ISSN 0236-235X (P)
ISSN 2311-2735 (E)

Публикационная активность

(сведения по итогам 2016 г.)
2-летний импакт-фактор РИНЦ: 0,493
2-летний импакт-фактор РИНЦ без самоцитирования: 0,389
Двухлетний импакт-фактор РИНЦ с учетом цитирования из всех
источников: 0,732
5-летний импакт-фактор РИНЦ: 0,364
5-летний импакт-фактор РИНЦ без самоцитирования: 0,303
Суммарное число цитирований журнала в РИНЦ: 5022
Пятилетний индекс Херфиндаля по цитирующим журналам: 355
Индекс Херфиндаля по организациям авторов: 499
Десятилетний индекс Хирша: 11
Место в общем рейтинге SCIENCE INDEX за 2016 год: 304
Место в рейтинге SCIENCE INDEX за 2016 год по тематике "Автоматика. Вычислительная техника": 11

Больше данных по публикационной активности нашего журнале за 2008-2016 гг. на сайте РИНЦ

Вход


Забыли пароль? / Регистрация

Добавить в закладки

Следующий номер на сайте

2
Ожидается:
16 Марта 2018

Искусственный интеллект в грядущем десятилетии

Статья опубликована в выпуске журнала № 2 за 1993 год.[ 20.06.1993 ]
Аннотация:
Abstract:
Авторы: Поспелов Д.А. () - , ,
Ключевое слово:
Ключевое слово:
Количество просмотров: 5255
Версия для печати

Размер шрифта:       Шрифт:

В октябре 1992 г. закончилась Третья конференция по искусственному интеллекту. Две первых, состоявшихся в 1988 г. в Переславле-Залессхом и в 1990 г. а Минске, имели ранг Всесоюзных. Казалось, что распад Союза ССР сильно скажется на налаженных научных связях, к Третья конференция станет в лучшем случае лишь Российской. К счастью, этого не случилось. На конференцию, проходившую недалеко от г. Твери, съехались все (или почти все), кто составлял научное сообщество профессионально занимающихся вопросами, связанными с развитием теоретических основ науки об искусственном интеллекте и с созданием интеллектуальных систем.

За период, прошедший с конца шестидесятых годов, когда сам термин "искусственный интеллект" только появился, ситуация изменилась коренным образом. Критическое отношение к подобным работам в их начальном периоде сменилось неожиданным для многих бумом, пик которого пришелся на середину семидесятых годов. Потом начался постепенный спад интереса к результатам, полученным в области интеллектуальных систем (экспертных систем первого поколения), приведший к кризису, явно ощущавшемуся в начале восьмидесятых. Это был кризис исчерпавших себя идей и методов. Подобные кризисы переживают все развивающиеся науки. То, что люди, работающие в этой области знаний, сумели найти выход из кризисного состояния, свидетельствует о том, что искусственный интеллект как самостоятельное научное направление не закончил жизнь, как бабочка-однодневка, а доказал свое право на длительное и плодотворное существование.

Об этом, собственно, и говорилось на пленарных докладах конференции в Твери, во время Круглых столов, а также в выступлениях специалистов, рассказывавших о своих конкретных достижениях. Некоторые из этих материалов мы предлагаем сегодня на страницах данного номера журнала.

Мне же хотелось бы сформулировать основные идеи, из которых выросли новые модели и методы, позволившие искусственному интеллекту сохранить свое лидирующее положение среди тех дисциплин, которые должны обеспечить плавный переход от нашего сегодняшнего постиндустриального общества к информационному обществу с ожидаемым расцветом в начале XXI века.

Начнем с рабочего определения основной задачи. Ее решение - глобальная цель исследований в области искусственного интеллекта. Можно считать, что этой задачей является создание средств для эффективного обучения интеллектуальных систем любым конкретным

видам интеллектуальной деятельности. Ключевым в этом определении является слово "обучение". Интеллектуальность человека проявляется именно в способности научиться тому, что ему в данный момент нужно. Поэтому даже очень хорошая шахматная программа, демонстрирующая куда лучшую игру, чем средний шахматист, не является, строго говоря, интеллектуальной. Она моделирует некоторый конкретный вид интеллектуальной деятельности, но этим и исчерпываются ее умения.

Такая формулировка основной задачи искусственного интеллекта переводит всю проблему интеллектуализации с уровня имитации на уровень обучения имитации. Этот момент оказался источником новых идей, позволивших найти выход из почти тупиковой ситуации в развитии искусственного интеллекта. И именно этот факт объясняет быстрое увеличение исследований по моделям обучения и сопутствующим обучению процессам. Анализируя распределение публикаций по различным традиционным для искусственного интеллекта направлениям, специалисты отметили падение интереса к таким, как дедуктивные системы в принятии решений, планирование поведения на основе априорно заданной системы правил, поиск без учета содержания и т.п. И одновременно происходит рост числа работ, связанных с моделями образного мышления, когнитивной графики, моделями субъектов обучения, нейрокиберне-тикой н гомеостатикой. На смену дедуктивным решающим системам приходят системы, основанные на аргументации и правдоподобном выводе, которые используют процедуры обоснования принимаемых решений в имеющихся в распоряжении системы накопленных знаниях.

Все это неопровержимо свидетельствует о стремлении тех, кто занят созданием теории интеллектуальных систем и практикой их построения, нащупать новые пути к решению основной задачи искусственного интеллекта.

Где же пролегают эти новые пути? Прежде всего, по-видимому, они смещаются в сторону, характерную для гуманитарных исследований. Идея, что математика, вторгаясь со своими моделями и методами в "плохо структуризо-ванные" естественные и гуманитарные науки (биологию, психологию, историю и многие другие), резко повышает качество результатов и позволяет создать эффективные методы исследования, не выдержала проверку временем. Математическая биология, математическая лингвистика или математическая психология оказались вовсе не точными подобиями соответствующих "старых" наук. Они заняли свое довольно скромное место где-то на периферии основных научных исследований, найдя свою "законную лакуну" там, где математика оказалась полезной.

Математика, столь хорошо проявившая себя в физике реального мира, оказалась не столь хорошо применимой в физике мира, создаваемого и живущего в памяти интеллектуальных систем, который является неким (пока еще очень и очень далеким от оригинала) подобием естественного интеллекта. Эта мысль была, как мне кажется впервые с такой ясностью, зафиксирована в вышедшей недавно монографии С. Чеснокова "Физика Логоса" [1].

Идея о необходимости создания специальной физики для мира ментальных форм возникла у автора "Физики Логоса" в связи с работами по моделированию человеческих рассуждений, возникающих при человеческой коммуникации [2,3]- Именно в этих работах возникло понятие детерминации, с помощью которой описываются связи между явлениями, отличные от изучаемых типов связи, например в теории вероятностей, математической статистике или математической логике. Детермина-ционные связи и аппарат, созданный для работы с ними, являются основой построения теоретического фундамента для правдоподобной аргументации - основной процедуры, используемой сейчас в экспертных системах второго поколения.

Обучение тесно связано с накоплением знаний, расширением сведений, которые могут быть использованы при построении новых умений и новых процедур решения задач. Динамика изменений содержимого базы знаний тесно связана с правдоподобной аргументацией и задачами обоснования новых знаний, в множестве ранее имевшихся в системе знаний. В новых поколениях экспертных систем эти вопросы оказываются весьма принципиальными [4].

Нет особой нужды говорить о когнитивной графике, проблемам которой был посвящен специальный номер журнала [5]. Внедрение ее методов в процедуры обучения творческой деятельности создает предпосылки для хорошего продвижения по пути решения основной задачи искусственного интеллекта. Первым шагом являются, конечно, интеллектуальные обучающие системы [6], на примере которых постепенно раскрываются особенности тех метапроцедур, которые позволяют формировать саму деятельность по обучению.

Стремительный рост интереса к нейроки-бернетическим моделям символизирует появление первого в нашей стране, но далеко не первого а мире, журнала по этой тематике (7]. А о том, почему гомеостатические модели могут оказаться интересными для специалистов по искусствеяному интеллекту и во многом определить дальнейшее развитие работ в этой области достаточно подробно говорится в статье [8]. Отметим лишь, что как в парадигме, связанной с нейронными сетями, так и в парадигме моделей коллективного поведения локальных активных систем, естественным образом входящей в круг идей гомеостатики, основную роль играют модели обучения.

Завершая сказанное, еще раз подчеркнем ту мысль, что наиболее активной областью работ в искусственном интеллекте в последнем десятилетки уходящего века будет сфера 'деятельности, охватывающая основные проблемы, связанные с обучением, накоплением опыта, правдоподобной аргументацией и процедурами, обеспечивающими децентрализованное асинхронное движение к намеченным целям обучения.

Список литературы

1.      Чесноков СВ. Физика Логоса; Краткий очерк - М.: 1991.

2.      Чесноков СВ. Д стер ми наци он ный анализ социально- экономических данных. - М.: Наука, 1982.

3.      Чесноков СВ. Силлогизмы в детерминационном ана лизе // Изв. АН СССР Техническая кибернетика, №5. - 1984. - С. 55-83.

4.      Забежайло М.И. Интеллектуальные системы: на пути к новым поколениям // Новости искусственного интеллекта, J* 1. - 1992. - С. 8-24.

5.      Программные продукты и системы, № 2. - 1992.

6.      Брусиловскнй П.Л. Построение и использование моде лей обучаемого в интеллектуальных обучающих системах // Изв. РАН. Техническая кибернетика, № 5. - 1992. - С. 97-119.

7.      Нейрокомпьютер, J* 1. - 1992.

8.      Астафьев В.И., Горский Ю.М., Поспелов Д.А. Модели гомеостатики в искусственном интеллекте // Изв. РАН. Техническая кибернетика, Ля 5. - 1992. - С. 147-153.


Постоянный адрес статьи:
http://swsys.ru/index.php?page=article&id=1188&lang=
Версия для печати
Статья опубликована в выпуске журнала № 2 за 1993 год.

Возможно, Вас заинтересуют следующие статьи схожих тематик: