ニューラルネットワーク、遺伝的アルゴリズムなど...神話と現実。 バージョンII

まず第一に、記事の最初のバージョンについて批判的なコメントをしてくれたすべての人に感謝したいと思います。 バージョン2を書くことは、そのままにするのではなく、正しい考えだと思いました。



もちろん、人工知能はすでに存在します！ 人気のあるメディアの記事の見出し、このトピックに関するさまざまな科学会議の名前とスローガンを見ると、これは確かに真実です。 信じられずにはいられません。特に、最終的に21世紀になりたい場合は、すべてのSF小説で説明されているように、「現在」です。 しかし、そうですか？ そうでない場合、実際に存在するもの。 神話と現実を理解しようとして、この記事は書かれました。



当初、私はこのような何かを始めたかった：「用語の最初の言及」「人工知能」は、1956年にダートムント大学での会議でD. McCarthyに現れました。AIの創設者は、W。Mac-Kallock、W。 .d。 しかし、これはすでに手遅れであり、記事の目的を完全には満たしていないため、ウィキペディアはその先を行っています。



重要な記事だけでなく、AIの最新の「勝利」を分析すると、必然的にすべてがいくつかの一般的な機能を中心に展開するという結論に達します。 記事の一部は、テストに合格することは不可能であると批判し、もう一方は「信じられないほどの勝利」についての哀れみに満ちています。 同時に、マシンの主な利点がファクトベースを検索する速度と、人がすぐにそれを行うのに飽きるパターンを見る「能力」であった高度に専門化されたタスクで勝利が達成されたという事実は無視されます。 何らかの形でのクラスター分析と事実に基づいたテンプレートのデータベースの形成の素晴らしい例。 これらはすべて結果であり、ほとんどの場合、原因はまったく分析されていないか、表面的に考えられています。



今日のAIは、別個の科学、または少なくとも別個の知識の枝として認識できることは間違いありません。 科学には、独自の公理、定義、定理、仮説が必要です。 そして、ここから楽しみが始まります。 つまり、どのような活動が「知的」と呼ばれ、「人工知能」と呼ばれるのかという定義から？ 次に、たとえばSearleによれば、人工知能の存在を完全な形で述べることが可能または不可能である理由と条件のリストを特定する必要があります。 これらの問題の不確実性は、AIが獲得した神話の膨大なスペクトル全体を引き起こします。 さらに、AIの出現の歴史に関する多くの優れた記事があります 。たとえば、 hereまたはhereです。 しかし、それでも、歴史に少し没頭することは、もう一度価値があります。



AIが何であるかを判断することから始めましょう。概念自体のドリフトを追跡してみましょう。 一部の日付は概算です。



1956年。 D.マッカーシーは、「この科学内の知能とは、世界の目標を達成する能力の計算要素のみを指す」ことを示唆し、ソフトウェアの概念ではなく計算方法を指します。



1976年。 シンボリック計算を実行する能力は、意味のあるアクションを実行できるようになるのに十分であるというニューウェル・サイモンの仮説。 したがって、すべての動物と人間は基本的に記号計算を実行します。 これはある程度、デカルトのメカニズムと彼のデカルト理論の継続です。 すべての批判にもかかわらず、現代の研究はすべてこの仮説に正確に基づいています。



1971-79年。 エドワード・フェイゲンバウムは、すべてのエキスパートシステムのプロトタイプとなっているエキスパートシステムの概念を作成します。 実際、ターニングポイントがあり、その後、トレーニングの基礎として統計を使用する現代の傾向が最終的に主要なものとして修正されました。 ヒューリスティックの分野の研究は、ついに傍観者に追いやられました。



1980年。 最初のフォーク。 ジョン・サールは、強力な（フル）および弱いAIなどの概念を提案しました。 「...そのようなプログラムは単なる心のモデルではありません。 言葉の文字通りの意味では、それ自体が心であり、人間の心が心であるのと同じ意味で。」



1981年。 BarrとFeigenbaumは、人工知能は、インテリジェントなコンピューターシステムの開発に携わるコンピューターサイエンスの分野であると判断しました。 言語、学習、推論能力、問題解決能力などを理解するために、私たちが伝統的に人間の心に関連付けている機能を備えたシステム



1989-1995年。 「インテリジェントエージェント」という用語の出現。 例は、ラッセルとノーウィグの仕事です[1]。



2004年。 オシポフG.S. [2] 著者の観点から、AIの用語とタスクの定義の最も正確なものの1つに属します。 彼は人工知能デバイスがターゲット行動と合理的な推論を実装できるようにするメソッド、モデル、ソフトウェアツールのセットとしてAIを定義しました。



上記のすべてを要約すると、バートランドラッセルの発言を思い出したいと思います。詳しく見ると確実で正確に見えるすべてのものが不確実になります。 実際、AIという用語の現代的な理解は、ソフトウェアまたはインテリジェントエージェント（AI）としてのAIの解釈にますますシフトしています。 主な目的は、分析のファクトのソースとしてビッグデータと密接に織り交ぜることで、特定のクラスの問題を解決することです。 例は翻訳タスクです。 見た目は包括的であるため、比較のタスクに限定されていますが、「どの山が最高ですか？」または「もしも...」という質問に答えるという問題はまったく解決しません。



したがって、高度に専門化されたエージェントシステムの分野への問題のドリフトと、専門化されたインテリジェントエージェントに向けてAI完全モデルを構築するタスクからの実際の逸脱が明確に観察されます。 これは良いニュースです。なぜなら、それはニック・ボストロムによって説明された災害の可能性を押し進め、まさに「知的」という概念が単純な装飾になるからです。



主な段階については、かつて私の目に留まった年表はAIの形成の主な段階を非常によく説明していますが、残念ながら著者は不明です。



ステージ1（50秒）（ニューロンおよびニューラルネットワーク）

これは、今日の標準では非常に小さい、メモリ内のリソース機能、速度、タスクのクラスを備えた最初のシーケンシャルマシンの外観に関連しています。 これらは、解法スキームが知られており、正式な言語で記述できる純粋な計算タスクでした。 適応タスクは同じクラスに属します。



ステージ2（60秒）（発見的検索）

マシンの「インテリジェンス」は、検索、ソートメカニズム、処理中のデータの意味に依存しない情報を要約する簡単な操作によって補完されました（この時点では著者と完全に同意することは困難です）。 これは、人間の活動を自動化するタスクの開発と理解における新しい基準点になりました。



ステージ3（70年代）（ナレッジプレゼンテーション）

科学者は、問題を解決するための興味深いアルゴリズムを合成するための知識（量と内容）の重要性を認識しました。 同時に、これは数学が機能し得ない知識、つまり 厳密に形式的ではなく、通常は宣言形式で記述される経験豊富な知識。 これは、さまざまな活動分野の専門家、医師、化学者、研究者などの知識です。 そのような知識は専門知識と呼ばれ、したがって、専門知識に基づいて動作するシステムはコンサルタントシステムまたは専門システムと呼ばれました。



ステージ4（80年代）（学習マシン）

AI開発の4番目の段階は突破口でした。 世界のエキスパートシステムの出現により、インテリジェントテクノロジーの開発における根本的に新しい段階が始まりました-インテリジェントシステムの時代-ソリューションを提案し、それらを正当化し、学習と開発が可能で、制限はあるものの通常の言語で人とコミュニケーションをとるコンサルタント。



ステージ5（90年代）（自動マシニングセンター）

通信システムの高度化と解決すべきタスクには、不正アクセスに対する保護、リソースの情報セキュリティ、攻撃に対する保護、ネットワークにおけるセマンティック分析および情報検索などのシステムをサポートするための質的に新しいレベルの「インテリジェンス」が必要でした。 そして、あらゆる種類の有望な保護システムを作成するための新しいパラダイムは、インテリジェントシステムになりました。 必要なすべてのタスクに対するソリューションが提供される柔軟な環境を作成できるのは、これらのコンポーネントです。



ステージ6（2000年代）（ロボット工学）

ロボットの範囲は十分に広く、自律型芝刈り機や掃除機から軍事および宇宙技術の最新モデルにまで及びます。 モデルには、ナビゲーションシステムとすべての種類の周辺センサーが装備されています。



ステージ7（2008年）（特異点）

人工知能と自己複製マシンの作成、コンピューターとの人間の統合、またはバイオテクノロジーによる人間の脳の能力の飛躍的な増加。



いくつかの予測によると、技術的な特異点は2030年頃にすでに発生する可能性があります。 技術的特異性の理論の支持者は、人間と根本的に異なる心（ポストヒューマン）が生じると、人間（社会）の行動に基づいて文明の将来の運命を予測することは不可能であると信じています。



主に多数の作家が原因で発生した問題や神話に戻りましょう。また、さまざまな開発チームが研究に投資しようと試みていることもあります。 神話を暴露するために、記事が書かれ、公開されています。 例としては、 thisやthisなどの記事がありますが、想像力豊かな記事などの1つです...共通の機能に注意を払わないと、一見、別の記事を書くことはかなり物議をかもします。 これらのすべての作品に共通する特徴は、すべてがニューラルネットワークの機能に対する批判を中心に構築されているという事実と、脳がどのように機能するかがわからないという事実と、ニューラルモデルの概念の周りでAIを構築する必要がないという事実の表明です。 これはすべて真実ですが、AI問題を解決するために必要なものを作成しようとする著者はほとんどいません。 この記事のフレームワークでは、条件付きではありますが、先へ進むことが不可能なタスクを特定しようと思います。



続行する前に、いくつかのコメントをしたいと思います。



第一に、一部の勢力が真の状況を隠している秘密の研究センターに関する会話を排除すること。 真にインテリジェントなエージェントを作成するには、いくつかの哲学的問題の解決と、これらのソリューションに基づいた新しい数学的装置の開発が必要です。



第二に、すべてのさらなる推論は、決して人間性の「神性」または「不可知性」に関する声明ではありません。 この記事の目的は、現在のAIが完全な形で存在するという事実について、白い点を示し、過度に楽観的な声明の事実を示すことです。



既存の技術とは何ですか？ 「人工知能システム」という一般用語で統一されたテクノロジーの一般的なプールはそれほど大きくありません。 さまざまな程度の信頼性があると考えられます。

1. ニューラルネットワーク
2. 遺伝的アルゴリズム
3. JSMメソッドなど

まったく異なる技術がここに1つのヒープに捨てられているように見える可能性があります。 しかし、この印象は誤解を招きます。明らかな違いがあるにもかかわらず、それらはすべて共通の機能を持っているからです

1. トレーニングシステムを想定します。
2. 基底は、分類機能のフレームワーク内のサンプルセットとしてのファクトベースまたはトレーニングサンプルです。
3. ストリームの1つが所定の信頼しきい値に達するまで、冗長な競合計算の存在を想定します。
4. 計算の結果は、通常、事前定義されたリストの前例です。

まったく同じトレーニングは、次の主な機能によって特徴付けられます。

1. 分類モデルの形式で定義されたアプリオリ知識の存在
2. 分類基準に従って「世界のモデル」を構築するためのサンプルのベースの存在。

ニューラルネットワーク



ウィキペディアによると、それへのリンクは許されるかもしれませんが、ニューラルネットワークは「接続され、相互作用する単純なプロセッサ（人工ニューロン）のシステム」です。 いいね ベイジアンネットワーク、リカレントネットワークなど、さまざまな実装オプションがあります。...作業の基本モデル：画像のベースは伝達関数であり、オプティマイザーです。



現在最も広く使用されているのは、多層バージョンの限られたボルツマンマシンです。 レイヤリング、つまり XOR問題を克服するには深さが必要です。 さらに、ヒントンが示すように、隠れニューロンのレイヤー数を増やすと、各レイヤーの差が最小の「中間」画像が存在するため、精度が向上します。 この場合、中間層が出口に近いほど、画像の仕様は高くなります。



ニューラルネットワークとこれから生じる学習タスクを作成する主な目的は、着信信号のプロファイルマトリックスを分析する際に中間計算と結論の必要性を取り除くことです。 この目標は、基準プロファイルのベースを作成することによって達成されます。基準プロファイルの各出力は、単一のニューロン（結果のマトリックスのセル）に対応する必要があります。 そのような各ニューロンには、結果の特定の解釈が割り当てられます。



解決される問題の観点とトレーニング自体の観点の両方からの主な問題は、解析に入る入力層の励起ニューロンのマトリックスプロファイルのノイズです。 したがって、主な条件の1つは、高品質のトレーニングサンプルの可用性です。 トレーニングセットの品質が低い場合、強いノイズは多数のエラーにつながります。 ただし、トレーニングサンプルのサイズが大きいと同じ結果になる可能性があります。



ある程度まで、ニューラルネットワークの仕事は、生物の無条件反射の仕事[3]と、それに続くすべての欠点と比較することができます。



このアプローチは、参照画像の明確なアプリオリベースである強いノイズがないタスクに最適です。 主なタスクは、既存の知識ベースから最適な画像を選択することです。 この場合、予測タスクは、既存の履歴を外挿することによってのみ解決されます。新しいエンティティを作成する可能性はありません。 控除が不十分な誘導。



誰かがこれはそうではないと主張するかもしれません。 しかし、上記の考えを却下する前に、「新しいエンティティ」という用語の意味を判断する必要がありますか？ これは、選択したドメインのベクトルクラスの既存の空間のフレームワーク内の別のインスタンスですか、または新しい空間領域の作成ですか？ 以下の記事の1つは、対象ドメインを混合する問題である、比較できないものと比較できないものと比較するというトピックに専念します。



人間の学習の基本原則は、誘導と誘ductionです。 誘導は、問題の最初の声明のためだけである場合、困難です—中間計算を取り除きます。 トレーニングはいくつかの基本原則に基づいているため、誘導に関連するプロセスがトレーニング段階で発生する可能性があるという反論は弱いです。

1. 新しいプロファイルの出現の事実の存在とその理解（これはノイズではない）およびプロファイルの結果への準拠を判断するための外部の専門家の必要性。
2. 新しい次元を生成するための条件とルールを明確に説明する単純で信頼性の高い数学的装置の欠如、その結果、オブジェクトのクラス。
3. トレース手順自体は、プロファイルと結果の間の対応の一意性を制御する必要があるとはいえ、一般化して新しいトレースルートを検索するプロセスです。
4. 連想フィールドについての可能な議論は、既存の演ductive的アプローチの単なる拡張であるため、新しいものを追加しません。

遺伝的アルゴリズム



ウィキペディアによると：「遺伝的アルゴリズムは、自然の自然選択に似たメカニズムを使用して、目的のパラメーターをランダムに選択、組み合わせ、変更することにより、最適化とモデリングの問題を解決するために使用される発見的検索アルゴリズムです」



Panchenko T.V. [4]。、Gladkova L.A.、Kureichik V.V [4]などのような著者による多くの作品があります。 。 たとえば、Pleshakov I.Yu.、Chuprina S.I. [5]、Ivanov V.K.の記事 およびMankina P.I. [6]、Habréおよびその他多数の記事。



遺伝的アルゴリズムの最も重要な利点の1つは、関数の動作に関する情報が必要ないこと、および最適化プロセスのギャップのわずかな影響です。 ニューラルネットワークの場合のように、目的関数である「最終」イメージを構築することにより、原因と結果の関係を分析する必要性から逸脱しています。 この意味で、テキスト分析と検索の解決の観点から、遺伝的問題は潜在的セマンティック分析方法と同じまたは非常に類似した問題を解決します。同時に、セマンティック検索の観点から遺伝的アルゴリズムに敬意を払わなければなりません。テキストのインデックス付けは、潜在セマンティック分析法と比較して、はるかに大きな展望があります。



パターン認識の観点から、非常に強いストレッチで、目的関数を入力ニューロンの層と比較し、出力層のニューロンの信号を最大化する類似物として最大値を期待できます。遺伝的アルゴリズムはニューラルネットワークの学習効率を高めるために使用されると言う方が正しいでしょうが、それでもニューラルネットワークとの競争とは見なされません。タスクは異なります。



一般的な欠点-誘導アルゴリズムの欠如-は完全に存在します。



JSMメソッド



V.K. Finn [Finn、1983]によって提案された、仮説を自動生成するJSMメソッドは、誘導、類推、および誘ductionの認知手順の統合です[Finn、1999]。ルールのシステムとして定式化でき、論理プログラミング言語のプログラムとして提示することもできます[Vinogradov、1999]、[Vinogradov、2001]、[Efimova et al、2006] [7]。



帰納法を適用しても新しい仮説が生成されない場合、飽和条件は満たされます。因果性の完全性の確認は、precisely致のある種の変形の適用です。オブジェクトのプロパティの有無に関するすべてのデータが、帰納法によって生成されたプロパティの有無の考えられる理由についての仮説を使用して説明される場合、JSMメソッドのデータセットと戦略バリアントは、因果的完全性の条件を満たします。



因果的完全性条件が満たされない場合、これはファクトベースを補充するための基礎となるか、JSMメソッドおよび/またはデータ表示メソッドの戦略を変更するための基礎となります。これらのすべての操作は、人の参加で実行されます。 V.K.の観点からFinn [8]この問題で最も有望なのは、JSMメソッドのさらなる開発です。



いくつかのテクノロジーをこのリストに追加することもできますが、これは全体として全体像に影響を与えることはありません。



したがって、今日の「AI」という用語は、組み合わせ論的問題を解決するための技術的（アルゴリズム）アプローチの亜種を意味する可能性が高くなります。その主なタスクは、「静的に重要な」本質的に規則性の信頼できる分離と、原因と結果の関係の分析なしの、画像オブジェクトの統計に基づく構築です。主な方向はパターン認識です。画像は、画像、音、病気の症状の組み合わせなどとして理解できます。



ニューラルネットワークなどのトレーニングの結果特定のマトリックスクラスタ（ベクトル）の形式で提示された特定のパターンが必要です。もちろん、このマトリックスまたはセットは新しい例のために絶えず調整できますが、これは何が起こっているかの本質に影響を与えません。いずれにせよ、特定されノイズが除去されたセットは、問題を解決するための一種の「最適な」方法である「疎外可能なロジック」の形で表すことができます。このような領域の例は、テキストの自動見出しのタスクですが、テキストを既知の見出しに投稿するという観点からではなく、見出しの実際の作成です。それらの注釈と、さまざまな種類のオントロジーの自動構築。



ほとんどの専門家によると、これらの方法はすべて、統計とクラスタリングのタスクの生まれ変わりにすぎません。その結果、ディープマシンラーニングなどの分野におけるすべての現代的な取り組み。蝶を研究する昆虫学者の努力に過ぎません。翼の色と形の違いの検索と説明では、飛行の性質を少しでも理解することはできません。病歴やチェスゲームの分析など、視覚的オブジェクトと他の類似オブジェクトの両方のパターン認識の観点から非常に有用であることを認識すべきです...



これはすべて、AIを構築する物理的または「神経」モデルの研究の方向におけるさらなる考慮事項は行き止まりであるという結論につながります。推論、帰納、誘inductionのプロセスの知性とは何か、兆候とは何か、「メカニックス」とは何かなどの論理的な抽象化に基づいて、さらにすべての推論を構築する必要があります。論理の基本法則の論理と数学とは何ですか。論理学者や数学者に必要なものは、AIを作成するために「発明する」としましょう。 AI完全問題を解決するには何が必要ですか？まず、「知的」、「知性」という用語と、それが持つべき機能を定義する必要があります。



知性と見なされ、さらに人工的なものは何ですか？そして、ここで最初の困難が生じ始めます。たとえば、特定の問題を解決するために作成されたインテリジェントなシステムとして、タスクフィールドのフレームワーク内で論理的な結論と自己訓練を行う能力があると考えるべきです。 AIが自己認識と目標形成が可能なシステムと見なされる場合、「人工」という用語は正しいと見なされますか？実際、この場合、物理的性質は異なりますが、完全に独立した人格に対処します。それにも関わらず、「人工」は単なる人工ではなく、人工的な境界線によって制限されます。そうでなければ、ある意味では、すべての人は他の人によって作られているので、人工です。



定義に従って、たとえば、オジェゴフの辞書で：「知性、a、m。心（1値）、精神能力、人の精神原理。高いII調整知的、th、th。知的能力。知的財産（誰かのブレインワークの合法的に保護された製品）。」 D.ヴェクスラーの定義によれば、「知能とは、合理的に行動し、合理的に考え、生活環境にうまく対処する世界的な能力です」。カント（ドイツ語：Verstand-理由）-概念を形成する能力として、および理由（ドイツ語-Vernunft）-形而上学的なアイデアを形成する能力として。この用法はその後のドイツの哲学で広まり、最終的にヘーゲルに理性（I.）と理性の概念が定着した。新しい哲学百科事典インテリジェンス（lat。知性-心、理由、理由）-一般的な意味で、考える能力;認識論-比較、抽象化、概念の形成、判断、推論などの機能を含む、認知を抽象化する能力。直接的なタイプの認知-官能的で直感的;心理学-論理的思考の法則に合理的で従属的。感情、想像力、意志など、精神の不合理な領域に反対します。」[9]。論理の法則に従属する思考;感情、想像力、意志など、精神の不合理な領域に反対します。」[9]。論理の法則に従属する思考;感情、想像力、意志など、精神の不合理な領域に反対します。」[9]。



残念ながら、すべての哲学的定義は、不十分な「機構的性質」のため、AIを構築する問題を解決するための十分な基盤を提供しません。



AIのタスクを理解するという観点から、生物学と心理学者の定義はより密接です。ほとんどの場合、彼らは知性が目標を達成することを目的とした適応行動の一種であるという事実に要約します。すべての研究者の目標と適応を達成することが最重要です。ターゲット指定メカニズムの分析自体は別の記事のトピックなので、今のところはその存在の事実に限定します。



アルゴリズム化と論理構築の問題の観点から、1950年代に知性の構造の立方体モデルを提案したJoey Paul Giffordの作品は非常に興味深いものです。注目に値するのは、テストと因子分析の使用に基づいて、創造的な人格のモデルを数学的に構築する試みを行った研究により、彼は世界的な名声を得ました。





J.P.ギフォードによると知性の構造。



A.チューリングは、彼の作品「機械が考えることができる」と子機械で別々に選ばれるべきです。



さまざまな作品で遭遇する知能の特性は、AIを構築するためのアルゴリズムとモデルの観点から、より具体的で理解しやすいかもしれません。ですから、あなたが出会う人間の知性の本質的な性質のリストは非常に興味深いものです。これらには以下が含まれます。

• — . ;
• , ;
• — , , :
• , , ;
• , , ;
• 批判的思考には、精神活動の結果を厳密に評価し、批判的評価を行い、間違った決定を破棄し、タスクの要件に矛盾する場合に開始されたアクションを放棄する能力が含まれます。
• 思考の幅-対応するタスクのソースデータを見失うことなく、問題を解決する際の多分散性を確認するために、問題全体をカバーする能力。

「深さ」、「証拠」、「重要度」などのプロパティは理解可能であり、多かれ少なかれアルゴリズム化可能です。「好奇心」、「柔軟性とモビリティ」などのプロパティの形式化とアルゴリズム化の問題により、すべてがそれほど明白ではありません。



AIを作成する際の数理論理学の問題に関する議論を開始するには、「価値」、「意味」、「有用性」、「倫理」などの概念を正式に提示する必要があります。実際、意味の形式化、帰納法などの問題に対する解決策はまだありません複雑な論理的および哲学的問題。たとえば、知識とは何か、それはどのように配置され、どのようにそれが事実に関連しているのか。知識に基づいて結論を計算する方法は？サインとは何ですか？また、意味の最小単位は何ですか？ 1次以上の述語を処理する方法は？残念ながら、これらの概念の現代的な理解は、すべての機能、クラスター化、ターゲットパラメーターの最大化または最小化に不可避です。この場合、空間の微分可能性が望ましい。実際には、思考のプロセスは差別化されていません。むしろ、それらは無参照および自己参照を持つフラクタルに似たものです。この意味で、例えば、ウンベルト・マトゥラーナの自作[10]、タラセンコVV [11]の作品は非常に好奇心が強い。または仕事V.F. 1966年に再帰関数Refalの言語を開発したTurchin。拒否は、言語とさまざまな種類の処理を記述することを目的としています。



Pantham [12]が正確に観察しているように、「概念...これらはイメージではなく、精神的な表象ではありません...むしろ、私たちの行動とサインシステムの統一のためにサインで動作する能力を生み出す能力とスキルです。」そして、マンデルブロによって顕著に表現される数学の言語では、思考はフラクタルに類似しています。フラクタルの形状は、サンプルや反復で再現されるパターンに依存しません。この形式は、変換メソッドの無限の反復の性質に依存します[13]。



、«» 、。 、、。 、。 «»、«»、«»、、



-より一般性の高い知識からより一般性の低い新しい知識への推論[14]。アルゴリズムの観点から、おそらく最も理解しやすく、完全に実装された概念。ニューラルネットワークなど、AI分野のすべての最新レニウムは、このロジックを実装するだけです。



誘導-コミュニティの程度が低いという知識から、コミュニティの程度が大きいという新しい知識への結論。数理論理学では、これは確率的判断を与える推論です[15]。ヒュームが1888年に策定し、ある程度はポッパーKによってある程度解決された帰納の基本的な問題は、たとえば、1933年にさえ/すでに/すでに、次のようなものでした。過去と同じ？将来の期待の公平性に対する信念をどのように評価できますか？私たちの推論では、私たちの経験で繰り返された事例から、これまで遭遇したことのない他の事例への移行は正当化されますか？誘導プロセスの不可欠な部分として、数学的に習慣を考慮する方法は？これには、ベイジアン確率などが存在するように思われます...しかし、考えてみれば、これらの質問に対する答えは完全にはありません。反復性を帰納的結論の主な要因とすることは不可能であり、行動の不合理性はどのようになりますか？これは問題の一部にすぎません。その結果、「古典的な」統計に基づく数学モデルはここでは完全に機能しません...



ヘーゲルによって定式化され、エンゲルスによって量から品質への移行の法則としてポピュリスティックに言い換えられた絶対品質の法則。多くの点で、この法律は前のトピックを改良したものです。法律の意味は、観察の数が新しい特性の出現とは関係がないということです。この場合、エンゲルスは彼のアイデアのために実際の改ざんを行った。誘導の問題と同様に、今日では数学的な解決策はありません。



Ab致-仮説を立てるための認知手順。初めて、Ch.S。誘induction（誘duction推論）を帰納および演ductionとともに検討したピアス。 C.S.ピアスは、膨大な数の仮説の中から最も重要なものを選択すると、研究者は「誘duction本能」を認識し、それなしでは科学を発展させることは不可能だと信じていた[17]。問題は、今日、しきい値を計算する数学的な装置がなく、実際に仮説を受け入れるためのルールがないことです。事実のグループを説明する仮説の特定のグループが「もっともらしい」ことを理解する方法は？ピアスは、人間の「アブダクティブな本能」としてそのような操作を実行する人間の脳の能力を考慮しました。誘duct者の思考の数学的モデルは何ですか？



思考プロセスの形式化の失敗の主な理由の1つは、構造と論理的な「不完全性」が不定形である自然のシステムとは対照的に、人工システムの「完全性」の問題としてカント[18]によって定式化されました。したがって、これらの概念はすべて非常に複雑であり、数学の観点からだけでなく、哲学自体からも明確に定式化されていません。これらの問題を実装しないと、一般的な問題を解決できるインテリジェントエージェントを作成することはできません。しかし、今日まで、著者はこの種の論理を認識していません。ニックボストロム[19]の声明は、「...この道に沿った進歩には、技術的なブレークスルーではなく技術的な解決策が必要である…」といくぶん楽観的に見えます。



それでも、フィンV.K.の作品など、いくつかの注目すべき研究があります。データマイニングに関する彼の研究[20]および[8]でも。 Finnのアイデアを完全に分析するには、複数の記事が必要になるため、簡単な絞り込みに制限します。



著者の意見では、最も重要な仮説の1つは、彼が提案した論理的な抽象化であり、



AIIS =（RIS + PIS + ININ）+ PAPで

あり、

AIISは自動インテリジェント情報システム、

RISです。 =（肝炎ジェネレータ+定理証明+計算機）、V.K。Finn 「Reasoner」と呼ばれる、

IPRは検索および情報システムであり、

INIP-インテリジェントインターフェイス（ダイアログ、グラフィックス、システムを操作するためのユーザートレーニング）PAP-

「情報環境」からデータベースを自動的に更新するためのサブシステム。



AIISには、ファクトデータベース（DB）とナレッジベース（KB）の2つのブロックがあります。データベースは、有限セット、タプル、単語、グラフなどの特定の構造を持つオブジェクトで構成されます...知識ベースは、データ構造を定義する公理（たとえば、ブール代数、タプル代数の公理から）、元の接続公理（ DB）解決すべき問題のクラス（たとえば、因果関係の認識の問題）を暗黙的に定義する述語。



Searleによる完全なAIの完全な実装には、システムの存在の目標や「好奇心」と呼ばれるもの、「心の深さ」を置く場所を決定するための意識やこれから生じる機能などのサブシステムがどこにあるべきかが理解されていません。これがなければ、システムによる問題の独立した声明は不可能です。私たちはフィンに敬意を表さなければなりません。彼の作品で彼はこれに注目していますが、この抽象化の一環として、彼はこれらの問題を別の機能単位に分ける必要はないと考えました。



コンポーネントを分析すると、膨大な数学的および分析的な問題を解決する必要性の問題が生じます。仮説または演ductionの生成により、すべてがそれほど悪くない、少なくとも非常に有効な仮説があります。しかし、帰納、誘ductionの哲学的および数学的問題に関しては、完全に明確な欠如があります。高次の述語を使用する方法公理の一般的な構造は何ですか？ 2桁を超える述部の操作の問題を解決する方法は？プログラミング言語を作成するか、グラフや多次元配列に似たものを操作しますか？連想フィールドを操作するための明確な数学はありません。連想的なつながりとしての空間の多次元性内の結論の競合を分析する方法、可能な結論の空間の多次元性？確かに、「可能性のある世界」のそれぞれにおいて、それ自体の結論は正しいでしょう...量と質を出力する問題の論理と数学は何ですか？これは問題のほんの一部であり、解決策はまだありません。



科学的な仮説と同様に、フィンが提案したスキームは最終的なものではありません。しかし、今日ではおそらく最も有効な仮説の1つです。スキームの各要素の分析自体は、別の記事に値します。



各コンポーネントを実装し、これらのコンポーネント間に非常に効率的なデータバスを作成する分野の研究は、非常に有望で刺激的なタスクです。 SaaSとクラウドコンピューティングの急速な成長を考えると、異なるチームのコンポーネントを統合して構築されたこのようなシステムの作成は、この問題に大きなブレークスルーをもたらす可能性があります。この原則に基づいて作成されたインテリジェントエージェントは、はるかに大きなクラスの問題を解決することを本当に学ぶことができました。



最後に述べたいのは、「人工知能」という用語そのものです。 AIという用語を一般的で、むしろ哲学的な概念として理解するのは公平でしょう。実際のタスクのフレームワークでは、「インテリジェントエージェント」という用語の使用がより適切です。この用語は、ロジックで使用される情報量、解決されるタスクのスペクトル、および作成されたシステムの目標設定の観点から、ソリューションの制限をより明確に理解することができます。 「制限」という言葉の使用は、障害としてではなく、可能性の境界を理解し、概念の可能な代替を避けるために理解されるべきです。



MLの問題それ自体の解決策であるテンソルプロセッサの作成は、せいぜいFinnモデルのコンポーネントの1つを掘ることにすぎません。



結論



（--）。 。 、 、、-。



、、。 。

マイケルジョルダーノが「ビッグデータの過剰使用は、橋の大規模な崩壊に匹敵する分析分野の災害につながる可能性が高い」と適切に述べたように、同じことが今日のAIの取り組みでも起こりそうです。



上記のすべては、ニューラルネットワークまたは同様の技術の無益さの声明ではありません。タスクの量とその価値は膨大です。これは、パターン認識の支援や、データおよび一見取るに足りない詳細の分析におけるさまざまな分野の専門家の支援でもあります。これの良い例は、診断におけるAIヘルプです。



もちろん、現代数学の誕生は長いプロセスであり、何世紀にもわたって続きます。現在の傾向を観察すると、残念な結論はそれ自体を示唆しています：すべてが円を描くように動きます。古代ギリシャの哲学者は、数学や数式を知らず、画像レベルの概念と「毎日」の概念を操作していました。これは、より複雑で、最も重要なことには抽象的な推論を体系化するのに十分ではなく、現代の意味での数学の誕生につながった。現代の推論と「人工知能」と呼ばれるものの論理は、今日も同じです。そして、ピタゴラスとユークリッドのスタイルではなく「共通」パターンの検索の同じ原理に基づいているため、今日の状態は根に「リード」します。



数学の主なタスクの1つは、コンパクトで最適なパターンを導出することで計算コストを大幅に削減できるロジックの検索です。これらすべてが、現代の表記法を備えた今日の数学の創造の推進力となった。デカルト、ライプニッツなどの多くの科学者は、16世紀以前にその始まりを目にします。 AIの観点から見ると、まだ17世紀に至っていません。



誘導と誘aが可能な数学の誕生はまだ来ていません。AIへの関心の爆発的な成長は、主に新しいアルゴリズムの出現ではなく、計算能力の成長によるものです。しかし、この成長の結果、それでもポイントに到達しました。その後、アプリケーション領域と初期データの両方で大量のタスクを解決できますが、分析の複雑さは比較的小さく、経済的に実現可能になりました。しかし、これはまだ開発の広範なパスです。



論理的および哲学的問題を解決することなく、特に数学の新しい領域を作成することなく、さらなる動きは不可能です。



[1] Russell S. Norvig P.「人工知能」ウィリアムズ、2007年。

[2] Osipov G.S. 「人工知能の方法」フィズマトリット。 2011

[3] Barsky A.B. 「論理ニューラルネットワーク」M .:インターネット情報技術大学、2007

[4] Gladkov L. A.、Kureichik V. V.、Kureichik V. M.遺伝的アルゴリズム：トレーニングマニュアル。 -第2版-M：Fizmatlit、2006。-S.320。-ISBN 5-9221-0510-8。

[5] Pleshakova I.Yu.、Chuprina S.I. 「科学出版物のセマンティック検索の品質を改善するための遺伝的アルゴリズム」cyberleninka.ru/article/n/geneticheskiy-algoritm-dlya-uluchsheniya-kachestva-semanticheskogo-poiska-po-tekstam-nauchnyh-publikatsiy

[6] Ivanov V.K. そして、Mankin P.I. 「効果的なドキュメンタリーテーマ検索のための遺伝的アルゴリズムの実装」トヴェリ州立工科大学

[7]アンシャコフOM JSM法における仮説の生成への1つのアプローチ

[8] Finn VK人工知能。アプリケーションの方法論、哲学。クラサンド。 2011

[9]新しい哲学百科事典：4巻で。M。：考えました。V. S. Styopinにより編集。2001.

[10] Maturana W. Varela F. The Tree of Knowledge。プログラム伝統、2001

[11]タラセンコVV 「フラクタル記号論。「ブラインドスポット」、浮き沈み「Librocom。2012.

[12] Pantham H. Reason、真実、歴史。Praxis、2002

[13] Tarasenko V.V. 「フラクタル記号論。「ブラインドスポット」、浮き沈み「Librocom。2012 p.30

[14] Getmanova A.D. 「Logic」「Omega-L」2015

with127 。[15] Getmanova A.D. 「Logic」「Omega-L」2015 with163。

[16] Popper K.客観的知識。「編集上のURSS」2002。

[17]新しい哲学百科事典

[18]カントI.判断の批判

[19] Bostrom N.「人工知能。ステージ 脅威。戦略”“ Mann、Ivanov and Ferber” 2016

[20] Finn V.K. データマイニングについて。人工知能ニュース、No。3、2004