Практически каждая система ИИ, 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). 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 машины доказательства теорем. Можно утверждать, что выражений алгебры не хватит для полноценной реализации ИИ, но стоит вспомнить, что основой всех существующих ЭВМ является бит – единица информации (или значение ячейки памяти), которая может принимать значения только логического 0 и 1. Было бы логично предположить, что всё, что возможно реализовать на ЭВМ, можно было бы реализовать и в виде логики предикатов. Хотя здесь ничего не упоминается о том, сколько на это уйдёт времени. Добиться большей выразительности логическому подходу позволяет такое сравнительно новое направление, как нечёткая логика. Её особенностью является то, что правдивость высказывания может принимать кроме значений да/нет (1/0) ещё и промежуточные значения – «не знаю» (0.5), «скорее да, чем нет» (0.75) и «скорее нет, чем да» (0.25). Такой подход больше похож на мышление человека, поскольку человек не часто отвечает только «да» или «нет».
Для большинства логических методов характерна большая трудоёмкость, поскольку во время поиска доказательства возможен полный перебор вариантов. Данный подход требует эффективной реализации вычислительного процесса, и удовлетворительные результаты работы обычно гарантируются только при сравнительно небольшом размере базы данных.
Под структурным подходом подразумеваются попытки построения ИИ путём моделирования структуры человеческого мозга. Одной из первых таких попыток был перцептрон Ф. Розенблатта. Основной моделируемой структурной единицей в перцептронах (как и в большинстве других вариантов моделирования мозга) является нейрон. Позднее возникли и другие модели, известные под общим названием «нейронные сети» (НС). Модели эти различаются по строению отдельных нейронов, по топологии связей между ними и по алгоритмам обучения. Среди наиболее известных вариаций НС можно назвать НС с обратным распространением ошибки, сети Хопфилда и стохастические нейронные сети.
Нейронные сети наиболее успешно применяются в задачах распознавания образов, в том числе сильно зачумленных (нечётких). Также имеются примеры успешного применения НС для построения собственно систем ИИ.
Для моделей, построенных на основе строения человеческого мозга характерна не слишком большая выразительность, оприделённое распараллеливание алгоритмов и, благодаря последнему, высокая производительность параллельно реализованных НС. Для таких сетей характерно одно свойство, которое делает из очень схожими с человеческим мозгом – нейронные сети работают даже при условии недостаточной информации об окружающей среде, т.е. как и человек, они поставленный вопрос могут отвечать не только «да» и «нет» но и «не знаю точно, но скорее нет», «не знаю точно, но скорее да».
Довольно большое распространение получил эволюционный подход. При построении систем ИИ по такому подходу, основное внимание уделяется построению начальной модели и правилам, по которым она (модель) может изменяться (эволюционировать). Модель может быть составлена по самым различным методам, это могут быть и НС и набор логических правил и любая другая модель. После этого мы запускаем ИИ, 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.
Эволюционных моделей, как таковых, не существует, есть 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 основного внимания разработчика с построения модели на алгоритм её модификации и то, что полученные модели практически не сопутствуют извлечению новых знаний о среде, окружающей систему ИИ, то есть она (система) становится «вещью в себе».
Широко используется для построения систем ИИ также имитационный подход. Данный подход является классическим для кибернетики с одним из её базовых понятий – «чёрным ящиком» (ЧЯ). Чёрный ящик – это устройство, программный модуль или набор данных, информация о внутренней структуре и содержании которого отсутствуют, но известны спецификации входных и выходных данных. Объект, поведение которого имитируется, как раз и представляет собой такой «черный ящик». Не важно, что у него внутри и как он функционирует, главное, чтобы наша модель в аналогичных ситуациях вела себя точно так же. Таким образом моделируется другое свойство человека – способность копировать то, что делают другие, не вдаваясь в подробности, зачем это нужно. Зачастую эта способность экономит человеку массу времени, особенно в начале его жизни. К недостаткам имитационного подхода можно отнести низкую информационную способность большинства моделей, построенных с его помощью.
Отдельно стоит отметить, что на практике четкой границы между разными подходами нет. Часто встречаются смешанные системы ИИ, где часть работы выполняется по одной методике, а часть – по другой. [5]
3. Проблемы создания ИИ
Анализ проблемы искусственного интеллекта открывает роль таких философских познавательных орудий, как категории, специфическая семиотическая система, логические структуры, ранее накопленное знание. Всё это обнаруживаются не посредством исследования физиологических или психологических механизмов познавательного процесса, но выявляется в знании, в его языковом выражении. Орудия познания, формирующиеся, в конечном счёте на основе практической деятельности, необходимы для любой системы, выполняющей функции абстрактного мышления, независимо от её конкретного материального субстрата и структуры. Поэтому, чтобы создать систему, выполняющую функции абстрактного мышления (т. е. в конечном счёте, формирующую адекватные схемы внешних действий в существенно меняющихся средах) необходимо наделить такую систему этими орудиями. Развитие систем ИИ за последние время как раз идёт по этому пути. Степень продвижения в данном направлении в отношении каждого из указанных познавательных орудий разная, но в целом пока, увы, незначительна.
В наибольшей мере системы ИИ используют формально-логические структуры, что обусловлено их неспецифичностью для мышления и, в сущности, алгоритмическим характером. Это дает возможность относительно легкой их технической реализации. Но даже здесь кибернетике предстоит пройти большой путь. В системах искусственного интеллекта ещё слабо используются модальная, императивная, вопросная и иные логики, которые функционируют в человеческом интеллекте, и не менее необходимы для успешных познавательных процессов, чем давно освоенные логикой, а затем и кибернетикой формы выводов. Повышение «интеллектуального» уровня технических систем, безусловно, связано не только с расширением применяемых логических средств, но и с более интенсивным их использованием – проверка информации на непротиворечивость, конструирования планов вычислений и т. п.
Сложнее обстоит дело с семиотическими системами, без которых интеллект невозможен в принципе. Языки, используемые в ЭВМ, ещё далеки от семиотических структур, которыми оперирует мышление. Прежде всего, для решения ряда задач, необходимо последовательное приближение семиотических систем, которыми наделяется ЭВМ, к естественному языку, точнее, к использованию его ограниченных фрагментов. В этом плане предпринимаются попытки наделить входные языки ЭВМ универсалиями языка, например, полисемией (которая элиминируется при обработке в лингвистическом процессоре). Уже разработаны проблемно-ориентированные фрагменты естественных языков, достаточные для решения системой ряда практических задач. Наиболее важным итогом такой работы является создание семантических языков (и их формализация), в которых слова-символы имеют определенную интерпретацию.
Многие универсалии естественных языков, необходимые для выполнения ими познавательных функций, в языках ИИ пока реализованы слабо (например, открытость) или используются ограниченно (например, полисемия). Все чаще воплощение в семиотических системах универсалий естественного языка, обусловленных его познавательной функцией, выступает одной из важнейших линий совершенствования систем ИИ, особенно тех, в которых проблемная область заранее чётко не определена.
Сегодня системы искусственного интеллекта способны осуществлять перевод с одномерных языков на многомерные. В частности, они могут строить диаграммы, схемы, чертежи, графы, чертить на экране кривые и т. п. ЭВМ производят и обратный перевод (описывают графики и тому подобное с помощью символов). Такого рода перевод является существенным элементом интеллектуальной деятельности. Правда современные системы ИИ пока не способны к непосредственному (без перевода на символический язык) использованию изображений или воспринимаемых сцен для «интеллектуальных» действий. Поиск путей глобального, а не локального, оперирования информацией составляет одну из важнейших и задач теории искусственного интеллекта.