Реферат: Искусственный интеллект

МОСКОВСКИЙ КОМИТЕТ ОБРАЗОВАНИЯ

ЮГО-ВОСТОЧНОЕ ОКРУЖНОЕ УПРАВЛЕНИЕ

Средняя общеобразовательная школа №506

с углубленным изучением экономики

Реферат по информатике

на тему:

«Искусственный интеллект»

Выполнил ученик 11^Б класса Ковчегин Игорь

Учитель: Сальникова Надежда Валерьевна

Москва, 2002

Содержание.. 2

Введение.. 3

Искусственный интеллект – новая информационная революция.. 5

Основы теории нейроподобных сетей. 10

Некоторые сведения о мозге. 10

Нейрон как элементарное звено. 10

Нейроподобный элемент. 13

Нейроподобные сети (НПС). 15

Обучение нейроподобной сети.. 18

Заключение.. 20

Список использованной литературы: 22

По своей сути процессы адаптации являются оптимизационными процессами.

Дж. Холланд, Adaptation in natural and artificial systems.

Понятие искусственный интеллект, как впрочем и просто интеллект, весьма расплывчаты. Если обобщить все сказанное за последние тридцать лет, то оказывается, что человек просто хочет создать себе подобного в той или иной форме, хочет, чтобы какие-то действия выполнялись более рационально, с меньшими затратами времени и энергии. С конца 40-х годов ученые все большего числа университетских и промышленных исследовательских лабораторий устремились к дерзкой цели: построение компьютеров, действующих таким образом, что по результатам работы их невозможно было бы отличить от человеческого разума. В последнее время наблюдается возрастание интереса к искусственному интеллекту, вызванное повышением требований к информационным системам. Умнеет программное обеспечение, умнеет бытовая техника. Мы неуклонно движемся к новой информационной революции, сравнимой по масштабам с развитием Интернета, имя которой – искусственный интеллект.

Искусственный интеллект является сейчас «горячей точкой» научных исследований. В этой точке, как в фокусе, сконцентрированы наибольшие усилия кибернетиков, лингвистов, психологов, философов, математиков и инженеров. Именно здесь решаются многие коренные вопросы, связанные с путями развития научной мысли, с воздействием достижений в области вычислительной техники и робототехник и на жизнь будущих поколений людей. Здесь возникают и получают права гражданства новые методы научных междисциплинарных исследований. Здесь формируется новый взгляд на роль тех или иных научных результатов и возникает то, что можно было бы назвать философ ским осмыслением этих результатов. Поэтому я посчитал актуальным раскрыть данную тему в реферате.

Терпеливо продвигаясь вперед в своем нелегком труде, исследователи, работающие в области искусственного интеллекта (ИИ), обнаружили, что вступили в схватку с весьма запутанными проблемами, далеко выходящими за пределы традиционной информатики. Оказалось, что прежде всего необходимо понять механизмы процесса обучения, природу языка и чувственного восприятия. Выяснилось, что для создания машин, имитирующих работу человеческого мозга, требуется разобраться в том, как действуют миллиарды его взаимосвязанных нейронов. И тогда многие исследователи пришли к выводу, что, пожалуй, самая трудная проблема, стоящая перед современной наукой – познание процессов функционирования человеческого разума, а не просто имитация его работы. Что непосредственно затрагивало фундаментальные теоретические проблемы психологической науки. В самом деле, ученым трудно даже прийти к единой точке зрения относительно самого предмета их исследований – интеллекта. Некоторые считают, что интеллект – умение решать сложные задачи; другие рассматривают его как способность к обучению, обобщению и аналогиям; третьи – как возможность взаимодействия с внешним миром путем общения, восприятия и осознания воспринятого. Тем не менее многие исследователи ИИ склонны принять тест машинного интеллекта, предложенный в начале 50-х годов выдающимся английским математиком и специалистом по вычислительной технике Аланом Тьюрингом. «Компьютер можно считать разумным, – утверждал Тьюринг, – если он способен заставить нас поверить, что мы имеем дело не с машиной, а с человеком».

Только создав Разум творец смог почувствовать себя Творцом

В.В. Головачев

 Наш мир устроен гораздо сложнее чем мы можем себе представить. Но несмотря на это, даже тот поток информации который человек может воспринять и обработать за определённую единицу времени, неимоверно велик. Чего только стоит одна графика? Что говорить про отдельные случаи, когда этот поток увеличивается (гипноз, медитирование, магическое воздействие на окружающий мир).

Но это в идеале. Слепой человек лишен графического потока, парализованный — лишен осязательной информации, и т.д. То есть в принципе интеллект может функционировать в замкнутом пространстве, не реагируя на внешние факторы. И для этого уже не требуется та вычислительная мощность, в которой нуждается здоровый человек. Для создания ИИ уже достаточно вычислительной мощности современных компьютеров. Но необходима особая структура оперативной памяти, отличная от ёмкостной. Оперативная память должна быть токовой.

Что собой представляет, привычная для пользователя компьютера, оперативная память? Это микросхемы, чипы, построенные из ёмкостных ячеек. Каждая ячейка имеет свой адрес (координаты). Заполненная ячейка – заряженная ёмкость (1), пустая – разряженная (0). На обработку каждой ячейки, запись, стирание, считывание процессор выделяет отдельные циклы. То есть так он (компьютер) и работает: считывает, считает, записывает результат.

А так же ли работает мысль (человеческая оперативная память)? А ведь не так! Мы не выделяем для её обслуживания циклов. Появление, изменение и уничтожение информации в ней конечно связано со временем. Но вычислительная мощность процессора, то есть работа мозга, направленная на обработку внешних воздействий, и поиск информации в статичной (сохранённой) памяти при этом проблем с ресурсами не имеют. Единицы в нашей оперативной памяти не подвергаются вычислительному процессу. Они видоизменяются под воздействием внешних факторов напрямую, «проехала красная машина», «заболела спина», «надо ответить на письмо от друга». В машинном коде эти мысли занимают разное битное пространство памяти. В человеческом – один блок. В таком же блочном виде они сохраняются в статичной памяти. Разный уровень интеллектуальных способностей у людей, видимо, связан с размерами этого блока. Больше блок – легче осмысление крупного массива информации, быстрее поиск в сохранённой памяти. [1]

Все уже, наверное, слышали об электромеханических собаках в Японии, способных узнавать хозяина в лицо, выполнять некоторые простейшие команды и имеющие некоторую способность к обучению. Слышали и про холодильники с выходом в Интернет и про внедрение Microsoft в будущие версии Windows элементов искусственного интеллекта.

В подобном развитии области искусственного интеллекта нет ничего необычного. Здесь уместно привести гипотезу о встречной эволюции человека и компьютера: человек сначала учиться видеть, ходить, разговаривать, а уже потом развивает способности к вычислениям и логическим выводам. Компьютер же наоборот, рождается как вычислительная система, базирующаяся на формальной логике, в процессе развития приобретает способности к распознаванию образов, синтезу речи и управлению в реальном времени. [2]

В настоящее время различают два основных подхода к моделированию искусственного интеллекта (AI – artificial intelligence): машинный интеллект, заключающийся в строгом задании результата функционирования, и искусственный разум, направленный на моделирование внутренней структуры системы. [3] Разделение работ по искусственному интеллекту на два направления связано с существованием двух точек зрения на вопрос, каким образом строить системы искусственного интеллекта. Сторонники одной точки зрения убеждены, что «важнее всего результат», т.е. хорошее совпадение поведения искусственно созданных и естественных интеллектуальных систем, а что касается внутренних механизмов формирования поведения, то разработчик искусственного интеллекта вовсе не должен копировать или даже учитывать особенности естественных, живых аналогов. Другая точка зрения состоит в том, что именно изучение механизмов естественного мышления и анализ данных о способах формирования разумного поведения человека могут создать основу для построения систем искусственного интеллекта, причем построение это должно осуществляться прежде всего как моделирование, воспроизведение техническими средствами принципов и конкретных особенностей функционирования биологических объектов. [4]

Первое направление, таким образом, рассматривает продукт интеллектуальной деятельности человека, изучает его структуру, и стремится воспроизвести этот продукт средствами современной техники. Моделирование систем машинного интеллекта достигается за счет использования законов формальной логики, теории множеств, графов, семантических сетей и других достижений науки в области дискретных вычислений. [5] Основные результаты заключаются в создании экспертных систем, систем разбора естественного языка и простейших систем управления вида «стимул-реакция». Ясно, что успехи этого направления искусственного интеллекта оказываются тесно связанны с развитием возможностей ЭВМ и искусства программирования, то есть с тем комплексом научно-технических исследований, которые часто называют компьютерными науками.

Второе направление искусственного интеллекта рассматривает данные о нейрофизиологических и психологических механизмах интеллектуальной деятельности и, в более широком плане, разумного поведения человека. Оно стремиться воспроизвести эти механизмы с помощью тех или иных технических устройств, с тем чтобы «поведение» таких устройств хорошо совпадало с поведением человека в определенных, заранее задаваемых пределах. Развитие этого направления тесно связано с успехами наук о человеке. Для него характерно стремление к воспроизведению более широкого, чем в машинном интеллекте, спектра проявлений разумной деятельности человека. Системы искусственного разума базируются на математической интерпретации деятельности нервной системы во главе с мозгом человека и реализуются в виде нейроподобных сетей на базе нейроподобного элемента (рис. 2) – аналога нейрона (рис. 1). [3]

Нейроподобные сети в последнее время являются одним из самых перспективных направлений в области искусственного интеллекта и постепенно входят в бытность людей в широком спектре деятельности.

Сети первой группы, такие как сети обратного распространения ошибки, сети Хопфилда и др. используются для распознавания образов, анализа и синтеза речи, перевода с одного языка на другой и прогнозирования. Это вызвано такими особенностями сетей как восстановление изображения по его части, устойчивостью к зашумлению входного сигнала, прогнозирование изменения входов и параллельность вычислений. Также, немаловажной характеристикой является способность функционировать даже при потере некоторой части сети.

Сети второй группы используются как системы управления в реальном времени несложных объектов. Это управление популярными в последнее время интеллектуальными агентами, выполняющими роль виртуальных секретарей. Особенностями данной группы является появление некоторых внутренних стимулов, возможностью к самообучению и функционированию в реальном времени.

И, наконец, сети третьей группы, являющиеся дальнейшим развитием предыдущих, представляют собой уже нейроподобные системы и нацелены они на создание экзотических в настоящее время виртуальных личностей, информационных копий человека, средой обитания которых является глобальная сеть Интернет. Данное направление только зарождается, но есть немалый шанс, что мы станем свидетелями ситуации рождения виртуальных людей, подробно описанной фантастами и режиссерами. [6]

Сейчас в Интернете повсеместно можно встретить признаки зарождения подобных проектов, призывы объединиться всем научным потенциалом способного думать человечества в целях очеловечивания Интернета, преобразования его в разумную систему или среду обитания разумных систем. Раз существуют подобные предпосылки, значит не что не оставит полет человеческой мысли на пути достижения поставленной цели.

На основании вышеизложенного можно сделать вывод о том, что основные направления искусственного интеллекта связаны с моделированием, но в случае машинного интеллекта мы имеем дело с моделированием феноменологическим, имитационным, а в случае искусственного разума – с моделированием структурным.

Некоторые сведения о мозге

Что позволяет человеку анализировать поступающую информацию? В терминологии нейрогенетики введено ключевое понятие – нейросеть. Именно совокупность нейросетей образует отделы нервной системы человека, которые в свою очередь определяют всю деятельность, придают существу разум, интеллект.

Мозг является, пожалуй, самой сложной из известных нам систем переработки информации. Достаточно сказать, что в нем содержится около 100 миллиардов нейронов, каждый из которых имеет в среднем 10 000 связей. При этом мозг чрезвычайно надежен: ежедневно погибает большое количество нейронов, а мозг продолжает функционировать. Обработка огромных объемов информации осуществляется мозгом очень быстро, за доли секунды, несмотря на то, что нейрон является медленнодействующим элементом со временем реакции не менее нескольких миллисекунд.

Пока не слишком понятно, как мозгу удается получить столь впечатляющее сочетание надежности и быстродействия. Довольно хорошо изучена структура и функции отдельных нейронов, имеются данные об организации внутренних и внешних связей между нейронами некоторых структурных образований мозга, совсем мало известно об участии различных структур в процессах переработки информации. [7]

Ниже приводятся некоторые сведения об устройстве и работе нервной системы, которые используются при построении моделей нейронных сетей.

Нейрон как элементарное звено.

Нервные клетки, или нейроны, представляют собой особый вид клеток в живых организмах, обладающих электрической активностью, основное назначение которых заключается в оперативном управлении организмом. Схематическое изображение нейрона приведено на рисунке 1.

Рисунок 1. Схема строения нейрона

Нейрон имеет тело (сому) – 1, дерево входов (дендриты) – 4 и выходов (аксон и его окончания) – 2. Сома, как правило, имеет поперечный размер в несколько десятков микрон. Длина дендритов может достигать 1 мм, дендриты сильно ветвятся, пронизывая сравнительно большое пространство в окрестности нейрона. Длина аксона может достигать сотен миллиметров. Начальный сегмент аксона – 3, прилегающий к телу клетки, утолщен. Иногда этот сегмент называют аксонным холмиком. По мере удаления от клетки он постепенно сужается и на расстоянии нескольких десятков микрон на нем появляется миэлиновая оболочка, имеющая высокое электрическое сопротивление. На соме и на дендритах располагаются окончания (коллатерали) аксонов, идущих от других нервных клеток. Каждое такое окончание имеет вид утолщения, называемого синаптической бляшкой, или синапсом. Поперечные размеры синапса, как правило, не превышают нескольких микрон, чаще всего эти размеры составляют около 1 мкм. [7]

Входные сигналы дендритного дерева (постсинаптические потенциалы[1]) взвешиваются и суммируются на пути к аксонному холмику, где генерируется выходной импульс (спайк) или группа импульсов. Его наличие (или интенсивность), следовательно, является функцией взвешенной суммы входных сигналов. Выходной сигнал проходит по ветвям аксона и достигает синапсов, которые соединяют аксоны с дендритными деревьями других нейронов. Через синапсы сигнал трансформируется в новый входной сигнал для смежных нейронов. Этот входной сигнал может быть положительным и отрицательным (возбуждающим или тормозящим) в зависимости от вида синапсов. Величина входного сигнала, генерируемого синапсом, может быть различной даже при одинаковой величине сигнала, приходящего в синапс. Эти различия определяются эффективностью или весом синапса. Синаптический вес может изменяться в процессе функционирования синапса. [7] Многие ученые считают такое изменение нейрофизиологическим коррелятом (следом) памяти. При этом роль механизмов молекулярной памяти заключается в долговременном закреплении этих следов.

Нейроны можно разбить на три большие группы: рецепторные, промежуточные и эффекторные. Рецепторные нейроны обеспечивают ввод в мозг сенсорной информации. Они трансформируют сигналы, поступающие на органы чувств (оптические сигналы в сетчатке глаза, акустические в ушной улитке или обонятельные в хеморецепторах носа), в электрическую импульсацию своих аксонов. Эффекторные нейроны передают приходящие на них сигналы исполнительным органам. На конце их аксонов имеются специальные синаптические соединения с исполнительными органами, например мышцами, где возбуждение нейронов трансформируется в сокращения мышц. Промежуточные нейроны осуществляют обработку информации, получаемой от рецепторов, и формируют управляющие сигналы для эффекторов. Они образуют центральную нервную систему. [7]

Нейроподобный элемент.

Нейроподобный элемент, который обычно используется при моделировании нейронных сетей, приведен на рисунке 2. На нейроподобный элемент поступает набор входных сиг­налов x₁...х_n (или входной вектор ), представляющий собой выходные сигналы других нейроподобных элементов. Этот входной вектор соответствует сигналам, поступающим в синапсы[2] биологиче­ских нейронов. Каждый входной сигнал умножается  на соответ­ствующий вес связи w₁…w_n – аналог эффективности синапса. Вес связи является скалярной величиной, положительной для возбуждающих  и отрицательной для тормозящих связей. Взвешенные весами связей входные сиг­налы поступают на блок суммации, соот­ветствующий телу клетки, где осущест­вляется их алгебраическая суммация и определяется уровень возбуждения нейроподобного элемента S [8]:

Выходной сигнал нейрона у определяется путем пропускания уров­ня возбуждения S через нелинейную функцию f:

,

где θ — некоторое постоянное смещение (аналог порога нейрона). Обычно используются простейшие нелинейные функции:

-   бинарная

-   сигмоидная:

В такой модели нейрона пренебрегают многими известными харак­теристиками биологического прототипа, которые некоторые исследо­ватели считают критическими. Например, в ней не учитывают нелиней­ность пространственно-временной суммации, которая особенно про­является для сигналов, приходящих по возбуждающим и тормозя­щим синапсам, различного рода временные задержки, эффекты син­хронизации и частотной модуляции, рефрактерность[3] и т. п. Несмотря на это нейроподобные сети, простроенные на основе таких простых нейроподобных элементов, демонстрируют ассоциативные свойства, напоминающие свойства биологических систем. [8]

Нейроподобные сети (НПС)

Что такое искусственные нейронные сети? Что они могут делать? Как они работают? Как их можно использовать? Эти и множество подобных вопросов задают специалисты из разных областей.

Что же такое нейроподобная сеть? Это искусственный аналог биологической сети, по своим параметрам максимально приближающийся к оригиналу. Нейроподобные сети прошли длинный путь становления и развития, от полного отрицания возможности их применения до воплощения во многие сферы деятельности человека.

Современные цифровые вычислительные машины способны с высоким быстродействием и точностью решать формализованные задачи с вполне определенными данными по заранее известным алгоритмам. Однако в тех случаях, когда задача не поддается формализации, а входные данные неполны, зашумлены или противоречивы, применение традиционных компьютеров становится неэффективным. Альтернативой им становятся специализированные компьютеры, реализующие нетрадиционные нейросетевые технологии. Сильной стороной этих комплексов является нестандартный характер обработки информации. Она кодируется и запоминается не в отдельных ячейках памяти, а в распределении связей между нейронами и в их силе, поэтому состояние каждого отдельного нейрона определяется состоянием многих других нейронов, связанных с ним. Следовательно, потеря одной или нескольких связей не оказывает существенного влияния на результат работы системы в целом, что обеспечивает ее высокую надежность. [9]

Высокая «естественная» помехоустойчивость и функциональная надежность касаются как искаженных (зашумленных) потоков информации, так и в смысле отказов отдельных процессорных элементов. Этим обеспечиваются высокая оперативность и достоверность обработки информации, а простая дообучаемость и переобучаемость НПС позволяют при изменении внешних факторов своевременно осуществлять переход на новые виды решаемых задач.

Приведенные выше преимущества нейросетевой обработки данных определяют области применения НПС:

-   обработка и анализ изображений;

-   распознавание речи независимо от диктора, перевод;

-   обработка высокоскоростных цифровых потоков;

-   автоматизированная система быстрого поиска информации;

-   классификация информации в реальном масштабе времени;

-   планирование применения сил и средств в больших масштабах;

-   решение трудоемких задач оптимизации;

-   адаптивное управление и предсказание.

Основные положения теории деятельности головного мозга и математическая модель нейрона были разработаны У. Маккалоком и Ч. Питтсом в 1943 году и опубликованы в статье «Логическое исчисление идей, относящихся к нервной деятельности», которая была издана на русском языке в сборнике «Автоматы» только спустя 13 лет. Согласно предложенной модели мозг представляет собой ансамбль нейронов, имеющих одинаковую структуру. Каждый нейрон реализует некоторую функцию, называемую пороговой, над входными значениями. Если значение функции превышает определенную величину – порог (что характеризует суммарную значимость полученной нейроном информации), нейрон возбуждается и формирует выходной сигнал для передачи его другим нейронам. Пройдя путь от рецепторов (слуховых, зрительных и других) через нейронные структуры мозга до исполнительных органов, входная информация преобразуется в набор управляющих воздействий, адекватных ситуации [8].

Отдельные нейроны, соединяясь между собой, образуют новое качество, которое, в зависимости от характера межнейронных соединений, имеет различные уровни биологического моделирования:

-   группа нейронов;

-   нейронная сеть;

-   нервная система;

-   мыслительная деятельность;

-   мозг.

Другими словами, нейроподобная сеть — это параллельная связная сеть простых адаптивных элементов, которая взаимодействует с объектами реального мира аналогично биологической нервной системе. [8] С инженерной точки зрения такая сеть представляет собой сильно распараллеленную динамическую систему с топологией направленного графа, которая может выполнять переработку информации посредством изменения своего состояния в ответ на постоянный или импульсный входной сигнал.

В настоящее время основными направлениями реализации НПС являются:

-   программная реализация на цифровых ЭВМ традиционной архитектуры;

-   программно-аппаратная реализация в виде сопроцессоров к ЭВМ общего назначения;

-   аппаратная реализация путем создания нейрокомпьютеров на базе нейроплат в виде параллельных нейроподобных структур.

 Ранние варианты реализации НПС относятся к первым двум из указанных направлений. Первое направление характеризуется универсальностью, дешевизной и низкой скоростью обучения и функционирования НПС. Для второго направления характерна высокая скорость моделирования функционирования НПС, но при этом существуют серьезные физические ограничения числа моделируемых элементов и связей между ними, а также возможностей обучения и до обучения. По мере развития элементной базы ЭВМ стало возможным самостоятельное развитие третьего направления, которое положило начало индустрии нейрокомпьютеров, представляющих совокупность аппаратных и программных средств для реализации моделей нейронных сетей.

На сегодняшний день известно уже более 200 различных парадигм[4] нейронных сетей (не только детерминированных, но и вероятностных), десятки НПС реализованы в специализированных кристаллах и платах, на их основе созданы мощные рабочие станции и даже суперкомпьютеры. Современные технологии достигли того рубежа, когда стало возможным изготовление технической системы из 3…4 млрд. нейронов (именно такое количество их в мозгу человека). Однако их соединение продолжает оставаться проблемой.

Обучение нейроподобной сети

Одно из важнейших свойств нейроподобной сети — способность к самоорганизации, самоадапта­ции с целью улучшения качества функционирования. Это достигается обучением сети, алгоритм которого задается набором обучающих правил. Обучающие правила определяют, каким образом изменяются связи в ответ на входное воздействие. Многие из них являются разви­тием высказанной Д. О. Хеббом идеи о том, что обучение основа­но на увеличении силы связи (синаптического веса) между одновремен­но активными нейронами. Таким образом, часто используемые в сети связи усиливаются, что объясняет феномен обучения путем повторения и привыкания. Математически это правило можно записать сле­дующим образом:

,

где w_ij(t) и w_ij(t+1) – значение веса связи от i-го к j-му нейрону соответственно до и после его изменения, α — скорость обучения, y_i и y_j –выходные сигналы i-го и j-го нейронов. [10] В настоящее время существует множество разнообразных обучающих правил (алгоритмов обучения). Некоторые из них будут представлены в параграфах, посвященных рассмотрению конкретных нейросетевых моделей.

Многие споры вокруг проблемы создания искусственного интеллекта имеют эмоциональную подоплеку. Признание возможности искусственного разума представляется чем-то унижающим человеческое достоинство. Однако нельзя смешивать вопросы возможностей искусственного разума с вопросом о развитии и совершенствовании человеческого разума. Повсеместное использование ИИ создаёт предпосылки для перехода на качественно новую ступень прогресса, даёт толчок новому витку автоматизации производства, а значит и повышению производительности труда. Разумеется, искусственный разум может быть использован в негодных целях, однако это проблема не научная, а скорее морально-этическая.

Однако развитие кибернетики выдвигает ряд проблем, которые все же требуют пристального внимания. Эти проблемы связаны с опасностями, возникающими в ходе работ по искусственному интеллекту.

Первая проблема связана с возможной потерей стимулов к творческому труду в результате массовой компьютеризации или использования машин в сфере искусств. Однако в последнее время стало ясно, что человек добровольно не отдаст самый квалифицированный творческий труд, так как он для самого человека является привлекательным.

Вторая проблема носит более серьезный характер, и на нее неоднократно указывали такие специалисты, как Н. Винер, Н. М. Амосов, И. А. Полетаев и др. Состоит она в следующем. Уже сейчас существуют машины и программы, способные в процессе работы самообучаться, т. е. повышать эффективность приспособления к внешним факторам. В будущем, возможно, появятся машины, обладающие таким уровнем приспособляемости и надежности, что необходимость человеку вмешиваться в процесс отпадет. В этом случае возможна потеря самим человеком своих качеств, ответственных за поиск решений. Налицо возможная деградация способностей человека к реакции на изменение внешних условий и, возможно, неспособность принятия управления на себя в случае аварийной ситуации. Встает вопрос о целесообразности введения некоторого предельного уровня в автоматизации процессов, связанных с тяжелыми аварийными ситуациями. В этом случае у человека, "надзирающим" за управляющей машиной, всегда хватит умения и реакции таким образом воздействовать на ситуацию, чтобы погасить разгорающуюся аварийную ситуацию. Таковые ситуации возможны на транспорте, в ядерной энергетике. Особо стоит отметить такую опасность в ракетных войсках стратегического назначения, где последствия ошибки могут иметь фатальный характер. Несколько лет назад в США начали внедрять полностью компьютеризированную систему запуска ракет по командам суперкомпьютера, обрабатывающего огромные массивы данных, собранных со всего света. Однако оказалось, что даже при условии многократного дублирования и перепроверки, вероятность ошибки оказалась бы столь велика, что отсутствие контролирующего оператора привело бы к непоправимой ошибке. От системы отказались.

Люди будут постоянно решать проблему искусственного интеллекта, постоянно сталкиваясь все с новыми проблемами. И, видимо, процесс этот бесконечен.

ИНТЕЛЛЕКТ (от лат. intellectus — познание, понимание, рассудок), способность мышления, рационального познания. Латинский перевод древнегреческого понятия нус («ум»), тождественный ему по смыслу.

ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ, раздел информатики, включающий разработку методов моделирования и воспроизведения с помощью ЭВМ отдельных функций творческой деятельности человека, решение проблемы представления знаний в ЭВМ и построение баз знаний, создание экспертных систем, разработку т. н. интеллектуальных роботов.

КИБЕРНЕТИКА (от греч. kybernetike — искусство управления), наука об управлении, связи и переработке информации. Основной объект исследования — т. н. кибернетические системы, рассматриваемые абстрактно, вне зависимости от их материальной природы. Примеры кибернетических систем — автоматические регуляторы в технике, ЭВМ, человеческий мозг, биологические популяции, человеческое общество. Каждая такая система представляет собой множество взаимосвязанных объектов (элементов системы), способных воспринимать, запоминать и перерабатывать информацию, а также обмениваться ею. Современная кибернетика состоит из ряда разделов, представляющих собой самостоятельные научные направления. Теоретическое ядро кибернетики составляют информации теория, теория алгоритмов, теория автоматов, исследование операций, теория оптимального управления, теория распознавания образов. Кибернетика разрабатывает общие принципы создания систем управления и систем для автоматизации умственного труда. Основные технические средства для решения задач кибернетики — ЭВМ. Поэтому возникновение кибернетики как самостоятельной науки (Н. Винер, 1948) связано с созданием в 40-х гг. 20 в. этих машин, а развитие кибернетики в теоретических и практических аспектах — с прогрессом электронной вычислительной техники

ЛОГИКА (греч. logike), наука о способах доказательств и опровержений; совокупность научных теорий, в каждой из которых рассматриваются определенные способы доказательств и опровержений. Основателем логики считается Аристотель. Различают индуктивную и дедуктивную логику, а в последней — классическую, интуиционистскую, конструктивную, модальную и др. Все эти теории объединяет стремление к каталогизации таких способов рассуждений, которые от истинных суждений-посылок приводят к истинным суждениям-следствиям; каталогизация осуществляется, как правило, в рамках логических. исчислений. Особую роль в ускорении научно-технического прогресса играют приложения логики в вычислительной математике, теории автоматов, лингвистике, информатике и др.

ЛОГИЧЕСКАЯ ОШИБКА, вызывается нарушением правил или законов логики; признак формальной несостоятельности содержащих ее определений, рассуждений, выводов и доказательств.

МНОЖЕСТВ ТЕОРИЯ, раздел математики, в котором изучаются общие свойства множеств, преимущественно бесконечных. Понятие множества — простейшее математическое понятие, оно не определяется, а лишь поясняется при помощи примеров: множество книг на полке, множество точек на прямой (точечное множество) и т. д.

МОДУЛЯЦИЯ КОЛЕБАНИЙ, изменение амплитуды, частоты, фазы или др. характеристик колебаний по заданному закону, медленное по сравнению с периодом этих колебаний. Различают модуляцию колебаний амплитудную, частотную и фазовую (рис.3).

НЕЙРОН (от греч. neuron — нерв), нервная клетка, состоящая из тела и отходящих от него отростков — относительно коротких дендритов и длинного аксона; основная структурная и функциональная единица нервной системы (см. схему). Нейроны проводят нервные импульсы от рецепторов в центральную нервную систему (чувствительный нейрон), от центральной нервной системы к исполнительным органам (двигательный нейрон), соединяют между собой несколько других нервных клеток (вставочные нейроны). Взаимодействуют нейроны между собой и с клетками исполнительных органов через синапсы. У коловратки число нейронов 10², у человека — более 10¹⁰.

ПАРАДИГМА (от греч. paradeigma — пример, образец), в философии, социологии — исходная концептуальная схема, модель постановки проблем и их решения, методов исследования, господствующих в течение определенного исторического периода в научном сообществе. Смена парадигм представляет собой научную революцию.

РАЗУМ, ум, способность понимания и осмысления. В ряде философских течений — высшее начало и сущность (панлогизм), основа познания и поведения людей (рационализм).

РЕФРАКТЕРНОСТЬ (от франц. refractaire — невосприимчивый), в физиологии — отсутствие или снижение возбудимости нерва или мышцы после предшествующего возбуждения. Рефрактерность лежит в основе торможения. Рефрактерный период длится от нескольких десятитысячных (во многих нервных волокнах) до нескольких десятых (в мышечных волокнах) долей секунды.

СИНАПС (греч. synapsis — соединение, связь), зона контакта между нейронами и другими образованиями (нервными, мышечными или железистыми клетками), служащая для передачи информации от клетки, генерирующей нервный импульс к другим клеткам.

СИНАПТИЧЕСКИЕ ПОТЕНЦИАЛЫ, биоэлектрические потенциалы, возникающие в местах специализированных межклеточных контактов — синапсах — во время передачи возбуждения от одной клетки (пресинаптической) к другой (постсинаптической).

СИНХРОНИЗАЦИЯ, приведение двух или нескольких процессов к такому их протеканию, когда одинаковые или соответствующие элементы процессов совершаются с неизменным сдвигом во времени либо одновременно (напр., речь оратора и переводчика при синхронном переводе, производственные операции).

ЧАСТОТНАЯ МОДУЛЯЦИЯ, изменение частоты колебаний по заданному закону, медленное по сравнению с периодом этих колебаний.

Список использованной литературы:

1.  Шихов Е. Варианты реализации искусственного интеллекта – ресурс Интернета, http://neural.narod.ru/, 2002

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

3.  Квасный Р. Искусственный интеллект – ресурс Интернета, http://neural.narod.ru/, 2001.

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

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

6.  Труды третьего международного симпозиума «Интеллектуальные системы» – Псков: 1998.

7.  Федюкович Н. И. Анатомия и физиология: Учеб. Пособие. – Мн.: ООО «Полифакт-Альфа», 1999.

8.  Соколов Е. Н., Вайткявичус Г.Г. Нейроинтеллект: от нейрона к нейрокомпьютеру – М.: Наука, 1989.

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

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

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

12.        Волгин Л. И. Комплементарная алгебра нейросетей – Таллин: АО «KLTK», 1993.

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

[1] СИНАПТИЧЕСКИЕ ПОТЕНЦИАЛЫ, биоэлектрические потенциалы, возникающие в местах специализированных межклеточных контактов — синапсах — во время передачи возбуждения от одной клетки (пресинаптической) к другой (постсинаптической).

[2] СИНАПС (греч. synapsis — соединение, связь), зона контакта между нейронами и другими образованиями (нервными, мышечными или железистыми клетками), служащая для передачи информации от клетки, генерирующей нервный импульс к другим клеткам.

[3] РЕФРАКТЕРНОСТЬ (от франц. refractaire — невосприимчивый), в физиологии — отсутствие или снижение возбудимости нерва или мышцы после предшествующего возбуждения. Рефрактерность лежит в основе торможения. Рефрактерный период длится от нескольких десятитысячных (во многих нервных волокнах) до нескольких десятых (в мышечных волокнах) долей секунды.

[4] ПАРАДИГМА (от греч. paradeigma — пример, образец), в философии, социологии — исходная концептуальная схема, модель постановки проблем и их решения, методов исследования, господствующих в течение определенного исторического периода в научном сообществе. Смена парадигм представляет собой научную революцию.