Необходимые Свойства Интеллекта

Аннотация

В статье рассмотрены особенности, присущие наделенным интеллектом живым существам, и сформулированы основные  необходимые свойства интеллекта, что позволяет производить оценку и классификацию анализируемых технических систем как  интеллектуальные и помочь в построении сложных технических систем. Делается вывод, что наличие субъектно-ориентированных эмоциональных матриц у интеллектуальных агентов  позволяет  говорить о субъективном эмоциональном интеллекте.

Введение

Сложные технические системы, работающие в условиях неопределенности, стараются наделить неким искусственным интеллектом (ИИ), для обеспечения их оптимального функционирования по ряду параметров. Например, адаптация к окружающей среде, робастность и безопасность.

Для того чтобы более ясно представлять себе принципы построения различных систем с искусственным интеллектом, таких как интеллектуальные агенты [1] или системы интеллектуального анализа данных (Data Mining) [2], нужно знать какими необходимыми свойствами должен обладать такой интеллект.

Учитывая отработанный эволюцией у живых организмов до совершенства механизм реагирования адекватно ситуации и относительную новизну наделения элементами интеллекта технических систем, как правило, для создания ИИ используется симуляция интеллекта живых существ. Поэтому, рассмотрим насколько удобны имеющиеся определения живого интеллекта для построения систем с ИИ.

Имеется множество определений, из которых выделим: определение интеллекта как « … качество психики, состоящее из способности адаптироваться к новым ситуациям, способности к обучению на основе опыта, пониманию и применению абстрактных концепций и использованию своих знаний для управления окружающей средой» [3]; « … способность рассуждать, планировать, решать проблемы, мыслить абстрактно, понимать сложные идеи, быстро научаться и учиться на опыте» [4]; « … результат процесса получения, хранения в памяти, извлечения, комбинирования, сравнения и использования в новых контекстах информации и концептуальных навыков» [5]. Выдающийся исследователь в области ИИ Марвин Ли Мински в [6] рассматривает понятие интеллекта вообще как нечто относительное, позволяющее субъекту решать сложные проблемы, которые еще не понятны.

Отражая взгляды множества исследователей, представленные определения охватывают основные свойства интеллекта. Однако эти определения недостаточно четки и мало пригодны для формирования требований, которым должны соответствовать системы с ИИ. Исходя из этого, сформулируем основные необходимые свойства интеллекта, позволяющие классифицировать систему как интеллектуальную и использовать их при построении и оценке сложных технических систем.

Особенности  Интеллектуальных Систем

Исследования функционирования головного мозга показали важную роль эмоций в выработке решений человеком [7]. Эмоции у человека нацелены на выживание индивидуума и его вида.  Состояние эмоциональной матрицы субъекта будет определяться набором потенциалов  возможностей, окружающей средой и его целями. В социуме возможности и роли отдельных субъектов отличаются и, соответственно, будут разные настройки их эмоциональных матриц. Обладая эмоциональными настройками, люди дополняют друг друга при решении задач, повышая, таким образом, достоверность принимаемого решения.

Поступающие из внешней среды сигналы на живой организм, наделенный интеллектом, проходят эмоциональную фильтрацию и оценку, формируя субъективные информационные паттерны. На основе этой субъектно-ориентированной информации и ранее полученных и упорядоченных знаний и навыков, а также данных о внутреннем состоянии организма и его ресурсах производится выработка решения, которое, при необходимости, может отобразиться во внешнем реагировании. Такая реакция может быть непредсказуема. Исходя из этого, можно говорить о субъективном эмоциональном интеллекте и оценить шутливое определение Мака Немака: «Интеллект – это то, что есть у нас, и нет у других людей» [8].

О необходимости эмоций для систем с ИИ  в книге М. Мински [9] говорится так «Вопрос не в том, что умные машины могут иметь какие-либо эмоции, а в том могут ли быть умными машины без эмоций». В соответствии с этим в [10] рассматривается целесообразность наделения каждого интеллектуального агента (ИА) в мультиагентных системах индивидуальной адаптируемой матрицей искусственных эмоций, зависящей от целевой роли агента в объединении. На основе данных об исследовании центров выработки эмоций у человека, проведенных Антонио Дамасио [11] и другими когнитивными психологами, в  [10] для базовых искусственных эмоций предлагается использовать шесть аналогов эмоций вида: страх, удовольствие, отвращение, страдание, восхищение, тревога.

Эмоции имеют важное значение при принятии быстрого, автоматического, на бессознательном уровне решения и от их адекватности ситуации и богатства оттенков будет зависеть оптимальность реагирования. Каждая из эмоций играет свою особую роль. При этом страх и удовольствие можно отнести к динамически быстрым эмоциям по отношению к внешней среде. Формирование отвращения к чему-либо может быть задержано во времени и производиться на основе извлечения информации из временной памяти. Страдание связано с оценкой внутреннего состояния, однако в социуме на ее основе может сформироваться внешняя эмоция в виде сострадания по отношению к кому-то. Восхищение является внешней эмоцией, стимулирующей подражание и являющейся важным фактором при научении. На ее основе может сформироваться эмоция доминантности. При нескольких повторениях отрицательных раздражителей формируется тревожное состояние. Эта эмоция переводит организм в состояние повышенной готовности и, в то же время, значительно ограничивает количество вариантов при принятии решения (ПР).

При наличии индивидуальной матрицы искусственных эмоций у ИА, построенной на основе базовой,  с накоплением им опыта взаимодействия с внешней средой и с другими субъектами его индивидуальная матрица  будет постепенно проходить наращивание и эволюцию.

Такая матрица эмоций поможет ИА обеспечить его необходимыми энергетическими ресурсами, избегать опасных ситуаций, стимулировать к достижению целей, контролировать техническое состояние отдельных частей и состояние программного обеспечения. Эмоция «восхищения», стимулируя подражание, в комбинации с «удовольствием» обеспечивает быстрое усвоение новых навыков. Имитация эмоции тревоги может быть использована при создании технических систем, условия работы которых предполагают возникновение ситуаций, при которых необходимость оперативного, более быстрого реагирования допускает уменьшение диапазона анализа для ПР и соответственно снижения оценочной достоверности ожидаемого результата. Использование матрицы эмоций существенно расширит и усовершенствует возможности ИА и позволит успешно функционировать в условиях неопределенности. Прибегая к суждению Гете о целом и его частях [12], индивидуальную матрицу эмоций можно сравнить с душой живого предмета, с изъятием которой исчезает связь его частей.

Зная индивидуальную матрицу эмоций, можно прогнозировать реакцию субъекта на внешние раздражители. Такие работы ведутся. Например, с помощью Универсальной вычислительной когнитивной архитектуры CLARION [13] когнитивные психологи проводят исследования поведения человека в разных ситуациях, в том числе поведение коллектива, не прибегая к длительным и не всегда допустимым опытам непосредственно над живыми объектами, а используя компьютерную симуляцию. Такая процедура может дать даже лучший результат за счет широкого диапазона дозированных многофакторных воздействий за короткий промежуток времени.

Для упрощения решаемой задачи в таких исследованиях можно воспользоваться методами, применяемыми при редукции системы дифференциальных уравнений, основанными на теореме Тихонова [14]. Это позволяет, при имеющихся отличиях во временных масштабах у различных факторов, сократить число переменных за счет перевода медленно изменяющихся факторов в постоянные параметры для данного интервала.

Однако следует учитывать, что не всегда предсказание реагирования эмоционального интеллекта, зависящее от внутреннего состояния и состояний окружающей физической и социальной среды, возможно с помощью статистической модели регрессии.

У живых существ, обладающих способностью выработки и хранения знаний, количество информации, поступающее с паттернами сигналов, будет зависеть от знаний, уже имеющихся в памяти человека о подобных паттернах. Для оценки получаемого количества информации I воспользуемся выражением, приведенным в [15]:

I = H₁ – H₂,

(1) где H₁ – априорная неопределенность знаний по данному вопросу, H₂ — апостериорная неопределенность знаний после получения сигнала.

При увеличении знаний о получаемых паттернах количество информации будет стремиться к нулю, что соответствует негэнтропийному принципу информации [16].

Для оценки получаемой информации можно воспользоваться и понятием ценность информации [17], рассматриваемой как приращение вероятности достижения цели в результате использования данной информации. Значение ценности информации V определяется выражением:

V = log₂P₁ – log₂P₀ ,

(2) где P₁ – вероятность достижения цели, после получения некоторой информации, P₀ – вероятность достижения цели до получения информации.

У человека, как и вероятно у высших животных, процесс обработки сигнала происходит параллельно, как на бессознательном уровне, связанном с работой имплицитной (неосознаваемой) памяти, так и на сознательном уровне, связанном с эксплицитной (осознаваемой) памятью. Отклик на сигнал поступает из областей головного мозга, связанных с этими уровнями, по двум нервным путям в миндалину лимбической системы, где формируется сигнал реагирования [18]. Обработка информации на бессознательном уровне происходит значительно быстрее и разница между имплицитной и эксплицитной реакциями может быть более 500 мс [19]. По некоторым наблюдениям, у высших животных, при более быстрой имплицитной реакции, эксплицитное реагирование может быть значительно дольше по времени, чем у человека.

Если мозг не принимает решения о необходимости эксплицитной реакции, то формируется сигнал управления на основе более быстрой имплицитной реакции. В опытах с конфликтными стимулами было зафиксировано использование испытуемыми имплицитного навыка в ситуации, когда конфликтных стимулов было до 25%, а при их количестве в 75%, испытуемые стали использовать только эксплицитные знания [20]. Большая часть времени поведения человека происходит на автоматическом бессознательном уровне.

Данные из кратковременной памяти (КП) поступают во временную эксплицитную память. После  формирования там  устойчивых субъектных моделей знаний (СМЗ), они будут фиксироваться в долговременной памяти (ДП). В связи со сложностью таких знаний они уже носят подсознательный характер, не поддаются вербализации [21] и могут рассматриваться как навыки. Учитывая сложность осознания данных, хранящихся в ДП, и быстроту доступа к ней, в [22] ДП отнесена к хранилищу имплицитной памяти. Длительность формирования СМЗ до переноса их в ДП может быть достаточно большой, у человека она достигает нескольких лет [23]. Исходя из изложенного, на рисунке представлено формирование субъектных моделей решений (СМР) по поступающим входным паттернам сигналов (ВП).

Необходимые Свойства Интеллекта

Из входных паттернов по верхнему пути, показанному на рисунке, формируются СМЗ, которые используются для выработки решения. По мере накопления знаний будет происходить переход эксплицитных знаний в имплицитные навыки, и формироваться субъектные модели навыков (СМН). В дальнейшем для подобных паттернов процедура выработки решения будет производиться по нижнему значительно более быстрому пути на основе СМН. Так осуществляется  эволюционная цепочка восприятия информации как Неосознанная – Осознанная – Подсознательная.

Исходя из изложенного, интеллектуальные системы, для которых важна оперативность и ситуативная достоверность в выработке и принятии решения, могут работать следующим образом. При поступлении сигнала формирование и принятие решения производится одновременно двумя путями по имплицитному и эксплицитному. На систему ПР первым поступает по наиболее быстрому имплицитному пути один из вариантов стереотипных решений и, при высокой оценке достоверности ожидаемого результата по отношению к сигналу, по этому варианту формируется сигнал реагирования. При низкой оценке достоверности результата имплицитный путь блокируется, и используются варианты решений, поступающие по более длительному эксплицитному пути. Если снова оценка достоверности результата окажется недостаточной, то включается механизм экспериментирования на основе проб и оценок результатов экспериментов. С его помощью итерационно вырабатывается  адекватное  ситуации  решение   с  использованием   как   эксплицитного так и имплицитного механизмов.

При анализе интеллектуальных систем следует учитывать, как  количество одновременно обрабатываемых паттернов, так и их скорость. Дж. Миллер определил предел информационной  пропускной способности КП человека числом 7±2 чанков («магическое число 7±2») [24], где чанк (chunk) некий смысловой образ (паттерн), например, как буква, так и целая фраза. На основании последующих исследований Г.Саймоном [25] объем КП был определен в диапазоне от пяти до семи чанков. Длительность хранения паттерна в КП составляет около 12с и время воспроизведения 35мс. [26]. Аналогичные ограничения по  одновременно обрабатываемым паттернам имеют и высшие животные. Такие ограничения в ИА будут определяться как их техническими возможностями, так и решаемыми задачами. При этом возможен обмен снижения скорости обработки на увеличение количества одновременно обрабатываемых паттернов и наоборот. Как показали эксперименты Р.Стернберга [26] такое в некоторых пределах присуще человеку.

Кратковременная (рабочая) память участвует не только в обработке входной информации, но и в дальнейшем упорядочение сформировавшихся знаний и в выработке решений. Такая процедура затруднена при активном реагировании человека на внешние сигналы из-за ограниченной пропускной способности КП. Однако природа нашла превосходное решение для повышения эффективности интеллектуального аппарата. Во время сна или в период длительного отдыха при отсутствии непрерывно поступающих раздражителей, на которые требуется обращать внимание, мозг переходит в дефолтное состояние [27], в котором происходит интенсивная обработка и упорядочение ранее поступившей информации. Формирование новых более сложных СМЗ производится в течение нескольких сот низкочастотных циклов дефолтной нервной сети по внутренним цепям обратных связей, идущим из различных отделов памяти на КП. Каждый раз при поступлении СМЗ в КП производится их новая эмоциональная оценка, осуществляя как бы новое их осознание. В процессе такой генерации СМЗ увеличиваются веса более достоверных для субъекта моделей знаний, и происходит подавление других СМЗ [22]. Консолидация СМЗ будет происходить в КП в первую очередь на основе данных, хранящихся во временной памяти, с подключением данных ДП и постоянной врожденной памяти.

Таким образом, для консолидации и сохранения СМЗ необходимо наличие эмоциональной оценки события, дефолтного состояния мозга и времени на формирование СМЗ в этом состоянии. Этим можно объяснить результаты исследований эмоционально шокирующего воздействия на человека [28], показавшие ретроактивное усиление воспоминания о произошедшем после 6 часов и более.

Основные Свойства Интеллекта

Исходя из изложенного, сформулируем необходимые требования к живым и искусственным субъектам, которых можно отнести к обладающим интеллектом.

К интеллектуальным можно отнести живые существа или искусственные самоорганизующиеся адаптивные системы, обладающие следующими свойствами:

1. субъективно воспринимать поступающие сигналы, исходя из оценки окружающей среды и своих ресурсных возможностей, производя при этом селекцию, дискретизацию и субъектно-ориентированную интерпретацию поступающей информации;
2. уменьшать субъектно-ориентированное количество информации, необходимое для принятия решения по реагированию на однотипные паттерны сигналов, с каждым повторением паттернов;
3. производить имитационное моделирование анализируемых процессов, оценивать вероятности вариантов развития событий и вырабатывать приемлемое для субъекта реагирование.

Субъективное восприятие поступающей информации, связанное с ее эмоциональной оценкой, играет важнейшую роль в адаптивной селекции данных, необходимых для субъекта, и значительно сокращает объемы их обработки. Для технических систем такую реакцию на входные паттерны можно рассматривать как антиспамовую фильтрацию информации, несущественной или мешающей работе данной системы. Такая субъектно-ориентированная селекция может способствовать информационной безопасности ИА.

На основе первого и второго свойств интеллекта, используя выражение (1), субъектное количество информации Е, извлекаемое из поступающего сигнала, можно записать в виде

E= K – S*H ,

(3) где К – неопределенность накопленных субъектных знаний об исследуемом объекте до поступления от него сигнала, S – оператор селекции  и  эмоциональной   оценки   информации,   H – информационная неопределенность присущая модели  объекта.

Субъектное количество информации E по мере накопления субъектных знаний об  исследуемом объекте будет уменьшаться и, при неизменном операторе S, с каждым новым поступлением сигнала от объекта величина E будет приближаться к нулю.

Оператор селекции и эмоциональной оценки информации S играет важнейшую роль в формировании субъектных знаний. Он, как правило, динамичен и может зависеть как от имеющихся знаний, так и от состояния эмоциональной матрицы. Интересно отметить, что один субъект, с присущим ему оператором селекции, может быть неспособным к научению верхоглядом, а другой, с  оператором S близким к единице в узкой полосе его интересов, оказаться через некоторое время экспертом, накопившим огромное количество знаний в определенной области. Однако в обоих случаях при многократном восприятии этими субъектами подобных паттернов может быть одинаковая конечная величина получаемого субъектного количества информации Е. Таким образом, оператор S будет отображать субъективность интеллекта.

Третье необходимое свойство обеспечивает интеллектуальным системам способность к прогнозированию и принятию оптимальных решений. Это свойство, возможно, отсутствует у так называемого роевого интеллекта (Swarm Intelligence) [29], характеризующего коллективное поведение таких представителей животного мира как муравьи, пчелы и птицы. Однако можно говорить о наличии интеллекта у объединения, которое условно названо стаей эмоциональных интеллектуальных агентов  [30]. Такая стая является иерархической структурой, на нижнем уровне которой множество ИА, обладающих всеми свойствами интеллекта, а на верхнем эмерджентный коллективный интеллект.

Наличие  перечисленных трех свойств  позволяет интеллектуальным системам    оптимально адаптироваться к окружающей среде и эволюционно развиваться. Такое  определение интеллекта отвечает наличию его у многих живых организмов и ограничивает класс систем с ИИ.

Выводы

Рассмотренные выше особенности, присущие наделенным интеллектом живым    существам, позволяют помочь в построении сложных технических систем. Сформулированные основные три свойства интеллекта позволяют производить оценку и классификацию анализируемых систем в качестве интеллектуальных. Наличие у интеллектуальных агентов   субъектно-ориентированных матриц эмоций дает возможность говорить о субъективном эмоциональном интеллекте.

Библиография

1. Poole D.L., Mackworth A. K., Goebel R. Computational intelligence: a logical approach / David L. Poole, Alan K. Mackworth, Randy G. Goebel – Oxford University Press Oxford, UK, 1998.
2. Witten, I. H. Data mining : practical machine learning tools and techniques.—3^rd ed. / Ian H. Witten, Eibe Frank, Mark A. Hall — Morgan Kaufmann, 2011.
3. Encyclopaedia Britannica.
4. Gottfredson, Linda S. (1997). «Mainstream Science on Intelligence (editorial)». Intelligence 24 (1): Pp. 13–23.
5. Humphreys, L. G. (1979). «The construct of general intelligence». Intelligence 3 (2): Pp. 105–120.
6. Minsky, M. The Society of Mind / Marvin Lee Minsky N.Y. Simon and Schuster. 1988.
7. Damasio, A. Descartes’ Error: Emotion, Reason, and the Human Brain / Antonio R. Damasio. N.Y. Avon Books. 1994.
8. Соложенкин В.В. Психологические основы врачебной деятельности: Учебник для студентов высших учебных заведений. – Изд-во: Академический проект. М., 2003.
9. Minsky M. The Emotion Machine / Marvin Lee Minsky. N.Y. Simon and Schuster. 2007.
10. Козлов М. Искусственные эмоции в автономных мультиагентных системах. 19-ый сборник статей по материалам 19-ой Международной научной конференции «Творческие поиски ученых Израиля и мира сегодня» — Ашкелон. 2013. — С. 64 — 73.
11. 11. Damasio Self Comes to Mind: Constructing the Conscious Brain. Pantheon. 2010.
12. Иоганн Гете. Фауст. М.: Художественная литература. 1960.
13. 13. Sun, R. (2009). Motivational representations within a computational cognitive architecture. Cognitive Computation, 1(1), Pp. 91–103.
14. 14. Тихонов А. Н., Васильева А. Б., Свешников А.Г. «Дифференциальные уравнения».— М.: Наука. 1998.
15. 15. Орнатский П.П. Теоретические основы информационно-измерительной техники. Киев: Вища школа, 1983.
16. Бриллюэн Л. Наука и теория информации. М.: Физматгиз. 1960.
17. 17. Харкевич А.А. О ценности информации //Проблемы кибернетики. – 1960. — вып. 4.
18. 1 Кандель Э. В поисках памяти / Эрик Кандель — М.: Астрель, 2012.
19. 1 Шелепин Ю.Е. Локализация оппонентных механизмов принятия решений во фронтальной коре / Ю.Е. Шелепин, В.А. Фокин, А. К. Хараузов, Н. Фореман, С. В. Пронин, О. А. Вахрамеева, В.Н. Чихман // Пятая международная конференция по когнитивной науке. Тезисы докладов. Калининград, Россия, 18–24 июня 2012 г. — Том 2 — С. 841—842.
20. 20. Морошкина Н.В. Взаимодействие имплицитных и эксплицитных знаний в процессе научения: какое знание важнее? / Н. В. Морошкина, И. И. Иванчей // Пятая международная конференция по когнитивной науке. Тезисы докладов. Калининград, Россия, 18–24 июня 2012 г. — Том 2 — С. 540—542.
21. 21. Kihlstrom J. The Cognitive Unconscious / J. Kihlstrom // Science. 1987. – V. 237. – Pp. 1445–
22. 22. Козлов М. Компьютерно-мозговая модель памяти и принятия решений для сложных систем. techno.pensiaolim.org/ Magazine/Kozlov.pdf‎ , 2013.
23. Физиология человека. В 3-х томах. Т.1. Пер. с англ. / Под ред. Р. Шмидта, Г. Тевса — М.: Мир, 2005.
24. Миллер Дж. Магическое число семь плюс или минус два. О некоторых пределах нашей способности перерабатывать информацию / Дж. Миллер // Инженерная психология. — М.: Прогресс, 1964. — С. 564—581.
25. Simon H.A. How big is a chunk / H.A. Simon // Science. 1974. N 183 — Pp. 482—488.
26. Солсо Р. Когнитивная психология / Р. Солсо — СПб.: Питер, 2006.
27. Marcus E. Raichle, Abraham Z. Snyder. A default mode of brain function: A brief history of an evolving idea / NeuroImage 37 (2007). —P. 1083— 1090.
28. 28. Dunsmoor J.E, Murty V.P, Davachi L, Phelps E.A. Emotional learning selectively and retroactively strengthens memories for related events. January 2015.
29. Bullnheimer B., Hartl R.F., Strauss C. A New Rank-based Version of the Ant System: A Computational Study. Central European Journal for Operations Research and Economics, 1(7), 1999, pp. 25 – 38.
30. Козлов М.В. Искусственные эмоции в объединениях искусственных интелеллектов. Журнал Вестник Житомирского Государственного Технологического университета. — 2012. — №3(62). — С.99-106.