네트워크 인텔리전스 모델링의 일부 결과. 의식과 뇌의 문제, 인공지능

16.07.2019

의식과 자기 인식

의식은 자신을 세계와 관련하여 특정 위치의 소유자로 식별하는 주체를 포함합니다. 이러한 자신에 대한 고립, 자신에 대한 태도, 모든 의식의 필수 구성 요소인 자신의 능력에 대한 평가는 자기 인식이라고 불리는 사람의 특정 특성의 다양한 형태를 형성합니다.

자기 인식은 다양한 수준과 형태로 나타나는 역동적이고 역사적으로 발전하는 형성입니다. 웰빙이라고도 불리는 첫 번째 형태는 자신의 신체에 대한 기본 인식과 주변 사물 및 사람의 세계에 대한 적합성입니다. 더 높은 수준의 자기 인식은 자신이 특정 인간 공동체, 특정 문화 및 사회 집단에 속해 있다는 인식과 관련이 있습니다. 마지막으로, 이 과정의 가장 높은 수준의 발전은 다른 사람들의 자아와 유사하고 동시에 어떤 면에서는 독특하고 흉내낼 수 없으며 자유로운 행동을 수행할 수 있고 그들을 책임지는 것입니다.

성찰의 문제는 자기인식의 문제와 밀접한 관련이 있다. 성찰은 의식을 그 자체로 전환하는 것이며, 그 자체의 상태, 행위 및 내용에 초점을 맞추는 것입니다. 성찰은 의식의 이차적 위치입니다. 기본 상태는 사전 반사 상태, 즉 의식이 대상에 직접 초점을 맞추는 상태입니다.

개인의 자제력, 자유, 건전함 및 책임의 가능성을 제공하는 의식과 자기 인식은 구체적으로 가능성의 조건입니다. 인간 존재세상에는 자연 질서, 동물 존재와는 다른 문화적, 도덕적 질서의 가능성이 있습니다. 자기 인식은 자신을 특정 사람이 받아들이는 자기의 특정 이상과 비교하고, 자기 평가를 하며, 결과적으로 자신에 대한 만족감이나 불만의 출현을 포함합니다.

자기 인식은 모든 사람의 명백한 속성이므로 그 존재 사실이 의심을 불러일으킬 수 없습니다. 더욱이, 관념론 철학의 중요하고 매우 영향력 있는 분야는 데카르트를 시작으로 자의식이 의심할 수 없는 유일한 것이라고 주장해 왔습니다.

의식과 자각의 부여는 세계와 자신에 대한 인간의 경험을 의심과 주권을 가진 사람에게 시련의 공간으로 변화시킵니다. 그리고 동시에 이 공간은 사상가로서 자신을 세상 속에서 실현할 수 있는 유일한 기회이기도 하다.

의식과 뇌의 문제, 인공지능

의식에 대한 철학적 분석은 물질적 운반자, 즉 사고 능력을 제공하는 뇌의 관점에서 의식이 무엇인지에 대한 질문에 대한 답을 전제로 합니다. 모든 정신적 현상은 뇌의 기능입니다. 의식은 물질과 분리되어 존재할 수 없습니다. 지능(라틴어 intellectus - 마음, 이성, 마음), 최고의 힘, 사물의 본질을 이해하는 능력으로서의 자연광. 의식과 뇌 문제의 철학적 의미는 의식의 존재론적 지위에 따라 결정된다.

의식에 대한 철학적 고찰의 출발점은 의식의 자연과학적 전제를 이해하는 것입니다. 자연과학은 의식이 뇌와 분리되어 존재할 수 없으며 고도로 조직화된 물질의 활동과 연관되어 있음을 증명합니다.

뇌에 대한 연구는 오랜 역사를 거쳐 왔으며 그 중 두 가지 주요 경향이 두드러졌습니다. 바로 엄격한 위치화 개념입니다. 정신적 현상그리고 뇌가 하나의 단위로 기능한다는 견해.

최근에는 '가상현실'이나 '사이버공간'과 같은 현대생활의 요소가 점점 더 중요한 역할을 하고 있습니다. 실제로 가상 현실이 정신에 미치는 장기적인 영향은 약물 및 환각제의 영향과 유사합니다. 여러 시간 동안 앉아 있는 아이들 컴퓨터 게임그렇게 무해한 활동은 아닐 수도 있습니다. 사람들의 두뇌는 컴퓨터 칩 내부의 수학적 과정을 통해 생성된 이미지의 새로운 세계에 적응할 수 있을까요? 사이버 공간이 점진적인 중독과 그에 따른 현실 거부를 초래할까요? 아니면 반대로 이것이 새로운 기회를 향한 발걸음일까요? 새로운 연구만이 이러한 질문에 답할 수 있습니다.

"자신을 통제"하는 가능성의 한계는 아직 완전히 불분명합니다. 따라서 수행자는 몇 시간 동안 물속에 머물면서 호흡과 심장 박동을 늦추고 외부 피로 징후없이 하룻밤에 100km를 걸을 수 있으며 몇 달 동안 먹지 않을 수 있습니다. 최면 상태에서의 암시의 예는 그다지 잘 알려져 있지 않습니다.

물론 위의 내용은 완전하지 않습니다. 뇌가 어떻게 작동하는지, 특히 뇌의 더 높은 기능과 기능의 기초가 무엇인지에 대해 우리는 아직 모르는 것이 많습니다. 인간의 의식. 그러나 최근 몇 년간 이 분야의 발전은 매우 명백하며, 뇌 과학은 점차 자연의 비밀을 밝히는 데 점점 더 가까워지고 있습니다.

지난 30~40년 동안 의식의 본질에 대한 질문은 종종 "생각하는 기계"(컴퓨터)를 만들려는 전망과 관련되어 있었습니다. 이전에는 우리 철학자들이 "인공 지능"의 가능성을 단호하게 거부했다면 최근에는 이 문제에 대한 보다 자유로운 논의가 이루어졌습니다.

철학과 여러 개별 과학 모두에서 소설질문은 자신의 방식으로 제기되고 해석됩니다. 인공 지능을 만드는 것이 가능합니까? 사고 과정의 공식화를 위한 초기 이론적 기초는 다음과 같이 만들어졌습니다. 형식적 논리아리스토텔레스. 사이버네틱스의 등장으로 인공지능을 창조하는 과제가 시급해졌다. 사이버네틱스, 동물 심리학, 심리학과 같은 과학이 지능에 대한 과학적 연구에 강력한 자극을 주면서 철학과 과학에서 "인공 지능"에 대한 다양한 연구 프로그램이 탄생했습니다. 즉, 전통적으로 인간 분야에 부여된 기능을 수행할 수 있는 컴퓨터를 만드는 것입니다. 지적 활동; 뇌 기질(뉴로컴퓨터)을 기반으로 인간 지능을 모델링하려는 시도; 진화할 수 있는 인공적인 자가 학습 장치를 만드는 것입니다.

1950년대 후반 사이버네틱스와 분리된 이후. 인공지능 분야의 연구는 3단계를 거쳤습니다.

첫 번째 단계(1950-1960년대) - 인공 지능 연구 프로그램 형성 시기, 이 분야와 관련된 다양한 작업 형성(게임, 정리 증명, 패턴 인식, 기계 번역, 로봇 공학), 방법 생성 그리고 이러한 문제를 해결하기 위한 도구;

두 번째 단계(1970년대) - 인공 지능은 국제 회의 개최, 저널 출판, 대학에서 관련 강좌 강의, 새로운 지능형 프로그램 생성(퍼지 논리)을 통해 "고전적인" 과학 및 기술 분야의 지위를 획득했습니다. , 유전자 알고리즘, 가치 표현 모델);

세 번째 단계(1980~1990년대)는 인공지능 성과의 실용화와 관련된다. 다양한 분야활동 (금융, 경제, 경영, 컴퓨터 및 가전 제품), 합리적 구조 및 감정, 신념, 감정과의 연결 연구 및 모델링, 비유적 정보 처리의 실제 방법, 자연적인 인간 원형을 사용하여 인공 지능의 현대 모델을 매끄럽게 만듭니다.

인공지능 철학의 발전에는 크게 두 가지 방향이 있다. 첫째, 인간 정신의 컴퓨터 시뮬레이션 가능성에 대한 아이디어가 상당히 긍정적으로 받아 들여진 후이 아이디어를 사용하여 의식 철학, 지능 철학의 전통적인 문제를 다시 생각하려는 시도가 이루어졌습니다. 정신 물리학적인 문제로. 둘째, 많은 과학자들은 의식철학의 관점에서 인공지능의 문제를 이해하려고 노력해왔다. 인공 지능 생성 문제의 근본적인 해결 가능성에 대해 처음으로 의구심을 표명하고 인간 지능이 가능한 컴퓨터 모방과 근본적으로 어떻게 다를 수 있는지 알아 내려고 노력한 것은이 방향의 대표자들이었습니다.

그런데 사람처럼 생각하는 기계, 즉 인공지능을 만드는 것이 가능할까요? 컴퓨터는 이미 학습, 추상화, 일반화와 같은 프로세스를 모델링합니다. 대부분의 과학자들에 따르면 이론적으로 모든 뇌 기능을 시뮬레이션하는 것이 가능합니다. 문제는 이것이 실제로 가능한지(분명히 시간 문제임), 그러한 모델링이 전혀 필요한지, 우리가 마음을 창조하는 특이한 기능을 스스로 맡고 있는지 여부입니다(이것은 이미 과학 윤리의 문제입니다). , 예를 들어 인간 복제와 같습니다).

뇌처럼 기능하는 기계를 만들려면 뇌를 구성하는 고도로 조직화된 단백질 물질과 성질을 갖거나 유사한 물질을 만들어야 합니다. 실제로 그러한 기계는 “뇌처럼” 기능하지만 생각하는 것이 아니라 기능할 것입니다. 생각하기 위해서는 물질이 경제적 형태뿐만 아니라 사회적 형태로도 존재해야 합니다.

“사이버네틱스와 사고” 문제를 둘러싼 많은 논쟁은 감정적인 배경을 가지고 있습니다. 인공지능의 가능성을 인정하는 것은 인간의 존엄성을 훼손하는 일인 것 같습니다. 그러나 인공지능의 가능성에 대한 질문과 인간 정신의 발전 및 개선에 대한 질문을 혼동해서는 안 됩니다. 물론 인공지능이 부적절한 목적으로 사용될 수 있지만 이는 과학적인 문제라기보다는 도덕적이고 윤리적인 문제이다.

Searle의 기사 "의식, 뇌 및 프로그램" 분석 이 기사는 저자가 "의식, 뇌 및 프로그램" 지지자들이 제시한 두 가지 논제를 반박하려는 시도입니다. 강력한 버전 » 인공 지능, 즉: 1. 컴퓨터가 특정 "인지 상태"를 가지고 있다는 논제(이 중에서 주로 이해가 고려됨) 2. 컴퓨터가 인간의 인지를 설명할 수 있다는 논제. Searle은 컴퓨터 프로그램이 인간이 특정 상황을 이해하는 것과 동일한 방식으로 동작하는 것처럼 보이는 Shank의 작업에 설명된 실험을 고려합니다. Searle은 기계가 실제로 인간의 이해 능력과 유사한 능력을 나타내는지 묻고 이 질문에 대한 부정적인 대답을 공식화합니다. 따라서 저자가 옹호하는 논제는 컴퓨터가 이해력이 없으며 이는 단순히 불가능하다는 것입니다. 자신의 입장을 뒷받침하기 위해 저자는 중국어를 전혀 이해하지 못하는 사람이 컴퓨터 프로그램의 동작과 유사하게 행동하는 사고 실험을 설명합니다. 저자의 의도는 자신이 하고 있는 일에 대한 진정한 이해가 부족한 사람(“프로그램”의 언어에 대한 무지로 인해)이 특정 명령을 실행할 수 있음을 보여주는 것입니다. 거의 완벽하고 자동적인 수준이지만 이는 명령 실행 프로세스가 향상됨에 따라 사람이 자신의 언어를 이해하기 시작하거나 적어도 그에 가까워진다는 사실을 뒷받침하지 않습니다. Searle에 따르면 이 반례는 컴퓨터가 이 상황에서 작동할 수 있다는 점, 컴퓨터가 공식화된 문제에 잘 대처한다는 사실로부터 컴퓨터가 상황을 진정으로 이해하고 있다는 결론은 전혀 근거가 없다는 점을 보여주어야 합니다. Searle이 자신의 사고 실험을 설명했을 때 인공 지능을 연구하는 사람들로부터 여러 가지 답변을 받았지만 그 답변은 매우 다양했습니다. 기사에서 저자는 이러한 답변 중 다수를 조사하고 분석하려고 시도합니다. 주어진 답변 중 일부와 이를 분석하려는 Searle의 시도를 고려해 보겠습니다. 단, 가장 일반적이거나 가장 논쟁의 여지가 있는 답변만 살펴보겠습니다. 따라서 우리는 어떤 식으로든 이미 다른 더 일반적인 반대 의견에 대한 답변에 포함된 답변을 고려 범위에서 제외할 것입니다. 그가 새겨진 전체 시스템. Searle은 이 반대에 대해 중국 기호를 사용하여 작업하는 사람이 이전에 다른 사람에게서 받은 모든 기호를 암기하고 또한 모든 기호를 암기했다면 시스템으로 간주될 수 있다고 말합니다. 규칙 , 그는 이러한 기호를 사용하여 작동합니다. 또한 Searle에 따르면 기호에 대한 계산 작업을 수행하는 능력이 거의 자동으로 이루어지면 시스템에 인간의 능력으로 처리되지 않는 것은 아무것도 남지 않을 것입니다. 그러나 일부 AI 지지자들은 이러한 "향상된" 능력을 가진 사람에게는 두 가지 하위 시스템이 포함되어 있다고 주장합니다. 하나는 메타 수준에서 영어를 조작하는 시스템이고 다른 하나는 개체 수준에서 공식적으로 중국어를 조작하는 시스템입니다. Searle의 경우 이 두 하위 시스템 사이에는 근본적인 차이가 있습니다. 이 사람은 영어를 이해하지만 그의 의견으로는 중국어를 어떤 형태로든 이해하지 못합니다. 이 사람이 한자로 하는 일은 기호를 조작하는 것일 뿐이며, 알파벳 조작 규칙을 알고 있음에도 불구하고 그 의미조차 알지 못할 수 있다고 생각합니다. 새로운 단어를 얻는 방법. Searle은 중국어 기호를 조작하는 하위 시스템을 영어 하위 시스템으로 축소하고 이해는 원칙적으로 후자와 관련해서만 가능하다고 선언합니다. Searle은 공식적인 관점에서 볼 때 중국어 문자에는 어떤 정보도 포함되어 있지 않은 것으로 간주할 수 있다고 믿습니다. 그렇지 않으면 대부분의 비인지(인지 프로세스가 불가능함) 시스템은 인지로 인식되어야 합니다. 내 생각에는 Searle의 진술이 정확합니다. 실제로 중국어의 모든 기호와 규칙을 배운 사람은 더 많은 지식을 갖고 있습니다. 또한 더 이상 외부 에이전트로부터 데이터를 수신할 필요가 없습니다. 이런 의미에서 이는 폐쇄형(자급자족) 시스템으로 작동하며, 더욱이 중국어에 대한 오해는 여전히 오해로 남아 있으며 규칙에 따라 기호를 형식적으로 조작할 뿐입니다. 그러나 Searle이 제공한 대답은 시스템 이론 반대에 대한 완전한 의미의 응답이 아니라는 반대가 있을 수 있습니다. 사실 이러한 반대는 사람의 "내부 작업"과 그 사람 외부 시스템, 즉 그에게 이 데이터를 제공하고 중국어를 이해하는 사람들의 분리에 기반을 두고 있다는 것입니다. 이러한 의미에서 이의 제기의 근본적인 요점은 사람이 순전히 형식적으로 작업할 수 있다는 사실, 즉 순전히 구문 전환을 수행할 수 있는 반면 시스템의 의미는 항상 그의 작업 외부에 있다는 사실과 관련이 있습니다. 그러면 사람이 더 많은 프로세스(더 풍부한 알파벳 + 연산)를 배웠더라도 그의 "시스템"은 더 풍부해졌지만 동시에 그의 시스템의 "의미론"도 더 풍부해져야 한다는 것이 밝혀졌습니다. 간단히 말해서, 그는 임의의 알파벳을 배우지 않고 기호 조작에 대한 임의의 규칙을 기억하지 않습니다. 그는 중국어 원어민(또는 중국어를 이해하는 사람)이 자신에게 제시하는 내용을 정확히 배웁니다. 그리고 이 사실은 작업자의 "더 풍부한 시스템"조차도 항상 더 풍부한 "의미론" 시스템에 새겨져야 함을 시사합니다. 2. "뇌 모델링 답변"은 중국어를 이해하는 사람의 뇌에 있는 뉴런의 발화 패턴을 인위적으로 시뮬레이션하는 프로그램을 작성하는 것이 가능하다는 것입니다. 이러한 프로그램(또는 병렬 실행 프로그램 세트)을 기반으로 작동하는 기계는 중국어로 질문을 입력으로 받고, 처리 중에 뇌의 실제 기능을 조절하며, 중국어 원어민이 제공할 수 있는 답변을 출력합니다. 스피커. 이 답변의 저자에 따르면 이러한 기계는 실제로 중국어 원어민의 두뇌 활동을 시뮬레이션하므로 이 기계도 중국어 원어민과 마찬가지로 언어를 이해하고 있다는 점을 인식해야 합니다. Searle은 이러한 반대 의견에 대해 다음과 같이 응답합니다. 이렇게 복잡한 기계라도 동일한 이해를 가질 수는 없습니다. 그의 의견으로는 이 논문은 반대 사례를 통해 입증될 수 있습니다. 즉, 많은 호스를 밸브와 연결하는 복잡한 메커니즘을 구성하는 것입니다. 아직 중국어를 모르는 사람이 중국어로 신호를 받으면 프로그램을 확인하고 특정 밸브를 열거나 닫는다. 동시에 Searle에 따르면 각 연결은 정확하게 인간 두뇌에서 발생하는 시냅스를 나타내므로 일련의 밸브 열림과 닫힘이 결과로 이어지며 중국어로 응답이 출력됩니다. 호스를 조정하는 사람은 여전히 중국어에 대한 지식이 없는 것이 분명합니다. 호스나 밸브도 마찬가지입니다. 그리고 신경 연결의 공식적인 순서를 모델링하는 것은 뇌의 인과적 능력을 모델링하지 않기 때문에 이해를 제공하지 않습니다. 즉, 이해를 위해서는 이러한 일련의 자극을 재현하는 것만으로는 충분하지 않으며 의도적 상태를 생성하는 능력은 영향을 받지 않습니다. 내 생각에는 Searle의 뇌 모델과 호스 및 밸브 시스템의 비교는 이러한 반대에 완전히 대답하지 못합니다. 대답은 이 프로그램이 뉴런 발사의 순서를 시뮬레이션한다고 명시했는데, 제 생각에는 Searle이 설명한 것보다 더 복잡한 메커니즘입니다. 그러나 주어진 답변에서 이 모델링이 어떻게 발생하는지 정확하게 판단하는 것은 불가능합니다. 여기서는 답변 작성자가 원하지 않는 특정 프로그램의 작동에 대한 세부 사항을 조사해야 합니다. 즉, 불충분한 데이터를 바탕으로 이 반대의 정확성을 판단하는 것은 불가능하며, 예를 들어 특정 프로그램의 작동을 연구한 후 이 반대에 동의하고 반박할 가능성이 남아 있습니다. 3. "결합 답변"은 이전 답변 2개를 한 번에 구성하려는 시도입니다. 즉, 저자는 인간의 두뇌와 유사한 프로그램을 기반으로 작동하고 인간의 행동과 구별할 수 없는 가상의 로봇을 만들 것을 제안합니다. 그리고 답변 작성자에 따르면 그러한 시스템에 우리는 의도성을 부여해야 합니다. Searle은 실제로 그러한 시스템에 의도성이 있음을 인정해야 한다고 대답합니다. 외부 표지판. 그러나 그는 이러한 반대가 강한 AI 주장에는 적용되지 않으며, 외부 행동이 인간 행동과 구별되지 않는 로봇을 시뮬레이션하는 것이 가능하다고 주장합니다. 그리고 이러한 행동을 바탕으로 우리는 의도성을 가정할 수 있지만, 그 반대가 입증될 때까지만 가능합니다. 그러나 Searle에 따르면, 그러한 로봇의 작동에 대한 더 깊은 지식은 우리가 그러한 결론을 내리는 것을 허용하지 않을 것입니다. 만약 우리가 그것이 공식적인 프로그램을 기반으로 작동한다는 것을 안다면, 우리는 이것으로부터 우리가 추론할 수 없다는 것을 다시 인정할 것입니다. 그가 정신 상태를 가지고 있다는 논제(그리고 여기에서 Searle은 이전 반대에 대한 그의 대답을 반복합니다). 우리는 이 로봇의 작업이 이전과 마찬가지로 형식적 기호를 해석하는 인간에 의해 조정된다고 가정할 수 있습니다. 그리고 이 사실은 이해의 존재에 대한 가설이 근거가 없다는 것을 증명합니다. 로봇의 행동을 조정하는 사람은 도움을 받았음에도 불구하고 여전히 그에게 의미가 없는 중국어 기호를 이해하지 못합니다. 영어 규칙그는 겉으로는 인간의 행동과 구별할 수 없는 로봇의 행동을 재현하는 데 탁월합니다. 내 생각에는 Searle의 반대 의견이 실제로 옳습니다. 로봇의 행동은 인간의 행동과 유사하기 때문에 우리는 "로봇의 응답"을 나열하지 않은 내부 2개를 추론할 수 없습니다. 이에 대한 반대는 Searle이 첫 번째 반박에 대해 제기한 반대에 의해 다루어집니다. 논쟁. 그의 프로그램의 작업. 그리고 프로그램이 형식적으로도 작동한다는 것을 정말로 알고 있다면 Searle의 이전 주장은 여기서도 정확합니다. 또 다른 점은 Searle이 반론이 아니라 단순히 그의 주장을 확인하는 예를 통해 이의에 다시 응답한다는 것입니다. 4 . "여러 서식지로부터의 반응"은 미래에는 의도성의 존재에 영향을 미치는 뇌의 인과 과정을 재현할 수 있는 더 강력한 컴퓨터를 만드는 것이 가능할 수도 있음을 시사합니다. 이 순간 AI는 아직 만들어지지 않았지만 개발 단계에 있지만, 더 강력한 기술 기반을 바탕으로 AI의 생성을 방해하는 것은 없습니다. Searle은 이 주장이 강력한 AI 주장, 즉 인간의 정신적 과정이 공식 프로그램을 기반으로 실행되는 컴퓨터에 의해 수행되는 계산 과정으로 축소되고 재현될 수 있다는 주장과도 일치하지 않는다고 대답합니다. 저자는 인간 두뇌의 형식적 계산 수준과 인과 과정 수준 사이의 격차를 정확하게 강조하려고 합니다. 그리고 기계가 의도성을 재생산하기 위해 부족한 것은 바로 인과 과정입니다. 나는 Searle의 이 답변도 타당하다고 믿습니다. 실제로 그는 자신의 기사 시작 부분에서 자신이 반박하려는 두 가지 논제를 가정했습니다. 이런 의미에서 그는 실제로 미래에 AI 개발 가능성을 부정하려는 목표를 설정한 것이 아니라, 정식 프로그램으로 작업한다고 해서 컴퓨터가 인간 두뇌의 정신 상태를 재현할 수는 없으며, 따라서 우리는 그러한 작업에 의도성을 부여할 수 없습니다. 나는 Searle의 주장에 대한 몇 가지 일반적인 고찰로 결론을 내리고 싶습니다. 제 생각에는 Searle이 보여준 것처럼 모든 대답이 그가 제기한 문제와 일치하지 않고 때로는 다른 사람에게 대답한다는 사실은 이러한 대답이 펼쳐지는 이론이 Searle의 주장을 반박할 수 없다는 사실 때문이 아닙니다. 사실 문제 자체는 처음에 두 가지 방식으로 공식화되었습니다. 실제로 Searle은 "AI의 주장"이 아니라 인간의 이해가 형식적 절차의 연결로 구성될 수 있다는 논제에 반대합니다. 이런 의미에서 중국 방의 예는 바로 이 사실을 겨냥한 것이며, AI의 발전과 전혀 관련이 없으며 인간 인지 작업의 구문적 및 의미적 수준 간의 구별과만 관련됩니다. 따라서 저자가 "AI의 주장"에 대한 이의로 자신의 논문을 공식화할 때 후자의 정신으로 답변을 받는다는 것이 분명합니다. 이러한 개발은 실제로 아직 완료되지 않았지만 AI의 실현을 방해하는 것은 없습니다. 미래. 이의에 대한 답변을 통해 그가 공식화한 Searle의 생각은 인간 두뇌의 정신적 과정 수준을 형식적 과정의 수준으로 축소하면 형식적 과정 자체에 있지 않은 의식의 본질을 잃게 된다는 것입니다. 그러나 그들의 속성에 있습니다. 즉, 고려의 범위 밖에 남아 있는 것은 인간 정신 활동의 비공식성뿐 아니라 인지 상태, 그 중에는 이해 등도 포함된다. 그리고 이 진술은 인지 이론 분야에만 적용되며 AI의 발전과 미래에는 적용되지 않습니다. Searle이 AI가 인지 활동(구문적 및 의미적 수준)에서 이러한 구별을 재현하는 메커니즘일 수 있고 결과적으로 이를 극복할 수 없기 때문에 AI의 주장을 부인한다고 말하는 것은 제 생각에는 AI의 숨겨진 대체입니다. 문제는 연설이 결과 영역(AI의 특정 한계)으로 이동하기 시작하는 반면 문제는 처음에는 다른 연구 영역에 속하기 때문입니다.

네트워크 인텔리전스 모델링의 일부 결과

1963-1964년. 나는 일반화된 형태로 사고 메커니즘에 대한 가설의 첫 번째 버전을 공식화했습니다. 1965년에 이 가설은 "Modeling Thinking and Psyche"라는 책에 발표되었습니다. 2년 후, 이 책은 미국에서 다시 출판되었습니다. 이후의 아이디어 개발은 1969년에 출판된 논문 "인공 지능"에 반영되었습니다.

디지털 컴퓨터에 구현된 모델. 1963년에 우리는 SDT를 사용하여 의미 네트워크의 원리를 기반으로 구축된 지능 모델을 만드는 일련의 작업을 시작했습니다. 이러한 네트워크를 "M-네트워크"라고 불렀고, 이를 기반으로 구축된 모델을 "M-automata"라고 불렀습니다. 이후 몇 년 동안 새로운 버전의 모델이 만들어졌지만 모두 자동화된 제어 시스템과 함께 네트워크 인텔리전스를 사용하는 데 기반을 두었습니다. 작동 원리는 이미 설명되었습니다. M-네트워크는 기본 모델(i-모델) 시스템으로, 각각 특정 의미가 부여됩니다. 예를 들어 모델은 환경 개체, 행동, 감정, 관계의 모델입니다. 등. 모델은 활동 수준의 크기와 시간 및 "입력" 자극에 대한 의존도, 즉 다른 모델이나 수용체의 연결을 통해 들어오는 일부 에너지의 양에 반영되는 정적 및 동적 특성을 가지고 있습니다. 첫 번째 모델에서는 연결이 엄격하게 지정되었으며 후속 모델에서는 연결 개방성이 교육 용도에 따라 달라졌습니다. i-모델의 여기 특성에도 동일하게 적용됩니다. 모델 연구는 디지털 컴퓨터에서 기존 시간 단계에 대한 모든 기본 모델의 활동 수준을 다시 계산하는 것으로 구성됩니다. SUT는 가장 활동적인 모델 하나를 선택해 그 특성에 따라 이를 더욱 강화하고 나머지는 모두 속도를 늦춘다. M-오토마톤의 "입력"은 외부 개체이고 "출력"은 환경을 겨냥한 동작입니다. 이 모든 것은 SI의 전형적인 현상입니다.

첫 번째 모델인 SEM은 유용하고 위험한 물체가 포함된 환경에서 특정 "인공 개체"의 여정에 대한 전통적인 플롯을 묘사했습니다. 피험자의 행동 동기는 피로감, 배고픔, 자기 보존 욕구에 의해 결정되었습니다. 피험자는 환경을 연구하고, 운동의 목표를 선택하고, 이를 달성하기 위한 계획을 수립하고 실행하며, 행동단계를 수행하고, 운동 중에 얻은 결과와 계획된 결과를 비교하고, 발전 상황에 따라 계획을 보완하고 조정한다. 상황.

SEM M 네트워크는 90개의 i-모델, 약 400개의 연결을 포함하고 세 가지 유형의 객체(입력 매개변수)를 인식할 수 있었습니다. 환경에는 평면에 무작위로 위치한 최대 400개의 개체가 포함될 수 있습니다. SEM은 8가지 작업을 수행했으며 불완전한 M-자동 장치로 구축되었습니다. 즉, SDT가 지정된 M-네트워크 외에도 M-네트워크와 함께 작동하는 알고리즘 구조를 포함했습니다. 대부분은 계획 기능을 수행했습니다. SEM은 M-220 디지털 컴퓨터용 프로그램 세트로 구현되었습니다. 이 프로그램에는 3,000개 이상의 작업 팀이 포함되었습니다. M-네트워크(자동 시간 단위)의 한 클록 주기에 대한 계산 시간은 1.5분입니다. 각 사이클 동안 여기 값과 모든 i 모델의 특성 매개변수는 물론 M 네트워크의 모든 연결 매개변수가 계산되었습니다(이 절차를 재계산이라고 함). 하나의 클록 사이클에서 수행되는 작업 순서는 다음과 같습니다. 외부 환경, 재계산, 가장 흥미로운 i-모델의 SDT 선택, 수신된 정보를 기반으로 환경과의 상호 작용에 대한 결정을 내리고 이 결정을 실행합니다. SEM을 사용한 실험에는 상태 계산과 10-20주기에 걸친 결정 기록이 포함되었습니다.

SEM 연구 결과는 사고 과정의 모델을 구축하고 어려운 조건에서 독립적으로 효과적으로 기능할 수 있는 "인공 지능"과 같은 시스템을 개발하는 데 M-네트워크를 사용할 가능성이 있음을 보여주었습니다. 또한 보다 강력한 모델을 구성할 때 장치의 기능을 연구하기 위한 추가 작업을 수행하고 M-automata의 적응 기능에 대한 실용적이고 이론적인 측면에서 매우 중요한 문제를 연구하는 것이 바람직하다는 것이 분명해졌습니다.

그런 다음 새로운 모델인 MOD가 구축되고 연구되었습니다. 생성할 때 다음과 같이 저장되었습니다. 일반적인 계획문제의 공식화 및 이전에 선택한 조건부 모델링 플롯의 기본 구조. MOD도 불완전한 M자동기로 개발되었습니다. 동시에 알고리즘 부분은 움직임의 예비 조직과 관련된 계획 프로세스를 반영했으며 구조 부분은 환경과의 직접적인 상호 작용 중 의사 결정 프로세스를 반영했습니다. 두 부분 모두 지속적인 상호 작용이 구성될 수 있는 사고 과정의 독립적인 모델로 간주하는 것이 좋습니다. 이 모델의 이름은 각각 MOD-1 및 MOD-2입니다.

MOD-1은 일련의 이동 하위 목표, 주요 목표 및 이동 중 자동 기계의 예상되는(예측 가능한) 상태의 형태로 환경에서 M-자동 기계의 활동에 대한 계획을 개발했습니다. MOD-1의 외부 정보 인식 알고리즘은 인간의 시각적 인식, 가능한 계획 옵션 구성, 평가, 최종 버전 합성, 별도 단계로 구분, 각 단계에 대한 랜드마크 객체 선택, 인간 모델링 프로세스를 모델링했습니다. 환경에 대한 완전한 정보가 없는 상황에서 의사결정 과정.

MOD-1은 불완전한 M 자동 기계였으며 대부분의 기능은 알고리즘 구조로 구현되었습니다. 여기서 M-네트워크는 62개의 i-모델, 약 1000개의 연결을 포함했으며 주로 모델의 동기 부여 영역을 나타내는 데 사용되었습니다. MOD-1은 M-220 디지털 컴퓨터용 프로그램 세트로 구현되었습니다. 프로그램에는 최대 15,000개의 명령이 포함되어 있으며 계산에는 컴퓨터 시간이 20~30분 정도 걸렸습니다. 모델 환경에는 최대 625개의 개체가 포함될 수 있습니다(이것이 최대값입니다). 각 개체는 8~10개의 기능(입력 영향)으로 구성된 순서 세트로 지정되었습니다. 모델의 결과는 환경에서 최적의 이동 계획이었습니다. 평균적으로 이러한 계획은 30개의 요소(목표, 하위 목표 및 내부 상태의 예상 편차)로 구성될 수 있습니다.

M 자동 기계 MOD-2는 MOD-1이 구성한 계획의 특정 구현을 개발했습니다. 주요 특징은 M 네트워크에서 자체 학습 프로그램을 구현하는 것과 관련이 있습니다. 후자는 초기에 지정된 연결의 가중치를 변경하고 새로운 연결을 설정하며 M 네트워크의 새 노드를 생성하여 수행되었습니다. 네트워크 구조를 변경하는 프로세스는 기계가 작동하는 환경의 특성에 따라 결정되며 기계에 할당된 작업과 연관됩니다. 작업은 예를 들어 다음과 같은 형식으로 공식화될 수 있습니다. "자신의 편안함" 평가의 최대 값, 기계의 반응에 대한 외부 및 내부 반응의 최대 일치를 보장하는 방식으로 행동합니다. 모델링된 객체 또는 목표를 가장 빠르게 달성합니다. 결합된 작업도 가능했습니다.

자동장치는 미로에서의 이동 문제에 대한 인간의 의사결정 활동의 모델로 간주될 수 있습니다. 또한 MOD-2는 정보 수집, 전송 등을 위한 기술 시스템의 이동을 제어하는 장치로 사용될 수 있습니다. 기계 사용 목적에 따라 작동 효율성을 평가하는 기준도 변경됩니다.

MOD-2 - 완전 M 자동. M 네트워크는 최대 400개의 i-모델과 최대 2000개의 연결을 포함할 수 있습니다. M-네트워크에는 2단계 SDT가 지정됩니다. MOD-2는 BESM-6 디지털 컴퓨터용 프로그램으로 구현되었습니다. 이 프로그램에는 약 6000개의 명령이 포함되어 있습니다. 한 사이클의 렌더링 시간은 30~50초입니다. 기계의 반응은 최대 300사이클 동안 실험적으로 연구되었습니다. 각각 가능한 6가지 유형 중 하나에 속하는 이동 계획 및 환경 개체에 대한 정보가 기계 입력에 제공되었습니다. 전체적으로 환경에는 무작위로 위치한 개체가 최대 400개까지 포함될 수 있습니다. 환경의 일부 특성과 평가 기능의 구조에 대한 예비 정보는 기계의 M 네트워크를 초기 구성하는 동안 지정되었습니다. MOD-2가 수행하는 작업(출력 매개변수 또는 결정)의 수는 22개입니다. 이 중 17개는 다양한 유형의 작업(환경에서 자동 장치를 이동하는 단계)이고 5개는 자동 장치의 상태를 변경하는 "활성" 작업입니다. 환경이나 자동 장치(“먹다”, “잠”, “물건 운반하기”, “물건 던지기”, “피난처 만들기”). 자동 장치의 동작은 특정 작업을 수행하고 이에 따라 실제 실행을 수행하기 위한 일련의 결정을 형성하는 것으로 구성됩니다. 행동 평가가 개발되었고 기계의 최적화 절차가 제안되었습니다. 최적화는 6개의 훈련 매개변수 값을 변경하여 수행되었습니다.

MOD-2 연구 중에 여러 가지 보조 테스트 작업이 해결되었습니다. 인간에 의한 개념 형성 과정을 모델링하는 것과 관련된 이러한 작업 중 하나의 결과는 독립적인 관심을 끌고 있습니다. 여기서 우리는 개인 및 일반화된 그룹 행동을 모두 모델링하는 형태로 M-자동장치의 축소 가능성을 보여줍니다. 그러한 감소 방법이 입증되었습니다.

음성 메커니즘 모델. MOD의 개발과 동시에 신경생리학 및 신경심리학 분야에서 M-네트워크의 기능을 탐색하고 이러한 모델의 실제적, 교육적 중요성을 평가하기 위한 연구가 수행되었습니다. 음성 메커니즘을 시뮬레이션하는 M-자동 장치가 개발되고 연구되었습니다. 이 모델은 지각, 이해, 언어적 표현과 같은 구두 말하기의 측면을 제시합니다. 언어적 정보 처리 과정의 내용 측면에 일차적인 관심이 집중되었습니다. 이 모델은 제한된 유형의 질문에 답하고, 반복하고, 이름을 지정하는 등 상대적으로 간단한 음성 기능을 재현하도록 설계되었습니다. 여기에는 청각 지각, 감각 언어, 고유 감각 언어, 개념, 감정, 동기 부여, 운동 언어, 조음 및 SUT 블록이 포함되어 있습니다. 모델의 블록은 특정 뇌 형성과 상관관계가 있습니다. M-네트워크의 구성을 명시할 때 신경형태학, 신경생리학 및 임상 신경학의 데이터가 사용되었습니다.

이 모델은 비학습형 완전한 M-자동장치의 형태로 제시됩니다. 그의 M-네트워크에는 1000개 이상의 i-모델과 이들 사이의 8000개 이상의 연결이 포함되어 있습니다. M-자동 기계는 약 500개의 명령을 포함하는 BESM-6 디지털 컴퓨터용 프로그램 형태로 구현됩니다. 한 사이클의 계산 시간은 2초입니다. 실험에서는 최대 100사이클 동안 모델의 거동을 관찰했습니다. 모델에 대한 입력은 단어와 구문으로 결합된 러시아 알파벳 문자뿐 아니라 개체의 이미지에 해당하는 특수 개체였습니다. 모델의 출력에서는 작동 모드에 따라 입력 질문에 대한 답변, 입력 단어의 반복 또는 개체 이름인 러시아 알파벳 문자 시퀀스가 관찰되었습니다. 모델을 만드는 데 신경생리학적 데이터가 널리 사용되었다는 사실로 인해 실험에서 유기적, 기능적 성격의 여러 뇌 병변을 시뮬레이션하여 언어 기능 장애를 일으키는 것이 가능해졌습니다. 특히, 감각, 운동, 전도 및 경피질 실어증 증후군의 모델 표시가 얻어졌습니다.

설명된 M-오토마타는 가능성과 가능성을 연구하는 과정에서 개발되고 연구된 "대형" 모델의 주요 자금을 구성합니다. 실용적인 방법 M-네트워크를 사용합니다.

우리는 또한 M-네트워크 장치가 산발적으로 또는 수정된 형태로 사용되는 일부 모델 개발을 수행했습니다. 이러한 종류의 개발에서 얻은 결과에 대한 분석은 우리가 논의 중인 장치의 기능과 속성을 평가할 때 심각한 관심을 가질 수 있습니다.

M-네트워크와 디지털 컴퓨터에서의 계산을 사용하여 특정 환경("미로")에서 "합리적인 주제"의 행동을 모델링한 전체 경험이 논문에 요약되어 있습니다. 그림의 예로서 그림 3은 그러한 "피험자"의 행동을 연구하기 위한 실험 중 하나의 결과를 보여줍니다.

우리는 그러한 모델의 기능이 제한적이라는 것을 확신할 때까지 디지털 컴퓨터에서 네트워크 모델을 만드는 데 7~8년을 보냈습니다. 컴퓨터의 경우에도 계산량이 너무 많은 것으로 나타났습니다. 한 사이클에서 모든 연결을 통한 "에너지" 순환과 투자율 변화를 다시 계산하고, 모든 기본 모델의 활동을 계산하고, 변화를 다시 계산해야 합니다. 다음 주기를 위한 체력이 향상되었습니다. 또한 새로운 연결과 새로운 모델을 형성할 수 있는 가능성, 즉 자기 조직화의 원리를 재현한다면 계산 작업량이 눈덩이처럼 늘어날 것입니다. 컴퓨터 시간 비용은 대략 네트워크의 모델 수의 세제곱에 비례하여 증가합니다. 그러나 이는 단지 계산의 문제가 아닙니다. 성가신 프로그램을 디버깅하는 것도 마찬가지로 어려운 것으로 나타났습니다. 어찌됐든 모델 1000개, 연결 8000개라는 한계를 넘지 못했습니다. 공식적으로 가장 많이 MOD로 재현해왔습니다 간단한 프로그램의식 및 잠재의식과 같은 정신, 선견지명 및 계획에 대한 감정과 같은 다양한 기준에 따른 행동 최적화. 패턴의 다양한 일반성 또는 계층 구조, 학습, 망각, 심지어 성격 차이도 입증되었습니다. 그러나 전반적으로 음식을 찾아 적과 장애물 사이를 여행하는 이 "대상"은 다소 원시적인 동물에만 해당했습니다.

쌀. 3. 지도에서 MOD의 움직임과 행동 계획.

아날로그 모델. 로봇. 그럼에도 불구하고 그러한 제한된 지능으로 충분할 수 있는 작업이 많이 있습니다. 특히, 특수 활동을 목적으로 하는 로봇의 경우. 가장 중요한 요구 사항은 자율성, 디지털 컴퓨터로부터의 독립성이어야 하며, 이로 인해 물리적 요소에 대한 네트워크 인텔리전스가 구현됩니다. 아이디어 자체는 간단합니다. 각 기본 모델을 증폭기로 상상해 보세요. 입력은 다른 모델로부터 전위를 받고 출력에서는 증폭된 전위가 형성됩니다. 이 전위는 연결을 통해 전달되고 저항에 비례하여 감쇠됩니다. 각 증폭기 요소에 특정 의미, 즉 의미가 부여되면 모든 네트워크를 만들 수 있습니다. SEM 및 MOD의 네트워크 모델에서와 같이 일부 요소는 객체 모델이고 다른 요소는 감정 모델 등입니다. 서로 다른 증폭기 특성과 서로 다른 결합 저항을 통해 어떤 목적으로든 구조를 생성할 수 있습니다. 물리적 요소를 기반으로 한 지능 모델은 뇌 시뮬레이션에 가장 가깝습니다. 불행히도 차이점이 있습니다. 요소와 연결 수가 너무 적습니다. 그러나 그러한 지능의 복잡성은 전적으로 기술에 의해 결정됩니다. 적어도 로봇이 사용할 수 있을 만큼 큰 규모의 네트워크를 만드는 것이 가능합니다.

1972년에는 물리적 요소 네트워크 형태로 AI 모델을 만드는 작업이 시작되었습니다. 그들의 목표는 증폭 제동 시스템(ABS)을 갖춘 M 네트워크 형태의 제어 시스템을 구축하여 카트에 싣는 것입니다.

레이아웃 개발을 시작하기 전에 SUT를 사용하여 물리적 요소 네트워크의 기능을 테스트했습니다. 첫 번째 네트워크는 26개의 노드와 약 300개의 연결을 포함하고 지도에 표시된 조건부 환경을 통해 서기관의 움직임을 제어했습니다. 이 시스템에 대한 실험적 연구 결과는 고무적이었습니다. 그런 다음 그들은 운송 로봇 TAIR를 만들기 시작했습니다.

개발 중인 로봇 프로토타입은 수용체(감각 기관) 세트, 제어 장치, 전원 시스템 및 기타 장치가 장착된 3륜 섀시입니다. 섀시 크기 1600x1100x600mm. 세 개의 바퀴는 모두 30W 전기 모터에 의해 독립적으로 구동됩니다. 앞바퀴는 회전식입니다. 전기 모터는 배터리로 구동됩니다. 평평한 표면에서의 이동 속도는 10-12m/min입니다.

수용체 센서는 여러 그룹으로 나눌 수 있습니다.

1. 공간에서 로봇의 위치를 결정하는 센서:

a) 나침반과 두 개의 무선 신호 장치가 있는 항법 시스템

b) 두 평면의 트롤리 경사각 센서.

2. 환경 정보 센서:

가) 먼. 최대 10m 범위의 능동형 광학 거리계 최대 30cm 거리 범위의 광학 근접 센서 시스템.

b) 접촉 센서 - 트롤리가 둘러싸이는 유연한 덮개에 설치된 마이크로스위치 시스템입니다.

3. 로봇 상태 센서:

a) 전기 모터의 온도 센서

b) 휠 드라이브의 토크 센서;

c) 배터리의 전압 센서

d) 진동 센서.

4. 시간 센서.

제어 시스템의 기본은 물리적으로 구현된 M-네트워크입니다. M 네트워크의 특정 SDT는 노드의 자극에 대한 긍정적인 피드백을 설정하여 매 순간마다 하나 또는 여러 노드가 다른 모든 노드보다 우위를 점할 수 있도록 보장합니다. M 네트워크의 정보 입력 및 출력은 특정 노드(입력 및 출력)의 자극에 해당합니다.

현재 로봇 제어 시스템은 자체 안전을 보장하면서 목표 이동을 구현하는 작업을 포함합니다(장애물 회피, 회피 위험한 장소, 지정된 한도 내에서 내부 매개변수를 유지하고 시간 및 에너지 비용을 최소화합니다. 100개의 노드로 구성된 전체 네트워크는 6개의 영역으로 나뉩니다.

평가 영역과 상황 인식 영역이 입력됩니다. 인간 두뇌의 감각 시스템과 유사하게 센서가 인식하는 정보에 대한 분석이 여기에서 수행되며, 이를 기반으로 환경, 작업 조건 및 자신의 상태에 대한 통합 평가가 수행됩니다.

현재 상황에서의 행동 선택은 결정 영역에서 이루어집니다. 이 경우 이동 방향, 복잡한 기동의 구현 또는 일부 기본 동작의 수행을 결정하는 결정을 내릴 수 있습니다.

모터 동작 자체의 구성은 네트워크의 출력인 세 가지 영역, 즉 상위 수준 기동, 하위 수준 기동 및 기본 동작 영역에 의해 수행됩니다. 여기서 회전 및 견인 전기 모터의 제어 시스템인 이펙터 시스템에 도달하는 일련의 명령이 형성됩니다.

모든 네트워크 노드(i-모델)는 특별한 특성을 지닌 DC 증폭기입니다. 선택한 각 구의 노드에는 고유한 특성이 있습니다. 마찬가지로 각 영역에는 자체 SUT가 있습니다. 노드 사이의 연결은 매트릭스 유형 장치의 저항성 요소로 구성됩니다. 60개의 채널은 센서의 정보를 네트워크 제어 장치에 입력하는 데 사용됩니다.

모습 TAIRA는 그림 1에 나와 있습니다. 4. 우리는 현재 새로운 로봇 제어 시스템을 만드는 작업을 계속하고 있습니다. 이러한 시스템은 아직 목표를 달성한다고 주장하지 않습니다. 높은 레벨지능. 사실, 제한된 목적을 위해 SDT를 사용하는 물리적 요소에 대한 신경과 유사한 의미 네트워크는 그 자체로 잘 입증되었으며 자율 로봇에 대해 생각하는 연구원과 설계자의 관심을 끌었습니다. 오토마타를 개선하기 위한 생물사이버네틱스학과의 계획에는 훈련 구현, 요소의 앙상블 조직 생성, 동일한 수의 요소를 가진 모델 수의 급격한 증가, 개선 등이 포함됩니다. 시각적 인식환경과 심지어 인간의 말에 도달합니다. 나는 이 계획이 곧 금속으로 전환될지 확신할 수 없습니다. 아이디어가 옹호될 수 없기 때문이 아니라 단지 기술적 구현의 어려움 때문입니다. 인간의 마음을 모델링하려는 거의 15년 간의 시도는 "지능이란 무엇인가"라는 질문에 대한 답을 얻었을 뿐, 지능의 모델을 만드는 데는 훨씬 더 가까워지지 못했습니다. 연결 요소의 다양한 활동과 STS를 갖춘 뉴런과 같은 의미 네트워크는 대뇌 피질의 가장 좋은 유사체인 것처럼 보이지만 그 크기는 재생산의 복잡성으로 인해 엄격하게 제한됩니다. 설명된 모델에서 얻은 기본 행동 반응은 매우 멀습니다. 인간에게서는 아무것도 증명할 수 없습니다. 실제로 네트워크의 수백 가지 요소가 100억 개의 뇌 뉴런을 대체할 수 있습니까? 여기에 각 신경 세포를 추가하면 기능적 시스템수천 개의 거대분자 중에서 수백 개의 "입력"을 갖고 다양한 세포 앙상블의 작업에 참여할 수 있어 거의 천문학적인 수의 모델을 제공할 수 있다면 이 모든 것을 재현하는 것이 실제로 가능합니까? 여기에 기억을 제공하는 시냅스와 뉴런의 활동을 급격히 증가시키는 "출력"의 훈련인 "입력"의 선택적 훈련 형태로 자기 조직화를 추가해야 합니다. 신경계는 단지 동일한 요소들의 네트워크가 아닙니다. 여기에는 타고난 반사 신경, 감정 및 지배 프로그램을 제공하는 다양한 활동을 가진 연결 및 세포의 초기 구조가 포함되어 있습니다. 세포와 연결의 훈련 가능성은 타고난 반응을 개발하고 적응시키는 것을 가능하게 하며, 그 위에 다양한 수준의 일반화 및 내용의 기능적 행위 계층을 쌓는 것을 가능하게 합니다. 이 모든 것이 합쳐지면 인간의 마음에 놀라운 자연의 작품이 생겨나고 나면 뇌에 새로운 가능성이 열리게 됩니다.

쌀. 4. TAIR의 모습.

뇌의 복잡성과 능력을 이렇게 특성화한 후에는 이를 모델로 재현하는 작업이 절망적으로 보입니다. 각각 수백 개의 입력을 가질 수 있고 훈련할 수 있는 능력, 즉 특성을 변경할 수 있는 수백억 개의 기본 증폭기로 구성된 인공 네트워크를 상상하기는 어렵습니다. 어렵지만 절망적이지는 않습니다. 장기적인 자연적 진화와는 대조적으로 과학과 기술의 진보는 빠르고 점점 더 가속화되고 있습니다. 따라서 미래에는 뇌에 버금가는 전력을 갖춘 아날로그 네트워크가 가능해진다. 작업을 올바르게 설정하는 것이 중요합니다. 이 경우 요소가 무엇인지, 요소를 서로 연결하는 방법을 말하는 것입니다. 아마도 지능 알고리즘을 다양한 수단으로 구현할 수 있도록 충분히 일반화된 형태로 제시하는 것이 훨씬 더 중요할 것입니다.

아날로그 지능으로 가는 길에는 기술적 어려움이 크다. 이미 큰 힘을 발휘하고 있는 만능 디지털 머신이 매력적인 이유다. 외부 메모리가 개선되고 RAM 용량이 증가하고 있습니다. 성능은 초당 수백만 번의 작업으로 측정됩니다. 시간 공유와 병렬 프로그램 생성은 컴퓨터를 더욱 효율적으로 만듭니다. 지능 알고리즘을 구현하는 데에는 디지털 컴퓨터의 성능이 아직 충분히 활용되지 않은 것 같습니다. 지금까지 SI를 만들려는 우리의 시도가 성공하지 못했다는 사실이 연구가 끝났다는 의미는 아닙니다. 일반화된 알고리즘은 유지하되 계산량을 줄이기 위해서는 네트워크를 포기해야 한다. 그러나 그렇게 할 때 원칙은 최소한으로만 희생되어야 합니다. 우리는 지능의 알고리즘 모델을 만들기 위해 그러한 시도를 하기로 결정했습니다. 그녀의 프로젝트에 대한 고려사항은 책의 마지막 부분에 제시될 것입니다. 지금은 이 모델의 기본 아이디어를 제시하는 것으로 넘어가겠습니다.

유물론과 경험비판이라는 책에서 작가 레닌 블라디미르 일리치

서문 대신에 일부 "마르크스주의자"가 1908년에 유물론과 1710년에 일부 이상주의자를 반박한 방법을 소개하는 대신, 철학 문헌에 조금이라도 익숙한 사람이라면 현대의 철학 교수(및 신학 교수)가 단 한 명도 없다는 사실을 알아야 합니다.

렘 스타니슬라프

(e) 지능 강화 생물학, 심리학, 의학을 포괄하는 과학(전통적으로 수학적 수단을 사용하지 않은 과학 포함)의 수학화 추세는 점차 인문학까지 침투하고 있습니다.

천재의 전략(아리스토텔레스 셜록 홈즈 월트 디즈니 볼프강 아마데우스 모차르트) 책에서 작가 딜츠 로버트

모델링 수준 특정 인물의 모델을 만들 때 우리는 그 사람이 행동하고 연구할 수 있는 다양한 수준, 시스템 및 하위 시스템을 고려합니다. 우리는 역사적, 지리적 환경을 살펴봐야 합니다.

우리의 포스트휴먼 미래 [생명공학 혁명의 결과] 책에서 발췌 작가 후쿠야마 프란시스

마음의 알고리즘 책에서 작가 아모소프 니콜라이 미하일로비치

휴리스틱 모델링 방법의 원리는 문헌에 나와 있는 정량적 데이터를 이용하고, 누락된 데이터를 추가하여 그 구조와 기능에 대한 기술 가설을 바탕으로 객체의 수학적 모델을 생성하는 것입니다.

책에서: 과학의 종말: 과학 시대의 황혼기에 지식의 한계를 살펴보기 호건 존

지능의 알고리즘 모델 프로젝트 알고리즘 모델 구축에 실질적으로 접근하는 방법. 휴리스틱 모델링의 규칙에 따라 우선 목적을 결정하고 목표를 선택해야 합니다. 인간의 마음을 시뮬레이션하려면 - 그런 것 같습니다

책에서 선정된 작품 작가 셰드로비츠키 게오르기 페트로비치

모델링의 개척자 1994년 2월 Science 잡지는 컴퓨터 모델이 제기하는 과제를 다루는 "지구 과학에서 디지털 모델의 증명, 검증 및 검증"이라는 기사를 게재했습니다. 놀랍게도 포스트모던한 기사였습니다.

의식의 개념 책에서 라일 길버트

에 대한 다양한 계획모델 및 시뮬레이션 연구 1. 모델 및 시뮬레이션 문제를 고려할 때 (A) 모델 구축을 통해 주제별 과학적 문제를 해결하는 것과 (B) 모델링에 도움이 되는 다양한 지식을 얻는 것을 구별할 필요가 있습니다. ~ 안에

쇼펜하우어의 구원에 관한 가르침 책에서 저자 버그만 에른스트

(2) 지능의 경계 결정 개인의 삶에서 지능의 위치(이 장소가 은유적으로 구현되었는지 여부에 관계없이)는 일반적으로 특정 패턴에 따라 설명됩니다. 지능은 때때로 강한 지능과 약한 지능을 강한 지능에 비유하여 특별한 기관으로 언급되기도 합니다.

3권에서. 자연과 자연과학의 변증법 작가

(6) 지성의 우선성 이제 우리는 지적인 작용이 다른 정신 능력의 발현보다 우선하고 "통제"한다는 의미를 내가 설명하면서 다음과 같은 사실을 부인했던 의미와 구별하기가 쉬울 것입니다. 행동과 사람들의 반응,

자연과 자연 과학의 변증법 책에서 작가 콘스탄티노프 표도르 바실리예비치

c) 지성과 의지 사이의 간격 쇼펜하우어의 세계 과정의 흐름을 계속 따라가면 제3막에서는 지성과 의지 사이에 간격이 나타나고 지성이 독립을 얻게 됩니다. 이를 위해서는 근본적인 내부 변화가 필요합니다.

책 요약에서 렘 스타니슬라프

책 시스템 기술에서 작가 텔레엠타예프 마라트 마흐메토비치

3. 지능 문제에서 자연과 인공의 변증법 "인공 지능"이라는 개념은 자연 과학, 심리학, 철학 등 다양한 측면에서 지능 문제를 이해하려는 시도를 표현합니다. 그리고 이것은 매우 합법적입니다. 인간의 마음

작가의 책에서

Intelligence Enhancer 생물학, 심리학, 의학을 포괄하는 과학(전통적으로 수학적 수단을 사용하지 않았던 과학 포함)의 일반적인 수학화 추세는 점차 인문학까지 침투하고 있습니다.

작가의 책에서

2.1. 기술 모델링의 특징 기술은 다음을 포함한 다양한 도구를 통해 구현됩니다. 그리고 기계를 통해서. 기술을 포함합니다. 기계 생산 기술은 개별 작업으로 구성됩니다. 소재기술을 구현할 때

작가의 책에서

3.1. 시스템 모델링의 특징 이 섹션에서는 시스템 모델링의 특징과 공통 시스템시스템 기술의 관점에서. 우리는 일반적으로 받아들여지는 정의에서 출발합니다: “모델은 연구 대상을 대체하는 보조 개체(또는 시스템)입니다.

"인공지능" 분야의 연구( 일체 포함 ) 이제 여러 가지 인상적인 결과를 얻었습니다. 그렇기 때문에 20세기 60년대의 첨예한 질문은 “기계가 생각할 수 있는가?”였습니다. 일부 지적 절차가 컴퓨터에서 시뮬레이션되었기 때문에 현재는 그러한 관심을 불러일으키지 않습니다. 또한 일부 소프트웨어 제품은 활동 결과에 따라 인간 두뇌 활동보다 더 효과적인 것으로 나타났습니다. 그러나 AI 분야에서 달성한 성공은 의제에서 또 다른 질문을 제거하지는 않습니다. 이는 다소 대략적인 형태로 다음과 같이 공식화될 수 있습니다. "인공 지능"의 도움으로 AI의 필수 기능을 얼마나 적절하게 모델링할 수 있습니까? 자연 지능의 작업인가, 인간 의식의 작업인가? 제기된 질문의 일부 부정확성을 제거하려면 모든 AI 제품이 특정 지적 프로세스 모델의 구현에 지나지 않는다는 사실을 고려해야 합니다. 그러면 문제의 보다 정확한 공식화는 현재 AI에서 지배적인 의식 모델링 패러다임의 적용 한계에 대한 문제가 될 것입니다. 왜냐하면 의식과 같은 복잡한 현상의 모델 구축, 특히 기계 구현이 다음과 관련되어 있기 때문입니다. 불가피한 단순화와 도식주의<1>. 이 보고서가 다루는 것은 바로 이 문제입니다.

흥미로운 설명부터 시작하겠습니다. 심리 실험, 소련 논리학자 S.Yu가 제안한 아이디어입니다. 마슬로프.

실험 시작: 독자가 직접 수행하는 것이 좋습니다.

다음과 같은 계산을 해보자:

미적분학 알파벳 - {에, 비}

올바르게 구성된 공식(p.p.f.)비어 있을 수도 있는 모든 단어를 계산합니다. 예를 들어, 아바, 바바, bbbbb p.p.f의 본질 계산법.

미적분학의 공리는 단어이다 씨줄;

추론 규칙: 1. bXbyY ?XYbb; 여기서 X, Y, Z - p.p.f. 계산법

2.XabYbZ ?XbYabaZ

결론우리는 미적분학의 공리로 시작하는 수열 p.p.f.를 호출할 것입니다. 각 수식은 수열의 이전 수식에서 추론 규칙에 따라 얻어집니다.

예를 들어, 공식이 주어지면 바밥, 그러면 첫 번째 추론 규칙을 적용하여 다음 공식 중 하나를 얻을 수 있습니다. 아바브, X가 다음과 같이 식별될 때 아바, 그리고 Y-s 공허한 말(공식 babab은 b로 표시됩니다. 아바 b__) 또는 공식 aabbb X를 식별할 때 ㅏ, 그리고 Y-s ab(이 경우 공식 babab은 b로 표시됩니다. ㅏ비 ab). 이 경우 두 번째 추론 규칙은 babab 공식에도 적용 가능하며 이를 통해 다음 공식을 얻을 수 있습니다. 바바바, X를 첫 번째 b로, Y를 두 번째 a로, Z를 빈 단어로 식별할 때(즉, 공식이 다음과 같이 표현되는 경우) 비 ab ㅏ비).

실험 자체는 결론을 내리는 것으로 구성됩니다. 가혹한 조건일시적인 시간 압박(2~3분). 문제는 미적분학에서 공식을 도출할 수 있느냐는 것입니다. 아...아브 (ㅏ <14> bb)?

실험 종료: 질문에 스스로 대답해 보세요. 3~4분 안에.

실험 분석. 실험의 중요한 결과는 이 공식의 추론 가능성에 대한 잘못된 진술을 가정하는 것입니다. 다양한 청중을 대상으로 실험을 수행할 때 시간의 압박이 빡빡함에 따라 오답의 비율이 변동했으며, 시간의 압박이 빡빡할 때 청중의 수학적 훈련이 종종 매우 해를 끼쳤다는 점에 주목하는 것이 흥미롭습니다. 오답의 비율이 높아집니다. 실험 조건을 분석해 보면 잘못된 답변이 나타나는 이유는 결론을 구성하는 초기 단계가 다음과 같다는 사실을 알 수 있습니다. 아bb-바바-a<2>bb - 아바바 - 바바 - a<4>bb - ....이 미적분학에서 파생될 수 있는 형식의 공식이 다음과 같다는 자연스럽고 겉으로는 정확해 보이는 추측을 공식화하려고 노력합니다. ㅏ<2n>bb, 결론을 추가로 구성하면 그 오류가 명백해집니다.<2>.

피험자가 구성의 처음 몇 단계만 완료할 시간을 갖도록 시간 제한이 필요하며, 이에 대한 외삽은 잘못된 가설의 생성으로 이어지며 피험자가 수학적 직관을 가지고 있는 경우 공식화 가능성이 증가합니다. 실험 조건(긍정적 또는 부정적 대답을 가정하는 질문 형식)은 "모르겠어요"와 같은 대답의 가능성을 배제합니다(이 답변은 시간 제한이 1~2분 미만으로 단축될 때 나타납니다). , 피험자가 처음 두세 단계의 추론을 완료할 시간이 없는 경우). 피험자의 역할이 어떤 기준이 된다고 상상해 보면 컴퓨터 프로그램(기계의 속도를 고려하여 적절한 시간 압박을 유지하면서) 사람의 자연스러운 지능과 달리 원칙적으로 오답은 없습니다. 시간 자원이 부족한 경우 기계는 정답을 제공하거나 전혀 응답하지 않을 것입니다(답변 옵션: "알 수 없음", "모름").

따라서 인공 지능과 자연 지능의 행동에서 중요한 차이점을 수정하는 것이 가능합니다. 이는 사람이 먼저 확실한 대답 ( "예"또는 "아니요")을 제공하려고 노력한다는 사실과이 대답은 원칙적으로 오류가 있을 수 있습니다. 따라서 자연 지능의 중요한 현상학적 특성은 오류 가능성에 있으며, 이 논제를 강화하면 오류에 대한 권리에도 있습니다. 현재 AI 패러다임의 일반적인 추세는 이러한 가능성을 배제합니다.<3>. 야당의 이러한 차이점을 수정해 보겠습니다.

의식 오류 가능성과 AI의 무오류 가능성

이는 현대 컴퓨터의 작업이 알고리즘 컴퓨터의 작업으로 구성되어 있기 때문입니다. 이는 결국 프로그램이 일련의 로컬 작업이며 각 작업이 순차적으로 수행된다는 것을 의미합니다.<4>. 컴퓨터의 오류 없는 작동은 각 개별 전환(작동)의 정확성과 상호 작동의 우수한 호환성(전체 프로그램의 정확성)을 통해 보장됩니다. 이 조직 덕분에 컴퓨터 작동에는 원칙적으로 오류가 없으며 우선 근본적인 정확성은 다음과 관련됩니다. 현지의프로그램의 성격. 위의 예를 참조하면 컴퓨터의 작업은 출력을 순차적으로 구성하는 것입니다. abb - 바바 - aabb -... 그리고 할당된 시간 내에 해당 출력을 구성하는 것이 가능하다면 (기술적 오류가 없는 경우) 정답이 제공됩니다. 컴퓨터 작동의 근본적인 정확성은 잘못된 가설 생성이 불가능함을 의미하며, 컴퓨터 작동의 국지적 성격을 나타내는 것은 가설을 제시하는 메커니즘이 없다는 것을 의미합니다. 과거 계산 결과를 "기억"하고 분석할 수 있는 알고리즘 컴퓨터가 필요합니다. 본질적으로, 이 경우 우리는 "입력 데이터"(주어진 예에서는 출력 구성 작업)와 직접적으로 작동하지 않고 다음의 결과를 사용하여 다음 계층 수준의 프로그램(메타프로그램)에 대해 이야기하고 있습니다. 첫 번째 수준의 프로그램 작업-알고리즘 계산기 작업 결과. 시스템의 "지능"과 계층 구조 정도 사이의 연결은 V.M. 세르게예바<5>. 여기서 우리는 위에서 언급한 알고리즘 컴퓨터 작동의 지역성이 장기 "기억"의 부족과 크게 관련되어 있음을 알 수 있습니다. 다음 단계이전 계산 결과만 "기억"하는 것으로 충분합니다. AI 시스템 작업에 대한 우리의 분석(무오류 및 지역성의 원칙을 식별하는 것 외에도)을 통해 작업의 또 다른 중요한 특징을 설명할 수 있습니다. 우리는 이러한 시스템 작업의 절차적 성격에 대해 이야기하고 있습니다. 프로그램 작성에 대한 절차적 접근 방식과 선언적 접근 방식 사이의 AI에서 잘 알려진 반대는 절차성을 선호하여 해결됩니다[예를 들어 6 참조]. 엄밀히 말하면, 프로그램의 알고리즘적 성격을 나타내는 것은 해당 작업의 본질적인 절차적 성격을 나타내는 것 이상입니다.

위의 예에서 볼 수 있듯이 자연 지능(의식)의 "메커니즘"은 크게 다릅니다. 이 경우 이는 특정 문제를 해결하고 특정 공식의 추론 가능성에 대한 질문에 대답하는 대신 ( ㅏ<14>bb) 사람은 실제로 파생된 공식의 일반적인 구조에 대한 보다 포괄적인 질문에 대답하려고 합니다. S.Yu의 작품에서. Maslova는 인간 의식 작업에 대한 이러한 관찰(논리적, 수학적 문제를 해결하기 위해 상당히 많은 양의 자료 처리를 기반으로 함)에 제시되어 있습니다. 일반적인 견해"정보를 전체적으로 처리"하는 의식의 능력<5>. 보다 일반적인 문제를 제기하려는 이러한 욕구(우리의 경우 특정 공식의 연역성에 대한 질문 대신 파생된 공식의 구조에 대한 질문이 제기됨)를 이후에 해결하려는 시도가 출현으로 이어졌습니다. "가설 생성(휴리스틱)" 메커니즘이라고 할 수 있는 근본적으로 새로운 문제 해결 방식입니다. 본질적으로 "무차별 대입" 방법인 오류 없는 지역 검색(우리의 경우 철저한 검색은 모든 출력 단어를 순차적으로 생성하는 역할을 함)과 달리 가설(휴리스틱)을 사용하면 검색 시간을 크게 줄일 수 있습니다.<6>. 아마도 가설이 잘못된 것으로 판명되었을 수도 있습니다. 즉, 휴리스틱을 사용하여 일부 솔루션을 "놓쳤"고, 따라서 제기된 질문에 대한 잘못된(부정적) 답변으로 이어졌을 수도 있습니다. 그러나 오류 가능성에도 불구하고 이러한 행동에는 여러 가지 실용적인 이점이 있으며, 그 중 가장 중요한 것은 (다시 강조하겠습니다) 시간이 부족한 상황에서 신속하게 결정을 내리고 대응할 수 있는 능력입니다. 그러한 의식적인 의사결정 메커니즘을 소유한 개인(인간)의 생물학적 생존. 이러한 치열한 생존 경쟁 요소는 온실 환경에서 발생하는 기계 지능의 발달에 사실상 아무런 영향을 미치지 않는다는 것이 분명합니다.

자연 지능과 인공 지능을 비교하는 첫 번째 단계를 요약하면 다음과 같은 대조를 통해 작업의 차이점을 수정할 것입니다.

의식 작업의 세계성 대 AI 작업의 지역성

"정보를 전체적으로 처리"("가설 생성" 메커니즘을 사용하여)하는 의식의 능력을 나타내는 것은 논리와 심리학의 교차점에서 얻은 중요한 결과입니다. 그러나 표현은<способность к "глобальной обработке информации">, <механизм "порождения гипотез">(“오른쪽-왼쪽 반구” 비유와 같은)은 좀 더 건설적인 설명이 필요한 다소 생생한 은유입니다. 이를 위해서는 "정보를 전체적으로 처리"하는 의식의 능력의 기초가 되는 의식의 "메커니즘"이 무엇인지, 그리고 이 능력의 초월적 조건이 무엇인지에 대한 보다 근본적인 질문에 답할 필요가 있습니다.

이 문제를 해결하기 위한 예비 접근 방식으로 의식 정보 처리의 세부 사항을 잘 설명하는 U. Maturana의 흥미로운 예를 사용하겠습니다. "집 두 채를 지어야 한다고 가정해 보겠습니다. 이를 위해 우리는 두 그룹의 작업자를 고용합니다. 각각 13명, 일꾼 중 한 명 우리는 첫 번째 그룹을 리더로 지정하고 그에게 표준 벽 레이아웃을 갖춘 모든 집 계획이 포함된 책을 제공합니다. 수도관, 전선, 창문 등, 그리고 집의 여러 투시 이미지. 작업자들은 이러한 계획을 연구하고 관리자의 지시에 따라 집을 짓고 설명에 따라 결정되는 최종 상태에 지속적으로 접근합니다. 두 번째 그룹에서는 리더를 임명하지 않고 작업자를 배치하여 작업 현장의 시작 위치를 각각 결정하고 주변 공간에 대한 지침이 포함된 동일한 책을 각 사람에게 제공합니다. 이 지침에는 집, 파이프, 창문과 같은 단어가 포함되어 있지 않으며 지을 집의 계획이나 그림도 포함되어 있지 않습니다. 이러한 지침[절차 지침 - K.S.]은 작업자가 자신의 위치와 관계가 변화함에 따라 다양한 위치와 다양한 관계에 있는 동안 수행해야 하는 작업에만 관련됩니다. 모든 책은 동일하지만 직원들은 서로 다른 위치에서 작업을 시작한 다음 서로 다른 변화의 궤적을 따라 이동하기 때문에 책을 읽고 서로 다른 지침을 적용합니다. 두 경우 모두 최종 결과는 동일합니다. 즉, [건축된] 집... 이 두 경우의 코딩 [코딩 방법, 정보 처리 방법 - K.S.]은 분명히 다릅니다... 첫 번째 경우 코딩은 다음과 같습니다. 관찰자가 만든 집에 대한 설명과 동형이며 실제로 후자의 표현을 형성합니다. 두 번째 경우에는 그렇지 않습니다. 첫 번째 경우는 관찰자가 자신이 만든 시스템을 인코딩하는 방식의 전형적인 예입니다. 두 번째는 게놈과 신경계가 각각 유기체와 신경계의 코드를 구성하는 방식에 내재되어 있습니다. 더욱이, 관찰자가 상호 작용하는 시스템의 관찰자가 만들 수 있는 시스템에 대한 설명과 함께 이러한 코드에서 동형을 찾을 수 있는 사람은 아무도 없을 것입니다."

분명히 이것은 사람의 자연적 지성(의식)의 활동을 나타내는 첫 번째 활동 모드이고, 두 번째는 유전 메커니즘과 신경계 메커니즘뿐만 아니라 다음과 같은 경우의 특징입니다. 반사 행동뿐만 아니라 현대 AI 시스템의 작업에도 사용됩니다. 이 예에서 프로세스를 구성하는 두 가지 방법의 주요 차이점은 다음과 같은 대조로 표현될 수 있습니다.

자연 지능의 선언적 성격과 AI의 절차적 성격

한편으로 이러한 구별은 선언성 없이는 전역 정보 처리가 불가능하기 때문에 이전에 전역성과 지역성을 구분한 것을 보완하고 명확하게 합니다. 즉, "정보를 전체적으로 처리"하는 의식의 능력에 대한 조건(초월적 조건) 중 하나는 선언성입니다. 설명(구성표, 계획, 도면) 글로벌 정보 처리를 위한 메커니즘은 불가능합니다. 따라서 AI 연구의 틀 내에서 의식 모델링에 대해 진지하게 논의하려면 절차적 접근 방식과 선언적 접근 방식을 어떻게든 결합해야 합니다. 선언적 접근 방식 없이는 완전한 의식 모델링이 불가능합니다!

더욱이, 집을 짓는 두 가지 방법에 대한 위의 구절을 보다 면밀히 분석하면 U. Maturana가 게놈 및 신경계의 작업과 상호 연관시킨 순전히 절차적 접근 방식이 불가능하며 심지어 이 수준에서도 가능하다고 말할 수 있습니다. 선언적 접근 방식(설명 사용)이 필요합니다. 모든 절차의 기초는 주어진 활동 수준(분석)에서 분해할 수 없는 일부 요소로 구성되며, 이 요소는 이 절차의 기반이 됩니다(특히 모든 절차는 알파벳과 단어로 구성된 특정 절차적 "언어"를 전제로 합니다). . 이러한 절차적 요소("무결성")는 비록 다른 하위 수준에 대한 설명일지라도 설명에 지나지 않습니다. 집을 짓는 예에서 집을 짓는 절차적 접근 방식은 예를 들어 "벽돌", "시멘트 모르타르", "흙손" 개념을 기반으로 해야 합니다. "집", "벽", "지붕"과 같은 "상위" 레벨. 따라서 절차적 접근과 선언적 접근 방식을 결합할 필요성에 대한 위의 논문으로 돌아가서 다음과 같이 명확히 하겠습니다.

인간 의식의 특이성은 단순히 선언적 접근 방식(한 수준의 설명)을 사용하는 것뿐만 아니라 활동에서 최소한 2단계(2단계) 설명 시스템을 사용하는 능력에서 나타납니다.

보시다시피, 이 논문은 특정 지식 계층 구조를 생성할 수 있는 AI 시스템을 만들 필요성에 대해 V. Sergeev가 위에서 인용한 지능의 기준인 논문을 반영합니다. 반면에, 이 논문은 S. Maslov의 작업에서 다음 수준으로의 "전환"이 보장되는 프레임워크 내에서 "연역적 계산의 탑"을 생성하는 능력으로 설명된 지적 기준에 가깝습니다. "우반구" 메커니즘에 의해 "좌반구"는 설명 수준에서 "국소"(절차적) 작업에 반응합니다.

그러나 하나 더 표시하지 않으면 분석이 불완전합니다. 중요한 특징타고난 지능. 어떤 의미에서 이는 분석 과정에서 이미 확인된 2단계 설명 시스템을 사용하는 의식의 능력과 관련하여 훨씬 더 깊은 초월적 조건의 역할을 합니다. 설명의 존재는 의식의 기능에 필요하지만 불충분한 조건입니다. 설명 자체 외에도 특별한 유형의 관찰자, 즉 그러한 전체를 인식할 수 있거나 심지어 구성할 수 있는 관찰자를 가정하는 것이 필요하기 때문입니다. 저것들. 의식(인간)은 "관념을 파악"(플라톤), "종합적 활동"(칸트), "변형된 형태"(마르크스)를 생성하고 작업할 수 있는 관찰자입니다. 집에 대한 인식 현상을 분석하는 M. Mamardashvili는 생리적 인식 수준에서 통합 현상으로서의 "집"(즉, 이 무결성은 "나는 집이 보입니다"라는 문구로 표시됨)이 제공되지 않는다고 지적합니다. 집을 집으로 인식하기 위해서는 적절한 선언적(표현적) 수단의 중요성을 지적하는 것만으로는 충분하지 않으며, 플라톤적 언어로 표현하자면 인간 의식의 능력인 특별한 능력을 가정하는 것이 필요합니다. "아이디어 파악"; 이를 위해서는 "아이디어"- "통합성"을 인식하는 의식의 능력을 가정하는 것이 필요합니다. 아이디어를 "파악"하려는 것이 바로 사람의 욕구입니다. 일반 원칙- 우리 예에서 결론을 구성하는 것은 잘못된 답변의 출현을 설명합니다. 사람은 이것을 해결하려고 노력하지 않습니다. 특정 작업, 그러나 기계와 같은 계산을 수행하지 않고 이러한 유형의 문제를 해결하는 원리를 "파악"합니다. 위에서 설명한 "창조적 오류" 현상은 이 접근 방식을 사용하면 "완전히 정확하지는 않지만 변형된 형태"를 생성할 수 있다는 사실에 기인합니다. 따라서 우리는 마지막 논제를 공식화할 수 있습니다.

의식 활동의 필수적인 특징은 "아이디어를 파악"하고 "통합성"을 종합하는 능력입니다. 이것이 우리가 2단계 설명 시스템으로 작업할 수 있게 해주는 것입니다.

"아이디어를 파악"하는 인간 의식의 드러난 특성은 의식 작업 메커니즘의 핵심을 구성하며, 이는 의식의 본질(본질)에 대한 철학적 연구의 중요한 결과 중 하나입니다. 이러한 인간 사고 능력을 모델링하면 AI 개발의 질적으로 새로운 단계로 이동할 수 있으며, 이를 통해 의식 모델링에 관해 이야기할 수 있습니다.

노트:

<1>- 현재 지배적 인 AI 패러다임은 우선 "소프트웨어"와 "하드웨어", 프로그램과 프로그램의 기능을 보장하는 물리적, 기술적 시스템을 구별하는 것으로 구성된 의식의 컴퓨터 비유로 이해됩니다. 이 비유에 따르면, 하드웨어에 대한 소프트웨어와 마찬가지로 두뇌에 대한 의식도 마찬가지입니다.
<2>- 정답 아니요 , 왜냐하면 이 미적분학은 결정론적인: 추론의 각 단계에서 하나의 추론 규칙만 적용될 수 있으며(적용이 교대로 적용됨) 추론은 명확하게 구성됩니다(이런 의미에서 주어진 모호성의 예는 대상을 혼란스럽게 할 뿐입니다). 더욱이, 결론을 약간 더 길게 구성한 후에는 파생된 공식의 일반적인 구조를 식별하는 것이 어렵지 않습니다. 특히, 형태의 공식은 파생 가능하다 ㅏ<2 n>bb(ㅏ<2 в степени n>bb).
<3>- “소프트웨어”의 근본적인 무오류에 대한 논제는 기술적 오류, “하드웨어” 요소의 오작동으로 인한 프로그램의 “실패”(예: 전력 서지 또는 오류로 인한) 가능성을 배제하지 않습니다. 일부 미세 회로의 오작동). 이런 의미에서 인공 지능과 자연 지능의 작업에는 큰 차이가 없습니다. 컴퓨터를 사용하여 얻은 논리적, 기술적 의미의 결과의 신뢰성에 대한 논의는 이 기사의 범위를 벗어납니다. 예를 들어, 이에 대한 작품이 있습니다.
<4>- 최근 등장한 컴퓨터 작업의 병렬화는 프로그램 작업의 로컬 특성을 변경하지 않습니다.
<5>- 작업에서 지능은 지식 생성의 특정 계층 구조로 간주되며 여러 수준을 구분할 수 있습니다. 1단계 - 개체를 사용한 동작, 2 - 이러한 동작의 논리("동작 논리"), 3 - 메타논리( "행동 논리"의 논리). V.M.에 따르면 시스템 지능의 가장 중요한 지표입니다. Sergeev는 이 계층 구조의 깊이입니다. 이것이이 논문이 V.M.의 후기 작업에서 공식화되는 방식입니다. Sergeeva: "지금까지 구축된 대부분의 인공 지능 시스템은 이 계층 구조의 깊이가 2도 안 되는 아주 작은 깊이를 가지고 있습니다. 현재로서는... "금속학적으로" 작동하여 의미 있게 변화할 수 있는 시스템을 만들 필요가 있습니다. 세상을 건설하는 논리 - 상황에 따라 세상을 선택합니다. 이러한 시스템은 최소한 3가지의 지식 생성 계층 구조의 깊이를 가져야 합니다."
<5>-S.Yu의 작품에서. 마슬로프는 이러한 인지 능력을 설명하는 원리로 '좌-우 반구'라는 비유를 선택했다. 이 접근 방식 내에서 이 기사에서 제기된 문제는 다음과 같습니다. 현재 기존 AI 프로그램은 "좌반구" 정보 처리 메커니즘만 잘 모델링하고 있으며, 의식 작업을 모델링하려면 "우반구" 정보 처리 메커니즘을 모델링해야 합니다. 그러나 오늘날 "오른쪽-왼쪽 반구"라는 은유는인지 (의식) 메커니즘의 세부 사항에 대한보다 진지한 대화에는 분명히 충분하지 않습니다.
<6>-논리학에서 "휴리스틱"은 우선 열거를 줄이고 휴리스틱 작업의 "결과"에주의를 집중시키는 수단으로 이해됩니다. 더욱이, 완전한 논리적 검색 방법과 달리, 즉 존재하는 경우 해결책을 찾지만, 경험적 검색 방법은 그러한 완전성을 갖지 않으며 기존 해결책을 "놓칠" 수 있습니다.

문학

Maslov S.Yu. 추론 탐색 이론과 창의성 심리학에 대한 질문 // 기호학에 대한 질문, 1979년, 13호, pp. 17 - 46
Anisimov A. 컴퓨터와 수학적 증명의 이해 // 철학의 질문, 1987, N 3
논리 및 컴퓨터(추론 모델링 및 프로그램의 정확성 확인) M., Nauka, 1990
Sergeev V.M. 복잡한 시스템을 연구하는 방법으로서의 인공 지능 //시스템 연구: 방법론적 문제(연감) M., Nauka, 1984
Sergeev V.M. 인공지능: 경험 철학적 이해//인공지능의 미래 M., Nauka, 1991
로리에 J.-L. 인공 지능 시스템 M., 미르, 1991
Maslov S.Yu. 연역체계이론과 그 응용. - M., 소련 라디오, 1986.
Maslov S.Yu. 인지 메커니즘의 비대칭성과 그 결과 // 기호학 문제, 1983년, 20호. 페이지 3 - 34
세레브랸니코프 O.F. 경험적 원리와 논리적 계산. M.: 나우카, 1970년.
Polya D. 문제 해결 방법. -M .: Uchpedgiz, 1959.
Maturana U. 인지 생물학 // 언어와 지능. - M., 진행, 1995.
마마르다쉬빌리 M.K. 내가 철학을 이해하는 방법. - M., 진행, 1992.

홈 > 문서

VI 학생, 대학원생 및 젊은 연구원의 국제 과학 및 실무 회의 "대학의 지적 잠재력 - 러시아 극동 지역 및 아시아 태평양 국가의 발전을 위한", VGUES, 블라디보스토크, 2004년 5월.

섹션 "정보 기술"

주제: “지능형 시스템의 원리와 연구 및 모델링의 문제”

소개

현재 인공지능과 같은 과학 연구 분야는 흥미로운 현상이다. 이론적 기초이성은 본질적으로 주어지지 않았습니다. 많은 사상가들은 마음, 지성, 의식, 사고 등과 같은 현상을 설명하고 대략적인 그룹 모델을 구축했습니다. 신경 세포, 다양한 행동 모델 등. 그러나 이러한 모든 연구는 우리가 마음의 본격적인 모델을 구축하는 것을 허용하지 않았으며 단순화되고 모호한 질적 설명으로 축소되었습니다. 예를 들어, "마음은 개념에 따라 작동하고 요구 사항을 충족하는 것을 목표로 하며 특정 목표 시스템에 종속됩니다." 또는 "주변 세계의 모델이 뇌에 내장되어 있습니다." 이 질문은 가장 어려운 질문 중 하나로 밝혀졌습니다. 왜냐하면 뇌는 우주에서 가장 훌륭한 메커니즘이기 때문입니다. 지능 메커니즘 연구의 새로운 원동력은 사이버네틱스, 심리학, 컴퓨터 과학 및 데이터베이스와 같은 과학의 개발, 신흥 기술을 사용한 다양한 프로세스 및 시스템 모델링이었습니다. 기술적 능력많은 양의 정보를 저장하고 조작합니다.

연구 주제

이번 작품의 주제는 지능적인 활동이다. 살아 있는환경 조건에 적극적으로 적응하고, 생존하고, 원하는 것을 얻고, 이러한 조건의 변화를 예측할 수 있는 정보의 축적 및 처리로 구성된 존재. 나는 마음이나 지능에 대한 자세한 정의를 제공하지 않습니다. 그리고 나는 이러한 개념이 서로 어떻게 다른지, 의식과 어떻게 다른지 설명하지 않습니다. 이것이 작업의 초기 조건이 아니라 작업의 목표입니다. 이성과 같은 현상의 존재는 명백하고 의심의 여지가 없습니다.

마음을 연구하는 방법

마음을 연구하는 방법은 다음과 같이 구분할 수 있습니다.

간단한 시스템

자신의 마음으로

지능형 시스템(RS)의 원리

많은 원칙과 패턴이 지능적인 활동을 설명합니다. 그들의 구성에 대한 합의가 없습니다. 지능형 시스템의 기본 원리를 나열해 보겠습니다. 1. 존재와 행동의 원리.이 원칙은 원시적이지만 쓸모가 없습니다. 일부 철학 체계는 가장 명백한 사실조차 반박합니다. 따라서 마음은 존재하고 캐리어와 주변 세계에 적극적으로 행동하고 영향을 미칩니다. 2. 주관성(또는 객체지향)의 원리.각 지능형 시스템에는 고유한 콘텐츠가 있습니다. 같은 상황에서도 서로 다른 지능적 존재들은 물질적 껍질의 특성과 축적되고 유전된 경험에 따라 다르게 행동하고, 다르게 생각하고, 자신의 위치를 갖습니다. 이는 MS 연구 방법을 사용하여 쉽게 확인할 수 있습니다. 3. 하나의 세계를 위한 보편성의 원리.동일한 방법을 사용하여 서로 다른 시스템의 지능적 행동의 많은 속성과 패턴이 유사하고 심지어 유사하다는 결론에 도달할 수 있습니다. 이는 지능형 시스템이 작동하기 때문에 발생합니다. 하나의 세계에서그리고 이 세상의 법칙은 생물의 가능한 행동에 제한을 가하고 유사한 법칙에 따라 행동하고 생각하도록 강요합니다. 예를 들어, 미로에서 가장 짧은 길을 찾는 기술은 인간, 쥐 등을 포함한 많은 생물에서 개발됩니다. 한 세계와의 적극적인 상호 작용을 통해 마음은 모든 생물에 대해 거의 동일한 다양한 기술을 습득합니다. 그들은 어떤 기준으로 구매합니까? 분명히 하나의 가능한 원칙, 즉 환경 적응, 적응성, 생존 등의 원칙에 따르면 이 원칙이 모든 마음을 결정합니다. 하지만 이론적으로 서로 다른 시스템은 세 가지 방식으로 세상에 반응할 수 있다는 점에 유의해야 합니다. 1) 진화(유전적) 및 정보(지능) 경로를 통해 세계의 법칙에 적극적으로 적응합니다(이것이 우리가 하는 일입니다). 2) 세상과의 활발한 정보 교환을 중단하고, 화해하고, 세상에서 해산합니다(무생물 시스템). 3) 세상의 법칙을 바꾸어 멸망시킨다. 4. 가변성과 연속성의 원리.마음은 시간이 지남에 따라 지속적으로 행동하고 변화합니다. 모든 사람은 매 순간 자신의 생각이 변한다는 것을 확인할 수 있습니다(한 생각에 "갇히는" 것은 특별한 경우입니다). 일생을 거치면서 어떤 것에 대한 의견은 크게 바뀔 수 있습니다. 분명히, 한 번에 하나 또는 여러 가지 생각이 활성화됩니다. 더욱이 그들은 다양한 정도로 활동적입니다. 사고의 활동 정도는 관심(또는 의식)이 집중되는 정도를 나타냅니다. 이 정보. 활동이 가장 많은 정보에 중점을 둡니다. 5. 이기주의의 원리.모든 연구자들은 마음이 동기로 인해 작동하고 특정 목표 등을 달성하는 것을 목표로 한다고 말합니다. 그 목적은 무엇입니까? 최고 수준의 일반화에 도달하면 목표는 즐거움을 얻는 것입니다. 유전적으로 우리는 먹고, 번식하고, 활동하는 등의 즐거움을 누리고 있습니다. 추상적 이미지로부터의 즐거움은 즐거움의 일차적 이미지와의 연상적 연결로 인해 나타난다. 원칙적으로 모든 것은 하나의 즐거움으로 축소될 수 있습니다. 왜? 사람은 언제든지 무엇이든 선택할 수 있기 때문입니다! 더 바람직한 두 가지 대안, 즉 그들을 비교하십시오. 따라서 마음이 작용하는 모든 것에는 즐거움, 바람직함 또는 우선순위의 특정 척도가 적용될 수 있습니다. 합리적인 질문이 생길 수 있습니다. 사람이 두 가지 대안 중에서 선택할 수 없는 경우는 어떻습니까? 침묵이나 무활동이 세 번째 대안이고 더 바람직할 수 있기 때문입니다. 하지만 그래도 사람을 "강제"하면 그 사람은 분명히 무언가를 선택할 것입니다. 그러므로 사람이 하는 모든 일은 최대의 즐거움을 얻는 것을 목표로 합니다. 유리한 조건. 아마도 우리는 지능 시스템의 기본 원리를 나열할 때 이러한 잘 알려진 사실로 제한할 수 있을 것입니다. 나머지 부분은 많은 논쟁의 대상이다.

마음 연구의 문제

마음의 메커니즘을 이해한다는 것은 마음의 다이어그램이나 모델을 구성하는 것을 의미합니다. 대상, 과정, 원리 등 마음의 모든 구성 요소를 아는 것만으로 합리성의 주요 효과를 반복할 수 있습니다. 많은 문제가 이를 가로막고 있습니다. 그들 중 일부는 크게 과장된 반면 다른 일부는 사실상 불용성입니다. 나는 다음을 의사 문제로 분류하겠습니다.

물질주의적인 점

마인드 익스플로러가 직면한 주요 문제는 무엇입니까? 이는 연구 문제와 모델링 문제라는 두 가지 주요 문제로 나눌 수 있습니다. 주요 연구 문제:

연구 대상의 복잡성. 연구 오류는 연구 대상이 주제 내부에 위치하여 연구 과정 자체에 영향을 미치는 경우입니다. 왜곡 없이 자신의 마음을 연구하는 것은 불가능합니다. 공부 과정은 연구 대상에 영향을 미치며 그 반대의 경우도 마찬가지입니다. 그러나 우리는 무엇보다도 우리 자신의 마음을 연구합니다. 제3자 정보를 연구하기 위한 효과적인 방법이 부족합니다.주요 모델링 문제:

유명한 예

인공지능 존재의 종류.

앞서 언급했듯이 인공지능을 구축하는 데는 다양한 옵션이 가능합니다. 인공 지능(AI)을 생성하기 위한 옵션 중 하나는 다양한 기반(기술적, 생물학적)에 대한 물질적 자율 메커니즘이 될 수 있습니다. 로봇의 몸 자체는 마음의 물질적, '인과적' 기반으로서 데이터를 처리하지 않고 기록만 하고 마인드 시스템으로 전송한다(그림 1). 처음에는 설계자(인간)가 로봇 몸체를 만들고 지능적인 정보 처리를 위한 시스템을 구성합니다. 인간이 지정하는 로봇 신체의 주요 특징: 전송 채널(감각 기관)의 수, 외부 세계에 대한 정보를 수집하는 채널 유형, 채널의 중요성. 가장 중요한 것은 채널 유형과 그 중요성의 올바른 조합이 로봇의 생존을 보장한다는 것입니다. 로봇의 "죽음"은 마인드 시스템 내에서 정보의 교환과 변경이 끝날 때 마침내 발생합니다.

그림 1 자율 무생물 지능형 시스템의 단순화된 정보 다이어그램.

IR을 구성하는 또 다른 옵션은 생물체(로봇) 자체가 모델링되는 경우일 수 있습니다. 환경그리고 그들 사이의 상호작용(그림 2). 이 접근 방식은 지능형 시스템의 기능에 많은 제한을 가합니다. 현실에 가까운 생물과 환경의 모델을 시뮬레이션하는 것은 매우 어렵습니다. 첫 단계실용적인 의미보다는 학술적인 의미가 더 클 것입니다. 처음에 디자이너는 생물의 모델과 세계의 모델을 개발합니다. 결과적으로 세계 모델을 변경하거나 오히려 일부 부분을 변경하고 정보를 추가하여 시스템 프로세스에 영향을 미칩니다. 따라서 디자이너는 시뮬레이션된 생물과 상호 작용합니다. 그는 훈련하고, 자극하고, 의사소통하고, 요청에 대한 답변을 받습니다. 분명히 디자이너가 로봇의 신체와 세계와의 상호 작용 원리뿐만 아니라 정신 자체를 바꾸는 것은 의미가 없습니다. 그러한 변화 후에는 정신 자체가 신체에 비해 부적절해지기 때문에 지능 시스템의 원칙 중 하나가 위반될 것입니다.

디자이너

세계의 모델

생물 모델

그림 2. 시뮬레이션된 지능 존재의 단순화된 정보 다이어그램.

그들은 어떻게 생각하나요?

물론 위에 나열된 지능형 시스템의 원리는 사고 메커니즘의 구조를 이해할 수 있는 완전한 정보를 제공하지 않습니다. 이를 방해하는 다른 객관적인 문제도 있습니다. 분명히, 마음의 진정한 메커니즘을 설명하는 것은 그 모델에 대한 완전한 설명 없이는 불가능합니다. 그리고 문제에 대한 단계별 해결 방법은 여기서 작동하지 않습니다. 일부 연구자들은 마인드 알고리즘의 작업을 여러 하위 작업(외부 환경 평가, 목표 계층 구성, 별도의 목표 달성 과정, 반성 등)으로 나누고 이를 해결함으로써 모델을 만들 수 있다고 믿습니다. 마음. 그러나 곧 뭔가가 크게 빠져 있고, 의미론적 의미의 많은 기능과 프로세스가 서로 겹치고, 많은 것들이 단순히 전체 그림에서 "빠지는" 것 등이 분명해집니다. 일반적으로 합리성의 효과는 달성되지 않습니다. 그것은 악순환으로 밝혀졌습니다. 마음의 알고리즘을 이해하려면 그것을 구축해야 합니다 풀 모델 (그리고 그것이 합리적인지 확인하십시오). 그리고 마음의 모델을 구축하려면 마음을 이해해야 합니다. 그래서 전 세계 수천 명의 사람들이 마음이 어떻게 작동하는지 직관적으로 느끼지만 그것을 설명할 수는 없다는 것이 밝혀졌습니다. 완전한 모델을 설명할 수 없기 때문입니다. 왜냐하면 그들은 50, 70, 90%를 알고 있지만 전체 그림을 얻을 수 없기 때문입니다. 나는 연구에서 기본적인 논리뿐만 아니라 생각, 감정, 기억, 감정 등이 포함된 내 자신의 마음이라는 기본 자료를 사용했습니다. 첫 번째 정신적 경험은 문 경험이었습니다. 나는 방에 앉아 문을 두드리는 소리가 났을 때의 상황을 상상하고 분석해 보았다. 말하자면 더 쉽습니다. 이 예는 간단하지만 이를 바탕으로 몇 가지 결론을 도출할 수 있습니다. 그래서: 소리가 들립니다. 그리고 나는 그것을 듣는 것이 아니라 그것에주의를 기울입니다 (예를 들어 호흡이 있지만 들리지 않습니다). 내가 그 사람에게 관심을 기울이는 이유는 무엇입니까? 단지 이 소리는 소리의 전체적인 그림에서 다른 소리와 매우 다르며 문제를 일으키는 것일 뿐입니다. 질문 1은 나에게 흥미로워집니다. 누군가가 문을 두드리고 있다는 생각이 나에게 떠오르는 이유는 무엇입니까(또는 이해합니까)? 나는 점차적으로 다음과 같은 결론을 내리고 있습니다. 다양한 소리 중에서 이 소리가 노크 소리와 가장 유사합니다. 다만 내 기억 속에는 나도 침대에 앉아 비슷한 소리를 들었던 선례가 이미 있었던 것으로 기억한다. 게다가 대부분의 경우 거의 즉시 문이 열리고 누군가 들어왔다. 소리는 테스트 중인 샘플과 유사한 메모리 영역을 활성화하고, 이후 과거에 그 근처에서 관찰되었던 영역도 활성화됩니다. 게다가 공간적 측면에서도, 시간적 측면에서도 가깝다. 질문에 대한 대답이 즉시 나타납니다. “문 근처의 바닥이나 프레임에서도 같은 소리가 날 수 있었음에도 불구하고 소리가 난 후 자동으로 문을 본 이유는 무엇입니까? 대답은 분명합니다. 문은 소리-문 열림-사람-강한 감정 등 일련의 경험의 연결 고리인 경우가 많습니다. 게다가 활성 링크입니다. 바닥도 없고, 틀도 없는 상황에서도 거기에 있었다. 문이 열렸고, 그 사람이 나타난 곳과 가장 가까운 곳이었다. 그리고 다른 사람의 사람은 좋고 나쁜 경험의 가장 강력한 원천 중 하나입니다. 뇌는 가장 강력한 경험의 방향을 기억하고 예측합니다. 사실 문은 그다지 중요하지 않고, 사람의 외모가 더 중요합니다. 이것이 예측(최대 경험치)의 마지막 단계이기 때문입니다. 소리를 들으면 그와 유사한 모든 이미지는 물론 현재 환경과 유사한 이미지(시각, 촉각 등 사용)가 뇌에서 활성화됩니다. ). 활성화가 문 이미지로 확산된 다음 문 열림 및 사람의 모습으로 확산되는 것은 이들의 조합입니다. 그러나 예를 들어 방이 아닌 숲에서 노크 소리가 들리면 딱따구리의 이미지가 활성화 될 가능성이 높습니다. 그래서 소리가 들립니다. 과도기적 활성화를 통해 뇌는 문 열림, 사람의 모습, 강렬한 감정을 예측하고 고개를 돌립니다. 나는 문을 바라보며 남자를 기다리고 있다. 질문 1에 답하려면, 노크할 때 다음 상황과 함께 기억 이미지도 활성화된다는 점에 유의할 필요가 있습니다. 내가 서서 반대편에서 문을 두드렸을 때, 내가 문을 두드린 사람 옆에 섰을 때 반대편에서 “누군가 노크하고 있다”라는 말이나 “노크하자”라는 말과 그에 따른 이미지를 들었을 때. 누군가가 문을 두드리고 있다는(그 뒤에 서 있는) 이해를 유발하는 것이 바로 이 병렬 활성화입니다! 저것들. 동시에 뇌는 사람의 모습을 예측하고 문을 바라보며 반대편에서 누군가가 문을 두드리는 과정을 깨닫는다. 마음은 강한 감정의 방향뿐만 아니라 좋은 감정(쾌락)의 방향으로도 예측(생각)한다는 것도 알 수 있습니다. 매우 자주 문이 열리고 우리는 친구를 보거나 그들이 우리에게 무언가를 가져오거나 우리에게 무언가를 말했습니다. 이 모든 것은 좋은 감정입니다. 그렇기 때문에 뇌는 지금 이 순간까지 예측하고 누군가 나타나기를 기다린다. 우리가 긍정적인 방향으로 생각하고 있는지 확인하기 위해 다음 상황을 상상해 보십시오. 당신은 특정 사회에 살고 있습니다. 거의 문이 열릴 때마다 많은 사람들이 들어와 기분을 나쁘게 만든다. 그러다가 노크 소리가 나면 더 이상 문을 보고 기다리지 않고, 창문을 보고 기어나오게 됩니다. 결국 잠재적인 불만을 없애는 것도 즐거움이다. 이 실험을 바탕으로 나는 다음과 같은 결론을 내렸다.

관찰되었다)

최고의 즐거움

대체로

끝. 향후 장 제목: