Методология искусственного интеллекта как креативная стратегия5

Основой существующей методологии искусственного интеллекта (ИИ), так же, как и методологии нейрокомпьютеров (НК), является моделирование. Сама формулировка проблемы ИИ и её мотивация заключает в себе суть моделирования, то есть попытку воспроизведения или имитации естественных свойств и функций человеческой деятельности с той или иной степенью жёсткости требований адекватности. В подтверждение этого достаточно вспомнить постановку эпистемологической проблемы ИИ А.Эндрю: «Любая попытка создать интеллектуальную или думающую машину автоматически подразумевает самоотрицание... Пока разработка искусственного интеллекта не достигнет своей высшей цели – дублирования каждого аспекта человеческого интеллекта (что, по-видимому, неосуществимо в обозримом будущем), ему обязательно будет присуще такое самоотрицание» [1, 18].

Помимо того, в качестве более сильного утверждения можно декларировать единственность моделирования как методологии ИИ. Даже отделившиеся и, казалось бы, самостоятельные направления ИИ, обладающие некоторой степенью самодостаточности, например, такие как разработка и внешне-внутренняя интеллектуализация компьютерной техники, принятие решений и теория полезности, процессинг изображений и речи, обработка информации в специализированных средах (биомедицинские системы, компьютерная интерпретация конкретных технических задач, обработка информации в гуманитарных науках) базируются на ряде аксиом, непосредственно получаемых только методами моделирования явного или неявного, не говоря уж об основной парадигме ИИ.

Попытки перехода к новому поколению нейрокомпьютерных задач также в основе своей имеет методы моделирования структуры и функций ближе к морфологическому субстрату – носителю биологических свойств, детерминирующих в том числе интеллектуальную деятельность. Хотя необходимо отметить, что, получив импульс к развитию именно путём прямого моделирования (нейронных элементов Мак-Каллока-Питса [2, 115-133], дифференциальных моделей Ходжкина-Хаксли, продолжения и уточнения этих работ в дифференциальных моделях Ю.Г.Антомонова [3], В.С.Маркина и др. [4, 158]), нейрокомпьютинг также трансформировался в направление, обладающее некоторой степенью самодостаточности. Таким образом, мы можем наблюдать сильную явную связь с методологией моделирования на начальных стадиях развития ИИ, обеспечивающее прорыв в конкретных предметных областях, и стремление к отчуждению от связи с моделированием в дальнейшем за счёт более глубокой разработки уже созданного при участии моделирования направления. Следовательно, можно утверждать содержание в некоторой степени креативности в методологии моделирования.

Можно также заметить явную корреляцию успехов теоретических построений и практического использования результатов в случае глубокого и всестороннего изучения объектов исследования и их моделирования. Сказанное относится, например, к теории управления газотурбинными двигателями (ГТД), такое успешное прогрессирование которой обязано исключительно детальному изучению объекта управления, построению и отработки его многопараметрических математических и имитационных моделей. В настоящее время специалисты в области ГТД занялись нейрокомпьютерными разработками, к сожалению, совершенно не обращая внимания на объект изучения, в отличие от своих предыдущих высоконаучных работ, в результате чего это приводит к рождению как терминологических, так и, тем более, феноменологических «монстров» типа «нейро-ГТД», «нейросветофоры» [5] и т. д.

Т аким образом, можно предположить, что аксиомы представляют собой модели природных явлений, в дальнейшем использование их даёт построение той или иной дедуктивной системы [6, 46-59]. Переход от одной модели к другой даже в случае, если исторически не сложилось их общепринятое применение, даёт потенциально новую систему логических с ледствий, базирующихся на основе исходной модели (аксиомы) (рис. 1). В качестве примера можно привести аксиоматическую теорию множеств, где это свойство моделей эксплуатировалось целенаправленно с большим успехом, однако, так и не было осознано, что новая система аксиом фактически является новой моделью реальности. Шаг к этому был сделан после осознания Тарским механизма смены базовых аксиом и овладения целенаправленным управлением этим механизмом, а также при переходе к рассмотрению бесконечнозначных логик Я.Лукасевича. Таким образом, поиск и реконструкция основополагающей аксиомы или системы аксиом является чрезвычайно важной методологической задачей, поскольку только чётко очерченные и определённые основные аксиомы могут дать возможность построения новой базовой системы аксиом, то есть модели реальности. Базовая система аксиом неявно выражена в исходных разработках, то есть при существовании дедуктивно-следственной части истоки её могут быть утеряны.

Это, однако, не означает отход от начальных парадигмальных установок, поскольку существование части связывается причинно-следственными отношениями, хотя и часть причинно-следственных цепочек может быть утрачена. В этом случае восстановление системы базовых аксиом должно проводиться по неполным данным, что приводит к снижению точности восстановления и получению приближённых решений (рис. 2). Тем не менее, это не умаляет необходимости проведения подобных методологических процедур, поскольку только таким образом можно сконструировать новую базовую систему (систему моделей) и, следовательно, построить новую дедуктивную схему. Вопрос эффективности новых построений является очень сложным, с точки зрения прогностического плана, поскольку об эффективности применения можно говорить лишь на конечных шагах дедуктивного дерева решений, в результате чего об эффективности на стадиях выбора новой базовой модели можно судить лишь интуитивно по каким-либо самим качествам исходной существующей модели, изменяя их целенаправленно в какую-либо сторону. Выбор же новой модели без какой-либо связи с существующей ставит вопрос об эффективности в совершенно неконтролируемое положение. Поэтому преемственность и историзм в конструировании новой базовой системы аксиом также имеет большое значение и в какой-то мере позволяет снизить число возможных ошибок и неоправданных, с точки зрения эффективности применения, построений новых дедуктивных систем следствий.

В отношении нейрокомпьютинга указанная аксиоматическая система может быть реконструирована без особых проблем с высокой степенью точности как раз в виду того, что связи с базовыми аксиомами сохраняются довольно чётко до настоящего времени. Кроме того, этому, по всей вероятности, способствовало значительное абстрагирование в смысле идеального типа М.Вебера [7, 10] и относительная новизна самого нейрокомпьютинга. Поскольку также нейрокомпьютинг возник как соединение имитационного моделирования с вычислительной математикой в попытке реализации идеологии исследования сложных систем (каким, по мнению нейрокомпьютерщиков, и являются нейронные конгломераты), то в него как раз перешли основные базовые установки системного подхода. Это относится, прежде всего, к определению системы, коих дано уже более нескольких десятков [8].

В то же время, именно та специфическая черта, которая отделила нейрокомпьютинг от системного подхода, как раз и связана с формулированием индивидно-специфических особенностей именно его базовой модели и ничьей более [9]. Именно выбор функционального базиса, определённого Мак-Каллоком-Питсом около 60 лет назад своим предложением представления формального нейрона, и определяет практически все дедуктивные построения до сегодняшнего времени. Выбор данного класса функционалов определяет также способ объединения элементов в систему, порождая «нейросетевой» принцип в том виде, в каком его сейчас представляют [10]. Связи между нейронными элементами вовсе не так произвольны, как это предполагают нейрокомпьютерщики, поскольку и конфигурацию их и качественно-количественное наполнение, а также функциональные роли и аксиологию довольно жёстко задают сущностные характеристики базовой модели элемента, то есть формального нейрона Мак-Каллока-Питса.

Вместе с этим, вытекая из базовой модели, сконструировано и представление о функционировании нейронной сети как нейронной – универсального аппроксиматора, работающего по методу наименьших квадратов (МНК) [10]. Класс нейронных функционалов представляет собой ни что иное, как класс базисных функций, аппроксимирующих входные сигналы. Таким образом, можно наблюдать как способ представления основной базовой модели (аксиомы) достаточно жёстко детерминирует представления о функционировании нейросетей, фактически задавая главную парадигму. Необходимо отметить также, что при этом явным и неявным образом происходит довольно интересный феномен обратного моделирования, далеко не тривиальный с эпистемологической точки зрения [11, 99-119]. Представления о механизмах работы нейронной сети, а, следовательно, и о её функциональном назначении как универсального аппроксиматора, работающего по методу МНК, проецируются на восприятие работы реальной биологической нейронной сети и, соответственно, мозга.

Прямым моделированием являются попытки копирования (морфологического или функционального) живой нервной ткани в техническом устройстве, программе, алгоритме, системе уравнений и т. д., а обратным моделированием – размещение этих устройств, программ, алгоритмов и систем уравнений на месте представлений о живой ткани в сознании исследователя. Интересно, что при этом огромная ответственность ложится именно на представление базовой модели (системы моделей, аксиом), и в то же время формулирование базовой модели уже само по себе предопределяет возможность и неизбежность её переформулирования. Таким образом, источник неединственности представлений лежит не в объекте моделирования, а в самом факте моделирования как таковом. Именно поэтому можно утверждать, что генеративность неединственности является имманентным свойством любого моделирования, что также можно расценить, как его креативные свойства.

Литература:

1. Эндрю А. Искусственный интеллект. - М., 1985.

2. McCulloch W. S., Pitts W. H. Bull. Math. Biophys., 1943, v. 5.

3. Антомонов Ю. Г. Моделирование биологических систем. - Киев, 1977.

4. Маркин В. С., Пастушенко В. Ф., Чизмаджев В. А. Теория возбудимых сред. – М., 1984.

5. Нейрокомпьютеры в авиации (самолёты). Книга 14. - М., 2004.

6. Савельев А. В. Философия методологии нейромоделирования: смысл и перспективы // РАН. Философия науки. – 2003. - № 1(16).

7. Weber M. Wirtschaft und Gesselschaft. Köln. Berlin, 1964, Hibb. 2.

8. Клир Дж. Системология. Автоматизация решения системных задач. - М., 1990.

9. Савельев А. В. На пути к общей теории нейросетей. К вопросу о сложности // Нейрокомпьютеры: разработка и применение. - 2006. - № 3.

10. Хайкин С. Нейронные сети. - М.; СПб.; Киев, 2006.

11. Петрунин Ю. Ю. Изучение методов интеллектуального анализа данных при подготовке управленцев // Вестник Московского университета; 21 Управление (государство и общество). – 2004. - № 3.

С.В.Светлов, г.Москва