Эволюция биологических систем и проблема построения «сильного» (динамического) искусственного интеллекта

Как представляло себе «сильный» ИИ первое поколение кибернетиков и программистов (50-е, 60-е годы прошлого века)? «Cильный» ИИ == «живой ИИ» (одухотворённая машина). Эпоха романтического энтузиазма (например, Марвин Мински собирался решить проблему машинного зрения за одно лето). Что в итоге получилось? =>

Основные типы систем ИИ, реализованные на сегодняшний день Эвристические системы ИИ (автоматическое доказательство теорем, первые программы для игры в шахматы, программы распознавания в узкоспециализированных областях типа отпечатков пальцев и т.д.) Обучаемые системы ИИ (экспертные системы (MYCIN и пр.), базы знаний (CYC и пр.), классические системы распознавания с учителем и т.д.) Узкоспециализированные самообучающиеся системы, основанные на фиксированном поле концепций (программа для игры в шашки Самуэля, продвинутые роботы-пылесосы и т.д.) Самообучающиеся системы распознавания широкого профиля, основанные на имитации принципов работы нейрокортекса (модель Иерархической Временной Памяти Хокинса) Что общее у всех этих систем? – они не способны к моделям поведения, не предусмотренным априори программистом (например, к переходу на другой метасистемный уровень управления или обучению решению новой задачи).

Основные причины, препятствующие появлению «сильного» ИИ Большинство исследований и разработок имеют ярко выраженный узкоспециализированный характер и изначально не предполагают дальнейшего расширения и развития Требования заказчика к предсказуемости и воспроизводимости поведения системы, проблемы юридической ответственности за возможные ошибки Узкоспециализированная система ИИ как правило работает быстрее системы общего назначения и гораздо дешевле в разработке (от добра добра не ищут) Отсутствие общепринятой концепции построения универсальных систем ИИ

Факторы, способствующие эволюции земной биоты в сторону усложнения и её «поумнению» Изменение внешних условий (доступность хим. элементов, температура и влажность внешней среды и т.д.) Конкуренция за доступ к энергетическим ресурсам, положительные обратные связи в пищевых цепочках экосистем (взаимоотношения хищник-жертва и т.д.) Эволюционное давление, направленное на наибольшую «интеллектуализацию» организмов при наименьших энергетических затратах (всегда ищется не абсолютно идеальное решение, а решение, обеспечивающее выживаемость при минимальных энергетических затратах)

Основные принципы построения оптимального «сильного» ИИ Постепенное, но постоянное усложнение «внешней среды» - уровень сложности задач, решаемых ИИ должен всё время находиться на грани его текущих возможностей Постоянная конкуренция с человеком и/или другими (альтернативными) системами ИИ, либо со своими мутационными копиями, что позволит создать максимально информационно насыщенную внешнюю среду Применение принципа МДО для оптимизации систем ИИ Использование решений и схем, уже по крайней мере дважды подтвердивших свою эффективность в процессе прогрессивной эволюции биосферы =>

Интеллект эволюции – аппаратная база Генные сети, включая имунную систему (количество элементов в одном организме – до нескольких десятков тысяч, характерное время реакции – минуты, характерное время обновления информации – от десятков минут до десятков лет) Нейронные сети (количество элементов в одном организме – до сотен миллиардов, характерное время реакции - милисекунды, характерное время обновления информации – десятки минут)

Минимальная сложность реально функционирующих биологических систем обработки информации Бактерия Mycoplasma genitalium содержит 521 протеин кодирующих гена Нематода C.elegance – 302 нейрона

Общие принципы функционирования генных и нейронных сетей Информационная сеть состоит из набора дискретных взаимодействующих между собой элементов Каждый элемент может находится только в двух основных состояниях – активном и пассивном У каждого элемента есть два или более входа для приёма сигналов от других элементов У каждого элемента есть один и только один выход, сигнал с которого передаётся на вход других элементов Избыточность: один и тот же результат может быть достигнут множеством альтернативных путей (понять, значит уметь решить проблему более, чем одним способом) В процессе эволюции элементы могут мутировать, дублироваться и уничтожаться Эволюция статистически действует не на один конкретный организм, а на сообщество организмов, обменивающихся между собой информацией как вертикально, так и горизонтально Все элементы сетей функционируют параллельно Иерархический принцип организации потоков информации Использование метода перебора при решении новых задач И те и другие могут рассматриваться как частный случай функциональных систем в рамках соответствующей теории П.К.Анохина.

Схематический пример простой системы ИИ, построенной на дискретных элементах El 1El 2El 3El 4El 5El 6El 7 El K 13 K 14 K 15 K 16 K 17 El K 23 K 24 K 25 K 26 K 27 El K 34 K 35 K 36 K 37 El K K 45 K 46 K 47 El K 53 K K 56 K 57 El K 63 K 64 K K 67 El

Логические игры как удобный пример для тестирования концепции обучения иерархической эволюционирующей системы ИИ «с нуля». Обучение правилам ходов Обучение правилам определения победителя Обучение правилам статической оценки позиции Обучение правилам и приёмам улучшения позиции (тактика) Обучение стратегическим правилам ведения игры Обучение использованию слабостей и ошибок противника

Чувства и эмоции как средства оптимизации управления Разум как мультиагентная система Чувства и эмоции как средство выбора модели поведения в условиях многокритериальной оптимизации Эмоции как метод улучшения запоминания важной информации Любопытство как движущая сила самообучения