Реферати

Реферат: Загальне поняття про системи штучного інтелекту

Еванс-Притчард Деякі колективні прояви непристойності в Африці. Еванс-Притчард \"Деякі колективні прояви непристойності в Африці\" ЕВАНС-ПРИТЧАРД Е. Е. ДЕЯКІ КОЛЕКТИВНІ ПРОЯВИ НЕПРИСТОЙНОСТІ В АФРИЦІ.

Облік основних виробничих витрат і калькуляція собівартості продукції. ФЕДЕРАЛЬНЕ АГЕНТСТВО ПО УТВОРЕННЮ РФ Брянський державний технічний університет Кафедра: Економіка і менеджмент КУРСОВА РОБОТА з дисципліни "Бухгалтерський облік"

Творчість Веласкеса. Відділ утворення Адміністрації Верх-Исетского району Реферат по Світовій Художній культурі на тему: Творчість Веласкеса. Екатеринбург 1999 р.

Правопорушення, його ознаки. Види правопорушень. Філія Санкт-Петербургского державного інженерно-економічного університету в м. Череповце Кафедра социогуманитарних дисциплін Контрольна робота

Внутрішнє середовище фірми як об'єкт дослідження. "Корпоративна філософія - це фундамент фірми", вважає Олександре Чумиков - генеральний директор PR-агентства "Міжнародний прес-клуб і автор книги "Зв'язку з громадськістю", - "корпоративна філософія - це повний, розгорнутий, докладний виклад морально-етичних і ділових норм, принципів, кредо, якими керуються працівники фірми.

Реферат

по дисципліні «Інформатика»

Загальне поняття про системи штучного інтелекту

Короткий історичний огляд розвитку робіт в області штучного інтелекту (ІЇ)

Історично склалися три основних напрями в моделюванні штучного інтелекту.

У рамках першого підходу об'єктом досліджень є структура і механізми роботи мозку людини, а кінцева мета полягає в розкритті таємниць мислення. Необхідними етапами досліджень в цьому напрямі є побудова моделей на основі психофізіологічних даних, проведення експериментів з ними, висунення нових гіпотез відносно механізмів інтелектуальної діяльності, вдосконалення моделей і т. д.

Другий підхід як об'єкт дослідження розглядає штучний інтелект. Тут мова йде про моделювання інтелектуальної діяльності за допомогою обчислювальних машин. Метою робіт в цьому напрямі є створення алгоритмічного і програмного забезпечення обчислювальних машин, що дозволяє вирішувати інтелектуальні задачі не гірше людини.

Нарешті, третій підхід орієнтований на створення змішаних человеко-машинних, або, як ще говорять, інтерактивних інтелектуальних систем, на симбіоз можливостей природного і штучного інтелекту. Найважливішими проблемами в цих дослідженнях є оптимальний розподіл функцій між природним і штучним інтелектом і організація діалогу між людиною і машиною.

Самими першими інтелектуальними задачами, які стали вирішуватися при допомозі ЕОМ були логічна гра (шашки, шахи), доказ теорем. Хоч, правда тут треба відмітити ще кібернетичні іграшки типу "електронної миші" Клода Шеннона, яка керувалася складною релейною схемою. Ця мишка могла "дослідити" лабіринт, і знаходити вихід з нього. А крім того, вміщена у вже відомий їй лабіринт, вона не шукала вихід, а відразу ж, не заглядаючи в тупикові ходи, виходила з лабіринту.

Американських кібернетик А. Самуель склали для обчислювальної машини програму, яка дозволяє їй грати в шашки, причому в ході гри машина навчається або, принаймні, створює враження, що навчається, поліпшуючи свою гру на основі накопиченого досвіду. У 1962 р. ця програма билася з Р. Нілі, найсильнішим шашкістом в США і перемогла.

Яким чином машині вдалося досягнути так високого класу гри?

Природно, що в машину були програмно закладені правила гри так, що вибір чергового ходу був підлеглий цим правилам. На кожній стадії гри машина вибирала черговий хід з безлічі можливих ходів згідно з деяким критерієм якості гри. У шашках (як і в шахи) звичайно невигідно втрачати свої фігури, і, навпаки, вигідно брати фігури противника. Гравець (будь він людина або машина), який зберігає рухливість своїх фігур і право вибору ходів і в той же час тримає під боєм велике число полів на дошці, звичайно грає краще за свого противника, що не надає значення цим елементам гри. Описані критерії хорошої гри зберігають свою силу протягом всієї гри, але є і інші критерії, які відносяться до окремих її стадій - дебюту, миттендшпилю, ендшпилю.

Розумно поєднуючи такі критерії (наприклад, у вигляді лінійної комбінації з коефіцієнтами, що експериментально підбираються або більш складним образом), можна для оцінки чергового ходу машини отримати деякий числовий показник ефективності - оцінну функцію. Тоді машина, порівнявши між собою показники ефективності чергових ходів, вибере хід, відповідний найбільшому показнику. Подібна автоматизація вибору чергового ходу не обов'язково забезпечує оптимальний вибір, але все ж це якийсь вибір, і на його основі машина може продовжувати гру, вдосконалюючи свою стратегію (образ дії) в процесі навчання на минулому досвіді. Формально навчання складається в підстроюванні параметрів (коефіцієнтів) оцінної функції на основі аналізу проведених ходів і гри з урахуванням їх виходу.

На думку А. Самуеля, машина, що використовує цей вигляд навчання, може навчитися грати краще, ніж середній гравець, за відносно короткий період часу.

Можна сказати, що всі ці елементи інтелекту, продемонстровані машиною в процесі гри в шашки, повідомлені їй автором програми. Частково це так. Але не треба забувати, що програма ця не є "жорсткою", зазделегідь продуманою у всіх деталях. Вона вдосконалює свою стратегію гри в процесі самообучения. І хоч процес "мислення" у машини істотно відрізнений тому, що відбувається в мозку граючої в шашки людини, вона здатна у нього виграти.

Яскравим прикладом складної інтелектуальної гри донедавна були шахи. У 1974 р. відбувся міжнародний шаховий турнір машин, забезпечених відповідними програмами. Як відомо, перемогу на цьому турнірі отримала радянська машина з шаховою програмою "Каїсса".

Чому тут вжито "донедавна "? Справа в тому, що недавні події показали, що, незважаючи на досить велику складність шахи, і неможливість, в зв'язку з цим зробити повний перебір ходів, можливість перебору їх на більшу глибину, ніж звичайно, дуже збільшує шанси на перемогу. Наприклад, за повідомленнями друкується, комп'ютер фірми IBM, що переміг Каспарова, мав 256 процесорів, кожний з яких мав 4 Гб дискових пам'яті і 128 Мб оперативної. Весь цей комплекс міг прораховувати більше за 100'000'000 ходів в секунду. Донедавна рідкістю був комп'ютер, що може робити таку кількість цілочисельних операцій в секунду, а тут ми говоримо про ходи, які повинні бути сгенерировани і для яких прораховані оцінні функції. Хоч з іншого боку, цей приклад говорить про могутність і універсальність переборних алгоритмів.

У цей час існують і успішно застосовуються програми, що дозволяють машинам грати в ділову або військову гру, що має велике прикладне значення. Тут також надзвичайно важливо додати програмам властиві людині здібність до навчання і адаптації. Однієї з найбільш цікавих інтелектуальних задач, також що має величезне прикладне значення, є задача навчання розпізнавання образів і ситуацій. Рішенням її займалися і продовжують займатися представники різних наук - фізіологи, психологи, математики, інженери. Такий інтерес до задачі стимулювався фантастичними перспективами широкого практичного використання результатів теоретичних досліджень: читаючі автомати, системи штучного інтелекту, ставлячі медичні діагнози, провідні криміналістичну експертизу і т. п., а також роботи, здатні розпізнавати і аналізувати складні сенсорні ситуації.

У 1957 р. американський фізіолог Ф. Розенблатт запропонував модель зорового сприйняття і розпізнавання - перцептрон. Поява машини, здатної навчатися поняттям і розпізнавати об'єкти, що пред'являються, виявилася надзвичайно цікавим не тільки фізіологам, але і представникам інших областей знання і породило великий потік теоретичних і експериментальних досліджень.

Перцептрон або будь-яка програма, що імітує процес розпізнавання, працюють в двох режимах: в режимі навчання і в режимі розпізнавання. У режимі навчання хтось (людина, машина, робот або природа), що грає роль вчителя, пред'являє машині об'єкти і про кожного їх них повідомляє, до якого поняття (класу) він належить. За цими даними будується вирішальне правило, що є, по суті, формальним описом понять. У режимі розпізнавання машині пред'являються нові об'єкти (взагалі говорячи, відмінні від раніше пред'явлених), і вона повинна їх класифікувати, по можливості, правильно.

Проблема навчання розпізнаванню тісно пов'язана з іншою інтелектуальною задачею - проблемою перекладу з однієї мови на іншу, а також навчання машини мові. При досить формальній обробці і класифікації основних граматичних правил і прийомів користування словником можна створити цілком задовільний алгоритм для перекладу, скажемо наукового або ділового тексту. Для деяких мов такі системи були створені ще в кінці 60-г. Однак для того, щоб зв'язно перекласти досить великий розмовний текст, необхідно розуміти його значення. Роботи над такими програмами ведуться вже давно, але до повного успіху ще далеко. Є також програми, що забезпечують діалог між людиною і машиною на урізаній природній мові.

Що ж до моделювання логічного мислення, то хорошою модельною задачею тут може служити задача автоматизації доказу теорем. Починаючи з 1960 р., був розроблений ряд програм, здатних знаходити докази теорем в численні предикатів першого порядку. Ці програми володіють, зі слів американського фахівця в області штучного інтелекту Дж. Маккатти, "здоровим глуздом", т. е. здатністю робити дедуктивні висновки.

У програмі К. Гріна і інш., реалізуючий вопросно- систему у відповідь, знання записуються на мові логіки предикатів у вигляді набору аксіом, а питання, що задаються машині, формулюються як належні доказу теореми. Великий інтерес представляє "інтелектуальна" програма американського математика Хао Ванга. Ця програма за 3 хвилини роботи IBM-704 вивела 220 відносно простих лем і теорем з фундаментальної математичної монографії, а потім за 8.5 мін видала докази ще 130 більш складних теорем, частина їх яких ще не була виведена математикою. Правда, досі жодна програма не вивела і не довела жодній теореми, яка б, що називається "позарез" була б потрібна математиці і була б принципово новою.

Дуже великим напрямом систем штучного інтелекту є роботехника. У чому основна відмінність інтелекту робота від інтелекту універсальних обчислювальних машин?

Для відповіді на це питання доречно пригадати належне великому російському фізіологу І. М. Сеченову висловлювання: "... вся нескінченна різноманітність зовнішніх виявів мозкової діяльності зводиться остаточно лише до одного явища - мишечному руху". Іншими словами, вся інтелектуальна діяльність людини направлена зрештою на активну взаємодію із зовнішнім світом за допомогою рухів. Точно так само елементи інтелекту робота служать передусім для організації його цілеспрямованих рухів. У той же час основне призначення чисто комп'ютерних систем штучного інтелекту складається в рішенні інтелектуальних задач, що носять абстрактний або допоміжний характер, які звичайно не пов'язані ні з сприйняттям навколишнього середовища за допомогою штучних органів чуття, ні з організацією рухів виконавчих механізмів.

Перших роботів важко назвати інтелектуальними. Тільки в 60-х роках з'явилися очуствленние роботи, які керувалися універсальними комп'ютерами. Наприклад в 1969 р. в Електротехнічній лабораторії (Японія) почалася розробка проекту "промисловий інтелектуальний робот". Мета цієї розробки - створення очуствленного манипуляционного робота з елементами штучного інтелекту для виконання складально-монтажних робіт з візуальним контролем.

Маніпулятор робота має шість мір свободи і керується мини-ЕОМ NEAC-3100 (об'єм оперативної пам'яті 32000 слів, об'єм зовнішньої пам'яті на магнітних дисках 273000 слів), що формує необхідний програмний рух, який відпрацьовується стежачою електрогидравлической системою. Схват маніпулятора оснащений тактильними датчиками.

Як система зорового сприйняття використовуються дві телевізійні камери, забезпечені червоно-зелено-синіми фільтрами для розпізнавання кольору предметів. Поле зору телевізійної камери розбите на 64*64 осередків. Внаслідок обробки отриманої інформації грубо визначається область, займана цікавлячим робота предметом. Далі, з метою детального вивчення цього предмета виявлена область знову ділиться на 4096 осередків. У тому випадку, коли предмет не вміщується у вибране "віконце", воно автоматично переміщається, подібно тому, як людина ковзає поглядом по предмету. Робот Електротехнічної лабораторії був здатний розпізнавати прості предмети, обмежені площинами і циліндричними поверхнями при спеціальному освітленні. Вартість даного експериментального зразка становила приблизно 400000 доларів.

Поступово характеристики роботів монотонно поліпшувалися, Але досі вони ще далекі по тямущості від людини, хоч деякі операції вже виконують на рівні кращих жонглерів. Наприклад втримують на лезі ножа кульку від настільного тенісу.

Ще мабуть тут можна виділити роботи київського Інституту кібернетики, де під керівництвом Н. М. Амосова і В. М. Глушкова (нині покійного) ведеться комплекс досліджень, направлених на розробку елементів інтелекту роботів. Особлива увага в цих дослідженнях приділяється проблемам розпізнавання зображень і мови, логічного виведення (автоматичного доказу теорем) і з допомогою нейроподобних мереж.

Наприклад, можна розглянути створений ще в 70-х роках макет транспортного автономного інтегрального робота (ТАИР). Конструктивно ТАИР являє собою триколісне шасі, на якому змонтована сенсорна система і блок управління. Сенсорна система включає в себе наступні кошти очуствления: оптичний далекомір, навігаційна система з двома радіомаяками і компасом, контактні датчики, датчики кутів нахилу возика, таймер і інш. І особливість, яка відрізняє ТАИР від багатьох інших систем, створених у нас і за рубежем, це те, що в його складі немає комп'ютера в тому вигляді, до якого ми звикли. Основу системи управління складає бортова нейроподобная мережа, на якій реалізовуються різні алгоритми обробки сенсорної інформації, планування поведінки і управління рухом робота.

У кінці даного дуже короткого огляду розглянемо приклади крупномасштабний експертних систем.

MICIN - експертна система для медичної діагностики. Розроблена групою по інфекційних захворюваннях Стенфордського університету. Ставить відповідний діагноз, виходячи з представлених їй симптомів, і рекомендує курс медикаментозного лікування будь-якої з діагностованих інфекцій. База даних складається з 450 правил.

PUFF - аналіз порушення дихання. Дана система являє собою MICIN, з якої видалили дані по інфекціях і вставили дані про легеневі захворювання.

DENDRAL - розпізнавання хімічних структур. Дана система найстаріша, з маючих звання експертних. Перші версії даної системи з'явилися ще в 1965 році у все тому ж Стенфордськом університеті. Користувач дає системі DENDRAL деяку інформацію про речовину, а також дані спектрометрії (інфрачервоної, ядерного магнітного резонансу і мас-спектрометрії), і та в свою чергу видає діагноз у вигляді відповідної хімічної структури.

PROSPECTOR - експертна система, створена для сприяння пошуку коммерчески виправданих родовищ корисних копалин.

Системи штучного інтелекту

Термін інтелект (intelligence) відбувається від латинського intellectus - що означає розум, розум, розум; мислительние здібності людини.

Відповідно штучний інтелект (artificialintelligence) - ІЇ (AI) звичайно тлумачиться як властивість автоматичних систем брати на себе окремі функції інтелекту людини, наприклад, вибирати і приймати оптимальні рішення на основі раніше отриманого досвіду і раціонального аналізу зовнішніх впливів.

У словниках даються наступні визначення штучного інтелекту.
Штучний інтелект - здатність прикладного процесу виявляти властивості, що асоціюються з розумною поведінкою людини.
Штучний інтелект - розділ інформатики, що займається питаннями імітації мислення людини за допомогою комп'ютера.

Цей клас пакетів включає: інформаційні системи, підтримуючі діалог на природній мові (естественно-язиковий інтерфейс); експертні системи, що дозволяють давати рекомендації користувачу в різних ситуаціях; інтелектуальні пакети прикладних програм, що дозволяють вирішувати прикладні задачі без програмування.

Естественно-язиковий интерфейсбил найбільш привабливий для спілкування з ЕОМ з моменту її появи. Це дозволило б виключити необхідність навчання кінцевого користувача мові команд або іншим прийомам формулювання своїх завдань для рішення на комп'ютері, оскільки природна мова є найбільш прийнятним засобом спілкування для людини. Тому роботи по створенню такого роду інтерфейса почалися з середини 20-го віку. Однак, незважаючи на весь ентузіазм дослідників і проектувальників, ця задача не вирішена і до цього дня через величезні складності, пов'язані з розумінням пропозицій природної мови і зв'язного тексту загалом. Деякі програмні продукти, які з'являлися на ринку, носили швидше експериментальний характер, мали безліч обмежень і не вирішували задачу кардинально. Проте, незважаючи на уявний застій в цій сфері, дана проблема залишається актуальною і до цього дня і увійшла до складу проблематики, пов'язаної з проектом ЕОМ п'ятого покоління.

Експертні системивпервие з'явилися в області медицини. Виникла ідея інтеграції знань експертів в області медицини або її окремих розділів в деяку електронну форму, яка дозволила б початківцю лікарю мати своєрідного електронного радника при прийнятті рішень з тієї або інакшої лікарської нагоди. Вибір області медицини пояснюється дуже великою ціною помилок, які торкаються життя і здоров'я людей. Поступово від області медицини ця технологія розповсюдилася і на інші сфери діяльності людини, наприклад, виробництво. Технологія використання експертних систем передбачає первинне "навчання" системи, т. е. заповнення її конкретними знаннями з тієї або інакшої проблемної області, а потім вже експлуатацію наповненої знаннями експертної системи для рішення прикладних задач. Ця ідеологія виявила себе в проекті ЕОМ п'ятого покоління в частині залучення кінцевого користувача до рішення своїх задач і пов'язана з проблемою автоформализації знань.

Інтелектуальні пакети прикладних програм дозволяють, аналогічно експертним системам, заздалегідь створювати базу знань, що включає сукупність знань з тієї або інакшої області діяльності людини, а потім вирішувати практичні задачі із залученням цих знань. Відмінність цих видів пакетів складається в тому, що експертні системи, на відміну від інтелектуальних ППП, дозволяють інтегрувати знання з так званих предметних областей, що слабо формалізуються, в яких складно визначити вхідні і вихідні параметри задачі, а також неможливо сформувати чіткий алгоритм її рішення. Крім того, експертні системи не формують алгоритм рішення задачі як у випадку інтелектуальних ППП, а лише видають "ради" користувачу на основі його запиту.

Область застосування

об Докази теорем;

об Гру;

об Розпізнавання образів;

об Прийняття рішень;

об Адаптивне програмування;

об Твір машинної музики;

про Обробка даних на природній мові;

об Учнів мережі (нейросети);

об Вербальние концептуальні навчання.

Плани на майбутнє в області застосування ІЇ: У сільському господарстві комп'ютери повинні оберігати посіви від шкідників, підрізати дерева і забезпечувати виборчий відхід. У гірській промисловості комп'ютери покликані працювати там, де виникають дуже небезпечні умови для людей. У сфері виробництва ВМ повинні виконувати різного вигляду задачі по зборці і технічному контролі. У установах ВМ зобов'язані займатися складанням розкладів для колективів і окремих людей, робити коротке зведення новин. У учбових закладах ВМ повинні розглядати задачі, які вирішують студенти, в пошуках помилок, подібно тому як шукаються помилки в програмі, і усувати їх. Вони повинні забезпечувати студентів суперкнигами, що зберігаються в пам'яті обчислювальних систем. У лікарнях ВМ повинні допомагати ставити діагноз, направляти хворі у відповідні відділення, контролювати хід лікування. У домашньому господарстві ВМ повинні допомагати радами по готовке їжі, закупівлі продуктів, стежити за станом підлоги в квартирі і газону в саду. Звісно, в цей час жодна з цих речей не представляється можливою, але дослідження в області ІЇ можуть сприяти їх реалізації.

Різні підходи до побудови систем штучного інтелекту

Існують різні підходи до побудови систем штучного інтелекту. Це розділення не є історичним, коли одна думка поступово зміняє інше, і різні підходи існують і зараз. Крім того, оскільки по-теперішньому часу повних систем штучного інтелекту в цей час немає, то не можна сказати, що якийсь підхід є правильним, а якоїсь помилковим.

Для початку стисло розглянемо логічний підхід. Чому він виник? Адже людина займається аж ніяк не тільки логічними вигадками. Це висловлювання звісно вірне, але саме здібність до логічного мислення дуже сильно відрізняє людину від тварин.

Основою для даного логічного підходу служить Бульова алгебра. Кожний програміст знайомий з нею і з логічними операторами відтоді, коли він освоював оператор IF. Свій подальший розвиток Бульова алгебра отримала у вигляді обчислення предикатів - в якому вона розширена за рахунок введення предметних символів, відносин між ними, кванторов існування і загальності. Практично кожна система штучного інтелекту, побудована на логічному принципі, являє собою машину доказу теорем. При цьому початкові дані зберігаються в базі даних у вигляді аксіом, правила логічного виведення як між ними. Крім того, кожна така машина має блок генерації мети, і система висновку намагається довести дану мету як теорему. Якщо мета доведена, то трасування застосованих правил дозволяє отримати ланцюжок дій, необхідних для реалізації поставленої мети. Потужність такої системи визначається можливостями генератора цілей і машиною доказу теорем.

Звісно можна сказати, що виразності алгебри висловлювання не хватити для повноцінної реалізації штучного інтелекту, але варто пригадати, що основою всіх існуючих ЕОМ є біт - елемент пам'яті, який може приймати значення тільки 0 і 1. Таким чином було б логічно передбачити, що все, що можливо реалізувати на ЕОМ, можна було б реалізовувати і у вигляді логіки предикатів. Хоч тут нічого не говориться про те, за який час.

Добитися більшої виразності логічному підходу дозволяє таке порівняно новий напрям, як нечітка логіка. Основною її відмінністю є те, що правдивість висловлювання може приймати в ній крім так/ні (1/0) ще і проміжні значення - не знаю (0.5), пацієнт швидше живши, чим мертвий (0.75), пацієнт швидше мертвий, чим живши (0.25). Даний підхід більше схожий на мислення людини, оскільки він на питання рідко відповідає тільки так чи ні. Хоч правда на екзамені будуть прийматися тільки відповіді з розряду класичної булевой алгебри.

Для більшості логічних методів характерна велика трудомісткість, оскільки під час пошуку доказу можливий повний перебір варіантів. Тому даний підхід вимагає ефективної реалізації обчислювального процесу, і хороша робота звичайно гарантується при порівняно невеликому розмірі бази даних.

Під структурним підходом ми маємо на увазі тут спроби побудови штучного інтелекту шляхом моделювання структури людського мозку. Однією з перших таких спроб був перцептрон Френка Розенблатта. Основною структурною одиницею, що моделюється в перцептронах (як і в більшості інших варіантів моделювання мозку) є нейрон.

Пізніше виникли і інші моделі, які в простолюдді звичайно відомі під терміном "нейронні мережі" (НС). Ці моделі розрізнюються по будові окремих нейронів, по топології зв'язків між ними і по алгоритмах навчання. Серед найбільш відомих зараз варіантів НС можна назвати НС із зворотним поширенням помилки, мережі Хопфілда, стохастичні нейронні мережі.

НС найбільш успішно застосовуються в задачах розпізнавання образів, в тому числі сильно зашумленних, однак є і приклади успішного застосування їх для побудови власне систем штучного інтелекту, цього вже раніше згадуваного ТАИР.

Для моделей, побудованих по мотивах людського мозку характерна не дуже велика виразність, легке распараллеливание алгоритмів, і пов'язана з цим висока продуктивність паралельно реалізованих НС. Також для таких мереж характерна одна властивість, яка дуже зближує їх з людським мозком - нейронні мережі працюють навіть при умові неповної інформації про навколишнє середовище, тобто як і чоловік, вони на питання можуть відповідати не тільки "так" і "немає" але і "не знаю точно, але швидше так".

Досить велике поширення отримав і еволюційний підхід. При побудові систем штучного інтелекту по даному підходу основна увага приділяється побудові початкової моделі, і правилам, по яких вона може змінюватися (еволюціонувати). Причому модель може бути складена по самим різним методам, це може бути і НС і набір логічних правил і будь-яка інша модель. Після цього ми включаємо комп'ютер і його, на основі перевірки моделей відбирає самі кращі з них, на основі яких по самим різним правилам генеруються нові моделі, з яких знову вибираються самі кращі і т. д.

У принципі можна сказати, що еволюційних моделей як таких не існує, існує тільки еволюційні алгоритми навчання, але моделі, отримані при еволюційному підході мають деякі характерні особливості, що дозволяє виділити їх в окремий клас.

Такими особливостями є перенесення основної роботи розробника з побудови моделі на алгоритм її модифікації і те, що отримані моделі практично не супроводять видобуванню нових знань про середу, навколишню систему штучного інтелекту, тобто вона стає як би річчю в собі.

Ще один підхід, що широко використовується до побудови систем штучного інтелекту - імітаційний. Даний підхід є класичним для кібернетики з одним з її базових понять - "чорним ящиком" (ЧЯ). ЧЯ - пристрій, програмний модуль або набір даних, інформація про внутрішню структуру і зміст яких відсутні повністю, але відомі специфікації вхідних і вихідних даних. Об'єкт, поведінка якого імітується, якраз і являє собою такий "чорний ящик". Нам не важливо, що у нього і у моделі всередині і як він функціонує, головне, щоб наша модель в аналогічних ситуаціях поводилася точно так само.

Таким чином тут моделюється інша властивість людини - здатність копіювати те, що роблять інші, не вдаючись в подробиці, навіщо це потрібне. Часто ця здатність економить йому масу часу, особливо на початку його життя.

Основним недоліком імітаційного підходу також є низька інформаційна здатність більшості моделей, побудованих з його допомогою.

З ЧЯ пов'язана одна дуже цікава ідея. Хто б хотів жити вічно? Я думаю, що майже всі відповідять на це питання "я".

Уявимо собі, що за нами спостерігає якийсь пристрій, який стежить за тим, що в яких ситуаціях ми робимо, говоримо. Спостереження йде за величинами, які поступають до нас на вхід (зір, слух, смак, тактильние, вестибулярний і т. д.) і за величинами, які виходять від нас (мова, рух і інш.). Таким чином людина виступає тут як типовий ЧЯ.

Далі цей пристрій намагається відбудувати якусь модель таким чином, щоб при певних сигналах на вході людини, вона видавала на виході ті ж дані, що і людина. Якщо дана витівка буде коли-небудь реалізована, то для всіх сторонніх спостерігачів така модель буде тією ж особистістю, що і реальна людина. А після його смерті вона, буде висловлювати ті думки, які приблизно висловлював би і змоделювати людина.

Ми можемо піти далі і скопіювати цю модель і отримати брата близнюка з точно такими ж "думками".

Можна сказати, що "це звісно все цікаво, але при чому тут я? Адже ця модель тільки для інших буде бути мною, але всередині її буде пустота. Копіюються тільки зовнішні атрибути, але я після смерті вже не буду думати, моя свідомість згасне (для віруючих людей слово "згасне" необхідно замінити на "покине цей мир") ". Що ж це так. Але спробуємо піти далі.

Згідно з філософськими представленнями автора даного курсу, свідомість являє собою порівняно невелику надбудову над нашою підсвідомістю, яка стежить за активністю деяких центрів головного мозку, таких як центр мови, кінцевої обробки зорових образів, після чого "повертає" ці образи на початкові рівні обробки даної інформації. При цьому відбувається повторна обробка цих образів, ми як би бачимо і чуємо, що думає наш мозок. При цьому з'являється можливість уявного моделювання навколишньої дійсності за нашою "активною" участю в даному процесі. І саме наш процес спостереження за діяльністю цих небагато центрів є тим, що ми називаємо свідомістю. Якщо ми "бачимо" і "чуємо" наші думки, ми в свідомості, якщо немає, то ми знаходимося в несвідомому стані.

Якби ми змогли змоделювати роботу саме цих небагато "свідомих" нервових центрів (робота яких правда заснована на діяльності усього іншого мозку) в якості одного ЧЯ, і роботу "супервизора" в якості іншого ЧЯ, то можна було б з упевненістю говорити, що "так, дана модель думає, причому так само, як і я". Тут я нічого не хочу говорити про те, як отримати дані про роботу цих нервових центрів, оскільки на мій погляд сьогодні немає нічого такого, що дозволило б стежити за мозком людини роками і при цьому не заважало б його роботі і життю.

І закінчуючи збігле ознайомлення з різними методами і підходами до побудови систем штучного інтелекту, хотілося б відмітити, що на практиці дуже чіткої межі між ними немає. Дуже часто зустрічаються змішані системи, де частина роботи виконується по одному типу, а частина по-іншому.