Форум создателей искусственных интеллектов

Не очень понятно, что Вы подразумеваете под словом «Интеллект»: - материальное устройство «Газоанализатор» в структурном составе тела робота, - способность этого устройства анализировать направленность и качество запахов, - сам процесс анализа направленности и качества запахов для целостного восприятия, - «единое целое» этого прибора в составе блок-схемы Разума?

Главное препятствие в создании СИИ, как мне думается, это то что мы смешиваем чувства (ощущения) и логику (разум). Я думаю если бы участники дискуссии придерживались основы формальной логики, то мы быстрее бы нашли точки соприкосновения в интересуемом нас вопросе. Вот здесь есть хорошая лекция по данной теме:

Мир можно рассматривать как формальную систему, в которой действуют определенные правила и законы. Формальная логика, в свою очередь, служит инструментом для анализа и вывода заключений в рамках этой системы.

Вы ошибаетесь, аристотелевская логика - классическая формальная логика. Поэтому и дальше буду просвещать:

Антин, благодарю за цитату из википедии, но это всё не совсем то. Мы (солипсисты) ничего не знаем о том вызывает что-то чего-то "на самом деле" или не вызывает. Мы оперируем только своими собственными конструктами, в рамках своего сознания. И субъективно нам кажется, что удобно одни субъективные конструкты считать обязательным условием, вызывающим некоторое последствие. Эти наши субъективные связки позволяют нам делать прогнозы последующих событий, на чём и строится интеллектуальное поведение. Если задуматься, то это совсем не очевидно, почему такие субъективные связки должны в общем случае работать и такие прогнозы сбываться. Во многих случаях они и не работают и не сбываются, когда люди выдают желаемое за действительное. Но во многих случаях проспективные способности человека поражают. Когда, исходя из логики развития событий (т.е. субъективно установленных ПСС), угадывается будущее целых народов на годы вперёд. ПСС для меня имеет очень большое значение, я усматриваю в этом единый универсальный механизм для построения механизмов на всех когнитивных уровнях. Если ПСС установлено для миллисекундных интервалов, то результат построения работающего механизма на таких ПСС - это квалиа. Если интервал ПСС доли секунды, то это объекты. Если интервал секунды - то это слова, элементы событий, фразы, предложения. Если ПСС имеют более длительный интервал, то такие ПСС позволяют выстраивать умозаключения, прогнозы на более длительный срок. И только от способности конкретного интеллекта корректно устанавливать такие ПСС на всех хронологических масштабах зависит будет ли он воспринимать (т.е. реконструировать) действительность адекватно. 1. Я не являюсь модератором форума, в классическом понимании этого слова, уже много раз об этом говорил. Модерируют форум сами участники, а я - только приводной ремень этой модерации, послушный винтик социального механизма. И, полагаю, именно благодаря этому, форум исправно работает и не превратился в тиранию, как многие другие форумы, и не скатился в помойку, как вышеуказанный ресурс gotai.net. 2. Если некто подписывается "ignаt99" это вовсе не значит, что это настоящий ignаt99. Настоящий ignаt99, насколько я могу судить, давно самовыпилился из готаевской помойки и больше там не появляется. Остерегайтесь подделок. 3. Удивлён, что gotai.net по прежнему существует и кто-то до сих пор платит за доменное имя и хостинг. Это особый вид извращённого мазохизма. Ещё раз публично обращаюсь к владельцам gotai.net - куплю данный ресурс по приемлемой цене. 4. Что касается самого "наезда", спасибо, поржал. Афтар, пеши исчё.

Всё, что Вы перечислили. 3 первых пункта это слабый интеллект. Пункт 4 это уже начинается сильный. И там все параметры вписываются в единую псиединицу, над которыми могут осуществляться ПСС. И далее фильтры и индексации над Псиединицами и ПСС дают ролевое мышление, что и есть сильный интеллект. Ну и конечно, сначала годы обучения, что есть просто накокпление и индексация по генетическим признакам псиединиц и ПСС.

Опять интересно ) Это сильная теория, так как основана на тактах и ритмах ЦНС, что есть физиология. Единственное, физиология на всех этих уровнях разная. Если упростить, то на низких уровнях это чистая логика (булева алгебра), а на верхних уже практически аналог, где только нравится или нет ) Поэтому придумать единую систему ПСС (логику) для всех уровней не получится. То есть, логика ПСС на всех уровнях будет разная. По сути, вся моя теория и объясняет эти разные логики для разных уровней ) Но сама идея называть все взаимосвязи , на всех уровнях, только лишь ПСС весьма интересна )) Специфический пример, но если кто видел на осциллографе картинки сигналов цифровой электроники, и аналоговой, то это как раз и иллюстрация логик на разных уровнях работы ЦНС. Но подвох тут в том, что цифровая логика сделана на аналоговых деталях, и цифровой сигнал никогда не бывает идеальным (местами кривит). Так же и в ЦНС, там нет ничего цифрового, только аналог. И поэтому все логики , которые придумывает человек, это лишь упрощение для сознания, чтобы хоть как то , хоть в чём то разобраться )) В ЦНС нет логик, нет цифры, нет математики, там лишь очень сложный функционал.

Болтают об этом года этак с 1950го, а фантазируют, в той или иной степени адекватности, уже сотни лет. Но… увы, рулят конкретные алгоритмы, а не слова. Так что если хотите чтобы вас всерьёз воспринимали, за словами должен идти код. Тема — "Главное препятствие в создании СИИ.", что сейчас на очереди, что первостепенно? С картинками разобрались, с текстом тоже, что дальше? Мультимодальность? Автогенерация архитектур ИНС? Конкретнее нужно быть. Забудьте про балталогию о различии аналогового и цифрового, а также эмоционально-философскую билеберду про квалии и метафизику "души", нужно ТОЛЬКО чтобы РАБОТАЛО как задумано, решало практически важные задачи как человек или лучше.

Итак, в сухом остатке: Узость современных ИИ-систем: Большинство решений эффективно работают только в рамках узких задач, что ограничивает их универсальность.

спойлер

Современные системы искусственного интеллекта (ИИ) в большинстве случаев разрабатываются для решения специфических, узких задач. Это делает их эффективными в четко определенных условиях, но ограниченными при попытке применить их за пределами этих условий. Такой ИИ называют узким ИИ (Narrow AI). Например распознавание лиц — отлично работает в системах видеонаблюдения, но не может, например, распознать жесты или эмоции того же человека. Автопилоты — могут уверенно вести автомобиль на дороге, но не понимают социальные сигналы водителей (например, уступающий жест рукой). Переводчики — грамотно переводят тексты, но часто не распознают контекст или эмоциональную окраску высказывания. Системы рекомендаций — успешно предлагают товары или фильмы, но не способны учитывать сложные личностные предпочтения или эмоциональное состояние пользователя. Эти системы основаны на обучении с использованием больших объемов данных, но каждая система строго ограничена своей специализацией. Это это проблема так как: слабая адаптивность, системы требуют полной перенастройки при изменении условий или переходе в новую среду, ограниченные знания, узкий ИИ не способен обобщать знания или переносить их на смежные задачи. Проблемы с непредвиденными ситуациями, такие системы плохо реагируют на условия, не предусмотренные в обучающей выборке, высокие затраты на разработку, каждая новая задача требует значительных ресурсов на обучение и настройку. Пример провала узкого ИИ В 2016 году чат-бот Tay от Microsoft, обучавшийся на данных из социальных сетей, за сутки начал генерировать, о ужас, неуместные и агрессивные высказывания. Это произошло из-за узости модели, которая не понимала контекст и не могла корректировать своё поведение. Для преодоления проблемы необходим переход к гибридным и универсальным методам. Например тн. метаобучение (Meta-learning), когда системы, которые учатся учиться, адаптируясь к новым задачам на основе прошлого опыта. Обучение с малым количеством данных (Few-shot и Zero-shot learning): Позволяет системам эффективно решать новые задачи, используя ограниченные примеры. Комбинация методов: Интеграция нейросетей, символических методов и алгоритмов адаптации для повышения гибкости.

Ограниченные методы обучения: Системы требуют больших объемов данных и не способны адаптироваться к новым условиям без полной перенастройки.

спойлер

Современные системы искусственного интеллекта впечатляют своими возможностями, но их развитие наталкивается на серьезную проблему — ограниченные методы обучения. Большинство популярных ИИ-моделей требуют огромных объемов данных и дорогостоящих вычислений. При этом, столкнувшись с новой задачей или изменением условий, такие системы зачастую не могут адаптироваться без полной перенастройки. Проблема особенно заметна в реальных приложениях. Например, система компьютерного зрения, идеально распознающая лица на стандартных фотографиях, может легко сбиться при плохом освещении или необычном ракурсе. Чат-боты, отлично ведущие диалог в привычных темах, теряются при столкновении с нестандартными вопросами. Даже продвинутые системы вроде AlphaGo демонстрируют высокий уровень только в строго определенных условиях, но требуют полного переобучения для решения задач с незначительно измененными правилами. Такая зависимость от данных делает развитие ИИ дорогостоящим и медленным. Однако есть перспективные направления, которые способны решить эту проблему. Один из них — обучение на малом числе примеров (Few-shot learning). Эта методика позволяет системе адаптироваться к новым задачам, используя всего несколько примеров. Другой подход — обучение без примеров (Zero-shot learning) — позволяет ИИ обобщать знания и справляться с задачами, на которых он ранее не обучался. Еще более мощной концепцией является метаобучение (Meta-learning) — своего рода «обучение обучаться». Такие системы не просто осваивают конкретные задачи, а развивают стратегии адаптации, корректируя свои методы обучения под новые условия. Это открывает путь к созданию гибких, самонастраивающихся ИИ-систем, способных работать в сложных и непредсказуемых средах. Для ускорения развития этих технологий активно используются синтетические данные — искусственно созданные наборы примеров, которые позволяют моделировать редкие или опасные ситуации (например, поведение беспилотников в аварийных условиях) без риска для людей. В ближайшие годы именно сочетание этих подходов может стать ключом к созданию по-настоящему адаптивных и универсальных систем ИИ, способных решать широкий круг задач без постоянной перенастройки и бесконечного наращивания данных.

Проблема привязки символов: ИИ не способен полноценно соотносить абстрактные понятия с реальной действительностью и как следствие отсутствие моделей здравого смысла: Современные ИИ не понимают физический мир и контекст событий.

спойлер

Одна из ключевых проблем на пути к созданию действительно интеллектуальных систем — это проблема привязки символов (Symbol Grounding Problem). Современные ИИ-модели хорошо оперируют словами, цифрами и прочими символами, но зачастую делают это без настоящего понимания их значения. ИИ может успешно обрабатывать текст или генерировать логичные ответы, но он не «понимает» их так, как это делает человек. Представьте себе чат-бота, который уверенно отвечает на вопросы о погоде. Он знает, что «дождь» связан со словами «зонт», «гроза» и «влажность», но не понимает, что дождь — это физическое явление, которое делает улицы мокрыми и людей промокшими. Его знания основаны на статистике совпадений слов, а не на реальном опыте или интуитивном понимании мира. Эта проблема особенно заметна в задачах, где требуется здравый смысл или связь понятий с физической реальностью. Например, попросите ИИ объяснить, как правильно поставить стакан на стол, чтобы он не упал. Хотя модель может предложить правильный ответ, она не обладает реальным представлением о гравитации, равновесии или свойствах поверхности. Основная причина этого — отсутствие в нейронных сетях встроенной «модели мира». Люди формируют знания через опыт: мы видим, как объекты взаимодействуют, запоминаем последствия и делаем выводы. Современные ИИ-модели, напротив, обучаются на текстах, изображениях или данных без физического контакта с реальным миром. Решение этой проблемы — одно из важнейших направлений в развитии ИИ. Один из подходов — обучение моделей с использованием мультимодальных данных (например, сочетание текста, видео и сенсорной информации), что помогает системе соотносить слова с физическими объектами и их свойствами. Еще одно направление — развитие обучения с воплощением (embodiment), где ИИ взаимодействует с реальным или виртуальным миром, обучаясь через практический опыт, как это делает человек. Без решения проблемы привязки символов ИИ так и останется мощным инструментом для узких задач, неспособным по-настоящему «понимать» мир. Прорыв в этой области станет важным шагом на пути к созданию по-настоящему универсального искусственного интеллекта.

Эволюционный тупик: Надежда на «саморазвитие» ИИ через накопление данных и вычислительных мощностей показала низкую эффективность.

спойлер

За последние годы развитие искусственного интеллекта часто шло по пути наращивания вычислительных мощностей и увеличения объемов данных. Эта стратегия дала впечатляющие результаты: языковые модели, такие как GPT, демонстрируют поразительные навыки генерации текста, а системы компьютерного зрения достигают точности, близкой к человеческой. Однако эта гонка за масштабом столкнулась со своими пределами — ожидания, что ИИ «саморазовьется» за счет больших данных и мощных серверов, не оправдались. Главная проблема в том, что накопление данных не решает базовых проблем понимания и адаптивности. Современные нейросети обучаются выявлять закономерности в огромных наборах данных, но при этом не приобретают реальных знаний о мире. Например, модель может запомнить миллионы примеров диалогов, но всё равно не поймёт, почему в ответ на вопрос «Где взять зонт?» уместно ответить «Посмотри в прихожей», а не «Зонт — это предмет, защищающий от дождя». Кроме того, увеличение данных и мощности делает обучение дорогим и ресурсозатратным. Модель GPT-3 от OpenAI, например, обучалась на сотнях миллиардах параметров, что потребовало затрат энергии, сравнимых с тем, что потребляет небольшой город за несколько недель. Однако даже такие мощные системы могут ошибаться в простых задачах, если те выходят за рамки шаблонных данных. Проблема особенно заметна в условиях нестандартных или неожиданных ситуаций. Автопилот может уверенно управлять автомобилем на ровной трассе, но столкнется с трудностями, если на дороге окажется сломанный светофор или неожиданное препятствие. Простое увеличение данных не научит систему гибко адаптироваться к таким условиям.

Отсутствие эффективных универсальных метрик: Существующие тесты не отражают уровень интеллекта систем в широком спектре задач.

спойлер

На данный момент в области искусственного интеллекта существует множество различных метрик для оценки работы систем, однако ни одна из них не является универсальной и не отражает реальный уровень интеллекта ИИ в широком спектре задач. Большинство современных тестов, таких как Turing Test или различные специализированные benchmark'и, оценивают ИИ в узком контексте, что ограничивает их возможности и не позволяет полноценно оценить способность системы к адаптации и решению разнообразных задач. Одной из основных проблем является то, что существующие метрики часто ориентированы на решение определённых узкоспециализированных задач. Например, тесты, связанные с играми (шахматы, го), прекрасно измеряют способности ИИ в этих конкретных областях, но не дают представления о том, насколько эффективно такая система будет работать в других, менее структурированных ситуациях, таких как взаимодействие с людьми или анализ сложных многозадачных сценариев. Второй важный момент заключается в том, что современные тесты, как правило, не учитывают факторы, такие как способность к обучению, самосовершенствованию или взаимодействию с окружающей средой. ИИ может продемонстрировать впечатляющие результаты в заранее заданных условиях, но его реальная ценность заключается в способности адаптироваться и учиться на основе опыта, что крайне сложно оценить с помощью традиционных тестов. Ещё одной проблемой является отсутствие учета этических и социальных аспектов интеллекта. Вопросы, связанные с безопасностью, прозрачностью алгоритмов, а также с возможностью интеграции ИИ в различные социальные и экономические процессы, требуют создания совершенно новых метрик, которые смогут комплексно учитывать все эти важнейшие аспекты. На данный момент существующие тесты фокусируются преимущественно на вычислительных или когнитивных аспектах. Кроме того, существует риск, что слишком узкая спецификация тестов может привести к созданию "специализированных" ИИ, которые кажутся очень умными в одной области, но не могут решить задачи за её пределами. Например, ИИ, оптимизированный для распознавания изображений, может легко обрабатывать фотографии, но окажется бесполезным в более сложных и разнообразных ситуациях. Таким образом, для того чтобы в будущем ИИ был по-настоящему универсальным инструментом, необходимо разработать новые метрики, которые смогут оценить интеллект машин в широком контексте, включая способность к обучению, адаптации и решению комплексных задач. Это потребует междисциплинарного подхода и интеграции знаний из различных областей: когнитивных наук, этики, социологии и других.

Сложность создания когнитивных архитектур: Требует значительных научных усилий и междисциплинарного подхода.

спойлер

Создание когнитивных архитектур, то есть моделей искусственного интеллекта, которые имитируют работу человеческого разума, является одной из самых амбициозных и сложных задач в области ИИ. В отличие от узкоспециализированных систем, которые решают конкретные задачи, когнитивные архитектуры должны обладать способностью к обобщению, адаптации и многозадачности, что требует значительно более глубоких и сложных подходов. Основной трудностью в создании таких архитектур является необходимость объединения знаний из разных научных областей. Когнитивные архитектуры, как правило, стремятся моделировать не только процессы восприятия и обучения, но и более высокоуровневые аспекты, такие как принятие решений, планирование, внимание, память и даже эмоциональные реакции. Для этого необходимо сочетать методы психологии, нейробиологии, нейросетевых технологий и теорий познания, что требует интеграции множества дисциплин, порой с диаметрально разными подходами. Кроме того, такие архитектуры должны учитывать множество факторов, включая нестабильность окружающей среды и неопределенность, с которой сталкиваются люди. Это делает задачи, стоящие перед разработчиками когнитивных систем, ещё более сложными. Например, необходимость интеграции сенсорных данных, социальных факторов и контекстной информации требует более гибких и адаптивных моделей, которые смогут работать в реальных условиях, а не только в контролируемых экспериментах. Не менее важным аспектом является создание механизмов для многозадачности и распределенной обработки информации, что позволяет системе эффективно справляться с различными видами задач. В отличие от традиционных специализированных систем, когнитивная архитектура должна быть способна переключаться между различными видами деятельности, что предполагает наличие не только мощных алгоритмов обработки данных, но и способов эффективного управления ресурсами и приоритетами. Ещё одной проблемой является отсутствие универсальных критериев для оценки эффективности таких архитектур. Мы можем оценить ИИ по отдельным задачам, но для комплексной оценки когнитивной архитектуры необходимо разработать новые методы и подходы, которые могут учитывать всю её способность к адаптации, обучению и решению широкого спектра задач. Этот процесс требует значительных усилий не только со стороны исследователей в области ИТ, но и специалистов в области философии, этики и нейробиологии. В связи с вышеописанными трудностями, создание когнитивных архитектур остаётся одним из наиболее амбициозных проектов в области искусственного интеллекта. Необходимость междисциплинарного подхода и интеграции знаний из разных областей требует большого объема научных усилий и времени, что делает успешное завершение таких проектов редким и ценным достижением.

Неравномерность развития технологий: Успехи нейросетевых подходов привели к забвению других методов, хотя их интеграция могла бы ускорить прогресс.

спойлер

Среди множества подходов, использующихся в области искусственного интеллекта, нейросетевые технологии в последние годы привлекли наибольшее внимание благодаря своим впечатляющим результатам в таких областях, как обработка изображений, распознавание речи и генерация текста. Однако этот фокус на нейросетях привёл к забвению других методов, которые могли бы дополнить нейросетевые подходы и ускорить общий прогресс в области ИИ. В результате мы наблюдаем неравномерное развитие технологий, где одни методы получают чрезмерное внимание, в то время как другие остаются на заднем плане, несмотря на их потенциал. Основной причиной такой неравномерности является феномен "нейросетевого бума". Успехи нейронных сетей, особенно глубоких нейронных сетей (deep learning), привели к тому, что научное сообщество и индустрия сосредоточились на их применении в самых различных задачах, считая их универсальным решением. Это явление сильно повлияло на распределение научных и финансовых ресурсов, что сделало другие методы менее приоритетными. Например, такие подходы, как эволюционные алгоритмы, метод многозначных логик или даже классические методы машинного обучения, стали менее популярными, несмотря на их потенциальную полезность в сочетании с нейросетями. Однако важно отметить, что исключение других методов из поля зрения может ограничить возможности прогресса. Некоторые из этих технологий могут быть более эффективными в специфических задачах, таких как оптимизация, планирование или работа с малыми данными. Например, методы, основанные на экспертных системах или символическом подходе, хорошо справляются с задачами, где требуется высокоуровневая логика и дедуктивное мышление, в то время как нейросети часто не могут предоставить такую прозрачность и интерпретируемость решений. Более того, интеграция нейросетевых подходов с другими методами может значительно ускорить развитие ИИ. Использование гибридных систем, которые комбинируют сильные стороны разных подходов, позволяет решить задачи, которые по отдельности могут быть трудными для каждого из них. Например, нейросети могут быть использованы для извлечения признаков из данных, в то время как более традиционные методы могут быть задействованы для принятия решений на основе этих признаков. Такой подход может привести к созданию более мощных и гибких систем. Неравномерность развития технологий также связана с узким фокусом на нейросетевых методах, что ограничивает область их применения. Например, нейросети требуют больших объемов данных и вычислительных ресурсов, что делает их менее подходящими для некоторых отраслей, где данные ограничены или ресурсы ограничены. В таких случаях другие подходы могут оказаться более подходящими, и важно вернуть внимание к ним, чтобы развить технологии, способные эффективно работать в разнообразных условиях. Таким образом, для того чтобы ИИ мог развиваться в полном объеме и достигать новых высот, необходимо пересмотреть доминирование нейросетевых методов и включить в научный и инженерный процесс интеграцию с другими подходами. Это потребует от исследователей более широкого взгляда на проблемы и возможностей, что, в свою очередь, может привести к созданию более универсальных и эффективных систем ИИ.

Кто-нибудь пробовал переплыть не реку, а её имитацию ? Или напиться не водой, а имитацией воды ? полетать на имитации самолёта ? купить что-нибудь в магазине за имитацию денег ? А вот этот момент хотелось бы подчеркнуть отдельно:: Архитектура или методы ? - Именно так до сих пор поставлен вопрос. Считается, что архитектура не важна - достаточно посмотреть на этот "искусственно-нейронный" кисель, в который можно подмешать любой "пищевой" краситель. Следует отметить, что методы не существуют сами по себе, как нечто обособленное, абстрактное и универсальное - они применяются кем-то или чем-то для чего-то. Метод, как способ алгоритмизации не существует даже как инструмент при отсутствии надлежащего исполнителя, как информации не существует без её приёмника и передатчика. В конце концов, методы и алгоритмы есть структуры именно информационные, а значит и требующие соответствующей адекватной интерпретации - вот с этим и не клеится. Накопление знаний, совершенствование обучения, наращивание мощностей - это ведь всё вокруг да около. Все эти ухищрения не решают проблему, а только замыливают её, потому что "ядро проблемы" остаётся нетронутым. Если появится однажды такая архитектура, в которой будет реализован механизм понимания/осознавания, то ничего из перечисленного выше не понадобится в таких немыслимых объёмах при таких циклопических энергетических затратах. Да, рыбу можно украсть, выклянчить, купить, а потом продать и снова купить, но речь идёт об удочке, до которой пока ещё ни у кого руки не дотягиваются. Управление ресурсами не решит проблему - это лишь "видимая сторона Луны", необходимая но не достаточная. Обратная сторона проблемы называется "Сознанием". Разум так устроен, что ему для полноценного функционирования необходимы две стороны "медали". Ум без сознания так же ограничен и в общем бесполезен, как сознание без ума. И как давно должно быть ясно людям более проницательным - проблема ИИ вовсе не в интеллекте, не в его определении, не в его количестве и т.д., а в том, что его, условно говоря, "окружает". Нынешний т.н. "ИИ" существует как слово, выдранное из контекста. а когда мы имеем дело с такими тонкими материями, контекст должен быть совершено определённым и весьма специфическим.

https://habr.com/ru/articles/481172/ Make AI Strong Again! В последнее время термин «искусственный интеллект» стал чрезвычайно широким. Где только не употребляют его – от «умных» устройств до программ игры в шахматы, Го и пр. При этом собственно интеллекта, сознания в человеческом понимании в этих устройствах нет. Наиболее хайповые темы — нейросети, глубокое обучение и пр. основаны на концепциях, которые предполагают реализацию, по сути, только одной функции — распознавания образов и не могут привести к созданию полноценной системы искусственного интеллекта. В этой статье я предлагаю вернуться к изначальному пониманию задачи – созданию систем, обладающих свойствами мыслительной деятельности человека – такими, как понимание смысла, построение плана действий для достижения цели, способность объяснить свои действия, корректировка поведения в зависимости от окружающей среды и т.д. [/url] Уже многие годы предпринимаются попытки создать системы искусственного интеллекта, приближающиеся по свойствам к мозгу человека. Однако до сих пор этого не удалось достичь. Ученые уже достаточно подробно знают функции и строение базовых элементов мозга – специальных клеток, называемых нейронами. Также более-менее изучено общее строение мозга – какие части мозга за какие глобальные функции отвечают. Однако средний уровень — уровень соединений нейронов в более крупные структуры и связь этих структур с сознанием и процессом мышления остается загадкой. Данная статья является попыткой представить гипотезу способа объединения нейронов в более крупные структуры, описать основные функции и свойства этих структур. Это позволит, по моему мнению, подойти к технической реализации таких понятий, как смысл, внимание, целенаправленное поведение, самосознание и др. Представленные идеи конечно необходимо проверить на практике. Но даже если они не подтвердятся, возможно соображения, изложенные в данной статье, подтолкнут других исследователей к работе в этом направлении, явно испытывающем дефицит конструктивных идей в настоящее время. Представленную в статье концепцию я назвал — «Динамическая семантическая сеть, основанная на действиях». 1. Исходные положения Ниже изложены известные факты об устройстве нервной системы, на которых базируется предлагаемая модель: [list=1] [*]Восприятие внешних сигналов в нервной системе происходит специальными структурами, называемыми рецепторами, которые активируются при определенных условиях внешней среды. [*]Выполнению элементарных действий (сокращение/расслабление мышц, выделение химических веществ) происходит за счет активизации других элементов, называемых эффекторами. [*]Передача активности между рецепторами и эффекторами выполняется специальными элементами, называемыми нейронами. [*]Сигнал активности – бинарный. Активность либо есть, либо нет. [*]Для возможности обучения в процессе обработки информации необходима способность образовывать новые нейроны и связи между ними. [*]В мышцах, сухожилиях и суставах присутствуют рецепторы, то есть выполняемые действия посылают сигналы о своем выполнении — действия ощущаются. [/list] 2. Описание модели 2.1 Общая схема Информация, обрабатываемая в системе, имеет в своей основе ощущения, то есть сигналы от определенных рецепторов — визуальных, слуховых и прочих. На определенном этапе обработки, эта информация становится знанием, а процесс ощущается как мышление. Нет какой-то отдельной сущности для представления мыслей. То, что мы называем мыслью – это обработанные ощущения. Сигнал от рецепторов (ощущение) может возникать как вследствие внешнего раздражения, так и от сигналов изнутри системы. Общая схема обработки представлена на Рис. 1. Рис. 1 Общая схема В дальнейшем под термином рецепторы будем понимать совместно собственно сенсоры и функциональность переключения, обеспечивающую активацию либо извне системы, либо изнутри. 2.2. Детектор, действие, понятие Итак, рецепторы регистрируют элементарные сигналы окружающей среды, такие как цвет, яркость точек пространства, амплитуду и частоту колебаний окружающего воздуха, температуру участков тела, положение суставов, состояние мышц, химический состав в определенных точках тела и др. В результате возникают наборы сигналов активности от рецепторов идущие в сеть обработки. В сети обработки, частично вследствие генетической информации, а в большей степени на основе индивидуального опыта, образуются нейроны, реагирующие только на определенные комбинации входных сигналов. Будем называть данные нейроны детекторами, а комбинацию входных сигналов от рецепторов — образом. То есть детекторы выполняют функцию распознавания образов. Собственно, именно эту функцию и моделируют разнообразные широко известные в настоящий момент нейронные сети. Но их разработчики на этом и останавливаются, а мы пойдем дальше. Аналогично детекторам, нейроны посылающие сигналы к эффекторам, могут объединяться в более сложные структуры, активация входных связей которых приводит к выполнению комбинаций элементарных действий. Таким образом, возникают структуры, представляющие действия. Можно представить образование структуры, которая будет выполнять следующие действия: [list] [*]Активизацию связей изнутри системы к некоторой комбинации рецепторов [*]Установку переключателя (Рис.1) на восприятие сигналов изнутри системы [/list] Таким образом образуется действие по воображению, представлению некоего образа, являющегося набором сигналов от рецепторов. Будем называть такие действия действиями-представлениями некоторого образа. Комбинация детектора некоторого образа и действия-представления для этого образа образует понятие-образ, с которым система может работать. С помощью детектора система может распознать понятие во входном сигнале, а с помощью действия-представления представить его, даже при отсутствии соответствующих сигналов извне. 2.3. Ассоциативные связи Между понятиями-образами могут образовываться связи, так что, например, одно понятие может активировать другое. Таким образом активация извне детектора визуального образа может приводить к активации, например, звукового, или другого визуального образа. Пример варианта подобных связей показан на Рис. 2. Рис. 2 Ассоциативные связи 2.4. Действия-восприятия и действие-внимание Ранее мы рассмотрели действия-представления, активизация которых приводила к представлению какого-то образа на входе сети обработки. Эти действия устанавливали переключатель рецепторов на прием информации изнутри системы. В случае установки переключателя на прием информации извне, состояние рецепторов будет определяться состоянием окружающей среды. Назовем такие действия действиями-восприятиями. Это такие знакомые нам понятия, как например смотреть, слушать, читать. Рецепторы поставляют в сеть обработки данные о большом числе параметров (например, зрительный нерв содержит около миллиона волокон). Если учитывать весь набор входных сигналов, то воспринятые образы были бы для системы всегда новыми, так как окружающая среда никогда не бывает одной и той же до мельчайших деталей. И система в этом случае не могла бы узнавать ранее виденные части новой сцены. То есть необходима возможность ограничения входных сигналов, фильтрации их. Это приводит нас к необходимости действия — внимания. На пути сигналов от рецепторов должен располагаться некий фильтр, управляемый вниманием и способный отсекать часть информации по определенным признакам. Прошедшие этот фильтр сигналы, либо приведут к активации какого-то детектора (в случае, если ранее он был сформирован в системе), либо должны быть запомнены на случай возможной важности в будущем. Таким образом, помимо фильтрации, внимание должно уметь создать из прошедших фильтр сигналов временное понятие, объединив активные детекторы и сформировав связи к соответствующим действиям-представлениям. Рис. 3 показывает действия-восприятия и входящее в их состав действие-внимание. " Рис. 3 Действия-восприятия и действие-внимание Созданные временные понятия и связи через некоторое время могут разрушаться, а могут и становиться постоянными, в случае неоднократного использования. Общий процесс восприятия информации от окружающей среды разбивается таким образом на отдельные акты восприятия, завершающиеся либо созданием/модификацией временных понятий (при замечании чего-то нового в окружающей среде) или просто активизацией уже созданных понятий. Действие-внимания, активирующее при восприятии временные понятия, ведет упорядоченный список этих понятий, глубина которого вероятно и определяет размер кратковременной памяти человека (обычно не более 10 понятий). 2.5. Действие как основа (смысл) понятий Размышление о разных понятиях с которыми оперирует мозг человека, приводит к наблюдению, что понятие действия является центральным и лежит в основе практически всех понятий и составляет так называемый их смысл. Рассмотрим понятия, выражающие свойства или характеристики объектов. 2.5.1. Понятия — характеристики Образы, регистрируемые рецепторами, содержат в себе информацию о разных базовых характеристиках окружающей среды, например, цвете, яркости, форме линий в определенной точке пространства, частоте и силе колебаний воздуха и других параметрах. Проверяя образ на выполнение некоторых условий, можно активировать понятия, которые будут выражать значения определенных характеристик или признаков, например, «красный», «желтый», «в центре», «круглый», «большой». Само действие по проверке этих условий можно считать вопросом о чем-либо, а результат работы этого действия ответом на этот вопрос. Например, вопрос – «Дом красный?», ответ — «Красный». Но необходимо как-то обозначать отрицательный результат проверки. Так появляется понятие «Нет», выражающее отрицательный результат любой проверки. Для симметрии и удобства появляется понятие «Да», которое обозначает положительный результат проверки. Ответы «Красный» и «Да» на вышеуказанный вопрос эквивалентны. Отдельные действия проверки могут группироваться в наборы, которые получают определенное обозначение. Так появляются наборы характеристик «Цвет», «Размер», «Форма» и другие, включающие в себя отдельные проверки, такие как например, «красный», «желтый», «большой», «маленький». В этих общих характеристиках содержится действие, объединяющее в себе проверки отдельных элементов. Результатом этого действия является одно из значений, входящих в это понятие характеристик. Например, «Размер дома?» — «Большой». Ответить «Да», или «Нет» на подобные вопросы нельзя. В дальнейшем будем называть характеристикой как отдельное понятие (например, «большой»), так и групповое (например, «размер»). При их использовании каких-то существенных отличий не имеется. Говоря о действиях-характеристиках можно различить четыре варианта их использования: [list=1] [*]Можно говорить об обобщенном действии-характеристике, например, «Цвет чего-то», «Размер чего-то» и др. Эти выражения просто определяют действие, задают какие признаки образа проверяются, и какие возможные значения могут получаться в результате. Аналог описания класса в объектно-ориентированном программировании. [*]Можно говорить о характеристике какого-то конкретного объекта, представляемого временным понятием, созданным действием-восприятием. Например, внутрисистемным представлением (смыслом) фразы «Какой цвет у этой книги?» будет новое временное понятие, действие-характеристика созданное на основе обобщенного понятия «Цвет чего-то» (п.1) и временного понятия «Эта книга». У характеристики «Цвет чего-то» параметр объекта действия указывает на «Эта книга». Является аналогом экземпляра класса в объектно-ориентированном программировании с конкретизированным значением объекта действия. [*]А можно задать и результат действия. Этот вариант будет внутренним представлением утвердительных фраз, например, «Цвет этой книги красный». Является аналогом экземпляра класса в объектно-ориентированном программировании у которого конкретизированы объект действия и результат. [*]И, наконец, может быть задан результат действия, но не задан объект. Этот вариант будет внутренним представлением фраз вида «Что-то красное», «Что-то большое». Является аналогом экземпляра класса в объектно-ориентированном программировании у которого конкретизированы только результат. [/list] Таким образом одна внутренняя структура (действие по проверке определенного признака) лежит в основе таких различных понятий, как 1) обобщенное понятие – характеристика («форма»), 2) вопрос о характеристике конкретного объекта («Какая форма у этого камня?»), 3) утверждение о свойстве конкретного объекта («Камень, лежащий наверху — круглый») и 4) указание на некий объект с определенными свойствами («Что-то круглое»). Возможность задать результат действия, не выполняя собственно проверку свойств образа, чрезвычайно важна. Она позволяет обрабатывать информацию об объектах в отсутствии собственно образа объекта. Это открывает дорогу к конструированию любых, в том числе абстрактных, понятий, например, «кто-то хороший», «кто-то уважаемый», «функция логарифмическая» и так далее. Рассмотрим возможную внутреннюю структуру действия-характеристики. Из изложенного выше понятно, что в нем должны присутствовать указатели на объект действия и результат. В рамках действия должны выполняться активности по представлению образа объекта, по проверке определенных свойств этого образа и по формированию результата (активации соответствующего понятия и установлению на него ссылки результата действия). В случае заданного заранее результата, активности по представлению и проверке образа не выполняются. Схематично это отражено на Рис.4 Рис. 4 Возможное внутреннее устройство действия-характеристики 2.5.2. Сравнительные понятия, понятия отношения В предыдущем разделе мы говорили о признаках, характеризующих некий образ и выяснили, что смыслом этих понятий было действие сравнения этих признаков с определенными, заранее известными шаблонами. При определении, например, цвета происходило сравнение с шаблонами известных цветов и совпавший считался результатом. Если же проводить сравнение не с заданным заранее шаблоном, а с признаками другого объекта, то получим сравнительные понятия или понятия-отношения. Например, «что-то больше чего-то», «что-то ярче чего-то», «что-то выше чего-то» и так далее. Подобно характеристикам, отношения не обязаны базироваться только на признаках, содержащихся в образе, воспринимаемом рецепторами. Вполне возможны понятия, не имеющие явного внешнего представления, например, «Он ее муж», «Он руководитель отдела», «Что-то принадлежит кому-то». Иногда даже затруднительно сформулировать ясные правила проверки какого-то признака, как например для понятия принадлежности. При отсутствии того или другого объекта отношения, получаются вопросы (например, «Что принадлежит Саше?», «Чья эта ручка?»). 2.5.3. Объект – образ и набор характеристик Воспринятый рецепторами образ можно представить либо в виде сигналов, составляющих этот образ — «фотографии», либо в виде набора результатов действий по проверке каких-то признаков, то есть набора характеристик, либо и того и другого вместе. Комбинация образа и/или характеристик, всегда встречающихся вместе удобно представлять понятием объект. На Рис.5 изображено возможное представление объекта, характеризуемого визуальным образом «Образ 1», ассоциативно связанным с ним звуковым образом «Образ 2» и двумя характеристиками «Цвет» и «Форма». Рис. 5 Возможное представление объекта Отметим, что значения «Круглый» и «Красный» являются образами «текстовых» рецепторов, то есть словами. «Текстовые рецепторы», реагирующие на символы компьютерной информации отсутствуют конечно у человека и приведены, как возможный пример искусственной системы обработки символьной информации. 2.5.4. Характеристика «быть» Среди всех возможных характеристик есть одна, которая присутствует всегда и является как бы основой для появления других характеристик. Это характеристика отражающее бытие, наличие чего-то. И уже после этого, это что-то может иметь и другие характеристики. Это характеристика выражается словами «быть», «есть». Действие, лежащее в ее основе, проверяет наличие какого-то сигнала или набора сигналов. Рис. 6 Характеристика есть/быть Рис.6 показывает, что существует разница между ассоциативной связью между объектами Образ1 и Образ2 и связью через понятие Есть. В первом случае при восприятии одного образа в системе «всплывает» второй образ, а во втором случае возникает знание об объекте. Ассоциативные связи могут приводить к появлению бессмысленных и не связанных образов и быть в общем случае случайными, а вот образы, связанные через понятия-характеристики, уже несут смысл, так как содержат в себе определенную проверку и сообщают нам о положительном результате этой проверки. Отсюда возникают понятие об истине и лжи, а также логика, как набор правил работы с понятиями-характеристиками, позволяющий из одних истинных понятий порождать другие, которые также будут истинными. Внешнее представление понятий-характеристик осуществляется действием-представлением, которое конструирует внешнюю форму объединяя представления самой характеристики, объекта и результата. На Рис.6 оно показано внутри понятия-характеристики Есть. Итак, мы увидели, что определенное действие лежит в основе следующих понятий: [list] [*]Характеристика (действие проверки) [*]Отношение (действие проверки) [*]Объект (набор характеристик) [/list] Если сюда добавить понятия, представляющие собственно действия или процессы, и связанные с ними понятия (например, сомнение, вероятность и др.), то представляется, что все знание можно описать такими структурами, основанными на действиях, и связями между ними. Таким образом становится ясно, что ключевым вопросом становится вопрос об управлении действиями, то есть о том, какое действие выполняется в данный момент времени и какое будет выполняться следующим. Рассмотрим это в следующем разделе. 2.6. Управление действиями 2.6.1. Рецепторы действий В начале мы упоминали что выполняемые действия ощущаются, а значит у действий присутствуют определенные рецепторы. Представляется что система должна уметь различать следующие ситуации: [list] [*]Действие в процессе выполнения [*]Действие только что завершилось успешно [*]Действие только что завершилось неуспешно [/list] То есть внутренняя структура действия должна включать рецепторы этих ситуаций. Наличие рецепторов действия позволяет корректно трактовать сигналы с обычных рецепторов (визуальных, слуховых и т.д.). Например, становится возможным различать ситуацию, когда мы реально видим какой-то объект и когда только представляем его. Рис. 7 Уточнение образов рецепторами действий В предыдущих разделах мы говорили и обозначали на рисунках связи между различными элементами. Эти связи передавали сигнал активности от одного элемента к другому. Например, определенный набор связей от рецепторов может формировать некоторый детектор. Связь от детектора может идти к более сложному детектору, или к эффектору, вызывая какое-либо действие. В целом всю активность системы можно представить, как выбор определенных действий в зависимости от различных сигналов на рецепторах. Рассмотрим возможные варианты активации определенного действия, изображенные на Рис.8. Рис. 8 Варианты выполнения действий Вариант 1. В системе может сформироваться связь между детектором и непосредственно эффектором или группой эффекторов (на Рис.8 обозначена цифрой 1). В этом случае, при возникновении определенной ситуации будет срабатывать определенный эффектор. Так образуется то, что называется рефлексами. Вариант 2. Связь от детектора идет не непосредственно к эффекторам, а к специальной структуре, действию (на Рис.8 обозначена цифрой 2). Чтобы действие выполнилось и послало сигнал к соответствующему эффектору нужно разрешение от специального действия, обозначенного на рисунке действием «Выбор действия». То есть, связь 2 не запускает выполнение действия, а только как-бы подсказывает действию «Выбор действия» что делать. Действие «Выбор действия» работает автоматически. Действию «Выбор действия» в этом случае не нужно искать что делать, ему просто надо согласиться с предложенным выбором. Так возникают автоматизмы, когда вследствие опыта или обучения, система привыкает в определенной ситуации выполнять определенные действия. При этом остается возможность изменить поведение, так как действие «Выбор действия» может не согласиться с предложенным вариантом и несмотря на активность связи 2 выбрать другое действие к выполнению. Вариант 3. В этом случае нет связи от активных детекторов к какому-либо действию, либо предложенные связи (типа 2) не устроили действие «Выбор действия». В этом случае выполняется сложная логика по выбору действия для выполнения (система «думает»). На процесс выбора действия могут влиять внешние сигналы (показаны на Рис.8 связью 4). Таким образом, например, выполнение действий может прерываться при появлении новых сигналов. Подобное поведение известно в нейрофизиологии как ориентировочный рефлекс – переключение внимания на новый раздражитель. 2.6.2. Процесс выбора действия В данном разделе опишем процесс происходящий в рамках действия «Выбор действия» на Рис.8. Это действие автоматически выполняется если не возникло рефлекторных активностей (тип 1 предыдущего раздела). В процессе жизни системы, алгоритм заложенный в это действие может изменяться, совершенствоваться. Но представляется, что он должен обладать как минимумом следующими свойствами: [list] [*]Выбор следующего действия не должен быть случайным, а должен быть целенаправленным; [*]Выполненное действия должно получать оценку – успех/неуспех. Неуспех действия должен учитываться при следующем выборе; [*]При выборе действия должны учитываться подсказывающие сигналы с уровня ассоциаций (связи типа 2 предыдущего раздела). [/list] Для реализации первого свойства в системе должна иметься информация, во-первых, о целях, потребностях системы в данный момент времени, во-вторых об ожидаемых результатах каждого известного системе действия, и в-третьих об условиях успешного выполнения действия. Большим плюсом предлагаемого подхода является то, что все три типа информации (цели, ожидаемые результаты действия и необходимые условия для действия) могут быть представлены одной сущностью – понятием-характеристикой, описанной в разделе 2.5.1. Например, характеристика «что-то рядом» может присутствовать в ожидаемых результатах действия «Подойти к чему-то», в необходимых условиях действия «Взять что-то», а также быть целью в какой-то момент времени. Покажем эти элементы на Рис.9. Рис. 9 Выбор действий В системе присутствует перечень целей, состоящий из указателей на понятия-характеристики (также хранится и значимость данной цели). С данным списком, а также со списком действий с активными ассоциативными связями («подсказки», связи типа 2) и работает действие «Выбор действия». Также каждое известное системе действие включает два списка указателей – один на обязательные условия для выполнения действия, а другой на характеристики результата. Основываясь на этой информации алгоритм действия «Выбор действия» и определяет какое действие выбрать, при необходимости конструируя новое составное действие из отдельных известных действий. В целом мы видим, как понятие действия, которое берет начало от элементарного эффектора, обрастает вспомогательными структурами (рецепторами, понятиями-характеристиками). Эти структуры формируют некую модель действия, которая позволяет оценивать результат действия до реального выполнения, что дает возможность планировать действия для достижения необходимого результата. Помимо целенаправленного поведения, необходима реакция на не успешную попытку выполнить действие. Под неуспехом понимаем неспособность завершить (или даже начать) действие в принципе, например, вследствие отсутствия необходимых условий (попытка пить при отсутствии воды или попытка взять что-то очень тяжелое). О наличие такой ситуации сообщает рецептор не успешности действия (раздел 2.6.1). В этом случае, перед тем как искать следующее для выполнения действие, необходимо провести анализ причины неуспеха предыдущего действия. Этот анализ включает сравнение ситуации перед выполнением действия с прошлыми ситуациями, когда выполнение было успешным, выделение отличий (в виде понятий-характеристик) и корректировку моделей известных действий (например, добавление необходимых условий). 2.6.3. Формирование перечня целей Рассмотрим процесс формирования перечня целей. Как уже упоминалось, это список желаемых в данный момент времени характеристик вместе с их значимостью. Этот список динамический – элементы могут добавляться и удаляться в результате выполнения действий и достижения цели. Добавление данных в него возможно автоматически («бессознательно») от сигналов определенных рецепторов, активирующих эффекторы, которые и добавляют цель в перечень. Либо добавление цели возможно целенаправленно («сознательно») путем выбора для выполнения специального действия «Добавить цель». Удаление цели из перечня также возможно на двух уровнях – на уровне эффекторов, когда сигналы от рецепторов сигнализируют о прекращении нужды в чем-то, и на «сознательном» уровне, проверяя удовлетворение целевой характеристики после выполнения действия, призванного ее удовлетворить. Эта проверка и удаление достигнутых целей выполняется в рамках первых шагов действия «Выбор действия». Удаление цели на этом уровне может выполниться и без достижения целевой характеристики, путем выбора для выполнения специального действия «Удалить цель». Это показано на Рис.10 Рис. 10 Формирование перечня целей 2.6.4. Оценка последствий действия В предыдущих разделах мы рассмотрели структуры необходимые для планирования поведения – перечень текущих целей системы и модели известных системе действий, включающие перечни необходимых для выполнения действия условий, и свойств, получаемых по результатам выполнения действия. Эти данные позволяют подбирать действия для достижения целей. Этим занимается специальное действие «Выбор действий». Возможны ситуации, когда цель может быть достигнута в результате различных действий. Например, чтобы утолить голод можно съесть имеющуюся на кухне еду, можно купить еду в магазине, можно отобрать еду у кого-то, можно ее украсть где-то. Допустим, что все эти действия теоретически возможны (в холодильнике имеется еда, магазин расположен недалеко и имеются деньги, а по улице идет человек и несет покупки). В этом случае системе надо выбрать из четырех равно возможных действий. Нужен какой-то механизм для оценки предпочтительности возможных действий. Для каждого действия он должен учитывать конкретную текущую ситуацию и выдавать некую оценку на шкале от плохо до хорошо. Чтобы воспринять эту оценку, необходимы рецепторы. А выполнение оценки может выполняться в виде специального действия, входящего в состав модели действия и активирующего, в зависимости от состояния других рецепторов, рецепторы оценки. Рис. 11 Оценка последствий На Рис.11 выполнение действия «Оценка последствий» выполняется действием «Выбор действия» на этапе выбора из теоретически возможных действий. Эти возможные действия сравниваются по значениям рецепторов плохо-хорошо. Действие «Оценка последствий» не является статичным, формируется и модифицируется в процессе обучения и реальных действий. Рецепторы оценки «Плохо-хорошо» могут активироваться не только при оценке последствий действий, но и в ходе выполнения действий восприятия сигналов окружающей среды. Они как бы дополняют, «эмоционально» окрашивают все другие сигналы. Как и на базе других сигналов, на их основе могут быть образовываться понятия-характеристики (п.2.5.1) – «Хороший», «Плохой», которые могут включаться в модель действий и учитываться на этапе выбора действий. 2.6.5. Возможный алгоритм выбора действия Ранее мы упоминали разные функции выполняемые в рамках действия «Выбор действия». Попробуем объединить их в рамках одной блок-схемы. Приведенный на Рис.12 алгоритм не является единственно возможным и не отражает всех особенностей, а служит исключительно для систематизации и осмысления выполняемых функций. Среди функций этого алгоритма есть функция, которую мы не обсуждали ранее – это так называемое углубление целей, когда перечень целей дополняется новыми целями, создаваемыми на базе необходимых условий из модели некоторого действия. Например, при наличии цели «Отсутствие голода», из модели действия «Съесть еду» (в необходимых условиях которого присутствует понятие-характеристика «Еда рядом») будет добавлена цель «Еда рядом», а для ее выполнения создано действие «Подойти к еде». Рис. 12 Возможный алгоритм выбора действий 3. Заключение Итак, в данной статье дана попытка описать концепцию представления и обработки информации, которую я назвал — «Динамическая семантическая сеть, основанная на действиях». Семантическая сеть – потому что знания представляются в виде связей понятий и образов. Динамическая – так как действия-восприятия порождают временные образы и понятия, с которыми и ведется работа. Основанная на действиях – так как, в основе понятия лежит действие, вокруг которого формируются все более сложные структуры, приводящие к усложнению поведения системы. За основу при ее разработке брались известные факты о работе нервной системы человека, но, учитывая ограниченность знаний в этой области, в значительной степени данная концепция является гипотезой и требует проверки путем создания прототипов систем для обработки разного типа информации – текстовой, визуальной и пр. В случае верности изложенных в статье идей, системы на ее основе будут обладать следующими свойствами: [list] [*]Понимание смысла воспринятой информации – смысл заключен в стоящих за образами действиях; [*]Выполняемые действия могут быть объяснены – в системе есть перечень целей, а выполняемые действия выбираются на основе модели действия, содержащей условия и ожидаемые результаты; [*]Способность планирования цепочек действий – наличие модели действия позволяет строить цепочки действий с определенным ожидаемым результатом; [*]Способность к обучению на собственном опыте – наличие рецепторов действий позволяет «ощущать» выполняемые действия, оценивать их результат, корректировать модели действий при несовпадении ожиданий и реальности. [/list] Многие вопросы не были освещены в рамках этой статьи, например, понятие времени и представление последовательностей действий, анализ собственных действий (рефлексия), особенности обработки визуальной информации и другие. Возможно в следующих статьях я попытаюсь дать соображения по этим вопросам. 4. Ссылки [list=1] [*]www.real-ai.ru – мой сайт с более подробной информацией о данной модели. [*][url=https://scorcher.ru/axiomatics/axioms_list.php?id=1]scorcher.ru — Много фактической информации о функциях мозга и нервной системы.

Александр, приветствую. С интересом изучил предложенную концепцию. Сначала поблагодарю за то, что мне понравилось. 1. В подходах автора нет никаких нейросетей, чат-ботов и прочей мутотени. Всё строится на логике, алгоритмах, последовательностях. Это хороший подход. 2. У автора явно есть навыки программирования и готовые проекты, просматривается нацеленность на программный продукт, а не "просто поговорить". 3. Автор стремится к унификации и упрощениям. Теперь поругаю за то, что мне не понравилось. Это неправда. Сигнал частотно-модулированный. Чем выше частота сигнала, тем более интенсивное воздействие он моделирует. Это гипотеза, она явно недостаточная и она тенденциозно и вредно ведёт по ложному пути к тем самым ИНС. Точнее сказать, что в процессе обучения необходима способность образовывать новые объекты и связи между ними. На этом странном и очевидно ложном утверждении автор строит очередного ИИ-материалиста. Пример с жёлтым цветом или известная иллюзия с тенью на шахматной доске доказывают, что осознаваемая сцена восприятия генерируется внутри механизма мышления, а рецепторы только опосредованно верифицируют её. И "мнение" рецепторов слушают в последнюю очередь. Sanek22, Вы допускаете мысль, что все атрибуты и сами воспринимаемые объекты - это такие субъективные механизмы, для прогнозирования субъективных действий? Ну, например, Вы проснулись, глаза закрыты, и Вы знаете, что находитесь в комнате, соответственно, перед открытием глаз Вы уже знаете, что Вы должны увидеть белый потолок. Соответственно незачем мозгу перебирать варианты того, что это такое белое видят глаза. Мозг, по мере своих возможностей, подсказывает глазам, что они должны увидеть. И чем больше у него таких возможностей, тем меньше глаза подсказывают мозгу и тем больше мозг подсказывает глазам. Тем человек умнее. Очевидно, что это очень упрощённое представление. Оно годится для описания работы с кубиками и пирамидками. Но это совершенно непригодно для описания тех опознаний, которые человек делает в практической реальности. Например, такой образ как "отношения между РФ и США" это образ, распознавание которого (для тех, конечно, кому это интересно) не прекращается годами и новые элементы дополняют или полностью перечёркивают образ. Конструирование образа и постоянное его воссоздание в сознании подразумевает, что активное начало этого процесса лежит внутри ума, а не на рецепторах. Заинтересованность в построении и попытки самого построения образов реальности всегда опережают сигналы с рецепторов. Кроме того, сигналы с рецепторов очень кратковременны, а объекты, которыми оперируют человек имеют масштабы минут, дней, лет, столетий, эпох и т.д. где быстрые рецепторы явно ничем не помогут. Да, это так. Но Вы не уточнили откуда берётся цель. Цель, в моём понимании, возникает как отклонение от некоторой нормы. Если нет нормы и нет отклонения от неё, то нет и цели. Да, это так. Я бы сказал ещё жёстче, что интеллектуальная задача всегда подразумевает множественность правильных решений. Если правильное решение только одно, то интеллект здесь не нужен, здесь нужен автомат. Но Вы не уточнили как устанавливается причинно-следственная связь между действием и последствием этого действия? Каков алгоритм установления этой связи из анализа сырого жизненного опыта? Мне думается, что в этом и есть суть обучения. Это не какой-то вспомогательный механизм, он центральный и было бы интересно, если б Вы на нём остановились и разжевали поподробнее. Человек учится на ошибках. Не совсем понятно зачем разделять понятия "хорошо" и "успешно". Мне кажется, это одно и то же. Навеяло:

Концепция А.Гурьева (Sanek22) на Хабре обозначена как "Модель сильного искусственного интеллекта". Не вдаваясь в детали, скажу лишь одно:: она - эта концепция - про "перенормировку" понятий, про алгоритмы, про какие-то нейроны в чёрном ящике (которые в контексте поставленной задачи есть "не пришей к п...е рукав"), про описания и автоматизацию... в общем, про что угодно, только не про интеллект. Типично IT'шный подход. Типично IT'шный результат.

В основе интеллекта лежит управление действиями, а не просто пассивное распознавание образов. Это перекликается с современными подходами в RL. Сама же модель более всего блика к семантическим сетям, со всеми их преимуществами и недостатками. Описывается довольно общая теоретическая модель, но мало уделяет внимания деталям реализации. Например, механизм формирования целей или обучение через обратную связь требует уточнений. А дьявол в деталях, вспоминайте сколько всё человечество билось чтобы обучить MLP, а у вас структура на порядки более витееватая. Идея динамических семантических сетей предполагает высокую степень гибкости, но в ML-практике обучение подобных структур может быть крайне ресурсоемким. Механизм формирования целей требует уточнения — неясно, как эффективно их инициализировать и обновлять. Идея рецепторов действий перспективна, но реализация в реальных ML-системах выглядит сложной. Модель недостаточно раскрывает, как будет обеспечено обучение через обратную связь в динамических условиях. Показалось наивным понимание мышления как исключительно обработки сигналов с рецепторов и проекция их в действия, это ИМХО значительная редукция природы сознания. Предположение, что можно напрямую сконструировать самосознание через простую комбинацию действий и понятий. А также уверенность в возможность создания универсального механизма выбора действий. В общем классическое "гладко было на бумаге, да забыли про овраги". В реальной практике оказалось намного важнее не таксономировать "карту мозга", понять как работает нейрон и что он "как- то" связан с другими нейронами. А именно выяснить механизмы того как возникают сети нейронов и их веса связей, в ответ на воздействие данных, то есть механизмы "обучения". Технически то, "всё на свете" от XOR и MNIST, то жизни Эйнштейна, можно аппроксимировать некой сложной векторной функцией, нет никакого принципиального запрета на это. Но, как структурировать эту функцию так, чтобы эта функция возникла САМА, в ответ на воздействие правильно подобранного датасета? А почему именно САМА? Да потому что были уже десятки разнородных попыток, в том числе и с семантическими сетями, как то это вбить в ручную, и все они оказались тщетными, стоят очень дорого и в итоге выходит очень слабенько. Очень большая штука эта — наш интелект, то что мы называем здравым смыслом, опытом и тп. Миллионы сущностей и связей, очень порой хитро организованных, так хитро что мы можем ими пользоваться но не понимать как они работают, например как было десятки тысяч лет с законом гравитации и тп. На каждую профессию, тоже плюс по 100к до миллиона своих сущностей. Это ДА-ФИ-ГА, то есть гипотетичеси на сотни тысячи человеколет ручного вбивания с неопределённым результатом, так как многие эти сущности и связи нами не могут быть описаны формально.

Проблема-то возможно не только в "удочке", а в том числе, как правильно закинуть её в нужное место и понять, когда дёргать леску. У нас и сейчас хватает мощных инструментов, но они не магическим образом "понимают", а через тонны данных и грамотную настройку. И если честно, никакой архитектурный гениальный инсайт не отменит того факта, что без правильных методов обучения, обратной связи и накопления знаний вся эта конструкция — просто дорогая гирлянда на GPU. Да и то это всё пока "проекты на коленке", за миллиарды долларов, уж точно так лет через 20 они будут восприниматься в ретроспективе. Это творчество, очень много метода тыка. Про "контекст" согласен — любой ML-инженер подтвердит, что данные без контекста мало чего стоят. Но проблема не в том, что контекст "не определён", а в том, что он зачастую размазан по куче источников и плохо формализован. Ну и кроме того, опять же мультимодальность и "здравый смысл"(примитивная модель физического мира и социальных отношений), всё это пока в совсем зачаточном состоянии. В общем, я бы не ждал, что одна удачная архитектура вдруг сделает нам искусственное сознание на раз-два. Мы ещё долго будем крутиться вокруг вопроса "как заставить модель учиться так, чтобы она не просто повторяла паттерны, а понимала, зачем она их повторяет". Кстати, если уж копать в сторону сознания, то, скорее всего, если что-то подобное и появится, то не в виде одной "правильной" архитектуры, а как сложная сборная солянка(возможно сторож rrr3 в чем то прав). Скорее всего, это будет гибридная мультимодальная система, где одни подсистемы отвечают за зрение, другие за язык, третьи за планирование, а всё это оркестрируется чем-то сверху — некой мета-архитектурой. Единственное чего бы хотелось избежать, так это усложнения(алгоритмической разнородности) подходов на каждом уровне и домене, у нас в мозгах все домены и мета-домены работают похожим образом(так кажется), это большой плюс. Вот эта "мета - надстройка" как раз и может иметь сходство с тем, что мы называем сознанием — не отдельная структура, а механизм, который следит за приоритетами, переключает внимание, подстраивает поведение под долгосрочные цели и в целом рулит всей этой кухней. И вот тут становится интересно: такой "оркестр" уже не просто пассивно принимает сигналы от датчиков (читай, рецепторов), а активно вмешивается в процесс — задаёт фрейминг, корректирует восприятие и может даже придумывать цели. Если в этом и кроется ключ к искусственному сознанию, то путь точно будет не в одной "удочке", а в целой системе с правильным распределением ролей и хорошей обратной связью. Короче, не рыбу ловить, а сеть ставить придётся — большую, сложную и хитрую.

Если Вы в сознании, то знаете механизм устройства мира, хоть и пока не осознанно (в подсознании). А значит, ориентируетесь в происходящем и можете рассчитать, как исходную ситуацию превратить в требуемую ситуацию.

Без удочки все разговоры о ловле рыбы и рыбных местах бессмысленны. Как говорится "будет лошадь - будет и навоз". Ничего они не понимают - ни прямо, ни косвенно, ни в кавычках, ни в каком-то особом смысле. Эти инструменты создавались НЕ для понимания, а для тупого, автоматического исполнения. Да, такие инструменты должны быть. Они где-то весьма эффективны, но не везде. А кое-где от них вреда больше, чем пользы. Обучать кого? что ? Шкуру неубитого медведя ? Вы рискуете быть обвинённым в попытках, или даже только в намёках на установление телеги впереди лошади ))) Интеллект ведь не для того, чтобы абстрактненько так циферки да буковки перетасовывать, пересыпать из пустого в порожнее, но для решения практических задач. Если интеллект - "текст", то "контекст" - всё то, благодаря чему он существует и развивается, начиная с внутренней жизни одноклеточного организма. Архитектура не сделает сознание. Это МЫ ДОЛЖНЫ найти архитектуру сознания и воплотить её в искусственном субстрате, не полагаясь ни на случай, ни на силы природы, ни на решения домового комитета. Это всё равно что трясти мешок с деталями самолёта в надежде, что однажды из мешка выпадет боевой истребитель. Само ничего не появится, тем более в каком-то невразумительном вареве. Кристалл можно вырастить на затравке, которой у нас пока нет, а она по сути может быть весьма простой и даже примитивной, но отнюдь не произвольной Так или иначе, это функции простые и сложные, подфункции, полифункции, операторы и т.п, над которыми должен быть предустановлен некий порядок, который несомненно должен чем-то поддерживаться. Сознание не рулит. Оно даже не решает, куда ехать. Сознание только следит за дорогой. И без него полно тех, кто норовит при каждом удобном случае ухватиться за баранку своими липкими ручонками. Вы говорите об архитектуре, которая и есть удочка. Так уже и сейчас сетей полно... и рыбу они не ловят. Ку ? p.s. Нет, я же не спорю с Вами по поводу обучения. Каждый нормальный родитель так или иначе задумывается о перспективах развития своего будущего чада задолго до его появления на свет. Но "творец" должен быть уверен в том, что создаст не крокодила и не настольную лампу, не медузу и не кусок мыла, не мешок нейронов или требуху какую-нибудь из болтов, гаек и микросхем, с которыми непонятно что делать и стоит ли вообще что-то с ними делать. Согласитесь, о том, что родился потенциальный человек, мы узнаём опять-таки задолго до того, как возникнет необходимость обучать его определённым образом, чтобы он не остался зверьком бесхвостым. Но вот этот "потенциал" развития - он не может быть "манной кашей". Тех , кто был с кашей - тех давно съели или пустили на запчасти. Ну, или, скажем прямо... во что наливать ? Где сосуд ? Каков он снаружи, изнутри ? Выдержит ли давление ? Герметичен ли ? Прозрачен ? Устойчив ? Достаточно ли пластичен ? В конце концов - куда девать отходы ?!.. Ко всему прочему, есть такое испытанное временем человеческое выражение - "нужда заставит (нужда всему научит)"... и думается, не слишком уж оно и человеческое.

Если б мне отдали Ваш мозг "на съедение", если бы мне было позволено без последствий для меня распотрошить Ваш мозг ("или светлый образ его") до самой последней молекулы, поверьте, я бы поседел и состарился на нём, но докопался бы до того места, которое генерирует одну и ту же глупость на протяжении нескольких лет, без видимых изменений. Попутно выяснил бы причину, по которой Ваше сознание не конфликтует с Вашим умом ("или светлым образом его"). Согласитесь не может же быть так, что человек, пребывая в ясном сознании, не понимал бы, что совершает нечто непотребное. Или наоборот - совершал бы одни сплошные адекватные поступки, не отдавая себе в этом отчёта. Тут либо и то и другое синхронно и до одного уровня, либо такая вот кривая ухмылка природы, что, в общем и частном, ей тоже не к лицу. ... но кто ж на такое решится )) Потому и вынуждены мы обходиться с этим ящиком как со стриптизёршей - "смотри, но руками не трогай", что больше похоже на непрерывно работающий телевизор без пульта управления, помещённый в абсолютно твёрдое тело. Такое положение просто обязывает изобретать велосипед - нет другого способа. К сожалению, велосипед у наших впечатлительных изобретунов пока не изобретается, а получаются у них в основном "резиновые бабы"... в надувном смысле. Пупсы какие-то бесконечные, погремушки, мыльные пузыри...Смотреть тошно ! И ради этого.. !

Сознание, интеллект – это не структурные части блок – схемы разума. Подмена блока восприятия на блок сознания ничего не дает и только запутывает, заставляет искать несуществующие органы в человеке. Сознание – это процесс управляющей «системы». Интеллект – это способность управляющей «системы». Для понимания происходящего управляющей «системе» нужно придать способность понимания.

А зачем Вы мне это рассказываете ? Напишите письмо в РАН и ждите ответа.