Читайте также:
|
В функциональном подходе к проектированию АГИ (Автономного Генерализованного Интеллекта) мы в первую очередь определяем как, по нашему мнению, работает разум, а затем пытаемся научить нашу программу делать то же самое. Этот подход принят в ИМИТАЦИОННОЙ МОДЕЛИ.
Исходная модель интеллекта в моей интерпретации такова: если вы создадите некую систему с такими функциями как 1.восприятие, 2.база знаний, 3.обучение и 4.понимание, то вы получите интеллект. Теперь если вы зададите этой системе цель и мотивацию для стремления к этой цели путём выбора поведения, то вы приобретёте интеллектуального агента. И если вы предоставите в распоряжение этого агента некий метод модификации алгоритма своего собственного мышления, и результаты работы данного метода приведут к увеличению эффективности в достижении цели, то вы получите СемяИИ (Seed AI). Поведенческий цикл с обратной связью, получающий из окружающей среды отклик, воспринимаемый системой, информирует систему об эффективности поведения.
· ВОСПРИЯТИЕ
Модуль сенсорной модальности выполняет функцию восприятия. Тип восприятия в модели не уточняется. Это может быть зрение, слух, обоняние или несколько одновременно действующих чувственных ощущений. Для того чтобы первая реализация модели была простой, лишь для доказательства правильности концепции, было бы полезно выбрать какое-либо одно хорошо понятное чувство. Некоторые довольно неплохие работы были сделаны на ранних стадиях изучения зрения и слухового восприятия, но недостаточно законченные для наших целей, поэтому я бы предложил использовать простой поток данных от какой-либо искусственной среды, такой как игра в шахматы. Единый модуль SM1, в черновом варианте, реализует в себе весь набор операций, включая низкоуровневые фильтры, функции сглаживания, распознавание образов среднего уровня и цель высшего уровня в пространстве, во времени, в движении и осознании интроспекции. Он получает входные сенсорные данные, в зависимости от типа чувственного восприятия, выполняет присущие ему функции и вырабатывает высокоуровневые абстракции. Например: некая камера, направленная на шахматную доску, каждые пять секунд посылает картинку в сенсорный модуль, сенсорный модуль выдаёт поток данных ясно показывающий, что белая королева переместилась из квадрата E4 в квадрат E7, заменив стоящую там ранее белую пешку. В реальном воплощении этого замысла вряд ли были бы большие проблемы с написанием модуля сенсорной модальности зрения для проверки способности системы к обучению и самосовершенствованию. Я бы, вероятно, просто создал бы некий вид текстового интерфейса. Но в более поздних версиях подобной системы для реального мира, когда система имеет сложную цель, необходимо полностью реализовать весь известный комплекс чувственного восприятия.
· БАЗА ЗНАНИЙ
В первом приближении она представлена модулем RS1. Я представляю её как некую запись всей сенсорной памяти, то есть организованных физически и во времени сенсорных данных, порождённых окружающей средой, которая снабжена всеми необходимыми для обучения данными на основе деклараций, процедурного анализа и определения образов. Для меня это выглядит как статическое моделирование. Здесь определенно необходима обратная взаимосвязь с данными определения образов в модуле восприятия SM1.
· ОБУЧЕНИЕ
Конечно, видимо существует много хороших работ по вопросам обучения и накопления знаний машинами, которые вполне доступны, если бы они нам понадобились, хотя я и не исследовал детально этот вопрос. Важной частью проекта должны стать всевозможные структурированные сети. Опытный инженер программист, кем я не являюсь, был бы необходим для руководства командой при осуществления этого проекта.
· ПОНИМАНИЕ
Функция понимания причинных связей формируется в модуле LSA1. Она затем выполняется в модуле PSA1 для предсказания того, как различные варианты поведения обеспечивают лучшие шансы повышения вероятности достижения цели.
· ЦЕЛЬ
Цель в системе является внешним атрибутом и находится за пределами возможностей прямого контроля и модификации.
· МОТИВАЦИЯ
Мотивация заложена в этих модулях в явном виде. Они выполняются. Они делают то, что делают. Более сложная разумная система, усиленная позитивными и негативными факторами влияния, здесь не рассматривается.
Имитационная модель – суть общий проект рекурсивного самосовершенствующегося семени ИИ – средства ИИ неразумного уровня. Создание имитаций и их анализ выступают в роли ядра проекта. Термин 'имитация', как он тут используется, характеризует передачу исходных данных в некую реляционную базу данных, демонстрирующую многоуровневое поведение субъекта моделирования наряду с описанием всех известных обобщений, связанных с его элементами. База данных индексируется по времени и пространству. Если субъект моделирования не имеет пространственных характеристик для выполнения операций компьютерной программы, то может быть создано мнимое размерное пространство, показывающее динамику потока данных в модуле. Имитация должна моделировать процесс до такого уровня детализации, который бы был достаточен для анализа всех причинных связей. Уровни абстрагирования варьируются в диапазоне от совершенно абстрактных математических описаний до полностью детализированных описаний реальности. Имитации должны быть спроектированы таким образом, чтобы оптимизировать функционирование модуля анализа имитаций. Анализ имитаций является функцией понимания. Он включает идентификацию причинных связей, логический вывод декларативных и процедурных знаний, сенсорное определение образов, а также изоморфизм, точное предсказание будущего поведения и создание вариантов будущего поведения с максимальным соответствием целевой структуре. Для реализации этих функций требуется длинный список алгоритмов, включающий конструирование и анализ большого множества гипотетических симуляций во вспомогательном рабочем пространстве, в модельном окружении. Функции проектирования и анализа имитаций не являются тривиальными задачами программирования, но облегчающим обстоятельством служит то, что они не должны быть полностью безупречными с изначального момента в рекурсивной самосовершенствующейся модели.
Описание функциональных модулей
· Модуль сенсорной модальности (SM1) получает исходные данные чувственного восприятия и, используя каскадные уровни анализа с включением сглаживающих фильтров, детекторов свойств, сетей распознавания образов и функций концептуальной идентификации, создаёт высокоуровневые абстракции, которые передаются в модуль имитации реальности (RS1). Модуль сенсорной модальности выполняет функцию зрения.
· Модуль имитации реальности (RS1) получает абстракции от модуля сенсорной модальности (SM1) и встраивает их в некоторую базу данных предшествующих сенсорных абстракций, чтобы создать пространственно-временную имитацию реальности. Этот модуль также принимает данные от модуля анализа имитации обучения (LSA1) в форме деклараций, процедур и структурных определений и выполняет аннотацию имитационной базы данных, сохраняющую все данные обучения. Он также отвечает на запросы данных модуля анализа имитационного обучения (LSA1) и модуля анализа имитационного предсказания (PSA1). Запросы для стрелок данных не показаны на схеме. Модуль имитации реальности (RS1) выполняет функцию накопления знаний.
· Модуль анализа имитационного обучения (LSA1) выдаёт запросы и принимает данные от модуля имитации реальности (RS1) и выполняет различные алгоритмы обучения, анализа и распознавания образов для воспроизводства декларативных, процедурных и образных данных, которые он возвращает назад в модуль имитации реальности (RS1) для включения в базу данных. Он также выполняет функцию обнаружения текущей степени удовлетворённости поставленной цели и возвращает эти данные обратно в модуль имитации реальности (RS1). Этот модуль также принимает запросы от модуля анализа имитационных предсказаний (PSA1), чтобы сосредоточить усилия обучения на информации модуля предсказания (PSA1). Это не единственный детерминант целевого обучения, но встроенный в эвристику вместе с целевой установкой, легкостью обучения, общими причинными рамками поведения и завершением распознавания образов. Модуль анализа имитационного обучения (LSA1) выполняет функцию обучения.
· Модуль анализа имитационных предсказаний (PSA1) запрашивает и получает данные от модуля имитации реальности (RS1) включая данные удовлетворения цели и все прочие типы данных. Он выполняет всевозможные эвристики, алгоритмы и анализ абстрактной симуляции для обнаружения таких вариантов поведения, которые могут привести в будущем к улучшению целевых устремлений. Причинность и причинные связи являются центральными в этом модуле. Модуль анализа имитационных предсказаний (PSA1) выполняет функцию понимания.
· Модуль кодовой модальности (CM2) обрабатывает программный код с базой данных программы Prog1 в случае CM2 и программный код prog2 в случае CM3 и выполняет стандартные модальные функции выработки абстракций для использования в базе данных имитаций точно также, как модуль сенсорной модальности (SM1) в программе Prog1 вырабатывает абстракции для модуля имитации реальности (RS1). Единственное отличие состоит в том, что его алгоритмы и эвристики оптимизированы для различных типов входных данных. Модуль кодовой модальности (CM2) рассматривает код в виде высокоуровневой абстракции таким же образом, как мы рассматриваем пиксели экрана в сцене с объектами, задним и передним планом, глубиной и движением.
· Модуль кодовой симуляции (CS2) воспринимает абстракции от модуля кодовой модальности (CM2) и встраивает их в некую абстрактную имитацию, которая отражает текущее внутреннее поведение программы плюс прошедшую историю изменения состояний, совместно с описательными обобщениями программной среды наподобие того как модуль имитации реальности (RS1) описывает реальный мир программы Prog1.
· Модуль анализа имитации обучения (LSA2) в Prog2 функционирует аналогично модулю LSA1, за исключением того, что его эвристики и алгоритмы оптимизированы для некоторой кодовой реальности.
· Модуль анализа начала оптимизации имитации (FEOSA2) запрашивает и воспринимает данные из модуля кодовой симуляции (CS2), начиная работу программы Prog 1 (закрашенные модули на схеме), в частности SM1, RS1 и LSA1. Эта функциональность создаёт изменения в модулях SM1, RS1 и LSA1, которые улучшают точность и эффективность создания и поддержки имитации реальности.
· Модуль анализа заключительной оптимизации имитации (BEOSA2) запрашивает и воспринимает данные из модуля кодовой симуляции (CS2), завершая работу программы Prog1 (не закрашенный модуль), в частности PSA1.
· FEOA2 изменяет SM1, RS1 и LS1.
· BEOSA2 изменяет PSA1.
· FEOSA3 изменяет CM2, CS2, LSA2, FEOSA2, CM3, CS3, LSA3 и FEOSA3.
· BEOSA3 изменяет BEOSA2 и BEOSA3.
МЕТОД
Имитационная модель семени ИИ спроектирована с учётом требований к предполагаемой работе автономного генерализованного интеллекта, то есть до того момента, как начнётся рекурсивное самосовершенствование, делающее процесс чисто механическим. Механические приспособления должны позволить модели стремительно усовершенствовать себя, начиная с весьма ограниченного уровня ещё не генерализованного разума.
Предлагаемый метод самомодификации состоит в следующем:
При выполнении программы Prog1 она пытается сгенерировать такие варианты поведения, которые повышают удовлетворение от продвижения к цели. Используя кодовую модальность и аналогичный Prog1 дизайн интеллектуального агента, программа Prog2 наблюдает за ходом работы Prog1 и пытается сгенерировать логические изменения в Prog1, которые повысят эффективность Prog1. Prog3 наблюдает за ходом работы Prog2 и пытается сгенерировать логические изменения в Prog2, которые повысят эффективность Prog2. Поскольку Prog3 идентична Prog2, то любые изменения, передаваемые из Prog3 в Prog2, также реализуются и в Prog3. То есть, идёт рекурсивное самосовершенствование.
Итак. Программа Prog1 задаёт поведение. Программа Prog2 изменяет программу Prog1. Программа Prog3 изменяет программу Prog2, а поскольку программа Prog3 идентична программе Prog2, то изменения программы Prog3, передаваемые программе Prog2 также передаются и программе Prog3.
Работа модулей осуществляется непрерывно в параллельном режиме с использованием текущих данных, поступающих от входных модулей.
Модель способна лишь модифицировать свои познавательные алгоритмы, а не всю структуру программы, что ограничивает её как статическое средство.
Если система будет запущена в ограниченной среде, то она оптимизирует себя в этой среде. Если она будет запущено в комплексной расширенной среде, то она оптимизирует себя для этой среды.
Самое эффективное развитие происходит тогда, когда работа начинается в строго ограниченном и простом подмножестве объективной среды, а после расширения масштаба и сложности этой среды система берёт на себя управление причинными связями подмножеств. Подмножества должны расширяться в смежные причинно обусловленные области.
Причина разделения имитационного анализа на обучение, предсказание, начало и конец оптимизации заключается в необходимости предохранить программу от зацикливания на эйфории, желания модифицировать себя таким образом, что интерпретация сенсорных данных станет более важной составляющей её функционирования в сравнении с реально существующей целью.
Составные части программы, ответственные за эффективную интерпретацию и детерминизм в достижении цели, не могут быть изменены теми частями программы, в которых заложена мотивация к увеличению скорости достижения цели.
Дата добавления: 2015-09-11; просмотров: 21 | Поможем написать вашу работу | Нарушение авторских прав |