Описание функциональных модулей

Описание функциональных модулей

· Модуль сенсорной модальности (SM1) получает исходные данные чувственного восприятия и, используя каскадные уровни анализа с включением сглаживающих фильтров, детекторов свойств, сетей распознавания образов и функций концептуальной идентификации, создаёт высокоуровневые абстракции, которые передаются в модуль имитации реальности (RS1). Модуль сенсорной модальности выполняет функцию зрения.

· Модуль имитации реальности (RS1) получает абстракции от модуля сенсорной модальности (SM1) и встраивает их в некоторую базу данных предшествующих сенсорных абстракций, чтобы создать пространственно-временную имитацию реальности. Этот модуль также принимает данные от модуля анализа имитации обучения (LSA1) в форме деклараций, процедур и структурных определений и выполняет аннотацию имитационной базы данных, сохраняющую все данные обучения. Он также отвечает на запросы данных модуля анализа имитационного обучения (LSA1) и модуля анализа имитационного предсказания (PSA1). Запросы для стрелок данных не показаны на схеме. Модуль имитации реальности (RS1) выполняет функцию накопления знаний.

· Модуль анализа имитационного обучения (LSA1) выдаёт запросы и принимает данные от модуля имитации реальности (RS1) и выполняет различные алгоритмы обучения, анализа и распознавания образов для воспроизводства декларативных, процедурных и образных данных, которые он возвращает назад в модуль имитации реальности (RS1) для включения в базу данных. Он также выполняет функцию обнаружения текущей степени удовлетворённости поставленной цели и возвращает эти данные обратно в модуль имитации реальности (RS1). Этот модуль также принимает запросы от модуля анализа имитационных предсказаний (PSA1), чтобы сосредоточить усилия обучения на информации модуля предсказания (PSA1). Это не единственный детерминант целевого обучения, но встроенный в эвристику вместе с целевой установкой, легкостью обучения, общими причинными рамками поведения и завершением распознавания образов. Модуль анализа имитационного обучения (LSA1) выполняет функцию обучения.

· Модуль анализа имитационных предсказаний (PSA1) запрашивает и получает данные от модуля имитации реальности (RS1) включая данные удовлетворения цели и все прочие типы данных. Он выполняет всевозможные эвристики, алгоритмы и анализ абстрактной симуляции для обнаружения таких вариантов поведения, которые могут привести в будущем к улучшению целевых устремлений. Причинность и причинные связи являются центральными в этом модуле. Модуль анализа имитационных предсказаний (PSA1) выполняет функцию понимания.

· Модуль кодовой модальности (CM2) обрабатывает программный код с базой данных программы Prog1 в случае CM2 и программный код prog2 в случае CM3 и выполняет стандартные модальные функции выработки абстракций для использования в базе данных имитаций точно также, как модуль сенсорной модальности (SM1) в программе Prog1 вырабатывает абстракции для модуля имитации реальности (RS1). Единственное отличие состоит в том, что его алгоритмы и эвристики оптимизированы для различных типов входных данных. Модуль кодовой модальности (CM2) рассматривает код в виде высокоуровневой абстракции таким же образом, как мы рассматриваем пиксели экрана в сцене с объектами, задним и передним планом, глубиной и движением.

· Модуль кодовой симуляции (CS2) воспринимает абстракции от модуля кодовой модальности (CM2) и встраивает их в некую абстрактную имитацию, которая отражает текущее внутреннее поведение программы плюс прошедшую историю изменения состояний, совместно с описательными обобщениями программной среды наподобие того как модуль имитации реальности (RS1) описывает реальный мир программы Prog1.

· Модуль анализа имитации обучения (LSA2) в Prog2 функционирует аналогично модулю LSA1, за исключением того, что его эвристики и алгоритмы оптимизированы для некоторой кодовой реальности.

· Модуль анализа начала оптимизации имитации (FEOSA2) запрашивает и воспринимает данные из модуля кодовой симуляции (CS2), начиная работу программы Prog 1 (закрашенные модули на схеме), в частности SM1, RS1 и LSA1. Эта функциональность создаёт изменения в модулях SM1, RS1 и LSA1, которые улучшают точность и эффективность создания и поддержки имитации реальности.

· Модуль анализа заключительной оптимизации имитации (BEOSA2) запрашивает и воспринимает данные из модуля кодовой симуляции (CS2), завершая работу программы Prog1 (не закрашенный модуль), в частности PSA1.

· FEOA2 изменяет SM1, RS1 и LS1.

· BEOSA2 изменяет PSA1.

· FEOSA3 изменяет CM2, CS2, LSA2, FEOSA2, CM3, CS3, LSA3 и FEOSA3.

· BEOSA3 изменяет BEOSA2 и BEOSA3.

МЕТОД

Имитационная модель семени ИИ спроектирована с учётом требований к предполагаемой работе автономного генерализованного интеллекта, то есть до того момента, как начнётся рекурсивное самосовершенствование, делающее процесс чисто механическим. Механические приспособления должны позволить модели стремительно усовершенствовать себя, начиная с весьма ограниченного уровня ещё не генерализованного разума.

Предлагаемый метод самомодификации состоит в следующем:

При выполнении программы Prog1 она пытается сгенерировать такие варианты поведения, которые повышают удовлетворение от продвижения к цели. Используя кодовую модальность и аналогичный Prog1 дизайн интеллектуального агента, программа Prog2 наблюдает за ходом работы Prog1 и пытается сгенерировать логические изменения в Prog1, которые повысят эффективность Prog1. Prog3 наблюдает за ходом работы Prog2 и пытается сгенерировать логические изменения в Prog2, которые повысят эффективность Prog2. Поскольку Prog3 идентична Prog2, то любые изменения, передаваемые из Prog3 в Prog2, также реализуются и в Prog3. То есть, идёт рекурсивное самосовершенствование.

Итак. Программа Prog1 задаёт поведение. Программа Prog2 изменяет программу Prog1. Программа Prog3 изменяет программу Prog2, а поскольку программа Prog3 идентична программе Prog2, то изменения программы Prog3, передаваемые программе Prog2 также передаются и программе Prog3.

Работа модулей осуществляется непрерывно в параллельном режиме с использованием текущих данных, поступающих от входных модулей.

Модель способна лишь модифицировать свои познавательные алгоритмы, а не всю структуру программы, что ограничивает её как статическое средство.

Если система будет запущена в ограниченной среде, то она оптимизирует себя в этой среде. Если она будет запущено в комплексной расширенной среде, то она оптимизирует себя для этой среды.

Самое эффективное развитие происходит тогда, когда работа начинается в строго ограниченном и простом подмножестве объективной среды, а после расширения масштаба и сложности этой среды система берёт на себя управление причинными связями подмножеств. Подмножества должны расширяться в смежные причинно обусловленные области.

Причина разделения имитационного анализа на обучение, предсказание, начало и конец оптимизации заключается в необходимости предохранить программу от зацикливания на эйфории, желания модифицировать себя таким образом, что интерпретация сенсорных данных станет более важной составляющей её функционирования в сравнении с реально существующей целью.

Составные части программы, ответственные за эффективную интерпретацию и детерминизм в достижении цели, не могут быть изменены теми частями программы, в которых заложена мотивация к увеличению скорости достижения цели.

ЗАКЛЮЧЕНИЕ

Что касается того, почему программа модифицирует лишь познавательные алгоритмы, а не саму структуру программы, то я целенаправленно пытался достичь более простой цели проектирования интеллектуального средства на уровне отсутствия самосознания и собственной мотивации, как более реально достижимой стартовой точки в деле создания семени ИИ.

Эта модель не претендует на то, чтобы копировать работу человеческого мозга. В ней не делается каких-либо попыток эмуляции сознания, эмоций или автономной мотивации.

Аргумент о несоответствии ситуации, который робототехники используют против тех, кто моделирует ИИ, зависит от богатства взаимодействия со средой. Одно дело если робот знает, что сообщения поступили от его сенсоров. И другое дело, когда Вы можете обучиться передвижению без помощи ног, но тогда ваши "ноги" и их функционирование становятся частью вашей среды.

Модель на этой стадии развития не дает подробного определения того, какой алгоритм распознавания используется каждым из модулей. Одна из главных целей системы состоит в том, чтобы выяснить, что и где работает лучше всего. Однако нет причин начинать создавать систему с нуля, например, заново изобретая алгоритм симплексного метода или быстрого преобразования Фурье (FFT). Программисты должны внести свою лепту, основываясь на своей многолетней практике, и задать исходную логику. Система должна также включать обширную библиотеку всех типов алгоритмов для экспериментирования. Системе необходим не чисто случайный, а более рациональный способ самомодификации. Этот подход будет включать использование аллегорического изоморфизма плюс распознавание причинных связей в среде высокоуровневых абстрактных кодов.

Я бы хотел выразить признательность Элизеру Юдковскому за концепцию кодовой модальности и замечание о взаимодействии программистов в фазе разработки, а также за предложение описывать среду от простого к сложному. Также замечу, что хотя это специально выше не оговаривалось, но его понимание уровней организации (восприятия, концептуального мышления, рассуждения) я считаю чрезвычайно привлекательными вместе с его походами с обратной связью в логике сосредоточения внимания для сенсорной модальности, что может быть весьма полезно или необходимо в любой интеллектуальной системе.