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

Как представляло себе «сильный» ИИ первое поколение кибернетиков и программистов (50-е, 60-е годы прошлого века)?
«Cильный» ИИ == «живой ИИ» (одухотворённая машина).
Эпоха романтического энтузиазма (например, Марвин Мински собирался решить проблему машинного зрения за одно лето).
Что в итоге получилось? =>

Основные типы систем ИИ, реализованные на сегодняшний день
Эвристические системы ИИ (автоматическое доказательство теорем, первые программы для игры в шахматы, программы распознавания в узкоспециализированных областях типа отпечатков пальцев и т.д.)
Обучаемые системы ИИ (экспертные системы (MYCIN и пр.), базы знаний (CYC и пр.), классические системы распознавания с учителем и т.д.)
Узкоспециализированные самообучающиеся системы, основанные на фиксированном поле концепций (программа для игры в шашки Самуэля, продвинутые роботы-пылесосы и т.д.)
Самообучающиеся системы распознавания широкого профиля, основанные на имитации принципов работы нейрокортекса (модель Иерархической Временной Памяти Хокинса)
Что общее у всех этих систем? – они не способны к моделям поведения, не предусмотренным априори программистом (например, к переходу на другой метасистемный уровень управления или обучению решению новой задачи).

Основные причины, препятствующие появлению «сильного» ИИ
Большинство исследований и разработок имеют ярко выраженный узкоспециализированный характер и изначально не предполагают дальнейшего расширения и развития
Требования заказчика к предсказуемости и воспроизводимости поведения системы, проблемы юридической ответственности за возможные ошибки
Узкоспециализированная система ИИ как правило работает быстрее системы общего назначения и гораздо дешевле в разработке (от добра добра не ищут)
Отсутствие общепринятой концепции построения универсальных систем ИИ

Факторы, способствующие эволюции земной биоты в сторону усложнения и её «поумнению»
Изменение внешних условий (доступность хим. элементов, температура и влажность внешней среды и т.д.)
Конкуренция за доступ к энергетическим ресурсам, положительные обратные связи в пищевых цепочках экосистем (взаимоотношения хищник-жертва и т.д.)
Эволюционное давление, направленное на наибольшую «интеллектуализацию» организмов при наименьших энергетических затратах (всегда ищется не абсолютно идеальное решение, а решение, обеспечивающее выживаемость при минимальных энергетических затратах)

Основные принципы построения оптимального «сильного» ИИ
Постепенное, но постоянное усложнение «внешней среды» - уровень сложности задач, решаемых ИИ должен всё время находиться на грани его текущих возможностей
Постоянная конкуренция с человеком и/или другими (альтернативными) системами ИИ, либо со своими мутационными копиями, что позволит создать максимально информационно насыщенную внешнюю среду
Применение принципа МДО для оптимизации систем ИИ
Использование решений и схем, уже по крайней мере дважды подтвердивших свою эффективность в процессе прогрессивной эволюции биосферы =>

Интеллект эволюции – аппаратная база
Генные сети, включая имунную систему (количество элементов в одном организме – до нескольких десятков тысяч, характерное время реакции – минуты, характерное время обновления информации – от десятков минут до десятков лет)
Нейронные сети (количество элементов в одном организме – до сотен миллиардов, характерное время реакции - милисекунды, характерное время обновления информации – десятки минут)

Минимальная сложность реально функционирующих биологических систем обработки информации
Бактерия Mycoplasma genitalium содержит 521 протеин кодирующих гена
Нематода C.elegance – 302 нейрона

Общие принципы функционирования генных и нейронных сетей
Информационная сеть состоит из набора дискретных взаимодействующих между собой элементов
Каждый элемент может находится только в двух основных состояниях – активном и пассивном
У каждого элемента есть два или более входа для приёма сигналов от других элементов
У каждого элемента есть один и только один выход, сигнал с которого передаётся на вход других элементов
Избыточность: один и тот же результат может быть достигнут множеством альтернативных путей (понять, значит уметь решить проблему более, чем одним способом)
В процессе эволюции элементы могут мутировать, дублироваться и уничтожаться
Эволюция статистически действует не на один конкретный организм, а на сообщество организмов, обменивающихся между собой информацией как вертикально, так и горизонтально
Все элементы сетей функционируют параллельно
Иерархический принцип организации потоков информации
Использование метода перебора при решении новых задач
И те и другие могут рассматриваться как частный случай функциональных систем в рамках соответствующей теории П.К.Анохина.

Схематический пример простой системы ИИ, построенной на дискретных элементах

Логические игры как удобный пример для тестирования концепции обучения иерархической эволюционирующей системы ИИ «с нуля».
Обучение правилам ходов
Обучение правилам определения победителя
Обучение правилам статической оценки позиции
Обучение правилам и приёмам улучшения позиции (тактика)
Обучение стратегическим правилам ведения игры
Обучение использованию слабостей и ошибок противника