Мивары: 25 лет создания искусственного интеллекта - Страница 10

Одним из таких подходов является миварный подход с его технологиями накопления данных и обработки информации в едином миварном информационном пространстве. Для понимания языка надо собрать и поддерживать в актуальном состоянии огромную базу данных фактов и такое же большое количество правил, которые позволяют выявлять нюансы смысла разных понятий в различных ситуациях. У нас пока не было подробных работ на эту тему, но во время дискуссий и обсуждений мы излагали следующий описанный ниже подход, получивший понимание и поддержку.

Итак, подход можно показать на следующей аналогии: весь язык представляет собой огромный горный массив, вершинами которого являются отдельные слова (рисунки 2, 3, 4).

Рисунок 2 – Вид с Эльбруса на Главный Кавказский хребет.

Высота 4800 м

Рисунок 3 – Вид на вершины Эльбруса (5642 м.)

с высоты 4800 м

Рисунок 4 – Долина реки Баксан на уровне 2100 метров

Тогда, слово – это вершина горы, а вся гора сама по себе и является контекстом. Если кто-то больше любит море или океан, то вместо гор можно использовать айсберги, хотя система гор все же, на наш взгляд, более адекватна предлагаемой модели. Итак, в процессе обучения человек "выращивает" эти горы у себя в голове, а общается потом внешне только словами, как бы перепрыгивая с вершины на вершину или связывая эти вершины огромными длинными виртуальными мостами. В процессе своего взросления и обучения человек "выращивает новые горы", создавая целые системы таких гор, но на основе общих здравых подходов и признаков. Высота каждой такой горы превышает, допустим, стоэтажный дом. Эти этажи образно соответствуют уровням абстракции в описаниях слов и языковых моделей. Для того чтобы восстановить в компьютере такую горную систему надо сделать ее полноразмерный математический макет. Такой макет можно делать, спускаясь этаж за этажом с вершины горы до ее основания и переходя на другую гору через долины… Современные методы семантической обработки позволяют сделать, условно говоря, только двух- трехэтажную по высоте модель такой горной смысловой языковой системы. Вот и получаем принципиальное ограничение: надо наращивать в высоту по уровням абстракции наши языковые модели, а мы остановились на втором этаже семантики и даже не собираемся двигаться далее. Спасибо онтологиям?

Вывод: для адекватной работы с естественным языком нужны более сложные модели, принципиально новые и на несколько порядков более сложные модели на основе многомерных баз данных с поддержкой самых разнообразных отношений. Возможно, что понадобится даже работа с бесконечными плоскостями описания сущностей и т.п. В настоящее время таким требованиям отвечает только миварный подход с многомерным информационным пространством и динамически изменяющейся структурой. Реализация языковых моделей на больших вычислительных кластерах (или ГРИД-системах) на основе миварного подхода должна приблизить нас к созданию автоматической системы, понимающей и разговаривающей с людьми на естественном языке. Напомним, что эта задача сравнима по сложности с созданием самого ИИ.

Возможно, что создание таких языковых моделей, вернее символьных моделей в миварном пространстве, позволит создать электронных двойников людей для вечной жизни, которые предсказаны многими фантастами. Впрочем, эти проблемы возникнут потом, а сейчас надо приступать к реализации построения символьных языковых моделей в миварном информационном пространстве, некоторым прототипом которых являются разработки Активных миварных интернет-энциклопедий, которые к описанию фактов в ВИКИ-педии будут добавлять новые отношения, связи, взаимодействия и т.д. Более подробно эти вопросы рассмотрены при описании миварной энциклопедии и миварной модели человеческого мышления.

Опять получаем, что именно миварный подход является принципиально новым и ключевым фундаментальным направлением для решения многих, практически всех описанных в этой работе, проблем в научной области ИИ.

Существует Гипотеза о физической символьной системе Ньюэлла и Саймона, из которой следует, что интеллектуальная деятельность как человека, так и машины осуществляется на основе следующих средств [264, стр. 58]:

1. Символьные шаблоны, предназначенные для описания важнейших аспектов области определения задачи.

2. Операции с этими шаблонами, позволяющие генерировать потенциальные решения проблем.

3. Поиск с целью выбора решения из числа всех возможных.

Дж. Люгер утверждает, что эта гипотеза лежит в основе попыток создания умных машин и неявно различает понятия шаблонов, сформированных путем упорядочивания символов, и среды, в которой они реализованы. Если уровень интеллекта определяется исключительно структурой системы символов, то любая среда, которая успешно реализует правильные шаблоны и процессы, достигнет этого уровня интеллекта, независимо от того, составлена ли она из нейронов, логических цепей, или это просто механическая игрушка. Согласно тезису Черча о вычислимости по Тьюрингу, компьютеры способны осуществить любой эффективно описанный процесс обработки символьной информации. Получается, что правильно запрограммированный компьютер обладает интеллектом [264, стр. 58]. Мы поддерживаем гипотезу о физической системе и считаем, что на основе миварного подхода в скором времени получится реализовать достаточно сложную обработку информации, которую можно будет признать интеллектуальной.

Важно и то, что, по Дж. Люгеру, в этой гипотезе указаны главные проблемы исследований в области ИИ:

· представления знаний, т.е. определения структур, символов и операций, необходимых для интеллектуального решения задачи;

· поиска, т.е. разработки стратегий для эффективного и правильного поиска потенциальных решений, сгенерированных этими структурами и операциями.

Необходимо отметить, что не все ученые согласны с указанной гипотезой. Есть критики, например Виноград и Флорес, которые утверждают, что интеллект является наследственно биологическим и экзистенциальным и не может быть зафиксирован с помощью символов. Такая критика характерна для следующих направлений исследований в области ИИ: развитие нейронных сетей, генетических алгоритмов и агентно-ориентированных методов [264, стр. 58]. Отметим, что большая часть этих критиков проводит исследования и работает на рефлексивном до-интеллектуальном уровне исследований в области ИИ, согласно предложенной нами классификации, изложенной в этой работе (раздел 7.3). Видимо, именно из-за рефлексивности своего уровня эти ученые и не соглашаются с гипотезой о физической символьной системе. На втором уровне, уровне интеллектуальных исследований, преобладает мнение о верности указанной гипотезы.

Вернемся к представлению знаний. Как справедливо отмечает Дж. Люгер, задача любой схемы представления заключается в том, чтобы зафиксировать специфику области определения задачи и сделать эту информацию доступной для механизма решения проблемы. Язык представления должен позволять программисту выражать знания, необходимые для решения задачи. Абстрагирование, т.е. представление только той информации, которая необходима для достижения заданной цели, является необходимым средством управления сложными процессами. Конечные программы должны быть рациональными в вычислительном отношении. Выразительность и эффективность являются взаимосвязанными характеристиками оценки языков представления знаний. Многие достаточно выразительные средства представления в одних классах задачах совсем неэффективны в других. Разумный компромисс между эффективностью и выразительностью – сложная задача для разработчиков интеллектуальных систем. По существу, способ представления знания должен обеспечить естественную структуру выражения знания, позволяющую решить проблему. Способ представления должен сделать это знание доступным компьютеру и помочь программисту описать его структуру [264, стр. 58-59]. Учитывая наши выводы о неадекватности исчисления предикатов для решения многих задач ИИ, мы считаем, что разработка новых представлений в виде миварного информационного подхода является закономерным развитием теории ИИ в 21 веке.