Бойко Д.Н.
ИССЛЕДОВАНИЕ БЕССОЗНАТЕЛЬНОГО ДЛЯ ПОСТРОЕНИЯ СИСТЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
Введение
Бессознательное, как объективно существующий биопсихический феномен, до настоящего времени не является изученным объектом. Находясь в основе психической деятельности человека, бессознательное детерминирует активность сознания и дает возможность его эволюции - локально на уровне индивида и глобально на уровне общества. В связи с растущей тенденцией по созданию искусственного интеллекта, задачи которого заключаются в имитации психических функций человека, исследование бессознательного приобретает фундаментальное значение.
Бессознательное исследуется с различных сторон. Но до настоящего времени попыток интерпретировать бессознательное с точки зрения информатики, на основе результатов физиологических и психологических экспериментов обнаружено в литературе не было. Безусловно, что такой подход должен оказаться эффективным в разработке проблемы искусственного интеллекта.
Цель работы. Настоящая работа преследует цель показать возможность применения системных методик из области информатики для интерпретации психологических и физиологических данных в построении модели бессознательного, как прототипа модели искусственного интеллекта (ИИ).
Задачи исследования.
1. Провести анализ текущего состояния исследований в области ИИ для определения новизны подхода.
2. Селектировать те сведения из области психологии и нейрофизиологии, которые могут быть использованы для интерпретации в свете информационного подхода к толкованию бессознательного.
3. Используя системный подход и принципы объектно-ориентированного программирования, трансформировать данные психологии и нейрофизиологии в модель сознания и модель бессознательного.
4. Дать общие характеристики моделей и прогноз их дальнейшего теоретического развития и практического использования.
Методы исследования. Специального метода нет. Использован стандартный подход переноса принципов и идей из одной предметной области в другую. В случае настоящей работы принципы и идеи из области информатики (программирование, системный анализ) переносятся на некоторое множество сведений психологического и нейрофизиологического плана.
Реализация этого подхода должна осуществляться путем декомпозиции известных и гипотетических моделей сознания в направлении бессознательного, как источника фронтальных, осознаваемых процессов.
Научная новизна. В имеющейся литературе библиотеки ХГУ, Хакасской республиканской библиотеки и научных статьях Нью-йоркского государственного университета Буффало по проблеме искусственного интеллекта аналогичная тематика не встречалась.
На защиту выносится положение. Для построения систем ИИ необходимы сведения о бессознательном, которое можно изучать с позиции информационного подхода, используя логику области знаний Информатика , как основу для интерпретации данных психологии и нейрофизиологии.
Используемые термины, сокращения и специальные обозначения:
Астроглия сателлитные клетки нейронов, выполняющих структурные, трофические и другие функции.
БЧП биомасса человеческой популяции.
ДС диспетчер слоев
ИИ искусственный интеллект.
ИСС информационная семантическая система.
ИТСОЛ информационная теория социального онтогенеза.
МД модуль деструктор.
МК модуль конструктор.
Нейролемма органическая мембрана нервной клетки.
Нейросеть набор связанных между собой нейронов выполняющих конкретную вычислительную функцию.
Нейросреда множество нейронов обеспечивающих функционирование психики.
Нейроструктура набор нейросетей.
НС нейронные сети.
ОП общественное психическое.
Полигенезисный происходящий из различных источников.
СА семантические алгоритмы.
СИИ системы искусственного интеллекта.
Таламус часть головного мозга.
Топологичность сознания свойство сознания быть расположенным в области черепа.
УКП ультракратковременная память.
ФН физический носитель.
ФНИ физический носитель информации.
ЦНС центральная нервная система.
Шунтирование внедрение.
ЭВМ электронно-вычислительная машина.
Подчеркивание специально анализируемые места.
Выделение жирным места в тексте, на которые следует обратить особое внимание.
1. Обзор литературы по проблеме искусственного интеллекта
1.1. Определение и значение ИИ, как производной кибернетики
В естествознании первой половины нашего века ведущим направлением была физика. Начиная с 50-х годов, наряду с физикой, химией и биологией все возрастающее значение и влияние на развитие науки и всего уклада нашей жизни начала оказывать кибернетика. Кибернетика становится важнейшим фактором научно-технической революции на высших этапах ее развития [18].
Кибернетика возникла на стыке многих областей знания математики, логики, семиотики, биологии и социологии.
Обобщающий характер кибернетических идей и методов сближает науку об управлении, каковой является кибернетика, с философией.
Задача обоснования исходных понятий кибернетики, особенно таких, как информация, управление, обратная связь и др. требуют выхода в более широкую, философскую область знаний, где рассматриваются атрибуты материи - общие свойства движения, закономерности познания.
Сама кибернетика как наука об управлении многое дает современному философскому мышлению. Она позволяет более глубоко раскрыть механизм самоорганизации материи, обогащает содержание категории связей, причинности, позволяет более детально изучить диалектику необходимости и случайности, возможности и действительности. Открываются пути для разработки "кибернетической" гносеологии, которая не подменяет диалектический материализм теорией познания, но позволяет уточнить, детализировать и углубить в свете науки об управлении ряд существенно важных проблем.
Возникнув в результате развития и взаимного стимулирования ряда, в недалеком прошлом слабо связанных между собой, дисциплин технического, биологического и социального профиля кибернетика проникла во многие сферы жизни.
Столь необычная "биография" кибернетики объясняется целым рядом причин, среди которых надо выделить две.
Во-первых, кибернетика имеет необычайный, синтетический характер. В связи с этим до сих пор существуют различия в трактовке некоторых ее проблем и понятий.
Во-вторых, основополагающие идеи кибернетики пришли в нашу страну с Запада, где они с самого начала оказались под влиянием идеализма и метафизики, а иногда и идеологии. То же самое, или почти то же самое происходило и у нас. Таким образом, становится очевидной необходимость разработки философских основ кибернетики, освещение ее основных положений с позиции философского познания.
Осмысление кибернетических понятий с позиции философии будет способствовать более успешному осуществлению теоретических и практических работ в этой области, создаст лучшие условия для эффективной работы и научного поиска в этой области познания.
Кибернетика как перспективная область научного познания привлекает к себе все большее внимание философов. Положения и выводы кибернетики включаются в их области знания, которые в значительной степени определяют развитие современной теории познания. Как справедливо отмечают отечественные исследователи, кибернетика, достижения которой имеет громадное значение для исследования познавательного процесса, по своей сущности и содержанию должна входить в теорию познания.
Исследование методологического и гносеологического аспектов кибернетики способствует решению многих философских проблем. В их числе - проблемы диалектического понимания простого и сложного, количества и качества, необходимости и случайности, возможности и действительности, прерывности и непрерывности, части и целого. Для развития самих математики и кибернетики важное значение имеет применение к материалу этих наук ряда фундаментальных философских принципов и понятий, применение, обязательно учитывающее специфику соответствующих областей научного знания. Среди этих принципов и понятий следует особо выделить положение отражения, принцип материального единства мира конкретного и абстрактного, количества и качества, нормального и содержательного подхода к познанию и др.
Философская мысль уже много сделала в анализе аспектов и теоретико-познавательной роли кибернетики. Было показано, сколь многообещающим в философском плане является рассмотрение в свете кибернетики таких вопросов и понятий, как природа информации, цель и целенаправленность, соотношение детерминизма и теологии, соотношение дискретного и непрерывного, детерминистского и вероятностного подхода к науке.
Нужно сказать и о большом значении кибернетики для построения научной картины мира. Собственно предмет кибернетика - процессы, протекающие в системах управления, общие закономерности таких процессов, описывающихся теорией информацией [16, 45].
Возникнув в середине 20-го века кибернетика включилась в активный процесс реформации научной мысли и научно-технического прогресса в целом. Концентрируя в себе и предопределяя унифицированные научные знания, она стала способна к эволюционированию. В связи с чем, начиная с начала 80-ых годов, большей своей частью кибернетика переросла в информатику.
Существующая в обществе потребность в информационно-технических инновациях, исходящая из необходимости облегчения человеческого труда в различных сферах деятельности, увеличению уровня культуры и эффект информационного голода, столь характерный для современного урбанизированного социума, обусловил возникновение такого направления информатики как искусственный интеллект.
Таким образом искусственный интеллект (от лат. Intellectus познание, понимание, рассудок) это раздел информатики, изучающий методы, способы и приемы моделирования и воспроизведения с помощью ЭВМ разумной деятельности человека, связанной с решением задач.
1.2. Структура и направления исследований
Будучи весьма обширной по охвату решаемых проблем искусственный интеллект, как научная
отрасль, подразделяется на несколько разделов
.
Рисунок 1. Схема фундаментальных разделов искусственного интеллекта.
Охарактеризуем данные разделы [11, 12].
Доказательство теорем. Оно перекрывается с определенными областями математики и решением проблем в ряде других областей (например, в роботике).
Модели игр. Здесь особое внимание уделяется шахматам и стратегическим играм. В основе любой игры лежит конфликт и необходимость принятия оптимального решения. Задача исследований заключается в устранении неопределенности анализа ситуации [12, 13].
Распознавание образов. Эта проблема касается распознавания зрительных, слуховых, и химических образов, а также образов других (смешанных) модальностей. В последнее время большая часть работ в этой области ориентирована на анализ сцен, что особенно актуально в роботике при решении задач машинного зрения и управлением движения. Машинное зрение включает в себя способность робота ориентироваться в пространстве, воспринимать обстановку и строить ее план, узнавать контуры и форму предметов, обнаруживать и обходить препятствия при движении и т.п.
Роботика. Эта область имеет непосредственную практическую ценность. Благодаря современным роботам сегодня удается осуществлять сборку сложнейших микрочипов.
Экспертные системы. В них воплощаются большие объемы знаний и навыков, присущих опытному эксперту-человеку. Эти системы представляют большую ценность в медицинской диагностике и в некоторых других областях. Основную реализацию экспертные системы получают в базах знаний, ориентированных на различные проблемы. Развитие обучающих средств мультимедиа является ярким тому примером, когда программа является знающим учителем и в состоянии не только обучать, но и контролировать этот процесс в интерактивном режиме.
Инженерия знаний. Эта область не является самостоятельной, но сам термин отражает определенное отношение к тому, каким образом следует осуществлять взаимодействие различных видов знаний в распознавании образов, роботике и в экспертных системах. Также изучает общие возможности логико-алгоритмического представления знаний в компьютерных сетях. Результатом инженерии знаний можно рассматривать Internet.
Семантические алгоритмы. Пожалуй один из самых сложных разделов. Основой его является теория обработки информации, выраженной на естественном языке. Задача этого раздела, опираясь на точное и явное выражение грамматических правил языка найти методы и способы понимания устной речи, извлечения смысла из письменного сообщения, перевода с одного языка на другой, синтеза речи и т.п. с тем, чтобы реализовать все эти формы языковой практики на ЭВМ в виде так называемых лингвистических процессоров [12, 14]. Особая роль в развитии этого направления принадлежит экспериментальным исследованиям и теории человеческой памяти [15]. Наиболее интересные результаты здесь получены при исследовании феномена создания новой информации в памяти человека, что чрезвычайно актуально при разработке эвристических алгоритмов. Сюда же входит и разработка соответствующих логико-алгоритмических языков, предназначенных для реализации задач построения семантических алгоритмов.
Нейронные сети. На основе теории графов и дифференциального исчисления строятся алгоритмы обучающихся сетей, а точнее обучающихся алгоритмов. Этот раздел отчасти с разделом семантические алгоритмы объединяются в создании теоретических моделей целенаправленного поведения человека, включая такие основные его компоненты, как восприятие, рассуждение и действие. Эти теоретические модели имея собственную познавательную ценность, выступают в качестве строительных блоков в решении различных прикладных задач искусственного интеллекта [38].
1.3. Текущее состояние исследований по искусственному интеллекту
По началу казавшееся перспективным создание искусственного интеллекта, вызвавшее в кругу ученого мира ажиотаж, постепенно приобрело славу очень трудоемкого, а если и достижимого в идеале, то только в далеком будущем. В этой связи текущее состояние исследований целесообразно охарактеризовать как в общем, то есть описать внешнюю динамику отрасли, и, в частности, затронуть конкретные разделы.
Райнер Зинц в монографии [19], приводит высказывание известного ученого И.Й. Гуда, который считает, что в 2000 г. будут созданы творческие машины интеллекта, использующие физиологические принципы ассоцитативного мышления, включая категоризацию, и работающие на базе логические формализованных алгоритмов. Но сегодня ничего неизвестно о таких машинах.
Тем не менее, в изданной в России в 1999 г. книге Наступление машин Кевина Уорвика [18], профессора департамента кибернетики университета Рединга, Англия (http://www.reading.ac.uk)/, автор пытается убедить, что рано или поздно появятся машины, интеллект которых превзойдет человеческий. Он указывает, что роботы с интеллектом кошки появятся через пять лет, а с интеллектом близким к человеческому, - через 10-15 лет.
Безусловно, что развитие ИИ связано с возможностями компьютерных технологий. Какими будут компьютеры 2017 года? На этот вопрос попытались ответить три футуролога: исследователь виртуальной реальности, один из авторов языка VRML Марк Песке (Mark Pesce), философ исследователь технологий из MIT Майкл Детрузос (Michael Detrouzos) и директор компании мозгового центра Institute for the Future Пол Саффо (Paul Saffo). Встреча была организована и проведена Лу Доббсом (Lou Dobbs) ведущим бизнес-новостей из CNN [27].
Песке предложил наиболее сюрреалистическое видение будущего. По его мнению, к тому времени все привычные устройства контакта человека и компьютера вроде мониторов, клавиатур и мышей использоваться не будут. Люди смогут подключаться к компьютерам непосредственно. При этом они будут впадать в некое трансподобное состояние, в котором будут обретать способность к прямому обмену информацией с компьютером в процессе тонких внушений и феноменов субъективного восприятия .
В свою очередь Детрузос предвидит два принципиальных момента в развитии компьютерных технологий. Первый создание информационных бульдозеров , то есть средств, способных с потрясающей эффективностью перемалывать горы информации. Второй момент способность информационных систем быстро и легко входить в электронное сродство , ассоциируясь с данными, которыми обладают миллионы людей, и взаимодействуя с тысячами из них.
Саффо в своей речи саркастически заметил, что предсказывая будущее компьютерных технологий, можно невольно стать предвестником их конца. Каждые десять лет возникает новая технология, которая радикально меняет все в этом мире. Микропроцессор стал основой царства персональных компьютеров. Недорогие лазеры позволили запоминать большие объемы данных. Оптоволоконные каналы обеспечили недорогие и доступные каналы цифровых коммуникаций. Поэтому для Саффо очевидно, что нас ждет: недорогие многофункциональные чип-сенсоры, которые станут глазами, ушами и другими органами чувств компьютеров и коммуникационных устройств. Однако сенсоры являются аналоговыми устройствами. И по мнению, Саффо, именно в развитии сенсорных устройств произойдет слияние разделенных в настоящее время технологических миров цифрового и аналогового. Вот тогда, когда компьютеры научатся воспринимать мир, данный им в ощущении, и совершится собственно революция. Что будет потом никто не знает. Единственное, что можно сказать определенно, заявил Саффо, так это то, что объем пассивной материи в окружающем нас мире будет уменьшаться . Вещи будут делать вещи. Вещи будут проявлять все больше интеллекта.
В последнее годы возникло новое направление в компьютинге молетроника. Это направление ставит целью построения создания химическим путем (и биохимическим в том числе) синтеза молекулярных структур цифровой логики. Хотя идеи создания био- или химеочипов относительно старые [14], тем не менее такой гигант как Hewllett-Packard и Университет Калифорнии в Лос-Анджелесе (UCLA) организовали совместный проект по разработке технологии построения активных логических элементов из отдельных молекул логических вентилей [28]. Компьютеры построенные на основе таких устройств будут ничтожно малы и в сотни миллиардов раз более производительны. В рамках проекта уже достигнуты определенные успехи: синтезированы винтили могущие переходить в состоянии 1 , но они пока не могут переходить в обратное состояние 0 .
Есть и другие, еще более экзотические проекты. Сотрудники лаборатории информатики (Computer Science) при Массачусетском технологическом институте пытаются привить биологическим объектам способности к обработке цифровой информации [28]. Одна из ветвей проекта такова: провести направленную модификацию бактерий E.coli с тем, чтобы они смогли выполнять функции электронных цепей и вентилей. Исследователи, назвавшие свой метод аморфным компьютингом, пытаются найти способы отображения электронных схем на биологический материал.
В настоящее время когда речь идет об идее искусственного интеллекта в среде людей, занимающихся этим вопросом или близкими к ним, она прежде всего ассоциируется с нейронными сетями (НС) и семантическими алгоритмами (СА).
К сожалению российских работ по данным разделам ИИ незначительное количество. Это и понятно. ИИ в своем реальном понимании (см. 2) был чужд советской идеологии, так как подрывал ее основу. А сегодня государство не располагает финансами для поддержки этой отрасли. Из советских работ можно выделить теоретическую работу Н.М. Соломатина [14]. В ней автор вводит понятие информационной семантической системы (ИСС).
Такая система определяется как система, функционирование которой направлено на достижение цели. Специфической их особенностью является семантическая переработка семантической информации. Указывая на неоднозначность, незрелость дефиниции, понятия семантической информации, Н.М. Соломатин дает такое определение семантической информации: выраженное знаками сведения о выделенной заданием стороне (сторонах) объекта. Причем в данном определении понятие сведения принимаются первичными и не определяются.
В последующем автор излагает теорию ИСС, в которой определяет класс семантических операций, класс семантических объектов, их функции и структуру. Также рассматривает информирование как семантический диалог, его принципы; системы с целью, их классификацию, поднимает вопрос стабильности ИСС.
Работа [14] имеет более выраженный академический, нежели прикладной характер. Тем не менее, она позволяет сконцентрировать внимание на стратегии разработки проблемы семантического формализма, что немаловажно для построения семантических алгоритмов и моделировании функций человеческой памяти на ЭВМ.
Развитие нейронных сетей, как раздела ИИ, по-видимому, находится в кризисе. Используемый здесь основной подход, базирующийся на анатомо-физиологических данных работы головного мозга, неплох для построения роботов, но не как для моделирования мышления. Тем более выяснилось наличие более сложного механизма обучения и фиксации информации в головном мозге, чем считалось ранее, на заре развития кибернетики, а это значительно затрудняет моделирование нейросетей.
В биологии имеется три пути выяснения сущности элементарных механизмов памяти [19]:
1. Устанавливают, происходят ли в мозгу или определенных ареалах мозга животных, кондиционированных на новое поведение, какие-либо биохимические изменения.
2. Определяют, нарушается ли синтез нуклеиновой кислоты и (или) белка во время или после кондиционирования, и проверяют, ухудшается ли вследствие этого процесс обучения или запоминания.
3. Путем перенесения нервной или мозговой субстанции от кондиционированных животных к необученным животным проверяют, не происходит ли в результате этого ускорение кондиционирования необученных животных.
На основании этих подходов было показана непосредственная роль ДНК и РНК[1] в модуляции состоянии структуры нейролеммы. Ее изменение влияет на характер интеграции в ней поступающих с синапсов электрических сигналов (входных), а значит и на параметры сигнала на выходе нейрона. Существует также циркуляция молекул памяти - РНК внутри нейросетей, законы распределения которой еще не установлены [19].
Не без оснований следует считать регулирующее влияние на состояние электрической активности нейролеммы со стороны астроглии, как структуры, направлено модулирующей электрический ток в нейролемме (Прим. моя гипотеза).
На входе нейрона имеется в среднем от 5 000 до 10 000 тысяч сигналов (синапсов). Это приводит к сложной зависимости в интеграции сигналов и генерации выходного сигнала. Для функции такого одного нейрона пока невозможно построить адекватного математического описания. А таких нейронов в головном мозге человека доходит до 100 миллиардов.
Исходя из этого уже сложно использовать идеи построения нейросетей просто на основе имеющейся аналогии сети нервных клеток. Тем не менее, существуют самообучающиеся нейросети, находящие практическое применение. В частности, исследователи из Крэнфилдского университета (Великобритания) разработали устройство, способное по запаху определять наличие возбудителей различных инфекционных заболеваний [25].
Аппарат названный Diag-Nose, представляет собой аналог человеческой обонятельной сенсорной системы: главной его частью является блок электронных сенсоров. Последние объединены в несколько групп, каждая из которых способна распознавать наличие в обследуемом объекте определенного химического вещества. Сигналы генерируемые сенсорами, поступают в специально обученную искусственную нейросеть, которая и делает вывод о наличии того или иного заболевания.
Интересно также сообщение о разработке имплантов позволяющих дистанционно управлять техникой.
Кевин Уорвик вживил себе в руку чип, позволяющий включать и выключать свой компьютер, не приближаясь к нему. Данный чип в виде стеклянной капсулы, о начинке которой можно только догадываться, на удаленный запрос системы может выдать уникальный 64-битный ответ, является частью обширной программы Intelligent Home System ( понимающая домашняя система ), позволяющая человеку из одной точки контролировать все происходящее внутри дома. Система базируется на технологии LON (Local Operating Network), в которой используются нейронные сети [26].
Технологии самообучающихся нейронных сетей отчасти находят свое прикладное применение в управлении производством. Йогеш Гупта (Yogesh Gupta), один из руководителей компании Computer Associates, рассказал о создании его фирмой нейронных агентов - Neugents, которые будут включены в состав новой версии системы управления предприятием Unicenter TNG [29].
Способные, как и многие другие нейронные системы, к самообучению, Neugents будут следить за состоянием системы, отслеживая отдельные процессы. Обнаружив необычное течение процесса, Neugents не только сообщит об этом, но и предскажет, в какой момент нестабильная работа процесса приведет к сбою системы. Агенты будут также оценивать вероятность возникновения сбоя. В составе Unicenter TNG будут следить за работой этой сложной программной системы. Планируется использовать подобные нейропрограммы для распознавания поддельных документов и предсказания потребления энергии для электрических компаний.
Возникновение новых подходов при разработке семантических алгоритмов не мыслимо рассматривать в отрыве от психологических исследований, поскольку первые на них основываются.
Наиболее фундаментальные данные по исследованию памяти, в имеющихся изданиях, удалось обнаружить в [15] (Автор работы И. Хофман, психолог, профессор Берлинского университета). Хофман с сотрудниками удалось близко подойти к пониманию семантических механизмов памяти и созданию в ней новой информации.
Немаловажный аспект исследований связан с созданием так называемого биомашинного интерфейса, позволяющего связать нервную систему напрямую (через проводники) с компьютером. Специалистам медикам Рою Бэйки (Roy Bakay) и Филипу Кеннеди (Philip Kennedy) из университета Эмори (США) удалось создать электрод, который непосредственно воспринимает импульсы головного мозга человека [23].
Система пока всего лишь облегчает парализованным больным контакт с внешним миром, но в перспективе может привести к появлению новых технологий.
Электрод представляет собой два небольших полых конуса из пористого стекла. На поверхность электрода нанесены выделенные из клеток нервной периферической системы вещества (Прим. мое в гистологии они называются тканевыми факторами роста), которые вызывают рост окружающих электрод клеток коры головного мозга и их проникновение внутрь конусов. Этот процесс занимает несколько недель. Электрический сигнал воспринимается находящимися внутри конусов металлическими проводниками, усиливается и передается на компьютер. Электрод вживляется в участок коры головного мозга, управляющий движениями тела, и больной учится управлять курсором, пытаясь отдавать привычные команды своему неподвижному теперь телу. Больной также может передавать сообщения о том, что он голоден (Прим. мое очевидно, электроды вживлен и в центр голода, хотя в заметке об этом не сообщается).
Исследования в области биомашинного интерфейса пополнились еще одним научным фактом. Благодаря ученым из Калифорнийского университета (Беркли, США) Ян Дан (Yang Dang), Гаррет Стэнли (Garrett Stanley) и Фэй Ли (Fei Li) удалось декодировать зрительные сигналы, поступающие в кошачий мозг, и даже сделать на их основе видеозапись [24].
В мозг кота в район таламуса[2], были вживлены 117 электродов. На основе электрической активности участков таламуса с электродами, ученые реконструировали изображение, используя как указано в статье ( Journal of Neuroscience [3]) некую линейную декодирующую технику . Им удалось получить изображения вполне узнаваемых объектов, таких, например, как человеческие лица.
В одной из своих частных реализациях ИИ был эмиссирован в концепции виртуального мира (КВМ). Виртуальный мир (ВМ) реализуется как программная среда трехмерной графики с интеллектуальным состоянием встроенных в него объектов. Используя специальное устройство шлем виртуальной реальности (ШВР), состоящее из двух миниатюрных мониторов находящихся напротив глаз пользователя, микрофона и стереодинамиков, пользователь как бы оказывается в ВМ. Перемещение в среде реализуется при помощи джойстика или виртуальных перчаток, имеющих датчики растяжения. Основной стратегией в развитии программных средств ВМ является наращивание параметров интерактивности.
В настоящее время концепция виртуального мира получила свое очередное воплощение. Американская компания DigiScents (www.digiscents.com) анонсировала технологию, которая должна существенно расширить значение термина мультимедиа , добавив к зрительным и слуховым ощущениям еще и обонятельные [25]. Специальный аппаратно-программный комплекс, разработка которого в настоящее время подходит к концу, получил название iSmell.
Аппаратная часть представляет собой некий компактный электрохимический синтезатор, подключающийся к последовательному или USB-порту. Имея картридж с расходными материалами, он генерирует несколько сотен разнообразных запахов в соответствии с указаниями управляющей программы.
Не отстают и технологии распознавания речи. IBM выпустила новую версию ViaVoice программы распознавания речи для платформы Windows [30]. Развитые возможности ViaVoice позволяют говорить слитно, без пауз, используя естественные синтаксические конструкции языка. В отличие от предыдущей версии, переключение между режимами диктовки, редактирования текста и управлением приложением не требуется.
Помимо встроенного словаря, содержащего 64 тысячи наиболее распространенных слов, предусмотрена возможность подключения дополнительных словарей и создание пользовательского модуля. Для ускорения работы ViaVoice содержит набор часто встречающихся фраз. Не забыты и дети, высокие голоса которых часто не распознаются программами речевого ввода, - разработка IBM поддерживает дополнительный диапазон 11-22 кГц.
В списке новых технологий не на последнем месте стоит технология распознавания изображения человеческого лица, для верификации личности. В будущем, вероятно, компьютер должен понимать и эмоции пользователя, для более гибкого с ним взаимодействия это одна из сторон интеллектуализации интерфейса программ. Сотрудники Питсбурского университета уже стоят на пороге коммерческой реализации такой технологии [31].
Проблема с литературой по ИИ у нас в России имеет место. В то же время результаты исследований по ИИ за рубежом в виде отчетов, докладов и прочих печатных изданий имеются, но стоят денег. Потребность в обзоре литературы по ИИ и ее явная недостаточность привела к необходимости привести список научных работ опубликованный в Internet (см. Приложение 1). Данный список принадлежит государственному университету Нью-Йорка Буффалло и посвящен в основном проблеме SNePS (The Semantic Network Processing System[4]) - система семантического сетевого процессинга. Попытка связаться с мистером Стюартом К. Шапиро, как бы куратора этой странички, не увенчалась успехом. Поэтому не удалось проанализировать содержание научных работ. В связи с этим целесообразно привести перечень тематик выбранных произвольно из списка Приложения 1.
1. Сетевая структура для семантической информационной памяти, дедукции и поиска.
2. Логика для семантических сетей.
3. Репрезентация и локализация дедукции правил в семантической сети.
4. Репрезентация чисел в семантической сети.
5. Путь основанный и узел основанный вывод в семантических сетях.
6. Числовые кванторы и их использование в рассуждении с отрицательной информацией.
7. Использование ненормативных связей и кванторов для репрезентации правил дедукции в семантической сети.
8. Вывод с рекурсивными правилами.
9. Система для представления и использования реального знания.
10. Дедуктивная семантическая сетевая программа для решения микробиологических неизвестных.
11. Система ревизии веры, основанная на релевантной логике и иерархических контекстах.
12. Подход инженерии знаний к пониманию естественного языка.
13. Использование активного соединения графов для рассуждения с рекурсивными правилами.
14. Обобщенные расширенные переходы сетевых грамматик для генерации от семантических сетей.
15. Рассуждение о множественных пространствах веры.
16. Рассуждения по умолчанию использующие монотонную логику: ограниченные предложения.
17. Вера и действие: подход к метазнаниям и метарассуждениям.
18. Квази-индексированные ссылки в пропозиционных семантических сетях.
20. Интеллектуальный синтаксический анализ.
21. Представление веры и квази-индикаторы.
22. Аналогичное и логическое представление структуры в неврологическом диагнозе.
23. Семантическая сетевая репрезентация периферической нервной системы.
24. Схема моделирования диагноза.
25. Логика и искусственный интеллект.
26. Синтаксический анализ как форма вывода в многопроцессорной среде.
27. Представление пространственной структуры и функции в диагнозе.
28. К интеллектуальной компьютерной графической системе.
29. Система диагностики ошибок, основанная на интегрированной базе знаний.
30. Компьютеризированный неврологический диагноз: парадигма моделирования и рассуждения.
31. Теоретические основы для пересмотра веры.
32. Гипотетическое рассуждение.
33. Семантические сети как абстрактные типы данных.
34. Искусственный интеллект и автоматизированный проект.
35. О представлении знания, использующем семантические сети и санскрит.
36. Ассимиляция: стратегия для осуществления самоорганизующихся баз знаний.
37. Представление знаний для обработки естественного языка.
38. Формирование большого тезауруса для информационного поиска.
39. Синтаксическая семантика: Основы вычислительного понимания естественного языка.
40. Интеллектуальная технология интерфейса мультимедиа.
41. Представление непрозрачных контекстов.
42. Виды непрозрачности и их представлений.
43. Соподчиненные и основные категории уровня в беседе: память и контекст.
44. Компьютерные процессы и виртуальные люди: Комментарии по Колу Искусственный интеллект и персональное тождество .
45. Утверждение, фикция, и искусственный интеллект.
46. Архитектура интеллектуального агента в SNеPS.
47. Опытно основанное дедуктивное изучение.
48. Эффективное выполнение ненормативных связок и кванторов в дедуктивных рассуждающих системах.
49. Логика уместности в информатике.
50. Объединенная модель действия и вывода.
51. Архитектура искусственного интеллекта, основанная на передаче сообщений.
52. Симуляция воздушного сражения: агент с сознательным и бессознательным уровнями.
53. Поведение, основанное на искусственном интеллекте, когнитивные процессы и поведения восстановления в автономных агентах.
54. Обработка естественного языка, использующая логическую семантическую сеть со структурированными переменными.
55. Планирование намерений с риторическими отношениями.
56. Синтаксическая семантика: основы вычислительного понимания естественного языка.
57. Системы поддержки принятия решений.
58. Формализация английского языка.
59. Логика для понимания естественного языка и рассуждения здравого смысла.
Важно подчеркнуть, что литература в Приложении 1 приведена в последовательности обнародования по годам с 1971 по 1999 год. Так что в какой-то мере можно проследить некоторое наращивание сложности тематики. Другой момент невозможность судить о сущности тематик только по названию, но к сожалению другой возможности не представилось.
2. Постановка задачи исследования (построения) ИИ
2.1. Цель создания ИИ
Явления, которые отображаются в таких фундаментальных понятиях кибернетики, как информация и управление, имеют место в органической природе и общественной жизни. Таким образом, кибернетику можно определить как науку об управлении и связи с живой природой в обществе и технике [44].
Один из важнейших вопросов, вокруг которого идут философские дискуссии - это вопрос о том, что такое информация, какова ее природа и как она реализуется в живых и искусственных системах? Для характеристики природы информационных процессов необходимо кратко рассмотреть естественную основу всякой информации, а таковой естественной основой информации является присущее материи объективное свойство отражения.
Положение о неразрывной связи информации и отражения стало одним из важнейших в изучении информации и информационных процессов и признается абсолютным большинством отечественных философов.
Информация в живой природе в отличие от неживой играет в ней активную роль, так как участвует в управлении всеми жизненными процессами.
Материалистическая теория отражения видит решение новых проблем науки и, в частности, такой кардинальной проблемы естествознания как переход от неорганической материи к органической, в использовании методологической основы диалектического материализма. Проблема заключается в том, что существует материя, способная ощущать, и материя, созданная из тех же атомов и в тоже время не обладающая этой способностью. Вопрос, таким образом поставлен вполне конкретно и, тем самым, толкает проблему к решению. Кибернетика вплотную занялась исследованием механизмов саморегуляции и самоуправления. Вместе с тем, оставаясь методически ограниченными, эти достижения оставили открытыми ряд проблем к рассмотрению которых привела внутренняя ломка кибернетики.
Сознание является не столько продуктом развития природы, сколько продуктом общественной жизни человека, общественного труда предыдущих поколений людей. Оно является существенной частью деятельности человека, посредством которой создается человеческая природа и не может быть принята вне этой природы.
Если в машинах и вообще в неорганической природе отражение есть пассивный, мертвый физико-химический, механический акт без обобщения и проникновения в сущность обобщаемого явления, то отражение в форме сознания есть, то мнению Ф. Энгельса "познание высокоорганизованной материей самой себя, проникновение в сущность, закон развития природы, предметов и явлений объективного мира".
В машине же отражение не осознанно, так как оно осуществляется без образования идеальных образов и понятий, а происходит в виде электрических импульсов, сигналов и т. п. Поскольку машина не мыслит, эта не есть та форма отражения, которая имеет место в процессе познания человеком окружающего мира. Закономерности процесса отражения в машине определяются, прежде всего, закономерностями отражения действительности в сознании человека, так как машину создает человек в целях более точного отражения действительности, и не машина сама по себе отражает действительность, а человек отражает ее с помощью машины. Поэтому отражение действительности машиной является составным элементом отражения действительности человеком. Появление кибернетических устройств приводит к возникновению не новой формы отражения, а нового звена, опосредующего отражение природы человеком.
Общность мышления со способностью отражения служит объективной основой моделирования процессов мышления. Мышление связано с созданием, передачей и преобразованием информации, а эти процессы могут происходить не только в мозгу, а и в других системах, например ЭВМ. Кибернетика, устанавливая родство между отражением, ощущением и даже мышлением, делает определенный шаг вперед в решении поставленной проблемы. Это родство между мышлением и другими свойствами материи вытекает из двух фундаментальных принципов материалистической диалектики принципа материального единства мира и принципа развития. Однако нельзя ни абсолютизировать ни отрицать это родство. Мышление - человеческие качество и отличается от кибернетического.
Несмотря на качественное различие машины и мозга в их функциях есть общие закономерности (в области связи, управления и контроля), которые и изучает кибернетика. Но эта аналогия между деятельностью автоматической и нервной системы, даже в плане переработки информации, относительно условна и ее нельзя абсолютизировать. И в этой связи следует отметить, что для некоторых исследований по кибернетике, особенно тех, которые выполнены в начальный период ее развития, были характерны механистические и метафизические тенденции, хотя по внешнему виду они проявлялись, казалось, диаметрально противоположно. Имело место непринятие во внимание качественных различий между неживой материей и мыслящим мозгом, стиралась всякая грань между познающим субъектом и объектом материального мира. Коль скоро современные ЭВМ универсальны и способны выполнять целый ряд логических функций, то утверждалось, что нет никаких оснований не признавать эту деятельность интеллектуальной. Допускалось создание искусственного интеллекта или машины, которая будет "умнее" своего создателя. Были поставлены другие вопросы, связанные с возможностью такой машины. Сможет ли машина полностью, во всех отношениях заменить человека? Существуют ли вообще какие ли пределы развития кибернетических устройств? Конечно эти вопросы не утратили актуальность. Было бы преждевременно списывать их в архив нестрого поставленных вопросов, ибо через них проходит линия конфликта между различными философскими школами, материализмом и идеализмом, по поводу основного вопроса философии.
Иначе говоря, речь идет об одном из аспектов современной исторической формы основного вопроса: о сущности человеческого сознания и его отношения к функционированию кибернетических устройств. В наши дни, идущие под знаком ускорения научно-технического прогресса, автоматизация интеллектуальной деятельности становится насущной проблемой.
Согласно положению советского специалиста по кибернетике И.А. Полетаева мы вступаем в эпоху "пересечения кривых". Экстраполируя на обозримое будущее современные тенденции развития общества можно придти к парадоксальным результатам. Сейчас число лиц, занятых в сфере управления и обслуживания растет быстрее, чем число лиц, непосредственно занятых в производстве. Причем происходит это так быстро, что через некоторое время количество людей, занятых в непроизводственной сфере и, в частности, в науке будет близко к общей численности населения Земли. Но современные реалии несколько иные. Сегодня в России как раз все наоборот. Численность представителей науки падает с каждым днем.
Стремительное увеличение потока перерабатываемой информации там,где раньше ее почти не было (торговля, банковское дело), также приведет к значительным изменениям в методах работы и потребует автоматизации, а возможно и интеллектуализации.
Под интеллектом будем понимать способность любого организма (или устройства) достигать некоторой измеримой степени успеха при по иске одной из многих возможных целей в обширном многообразии сред. Будем отличать знания от интеллекта, имея в виду, что знания - полезная информация, накопленная индивидуумом, а интеллект это его способность предсказывать состояние внешней среды в сочетании с умением преобразовывать каждое предсказание в подходящую реакцию, ведущую к заданной цели. По-разному дается и определение искусственного интеллекта. Полагают, что о реализации искусственного интеллекта можно будет говорить лишь тогда, когда автомат начнет решать задачи, непосильные для человека, причем сделает это не в результате высокого быстродействия, а в результате применения нового найденного метода. Однако не все с этим согласны. В большинстве случаев на нынешнем начальном этапе исследований по искусственному интеллекту лишь соизмеримыми с результатами, полученными человеком, и не столь оригинальными. Многие споры вокруг проблемы "кибернетика и мышление" имеют эмоциональную подоплеку. Признание возможности искусственного разума представляется чем-то унижающим человеческое достоинство. Однако нельзя смешивать вопросы возможности искусственного разума с вопросом о развитии и совершенствовании человеческого разума. Разумеется, искусственный разум может быть использован в негодных целях, однако это проблема не научная, а скорее морально-этическая.
Однако развитие кибернетики выдвигает ряд проблем, которые все же требуют пристального внимания. Эти проблемы связаны с опасностями, возникающими в ходе работ по искусственному интеллекту.
Первая проблема связана с возможной потерей стимулов к творческому труду в результате массовой компьютеризации или использования машин в сфере искусств. Однако в последнее время стало ясно, что человек добровольно не отдаст самый квалифицированный творческий труд, т.к. он для самого человека является привлекательным.
Вторая проблема носит более серьезный характер и на нее неоднократно указывали такие специалисты, как Н. Винер, Н.М. Амосов, И.А. Полетаев и др. Состоит она в следующем.
Сегодня существуют машины и программы, способные в процессе работы самообучаться, то есть повышать эффективность приспособления к внешним факторам. В будущем, возможно, появятся машины, обладающие таким уровнем приспособляемости и надежности, что необходимость человеку вмешиваться в процесс отпадет. В этом случае возможна потеря самим человеком своих качеств, ответственных за поиск решений. Налицо возможная деградация способностей человека к реакции на изменение внешних условий и, возможно, неспособность принятия управления на себя в случае аварийной ситуации. Встает вопрос о целесообразности введения некоторого предельного уровня в автоматизации процессов, связанных с тяжелыми аварийными ситуациями. В этом случае у человека, "надзирающим" за управляющей машиной, всегда хватит умения и реакции таким образом воздействовать на ситуацию, чтобы погасить разгорающуюся аварийную ситуацию. Люди будут постоянно решать проблему искусственного интеллекта, постоянно сталкиваясь со все новыми проблемами. И, видимо, процесс этот бесконечен.
Таким образом основная цель создания искусственного интеллекта заключается в имитации человеческого мышления, с тем, чтобы компьютер обладающий многими полезными качествами которых нет у человека, осуществлял решение различных задач принятия решения в процессах контроля и управлении в производственной, научной и другими сферами жизни человека.
В дальнейшем в настоящей работе цель создания ИИ будет несколько переформулирована.
2.2. Возможность реализации ИИ
Кибернетика идет дальше существующего (настоящего) и ставит вопрос, вместе с которым мы попадаем в пучину споров, вопрос о возможности "искусственного интеллекта", "машинного мышления", "кибернетического разума" и т. д. Здесь обнаруживается полный спектр взглядов, начиная от "крайне оптимистических" до "крайне пессимистических" на возможность возникновения мыслящих машин. Аргументация в пользу пессимистического взгляда обычно двоякая: либо авторы исходят из особой субстанционной природы мышления, либо из особой качественной его специфичности. Правда не совсем ясно, чем отличается первое от второго.
Представляется наиболее разумной позиция, которую можно назвать "умеренно оптимистической": не сегодня нет непреодолимых, принципиальных преград на пути создания искусственных устройств, обладающих интеллектом. Но на этом пути стоят огромные трудности, отнюдь не уменьшающиеся с бурным развитием кибернетики (Например, машинный перевод. Имеющиеся программы перевода работают некорректно при переводе специализированных текстов, не только в синтаксическом, но и в семантическом аспектах), хотя лет 10 назад большинство специалистов рисовали самые радужные перспективы на самое ближайшее будущее; но задача оказалась на много сложнее, чем это показалось вначале. Кроме того, нет оснований считать, что непреодолимые препятствия не появятся в будущем.
Имеющееся у нас знание включает в себя как совокупность научных теорий и эмпирических сведений, так и общефилософские принципы. Из имеющихся научных теорий и эмпирических данных "крайне пессимистический" вывод не следует. Аргументы против возможности искусственного интеллекта, основанные на имеющихся научных теориях и эмпирических данных, могут быть названы "конкретными" аргументами. Обычно они состоят в указании на какие-нибудь определенные действия мышления, которые неспособно выполнить никакое кибернетическое устройство. Однако все такие аргументы были опровергнуты в ходе развития кибернетики. Более того, существует теорема МакКаллока Питса, сводящая вопрос о выполнении любой функции головного мозга к вопросу о познаваемости этой функции. Не становясь на позиции агностицизма трудно быть приверженцем "конкретных" аргументов.
Идея ИИ часто объявляется механистической на том основании, что работа ЭВМ управляется законами электродинамики, и, значит, здесь происходит сведение высшего (мышления) к низшему (физическим процессам в ЭВМ). Однако исходная посылка неверна.
Работа ЭВМ отнюдь не управляется законами электродинамики. Этими законами управляется работа отдельных элементов машины. По физическим законам ЭВМ работает только в том смысле, то она, скажем, преобразует электрическую энергию в тепло. Ведь сущность работы состоит не в этом преобразовании, а в том, что она производит определенные арифметико-логические операции. Машина имеет дело с информацией и работает по законам преобразования информации, т.е. по законам кибернетики. Поэтому, если рассматривать эти процессы с позиции механизма, неизбежно оказываешься на позициях механицизма, т. к. происходит сведение более сложных процессов переработки информации к более простым. Это то же самое, что сказать, будто работа мозга сводится к биохимическим и биофизическим процессам. На самом деле эти процессы происходят на уровне нейронов, а на уровне процессов переработки информации действуют другие законы, закономерности которых отнюдь не эквивалентны. С этой точки зрения и работу ЭВМ надо рассматривать как работу системы по переработки информации. Тезису искусственного интеллекта приписывается также и отрицание идеального характера сознания и обвинение в вульгарном материализме. Можно показать, то это не так.
Не касаясь вопроса о структуре информации, представляющей собой меру упорядоченности процесса и составляющей его внутреннее достояние, мы охарактеризуем внешнюю или относительную информацию, всегда связанную с отношением двух процессов. Пусть имеются процессы А и В со множеством некоторым образом упорядоченных состояний А1 ... Аn и В1 ... Вn. Если каждому Аi соответствует определенное Вi и отношение между состояниями А изоморфны состояниям В, то можно сказать, что процесс В несет в себе информацию о процессе А. Эта информация заключается не в В ни в А, но существует именно в отношении этих процессов друг к другу. Взятая сама по себе эта информация столь же объективна и материальна, как и любые другие свойства и отношения объектов или процессов.
Теперь возьмем множество состояний нашего мозга в процессе функционирования. Мозг отражает внешний мир, что значит, что между множеством состояний элементов мозга и множеством состояний внешних процессов имеется соответствие, т.е. мозг имеет информацию о внешних процессах. Эта информация заключена и не заключена в мозгу, т. к. сколько бы мы ни исследовали мозг кроме электрических, химических и др. характеристик нейронов мы там ничего не обнаружим. Необходимо рассмотреть связь мозга с внешним миром. Именно в этом и заключена информация, носителем которой и являются нейроны. Информация, с которой работает мозг и есть та идеальная сторона в его работе, и таким образом идеальное не существует в виде особого предмета или субстанции. Оно существует как сторона деятельности мозга, заключающейся в установлении связей между множеством состояний внешнего мира и головного мозга. Идеальная информация человеческого мозга имеет в принципе тот же характер, что и относительная информация вообще.
На известной ступени исторического развития материи произошел качественный скачок, в результате которого информация, превратившись в достояние мозга, приобрела характер идеальной информации. Если мы признаем у кибернетических систем возможность достижения сложности, сравнимой со сложностью мозга, то необходимо признать у таких систем существование у них черт, которые мы называем идеальными.
Ряд авторов объявляет тезис искусственного интеллекта противоречащим тезису о социальной природе сознания и мышления. Но здесь скрывается ошибка - отсутствие различия между естественно историческим зарождением мышления и сознательным воспроизведением его человеком в универсальном компьютере. Во втором случае машина не становится социальным существом, но человек, поняв сущность мышления, воссоздает его в машине. Если социальная природа мышления закономерна и познаваема, то она может быть в принципе искусственно воспроизведена.
Человек, кроме того есть не только природное существо, его основные характеристики - продукт социального, а не чисто биологического развития. Это означает, что мышление человека не может развиваться в изоляции, для этого необходимо, чтобы человек был включен в общество или аналогичные информационно развивающие среды (виртуальное обучающее пространство).
Во-первых, для возникновения мышления необходимо наличие языка, что возможно лишь в обществе (пока). Во-вторых, с кибернетической точки зрения "разумность" машины определяется количеством перерабатываемой информации, поэтому даже мощная система, попавшая в информационно - бедную среду, не может стать достаточно "разумной". Яркий пример - дети, выросшие вне общества, например в лесу. Для человека необходимым условием его развития было функционирование в обществе, так как общество по своим информационным параметрам является чрезвычайно богатой средой.
Все это дает возможность понять, что тезис об общественной природе мышления никак не противоречит тезису о искусственном интеллекте. Кибернетическая система, имеющая достаточную мощность, для полного использования своих возможностей должна быть помещена в информационно-богатую среду, образовав вместе с создателями некий симбиоз, называемый "интегральным интеллектом".[5]
Принцип невозможности кибернетического интеллекта жестко привязывает определенный род функционирования к строго определенному субстрату (головному мозгу). Это ставит философскую проблему соотношения функции и субстрата. Философский анализ тенденций современного научного знания делает мало вероятным (но не исключает) вывод о жесткой привязанности мышления к мозгу. Именно из-за этого "крайний пессимист" отрицает возможность наличия интеллекта у кибернетического устройства.
Он безоговорочно связывает мышление с одним, строго определенным субстратом - человеческим мозгом, и не приемлет попытки определения мышления без связи со структурой мыслящей системы. По его мнению это есть сведение мышления только к информационной стороне, в то время как мышлением называют возникшую у биологических существ способность. Таким образом, мышлением можно назвать только то, что осуществляется только мозгом человека, но это не является приемлемым решение проблемы.
Разумеется, мышление есть функция высокоорганизованной материи и определено структурой системы. Но с гносеологической точки зрения знание функции выводится из знания структуры, а знание структуры является выводом из все более полного изучения способов функционирования. Если представить себе множество различных систем, осуществляющих функцию мышления, то именно выявление инвариантного аспекта этих систем и будет раскрытием той структуры, которая лежит в процессе мышления.[6]
Конечно может оказаться, что эта структура жестко связана со строго определенным субстратом, но этот тезис должен являться результатом научного исследования, а не исходной предпосылкой.
Вопрос о жесткой связи мышления со строго определенным субстратом связан с вопросом о роли субстратных методов вообще. Не подлежит сомнению ведущая роль в современном естествознании функционально структурных методов. Пока наука имела дело с непосредственно ощущаемыми объектами, она могла исходить из субстратной точки зрения.
Суть ее заключается в том, что объект обладает набором характеристик, выражающих его природу, свойства того материала, из которого он сделан. Зная эти характеристики можно изучить поведение объекта. Материал, субстрат первичен; движение, поведение вторично. Эта точка зрения образует содержание так называемого мифического субстанционализма.
Уже в 19 веке ограниченность этой концепции была вскрыта диалектическим материализмом, показавшим, что "лишь в движении тело обнаруживает, что оно есть... Познание различных форм движения и есть познание тел".[7] Отсюда, разумеется, не следует, что только движение существует и никакого субстрата нет вообще. Отсюда следует лишь неправомерность употребления отношения первичности-вторичности для характеристики связи движения (поведения) и субстрата в плане их реального существования.
Отсюда следует также, что в гносеологическом плане поведение действительно первично по отношению к субстрату и познание субстрата не содержит ничего иного, кроме непрерывно расширяющихся способов изучения объектов.
Диалектико-материалистическая концепция мышления понимает последнее как свойство особым образом высокоорганизованной материи. В ней не содержится никаких ограничений в отношении специфических характеристик и открывает необозримые перспективы на пути исследования этих характеристик. Кибернетика, и искусственный интеллект, в частности, достигает на этом пути некоторых результатов.
Многие вопросы создания ИИ остаются без должного внимания в связи с их научной сложностью и требуемыми финансовыми и прочими затратами на их решение. В частности в исследованиях человеческой памяти встречаются серьезные трудности. Не имея возможности использовать микроэлектродное шунтирование головного мозга здорового человека, как это хорошо реализуется при использовании животных. Райнер Зинц высказывает аналогичную мысль [19]. Он пишет, что хотя и Считается общепринятым не проводить с человеком эксперименты, оказывающие на него вредные воздействия. Однако исследования с человеком возможны и их даже следует предпочитать экспериментам над животными, если они не приносят человеку вреда, осуществляются с меньшими затратами и в естественных условиях, а также если результаты исследований поддаются лучшей интерпретации и более доказательны . Но пока что ученые вынуждены использовать только психологические методики. Иногда задействуется приборная база: электроэнцефалографы, системы обработки температурной и кожно-гальванической реакции кожного покрова, устройства мониторинга состояния зрачка и т.п.
3. К вопросу о методике разработки ИИ
3.1. Философское обоснование
В настоящее время происходит обсуждение вопроса о перспективах развития кибернетических машин и их взаимоотношений с человеческим разумом [44].
Чтобы создать машину, функционирующую как мозг, необходимо создать вещество, обладающее свойствами или подобное высокоорганизованной белковой материи, каковое образует мозг. Действительно, такая машина будет функционировать "как мозг", но именно функционировать, а не мыслить. Чтобы мыслить материя должна существовать не только в экономической, но и в социальной форме. А замена неорганического содержимого органическим этого не дает, более того, в результате подобной замена будет утрачено одно из основных преимуществ электронной машины быстродействие. (Хотя учитывая, определенные достижения по созданию логических вентилей в трехмерной органической матрице этого может и не произойти.)
Рассматривая возможность создания искусственным путем, на основе моделирования, мыслящего существа необходимо остановиться на двух аспектах этой проблемы.
Во-первых, кибернетика моделирует не все функции мозга, а только те, которые связаны с получением, обработкой и выдачей информации, т.е. функции, которые поддаются логической обработке. Все же другие, бесконечно разнообразные функции человеческого мозга остаются вне поля зрения кибернетики.
Во-вторых, с точки зрения теории моделирования вообще не имеет смысла говорить о полном тождестве модели и оригинала.
Отождествление человеческого и "машинного" разума происходит тогда, когда субъект мышления подменяется какой-либо материальной системой, способной отражать. Единственным же субъектом мышления является человек, вооруженный всеми средствами, которыми он располагает на данном уровне своего развития. В эти средства входят и кибернетические машины, в которых материализованы результаты человеческого труда. И, как всякое орудие производства, кибернетика продолжает и усиливает возможности человеческого мозга. Человек будет передавать машине лишь некоторые функции, выполняемые им в процессе мышления. Само мышление как духовное производство, создание научных понятий, теорий, идей, в которых отражаются закономерности объективного мира, останется за человеком.
До сих пор диалектико-материалистическое понимание мышления опиралось главным образом на обобщенные данные психологии, физиологии и языкознания. Данные кибернетики позволяют поставить вопрос о более конкретном понимании мышления.
Кибернетика не ставит целью "замену" человека или "подмену" его мышления. Оно лишь дает новые аргументы в пользу диалектико-материалистического представление о машине - помощнице человека.
Кибернетика приводит к материалистическому выводу о том, что при решении вопроса о принципиальных и реальных вопросах машинного моделирования процессов мышления следует, прежде всего, учитывать социальную обусловленность мышления, сознания, психической жизни человека. Моделирование как метод исследования характеризуется опосредованным практическим или теоретическим исследованием объекта. При этом изучается не объект а вспомогательная искусственная или естественная система, находящаяся в объективном соответствии с исследуемым объектом, способная замещать его в определенном отношении и дающая при ее исследовании информацию о самом моделируемом объекте.
С гносеологической точки зрения суть моделирования заключается в опосредованном познании интересующего нас объекта, т.е. по модели мы судим о некоторых свойствах оригинала. С помощью моделирования познаются новые явления на основе уже изученных. Кибернетический подход означает моделирование процессов интеллектуальной деятельности человека с одной определенной стороны, а именно - на уровне элементарных процессов переработки информации. Природа мышления, загадка сознания, тайна разума, все это, безусловно, одна из наиболее волнующих человека проблем. Популярность кибернетики, неослабевающий интерес к ней со стороны самых широких кругов во многом объясняется именно ее тесной связью с этой "вечной" проблемой. С того самого момента, как человек стал задумываться над проблемой мышления, в подходе к ней существуют два основных диаметрально противоположных направления: материализм и идеализм. Идеализм исходит из признания мышления некой особой сущностью, в корне отличной от материи, от всего того, с чем мы имеем дело во внешнем мире. Материализм, напротив, утверждает, что "...тот вещественный, чувственно воспринимаемый нами мир, к которому принадлежим мы сами, есть единственный действительный мир и наше сознание и мышление, как бы ни казалось оно сверхчувствительным, являются продуктом вещественного, телесного органа мозга".[8]
Этот основной тезис материализма в трактовке мышления получает со стороны кибернетики новое (и в определенном смысле решающее) доказательство. Суть дела заключается в следующем. Естествознание с момента своего возникновения доставляло непрерывно возрастающую аргументацию в пользу материалистической концепции мышления. Данные физиологии, эволюционной биологии, психологии с самых разнообразных сторон обосновывали тезис материализма. Но все эти данные имеют дело с одним объектом - мозгом, с присущей ему способностью мышления, что уже есть в готовом, данным природой виде. Здесь всегда остается "лазейка" для идеалистического сомнения в тезисе о том, что мозг - орган мышления.
С наибольшей четкостью эту точку зрения попытался обосновать американский психолог и философ-прагматист У. Джемс в конце прошлого века. Джеймс не оспаривает ни одного утверждения физиологии, устанавливающей связь между процессами, которые мы субъективно осознаем как мышление, и материальными процессами, происходящими при этом в мозгу. Но (и в этом смысл аргументов У. Джеймса) с логической точки зрения эта связь не означает то, что мозг есть орган мысли; любые данные физиологии доказывают лишь наличие соответствия и не более того.
Высшим судьей научных концепций всегда в конечном счете является практика. "Если мы можем доказать правильность нашего понимания данного явления природы тем, что сами его производим, вызываем его из его условий, заставляем его к тому же служить нашим целям, то кантовской неуловимой "вещи в себе" приходит конец".[9] Этот аргумент искусственного воспроизведения отсутствовал в традиционной философии и кибернетика дает его независимо от исхода споров о возможности создания искусственного интеллекта, сравнимого с человеческим.
На основе уже достигнутого можно утверждать, что целый ряд функций мышления, ранее считавшихся исключительным достоянием живого мозга, искусственно воспроизводится кибернетическими устройствами. В этом заключается огромной важности философский результат кибернетики, констатировать который можно уже сегодня.
Итак, конкретно-научное обоснование материалистической концепции мышления, практическое доказательство того, что мышление есть функция высокоорганизованной материальной системы - важнейшее философское завоевание кибернетики. Работы по искусственному интеллекту во многом тесно связаны с философской проблемой кибернетического моделирования. Эти работы часто связывают с построением точной копии человеческого мозга. Однако такой подход можно назвать "некибернетическим". Каковы же черты кибернетического метода мышления, какие вопросы вносит кибернетика в человеческое познание? В своей "Истории западной философии" Б. Рассел ставит вопрос о факторах, позволивших европейцам создать тип культуры, в котором ведущее место заняла наука. Причину этого Рассел усматривает, как он выражается, в двух великих интеллектуальных изобретениях: изобретение дедуктивного метода древними греками (Эвклид) и изобретение экспериментального метода в эпоху возрождения (Галилей). Именно эти два интеллектуальных изобретения - дедуктивный метод (а тем самым математика) и эксперимент позволили создать классическую науку. К этим двум основным интеллектуальным орудиям современное развитие познания добавляет третье - математическую модель и математическое моделирование. Соединение дедуктивных построений математики с данными, добытыми экспериментальным методом, создает естествознание, в центре которого стоит понятие научного закона. Совокупность законов это основное содержание естествознания; их установление его основная задача.
Закон претендует на точное (в рамках данного уровня познания) описания хода явлений. Закон либо верен, либо неверен, бессмысленно говорить о хороших и плохих законах. Модель в этом отношении противоположна закону. Модель может быть плохой или хорошей, она не претендует на точное воспроизведение сложной системы, а ограничивается описанием отдельных аспектов, причем для одного и того же аспекта могут быть предложены модели, одновременно имеющие право на существование.
В изучении сложных систем (в том числе диффузных - нельзя выделить отдельные части без повреждения системы) формулировка относительно простых законов оказывается невозможной и заменяется построением эскизных моделей. Образно говоря, здесь мы имеем дело с математическим описанием, напоминающим современную абстрактную живопись. Можно сказать, что попытки реалистичного описания сложных систем иллюзорны такое описание не воспринималось бы из-за чрезмерной сложности.
Это не означает, что категория закона утрачивает смысл в науке, но то, что дополнительно к ранее известным интеллектуальным орудиям - строгой дедукции и эксперименту рождается третье орудие - математическое моделирование, в котором по-новому выступает математика и появляется новый вид эксперимента - машинный эксперимент, в котором проигрываются различные модели с последующим сопоставлением с реальным экспериментом.
Путь, который предлагает кибернетика, состоит в построении эскизных моделей, охватывающих все более и более широкий диапазон функций мышления. Задачи раскрыть "в лоб" "сущность мышления" не ставится, а ставится задача построения эскизных моделей, позволяющих описать отдельные его стороны, воспроизведены отдельные его функции и, двигаясь в этом направлении, строить системы, все более приближающиеся к человеческому мозгу. Отсутствия жесткой связи способа функционирования (поведения) со строго определенным субстратом означает, что если две системы обнаруживают одинаковое поведение в достаточно широкой области, то они должны рассматриваться как системы сходные, аналогичные по этому способу поведения. Имеет смысл рассмотреть этот вопрос в связи с проблемой кибернетического моделирования.
3.2. Основные направления методики
Принято различать три основные пути моделирования интеллекта и мышления:
- классический, или (как его теперь называют) бионический;
- эвристического программирования;
- эволюционного моделирования.
Рассмотрим их в этой последовательности.
БИОНИЧЕСКОЕ МОДЕЛИРОВАНИЕ.
Непосредственное моделирование человеческого мозга (т.е. моделирование каждой нервной клетки и связей между ними) с целью создания автоматов, обладающих интеллектом, чрезвычайно сложно. Мозг представляет собой самую сложную и лишь частично изученную структуру. Сложнейшее переплетение связей коры головного мозга практически не поддаются расшифровке. Известно лишь примерное расположение зон мозга, отвечающих за ту или иную функцию. В настоящее время не известен и принцип работы мозговых элементов нейронов, многочисленные связи которых имеют внешне хаотический характер. Попытки смоделировать работу головного мозга соединением между собой множества процессоров подобно нейронной сети, показали, что некоторое увеличение скорости и потока обрабатываемой информации идет лишь до уровня одного двух десятков процессоров, а затем начинается резкий спад производительности. Процессоры как бы "теряются", перестают контролировать ситуацию или проводят большую часть временив ожидании соседа. Некоторых успехов удалось добиться лишь в приборах, работающих в "двумерном варианте", т. е. обрабатывающих не последовательную, а параллельную информацию, например в системах распознаваниях образов. В них одна плоскость данных одновременно взаимодействует с другой, причем количество единиц информации может достигать нескольких миллионов. Таким образом происходит единовременный охват изучаемого объекта, а не последовательное изучение его частей.
ЭВРИСТИЧЕСКОЕ ПРОГРАММИРОВАНИЕ.
Второй подход к решению задачи искусственного интеллекта связан с эвристическим программированием и решает задачи, которые в общем можно назвать творческими.
Практичность этого метода заключается в радикальном уменьшении вариантов, необходимых при использовании метода проб и ошибок. Правда, всегда существует вероятность упустить наилучшее решение, так что говорят, что этот метод предлагает решения с некоторой вероятностью правильности.
Обычно используют два метода : метод анализа целей и средств и метод планирования. Первый заключается в выборе и осуществлении таких операций, которые последовательно уменьшают разницу между исходным и конечным состоянием задачи. Во втором методе вырабатывается упрощенная формулировка исходной задачи, которая также решается методом анализа целей и средств. Один из полученных вариантов дает решение исходной задачи.[10]
ЭВОЛЮЦИОННОЕ МОДЕЛИРОВАНИЕ.
Третий подход является попыткой смоделировать не то, что есть, а то, что могло бы быть, если бы эволюционный процесс направлялся в нужном направлении и оценивался предложенными критериями.
Идея эволюционного моделирования сводится к экспериментальной попытке заменить процесс моделирования человеческого интеллекта моделированием процесса его эволюции. При моделировании эволюции предполагается, что разумное поведение предусматривает сочетание способности предсказывать состояние внешней среды с умением подобрать реакцию на каждое предсказание, которое наиболее эффективно ведет к цели.
Этот метод открывает путь к автоматизации интеллекта и освобождению от рутинной работы. Это высвобождает время для проблемы выбора целей и выявления параметров среды, которые заслуживают исследования. Такой принцип может быть применен для использования в диагностике, управлении неизвестными объектами, в игровых ситуациях.
Итак, существуют три пути моделирования интеллекта: бионический, эвристический и эволюционный. В зависимости от использованных средств можно выделить три фазы в исследованиях. Первая фаза - создания устройств, выполняющих большое число логических операций с высоким быстродействием.
Вторая фаза включает разработку проблемно-ориентированных языков для использованного на оборудовании, созданном в первой фазе. Третья фаза наиболее выражена в эволюционном моделировании. В ходе развития этой фазы отпадает необходимость в точной формулировке постановки задачи, т.е. задачу можно сформулировать в терминах цели и допустимых затрат, а метод решения будет найден самостоятельно по этим двум параметрам. Иногда встречается утверждение, что кибернетическое моделирование вообще неприменимо к изучению мышления, т.к. моделирование основана на понятиях соответствия и изоморфизма, а мышление есть чисто человеческая способность, якобы не могущая быть описана на основе понятий соответствия. Иногда говорят, что понимание познания, мышления как соответствия образа предмету означает ни много ни мало как дуалистическую точку зрения, внешне сопоставляющую предмет и образ. Понимание сознания как отражения неизбежно означает понимание его как соответствия, возникающего в ходе приспособления организма к среде. Причем это соответствие не есть просто внешнее соответствие вещи и образа как самостоятельного по отношению к вещи идеального предмета. Это действительно была бы дуалистическая точка зрения, но она не может монополизировать понятие соответствия. Материализм понимает образ, идеальное именно как соответствие определенных состояний мозга определенным состояниям внешнего мира. Это соответствие и несет информацию о внешнем мире.
В приведенном утверждении не проводится различие между информационным моделированием информационных процессов и информационным моделированием неинформационных процессов. Информационная модель прибора не будет работать, а будет только моделировать работу, однако в отношение мышления этот тезис представляется спорным. По отношении к информационным процессам их моделирование является функционально полным, т.е. если модель дает те же самые результаты, что и реальный объект, то их различие теряет смысл.
4. Бессознательное с позиции информационного подхода
4.1. Зигмунд Фрейд и концепция бессознательного
Концепция бессознательного, той части человеческой души, которая является своеобразной тайной для индивида, развивалась на протяжении тысячелетий. Факт научной непознанности психики человека использовалась и эксплуатируется до сих пор всеми религиями.
Человек в своем сознании ограничен. Нечто лежащее за пределами его мыслей, но существующее в том же головном мозге, контролирует фронтальную личность [35]. Автоматизм мышления кажется нам чем-то естественным и простым для восприятия, но за этой простотой кроется истинная природа человеческой психики, которая по-видимому и есть подлинное Я.
Наибольший вклад в развитии концепции бессознательного внес Зигмунд Фрейд [21] (в дальнейшем просто - Фрейд).
Бессознательное не является для Фрейда чем-то абстрактным, совершенно бессодержательным и неуловимым, что может выступать в лучшем случае в качестве отвлеченного понятия, используемого при описании некоторых психических процессов [32]. Подобно многим философам, апеллирующим к данному понятию, он готов признать за бессознательным эвристическую ценность, то есть рассматривать его в качестве теоретической конструкции, необходимой для лучшего понимания и объяснения человеческой психики. Однако, в отличии от тех философов, которые усматривают в бессознательном лишь теоретический концепт, способствующий устранению логических связей между сознательными процессами и глубинными структурами психики, Фрейд рассматривает бессознательное как нечто реально психическое, характеризующееся своими особенностями и имеющее вполне конкретные содержательные импликации. Исходя из такого понимания, в рамках психоаналитической философии предпринимается попытка осмысления бессознательного психического посредством выявления его содержательных характеристик и раскрытия специфики протекания бессознательных процессов.
Фрейд пишет, что деление психики на сознательное и бессознательное является основной предпосылкой психоанализа. Причем такое деление оправдано не только методически, но и интуитивно. Практика работы Фрейда и других психоаналитиков, ярко подтверждает наличие этих двух частей психики [22]. Фрейд указывает, что психоанализ не может считать сознательное сущностью психического, но должен рассматривать сознание как качество психического, которое может присоединится или не присоединится к другим его качествам.
Что же такое сознательное и бессознательное с позиции фрейдизма, психоанализа?
В своей фундаментальной работе Я и ОНО [21] Фрейд отмечает, что быть сознательным это прежде всего чисто описательный термин, который опирается на самое непосредственное и надежное восприятие. Опыт показывает нам далее, что психический элемент, например представление, обыкновенно не бывает длительно сознательным. Наоборот, характерным для него является то, что состояние осознанности быстро проходит, представление в данный момент сознательное, а в следующее мгновение перестает быть таковым, однако может вновь стать сознательным при известных, легко достижимых условиях. Каким оно было в промежуточный период мы не знаем; можно сказать, что оно было латентным, подразумевая под этим то, что оно в любой момент способно было стать сознательным. Если мы скажем, что оно было бессознательным, мы также дадим правильное описание. Это бессознательное в таком случае совпадает с латентным или потенциально сознательным.
Интерпретируем эту идею Фрейда и представим ее для этого в символической форме.
Говоря современным языком человек оперирует информацией, содержащийся в его сознании. Обозначим информацию находящуюся в сознании как Ij. Учитывая, что в конкретный момент времени человек в состоянии использовать только некоторую порцию из имеющейся в нем информации, тогда Ij и есть эта порция, что можно выразить как DIj . Отсюда следует, что DIj есть текущее содержимое сознания, то есть в момент tn. Если рассмотреть бесконечный временной период появления (осознания) объекта DIj, то окажется, что существует некоторая бесконечная сумма этих объектов DåIjn, где n бесконечное число DIj. Используя дискретный подход можно сказать, что DIj есть информационный квант (элемент) множества S, которое является ни чем иным как DåIjn. Такое изложение позволяет воспользоваться аппаратом теории множеств и утверждать, что S это общее количество информации человека. И соответственно выделить в данном множества два подмножества S={B,U}. Где B есть DIj, а U это DåIjn-DIj. Теперь перейдем на язык психологии
и определим сознательное как B, а бессознательное как U
Рисунок 2. Общая структура психики с точки зрения психоанализа.
Необходимо также добавить, что вышеприведенные рассуждения не рассматривают качественную сторону DIj, во-первых, и бесконечно временной период был включен, как отображение факта постоянного притока информации в человека, во-вторых.
В повествовании о истоках психоаналитической теории Фрейд акцентирует внимание на то, что понятие бессознательное возникает большей частью из учения о вытеснении[11]. И заявляет, о том, что есть два вида бессознательного: латентное, но способное стать сознательным, и вытесненное, которое само по себе и не может стать сознательным [21]. Далее, Фрейд уточняет сказанное, считая тем не менее, предложенную модель бессознательного не достаточно удобной. Он пишет: В дальнейшем ходе психоаналитической работы выясняется, однако, что и эти различия оказываются недостаточными, практически неудовлетворительными .
Здесь целесообразно привести значительную часть статьи Я и ОНО , для целей изложения.
Мы создали себе представление о связной организации душевных процессов в одной личности и обозначаем его как Я этой личности. Это Я связано с осознанием, оно господствует над побуждениями к движению, то есть к разрядке возбуждения во внешний мир. Эта та душевная инстанция, которая контролирует все частные процессы, которая ночью отходит ко сну и все же руководит цензурой сновидений. Из этого Я исходит также вытеснение, благодаря которому известные душевные побуждения подлежат исключению не только из сознания, но также из других областей влияний и действий. Это устранение путем вытеснения в анализе противопоставляет себя Я, и анализ стоит перед задачей устранить сопротивление, которое Я оказывает попыткам приблизиться к вытесненному. Во время анализа мы наблюдаем, как больной, если ему ставятся известные задачи, испытывает затруднения; его ассоциации прекращаются, как только они должны приблизиться к вытесненному. Тогда мы говорим ему, что он находится во власти сопротивления, но сам он ничего о нем не знает, и даже в том случае, когда на основании чувства неудовольствия, он должен догадываться, что в нем действует какое-то сопротивление, он все же не умеет ни назвать, ни указать его. Но так как сопротивление, несомненно, исходит из его Я и принадлежит последнему, то мы оказываемся в неожиданном положении. Мы нашли в самом Я нечто такое, что тоже бессознательно и проявляется подобно вытесненному, то есть оказывает сильное действие, не переходя в сознание, и для осознания чего требуется особая работа.
Однако следствия из нашего понимания бессознательного еще более значительны. Знакомство с динамикой внесло первую поправку, структурная теория вносит вторую. Мы приходим к выводу, что бессознательное не совпадает с вытесненным; остается верным, что вытесненное бессознательно, но не все бессознательное есть вытесненное. Даже часть Я (один бог ведает, насколько важная часть) может быть бессознательной и без всякого сомнения и является таковой. И это бессознательное в Я не есть латентное в смысле предсознательного, иначе его нельзя было бы сделать активным без осознания и само осознание не представляло бы столько трудностей. Когда мы, таким образом, стоим перед необходимостью признания третьего, не вытесненного бессознательного, то нам приходится признать, что свойство бессознательности теряет для нас свое значение (Прим. мое. имеется в виду для понимания структуры психики). Оно становится многозначным качеством, не позволяющим широких и непререкаемых выводов, для которых нам хотелось бы его использовать. Тем не менее нужно остерегаться пренебрегать им, так как в конце концов свойство бессознательности или сознательности является единственным лучом света во тьме глубинной психологии [21]. (Трудно сказать, что в действительности Фрейд имел в виду, когда говорил о третьем бессознательном [32])
В приведенной цитате наиболее важные моменты подчеркнуты. Обращая на них особе внимание, можно выделить главное:
1. Характеристика Я в структуре психики определяется основной чертой Я в своей основе бессознательно.
2. Бессознательное (по Фрейду) состоит как минимум из трех компонентов.
3. Объект Я скрыт от содержимого сознания, по крайней мере частично.
По сути дела в Я и ОНО Фрейд разрабатывает структурную организацию психики.
Фрейд пишет, что все наше знание постоянно связано с сознанием. Даже бессознательное мы можем узнать только путем превращения его в сознательное. При этом он ставит вопросы: каким же образом это возможно? Что значит: сделать нечто сознательным? Как это может произойти?
Фрейд в общем виде обрисовывает путь исследований для ответа на эти вопросы. Мы уже знаем, откуда нам следует исходить. Мы сказали, что сознание представляет собой поверхностный слой душевного аппарата, то есть мы сделали его функцией некой системы, которая пространственно ближе к внешнему миру. Пространственно, впрочем, не только в смысле функции, но на это раз и всмысле анатомического расчленения.
Само собой разумеется, что сознательны все восприятия, приходящие из вне (чувственные восприятия), а также изнутри, которые мы называем ощущениями и чувствами. Как, однако, обстоит дело с теми внутренними процессами, которые мы несколько грубо и недостаточно можем назвать мыслительными процессами? Доходят ли эти процессы, совершающиеся где-то внутри аппарата, как движения душевной энергии на пути к действию, до поверхности, на которой возникает сознание? Или, наоборот, сознание доходит до них? Мы замечаем, что здесь кроется одна из трудностей, встающих перед нами, если мы хотим всерьез оперировать с пространственным, топическим представлением душевной жизни [21].
Из контекста высказывания следует, наличие определенной иерархии в душевном аппарате : сознание по Фрейду является вторичным, а бессознательное первичным. Анализ работ основателя психоанализа другими учеными также приводит к такому выводу [22, 32].
Важнейший момент в понимании фрейдовского взгляда на генезис мышления связан с тем, что Фрейд соотносит истоки мышления в бессознательном с последующим его воплощением в сознании. Это очень серьезное замечание. В дальнейшем изложении на этот аспект будет обращено особое внимание.
Обращаясь к феноменологии бессознательного, Фрейд стремиться понять механизм перехода психических актов из сферы бессознательного в систему сознания, раскрыть содержание бессознательных процессов. Речь идет фактически о познании бессознательного, что в более широком плане непосредственно связано с психоаналитической теорией познания как таковой.
Исходная теоретическая установка, лежащая в основе психоаналитической теории познания, состоит в признании Фрейдом того, что подобно физическому, психическое не должно быть в действительности непременно таким, каким оно нам кажется [12]. Но как возможно познание бессознательного психического, если оно, по выражению основателя психоанализа, столь же неизвестно нам в своей внутренней сущности, как реальность внешнего мира [13]? Для Фрейда ответ на этот вопрос не представляет сложности, как это может показаться на первый взгляд пишет В. Лейбин в [32]. И дело не в том, что он не понимает всех трудностей, возникающих на пути познания бессознательного. Сама ограниченность психоаналитической теории, выражающаяся в односторонней практической направленности и есть лимитирующий фактор.
За всеми неясностями и недомолвками, касающимися понятийного аппарата психоаналитической философии, стоит ее методологическая, эвристическая и содержательная ограниченность, не позволяющая в конечном счете понять природу бессознательного [32]. Если психоаналитическая теория познания ограничивается выявлением бессознательных влечений, признав тот предел, за который не может идти дальше психоаналитик, пытающийся осмыслить бессознательные проявления человека, то не означает ли это, что фактически Фрейд признал невозможность средствами психоанализа раскрыть природу бессознательного психического. Именно к этому выводу как раз и вынужден был прийти основатель психоанализа [32].
Подведем некоторые итоги по вышеизложенному материалу.
1. Фрейд глубоко развил понятие бессознательного и сознательного. Он показал наличие их сложной структуры, иерархию компонентов, особенности некоторых психических процессов, то есть Фрейд заложил фундамент нового системного понимания организации психики человека.
2. Прикладное использование психоаналитической теории, в плане коррекции состояния невротиков, не позволяет рассматривать ее положения в полной мере для построения модели человеческой психики.
3. Выявление психического объекта Я и его представительство в сознательном и бессознательном, дает почву для далеко идущих выводах об архитектуре психики. Анализ этого положения очень важен для построения модели психики.
4. Фрейд излагает свою теорию системным языком , который удобно интерпретировать используя символический формализм и базируясь на этом, а также используя некоторые дополнительные психологические и нейрофизиологические данные [13,15,33,34,36] разработать адекватную модель психики, выразить ее математически и реализовать в виде программного алгоритма.
5. В виду невозможности познания бессознательного средствами психоанализа необходимо использовать иные, в том числе создать новые, научные методико-гносеологические средства.
4.2. Личность как полигенезисный информационный продукт
В рассмотрении бессознательного, как детерминанты сознания основополагающую роль играет изучение происхождения самой личности, ее эволюция или социальный онтогенез.
В основном, личность изучают три научные отрасли: психология, социология и социальная психология, как междисциплинарная наука. Однако здесь кроется очевидное упущение в широком смысле личность это прежде всего информация, так она состоит из информации переданной в нее обществом (социальный аспект) и природной средой (биологический аспект). Следовательно необходимо изучать возникновение и развитие личности с позиции информационного подхода, включающего в себя различные методики системного анализа и методы социальной кибернетики.
Какова же взаимосвязь понятий сознания, бессознательного и личности? Где находятся истоки личности? Что есть личность в информационном смысле? На поставленные вопросы необходимо попытаться дать ответ.
Информация формирующая личность в форме конструкций языка и соотносящихся с ними состояний общественной жизни, а также среды проживания, деятельностной среды в целом, непрерывно поступает в индивида.
Выделим общество как источник информации и индивида, как потребителя информации и рассмотрим возможные стадии социального онтогенеза индивида в личность
Рисунок 3. Социальный онтогенез личности и продуктивность ее деятельности при взаимодействии с общественным психическим.
Учитывая, что личность возникает как биосоциальный продукт природы, из биомассы человеческой популяции[14] (БЧП) и общественного психического (ОП), следует рассматривать личность как квант общественного сознания (или общественного психического), возникшего в системе БЧП-ОП
Рисунок 4. Происхождение личности.
Как видно из рис. 4 механизмы обеспечивающие психический базис личности складываются из разных локусов системы БЧП-ОП. В БЧП имеется многоуровневая генеалогическая структура детерминирующая биологический компонент формирования бессознательного, а в ОП существуют некоторый набор разнородных информационных каналов, обеспечивающих передачу данных в индивида.
Опираясь на вышеприведенное можно заключить, что личность создается внутри системы БЧП-ОП для ее собственных нужд. Личность порождается, ее функционирование, то есть эффективное взаимодействие с ОП, поддерживается в течение времени стабильности структуры носителя личности человеческого тела и, затем, эффективность взаимодействия падает до нуля. Этому уровню соответствует смерть индивида (рис. 3).
Таким образом личность на уровне системы БЧП-ОП является полигенезисным информационным продуктом. Возникновение личности не зависит от нее самой, хотя на стадии продуктивного информационного обмена (рис. 3), личность принимает участие в процессе поддержки БЧП-ОП, порождая и содействуя развитию новых элементов БЧП-ОП. Весь характер социального онтогенеза осуществляется вне зависимости от воли личности сознательная компонента ее бездействует, подчиняясь общественному бессознательному.
Уже здесь на этапе общего рассмотрения статуса сознания в личности, на уровне социального онтогенеза личности, неизбежно приходим к выводу о том, что личность осуществляющая как бы сознательную деятельность практический на 100% ограничена в реализации своей воли. Выполняется воля бессознательного через сознание. Личность находится в состоянии кажущейся сознательности.
Это говорит прежде всего о том, что общественное психическое воспринимающееся обычно как нечто дискретное - распределенное в индивидах, на самом деле является цельной информационной системой, непрерывной на уровне социального бессознательного, экспансированное во множестве локальных сознаний. Информационная природа человеческого общества, как социума, лежит в его общем бессознательном базисе, обуславливающим внешнюю, поверхностную деятельностную сторону сознательной активности индивида
Рисунок 5. Интегративная информационная сущность локального сознания.
Между локальным сознанием и общественным бессознательным существуют множественные потоки информационного взаимодействия. Поскольку личность не мыслится в вне общества, иначе пропадает цель ее существования, за счет этих потоков она как бы перекрывается с обществом. Говоря иначе, личность не автономна она размазана , а раз так, то построение модели психики личности должно осуществляться с учетом этого факта. Размазанность (диффузность) определяется непрерывностью информационного обмена между личностью и обществом.
Можно ли количественно выразить меру сознательного в личности с учетом ее интеграции в БЧП-ОП и определить от чего она зависит?
Если принять что, за период времени Dt в индивида поступило количество информации Dn, тогда текущее количество информации в индивиде за период Dt будет равно
Аn=Dn-k+r, (1)
где k и r есть коэффициенты убывания количества информации в системе и, соответственно, ее нарастание. В понимании k лежат психические процессы приводящие к потере хранимых в памяти сведений, а за r стоят процессы создания новой информации в системе. По сути дела эти коэффициенты разложимы. Учитывая двухкомпонентность психики текущее количество информации сознания можно определить, как
Un= Аn-Bn, (2)
где Bn - количество информации бессознательного.
А меру информации бессознательного:
Bn = Аn-Un, (3)
где Un - количество информации сознательного.
Таким образом количественная мера информации сознания зависит:
1. от внешнего информационного потока или (что одно и тоже) информации среды D и, от
2. k и r коэффициентов убывания количества информации в системе и ее нарастания.
3. А также, от некоторой функции y=f(x) (где y параметр относящийся к бессознательному, а х - к сознанию), определяющей количественную разницу между Bn и Un. Причем, как установлено в разд. 3.4.1 Bn>>Un. Данная функция детерминирована генетически и является const.
Полезный эффект личности в системе БЧП-ОП зависит от конкретного значения коэффициентов в (1).
Обобщая можно сказать, что личность по своей природе виртуальна. Как информация общественного психического личность каждого не родившегося индивида потенциально существует в ОП. При появлении физического носителя (тела индивида) ОП транслирует (проецирует) в него данные. На основе этих данных и возможностей физического носителя информации (ФНИ), формируется личность как информационный продукт. Этот продукт существует лишь некоторый, незначительный в историческом плане (общий возраст ОП), промежуток времени в течении которого, в качестве вычислительного элемента (кванта ОП) работает на ОП, будучи зависимой от него на все 100%. В последующем, в результате естественного износа ФНИ, ОП вынуждена отказаться от личности (локального сознания). ОП по сути дела теряет свой квант и в результате личность терпит крах она нивелируется, просто исчезает. Все это означает, что ОП создает и уничтожает кванты, каждый из который виртуален. Таков социальный онтогенез личности с позиции информационного подхода.
Учитывая рост численности населения на Земле, очевидно, что ОП заинтересована в сохранении порождаемых квантов. В связи с чем, необходимо или решить проблему износа ФНИ или создать новый биотехнический или технический ФНИ для длительного существования в нем квантов ОП.
Изложенные мысли в настоящем разделе целесообразно обозначить как информационная теория социального онтогенеза личности (ИТСОЛ).
4.3. К вопросу об организации среды сознания
Модель ИИ должна строиться на основе изучения структуры сознания и бессознательного.
Один из наименее изученных вопросов, а он является важным в понимании организации сознания, - это топология процессов в сознании. По крайней мере психологической литературы на эту тему найти не удалось, кроме [37], где в рамках нейро-лингвистического программирования людям предлагалось манипулировать чем-то в своем сознании, но им не объяснялось чем именно.
Для исследования этой проблематики необходимо пользоваться четкими определениями и априори введенными постулатами.
В пределах контекста вопроса, охарактеризуем сознание, как некоторую информационную сущность ограниченного размера (в сантиметрах), локализованную в области черепа и имеющую некоторую организацию.
Под организацией сознания будем понимать динамическую структуру сознания, то есть определим сознание нечто состоящее из нескольких объектов, находящихся в постоянной динамике.
Объект в динамике есть процесс.
Все объекты информационные.
Существует зависимость состояния одних объектов от других.
Объекты существуют в некотором объеме пространства пространство сознания.
Объекты имеют определенную форму и локализацию в пространстве сознания.
Объекты неравнозначны между собой. Они все отличаются.
Причины динамики объектов заключаются в бессознательном.
Каждый объект является порождением своего класса-источника данных.
Теперь имея некоторое количество базовых определений и постулатов можно развить идею топологии сознания.
Безусловно, что сознание манипулирует информацией, сознание содержит только информацию, а значит сознание есть в чистом виде информация. Используя системный подход и имеющиеся технические аналогии [35], а также результаты психологических исследований, целесообразно классифицировать объекты сознания и указать их класс-источник (таб. 1).
Таблица 1. Разновидность объектов сознания и их класс-источник
Объекты сознания
Класс-источник*
1
Видеообъект
Бессознательное/Зрительная сенсорная система
2
Аудиообъект
Бессознательное/Слуховая сенсорная система
3
IMG-объект (воображение-объект)
Бессознательное
4
I-объект (мысле-объект)
Бессознательное
5
Морфо-объект
Бессознательное/Рецепторы давления и растяжения организма
6
Термо-объект
Бессознательное/Рецепторы температуры
7
SC-объект (пространство сознания-объект)
Бессознательное
8
Прочие объекты
Примечание: * - класс-источник указан в общем виде с указанием пути его возникновения.
Как видно из таб. 1 практически все содержимое сознания является определенным объектом имеющим свой класс-источник в бессознательном, а в нем, для некоторых объектов сознания, класс-источник формируется на основе данных сенсорных систем и рецепторов организма.
Для анализа объектов сознания и их класс-источников целесообразно использовать широко применяемое в программировании понятие пути . Это понятие не только отражает установленный детерминизм, но и позволяет проследить различные связи в структуре сознания и бессознательного. Что даст возможность установить положение каждого исследуемого объекта в общей структуре психики, а также вскрыть наличие пока неизвестных объектов как в сознании, так и в бессознательном. На рис. 6 изображена общая схема возникновения объектов сознания.
Рисунок 6. Объекты сознания и путь их возникновения.
Уже на данном этапе необходимо ввести удобное для использования понятие среда сознания. Под средой сознания будем понимать все множество объектов сознания. Тут же оговоримся, что кроме объектов в сознании ничего нет. Эффект целостности среды сознания реализуется SC-объектом.
Кроме этого следует говорить о сложности объекта сознания. Обладая собственной динамикой объект постоянно изменяется. Наиболее яркий пример это I-объект. Сложность подразумевает наличие некоторой структуры у самого объекта. Назовем элемент структуры объекта каналом. Каждый канал будет содержать некоторый поток задач. Задача это наименьшая структурная единица канала (рис. 7).
Рисунок 7. Строение объекта сознания.
Введение каналов обусловливается рядом психологических явлений памяти. К ним относятся:
1. Вспоминание (появление в среде сознания) конкретного факта, через некоторый промежуток времени (часы, дни, недели, месяцы) после утомительных попыток его вспомнить.
2. Наличие непроявленной но уже готовой к отображению в среде сознания информации, что встречается при вспоминании, образов например (последовательная смена), феномена эйдетической памяти, при речи, когда в конкретный момент времени в среде сознания имеется не весь текст речи на 2 часа лекций, например, а только часть. Остальной же текст подгружается постепенно.
Пользуясь языком программирования все интерпретируется как наличие текущего процесса выполнения задачи и выполняющихся фоновых задач с различным приоритетом. Применительно к модели объекта сознания в конкретный момент времени текущим является один канал, а остальные являются фоновыми.
Отсюда становится понятной структурирование канала на задачи. Например, вы что-то пытаетесь вспомнить. Не вспоминается. Но вам это нужно вспомнить. Таким образом в фоновом режиме запускается канал. Поскольку пока ничего не вспоминается (а система-то обрабатывает канал), вы продолжаете мыслить. Иначе говоря имеется текущий канал, обрабатываемый в реальном режиме. Через некоторое время вы вспоминаете то, что нужно (обработка фонового канала завершена и данные из фонового канала переданы в текущий канал). У текущего канала имеются собственная структура он как уже было сказано состоит из задач. Например, обычная речь на знакомую вам тему это работа текущего канала I-объекта. Задачами этого канала является мгновенно вспоминаемые вами сведения. Вдруг вы вспоминаете то, что хотели вспомнить некоторое время назад здесь происходит встраивание в текущий канал задачи с более высоким приоритетом.
Приведенное выше описание нуждается в своей логической доработке в символическом и алгоритмическом виде, что требует значительного количества времени. Возможности настоящей курсовой работы не позволяют сделать это.
Взаимосвязь объектов сознания происходит в пределах среды сознания на трех уровнях:
- объектном,
- канальном,
- задач.
Данная взаимосвязь большей частью имеет иллюстративный характер, что хорошо устанавливается при интроспекции и рефлексии, и, по-видимому, является результатом активности SC-объекта. Учитывая бессознательный источник возникновения объектов сознания, указанные взаимосвязи также имеют бессознательную природу.
В изучении топологии объектов сознания в психологии пока еще не сделано ни шагу. Это вызвано двумя причинами:
1. Эффектом целостности среды сознания.
2. Стандартным методическим подходом в психологии к исследованию сознания.
Эффект целостности среды сознания. Обычно субъект воспринимает себя целостно, интегративно. Он не выделяет какие-либо объекты в себе, так как просто функционирует, живет . Такое состояние самовосприятия характерно для большинства людей. Чем вызвано такое обстоятельство? Это достаточно сложный вопрос. Но тем не менее попытаемся найти на него ответ.
Индивид только тогда становится личностью, когда включается в какие-либо виды деятельности. Любая деятельность требует внешней направленности внимания субъекта. На то собственно и сенсорные системы имеются, как раз и ориентированные на внешнюю среду. Содержимое сознания наполняется информацией о внешнем положении дел, об состоянии окружающей субъекта среде. В следствие этого формирование самовосприятия происходит через информацию о внешнем, диктуемым деятельностью. Возникает четкая направленность идентификации субъектом своего Я. Его Я связано с внешним миром, но никак не с внутренними механизмами развития и функционирования этого Я и всего сопредельного с ним.
Это был рассмотрен один из аспектов проблемы. Другой аспект связан с ИТСОЛ, изложенной в разделе 4.2. С точки зрения существования общественного психического, может быть две категории личностей: одна категория включает субъектов способных генерировать новую информацию (ученые, писатели, люди искусства, инженеры и пр.), а другая категория субъектов является потребителем информации (обыватели). И та и другая категории необходимы друг другу, так как обеспечивают взаимно выгодную жизнедеятельность.
Представители второй категории (назовем ее Б-категория) имеют недостаточно информация для формирования адекватного самовосприятия. В свою очередь, представители первой категории (А-категория), с более высоким значением у них коэффициента r, чем у Б-категории, способны правильно оценивать источник своего собственного Я, проводить его анализ и строить оптимальную научную политику самопознания для выявления закономерностей развития высокопроизводительной личности, или говоря языком ИТСОЛ, - высокопроизводительного вычислительного кванта ОП. Не исключено, что имеются и иные аспекты в изучении эффекта целостной среды сознания.
Стандартный методический подход в психологии к исследованию сознания. Этот подход достаточно известен и изложен в школьных и вузовских учебниках по психологии.
В период, когда догмы классической психологии не довлели над умами исследователей, Фрейд создал психоаналитическую теорию. В ней, излагается своеобразная модель психики, сознания и бессознательного, в частности. Эта модель, собственно, является альтернативой классической модели психики. Как уже было сказано в разд. 4.1 теория Фрейда как таковая не позволяет выявить в полной мере организацию психики. Но она является тем плацдармом , той основой, из которой можно вывести необходимые теоретические и методические подходы к исследованию психики человека. Психоаналитическая теория наиболее точно отражает структуру душевного аппарата . И во многом это связано с тем, что Фрейд строил теорию на фактическом материале: он изучал психику больных людей. Поясним эту мысль на примере.
Поставим следующую задачу: изучим устройство (конструкцию) автомобильного двигателя. Поставим ограничение двигатель разбирать нельзя, его только можно заводить и глушить, менять режимы работы, использовать различное топливо и масла и даже смотреть на него нельзя капот закрыт. Естественно, что сколько бы времени мы не потратили, конструкцию двигателя и механизм (принципы) его внутренней работы таким путем не узнаешь.
Что же делать? Как решить поставленную задачу? Очень просто нужно снять ограничение на разборку двигателя. Двигатель нужно разобрать по частям и в процессе разборки анализировать то, что необходимо. Только так задача будет решена. Что же сделал Фрейд? Используя приведенную, несколько механистичную аналогию, можно сказать, что Фрейд использовал для изучения двигатель в состоянии той или иной степени разборки. Этим разобранным двигателем была психика больного человека - невротика.
Теперь становится очевидным необходимость использования классического подхода в изучении сознания (хотя он не позволяет понять глубинные механизмы психики) и теории психоанализа Зигмунда Фрейда (кстати, тоже классической в зарубежной психологии).
Что же такое топология сознания? Опираясь на рассуждения этого раздела, этот вопрос нужно поставить иначе, как расположены объекты сознания в его среде?
В качестве примера можно привести известные, наверно, каждому факты:
1. Зрительная информация (видео-объект сознания) реализован в виде плоского экрана на уровне глаз. Имеет ограниченные размеры.
2. Мысли (I-объект сознания) возникают где-то в центральной точке черепа из точечного (сферического) источника.
3. И т. д.
Учитывая, что объекты сознания информационны и пощупать их нельзя, а топологичность[15] их имеет место, то в настоящее время единственным способом установить ее является анкетный опрос испытуемых. Эксперимент должен строится следующим образом:
1. Испытуемым рассказывается о том, как устроена среда сознания. (Ведь раньше они этого не знали!) Самовосприятие смещается в среду сознания.
2. Дополнительным диалогом с испытуемым усиливается способность его ориентироваться в собственном пространстве сознания.
3. Испытуемому задаются вопросы касающиеся топологии объектов сознания.
4. Результат фиксируется. Проводится статистическая обработка по различным критериям (возраст, пол, профессия и т.п.).
5. Дополнительной модификацией эксперимента будет использование модулирующих самовосприятие факторов (психотропных средств, воздействие иных физических факторов: электромагнитное поле [39], прямой электрический разряд при микроэлектродном шунтировании и в комбинации эти факторы между собой).
В продолжении этой работы в виде дипломной, планируется провести анкетирование людей в возрастном диапазоне от 15 до 30 лет.
Приведенный вариант эксперимента возможно покажется несколько субъективным. Сложно оценивать, то что не возможно измерить с помощью приборов. Но та же самая субъективность человека позволила создать приборы, так почему же она должна быть субъективна в вопросе изучения себя?
Предложенную концепция организации сознания целесообразно обозначить как объектная или топологическая модель сознания (ТМС).
Основные выводы по разделу.
1. Сознание не является абстрактным понятием. Сознание это вполне конкретная сущность, имеющая информационное содержание.
2. Сознание является эмиссией бессознательного.
3. Сознание имеет сложную организацию, в виде объектов сознания, их внутренней иерархии и связей между объектами.
4. Объекты сознания имеют определенную геометрическую форму.
5. Объекты сознания обладают свойством топологичности, то есть они расположены в среде сознания в трехмерной системе координат.
6. Исследуя топологичность объектов можно уточнить их сущность и связи между собой, а также характер функционирования.
7. Личность воспринимает себя целостным образованием, ориентированным во вне, и, поэтому, не в состоянии самостоятельно понять собственное информационное устройство.
Опираясь на пп. 1-7 выводов и дополнительные сведения исследования психики, есть возможность сформировать методику построению реальной модели сознания, использующую системный подход.
Примечания:
[1] ДНК дезоксирибонуклеиновая кислота. РНК рибонуклеиновая кислота.
[2] Таламус анатомического образование головного мозга млекопитающих, входящее в состав зрительного анализатора зрительной сенсорной системы.
[3] Наиболее известный в мире журнал по неврологии.
[4] The long-term goal of The SNePS Research Group is the design and construction of a natural-language-using computerized cognitive agent, and carrying out the research in artificial intelligence, computational linguistics, and cognitive science necessary for that endeavor. The three-part focus of the group is on knowledge representation, reasoning, and natural-language understanding and generation. The group is widely known for its development of the SNePS knowledge representation/reasoning system, and Cassie, its omputerized cognitive agent. Department of Computer Sceince & Engineering. University of Buffalo State University of New York. (Please Contact: Stuart C. Shapiro at shapiro@cse.buffalo.edu For technical questions on SNePS, please contact: snwiz@cse.buffalo.edu)
[5] Ю. Шейнин. Интегральный интеллект. М., "Молодая гвардия", 1970.
[6] См. в сб. "Структура и формы материи". М., "Наука", 1967.
[7] К. Маркс и Ф. Энгельс. Соч., т.33, с.67-68.
[8] К. Маркс и Ф. Энгельс. Соч., т.21, стр. 285-286.
[9] К. Маркс и Ф. Энгельс. Соч., т.21, стр. 284.
[10] См. Вычислительные машины и мышление. М., "Мир", 1967.
[11] Вытеснение перевод психического содержания из сознания в бессознательное и/или удерживание его в бессознательном состоянии. Поддерживается определенными бессознательными силами. Один из важнейших защитных механизмов, благодаря которому неприемлемые для Я желания становятся бессознательными [21].
[12] Фрейд З. Основные психологические теории в психоанализе. С. 130.
[13] Фрейд З. Толкование сновидений. С. 441.
[14] Если быть точнее, здесь имеется в виду нейропространсво множество ЦНС популяции.
[15] Топологичность свойство быть расположенным в определенном месте в среде.
Бойко Д.Н.
ИССЛЕДОВАНИЕ БЕССОЗНАТЕЛЬНОГО ДЛЯ ПОСТРОЕНИЯ СИСТЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
(продолжение)
4.4. Анализ работы некоторых механизмов бессознательного
Если сознание в какой то мере доступно для исследования, то бессознательное психическое до настоящего времени является гигантским черным ящиком. Образно говоря, мы даже не знаем как этот ящик выглядит!
Каким же бессознательное проявляет себя, чтобы его можно было изучать? Имеется единственный, пока доступный, способ изучать бессознательное через сознание, разрабатывая соответствующие методики и ставя эксперименты.
Вообще, сведения о бессознательном складывается из следующих источников:
1. Интроспективное восприятие.
2. Психологические эксперименты.
3. Физиологические эксперименты [42, 43].
4. Психоаналитическая практика.
5. Психиатрическая практика.
6. Наблюдение за обычными людьми.
7. Эксперименты над людьми с имплантированными в головной мозг электродами [41].
8. Неврологическая практика [40].
9. Нейрохирургическая практика.
Приведенный список обширный, но все же недостаточный. Идеальным вариантом для исследования было бы использование человека в экспериментах. Но моральные ограничения и закон, не позволяют это делать.
Естественно, что в настоящей работе привести результаты исследований по всем вышеуказанным источником просто невозможно. Хотя для построения модели бессознательно важны любые сведения о нем. Тем не менее целесообразно ограничится чем-то определенным.
Центральным пунктом в исследовании бессознательного является работа памяти, так как основная часть процессов памяти осуществляется неосознанно, автоматически [15, 35]. Подавляющая часть психических процессов автоматизированы. На уровне объектов, сознание взаимодействует с бессознательным используя интерфейс запросов. Подробно об этом будет изложено в разд. 4.5. А здесь, затронем следующие вопросы:
1. Элементарные механизмы распознавания.
2. Репрезентация информации в памяти.
3. Наглядная репрезентация информации в памяти.
4. Семантическое кодирование.
5. Организация человеческой памяти.
6. Создание новой информации в памяти.
Что же такое память с точки зрения психологии?
Память это способность психики воспроизводить в большем или меньшем соответствии с оригиналом прошлые события (сведения) после хранения их в течение некоторого времени [15]. Сразу же бросается в глаза явное ограничение предлагаемой формулировки понятия памяти.
Память не является чем-то изолированным. Она является частью процессов отражения внешнего мира в субъекте. Вся информация поступающая в индивида проходит через систему памяти и тем или иным образом фиксируется в ней. Информация поступающая в память хранится там, в виде некоторой целостной структуры, в которой отражаются объективные взаимосвязи внешних объектов. Поэтому в дальнейшем будет дано новое определение памяти, учитывающее все ее особенности.
4.4.1. Элементарные механизмы распознавания
Воздействующие на рецепторы сенсорной системы физические параметры стимула преобразуются в определенные состояния центральной нервной системы (ЦНС). Распознавание символа о (это ноль или буква О ?), подобно любому другому акту опознания, только при условии, что ЦНС сохранила следы воспринимавшихся в прошлом стимулов (в данном случае символьного окружения и более глобального контекста) в таком виде, который позволяет установить соответствие между воспринимаемым стимулом и этими следами. Только после того как установлено такое соответствие, стимул приобретает значение и содержащаяся в нем информация получает интерпретацию. Информация о прошлых событиях составляет, таким образом, необходимую предпосылку для распознавания поступающей в данный момент информации. Процесс распознавания значений будем называть семантическим кодированием. Следовательно семантическое кодирование (СК) представляет собой соотнесение актуальных стимулов с наличным содержанием памяти. Результат этого процесса переживается субъектом как восприятие.
Уже на уровне распознавания проявляется известный автоматизм. Значение стимула дается нам чаще всего непосредственно и не сопровождается переживаниями, позволяющими заметить, что распознавание опосредствуется сложными механизмами переработки информации. Тем не менее процесс распознавания необходимо изучать, что так как он является базовым при попадании информации в память. Системы ИИ (СИИ) необходимо строить по этому же принципу. Первым этапом ввода данных в память (СИИ) должен сопровождаться СК.
Экспериментальные исследования показали [15], что кратковременное воздействие зрительного стимула приводит к сенсорным эффектам, достаточным для распознавания его значения. Информация о стимуле после его исчезновения сохраняется в первоначальной форме в течении 200-400 мс и может быть использована для выборочной обработки тех или иных ее частей. Это свойство ЦНС было названо ультракратковременной памятью (УКП). Зафиксированные в УКП сенсорные эффекты образуют исходные данные для СК. Процесс распознавания значений, занимает, по-видимому, больше времени, чем требуется для простой регистрации сенсорных воздействий, и его ресурсов хватает не более чем, на 4-5 букв. Важно подчеркнуть, что критерии ориентирующие на распознавание семантики, в этом временном промежутке не работают [15].
Проанализируем, что же из этого следует?
1. Наличие информации о стимуле в первоначальной форме в течении 200-400 мс говорит о наличии в бессознательном зрительного программного буфера для восприятия текстовой информации, емкость которого 4-5 букв.
2. Сохранность информации говорит об осуществлении процедуры создания ее копии, с той целью, чтобы в процессе обработки ее исключить какое-либо повреждение (разрушение данных). В случае разрушения данных всегда есть возможность сделать еще одну копию.
3. Существующие возможности современных программных средств позволяют хранить в буфере несравненно больший объем текста. В этом компьютеры превосходят человека.
После фиксации стимула в УКП начинается процесс семантического кодирования, протекающий селективно к различным частям (признакам) информации о стимуле. Как было установлено в эксперименте СК может протекать или последовательно или параллельно ко всем признакам стимула [15]. Отсюда следует предположить о наличии процедуры разбивающий стимул на элементарные части (декомпозиция стимула) и выявление в памяти их аналогов. В случае если какое-то подавляющее количество этих элементарных частей находит свой аналог, стимул идентифицируется с вероятностью близкой к единице.
Согласно проведенным в экспериментам, опознание признаков зрительных стимулов начинается с глобальных характеристик фигуры в целом, которые затем дополняются постепенно выявляемыми деталями [15].
С точки зрения психологии процессы протекающие в УКП могут происходить как автоматически, так быть и произвольно управляемыми. В случае обработки в УКП нескольких сенсорных структур, установлено, что зрительные признаки каждого отдельного стимула проверяются последовательно. В [15] указано, что наблюдаемая последовательность проверки признаков формируется автоматически.
Этому, казалось бы, противоречат данные самонаблюдения, согласно которым мы направляем внимание на определенные части стимульного поля и абстрагируемся от остальных его частей. Конечно, следует соблюдать осторожность, чтобы избежать поспешных и неоправданных выводов. Нам представляется важным не то, что при смене точки фиксации те или иные части стимульного поля могут в результате движения глаз оказаться в центре внимания. Речь идет о внутренней организации процессов переработки информации, которая ускользает от самонаблюдения, необходимо преодолеть его недостаточность и глубже проникнуть в существо проблемы.
В каких же случаях происходит автоматическое кодирование в УКП?
Полученные данные свидетельствуют о том, что автоматическое кодирование происходит прежде всего в тех случаях, когда стимулы связаны всегда с одними и теми же значениями и реакциями встречаются достаточно часто. Если же на одни и те же стимулы следует реагировать по-разному, то в процессе кодирования приходится осуществлять управляемый поиск (произвольный), который связан с ограниченностью когнитивных ресурсов и эффективность которого при симультанной стимуляции может снижаться. Автоматические процессы кодирования имеют место, следовательно, в тех случаях, когда субъект располагает весьма значительным опытом восприятия стимуляции, устойчивым образом связанной с возможными реакциями. Во взаимодействии с окружающей средой это весьма частый случай. Таковы, например, сотни и тысячи объектов повседневного обихода, с которыми нам постоянно приходится сталкиваться, от стола и стула до близких знакомых, входящих в узкий круг нашего общества, и, конечно, слова нашей речи, которые следовало бы, скорее всего, поставить на первое место. Значение стимуляции, связанной с такими объектами и их привычным контекстом, распознается согласно высказанным соображениям, автоматически [15].
При исследовании процесса распознавания хронометрический анализ распознавания значений становится центральным вопросом. Процесс кодирования может протекать чрезвычайно быстро и при этом не быть объектом сознательного интереса. Как показали исследования [15], распознавание значения зрительного стимула и его воздействие на психические процессы могут осуществляться чрезвычайно быстро, не требуя специального внимания. За доли секунды воспринятый материал сопоставляется с теми содержаниями памяти, которые репрезентируют знание о предметах и отношениях, обусловивших возникновение стимуляции. За доли секунды распределение энергетических воздействий в рецепторах зрительной системы превращается в обладающую значением информацию о свойствах окружающего мира.
Итак, согласно имеющимися и только частично рассмотренным данным, можно сделать следующие выводы:
1. Сенсорные воздействия зрительных стимулов в течение нескольких сот миллисекунд хранятся в ЦНС в относительно неизмененной форме и могут быть подвергнуты дальнейшей обработке.
2. В процессе такой обработки последовательно выделяются сначала глобальные, а затем все более специфические, локальные признаки стимулов, что делает возможным обращение к хранимой в памяти информации, соответствующей воспринятому стимулу. С этого момента начинается собственно процесс кодирования в смысле распознавания значений.
3. Процесс кодирования может быть автоматическим или произвольно управляемым. Автоматические процессы имеют место в тех случаях, когда один и тот же стимул прочно связан с определенными реакциями. В противном случае выделение признаков может осуществляться в режиме управляемого поиска, который требует произвольно направленного внимания и может вызывать снижение эффективности кодирования при кратковременном предъявлении стимулов.
4. Автоматические процессы кодирования протекают параллельно и независимо друг от друга, управляемые же могут осуществляться параллельно только в рамках указанного ограничения и, следовательно, ведут к взаимному ослаблению.
Установленные зависимости кодирования зрительных стимулов справедливы и для кодирование звуковых стимулов: звуковой стимул также хранится в сенсорном регистре, элементы стимуляции могут оказывать свое воздействие еще до полного опознания и др.
Любой зрительный стимул, идет ли речь о рисунке, букве, слове, здании или фотографии, является в некотором смысле конфигурацией. С этой позиции поставлена задача выявления особенностей зрительного кодирования конфигураций [15]. Под конфигурацией будем понимать статистический зрительный стимул рисунок, фотография, неподвижный трехмерный ландшафт, букву, плакат и т.д. Рассматривая кодирование таких стимулов, мы будем искать ответ на вопрос об особенностях признаков, обработка которых обеспечивает узнавание конфигураций.
Поставленные Хофманом и сотр. [15] эксперименты позволяют предположить, что при кодировании конфигураций глобальные признаки, характеризующие объект в целом, имеют приоритет перед локальными. По-видимому, именно они позволяют осуществлять быстрое сравнение двух конфигураций, определяют долговременное хранение визуальных характеристик в памяти и обеспечивают быстрый доступ к значению данной конкретной конфигурации. При экспериментах со сравнением двух конфигураций установлено, что преобразование репрезентированных в УКП сенсорных воздействий в организованное множество структурных элементов образует первую фазу кодирования конфигураций. Отнесение сформированной структуры к хранящемуся в памяти знанию о значении стимула составляет вторую фазу, отличный от первого и требующий дополнительных затрат времени. Обобщая результаты исследований был сделан вывод, что при сравнении двух конфигураций может использоваться два различных уровня кодирования: уровень принятия решения о сенсорных признаках стимулов, и уровень, на котором происходит сопоставление активируемых стимулами содержаний памяти. Таким образом необходимо различать зрительное кодирование, обусловленное сенсорными особенностями стимуляции, и понятийное кодирование, обусловленное знанием ее структуры.
Подводя итог приведенному материалу из [15] и, сделанному, по ходу его изложения, некоторым выводам, целесообразно интерпретировать его с технической позиции, с целью использования в построении модуля распознавания образов в СИИ. Ниже предлагается концепция послойного распознавания (КПР).
Рисунок 8. Общая схема распознавания зрительных стимулов. 1-6 этапы распознавания зрительного стимула.
Из рис. 8 видно, что после зрительной стимуляции, зрительный стимул, как исходное изображение, проходит несколько этапов распознавания, прежде, чем мы говорим я вижу то и вижу это . Изображение которое мы видим , не есть зрительный стимул в его первичной форме. Оно является результатом предшествующей обработки исходного изображения. Опишем этапы распознавания.
Этап 1. В результате активности рецепторов (датчиков, сенсоров) сетчатки электромагнитное излучение (ЭМИ) преобразуется в электрический сигнал химической природы. Эти сигналы передаются последовательно (по мере активации рецепторов) в сенсорный буфер (регистр). Где и остается в течение нескольких сот миллисекунд. Затем буфер освобождается, путем простой перезаписи данных.
Этого времени хватает, чтобы Модуль деструктор (МД), осуществляющий разложение (деструкцию) исходного стимула по глобальным признаками анализируемой конфигурации, создал копию данных из сенсорного буфера. Копия, по-видимому, размещается в МД.
Этап 2.Затем МД начинает процесс деструкции исходного изображения, по сути здесь начинается процесс распознавания по глобальным признакам. При этом МД обращается к блоку памяти содержащему встречавшиеся ранее глобальные признаки зрительных стимулов. Если при распознавании встречается новая конфигурация, ее глобальные признаки заносятся в БД этого блока памяти. Эта процедура реализуется в самом блоке.
Этап 3. В процессе деструкции МД выделяет несколько слоев. Слой фундаментальное понятие. Слой является сложным (векторным) объектом выделенным из исходного изображения. Он включает в себя некоторое описания составленное для него МД. Описание содержит ориентиры для анализа локальных зрительных стимулов и идентификационный номер слоя, используемые Модулем конструктором (МК).
Этап 4. Слои находятся в Диспетчере слоев (ДС) особом модуле, выполняющего несколько функций. ДС является буфером, а также инициализирует МД и МК. По сути ДС это среда обмена между ДМ и МК. ДС освобождается, путем перезаписи слоев.
Этап 5. Как только в ДС появляется очередной слой, происходит инициализация МК, который делает копию слоя и размещает ее в себе. Далее происходит анализ локальных признаков слоя, путем обращения МК к блоку памяти локальных визуальных признаков. Именно здесь происходит семантическое кодирование. Объекты окружающего нас мира получают на этом этапе свое вербальное описание. Текст становится текстом, пейзаж пейзажем, еда едой и т.д. После распознавания локальных признаков МК дает каждому слою свое описание, так формируется дескриптор слоя. Кстати, именно за счет него происходит наращивание ассоциаций.
Этап 6. И последний в распознавании. МК производит сборку слоев уже в канале Видео-объекта среды сознания. И это есть то, что мы видим . То что видит наше сознание. Здесь каждый предмет имеет свое имя. Отсюда начинается визуальное знание окружающего человека мира и I-объект становится способным манипулировать частями зрительной картины, обращаясь к ним как бы напрямую, ведь он как бы видит , а на самом деле считывая дескриптор слоев в канале Видео-объекта.
Подведем итоги по этому разделу.
1. Распознавание зрительного стимула, а очевидно и стимулов других модальностей, происходит в бессознательном и лишь затем, уже в готовом, виде передается в соответствующий объект среды сознания.
2. Процессы распознавания осуществляются автоматически за счет технических возможностей нейросетей и отчасти, за счет вводимых поправок, вырабатываемых на основе логико-семантических связей, возникновение которых опять таки обусловлено нейросетями. То есть поправки являются вторичными.
3. Память, в той дефенции, как ее трактует психология, не соответствует действительности. Экспериментально показано наличие сенсорных буферов (регистров), выполняющих функции памяти. Логические необходимым является наличие буферной функции у различных модулей бессознательного для целей временного хранения данных, то есть на период их текущей обработки.
4. Целесообразно произвести моделирование процесса распознавания зрительных стимулов с использованием КПР.
5. Роль сознания в распознавании ничтожна. На деле, среда сознания пассивна в восприятии, так не в состоянии контролировать врожденные механизмы бессознательного.
6. Исходя из данных раздела следует говорить о наличии псевдозрения, так как в Видео-объект попадает не исходное изображение в чистом виде, а уже обработанные данные имеющие сложный логико-семантический дескриптор. Человек не видит в чистом виде, он как зритель в кинотеатре воспринимает сделанное чем-то внешним изображение. Это внешнее является бессознательным.
7. Остается нерешенным вопрос произвольного поиска в процессе распознавания. С точки зрения КПР, феномен произвольного поиска, как и вообще произвольность, - это результат отсутствия данных об объекте поиска в памяти, связанный с нестабильностью взаимодействия I-объекта и Видео-объекта.
4.4.2. Репрезентация информации в памяти
После распознавания информации в памяти, поступающие в систему сведения определяются на длительное хранение в ней. И главным вопросом здесь является выяснение в какой форме хранятся в памяти индивида знания об окружающем мире и социальной среде, приобретаемые им в течение жизни?
В [15] выдвинуто утверждение, что в памяти человека репрезентированы не свойства сенсорных стимулов, а отраженные в процессе СК характеристики предметного мира, отношения между его компонентами, а также состояния познающего субъекта. Таким образом семантическая репрезентация (СР) это прежде всего репрезентация явлений и связей объективного мира в памяти человека.
Многочисленные исследования подтверждают предположение о существовании репрезентации информации, абстрагированной от физических свойств передающих ее стимулов. В эксперименте, при воспроизведении заученных предложений изменения в первоначальную форму предложений вносились тем чаще, чем больше была длительность хранения. При этом изменялась не только синтаксическая структура предложений, но и между элементами передаваемой ими информации устанавливались такие связи, которые отсутствовали в исходных предложениях. Очевидно, что в памяти репрезентируется не формальная структура воспринятого предложения, а его содержание [15].
Это важный момент для понимания работы памяти. Анализируя его можно создать алгоритм стратегии СК информации.
На структуру СР могут оказывать влияние самые различные особенности источника информация. Один из них - это формулировка вопроса. В [15] приводится пример связанный со свидетельскими показаниями. Был сделан вывод, что формулировка вопроса оказывает влияние на последующее узнавание наглядного материала. Испытуемые вначале смотрели фильм о транспортно-дорожном происшествии, а затем отвечали на вопрос о скорости автомобилей, когда они врезались друг в друга, или когда они столкнулись . Использование экспериментатором при описании происшествия глаголов врезались или столкнулись приводит к отчетливому изменению воспроизводимой информации. Испытуемые, для которых машины врезались друг в друга, при опросе через неделю чаще говорили, что они видели разбитое стекло, чем те, для кого машины только столкнулись , хотя в фильме не было никакого разбитого стекла. И снова можно предположить, что реальная информация фильма и дополнительная информация, содержащаяся в вопросе, объединяются в памяти в семантическую единицу таким образом, что вербально индуцированное разбитое стекло ошибочно воспроизводится как увиденное.
По-видимому, система (рабочее наименование психики) ожидает ввода информации с определенной логико-семантической основой. Это напоминает формат файлов конкретного программного приложения. Какой формат такая и реакция приложения. То же и здесь. Аберрация ожидаемой нормальной реакции системы (индивида) результат неправильного формата вводимых данных. Если такая ситуация реальна, что должны показать специально поставленные эксперименты, то тогда следует два нюанса:
1. В контексте обстановки (тема диалога и т.п.) система подготавливает рабочий семантический тезаурус.
2. В рамках тезауруса инициализируется семантические контейнеры, осуществляющие восприятие вводимых данных.
Пока это только предположения.
Исследование репрезентации информации в памяти является обширной темой. Фундаментальным моментом в ней является изучение репрезентации понятий.
Под влиянием мотивов в ходе познавательной деятельности происходит понятийное обобщение предметов и явлений, одинаковая реакция на которые является условием удовлетворения соответствующего мотива. Так возникают понятия: ПИЩА, СТОЛ, РЕКА, ИНСТРУМЕНТ, ДЕРЕВО и т.п., то есть обобщения, которые оказывают одинаковое регулирующее воздействие на поведение, вызванное определенной потребностью организма [15].
Использование понятий позволяет значительно уменьшить чувство неуверенности в процессе переработки информации: организм получает возможность целесообразно реагировать на ранее не встречавшиеся объекты, если они опознаны как варианты существующих понятий. Понятия делают возможность переноса прошлого опыта на ранее не встречавшиеся ситуации. Необходимость дифференцировки поведения приводит к образованию иерархических классификационных систем, формируется аппарат понятийной классификации. Более высокие уровни иерархии фиксируют общие различия между широкими классами объектов, на более низких уровнях понятия подвергаются дробным делением. Растения, например делятся на деревья, травы, кусты, цветы, а последние в свою очередь на еще более конкретные подклассы: например, на розы, тюльпаны и т.п. Динамика мотиваций приводит к возникновению перекрестных классификаций, когда один и тот же объект в зависимости от требуемого поведения может быть отнесен к самым различным понятиям. Роза может классифицироваться в зависимости от требований как ПОДАРОК, УКРАШЕНИЕ СТОЛА, ЗНАК СИМПАТИИ.
Еще одной особенностью естественных понятий является, то что одни из них воспринимаются как более типичные представители понятия, чем другие. Воробей более типичная птица, чем утка, молоток более типичный инструмент, чем рубанок. Типичность есть одно из базовых свойств понятий.
Считается, что репрезентация семантических отношений мозгом, то есть смысловых отношений между понятиями реализуется двумя способами [15].
Некоторые авторы предполагают, что семантические отношения хранятся, подобно понятиям, непосредственно в виде декларативной информации, в виде отдельной единицы памяти. Это допущение ведет к моделям типа семантических сетей (рис. 9).
Помимо декларативного хранения отношений, по крайней мере для некоторых видов семантических отношений, допускается возможность процессуального хранения [15]. Семантические отношения рассматриваются в этом случае не как непосредственно хранящиеся в памяти единицы, а как предписания о выполнении определенных операций, реализация которых позволяет проверить наличие того или иного отношения. Семантические отношения характеризуются определенными признаками, и, выполняя операции по их проверке, можно не только установить факт существования некоторого отношения, но также и отличить его от других отношений.
Рисунок 9. Пример семантической сети. (Понятия соединены между собой семантическими отношениями. Используются следующие отношения: объект, часть, место, качество, субъект действия (СД) и время. Данная семантическая сеть отражает следующий факт: "Вчера, в понедельник, главврач больницы обследовал грудную клетку больного пациента в новой палате больницы на первом этаже".)
В целом выделяют пять способов семантического структурирования высказывания (рис. 10). Очевидно, что в той или иной мере все они имеют место в функционировании памяти [15].
Андерсон и Бауэр считают, что ситуационные связи хранятся в памяти в форме иерархических структур, в которых понятия связаны бинарными отношениями. Модель получила название НАМ (Human Associative Memory ассоциативная память человека). Основными компонентами этой модели памяти являются наряду с понятиями следующие бинарные отношения:
1. Контекст - Факт (К-Ф), соединяющие высказывания о некотором факте с высказываниями о контексте, в котором этот факт имеет место.
2. Место-Время (М-В), соединяющее высказывания о том, где и когда произошло или наблюдалось то или иное действие.
3. Субъект-Предикат (С-П), соединяет субъект высказывания с предикатом.
4. Отношение-Объект (Отн.-О) уточняет связь субъекта и предиката, указывая на специфическое отношение субъекта к предикату.
Позднее НАМ была усовершенствована Андерсеном, и ее новый вариант получил название АСТ (от англ. Action - действие). АСТ строится на основе двух базовых отношений: Субъект-Предикат и Отношение-Аргумент . Временной и пространственный контексты рассматриваются в АСТ как предикаты, которые соединяются с ядром события через отношение Субъект-Предикат . Репрезентация отношений между понятиями осуществляется с помощью связей Отношение-Аргумент . Узел, соединяющий конкретное отношение с его аргументами, можно понимать как переменную Х, репрезентирующую все вступающие в соответствующее отношение объекты и субъекты.
Рисунок 10. Пять способов семантического структурирования высказывания Врач обследует пациента с помощью стетоскопа . (Описание обозначений смотри по тексту).
В модели Румельхарта, Линдсея и Нормана основной акцент делается на понятии действия. Действие составляет центр структуры. Другие компоненты описываемой ситуации связываются с этим центром с помощью направленных отношений. Вначале определяется субъект действия, актор, затем, компоненты, на которые распространяется действие: объект и реципиент.
Филмор также исходит из определяющей роли действия. Согласно этому подходу действие выполняет роль независимой переменной, от выбора которой зависит характеристика других компонентов семантических связей. С действием связан набор семантических ролей, реализация которых характеризуется соответствующими понятиями. Действия типа брить , чистить , преследовать закономерно связаны с субъектом и объектом, а действия типа давать , занимать , дарить имеют тройную отнесенность, то есть предполагают субъекта, объекта и реципиента. Совокупность обязательных и необязательных отношений определяет, согласно Филмору, структуру репрезентации сцены (предложения) в памяти. Филмор различает следующие основные отношения:
АКТОР определяет
Субъекта
действия
РЕЦИПИЕНТ
Реципиента
ИНСТРУМЕНТ
Инструмент
ОБЪЕКТ
Объект
ПРИЧИНА
Причину
ЦЕЛЬ
Цель
МЕСТО
Место
ВРЕМЯ
Время
Сходную модель, позволяющую интегрировать ситуационные зависимости, предложил Кинч. Единицей представления материала в его модели является пропозиция. Пропозиция, включающая предикат и аргумент, представляет собой высказывание о состоянии, ситуации, сцене и т.п. Пропозиции могут объединяться в сложные иерархические структуры.
Представленные выше способы семантического структурирования и составляют две формы семантической репрезентации процессуальную и декларативную. Различие между этими двумя формами репрезентации имеет принципиальное значение. Декларативное хранение отношений является надежным средством непосредственной фиксации в памяти результатов отражения, обеспечивающим быстрое и точное их воспроизведение. Но оно сопряжено с трудностью, состоящей в том, что число отношений, которые индивид должен запомнить в течение жизни так, чтобы не возник хаос в результате пересечения образующихся при этом сетей, безгранично велико. Напротив, процессуальное хранение является гораздо более экономным. Оно предполагает запоминание не каждого отдельного отношения между двумя, тремя и т.д. понятиями, а только признаков определенных классов отношений, существование которых определяется наличием критических связей между признаками. При этом необходимо примириться с тем, что процедура проверки занимает в общем больше времени, чем простой поиск непосредственно считываемой единицы памяти. Исследования по данному аспекту проблемы работы памяти привели к выводу [15], что внутрипонятийные отношения могут репрезентироваться в памяти в форме процедур, а межпонятийные в декларативной форме.
Подведем некоторые итоги по данному разделу, параллельно проводя аналитические выкладки.
Наиболее оптимальный путь в исследовании механизмов бессознательного зависит от понимания природы бессознательного. Одна часть которого реализована нейроструктурой, другая внешним, по отношению к ней, информационным источником общественным психическим. Единственный пока доступный способ изучения бессознательного через сознание, требует декомпозиции сознания на объекты среды сознания и дальнейшую их декомпозицию вплоть до бессознательного. Бессознательное, не является чем-то неопределенным. Оно структурировано. Эта структурированность диктуется физическим и информационным факторами. Алгоритмическая работа сознания, достигается только за счет алгоритмической работы бессознательного. Которое осуществляет процессы хранения и воспроизведения информации. С момента поступления данных в сенсорный регистр, они многократно преобразуются и лишь затем поступают в сознание уже в виде имеющим семантический дескриптор. При этом распознавание происходит автоматически. Прежде чем информация отобразиться в сознании она хранится в бессознательном, в памяти.
Приведенные в этом разделе результаты исследований по выявлению форм хранения информации в памяти дают основание утверждать, что семантическое кодирование осуществляется в хранении понятий и отношений между понятиями и процедур определяющих адекватность отношений между признаками классов понятий.
Учитывая это можно сделать вывод, что первый способ (декларативное хранение) достигается в основном за счет информационного фактора, то есть общественного психического, которое задает стандарты понятий и логику отношений между ними. В свою очередь процессуальная репрезентация информации изначально заложена в нейроструктуре, то есть реализована на более низком уровне в конкретных нейросетях. Уже здесь возникает несколько интересных следствий:
1. Общественное психическое возникло не путем естественной эволюции а было привнесено извне, как информационная среда наложенная на физический носитель.
2. Исследование процедур процессуальной репрезентации на уровне психологических экспериментов не возможно. Мы в тупике. Требуется новые формы экспериментов, которые очевидно, только возможны с открытием новых видов энергии и создании на их основе приборов способных отслеживать (без аберрационного эффекта) состояние произвольно выбираемого нейрона или нейросети. Как следует из литературы очевидное открытие новых энергий лежит в сфере исследования физического вакуума [Шипов[1], 1993].
В свете вышесказанного о формах репрезентации информации в памяти следует пересмотреть роль сознания в контроле этих процессов. Она просто ничтожна. Опираясь на объектную модель сознания приведенную в разделе 3.4.3 можно говорить о том, что в сознании осуществляются только операции по отображению информации объектов сознания и ее совмещению. Все остальные манипуляции над информацией происходят в бессознательном. В психологии мышления существует такое понятие как свернутое умозаключение [36]. Данное понятие характеризует феномен того, что мысль приходит в голову в готовом виде. Ее построение осуществляется в сознании, но это незаметно для него самого; происходит маскировка за счет механизмов стереотипизации, то есть использования стереотипов мыслительных операций для построения внутренней речи.
Как мы видим, это понятие в контексте раздела, только подчеркивает факт бессознательного построения последовательности элементов мыслительных цепочек и не более того. Семантические структуры существующие в памяти человека слишком сложны, чтобы реализовываться путем свернутых умозаключений , то есть стереотипизации внутренней речи.
В начале раздела была высказан мысль о том, что в рамках подготовки рабочего семантического тезауруса инициализируется семантический контейнер, осуществляющий восприятие вводимых данных. Эта идея находит свое подтверждение в исследованиях по непроизвольному запоминанию [15]. Образно говоря сначала мыслит бессознательное, затем мыслит сознание.
Безусловно, что тему репрезентации информации в памяти можно развивать достаточно глубоко, что конечно же и необходим сделать в дальнейшем. Но ограниченные задачи настоящей работы подразумевают выделять исключительно важные моменты в понимании работы бессознательного, в сжатой текстовой форме.
4.4.3. Наглядная репрезентация информации в памяти
Одина из сложных тем исследований репрезентации информации в памяти является так называемая наглядная репрезентация. Здесь выделают такие аспекты исследования [15]:
1. Влияние образности вербального материала на его запоминание.
2. Репрезентация в памяти пространственных свойств стимуляции и ее влияние на принятие решений.
3. Влияние особенностей задач и параметров личности на использование образной репрезентации.
4. Трансформация образных представлений и оперирование ими.
5. Процессуальная репрезентация образных представлений.
Не углубляясь в реферативное изложение содержимого аналогичных разделов работы [15], как это было отчасти сделано в разделе 4.4.2, целесообразно сразу привести собственные теоретические выкладки.
Как было показано в 4.4.1 при распознавании происходит выделение слоев на основе глобальных и локальных признаков. При этом содержимое каждого слоя получает семантический дескриптор. Внесем дополнение в описание этого механизма. Прежде чем содержимому слоя будет присвоен семантический дескриптор, происходит образование класса вербализируемых образов слоя. Например, если на фоне леса мы видим плакат с надписью Берегите лес! . Образуется как минимум два слоя, в одном содержится плакат с надписью, а в другом все остальное содержимое поля зрения.
Таким образом в бессознательном, формируется класс вербализируемых образов такой класс образов бессознательного, каждому представителю из которого можно выставить в соответствие уникальную вербальную метку - понятие (рис. 11).
Рисунок 11. Дескриптор образа понятия и его связь с некоторыми механизмами сознания и бессознательного, на примере понятия Плакат . (Только по почте в формате cdr CorelDraw v. 9)
Поясним подробнее приведенный выше рисунок. Из сенсорных регистров (буферов) информация поступает в систему распознавания данных. Механизм распознавания для визуальной информации в общем виде приведен на рис. 8. В зависимости от текущих задач личности инициализируется семантический контейнер, который взаимодействуя с память формирует список рабочих, уже распознанных образов.
Оказывается в зрительном стимуле имеется уже встречавшийся ранее образ, для которого есть понятие! Мы говорим: О, плакат! Что же стоит за этой такой простой фразой? Из рис. 11 видно, что за этим стоят сложнейшие вычислительные операции по работе с понятиями содержащимися в памяти. А если быть точнее, то здесь надо различать две фазы распознавания. Первая, чисто геометрическая (рис. 8). Вторая сугубо понятийная или формирование семантического дескриптора если его нет, или обращение к существующему дескриптору при необходимости с его модификацией.
Скорее всего, структура дескриптора приведенная на рис. 11 может отличаться для отдельных понятий. Но в основе, тем не менее, лежат основные ее составляющие.
Каждое понятие обладает уникальным идентификатором в бессознательном. Технически было бы удобно реализовать хранение дескрипторов в виде многоуровневых таблиц, каждая ячейка которой, является путем (ссылкой) на другую таблицу и т.д. до некоторого предела. Циклические ссылки запрещены, так как несущественны для целей обработки данных в бессознательном.
Феномен эйдетической памяти [15, 19] свидетельствуют о том, что в отсутствии демонстрировавшегося ранее стимула (зрительного или слухового) в сознании тем не менее воспроизводится образ стимула в точности. Учитывая гипотезу о процессуальном хранении[2] видеоинформации в памяти [15], это наводит на мысль, что дескриптор должен включать в себя ссылку на процедуру построения образа понятия. Все это означает, что в бессознательном в процессе обработки информации происходит цепь перекодировок данных.
К сожалению интроспекция как метод не позволяет нам определить в каком кодовом виде существуют данные. Мы видим лишь зрительную картину, а данных которые ее формируют и процедур манипулирующих ими нет, то же с информацией по другим модальностям. Очевидно, что в сознание не встроены средства анализа состояния объектов сознания, иначе бы йоги тратящие тысячи лет на познание самого себя давно бы уже изучили строение душевного аппарата . Человек вынужден изучать самого себя только в деятельности и вне ее, путем внутреннего самосозерцания, он ничего не достигнет в понимании реального объектного устройства сознания и бессознательного.
4.4.4. Семантическое кодирование
В контексте работы [15] семантическое кодирование (СК) сводится к рассмотрению пополнения памяти новыми понятием (образом) и понятийной идентификации содержимого стимула.
С позиции информационного подхода приведенные в предшествующих разделах схемы распознавания содержимого стимулов и строения дескрипторов, достаточны для понимания СК в этом смысле. Собственно говоря, в настоящей работе преследуется цель выявить основные принципы построения бессознательного для имитации его работы на ЭВМ. Конкретные детали СК просто не возможно рассмотреть.
4.4.5. Организация человеческой памяти
Из предшествующих разделов вытекает, что память сложно организована. Причем рабочее пространство памяти нельзя трактовать как только пассивное, хранящее исключительно данные (понятия, образы и др. ) или только активное, выполняющее множество вычислительных процедур, формирование процедур логических отношений, задаваемых шаблонами, поступаемых в индивида данными.
Память, как некий, локальный объект, нельзя выделить, пытаясь четко обозначить ее границы. Что следует считать памятью с технической точки зрения на Нервную систему человека? Собственно нейросети хранящие данные? А может быть записанную в них информацию общественного психического? Или возникшую новую информацию? Или еще не высказанную, но уже сформировавшуюся в сознании мысль?
Память, находящуюся в бессознательном, включающую в себя собственно данные, их описание, процедуры манипулирования описаниями и данными, процедуры построения новых данных, следует рассматривать как программный континуум. Части которого в отдельные моменты времени могут меняться, а могут длительное время оставаться без изменения. Очевидно одно, что по мере исследования бессознательного понятие память значительно модифицируется.
Исследованию организации человеческой памяти уделяется много внимания [15, 19, 20, 22, 35,36, 41,43]. Наиболее продвинутые исследования по этому вопросу приведены в [15]. Однако конкретных схем строения памяти или ее компонентов в [15] не представлено.
Вероятно, что в принципе существует возможность описания организации памяти в рамках системного подхода с применением системных методик как-то: теории групп, графов и множеств.
4.4.6. Модель бессознательного
В настоящей работе предлагается собственный взгляд автора на организацию человеческой памяти. Представленная ниже модель не учитывает компоненты осуществляющие непосредственное (непроизвольное) управление организмом, как несущественные для понимания бессознательного психического.
Прежде чем, перейти к рассмотрению модели бессознательного необходимо рассмотреть один из аспектов преобразования данных для хранения в среде бессознательного.
Если исходить из:
1. Что информация хранится в памяти в основном в процессуальной форме [15] (психологических экспериментов),
2. Результатов нейрофизиологических исследований по выявлению методом электродного шунтирования стриарной коры нейронов детектирующих части зрительного стимула [Хьюбел[3], 1985], показавших, что отдельные нейроны зон 17, 18,19 реагируют исключительно на такие особенности изображения как край, контраст, форма.
то следует, сделать вывод о наличии цепи преобразований данных для целей их хранения и использования в бессознательном.
Рисунок 12. Двойная операция кодирования данных для их хранения.
На рис. 12 приведена модель двойной кодировки данных. Почему двойной? После поступления данных в сенсорный буфер расположенный уже на высоких уровнях ЦНС (ретикулярная формация, таламус и пр. для каждой модальности свой уровень), происходит преобразование зрительного изображения модулями конструктором и деструктором (рис. 8). Это преобразование необходимо по двум причинам:
1. Выделить класс вербализируемых объектов для построения семантики зрительной сцены.
2. Построению семантических дескрипторов для не имевшихся ранее в памяти образах и попытка присвоить вербальную метку путем постановки соответствующей задачи в стеке задач (рис. 13).
Но как мы объясним воспроизведение видеоинформации в сознании индивида при вспоминании? А в случае эйдетиков имеем яркий пример построения изображения без внешнего зрительного стимула, только на основе внутренних ресурсов системы.
Очевидно, что данные хранятся в некой форме используя которую система строит изображение. Учитывая гипотезу процессуального хранения данных в памяти, можно утверждать, что после операции кодировки 1, объект S1 кодируется повторно в формат S1, который является более компактный (рис. 12). Теперь о Х-формате. Каждая абстрактная точка изображения описывается последовательностью команд, выполнение которых приводит к ее построению. Команды реализованы на нейронном уровне и используют для построения алгоритмы заложенные в нейросетях ЦНС. Таким образом в памяти хранятся не собственно внешние данные, в чистом виде, а лишь их образ в нейрокодах. Такова суть идеи двойного кодирования данных. Математически двойная перекодировка может быть описана с позиции отображения множеств и теории кодирования.
Рисунок 13. Блок-схема гипотетической организации бесознательного. (Только по почте в формате cdr CorelDraw v. 9)
Итак, на рис. 13 изображена гипотетическая модель бессознательного Homo sapiens. Связи между компонентами и названия последних наглядно характеризуют их функцию. Поэтому нет нужды описывать их.
В модели выражена попытка определить макроуровень организации бессознательного уровень глобальных рабочих модулей и связей между ними. От макроуровня необходимо произвести декомпозицию к микроуровню. Именно код микроуровня реализует все функции психики. К сожалению как было акцентировано ранее в настоящей работе, часть кода реализована биологически в нейронах и связях между ними. Поэтому единственный пока доступный путь исследования бессознательного это путь проб и ошибок в построении различных моделей бессознательного, их программной реализации.
Однако здесь мы сталкиваемся с серьезной проблемой: необходимо создать практически новую операционную систему с двумя уровнями сознание и бессознательное. Возможно ли это? Рассмотрим это подробнее.
Нервная система человека состоит из нейронов и связей между ними. Эта система имеет объемную пространственную конфигурацию. Если мы отобразим эту систему на плоскость мы получим сложный граф. Не больше и не меньше. Действительно, сложность этого графа очень высока. Учитывая гипотезы молекулярной основы памяти [19, 40, 43], каждый узел этого графа является системой функций с памятью, реализованной в виде набора счетчиков. Тем не менее, этот граф может быть математически описан и реализован на обычной ЭВМ. Вопрос в конечном итоге сводится к выяснению молекулярных основ работы нейрона. Это задачи будущих научных исследований.
4.4.7. Создание новой информации
Описание деятельности памяти было бы не полным, если не упомянуть о механизмах получения новой, не содержащийся в восприятии информации. Какие механизмы позволяют получать индивиду на основе имеющегося содержимого памяти новые сведения?
Прежде, чем говорить о новой информации необходимо сначала дать хотя бы предварительное определение новой информации. Новая информация это сведения об окружающем индивида мире и объективных отношениях в нем, отсутствовавших ранее в его памяти.
Проведенные психологические эксперименты [15], показали, что интеграция информации является источником естественного вывода. Интеграция информации в сложные когнитивные структуры представляет собой основную закономерность восприятия и переработки информации человеком. Для такой интеграции и запоминания возникающих целостных структур используются преимущественно семантические связи. Здесь работает основной принцип гештальтпсихологии целое больше суммы частей .
Другим моментом в возникновении новой информации лежит механизм дополнения имеющийся информации как источник естественного вывода. Однако, существуют ситуации, в которых создание новой информации не может быть сведено ни к процессу интеграции, ни к процессам дополнения. Они основаны, по-видимому, на таких когнитивных операциях, как сравнение предъявленных порций информации, установление связей между ними и их трансформации [15]. Исследования показали, что отрицание маркированных прилагательных (например, немаленький, некороткий, неплоский и т.п.) чаще приводит к трансформациям (большой, длинный, глубокий), чем отрицание соответствующих немаркированных прилагательных (небольшой, недлинный, неглубокий и т.п.). Применение трансформаций зависит не только от языкового выражения, но также и от когнитивной сложности связанного с ним содержания. Следовательно, превращение отрицательных высказываний в утвердительные можно рассматривать как когнитивную трансформацию [15]. Часто основу естественного вывода составляют механизмы распознавания и формирования аналогий. Аналогия представляет собой отношение между двумя семантическими структурами. Вывод по аналогии приобретает характер порождения новой информации в тех случаях, когда он относится к парам объектам, принадлежащих к весьма различным предметным областям, то есть, прежде всего, когда очевидное отношение в одной предметной области позволяет открыть скрытое существование того же отношения в другой предметной области [15]. Таковы взгляды психологии на создание новой информации.
Конечно, наука еще находится в самом начале разработки этого подхода. Некоторые успехи имеют место в теориях творчества [46, 47]. Но пока еще не созданы программные имитаторы творчества за исключением некоторых разновидностей построителей графических сред.
В модели бессознательного (рис. 13) введено наличие Среды вербализации (СВ). Она содержит набор модулей выполняющих различные функции. Один из них - это Построитель новой информации (ПНИ). Этот модуль реализует математику построения новой информации.
Для построения образа объективной реальности требуется интеграция разделенных в пространстве и времени, но объективно связанных между собой сведений. Такая интеграция осуществляется в форме семантической организации разрозненных данных в целостные структуры, которые, будучи отражением объективной реальности, содержат больше информации, чем было использовано для их построения. Обусловленный этой интеграцией феномен порождения дополнительной информации можно рассматривать как процесс воссоздания свойств источника информации в моделирующей среде, о которых в первоначально принятом сообщении содержаться только отрывочные сведения. Этот процесс, по-видимому, лежит также в основе механизмов, которые заполняют пробелы в воспринятых сообщениях путем воспроизведения обобщенного знания о возможных свойствах и отношениях. Создание новой информации в памяти служит, таким образом, задаче построения целостной картины объективного мира.
Создание информации обеспечивается, далее, путем целенаправленного применения операций трансформации знаний. В этом случае речь идет уже не только о целостном отражении объективной реальности, но и о построении таких репрезентаций, обработка которых была бы наиболее легкой с точки зрения целенаправленного вывода новой информации для обеспечения решения различных задач. Создание новой информации за счет когнитивных трансформаций определяется поэтому не только закономерностями памяти, но также и закономерностями целенаправленных процессов мышления.
4.5. Сознание: лимитирование доступа
Между сознанием и бессознательным существуют определенные взаимоотношения. Технический и логический аспекты этих отношений в какой-то мере были представлены в предшествующих разделах. В этом разделе целесообразно остановиться на проблеме возможностей сознания.
Как ярко продемонстрировали различные эксперименты бессознательное чрезвычайно сложно устроено. В нем осуществляется сложные математические вычисления. Математика эта специфична. На 80% она встроена в нейроны, т.е. реализована на низком уровне, остальные 20% задаются параметрами внешних данных форматом сообщений поступающих в индивида извне.
Практически все множество сервисов бессознательного, да собственно и сознания тоже скрыто от Я субъекта, от его внутреннего взора в себя . Бессознательное прозрачно для сознания это главный момент в понимании работы сознания. Для основной массы людей, бессознательное как бы не существует. Говоря языком психологии, уровень рефлексии крайне низкий.
Что же мы (локальное сознание) получаем в результате маскировки информации бессознательного? Две проблемы:
Проблема 1. Сознание не может явно контролировать механизмы бессознательного, а значит и работу организма на всех уровнях его организации от системного, органного до клеточного, молекулярного (генетического в т.ч.).
Проблема 2. Возникает необходимость в построении специфической социальной среды взращивания сознания и управления людьми, короче просто общества.
Если подвести черту под этим проблемами, то можно сказать, что практически все существующее разнообразие проблем человека (старость, болезни, смерть и пр.) связано с отсутствием доступа в бессознательное.
Дадим конкретное определение этой ситуации лимитирование сознания. Данная тематика не является темой настоящей работы, однако она важна для понимания целей исследования психики человека.
В общем виде сознание взаимодействует с бессознательным путем запросов. Запросов множество, и, обычно, они связаны с воспроизведением информации или создании новой информации. Для сознания запрос имеет вербальное представление, но с точки зрения модели бессознательного это иллюзия. Просто техническая сторона запроса скрыта от сознания. Это похоже на то, когда работая в текстовом редакторе (Например, MS Word) мы видим текст, но на самом низком программном уровне это не текст, а последовательность нолей и единиц, а если перейти на физический уровень рассмотрения, то это функция состояния электромагнитного поля в проводнике, зависящая от времени. Перенося этот пример на сознание можно сказать, что информация среды сознания, то есть то, что осознаваемо, есть верхний программный уровень. В свою очередь, низким уровнем является состояние молекулярных комплексов нейрона.
Человек не осознает как он работает. Общественное психическое настолько эволюционировало информационно, что сегодня наука ставит вопрос о познании информационных процессов и физического носителя, поддерживающего их, обеспечивающих существование личности. Теперь уже не важно создал человека Бог или человек эволюционировал в течении миллионов лет. Теперь человек ставит вопрос иначе. Главный вопрос сегодня: Кто я? Во всех аспектах. И второй, важнейший вопрос: Как продлить существование личности? Перейдем к следующему разделу.
4.6. Искусственный интеллект: футурологический взгляд
Способно ли сознание исследовать само себя? И если да, то каким образом? Очевидно, что сама постановка этого вопроса говорит о возможности самопознания. Вероятно, что существует возможность абсолютного познания сознания своего источника бессознательного. Что для этого нужно сделать? Какие средства необходимы в решении этой задачи?
Для того, чтобы ответить на эти вопросы важно понимать как эволюционировало общественное психическое. Сложный обмен данными между множеством локальных сознаний, создание новой информации группами совместно мыслящих субъектов и ряд других гносеологических процессов социального характера дают возможность эволюционировать общественному психическому. Базовый уровень информационного роста цивилизации заключен в механизмах бессознательного конкретных людей.
Безусловно, что только в деятельности субъект организует потребность в информации и насыщении себя ею. Вне деятельности информация для нейроструктуры субъекта просто не существует. Так уж мы устроены. Именно в деятельности субъект становится способным ставить различные задачи, одна из которых ориентирована на самопознание.
Практически внешняя среда служит отражением внутренней среды индивида. Свое отражение во вне воспринимается индивидом как истинное знание о себе. Незыблемая повторяемость явлений становится закономерностью, постоянное подтверждение закономерности есть закон, закон есть реальность объективного мира, способ отражений отношений между материальными объектами. Это внешний способ самопознания человека. И он удачен. Иначе современной цивилизации не существовало бы вовсе.
Другой путь, не инструментальный, основанный на интроспекции, рефлексии очевидно не столь перспективен. Сознание не располагает сенсорами, похожими на рецепторы организма, чтобы контролировать свое состояние или бессознательное. Конечно, некоторое наблюдение своего внутреннего мира человек в состоянии осуществлять, но не более того.
В итоге мы имеем единственный способ самопознания внешний, основанный на познании закономерностей окружающей человека реальности.
Небольшое отступление философско-методологического плана от темы пригодиться для понимания настоящего раздела. Перейдем далее к теме и поставим вопрос: Зачем нужен искусственный интеллект на самом деле? И попробуем ответить на него.
Будем честными и признаем, что каждый человек хотел не стареть, не болеть и не умирать. Каждый человек хотел бы быть умным и что-то значить для общества. Каждый человек хочет быть творцом своего мира, иметь собственно счастье. Реализация всего этого просто идеал, а во многом утопия. Природа человека такова, что он стареет и умирает. А рождается с уже заложенными биологическими возможностями, которые модулируют реализацию в индивиде информационное воздействие общества. Если оно положительное (человек вырос в хорошо обеспеченной семье, у него достаточно денег для получения образования, его окружают интеллектуальные люди и т.п.) он вырастает полноценным членом общества и востребован им. Если нет (обратное перечисленному выше), то увы. Всякое может быть. Такова реальность социального бытия.
Как было показано в начале этой работы, в принципе, общественное психическое не препятствует развитию индивида. В конечном итоге можно получить любую информацию в обществе. Главным ограничением является физический носитель локального сознания человеческое тело. Во-первых, оно слишком уязвимо для различных деструктивных факторов внешней среды.Во-вторых, в нем заложена биологическая программа самоуничтожения организм стареет и умирает. С точки зрения эволюции общественного психического функция замещения физического носителя оправданы. Каждый раз когда возникает новый носитель (индивид) в нем фокусируется потоки информации отличные от его предшественников, а значит повышается вероятность создания новой информации необходимой для эволюции общественного психического.
С другой стороны общественное психическое в своем росте требует образно говоря больших вычислительных ресурсов, поэтому за последние несколько десятилетий количество людей резко растет. Учитывая интеграцию цивилизации в биосфере, а также зависимость ее самой от неживой природы, бесконечно рост популяции Homo Sapiens продолжаться не может. Возникнув общественное психическое не должно исчезнуть в результате экологической катастрофы (истощение ресурсов, перенаселение и пр.). Очевидно, здесь должны произойти качественные изменения в эволюции цивилизации. И вероятнее всего они могут быть реализованы двумя путями.
Во-первых, человечество может выйти в Космос и заселить пригодные для жизни планеты. И, тогда, ничего не помешает наращивать численность людей. Во-вторых, можно создать искусственную физическую среду, в которой способно существовать локальное сознание. Речь идет о создании искусственного физического носителя для человеческой психики. Переселившись в такие среды, требующие минимум ресурсов для функционирования, личность в результате старения или иных деструкций тела, не перестает существовать для общественного психического, а приносит пользу используя свой опыт и знания. Немного фантастично, не правда ли? Но нашим предкам казалось фантастикой, то чем располагает цивилизация сегодня. Даже не казалось. Они просто были не в состоянии представить себе нечто подобное. Просто не было аналогов.
Остановимся на втором способе выживания человечества. Обратим внимание, на то, что в физический носитель (ФН) необходимо загрузить сознание конкретного человека. Остановимся здесь. Что мы будем переносить в ФН из человека? Что это за процесс?
Для выражению какой-то новой идеи иногда требуются новые понятия. Введем их. При этом подход к пониманию понятия может быть построен дедуктивным или индуктивным путем. Будем идти от понятия к его дефиниции.
Информус информационно-материальное отображение личности в метасреде. Личность представляется как действующий информационный комплекс функционирующий в нейросреде. Можно определить понятие личность и как систему реагирующую на информационное воздействие общественного психического. Однако все, что может личность, как было замечено в начале настоящей работы, базируется не только на информации общественного психического (размещение части себя в теле), но и за счет встроенных (врожденных, если упрощенно понимать) функций в нейроструктуре. Таким образом функционирование личности обеспечивается как биологическим (ЦНС, в конечном итоге геном), так и информационным (общество) факторами. Что же мы тогда будет переноситься в ФН?
Переноситься в ФН должны как технические (биологические) параметры нейросреды, так и вся информация личности. Под информацией личности следует понимать все говорившееся о объектной модели сознания и модели бессознательного. Естественно, что в точности смоделировать технические параметры нейросреды невозможно. Для этого требуется супертехнология создания органики на субмолекулярном уровне, то есть создание техническим путем аналогичной нейросреды (головной мозг). Такой технологией человечество пока еще не располагает. Да и вообще она очень фантастична. Очевидно, работу отдельных нейросетей можно имитировать технически. И в дальнейшем, на этой основе создать ФН, со свойствами человеческого головного мозга.
Это чисто технический аспект. Информационный аспект будет заключаться в анализе информационной структуры личности и загрузки ее в ФН. Так вот, совокупность информации личности и реальных технических характеристик нейросреды индивида и является информусом. Если попробовать с другой стороны определить информус, то его (объект) можно обозначить как субстрат-информация.
Трансляция информуса. Коснемся теперь процесс переноса информуса в ФН. Безусловно, главное требование для ФН это их универсальность, то есть ФН должны быть настраиваемы под информус, прежде чем произойдет загрузка информуса в ФН. Учитывая это, а также момент анализа личности, перед построением информуса, вытекает структура передачи или трансляции информуса в ФН. Трансляция информуса состоит из трех этапов. Первый этап: технический анализ личности и ее нейросреды и построение информуса в метасреде (компонента анализатора). Второй этап: настройка ФН и трансляция в него информуса. Третий этап: активация информуса.
Таким образом выше была анонсирована футурологическая идея создания и трансляции информуса в ФН, которую можно назвать как концепцию информуса.
Сегодня никого не смущает тот факт, что многие люди пишут в своем завещании о замораживании их тела после смерти. Некоторые институты поддерживают банки спермы выдающихся умов общества. Все это было актуально раньше, сегодня генетика, а в ее лице и геронтология признают свое бессилие перед сложнейшей системой организмом человека. Очевидно, земная цивилизация стоит на пороге принятия глобального решения перераспределения ресурсов в область развития физики микромира и микромолекулярных цифровых технологий.
Концепция информуса это то, к чему рано или поздно придет человечество. К чему оно уже идет частично может быть не осознавая это, а частично не афишируя истинные цели. По сути дела в этом и заключается ответ для чего создается искусственный интеллект для продления жизни человеческого сознания в технической среде.
Заключение
Анализ имеющейся литературы по проблеме ИИ показал, что основные научные силы сконцентрированы в разработке биомашинного интерфейса и анализу естественного языка для его формализации с последующим применением в базах знаний и поисковых системах. Создание собственно искусственной психики является или слишком сложной задачей, или все же решаемой задачей в определенных научных кругах. В любом из этих случаев никаких сведений о построении именно искусственного интеллекта, как машинной психики, найдено не было. В связи с чем, тематика настоящей работы является относительно уникальной.
В доступной для изучения отечественной литературе по психологии работ направленных на выявление структуры сознания и его базиса бессознательного, как объектов имеющих структурную информационную организацию, функционирующих по сути как программный комплекс (операционная система) выявлено не было. Некоторую пользу принесла монография немецкого ученого Хофмана Активная память . В ней отражен экспериментальный материал и его анализ по психологии восприятия, переработки, хранения и создания новой информации в памяти человека.
Нейрофизиологические данные экспериментов над животными по изучению памяти показали существование молекулярной основы хранения данных в цитоплазме клетки, в том числе с участием ДНК и РНК. Таким образом прежнее представление о обособленной роли нейролеммы в поддержании информационных процессов оказывается поверхностным. Сложность нейрохимических исследований и невозможность использовать человека в эксперименте значительно ограничивают перспективу решения проблемы обработки информации в головном мозге. Ограничивающим фактором является также и отсутствие надлежащей научной аппаратуры. Тем не менее, становится понятно, что каждому структурному объекту среды сознания или бессознательного соответствует конкретная нейросеть.
Применяя в настоящей работе системный подход и принципы объектно-ориентированного программирования, удалось трансформировать данные психологии и нейрофизиологии в модель сознания и модель бессознательного.
Бессознательное человека, образно говоря, есть тайна за семью печатями. Бессознательное является основой не только социального онтогенеза личности, но стимулирующим фактором эволюции общественного психического. Генетически детерминированные параметры нейросреды, достаточны для функционирования в ней личности как информационного образования.
История человечества говорит прежде всего о факте эволюции общественного психического именно за счет вычислительных ресурсов бессознательного. Человек, как сознательное существо, стал способен поставить вопрос об истоках собственного Я. Достигнутый уровень исследования психики показывает наличие ее сложной организации. Социализация личности приводит к оторванности ее от ее физического носителя тела. Современный человек в понимании себя во многом абстрагирован от собственного тела. В связи с чем, явление смерти личности (как телесной, так и душевной, то есть информационной) неудовлетворительно.
Жизнь человека, в информационном понимании его интеллектуальных запросов, не сводится только к удовлетворению биологических потребностей. И об этом свидетельствует интересы современного общества, частично выраженные в уже полученных достижениях познания реальности. Человек вышел в Космос, был на Луне, в 2017 году США планируется полет на Марс. Было открыто электромагнитное поле, на этой основе возникла электроника. Достижения в области физики и химии привели к появлению молекулярной механики. Математика как научная отрасль неимоверно усложнилась, создавая для общества все новые интеллектуальные ресурсы решения научно-практических задач. Таковы основные успехи современной науки, перечисление которых заняло бы несколько сотен страниц.
В конце девятнадцатого века человек поставил задачу создать некий аналог себя самого. И он смог это сделать. Механическая часть подобно человеческому телу и управлению ею уже имеются это роботы, функционирующие на сервомеханизмах. Отчасти смоделированы интеллектуальные функции человека. Но цивилизация идет дальше. Ей этого мало. Необходимо создать Homo tehnicus. Но зачем создавать конкурента, в борьбе за жизнь? Пускай даже технического. Есть лучший вариант.
Исследование бессознательного дает основу в понимании как работает сознание и в конечном итоге позволяет установить информационную структуру личности, во всей многогранности ее интеллектуальных проявлений. Каждый человек дорог. И если мы наука не состоянии продлить жизнь биологического тела, то нужно создать тело техническое , новый физический носитель, в который можно транслировать субстрат-информацию личности информус.
В настоящей работе уделено особое внимание разработке информационного подхода к пониманию организации бессознательного. Необходимо точно определить, что такое Я и как оно работает. Предложена объектная модель сознания и модель бессознательного в рамках информационной теории социального онтогенеза личности. Свое перспективное выражение данная теория, во многом вытекающая из социальной кибернетики, находит в футурологическом взгляде на личность.
Наука способна решить вопрос продления жизни в информационно-технической форме для личности. И этот вопрос нужно решать уже сегодня.
Литература
1. Баженов Л.Б., Гутчин И.Б., Интеллект и машина, изд. "Знание", М., 1973.
3. Бердяев Н.А. Человек и машина, Вопросы философии, 1989, N2.
4. Вычислительные машины и мышление. М., "Мир", 1967.
5. Кибернетика и философия. АН Латвийской ССР, изд. "Зинатне", 1977.
6. Клаус Г. Кибернетика и философия, М., "Иностранная литература", 1963.
7. Маркс К., Энгельс Ф. Собр. соч. Структура и форма материи. Сб., М., "Наука", 1967.
8. Моисеев Н.Н. Компьютеризация, ее социальные последствия, Вопросы философии, 1987, N9.
9. Системно-кибернетические аспекты познания. АН Латв. ССР, изд. "Зинатне", 1985.
10. Шалютин С. Искусственный интеллект. М., 1981.
11. Эндрю А. Искусственный интеллект. /Пер. с англ. В.Л. Стефанова и под ред. Д.А. Поспелова/ М.: Мир, 1985.
12. Математический энциклопедический словарь. М.: Советская энциклопедия , 1988.
13. Теоретическая и математическая биология. /Пер. с англ. Ю.И. Лашкевича/ М.: Мир, 1968.
14. Соломатин Н.М. Информационные семантические системы. М.: Высш. шк., 1989.
15. Хофман И. Активная память: Эксперимента. исслед. и теории человеч. памяти. /Пер. с нем, общ. редакция и предисловие Б.М. Величковского и Н.К. Корсакова/, М.: Прогресс, 1986.
16. Файнстейн А. Основы теории информации. /Пер. с англ. И.Н. Коваленко и Э.Р. Ницкой. Под ред. И.И. Гихмана/, М.: Изд-во Иностранная литература , 1960.
17. Основы кибернетики. Теория кибернетических систем. /Под ред. К.А. Пупкова. Учебное пособие для ВУЗов./, М.: Высш. шк., 1976.
18. Кевин Уорвик. Наступление машин. М.: Наука/Интерпериодика , 1999.
19. Райнер Зинц. Обучение и память. /Под ред. Б.А. Бенедиктова/, Минск: Вышэйшая школа , 1984.
20. Зинченко П.И. Непроизвольное запоминание. М.: Изд-во академии педагогических наук РСФСР, 1961.
21. Зигмунд Фрейд. Психология бессознательного. Сборник произведений./Сост. М.Г. Ярошевский/, М.: Просвещение, 1989.
22. Петер Кутер. Современный психоанализ. Введение в психологию бессознательных процессов. /Пер. с нем. С.С. Панкова и под общ. ред. В.В. Зеленского/, СПб.: Б.С.К. , 1997.
23. Первые киборги. Рубрика Новости . Компьютерра. Компьютерный еженедельник, 3 ноября 1998 года 43 (271), стр. 12.
24. Кошачий глаз. Рубрика Новости . Компьютерра. Компьютерный еженедельник. 26 октября 1999 года 43 (321), стр. 8.
25. Диаг-нос-т. Рубрика Новости . Компьютерра. Компьютерный еженедельник. 26 октября 1999 года 43 (321), стр. 8.
26. Книжная лавка. Компьютерра. Компьютерный еженедельник. 23 ноября 1999 года 47 (325), стр. 40.
27. Компьютеры 2017 года. Рубрика Новости . Компьютерра. Компьютерный еженедельник. 2 июня 1997 года 22 (199), стр. 5.
28. Гордиенко Игорь. В преддверии эры post-chips . Компьютерра. Компьютерный еженедельник. 19 октября 1999 года, 42 (320), стр. 13.
29. Нейронные сети на каждый день. Рубрика Новости . Компьютерра. Компьютерный еженедельник. 18 августа 1998 года 32 (260), стр. 7.
30. IBM выпускает ViaVoice. Рубрика Новости . Компьютерра. Компьютерный еженедельник. 16 июня 1998 года 23 (251), стр.14.
31. По глазам вижу. Рубрика Новости . Компьютерра. Компьютерный еженедельник. 10 ноября 1998 года 44 (272), стр. 16.
32. Лейбин Валерий. Фрейд, психоанализ и современная западная философия. М.: Изд-во политической литературы, 1990.
33. Данилова Н.Н., Крылова А.Л. Физиология высшей нервной деятельности. М.: МГУ, 1989.
34. Запорожец А.В. Развитие произвольных движений. М.: Изд-во Академии педагогических наук РСФСР. 1960
35. Далидович Георгий. Машина как средство познания себя. Подводная лодка. Научно-популярный журнал. 1999. 7,8,9.
36. Соколов А.Н. Внутренняя речь и мышление. М.: просвещение, 1967.
37.Ричард Бэндлер. Используйте свой мозг для изменения. Нейро-лингвистическое программирование. /Пер. с англ. Л. Миникеса и Г. Сгонник/ Новосибирск: Новосиб. ун-та, 1992.
38. Цыганков В.Д. Нейрокомпьютер и его применение. /Под ред. В.А. Львова/ М.: Изд-во Сол Систем , 1993.
39. Холодов Ю.А. Мозг в электромагнитных полях. М.: Наука, 1982.
40. Физиология центральной нервной системы. (В серии: Руководство по физиологии) Л.: Наука, 1981.
41. Нейрокомпьютер как основа мыслящих ЭВМ. М.: Наука, 1993.
42. Ливанов М.Н., Русинов В.С. и др. Диагностика и прогнозирование функционального состояния мозга человека. М.: Наука, 1988.
43. Иванова М.П. Корковые механизмы произвольных движений у человека. М.: Наука, 1990.
44. Глушков В.М. Кибернетика. Вопросы теории и практики. М.: Наука, 1986.
45. Винер Н. Кибернетика или управление и связь в животном и машине. М.: Сов. Радио, 1968.
46. Альтшуллер Г.С. Творчество как точная наука: теория решения изобретательских задач. М.: Советское радио, 1979.
47. Уилсон А., Уилсон М. Управление и творчество при проектировании систем. М.: Советское радио, 1976.
Приложение 1
Список зарубежной литературы[4]
1. S. C. Shapiro. A net structure for semantic information storage, deduction and retrieval. In Proceedings of the Second International Joint Conference on Artificial Intelligence, pages 512-523, Los Altos, CA, 1971. Morgan Kaufmann.
2. S. C. Shapiro. Generation as parsing from a network into a linear string. American Journal of Computational Linguistics, pages 45-62, 1975.
3. S. C. Shapiro. An introduction to SNePS (semantic network processing system). Technical Report 31, Computer Science Department, Indiana University, Bloomington, IN, 1976.
4. S. C. Shapiro and M. Wand. The relevance of relevance. Technical Report 46, Computer Science Department, Indiana University, Bloomington, IN, 1976.
1976-3
5. R. Bechtel and S. C. Shapiro. A logic for semantic networks. Technical Report 47, Computer Science Department, Indiana University, Bloomington, IN, 1976.
6. S. C. Shapiro. Representing and locating deduction rules in a semantic network. Proceedings of the Workshop on Pattern-Directed Inference Systems, Sigart Newsletter(63):14-18, 1977.
7. S. C. Shapiro. Representing numbers in semantic networks: prolegomena. In Proceedings of the 5th International Joint Conference on Artificial Intelligence, page 284, Los Altos, CA, 1977. Morgan Kaufmann.
8. S. C. Shapiro. Compiling deduction rules from a semantic network into a set of processes. In Abstracts of Workshop on Automatic Deduction, page 7, Cambridge, MA, 1977.
8. S. C. Shapiro. Path-based and node-based inference in semantic networks. In D. Waltz, editor, Tinlap-2: Theoretical Issues in Natural Languages Processing, pages 219-225, New York, 1978. ACM.
9. S. C. Shapiro. The SNePS semantic network processing system. In N. V. Findler, editor, Associative Networks: The Representation and Use of Knowledge by Computers, pages 179-203. Academic Press, New York, 1979.
10. S. C. Shapiro. Generalized augmented transition network grammars for generation from semantic networks. In Proceedings of the 17th Annual Meeting of the Association for Computational Linguistics, pages 25-29. University of California at San Diego, 1979.
11. S. C. Shapiro. Numerical quantifiers and their use in reasoning with negative information. In Proceedings of the Sixth International Joint Conference on Artificial Intelligence, pages 791-796, Los Altos, CA, 1979. Morgan Kaufmann.
12. S. C. Shapiro. Using non-standard connectives and quantifiers for representing deduction rules in a semantic network, 1979. Invited paper presented at Current Aspects of AI Research, a seminar held at the Electrotechnical Laboratory, Tokyo.
13. D. P. McKay and S. C. Shapiro. MULTI: A LISP based multiprocessing system. Technical Report 164, Department of Computer Science, University at Buffalo, 1980. 14. D. P. McKay and S. C. Shapiro. MULTI: A LISP based multiprocessing system. In Proceedings of the 1980 LISP Conference, pages 29-37. Stanford University, Stanford, CA, 1980.
15. S. C. Shapiro and D. P. McKay. Inference with recursive rules. In Proceedings of the First Annual National Conference on Artificial Intelligence, pages 151-153, Los Altos, CA, 1980. Morgan Kaufmann.
16. S. C. Shapiro. Review of Fahlman, Scott NETL: A system for representing and using real-world knowledge. American Journal of Computational Linguistics, 6(3):183-186, 1980.
17. D. P. McKay. Recursive rules: an outside challenge. SNeRG Technical Note 1, Department of Computer Science, University at Buffalo, 1980.
18. A. S. Maida and S. C. Shapiro. Intensional concepts in propositional semantic networks. Technical Report 171, Department of Computer Science, University at Buffalo, 1981.
19. S. C. Shapiro. COCCI: A deductive semantic network program for solving microbiology unknowns. Technical Report 173, Department of Computer Science, University at Buffalo, 1981.
20. J. Martins, D. P. McKay, and S. C. Shapiro. Bi-directional inference. Technical Report 174, Department of Computer Science, University at Buffalo, 1981.
21. J. Martins and S. C. Shapiro. A belief revision system based on relevance logic and heterarchical contexts. Technical Report 175, Department of Computer Science, University at Buffalo, 1981.
22. S. C. Shapiro. Summary of scientific progress. SNeRG Technical Note 3, Department of Computer Science, University at Buffalo, 1981.
23. D. P. Mckay and J. Martins. SNePSLOG User's Manual. Department of Computer Science, University at Buffalo, 1981.
24. D. P. McKay, H. Shubin, , and J. Martins. RIPOFF: Another text formatting program. SNeRG Technical Note 5, Department of Computer Science, University at Buffalo, 1981. Obsolete.
25. J. Neal. A knowledge engineering approach to natural language understanding. Technical Report 179, Department of Computer Science, University at Buffalo, 1981.
26. R. Srihari. Combining path-based and node-based reasoning in SNePS. Technical Report 183, Department of Computer Science, University at Buffalo, 1981.
27. D. P. McKay, J. Martins, E. Morgado, M. Almeida, and S. C. Shapiro. An assessment of SNePS for the Navy domain. SNeRG Technical Note 6, Department of Computer Science, University at Buffalo, 1981.
28. S. C. Shapiro. What do semantic network nodes represent? SNeRG Technical Note 7, Department of Computer Science, University at Buffalo, 1981.
29. D. P. McKay and S. C. Shapiro. Using active connection graphs for reasoning with recursive rules. In Proceedings of the Seventh International Joint Conference on Artificial Intelligence, pages 368-374, Los Altos, CA, 1981. Morgan Kaufmann.
30. S. C. Shapiro and The SNePS Implementation Group. SNePS User's Manual. Department of Computer Science, University at Buffalo, 1981.
31. S. C. Shapiro, D. P. McKay, J. Martins, and E. Morgado. SNePSLOG: A ``higher order'' logic programming language. SNeRG Technical Note 8, Department of Computer Science, University at Buffalo, 1981. Presented at the Workshop on Logic Programming for Intelligent Systems, R.M.S. Queen Mary, Long Beach, CA.
32. H. Shubin. Inference and control in multiprocessing environments. Technical Report 186, Department of Computer Science, University at Buffalo, 1981.
33. S. C. Shapiro. Generalized augmented transition network grammars for generation from semantic networks. The American Journal of Computational Linguistics, 8(1):12-25, 1982.
34. M. J. Almeida. NETP2: a parser for a subset of english. SNeRG Technical Note 9, Department of Computer Science, University at Buffalo, 1982.
35. L. M. Tranchell. A SNePS implementation of KL-ONE. Technical Report 198, Department of Computer Science, University at Buffalo, 1982.
36. S. C. Shapiro and J. G. Neal. A knowledge engineering approach to natural language understanding. In Proceedings of the 20th Annual Meeting of the Association for Computational Linguistics, pages 136-144, Menlo Park, CA, 1982.
37. G. Donlon. Using resource limited inference in SNePS. SNeRG Technical Note 10, Department of Computer Science, University at Buffalo, 1982.
38. J. T. Nutter. Defaults revisited or ``Tell me if you're guessing''. In Proceedings of the Fourth Annual Conference of the Cognitive Science Society, pages 67-69, Ann Arbor, MI, 1982. the Program in Cognitive Science of The University of Chicago and The University of Michigan.
39. S. C. Shapiro, J. Martins, and D. McKay. Bi-directional inference. In Proceedings of the Fourth Annual Conference of the Cognitive Science Society, pages 90-93, Ann Arbor, MI, 1982. the Program in Cognitive Science of The University of Chicago and The University of Michigan.
40. A. S. Maida and S. C. Shapiro. Intensional concepts in propositional semantic networks. Cognitive Science, 6(4):291-330, 1982. Reprinted in R. J. Brachman and H. J. Levesque, eds. Readings in Knowledge Representation, Morgan Kaufmann, Los Altos, CA, 1985, 170-189.
41. J. P. Martins. Belief revision in MBR. In Proceedings of the 1983 Conference on Artificial Intelligence, Rochester, Michigan, 1983.
42. J. T. Nutter. What else is wrong with non-monotonic logics?: Representational and informational shortcomings. In Proceedings of the Fifth Annual Meeting of the Cognitive Science Society, page 5, Rochester, NY, 1983.
43. M. J. Almeida and S. C. Shapiro. Reasoning about the temporal structure of narrative texts. In Proceedings of the Fifth Annual Meeting of the Cognitive Science Society, page 5, Rochester, NY, 1983.
44. J. P. Martins. Reasoning in Multiple Belief Spaces. PhD thesis, Technical Report 203, Department of Computer Science, University at Buffalo, 1983.
45. J. P. Martins and S. C. Shapiro. Reasoning in multiple belief spaces. In Proceedings of the Eighth International Joint Conference on Artificial Intelligence, pages 370-373, Los Altos, CA, 1983. Morgan Kaufmann.
46. J. T. Nutter. Default reasoning using monotonic logic: a modest proposal. In Proceedings of The National Conference on Artificial Intelligence, pages 297-300, Los Altos, CA, 1983. Morgan Kaufmann.
47. J. T. Nutter. Default reasoning in A.I. systems. Master's thesis, Technical Report 204, Department of Computer Science, University at Buffalo, 1983.
48. E. J. Morgado and S. C. Shapiro. Believing and acting: An approach to meta-knowledge and meta-reasoning. SNeRG Technical Note 11, Department of Computer Science, University at Buffalo, 1983.
49. W. J. Rapaport and S. C. Shapiro. Quasi-indexical reference in propositional semantic networks. In Proceedings of Coling-84, pages 65-70. The Association for Computational Linguistics, 1984.
50. J. G. Neal and S. C. Shapiro. Knowledge-based parsing. Technical Report 213, Department of Computer Science, University at Buffalo, 1984.
51. W. J. Rapaport. Belief representation and quasi-indicators. Master's thesis, Technical Report 215, Department of Computer Science, University at Buffalo, 1984. 52. J. P. Martins and S. C. Shapiro. A model for belief revision. In Non-Monotonic Reasoning Workshop, pages 241-294. The American Association for Artificial Intelligence, 1984.
53. Z. Xiang, S. N. Srihari, S. C. Shapiro, and J. G. Chutkow. Analogical and propositional representation of structure in neurological diagnosis. In Proc. First Conference on Artificial Intelligence Applications, pages 127-132, Silver Spring, MD, 1984. IEEE Computer Society Press.
54. J. G. Neal. A Knowledge Based Approach to Natural Language Understanding. PhD thesis, Technical Report 85-06, Department of Computer Science, University at Buffalo, 1985.
55. W. J. Rapaport. Meinongian semantics for propositional semantic networks. In Proceedings of the 23rd Annual Meeting of the Association for Computational Linguistics, pages 43-48, Morristown, NJ, 1985. Association for Computational Linguistics.
56. V. Saks. A matcher for intensional semantic networks. SNeRG Technical Note 12, Department of Computer Science, University at Buffalo, 1985.
57. J. Suchin. A semantic network representation of the peripheral nervous system. SNeRG Technical Note 13, Department of Computer Science, University at Buffalo, 58. E. J. Morgado and S. C. Shapiro. Believing and acting: A study of meta-knowledge and meta-reasoning. In Proceedings of EPIA-85 (``Encontro Portugues de Inteligencia Artificial''), pages 138-154, Oporto, Portugal, 1985.
59. Z. Xiang, S. N. Srihari, S. C. Shapiro, and J. G. Chutkow. A modeling scheme for diagnosis. In Expert Systems in Government Symposium, pages 538-547, Washington, DC, 1985. IEEE Computer Society Press.
60. S. C. Shapiro and W. J. Rapaport. SNePS considered as a fully intensional semantic network. Technical Report 85-15, Department of Computer Science, University at Buffalo, 1985.
61. W. J. Rapaport. Logic and artificial intelligence. Technical Report 85-16, Department of Computer Science, University at Buffalo, 1985.
1985-9
62. J. G. Neal and S. C. Shapiro. Parsing as a form of inference in a multiprocessing environment. In Proceedings of the Conference on Intelligent Systems and Machines, pages 19-24, Rochester, Michigan, 1985.
62. Z. Xiang, J. G. Chutkow, S. C. Shapiro, and S. N. Srihari. Representation of spatial structure and function in diagnosis. In Proceedings of the Second Conference on Artificial Intelligence Applications, pages 223-228, Silver Spring, MD, 1985. IEEE Computer Society Press.
63. M. Holynski, B. R. Gardner, and R. Ostrovsky. Towards an intelligent computer graphics system. Technical Report 86-003, Computer Science Department, Boston University, 1986.
64. S. C. Shapiro, S. N. Srihari, J. Geller, and M.-R. Taie. A fault diagnosis system based on an integrated knowledge base. IEEE Software, 3(2):48-49, 1986.
65. Z. Xiang, J. G. Chutkow, S. C. Shapiro, and S. N. Srihari. Computerized neurological diagnosis: A paradigm of modeling and reasoning. Health Care Instrumentation, 1(3):90-105, 1986.
66. J. P. Martins and S. C. Shapiro. Theoretical foundations for belief revision. In J. Y. Halpern, editor, Theoretical Aspects of Reasoning About Knowledge, pages 383-398. Morgan Kaufmann Publishers, Los Altos, CA, 1986.
67. S. C. Shapiro, S. N. Srihari, M.-R. Taie, and J. Geller. VMES: A network-based versatile maintenance expert system. In Applications of Artificial Intelligence to Engineering Problems: Proceedings of The 1st International Conference, pages 925-936, Berlin, 1986. Springer-Verlag.
68. J. P. Martins and S. C. Shapiro. Hypothetical reasoning. In Applications of Artificial Intelligence to Engineering Problems: Proceedings of The 1st International Conference, pages 1029-1042, Berlin, 1986. Springer-Verlag.
69. R. G. Hull. A new design for SNIP the SNePS inference package. SNeRG Technical Note 14, Department of Computer Science, University at Buffalo, 1986.
70. M. R. Taie, S. N. Srihari, J. Geller, and S. C. Shapiro. Device representation using instantiation rules and structural templates. In Proceedings of the Sixth Canadian Conference on Artificial Intelligence, pages 124-128. Presses de l'Université du Québec, 1986.
71. J. P. Martins and S. C. Shapiro. Belief revision in SNePS. In Proceedings of the Sixth Canadian Conference on Artificial Intelligence, pages 230-234. Presses de l'Université du Québec, 1986.
72. S. S. Campbell and S. C. Shapiro. Using belief revision to detect faults in circuits. SNeRG Technical Note 15, Department of Computer Science, University at Buffalo, 73. W. J. Rapaport. Syntactic semantics: Foundations of computational natural-language understanding. Technical Report 86-24, Department of Computer Science, University at Buffalo, 1986.
74. W. J. Rapaport, S. C. Shapiro, and J. M. Wiebe. Quasi-indicators, knowledge reports, and discourse. Technical Report 86-15, Department of Computer Science, University at Buffalo, 1986.
75. S. L. Hardt and W. J. Rapaport (eds.). Recent and current artificial intelligence research in the Department of Computer Science, SUNY Buffalo. AI Magazine, 7(2):91-100, 1986.
76. S. C. Shapiro and W. J. Rapaport. SNePS considered as a fully intensional propositional semantic network. In Proc. Fifth National Conference on Artificial Intelligence, pages 278-283, Los Altos, CA, 1986. Morgan Kaufmann.
77. Ernesto J. M. Morgado. Semantic Networks as Abstract Data Types. PhD thesis, Technical Report 86-19, Department of Computer Science, State University of New York at Buffalo, Buffalo, NY, 1986. 318 pages.
78. G. A. Bruder, J. F. Duchan, W. J. Rapaport, E. M. Segal, S. C. Shapiro, and D. A. Zubin. Deictic centers in narrative: An interdisciplinary cognitive-science project. Technical Report 86-20, Department of Computer Science, University at Buffalo, 1986. 32 pages.
79. S. C. Shapiro. Symmetric relations, intensional individuals, and variable binding. Proceedings of the IEEE, 74(10):1354-1363, 1986.
1986-18
80. J. M. Wiebe and W. J. Rapaport. Representing de re and de dicto belief reports in discourse and narrative. Proceedings of the IEEE, 74(10):1405-1413, 1986.
81. W. J. Rapaport. Logical foundations for belief representation. Cognitive Science, 10:371-422, 1986.
82. S. C. Shapiro and J. Geller. Artificial intelligence and automated design. In The Computability of Design: Proceedings of the 1986 SUNY Buffalo Symposium on CAD, 1986. unpaginated, 13 pp.
83. J. Van Blargan. An introduction to SNePS II. SNeRG Technical Note 16, Department of Computer Science, University at Buffalo, 1986.
84. Naicong Li. Pronoun resolution in SNePS. SNeRG Technical Note 18, Department of Computer Science, University at Buffalo, January 1986.
85. C. M. Chan. Forward path-based inference in SNePS. SNeRG Technical Note 17, Department of Computer Science, University at Buffalo, 1987.
86. M. R. Taie, J. Geller, S. N. Srihari, and S. C. Shapiro. Knowledge based modeling of circuit boards. In Proceedings of the Annual Reliability and Maintainability Symposium, pages 422-427. IEEE, 1987.
87. S. N. Srihari, W. J. Rapaport, and D. Kumar. On knowledge representation using semantic networks and sanskrit. Technical Report 87-03, Department of Computer Science, University at Buffalo, 1987.
88. J. G. Neal and S. C. Shapiro. Knowledge representation for reasoning about language. In J. C. Boudreaux, B. W. Hamill, and R. Jernigan, editors, The Role of Language in Problem Solving 2, pages 27-46. Elsevier Science Publishers, 1987.
89. S. A. Chun. SNePS implementation of possessive phrases. SNeRG Technical Note 19, Department of Computer Science, University at Buffalo, 1987.
90. A. H. Yuhan and S. C. Shapiro. Design of an incremental compiler for a production-system ATN machine. Technical Report 87-09, Department of Computer Science, University at Buffalo, 1987.
91. M. J. Almeida. Reasoning About the Temporal Structure of Narratives. PhD thesis, Technical Report 87-10, Department of Computer Science, University at Buffalo, 1987.
92. J. T. Nutter. Assimilation: A strategy for implementing self-reorganizing knowledge bases. In Proceedings of the Sixth National Conference on Artificial Intelligence, pages 449-453, Los Angeles, CA, 1987. Morgan Kaufmann.
1987-9
93. S. L. Peters and S. C. Shapiro. A representation for natural category systems. In Proceedings of the Ninth Annual Conference of the Cognitive Science Society, pages 379-390. Lawrence Erlbaum Publishers, 1987.
94. J. Geller and S. C. Shapiro. Graphical deep knowledge for intelligent machine drafting. In Proceedings of the Tenth International Joint Conference on Artificial Intelligence, pages 545-551, Los Angeles, CA, 1987. Morgan Kaufmann.
95. S. L. Peters and S. C. Shapiro. A representation for natural category systems. In Proceedings of the Tenth International Joint Conference on Artificial Intelligence, pages 140-146, Los Altos, CA, 1987. Morgan Kaufmann.
1987-12
96. J. G. Neal and S. C. Shapiro. Knowledge-based parsing. In L. Bolc, editor, Natural Language Parsing Systems, pages 49-92. Springer-Verlag, Berlin, 1987.
97. S. C. Shapiro and J. W. Rapaport. Knowledge representation for natural language processing. In 1987 Natural Language Planning Workshop, pages 56-77. Northeast Artificial Intelligence Consortium, Minnowbrook, NY, 1987.
98. S. C. Shapiro and J. Geller. Artificial intelligence and automated design. In Y. Kalay, editor, Computability of Design, pages 173-187. John Wiley, 1987.
99. S. C. Shapiro and W. J. Rapaport. SNePS considered as a fully intensional propositional semantic network. In N. Cercone and G. McCalla, editors, The Knowledge Frontier, pages 263-315. Springer-Verlag, New York, 1987.
100. E. A. Fox, J. T. Nutter, T. Ahlswede, M. Evens, and J. Markowitz. Building a large thesaurus for information retrieval. In Proceedings of the Second Conference on Applied Natural Language Processing, pages 101-108, Austin, TX, 1988. ACL.
101. W. J. Rapaport. Syntactic semantics: Foundations of computational natural-language understanding. In J. Fetzer, editor, Aspects of Artificial Intelligence, pages 81-131. Kluwer Academic Publishers, Dordrecht, Holland, 1988.
102. S. C. Shapiro and W. J. Rapaport. Models and minds: A reply to Barnden. Northeast Artificial Intelligence Consortium Technical Report TR-8737, Department of Computer Science, University at Buffalo, 1988.
103. J. G. Neal and S. C. Shapiro. Intelligent multi-media interface technology. In J.W Sullivan and S.W. Tyler, editors, Proc. Architectures for Intelligent Interfaces: Elements and Prototypes, pages 69-91, Lockheed AI Center, 1988.
104. J. P. Martins and S. C. Shapiro. A model for belief revision. Artificial Intelligence, 35(1):25-79, 1988.
105. J. M. Wiebe and W. J. Rapaport. A computational theory of perspective and reference in narrative. In Proceedings of the 26th Annual Meeting of the Association for Computational Linguistics, pages 131-138. Association for Computational Linguistics, 1988.
106. W. J. Rapaport. A knowledge-representation challenge for SNePS. SNeRG Technical Note 20, Department of Computer Science, University at Buffalo, 1988.
107. J. G. Neal, K. E. Bettinger, J. S. Byoun, Z. Dobes, and C. Y. Thielman. An intelligent multi-media human-computer dialogue system. In Proceedings of the Workshop on Space, Operations, Automation, and Robotics, (SOAR88), page 7. Wright State University, Dayton, OH, 1988.
108. L. D. Roberts and W. J. Rapaport. Quantifier order, reflexive pronouns, and quasi-indexicals: Essay, comments, and reply. Technical Report 88-16, Department of Computer Science, University at Buffalo, 1988.
109. S. L. Peters, S. C. Shapiro, and W. J. Rapaport. Flexible natural language processing and Roschian category theory. In Proceedings of the Tenth Annual Conference of the Cognitive Science Society, pages 125-131. Lawrence Erlbaum Publishers, 1988.
110. J. G. Neal, Z. Dobes, K. E. Bettinger, and J. S. Byoun. Multi-modal references in human-computer dialogue. In Proceedings of the Seventh National Conference on Artificial Intelligence, pages 819-823. Morgan Kaufmann, 1988.
111. S. C. Shapiro. Representing plans and acts. In Proceedings of the Third Annual Workshop on Conceptual Graphs, pages 3.2.7-1 - 3.2.7-6. The American Association for Artificial Intelligence, Menlo Park, CA, 1988.
112. Deepak Kumar, Syed Ali, and Stuart C. Shapiro. Discussing, using and recognizing plans in SNePS preliminary report--SNACTor: An acting system. In P V S Rao and P Sadanandan, editors, Modern Trends in Information Technology: Proceedings of the Seventh Biennial Convention of South East Asia Regional Computer Confederation, pages 177-182. Tata McGraw-Hill, New Delhi, India, 1988.
113. W. J. Rapaport. To think or not to think. Noûs, 22(4):585-609, 1988.
114. James Geller. A Knowledge Representation Theory for Natural Language Graphics. PhD thesis, Technical Report 88-15, Department of Computer Science, State University of New York at Buffalo, Buffalo, NY, July 1988.
115. S. C. Shapiro and The SNePS Implementation Group. SNePS-2 User's Manual. Department of Computer Science, University at Buffalo, 1989.
116. S. C. Shapiro. Formal foundations of an intensional propositional semantic network. Presented at the Workshop on Formal Aspects of Semantic Networks, Santa Catalina Island, CA., 1989.
117. W. J. Rapaport, E. M. Segal, S. C. Shapiro, D. A. Zubin, G. A. Bruder, J. F. Duchan, M. J. Almeida, J. H. Daniels, M. Galbraith, J. M. Wiebe, and A. H. Yuhan. Deictic centers and the cognitive structure of narrative comprehension. Technical Report 89-01, Department of Computer Science, University at Buffalo, 1989.
118. S. C. Shapiro, D. Kumar, and S. Ali. A propositional network approach to plans and plan recognition. In Proceedings of the 1988 Workshop on Plan Recognition, page 21, Los Altos, CA, 1989. Morgan Kaufmann.
119. J. G. Neal, C. Y. Thielman, D. J. Funke, and J. S. Byoun. Multi-modal output composition for human-computer dialogues. In Proceedings of the 1989 IEEE AI Systems in Government Conference, pages 250-257, George Washington Univ., Wash. D.C., 1989. IEEE.
120. W. J. Rapaport, E. M. Segal, S. C. Shapiro, D. A. Zubin, G. A. Bruder, J. F. Duchan, and D. M. Mark. Cognitive and computer systems for understanding narrative text. Technical Report 89-07, Department of Computer Science, University at Buffalo, 1989.
121. S. C. Shapiro. The CASSIE projects: An approach to natyral language cimpetence.In Proceedings of the 4th Portugese Conference on Artificial Intelligence, pages 362-380, Lisbon, Portugal, 1989. Springer-Verlag.
122. J. G. Neal, C. Y. Thielman, Z. Dobes, S. M. Haller, and S. C. Shapiro. Natural language with integrated deictic and graphic gestures. In Proceedings of the DARPA Speech and Natural Language Workshop, page 14. Morgan Kaufmann, 1989.
123. J. G. Neal, C. Y. Thielman, Z. Dobes, S. M. Haller, S. Glanowski, and S. C. Shapiro. CUBRICON: A multi-modal user interface. Presented at the GIS/LIS '89 Conference, 1989.
124. Richard W. Wyatt. The representation of opaque contexts. Master's thesis, Technical Report 89-13, Department of Computer Science, State University of New York at Buffalo, Buffalo, NY, December 1989.
125. S. C. Shapiro and J. P. Martins. Recent advances and developments - the SNePS 2.1 report. In D. Kumar, editor, Current Trends in SNePS-Semantic Network Processing System: Proceedings of the First Annual SNePS Workshop, pages 1-13, Buffalo, NY, 1990. Springer-Verlag.
126. M. R. Cravo and J. P. Martins. Path-based inference revisited. In D. Kumar, editor, Current Trends in SNePS-Semantic Network Processing System: Proceedings of the First Annual SNePS Workshop, pages 15-26, Buffalo, NY, 1990. Springer-Verlag.
127. N. J. Mamede and J. P. Martins. Expanding SNePS capabilities with LORE. In D. Kumar, editor, Current Trends in SNePS-Semantic Network Processing System: Proceedings of the First Annual SNePS Workshop, pages 27-39, Buffalo, NY, 1990. Springer-Verlag.
128. J. Geller. Order dependence of declarative knowledge representation. In D. Kumar, editor, Current Trends in SNePS-Semantic Network Processing System: Proceedings of the First Annual SNePS Workshop, pages 41-54, Buffalo, NY, 1990. Springer-Verlag.
129. D. Kumar. An integrated model of acting and inference. In D. Kumar, editor, Current Trends in SNePS-Semantic Network Processing System: Proceedings of the First Annual SNePS Workshop, pages 55-65, Buffalo, NY, 1990. Springer-Verlag.
130. R. R. Dipert. The structure of agency: Issues in the representation of agency and action. In D. Kumar, editor, Current Trends in SNePS-Semantic Network Processing System: Proceedings of the First Annual SNePS Workshop, pages 67-84, Buffalo, NY, 1990. Springer-Verlag.
131. R. K. Srihari and W. J. Rapaport. Exacting visual information from text: Using captions to label human faces in newspaper photographs. In D. Kumar, editor, Current Trends in SNePS-Semantic Network Processing System: Proceedings of the First Annual SNePS Workshop, pages 85-96, Buffalo, NY, 1990. Springer-Verlag.
132. J. T. Nutter. Knowledge based lexicons. In D. Kumar, editor, Current Trends in SNePS-Semantic Network Processing System: Proceedings of the First Annual SNePS Workshop, pages 97-106, Buffalo, NY, 1990. Springer-Verlag.
133. W. J. Rapaport. Representing fiction in SNePS. In D. Kumar, editor, Current Trends in SNePS-Semantic Network Processing System: Proceedings of the First Annual SNePS Workshop, pages 107-121, Buffalo, NY, 1990. Springer-Verlag.
134. R. Wyatt. Kinds of opacity and their representations. In D. Kumar, editor, Current Trends in SNePS-Semantic Network Processing System: Proceedings of the First Annual SNePS Workshop, pages 123-144, Buffalo, NY, 1990. Springer-Verlag.
135. C. Rapp and M. Evens. Design of an emotion profiler using SNePS. In D. Kumar, editor, Current Trends in SNePS-Semantic Network Processing System: Proceedings of the First Annual SNePS Workshop, pages 145-152, Buffalo, NY, 1990. Springer-Verlag.
136. B. E. Cline and J. T. Nutter. Implications of natural catagories for natural language generation. In D. Kumar, editor, Current Trends in SNePS-Semantic Network Processing System: Proceedings of the First Annual SNePS Workshop, pages 153-162, Buffalo, NY, 1990. Springer-Verlag.
137. D. Kumar, S. S. Ali, J. Haas, and S. C. Shapiro. The SNePS acting system. In K. E. Bettinger and G. Srikantan, editors, Proceedings of the Fifth Annual University at Buffalo Graduate Conference on Computer Science, pages 91-100, 1990.
138. J. M. Wiebe. Recognizing Subjective Sentences: A Computational Investigation of Narrative Text. PhD thesis, Technical Report 90-03, Department of Computer Science, University at Buffalo, 1990.
139. S. C. Shapiro and W. J. Rapaport. Models and minds: Knowledge representation for natural-language competence. Technical Report 90-10, Department of Computer Science, University at Buffalo, 1990.
140. William J. Rapaport. Predication, fiction, and artificial intelligence. Technical Report 90-11, Department of Computer Science, University at Buffalo, 1990.
141. J. M. Lammens. Cultural literacy: Educating Cassie? SNeRG Technical Note 21, Department of Computer Science, University at Buffalo, 1990.
142. Susan M. Haller and Syed S. Ali. Using focus for generating felicitous locative expressions. In Proceedings of the Third International Conference on Industrial & Engineering Applications of Artificial Intelligence & Expert Systems, Association for Computing Machinery, July, 1990, pages 472-477.
143. S. C. Shapiro and W. J. Rapaport. The SNePS family. Technical Report 90-21, Department of Computer Science, University at Buffalo, 1990.
144. S. C. Shapiro. Case studies of SNePS. Technical Report 90-29, Department of Computer Science, University at Buffalo, 1990.
145. Sandra L. Peters and William J. Rapaport. Superordinate and basic level categories in discourse: Memory and context. In Program of the Twelfth Annual Conference of the Cognitive Science Society, pages 157-165, Hillsdale, NJ, 1990. Lawrence Erlbaum Associates.
146. William J. Rapaport. Cognitive scienc. Technical Report 90-12, Department of Computer Science, University at Buffalo, 1990. 10 pages.
147. William J. Rapaport. Computer processes and virtual persons: Comments on Cole's `Artificial intelligence and personal identity'. Technical Report 90-13, Department of Computer Science, State University of New York at Buffalo, Buffalo, NY, May 1990.
148. William J. Rapaport. Predication, fiction, and artificial intelligence. Topoi, 10:79-111, 1991.
149. Jeannette G. Neal and Stuart C. Shapiro. Intelligent multi-media interface technology. In Joseph W. Sullivan and Sherman W. Tyler, editors, Intelligent User Interfaces, pages 11-43. Addison Wesley, Reading, MA, 1991.
150. Stuart C. Shapiro. Cables, paths and subconsious reasoning in propositional semantic networks. In John F. Sowa, editor, Principles of Semantic Networks, chapter 4, pages 137-156. Morgan Kaufmann, San Mateo, CA, 1991.
151. Stuart C. Shapiro. Case studies of SNePS. SIGART Bulletin, 2(3):128-134, June 1991.
152. Deepak Kumar and Stuart C. Shapiro. Architecture of an intelligent agent in SNePS. SIGART Bulletin, 2(4):89-92, August 1991.
1991-7
153. Christopher M. Lusardi. A SNePS/Cassie implementation of parts of the dictionary of cultural literacy. SNeRG Technical Note 22, Department of Computer Science, University at Buffalo, Buffalo, NY, September 1991. 74 pages.
154. Deepak Kumar and Stuart C. Shapiro. Modeling a rational cognitive agent in SNePS. In P. Barahona, L. Moniz Pereira, and A. Porto, editors, EPIA 91: 5th Portugese Conference on Artificial Intelligence, Lecture Notes in Artificial Intelligence 541, pages 120-134. Springer-Verlag, Heidelberg, 1991.
155. Joongmin Choi and Stuart C. Shapiro. Experience-based deductive learning. In Third International Conference on Tools for Artificial Intelligence TAI '91, pages 502-503. IEEE Computer Society Press, Los Alamitos, CA, 1991.
156. Stuart C. Shapiro and William J. Rapaport. Models and minds: Knowledge representation for natural-language competence. In Robert Cummins and John Pollock, editors, Philosophy and AI: Essays at the Interface, pages 215-259. MIT Press, Cambridge, MA, 1991.
157. Albert Hanyong Yuhan. Dynamic Computation of Spatial Reference Frames in Narrative Understanding. PhD thesis, Technical Report 91-03, Department of Computer Science, State University of New York at Buffalo, Buffalo, NY, February 158. Rohini Srihari. Extracting Visual Information from Text: Using Captions to Label Faces in Newspaper Photographs. PhD thesis, Technical Report 91-17, Department of Computer Science, State University of New York at Buffalo, Buffalo, NY, November 1991.
159. Martin J. Zaidel. XGinseng: An X windows graphic display tool for SNePS networks. SNeRG Technical Note 23, Department of Computer Science, University at Buffalo, Buffalo, NY, May 1991. 18 pages.
160. Daniel Campos. Temporal relations and spanish narrative: A small step towards language understanding. SNeRG Technical Note 24, Department of Computer Science, University at Buffalo, Buffalo, NY, September 1991. 136 pages.
161. Joongmin Choi and Stuart C. Shapiro. Efficient implementation of non-standard connectives and quantifiers in deductive reasoning systems. In Proceedings of the Twenty-Fifth Hawaii International Conference on System Sciences, pages 381-390. IEEE Computer Society Press, Los Alamitos, CA, 1992.
162. Stuart C. Shapiro and William J. Rapaport. The SNePS family. Computers & Mathematics with Applications, 23(2-5):243-275, January-March 1992. Reprinted in F. Lehmann, Ed. Semantic Networks in Artificial Intelligence. Pergamon Press, Oxford, 1992, 243-275.
163. Stuart C. Shapiro and William J. Rapaport. SNePS considered as a fully intensional propositional semantic network. In Leslie Burkholder, editor, Philosophy and the Computer, pages 75-91. Westview Press, Boulder, CO, 1992.
164. Stuart C. Shapiro. Relevance logic in computer science. Section 83 of Alan Ross Anderson and Nuel D. Belnap, Jr. and J. Michael Dunn et al. Entailment, Volume II, pages 553-563. Princeton University Press, Princeton, NJ, 1992.
165. Henry Hexmoor, Johan Lammens, and Stuart C. Shapiro. An autonomus architecture for integrating perceptron and acting with gruonded, embodeid symbolic reasoning. Technical Report 92-21, Department of Computer Science, University at Buffalo, Buffalo, NY, September 1992. 22 pages.
166. John S. Lewocz. XGinseng: An X windows editing and display tool for SNePS networks. SNeRG Technical Note 25, Department of Computer Science, University at Buffalo, Buffalo, NY, August 1992. 9 pages.
167. Stuart C. Shapiro, Hans Chalupsky, Hsueh-Cheng Chou, and David M. Mark. Intelligent user interfaces: Connecting ARC/INFO and SNACTor, a semantic network based system for planning actions. In Proceedings of the Twelfth Annual ESRI User Conference, V. 3, pages 151-165. Environmental Systems Research Institute, Redlands, California, 1992.
168. Sung-Hye Cho. Representations of collections in a propositional semantic network. In Working Notes of the AAAI 1992 Spring Symposium on Propositional Knowledge Representation. AAAI, March 1992.
169. Deepak Kumar & Stuart C. Shapiro, Deductive efficiency + belief revision: how they affect an ontology of actions and acting. In Working Notes of the AAAI 1992 Spring Symposium on Propositional Knowledge Representation, AAAI, March, 1992, 170. Deepak Kumar. A unified model of acting and inference. In Jay F. Nunamaker, Jr. and Ralph H. Sprague, Jr., editors, Proceedings of the Twenty-Sixth Hawaii International Conference on System Sciences Volume III, IEEE Computer Society Press, Los Alamitos, CA, 1993, 483-492.
171. Deepak Kumar. An AI architecture based on message passing. In James Geller, editor, Proceedings of The 1993 AAAI Spring Symposium on Innovative Applications of Massively Parallel Architectures, pages 127-131. AAAI Press, March 1993.
172. Deepak Kumar. Rational engines for BDI architectures. In Amy Lansky, editor, Proceedings of The 1993 AAAI Spring Symposium on Foundations of Automated Planning, pages 78-82. AAAI Press, March 1993.
173. Henry Hexmoor, Guido Caicedo, Frank Bidwell, and Stuart C. Shapiro. Air battle simulation: An agent with `conscious' and `unconscious' layers. In Daniel F. Boyd, editor, UBGCCS 93: Proceedings of The Eighth Annual University at Buffalo Graduate Conference on Computer Science, Technical Report No. 93-14, pages 52-59. Department of Computer Science, State University of New York at Buffalo, Buffalo, NY, March 1993.
174. Karen Ehrlich and William J. Rapaport. Vocabulary expansion through natural-language context. In Daniel F. Boyd, editor, UBGCCS 93: Proceedings of The Eighth Annual University at Buffalo Graduate Conference on Computer Science, Technical Report No. 93-14, pages 78-84. Department of Computer Science, State University of New York at Buffalo, Buffalo, NY, March 1993.
175. Johan Lammens, Henry Hexmoor, and Stuart C. Shapiro. Of elephants and men. Technical Report 93-13, Department of Computer Science, University at Buffalo, Buffalo, NY, April 1993.
176. Henry Hexmoor, Johan Lammens, Guido Caicedo, and Stuart C. Shapiro. Behavior based AI, cognotive process, and emergent behavior in autonomus agents. Technical Report 93-15, Department of Computer Science, University at Buffalo, Buffalo, NY, April 1993. 15 pages.
177. Susan M. Haller. Interactive generation of plan justifications. In Preprints of the Fourth European Workshop on Natural Language Generation, pages 79-89. CNR--Consiglio Nazionale delle Ricerche and AI*IA--Associazione Italiana per l'Intelligenza Artificiale, April 1993.
178. Stuart C. Shapiro. Belief spaces as sets of propositions. Journal of Experimental and Theoretical Artificial Intelligence (JETAI), 5(2&3):225-235, April-September 1993.
179. Deepak Kumar and Stuart C. Shapiro. Deductive efficiency, belief revision and acting. Journal of Experimental and Theoretical Artificial Intelligence (JETAI), 5(2&3):167-177, April-September 1993.
180. Syed S. Ali. A structured representation for noun phrases and anaphora. In Proceedings of the Fifteenth Annual Conference of the Cognitive Science Society, pages 197-202, Hillsdale, NJ, June 1993. Lawrence Erlbaum.
181. Stuart C. Shapiro. Preface to special issue on knowledge representation for natural language processing. Minds and Machines, 3(4):377-380, November 1993.
182. Syed S. Ali and Stuart C. Shapiro. Natural language processing using a propositional semantic network with structered variables. Minds and Machines, 3(4):421-451, November 1993.
183. Susan M. Haller. Collaboration in an interactive model of plan explanation. In Proceedings of the AAAI Fall Symposium on Human-Computer Collaboration, Raliegh, North Carolina. Technical Report FS93-05, AAAI, October 1993.
184. Susan M. Haller. Planning for intentions with rhetorical relations. In Owen Rambow, editor, Intentionality and Structure in Discourse Relations, pages 23-26. Association for Computational Linguistics, June 1993.
185. Susan M. Haller. An interactive model for plan explanation. In Chris Rowles, Huan Liu, and Norman Foo, editors, AI '93: Proceedings of the 6th Australian Joint Conference on Artificial Intelligence, pages 371-376. World Scientific, Singapore, November 1993.
186. Hans Chalupsky. Using hypothetical reasoning as a method for belief ascription. Journal of Experimental and Theoretical Artificial Intelligence (JETAI), 5(2&3):119-133, April-September 1993.
187. Joongmin Choi. Experienced-Based Learning in Deductive Reasoning Systems.PhD thesis, Technical Report 93-20, Department of Computer Science, State University of New York at Buffalo, Buffalo, NY, May 1993. 136 pages.
188. Henry H. Hexmoor, Johan Lammens, and Stuart C. Shapiro. An autonomus agent architecture for integrating unconscious and conscious reasoned behaviors. Technical Report 93-37, Department of Computer Science, State University of New York at Buffalo, Buffalo, NY, August 1993.
189. Douglas J. Funke, Jeannette G. Neal, and Rajendra D. Paul. An approach to intelligent automated window management. Int. J. Man-Machine Studies, 38:949-983, 1993.
190. Henry Hexmoor, Johan Lammens, Guido Caicedo, and Stuart C. Shapiro. Behaviour based AI, cognitive processes, and emergent behaviors in autonomous agents. In G. Rzevski, J. Pastor, and R. Adey, editors, Applications of Artificial Intelligence in Engineering VIII, volume 2, pages 447-461. Computational Mechanics Publications with Elsevier Applied Science, Southampton and London, 1993.
191. Susan M. Haller. A model for cooperative interactive plan explanation. In Proceedings of the The Tenth IEEE Conference on Artificial Intelligence for Applications, pages 254-260, Los Alamitos, CA, 1994. IEEE Computer Society Press.
192. Syed S. Ali. A Natural Logic for Natural Language Processing and Knowledge Representation. PhD thesis, Technical Report 94-01, Department of Computer Science, State University of New York at Buffalo, Buffalo, NY, January 1994. 125 pages.
193. Henry H. Hexmoor. What are routing good for? Technical Report 94-07, Department of Computer Science, State University of New York at Buffalo, Buffalo, NY, February 1994. 8 pages.
194. Henry H. Hexmoor. A methodology for developing competent agents without sensor and actuator profusion. Technical Report 94-09, Department of Computer Science, State University of New York at Buffalo, Buffalo, NY, March 1994. 5 pages.
195. Robin K. Hill. Issues of Semantics in a Semantic-Network Representation of Belief. PhD thesis, Technical Report 94-11, Department of Computer Science, State University of New York at Buffalo, Buffalo, NY, April 1994.
196. Susan M. Haller. Representing discourse for efficient interactive generation. In Douglas D. Dankel II, editor, Proceedings of the Seventh Florida Artificial Intelligence Research Symposium, pages 179-183. the Florida AI Research Society, St. Petersburg, FL, May 1994.
197. William J. Rapaport. Understanding understanding: Syntactic semantics and computational cognition. Technical Report 94-28, Department of Computer Science, State University of New York at Buffalo, July 1994.
198. Hans Chalupsky and Stuart C. Shapiro. SL: A subjective, intentional logic of belief. In Proceedings of the Sixteenth Annual Conference of the Cognitive Science Society, pages 165-170, Hillsdale, NJ, August 1994. Lawrence Erlbaum.
199. Jeannette G. Neal and Stuart C. Shapiro. Knowledge-based multimedia systems. In John F. Koegel Buford, editor, Multimedia Systems, pages 403-438. ACM Press/Addison Wesley, Reading, MA, 1994.
200. S. C. Shapiro and The SNePS Implementation Group. SNePS 2.1 User's Manual. Department of Computer Science, University at Buffalo, 1994.
201. Susan M. Haller. Interactive Generation of Plan Descriptions and Justifications. PhD thesis, Technical Report 94-40, Department of Computer Science, State University of New York at Buffalo, Buffalo, NY, November 1994.
202. W. J. Rapaport. Syntactic semantics: Foundations of computational natural-language understanding. In E. Dietrich, editor, Thinking Computers & Virtual Persons: Essays on the Intentionality of Machines, pages 225-273. Academic Press, San Diego, 1994.
203. Deepak Kumar, Susan Haller, & Syed S. Ali, Towards a Unified AI Formalism. In Jay F. Nunamaker, Jr. and Ralph H. Sprague, Jr., editors, Proceedings of the Twenty-Seventh Hawaii International Conference on Systems Sciences Volume III, IEEE Computer Society Press, Los Alamitos, CA, 1994, 92-101.
204. Karen Ehrlich. Automatic Vocabulary Expansion through Narrative Context. PhD thesis, Technical Report 95-09, Department of Computer Science, State University of New York at Buffalo, Buffalo, NY, February 1995.
205. Karen Ehrlich and William J. Rapaport. A computational theory of vocabulary expansion. Technical Report 95-15, Department of Computer Science, State University of New York at Buffalo, Buffalo, NY, March 1995. 26 pages.
206. Susan Haller. Planning text for interactive plan explanations. In E. A. Yfantis, editor, Intelligent Systems: Third Golden West International Conference: Edited and Selected Papers, pages 61-67. Kluwer Academic Publishers, Dordrecht, The Netherlands, 1995.
207. Deepak Kumar and Stuart C. Shapiro. The OK BDI architecture. In E. A. Yfantis, editor, Intelligent Systems: Third Golden West International Conference: Edited and Selected Papers, pages 307-317. Kluwer Academic Publishers, Dordrecht, The Netherlands, 1995.
208. Syed S. Ali. ANALOG: A knowledge representation system for natural language processing. In E. A. Yfantis, editor, Intelligent Systems: Third Golden West International Conference: Edited and Selected Papers, pages 327-332. Kluwer Academic Publishers, Dordrecht, The Netherlands, 1995.
209. Robin K. Hill. Non-well-founded set theory and the circular semantics of semantic networks. In E. A. Yfantis, editor, Intelligent Systems: Third Golden West International Conference: Edited and Selected Papers, pages 375-386. Kluwer Academic Publishers, Dordrecht, The Netherlands, 1995.
210. Stuart C. Shapiro and William J. Rapaport. An introduction to a computational reader of narratives. In Judith F. Duchan, Gail A. Bruder, and Lynne E. Hewitt, editors, Deixis in Narrative: A Cognitive Science Perspective, pages 79-105. Lawrence Erlbaum Associates, Inc., Hillsdale, NJ, 1995.
211. William J. Rapaport and Stuart C. Shapiro. Cognition and fiction. In Judith F. Duchan, Gail A. Bruder, and Lynne E. Hewitt, editors, Deixis in Narrative: A Cognitive Science Perspective, pages 107-128. Lawrence Erlbaum Associates, Inc., Hillsdale,
212. Michael J. Almeida. Time in narratives. In Judith F. Duchan, Gail A. Bruder, and Lynne E. Hewitt, editors, Deixis in Narrative: A Cognitive Science Perspective, pages 159-189. Lawrence Erlbaum Associates, Inc., Hillsdale, NJ, 1995.
213. Albert Hanyong Yuhan and Stuart C. Shapiro. Computational representation of space. In Judith F. Duchan, Gail A. Bruder, and Lynne E. Hewitt, editors, Deixis in Narrative: A Cognitive Science Perspective, pages 191-225. Lawrence Erlbaum Associates, Inc., Hillsdale, NJ, 1995.
214. Janyce M. Wiebe. References in narrative text. In Judith F. Duchan, Gail A. Bruder, and Lynne E. Hewitt, editors, Deixis in Narrative: A Cognitive Science Perspective, pages 263-286. Lawrence Erlbaum Associates, Inc., Hillsdale, NJ,
215. Stuart C. Shapiro. Computationalism. Minds and Machines, 5(4):517-524, November 1995.
216. Henry Hexmoor and David Kortenkamp. Issues on building software for hardware agents. The Knowledge Engineering Review, 10(3):301-304, 1995.
217. S. C. Shapiro and The SNePS Implementation Group. SNePS 2.3 User's Manual. Department of Computer Science, University at Buffalo, Buffalo, NY, 1995.
218. Henry H. Hexmoor. Representing and Learning Routine Avtivities. Unpublished Ph.D. Dissertation, Department of Computer Science, University at Buffalo, December, 1995.
219. Deepak Kumar. The SNePS BDI architecture. Decision Support Systems, 16:3-19, 1996.
220. Stuart C. Shapiro. Formalizing english. International Journal of Expert Systems, 9, 1996.
221. Susan M. Haller and Stuart C. Shapiro. IDP -- an interactive discourse planner. In Giovanni Adorni and Mickael Zock, editors, Trends in Natural Language Generation: An Artificial Intelligence Perspective, Lecture Notes in Artificial Intelligence 1036, pages 144-167. Springer-Verlag, Berlin, 1996.
222. Brian Harris. A natural-language UNIX interpreter. SNeRG Technical Note 26, Department of Computer Science, University at Buffalo, Buffalo, NY, May 1996. 25 pages.
223. Jonathan DeAngelo. Implementing polysemy in a knowledge representation scheme. SNeRG Technical Note 27, Department of Computer Science, University at Buffalo, Buffalo, NY, June 1996. 40 pages.
224. Syed S. Ali, Lucja Iwanska, & Stuart C. Shapiro, Knowledge Representation and Inference for Natural LanguageProcessing (Guest Editors' Preface), International Journal of Expert Systems 9, 1 (1996) 1-14.
225. Henry Hexmoor & Stuart C. Shapiro, Architecture of a Communicating, Visually Driven Robot Assistant. Technical Report 96-16, Department of Computer Science, State University of New York at Buffalo, Buffalo, NY, October, 1996. 15 pages.
226. Hans Chalupsky, SIMBA: Belief Ascription by Way of Simulative Reasoning. Ph.D. dissertation, Technical Report 96-18, Department of Computer Science, State University of New York at Buffalo, Buffalo, NY, January, 1996. 180 pages.
227. Mark R. Jensen. Knowledge Representation and Encyclopedia Article. SNeRG Technical Note 28, Department of Computer Science, University at Buffalo, Buffalo, NY, June 1996. 48 pages + 7 pg. appendix in hardcopy only.
228. Susan Haller, Plaling Text About Plans Ineractively, International Journal of Expert Systems 9, 1 (1996) 85-112.
229. Henry Hexmoor, David Kortenkamp, & Ian Horswill, Software Architectures for Hardware Agents. Journal of Experimental and Theoretical Artificial Intelligence (JETAI) 9 (1997) 147-156.
230. Henry Hexmoor & Stuart C. Shapiro, Integrating Skill and Knowledge in Expert Agents. In P. J. Feltovich, K. M. Ford, & R. R. Hoffman, Eds., Expertise in Context, AAAI Press/MIT Press, Menlo Park, CA / Cambridge, MA, 1997, 383-404.
231. Susan McRoy, Syed Ali & Susan Haller, Uniform Knowledge Representation for Language Processing in the B2 Systems, Journal of Natural Language Engineering 3, 2/3 (1997) 123-145.
232. Stuart C. Shapiro, A Procedural Solution to the Unexpected Hanging and Sorites Paradoxes, Mind 107, 428 (October 1998) 751-761.
233. Alistair E. Campbell and Stuart C. Shapiro, Algorithms for Ontological Mediation. In S. Harabagiu, Ed., Usage of WordNet in Natural Language Processing Systems: Proceedings of the Workshop, COLING-ACL, New Brunswick, NJ, 1998, 102-107.
234. J. G. Neal, C. Y. Thielman, Z. Dobes, S. M. Haller, and S. C. Shapiro, Natural language with integrated deictic and graphic gestures. In In M. T. Maybury and W. Wahlster, Eds. Readings in Intelligent User Interfaces, Morgan Kaufmann, San Francisco, 1998, 38-51.
235. Stuart C. Shapiro, Embodied Cassie, Cognitive Robotics: Papers from the 1998 AAAI Fall Symposium, Technical Report FS-98-02. AAAI Press, Menlo Park, CA, 1998, 136-143.
236. Susan McRoy, Syed Ali & Susan Haller, Mixed Depth Representation for Dialogue Processing, Proceedings of the Twentieth Annual Conference of the Cognitive Science Society, Lawrence Erlbaum Assoc., Mahwah, NJ, 1998, 687-692.
237. Susan Haller, An Introduction to Interactive Discourse Processing from the Perspective of Plan Recognition and Text Planning, Artificial Intelligence Review, 1998, in press.
238. William J. Rapaport, How Minds Can Be Computational Systems , Journal of Experimental and Theoretical Artificial Intelligence (JETAI) 10 (1998) 403-419.
239. William J. Rapaport and Stuart C. Shapiro, Cognition and Fiction. In Ashwin Ram and Kenneth Moorman, Eds. Understanding Language Understanding: Computional Models of Reading, MIT Press, Cambridge, MA, 1999, 11-25.
240. William J. Rapaport, Implementation is Semantic Interpretation, The Monist 82, 1 (January 1999), 109-130.
241. Debra T. Burhans and Stuart C. Shapiro, Finding, Hypothetical Answers with a Resolution Theorem Prover, Papers from the 1999 AAAI Fall Symposium on Question Answering Systems, Technical Report FS-99-02, AAAI Press, Menlo Park, CA, 1999, 32-38.
242. Stuart C. Shapiro, SNePS: A Logic for Natural Language Understanding and Commonsense Reasoning. In Lucja Iwanska & Stuart C. Shapiro, Eds., Natural Language Processing and Knowledge Representation: Language for Knowledge and Knowledge for Language, AAAI Press/The MIT Press, Menlo Park, CA, forthcoming.
243. Stuart C. Shapiro, Propositional, First-Order And Higher-Order Logics: Basic Definitions, Rules of Inference, Examples. In Lucja Iwanska & Stuart C. Shapiro, Eds., Natural Language Processing and Knowledge Representation: Language for Knowledge and Knowledge for Language, AAAI Press/The MIT Press, Menlo Park, CA, forthcoming.
Примечания:
[1] Московский физик-теоретик, доктор математических наук. Им издана монография Физический вакуум где-то в 1993 году. С ней автор ознакомился в 1994. В настоящее время этой книгой автор не располагаю, поэтому ее данные отсутствуют в списке литературы.
[2] Хранение видеоданных не в виде своеобразной фотографии зрительного стимула, то есть один к одному, а виде процедуры задающей построение этого изображения. С точки зрения настоящей работы должна существовать процедура разложения любого стимула в некую форму внутреннего представления данных в памяти, и процедура построения на основе этих данных псевдостимула, в воображении субъекта.
[3] Хьюбел лауреат Нобелевской премии, исследовал зрительную сенсорную систему животных. Им издано несколько книг. Одна из них о результатах исследований зрения переведена на русский, с которую автор прочел в 1997 году. Названия к сожалению не запомнилось. В библиографии библиотеки ХГУ найти его работы не удалось.
[4] SNeRG Home Page Stuart C. Shapiro
