WWW.KNIGA.SELUK.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА - Книги, пособия, учебники, издания, публикации

 

МИНОБРНАУКИ РОССИИ

Федеральное государственное бюджетное образовательное учреждение

высшего профессионального образования

«НИЖЕГОРОДСКИЙ ГОСУДАРСТВЕННЫЙ ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ

им. Р.Е. Алексеева» (НГТУ)

РЕФЕРАТ

по истории и философии науки аспиранта, соискателя Пиманкина Дениса Андреевича (нужное подчеркнуть) (фамилия, имя, отчество) Факультет Факультет подготовки специалистов высшей квалификации Кафедра Компьютерные технологии в проектировании и производстве Специальность 05.13.17 Теоретические основы информатики ТЕМА РЕФЕРАТА: Проблема создания систем распознавания образов в контексте эпистемологии сложности Утверждена приказом № от ТЕМА ДИССЕРТАЦИИ: Методы и алгоритмы анализа и распознавания графических изображений Научный руководитель Хранилов В.П., д.т.н., доцент (фамилия, инициалы, ученая степень, звание) Преподаватель Михайлова Т.Л., к.ф.н., доцент (фамилия, инициалы, ученая степень, звание) 2011 - 2012 учебный год Содержание Введение

Актуальность темы

1 Почему распознавание изображений — это сложно

1.1 Недостаточность бита

1.2 Порождающий недостаток

1.3 Теоретический недостаток

2 Распознавание образов и априорная неопределённость

3 Динамическая логика

3.1 Почему нет умных роботов

3.2 Динамическая логика

3.3 Инстинкт к знанию и язык

3.4 От роботов к высшим духовным способностям

3.5 Причинность: наука и телеология (целесообразность)

4 Искусственный интеллект: распознавание образов и мышление................. 4.1 Искусственный интеллект и структура модельного мира

4.2 О познаваемости мира средствами искусственного интеллекта........... Заключение

Список литературы

Введение В последние годы распознавание образов находит все большее применение в повседневной жизни. Распознавание речи и рукописного текста значительно упрощает взаимодействие человека с компьютером, распознавание печатного текста используется для перевода документов в электронную форму.

Существует мнение, что характер научно-технической революции в последнее время, особенно в области информационных технологий, а также практические успехи, сделанные в области искусственного интеллекта и распознавания образов, уже дали положительный ответ на вопрос о возможности создания мыслящих систем.





Информатика далеко ушла от обычных фон-неймановских компьютеров и жестко заданных алгоритмов. Уже сегодня широкое применение нашли вычислительные системы с использованием аппарата нейронных сетей, позволяющих с успехом заменить интуицию высококвалифицированных специалистов; экспертные системы продукционного типа способны строить умозаключения, которым позавидовал бы и Шерлок Холмс; системы автоматизированного управления вполне справляются с такими сверхсложными задачами, как выбор оптимальной траектории в режиме реального времени (вспомним хотя бы старый добрый «Буран»); опытные образцы боевых роботов американской армии способны ориентироваться в пространстве на уровне пятилетнего ребенка. Так что вопрос создания системы с интеллектом на уровне человека — видимо, лишь вопрос времени. Однако большинство серьезных ученых гораздо менее оптимистичны.

Актуальность темы и исследований обусловлена тем, что несмотря на многолетние исследования, стремительный рост мощности компьютеров и существование множества программных комплексов например по поиску изображений в базах данных, проблема поиска на основе пиксельного содержания (распознавание в условиях априорной неопределенности) в большинстве ситуаций пока не имеет реализованного решения. Наиболее развитые поисковики, такие как Google Image Search и TinEye все еще очень далеки от решения задачи на уровне человека.

1 Почему распознавание изображений — это сложно Популярно мнение, что распознавание, как и прочие алгоритмы искусственного интеллекта, есть черная магия, недоступная простым смертным. На самом же деле алгоритмы, лежащие в основе распознавания, довольно очевидны, нужно лишь зайти чуть издалека и определиться с терминами.

Базовым является неопределимое понятие множества. В компьютере множество представляется набором неповторяющихся однотипных элементов.

Слово «неповторяющихся» означает, что какой-то элемент в множестве либо есть, либо его там нет. Универсальное множество включает все возможные для решаемой задачи элементы, пустое не содержит ни одного.

В классической постановке задачи распознавания (странно называть классической науку, которой от силы несколько десятилетий:) универсальное множество разбивается на части-образы. Образ какого-либо объекта задается набором его частных проявлений. В случае с распознаванием текста в универсальное множество войдут все возможные знаки, в образ «Ы» — все возможные начертания этой буквы, а программа распознавания занимается тем, что на основе небольшого набора примеров начертаний каждой буквы (обучающей выборки) определяет, какую из них символизирует введенная закорючка.

решающим правилом. Еще одно важное понятие — метрика, способ определения расстояния между элементами универсального множества. Чем меньше это расстояние, тем более похожими являются символы, звуки — то, что мы распознаем. Обычно элементы задаются в виде набора чисел (а как еще?), а метрика — в виде функции. От выбора представления образов и реализации метрики зависит эффективность программы, один алгоритм распознавания с разными метриками будет ошибаться с разной частотой (право на ошибку для программ распознавания так же характерно, как и для людей).





Хорошо показывает принцип работы распознавания образов элементарный алгоритм — метод k-ближайших соседей. Как следует из названия, в нем вводится дополнительный входной параметр, целое число k. Тут все очень просто — берется k ближайших к x элементов обучающей выборки и подсчитывается, сколько из них принадлежит к какому образу. К какому образу принадлежит больше, к тому относится и x.

В алгоритме может возникнуть неопределенная ситуация — когда x будет находиться на одинаковом расстоянии от нескольких образов. В таком случае программа должна либо спросить у пользователя, к какому образу относить элемент, либо тихо бросить жребий. Это зависит от требований к точности с одной стороны, и удобству использования с другой, лучше всего реализовать оба варианта.

Несмотря на чрезвычайную простоту, описанный алгоритм вполне применим на практике. Существует множество других методов, более сложных, и теоретические работы по данной теме могут повергнуть в трепет своей монументальностью (кроме того, большая их часть написана на английском), но и программы на элементарных алгоритмах, толково реализованные, могут выдавать неплохие практические результаты.

Многие ученые считают, что компьютерное зрение — «ИИ-полная» задача — решение задачи зрения на уровне человека равносильно решению задачи искусственного интеллекта.

Математики (инженеры) сложность нахождения общего решения задачи распознавания изображений чаще всего обуславливают следующими причинами:

• различные точки наблюдения сцены;

• различное освещение;

• различный масштаб;

• возможные деформации;

• возможное перекрытие;

• маскировка;

• движение;

• внутриклассовая изменчивость;

• контекст;

• контекст и локальная неоднозначность;

Существуют и более радикальные точки зрения. При решении задач компьютерного зрения фундаментальное значение имеет понятие информации (Шеннона). Некоторые философы связывают многие проблемы кибернетики с недостаточностью информации Шеннона.

То, что возникло благодаря Шеннону — это не информация-ответ, а информация-вопрос. То, что появляется здесь, после развертывания первого панорамного взгляда, — это проблематика информации.

Это понятие стало подобным хамелеону, поскольку оно касается самых разнообразных человеческих посланий, кибернетических программ, биологической организации. Поскольку информация способна, претерпевая метаморфозы, превращаться в негэнтропию, а затем обратно превращаться в информацию. Поскольку это понятие может быть понято как коренное понятие, т. е. генеративное, лежащее в основе всех организационных процессов жизни, а также как эпифеноменальное понятие, унесенное ветром, который рассеивает едва услышанные радиопередачи, едва увиденные образы, едва прочитанные журналы, забытые книги… Поскольку, наконец, информация предстает перед нами то с цифровой точки зрения как мера, то как самостоятельное понятие, которое несет в себе секреты жизни, мозга, общества… Значит, нам надлежит безбоязненно встретить лицом к лицу этого «порочного концептуального хамелеона», согласно выражению фон Фёрстера, причем на трех уровнях, где зияет эта проблематика:

• на уровне бита;

• на уровне генеративности;

• на уровне физического / биологического / антропологического 1.1 Недостаточность бита Бит — это элементарная единица измерения, подходящая для информации, понимаемой как ее величина; количество информации, содержащейся в сообщении или программе, может быть оценено как некоторый результат H.

Бит не измеряет ничего вне передачи сигналов.

Рассмотрим пределы этого инструмента измерения. Прежде всего, «единственная измеримая информация строго связана с пересылкой сигналов»

(Sauvan). Даже в этой области мера имеет ограниченное значение. Она определяется статистически как вероятность появления дискретных единиц.

Тем самым она нейтрализует или, скорее, расчищает при помощи бульдозера то разнообразных способах хранения и передачи информации: память, знание, умение, правило, норма, программа, фантазм и т. д. Информация, измеряемая неопределенна.

Когда информация передается вне передачи сигналов, шенноновская мера исчезает. Некоторые ученые полагали, что информация измеряет организацию, исходя из того, что информация есть отклонение от случайного распределения составляющих элементов, но даже информационная организация не может быть выражена в терминах информации, т. е. сведена к информации. Так, организация живого существа является слишком сложной, чтобы несложная шенноновская мера обладала точностью, была уместной, приносила пользу (но это отнюдь не противоречит возможности выработать сложную меру, как это предполагает Атлан). Таким образом, геном homo sapiens содержит меньше битов, чем геном пшеницы или тритона. Также было бы бесполезно измерять культурную информацию или информацию а мозге. Подсчет в битах десяти заповедей, гражданского кодекса, мыслей Паскаля, Коммунистического манифеста не несет в себе ни существенного, ни сравнительного значения. Это — не количество информации, которая важна, это — организация информации.

Так, своеобразие родовой организации, скажем, человеческого языка, которое заключается в двойной артикуляции, совершенно игнорируется о шенноновосих вычислениях. Бит не может, стало быть, измерять степень организации, степень негэнтропии, степень жизни, степень развития умственных способностей. Он может только обнаруживать событийную / соотносительную / невероятную природу информации, измерение, которое до сих пор совершенно не принималось во внимание.

Цифровая недостаточность.

Шенноновская информация является цифровой (состоящей из двоичных цифр), т. е. определяется бинарными вычислениями, в результате дающими все или ничего. Этот цифровой аспект является нередуцируемым: перенос информации, как и всякий физический перенос, включая перенос света, имеет аспект прерывности. Но так же как свет не может сводиться к аспекту прерывности (корпускулярному его рассмотрению), неправомерно сводить информацию к ее цифровому аспекту думаю, что цифровой характер, будучи рассмотренным сам по себе, ведет к сведению информации к аспекту «частиц», дополнительное и противоположное «непрерывное» измерение информации, которое, вероятно представляет собой нечто подобное «волновому» по отношению к корпускулярному аспекту. Цифровые компьютеры научили нас по меньше мере одной вещи, касающейся мозга: это то, что мозг не функционирует как цифровой компьютер.

Цифровому компьютеру можно доверить копию Джоконды; эта копия, выраженная посредством дискретных точек подобно телевизионному образу, возможно, будет безупречной. Но Леонардо да Винчи не создал ее чисто цифровым образом, т. е. осуществляя выбор точек. Он, конечно, пережил моменты выбора между альтернативами и принятия решения, но эти моменты были соединены как continue. И вот мы опять отосланы к тайне церебрального аппарата, функционирование которого подчиняется только цифровой логике, но который включает ее в сложную полилогику. Общая имитация Джоконды цифровым образом является недообработкой, побочным продуктом, исходя из оригинального образца, который построен таким образом, что он включает, но превосходит цифровой подход. Здесь мы снова сталкиваемся с парадигмальной проблемой редукции к элементарным исчислимым единицам — в данном случае к единицам информации. Такого рода редукционизм игнорирует, разрушает, бессознательно устраняет из поля внимания что-то иное, непрерывное, гештальтное, аналоговое. Он не принимает во внимание те свойства, которые зависят от действия целостности как таковой. Рене Том очень точно отмечает, что всякая информация — это, прежде всего, форма, которая не может быть сведена к скалярной мере. Ведь не только биопсихические феномены имеют миметическую, подражательную составляющую (миметизм отнюдь не ограничивается подобием окраски и подобием телесной организации негэнтропийные/информационные виды активности подчиняются диалогике между цифровым и аналоговым, к этим проблемам я еще вернусь во втором и третьем томах. Это означает, что бинарность — понятие, необходимое для понимания информации, — сама по себе не способна объяснить информацию и, будучи рассмотренной как единственное свойство информации, становится искажающей.

1.2 Порождающий недостаток 1. Шенноновская информация всегда является дегенеративной, вырожденной. Она может только уменьшаться с момента ее передачи до приема. То, что было получено, никогда не может превосходить по информации то, что было передано. Значит, шенноновская информация подчиняется принципу возрастания энтропии, и она позволяет только, при надлежащем использовании избыточности, при случае задерживать неотвратимый результат действия шума.

Шенноновская информация всегда предгенерирована, порождена заранее.

Она появляется как Афина, вооруженная с головы до ног. Не представляется возможным понять ни ее рождение, ни ее рост. Но тем не менее информация должна была родиться. Ее объем в мире увеличивается, стало быть, она продолжает порождаться.

В этом заключается ключевая проблема, осмыслению которой мешала не только теория, но и логика классического понимания: почему информация, чтобы быть порожденной, нуждается в неинформации, обязательно нуждается в избыточности и шуме?

Поразительно, что столь гигантская проблема оставалась почти всем незамеченной. Только некоторые, среди которых фон Фёрстер Бейтсон, поняли сформулировал эту проблему в информационных терминах.

2. Шенноновская информация становится порождающей негэнтропию, становясь программой внутри кибернетической машины. Бриллюэн даже показывает, что на базе шенноновских представлений можно сформулировать принцип негэнтропии информации, в котором эквивалентность между информацией и негэнтропией позволяет превращать одно в другое. Этот принцип ни в коей мере не отрицает теоремы дегенеративности. Теперь читатель знает, что в понимании сложности не существует альтернативного выбора между терминами «энтропия» и «негэнтропия», они должны конкурирующие друг с другом и находящиеся в отношении антагонизма друг к другу. Это означает также, что над разработать сложную теорию информации, которая, как мы это увидим требует обновления и прояснения своего принципа генеративности, который встал перед нами во весь рост с того времени, как информация была идентифицирована с геном. Шенноновская информация покрывается туманом, как только происходит погружение в генеративность (негэнтропийную организацию), дезорганизуется, ее внутренние связи нарушаются, как только начинается поиск ее собственных начал (участие «шума» в генезисе информации). Это — те темные малопонятные зоны, изучение которых уже в течение восьми лет предпринимает Анри Атлан, и, очевидно, именно он пробудил внимание автора к эти проблемам.

3. Принятие теорией жизни информационной тематики способствовало значительному прогрессу в этой теории, но эти прогрессивные сдвиги, чтобы продолжаться, должны были обогатить и усложнить информационную проблематику. Таким образом, начиная с того момента, когда ген и информация были отождествлены, происхождение жизни, эволюция, творящая миллионы растительных и животных видов, все более и более настойчиво ставят проблему рождения, роста, развития информации. Теория жизни, для которой идея кода и программы стали удобными костылями, должна была начать предпринимать попытки идти на своих собственных ногах, порой ища ответа у этих понятий. Понятие кода является очень странным, когда нет настоящего языка, настоящего получателя и настоящего передатчика; оно имеет что-то незначительное в чрезмерном объеме, и, возможно, чего-то крупного ему недостает. Понятие программы является полезным, но недостаточным: откуда появится программа, если нет программиста? Что означает эта программа, кто нуждается в продуктах, производство которых она упорядочивает, чтобы функционировать и воспроизводиться? Какова эта программа, которая может варьировать свои ответы в одной и той же ситуации?

Это понятно: введение информации в жизнь вместо того, чтобы быть просто кибернетико-шенноновским применением, должно было быть, должно быть, начинает быть (начиная с работы Атлана, намного более «ревизионистской», чем он думал) поводом для пересмотра и усложнения теории.

1.3 Теоретический недостаток Информация, привитая в ДНК, сохранила идею кода от человеческой коммуникации; с идеей программы она вводит модель искусственной машины.

Таким образом, то, что введено в ген, — это а) антропоморфная идея кода, б) техноморфная идея программы; первая, быть может, чрезмерна, вторая, вне всякого сомнения, недостаточна. Эта прививка имела эвристический аспект, но также и вдвойне искажающий: из информации устраняют, после ее кибернетического замачивания, всю антропосоциальную сложность, сохраняя тем не менее формальную антропосоциальную схему (код, квази-передатчик, квази-получатель); из кибернетической идеи программы убирают программиста и встраивание искусственно созданной машины в социальную мегамашину, и эта абстрактная машина становится моделью живой машины. Наконец, эта искусственная модель возвращается к организации мозга и организации общества, забывая, что отсюда она и вышла, забывая, что она представляет собой маленькое частное производное, их побочный продукт, растеряв в ходе движения все фундаментальные антропосоциологические составляющие, упростив и фальсифицировав теорию жизни. Так же и потенциально цивилизующая идея информации, которая дала возможность социологической теории усложниться, дошла до варварства.

Здесь со всей очевидностью обнаруживается решающий теоретический парадокс. Информация является тем понятием, которое преуспело в установлении органической связи между физической, биологической и антропосоциологической вселенными. С самого начала существовала связь между физической теорией и антропосоциальными рамками исследования.

Вскоре после этого информация укоренилась в сердцевине биологической теории, и поэтому тройная связь, казалось, была гарантирована.

Но на самом деле, пока не сложилось подлинного соединения; имеет место, как мы это видели, гегемония раздвоенного, упрощенного, искажающего понятия.

Необходимо вернуться к рассмотрению ключевой проблемы тройного соединения:

природа (physis) — жизнь — антропосоциология.

Физическая реальность информации не является конкретно изолируемой.

Я имею в виду, что в нашем знании и на нашей планете не существует экстрабиологической информации. Информация всегда связана с негэнтропийно организованными существами, каковыми являются живые и метабиотические существа, которые питаются жизнью (обществами, идеями).

Более того, понятие информации имеет антропоморфный характер, который, как мне представляется, неустраним. (Он даже необходим, чтобы утвердить негэнтропийную полноту, маленького антропоморфного демона Максвелла.) Мы подходим к следующему ключевому предположению: физическое понятие информации немыслимо без биологического понятия информации и без антропосоциального понятия информации. Мы искажаем реальность физического понятия, если настаиваем на его полной изоляции, ибо оно существует только в физических образованиях, которые имеют качество живого существа, и развивает свои скрытые возможности только в процессе коммуникации между социальными существами, имеющими мозговую способность обмениваться информационными данными.

Отсюда вытекает необходимость теоретической метасистемы, которая, располагаясь на уровне тройного соединения, интегрирует, трансформирует и выступает за пределы понятия информации, введенного Шенноном.

Речь здесь не идет о чистом и простом отрицании. Шенноновска информация имеет ключевые преимущества (соотносительность, событийность, невероятность, оригинальность, а главным образом, возможность соединения с негэнтропией). Но в своей (частичной / цифровой) форме она недостаточна, имеет огромные недостатки, подвержена риску быть овеществленной и упрощенной под видом программы или, наконец, лишена естественности в своем вульгаризованном или идеологическом виде.

Шенноновская информация — это только показавшаяся на поверхности верхушка глубоко уходящего в воду айсберга. Важнейшая идея которая выявляется в ходе моего критического анализа, состоит в том что настоящая теория информации может быть только метаинформационной, т. е. может развиваться, только будучи интегрированной в центр, сложной теории организации, соединенной с этой теорией и выходящей за ее пределы. Именно в этом направлении, причем совершенно естественным образом, шел Атлан: от информации к организации.

2 Распознавание образов и априорная неопределенность Отдельно стоит задача распознавания изображений в условиях априорной неопределенности.

неопределенность. В этом легко убедиться, обратившись к любой работе, посвященной анализу сложных систем. Однако до сих пор не решен вопрос о том, что представляет собой неопределенность в сложных системах: либо это понятие несет чисто онтологическую нагрузку, т. е. отражает некоторое реальное свойство самой сложной системы, не зависящее от сознания человека, либо это фиксация такого состояния этапа познания, который выражает некоторую неудовлетворенность имеющимся знанием реальной системы, либо, наконец, принципиальная невозможность получить ее удовлетворительное отображение. Причем в литературе по сложным системам при рассмотрении проблем «снятия» неопределенностных ситуаций данное положение со статусом понятия неопределенности упускается из виду.

Рассмотрим конкретный пример введения неопределенностных ситуаций в теории функционирования сложных систем: «Характерной особенностью работы алгоритмов реальных сложных систем является наличие неопределенности относительно истинного состояния внешней среды и элементов системы. Естественным и, по-видимому, неизбежным проявлением этой неопределенности являются ошибки в принятии решений…» К сожалению, автор этого высказывания не раскрывает существа понятия неопределенности, а сразу переходит к решению задачи — поиску методов устранения подобных ситуаций. При этом уже исходные посылки и предлагаемый путь снятия неопределенности вызывают следующиеассоциации по поводу взаимоотношения сущности и явления: неопределенность существует как отсутствие информации о внешней среде; больше о неопределенности нам сказать нечего, мы судим о ней по ее проявлениями изобретаем методы, устраняющие, строго говоря, эти проявления, а не саму неопределенность как таковую. Характерной особенностью и неизбежным неопределенности понимается в неявной форме не снятие, а большей частью пассивное приспособление к неопределенностным условиям. В принципе здесь нет ничего плохого, ибо такие методы решения очень полезны и нужны.

Отметим лишь, что для данного подхода к неопределенностным ситуациям характерно явное или неявное уклонение от анализа их сущности.

Мы ни в коей мере не ставим себе здесь задачу «доведения» методов методологически корректно поставлена и теоретически конструктивно методологов-философов и специалистов потеории сложных систем. Нашей же целью является привлечь внимание к данной проблеме посредством анализа другой ее стороны, ранее не принимавшейся во внимание (по крайней мере в специальной литературе). Короче говоря, не оспаривая эффективность современных математических методов снятия ситуаций неопределенности, мы хотим показать, что реальные неопределенностные ситуации гораздо богаче, нежели анализируемые ныне. Допустим, что неопределенность связана с некоторой совокупностью внешних данных о состоянии среды — с измерениями параметров внешней среды. Эта совокупность данных будет неопределенной в силу того, что исследуемая сложная система часть этих характеристик небудет перерабатывать либо будет допускать ошибки.

Спрашивается: кто и почему данную ситуацию будетфиксировать как неопределенную? Сама сложная система «не заметит» отсутствия этих функционирования заложен учет количества принимаемых параметров, но и здесь для сложной системы это не есть состояние неопределенности. Состояние неопределенности (как состояние отсутствия либо искажения информации некоторых внешних параметров) может зафиксировать лишь исследователь, и то только в том случае, если он заранее знает о том, что они должны быть.

Вообще говоря, при наличии у сложной системы алгоритма пересчета (учета) количества внешних параметров состояние будет отлично от обычного, и это скажется на принятии этой системой решения. Это состояниепри желании можно назвать «псевдонеопределенностным», однако, по нашему мнению, для этого нет никаких оснований. Скорее всего этого делать вообще нельзя, потому что при такой экспликации понятия неопределенности в решении задачи снятия неопределенностимы сразу же столкнемся с трудностями, которые сильно помешают процессу решения данной задачи. Причем трудности эти будут отнюдь не объективными, а созданными искусственно, путем принятия данной экспликации. Например, если неопределенность есть отсутствие информации, то процесс снятия неопределенности представляет собой поиск недостающей информации. Хотя на первый взгляд постановка проблемы и ее решение кажутся вполне конкретными, на самом деле это не так. Перед этим отмечалось, что сама по себе констатация отсутствия информации весьма неконкретна: непонятно для кого эта информация является недостающей — для объекта или для субъекта?

Допустим, что информация отсутствует для субъекта и именно он воспринимает это как ситуацию неопределенности. Но тогда дело усложняется тем, отсутствие какой информации является ситуацией неопределенности?

Трактовка неопределенности как отсутствия информации нисколько не уточняет постановку задачи, а именно для этого и необходимо вводить новое понятие, приписывая ему какой-то определенный смысл. Поэтомуэкспликация понятия неопределенности как отсутствияинформации на сегодняшний день является недостаточной по крайней мере в теории сложных систем. Все же существующие пути (методы) устранения неопределенности в описании сложных систем подразумевают под неопределенностью или возможность выбора, или отсутствие, или недостаточность информации. Поэтому соответствующие методы устранения неопределенностей связаны либо с поиском дополнительных каналов информации (это относится и к пониманию неопределенностикак возможности выбора), либо с выделением некоторых (обычно внутренних) критериев, позволяющих отбросить из анализа некоторые решения или параметры увеличивающие неопределенность.

Преодоление трудностей в анализе неопределенностных ситуаций в сложных системах нам видится прежде всего в исследовании эпистемологического статуса и соотношения основных понятий, характеризующих сложную систему, — понятийсложности и неопределенности. Известно, что объективное содержание системного объекта сводится к качественному и количественному разнообразию и абсолютному числу элементов (частей, свойств, состояний, связей, стадий функционирования и поведения, этапов и уровней развития системы). Когда же встает вопрос о познавательном ипрактическом овладении объектом, начиная от его описания вплоть до расчета, предсказания, проектированияи конструирования, то в этом случае на первый планвыступает субъективная (познавательная и практическая) сторона или характеристика сложности. «В понятии сложности объективная сторона понятия обусловлена увеличением (по сравнению с обычными, «несложными» системами) числа и разновидностей элементов (подсистем) систем (определенных классов), связей между элементами или подсистемами, их свойств и т. д. К субъективной стороне понятия сложности можно отнести исходные абстракции и допущения, теоретическиеметоды и технические возможности, необходимые для отображения данной сложной системы, а также те трудности и ограничения в ее адекватном отображении, с которыми мы сталкиваемся в данных условиях ее познания».

Критерий отличия сложной системы от простой в эпистемологии не выявлен с достаточной ясностью. Однако интуитивно, на эмпирическом уровне мы почти всегда знаем, какая система в непосредственной сиюминутной данности является сложной, а какая — простой. Как осуществляется этот предварительный анализ? Каким критерием отличия мы пользуемся для его вовлечение анализируемой системы в предметную деятельность, практику. При этом эпистемологическая сложность системы зависит от той функциональной нагрузки, которую эта система выполняет в сфере исторической практической деятельности человека. М. Э. Омельяновский, анализируя понятие простого и сложного, отмечает, что содержание понятия сложного раскрывается через принадлежности к тому или иному виду практики (например, к тому или иному виду научного эксперимента) и к разным этапам ееразвития. Тем самым один и тот же объект в деятельностном и историческом аспекте может выступать либо простой, либо сложной системой. Аналогичные соображения высказывали и другие авторы. В частности, помнению В. В. Парина, «понятие о (более) сложном возникает тогда, когда в орбиту научного исследованиявводятся новые, недоступные ранее для изучения формыи уровни организованности…».

Таким образом, понятие сложности характеризует такую познавательную ситуацию, в которой субъект снеобходимостью должен отобразить в сознании те стороны (характеристики) реального объекта, которым нельзя найти адекватных образов исходя из имеющихся запасов знаний. В данном определении сложности (в эпистемологическом аспекте) на первый план выступает один из параметров (критериев), исходя из которого можно неопределенности. Если в процессе исследованиядвух систем для одной из них возникает больше неопределенностных ситуаций, то такая система может быть названа более сложной в эпистемологическом отношении. Исследование обеих систем должно, конечно, проводиться с применением одинаковых средств и методов анализа.

Идея взаимосвязи неопределенности и сложности, строго говоря, не является новой. В словаре по кибернетике дается следующее определение сложных систем управления. Это такие системы, «которые нельзя корректно описать математически либо потому, что в системеимеется очень большое число различных элементов, неизвестным образом связанных друг с другом, либо потому, что мы не знаем природы явлений, протекающих всистеме, и потому не можем количественно их описать». Как видно, критерием отличия сложной системыздесь фактически признается неопределенность, связанная с отображением объектов на разных уровнях познания. Что касается анализа понятия неопределенности при исследовании сложных систем, то здесь почти нет возможности опереться на предшествующие работы — их крайне мало. Из философских работ, посвященных этой проблеме, можно отметить книги В. С. Готта, А. Д. Урсула и П. И. Визира, Л. Бриллюэна и Б. Чендова.

3 Динамическая логика 3.1 Почему нет умных роботов В 1950-х годах, когда появились компьютеры и математики начали разрабатывать «умные» компьютерные программы, они были уверены, что вскоре компьютеры далеко превзойдут человеческое мышление. Этого, однако, не произошло. До сих пор компьютеры не могут выполнять задачи, с которыми легко справляются даже дети: например, умение различать обыкновенные объекты, не говоря уже о более сложных ситуациях и действиях. Почему?

Чтобы ответить на этот вопрос, взглянем на основные этапы развития искусственного интеллекта.

В 1950-х годах разрабатывались самообучающиеся компьютерные программы. Статистические методы использовались для того, чтобы программа обучилась среднестатистическим характеристикам различных предметов по заданным примерам и потом могла бы различать похожие предметы. Однако после многих лет работы в десятках и сотнях университетов ни одна программа не смогла приблизиться даже к ребёнку или животному.

В 1960-х годах Марвин Минский из Массачусетского Технологического Института (MIT) предложил новое направление исследований. Прежние самообучающиеся программы, говорил Минский, разрабатывать преждевременно: «Ньютон «самообучился» законам Ньютона, а остальные прочитали о них в учебниках». Самообучение, следовательно, недоступно обыкновенному человеку. И «умные компьютеры» следует начинать разрабатывать с тем, чтобы вложить готовые знания (правила решения) в компьютеры. Однако вновь после многих лет и сотен миллионов, затраченных на исследования, ни один компьютер не приблизился к ребёнку или животному по интеллектуальным способностям. В реальном мире, когда всё изменяется, требовалось всё больше и больше правил, которые не могли поместиться в компьютерную память.

В 1980-х годах возникла новая идея. Если самообучение без знаний слишком сложно, а знания без обучения требуют слишком многих правил, не попытаться ли соединить и то и другое? Начались разработки систем с обучающимися моделями. Основная идея была вложить знания в конструкции моделей, а изменяющиеся характеристики конкретных ситуаций описывать параметрами, которым компьютер будет обучаться в конкретных ситуациях.

Следующая идея «нейронных сетей» была подсказана структурой мозга:

элементы памяти соединялись в компьютере математическими структурами, напоминающими нейронные сети в мозгу. Обучение происходило путём изменения силы соединений, подобно тому как нейронные синапсы изменяются в мозгу в процессах обучения. Но и эти идеи не привели к успеху.

После пятидесяти лет неудач некоторые учёные стали приходить к выводу, что существует фундаментальная причина этих неудач.

3.2 Динамическая логика В серии статей [15…22] в 1980-х и 1990-х годах автор показал, во-первых, что все неудачи математически сводятся к одной причине. Во всех алгоритмах приходилось рассматривать большое количество комбинаций простых элементов и выбирать наилучшую комбинацию (по некоторому критерию).

Например, человеческий глаз получает около 10000 сигналов десять раз в секунду. Однако количество комбинаций даже всего 100 сигналов превосходит все события во вселенной за всю историю её существования. Ясно, что ни один компьютер не справится с этой задачей. Во-вторых, фундаментальная математическая причина этой комбинаторной сложности была обнаружена в логике. Ещё в 1930-х годах Курт Гедель доказал фундаментальную несостоятельность логики. Это же доказательство приводило к комбинаторной сложности алгоритмов, использующих логику. Оказалось, что все алгоритмы использовали логику.

В последующих публикациях был разработан новый тип логики, динамическая логика. Если обыкновенная классическая логика занимается утверждениями, например: «это стул», то динамическая логика — это процесс от расплывчатого к конкретному. Пример этого процесса дан на следующей иллюстрации.

Рисунок 1 — Иллюстрация процесса динамической логики Процесс динамической логики. Распознавание образов в сложной ситуации, когда объекты слабее шума. (А) Три объекта показаны без шума. (В) Сенсорные данные, в которых объекты нужно найти. Количество объектов, их положение и крутизна неизвестны. Перебор всех возможных ситуаций невозможен, он потребует больше компьютерных операций, чем число событий во вселенной; задача считалась нерешаемой. Процесс динамической логики начинается с расплывчатой модели (С). От (D) до (Н) модели улучшаются, их неопределённость уменьшается, и после 20 итераций объекты найдены.

Нейрофизиологические исследования показали, что распознавание объектов в зрительной системе происходит подобным образом. Зрительное восприятие простого объекта занимает около секунды. За это время в мозговой системе зрительного восприятия происходят сотни тысяч нейронных операций. В первый момент представление об объекте в зрительной системе расплывчато, подобно (С). Постепенно расплывчатость уменьшается, и через секунды мы видим объект. Почему же нам кажется, что мы видим всё сразу?

Так устроена работа мышления: для нашего сознания доступен лишь конечный результат — чёткий распознанный объект. Подобным образом устроено не только восприятие простых объектов, но всё мышление. Мысли, решения, планы развиваются в мышлении от расплывчатого и неосознанного к конкретному и сознательному. В сложных ситуациях недодуманные мысли могут проясняться в сознании, но это малая часть процесса мышления.

Поразительно, что Аристотель описывал работу мышления подобным образом: от расплывчатых нелогичных «форм» к конкретным, логическим. В книге «Риторика для Александра (Македонского)» Аристотель пишет инструкцию для своего ученика (в то время – царя, захватившего полмира). Он разбирает около сотни вопросов, по которым Александру приходится произносить речи (заключать мир или нет, пытать пленных или нет…). По каждому вопросу он даёт строгие логические обоснования для решения вопроса в любую сторону. Логика — это не способ принятия решений, а способ обоснования уже принятых решений. Эта мысль Аристотеля оставалась непонятой почти две с половиной тысячи лет. Но Аристотель предвидел и это.

Плутарх цитирует письмо Александра Аристотелю: «Ты пишешь книги… Не собираешься ли ты раскрыть всем наши знания?» Аристотель отвечал:

«Александр, не волнуйся, никто ничего не поймет».

3.3 Инстинкт к знанию и язык Процесс динамической логики происходит в мозгу независимо от нашего желания, автоматически, под действием врождённого инстинкта: понимать!

Всю жизнь мы приближаем наши представления к реальности, мы улучшаем наши знания. Пусть этот процесс не всегда так гладко происходит, как при восприятии простых объектов, но развитие культуры состоит в накоплении знаний под действием инстинкта к знанию.

Знания передаются от поколения к поколению через язык. Мы не можем непосредственно передать нашим детям представления о жизни, добытые долгим и часто трудным опытом. Мы можем лишь передать эти представления, выраженные в языке — то есть понятия. Есть поговорка: «одна картинка лучше тысячи слов». Как бы хорошо Вы ни выразили свою мысль словами, что поймет другой человек? «Поймёт ли он, чем ты живёшь? / Мысль изречённая есть ложь». Может ли наука объяснить эти философские истины?

Сегодняшние компьютеры не умеют ни разговаривать, ни читать и не понимают языка Google, Yahoo или Yandex; не могут сами найти в Интернете то, что Вам нужно; они не понимают Вас, т. е. поисковые системы воспринимают только «свои» формулировки, не понимают синонимов и «не видят» связи слов с мышлением и с жизнью. Но эта ситуация принципиального непонимания начинает меняться. Становится ясно, что осознание языковых понятий невозможно без понимания представлений мышления и наоборот.

Основной нейронный механизм взаимодействия языка и мышления состоит в том, что языковые модели-понятия и мыслительные моделипредставления жёстко связаны врождёнными нейронными структурами. Мы называем это «двойная модель». Когда ребёнок рождается, у него в голове нет ни слов, ни чётких представлений. Есть лишь расплывчатые нейронные структуры, которые постепенно, с опытом, наполняются конкретным смыслом.

Но связь между понятиями и представлениями изначальная, врожденная. Как только ребёнок услышит слово, он попытается понять, что этому слову соответствует в реальной жизни.

У животных нет такой врождённой связи, нет двойной модели. Собака может принести туфли по команде. Но её надо специально учить, что звук «туфли» связан с объектом туфли. Никто и пытаться не будет учить собаку абстрактным понятиям, которые нельзя конкретно увидеть, например, реальность, мнительность, абстрактность. К пяти годам каждый ребёнок знает огромное число слов и может говорить обо всём, о чём говорят взрослые вокруг него. Если мать или отец ищет работу, ребёнок расскажет гостям, как искать работу. Но, конечно, ребёнок не может пойти на улицу и найти работу, каждый это понимает. Говорят, «у ребёнка нет опыта». Но чем конкретно отличаются знания ребёнка от взрослого? Как это различие объяснить с точки зрения нейронных механизмов мозга?

Старые представления предполагали, что ребёнок отдельно запоминает слова, отдельно приобретает жизненный опыт. И запоминает связи между словами и опытом. Но, как мы обсуждали, это математически невозможно – количество сочетаний элементарных «опытов» практически бесконечно.

Только зная язык, ребёнок может выделить из бесконечной цепи явлений те, что составляют полезные представления, соответствующие понятиям языка.

Способность к языку устроена так, что к пяти годам языковые модели из новорождённых, расплывчатых, становятся чёткими, конкретными. Однако многие мыслительные модели (и модели поведения) остаются расплывчатыми.

Лишь постепенно они приобретают степень четкости, существующую в языке — в этом и состоит «накопление жизненного опыта».

Этот процесс продолжается всю жизнь, резко замедляясь после отрочества, и продолжает постепенно замедляться, в разной степени у разных людей.

Творческие люди лучше сохраняют способность к обучению новому — к конкретизации моделей мышления и поведения. Однако редко кому удаётся достигнуть такой же конкретности мыслительных моделей, как языковых моделей. Чем выше модели в иерархии мышления, тем сильней различие. И когда люди говорят об абстрактных понятиях, о возвышенных идеях, то можно заметить, что многие говорят словами, имея лишь расплывчатые и не вполне осознанные представления о том, что стоит за словами.

3.4 От роботов к высшим духовным способностям Математическое понимание работы мышления, о котором говорилось выше, интересно не только для того, чтобы создавать улучшенные роботы, которые будут понимать язык, но и для того, чтобы понять, как работает человеческое мышление. На основании этих теорий сегодня мы можем лучше понять нейронные механизмы самых сложных человеческих способностей, красоты и духовно возвышенного.

С каждым инстинктом связаны эмоции. Когда нашему организму не хватает калорий, когда падает уровень сахара в крови, мы чувствуем эмоцию голода. Так же работает и инстинкт к знанию. Когда наши представленияконцепции не соответствуют окружающему миру, мы ощущаем это как нарушение гармонии (между знанием и миром). Когда наши представленияконцепции соответствуют окружающему миру, мы ощущаем это как внутреннюю гармонию. Понимание обыкновенных объектов обычно мы воспринимаем как само собой разумеющееся и не ощущаем при этом особого чувства гармонии, это ощущение не достигает сознания. Однако, если обыкновенные объекты «ведут себя» не так, как ожидается, это может быть страшно — на этом основаны фильмы ужасов.

Гармония между знанием и миром становится более доступной сознанию на уровне важных высоких понятий — таких, как смысл жизни. Чем выше понятие в иерархии мышления, чем дальше оно оторвано от конкретного жизненного опыта, тем более оно расплывчато и тем менее доступно сознанию.

Но жить без уверенности в том, что жизнь имеет смысл, человек не может, эта уверенность нам нужна больше, чем хлеб и вода. Обычно мы не задумываемся об этом, эти мысли слишком трудны, потому что понятие высшего смысла слишком расплывчато и неосознанно. Инстинкт к знанию придаёт всем нашим понятиям и представлениям некоторый смысл. Таким образом, там, где гармония между знанием и жизнью наиболее важна, там её ощущение расплывчато, и не всегда есть у нас уверенность в существовании смысла жизни. Поэтому, если нам удаётся улучшить это понятие даже немного, получить больше уверенности в нём, что бывает нечасто, мы осознаем целесообразность, связанную со смыслом жизни. В эти редкие моменты мы чувствуем столь дорогую эмоцию, — это эмоция красоты, основа искусства.

Такую же эмоцию ощущает учёный в момент открытия — это основа науки. А если нам удаётся понять, как следует жить, так чтобы смысл реализовывался в нашей жизни, мы испытываем эмоцию духовно возвышенного — основу религий.

3.5 Причинность: наука и телеология (целесообразность) Как соотносится наука с религией — оставалось загадкой, начиная с возникновения науки. Сегодня споры между научным и религиозным взглядом на мир часто приобретают оттенок противоречия между миром, созданным Богом с определённой целью, и миром как результатом эволюции. Религиозный взгляд считает, что у мира есть цель, этот взгляд называют также целесообразным или телеологическим (мир движется к некоей цели). Научный взгляд считает, что мир устроен причинно, то есть каждое событие есть результат предшествующих событий, причин. Эти два взгляда считаются противоречащими друг другу, и в этом — противоречие между религией и наукой. Но человек не может отказаться ни от одного из этих взглядов, ни от науки, плодами которой пользуемся мы все, ни от религии, которая помогает нам понять смысл нашей жизни. Поэтому примирение между этими, казалось бы, противоположными взглядами важно для современного человека. Карл Юнг считал, что противоречие между наукой и религией — симптом психоза современного сознания и что дальнейшее развитие культуры требует разрешения этого противоречия.

Математическая теория инстинкта к знанию и динамической логики разрешает это противоречие. Инстинкт к знанию — это телеологический принцип работы мышления и эволюции культуры: мышление и культура развиваются в определённом направлении, движутся к цели, эта цель — увеличение знания, улучшение моделей мышления. При этом нейронные механизмы мышления действуют в соответствии с динамической логикой.

Динамическая логика — это причинный принцип работы мышления: в каждый момент нейронные механизмы мышления определяются предшествующим состоянием. Развитие мозга, подчинённое причинному действию динамической логики, определяет причинное развитие культуры от сегодняшнего состояния к завтрашнему. Что же примиряет телеологический принцип движения к конечной цели с научным принципом причинности?

Оказывается, что динамическая логика обусловлена инстинктом к знанию и математически ему эквивалентна. Одно вытекает из другого с математической необходимостью. Нет противоречия между религиозным и научным принципами понимания мира.

мышление Рассматривая подходы к построению систем искусственного интеллекта, можно выявить следующие основные подходы:

Традиционный подход.

Его характерная особенность выражается в том, что делаются попытки понять структуру и процессы отдельных проявлений интеллекта: логического мышления, интуиции, речи, способности к исследованию окружающего мира и т. д. Однако, несмотря на огромные прорывы в решении отдельных задач, нельзя не отметить, что до построения обобщенной картины интеллекта еще слишком далеко.

Подход в рамках сетлеретики.

человеческого мозга на подходящий носитель информации, который допускал бы его функционирование и возможность исследования. В настоящее время люди не располагают подходящими носителями: многогигабайтная память наших компьютеров оказывается слишком мала для сколько-нибудь полного и подробного представления структуры мозга, а наши сверхскоростные процессоры — слишком медленными. На сегодняшний день мы можем копировать лишь структуру отдельных тканей. (Например, моделирование минутной деятельности нейронов ушной улитки заняло у группы американских исследователей около двух дней на супер ЭВМ «Cray»). Тем не менее, подход в рамках сетлеретики нельзя не признать перспективным, поскольку необходимые вычислительные мощности — дело очень недалекого будущего.

Кроме того, этот метод позволил бы создать и исследовать интеллект, полностью идентичный человеческому. Если в традиционных методах моделирование функций мозга идет снизу вверх (что, как известно, не гарантирует сходимости исследований во времени к какому-либо значимому результату), то подход в рамках сетлеретики дает возможность исследования сверху вниз — от общей структуры к физической реализации, что было бы гораздо удобнее.

Подход на основе теории клеточных автоматов.

В рамках этого подхода строится некоторая модель физического мира, способного к саморазвитию. Достоинством такого подхода является гораздо меньшая требовательность к ресурсам — в конце концов, степень детализации мира определяем мы сами исходя из поставленных задач и имеющихся средств.

С другой стороны, благодаря самоорганизации, модель будет «сама»

приобретать необходимые интеллектуальные качества.

Остановимся на более подробном рассмотрении третьего подхода.

Несмотря на то, что с первого взгляда подобный метод кажется нереальным и неосуществимым на сегодняшний день, ничего сложного в его реализации нет, и проведенные ранее эксперименты наглядно это доказывают. Как правило, саморазвивающиеся системы строят на основе генетических алгоритмов:

задается базовый набор свойств объектов системы (своеобразных атомов модели, далее неделимых), законами наследования и использования этих свойств, а также критерий отбора, позволяющий оптимизировать набор необходимых нам свойств.

В научно-технических задачах, использующих генетический алгоритм, критерий отбора может быть выражен в явной форме. Например, если мы ищем коэффициенты разложения функции в ряд Тейлора, можно смоделировать популяцию, в которой критерием отбора является минимальное среднеквадратичное отклонение восстановленной функции от исходной: чем меньше среднеквадратичное отклонение, тем больше у особи шансов выжить и оставить жизнеспособное потомство, наследующее ее свойства — набор коэффициентов разложения.

В задачах моделирования искусственного интеллекта, очевидно, невозможно сформулировать критерия отбора в явной форме: нельзя вывести формулу, априорно вычисляющую уровень интеллекта. Для измерения интеллекта нужно как минимум оценить способности особи-носителя искусственного интеллекта к приобретению опыта и к его использованию в практической деятельности, в решении некоторого набора задач. Очевидно, что набор задач должен динамически меняться, чтобы воспрепятствовать ассоциативному решению задачи.

Таким образом, следующим закономерным шагом является введение в модель динамически меняющегося физического мира, воздействующего на особи определенным образом, и, соответственно, который сам меняется в результате деятельности населяющих его особей. За прообраз такого мира удобно брать наш собственный мир с той или иной степенью детализации, в зависимости от решаемой задачи и располагаемых средств. В таком модельном мире критерием интеллектуальности может быть способность особи к выживанию. Выживание здесь трактуется широко — это не только чисто физическое выживание, но и выживание потомства, выживание всей генетической линии и выживание вида в целом (если в модели присутствует более одного вида). Отсюда следует, что в первую очередь в модель мира следует добавить те процессы, которые напрямую связывали бы интеллектуальные способности с выживанием. Первоочередными можно признать и те процессы, с которыми особям придется иметь дело вне модели, если модель является лишь подготовительным этапом, средством получения интеллекта для его дальнейшего специфического применения в практических задачах (например, в задачах управления боевыми роботами).

интеллектуальной системы? С одной стороны, на определенной стадии детализации нашего мира мы получим модель, развивающуюся по пути, уже пройденном человеком. Где лежит граница такой детализации и отправная точка эволюции — это уже совсем другой вопрос, и его анализ выходит за рамки данной работы. С другой стороны, уже сравнительно простые модели демонстрируют способность к саморазвитию в приемлемое время на доступных технических средствах. В частности, наши опыты продемонстрировали возможность развития особей, способных выбирать стратегию поведения в зависимости от меняющихся условий окружающего мира. С технической точки зрения проблем тоже не возникает – современные технические средства вполне позволяют решать подобные задачи. Таким образом, существуют все предпосылки к получению систем искусственного интеллекта в рамках предложенной методики. Более того, уже проведенные эксперименты дали определенные положительные результаты.

Помимо своего чисто научно-технического значения, модельный мир будет представлять определенный интерес и с философской точки зрения: с одной стороны, мы располагаем истинным знанием о его структуре и принципах функционирования, а с другой — в этом модельном мире, пусть несовершенном и сильно упрощенном, как в зеркале можно увидеть отражение нашего собственного мира, нас самих и наших проблем, по-новому взглянуть на решение сложных задач, стоящих перед человеком.

4.1 Искусственный интеллект и структура модельного мира Каким же предстанет модельный мир для его наблюдателей? Этот мир, с их точки зрения, будет сугубо материальным: он наполнен материальными телами — предметами и существами — которые можно увидеть, потрогать, которые существуют объективно, независимо от сознания и знаний о них наблюдателя.

С другой стороны, наблюдатель с тем же правом может считать, что окружающего его мира в действительности нет совсем (либо этот мир — совсем не такой, каким его воспринимает наблюдатель), а все, что он видит и чувствует — результат подачи на его сенсоры потоков информации вследствие работы некоей внешней программы. Наблюдатель здесь может считать себя неким «центром вселенной», куда стекаются все информационные потоки.

(Может показаться забавным, но когда мы пишем алгоритм работы отдельной особи, мы рассматриваем ее как отдельный объект, весь мир для которой — это сигналы на сенсорах) И вновь наблюдатель будет прав, потому что для него нет способа выяснить, материален ли окружающий его мир или идеален, находится ли он снаружи и существует объективно, или же он существует внутри наблюдателя, существует постольку, поскольку существует и функционирует сам наблюдатель. Здесь уже сам наблюдатель становится частью наблюдаемого и исследуемого им мира, а такая постановка задачи, строго говоря, некорректна — в этом случае сам процесс наблюдения вносит коррективы в наблюдаемый внутренний мир; объект наблюдения начинает зависеть от процесса наблюдения. Сравнительно простой выход, известный для подобных ситуаций, состоит в том, что наблюдатель должен исследовать не самого себя, а существ, аналогичных себе (ибо он не одинок в этом модельном мире). Разумеется, полной аналогии достичь невозможно — наблюдатель по-своему уникален, однако для исследовательских целей она и не требуется, и достаточно аналогичности на структурном уровне. Задача, поставленная таким образом, уже будет корректной. Однако в этом случае наблюдателю будут видна лишь часть проявления активности наблюдаемого объекта, в основном то, что можно зафиксировать при помощи органов чувств (естественных или искусственных).

Для наблюдения останутся недоступными процессы, происходящие внутри существа — то, что «творится в ее душе», то, что наблюдатель может видеть у себя самого, и за чем ему не удается наблюдать в окружающем мире (либо такие наблюдения слишком осложнены или являются косвенными). Здесь при исследовании внутренних процессов наблюдателю вновь приходится решать «задачу о структуре процессора» (Суть этой задачи — в том, что необходимо получить информацию о структуре закрытого блока — процессора, не вскрывая его и не вмешиваясь в его внутренние процессы. Решение состоит в том, чтобы сделать это посредством наблюдения динамики изменения электромагнитных полей, однако для такого анализа потребуется процессор на много порядков более мощный, нежели исследуемый).

Вернемся снова к вопросу о сущности модельного мира. Носит ли он материальный характер или идеальный? С одной стороны, мы старались сделать его как можно материальнее, чтобы он был как можно более близким отражением нашего мира (на функциональном уровне), чтобы мы, попав в этот мир, почувствовали себя «как дома» — таковы, в общем-то, неписаные правила создания виртуальных миров. И тем не менее, этот мир виртуален (т.е. на самом деле он не существует, а эмулируется при помощи других средств), он, по сути, не что иное, как программа, алгоритм, пакет информации, идея программиста, воплощенная в наборе команд, объектов, операторов, и т. д. В свою очередь, эта программа способна порождать виртуальный мир, лишь воплотившись в материальных носителях — оперативной памяти, посредством деятельности материального процессора и прочих устройств. Без всего этого программа так и осталась бы идеей в голове программиста — интересной, забавной, но неосуществленной идеей. Продолжая дальше, можно аналогичным образом поставить вопрос о материальности процессора, который, без сомнения, материален, однако без прошитого в нем микропрограммного обеспечения так и остался бы неработоспособной грудой регистров и логических сборок.

Оставив в стороне вопрос о материальности регистров, пожалуй, уже можно сделать вывод: модельный мир является и материальным, и идеальным; и вместе с тем он не является ни тем, ни другим — он является совокупностью идеи и материи. Идея, воплощенная в материальном носителе, порождает материю, способную вновь стать вместилищем идей. Наш модельный мир — причудливое сочетание материи и информации, и он не способен существовать ни без одного, ни без другого.

Таким образом, характер мира будет зависеть прежде всего от точки зрения наблюдателя. Если его больше всего интересует именно окружающий его мир, его свойства, законы и эволюция, то в этом случае гораздо удобнее руководствоваться материалистическим мировоззрением с его хорошо развитым инструментарием и методологией, как нельзя более подходящими для исследования окружающего мира. Если наблюдателя интересуют внешние аспекты существования мира, мир глазами внешнего по отношению к этому миру существа, цели сотворения его мира и смысл его бытия, идеях, положенных в основу модельного мира, то гораздо удобнее руководствоваться идеалистическими концепциями. В этом случае мировоззрение наблюдателя будет близким к объективному идеализму. Если же наблюдатель рассматривает проблемы взаимодействия своего «Я» с окружающей его вселенной, рассматривая свою роль в общемировых информационных процессах, тогда наблюдателю будет ближе позиция субъективного идеализма.

Отсюда вновь напрашивается вывод, сделанный выше: модельный мир — это причудливое сочетание материального и идеального, идея, воплощенная в материальном, и материя, ставшая вместилищем идеи, информационный процесс в реально существующей среде. В таком аспекте, все многообразие теорий, выдвинутых наблюдателем, какими бы взаимоисключающими они не были, оказываются разными сторонами одной медали, разными подходами к одному объекту исследования.

4.2 О познаваемости мира средствами искусственного интеллекта Вернемся вновь к нашему наблюдателю из модельного мира, и зададимся вопросом: до какой степени он способен понять свой мир? Где граница, до которой он способен дойти? Лежит ли эта граница где-то в его мире, или же простирается в нашем мире? В своих рассуждениях будем исходить из предположения, что существа модельного мира обладают достаточным уровнем интеллекта, требуемым для решения такой непростой задачи: здесь нас будет интересовать не столько требуемый уровень интеллекта, сколько сама возможность познания мира.

Очевидно, что всю задачу познавания мира можно разбить на три большие подзадачи:

Познание окружающей среды, ее законов и взаимосвязей;

Познание своей собственной структуры;

Познание основных идей, заложенных в основу модельного мира.

Очевидно, что эти подзадачи сильно различаются по сложности. Если с первой подзадачей — анализом окружающей среды и ее законов — в той или иной мере справляются даже сравнительно просто устроенные модели (для этого им необходимо уметь разбивать видимые явления на классы с обратной возможностью по заданному явлению определять его класс, умение выявлять связи между классами, на основании этих данных строить модель развития окружающего мира на определенном промежутке времени, и, наконец, оптимизировать с учетом полученной модели свое поведение для максимизации функционала выживаемости — в принципе, уже решенные, хотя и довольно сложные задачи), то в возможности решения остальных задач можно сильно усомниться.

Задача анализа своей собственной структуры близка, с нашей точки зрения, к задаче построения искусственного интеллекта, адекватного нашему.

Люди, как известно, на данный момент не смогли решить эту задачу, и трудно требовать ее решения от существ модельного мира. Если же говорить о теоретической возможности решения этой задачи, то она, безусловно, существует: по крайней мере, достаточно интеллектуальная система сможет понять свою структуру и принцип работы, получив информацию от своего создателя. Конечно же этим проблема не исчерпывается – одного знания структуры недостаточно (многие знают, как устроен Кубик Рубика, но не многие могут его собрать), а для коннекционных систем, которые меняют свою структуру в зависимости от решаемой задачи, информации о структуре нет и у их создателя. Тем не менее, непреодолимых препятствий для самопознания у систем рассматриваемого класса, по-видимому, нет.

Проблема познания внешнего (по отношению к модельному) мира встретит ряд серьезных проблем. Внешний мир недоступен чувственному восприятию наблюдателей внутреннего мира — у них нет органов чувств, адекватных нашим. Дав наблюдателю органы чувств — оборудовав его видеокамерой, микрофоном, тактильными датчиками – мы получим новое препятствие: он сможет воспринимать информацию, но она будет совершенно бесполезна для модельного мира этого наблюдателя: он сможет увязывать наблюдаемые явления между собой, но никак не сможет ни использовать, ни убедиться в правильности найденных взаимосвязей. И наблюдатель будет видеть лишь тени на стене платоновской пещеры. Даже переселив наблюдателя в наш мир (например, в форме автономного робота), мы встретим очередное препятствие: у наблюдателя не будет понятий для явлений нашего мира. Чтобы получить их, наблюдатель должен «родиться заново», заново начать приобретать знания о новом окружающем мире. По аналогичной причине нет смысла сообщать информацию о нашем мире жителям модельного мира, так как появилось бы непреодолимое препятствие в виде отсутствия соответствующих понятий и невозможности использовать эту информацию.

Может ли обитатель модельного мира до конца познать законы, царящие в его мире? Здесь следует отметить два момента, в зависимости от того, что мы понимаем под процессом познания: построение непротиворечивой модели наблюдаемого мира и построение полной модели, позволяющей выявить все закономерности. На первый вопрос однозначный ответ дает теорема Колмогорова о полноте: да. Какова бы ни была наблюдаемая функция многих переменных, если она является гладкой (а все природные функции гладки, то есть обладают конечной мощностью), то ее можно представить в заранее заданном базисе гладких функций одной переменной. (Одним из возможных базисов является нейронная сеть — естественная или искусственная). В данном случае это означает: каким бы ни было наблюдаемое явление, оно всегда допускает непротиворечивое описание (но не всегда существует метод получения такого описания).

Конечно же, невозможно построить описание всех наблюдаемых функций — поскольку информативность модельного мира заведомо превышает информативность его обитателей (уже потому, что они сами являются частью модельного мира). Здесь речь идет именно о принципиальной возможности построить непротиворечивую картину наблюдаемого явления.

Тем не менее, непротиворечивость не всегда означает истинность. Здесь мы можем говорить об истинности, поскольку можем взять за истину знания о модельном мире его разработчика. Существует ряд задач, которые обитатель модельного мира не может решить в принципе. Перечислим некоторые из них.

1. В какой момент возник модельный мир? Если мы не снабдили модельный мир соответствующим календарем, а точка старта корректна с точки зрения причинно-следственных отношений (то есть допускает достаточно глубокий ретроанализ), то внутренний наблюдатель ни за что не отличит такую точку от бесконечного множества других. Возможный момент старта убегает далеко в прошлое, к «большому взрыву» — то есть к моменту первого сбоя причинно-следственных отношений, чем немало удивляет и заставляет призадуматься обитателей модельного мира.

2. Где границы модельного мира? Если мы особенно не акцентируем внимание на работу модели вблизи ее «пространственных» границ, то будет логичным сделать безграничную модель. (Это гораздо проще, нежели обрабатывать граничные ситуации). Из методов, получивших широкое применение в инженерной практике, отметим следующие:

• Сворачивание пространства в тор. Объекты, перешедшие через верхнюю границу, появляются из-за нижней, и так далее.

• Проецирующий метод. Объект, попавший за границу, возвращается на границу.

• Метод штрафных функций. Чем ближе объект к границе, тем сложнее ему продвигаться вперед. Штрафная функция на границе асимптотически стремиться к бесконечности Все три метода дают для внутреннего наблюдателя полное ощущение безграничной вселенной в ограниченном объеме оперативной памяти, причем последний метод не позволяет в принципе обнаружить эту конечность.

3. Из чего состоит модельный мир? Казалось бы, копая в глубину, внутренний наблюдатель довольно скоро откроет для себя зернистую основу своего мира – коды команд, память, процессор и прочие внутренности. Но не тут-то было. Для устранения зернистости объекты модельного мира можно коварно сделать из фрактальных структур. Обнаружится забавная вещь: чем ближе внутренний наблюдатель изучает объекты своего мира, тем более сложной оказывается их структура. И так до бесконечности. Как будто в каждой новой матрешке скрыто еще по две. (Примечательно, что фрактальные структуры допускают весьма компактное описание. Вот, например, лист папоротника Мандельборта: z(t + 1) = z(t) z(t) + C.

Таким образом, обитатели модельного мира имеют принципиальную возможность полного познания своего мира, и вместе с тем, найденные ими закономерности никогда не будут полными. Модельный мир снова поворачивается к нам обеими сторонами медали одновременно.

Заключение Несомненно теория распознавания образов является одной из наиболее интересных, актуальных и, в то же время наименее изученных на сегодняшний день. Компьютерное зрение, как и искусственный интеллект входят в список новых наиболее перспективных технологий.

Однако, несмотря на то, что существует множество программных комплексов по поиску изображений в базах данных, проблема поиска на основе пиксельного содержания в большинстве ситуаций пока не имеет реализованного решения. Т. е. Проблема распознавания изображений в условиях априорной неопределенности, несмотря на многочисленные исследования, остается нерешенной.

производительность современных компьютеров или же разгадка кроется в принципиальном пересмотре современной теории распознавания образов покажет лишь время (а возможно и оно не покажет).

Что же дает философия науки человеку, который изучает ее, не будучи специалистом в этой области (но будучи специалистом например в компьютерном зрении)? В наш прагматический век от изучения чего-то обычно ждут непосредственной пользы. Какую же пользу может извлечь из философии науки тот, кто работает в науке над ее конкретными проблемами? Могут ли они отыскать в философии науки некий универсальный метод решения проблем, своего рода «алгоритм открытия»? Никто нам не поможет в решении наших конкретных проблем, кроме нас самих. Философия науки не ставит своей обязательной задачей чему-то нас учить в нашей собственной области. Она не формулирует специально никаких конкретных рецептов или предписаний, она объясняет, описывает, но не предписывает. Философия науки в наше время преодолела ранее свойственные ей иллюзии в создании универсального метода или системы методов, которые могли бы обеспечить успех исследования для всех наук во все времена. Значит ли это, что философия науки вообще бесполезна для ученого? Нет, не значит.

Можно ли работать в сфере науки, не понимая, что она собой представляет? Вероятно можно, хотя и до определенных пределов. В такой же степени, например, можно завинчивать какой-нибудь болт на конвейере автозавода, не имея ни малейшего представления ни о производственном процессе в целом, ни о том, что такое автомобиль. Более того, крайне сомнительно, что расширение ваших представлений о производственном процессе может существенно помочь в завинчивании отдельного болта.

Однако, если вы ставите перед собой творческую задачу дальнейшего развития автомобилестроения, то здесь вам уже могут понадобиться и представления о предыдущих этапах и закономерностях этого развития, и знание смежных областей, и многое, многое другое. Трудно даже предусмотреть, что вам при этом может понадобиться. Неопределенность предполагаемой предварительной информации - это специфика творческих задач. Фактически перед нами тавтология: если вы точно знаете, что вам понадобится для решения задачи, значит задача не является творческой. Именно поэтому философия науки не нужна научному ремесленнику, не нужна при решении типовых и традиционных задач, но подлинная творческая работа, как правило, выводит ученого на проблемы философии и методологии. Он нуждается в том, чтобы посмотреть на свою область со стороны, осознать закономерности ее развития, осмыслить ее в контексте науки как целого, нуждается в расширении кругозора.

Философия науки дает такой кругозор, а извлечете ли вы из этого пользу - это ваше дело.

1. Берталанфи Л. Ф. Общая теория систем – обзор проблем и результатов/ Системные исследования: Ежегодник. – М.: Наука, 1969. С. 30–54.

2. Винер Н. Кибернетика, или управление и связь в животном и машине. – 2-е издание. – М.: Наука; Главная редакция изданий для зарубежных стран, 1983. – 344 с.

3. Морен Э. Метод. Природа Природы. М.: Прогресс-Традиция, 2005. 464 с.

4. Пригожин И., Стенгерс И. Порядок из хаоса: Новый диалог человека с природой: Пер. с англ./ Общ. Ред. В. И. Аршинова, Ю. Л. Климонтовича и Ю. В. Сачкова. – М.: Прогресс, 1986. – 432 с.

5. Пригожин И., Стенгерс И. Время, хаос, квант. К решению парадокса времени: Пер. с англ. изд. 5-е, исправл.– М.: Едиториал УРСС, 2003.– с. (Синергетика: от прошлого к будущему.) ISBN 5–354–00268– 6. Пригожин. И. Философия нестабильности // Вопросы философии. 1991, № 6, с. 46- 7. Степин В. С. История и философия науки: Учебник для аспирантов и соискателей ученой степени кандидата наук.–М.: Академический проект;

Трикста, 2011.–423 с. – (Gaudeamus) – ISBN 978–5–8291–1314– 8. Степин В. С. Синергетика и системный анализ/ Синергетическая парадигма. Когнитивно–коммуникативные стратегии современного научного познания.– М.: Прогресс–Традиция, 2004. – С. 58–77: ил. ISBN 5–89826–180–X 9. Тюхтин В. Диалектика познания сложных систем / Под ред.

В. С. Тюхтина. М.: Мысль, 1988.

10.Тюхтин В. Кибернетика и современное научное познание / Под ред.

В. С. Тюхтина. М.: Наука, 1976.

самоорганизующихся системах и устройствах: Пер. с англ. – М.: Мир, 1985.– 423 с.

12.Эшби У. Р. Введение в кибернетику. М., 1959. – 432 с.

13.Философский энциклопедический словарь/ Гл. редакция: Л. Ф. Ильичёв, П. Н. Федосеев, С. М. Ковалёв, В. Г. Панов – М.: Сов. Энциклопедия, 1983. – 840 с.

14.Чернавский Д. С. Синергетика и информация (динамическая теория информации) / Послесл. Г. Г. Малинецкого. Изд. 2-е, испр. и доп. – М.:

Едиториал УРСС, 2004. – 288 с. (Синергетика: от прошлого к будущему.) ISBN 5–354–00241– 15.Perlovsky, L. I. (2001). Neural Networks and Intellect: using model-based concepts. Oxford University Press, New York, NY (3rd printing).

16.Perlovsky, L. I. (2006). Modeling Field Theory of Higher Cognitive Functions.

Chapter in Artificial Cognition Systems, Eds. A. Loula, R. Gudwin, J. Queiroz.

Idea Group, Hershey, PA, pp.64-105.

17.Perlovsky, L. I. (2006). Symbols: Integrated Cognition and Language. Chapter in Semiotics and Intelligent Systems Development. Eds. R. Gudwin, J.

Queiroz. Idea Group, Hershey, PA, pp.121-151.

18.Perlovsky, L. I. (2006). Toward Physics of the Mind: Concepts, Emotions, Consciousness, and Symbols. Phys. Life Rev. 3(1), pp.22-55.

19.Mayorga, R., Perlovsky, L I., Eds. (2007). Sapient Systems. Springer, London, 20.Perlovsky, L. I., Kozma, R., Eds. (2007). Neurodynamics of Higher-Level.

Cognition and Consciousness. Springer-Verlag, Heidelberg, Germany.

21.Perlovsky, L. I. (2007). Evolution of Languages, Consciousness, and Cultures.

IEEE Computational Intelligence Magazine, 2(3), pp.25-39.

22.Perlovsky, L. I. (2008). Music and Consciousness, Leonardo, Journal of Arts, Sciences and Technology, 41(4), Pp.420-421.



 
Похожие работы:

«Акт контроля за деятельностью ГБУК Белгородская государственная универсальная научная библиотека по итогам плановой проверки, проведенной лицами, уполномоченными на проведение проверки Настоящий акт составлен в том, что комиссией в составе представителей управления культуры Белгородской области: Андросовой Н.О., заместителя начальника управления культуры области - начальника отдела развития социально-культурной деятельности, библиотечного дела и взаимодействия с органами местного...»

«Карта обеспеченности образовательного процесса учебной и учебно-методической литературой, методическими разработками, программно-информационными источниками по специальности/направлению подготовки Педагогическое образование, профили Математика, Информатика 050100.62 шифр наименование ООП Cправочно: Cправочно: максимальная максимальная степень степень давности давности обязательной обязательной литературы по циклам литературы по циклу ЕН, Проф. ГСЭ 2008 (по циклам и номерам работ), форм итоговой...»

«Министерство образования и науки Российской Федерации Федеральное агентство по образованию Нижегородский государственный университет им. Н.И. Лобачевского В.Е. АЛЕКСЕЕВ, В.А. ТАЛАНОВ ГРАФЫ. МОДЕЛИ ВЫЧИСЛЕНИЙ. СТРУКТУРЫ ДАННЫХ Учебник Рекомендовано Научно-методическим советом по прикладной математике и информатике УМО университетов РФ в качестве учебника для студентов, обучающихся по специальности 010200 – Прикладная математика и информатика и по направлению 510200 – Прикладная математика и...»

«Государственное научное учреждение Институт философии Национальной академии наук Беларуси УДК 1(430)(091)+930.1+141.339.8+101.1:316 ПОЗНЯКОВА Ольга Леонидовна ФИЛОСОФИЯ ИСТОРИИ И. КАНТА: АНТРОПОЛОГИЧЕСКИЕ И СОЦИАЛЬНО-ПОЛИТИЧЕСКИЕ АСПЕКТЫ АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата философских наук по специальности 09.00.03 – история философии Минск, 2014 Работа выполнена в Белорусском государственном университете. Научный руководитель – Румянцева Татьяна Герардовна, доктор...»

«Министерство образования и науки Российской Федерации Амурский государственный университет УТВЕРЖДАЮ Зав. кафедрой ОМиИ _Г.В. Литовка _2012 г. УЧЕБНО-МЕТОДИЧЕСКИЙ КОМПЛЕКС ПО ДИСЦИПЛИНЕ МАТЕМАТИКА И ИНФОРМАТИКА для направления подготовки 031100.62 – Лингвистика Составитель: О.А. Лебедь, старший преподаватель Благовещенск, 2012 Печатается по решению редакционно-издательского совета факультета математики и информатики Амурского государственного университета О.А. Лебедь Учебно-методический...»

«МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ Филиал федерального государственного бюджетного образовательного учреждения высшего профессионального образования Кемеровский государственный университет в г. Анжеро-Судженске 01 марта 2013 г. РАБОЧАЯ ПРОГРАММА по дисциплине Техника и технология отраслей городского хозяйства (СД.Ф.9) для специальности 080502.65 Экономика и управление на предприятиях (городского хозяйства) факультет информатики, экономики и математики курс: 3 эачет: 5 семестр...»

«МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования Тюменский государственный нефтегазовый университет УТВЕРЖДАЮ Проректор по УМР и ИР Майер В.В. _ 2013 г. ОТЧЕТ О САМООБСЛЕДОВАНИИ ОСНОВНОЙ ПРОФЕССИОНАЛЬНОЙ ОБРАЗОВАТЕЛЬНОЙ ПРОГРАММЫ ПО ПРОФЕССИИ 140446.03 Электромонтер по ремонту и обслуживанию электрооборудования (по отраслям) Директор института кибернетики, информатики и связи _ Паутов...»

«Предисловие Раздел 1. Общие вопросы методики преподавания  информатики и ИКТ в школе Глава 1. Предмет информатики в школе 1.1. Информатика как наука и как учебный предмет 1.2. История введения предмета информатика в отечественной  школе 1.3. Цели и задачи школьного курса информатики Контрольные вопросы и задания Глава 2. Содержание школьного курса информатики и ИКТ 36   2.1. Общедидактические подходы к определению содержания курса  информатики...»

«ВЕСТНИК МОСКОВСКОГО ГОРОДСКОГО ПЕДАГОГИЧЕСКОГО УНИВЕРСИТЕТА НаучНый журНал СЕРИя ЕстЕствЕННыЕ Науки № 1 (9) Издается с 2008 года Выходит 2 раза в год Москва 2012 VESTNIK MOSCOW CITY TEACHERS’ TRAINING UNIVERSITY Scientific Journal natural ScienceS № 1 (9) Published since 2008 Appears Twice a Year Moscow 2012 Редакционный совет: Рябов В.В. ректор ГБОУ ВПО МГПУ, доктор исторических наук, председатель профессор, член-корреспондент РАО Геворкян Е.Н. проректор по научной работе ГБОУ ВПО МГПУ,...»

«МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ Филиал федерального государственного бюджетного образовательного учреждения высшего профессионального образования Кемеровский государственный университет в г. Анжеро-Судженске 1 марта 2013 г. РАБОЧАЯ ПРОГРАММА по дисциплине Психология и педагогика (ГСЭ.Р.3) для специальности 080801.65 Прикладная информатика в экономике факультет информатики, экономики и математики курс: 2 семестр: 4 зачет: 4 семестр лекции: 18 часов практические занятия: 18...»

«Нейский Иван Михайлович Методика адаптивной кластеризации фактографических данных на базе Fuzzy C-means и MST 05.13.17 – Теоретические основы информатики АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук Научный руководитель: кандидат технических наук, доцент Филиппович А.Ю. Москва 2010 Работа выполнена на кафедре Системы обработки информации и управления Московского государственного технического университета им. Н.Э. Баумана кандидат технических наук, Научный...»

«Тема 1. Наука и научное мировоззрение. (2 часа лекций, 4 часа практических занятий) План 1 Философия естественных, гуманитарных и технических наук как учебная дисциплина. 1.1 Цель и задачи, структура и методы, 1.2 Значение курса Философия естественных, гуманитарных и технических наук для качества подготовки магистранта 2 Понятие науки и научного мировоззрения. 2.1 Критерии научности. 2.2 Научная картина мира. 3 Основания и критерии классификации современных наук. 3.1 История классификаций наук...»

«УСТАНОВОЧНАЯ СЕССИЯ I КУРСА ЗАОЧНОГО ОТДЕЛЕНИЯ Институт информационных коммуникаций и библиотек ДИСЦИПЛИНА, МАТЕРИАЛЫ К СЕССИИ СПЕЦИАЛИЗАЦИЯ Вопросы Отечественная История как наука. Отечественные научно-исторические школы и их представители. 1. история Исторические источники и их виды. • библиотечноФормационный и цивилизационный подходы к периодизации истории. Западная и 2. информационная восточная цивилизации. деятельность (зачет) Восточные славяне в древности, этапы образования государства....»

«Уход за детьми Первого года жизни Справочник для молодых родителей Данное издание предназначено для молодых родителей. В нем можно найти советы по уходу за ребенком в течение первого года жизни, рекомендации о том, что делать при первых заболеваниях, что делать и куда обращаться за помощью, информацию о службах и услугах Региональной Санитарной Службы, о присутствии культурных посредников-переводчиков в Семейных консультациях и Отделениях, помогающих молодым мамам-иностранкам и семьям...»

«ИстоРИоГРАфИЯ ИстоРИчесКой ИнфоРМАтИКИ HISTORIOGRAPHY OF HISTORICAL COMPUTER SCIENCE состоянИе И развИтИе квантИтатИвной ИсторИИ И ИсторИческой ИнформатИкИ. в казахстане: multa paucis tHe state anD DeveLopMent of QuantItatIve HIstory anD HIstorIc InforMatIcs In kaZakHstan: MuLta paucIs Saule А. Zhakisheva Жакишева сауле Аукеновна доктор исторических наук, профессор, ведущий научный сотрудник Института истории и этнологии им. ч. ч. валиханова министерства образования и науки республики...»

«ВЕСТНИК МОСКОВСКОГО ГОРОДСКОГО ПЕДАГОГИЧЕСКОГО УНИВЕРСИТЕТА НаучНый журНал СЕРИя ЕстЕствЕННыЕ Науки № 1 (11) Издается с 2008 года Выходит 2 раза в год Москва 2013 VESTNIK MOSCOW CITY TEACHERS TRAINING UNIVERSITY Scientific Journal natural ScienceS № 1 (11) Published since 2008 Appears Twice a Year Moscow 2013 Редакционный совет: Кутузов А.Г. ректор ГБОУ ВПО МГПУ, председатель доктор педагогических наук, профессор Рябов В.В. президент ГБОУ ВПО МГПУ, заместитель председателя доктор исторических...»

«Лихошвай Виталий Александрович Математическое моделирование и компьютерный анализ генных сетей 03.00.28 – биоинформатика Диссертация на соискание ученой степени доктора биологических наук Научный консультант Чл.-кор. РАН, д.б.н, проф. Колчанов Н.А. Новосибирск, 2008 Актуальность вытекает из потребностей систематизации и теоретического осмысления накопленных экспериментальных данных о закономерностях функционирования живых систем под управлением генетических программ, а также из современных...»

«А. Н. Л И Б Е Р М А Н ПОМНЮ Страницы жизни СанктПетербург 2006 1 Светлой памяти моей матери Анны Аркадьевны Кабищер посвящается 2 А. Н. Л И Б Е Р М А Н ПОМНЮ Страницы жизни Издание 2-е, исправленное и дополненное СанктПетербург 2006 3 Издание осуществлено при поддержке Центра информатики „Гамма-7” (г. Москва) Либерман Аркадий Нисонович Помню. Страницы жизни. СПб. Изд. 2-е, исправленное и дополненное, 2006 Автор этой книги – доктор медицинских наук, профессор, прожил большую жизнь, насыщенную...»

«МИР № 2 (октябрь 2010 г.) Оглавление Творческий отчёт учителя информатики и ИКТ Никитковой С.В. в рамках аттестации на 1 квалификационную категорию2 Разработка учебного проекта План проекта Методический паспорт проекта Поэтапная разработка проекта 1 МИР № 2 (октябрь 2010 г.) Творческий отчёт учителя информатики и ИКТ Никитковой С.В. в рамках аттестации на 1 квалификационную категорию Скажи мне, и я забуду. Покажи мне, - я смогу запомнить. Позволь мне это сделать самому, и это станет моим...»

«Содержание 1 Организационно-правовое обеспечение образовательной деятельности 2 Структура подготовки магистров 3 Содержание подготовки магистров 3.1. Анализ рабочего учебного плана и рабочих учебных программ 3.2 Организация учебного процесса 3.3 Информационно-методическое обеспечение учебного процесса 3.4 Воспитательная работа 4 Качество подготовки магистров 4.1 Анализ качества знаний студентов по результатам текущей и промежуточной аттестации. 15 4.2 Анализ качества знаний по результатам...»






 
© 2014 www.kniga.seluk.ru - «Бесплатная электронная библиотека - Книги, пособия, учебники, издания, публикации»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.