11ациональная программа
«Цифровая экономика Российской Федерации»
Федеральный проект
«Искусе твенный интеллект»

А. Е. Воробьев, К. А. Воробьев, К. К. Кушеков

ВВЕДЕНИЕ В ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ

Учебное пособие

Москва Вологда
«Инфра-11нженерия»
2026
УДК
ББК

004.8

32.813

В75

Рецензент:
член-корреспондент НАН Республики Кыргызстан, д. т. н.,
профессор факультета информационных технологий
Московского технологического института (РФ)
Усманов С. Ф.

Воробьев, А, Е.

В75 Введение в искусственный интеллект : учебное пособие / А. Е. Воро-
бьев, К. А. Воробьев, К. К. Кушсков. — Москва ; Вологда : Инфра-Инжснс-
рия, 2026. - 132 с. : ил., табл.

ISBN 978-5-9729-2734-0

Представлены философские аспекты становления и развития искусственного ин-
теллекта. Раскрыты теоретические основы развития искусственного интеллекта. Даны
классификации искусственного интеллекта. Показаны возможности и условия обуче-
ния и развития искусственного интеллекта. Выделена технология интеллектуального
управления. Описана оценка эффективности искусственного интеллекта. Детализиро-
ваны преимущества искусственного интеллекта.

Для студентов и профильных специалистов соответствующих специальностей.

УДК 004.8

ББК 32.813

Исследование осуществлялось в рамках гранта № BR24993009 «Создание научно-исследовательского
инжинирингового центра передовых технологий разработки месторождений полезных ископаемых»
Комитета науки Министерства науки и высшего образования Республики Казахстан.

ISBN 978-5-9729-2734-0

© Воробьев А. Е., Воробьев К. А., Кутпеков К. К., 2026

© Издательство «Инфра-Инженерия», 2026

© Оформление. Издательство «Инфра-Инженерия», 2026
ОГЛАВЛЕНИЕ

Введение.................................................        5

Методология......................................................9

Глава 1. ФИЛОСОФСКИЕ АСПЕКТЫ СТАНОВЛЕНИЯ И РАЗВИТИЯ
ИСКУССТВЕННОГО ИНТЕЛЛЕКТА.......................................10

1.1.	Интуиция и современные парадигмы научных открытий.......10

1.2.	Идеи становится все труднее найти.......................12

1.3.	Философия искусственного интеллекта.....................14

1.4.	Могут ли машины думать..........................        17

1.5.	Могут ли машины быть сознательными.................  ...20

1.6.	Могут ли машины чувствовать.........................    21

1.7.	Риски искусственного интеллекта.......................  22

1.8.	Этика машин.........................................    26

Глава 2. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ РАЗВИТИЯ

ИСКУССТВЕННОГО ИНТЕЛЛЕКТА



2,1.	Интеллект животных.........................................28

2.2.	Интеллект человека

2.3.	Теории интеллекта............................................  32

2.4.	Определение и раскрытие термина «искусственный интеллект»......34

2.5.	Концепции искусственного интеллекта..........................  38

2.6.	Принципы работы искусственного интеллекта......................40

2.7.	Принятые подходы к разработке искусственного интеллекта........42

2.8.	Основные элементы и составляющие искусственного интеллекта...... 43

2.9.	Пределы развития искусственного интеллекта...................  52

2.10.	История искусственного интеллекта и его развитие..............52

2.11.	Современный этап развития искусственного интеллекта...........64

Глава 3. КЛАССИФИКАЦИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА................66

3.1.	Методические подходы
к классификации искусственного интеллекта................   66

3.2.	Основные типы искусственных интеллектов................66

3.3.	Виды искусственного интеллекта.......................  68

3.4.	Машинный сверхразум .........................      ....69

Глава 4. ОБУЧЕНИЕ И РАЗВИТИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА.71

4.1.	Прогресс в области искусственного интеллекта..............71

4.2.	Эволюционный подход к искусственному интеллекту...........71

4.э.	Нечеткая логика............................................. 72

4.4.	Машинное обучение.......................................  73

4.5.	Технологии машинного обучения.............................75

4.6.	Глубокое обучение.......................................  78

4.7.	Искусственная нейронная сеть..............................80

4.8.	Отличия между машинным обучением и нейронной сетью........82
4.9.	Инструменты и технологии, необходимые для реализации проектов
машинного обучения.................................................. 84

4.10.	Проблемы разработки искусственного интеллекта.................86

Глава 5. ИНТЕЛЛЕКТУАЛЬНОЕ УПРАВЛЕНИЕ

ТЕХНИЧЕСКИМИ СИСТЕМАМИ.................................................88

5.1.	Определение интеллектуального управления....................... 88

5.2.	Методы интеллектуального управления............................90

5.3.	Знания об окружающей среде.....................................91

5.4.	Знание цели....................................................92

Глава 6. ОЦЕНКА ЭФФЕКТИВНОСТИ

ИСКУССТВЕННОГО ИНТЕЛЛЕКТА..............................................94

6.1.	Меры оценки искусственного интеллекта..........................94

6.2.	Процесс выбора индикатора оценки искусственного интеллекта.....96

Глава 7. РЫНОК ИСКУССТВЕННОГО ИНТЕЛЛЕКТА...............................99

7.1.	Практические применения искусственного интеллекта.............101

7.2.	Компьютерная обработка естественного языка....................108

^7.l_'^.	. "i1	i...................................................................................... 1

7.4.	Практические приложения искусственного интеллекта
в высшей школе ....................................................115

7.5.	Искусственный интеллект в современном искусстве...............119

Глава 8. ПРЕИМУЩЕСТВА ИСКУССТВЕННОГО	ИНТЕЛЛЕКТА.............121

Заключение...........................................................  122

Список литературы..................................................      123
Наш интеллект — это то, что делает нас людьми,
а искусственный интеллект - это логическое продолжение данного
весьма важного качества.

Ян Ле Кун, профессор Нью-Йоркского университета (США)

Введение

В настоящее время трудно определить конкретное время или какое-либо
событие, когда или которое породило искусственный интеллект. Можно счи-
тать, что все началось с разработки довольно сложных математических алго-
ритмов или с появлением компьютеров, а точнее - со статьи Алана Тьюринга
«Вычислительная техника и интеллект», опубликованной в 1950 г., в которой
был поставлен основополагающий вопрос о том, могут ли компьютеры работать
так, чтобы казаться по-настоящему разумными.

В этом документе было представлено то, что позже будет известно как
«тест Тьюринга». По своей сути, этот оценочный тест позволяет человеку и ком-
пьютеру общаться друг с другом, но человек не знает, кто его собеседник - такой
же человек или компьютер. Если компьютер достаточно умен, чтобы обмануть
человека, заставив его поверить, что он тоже человек, то компьютер проходит
тест Тьюринга. Другими словами, этот тест оценивает, может ли компьютер
общаться достаточно компетентно и хорошо, чтобы убедить человека, что он
тоже человек.

В 1990 г. д-р X. Лебнер договорился с Кембриджским центром поведенче-
ских исследований о проведении конкурса, направленного на внедрение теста
Тьюринга, и пообещал главный приз в размере 100 тыс. долларов и золотую
медаль за первую компьютерную программу, ответы которой будут неотли-
чимы от человеческих [82]. Конкурс на соискание премии Лебнера 15 мая 2012 г.
к столетию со дня рождения Тьюринга состоялся в музее Блетчли-Парк. Приз
(5000 долларов) был присужден компьютерной системе Chip Vivant Мохана
Эм бара.

При этом идея создания существ с искусственным интеллектом действует
уже много веков. Так, у древних греков и китайцев были многочисленные мифы
о разумных искусственных роботах (например, Галатея Пигмалиона), древние
египтяне строили автоматроны, а ходячие заводные игрушки существует во мно-
гих странах мира уже несколько столетий. Голем в еврейских преданиях обычно
изображается как существо в форме человека, сделанное из глины, наделенное
(посредством определенной серии букв, запрограммированных в него специа-
листом) ощущением жизни. По сути, он очень похож на робота — человеко-
подобное существо из металла и пластика.

Термин «робот» (от чешского слова «robot», означающего «тяжелый
труд») был изобретен чешским писателем и драматургом Карелом Чапеком.
Также необходимо отметить, что научная фантастика (от «Франкенштейна»
Мэри Шелли до фильмов о безумных ученых 1950-х годов и «Доктора Кто»)
рассказывает о создании искусственных существ, обладающих определенным,
зачастую довольно высоким интеллектом.

Так и разработка современных компьютеров имела весьма длительный
период времени: первая счетная машина была создана китайцами в XXVI веке
до нашей эры. Вильгельм Шиккард (1592-1635), немецкий математик и свя-
щеннослужитель из Тюбингена, в 1623 г. изобрел Считающие часы для вы-
полнения сложения и вычитания. Эта машина регистрировала переполнение
своих вычислений по звуку часов [87]. Другой известной вычислительной маши-
ной была Паскалина, которую Блез Паскаль, французский философ и математик,
создал в 1642 г.

При этом, хотя механизмы Шиккарда и Паскаля были ограничены только
сложением и вычитанием чисел, включая перепое и заимствование, они все же
показали [87], что процессы, которые ранее считались требующими человече-
ской мысли и навыков, могут быть полностью автоматизированы.

Успехи Паскаля в области вычислительных машин вдохновили Готфрида
Вильгельма фон Лейбница в 1694 г. на создание работающей машины, которая
стала известна как Колесо Лейбница [87]. Оно включало в себя подвижную ка-
ретку и рукоятку для привода колес и цилиндров, которые выполняли более
сложные операции умножения и деления.

Затем Лейбниц выдвинул гипотезу о машине, которая могла бы произво-
дить вычисления с помощью заданных функций, для получения логически пра-
вильных выводов.

Современное понятие компьютера, как математического устройства и
устройства обработки информации, возникло только в 1945 г. [100], когда этот
термин был использован таким образом фон Нейманом в его проекте отчета
о машине EDVAC.

Прошло много лет с момента появления первых компьютеров и идеи со-
здания общего (полноценного) искусственного интеллекта, однако человечество
еще даже не приблизились к ее окончательному разрешению. Здесь вполне
уместно следующее выражение: «легче сказать, чем сделать». Многие из про-
блем искусственного интеллекта являются довольно большими и философ-
скими, а другие - маленькими, либо техническими. Но в целом их пока не уда-
лось разрешить до окончательного логического завершения.

Искусственный интеллект ранее был основан на идее (которая в последние
годы подвергается все больше определенному сомнению) о том, что процесс че-
ловеческого мышления можно механизировать. На протяжении всей предыду-
щей истории развития техники и технологии многие исследователи предпола-
гали, что человеческий разум - это, по сути, биокомпьютер, работающий через
символическую логику, и что можно (по крайней мере теоретически) дублиро-
вать человеческий разум и человеческое мышление посредством манипулиро-
вания математическими символами (например, с помощью компьютера).
Математик и философ Готфрид Лейбниц даже придумал специальный сим-
волический язык, который сводил все эти философские аргументы к математи-
ческим расчетам, чтобы на все возникающие в этой области вопросы можно
было ответить легко, четко и понятно.

Искусственный интеллект представляет собой одно из наиболее извест-
ных современных применений информационных систем в области современных
знаний, работающих на основе изучения и понимания природы человеческого
интеллекта и его целенаправленного моделирования, для создания нового по-
коления интеллектуальных компьютеров, которые можно запрограммировать
для выполнения многих весьма сложных задач, требующих высокой способно-
сти к умозаключению, дедукции и восприятию.

В XX в. было установлено, что с момента изобретения компьютеров или
интеллектуальных машин их возможности выполнять различные задачи увели-
чиваются в геометрической прогрессии. Так, в частности, исследование, прове-
денное Глобальным институтом McKinsey, показало, что примерно 45 % техно-
логических задач, выполняемых в настоящее время в промышленности и эко-
номике, могут быть полностью автоматизированы, с использованием существу-
ющих умных электронных технологий.

Однако искусственному общему интеллекту нужна человеческая интуи-
ция, которой пока еще нет у компьютеров. Человеческую интуицию весьма
трудно воспроизвести, т. к. она представляет собой довольно обширный и слож-
ный архив подсознательных знаний человека, некоторые из которых являются
врожденными, а некоторым он научился с течением своей жизни.

Человеческая интуиция включает в себя различные эмоции, эстетический
вкус, инстинктивные реакции и мгновенные решения. В своей жизни люди еже-
дневно оценивают различные возникающие социальные ситуации, т. е. качество
окружающей среды и ее возможную опасность и многое другое, используя свою
интуицию.

Все это пока довольно сложно (если вообще возможно) полноценно вос-
произвести па цифровом компьютере, используя язык математических или дру-
гих символов.

При этом считается, что люди — биосоциальные организмы и в результате
этого они обладают социальным интеллектом. Люди рождаются, воспитыва-
ются, учатся, живут и действуют в мире на основе эволюционно сложившихся
социальных взаимодействий и восприятий, что весьма сложно запрограммиро-
вать на компьютере. Поэтому многие исследователи считают, что полноценный
человеческий искусственный интеллект нс может быть создан путем разработки
единого искусственного разума, изолированного в лаборатории. Его необходимо
«выращивать» и развивать в социальном мире (в человеческом обществе), взаи-
модействуя с другими разумами и физическими существами.

Также имеется существенная проблема отсутствия у интеллектуальных ма-
шин так называемого «здравого смысла», для разрешения которой требуется не-
вероятный объем работы, чтобы запрограммировать все те вещи, процессы и яв-
ления, которые давно известны человечеству и основаны на здравом смысле.
Люди физически отличаются от машин с искусственным интеллектом
в том смысле, что они обычно испытывает одни и те же физические характе-
ристики, в то время как машины принимают несколько весьма различных форм.

Какие принципы должны лежать в основе интеллектуальных систем? Как
они должны быть построены9 Чем будут полезны человечеству интеллектуаль-
ные системы? Как выбрать наиболее правильный инструмент для их работы?
На эти и некоторые другие вопросы авторы постарались дать ясные ответы
в этой книге.

Книга представляет собой введение в область компьютерного интеллекта.
Она охватывает экспертные системы, основанные на правилах, нечеткие экс-
пертные системы, экспертные системы па основе фреймов, искусственные ней-
ронные сети, эволюционные вычисления, гибридные интеллектуальные системы
и инженерию знаний.

Теоретическая значимость представленной работы обусловлена все более
широким распространением искусственного интеллекта во всех сферах челове-
ческого общества.

Практическая значимость работы определяется тем, что данное исследова-
ние направлено на определение наиболее вероятных сценариев развития искус-
ственного интеллекта и его реального применения.

Исследование было проведено в соответствии с национальной программой
«Цифровая экономика Российской Федерации» и действующим федеральным
проектом «Искусственный интеллект».
Методология

Методологической основой работы является теория становления и раз-
вития искусственного интеллекта.

Исследование основано на существующих доступных данных, результа-
тах исследований и аналитике, приведенных в различных источниках, допол-
ненных результатами собственного независимого анализа и научной экспер-
тизы. Осуществленный анализ включает в себя обзор специальной литературы
и кабинетное исследование академических и нсакадсмичсских (в том числе
сайтов Интернета) источников профильных сведений.

Дедуктивные и индуктивные методы использовались для составления вы-
водов и предложений.
Глава 1

ФИЛОСОФСКИЕ АСПЕКТЫ СТАНОВЛЕНИЯ И РАЗВИТИЯ
ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

1.1.	Интуиция и современные парадигмы научных открытий

Индуктивный вывод - это малоконтролируемый процесс, посредством
которого человек наблюдает за миром, а затем делает вывод о причинах на-
блюдаемого [97]. Необходимо отметить, что это ключевой процесс, с помощью
которого люди пытаются понять Вселенную, и поэтому, естественно, примеров
этого может быть значительное множество.

Индуктивный вывод весьма имеет долгую историю в философии. Одним
из первых мыслителей, задумавшихся над этим вопросом, был греческий фи-
лософ Эпикур (342-270 гг. до н. э.), который отметил, что обычно существует
множество гипотез, согласующихся со всеми доступными данными.

Философский принцип, лежащий в основе этой интуиции, был впервые
четко сформулирован английским логиком и монахом-францисканцем Уилья-
мом Оккамом (1285—1349). Он утверждал, что при выводе причины нс следует
включать в объяснение ничего, что не требуется строго для объяснения получен-
ных результатов наблюдений. Другими словами, среди всех гипотез, согласую-
щихся с наблюдениями, самая простая является наиболее вероятной. Этот фило-
софский принцип известен как «бритва Оккама», поскольку его применение поз-
воляет отсечь все ненужные варианты из объяснений полученных результатов.

Лауреат премии Тьюринга Джим Грей был первым, кто использовал тер-
мин «Четвертая парадигма» для описания этапов получения научных откры-
тий [98].

Так, в первой парадигме, просуществовавшей в социуме более 1000 лет,
наука была эмпирической, основанной исключительно на различных наблюде-
ниях.

Затем, в 1687 г., после открытий Кеплера и Галилея, Исаак Ньютон опуб-
ликовал «Математические принципы натуральной философии». Это позволило
установить 3 основополагающего закона движения, которые в дальнейшем опре-
делили классическую механику и послужили базовой основой для разработки
теории гравитации.

Выявленные математические законы природы обеспечили необходимую
основу для теоретических исследований научных явлений, что явилось второй
парадигмой научных открытий. Так, почти 200 лет спустя Максвелл сфор-
мулировал уравнения своей единой теории электромагнетизма, а затем, в на-
чале XX в., уравнение Шредингера описало квантовую механику.

Использование этих двух весьма важных парадигм - экспериментального
наблюдения и теоретического расчета — являлось основой научного понимания
и открытий на протяжении последних нескольких столетий.
В 2007 г., работая над исследованием и вычислением будущего, Джим Грей
и сотрудники Совета по информатике и телекоммуникациям, установили, что
вычислительная наука является третьей парадигмой научных исследований.
Это включало в себя переход к компьютерному моделированию и генерации
больших объемов научных данных, созданных, в первую очередь, с помощью
различных цифровых инструментов.

Необходимо отметить, что каждая такая парадигма имеет свои определен-
ные ограничения. Так, осуществляемые эксперименты могут быть довольно мед-
ленными и трудными для обеспечения масштабного исследования. Более того,
крупномасштабные инструменты, такие как Большой адронный коллайдер (БАК)
или радиотелескоп, с решеткой площадью в квадратный километр, весьма до-
роги в изготовлении и обслуживании. Кроме того, результаты каждого экспери-
мента обычно анализируются каждый раз отдельно, в рамках отдельного науч-
ного направления. Все это довольно существенно ограничивает потенциал по-
лучения новых знаний анализом входных и выходных параметров отдельных
экспериментов.

Математические модели также могут иметь свои строгие ограничения,
в том числе — необходимость упрощения предположений для создания объек-
тивных и достоверных моделей. Кроме того, ученые часто не могут решить
полученный набор сложных уравнений и получить легко исследуемые анали-
тические решения.

Компьютерное моделирование в определенной степени может быть ис-
пользовано для устранения этих обоих ограничений. Так, моделирование мате-
матических моделей для широкого спектра различных областей исследований
(таких, как наука о глобальном климате, молекулярная динамика, материалове-
дение, астрофизика и др.), оказалось наиболее успешным, и теперь для такого
моделирования регулярно используются суперкомпьютеры, которые могут вы-
полнять 1018 вычислений в । секунду.

Однако даже суперкомпьютерное моделирование существенно ограничено
рамками математических моделей и представлениями данных. Более того, одно
моделирование представляет собой только один вариант проблемы, основанный
на определенном наборе начальных условий и ограничений. Кроме того, выпол-
нение некоторых симуляций может занять много дней или недель, что значи-
тельно ограничивает исследование больших пространств и использования мно-
гочисленных параметров.

Так, моделирование глобального климата, которое необходимо срочно
усовершенствовать, четко иллюстрирует такие ограничения. Для этого, Нацио-
нальный центр атмосферных исследований США (NCAR) сотрудничает в мно-
гопрофильном центре по изучению Земли с помощью искусственного интел-
лекта и физики (LEAP) Национального научного фонда (NSF).

LEAP будет использовать технологии машинного обучения (ML) для улуч-
шения разрабатываемой модели различных систем Земли (CESM) NCAR.
CESM включает в себя сложную коллекцию компонентов таких моделей,
которые могут моделировать взаимодействие процессов в атмосфере, океане,
суше, морском льду и ледниковом покрове.

Однако CESM все же несколько ограничен в своих возможностях - прежде
всего включать точное математическое представление некоторых важных физи-
ческих процессов, которые весьма трудно моделировать. К ним относятся фор-
мирование и эволюция атмосферных облаков [24,45, 46,47] в таком мелком мас-
штабе, что модель не может их разрешить, а также процессы для представле-
ния экологии, которые слишком сложны для отражения в моделировании.

В результате климатологи создали упрощенные подкомпоненты, извест-
ные как параметризации, для аппроксимации в CESM этих физических процес-
сов. В качестве одной из своих основных целей LEAP стремится улучшить
эти аппроксимации за счет использования технологий машинного обучения
для включения обучения на больших объемах данных наблюдений системы
Земли и данных моделирования моделей высокого разрешения.

А это уже явный переход к четвертой парадигме научных исследований.

1.2.	Идеи становится все труднее найти

Технологический прогресс в период с 1970 по 2020 годы был значительно
медленнее, чем в предыдущие 50 лет [68]. Различные известные экономисты
на основе использования множества данных из широкого спектра областей
(электроники, сельского хозяйства, здравоохранения, национальной статисти-
ки производительности и данных на уровне компаний) сделали вывод о том,
что новые идеи становится все труднее найти, а постоянные исследовательские
усилия приводят к снижению темпов роста технологических показателей.

Так, согласно закону Мура, количество транзисторов, которые могут поме-
ститься в интегральную схему, удваивается примерно каждые 2 года. При этом
исследовательские усилия, направленные на достижение этого удвоения, вы-
росли почти в 20 раз.

Рост урожайности различных сельскохозяйственных культур во всем мире
поддерживается только за счет значительного расширения усилий в области
сельскохозяйственных НИОКР [68], что указывают на замедление темпов про-
гресса, выходящее за рамки урожайности.

Кроме того, в 2015 г. было осуществлено исследование, чтобы следить
за развитием событий в трех областях науки (физика, астрономия и биомеди-
цина), в результате которого было установлено, что, хотя количество статей
во всех трех этих областях науки росло экспоненциально, но в период с 1900 г.
(1945 г. — для биомедицины) по 2010 г. их когнитивный масштаб увеличивался
линейно [54].

При этом необходимо отметить, что количество научных публикаций
не всегда коррелируют с ростом их когнитивности (рис. 1).
Китай

Ц/*я'ь

И м ди*

Г ер мания

Великобритания

РосснЛсиа* Федеоац «

Г"Й»Л

Корея

т.««.

Канада

ФДОМЦ^Я

А, Объем публикаций

Рис. 1. Соотношение количества научных публикаций
с их когнитивностью по странам [54]

Б. Когнитивная степень

С этими проблемами может справиться искусственный интеллект (табл. 1).

Таблица 1

Типичные проблемы, решаемые интеллектуальными системами

Тип проблемы	Описание
Диагностика	Выявление неисправностей объекта по его поведению и рекомендации по устранению неисправностей
Выбор	Рекомендация лучшего варианта из списка возможных альтернатив
Прогноз	11рогнозирование будущего поведения объекта на основе т о поведения в прошлом
Классификация	Присвоение объекта одному из определенных классов
Кластеризация	Деление разнородной группы объектов на однородные подгруппы
Оптимизация	Повышение качества решений до тех пор, пока нс будет найдено оптимальное
Контроль	Управление поведением объекта для удовлетворения заданных требований в режиме реального времени
1.3.	Философия искусственного интеллекта

Основы исследования интеллекта восходят к истокам философии. Так, фи-
лософы уже более 2-х тысяч лет пытаются понять и решить 2 важных вопроса
общественного бытия: как работает человеческий разум и могут ли нечеловече-
ские существа и искусственные объекты иметь разум? Однако, эти и некоторые
другие вопросы пока еще остаются без ясного ответа.

Чтобы понять и развивать на практике идею искусственного интеллекта,
необходимо понять, что отличает человеческий интеллект от разума других
живых существ, т. е. о способности людей учиться на своем и главное — чужом
опыте и эффективно применять эти уроки в принципиально новых ситуациях.
Люди это могут делать благодаря их развитому интеллекту, что объясняется
тем, что у людей мозг обладает гораздо большим количеством нейронов (чело-
веческий мозг средним объемом 1500 см3 содержит около 90 млрд нейронов,
это около 17 млрд узлов сети в 1 см3), чем у любого вида известных животных.

Мозг человека можно рассматривать как очень сложную, нелинейную и
параллельную систему обработки поступающей и хранимой сложной и объем-
ной информации. Считается, что информация в нем хранится и обрабатывается
в нейронной сети одновременно по всей этой сети, а не в отдельных определен-
ных местах. При этом, благодаря пластичности связи между нейронами мозга
человека, ведущие к «правильному ответу», сигналы и цепи усиливаются, а те,
которые направлены к «неправильному ответу», резко ослабляются. В резуль-
тате нейронная сеть мозга человека обладает способностью самообучаться на ос-
нове полученного опыта.

Современные компьютеры даже близко не соответствуют значительным
возможностям человеческой биологической нейронной сети. Но у них есть одно
весьма существенное преимущество перед людьми: это их способность безоста-
новочно анализировать огромные объемы постоянно увеличивающихся данных
и сведений (например, в 2025 г. во всем мире будет создано 180 зеттабайт раз-
личных данных, по сравнению с менее чем 10 зеттабайтами в 2015 г.), причем
гораздо быстрее, чем это осуществляют люди.

Современные ученые установили, что наиболее очевидная разница между
человеческим и искусственным интеллектом заключается в том, что компью-
тер (независимо от его мощности или энергии) ограничен тем, что называется
«сигналами» (т. е. языком логического программирования), но при этом с го-
раздо более высоким объемом памяти, чем человеческий интеллект [98]. Однако,
в отличие от последнего, он пока еще нс способен самостоятельно интерпрети-
ровать получаемую информацию. Другими словами, операционный или вычис-
лительный интеллект компьютера ограничен лишь обработкой поступасмой раз-
нообразной информации, но он не способен понять, что именно он обрабатывает.

Для снижения деструктивного воздействия искусственного интеллекта
необходимо развивать символический подход, который должен позволить опе-
рировать слабо формализованными представлениями и их значениями [79].
Успех и эффективность решения новых задач зависят, прежде всего,
от умения выделять только существенную информацию, что требует значитель-
ной гибкости в используемых методах абстракции. В то время как нормальная
программа задает свой способ интерпретации анализируемых данных, из-за чего
ее работа выглядит предвзятой и чисто механической. Интеллектуальную задачу
в данном случае решает только человек (аналитик или программист), не знаю-
щий, как передать эту работу машине, пусть даже и интеллектуальной. В резуль-
тате создается единая модель абстракции, система конструктивных сущностей
и алгоритмов. А гибкость и универсальность выливаются в значительные ресурс-
ные затраты на нетипичные задачи, т. е. система от интеллекта вновь возвраща-
ется к грубой механической силе.

Некоторые философы, опираясь на вычислительный подход, предложен-
ный учеными-компьютерщиками, довольно прямо восприняли идею о том, что
интеллектуальные машины могут делать все то, что могут делать люди. Другие
резко выступили против этой идеи, аргументировано утверждая, что такие слож-
ные формы поведения людей, как любовь, творческие открытия и моральный
выбор, всегда будут находиться за пределами возможностей любой интеллек-
туальной машины.

Поэтому, философия, исследующая возможности и развитие искусствен-
ного интеллекта, пытается ответить па такие основополагающие вопросы:

1.	Может ли интеллектуальная машина действовать вполне разумно?

2.	Может ли она решить любую возникшую проблему, которую человек
решил бы, на основе своего интеллекта?

3.	Человеческий интеллект и машинный интеллект - являются ли анало-
гами?

4.	Является ли человеческий мозг по своей сути биокомпыотером?

5.	Может ли интеллектуальная машина обладать разумом, психическими
состояниями и сознанием в том же смысле, что и человек?

6.	Может ли она почувствовать, как обстоят дела, и иметь свои эмоции?

Наиболее важные положения философии искусственного интеллекта вклю-
чают в себя следующие разработанные и обоснованные постулаты:

1.	«Вежливое соглашение» Тьюринга: Если машина ведет себя так же
разумно, как человек, то она так же разумна, как человек.

2.	Предложение Дартмута: Каждый аспект обучения или любая другая
особенность интеллекта может быть описана настолько точно, что можно ре-
ально создать полноценную интеллектуальную машину.

3.	Гипотеза Аллена Ньюэлла и Герберта А. Саймона о системе физиче-
ских символов: Система физических символов обладает необходимыми и до-
статочными средствами общего разумного действия.

4.	«Сильная гипотеза» искусственного интеллекта Джона Сирла: Пра-
вильно запрограммированный компьютер с правильными входами и выходами
будет обладать разумом точно в том же смысле, в котором разум есть у людей.
5.	Механизм Гоббса: «Разум» ... есть не что иное, как «подсчет», т. е. сло-
жение и вычитание последствий общих названий, согласованных для «марки-
ровки» и «обозначения» мыслей людей.

Кроме того, в этой плоскости философского подхода к описанию интел-
лектуальных машин существует и весьма важная проблема сознания. Созна-
ние обычно считается осознанием своего окружения, Вселенной и самого себя.
Современные усовершенствованные компьютерные программы обладают своего
рода самосознанием, заключающимся в том, что они могут проверять себя на на-
личие ошибок и даже исправлять их (автоматическая отладка заложенной про-
граммы). Однако многие исследователи считают, что это не то же самое, что ра-
зумное самосознание.

Тем нс менее, компьютер может иметь даже больше информации о окру-
жающей среде и о себе, чем непосредственно человек, и поэтому можно утвер-
ждать, что он действительно обладает формой самосознания и что, по крайней
мере в определенных ситуациях, человеческое сознание не имеет конкурентов.

В настоящее время существуют различные характеристики, которые отли-
чают интеллект человеческого уровня от искусственного интеллекта, и они
включают в себя следующее.

Мыслительные способности: они могут быть как положительными, так и
отрицательными из-за эмоций, которых пет у интеллектуальных машин. Отсут-
ствие у машины эмоций может привести к деструктивности в ситуации, когда
эмоции все же необходимы. Рассел Стюарт считает, что машины смогут мыс-
лить слабо. В общем, есть некоторые аспекты и особенности, которые компью-
теры не могут сделать, независимо от того, как они запрограммированы, а зна-
чит, что используемые способы разработки интеллектуальных программ рано
или поздно обречены на провал 179].

Собственно, универсальный искусственный интеллект (представляющий
собой общую способность хорошо действовать в очень широком диапазоне сред)
начался с работы Рэя Дж. Соломонова, написанной в 1960-х годах. Этот ученый,
рассматривая проблему предсказания двоичных последовательностей, обнару-
жил формулировку индуктивной системы вывода, которая очень быстро учится
оптимально предсказывать любую последовательность, имеющую вычислимое
распределение вероятностей. Эта теория оказалась не только инновационной,
но она также объединила и формализовала ключевые философские принципы,
лежащие в основе индуктивного вывода. Более того, рассматривая частные
случаи этой модели, можно эффективно применить хорошо известные статисти-
ческие принципы (такие, как максимальное правдоподобие, минимальная длина
описания, максимальная энтропия и др.). Это делает модель Соломонова своего
рода единой теорией индуктивного вывода. Действительно, если бы нс ее не-
вычислимость, то проблему индукции можно было бы считать окончательно
решенной. Таким образом, модель Соломонова представляет собой логичное
сочетание философии и математики.
Основное теоретическое ограничение индукции Соломонова заключается
в том, что она решает только проблему пассивного индуктивного обучения
(в частности, предсказания последовательности). Правильны или нет, предска-
зания этого инструмента не влияют на будущую наблюдаемую последователь-
ность. Таким образом, искусственный интеллект пассивен в том смысле, что он
не способен влиять на изменения будущего.

В конце 1990-х годов Маркус Хаттер расширил модель пассивной индук-
ции Соломонова на активный случай, объединив ее с теорией последователь-
ного принятия решений. Такой подход привел к появлению теории универ-
сальных искусственных интеллектов, в частности, универсального искусствен-
ного интеллекта для очень общего класса интерактивных сред, известного как
ЛИКСИ-агснт. При этом Хаттер смог доказать, что поведение универсальных
искусственных интеллектов сводится к оптимальному в любых условиях, где
это вообще возможно для общего в искусственных интеллектах, и что эти искус-
ственные интеллекты оптимальны по Парето в том смысле, что ни один из них
нс может работать одинаково хорошо во всех средах и, строго говоря, лучше
хотя бы в одной. Это самые сильные известные результаты, полученные для
искусственного интеллекта совершенно общего назначения. При условии, что
АИКСИ-агент обладает необходимыми универсальностью и экстремальными
характеристиками, то его можно считать теоретической моделью свсрхразум-
ного искусственного интеллекта.

1.4.	Могут ли машины думать

Вопрос, могут ли машины думать, довольно важен. Тьюринг считал, что
разумного поведения можно добиться посредством обработки весьма значитель-
ных объемов информации, что позволит интеллектуальным машинам учиться,
рассуждать и адаптироваться к окружающей среде. Однако этот вопрос до сих пор
остается открытым и является предметом многочисленных споров исследовате-
лей: каковы минимальные свойства функции мозга человека или его искус-
ственного аналога, необходимые для достижения у владельца полноценного
интеллекта?

К тому же еще не установлены четко определенные правила или критерии,
позволяющие дать выверенное определение и оценку искусственному разуму
(интеллекту).

Также необходимо отметить, что некоторые аспекты интеллекта (такие,
как анализ имеющейся и поступившей информации, дедуктивные и индуктив-
ные рассуждения, логические выводы, установление связей между информа-
цией и, наконец, вынесение объективного и точного заключения) уже во всю
моделируются машинами с искусственным интеллектом [94]. Эти машины день
ото дня совершенствуют свою способность интеллектуального поведения и мо-
делируют различные когнитивные функции, демонстрируя такие способности,
как память (кодирование, хранение и извлечение разнообразных данных при воз-
никновении на то необходимости), обращение внимания на конкретную инфор-
17
мацию (исключая или игнорируя другую, менее важную информацию), общение
на естественном языке, обработку визуальной или аудиоинформации, обучение
на прошлом своем опыте и самокоррскцию.

Современные умные машины могут обобщать прочитанный текст, выяв-
лять пробелы в исследованиях, писать рефераты и другую литературу, анализи-
ровать результаты и составлять проекты эссе и рукописей и т. д., а чат-бот спо-
собен генерировать довольного интересные и оригинальные истории. Следова-
тельно, вполне возможно, что интеллект и мыслительные способности, которые
раньше считались уникальными и имеющимися только у людей, теперь (в ходе
быстротечных эволюционных процессов) могут быть приобретены интеллек-
туальными машинами.

Тем нс мснсс, совершенно правильно считается, что возможности интел-
лектуальных машин ограничены тем, на что они запрограммированы. Так искус-
ственный интеллект, нарисовавший картину (рис. 2), вполне вероятно с художе-
ственной точки зрения смог это сделать лучше и профессиональнее, чем боль-
шинство обычных людей. Тем нс мснсс, он допустил принципиальные ошибки
в композиции этой картины, полностью перечеркивающие его творческую работу.

Рис. 2. Картина, созданная искусственным интеллектом
по запросу «Девушка XIV в., работающая за столом в своей комнате»

Кроме того, интеллектуальным машинам не хватает оригинальности, кре-
ативности и способности самостоятельно генерировать разные, принципиально
новые, идеи. Это поднимает вопрос о том, могут ли интеллектуальные машины
производить по-настоящему инновационную работу, выходящую за рамки огра-
ничений их первоначального программирования.
Поэтому несмотря на все эти необычайные способности, машины с искус-
ственным интеллектом не считаются действительно разумными. Хотя явно не
установлено, какие когнитивные способности следует учитывать, чтобы объя-
вить интеллектуальную машину разумным объектом. Например, если человече-
ский интеллект является эталоном, то уровень интеллекта необходимо опреде-
лять, ранжируя его по различным уровням: от умственной отсталости до вы-
сокоинтеллектуального (блестящего).

Ответ на этот вопрос лежит в плоскости того, что мы понимаем под разу-
мом и мышлением.

Для объективного и точного раскрытия этих аспектов важно иметь четкое
и ясное представление о процессах, протекающих в человеческом мозге (кото-
рый содержит в себя около 10 млрд нейронов и 60 трлн связей между ними),
включающее современные знания из нейробиологии.

В настоящее время мышление определяют как процесс, посредством
которого люди оценивают особенности, извлеченные из прошлого опыта, чтобы
принимать оптимальные решения по возникшим новым проблемам. Мышление
представляет собой четко определенную последовательность дискретных дей-
ствий, включающих наблюдение имеющихся проблем, сравнение этих наблюде-
ний с ранее изученными признаками и принятие оптимальных решений, на ос-
нове результатов осуществленных сравнений.

В контексте человеческого мышления, когда, увидев какого-то человека
перед наблюдателем стоит задача определить, кто этот человек (Новая про-
блема). Тогда в мозгу наблюдателя начинается когнитивная активность (Про-
цесс), которая включает процесс поиска всех людей, лица которых он может
вспомнить (Опыт), затем наблюдатель начинает учитывать отдельные аспекты —
цвет кожи, глаза, форму и размер носа, одежду, рост, речь и любые другие
наблюдаемые характеристики (Особенности), после чего процесс пытается
сопоставить эти особенности с конкретным человеком на основе всех людей,
которых наблюдатель видел раньше, и если не найдено удовлетворительное
совпадение, то мозг наблюдателя делает вывод, что это неизвестный ему чело-
век (Решение) [84].

С другой стороны, рассмотрим систему искусственного интеллекта, кото-
рая на основе компьютерного зрения, пытается выполнить эту же задачу с ис-
пользованием нейронных сетей. Когда получено изображение какого-то чело-
века, то искусственным интеллектом используется трехмерный тензор пиксе-
лей (Функции), затем сеть выполняет поиск (Процесс) на наличие ранее изу-
ченных функций, называемых ядрами или фильтрами (Опыт), после чего она
вычисляет, какие из этих функций присутствуют в новом изображении, и воз-
вращает набор оценок классов (Решение).

Ввиду этого можно утверждать, что современные интеллектуальные ма-
шины действительно думают, но совершенно не так, как думают люди.

Важно ли для машинного интеллекта смоделировать каждый аспект ра-
боты клетки мозга (например, стохастическое открытие и закрытие синаптиче-
ских ворот)? Или для этого достаточно, например, только моделирование потен-
циалов действия в популяциях нейронов?
Другими словами: на каком уровне абстракции важно воспроизводить
нейронную активность? Достаточно ли думать о нейроне как о непрерывных
информационных воротах или важно уловить его особые импульсные свойства
(скажем, на различении возбуждающих и тормозных клеток, среди других также
важных характеристик)?

С появлением компьютеров, манипулирующих большими массивами
чисел, математики поняли, что могут полноценно манипулировать символами,
и задумались, смогут ли они на самом деле создать искусственный мозг.

Первые фундаментальные исследования искусственного разума были
проведены в 1930—50-х годах. Ученые обнаружили, что человеческий мозг рабо-
тает с электрическими импульсами, во многом похожими на цифровые сигналы.
Поэтому Алан Тьюринг предположил, что любые вычисления можно описать
в цифровом виде. Все это указывало па принципиальную возможность создания
электронного мозга.

В дальнейшем Уолтер Питтс и Уоррен Маккалок из Массачусетского тех-
нологического института (США) показали, как искусственные нейронные сети
легко могут выполнять различные логические функции. Причем на низших уров-
нях этой иерархии нейронные сети, генетические алгоритмы и другие формы воз-
никающих вычислений позволяют понять процессы адаптации, восприятия, во-
площения и взаимодействия с физическим миром [87], которые должны лежать
в основе любой формы интеллектуальной деятельности.

1.5.	Могут ли машины быть сознательными

Это, пожалуй, самый сложный вопрос о интеллектуальных машинах [84].
Сознание всегда весьма высоко ценится как особая характеристика, уникальная
для живых существ. Обычно это состояние осознания организмом или техно-
генным объектом (машиной) своего существования.

Некоторые исследователи считают, что интеллектуальные машины дей-
ствительно могут стать предметом своих собственных мыслей.

Тем нс менее, существует значительная разница между людьми и созна-
тельными машинами, которая заключается в роли «подсознания» у людей. Под-
сознательная часть человека остается во многом загадочной, многие действия
человека инициируются ею, следовательно, у людей может быть, по крайней
мере, чувство превосходства над роботами, основанное на том факте, что в на-
стоящее время нет доказательств того, что интеллектуальные машины можно
наделить подсознанием внутри рамки глубокого обучения или обучения с под-
креплением.

Также интеллектуальным машинам не могут сниться какие-либо сны.

Общепринятый взгляд на науку основан на парадигме машины, в которой
более крупный механизм построен из более мелких подсистем. Согласно этой
парадигме, системы могут быть разделены, и любой процесс сводим к набору
более фундаментальных подпроцессов, и, в принципе, будущая реакция машины
полностью поддается описанию, если известны ее текущее состояние и входные
20
данные [101J. Целые строятся из частей, хотя признано, что по мере того, как
объекты собираются в сложные сборки, появляются новые свойства. Таким
образом, химические свойства проявляются по мерс того, как элементарные
частицы собираются вместе в больших количествах, а химические вещества
в сложных системах приводят к возникновению биологических систем.

Учитывая, что сознание является характеристикой высшей жизни, из этого
следует, что оно является эмерджентным свойством. С точки зрения конструк-
ции машины, можно представить, что обычное поведение машины может при-
вести к появлению сознания после того, как сложность машины превысит кри-
тический порог [101]. Но даже древние культуры признавали ограниченность
механистической логики в понимании автономии индивидов.

Машинное сознание представляет собой многогранную концепцию, с не-
сколькими взаимосвязанными исследуемыми компонентами. Феноменальное
сознание в машинах относится к идее субъективных переживаний, таких как
чувства, эмоции и ощущения боли. Чтобы машины были сознательными, они
должны обладать интенциональностью и понимать окружающую среду [82].
Сознание предполагает интеграцию информации из различных источников, что
делает се доступной по всей системе.

Решение вопроса определения машинного сознания — это не только реше-
ния важного технологического вызова, но и появление новых способов подхода
к научным и теоретическим проблемам, которые еще не получили удовлетво-
рительного решения, в области искусственного интеллекта и робототехники.

1.6.	Могут ли машины чувствовать

Ранее доминировала идея о том, что интеллектуальные машины не могут
что-либо чувствовать [84]. Так, считалось, что реакция, основанная на искус-
ственных сигналах, не может быть описана так же, как и чувства человека, т. к.
это противоречит тому, как функционирует человеческая система.

Однако, все формы чувств в теле (включая боль, гнев, любовь, страх
и т. д.) нс являются результатом каких-то необъяснимых процессов в орга-
низме человека, а появляются под действиями, инициируемыми мозгом, на ос-
нове сигналов, полученных от имеющихся органов чувств. Например, боль на
самом деле не возникает на коже, вместо этого мозг получает сигналы от кожи,
кодирующие степень и различные аспекты прикосновения, а затем инициирует
ряд физико-химических и биохимических реакций, которые заставляют людей
ощущать удовольствие, боль и т. д.

Так, имеются такие люди, которые из-за сбоев в работе мозга не могут
чувствовать никакой боли, даже если получили довольно серьезную травму.

Чувство - это естественная реакция мозга на поступивший в организм
какой-либо сигнал. В контексте этого определения интеллектуальные машины
могут чувствовать различные сигналы [84].
Рассмотрим робота-гуманоида, в тело которого можно встроить датчики
таким образом, чтобы при прикосновении к нему сигналы отправлялись в его
систему обработки информации, которая в данном случае действует как искус-
ственный мозг. 11 ри этом совокупные сигналы за определенный период вре-
мени будут формировать некую последовательность, которую затем можно бу-
дет передать в систему контролируемого глубокого обучения (например, фор-
мируемую рекуррентными нейронными сетями). Затем имеющаяся система мо-
жет интерпретировать эту последовательность сигналов как удовольствие или
боль и т. д., и в результате инициировать такие реакции, как улыбка, смех или
хмурый взгляд, гримасы и др. Это означает, что чувства не 01раничиваются био-
логическими организмами: интеллектуальные машины, при определенных усло-
виях, также могут чувствовать. Они могут сочинять музыку в ответ на сигналы
окружающей среды, могут чувствовать себя счастливыми или грустными и мо-
гут наслаждаться радостями жизни (если обучены последовательности сигналов
и соответствующих чувств).

Уже существуют реальные практические демонстрации этого, когда интел-
лектуальные машины действуют, основываясь на своих чувствах. Такие интел-
лектуальные машины считаются «мыслящими разумами», поскольку они спо-
собны генерировать реакции, подобные человеческим.

1.7.	Риски искусственного интеллекта

Некоторые исследователи рассматривают искусственный интеллект как
дискуссионную тему, и его часто представляют в несколько негативном клю-
че [98]. Была систематизирована структура ограничений, перспектив и угроз
внедрения ИИ в различные сферы социально-экономических систем (табл. 2).

Так, экономисты, изучавшие исторические последствия автоматизации
(процесса замены механизацией человеческого труда) утверждают, что автома-
тизация оказывает эффект смещения (где человеческий труд заменяется маши-
нами в областях, где машины имеют дифференциальные преимущества). Однако
противодействующие силы, которые увеличивают спрос на рабочую силу, ком-
пенсируют этот эффект смещения: возникает эффект продуктивности, поскольку
операции становятся более эффективными и менее затратными. Это, в свою оче-
редь, позволяет инвестировать финансовые средства в существующие неавто-
матизируемые задачи и в создание новых неавтоматизируемых задач, некото-
рые из которых предполагают непосредственную работу над технологией авто-
матизации.

Так, примером направленности развития здравоохранения по такому сце-
нарию событий может служить рентгенология.

Поскольку алгоритмы глубокого обучения установили новые стандарты
производительности в анализе диагностических изображений, некоторые иссле-
дователи прогнозируют неизбежное завершение потребности в рентгенологах
и ставят под сомнение необходимость дальнейшего обучения новых рентгено-

логов.
Структура ограничений, перспектив и угроз внедрения ИИ
в различные сферы социально-экономических систем [4]

№	Пирамида Маслоу: потребности	Ограничения систем ИИ	Перспективы систем ИИ	У грозы развития и использования систем ИИ
6	Самоактуа- лизации	Функционируют в собственной скон- струированной реаль- ности	Создание специфиче- ского интеллектуаль- ного пространства, взаимодействующего с метавселенной	Трансформация язы- ков и мышления, по- иск экзистенциональ- ных и онтологиче- ских смыслов
5	Познава- тельные	Перепрограммирова- ние, «короткая» па- мять систем ИИ	Достижение успеха и высокой оценки, при- знание	Требуется гарантия положительного успеха внедрения ИИ
4	В уважении	Уровень признания, достижения успеха, служебный рост	Системы коммуника- ций цифровых двой- ников типа объект- объективного взаимо- действия	Ядра ИИ могут орга- низовать свой цифро- вой рынок с собствен- ными правилами кон- курентной борьбы
3	В принад- лежности к группе	Уровень взаимодей- ствия с окружением — модели взаимодей- ствия киберфизиче- ских систем	Безопасность, реали- зуемая через кибср- физиологические си- стемы и коботы	Риски противоправ- ных операций с лич- ными данными, воз- можность манипули- рования системами жизнедеятельноеги
2	В безопасно- сти	Безопасность данных	Промышленность как ключевой драйвер развития ИИ	Разрыв промышлен- ных связей
1	Физиологи- ческие	Физическая реализа- ция	Энергетика: каче- ственно новые харак- теристики надежно- сти, эффективности, допустимости и управления	Экологические: суще- ственный углеродный след систем ИИ

Вполне вероятно, что машинное обучение позволит существующим рент-
генологам обрабатывать больше случаев, а затем, поскольку системы машинного
обучения смогут работать более автономно, передать ответственность за анализ
диагностических изображений врачам, не являющимся рентгенологами, при под-
держке систем машинного обучения.

Однако, такая переориентация задач создала бы для систем здравоохране-
ния возможность перекал и бровать набор навыков бригад радиологов и их пере-
распределение. При этом больше задач будет выполняться на уровне первичной
медико-санитарной помощи и неавтоматизированной работы, а более редкие
случаи будут обрабатываться меньшим числом рентгенологов на вторичном ме-
дицинском уровне.
Кроме того, исследователи, создавшие систему машинного обучения, отве-
чающую за диагностику пневмонии, разработали инструмент, в котором техно-
логическая система сначала «читает» изображение и выделяет области, на кото-
рых должен сосредоточиться врач-рентгенолог, тем самым повышая эффектив-
ность своего рабочего процесса, позволяя специалисту, принимающему реше-
ния, сосредоточить свое ограниченное внимание там, где оно может быть наи-
более эффективно развернуто и обработано, и еще много случаев.

Можно также ожидать, что те же приложения искусственного интеллекта
кардинальным образом изменят патологию и другие медицинские специально-
сти, основанные на анализе изображений.

Другие исследователи характеризуют искусственный интеллект как техно-
логию, которая угрожает самому существованию человечества, поскольку она
может управлять и контролировать человека. Так, страх, что «созданные нами
роботы захватят мир», овладел человеческим воображением еще до появления
компьютеров [104].

В настоящее время существуют различные пути создания интеллектуаль-
ных машин, которые позволяют людям создавать сверхразумные машины и дают
машинам возможность перепроектировать свои собственные программы, чтобы
повысить уровень своего интеллекта, что обычно рассматривается как взрыв
интеллекта.

В этом контексте возникла относительно небольшая, но растущая группа
видных ученых-компьютерщиков и когнитивных ученых, философов, социоло-
гов и психологов, которые считают, что этот неизбежный переход чреват опас-
ностью и может фактически привести к окончательному исчезновению челове-
ческого вида [80]. Они с готовностью признают, что на протяжении всей исто-
рии человечества такие крупные технические достижения, как печатный станок
и механическая машина, изначально вызывали серьезные опасения, и что в ко-
нечном итоге эти опасения оказались необоснованными. Однако они также от-
мечают, что ни одно из этих нововведений не касалось основных причина до-
минирования человечества, а именно интеллект.

Но развитие искусственного интеллекта такими темпами может представ-
лять угрозу человечеству, поскольку способность к самообучению может заста-
вить интеллектуальные машины изучать разрушительные технологии, что может
привести к радикальному уничтожению человечества [79].

1 Гоэтому некоторые ученые доказывают, что техническая реальность, а так-
же моральные и технологические барьеры не позволяют предположить к реали-
зации в ближайшем будущем идеи абсолютной машинной свободы в самостоя-
тельном принятии любых решений, включая опасения, которые в настоящее
время растут в средствах массовой информации и научных кругах.

Поэтому в этой плоскости имеется проблема в темпах развития челове-
чества и интеллектуальных машин. В таком подходе важное значение при-
обретает концепция технологической сингулярности - одна из крупнейших
проблем философии искусственного интеллекта. Сторонники сингулярности
утверждают, что мир, возможно, находится на пороге технологического сверх-
разума, и что люди столкнутся с серьезным риском быть насильно захвачен-
ными его силой. Поэтому некоторые ученые считают, что нынешнее поколе-
ние должно предпринять осознанные действия, чтобы такое развитие событий
не привело к общемировой катастрофе цивилизаций.

Серьезные размышления по этому поводу связаны с так называемой
«Сингулярностью», т. е. особым моментом в будущем, когда искусственный
интеллект не только превзойдет по своим возможностям человеческий интел-
лект (рис. 3), но и сразу после этого начнет развиваться еще более быстрее,
резко достигнув сверхчеловеческого уровня.

Вес это вовсе нс означает, что нет проблем с безопасностью, когда дело
доходит до применения искусственного интеллекта [65].

Поэтому человечество должно быть весьма осторожным с директивами,
выдаваемые искусственному интеллекту. Искусственный интеллект выполняет
приказы буквально, причем иногда способами и путями, которые разработчики
даже и не предполагали. Так, если крупная компания приказывает продвинутому
искусственному интеллекту, например, максимизировать прибыль, то искусствен-
ный интеллект, в своей единственной направленности, может выйти и нарушить
какой-нибудь свой же внутренний закон или нанести другой непреднамеренный
ущерб (например, путем массового увольнения сотрудников). В частности, если
люди прикажут сверхразумному общему искусственному интеллекту спасти
глобальный климат и Землю, то компьютер может решить, что первое, что нужно
сделать, - это убить всех людей или радикально реорганизовать человеческое
общество, но так, что это может не понравиться людям.

Недавно некоммерческая организация «Центр безопасности искусствен-
ного интеллекта» опубликовала открытое письмо, подписанное более чем 350 ли-
дерами отрасли, исследователями и экспертами в области искусственного интел-
лекта [99], под названием «Заявление о рисках искусственного интеллекта».
В этом письме искусственный интеллект рассматривается как серьезный риск
для человечества по сравнению с другими рисками социального масштаба (та-
кими, как ядерные войны и пандемии и др.).

Еще одно открытое письмо [95] с призывом к немедленной паузе (как ми-
нимум на 6 месяцев) в обучении гигантских систем искусственного интеллекта
подкисали более 31 тыс. человек, в основном видные исследователи и руково-
дители отрасли (в том числе Илон Маск, генеральный директор SpaceX, Tesla и
«Твиттер»).

Эти письма указывают па риск для человеческого общества, который пред-
ставляют собой могущественные цифровые умы, а также требуют сотрудниче-
ства между создателями искусственного интеллекта и призывают к вмешатель-
ству национальных правительств для регулирования развития искусственного
интеллекта и потенциальных угроз.

Риск исчезновения людей из-за искусственного интеллекта возможен
только в том случае, если у этих цифровых машин появится какая-то своя, само-
стоятельная, идеология.

Перечень проблем нс ограничивается возможными предвзятыми или не-
правильными ответами интеллектуальных машин и их агрессивными действи-
ями, но предполагают нарушения в социальном масштабе со стороны искус-
ственного интеллекта (такие, как интеллектуальное вымирание человечества).

Необходимо отметить, что безопасность использования ИИ связана с дан-
ными [4]. Для того чтобы система ИИ смогла принимать правильные решения,
нужно спроектировать набор возможных решений, предоставить системе необ-
ходимые данные и «научить» принимать правильные решения.

1.8. Этика машин

Развитие кардинально новых технологий всегда заставляет общество заду-
маться, заставляя определять не только юридические нормы, позволяющие избе-
жать при их использовании злоупотреблений и эксцессов, но, главным образом,
дебаты об этических аспектах, связанных с ними.

Это связано с тем, что технические возможности таких новых ресурсов
не всегда являются адекватными или рекомендуемыми с моральной или этиче-
ской точки зрения их применения [70]. Когда технология включает программное
обеспечение pi машины, оснащенные искусственным интеллектом (ИИ), опреде-
ление эффективной этической нормы, учитывая необходимость гармонизации
национальных и международных этических систем, становится еще более слож-
ным, особенно с учетом множественности применений и частой непредсказуе-
мости их поведения. Этот вопрос становится еще более сложным, учитывая, что
умные машины сами по себе не способны определять, какое поведение прием-
лемо или нет, действуя только в логике эффективности действия, предназна-
ченной для достижения определенной цели, которая во многих случаях может
не только противостоять, по и нарушать существующие фундаментальные права
и устоявшиеся этические концепции.
Этика искусственного интеллекта имеет важные аспекты и при автоном-
ном вождения автотранспортного средства [65].

Так, в непредвиденной ситуации на автодороге, когда человек лишь ре-
флекторно крутанет руль, искусственная интеллектуальная система может при-
нимать более прагматичные решения. Но даже в этом случае, сложные интел-
лектуальные системы автономного вождения, основанные на специальных алго-
ритмах, не позволят избежать всех аварий [65]. Например, в экстремальных
сценариях, если под угрозой находятся несколько жизненно важных интересов,
интеллектуальная система может определить, какой защищенный законом инте-
рес предпочесть, а какой принести в жертву ради блага другого. Однако, это пока
еще является в значительной степени нерешенной юридической проблемой
автоматизированного дорожного движения.

Необходимо отмстить, что этика искусственного интеллекта часто фоку-
сируется на различного рода проблемах, что является типичной реакцией на но-
вые технологии [104]. Некоторые из них предсказуемо ошибочны, когда предпо-
лагают, что с изменением технологий люди кардинально изменятся (т. к. теле-
фоны разрушат личное общение, письменность разрушит память, видеокассеты
сделают прогулки излишними), некоторые в целом правильны, но умеренно ак-
туальны (цифровые технологии уничтожат отрасли, производящие фотопленку,
кассеты или виниловые пластинки), но некоторые в целом правильны и глубоко
актуальны (с увеличением количества гаджетов, их разнообразия и качества
произойдет увеличение индивидуализации людей).

Четыре принципа благотворительности, непричипения вреда, автономии и
справедливости сыграли заметную роль в биоэтике искусственного интеллекта [81].

Однако, существует разрыв между принципами и практическими сужде-
ниями, который с развитием искусственного интеллекта становится еще больше,
если учесть, что принципы неизбежно вступают в конфликт друг с другом. В не-
которых случаях, напряженность может отражать строгий моральный компро-
мисс [81]: ситуация, когда две ценности или цели вступают в конфликт и невоз-
можно добиться большего от одной, не жертвуя другой.

Если определить сверхразумную машину как машину, которая может
намного превзойти всю интеллектуальную деятельность любого человека, каким
бы умным он ни был. Поскольку проектирование машин является одним из ви-
дов интеллектуальной деятельности, сверхразумная машина могла бы созда-
вать еще более совершенные машины; тогда, несомненно, произошел бы «интел-
лектуальный взрыв», и интеллект человека остался бы далеко позади.

Так, вычислительная мощность увеличивается экспоненциально, т. е. удваи-
вается каждые 2 года (начиная с 1970 г.), в соответствии с «законом Мура»
о количестве транзисторов, и будет продолжать делать это в течение некото-
рого времени в будущем. К 2010 г. суперкомпьютеры достигнут вычислитель-
ных возможностей человека, к 2030 году станет возможной «загрузка разума»,
а к 2045 г. наступит «сингулярность».

Поэтому машинная этика направлена на обеспечение того, чтобы пове-
дение машин по отношению к пользователям-людям, а возможно, и к другим
машинам, было этически приемлемым [104].
Глава 2

ТЕОРЕТИЧЕСКИЕ ОСНОВЫ РАЗВИТИЯ
ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

2.1.	Интеллект животных

Прежде чем иметь дело с искусственным интеллектом, следует сначала
развить понимание естественного интеллекта [65]. Поэтому первоначально стоит
рассмотреть интеллект у существ, отличных от людей, чтобы открыть поле раз-
личных возможностей.

Пчелы проявляют индивидуальные поведенческие характеристики в спло-
ченном обществе [85]. Возможно, что они общаются друг с другом посредством
сложного танца. Когда одна пчела возвращается из экспедиции по сбору пыльцы,
она исполняет определенный танец у входа в улей, покачивая сверху вниз и дви-
гаясь вперед по прямой линии. Считается, что перемещаемое расстояние пропор-
ционально расстоянию от источника пыльцы, а перемещаемый угол указывает
угол между источником и солнцем. Таким образом, другие пчелы могут узнать,
в каком правильном направлении необходимо лететь.

Многие животные показывают проявления способностей к своему обуче-
нию [85]. Так, хорошим примером этого является осьминог. Обучив одного ось-
минога выбирать различные объекты по цвету, было установлено, что второй
осьминог, наблюдавший за первым через стеклянную перегородку, может затем
выполнить точно такой же процесс принятия решения.

Многие животные используют в своей жизни в качестве орудий труда раз-
личные инструменты [56]. Так, например, белый аист может приносить своим
птенцам воду в комке влажного мха, который выжимает над их клювами. Афри-
канские серые попугаи могут черпать воду курительными трубками и крышками
от бутылок. А ворона, для размачивания высохшего картофельного пюре, спо-
собна принести воду в диске фрисби, а другая — закрепила на насесте найденную
игрушку-пружинку и свободным концом чесала себе голову. Дятел гила сделал
ковш из древесной коры, чтобы принести для своих птенцов меда.

Человекообразные обезьяны могут общаться (даже с людьми), планиро-
вать поездки на охоту, использовать различные инструменты в определенной
последовательности для сбора пищи или лазания, играть, перекладывать вину
на других и даже использовать хитрые уловки, чтобы добиться сексуального
расположения - и это помимо демонстрации базовых навыков обучения [85].

Все это говорит о наличии у животных определенного интеллекта.
2.2.	Интеллект человека

Основными компонентами человеческого интеллекта являются знания и
опыт, рассуждение, способность к обучению, креативность, интуиция и эмо-
ции [80]. При этом знания приобретаются посредством анализа информации,
а опыт приобретается посредством накопления знаний с течением времени.

Наша способность к обучению позволяет нам получать новые знания и пе-
ресматривать существующие знания на основе взаимодействия с физической
средой и другими людьми [80]. Другими словами, мы учимся посредством ана-
лиза информации, прямого получения знаний из различных внешних источни-
ков и нашего опыта. Хотя мы продолжаем учиться на протяжении всей нашей
жизни, первая четверть нашей жизни обычно подчиняется формальному про-
цессу, в котором обучение ускоряется посредством выбора предмета и опеки.

Тесно связана с обучением способность анализировать информацию и ре-
шать проблемы на уровне мышления, обычно называемая абстрактным рассуж-
дением [80]. Эта способность также приводит к способности создавать новые
знания. Креативность является самой сложной формой человеческого интел-
лекта и, следовательно, также его самой редкой характеристикой, которая свя-
зана с наблюдением, мотивацией, рассуждением, интуицией и экспериментиро-
ванием.

Самым загадочным из этих качеств является интуиция [80], которая позво-
ляет людям делать выводы без каких-либо сознательных рассуждений. Однако
эти выводы могут быть ложными из-за недопонимания или предвзятыми из-за
таких влияний, как статус-кво, желаемое за действительное или оценка новых
обстоятельств на основе прошлых условий.

Наконец, все люди подвержены инстинктивным эмоциональным реак-
циям [80], которые переплетены с настроением, темпераментом, личностью и
мотивацией индивидуума. Эмоции - это сложное состояние чувств, которые
влияют на поведение человека. Они могут положительно мотивировать к твор-
честву или отрицательно подрывать рассуждения по нелогичному пути и по-
рождать ложные выводы или интуиции.

Довольно часто проводят различие между текучим и кристаллизованным
интеллектом [72].

Кристаллизованный интеллект - это сохраненная способность решать
проблемы. Например, некоторые тесты на интеллект включают фактические во-
просы (такие, как, например, «кто является президентом США?»). Ответы на эти
вопросы необходимо запомнить, т. к. их нельзя вывести посредством неких
логических рассуждений.

Кристаллизованный интеллект также включает правила, которые можно
использовать для решения сложных проблем, известные как эвристика. Напри-
мер, теоретически можно с нуля разобраться, как собрать кубик Рубика. Однако
большинство людей используют эвристику для решения различных частей этой
проблемы: например, метод перемещения цвета на другую грань, а затем ском-
поновать эвристики вместе, чтобы завершить головоломку.
Эвристика также существует для решения некоторых сложных задач, воз-
никающих в тестах на интеллект.

Гибкий интеллект — это способность обобщать полученные знания и ре-
шать довольно сложные проблемы, которые раньше нс наблюдались [72]. Напри-
мер, человек с высоким интеллектом может быть в состоянии обобщить то,
что он узнал, собирая кубик Рубика, на дальнейшие подобные головоломки.
Современные тесты интеллекта в основном предназначены для измерения по-

движного интеллекта.

У людей существует постоянное взаимодействие между текучим и кри-
сталлизованным интеллектом. Так, решение сложной проблемы может быть об-
наружено с помощью гибкого интеллекта, а затем сохранено для быстрого вы-

зова позже.

В таблице 3 представлено сравнение человеческий интеллект с искусствен-

ным интеллектом.

Таблица 3

Сравнение человеческого и искусственного интеллектов [62, 63]

Параметры	Человеческий интеллект	Искусственный интеллект
Эволюция	Когнитивные способности мыс- лить, рассуждать, оценивать и т. д. заложены в человеке по са- мой его природе	Норберту Винеру, выдвинувшему гипотезу о механизмах критики, приписывают значительный ран- ний вклад в развитие искусствен- ного интеллекта (ИИ)
Сущность	Цель человеческого интеллекта - объединить ряд когнитивных дей- ствий для адаптации к новым об- стоятельствам	Целью искусственного интел- лекта (ИИ) является создание компьютеров, способных вести себя как люди и выполнять ра- боту, которую обычно выполняют люди
Функцио- нальность	Люди используют память, воз- можности обработки информации и когнитивные таланты, которые предоставляет их мозг	Обработка данных и команд имеет решающее значение для ра- боты устройств на базе искус- ственного интеллекта
Темп работы	Когда дело касается скорости, люди не могут сравниться с ис- кусственным интеллектом или ро- ботами	Компьютеры способны обрабаты- вать гораздо больше информации с большей скоростью, чем люди. В том случае, если человеческий разум может решить математиче- скую задачу за пять минут, искус- ственный интеллект способен ре- шить десять задач за одну минуту
Продолжение таблицы 3

1 Гараметры	Человеческий интеллект	Искусственный интеллект
Способность к обучению	Основа человеческого интеллекта приобретается в процессе обуче- ния через разнообразный опыт и ситуации	Из-за того, что роботы не спо- собны мыслить абстрактно или делать выводы на основе про- шлого опыта, они способны при- обретать знания только через воз- действие материальной и после- довательной практики, хотя они никогда не создадут когнитивный процесс, который был бы уни- кальным для людей
Принятие ре- шения	На решения, принимаемые людьми, могут влиять субъектив- ные факторы, основанные нс только на числах.	11оскольку ИИ оценивает ситуа- цию на основе совокупности по- лученных фактов, он исключи- тельно объективен при принятии решений
Совершен- ство	Когда речь идет о человеческих идеях, почти всегда существует вероятность «человеческой ошибки», то есть того, что неко- торые нюансы в тот или иной мо- мент могут быть упущены из виду	Тот факт, что возможности ИИ основаны на наборе рекоменда- ций, которые мо1ут обновляться, позволяет ему регулярно выда- вать точные результаты
Корректи- ровки	Человеческий разум способен корректировать свои перспективы в ответ на изменяющиеся условия окружающей среды. Благодаря этому люди способны запоминать информацию и преуспевать в раз- личных видах деятельности	Искусственному интеллекту тре- буется гораздо больше времени, чтобы адаптироваться к ненуж- ным изменениям
Г ибкость	Способность проявлять здравый смысл имеет решающее значение для многозадачности, что под- тверждается одновременным вы- полнением нескольких задач	Точно так же, как фреймворк мо- жет изучать задачи по одной за раз, искусственный интеллект способен выполнять только часть задач одновременно
Социальные сети	Люди превосходят других соци- альных животных по способности усваивать теоретические факты, по уровню самосознания и по чув- ствительности к эмоциям других. Это потому, что люди - социаль- ные существа	Искусственный интеллект пока не овладел способностью распозна- вать сопутствующие социальные и энтузиастические показатели
Окончание таблицы 3

Параметры	Человеческий интеллект	Искусственный интеллект
Операция	Его можно охарактеризовать как изобретательный или творческий	Это улучшает общую производи- тельность системы. Она не может быть творческой или изобрета- тельной, поскольку роботы не мо- гут думать так же, как люди

Следует отметить, что биологическая эволюция наложила ограничения на
возможности человеческого мозга в отношении скорости, размера, надежности,
долговечности и гибкости [80J.

При этом, скорость человеческих нейронов ограничена примерно 200 Гц,
а внутренняя скорость связи между нейронами ограничена примерно 400 футами
в секунду (120 м/с). Современные микропроцессоры работают по крайней мере
в 10 миллионов раз быстрее (па частоте от 2 до 4 ГГц), чем человеческий нейрон,
и способны оптически общаться со скоростью, близкой к скорости света. Однако
человеческие нейроны не обязательно зависят от точной точности для своей ра-
боты, в то время как транзисторы зависят. В то же время как размер мозга огра-
ничен структурой черепа, а компьютеры могут расширяться до любого физиче-
ского размера, по крайней мере, с точки зрения рабочей памяти (ОЗУ) и массо-
вого хранения (дисководов). Человеческий мозг легко утомляется, в то время
как компьютеры могут работать непрерывно с максимальной производительно-
стью без отдыха.

2.3.	Теории интеллекта

Связь между формальной теорией, концептуальной теорией и эксперимен-
тами в области искусственного интеллекта исторически была тонкой и диалек-
тической, как и во многих дисциплинах, где инженерия связана с передовой
наукой [67].

Интеллект слишком сложен, чтобы его можно было описать какой-либо
одной теорией: вместо этого исследователи выстраивают иерархию теорий, ко-
торые характеризуют его на нескольких уровнях абстракции. Поэтому теория
интеллекта включает в себя сложную смесь концепций, многие из которых
довольно трудно определить [96].

I (ентральный вопрос в изучении интеллекта касается того, следует ли рас-
сматривать интеллект как одну способность или как некое их множество [97].
При этом, на одной стороне дебатов находятся теории, которые рассматривают
интеллект как особую систему, состоящую из множества различных компонен-
тов и что выявление этих компонентов принципиально важно для понимания
интеллекта.
Различные теории предлагают разные способы сделать это [96]. Одной
из первых была теория «множественных факторов» Терстоуна, которая рас-
сматривает 7 «основных умственных способностей»: вербальное понимание,
беглость слов, способность считать, пространственная визуализация, ассоциа-
тивная память, скорость восприятия и рассуждение. Другой подход — это «три-
архический разум» Штернберга, который разделяет интеллект на аналитиче-
ский интеллект, творческий интеллект и практический интеллект.

Доведение количества компонентов до крайности — это теория 1 илфорда
«Структура интеллекта». Согласно этой теории, в принципе существуют 3 фун-
даментальных измерения [97]: содержание, операции и продукты. Вместе они
образуют 120 различных отдельных категорий. В более поздних работах это
число увеличилось до 150 категорий.

Эта теория подверглась критике из-за того, что измерение таких точных
комбинаций когнитивных способностей у людей кажется невозможным [96],
и поэтому довольно трудно экспериментально изучить столь детальную мо-
дель интеллекта.

В последнее время популярным подходом является «множественный ин-
теллект» Гарднера, в котором утверждается, что компоненты человеческого ин-
теллекта настолько разделены, что на самом деле представляют собой совер-
шенно разные «интеллекты». Основываясь на структуре человеческого мозга,
этот подход определяет все эти виды интеллекта как [97]: лингвистический,
музыкальный, логико-математический, пространственный, телесно-кинестети-
ческий, внутриличностный и межличностный интеллекты.

На другом конце спектра находятся работы Спирмена и тех, кто последо-
вал выработанному им подходу. Здесь интеллект рассматривается как очень об-
щая умственная способность, которая находится в основе всех других умствен-
ных способностей и способствует им. В качестве доказательства они указывают
на тот факт, что уровни способности человека к рассуждению, ассоциации, линг-
вистическому, пространственному мышлению, идентификации образов и т. д.,
положительно коррелируют между собой. Спирмен назвал эту положительную
статистическую корреляцию между различными умственными способностями
«G-фактор» (где «G» означает «общий интеллект»).

Поскольку стандартные тесты IQ измеряют ряд ключевых когнитивных
способностей, по совокупности результатов выполнения различных когнитивных
задач, то можно оценить индивидуальные способности человека по G-фактору.

В настоящее время известно усовершенствование теории интеллекта,
получившее название «R-факторная теория», предложенная Кеттелом, которая
заключается в разграничении «подвижного интеллекта», который представляет
собой очень общую и гибкую врожденную способность справляться с важными
проблемами и обладающую существенной сложностью [97], и «кристаллизован-
ного интеллекта», который измеряет знания и способности, которые человек
приобрел с течением времени. Например, хотя уровень гибкого интеллекта под-
ростка может быть таким же, как и у взрослого, по уровень его кристаллизован-
ного интеллекта обычно ниже из-за меньшего жизненного опыта.
2.4.	Определение и раскрытие термина «искусственный интеллект»

В последнее время искусственный интеллект рассматривается как аналог
представления работы человеческого мозга, который пытается имитировать про-
цесс своего естественного обучения [79].

Искусственный интеллект также можно определить, как способность ин-
теллектуальной системы адаптировать свое поведение к постоянно меняющейся
окружающей среде.

Современный искусственный интеллект обладает возможностями ими-
тировать человеческий интеллект, выполняя различные насущные проблемы,
требующие обязательного применения мышления и обучения, решать сложные
задачи и принимать различные эффективные решения. Однако большая часть
современных систем искусственного интеллекта все еще находится в стадии
обсуждения, поскольку им все еще необходимы дополнительные исследования
эффективных способов решения сложных задач [79].

Искусственный интеллект весьма уникальное направление среди инже-
нерных дисциплин тем, что оно подняло базовые вопросы о природе вычисле-
ний, восприятия, рассуждений, обучения, языка, действия, взаимодействия, со-
знания, человечества, жизни и т. д. и в то же время внесло существенный вклад
в ответы на эти и другие, нс менее важные, вопросы.

Когда мы имеем дело с обучающими алгоритмами в области искусствен-
ного интеллекта, то нужно сначала подумать о том, что мы имеем в виду, когда
используем понятие интеллекта [65]. Например, некоторые возможные харак-
теристики могут сразу прийти на ум, такие как любознательность, способность
к долгосрочному планированию или способности к обучению.

Трудность формулирования общего понятия интеллекта вполне очевидна
[96]. Что такое интеллект? Это понятие, которое мы используем в повседнев-
ной жизни, имеет вполне конкретное, хотя, возможно, и наивное значение.
Мы говорим, что наш друг, получивший пятерку на тесте по математическому
анализу, очень умен, или, возможно, умен и наш кот, который научился пря-
таться при упоминании слова «ветеринар»,

В 1900-х годах Бине (изобретатель теста IQ) выбрал рассудительность,
здравый смысл, инициативу и приспособляемость в качестве «важнейших со-
ставляющих интеллекта» [85]. В последнее время интеллект даже связывают
с духовным осознанием или эмоциями.

Хотя это интуитивное понятие интеллекта не представляет никаких труд-
ностей, однако, если попытаться копнуть глубже и определить его в точных тер-
минах, то обнаружиться, что эту концепцию очень трудно сформулировать [97].

Интеллект представляет собой довольно сложный многогранный термин,
в результате чего для него был предложен ряд большей частью пересекающихся
определений. В частности, к ним относятся когнитивные способности, рацио-
нальное мышление, решение имеющихся проблем и целенаправленное адап-
тивное поведение.
Считается, что интеллект — это некая общая способность думать, понимать
и решать возникшие проблемы [72]. Также утверждается, что существует не-
сколько типов интеллекта — например, музыкальный интеллект, лингвистиче-
ский интеллект, эмоциональный интеллект и т. д. Другими словами, интеллект -
это не единая способность, а скорее совокупность развития и взаимного функ-
ционирования нескольких функций [96]. Этот термин обозначает комбинацию
способностей, необходимую для выживания и развития в рамках конкретного
социума.

При этом существующие определения искусственного интеллекта порой
довольно противоречивы и не всегда следуют одной концепции. Однако, почти
все они выделяют искусственный интеллект как весьма сложную систему, ра-
зумно действующую, аналогично человеческому интеллекту, и включают в себя
специальное программное обеспечение, оборудование, контент и другие важ-
ные элементы.

Считается, что интеллект —это очень общая умственная (когнитивная) спо-
собность, которая, среди прочего, включает в себя способность рассуждать, пла-
нировать, решать возникающие проблемы, мыслить абстрактно, понимать слож-
ные идеи, быстро учиться, а также учиться на своем и чужом опыте.

При этом, рассуждение, планирование, решение проблем, абстрактное мыш-
ление, обучение на опыте и так далее, представляют собой умственные способ-
ности, позволяющие людям успешно достигать намеченных целей [96]. Если бы
человеку нс хватало какой-либо из этих способностей, то он явно был бы менее
способен успешно справляться с таким широким спектром воздействий от окру-
жающих сред.

В общем случае интеллект состоит из [96]:

•	восприятия;

•	рассуждений (анализа);

•	обучения;

•	наличия возможности теоретического разрешения проблем и др.

Таким образом, зачастую интеллект рассматривается как свойство лично-
сти, взаимодействующей с внешней средой, проблемой или какой-либо ситуа-
цией. При этом, интеллект измеряет способность его носителя (агента) дости-
гать целей в широком диапазоне окружающих сред.

Кроме того, интеллект — это очень общая умственная способность [96], ко-
торая, помимо прочего, включает в себя способность рассуждать, планировать,
решать проблемы, мыслить абстрактно, понимать сложные идеи, быстро учиться
и учиться на опыте.

На протяжении многих лет исследователями предпринимались многочис-
ленные попытки раскрытия точного и объективного определения искусствен-
ного интеллекта. При этом, хотя официального, общепринятого, определения
для искусственного интеллекта никогда не существовало, все же несколько вы-
работанных концепций довольно высокого уровня более-менее успешно форми-
руют и определяют эту дефиницию. Эти описания и формулировки варьируются
от искусственного интеллекта ( лишь просто стремящегося дополнить человече-
ский интеллект) до по-настоящему мыслящих машин (компьютерного интел-
лекта) [66].

Искусственный интеллект (AI) - это область науки, в которой различные
дисциплины (включая информатику, компьютерную инженерию, философию,
психологию, математику, нейробиологию, лингвистику, биологию и другие)
пересекаются либо совместно сходятся, с целью создания специальных агентов
(автономные устройства, получающие входные данные и действующие в среде,
демонстрирующие искусственный интеллект), способных обучаться (хотя на дан-
ный момент времени и довольно грубо) и создавать на основе такого своего обу-
чения необходимые математические модели или алгоритмы, на основе кото-
рых возможно осуществлять объективные прогнозы и получение новых данных
и знаний, а затем, на базе которых и любых дополнительных данных об окружа-
ющей среде, автономно принимать оптимальные решения (или помогать в при-
нятии эффективных решений человеком).

Искусственный интеллект (ИИ) можно определить, как особую отрасль ин-
форматики, которая занимается автоматизацией интеллектуального поведения [87].

Искусственный интеллект относится к разработке компьютерных систем,
которые могут выполнять любые задачи, обычно требующие участия челове-
ческого интеллекта [71]. Он предполагает создание интеллектуальных машин,
способных логично рассуждать и теоретически разрешать возникшие довольно
сложные проблемы, быстро обучаться и адаптироваться к принципиально но-
вым ситуациям.

При этом системы искусственного интеллекта могут обрабатывать огром-
ные объемы данных, распознавать существующие в них основные и скрытые
закономерности, принимать оптимальные решения (соответствующие сложив-
шимся ситуациям) и взаимодействовать с людьми, имитируя человеческий ин-
теллект.

Искусственный интеллект (ИИ) - это новая технологическая наука [100],
которая объединяет теорию, метод, технологию и прикладную систему путем
компьютерного моделирования, расширяет человеческий интеллект, чтобы сде-
лать его похожим на режим человеческого мышления.

Искусственный интеллект (Л1) — это способность машины самостоятельно
выполнять когнитивные функции также хорошо, как и люди (например, воспри-
ятие, обучение, рассуждение и решение возникших проблем). Другими словами,
искусственный интеллект — это попытка заставить компьютер, робот или дру-
гую технологию «думать» и обрабатывать данные так же успешно, как это осу-
ществляют люди.

Искусственный интеллект - это система программных и аппаратных
средств, способных с определенной степенью автономности воспринимать по-
ступающую информацию, обучаться и принимать оптимальные решения, фор-
мируемые на основе анализа больших объемов данных, в том числе - путем
имитации поведения человека. Он включает в себя следующие технологии [102]:
распознавание и генерация речи, обработку естественного языка, интеллектуаль-
ный анализ данных, компьютерное зрение, системы рекомендаций и интеллек-
туальные системы поддержки принятия решений, автоматизацию процессов
и технологии анализа данных на основе алгоритмов глубокого обучения.

Искусственный интеллект, хотя и является чрезвычайно широким терми-
ном, его можно рассматривать как основное средство и главный путь эффектив-
ного использования современных компьютеров для решения имеющихся до-
вольно сложных проблем или автоматического принятия необходимых эффек-
тивных решений, при преодолении возникших довольно сложных задач, которые
при выполнении людьми, обычно требуют использования определенного интел-
лекта .

Другими словами, искусственный интеллект - это способность машин ко-

пировать, а затем существенно улучшать возможности человеческого интеллекта
(например, на основе рассуждений и обучения на базе приобретенных знаний
и практического опыта). Его основные закономерности изучает наука об обуче-

нии машин выполнению человеческих задач.

Общими признаками человеческого и искусственного интеллекта явля-
ются следующие свойства [2]:

•	наличие каналов связей с внешней средой и получение необходимой
информации для выполнения возложенных функций;

•	обучение (с учителем и без него) для создания базы знаний, необходимых
для выполнения своих функций;

•	способность решать сложные логические и формализованные задачи, свя-
занные с классификацией объектов, упорядочиванием альтернатив, поиском
наилучшей альтернативы по заданным критериям, выявлением тенденций в из-

меняющихся процессах;

•	анализ результатов своих решений (действий) и коррекция алгоритмы их
реализации;

•	хранение в памяти программы и алгоритмы функционирования и осу-
ществлять их защиту от внешних воздействий.
Отличительными свойствами человеческого интеллекта от искусственного
являются [2]:

•	осознание своего интеллекта как разума через призму нравственных, эти-
ческих, социальных категорий и норм (ответственность, понимание долга, ком-
муникабельность, доброжелательность, невозможность причинения вреда окру-
жающей среде, в том числе человеку и т. п.);

•	целеполагание, т. е. способность к формированию целей, постановке
задач и выбору критериев их достижения в процессе своего функционирования
с учетом сознательно принятых морально-этических норм;

•	способность выполнять творческие функции, не сводящиеся к копирова-
нию, плагиату, повторению известных результатов в таких областях, как наука,
музыка, литература, театр, кино и пр.;

•	наличие «озарения».

Вместе с этим ИИ обладает рядом свойств, которых нет или они ограни-
чены у человеческого интеллекта [2];

•	возможность хранить большие массивы разнородной информации в своей
памяти и обрабатывать ее с высокой скоростью; переход к квантовым компью-
терным системам вообще снимает проблему памяти и быстродействия систем ИИ;

♦	круглосуточная и всепогодная работоспособность ИИ с использованием
только одного вида энергии;

•	отсутствие человеческих «страстей» и «пороков», мешающих работе,
а также беспристрастность и нс предвзятость, хотя нс исключена возможность
возникновения определенных конфликтов между ИИ и человеком.

2.5.	Концепции искусственного интеллекта

Проблемы, которые продолжают вызывать нсостанавливающисся споры, —
это вопросы, проверяют ли тесты только часть или определенный тип интел-
лекта, или же они каким-то образом относятся к оценке определенной группы
или набора умственных навыков [97].

Имеет ли наиболее решающее значение для интеллекта способность
быстро учиться? Или, может быть, важнее общая сумма знаний? Возможно,
общение и способность эффективно использовать язык играют центральную
роль? А как насчет «мышления» или способности осуществлять абстрактные
рассуждения? А как насчет способности проявлять творческий подход и решать
существующие проблемы?

При рассмотрении интеллекта машин становится ясно, что «интеллект»
не может быть бинарным ярлыком, а скорее шкалой от неразумного к высоко-
интеллектуальному [102]. В настоящее время довольно трудно строго опреде-
лить порог, по которому что-то можно считать разумным, поскольку по некото-
рым определениям даже термометр может быть классифицирован как разумный.
Очевидно, что в этом крайнем примере термометр обладает очень низким уров-
нем интеллекта — если таковой имеется. Тогда проблемой становится количе-
ственная оценка того, насколько интеллектуален контроллер, но это измерение,
безусловно, будет субъективным.

Несколько в стороне от этого существуют параллельные дебаты о природе
искусственного интеллекта (в контексте «умных» машин) [97], центральные
вопросы которых еще более сложнее.

Машины могут иметь различные физические формы, датчики, исполнитель-
ные механизмы, средства связи, способности обработки поступающей информа-
ции и существовать в средах, совершенно непохожих на те, с которыми люди
постоянно сталкиваются в своей ежедневной жизни [97]. Это делает концепцию
«машинного интеллекта» особенно трудной для понимания. В некоторых слу-
чаях машина может обладать свойствами, подобными человеческому интел-
лекту, и поэтому было бы правильно описать такую машину, как вполне разум-
ную. В других ситуациях этот взгляд слишком ограничен и антропоцентричен.

В идеале хотелось бы иметь возможность измерять интеллект широкого
спектра систем: людей, собак, мух, роботов или даже бестелесных систем (таких,
как чат-боты, экспертные системы, системы классификации и алгоритмы про-
гнозирования).

Чтобы осмысленно измерить интеллект таких разнообразных систем,
необходимо отойти от специфики конкретных систем и фундаментально уста-
новить [97], что именно на самом деле пытаемся измерить.

Рассмотрим, например, задачи памяти и числовых вычислений, которые
когда-то считались определяющими признаками человеческого интеллекта [97].
Теперь ситуация кардинально поменялась — эти задачи стали абсолютно триви-
альны для интеллектуальных машин и не проверяют ее интеллект в каком-либо
значим ом с мыс ле.

В чем можно быть уверены, так это в том, что по мере развития техноло-
гий существующая концепция интеллекта будет продолжать развиваться вместе
с ними [97].

Как же тогда разработать концепцию интеллекта, применимую ко всем
видам систем?

Любое предлагаемое определение должно последовательно охватывать сущ-
ность человеческого интеллекта, а также другие возможности [97]. Оно не долж-
но быть ограничено каким-либо конкретным набором чувств, сред или целей,
а также не должно быть ограничено каким-либо конкретным типом аппаратного
обеспечения (такого как кремний или биологические нейроны). Оно должно
основываться на фундаментальных принципах, которые вряд ли изменятся с те-
чением времени. Более того, определение интеллекта в идеале должно быть фор-
мально выражено, объективно и практически реализуемо в качестве эффектив-
ного теста.

В 1970-х годах было признано, что для того, чтобы машина могла решить
какую-либо интеллектуальную задачу, нужно заранее знать ее правильное ре-
шение. Другими словами, нужно обладать определенными знаниями, т. е. неко-
торыми «ноу-хау» в какой-то конкретной области.
За последние 40 лет искусственный интеллект добился заметного про-
гресса в имитации человеческих рассуждений и мыслительных процессов.

В настоящее время термином «знание» определяют теоретическое или
практическое понимание того или иного предмета или отдельной исследуемой
области. Знание представляет собой также сумму всего того, что известно на дан-
ный момент времени.

При этом, одной из общих характеристик информации, доступной челове-
честву, является, как правило, ее несовершенство представления. Так, информа-
ция может быть неполной, противоречивой, неопределенной или всей совокуп-
ностью указанных аспектов. Другими словами, имеющаяся информация, нахо-
дящаяся в оперативном управлении, напрямую зачастую непригодна для эффек-
тивного решения стоящей перед исследователями сложной проблемы.

Неопределенность можно определить, как отсутствие точных знаний, ко-
торые позволили бы пользователю прийти к совершенно достоверному выводу.

Классическая «вычислительная» точка зрения на развитие искусственного
интеллекта заключалась в том, что познание это вычисление поверх возмож-
ных представлений [100], которые, таким образом, могут иметь место в любой
вычислительной системе, естественной или искусственной.

2.6.	Принципы работы искусственного интеллекта

В последние несколько лет, ряд различных исследовательских групп и ини-
циатив пытались сформулировать и согласовать базовые принципы, которыми
следует руководствоваться при применении ИИ в обществе.

Ключевые принципы искусственного интеллекта включают [53]:

1.	Машинное обучение: процесс, при котором компьютерные системы обу-
чаются на основе больших объемов данных и алгоритмов для получения знаний
и улучшения своей производительности с течением времени.

2.	Распознавание образов: возможность ИИ определять и классифициро-
вать образы, звуки и другие формы данных, чтобы понимать их смысл и прини-
мать соответствующие действия.

3.	Обработка естественного языка: способность ИИ обрабатывать и пони-
мать естественный язык, что позволяет реализовать распознавание речи и гене-
рацию текста.

4.	Распределенное вычисление: использование совокупности компьютеров
и систем для выполнения сложных задач, требующих большого объема вычис-
лительных ресурсов как коллективного интеллекта.

5.	Автоматическое планирование и принятие решений: ИИ обладает спо-
собностью анализировать доступные данные, разрабатывать планы действий
и принимать решения посредством заранее определенных критериев и условий.

Кроме того, известны 10 главных принципов этического ИИ:

1.	1 [ринцип благополучия. ИИ должен использоваться только во благо.

2.	Принцип уважения к автономии. ИИ должен усиливать контроль людей
над своей жизнью и способствовать уважению автономии людей.
3.	Принцип конфиденциальности и защиты частной жизни. Личная жизнь
должна быть защищена системами сбора и архивирования личных данных.
Люди должны иметь возможность контролировать свои данные и возможность
их удалять.

4.	Принцип солидарности. Системы ИИ должны разрабатываться для улуч-
шения отношений между людьми, включая и будущие поколения.

5.	Принцип демократического участия. Системы искусственного интел-
лекта должны быть понятными и прозрачными, доступными для проверки или
открытого обсуждения.

6.	Принцип справедливости. ИИ должен способствовать созданию спра-
ведливого и равноправного общества, никогда не создавать социальную, сексу-
альную, этническую, культурную и религиозную дискриминацию.

7.	Принцип разнообразия. ИИ никогда не должен использоваться с целью
ограничения свободы выражения и свободного выражения мнений.

8.	1 [ринцип осторожности. Все специалисты, связанные с разработкой ИИ,
должны делать все возможное, чтобы избежать неблагоприятные последствия.

9.	Принцип ответственности. Все люди могут и должны нести ответствен-
ность за решения ИИ. Все моральные решения должны приниматься людьми
и никогда не переноситься на алгоритмы.

10.	Принцип устойчивого развития. ИИ, как и все другие технологии,
должен обеспечивать достижение максимальной энергоэффективности за счет
минимизации воздействия на экосистему.

С этими принципами перекликается Кодекс этики в сфере искусствен-
ного интеллекта, представляющий собой документ, который устанавливает об-
щие этические стандарты поведения для всех, кто связан с созданием, развитием
и применением искусственного интеллекта.

Некоторые позиции этого Кодекса:

1.	Человекоориентированный и гуманистический подход. Права и сво-
боды человека рассматриваются как наивысшая ценность. Развитие технологий
не должно мешать реализации возможностей людей.

2.	Уважение автономии и свободы воли. Нельзя допускать разработки ИИ,
которые могут негативно влиять на развитие когнитивных способностей чело-
века.

3.	Соответствие закону. Создатели ИИ должны соблюдать положения
законодательства РФ на всех этапах своей деятельности.

4.	Недискриминация. Важно, чтобы группировка и классификация данных
нс приводили к ущемлению прав по признакам расовой, национальной или по-
ловой принадлежности, политических взглядов, религиозных убеждений, воз-
раста, социального и экономического статуса или сведений о частной жизни.

5.	Оценка рисков и гуманитарного воздействия. Создатели ИИ обязаны
учитывать сложность поведения ИИ и заранее прогнозировать потенциальные
опасности для человека, общества и государства.
6.	Польза разработок для людей. Создание новых технологий должно быть
направлено на развитие безопасных решений с учетом национальных приори-
тетов.

7.	Соблюдение принципов добросовестной конкуренции. При сравнении
ИИ между собой важно использовать только достоверную информацию.

8.	Максимальная прозрачность. Общество и СМИ должны получать чест-
ную и полную информацию о методах применения ИИ, вреде, пользе и ограни-
чениях в использовании.

9.	Ответственность человека. Разработчики отвечают за создание и послед-
ствия применения ИИ. Технологии не должны приносить вред людям, их иму-
ществу и окружающей среде.

2.7.	Принятые подходы к разработке искусственного интеллекта

Для разработки интеллектуальных систем и компьютерных программ
исследователями широко используются все достижения в области математики,
логики, математического и эвристического моделирования, информатики, линг-
вистики, психологии и педагогики.

В настоящее время используются в основном два базовых подхода к раз-
работке искусственного интеллекта [2]:

•	семиотический — создание экспертных систем, баз знаний и систем
логического вывода, имитирующих высокоуровневые психические процессы:
мышление, рассуждение, речь, эмоции, творчество и тому подобные;

•	биологический - изучение нейронных сетей и эволюционных алго-
ритмов, моделирующих интеллектуальное поведение на основе биологических
элементов, а также создание соответствующих вычислительных систем, таких
как нейрокомпьютер или биокомпьютср.

Символьный подход. Исторически символьный подход был первым в эпоху
цифровых машин, т. к. именно после создания машинного языка ЛИСП (автор
Дж. Маккарти), первого языка символьных вычислений, возникла уверенность
в возможности практической реализации искусственного интеллекта [2].

Символьный подход позволяет оперировать слабо формализованными пред-
ставлениями и их смыслами. Однако успешность и эффективность решения но-
вых задач зависит от умения выделять только существенную информацию, что
требует опыта и гибкости в методах абстрагирования. Обычная компьютерная
программа устанавливает один свой способ интерпретации данных, из-за чего ее
работа и выглядит предвзятой и чисто механической. Интеллектуальную задачу
в этом случае решает только человек, аналитик или программист, не умея до-
верить этого машине. В результате создается единственная модель искусствен-
ного интеллекта — система конструктивных сущностей и алгоритмов. А гибкость
и универсальность выливается в значительные затраты ресурсов и использова-
ния человеческого интеллекта.
Логический подход. Логический подход к созданию систем искусствен-
ного интеллекта основан на моделировании рассуждений [2]. Теоретической
основой служит логика и логико-алгсбраичсскис модели. Логический подход
может быть проиллюстрирован применением для этих целей языка и системы
логического программирования ПРОЛОГ. Программы, записанные на языке
ПРОЛОГ, представляют наборы фактов и правил логического вывода без жест-
кого задания алгоритма как последовательности действий, приводящих к необ-
ходимому результату.

Гибридный подход. Гибридный подход предполагает, что только синер-
гетическая комбинация нейронных и символьных моделей достигает полного
спектра когнитивных и вычислительных возможностей. Например, экспертные
правила умозаключений могут генерироваться нейронными сетями, а порож-
дающие правила получают с помощью статистического обучения. Сторонники
данного подхода считают, что гибридные информационные системы будут зна-
чительно более сильными, чем сумма различных концепций по отдельности.

Из-за различных сильных и слабых сторон каждого из перечисленных
выше методов их часто комбинируют, чтобы использовать преимущества каж-
дого метода. Например, нейронную сеть (NN) можно использовать для аппрок-
симации функций принадлежности в контроллере нечеткой логики (FL), или
структуру нейронной сети (NN) можно обновить с помощью эволюционных
вычислений (ЕС) [107]. Любые методы IC, в которых используются несколько
методов искусственного интеллекта, здесь называются «гибридными» методами.

2.8.	Основные элементы
и составляющие искусственного интеллекта

Многие современные научные дисциплины и направления создают базо-
вую основу для искусственного интеллекта:

•	философия, базируемая на логике, а также основных методах рассужде-
ния и разуме (как психофизической системе);

•	математика — использующая формальное представление и доказатель-
ство, а также алгоритмы, вычисления, разрешимость и методы вероятности.
Математика предоставляет необходимые рабочие инструменты, предназначен-
ные для обеспечения моделирования и решения возникающих задач оптимиза-
ции разнообразных процессов;

♦	психология исследует феномены восприятия и двигательного контроля;

•	экономика — определяет формальную теорию рациональных решений;

*	лингвистика - обеспечивает необходимое представление знаний грам-
матики;

•	нейронаука — изучает, как работает человеческий мозг.

Кроме того, область искусственного интеллекта опирается на современ-
ную информатику (рис. 4). В частности, информатика предоставляет рабочие
инструменты для последующего проектирования и построения необходимых
алгоритмов.
Математика

Биология

Нейробиология

Философия

Информатика

Психология

Компьютерная
| инженерия

Лингвистика

ь

Рис. 4. Дисциплины, способствующие развитию искусственного интеллекта

Перечислим основные ключевые элементы искусственного интеллекта
(табл. 4) и дадим им расшифровку.

Таблица 4

Ключевые элементы искусственного интеллекта [28]

Конструктивный элемент	Описание
Теория	Теория (греч. Oacopia — «рассмотрение, исследование»): - это упорядоченная и обоснованная система научных взглядов, суждений, положений, позволяющая адекватно объяснять факты, анализировать процессы, прогнозировать и регулиро- вать их развитие;  - определенный уровень познания, на котором обобщаются и систематизируются имеющиеся знания о предмете исследова- ния и формулируются основные понятия, категории, суждения и умозаключения
Нечеткая логика	Нечеткая логика - это форма многозначной логики, в которой истинностным значением переменных может быть любое дей- ствительное число от 0 до 1.  На основе этого понятия вводятся различные логические опера- ции над нечеткими множествами и формулируется понятие лингвистической переменной, в качестве значений которой выступают преимущественно нечеткие множества
Механизм	Проявление действия причинно-следственных факторов
Окончание таблицы 4

Конструктивный элемент	Описание
Машина	В сфере искусственного интеллекта слово «машина» может означать что угодно: от программного обеспечения, используе- мого в Интернете или в мобильном приложении, до робота- гуманоида
11нтеллект	1.	Это способность думать и понимать, а не делать что-то инстинктивно или автоматически.  2.	Это способноеть понимать и изучать какие-либо вещи, обсто- ятельства, особенности
Мышление	Это процесс использования мозга для рассмотрения проблемы или создания какой-либо новой идеи
Данные обучения	Это набор данных, который используется для создания моде- лей, которые помогают обучать компьютер
11ейроны	Электрически возбудимая клетка, которая предназначена для приема извне, обработки, хранения, передачи и вывода вовне информации с помощью электрических и химических сигналов
Перестрой	Перцептрон (англ, perceptron от лат. perceptio - восприятие; нем. perzeptron) математическая или компьютерная модель восприятия информации мозгом (кибернетическая модель мозга), предложенная Ф. Розенблаттом в 1957 г. и впервые реализованная в виде электронной машины «Марк-1» в 1960 г. Перцептрон состоит из 3 типов элементов, а именно: поступаю- щие от датчиков сигналы передаются ассоциативным элемен- там, а затем - реагирующим элементам. Таким образом, пер- цептроны позволяют создать набор «ассоциаций» между вход- ными стимулами и необходимой реакцией па выходе. В биоло- гическом плане это соответствует преобразованию, например, зрительной информации в физиологический ответ от двигатель- ных нейронов.  Согласно современной терминологии, перцептроны могут быть классифицированы как искусственные нейронные сети: - с одним скрытым слоем;  с пороговой передаточной функцией;  - с прямым распространением сигнала
Алгоритм	Система последовательных операций (в соответствии с определенными правилами) для решения какой-нибудь задачи
Обучение на основе алгоритмов	Методы, используемые для создания соответствующих моделей, которые лучше всего представляет данные обучения
Экспертная система	Компьютерная система, способная частично заменить специалиста-эксперта в разрешении проблемной ситуации
Модель	Математическая конструкция, помогающая прогнозировать новые значения или принимать решения
Классификация	Подразделение объектов по существенным признакам
Термин «интеллект» относится к способности приобретать и применять
различные навыки и знания для решения определенной проблемы [79]. Кроме
того, интеллект также связан с использованием общих умственных способно-
стей для решения, рассуждения и изучения различных ситуаций.

Необходимо отметить, что искусственный интеллект представляет собой
комбинацию различных технологий, которые дают робототехнике возможность
понимать, изучать, воспринимать или выполнять человеческую деятельность
самостоятельно, автономно.

В настоящее время существуют различные инновации искусственного ин-
теллекта, например, автомобили-роботы, которым не требуется, чтобы их кон-
тролировал человек-водитель. Кроме того, технологии искусственного интел-
лекта включают в себя умные машины, которые способны обрабатывать боль-
шие объемы данных, которые человек выполнить, как правило, не может.

Обычно, интеллект интегрирован с различными когнитивными функциями
(такими, как язык, внимание, планирование, память, восприятие и др.).

Теория это попытка дать научное объяснение и, таким образом, полу-
чить основу для последующего изучения конкретного явления. Примерами явля-
ются теории разума, речи, зрения, мозга, интеллекта и т. д.

Алгоритм искусственного интеллекта - это набор специальных инструк-
ций или правил, которые система искусственного интеллекта использует для вы-
полнения конкретной задачи или решения стоящей сложной проблемы. 11ри этом
алгоритмы искусственного интеллекта можно разделить на 2 большие категории:
символические (основанные на четких правилах) и числовые (статистические)
алгоритмы.

Символические алгоритмы используют специальные правила и логические
рассуждения для решения имеющихся сложных проблем, а числовые алгоритмы
используют математические и статистические методы для анализа и обработки
собранных данных.

Алгоритмы искусственного интеллекта также можно классифицировать
по типу обучения, которое они используют (например, обучение с учителем,
без учителя или обучение с подкреплением).

Выбор того или иного алгоритма зависит от характера решаемой задачи
и типа данных, доступных для машинного обучения.

Нейрон — это основная единица нервной системы живого организма (от-
дельный нейрон имеет любое количество входов, но всегда только один выход)
и считается, что посредством сети нейронов люди думают и хранят воспомина-
ния. В человеческом мозге имеется около 100 трлн, электропроводящих клеток
или нейронов [79], которые обеспечивают невероятную вычислительную мощ-
ность для быстрого и эффективного решения возникающих задач.

Нейрон состоит из 3-х отличительных частей (рис. 5): дендритов (получа-
ющих сигналы от нейронов), сомов и аксона.

В ходе рабочего процесса нейрон получает несколько сигналов от своих
входных связей, вычисляет новый уровень активации и отправляет его в качестве
выходного сигнала через свои выходные связи [91]. Входным сигналом могут
быть только поступившие, а потому необработанные данные или выходные
полуобработанные данные других нейронов. Поэтому выходной сигнал может
быть либо окончательным решением стоящей проблемы, либо входным сигна-
лом для других нейронов, т. с. электрический сигнал передастся далее.

Концевая ветвь
(терминаль) аксоне

Дендрит

Рис. 5. Структура нейрона

Внутри одного нейрона входная информация обрабатывается (в основном
путем взвешенного суммирования) и выходной сигнал определяется в зависи-
мости от пороговых значений, которые могут быть превышены или нет [65J,

Электрические сигналы, несущие информацию, передаются от одного
нейрона к другому посредством сложных электрохимических реакций. Хими-
ческие вещества, выделяющиеся из синапсов, вызывают изменение электриче-
ского потенциала тела клетки. Когда такой электрический потенциал дости-
гает количественного значения своего порога, то возникает электрический им-
пульс (потенциал действия), который отправляется вниз по аксону. Электриче-
ский импульс распространяется по сети и в конечном итоге достигает синап-
сов, заставляя их увеличивать или уменьшать свой потенциал.

Нейроны соединены связями, при этом каждая ссылка имеет связанный
с ней числовой вес. Нейронная сеть «обучается» путем многократной коррек-
тировки этих весов.

Для этого нейрон вычисляет взвешенную сумму входных сигналов и срав-
нивает результат с пороговым значением [91]. Если чистый вход меньше порога,
то выход нейрона равен -1. Но если чистый входной сигнал больше или равен
порогу, то нейрон вновь активируется.

Четыре распространенных варианта функций нейрона (ступенчатая, знако-
вая, линейная и сигмовидная функции) представлены на рис. 6.

Когда эти объединенные импульсы превышают определенный порог,
нейрон срабатывает и выдает импульс, или всплеск, проходит по аксону [87].
Ответвления на конце аксона образуют синапсы с дендритами других нейронов.
Синапс является точкой контакта между нейронами; синапсы могут быть лю-
быми возбуждающими или тормозящий, либо прибавление к общему количеству
сигналов, достигающих нейрона, либо вычитание из этого общего количества.
Сигмовидная
функция

Линейная
функция

Шаговая
функция

у step —.

Знаковая
функция

1, if X > О
О, if X < О

Рис. 6. Активационные функции нейрона [91]

Таким образом, нейрон — это своего рода процессор сообщений, которые
в дальнейшем в виде электрических импульсов поступают в дендриты от не-
скольких других нейронов. Затем сообщение обрабатывается сомой нейрона.
Эта обработка «решает»: должен ли нейрон «срабатывать» или нет.

Следующей важной вехой стало открытие в 1958 г. психологом Фрэнком
Розенблаттом персептрона. При этом было предложено множество вариантов
базовой сети персептрона, но наиболее популярной моделью стал многослой-
ный персептрон, с прямой связью (рис. 7).

Скрытый слой

Рис. 7. Многослойные искусственные нейронные сети прямого распространения

Теория нейронной сети была разработана Маккалок и Уолтером Питтсом,
которые предложили модель искусственных нейронных сетей, в которой посту-
лировалось, что каждый нейрон находится в бинарном (т. е. в включенном и вы-
ключенном) состояниях. Однако, в дальнейшем эксперименты ясно показали,
что бинарная модель нейронов неверна. Фактически, нейрон имеет сильно нели-
нейные характеристики и не должен рассматриваться только как простое устрой-
ство, лишь с двумя противоположными состояниями.
Эти сети состоят из слоев нейронов, обычно входного слоя, одного или
нескольких средних или скрытых слоев и выходного слоя, каждый из которых
полностью связан с другим слоем.

Использование технологии обучения по системе многослойного персеп-
трона с прямой связью было ограничено из-за отсутствия подходящего алго-
ритма обучения до тех пор, пока аспирант Пол Вербос в 1974 г., не представил
обучение с «обратным распространением ошибки».

«Глубокие» нейронные сети - это те, которые имеют несколько «скры-
тых слоев» между входным и выходным слоем. Нейронные сети могут само-
стоятельно учиться, регулируя вес связей, имеющихся между каждым нейро-
ном, чтобы оптимизировать пути продвижения сигнала, несущего информацию
через сеть для достижения определенного результата. Некоторые глубокие ней-
ронные сети, используемые для распознавания видеоизображений, могут иметь
свыше сотни тысяч искусственных нейронов и еще больше связей между ними.

Экспертная система — это интерактивная и надежная компьютерная си-
стема принятия эффективных решений, которая использует определенные вы-
явленные факты и закономерности эвристики, служащие для решения весьма
непростых задач. Основная цель экспертной системы заключается в решении
наиболее сложных задач в конкретной области.

Нечеткая логика - это теория нечетких множеств, которые предвари-
тельно калибруют существующую в решаемой задаче неопределенность. Нечет-
кая логика основана на базовой идее, что все объекты имеют степени. Это кон-
цепция дескриптора частичной истины.

Нечеткая логика определяется как многозначная логическая форма, кото-
рая может иметь значения истинности переменных в любом действительном
числе от 0 до 1.

Нечеткая логика отражает то, как люди думают. Она пытается смоделиро-
вать человеческое чувство слов, а также принятие тех или иных решений и при-
сущий людям здравый смысл. В реальной жизни пользователь может столк-
нуться с такой ситуацией, когда однозначно нет возможности решить, истинно
или ложно то или иное утверждение.

Фрейм - это структура данных с типичными знаниями о конкретном
объекте или понятии, которая обеспечивает естественный способ структури-
рованного и краткого представления знаний.

Понятие фрейма определяется совокупностью слотов (значение которых
может быть символическим, числовым или логическим). Каждый слот описы-
вает конкретный атрибут или операцию кадра.

Необходимо также отмстить, что база данных ImagcNct, используемая
для обучения классификаторов изображений, обычно содержит более 14 млн
помеченных изображений, и исследователи поставили цель - использовать
не менее 1000 изображений на каждую категорию изображений.
Платформы глубокого обучения используют нейронные сети со слоями
абстракции, пытаясь более четче имитировать работу человеческого мозга. Они
предназначены для обработки многочисленных данных и создания неких шаб-
лонов, на основе которых в дальнейшем можно принимать конструктивные
решения. В настоящее время они используются для выявления существующих
закономерностей и категоризации приложений, совместимых только с крупно-
масштабными наборами данных.

Облако - это термин, обозначающий доступ к большим данным и про-
граммным приложениям через сетевое соединение удаленных серверов, часто
представляющих крупные центры обработки данных, использующих подклю-
чение к Интернету. В таком облаке могут работать практически все программ-
ные ресурсы: определенная программа или приложение, служба или даже дру-
гой смоделированный компьютер.

Примерами облачных систем являются OncDrive и Office 365.

Облачные вычисления - это система использования надежной сети
удаленных серверов для хранения, управления и обработки собранных боль-
ших данных (рис. 8). Она работает через сеть компьютеров, подключенных друг
к другу и к пользователю через Интернет, а нс через локальный сервер или от-
дельный персональный компьютер.

Содержание

Общение

хранилище

Рис. 8. Схема системы облачных вычислений

Программное приложение

Мониторинг

Хранилище
объектов

Сотрудничество

Платформа

Личность

Время выполнения

Вычислить

Очередь

Инфраструктура

Блочное

Сеть

Финансы

База данных
Система облачных вычислений, не распределяет копии одних и тех же
файлов данных на отдельные клиентские устройства, а хранит свои критически
важные данные на удаленных серверах.

Интерфейс прикладного программного обеспечения (API) — это набор
подпрограмм, протоколов и инструментов для создания программных приложе-
ний. Цель внедрения API — помочь разработчикам создавать интеллектуальные
приложения, не имея прямых навыков или должных знаний в области искус-
ственного интеллекта или науки о данных.

Например, цель Microsoft Azure Cognitive Services — помочь разработчи-
кам создавать приложения, которые могут видеть, слышать, говорить, понимать
и даже начинать логически рассуждать. Это позволяет организациям внедрять
инновации и преобразования во всех существующих у них процессах и техно-
логиях.

Виртуальный агент — это компьютерная программа, предназначенная
для взаимодействия с людьми, которая работает в чат-ботах, а также при исполь-
зовании некоторых приложений или посещении некоторых веб-сайтов.

При этом интеллектуальный агент - это гораздо больше, чем просто про-
грамма [85]. Это система сама по себе, поскольку она должна воспринимать
окружающую среду и предпринимать действия, чтобы максимизировать свои
шансы на успех.

Веб-приложения и мобильные приложения предоставляют чат-боты в ка-
честве агентов по обслуживанию клиентов, которые взаимодействуют с людьми
и отвечают на их запросы. Таким образом, виртуальные агенты также действуют
как программное обеспечение, т. е. как некая услуга.

От контакт-центров до обслуживания различных бизнес-задач (таких, как
ИТ-поддержка) виртуальные агенты выполняют не только базовые функции,
но также могут обрабатывать сложные запросы, основанные на различных,
довольно непростых, ситуациях.

Виртуальный помощник также действует как языковой помощник, кото-
рый выбирает подсказки по выбору и предпочтениям пользователя. Например,
виртуальный помощник IBM Watson понимает типичные запросы в службу под-
держки клиентов, которые задаются несколькими способами.

Биометрия используется для идентификации, измерения и анализа физи-
ческих аспектов структуры и формы тела человека. Это позволяет инноваци-
онным технологиям использовать более естественные формы взаимодействия
между людьми и машинами, включая прикосновение, отпечатки пальцев, по-
ходку, речь, распознавание глаз и языка тела. Ее часто используют как способ
подтверждения личности или идентификации команды (например, махнув рукой
ХЬох или приложив палец к сканеру).

В структуре ИИ можно выделить следующие основные направления [4]:

1.	Машинное обучение.

2.	Компьютерное зрение.

3.	Обработка естественного языка.
4.	Экспертные системы.

5.	Усовершенствованное планирование.

6.	Распознавание речи.

7.	Робототехника.

2.9.	Пределы развития искусственного интеллекта

В наше время технологии искусственного интеллекта уже активно исполь-
зуются в самых разных сферах жизнедеятельности людей: от медицины и тяже-
лой промышленности до разработки компьютерных игр и создания фильмов [73].
Уже сейчас можно с уверенностью утверждать, что по прошествии некоторого
времени искусственный интеллект будет использоваться практически в любой
деятельности, возможно, и во всех без исключения, став, тем самым, надежным
помощником человека в выполнении целого ряда задач - от простейших до са-
мых сложных.

Так, можно привести пример с использованием искусственного интеллекта
в юриспруденции [33, 106]. В последнее время все чаще ставится вопрос о воз-
можности и необходимости использования искусственного интеллекта при рас-
смотрении судебных дел [73]. В качестве аргументов в поддержку этого новов-
ведения могут быть приведены: беспристрастность искусственного интеллекта,
его неподкупность и строгое следование предписаниям законодательства (осо-
бенно при вынесении судебных решений, поскольку вопрос об уменьшении до-
пустимых пределов судейского усмотрения остается актуальным и по сей день).
С одной стороны, данные предложения вполне уместны в современных реалиях
российской судебной системы, принимая во внимание чрезмерную загружен-
ность судей и, на наш взгляд, излишний бюрократизм, которые, бесспорно, не мо-
гут нс оказывать негативного влияния и на сам процесс судебного разбиратель-
ства, и на качество выносимых решений.

С другой стороны, остается нс вполне ясным, как именно должен исполь-
зоваться искусственный интеллект в судопроизводстве, и каковы будут пределы
его применения [73].

Обычные вычислительные машины анализируют информацию в цифро-
вом формате, который означает, что вся информация представлена в виде единиц
и нулей. Вычислительная мощность цифрового компьютера удваивается с каж-
дым годом, и это явление называется законом Мура. А это означает, что реше-
ния, принятые с использованием цифрового компьютера в прошлом году, менее
эффективны, чем те же решения, принятые в этом году.

2.10.	История искусственного интеллекта и его развитие

Искусственный интеллект как отдельная область науки был основан не-
сколькими поколениями исследователей этого важнейшего вопроса.
Хотя идея искусственного интеллекта так или иначе существовала еще
в середине XX в. (когда Алан Тьюринг впервые предложил «имитационную
игру», предназначенную для оценки качества машинного интеллекта), ее прак-
тическая реализация стала осуществимой только лишь в последние десятилетия,
что было обусловлено возросшей мощностью доступных вычислительных ком-
пьютеров и наличием больших данных, служащих необходимой практической
основой для осуществления обучения интеллектуальных систем.

Непосредственно этот термин был изобретен в 1950-х годах (рис. 9), когда
ученые начали изучать, как компьютеры могут самостоятельно решать раз-
личные, довольно неоднозначные, проблемы и весьма сложные задачи. Так,
в 1955 г. Джон Маккарти и Марвин Мински впервые использовали словосоче-
тание «искусственный интеллект».

Алан Тьюринг:
вычислительная
техника и
интеллект

|	1956

1950

Большие
ожидания: игры и
решение теорем

1970

Дартмутская
конференция, чеканка
искусственного
интеллекта

Нейронные сети
возвращаются. Начало
вероятностного
рассуждения и
машинного обучения

1986

Борясь за выживание,
исследования
застопоролись.
Рождаются экспертные

Глубокое обучение

20С0

2011

Социальные сети,
Веб 2.0, рождение
больших данных

системы

Рис. 9. Хронология эволюции искусственного интеллекта

Необходимо отметить, что все же эта область исследований была далеко
не новой. Так, идея искусственного интеллекта появилась в конце 1940-х годов,
когда пионеры компьютеров (такие, как Алап Тьюринг и Джон фон Нейман)
впервые начали изучать, как машины могут «думать»,

Период с 1945 по 1960 гг. принято считать первым этапом становления
и развития области, связанной с основами искусственного интеллекта.

Первая теория о потенциально равных возможностях ЭВМ и человече-
ского мозга была предложена английским математиком-логиком Аланом Тью-
рингом. «Отец» современного компьютера Тьюринг занимался вопросами ма-
шинного интеллекта с 1941 г. В своем докладе «Интеллектуальные машины»,
публично представленном в 1947 г., он рассматривает вопрос о возможности
вычислительной машины обнаружить разумное поведение. В 1950 г. в печати
появляется работа «Вычислительные машины и разум», в которой А. Тьюринг
описывает методику выявления «разумного поведения» вычислительной ма-
шины, позднее получившую название «тест Тьюринга». Данный тест, построен-
ный из вопросов, способен в течение 5 минут на основе противоречивых отве-
тов определить, с кем идет разговор: с человеком или компьютерной програм-
мой. По заверению создателя, к 2000 г. компьютерные программные комплексы
должны были свободно решать предложенный тест, однако этого нс произошло.
В 1951 г. результатом совместной работы М. Мински и Д. Эдмондса
становится представленный мировому научному сообществу первый сетевой
компьютер, в функциональной основе которого был заложен принцип нейрон-
ной сети, построение данной сети происходит по принципу организации и функ-
ционирования живых нервных клеток. Устройство получило название «Snare»
и стало первой компьютерной системой, способной самообучаться, работающей
на базе 40 нейронов.

У искусственного интеллекта было несколько разных временных идейных
периодов [86], отличавшихся тем, уделялось ли основное внимание использо-
ванию логических теорем или попыткам имитировать человеческое мышление,
с помощью неврологии. Вот лишь некоторые из основных таких вех в развитии
искусственного интеллекта (рис. 10).

1943

Создание
искусственного
нейрона

1950

Ученый-компьютерщик
Алан Тьюринг создает тест
на машинный интеллект

1956

Термин ИИ,
Придуманный
Джоном Маккарти

1957

Франк Розенблатт
изобретает Перцептрон

1970-1980-е годы ИИ Зима

1997	1995	1973	1964

Компьютер IBM Deep Мерная поисковая Основано Канадское Чат-бот Элиза проводит
Blue обыграл чемпиона система использует общество вычислительных первый разговор
по шахматам	обработку исследований интеллекта с человеком

естественных языков

1999

Sony выпустила
собаку* робот
по кличке А ибо

2002

iRobot запускает
робот-пылесос
Roomba

2011

Apple представляет
Siri, виртуального
помощника

2011

Компьютер Watson
от IBM выиграл
игровое шоу Jeopardy

2017

CIFAR возглавляет разработку
Панканадской стратегии ИИ, первой
в мире национальной стратегии ии

2Q14,	2014

Беспилотный автомобиль	Считается, что чат-бот

Google прошел первое в США Юджин Густман прошел
испытание беспилотного тест Тьюринга
автомобиля

Рис. 10. Временная шкала становления и развития искусственного интеллекта
Фон Нейман был первым, кто антропоморфизировал язык машинный и
разработал концепцию вычислений, основываясь на памяти, сенсорах и других
составных элементах компьютеров. В результате он построил серию машин,
используя то, что в начале 50-х годов XX в. было известно о человеческом
мозге, и разработал первые специализированные программы, хранящиеся в па-
мяти компьютера.

Примерно в это же время исследователь искусственного интеллекта Мак-
Каллох формулирует в этой же области радикально иную исследовательскую
позицию, утверждая, что законы, управляющие мышлением, необходимо искать
между правилами, которые управляют, прежде всего, информацией, а не между
теми, которые управляют материей.

Другой исследователь искусственного интеллекта Мински (соосноватсль
Лаборатории искусственного интеллекта в Массачусетском технологическом
институте) также сформулировал свою особую позицию по этому вопросу, где
утверждал, что следует отказаться от имитации мозга человека на клеточном
уровне. В своей теории М. Мински говорит о том, что «человеческий мозг
это есть сложноустроенная машина, особенности которой потенциально могут
повторить электронно-вычислительные машины».

По его мнению, основными предпосылками теоретического ядра искус-
ственного интеллекта должен быть акцент на распознавании мысли, которая
может возникнуть вне мозга.

Свой вклад в развитие искусственного интеллекта внес Артур Самуэль,
которого принято считать пионером в области компьютерных игр, искусствен-
ного интеллекта и машинного обучения. В 1952 г. ученый создает первую про-
грамму для игры в шашки «Checkers-playing» для ЭВМ IBM 701 (первая ком-
мерческая массовая большая компьютерная система для научных вычислений
корпорации IBM). В процессе работы над компьютерной игрой в 1955 году
А. Самуэль добавляет в программу способность к самообучению, тем самым
наглядно показывая алгоритмы работы искусственного интеллекта. В резуль-
тате программа переиграла своего создателя. Своими исследованиями ученый
опровергает сложившееся мнение о том, что компьютерная техника способна
работать только по заданному алгоритму без возможности самообучения. Дан-
ные разработки принято считать фундаментальными в этой отрасли.

Параллельно с А. Самуэлем в 1952 г. свою работу над созданием про-
граммы для игры в шахматы начал Аллен Ньюэлл — ученый в области когни-
тивной психологии и искусственного интеллекта. В результате командной ра-
боты специалистов агентства RAND (американская некоммерческая организа-
ция, которая выполняет функции стратегического исследовательского центра,
работающего по заказам правительства США) и группы голландских учсных-
психологов во главе с нидерландским шахматистом и психологом Адрианом
Дингеманом де Гроотом в 1954 г. был разработан машипоориептированный
язык программирования «IPL». На его синтаксисе была создана интеллектуаль-
ная программа «Logic Theorist», которая считается первой программой, специ-
ально разработанной для выполнения автоматических рассуждений, она полу-
чила впоследствии название «Первая программа искусственного интеллекта».
Она имела в функционале способность проводить доказательство теорем, с ее
помощью было вновь доказано 38 из 52 теорем раздела математической ло-
гики, причем были получены новые и более элегантные способы доказательства
для некоторых. С выходом на рынок более мощных и совершенных ЭВМ про-
грамме удалось доказать все 52 теоремы.

В 1954 г. корпорацией IBM совместно с Джорджтаунским университетом
мировому сообществу было представлено новое направление развития приме-
нения технологий искусственного интеллекта, а именно программный перевод
с одного естественного языка на другой с сохранением исходного синтактиче-
ского формата. 7 января 1954 г. корпорацией IBM на своей электронно-вычис-
лительной машине под кодовым названием «Марк-П» был успешно реализован
эксперимент, впоследствии получивший название «джорджтаунский экспери-
мент», в ходе которого выполнялся автоматизированный программный перевод
порядка 60 предложений с русского языка на английский. Успешность опера-
ции вызвала широкий резонанс и обсуждение в ученых кругах, и это положило
начало развитию данной отрасли.

Датой рождения самостоятельного научного направления исследований
в области искусственного интеллекта принято считать 1956 г. Летом этого года
стенах Дартмутского колледжа проходил двухмесячный научный семинар по во-
просам искусственного интеллекта, на котором в рамках одной из сессий аме-
риканским информатиком Джоном Маккарти был введен в научную среду тер-
мин «Artificial Intelligence» («искусственный интеллект»). Сам автор определил
ИИ как «способность достижения цели на основе вычислительной составляю-
щей, используя при этом методы, которые не наблюдаются у людей». Позднее,
в 1958 г., Д. Маккарти разработал «Lisp» — первый функциональный язык и вто-
рой по старшинству из ныне живых высокоуровневых языков программирова-
ния (после Fortran). Он предназначен для работ с искусственным интеллектом
и до сих пор остается одним из основных инструментальных средств в данной
области.

Однако важная веха в развитии искусственного интеллекта произошла
в 1956 г., когда исследователи доказали, что машина может решить любую воз-
никшую проблему, если ей будет предоставлена возможность использования
неограниченного объема памяти (табл. 5). Результатом стала программа под на-
званием General Issue Solver (GPS).

1 [оявление электронно-вычислительных машин первого поколения, функ-
ционирующих на базе электронных ламп, дало толчок к зарождению и разви-
тию мысли о технологиях искусственного интеллекта. Первые ЭВМ, представ-
ленные мировому сообществу в 1946 г., по задумкам инженеров-разработчиков
создавались исключительно для решения сложных вычислительных математи-
ческих задач, и ученый мир нс задумывался о возможности реализовать интел-
лектуальную функцию па базе вычислительной машины. С выходом на рынок
в 1961 г. второго поколения вычислительных машин, построенных на базе полу-
проводников (транзисторов), ученым удалость добиться 100-кратного увеличе-
ния быстродействия и стало понятно, что электронно-вычислительные машины
несут в себе колоссальный потенциал своего развития. Их применение позволяет
повысить эффективность человеческой деятельности при уменьшении трудо-
затрат, а также появляется возможность построения системы, которая может
стать аналогом человеческому разуму.

Таблица 5

Краткая история искусственного интеллекта [78]

1943 г.	Уоррен С. Маккалок и Уолтер Питтс создают модель искусствен- ного нейрона на основе человеческих нейронов
1950 г.	Ученый-компьютерщик Алан Тьюринг создает тест на машинный интеллект. Он назвал это «игрой в имитацию». Теперь он известен как «тест Тьюринга»
1956 г.	Термин «искусственный интеллект» впервые опубликовали уче- ные-компьютерщики Джон Маккарти и Марвин Мински
1957 г.	Фрэнк Розенблатт изобретает перцептрон. Это первая компьютер- ная сеть, основанная на аналогии с человеческим мозгом
1964 г.	Первый чат-бот, Элиза, общается с людьми
1970-1980 гг.	Пессимизм в отношении машинного обучения и недостатков фи- нансирования проектов приводят к «зиме» в области исследований искусственного интеллекта
1973 г.	Было основано исследователями со всей страны канадское обще- ство вычислительных исследований интеллекта. Теперь это объ- единение стало называться Канадской ассоциацией искусственного интеллекта. Оно расположен в Западном университете
1995 г.	Разработана AltaVista - первая поисковая система, использующая обработку естественного языка
1997 г.	IMB DEEP BLUE - первый компьютер, победивший чемпиона по шахматам, российского гроссмейстера 1 арри Каспарова
1999 г.	Sony выпускает робота-собаку по имени А1ВО. Его навыки и лич- ность развиваются с течением времени
2002 г.	iRobot представляет робот-пылесос для полов Roomba
2011г.	Apple интегрирует Siri, интеллектуального виртуального помощ- ника в iPhone 4S
2011 г.	Компьютер Watson от IBM побеждает в телеигре Leopard. Это доказало, что он может понимать сложный человеческий язык, по- скольку вопросы включали игру слов
2014 г.	Компьютерный чат-бот Юджин Густман прошел тест Тьюринга
2014 г.	Беспилотный автомобиль Google прошел тест на беспилотный ав- томобиль в штате Невада (США)
2017 г.	CIFAR возглавляет разработку Панканадской стратегии искус- ственного интеллекта, первой в мире национальной стратегии ис- кусственного интеллекта
Новый виток в развитии технологий искусственного интеллекта датиру-
ется 1960 г. Второй этап начинается с формирования самостоятельного направ-
ления научно-исследовательской деятельности по направлению ИИ и характе-
ризуется широким распространением по всему земному шару. В работах ученых
из СССР, США, Японии и европейских стран появляется большое количество
разнообразных идей, которые дают свое начало как междисциплинарным связям,
так и принципиально новым исследованиям в направлении нейронных сетей,
игровых программ, машинных переводчиков текстов, технологий визуального
распознавания объектов и др.

1 Тозднее, в 70-х годах XX в., с выходом на рынок третьего поколения ЭВМ,
основанного на интегральных схемах, существенным образом увеличивается
мощность вычислительных машин. Вместе с этим технологии искусственного
интеллекта начали не только более масштабно применять в технической среде,
но и создавать новые междисциплинарные направления исследовательской де-
ятельности в области философии, психологии, культуры.

Вероятно, самым важным событием 1970-х годов было осознание того,
что проблемная область интеллектуальных машин оказалась достаточно ограни-
ченной. Раньше исследователи искусственного интеллекта полагали, что вполне
можно разработать умные алгоритмы поиска и методы рассуждения, чтобы ими-
тировать общие, человеческие методы решения любых возникших проблем.

Первоначально, традиционный метод решения сложных (например, хими-
ческих) вопросов был основан на использовании метода генерации и тестирова-
ния: когда сначала генерируются все возможные молекулярные структуры ис-
следуемого вещества, соответствующие его масс-спектрограмме, а затем опре-
деляется или прогнозируется масс-спектр для каждой структуры и проверяется
на соответствие реальному спектру. Однако этот метод потерпел неудачу, по-
скольку можно было создать миллионы возможных структур и в результате эта
проблема быстро стала неразрешимой [91J.

Поэтому, в течение следующих 2-х десятилетий усилия различных иссле-
дователей данного вопроса были сосредоточены па обеспечении применения
искусственного интеллекта для решения реальных, довольно сложных, проблем.

Это развитие привело к созданию экспертных систем (рис. 11), которые
позволяют интеллектуальным машинам учиться на чужом и собственном опыте
и на основе собранных многочисленных данных осуществлять объективные
прогнозы. Так, одной из первых вероятностных систем, была экспертная си-
стема PROSPECTOR, предназначенная для разведки месторождений полезных
ископаемых, разработанная Стэнфордским исследовательским институтом.

В общем случае, экспертная система представляет собой специальное про-
граммное обеспечение, которое собирает и кодирует практически все имею-
щиеся знания одного или нескольких экспертов в профильной области [66].
После создания специальной базы знаний, это программное обеспечение помо-
гает пользователям (обычно - неспециалистам) решать возникающие перед ними
неоднозначные проблемы и сложные вопросы, предоставляя им план реальных
действий или непосредственно прямое решение, созданные на основе анализа
и переработки полученной информации. Оказалось, что эти системы довольно
сильно ориентированы на конкретные вопросы и проблематику, а также на ис-
пользование расширенных баз знаний.

Машинное обучение

Рис. 11. Место экспертных систем в архитектуре интеллектуальных машин

Экспертная система, основанная на правилах, состоит из 5 компонентов
[91]: базы знаний, базы данных, механизма ввода и вывода, средств объяснения
и пользовательского интерфейса.

Растущее число успешных применений экспертных систем в конце 1970-х го-
дов показало, что технология искусственного интеллекта может успешно перейти
из исследовательской лаборатории в реальную коммерческую среду. Однако
в этот период большинство экспертных систем были разработаны на специаль-
ных языках искусственного интеллекта, таких как LISP, PROLOG и OPS, на базе
мощных электронных рабочих станций [91].

При этом, необходимость иметь довольно дорогое оборудование и исполь-
зовать сложные языки программирования означала, что задача разработки экс-
пертных систем была оставлена в руках нескольких исследовательских групп
(в Стэнфордском университете, Массачусетском технологическом институте,
Университете Карнеги-Меллона и некоторых других).

Только в 1980-х годах, с появлением персональных компьютеров (ПК) и
простых в использовании инструментов разработки экспертных систем (так на-
зываемых «оболочек») обычные исследователи и инженеры, работающие прак-
тически во всех дисциплинах и направлениях, смогли воспользоваться для своих
нужд возможностью разработки экспертных систем.
Так, в частности, специальное исследование 1986 г. выявило значительное
количество успешных практических применений экспертных систем в различ-
ных областях: электронике, инженерии, геологии, химии, медицине, менедж-
менте, управлении социальными процессами и военной науке.

Первоначально было создано около 200 экспертных систем и большин-
ство их практических применений относилось к области медицинской диагно-
стики [91]. Но уже через 7 лет аналогичное исследование сообщило о более чем
2500 разработанных экспертных системах. Новой растущей областью примене-
ния экспертных систем стали бизнес и реальное промышленное производство,
на долю которых пришлось около 60 % научных исследований и технологиче-
ских разработок.

Экспертные системы не так сложны, как человеческий мозг, но их можно
научить выявлять, существующие в массиве данных основные явные или скры-
тые закономерности и на основе этих аномалий разрабатывать принципы опти-
мальных решений.

Однако, несмотря на довольно значительное количество успешных техно-
логических разработок и широкого практического использования экспертных
систем в различных областях экономики, было бы ошибкой переоценивать воз-
можности этой технологии.

Так, экспертные системы ограничены очень узкой областью знаний.
Например, экспертная система MYCIN, которая была разработана для диагно-
стики инфекционных заболеваний крови, не имеет реальных знаний о физио-
логии человека и т. д.

Из-за некоторой узкости области применения экспертные системы не на-
столько надежны и гибки, как хотелось бы пользователю. Болес того, экспертные
системы могут испытывать трудности с распознаванием границ своих доменов.
Поэтому, когда перед экспертной системой стоит задача, принципиально отлич-
ная от типичных проблем, то она может попытаться решить ее и потерпеть до-
вольно непредсказуемую неудачу.

Из-за указанных проблем в середине 1980-х годов исследователи, инже-
неры и эксперты обнаружили, что для создания эффективной экспертной си-
стемы требуется гораздо больше, чем непосредственное использование простой
системы рассуждений или оболочки экспертной системы и помещения в нее до-
статочного количества неких сведений и правил.

Следующая важная веха в развитии систем искусственного интеллекта
произошла в 1965 г. и была связана с разработкой таких программ, как робот
Шейки и ELIZA, которые автоматизировали устные (довольно простые) разго-
воры между людьми и машинами. Эти ранние компьютерные программы про-
ложили путь к более продвинутой технологии распознавания человеческой
речи, что в конечном итоге привело к появлению электронных помощников
Siri и Alexa.

Первоначальный всплеск интереса вокруг искусственного интеллекта
длился примерно около 10 лет. Данное обстоятельство привело к значительному
прогрессу в разработке новых языков программирования, а также к доказатель-
ству сложных теорем в высшей математике и существенному развитию робото-
техники. Но это также спровоцировало и довольно негативную реакцию обще-
ства, направленную против чрезмерно раздутых заявлений в этой сфере.

В результате, примерно в 1974 г. финансирование исследований в области
искусственного интеллекта было резко сокращено. Это было обусловлено тем,
что перспектива появления разумных машин в тот период стала скорее вообра-
жаемой фантазией, чем реально достижимой практикой. Так, несмотря на то,
что первоначально были достигнуты определенные успехи, все они ограничива-
лись лишь имитацией того, как люди решают поставленные задачи, вместо дей-
ствительного анализа проблем и последующего их преодоления [66]. Более того,
проблемы исследований того периода времени заключались в ограничении име-
ющихся ресурсов и не только финансовых. Так, по мере того, как решаемые про-
блемы становились все более похожими на реальный мир, то они также стано-
вились все более неразрешимыми.

Лишь в конце 1980-х годов, после десятилетия некоторого простоя, инте-
рес к этой проблеме снова возобновился. Это возрождение было вызвано в пер-
вую очередь тем, что интеллектуальные машины стали лучше людей решать
«узкие» задачи (такие, как, например, игра в шашки или шахматы и другие ин-
теллектуальные игры, а также определенными достижениями в области компь-
ютерного зрения и распознавания устной речи). На этот раз упор исследователей
был сделан на создание интеллектуальных систем, которые могли бы более
лучше понимать ситуацию и учиться на основе реальных данных, с гораздо мень-
шим вмешательством человека.

В 1980-х годах из-за необходимости обработки многочисленной информа-
ции (в том числе — больших данных), а также достижений компьютерных тех-
нологий и прогресса нейробиологии, искусственный интеллект (с появлением
искусственных нейронных сетей) пережил резкое возрождение. При этом, боль-
шой вклад как в теорию, так и в проектирование, был сделан по нескольким раз-
личным направлениям. Так, был установлен новый принцип самоорганизации
( позволивший разработать теорию адаптивного резонанса), который лег в основу
нового класса нейронных сетей. Затем были представлены нейронные сети с об-
ратной связью. После чего появились сведения о самоорганизующихся картах
и были выработаны принципиальные основы обучения интеллектуальных ма-
шин (с подкреплениями, нашедшие применение в реальном управлении).

Но настоящий прорыв произошел в 1986 г., когда алгоритм обучения об-
ратного распространения ошибки, впервые представленный в 1969 г., был за-
ново представлен в виде технологии параллельной распределенной обработки,
служащей для исследования различных микроструктур.

Такое развитие продолжалось до 1992 г., когда интерес к интеллектуаль-
ным системам снова начал резко расти. В этот период технологические дости-
жения в области вычислительной мощности и хранения информации способ-
ствовали расширению исследований в области искусственного интеллекта.
Кроме того, в середине 1990-х годов, еще один крупный бум интереса был
вызван значительным прогрессом в области разработки и проектирования ком-
пьютерного оборудования, произошедшим с начала 1980-х годов.

К концу XX в. силами инженеров корпорации IBM проводится доработка
суперкомпьютера, и на свет выходит его обновленная версия Deep Blue II.
Благодаря обновлению машине стало под силу просчитывать порядка 200 мил-
лионов позиций в секунду, а его максимальная производительность составила
11,38 гигафлопс, что повысило его производительность по сравнению с первой
моделью приблизительно в 2 раза.

Результатом этого стало значительное улучшение рабочей производи-
тельности компьютеров при решении ряда важных и сложных задач (например,
таких, как распознавание изображений), где интеллектуальные машины стали
почти так же хороши, как и люди.

Летом 1997 г. было анонсировано завершение грандиозного проекта по со-
зданию программного продукта понимания речи, начало которого было поло-
жено в 1975 г. профессором Университета Карнеги-Меллона Д. Бейкером.
Для работы под управлением операционной системы Windows 95 компания
Dragon Systems (корпорация по выпуску программ распознавания голоса, осно-
ванная Д. К. Бейкер и Д. М. Бейкер) в июне 1997 г. выпускает на рынок про-
грамму распознавания голоса — Naturally Speaking v 1.0. Опа становится первой
массовой программой для непрерывной диктовки, и это еще одна посильная
технологиям искусственного интеллекта задача, но уже в направлении устного
перевода. На заре XXI в. человечество начинает задаваться вопросом предела
возможностей искусственного интеллекта и расширения сферы его влияния
на быт человека, а также причин столь быстрого скачка в развитии.

Первые годы XXI в. были периодом значительного прогресса в области
искусственного интеллекта. Так, довольно крупным достижением этого периода
стала разработка самообучающейся нейронной интеллектуальной сети. Так,
к 2001 г. ее производительность уже превзошла людей во многих конкретных
областях (таких, например, как классификация объектов и машинный перевод).

В течение следующих нескольких лет, благодаря усовершенствованиям
базовых технологий, исследователи существенно улучшили производитель-
ность работы компьютеров в решении ряда довольно сложных задач.

Следующим значительным достижением этого периода стала разработка
алгоритмов обучения искусственного интеллекта, с их подкреплением на основе
генеративных моделей. Генеративные модели могут генерировать новые при-
меры из заданного класса задач, что, на основе очень небольшого количества
данных, помогает изучать даже весьма сложные процессы. Например, с их по-
мощью можно научиться управлять автомобилем всего за 20 минут практиче-
ского опыта вождения.

Помимо этих 2 достижений, за последнее десятилетие в области искус-
ственного интеллекта произошло несколько других, довольно значительных, со-
бытий. Так, все большее внимание исследователей было уделено использова-
нию глубоких нейронных сетей, предназначенных для задач компьютерного
зрения (таких, как распознавание объектов и понимание сцены). Также повы-
иенное внимание уделяется использованию инструментов машинного обучения,
предназначенных для задач обработки естественного языка (таких, как извлече-
ние информации и ответы на вопросы). Наконец, быстро растет интерес к ис-
пользованию этих же инструментов для задач распознавания устной речи: таких,
как автоматическое распознавание речи (ASR) и идентификация говорящего (SID).

В первом десятилетии XXI в. вектор измерения возможностей программ,
построенных на алгоритмах ИИ, смещается с логических игр на программные
комплексы, задачей которых является воссоздание процесса мышления чело-
века. Одним из прототипов таких электронных комплексов можно считать пер-
вую общедоступную электронную систему машинного перевода текста Google
Переводчик, появившуюся в 2006 г. на просторах глобальной сети Интернет,
которая осуществляла перевод за счет сформированной базы данных. Она до-
пускала логические ошибки и могла выступать лишь в роли активного помощ-
ника при переводе больших объемов текстов профессиональными переводчи-
ками. За 6 лет своего развития к 2012 г. компьютерный переводчик стал более
точно осуществлять перевод и охватил более 60 языков, получил возможность
голосовой надиктовки текста. Повысив точность и скорость перевода, а также
расширив свой функционал за счет внедрения голосового ввода, технологии
искусственного интеллекта начинают оказывать влияние на культуру общения
между людьми, существенно расширяя национальные границы.

Большого прогресса в своем развитии к 2015 г. достигают интеллектуаль-
ные самообучающие машины, которые начинают доказывать свою эффектив-
ность в области оценки и принятия решений и становятся общедоступными
для человечества. Одной из таких систем, появившихся в 2011 г. и набравших
популярность к 2015 г., является Siri (облачный персонализированный по-
мощник и вопросно-ответная электронная система корпорации Apple). Работая
на алгоритмах программного комплекса, основанного на ИИ, система обраба-
тывает голосовые запросы пользователя и отвечает на его вопросы, выполняет
поручения и дает какие-либо рекомендации, например, поставить будильник,
чтобы нс проспать на работу.

Вместе с развитием технологий искусственного интеллекта возник эффект
под названием Al Effect. Его суть заключается в том, что как только при помощи
технологий ИИ человечество решает недосягаемую ранее задачу (будь то игра
в шахматы, решение сложнейших алгоритмов и выполнение неформализован-
ных задач), то она перестает считаться приоритетной целью для ЭВМ под управ-
лением технологий искусственного интеллекта.

В 2021 г. французское Agence Nationale de la Recherche в партнерстве
c AFD запустило проект IA-Biodiv Challenge, направленный на поддержку иссле-
дований в области биоразнообразия, основанных на искусственном интеллекте
(AFD, nd).

Такие гранты могут поддержать инвестиции в исследования и разработки
в области искусственного интеллекта в развивающихся странах. Это могло бы
включать создание и поддержку центров передового опыта исследований, таких
как Африканский исследовательский центр искусственного интеллекта (ARCAI)
в Демократической Республике Конго (ДРК) и др. Кроме того, канадский центр
исследований международного развития в сотрудничестве со Шведским агент-
ством международного развития и сотрудничества запустил инициативу «Искус-
ственный интеллект для развития в Африке» (AI4D). Это партнерство с инве-
стициями в размере 20 млн канадских долларов в течение 4 лет направлено
на поддержку африканских стартапов в области искусственного интеллекта.

2.11.	Современный этап развития искусственного интеллекта

Искусственный интеллект был инициирован как область исследований
в 1956 г. и развивается по особым траекториям, складывающимся в циклы (см.
рис. 12). Сейчас мы находимся на том этапе, когда можем более четко видеть,
каковы альтернативы в области развития искусственного интеллекта [103].

В Тестирование модели

	Анализ данных

Обработка данных

Сбор данных

	Развертывание

Рис. 12. Жизненный цикл машинного обучения ИИ

Классическая «вычислительная» точка зрения заключалась в том, что по-
знание — это вычисления над представлениями, которые, таким образом, могут
иметь место в любой вычислительной системе, естественной или искусственной.
Согласно этой классической точке зрения, искусственный интеллект и когни-
тивная наука являются двумя сторонами одной медали — эта точка зрения под-
питывала значительную часть философского и теоретического интереса к искус-
ственному интеллекту.

Однако большинство определяющих черт этого старого консенсуса сейчас
находятся под угрозой [104]:

•	вычисления являются цифровыми;

•	репрезентация имеет решающее значение для познания;

*	воплощение, действие и взаимодействие — не имеет решающее значение
для познания;

•	различие между живыми и неживыми агентами неуместно и т. д.
В этой связи, должны ли мы отказаться от классической точки зрения,
должны ли мы дополнить ее или должны ли мы защищать ее перед лицом мод-
ной критики?

Эти философские дебаты отражены в исследованиях технического ИИ,
которые продвигаются вперед (по большей части), независимо от «беспокой-
ства» теоретиков; но некоторые разделы изменились под впечатлением класси-
ческой критики, в то время как новые разработки пытаются полностью изба-
виться от классического багажа.

Учитывая, в каком положении сейчас находимся развитие искусственного
интеллекта, отношение между искусственным интеллектом и когнитивной нау-
кой нуждается в пересмотре — в более широком масштабе это означает, что от-
ношение между техническими продуктами и людьми пересматривается [104].

Дискуссия о будущем искусственного интеллекта ведет в трех разных
направлениях [ 104j.

11ервое — это искусственный интеллект, который продолжает свое разви-
тие, основываясь на технических и формальных успехах, при этом вновь заяв-
ляя о себе первоначальная мечта об универсальном интеллекте (иногда под за-
головком «искусственный общий интеллект»). Это направление связано с ныне
приемлемым представлением о «единственном» событии, когда машины превос-
ходят человеческий интеллект.

Второе направление определяется неприятием классического образа, осо-
бенно его неприятием репрезентации (как в «новом искусственном интеллекте»),
его акцент сделан на воплощении агентов и на «появлении» свойств, особенно
из-за взаимодействия агентов с их окружающей средой.

Третье направление — это внедрение новых разработок в других местах.
Один из таких подходов заключается в том, чтобы начать с нейробиологии;
обычно она фокусируется на динамических системах и пытается моделировать
более фундаментальные процессы в когнитивной системе, чем это делала клас-
сическая когнитивная наука.
Глава 3

КЛАССИФИКАЦИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

3.1.	Методические подходы
к классификации искусственного интеллекта

Обозначение искусственного интеллекта весьма важно, по еще недоста-
точно для обеспечения его объективной количественной оценки. Второй компо-
нент предлагаемой аналитической структуры представляет собой научную так-
сономию, т. е. классификацию технологий, составляющих область искусствен-
ного интеллекта.

До сих пор ведутся дискуссии о том, как их разграничи ть, поскольку боль-
шинство технологий довольно тесно связаны друг с другом. Кроме того, суще-
ствуют также различные таксономии технологий искусственного интеллекта
и в зависимости от целей осуществляемого анализа.

При этом, несмотря на различные классификации, существует набор чи-
стых технологий, составляющих технологическое ядро искусственного интел-
лекта. Сюда входит компьютерное зрение, обработка естественного языка, а так-
же распознавание и синтез речи. Другие области (робототехника, подключенные
и автоматизированные транспортные средства, приложения и услуги искус-
ственного интеллекта) - это не чистые технологии, а сложные продукты, содер-
жащие компоненты искусственного интеллекта.

3.2.	Основные типы искусственных интеллектов

В настоящее время существует 6 основных типов искусственного интел-
лекта, основанных на определенных правилах, дереве решений и нейронных
сетях [69]:

1.	Узкий искусственный интеллект это тип искусственного интеллекта,
который помогает пользователю эффективно выполнять лишь определенную
специальную задачу (рис. 13). Этот тип искусственного интеллекта означает,
что интеллектуальные машины могут автоматически действовать и самостоя-
тельно принимать решения в определенных ситуациях. В частности, беспилот-
ные автомобили, виртуальные помощники и персонализированные аудио- и ви-
деорекомендации — все это примеры узкого искусственного интеллекта.

Искусственный узкий интеллект (ANI) также называется слабым ИИ или
просто ИИ. По сути, это состояние компьютерного программного обеспечения
сегодня. Компьютерные программы проектируются и в основном разрабатыва-
ются людьми-программистами, а процесс от ввода до вывода открыт для про-
верки [80]. Программы обычно специализируются в одной области и могут быть
математически доказаны как безопасные или дружелюбные. Даже в архитекту-
pax на основе моделей, где производство исходного кода частично автоматизи-
ровано, результирующий код проектируется людьми, а результаты выполнения
кода в значительной степени предсказуемы.

Искусственный Узкий
Интеллект (ИУИ)

Общий
Искусственный
Интеллект (ОИИ)

• •

[• <	Lii М

• • 1 •

Jian 1

Машинное
обучение

Специализируется
в одной области и решает
одну проблему
‘В1	Ф W

Sin	Alexa Cortana

Этап-2

Машинный

интеллект

Относится
к компьютеру, который
во всех отношениях
такой же умный, как
человек

1

Искусственный Супер
Интеллект (ИСИ)

►

Этап 3

Машинное

сознание

Интеллект, который
намного умнее, чем
лучшие человеческие
мозги практически
во всех областях

Рис. 13. Типы искусственного интеллекта

При этом полностью беспилотные автомобили уже теперь стали вполне
обыденной реальностью. Tesla — первая компания, создавшая автомобиль со всеми
датчиками, камерами и программным обеспечением, необходимыми для того,
чтобы компьютер самостоятельно управлял автомобилем от начала поездки
и до ее завершения.

2.	Общий искусственный интеллект — это тип искусственного интел-
лекта, который может эффективно выполнять практически любую интеллек-
туальную задачу, практически так же хорошо, как и человек.

Общий искусственный интеллект (AGI) - это уровень искусственного
интеллекта, достигнутый, когда компьютер сравнялся с уровнем интеллекта
человека практически во всех областях, включая рассуждение, планирование,
решение проблем, абстрактное мышление, понимание сложных идей, быстрое
обучение и извлечение уроков из опыта.

Цель создания общего искусственного интеллекта (AGI) — сделать его, как
минимум, равным человеческому интеллекту. Он включает в себя практически
все виды возможных задач, решаемые человеком (такие, как планирование, пе-
редвижение по миру, распознавание объектов и звуков, разговорную речь, пере-
вод, выполнение социальных или деловых операций, творческую работу — созда-
ние произведений искусства или поэзии и т. д.).
Многим инженерам-робототехникам удалось создать человекоподобных
роботов, но они пока еще не обладают интеллектом, равным человеческому.

3.	AI на основе правил основан на наборе заранее определенных правил,
которые применяются к набору входных данных. Затем интеллектуальная си-
стема выдает соответствующий результат.

4.	А1 дерева решений похож на искусственный интеллект, основанный
на правилах, в том, что он, для принятия необходимых решений, использует на-
боры заранее определенных правил. Однако использование метода дерева ре-
шений, для рассмотрения различных вариантов, также допускает определенные
ветвления и циклы.

5.	СуперА! — это такой тип искусственного интеллекта, который позво-
ляет компьютерам понимать человеческий язык и реагировать весьма естест-
венным образом.

Искусственный свсрхинтсллскт (ИСИ) - это уровень искусственного ин-
теллекта [80], достигаемый, когда компьютер экспоненциально превосходит
уровень интеллекта человека на несколько порядков.

6.	Интеллект роботов - это тип искусственного интеллекта, который поз-
воляет роботам обладать сложными когнитивными способностями (включая рас-
суждение, планирование и обучение).

Разговорный искусственный интеллект — это набор технологий, кото-
рые позволяют компьютерам осуществлять устные разговоры и относятся к ис-
пользованию приложений для обмена сообщениями, речевых помощников и чат-
ботов, для автоматизации общения и создания персонализированного обслужи-
вания клиентов в масштабе.

3.3.	Виды искусственного интеллекта

Искусственный интеллект может быть разделен на множество видов [65 .
Так, в частности, технологии искусственного интеллекта можно разделить на
3 разные категории, а именно поведенческие («человеческие») системы, си-
стемы, которые мыслят и действуют рационально, и биологически вдохновлен-
ные системы.

Искусственный интеллект, в зависимости от его уровня сложности и полу-
чаемых возможностей, можно разделить на четыре различных типа: реактивные
машины, ограниченная память, теория разума и самосознающий искусственный
интеллект.

Реактивные машины — это самый простой тип искусственного интел-
лекта, предназначенный для реагирования на определенные (четко локализован-
ные) ситуации или вводимые данные без какой-либо истории или памяти. У них
нет способности формировать воспоминания или использовать прошлый опыт
для обоснования своих будущих действий. Реактивные машины лучше всего
подходят для эффективного решения более-менее простых задач, требующих
весьма быстрого и точного ответа (например, для игры в шахматы).
Системы искусственного интеллекта с ограниченной памятью пред-
назначены для хранения и использования прошлого опыта, а также для обос-
нования своих будущих решений. У них имеется принципиальная возможность
учиться на различных исторических данных и использовать их для существен-
ного улучшения своей деятельности (в том числе — производительности) с тече-
нием времени. Искусственный интеллект с ограниченной памятью обычно ис-
пользуется в системах рекомендаций, обнаружения мошенничества и в других
некоторых приложениях, требующих тщательного анализа собранных данных.

Так, в частности, Netflix использует алгоритмы машинного обучения для вы-
дачи рекомендаций на основе истории просмотров пользователя, а системы об-
наружения мошенничества привлекают исторические данные для выявления
скрытых закономерностей и аномалий, которые могут указывать на появление
мошеннической деятельности.

При использовании теории разума системы искусственного интеллекта
обладают способностью понимать и интерпретировать различные эмоции, убеж-
дения и намерения других агентов. Этот тип искусственного интеллекта необхо-
дим для создания более «человеческого» взаимодействия между людьми и ма-
шинами. Поэтому теория разума искусственного интеллекта находит широкое
применение в социальной робототехнике, виртуальных помощниках и других
областях, требующих межличностного общения.

Так, виртуальные помощники (такие, как Siri или Alexa) могут интерпре-
тировать запросы пользователя и отвечать с учетом его намерений.

Социальные роботы предназначены для взаимодействия с людьми (прежде
всего, пожилыми и с ограниченными возможностями ) наиболее чутким и соци-
ально приемлемым способом.

Системы искусственного интеллекта с самосознанием способны пони-
мать свое состояние и осуществляемые действия и использовать эти знания
для повышения своей производительности. Этот тип искусственного интеллекта
пока остается чисто теоретическим и является предметом многочисленных спо-
ров в области исследований искусственного интеллекта. Считается, что само-
сознающий искусственного интеллект будет способен выполнять такие важные
задачи, как самодиагностика, самовосстановление и самосовершенствование.

3.4.	Машинный сверхразум

Компьютер становится разумной машиной, и есть признаки того, что уро-
вень его интеллекта может в конечном итоге превзойти уровень его создателя-
человека [80]. Эта технология вполне может двигаться к взрыву (момент вре-
мени, когда компьютер способен к рекурсивному самосовершенствованию и са-
мосознанию) искусственного интеллекта. Если такой сценарий станет реально-
стью, то искусственный интеллект (ИИ) быстро перейдет к тому, что сейчас
обычно называют общим искусственным интеллектом (AGI), а затем экспонен-
циально к искусственному суперинтеллекту (ASI), и ожидается, что ASJ будет
на много порядков интеллектуальнее человека.
В настоящее время, для математического изучения свойств машинного
сверхразума, в качестве теоретического инструмента используется универсаль-
ная теория искусственного интеллекта в основном.

Доказательства экспоненциального роста можно найти на протяжении всей
истории человечества. Например, можно получить приблизительные темпы ро-
ста мировой экономики, экстраполируя доход на уровне прожиточного мини-
мума в сочетании с ростом населения с доисторических времен до наших дней [80J.

В то время как на самых ранних этапах эволюции Homo sapiens потребо-
вались сотни тысяч лет, чтобы достичь уровня производительности, необходи-
мого для выживания, после сельскохозяйственной революции тот же рост про-
изводительности был достигнут менее чем за два столетия, а после промыш-
ленной революции - нс более чем за несколько лет.

Существует три основных недавних события, которые значительно уско-
рили развитие технологий AN! [80]:

1)	недорогие параллельные вычисления — доступность облачных вычисле-
ний и графических процессоров, которые могут выполнять большое количество
нейронных сетей параллельно;

2)	огромный объем собранных данных — интернет, выступающий в каче-
стве глобальной базы знаний, стал учебным полигоном для возможностей ANJ;

3)	достижения в области алгоритмов — которые могут оптимизировать ре-
зультаты из слоев нейронных сетей, где каждый слой отвечает за компонент
конечного результата, также называемый глубоким обучением.

Чтобы AN1 перешел к AGI, необходимо достичь того, когда сочетание зна-
ний и огромной вычислительной скорости позволит машине разрабатывать спо-
собы мониторинга как физической среды, так и окружающей социальной сцены
посредством непрерывного анализа огромного объема сенсорных данных и ком-
муникаций между людьми.
Глава 4

ОБУЧЕНИЕ И РАЗВИТИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

4.1.	Прогресс в области искусственного интеллекта

Прогресс в области искусственного интеллекта в основном шел по следу-
ющим направлениям [83].

Первоначально программы были написаны для решения класса задач,
которые представляют для людей интеллектуальную сложность: характерными
примерами являются игра в шахматы или контролеры, доказывающие матема-
тические теоремы, преобразующие одно символическое выражение в другое
по заданным правилам, интегрирующие выражения, составленные из элемен-
тарных функций, определяющие химические соединения, соответствующие масс-
спектрографическим и другим данным.

В ходе разработки этих программ интеллектуальные механизмы большей
или меньшей общности обычно выявляются путем интроспекции, реже — путем
математического анализа, а иногда экспериментами с людьми.

Альтернативный подход — начать с интеллектуальных механизмов (на-
пример, с памяти, принятия решений путем сравнения оценок, составленных
из взвешенные суммы подкритериев, обучения, поиска по дереву, экстраполяции
и т. д.) и обеспечить их решение.

4.2.	Эволюционный подход к искусственному интеллекту

Эволюцию в биосфере [58] часто рассматривают как особый процесс, ве-
дущий к поддержанию или увеличению способности популяции выживать и вос-
производиться в определенной окружающей среде [9]. Эта способность называ-
ется эволюционной приспособленностью [91]. Эволюционные вычисления рабо-
тают путем моделирования популяции особей, а также оценки их производитель-
ности, создания новой популяции и повторения этого процесса несколько раз.

Аналогично эволюционный подход к искусственному интеллекту основан
на вычислительных моделях естественного отбора и генетики.

К настоящему времени известно несколько различных методов искус-
ственных эволюционных вычислений, которые, как правило, сочетают в себе
3 основных метода [91]: генетические алгоритмы, эволюционные стратегии и ге-
нетическое программирование.

Понятие генетических алгоритмов было введено Дж. Холландом в начале
1970-х годов. Он тогда разработал алгоритм манипулирования искусственными
«хромосомами» (строками двоичных цифр), используя такие генетические опе-
рации, как селекция, скрещивание и мутация. Применяемые генетические алго-
ритмы базируются на весьма прочной теоретической основе теоремы о схеме
стохастического поиска, основанного на биологической эволюции.
В начале 1960-х годов, независимо от генетических алгоритмов Холланда,
Инго Рехенберг и Ханс-Пауль Швефель (студенты Берлинского технического
университета) предложили новый метод оптимизации исследования, названный
ими эволюционными стратегиями. Эти эволюционные стратегии были разрабо-
таны специально для решения задач оптимизации параметров в технике и техно-
логиях [91]. Рехенберг и Швефель предложили использовать случайные изме-
нения существующих в практике параметров, как это происходит при естествен-
ной мутации. Фактически, подход эволюционных стратегий можно рассматри-
вать как альтернативу инженерной интуиции исследователя. Эволюционные
стратегии используют процедуру числовой оптимизации, аналогичную целена-
правленному поиску Монте-Карло.

Разработанное на такой основе генетическое программирование представ-
ляет собой применение генетической модели обучения к программированию.
Его цель - разработать не закодированное представление какой-то проблемы,
а компьютерный код, эффективно решающий эту проблему. То есть генети-
ческое программирование создаст компьютерные программы в качестве основ-
ного решения проблем.

В результате реализации такого подхода довольно широкая область искус-
ственного интеллекта включает в себя эволюционные алгоритмы (ЭА), гене-
тические алгоритмы (ГА) и генетическое программирование (ГП). Хотя у них
есть тонкие различия в подходах, все они основаны на биологической эволю-
ции и разрабатывают решения путем «развития» популяций потенциальных
решений, которые оцениваются на основе функции приспособленности [107].
Они часто требуют очень больших вычислительных затрат, что может быть
непомерно дорого для онлайн-обучения, однако все еще существует несколько
приложений, в которых эволюционные вычисления (ЕС) используются для ои-
лайн-регулировки параметров в 1С.

4.3.	Нечеткая логика

Еще одна очень важная инновационная технология, работающая с рас-
плывчатыми, неточными и неопределенными знаниями и данными, - это техно-
логия нечеткой логики. Большинство методов обработки неточностей в класси-
ческих экспертных системах основаны на концепции вероятности. Нечеткая
логика определяется как набор математических принципов представления зна-
ний, основанных на степенях членства (рис. 14).

О 0	0 1	1	1 О О 0.2 0.4 0.6 0.8	1 1

U	I/

Рис. 14. Диапазон логических значений в булевой и нечеткой логике:
а — булева логика; б — многозначная логика
Название этой области отражает ее основную характеристику работы с ча-
стичной истиной для развития логических рассуждений, В основе нечеткой ло-
гики лежит концепция лингвистической переменной. Значениями лингвистиче-
ской переменной являются слова, а нс числа.

Подобно экспертным системам, нечеткие системы используют правила
ЕСЛИ-TO для включения человеческих знаний, но эти правила являются нечет-
кими, например, [91]:

•	ЕСЛИ скорость высокая, ТО тормозной путь длинный;

•	ЕСЛИ скорость низкая, ТОГДА тормозной путь короткий.

Одним из преимуществ нечеткой логики (FL) является ее способность
использовать экспертные знания при проектировании контроллера и, следова-
тельно, интерпретируемость полученной схемы управления. Схемы управле-
ния FL также обычно используются неинтеллектуальным способом, когда их
закон управления не обновляется онлайн, но их также можно использовать
разумно, регулируя их параметры во время работы.

Однако, хотя нечеткие системы позволяют выражать экспертные знания
более естественным образом, но они по-прежнему зависят от правил, получен-
ных от экспертов, и поэтому могут быть умными или глупыми. Так, некоторые
эксперты могут предложить очень умные нечеткие правила, ио некоторые про-
сто догадываются и даже могут ошибаться. Поэтому все правила необходимо
тестировать и настраивать, а это может оказаться длительным и утомительным
процессом.

4.4.	Машинное обучение

Текущей центральной парадигмой искусственного интеллекта является
машинное обучение, поэтому целесообразно рассмотреть некоторые наиболее
важные его особенности развития [69]:

Машинное обучение (ML) представляет собой особый раздел изучения и
применения специальных алгоритмов, которые самостоятельно учатся на преж-
них примерах и предыдущем опыте. При этом машинное обучение основано
на идее, что некоторые закономерности в данных могут быть идентифициро-
ваны и использованы для осуществления будущих прогнозов. В этом случае,
основное отличие от правил жесткого кодирования состоит в том, что интеллек-
туальная машина учится самостоятельно находить такие правила.

Машинное обучение - это область искусственного интеллекта, которая
фокусируется на разработке алгоритмов и моделей, которые позволяют компь-
ютерам самостоятельно учиться и делать объективные прогнозы или выдавать
весьма эффективные решения, созданные па основе полученных и проанализи-
рованных многочисленных данных.

Машинное обучение - это «союз» статистики и информатики, зародив-
шийся в искусственном интеллекте [65]. Так, в то время как статистика занима-
ется вопросом о том, какие выводы можно сделать из данных, полученных с но-
73
мощью соответствующей статистической модели, то информатика занимается
разработкой специальных алгоритмов для решения данной вычислительной за-
дачи, которая была бы неразрешимой без помощи компьютера.

Вероятно, справедливо будет сказать, что, как и статистика, глубокое
обучение (или машинное обучение в целом) направлено на получение выводов
из полученных данных [65].

Слово «обучение» в этой технологии означает, что используемые алго-
ритмы зависят от наличия, количества и качества основных данных, принятых
в качестве обучающего набора для точной настройки некоторых основополага-
ющих параметров такой модели. Это включает в себя определенное множество
методов (таких, как регрессия, метод Байеса, контролируемая кластеризация
и т. д.).

Так, искусственный интеллект использует методы теории вероятностей
и разработки специальных алгоритмов, предназначенных для решения разно-
образных практических задач.

Кроме того, этот метод включает в себя и другие различные инструменты,
которые позволяют интеллектуальным машинам обучаться без постоянного про-
граммирования их людьми. Для чего первоначально люди вводят в систему ма-
шинного обучения большие объемы данных. Затем они дают системе желае-
мый результат. Система машинного обучения пытается найти связь между ними.
Затем интеллектуальная машина вырабатывает определенный алгоритм на ос-
нове входных и заданных выходных данных.

Машинное обучение происходит намного быстрее, чем компьютерное про-
граммирование интеллектуальных систем, осуществляемое людьми. Вместо яв-
ного программирования каждого возможного шага алгоритмы машинного обу-
чения могут анализировать и находить закономерности и аномалии в данных,
чтобы сделать эффективные интеллектуальные прогнозы или предпринимать
определенные необходимые действия. Это позволяет интеллектуальным систе-
мам со временем улучшать свою эффективность и производительность, без не-
обходимости явного дополнительного программирования для каждой конкрет-
ной задачи.

Например, платформы социальных сетей используют системы специаль-
ных рекомендаций. Эти интеллектуальные системы самостоятельно выбирают,
какой контент показывать пользователю. Для чего входные данные включают
историю просмотров пользователя, его лайки и основные предпочтения его дру-
зей. Они также включает личную информацию пользователя (такую, как пол
и возраст). Желаемый результат — это увеличение продолжительности времени,
которое пользователь проводит на этой платформе. Чем дольше пользователь
проводит там времени, тем больше денег может заработать компания социаль-
ных сетей, размещая здесь рекламу. Таким образом, задача интеллектуальной ма-
шины — выяснить, какой контент заставит пользователя дольше остаться на сайте.

Машинное обучение становится в настоящее время «технологией общего
назначения», поскольку оно широко распространено, может со временем улуч-
шаться и потенциально может порождать дополнительные инновации.
4.5.	Технологии машинного обучения

Обучение остается наиболее сложной областью для развития искусствен-
ного интеллекта. Однако, имеющийся успех программ машинного обучения
предполагает существование набора общих принципов обучения [87], которые
позволят создавать эффективные программы с возможностью обучения в реа-
листичных областях.

Исследователи искусственного интеллекта М. Мински и Маккарти, для обу-
чения интеллектуальных машин, использовали символический подход, который
включал создание ряда логических, пошаговых, правил, по которым компьютер
мог бы делать что-то так же хорошо (как считали эти исследователи), как это
делают люди.

Другие ученые-компьютерщики, чтобы упростить процесс обучения ин-
теллектуальных машин, использовали методы эвристики или эмпирические пра-
вила. По своей сути, эти символические системы искусственного интеллекта
пытаются представить человеческие знания в логической форме фактов и чет-
ких правил.

Однако, хотя этот подход и позволил добиться довольно впечатляющих
результатов в области слабого искусственного интеллекта, он даже отдаленно
не достиг общего искусственного интеллекта, и исследования в этом направле-
нии были приостановлены.

Дальнейшее развитие этого процесса представляет способ, получивший
название машинное обучение - это разновидность искусственного интеллекта,
ориентированная на то, чтобы компьютеры предоставляли решение проблем
без их явного дополнительного программирования человеком.

В целом машинное обучение включает в себя определенные адаптивные
механизмы, которые позволяют компьютерам учиться на опыте, на примерах
и по аналогии. Поэтому существует 3 основных типа машинного обучения:
обучение с учителем, обучение без учителя и обучение с подкреплением.

Основное различие между обучением с подкреплением и другими пара-
дигмами машинного обучения заключается в том [65], что обучение с подкреп-
лением связано не только с прогнозируемой эффективностью, но и с поиском
курса действий («политики») при данных (или предполагаемых) условиях окру-
жающей среды, который приводит к максимизации ранее заданного критерия
качества (вознаграждения).

Эта цель включает в себя высокую способность к прогнозированию в ка-
честве промежуточного шага, по выходит за рамки этого в отношении своей
цели, поскольку она требует от ИИ соответствующих ситуации действий в ка-
честве выходных данных системы [65]. Следовательно, с помощью обучения
с подкреплением искусственный интеллект «самостоятельно изучает страте-
гию решения проблемы или задания».
Также известен еще один метод машинного обучения — классификация.
Основная цель подобной классификации - создание такой модели, которая по-
может классифицировать существенные признаки изучаемого объекта. Груп-
пировка объектов в классы помогает представить решаемую проблему в аб-
страктной форме.

Обучение под присмотром (обучение с учителем) - это технологический
процесс, в котором интеллектуальные машины, подлежат обучению с использо-
ванием помеченных данных. В этом процессе интеллектуальная машина обуча-
ется, когда ей предоставляют доступ к огромному количеству данных и обучая
машину анализировать их.

Некоторые алгоритмы обучения интеллектуальных машин, использующих
такую технологию, стали известны как алгоритмы «контролируемого обуче-
ния». Основной характеристикой этого типа обучения является то, что обучаю-
щий набор содержит правильный «ответ» для каждого входа. Анализируя мно-
жество помеченных точек данных и исторические примеры ранее решенных
аналогичных проблем, алгоритмы контролируемого обучения могут помочь ре-
шить аналогичные проблемы в новых, несколько других, обстоятельствах.

Для чего этот обучающий набор передается в контролируемый алгоритм
машинного обучения с целью создания прогнозной модели. После создания та-
кой модели пользователь может ввести в нес свою форму, и модель классифи-
цирует ее в соответствии с тем, что она узнала из ранее полученных примеров
в обучающем наборе.

Например, интеллектуальной машине предоставляется ряд изображений
собак (рис. 15), сделанных под разными углами, с различными цветовыми вари-
ациями, породами, размерами и многим другим разнообразием.

Fnt. 15. Илииралкиния. иииак

Таким образом, интеллектуальная машина учится анализировать данные
из этих разнообразных изображений собак, и се «понимание» продолжает расти,
и вскоре такая машина может утверждать, является ли показанное изображение,
например, собакой или чем-то иным, по совершенно другим изображениям, ко-
торые даже нс были частью размеченного набора данных.
Обучение без присмотра. Если данные для обучения интеллектуальных
машин не имеют «ответа» для каждого из приведенных примеров, то целесооб-
разно использовать алгоритм классификации «обучения без учителя». В каче-
стве алгоритмов в этом случае применяются кластерный анализ и анализ потре-
бительской корзины. Поэтому этот тип обучения без учителя получил еще одно
название «кластеризация данных». В машинном обучении такой алгоритм со-
здает необходимую модель путем группировки кластеров одинаковых данных.

Одним из применений кластеризации является «обнаружение аномалий»
(рис. 16). Кластеризуя обучающие данные, пользователь может определять от-
дельные выбросы данных, а затем на основе этого аспекта принимать те или
иные оптимальные решения.

Диагностика

Значимое
сжатие

Открытые
структуры

Классификация
изображений

Ротация
клиентов

Визуализация
больших
данных

Обнаружение
мошенничества
с личными данными
Будущие

колебания

Целевой
маркетинг

Прогноз
популярности
рекламы

Сегментация
клиентов

Прогнозирование
погоды

Прогнози рование
рынка

Оценка
продолжительности
жизни

Решение
в реальном
времени

Рекомендательные
системы

Машинное

обучение

Контролируемое
обучение

Прогноз
роста
населения

Робот-
навигатор

Рис. 16. Механизм развития типов обучения машин

В отличие от обучения с учителем, алгоритмы обучения интеллектуаль-
ных машин без учителя включают в себя анализ немаркированных данных, т. е.
в этом случае машина самостоятельно обучается анализировать и учиться на ос-
нове изучения серии данных. В этом случае интеллектуальная машина ищет
любые возможные закономерности и аномалий (в том числе и неявные или скры-
тые), и уже на основе их предварительного анализа самостоятельно делает вы-
воды о их природе.
При этом целесообразно отметить, что набор данных, используемый в этом
случае, не помечен, а выводы делаются интеллектуальными машинами полно-
стью самостоятельно.

11омимо обучения на основе обучающих данных, целесообразно что бы ин-
теллектуальные машины обучались на своих собственных ошибках. Это обуче-
ние проходит через цикл обратной связи, в котором пользователь оценивает вы-
ходные данные, которые затем, в свою очередь, предоставляют дополнитель-
ные входные данные для обновления прогнозной модели. Такой вид обучения
машин известен, как «обучение с подкреплением» (разработанное М. Мински
в 1951 г.).

Обучение с подкреплением - это модель машинного обучения, завися-
щая от наличия и свойств обратной связи. В этом процессе интеллектуальной
машине передаются все данные, и опа предсказывает, что это были за данные.
Если машина формирует неточный вывод о входных данных, то она получает
обратную связь о его некорректности. Например, если интеллектуальная машина
получает изображение баскетбольного мяча, и если она его идентифицирует как
теннисный мяч или что-то еще, то машина выходит на отрицательную обратную
связь, и в конечном итоге она учится распознавать изображение баскетбольного
мяча самостоятельно.

Обучение с подкреплением использует подход, аналогичный поведенче-
ской психологии человека. Однако, вместо обучения модели с помощью пред-
определенных обучающих наборов (т. с. когда пользователь заранее знает про-
писанные ответы), как при обучении с учителем, обучение с подкреплением от-
мечает алгоритм, когда он выполняет правильное действие (поведение).

4.6.	Глубокое обучение

Глубокое обучение (DL) представляет собой особую подобласть машин-
ного обучения, т. е. это такая разновидность машинного обучения, которая ис-
пользует искусственные нейронные сети для обработки огромных объемов дан-
ных и последующего самостоятельного обучения интеллектуальных машин.

Глубокое обучение - это раздел машинного обучения, использующий кон-
цепцию компьютеров, моделирующих осуществляемый процесс, который чело-
веческий мозг обычно использует для анализа, мышления и своего обучения.

Необходимо отметить, что для обучения глубокому обучению требуется
огромное количество разнообразных данных и довольно мощное вычислитель-
ное устройство, предназначенное для таких методов вычислений.

Глубокое обучение, по-видимому, представляет собой наиболее много-
обещающий технологический подход [65]: программное обеспечение больше
не требуется для операций с большими объемами данных. Это оказалось обу-
словлено тем, что начинают проявляться ограничения новой технологии, по-
скольку объемы данных не всегда доступны в желаемом качестве и количестве.
Глубокое обучение уже доказало свою высокую эффективность (рис. 17)
в решении таких задач, как распознавание изображений, обработка естествен-
ного языка и распознавание речи.

Рис. 17. Производительность глубокого обучения [66

Концептуально эта диаграмма иллюстрирует то, как производительность
алгоритмов глубокого обучения интеллектуальных систем улучшается с уве-
личением объема используемых данных, количество которых растет с экспонен-
циальной скоростью.

Здесь необходимо выделить следующие довольно важные аспекты [75].

Во-первых, этот подход обеспечивает значительно улучшенную способ-
ность искусственного интеллекта обрабатывать довольно большие объемы не-
структурированных данных, находя в них значимые закономерности, аномалии
и идеи.

Кроме того, глубокое обучение дает возможность искусственному интел-
лекту разрабатывать модели на основе самых разных данных, представленных
в виде неструктурированного текста, изображениями, аудио- и видеоконтентом.

Наконец, массовый параллелизм глубокого обучения позволяет использо-
вать несколько вычислительных ядер компьютеров, служащих для обеспече-
ния максимизации общей производительности, а также значительного ускорения
обучения (например, с появлением графических процессоров).

Все же, в большинстве применяемых моделей глубокого обучения отсут-
ствует способность объяснять, как решается та или иная проблема [65], что даже
при том, что получаемый вывод из данных может работать хорошо, механизмы,
лежащие в основе осуществляемых прогнозов, недостаточно понятны.

Несмотря на это, глубокое обучение является целостным процессом [65],
который включает теоретические (например, аппроксимационные) свойства ис-
кусственных нейронных сетей в сочетании с практическими числовыми алгорит-
мами, которые используются для их обучения, не выходя за пределы математи-
ческой структуры и изучения эпистемологических последствий этой структуры.
^.7. Искусственная нейронная сеть

Исследования и разработки в области искусственных нейронных сетей
позволили выработать принципиально новый подход к разработке искусствен-
ного интеллекта.

Нейронную сеть можно определить, как модель рассуждения, основанную
по аналогии с работой человеческого мозга, т. е. она представляет собой попытку
смоделировать искусственный интеллект на основе биологических нейронов
человеческого мозга. Это метод представляет собой развитие «снизу вверх»,
поскольку он анализирует базовые данные, находя возможные закономерно-
сти, взаимосвязи и т. д., чтобы прийти к объективным результатам и выводам.

Технология нейронных сетей предлагает более естественное взаимодей-
ствие с реальным миром, чем интеллектуальные системы, основанные на симво-
лическом рассуждении. Так, нейронные сети могут обучаться и адаптироваться
к изменениям в проблемной среде, устанавливать и выявлять существующие
закономерности и аномалии в ситуациях, когда правила неизвестны, и иметь
дело с нечеткой или неполной информацией [91]. Однако, в настоящее время
им не хватает средств объяснения, и они обычно действуют как черный ящик.
Процесс обучения нейронных сетей с использованием современных технологий
идет медленно, и зачастую возникает необходимость довольно частого переобу-
чения, которая может вызвать серьезные трудности при их эксплуатации.

Один из ключевых вопросов, касающихся машинного обучения с исполь-
зованием (глубоких) нейронных сетей, связан с их способностью обобщать дан-
ные [65], выходящие за рамки полученных данных, используемых на этапе обу-
чения.

Для этого, основной задачей нейронной сети является обучение искус-
ственных нейронов правильно различать неизвестный набор данных, который
следует тем же базовым правилам, что и шаблоны классификации, используемые
для обучения нейронной сети, от данных, которые не следует таким шаблонам
классификации [65].

Для этой цели нейронная сеть, состоящая из искусственных нейронов,
обучается с использованием исходного набора данных с помеченными данными,
которым уже правильно назначены выходные данные, чтобы результат этого
обучения можно было использовать для классификации паттернов, которые все
еще неизвестны [65].

Основная идея здесь заключается в том, что обученный нейрон применяет
закономерности, обнаруженные в обучающих данных (т. е. в прошлых наблюде-
ниях), к будущим или ненаблюдаемым данным, предполагая, что эти законо-
мерности являются постоянными [65].

Искусственные нейронные сети были созданы по аналогии биологиче-
скими нейронами человеческого мозга и состоят из слоев, связанных между со-
бой узлами (рис. 18), называемых «нейронами», которые содержат устаповлен-
ные математические функции, предназначенные для обработки входящих дан-
ных и прогнозирования выходных значений. На диаграмме каждый круг пред-
ставляет отдельный узел, а каждый столбец узлов представляет собой отдель-
ный слой.

Входной слой

Скрытые слои

Выходной слои

Рис. 18. Узлы и слои нейронной сети

Искусственная нейронная сеть состоит из ряда очень простых и тесно вза-
имосвязанных процессоров, обусловленные работой нейронов, которые анало-
гичны биологическим нейронам в мозге человека [91]. Эти нейроны соединены
взвешенными связями, передающими электрические сигналы от одного нейрона
к другому. Каждый такой нейрон получает ряд входных электрических сигналов
через свои соединения; однако он никогда не производит более одного выход-
ного электрического сигнала. Выходной электрический сигнал передастся че-
рез исходящее соединение нейрона (соответствую]нее биологическому аксону).

Она состоит как минимум из 3-х слоев: входного слоя, скрытых слоев и
выходного слоя. Каждый слой содержит узлы (также известные как нейроны),
которые имеют взвешенные входные данные, которые вычисляют выходные
данные.

При этом, глубокое обучение нс означает, что интеллектуальная машина
изучает более глубокие знания, т. к. она использует разные уровни для своего
обучения на основе больших данных. Глубина такой модели представлена ко-
личеством слоев в ней. Например, модель распознавания изображений Google
LeNet насчитывает 22 слоя.

Вдохновленные структурой и функционированием человеческого мозга,
алгоритмы машинного глубокого обучения анализируют поступающие данные
через слои взаимосвязанных узлов (нейронов), чтобы извлечь сложные законо-
мерности и сделать весьма точные прогнозы.

Таким образом, нейронная сеть представляет собой группу связанных бло-
ков ввода-вывода, где каждое соединение имеет свой определенный вес, связан-
ный с его компьютерными программами.
Исходящее соединение, в свою очередь, разбивается на ряд ветвей, пере-
дающих один и тот же электрический сигнал (сигнал между этими ветвями никак
не делится). Исходящие ветви заканчиваются на входящих соединениях других
нейронов сети.

Эта модель основана на аналогии с нервной системой человека. Это помо-
гает пользователю осуществлять прогнозные модели на основе больших баз дан-
ных. 11ользователь может использовать эту модель для более лучшего понима-
ния изображений, компьютерной речи и т. д.

Чтобы построить искусственную нейронную сеть, сначала необходимо
решить, сколько нейронов для этого понадобится и как их следует соединить
для формирования этой сети. Другими словами, сначала следует выбрать сете-
вую архитектуру. Затем необходимо решить, какой алгоритм обучения более
целесообразно использовать. И, наконец, необходимо осуществить обучение
нейронной сети, т. е. нужно инициализировать имеющиеся веса такой сети и об-
новить их на основе набора обучающих примеров.

Искусственная нейронная сеть может самостоятельно учится на различных
примерах (подобно тому, как люди учатся у своих родителей, учителей и сверст-
ников).

4.8.	Отличия между машинным обучением и нейронной сетью

Различия между машинным обучением и нейронной сетью можно понять
на примере осуществления классификации изображений [92].

Так, при использовании подхода машинного обучения, сначала извлека-
ются некие особенности (например, форму лица и расстояние между зрачками
относительно расстояния между лбом и подбородком) объекта.
Затем эта модель, в соответствии с этими функциями, будет корректиро-
вать свой обучаемый параметр.

При использовании подхода глубокого обучения (DL), модель прини-
мает изображение целиком и передает его через нейронную сеть (рис. 19).

Рис. 19. Нейронная сеть

Такая сеть обычно запрограммирована на разрезание изображения и ис-
пользование каждого фрагмента в качестве входных данных для каждого вход-
ного узла (эти узлы на рисунке расположены на левой стороне). При этом изоб-
ражение будет разделено следующим образом:
Теперь каждый входной узел такой нейросети будет самостоятельно извле-
кать из каждого среза какой-то определенный важный признак и передавать его
следующему, соседнему, узлу, чтобы найти другой важный признак и так далее.
Этими важными признаками и особенностями может быть что угодно (например,
цвет волос, форма глаз, форма губ и так далее). В результате DL интенсивно
использует графический процессор, поскольку каждый узел выполняет сложные
вычисления для извлечения и изучения определенных специфических функций.
Именно поэтому модели DL гораздо более точны по сравнению с моделями ML.
При этом, узлы самостоятельно изучают функции изображения и т. д.

В настоящее время используются как символический искусственный
интеллект, так и методы искусственных нейронных сетей. Обусловлен та-
кой дуализм тем, что оба эти метода имеют свои уникальные возможности и луч-
ше всего работают в принципиально разных областях. Так, например, символи-
ческий искусственный интеллект обеспечил создание компьютера, способного
обыграть человека в шахматы, а глубоко мыслящие искусственные нейронные
сети создали инновационную технологию, которая может распознавать лицо
пользователя и его голос на мобильном телефоне.

4.9.	Инструменты и технологии, необходимые
для реализации проектов машинного обучения

11роекты машинного обучения (ML) требуют разнообразных инструментов
и технологий, охватывающих сбор и предварительную обработку данных, разра-
ботку моделей, обучение и развертывание алгоритмов машинного обучения (63].
Выбор инструментов часто зависит от масштаба проекта, сложности и конкрет-
ных требований.

1.	Языки программирования.

Python: самый популярный язык для машинного обучения благодаря своей
простоте и обширной доступности библиотек (например, TensorFlow, Ру Torch,
Scikit-lcam).
2.	Библиотеки и фреймворки.

TensorFlow и Keras: библиотеки с открытым исходным кодом для числен-
ных вычислений и машинного обучения, позволяющие создавать и обучать мо-
дели в больших масштабах.

Scikit-learn: Библиотека Python, предлагающая простые и эффективные
инструменты для добычи и анализа данных. Она построена на NumPy, SciPy
и matplotlib.

NumPy и SciPy: основные пакеты для научных вычислений на Python,
включая линейную алгебру, преобразование Фурье и возможности случайных
чисел.

3.	Инструменты визуализации данных.

Matplotlib: библиотека Python для построения 20-графиков, которая поз-
воляет создавать рисунки печатного качества в различных форматах и интерак-
тивных средах.

Seaborn: библиотека визуализации Python на основе Matplotlib, которая
предоставляет высокоуровневый интерфейс для рисования привлекательных
статистических графиков.

Plotly: графическая библиотека, которая позволяет создавать интерактив-
ные графики, пригодные для публикации в Интернете.

4.	Интегрированные среды разработки (IDE) и блокноты.

Jupyter Notebook: свободно распространяемое веб-приложение, позволяю-
щее создавать и обмениваться документами, содержащими живой код, уравне-
ния, визуальный контент и повествовательный текст.

Google Colab: бесплатная среда Jupyter Notebook, не требующая настройки
и работающая полностью в облаке с бесплатным доступом к вычислительным
ресурсам, включая графические процессоры.

PyCharm, Visual Studio Code, Spyder: популярные среды IDE, предлага-
ющие расширенные функции кодирования, отладки и тестирования для разра-
ботки на Python.

5.	Платформы машинного обучения.

AWS SagcMakcr, Google Cloud AI Platform, Azure Machine Learning Studio:
облачные платформы, предлагающие инструменты для разработки, обучения и
развертывания моделей машинного обучения в масштабе. Они предоставляют
доступ к вычислительным ресурсам, управляемым сервисам для обработки дан-
ных и обслуживания моделей.

6.	Инструменты развертывания и обслуживания модели.

Docker: платформа для разработки, доставки и запуска приложений, поз-
воляющая отделить приложения от инфраструктуры.

Kubcrnctcs: система с открытым исходным кодом, автоматизирующая раз-
вертывание и управление контейнеризированными приложениями.

TFServing, TorchServe: инструменты, специально разработанные для об-
служивания моделей TensorFlow и PyTorch соответственно в производственных
средах.
7.	Инструменты контроля версий и совместной работы.

Git: Распределенная система управления версиями, которая является бес-
платной и имеет открытый исходный код, разработанная для быстрого и эффек-
тивного управления проектами любого размера.

GitHub, GitLab, Bitbucket: платформы, предлагающие хостинг для разра-
ботки программного обеспечения и управления версиями с использованием Git.

8.	Хранение и управление данными.

Базы данных SQL (MySQL, PostgreSQL): реляционные системы управ-
ления базами данных, использующие SQL (язык структурированных запросов)
для управления данными.

Базы данных NoSQL (MongoDB, Cassandra): системы управления базами
данных, предназначенные для хранения и извлечения данных в форматах, отлич-
ных от традиционных табличных структур, используемых в реляционных базах
данных.

4.10.	Проблемы разработки искусственного интеллекта

Искусственный интеллект, способный действовать разумно в мире, дол-
жен иметь общее представление о мире, в терминах которого интерпретируются
его входные данные.

Проблема разработки искусственного интеллекта заключается в том, что
теория, лежащая в его основе, предполагает наличие бесконечных вычисли-
тельных ресурсов. Хотя это значительно упрощает математические определения
и последующий научный анализ, но это также означает, что эти модели не могут
быть напрямую реализованы как алгоритмы искусственного интеллекта.

Были предприняты попытки уменьшить масштаб этих проблем, однако
до сих пор ни один из этих рассмотренных методов не привел к созданию прак-
тических эффективных алгоритмов, которые были бы приняты основной тен-
денцией.

Кроме того, в разработке искусственного интеллекта были выявлены сле-
дующие серьезные проблемы (88]:

•	высокие требования к изначальной квалификации пользователей и разра-
ботчиков. Это предопределено тем, что технологии искусственного интеллекта
не были ориентированы на широкий круг разработчиков и пользователей интел-
лектуальных систем и, следовательно, не получили массового распространения;

•	современные информационные технологии оказались не ориентированы
па широкий круг разработчиков прикладных компьютерных систем;

•	отсутствует общеунифицированное решение проблемы семантической
совместимости компьютерных систем. Отсутствуют подходы, позволяющие ин-
тегрировать научные и практические результаты в области искусственного ин-
теллекта, что порождает высокую степень дублирования результатов и множе-
ство неунифицированных форматов представления данных, моделей, методов,
инструментов и платформ;
•	наблюдается отсутствие мощных средств проектирования интеллектуаль-
ных компьютерных систем (в том числе - интеллектуальных обучающих подси-
стем, подсистем коллективного проектирования компьютерных систем и их ком-
понентов, подсистем верификации и анализа компьютерных систем, подсистем
компонентного проектирования компьютерных систем);

•	имеются длительные сроки разработки интеллектуальных компьютерных
систем и высокая сложность их сопровождения;

•	наблюдается высокая степень зависимости технологий искусственного
интеллекта от платформ, на которых они реализуются, высока, что приводит
к существенным изменениям технологий при переходе на новые платформы;

•	наблюдается высокая степень зависимости технологий искусственного
интеллекта от предметных областей, в которых эти технологии используются;

•	наблюдается высокая степень зависимости интеллектуальных компью-
терных систем и их компонентов друг от друга, отсутствие их автоматической
синхронизации. Отсутствие самодостаточности систем и компонентов, их спо-
собности функционировать отдельно друг от друга без потери целесообразности
их использования;

•	увеличение времени решения задачи при расширении функциональных
возможностей решателя задач и при расширении базы знаний системы;

•	отсутствие методов проектирования интеллектуальных вычислительных
систем. Обновление вычислительных систем зачастую сводится к разработке
различного рода «заплаток», устраняющих нс причины выявленных недостатков
обновляемых вычислительных систем, а лишь некоторые следствия этих причин;

•	имеется плохая приспособленность современных вычислительных си-
стем к эффективной реализации даже существующих моделей представления
знаний и моделей решения трудно формализуемых задач, что требует разработки
принципиально новых вычислительных систем;

•	наблюдается высокая степень зависимости технологий искусственного
интеллекта от платформ, на которых они реализуются, что приводит к суще-
ственным изменениям технологий при переходе па новые платформы;

•	наблюдается высокая степень зависимости технологий искусственного
интеллекта от предметных областей, в которых эти технологии используются;

•	отсутствует единый подход к выделению повторно используемых компо-
нентов и формированию библиотек таких компонентов, что приводит к высокой
сложности повторного использования и интеграции ранее разработанных ком-
понентов в новые компьютерные системы;

•	существует множество семантически эквивалентных реализаций моде-
лей решения задач, дублирование компонентов базы знаний и пользователь-
ского интерфейса, различающихся нс сутью этих компонентов, а формой пред-
ставления обрабатываемой.информации.
Глава 5

ИНТЕЛЛЕКТУАЛЬНОЕ УПРАВЛЕНИЕ
ТЕХНИЧЕСКИМИ СИСТЕМАМИ

Сочетание искусственного интеллекта с теориями автоматического управ-
ления и исследования операций называется «интеллектуальным управлением»
(IC) [107].

С тех пор, как этот термин был впервые введен в практику, IC привлекла
большое внимание во многих приложениях управления. Его применение ши-
рокомасштабно и особенно полезно в робототехнике и других автономных ма-
шинах, которые стремятся свести к минимуму вмешательство человека [107].
Из-за его широкого использования произошла «терминологическая война», в ко-
торой существовало несколько конкурирующих определений различных поня-
тий в 1С, особенно «адаптивного» и «обучающегося» управления. В дальней-
шем появились конкретные определения различных концепций, касающихся 1С.

Задачу управления, в которой практически все известно о системе, можно
очень просто решить, используя давно известные и понятные методы. Учет
неопределенностей еще больше усложняет эту задачу. Здесь мы предполагаем,
что уровень интеллекта системы управления связан с уровнем неопределенности
во время проектирования: более интеллектуальные контроллеры справляются
с более высокими уровнями неопределенности.

5.1.	Определение интеллектуального управления

Как и многие новые концепции, термин «Интеллектуальное управление»
(IC) очень быстро стал широко использоваться и даже довольно часто злоупо-
треблялся многими учеными как из сообщества специалистов по управлению,
так и из более широких областей [107]. Это затруднило создание подходящего
определения 1С, поскольку оно широко использовалось для описания разроз-
ненных концепций.

Интеллектуальная система управления (ГС) спроектирована так, что она
может автономно достигать цели высокого уровня (рис. 20), в то время как ее
компоненты, цели управления, модели объекта и законы управления нс полно-
стью определены, либо потому, что они не были известны во время проектиро-
вания, либо потому, что они неожиданно изменились.

Это важно показывает, что системы IC имеют дело не только с системными
неопределенностями, но и со случаями, когда у контроллера нет четко опреде-
ленных целей или структур [107]. Саридис даст более общее определение ИК
как взаимодействия трех областей: искусственного интеллекта, исследования
операций и систем автоматического управления (рис. 21). Это основано на опре-
делении, где системы ИС представляются как пересечение искусственного ин-
теллекта и автоматического управления.

Уровень человеческого интеллекта

Обучение с RLH F

интеллект (ANI)

Искусственный
сверхинтеллект

Как управлять
' ASI

Функционирование

С точки зрения управления

Какое решение

Несогласованное решение

Направлять ASI (искусственный
сверхингеллскт) на согласование с
целями человека	Согласованное решение

Рис. 20. Управление и надзор в искусственном интеллекте [77]

Системы управления обучением можно считать интеллектуальными, если
они включают методы искусственного интеллекта [107]. Однако важно отме-
тить, что пе все адаптивные системы управления являются интеллектуальными,
поскольку можно вывести адаптивные системы с использованием аналитических
формул, поэтому компонент искусственного интеллекта отсутствует. Аналогич-
ным образом, контроллер не обязательно является интеллектуальным устрой-
ством, если он создан с использованием методов искусственного интеллекта,
поскольку он все равно должен проявлять адаптивность или обучаться онлайн,
чтобы быть классифицированным как интеллектуальный.
Рис. 21. Интеллектуальное управление - это взаимодействие областей
искусственного интеллекта, исследования операций и автоматического управления

Оба этих пункта представляют собой наиболее распространенные недо-
понимания относительно того, что классифицируется, а что пет, как IC. Напри-
мер, контроллер может использовать ИИ для определения своей схемы управле-
ния в автономном режиме с использованием модели системы, а затем, во время
работы, не обновлять свою схему управления дальше. Такой контроллер не клас-
сифицируется как IC, поскольку он не приспосабливается к существенным не-
определенностям окружающей среды [107].

5.2.	Методы интеллектуального управления

Хотя разработанные в областях автоматического управления, искусствен-
ного интеллекта и исследования операций методы весьма довольно широки, име-
ется несколько более примечательных методов искусственного интеллекта, ко-
торые чаще всего используются для ИС [107]. Это машинное обучение (ML),
эволюционные вычисления (ЕС) и нечеткая логика (FL). Существуют и другие
интеллектуальные методы контроля, однако они чаще всего встречаются в лите-
ратуре. Более того, между этими методами существует значительная синергия,
а это означает, что их часто комбинируют в системах управления, как схемати-
чески показано на рис. 22.
Рис. 22. Синергия методов искусственного интеллекта, используемых
для интеллектуального управления

5.3.	Знания об окружающей среде

1.	Полная и точная модель среды.

Если среда точно известна, можно использовать контроллер с разомкну-
тым контуром, что не требует никакой степени интеллекта. В действительности
часто существуют аспекты системы, которые нс смоделированы идеально или
подвержены неопределенностям. Тогда для этого потребуется более сложный
контроллер.

2.	11олная модель среды с небольшими изменениями.

Любую реальную систему можно смоделировать только с определенной
степенью точности. На этом уровне обычно рассматривают среды, которые
имеют ограниченную неопределенность, достаточно малую, чтобы можно было
использовать простые контроллеры с обратной связью практически без необхо-
димости адаптации. Эти контроллеры нс обязательно являются интеллектуаль-
ными, поскольку им требуется лишь низкий уровень адаптации для работы с не-
большими неопределенностями и они не обучаются в режиме онлайн. В этой
категории еще есть примеры интеллектуальных контроллеров.

3.	Окружающая среда может изменяться во время эксплуатации.

На этом уровне среда имеет изменяющиеся во времени параметры, опи-
сывающие ее поведение. Теперь требуется более высокий уровень интеллекта,
поскольку существенные изменения в окружающей среде не всегда можно пред-
сказать или их может быть слишком сложно смоделировать. На этом уровне
неопределенности некоторые традиционные методы адаптивного управления
все еще могут работать так же хорошо, как интеллектуальные.
4.	Основная физика окружающей среды не определена четко.

Обозначается здесь как неопределенное отображение состояний и дей-
ствий в будущие состояния. Это необычный сценарий для наземных приложе-
ний, однако это фундаментальная проблема для многих космических приложе-
ний, таких как летательные аппараты для входа на Марс. Здесь известна некото-
рая информация об окружающей среде, но все еще существуют существенные
пробелы в знаниях, требующие интеллектуального контроллера.

5.	Отсутствие знаний об окружающей среде.

Если модели окружающей среды не существует и разработчик системы
управления не может включить в контроллер какие-либо знания об окружаю-
щей среде, для безопасного исследования окружающей среды требуется интел-
лектуальная система управления.

5.4.	Знание цели

1.	Цели, полностью предопределенные дизайнером.

Большинство систем управления, в том числе интеллектуальных, имеют
четко выраженную цель, которая полностью определяет конструкцию системы
управления [107]. В этом случае система управления «не знает» о своих целях
и поэтому не может обновить свои цели или улучшить свою производитель-
ность по отношению к текущим целям. Примером таких систем являются си-
стемы, в которых ошибка отслеживания между эталонным и текущим состоя-
ниями должна быть сведена к нулю.

2.	Цель указывается неявно, например, как функция вознаграждения.

Многие задачи оптимального управления подпадают под эту категорию,
поскольку целью контроллера часто является минимизация или максимизация
определенной функции стоимости, когда средства оптимизации этой функции
не указаны. Целью высокого уровня контроллера является разработка поли-
тики управления, которая обеспечивает оптимальное управление относительно
этой функции стоимости. Это также тот случай, когда контролер наказывается
за вредные действия и должен найти политику контроля, которая i юзволит избе-
жать таких действий. Эти примеры хорошо вписываются в структуру управле-
ния обучением с подкреплением, где агент учится, взаимодействуя с окружаю-
щей средой и наблюдая за ее состоянием и вознаграждением.

3.	Конкретные цели, которые могут меняться в ходе работы с глобально
определенной целью.

В динамичной среде определение конкретных целей зависит от случайных
событий и наблюдений. Более того, если распределение целей осуществляется
на земле, например, в космической миссии, роботу/космическому кораблю при-
дется ждать новых инструкций каждый раз, когда происходит новое непредви-
денное событие или становится доступен новый набор научных данных. Это тре-
бует от умного планировщика целей разработки новых конкретных целей, осно-
ванных на изменениях в окружающей среде.
4.	Одна или несколько абстрактных целей без четкой функции затрат.

Бывают случаи, когда цели невозможно легко определить математически,
и поэтому контролеру требуется понимание целей высокого уровня. Напри-
мер, целью контролера может быть «съемка изображений интересных с науч-
ной точки зрения событий» или «исследование этого региона и сбор данных».
Контролер должен иметь возможность решать, какие события представляют
научный интерес или какие данные стоит собирать.

5.	Незнание целей.

Контролер должен сделать вывод, какие действия следует предпринять,
когда у него изначально нет знаний или указаний о том, какие действия явля-
ются благоприятными.

Для IC-приложений могут использоваться различные методы искусствен-
ного интеллекта, но большинство из них относятся к машинному обучению (ML)
(особенно нейронная сеть (NN) и машина опорных векторов (SVM)), нечеткой
логике (FL), эволюционному вычислению (ЕС) или гибридным методам.

В ходе исследований было количественно оценено распределение этих
методов на рис. 23, из которого видно, что большинство проанализированных
приложений используют нейронные сети (НС) (51 %). Эти контроллеры также
охватывают широкий диапазон уровней интеллекта.

з%

Рис. 23. Методы искусственного интеллекта,
используемые для интеллектуального управления (IC)

Эволюционные вычисления (ЕС) и нечеткая логика (FL) обычно исполь-
зуются в одинаковом количестве приложений, но с разными уровнями знания
целей [107]. В целом, эволюционные вычисления (ЕС) используются для сим-
вольной регрессии - как в случае с генетическим программированием (GP) —
или приложений оптимизации, особенно в сочетании с другими методами ис-
кусственного интеллекта, в то время как нечеткая логика (FL) чаще появляется
в приложениях с более высоким интеллектом (например, G-2). В частности,
FL часто используется там, где требуется человеческое мышление. Также ши-
роко используются гибридные методы (24 %), среди них наиболее распростра-
ненным является сочетание нейронной сети (NN) и FL.
Глава 6

ОЦЕНКА ЭФФЕКТИВНОСТИ
ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

6.1.	Меры оценки искусственного интеллекта

Для решения проблем с измерением естественного и искусственного ин-
теллекта ученые разработали универсальные меры интеллекта, которые теоре-
тически применимы к любой системе вообще [73].

На рис. 24 представлена разработанная концепция измерения искусствен-
ного интеллекта в экономике [102]. Опа включает определения и классифи-
кацию технологий, сами показатели, различные данные для измерения показа-
телей, а также методы анализа. И последнее, но не менее важное: в ней описа-
ны различные подходы к исследованию данных, а также те, которые выходят
за определенные рамки.

Анализы

Г)

а

Ф

и

Традиционные
инструменты
(статистика,
эконометрические
и экспертные методы и др.)

Современные
инструменты
{текстовый майнинг,
семантическая
аналитика и др.)



Рис. 24. Аналитическая основа для измерения искусственного интеллекта [102]
Примечание: неокрашенные элементы выходят за рамки данного исследования

Показатели (как основной действующий инструмент измерения) напря-
мую зависят от направлений интерпретации искусственного интеллекта и источ-
ников данных.

Индикаторы, связанные с искусственным интеллектом, можно объединить
в 2 большие группы — развитие и использование [102].

Первая категория относится к вопросам се создания и часто включает би-
бл иометричес кий и патентный анализ. Наряду с этим освещаются тенденции
развития искусственного интеллекта, определяющие факторы изобретения ис-
кусственного интеллекта, уровень технологического развития и отраслевые тен-
денции.
Вторая категория определяется внедрением и использованием (распро-
странением) искусственного интеллекта в различных секторах. На совокупном
уровне искусственный интеллект определяется развитием экономической эко-
системы и инвестициями в его развитие. Такой подход позволяет оценить инте-
рес заинтересованных сторон к сфере искусственного интеллекта и их деятель-
ности. Эти показатели охватывают искусственный интеллект как отдельную от-
расль, распространение технологий и спектр приложений, производительность
и эффективность искусственного интеллекта и соответствуют практическим це-
лям многочисленных участников.

Однако, интеллект не является точно определенным свойством (таким, как
масса или заряд) и поэтому его нельзя измерить напрямую [72].

За последние 100 лет был проведен большой объем работ по косвенному
измерению человеческого интеллекта с использованием набора различных те-
стов. измеряющих поведенческие характеристики, которые, как считается, свя-
заны с интеллектом.

Вначале эти тесты включали значительное количество вопросов, основан-
ных на фактических знаниях (кристаллизованном интеллекте). Первый совре-
менный тест интеллекта был разработан французским психологом Бине в 1905 г.
Бине считал, что интеллект лучше всего изучать, рассматривая относительно
сложные умственные задачи. Тест Бине состоял из 30 коротких заданий, свя-
занных с повседневными проблемами, такими, как назвать части тела, сравнивать
длину и вес, считать монеты, запоминать цифры и определения слов. По каждой
категории задач имелся ряд задач возрастающей сложности.

Современные тесты человеческого интеллекта сейчас в основном осно-
ваны на вербальных рассуждениях, пространственных манипуляциях и мате-
матике.

Результаты этих тестов обычно преобразуются в значения коэффициента
интеллекта (IQ) или g-показателя [72]. Чтобы вычислить IQ, берут результаты
теста из выборки населения и рассчитываете среднее и стандартное отклонение.
Среднему баллу присваивается IQ 100, а каждое стандартное отклонение выше
и ниже среднего соответствует 15 баллам IQ. 11олученный показатель 1Q можно
использовать для ранжирования людей в зависимости от того, насколько хорошо
они справляются с набором тестов интеллекта.

В научном сообществе результаты тестов на интеллект часто анализиру-
ются на предмет факторов, объясняющих взаимосвязь между результатами те-
стов [72]. Так, исследования показали, что факторы, связанные с конкретными
когнитивными способностями (например, мышление, память и скорость обра-
ботки информации), могут объективно объяснить результаты тесно связанных
тестов, а эти факторы, в свою очередь, связаны с одним основным фактором g,
который считалось, что это соответствует интеллекту. Как и интеллект, g нельзя
измерить напрямую, поэтому результаты теста выражаются в виде g-показателя.
Измерение искусственного интеллекта требует осуществления ряда пред-
варительных шагов, которые включают общее понимание искусственного интел-
лекта как феномена (сфера применения и определение) и границ технологий,
чтобы создать основу для его дальнейшего анализа.

6.2.	Процесс выбора индикатора оценки искусственного интеллекта

Индикаторы представляют собой 2 основных модуля для измерения ис-
кусственного интеллекта.

Первый включает в себя оценку активности научных публикаций (статьи
и конференции), патентной активности, финансирования и инвестиций в техно-
логию, и человеческий капитал. Кроме того, сферу искусственного интеллекта
можно охарактеризовать новыми показателями (такими, как экосистема), по-
скольку искусственный интеллект в основном создается стартапами и неболь-
шими фирмами.

Данные для оценки индикаторов можно собирать несколькими способами,
которые подразделяются на 3 основные группы [102]:

•	традиционные источники (такие, как опросы);

•	альтернативные источники;

•	источники, полученные с помощью смешанного подхода, сочетающего
в себе первые два.

При этом масштабные опросы остаются одним из ключевых каналов полу-
чения объективной информации от широкой выборки организаций.

Наряду с этим существует множество альтернативных подходов. Так,
в последнее время наблюдается большой интерес к новым источникам, включая
государственные и другие общедоступные данные из информационных систем,
большие данные из различных тематических систем (например, транзакционные
финансовые данные), агрегаторы и платформы (GitHub, посты в блогах Reddit),
социальные сети (LinkedIn) и им подобные.

В целом можно выделить 2 основные группы методов анализа информа-
ции. Первый представляет собой более традиционные инструменты, широко ис-
пользуемые в научных кругах и на практике. Результаты исследования можно
определить с помощью библиометрического и патентного анализа, более позд-
них индексов альтметрики и кликового анализа.

Облачный анализ слов, корреляционный анализ, байесовский анализ, мно-
гомерный статистический анализ, контент-анализ, исследовательский фактор-
ный анализ, частичное моделирование методом наименьших квадратов, а также
численное и графическое моделирование часто используются в статьях для по-
иска взаимосвязей в данных или оценки его влияние на результативность иссле-
дований.

Группа эконометрического статистического анализа в основном применя-
ется для выявления закономерностей использования технологий.
Количественные исследования могут быть дополнены тематическим ис-
следованием, SWOT-анализом и т. и. Например, экономические показатели, та-
кие как количество стартапов искусственного интеллекта и доля стартапов ис-
кусственного интеллекта в исследуемой отдельной отрасли, сочетаются с анали-
зом профиля стартапа, бизнес-моделей и организационных практик.

Экспертные интервью с использованием метода Delphi - еще один попу-
лярный инструмент, часто используемый для решения различных задач.

Основные показатели обычно имеют широкое применение и описывают
наиболее важные тенденции развития искусственного интеллекта в фундамен-
тальных (количество публикаций в области исследований искусственного интел-
лекта) и прикладных исследованиях (количество патентов или публикаций ис-
кусственного интеллекта — рис. 25), а также в использовании в организациях
(рабочие места или специалисты и т. д.).

15 000 20 000 25 000

1.	Китай (27.51)

2.	США (11.90)

3.	Индия (10.80)

4.	Япония (4.84)	4 592

5.	Великобри 1ания (4.05)	3 845

6.	Германия (3.52)	3 342

7.	Индонезия (2.66)	2 529

8.	Южная Корея (2.44)	2 314

9.	Италия (2.42)	2 292

10.	Канада (2.34)	2 225

11.	Франция (2.31)	2189

12.	Австралия (2.30)	2187

13.	Российская Федерация (2.14) И 2 028

14.	Бра И1ЛИЯ 2.10)

I 5. Испания ' 1.86)

16. Гурния ' 1.82)

1 7. Гайвань ( 1.64)

18.	Иран (1.61)

19.	Малайзия (1.38)

20.	Пакистан ! .32)

21.	Польша 1.08)

2.	. Сит апур I .07

23.	1эаш ладеш (1.07)

24.	Румыния (1.01)

25.	Нидерланды *0.961

Рис. 25. Количество публикаций в области искусственного интеллекта
в журналах базы Scopus
Таким образом, базовый показатель имеет 2 особенности [102J:

1)	частота (количество упоминания в различных документах);

2)	применимость для большой выборки.

Следуя этой логике, вторая группа предоставляет дополнительную инфор-
мацию и уточняет основные показатели, предоставляя дополнительную инфор-
мацию об объемах и измерениях ее развития (международное социтирование
публикаций, количество специалистов по искусственному интеллекту по кон-
кретной технологии — рис. 26 и т. д.).

Рис. 26. Доля использования искусственного интеллекта, по технологиям

При этом, индикаторы также могут быть «жесткими», например, основан-
ные на принятой методологии, регулярные и количественные по своей природе,
или «мягкие» — преимущественно качественные.
Глава 7

РЫНОК ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Крупнейшими производителями платформ искусственного интеллекта
(в основном охватывающих основные типы их действий: обработка голоса, тек-
ста, изображений и т. д.) в мире являются:

•	Albert Technologies;

•	Astute Solutions;

•	Baidu;

*	Brainasoft;

•	Brighterion;

•	IDEAL.com;

•	Intel;

•	Ip soft;

•	KITT.AI;

•	Megvii Technology;

•	Microsoft;

•	NanoRep (LogMeln);

•	SAP;

•	Wipro.

Также отмечена возрастающая роль исследовательских институтов, под-
держиваемых коммерческими организациями, таких как Nokia Bell Labs (ранее
Bell Laboratories), Xerox PARC, Microsoft Research, Facebook Building X и др. [108].

Так, компания Microsoft в 2020 г. объявила о начале пятилстнсй про-
граммы AI for Health, в рамках которой она инвестирует в технологии искус-
ственного интеллекта для сектора здравоохранения 40 млн долл. [108]. Среди
ключевых инициатив Al for Health - поиск открытий и ускорение медицинских
исследований в целях повышения эффективности профилактики, диагностики
и лечения различных заболеваний.

Также в 2020 г. компания Bayer сообщила о сотрудничестве с компанией
Exscicntia, которая занимается разработкой лекарственных средств с использо-
ванием искусственного интеллекта [108]. В рамках этого партнерства немецкий
гигант планирует внедрение решений Exscientia для поиска соединений, кото-
рые потенциально могут стать лекарствами для терапии сердечно-сосудистых
и онкологических заболеваний. Exscientia планирует привлечь 266 млн долл.
(240 млн евро) в виде авансовых платежей для проведения НИОКР в этой обла-
сти и краткосрочных клинических этапов.

Уверенность бизнеса в перспективности технологий искусственного ин-
теллекта подтверждает и тот факт, что такие гиганты IT-ипдустрии, как Apple.
Google, Facebook рекрутируют специалистов (а иногда и целые коллективы),
занимающиеся глубокими нейросетями [108]. Гак, например, Uber рекрутировал
почти весь персонал факультета компьютерного зрения университета Карнеги-
Меллона.
Интерес компаний реального сектора экономики к данному направлению
связан с огромным потенциалом рынка [108]. Так. экспертные оценки показы-
вают, что вклад искусственного интеллекта в рост ВВП к 2030 г. может достичь
1,2 % в год.

Интерес компаний реального сектора экономики к данному направлению
связан с огромным потенциалом рынка. Так, экспертные оценки показывают,
что вклад искусственного интеллекта в рост ВВП к 2030 г. может достичь
1,2 % в год.

Стартапы в сфере искусственного интеллекта в 2019 г. уже привлекли
26,6 млрд долл, финансирования.

Объем мирового рынка искусственного интеллекта в 2022 г. достиг значе-
ния 70,9 млрд долл. США. Доход от искусственного интеллекта в 2023 г. достиг
величины 98,4 млрд долл, (причем практически почти 50 % этой суммы было
получено от реализации программного обеспечения), при совокупном годовом
темпе роста равном 28,5 %.

Объем мирового рынка искусственного интеллекта (рис. 27) в 2022 г. оце-
нивался в 454,12 млрд долл. США, а к 2032 году ожидается, что он достигнет
значения около 2575,16 млрд долл. США, при этом совокупный годовой темп
роста составит 19 % с 2023 по 2032 гг.

Рис. 27. Объем рынка искусственного интеллекта (млрд долл.)

При этом, по данным McKinsey, в розничной торговле искусственный
интеллект потенциально может создать добавленную стоимость в размере
600 млрд долл, и принести на 50 % больше прибыли в банковском деле, по срав-
нению с другими методами аналитики. В сфере транспорта и логистики по-
тенциальный скачок финансовых доходов от искусственного интеллекта состав-
ляет 89 %.

В 2020 г. на Восточную Азию и Тихоокеанский регион пришлось 27 %
всех публикаций о искусственном интеллекте, на Северную Америку — 22 %,
а на Европу и Центральную Азию - 19 %.
При этом, являясь современной технологией общего назначения, искус-
ственный интеллект, способствуя инновациям, одновременно требуя обеспече-
ние дополнительных организационных изменений [102]: в виде обучения пер-
сонала и других дополнительных ресурсов. Например, более продвинутые ме-
тоды прогнозной аналитики дополняются более сложным оборудованием с до-
полненной реальностью или другими современными промышленными прило-
жениями.

В то же время искусственный интеллект приводит к радикальным транс-
формациям на рынке труда, поле конкуренции и общей экономической струк-
туры. Так, по экспертным оценкам около 14 % существующих профессий могут
быть в значительной степени автоматизированы, а более 30 % могут подверг-
нуться серьезным изменениям в организации рабочего процесса.

7.1. Практические применения искусственного интеллекта

В настоящее время определились возможные области применения искус-
ственного интеллекта (рис. 28).

Искусственный
интеллект

Имитационное
моделирование

Анализ
социальных сетей

Машинный перевод

Аудиоаналитика

Машинное
обучение

Рис. 28. Возможные области применения искусственного интеллекта [90J

Так, многие научно-инновационные инициативы (рис. 29) по всему миру
в настоящее время, для эффективного управления, а также для детального и точ-
ного анализа все более крупных и сложных наборов научных данных, активно
используют технологии искусственного интеллекта.
700

2011	2012	2013	2014	2015	2016	2017	2016	2019	2020	2021	2022	2023

Логистика

Человеческие ресурсы

Ад Ы И НИ стри ром нив

Информационные технологии

Производство

Маркетинг

Рис. 29. Количество публикаций по отдельным отраслям применения ИИ

Однако их применение по широкому кругу современных крупных научных
проблем требует сотрудничества нескольких междисциплинарных групп, вклю-
чающих, например, как ученых-компьютерщиков, так и ученых-математиков.
Так, в США Национальный научный фонд учредил 18 национальных исследова-
тельских институтов искусственного интеллекта с научными партнерствами,
охватывающими 40 штатов этой страны.

В Российской Федерации начитывается больше двух тысяч разработчи-
ков в сфере ИИ, 4,5 тыс. выпускников (2023 г.) и 12 исследовательских цент-
ров, а финансирование проектов составило больше 7 млрд рублей [57J, причем
25 проектов из этого числа профинансированы на сумму 2,8 млрд рублей. Так,
российский Фонд содействия инновациям поддержал грантами более 130 стар-
тапов и команд разработчиков ИИ-решений, 16 проектов открытых библиотек.

Кроме того, исследования в области искусственного интеллекта обычно
связаны с созданием специальных машин, служащих для автоматизации решае-
мых задач, требующих интеллектуального подхода. Примеры таких функций
включают контроль, планирование, целенаправленного управления, способность
отвечать на диагностические и потребительские вопросы, распознавание (тран-
скрипция) почерка, обработку и восприятие естественного языка, распознава-
ние речи, обеспечение таргетированной рекламы, а также способность переме-
щать объекты и целенаправленно манипулировать ими и многое другое (рис. 30).

Недавно британская дочерняя компания Google, DeepMind, использовала
нейронные сети DL для разработки систем игры в Го со своими вариантами
AlphaGo. Кроме того, хотя искусственный интеллект уже много лет используется
в компьютерных программах, но в настоящее время он применяется и во многих
других продуктах и услугах (табл. 6). Например, с помощью программного обес-
печения искусственного интеллекта, некоторые цифровые камеры могут опреде-
лять, какие точно объекты присутствуют на изображении, т. с. распознавать их.

План медицинского обслуживания и уход за пациентами

Льготы по страхованию персонала Г**

JV? Аэрокосмическая и оборонная промышленность

Гостиничный бизнес и реклама

Рекрутинг

Компьютерное зрение

Развлечение

J Коммунальные услуги *

VK1	Управление финансовыми рисками

11аука о данных

В

i Клинические испытания и поиск лекарств
Розничная торговля Кибербезопасность

- ^Автоматизация маркетинга

Анализ социальных медиа

Обработка естественного языка

Прямой email-марке! ин!

* Распознавание речи

Рис. 30. Области применения искусственного интеллекта;
гнозис и прогнозирование

Таблица 6

Применение искусственного интеллекта в диагностике и прогнозировании

Диагностика и идентификация случаев	Гнозис и прогнозирование
Анализ формы сигнала:	
Акушерство - интранатальный мониторинг (s31)	1 Трогнозирование сердечно-сосудистого риска (s32-34)
Неврология - дистанционный мониторинг походки (s31)	Прогноз выживаемости при раке молоч- ной железы
Анализ изображения:	
Патология - выявление метастазов в лимфатических узлах при раке молочных желез (s37)	11рогнозирование исходов колоректаль- ного рака (s38)
Дерматология - выявление доброкачественных и злокаче- ственных опухолей (s39), выявление грибковой инфекции (s40), классификация рака кожи (s41)	Прогнозирование выживаемости при не- мелкоклеточном раке легкого (s42)
Офтальмология - выявление диабетической ретинопатии (s43), классификация дегенерации желтого пятна (s44)	Прогнозирование госпитализации по по- воду сердечно-сосудистых заболеваний (s45)
Кардиология - диагностика острого коронарного синдрома (s46), выявление статуса сердечной недостаточности по- средством дистанционного наблюдения за пациентами (s47)	Прогнозирование использования пер- вичной медицинской помощи (s48)
Окончание таблицы 6

Диагностика и идентификация случаев	1 нозис и прогнозирование
Радиология - маммография (s49), диагностика пневмонии по рентгенограмме грудной клетки	Прогнозирование сепсиса в отделении интенсивной терапии, отделении неот- ложной помощи и на этаже больницы (s50)
Анализ ’электронной медицинской карты:	11рогнозирование инфекций и смертно- сти, связанных с центральной линией (s51)
Прогнозирование стационарного диагноза (s52); Выявле- ние сепсиса в отделении неотложной помощи (s53); Выяв- ление симптомов рака молочной железы (s54); Выявление случаев сердечной недостаточности (s55); Определение фенотипа пациента на основе анализа данных отделения интенсивной терапии (s56); Идентификация медицинских поддоменов в клинических записях (s57); Извлечение ко- дов МКБ-10 из свидетельств о смерти и протоколов вскрытия (s58)	Прогнозирование результата лечения со- циальной тревоги (s59)
Анализ претензий:	Прогнозирование психиатрической ре- адмиссии на основании выписных кни- жек (s60)
Скрининг сахарного диабета 2 типа на основе данных пре- тензий плательщиков (s61)	

Распознавание речи. Обработка естественного языка представляет собой
специальную функцию искусственного интеллекта, которая обрабатывает чело-
веческий голос и выдаст выходные данные в письменной или другой форме.
Кроме того, можно использовать искусственный интеллект для того, чтобы
сопоставлять и выделять различные акценты анализируемой речи, а также се
эмоциональность, распознавать и исследовать почерк, шум и многое другое.

Настоящий человеческий язык - довольно серьезная проблема для искус-
ственного интеллекта. Человеческий язык невероятно сложен, тонок и много-
гранен. Для человека значение выражается и интерпретируется не только симво-
лическими словами, но и тоном и мимикой. При этом используемые слова име-
ют разные значения в разных контекстах, культурах, временах и местах.

Термин, который является мягким или даже комплиментарным в одном
контексте, может быть оскорбительным в другом, географическом или демогра-
фическом, контексте. Люди используют и понимают юмор и сарказм (противо-
положность тому, что говорится буквально). Смысл часто подразумевается или
читается между строк. Человек может сказать одно и то же предложение дважды
и иметь в виду два разных смысла (определяемых временем и контекстом). Отдель-
ные слова и целые предложения имеют эстетическое и эмоциональное значе-
ние для людей (например, в поэзии, рекламе и политической игре слов и т. д.).
Благодаря контексту, тону, звуку, настроению, движениям тела, выражению лица
и другим особенностям, человек может произнести спонтанно придуманное
слово или произнести тарабарщину, а слушатель может понять, что имелось
в виду (рис. 31).
Рис. 31. Наполеон, цитирующий на французском либретто
из мюзикла Notrc-Damc de Paris
(фильм «Холоп 2», РФ)

Обработка естественного языка — это, по сути, способность брать образец
разговорной речи или текст и извлекать из них, с помощью компьютера, имею-
щийся смысл.

Обработка естественного языка — это приложение искусственного интел-
лекта, которое позволяет интеллектуальным машинам обрабатывать и понимать
человеческий язык в том виде, в котором он написан. В последнее время модели
глубокого обучения могут не только анализировать довольно большие объемы
текста, но также предлагать такие услуги, как резюмирование текста, языковой
перевод, моделирование контекста и даже анализ настроений.

Понимание естественного языка (NLU) - это ветвь искусственного интел-
лекта, которая преобразует естественный язык (на котором говорят люди) в струк-
турированные данные.

Эта технология может выполнять 2 задачи - классификацию намерений
и извлечение сущностей.

Намерение пользователя определяется тем, что пользователь пытается пе-
редать или выполнить.

Классификация намерений для искусственного интеллекта представляет
собой двухэтапный процесс. Сначала необходимо загрузить модель NLU поме-
ченными данными, которые предоставляют список известных намерений и ха-
рактерных примеров предложений, соответствующих этим намерениям. После
такого обучения искусственный интеллект может классифицировать новое пред-
ложение, которое, по ее мнению, хорошо соответствует одному из заранее опре-
деленных намерений.

Извлечение сущностей для искусственного интеллекта определяется как
процесс распознавания ключевых фрагментов информации в данном тексте.
Такие понятия, как время, место и имя пользователя, предоставляют дополни-
тельный контекст и информацию, связанную с реальным намерением.
В настоящее время эта функция доступна на многих умных устройствах
и гаджетах (таких, как мобильные телефоны, автомобили и т. д.) [1,7, 10, 26, 27,
31,41,43].

Распознавание лиц. Согласно этому приложению, искусственный интел-
лект может сравнивать несколько изображений различных лиц людей и способен
обнаруживать определенную структуру лица.

Обработка и оценка собранных данных. Корпоративные компании-
гиганты ежедневно собирают и хранят десятки тысяч данных своих клиентов.
В результате задача их объективного анализа может быть довольно утомитель-
ной и подверженной ошибкам, если ее поручить живым сотрудникам (как пра-
вило, склонным к быстрому уставанию и последующим техническим ошибкам).
Вместо этого более целесообразно ее анализ осуществлять на базе искусствен-
ного интеллекта, который будет выявлять и изучать определенные имеющиеся
закономерности и тенденции, проявляемые с течением времени, чтобы очис-
тить или обработать неправильные, неполные, нерелевантные, дублированные
или не точно отформатированные данные о клиентах.

Игры - еще одна важная область, в которой массово используется искус-
ственный интеллект. Фактически, искусственный интеллект используется в них
для того, чтобы распознавать поведение игроков и реагировать на это соответ-
ствующими логическими ходами. В этой области знаний существует множество
популярных программ, целенаправленно использующих искусственный интел-
лект (таких, как Chess, FIFA и другие).

Социальные сети. Платформы социальных сетей (такие, как Instagram,
Facebook и Twitter) используют искусственный интеллект для анализа интересов
своих пользователей и последующей рекомендации контента па основе их дея-
тельности и интересов. Кроме того, все эти цифровые платформы широко ис-
пользуют искусственный интеллект для удаления различных элементов ненави-
сти, оскорблений и ложного контента.

Чат-боты считаются неотъемлемым компонентом веб-сайта любого биз-
неса. В настоящее время лучшим и последним примером чат-бота на базе искус-
ственного интеллекта считается ChatGP Г.

Последующее практическое применение искусственного интеллекта [64]:

1.	Виртуальные помощники (такие, как Alexa от Amazon, Siri от Apple,
Google Assistant и Cortana от Microsoft и др.) используют алгоритмы искусствен-
ного интеллекта для понимания команд на естественном (зачастую — устном)
языке и предоставления полезных ответов. Эти помощники могут выполнять
такие задачи, как ответы па различные заданные вопросы, установка напомина-
ний, воспроизведение музыки, управление устройствами умного дома и даже
совершение онлайн-покупок.

2.	Обработка естественного языка (NLP) позволяет машинам понимать
человеческий язык и взаимодействовать с ним. Чат-боты на базе искусствен-
ного интеллекта, языковые переводчики и голосовые помощники используют
методы NLP для точной обработки и реагирования на человеческий ввод. Эта
технология позволила добиться значительных успехов в сфере услуг перевода,
поддержки клиентов и устройств с голосовым управлением.
Генерация естественного языка (NLG) — это раздел искусственного ин-
теллекта, который распознает человеческий язык в текстовой форме и преобра-
зует сто в форму, которая позволяет компьютерной системе эффективно и точно
передавать данные.

Например, он используется для получения необработанных рыночных дан-
ных и создания сводных текущих отчетов о состоянии того или иного рынка.

Его также можно использовать для создания коротких фрагментов текста
в интерактивных беседах (чат-бот), которые могут даже быть зачитаны системой
преобразования текста в речь.

Еще одно важное применение NLG — классификация текста. Эта функция
специально используется для контроля спама. Некоторые провайдеры электрон-
ной почты используют аналогичные сервисы на базе NLG для анализа содержи-
мого электронных писем, чтобы понять, является ли письмо подлинным или под-
дельным.

Недавние достижения в области искусственного интеллекта привели к по-
явлению нового типа системы под названием «Генеративно-состязательные
сети» (GAN), которые генерируют реалистичные изображения, текст или звук.

3.	Рекомендательные системы. Здесь интерес представляет потоковые
сервисы (такие, как Netflix, или платформы онлайн-торговли, например, Amazon),
которые предлагают потребителям определенные фильмы, шоу или продукты,
соответствующие существующим их интересам. Для этого системы рекоменда-
ций на базе искусственного интеллекта анализируют прошлое поведение поль-
зователя, его предпочтения и шаблоны, чтобы выдать персонализированные ре-
комендации, улучшая пользовательский опыт и повышая необходимый уровень
удовлетворенности клиентов.

Предиктивная аналитика (целенаправленное прогнозирование) применяет
искусственный интеллект с использованием машинного обучения и статисти-
ческих методов для прогнозирования будущих событий на основе предыдущих
данных. Например, пользователь может использовать имеющуюся в интел-
лектуальной системе функцию прогнозирования, служащую для обеспечения
прогноза продаж продукции, потребительского спроса или даже цен на акции.
Одним из популярных примеров прогнозной аналитики является система реко-
мендаций продуктов Amazon (также известная как «Клиенты, которые купили
этот товар, также купили»). Она использует данные о прошлых покупках мил-
лионов клиентов, чтобы рекомендовать продукты на основе предпочтений поль-
зователей.

4.	Автономные транспортные средства. Разработка беспилотных авто-
мобилей является ярким примером применения искусственного интеллекта.
Автономные автотранспортные средства используют технологии искусствен-
ного интеллекта (включая компьютерное зрение, объединение датчиков и алго-
ритмы мгновенного принятия наиболее правильных и эффективных решений),
для восприятия окружающей среды, интерпретации дорожных условий, в ре-
жиме реального времени без вмешательства человека.
5.	Робототехника - это еще одно быстрорастущее практическое прило-
жение искусственного интеллекта, в котором интеллектуальные роботы могут
выполнять множество практических задач, осуществляемых с помощью высоко-
эффективных датчиков и процессоров. Заводы и фабрики, клиники и больницы,
кафе и рестораны, а также отделы дистанционного образования вузов исполь-
зуют роботов с искусственным интеллектом.

6.	Здравоохранение. AI может совершить революцию в здравоохране-
нии, помогая в диагностике (рис. 32), планировании лечения и уходе за пациен-
тами [5, 6, 12—14, 22, 30, 34—37, 39, 40, 50J. Алгоритмы машинного обучения
могут анализировать огромные объемы медицинских данных (таких, как запи-
си пациентов и медицинские изображения и т. д.), чтобы помочь в обнаруже-
нии заболеваний, разработке лекарств и персонализированных рекомендациях
по лечению.

Обучение

Уход в конце
жизни

Принятие /

\	Jr

решений

Лечение

Рис. 32. Области использования искусственного интеллекта в здравоохранении

В здравоохранении искусственный интеллект помогает практикующим
врачам диагностировать заболевания, собирая данные из существующих меди-
цинских записей, отчетов о сканировании и медицинских изображений. Это по-
могает врачам гораздо быстрее и точнее ставить диагноз, направлять пациента
па дальнейшие анализы или назначать необходимые лекарства.

7.2.	Компьютерная обработка естественного языка

Люди создавали письменность на протяжении нескольких тысячелетий
и научились довольно хорошо читать тексты и быстро интерпретировать их
содержание. Намерение, тон, сленг и аббревиатуры - большинство носителей
языка могут достаточно хорошо обрабатывать этот контекст как в письменной,
так и в устной форме.
Еще в 1637 г. Рене Декарт в своей работе «Рассуждение о методе» обсуж-
дал, что, если у машин появится «разум», то они также могут говорить, как люди.
И в 1950-х годах ученые-компьютерщики начали первые попытки использовать
программное обеспечение для обработки и анализа текстовых компонентов:
частей речи и различных объектов, составляющих текст, его эмоциональности,
настроений и т. д. До недавнего времени обработка и анализ разговорного языка
были довольно сложной, труднореализуемой, задачей.

Исследование IBM, проведенное в 2017 г., показало, что 90 % данных
в мире были созданы за последние 2 года, и что 80 % этих данных были не-
структурированными. Ежедневно отправляется более 500 млн твитов.

Обработка естественного языка - это, по сути, способность брать текст
или аудиозапись и извлекать из них смысл с помощью компьютера [19-21].

Обработка естественного языка позволяет компаниям, публикующим кон-
тент, анализировать все статьи, сообщения в блогах, комментарии и обзоры кли-
ентов, чтобы понять, о чем писать, а также предлагать читателям более интерес-
ные и актуальные темы. Кроме того, из этого недавно обработанного контента
можно также извлечь огромные объемы данных о возникающих в мире тенден-
циях, что даст дополнительную существенную информацию.

Хотя вычислительный язык является весьма структурированным (напри-
мер, в XML или JSON) и легко понимается машиной, слова, написанные людьми,
довольно беспорядочны и неструктурированы - это означает, что, когда человек
пишет в тексте о доме, друге, домашнем животном или телефоне, в нем нет явной
ссылки, которая бы помечала каждый из них как таковой.

Необходимо учитывать, что в естественном языке людей имеются:

•	сущности - это люди, места, организации и вещи;

•	связи, т. е. как оказываются связаны сущности;

•	концепции;

•	ключевые слова;

•	семантические роли - это субъекты, действия и объекты, на которые они
воздействуют;

•	категории, которые описывают содержание части контента на высоком
уровне. NLG может анализировать текст, а затем помещать его в иерархическую
таксономию, предоставляя категории для использования в приложениях;

•	эмоции;

•	настроение.

7.3.	Создание чат-бота

Термин «чат-бот» был придуман американским исследователем Молдином
в 1994 г. для обозначения систем, целью которых является прохождение теста
Тьюринга и, таким образом, можно сказать, что они «думают» [89], а это опре-
деляло чат-бота как систему, которая «стремится имитировать разговор, а не по-
нимать его».
В дальнейшем чат-бот стал представлять собой разговорный пользова-
тельский интерфейс, который позволяет потенциальным пользователям всту-
пать в осмысленный словесный обмен с компьютерной программой. Эти типы
программ, созданные для разговорного взаимодействия человека и компьютера,
возникли в научном сообществе по обработке речи в 1970-х годах под названием
«диалоговые системы» [76] и были доработаны в сообществе компьютерных
наук для текстовых разговоров. В настоящее время чат-боты, с помощью искус-
ственного интеллекта и машинного обучения, предназначены для очень кон-
кретного и индивидуального ответа на запрос пользователя.

В то же время бизнес обнаружил, что без быстрой, многоязычной команды
по обслуживанию клиентов, которая предлагает круглосуточную разнообразную
поддержку клиентам, будет довольно трудно добиться успеха в любой отрасли
[61]. Предпринимателям понадобилась технология, которая могла бы сократить
повторяющиеся и рутинные рабочие нагрузки сотрудников, нс идя на компро-
мисс с опытом клиентов, но учитывая их предпочтения и вкусы, что также вос-
требовало чат-боты.

По итогу компания Apple в 2010 г., с использованием обработки есте-
ственного языка (NLP), создала чат-бот Siri. Этот чрезвычайно интеллектуаль-
ный прибор может легко осуществлять разговоры с пользователями iPhone и
отвечать на их различные (в том числе — сложные) запросы, с помощью тексто-
вых сообщений. За прошедшие годы Siri значительно эволюционировала. Теперь
она отвечает в текстовом и аудиоформатс и предоставляет пользователям iOS
расширенный интерактивный опыт [61].

Google Assistant изначально был известен как Google New [61]. Популяр-
ный технологический бренд запустил Google New еще в 2012 г. Тогда Google
New мог только отвечать па вопросы пользователей и давать рекомендации.
Со временем Google New развивался и составляет серьезную конкуренцию Siri
от Apple. С 2017 г. Google Nowr был заменен Google Assistant. Google Assistant
переопределил концепцию «многоканального опыта», особенно для пользовате-
лей Android. Он позволяет пользователю выполнять голосовой поиск в любом
приложении и канале и предоставляет всевозможную информацию, которую
пользователи хотят знать.

В 2014 г, компания Amazon представила свою версию электронного интел-
лектуального персонального помощника Alexa, встроенного в Amazon Echo,
Echo Dot и т. д. [61]. Для сторонних производителей также существует приложе-
ние Alexa, которое может помочь пользователям с большим спектром действий:
таких, как воспроизведение музыки, создание списка дел, установка напомина-
ний, управление различными функциями смартфона и т. д.

В настоящее время существует множество платформ для помощи в разра-
ботке таких систем, и количество новых чат-ботов продолжает расти с голово-
кружительной скоростью [89J: только хостинг-сервис Pandorabots3 заявляет о на-
личии более 225 тыс. бот-мастеров (людей, отвечающих за создание/обслужи-
вание чат-бота), которые создали более 250 тыс. чат-ботов, что привело к более
чем 3 миллиардам взаимодействий.
На волне стремительного технологического прогресса в форме обработки
естественного языка (NLP) и глубокого обучения общение с чат-ботами стано-
вится вес более популярным из-за его способности имитировать человеческий
разговор [76]. Хотя человекоподобный чат-бот с открытым общением все еще
предстоит разработать, чат-боты получили повсеместное распространение, с це-
лью оказания помощи людям в определенных контекстах: таких, как выполне-
ние команд, ответы на вопросы или предоставление информации.

Типичная архитектура решения для чат-ботов включает в себя несколько
уровней [76]: презентацию, бизнес, сервис, данные и полезность.

Уровень представления чат-бота отображает пользовательский интерфейс
и управляет взаимодействием с пользователем. На бизнес-уровне, данные обра-
батываются и форматируются, а диалоги кодируются в набор структур данных.
Компоненты сервисного уровня обеспечивают доступ как к внутренним, так и
к внешним данным и службам NLP, в то время как уровень данных касается
сбора и хранения данных, которые необходимо тщательно разработать для бу-
дущего анализа. Наконец, служебный уровень касается безопасности, ведения
журнала и конфигурации.

У чат-бота имеются фронтенд и бэкенд.

Интерфейс - это канал обмена сообщениями, где чат-бот взаимодействует
с пользователем.

Серверная часть - это логика приложения, постоянные хранилища и вспо-
могательные службы.

Доступно множество каналов обмена сообщениями. Так, например, можно
использовать существующий — Slack или Facebook Messenger. Также можно со-
здать свой собственный уровень обмена сообщениями (например, собственный
веб-сайт или мобильное приложение).

Разговорная архитектура чат-ботов [61]:

1.	Чат-боты имеют принципиально другую структуру GUI по сравнению
с обычными мобильными приложениями. Они следуют Conversational UI (также
известным как CUI) с открытым дизайном. CUI открывает двери для неограни-
ченного количества способов сказать одно и то же разными словами.

2.	Построенная архитектура разговора должна быть основана па истории.
Тогда она может развлекать любое количество поворотов, происходящих между
этим ботом и конечными пользователями.

3.	Важнейшей частью архитектуры любого чат-бота является поддержа-
ние контекста. Это делается для того, чтобы новые запросы клиентов можно
было решать с использованием предыдущих контекстов аналогичного типа.

В архитектурной системе разговорного пользовательского интерфейса вво-
димая пользователем речь (т. с. голосовые данные) распознается с помощью тех-
нологии автоматического распознавания речи (ASR) и преобразуется в тексто-
вые данные [76]. Основанные на правилах (т. е. управляемые данными) чат-боты
затем понимают текст, сопоставляя его с заранее подготовленными наборами
данных пары разговоров (т. е. намерениями), а также извлекают его и отвечают
через своих соответствующих менеджеров диалога.
Поскольку ответы чат-бота хранятся в текстовом формате, то они могут
быть синтезированы с соответствующими аудиофайлами, что создает речевой
вывод 176].

В этой системе чат-ботов, основанных на правилах, разработчикам необ-
ходимо генерировать, анализировать, обучать и накапливать очень большой
объем данных, чтобы эти чат-боты могли поддерживать человекоподобные
разговоры [76]. Это контрастирует с чат-ботами па основе генерации, которые
не полагаются на уже установленный набор данных, но запрограммированы
на автоматическую генерацию выходных ответов слово за словом с помощью
глубокого обучения (такого, как модель глубокой нейронной сети кодировщика-
декодера и долговременная кратковременная память), значительно облегчают
визуальное восприятие, определение настроений, руководство по теме или соот-
ветствие личности.

11о сути, в диалоговом пользовательском интерфейсе этой системы задей-
ствованы два типа данных [76]: структурированные и неструктурированные.
Структурированные данные включают числовые или фиксированные данные,
такие как имена, даты, адреса или некоторые типы установленных коротких раз-
говоров. Структурированные данные могут быть легко организованы и поняты
компьютерной программой. Напротив, неструктурированные данные - это в ос-
новном разговорные данные, состоящие из текста, видео или аудио, которые
трудно деконструировать и организовать.

Поскольку большинство данных чат-ботов нсструктурированы, их необхо-
димо предварительно определить и обучить [76]. Следовательно, обучение дан-
ным необходимо для построения эффективного чат-бота. Типичный процесс
обучения в этом отношении включает машинное обучение, эффективность ко-
торого определяется объемом входных данных, подаваемых для обучения: чем
больше подготовленных данных он накапливает, тем умнее становится чат-бог.

Новейшие интерфейсы прикладного программирования (API) для созда-
ния чат-ботов (такие, как Dialogflow ТМ), оснащены алгоритмами машинного
обучения, обнаружения сущностей и NLP, что помогает более эффективно и ав-
томатически упорядочивать данные чат-бота [76]. Поскольку разработчики чат-
ботов эффективно помогают во всем процессе создания чат-бота, разработчики
могут значительно сократить время и технические усилия, необходимые для бес-
перебойного взаимодействия человека и компьютера; в частности, они могут
направить свою энергию на определение того, какие намерения или сущности
необходимы, какие структуры задач принятия решений подходят для целевого
диалогового агента и как данные должны подаваться в архитектуру системы.

Физические основы архитектуры системы корректируются и реализуются
в соответствии с ролью и типами дизайна бота [76].

Таксономия моделей чат-ботов (рис. 33) разъясняет проблемы в достиже-
нии плавных и точных ответов.
Открытая
область

Закрытая
область

Основанный
на извлечении

Генеративные

Ответы

Рис. 33. Таксономия модели чат-бота

Как видно из рис. 33, общение чат-бота может происходить как в откры-
том, так и закрытом домене [76]. В открытом домене беседа не имеет направле-
ния, аналогичного разговорному взаимодействию между людьми; следовательно,
ожидается, что пользователи будут вести продолжительные беседы на широкий
круг тем.

Создание такого чат-бота потребовало бы большого объема языковых дан-
ных и сложных алгоритмов обучения, связанных с различными темами и миро-
выми знаниями, что делает его сложной задачей [76]. Выполнение требований
теста Тьюринга и премии Лебнера стимулировали институциональные усилия
по достижению сходства с человеком с помощью таких чат-ботов в открытом
доступе в течение нескольких десятилетий.

Напротив, в закрытой области беседа более целенаправленна и функ-
циональна, при этом знание предметной области, темы и контексты для беседы
предопределены заранее [76]. В такой области разговорный пользовательский
интерфейс предназначен для выполнения запрограммированных задач макси-
мально эффективно.

Таким образом, результирующий диалог может поддерживаться только
в терминах заранее разработанных задач и тем, но ожидается, что уровень рас-
познавания будет выше, чем у чат-ботов с открытым доменом при тех же усло-
виях [76]. Боты-помощники и боты колл-центра являются примерами чат-ботов
в этой области.

Другое измерение в рамках этой таксономии связано с природой ответов
чат-ботов, которые можно различать как ответы чат-ботов, основанные на по-
иске или генерации [76]. Чат-бот, основанный на поиске, отвечает пользователям
с помощью уже написанных правил. Ответы могут генерироваться либо путем
сопоставления намерений на основе правил, либо путем обучения машинному
обучению. И наоборот, чат-бот, основанный на генерации, создает новые ответы
с нуля.
Генеративные модели обычно основаны на методах глубокого обучения
и машинного перевода, которых трудно достичь [76]. Следовательно, разговор-
ные чат-боты, основанные на генерации в открытом домене (т. е. Общий ИИ),
пока еще нс были успешно разработаны, хотя недавние ИИ разработки больших
языковых моделей, таких как GPT-3, могут продвинуть реализацию общего ИИ
с его обещанием функциональности открытого домена.

Чат-боты с искусственным интеллектом, такие как Google Assistant и Alexa,
а также чат-боты, установленные соответственно в Google Home и Amazon Echo,
могут быть классифицированы, как чат-боты работающие на основе поиска в за-
крытом домене [76]. Большинство их бесед заканчиваются ограниченным диа-
логом в один оборот, но их ответы на информационные запросы практически
неограниченны благодаря поиску в Интернете, пониманию естественного языка
и другим алгоритмам. Наконец, недавний социальный чат-бот Microsoft, Xiaolce,
был разработан как чат-бот для общения в открытом домене для носителей ки-
тайского языка, который, по-видимому, ближе всего к «Общему ИИ».

В настоящее время деятельность чат-ботов расширена. Примером может
служить разговорный агент Эдгар Смит, представляющий собой старого дворец-
кого, который отвечает на вопросы о дворце Монсеррат в Синтре, Португалия
(рис. 34).

Рис. 34. Чат-бот дворецкий Эдгар Смит в Монсеррате, Синтра, Португалия [89]

Основная база знаний Эдгара состоит из пар вопросов/ответов, связанных
с его областью знаний по дворцу.
7.4.	Практические приложения искусственного интеллекта
в высшей школе

В настоящее время существует разрыв между теоретической проработкой
вопроса искусственного интеллекта и его практическими применениями, что
связано с отсутствием глубокого понимания возможных выгод. Приложения
искусственного интеллекта весьма важны практически во всех сферах жизни че-
ловеческого общества, но еще более важно их практическое применение в выс-
ших образовательных учреждениях - университетах и институтах, что представ-
ляет собой существенную необходимость, без которой невозможно обойтись,
поскольку университеты сегодня больше не ограничиваются предоставлением
только образования, а стали неотъемлемой частью системы устойчивого разви-
тия, посредством создания новых методов образования и преподавания, а также
науки, предоставляя студентам цифровые компетенции [49]. При этом необхо-
димо отметить положительное влияние приложений искусственного интеллекта
на успехи студентов различных направлений и профилей (например, в изучение
иностранных языков), на всех уровнях образования.

Поэтому академические усилия исследователей также активизировались
в изучении влияния искусственного интеллекта на образование в целом и выс-
шее профессионально образование, в частности.

В новом тысячелетии насущной необходимостью, проявившейся в резуль-
тате интенсивного развития информационных технологий, является возникно-
вение перед университетами необходимости планирования, проектирования,
развития и внедрения цифровых навыков, с целью более лучшей и эффективной
подготовки специалистов, способных понимать технологическую среду и раз-
вивать ее, в соответствии с потребностями общества.

Это побудило некоторых исследователей задать волнующий вопрос: в ка-
кой степени технологии могут революционизировать мир образования?

Исследователи проблем и перспектив высшей школы отмечали влияние
искусственного интеллекта на высшее образование в двух основных областях [98]:

1.	Учебные программы. Искусственный интеллект окажет большое влия-
ние на учебные программы в сфере высшего профессионального образования,
поскольку его мощь способствует обеспечению элементов скорости обработки
и передачи, а также повышению точности всех процессов, а это требует предо-
ставления студентам возможностей обучения для повышения их навыков, а так-
же технических дисциплин и гуманитарных знаний.

2.	Другим наиболее важным эффектом, которые испытает высшее про-
фессиональное образование, является замена традиционного языка цифровым
языком.

Было установлено, что искусственный интеллект работает на принципе
эмуляции знаний, с помощью которых объекты, события и процессы могут быть
описаны с использованием их качественных свойств и различных логических
и математических связей.
К настоящему времени установлены 10 правил развития искусственного
интеллекта в образовании, которые, вероятно, навсегда изменят его будущее [98]:

1.	Искусственный интеллект может автоматизировать основные действия
в образовании (такие, как классификация и выставление оценок).

2.	Системы искусственного интеллекта могут адаптировать образователь-
ные программы к потребностям студентов (обычно это делается через передо-
вые технологические приложения и программы).

3.	Искусственный интеллект позволит студентам получить дополнитель-
ную поддержку (эта функция направлена на то, чтобы принципы учебных за-
ведений могли максимально служить студентам).

4.	Академические программы, основанные на системах искусственного ин-
теллекта, позволят студентам и преподавателям иметь возможность оставлять
полезные комментарии для других, чтобы они могли извлечь выгоду и поде-
литься полученным опытом.

5.	Системы искусственного интеллекта существенным образом изменяют
способ поиска информации и взаимодействия с ней. Эти типы интеллектуаль-
ных систем играют все большую роль в том, как человечество взаимодействует
с информацией в личной жизни и профессиональной деятельности. За послед-
ние несколько десятилетий системы искусственного интеллекта довольно ради-
кально изменили способ взаимодействия людей с имеющейся информацией.
Так, благодаря более новым и все более интегрированным технологиям сту-
денты в будущем могут иметь совершенно иной опыт поиска и нахождения фак-
тов, чем в настоящее время.

6.	Системы искусственного интеллекта указывают области, которые тре-
буют улучшения в учебных курсах, поскольку этот тип системы помогает улуч-
шить и заполнить пробелы, которые могут возникнуть в образовательных кур-
сах. Это помогает гарантировать, что все студенты выстраивают одинаковые
концептуальные основы; вместо того, чтобы ждать, пока преподаватель прове-
дет лекцию и предоставит учебную информацию, студенты получат мгновенную
обратную связь, которая помогает им понять концепцию изучаемого предмета
и объяснит, как использовать ее в будущем.

7.	Системы искусственного интеллекта могут уменьшить опасения перед
обучением методами проб и ошибок. Так, системы искусственного интеллекта
могут предоставить студентам возможность обучаться в относительно свобод-
ной от жестких правил среде, особенно когда преподаватели также используют
возможности искусственного интеллекта. Фактически, системы искусственного
интеллекта являются наиболее пригодной и даже в чем-то идеальной формой,
служащей для поддержки такого типа обучения, поскольку сами системы искус-
ственного интеллекта часто учатся методом проб и ошибок.

8.	Данные, поддерживаемые системами искусственного интеллекта, могут
изменить способ, которым вузы отбирают своих студентов.

9.	Системы искусственного интеллекта могут коренным образом изменить
роль преподавателей (это было действительно ожидаемо с развитием техноло-
гий, особенно с появлением умных устройств [15, 25, 29, 38, 42, 44, 48]).
10.	Системы искусственного интеллекта изменят место обучения студен-
тов, которые их обучают, а также стиль получения базовых навыков [49]. Так,
системы искусственного интеллекта позволяют студентам и преподавателям
воспользоваться возможностью выбирать подходящие места для обучения и по-
вышать свои образовательные способности, будь то дома, в школе или в других
местах, таких как Starbucks и тому подобное.

Осуществленные исследования выявили влияние искусственного интел-
лекта на высшее профессиональное образование, поскольку эффекты от их
применения в меньшей степени имели зависимость от человеческих ресурсов
в предоставлении образования, что потребует набор новых навыков и компетен-
ций. В результате высшее профессиональное образование должно подготавли-
вать студентов к революции искусственного интеллекта и предоставлении им
набора компетенций, необходимых для конкуренции в эпоху действия искус-
ственного интеллекта.

1	Гримеры применения искусственного интеллекта в высшей школе сего-
дня [98]:

Репетиторство. К тому времени, когда системы искусственного интел-
лекта будут применяться в академических лекционных аудиториях, классах, ла-
бораториях и интерактивных учебных местах в колледжах, институтах или дру-
гих учебных заведениях, у преподавателя нс будет необходимости несколько
раз повторять объяснение определенной темы или отдельной ее части. Теперь
студент может легко добиться этого с помощью системы искусственного интел-
лекта, не испытывая смущения и не теряя своего времени.

Использование системы искусственного интеллекта в оценке деятель-
ности студентов. Ранее преподаватели тратили довольно много времени на про-
цесс выставления оценок студентам, давно принятый в рамках традиционных
экзаменов, компьютерных тестов и других. С искусственным интеллектом эта
ситуация примет иной характер и облик: преподаватели смогут перестать вы-
ставлять оценки, чтобы проводить больше времени с студентами.

Улучшение возможности решения административных задач. Это стало
очевидным в университетах и большинстве образовательных организаций по
всему миру благодаря приложениям искусственного интеллекта.

Возможность глобальной аудитории. Системы искусственного интел-
лекта, снабженные мгновенными переводами и субтитрами, обеспечат студен-
там нового поколения возможность выйти за пределы всего мира. При этом си-
стема искусственного интеллекта устранит «стены» аудиторий, чтобы позво-
лить студентам делиться знаниями и участвовать в различных глобальных сре-
дах обучения.

Также значительный интерес представляет использование искусствен-
ного интеллекта в горной [51] и нефтяной [32, 59] промышленности, для техно-
генного воспроизводства минерального сырья [8, 16 18], в области нанотехно-
логий и наноматериалов [23] и в целом - строительстве национальных экономик
на основе наукоемких производств [44].
В машиностроении основными областями применения являются [74]:

1)	рутинные задачи с использованием робота, способного воспроизводить
различные человеческие задачи на строительной площадке, такие как обработка
строительных материалов и сборка конструкций систематически с точностью
до миллиметра с уровнем погрешности, близким к нулю;

2)	большие данные, представляющие собой технологию, которая может
применяться для анализа ситуации на самых разных строительных площадках;

3)	ЗЭ-нечать для сборки сборных и готовых конструкций;

4)	интеллектуальные здания с искусственным интеллектом, которые, в до-
полнение к проектированию физической конструкции, выполняют планирование
интеллектуальной инфраструктуры, способной облегчить жизнь пользователей;

5)	более эффективное управление с использованием автоматизации ро-
ботизированных процессов (RPA), представляющей собой робота, созданного
для манипулирования цифровыми системами, перекрестной проверки данных
и устранения ошибок, которые могли бы возникнуть, если бы эту задачу взял
на себя человек;

6)	обслуживание клиентов для программирования роботов по обслужива-
нию клиентов.

В медицине основными сферами применения искусственного интеллекта
на данный момент являются [741:

1)	роботизированная хирургия с использованием искусственного интел-
лекта, с помощью которой роботы могут анализировать данные из предопера-
ционных медицинских карт для управления инструментом хирурга во время
операции, которая считается «минимально инвазивной» для пациентов;

2)	виртуальные помощники медсестер, в рамках которой виртуальные
медсестры будут доступны и смогут отвечать на вопросы, следить за пациен-
тами и давать быстрые ответы;

3)	помощь в принятии решений или клинической диагностике, в рамках
которой алгоритмы изучают медицинские карты, привычки и генетическую ин-
формацию пациентов;

4)	рабочие процессы и административные задачи с использованием техно-
логий, которые могут помочь в назначении обследований, назначении лекарств
и написании заметок в виде графиков;

5)	анализ медицинских изображений с использованием алгоритма, кото-
рый может анализировать ЗЭ-еканы до 1 000 раз быстрее, чем это возможно се-
годня.

Кроме того, искусственный интеллект значительно улучшит обеспечение
восстановительных и контрольных мер после техногенных и экологических
катастроф [79]. Так, в случае возникновения стихийных бедствий значительная
часть будет оптимизировать мобильные сети и распределить интеллектуаль-
ную полосу пропускания. Кроме того, спутниковая связь и беспилотные дроны
с функцией распознавания и обработки изображений помогут оценить ущерб
инфраструктуре и предоставить прогнозы, направленные на избежание заторов
на дорогах и различной структурной устойчивости за счет применения системы
адаптивной маршрутизации.
7.5. Искусственный интеллект в современном искусстве

Искусство существует с первобытных времен. За это время появились
великое множество рисунков и картин со всевозможными сюжетами, и авто-
ром этих полотен всегда был человек [60]. Ио с недавнего времени появились
технологии искусственного интеллекта, способные создавать продукты, похо-
жие на картины. Искусственный интеллект (ИИ) - свойство интеллектуальных
систем выполнять функции (творческие), которые традиционно считаются пре-
рогативой человека.

В настоящее время ряд исследователей предлагает рассматривать искус-
ственный интеллект не только как нечто, способствующее развитию искусства,
но и как инструмент [53], позволяющий обрести свободу благодаря творчеству.

Французской исследовательницей Анной Коклен было предложено поня-
тие «технообраз» (tcchnimagcs. — фр.) [52]. Тсхнообраз создастся в технологиче-
ском искусстве, существует и распространяется в Сети, поэтому иногда встреча-
ется термин «сетевой образ». Тсхнообраз предполагает интерактивность и взаи-
модействие со стороны зрителя, он нестабилен, не определен и подвижен, так
как является объектом виртуальным. Сравнивая технообраз с образом класси-
ческого искусства, можно отметить их общность с точки зрения подвижности
и зависимости от восприятия.

Современный этап технологического развития социокультурной деятель-
ности связан с появлением компьютерных технологий, аналоговой и цифровой
среды [52]. В результате возникло цифровое искусство как самостоятельное на-
правление, отличающееся от доцифрового. Цифровые технологии значительно
продвинули изобразительные возможности фотографии и кино уже в конце про-
шлого века, определили появление нового медиа-арта, а затем и созданной «циф-
рой» художественной реальности

Современное искусство всегда стремится к инновациям и экспериментам.
Так, музеи (центры) современного искусства все больше вовлекают искусствен-
ный интеллект в свои процессы [53]. Также машинное обучение и алгоритмы
глубокого обучения предоставляют художникам и исследователям новые воз-
можности.

Искусственный интеллект и программное обеспечение позволяют худож-
никам и дизайнерам создавать оригинальные, часто уникальные произведения
искусства, применяя кардинально новые методы и подходы [53].

Кроме того, искусственный интеллект сам может создавать произведения
искусства: живопись, музыку, поэзию, кино, танец, скульптуры, литературу и т. д.

Для обучения искусству машин вывели отдельный термин - Artificial
Intelligence Art (или AI Art), который обозначает компьютерный алгоритм [60],
анализирующий форму и стили существующих художественных работ, их цве-
товую палитру и затем на этой основе создающий новые продукты/работы, ви-
зуально довольно схожие с аналогами, написанными художниками.
В настоящее время основными технологиями, широко используемыми
в области создания искусственного интеллекта, являются компьютерное зрение
(Computer Vision, CV), обработка естественного языка (natural language processing,
NLP), распознавание и обработка цифровых изображений (Digital Image Processing),
конволюционные нейронные сети (Convolutional Neural Networks, CNN) и гене-
ративно-состязательные сети GAN (Generative Adversarial Networks) [3].

Принципы создания произведений искусства можно разделить на два ос-
новных типа: в первом компьютер сам определяет окончательный вариант гене-
рируемых произведений, человек принимает участие лишь па ранних стадиях
модификации кода и раннего обучения модели и в дальнейшем редко участвует
в реализации произведений ИИ. Например, французский коллектив OBVIOS
при помощи GAN сгенерировал портрет Эдмона де Беллами [3].

Другой принцип — объединение ИИ для синтеза произведений, где чело-
век использует ИИ как инструмент, подобно фотоаппарату или кисти. Примером
может послужить «Интеллектуальная система рисования Daozi», разработанная
постдокторантом Лаборатории будущего Университета Цинхуа Гао Фэном и его
командой. Система собирает информацию с натурных изображений и других
материалов и с помощью компьютерной нейронной сети, изучающей стили ри-
сования сотен художников, создает картины тушью в стиле различных мастеров
китайской живописи [31.

Одной из первых в данной области стала нейронная передача стиля (NST).
Она является самой простой и популярной формой использования искусствен-
ного интеллекта в творческой работе [55]. В основе модели лежит стилизация
изображений и сверхточные нейронные сети (CNN). Сейчас она применяется
во многих популярных мобильных приложениях, таких как DcepArt и Prisma.
В основе лежит принцип работы, при котором на входе модели есть два изобра-
жения - стандартный стиль и оригинал. При высоком стилсгировании алгоритм
оптимизирует параметры таким образом, чтобы результат преобразования шаб-
лона и оригинала был максимальным в промежуточных слоях CNN, отвечающих
за метаизображение.

Каждый шаблон соответствует набору параметров заранее обученной
нейронной сети [55].

Другим методом является метод GAN (Generative Adversarial Network) [55].
Он заключается в использовании двух нейронных сетей, одна из которых создаст
псевдослучайные изображения из выбранного набора распределений, а вторая
(CNN discriminator) определяет вероятность изображения на основе обучающего
набора.

Сеть обучается с использованием размеченного набора поддельных и со-
зданных человеком изображений [55]. Обе нейронные сети соединены в замк-
нутый контур. Другими словами, суть технологии заключается в том, что одна
нейронная сеть генерирует изображение с помощью библиотеки шаблонов, а вто-
рая нейронная сеть проверяет это изображение на его сходство с шаблонами.

Технологии искусственного интеллекта также используются при создании
скульптур [55]. В основном искусственный интеллект используется либо для по-
строения макета GAN, либо непосредственно в разработке грёхмерной модели.
Глава 8

ПРЕИМУЩЕСТВА ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Преимущества искусственного интеллекта [93]:

1.	Сокращение человеческого фактора.

Одним из самых значительных преимуществ искусственного интеллекта
является то, что он может значительно сократить количество ошибок и повысить
точность и правильность принимаемых решений. Решения, принимаемые ИИ
на каждом этапе, определяются на основе ранее собранной информации и опре-
деленного набора алгоритмов. При правильном программировании эти ошибки
могут быть сведены к нулю.

2.	Оптимизация принятия решений.

Одним из отмеченных преимуществ искусственного интеллекта является
принятие решений. ИИ улучшает процесс принятия решений, используя об-
ширные данные для выявления закономерностей и тенденций, часто невидимых
для людей. Алгоритмы машинного обучения могут анализировать исторические
данные и предсказывать будущие результаты, позволяя компаниям и отдельным
лицам быстро и точно принимать обоснованные решения. Способность ИИ об-
рабатывать информацию па высоких скоростях сокращает время, необходимое
для принятия решений, тем самым обеспечивая конкурентное преимущество
в динамичных средах.

3.	Нулевые риски.

Еще одним существенным преимуществом ИИ является то. что люди мо-
гут преодолеть множество рисков, позволив ИИ сделать это за них. Будь то обез-
вреживание бомбы, выход в космос или исследование самых глубоких частей
океанов, машины с металлическими корпусами устойчивы и могут выживать
в недружелюбной атмосфере. Болес того, они могут выполнять точную работу
с большей ответственностью и не изнашиваться быстро.

4.	Доступность 24/7.

Одним из ключевых преимуществ ИИ является круглосуточная доступ-
ность. Многие исследования показывают, что люди продуктивны всего около
3 4 часов в день. Людям также нужны перерывы и время для баланса между
работой и личной жизнью. Но ИИ может работать бесконечно без перерывов.
Они думают намного быстрее людей и выполняют несколько задач одновре-
менно с точными результатами. Они даже могут легко справляться с утомитель-
ной, повторяющейся работой с помощью алгоритмов ИИ.

5.	Цифровая помощь.

Цифровые помощники используются некоторыми из самых передовых
компаний для взаимодействия с пользователями, что снижает потребность в че-
ловеческом персонале. Многие веб-сайты используют цифровых помощников
для доставки контента на основе запросов пользователей, что позволяет нам осу-
ществлять диалоговый поиск. Некоторые чат-боты настолько сложны, что
трудно сказать, общаемся ли мы с человеком или с машиной.
Заключение

Искусственный интеллект облегчил нам практически все сферы жизни
и имеет огромные возможности в будущем для повышения производительности
и улучшения. Кроме того, использование в ключевых отраслях промышлен-
ности технологий ИИ (более 20 % российских компаний работают с ИИ), при-
несло рост рентабельности на 5 % и позволит увеличить рост ВВП России
на 1 % в 2025 г.

Экспертные, нейронные и нечеткие интеллектуальные системы в настоя-
щее время созрели и применяются для решения широкого круга различных за-
дач, главным образом в технике, медицине, финансах, бизнесе и менеджменте.
Каждая такая технология по-разному справляется с имеющейся неопределенно-
стью и двусмысленностью человеческих знаний, и каждая технология нашла
свое место в инженерии знаний.

Машинное обучение — это быстро развивающаяся технология. Время по-
кажет, смогут ли когда-нибудь прорыв в нейробиологии и искусственном интел-
лекте раскрыть секреты мозга и создать возможность создания сверхразумных
систем.

В настоящее время искусственный интеллект обеспечивает многочис-
ленные преимущества, такие как сокращение человеческих ошибок, экономия
времени, цифровая помощь и беспристрастные решения. Однако к недостаткам
можно отнести эмоциональный интеллект, поощрение человеческой лени и воз-
можное вытеснение рабочих мест.
Список литературы

1.	Александр Воробьев, Жамолиддин Мамасаидов, Кирилл Воробьев. Фар-
гона аклли шахар булиши мумкин(-ми?) (Станет ли Фергана умным городом?) И
Markaziy Fargona № 3. - 2024. - Р. 4.

2.	Буравлев А. И., Ветошкин В. М. Искусственный интеллект: сущность,
принципы работы, области применения // Вооружение и экономика. № 2 (68). —
2024.-С. 33-42.

3.	Ван Кэйн. Искусственный интеллект и будущие пути развития искус-
ства // Культура и цивилизация. — 2023. — Том 13. № 7А. — С. 146-153. - URL:
DOI: 10.34670/AR.2023.20.64.020.

4.	Вешнева И. В. Технологии искусственного интеллекта: классификация,
ограничения, перспективы и угрозы // Известия Саратовского университета. Но-
вая серия. Серия: Экономика. Управление. Право. Т. 23, вып. 4. 2023. - С. 428-
438. - URL: https://doi.org/10.18500/1994-2540-2023-23-4-428-438.

5.	Воробьев А. Е. Инженерный путь развития цифровой smart-медицины. -
Москва. — Вологда. Инфра-Инженерия. — 2023. — 200 с.

6.	Воробьев А. Е. Базовая группировка умных обувных стелек // Техноло-
гии разработки инструментальных средств ТРИС-2023: Материалы конферен-
ции. - Таганрог: Издательство ЮФУ, 2023. - С. 175-184.

7.	Воробьев А. Е. Инженерный путь развития цифровой smart-медицины. —
Москва. — Вологда. Инфра-Инженерия. - 2023. —200 с.

8.	Воробьев А. Е. Современная концепция развития SMART CITY //
В сборнике: Лазерно-информационные технологии — 2021. - Новороссийск. —
2021.- С. 242-244.

9.	Воробьев А. Е. Технологии воспроизводства минеральных ресурсов
в литосфере // Горный журнал, № 5, 2000. — С. 3—5.

10.	Воробьев А. Е. Человек и биосфера. Основы взаимодействия, эволюции
и самоорганизации. Учебное пособие / Под ред. чл.-корр. РАН Пучкова Л. А. —
М.:МГГУ, 1998.-216 с.

11.	Воробьев А. Е., Viktor Marenga. Концепция развития горнопромыш-
ленного «Умного города» // Горный вестник Узбекистана № 4 (87). — 2021. —
С. 106-109.

12.	Воробьев А. Е., Абишев А. А. Технология «умных скважин» // Вестник
АИНГ (Казахстан) № 3 (39). - 2016. - С. 3-11.

13.	Воробьев А. Е., Алнассар К. А. X., Джумагулова Ч. Б, Воробьев К. А.
Потребность в преподавании современной умной медицины в вузах РФ // Техно-
логические инновации и научные открытия / Сборник научных статей по мате-
риалам XVI Международной научно-практической конференции (14 ноября
2024 г., г. Уфа). — Уфа: Изд. Научно-издательский центр «Вестник науки»,
2024.-С. 283-291.
14.	Воробьев А. Е., Алнассар К. А. X., Джумагулова Ч. Б, Воробьев К. А.
Умные контактные линзы: особенности применения // Технологические иннова-
ции и научные открытия / Сборник научных статей по материалам XVI Меж-
дународной научно-практической конференции (14 ноября 2024 г., г. Уфа). -
Уфа: Изд. Научно-издательский центр «Вестник науки», 2024. - С. 67—75.

15.	Воробьев А. Е., Алферов И., Воробьев К. А., Ахметов И. Философия
создания НОЦ мирового уровня: «Оренбургская область — smart-приграничный
регион» // Вестник АУНГ (Казахстан) № 4 (52). — 2019. — С. 254—262.

16.	Воробьев А. Е., Балыхин Г. А. Техногенное воспроизводство нефти И
Материалы II Всероссийской научно-практической конференции, посвященной
70-летию кафедры «Технология разработки месторождений» им. М. И. Агош-
кова. - Владикавказ: Изд-во СКГМИ «Терек», 2003. — С. 158—162.

17.	Воробьев А. Е., Балыхин Г. А., Гладуш А. Д. Техногенное воспроизвод-
ство углеводородного сырья в литосфере: факторы, механизмы и перспективы. —
М.: Изд-во «Учеба» МИСиС, 2003. - 417 с.

18.	Воробьев А. Е., Балыхин Г. А., Гладуш А. Д. Техногенное воспроизвод-
ство нефти и горючего газа в литосфере: концепция, принципы и механизмы. —
М.: Изд-во «Учсба» МИСиС, 2005. - 334 с.

19.	Воробьев А. Е., Батырханов А. Г., Воробьев К. А. Информационно-
понятийная модель связи терминов нефтяного тезауруса // Труды XXVII Меж-
дународной конференции «Лазерно-информационные технологии в медицине,
биологии, геоэкологии и на транспорте». — Краснодар: ФГБОУ ВО «КубГТУ»,
2019.-С. 93-97.

20.	Воробьев А. Е., Батырханов А. Г., Воробьев К. А. Основные подходы
к поиску необходимой специализированной нефтяной информации // «Казах-
станская нефть: прошлое, настоящее и будущее»: Сборник материалов Меж-
дународной научно-практической конференции, посвященной 120-летию казах-
станской нефти. — Атырау: Атырауский университет нефти и газа им. С. Уте-
баева. - 2019. - С. 321-326.

21.	Воробьев А. Е., Батырханов А. Г., Воробьев К. А. Основы понятийной
модели связи терминов нефтяного тезауруса // «Казахстанская нефть: прошлое,
настоящее и будущее»: Сборник материалов Международной научно-практиче-
ской конференции, посвященной 120-летию казахстанской нефти. — Атырау:
Атырауский университет нефти и газа им. С. Утебаева. — 2019. — С. 326-331.

22.	Воробьев А. Е., Воробьев К. А. История становления и развития умных
контактных линз // Cifra. Медико-биологические науки. — № 3 (3). — 2024.

23.	Воробьев А. Е., Воробьев К. А. Наноматсриалы и нанотехнологии: осо-
бенности протекания физико-химических процессов. Lambert Academic Publishing.
Mauritius. 2018. - 104 с.

24.	Воробьев А. Е., Воробьев К. А., Мадаева М. 3., Хаджиев А. А. Атмо-
сферный геоинжиниринг в предотвращении чрезвычайных ситуаций. Грозный.
Спектр. - 2020. - 126 с.
25.	Воробьев А. Е., Воробьев К. А., Тчаро X., Тулегенов Е. К., Мухитов К. С.
Smart-баскетбольная площадка // Вестник физической культуры № 2 (Казах-
стан). - 2021. - С. 2-5.

26.	Воробьев А. Е., Жошыбаев Р. С., Сабиров Р. А., Алымкулов А. Ш., Аль-
пиев Е. А., Тагаев Р. А., Кожогулов Б. К. Умные города, устремленные в небес-
ную высь. Бишкек. Турар. - 2021. - 220 с.

27.	Воробьев А. Е., Кожагулов Б. К., Тагаев Р. А. «Умный город» Асман —
столица крипто валют и международный порт всех морей? // Вечерний Бишкек. —
07 февраля 2022.

28.	Воробьев А. Е., Корчевский А. Н., Воробьев К. А. Основные элементы
и составляющие искусственного интеллекта И Программная инженерия: методы
и технологии разработки информационно-вычислительных систем (ПИИВС—
2024): V Междунар, пауч.-практ. конф., сб. материалов и докладов, Т. 1, г. До-
нецк, 27-28 нояб. 2024 г. / Род. кол.: Зори С.А. (пред.); Мальцева Р.В.; отв. род.
С.С. Бердюкова. - Донецк, ФГБОУ ВО «ДонНТУ», 2024. - С. 323-327.

29.	Воробьев А. Е., Мадаева М. 3., Турлуев Р. А.-В. Основные режимы
работы умных светофоров // Вопросы науки. № 2. — 2023. - С. 84—86.

30.	Воробьев А. Е., Мадаева М. 3., Хаджиев А.А. Разработка концепции
развития приморского «Умного города» // Сборник трудов ХШ Всероссийской
Школы-семинара, молодых ученых, аспирантов, студентов и школьников (Ге-
ленджик, 18-20 мая 2022 г.): Исследования и творческие проекты для развития
и освоения проблемных и прибрежно-шельфовых зон юга России / Южный
федеральный университет. Ростов-на-Дону; Таганрог: Издательство Южного
федерального университета. - 2022. — С. 460-470.

31.	Воробьев А. Е., Мадаева М. 3., Хаджиев А. А. Разработка концепции
развития приморского «Умного города» // Сборник трудов ХШ Всероссийской
Школы-семинара (Геленджик, 18—20 мая 2022 г.): Исследования и творческие
проекты для развития и освоения проблемных и прибрежно-шельфовых зон юга
России / Южный федеральный университет. Ростов-на-Дону; Таганрог: Изда-
тельство Южного федерального университета. — 2022. - С. 460-470.

32.	Воробьев А. Е., Малюков В. И. Газовые гидраты. Технологии воздей-
ствия па нетрадиционные углеводороды: Учебное пособие. Гриф УМО по обра-
зованию в области прикладной геологии. — М.: Изд-во РУДН, 2007. — 273 с.

33.	Воробьев А. Е., Нарматов X. Б., Воробьев К. А. Санариптик адилет-
туулук’ бугун жана эртец (Цифровое правосудие: сегодня и завтра) // Наука, но-
вые технологии и инновации Кыргызстана № 7, 2023. — С. 161-165.

34.	Воробьев А. Е., Раимбскова Д. М. Инновационное развитие умных пла-
стырей в Кыргызстане // Бюллетень инновационных технологий. Т. 6. № 3 (23). -
2022. - С. 57-64.

35.	Воробьев А. Е., Раимбекова Д. М. Электронное развитие умных пла-
стырей в Кыргызстане (оригинальное исследование) // Российский журнал теле-
медицины и электронного здравоохранения. Т. 8. № 2. - 2022. - С. 50-58.
36.	Воробьев А. Е., Раимбекова Д. М. Электронное развитие умных пла-
стырей в Кыргызстане (оригинальное исследование) // Российский журнал теле-
медицины и электронного здравоохранения. Т. 8. № 2. — 2022. - С. 50-58.

37.	Воробьев А. Е., Раимбекова Д. М., Кадырбекова С.С. Развитие элек-
тронной smart-медицины в XXI веке. М., Спутник. — 2022. — 85 с.

38.	Воробьев А. Е., Сидиков А. А. Анализ современных умных наушников:
основные функции, особенности применения // Бюллетень инновационных тех-
нологий. Т. 7. № 2 (26). - 2023. - С. 71-76.

39.	Воробьев А. Е., Сидиков А. А. Разработка классификации современных
умных обувных стелек // Journal of clinical and preventive medicine № 4. — 2023. —
C. 131-137.

40.	Воробьев Л. E., Сидиков Л. А., Карабаев M. К., Мамасаидов Д. T., Юл-
дашев Ф. Ю., Воробьев К. А., Юлдашев С. Ю., Ахмадалиева Г. Республика
Узбекистан: возможности становления теории и практики smart-медицины. Фер-
гана (Узбекистан). Classic. — 2023. — 280 с.

41.	Воробьев А. Е., Торобсков Б. Т. Концепция «Умный город 4.0» // Изве-
стия Кыргызского государственного технического университета им. И. Раззакова
№ 4 (60). - 2021. - С. 164-170.

42.	Воробьев А. Е., Торобеков Б. Т., Маматалиев М. А. Развитие концепции
«умный светофор» // Известия Кыргызского государственного технического
университета им. И. Раззакова. - 2023. - № 3 (67). - С. 1523-1528.

43.	Воробьев А. Е., Торогсльдисва А. Б. Smart City. - М.: Спутник+. —
2021.- 136 с.

44.	Воробьев А. Е., Тулегенова О. Ш., Каукенова А. С. Научная составля-
ющая индустриально-инновационного развития государства. Атырау (Казах-
стан) . АИНГ. - 2013. - 210 с.

45.	Воробьев А. Е., Турлуев Р. А.-В., Воробьев К. А., Мадаева М. 3.,
Хаджиев А. А. Природная атмосферная энергия: средство для геооружия или
источник промышленного электричества? - Грозный: Спектр. - 2020. — 78 с.

46.	Воробьев А. Е., Ходжаев Р. Р., Воробьев К. А., Аманжолов Ж. К. Управ-
ление аномальными явлениями в геосферах Земли. Том 1. Алматы (Казахстан). —
Эверо. — 2022. — 388 с.

47.	Воробьев А. Е., Ходжаев Р. Р., Воробьев К. А., Аманжолов Ж. К. Управ-
ление аномальными явлениями в геосферах Земли. Том 2. Алматы (Казахстан). -
Эверо.-2022.-388 с.

48.	Воробьев А. Е., Щесняк Е. Л., Воробьев К. А.. Щесняк К. Е., Щесняк Л. Е.
Способ целенаправленного акустического волнового умного воздействия на про-
дуктивный пласт //11атент на изобретение РФ № 2020104017. - 2021.

49.	Воробьев А. Е., Щесняк К. Е., Щесняк Л. Е. Smart-университет. — М.:
РУДН.-2019.-282 с.

50.	Воробьев А. Е., Юлдашев С. Ф., Воробьев К. А., Ташиева Г. С. Разра-
ботка группировки умных медицинских стелек // Вестник ЦАММУ (Кыргыз-
стан) № 2. - 2023. - С. 38-45.
51.	Козырев Е. Н., Воробьев А. Е. Конверсия рудников Северного Кавказа
на физико-химическую геотехнологию получения металлов / Под ред. проф.
А. Е. Воробьева. — Владикавказ: Рсмарко, 2000. - 200 с.

52.	Лисовец И. М. Современная эстетика: философия искусства, генериру-
емого искусственным интеллектом // Вестник Гуманитарного университета. —
2023. -№ 4 (43). - С. 77-83. - URL: DOI 10.35853/vestnik.gu.2023.4(43).08.

53.	Маркиш А. В. Искусственный интеллект в современном искусстве И
Искусство и культура. — 2024. — № 2(54). — С. 21-25.

54.	Милоевич С. Количественная оценка «когнитивного масштаба» науки
и того, как она менялась с течением времени и в разных странах // Искусствен-
ный интеллект в науке. 2003. — С. 89-94.

55.	Морковкин Е. А., НовичихинаА. А., Замулин И. С. Искусственный ин-
теллект как инструмент современного искусства // Вестник Хакасского государ-
ственного университета им. Н. Ф. Катанова. № 1. - 2021. - С. 55—59.

56.	Статья «Об орудийной деятельности этих гениальных птиц». — The
Batrachospcrmum Magazine официальный сайт научно-популярного интсрнст-
журнала. - URL: https://batrachospermum.ru/2018/11/genius-birds-tools.

57.	Статья «Представлены промежуточные итоги реализации федераль-
ного проекта "Искусственный интеллект"». — официальный сайт Новостной пор-
тала ЦТЭП ИДУ. — URL: https://ncws.cgov.itmo.ru/24-05-22-165.html.

58.	Пучков Л. А., Воробьев А. Е. Человек и биосфера: вхождение в техно-
сферу: Учебник для вузов. - М.: МГГУ, 2000. - 342 с.

59.	Санакулов К. С., Воробьев А. Е., Джимиева Р. Б. Современные методы
термодеструкции горючего сланца в пластах // Горный вестник Узбекистана,
№ 1 (44).-2011.-С. 11-17.

60.	Хворостянникова М. Ю. Искусственный интеллект и художественное
творчество: особенности и возможности // Ratio etNatura. - 2024. — № 1 (9).

61.	Электронный ресурс: «А Complete guide to building chatbots» //chrome-
extension://efaidnbmnnnibpcajpcglclefindmkaj/https://assets-global.website-
files.com/5e960a745d60d5818084af2f/60545ec429d35812726d4a7c_eBook%20-
%20AI%20Chatbot%20101.pdf. 21 p.

62.	Aditya Kumar. Al vs Human Intelligence. — URL: https://www.sim-
plilearn.com/artificial-intelligence-vs-human-intelligence-article,

63.	Aditya Kumar. 25+ Machine Learning Projects for Beginners and ML Ex-
perts | 2025. - URL: https://www.simplilearn.com/machine-leaming-projects-for-be-
ginners-article.

64.	Ahmet Umut Alkan. Introduction to Artificial Intelligence: understanding AI
and its applications. - URL: htlps://medium.com/@ahmetualkan/introduction-to-arti-
ficial-intelligence-understanding-ai-and-its-applications-382b6050elea.

65.	AI - Limits and Prospects of Artificial Intelligence. Peter Klimczak, Christer
Petersen (eds.). Majuskel Medienproduktion GmbH, Wetzlar. - 2023. - 191 p.

66.	Arias Carlos R. An introduction to artificial intelligence. SPU Works. -
2022. -P. 173. - URL: https://digitalcommons.spu.edu/works/173.
67.	Ben Goertzel. The general theory of general intelligence: a pragmatic pat-
temist perspective // arXiv:2103.15100. 2021.

68.	Clancy M. Arc ideas getting harder to find? A short review of the evidence
// Artificial intelligence in science. - 2023. - P. 51-57.

69.	Daniel Johnson. What is Artificial Intelligence? Introduction, history &
types of AI. - URL: https://www.guru99.com/artificial-intelligence-tutorial.html.

70.	Danielle Jacon Ayres Pinto, Rafael Goncalves Mota. The limits to artificial
intelligence: do machines have ethical bias? - 2023. - URL: https://www.academia.edu/
118540707/The_Limits_to_Artificial_lntelligence_Do_Machines_Have_Ethical_ Bias.

71.	Danyal Janjua. What is Artificial Intelligence? Understanding its definition
and concepts. - URL: https://medium.com/diverse-diary/what-is-artificial-intelligence-un-
dcrstanding-its-dcfinition-and-conccpts-3437ac607dca.

72.	David Gamez. Measuring intelligence in natural and artificial systems //
Journal of artificial intelligence and consciousness. 08(02). — 2021. - DOI:
10.1142/S2705078521500090.

73.	Evstratov Л. E., Guchcnkov I. Y. Limits to the use of artificial intelligence
(legal issues) // Law Enforcement Review. - Vol. 4, №2. 2020. - Pp. 13-19. - DOI:
10.24147/2542-1514.2020.4(2).

74.	Fernando Alcoforado. The advent of artificial super intelligence and its im-
pacts. — 2020. — URL: https://blogdefalcoforado.com/2020/03/06/the-advent-of-arti-
ficial-super-intelligence-and-its-impacts.

75.	Getting started with artificial intelligence. A practical guide to building en-
terprise applications. - USA. -2020.

76.	Heyoung Kim, Hyejin Yang, Dongkwang Shin, Jang Ио Lee. Design princi-
ples and architecture of a second language learning chatbot. Language Learning &
Technology, 2022. - 26(1), pp. 1-18. - URL: http://hdl.handle.net/10125/73463.

77.	Hyun Jin Kim, Xiaoyuan Yi, Jing Yao, Jianxun Lian, Muhua Huang, Shitong
Duan, Jin Yeong Bak, Xing Xie. The road to artificial superintelligence: a comprehensive
survey of superalignment. -2024. - URL: https://doi.org/10.48550/arXiv.2412.16468.

78.	Introduction а Г intelligence artificielle. - URL: https://parlonssciences.ca/
rcssourccs-pcdagogiqucs/documcnts-dinformation/introduction-a-lintclligcncc-artifi-
cielle?_gl=l*zamgzz^ga*ODA3NT14MDczLjE2OTU5MTQxNjc.* gaJ23KMC8
T09*MTY5NTkxNDE2Ny4xLjEuMTY5NTkxNTQ0MS4yOS4wLjA.

79.	Jahanzaib Shabbir, Tarique Anwer. Artificial intelligence and its role in near
future // Journal of latex class files, Vol. 14, № 8, 2015.

80.	Jens Pohl. Artificial superintelligence: extinction or nirvana? // InterSymp-
2015, 3 August, 2015.

81.	Jess Whittlestone, Rune Nyrup, Anna Alexandrova and Stephen Cave. The
role and limits of principles in ai ethics: towards a focus on tensions // AAA1/ACM
Conference on AI, Ethics, and Society (AIES ’19), January 27-28. 2019. 6 pages. -
URL: https://doi.org/10.1145/3306618.3314289.

82.	John Kontos. Machine consciousness and question answering // SCI REA
Journal of Computer Science and Technology. Volume 1, Issuel. 2016. — Pp. 58-80.
83.	John McCarthy and Patrick J. Hayes. Some philosophical problems from the
standpoint of artificial intelligence, chrome-extension://efaidnbmnnnibpcajpcglclefmd-
mkaj/http://jmc.stanford.edu/articlcs/mcchay69/mcchay69.pdf. 1969. 51 p.

84.	John Olafenwa. On the subject of thinking Machines // https ://towardsdata-
science.com/on-the-subject-of-thinking-machines-c3ba65a7105.

85.	Kevin Warwick. Artificial Intelligence: the basics. New York. - 2012. - 190 p.

86.	Kumar Abhishek. Introduction to artificial intelligence // https://www.red-
gate.com/simple-talk/development/data-science-development/introduction-to-artifi-
cial-intelligence.

87.	Luger George F. Artificial intelligence: structures and strategies for complex
problem solving. University of New Mexico. - 2009. — 779 p.

88.	Maksim Orlov, Anna Makarenko, Ksenija Pctrochuk. Current state of ostis-
systems component design automation tools // chrome-ex tension ://efaidnbmnnnibpcaj-
pcglclcfindmkaj/https://libeldoc.bsuir.by/bitstrcam/l 23456789/55553/1/Cur-
rent-State, pdf. - C. 49-52.

89.	Maria Jo'ao Pereira, Lu isa Cohcur, Pedro Fialho, Ricardo Ribeiro.
Chatbots' greetings to human-computer communication // https://doi.org/10.48550/
arXiv. 1609.06479. - 2026. - 22 p.

90.	Meraj Farheen Ansari, Bibhu Dash, Pawankumar Sharma, Nikhitha
Yathiraju. The impact and limitations of artificial intelligence in cybersecurity: a liter-
ature review // International Journal of advanced research in computer and commu-
nication engineering. - Vol. 11, Issue 9. - 2022. - Pp. 81-90. - DOI:
10.17148/IJARCCE.2022.11912.

91.	Michael Negnevitsky. Artificial Intelligence. A Guide to Intelligent Systems.
2004.

92.	Muiz Alvi. AI 101 | Introduction to Artificial Intelligence //
https://dev.to/muizalvi/ai-101-introduction-to-artificial-intelligence-39fi.

93.	Nikita Duggal. Advantages and disadvantages of Al // https://www.sim-
plilearn.com/advantages-and-disadvantages-of-artificial-intelligence-article.

94.	Nitisha Aggarwal, Geetika Jain Saxena, Sanjeev Singh and Amit Pundir. Can
i say, now machines can think? // https://www.researchgate.net/publication/
37241673 3_ CanJ_say_now machines can thin k.

95.	Pause giant ai experiments: An open letter // https://futureoflife.org/open-
letter/pause-giant-ai-experiments. Accessed: 2023-05-20.

96.	Shane Legg, Marcus Hutter. Universal intelligence: a definition of machine
intelligence И Minds & Machines. № 17. Pp. 391-444. 2007. DOI 10.1007/sl 1023-
007-9079-x.

97.	Shane Legg. Machine super intelligence // Doctoral Dissertation submitted
to the Faculty of Informatics of the University of Lugano in partial fulfillment of the
requirements for the degree of Doctor of Philosophy. - 2008. - 200 p.

98.	Share Aiyed M. Aldosari. The future of higher education in the light of arti-
ficial intelligence transformations // International Journal of Higher Education Vol. 9,
№ 3. — 2020. — Pp. 145-151. — URL: http://ijhe.sciedupress.com.
99.	Statement on ai risk // https://www.safe.ai/statement-on-ai-risk#signatories.
Accessed: 2023-06-02.

100.	Studies in applied philosophy, epistemology and rational ethics. Springer.
London. 2013. 413 p. DOI 10.1007/978-3-642-31674-6.

101.	Subhash Kak. Machines and consciousness // Philosophy of science and
history of science. - 2005. - 30 p.

102.	Yulia Turo vets, Konstantin Vishnevskiy, Artem Altynov. How to measure
ai: trends, challenges and implications. WP BRP 116/STI/2020.

103.	Vincent C. Muller. Ethics of artificial intelligence and robotics // Edward
N. Zalta (ed.), Stanford Encyclopedia of Philosophy (Palo Alto: CSLT, Stanford Uni-
versity). - 2020. - URL: http://plato.stanford.edu.

104.	Vincent C. Muller. Introduction: philosophy and theory of artificial intelli-
gence // Minds and Machines. May. 2012. - DOI: 10.1007/sl 1023-012-9278-y.

105.	Vorobyov A. E., Madaminov A. S., Suleimanov A. M. Smart medical in-
sole // 7th International conference on medical & health sciences. July 06-08, 2023. -
Ordu, Turkiyc. - 2023. - C. 859-860.

106.	Vorobyov A. E., Vorobyov K. A., Suleimanova F. M. Raqamli adolat:
bugun va ertaga (Цифровое правосудие: вчера и сегодня) // Endless Light in Sci-
ence. 2023. № 6-6. - C. 48-56. (Алматы, Казахстан). - DOI 10.24412/2709-1201 -
2023-48-56. Impact Factor: SJIF 2020. - 5.497.

107.	Wilson C., Marchetti F., Di Carlo M., Riccardi A., Minisci E. Classifying
intelligence in machines: a taxonomy of intelligent control // Robotics Vol. 9, 64. —
2020. - URL: https://doi.org/10.3390/robotics9030064.

108.	Куракова H. Г., Цветкова Л. А., Верченко О. В. Технологии искус-
ственного интеллекта в медицине и здравоохранении: позиции России на гло-
бальном патентном и публикационном ландшафте // Искусственный интеллект
в здравоохранении № 2,2020. - С. 81-99. - DOI: 10.37690/1811-0193-2020-2-81-100.
Инфра-Инженерия

Ку/ Издательство технической литературы

Издательство предлагает учебную литературу
последующим направлениям:

•	IT. Информатика

•	Авиационная и ракетно-космическая техника

•	Автоматизация

•	Автомобильная техника

•	Арматура. Трубопроводы

•	Бетоны

•	Бурение нефтяных и газовых скважин

•	Вооружение. Радиоэлектронные системы.

•	Газовое хозяйство

•	Геодезия, картография и маркшейдерское дело

•	Геология. Геофизика. Геохимия

•	Горное дело

•	Железнодорожный транспорт

•	Лесная промышленность

•	Логистика

•	Машиностроение

•	Медицина и биоинженерия

•	Металлургия

•	Нефтегазовая промышленность

•	Педагогика. Психология

•	Пищевая промышленность

•	Промышленная безопасность. Охрана труда

•	Разработка и эксплуатация нефтяных

и газовых месторождений

•	Сварочное дело

•	Словари

•	Сети и коммуникации. Волоконно-оптическая техника

•	Строительство

•	Судостроение

•	Транспортное строительство. Дороги. Мосты. Тоннели

•	Физико-математические науки

•	Химия. Химические технологии

•	Экология. Безопасность жизнедеятельности

•	Экономика. Управление. Электронная коммерция

•	Электроника

•	Электро- и теплоэнергетика

Интернет-магазин
irrfra-e.ru

WhatsApp

VK

Telegram

Телефон

8-800-250-66-01

8-911 512-48-48

Более 2000 выпущенных книг
поЗОтемам и направлениям

Доставляем наши книги по
всей России от Калининграда
до Камчатки, а также в
страны СНГ

Нам доверяют более 90
учебных заведений в России
и за рубежом
Учебное издание

Александр Егорович Воробьев

Кирилл Александрович Воробьев
Каиргали Караевич Кушеков

ВВЕДЕНИЕ В ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ

У чебное пособие

ISBN 978-5-9729-2734 О

11одписано в печать 31.07.2025

Формат 60х84/16. Усл. печ. л. 7,67. Печать по требованию.
Бумага офсетная. Гарнитура «Таймс».

Издательство «Инфра-Инженерия»
160011, г. Вологда, ул. Козленская, д. 63
Тел.: 8 (800) 250-66-01

E-mail: booking@infra-e.ru
https://infra-e.ru

Издательство приглашает
к сотрудничеству авторов
научно-технической литературы