Искусственный интеллект

Взвешенные весами связей входные сигналы поступают на блок суммации,

соответствующий телу клетки, где осуществляется их алгебраическая суммация

и определяется уровень возбуждения нейроподобного элемента S [8]:

[pic]

Выходной сигнал нейрона у определяется путем пропускания уровня

возбуждения S через нелинейную функцию f:

[pic],

где ? — некоторое постоянное смещение (аналог порога нейрона). Обычно

используются простейшие нелинейные функции:

- бинарная

|[pic] |[pic] |

- сигмоидная:

|[pic] |[pic] |

В такой модели нейрона пренебрегают многими известными

характеристиками биологического прототипа, которые некоторые исследователи

считают критическими. Например, в ней не учитывают нелинейность

пространственно-временной суммации, которая особенно проявляется для

сигналов, приходящих по возбуждающим и тормозящим синапсам, различного рода

временные задержки, эффекты синхронизации и частотной модуляции,

рефрактерность[3] и т. п. Несмотря на это нейроподобные сети, простроенные

на основе таких простых нейроподобных элементов, демонстрируют

ассоциативные свойства, напоминающие свойства биологических систем. [8]

Нейроподобные сети (НПС)

Что такое искусственные нейронные сети? Что они могут делать? Как они

работают? Как их можно использовать? Эти и множество подобных вопросов

задают специалисты из разных областей.

Что же такое нейроподобная сеть? Это искусственный аналог

биологической сети, по своим параметрам максимально приближающийся к

оригиналу. Нейроподобные сети прошли длинный путь становления и развития,

от полного отрицания возможности их применения до воплощения во многие

сферы деятельности человека.

Современные цифровые вычислительные машины способны с высоким

быстродействием и точностью решать формализованные задачи с вполне

определенными данными по заранее известным алгоритмам. Однако в тех

случаях, когда задача не поддается формализации, а входные данные неполны,

зашумлены или противоречивы, применение традиционных компьютеров становится

неэффективным. Альтернативой им становятся специализированные компьютеры,

реализующие нетрадиционные нейросетевые технологии. Сильной стороной этих

комплексов является нестандартный характер обработки информации. Она

кодируется и запоминается не в отдельных ячейках памяти, а в распределении

связей между нейронами и в их силе, поэтому состояние каждого отдельного

нейрона определяется состоянием многих других нейронов, связанных с ним.

Следовательно, потеря одной или нескольких связей не оказывает

существенного влияния на результат работы системы в целом, что обеспечивает

ее высокую надежность. [9]

Высокая «естественная» помехоустойчивость и функциональная надежность

касаются как искаженных (зашумленных) потоков информации, так и в смысле

отказов отдельных процессорных элементов. Этим обеспечиваются высокая

оперативность и достоверность обработки информации, а простая дообучаемость

и переобучаемость НПС позволяют при изменении внешних факторов своевременно

осуществлять переход на новые виды решаемых задач.

Приведенные выше преимущества нейросетевой обработки данных определяют

области применения НПС:

- обработка и анализ изображений;

- распознавание речи независимо от диктора, перевод;

- обработка высокоскоростных цифровых потоков;

- автоматизированная система быстрого поиска информации;

- классификация информации в реальном масштабе времени;

- планирование применения сил и средств в больших масштабах;

- решение трудоемких задач оптимизации;

- адаптивное управление и предсказание.

Основные положения теории деятельности головного мозга и

математическая модель нейрона были разработаны У. Маккалоком и Ч. Питтсом в

1943 году и опубликованы в статье «Логическое исчисление идей, относящихся

к нервной деятельности», которая была издана на русском языке в сборнике

«Автоматы» только спустя 13 лет. Согласно предложенной модели мозг

представляет собой ансамбль нейронов, имеющих одинаковую структуру. Каждый

нейрон реализует некоторую функцию, называемую пороговой, над входными

значениями. Если значение функции превышает определенную величину – порог

(что характеризует суммарную значимость полученной нейроном информации),

нейрон возбуждается и формирует выходной сигнал для передачи его другим

нейронам. Пройдя путь от рецепторов (слуховых, зрительных и других) через

нейронные структуры мозга до исполнительных органов, входная информация

преобразуется в набор управляющих воздействий, адекватных ситуации [8].

Отдельные нейроны, соединяясь между собой, образуют новое качество,

которое, в зависимости от характера межнейронных соединений, имеет

различные уровни биологического моделирования:

- группа нейронов;

- нейронная сеть;

- нервная система;

- мыслительная деятельность;

- мозг.

Другими словами, нейроподобная сеть — это параллельная связная сеть

простых адаптивных элементов, которая взаимодействует с объектами реального

мира аналогично биологической нервной системе. [8] С инженерной точки

зрения такая сеть представляет собой сильно распараллеленную динамическую

систему с топологией направленного графа, которая может выполнять

переработку информации посредством изменения своего состояния в ответ на

постоянный или импульсный входной сигнал.

В настоящее время основными направлениями реализации НПС являются:

- программная реализация на цифровых ЭВМ традиционной архитектуры;

- программно-аппаратная реализация в виде сопроцессоров к ЭВМ

общего назначения;

- аппаратная реализация путем создания нейрокомпьютеров на базе

нейроплат в виде параллельных нейроподобных структур.

Ранние варианты реализации НПС относятся к первым двум из указанных

направлений. Первое направление характеризуется универсальностью,

дешевизной и низкой скоростью обучения и функционирования НПС. Для второго

направления характерна высокая скорость моделирования функционирования НПС,

но при этом существуют серьезные физические ограничения числа моделируемых

элементов и связей между ними, а также возможностей обучения и до обучения.

По мере развития элементной базы ЭВМ стало возможным самостоятельное

развитие третьего направления, которое положило начало индустрии

нейрокомпьютеров, представляющих совокупность аппаратных и программных

средств для реализации моделей нейронных сетей.

На сегодняшний день известно уже более 200 различных парадигм[4]

нейронных сетей (не только детерминированных, но и вероятностных), десятки

НПС реализованы в специализированных кристаллах и платах, на их основе

созданы мощные рабочие станции и даже суперкомпьютеры. Современные

технологии достигли того рубежа, когда стало возможным изготовление

технической системы из 3…4 млрд. нейронов (именно такое количество их в

мозгу человека). Однако их соединение продолжает оставаться проблемой.

Обучение нейроподобной сети

Одно из важнейших свойств нейроподобной сети — способность к

самоорганизации, самоадаптации с целью улучшения качества функционирования.

Это достигается обучением сети, алгоритм которого задается набором

обучающих правил. Обучающие правила определяют, каким образом изменяются

связи в ответ на входное воздействие. Многие из них являются развитием

высказанной Д. О. Хеббом идеи о том, что обучение основано на увеличении

силы связи (синаптического веса) между одновременно активными нейронами.

Таким образом, часто используемые в сети связи усиливаются, что объясняет

феномен обучения путем повторения и привыкания. Математически это правило

можно записать следующим образом:

[pic],

где wij(t) и wij(t+1) – значение веса связи от i-го к j-му нейрону

соответственно до и после его изменения, ? — скорость обучения, yi и yj

–выходные сигналы i-го и j-го нейронов. [10] В настоящее время существует

множество разнообразных обучающих правил (алгоритмов обучения). Некоторые

из них будут представлены в параграфах, посвященных рассмотрению конкретных

нейросетевых моделей.

Заключение

Многие споры вокруг проблемы создания искусственного интеллекта имеют

эмоциональную подоплеку. Признание возможности искусственного разума

представляется чем-то унижающим человеческое достоинство. Однако нельзя

смешивать вопросы возможностей искусственного разума с вопросом о развитии

и совершенствовании человеческого разума. Повсеместное использование ИИ

создаёт предпосылки для перехода на качественно новую ступень прогресса,

даёт толчок новому витку автоматизации производства, а значит и повышению

производительности труда. Разумеется, искусственный разум может быть

использован в негодных целях, однако это проблема не научная, а скорее

морально-этическая.

Однако развитие кибернетики выдвигает ряд проблем, которые все же

требуют пристального внимания. Эти проблемы связаны с опасностями,

возникающими в ходе работ по искусственному интеллекту.

Первая проблема связана с возможной потерей стимулов к творческому

труду в результате массовой компьютеризации или использования машин в сфере

искусств. Однако в последнее время стало ясно, что человек добровольно не

отдаст самый квалифицированный творческий труд, так как он для самого

человека является привлекательным.

Вторая проблема носит более серьезный характер, и на нее неоднократно

указывали такие специалисты, как Н. Винер, Н. М. Амосов, И. А. Полетаев и

др. Состоит она в следующем. Уже сейчас существуют машины и программы,

способные в процессе работы самообучаться, т. е. повышать эффективность

приспособления к внешним факторам. В будущем, возможно, появятся машины,

обладающие таким уровнем приспособляемости и надежности, что необходимость

человеку вмешиваться в процесс отпадет. В этом случае возможна потеря самим

человеком своих качеств, ответственных за поиск решений. Налицо возможная

деградация способностей человека к реакции на изменение внешних условий и,

возможно, неспособность принятия управления на себя в случае аварийной

ситуации. Встает вопрос о целесообразности введения некоторого предельного

уровня в автоматизации процессов, связанных с тяжелыми аварийными

ситуациями. В этом случае у человека, "надзирающим" за управляющей машиной,

всегда хватит умения и реакции таким образом воздействовать на ситуацию,

чтобы погасить разгорающуюся аварийную ситуацию. Таковые ситуации возможны

на транспорте, в ядерной энергетике. Особо стоит отметить такую опасность в

ракетных войсках стратегического назначения, где последствия ошибки могут

иметь фатальный характер. Несколько лет назад в США начали внедрять

полностью компьютеризированную систему запуска ракет по командам

суперкомпьютера, обрабатывающего огромные массивы данных, собранных со

всего света. Однако оказалось, что даже при условии многократного

дублирования и перепроверки, вероятность ошибки оказалась бы столь велика,

что отсутствие контролирующего оператора привело бы к непоправимой ошибке.

От системы отказались.

Люди будут постоянно решать проблему искусственного интеллекта,

постоянно сталкиваясь все с новыми проблемами. И, видимо, процесс этот

бесконечен.

Словарь терминов

ИНТЕЛЛЕКТ (от лат. intellectus — познание, понимание, рассудок),

способность мышления, рационального познания. Латинский перевод

древнегреческого понятия нус («ум»), тождественный ему по смыслу.

ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ, раздел информатики, включающий разработку

методов моделирования и воспроизведения с помощью ЭВМ отдельных функций

творческой деятельности человека, решение проблемы представления знаний в

ЭВМ и построение баз знаний, создание экспертных систем, разработку т. н.

интеллектуальных роботов.

КИБЕРНЕТИКА (от греч. kybernetike — искусство управления), наука об

управлении, связи и переработке информации. Основной объект исследования —

т. н. кибернетические системы, рассматриваемые абстрактно, вне зависимости

от их материальной природы. Примеры кибернетических систем — автоматические

регуляторы в технике, ЭВМ, человеческий мозг, биологические популяции,

человеческое общество. Каждая такая система представляет собой множество

взаимосвязанных объектов (элементов системы), способных воспринимать,

запоминать и перерабатывать информацию, а также обмениваться ею.

Современная кибернетика состоит из ряда разделов, представляющих собой

самостоятельные научные направления. Теоретическое ядро кибернетики

составляют информации теория, теория алгоритмов, теория автоматов,

исследование операций, теория оптимального управления, теория распознавания

образов. Кибернетика разрабатывает общие принципы создания систем

управления и систем для автоматизации умственного труда. Основные

технические средства для решения задач кибернетики — ЭВМ. Поэтому

возникновение кибернетики как самостоятельной науки (Н. Винер, 1948)

связано с созданием в 40-х гг. 20 в. этих машин, а развитие кибернетики в

теоретических и практических аспектах — с прогрессом электронной

вычислительной техники

ЛОГИКА (греч. logike), наука о способах доказательств и опровержений;

совокупность научных теорий, в каждой из которых рассматриваются

определенные способы доказательств и опровержений. Основателем логики

считается Аристотель. Различают индуктивную и дедуктивную логику, а в

последней — классическую, интуиционистскую, конструктивную, модальную и др.

Все эти теории объединяет стремление к каталогизации таких способов

рассуждений, которые от истинных суждений-посылок приводят к истинным

суждениям-следствиям; каталогизация осуществляется, как правило, в рамках

логических. исчислений. Особую роль в ускорении научно-технического

прогресса играют приложения логики в вычислительной математике, теории

автоматов, лингвистике, информатике и др.

ЛОГИЧЕСКАЯ ОШИБКА, вызывается нарушением правил или законов логики;

признак формальной несостоятельности содержащих ее определений,

рассуждений, выводов и доказательств.

МНОЖЕСТВ ТЕОРИЯ, раздел математики, в котором изучаются общие свойства

множеств, преимущественно бесконечных. Понятие множества — простейшее

математическое понятие, оно не определяется, а лишь поясняется при помощи

примеров: множество книг на полке, множество точек на прямой (точечное

множество) и т. д.

|[pic] |

|Рисунок 3. Модуляция колебаний |

|(сверху вниз): амплитудная, |

|частотная и амплитудно-фазовая;|

|S – амплитуда, t – время. |

МОДУЛЯЦИЯ КОЛЕБАНИЙ, изменение амплитуды, частоты, фазы или др.

характеристик колебаний по заданному закону, медленное по сравнению с

периодом этих колебаний. Различают модуляцию колебаний амплитудную,

частотную и фазовую (рис.3).

НЕЙРОН (от греч. neuron — нерв), нервная клетка, состоящая из тела и

отходящих от него отростков — относительно коротких дендритов и длинного

аксона; основная структурная и функциональная единица нервной системы (см.

схему). Нейроны проводят нервные импульсы от рецепторов в центральную

нервную систему (чувствительный нейрон), от центральной нервной системы к

исполнительным органам (двигательный нейрон), соединяют между собой

несколько других нервных клеток (вставочные нейроны). Взаимодействуют

нейроны между собой и с клетками исполнительных органов через синапсы. У

коловратки число нейронов 102, у человека — более 1010.

ПАРАДИГМА (от греч. paradeigma — пример, образец), в философии,

социологии — исходная концептуальная схема, модель постановки проблем и их

решения, методов исследования, господствующих в течение определенного

исторического периода в научном сообществе. Смена парадигм представляет

собой научную революцию.

РАЗУМ, ум, способность понимания и осмысления. В ряде философских

течений — высшее начало и сущность (панлогизм), основа познания и поведения

людей (рационализм).

РЕФРАКТЕРНОСТЬ (от франц. refractaire — невосприимчивый), в физиологии

— отсутствие или снижение возбудимости нерва или мышцы после

предшествующего возбуждения. Рефрактерность лежит в основе торможения.

Рефрактерный период длится от нескольких десятитысячных (во многих нервных

волокнах) до нескольких десятых (в мышечных волокнах) долей секунды.

СИНАПС (греч. synapsis — соединение, связь), зона контакта между

нейронами и другими образованиями (нервными, мышечными или железистыми

клетками), служащая для передачи информации от клетки, генерирующей нервный

импульс к другим клеткам.

СИНАПТИЧЕСКИЕ ПОТЕНЦИАЛЫ, биоэлектрические потенциалы, возникающие в

местах специализированных межклеточных контактов — синапсах — во время

передачи возбуждения от одной клетки (пресинаптической) к другой

(постсинаптической).

СИНХРОНИЗАЦИЯ, приведение двух или нескольких процессов к такому их

протеканию, когда одинаковые или соответствующие элементы процессов

совершаются с неизменным сдвигом во времени либо одновременно (напр., речь

оратора и переводчика при синхронном переводе, производственные операции).

ЧАСТОТНАЯ МОДУЛЯЦИЯ, изменение частоты колебаний по заданному закону,

медленное по сравнению с периодом этих колебаний.

Список использованной литературы:

1. Шихов Е. Варианты реализации искусственного интеллекта – ресурс

Интернета, http://neural.narod.ru/, 2002

2. Эндрю А. Искусственный интеллект – М.: Мир, 1985.

3. Квасный Р. Искусственный интеллект – ресурс Интернета,

http://neural.narod.ru/, 2001.

4. Брушлинский А.В. Возможен ли искусственный интеллект?

5. Н. Винер Н. Кибернетика – М.: Наука, электронная версия, 1998.

6. Труды третьего международного симпозиума «Интеллектуальные системы» –

Псков: 1998.

7. Федюкович Н. И. Анатомия и физиология: Учеб. Пособие. – Мн.: ООО

«Полифакт-Альфа», 1999.

8. Соколов Е. Н., Вайткявичус Г.Г. Нейроинтеллект: от нейрона к

нейрокомпьютеру – М.: Наука, 1989.

9. Цыганков В. Д. Нейрокомпьютер и его применение – М.: СолСистем, 1993.

10. Ноткин Л.И. Искусственный интеллект и проблемы обучения.

11. Венда В. Ф. Системы гибридного интеллекта – М.: Машиностроение, 1990

12. Волгин Л. И. Комплементарная алгебра нейросетей – Таллин: АО «KLTK»,

1993.

13. Чернухин Ю. В. Нейропроцессоры – Таганрог, 1994.

-----------------------

[1] СИНАПТИЧЕСКИЕ ПОТЕНЦИАЛЫ, биоэлектрические потенциалы, возникающие в