Русский English
V международная конференция
«РАЗВИТИЕ ВЫЧИСЛИТЕЛЬНОЙ ТЕХНИКИ В РОССИИ, СТРАНАХ БЫВШЕГО СССР И СЭВ»
Россия, Москва, НИУ ВШЭ, 6–8 октября 2020 года
Предоставление докладов на английском языке
Искусственный интеллект: от психоники и прикладной семиотики к синергетическому подходу. О научном наследии профессора Д.А. Поспелова

Искусственный интеллект: от психоники и прикладной семиотики к синергетическому подходу. О научном наследии профессора Д.А. Поспелова

Аннотация

Работа посвящена описанию научно-педагогической деятельности в Московском энергетическом институте выдающегося советского и российского учёного, основателя научного направления «Искусственный интеллект» и ведущей школы по искусственному интеллекту в СССР, инициатора создания и первого президента Советской (затем Российской) ассоциации искусственного интеллекта, доктора технических наук, профессора, академика Российской академии естественных наук Дмитрия Александровича Поспелова. Основное внимание уделено освещению результатов работы отечественного аналога Дартмутского семинара по искусственному интеллекту – семинара по психонике в МЭИ, инициатором которого он был. На этом семинаре молодым учёным Дмитрием Поспеловым были открыты и активно обсуждались новые междисциплинарные научные области, тесно связанные с ИИ – теория гироматов, ситуационное управление и прикладная семиотика, а также были заложены основы двух оригинальных отечественных парадигм ИИ – психонической и семиотической. Рассмотрены логические модели агентов, построенные под влиянием идей психоники – псевдофизические логики и виды рассуждений, опирающиеся на анализ различных состояний «Я» агентов. Особое место занимает обсуждение программной статьи д.т.н. Д.А.Поспелова «Системный подход к моделированию мыслительной деятельности», в которой были изложены основы семиотического моделирования технических систем. Показано, что идеи, подходы и методы психоники снова приобретают актуальность в контексте развития современных направлений ИИ, таких как Artificial General Intelligence и синергетический искусственный интеллект.

Ключевые слова: искусственный интеллект, психоника, гиромат, ситуационное управление, прикладная семиотика, синергетическая интеллектуальная система.

I. Введение: Институт техники управления

В середине 2000-х годов в искусственном интеллекте (ИИ) возродились работы, связанные с исследованием, моделированием и компьютерной реализацией «целостного интеллекта». Стали популярными такие направления как: «искусственный общий интеллект» AGI (сокр. от Artificial General Intelligence) [1,2], «сильный ИИ», «искусственное сознание», развиваемое, в частности, в рамках ассоциации BICA (Biologically Inspired Cognitive Architectures) и её конференций (см., например, [3]). C 22 по 26 июня 2020 г. в онлайн-формате прошла 13-я международная конференция по искусственному общему интеллекту AGI-2020, на которой был представлен пленарный доклад от Российской ассоциации искусственного интеллекта [4]. Общим пунктом требований к любому проекту в сфере AGI является разработка концепции и модели целостного интеллекта, её формализованное представление и инженерная реализация с помощью программно-аппаратных средств.

Следует отметить, что «новая волна» интереса к целостному ИИ исторически является уже второй или третьей. С одной стороны, сегодняшняя методология развития AGI выглядит очень похожей на первые работы по ИИ. Как известно, эпоху искусственного интеллекта принято отсчитывать, начиная с исторического Дартмутского летнего семинара 1956г., инициаторами которого выступили К. Шеннон,Дж. Маккарти (создатель языка ЛИСП и автор самого термина «искусственный интеллект»), М. Минский и Н. Рочестер. Первопроходцы ИИ мечтали построить компьютерные системы, способные, как и человек, решать разные задачи для значительного числа предметных областей. Самым первым воплощением этой идеи стал показанный в 1959 году General Problem Solver (общий или универсальный решатель задач) – компьютерная программа, созданная А. Ньюэллом, Г. Саймоном и К. Шоу [5]. Предшественниками AGI можно считать и более позднюю компьютерную программу EURISCOД. Лената [6],а также проекты когнитивных архитектур типа SOAR [7], ACT-R, Prodigy, и пр.

С другой стороны, в истории советской информатики и ИИ также был ныне почти забытый «Московский Дартмут» – научный семинар по психонике [8,9], который работал в Московском энергетическом институте (МЭИ) на протяжении почти 7 лет с 1964 по 1970 г. За эти годы было проведено 92 заседания семинара [9]. Этот семинар внёс большой вклад в зарождение отечественных представлений о целостном ИИ, развитие теории гироматов, ситуационного управления, неклассических логик, семиотического моделированияи формирование междисциплинарных творческих коллективов в области разработки интеллектуальных систем. Его инициатором и душой стал будущий глава исследований и разработок по ИИ в СССР, основатель и первый президент Советской (затем Российской) ассоциации искусственного интеллекта Дмитрий Александрович Поспелов.

II. Д.А. Поспелов: 12 лет научно-педагогической деятельности и создание научной школы в МЭИ

Дмитрий Поспелов родился 19 декабря 1932 года в Москве. В 1956 году окончил механико-математический факультет МГУ им. М.В. Ломоносова по специальности «Вычислительная математика» и был распределён в Московский энергетический институт (МЭИ) на кафедру вычислительной техники (ВТ).

Уже в первые годы работы в МЭИ на кафедре ВТ, наряду с преподавательской деятельностью, Дмитрий Александрович Поспелов активно занимался научными исследованиями по теории вычислительных систем, теории автоматов, теории игр, многозначным логикам. Важными результатами этих исследований стали его ранние монографии, написанные в 1960-е годы и получившие международное признание: «Логические методы анализа и синтеза схем» [10] (выдержала три издания в СССР в 1964, 1968 и 1974гг., переведена на болгарский и немецкий языки), «Игры и автоматы» [11] (переведена на испанский и польский языки), «Вероятностные автоматы» [12].

В январе 1968г. Д.А. Поспелов защитил на заседании совета факультета автоматики и вычислительной техники МЭИ докторскую диссертацию на тему «Проблемы теории вычислительных систем» [13]. При её подготовке им был создан аппарат ярусно-параллельных форм, позволивший ставить и решать ряд проблем, связанных с организацией и проведением параллельных вычислений в вычислительных сетях. На его основе ещё в 1960-1970-е годы успешно решались такие проблемы, как синхронное и асинхронное распределение программ по машинам компьютерной системы, задачи оптимальной сегментации программ, а также важные оптимизационные задачи, связанные с распределением информационных обменов [14].

К концу 1960-х годов на кафедре ВТ МЭИ возникла научная школа Д.А. Поспелова [15]: его первые аспиранты Ю.И. Клыков [16], В.Н. Вагин [17], Ж. Железов [18] защитили кандидатские диссертации в 1967 и 1968 годах; впоследствии первые двое стали докторами наук, известными учёными по ситуационному управлению и прикладной логике для ИИ соответственно. Их кандидатские работы по совершенно новым в те годы темам прошли всестороннее обсуждение на семинаре по психонике.

III. O семинаре по психонике в МЭИ

Начнём изложение истории семинара с ответа на вопрос, почему он возник, и откуда появилось его название. Первые 12 лет работы Дмитрия Александровича на кафедре ВТ Московского энергетического института c 1956 по 1968 годы (а в 1990-е годы состоялось его «второе пришествие» в МЭИ на обновлённую Кафедру прикладной математики, которой тогда заведовал профессор В.П. Кутепов) выпали на период начала кибернетического бума в СССР, когда только рождались новые научные направления и дисциплины, связанные с отображением и имитацией важнейших характеристик сложных естественных систем в искусственных системах.

Одна из таких дисциплин – бионика – провозгласила своей целью практическое применение в технических системах тех биологических механизмов и принципов действия, которые природа «отработала» в ходе эволюции живых организмов. В сферу интересов бионики попадают автономные и гомеостатические системы, искусственные нейроны и эволюционные системы, искусственные конечности, управляемые биотоками, и биотехнические системы, где в качестве одной или нескольких подсистем используются живые организмы.

Вариантом реализации имитационной бионической программы в ИИ стал нейробионический подход, приверженцы которого считают, что воспроизведение интеллектуальных процессов практически невозможно без воспроизведения их материальных носителей, т.е. тех процессов, которые протекают в специальным образом организованной биологической ткани. Другими словами, основной целью этого подхода является создание искусственного мозга, структура и функционирование которого идентичны биологическому мозгу. В рамках нейробионического подхода ведутся исследования по разработке искусственных нейронов и построению всё более совершенных нейроподобных искусственных структур, по аналогии с биологическими.

Но ещё на заре ИИ стало ясно, что бионика в ее исходном понимании в большей степени охватывает проблемы «тела» технических систем, а вопросы их «одушевления» оказываются как бы на периферии. Бионика того времени в основном оставалась на уровне рефлекторных процессов, моделей самосохранения, обмена и адаптации. Однако, для понимания естественных интеллектуальных систем важное место занимает исследование процессов целеобразования, формирования и принятия решений в сложных ситуациях, классификации и оценки ситуаций и многое другое, что традиционно связано с психологией, а не с биологией или физиологией. Основным отличием новых технических устройств от обычных компьютеров является наличие в них модели внешнего мира, которая отражает соотношения этого мира с помощью системы базовых понятий и отношений различного типа между этими понятиями (онтологии в современных терминах).

Так с «лёгкой руки» Д.А. Поспелова родилась психоника – научная область, основной задачей которой стало изучение и использование в интеллектуальных системах результатов, добытых психологами при изучении психики человека и способов организации человеческой деятельности [8]. На первом заседании семинара был прочитан доклад Д.А. Поспелова «О задачах психоники» (см.[9]), в котором было отмечено появление круга проблем, которые с одной стороны являются предметом исследований психологов и лингвистов, а с другой стороны, представляют большой интерес для инженеров, специалистов в области технических наук, математиков, программистов, которые занимаются проектированием устройств, предназначенных для целенаправленной, «логической» деятельности. К таким проблемам относятся вопросы целенаправленного поведения, мотивации поступков, выработки абстрактных понятий, проведения индуктивных выводов, и т.д.

Инициатором семинара были указаны три направления в психонике: 1) создание в машине внутренней модели внешней среды; 2) принятие целесообразных решений; 3) моделирование личности и коллективов.

Было отмечено, что наделение технических систем аналогами личностных характеристик позволило бы строить управляющие устройства, обладающие некоторой «субъективностью» подхода к решению задачи. Например, при моделировании игровой ситуации следует учитывать такие поведенческие аспекты как обман и блеф.

Прообразом такого технического устройства, реализующим модель целесообразного поведения, стал гиромат Д.А. Поспелова [19], впервые рассмотренный на семинаре по психонике. Сам термин «гиромат» и идея подстройки структуры модели к особенностям решаемой задачи были заимствованы из произведений польского писателя-фантаста Ст. Лема. Процедура принятия решений в гироматах опиралась на соотнесение текущей ситуации с некоторым типовым классом событий или ситуаций, для которого предполагалось известным априорное решение. При этом гиромат уже содержал «агентообразующие» модули: блок мотивации; блок селекции (рецепторы); блок построения внутренней модели внешней среды; блок выдвижения гипотез; блок модельного опыта; блок выработки решений; блок активного опыта; блок времени.

Общая идея работы гиромата представлена на рис.1. Функционирование гиромата происходит в специальной среде, называемой дискретной ситуационной сетью. Эта сеть представляет собой граф с вершинами трёх типов, называемых истоками, стоками и решателями.

 Рис.1. Общая схема гиромата. Материалы Виртуального Компьютерного музея.

Рис.1. Общая схема гиромата

Информация о текущей ситуации в дискретной ситуационной сети поступает в блок селекции. Из него она идет по двум направлениям: в блок построения модели, где происходит классификация ситуаций, и в блок гипотез, в котором вырабатываются различные гипотезы о связи ситуаций между собой. В эти же блоки из блока времени поступает информация о времени, когда была зафиксирована данная ситуация. Она используется для оценки повторяемости конкретных ситуаций и изменений во времени. В результате блок построения модели изменяет внутреннюю модель мира, хранящуюся в гиромате. В модели внешнего мира хранится весь опыт гиромата, накопленный им в процессе функционирования. На основе этой информации блок модельного опыта извлекает информацию, требуемую для принятия решений, и передает её в блок выработки решений.

Если рассматриваемая ситуация оказывается типичной, уже знакомой гиромату, то блок выработки решений формирует задание блоку активного опыта на выдачу воздействий на среду. В противном случае требуется дополнительное обращение к блоку гипотез. Блок активного опыта может непосредственно анализировать реакцию среды и передавать корректирующую информацию в блок гипотез.

В целом, можно считать гиромат Д.А. Поспелова одной из первых в мировой практике моделей целесообразного поведения адаптивного агента.

На заседаниях семинара, проходивших в 1967-1970-м годах, сформировались задачи, подходы и методы, составившие основу ситуационного управления (рис.2). В нём нашли прямое отражение идеи гироматов, что легко увидеть из сопоставления рис.1 и рис.2.

Ситуационное управление требуется для класса больших (или сложных) систем, таких как город, морской порт, транснациональное предприятие, где невозможна или нецелесообразна строгая формализация процесса управления в виде математических уравнений, а доступно лишь его гибкое описание в виде последовательности предложений естественного языка с помощью логико-лингвистических моделей [20]. На основе экспертной информации строится классификатор, позволяющий разделять все наблюдаемые ситуации на нечёткие классы (образующие покрытие, но не разбиение). Для описания ситуаций используются семантические сети и близкие к ним модели знаний.

Рис.2. Общая схема ситуационного управления

Рис.2. Общая схема ситуационного управления

Описание текущей ситуации, складывающейся на объекте управления, поступает на вход системы ситуационного управления. Кодировщик преобразует поступающую информацию в стандартное внутреннее представление, и описание ситуации S поступает в анализатор. Основной задачей этого блока является проверка выполнения условия: S∈Sкр, где Sкp– множество критических (с точки зрения управления) ситуаций. Если текущая ситуация S не принадлежит множеству критических ситуаций, то описание S вместе с временной отметкой ее появления записывается в базу знаний, где накапливается история функционирования объекта управления. Если же текущая ситуация критическая, то кроме регистрации её в базе знаний (вернее, в базе данных–часть базы знаний) описание этой ситуации передается в классификатор. В рабочем периоде системы ситуационного управления (а не в периоде обучения или дообучения) в классификаторе хранится многоуровневая классификационная схема, в которой выделена система типовых классов ситуаций. Попадание ситуации в некоторый типовой класс свидетельствует о том, что в условиях этой ситуации можно использовать стандартное решение по управлению, которое также хранится в классификаторе. Информация об этом передается в решатель. Если в классификаторе текущая ситуация не находит себе соответствия в описаниях типовых классов, то текущая ситуация является нетиповой. Информация об этом поступает в коррелятор. В памяти коррелятора хранятся логико-трансформационные правила вида 

ЕСЛИ s1∈ s ; s2∈ s;...sm∈ s И s1∉s; s2∉s...sn∉s ТО D(S) ⇒ S*

ИНАЧЕ правило для S непригодно.

Здесь D – некоторый оператор преобразования исходной ситуации S в новую ситуацию S*.

Логико-трансформационные правила в корреляторе носят достаточно общий и эвристический характер. Если решатель обнаруживает, что выделяется класс ситуаций, для которых имеется всегда применимое логико-трансформационное правило, то соответствующая информация передаётся в классификатор. Возможен случай, когда текущая ситуация S такова, что она является не только нетиповой, но и неизвестной. Другими словами, к ней не могут быть применены никакие правила из коррелятора. В этом случае решатель может попробовать подобрать для S решение, используя регноз и прогноз, реализуемые в симуляторе после моделирования. Решатель выбирает наиболее приемлемое для S решение по управлению и записывает вновь сформированное логико-трансформационное правило в коррелятор. Если результаты моделирования отрицательны для всех возможных решений, то решатель через интеллектуальный интерфейс обращается за помощью к человеку-эксперту и фиксирует его указания в своей памяти для будущего. Декодировщик переводит полученное решение в управляющую программу, передаваемую для исполнения на объект управления.

В то время, в отличие от бионики, термин «психоника» так и не прижился в научной среде, хотя сами исследования в этой области привели к формированию оригинальной отечественной методологии ИИ, отнюдь не сводившейся к западной инженерии знаний, и созданию междисциплинарного научного сообщества, необходимого для развёртывания широкого фронта работ, относящихся к моделированию «целостного интеллекта». В заседаниях семинара принимали участие известные учёные-кибернетики М.Г. Гаазе-Рапопорт и Е.Т. Семёнова, видный психолог Б.В. Зейгарник, а также молодые в 1960-е годы учёные, многие из которых впоследствии стали знаменитыми. Это – психологи В.П. Зинченко и В.Н. Пушкин, психолог и математик, создатель теории рефлексивного управления В.А. Лефевр, кибернетик и будущий известный специалист по искусственному интеллекту Л.И. Микулич, будущий «отец машинной музыки» Р.Х. Зарипов и, конечно же, математики и программисты – аспиранты и молодые сотрудники МЭИ – А.В. Бутрименко, В.Н. Вагин, Ю.И. Клыков, В.П. Кутепов, В.В. Железнов, Л.Е. Рудельсон, В.М. Ченцов, и др. Именно совместные исследования с психологами привели Дмитрия Александровича к выводу о том, что адекватная характеристика целенаправленного, сложного человеческого поведения и самой жизни невозможна без привлечения сознания или психики в целом как «средств объяснения».

В заключительной части своей книги «Фантазия или наука: на пути к ИИ» профессор Д.А. Поспелов выдвинул программу будущих исследований в области искусственного интеллекта. Эти исследования должны быть нацелены на «изучение психики человека с целью ее имитации в технических системах, решающих определенный набор практических задач, традиционно считающихся интеллектуальными» [21, c.211]. Такое представление целей ИИ является чрезвычайно широким и намного опередило свое время. Оно становится по-настоящему актуальным и востребованным в наши дни.

IV. Системный подход в искусственном интеллекте, псевдофизические логики и рождение прикладной семиотики

Вышеприведенное определение Д.А. Поспеловым цели ИИ как научно-технической области опирается на системный подход к изучению интеллекта и его представление как открытой системы. В самом деле, термин «психика» охватывает как сознание, так и сферу бессознательного, а сознание человека с древних времён характеризуется психологической триадой «интеллект – чувства – воля». Всё это означает учёт в ИИ принципов многомерности и многоуровневости интеллекта, а также выделение его системных единиц.

Основные идеи психонической концепции искусственного интеллекта можно изложить следующим образом. Интеллект агента неразрывно связан с системой его познавательных способностей, включающей ощущения, восприятие, память, представления, воображение, мышление, обучение, понимание. Роль эмоций (чувств) агента связана с пониманием и интерпретацией получаемой информации и формируемых знаний, а также с общей оценкой поведения. Оценочная функция эмоций, проявляющаяся в виде переживаний, по сути, ставит эмоции в один ряд с другими формами познания и понимания. В контексте общения эмоции выполняют также экспрессивную функцию, характеризуя текущее состояние агента и его отношение к происходящему. Наконец, воля как потребность к преодолению внутренних и внешних препятствий при выполнении действий выступает как важнейший агенто-образующий и агенто-сохраняющий фактор. В частности, её проявлением выступает настойчивость агента. Волевое поведение предполагает возврат агента к выполнению поставленной задачи в случае первоначальной неудачи и выяснения её причин (несколько попыток выполнения задачи).

Методологические принципы психоники были реализованы профессором Д.А. Поспеловым в 1970-1980 годы в псевдофизических логиках [22,23]. В отличие от классической аристотелевской логики и по аналогии с современной психофизикой псевдофизические логики (ПФЛ) описывают не идеальный платоновский мир, а восприятие реального физического мира конкретным агентом. Они представляют собой: а) логики отношений; б) логики на шкалах; в) логики, аксиомы которых содержат утверждения, связанные с восприятием мира, причем эти утверждения должны быть обоснованы результатами психологических экспериментов.

Этот класс логических систем имеет следующие особенности:

  1. В качестве пропозициональных переменных в них используются лингвистические переменные (ЛП) Л. Заде с термами, представленными нечёткими множествами. Например, в частотной логике И.В. Ежковой и Д.А. Поспелова [24] в качестве ЛП берётся «Частота события» с терм-множеством {никогда, чрезвычайно редко, редко, ни часто, ни редко, часто, очень часто, почти всегда, всегда}, и базовыми значениями числового универсального множества {0,1/5, 2/5, 3/5, 4/5, 1}.

  2. Для лингвистических значений (термов ЛП) берутся порядковые шкалы, а для числовых переменных – метрические.

  3. Выводы в ПФЛ учитывают порядковые и метрические шкалы, а также расположение событий на них.

Взаимное положение событий на множестве шкал, возможные перемещения по шкалам и связь этих перемещений с изменениями на других шкалах позволяют описать процессы вывода, характерные для ПФЛ.

Псевдофизическая логическая система представляет собой семейство взаимосвязанных логических подсистем, которые можно отнести к двум основным уровням [22]. На первом уровне находятся пространственная, временная, каузальная логика, а также логика действий. Логики первого уровня непосредственно связаны с взаимодействием агентов с внешней средой. На втором, более высоком уровне находятся логика оценок, логика мнений, логика норм и пр.

В отличие от классической психофизики, опирающейся на традиционную схему «внешний физический стимул – внутренняя психическая реакция» современная психофизика основана на трехчленной схеме (по Ю.М. Забродину): «внешний мир – физическая модель мира (первопорядковая модель) – психическая модель (модель второго порядка)». Соответственно, ПФЛ реализуют модель второго порядка на базе ментальной интерпретации физических отношений.

Помимо ситуационного управления, псевдофизических логик и методологии психоники, понимаемой как своего рода «психология искусственных агентов», важным научным достижением Д.А. Поспелова в сфере, близкой к ИИ, стало открытие прикладной семиотики. Хотя в явном виде этот термин появился лишь в 1995 году в ходе дискуссий на российско-американских семинарах «Российское ситуационное управление и кибернетика» и «Архитектуры для семиотического моделирования и ситуационный анализ в больших сложных системах», первая фундаментальная работа Д.А. Поспелова по прикладной семиотике вышла в свет 50 лет назад в сборнике трудов «Проблемы методологии системного исследования» [25] и осталась малоизвестной для широкого читателя. В её начале, аргументируя необходимость применения семиотических моделей в ИИ, Дмитрий Александрович писал, что все технические устройства работают на досемиотическом уровне, поэтому они способны моделировать лишь простейшие формы поведения и имеют существенные ограничения в плане решения творческих задач. В отличие от технических систем, высшие животные и человек решают подобные задачи на семиотическом уровне, что позволяет им находить такие способы решения, которые нельзя реализовать на досемиотическом уровне.

При этом в [25] он трактовал знак как единство сигнала и его значения и рассматривал знаковую систему как совокупность простых знаков и правил образования сложных знаков из совокупности простых. Её построение происходит генетическим (конструктивным) путем, а не на основе аксиоматического метода.

Структура знаковой системы в некотором смысле изоморфна системе отношений между объектами реального мира. Такую систему знаков можно назвать системой знаков первого уровня (или псевдофизической семиотической системой).

Но кроме знаков, значениями которых выступают предметы или явления реального (или модельного) мира, можно рассматривать знаки знаков (метазнаки), значениями которых служат знаки семиотической системы первого уровня. Такую систему следует отнести к знаковой системе второго уровня. Путем индукции нетрудно ввести системы знаков любого k-го уровня. Иерархия знаковых систем имеется у человека (например, система знаков естественного языка служит для знаковой системы математики системой нижнего, предшествующего уровня).

Там же в [25] была выдвинута следующая гипотеза Д.А. Поспелова: условием синтеза технических устройств, способных к решению творческих задач, является формирование внутри такого устройства системы знаковых систем.

По сути, эта статья стала «манифестом будущей семиотической революции» в технических системах, вызывая и теперь большой интерес в плане приложения её идей к развитию коллаборативных роботов и интернета вещей.

Существенную роль в прикладной семиотике играет введённая профессором Д.А. Поспеловым модификация классического треугольника Фреге – наглядного представления знака как триединства имени, концепта и денотата. Речь идет о введении метауровня в знаковых представлениях (метазнаков), с которым связывается активность знаковых систем и возникновение в них свойства рефлексии. Так появился «квадрат Д.А. Поспелова» [26]. Кроме того, прикладная семиотика Д.А. Поспелова опирается на определение соответствий между знаковыми структурами и структурами знаний в виде фреймов, поэтому её можно интерпретировать как когнитивную семиотику.

Системный подход к моделированию мышления у Д.А. Поспелова связан с выделением (ещё в 1970 году) уровня принятия решения и уровня эмоций в семиотической системе. Отсутствие стереотипа действий при решении творческих задач привлекает в сферу принятия решений механизмы ассоциации и аналогии. В первую очередь, речь идёт о двух видах ассоциаций: а) по сходству предметов, образующих ситуацию; б) по сходству имеющихся в ней связей. Рассуждения по аналогии предполагают вывод о наличии определённых признаков, на основании фиксации сходства, существующего в некоторых других признаках. В целом принятие решений в русле творческих задач опирается на правдоподобные рассуждения.

Эмоции играют очень большую роль в процессе творческой деятельности. Уровень эмоций в семиотической системе связан с наличием в ней знака (или знаков) ν, отождествляемого с «Я» агента (устройства) [25]. Эти знаки на всех уровнях модели вступают в различные связи со знаками предметов, отношений, целей и т.д. Каждое решение в семиотической системе можно оценивать не только с точки зрения поставленной перед системой цели, но и с точки зрения целей этого «Я». Наложение целей «Я» на основные цели, стоящие перед агентом, приводит к появлению некоторого «шума», искажающего оценку той или иной совокупности действий.

Функции эмоционального уровня тесно связаны с проблемой мотивации того или иного поведения агента. Впоследствии, в [27] была предложена классификация рассуждений, опирающаяся на психологический структурный анализ и выделение трёх ипостасей (состояний) «Я» агента (по Э. Берну): Родитель, Взрослый и Ребёнок, которые определяют различные стратегии поведения. Эти типы знаний и рассуждений являются абсолютно разными. Знания Родителя замкнуты и неизменны, его рассуждения основаны на жёсткой системе аксиом, содержащих незыблемые истины и нормы, причём все шаги вывода считаются априори правильными и не подверженными пересмотру. Таким образом, Родитель осуществляет строгий рациональный вывод при полном отсутствии неопределённости.

Рассуждения Взрослого являются более гибкими. Это состояние самосознания подразумевает критическое осмысление поступающей информации, а также её проверку на соответствие реальному миру. Знания Взрослого объективированы в том смысле, что, кроме данного агента, они принимаются и другими членами социума. Работа с такими знаниями соответствует процедурам, используемым в открытых базах знаний для интеллектуальных систем. Здесь вывод является скорее правдоподобным, чем достоверным, а порой и немонотонным. Нередко он заменяется аргументацией или простым погружением нового факта в базу знаний, если это не приводит к противоречию.

Наконец, схема рассуждений, относящаяся к состоянию Ребёнок, весьма тесно связана с эмоциональной сферой. Здесь могут быть существенные отклонения от нормативного вывода и совсем неожиданные заключения. При этом мы имеем дело с оправданиями, а не с обоснованиями. Если на уровне обоснования происходит синтез нормативного поведения, то на уровне оправдания формируется ситуативное поведение.

V. Заключение. На пути к синергетическому искусственному интеллекту

В 1990-е годы академик РАЕН Д.А. Поспелов вернулся в МЭИ на Кафедру прикладной математики (ПМ), где поставил новые курсы «Основы искусственного интеллекта» и «Прикладная семиотика». Он возродил научный семинар МЭИ под названием «Проблемы искусственного интеллекта», прочитал цикл лекций по ИИ для преподавателей и сотрудников кафедры ПМ. Автор этих строк, проработавший на кафедре ПМ около 20 лет по совместительству (с середины 1990-х до середины 2010-х годов), хорошо помнит творческую атмосферу этих лекций сих последующим живым обсуждением. В цикле лекций Д.А. Поспелова для преподавателей ПМ большое внимание уделялось интегрированным и гибридным системам, в том числе, логико-лингвистическим моделям, интегрированным интеллектуальным системам управления, единому подходу к согласованному представлению знаний и эмоций на основе оппозиционных шкал, в частности, кольцевых и нечётких шкал, синергии алгебраического и геометрического подходов в ИИ с использованием когнитивной графики при создании интеллектуальных систем новых поколений, проблемам реализации двух совместно работающих систем познания у человека (образной и символьно-логической) в искусственных системах. По сути, идея формирования ИИ на основе моделирования человеческой психики как симбиоза сознания и бессознательного, синергии познания, эмоций и воли и есть важный шаг на пути к синергетическому искусственному интеллекту (СИИ) [28]. При ответе на вопрос, почему, следуя Д.А. Поспелову, мы движемся по направлению к СИИ, можно воспользоваться аналогией с аргументацией основателя синергетики Г. Хакена: 1) речь идёт о сотрудничестве различных (возможно неоднородных) агентов в открытых и развивающихся системах и сетях; 2) адекватное представление целостного интеллекта и принципов самоорганизации деятельности агентов, формирование эмергентных сетевых структур, исследование резонансных явлений в искусственных сообществах предполагает междисциплинарность и совместные усилия представителей разных научно-технических областей.

C 2012 года раз в два года в Калининградской области проводится Всероссийская Поспеловская конференция «Гибридные и синергетические интеллектуальные системы». С 2019 года кафедра ПМ МЭИ, где основоположник отечественного ИИ работал в 1990-е годы, называется кафедрой прикладной математики и искусственного интеллекта. Работа с научным наследием академика РАЕН Д.А. Поспелова в контексте AGI и СИИ только начинается.

Источники финансирования. Благодарности

Работа выполнена при поддержке Российского фонда фундаментальных исследований (проект № 20-07-00770)

Список литературы

  1. Artificial General Intelligence/ Ed. by B.Goertzel and C.Pennachin. – Berlin: Springer, 2007.

  2. Theoretical Foundations of Artificial General Intelligence/ Ed. by Pei Wang and B.Goertzel. – Beijing: Atlantis Press, 2012.

  3. Reggia J. The Rise of Machine Consciousness: Studying Consciousness with Computational Models// Neural Networks. – 2013. – Vol. 44. – P.112-131.

  4. Tarassov V.B.From Psychonics to Artificial General Intelligence and Hybrid Intelligence:the Collaboration Between Humans and Robots// The 13th Conference on Artificial General Intelligence (AGI’2020, Virtual Conference, June 22-26,2020). Plenary Talk.

  5. Newell A., Shaw J., Simon H. Report on a General Problem-Solving Program// Proceedings of the International Conference on Infornation Processing (UNESCO House, Paris, France, June 13-23, 1959), p.256-264.

  6. Lenat D. EURISCO: a Program that Learns New Heuristics and Domain Concepts//Artificial Intelligence. – 1983. Vol.21, №1-2. – P.61-98.

  7. Laird J.E., Newell A., Rosenbloom P.S.SOAR: an Architecture for General Intelligence// Artificial Intelligence. – 1987. – Vol.31, №1. – P.1-64.

  8. Поспелов Д.А. О задачах психоники// Проблемы бионики. – М.: Наука, 1967. – С.294-297. 

  9. Поспелов Д.А. Семинар по психонике// Новости искусственного интеллекта. – 1991. – №1. – С.31-36.

  10. Поспелов Д.А. Логические методы анализа и синтеза схем. – М.: Энергия, 1964.

  11. Поспелов Д.А. Игры и автоматы. – М.: Энергия, 1965.

  12. Поспелов Д.А. Вероятностные автоматы. – М.: Энергия, 1970.

  13. Поспелов Д.А. Проблемы теории вычислительных систем. Автореферат диссертации …д.т.н. – М.: МЭИ, 1968.

  14. Поспелов Д.А Введение в теорию вычислительных систем. – М.: Сов.Радио, 1972.

  15. Вагин В.Н.. Еремеев А.П. Научная школа искусственного интеллекта в Московском энергетическом институте на базе кафедры прикладной математики: становление и развитие// Вестник МЭИ. – 2015. – №2. – С.29-37.

  16. Клыков Ю.И. Модельный метод управления динамическими ситуационными системами. Автореферат диссертации… к.т.н. – М.: МЭИ, 1967.

  17. Вагин В.Н. Игровые методы управления сложными системами. Автореферат диссертации… к.т.н. – М.: МЭИ, 1968

  18. Железов Ж. Дискретные ситуационные сети и некоторые вопросы управления на них.Автореферат диссертации… к.т.н. – М.: МЭИ, 1967. 

  19. Поспелов Д.А. Теория гироматов// Проблемы бионики. – М.: Наука, 1973. – С.397-402.

  20. Поспелов Д.А. Большие системы. Ситуационное управление. – М.: Знание, 1975.

  21. Поспелов Д.А. Фантазия или наука: на пути к искусственному интеллекту. – М.: Наука, 1982.

  22. Кандрашина Е.Ю., Литвинцева Л.В., Поспелов Д.А. Представление знаний о пространстве и времени в системах искусственного интеллекта. – М.:Наука, 1988.

  23. Толковый словарь по искусственному интеллекту/А.Н.Аверкин, М.Г.Гаазе-Рапопорт, Д.А. Поспелов (редакторы – составители). – М:. Радио и связь, 1992. – С.45-46.

  24. Ежкова И.В., Поспелов Д.А. Принятие решений при нечетких основаниях. I. Универсальная шкала //Известия АН СССР: Техническая кибернетика. – 1977. – №6. – С..3-11.

  25. Поспелов Д.А. Системный подход к моделированию мыслительной деятельности//Проблемы методологии системного исследования. – М.: Мысль, 1970. – С.338-358.

  26. Осипов Г.С. От ситуационного управления к прикладной семиотике//Новости искусственного интеллекта. – 2002. – №6. – С.3-7.

  27. Поспелов Д.А.Моделирование рассуждений: состояние и ближайшее будущее // Теория и применение искусственного интеллекта. Созополь, Болгария, 1989. – С.46-53.

  28. Тарасов В.Б. От многоагентных систем к интеллектуальным организациям. – М.: Эдиториал УРСС, 2002.

Об авторе:

Валерий Борисович Тарасов
МГТУ им. Н.Э. Баумана, Москва, Россия vbulbov@yahoo.com


Материалы международной конференции Sorucom 2020
автора 27.06.2022