Варламов О. - Эволюционные базы данных и знаний для адаптивного синтеза интеллектуальных систем

Монография посвящена теоретическим и реализационным основам построения эволюционных баз данных и знаний и систем адаптивного синтеза информационновычислительных конфигураций. Содержит как обзорный материал, касающийся систем искусственного интеллекта и их философских, психологических и эволюционных аспектов, так и оригинальные результаты, полученные автором в ходе разработки нового класса моделей данных и правил с изменяемой эволюционной структурой, основ адаптивного синтеза интеллектуальных систем и быстродействующих методов обработки информации. Эволюционные интерактивные динамические многомерные объектно-системные структуры унифицированного представления данных и правил названы миварными. Суть миварного представления данных в том, что формируется информационное пространство вещь, свойство, отношение путем определения основных осей и фиксацией основных объектов (вещей) и их отношений.
Названия объектов и отношений в некотором порядке фиксируются на осях, а на соответствующих пересечениям точках этого пространства, которые называются миварами, записываются конкретные значения свойств и отношений объектов. Мивар - это некоторая вещь, обладающая конкретным свойством, находящаяся в определенном отношении.

РЕЦЕНЗИЯ

на монографию Варламова О.О.: ЭВОЛЮЦИОННЫЕ БАЗЫ ДАННЫХ И ЗНАНИЙ ДЛЯ АДАПТИВНОГО СИНТЕЗА ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ. МИВАРНОЕ ИНФОРМАЦИОННОЕ ПРОСТРАНСТВО.
В монографии Варламова О.О. исследована проблема создания эволюционных баз данных и знаний для адаптивного синтеза интеллектуальных систем. Эта новая крупная научная проблема является актуальной, имеет важное хозяйственное значение, а ее решение вносит значительный вклад в развитие экономики страны и способствует повышению обороноспособности России.
Монография содержит как обзорный материал по теории баз данных и знаний, синтезу информационно-вычислительных конфигураций и интеллектуальных систем, их философских, психологических и эволюционных аспектов, так и оригинальные результаты, полученные автором в ходе разработки нового класса моделей данных и правил с изменяемой эволюционной структурой. Предложенные новые эволюционные динамические многомерные объектно-системные структуры унифицированного представления данных и правил названы миварными.
Суть миварного представления данных в том, что формируется информационное пространство вещь, свойство, отношение путем определения основных осей и фиксацией основных объектов и их отношений. Названия объектов и отношений в некотором порядке фиксируются на осях, а на соответствующих пересечениям точках этого пространства, которые называются миварами, записываются конкретные значения свойств и отношений объектов.
Именно миварное информационное пространство создает фундаментальную возможность реализации самообучения и обеспечивает реальную эволюционность синтеза компьютерных конфигураций интеллектуальных систем.
Монография написана автором единолично, имеет внутреннее единство и содержит совокупность новых, практически значимых научных результатов и положений. Предложенные автором новые решения строго аргументированы и критически оценены по сравнению с другими известными решениями. Монография содержит полное, всестороннее исследование темы, имеет важное теоретическое значение и в ней приведены рекомендации по использованию новых полученных научных выводов.
При написании монографии автор приводит ссылки на авторов и источники, откуда он заимствует материалы или отдельные результаты. Кроме того, в монографии использованы некоторые идеи и разработки, принадлежащие соавторам, коллективно с которыми были написаны некоторые разделы и научные работы, имеющие иллюстрационный характер по отношению к основным научным результатам данной монографии, что отмечено автором.
Считаю полезным и целесообразным депонирование и опубликование данной монографии для ознакомления с проблемой создания миварных баз данных и правил специалистов в области теоретической и прикладной информатики. Монография может быть использована также в качестве учебного пособия для студентов вузов по современным информационным технологиям.

УСЛОВНЫЕ ОБОЗНАЧЕНИЯ

АБД адаптивные базы данных,
АСОИ автоматизированные системы обработки информации,
АССОИ автоматизированные системы сбора и обработки информации,
БД базы данных,
БДП базы данных и правил,
БДТ база данных трассировки,
БЗ базы знаний,
ВВК высокопроизводительный вычислительный комплекс,
ВПБД виртуальная потоковая база данных,
ИАСОИ интеллектуальные автоматизированные системы обработки информации,
ИВК информационно-вычислительные конфигурации,
ИИ искусственный интеллект,
ИМС интеллектуальные многопроцессорные системы,
ККС конфигурации компьютерных систем,
МВС многопроцессорная вычислительная система,
МДн модели данных,
МППД миварное пространство представления данных,
ОВС однородная вычислительная система,
ОТПД одномерная таблица представления данных,
ПАК программно-аппаратный комплекс,
ПВПБД персональная виртуальная потоковая база данных,
ПДС познающе - диагностическая система,
ППД пространство представления данных,
ПППД подпространство представления данных,
САПР система автоматизированного проектирования,
САС система адаптивного синтеза,
СИИ системы искусственного интеллекта,
СН специального назначения,
СОД система обработки данных,
СПД структуры представления данных,
ССЗ сложные специальные задачи,
СУБД система управления базой данных,
ТАО теория активного отражения,
УДЗ уникальные диагностические задачи,
ЭБД эволюционные базы данных,
ЭБДП эволюционные базы данных и правил,
ЭВМ ПА ЭВМ с программируемой архитектурой,
ЭГСОД эволюционная глобальная система обработки данных,
ЭНКС эволюционные неоднородные компьютерные системы,
ЭСОД эволюционная система обработки данных.

ВВЕДЕНИЕ

Одной из основных актуальных проблем, решаемых при создании автоматизированных систем обработки информации (АСОИ) и интеллектуальных систем, является обеспечение в условиях их непрерывного функционирования адаптации программно-аппаратных средств и структур представления данных и знаний для оперативного решения различных сложных задач. В настоящее время решены многие проблемы по созданию различных программных и аппаратных средств, созданы отдельные элементы интеллектуальных систем, функционируют различные сложные информационновычислительные системы, взаимодействующие посредством компьютерных сетей.
ЭВМ проникли и прочно обосновались практически во всех сферах человеческой деятельности. Стремительное развитие информатики и техники изменило мир, решило многие задачи, но и породило новые проблемы.
В данной работе проведен анализ проблемы построения (синтеза) интеллектуальных систем и показано, что для ее решения необходимо, прежде всего, решить следующие две взаимосвязанные научные проблемы. Первая проблема - это создание эволюционных баз данных и знаний, которые могут являться основой программного обеспечения эволюционных (адаптивных) интеллектуальных компьютерных систем (систем искусственного интеллекта).
Подчеркнем, что особую актуальность решению этой проблемы придает то, что в последнее время теория баз данных оказывает определяющее воздействие на многие смежные области. Например, базы данных и знаний используются при создании перспективных ЭВМ, что определяет место и роль другой проблемы, исследуемой в данной работе. Вторая проблема - это создание теоретических основ адаптивного синтеза информационно-вычислительных конфигураций (интеллектуальных систем) на базе известных методов синтеза ЭВМ.
Отметим, что основное направление решения данной проблемы это именно создание адаптивных конфигураций на основе применения известных методов синтеза вычислительных систем и средств.
Две эти проблемы решают на разных уровнях: на уровне программного обеспечения (первая) и на уровне аппаратных средств (вторая), фактически одну и ту же проблему -создание адаптивных, эволюционных автоматизированных систем обработки информации, которые, в свою очередь, являются основой для создания интеллектуальных систем и систем искусственного интеллекта. Анализ проблем и задач, которые необходимо решить как для создания эволюционных баз данных, так и для построения систем адаптивного синтеза конфигураций компьютерных систем, показал общность и, в некотором смысле, взаимозависимость этих двух проблем. Именно поэтому, обе эти проблемы обсуждаются параллельно.
Кроме того, решение этих двух важных проблем позволит сделать еще один шаг на пути создания систем искусственного интеллекта.
В настоящее время, под руководством академика РАН Каляева А.В., ведутся научные исследования и практические разработки по созданию ЭВМ с программируемой архитектурой, т.е. фактически по созданию адаптивных вычислительных систем и средств. Кроме того, существует достаточно много методов синтеза различных специализированных ЭВМ, а также множество научных моделей решения задач различных классов.
Кроме того, проблема создания интеллектуальных систем взаимосвязана со многими научными областями, прежде всего, с психологией, биологией и философией. Более того, многие термины информатики взяты из этих наук. Поэтому в данной работе приведены краткие обзоры различных представляющих интерес научных исследований.
Если же читателя интересуют только технические результаты, а не объяснение и обоснование положений, на основе которых они получены, то целесообразно пропустить нетехнические разделы книги.
Известно, что все модели данных в теории баз данных принято разделять на два класса: структурированные (сильноструктурированные: реляционные, сетевые, сущность-связь и т.п.) и неструктурированные (бесструктурные или слабоструктурированные: гипертекст, символьные и т.п.). В данной монографии предлагается рассмотреть новый класс (миварных) моделей данных с изменяемой (эволюционной) структурой. Для создания теоретических и реализационных основ построения эволюционного (миварного) пространства унифицированного представления данных и правил показано, что все традиционные структуры представления данных могут быть обобщены в виде пятиуровневой одномерной таблицы представления данных. Затем, созданы эволюционные динамические многомерные структуры представления данных, в которых могут изменяться не только значения переменных, но и количество осей пространства, т. е. сама структура представления данных.
Эволюционные динамические многомерные объектно-системные структуры унифицированного представления данных и правил для краткости и однозначности обозначения названы миварными. Основной идей миварного подхода является то, что реальный мир существует сам по себе, но при его изучении, в процессе познания человек или АСОИ представляет себе описание этого мира в виде трехмерного пространства, осями которого являются понятия (категории) вещи (объекта), свойства и отношения.
Понятия вещь, свойство и отношение - это всего лишь абстракции удобные для описания реального мира (любой предметной области). Эти абстракции аналогичны, например, трем осям Декартова геометрического пространства, так как это только три разных взгляда на одно объективно существующее нечто. Эти три разных взаимосвязанных точки зрения на одно и тоже нечто и позволяют выделять из предметной области вещи, свойства и отношения.
Эти три абстракции абсолютно равнозначны. Именно в этом и заключается новизна и основное отличие миварного подхода.
Суть миварного представления данных в том, что формируется пространство представления данных вещь, свойство, отношение путем определения основных осей и фиксацией основных вещей (объектов) и их отношений. Названия объектов и отношений в некотором порядке фиксируются на осях, а на соответствующих пересечениям точках этого пространства, которые называются миварами, записываются конкретные значения свойств и отношений объектов. В дальнейшем, при появлении новых данных, они накапливаются при неизменной структуре или происходит изменение структуры путем добавления, изменения или удаления любого отдельного мивара, любой точки на любой оси пространства или даже самой оси.
Важной особенностью миварного подхода является то, что отношения объектов хранятся в том же едином миварном пространстве и могут представлять собой правила или процедуры обработки. Отметим, что любое отношение также может быть добавлено, удалено или изменено в любое время.
Мивар - это наименьший элемент (или наименьшая адресуемая точка) трехмерного дискретного информационного пространства вещь, свойство, отношение. Выбор этого термина обусловлен соображениями однозначности трактовки и интерпретации.
Конечно, можно сформулировать и другие определения, более конкретные или конструктивные, например, при миварном подходе к описанию вещей с учетом времени и местоположения можно сформулировать другое (более конкретное) определение мивара. Мивар - это некоторая конкретная вещь, обладающая некоторым конкретным свойством, находящаяся в некотором конкретном отношении в определенный момент времени и в конкретных географических координатах. При таком подходе, вещь (объект) - это уникальное название этой вещи, совокупность всех свойств (атрибутов) этой вещи и значения во всех отношениях этой вещи со всеми другими вещами предметной области. Очень важно, что степень детализации описания вещи может быть различной: от описания всех свойств и отношений до представления лишь сущности вещи.
При этом, существует возможность адаптации данных (повышение адекватности) и учета: времени, географического расположения, системного уровня, объектных характеристик при объектно-ориентированном подходе и любых других характеристик динамического многомерного описания предметной области.
Таким образом, именно миварное информационное пространство создает фундаментальную возможность реализации самообучения для систем искусственного интеллекта и обеспечивает реальную эволюционность, адаптивность синтеза компьютерных конфигураций интеллектуальных систем.
После решения проблемы создания эволюционных (адаптивных) баз данных и знаний, представляется возможным, на основе известных ранее и полученных нами результатов, совместить все эти наработки для решения общей задачи создания оптимальной конфигурации саморазвивающихся (эволюционных, синергетических) адаптивных ЭВМ для оптимального решения конкретного класса сложных задач в некоторый период времени. Практически на вход такой адаптивной ЭВМ, представляющей собой интеллектуальную автоматизированную систему сбора и обработки информации (ИАССОИ), должны поступать некоторые сложные задачи. ИАССОИ должна определить класс решаемых задач, из своих баз данных и знаний извлечь методы решения этой задачи и требования к оптимальным аппаратным и программным средствам для решения этого класса задач. Далее проводится анализ существующих аппаратных и программных средств и формируется запрос на модернизацию программных и аппаратных средств.
Затем ИАССОИ без прекращения функционирования должна будет произвести перестройку (адаптивный синтез) своей программно-аппаратной структуры и найти оптимальное решение поставленной задачи.
Кроме того, если такая ИАССОИ является познающей и одновременно диагностической, то она может самостоятельно вести исследование и осуществлять контроль некоторой заданной предметной области, анализируя возникающие задачи и классифицируя их. При этом, такая ИАССОИ сможет постоянно отслеживать появление новых программных и аппаратных средств для формирования предложений по адаптации своей структуры с целью оперативного решения возникающих задач и более адекватного моделирования познаваемой (исследуемой и контролируемой) предметной области.
Монография состоит из восьми разделов, первые три из которых содержат обзорный материал, а последние пять, посвящены теоретическим и реализационным основам создания эволюционных баз данных и правил для адаптивного синтеза интеллектуальных систем.
В первом разделе монографии рассмотрена проблема создания эволюционных баз данных и знаний для синтеза интеллектуальных систем, проведен обзор и анализ взаимосвязей интеллектуальных систем, эволюционных баз данных и знаний (правил) и систем искусственного интеллекта. Кроме того, выполнен анализ современного состояния в области искусственного интеллекта; рассмотрены некоторые биологические и психологические аспекты синтеза интеллектуальных систем; сформулирована проблема адаптивного синтеза информационно-вычислительных конфигураций, а также определены основные задачи исследования и пути создания эволюционных баз данных и знаний для синтеза интеллектуальных систем.
Во втором разделе проведен обзор гносеологических аспектов представления данных и знаний в интеллектуальных системах; рассмотрены философские категории: вещь, свойство и отношение, а также их методологические функции в процессе синтеза научного знания. Кроме того, предложено рассматривать категорию свойство как унарное отношение и доказано, что двух оставшихся взаимозависимых и взаимозаменяемых (но все же различных) категорий: вещь и отношение, достаточно для научного описания любых предметных областей (синтеза научного знания), так как все остальные традиционные категории и характеристики описания являются их частными, производными случаями.
В третьем разделе проведены формализованное описание основных структур представления данных традиционных моделей данных, их анализ, сравнение и обобщение в виде нового формализма пятиуровневой одномерной таблицы представления данных.
Четвертый раздел монографии является основным, так как именно в нем предложена новая миварная концепция многомерного эволюционного объектно-ориентированного системно-структурного унифицированного представления данных и правил, а также разработаны теоретические основы построения миварного информационного пространства. Кроме того, в этом разделе проанализированы основные возможности миварного представления данных, показан переход от одномерных многоуровневых таблиц представления данных к многомерному миварному пространству представления данных, проведено сравнение трехуровневых таблиц и трехмерного миварного пространства представления данных, подробно описаны структуры представления данных о миварах и об отношениях миваров, дано их формализованное описание, определены основные направления их практической реализации, доказана их эволюционность и приведен подробный пример описания данных в миварном информационном пространстве.
Пятый раздел посвящен обсуждению проблем и особенностей обработки данных в миварном информационном пространстве. Предложены новые универсальные методы обработки данных на основе адаптивной логической сети правил и принципы графового поиска маршрута вывода на логической сети правил. Там же рассмотрен адаптивный механизм логического вывода на эволюционной активной сети гиперправил с мультиактивизаторами, управляемой потоком данных.
Кроме того, впервые разработаны новые методы повышения быстродействия обработки данных в интеллектуальных системах: квадратичной сложности методы поиска маршрута логического вывода на основе определения минимального разреза многополюсных сетей теории графов, а также линейной сложности матричный метод определения маршрута логического вывода на сети правил.
В шестом разделе подробно рассмотрен новый достаточно универсальный метод корректного максимального распараллеливания доступа к общей базе данных в условиях недопущения взаимного искажения одновременно обрабатываемых данных, приведена конвейерная реализация алгоритма функционирования сервера базы данных с максимальным распараллеливанием, исследованы параметры предлагаемых виртуальных потоковых баз данных, а также проведена оценка быстродействия обработки потока данных различными методами, которая и доказала максимальность распараллеливания доступа предлагаемого метода по сравнению с другими известными методами доступа к общей базе данных.
В седьмом разделе монографии рассмотрен новый метод повышения быстродействия обработки данных на основе запатентованного линейного способа единично-инкрементного суммирования чисел, который при решении некоторых классов задач позволяет достичь существенного повышения оперативности обработки данных. Кроме того, предложены табличная модификация единично-инкрементного суммирования чисел и модификация метода суммирования чисел с уменьшением необходимого объема оперативной памяти ЭВМ.
Там же проанализированы возможности и перспективы использования локальных корректировок вычислений и обработки данных.
В последнем восьмом разделе рассматривается как взаимосвязаны эволюционные неоднородные компьютерные системы и синтез интеллектуальных систем, исследованы принципы построения однородных вычислительных систем, проведен анализ основных путей создания эволюционных неоднородных компьютерных систем на основе создания систем адаптивного синтеза информационно-вычислительных конфигураций (САС ИВК). Кроме того, разработаны принципы построения и применения систем адаптивного синтеза информационно-вычислительных конфигураций, проанализирована роль ЭВМ в процессах обработки информации, предложено новое теоретическое направление развития области искусственного интеллекта в виде теории активного отражения, подведены итоги исследований и показаны перспективы применения эволюционных баз данных и правил для адаптивного синтеза интеллектуальных систем, а, в перспективе, и для создания систем искусственного интеллекта.
Внедрение разработанных в этой монографии: новой миварной концепции динамического многомерного объектно-системного эволюционного унифицированного представления данных и правил, теоретических и реализационных основ создания эволюционных баз данных и правил (ЭБДП), принципов построения и применения систем адаптивного синтеза информационно-вычислительных конфигураций (САС ИВК), а также методов повышения оперативности решения сложных задач, позволит создать более интеллектуальные эволюционные программно-аппаратные комплексы, т.е. позволит сделать еще один шаг к решению проблемы создания систем искусственного интеллекта.
Данная книга написана по результатам многолетних исследований, которые были бы невозможны без поддержки и помощи многих и многих друзей, товарищей, сотрудников. Разделы 1.2, 1.3, 1.4, 1.5, 8.6, 8.7 и 8.8 данной монографии написаны автором вместе с Адамовой Л.Е.
Выражаю искреннюю благодарность моей семье, родственникам, моим учителям и наставникам: Атрощенко В.Г., Ростовцеву Ю.Г., Шеремету И.А., Крылову Г.О., Каляеву А.В. Кроме того, автор благодарен: Абатниной И.А., Агафоновой В.А., Адамовой Л.Е., Александровским О.В. и Л.Р., Асташевой Н.П., Барсукову А.Г., Безродному Б.Ф., Березину И.В., Буржановой Г.А., Быкову Г.Д., Варламовым: А.Г., А.О., Д.О., Л.О., М.О., О.Г., О.О., С.Е., Водолазкому В.В., Волковой Л.Н., Глушко В.А., Горлановой Н.К.,
Дорофееву А.В., Дунаеву Е.А., Заяц В.Т., Казеннову В.Н., Каляеву И.А., Качковой М.А.,
Козыреву В.П., Колтовой Т.И., Корнееву В.В., Куряпиной В.Ф., Лазареву В.М., Левину И.И., Мальцеву П.П., Маркеловой Н.Н., Маркову А.С., Маслюкову В.Ф., Маслюкову К.В., Отвиновскому В.В., Петричко О.С., Пивоварову А.С., Плеханову С.М., Прохорову Н.А., Рыбкину А.Ю., Сапоженко А.А., Семерикову В.В., Сергиенко И.С., Треско И.А., Труевцеву К.М., Турко Н.И., Тюхтяеву В.А., Фомину Я.А., Черникову Н.Ф., Эйсымонту Л.К. и всем тем, кто оказывал помощь в проведении научных исследований, а также при написании и опубликовании данной монографии.

ПРОБЛЕМА СОЗДАНИЯ ЭВОЛЮЦИОННЫХ БАЗ ДАННЫХ И ЗНАНИЙ ДЛЯ СИНТЕЗА ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ

ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ И ЭВОЛЮЦИОННЫЕ БАЗЫ ДАННЫХ И ЗНАНИЙ (ПРАВИЛ)

В этой работе исследованы актуальные научные проблемы, относящиеся к разным научным областям, но направленным на решение одной важной проблемы: исследование возможностей компьютерных систем по автоматизации умственной деятельности человека (может ли машина мыслить?).

БИОЛОГИЧЕСКИЕ АСПЕКТЫ ЭВОЛЮЦИОННОГО МОДЕЛИРОВАНИЯ

1. Проблема искусственного интеллекта. Исследователи, конструирующие ИИ, с самого начала ставят своей целью создание технических систем, осуществляющих функции, которые обычно выполняет человек, естественный интеллект. Конструкторы таких систем ориентируются на получение определенного результата: решение машинами некоторого класса задач, которые до сих пор решал человек.
При этом не имеет существенного значения, подобны ли процессы, происходящие в машине, процессам, происходящим в нервной системе человека. Таким образом, конечная цель заключается в том, чтобы получить определенный результат, аналогичный тому, который получает человек в результате размышлений.
В действительности, перед системой ИИ ставится цель: решение задач высокого уровня сложности, а не только получение каких-либо результатов.
Определение 1.3.1. В этом смысле, понятие ИИ может быть определено, как свойство технических систем решать задачи, которые и для естественного интеллекта сохраняют элементы творчества, т.е. такие задачи, которые не могут быть решены простым применением последовательности стандартных правил.
Искусственный интеллект не есть нечто, существующее независимо от естественного интеллекта. Он является техническим, инструментальным продолжением последнего, усилителем интеллектуальных способностей человека [Л.
324, с. 9]. Благодаря ИИ человек становится способным моделировать сложные системы, познавать их, управлять ими и, таким образом, преодолевать психофизиологическую ограниченность своей нервной системы.
Особо подчеркнем, что высшие функции целепологания и формирования субъективных образов остаются только за человеком и его интеллектом. Тем более, что от систем ИИ не требуется сходства с естественным интеллектом, с точки зрения процессов его функционирования.
2. Моделирование процессов мышления. При моделировании процессов мышления сущность проблемы иная. Важен не результат сам по себе, а процесс, который приводил бы к результату.
Моделирование мышления представляет собой применение метода моделей к познанию определенного объекта: мышления. В рассматриваемой области ученые пытаются упростить сложнейшую задачу познания мышления путем применения различных моделей. Развитие ЭВМ создает предпосылки для технического моделирования мыслительных процессов. Таким образом, постановка проблем и задач при моделировании мышления по сравнению с конструированием ИИ существенно различна.
Возможно, что те или иные задачи, связанные с созданием искусственного интеллекта, могут быть решены только при условии воспроизведения в нем определенных черт познавательного процесса. Гипотеза С. М. Шалютина в том и заключается, что ряд выявленных гносеологией исторически сложившихся орудий познавательной деятельности (язык, категории и т.п.) обязательны для всякой системы, которая была бы способна выполнить весь объем интеллектуальных функций, осуществляемых человеком.
Чем в большей степени эти орудия будут воплощены в системах искусственного интеллекта, тем более разумными, интеллектуальными будут эти системы.
3. Общетеоретическое направление области искусственного интеллекта. Для этого направления актуальным является вопрос: может ли машина мыслить?.
Сущность этого направления состоит в следующем. Если бы модель была тождественна оригиналу, то ее исследование не давало бы познавательного выигрыша.
Тем не менее, очень важен вопрос о возможности создания модели, столь адекватной оригиналу, что различие между нею и классом объектов, составляющих оригинал, по основным, конституирующим характеристикам, было бы не большим, чем различие внутри этого класса. Ответ на поставленный вопрос требует анализа мышления как целостной системы и сопоставления с ним созданных моделей.
Итак, сделаем вывод о том, что задача создания мыслящей машины не совпадает с задачей моделирования мышления. Другими словами, сущностью этого направления является теоретическое, фундаментальное изучение и познание мышления, с точки зрения кибернетики, математики и информатики.
Результатом развития этого направления, по всей видимости, будет создание абстрактной теории мышления, с точки зрения процессов генерации и обработки знаний, информации. Дальнейшее исследование области развития интеллектуальных систем целесообразно провести после изложения полученных нами новых научных результатов по созданию эволюционных баз данных и знаний, т.е. в последнем разделе этой работы.
При исследовании систем искусственного интеллекта и интеллектуальных систем необходимо провести анализ в некоторых других научных областях, некоторые результаты которых оказывают самое непосредственное влияние на нашу область. Более того, многие термины были взяты из психологии, медицины, гносеологии и ряда других областей современной науки. Мы не можем показать здесь обзоры всех взаимодействующих областей науки, так как это займет слишком много места в книге. Однако, наиболее важные, оказавшие самое сильное влияние на полученные нами научные результаты, так сказать, фундаментальные предпосылки необходимо здесь, хотя бы очень кратко, обсудить и проанализировать.
На данном этапе нашего исследования целесообразно перейти к краткому обзору и анализу некоторых биологических (эволюция) и психологических аспектов создания интеллектуальных систем.

БИОЛОГИЧЕСКИЕ АСПЕКТЫ ЭВОЛЮЦИОННОГО МОДЕЛИРОВАНИЯ

Метод моделирования проникает сейчас во все науки. Исследуя истоки моделирования, мы приходим к мифам. Мифы - первые модели: человек мысленно населял природу сверхъестественными существами, снабжал их характерами и судьбами, влечениями и возможностями. Достигали люди этим двух целей: явления природы становились более понятными и как-то предсказуемыми.
Эти функции - обслуживание понимания, обеспечение понятности и создание предсказаний - остались и у современных моделей [Л. 77]. С точки зрения нашего исследования, определенный интерес представляет книга [Л.
77] о моделях в теории эволюции, об идеях наследования, оптимальности и естественного отбора. Итак, человеческая деятельность в какой-то степени проектируется всегда, но и некоторые естественные процессы и явления бывает полезно рассматривать так, будто они искусственные, спроектированные для достижения некоторой цели. Такой прием широко распространен в биологии. Свое естественнонаучное оправдание он находит в теории эволюции, рассматривающей, в особенности после работ Дарвина, эволюцию как естественный процесс.
Эволюции посвящено, в той или иной степени, большое количество работ, например [Л. 29, 32, 52, 58-61, 67, 76-77, 83, 85, 99, 133, 138, 168, 177, 187-188, 212, 217, 221, 229, 239, 256, 260, 281-283, 288, 295, 299, 301, 312, 320, 330, 332, 334, 336, 341]. Данный перечень конечно не претендует на полноту, но позволяет отразить различные интересные подходы к исследуемым нами понятиям. Например, здесь приведены книги по общим вопросам теории эволюции [Л.
29, 61, 83, 133, 239, 246, 288, 334, 341], по общим вопросам биологии [Л. 177, 187-188], по развитию самой идеи эволюции [Л.
58, 61, 99, 234, 301], по генетике [Л. 67, 168, 221, 295, 320], приведены книги классиков, чьи труды оказали огромное влияние на развитие этой области науки [Л. 85, 260, 281-283, 295, 312, 320], указаны некоторые работы, которые в определенном смысле взаимосвязаны с понятием эволюции [Л.
14, 30, 32, 44, 46, 49, 52, 59-60, 68-69, 72, 81, 92, 108, 112, 114, 118, 119, 127, 138, 159-162, 182, 186, 212, 217, 222, 229, 240, 251, 256, 258, 277, 297-299, 306, 324, 330, 332333, 342, 427-430], а также некоторые научно-популярные источники [Л. 76-77].
Рассмотрим понятие эволюции более подробно.
Платон в мифе об Эпиметее изложил важную идею о существовании единой меры для различных биологических свойств. Эта мера - коэффициент размножения, т.е. среднее число выживших потомков на одного предка [Л. 77, 85, 312].
Чтобы в череде поколений не исчез ни один вид, коэффициент размножения должен быть равен единице. Однако, мир Эпиметея - застывший мир, в котором виды не возникают и не исчезают.
Такой мир эволюционного равновесия вроде бы чужд идее эволюции, но, на самом деле, необходим для ее понимания.
В теории эволюции Дарвина рассматривается возникновение одних видов и вымирание других. Очень важно предположение, что виды возникают и исчезают медленно, если измерять время продолжительностью жизни особей этих видов. Тогда получаем, что коэффициенты размножения для ныне живущих видов практически равны единице.
Кроме того, появляется еще фон сравнения [Л. 77], т.е. это те, кого недавно не стало. Значит, они были хуже и их коэффициент размножения стал меньше единицы. Такой фон сравнения -застывшая история, а коэффициент размножения в данных условиях - единая мера оптимальности или совершенства.
Конструировать фон сравнения на основе реальной истории сложно, поэтому используются другие подходы. Горбань А.Н. и Хлебопрос Р.Г. в [Л. 77] предлагают выделить все результаты биологических упрощений в особое царство формальных и математических моделей, а применение таких результатов к классическим биологическим существам рассматривать на правах сравнительного анализа. Обитателей этого нового царства они назвали матемазаврами.
Это безобидные и полезные существа, заменяющие теоретикам кроликов и дрозофил. Считается, что большинство матемазавров бесцельно слоняется в случайных направлениях, пока не наткнется на пищу.
Покушав, матемазавры тут же или чуть позже размножаются и слоняются дальше. Матемазавры эволюционируют очень быстро и могут вести себя более осмысленно.
В конце 20-х годов 20-го столетия оформилось новое научное направление, которое может быть охарактеризовано, как математическая теория эволюции. Впрочем, официального единого названия это направление не имеет, но своим созданием обязано многим исследователям, которые теперь называют себя не биологами, а эволюционистами [Л. 76-77]. Наиболее известные из них: Дж.
Б.С. Холдейн, Р.А. Фишер, С. Райт. Интересно, что первые шаги в этом направлении были сделаны еще в 19 веке Т. Мальтусом и, как отмечал Ч. Дарвин, послужили основой для наводящих соображений при создании теории отбора.
В целом математическая теория эволюции так же, как и более известное направление, не использующее математику, опирается на идеи Ч. Дарвина об отборе. Отметим, что, в целом, в теории эволюции очень много разнообразных идей, часто противоречащих друг другу.
Теория эволюции с помощью естественного отбора предстает перед нами сейчас одним из воплощений идеи Ньютона о динамических моделях: описываются изменения, связанные с наследственными вариациями, рождениями, выживанием, размножением и смертностью на сравнительно небольших временах, и утверждается, что биологическая эволюция сводится к большой последовательности таких изменений.
Со временем выживают те организмы, у которых коэффициент размножения больше. Но это не из-за какого-либо стремления к совершенству, а просто потому, что с ходом времени их доля в системе все увеличивается. При этом коэффициент размножения - просто коэффициент в уравнениях, описывающих изменение численности, а не цель совершенствования.
Однако в результате появляется возможность рассматривать его как меру оптимальности. Такого рода динамические модели выживания (модели дифференциального выживания) призваны объяснить эволюцию.
Такой подход (метод) дает возможность конструировать сценарии эволюционного развития и упорядочить данные биологического моделирования.
Идеи эволюционного моделирования применяются не только в биологии, но и при исследовании других научных объектов, например, в астрономии исследуют эволюцию Вселенной. Интересно, что явно свести всю эволюционную биологию к динамическим моделям отбора наследуемых вариаций невозможно и не нужно, но мыслить все эволюционные события происходящими по Дарвину (по современной синтетической теории) полезно, т. к. это способствует упорядочению и согласованию знаний.
Подчеркнем, что Дарвиновская теория эволюции исходила во многом из аналогии между процессами, происходящими в природе, и селекцией домашних животных и растений. Селекционер был заменен условиями обитания - от них зависят скорости успешного размножения.
Живые существа, видоизменяясь, приспосабливаются к новым условиям. Впрочем, термин приспособление метафоричен и неточен, так как подразумевает, что изменения происходят целенаправленно и сознательно.
В действительности же наиболее важен такой механизм: одним обитателям становится существенно хуже, другим - не настолько или даже лучше. И эти последние вытесняют прежних жителей, даже если вначале, до изменения в среде, были в меньшинстве.
Называя такой процесс отбора приспособлением, мы как бы смешиваем его с другими - индивидуальной адаптацией и модификацией индивидуального развития.
При изменении условий все организмы, так или иначе, меняются - адаптируются. Это происходит довольно быстро, но в сравнительно узких пределах. Более широкий диапазон изменений дает модификация индивидуального развития. В новых условиях развитие идет хоть немного, но по другому.
Для проявления таких модификаций требуется уже смена нескольких поколений. Эти изменения обычно обратимы и захватывают сразу значительную часть особей.
Не вытеснение одних другими за счет изменений в коэффициенте размножения, а просто изменение многих - в этом отличие эволюции путем отбора наследуемых вариаций [Л. 77]. Он действует медленнее всех индивидуальных
приспособлений и модификаций, но зато может приводить к приспособлениям, намного сильнее уклоняющимся от первоначальных свойств.
Однако процесс эволюции не сводится к одному-двум эффектам. Более того, в биологии складывается такая проблемная ситуация, когда умножение знания о деталях не ведет автоматически к углублению понимания целого.
В нынешней теории эволюции отсутствует процедура сбора целостной картины из разнообразных фрагментов. Здесь уместно перейти (вернуться) от биологии к нашей предметной области, т.е. к созданию эволюционных баз данных и знаний для синтеза интеллектуальных систем, и даже более того: к эволюции техносферы.
Когда речь идет об эволюции техносферы, то в действительности имеется в виду эволюция человеческой мысли и деятельности [Л. 77]. Человечество подошло вплотную к такому порогу, когда оно может запустить управляемую эволюцию техносферы. Функции человека, при этом, возможно, будут таковы: не придумывание шагов эволюции, а ее запуск, создание базы, рамок, основных правил.
При этом, шаги эволюции такая техносфера будет делать уже сама. Отметим, что современное развитие вычислительной техники, кибернетики, математики и других наук позволяет говорить о такой эволюционной техносфере уже без налета фантастики, а как о ближайшей перспективе.
Важно, что, имея такую прикладную проблему в качестве одного из основных мотивов деятельности, теория эволюции получит новые стимулы к развитию, а моделирование эволюционной динамики - конкретные цели.
Как справедливо замечено в [Л. 77], время создания ЭВМ принципиально нового поколения уже пришло. Для таких ЭВМ надо ставить формализованные цели и организовывать контакт с действительностью. Остальное такие ЭВМ, набираясь опыта, сделают сами, используя при этом эволюционные алгоритмы.
Впрочем, адаптация имеет и свои минусы: трудно учитывать концептуальные ограничения, а без этого система может плохо работать в ситуациях, далеких от встречавшихся ранее. Для программируемых машин таких проблем не возникает.
Если удастся соединить достоинства этих двух классов машин, то можно будет гибко сочетать программируемость и адаптацию. В частности, такой подход пытаются исследовать и реализовать в рамках создания новых методов обработки данных и конструирования ЭВМ [Л. 5-7, 37, 56, 63, 93, 126-131, 137, 148, 165-167, 189, 244, 245, 263, 274, 287, 343-344, 384-386, 438, 460-461], обучаемых ЭВМ и искусственного интеллекта [Л.
9, 11, 23, 28, 31, 33, 47, 82, 92, 112-118, 171, 203, 232-233, 251, 326-327, 427-430, 438, 462-465, 481-503], нейрокомпьютеров [Л. 17, 76-77, 142, 207-211, 333, 438].
Данная работа также посвящена аналогичным вопросам создания новых обучаемых и адаптирующихся комплексов ЭВМ.
Таким образом, смысл терминов, связанных с эволюцией, в различных областях одинаков, т.е. под этим понимают постепенное изменение системы в течение некоторого интервала времени. Однако, в каждой области знаний, термин эволюция имеет свое значение, но вместе с ним можно (как синоним) употреблять термин адаптация.

НЕКОТОРЫЕ ПСИХОЛОГИЧЕСКИЕ АСПЕКТЫ СИНТЕЗА ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ
1.5.1. ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ И ПСИХОЛОГИЧЕСКИЕ АСПЕКТЫ САМООТНОШЕНИЯ

Одной из основных проблем при разработке систем искусственного интеллекта является проблема наделения таких систем самосознанием, самооценкой, самоанализом, что в общем случае может быть обозначено в гносеологическом смысле как самоотношение СИИ к себе самой. До сих пор исследователи уделяли недостаточно внимания анализу влияния психологических аспектов самоотношения при разработке систем искусственного интеллекта. Особый интерес представляет то, как понятие самоотношение определяют при исследовании естественного интеллекта, прежде всего в психологии [Л.
106,153,223,259,265, 272, 273, 291, 427-459].
Рассмотрим основные представления о строении обобщенного самоотношения. Существует пять основных подходов к пониманию глобальной самооценки (самоуважения) и ее структуры [Л. 223]:
1. Я - как конгломерат частных самооценок, связанных с различными аспектами Я-концепции.
2. Самоотношение как интегральная самооценка частных аспектов,
взвешенных по их субъективной значимости.
3. Самоотношение как иерархическая структура, включающая частные самооценки, интегрирование по сферам личностных проявлений и в
комплексе составляющие обобщенное Я, которое находится наверху иерархии.
4. Глобальная шкала самооценки, которая относительно автономна и одномерна, т.к. выявляет некоторое обобщенное самоотношение, одинаково приложимое к различным сферам Я.
5. Самоотношение как чувство в адрес Я, включающее переживания различного содержания (самоуверенность, отраженное отношение и т.п.).
Кроме того, в настоящее время в психологии, в связи с термином самоотношение, можно выделить два положения, которые, по мнению Пантилеева С.Р. [Л. 223], априорно принимаются большинством исследователей:
- существует некоторое обобщенное самоотношение (самоуважение, самооценка), которое является целостным, одномерным и универсальным образованием, выражающим степень положительности отношения индивида к собственному представлению о себе;
- это обобщенное самоотношение некоторым образом интегрируется из частных самооценок.
Интересно, что именно эти положения наименее эмпирически обоснованы, но это не приводит к сомнению в их априорной истинности. Считается, что самооценка есть эмоциональная реакция на знание о себе, так как ей просто больше неоткуда взяться, а обобщение этих эмоциональных реакций происходит на основе обобщения отдельных аспектов образа Я в целостную Я-концепцию.
При таком подходе, попытки понятийной реконструкции структуры эмоциональнооценочной системы не могут приводить ни к чему иному, как к коллекционированию (интегрированию) отдельных аспектов или сфер проявления личности, которые потенциально могут составить содержание Я-концепции и стать объектами для самооценок. Именно это и имеет место в большинстве зарубежных исследований [Л.
223].
Определенный интерес представляют взгляды на данную проблему, развиваемые в отечественной психологии (Леонтьев А.Н., Рубинштейн С.Л., Шорохова Е.В., Кон И.С., Столин В.В., Чеснокова И.И., Пантилеев С.Р.), где преодолены ограничения, связанные с позитивистскими и феноменологическими подходами к пониманию самосознания [Л. 106, 153, 223, 259, 265, 272, 273, 291, 427-459]. Однако решение методологических проблем пока не нашло практического воплощения в конкретные эмпирические исследования, непосредственно связанные с изучением строения самоотношения как эмоционально оценочной системы.
Самооценка чаще всего используется в практических исследованиях как независимая переменная.
Самоотношение (самооценку) нельзя рассматривать в отрыве от других понятий психологии. Наиболее разработанной в отечественной психологии является концепция самосознания, предложенная Столиным В. В. В этой концепции, самосознание понимается не только как самоописание, самопознание или комплекс самооценок [Л. 272].
Самосознание личности направлено на то основное, что составляет ее психологическую сущность - на ее собственный личностный способ интеграции различных видов деятельности и иерархизации ее мотивов. Необходимость такого понимания самосознания в психологии связана с тем, что любой человек в какой-то период своей жизни реализует некоторую совокупность жизненных отношений с помощью системы различных видов деятельности.
При этом одни и те же обстоятельства, действия и т.п. в различных жизненных отношениях будут иметь различный личностный смысл.
Одновременно осуществляя разные отношения с помощью разных видов деятельности, человек находится в потенциально конфликтной ситуации, в которой одни и те же действия могут обладать разными смыслами в отношении к разным мотивам. Этот противоречивый, составной смысл известный психолог Столин В.В. называет конфликтным смыслом [Л. 272]. Процесс самосознания по Столину происходит в виде переживания конфликтных смыслов, в ходе которого для личности (индивида) становится ясным, что она может преодолеть, что заставляет ее отступить и через какие преграды личность не может переступить даже под жестким давлением обстоятельств.
Получается, что собственное Я человека, иногда даже в большей степени, чем объективные обстоятельства, может выступать как условие, цель или мотив его деятельности.
В этой концепции самоотношение не является ни следствием знания о себе, ни реакцией на определенные аспекты образа Я. Наоборот, и знание о себе, и самоотношение есть следствие одних и тех же общих причин, лежащих вне субъекта, в его деятельности, - и лишь вторично, в феноменологически превращенных формах, отдельные самооценки могут восприниматься самим субъектом как способные порождать его истинное отношение к себе. Научный психологический анализ в этом случае не совпадает, - и даже в чем-то противоположен субъективной психологике интроспективного наблюдателя.
Как единица самосознания, смысл Я порождается как отношение к мотиву или цели релевантных их достижению качеств субъекта и оформляется в самосознании в значениях (когнитивный аспект) и эмоциональных переживаниях (эмоциональный аспект). В этом случае, смысл Я содержит когнитивную, эмоциональную и отношенческую (от слова -отношение) компоненты.
С другой стороны, самоотношение может рассматриваться как результат столкновения собственных свойств с мотивами и целями субъекта.
Получаем, что термин самоотношение (т.е. отношение к себе) употребляется как минимум в трех следующих значениях [Л. 223].
1. Самоотношение как результат процесса соотнесения Я субъекта с мотивами и целями деятельности, т.е. личностный смысл Я.
2. Самоотношение как субъективный, феноменологически представленный аспект смысла Я, ограниченный связями последнего с другими составляющими сознания и замкнутый внутри него.
3. Самоотношение как эмоциональная составляющая смысла Я.
Все три понимания: смысл Я, аспект смысла Я и эмоции правомерны, но их терминологическая нераздельность, неразведенность осложняет их анализ.
Выделяют два основания различения смысловых образований от других образований сознания [Л. 223]:
- опосредованность реальной деятельностью первых - феноменологическая непосредственная данность вторых;
- глубинность первых и функционирование на поверхности сознания вторых.
В [Л. 223] введено еще одно основание для различения понятий смысл Я и

ИСКУССТВЕННОЕ И ЕСТЕСТВЕННОЕ

система ориентировки на существенные отношения решаемой задачи ... . Стадия интеллекта (или ручное мышление) есть высшая ступень развития психики животных, (а) ... ядро ... собственно интеллекта составляет способность выделить в ситуации ее существенные для действия свойства в их связях и отношениях и привести свое поведение в соответствие с ними [Л. 153].
Мы видим, что интеллект не отделяется от самого человека. Отметим, что основными свойствами (способностями, возможностями) интеллекта являются:
- отражение объективной действительности,
- накопление и преобразование опыта,
- выделение существенного для отражающей системы,
- управление действиями самой системы.
Есть и другие определения понятия интеллект (разум), которые характеризуют взгляды не психологов, а представителей кибернетики, математики и т.п. Например, Интеллект - (это) а) способность понимать или обучаться на опыте; способность приобретать и сохранять знания ... ; б) способность быстро и правильно реагировать на новую ситуацию ... ; в) в психологии - мера успешности в использовании названных способностей при выполнении конкретной задачи [Л.
304, с. 222]. В свое время, М. Минский сказал так: ...интеллект означает едва ли больше, чем комплекс активности, который мы уважаем, но не понимаем [Л. 193, с. 453]. В толковом словаре по информатике сказано: интеллект - ум, рассудок, разум; мыслительные способности человека.
Отдельные интеллектуальные способности человека могут быть автоматизированы путем создания систем искусственного интеллекта [Л. 226, с. 126]. На основе анализа существующих определений и результатов научных исследований Донецкого Института проблем искусственного интеллекта было предложено и обосновано расширенное определение этого термина: интеллект - алгоритм действия биологической системы, находящейся в
сознательном состоянии, способной самостоятельно вести общение с окружающим миром, обобщать опыт, осуществлять постановку и решение задач в соответствии с выбранной целью [Л. 47, с. 316].
Или еще более кратко: интеллект - алгоритм решения задач, сформированных сознанием [Л. 47, с. 318].
При этом, термин интеллект определяется через другое, более сложное понятие сознание, что в общем случае не совсем корректно и информативно (так как один сложный термин определяется через другой, еще более сложный).
Кроме того, есть и научно-популярные толкования этого термина. Например, А. и Б. Стругацкие считают, что:
- разум есть такое свойство человека, которое отличает его деятельность от деятельности животных;
- разум есть способность живого существа совершать нецелесообразные или неестественные поступки (из горестных наблюдений);
- разум есть сложный инстинкт, не успевший еще сформироваться ...;
- разум есть способность использовать силы окружающего мира без разрушения этого мира ... [Л. 31, с. 35].
Таким образом, в данной работе, под понятием интеллект будем понимать такую систему (комплекс, объект), которая способна отражать объективную действительность, преобразовывать накопленный опыт, выделять существенное для себя и управлять своими действиями.

ИСКУССТВЕННОЕ И ЕСТЕСТВЕННОЕ

Прежде всего, обратим внимание на слова Гете: И неестественное тоже природа. Кто не видит ее во всем, тот не видит ее как должно [Л. 31, стр. 36].
Термин искусственное можно охарактеризовать тремя положениями Г. Саймона [Л. 258, с. 14]:
1) искусственные объекты конструируются (хотя и не всегда преднамеренно) человеком,
2) искусственные объекты можно охарактеризовать их функциями, целями и степенью приспособления к требованиям среды,
3) искусственные объекты часто, особенно при их проектировании рассматриваются не только в описательных терминах, но и с точки зрения категории долженствования ....
Поясним эти положения. Искусственные объекты создаются для чего-либо и что-то должны выполнять, делать, либо что-то замещать по замыслу их создателя, конструктора. Приведем пример. Когда человек поднимает с земли палку, чтобы сбить, сорвать банан, то эта палка является естественным объектом.
Но, как только, человек соединяет вместе естественные объекты: палку и камень, чтобы такая палка с наконечником пронзала животных, так сразу же получается искусственный объект, предназначенный для охоты. Теперь это уже не палка с камнем, т.е. два естественных объекта, а один искусственный объект: копье! Попробуйте сказать, что палка или камень должны что-то делать. Они ничего не должны, а вот копье должно летать и пронзать цель.
Иначе копье и не было бы копьем.

ПОНЯТИЕ ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ

В настоящее время известны различные, порой даже противоречивые, толкования понятия: искусственный интеллект. Приведем некоторые из них. Итак, искусственный интеллект - это ...создание таких программ для вычислительных машин, поведение которых мы бы назвали разумным, если бы обнаружили его у людей [Л.
298, с. 25]. ИИ -
это ... по существу инженерная дисциплина. Мы хотим строить разумные системы (,) ... эвристический поиск ... представляет главную компоненту техники искусственного интеллекта [Л.
215, с. 10]. Искусственный интеллект будет реализован лишь тогда, когда неодушевленная машина сможет решить задачи, которые до сих пор не удавалось решить человеку, - не вследствие большей скорости и точности машины, а в результате ее способности найти новые методы для решения имеющейся задачи [Л.
306, с. 28]. Мнение У. Р. Эшби таково: Сегодня создание системы, подобной мозгу, с определенными
интеллектуальными способностями в принципе также доступно, как создание паровой машины с заданной мощностью [Л. 277, с. 155].
Есть и другие мнения: область ИИ - это область исследований, в которой цифровые вычислительные машины используются для моделирования разумного поведения... [Л. 92, с. 19]. Трудности в разработке проблем искусственного интеллекта отражают не столько недостаточное развитие нашей технологии, сколько, пожалуй, указывают на принципиальные границы ее возможностей [Л.
92, с. 192].
Академик А. Н. Колмогоров отмечает, что моделирование способа организации материальной системы не может заключаться ни в чем ином, как в создании из других материальных элементов новой системы, обладающей в существенных чертах той же организацией, как и система моделируемая. Поэтому достаточно полная модель живого существа по справедливости должна называться живым существом, модель мыслящего существа - мыслящим существом [Л.
217, с. 52].
Теперь приведем более общие философские определения и прогнозы: ... бурное развитие кибернетики в гармоническом сочетании с развитием молекулярной биологии и наук о высшей нервной деятельности в конечном итоге позволит создать искусственные разумные существа, принципиально не отличающиеся от естественных, но значительно более совершенные, чем они, и способные к дальнейшему самоусовершенствованию [Л. 329, с. 318]. Выполнение машиной сложных логических операций не есть ... мышление в строгом смысле ... . Живой мозг решает задачи совсем по иному. Он работает по направляющему плану, ведущему мысль к определенной, ясно осознаваемой цели.
Машина же реализует не свои, а человеческие цели. Решая задачи по определенным формальным правилам, она, конечно, не понимает сути самой задачи и последствий своих действий. Разумеется, человек тоже программируется жизнью, обществом. Но он сознательно пользуется этой программой [Л.
267, с. 55]. Г. С. Поспелов писал, что под искусственным интеллектом понимается наука о том, как заставить машину делать то, что умеет делать умный человек [Л.
31, с.3].
Интересный подход к определению ИИ приведен в книге В. И. Васильева и А. И. Шевченко - ученых Донецкого Института проблем искусственного интеллекта, где прежде определяется термин искусственное сознание - как высшая управляющая система машины, владеющая определенными знаниями о себе и своем окружении, способная получать информацию и формировать новые знания в соответствии с поставленными ее создателем целями и задачами [Л. 47, с. 331].
Затем, на основе этого определения формулируется оригинальное простое для понимания определение термина искусственный интеллект ... - алгоритм решения задач, сформированный искусственным сознанием [Л. 47, с. 331]. Впрочем, такое определение представляется не совсем корректным и
информативным, так как один сложный термин определяется через другой, еще более сложный, да еще к тому взятый из другой области науки.
Кроме того, существуют определения, которые, по сути, также относятся к исследуемой области. Например, интеллектуальная система представляет собой
объединение комплекса средств познавательной деятельности с функциональным коллективом специалистов, которые используют их при постановке и решении познавательных задач [Л. 160, с. 3-4]. При этом, такой комплекс может включать методы, семиотические системы, ЭВМ и другие технические средства, информацию и организационные структуры.
Люди-специалисты обладают также вполне конкретными возможностями, которые определяются их профессиональной подготовкой, опытом предшествующей работы, особенностями психического склада и т. п. Каждая интеллектуальная система, при условии возможностей варьирования всех выше перечисленных свойств, обладает своими специфическими особенностями, а ее организация и обеспечение функционирования требуют соответствующих знаний и методики.
Многие авторы подчеркивают необходимость решения проблемы искусственного интеллекта, например: ... под тем, что называют искусственным интеллектом, кроется общая проблема резкого упрощения общения человека с вычислительными системами на пути развития семантических формализмов... . Решение задач такого масштаба - задач, с которыми человечество сталкивается все более непосредственно и остро, - непосильно для ничем не вооруженного человеческого интеллекта [Л. 31, с. 65].
Из всего выше сказанного, с учетом мнения изложенного в работе Б. В. Бирюкова и И. Б. Гутчина [Л. 31, с. 38] можно сделать три основных вывода.
1. Термин искусственный интеллект употребляется в двух различных смыслах. Во-первых, под этим термином понимают определенное научное направление, а во-вторых, этот термин используется как название для систем и объектов, на разработку которых и нацелены проводимые исследования.
2. Среди ученых существуют разногласия относительно возможностей, как принципиальных, так и реальных - исследовательского направления искусственный интеллект.
3. Для обсуждения проблемы искусственного интеллекта характерен функциональный подход, т.е. машина признается интеллектуальной - в том или ином смысле, если в рассматриваемой сфере интеллектуальной деятельности она будет выдавать результаты аналогичные тем, какие выдают люди, а желательно, даже далеко превосходящие их результаты.
Приведем еще одно, очень важное на наш взгляд, высказывание биофизика А. Сент-Дьерди: Мозг есть не орган мышления, а орган выживания, как клыки или когти. Он устроен таким образом, чтобы заставить нас воспринимать как истину то, что является только преимуществом, и тот, кто логически доводит мысли до конца, совершенно не заботясь о последствиях, должен обладать исключительной, почти патологической конструкцией. Из таких людей выходят мученики, апостолы или ученые, и большинство из них кончает жизнь на костре или же на стуле - электрическом или академическом [Л.
239, с. 416].
Таковы основные существующие взгляды и подходы к пониманию содержания термина - искусственный интеллект. Существуют различные подходы к исследованию проблемы искусственного интеллекта, к исследованию которых мы и переходим в следующем разделе.

ОСНОВНЫЕ ПОДХОДЫ К ПРОБЛЕМЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Проведенный нами анализ показал, что в настоящее время выражение искусственный интеллект используется в двояком смысле:
- как техническая или кибернетическая модель естественного интеллекта,
- как научное направление, лежащее на стыке разнообразных научных дисциплин.
Таким образом, аналогично, целесообразно выделить два основных подхода к проблеме искусственного интеллекта. На основании этих двух подходов принято выделять два направления исследований в этой научной области:
1) прикладное направление развития области искусственного интеллекта,
2) фундаментальное направление развития области искусственного интеллекта.
Рассмотрим эти направления развития области искусственного интеллекта более
подробно.

ПРИКЛАДНОЕ НАПРАВЛЕНИЕ РАЗВИТИЯ ОБЛАСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Рассмотрим первый подход. В предисловии к работе [Л.
340] Д. А. Поспелов пишет: С самого начала работ по созданию интеллектуальных систем возникло два вопроса: какова глобальная цель подобных исследований и какова их глобальная стратегия? [Л. 340, с. 6]. На первый вопрос Д. А. Поспелов отвечает так: Несмотря на то, что призыв Познай самого себя актуален для человечества с тех давних времен, когда только зародилось его самосознание, на современном этапе его нельзя рассматривать как основную - и тем более единственно возможную цель. С практической точки зрения более важной представляется другая цель: создание искусственных систем, способных выполнять не хуже (а, возможно, и лучше) человека ту работу, которую люди традиционно относят к сфере интеллектуального труда [Л.
340, с. 6]. При ответе на второй вопрос Д. А. Поспелов занимает компромиссную позицию, сочетающую воедино такие крайние точки зрения, как:
1) многие важные задачи могут быть решены путем копирования опыта природы;
2) ряд функций интеллекта, связанных с символьными преобразованиями, эффективнее и легче реализовывать нечеловеческими способами.
При таком подходе, основные исследования, которые ведутся в области искусственного интеллекта, можно свести к следующим 4 направлениям [Л. 340, с. 10].
1) Представление знаний и работа с ними, т. е. создание специализированных моделей и языков для представления знаний в ЭВМ, а также программных и аппаратных средств для их преобразования; исследования по созданию специальных логик, позволяющих пополнять и обобщать знания, хранимые в машине.
2) Планирование целесообразного поведения, т.е. исследования по созданию методов формирования целей и решения задач планирования действий автоматического устройства, функционирующего в сложной внешней среде.
3) Общение человека с ЭВМ, т.е. задачи создания языковых средств, позволяющих эффективно взаимодействовать с ЭВМ непрограммирующему пользователю, а также исследования в области синтаксиса и семантики естественных языков, способов хранения знаний о языке в памяти машины и построения специальных процессоров, осуществляющих перевод текстовой информации во внутреннее машинное представление.
4) Распознавание образов и обучение, т.е. исследования по восприятию зрительной, слуховой и других видов информации, методам ее обработки, формированию ответных реакций на воздействия внешней среды и способам адаптации искусственных систем к среде путем обучения.
Считается, что такой подход непосредственно связан с техникой, с существующими и перспективными ЭВМ, а также с программированием. Поэтому, такой подход можно назвать (определить) прикладным подходом в области ИИ.
При таком подходе под системами искусственного интеллекта (или под искусственным интеллектом) понимают системы, выполняющие функции, которые принято считать интеллектуальными.
Таким образом, основоположники прикладного подхода и их последователи сразу же сужают область ИИ, сводя ее лишь к прикладным, чисто практическим целям. Это тоже важно, но путем создания таких искусственных систем вряд ли можно создать нечто мыслящее, разумное. Ибо, при таком подходе изучаются лишь отдельные функции и способности мозга, следовательно, происходит упрощение задачи.
Конечно же, одну из функций моделировать и исследовать проще, но нельзя забывать о том, что мозг - это динамическая саморегулирующаяся система, в которой все функции взаимосвязаны и взаимозависимы.
Изучая только отдельные функции мозга - как системы мышления, без учета их взаимозависимости и взаимосвязанности, мы уже не исследуем, не изучаем саму систему, которая нас интересует. Получается, что, не рассматривая, не изучая мышления как целостную, единую систему мы намереваемся создать искусственные системы, которые выполняли бы некоторые отдельные функции мышления. Но, может быть, даже отдельные функции мышления являются свойством всей системы мышления в целом.
Следовательно, необходимо изучать, исследовать, познавать процесс мышления в целом, как единую динамическую саморегулирующуюся систему. Можно сделать такой вывод: следуя только по прикладному направлению в области ИИ, в принципе, невозможно будет создать такую искусственную систему, которая выполняла бы не хуже человека всю ту работу, которую люди относят к сфере интеллектуального труда.
Попробуем определить свойством какой системы является интеллект. Предположим, что это свойство любого человеческого мозга.
Тогда можно провести следующий мысленный эксперимент. Берем некий человеческий мозг и изолируем его от всех внешних воздействий, кроме жизнеобеспечивающих, питающих мозг. Для такого эксперимента можно взять известную голову профессора Доуэла и накрыть ее звуконепроницаемым, черным ящиком.
Итак, если в мозг не будут поступать сигналы от органов чувств, то в мозг перестанет поступать информация, и интеллекту нечего будет перерабатывать и обдумывать. В таком случае, интеллект не сможет развиваться, а, скорее всего, он просто засохнет, испортится, сойдет с ума.
Таким образом, без органов чувств, без поступления новой информации мышление не может развиваться (даже, не сможет появиться), а вероятнее всего, мышление просто не может существовать без этого.
Следовательно, система обладающая интеллектом должна содержать помимо мозга еще и подсистему органов чувств, т. е. подсистему приема информации. По нашему глубокому убеждению, интеллект - это свойство, как минимум, всего человека, а не только человеческого мозга.
Рассмотрим другой, литературный опыт, например, жизнь человека на необитаемом острове, т.е. случай с Робинзоном Крузо. Интеллектом Робинзон обладал, но почему и откуда появилось у него это свойство?
Интеллект - это свойство личности, отдельного человека? Робинзон был на острове единственным разумным существом и у него не было ни какой связи с другими людьми. Но от этого он не утратил свой интеллект, ведь до этого Робинзон жил среди людей и общался с ними, получил определенные знания и навыки.
Общение с людьми как с носителями интеллекта послужило причиной интеллектуальности Робинзона. Следовательно, кроме того, что некоторая система должна быть способной к интеллектуальной деятельности, эта система должна еще пройти курс обучения интеллектуальности, т. е. научиться мыслить и рассуждать, а, кроме того, она еще должна накопить внутри себя, в себе, некоторый определенный запас знаний.
В подтверждение правильности наших рассуждений, приведем пример, когда человек сразу после своего рождения остается один, без общения с другими людьми. Например, это случай с Маугли.
Известно достаточно много случаев таких природных, трагических опытов над человеческими детьми. Такие дети, если они пробыли в лесу достаточно долгий срок, уже не могли быть нормальными людьми в полном смысле этого слова.
Такие маугли уже никогда не способны научиться говорить, писать, мыслить.
Можем сделать такой вывод, что конкретный человек - это лишь определенный материальный носитель интеллекта, который, в свою очередь, является свойством общественного явления - мышления или, даже, сознания. Остается процитировать известную поговорку: Для того, чтобы быть Человеком мало родиться человеком, надо еще и стать Человеком.
Подведем некоторые итоги. Исходя из смысла установившейся терминологии, получается, что если мы собираемся создать искусственный интеллект, то мы будем стремиться создать такую систему, которая имела бы равные возможности с естественным интеллектом.
Получается борьба за чистоту терминологии и корректное применение слов. Это направление занимается созданием систем, которые моделируют, заменяют, усиливают лишь какую-то одну или несколько конкретных функций интеллекта и не более того, т.е. не занимается моделированием системы мышления, интеллекта в целом.
Как может такое научное направление называться искусственным интеллектом? Ведь у этого направления даже и цели изучения интеллекта, в целом, нет.
Поэтому, предлагается это научное направление называть - прикладное направление в области искусственного интеллекта.
В заключении отметим, что можно сделать вывод о необходимых условиях возникновения и существования интеллектуальных систем. Перечислим данные условия.
1. Непрерывное движение, внутреннее изменение системы.
2. Постоянное отражение, связь, взаимодействие с внешним миром.
3. Активность системы, т.е. наличие у нее собственной внутренней модели, (самосознания, самоотношения), существование и действие комплекса целей.
4. Закрепление опыта, накопление и обработка информации.
5. Необходимый уровень сложности самой системы, т.е. система должна быть физически способна к интеллектуальной деятельности.
6. Наличие некоторого количества таких систем, образование некоторой популяции систем.
7. Наличие взаимодействия, взаимопомощи с подобными себе системами внутри определенной популяции.
8. Размножение, порождение новых подобных себе систем, отличающихся от уже существующих и умирание, исчезновение старых и не приспособленных систем.
9. Благоприятные, удовлетворительные условия окружающей среды, существование необходимых ресурсов для реализации системами своих целей.
Прежде всего, надо создать, разработать такую систему, которая была бы способна к интеллектуальной деятельности, а уж затем из такой заготовки, путем обучения и самообучения, создавать систему искусственного интеллекта.
Рассмотрим другое направление в области развития ИИ.

ФУНДАМЕНТАЛЬНОЕ НАПРАВЛЕНИЕ РАЗВИТИЯ ОБЛАСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Одним из сторонников этого, более общего, философского, подхода является С. М. Шалютин [Л. 324]. Данный подход можно назвать фундаментальным, а в дальнейшем этот термин мы будем использовать без кавычек, так как он вполне выражает сущность этого научного направления.
В своей работе [Л. 324, с. 6] С. М. Шалютин подчеркивает, что глубокая связь гносеологии и проблемы искусственного интеллекта имеет и такой важный аспект, как включение технических систем в познавательный процесс. Это означает, что человек как субъект познавательного процесса использует создаваемые им специальные орудия познавательной деятельности.
Диалектико-материалистическая теория познания не ограничивается констатацией абстрактной возможности познания мира. Она выявляет реальные возможности и границы познания в каждую эпоху.
Познание человека ограничивается психофизиологическими особенностями его организма и, здесь, ему на помощь приходит кибернетическая, информационно-вычислительная техника.
Анализ области ИИ показал, что требуется уточнение проблематики данной области и вычленение ее из совокупности вопросов, относящихся к сфере воспроизведения мышления и его функций. В этой области можно выделить три основных направления, тесно связанных между собой, но вместе с тем и существенно различающихся:
1) проблема искусственного интеллекта;
2) кибернетическое моделирование мыслительных процессов;
3) общетеоретические исследования.
Проанализируем содержание этих направлений [Л. 324, с. 6 - 11].

Компоненты самоотношения организованы в иерархическую систему.

самоотношение. В отличие от первых двух собственно психологических, Пантилеев С.Р. предложил использовать логико-гносеологическое разграничение понятий смысл Я и самоотношение, а именно, рассматривать их как концептуальное и феноменологическое, как сущность и явление. Тогда самоотношение может быть определено (понято) как лежащее на поверхности сознания, непосредственно-феноменологическое выражение (или представленность) личностного смысла Я для самого субъекта.
При этом специфика переживания смысла Я производна от реального бытия субъекта, его объективной позиции в социуме. Кроме того, отсюда следует и то, что смысл Я может выражаться в не всегда адекватном ему самоотношении [Л.
223].
Самоотношение есть личностное образование, а потому его строение и содержание может быть раскрыто лишь в контексте реальных жизненных отношений субъекта и его деятельности, за которыми стоят мотивы, связанные с самореализацией субъекта как личности. Каждая конкретная социальная ситуация развития задает иерархию ведущих видов деятельности и соответствующих им основных мотивов и ценностей, по отношению к которым индивид осмысляет собственное Я, наделяет его личностным смыслом.
Существует глубокое и содержательное различение двух подсистем самоотношения: самооценочной и эмоционально-ценностной, которые могут взаимно превращаться друг в друга. Выделение этих двух подсистем в составе самоотношения связано с конфликтной природой смысла Я, с несовпадением смыслообразующих и только побуждающих мотивов.
Иерархия этих мотивов и определенная социальная позиция субъекта и обуславливают, в конечном счете, ту конкретную обобщенную форму, в которой смысл Я оказывается презентированным (представленным) индивиду. При этом строение каждой из двух систем самоотношения также оказывается иерархическим.
Но это разные иерархии. В их основе лежат различные принципы организации компонентов самоотношения в систему.
В большинстве случаев эти иерархии не совпадают (и иногда даже противоречивы), но и тогда их организация в целостную систему подчиняется принципу смысловой интеграции, в соответствии с которым смысловые отношения занимают более высокое место в иерархии и, в конечном счете, определяют обобщенное и устойчивое отношение субъекта к самому себе. Результаты проведенного анализа можно сформулировать в трех тесно связанных между собой положениях.
1. Самоотношение не сводимо к системе самооценок, а обладает более широким содержанием, связанным с выражением субъекту смысла Я, который образуется через отношение (столкновение) особенностей и качеств индивида с мотивами ведущих видов деятельности и ценностями значимого социального окружения, которые заданы конкретной социальной ситуацией развития личности.
2. В составе самоотношения можно выделить две совместно функционирующие подсистемы: собственно самооценочную подсистему и подсистему эмоциональноценностного самоотношения. Компоненты этих подсистем находятся в отношениях взаимного превращения.
Тем не менее, выражение их содержания для субъекта может осуществляться в различных языках - самооценок и эмоциональных отношений - что делает соответствующие содержания феноменологически различимыми.
3. Основным принципом строения самоотношения как эмоционально-оценочной системы является принцип смысловой интеграции, в соответствии с которым компоненты самоотношения организованы в иерархическую систему. Причем эта иерархия является динамической и обусловлена конкретной социальной позицией субъекта, социальной ситуацией его развития и соответствующей иерархией видов деятельности, за которыми стоят те или иные смыслообразующие и побуждающие мотивы.
Смысловые отношения занимают более высокое место в иерархии и определяют содержание обобщенного и устойчивого (для данной социальной ситуации развития) отношения субъекта к самому себе.
Приходим к выводу, что самоотношение является сложной системой и представляет собой личностное образование, которое может быть понято как непосредственно феноменологическое выражение (представленность) личностного смысла Я для самого субъекта. Кроме того, самоотношение представлено субъекту (личности) в специфическом языке, основу алфавита которого составляют следующие единицы, полученные Пантелеевым С.Р. [Л. 223] путем эмпирического обобщения частных аспектов
самоотношения: чувство осознанности Я; самоуверенность; саморуководство; отраженное самоотношение; самоценность; самопринятие; самопривязанность; самообвинение; внутренняя конфликтность. В целом, психологи в составе самоотношения выделяют две следующие подсистемы:
а) собственно самооценочную и
б) эмоционально-ценностного самоотношения.
Основным принципом строения самоотношения как эмоционально-оценочной системы является принцип смысловой интеграции. Компоненты самоотношения организованы в иерархическую систему. Изменения в структуре, содержании и уровне обобщенного самоотношения могут происходить только под воздействием факторов, затрагивающих его смысловой (ядерный) слой.
Значимое содержание обобщенного самоотношения и соответствующая чувственная модальность его выражения могут быть различны для индивидов с различным содержанием ведущих мотивов и ценностей. Таким образом, в психологии самоотношение является сложной системой и представляет собой личностное образование, которое может быть понято как непосредственно феноменологическое выражение (представленность) личностного смысла Я для самого субъекта. Кроме анализа самоотношения, несомненный интерес для синтеза интеллектуальных систем представляет понятие мотивации и её влияние на успешность деятельности.
Рассмотрим этот вопрос более подробно.

ПСИХОЛОГИЧЕСКИЕ АСПЕКТЫ МОТИВАЦИИ И ЕЁ ВЛИЯНИЕ НА

УСПЕШНОСТЬ ДЕЯТЕЛЬНОСТИ

Мотивация представляет для нас интерес как ведущий фактор регуляции активности интеллектуальной системы, в психологии - личности, её поведения и деятельности, что взаимосвязано с рассмотренным выше самоотношением. Прежде всего, попробуем сформулировать само понятие мотивации и мотива.
В определениях мотива у современных психологов имеются некоторые расхождения [Л. 106, 153, 223, 259, 265, 272, 273, 291, 431-437]. Одни учёные под мотивом понимают психическое явление, которое становится побуждением к действию [Л.
437], другие -осознаваемую причину, лежащую в основе выбора действий и поступков личности [Л. 431].
Автор психологической концепции деятельности А. Н. Леонтьев считает, что мотив -это то, что, отражаясь в сознании человека, служит побуждением к деятельности и направляет её на удовлетворение определённой потребности. И при этом в качестве мотива выступает не сама потребность, а предмет потребности.
А. Н. Леонтьев полагает, что предмет деятельности, являясь мотивом, может быть как вещественным, так и идеальным, но и в том и в другом случае за ним всегда стоит потребность, и он всегда отвечает той или иной потребности [Л. 431, с. 55].
Вслед за Реаном А. А., под мотивом мы будем понимать побуждение личности (интеллектуальной системы) к тому или иному виду активности (деятельность, общение, поведение), связанное с удовлетворением определённой потребности. Исходя из этого, будем считать, что в качестве мотива могут выступать идеалы, интересы, убеждения, социальные установки, ценности, за которыми, так или иначе, стоят разнообразные потребности личности. Согласно современным психологическим представлениям о мотивации (В. К. Вилюнас, В. И. Ковалёв, Е. С. Кузьмин, К. К. Платонов), мы рассматриваем мотивационную сферу личности как совокупность стойких мотивов, имеющих определённую иерархию и выражающих направленность личности [Л.
431, с. 5-6].
Для примера, рассмотрим широко распространенную учебную деятельность, которая есть и у людей, и в некотором смысле, должна быть у интеллектуальных систем. Как известно, успешность учебной деятельности человека зависит от многих социальнопсихологических и социально-педагогических факторов, кроме того, на успешность учебной деятельности очевидное влияние оказывает сила мотивации и её структура.
Согласно закону Йеркса-Додсона, чем выше сила мотивации, тем выше результативность деятельности, но такая связь сохраняется лишь до определённого предела: если после достижения определённого оптимального уровня сила мотивации продолжает расти, то эффективность деятельности человека начинает падать.
Кроме того, мотивы бывают не только сильные и слабые, но и также внутренние и внешние. В последнем случае речь идёт об отношении мотива к содержанию деятельности.
Если определённая деятельность значима для личности сама по себе, то мы имеем дело с внутренней мотивацией. В этом случае, когда значимы другие потребности (зарплата, подъём по служебной лестнице), то говорят о внешней мотивации.
Нас интересуют именно внутренние мотивы. Деление мотивов на внутренние и внешние очень важно, так как, например, на познавательную мотивацию не распространяется закон Йеркса-Додсона, а это означает, что нарастание силы познавательной мотивации после оптимального уровня не приводит к снижению результативности учебной деятельности.
Однако каким бы значимым не было деление мотивов на внешний и внутренний, оно, тем не менее, является недостаточным. Сами внешние мотивы могут быть положительными (мотивы успеха, достижения) и отрицательными (мотивы защиты, избегания). Принято считать, что внешние положительные мотивы более эффективны, чем внешние отрицательные, даже если по силе (количественный показатель) они равны. Во многих случаях, по мнению многих учёных, вообще не имеет смысла дифференцировать мотивы по критерию внутренние - внешние.
Гораздо более продуктивен подход, основанный на выделении позитивных по своей сути и негативных мотивов [Л. 431, с. 58].
Очень часто в психологической литературе, говоря об учебной деятельности и её успешности, имеют в виду, прежде всего, влияние интеллектуального уровня личности. Однако А. А. Реан, протестировав по шкале общего интеллекта группу студентов, пришёл к выводу, что нет значимой связи интеллекта с успеваемостью ни по специальным предметам, ни по гуманитарному блоку дисциплин [Л. 432].
Этот факт подтвердился и в исследовании В. А. Якунина и Н. И. Мешкова [Л. 433], которые выявили, что сильные и слабые студенты всё-таки отличаются друг от друга, но не по уровню интеллекта, а по мотивации учебной деятельности.
У сильных студентов отмечается внутренняя мотивация, так как у них есть потребность в освоении профессии на высоком уровне, они нацелены на получение знаний и умений для будущей профессиональной деятельности. У слабых студентов мотивы чаще всего внешние, а именно: избежать исключения, не лишиться стипендии и так далее.
Результаты, полученные в некоторых исследованиях по педагогической психологии, позволяют предполагать, что высокая позитивная мотивация может играть роль регулирующего фактора при недостаточно высоких специальных способностях или при сравнительно малом запасе знаний, умений и навыков у студентов; но интересен тот факт, что обратной связи у данного явления нет, то есть, никакой высокий уровень способностей не может компенсировать низкую учебную мотивацию или же её отсутствие, и, следовательно, не может привести к высокой успешности учебной деятельности. Например, при выполнении дипломной работы, высокая положительная мотивация к этой деятельности может компенсировать недостаточный уровень профессиональных знаний.
Студенты, заинтересованные в конечном результате, изучают большее количество источников и проводят эксперимент на более высоком уровне с использованием современных методик, чем те, кто, имеет большой запас знаний, но низкую мотивацию к данной деятельности.
Таким образом, от силы и структуры мотивации в значительной мере зависят и учебная активность учащихся и их успеваемость. При достаточно высоком уровне развития учебной мотивации она может играть роль компенсаторного фактора в случае недостаточно высоких специальных способностей или недостаточного запаса у студентов и учащихся требуемых знаний, умений и навыков.
Кроме того, по мнению психологов, одним из основных факторов достижения успеха является характер мотивации. Деятельность результативнее в случае усвоения образца поведения достижение успеха. Человек может действовать, смутно осознавая свои цели и желания, но тогда его действия едва ли будут целенаправленными. Действия плодотворны в том случае, если цель осознается: для чего, почему и каким образом действовать?
Цель - это образ желаемого результата, итога предпринимаемых усилий. Многие исследователи полагают, что результат, итог деятельности программируется человеком еще до начала действий [Л. 434, с.227].
Результат сначала идеален, существует как представление о цели.
Психический образ цели - это стимул, пусковой механизм активности.
Предпринимая действия с самоориентацией на достижение положительного результата, человек предрекает успех в итоге больше, чем, если бы его воображение было задето образом неудачного результата. Таким образом, можно сделать следующий вывод: для успеха в какой либо деятельности требуется создать положительный образ результата.
Психологи советуют избегать пессимистических мыслей, а также поддерживать в себе уверенность в благополучном завершении дела. Это - так называемая надситуативная активность личности.
В исследованиях Ф. Хоппе (успех и неуспех) были выявлены интересные факты: после серии успехов испытуемый ставит перед собой более сложную цель, повышает уровень притязаний, в то время как ряд неуспехов ведет к постановке более легкой цели, к снижению уровня притязаний [Л. 435, 436].
Какова же вероятность достижения успеха, например, для студентов или аспирантов? Какие факторы, детерминирующие успех, можно выделить по отношению к данной группе испытуемых.
На наш взгляд, содержательная интерпретация фактора успеха, который приводит субъекта к максимально положительному результату, весьма различна: основным фактором достижения успеха, бесспорно, являются знания, приобретенные субъектом в процессе обучения, важнейшим компонентом успеха является наличие способностей, опыта и умения применять их в той или иной ситуации, наличие благоприятных условий социальной среды, это может быть простое стечение обстоятельств. Например, студент, выучивший 5 билетов из 50, может вытащить один из 5-ти счастливых билетов и блестяще ответить на экзамене.
В этом случае успех достигается при относительно пассивном поведении за счет благоприятного стечения обстоятельств.
Отметим также, что одним из элементов успеха является поиск и включение в процессе достижения цели недостающего элемента, например, идеи или технологии (при написании дипломной или диссертационной работы). Кроме того, наличие цели и убежденности в необходимости ее достижения - один из факторов достижения успеха.
Студент, имеющий хорошую подготовку и имеющий отличные способности, но поступивший в какое-либо учебное заведение по настоянию родителей, имеет меньше шансов на успех, чем тот, кто сознательно поставил себе цель овладеть данной профессией.
Таким образом, успех в учебной деятельности зависит от совокупности факторов; наличие или отсутствие каких-либо из них влияет на конечный результат и определяет вероятность успеха. Эти результаты психологов пока напрямую сложно приложить к области создания интеллектуальных систем, но в перспективе, это обязательно понадобится.
Для себя сделаем вывод, что при обучении самообучаемых интеллектуальных систем очень важную роль играет мотивация такого обучения. Рассмотрим более подробно анализ влияния психологических мотивов на научную область, которая исследует синтез интеллектуальных систем, в том числе и, в перспективе, в целях создания систем искусственного интеллекта.

АНАЛИЗ ВЛИЯНИЯ ПСИХОЛОГИЧЕСКИХ АСПЕКТОВ НА СИНТЕЗ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ

Анализ влияния психологических аспектов самоотношения и мотивации деятельности при разработке систем искусственного интеллекта показал, что самоотношение является важным основополагающим термином для моделирования действительно интеллектуальных систем. Кроме того, для обучения интеллектуальных систем очень важную роль играет мотивация деятельности.
Любая система, претендующая на звание интеллектуальной, должна иметь некоторую подсистему самоотношения (самоописания, самоанализа и т.п.) для выявления, фиксации своей мотивации деятельности, для формулирования своих целей и определения задач для их достижения. Если система не выделяет себя как нечто активное самостоятельное, то такая система не имеет своих целей и не может развиваться, а, следовательно, не может считаться интеллектуальной.
Моделирование самоотношения в СИИ представляется целесообразным реализовать на основе, изложенного более подробно ниже, миварного подхода к накоплению и обработке данных. Исходные данные для такого моделирования могут быть в различных форматах, но их надо обрабатывать в едином структурированном (миварном) пространстве унифицированного представления данных и правил.
Кроме того, понятия самоотношения и мотивации играют важную роль при разработке теоретических основ адаптивного синтеза конфигураций интеллектуальных многопроцессорных систем (ИМС). Использование психологических аспектов самоотношения является перспективным направлением в разработке систем искусственного интеллекта [Л.
427-430].

ПРОБЛЕМА АДАПТИВНОГО СИНТЕЗА ИНФОРМАЦИОННО-ВЫЧИСЛИТЕЛЬНЫХ КОНФИГУРАЦИЙ

Обзор и анализ литературы, различных информационных материалов показал, что основные результаты и проблемы создания информационно-вычислительных конфигураций (ИВК), или другими словами: многопроцессорных вычислительных систем (МВС), к классу которых относятся и высокопроизводительные вычислительные комплексы (ВВК), отражены в работах Ершова А.П., Головкина Б. А., Каляева А.В., Корнеева В.В., Шпаковского Г.И., Амамии М., Танаки Ю., Ковалика Я.К., Коуги П.М., Терберга К. Дж. и др. [Л. 5-12, 16, 18, 20-22, 25-26, 30-40, 48, 54-57, 62-64, 72-75, 86, 88-90, 93-96, 105, 108-116, 118, 125-132, 135138, 143-152, 154, 156-167, 189, 195-199, 203-212, 214, 224-228, 236-245, 248-253, 261-264, 274-279, 285-287, 294, 298-300, 310-313, 317-318, 328, 331, 333, 337, 343-344, 346-347, 357, 369-371, 384-386, 391, 393-395, 404-406].
История развития вычислительных средств и современная практика показывает, что всегда существовала и существует потребность во все более и более интеллектуальных и производительных вычислительных системах и компьютерах. Таким образом, проблема создания интеллектуальных систем и высокопроизводительных вычислительных комплексов является в настоящее время актуальной. Рассмотрим более подробно проблему создания системы адаптивного синтеза информационно-вычислительных конфигураций (САС ИВК), прежде всего в интересах повышения пиковой производительности ВВК
Повышение производительности ВВК в основном достигалось в результате эволюции технологий производства компьютеров [Л. 21, 34-35, 43, 64, 72-74, 146-152, 204-206, 245, 307, 412]. Наряду с этим имели место попытки использовать несколько процессоров в одной вычислительной системе в расчете на то, что будет достигнуто соответствующее увеличение производительности. Первой такой попыткой, осуществленной в начале 70-х годов, является ILLIAC IV.
Отметим, что под параллельным компьютером понимают ЭВМ, состоящую из множества связанных определенным образом вычислительных блоков, которые способны функционировать совместно и одновременно выполнять множество арифметико-логических операций, принадлежащих одной задаче [Л. 10, 20, 148, 331].
В настоящее время существует много параллельных компьютеров (МВС и ВВК), моделей и проектов их реализации, которые описывают Бабаян Б.А., Барский А.Б., Белецкий В.Н., Бурцев В.С., Николаи Дж., Корнеев В.В., Дунаев В., Каляев А.В., Каратанов В.В., Левин В.К., Митрофанов В.В., Эйсымонт Л.К. и др. [Л. 21-22, 25, 34-35, 89-90, 93, 115-116, 126-131, 147-149, 209, 214, 369, 371, 404-405, 412]. По самым оптимистическим прогнозам тактовые частоты современных и перспективных СБИС могут быть увеличены в обозримом будущем до 5 ГГц.
В то же время, исходя из анализа информационных материалов [Л. 115116, 126-131, 135, 311, 318, 328, 331, 333, 384-386, 369, 371, 391, 393-394, 404-406, 410, 412], следует, что достигнутая степень интеграции, позволяет строить параллельные системы, в которых число процессоров может достигать десятков тысяч.
Таким образом, в области повышения производительности вычислительных систем резерв технологических решений ограничивается одним порядком, а освоение массового параллелизма и новых архитектурных решений содержит резерв повышения производительности на несколько порядков. Однако увеличение степени параллелизма вызывает увеличение числа логических схем, что сопровождается увеличением физических размеров, в результате чего возрастают задержки сигналов на межсоединениях.
Этот фактор приводит либо к снижению тактовой частоты, либо к созданию дополнительных логических ступеней и, в результате, к потере производительности. Рост числа логических схем также приводит к росту потребляемой энергии и отводимого тепла.
Кроме того, следует подчеркнуть, что более высокочастотные логические схемы при прочих равных условиях потребляют большую мощность на один вентиль [Л. 115-116].
В результате возникает теплофизический барьер, обусловленный двумя факторами: высокой удельной плотностью теплового потока, что требует применения сложных средств отвода тепла, и высокой общей мощностью системы, что вызывает необходимость использования сложной системы энергообеспечения и специальных помещений.
Другим фактором, влияющим на архитектуру высокопроизводительных вычислительных систем, является взаимозависимость архитектуры и алгоритмов задач. Этот фактор часто приводит к необходимости создания проблемно-ориентированных систем, при этом может быть достигнута максимальная реальная (фактическая, а не пиковая) производительность для данного класса задач.
В настоящее время синтез конфигураций новых поколений ЭВМ приобретает особую актуальность, что обусловлено постоянно возрастающими потребностями решения различных уникальных, сложных и специальных задач (ССЗ) (рис. 1.6.1).
Кроме того, актуальность создания именно адаптивных ЭВМ обусловлена необходимостью постоянной модернизации компьютеров в условиях непрерывности их функционирования. Современные ЭВМ могут содержать тысячи вычислительных блоков, одновременная замена которых требует больших финансовых и временных затрат.
Создание адаптивных ЭВМ позволит изменить процесс проектирования многопроцессорных вычислительных систем, а также обеспечит возможность наращивания и проведения поэтапной модернизации модулей многопроцессорных вычислительных систем в условиях эксплуатации.
В настоящее время, в области создания суперЭВМ возникло противоречие, которое состоит в том, что для любой задачи наиболее эффективными являются специализированные устройства, но их производство оказалось в новых условиях экономически нецелесообразным [Л. 43, 93, 112-116, 148, 154, 156, 206, 209, 245, 371, 391, 404-405].
Поэтому, теперь многопроцессорные вычислительные системы, суперЭВМ и высокопроизводительные вычислительные комплексы собирают из множества унифицированных модулей, производимых различными фирмами (рис. 1.6.2).
Более того, появилась возможность самостоятельной сборки суперЭВМ, а один из таких высокопроизводительных вычислительных комплексов уже вошел в 2001 году в TOP-500.
Отметим, что в данной работе термины конфигурации компьютерных систем (ККС) и информационно-вычислительные конфигурации (ИВК) являются синонимами, т.е. могут употребляться вместо друг друга.
Актуальность проблемы адаптивного синтеза информационно-вычислительных конфигураций обусловлена изменением принципов создания ВВК, что выявило новые научные противоречия и проблемы, определило необходимость нетрадиционных подходов к их решению.Это требует разработки новых теоретических основ создания многопроцессорных вычислительных систем и высокопроизводительных вычислительных комплексов, и адаптивный синтез конфигураций компьютерных систем является одним из наиболее перспективных направлений исследований (рис. 1.6.3).

ПРОБЛЕМАТИКА ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Отметим, что это лишь конечная цель, которая пока не достигнута, однако в настоящее время полученные теоретические научные результаты позволяют решить несколько промежуточных, но достаточно важных и взаимосвязанных научных проблем.
Понятие интеллектуальные системы не является строго определенным, однозначным термином, как и близкое ему понятие искусственный интеллект. Между тем, под интеллектуальными системами принято понимать такие системы, которые способны выполнять интеллектуальные действия: обучаться, проводить логический анализ, синтез, осуществлять ассоциативный поиск и т.п.
Отметим, что способность к самообучению является необходимой и одной из самых важных в перечне интеллектуальных свойств любого субъекта. На данном этапе, не будем затрагивать проблему достаточности этого признака, но подчеркнем именно - необходимость способности к обучению для любой интеллектуальной системы.
Для того чтобы система могла обучаться, ее подсистема накопления и обработки данных должна обладать свойством адаптивности, наращиваемости, изменяемости, т.е. в некотором смысле - эволюционностью. Если перейти к терминам автоматизированных систем обработки информации (АСОИ), то базы данных (БД) и базы знаний интеллектуальных систем должны быть адаптивными, а в более широком смысле -эволюционными. Термин знания является антропоморфным и близок по смыслу к термину интеллект, но эти термины неоднозначно формализованы, т.е. не имеют четко выраженного, однозначного значения и, следовательно, не являются идентификаторами. Более того, с этой точки зрения, антропоморфный термин базы знаний не является корректным, так как фактически там хранятся только правила, процедуры и тому подобные отношения объектов.
Термин правило хорошо формализован, а его смысл, в общем виде, боле всего соответствует тому, что принято называть знание. Следовательно, далее целесообразно употреблять вместо термина базы знаний, в этом же смысле, другой термин: базы правил, а в качестве обобщения терминов базы данных и базы правил - будем использовать обобщенный термин: базы данных и правил (БДИ).
В настоящее время, в реальных (больших) базах данных может храниться практически любая информация, но вопросы адаптации структур хранения данных, как правило, решаются вручную, т.е. путем перепроектирования и перепрограммирования существующих баз данных. В процессе перепрограммирования такая АСОИ не выполняет свои функции, т.е. не обеспечивается непрерывность функционирования АСОИ.
Получаем, что с учетом участия программиста-человека, такие человеко-машинные АСОИ являются адаптивными и эволюционными. Однако, процесс перепроектирования и перепрограммирования БД, если не рассматривать участие человека, в общем случае, не является адаптацией системы хранения и обработки данных, так как на самом деле происходит создание новой базы данных, а не ее адаптация.
В определенном смысле, некоторые базы данных позволяют проводить частичную адаптацию путем добавления новых объектов, но это осуществляется либо за счет резервирования лишних объектов в процессе проектирования, либо путем добавления однотипных объектов. На самом деле, исходя из смысла термина адаптация, такие изменения могут быть охарактеризованы лишь как имитация адаптации и не более того.
Действительно эволюционной (адаптивной) базой данных может быть только база данных с изменяемой структурой представления данных. Кроме того, существует достаточно много систем, для которых важным критерием является непрерывность ее функционирования в достаточно длительные интервалы времени.
Таким образом, в настоящее время проблема создания эволюционных (адаптивных) баз данных и правил не решена в полном объеме.
Отметим, что термины адаптация и эволюция в нашем контексте являются синонимами, но все же более точным, более перспективным является термин эволюция, так как мы ставим целью создание развивающихся, изменяющихся непрерывно на длительном интервале времени баз данных и правил. В то же время, под адаптацией принято понимать некоторое, чаще всего, одномоментное действие.
Впрочем, при таком подходе, эволюция -это много раз повторенная адаптация (изменение) в различные моменты времени. Обсуждение темы данной работы с другими уважаемыми учеными и анализ ее возможного названия, показал, что все же наиболее адекватным сейчас является термин эволюционные базы данных и правил, хотя синонимы: адаптивные, изменяющиеся, развивающиеся и т.п. тоже могут иметь место и право на существование.
Существуют различные варианты динамических баз данных и знаний [Л. 9, 23-24, 28, 36, 82, 84, 91, 98, 100-104, 120-124, 141-142, 171, 185, 190-211, 216, 232, 263, 289, 314-319, 321-328, 338-340, 349-356, 358-368, 396-403, 413, 460-465, 481-509], но как было сказано выше, даже их нельзя отнести к адаптивным (эволюционным), так как они тоже только имитируют адаптацию и не более того.
Более подробно эти вопросы освещены ниже, а сейчас можно сделать вывод о необходимости разработки действительно эволюционных (адаптивных) баз данных и правил (знаний).
Таким образом, для создания интеллектуальных систем необходимо решить несколько важных научных проблем. Прежде всего, это проблема создания эволюционных (адаптивных) баз данных.
Затем - создание эволюционных автоматизированных систем обработки информации (АСОИ). Такие АСОИ представляется возможным создать путем решения проблемы адаптивного синтеза конфигураций компьютерных систем, на основе создания миварного эволюционного многомерного динамического объектноориентированного информационного пространства унифицированного представления данных и правил (которому и посвящена эта работа) или, для краткости, просто: миварного информационного пространства.
Решение этих взаимосвязанных проблем позволит создать действительно эволюционные компьютерные системы, в том числе и интеллектуальные АСОИ. В перспективе, система адаптивного синтеза конфигураций компьютерных систем предназначена для оценивания решаемой задачи, формирования требований и выбора оптимальных вычислительных ресурсов, адаптации программно-аппаратных средств, выделенных для решения требуемой задачи, и для непосредственного управления процессом решения такой задачи.
Таким образом, компьютер сам будет адаптировать свою структуру для оптимального решения требуемых задач.
Исторически так сложилось, что автор участвовал в нескольких, казалось бы, разнородных, научных проектах: исследование возможностей искусственного интеллекта и экспертных систем, концептуальное проектирование и создание баз данных, оптимизация параллельных вычислительных алгоритмов, исследование особенностей новых информационных технологий и информационно-вычислительных сетей, типа Интернет, а также в создании высокопроизводительных вычислительных комплексов и других проектах. Но на каждом этапе, мои учителя и наставники: Атрощенко В.Г., Ростовцев Ю.Г., Шеремет И.А., Крылов Г.О. и Каляев А.В., помогали увидеть за деревьями лес и не отклоняться от цели и главного, фундаментального направления исследований: поиск путей создания интеллектуальных АСОИ.
В целом, исследуемая проблемная область создания интеллектуальных систем находится на стыке нескольких направлений, которые, в различной степени, характеризуются следующими терминами: дискретная математика, математическая логика, кибернетика, автоматизированные системы обработки информации, базы данных (БД), модели данных (МДн), базы знаний (БЗ), синтез вычислительных структур, экспертные системы, системы поддержки принятия решений, теория графов, оптимизация на сетях и графах, параллельные вычисления, системы искусственного интеллекта, многопроцессорные вычислительные системы, математическое и информационное моделирование, архитектура ЭВМ, многопроцессорные системы с программируемой архитектурой, системный анализ, философские, гносеологические и психологические аспекты обработки информации и создания искусственного интеллекта, эволюционные системы, адаптивные системы управления, автоматизация проектирования, логические системы обработки данных и некоторые другие.
Так как многие слова - термины используются в разных областях и в разное время в них вкладывался различный смысл, то при написании данного текста достаточно часто приводится одновременно несколько подобных, близких по значению, слов - терминов, позволяющих лучше подчеркнуть конкретное значение терминов и смысл написанного. Кроме того, отметим, что любая однопроцессорная система является частным случаем многопроцессорных систем, следовательно, в дальнейшем целесообразно использовать термин многопроцессорные системы при исследовании сформулированных научных проблем. Итак, основой любой автоматизированной системы обработки информации являются базы данных и правил. Термин интеллектуальные системы подчеркивает, что такой системе должны быть присущи некоторые черты интеллекта.
Прежде всего, это способность к обучению, накоплению и обработке новых данных, к информационному моделированию исследуемой предметной области.
Традиционные структурированные модели данных существующих известных баз данных [Л. 12, 15, 19, 50-51, 87, 100-104, 117, 120-124, 139-142, 183, 190, 196-206, 220, 247250, 263, 284, 293, 296, 305, 314-319, 461-465, 481-501] были предназначены для автоматизации обработки данных в таких предметных областях, структура описания данных которых была фиксированной, неизменной.
При изменении концептуальной модели предметной области, например, добавлении новых объектов или их характеристик, проектирование структуры базы данных приходилось фактически делать заново. При разработке концептуальных моделей данных основной проблемой было учесть как можно больше возможных изменений описания предметной области. Такие системы трудно назвать обучаемыми, а тем более интеллектуальными. Если в процессе функционирования базы данных можно будет, без потери производительности, изменять структуру концептуальной модели данных, то многие проблемы будут решены и процесс проектирования баз данных претерпит серьезные изменения в сторону упрощения.
Возможно само проектирование баз данных будет осуществляться постоянно в ходе реальной непрерывной работы АСОИ.
Конечно, существуют слабоструктурированные и неструктурированные модели данных, т.е. бесструктурные (инфологические), типа гипертекста, но для них характерны другие недостатки, связанные со сложностью реализации высокоскоростной обработки данных [Л. 82, 91, 216, 316, 326-327, 462-464, 484-501].
Кроме того, наличие структуры представления данных позволяет проводить систематизацию данных, ассоциативную обработку, а многомерность значительно ускоряет обработку любых массивов и баз данных.
Создание эволюционных (адаптивных) баз данных, т.е. баз данных с изменяемой структурой (в том числе и многомерной), позволит совершить качественный скачок к созданию обучаемых систем, которые будут более соответствовать термину интеллектуальные. Формализованное описание, анализ и обобщение традиционных структур представления данных, подробно изложенные ниже, позволили предложить новые принципы построения многомерного динамического пространства унифицированного представления данных и правил, так называемого - миварного пространства.
В структурированных моделях создается некоторая структура, в рамках которой затем записываются и хранятся все данные. В неструктурированных типах все данные просто записываются и хранятся без учета структуры. В сильноструктурированные (жесткие) модели можно записать не любые данные, но в них быстрее всего осуществляется поиск требуемых данных.
В неструктурированных моделях можно хранить любые данные, но поиск требуемых данных занимает максимальное время. К сильно структурированным моделям можно отнести традиционные реляционные, сетевые, иерархические и т.п. модели, вплоть до модели данных сущность-связь [Л.
19, 27, 51, 87, 100-104, 107, 117, 120-123, 139-140, 175, 183, 190, 216, 220, 247, 249, 269-270, 284, 293, 296, 305, 314-316, 319, 363-368, 403].
К неструктурированным или, точнее, слабоструктурированным моделям можно отнести гипертекстовое представление данных [Л. 82, 91, 123-124, 216, 263, 316, 321, 326327]. В то же время, объектно-ориентированное представление данных в такой классификации находится в средней части такой шкалы и обладает возможностью изменения структур представления данных путем задания новых объектов [Л.
36, 50, 136, 200-202, 216, 263, 269-270, 289, 335, 348-352, 362, 374-376, 396, 462-464, 484-501].
Отметим, что если принято различать два типа представления данных: структурированные и неструктурированные, то миварный подход и эволюционные (адаптивные) базы данных можно отнести к новому типу представления данных с изменяемой структурой. Такая структура обладает возможностью эволюционного наращивания, а при необходимости и кардинального изменения структуры представления данных, даже в условиях непрерывности функционирования системы.
Если говорить очень кратко, то миварное представление данных позволяет явно выделять структуру или системность объектов, например, вводя в качестве оси измерение уровня системности объекта в терминах: метасистема - система - подсистема, что поглощает объектноориентированные модели данных и создает реальные предпосылки для осуществления ассоциативного поиска и выявления новых данных и отношений.
Кроме того, на основе использования материалов [Л. 145], предлагается
рассматривать процессы передачи и хранения данных в автоматизированных системах в едином формате (виде):
{отправитель, получатель, способ, время, данные}.
При передаче данных время должно быть мало, а отправитель и получатель -различными. При хранении данных, наоборот: отправитель и получатель должны совпадать, а время может быть достаточно большим. Кроме того, отправитель может посылать данные нескольким получателям, время доставки может быть относительно большим, а несколько пользователей могут хранить одни и те же данные.
Способ доставки характеризует форму доставки кода и способ его преобразования в требуемое представление, вид.
В этом случае, миварное представление данных объединяет возможности всех этих моделей. При этом, на начальном этапе накопления данных, миварное представление может быть ближе к слабоструктурированным моделям, но потом, при выявлении четких структур предметной области, определении взаимосвязей и взаимозависимостей миварное представление путем ввода новых осей подпространства представления данных (ППД) или изменения существующих, может быть преобразовано в более сильноструктурированное представление данных.
Более того, некоторые части подпространства миварного ППД могут быть представлены, как будет показано ниже, в различных по степени структурированности представлениях данных. Например, в некоторой автоматизированной системе обработки информации есть несколько групп пользователей. У каждого пользователя может быть свое произвольное подпространство представления данных (ПППД), в котором он обрабатывает только свои личные данные. По совместной договоренности, у каждой группы однотипных пользователей может быть создано или выделено единое общее, сильно структурированное представление накопленных данных, которые отражают некоторое единое представление данных этой группы пользователей.
У всех пользователей также по некоторой общей договоренности может быть создано некоторое общее структурированное представление данных (фрагмент описания предметной области). В каждом общем подпространстве представления данных определяется некоторый ответственный пользователь -администратор представления данных, который обеспечивает функционирование этого подпространства.
Особенностью миварного подхода является то, что при необходимости любые конкретные подпространства могут быть корректно совмещены в некое общее подпространство, а любое подпространство, также корректно, может быть разбито на несколько новых подпространств. При этом, однотипные по характеру хранения данные: изображения, фотографии, звуковые файлы, тексты, электронные таблицы и т.п. независимо от подпространств представления данных могут храниться на однотипных технических средствах, что создает предпосылки для ассоциативного поиска по однотипным (по хранению) данным.
Отметим, что при миварном подходе уровень представления данных не обязательно должен соответствовать уровню хранения данных.
Более того, на уровне хранения данных могут использоваться традиционные модели данных: реляционные, сетевые и т. п., а все адресные характеристики, присущие уровню представления данных могут храниться в других таблицах, даже на других технических средствах. Конечно, миварная модель представления данных, являясь более универсальной, в то же время является и более сложной (например: необходимость хранения и обработки адресных многомерных характеристик) по отношению к другим моделям данных и может быть сопоставлена концептуальному уровню представления данных. Тем не менее, познавательные и исследовательские автоматизированные системы обработки данных целесообразнее строить на основе наиболее универсальной миварной модели данных.
Построенная на основе миварного пространства активная адаптивная логическая сеть правил, управляемая потоком данных, как будет доказано ниже, еще более расширяет интеллектуальные способности перспективных АСОИ. Таким образом, миварные структуры представления данных являются обобщением и научным развитием всех основных существующих структур представления данных и открывают новые возможности по построению эволюционных, адаптивных баз данных и интеллектуальных автоматизированных систем обработки информации.
Прежде всего, проанализируем область создания интеллектуальных систем и систем искусственного интеллекта. Если же читателя интересуют только технические вопросы и БД, то целесообразно сразу перейти к изучению третьего раздела данной монографии.

ВЗАИМОСВЯЗЬ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ И СИСТЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Область исследования интеллектуальных автоматизированных систем взаимосвязана и взаимодействует с областью создания систем искусственного интеллекта, но эти две области все же различны.
Под интеллектуальными системами понимают такие автоматизированные системы, которые (с участием человека-оператора) позволяют решать различные сложные, интеллектуальные задачи. Под системами искусственного интеллекта принято понимать автоматические (без участия человека), самостоятельные или самообучающиеся системы, которые также должны решать сложные интеллектуальные задачи.
При общем назначении, такие системы различаются по научным подходам, по принципам построения, по методам решения задач и т.д. Сама возможность создания систем искусственного интеллекта (СИИ) до сих пор находится под вопросом, хотя отдельные интеллектуальные системы, относящиеся к классу автоматизированных систем обработки информации, созданы и эксплуатируются достаточно успешно. Для понимания существа проблемы создания эволюционных баз данных и знаний в целях синтеза интеллектуальных систем, прежде всего, необходимо проанализировать достижения и проблемы, которые существуют в этой научной области.
Отметим, что проблема интеллекта, интеллектуальных систем взаимосвязана со многими научными областями, но начать наше исследование целесообразно с анализа проблематики искусственного интеллекта.

ПРОБЛЕМАТИКА ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Наиболее полным, ярким, предельным воплощением автоматизированных интеллектуальных систем являются системы искусственного интеллекта (ИИ). В настоящее время продолжаются споры о том, что такое искусственный интеллект. Прежде всего, отметим, что проблема искусственного интеллекта возникла давно, и во все времена ученые пробовали найти подходы к ее решению.
В ИИ отразились и слились проблемы философии, математики, физики и других естественных наук, а также и гуманитарные вопросы. Познание искусственного интеллекта неотделимо от познания самого человека, его сознания и мышления.
Исследователи ИИ следуют великому призыву древних: Познай самого себя. Но они не ограничиваются только этим, а выходят за рамки, границы человекоподобия и затрагивают самые древние, самые сокровенные тайны природы. У большинства исследователей, искусственный интеллект ассоциируется с человеческим, естественным интеллектом, который и является главным средством и главным орудием познания мира, т.е. универсальным инструментом познания. На таком уровне осмысления проблемы ИИ, приходим к необходимости признания тесной взаимосвязи и взаимозависимости познания реального мира и познания ИИ.
Познание мира невозможно без познания самого орудия этого познания. Рассматривая искусственный интеллект в более узком смысле, подчеркнем, что эта проблема не может решаться, изучаться какой-либо одной наукой. Проблема ИИ требует комплексного подхода с точек зрения различных наук, причем, все это должно сочетаться, собираться и обобщаться в виде некоторой цельной теории.
Главной целью (задачей) этой теории - является изучение такого явления, предмета, объекта, который включал бы в себя и мышление человека, и процессы переработки, генерации информации различными техническими системами.
В настоящее время сложно однозначно сказать, что конкретно понимается под предметом изучения ИИ, не совсем ясна, точна и строга даже сама постановка, формулировка проблемы ИИ. Прежде всего, необходимо выяснить, понять, что такое искусственный интеллект, каковы цели и задачи его познания.
Возможно, человеку еще многое необходимо изучить и понять, прежде чем он сможет осознать всю сложность, необычность и масштабность проблемы ИИ.
На наш взгляд, актуальными для настоящего этапа исследований ИИ являются следующие три основные задачи.
1. Показать всю важность и сложность проблемы ИИ, доказать, что ИИ - это наука (научное направление), но не совсем обычная.
2. Определить предмет теории ИИ, т.е. определить что изучать, исследовать, создавать.
3. Определить метод теории ИИ, т.е. как изучать.
Итак, подчеркнем, что проблема ИИ гораздо старше и информатики, и кибернетики [Л. 30, 52, 159-162, 174, 193, 212, 215, 232, 235, 239, 258, 277, 288, 292, 298, 304, 306, 324, 340, 381, 414, 415, 462-465, 472-475, 481-503], которые лишь дали новую, более научную интерпретацию искусственного интеллекта. Некоторые исследователи считают: проблема ИИ настолько необычна и сложна, что мы до сих пор не можем осознать и понять ее в целом, во всем ее многообразии, многогранности.
Например, одной из задач ИИ является изучение познавательной деятельности человека, а это невозможно без познания реальности и без изучения самого процесса познания. Искусственный интеллект является, образно выражаясь, с одной стороны, зеркалом, в котором человек видит и изучает самого себя, а с другой стороны, ИИ также является и окном в мир, через которое человек познает окружающий его мир.
При таком подходе, проблема ИИ открывается нашему взору во всем великолепии своей многообразности, сложности, важности, необходимости и неизбежности.

ОБЗОР ПОНЯТИЙ, КОНЦЕПЦИЙ И ПРЕДСТАВЛЕНИЙ В ОБЛАСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Прежде чем говорить об уже сложившихся подходах к проблеме искусственного интеллекта, необходимо более подробно обсудить истоки этого понятия, разобрать по отдельности, а затем и в совокупности эти термины: интеллект, искусственное и, наконец, искусственный интеллект. Прежде всего, целесообразно начать обзор понятий с термина интеллект.

ИНТЕЛЛЕКТ

Понятие интеллект впервые возникло в психологии. Психологи считают, что интеллект - это свойство личности, выражающееся в способности глубоко и точно отражать в сознании предметы и явления объективной действительности в их существенных связях и закономерностях, а также в творческом преобразовании опыта ... (и) ...





    Нейросети: Нейролингвистика - Логика

• Нейросети
  
• Теория нейросетей
  
• Справочник по нейросетям
  
• Софт для нейросети
  
• ANSYS - нейросеть
  
  
• Обучение нейросети
  
• Классификация нейросетей
  
• Искуственный интелект и нейросети
  
• Финансы и нейросети
  
• Железо нейросети
  
  
• Построение нейросети
  
• Инструменты нейросети
  
• Применение нейросетей
  
• Нейросетевой анализ
  
  
• Нейролингвистика
  
• Нейролингвистика на практике
  
• Нейролингвистическое программирование
  
  
• Логика
  
• Нечеткая логика