सार्वभौमिक बुद्धि का संज्ञानात्मक पूर्वाग्रह

परिचय।

पिछले लेखों ( http://habrahabr.ru/post/150056/ और http://habrahabr.ru/post/150902/ ) में हमने आदर्श न्यूनतम बुद्धिमत्ता (IMI) के सरलतम मॉडलों की जांच की, विशेष रूप से, AI मॉडल। बहुत महत्वपूर्ण आरक्षणों के साथ, कोई भी लगभग सहमत हो सकता है कि "AIXI मॉडल सबसे बुद्धिमान निष्पक्ष एजेंट संभव है" [हटर, 2007] और उसके व्यवहार में IMI किसी व्यक्ति से अधिक सीमित नहीं होगा, लेकिन पर्याप्त कंप्यूटिंग संसाधनों और जानकारी के साथ । अंतिम अस्वीकरण मुख्य कारणों को स्पष्ट करता है कि इन मॉडलों ने वास्तविक एआई के निर्माण का नेतृत्व क्यों नहीं किया और उन्हें केवल इसके लिए पहला छोटा कदम क्यों माना जा सकता है। यह निर्धारित करना महत्वपूर्ण है कि आगे कहाँ जाना है।

जैसा कि हमने पिछले लेखों में उल्लेख किया है, ब्याज वास्तविक है, "व्यावहारिक" (जो कि हमारी दुनिया के लिए अनुकूलित है), न कि "निष्पक्ष" (पारगम्य वातावरण के संपूर्ण वर्ग के लिए इष्टतम) IMI मॉडल द्वारा वर्णित बुद्धिमत्ता। व्यावहारिक एआई को पूरी तरह से एक मनमाना वातावरण में इष्टतम कार्यों को चुनने की समस्या के विशुद्ध रूप से विश्लेषणात्मक विचार के आधार पर नहीं बनाया जा सकता है। यहां तक ​​कि सबसे प्रभावी आत्म-अनुकूलन अपर्याप्त होगा, क्योंकि इसके लिए न केवल विकास के साथ तुलनात्मक गणना की एक बड़ी मात्रा की आवश्यकता होगी, बल्कि पर्यावरण के साथ एजेंट की भौतिक बातचीत की एक उचित मात्रा भी होगी। सार्वभौमिक एआई की व्यावहारिकता को "संज्ञानात्मक पूर्वाग्रह" की शुरूआत द्वारा सुनिश्चित किया जाना चाहिए, जिनमें से तत्व एआई और मानव सोच के शास्त्रीय अध्ययनों में किसी न किसी रूप में प्रकट होते हैं, जिनमें से सभी में अनुभवजन्य उपयोगिता है। यहां संचित जानकारी को अस्वीकार नहीं किया जा सकता है, लेकिन सार्वभौमिक बुद्धि के सिद्धांत के ढांचे में उनकी विशेष व्याख्या आवश्यक है। हम बताते हैं कि संज्ञानात्मक कार्यों की शुरूआत आईएमआर की मौलिक क्षमताओं का विस्तार नहीं करती है, लेकिन इसकी प्रभावशीलता / व्यावहारिकता में वृद्धि होनी चाहिए।

बोध।

IMR मॉडल में इस तरह के एक विशिष्ट संज्ञानात्मक कार्य को धारणा के रूप में शामिल नहीं किया जाता है, यदि धारणा को न केवल इनपुट के रूप में संवेदी डेटा प्राप्त करने के लिए समझा जाता है, बल्कि सटीक रूप से उन विशिष्ट संज्ञानात्मक प्रक्रियाएं हैं जो प्राकृतिक प्रणालियों की विशेषता हैं। इसके अलावा, धारणा की प्राकृतिक प्रणालियों में एक स्पष्ट संरचना होती है जो वास्तविक दुनिया में सामने आने वाली नियमितताओं के अनुरूप एक बड़ा प्रेरक पूर्वाग्रह स्थापित करती है। इस पूर्वाग्रह को सूचनाओं के निरूपण के रूप में कार्यान्वित किया जाता है और एक संपूर्ण खोज के बिना संवेदी डेटा की बहुत प्रभावी व्याख्या संभव बनाता है।

धारणा के उदाहरण पर, यह बिल्कुल स्पष्ट होना चाहिए कि IMR मॉडल जिनकी एल्गोरिदमिक मॉडल के लिए प्रत्यक्ष खोज की आवश्यकता होती है, उदाहरण के लिए, उन छवियों के लिए जिनकी लंबाई लाखों बिट्स से अधिक है (यानी, विचाराधीन मॉडल की संख्या >> 10 ¹⁰⁰⁰⁰⁰ ), बिल्कुल अवास्तविक हैं। इसी समय, इस बात पर जोर दिया जाना चाहिए कि संवेदी धारणा की मानव प्रणाली सार्वभौमिकता को बनाए रखती है। वह लगभग मनमानी नियमितता द्वारा दी गई उत्तेजना का पता लगा सकती है। इसी समय, किसी भी कंप्यूटर विज़न सिस्टम के लिए उत्तेजनाओं का एक वर्ग ढूंढना बहुत आसान है जिसे वह पहचान नहीं पाता है। यह गैर-तुच्छ उत्तेजनाओं (उदाहरण के लिए, [पोटापोव और रोझकोव, 2012] और उसके संदर्भ में देखें) के साथ एक वातानुकूलित पलटा के गठन के प्रयास में स्पष्ट रूप से देखा जाता है। यह इस संदर्भ में है कि एक राय व्यक्त की जाती है कि, रोबोटिक्स, कृत्रिम बुद्धिमत्ता, मशीन धारणा और सीखने के क्षेत्र में महत्वपूर्ण प्रगति के बावजूद, वास्तव में संज्ञानात्मक प्रणालियों की कमी है, जिसमें एक असंरचित वातावरण [पावेल अल अल, 2007] में काम करने के लिए पर्याप्त समानता है। धारणा प्रणालियों के गैर-सार्वभौमिकता (मॉडल स्थान के एल्गोरिथम पूर्णता के अर्थ में) के साथ स्पष्ट रूप से जुड़ा हुआ है।

आईएमआई में, मॉडल के निर्माण की प्रक्रिया में निहित धारणा शामिल है: इसमें एक विशिष्ट संज्ञानात्मक कार्य के रूप में, यह दुनिया के अधिक जटिल प्रतीकात्मक मॉडल से अलग नहीं है। इस तरह के एक पृथक्करण (लेकिन विभाजन "नरम" है!) एक अनुमान के रूप में माना जा सकता है, लेकिन यह स्वाभाविक रूप से पर्याप्त नहीं है, और सामान्य प्रश्न उठता है कि आईएमआर में मॉडल के निर्माण की प्रक्रिया को और अधिक कुशल कैसे बनाया जाए।

मॉडल।

IMR पर्यावरण मॉडल के चयन और निर्धारण का अर्थ नहीं है। इष्टतम भविष्यवाणी के लिए, विभिन्न भार वाले सभी संभावित मॉडल, जिन्हें भविष्यवाणी में ध्यान में रखा जाता है, सभी उपलब्ध आंकड़ों के लिए क्रमबद्ध हैं। स्वाभाविक रूप से, हमारे लिए यह बिल्कुल बेकार है। कभी-कभी यह भी लग सकता है कि एक व्यक्ति दुनिया के एक एकल सच्चे मॉडल की तलाश में है। विशेष रूप से, सभी विज्ञान दुनिया के एकल एकीकृत मॉडल का निर्माण करने का एक प्रयास है जो असंदिग्ध कानूनों से मेल खाता है। बेशक, वैज्ञानिक अनुसंधान की प्रक्रिया में, विभिन्न प्रतिस्पर्धी सिद्धांतों को हल किया जाता है, लेकिन अंत में, उनके बीच एक विकल्प बनाया जाता है। इसके अलावा, सिद्धांतों की बहुलता काफी हद तक एक बुद्धि के भीतर नहीं, बल्कि समाज की बहु-एजेंट प्रकृति के कारण समर्थित है।

धारणा के मामले में, एकल मॉडल या व्याख्या चुनने के लिए एक स्पष्ट प्रवृत्ति भी है। यह दोहरे भ्रम में विशेष रूप से स्पष्ट है, जब मानव दृष्टि दो समकक्षों से एक व्याख्या का चयन करती है। उसी समय, एक व्यक्ति जानबूझकर अपनी दृष्टि को एक अलग व्याख्या में बदल सकता है, लेकिन एक ही समय में दोनों विकल्पों को नहीं देख सकता है। यह संरचनात्मक स्तर पर, संरचनात्मक रूप से, और शब्दार्थ स्तर पर, दोनों निम्न स्तर पर होता है। यह सर्वविदित है कि कई द्वैतवादी भ्रम हैं, जो एक बार फिर से कोई मतलब नहीं है।

हालांकि, यहां इस बात पर जोर दिया जाना चाहिए कि कार्यों का चयन करते समय भविष्यवाणी करने के लिए एक एकल सुसंगत मॉडल का विकल्प न केवल अनावश्यक है, बल्कि हानिकारक भी है। इसलिए, एक वास्तविक एआई, आम तौर पर बोल रहा है, पर्यावरण के एक (और एक) मॉडल बनाने की कोशिश करने के लिए बाध्य नहीं है, और यहां तक ​​कि एक स्पष्ट रूप में भी। वैश्विक सच्चे मॉडल (सुसंगत स्वयंसिद्धों का एक बड़ा आधार) के समर्थन से एआई बनाने का प्रयास महत्वपूर्ण कठिनाइयों में भाग गया। यहां, नई जानकारी प्राप्त करते समय सत्य बनाए रखने के लिए प्रणालियों के साथ कठिनाइयां पैदा होती हैं, यह प्रेरक व्यवहार आदि को लागू करने के लिए समस्याग्रस्त हो जाता है।

एक व्यक्ति को स्वाभाविक रूप से न केवल डेटा, बल्कि मॉडल, कुछ मामलों में कुछ मॉडल का उपयोग करते हुए, दूसरों में - परस्पर विरोधी द्वारा निर्देशित किया जा सकता है। यहां तक ​​कि यह भी कहा जा सकता है कि "प्रकृति में" कोई परस्पर विरोधी डेटा नहीं है (कम से कम उनके लिए वे नहीं हैं); सार्वभौमिक भविष्यवाणी मॉडल को सरल बनाने पर वे एक विशेषता के रूप में दिखाई देते हैं। इसके अलावा, एक व्यक्ति पूरी तरह से कुछ नहीं देख सकता है या नहीं सुन सकता है और जो कुछ था उसके बारे में विभिन्न धारणाओं को सामने रखता है। यही है, सभी संभव मॉडल के सैद्धांतिक रूप से आदर्श विचार को मॉडल की गणना के परिणामों के "स्मार्ट" विश्लेषण द्वारा प्रतिस्थापित किया जाता है।

वास्तविक एआई में मॉडल का चयन और वृद्धिशील शोधन स्वाभाविक रूप से आवश्यक होगा। हर बार, सभी उपलब्ध मॉडलों पर इंडक्शन करने के लिए और सभी संभावित मॉडलों के माध्यम से सॉर्ट करना सीमित संसाधनों की स्थिति में बेहद बेकार है। लेकिन, एक ही समय में, संसाधन बाधाओं की शुरूआत इतनी कठोर नहीं होनी चाहिए कि केवल "सच" मॉडल बनी रहे।

विशेष रूप से, मॉडल और भविष्यवाणी की खोज में विचारहीन सरलीकरण व्यवहार के महत्वपूर्ण रूपों का नुकसान होता है (उदाहरण के लिए, जानकारी खोजने के उद्देश्य से आगमनात्मक व्यवहार)। विज्ञान में भी, सिद्धांतों के बीच का चुनाव सिर्फ वर्तमान आंकड़ों पर आधारित नहीं है, बल्कि विभिन्न सिद्धांतों की एक साथ जांच की जाती है ताकि यह निर्धारित किया जा सके कि कौन से प्रयोग मौजूदा अनिश्चितता को कम करने के लिए नई जानकारी प्रदान करेंगे। यह इस तरह के आगमनात्मक व्यवहार के कारण है (कई मॉडलों पर विचार करते समय संभव है) कि जानकारी जमा होती है जो मॉडल की गुणवत्ता में अंतर को इतना बढ़ा देती है कि पसंद लगभग अस्पष्ट हो जाती है। वे मॉडल जो सामग्री (और गुणवत्ता) के करीब हैं, उन्हें अलग-अलग मॉडल के रूप में संसाधित नहीं किया जाता है, लेकिन एक "फजी" मॉडल के रूप में। इस तरह के अनिश्चित / फजी मॉडल की शुरूआत आपको एकल मॉडल का चयन करते समय भी आगमनात्मक व्यवहार के प्रभाव को प्राप्त करने की अनुमति दे सकती है: वास्तव में, कुछ कार्यों से अनिश्चितता में अधिक कमी आएगी, जो निम्न क्रियाओं को पूरा करने के बाद अधिक सुदृढीकरण प्राप्त करने की अनुमति देगा। स्वाभाविक रूप से, सवाल बना रहता है, जिसमें सैद्धांतिक विचार की आवश्यकता होती है, सबसे कुशल तरीके से "फजी" मॉडल के साथ मॉडल के सेट को कैसे बदलना है।

इसलिए, मॉडल पिछले समय में प्राप्त किए गए प्रेरण के परिणामों के "कैशिंग" के रूप में दिखाई देते हैं, और सार्वभौमिक प्रेरण में मॉडल के पूरे अनंत सेट की गणना करने पर प्रतिबंध के रूप में दिखाई देते हैं, लेकिन इन मॉडलों को "कोमलता" से पेश किया जाना चाहिए ताकि सार्वभौमिकता खो न जाए।

प्रस्तुत करना।

विचाराधीन मॉडल की संख्या को सीमित करना आवश्यक है, लेकिन पर्याप्त से बहुत दूर है। यहां तक ​​कि एक सबसे अच्छे मॉडल का उपयोग करना (यानी, एल्गोरिथमिक संभावना के बजाय कोलमोगोरोव जटिलता का उपयोग करना) अनुचित रूप से महंगा है: एल के मॉडल के लिए खोज समय 2 ^{एल के} समानुपाती होगा ^। मॉडल की जटिलता संदर्भ मशीन (प्रोग्रामिंग विधि) की पसंद पर निर्भर करती है। लेकिन यहां तक ​​कि एक समर्थन मशीन की एक सफल पसंद के साथ, कुछ मॉडलों की लंबाई (वास्तविक कानूनों का वर्णन) इन मॉडलों के प्रत्यक्ष खोज द्वारा निर्मित होने के लिए बहुत बड़ी हो जाएगी। अतिरिक्त मेटाह्यूरिस्टिक्स की यहाँ आवश्यकता है।

दृश्य धारणा की समस्या के हिस्से के रूप में, हमने पहले से ही सार्वभौमिक प्रेरण को छवि विश्लेषण के वास्तविक तरीकों के करीब लाने का प्रयास किया है [पोटापोव, 2012]। हम प्रतिनिधि न्यूनतम विवरण लंबाई के सिद्धांत के बारे में बात कर रहे हैं, जो उप-कार्यों में पर्यावरण के साथ एजेंट की बातचीत के पूर्ण इतिहास के एक मॉडल के निर्माण के कार्य को समाप्त करने की आवश्यकता से उपजा है जो लगभग स्वतंत्र रूप से हल हो गए हैं। यदि संवेदी डेटा की कुछ लंबी लाइन को सबस्ट्रिंग में विभाजित किया जाता है, तो सब्सट्रिंग की जटिलता का आकलन समग्र रूप से इतिहास की एल्गोरिथम जटिलता से बहुत बड़ा होगा। इस संबंध में, इस तरह के प्रत्यक्ष अपघटन अस्वीकार्य है। हालांकि, अगर इन सबस्ट्रिंग से आपसी जानकारी निकाली जाती है, जो कि व्यक्तिगत रूप से प्रत्येक विकल्प का वर्णन करते समय एक प्राथमिकता के रूप में उपयोग की जाती है, तो सब्सट्रिंग्स की कुल सशर्त एल्गोरिथम जटिलता कहानी की जटिलता के बहुत करीब होगी। इस पारस्परिक जानकारी को एक प्रतिनिधित्व (विवरण विधि) के रूप में व्याख्या (या रूप में व्यक्त) किया जा सकता है। अभ्यावेदन की शुरूआत एक संदर्भ मशीन की पसंद के समान होती है, लेकिन दो पहलुओं में भिन्न होती है: अभ्यावेदन की अवधारणा में अतिरिक्त अपघटन metaheuristics शामिल हैं, और विभिन्न अभ्यावेदन का उपयोग अलग-अलग डेटा टुकड़ों के लिए किया जा सकता है, जो आवश्यक रूप से एल्गोरिदम को पूरा करने के लिए अनुरूप नहीं हो सकता है (जबकि संदर्भ मशीन एक प्राथमिक संभावनाओं के एकल वितरण को परिभाषित करता है) मॉडल स्थान में)।

वास्तव में, यदि हम उदाहरण के लिए, दृष्टि, तो छवियों का वर्णन (प्राकृतिक प्रणालियों में और लागू स्वचालित तरीकों दोनों में) हमेशा कुछ प्राथमिकताओं के प्रतिनिधित्व के ढांचे के भीतर किया जाता है, जिसका उद्देश्य न केवल पर्यावरणीय मॉडल के स्थान में संभाव्यता वितरण को स्थानांतरित करना है। , लेकिन उनके अपघटन को वैध बनाते हैं। विशेष रूप से, छवियों की एक प्राथमिकताओं के उपयोग के कारण, कंप्यूटर विज़न मेथड्स प्रत्येक छवि पर अलग-अलग लागू होते हैं, इसके बजाय इनपुट के लिए बड़ी संख्या में विभिन्न छवियों की आवश्यकता होती है, जिसकी समग्रता के लिए प्रत्येक छवियों में होने वाले जटिल पैटर्न व्युत्पन्न किए जा सकते हैं।

प्रस्तुति की अवधारणा बहुत ही उत्पादक है। अभ्यावेदन का विचार संवेदी डेटा के अभ्यावेदन, और ज्ञान के अभ्यावेदन, और मानसिक अभ्यावेदन (यानी, अभ्यावेदन को प्राकृतिक बुद्धिमत्ता की एक सामान्य संज्ञानात्मक विशेषता कहा जा सकता है) पर लागू होता है। यहां तक ​​कि पदानुक्रमित विवरणों के सामान्य विचार, जिसका स्वतंत्र मूल्य है, को एक महत्वपूर्ण, लेकिन विशेष रूप के प्रतिनिधित्व के विचार के रूप में माना जाना चाहिए। पदानुक्रमित विघटन, ज़ाहिर है, संभवतः अधिक कुशल है। मशीन धारणा में इस प्रकार के प्रतिनिधि बहुत आम हैं। हालांकि, गहन पदानुक्रमित अपघटन इसी प्रतिनिधित्व के ढांचे के भीतर निर्मित मॉडल की गुणवत्ता में कमी की ओर जाता है। अनुकूली प्रतिध्वनि का परिचय देकर इस नकारात्मक प्रभाव के लिए मुआवजा प्राप्त किया जा सकता है। फिर, मजबूत एआई के लिए कुछ तरीकों में, अनुकूली प्रतिध्वनि का मूल्य निरपेक्ष है (यह माना जाता है कि यह SRS की कुंजी है)। हालांकि अनुकूली प्रतिध्वनि तंत्र का मूल्य निश्चित रूप से महान है, यह समझना चाहिए कि यह केवल उन विशेषताओं में से एक है जिन्हें सार्वभौमिक प्रेरण के सिद्धांत के ढांचे में औपचारिक रूप दिया जा सकता है।

यह संवेदी धारणा के मामले के लिए भी जन्मजात विचारों की कमी को ध्यान देने योग्य है। इस तथ्य के पक्ष में बहुत सारे सबूत हैं कि मनुष्य और कई अन्य जानवरों में, प्रतिनिधित्व (यहां तक ​​कि बहुत कम स्तर की धारणा) एक विशिष्ट वातावरण के अनुकूल है। और एआई के लिए, निरूपण के स्वचालित निर्माण की आवश्यकता है, जिसे सार्वभौमिक प्रेरण [पोटापोव एट अल।, 2010] के सिद्धांत में भी अध्ययन किया जा सकता है और जो, संभवतः, प्रभावी सार्वभौमिक एआई के आत्म-अनुकूलन का एक तत्व होना चाहिए, क्योंकि निरूपण में प्रशिक्षण एक अधिक ठोस और "व्यावहारिक" तरीका है। संदर्भ मशीन का वृद्धिशील शोधन, जो मॉडल स्थान में एक प्राथमिकता संभावना वितरण निर्धारित करता है। लेकिन एक ही समय में, यह कई अभ्यावेदन की सार्वभौमिकता (एल्गोरिथम पूर्णता) को बनाए रखने की आवश्यकता पर फिर से जोर देने के लायक है।

योजना।

ऊपर, हमने वृद्धिशील मॉडल के निर्माण के बारे में बात की, जो कहानी को धीरे-धीरे लंबा करते हुए घनीभूतता को कम करने का एक तरीका है। हालांकि, इष्टतम कार्यों को चुनने के कार्य में उच्च कम्प्यूटेशनल जटिलता भी है, और इस कार्य के लिए वेतन वृद्धि निर्णय योजनाओं को लागू करना काफी स्वाभाविक है। इस तरह की योजनाएं योजना की अवधारणा को जन्म देती हैं, जो व्यक्ति की संज्ञानात्मक विशेषताओं में से एक है।

यह ध्यान दिया जा सकता है कि न केवल आईएमआर, बल्कि "जानवर बल" पर आधारित कमजोर एआई के तरीके भी योजना का उपयोग नहीं करते हैं। विशेष रूप से, यह सफल शतरंज कार्यक्रमों को संदर्भित करता है, जो उन्हें मानव खिलाड़ियों से बहुत अलग बनाता है, जो लगभग हमेशा योजनाओं पर भरोसा करते हैं, "बुरी योजना कोई भी नहीं है" के सिद्धांत का पालन करते हुए [बुशिंस्की, 2009]। पिछले समय चरणों में किए गए खोज परिणामों के पुन: उपयोग सहित योजना, आपको संसाधनों को बचाने की अनुमति देती है। वास्तव में, योजनाएं अग्रिम में बनाई जाती हैं (और जब परिस्थितियां अनुमति देती हैं, अर्थात, यदि मुफ्त कंप्यूटिंग संसाधन हैं), और उन्हें केवल निष्पादन के दौरान परिष्कृत किया जाता है, जो किसी भी समय पूरे खोज पेड़ को खरोंच से पुनर्निर्माण करने की आवश्यकता के अभाव का तात्पर्य करता है। इस तरह की रणनीति, बेशक, आईएमआर में शामिल हो सकती है, हालांकि, इसका अच्छा कार्यान्वयन तुच्छ नहीं हो सकता है। इस अर्थ में, एक शतरंज कार्यक्रम एक व्यक्ति के विपरीत, अक्षम्य रूप से बौद्धिक है। हालांकि, यह तथ्य कि शतरंज के खेल जैसे संकीर्ण वर्ग के वातावरण के लिए, यह अप्रभावी एआई के साथ करना आसान हो जाता है इसका मतलब यह नहीं है कि सार्वभौमिक बुद्धि के लिए समान अवसर है।

योजना आपकी खोज को अनुकूलित करने के अन्य तरीकों से निकटता से संबंधित है। इसलिए, लोग कुछ सामान्यीकृत क्रियाओं के संदर्भ में योजनाएँ बनाते हैं और खोज करते हैं। योजनाएं जितनी दूर होंगी, कार्यों के संदर्भ में वे उतने ही अधिक सारगर्भित होंगे। सामान्य क्रियाओं का उपयोग करना स्पष्ट रूप से विधर्मी है। इन कार्यों को कुछ विचारों के ढांचे में भी वर्णित किया गया है, लेकिन वे सार्वभौमिक प्रेरण के सिद्धांत में सीधे व्युत्पन्न नहीं हैं। व्यवहार में, कमजोर एआई के तरीकों में, इस तरह के प्रतिनिधित्व को एक प्राथमिकता दी जाती है, और उनके लिए विशिष्ट नियोजन एल्गोरिदम विकसित किए जाते हैं। सार्वभौमिक एआई के लिए यह स्पष्ट रूप से पर्याप्त नहीं है।

खोज अंतरिक्ष के लिए एक वृद्धिशील खोज और अभ्यावेदन के रूप में खुद की योजना बनाने के अलावा, इसे कम करने के लिए कई अनुमानी तकनीकें हैं। उसी समय, एक ओर, खोज और अनुकूलन के तरीके, जैसे कि हेयुरिस्टिक प्रोग्रामिंग, सिम्युलेटेड एनीलिंग, आनुवंशिक एल्गोरिदम, आदि। क्लासिक ऐ में अत्यधिक विकसित। दूसरी ओर, वर्तमान में खोज समस्या का कोई सामान्य समाधान नहीं है। यह बहुत संभावना है कि एक एकल प्रभावी खोज विधि नहीं हो सकती है, और विभिन्न प्रकार के कार्यों के लिए बेहतर अनुकूलन और विशिष्ट खोज विधियों के अनुकूल होने के बाद से कुछ प्रकार की स्व-अनुकूलन रणनीतियों की आवश्यकता अपरिहार्य है।

वर्तमान में, मनमाने ढंग से खोज करने के लिए खोज करने में सक्षम प्रभावी व्यावहारिक सामान्य आत्म-अनुकूलन का कोई सिद्धांत नहीं है। हालांकि, यहां तक ​​कि अगर इस तरह के आत्म-अनुकूलन की एक विधि मौजूद थी, तो इसके त्वरण के लिए कुछ सामान्य मेटाह्यूरिस्टिक्स की आवश्यकता होगी (अन्यथा यह व्यावहारिक नहीं होगा)।

सामान्य तौर पर, यह स्पष्ट है कि गणना को कम करने के अन्य तरीकों के साथ-साथ, कंप्यूटिंग संसाधनों के अनुकूलन का एक तत्व "केवल" है। आईएमआर के साथ सटीक पत्राचार को बनाए रखते हुए इसे एक अनुमान के रूप में भी नहीं पेश किया जा सकता है, लेकिन इस रूप में यह बहुत प्रभावी नहीं होगा।नियोजन को लागू करने के अधिक विधर्मी तरीके सभी संभावित वातावरण के लिए काम नहीं करेंगे, लेकिन वे विशिष्ट, लेकिन पर्यावरण के बहुत व्यापक वर्ग के लिए बहुत प्रभावी हो सकते हैं। यह इस तरह की अवधारणाएं हैं (जो इस अर्थ में कि वह पर्यावरण के कुछ वर्गों के लिए अर्थहीन हैं) इस तरह के निलंबन और फिर से शुरू होने के रूप में उत्पन्न होती हैं। इसी समय, यह सवाल भी बना रहता है कि कौन से विशेष नियोजन तंत्र (और विभिन्न खोज मेटाह्योरिस्टिक्स) को जन्मजात बनाया जाना चाहिए, और कौन से बौद्धिक एजेंट के पास भविष्य के समय में सीखने का मौका होगा।

ज्ञान।

ज्ञान मानव बुद्धि में एक विशेष भूमिका निभाता है। इसी समय, आईएमआर ज्ञान में स्पष्ट रूप से उपयोग नहीं किया जाता है। इसके बजाय, वे स्पष्ट रूप से उनसे ज्ञान निकाले बिना पर्यावरण के साथ बातचीत के इतिहास के समग्र मॉडल का निर्माण करते हैं। सिद्धांत रूप में, ज्ञान को अक्सर धारणा और नियंत्रण के पदानुक्रमित मॉडल के ऊपरी स्तर (उदाहरण के लिए, दृश्य प्रणाली के ऊपरी स्तर के रूप में) के रूप में देखा जाता है। इस संदर्भ में, धारणा, योजना और धारणाओं के अनुभागों में पहले से ही चर्चा की गई चीज़ों में थोड़ा जोड़ा जा सकता है। हालांकि, ज्ञान प्रणालियों की अपनी विशेषताएं हैं। विशेष रूप से, केवल ज्ञान का प्रतिनिधित्व (और निचले-स्तर का प्रतिनिधित्व नहीं) मामूली गैर-विशिष्ट हैं और "अर्थ" का वर्णन करते हैं, और ज्ञान का उपयोग न केवल पर्यावरण के आंतरिक मॉडल का वर्णन करने के लिए किया जाता है,लेकिन उनका उपयोग विभिन्न एजेंटों के बीच संचरण के लिए भी किया जाता है (सामाजिक इंटरैक्शन संज्ञानात्मक पूर्वाग्रह के एक अलग ब्लॉक का गठन करते हैं, जिसे हम नीचे चर्चा करेंगे)।

सामान्य तौर पर, ज्ञान का प्रतिनिधित्व शायद आईएमआर के आत्म-अनुकूलन की प्रक्रिया में पता लगाया जा सकता है, लेकिन इस प्रक्रिया के लिए पर्यावरण के साथ एक बहुत लंबी बातचीत की आवश्यकता होती है। पर्यावरण के उपयोगी निरूपण, विशिष्ट तौर-तरीकों से अलग, एक प्रभावी प्रभावी प्राथमिकी में आईएमआर के विस्तार को और तेज कर सकते हैं। लेकिन, फिर से, इन विचारों को आईएमआर की सार्वभौमिकता को सीमित नहीं करना चाहिए, क्योंकि इसमें लगभग सभी मौजूदा संज्ञानात्मक आर्किटेक्चर और अधिक निजी ज्ञान-आधारित प्रणालियां हैं।

स्मृति।

हम कह सकते हैं कि उनके पास स्मृति है, लेकिन सबसे अधिक आदिम है। IMR केवल किसी अन्य फ़ंक्शन को निष्पादित किए बिना सभी कच्चे डेटा को संग्रहीत करता है। इसी समय, स्मृति सबसे संज्ञानात्मक आर्किटेक्चर के केंद्रीय तत्वों में से एक है। इसके अलावा, किसी व्यक्ति की मेमोरी बहुत अधिक जटिल है, और इसके कार्य सीमित से भंडारण तक हैं। जैसा कि आप जानते हैं, मानव स्मृति का मुख्य कार्य, जो कंप्यूटर पर प्रजनन के लिए मुख्य समस्या है, सामग्री पर जानकारी का निष्कर्षण है। कहो, हम कुछ घटना, स्थान, वस्तु, व्यक्ति को उनके मौखिक विवरण, छवि के टुकड़े, पेंसिल स्केच, आदि के अनुसार याद कर सकते हैं।

आईएमआई में उनके जैसा कुछ नहीं है। क्या इसका मतलब यह है कि सार्वभौमिक एजेंट उस व्यवहार को प्रदर्शित नहीं कर पाएंगे जो हमारी स्मृति के लिए हमारे लिए उपलब्ध है? बिलकुल नहीं।भविष्यवाणी के लिए हमें सबसे पहले स्मृति की आवश्यकता है। हम भविष्य की भविष्यवाणी करने के लिए अतीत को याद करते हैं (या भविष्य में कम से कम बेहतर विकल्प बनाते हैं)। स्मृति के किसी अन्य जैविक अर्थ के साथ आना मुश्किल है। वास्तव में, प्राकृतिक स्मृति इतनी बारीकी से प्रेरण और भविष्यवाणी के कार्यों के साथ एकीकृत होती है कि यह अपने शुद्धतम रूप में व्यावहारिक रूप से अविभाज्य है। एक विशेष मेमोरी डिवाइस इस तथ्य के कारण है कि यह कम्प्यूटेशनल रूप से सबसे कुशलतापूर्वक (हमारी दुनिया की विशेषताओं को ध्यान में रखते हुए) किया जाता है। हम दूसरी थीसिस को पहले से अलग करते हैं। यदि हमारी मेमोरी केवल कच्चे डेटा (उदाहरण के लिए, एक लंबी फिल्म के रूप में) संग्रहीत करेगी, तो इस "फिल्म" में कुछ खोज मापदंड को पूरा करने वाले दृश्यों को खोजने के लिए, हमें प्रत्येक दृश्य को संसाधित करते हुए, पूरी फिल्म को फिर से देखना होगा। ऐसा करने का क्या मतलब हैयदि "फिल्म" पहले ही एक बार देखी और व्याख्या की जा चुकी है? स्वाभाविक रूप से, पहले से निर्मित और उनके बीच खोज का संचालन करने वाले उनके विवरणों को याद रखना अधिक किफायती है।

असीमित संसाधनों के साथ, इस तरह की दक्षता की आवश्यकता नहीं होती है, और समय के प्रत्येक क्षण में, आईएमआई केवल बातचीत के पूरे इतिहास को फिर से संसाधित करता है। यह पहले ही नोट किया गया है [Goertzel, 2010] कि IMR में संज्ञानात्मक संरचना के रूप में स्मृति की कमी असीमित संसाधनों की धारणा से जुड़ी है। लेकिन जैसे ही हम अपने सार्वभौमिक एजेंट के यथार्थवाद को बढ़ाना चाहते हैं, सीमित संसाधनों को ध्यान में रखते हुए, हमें मेमोरी संरचना को जटिल करना होगा और इसे मॉडल बनाने, भविष्यवाणी करने और कार्यों को चुनने की प्रक्रियाओं के साथ एकीकृत करना होगा।

प्राकृतिक स्मृति के विशेष कार्यों के अलावा, इसमें एक निश्चित संगठन (एपिसोडिक / शब्दार्थ; अल्पकालिक / दीर्घकालिक, आदि) है। आंशिक रूप से यह संगठन अन्य पहलुओं पर विचार करता है। उदाहरण के लिए, IMR मॉडल में इंटरैक्शन के पूरे इतिहास को पुन: पेश करता है। यह एक साथ एपिसोडिक और अर्थ संबंधी सामग्री का वर्णन करता है। जैसे ही अभ्यावेदन पेश किए जाते हैं जो विशिष्ट डेटा को पुन: पेश नहीं करते हैं, लेकिन "शर्तों" को परिभाषित करते हैं जिसमें इस डेटा का वर्णन किया जाता है, स्मृति प्रकारों का एक उपयुक्त पृथक्करण प्रकट होता है। मेमोरी डिवाइस की कई विशेषताओं को समझने के लिए समय में अभ्यावेदन की तैनाती की गतिशीलता पर विचार करना आवश्यक है।

स्मृति संगठन की अन्य विशेषताएं हैं जो मॉडल और कार्यों के लिए खोज के संज्ञानात्मक पूर्वाग्रह या उत्तराधिकार के अतिरिक्त तत्व प्रदान कर सकती हैं। उदाहरण के लिए, स्पष्ट हेयुरिस्टिक रूप से विशिष्ट स्मृति की उपस्थिति है। यह प्रतिबंध (आईएमआर के संदर्भ में महत्वपूर्ण) के निष्कर्ष की ओर जाता है, जो प्रेरण (मॉडल निर्माण की प्रक्रिया) को सरल बनाने के लिए, विभिन्न तौर-तरीकों के डेटा की अपेक्षाकृत स्वतंत्र रूप से व्याख्या करता है। ऐसा अलगाव बहुत स्वाभाविक लगता है और लिया जाता है, लेकिन फिर हम इस बात पर जोर देते हैं कि यह अनिवार्य रूप से विधर्मी है और पूरी तरह से दूर है।

यहाँ मानव मेमोरी डिवाइस की एक और बहुत ही खुलासा करने वाली विशेषता है। ये चंक्स हैं, जिन्हें कुछ संज्ञानात्मक आर्किटेक्चर [गोबेट और लेन, 2010] के आधार के रूप में भी लिया जाता है। वे संभवतया स्मृति में मॉडल के अंतिम अपघटन से जुड़े होते हैं (अर्थात, अलग-अलग मॉडलों द्वारा एकजुट किए गए न्यूनतम समूहों में वस्तुओं के पूरे याद किए गए सेट को अलग करना)। चंक्स इंडक्शन प्रॉब्लम के अपघटन की प्रक्रिया का केवल एक एपिफेनोमेनन हो सकता है, लेकिन वे स्पष्ट रूप से दिखाते हैं कि इसे हल करने में लागतों को कम से कम करने की कितनी वास्तविक बुद्धिमत्ता है।

इस प्रकार, मानव स्मृति की विशेषताएं "संज्ञानात्मक पूर्वाग्रह" के तत्वों का एक महत्वपूर्ण स्रोत हैं, लेकिन इन विशेषताओं की एक सही समझ के लिए भी सार्वभौमिक बुद्धिमत्ता के ढांचे के भीतर एक विस्तृत विश्लेषण की आवश्यकता होती है।

चरित्र और उप चरित्र का स्तर।

शास्त्रीय एआई की पद्धति में, उप-प्रतीकात्मक (जैसे, तंत्रिका नेटवर्क) और प्रतीकात्मक (जैसे, तार्किक) तरीकों में काफी सख्त विभाजन है। यह स्वयं को संज्ञानात्मक वास्तुशिल्प के विभाजन में भी प्रकट और प्रतीकात्मक रूप में प्रकट करता है। अब दोनों दृष्टिकोणों को संयोजित करने की प्रवृत्ति है, विशेष रूप से, संकर आर्किटेक्चर के विकास के रूप में। लेकिन इस तरह के विभाजन की उपस्थिति का तथ्य उल्लेखनीय है। दरअसल, IMI में ऐसा नहीं है। क्या व्यक्ति के पास यह है, यानी प्रतीकात्मक और उप-प्रतीकात्मक स्तरों में एक स्पष्ट विभाजन है प्राकृतिक संज्ञानात्मक वास्तुकला की विशेषता?

यह बिल्कुल स्पष्ट है कि दो अलग-अलग स्तरों का अलगाव इस तथ्य के कारण है कि ऊपरी स्तर चेतना के माध्यम से सुलभ है, और न्यूरोफिज़ियोलॉजिकल अध्ययनों के माध्यम से निचले स्तर (जिसके परिणाम सबसे सीधे सेंसरिमोटर प्रतिनिधित्व के निम्न स्तर से जुड़े हो सकते हैं)। इंटरमीडिएट स्तर प्रत्यक्ष अवलोकन के लिए बस दुर्गम हैं, इसलिए, बहुत खराब अध्ययन किया गया है। इस संबंध में, एआई कभी-कभी "मिडिल लेयर प्रॉब्लम" (या "सिमेंटिक एब्स" की समस्या) को सबसे कठिन में से एक के रूप में अलग करता है। हालांकि, संगठन के मध्यवर्ती स्तरों की उपस्थिति, हालांकि कुछ हद तक प्रतीकात्मक / सबसिंबोलिक डाइकोटॉमी की गंभीरता को कम करती है, इस तथ्य को रद्द नहीं करती है कि प्राकृतिक बुद्धि में संगठन के अलग-अलग स्तर हैं।

इस तरह के एक स्पष्ट विभाजन को अपने आप होने की संभावना नहीं है, अगर इसे वास्तुशिल्प रूप से नहीं रखा गया है। विशेष रूप से, यह शायद ही आईएमआई द्वारा गठित मॉडल में प्रतिष्ठित किया जा सकता है (इन मॉडलों में, भले ही विभिन्न स्तरों की कुछ अवधारणाएं मौजूद हों, वे निराशाजनक रूप से मिश्रित होंगे)। प्राकृतिक बुद्धिमत्ता में, निर्माणाधीन पर्यावरण के न केवल मॉडल जिनमें पर्याप्त रूप से उच्च-स्तरीय संरचना होती है, बल्कि विभिन्न स्तरों पर काम के तरीके भी स्पष्ट रूप से भिन्न होते हैं (कम से कम यह तथ्य कि चेतना मुख्य रूप से उच्च स्तर के मॉडल से जुड़ी होती है) उल्लेखनीय है। इसलिए, उप-प्रतीकात्मक स्तर पर, विशिष्ट पैटर्न मुख्य रूप से संवेदी डेटा की एक बड़ी सरणी में ध्यान में रखा जाता है, जबकि प्रतीकात्मक स्तर मनमाने पैटर्न के साथ काम करता है, लेकिन अत्यधिक कम डेटा में। हालांकि, यह केवल स्तरों का एक सामान्य विवरण है।उनके परिचय के साथ, सार्वभौमिकता को अभी भी स्तरों के बीच प्रत्यक्ष और प्रतिक्रिया संबंधों के रूप में संरक्षित किया जाना चाहिए, साथ ही साथ एक उप-प्रतीकात्मक (और मध्यवर्ती प्रतीकात्मक) स्तर पर किसी भी कम्प्यूटेशनल पेडिकेट्स (बुनियादी अवधारणात्मक अवधारणाओं) के निर्माण की संभावना के रूप में भी। एक उदाहरण जेस्टाल्ट (अवधारणात्मक समूहन के नियम) के नियम हैं, जो सभी लोगों के लिए विशिष्ट हैं, लेकिन फिर भी, सांस्कृतिक और आदिम लोग भिन्न हो सकते हैं (जो स्वयं को प्रकट कर सकते हैं, उदाहरण के लिए, (अन) कुछ ऑप्टिकल भ्रमों के लिए संवेदनशीलता)। दूसरे शब्दों में, अवधारणात्मक समूहीकरण के नियम संवेदी डेटा में विशिष्ट पैटर्न के अनुरूप हैं, लेकिन ये पैटर्न ontogenesis की विशेषताओं के आधार पर उपयुक्त अभ्यावेदन में डाल सकते हैं या नहीं हो सकते हैं।और उप-प्रतीकात्मक (और मध्यवर्ती प्रतीकात्मक) स्तर पर किसी भी कम्प्यूटेशनल विधेय (बुनियादी अवधारणात्मक अवधारणाओं) के निर्माण की संभावना के रूप में भी। एक उदाहरण जेस्टाल्ट (अवधारणात्मक समूहन के नियम) के नियम हैं, जो सभी लोगों के लिए विशिष्ट हैं, लेकिन फिर भी, सांस्कृतिक और आदिम लोग भिन्न हो सकते हैं (जो स्वयं को प्रकट कर सकते हैं, उदाहरण के लिए, (अन) कुछ ऑप्टिकल भ्रमों के लिए संवेदनशीलता)। दूसरे शब्दों में, अवधारणात्मक समूहीकरण के नियम संवेदी डेटा में विशिष्ट पैटर्न के अनुरूप हैं, लेकिन ये पैटर्न ontogenesis की विशेषताओं के आधार पर उपयुक्त अभ्यावेदन में डाल सकते हैं या नहीं हो सकते हैं।और उप-प्रतीकात्मक (और मध्यवर्ती प्रतीकात्मक) स्तर पर किसी भी कम्प्यूटेशनल विधेय (बुनियादी अवधारणात्मक अवधारणाओं) के निर्माण की संभावना के रूप में भी। एक उदाहरण जेस्टाल्ट (अवधारणात्मक समूहन के नियम) के नियम हैं, जो सभी लोगों के लिए विशिष्ट हैं, लेकिन फिर भी, सांस्कृतिक और आदिम लोग भिन्न हो सकते हैं (जो स्वयं को प्रकट कर सकते हैं, उदाहरण के लिए, (अन) कुछ ऑप्टिकल भ्रमों के लिए संवेदनशीलता)। दूसरे शब्दों में, अवधारणात्मक समूहीकरण के नियम संवेदी डेटा में विशिष्ट पैटर्न के अनुरूप हैं, लेकिन ये पैटर्न ontogenesis की विशेषताओं के आधार पर उपयुक्त अभ्यावेदन में डाल सकते हैं या नहीं हो सकते हैं।एक उदाहरण जेस्टाल्ट (अवधारणात्मक समूहन के नियम) के नियम हैं, जो सभी लोगों के लिए विशिष्ट हैं, लेकिन फिर भी, सांस्कृतिक और आदिम लोग भिन्न हो सकते हैं (जो स्वयं को प्रकट कर सकते हैं, उदाहरण के लिए, (अन) कुछ ऑप्टिकल भ्रमों के लिए संवेदनशीलता)। दूसरे शब्दों में, अवधारणात्मक समूहीकरण के नियम संवेदी डेटा में विशिष्ट पैटर्न के अनुरूप हैं, लेकिन ये पैटर्न ontogenesis की विशेषताओं के आधार पर उपयुक्त अभ्यावेदन में डाल सकते हैं या नहीं हो सकते हैं।एक उदाहरण जेस्टाल्ट (अवधारणात्मक समूहन के नियम) के नियम हैं, जो सभी लोगों के लिए विशिष्ट हैं, लेकिन फिर भी, सांस्कृतिक और आदिम लोग भिन्न हो सकते हैं (जो स्वयं को प्रकट कर सकते हैं, उदाहरण के लिए, (अन) कुछ ऑप्टिकल भ्रमों के लिए संवेदनशीलता)। दूसरे शब्दों में, अवधारणात्मक समूहीकरण के नियम संवेदी डेटा में विशिष्ट पैटर्न के अनुरूप हैं, लेकिन ये पैटर्न ontogenesis की विशेषताओं के आधार पर उपयुक्त अभ्यावेदन में डाल सकते हैं या नहीं हो सकते हैं।लेकिन ये पैटर्न ontogenesis की सुविधाओं के आधार पर, उचित अभ्यावेदन में डाल सकते हैं या नहीं भी हो सकते हैं।लेकिन ये पैटर्न ontogenesis की सुविधाओं के आधार पर, उचित अभ्यावेदन में डाल सकते हैं या नहीं भी हो सकते हैं।

यह सब उनके ढांचे के भीतर मॉडल निर्माण के प्रतिनिधित्व और उत्तराधिकार की एक सामान्य संरचना के रूप में व्याख्या की जा सकती है, जो (अभ्यावेदन की अवधारणा के अलावा) कंप्यूटिंग संसाधनों में महत्वपूर्ण बचत प्रदान करती है (लेकिन सार्वभौमिकता के घातक उल्लंघन के बिना)।

एसोसिएशन।

मानव सोच की कई संज्ञानात्मक विशेषताएं हैं जो किसी न किसी तरह एसोसिएशन से जुड़ी हैं। यह एक कई-पक्षीय घटना है, क्योंकि एसोसिएशन का प्रतिनिधित्व और मॉडल दोनों के लिए किया जा सकता है, और अमूर्त के सभी स्तरों पर। लेकिन सभी मामलों में आम कुछ है।

जाहिर है, प्रेरण और कार्यों की पसंद दोनों की वास्तविक समस्याओं का अपघटन हमेशा अधूरा निकलता है। संबद्ध प्रक्रियाओं के प्रयासों की व्याख्या उन प्रक्रियाओं के रूप में की जा सकती है जो डेटा तत्वों, मॉडलों और अभ्यावेदन के बीच संभावित संबंधों को स्थापित करती हैं, जो सार्वभौमिक बुद्धिमत्ता का सामना कर रहे एकल कार्य के विघटन के परिणामस्वरूप शुरू में स्वतंत्र रूप से विचार किया गया था।

सबसे स्पष्ट ऐसी व्याख्या प्रेरण समस्या के अपघटन के मामले के लिए है। संवेदी डेटा के टुकड़ों के दो मॉडल के बीच एक संबंध स्थापित किया जाता है यदि उनके बीच पारस्परिक जानकारी है जो सांख्यिकीय शब्दों (अक्सर पारस्परिक घटना) या संरचनात्मक शब्दों (एक सरल एल्गोरिथ्म की उपस्थिति जो एक मॉडल को दूसरे में अनुवाद करती है) में व्यक्त की जा सकती है। उत्तरार्द्ध भी उपमाओं और रूपकों का आधार है।

सबसे जटिल संघ का एक उदाहरण स्थानांतरण प्रशिक्षण है, जिसमें एक विषय क्षेत्र से प्रतिनिधित्व अन्य विषय क्षेत्रों में स्थानांतरित किया जाता है। यह तथ्य कि सिद्धांत में यह संभव और उपयोगी है, हमारी दुनिया के विशेष गुणों का प्रमाण है, जिसके उपयोग पर स्थानांतरण प्रशिक्षण आधारित है। हालांकि अवशिष्ट कनेक्शन की बहुत उपस्थिति, विभिन्न विषय क्षेत्रों के बीच आपसी जानकारी हमारे पर्यावरण की कुछ विशेष संपत्ति नहीं है (यह आश्चर्य की बात होगी अगर इस तरह के रिश्ते बिल्कुल नहीं थे), लेकिन सीमित संसाधनों की स्थिति में इन कनेक्शनों को खोजने और उपयोग करने की क्षमता है घातीय। सबसे पहले, यह स्पष्ट रूप से मानव बुद्धि की सार्वभौमिकता को इंगित करता है, निर्माण के तहत विचारों की संरचना पर सख्त प्रतिबंधों की कमी,वास्तविकता के टुकड़ों के बीच संबंध स्थापित करने के लिए, और, दूसरी बात, संज्ञानात्मक पूर्वाग्रह का एक तत्व भी है।

यह कहना मुश्किल है कि क्या हस्तांतरण सीखने का तंत्र, संघों की स्थापना, उपमाएं, रूपक, काफी भिन्न हैं, या ये एक ही तंत्र के विभिन्न अनुप्रयोग हैं। लेकिन इन सभी तंत्रों (जैसे उपर्युक्त अनुकूली प्रतिध्वनि) को संसाधन की आवश्यकताओं को कम करने के तरीके और इस कमी के नकारात्मक प्रभाव को खत्म करने के तरीके दोनों पर विचार किया जा सकता है, इस पर निर्भर करता है कि हम सार्वभौमिकता या सार्वभौमिक बुद्धिमत्ता के लिए व्यावहारिक प्रभावी बुद्धिमत्ता से आगे बढ़ रहे हैं या नहीं दक्षता / व्यावहारिकता पक्ष। अब स्थानांतरण शिक्षा को सार्वभौमिक AI की समस्याओं से अलग माना जाता है, और यह आश्चर्यजनक नहीं है कि स्थानांतरण शिक्षा के आधुनिक मॉडल अत्यधिक विशिष्ट हैं:उनमें, दो अभ्यावेदन (जिसके बीच ज्ञान हस्तांतरण किया जाता है) के बीच मानचित्रण हमेशा मैन्युअल रूप से सेट किया जाता है और केवल उनके लिए काम करता है। मनुष्यों में स्थानांतरण सीखने की स्पष्ट सार्वभौमिकता बताती है कि इसे सार्वभौमिक एआई के मूल से बहुत निकटता से होना चाहिए।

एक बार फिर, IMI में स्थानांतरण प्रशिक्षण अलग से नहीं होता है, और वहां इसकी आवश्यकता नहीं होती है (लेकिन केवल अवास्तविक असीमित संसाधनों के लिए धन्यवाद): डेटा के किसी भी टुकड़े के बीच किसी भी पारस्परिक जानकारी को वहां ध्यान में रखा जाता है, और इसके अभाव के कारण खोज के स्तर पर स्थानांतरण की आवश्यकता नहीं होती है। चूंकि स्थानांतरण प्रतिनिधित्व के स्तर पर किया जाता है, सिद्धांत रूप में यह उनके साथ प्रकट होना चाहिए और एक वास्तविक AI में अभ्यावेदन के उपयोग के लिए एक सार्वभौमिक AI से एक चिकनी संक्रमण की अनुमति देता है।

स्थानांतरण प्रशिक्षण [सीनेटर, 2011] सबसे विकसित संघ का एक उदाहरण है। कोई कम उल्लेखनीय (अपने चरम प्रसार के कारण) सबसे निचले स्तर का संघ है। व्यवहार स्तर पर, ये वातानुकूलित सजगताएँ हैं (और इससे भी कम तंत्रिका नेटवर्क स्तर पर, यह हेब्ब का नियम है)। बेशक, एसोसिएशन द्वारा खुद को अक्सर केवल वातानुकूलित रिफ्लेक्स की तुलना में कुछ अधिक जटिल समझा जाता है (उदाहरण के लिए, वी। एफ। ट्यूरिन के अनुसार, संघ जटिल रिफ्लेक्स के लिए एक नियंत्रण प्रणाली है, अर्थात, सबसे विकसित सजगता के संबंध में एक मेटासिस्टम है)। हालांकि, उनका आधार एक ही है।

संघों को अक्सर प्राकृतिक सोच के स्वतंत्र (कभी-कभी मौलिक) सिद्धांत के रूप में माना जाता है, प्रेरणों के विपरीत (माना जाता है कि स्पष्ट रूप से स्पष्ट मॉडल का निर्माण आवश्यक रूप से प्रेरण में किया जाता है, जबकि संघ आमतौर पर रूपात्मक होता है और किसी भी दिशात्मक अनुकूलन से जुड़ा नहीं होता है, लेकिन स्व-संगठन के अनूठे सिद्धांतों से जुड़ा होता है )। बेशक, एसोसिएशन के पीछे हमारी दुनिया की एक नियमित रूप से होने वाली विशेषता को दर्शाती एक बहुत ही प्रभावी मेटाह्यूरिस्ट्स है (जो, मोटे तौर पर बोल रहा है, इस तथ्य से उबता है कि समय और स्थान में घटनाओं के करीब, अधिक संभावना है कि वे संबंधित हैं; लेकिन, निश्चित रूप से, विकसित एसोसिएशन इस तक सीमित नहीं है) । स्वाभाविक रूप से, heuristics (संघ सहित) एक निष्पक्ष सार्वभौमिक बुद्धिमत्ता के सिद्धांत से व्युत्पन्न नहीं हैं, और इस अर्थ में अतिरिक्त सिद्धांत माना जा सकता है।

हालाँकि, एसोसिएशन को या तो एकमात्र या मुख्य आधार नहीं माना जा सकता है। यह दोनों हेब नियम और सजगता में स्पष्ट रूप से देखा जाता है। इसलिए, हेबर्ड शासन अकेले ही नहीं है, जो कि हमलावरों के निर्माण से जुड़ी जटिल शिक्षण समस्याओं को हल करने के लिए पर्याप्त है। रिफ्लेक्सिस के मामले में, मुख्य कठिनाई दो ज्ञात उत्तेजनाओं के बीच संबंध को मजबूत करना नहीं है, लेकिन जुड़े उत्तेजनाओं की कक्षाओं का आवंटन, जो मनमाने ढंग से पैटर्न द्वारा वर्णित किया जा सकता है (उत्तेजना सिर्फ एक प्रकाश बल्ब, एक निश्चित चमक या रंग के एक प्रकाश बल्ब का समावेश हो सकता है, एक प्रकाश बल्ब का डबल समावेश पहले उज्जवल है और फिर मंद है) आदि)। यह उल्लेखनीय है कि विभिन्न जानवरों में उत्तेजनाओं में पैटर्न की पहचान करने की अलग-अलग क्षमताएं होती हैं। इसलिए, मुर्गियों को एक हल्का फीडर चुनने का तरीका सीखने में सक्षम नहीं है (कई फीडरों से,)जिनमें से एक भोजन पसंद के पल तक अदृश्य रहता है)। और यहां तक ​​कि बंदरों के लिए भी स्थानीय संदर्भ से अलग करना मुश्किल है (उदाहरण के लिए, उन भ्रूणों को प्राप्त करने के लिए वस्तुओं का उपयोग करना जो वर्तमान में दृष्टि में नहीं हैं)। मानव बुद्धि सार्वभौमिक है, और इस सार्वभौमिकता को एसोसिएशन द्वारा नहीं समझाया गया है, लेकिन इसके साथ संयुक्त है।

तर्क।

तर्क एक ऐसी चीज है जिसे अक्सर उचित सोच माना जाता है। क्या एआई में कोई तर्क है? एक अर्थ में, है। हमारे कुछ विचार इस या उस कार्रवाई के लिए नीचे आते हैं (अर्थात्, यह निर्धारित करने के लिए, सभी AIξ संसाधन खर्च किए जाते हैं)। कहते हैं, आगामी बातचीत के बारे में सोचते हुए, हम यह मान सकते हैं कि हमें बताया जाएगा और यह जवाब देना संभव होगा, साथ ही हम किन भावनाओं का अनुभव करेंगे। हालांकि, हमारा तर्क हमेशा इस बात से दूर होता है कि किस तरह के संवेदी इनपुट और किस तरह के सुदृढीकरण की भविष्यवाणी से संबंधित है जब हम कुछ कार्यों को करते हैं। अक्सर हम उन चीजों के बारे में सोचते हैं जो सीधे तौर पर हमसे जुड़ी नहीं हैं। और अक्सर हमारे तर्क में (जो हमारे लिए सहज रूप से उपलब्ध है) प्रेरण का कोई संकेत नहीं है। दरअसल, कटौती अक्सर सोच से जुड़ी होती है। यह कोई दुर्घटना नहीं है कि कई विशेषज्ञ प्रणालियों में तर्क तंत्र का उपयोग करके मॉडलिंग की जाती है। आईएमआई में कोई तार्किक अनुमान तंत्र नहीं हैं। हालांकि कुछ मॉडल जैसे कि AIξ ^tl या गोडेल मशीन लॉजिक को एल्गोरिदम के बारे में स्पष्ट कथन के साथ पेश किया गया है, इसका साधारण तर्क से कोई लेना-देना नहीं है। क्या यह इंगित नहीं करता है कि IMR में मूलभूत रूप से कुछ कमी है?

वास्तव में, यह बिल्कुल स्पष्ट है कि यह पूरी तरह से गवाही नहीं दे रहा है। डिडक्टिव इंट्रेंस के तरीकों में, प्रिवेंटिव स्टेटमेंट के वेरिएबल चेन के वेरिएंट की एक गणना की जाती है, जब तक कि एक सिद्ध स्टेटमेंट या उसकी रीफूटेशन प्राप्त नहीं हो जाती। इस तरह की गणना माध्यम के एक निश्चित मॉडल के लिए आईएमआर में की गई गणना के समान है। एक स्पष्ट अंतर यह है कि IMR में यह मीडिया के अभिन्न मॉडल के लिए समय के हर क्षण पर किया जाता है, जो अभी प्राप्त जानकारी के आधार पर नए सिरे से क्रमबद्ध किए जाते हैं। लेकिन प्रभावी व्यावहारिक प्रणालियों में यह बस असंभव है, और आपको पर्यावरण के केवल टुकड़ों के मॉडल पर विचार करना होगा, और यहां तक ​​कि इन मॉडलों को भी तय करना होगा। पर्यावरण का विश्लेषण किया गया टुकड़ा हमारे साथ सीधे जुड़ा नहीं हो सकता है, और हम उन कार्यों पर विचार कर सकते हैं जो हम खुद नहीं करते हैं (उदाहरण के लिए, हम इस बारे में सोच सकते हैं कि अगर सुपरनोवा इसके पास विस्फोट होता है तो ग्रह का क्या होगा)। वास्तविकता के टुकड़ों का विश्लेषण करने की प्रवृत्ति जो हमारे साथ बेहद अप्रत्यक्ष रूप से जुड़ी हुई है (और यहां तक ​​कि काल्पनिक दुनिया बनाने के लिए) बहुत उत्सुक है, लेकिन एक अलग चर्चा की आवश्यकता है और सबसे अधिक प्रेरणा (उद्देश्य समारोह) के मुद्दों से संबंधित है। यह कल्पना करना मुश्किल है कि आईएमआई, अपने उद्देश्य समारोह को अधिकतम करने के लिए, (लगभग वस्तुतः) ब्रह्मांड की संरचना के बारे में अमूर्त विचारों में लिप्त होगा (या यों कहें, इसके लिए आवश्यक जानकारी प्राप्त करने का प्रयास करता है), लेकिन यहां कोई विरोधाभास नहीं है, खासकर अगर अच्छा ब्रह्मांड बनाने के लिए सिद्धांतों को वह सुदृढीकरण प्राप्त करेगा।

अब हमारे लिए यह महत्वपूर्ण है कि पर्यावरणीय टुकड़ों के मॉडल का कटौतीत्मक विश्लेषण संसाधन बचत के साथ जुड़ा हुआ है। कार्यों के विभिन्न अनुक्रमों के लिए एल्गोरिथम मॉडल की गणना के परिणामों को याद किया जा सकता है और पुन: उपयोग किया जा सकता है यदि यह मॉडल अपरिवर्तित रहता है। स्वाभाविक रूप से, ऐसे संसाधन बचत के तरीके अभ्यावेदन (और घोषणात्मक अभ्यावेदन, जो संगणना की अवधारणा के विस्तार से संबंधित हो सकते हैं) के मुद्दों से घनिष्ठ रूप से जुड़े हुए हैं और बहुत ही अनियंत्रित हो सकते हैं। और, ज़ाहिर है, वे आईएमआई से व्युत्पन्न नहीं हैं। इसलिए, तर्क को एक मेटा-प्रतिनिधित्व के रूप में व्याख्या किया जा सकता है, विशेष रूप से हमारी दुनिया के टुकड़े का विश्लेषण करने के लिए उपयोगी है, क्योंकि वस्तुओं और संबंधों को अलग करने की संभावना एक आम (लेकिन सख्त नहीं) संपत्ति है, जो कुछ वास्तविकता से अप्रासंगिक हो सकती है, जहां हमारा तर्क बेकार होगा। । यहां प्रभावी तर्क के कार्यान्वयन के लिए सिद्धांतों की पहचान करने के लिए बहुत काम करना आवश्यक है (जो कि प्रारंभिक क्रियाओं की विस्तृत खोज से दूर हैं क्योंकि छवि प्रसंस्करण विधियां एल्गोरिदमिक संभाव्यता के आधार पर सार्वभौमिक प्रेरण से दूर हैं)। उसी समय, निश्चित मॉडल के विश्लेषण के "कैशिंग" के परिणाम नई जानकारी प्राप्त करने पर इन परिणामों को अपडेट करने से संबंधित अतिरिक्त प्रश्न उठाएंगे (निजी तौर पर, यह "दुनिया के अलगाव" या नॉनमोनोटोनिक तर्क की एक अच्छी तरह से ज्ञात समस्या है, जिसके लिए एक समाधान की भी आवश्यकता है।

यहाँ फिर से, एक व्यक्ति यह सोचेगा कि IMR इसके बिना ज्ञात समस्याओं के समाधान में योगदान नहीं करता है (उदाहरण के लिए, सत्य को प्रकट करना और बनाए रखना)। हालाँकि, हम फिर से ध्यान दें कि IMR इन ज्ञात समस्याओं को अधिक सामान्य तरीके से प्रस्तुत करता है। इस प्रकार, सार्वभौमिक बुद्धिमत्ता के ढांचे के भीतर विधेय तर्क को केवल एक मेटा-प्रतिनिधित्व के रूप में प्रस्तुत किया जाता है, जिसमें एक हेयुरिस्टिक प्रकृति होती है और एक प्राथमिकता निर्दिष्ट करने की आवश्यकता नहीं होती है: एक आत्म-अनुकूलन सार्वभौमिक बुद्धि (उदाहरण के लिए, मानव) खुद तर्क और इसके प्रभावी उपयोग को सीख सकती है; हमारा कार्य इस तरह की बुद्धि का निर्माण करना है और इसके प्रशिक्षण के समय को कम करके स्वीकार्य बनाना है। मैन्युअल रूप से कई निजी तरीकों को बनाने की तुलना में यह करना आसान हो सकता है, जैसा कि यह आसान है, कहते हैं, एक निश्चित शिक्षण पद्धति को लागू करने की तुलना में सभी आवश्यक निजी तथ्यों को मैन्युअल रूप से रखना है। इस मामले में, एआई बनाते समय, आपको मनुष्यों की तुलना में कम संज्ञानात्मक विकृति को प्राप्त करने का प्रयास करना चाहिए। तो, हालांकि कथित दुनिया को गुणों और संबंधों के साथ वस्तुओं में विभाजित करने में एक प्राथमिक प्राथमिकता शायद सीखने में तेजी ला सकती है, यह वरीयता बहुत सख्त नहीं होनी चाहिए।

सामाजिक संपर्क।

अन्य बुद्धिमान एजेंटों के साथ बातचीत पर्यावरण का एक बहुत महत्वपूर्ण हिस्सा है। ये एजेंट बहुत जटिल हैं, इसलिए अन्य एजेंटों के उपयुक्त मॉडल के आगमनात्मक पुनर्निर्माण को वास्तविक दुनिया में बहुत लंबी बातचीत और कंप्यूटिंग संसाधनों की एक बड़ी मात्रा की आवश्यकता होगी। स्वाभाविक रूप से, मन के कुछ सिद्धांत (विशेष रूप से, अन्य एजेंटों को दिमाग को मॉडल करने की क्षमता) को एक प्रभावी व्यावहारिक AI में बनाया जाना चाहिए। लेकिन सार्वभौमिक एआई में, इसे संज्ञानात्मक पूर्वाग्रह के एक तत्व के रूप में जोड़ा जाना चाहिए, जो मॉडल के पूर्वाग्रह को निर्धारित करता है, लेकिन उन पर अपमानजनक प्रतिबंध नहीं लगाता है।

सामाजिक बातचीत पर्यावरण के हिस्से के रूप में अन्य एजेंटों के व्यवहार (या मॉडल के पुनर्निर्माण) की भविष्यवाणी करने तक सीमित नहीं है। स्वाभाविक रूप से, सामाजिक एजेंट एक-दूसरे के साथ उसी तरह से बातचीत करते हैं जैसे कि अन्य वातावरण के साथ - संवेदी और मोटर कौशल के माध्यम से। लेकिन उनके माध्यम से, वे पर्यावरण मॉडल, व्यवहार रणनीतियों, और यहां तक ​​कि लक्ष्य कार्यों के तत्वों को एक दूसरे तक पहुंचा सकते हैं। वास्तविकता में, यह समाज है जो एजेंटों के बीच सूचना और कंप्यूटिंग संसाधनों के आदान-प्रदान के कारण जटिल लक्ष्य कार्यों, प्रेरक पूर्वाग्रह और खोज सांख्यिकी (नैतिकता, विज्ञान, कला, आदि के रूप में) बनाता है। एक निष्पक्ष सार्वभौमिक एजेंट पर्याप्त समय में सीख सकता है (यदि इस समय के दौरान कोई व्यक्ति अपने अस्तित्व को सुनिश्चित करेगा) संवेदी डेटा की सही ढंग से व्याख्या करने के लिए, उनसे इस जानकारी का खुलासा करते हैं (हालांकि लक्ष्य कार्यों को सिखाने के लिए कुछ जन्मजात तंत्र की आवश्यकता होगी)। लेकिन एक प्रभावी व्यावहारिक बुद्धिमत्ता के लिए यह क्षमता एक प्राथमिकता होनी चाहिए, अर्थात, सोशल मीडिया [डॉव एट अल।, 2011] के लिए एक प्रेरक प्राथमिकता है या "संचार प्राथमिकता" [गोएर्टज़ेल, 2009]। बेशक, एक जानवर जितना अधिक विकसित होता है, उसके बच्चों के स्वतंत्र जीवन के लिए कम तैयार होता है, और सार्वभौमिक एआई को लंबे समय तक "प्रसवोत्तर" असहायता के लिए माफ किया जा सकता है, लेकिन संवेदी धारा और नकल में अन्य एजेंटों की अलग-थलग छवियों के रूप में इस तरह के एक प्राथमिकता कौशल बहुत ध्यान देने योग्य हो सकते हैं पूर्ण असहायता की अवधि को कम करें।

सामाजिक अंतःक्रियाओं का एक आवश्यक (लेकिन एकमात्र नहीं) पहलू भाषा है। सार्वभौमिक एजेंटों के संदर्भ में भाषा का विश्लेषण अभी भी बहुत कम अध्ययन किया गया है। उदाहरण के लिए, कोडिंग के महत्व पर दो भागों में चर्चा की गई (न्यूनतम संदेश की लंबाई के सिद्धांत के ढांचे के भीतर), जो एजेंटों को मॉडल के नियमित भागों को प्रभावी ढंग से आदान-प्रदान करने की अनुमति देता है जो शोर से अलग होते हैं [डोवे एट अल।, 2011]। लेकिन महत्वपूर्ण मुद्दों के थोक में अभी भी विस्तृत विश्लेषण की आवश्यकता है। इसमें प्रतीकों का अर्थपूर्ण औचित्य शामिल है, और स्पष्ट समस्या है कि सार्वभौमिक एजेंटों के लिए यह मानव जाति द्वारा संचित ज्ञान को अपनाने के लिए सबसे प्रभावी (कम से कम पहले) होगा, जिसके लिए आपको प्राकृतिक भाषाओं को समझने की आवश्यकता है जो ज्ञान का प्रतिनिधित्व करने के कुछ तरीकों से जुड़े हैं, और इसलिए, इन विचारों के गठन को एआई की ओर से अत्यधिक प्रयास की आवश्यकता नहीं होनी चाहिए।

मल्टी-एजेंट इंटरैक्शन का एक अतिरिक्त महत्वपूर्ण पहलू यह है कि वातावरण एजेंट की तुलना में बहुत अधिक जटिल और कम्प्यूटेशनल रूप से शक्तिशाली है। यह पहलू एक अनुमानी या प्रेरक पूर्वाग्रह नहीं है, बल्कि आईएमआई मॉडल में भी इस पर विचार करने की आवश्यकता है।

भावनाएँ।

भावनाओं को अक्सर संज्ञानात्मक वास्तुकला के एक घटक के रूप में देखा जाता है, इसलिए उनकी चर्चा भी की जानी चाहिए। इसी समय, भावनाएं स्पष्ट रूप से उद्देश्य समारोह से संबंधित हैं, इसलिए उनका उद्देश्य (संज्ञानात्मक वास्तुकला के अन्य तत्वों के विपरीत) संसाधनों को बचाने और प्रशिक्षण समय को कम करने के लिए पूरी तरह से कम नहीं किया जा सकता है, जिसके लिए खोज आंकड़े और प्रेरक पूर्वाग्रह सेवा करते हैं।

हमने पिछले लेखों में उद्देश्य समारोह समस्या पर पहले ही चर्चा कर ली है। एक "अच्छा" उद्देश्य फ़ंक्शन (उदाहरण के लिए, कम से कम सही उत्तरजीविता का अस्तित्व) को प्राथमिकता नहीं दी जा सकती है। एक सहज उद्देश्य फ़ंक्शन कुछ "सही" उद्देश्य फ़ंक्शन का एक मोटा "अनुमान" है। उदाहरण के लिए, दर्द और खुशी फिटनेस फ़ंक्शन का एक बहुत मोटा अनुमान है - मृत्यु दर्द रहित हो सकती है, और एक जीवन-रक्षक ऑपरेशन गंभीर दर्द के साथ हो सकता है। किसी स्थिति की गुणवत्ता का आकलन करने के लिए भावनाएं और अन्य घटक एक अधिक सटीक सन्निकटन की अनुमति देते हैं। उनमें से कुछ जन्मजात हैं। दूसरों को जीवन भर हासिल कर लिया जाता है।

इस मामले में, यह वास्तविक उद्देश्य फ़ंक्शन और राज्यों के गुणवत्ता मूल्यांकन के अनुमानी अनुमानों को अलग करने के लायक है, जो अपेक्षित (अनुमानित) राज्यों से जुड़े उद्देश्य फ़ंक्शन के संभावित मूल्यों को ध्यान में रखते हैं। तो, हम उन परिस्थितियों से बच सकते हैं जिनसे हम डरते हैं, हर बार डर के कारणों के बारे में सोचे बिना। और ये सामान्य अनुमान हैं जो एक अधिकतम उद्देश्य फ़ंक्शन को परिभाषित नहीं करते हैं, लेकिन एक निश्चित उद्देश्य फ़ंक्शन के साथ संभावित कार्यों की गणना को कम करते हैं। उदाहरण के लिए, संतोषजनक जिज्ञासा और सौंदर्य की खुशी को मूल उद्देश्य फ़ंक्शन के अलग-अलग घटकों के रूप में पेश किया जा सकता है (जिसके लिए जानकारी के एल्गोरिथम सिद्धांत पर आधारित मॉडल हैं [श्मिटुबर, 2010])। या, एक बुद्धिमान एजेंट उत्सुक हो सकता है यदि वह अनुभव से भविष्यवाणी करने में सक्षम है कि नई जानकारी प्राप्त करना उसके अस्तित्व के लिए उपयोगी होगा (अधिक सटीक रूप से, शारीरिक सुख प्राप्त करने और दर्द से बचने के लिए)। चूँकि यह एक कठिन भविष्यवाणी कार्य है, एक एजेंट कंप्यूटिंग संसाधनों को बचाने के लिए भविष्य के पुरस्कारों के ओवर-द-एयर आकलन के एक तत्व के रूप में "जिज्ञासा की भावना" विकसित कर सकता है। यह जोर देने के लायक है कि ये दो विकल्प मौलिक रूप से भिन्न हैं, क्योंकि वे अलग-अलग अधिकतम उद्देश्य कार्यों के अनुरूप हैं, क्योंकि कुछ स्थितियों में संबंधित एजेंट अलग-अलग विकल्प बना सकते हैं। इसके अलावा, वास्तव में इन दोनों विकल्पों में से प्रत्येक अलग से और उनके संयोजन हो सकते हैं।

चूँकि मानव बुद्धिमत्ता प्रभावी व्यावहारिक है, इसलिए इसमें मुख्य रूप से मूल उद्देश्य फ़ंक्शन के स्पष्ट संदर्भ के बिना भविष्य के सुदृढीकरण की भविष्यवाणी की जाती है। इस वजह से, उद्देश्य फ़ंक्शन को सीखना अपने भविष्य के मूल्यों की भविष्यवाणी करने के लिए सीखने के आंकड़ों के साथ निकटता से जुड़ा हुआ है। इसके अलावा, इसी सीखने के तंत्र के अपने प्रेरक पूर्वाग्रह हैं, जिनमें कुछ प्राथमिकताओं के निरूपण के रूप में शामिल हैं। उदाहरण के लिए, कुछ भावनाओं के लिए उनके मूल्यों की "गणना" का कोई अंतर्निहित तंत्र नहीं हो सकता है, लेकिन चयनित प्रकार की भावनाओं को प्रतिनिधित्व के स्तर पर सेट किया जा सकता है। मानवीय भावनाओं, भावनाओं आदि के संबंध में इन सब के संबंध में। यह निर्धारित करना मुश्किल है कि उनमें से कौन मूल उद्देश्य फ़ंक्शन के संदर्भ से संबंधित है, और किस हद तक - अपने भविष्य के मूल्यों की भविष्यवाणी करने के लिए। इस कारण से, मनोविज्ञान में, भावनाओं के तंत्र, उनकी भूमिका और उत्पत्ति पर सहमति आना अभी भी संभव नहीं है। फिर भी, प्राकृतिक बुद्धि की संज्ञानात्मक प्रणाली का यह हिस्सा सार्वभौमिक बुद्धिमत्ता के मॉडल के ढांचे के भीतर काफी व्याख्यात्मक है, जिसमें उनकी प्रभावशीलता को बढ़ाने के संदर्भ में भी शामिल है।

चेतावनी।

ध्यान के रूप में इस तरह के संज्ञानात्मक कार्य एक बहुत व्यापक घटना है। हालांकि, यह स्पष्ट है कि इसकी घटना संसाधन प्रतिबंधों से जुड़ी है। उदाहरण के लिए, दृश्य ध्यान दृश्य के सबसे जानकारीपूर्ण या महत्वपूर्ण (उद्देश्य फ़ंक्शन के संदर्भ में) भागों के लिए निर्देशित किया जाता है, जिसका अर्थ है कि इन भागों का अन्य भागों की तुलना में अधिक संसाधनों का उपयोग करके विस्तार से विश्लेषण किया जाता है। स्वाभाविक रूप से, अन्य संज्ञानात्मक कार्यों को हल करने में संसाधनों के वितरण को भी ध्यान के रूप में व्याख्या किया जा सकता है।

इस थीसिस को मल्टी-एजेंट आर्किटेक्चर तक भी बढ़ाया जा सकता है। यह शायद ही माना जा सकता है कि खुफिया, सिद्धांत रूप में, कुछ एकता को बनाए रखते हुए, समानांतर में कई समस्याओं को हल करने में सक्षम नहीं है। कम से कम, आईएमआर के लिए यह संभव है (और स्किज़ोफ्रेनिया का खतरा नहीं है), क्योंकि आईएमआर किसी भी संख्या में विभिन्न डेटा स्रोतों के साथ काम कर सकता है और आवश्यकतानुसार कई अलग-अलग "निकायों" में एक साथ प्रेरण और क्रियाओं का चयन कर सकता है। यदि विभिन्न डेटा स्रोतों में आपसी जानकारी होती है, तो यह "स्वचालित रूप से" ध्यान में रखा जाएगा। यानी असीमित संसाधनों के साथ, विभिन्न निकायों से आने वाले डेटा को संसाधित करने वाली बुद्धि को उनमें से किसी एक पर ध्यान केंद्रित करने की आवश्यकता नहीं है। ध्यान की घटना तब उत्पन्न होती है जब संसाधन प्रतिबंध लगाए जाते हैं, जो मुख्य रूप से डेटा के उन टुकड़ों को संसाधित करने का अर्थ है जो उपलब्ध कार्यों के सीमित सेट को देखते हुए, सबसे अधिक दबाव वाले कार्यों के लिए प्रासंगिक हैं।

यहां ध्यान देने की घटना का एक और पक्ष ध्यान देने योग्य है: इसे किसी विशेष वस्तु पर कार्रवाई की दिशा के रूप में भी समझा जा सकता है। ऐसा "बाहरी" ध्यान "आंतरिक" कंप्यूटिंग कार्यों के बीच समय के वितरण के कारण होता है, लेकिन बाहरी कार्यों के लिए। आईएमआई में इस तरह के "बाहरी" ध्यान को "स्वचालित रूप से" महसूस किया जाना चाहिए: सार्वभौमिक एजेंट को काफी सक्षम होना चाहिए, यह कहना चाहिए कि सूचना प्राप्त करने के लिए एक तेज ध्वनि की ओर कैमरे को निर्देशित करना जो कि इसके लक्ष्य फ़ंक्शन के मूल्य में एक मजबूत कमी से बचने के लिए आवश्यक है (स्वाभाविक रूप से, यदि यह एजेंट है एक प्राथमिक सूचना जो खतरे के साथ तेज ध्वनि के संभावित कनेक्शन को दर्शाती है)। लेकिन आईएमआर में सीमित संसाधनों के वितरण के रूप में कोई आंतरिक ध्यान नहीं है, इसलिए मानवों में ध्यान कैसे काम करता है, इस बारे में जानकारी संज्ञानात्मक पूर्वाग्रह के इस तत्व को पेश करने के लिए उपयोगी हो सकती है।

संज्ञानात्मक आर्किटेक्चर के लिए ध्यान देने के कई मॉडल हैं (उदाहरण के लिए, [आइकल 'एट अल।, 2009], [हरती ज़ादेह एट अल, 2008])। हम कह सकते हैं कि ध्यान तंत्र सरल सार्वभौमिक सॉल्वर (उदाहरण के लिए, [हटर, 2002]) में भी मौजूद हैं, जो कम्प्यूटेशनल जटिलता को ध्यान में रखते हैं और माना जाने वाले विभिन्न परिकल्पनाओं के बीच संसाधनों को बेहतर ढंग से आवंटित करने का प्रयास करते हैं। स्वाभाविक रूप से, प्रभावी व्यावहारिक एआई में अधिक विकसित ध्यान तंत्र मौजूद होना चाहिए। लेकिन इन तंत्रों का विवरण संज्ञानात्मक वास्तुकला के अन्य भागों पर बहुत अधिक निर्भर करता है। इस प्रकार, IMI मॉडल के संसाधन-सीमित एक्सटेंशन के साथ संयोजन में सार्थक ध्यान मॉडल विकसित किया जाना चाहिए।

मेटाकोग्निटिव कार्य।

यह अक्सर माना जाता है कि कंप्यूटर से किसी व्यक्ति को अलग करने वाली मुख्य चीज पहले कार्यों की कमी है जैसे कि आत्म-जागरूकता, समझ आदि। यह राय न केवल एआई से दूर के लोगों की विशेषता है, बल्कि उन लोगों की भी है जो इससे निपटते हैं (कम से कम दार्शनिक दृष्टि से)। यहां तक ​​कि एक मजबूत एआई सर्ल को इन सभी विशेषताओं के साथ एआई के रूप में परिभाषित किया गया था। और सच्ची समझ की असंभवता वह है जो पेनरोज़ द्वारा कंप्यूटरों के लिए जिम्मेदार है और एक मजबूत एआई की असंभवता के बारे में विचारों के अन्य समर्थकों द्वारा।

कई विशेषज्ञ, एआई के बारे में सामान्य चर्चा तक ही सीमित नहीं हैं, लेकिन इस क्षेत्र में विशिष्ट समाधानों के विकास में शामिल हैं, उदाहरण के लिए, खोज, प्रशिक्षण, ज्ञान की प्रस्तुति आदि की समस्याओं में बहुत अधिक गंभीर कठिनाइयों को देखते हैं, जबकि इन "मानव" कार्यों पर विचार नहीं किया जाता है। इतना जटिल। तो, आत्म-जागरूकता की व्याख्या बस एक शीर्ष-स्तरीय नियंत्रण मॉड्यूल के रूप में की जाती है जो संज्ञानात्मक वास्तुकला के अन्य ब्लॉकों के काम के बारे में जानकारी प्राप्त और संसाधित करता है। यह स्पष्ट है कि इस तरह के उपादेय कार्य बुद्धि के बिना पूरी तरह से महसूस नहीं किए जा सकते हैं। फिर कंप्यूटर आत्म-जागरूकता से संपन्न नहीं है, इसलिए नहीं कि यह केवल मनुष्य के लिए कुछ रहस्यमय और अंतर्निहित है, बल्कि इसलिए कि अधिक बुनियादी कार्यों को लागू नहीं किया गया है। इस वजह से, तकनीकी विशेषज्ञ अक्सर "मानवतावादी" होने पर विचार करने के इन पहलुओं से दूर भागते हैं, और दार्शनिकों के विपरीत, उन्हें बहुत सरलता से व्याख्या करते हैं।फिर भी, धनात्मक कार्य अधिक ध्यान आकर्षित करने लगे हैं [एंडरसन और ओट्स, 2007] और यहां तक ​​कि कुछ संज्ञानात्मक आर्किटेक्चर [शापिरो एट अल।, 2007] में भी लागू होते हैं (हालांकि ये कार्यान्वयन हमारे विचार से काफी रोचक और जानकारीपूर्ण हैं। , वे "कमजोर" हैं)। सार्वभौमिक बुद्धिमत्ता के बारे में बातचीत के संदर्भ में उनकी चर्चा को पूरी तरह से दरकिनार नहीं किया जा सकता है।

दरअसल, आईएमआई मॉडल में, न तो आत्म-जागरूकता और न ही समझ का स्पष्ट रूप से एहसास होता है, जो स्वाभाविक सवाल उठाता है कि क्या इन मॉडलों में कुछ महत्वपूर्ण गायब है। कई उपमात्मक कार्यों (मेटा-लर्निंग, मेटा-रीज़निंग) के विश्लेषण से, यह स्पष्ट है [एंडरसन और ओट्स, 2007] कि उनका उद्देश्य बुनियादी संज्ञानात्मक कार्यों के गैर-इष्टतम कामकाज के लिए क्षतिपूर्ति करना है। इसी समय, ऐसी त्रुटियों का कारण, कहते हैं, प्रशिक्षण, जिसे एजेंट द्वारा स्वयं ठीक किया जा सकता है, केवल इस तथ्य के कारण हो सकता है कि संबंधित प्रशिक्षण समस्या को हल करने के लिए अपर्याप्त संसाधन आवंटित किए गए थे। वास्तव में, असीमित संसाधनों के साथ सार्वभौमिक प्रेरण का उपयोग करते समय, परिणाम, सिद्धांत रूप में, एक ही डेटा पर सुधार नहीं किया जा सकता है, और मेटा-प्रशिक्षण व्यर्थ है। बेशक, मेटाकोग्निटिव फ़ंक्शंस को केवल संसाधनों के पुनर्वितरण के लिए कम नहीं किया जाता है (यह सिर्फ एक निजी चाल है,ध्यान का प्रधान होना)। इसलिए, प्रशिक्षण के मामले में, संसाधन बचत डेटा के केवल एक भाग के उपयोग में प्रकट हो सकती है, संदर्भ की अनदेखी कर सकती है, सरलीकृत प्रतिनिधित्व का उपयोग कर सकती है, आदि। और मेटा-प्रशिक्षण का संबंध सार्वभौमिक शिक्षण पद्धति पर अधिक संसाधन डालने से नहीं होना चाहिए, बल्कि प्रशिक्षण इकाई की सफलता का मूल्यांकन करने और शामिल करने के लिए, उदाहरण के लिए, अधिक सामान्य तरीके जब सरल तरीके विफल हो गए हैं। तथाकथित की अवधारणा एक रूपक चक्र जिसमें "क्या गलत हुआ और क्यों हुआ" को परिभाषित किया जाना चाहिए [शापिरो और गोकर, 2008]।सार्वभौमिक शिक्षण पद्धति के लिए और अधिक संसाधनों को समर्पित करना, और प्रशिक्षण इकाई की सफलता का मूल्यांकन करना और आकर्षित करना, उदाहरण के लिए, अधिक सामान्य तरीके जब सरल तरीके विफल हो गए हों। तथाकथित की अवधारणा एक रूपक चक्र जिसमें "क्या गलत हुआ और क्यों हुआ" को परिभाषित किया जाना चाहिए [शापिरो और गोकर, 2008]।सार्वभौमिक शिक्षण पद्धति के लिए और अधिक संसाधनों को समर्पित करना, और प्रशिक्षण इकाई की सफलता का मूल्यांकन करना और आकर्षित करना, उदाहरण के लिए, अधिक सामान्य तरीके जब सरल तरीके विफल हो गए हों। तथाकथित की अवधारणा एक रूपक चक्र जिसमें "क्या गलत हुआ और क्यों हुआ" को परिभाषित किया जाना चाहिए [शापिरो और गोकर, 2008]।

रूपक कार्यों की यह व्याख्या बहुत सामान्य है। विशिष्ट कार्यों के संबंध में, सवाल उठते हैं। इस प्रकार, समझ (जो, हालांकि, हमेशा एक रूपक फ़ंक्शन के रूप में व्याख्या नहीं की जाती है, लेकिन जो, हमारी राय में, इस तरह के कार्यों के निस्संदेह गुण हैं), "संज्ञानात्मक पूर्वाग्रह" के साथ जुड़ना इतना आसान नहीं है। ऐसे कई उदाहरण हैं जो दिखाते हैं कि (कमजोर) AI की विशिष्ट प्रणालियों को समझ का एहसास नहीं है। लेकिन ये उदाहरण मशीन की समझ की मूलभूत असंभवता को इंगित नहीं करते हैं, बल्कि हमें बचत संसाधनों में समझ की भूमिका निर्धारित करने की अनुमति देते हैं। हमने पहले ही शतरंज की स्थिति के क्लासिक उदाहरण की जांच कर ली है ( http://habrahabr.ru/post/150056/), जिसमें एक कंप्यूटर प्रोग्राम जो एक ग्रैंडमास्टर को हरा सकता है, इस स्थिति की समझ की कमी के कारण गलत तरीके से खेलता है। असीमित गणना संसाधनों के साथ, गहरी गणना के परिणामस्वरूप, एक कार्यक्रम एक गलत कदम से बच सकता है। इसके अलावा, दी गई स्थिति का ऐसा (एल्गोरिथम) विवरण संभव है (उदाहरण के लिए, मूल्यांकन समारोह के रूप में), जो किसी को भी इसी कदम की त्रुटि को निर्धारित करने की अनुमति देगा। यही है, स्थिति की समझ ऐसे प्रतिनिधित्व के उपयोग से जुड़ी है जो आपको कंप्यूटिंग संसाधनों की उच्च लागत के बिना प्रभावी कार्यों को चुनने की अनुमति देता है।

अन्य उदाहरणों का उपयोग करके एक समान निष्कर्ष निकाला जा सकता है। तो, निम्न शास्त्रीय समस्या सांकेतिक है। 8x8 कोशिकाओं का एक बोर्ड होता है जिसमें से दो कोने वाले सेल स्थित होते हैं जो एक ही विकर्ण पर होते हैं। डोमिनो टाइल 1x2 कोशिकाओं के साथ बोर्ड को टाइल करना आवश्यक है। एक अप्रभावी बुद्धि (समझ की कमी है, लेकिन असीमित संसाधन होने के नाते) टाइलिंग के सभी विकल्पों के माध्यम से जा सकते हैं। एक व्यक्ति समझ के प्रभाव का अनुभव करता है जब वह कल्पना करता है कि इस बोर्ड में एक चेकरबोर्ड रंग है, ताकि एक रंग की 32 कोशिकाएं और एक अलग रंग की 30 कोशिकाएं उस पर दिखाई दें, इस तथ्य के बावजूद कि प्रत्येक अंगुली आवश्यक रूप से अलग-अलग रंगों की एक कोशिका लेती है। सही प्रस्तुति का चयन कार्य को प्राथमिक बनाता है। इस तरह के कार्यों के शायद और भी अधिक संकेत "रचनात्मक सोच" हैं,छह मैचों का उपयोग करके चार समबाहु त्रिभुज बनाने के कार्य के रूप में। यहां, स्थिति की प्रस्तुति का विकल्प भी मौलिक महत्व का है।

और छवियों की समझ कुछ अभ्यावेदन के ढांचे में उनके विवरण के निर्माण से जुड़ी है (जो, एक नियम के रूप में, पर्याप्त कार्यों के कार्यान्वयन की सुविधा प्रदान करना चाहिए)। जाहिर है, प्राकृतिक भाषा को समझने के बारे में भी यही कहा जा सकता है, हालांकि इसमें अतिरिक्त समस्याएं भी शामिल हैं।

शायद समझ प्रभावी अभ्यावेदन का बहुत उपयोग नहीं है, लेकिन एक पहचानने योग्य कार्य जो कि (चेतना के लिए सुलभ) प्रतिनिधित्व की प्रभावशीलता का आकलन करता है। यदि कोई व्यक्ति कुछ समझ नहीं पाता है या अच्छी तरह से समझ नहीं पाता है, तो वह अक्सर (हालांकि हमेशा नहीं) इस बारे में जागरूक होता है; एक व्यक्ति के साथ-साथ एक स्पष्ट समझ तक पहुंचने की अनुभूति भी उपलब्ध है, जिसे संभवतः आत्म-अनुकूलन की समस्या से जोड़ा जाना चाहिए।

विचार प्रक्रियाओं की आंतरिक सामग्री तक पहुंच सभी मेटाकोगेक्टिव कार्यों की विशेषता है, जो आत्म-चेतना की घटना में अभिन्न रूप से व्यक्त की जाती है। IMI में स्पष्ट रूप से समान नहीं है (किसी के अपने विचारों के अनावश्यक नियंत्रण के लिए - वे पहले से ही आदर्श हैं), लेकिन इसका मतलब यह नहीं है कि वह स्वयं-जागरूक एजेंट के रूप में कार्य करने में सक्षम नहीं होगा। लेकिन क्या वह सही तरीके से "मुझे लगता है", "मुझे लगता है", "मुझे पता है", "मैं कर सकता हूं", "मैं चाहता हूं", "मुझे याद है", आदि जैसे अभिव्यक्तियों का उपयोग करने में सक्षम होगा, अगर इसमें चयन के तरीके हैं। कार्यों को अपने स्वयं के काम के बारे में कोई जानकारी नहीं मिलती है (और मौजूदा मल्टी-एजेंट वातावरण में अस्तित्व के लिए इस तरह के भाव का उपयोग महत्वपूर्ण हो सकता है)? इस प्रश्न का उत्तर देना आसान नहीं है। शायद IMI सही तरीके से (व्यावहारिक रूप से) इन भावों को उनके अर्थ को समझे बिना उपयोग कर सकेगा,लेकिन इसके लिए सामाजिक वातावरण और निश्चित रूप से असीमित कंप्यूटिंग संसाधनों के साथ बातचीत करने में अत्यंत व्यापक अनुभव की आवश्यकता होगी। वास्तव में, शब्दों का उच्चारण मूल रूप से किसी भी मोटर आउटपुट से भिन्न नहीं होता है, और यदि इनपुट क्रियाओं और आवश्यक आउटपुट क्रियाओं के बीच एक कम्प्यूटिंग मैपिंग है, तो आईएमआर एक उपयुक्त बातचीत इतिहास के अनुसार इसे फिर से संगठित कर सकता है। फिर भी, लापता आत्मनिरीक्षण की आवश्यकता वाले कार्यों के "बेहोश" उपयोग की संभावना संदेह को बढ़ाती है। सौभाग्य से, इन संदेहों को दूर करने की आवश्यकता नहीं है, क्योंकि एक प्रभावी व्यावहारिक AI बनाने के लिए, इस जानकारी तक पहुंच न केवल अन्य एजेंटों के साथ संचार के लिए, बल्कि आत्म-अनुकूलन के लिए भी उपयोगी है।वास्तव में, शब्दों का उच्चारण मूल रूप से किसी भी मोटर आउटपुट से भिन्न नहीं होता है, और यदि इनपुट क्रियाओं और आवश्यक आउटपुट क्रियाओं के बीच एक कम्प्यूटिंग मैपिंग है, तो आईएमआर एक उपयुक्त बातचीत इतिहास के अनुसार इसे फिर से संगठित कर सकता है। फिर भी, लापता आत्मनिरीक्षण की आवश्यकता वाले कार्यों के "बेहोश" उपयोग की संभावना संदेह को बढ़ाती है। सौभाग्य से, इन संदेहों को दूर करने की आवश्यकता नहीं है, क्योंकि एक प्रभावी व्यावहारिक AI बनाने के लिए, इस जानकारी तक पहुंच न केवल अन्य एजेंटों के साथ संचार के लिए, बल्कि आत्म-अनुकूलन के लिए भी उपयोगी है।वास्तव में, शब्दों का उच्चारण मूल रूप से किसी भी मोटर आउटपुट से भिन्न नहीं होता है, और यदि इनपुट क्रियाओं और आवश्यक आउटपुट क्रियाओं के बीच एक कम्प्यूटिंग मैपिंग है, तो आईएमआर एक उपयुक्त बातचीत इतिहास के अनुसार इसे फिर से संगठित कर सकता है। फिर भी, लापता आत्मनिरीक्षण की आवश्यकता वाले कार्यों के "बेहोश" उपयोग की संभावना संदेह को बढ़ाती है। सौभाग्य से, इन संदेहों को दूर करने की आवश्यकता नहीं है, क्योंकि एक प्रभावी व्यावहारिक AI बनाने के लिए, इस जानकारी तक पहुंच न केवल अन्य एजेंटों के साथ संचार के लिए, बल्कि आत्म-अनुकूलन के लिए भी उपयोगी है।फिर भी, लापता आत्मनिरीक्षण की आवश्यकता वाले कार्यों के "बेहोश" उपयोग की संभावना संदेह को बढ़ाती है। सौभाग्य से, इन संदेहों को दूर करने की आवश्यकता नहीं है, क्योंकि एक प्रभावी व्यावहारिक AI बनाने के लिए, इस जानकारी तक पहुंच न केवल अन्य एजेंटों के साथ संचार के लिए, बल्कि आत्म-अनुकूलन के लिए भी उपयोगी है।फिर भी, लापता आत्मनिरीक्षण की आवश्यकता वाले कार्यों के "बेहोश" उपयोग की संभावना संदेह को बढ़ाती है। सौभाग्य से, इन संदेहों को दूर करने की आवश्यकता नहीं है, क्योंकि एक प्रभावी व्यावहारिक AI बनाने के लिए, इस जानकारी तक पहुंच न केवल अन्य एजेंटों के साथ संचार के लिए, बल्कि आत्म-अनुकूलन के लिए भी उपयोगी है।

इस जानकारी का उपयोग करना गैर-तुच्छ है। IMR को ऐसे वातावरण में रखना जिसमें अन्य IMR शामिल हैं, एक विरोधाभास का कारण बनता है (एक एजेंट मॉडल एक और एजेंट, जो बदले में, पहले एजेंट को मॉडल करता है, और विज्ञापन infinitum पर)। पूर्ण आत्मनिरीक्षण एक समान विरोधाभास का कारण होगा। यह विरोधाभास संसाधन प्रतिबंधों की शुरूआत के साथ हटा दिया जाता है, जो तथापि, आईएमआई के अमूर्त आदर्श खुफिया का उल्लंघन करते हैं। इसका मतलब यह है कि आत्मनिरीक्षण की समस्या (और, सामान्य रूप से, "मन के सिद्धांत की समस्या") IMR के ढांचे के भीतर हल नहीं होती है और इसके लिए अतिरिक्त सिद्धांतों के विकास की आवश्यकता होती है। हालाँकि, माइंड प्रॉब्लम (और सामान्य रूप से मेटाकोगेक्टिव फ़ंक्शंस) का सिद्धांत संज्ञानात्मक पूर्वाग्रह से संबंधित है (विशेष रूप से स्व-अनुकूलन उत्तराधिकार के बारे में), यह मूल आईएमआर मॉडल की सार्वभौमिकता की कमी से भी संबंधित हो सकता है।

निष्कर्ष।

हमने मानव सोच की कुछ संज्ञानात्मक विशेषताओं की जांच की, जो स्वाभाविक रूप से व्याख्यात्मक और प्रेरक पूर्वाग्रह के रूप में व्याख्या की जा सकती है, जो प्राकृतिक बुद्धिमत्ता के प्रभावी व्यावहारिकता को सुनिश्चित करती है, अर्थात सीमित संसाधनों और प्रशिक्षण समय के संदर्भ में पर्यावरण के एक निश्चित वर्ग में इसका स्वीकार्य कार्य।

सामान्य तौर पर, सीमित संसाधन आवश्यकताएं नई नहीं हैं; और यह बहुत स्पष्ट है कि कई संज्ञानात्मक लक्षण यहाँ से आते हैं। हालांकि, अब तक सार्वभौमिक एआई और जटिल संज्ञानात्मक आर्किटेक्चर के गणितीय सिद्धांत के बीच संबंध का कोई भी निर्विवाद विचार नहीं किया गया है [गोएर्टज़ेल और इकाल, 2011]। इस तरह के कनेक्शन को स्थापित करने के लिए, न केवल सतही रूप से संज्ञानात्मक कार्यों का वर्णन करना आवश्यक है, बल्कि सार्वभौमिकता को संरक्षित करते हुए आईएमआर मॉडल के विस्तार के रूप में उन्हें सख्ती से पेश करना है, जो इन मॉडलों के अधिकारी हैं। यह भविष्य में चर्चा करेंगे यह कार्य है।

साहित्य।

(एंडरसन और ओट्स, 2007) एंडरसन एमएल, ओटेस टी। ए रिव्यू ऑफ़ हालिया रिसर्च इन मैटैरिसिंग एंड मेटलएर्निंग / एआई पत्रिका। 2007. वी। 28. नहीं। 1. पी। 7–16।

(बुशिंस्की, 2009) बुशिंस्की श। Deus Ex Machina - शतरंज के खेल में एक उच्च रचनात्मक प्रजाति // एआई पत्रिका। 2009. वी। 30. नहीं। 3. पी। 63–70।

(डॉव एट अल।, 2011) डॉव डी।, हर्नांडेज़-ओरल्लो जे।, दास पी। संपीड़न और इंटेलिजेंस: सोशल एन्वायरमेंट एंड कम्युनिकेशन // लेक्चर नोट्स इन कंप्यूटर साइंस 6830 (खरीद। आर्टिफिशियल जनरल इंटेलिजेंस (चतुर्थ अंतर सम्मेलन))। । 2011. पी। 204–211।

(गोबेट एंड लेन, 2010) गोबेट एफ।, लेन पीसीआर द चैरेस्ट आर्किटेक्चर ऑफ कॉग्निशन। सामान्य बुद्धि में धारणा की भूमिका// ई। बॉम, एम। हटर, ई। कित्ज़ेलमैन (ईडीएस), एडवांस इन इंटेलिजेंट सिस्टम रिसर्च। 2010. वी। 10 (प्रोक। 3 क। आर्टिफिशियल जनरल इंटेलिजेंस पर, लूगानो, स्विट्जरलैंड, 5-8 मार्च, 2010।)। पी। 7-12।

(गोएर्टज़ेल, 2009) गोएर्ट्ज़ेल बी द एम्बोडेड कम्यूनिकेशन प्राइम // // इन: यिंग्क्षु वांग और जॉर्ज बेकीउ (एड्स)। प्रोक। ICCI-09, हांगकांग के। 2009.

(Goertzel, 2010) Goertzel B. रियल-वर्ल्ड जनरल इंटेलिजेंस // ई। बॉम, एम। हटर, ई। कित्ज़ेलमैन (ईडीएस), इंटेलिजेंट सिस्टम रिसर्च में एडवांस की एक औपचारिक विशेषता की ओर । 2010. वी। 10 (प्रोक। 3 क। आर्टिफिशियल जनरल इंटेलिजेंस पर, लूगानो, स्विट्जरलैंड, 5-8 मार्च, 2010।)। पी। 19-24।

(गोएर्टज़ेल और इकाल, 2011) गोएर्टज़ेल बी।, इकाल एम। थ्री हाइपोथेसिस अबाउट द जियोमेट्री ऑफ़ माइंड// कंप्यूटर साइंस में लेक्चर नोट्स 6830 (proc। आर्टिफिशियल जनरल इंटेलिजेंस - 4th Int'l सम्मेलन)। 2011. पी। 340-345।

(हरती ज़ादेह एट अल।, २०० 2008) हरती ज़ादेह, एस।, बाघेरी शौरकी, एस।, हलावती, आर।: निर्णय का उपयोग कर मॉडल को एक भावनात्मक ध्यान तंत्र // आर्टिफ़िशियल इंटेलिजेंस और एप्लीकेशन में फ्रंटियर्स (पीआरसी १ एजीआई सम्मेलन)। । 2008. वी। 171. पी। 374–385।

(हटर, २००२) हटर एम । सभी कंप्यूटर विज्ञान की नींव के सभी अच्छी तरह से परिभाषित समस्याओं // इंटरनेशनल जर्नल के लिए सबसे तेज़ और सबसे छोटा एल्गोरिथम । 2002. वी। 13. नहीं। 3. पी। 431–443।

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

(इकल 'एट अल।, 2009) इकल' एम।, पिट जे।, गोएर्टज़ेल बी।, सेल्समैन जी। इकोनॉमिक अटेंशन नेटवर्क: जनरल इंटेलिजेंस के लिए एसोसिएटिव मेमोरी और रिसोर्स एलोकेशन // इन: बी। गोएर्टज़ेल, पी। हित्ज़लर, एम हटर (ईडीएस), एडवांस इन इंटेलिजेंट सिस्टम रिसर्च। 2009. वी। 8 (प्रोक। 2 कॉन्फिडेंस ऑन आर्टिफिशियल जनरल इंटेलिजेंस, अर्लिंगटन, यूएसए, 6-9 मार्च, 2009)। पी। 73-78।

(पावेल एट अल।, 2007) पावेल ए।, वासिल सी।, बुयु सी। एक पारिस्थितिक मोबाइल रोबोट के लिए संज्ञानात्मक दृष्टि प्रणाली // प्रोक। 13 Int'l Symp। सिस्टम थ्योरी पर, स्वचालन, रोबोटिक्स, कंप्यूटर, सूचना विज्ञान, इलेक्ट्रॉनिक्स और इंस्ट्रूमेंटेशन। 2007. वी। 1. पी। 267-272।

(पोटापोव और रोझकोव, 2012) पोतापोव एएस, रोझकोव एएस कॉग्निटिव रोबोटिक सिस्टम फॉर लर्निंग ऑफ कॉम्प्लेक्स विजुअल स्टिमुली।2012. (प्रिंट में)

(पोतापोव एट अल।, 2010) पोटापोव एएस, मालिशेव आईए, पुइशा एई, एवेर्किन एएन न्यू प्रतिमान सीखने योग्य कंप्यूटर दृष्टि एल्गोरिदम का प्रतिनिधित्व करने वाले एमडीएल पर आधारित // प्रोक। SPIE। 2010. वी। 7696. पी। 769606.

( पोतापोव , 2012) पोतापोव एएस प्रतिनिधि के प्रतिनिधि न्यूनतम विवरण लंबाई में छवि विश्लेषण और पैटर्न मान्यता // पैटर्न मान्यता और छवि विश्लेषण। 2012. वी। 22. नहीं। 1. पी। 82–91।

(श्मिधुबर, 2010) श्मिटुबेर जे। कृत्रिम वैज्ञानिक और कलाकार रचनात्मकता के औपचारिक सिद्धांत पर आधारित// इन: ई। बॉम, एम। हटर, ई। कित्ज़ेलमैन (एडीएस), एडवांस्ड इन इंटेलिजेंट सिस्टम रिसर्च। 2010. वी। 10 (प्रोक। 3 क। आर्टिफिशियल जनरल इंटेलिजेंस पर, लूगानो, स्विट्जरलैंड, 5-8 मार्च, 2010)। पी। 145-150।

(सीनेटर, 2011) सीनेटर ते ट्रांसफर लर्निंग प्रोग्रेस एंड पोटेंशियल // एआई पत्रिका। 2011. वॉल्यूम। 32. नहीं। 1. पी। 84-86।

(शापिरो एट अल।, 2007) शापिरो एससी, रापापोर्ट डब्ल्यूजे, कंडेफर एम।, जॉनसन एफएल, गोल्डफैन ए। एस । एस । पी । सी । ए। आई । पत्रिका में मान्यता । 2007. वॉल्यूम। 28. नहीं। 1. पी। 17–31।

(शापिरो एंड गोकर, 2008) शापिरो डी। और गोकर एमएच एडवांसिंग एआई रिसर्च एंड एप्लीकेशंस फ्रॉम व्हाट वेंट रोंग एंड व्हॉट // एआई मैगज़ीन। 2008. वी। 29. नहीं। 2. पी। 9–10।