Для связи в whatsapp +905441085890

Реферат на тему: Искусственный интеллект

У вас нет времени на реферат или вам не удаётся написать реферат? Напишите мне в whatsapp — согласуем сроки и я вам помогу!

В статье «Как научиться правильно писать реферат», я написала о правилах и советах написания лучших рефератов, прочитайте пожалуйста.

Собрала для вас похожие темы рефератов, посмотрите, почитайте:

  1. Реферат на тему: Репродуктивное здоровье
  2. Реферат на тему: Плавание как вид спорта
  3. Реферат на тему: Гломерулонефрит
  4. Реферат на тему: Режим дня школьника
Реферат на тему: Искусственный интеллект

Введение

Цель данной работы — отразить процесс развития искусственного интеллекта (возможно дальнейшее снижение ИИ) в мире.

Задачи работы — дать базовую концепцию ИИ, рассказать об истории развития ИИ, посмотреть на тенденции развития ИИ, проанализировать проблемы развития ИИ и методы их решения.

Рассмотрено состояние развития ИИ, различные подходы к построению систем ИИ, выделены основные проблемы развития ИИ.

Искусственный интеллект является одной из самых передовых областей исследований для ученых сегодня. И рассматриваются системы, разработанные с ее частичным использованием: например, распознавание текста, бытовые роботы для замены возможности творческого труда человека искусственно. Эта область возникла на стыке различных дисциплин: компьютерные науки, философия, кибернетика, математика, психология, физика, химия и др. В различных областях науки и техники сегодня машины необходимы для выполнения задач, которые может выполнить только человек. В это время на помощь приходит искусственный интеллект, заменяющий человека простой деятельностью. Сегодня в технологиях все чаще используются системы, как программные, так и аппаратные, созданные на основе искусственного интеллекта. К ним относятся автомобили с электроникой с искусственным интеллектом, новейшие роботы, участвующие в производстве, компьютерные программы, включающие в себя искусственный интеллект, а также игры с искусственным интеллектом.

Целью создания полноценного искусственного интеллекта, то есть интеллекта, способного осуществлять обработку информации на уровне человека и выше, является, прежде всего, улучшение жизни человека и дальнейшее повышение уровня автоматизации производства. Тогда человеку оставалось бы только выполнять высокотворческую работу, которая доставляла бы ему удовольствие. Но даже на современном этапе развития этой сферы до создания таких систем полного искусственного интеллекта еще далеко, а вмешательство искусственного интеллекта в другие интеллектуальные системы носит лишь частичный характер. В основном это программное обеспечение. Например, экспертные системы, системы распознавания изображений и так далее. Они принадлежат к системам искусственного интеллекта, потому что способны выполнять свои задачи, хотя и очень жестко контролируемые, которые компьютеры не могли выполнять в прошлом. Результаты их работы аналогичны результатам аналогичной интеллектуальной деятельности человека.

Все началось с довольно простой формализации заданий: логических партий (шахматы, шашки, числовые и т.д.). Американский кибернетист А. Сэмюэль создал для нее компьютерную программу, которая позволяет ей играть в шашки во время тренировки машины или, по крайней мере, создает впечатление, что он учится и совершенствует свою игру, основываясь на опыте. Можно сказать, что изучение искусственного интеллекта началось здесь. Тогда, и до сих пор, мы следовали определению Тьюринга об искусственном интеллекте: «Компьютер можно считать разумным — если он может заставить нас поверить в то, что мы имеем дело не с машиной, а с человеком».

Основная концепция. Характер вопроса

Понятие искусственного интеллекта (далее ИИ), другими словами, и просто интеллекта, очень расплывчато. Термин «интеллект» происходит от латинского «intellectus» — что означает дух, интеллект, ум; мыслительные способности человека. Соответственно, искусственный интеллект — ИИ обычно интерпретируется как свойство автоматических систем выполнять отдельные функции интеллекта человека, такие как выбор и принятие оптимальных решений на основе ранее приобретенного опыта и рационального анализа внешних воздействий.

Мы будем ссылаться на способность мозга решать интеллектуальные проблемы путем приобретения знаний через опытное обучение и адаптацию к различным обстоятельствам, запоминание их и целенаправленное преобразование как способности. В этом определении термин «знание» означает не только информацию, которая поступает в мозг через органы чувств.

Этот вид знаний чрезвычайно важен, но не достаточен для интеллектуальной деятельности. Дело в том, что объекты нашего окружения обладают свойством не только воздействовать на органы чувств, но и находиться в определенных отношениях друг с другом. Понятно, что для осуществления интеллектуальной деятельности в окружающей среде (или, по крайней мере, для того, чтобы просто существовать) необходимо иметь модель этого мира в системе знаний. В этой информационной модели среды реальные объекты, их свойства и взаимоотношения между ними не только отображаются и хранятся, но и могут быть «целенаправленно преобразованы», как отмечается в данном определении интеллекта.

В этом случае важно, чтобы формирование экологической модели происходило «в процессе извлечения уроков из опыта и адаптации к различным обстоятельствам». Мы использовали термин «интеллектуальная задача». Чтобы объяснить разницу между интеллектуальной задачей и простой задачей, необходимо ввести термин «алгоритм» — один из краеугольных камней кибернетики. Алгоритм — это точная инструкция для выполнения в определенном порядке системы операций по решению любой задачи из определенного класса (набора) задач.

Термин «алгоритм» происходит от узбекского математика Аль-Хорезми, который в IX в. предложил простейшие арифметические алгоритмы. В математике и кибернетике класс задач определенного типа считается решенным, если указан алгоритм их решения. Поиск алгоритмов — естественная человеческая цель в решении различных классов проблем. Поиск алгоритма решения проблем определенного типа требует тонкого и сложного мышления, что требует большой изобретательности и высоких навыков. Принято считать, что такая деятельность требует участия человеческого интеллекта. Задачи, связанные с поиском алгоритма решения класса задач определенного типа, называются интеллектуальными.

Что касается задач, алгоритмов, решения которых уже определены, то, как отметил известный специалист ИИ М. Минск, «излишне приписывать им такие мистические свойства, как «интеллектуалность»». После того, как такой алгоритм уже найден, процесс решения соответствующих задач построен таким образом, что его может точно выполнить человек, компьютер (правильно запрограммированный) или робот, не имеющий представления о природе самой задачи. Все, что требуется — это чтобы человек, решающий задачу, был способен выполнять элементарные операции, являющиеся результатом процесса, и чтобы он также был педантичен и тщательно руководствовался предложенным алгоритмом.

Такой человек, который, как говорится в таких случаях, действует чисто автоматически, может успешно решить любую задачу данного типа. Поэтому представляется абсолютно естественным исключить их класс из интеллектуальных задач, для которых существуют стандартные методы решения. Примерами таких задач являются чисто вычислительные задачи: решение системы линейных алгебраических уравнений, численное интегрирование дифференциальных уравнений и др. Для решения таких задач существуют стандартные алгоритмы, которые представляют собой определенную последовательность элементарных операций и могут быть легко реализованы в виде программы для компьютера. Напротив, для широкого класса интеллектуальных задач, таких как распознавание образов, шахматы, доказательство теорем и т.д., такое формальное разделение процесса поиска решения на отдельные элементарные этапы часто бывает очень сложным, даже если само решение не является сложным.

Таким образом, можно перефразировать определение интеллекта как универсального суперрагоритма, способного создавать алгоритмы для решения конкретных задач.

Еще одно интересное замечание здесь заключается в том, что профессия программиста, исходя из наших определений, является одной из самых интеллектуальных, так как продуктом деятельности программиста являются программы — алгоритмы в чистом виде. Поэтому само создание элементов ИИ должно значительно повысить его производительность.

Деятельность мозга (с интеллектом), направленная на решение интеллектуальных проблем, мы будем называть мышлением или интеллектуальной деятельностью. Интеллект и мышление органично связаны с решением таких задач, как доказательство теорем, логический анализ, распознавание ситуаций, планирование поведения, игра и управление в условиях неопределенности. Характерными особенностями интеллекта, проявляющимися в процессе решения проблемы, являются умение учиться, обобщать, накапливать опыт (знания и навыки) и адаптироваться к изменяющимся условиям в процессе решения проблемы. Благодаря этим качествам интеллекта, мозг способен решать самые разнообразные проблемы и легко переходить от одной проблемы к другой. Таким образом, мозг, оснащенный интеллектом, является универсальным инструментом для решения разнообразных задач, для решения которых не существует единых, ранее известных методов.

Следует иметь в виду, что существуют и другие, чисто поведенческие (функциональные) определения. Таким образом, по мнению А.Н. Колмогорова, любая материальная система, с которой проблемы науки, литературы и искусства могут обсуждаться долгое время, обладает интеллектом. Другим примером поведенческой интерпретации интеллекта может служить известное определение А. Тьюринга. Его значение следующее. В разных комнатах есть люди и автомобиль. Они не могут видеть друг друга, но могут обмениваться информацией (например, по электронной почте). Если в процессе диалога между участниками игры люди не могут определить, что один из участников — это машина, то такую машину можно считать обладающей интеллектом. Тьюринг утверждал: «Компьютер можно считать разумным, если он может заставить нас поверить, что мы имеем дело не с машиной, а с человеком».

Кстати, план имитационного мышления, предложенный А. Тюрингом, интересен. «Пытаясь имитировать интеллект взрослого человека, — пишет Тьюринг, — мы должны много думать о процессе, который привел человеческий мозг в его современное состояние. Ведь если интеллект ребенка правильно воспитан, то в конечном итоге он становится интеллектом взрослого человека. Наш расчет заключается в том, что такое устройство можно легко запрограммировать…. Таким образом, мы разделяем нашу проблему на две части: задача построения «программного ребенка» и задача «воспитания» этой программы.

Если заглянуть в будущее, то можно сказать, что так используют почти все системы ИИ. Потому что понятно, что практически невозможно вложить все знания в достаточно сложную систему. Более того, только таким образом проявятся вышеупомянутые характеристики интеллектуальной деятельности (накопление опыта, адаптация и т.д.).

История развития искусственного интеллекта

Историю исследований и разработок систем искусственного интеллекта можно разделить на четыре этапа:

  1. Нейроны и нейронные сети (1950-е годы). Это связано с появлением первых машин с последовательным действием, с очень небольшими, по сегодняшним меркам, ресурсными возможностями по памяти, скорости и классам решаемых задач. Это были задачи чисто вычислительного характера, для которых были известны схемы решения и которые можно было описать на любом формальном языке. Адаптационные задачи также относятся к этому классу.
  2. Эвристический поиск (60-е годы). В «интеллект» машины были добавлены поисковые механизмы, сортировка, простые операции для обобщения информации, независимо от важности обрабатываемых данных. Он стал новым ориентиром в развитии и понимании задач автоматизации человеческой деятельности.
  3. Презентация знаний (1970-е годы). Ученые признали важность знаний (по объему и содержанию) для синтеза интересных алгоритмов решения проблем. В то же время мы имели в виду знания, с которыми математика не может работать, т.е. эмпирические знания, которые не имеют строго формального характера и обычно описываются в декларативной форме. Это знания специалистов из разных областей, врачей, химиков, исследователей и т.д. Этим знаниям было дано название «экспертные знания», и, соответственно, системы, которые работают на основе экспертных знаний, стали называться системными консультантами или экспертными системами.
  4. Учебные машины (80-е годы). Четвертая фаза развития ИИ стала прорывом. С появлением в мире экспертных систем начался принципиально новый этап развития интеллектуальных технологий — эра интеллектуальных систем. Консультанты, которые предлагали варианты решений, оправдывали их, умели учиться и развиваться, общались с человеком на знакомом, пусть и ограниченном, естественном языке.
  5. Автоматические обрабатывающие центры (90-е годы). Осложнение систем связи и решаемые задачи потребовали качественно нового уровня «интеллектуализации», обеспечивающего программные системы, такие системы как защита от несанкционированного доступа, информационная безопасность ресурсов, защита от атак, семантический анализ и поиск информации в сетях и др. А с новой парадигмы создания перспективных систем защиты всех видов стали интеллектуальные системы. Они позволяют создавать гибкие условия, в которых обеспечивается решение всех необходимых проблем.
  6. Робототехника (2000-е годы). Спектр применения роботов простирается от автономных газонокосилок и пылесосов до современных военных и космических технологий. Модели оснащены системой навигации и всевозможными периферийными датчиками.
  7. Одиночество (2008). Создание искусственного интеллекта и самовоспроизводящихся машин, интеграция человека с компьютерными машинами или значительный скачок возможностей человеческого мозга с помощью биотехнологий.

История развития искусственного интеллекта в СССР и России

СССР. Коллегиальный советник Семен Николаевич Корсаков (1787-1853) поставил задачу укрепления способностей разума путем разработки научных методов и приборов, отражающих современную концепцию искусственного интеллекта как усилителя естественного. В 1832 г. С.Н. Корсаков опубликовал описание пяти изобретенных им механических устройств, так называемых «умственных машин», для частичной механизации умственной деятельности в задачах поиска, сравнения и классификации. Впервые в истории информатики Корсаков использовал своеобразную базу знаний при проектировании своих машин.

В СССР работа в области искусственного интеллекта началась в 1960-х годах. Ряд новаторских исследований был проведен в Московском университете и Академии наук под руководством Вениамина Пушкина и в Академии наук. С начала 1960-х гг. коллеги М.Л. Цетлина разрабатывают вопросы, связанные с формированием конечных автоматов.

В 1964 году появилась работа Сергея Маслоу «Обратный метод установления противоречивости в классическом расчете предикатов», в которой он предложил первый метод автоматического поиска доказательств по теоремам при расчете предикатов.

В 1966 г. В.Ф. Турчин разработал язык рекурсивных функций.

До 1970-х годов все исследования ИИ в СССР проводились в этих рамках. Согласно докладу, науки «информатики» и «кибернетики» в то время смешались из-за ряда академических споров. И только в конце 1970-х годов СССР начал говорить о научном направлении «искусственного интеллекта» как о разделе. В то же время родилась сама информатика, которая подчинила «кибернетику» своему предку. Термин «информатика» распространился в 1980-х годах, а термин «кибернетика» постепенно исчез из обращения, оставаясь лишь в названиях тех учреждений, которые были созданы в период «кибернетического бума» конца 1950-х — начала 1960-х годов. Этот взгляд на искусственный интеллект, кибернетику и информатику разделяют не все. Это связано с тем, что на Западе границы этих наук несколько отличаются.

Россия. В настоящее время «искусственный интеллект» является мощной отраслью компьютерной науки, которая имеет как фундаментальные, так и чисто научные основы и высокоразвитые технические и прикладные аспекты, связанные с созданием и функционированием функциональных моделей интеллектуальных систем. Важность этой работы для развития вычислительной техники настолько велика, что от ее успеха зависит появление нового компьютера 5-го поколения.

Самым выдающимся достижением российской IT-индустрии за последнее десятилетие стало создание программы «Евгений». Российские специалисты первыми в мире приблизились к созданию компьютерной программы, которая является настоящим искусственным интеллектом. Как сообщает ИТАР-ТАСС, программа «Евгений», разработанная ИТАР-ТАСС со ссылкой на BBC, выиграла международный научный конкурс кибернетического интеллекта (Turing Test Marathon) в Англии, причем только 0,8 процента провалились на знаменитом Turing Test.

Проблема представления знаний в искусственном интеллекте

Главной характеристикой интеллектуальных систем является то, что они основаны на знаниях, а точнее, на части их представления. Под знаниями здесь понимается хранимая (с помощью компьютера) информация, формализованная по некоторым правилам, которую компьютер может использовать при вынесении логического заключения о тех или иных алгоритмах.

Самой основной и важной проблемой является описание семантического содержания проблем различного рода, т.е. должна использоваться такая форма описания знаний, которая обеспечивает правильную обработку содержания по некоторым формальным правилам. Эта проблема называется проблемой представления знаний.

В настоящее время наиболее известны четыре подхода к представлению знаний в обсуждаемых системах:

  1. Модель производства;
  2. Логическая модель;
  3. Сематические сети;
  4. Фрейм.

Правила пользования продуктом — это самый простой способ представления знаний. Она основана на представлении знаний в виде правил, структурированных по шаблону «if to». Часть правила «if» называется пакетом, а «to» — заключением или действием. Как правило, правило пишется следующим образом: Если А1, А2, …, А — В. Такое предложение означает, что «если все условия из пункта А в пункт А верны, то и пункт В верен» или «если все условия из пункта А в пункт А верны, то пункт В должен быть выполнен».

Основная идея подхода к построению логических моделей представления знаний — вся информация, необходимая для решения прикладных задач, рассматривается как совокупность фактов и высказываний, которые представляются в определенной логике в виде формул. Знания представлены в виде набора таких формул, а получение новых знаний сводится к реализации процедур логического вывода.

Семантическая сетевая информационная модель предметной области в виде ориентированного графика, пики которого соответствуют объектам предметной области, а дуги (края) определяют связь между ними. Объектами могут быть понятия, события, свойства, процессы. Название объединяет термины из двух наук: Семантика в лингвистике изучает значение языковых единиц, а сеть в математике представляет собой своеобразный граф — совокупность вершин, соединенных дугами (рёбрами), которым присваивается определённое число. В семантической сети роль вершин берут на себя термины базы знаний, а дуги (и направленные) определяют отношения между ними. Таким образом, семантическая сеть отражает семантику предметного домена в виде терминов и отношений.

Рамка — это модель абстрактной картины, наименьшее описание сути любого объекта, явления, события, ситуации, процесса. Структура кадра означает способ применения схемы, типичную последовательность действий, ситуационную модификацию кадра. Среди прочего, кадр содержит определенное знание, которое называется по умолчанию. Рамка характеризуется наличием определенной структуры, она состоит из названия и отдельных единиц, так называемых слотов. Представления фрейма объектно-ориентированы в том же смысле: все факты и свойства, связанные с концепцией, размещены в одном месте, так что нет необходимости тратить ресурсы на исследование баз данных.

Проблема представления знаний состоит в несоответствии имеющихся у эксперта данных о зависимостях данной области, методов, используемых им при решении задач, и возможностей формального (явно ограниченного) представления такой информации в компьютере. Зачастую проблема осложняется тем, что эксперту трудно четко сформулировать имеющиеся у него знания.

Различные подходы к созданию систем искусственного интеллекта

Исторически сложилось три основных направления в моделировании ИИ.

При первом подходе объектом исследования является структура и механизмы человеческого мозга, а конечной целью является раскрытие секретов мысли. Необходимыми этапами исследований в этом направлении являются построение моделей на основе психофизиологических данных, проведение экспериментов с ними, выдвижение новых гипотез о механизмах интеллектуальной деятельности, совершенствование моделей и др.

Второй подход рассматривает КИ в качестве субъекта расследования. Здесь речь идет о моделировании интеллектуальной деятельности с помощью вычислительных машин. Целью работы в этом направлении является создание алгоритмов и программного обеспечения вычислительных машин, позволяющих решать интеллектуальные задачи не хуже человека.

Наконец, третий подход сосредоточен на создании смешанных человеко-машинных систем, или, как говорится, интерактивных интеллектуальных систем, на симбиозе естественного и искусственного интеллекта. Основными проблемами в этих исследованиях являются оптимальное распределение функций между естественным и искусственным интеллектом и организация диалога между человеком и машиной.

Существуют различные подходы к проектированию систем ИИ. Это разделение не является историческим, когда одно мнение постепенно заменяет другое, и различные подходы существуют и сегодня. Кроме того, нельзя сказать, что какой-либо один подход является правильным, поскольку полных систем еще не существует. Давайте сначала вкратце рассмотрим логический подход. Почему оно появилось? В конце концов, человек занят не только логическим мышлением. Это утверждение, безусловно, верно, но именно способность логически мыслить отличает человека от животного.

Основой этого логического подхода является булева алгебра. Каждый программист знаком с ним и логическими операторами с тех пор, как освоил оператор ПЧ. Булева алгебра получила дальнейшее развитие путем вычисления предикатов, расширяя ее путем введения предметных символов, отношений между ними, квантов существования и универсальности. Почти каждая система ИИ, основанная на логическом принципе, является машиной, доказывающей теоремы. В этом случае исходные данные хранятся в БД в виде аксиомы, правила логического вычитания — как соотношение между ними. Кроме того, каждая такая машина имеет блок генерации мишеней, а выходная система пытается доказать эту мишень как теорему. Как только цель доказана, отслеживание применяемых правил позволяет получить цепь действий, необходимых для достижения цели. Производительность такой системы определяется возможностями генератора мишеней и машины, доказывающей теоремы.

Конечно, можно сказать, что смысла алгебровых выражений недостаточно для полной реализации AI, но стоит помнить, что основой всех существующих компьютеров является немного — ячейка памяти, которая может принимать только значения 0 и 1. Поэтому логично предположить, что все, что может быть реализовано на компьютере, может быть реализовано в виде логики предикатов. Хотя там ничего не сказано о том, сколько времени это займет.

Такое относительно новое направление, как нечеткая логика, позволяет более выразительно использовать логический подход. Главное отличие состоит в том, что в него можно включить правдивость утверждения, за исключением «да/нет» (1/0), а также о межпозвоночных значениях — я не знаю (0,5), пациент больше жив, чем мертв (0,75), пациент больше мертв, чем жив (0,25). Такой подход больше соответствует тому, как человек думает, так как он редко отвечает только на вопросы «да» или «нет». Однако верно и то, что принимаются только ответы на классическую булевскую алгебру.

Большинство логических методов требуют очень много времени, потому что при поиске доказательств можно искать весь спектр возможностей. Поэтому такой подход требует эффективной реализации процесса вычислений, и хорошая работа, как правило, гарантируется при относительно небольшом размере базы данных.

Под структурным подходом мы имеем в виду попытки построить ИИ путем моделирования структуры человеческого мозга. Одной из первых таких попыток был персептрон Фрэнка Розенблата. Наиболее важной смоделированной структурной единицей в персептронах (как и в большинстве других возможностей моделирования мозга) является нейрон.

Позже появились другие модели, обычно называемые «нейронными сетями» (НС). Эти модели различаются структурой отдельных нейронов, топологией связей между ними и алгоритмами обучения. Среди наиболее известных на сегодняшний день вариантов HS — сети Hopfield, стохастические нейронные сети с обратным распространением ошибок.

NA наиболее успешно используются для решения задач распознавания образов, даже с очень шумными изображениями, но есть и примеры их успешного применения при проектировании реальных систем ИИ.

Модели, основанные на мотивах человеческого мозга, характеризуются низкой значимостью, простым распараллеливанием алгоритмов и связанной с этим высокой производительностью АН, реализуемой параллельно. Более того, такие сети характеризуются свойством, которое приближает их очень близко к человеческому мозгу — нейронные сети также работают в условиях неполной информации об окружающей среде, т.е. могут ответить, как человек, не только «Да» и «Нет», но и «Я не знаю точно», а скорее «Да».

Эволюционный подход также стал довольно распространенным. При построении систем ИИ в соответствии с данным подходом основное внимание уделяется построению исходной модели, и правил, согласно которым она может меняться (развиваться). И модель может быть построена различными методами, это может быть и АН, и набор логических правил, и любая другая модель. Затем мы включаем компьютер, и он выбирает лучшие из них, на основе которых, согласно различным правилам, генерируются новые модели, из которых, в свою очередь, выбираются лучшие, и так далее.

В принципе, можно сказать, что эволюционных моделей как таковых не существует, существуют только эволюционные алгоритмы обучения, но модели, полученные с помощью эволюционного подхода, имеют некоторые характерные особенности, что позволяет выделить их в отдельный класс.

Такими особенностями являются перенос основной работы разработчика из построения модели на алгоритм ее модификации и то, что полученные модели практически не сопровождают извлечение новых знаний об окружающей среде системы ИИ, то есть она становится как вещь сама по себе.

Другим широко распространенным подходом к построению систем ИИ является имитация. Этот подход является классическим подходом кибернетики с одним из ее основных понятий — «черным ящиком» (CH). Черный ящик — это устройство, программный модуль или набор данных, в котором полностью отсутствует информация о внутренней структуре и содержании, но известны спецификации входных и выходных данных. Объект, поведение которого моделируется, является именно таким «черным ящиком». Для нас не имеет значения, что в нем есть и как работает модель, главное, чтобы наша модель вела себя в подобных ситуациях.

Поэтому здесь моделируется другая характеристика человека — способность копировать то, что делают другие, не вдаваясь в подробности о том, зачем это нужно. Эта способность часто экономит ему много времени, особенно в начале жизни.

Основным недостатком имитационного подхода является также низкая информационная емкость большинства моделей, построенных с его помощью. искусственный интеллект Решение задач

Есть очень интересная идея в связи с черным ящиком. Представьте, что за нами наблюдает устройство, которое, скажем, следит за тем, что мы делаем. Продолжается наблюдение за ценностями, которые приходят к нам на входе, и за ценностями, которые приходят от нас. Итак, здесь человек ведет себя как типичный Чёрный ящик. Затем это устройство пытается построить модель так, чтобы при получении определенных сигналов на входе человека оно выводило те же данные, что и человек. Если эта идея когда-нибудь будет реализована, то такая модель будет для всех аутсайдеров одним и тем же человеком, что и реальный человек. И после своей смерти он будет выражать те мысли, которые, вероятно, будут высказаны смоделированным человеком.

Сознание — это относительно небольшая надстройка нашего подсознания, которая контролирует активность некоторых мозговых центров, таких как речевой центр, окончательную обработку зрительных образов, а затем «возвращает» эти образы к начальным этапам обработки этой информации. В то же время эти образы перерабатываются так, как если бы мы могли видеть и слышать то, о чем думает наш мозг. В то же время существует возможность ментального моделирования окружающей действительности при нашем «активном» участии в этом процессе. И именно процесс наблюдения за деятельностью этих немногих центров мы называем сознанием. Когда мы «видим» и «слышим» наши мысли, мы находимся в сознательном состоянии; когда мы этого не делаем, мы находимся в бессознательном состоянии.

Если бы мы могли смоделировать работу этих очень немногих «сознательных» нервных центров как одного черного ящика, а работу «начальника» как другого черного ящика, то, конечно, можно было бы сказать: «Да, эта модель думает, и я тоже думаю». Но неизвестно, как получить данные о работе этих нервных центров, потому что сегодня нет ничего, что позволило бы нам годами контролировать человеческий мозг, не влияя на его работу и жизнь.

Хочу отметить, что на практике между ними не очень четкая грань. Очень часто существуют смешанные системы, в которых часть работы выполняется одним типом, а часть — другим способом.

Примеры реальных исследований в области искусственного интеллекта

ИИ в Японии. Среди областей, более популярных в Японии по сравнению с европейскими и американскими школами ИИ, отметим следующие Создание и моделирование электронных рынков и аукционов, биоинформатика (электронные модели клеток, анализ белковой информации на параллельных компьютерах, компьютерах с ДНК), обработка естественного языка (самообучение многоязычным системам распознавания и понимания смысла текстов), Интернет (интеграция сети и всех типов датчиков реального времени в жилых зданиях, интеллектуальные интерфейсы, Автоматизация рутинной работы на основе формализации прикладных и системных концепций Интернета, итеративных технологий извлечения необходимых данных из больших объемов данных), робототехники (машинное обучение, эффективное взаимодействие автономных устройств, организация движений, навигация, планирование действий, индексация информации, характеризующей движение), способов представления и обработки знаний (повышение качества знаний, методы получения знаний от человеческих специалистов, раскопки и поиск данных, решение реальных задач на этой основе — например, документооборот).

ИИ в США Исследования в нейронных сетях, которые дают хорошие (хотя и приблизительные) результаты для решения сложных управленческих задач, часто финансируются военным научным агентством DARPA. Пример — проект SmartSensorWeb, который предполагает организацию распределенной сети из различных датчиков, работающих синхронно на поле боя. Каждый объект в такой сети является источником данных — визуальных, электромагнитных, цифровых, инфракрасных, химических и др. Осуществляется автоматическое определение цели, анализ и прогнозирование отказов оборудования, вызванных отклонениями от типичных рабочих параметров (например, от шума). Все высокоточное оружие основано на разработках, связанных с технологиями обработки изображений.

В средствах массовой информации часто можно прочитать о предстоящих сражениях самоходных армий роботов и беспилотных летательных аппаратов. Однако существует ряд нерешенных научных проблем, которые не позволят превратить подобные прогнозы в реальность в ближайшие десятилетия. Прежде всего, это недостатки систем автоматического распознавания, которые не способны корректно анализировать видеоинформацию в режиме реального времени. Не менее актуальными являются проблемы разрешения конфликтов в крупных сообществах автономных устройств, абсолютно точное распознавание собственных и чужих целей, выбор целей для уничтожения, алгоритмы поведения в незнакомой среде и т.д. Поэтому на практике военные пытаются достичь более мелких целей.

Значительные усилия вкладываются в исследования в области распознавания речи, создаются экспертные и консультативные системы для автоматизации рутинных задач и снижения нагрузки на пилотов. Нейронные сети эффективно используются для обработки сигналов гидролокатора и для различения ловушек и мин. Генетические алгоритмы используются в эвристическом поиске решений уравнений, определяющих работу военной техники (системы ориентации, навигации), а также в задачах распознавания — для разделения искусственных и естественных объектов, обнаружения типов военной техники, анализа изображений с камер низкого разрешения или инфракрасных датчиков.

Анализ искусственного интеллекта

Сначала кратко обсудим наиболее активно развивающиеся подходы ИИ — в порядке их популярности среди экспертов. Следует отметить, что более низкая популярность зачастую связана не столько с потенциалом технологии, сколько с отдаленностью перспектив ее применения (например, чрезвычайно высокий потенциал кибер-инсталляций пока не представляет серьезного интереса, так как существует много нерешенных проблем в их управлении).

Нейронные сети. Это направление в первую очередь стабильно. Дальнейшее совершенствование алгоритмов обучения и классификации в реальном времени, обработки естественного языка, распознавания образов, речи и сигналов, а также удобных интеллектуальных моделей интерфейсов. Основные задачи приложения, решаемые с помощью нейронных сетей, включают в себя финансовое прогнозирование, выемку данных, диагностику системы, контроль сетевой активности, шифрование данных. В последние годы активизировался поиск эффективных методов синхронизации работы нейронных сетей на параллельных устройствах.

Эволюционные вычисления. На развитие сферы эволюционных вычислений (ЭВ; автономное и адаптивное поведение компьютерных приложений и роботизированных устройств) значительное влияние оказали, главным образом, инвестиции в нанотехнологии. Вычисление включает в себя практические задачи самосборки, самоконфигурации и самовосстановления систем, состоящих из множества одновременно функционирующих узлов. В то же время можно применять научные достижения в области цифровых автоматов.

Другим аспектом телевидения является использование автономных агентов в качестве личных секретарей, которые управляют личными учетными записями, помощников, которые используют алгоритмы поиска третьего поколения в сетях для подбора необходимой информации, планировщиков работы, личных преподавателей, виртуальных продавцов и т.д., для решения повседневных задач. Сюда также относится робототехника и все связанные с ней области. Основными направлениями развития являются разработка стандартов, интеллектуальных оболочек, скриптовых/запросных языков, методов эффективного взаимодействия программ и человека. Автономные модели поведения должны активно внедряться во все виды бытовой техники, способной убирать помещения, заказывать и готовить еду, управлять автомобилем и т.д.

В будущем команды автономных агентов будут использоваться для решения сложных задач (быстрое исследование сетевого контента, большие массивы данных, например, геномные). Для этого необходимо будет изучить возможные направления развития таких коллективов, планирование совместной работы, способы коммуникации, самообучение группы, совместное поведение в расплывчатых средах с неполной информацией, коалиционное поведение агентов, объединяющихся «по интересам», научиться решать конфликты взаимодействия и т.п.

Социальные аспекты особенные — как общество будет на практике работать с такими сообществами интеллектуальных программ.

Рейтинги с трех до пяти (по популярности) занимают большие группы различных технологий.

Нечеткая логика. Нечеткие логические системы наиболее активно используются в гибридных системах управления.

Обработка изображений. Мы продолжим разработку методов представления и анализа изображений (сжатие, кодирование при передаче с помощью различных протоколов, обработка биометрических изображений, спутниковых снимков), не зависящих от устройств воспроизведения, оптимизацию цветопередачи на экране и на распечатке, распределенные методы получения изображений.

Дальнейшее развитие получит средства поиска, индексирования и анализа смысла изображений, согласования содержания вспомогательных каталогов в автоматической каталогизации, организации защиты от копирования, а также машинного зрения, алгоритмов распознавания и классификации изображений.

Экспертные системы. Спрос на экспертные системы остается на достаточно высоком уровне. Сегодня наибольшее внимание уделяется системам принятия решений в режиме, близком к реальному времени, средствам хранения, извлечения, анализа и моделирования знаний, системам динамического планирования.

Интеллектуальные приложения. Растущее число интеллектуальных приложений, способных быстро находить оптимальные решения комбинаторных проблем (например, возникающих на транспорте), связано с ростом производства и промышленности в развитых странах.

Распределенные вычисления. Распространение компьютерных сетей и создание высокопроизводительных кластеров вызвали интерес к вопросам, связанным с распределенными вычислениями — балансировкой ресурсов, оптимальным использованием процессоров, самонастройкой устройств с максимальной эффективностью, отслеживанием элементов, которые необходимо обновлять, выявлением несоответствий между объектами в сети, диагностикой корректного функционирования программ, моделированием таких систем.

ОПЕРАЦИОННАЯ СИСТЕМА РВ. Появление автономных роботизированных устройств повышает требования к операционным системам реального времени — организация процессов самооптимизации, планирование работ по техническому обслуживанию, использование инструментов ИИ для принятия решений в сжатые сроки.

Интеллектуальная технология. В последние годы особый интерес к ИИ проявляют компании, занимающиеся организацией разработки крупных программных систем (программной инженерией). Все чаще методы ИИ используются для анализа исходного кода и понимания его значения, для управления требованиями, разработки спецификаций, проектирования, кодировки, проверки, тестирования, оценки качества, выявления возможности повторного использования, решения задач на параллельных системах. Программная инженерия постепенно трансформируется в так называемую интеллектуальную инженерию с учетом более общих проблем представления и обработки знаний (до сих пор основные усилия в интеллектуальной инженерии сосредоточены на способах преобразования информации в знания).

Самоорганизующаяся СУБД. Самоорганизующаяся СУБД сможет гибко адаптироваться к профилю конкретной задачи и не потребует администрирования.

Следующая по популярности группа по технологиям ИИ.

Автоматический анализ природных языков (лексический, морфологический, терминологический анализ, идентификация неизвестных слов, распознавание национальных языков, перевод, исправление ошибок, эффективное использование словарей).

Высокопроизводительный OLAP-анализ и извлечение данных, методы визуального запроса.

Медицинские системы, которые советуют врачам в чрезвычайных ситуациях, роботы для выполнения точных операций во время хирургического вмешательства.

Создание полностью автоматизированных киберзаводов, гибкое производство с экономией затрат, быстрое создание прототипов, планирование работ, синхронизация цепей поставок, авторизация финансовых операций посредством анализа профиля пользователя.

Небольшое количество конференций посвящено разработке прикладных методов решения конкретных производственных задач в области финансов, медицины и математики.

Традиционно существует большой интерес к ИИ среди разработчиков игр и развлечений (это отдельная тема). Новые направления в их исследованиях включают моделирование социального поведения, коммуникации, человеческих эмоций и творчества.

Проблема развития искусственного интеллекта

Проблемы искусственного интеллекта, связанные с ресурсами. Эйфория, связанная с первыми практическими успехами в области ИИ, довольно быстро угасла, так как оказалось, что перейти от исследований на экспериментальных компьютерных моделях к решению прикладных задач в реальном мире гораздо труднее, чем предполагалось. Специалисты со всего мира обратили внимание на трудности такого перехода, и после детального анализа выяснилось, что практически все проблемы связаны с нехваткой ресурсов двух видов: Компьютеры (вычислительная мощность, емкость оперативной и внешней памяти) и человеческие ресурсы (наукоемкое развитие интеллектуального программного обеспечения требует привлечения ведущих специалистов из различных областей знаний и организации долгосрочных исследовательских проектов).

На сегодняшний день первый тип ресурса достиг (или достигнет в ближайшие пять-десять лет) уровня, позволяющего системам ИИ решать очень сложные практические задачи для человека. Но ситуация в мире еще хуже для ресурсов второго типа — именно поэтому достижения в области ИИ обычно ассоциируются с небольшим количеством ведущих центров ИИ в крупных университетах.

Во всех этих направлениях основные трудности связаны с тем, что принципы интеллектуальной деятельности человека, принятия решений и решения проблем недостаточно изучены и поняты. В принципе, необходимо понимать, что такое «понимание», «мышление». Если в 1960-е годы вопрос «Может ли компьютер думать» широко обсуждался, то теперь он ставится по-другому: «Понимает ли человек, как он думает достаточно хорошо, чтобы перенести эту функцию на компьютер». По этой причине работа в области искусственного интеллекта тесно связана с исследованиями в соответствующих областях психологии, физиологии и лингвистики.

Заключение

Искусственный интеллект — это научное направление, связанное с машинным моделированием интеллектуальных функций человека.

Термин искусственный интеллект обычно используется для описания способности компьютерной системы выполнять задачи, присущие человеческому интеллекту, такие как логический вывод и задачи обучения.

Любая проблема, алгоритм которой не известен заранее или данные которой неполные, может быть связана с проблемами ИИ. Это касается, например, игры в шахматы, чтения текста, перевода текста на другой язык и т.д.

Системы, т.е. программы, выполняющие действия по решению задачи, могут быть отнесены к ИИ, если результат их деятельности аналогичен результату действия человека по решению той же задачи. Поэтому к AI можно добавить различные программные средства: системы распознавания текста, автоматизированное проектирование, программы самообучения и т.д. Но не только по этой причине, но и потому, что они работают с человеком по схожим принципам.

Существуют два перспективных основных направления в исследованиях ИИ. Первое — приблизить системы ИИ к человеческому мышлению. Второе — это создание ИИ, т.е. интеграция уже созданных систем ИИ в единую систему, способную решать человеческие проблемы.

Освоив цель обобщения — взглянуть на процесс развития ИИ — можно сказать, что создание искусственного интеллекта, как полного, так и неполного, содержит в себе множество проблем. Как на пути к его созданию, так и после.

Проанализировав прогресс развития ИИ в мире, мы узнали о проблемах, возникших в процессе развития ИИ, и продумали методы их решения, что привело нас к тому, что на пути к созданию ИИ существуют как ограниченные ресурсы, так и недостаточные знания в этой области, проблема общей целесообразности и многие другие технические проблемы. Однако при создании ИИ, сопоставимого с человеческим организмом, существует ряд проблем.

Сначала утрата человеком интереса к творчеству в случае его замены, а затем полная деградация человека. Но, с другой стороны, творчество должно приносить удовольствие человеку, и он не должен от него отказываться. Проблема друга тоже возможна: при полном изобилии ресурсов общество теряет свою структуру, человек становится обезличенным и перестает развиваться на протяжении жизни.

Во-вторых, это возможность ошибок или сбоев ИИ в областях, где ошибки могут быть фатальными для всего человечества. Это, например, национальная оборона или энергетика. В любом случае, человек сам решает, например, начать ли войну или устранить неисправность электростанции. В конце концов, каждый человек может выйти из-под контроля, так же как и ИИ в своем образе.

Список литературы

  1. Ноткин Л.И. Искусственный интеллект и проблемы обучения / Л.И. Ноткин — М. КомКнига, 1995.
  2. Винер Н. Кибернетика / Н. Винер — М.: Наука, 1984.
  3. Эндрю А. Искусственный интеллект/А. Эндрю — М. Мир, 1982.
  4. Салютин С.М. Искусственный интеллект / С.М. Салютин — М.: Мысли, 1984.
  5. Венда В.Ф. Системы гибридного интеллекта / В.Ф. Венда — М.: Машиностроения, 1993.
  6. Ф. Воссерман Нейрокомпьютерная техника: теория и практика / Ф. Воссерман; пер. Английский — М.: Мир, 1994.