<< Пред.           стр. 3 (из 4)           След. >>

Список литературы по разделу

  В познавательном процессе общество и индивид используют ранее накопленные знания. Каждая познавательная операция не начинается с заранее фиксированного уровня. Программа действий совершенствуется в процессе работы, поскольку вновь полученная информация вписывается в существующую систему понятий и представлений. Новые знания приобретаются и используются посредством категорий, которыми располагает индивид.
  В программе "общего решателя задач" в памяти ЭВМ не представлены ни сложная внутренняя структура образа, ни сеть его отношений с другими образами. Вновь поступающая информация фактически не используется. Очень сложна стыковка программы типа "общий решатель задач" с программами более конкретного порядка. Иными словами, ЭВМ, функционирующая по такой программе, поставлена в принципиально иные гносеологические условия, чем человек, решающий ту или иную задачу. С учетом этого различия сопоставление возможностей ЭВМ и человеческого мозга становится по существу бессмысленным. Поэтому и утверждение о кризисе эвристического программирования не может рассматриваться как аргумент для отрицания "интеллектуальных" возможностей ЭВМ вообще. Речь идет об ограниченности одной из возможностей некоторого конкретного направления развития искусственного интеллекта.
  Эвристические программы позволяют решать разнообразные классы познавательных и практических задач. Они, несомненно (как и программы, базирующиеся на строгих алгоритмах), будут и впредь использоваться для решения многих задач. Однако эвристическое программирование, по-видимому, исчерпало себя или почти исчерпало как самостоятельный способ принципиального расширения круга задач, которые могут решаться посредством ЭВМ.
  На основании гносеологического анализа функционирования человеческого интеллекта можно сделать вывод, что дальнейшее развитие искусственного интеллекта должно идти прежде всего по пути учета иерархической структуры образа и сети его отношений с другими образами. Это означает, что знак, используемый в машине, должен интерпретироваться, причем семантика, вложенная в машину, должна быть многоярусной. Семантические отношения, фиксируемые в памяти машины, должны, с одной стороны, подниматься до уровня использования формальных аналогов категорий, а с другой - опускаться до аналогов чувственных образов.
  Нельзя сказать, что теоретики и разработчики проблем искусственного интеллекта с самого начала сознательно осмыслили эти задачи (как и другие возможности, вытекающие из гносеологического анализа абстрактного мышления). Тем не менее, внутренняя логика развития проблемы искусственного интеллекта породила стремление к его "семантизации". Эта тенденция наиболее четко выражена в развитии иерархических структур систем представления знаний. Разработка их является важным звеном в создании систем искусственного интеллекта. Рассмотрим этот вопрос в гносеологическом аспекте.
 2. Проблема представления знания в системах искусственного интеллекта
  Отдельные попытки использовать семантику в программах ЭВМ были предприняты еще в начале 60-х годов в целях развития методов эвристического программирования. Одной из наиболее плодотворных попыток являлась программа Г. Гелернтера по доказательству геометрических теорем (1, с. 145 - 175). Эта программа базируется на принципе интерпретации. Машина, подобно математику, использует при доказательстве теорем не только формально описанные аксиомы и правила вывода, но и чертеж, который представляет собой интерпретацию формальной системы. Он обладает богатыми эвристическими возможностями.
  При доказательстве теоремы на основе программы типа "общий решатель задач" машина должна формировать огромное количество цепочек и исследовать большое число "лабиринтных площадок". Чертеж позволяет резко сократить "пространство возможностей". Допустим, что одна из подцелей при доказательстве какой-либо теоремы заключается в обосновании равенства некоторых отрезков, и машина начинает поиск цепочки, в конце которой должно стоять выражение, означающее равенство этих отрезков. При наличии эвристики, ориентированной на чертеж, не принимаются во внимание утверждения, которые не соответствуют чертежу, т. е. не просматриваются соотношения между отрезками, которые на чертеже имеют явно неодинаковую длину. Все формулы подцелей интерпретируются на чертеже. Если они на нем обоснованы, то они принимаются во внимание, в противном случае - нет. Экспериментальное исследование этой программы дало положительные результаты (1, с. 165 - 175).
  "Семантизация" эвристического программирования в 60-х годах не получила развития. На наш взгляд, это было обусловлено главным образом тем, что возлагались чрезмерные надежды на эвристические программы, которые якобы имели универсальную сферу применения. Еще не была осмыслена необходимость работы над конструированием "специализированных интеллектов", что особенно подчеркивалось В. М. Глушковым (15).
  В 70-х годах стало ясно, что искусственная интеллектуальная система должна содержать "модель мира", т. е. модель предметной области, по отношению к которой такая система должна решать задачи. Это и привело к концентрации внимания на разработке систем представления знаний. Речь идет о том, в какой форме в памяти машины должны быть представлены знания, образующие ее "модель мира", как эти знания целесообразно организовать, чтобы ЭВМ могла наилучшим образом воспользоваться ими при решении различного рода интеллектуальных задач. Важную роль в их создании сыграл опыт, накопленный при формировании информационно-поисковых систем, в которых хранящиеся знания с необходимостью должны быть определенным образом структурированы и систематизированы.
  Примером системы представления знания могут быть так называемые семантические сети, в которых знаки имеют интерпретацию (поэтому сеть называют семантической) и отношения между ними образуют сеть, воспроизводящую определенные стороны связей между понятиями в психике человека. При их анализе наиболее четко проявляется необходимость учета гносеологических характеристик мышления для совершенствования систем искусственного интеллекта. Семантические сети - это особый тип представления знаний в ЭВМ. Они формируются посредством семантического языка, фиксирующего отношения между вещами (12; 13; 14; 16; 17; 18). Такой язык включает прежде всего множество так называемых базовых понятий, каждое из которых характеризуется своими признаками и их значениями. Например, на естественном языке слово "техникум" обозначает понятие, определяемое признаками (переменными): "дает специальное образование... такого-то уровня", "готовит специалистов для...". Первый признак (уровень образования), вообще говоря, может иметь два значения: "среднее" и "высшее"; для "техникума" - это "среднее". Значениями второго признака могут быть для "производства", для "народного образования", для "здравоохранения" и т.д. Для понятия "техникум" этот признак имеет значение для "производства". Слово "пединститут" обозначает понятие, которое имеет те же признаки, что и "техникум" ("дает специальное образование... уровня" и "готовит специалистов для..."), но значения этих признаков иные. Для первого признака это "высшее", а для второго - для "народного образования".
  Каждое понятие имеет определенное число признаков, принимающих различные значения. В рассматриваемом языке такой набор признаков с их значениями и является понятием, а графическое начертание слова или кодового символа, соотносимого с "понятием", - его обозначением. Это значит, что здесь в отличие, например, от обычных программ ЭВМ или от полностью формализованных систем символы в рамках самого языка имеют интерпретацию, семантику (поэтому язык и называется семантическим).
  Совокупность понятий, которая вносится в конкретную семантическую сеть, зависит от целевого назначения системы или ее конкретного использования. Если система предназначена, скажем, для ответов на вопросы о состоянии образования в стране или в различных странах, то она должна содержать понятия "школа", "студент", "вуз", "учебный план" и т. п. Если она используется для управления портом, то она включает такие понятия, как "причал", "танкер", "кран" и т. п. Иначе говоря, совокупность понятий здесь проблемно или прагматически (т. е. в соответствии с назначением системы) ориентирована.
  Кроме этого, язык содержит базовое множество отношений (поэтому его называют реляционным). Входящие в него отношения связывают между собой либо элементы среды, либо их кодовые имена, т. е. элементы языка. Примерами таких отношений могут служить "часть - целое", "мера - единица измерения", "действие - субъект", "действие - объект", "действие - время", "действие - место" и т. п. С помощью такого рода базовых отношений можно скомбинировать большую совокупность отношений, которая выражается в естественном языке.
  Совокупность базовых отношений, которые необходимо внести в семантический язык, чтобы он был достаточен для нужд управления определенными объектами или для решения задачи из некоторой проблемной области, определяется посредством анализа текстов служебных и эксплуатационных инструкций, статей, книг и т. п. Такой анализ показал, что уже после исследования относительно небольшого массива текстов и фиксации содержащихся в них отношений, при просмотре новых материалов, в том числе из ранее не исследованных проблемных областей, дополнительные базовые отношения почти не обнаруживаются. Это значит, что базовые отношения в семантическом языке (в отличие от системы базовых понятий, которая проблемно ориентирована) носят универсальный характер, т. е. практически мало зависят от предметной области и назначения системы.
  Анализ текстов на русском, английском и итальянском языках показал, что число базовых отношений, посредством комбинации которых можно выразить любые отношения, фиксируемые естественными языками, невелико и равно примерно двумстам (17). Это не означает, конечно, что не может быть обнаружен текст, в котором содержится отношение, не описываемое посредством базовых отношений. Не исключается и то, что в процессе развития языка может быть порождено новое отношение, опять-таки не выражаемое через базовые отношения. Семантический язык содержит наряду с базовыми отношениями и правила оперирования ими, позволяющие посредством четко определенных операций формировать более сложные отношения.
  В семантической сети предусмотрена также возможность формирования новых понятий, которые не входят в базовое множество. С этой целью, в частности, могут обобщаться понятия на основе их признаков. Так, если значением признака "цвет" является "красный", а значением признака "пространственная форма" является "круглый", то может быть образовано новое, небазовое понятие "круглый красный предмет". Обобщать понятия можно и другими методами (см. схему). Базовые множества понятий и отношений вместе с производными от них позволяют зафиксировать в памяти машины (а также и вне ее) базовое множество знаний, которое представляет собой семантическую сеть.
 
 
 Схема
 фрагмент семантической сети
 
 
 
  В квадратных скобках помечены "понятия", обозначенные в семантическом языке. Стрелки обозначают базовые отношения. Они указаны следующими цифрами: "целое-часть" - 1; "подкласс- класс" - 2; "предмет-свойство" - 3; "одушевленный предмет-умеет" - 4; схема (с некоторыми изменениями) взята из (16, с.466).
 
 
 
 
 
 
 
 
 
  Из фрагмента схемы видно, что большинство используемых базовых понятий ("канарейка", "страус", "ноги", "желтый" и др.) определяются специфическими особенностями "мира", который необходимо моделировать. Отношения же (на схеме "часть - целое", "подкласс - класс", "субъект - действие") носят универсальный характер или представляют собой комбинации из универсальных базовых отношений. Эти комбинации, т. е. производные отношения, как правило, проблемно и прагматически ориентированы. Таким образом, семантические языки содержат проблемно или прагматически ориентированную совокупность базовых понятий, универсальный слой базовых отношений и позволяют выразить необходимые для формирования "модели мира" производные понятия и отношения. Эти языки позволяют посредством семантических сетей представить внеязыковые знания.
  Для использования в системах искусственного интеллекта семантические языки различным образом формализуются, понятия и отношения обозначаются кодовыми символами, правила образования новых понятий и производных отношений жестко фиксируются, определяются семантические операции, позволяющие именовать предметы, процессы и отношения, т. е. обозначать их через понятия и отношения, фиксируемые в языке.
  Системы искусственного интеллекта самостоятельно или во взаимодействии с человеком, используя семантический язык, формируют "модель мира". Этот процесс в ряде систем начинается со сбора информации о реальной среде. Если задача системы заключается в управлении технологическими или иными реальными физическими процессами (а не только в переработке информации), то особый блок - так называемый "блок селекции" - выделяет прежде всего предметы, соответствующие "понятиям", определяемым признаками и их значениями. Если речь идет, например, об управлении погрузочно-разгрузочными работами в порту, то блок находит предметы ("склад", "контейнер", "баржи" и т. д.) в определенный момент времени. Другой блок - "блок пространственной ориентации" - фиксирует их координаты. Посредством базовых и производных отношений им описывается взаимное расположение предметов ("находится над", "находится под", "находится внутри" и т. д.). Таким образом, создается моментальный снимок ситуации на управляемом объекте. "Логический блок" системы на основе правил комбинации базовых отношений порождает новые отношения, специфические для конкретной области предметов.
  При наступлении нового момента времени исходная модель первого уровня сменяется новой - другим моментальным снимком, т. е. в данном случае описанием изменившегося пространственного расположения предметов. Информация о предшествующем моменте времени при этом не стирается, а передается в память. Таким образом, в памяти накапливается информация о последовательно сменяющихся состояниях "внешнего мира" (т. е. управляемого объекта). Это создает возможность поиска закономерных связей в изменениях, которые происходят во времени.
  Такой поиск в системах описываемого типа является функцией особого блока - "блока гипотез". Система может формировать гипотезы о пространственных или временных отношениях между элементами ситуации. Гипотезы формулируются на семантическом языке. Так, может быть выдвинута гипотеза о наличии "причинной связи" между элементами следующих друг за другом моментальных снимков ситуаций. Конечно, смысл сочетания "причинная связь" далеко не соответствует содержанию категории причинной связи, как она понимается в диалектике. Но он играет важную роль в этой системе. Процедура формирования гипотезы огрубленно выглядит так.
  Допустим, что в момент времени Т в определенном месте находится некоторый предмет Р1 или происходит событие С1, а в следующий момент времени на этом же месте появляется предмет Р2 или происходит событие С2. Тогда можно предположить (это во всяком случае не исключается), что Р1 (или С1) суть причина Р2 (или С2). Факт следования Р2 (С2) за Р1 (С1) фиксируется памятью. Если при повторных появлениях Р1за ним не следует Р2, то связь из памяти стирается. Если же временные соотношения между Р1 и Р2 повторяются вновь, то можно полагать, что Р1 есть "причина" Р2. После заранее предусмотренного числа повторений "причинное отношение" между двумя конкретными предметами (событиями) "осознается", т. е. фиксируется определенным знаком и вносится в базу знаний о мире. Таким образом, место модели первого уровня, являющейся моментальным снимком ситуации, т. е. содержащей только текущие данные об объекте, замещается моделью второго уровня. В ней представлены знания об объекте. На следующих уровнях происходят дальнейшее обобщение модели, классификация предметов и связей, приписывание переменным кванторов (типа "существует", "все" и т. д.).
  Описанные процессы свидетельствуют о выполнении ЭВМ некоторых функций искусственного интеллекта. Выше (см. гл. V) были сформулированы критерии "интеллектуальности" технических систем. Исходным критерием было наличие в ЭВМ внутренней модели "внешнего мира". Эта модель в системах рассмотренного типа имеется. Факт существования такой модели есть лишь предпосылка выполнения интеллектуальных функций, однако предпосылка очень важная. В описанных операциях она реализуется в следующих функциях: 1) пополнение знаний о "мире", т. е. перестройка модели; 2) обобщение собираемой информации и фиксация на этой основе закономерных связей (типа "причина-следствие"); 3) формирование новых понятий определенного типа. "Модель мира", заложенная в память ЭВМ, пополняемая и совершенствуемая в процессе ее функционирования, используется в системе представления знаний и для более высоких интеллектуальных функций - планирования вычислений и синтеза алгоритмов управления объектами, параметры которых и текущая информация представлены в этой системе.
  Системы представления знаний на современном этапе развития искусственного интеллекта быстро совершенствуются (19; 20; 21; 22). Одно из наиболее важных направлений прогресса этих систем связано с использованием фреймов, которые все шире внедряются как в зарубежные, так и в советские разработки (23; 24; 25; 26; 27; 28; 29).
  Фрейм - это своеобразная рама, сеть, имеющая ряд ячеек, предназначенных для конкретных признаков индивидуальных ситуаций, которые не заполнены, остаются свободными. Он представляет в интеллектуальной системе некоторые относительно широкие классы стандартных объектов или ситуаций. Как и в обычных семантических сетях, в этом представлении используются "понятия" - узлы, связанные определенными отношениями. Вместе с тем фрейм по структуре отличается от ранее рассмотренных сетей. В последних все иерархические уровни, конкретизирующие содержание того или иного понятия (т. е. подчиненные понятия или значения признаков), полностью фиксированы. Во фреймах нижние звенья иерархии - так называемые терминалы - содержат условия-запросы, ответы на которые формируются в процессе взаимодействия системы с ситуацией. Например, если фрейм представляет куб, то в терминале может содержаться запрос о материале, из которого куб сделан. Ответ (например, металлический), полученный посредством сопоставления со средой периферийным устройством системы, используется в ее дальнейших "интеллектуальных" операциях. Фрейм может содержать не только запрос, но и наиболее вероятный ответ, который затем проверяется в первую очередь.
  Фреймы могут описывать не только статические объекты или сцены, но и изменения объектов во времени, в том числе разнообразные действия, например, действия управляющей системы.
  Повышение уровня "интеллектуальности" здесь заключается в том, что появляется возможность не составлять программу ЭВМ полностью заранее, а возложить ряд элементов ее синтеза на саму систему искусственного интеллекта, которая использует знания, полученные при согласовании фреймов с конкретными объектами, в результате чего существенно возрастает уровень активности системы искусственного интеллекта. Таким образом, совершенствование системы представления знаний создает предпосылки повышения "интеллекта" системы.
  Существенным недостатком системы, использующей фреймы, как, впрочем, и других систем представления знаний, является то, что сами фреймы целиком вносятся в память машины человеком, и что в них нет базы "целей". Вообще системам искусственного интеллекта предстоит пройти большой путь, чтобы в совокупность их функций могли быть включены элементы целеполагания. Для этого недостаточно, чтобы знания, хранящиеся в банках системы искусственного интеллекта, были пассивным объектом преобразования. Они должны стать активным началом, участвующим не только в генерировании и реконструкции исходных систем знаний, но и в формировании целей и критериев приближения к ним. Высший уровень целеполагания при этом остается за человеком.
  Основная масса ныне действующих систем искусственного интеллекта опирается на реляционные отношения, на которые ориентированы и наиболее распространенные информационные системы. Для большинства практических задач более эффективным было бы использование описанных выше фреймовых представлений. Они могут сыграть существенную роль и в объединении целеполагающих, собственно информационных и деятельностных аспектов функционирования интеллектуальных систем (30).
  В каких отношениях интеллектуальные системы, использующие семантические сети, и, в частности, сети с фреймами, опираются на гносеологические характеристики абстрактного мышления и в чем здесь заключается прогресс по сравнению с эвристическими программами типа "общий решатель задач"? Прежде всего, прогресс заключается в семантическом характере языка, т. е. в наличии у знаков определенной интерпретации. Эвристические программы работают с абсолютно неинтерпретированными символами. Поэтому множество возможностей, которые они должны просматривать, оказывается огромным. В методах решения задачи не принимается во внимание значение знаков, чем обусловлена возможность использования лишь самых общих алгоритмов и эвристик, базирующихся на особенностях языка и его структуры или - конкретнее - его синтаксиса. Из-за этого сокращение перебора оказывается малоэффективным. Придание искусственному языку семантики позволяет использовать при поиске решения дополнительный объем информации, выходящей за пределы синтаксических характеристик этого языка.
  Далее, разработчиками семантических сетей предпринята попытка воспроизведения в "модели мира" иерархической структуры образа. "Понятие", закодированное в памяти ЭВМ, не является понятием в собственном смысле. Это не образ в гносеологическом понимании слова, ибо оно не есть субъективно переживаемое отражение. Но "понятие", как и образ, есть интерпретированное отображение. Значение его интерпретируется через нижележащие знаки; последние опять-таки могут быть интерпретированными. Таким образом, знаки здесь являются не только внешней оболочкой "понятий", они, как и в образе, составляют его "внутреннюю ткань". Система знаков является способом бытия "понятия" в памяти ЭВМ. "Понятие", как и рассмотренный выше абстрактный образ, имеет сложную иерархическую структуру, находится в многообразных связях с другими "понятиями".
  Следовательно, для решения тех или иных интеллектуальных задач искусственная система может использовать не только лингвистическую информацию - синтаксическую и семантическую, но и знания о предметной области, а значит, и конкретные методы решения задач, которые формируются на основе содержательной специфики задачи.
  Рассматривая вопрос об алгоритмической неразрешимости, мы отмечали, что обобщение проблемы влечет за собой, как правило, потерю части информации о специфических особенностях анализируемого содержания. Сохраняются лишь те параметры обобщаемой задачи, которые представляют собой варьирующие значения переменных обобщенной проблемы. Утрата информации приводит к громоздкости алгоритмов при их применении к конкретным задачам.
  То же относится и к эвристике. Конечно, программа типа "общего решателя задач" в принципе может применяться к любой задаче лабиринтного типа. Но, поскольку в ней не учитываются особенности конкретных задач, постольку она во многих случаях становится практически нереализуемой. Мощность эвристики, таким образом, превращается в абсолютную немощь.
  Достоинство семантических сетей, и особенно систем с фреймами, заключается в том, что они позволяют создавать в машине модель, отражающую (хотя, разумеется, и неполно) реальную структуру соответствующей области. Последняя служит источником информации для решения задач. При невозможности решения задачи на некотором абстрактном уровне иерархичность построения "понятия" позволяет спуститься на нижележащие уровни вплоть до индивидуальных примеров.
  Семантические сети содержат слой базовых отношений, который в определенном смысле имитирует некоторые стороны человеческого интеллекта. Часть таких отношений является аналогами мыслительных категорий. Они выполняют прежде всего функции "дискретизации" информации, поступающей от внешнего мира, точнее, информации, переходящей от модели низшего уровня к моделям высшего уровня. Вместе с тем эти квазикатегории выполняют функцию синтеза разрозненных данных, поступающих в модель. Так, многократные повторные следования предметов друг за другом в одиночных точках пространства в системах ситуационного управления синтезируются посредством причинно-следственного отношения.
  На этом примере видна и ограниченность квазикатегориального синтеза в машине по сравнению с истинным категориальным синтезом. Как известно, следование, сколь бы многократно оно ни повторялось, не означает наличия причинной связи. Еще древние мыслители отмечали: "После этого не означает по причине этого". Однако истинную причинную связь значительно труднее формализовать, чем многократное следование. Понятия, имеющие статус категорий, а тем более категории, не фиксированные лингвистически в форме понятий, не могут быть формализованы в полной мере. Тем не менее, для развития искусственного интеллекта важно создать формальные квазикатегории, которые были бы приближенными аналогами реальных категорий, функционирующих в мыслительном процессе человека. Это значит, что одной из задач гносеологии на современном этапе является, так сказать, разложение категорий в бесконечный ряд общенаучных и иных понятий, которые могли бы формализоваться средствами логики и методологии науки.
  Формализованные понятия могут быть включены в систему базовых отношений или вообще в память и программы ЭВМ. Конечно, квазикатегории в силу своего формализованного характера никогда не смогут обладать совокупностью свойств реальных категорий, и в частности их гибкостью. А отсюда следует, что им не может быть присуща универсальная эвристическая ценность. Однако они смогут выполнять эвристические функции в тех областях, в которых наиболее существенны те стороны реальной категории, которые оказались представленными в процессе ее формализации.
  Необходимо отметить, что большинство категорий, фиксируемых диалектикой, не нашло отражения в реальных семантических сетях в качестве базовых отношений. Это объясняется, по-видимому, сложностью и многоаспектностыо многих категорий диалектики. Возьмем, например, категории "сущность" и "явление". Для разработки системы искусственного интеллекта было бы важно использовать эту пару категорий. Одна из важнейших сторон ограниченности современных систем распознавания образов, как отмечает В. С. Тюхтин (31), заключается в том, что в них при классификации не учитывается различие между существенными и несущественными признаками. Действительно, в этих системах признак существенности, как правило, заменяется признаком общности. Не предприняты попытки выразить в семантических сетях отношения между сущностью и явлением через базовые отношения или использовать его в качестве самостоятельного базового отношения. В семантических сетях, которые мы рассматривали, имеется отношение "общее - единичное" ("элемент - класс"). Однако известно, что общее не всегда является существенным.
  В связи с рассматриваемой проблемой возникает вопрос о соотношении совокупности базовых отношений с категориями, об их сходстве и различии. Теоретически ясно, что, поскольку категории являются отражением всеобщих отношений, постольку неизбежна определенная субординация базовых отношений и категорий.
  Если совокупность базовых отношений считается универсальной, то она должна содержать в себе пучки отношений, конкретизирующих каждую категорию (или пару категорий) диалектики. Это следует из того, что сами категории суть отношения, следовательно, они либо должны входить в базовый список (как это имеет место для отношений "причина - следствие", "часть - целое", "элемент - класс", "единичное - общее"), либо должны быть подвергнуты расчленению таким образом, чтобы их можно было синтезировать из базовых отношений. Разумеется, если семантический язык формализован, то входящие в списки базовых отношений категории не являются таковыми в собственном смысле, поскольку они утрачивают ряд неотъемлемых свойств категорий, в частности их гибкость (а тем самым в значительной степени и эвристическую силу, особенно при отображении нестандартных ситуаций). Отношения, тождественные по названию категориям (например, "причина - следствие"), не только в существующих искусственных семантических языках, но и в принципе являются лишь квазикатегориями, аналогами, которые, однако, применительно к ограниченному миру той или иной технической интеллектуальной системы могут в известной мере выполнить определенные функции категорий. Исходя из теоретических соображений, следует, что совокупность категорий должна быть одним из исходных пунктов для формирования комплекса базовых отношений.
  Фактически семантические языки формировались в связи с решением практических задач управления определенными реальными процессами. Поэтому и в базовых отношениях отражены в первую очередь отношения, с которыми сталкиваются в этих процессах. Например, в перечне базовых отношений, предназначенном для системы управления портом (32), на первом месте стоят отношения, характеризующие механическое движение и пространственно-временные отношения между макрообъектами. Этот перечень, являющийся результатом анализа значительного числа специальных текстов, действительно содержит совокупность отношений, композиция которых может выразить большинство встречающихся отношений.
  Эмпирическое происхождение списка базовых отношений не только не снимает, но ставит еще более остро задачу его теоретического анализа, и прежде всего проверки на полноту посредством сопоставления с категориями.
  В эмпирически найденном списке базовых отношений не только нет, например, отношения "сущность - явление", но и совокупности отношений, из которых его можно было бы синтезировать. Отсюда следует, что на языке, в котором совокупность базовых отношений исчерпывается данным списком, ряд отношений в принципе не может быть выражен. Например, на таком языке нельзя записать, что "прибыль является превращенной формой прибавочной стоимости" или - более общо - "предмет X является превращенной формой предмета У".
  Категории сущности и явления - это категории, которыми оперирует теоретическое мышление. Следовательно, можно полагать, что если техническая "интеллектуальная система" будет предназначена для работы с теоретическими текстами, например для их анализа в целях аннотирования или реферирования или даже для обобщения на высоком уровне результатов эмпирического исследования, короче, для работы в теоретической области, то для эффективного ее функционирования список базовых отношений придется пополнить такими, которые являются "разложением" отношений "сущность - явление", а также других отношений, выраженных в философских категориях.
  Плодотворна уже сама постановка задачи - выявить совокупность базовых отношений, посредством которых может быть выражено все множество отношений, фиксируемых некоторым естественным языком или даже являющихся универсальными для всех естественных языков. Помимо практического значения для решения отмеченных выше задач управления она существенна и для лингвистической семантики. Не исключено, что характеристика множества базовых отношений различных языков может служить одним из важных индикаторов уровня развития того или иного языка. Задачи научного мышления, и в частности создания ряда метатеорий, не могут быть решены без явного обозначения философских категорий словами или устойчивыми словосочетаниями. Развитие систем представления знаний превращает лингвистическую (семантическую) проблему выявления языковых средств выражения категорий в проблему большого практического значения. Вместе с тем анализ базовых отношений может способствовать уточнению системы философских категорий и выработке новых подходов к систематизации категорий диалектики.
  Философия оперирует не только универсальными, но и специфическими категориями, характеризующими познавательный процесс и его результаты. К их числу относятся, например, понятия истины и заблуждения, абсолютной, относительной истины и т. д. В рассмотренном нами варианте системы представления знаний нет и этих категорий. Следовательно, на языке, совокупность базовых отношений которого ограничена этим списком, не может быть выражено положение "высказывание X истинно описывает ситуацию У".
  В литературе (32) иногда высказывается мысль о желательности доказательства полноты словаря базовых отношений. При этом речь идет о формальном доказательстве. Если эта задача ставится применительно к естественному языку, то постановка ее неправомерна. Прежде всего, конкретный список базовых отношений, безусловно, является неполным. Мы уже видели, что он не позволяет выразить отношения, отражаемые категориями диалектики. Можно также предположить, что совокупность физических отношений, объективно существующих в неисчерпаемом мире и потенциально описываемых естественными языками (или естественными языками со специальными математическими включениями), не может быть выражена через конечную совокупность базовых отношений, объединяемых конечным множеством правил композиции.
  Далее. Как было показано выше, чисто формально вообще нельзя ничего доказать относительно реального объекта. Это тем более верно в отношении такого объекта, как естественный язык. Формально можно доказать лишь полноту формализованного словаря базовых отношений в рамках формальной модели естественного языка или его ограниченного фрагмента. Научный интерес представляет также проблема единственности совокупности базовых отношений, их минимальности, независимости и т. д.
  Итак, включение системы базовых отношений в "семантические сети" не только позволило использовать иерархическое строение абстрактного образа для создания системы представления знаний, но и означало шаг вперед в наделении систем искусственного интеллекта аналогами категорий мыслительного процесса.
  Существенным фактором в использовании гносеологических характеристик мышления является и наличие в системах искусственного интеллекта аналога самосознания. Самосознание - это необходимый компонент сформировавшегося сознания. Оно выполняет и гносеологическую функцию. Поэтому вычленение внутри знания компонентов, выражающих особенности познающего Я, и содержания, отражающего внешний мир, есть важнейшее условие адекватного отражения объективной реальности и, следовательно, принятия адекватных решений. Квазисамосознание необходимо для решения многих интеллектуальных задач. Особо важную роль оно играет в интегральных промышленных роботах. Здесь решение интеллектуальных задач выступает не как самоцель, а как средство обеспечения интеллектуального поведения робота, а стало быть, и разумного манипулирования эффекторами. Роботу необходимо четко фиксировать собственные действия, оценивать их эффективность, а значит, отличать себя от среды.
  В использовании категорий в системах искусственного интеллекта пока сделаны только начальные шаги.
  Явно недостаточно еще используются логические структуры. На первый взгляд это кажется странным. Мы подчеркивали, что из всех наук о мышлении кибернетика больше всего опиралась на логику, однако применение в кибернетике нашли далеко не все логические структуры, функционирующие в мыслительном процессе и воплощенные в знании.
  В ней нашли применение, прежде всего, исчисление высказываний и исчисление предикатов, а также примыкающие к ним традиционные разделы математической логики. Даже модальная логика недостаточно используется в кибернетических системах. Она, в сущности, не нужна была, пока не решались интеллектуальные задачи. Но оперирование содержанием интеллектуальной базы знаний требует применения операторов "возможно", "действительно", "необходимо", т. е. модальной логики. Мало применяется логика вопросов, которая слабо разработана, хотя для функционирования вопросно-ответных систем она крайне необходима. Это значит, что пока в системах искусственного интеллекта используется (и то не в полной мере) лишь наиболее разработанная часть логики мыслительного процесса. За пределами этих систем остается также подготовка понятий и суждений к операциям вывода по строгим правилам. Понятия, которыми оперирует человеческий интеллект в исходных формах, в том числе в лингвистически фиксируемых, нечетки, следовательно, к ним непосредственно не могут быть применены логические правила, базирующиеся на законе тождества. Процесс перехода от нетождественных себе, нечетких понятий, лабильных образов к жестким понятиям формальной логикой не описывается.
  В первые десятилетия применения ЭВМ был сделан вывод о том, что машина превосходит человека в оперировании жестко определенными понятиями, а человек превосходит машину в гибкости, в оперировании расплывчатыми понятиями, идеями и т. д. Более того, высказывалась и высказывается мысль о том, что машина никогда не сможет оперировать расплывчатыми структурами. Богу - богово, кесарю - кесарево. Иногда утверждалось даже, что принципиальная дискретность математики является непреодолимой преградой для описания непрерывных процессов и явлений. Границы расплывчатых образований не дискретны, а поскольку передача задачи ЭВМ требует предварительного математического описания, постольку оперирование расплывчатыми образованиями ЭВМ принципиально недоступно. Отсюда делался вывод о том, что создание искусственного интеллекта в принципе невозможно.
  Упоминавшиеся ранее работы Л. Заде (33; 34) положили начало формализации нечетких структур. Значение этих работ сразу было оценено в математической и философской (35) литературе. Использование концепции нечетких множеств находит все более широкое применение в системах искусственного интеллекта (16; 36; 37; 38). В целом, однако, принципы нечеткости в программах искусственного интеллекта реализуются недостаточно. Использование нечетких структур может привести, в частности, к новым приложениям эвристического программирования, а следовательно, расширить его возможности.
  Главный вывод из развития теории нечетких множеств и ее применений к проблемам и системам искусственного интеллекта заключается в том, что формализация нечетких структур возможна, что входные устройства ЭВМ в принципе могут оперировать с такого рода структурами, что повышает эффективность функционирования систем искусственного интеллекта. Таким образом, и в этом плане учет гносеологических особенностей мышления дает дополнительные возможности для совершенствования искусственного интеллекта.
  Использование гносеологических характеристик мышления для совершенствования программ искусственного интеллекта включает и проблему приближения "языка" ЭВМ к естественному языку, воспроизведение в языке ЭВМ тех универсалий естественных языков, которые обусловливают способность языка выполнять познавательную функцию. Искусственные языки, используемые в семантических сетях, о которых речь шла выше, как и естественные, представляют собой единство означающего и означаемого (поэтому их и называют семантическими языками). Оперирование с нечеткими структурами предполагает использование знаков с нечеткими значениями, различного рода лингвистических переменных и, следовательно, неизбежно приближает "язык" искусственного интеллекта к естественному. Рассмотрим более подробно лингвистические проблемы.
 
 3. Лингвистические проблемы искусственного интеллекта
  Реальные проблемы, решаемые теорией и практикой искусственного интеллекта, очень разнообразны. Это и распознавание образов, и доказательство теорем, и машинный перевод, и многое другое. Осуществить анализ совокупности этих проблем здесь не представляется возможным. Мы остановимся на гносеологическом аспекте лингвистических проблем искусственного интеллекта. Это обусловлено прежде всего тем, что в марксистской философской литературе лингвистические проблемы искусственного интеллекта почти не анализировались. Кроме того, лингвистическая проблематика существенна для решения большинства других задач искусственного интеллекта.
  Кибернетические системы, создаваемые техникой, все больше включаются в интеллектуальный потенциал общества. Это требует общения между человеком и машиной. Перевод с естественного языка на язык машины - не тривиальная задача. Она решается творческими методами. То же относится и к обратному переводу. Полноценное решение этих задач машинами возможно лишь при снабжении их искусственным интеллектом. Аналогичным образом обстоит дело и с машинным реферированием, построением информационно-поисковых систем. Некоторые результаты в этих направлениях получены посредством "доинтеллектуальных" систем, но искусственный интеллект должен обеспечить качественно новый уровень решения этих задач.
  Но дело не только в этом. Естественные языки не являются формальными системами, и речевые высказывания не подчиняются каким-либо жестким правилам (даже вероятностным). Следовательно, механизация лингвистических функций предполагает либо предварительную приближенную формализацию принципиально неформализуемых сложных динамических систем, либо способность технических информационных машин работать с предварительно неформализованными системами. Это означает, что решение лингвистических проблем кибернетики, создание лингвистических автоматов представляют собой полигон для испытания различных методов конструирования искусственного интеллекта.
  В настоящее время создано несколько экспериментальных и работающих на потребителя систем машинного перевода. В Институте прикладной математики АН СССР под руководством О. С. Кулагиной разработана система французско-русского перевода, которая осуществляет перевод математических текстов. Поскольку анализ входного текста не выходил за пределы отдельных предложений, постольку и сам перевод не выходил за рамки отдельных изолированных предложений, которые, однако, во входном массиве составляли связный текст. Приведем небольшой отрывок такого перевода (39).
 
 Французский текст Русский текст 1. Considerons un systeme de nombres complexes 1. Рассмотрим систему комплексных чисел X=X1E1+X2E2+...+X2E2, ou les E sont les symboles, les X - les nombres ordinaires, reels ou imaginaires. где E суть символы, X - обыкновенные, действительные или мнимые числа. 2. Nous supposons definies sur ces nombres les operations fondamentales, addition et multiplication, 2. Мы предполагаем определенными на этих числах фундаментальные операции, сложение и умножение, X+Y=( X1E1+...+ X2E2)+(Y1E1+...+ Y2E2)=( X1+Y1)E1+...+(X2+Y2)E2,
 XY=( X1E1+...+X2E2)(Y1E1+...+ Y2E2)=??IK1XiJkE1+??IK2XiJkE2 3. De telle facon que la multiplication satisfasse a la loi suivante et de telle facon aussi que less deux operations inverses de la multiplication ou devison soient possibles en general. 3. Таким образом, что (бы)†††† умножение удовлетворяло следующему закону и таким образом также, что (чтобы) 2 обратные операции умножения или деления были возможны вообще говоря. 4. La premiere cosistant a passer du premier facteur et du produit au deuxieme facteur, la seconde cosistant a passer du second facteur et du produit au premier facteur. 4. Первый (ая, ое), состоящее в переходе от первого множителя и от произведения до второго множителя, второй (ая, ое), состоящее в переходе от второго множителя и произведения до первого множителя. 5. Alors il existe un nombre appele module, tel que pour tout nombre X du systeme on ait 5. Тогда существует число, названное модулем, таким, что для (в качестве) всякого числа X системы мы имели Ex=x?=? 6.Si l'on suppose l'existence d'un module, il est inutile de supposer de la possibilite des deux divisions. 6. Если мы предполагаем существование модуля, бесполезн(а,о) предположить возможность двух делений.
  В группе лингвистов понятность этого перевода была оценена как хорошая 62,8% экспертов, как средняя - 25,3% и как плохая - 11,9%. В группе математиков и инженеров соответствующие оценки составили 69,9; 22,1; 8,0%.
  В настоящее время разработан ряд систем, которые практически обслуживают потребителей. К их числу принадлежит СИСТРАН (Канада). Она использовалась, в частности, в полете "Союз" - "Аполлон", в ходе которого функционировал англо-русский и русско-английский машинный перевод (40, с. 214 - 226). Общий объем переведенных текстов составил десятки миллионов слов. Готовый к тиражированию текст производится системой со скоростью свыше 10 тыс. слов в день, т. е. в пять раз быстрее, чем обычные нормы перевода научно-технической литературы.
  С 1979 г. во Всесоюзном центре научно-технической литературы АН СССР создана и работает редакция по практическому машинному переводу. Она выполняет переводы с английского языка на русский текстов по вычислительной технике и программированию, машиностроению и др. С 1981 г. введены в опытную эксплуатацию системы машинного перевода с немецкого и французского языков на русский (41, с. 31). Системы, переводящие тексты с одного естественного языка на другой, представляют собой частный случай лингвистических автоматов. Такой автомат представляет собой ЭВМ вместе с приданным ей математическим обеспечением и периферийными органами.
  В успешном решении задач автоматизации лингвистических процессов существенную роль играет проблема понимания (хотя не все системы машинного перевода базируются на ней). Наличие такого понимания было бы самым радикальным решением вопроса об общении человека и машины. Правда, чем выше уровень входного языка машины (чем он ближе к естественному языку), тем сложнее для нее перевод таких текстов на свой внутренний язык и, следовательно, тем больше времени он занимает. Работа с языками высокого уровня во многом затрудняет (а иногда вообще не позволяет) использование возможностей машины. Тем не менее наделение ЭВМ способностью "понимать" естественный язык остается фундаментальной задачей для решения проблемы общения человека с ЭВМ, особенно важной для обеспечения работы машины в режиме диалога.
  В решении проблемы взаимодействия ЭВМ и человека на естественном языке за последнее десятилетие достигнуты существенные результаты. Правда, в настоящее время (и в обозримом будущем) ЭВМ способна "понимать" лишь ограниченные (как с лексической, так и с грамматической точки зрения) фрагменты естественного языка, его подъязыки. Эти ограничения могут касаться лексики (ограниченный словарь и даже запрещение использовать некоторые части речи), семантики (конечное число или единственное значение слова или словосочетания, обусловленное проблемной областью), синтаксиса (запрет на использование ряда конструкций, например причастных и деепричастных оборотов, предложений, содержащих более одного придаточного и др.). Они могут касаться и прагматики, как это имеет место в системе, разрабатываемой советским исследователем В. С. Файном (29, с. 17). В этом случае предложению приписывается определенная цель (например, постановка задачи или ссылка на библиографию). Множество целей в таких случаях конечно. Эти ограничения важны, но использование и ограниченных естественных языков или их фрагментов является существенным шагом в развитии искусственного интеллекта. Рассмотрим с этой точки зрения систему ДИЛОС (диалоговая информационно-логическая система), созданную и совершенствуемую в ВЦ АН СССР. Задача состояла в том, чтобы наделить ее "пониманием" письменной речи, "знанием" различных закономерностей и фактов исследуемого человеком мира. Посредством анализа и принятия решений она должна давать ответы на запросы человека. ДИЛОС содержит в себе лингвистический процессор, воспринимающий вопросы и сообщения на ограниченном естественном языке (38; 42; 43; 44).
  Лингвистический процессор переводит предложения естественного языка на внутренний моносемантический, четкий язык машины. Перевод базируется на знаниях о языке, которые в форме семантических сетей содержатся в "модели мира", имеющейся в системе. Это значит, что сам естественный язык (его ограниченный фрагмент) является элементом предметной области системы. В процессе совершенствования ДИЛОСа перестраиваются его семантические сети. В частности, в настоящее время они включают в себя фреймы.
  Кроме лингвистического система ДИЛОС имеет информационно-поисковый, вычислительный и логический процессоры. Она пополняет и обобщает свои "модели мира", выдает ответы (как хранящиеся в ее памяти готовыми, так и синтезируемые ею) на вопросы, самостоятельно строит алгоритмы вычислений и действий, используя исходные и текущие данные, требуемые результаты и "модель мира". Таким, образом, реализация в системе ДИЛОС семантической сети позволяет решать ряд интеллектуальных задач, включая взаимодействие с текстами на естественном языке.
  Большой интерес представляет программа взаимодействия человека с ЭВМ на естественном языке, разработанная Т. Виноградом (45). Она непосредственно предназначена для взаимодействия с роботом, выполняющим элементарные операции манипулирования правильными геометрическими телами, но в ней реализован ряд оригинальных идей, касающихся анализа текстов. С гносеологической точки зрения наиболее важной является идея единства синтаксического и семантического анализа. У человека, как было показано выше, интерпретация текста опирается не только на знание синтаксиса языка, но и на его семантику, а также на внелингвистические знания. Семантика в ряде случаев направляет синтаксический анализ, помогая преодолеть грамматическую неоднозначность конструкции. Синтаксис в свою очередь направляет семантический анализ, способствует преодолению семантической неоднозначности. Программа Т. Винограда позволяет чередовать определенным образом вызов процедур синтаксического и семантического анализа, тогда как в большинстве программ, предназначенных для анализа текста, синтаксический и семантический анализ выступает в качестве последовательных, взаимоизолированных этапов, что обусловливает большую трудоемкость работы. Рассмотренная особенность данной программы повышает эффективность ее функционирования.
  В реализации лингвистических аспектов искусственного интеллекта определенную роль играют автоматизированные системы реферирования, аннотирования и вообще создания вторичных массивов информации. В частности, представляет интерес автоматизированная система ТАНД (тезаурусного аннотирования научно-технических документов), разработанная группой под руководством Р. Г. Пиотровского (46; 47; 48; 49). Она предназначена для обработки французских текстов по темам "Опухоли человека" и "Современные методы окраски в машиностроении". В ответ на запрос система дает русские аннотации соответствующих статей, написанных по-французски.
  Система ТАНД осуществляет формальный анализ смысла. Однако текст в ней рассматривается на основе иерархически организованной семантической сети, представляющей определенную область знания. В этой сети базовые понятия - узлы - это терминологические ключевые слова и словосочетания, т. е. наряду со знаками искусственных языков используются лексические единицы естественного языка. Отношения между понятиями в сети соответствуют отношениям в предметной области (в системе ТАНД не используется универсальный список базовых отношений).
  Формальный анализ смысла основывается на соотнесении текста с маркированными заранее элементами иерархической системы. Эта иерархия в определенной мере воспроизводит структуру знания о предметной области. Выявление последней происходит на основе системного анализа соответствующей научной дисциплины. Ключевые слова и словосочетания представляют собой своеобразные ядра, вокруг которых группируются иерархически связанные с ними понятия. Они являются своеобразными коррелятами ядер лабильных образов, понятий, в форме которых знание существует в психике человека. В конце 70-х годов авторы ТАНД начали использовать для анализа текста фреймы-сценарии, что должно повысить эффективность системы. ТАНД способна к обучению.
  Приведенные примеры работы ЭВМ с текстами на ограниченных фрагментах естественного языка, машинного перевода и машинного аннотирования, на наш взгляд, свидетельствуют о том, что утверждения о кризисе машинного перевода и вообще лингвистики, базирующейся на использовании ЭВМ, не обоснованы. Однако существуют и реальные трудности, с которыми столкнулась инженерная лингвистика в конце 60-х - начале 70-х годов. Некоторые из них носят принципиальный характер.
  В сущности, не оправдались надежды, которые ряд кибернетиков возлагали на глобально-дедуктивный подход к проблемам автоматизации переработки текстов. Сторонники этого направления видели свою непосредственную задачу в создании систем переработки произвольных текстов (независимо от проблемной ориентации), записанных на естественном языке, без пред- и постредактирования. Предполагалось, что такая переработка, в частности машинный перевод, возможна на основе только лингвистических знаний. Рассматриваемый подход требует от машины значительно более высокого уровня "языковой компетенции", чем тот, который характерен для нормального человека. Для дешифровки текста он использует не только свою языковую компетенцию, но и внелингвистические знания.
  Глобально-дедуктивный подход стимулировал ряд глубоких исследований в области синтаксиса и семантики, а также попытки формализации естественного языка или его фрагментов. Часть этих исследований нашла применение в неглобальных, прикладных системах. Вместе с тем основная задача, которая ставилась в рамках данного направления, - создание глобальных лингвистических автоматов - оказалась нерешенной и, как стало ясно, не будет решена, по крайней мере, в обозримом будущем.
  Глобально-дедуктивный подход к лингвистическим проблемам - это лишь одно из проявлений стремления к универсализму, свойственному разработчикам искусственного интеллекта в конце 60-х - начале 70-х годов. В. М. Глушков (50) подчеркивал большую сложность автоматизации дедуктивных построений по сравнению с автоматизацией вычислительных задач. Тем не менее, общая теория вычислений создается на базе исследования огромного количества численных методов решения задач, накопленных математикой за тысячелетия своего существования.
  Методы дедуктивных построений не менее сложны и разнообразны, чем решения задач вычислительной математики. Попытки построения единого метода на современном этапе развития кибернетики при отсутствии накопленного в этом направлении опыта утопичны. То же относится и к попыткам глобального решения лингвистических проблем искусственного интеллекта.
  Ныне действующие, в частности, рассмотренные выше, системы автоматизированной переработки текстов не лежат в русле глобального подхода. Отказ от него заключается прежде всего в замене задачи взаимодействия с текстами на естественном языке задачей переработки текстов на ограниченном фрагменте этого языка, в проблемной ориентации перерабатываемых текстов, в курсе на создание не автоматических, а автоматизированных систем, в которых ЭВМ взаимодействует с человеком, особенно в режиме диалога. Разработка проблемы диалога между человеком и ЭВМ - одно из генеральных направлений в решении не только лингвистических, но и многих других задач искусственного интеллекта.
  Значение взаимодействия человека и ЭВМ в режиме диалога в полной мере было осознано к концу 60-х - началу 70-х годов (51). "Гносеологический симбиоз" человека и ЭВМ в сущности начал формироваться со времени появления ЭВМ. Однако длительное время он не имел психологического характера: машина не могла использовать знания человека, которые заранее не заложены в ее память, а человек не мог консультироваться с ЭВМ в реальном режиме времени.
  Диалоговый режим означает взаимодействие между человеком и ЭВМ в самом процессе решения задачи. В развитом виде он предполагает, что, после того как пользователь заложил в ЭВМ цель, человек и компьютер становятся равноправными партнерами в том смысле, что управление решением постоянно переходит от одного к другому; каждый из участников диалога совершенствует свои знания за счет партнера (52). На этом уровне ЭВМ систематически использует свою "модель мира", которая должна отвечать определенным гносеологическим требованиям. В идеале в ней должны содержаться (не обязательно в явном виде) аналоги комплекса познавательных орудий - категорий, логических структур, семиотических систем, свойственных человеческому познанию. Чем ближе этот комплекс к интеллектуальным средствам человека, тем - при прочих равных условиях - большими интеллектуальными возможностями располагает система. Этот идеал, по-видимому, недостижим, поэтому взаимодействие человека с ЭВМ представляет собой не простую кооперацию, а разделение труда, в котором функции обоих партнеров существенно различны. Партнеры превосходят друг друга в решении разных компонентов задач, над которыми они совместно работают.
  Таким образом, можно говорить о двух группах лингвистических проблем, связанных с искусственным интеллектом. Во-первых, о решении собственно лингвистических задач и, во-вторых, так сказать, об уровне лингвистического развития ЭВМ, обусловливающем ее интеллектуальные способности. Они тесно связаны: решение лингвистических задач невозможно без высокоразвитого интеллекта, а высокий уровень интеллекта немыслим без овладения семиотическими системами.
  Важнейшими итогами развития лингвистических способностей систем искусственного интеллекта явились создание семантических языков и повышение сложности входных языков вплоть до ограниченных фрагментов естественного языка. Семантические языки реализуют ряд универсалий естественного языка, отсутствующих в языках программирования. Однако ими не воспроизводятся важные черты других семиотических систем, используемых мышлением. ЭВМ с приданными ей периферийными системами способна воспринимать чувственное изображение и переводить его на язык символов. Она может также переводить аналитические выражения на язык чертежей, графиков и иных наглядных образов и высвечивать изображения на табло. Эта способность ЭВМ используется в процессе общения человека с машиной. Однако сама она в решении задач не использует тех преимуществ, которыми обладает чувственный образ по сравнению с понятием в его словесной оболочке.
  В частности, машина и при использовании семантических сетей не обладает возможностью одновременного видения значительных массивов информации. Локальность обработки информации характеризует все современные дискретные информационные системы независимо от характера их математического обеспечения. Расчленение алгоритма на ветви хотя и позволяет в различных подсистемах обрабатывать информацию одновременно, но не снимает локального характера этой обработки на каждой ветви алгоритма. Это органически связано с дискретностью используемых языков и аппаратуры. Преодоление локального характера обработки информации невозможно с помощью семиотической системы при использовании аппаратуры, работающей на ныне применяемых принципах. Это относится не только к функционированию цифровых машин, но и к аналоговым системам.
  Способность мозга к глобальной обработке информации, возможно, определяется не только функционированием большого числа параллельно действующих дискретных цепей и не самим по себе наличием аналоговых компонентов. Советские (С. Н. Брайнес, 29, с. 27) и зарубежные (К. Прибрам, 53, с. 406 - 409; М. Арбиб, 54, с. 259 - 267) исследователи высказывают мнения о том, что существенную роль в функционировании мозга играет голография. Известно, что изображения, получаемые с помощью голограмм, трехмерны, их можно наблюдать с различных сторон; любая часть голограммы какого-либо предмета позволяет воспроизвести его целиком; чем больше эта часть, тем четче изображение. На одну и ту же голограмму можно записать несколько изображений, а затем воспроизводить их по отдельности. К. Прибрам полагает, что мышление представляет собой воспроизведение некоторой голограммы или, во всяком случае, эквивалентно ему. Однако, какую бы роль ни играли голографические представления в объяснении реального мыслительного процесса у человека, голография (не обязательно оптическая) может использоваться в системе искусственного интеллекта. А это предполагает разработку специфической семиотической системы. Конечно, пока еще нельзя сказать, что именно голография является тем принципом, применение которого позволит вывести системы искусственного интеллекта за пределы локальной переработки информации. Однако поиск методов одновременной и глобальной переработки информации (в том числе функционирующих в мозгу) и их реализация в технических системах - важный путь наделения последних все более высокими интеллектуальными способностями.
  Необходимо отметить также, что линейные семиотические системы, используемые в разработках искусственного интеллекта, располагают не комплексом универсалий естественного языка, необходимым для выполнения ими познавательной функции, а лишь их небольшой частью. Так, ограниченный естественный язык, используемый в качестве входного в системе ДИЛОС, является полисемантическим и в известной мере нечетким. Однако ее лингвистический процессор перерабатывает текст на этом языке в сообщение на моносемантическом и четком внутреннем языке системы. Интеллектуальная система должна уметь использовать знаки, которыми она располагает, для обозначения новых ситуаций, близких к тем, которые обозначались уже задействованными знаками. Это значит, что она должна уметь не только исключать, но и создавать полисемию. Потенциальная полисемия есть, с одной стороны, необходимое условие, а с другой - результат взаимодействия подлинно интеллектуальной системы со сложной средой.
  Вместе с тем решение ограниченных (по предметным областям и прагматике) интеллектуальных задач не требует от используемых семиотических систем воспроизведения всей совокупности универсалий.
  Ограниченность взаимодействия со средой связана не только с лингвистическими аспектами интеллектуальных систем. Наиболее ярко она обнаруживается в функционировании роботов. Даже самые совершенные роботы из-за низкого уровня "интеллекта" на современном этапе способны работать только в крайне примитивной внешней среде. Не менее важно, что сам уровень интеллекта зависит от его способности к физическому взаимодействию с внешним миром.
  Основой познавательного процесса является, как известно, практика. Интегральный робот представляет собой квазисубъект, и его взаимодействие с миром может рассматриваться как квазипрактика, являющаяся базой для решения интеллектуальных задач. Об этом, в частности, свидетельствует важная роль изменения положения робота или его эффекторов в пространстве - "точки зрения" - для распознавания и анализа пространственных сцен. Динамичность робота в сочетании с расширением его рецепторной системы является важным путем повышения уровня его "интеллекта", а значит, и совершенствования интеллектуальных систем вообще. Если иметь в виду специфику задач, стоящих перед роботами, в частности задачи манипулирования различного рода объектами в пространстве, то особенно важно наделение их способностью к одномоментному схватыванию ситуации, а значит, и к оперированию наглядными образами на различных уровнях функционирования. Постановка перед роботами задач освоения непредвиденных и нестандартных ситуаций требует оснащения их языком, которому свойственны потенциальная полисемантичность и нечеткость.
  Трудности, возникшие в развитии лингвистических аспектов искусственного интеллекта в 60-х - начале 70-х годов, породили у ряда авторов глубокий пессимизм в отношении машинного перевода и других проблем инженерной лингвистики. Обобщенное изложение аргументов в пользу такой позиции, по существу отрицающей возможность передачи машинам функций решения интеллектуальных лингвистических задач, дано в работе X. Дрейфуса (9). Он полагает, что ЭВМ ни при каких обстоятельствах не способна адекватно интерпретировать тексты на естественном языке. Это обусловлено тем, что человек при понимании речевых высказываний использует глобальный контекст, "периферийное сознание" или подсознание, нечеткость, интуицию, инсайт, которые, с точки зрения Дрейфуса, в принципе не могут быть воспроизведены в машине.
  Эти элементы психики человек действительно использует при интерпретации текстов. Однако, чтобы утверждать, что искусственный интеллект невозможен, требуется предварительно доказать, что эти элементы, во-первых, обязательны для любой "интеллектуальной" системы независимо от ее структурно-субстратных особенностей и, во-вторых, что они невоспроизводимы в технической системе.
  Первое утверждение не вызывает сомнений. В сущности анализ, проведенный в первых главах, показал, что аналоги указанных элементов психической деятельности необходимы для решения сложных задач отражения реальности независимо от того, решаются они системой, обладающей или не обладающей психикой. Второе утверждение, на наш взгляд, не может быть признано обоснованным данными современной науки. Понимание текста человеком опирается не только на его знание языка, но и на внелингвистические знания. Заключение Дрейфуса о невозможности создания систем искусственного интеллекта, использующих контекст, базируется на анализе программ, осуществляющих только синтаксический разбор текста. Программу Р. Квиллиана, который одним из первых разработал семантические сети, Дрейфус рассматривает как весьма частную, неспособную к дальнейшему совершенствованию.
  Развитие систем искусственного интеллекта в 70-х годах, как мы видели, заключалось в первую очередь в разработке и совершенствовании систем представления знаний, в частности семантических сетей, которые позволяют перейти от знаков через их значение к совокупному знанию, содержащемуся в системе. Уже в рассмотренной нами программе Т. Винограда грамматическая интерпретация текста, в том числе и снятие грамматической неоднозначности (как и лексической), производится на основе использования знания, заключенного в тексте. А это значит, что техническая система способна для интерпретации текста использовать внелингвистический контекст. Развитие семантических сетей, систем фреймов и других способов представления знаний в перспективе содержит еще большие возможности в этом плане.
  В известной мере то же можно сказать и относительно "периферийного сознания". Конечно, чтобы подсознательные процессы представить в памяти ЭВМ, их необходимо осознать и формализовать. Из этого, однако, не следует, что в технической системе принципиально невозможно воспроизвести отношение между различными массивами памяти, аналогичное в определенном смысле отношению между сознаваемым и несознаваемым (центром и периферией, по Дрейфусу) в психике человека. Так, не исключено, что, в то время как активной логической переработке подвергается некоторый локальный участок семантической сети, ассоциативные связи с другими участками сети не разрушаются, а, наоборот, активизируются. Их содержание в этом случае образует периферию, своеобразный фон, оказывающий воздействие на логическую переработку информации в "центре" функционирующего интеллекта.
  Конечно, тип связей в подсознании человека и в семантических сетях принципиально различный, и поэтому поиск в семантической сети никогда не может быть суммой результатов (в частности, анализа речевого текста), которую дает взаимодействие между центром и периферией сознания. Важнейшими характеристиками периферии являются нечеткость, интуиция и глобальность. Однако не доказано, что этими чертами не могут быть наделены и искусственные системы. Нечеткие понятия, нечеткая логика, нечеткие алгоритмы уже ныне успешно проникают в различные сферы применения искусственного интеллекта.
  В современных системах не имеется аналогов инсайта (озарения). А он, как известно, играет определенную роль и в некоторых процессах понимания текста. Однако нет оснований полагать, что такой эффект в принципе не воспроизводим техническими системами. С гносеологической точки зрения инсайт представляет собой разовый скачок от незнания к знанию, от условий задачи к ее решению. В процессе развития кибернетики был предложен ряд схем реализации такого скачка. Так, в некоторых исследованиях (55) решение задачи представляется как процесс возникновения цепи из известных понятий, связанных причинно-следственными отношениями, которая начинается условием и кончается решением. Образование такой цепи наступает при возбуждении всех ее звеньев, т. е. связанных понятий. Логический анализ, подчиненный целенаправленному поиску решения, может не нащупать то или иное звено в этой цепи, даже если он с точки зрения условий и решения идет в верных направлениях. Но процесс поиска включает в себя случайные (вероятностные) и ассоциативные компоненты, могущие активизировать невозбужденные звенья искомой цепи. Тогда цепь замыкается, возникает готовая информационная структура, являющаяся решением, т. е. имеет место внезапный скачок - инсайт. Эта схема, разумеется, не может претендовать на действительное описание реального процесса инсайта, происходящего в психике человека. Однако технические средства могут реализовать очерченный набросок схемы и таким образом приблизиться к выполнению функций инсайта.
  Преодоление ограниченности локальной переработки информации, создание методов ее глобального охвата не могут быть осуществлены лишь методами совершенствования семиотических систем. Здесь определенную роль, как отмечено выше, может сыграть голография, что, по-видимому, является задачей довольно отдаленного будущего.
  В связи с потенциальным приближением языков, используемых в системах искусственного интеллекта, к естественному языку возникает вопрос: нельзя ли рассматривать функционирование лингвистических процессоров в качестве моделей речевой деятельности человека? В сущности, этот вопрос является одной из конкретизации проблемы соотношения систем искусственного интеллекта с моделированием мышления. Речь идет о том, могут ли программы ЭВМ, выполняющие интеллектуальные (в частности, речевые) функции человека, рассматриваться как модели последних. Мы видели, что искусственный интеллект является средством познания сложных и сверхсложных систем. Такими системами являются, в частности, мозг, психика, мышление.
  Эвристические программы типа "общего решателя задач" рассматривались их создателями в качестве полноценных моделей мыслительного процесса. Мы видели, однако, что они даже с позиций проблемы искусственного интеллекта весьма далеки от выполнения наиболее важных функций мышления. Вместе с тем реальное продвижение в решении задач искусственного интеллекта невозможно без наделения его важнейшими гносеологическими характеристиками мышления. Не следует ли отсюда, что системы искусственного интеллекта автоматически становятся моделями мышления? Ответ на этот вопрос должен опираться на общегносеологические критерии, по которым определяется адекватность мысленного образа объекту. Ведущую роль здесь играет оценка модели под углом зрения восхождения от абстрактного к конкретному. Важность такого подхода неоднократно отмечалась в марксистской литературе (11; с. 35 - 39, с. 45 - 47; 56; 57). Реальное развитие кибернетического моделирования в ряде исследований учитывает этот принцип. Однако он все еще недостаточно используется для оценки моделей, хотя в последнее время на него обращено внимание и с этой точки зрения (58; 59; 60). Мыслительная деятельность есть деятельность личности. Отсюда следует, что на процесс мышления влияют потребности, мотивы, воля, нравственная ориентация, в которой воплощены система ценностей и мировоззрение личности. Однако научная теория не может отобразить сразу всю совокупность внутренних и внешних связей мыслительного процесса.
  Современные кибернетические модели мышления, даже если считать, что в них воплощены раскрытые гносеологией средства познания (к чему искусственный интеллект в действительности лишь начал приближаться), абстрагируются от эмоционально-волевой сферы и, следовательно, не дают и не могут дать полной картины мыслительного процесса. Они весьма абстрактны. При оперировании такими абстракциями, как отмечал В. И. Ленин, для истины нужны еще другие стороны действительности (61, т. 29, с. 178). Однако "мышление, восходя от конкретного к абстрактному, не отходит - если оно правильное... от истины, а подходит к ней... Все научные (правильные, серьезные, не вздорные) абстракции отражают природу глубже, вернее, полнее" (61, т. 29, с. 152). Абстракции, учитываемые в современных кибернетических моделях мышления, - символ, переработка информации, семантическая сеть и т. п. - это правильные, а не вздорные абстракции. Можно ли созданные на их основе программы считать моделями мыслительного процесса? На этот вопрос отвечают по-разному, начиная с полного отождествления процессов, происходящих в машине, с мышлением до полного отрицания какого бы то ни было сходства между ними. В основе последнего ответа лежит безусловная односторонность программ ЭВМ.
  Мышление - это один из видов деятельности личности. В моделях мышления, созданных в кибернетике, последнее почти полностью отделено от личности как целого. Поэтому они не могут рассматриваться в качестве психологического понимания мышления. Однако та же претензия (хотя и в меньшей степени) может быть предъявлена и к традиционным психологическим теориям мышления. Как отмечает Е. В. Шорохова, задача ввести личностный аспект (действия, мотивы, способности) в исследования мышления хотя и была отчетливо сформулирована С. Л. Рубинштейном, но не решена до сих пор (62). Более того, современные кибернетические модели мышления, как правило, не учитывают даже множества взаимодействий внутри познавательной сферы и даже в самом процессе абстрактного мышления. Эти факты свидетельствуют не о том, что более или менее полноценная модель мышления невозможна, а о том, что кибернетическому моделированию предстоит длительный путь восхождения от абстрактного к конкретному, чтобы, используя искусственный интеллект, внести весомый вклад в создание психологической теории интеллектуальной деятельности личности.
 
 
 ЗАКЛЮЧЕНИЕ
 
  Гносеологический анализ проблемы искусственного интеллекта вскрывает роль таких познавательных орудий, как категории, специфическая семиотическая система, логические структуры, ранее накопленное знание. Они обнаруживаются не посредством исследования физиологических или психологических механизмов познавательного процесса, а выявляются в знании, в его языковом выражении. Орудия познания, формирующиеся в конечном счете на основе практической деятельности, необходимы для любой системы, выполняющей функции абстрактного мышления, независимо от ее конкретного материального субстрата и структуры. Поэтому, чтобы создать систему, выполняющую функции абстрактного мышления, т. е. в конечном счете формирующую адекватные схемы внешних действий в существенно меняющихся средах, необходимо наделить такую систему этими орудиями.
  Развитие систем искусственного интеллекта за последние десятилетия идет по этому пути. Однако степень продвижения в данном направлении в отношении каждого из указанных познавательных орудий неодинакова и в целом пока незначительна.
  1. В наибольшей мере системы искусственного интеллекта используют формально-логические структуры, что обусловлено их неспецифичностью для мышления и в сущности алгоритмическим характером. Это даст возможность относительно легкой их технической реализации. Однако даже здесь кибернетике предстоит пройти большой путь. В системах искусственного интеллекта еще слабо используются модальная, императивная, вопросная и иные логики, которые функционируют в человеческом интеллекте и не менее необходимы для успешных познавательных процессов, чем давно освоенные логикой, а затем и кибернетикой формы вывода. Повышение "интеллектуального" уровня технических систем, безусловно, связано не только с расширением применяемых логических средств, но и с более интенсивным их использованием (для проверки информации на непротиворечивость, конструирования планов вычислений и т. д.).
  2. Намного сложнее обстоит дело с семиотическими системами, без которых интеллект невозможен. Языки, используемые в ЭВМ, еще далеки от семиотических структур, которыми оперирует мышление.
  Прежде всего, для решения ряда задач необходимо последовательное приближение семиотических систем, которыми наделяется ЭВМ, к естественному языку, точнее, к использованию его ограниченных фрагментов. В этом плане предпринимаются попытки наделить входные языки ЭВМ универсалиями языка, например полисемией (которая элиминируется при обработке в лингвистическом процессоре). Разработаны проблемно-ориентированные фрагменты естественных языков, достаточные для решения системой ряда практических задач. Наиболее важным итогом этой работы является создание семантических языков (и их формализация), в которых слова-символы имеют интерпретацию.
  Однако многие универсалии естественных языков, необходимые для выполнения ими познавательных функций, в языках искусственного интеллекта пока реализованы слабо (например, открытость) или используются ограниченно (например, полисемия). Все большее воплощение в семиотических системах универсалий естественного языка, обусловленных его познавательной функцией, выступает одной из важнейших линий совершенствования систем искусственного интеллекта, особенно тех, в которых проблемная область заранее жестко не определена.
  Современные системы искусственного интеллекта способны осуществлять перевод с одномерных языков на многомерные. В частности, они могут строить диаграммы, схемы, чертежи, графы, высвечивать на экранах кривые и т. д. ЭВМ производят и обратный перевод (описывают графики и тому подобное с помощью символов). Такого рода перевод является существенным элементом интеллектуальной деятельности. Но современные системы искусственного интеллекта пока не способны к непосредственному (без перевода на символический язык) использованию изображений или воспринимаемых сцен для "интеллектуальных" действий. Поиск путей глобального (а не локального) оперирования информацией составляет одну из важнейших перспективных задач теории искусственного интеллекта.
  3. Воплощение в информационные массивы и программы систем искусственного интеллекта аналогов категорий находится пока в начальной стадии. Аналоги некоторых категорий (например, "целое", "часть", "общее", "единичное") используются в ряде систем представления знаний, в частности в качестве "базовых
 отношений", в той мере, в какой это необходимо для тех или иных конкретных предметных или проблемных областей, с которыми взаимодействуют системы.
  В формализованном понятийном аппарате некоторых систем представления знаний предприняты отдельные (теоретически существенные и практически важные) попытки выражения некоторых моментов содержания и других категорий (например, "причина", "следствие"). Однако ряд категорий (например, "сущность", "явление") в языках систем представления знаний отсутствует. Проблема в целом разработчиками систем искусственного интеллекта в полной мере еще не осмыслена, и предстоит большая работа философов, логиков и кибернетиков по внедрению аналогов категорий в системы представления знаний и другие компоненты интеллектуальных систем. Это одно из перспективных направлений в развитии теории и практики кибернетики.
  4. Современные системы искусственного интеллекта почти не имитируют сложную иерархическую структуру образа, что не позволяет им перестраивать проблемные
 ситуации, комбинировать локальные части сетей знаний в блоки, перестраивать эти блоки и т. д.
  Не является совершенным и взаимодействие вновь поступающей информации с совокупным знанием, фиксированным в системах. В семантических сетях и фреймах пока недостаточно используются методы, благодаря которым интеллект человека легко пополняется новой информацией, находит нужные данные, перестраивает свою систему знаний и т. д.
  5. Еще в меньшей мере современные системы искусственного интеллекта способны активно воздействовать на внешнюю среду, без чего не может осуществляться самообучение и вообще совершенствование "интеллектуальной" деятельности.
  Таким образом, хотя определенные шаги к воплощению гносеологических характеристик мышления в современных системах искусственного интеллекта сделаны, но в целом эти системы еще далеко не владеют комплексом гносеологических орудий, которыми располагает человек и которые необходимы для выполнения совокупности функций абстрактного мышления. Чем больше характеристики систем искусственного интеллекта будут приближены к гносеологическим характеристикам мышления человека, тем ближе будет их "интеллект" к интеллекту человека, точнее, тем выше будет их способность к комбинированию знаковых конструкций, воспринимаемых и интерпретируемых человеком в качестве решения задач и вообще воплощения мыслей.
  В связи с этим возникает сложный вопрос. При анализе познавательного процесса гносеология абстрагируется от психофизиологических механизмов, посредством которых реализуется этот процесс. Но из этого не следует, что для построения систем искусственного интеллекта эти механизмы не имеют значения. Вообще говоря, не исключено, что механизмы, необходимые для воплощения неотъемлемых характеристик интеллектуальной системы, не могут быть реализованы в цифровых машинах или даже в любой технической системе, включающей в себя только компоненты неорганической природы. Иначе говоря, в принципе не исключено, что хотя мы можем познать все гносеологические закономерности, обеспечивающие выполнение человеком его познавательной функции, но их совокупность реализуема лишь в системе, субстратно тождественной человеку (1).
  Такой взгляд обосновывается X. Дрейфусом. "Телесная организация человека, - пишет он, - позволяет ему выполнять... функции, для которых нет машинных программ - таковые не только еще не созданы, но даже не существуют в проекте... Эти функции включаются в общую способность человека к приобретению телесных умений и навыков. Благодаря этой фундаментальной способности наделенный телом субъект может существовать в окружающем его мире, не пытаясь решить невыполнимую задачу формализации всего и вся" (2, с. 220).
  Как отмечает Б. В. Бирюков (3), подчеркивание значения "телесной организации" для понимания особенностей психических процессов, в частности возможности восприятия, заслуживает внимания. Качественные различия в способности конкретных систем отражать мир тесно связаны с их структурой, которая хотя и обладает относительной самостоятельностью, но не может преодолеть некоторых рамок, заданных субстратом. В процессе биологической эволюции совершенствование свойства отражения происходило на основе усложнения нервной системы, т. е. субстрата отражения. Не исключается также, что различие субстратов ЭВМ и человека может обусловить фундаментальные различия в их способности к отражению, что ряд функций человеческого интеллекта в принципе недоступен таким машинам. Эта проблема находится за пределами гносеологии, а потому осталась вне нашего детального рассмотрения.
  Иногда в философской литературе утверждается, что допущение возможности выполнения технической системой интеллектуальных функций человека означает сведение высшего (биологического и социального) к низшему (к системам из неорганических компонентов) и, следовательно, противоречит материалистической диалектике, Однако в этом рассуждении не учитывается, что пути усложнения материи однозначно не предначертаны и не исключено, что общество имеет возможность создать из неорганических компонентов (абстрактно говоря, минуя химическую форму движения) системы не менее сложные и не менее способные к отражению, чем биологические. Созданные таким образом системы являлись бы компонентами общества, социальной формой движения. Следовательно, вопрос о возможности передачи интеллектуальных функций техническим системам, и в частности о возможности наделения их рассмотренными в работе гносеологическими орудиями, не может быть решен только исходя из философских соображений. Он должен быть подвергнут анализу на базе конкретных научных исследований. X. Дрейфус подчеркивает, что ЭВМ оперирует информацией, которая не имеет значения, смысла. Поэтому для ЭВМ необходим перебор огромного числа вариантов. Телесная организация человека, его организма позволяет отличать значимое от незначимого для жизнедеятельности и вести поиск только в сфере первого. Для "нетелесной" ЭВМ, утверждает Дрейфус, это недоступно. Конечно, конкретный тип организации тела позволяет человеку ограничивать пространство возможного поиска. Это происходит уже на уровне анализаторной системы. Совсем иначе обстоит дело в ЭВМ. Когда в кибернетике ставится общая задача, например распознания образов, то эта задача переводится с чувственно-наглядного уровня на абстрактный. Тем самым снимаются ограничения, не осознаваемые человеком, но содержащиеся в его "теле", в структуре органов чувств и организма в целом. Они игнорируются ЭВМ. Поэтому пространство поиска резко увеличивается. Это значит, что к "интеллекту" ЭВМ предъявляются более высокие требования (поиска в более обширном пространстве), чем к интеллекту человека, к которому приток информации ограничен физиологической структурой его тела.
  Системы, обладающие психикой, отличаются от ЭВМ прежде всего тем, что им присущи биологические потребности, обусловленные их материальным, биохимическим субстратом. Отражение внешнего мира происходит сквозь призму этих потребностей, в чем выражается активность психической системы. ЭВМ не имеет потребностей, органически связанных с ее субстратом, для нее как таковой информация незначима, безразлична. Значимость, генетически заданная человеку, имеет два типа последствий. Первый - круг поиска сокращается, и тем самым облегчается решение задачи. Второй - нестираемые из памяти фундаментальные потребности организма обусловливают односторонность психической системы. Дрейфус пишет в связи с этим: "Если бы у нас на Земле очутился марсианин, ему, наверное, пришлось бы действовать в абсолютно незнакомой обстановке; задача сортировки релевантного и нерелевантного, существенного и несущественного, которая бы перед ним возникла, оказалась бы для него столь же неразрешимой, как и для цифровой машины, если, конечно, он не сумеет принять в расчет никаких человеческих устремлений" (2, с. 233). С этим нельзя согласиться. Если "марсианин" имеет иную биологию, чем человек, то он имеет и иной фундаментальный слой неотъемлемых потребностей, и принять ему "человеческие устремления" значительно труднее, чем ЭВМ, которая может быть запрограммирована на любую цель. Животное в принципе не может быть по отношению к этому фундаментальному слою перепрограммировано, хотя для некоторых целей оно может быть запрограммировано вновь посредством дрессировки. В этом (но только в этом) смысле потенциальные интеллектуальные возможности машины шире таких возможностей животных. У человека над фундаментальным слоем биологических потребностей надстраиваются социальные потребности, и информация для него не только биологически, но и социально значима. Человек универсален и с точки зрения потребностей, и с точки зрения возможностей их удовлетворения. Однако эта универсальность присуща ему как социальному существу, производящему средства целесообразной деятельности, в том числе и системы искусственного интеллекта.
  Таким образом, телесная организация не только дает дополнительные возможности, но и создает дополнительные трудности. Поэтому интеллекту человека важно иметь на вооружении системы, свободные от его собственных телесных и иных потребностей, пристрастий. Конечно, от таких систем неразумно требовать, чтобы они самостоятельно распознавали образы, классифицировали их по признакам, по которым это делает человек. Им цели необходимо задавать в явной форме.
  Вместе с тем следует отметить, что технические системы могут иметь аналог телесной организации. Развитая кибернетическая система обладает рецепторными и эффекторными придатками. Начало развитию таких систем положили интегральные промышленные роботы, в которых ЭВМ в основном выполняет функцию памяти. В роботах третьего поколения ЭВМ выполняет и интеллектуальные функции. Их взаимодействие с миром призвано совершенствовать их "интеллект". Такого рода роботы имеют "телесную организацию", конструкция их рецепторов и эффекторов содержит определенные ограничения, сокращающие пространство, в котором, абстрактно говоря, могла бы совершать поиск цифровая машина.
  Тем не менее, совершенствование систем искусственного интеллекта на базе цифровых машин может иметь границы, из-за которых переход к решению интеллектуальных задач более высокого порядка, требующих учета глобального характера переработки информации и ряда других гносеологических характеристик мышления, невозможен на дискретных машинах при сколь угодно совершенной программе. Это значит, что техническая (а не только биологическая) эволюция отражающих систем оказывается связанной с изменением материального субстрата и конструкции этих систем. Такая эволюция, т. е. аппаратурное усовершенствование систем искусственного интеллекта, например, через более интенсивное использование аналоговых компонентов, гибридных систем, голографии и ряда других идей, будет иметь место. При этом не исключается использование физических процессов, протекающих в мозгу, и таких, которые психика в качестве своих механизмов не использует. Наряду с этим еще далеко не исчерпаны возможности совершенствования систем искусственного интеллекта путем использования в функционировании цифровых машин гносеологических характеристик мышления, о которых речь шла выше.
  Развитие информационной техники позволило компенсировать человеку психофизиологическую ограниченность своего организма в ряде направлений. "Внешняя нервная система", создаваемая и расширяемая человеком, уже дала ему возможность вырабатывать теории, открывать количественные закономерности, раздвигать пределы познания сложных систем. Искусственный интеллект и его совершенствование превращают границы сложности, доступные человеку, в систематически раздвигаемые. Это особенно важно в современную эпоху, когда общество не может успешно развиваться без рационального управления сложными и сверхсложными системами. Разработка проблем искусственного интеллекта является существенным вкладом в осознание человеком закономерностей внешнего и внутреннего мира, в их использование в интересах общества и тем самым в развитие свободы человека.
 
 
 ЦИТИРУЕМАЯ ЛИТЕРАТУРА
 ВВЕДЕНИЕ
  1 Маккарти Дж., Хейес Р. Дж. Некоторые философские проблемы в задаче построения искусственного интеллекта. - Кибернетические проблемы бионики. М., 1972.
  2 Клаус Г. Кибернетика и философия. М., 1963.
  3 Klaus б. Kybernetik und Erkentnistheorie. Berlin, 1966.
  4 Маркс К., Энгельс Ф. Соч.
  5 Нильсон Н. Искусственный интеллект. М., 1973.
  6 Бенерджи Р. Теория решения задач. М., 1972.
  7 Поспелов Г. С. Возникновение и развитие методов искусственного интеллекта. - Вопросы кибернетики, вып. 61. М., 1980.
  8 Кузин Л. Т. Основы кибернетики, т. 2. М., 1979.
  ГЛАВА I
  1 Ильенков Э.В. Диалектическая логика. М., 1974.
  2 Рубинштейн С. JI. О мышлении и путях его исследования. М., 1958.
  3 Кант И. Соч. в 6-ти томах, т. 3. М., 1964.
  4 Маркс К.,Энгельс Ф. Соч.
  5 Крушипский Л. В. Биологические основы рассудочной деятельности. М., 1977.
  6 Арнхейм Р. Визуальное мышление. - Зрительные образы: феноменология и эксперимент, ч. 1. Душанбе, 1971.
  7 Арнхейм Р. Искусство и визуальное восприятие. М., 1974.
  8 Грегори Р. Разумный глаз. М., 1972.
  9 Зинченко В. П. Продуктивное восприятие. - Вопросы психологии, 197l, № 6.
  10Ленин В. И. Поли. собр. соч.
  11 Веккер Л. М, Психологические процессы, т. 1. Л., 1974; т. 2.
 Л., 1976.
  12 Украинцев Б. С. О возможностях кибернетики в свете свойства отображения материи. - Философские вопросы кибернетики. М., 1961.
  13 Украинцев Б. С. Отображение в неживой природе. М., 1969.
  14 Орлов В. В. Особенности чувственного познания. Пермь, 1962.
  15 Дубровский Д. И. Психические явления и мозг. М., 1971.
  16 Пономарев Я. А. Психология творческого мышления. М., 1960.
  17 Пономарев Я. А. Психология творчества. М., 1976.
  18 Шалютин С. М. Об отражении как общем свойстве материи. - Теория познания и современная наука. М., 1967.
  19 Тюхтин В. С. О природе образа. М., 1963.
  20Нарский И. С. Актуальные проблемы марксистско-ленинской теории познания. М., 1966.
  21 Веккер Л. М. Восприятие и основы его моделирования. Л., 1964.
  22 Орлов В. В. Материя, развитие, человек. Пермь, 1974.
  23 Брушлинский А. В. Психология мышления и кибернетика.М., 1970.
  24 Рубинштейн С. Л. Бытие и сознание. М., 1957.
  25 Бессознательное, т. III. Тбилиси, 1978.
  26 Гегель Г. Наука логики в 3-х томах, т. 1. М., 1970.
  27 Гегель Г. Работы разных лет в 2-х томах, т. 2. М., 1973.
  28 Корнфорт М. Марксизм и лингвистическая философия. М., 1968.
 ГЛАВА II
  1 Ветров А. Л. Методологические проблемы современной лингвистики. М., 1973.
  2 Коршунов А. М., Мантанов В. В. Теория отражения и эвристическая роль знаков. М., 1974.
 3 Потебня А. А. Из записок по русской грамматике. М., 1958.
  4 Чернышевский И. Г, Поли. собр. соч. в 15-ти томах, т. 10. М" 1951.
 5 Ленин В. И. Поли. собр. соч.
  6 Солнцев В. М. Язык как системно-структурное образование. М., 1971.
 7 Мельвиль Ю. К. Чарлз Пирс и прагматизм. М., 1968.
 8 ГоббсТ. Избр. произв. в 2-х томах, т. 1. М., 1964.
  9 Albrecht E. Aktuele Fragen in den Wechselbeziehungen von Sprache und Denken. - Deutsche Zeitschrift fur Philosophie, 1981, N 11.
 10 Маркс K., Энгельс Ф. Соч.
 11 Потебня А. А. Мысль и язык. Харьков, 1913.
  12 Тюхтин В. С. Теория отражения в свете современной науки. М., 1971.
  13 Коршунов А. М. Теория отражения и активность субъекта. М., 1978.
 14 Ойзерман Т. И. Главные философские направления. М., 1971.
  15 Шалютин С. М. О языке чувственного познания. - Ленинская теория отражения. Отражение и язык. Свердловск, 1980.
 16 Фриш К. Пчелы, их зрение, обоняние, вкус и язык. М., 1955.
  17 Жинкин П. И. О кодовых переходах во внутренней речи. - Вопросы языкознания, 1964, № 6.
 18 Налимов В. В. Вероятностная модель языка. М., 1979.
  19 Петров С. Познание и моделирование. - Ленинская теория отражения и современность. София, 1969.
  20 Панфилов В. 3. Философские проблемы языкознания. М.,1977.
  21 Ульманн С. Семантические универсалии. - Новое в лингвистике, вып. V. М., 1970.
  22 Хованов Г. М. Темпы развития цивилизаций и их прогнозирование. - Внеземные цивилизации. М., 1969.
 23 Хомский Н. Аспекты теории синтаксиса. М., 1972.
  24 Хамский Н. Синтаксические структуры. - Новое в лингвистике, вып. II. М., 1962.
 25 Слобин Д., Грин Дж. Психолингвистика. М., 1976.
  26 Мартынов В. В. Универсальный семантический код науки и дедуктивная семиотика. - Вычислительная лингвистика. М., 1976.
  27 Жолковский А. К. Лексика целесообразной деятельности. - Машинный перевод и прикладная лингвистика, вып. 8. М., 1964.
 28 Выготский Л. С, Избр. психолог, исследования. М., 1956.
 29 Бессознательное, т. III. Тбилиси, 1978.
  30 Безруков В. И. Слово и его отношение к первой сигнальной системе. - Ученые записки кафедры русского языка, вып. 1, Тюмень, 1960.
  31 Дубровский Д. И. Существует ли внесловесная мысль? - Вопросы философии, 1977, № 9.
  32 Общее языкознание (формы существования, функции, история языка). М., 1970.
 33 Веккер Л. М. Психические процессы, т. 2.
 34 Шалютин С. М. Язык и мышление. М., 1980.
  35 Жинкин Н. И. Исследование внутренней речи по методике центральных речевых помех. - Известия АПН РСФСР, вып. 113. М., 1960.
 36 Эйнштейн А. Физика и реальность. М., 1965.
 37 Прибрам К. Языки мозга. М., 1975.
 38 Бенвенист Э. Общая лингвистика. М., 1974.
 33 Маркс К. Математические рукописи. М., 1968.
 40 Гуссерль Э. Логические исследования, т. 1. СПб., 1909.
  41 Бирюков Б. В. Крушение метафизической концепции универсальности предметной области в логике. М., 1963.
  42 Таванец П. В. Формальная логика и философия. - Философские вопросы современной формальной логики. М., 1962.
  43 Шалютин С. М. О кибернетике и сфере ее применения. - Философские вопросы кибернетики. М., 1971.
  44 Protocoll der philosophischen konferenz uber Fragen der Logik. Berlin, 1953.
  45 Бачманов В. С. Методологические вопросы формальной логики. Л., 1969.
  46 Поварнин С.И. Диалектика и формальная логика. - Вопросы диалектики и логики, вып. 2. Л., 1971.
  47 Кедров Б. М. Единство диалектики, логики и теории познания. М., 1963.
 43 Лекторский В. А. Субъект. Объект. Познание. М., 1980.
 49 Яновская С. А. Методологические проблемы науки. М., 1972.
  50 Новоселов М. Тождество. - Философская энциклопедия, т. 5. М., 1970.
  51 Шалютин С. М. Творчество и логика. - Философия и естествознание. М., 1974.
  52 Шалютин С. М. Наука и интуиция в деятельности руководителя коллектива. - Социально-психологические проблемы повышения эффективности деятельности производственных коллективов. Курган, 1977.
 53 Розенблат Ф. Принципы нейродинамики. М., 1965.
 54 Минский М., Пейперт С. Персептроны. М., 1971.
 ГЛАВА III
  1 Кузичева 3. А. Логическая программа Лейбница и ее роль в истории логики и кибернетики. - Вопросы кибернетики, вып. 78. М., 1982.
 2 Бирюков Б. В. Кибернетика и методология науки. М., 1974.
 3 Клаус Г. Кибернетика и философия.
  4 Метлов В. И. .Диалектика формального и содержательного в процессе познания. - Логико-методологические исследования. М., 1980.
  5 Управление, информация, интеллект. М, 1976.
  6 Шалютин С. М. Алгоритмы и возможности кибернетики. - Вопросы философии, 1962, № 6.
  7 Шалютин С. М. Содержательные и формальные аспекты познавательного процесса. - Диалектика познания и современная наука. М., 1973.
 8 Философская энциклопедия, т. 4. М., 1967.
 9 Новиков П. С. Элементы математической логики. М., 1959.
  10 Шалютин С. М. Высшие и низшие формы движения. М.,1967.
  11 Глушков В. М. Мышление и кибернетика. - Вопросы философии, 1963, № 1.
 12 Г л ушков В. М. Мышление и кибернетика. М., 1966.
  13 Колмогоров А. Н. Три подхода к определению понятия "количество информации". - Проблемы передачи информации, 1965,т. 1, вып. 1.
  14 Колмогоров А. Н. К логическим основам теории информации и теории вероятностей. - Проблемы передачи информации, 1969, т. V, вып. 3.
  15 Барздинь Я. М. 0 частотном решении проблемы вхождения в рекурсивно перечислимое множество. - Труды ордена Ленина Математического института имени В. Л. Стеклова, т. 133. М., 1973.
  16 Ершов Ю. Л. и др. Элементарные теории. - Успехи математических наук, 1965, т. XX, вып. 4 (124).
  17 Леу К. де и др. Вычислимость на вероятностных машинах. - Автоматы. М., 1956.
  18 Барздинь Я. М. О вычислимости на вероятностных машинах. - Доклады АН СССР, 1969, т. 189, № 4.
  19 Заде Л. А. Тени нечетких множеств. - Проблемы передачи информации, 1966, т. II, вып. 1.
  20 Заде Л. А. Основы нового подхода к анализу сложных систем и процессов принятия решений. - Математика сегодня. М.,1974.
  21 Бирюков Б. В. Алгоритмический подход в науке и концепция расплывчатых алгоритмов. - Кибернетика и современное научное познание. М., 1976.
 ГЛАВА IV
 1 Маркс К., Энгельс Ф. Соч.
 2 Ленин В. И. Полн. собр. соч.
  3 Берг А. И. Проблемы управления и кибернетика. - Философские вопросы кибернетики.
 4 Фейербах Л. Избр. филос. произв., т. II. М" 1955.
 ГЛАВА V
 1 Вычислительные машины и мышление. М., 1967.
  2 Трахтенброт Б. А. Алгоритмы и вычислительные автоматы.М., 1974.
  3 Гурова Л. Л. Психологический анализ решения задач. Воронеж, 1976.
 4 Пойа Д. Математическое открытие. М., 1970.
 5 Кузин Л. Т. Основы кибернетики, т. 2.
 6Армер П. О возможностях кибернетических систем. - Таубе М. Вычислительные машины и здравый смысл. М., 1964.
 7Тьюринг А. Может ли машина мыслить? М., 1960.
  8Глушков В. М. Кибернетика и искусственный интеллект. - Кибернетика и диалектика. М., 1978.
  9Вейценбаум Дж. Возможности вычислительных машин и человеческий разум. М., 1982.
  10 Маккаллок У. С., Питтс У. Логическое исчисление идей, относящихся к нервной активности. - Автоматы.
  11 Нейман Дж. фон. Общая и логическая теория автоматов. - Тьюринг А. Может ли машина мыслить?
  12 Нейман Дж. фон. Теория самовоспроизводящихся автоматов. М.. 1971.
  13 Сатерленд Н. С. Человекоподобные машины. - Человеческие способности машин. М., 1971.
 14 Гутчин И. Б. Формальные нейроны в бионике. М., 1967.
 15 Философия естествознания, вып. 1. М., 1966.
 16 Баженов Л. В., Гутчин И. Б. Интеллект и машина. М., 1973.
  17 Баженов Л. Б., Гутчин И. Б. Кибернетика и мышление: дискуссии и проблемы. - Управление, информация, интеллект.
 18 Хант Э. Искусственный интеллект. М., 1978.
  10 Глушков В. М. Мышление и кибернетика. - Вопросы философии, 1963, № 1.
 ГЛАВА VI
 1 Вычислительные машины и мышление.
  2 Трахтенброт Б. А. Сложность алгоритмов и вычислений. Новосибирск, 1967.
 3 Пойа Д. Как решать задачу. М., 1959.

<< Пред.           стр. 3 (из 4)           След. >>

Список литературы по разделу