CC BY
195Об интерпретациях понятия «искусственный интеллект»1
Забежайло М. И., доктор физико-математических наук, профессор, Федеральный исследовательский центр «Информатика и управление» РАН, заведующий отделом интеллектуального анализа данных и автоматизированной поддержки научных исследований, Москва, Россия, m.zabezhailo@yandex.ru
Борисов В. В., доктор технических наук, профессор, филиал ФГБОУ ВО «Национальный исследовательский университет «"МЭИ"», профессор, г. Смоленск, Россия, vbor67@mail.ru
Рассмотрены различные интерпретации понятия «искусственный интеллект» (ИИ): как метафоры; как устройства, превосходящего возможности человека; как совокупности базовых (системообразующих) технологий; как особой области исследований и разработок. Охарактеризованы три волны ИИ-разработок и барьеры на пути их развития. Показана специфика современных задач, являющихся вызовом для фундаментальных исследований в сфере искусственного интеллекта.
• искусственный интеллект • базовые технологии искусственного интеллекта • проблемно-ориентированные технологии искусственного интеллекта • волны и барьеры искусственного интеллекта
1. ВВЕДЕНИЕ
Начиная с введения в обиход понятия «искусственный интеллект» (ИИ), вплоть до сегодняшнего дня, оно так и не получило точного (операционального) определения.
В настоящее время прослеживается девальвация понятия (ИИ), формировавшегося и эволюционирующего на протяжении последних десятилетий и в определенной степени устоявшегося для зарубежных и отечественных специалистов (в том числе из Российской ассоциации искусственного интеллекта — РАИИ), серьезно занимавшихся постановкой и решением насущных научных проблем и фундаментальными исследованиями в сфере ИИ.
Исследование выполнено при финансовой поддержке Министерства науки и высшего образования РФ (государственное задание № FSWF-2020-0019).
5
Примечание
РАИИ — исторически первая общероссийская общественная организация, образованная в 1988 году, до сих пор объединяющая на добровольной основе ведущих ученых и специалистов в области искусственного интеллекта из разных регионов России. Основателем и идейным вдохновителем РАИИ был Дмитрий Александрович Поспелов, влияние работ которого на развитие исследований ИИ значимо и по сей день. Члены РАИИ проводят фундаментальные и прикладные исследования в сфере ИИ, занимаются образовательной, экспертной и практической деятельностью, организуют конгрессы и конференции, распространяют научные знания, развивают международное научное сотрудничество.
А после того, как феномен ИИ стал объектом всеобщего внимания, даже представители достаточно устойчивой профессиональной среды спе-циалистов-«традиционалистов» в сфере ИИ вынуждены «оправдываться» за использование этого понятия.
Одна из причин размывания понятия «искусственный интеллект» заключается в использовании и смешении различных его интерпретаций: как метафоры; как устройства, превосходящего возможности человека; как совокупности базовых (системообразующих) технологий; как особой области исследований и разработок [1].
Рассмотрим эти интерпретации понятия ИИ более подробно.
Трактовка ИИ как метафоры обусловила появление широкой палитры различных так называемых разновидностей ИИ: «сильный» ИИ, «сла-бый»/«узкий» ИИ, «целостный»/«общий» ИИ, «синергетический» ИИ, «распределенный» ИИ, «объяснительный»/«объяснимый» ИИ, «эмоциональный» ИИ, «семантический ИИ» и т. д.
Исходя из этих обстоятельств, собственно, и генерируются несколько надуманные дискурсы, например, о противопоставлении: «сильного» и «слабого» ИИ; естественного и искусственного интеллекта.
На этом примере (и на подобных) видно, насколько нестабильной является проблемная область искусственного интеллекта и насколько осторожным нужно быть при формировании её аксиоматики.
3. ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ КАК УСТРОЙСТВО, ПРЕВОСХОДЯЩЕЕ ВОЗМОЖНОСТИ ЧЕЛОВЕКА
В свое время Дж. Серл (1980 г.) и Р. Пенроуз (1989 г.) взбудоражили умы
общественности идеей создания ИИ в виде «автоматического устройства, которое превосходит человека во всех областях, которые традиционно характеризуются как интеллектуальная деятельность».
2. ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ КАК МЕТАФОРА
6
Недалеко от этого отстоит и определение ИИ, сформулированное в актуальных нормативных документах, где ИИ трактуется как «комплекс технологических решений, позволяющий имитировать когнитивные функции человека (включая самообучение и поиск решений без заранее заданного алгоритма) и получать при выполнении конкретных задач результаты, сопоставимые, как минимум, с результатами интеллектуальной деятельности человека» [2-4].
Однако тут же возникает целый пул до сих пор нерешенных вопросов: что же такое естественный интеллект, каковы его характеристики; каковы когнитивные функции человека и их характеристики; что из себя представляют интеллектуальные способности и результаты интеллектуальной деятельности; с какой стати предполагается, что результаты интеллектуальной деятельности формируются лишь вследствие имитации когнитивных функций человека; наконец, чем же отличается естественный интеллект от искусственного интеллекта?
Если критиковать указанное выше определение ИИ не только по форме, но и по существу, то прежде всего следует привести высказывание известного отечественного ученого в сфере ИИ В. К. Финна: «...интеллектуальный процесс есть взаимодействие мыслительного и познавательного процессов, и это — разные процессы. Отсюда заблуждение, что если смоделировать мозг, то можно решить проблему искусственного интеллекта. Мыслительный процесс принимает участие в познавательном процессе, его инициирует, в некотором смысле им руководит, но не сводится к нему» [5].
Эта критика основывается на следующих сформулированных В. К. Финном функциональных свойствах идеального (естественного) интеллекта:
1. выделение существенного в обозреваемых данных;
2. порождение целеполагания, порождение последовательности «цель ^ план ^ действие»;
3. отбор знаний, релевантных цели рассуждения;
4. способность к рассуждению, т. е. к получению выводов (извлечению следствий) из посылок посредством как достоверных, так и правдоподобных рассуждений;
5. способность к аргументации («за» и «против») и принятию решений на ее основе с использованием упорядоченных знаний (т. е. представления знаний) и результатов рассуждений;
6. рефлексия, способность реагировать на свои знания и действия и их оценивать;
7. способность к распознаванию явлений окружающего мира: познающий субъект должен обладать познавательным любопытством, быть способен порождать и отвечать на вопрос «что такое»?
8. способность находить объяснение (не обязательно дедуктивное) как ответ на вопрос «почему?» (реализация абдуктивного инстинкта в смысле Чарльза Пирса);
7
8
9. реализация познавательной деятельности посредством синтеза познавательных процедур, образующих эвристику решения проблем и позволяющих обнаружить новое знание;
10. способность к обучению и использованию памяти;
11. рационализация неясных идей и преобразование их в точные понятия;
12. способность к интеграции знаний и созданию целостной картины об исследуемой проблеме, для формирования концепции и теории проблемной области;
13. адаптация системы знаний при получении новых сведений из окружающей среды и коррекция теории и поведения [5].
Конструктивность рассмотренных свойств заключается в возможности их использования для оценки степени интеллектуальности различных методов и технологий.
Так, методы и модели машинного обучения (например, искусственные нейронные сети — ИНС) характеризуются лишь двумя (из перечисленных) интеллектуальными признаками: способностью (7) к распознаванию и (10) к обучению с использованием памяти.
При этом способность к обучению ИНС трактуется всего лишь как параметрическая или структурно-параметрическая настройка на правильное (точное, достоверное) решение конкретной задачи (кластеризации, классификации,распознавания, аппроксимации,интерполяции,оценки, прогнозирования, выбора) по имеющимся данным обучающей выборки.
Также из анализа рассмотренных свойств идеального интеллекта следует, что далеко не всё то, что может делать человек в процессе своей познавательной деятельности, может быть автоматизировано.
Так, лишь в интерактивном режиме «человек — машина» можно реализовать следующие свойства: (2) порождение целеполагания; (6) рефлексию; (11) рационализацию неясных идей и преобразование их в точные понятия; (12) способность к интеграции знаний и к созданию целостной картины; (13) адаптацию системы знаний при получении новых сведений [5].
При этом, конечно же, возможны различные трактовки и способы реализации функциональных свойств идеального интеллекта.
4. ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ КАК СОВОКУПНОСТЬ БАЗОВЫХ (СИСТЕМООБРАЗУЮЩИХ) ТЕХНОЛОГИЙ
Другой достаточно распространенный подход — представление об ИИ как о совокупности базовых (системообразующих) технологий ИИ:
компьютерного зрения; распознавания и синтеза речи; обработки и интеллектуального анализа естественных языков; поддержки принятия решений. К базовым также можно отнести технологии: машинного и глубокого обучения; интеллектуального анализа больших данных и знаний; инженерии знаний (прежде всего на динамических графах знаний); планирования и управления целенаправленным поведением в неструктурированных средах; мультиагентного управления.
Особенности базовых технологий ИИ заключаются в следующем:
• ориентированы на воспроизведение отдельных базовых когнитивных функций (компьютерное зрение, распознавание и синтез речи, обработка естественного языка, вывод на априорных знаниях конкретной предметной области и пр.);
• направлены на фрагментарную автоматизацию локальных задач и процессов (например, структурирование данных, анализ временных рядов параметров и изображений, анализ зрительных сцен, диагностика и прогнозирование процессов и состояний объектов (систем) и др.);
• отражают отдельные интеллектуальные свойства реализуемых ими методов/моделей:
• естественно-языковое представление компонентов и взаимосвязей;
• возможность обработки разнокачественной информации, измеряемой и оцениваемой с использованием различных шкал;
• возможность учета неполноты и неопределенности различного типа;
• адаптивность (возможности структурно-параметрической настройки и обучения) к изменениям системных и внешних факторов;
• удобство и гибкость использования;
• интерпретируемость и объяснимость процессов и результатов.
Особенностями же комплексных проблемно-ориентированных технологий ИИ являются то, что они:
призваны решать комплексные задачи, являющиеся предметом «синтетической» деятельности специалистов;
имеют выраженный проблемно-ориентированный характер;
«инкапсулируются» вокруг конкретных задач (проблем) предметной (проблемной) области;
порождаются наборами базовых технологий ИИ;
формируют основу и создают условия для системной цифровой трансформации с интеграцией в информационно-телекоммуникационной инфраструктуре.
9
К перспективным проблемно-ориентированным технологиям ИИ (создание которых должно базироваться на результатах фундаментальных исследований в сфере ИИ) следует отнести:
• технологии «дополненного ИИ», то есть технологии интеллектуальной поддержки принятия решений на основе совместного выполнения сложных задач специалистами и методами ИИ в условиях недостатка информации, высокой неопределенности, сложности, интенсивности. Осуществляется конвергенция преимуществ (специалистов и методов ИИ) для достижения наилучших результатов;
• технологии интеллектуальных мультимодальных интерфейсов, аналитики и рассуждения, имеющие прогнозный и доказательный ха-
• генеративное конструирование киберфизических и социо-киберфи-зических систем, то есть создание цифрового описания реальных объектов (системы), и «цифровых следов» — поведения, с учетом неопределённости, и различных типов взаимодействия;
• композиционные технологии анализа и моделирования, обеспечивающие построение и адаптацию композиционных гибридных моделей, на основе совокупности компонентных (аналитических, имитационных, интеллектуальных) моделей для наилучшего решения декомпозированной совокупности задач по достижению общей цели;
• мультиагентное обучение с подкреплением для интеллектуальной поддержки принятия решений. Эффективное применение этого подхода обусловлено возможностью использования сложных моделей среды с помощью цифровых двойников, а сам процесс взаимодействия агентов определяет рациональную интерпретацию ситуации;
• метрологические когнитивные технологии. Использование методов машинного и глубокого обучения позволяет дополнять недостающие
• аватар-подобные технологии, воспроизводящие взаимодействие человека с системой поддержки принятия решений или с персональным ассистентом.
Современные тенденции применения проблемно-ориентированных технологий ИИ заключаются в следующем:
• повышенное внимание к современным технологиям сбора, разметки и интерпретации исходных данных с учетом их мультимодальности, неоднородности, нестационарности, пропусков и зашумления, противоречивости малых выборок;
• активное использование для обучения и адаптации моделей ИИ синтетических данных, полученных с помощью имитационного моделирования на основе цифровых двойников, а также применение методов
рактер;
данные;
10
и моделей ИИ для решения обратной задачи — настройки цифровых двойников при изменениях данных;
• интерес к гибридным методам и моделям ИИ, использующим совместно алгоритмы на априорных знаниях и на данных, с целью повышения эффективности работы в условиях неопределенности и неполноты данных;
• рациональная интерпретация ситуаций (обеспечение ситуационной осведомленности), что позволяет реализовать принятие решений в виде многокритериального оптимизационного процесса в условиях неопределенности;
• повышение возможностей квантификации процессов, что обеспечивает эффективные возможности валидации систем и методов ИИ, их анализа и оценки качества.
Ещё раз отметим, что создание проблемно-ориентированных технологий ИИ возможно за счет «инкапсуляции» базовых технологий ИИ вокруг решения комплексной прикладной проблемы. Однако имеется очень опасная тенденция сведения ИИ лишь к «совокупности системообразующих технологий».
Именно такой взгляд демонстрирует непонимание возможных рисков на всех уровнях ответственного управления, генерируемых такой позицией, и определяет сегодня выбор соответствующих направлений (по созданию так называемых, перспективных продуктов и услуг) для финансирования разработок в области ИИ на ближайшие 5-10 лет.
Исходя из этой позиции, декларируется и реализуется однобокий подход к созданию так называемых чемпионских технологических решений. Возникает вопрос, а как именно обеспечить отбор чемпионских результатов? При этом типовой ответ на этот вопрос сводится к схеме: чемпионские результаты будут базироваться на чемпионских технологиях, те, в свою очередь, будут произрастать из чемпионских know how, которые возникнут в стартапах! А где же экосистема для целенаправленного проведения НИР (ОКР), позволяющая эффективно отбирать перспективные заделы под стартапы?..
Простое объединение базовых технологий ИИ без проведения поисковых фундаментальных исследований, провоцируемых решаемой проблемой, к желаемому результату не приведет.
5. ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ КАК ОСОБАЯ ОБЛАСТЬ ИССЛЕДОВАНИЙ И РАЗРАБОТОК
Искусственный интеллект как особая область исследований и разработок охватывает моделирование (имитацию и усиление) компьютерными средствами познавательных функций человека (его естественного интеллекта) [6].
В этой области ещё со времен Дж. Маккарти и Д. А. Поспелова выделяют два магистральных направления:
11
12
• во-первых, формирование системы знаний, необходимых для решения задач интеллектуальной деятельности с использованием компьютерных систем и технологий;
• во-вторых, создание инструментов генерации нового знания при решении интеллектуальных задач [1].
Процесс исследования здесь, как правило, заключается в переходе от исходных данных к целевому результату посредством имитации той последовательности шагов, которые человек, используя свой естественный интеллект, выстраивает в процессе поиска решения — искомого целевого результата.
И решающая роль отводится двум компонентам компьютерного моделирования:
• поиску последовательности таких шагов — цепочки соответствующих рассуждений, описывающей алгоритм формирования целевого решения, и
• оценке достаточности основания для принятия полученных результатов (доверия как построенному способу формирования решения, так и собственно полученному с его помощью целевому результату).
Однако, несмотря на достигнутые результаты, развитие ИИ как особой области исследований и разработок в настоящее время буксует по следующим причинам:
• решаемые проблемы имеют междисциплинарный и комплексный характер, требующий от специалистов знаний и умений в разнообразных предметных областях: биологии, когнитологии, психологии, нейрофизиологии, нейролингвистики и др.;
• данная область исследований сравнительно молода, отсутствуют устоявшиеся понятийные конструкции, методы исследования, универсальные (признаваемые всеми) познавательные подходы;
• развитие ИИ провоцируется, как правило, постановкой и необходимостью решения сложных задач, не «поддающихся решению другими подходами.
Итак, на протяжении десятилетий ИИ развивался и продолжает успешно развиваться там, где это движение вперед идет от конкретных значимых задач и требует, в том числе, проведения проблемно-ориентированных фундаментальных исследований. При этом ИИ-инструментарий также формируется преимущественно вокруг этих задач. В свою очередь, перечень таких задач постоянно пополняется новыми элементами, сохраняя в своем составе ряд ставших для ИИ «классическими» классов приложений — анализ данных и поддержка принятия решений, визуальное распознавание и техническое зрение, анализ естественного языка как в письменной, так и устной формах и др.
Причем ИИ развивается волнами в конкретных направлениях, отталкиваясь от исследовательских и технологических барьеров, пополняя фундаментальный задел оригинальными математическими моделями, методами, а прикладной задел — эффективными алгоритмами, программными средствами, системами и технологиями.
Традиционно выделяют три волны ИИ.
Первая волна ИИ: экспертные системы продукционного типа (Rule-Based Systems), представляющие собой модификации таблиц решений типа «ситуация ^ решение» в цепочки продукционных правил типа «если P =>, то Q» (аналогичные цепочкам рассуждений человека при поиске решения) с математическими формализмами.
Барьеры на пути развития методов первой волны ИИ:
• отсутствие управления качеством формируемых результатов: дается ответ «как» на вопрос «почему полученное экспертной системой заключение заслуживает доверия?»;
• сложность управления точностью формируемых решений:
• использование строгих логических формализмов (автоматической дедукции, например, метод резолюций и основанные на нем системы автоматического доказательства теорем) споткнулось о неполноту описаний предметных областей (невозможность доказать утверждения класса теорем о полноте), гарантировать истинность порождаемых заключений;
• введение же дополнительных новых правил привело к непреодолимому барьеру — к проблеме обеспечения непротиворечивости при расширении системы новыми правилами — продукциями. Стоп-фактором стал вопрос о том, как порождать новые правила? «Ручные» технологии не обеспечивали необходимой производительности.
Вторая волна ИИ: интерполяционно-экстраполяционные методы (схемы) анализа данных, исторически базирующиеся на статистических методах (суть: интерполяция «обучающей» выборки зависимостями того или иного типа и последующая экстраполяция найденных зависимостей на вновь анализируемые объекты).
К таким методам относится спектр методов и подходов, начиная от байесовского индуктивного вывода, различных регрессионных моделей до методов машинного обучения (в том числе современных Deep Learning-методов и решений).
Эти методы обеспечили возможности широкого выбора классов эмпирических зависимостей, используемых для интерполяции обучающих выборок и, как следствие, обеспечили новые дескриптивные возможности и более тонкие средства для управления точностью формируемых результатов.
Таким образом, методы второй волны ИИ позволили обойти основные барьеры, которые были характерны для первой волны ИИ.
Однако в то же время методы второй волны ИИ повысили планку требований к ряду характеристик ИИ-систем и ранее оцениваемых, как критически значимые. Так,
13
уже обсуждавшийся вопрос: «Почему полученное ИИ-системой заключение следует принять?» привел к новому критически значимому барьеру — как обеспечить доверие к результатам проводимого такими средствами компьютерного анализа данных?
Барьеры на пути развития второй волны ИИ:
В фокусе внимания оказался следующий перечень проблем, критически значимых для ИИ-приложений:
• проблема точности интерполяции выборки средствами эмпирических зависимостей статистического характера и возможности формировать «персонализированные» заключения;
• проблема представления знаний (что в наибольшей степени востребовано для ИНС);
• проблема формирования неформальных объяснений для порождаемых заключений;
• проблема устойчивости результатов интерполяции при расширении обучающей выборки.
Третья волна ИИ: ориентируется на разработку автоматизированного (т. е. поддержанного соответствующими математическими моделями, алгоритмами и инструментальными программными средствами) формирования частичных (расширяемых с появлением новых данных) эмпирических теорий. При таком способе представления знаний каждый факт в текущем описании анализируемой предметной области может быть представлен как логическое следствие в подобной теории.
К методам третьей волны ИИ, развиваемым в отечественных исследованиях, относятся методы, основанные на уточнениях метрическими, топологическими и иными средствами эвристик сходства в анализе данных и обеспечивающие:
• взаимно-согласованное оперирование различными типами данных (множествами признаков, графами взаимодействующих характеристик, последовательностями событий и ситуаций);
• восстановление скрытых в данных причинно-следственных связей;
• выявление устойчивых по отношению к расширениям обучающих выборок множеств эмпирических зависимостей;
• идентификацию и удаление артефактов интеллектуального анализа данных и машинного обучения;
• формирование и анализ (например, средствами нечетких формализмов) приближенных описаний исследуемых объектов и процессов.
14
Следует отметить, что задачи, характерные для третьей волны ИИ, потребовали развития в том числе моделей и методов первой и второй волн ИИ.
Основные особенности методов первой и второй волн ИИ, востребованные в задачах третьей волны ИИ, следующие:
• обработка унифицированными (взаимно согласованными) средствами гетерогенных разнотипных данных;
• возможность учитывать динамические изменения в обучающих выборках вместе с возможностями оперировать динамически изменяющимися описаниями анализируемых объектов;
• эффективные способы выявления причинно-следственных связей в накапливаемых эмпирических данных.
Однако существуют и появляются задачи, принципиально не решаемые методами первой и второй волн ИИ, к которым относится, например, задача поддержания ситуационной осведомленности лица, принимающего решения, в динамически изменяющейся обстановке.
Методы третьей волны ИИ, в свою очередь, спровоцировали появление перечисленных ниже принципиальных барьеров, преодоление которых является в большей степени прерогативой методов в настоящее время только формируемой четвертой волны ИИ:
Барьеры на пути развития третьей волны ИИ:
• необходимость строить такие теории, в том числе и на малых выборках текущих данных, а также
• обеспечение устойчивости этих теорий по отношению к расширениям исходных данных;
• обеспечение объяснимости эмпирических зависимостей, формирующих эти теории (в том числе порождение зависимостей причинно-следственного характера);
• обеспечение эффективной разрешимости задач реконфигурирования текущей теории с получением новой информации (эмпирических данных).
Специфика современных задач является вызовом для методов третьей волны ИИ и состоит в следующем:
• анализируемые системы приобретают облик киберфизических и социо-киберфи-зических систем, в которых информационные, информационно-вычислительные и информационно-управляющие процессы и компоненты тесно интегрируются в основные процессы и системы;
процессы организации и управления трансформируются под влиянием цифровых технологий. Различные стадии цифровой трансформации процессов ограничивают применение технологий ИИ. Часто отсутствует информационная
15
инфраструктура для работы с данными и знаниями, позволяющая эффективно использовать методы и технологии ИИ;
• достаточно редко встречаются однородные большие данные, так как объем таких данных может быть ограничен, например, из-за уникальности ситуаций, а динамика изменения свойств данных не соответствует особенностям жизненного цикла соответствующих им информационных технологий;
• разнообразие задач и процессов в зависимости от типов систем (автоматизированных систем управления; информационных систем, информационно-вычислительных систем, программно-аппаратных комплексов; робототехнических комплексов и систем) и процессов (основных, вспомогательных, управления). Как следствие, тиражируе-мость решений на основе ИИ ограничена, а эффективность применения адаптации решений «прямым переносом» требует дополнительного обоснования в каждом конкретном случае;
• взаимосвязанные процессы имеют различную природу (организационно-управленческие, информационно-аналитические, логистические и др.). Потому эффект от применения методов и технологий ИИ также должен оцениваться многомерными метриками, учитывать достижимость многих целей;
• возрастает роль человеческого фактора по мере роста сложности, интенсивности и масштабности процессов. Это требует интеллектуальной поддержки принятия решений по схеме Нитапчп-Ше-1_оор;
• значительный объем формализованных априорных знаний предметной области (например, в виде причинно-следственных зависимостей, экспертных обобщений) позволяет расширить перечень методов и технологий ИИ с акцентом как на подходы, основанные на данных, так и на знание-ориентированные подходы.
Таким образом, если представить (отобразить) путь развития ИИ как области исследований и разработок на примере его волн в виде некоей познавательной схемы, то можно отметить, что каждый последующий этап развития ИИ провоцируется, с одной стороны, выявленными барьерами имеющихся задач, которые не могут быть решены существующими на текущий момент методами ИИ, с другой — качественно новыми задачами, источниками которых являются развивающиеся потребности производства и общества.
Причем в дополнение к проблемам, которые возникают из-за появления качественно новых задач, барьеры (проблемы), доставшиеся в наследство от текущей волны ИИ, как правило, не полностью преодолеваются последующей волной ИИ. Мало того, эти доставшиеся в наследство барьеры в дальнейшем не исчезают, а наследуются и перерождаются, но уже «на новой почве» (в том числе с учетом постоянной эволюции исследований и новых результатов в сфере когнитивных наук, нейро-биологии, физиологии, психологии, социологии, информационных и компьютерных наук).
16
То есть, очевиден феноменологический (в чём-то даже трансцедентальный) характер развития ИИ, для которого характерно «итерационное приближение, но не достижение конечного результата».
Литература
1. Забежайло, М. И., Финн В. К., Михеенкова М. А. Искусственный интеллект: «...Как вы лодку назовете, так она и поплывет» // Сб. трудов XIX Национальной конференции по искусственному интеллекту с международным участием КИИ-2021 (11-16 октября 2021 г.). Ростов-на-Дону, Таганрог, 2021. С. 109-119.
2. Национальная стратегия развития искусственного интеллекта на период до 2030 года. Указ Президента РФ № 490 от 10.10.2019.
3. ГОСТ Р 59277-2020. Системы искусственного интеллекта. Классификация систем искусственного интеллекта.
4. ГОСТ Р 59276-2020. Системы искусственного интеллекта. Способы обеспечения доверия. Общие положения.
5. Финн В. К. Чертова дюжина идеального интеллекта. Беседа первая. [Электронный ресурс]. URL: https://stimul.online /articles/ science-and-technology/chertova-dyuzhina-ideaInogo-intellekta-beseda-pervaya/(дата обращения 20.03.2022).
6. Забежайло М. И., Борисов В. В. Искусственный интеллект как особая область исследований и разработок // Системы компьютерной математики и их приложения: материалы XXIII Международной научной конференции. Смоленск: Изд-во СмолГУ, 2022. Вып. 23. 445 с. С. 109-116.
References
1. Zabezhajlo, M.I., Finn V.K., Miheenkova M.A. Iskusstvennyj intellekt: «...Kak vy lodku nazovete, tak ona i poplyvet» // Sb. trudov XIX Nacional'noj konferencii po iskusstven-nomu intellektu s mezhdunarodnym uchastiem KII-2021 (1 1-16 oktyabrya 2021 g.). Ros-tov-na-Donu, Taganrog, 2021. S. 109-119.
2. Nacional'naya strategiya razvitiya iskusstvennogo intellekta na period do 2030 goda. Ukaz Prezidenta RF № 490 ot 10.10.2019.
3. GOST R 59277-2020. Sistemy iskusstvennogo intellekta. Klassifikaciya sistem iskusst-vennogo intellekta.
4. GOST R 59276-2020. Sistemy iskusstvennogo intellekta. Sposoby obespecheniya doveri-ya. Obshchie polozheniya.
5. Finn V.K. Chertova dyuzhina ideal'nogo intellekta. Beseda pervaya. [Elektronnyj resurs]. URL: https://stimul.online/articles/science-and-technology/chertova-dyuzhina-idealno-go-intellekta-beseda-pervaya/ (data obrashcheniya 20.03.2022).
6. Zabezhajlo M.I., Borisov V.V. Iskusstvennyj intellekt kak osobaya oblast' issledovanij i razrabotok // Sistemy komp'yuternoj matematiki i ih prilozheniya: materialy XXIII Mezh-dunarodnoj nauchnoj konferencii. Smolensk: Izd-vo SmolGU, 2022. Vyp. 23. 445 s. S. 109-116.]
NEURAL NETWORKS FOR SPEECH SYNTHESIS OF VOICE ASSISTANTS AND SINGING MACHINES
Zabezhaylo M.I., Doctor of Physical and Mathematical Sciences, Professor, Federal Research Center "Informatics and Management" RAS, Head of department of data mining and automated support for
17
ikiLLii...... r Забежайло М.И., Борисов В.В. Об интерпретациях понятия «искусственный интеллект»
18 scientific research, Moscow, Russia, m.zabezhailo@yandex.ru Borisov V.V., Doctor of Technical Sciences, Professor, Branch of NRU "MPEI" in Smolensk, Professor, Smolensk, Russia, vbor67@mail.ru Different interpretations of the concept of "artificial intelligence" (AI) are considered: as a metaphor; as a device that exceeds human capabilities; as a set of basic (system-forming) technologies; as a special field of research and development. Three waves of AI developments and barriers to their development are characterized. The article shows the specifics of modern tasks that are a challenge to basic research in the field of artificial intelligence. • artificial intelligence • basic artificial intelligence technologies, • problem-oriented artificial intelligence technologies • waves and barriers of artificial intelligence
