Алгоритмы разума
Предисловие
Искусственный интеллект можно определить как свойство цифровой вычислительной машины или сети нейроноподобных элементов реагировать на информацию, поступающую на ее входные устройства, почти так же, как реагирует в тех же информационных условиях некоторый задуманный или конкретный человек. Машина и моделируемый человек одинаково по своим результатам распознают образы и ситуации, решают логические и другие задачи, принимают одни и те же решения в конфликтных ситуациях, то есть, кратко говоря, демонстрируют одинаковые результаты мышления. Если машина имеет достаточный набор гибких выходных органов, то машина и человек совершают одинаковые движения, что в целом приводит к одинаковым результатам в поведении. В идеальном случае эмоциональная окраска результатов мышления и поведения у машины-модели и человека — объекта моделирования — также должна быть одинаковой.
Подобным же модельным образом можно определить и интеллект коллектива либо целого общества людей. Устранение в результате обучения модели ошибочных реакций позволяет поставить задачу о построении искусственного интеллекта, более совершенного, чем интеллект человека. Вопросы создания «сверхинтеллекта» рассматриваются в данной книге.
Требование равных для машины и моделируемого человека результатов мышления и поведения является общепринятым среди ученых при определении искусственного интеллекта. Но относительно способов достижения этого равенства существуют разногласия. Некоторые ученые допускают, чтобы машина получала те же результаты только по своим, более свойственным ей алгоритмам. К таким машинным алгоритмам относятся программы, основанные на последовательном опробовании многих вариантов решения по целесообразно выбранным критериям — принцип самоорганизации модели. Другие же ученые (к ним принадлежит и автор этой книги академик АН УССР Н. М. Амосов) считают, что алгоритмы, по которым получаются одинаковые результаты мышления и поведения у машины и моделируемою объекта, должны совпадать. Способ открытия таких алгоритмов интеллекта — эвристический. Он основан на разновидности имитационных методов моделирования — эвристическом моделировании, разработанном Н. М. Амосовым для моделирования разнообразных сложных систем.
Характерной чертой имитационных методов моделирования является то, что они исходят из общих представлений автора модели об объекте. Экспериментальные данные или опытная проверка не требуются принципиально. Так, например, при построении модели трудовой активности личности достаточно указать общий характер нелинейных зависимостей типа «труд—плата», «плата—чувство», «чувство—труд» и др.
Подобно тому как это делается при имитационном динамическом моделировании Дж. Форрестера, характеристики элементов системы задаются автором модели машине, которая, решая полученную ею систему уравнений при различных начальных и граничных условиях, демонстрирует на дисплее возможные «сценарии» — варианты происходящих в системе процессов. При этом подтверждается, что система вовсе не является простой суммой ее элементов, так же как и решение системы уравнений не является суммой решений каждого из них.
Эвристическое моделирование Н. М. Амосова, в отличие от динамического моделирования Дж. Форрестера, оперирует в основном графическими нелинейными характеристиками элементов, а не их дифференциальными уравнениями, хотя использование последних не исключается. Это допустимо, так как изучаются только постоянно действующие установившиеся зависимости (об ограничениях области рассмотрения, принятой в книге, будет сказано ниже). Наблюдающийся сейчас несомненный успех применения и быстрое распространение имитационных методов моделирования объясняются удачным распределением «обязанностей» между человеком и машиной. Человек хорошо придумывает поэлементные характеристики, а машина хорошо обобщает их в единую систему уравнений, решая которую получает искомые результаты. Слабой стороной имитационных методов моделирования является их субъективный характер. Если изменятся представления автора модели о характеристиках элементов объекта, то изменятся и модели. К тому же практически сколько авторов — столько и моделей. Двух авторов с совершенно одинаковыми представлениями об объекте найти трудно. Здесь уместно напомнить читателю о существовании других, объективных методов моделирования, таких, как метод эвристической самоорганизации моделей, основанных на обработке небольшой таблицы опытных данных. Различие состоит в том, что имитационные методы моделирования, не требуя опытных данных, позволяют получить модели некоторых обобщенных объектов, тогда как экспериментальные методы дают модель конкретной личности, коллектива и общества.
В данной книге рассматривается имитационное моделирование указанных объектов в постановочном плане. На первых порах искусственный интеллект может не достигать полного совпадения модели и объекта. Моделирование вначале может решать только часть интересующих нас актуальных задач.
Основные ограничения следующие: динамика процессов выбора цели (целеполагания) и образования «установки» не рассматривается; цель объекта и система правил поведения считаются заданными или уже выработанными; эмоции не моделируются; рассматривается только неслучайная, регулярная составляющая психологических процессов; динамика не учитывается, поскольку уравнения элементов системы задаются как установившиеся характеристики.
В книге оговаривается, что эмоции человека в описываемых алгоритмах пока не моделируются. Кроме того, моделирование учитывает только так называемую регулярную составляющую результатов мышления и поведения, обусловленную воздействиями — «стимулами». При этом учитываются как точка зрения бихевиористических теорий (закон «стимул—реакция»), элементы гештальт-психологии (учет «врожденной», то есть заложенной при создании машины образной информации), так и предыстория одновременного взаимодействия многих элементов (обучение). Случайная составляющая результатов моделированию не подлежит. Поясним это. Мышление, как известно, связано с процедурой постановки задач и принятия решений. Каждое из решений происходит в условиях воздействия на личность многих признаков (термины «признак», «стимул» и даже «критерий» в данном контексте являются синонимами). В области задачи, где все признаки действуют согласованно, в одном направлении, решение является регулярным, однозначным, определенным. Например, если все рецепторы свидетельствуют о том, что распознаваемая буква есть буква А, то другая классификация буквы исключается. Отметим, что нас будет интересовать область случайных или нерегулярных решений задач, где действуют противоречивые признаки или стимулы. Грубо говоря, если сумма противоречивых стимулов с учетом их важности близка к нулю, например часть рецепторов утверждает: «буква А», а другая часть — «буква Б», то мозг принимает «чисто» случайные, равновероятные решения. Именно в этой области проявляется так называемая свобода выбора. В книге указывается, что в случае нерегулярности, согласно учению о доминанте, происходит всемерное усиление внимания и разрешающей способности, но если и оно не помогает, то в действие вступает случай.
Предсказать случайное решение принципиально невозможно, так же как нельзя регулярно угадывать результат тиража «спортлото» или предвидеть, на какую сторону упадет подброшенная вверх монета. Область случайных решений поддается моделированию только в том смысле, что и в модели можно предусмотреть генератор случайных движений. Однако направление случайного движения регулярно угадывать нельзя. Все сказанное хорошо согласуется с известной теорией многокритериального управления Парето (1909 г.), в соответствии с которой в области эффективных решений, где критерии противоречат друг другу, математика, а следовательно, и моделирование бессильны. Здесь для принятия решений обычно привлекаются эксперты, которые знают, что же нужно выбрать. Машина может только существенно помочь выбору, используя дополнительно процедуру прогнозирования будущего для каждого из входящих в область
