Информатика, кибернетика, интеллект

Пушкин В. Г.

Итак, понятие самоорганизации, обобщенное в случае кибернетической системы, оказывается более общим, чем понятие самосовершенствования, и менее общим, чем понятие самоизменения. Самоорганизация, будучи кибернетической категорией, не ограничивается техническим уровнем. Особый интерес представляет рассмотрение самоорганизующихся систем в живой природе и в обществе. Самоорганизация - это тот механизм, который лежит в основе эволюции биологических форм и определяет ряд важных закономерностей развития экономических и социальных систем. Механизм самоорганизации, что нетрудно заметить, является необходимым условием эффективного функционирования систем обучения.

Доминирующее значение в этом плане имеет концепция совершенствования внутренней модели внешнего мира, общая для всех обучающихся систем и выражающая факт обучения машин в зависимости от ситуаций внешней среды [72]. Сбор, обработка и запоминание информации в процессе

создания моделей окружения

175

представляют собой одну из основных и простых форм обучения. К. Штейнбух относит к обучающимся автоматам такие автоматы, функционирование которых улучшается в желаемом направлении [73] на основе информации о внешнем мире. Система обладает способностью к моделированию, если она, прежде чем совершить какое-либо действие, направленное во вне, определяет с помощью заключенной в ней модели внешнего мира предполагаемые его реакции на различные ее действия и совершает только действия, вызывающие желаемую реакцию. Обучение системы заключается в том, что она в соответствии с прежними успехами или неудачами улучшает внутреннюю модель внешнего мира.

Взаимодействие между внешним миром и обучающейся системой соответствует тому, что обычно называют методом проб и ошибок. Здесь имеется определенное сходство с мутацией и естественным отбором в биологии. Ошибаясь, система накапливает опыт. Успешность обучения зависит, таким образом, от степени сложности внешней среды, от ее устойчивости или изменчивости. Так как под обучением понимается улучшение поведения на основе информации о внешнем мире, то поведение внешнего мира существенно влияет на процесс обучения. Последний предусматривает, по крайней мере частично, постоянство функционирования внешнего мира [74]. Вместе с тем продолжительность обучения системы (пока поведение ее не станет оптимальным), естественно, сильно зависит от объема сообщенных ей сведений о внешнем мире.

Иногда утверждают, что автомат может научиться выполнять лишь то, для чего он создан. По замечанию К. Штейнбуха, это правильно в том смысле, что автомат, так же, как и человек, может делать только то, что физически возможно при его конструктивных элементах и структуре. Когда же эти ограничения отпадут, не будет и причин, по которым автоматы должны сдерживаться в своем развитии интеллектуальным уровнем человека. "Они должны, - пишет К. Штейнбух, - развиваться подобно живым организмам, а именно: встать на путь мутаций и естественного отбора. При этом продолжительность их эволюции можно значительно сократить за счет того, что в качестве исходных данных в самоорганизующиеся автоматы "вкладывается" человеческий интеллект" [75]. Весьма существенно то, что автомат совершенствует свой интеллект в непосредственной связи с внешним миром. Пока автомату навязывают человеческие "предрассудки", его интеллект ограничен. Независимость от заранее предписанных правил поведения является для автоматов предпосылкой более высокой ступени развития их интеллекта. Достижение этого облегчает то обстоятельство, что автоматы свободны от биологических ограничений, которые связывают человека (усталость, старость и т.д.).

Кибернетический аспект проблемы обучения включает в себя введенное К. Штейнбухом понятие обучающейся матрицы. Структура обучающейся матрицы создается двумя наборами проводни

176

ков, в местах пересечения которых формируются условные связи [76]. Представляя собой новый принцип переключения в технике связи, подобные устройства выполняют нечто функционально близкое к процессахМ абстрагирования. Обучающаяся матрица как техническая модель обучающейся системы имитирует сложные процессы обучения, проявляя некоторые свойства нейрофизиологической структуры человеческого мозга. Обучающиеся матрицы как системы с внутренней моделью внешнего мира обеспечивают возможность технической имитации более высоких ступеней абстракции и, значит, сложных теоретико-познавательных проблем [77]. Между структурой человеческого аппарата познания и структурой обучающейся матрицы устанавливается, по меньшей мере, отношение гомоморфизма. Оно обнаруживается в понимании обучения как способности улучшить (оптимизировать) внутреннюю модель внешнего мира на основе опыта. В этом плане неубедительно утверждение о том, что "существующие системы искусственного интеллекта и перспективные программы их совершенствования возможно рассматривать в качестве теории только таких "умственных функций человека", к формированию которых не следует стремиться при обучении" [78]. Выходит, что такие неотъемлемые характеристики искусственного интеллекта, как абстрагирование, логическая глубина, точность и тому подобное не следует формировать у человека.

Способность обучаться является элементом поведения, возникающим в результате специфического рода взаимодействия между двумя или более связанными друг с другом контурами оптимальных

величин. Система, чтобы быть способной обучаться (то есть улучшать свою внутреннюю модель внешнего мира) нуждается по крайней мере в одном двумерном контуре оптимальных величин. Образование многомерных контуров оптимальных величин в системах органической природы и в обществе является продуктом самоорганизации и способности обучаться. Как отмечает Г. Клаус, "способность обучаться делает возможным приспособление частичных систем, в ходе которого поведение всей системы обнаруживает прогрессирующую тенденцию оптимизироваться. Она ведет, по крайней мере в своей тенденции, к тому, что из множества возможных стратегий в каждом конкретном случае без долгих поисков может быть выбрана и использована оптимальная стратегия. Если в определенной области можно было бы фактически достичь этой ступени, то там возможности обучения были бы исчерпаны [79]. Факт, что подобные области существуют, доказывают, например, так называемые автоматизмы человеческого поведения, не требующие уже больше мыслительной работы или особой сосредоточенности.

Следовательно, обучающие матрицы как модели поведения имеют большое эвристическое значение. Они подтверждают положение о том, что функции обучения и познания человека можно имитировать, воспроизводить с помощью машины. Это развитие

177

выражает внутренние закономерности современного естествознания и техники, ориентацию их на решение комплексной проблемы симбиоза человека и машины.

Обучение как важнейшая форма деятельности интеллекта может служить одним из критериев интеллектуальности поведения системы. В этом плане выделяют два типа разума, сходных в том смысле, что оба они требуют обучения, и различных по их отношению к процессу обучения [80]. Первый тип, адаптивный разум, присущ, например, студенту, который обучается только тому, чему его учат преподаватели и на что его наталкивает опыт. Второй тип, творческий разум, присущ студенту, который идет дальше и находит свой собственный путь. Таким образом, умственные способности человека проявляются в том, что он должен: а) уметь обучаться, то есть в непосредственном взаимодействии с внешним миром приобретать информацию и интегрировать ее во внутренней модели, добиваться понимания, то есть уметь связывать приобретенные знания с фактами и явлениями действительности; б) обладать способностью умственной приспособляемости, то есть способностью отказываться от привычных шаблонов и находить новые конкретные взаимосвязи; в) обладать умственной зрелостью, передавать сообщения другим интеллектуальным людям и с этой целью создавать систему знаков, то есть кодировать сообщения. Это предполагает способность конструирования и идентификации знаков.

Машина также может обучаться. При наличии достаточно сложной программы она может реагировать на новую ситуацию. Она способна решать задачи. Она может руководить действиями [81]. Во всех этих случаях, как отмечает Д. Финк [82], поведение машин и людей отличается не по типу, а по уровню. Это характеризует искусственный разум - разум машины с поведением, которое, если бы оно наблюдалось у человека, могло бы быть названо разумным. Искусственный разум обладает такими важными чертами, как способность организовывать информацию в значимые информационные комплексы, распознавать, запоминать, вспоминать эти комплексы и оперировать ими в процессе игры, решения задач, ответа на вопросы и управления другими механизмами, а также способность адаптироваться в изменяющихся внешних условиях, и, в частности, реагировать на комплексы входных сигналов, не предусмотренные явным образом при конструировании.

Обычно предполагают, что решение современных проблем управления в социальной, экономической и промышленной сферах (так называемых глобальных проблем) лежат в пределах человеческих возможностей или что существующие способности человека могут быть развиты до необходимого уровня путем образования и обучения. Однако кибернетический подход - это подход, на основе которого становится очевидным, что человек не в состоянии решать стоящие перед ним в настоящее время проблемы управления, полагаясь только на свой собственный разум и не

178

прибегая к помощи технических (искусственных) средств. Ограниченность человеческого (безоружного) интеллекта, связанная с самой структурой мозга и аппарата познания, ставит проблему искусственного интеллекта как усилителя умственных способностей, возможность построения которого обоснована, в частности, теоремами Тьюринга - фон Неймана.

Понятие усиления интеллекта выводится из понятия усиления в кибернетическом контуре регулирования. Принцип усиления интеллекта имеет техническое соответствие в обучающихся автоматах, которые на основе первоначальной информации, полученной от человека, достигают интеллектуальной ступени и затем путем самостоятельного обмена информацией с окружающим миром в процессе обучения постоянно повышают свои интеллектуальные способности.