Алгоритмы разума

Амосов Николай Михайлович

Воспроизведение простого ФА в алгоритмическом интеллекте, мне кажется, не будет трудным. Потребности и их чувства, то есть критерии, задаются в виде «центров» со своими характеристиками и постоянно находятся в оперативной памяти. То же самое касается центров — моделей настройки рецепторов. Они всегда обладают хотя бы минимальной активностью. Направление рецепторов на цель и их дополнительное активирование включаются как действие, модель которого («куда направить взгляд») всегда имеется в оперативной памяти, поскольку она часто используется. Компоненты этого действия — настройка и активация рецепторов. Действие дает «первичную картину», которая тут же перекодируется цифровым кодом по особой подпрограмме. Так получается цифровая первичная модель. Этап «анализ» сводится к извлечению цифровых моделей из длительной памяти и сравнению их с первичной моделью. В результате создается вторичная модель. Планирование осуществляется по тем же принципам. Пересчет чувств, УДК, определение

стимулов и «тормозов» производится после каждого этапа. Построив планы и получив достаточный суммарный стимул, АИ «принимает решение» — включает считывание плана действий. Для этого цифровая модель перекодируется в сигналы, управляющие органами движения — эффекторами. Они изменяют структуру объекта согласно «модели цели», полученной при планировании. Контроль за изменениями структуры объекта осуществляется рецептором зрения, напряжение мышц при работе оценивается специальными рецепторами, полученные картины кодируются и сравниваются с планом. В промежутках между отдельными движениями пересчитываются чувства и стимулы. «Отработанные» модели находятся в оперативной памяти до тех пор, пока активность их снижается, согласно характеристике, до определенного порога, после чего они стираются. Результат ФА в виде основных моделей — «первичной картины», последовательности действий и картины объекта после осуществления ФА — переносится в длительную память. Основная трудность алгоритмизации даже простого ФА состоит в перекодировании пространственной структуры объекта.

«Круги» восприятия

В предыдущем описании ФА был предложен наиболее легкий процесс распознавания моделей — по полному совпадению с эталонами. В действительности это не так. Сложные структуры, воспринятые рецепторами и запечатленные в кратковременной памяти как первичная модель, почти никогда не имеют во внешней памяти точного аналога. Поэтому распознавание всегда носит вероятностный характер. Модель объекта представлена в нескольких кадрах, в которых запечатлены его образы с разной степенью обобщенности и некоторое количество деталей. Сравнение идет по нисходящей — от самых обобщенных моделей до подробностей. При этом требуются усилия — стимулы, поскольку нужно вызывать из памяти все новые модели — эталоны. Усилия утомляют, накапливаются «тормозы», стимулы любознательности ограничены, поэтому сравнение идет только до уравнивания стимулов и «тормозов». При этом не достигается полное распознавание объекта со всеми его качествами, а происходит лишь приблизительное опознание. Как уже говорилось, есть механизм (программа) учета степени вероятности. Этот показатель представляет «вход» для любознательности, так как всякое нераспознанное — в целом или в частностях — является новым и интригующим. Во внешней памяти у развитого интеллекта есть множество вариантов объектов с разным набором деталей, имеющих равное значение для разных целей. Поэтому возможно запоминание нескольких вариантов «своих моделей», соответствующих «первичной модели» с разной степенью вероятности.

Какая точность нужна. И все ли необходимые для ФА детали содержатся в первичной модели.

Точность — это детали и качества. Некоторые из них являются значимыми качествами-критериями. Именно они воздействуют на центр потребности, определяют величину возможной «платы», которую представляет объект. Пример: зеленое или спелое яблоко — качество степени съедобности, в разной мере значимое для сытого и голодного человека. Его нужно точно распознать. Отсюда следует, что предел необходимой точности исследования и распознавания определяет задачу поиска качеств, значимых для данной потребности. Для удовлетворения любознательности достаточны новизна и точность сами по себе (скажем, рябина, а не калина). Для специальных потребностей нужны «избранные» детали. При первом нецеленаправленном осмотре их можно и не заметить.

Итак, первый «круг» восприятия и распознавания действует за счет стимула любознательности и дает нам приблизительную «первичную модель», которая выявляет вероятностное совпадение с не очень подробными моделями-эталонами. Второй пункт анализа как этапа ФА направлен на определение ценности объекта для удовлетворения специальной потребности и выдвигает новые задачи. Степень точности модели может оказаться недостаточной, потому что специальная потребность (чувство) предусматривает некоторые значимые для нее детали. Как только ориентировочно, по неточным моделям, определяется ценность объекта, сразу же начинается второй «круг» — целенаправленное исследование его. Возбуждение специфической потребности («голод») при восприятии объекта вызывает добавочное действие после Д₄. Оно состоит в том, что из внешней памяти по связям (адресам) потребности вызываются детали, которыми должен обладать объект, чтобы удовлетворить «голод». Во временную память вводятся «фразы» вариантов объекта, в разной степени ценных как «плата». С ними сравнивается имеющаяся уже первичная модель и обнаруживается, во-первых, ее недостаточно а во-вторых, выявляются нужные детали, которые следует поискать

в объекте, чтобы повысить вероятность «платы». Для этого включается новое действие — настройка рецептора с целью специального поиска нужной детали. В результате исследования появляется «усовершенствованная» первичная модель, которая снова подвергается анализу. Распознавание определяет, есть ли в ней искомая деталь, и если таковой нет, это понижает «ценность» объекта как «платы», что сказывается на последующем перерасчете чувств и стимулов. Модель цели на следующем этапе тоже может измениться, поскольку изменилась первичная модель.

Прогнозирование и определение динамики

Эти термины относятся к анализу, мы их опустили для простоты в описании ФА, предположив, что объект и среда совершенно статичны. В действительности же интеллект имеет дело с динамикой. Факт динамичности устанавливается глазом человека при первом восприятии, когда за доли секунды он определяет «первую производную» изменений положения или структуры объекта. Для алгоритмического интеллекта, возможно, понадобятся две первичные модели вместо одной и автоматический механизм их сравнения для определения динамики.

Однако и неподвижные в данный момент объекты необязательно неизменны в продолжение тех отрезков времени, в которых проектируется ФА. Поэтому динамика, прогнозирование изменения объекта, является непременным действием анализа. Ее необходимость выявляется при распознавании: уже тогда, когда первичная модель заменяется, «переписывается» вторичной, в ней заложена возможность и вероятность динамики. Динамичность маркируется особой «буквой».

Прогнозирование состоит в том, что модель объекта представляется «словом» «фразы», в которой записана вероятная последовательность изменения структуры объекта или его пространственного положения в среде. Соответствующие «фразы» хранятся во внешней памяти и вызываются в кратковременную память специальным действием. Я не буду вводить дополнительные обозначения, поскольку они недопустимо усложняют схему. Распознавание будущего по «фразе» динамики носит вероятностный характер и состоит в определении промежуточных и конечного состояний объектов — в виде его новой модели, которую и нужно оценить с позиции значимости как «платы». Это не так просто.

Динамика и прогнозирование сталкивают нас с новым фактором, новой переменной — временем. При описании простейшего ФА мы не учитывали время. На самом же деле, оценивая динамику объекта, интеллект определяет время, в течение которого объект сохраняет значимость в качестве «платы», удовлетворяющей потребность. Пример: зеленая ягода. Поскольку сейчас она в пищу не годится, ФА не состоится. Другой пример: автомашина идет по дороге, которую нужно перейти. Она представляет угрозу, оценка уровня которой прямо определяется динамикой и расстоянием до автомашины. «Плата» обычно ожидается только в будущем, но она уже сейчас определяет действия. Как уже говорилось, любой развитый интеллект всегда работает на будущее. Но ценность объекта в будущем и сейчас не одинакова, и, следовательно, не одинаково его значение как стимула действий.

Для расчета динамических систем введено понятие «реальность будущего». Это очень важное понятие для любого интеллекта. Мы его разлагаем на два компонента: вероятность будущего события и «коэффициент будущего». Уже на этапе анализа реальность вводится в расчет для определения величины «платы», а следовательно, и стимула. В Д₅ нужно ввести поправку для динамических систем: умножить стимул на «коэффициент реальности», полученный как произведение вероятности будущего события и значимости будущего — «коэффициента времени», рассчитанного по кривой, показанной на рис. 27. Стимул может оказаться существенно меньше или даже исчезнуть совсем.

В этапе «планирование» время присутствует постоянно. Модель цели учитывает динамику объекта («где и когда его можно взять.», «в каком он будет состоянии.» и обязательно — «сколько для этого потребуется времени.»).

Д₇ — модель движений для достижения цели — полностью зависит от времени. Здесь выступает тесная связь времени и сложности действий. Простые движения быстры, сложная последовательность их напротив, продолжительна. Не будем пока говорить о том, как планируются сложные движения, ограничимся констатацией того факта, что они требуют определенного времени для своего выполнения. Следовательно, они отдаляют получение «платы», уменьшают «коэффициент будущего», увеличивают усилия и связанное с ним утомление. Все это сказывается на Д₉ — пересчете стимулов после планирования.

Планирование всегда является прогнозированием, следовательно, оно вероятностно. Этот фактор присутствует в планах. Степень вероятности достижения цели в результате действий оценивается по подробности исходной модели объекта и по наличию в памяти соответствующих моделей, полученных из предыдущего опыта. Эти модели-«фразы» извлекаются из постоянной памяти в то время, когда рассчитывается последовательность движений и их результат — как «фразы» плана. Результат характеризуется определенной вероятностью.