллект, не существует. Почти каждый автор, пишущий книгу об ИИ, отталкивается в ней от какого-либо определения, рассматривая в его свете достижения этой науки.

СПИСОК ИСПОЛЬЗУЕМЫХ ИСТОЧНИКОВ

Гипотеза о физической символьной системе [Электронный ресурс]. – Режим доступа: https://ru.wikipedia.org/wiki/– (дата обращения: 21.11.2020);

Подходы и направления в исследованиях ИИ [Электронный ресурс]. – Режим доступа: http://www.tadviser.ru/index.php/– (дата обращения: 21.11.2020);

Системы искусственного интеллекта [Электронный ресурс]. – Режим доступа: http://www.insycom.ru/html/metodmat/pz/AISystemsz.pdf – (дата обращения: 20.1.2020).

Код для цитирования: Скопировать