निष्पक्ष सार्वभौमिक एल्गोरिथम खुफिया (भाग 2)

LSearch और। Tl

पिछले भाग ( http://habrahabr.ru/post/150056/ ) में, हमने "निष्पक्ष" सार्वभौमिक एल्गोरिथम बुद्धिमत्ता के मूल मॉडल की जांच की, जिसे हम आदर्श न्यूनतम बुद्धिमत्ता (IMI) कहते हैं, क्योंकि ये मॉडल, कुछ वर्ग की ओर उन्मुख नहीं थे। वातावरण जितना संभव हो उतना कॉम्पैक्ट है। हालांकि, यह स्पष्ट है कि वे वास्तविक एआई बनाने के लिए पर्याप्त से दूर हैं।

एल्गोरिदमिक प्रायिकता, साथ ही इसके आधार पर आईएमआई मॉडल का उपयोग करके सार्वभौमिक भविष्यवाणी को लागू करने की असंभवता का स्पष्ट कारण इसकी गैर-कम्प्यूटेबिलिटी है। गैर-कम्प्यूटेबिलिटी दो परिस्थितियों से जुड़ी है:
1) औसत को कई अनंत मॉडल पर किया जाता है;
2) इन मॉडलों में नॉन-स्टॉप एल्गोरिदम हैं (और रुकने की समस्या की अनिर्वायता के कारण, सभी मामलों में यह निर्धारित करना असंभव है कि एल्गोरिथ्म उपलब्ध डेटा पर लूप कर रहा है या नहीं)।

आर। सोलोमन ने बताया [सोलोमनॉफ, 1986] कि एल। ए। द्वारा प्रस्तावित खोज प्रक्रिया व्यावहारिक समस्याओं को हल करने में एल्गोरिथम संभावना का उपयोग करने के लिए एक बड़ा कदम था। लेविन (ए। एन। कोलमोगोरोव का छात्र) [लेविन, 1973] और जिसे अब एलएस सर्च कहा जाता है, जो किसी भी पी या एनपी समस्या का समाधान प्राप्त करने की अनुमति देता है, जो कि एक स्थिर कारक द्वारा गुणा किए गए इष्टतम समय के अनुपात में है।

इस प्रक्रिया का सामान्य विचार प्रत्येक एल्गोरिदमिक मॉडल q के परीक्षण के लिए समय का आवंटन करना है जो कि एक प्राथमिकता संभावना) (q) = 2 ^{–l (q) के} समानुपातिक है। निश्चित संसाधनों के साथ, आप किसी विशेष मॉडल (एल्गोरिथ्म) के निष्पादन के लिए आवंटित करने के लिए प्रोसेसर समय के कितने घड़ी चक्र पूर्व-गणना कर सकते हैं। यदि कुछ संतोषजनक गुणवत्ता प्राप्त करने से पहले समाधान की मांग की जाती है, तो मॉडल को प्राथमिकताओं with (q) के साथ समानांतर में निष्पादित किया जा सकता है (या संभाव्यता ξ (q) के साथ प्रत्येक घड़ी चक्र में अनुक्रमिक निष्पादन के मामले में, गणना को जारी रखने के लिए q मॉडल को चुना जाता है)।

स्पष्ट रूप से, LSearch को कार्य की जटिलता में समय, घातांक की आवश्यकता होती है, और इसका उपयोग केवल बहुत कम आयाम के कार्यों के लिए किया जा सकता है (सोलोमोनोव ने इसे बार-बार नोट किया है, यह दर्शाता है कि LSearch एक अंधा खोज है, जो कि, अतिरिक्त प्राथमिकता के बिना समस्याओं के सटीक समाधान के लिए बेहतर है। जानकारी पेश नहीं की जा सकती)। लेकिन, कम से कम LSearch के आधार पर, एल्गोरिथम संभावना (या एल्गोरिथम जटिलता) का एक कम्प्यूटेशनल संस्करण बनाया जा सकता है, जो इस अर्थ में इष्टतम है। विशेष रूप से, यह ध्यान दिया जा सकता है कि गैर-स्टॉप एल्गोरिदम की उपस्थिति LSearch के लिए कोई समस्या नहीं है, क्योंकि वे केवल लंबे समय तक चलने वाले एल्गोरिदम से अलग नहीं होंगे, जिसके निष्पादन, उपलब्ध संसाधनों की समाप्ति के बाद, पूरा होने का समय नहीं होगा।

हालाँकि, सूक्ष्म प्रश्न यह है कि क्या भविष्यवाणियों में उन एल्गोरिदम द्वारा उत्पन्न परिणामों को ध्यान में रखना है जिनके पास रुकने का समय नहीं था। भविष्यवाणी का मामला विशेष है: अनुमानित प्राकृतिक प्रक्रियाओं से हम अच्छी तरह से गैर-रोक की उम्मीद कर सकते हैं, जो, हालांकि, "इतिहास" के निरंतर संशोधन के साथ नहीं, बल्कि "भविष्य" के गठन के साथ जुड़ा हुआ है। इस मामले में, कहते हैं, एक एल्गोरिथ्म जो एक अनंत अनुक्रम 010101 का उत्पादन करता है ... एक एल्गोरिदम की तुलना में सरल होगा जो समान अनुक्रम का उत्पादन करता है, लेकिन एक निश्चित निश्चित आकार का। इस अर्थ में, q आउटपुटिंग हिस्ट्री x _<k की आवश्यकता (जैसा कि पिछले भाग में, x _{<k का} अर्थ संवेदी संकेतों और सुदृढीकरण संकेतों का एक अनुक्रम है, अर्थात, एजेंट द्वारा प्राप्त सभी इनपुट क्रियाओं को k - 1 से पहले) और स्टॉप (जो किया गया है) एआई में) पूरी तरह से प्राकृतिक नहीं हो सकता है। यह सूक्ष्मता सार्वभौमिक खुफिया मॉडल के विस्तार के मौजूदा स्तर पर एक मौलिक भूमिका नहीं निभाती है।

चूंकि एलग्रेसिक संभावना की एक संगणनीय संशोधन का निर्माण LSearch के आधार पर किया जा सकता है, जिसके लिए गणनाओं के समय की इष्टतमता एक गुणक स्थिरांक तक सिद्ध होती है, यह स्वाभाविक है कि IMR मॉडल के अगले विस्तृत विस्तार में LSearch शामिल हो सकता है।

जाहिर है, सीमित समय के साथ, एलएसईसी प्रक्रिया में केवल छोटे और तेज एल्गोरिदम को निष्पादित करने का समय होगा। कुछ हद तक सामान्यीकरण करते हुए, हम निम्न वितरण को शुरू कर सकते हैं and ^tl लंबाई और निष्पादन समय में सीमित कार्यक्रमों के सेट पर:

पिछले भाग के रूप में, हम स्वयं के रूप में एल्गोरिथम संभावनाओं का परिचय देते हैं


यह ध्यान में रखा जाना चाहिए कि इस रूप में दर्ज वितरण सामान्यीकृत नहीं है। सामान्यीकरण सरल है, लेकिन आप इसके बिना भी कर सकते हैं। हम यह भी ध्यान देते हैं कि हमारे लिए ब्याज की सशर्त संभावनाएं पी _{एएलपी} (x '| x) के साथ सादृश्य द्वारा पेश करना आसान है, जो [हटर, 2007] में सूत्र (42) का एक निश्चित एनालॉग देगा।

जाहिर है,

यही है, जब इस वितरण का उपयोग करते हैं, तो बुद्धिमान एजेंट (असीमित) सार्वभौमिक हो जाएगा, जबकि संसाधनों में अनंतता होती है।

इस वितरण का उपयोग सीधे एआई of के मॉडल को संशोधित करने के लिए किया जा सकता है जब माध्यम के मॉडल की खोज करते हैं। टी और एल के मूल्यों में एक संयुक्त वृद्धि को एलएससीआरसी की तरह ही किया जा सकता है, ताकि समय पर टी प्रत्येक प्रोग्राम क्यू को 2 ^{-एल (क्यू)} टी चरणों द्वारा निष्पादित किया जाए; समय टी, उन कार्यक्रमों के लिए जिनके लिए 2 ^{-l (q)} T> t (q) को निष्पादित करने का समय है, अर्थात, प्रोग्रामों को मान 2 ^{l (q)} t (q) द्वारा हल किया जाएगा। इस मामले में, पहला q मॉडल, जो पर्यावरण के साथ एजेंट की बातचीत के इतिहास को पुन: पेश करता है और भविष्यवाणी करता है, का सबसे छोटा मान 2 ^{l (q)} t (q) होगा, जिसके लघुगणक को लीओस जटिलता कहा जा सकता है (इस तरह की जटिलता की एक गहरी अर्थ है जिसके लिए एक अलग अर्थ की आवश्यकता होती है। विचार-विमर्श)।

न्यूनतम जटिलता के साथ एक मॉडल खोजने के बाद, खोज कम्प्यूटेशनल संसाधनों की थकावट तक नहीं रुक सकती है, क्योंकि आईएमआई मॉडल में सार्वभौमिक भविष्यवाणी में इतिहास के साथ संगत कई मॉडलों का उपयोग शामिल है। हालांकि, केवल सबसे अच्छे मॉडल का उपयोग करते समय, गणना समय O (2 ^L T) हो सकता है, जहां L और T न्यूनतम मॉडल की संगत विशेषताएं हैं। जैसा कि आप देख सकते हैं, इस तरह की कम्प्यूटेशनल स्कीम (एलएस सर्च के समान) में 2 ^एल का धीमा कारक है, इस तथ्य के कारण कि इस मॉडल का पता लगाने से पहले, आपको लगभग 2 ^एल कार्यक्रमों को निष्पादित करना होगा और उनमें से प्रत्येक पर टी घड़ी चक्र तक खर्च करना होगा। इसके अलावा, एक सार्वभौमिक एजेंट के लिए अपने कार्यों की विभिन्न श्रृंखलाओं के लिए भविष्यवाणी करना आवश्यक है (यहां यह भविष्यवाणी और कार्यों की पसंद के कार्यों को अलग करने के लिए आकर्षक है, लेकिन उनका अनुभवहीन अलगाव एजेंट की सार्वभौमिकता का उल्लंघन करता है)।

किसी भी मामले में, बहुविकल्पी मंदी 2 ^एल स्थिर है। और, इसके अलावा, वास्तविक दुनिया के मामले में, मात्रा एल (मध्यम के "सच" मॉडल की लंबाई) ऊपर से असीमित हो सकती है। नतीजतन, मध्यम की एक न्यूनतम निर्धारक मॉडल खोजने की जटिलता बढ़ती कहानी की लंबाई के साथ तेजी से बढ़ेगी। और सीमित संसाधनों के मामले में, यह एजेंट के व्यवहार के अभिसरण को ” ^tl अप्राप्य के वितरण के आधार पर एजेंट के व्यवहार के साथ कुछ" सही "एक प्राथमिकता वितरण μ (ξ = 2 ^{-l (q} के मामले में अभिसरण के बाद से ^{) का उपयोग करेगा} जब मात्रा में वृद्धि हुई है जब यह मात्रा डेटा स्रोत की जटिलता को पार करने लगती है तो अवलोकन डेटा)।

एम। हैटर ने AIξ ^tl मॉडल [हटर, 2005] को पेश किया। यह दिलचस्प है, हालांकि, यह न केवल ξ के बजाय instead ^tl का उपयोग करता है, बल्कि एक खोज विधि का भी प्रस्ताव करता है जो निष्पादन के समय में एक गुणात्मक स्थिर के बजाय एक additive तक इष्टतम है। इस पद्धति का मुख्य विचार सभी को सॉर्ट करना नहीं है, बल्कि केवल उन एल्गोरिदम हैं जिनके लिए यह साबित होता है कि उनके द्वारा अनुमानित उद्देश्य फ़ंक्शन के मूल्यों को ओवरस्टैट नहीं किया गया है। इस मामले में, यह पर्यावरण के मॉडल नहीं हैं जो स्कैन किए गए हैं, बल्कि स्वयं एजेंट के कार्यक्रम, जो, हालांकि, न केवल कार्यों को प्रदर्शित करते हैं, बल्कि सुदृढीकरण मूल्यों (इतिहास में मौजूद और अपेक्षित) भी हैं। मॉडल निष्पादित करने की प्रक्रियाओं के समानांतर काम करने वाले एक अलग एल्गोरिदम द्वारा कुछ औपचारिक प्रणाली में साक्ष्य उत्पन्न किया जाता है।

अन्य कार्यक्रमों की गणना के बिना तर्कसंगत व्यवहार कार्यक्रमों के लिए आवश्यक संपत्ति के कठोर रचनात्मक प्रमाण की संभावना के बारे में कुछ संदेह है। इस अर्थ में, आकर्षक रूप से अभ्यास में योजक स्थिरांक के साथ गुणा धीमा की जगह देखना अप्रभावी साबित हो सकता है। किसी भी मामले में, साक्ष्य की खोज के लिए आवश्यक यह अतिरिक्त समय एक वास्तविक एआई के लिए इस दृष्टिकोण के अनुसार कार्य करने के लिए बहुत लंबा है। चूंकि भविष्य में हम स्वयं एआईएल ^टीएल मॉडल का उपयोग नहीं करेंगे, इसलिए हम इसके खाते पर विस्तृत विवरण प्रदान नहीं करेंगे, जिसके लिए मूल स्रोत को संदर्भित करना बेहतर है।

कुशल और व्यावहारिक सार्वभौमिक बुद्धि।

[वांग, 2007] में, प्रभावी खुफिया की अवधारणा को एक खुफिया के रूप में दिया गया है जो सीमित कंप्यूटिंग संसाधनों और सूचनाओं की स्थितियों में अपने मिशन को पूरा करता है। AI ^tl सीमित संसाधनों और सूचना की स्थिति में संचालित होता है (मध्यम को एक प्राथमिक अनिश्चित मान लिया जाता है), और यह एक निश्चित धीमे कारक तक समय में इष्टतम है। हालांकि, यह अनुकूलता बहुत कमजोर है। लेकिन क्या इसमें सुधार किया जा सकता है?

AIξ ^tl की एक स्पष्ट सीमा यह है कि बढ़ते इतिहास के साथ प्रत्येक बाद की कार्रवाई का विकल्प सरल नहीं है, लेकिन जटिल है क्योंकि कहानी की लंबाई बढ़ जाती है, और इसके साथ ही सबसे छोटी एल्गोरिदम की जटिलता जो इस कहानी को पुन: उत्पन्न कर सकती है (बेशक, यह टिप्पणी AIξ पर लागू नहीं होती है) सभी एल्गोरिदम के माध्यम से हल किया जाता है, जो (हालांकि, बिल्कुल अवास्तविक है)। प्रत्येक नई क्रिया का चयन उसी विधि का उपयोग करके पिछले एक के स्वतंत्र रूप से माना जाता है। नतीजतन, निरंतर डीक्लेरेटिंग कारक माप से माप तक नहीं घटता है, अर्थात, यह वास्तव में कई गुना है कि एजेंट कितनी बार कार्रवाई का विकल्प बनाता है। कार्रवाई की प्रत्येक पसंद की अलगता ही नहीं, बल्कि एजेंट के कामकाज की पूरी प्रक्रिया पर विचार करना स्वाभाविक है। एक बुद्धिमान एजेंट की प्रभावशीलता, सिद्धांत रूप में, माप से माप तक बढ़ सकती है। निर्दिष्ट योगात्मक मंदी कारक गायब नहीं होगा, लेकिन बस उपायों की संख्या से गुणा करना बंद कर दें। और यह परिणाम, सिद्धांत रूप में, सुधार नहीं किया जा सकता है। इसे परेतो इष्टतमता के अर्थ में चित्रित किया जा सकता है, जैसा कि of का वितरण है: कोई खुफिया एल्गोरिथ्म नहीं है जो सभी वातावरणों में इससे बदतर नहीं है और कम से कम एक में बेहतर है।

बेशक, आप इष्टतम के लिए एजेंट व्यवहार के अभिसरण की आवश्यकता को कमजोर कर सकते हैं। सब के बाद, आमतौर पर इष्टतम व्यवहार की आवश्यकता नहीं होती है, लेकिन बस काफी अच्छी है। हालांकि, सीमा में (अनंत संसाधनों के साथ) इष्टतम व्यवहार को मना करने का कोई कारण नहीं है। समस्या, बल्कि, Pareto इष्टतमता का उपयोग है।

सभी वातावरणों के लिए वास्तविक प्रभावशीलता तुरंत प्राप्त नहीं की जा सकती है। हालांकि, हम सभी संभावित वातावरणों में रुचि नहीं रखते हैं। बल्कि, हम Pareto इष्टतमता और IMI मॉडल की सार्वभौमिकता को बनाए रखना चाहते हैं, लेकिन यह हमारे विशेष दुनिया के लिए एक उच्च दक्षता को जोड़ते हैं। इस संबंध में, [Goertzel, 2010] में शुरू की गई व्यावहारिक (प्रभावी) AI की अवधारणा उपयोगी है। अधिक परिचित शब्दावली में, इस तरह के एआई को पक्षपाती कहा जाना चाहिए। हम इस बात पर जोर देते हैं कि "पूर्वाग्रह" का मतलब सार्वभौमिकता का नुकसान नहीं है। पेरेटो-सेट में इष्टतम एआई के लिए कई विकल्प शामिल हैं, जिनमें से कुछ केवल कुछ चुने हुए विकल्प की तुलना में बहुत अधिक "व्यावहारिक" (जो कि हमारी विशेष दुनिया में प्रभावी हैं)।

विशेष रूप से, हमने नोट किया कि चुने हुए सार्वभौमिक मशीन के आधार पर वितरण ξ (q) भिन्न हो सकते हैं। इस मशीन का विकल्प परेतो इष्टतमता के मामले में मायने नहीं रखता है, लेकिन एआई की व्यावहारिकता को बढ़ाने के लिए इसका बहुत महत्व है।

आइए लेख में प्रस्तुत हमारे पद्धति संबंधी सिद्धांतों ( http://habrahabr.ru/post/145309/ ) पर लौटें और यह कहते हुए कि AI सार्वभौमिक होना चाहिए, और यह सार्वभौमिकता तब कायम रहनी चाहिए जब संसाधन की कमी पेश की जाए कि बड़े पैमाने पर एक वास्तविक प्रभावी AI की वास्तुकला का निर्धारण करें। जो सीखने में तेजी लाने के लिए दुनिया के बारे में एक पूर्व सूचना पर आधारित होना चाहिए। अब हम यह स्पष्ट कर सकते हैं कि उनका मतलब एक सार्वभौमिक प्रभावी व्यावहारिक AI बनाना है। Univers (q) के बारे में, सार्वभौमिकता के संरक्षण का अर्थ है algorithm (q) ξ 0 किसी भी एल्गोरिथ्म q के लिए; अधिगम की गति को बढ़ाने के लिए एक प्राथमिकता जानकारी की शुरुआत (व्यावहारिकता में वृद्धि) का अर्थ है एक सार्वभौमिक मशीन का चयन करना जो सबसे पर्याप्त (हमारी दुनिया के लिए) एक प्राथमिकता वितरण ξ (q) निर्धारित करता है; संसाधन की कमी (बढ़ती दक्षता) के लिए लेखांकन का अर्थ है वितरण q ^tl (q) का उपयोग करना और नई जानकारी प्राप्त होने पर इसे परिष्कृत करना।

सहायक मशीन का विकल्प।

एक प्राथमिकता वाली जानकारी दर्ज करने के लिए एक समर्थन मशीन चुनने की संभावना पहले से ही विभिन्न लेखकों [सोलोमनॉफ, 2010], [पैंकोव, 2008] द्वारा नोट की जा चुकी है, और यह भी संकेत दिया गया था कि इसकी पसंद "एजेंटों की रिश्तेदार खुफिया" [हिब्बर्ड, 2009] को प्रभावित करती है। लेकिन व्यवहार में इसका क्या मतलब है?

सहायक मशीन की पसंद को भी शाब्दिक रूप से समझने का खतरा है, अर्थात, ट्यूरिंग मशीन, लैम्ब्डा कैल्सी, औपचारिक व्याकरण, मार्कोव एल्गोरिदम, आदि के बीच का चुनाव। ये सभी औपचारिकताएं, वास्तव में, अलग-अलग formal (q) को निर्दिष्ट करती हैं, लेकिन कोई भी शायद ही उम्मीद कर सकता है कि उनमें से एक दूसरों की तुलना में बहुत अधिक "व्यावहारिक" है। एक संदर्भ मशीन की पसंद की इसी तरह की समझ, लेकिन थोड़ा अधिक व्यावहारिक संस्करण में, सबसे उपयुक्त प्रोग्रामिंग भाषा का चयन करने (या बनाने) की कोशिश की जाती है। दरअसल, कोई भी भाषा कुछ ξ (q) को भी परिभाषित करती है। और सही भाषा चुनने से विशिष्ट मामलों के लिए एल्गोरिदम मॉडल का निर्माण करना आसान हो सकता है। समान विचारों पर आधारित विभिन्न कार्य हैं, उदाहरण के लिए [हॉल, 2008], [लुक्स, 2009]।

यह सब, निश्चित रूप से, सार्वभौमिक एआई की व्यावहारिकता को बढ़ाने के साथ करना है। यहां तक ​​कि उनके लिए शुरू किए गए संचालन के साथ संख्याओं के रूप में कुछ डेटा लाइनों की व्याख्या पहले से ही काफी प्रेरक पूर्वाग्रह निर्धारित करती है, जो हमारी दुनिया के मॉडल के निर्माण की सुविधा प्रदान करती है। और यहां तक ​​कि सिर्फ उपर्युक्त औपचारिकताओं का उपयोग करने से पहले से ही हमारी दुनिया की दिशा में कुछ आगमनात्मक पूर्वाग्रह प्रदान करता है, क्योंकि उनके पास अपेक्षाकृत सरल शारीरिक कार्यान्वयन है (अर्थात, दुनिया खुद एक ऐसी सार्वभौमिक "मशीन" है जो विभिन्न डिजाइन जटिलता वाले अन्य सार्वभौमिक मशीनों का "अनुकरण" करती है)। हालांकि, यहां तक ​​कि समस्या का सबसे सरसरी विश्लेषण, छवि व्याख्या से पता चलेगा कि इस तरह के प्रेरक पूर्वाग्रह पर्याप्त से दूर हैं। वास्तव में, एक न्यूनतम कार्यक्रम जो कुछ छवि उत्पन्न करता है और कुछ अधिक या कम सामान्य भाषा में लिखा जाता है, एक विशाल आकार होगा, और इसे प्रत्यक्ष ज्ञान द्वारा इसे बनाना असंभव होगा।

मस्तिष्क में संवेदी सूचना को संसाधित करने के लिए बड़ी संख्या में विशेष प्रक्रियाएं होती हैं, जिनके बिना एक बुद्धि बुद्धि व्यावहारिक नहीं हो सकती। एक समान निष्कर्ष दूसरों के बारे में बनाया जा सकता है, दोनों निम्न-स्तर और उच्च संज्ञानात्मक कार्य। यह भी प्रतीत हो सकता है कि यह केवल इन विशेष (हमारी दुनिया के लिए उत्पन्न) कार्यों से निपटने के लायक है, और सार्वभौमिक एआई के मॉडल अप्रासंगिक प्रतीत होते हैं। लेकिन हम एक बार फिर से दोहराएंगे कि एक मजबूत एआई बनाने के लिए, हमें सार्वभौमिकता संपत्ति को संरक्षित करने के लिए अपनी पूरी कोशिश करनी चाहिए और प्रभावी व्यावहारिक के सरल मार्ग के साथ जाने के लिए प्रलोभन नहीं देना चाहिए, बल्कि सार्वभौमिक बुद्धिमत्ता नहीं। वास्तव में, मानव बुद्धिमत्ता (इसके सभी "व्यावहारिकता" के बावजूद) सबसे छोटी में भी सार्वभौमिकता की विशेषता है। इस तरह की सार्वभौमिकता के बिना, एक व्यक्ति कभी नहीं देख पाएगा, कह सकता है, मॉनिटर पर टूटे हुए पिक्सेल या आकाश में सितारों द्वारा गठित एक क्रॉस। कोई कंप्यूटर विज़न सिस्टम ऐसी मनमानी दृश्य अवधारणाओं को बनाने में सक्षम नहीं है, अगर वे इसके वर्णन स्थान में प्राथमिकताओं के अनुरूप नहीं हैं। इसका पूर्ण पारदर्शी कारण गैर-सार्वभौमिकता है।

इस प्रकार, प्राकृतिक बुद्धिमत्ता में एक विशाल "पूर्वाग्रह" है (विशेष रूप से, आगमनात्मक पूर्वाग्रह के रूप में), जो इसकी "व्यावहारिकता" सुनिश्चित करता है और इसकी संरचना निर्धारित करता है। इस विस्थापन को determ (q) के निर्धारण में समर्थन मशीन को परिभाषित करने के संदर्भ में वर्णित किया जा सकता है, हालांकि, ऐसी व्याख्या को सरलता से नहीं समझा जाना चाहिए। इस पर जोर देने के लिए, हम इसे "पूर्वाग्रह" संज्ञानात्मक पूर्वाग्रह कहेंगे, क्योंकि मनुष्यों में इस पूर्वाग्रह को संज्ञानात्मक कार्यों (जैसे कि स्मृति, ध्यान, योजना, आदि) में महसूस किया जाता है, जो आईएमआई मॉडल में अनुपस्थित हैं।

ध्यान दें कि संज्ञानात्मक पूर्वाग्रह (संज्ञानात्मक विकृति) की अवधारणा पहले से ही मनोविज्ञान में "व्याप्त" है। वहां, यह प्रकृति में अधिक नकारात्मक है, एक व्यक्ति द्वारा सोचने की प्रक्रिया में व्यवस्थित "गलतियों" का संकेत है। संभाव्यता के बारे में तर्क में त्रुटियां विशेष रूप से उल्लेखनीय हैं, जो यह दर्शाता है कि मानव सोच सांख्यिकीय अनुमान के नियमों का उपयोग नहीं करती है। संज्ञानात्मक पूर्वाग्रह अलग विचार के पात्र हैं। यहां हम ध्यान दें कि हमारे द्वारा शुरू किए गए संज्ञानात्मक पूर्वाग्रह की अवधारणा, हालांकि मनोविज्ञान में संज्ञानात्मक पूर्वाग्रहों की अवधारणा से अधिक सामान्य है, उनके बीच कोई विरोधाभास नहीं है। इसके विपरीत, यह आशा की जाती है कि वे एक-दूसरे की सामग्री को स्पष्ट करना संभव बनाएंगे।

अनुकूलनशीलता और आत्म-अनुकूलन।

यह ऊपर उल्लेख किया गया था कि माना जाता है कि आईएमआई मॉडल अपनी संरचना में गैर-वृद्धिशील हैं: उनमें से प्रत्येक समान एल्गोरिथ्म के अनंत लूप में एक चुनौती का प्रतिनिधित्व करता है; चरण-दर-चरण, केवल इस एल्गोरिथ्म के लिए इनपुट लाइन (पर्यावरण के साथ एजेंट की बातचीत के इतिहास का प्रतिनिधित्व) में परिवर्तन होता है। यह स्पष्ट रूप से स्पष्ट है कि इस रूप में आईएमआर बार-बार इनपुट एक्स की भविष्यवाणी और आउटपुट (एक्शन) वाई चुनने का काम करेगा। यदि कार्यकुशलता बढ़ाने के लिए वितरण q (q) का चयन करके बुद्धि में एक पूर्व सूचना को एम्बेड किया जा सकता है, तो जानकारी के जमा होते ही इस वितरण को संशोधित करना काफी स्वाभाविक है।

इसी तरह की वृद्धिशील शिक्षा (प्रेरण समस्या के एक संकीर्ण संदर्भ में यद्यपि) को भी सोलोमन [सोलोमनॉफ, 2003] द्वारा माना गया था। उनके दृष्टिकोण में महत्वपूर्ण विचार शामिल हैं, लेकिन सामान्य तौर पर यह हेयुरिस्टिक है (उनके विचार बड़े पैमाने पर हेयुरिस्टिक प्रोग्रामिंग से उपजा है) और अपर्याप्त है।

Schmidhuber ने इसी तरह के विचार व्यक्त किए, अनुकूली LSearch का प्रस्ताव, जिसका विचार यह है कि जैसे ही q समस्या का हल ढूंढने के दौरान q प्रोग्राम मिलता है, संभावना ξ (q) काफी बढ़ जाती है; हालाँकि, संशोधन विधि ξ (q) अपने आप में इष्टतमता की गारंटी नहीं देती है [श्मिटुबेर, 2007a]।

श्मिटुबेर ने प्रस्तावित किया [श्मिटुबेर, 2007 बी] एक अलग दृष्टिकोण (जिसे "गोडेल मशीन" कहा जाता है), जिसका अर्थ है कड़ाई से उचित आत्म-अनुकूलन (जिसमें न केवल ξ (q) का वितरण शामिल है, बल्कि एजेंट की बुद्धिमत्ता के अन्य घटक और यहां तक ​​कि उद्देश्य फ़ंक्शन भी शामिल है)। हालाँकि, हालांकि यह दृष्टिकोण अधिक सैद्धांतिक रूप से उचित लगता है, इसमें आत्म-अनुकूलन का कार्य केवल तभी किया जाता है जब यह कड़ाई से सिद्ध किया जा सकता है कि यह भविष्य के सुदृढीकरण में वृद्धि की ओर ले जाता है। हालांकि यह सुनिश्चित करता है कि इस तरह के आत्म-अनुकूलन कम से कम एजेंट के व्यवहार को खराब नहीं करेंगे, यह संदिग्ध है कि यह पर्याप्त प्रभावी होगा, क्योंकि यह साबित करना तर्कसंगत है कि कुछ स्व-संशोधन कदम एजेंट को भविष्य के सुदृढीकरण में गारंटी वृद्धि की ओर ले जाएंगे,समस्या की आगमनात्मक प्रकृति के कारण कई मामलों में यह संभव होने की संभावना नहीं है (हमने एआई के बारे में एक समान पद्धतिगत संदेह व्यक्त किया^टीएल )। यद्यपि यहां साक्ष्य का उपयोग किया जा सकता है कि एक या किसी अन्य स्व-अनुकूलन से भविष्य के सुदृढीकरण में स्वयं वृद्धि नहीं होती है, लेकिन इसकी वृद्धि की संभावना, गोडेल मशीन के लिए उचित स्वयंसिद्धों को चुनने के प्रश्न का उत्तर नहीं दिया गया है, जिससे इस मशीन को "फ्रेम मॉडल" की आवश्यकता होती है विकास। इसी समय, आत्म-अनुकूलन की आवश्यकता का संकेत, जिसमें न केवल ξ (q) का शोधन शामिल है, बल्कि दोनों मॉडल और कार्यों की इष्टतम श्रृंखला के लिए खोज कार्यक्रम भी पूरी तरह से उचित लगता है (यह ध्यान देने योग्य है कि अनंत संसाधनों की स्थितियों में भी संशोधन ξ (q) ) मौजूदा इतिहास को ध्यान में रखने की आवश्यकता नहीं है, क्योंकि भविष्यवाणी उसी पूर्ण इतिहास पर की जाती है)। दुर्भाग्य से, साहित्य में आत्म-अनुकूलन का एक उपयुक्त सिद्धांत अनुपस्थित है और विकास की आवश्यकता है।

आईएमडी अतिरेक।

हम पहले से ही एक प्रारंभिक चर्चा कर चुके हैं कि क्या आईएमआर मॉडल पर्याप्त रूप से सार्वभौमिक हैं। हालांकि, ऐसी सार्वभौमिकता को प्राप्त करने की कठिनाई को देखते हुए, यह पूछना भी उचित है कि क्या यह बेमानी है? शायद ऐसी बहुमुखी प्रतिभा का पीछा अर्थहीन है? हालाँकि एल्गोरिथम की अपूर्णता, तरीकों की कमजोरी को दर्शाती है, जैसे कि मशीन लर्निंग, और यह सहमति होनी चाहिए कि एल्गोरिथम की पूर्णता किसी तरह से आवश्यक है, कई तरह के विचार किए जा सकते हैं, जिसके अनुसार एल्गोरिदम की सार्वभौमिकता से पहले अधिक सामान्य सिद्धांत होने चाहिए। सबसे पहले, हम विकासवादी विचारों के बारे में बात कर रहे हैं।

दरअसल, पहली नज़र में ऐसा लगता है कि, कम से कम, जानवरों के पास सार्वभौमिक बुद्धि नहीं है। यह पता चला है कि सार्वभौमिक बुद्धि एक देर से विकासवादी अधिरचना के रूप में उत्पन्न होती है। यह न केवल सार्वभौमिक बुद्धिमत्ता की प्रभावशीलता को बढ़ाने के द्वारा एक मजबूत एआई को विकसित करने की हमारी इच्छा के अनुरूप होना प्रतीत होता है (धीरे-धीरे प्रभावी व्यावहारिक बुद्धि की सार्वभौमिकता में वृद्धि), बल्कि यह विकासवादी विकास के सिद्धांतों की प्रधानता भी बताता है।

इसके अलावा, हम कह सकते हैं कि व्यक्तिगत रूप से प्रत्येक व्यक्ति की बुद्धि इतनी सार्वभौमिक नहीं है। बेशक, लोग मूल रूप से कुछ भी सीख सकते हैं। विज्ञान के इतिहास में, लोगों ने विभिन्न प्रकार के मॉडल (सार्वभौमिक मशीन सहित) का आविष्कार किया। बच्चे किसी भी भाषा को सीख सकते हैं या सोचने के तरीके सीख सकते हैं (जैसे, गणितीय तरीकों के रूप में) जो एक सदी पहले लोगों के लिए अज्ञात थे। किसी व्यक्ति की कार्यक्रम करने की क्षमता उसकी सोच की एल्गोरिथम सार्वभौमिकता को लगभग बिना शर्त साबित कर देती है। लेकिन एक ही समय में, यह सार्वभौमिकता बहुत सापेक्ष है: लोग अक्सर अपनी सोच की सीमाओं का प्रदर्शन करते हैं, कुछ नया सीखने या सामान्य रूढ़ियों से परे जाने में असमर्थ होते हैं। विज्ञान में भी, एक नए प्रतिमान को पूरी तरह से स्वीकार करने के लिए वैज्ञानिकों के एक पीढ़ीगत परिवर्तन की आवश्यकता होती है।

बेशक, यह इस तथ्य के लिए जिम्मेदार ठहराया जा सकता है कि सीमित संसाधनों की स्थिति में सार्वभौमिक बुद्धिमत्ता से भी और अपेक्षाकृत कम जीवनकाल से, किसी को बहुत अधिक उम्मीद नहीं करनी चाहिए। लेकिन एक ही समय में, मनुष्य की सोच काफी हद तक एक सामाजिक घटना है। पिछले हिस्से में, हमने पहले से ही बौद्धिक एजेंटों के बीच बातचीत को ध्यान में रखने की आवश्यकता पर ध्यान दिया, लेकिन थोड़ा अलग पहलू (बल्कि, "प्रतिस्पर्धी") में। यहां हम इस तथ्य के बारे में बात कर रहे हैं कि सार्वभौमिक बुद्धिमत्ता, शायद, यह किसी व्यक्ति विशेष को नहीं, बल्कि समाज को प्रदान करने के लिए समझ में आता है। हालांकि, समाज भी अस्तित्व के लिए "प्रयास करता है" (या "अनुमानित" कुछ लक्षित "लक्ष्य"), और इसका बहु-एजेंटवाद केवल "वास्तुशिल्प सुविधाओं" में से एक है (हालांकि, शायद, यह बहुत महत्वपूर्ण है),इसलिए, उपरोक्त विचार सार्वभौमिक एल्गोरिथम खुफिया के सामान्य मॉडल के विचार का खंडन नहीं करते हैं।

विकासवादी विचारों पर लौटते हुए, कोई यह भी नोटिस कर सकता है कि विकासवादी "खोज" "एल्गोरिदमिक रूप से पूर्ण स्थान" में जाती है (ऐसे प्रतिनिधित्व के मॉडल पर जोर देने के लिए हम इन शब्दों को उद्धृत करते हैं)। वास्तव में, मनमाने ढंग से "एल्गोरिदम" (विशेष रूप से, पशु और मानव व्यवहार कार्यक्रम) को आनुवंशिक कोड में लिखा जा सकता है, अर्थात, आनुवंशिक कोड का पठन "सार्वभौमिक मशीन" द्वारा किया जाता है। इस अर्थ में, विकास "एल्गोरिदमिक रूप से सार्वभौमिक" भी है। इसके अलावा, यह एक "आत्म-अनुकूलन खोज" निकला है, क्योंकि इस तरह के खोज मेटाहिस्ट्रोसिस जैसे क्रॉस जो व्यापक रूप से एआई में उपयोग किए गए थे, विकास में एक प्राथमिकता नहीं थे, लेकिन "आविष्कार" किए गए थे। और ऐसे बहुत सारे "आविष्कार" हैं। इसके अलावा, पहले मेटाह्यूरिस्टिक्स के "आविष्कार" में अरबों साल लगे,जबकि बाद में विकास की गति में काफी वृद्धि हुई है (खासकर अगर हम वैज्ञानिक और तकनीकी प्रगति को एक एकल वैश्विक विकास प्रक्रिया की निरंतरता के रूप में मानते हैं)। इस अर्थ में, वैश्विक विकास (जिसकी शुरुआत, शायद, प्रतिकृतियों की उपस्थिति के क्षण को भी जिम्मेदार ठहराया जाना चाहिए, जो गैर-तुच्छ "मशीन" भी हैं) मूल रूप से एक अप्रभावी, निष्पक्ष, लेकिन आत्म-अनुकूलन सार्वभौमिक "खुफिया" था जिसने धीरे-धीरे एक प्रभावी व्यावहारिक बुद्धि - मानव बुद्धि का निर्माण किया। शायद विकास और बुद्धिमत्ता के बीच सामंजस्य बहुत अधिक पूर्ण नहीं है, लेकिन दोनों ही मामलों में "एल्गोरिथम सार्वभौमिकता" और "आत्म-अनुकूलन खोज" के गुण बहुत स्पष्ट हैं। इससे, विशेष रूप से, हम यह निष्कर्ष निकाल सकते हैं कि एक निष्पक्ष बुद्धि को कम से कम पूरे विकास को दोहराना होगा,क्या इस खुफिया को अप्रत्याशित और व्यावहारिक रूप से अवास्तविक बनाता है।

समाज या विकास पर विचार व्यक्तिगत एजेंटों के उद्देश्य समारोह के बारे में कुछ बिंदुओं को स्पष्ट कर सकता है, लेकिन यह सामाजिक और विकासवादी विकास के मानदंडों के बारे में अतिरिक्त सवाल उठाएंगे। अन्यथा, ऐसा विचार हमें एल्गोरिथम रूप से पूर्ण रिक्त स्थान में स्व-अनुकूलन खोज की समस्या को हल करने की आवश्यकता से नहीं बचाएगा। आप मॉडलिंग विकास के उदाहरण पर इस समस्या का अध्ययन कर सकते हैं, लेकिन अंत में हमें एक व्यावहारिक एआई बनाने की आवश्यकता है। इस प्रकार, बुद्धि के विकासवादी और सामाजिक पहलुओं का एक विचार इसके अनुसंधान और विकास के लिए कोई अधिक सामान्य सिद्धांत प्रदान नहीं करता है, लेकिन, इसके विपरीत, आगे विचार के तहत मुद्दे के महत्व पर जोर देता है।

निष्कर्ष।

IMR मॉडल कम्प्यूटेशनल बनाने के लिए काफी आसान हैं और कुछ हद तक संसाधन की कमी को ध्यान में रखते हैं। हालांकि, सबसे अच्छे मामले में, वे निष्पादन समय में 2 ^{एल के} लिए आनुपातिक , जो कि एल मध्यम के "सच" मॉडल की लंबाई है, के लिए आनुपातिक रूप से लगातार गुणा करने के लिए इष्टतम हो जाते हैं । इस तथ्य के अलावा कि व्यक्तिगत विशेष समस्याओं के लिए भी एल का मूल्य बड़ा हो सकता है, एक स्टोकेस्टिक माध्यम के लिए यह बिल्कुल सीमित नहीं है, और इसलिए, आईएमआर मॉडल के संशोधन की आवश्यकता है। गुणक मंदी के कारक को एक योजक कारक में बदल दिया जा सकता है, जो हालांकि, और भी अधिक महत्वपूर्ण होने के अलावा, समय में हर पल कार्य भी करता है।

निरोधात्मक कारक को कम करने का अर्थ है आत्म-अनुकूलन, जिनमें से उपलब्ध तरीके, दुर्भाग्य से, संदेह को बढ़ाते हैं। इसके अलावा, सार्वभौमिक स्व-अनुकूलन की निष्पक्ष विधि में एक विशाल योगात्मक निरंतरता बनी रहेगी जो इस तथ्य की विशेषता है कि एक प्रभावी बुद्धि बनने के लिए, वास्तव में, विकास को दोहराने की आवश्यकता होगी। इसके अलावा, आईएमआर मॉडल के मनमाने ढंग से सरलीकरण से उचित व्यवहार के महत्वपूर्ण रूपों का उल्लंघन हो सकता है।

IMI के सीधे अनुभवहीन सरलीकरण के बजाय, एक प्रभावी व्यावहारिक बुद्धि का निर्माण इस तरह के प्रेरक पूर्वाग्रह और खोज उत्तराधिकार (भविष्यवाणी, कार्यों और आत्म-अनुकूलन की पसंद) के कार्यान्वयन का तात्पर्य है जो इस खुफिया "पक्षपाती" - एक विशिष्ट दुनिया के लिए अग्रिम रूप से अनुकूलित होगा (लेकिन, हम फिर से, नुकसान के बिना जोर देते हैं। सार्वभौमिकता, चूंकि दुनिया में स्वयं एक मनमाना पैटर्न हो सकता है)। जाहिर है, इस तरह के "पूर्वाग्रह" को विशुद्ध रूप से विश्लेषणात्मक रूप से कम नहीं किया जा सकता है और दुनिया के सामान्य गुणों पर विचार करने की आवश्यकता होती है, जो विशेष रूप से, प्राकृतिक संज्ञानात्मक आर्किटेक्चर की विशेषताओं में परिलक्षित होनी चाहिए।

साहित्य।

(Goertzel, 2010) Goertzel B. रियल-वर्ल्ड जनरल इंटेलिजेंस // की औपचारिक औपचारिकता की ओर // इन: ई। बॉम, एम। हटर, ई। कित्ज़ेलमैन (ईडीएस), एडवांस इन इंटेलिजेंट सिस्टम रिसर्च। 2010. वॉल्यूम। 10 (प्रो। तीसरा आत्मविश्वास। आर्टिफिशियल जनरल इंटेलिजेंस पर, एजीआई 2010, लूगानो, स्विट्जरलैंड, 5-8 मार्च, 2010।)। पी। 19-24।

(हॉल, 2008) हॉल एस। VARIAC: एक ऑटोजेनस कॉग्निटिव आर्किटेक्चर // इन: फ्रंटियर्स इन आर्टिफिशियल इंटेलिजेंस एंड एप्लीकेशंस (प्रोक। 1 एजीआई कॉन्फ्रेंस)। 2008. वी। 171. पी। 176–187।

(हिबर्ड, 2009) इंटेलिजेंस जनरल जर्नल ऑफ इंटेलिजेंस // जर्नल के औपचारिक माप में हिब्बार्ड बी। बायस और नो फ्री लंच । 2009. वी। 1. पी। 54–61।

(हटर, 2005) हटर एम।यूनिवर्सल आर्टिफिशियल इंटेलिजेंस। एल्गोरिथम संभावना / स्प्रिंगर के आधार पर अनुक्रमिक निर्णय । 2005.278 पी।

(हटर, 2007) हंटर एम। यूनिवर्सल एल्गोरिथम इंटेलिजेंस: आर्टिफिशियल जनरल इंटेलिजेंस में एक गणितीय टॉप → डाउन अप्रोच //। कॉग्निटिव टेक्नोलॉजीज, बी। गोएर्टज़ेल और सी। पेनाचिन (Eds।)। स्प्रिंगर। 2007. पी। 227-290।

(लुक्स, 2009) लुक्स एम।, गोएर्ट्ज़ेल बी। प्रोग्राम इंटेलीजेंस फॉर जनरल इंटेलिजेंस // बी। गोएर्टज़ेल, पी। हित्ज़लर, एम। हटर (ईडीएस), एडवांस इन इंटेलिजेंट सिस्टम रिसर्च। वी। 8 (प्रोसी। 2 क। आर्टिफिशियल जनरल इंटेलिजेंस पर, एजीआई 2009, आर्लिंगटन, वर्जीनिया, यूएसए, 6-9 मार्च, 2009)। पी। 114–119।

(पैंकोव, 2008) पंकोव एस। AIXI मॉडल / आर्टिफिशियल इंटेलिजेंस और एप्लीकेशन में फ्रंटियर्स के लिए एक कम्प्यूटेशनल स्वीकृति (प्रोक प्रथम AGI सम्मेलन)। 2008. वी। 171. पी। 256–267।

(श्मिटुबर, 2007 ए) श्मिटुबेर जे। द न्यू एआई: जनरल एंड साउंड एंड रेलेवेंट फॉर फिजिक्स // आर्टिफिशियल जनरल इंटेलिजेंस में। कॉग्निटिव टेक्नोलॉजीज, बी। गोएर्टज़ेल और सी। पेनाचिन (Eds।)। स्प्रिंगर।2007. पी। 175-198।

(श्मिटुबेर, 2007 बी) श्मिटुबेर जे। गोडेल मशीनें: पूरी तरह से स्व-रेफ़रेंशियल ऑप्टिमल यूनिवर्सल सेल्फ-इम्प्रूवर्स // इन: आर्टिफिशियल जनरल इंटेलिजेंस। कॉग्निटिव टेक्नोलॉजीज, बी। गोएर्टज़ेल और सी। पेनाचिन (Eds।)। स्प्रिंगर। 2007. पी। 199–226।

(सोलोमनॉफ, 1986) सोलोमनॉफ़ आर । आर्टिफिशियल इंटेलिजेंस में समस्याओं के लिए एल्गोरिथम संभावना का अनुप्रयोग // इन: एलएन कनाल और जेएफ लेमर (ईडीएस)। आर्टिफिशियल इंटेलिजेंस में अनिश्चितता: एल्सेवियर साइंस पब्लिशर्स। 1986. पी। 473–491।

(सोलोमनॉफ, 2003) सोलोमनॉफ़ आर। इनक्रीमेंटल मशीन लर्निंग में प्रगति // तकनीकी रिपोर्ट IDSIA-16-03, IDSIA। 2003।

(सोलोमनॉफ, 2010) सोलोमनॉफ़ आर। एलगोरिदमिक प्रोबेबिलिटी, हेयुरिस्टिक प्रोग्रामिंग एंड एजीआई // इन: ई। बॉम, एम। हटर, ई। किट्ज़ेलमैन (ईडीएस), एडवांस इन इंटेलिजेंट सिस्टम रिसर्च। 2010. वी। 10 (प्रोक। 3 क। आर्टिफिशियल जनरल इंटेलिजेंस पर, लूगानो, स्विट्जरलैंड, 5-8 मार्च, 2010)। पी। 151-157।

(वांग, 2007) वांग पी। द लॉजिक ऑफ इंटेलिजेंस। इन: आर्टिफिशियल जनरल इंटेलिजेंस // इन: कॉग्निटिव टेक्नोलॉजीज, बी। गोएर्टज़ेल और सी। पेनाचिन (ईडीएस)। स्प्रिंगर, 2007. पी। 31–62।

(लेविन, 1973) लेविन एल.ए. गणना के सार्वभौमिक कार्य // सूचना हस्तांतरण की समस्याएं। 1973. टी। 9. नंबर 3. पी। 115–116।