Сьогодні системи штучного інтелекту здатні здійснювати переклад з одновимірних мов на багатовимірні. Зокрема, вони можуть будувати діаграми, схеми, креслення, графи, креслити на екрані криві і т. п. ЕОМ виробляють і зворотний переклад (описують графіки тощо за допомогою символів). Такого роду переклад є істотним елементом інтелектуальної діяльності. Правда сучасні системи ШІ поки не здатні до безпосереднього (без перекладу на символічний мова) використанню зображень або сприймаються сцен для «інтелектуальних» дій. Пошук шляхів глобального, а не локального, оперування інформацією становить одну з найважливіших і завдань теорії штучного інтелекту.
Втілення в інформаційні масиви і програми систем ІІ аналогів категорій знаходиться поки на початковій стадії. Наприклад, у категорії входять поняття «ціле», «частина», «загальне», «одиничне». Вони використовуються у ряді систем представлення знань, зокрема в якості «базових відносин», в тій мірі, в якій це необхідно для тих чи інших конкретних предметних або проблемних областей, з якими взаємодіють системи. У формалізованому понятійному апараті деяких систем представлення знань зроблені окремі спроби вираження деяких моментів змісту та інших категорій (наприклад, «причина» і «слідство»). Проте ряд категорій (наприклад, «сутність» і «явище») в мовах систем представлення знань відсутня. У цілому, дана проблема розробниками систем ІІ повною мірою ще не осмислена, і попереду ще багато роботи філософів, логіків і кібернетиків з впровадження аналогів категорій у системи подання знань, та інші компоненти інтелектуальних систем.
Сучасні системи ШІ майже не імітують складну ієрархічну структуру образу, що не дозволяє їм перебудовувати проблемні ситуації, комбінувати локальні частини мереж знань в блоки, перебудовувати ці блоки і т. п. Не є досконалим і взаємодія знову надходить інформації з сукупним знанням, фіксованим у системах. У семантичних мережах і фреймах, що використовуються при поданні знань, поки недостатньо використовуються методи, завдяки яким інтелект людини легко поповнюється новою інформацією, знаходить потрібні дані, перебудовує свою систему знань і т. п.
Ще меншою мірою сучасні системи ШІ здатні активно впливати на зовнішнє середовище, без чого не може; здійснюватися самонавчання і взагалі вдосконалення «інтелектуальної» діяльності.
Таким чином, хоча певні кроки до втілення гносеологічних характеристик мислення в сучасних системах штучного інтелекту зроблені, але в цілому ці системи ще далеко не володіють комплексом гносеологічних знарядь, якими володіє людина і які необхідні для виконання сукупності функцій абстрактного мислення. Чим більше характеристики систем штучного інтелекту будуть наближені до гносеологічним характеристиками мислення людини, тим ближче буде їх «інтелект» до інтелекту людини, точніше, тим вищою буде їх здатність до комбінування знакових конструкцій, сприймаються і інтерпретуються людиною в якості вирішення завдань і взагалі втілення думок.
Тому виникає складне питання. При аналізі пізнавального процесу гносеологія абстрагується від психофізіологічних механізмів, за допомогою яких реалізується сам процес. Але з цього не випливає, що для побудови систем штучного інтелекту ці механізми не мають значення. Не виключено, що механізми, необхідні для втілення невід'ємних характеристик інтелектуальної системи, не можуть бути реалізовані в цифрових машинах або навіть у будь-якої технічної системи, що включає в себе тільки компоненти неорганічної природи. Також не виключено, що хоча ми і можемо пізнати всі гносеологічні закономірності, що забезпечують виконання людиною його пізнавальної функції, але їх сукупність можна реалізувати лише в системі, субстратно тотожною людині.
Подібний погляд обґрунтовується X. Дрейфусом. «Тілесна організація людини - пише він - дозволяє йому виконувати... функції, для яких немає машинних програм - такі не тільки ще не створені, але навіть не існують у проекті... Ці функції включаються в загальну здатність людини до придбання тілесних умінь і навичок. Завдяки цієї фундаментальної здатності наділений тілом суб'єкт може існувати в навколишньому світі, не намагаючись вирішити нездійсненне завдання формалізації всього і вся ».
Підкреслення значення «тілесної організації» для розуміння особливостей психічних процесів, зокрема можливості сприйняття, заслуговує на окрему увагу. Якісні відмінності в здатності конкретних систем відображати світ тісно пов'язані з їх структурою, яка хоч і має відносну самостійність, але не може перебороти деяких рамок, заданих субстратом. У процесі біологічної еволюції вдосконалення властивості відображення відбувалося на основі ускладнення нервової системи, тобто субстрату відображення. Не виключено, що різниця субстратів ЕОМ і людини може зумовити фундаментальні відмінності в їх здатності до відбиття, що ряд функцій людського інтелекту в принципі недоступний машинам.
У філософській літературі стверджується, що допущення можливості виконання технічної системою інтелектуальних функцій людини означає зведення вищого (біологічного і соціального) до нижчого (до систем з неорганічних компонентів) і, отже, суперечить матеріалістичної діалектики. Але в цьому міркуванні не враховується, що шляхом ускладнення матерії однозначно не однозначні, і не виключено, що суспільство має можливість створити з неорганічних компонентів (абстрактно кажучи, минаючи хімічну форму руху) системи не менш складні і не менш здібні до відбиття, ніж біологічні. Створені таким чином програми були б компонентами суспільства, соціальною формою руху. Питання про можливість передачі інтелектуальних функцій технічним системам, і зокрема про можливість наділення їх розглянутими в роботі гносеологічними знаряддями, не може бути вирішене тільки виходячи з філософських міркувань. Він повинен бути підданий аналізу на базі конкретних наукових досліджень. X. Дрейфус підкреслює, що ЕОМ оперує інформацією, яка не має значення, сенсу. Для ЕОМ необхідний перебір величезної кількості варіантів. Тілесна організація людини, його організму дозволяє відрізняти значуще від незначного для життєдіяльності і вести пошук тільки в сфері першого. Для «не тілесної» ЕОМ, стверджує Дрейфус, це недоступно. Звичайно, конкретний тип організації тіла дозволяє людині обмежувати простір можливого пошуку. Це відбувається вже на рівні анализаторной системи. Зовсім інакше йде справа з ЕОМ. Коли в кібернетиці ставиться спільне завдання, наприклад розпізнання образів, то це завдання перекладається з чуттєво-наочного рівня на абстрактний. Тим самим знімаються обмеження, не усвідомлювані людиною, але містяться в його «тілі», у структурі органів почуттів і організму в цілому. Вони ігноруються ЕОМ. Тому простір пошуку різко збільшується. Це означає, що до «інтелекту» ЕОМ пред'являються більш високі вимоги (пошуку в більш великому просторі), ніж до інтелекту людини, до якого приплив інформації обмежений фізіологічною структурою його тіла.
Жива істота в принципі не може бути по відношенню до цього фундаментального шару перепрограмувати, хоча для деяких цілей воно може бути запрограмовано знову, за допомогою дресирування. У цьому сенсі потенційні інтелектуальні можливості машини ширше подібних можливостей тварин. У людини ж над фундаментальним шаром біологічних потреб надбудовуються соціальні потреби, та інформація для нього не тільки біологічно, але й соціально значима. Людина універсальний і з точки зору потреб, і з точки зору можливостей їх задоволення. Однак ця універсальність особливо притаманна йому як соціальному суті, робить кошти доцільної діяльності, у тому числі і системи штучного інтелекту. Отже, тілесна організація не лише дає додаткові можливості, але і створює додаткові труднощі. Тому інтелекту людини важливо мати на озброєнні системи, вільні від його власних тілесних або інших потреб. Звичайно, від таких систем нерозумно вимагати, щоб вони самостійно розпізнавали образи, класифікували їх за ознаками, за якими це робить людина. Цілі для них необхідно ставити в явній формі.
Слід зазначити, що технічні системи можуть мати аналог тілесної організації. Розвинена кібернетична система має рецепторними та ефекторними придатками. Початок розвитку таких систем поклали інтегральні промислові роботи, в яких ЕОМ в основному виконує функцію пам'яті. У роботах «третього покоління» ЕОМ виконує і «інтелектуальні» функції. Їх взаємодія зі світом покликане удосконалювати їх «інтелект». Такого роду роботи мають «тілесну організацію», конструкція їх рецепторів і ефекторів містить певні обмеження, що скорочують простір, в якому, образно кажучи, могла б здійснювати пошук цифрова машина. Тим не менш, вдосконалення систем штучного інтелекту на базі цифрових машин може мати межі, через яких перехід до вирішення інтелектуальних завдань більш високого порядку, потребують врахування глобального характеру переробки інформації та ряду інших гносеологічних характеристик мислення, неможливий на дискретних машинах при скільки завгодно досконалої програмі. Технічна, а не тільки біологічна, еволюція відбивних систем виявляється пов'язаної зі зміною матеріального субстрату і конструкції цих систем. Така еволюція, тобто апаратне удосконалення систем штучного інтелекту, наприклад, через більш інтенсивне використання аналогових компонентів, гібридних систем, голографії і ряду інших ідей, буде мати місце. При цьому не виключається використання фізичних процесів, що протікають в мозку, і таких, які психіка в якості своїх механізмів не використовує. Поряд з цим ще далеко не вичерпані можливості вдосконалення систем ШІ шляхом використання у функціонуванні цифрових машин гносеологічних характеристик мислення, про які йшлося вище.
Останнім часом при аналізі проблем, пов'язаних з ІІ, часто застосовують математичний апарат нечітких множин, ідея та реалізація якого належить американському математику Л. Заде. Суть підходу полягає у відмові від принципу детермінізму. Мабуть, найбільш вражаючим властивістю людського інтелекту є здатність приймати правильні рішення в обстановці неповної і нечіткої інформації. Побудова моделей, наближених е міркувань людини, і використання їх у комп'ютерних системах майбутніх поколінь представляє сьогодні одну з найважливіших проблем науки. Зміщення центру досліджень нечітких систем у бік практичних додатків призвело до виявлення цілого ряду проблем, таких, як нові архітектури комп'ютерів для нечітких обчислень, елементна база нечітких комп'ютерів і контролерів, інструментальні засоби розробки, інженерні методи розрахунку і розробки нечітких систем управління і багато іншого. Математична теорія нечітких множин, запропонована Л. Заде близько тридцяти років тому, дозволяє описувати нечіткі поняття і знання, оперувати цими знаннями і робити нечіткі висновки. Засновані на цій теорії методи побудови комп'ютерних нечітких систем істотно розширюють області застосування комп'ютерів. Нечітке управління є однією із самих активних і результативних областей досліджень застосування теорії нечітких множин. Нечітке управління виявляється особливо корисним, коли технологічні процеси є дуже складними для аналізу за допомогою загальноприйнятих кількісних методів, або коли доступні джерела інформації інтерпретуються неточно або невизначено. Експериментально показано, що нечітке управління дає кращі результати, в порівнянні з одержуваними, при загальноприйнятих алгоритмах управління. Нечітка логіка, на якій засновано нечітке управління, ближче до людського мислення і природним мовам, ніж традиційні логічні системи.
Реалізація системи ШІ
Ще в далекому 1954 американський дослідник А. Ньюелл вирішив написати програму для гри в шахи. Ідеєю він поділився з аналітиками корпорації RAND Corporation, та які запропонували Ньюеллу свою допомогу. В якості теоретичної основи програми було вирішено використати метод, запропонований До. Шенноном, засновником теорії інформації. Точна формалізація методу була виконана А. Тьюрінгом. Він же і з моделював його вручну. До роботи була залучена група голландських психологів під керівництвом А. Де Гроота, вивчали стилі гри видатних шахістів. Через два роки спільної роботи цим колективом була створена мова програмування ІПЛ1 - перший символьний мову обробки списків. Незабаром була написана перша програма, яку можна віднести до досягнень у галузі штучного інтелекту. Ет про була програма «Логік-Теоретик» (1956 р.), призначена для автоматичного доведення теорем в обчисленні висловлювань. Власне програма для гри в шахи, NSS, була завершена в 1957 р. В основі е е лежали так звані евристики - правила, які дозволяють зробити вибір при відсутності точних теоретичних підстав - і опису цілей. Керуючий алгоритм намагався зменшити відмінності між оцінками поточної ситуації та оцінками мети або однією з підцілей. [1]
У 1956 рік у в США зібралися засновники кібернетики з метою обговорити можливості реалізації проекту «Штучний інтелект», як вони його тоді назвали. У числі учасників конференції були Д. Маккарті, М. Мінський, К. Шеннон, А. Тьюрінг та ін До ІІ спочатку просто віднесли властивості машин брати на себе окремі функції людини, наприклад, такі як переклад з однієї мови на іншу, розпізнавання об'єктів, прийняття оптимальних рішень і ін У СРСР напрям «Штучний інтелект» (ШІ) виникло із запізненням на цілих 10 років і прийшло на зміну кібернетичному та біонічними буму першої половини 60-х років. Спочатку оптимістам здавалося, що відбудеться революція і машина почне думати як людина. Нічого подібного не сталося. Стало ясно, що ніякого мислення, аналогічного людському, сходу побудувати не вийде. Тому акценти змістилися в бік створення штучного інтелекту - тобто машинним рішенням «важких» завдань, які людина вирішує, а машина поки немає. Таким чином, спочатку ШІ не претендував на пряме моделювання мислення, а був просто рішенням з допомогою машини важкоформалізованих «людських» завдань.
З самого початку передбачалося, що ці рішення дозволять сформулювати узагальнення і виробити специфічні методи ІІ, ведучі, у кінцевому рахунку, до машинного мислення. Представники виник напрямки справедливо вважали, що до конструктивного визначення і моделювання мислення корисно йти від специфіки завдань до методів їх вирішення, вводячи «інтелект» як механізм, необхідний для вирішення.
У кінцевому підсумку виявилося, що до традиційних завдань ІІ стали відносити досить багато завдань. Наприклад, це розуміння машиною природної мови, тобто питання-відповідь системи та доступ до баз даних на природному мовою, переклад з однієї мови на іншу, аналіз зображень об'ємних (3 - d) сцен, доказ теорем, ігри, бази даних, бази знань та ін [6]
Тепер коротко розглянемо найбільш активно розвиваються підходи і області застосування ІІ - у порядку убування їхньої популярності. Треба відзначити, що менша популярність нерідко пов'язана не стільки з потенціалом технології, скільки з віддаленістю перспектив е е прикладної реалізації (наприклад, вкрай високий потенціал кіберзаводов поки не викликає серйозного інтересу через наявність безлічі невирішених завдань по їх управління).
Нейронні мережі
Цей напрямок стабільно тримається на першому місці. Триває вдосконалення алгоритмів навчання та класифікації в масштабі реального часу, обробки природних мов, розпізнавання зображень, мови, сигналів, а також створення моделей інтелектуального інтерфейсу, що підстроює під користувача. Серед основних прикладних завдань, що вирішуються за допомогою нейронних мереж - фінансове прогнозування, розкопка даних, діагностика систем, контроль за діяльністю мереж, шифрування даних. В останні роки ід е т посилений пошук ефективних методів синхронізації роботи нейронних мереж на паралельних пристроях.
Еволюційні обчислення
На розвиток сфери еволюційних обчислень (ЕВ) значний вплив справили насамперед інвестиції в нанотехнології. ЕВ зачіпають практичні проблеми самозбірки, самоконфігурірованія і самовідновлення систем, що складаються з безлічі одночасно функціонуючих вузлів. При цьому уда е тся застосовувати наукові досягнення з області цифрових автоматів. Інший аспект ЕВ - використання для вирішення повсякденних завдань автономних агентів як персональних секретарів, керуючих особистими рахунками, асистентів, які відбирають потрібні відомості в мережах за допомогою пошукових алгоритмів третього покоління, планувальників робіт, особистих вчителів, віртуальних продавців і т. д. Сюди ж відноситься робототехніка і всі пов'язані з нею області. Основні напрямки розвитку - вироблення стандартів, відкритих архітектур, інтелектуальних оболонок, мов сценаріїв / запитів, методологій ефективної взаємодії програм і людей. Моделі автономного поведінки передбачається активно впроваджувати у всілякі побутові пристрої, здатні прибирати приміщення, замовляти і готувати їжу, водити автомобілі і т. п. Окремо варто відзначити соціальні аспекти - невідомо як суспільство буде на практиці ставитися до таких спільнот інтелектуальних програм.
Нечітка логіка
Системи нечіткої логіки найактивніше будуть застосовуватися переважно в гібридних керуючих системах.
Обробка зображень
Продовжиться розробка способів представлення та аналізу зображень (стиснення, кодування при передачі з використанням різних протоколів, обробка біометричних образів, знімків із супутників), незалежних від пристроїв відтворення, оптимізації колірного подання на екрані і при виведенні на друк, розподілених методів отримання зображень. Подальші розвиток отримають кошти пошуку, індексування та аналізу сенсу зображень, узгодження вмісту довідкових каталогів при автоматичній каталогізації, організації захисту від копіювання, а також машинне зір, алгоритми розпізнавання і класифікації образів.