Maszyny matematyczne i myslenie podstawowe problemy i...

Maszyny matematyczne i myslenie

— podstawowe problemy i definicje

sztucznej inteligencji

Przemysław [email protected]

Katedra Metod Sztucznej Inteligencji i Matematyki StosowanejWydział Informatyki, ZUT w Szczecinie

Literatura

1 Maszyny matematyczne i myslenie, E.A. Feigenbaum,J. Feldman, 1963.(zawiera prace Turinga i Minsky’ego)

2 Wstep do sztucznej inteligencji, M. Flasinski, PWN, 2011.

3 Metody i techniki sztucznej inteligencji, L. Rutkowski, wyd. 2,PWN, 2012.

Spis tresci

1 Przykłady problemówPrzeszukiwanie drzew gierPrzeszukiwanie grafówProblemy optymalizacjiProblemy wyboru strategiiProblemy rozpoznawania wzorców (pattern recognition)Problemy eksploracji danych (data mining)Problemy regulacji i sterowaniaProblemy z zakresu sztucznego zycia

2 Czy maszyny moga myslec? Poglady Turinga

3 Uwagi Minsky’ego o myslacych maszynach i inteligencji

4 Współczesne główne gałezie i techniki sztucznej inteligencji

Przykłady problemów Przeszukiwanie drzew gier

Gry

Zwykle rozpatrywane sa gry dwuosobowe takie jak: szachy, warcaby, GO(batuk), . . . , gdzie gracze maja sprzeczne interesy, i gdzie mamy jasnozdefiniowane reguły gry.

Problem przeszukiwania drzewa gry

Majac dana pewna pozycje gry (w szczególnosci poczatkowa), nalezywystawic oceny liczbowe mozliwym ruchom dla gracza, na któregoprzypada teraz kolej ruchu. Ocena ma reprezentowac dokładna lubprawdopodobna wypłate gracza, jezeli wybierze on dany ruch, zwykle przyzałozeniu optymalnego postepowania drugiego gracza.

Przemysław Klesk (KMSIiMS, WI, ZUT) Wstep do SI 5 / 53

Przykłady problemów Przeszukiwanie drzew gier

Gry


Spis tresci





Przykłady problemów Przeszukiwanie grafów

Łamigłówki, układanki, labirynty, itp.

Sudoku1*5 *37 **8*7* *** *****8 1** *****3 *7* **174* *1* *632** *4* 9***** **5 1***** *** *8*4** 62* 5*7

−→

195 237 648674 859 312328 164 759853 976 421749 512 863216 348 975962 785 134537 491 286481 623 597

Sudoku minimalne12 3434 1223 4141 23

→

** **** 12** **4* *3

,

** **** 12** **41 **

,

** **** 12** *14* **

, . . .




Problem n-hetmanów

Na szachownicy n × n nalezy ustawic n hetmanów, tak aby nieszachowały sie wzajemnie.

Rysunek : Przykładowe rozwiazanie dla n = 8.




Puzzle n2 − 1 (przesuwne)

Labirynty, poruszanie sie postaci w grach komputerowych




Problem przeszukiwania grafu (w ogólnosci)

Majac dany pewien wezeł poczatkowy w grafie stanów (lub wdrzewie stanów), nalezy znalezc sciezke przejsc (o ile takaistnieje) do stanu docelowego. Jezeli dodatkowo okreslono wzadaniu, nalezy znalezc sciezke najkrótsza.


Spis tresci





Przykłady problemów Problemy optymalizacji

Dyskretny problem plecakowy (złodziejski)

Dany jest zbiór przedmiotów A = {(v1, c1), (v2, c2), . . . (vn, cn)} opisanych dwiema wielkosciami:wartoscia vi i objetoscia ci. Nalezy znalezc podzbiór A∗ zbioru A, taki ze:

∑

i(vi ,ci)∈A∗

vi −→ max oraz∑

i(vi ,ci)∈A∗

ci 6 C,

gdzie C jest dopuszczalna objetoscia plecaka (ograniczenie).



Problem komiwojazera (TSP)

Na mapie dany jest zbiór n miast. Rozpoczynajac od zadanego miasta poczatkowego nalezyznalezc najkrótsza sciezke przechodzaca przez wszystkie miasta (kazde miasto moze bycodwiedzone jednokrotnie) i powracajaca do miasta poczatkowego.



Problem jeepa

Jeep na pustyni ma do dyspozycji pewna ilosc paliwa, niech bedzie to n kontenerów, kazdy z 1jednostka paliwa. Zuzycie paliwa jest 1 : 1 tzn. 1 jednostka paliwa na 1 jednostke odległosci.Celem jeepa jest zmaksymalizowanie odległosci Dn, która ma pokonac wgłab pustyni, przyzachowaniu nastepujacych reguł. Jeep moze zatankowac bak co najwyzej 1 jednostka paliwa inie moze wziac zadnego dodatkowego paliwa ze soba. Jeep moze wyruszyc z bazy, pozostawicczesc paliwa na drodze i wrócic do bazy uzywajac pozostałego mu paliwa. W bazie jeep mozeponownie zatankowac sie i znów wyruszyc. Gdy natrafi na paliwo pozostawione na drodze,jeep moze uzupełnic nim swój bak.


Spis tresci





Przykłady problemów Problemy wyboru strategii

Dylemat wieznia

Policja aresztowała dwóch podejrzanych o popełnienie przestepstwa. Kazdy z nich przebywa wodrebnej celi. Policja nie ma wystarczajacych dowodów, ale próbuje kazdego z nich namówic naprzyznanie sie i wydanie wspópodejrzanego w zamian za łagodniejsza kare. Oto tabelka kar(wyroków):

A milczy A zdradza

B milczy A i B odsiaduja po 1 roku

A wychodzi na wolnosc

B odsiaduje 5 lat

B zdradza

A odsiaduje 5 lat

B wychodzi na wolnosc A i B odsiaduja po 4 lata


Przykłady problemów Problemy wyboru strategii

Problemy wyboru strategii

Iterowany dylemat wieznia

Jaka strategie powinien stosowac gracz w sekwencji wielu gier w dylematwieznia, aby zminimalizowac sumaryczna kare? Po kazdej grze graczedowiaduja sie jej wyniku.

Czy liczba gier moze byc podana z góry?

Zauwazmy, ze po rozegraniu n − 1 gier, ostatnia n-ta gra redukuje sie dozwykłego dylematu wieznia. Przez indukcje, to samo dzieje sie z grami n− 1,n − 2, . . . . Niestety to rozumowanie i stosowanie przez obu graczydominujacej strategii ze zwykłego dylematu wieznia nie prowadzi dominimalizacji sumy kar.


Spis tresci





Przykłady problemów Problemy rozpoznawania wzorców (pattern recognition)

Rozpoznawanie wzorców (pattern recognition)

Problem (ogólnie)

Dany jest zbiór obserwacji (przykładów z przeszłosci). Kazdy przykład jestopisany pewna liczba zmiennych (cech, atrybutów). Jedna ze zmiennych jestwyróniona jako decyzyjna i ma skonczony zbiór mozliwych wartosci{1, 2, . . . ,K} (numery klas). Nalezy zbudowac (nauczyc) klasyfikator,tj. funkcje, która z mozliwie najmniejszym błedem bedzieprzyporzadkowywac nowoprzychodzace (nieznane) przykłady do zbioruklas.



Rozpoznawanie wzorców (pattern recognition)

Przykłady

filtr antyspamowy (mail normalny /mail-spam),

automatyczne diagnozowanie (chory / zdrowy, z ryzykiem nowotworu / bez ryzyka, itp.),

okreslanie wiarygodnosci kredytowej (klient wiarygodny / niewiarygodny),

rozpoznawanie znaków (OCR),

wykrywanie / rozpoznawanie / sledzenie obiektów (twarze, pojazdy, znaki drogowe,obiekty wojskowe, itp.) na obrazach lub sekwencjach video.



Wzorce czasowe (temporal pattern recognition)

Przykłady

rozpoznawanie pisma odrecznego (ciagi znaków, a nie pojedyncze znaki),

rozpoznawanie mowy,

rozpoznawanie gestów jezyka migowego,

sledzenie partytury muzycznej,

rozpoznawania autorstwa dokumentów,

odczytywanie / przewidywanie sekwencji DNA.


Spis tresci





Przykłady problemów Problemy eksploracji danych (data mining)

Eksploracja danych

Przykłady

wykrywanie reguł w transakcjach zakupowych,

wykrywanie reguł w zachowaniach uzytkowników portali społecznosciowych(m.in. przewidywanie nastepnego klikniecia),

wyszukiwanie artykułów na podstawie preferencji uzytkownika,

przewidywanie wyników wydarzen sportowych / giełdowych.


Spis tresci





Przykłady problemów Problemy regulacji i sterowania

Sterowanie i regulacja

Przykłady

odwrócone wahadło,

regułowy sterownik temperatury w mieszkaniu,

automatyczna suwnica dzwigu przy rozładunku statków,

automatyczny dozownik leku,

stabilizator obrazu w kamerze cyfrowej,


Spis tresci





Przykłady problemów Problemy z zakresu sztucznego zycia

Sztuczne zycie

Przykłady

Automaty komórkowe (ang. cellular automata)a,

„Gra w zycie” Conwaya (ang. The Game of Life),

Symulacje swiatów z osobnikami ze zdefiniowanymi zmysłami, motoryka, głodem,agresja, itp.b.

aNa YouTube mozna znalezc ciekawy wykład Stephena Wolframa.

bPraca magisterska na WI: M. Suchorzewski, 2005.



Automaty komórkowe



„Gra w zycie” Conwaya

1 Jezeli pełna komórka ma 0 lub 1 sasiadów to umiera (samotnosc).

2 Jezeli pełna komórka 4 lub wiecej sasiadów to umiera (tłok).

3 Jezeli pełna komórka ma 2 lub 3 sasiadów to trwa.

4 Jezeli pusta komórka ma dokładnie 3 sasiadów to staje sie pełna.


Spis tresci





Czy maszyny moga myslec? Poglady Turinga

Czy maszyny moga myslec?

1 Nie, jezeli zdefiniowac myslenie jako działalnosc wyłacznieludzka. Wtedy kazde tego typu zachowanie sie maszyn trzeba bynazywac jedynie podobnym do myslenia.

2 Nie, jezeli załozyc, ze w samej istocie myslenia jest cosniezgłebionego, tajemnego, mistycznego.

3 Tak, jezeli przyjac, ze zagadnienie to nalezy rozstrzygnac na

drodze eksperymentu (!), porównujac zachowanie maszyny zzachowaniem ludzi dla czynnosci, do których termin myslenie mazastosowanie.



Artykuł „Maszyny liczace a inteligencja”

(A.M. Turing, 1950)

Turing proponuje rozwazyc problem: „Czy maszyny moga myslec?”.

Trzeba zdefiniowac: maszyna i myslec. Definicje powinny byc na tyledobre, zeby oddawac potoczne rozumienie tych słów. Trudnosci:definicje niescisłe, wieloznaczne, statystyczne (jezeli zbudowane nabazie ankiet1).

Turing, zastepuje wiec oryginalny problem mniej dwuznacznym — graw nasladownictwo.

1Niebezpieczenstwo: odpowiedz na postawiony problem tez byłaby statystyczna.



Gra w nasladownictwo (ang. imitation game)

Mezczyzna A i kobieta B sa w odrebnym pokoju niz pytajacy C.

C uzyskuje odpowiedzi od graczy jako od X i Y, i stara sie rozstrzygnac czy X = A i Y = B,czy tez X = B i Y = A.

Zadaniem A jest oszukanie C, tak aby C zle go zidentyfikował.

Pytania zadawane sa poprzez terminal wykluczajacy mozliwosci identyfikacji poprzezgłos, zapach, itp.



Gra w nasladownictwo

Pytajacy moze np. zapytac: „Prosze X, aby powiedział, jak długie mawłosy”. Jezeli X faktycznie jest mezczyzna to powinien starac sieoszukiwac odpowiadajac np. „Moje włosy sa ostrzyzone, a najdłuzszekosmyki maja około 9 cali długosci”.

Zadaniem gracza kobieta jest pomóc pytajacemu. Prawdopodobnienajlepsza strategie dla niego jest po prostu mówienie prawdy. Mozeona co prawda dodawac „Jestem kobieta, nie słuchaj go.”, ale przeciezmezczyzna moze robic to samo.



Gra w nasladownictwo — test Turinga

Co sie stanie, gdy jednego z graczy zastapi maszyna w tej grze? Czypytajacy bedzie decydował błednie tak samo czesto jak wtedy, gdy wgrze bierze udział kobieta i mezczyzna?

Niech powyzsze pytania zastapi oryginalne: „Czy maszyny mogamyslec?”



Gra w nasladownictwo, przykładowa

rozmowa wg Turinga

P: Napisz mi sonet na temat Forth Bridge?

O: Nie licz na mnie. Nigdy nie umiałem pisac wierszy.

P: Ile jest 34 957 dodac 70 764?

O: (Po 30 s namysle) 105 621.

P: Czy grasz w szachy?

O: Tak.

P: Mam K na K1 i innych figur nie mam. Ty masz K na K6 i R na R1. Jest twójruch. Jakie zrobisz posuniecie?

O: (Po 15 s namysle) R-R8 mat.



Gra w nasladownictwo, krytyczne uwagi

samego Turinga

+ Ostre oddzielenie fizycznosci i intelektu. Sztuczna skóra (nawet gdybyistniała) nie czyni maszyny w nia ubrana bardziej ludzka.

− Maszynie daje sie duzo mniejsze szanse niz człowiekowi. Mozna touzmysłowic sobie myslac o grze odwrotnej — człowiek nasladujemaszyne i szybko kompromituje sie np. powolnoscia i niedokładnosciaw arytmetyce.

− Czy maszyny mogłyby robic cos, co jest mysleniem, ale innym odludzkiego? Oczywiscie tak. (silny minus, w przypadku odpowiedzinegatywnej na test gry w nasladownictwo)

+ Jezeli tylko maszyna bedzie mogła zadawalajaco grac w nasladownictwo,to rozstrzyga problem oryginalny2.

2Turing przewidywał za 50 lat maszyny z pamiecia ≈ 109 bitów, oszukujace około 30% ekspertów.



Sprzeciwy do pogladów Turinga

Sprzeciw teologiczny

Myslenie jest funkcja niesmiertelnej duszy człowieka. WszechmogacyBóg dał niesmiertelna dusze kazdemu mezczyznie i kazdej kobiecie,ale nie dał jej zadnemu innemu stworzeniu ani maszynie. Stad, zadnezwierze ani zadna maszyna nie moze myslec.

W sensie naukowym w ogóle nie nalezy sie tym sprzeciwem przejmowac! Odpowiadajac w terminach teologicznych,mozna miec ponizsze uwagi.

Lepiej byłoby podac zwierzeta w jednej grupie z ludzmi. Wieksza róznica pomiedzy człowiekiem a czymkolwieknieozywionym, niz czowiekiem a np. słoniem.

Dowolny poglad ortodoksyjny warto weryfikowac z inna reglia. Dlaczego chrzescijanie odrzucili muzułmanski poglad,ze kobiety nie maja dusz? Dlaczego chrzescijanie przyjeli w koncu teorie Kopernika?

Sprzeciw pociaga za soba ograniczenia wszechmocy Boga. Istnieja rzeczy, których On nie moze(?) zrobic: obdarzycdusza słonia. Ale czy nie powinnismy wierzyc, ze moze On obdarzyc dusza słonia, jezeli uzna, ze słon jest tego godny.Wszystko to dogmatyczne spekulacje . . .




Sprzeciw „głów w piasku”

Konsekwencje myslenia maszyn byłyby zbyt okropne. Miejmynadzieje i wierzmy, ze one nie moga myslec.

Takze niepowazny naukowo.

Powiazany ze s. teologicznym. Chcemy wierzyc, ze człowiek jest wyzszy ponad reszte stworzenia. Najlepiej byłobydowiesc bazwarunkowej wyzszosci — mozna by wówczas wypoczywac, nie byłoby niebezpieczenstwa utratydominujacej pozycji.

Popularny wsród ludzi intelektu, ceniacych potege myslenia i lubiacych opierac ich wiare na tej potedze.




Sprzeciw matematyczny

Opierajac sie na pewnych wynikach logiki matematycznej moznawykazac, ze istnieja granice mozliwosci maszyn o stanachdyskretnych. Jednym z nich jest twierdzenie Godel’a (1931): W kazdymsystemie logicznym mozna zbudowac stwierdzenia, których prawdziwosci lubfałszu nie mozna w tym systemie rozstrzygnaca.

aNp.: Zdanie, które w tej chwili mówie, jest fałszywe.

To czego jedna maszyna nie mogłaby zrobic, byc moze mogłaby inna pracujaca w innym systemie formalnym.

Chociaz ustalono, ze istnieja granice mozliwosci kazdej maszyny, to bez dowodu twierdzi sie, ze zadne takieograniczenia nie stosuja sie do człowieka.

Za kazdym razem, gdy zadac maszynie pytanie w stylu Godel’a, to udzielona odpowiedz musi byc błedna. To daje namzłudne uczucie wyzszosci. Ludzie sami zbyt czesto myla sie odpowiadajac na trywialniejsze pytania.

Obstajacy przy sprzeciwie matematycznym na ogół przyjeliby gre w nasladownictwo za podstawe dyskusji. Wierzacychw dwa poprzednie sprzeciwy prawdopodobnie nie interesuja zadne kryteria.




Sprzeciw swiadomosci

Prof. Jefferson (1949): „(. . . )Dotad nie bedziemy mogli zgodzic sie zpogladem, ze maszyna jest równa mózgowi, dopóki maszyna nie potrafinapisac sonetu lub skomponowac koncertu dzieki odczuwanym myslom iemocjom, a nie dzieki szansie natrafienia na odpowiednie symbole, to znaczypotrafi nie tylko napisac je, ale i wiedziec, ze je napisała. Zaden mechanizmnie moze odczuwac (a nie jedynie sztucznie sygnalizowac — łatwy fortel)przyjemnosci ze swojego sukcesu, zmartwienia, gdy jego lampy sie topia, niemoze podniecac sie pochlebstwem, itp.(. . . )”

Wg skrajnej postaci tego rozumowania jedynym sposobem upewnienia sie, ze maszyna mysli jest byc maszyna iodczuwac, ze sie mysli. Mozna by to wtedy ogłosic to swiatu, ale nikt przeciez (w swietle tego rozumowania) nie musinas wziac powaznie.

Podobnie, jedynym sposobem przekonania sie, ze inny człowiek mysli, jest byc nim. W sensie logicznym jest to pogladsłuszny, ale utrudnia komunikacje na zasadzie: A jest przekonany, ze A mysli, ale B nie mysli, B jest przekonany, ze Bmysli, ale A nie mysli. Zamiast spierania sie, przyjmuje sie grzecznosciowa konwencje, ze kazdy mysli.

Prof. Jefferson prawdopodobnie byłby skłonny przyjac gre w nasladownictwo niz powyzsza skrajnosc.




Sprzeciwy róznych niemoznosci

Postac: „Zgadzam sie, ze mozna zrobic maszyny, wykonujace to wszystko, oczym do tej pory mówiono, ale nie mozna zrobic maszyny, która zrobiłaby X”.I w miejsce X wstawiane sa rózne czynnosci/cechy np.: bycuprzejmym, pomysłowym, miec poczucie humoru, odrózniac dobrood zła, robic błedy, lubic truskawki ze smietana, byc przedmiotemwłasnej mysli.

Wiekszosc tych twierdzen jest niczym nie poparta i bierze sie z błednej indukcji. Człowiek widział wieleposzczególnych maszyn (brzydkie, szare, do ograniczonego celu, itd.) i wyciaga błedne ogólne wnioski.

Jedynym ograniczeniem na wiekszosc z wymienianych czynnosci jest pamiec maszyny.

Zarzut niemoznosci popełniania błedów jest nieprawdziwy. Maszyna grajaca w nasladownictwo wrecz musi popełniaczaprogramowane i losowe pomyłki, zeby nie zostac zdemaskowana.




Sprzeciw lady Lovelace

Hrabina Lovelace (1842): „(. . . )Maszyna nie rosci sobie pretensji dooryginalnosci. Moze wykonac dokładnie tylko to, co wiemy, w jaki sposóbzlecic jej do wykonania(. . . )”. Dodatkowy sens zarzutu jest taki, zeprojektant inteligentnego systemu jest w stanie przewidziec wszystkiekonsekwencje tego systemu. Maszyna nie moze nas zaskoczyc.

Twierdzenie, ze maszyny moga robic tylko to, do czego sa zaprogramowane jest bez watpienia oczywiste i prawdziwe.Ale nie jest podstawa ani dowodem wyciaganych z niego błednych wniosków.

Człowiek moze tworzyc, komponowac, uczyc sie, dlatego ze biologiczny program, w który jest wyposazony, mafunkcje: adaptacji, mozliwosci zmieniania samego siebie (programu), itp. w wyniku obserwacyjnej interakcji zotoczeniem.

Jest oczywista nieprawda, ze projektant jest w stanie przewidziec wszystkie konsekwencje programu, dowolnie odległenp. po milionach operacji, za pomoca urzadzenia, które ma pod swoja czaszka. Przykłady: sztuczne zycie Conwaya,programy z zakresu teorii chaosu, programy szachowe zaskakujace projektujacych je arcymistrzów.




Sprzeciw wypływajacy z pozazmysłowej percepcji

Jezeli uznac (potwierdzone statystycznie) istnienie telepatii, to moznaby powiedziec: zagrajmy w nasladownictwo biorac jako graczymaszyne i czowieka, który jest dobrym odbiornikiem telepatycznym.Pytajacy mógłby wtedy pytac np. „jakiego koloru jest karta, któratrzymam w rece?”. I człowiek odpowiadałby czesciej poprawnie nizmaszyna.

Jest to wg Turinga silny argument. Ogólnie telepatia utrudnia wiele podejsc naukowych.

Mozliwe rozwiazanie, to umocnic gre w nasladownictwo obostrzeniem o pokojach „szczelnych telepatycznie” (wpodobnym rozumieniu jak pokoje dzwiekoszczelne). Co wypełnia postulat Turinga o ostrym oddzieleniu fizycznosci iintelektu w tym eksperymencie.

W terminach telepatii, mozna by spekulowac, ze generator liczb losowych uzywany w maszynie do zgadywaniakolorów, mógłby lawitacyjnie oddziaływac na pytajacego i takze zwiekszac sobie prawdopodobienstwo udzieleniadobrej odpowiedzi. Ale to oczywiscie nienaukowy i słaby argument.



Szachowy test Turinga

W wersji pierwszej

Człowiek rozgrywa partie szachowa z nieznanym przeciwnikiem i marozstrzygnac, czy jest to tez człowiek czy maszyna.

W wersji drugiej

Człowiek rozpatruje rozegrana partie szachowa pomiedzy nieznanymiprzeciwnikami i ma rozstrzygnac co do kazdego z nich: człowiek czymaszyna.

Garri Kasparov zdaje szachowy test Turinga w wersji drugiej zeskutecznoscia ponad 80%.


Spis tresci





Uwagi Minsky’ego o myslacych maszynach i inteligencji

Uwagi Minsky’ego

Artykuł „Na drodze do stworzenia sztucznej inteligencji”(Minsky, 1961).

Zgadza sie z pogladami Turinga.

Nie istnieje jedna ogólnie przyjeta teoria inteligencji.

Nalezy wyróznic 5 głównych działów: poszukiwanie,rozpoznawanie obrazów, uczenie sie, planowanie i indukcja.



Uwagi Minsky’ego

O problemie poszukiwania

Jezeli dla jakiegos problemu znamy sposób sprawdzenia poprawnosciproponowanego rozwiazania, to zawsze mozemy próbowac przegladacrózne rozwiazania.

Z pewnego punktu widzenia problemy przeszukiwania mogawydawac sie trywialne. Mozna np. pomyslec o drzewie gry w szachy.Jest ono na pewno skonczone! Kazdy stan koncowy (lisc) jest wygranabiałych, czarnych lub remisem. Propagujac to minimaksowa proceduraw góre drzewa, stan poczatkowy takze otrzymuje jedna z tych wartosci.W tym sensie drzewo szachów moze wydawac sie nieciekawe tak jakdrzewo gry „kółko i krzyzyk”.



Uwagi Minsky’ego


Zwykle nietrudno algorytm przeszukujacy wyczerpujaco zaprogramowac, ale dlakazdego złozonego problemu jest to zbyt nieefektywne, aby móc praktycznie stosowac.Co z tego, ze mamy program, który nie zdazy sie wykonac w czasie trwania naszegozycia lub nawet cywilizacji?

Samuel (1959) szacuje: warcaby na około 1040 stanów, szachy na około 10120 stanów.Przyporzadkujmy hojnie 1µs na rozpatrzenie jednego stanu w drzewie gry przezkomputer i oszacujmy liczbe potrzebnych stuleci dla warcab:

1040

106 · 60 · 60 · 24 · 365.25 · 100︸︷︷︸

liczba µs w 1 stuleciu

>1040

106 · 102 · 102 · 102 · 103 · 102=

1040

1017= 1023

.



Uwagi Minsky’ego


Zatem, konstrukcyjne udoskonalanie maszyn nie prowadzi dorozwiazania wszystkich problemów.

Potrzebne sa madre algorytmy prowadzace ukierunkowaneposzukiwania, sledzace w pierwszej kolejnosci stany dajace nadzieje naszybsze osiagniecie rozwiazania i odrzucajace mozliwosci „jałowe”.

Kazda technika, heurystyka mogaca skutecznie zmniejszycposzukiwania jest wartosciowa.



Uwagi Minsky’ego

Nalezy byc przekonanym, ze wczesniej lub pózniej bedziemy konstruowali programyzdolne do rozwiazywania skomplikowanych problemów, wyposazone w kombinacjeheurystyk, rekurencji, metod przetwarzania obrazów, itd. Nie nalezy w zadnym z nichdopatrywac sie miejsca na inteligencje. To raczej kwestia estetyki niz nauki.

Kazda maszyna zdolna do 100% introspekcji bedzie musiała dojsc do przeswiadczenia, zejest tylko maszyna.

Wprowadzanie dualizmu ciało / umysł na zasadzie aspektów psychologicznych,społecznych, itp. wynika tylko z tego, ze niezadawalajacy jest znany dotychczas modelmechaniczny mózgu czy innej maszyny.

Na niskim poziomie np. mechanicznym lub programistycznym, mamy tylko reguły:„jezeli . . . to . . . ” — trudno tu o zachwyt. Podobnie w matematyce, gdy tylko dowódtwierdzenia stanie sie zrozumiały, to tresc twierdzenia wydaje sie trywialna.


Współczesne główne gałezie i techniki sztucznej inteligencji

Współczesne główne gałezie i techniki

sztucznej inteligencji

Algorytmy przeszukiwania drzew i grafów

Sztuczne sieci neuronowe

Algorytmy genetyczne i ewolucyjne

Logika rozmyta i sterowanie rozmyte

Systemy ekspertowe

Eksploracja danych (data mining)

Algorytmy mrówkowe

Uczenie ze wzmocnieniem

Sztuczne zycie

Uczenie maszynowe (Statystyczna Teoria Uczenia)


Maszyny matematyczne i myslenie podstawowe problemy i...

Documents

Transcript of Maszyny matematyczne i myslenie podstawowe problemy i...