Малинецкий Г. Г., Смолин В. С. Прогресс ИИ...

ПРОГРЕСС ИИ: ОТ ОГРАНИЧЕНИЙ ФОРМАЛЬНОЙ ЛОГИКИ К РАЗНООБРАЗИЮ САМООБУЧАЮЩИХСЯ ИЕРАРХИЧЕСКИХ НЕЙРОСЕТЕЙ Малинецкий Г. Г., Смолин В. С. Институт прикладной математики им. М.В. Келдыша РАН, Москва, РФ gmalin@keldysh.ru, smolin@keldysh.ru Проблема сложности и ограничения предписывающих правил. Эволюция задач ИИ от замкнутых формальных систем к открытым, нестационарным мирам (вождение, диалог, научное творчество) выявила принципиальную ограниченность формальнологического подхода. Число возможных состояний сложной среды растёт экспоненциально, делая невозможным создание полного набора предписывающих правил. Действие в соответствии с неполным набором жестких правил неизбежно ведет к неэффективности, что находит аналогию в социальной форме протеста «работа по правилам» (work-to-rule). Эффективная работа требует постоянного изменения правил в соответствии с меняющимися условиями. Закон Эшби и переход от заданного к извлекаемому разнообразию. Соглас- но закону Эшби, регулятор должен обладать разнообразием, сопоставимым со средой. Формально-логический подход пытался вложить это разнообразие в виде явных правил, что априори неполно. Нейросетевой парадигмой является принцип извлекаемого Системы искусственного интеллекта для поиска, обработки и анализа информации разнообразия: регулятор (модель) наделяется не знаниями, а пластичной возможностью их получать, настраивая параметры и механизмом обучения, который позволяет выявлять скрытые свойства и инварианты наблюдаемой части сложной среды из ограниченных наблюдений. Параметры как потенциал для обучения, а не как хранилище правил. Число параметров системы 𝑁 значимо не само по себе, а как мера обучаемости и адаптивного потенциала. Рост 𝑁 отражает способность модели формировать иерархические абстракции высокой сложности, которые невозможно явно прописать заранее. Эффективная емкость модели может быть представлена способность к выделению релевантной информация из поступающих данных [2]. Современные архитектуры (трансформеры) де- монстрируют выдающиеся успехи при решении данной задачи. Современные успехи и перспективы: Системы как динамические гипоте- зы. Успехи в генерации и рассуждении подтверждают, что современный ИИ — это не «жесткий» регулятор, а динамическая система-гипотеза, непрерывно уточняющая своё представление о среде через взаимодействие с получаемыми от неё данными. Перспективы лежат в развитии подходов, использующих не статичное разнообразие параметров, а алгоритмы, обеспечивающие скорость и эффективность их адаптации к новым рас- пределениям данных и задачам, направляют пластичность на обеспечение выполнения закона Эшби в сложных средах. AI PROGRESS: BEYOND FORMAL-LOGICAL LIMITS TOWARD DIVERSE SELF-LEARNING HIERARCHICAL NEURAL NETWORKS Malinetsky G. G., Smolin V. S. Keldysh Institute of Applied Mathematics, Russian Academy of Sciences, Moscow, Russia gmalin@keldysh.ru, smolin@keldysh.ru The Problem of Complexity and the Limitations of Prescriptive Rules. The evolution of AI tasks from closed formal systems to open, non-stationary worlds (driving, dialogue, scientific creativity) has revealed the fundamental limitations of the formal-logical approach. The number of possible states of a complex environment grows exponentially, making it impossible to create a complete set of prescriptive rules. Acting according to an incomplete set of rigid rules nevitably leads to inefficiency, which finds an analogy in the social form of protest known as “work-torule”. Effective work requires constantly changing rules in accordance with changing conditions. Ashby’s Law and the Transition from *Prescribed* to *Extracted* Diversity. According to Ashby’s Law, the regulator must possess diversity comparable to that of the environment. Formal logical approach attempted to embed this diversity in the form of explicit rules, which is a priori incomplete. The neural network paradigm embodies the principle of extracted diversity: the regulator (model) is endowed not with knowledge, but with a plastic capacity to acquire ...