Принципиально новых идей в области ИИ не появлялось достаточно давно: секции современных конференций соответствуют весьма традиционным разделам ИИ. Современное состояние области искусственного интеллекта связано, скорее, с разработкой сложных систем.  Но при этом используются теории, которые создавались для упрощенных случаев и искусственно изолированных задач. Попытки же создания "общих теорий интеллекта" зачастую сводятся к очерчиванию лишь его общей структуры, мало пригодной для использования на практике. Требуется же нечто иное - теория построения сложных систем. Целью настоящего семинара и предлагается сделать проведение анализа проблемы синтеза сложных интеллектуальных систем, используя как нисходящий метод – от общих схем к конкретике, так и восходящий метод – путем обобщения непосредственного прикладного опыт.

Описывается пример прикладной системы фразового машинного перевода. Приводятся элементы языка правил перевода, содержащие атрибуты слов, операции с группами слов, операторы пометок и т.д. Описывается компилятор правил в бинарный код через дерево операций для ускорения перевода.

Содержание доклада:
1. Информационные основы психики (основные положения общей теории сигналов как концептуальный аппарат информационной теории психического).
2. Психические процессы как частный вариант информационных процессов.
3. Психические образы как психические коды, их отличие от нервных кодов.
4. Кодирование информации и принцип пространственно-временного изоморфизма.
5. Позиции нервных и первичных психических сигналов (ощущений) на шкале уровней пространственно-временного изоморфизма.
6. Эмпирические характеристики перцептивных и репрезентативных образов: пространственно-временная структура, модальность, интенсивность предметность, константность, целостность, обобщенность vs панорамность, симультанность, сдвиги в воспроизведении пространственно-временной структуры, модальности, интенсивности, а также неустойчивость, фрагментарность и обобщенность.
7. Место первичных (перцептов) и вторичных (представлений) образов на шкале уровней пространственно-временного изоморфизма.

"Биофизически подробная модель первичной зрительной коры."

Построена биофизически подробная модель первичной зрительной коры, основанная на новой модели единичной популяции нейронов с аппроксимациями ионных каналов типа Ходжкина-Хаксли. Модель представляет кору как континуум распределенных вдоль поверхности коры популяций нейронов, взаимодействующих посредством синаптических связей. Определенный набор параметров внутрикорковых связей и внешней таламической стимуляции (pinwheels) обеспечивает свойство коры выделять ориентацию стимула при различной степени его контраста. Модель реалистично воспроизводит стационарные и переходные режимы активности коры. Проведено сравнение модели с экспериментальными данными, полученными как внутриклеточными измерениями, так и оптическим имиджингом.

"Об использовании интеллекта естественного как информационной системы"

Основные вопросы доклада.

Можем ли мы использовать знания об информационных системах применить для практического использования интеллекта естественного?

Информационный поток, отражение мира в психике, качество этого отражения и адекватность реакций информационной системы.

Поиск основных психических феноменов в "архитектуре" головного мозга.

Базис Юнга в "архитектуре" головного мозга.

Наиболее важные параметры работы интеллекта естественного.

ВОЗМОЖНА ЛИ АЛГОРИТМИЧЕСКАЯ РЕАЛИЗАЦИЯ ИНТЕЛЛЕКТА, И КАКОВЫ ЕЕ ОГРАНИЧЕНИЯ

Основные вопросы для обсуждения.

-        Верно ли мнение Х. Дрейфуса («Алхимия и искусственный интеллект», «Чего не могут вычислительные машины»)?

-        Насколько прав Р. Пенроуз («Новый ум короля», «Тени разума»)?

-        О чем говорит парадокс Дж. Сёрла «Китайская комната»?

-        Накладывает ли теорема Гёделя какие-то ограничения на возможности алгоритмического ИИ?

-        Нужна ли новая математика для создания ИИ?

-        А также прочие вопросы на усмотрение участников обсуждения.

О существовании в природе процессов, подчиняющихся законам, которые не выразимы средствами математики

Эволюция биологических систем и проблема построения «сильного» (динамического) искусственного интеллекта

Самоорганизация – мифы и реальность; возможность моделирования

Основные вопросы для обсуждения.
- Феноменология самоорганизации в функционировании интеллекта и его эволюционном возникновении.
- Что такое самоорганизация? Существует ли приемлемое определение?
- Достаточно ли «порядка из хаоса» для самоорганизации? Природа хаоса. Физичность понятия информации.
- Нелинейные динамические системы: может ли быть самоорганизация в системе с детерминированным фазовым портретом?
- Математическое описание и моделирование самоорганизации на примерах систем нелинейных дифференциальных уравнений, искусственных нейронных сетей, клеточных автоматов, эволюционных «стаканов»…
- Чего не хватает современным теориям самоорганизации?

1. Кратковременная моторная память человека
1.1 Методика исследования.
1.2 Динамика ошибок кратковременной моторной памяти человека при долговременном обучении и заучивании.
1.2.1 Ошибки положения и направления.
1.2.2 Повторные ошибки.
2. Нейронные сети класса гетероассоциативная память.
2.1 Общие принципы функционирования.
2.2 Варианты обучения нейросетей.
3. Нейросетевая модель кратковременной памяти человека.
3.1 Схема модели.
3.2 Обучение модели с помощью алгоритма QLBAM.
3.3 Результаты модельных экспериментов.

Проблема индукции, универсальность нейронных сетей, базис нелинейной динамики

Краткое содержание доклада:
1. Проблема индукции
1.1 Рассмотрение на примере задачи функциональной аппроксимации
1.2 Проблема критерия и пространства моделей
1.3 Алгоритмически полные пространства моделей и критерий их качества
1.4 Проблема поиска и представления моделей
2 Искусственные нейронные сети в индукции
2.1 ИНС – универсальные аппроксиматоры?
2.2 Эквивалентность ИНС и универсальной машины Тьюринга
2.3 ИНС как частное алгоритмическое представление моделей
2.4 Расширения ИНС
3 Разработка представления моделей на основе динамических ИНС
3.1 Динамические ИНС как генеративные модели
3.2 Функциональный базис линейных динамических ИНС
3.3 Оптимизация архитектуры ИНС по критерию минимальной длины описания
3.4 Введение нелинейности как расширение множества представимых закономерностей: оптимизация по критерию репрезентационной МДО
4 Примеры приложений динамических ИНС
4.1 Предсказание временных рядов
4.2 Обучение системы управления роботом
4.3 Заключение: проблема реконструкции фазового портрета

Метод принятия решений на основе интеграции распознавания образов и моделирования стохастической среды
 
В.А. Анисимов, к.т.н.

Использование в той или иной форме модели мира является одним из основных атрибутов как живых, так и искусственных интеллектуальных систем, ибо управление можно осмысленно реализовывать лишь на основе возможности предсказания последствий тех или иных действий системы. Возможны различные подходы и концепции к реализации этой задачи, однако, представляется важным, что бы единая концепция могла быть использована для максимально широкого круга задач, ибо это существенно сокращает ресурсные расходы на создание такого рода систем. С этой точки зрения представляется достаточно перспективным подход, применённый нами впервые для задачи распознавания рукописного текста, который, с моей точки зрения, может быт обобщён на гораздо более широкий круг приложений.

Раскрыты конструктивные рамки интеллекта и предложены его признаки. На базе этих признаков рассмотрен схематичный пример использования ии-системы на биржевых рынках. Предложены уровни моделирования: система в целом, функциональный модуль, слой модуля, узел (нейрон). Раскрыта архитектура верхнего уровня ии-системы, состоящая из анализаторов, селекторов, компараторов и др. модулей. Рассмотрена архитектура функционального модуля на примере анализатора среды. Предложена неравновесная модель узла. Обоснован выбор ряда модификаций, отличающих предлагаемую модель узла (нейрона) от существующих.

Обзор конференций по анализу изображений и распознаванию образов

Обзор конференции ICOM-5 по исследованию памяти человека