Эвристический искусственный интеллект

Ключевая особенность этих методов — применение основанных на примерах методов (эвристик), а не исключительно основанных на правилах методов (алгоритмов). Таким образом, термин «эвристический искусственный интеллект» отличается от более традиционного «алгоритмического искусственного интеллекта» или символического ИИ. Примером применения таких методов служит принцип специфичности кодировки, сформулированный Тулвингом и Томпсоном^[1]. В целом, принципы CHI представляют собой стратегии решения задач, используемые людьми, а не заложенные в машину. Обращение внимания на это фундаментальное отличие и обосновывает выделение данного термина в области, где и так существует множество похожих неологизмов. Отметим, что правовые системы всех современных обществ используют как эвристики (обобщения на основе прецедентов), так и законодательные нормы (строгие правила) в качестве регулятивных инструментов.

Ещё одним современным подходом к обходу проблем сложности является применение управления с обратной связью (feedback), а не только моделирования с заранее заданной направленностью (feedforward), в качестве парадигмы решения задач. Такой подход получил название вычислительная кибернетика (англ. computational cybernetics), поскольку (а) термин «вычислительный» ассоциируется с традиционными компьютерными методами программирования, то есть со стратегическими, компилируемыми или feedforward-моделями задач; (б) термин «кибернетика» — с традиционными методами системной работы, представляющими собой тактические, интерпретируемые, или feedback-модели. Реальные программы и задачи зачастую включают оба компонента: и feedforward, и feedback. Классическим примером служит человеческое мышление, в котором сочетаются как перцептивные (восходящие, feedback, ориентированные на сенсорные данные), так и концептуальные (нисходящие, feedforward, ориентированные на исполнительские действия) потоки и иерархии информации.

Инженер по ИИ должен выбирать между математическими и кибернетическими парадигмами решения задач и проектирования систем. Это не вопрос выбора языка программирования, а вопрос понимания соотношения декларативной и процедурной парадигм программирования. Большинство специалистов STEM-профиля редко имеют возможность разрабатывать и реализовывать чисто кибернетические решения. Под нажимом многие склонны утверждать, что любая программа всё равно может быть сведена к математической модели. Однако это не только ошибочно, но порой приводит к серьёзным неудачам в ряде задач искусственного интеллекта.

Математические модели не являются нейтральными ко времени, их расчёт по сути производится заранее (feedforward). Дайер (2012) и Фельдман (2004) независимо исследовали простейшие соматические парадигмы управления — а именно, управление простым сочленённым органом с единственной мышцей-сгибателем. Было показано, что невозможно вычислить усилие по положению конечности, а значит, невозможен чисто заранее рассчитанный (feedforward) математический способ управления. Вместо этого нисходящий управляющий сигнал изменяет пороговый уровень обратной связи в сенсомоторной петле (например, цепи афферентных и эфферентных нервных путей), сдвигая так называемую «точку равновесия» системы мышца-сгибатель/локтевой сустав. Обзор этой схемы показывает: общие позы и положение конечностей задаются средствами feedforward (глобальные смещения, общий код), а требуемые усилия вычисляются локально в петлях обратной связи. Такой принцип управления сенсомоторными единицами, который Анатолий Фельдман называет «теорией точки равновесия», формально эквивалентен сервомеханизмам, например, автомобильному круиз-контролю.