Интеллект абстрактный: Абстрактный интеллект — Энциклопедия системно-векторной психологии

Абстрактный интеллект — Энциклопедия системно-векторной психологии

Абстрактный интеллект – особый вид когнитивной способности человека со звуковым вектором, позволяющей выявлять, осмысливать и описывать сложные системные вопросы и явления, оперировать понятиями и смыслами слов, проникать за грань (пределы) привычного миропонимания. Абстрактный интеллект неразрывно связан со стремлением человека постичь мироустройство во всех его проявлениях – от законов неживой и живой природы до тайн жизни как таковой и её первопричины – Абсолюта.

Выявление и раскрытие неочевидного, осмысление и словесное обозначение истоков сложных явлений – это особая умственная способность звукового человека постигать абстрактные смыслы, оперировать ими и создавать на этой основе смысловые построения, доступные пониманию остальных людей.

Развитый абстрактный интеллект – это колоссальный психический объем, характерный для талантливых и даже гениальных философов, писателей, поэтов, музыкантов, физиков, программистов, математиков.

В системно-векторной психологии Юрия Бурлана раскрывается, что возможности абстрактного интеллекта природно (от рождения) присущи исключительно людям со звуковым вектором. Таких людей называют «звуковиками». Звуковики задумчивы и зачастую немногословны. Обычно они – большие эгоцентрики. В звуковом векторе нет никаких материальных желаний, кроме базовых, характерных для всех векторов: есть, пить, дышать и спать.

Звук устремлен к познанию самого себя. Звуковикам свойственно задаваться вопросами о смысле жизни, о природе вещей, о бренности и зачастую чуждости (собственного) тела, которое нередко ощущается человеком как заточение его души, о своем месте в Мире, жизненном предназначении. Для таких людей характерны поиски Бога, стремление понять скрытые законы мироустройства.

Своеобразие абстрактного интеллекта становится очевидным, если сравнивать его с другими видами интеллекта, описанными в СВП (системно-векторной психологии Юрия Бурлана). Например:

• Логический интеллект (в «кожном» векторе) ориентирован на выявление причинно-следственных связей: от прогнозирования последствий совершенных действий до блестящих логических построений, моделей, проявляющих эти связи. Ярко представлен этот вид интеллекта во всевозможных доказательствах, например, – в юридическом обосновании виновности или невиновности человека.

• Аналитический интеллект (в «анальном» векторе) своим названием указывает на предрасположенность к анализу: разбирать на части, исследовать детали – с целью постижения устройства изучаемого объекта. Этот вид интеллекта (или точнее было бы назвать его умом) направлен на изучение уже существующих объектов (от модели автомобиля – со способностью безукоризненно отлаживать его механизм, – до исторических событий с изучением подробностей и своеобразия атмосферы давно минувших дней), поэтому этот вид интеллекта как бы обращен в прошлое.

• Образный интеллект характерен для «зрительного» вектора. «Зрительный» человек мыслит образами, преимущественно – визуальными. Образ как целостное (совокупное) отражение свойств объекта, явления становится инструментом одномоментного «схватывания», постижения не только сути, но и неуловимых нюансов, без которых образная мыслеформа (в голове человека) будет неполной. Часто образный интеллект не возможен без эстетического постижения прекрасного (или без-образ-ного).

• Вербальный интеллект характерен для человека с «оральным» вектором, который мыслит говорением, и именно в процессе произнесения слов или после того, как они прозвучали завершенным предложением, «оральный» человек – post factum – понимает то, что он сказал (помыслил). Поэтому человек с вербальным интеллектом испытывает потребность размышлять вслух, но не «тихо сам с собою», а – в уши слушателям.

Лев Ландау. Выдающийся физик-теоретик

Звуковик постоянно думает. Ему свойственно сосредоточиваться на своих внутренних состояниях: как бы вслушивается в окружающий мир, улавливая его «вибрации», из которых он извлекает информацию, осмысливает её – стремится додуматься, дойти до разгадки чего-то скрытого за пределами обозримого мира. Видовая роль звуковика, заданная его природными свойствами, – использовать, реализовать свою способность вслушиваться, различать тончайшие вибрации, изменения звуковых нюансов; а на этой основе – «расслышать» смысл сокрытого для остальных и донести его до общего понимания.

Ухо (у звуковика это – эрогенная зона) улавливает колебания извне, которые попадая в поле сознания, вызывают определенные ощущения; звуковой интеллект сосредоточен на осмыслении ощущений от этих вибраций. Простейший пример (звуковой) вибрации, несущей смысл – это слово. Проходя через слуховые рецепторы уха в височные доли мозга, эти вибрации мгновенно перерабатываются сознанием, позволяя человеку воспринять смысл, заключенный в слове. Абстрактный интеллект использует слова как средства, помогающие извлекать и создавать из сложной сути явлений стройные и доступные для человеческого сознания смысловые ряды. Словесная формулировка смыслов, познание семантико-фонетического своеобразия разных языков – это стихия звуковика. Его тянет к объемам информации, заключенным в словах и коннотациях.

Нередко свои идеи и догадки звуковик записывает (особенно свойственно это анальным звуковикам, писателям, философам и мыслителям). Такой процесс мышления требует тишины и уединения – прежде, чем продукт размышлений оформится и будет вынесен на суд читателей.

Часто крайне ясные мыслеформы открываются звуковику именно в ночное время, когда не отвлекают посторонние звуки, и есть возможность всецело сосредоточиться на своих мыслях.

Звуковики – мастера создавать новые образы, облекая их в живую материю слова, в безграничные пределы семиотической емкости языковых знаков. Они творцы литературного слова – поэтического и прозаического.

Кроме этого, звуковики особенно восприимчивы к музыке, которая также является ярким примером вибраций, наполненных смыслом. В первую очередь именно для звуковиков музыка – это особая стихия, дающая возможность чувственно воспринимать смыслы. Некоторые звуковики не могут жить без музыки; только она делает их жизнь осмысленной. Однако звуковики не только утонченные слушатели музыки, но и её исполнители, и создатели. Как говорил Томас Манн, «Музыка – стихия бесконечного». Кожно-звуковые композиторы в отчаянном душевном порыве своего звукового желания «вслушиваются» во Вселенную в надежде уловить ее «непостижимый гул».

И – в интенсивном сосредоточении – «расслышав» нечто важное и глубокое (слышат музыку внутри себя), желают передать свои переживания, воссоздать их для других, используя нотную запись или компьютер. Так создается музыка.

Звуковики нередко находят свое призвание в областях знаний, использующих символьные знаковые системы: математика, физика, астрономия.

Абстрактный интеллект определяется двумя факторами. Во-первых, заданными природными свойствами, т.е. предрасположенностью человека к абстрактным умозаключениям и огромным (в потенциале) объемом психического, необходимым для умственного сосредоточения и создания мыслеформ определенного качества. И, во-вторых, – соответствующим прижизненным развитием этих природных свойств (задатков) в способность продуцировать абстрактные мыслеформы, передаваемые словесными, музыкальными или другими символическими средствами смыслы, доступные для понимания другим людям.

Абстрактный интеллект — Студопедия

Поделись с друзьями: 

Итак, мы подошли к последнему типу интеллекта из нашей классификации типов мышления.

Про абстрактный интеллект можно говорить очень много и все будет по делу. Однако наша задача не детально разобрать данную меру, а всего лишь обнаружить основные его особенности, функцию и свойства, благодаря которым и появится понимание такого явления, как абстрактное мышление.

Чтобы понять, каковы его свойства, давайте вначале посмотрим, какова же функция абстрактного интеллекта в природе и обществе.

Сам по себе абстрактный интеллект относится к категории информации, что означает, что этот тип интеллекта воспринимает мир не через эмоции, ощущения, логику или анализ, а через мыслительные описания, слова, формулы, концепции и идеи.

Еще с детства такого ребенка интересуют вопросы:

— Кто я?

— В чем смысл жизни?

— Ради чего мы живем?

— Что будет после смерти?

— Как устроен мир?

— Конечна ли Вселенная?

— Существует ли бог?

— …

Погруженный в себя с задумчивым взглядом, направленным внутрь своего ума, человек с абстрактным интеллектом ищет во всем смысл. Само слово «смысл» — это его ключевая фраза.

— В чем суть твоего послания? Говори, по сути, только самое главное….

Такие фразы можно очень часто слышать от носителя абстрактного интеллекта.

В школе таких детей часто не понимают и называют их «не от мира сего». И правда, они не похожи на большинство людей. Такие дети редко играют в футбол, не интересуются модными аксессуарами, их не интересуют деньги, здоровье и материальные блага. Это настоящие интроверты. Они любят тишину, одиночество. С детства, такие дети часто находят в себе талант поэта или музыканта. Если это музыкант, то чаще, это исполнитель некоммерческой музыки, альтернативной, электронной или музыки с глубоким смыслом, идеей.

Вообще, все, что их интересует – это идеи. Именно через идеи, человек с абстрактным интеллектом познает себя и мир. Это его главное желание – стремление к самопознанию.

Поэтому и профессии такие люди часто выбирают, связанные с самопознанием или изучением реальности.

Например, философы, программисты, физики, астрономы, психиатры, духовные учителя, идеологи политических систем, революционеры идей и т. д.

Через эти профессии, обладатель абстрактного интеллекта стремится раскрыть суть, обнаружить в ней некую закономерность или систему. На самом же деле, такой человек ищет, прежде всего, себя. Поэтому с самого детства носители этого типа восприятия находятся в поиске себя, своего «я».

Отсюда и своеобразные состояния, которые возникают только у данного типа интеллекта. Например, депрессия, как эндогенная, так и экзогенная (психологи знают, что имеется в виду), чаще свойственна именно людям с абстрактным интеллектом. Это ощущается, как глубинная подавленность, отсутствие желания жить, отсутствие интереса ко всему, что такой человек знал до этого, апатия, и даже суицидальные настроения.

Такие люди могут годами лечится антидепрессантами, ходить к психиатрам, но никакого сдвига при этом, наблюдаться не будет. Поскольку данные состояния вызваны не нарушением биохимии головного мозга, а скорее неспособностью реализовать свое основное желание – желание осознать себя и мир вокруг. Однако, во многих случаях, даже сами обладатели этого интеллекта не осознают свои желания.

Все материальное воспринимается ими, как фантик, обертка, за которой ничего нет. Поэтому, глядя на такого человека может показаться, что он немного высокомерен и на всех смотрит с высока. Такое, действительно, часто встречается, ведь человек с абстрактным интеллектом смотрит на вас не просто как на человека, а скорее, как на носителя определенной идеи. И по этой иерархии, он и выбирает себе окружение.

Если вас интересуют деньги, карьера, успех, то ему с вами не по пути. Ваша идея может быть расценена, как примитивная и эгоистическая. Но если ваши ценности совпадают с ценностями носителя абстрактного интеллекта, то вполне возможно, что у вас может появиться настоящая «идеологическая команда».

---

Понравилась статья? Добавь ее в закладку (CTRL+D) и не забудь поделиться с друзьями:  

---



[PDF] Об абстрактном интеллекте: на пути к объединяющей теории естественного, искусственного, машинного и вычислительного интеллекта

• title={Об абстрактном интеллекте: на пути к объединяющей теории естественного, искусственного, машинного и вычислительного интеллекта}, автор={Инсю Ван}, журнал = {Int. Дж. Софтв. науч. вычисл. Интел.}, год = {2009}, громкость = {1}, страницы={1-17} }
  • Yingxu Wang
  • Опубликовано в 2009 г.
  • Информатика
  • Междунар. Дж. Софтв. науч. вычисл. Интел.

  Абстрактный интеллект — это человеческое исследование как естественного, так и искусственного интеллекта на редуктивных уровнях воплощения нейронного, когнитивного, функционального и логического снизу вверх. В этой статье описывается таксономия и природа интеллекта. В нем анализируется роль информации в эволюции человеческого интеллекта и потребности в логической абстракции при моделировании мозга и естественного интеллекта. Разработана формальная модель интеллекта, известная как Общий абстрактный режим интеллекта… 

  Просмотр через публикацию

  ucalgary.ca

  Абстрактный интеллект и когнитивные роботы

  Разработана формальная модель интеллекта, известная как общий режим абстрактного интеллекта (GAIM), которая обеспечивает основу для объяснения механизмов развитого естественного интеллекта, такого как мышление , обучение и вывод.

  Об абстрактном интеллекте и его денотационных математических основах

  Формально разработаны архитектурная структура абстрактного интеллекта и общий режим абстрактного интеллекта (GAIM), которые обеспечивают единую теорию для объяснения механизмов продвинутого интеллекта.

  Об абстрактном интеллекте и информатике мозга: отображение когнитивных функций мозга на его нейронных структурах исследования и когнитивная психология могут быть строго прояснены и аккуратно объяснены.

  На пути к синергии когнитивной информатики, нейронной информатики, мозговой информатики и когнитивных вычислений

  Многоуровневая эталонная модель мозга и набор когнитивных процессов разума систематически разрабатываются в направлении изучения теоретической основы когнитивной информатики, и при разработке признается широкий спектр приложений когнитивной информатики и денотационной математики. высокоинтеллектуальные системы.

  Измерение всех умов: оценка естественного и искусственного интеллекта

  • Х. Эрнандес-Оралло

  • Психология

  • 2017

  Используя алгоритмическую теорию информации в качестве основы, книга подробно описывает оценку перцептивных, социальных, вербальных и коллективных характеристик и критически анализирует то, как может выглядеть будущее интеллекта.

  Когнитивные вычисления и машинное мышление

  • Yingxu Wang

  • Информатика, психология

    2009 8-я Международная конференция IEEE по когнитивной информатике

  • 2009

  Недавние исследования LRMB в когнитивной информатике раскрывают весь набор когнитивных функций мозга и моделей их когнитивных процессов, которые объясняют функциональные механизмы и когнитивные процессы естественного интеллекта.

  Abstract Intelligence

  • Yingxu Wang, L. Zadeh, Du Zhang

  • Компьютерная наука

    Когнитивная аналитика

  • 2020

  . Сообщается о CC’16 по когнитивной информатике и когнитивным вычислениям в Стэнфордском университете.

  О абстрактном интеллекте и информатике мозга: картирование когнитивных функций на нейронных архитектурах

  • Yingxu Wang

  • Психология, компьютерная наука

    2012 IEEE 11th Международная конференция на когнитивной информатике и когнитивных вычислениях

  • 2012 9000

  67667666766666666666666666666666666666666666666666666666666666666666666666666666666666666666666666666666666666666666666666666666666. вводится последовательная абстрактная теория интеллекта, основанная как на денотативных математических моделях, так и на наблюдениях когнитивной психологии, которая строго объясняет основополагающие принципы и механизмы мозга.

  Abstract Intelligence: Внедрение и использование когнитивных систем с помощью математической инженерии

  Сообщается о наборе заявлений о позиции, представленных в части II пленарного заседания IEEE ICCI*CC’16 по когнитивной информатике и когнитивным вычислениям в Стэнфордском университете.

  Когнитивная информатика и денотативные математические средства для информатики мозга

  • Yingxu Wang

  • Информатика, психология

    Информатика мозга

  • 2010

  В этом документе, являющемся расширенным резюме приглашенного основного доклада, представленного на AMT-BI 2010, описывается взаимодействие когнитивной информатики, абстрактного интеллекта, денотативной математики, информатики мозга и вычислительного интеллекта.

  ПОКАЗАНЫ 1–10 ИЗ 62 ССЫЛОК

  СОРТИРОВАТЬ ПОРелевантности Наиболее влиятельные статьиНедавность

  Теоретические основы когнитивной информатики

  Созданы три типа новых математических структур: концептуальная алгебра (CA), алгебра процессов в реальном времени и системная алгебра. чтобы обеспечить строгое рассмотрение когнитивных процессов мозга, а также представление знаний и манипулирование ими в формальной и последовательной структуре.

  План теории интеллекта

  Предлагается модель, которая объединяет знания, полученные в результате исследований как естественных, так и искусственных систем, и состоит из иерархической системной архитектуры, которая выполняет генерацию поведения, моделирование мира, сенсорную обработку и оценочное суждение.

  О когнитивной информатике

  В статье описывается историческое развитие информатики от классической теории информации и современной информатики до когнитивной информатики (КИ), а также изучается область КИ и ее междисциплинарный характер.

  Когнитивная информатика: на пути к компьютерам будущего поколения, которые думают и чувствуют

  В этой основной лекции представлены последние достижения в области когнитивной информатики (КИ), которые ведут к разработке и внедрению компьютеров будущего поколения, известных как когнитивные компьютеры…

  Когнитивно-информатические модели мозга

  Подход, основанный на памяти, используется для изучения мозга и демонстрации того, что память является основой для любого вида естественного или искусственного интеллекта.

  Модели когнитивной информатики Brain

  • Yingxu Wang, Ying Wang

  • Психология, биология

    IEEE Транзакции по системам, человеку и кибернетике, часть C (приложения и обзоры)

  • 2006
  9007

  66. Этот подход используется для изучения мозга и демонстрации того, что память является основой для любого вида естественного или искусственного интеллекта.

  О законах информатики и дедуктивной семантике программных средств

  • Yingxu Wang

  • Информатика

    IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews)

  • 2006

  программного обеспечения, а также их математических моделей и развивает новый тип формальной семантики, известный как дедуктивная семантика.

  О законах информатики и дедуктивной семантике программных средств

  Исследуется полный набор информационных и семантических свойств и законов программного обеспечения, а также их математических моделей, и разрабатывается новый тип формальной семантики, известный как дедуктивная семантика.

  Воплощения разума

  • Дж. Г. Скеллам, В. МакКаллох

  • Психология

  • 1965

  «Из всех наших современников в исследованиях мозга Маккаллох — самый личный,…

  Модель нейроинформатики OAR для представления внутренних знаний в мозге

  • Yingxu Wang

  • Информатика, психология

    Междунар. Дж. Когн. информатики нац. Интел.

  • 2007

  Модель объект-атрибут-отношение представлена ​​для формального представления структур внутренней информации и знаний, полученных и изученных в мозгу, а объем памяти человека строго оценен на основе OAR.

  Машинное обучение и искусственный интеллект: два попутчика в поисках интеллектуального поведения машин

  1. Большие данные стимулируют интеллектуальное поведение машин

  Машинное обучение (МО) и искусственный интеллект (ИИ) становятся доминирующими в решении проблем методы во многих областях исследований и промышленности, не в последнюю очередь из-за недавних успехов глубокого обучения (ГО). Однако уравнение AI=ML=DL, недавно предложенное в новостях, блогах и СМИ, не соответствует действительности. Эти поля основаны на одних и тех же фундаментальных гипотезах: вычисления — полезный способ моделирования интеллектуального поведения машин. Что за расчет и как его запрограммировать? Это не правильный вопрос. Вычисления не исключают поисковых, логических и вероятностных методов, а также методов (глубокого) (не)контролируемого обучения и обучения с подкреплением, поскольку вычислительные модели включают их все. Они дополняют друг друга, и следующий прорыв заключается не только в продвижении каждого из них, но и в их объединении.

  Большие данные — это не мода. Мир растет в геометрической прогрессии, как и объем данных, собираемых по всему миру. Данные становятся более значимыми и контекстуально значимыми, открывая новые возможности для машинного обучения (МО), в частности для глубокого обучения (ГО) и искусственного интеллекта (ИИ), переводя их из исследовательских лабораторий в производство (Джордан и Митчелл, 2015). Проблема сместилась со сбора огромных объемов данных на их понимание — превращение их в знания, выводы и действия. Многие исследовательские дисциплины, от когнитивных наук до биологии, финансов, физики и социальных наук, а также многие компании считают, что основанные на данных и «интеллектуальные» решения необходимы для решения многих их ключевых проблем. Высокопроизводительные геномные и протеомные эксперименты можно использовать для обеспечения персонализированной медицины. Большие наборы данных поисковых запросов могут использоваться для улучшения поиска информации. Исторические климатические данные можно использовать для понимания глобального потепления и для более точного прогнозирования погоды. Большое количество показаний датчиков и гиперспектральных изображений растений можно использовать для определения условий засухи и получения информации о том, когда и как стресс влияет на рост и развитие растений и, в свою очередь, как противостоять проблеме мирового голода. Игровые данные могут превращать пиксели в действия в видеоиграх, а данные наблюдений могут помочь роботам понять сложные и неструктурированные среды и освоить навыки манипулирования.

  Однако действительно ли AI, ML и DL являются синонимами, как недавно утверждалось в новостях, блогах и СМИ? Например, когда AlphaGo (Silver et al., 2016) победила южнокорейского мастера Ли Седола в настольной игре Го в 2016 году, средства массовой информации использовали термины AI, ML и DL для описания победы AlphaGo. Вдобавок к этому, даже в списке Gartner (Panetta, 2017) из 10 главных стратегических тенденций на 2018 год (узкий) ИИ находится на самом верху, определяя его как «состоящий из широкомасштабных решений машинного обучения, нацеленных на конкретную задачу».

  2. Искусственный интеллект и машинное обучение

  Искусственный интеллект и машинное обучение очень тесно связаны между собой. По словам Маккарти (2007), одного из основателей этой области,

  ИИ — это «наука и техника создания интеллектуальных машин, особенно интеллектуальных компьютерных программ. Это связано с аналогичной задачей использования компьютеров для понимания человеческого интеллекта, но ИИ не должен ограничиваться методами, которые поддаются биологическому наблюдению».

  Это довольно общее задание, включающее множество задач, таких как абстрактные рассуждения и обобщения о мире, решение головоломок, планирование достижения целей, перемещение по миру, распознавание объектов и звуков, разговор, перевод, выполнение социальных или деловых операций, творческая работа (например, создание произведений искусства или поэзии) и управление роботами. Более того, поведение машины — это не только результат программы, на него также влияет ее «тело» и среда, в которую она физически встроена. имеет, скажем, человеческое поведение, это может быть ИИ. Но если он автоматически не учится на данных, это не ML:

  ML — это наука, которая «занимается вопросом о том, как создавать компьютерные программы, которые автоматически улучшаются с опытом» (Mitchell, 1997).

  Итак, ИИ и машинное обучение предназначены для создания интеллектуальных компьютерных программ, и машинное обучение, являясь экземпляром машинного обучения, не является исключением. Глубокое обучение (LeCun et al. , 2015; Goodfellow et al., 2016), которое добилось значительных успехов во многих областях, включая распознавание объектов, распознавание речи и управление, можно рассматривать как создание компьютерных программ, а именно программирование уровней абстракции. дифференцируемым способом с использованием повторно используемых структур, таких как свертка, объединение в пул, автоматические кодировщики, сети вариационного вывода и т. д. Другими словами, мы заменяем сложность написания алгоритмов, покрывающих все возможности, сложностью поиска правильной общей схемы алгоритмов — например, в виде глубокой нейронной сети — и обработки данных. В силу универсальности нейронных сетей — они являются аппроксиматорами общих функций — их обучение требует больших объемов данных и обычно требует больших размеченных обучающих наборов. В то время как эталонные обучающие наборы для распознавания объектов хранят сотни или тысячи примеров на метку класса, для многих приложений ИИ создание помеченных обучающих данных является наиболее трудоемкой и дорогостоящей частью DL. Чтобы научиться играть в видеоигры, могут потребоваться сотни часов обучения и/или очень дорогая вычислительная мощность. Напротив, написание алгоритма ИИ, который охватывает все возможности задачи, например, для решения рассуждений о данных и знаниях для автоматической маркировки данных (Ratner et al., 2016; Roth, 2017) и, в свою очередь, делает, например, Глубокое обучение менее требовательно к данным — это много ручной работы, но мы знаем, что алгоритм делает по замыслу, что он может изучать и что ему легче понять сложность решаемой им проблемы. Когда машине приходится взаимодействовать с человеком, это кажется особенно ценным.

  Это показывает, что машинное обучение и ИИ действительно похожи, но не совсем одно и то же. Искусственный интеллект занимается решением проблем, рассуждениями и обучением в целом. Машинное обучение — это именно обучение — обучение на примерах, определениях, высказываниях и поведении. Самый простой способ представить себе их взаимосвязь — представить их в виде концентрических кругов, в которых сначала находится ИИ, а внутри — машинное обучение (внутри обоих — подгонка машинного обучения), поскольку машинное обучение также требует написания алгоритмов, охватывающих все возможные варианты, а именно процесс обучения. Важным моментом является то, что они разделяют идею использования вычислений в качестве языка для разумного поведения. Какие вычисления используются и как они должны быть запрограммированы? Это не правильный вопрос. Вычисления не исключают методы поиска, логического, вероятностного программирования и программирования с ограничениями, а также методы (глубокого) (не)контролируемого обучения и обучения с подкреплением, среди прочего, но в качестве вычислительной модели содержат все эти методы.

  Переосмысление AlphaGo: AlphaGo и его преемник AlphaGo Zero (Silver et al., 2017) сочетают в себе глубокое обучение и поиск по дереву — машинное обучение и искусственный интеллект. В качестве альтернативы следует рассмотреть «Научную задачу ИИ Аллена» (Schoenick et al., 2017). Задача состояла в том, чтобы понять абзац, в котором излагается научная проблема, на уровне средней школы, а затем ответить на вопрос с несколькими вариантами ответов. Все модели-победители использовали машинное обучение, но не смогли пройти тест на уровне компетентного школьника. Все победители утверждали, что было ясно, что применение более глубокого семантического уровня рассуждений с научными знаниями к вопросу и ответам является ключом к достижению истинного интеллекта. Другими словами, ИИ должен охватывать знания, рассуждения и обучение, используя запрограммированные и основанные на обучении запрограммированные модели в комбинированном режиме.

  3. Совместный поиск интеллектуального поведения машин

  Используя вычисления как общий язык, мы прошли долгий путь, но путь впереди еще долгий. Ни одна из современных интеллектуальных машин не может сравниться по широте и глубине с человеческим интеллектом. Во многих реальных приложениях, как показано в AlphaGo и Allen AI Science Challenge, неясно, соответствует ли постановка задачи полному обучению. Проблема вполне может иметь большой компонент, который лучше всего можно смоделировать с помощью алгоритма ИИ без компонента обучения, но могут быть дополнительные ограничения или недостающие знания, которые выводят проблему за рамки ее режима, и обучение может помочь заполнить этот пробел. Точно так же запрограммированные знания и рассуждения могут помочь учащимся заполнить пробелы. Существует симметричная разница между ИИ и машинным обучением, а интеллектуальное поведение машин — это совместный поиск со многими обширными и увлекательными открытыми исследовательскими проблемами:

  • Как компьютеры могут рассуждать и учиться на сложных данных, таких как мультимодальные данные, графики и неопределенные базы данных?

  • Как можно использовать уже существующие знания?

  • Как мы можем гарантировать, что обучающиеся машины удовлетворяют заданным ограничениям и предоставляют определенные гарантии?

  • Как компьютеры могут самостоятельно определять наилучшее представление имеющихся данных?

  • Как мы организуем различные алгоритмы, включая заученные или необученные?

  • Как демократизировать машинное обучение и искусственный интеллект?

  • Могут ли полученные результаты быть физически правдоподобными или легко понятными для нас?

  • Как заставить компьютеры учиться вместе с нами?

  • Как мы можем заставить компьютеры учиться с меньшей помощью и данными, предоставленными нами?

  • Могут ли они самостоятельно определять наилучшие ограничения и алгоритмы для поставленной задачи?

  • Как заставить компьютеры узнавать о мире так же быстро, гибко и объяснимо, как и люди?

  Ответы на эти и другие подобные вопросы осуществят мечту об умных и ответственных машинах. Полностью запрограммированные вычисления вместе с запрограммированными вычислениями на основе обучения помогут лучше обобщить, помимо конкретных данных, которые мы видели, будет ли новое произношение слова или изображения значительно отличаться от тех, которые мы видели раньше. Они позволяют нам значительно выйти за рамки обучения с учителем, к случайному и неконтролируемому обучению, которое не так сильно зависит от размеченных обучающих данных. Они обеспечивают общую основу для непрерывных, глубоких и символических манипуляций. Они позволяют нам получать информацию из когнитивной науки и других дисциплин для машинного обучения и искусственного интеллекта. Они позволяют нам больше сосредоточиться на приобретении знаний здравого смысла и научных рассуждений, а также обеспечивают четкий путь для демократизации технологии ML-AI, как это было предложено De Raedt et al. (2016) и Kordjamshidi et al. (2018). Создание интеллектуальных систем требует знаний в области информатики и обширных навыков программирования для работы с различными методами машинного мышления и обучения на довольно низком уровне абстракции. Создание интеллектуальных систем также требует тщательного исследования методом проб и ошибок для выбора модели, очистки данных, выбора функций и настройки параметров. На самом деле отсутствует теоретическое понимание, которое можно было бы использовать для устранения этих тонкостей. Обычные языки программирования и парадигмы разработки программного обеспечения также не были разработаны для решения проблем, с которыми сталкиваются специалисты по искусственному интеллекту и машинному обучению, таких как работа с беспорядочными реальными данными на правильном уровне абстракции и с постоянно меняющимися определениями проблем. Наконец, наука, управляемая данными, — это исследовательская задача. Начиная с существенного фундамента экспертных знаний в предметной области, соответствующие концепции, а также эвристические модели могут измениться, и даже определение проблемы, вероятно, будет изменено одновременно в свете новых данных. Интерактивное машинное обучение и искусственный интеллект могут стать основой для новых методов, которые моделируют динамически меняющиеся цели и оперативно используют экспертные знания. Чтобы эксперт в предметной области мог управлять исследованиями, основанными на данных, процесс прогнозирования также должен быть достаточно прозрачным.

  4. Выводы

  Машинное обучение и ИИ дополняют друг друга, и следующий прорыв заключается не только в продвижении каждого из них, но и в их объединении. Наши алгоритмы должны поддерживать (пере)обучаемые, (пере)компонуемые модели вычислений и облегчать рассуждения и взаимодействие по отношению к этим моделям на нужном уровне абстракции. Несколько дисциплин и областей исследований должны сотрудничать, чтобы добиться этих прорывов. Использование вычислений в качестве общего языка может способствовать развитию концепций обучения и извлечению информации, которую людям одновременно легко и сложно получить.

  С этой целью в разделе «Машинное обучение и искусственный интеллект» журнала «Границы больших данных» приветствуются фундаментальные и прикладные статьи, а также повторные исследования по широкому кругу тем, лежащих в основе машинного обучения, искусственного интеллекта и их взаимодействия. Это будет способствовать научному обсуждению причин и следствий достижений, обеспечивая правильное представление о полученных результатах. Используя общий язык вычислений, мы можем полностью понять, как добиться разумного поведения машин.

  Вклад авторов

  Автор подтверждает, что является единственным автором этой работы и одобрил ее публикацию.

  Заявление о конфликте интересов

  Автор заявляет, что исследование проводилось в отсутствие каких-либо коммерческих или финансовых отношений, которые могли бы быть истолкованы как потенциальный конфликт интересов.

  Ссылки

  Де Рэдт Л., Керстинг К., Натараджан С. и Пул Д. (2016). Статистический реляционный искусственный интеллект: логика, вероятность и вычисления. Обобщающие лекции по искусственному интеллекту и машинному обучению. Сан-Рафаэль, Калифорния: Издательство Morgan & Claypool.

  Google Scholar

  Гудфеллоу И. Дж., Бенжио Ю. и Курвиль А. К. (2016). Глубокое обучение. Адаптивные вычисления и машинное обучение. Бостон, Массачусетс: MIT Press.

  Джордан, М. И. и Митчелл, Т. М. (2015). Машинное обучение: тренды, перспективы и перспективы. Наука 349, 255–260. doi: 10.1126/science.aaa8415

  PubMed Abstract | Полный текст перекрестной ссылки | Академия Google

  Корджамшиди П., Рот Д. и Керстинг К. (2018). «Системный ИИ: перспектива программирования на основе декларативного обучения», Труды 27-й Международной объединенной конференции по искусственному интеллекту и 23-й Европейской конференции по искусственному интеллекту (IJCAI-ECAI) (Стокгольм).

  Google Scholar

  ЛеКун Ю., Бенжио Ю. и Хинтон Г. (2015). Глубокое обучение. Природа 521, 436–444. doi: 10.1038/nature14539

  PubMed Abstract | Полный текст перекрестной ссылки | Академия Google

  Маккарти, Дж. (2007). Что такое искусственный интеллект? Технический отчет, Стэнфордский университет, доступно в Интернете по адресу: http://jmc. stanford.edu/artificial-intelligence/what-is-ai/index.html (по состоянию на 2 июня 2018 г.).

  Google Scholar

  Митчелл, Т. М. (1997). Машинное обучение. Серия McGraw Hill по информатике . Мейденхед: Макгроу-Хилл.

  Google Scholar

  Панетта, К. (2017). Gartner: 10 основных стратегических технологических тенденций на 2018 год . https://www.gartner.com/smarterwithgartner/gartner-top-10-strategic-technology-trends-for-2018/

  Ratner, A.J., Sa, C.D., Wu, S., Selsam, D., and Ré , С. (2016). «Программирование данных: быстрое создание больших обучающих наборов», Annual Conference on Neural Information Processing Systems (NIPS) (Барселона), 3567–3575.

  Google Scholar

  Рот, Д. (2017). «Случайное наблюдение: выход за рамки контролируемого обучения», в материалах Proceedings of the Thirty-First AAAI Conference on Artificial Intelligence (AAAI) (Сан-Франциско, Калифорния), 4885–4890.

  Google Scholar

  Шеник К.

  No related posts.