Примеры различных классификаций систем искусственного интеллекта – Системы искусственного интеллекта. Часть 1

Реферат

по
дисциплине «Информатика»

Общее
понятие о системах искусственного интеллекта

Краткий
исторический обзор развития работ в области искусственного интеллекта (ИИ)

Исторически сложились три
основных направления в моделировании искусственного интеллекта.

В рамках первого подхода
объектом исследований являются структура и механизмы работы мозга человека, а
конечная цель заключается в раскрытии тайн мышления. Необходимыми этапами
исследований в этом направлении являются построение моделей на основе
психофизиологических данных, проведение экспериментов с ними, выдвижение новых
гипотез относительно механизмов интеллектуальной деятельности,
совершенствование моделей и т. д.

Второй подход в качестве
объекта исследования рассматривает искусственный интеллект. Здесь речь идет о
моделировании интеллектуальной деятельности с помощью вычислительных машин.
Целью работ в этом направлении является создание алгоритмического и
программного обеспечения вычислительных машин, позволяющего решать
интеллектуальные задачи не хуже человека.

Наконец, третий подход
ориентирован на создание смешанных человеко-машинных, или, как еще говорят,
интерактивных интеллектуальных систем, на симбиоз возможностей естественного и
искусственного интеллекта. Важнейшими проблемами в этих исследованиях является
оптимальное распределение функций между естественным и искусственным
интеллектом и организация диалога между человеком и машиной.

Самыми первыми
интеллектуальными задачами, которые стали решаться при помощи ЭВМ были
логические игры (шашки, шахматы), доказательство теорем. Хотя, правда здесь
надо отметить еще кибернетические игрушки типа “электронной мыши”
Клода Шеннона, которая управлялась сложной релейной схемой. Эта мышка могла
“исследовать” лабиринт, и находить выход из него. А кроме того,
помещенная в уже известный ей лабиринт, она не искала выход, а сразу же, не
заглядывая в тупиковые ходы, выходила из лабиринта.

Американский кибернетик
А. Самуэль составил для вычислительной машины программу, которая позволяет ей
играть в шашки, причем в ходе игры машина обучается или, по крайней мере,
создает впечатление, что обучается, улучшая свою игру на основе накопленного
опыта. В 1962 г. эта программа сразилась с Р. Нили, сильнейшим шашистом в США и
победила.

Каким образом машине
удалось достичь столь высокого класса игры?

Естественно, что в машину
были программно заложены правила игры так, что выбор очередного хода был
подчинен этим правилам. На каждой стадии игры машина выбирала очередной ход из
множества возможных ходов согласно некоторому критерию качества игры. В шашках
(как и в шахматах) обычно невыгодно терять свои фигуры, и, напротив, выгодно
брать фигуры противника. Игрок (будь он человек или машина), который сохраняет
подвижность своих фигур и право выбора ходов и в то же время держит под боем
большое число полей на доске, обычно играет лучше своего противника, не
придающего значения этим элементам игры. Описанные критерии хорошей игры
сохраняют свою силу на протяжении всей игры, но есть и другие критерии, которые
относятся к отдельным ее стадиям — дебюту, миттэндшпилю, эндшпилю.

Разумно сочетая такие
критерии (например, в виде линейной комбинации с экспериментально подбираемыми
коэффициентами или более сложным образом), можно для оценки очередного хода
машины получить некоторый числовой показатель эффективности — оценочную
функцию. Тогда машина, сравнив между собой показатели эффективности очередных
ходов, выберет ход, соответствующий наибольшему показателю. Подобная
автоматизация выбора очередного хода не обязательно обеспечивает оптимальный
выбор, но все же это какой-то выбор, и на его основе машина может продолжать
игру, совершенствуя свою стратегию (образ действия) в процессе обучения на
прошлом опыте. Формально обучение состоит в подстройке параметров
(коэффициентов) оценочной функции на основе анализа проведенных ходов и игр с
учетом их исхода.

По мнению А. Самуэля,
машина, использующая этот вид обучения, может научиться играть лучше, чем
средний игрок, за относительно короткий период времени.

Можно сказать, что все
эти элементы интеллекта, продемонстрированные машиной в процессе игры в шашки,
сообщены ей автором программы. Отчасти это так. Но не следует забывать, что
программа эта не является “жесткой”, заранее продуманной во всех
деталях. Она совершенствует свою стратегию игры в процессе самообучения. И хотя
процесс “мышления” у машины существенно отличен оттого, что
происходит в мозгу играющего в шашки человека, она способна у него выиграть.

Ярким примером сложной
интеллектуальной игры до недавнего времени являлись шахматы. В 1974 г. состоялся международный шахматный турнир машин, снабженных соответствующими программами. Как
известно, победу на этом турнире одержала советская машина с шахматной
программой “Каисса”.

Почему здесь употреблено
“до недавнего времени”? Дело в том, что недавние события показали, что,
несмотря на довольно большую сложность шахмат, и невозможность, в связи с этим
произвести полный перебор ходов, возможность перебора их на большую глубину,
чем обычно, очень увеличивает шансы на победу. К примеру, по сообщениям в
печати, компьютер фирмы IBM,
победивший Каспарова, имел 256 процессоров, каждый из которых имел 4 Гб
дисковой памяти и 128 Мб оперативной. Весь этот комплекс мог просчитывать более
100’000’000 ходов в секунду. До недавнего времени редкостью был компьютер,
могущий делать такое количество целочисленных операций в секунду, а здесь мы
говорим о ходах, которые должны быть сгенерированы и для которых просчитаны
оценочные функции. Хотя с другой стороны, этот пример говорит о могуществе и
универсальности переборных алгоритмов.

В настоящее время
существуют и успешно применяются программы, позволяющие машинам играть в
деловые или военные игры, имеющие большое прикладное значение. Здесь также
чрезвычайно важно придать программам присущие человеку способность к обучению и
адаптации. Одной из наиболее интересных интеллектуальных задач, также имеющей
огромное прикладное значение, является задача обучения распознавания образов и
ситуаций. Решением ее занимались и продолжают заниматься представители
различных наук — физиологи, психологи, математики, инженеры. Такой интерес к
задаче стимулировался фантастическими перспективами широкого практического
использования результатов теоретических исследований: читающие автоматы,
системы искусственного интеллекта, ставящие медицинские диагнозы, проводящие
криминалистическую экспертизу и т. п., а также роботы, способные распознавать и
анализировать сложные сенсорные ситуации.

Перцептрон или любая
программа, имитирующая процесс распознавания, работают в двух режимах: в режиме
обучения и в режиме распознавания. В режиме обучения некто (человек, машина,
робот или природа), играющий роль учителя, предъявляет машине объекты и о
каждом их них сообщает, к какому понятию (классу) он принадлежит. По этим
данным строится решающее правило, являющееся, по существу, формальным описанием
понятий. В режиме распознавания машине предъявляются новые объекты (вообще
говоря, отличные от ранее предъявленных), и она должна их классифицировать, по
возможности, правильно.

Проблема обучения
распознаванию тесно связана с другой интеллектуальной задачей — проблемой
перевода с одного языка на другой, а также обучения машины языку. При
достаточно формальной обработке и классификации основных грамматических правил
и приемов пользования словарем можно создать вполне удовлетворительный алгоритм
для перевода, скажем научного или делового текста. Для некоторых языков такие
системы были созданы еще в конце 60-г. Однако для того, чтобы связно перевести
достаточно большой разговорный текст, необходимо понимать его смысл. Работы над
такими программами ведутся уже давно, но до полного успеха еще далеко. Имеются
также программы, обеспечивающие диалог между человеком и машиной на урезанном
естественном языке.

Что же касается
моделирования логического мышления, то хорошей модельной задачей здесь может
служить задача автоматизации доказательства теорем. Начиная с 1960 г., был разработан ряд программ, способных находить доказательства теорем в исчислении
предикатов первого порядка. Эти программы обладают, по словам американского
специалиста в области искусственного интеллекта Дж. Маккатти, “здравым
смыслом”, т. е. способностью делать дедуктивные заключения.

В программе К. Грина и
др., реализующей вопросно-ответную систему, знания записываются на языке логики
предикатов в виде набора аксиом, а вопросы, задаваемые машине, формулируются
как подлежащие доказательству теоремы. Большой интерес представляет
“интеллектуальная” программа американского математика Хао Ванга. Эта
программа за 3 минуты работы IBM-704
вывела 220 относительно простых лемм и теорем из фундаментальной математической
монографии, а затем за 8.5 мин выдала доказательства еще 130 более сложных
теорем, часть их которых еще не была выведена математиками. Правда, до сих пор
ни одна программа не вывела и не доказала ни одной теоремы, которая бы, что
называется “позарез” была бы нужна математикам и была бы
принципиально новой.

Очень большим
направлением систем искусственного интеллекта является роботехника. В чем
основное отличие интеллекта робота от интеллекта универсальных вычислительных
машин?

Для ответа на этот вопрос
уместно вспомнить принадлежащее великому русскому физиологу И. М. Сеченову
высказывание: “… все бесконечное разнообразие внешних проявлений мозговой
деятельности сводится окончательно лишь к одному явлению — мышечному движению”.
Другими словами, вся интеллектуальная деятельность человека направлена в
конечном счете на активное взаимодействие с внешним миром посредством движений.
Точно так же элементы интеллекта робота служат прежде всего для организации его
целенаправленных движений. В то же время основное назначение чисто компьютерных
систем искусственного интеллекта состоит в решении интеллектуальных задач,
носящих абстрактный или вспомогательный характер, которые обычно не связаны ни
с восприятием окружающей среды с помощью искусственных органов чувств, ни с
организацией движений исполнительных механизмов.

Первых роботов трудно
назвать интеллектуальными. Только в 60-х годах появились очуствленные роботы,
которые управлялись универсальными компьютерами. К примеру в 1969 г. в Электротехнической лаборатории (Япония) началась разработка проекта “промышленный
интеллектуальный робот”. Цель этой разработки — создание очуствленного
манипуляционного робота с элементами искусственного интеллекта для выполнения
сборочно-монтажных работ с визуальным контролем.

Манипулятор робота имеет
шесть степеней свободы и управляется мини-ЭВМ NEAC-3100 (объем оперативной памяти 32000 слов, объем
внешней памяти на магнитных дисках 273000 слов), формирующей требуемое
программное движение, которое отрабатывается следящей электрогидравлической
системой. Схват манипулятора оснащен тактильными датчиками.

В качестве системы
зрительного восприятия используются две телевизионные камеры, снабженные
красно-зелено-синими фильтрами для распознавания цвета предметов. Поле зрения
телевизионной камеры разбито на 64*64 ячеек. В результате обработки полученной
информации грубо определяется область, занимаемая интересующим робота
предметом. Далее, с целью детального изучения этого предмета выявленная область
вновь делится на 4096 ячеек. В том случае, когда предмет не помещается в
выбранное “окошко”, оно автоматически перемещается, подобно тому, как
человек скользит взглядом по предмету. Робот Электротехнической лаборатории был
способен распознавать простые предметы, ограниченные плоскостями и
цилиндрическими поверхностями при специальном освещении. Стоимость данного
экспериментального образца составляла примерно 400000 долларов.

Постепенно характеристики
роботов монотонно улучшались, Но до сих пор они еще далеки по понятливости от
человека, хотя некоторые операции уже выполняют на уровне лучших жонглеров. К
примеру удерживают на лезвии ножа шарик от настольного тенниса.

Еще пожалуй здесь можно
выделить работы киевского Института кибернетики, где под руководством Н. М.
Амосова и В. М. Глушкова (ныне покойного) ведется комплекс исследований,
направленных на разработку элементов интеллекта роботов. Особое внимание в этих
исследованиях уделяется проблемам распознавания изображений и речи, логического
вывода (автоматического доказательства теорем) и управления с помощью
нейроподобных сетей.

К примеру, можно
рассмотреть созданный еще в 70-х годах макет транспортного автономного
интегрального робота (ТАИР). Конструктивно ТАИР представляет собой трехколесное
шасси, на котором смонтирована сенсорная система и блок управления. Сенсорная
система включает в себя следующие средства очуствления: оптический дальномер,
навигационная система с двумя радиомаяками и компасом, контактные датчики,
датчики углов наклона тележки, таймер и др. И особенность, которая отличает
ТАИР от многих других систем, созданных у нас и за рубежом, это то, что в его
составе нет компьютера в том виде, к которому мы привыкли. Основу системы
управления составляет бортовая нейроподобная сеть, на которой реализуются
различные алгоритмы обработки сенсорной информации, планирования поведения и
управления движением робота.

В конце данного очень
краткого обзора рассмотрим примеры крупномасштабных экспертных систем.

MICIN — экспертная система для медицинской
диагностики. Разработана  группой по инфекционным заболеваниям
Стенфордского университета. Ставит соответствующий диагноз, исходя из
представленных ей симптомов, и рекомендует курс медикаментозного лечения любой
из диагностированных инфекций. База данных состоит из 450 правил.

PUFF — анализ нарушения дыхания. Данная
система представляет собой MICIN,
из которой удалили данные по инфекциям и вставили данные о легочных
заболеваниях.

DENDRAL — распознавание химических структур.
Данная система старейшая, из имеющих звание экспертных. Первые версии данной
системы появились еще в 1965 году во все том же Стенфордском университете.
Пользователь дает системе DENDRAL
некоторую информацию о веществе, а также данные спектрометрии (инфракрасной,
ядерного магнитного резонанса и масс-спектрометрии), и та в свою очередь выдает
диагноз в виде соответствующей химической структуры.

PROSPECTOR — экспертная система, созданная для
содействия поиску коммерчески оправданных месторождений полезных ископаемых.

Системы искусственного интеллекта

Термин интеллект (intelligence) происходит от латинского intellectus — что означает ум, рассудок, разум;
мыслительные способности человека.

Соответственно
искусственный интеллект (artificial intelligence) — ИИ
(AI) обычно толкуется как свойство
автоматических систем брать на себя отдельные функции интеллекта человека,
например, выбирать и принимать оптимальные решения на основе ранее полученного
опыта и рационального анализа внешних воздействий.

Естественно-языковый
интерфейс был наиболее привлекателен для
общения с ЭВМ с момента ее появления. Это позволило бы исключить необходимость
обучения конечного пользователя языку команд или другим приемам формулировки
своих заданий для решения на компьютере, поскольку естественный язык является
наиболее приемлемым средством общения для человека. Поэтому работы по созданию
такого рода интерфейса начались с середины 20-го века. Однако, несмотря на весь
энтузиазм исследователей и проектировщиков, эта задача не решена и по сей день
из-за огромных сложностей, связанных с пониманием предложений естественного
языка и связного текста в целом. Некоторые программные продукты, которые
появлялись на рынке, носили скорее экспериментальный характер, имели множество
ограничений и не решали задачу кардинально. Тем не менее, несмотря на кажущийся
застой в этой сфере, данная проблема остается актуальной и по сей день и вошла
в состав проблематики, связанной с проектом ЭВМ пятого поколения.

Экспертные системы впервые появились в области медицины. Возникла идея
интеграции знаний экспертов в области медицины или ее отдельных разделов в
некоторую электронную форму, которая позволила бы начинающему врачу иметь
своеобразного электронного советника при принятии решений по тому или иному
врачебному случаю. Выбор области медицины объясняется слишком большой ценой
ошибок, которые касаются жизни и здоровья людей. Постепенно от области медицины
эта технология распространилась и на другие сферы деятельности человека,
например, производство. Технология использования экспертных систем предполагает
первоначальное “обучение” системы, т.е. заполнение ее конкретными
знаниями из той или иной проблемной области, а потом уже эксплуатацию
наполненной знаниями экспертной системы для решения прикладных задач. Эта
идеология проявила себя в проекте ЭВМ пятого поколения в части привлечения
конечного пользователя к решению своих задач и связана с проблемой
автоформализации знаний.

Интеллектуальные пакеты прикладных программ позволяют, аналогично экспертным
системам, предварительно создавать базу знаний, включающую совокупность знаний
из той или иной области деятельности человека, а затем решать практические
задачи с привлечением этих знаний. Различие этих видов пакетов состоит в том,
что экспертные системы, в отличие от интеллектуальных ППП, позволяют
интегрировать знания из так называемых слабо формализуемых предметных областей,
в которых сложно определить входные и выходные параметры задачи, а также
невозможно сформировать четкий алгоритм ее решения. Кроме того, экспертные
системы не формируют алгоритм решения задачи как в случае интеллектуальных ППП,
а лишь выдают “советы” пользователю на основании его запроса.

Область применения

o  
Доказательства
теорем;

o  
Игры;

o  
Распознавание
образов;

o  
Принятие решений;

o  
Адаптивное
программирование;

o  
Сочинение
машинной музыки;

o  
Обработка данных
на естественном языке;

o  
Обучающиеся сети
(нейросети);

o  
Вербальные
концептуальные обучения.

Планы на будущее в
области применения ИИ: В сельском хозяйстве компьютеры должны оберегать посевы
от вредителей, подрезать деревья и обеспечивать избирательный уход. В горной
промышленности компьютеры призваны работать там, где возникают слишком опасные
условия для людей. В сфере производства ВМ должны выполнять различного вида
задачи по сборке и техническом контроле. В учреждениях ВМ обязаны заниматься
составлением расписаний для коллективов и отдельных людей, делать краткую
сводку новостей. В учебных заведениях ВМ должны рассматривать задачи, которые
решают студенты, в поисках ошибок, подобно тому как ищутся ошибки в программе,
и устранять их. Они должны обеспечивать студентов суперкнигами, хранящимися в
памяти вычислительных систем. В больницах ВМ должны помогать ставить диагноз,
направлять больных в соответствующие отделения, контролировать ход лечения. В
домашнем хозяйстве ВМ должны помогать советами по готовке пищи, закупке
продуктов, следить за состоянием пола в квартире и газона в саду. Конечно, в
настоящее время ни одна из этих вещей не представляется возможной, но
исследования в области ИИ могут способствовать их реализации.

Существуют различные
подходы к построению систем искусственного интеллекта. Это разделение не
является историческим, когда одно мнение постепенно сменяет другое, и различные
подходы существуют и сейчас. Кроме того, поскольку по-настоящему полных систем
искусственного интеллекта в настоящее время нет, то нельзя сказать, что
какой-то подход является правильным, а какой-то ошибочным.

Для начала кратко
рассмотрим логический подход. Почему он возник? Ведь человек занимается отнюдь
не только логическими измышлениями. Это высказывание конечно верно, но именно
способность к логическому мышлению очень сильно отличает человека от животных.

Основой для данного
логического подхода служит Булева алгебра. Каждый программист знаком с нею и с
логическими операторами с тех пор, когда он осваивал оператор IF. Свое дальнейшее развитие Булева
алгебра получила в виде исчисления предикатов – в котором она расширена за счет
введения предметных символов, отношений между ними, кванторов существования и
всеобщности. Практически каждая система искусственного интеллекта, построенная
на логическом принципе, представляет собой машину доказательства теорем. При
этом исходные данные хранятся в базе данных в виде аксиом, правила логического
вывода как отношения между ними. Кроме того, каждая такая машина имеет блок
генерации цели, и система вывода пытается доказать данную цель как теорему.
Если цель доказана, то трассировка примененных правил позволяет получить
цепочку действий, необходимых для реализации поставленной цели. Мощность такой
системы определяется возможностями генератора целей и машиной доказательства
теорем.

Конечно можно сказать,
что выразительности алгебры высказываний не хватит для полноценной реализации
искусственного интеллекта, но стоит вспомнить, что основой всех существующих
ЭВМ является бит – ячейка памяти, которая может принимать значения только 0 и
1. Таким образом было бы логично предположить, что все, что возможно
реализовать на ЭВМ, можно было бы реализовать и в виде логики предикатов. Хотя
здесь ничего не говорится о том, за какое время.

Добиться большей
выразительности логическому подходу позволяет такое сравнительно новое
направление, как нечеткая логика. Основным ее отличием является то, что
правдивость высказывания может принимать в ней кроме да/нет (1/0) еще и
промежуточные значения – не знаю (0.5), пациент скорее жив, чем мертв (0.75),
пациент скорее мертв, чем жив (0.25). Данный подход больше похож на мышление
человека, поскольку он на вопросы редко отвечает только да или нет. Хотя правда
на экзамене будут приниматься только ответы из разряда классической булевой
алгебры.

Под структурным подходом
мы подразумеваем здесь попытки построения искусственного интеллекта путем
моделирования структуры человеческого мозга. Одной из первых таких попыток был
перцептрон Френка Розенблатта. Основной моделируемой структурной единицей в
перцептронах (как и в большинстве других вариантов моделирования мозга)
является нейрон.

Позднее возникли и другие
модели, которые в простонародье обычно известны под термином “нейронные
сети” (НС). Эти модели различаются по строению отдельных нейронов, по
топологии связей между ними и по алгоритмам обучения. Среди наиболее известных
сейчас вариантов НС можно назвать НС с обратным распространением ошибки, сети
Хопфилда, стохастические нейронные сети.

НС наиболее успешно
применяются в задачах распознавания образов, в том числе сильно зашумленных,
однако имеются и примеры успешного применения их для построения собственно
систем искусственного интеллекта, это уже ранее упоминавшийся ТАИР.

Для моделей, построенных
по мотивам человеческого мозга характерна не слишком большая выразительность,
легкое распараллеливание алгоритмов, и связанная с этим высокая
производительность параллельно реализованных НС. Также для таких сетей
характерно одно свойство, которое очень сближает их с человеческим мозгом –
нейронные сети работают даже при условии неполной информации об окружающей
среде, то есть как и человек, они на вопросы могут отвечать не только
“да” и “нет” но и “не знаю точно, но скорее да”.

Довольно большое
распространение получил и эволюционный подход. При построении систем
искусственного интеллекта по данному подходу основное внимание уделяется
построению начальной модели, и правилам, по которым она может изменяться
(эволюционировать). Причем модель может быть составлена по самым различным
методам, это может быть и НС и набор логических правил и любая другая модель.
После этого мы включаем компьютер и он, на основании проверки моделей отбирает
самые лучшие из них, на основании которых по самым различным правилам
генерируются новые модели, из которых опять выбираются самые лучшие и т. д.

В принципе можно сказать,
что эволюционных моделей как таковых не существует, существует только
эволюционные алгоритмы обучения, но модели, полученные при эволюционном подходе
имеют некоторые характерные особенности, что позволяет выделить их в отдельный
класс.

Такими особенностями
являются перенесение основной работы разработчика с построения модели на
алгоритм ее модификации и то, что полученные модели практически не сопутствуют
извлечению новых знаний о среде, окружающей систему искусственного интеллекта,
то есть она становится как бы вещью в себе.

Еще один широко
используемый подход к построению систем искусственного интеллекта – имитационный.
Данный подход является классическим для кибернетики с одним из ее базовых
понятий – “черным ящиком” (ЧЯ). ЧЯ – устройство, программный модуль
или набор данных, информация о внутренней структуре и содержании которых
отсутствуют полностью, но известны спецификации входных и выходных данных.
Объект, поведение которого имитируется, как раз и представляет собой такой
“черный ящик”. Нам не важно, что у него и у модели внутри и как он
функционирует, главное, чтобы наша модель в аналогичных ситуациях вела себя
точно так же.

Таким образом здесь
моделируется другое свойство человека – способность копировать то, что делают
другие, не вдаваясь в подробности, зачем это нужно. Зачастую эта способность
экономит ему массу времени, особенно в начале его жизни.

Основным недостатком
имитационного подхода также является низкая информационная способность
большинства моделей, построенных с его помощью.

С ЧЯ связана одна очень
интересная идея. Кто бы хотел жить вечно? Я думаю, что почти все ответят на
этот вопрос “я”.

Представим себе, что за
нами наблюдает какое-то устройство, которое следит за тем, что в каких
ситуациях мы делаем, говорим. Наблюдение идет за величинами, которые поступают
к нам на вход (зрение, слух, вкус, тактильные, вестибулярные и т. д.) и за
величинами, которые выходят от нас (речь, движение и др.). Таким образом
человек выступает здесь как типичный ЧЯ.

Далее это устройство
пытается отстроить какую-то модель таким образом, чтобы при определенных
сигналах на входе человека, она выдавала на выходе те же данные, что и человек.
Если данная затея будет когда-нибудь реализована, то для всех посторонних
наблюдателей такая модель будет той же личностью, что и реальный человек. А
после его смерти она, будет высказывать те мысли, которые предположительно
высказывал бы и смоделированный человек.

Мы можем пойти дальше и
скопировать эту модель и получить брата близнеца с точно такими же
“мыслями”.

Можно сказать, что
“это конечно все интересно, но при чем тут я? Ведь эта модель только для
других будет являться мной, но внутри ее будет пустота. Копируются только
внешние атрибуты, но я после смерти уже не буду думать, мое сознание погаснет
(для верующих людей слово “погаснет” необходимо заменить на
“покинет этот мир”) “. Что ж это так. Но попробуем пойти дальше.

Согласно философским
представлениям автора данного курса, сознание представляет собой сравнительно
небольшую надстройку над нашим подсознанием, которая следит за активностью
некоторых центров головного мозга, таких как центр речи, конечной обработки
зрительных образов, после чего “возвращает” эти образы на начальные
ступени обработки данной информации. При этом происходит повторная обработка
этих образов, мы как бы видим и слышим, что думает наш мозг. При этом
появляется возможность мысленного моделирования окружающей действительности при
нашем “активном” участии в данном процессе. И именно наш процесс
наблюдения за деятельностью этих немногих центров является тем, что мы называем
сознанием. Если мы “видим” и “слышим” наши мысли, мы в
сознании, если нет, то мы находимся в бессознательном состоянии.

Если бы мы смогли
смоделировать работу именно этих немногих “сознательных” нервных
центров (работа которых правда основана на деятельности всего остального мозга)
в качестве одного ЧЯ, и работу “супервизора” в качестве другого ЧЯ,
то можно было бы с уверенностью говорить, что “да, данная модель думает,
причем так же, как и я”. Здесь я ничего не хочу говорить о том, как
получить данные о работе этих нервных центров, поскольку на мой взгляд сегодня
нет ничего такого, что позволило бы следить за мозгом человека годами и при
этом не мешало бы его работе и жизни.

И заканчивая беглое
ознакомление с различными методами и подходами к построению систем
искусственного интеллекта, хотелось бы отметить, что на практике очень четкой
границы между ними нет. Очень часто встречаются смешанные системы, где часть
работы выполняется по одному типу, а часть по-другому.