Напомню кратко, о чем идет речь. Нейронная сеть представляет собой структуру, состоящую из узлов - искусственных нейронов, чаще всего связанных послойно таким образом, чтобы какой-то сигнал (вектор или массив, размерность которого равна числу входных нейронов), подаваемый на входной слой, был преобразован в выходной слой, который представляет собой решение задачи. Каждая связь имеет вес, а узел - функцию активации. Текущие архитектуры нейронных сетей достаточно разнообразны, как разнообразны и способы преобразования, если вы хотите подробнее изучить данный вопрос, ищите ресурсы в Интернете, их множество.

Семантическая сеть - это тоже граф, в котором узлы и связи имеют имена, а создаются эти узлы и связи, и их упорядочение в структуру согласно смысловым отношениям между именами. Таким образом можно описать взаимное расположение объектов в комнате, если использовать их названия и задавать отношения между ними из списка: «рядом», «впереди», «выше», «ниже» и тому подобное.

Фактически, эти две сети представляют собой две полные противоположности, Так, например, отображение нейронной сети мало, что скажет исследователю о природе объектов, которые он исследует, настолько она становится сложна уже при небольшом количестве нейронов. Семантическая сеть, напротив, дает прекрасное смысловое представление о предмете исследования, ее непосредственно можно использовать в качестве результата. Нейронная сеть «считает» достаточно быстро (исключение может составлять лишь сети с обратными связями), а семантическая сеть, в которой обработка - это нахождение всех разрешенных путей, при максимально быстрых алгоритмах дает квадрат числа узлов.

Нейронной сети можно доверять распознавания образов, расчеты сложных функций и другие алгебраические задачи (поскольку нейронная сеть - это не более, чем сложная алгебраическая функция, для любой нейронной сети можно найти эквивалентную матричную систему уравнений). Семантическая сеть числа и математику «не любит», она с успехом может производить вывод силлогизмов, но ее очень тяжело заставить сложить два числа.

Казалось бы, два совершенно различных инструмента, которые необходимо использовать комплексно (сейчас очень модно говорить о ГИБРИДАХ), чтобы они дополняли друг друга и компенсировали свои недостатки, но нет, мир исследователей ИИ делится почти ровно на два лагеря: одни считают, что будущее искусственное сознание возникнет на базе искусственных нейронов, другие считают, что на базе правильной обработки семантики.

Так каким же будет искусственное сознание? Если рассматривать аналогию с самолетом и птицей, то неверно ни одно из решений :-). В самом деле, может ли феномен мышления быть связан только с организацией процесса обработки входной информации? Проектировщики, исследователи и создателя искусственного сознания как-то упускают из вида тот факт, что мышление коллективно. Это первый важнейший момент. Это не значит, что необходимо срочно создавать в компьютерной сети колонию маленьких зародышей создания и ждать, когда они начнут общаться между собой. Но мы должны предельно точно понимать функции языка, функции знания, только тогда мы сможет ответить на вопрос об их механизмах, а затем попытаться реализовать эти механизмы с помощью программ. Это звучит странно, до сих пор в науке (кроме метафизики) нет четкого представления о знании и всех аспектов его «жизненного цикла».

За те 50 лет, что существует ИИ мы избавились от иллюзий, что можно написать программу искусственного интеллекта, в этом смысле нейронный подход представляется более предпочтительным, ибо как знать, может быть, обучая, обучая, обучая сеть мы в конце концов и получим сознание J. Конечно же, нет. Функция мышления заключается не только в том, чтобы относить тот или иной образ к классу. Нейронные сети не в состоянии производить ни синтеза, ни анализа объекта, более того, эффект насыщения сети по отношению к распознаваемым образам есть явный индикатор того, что нейронная сеть совсем не эмулирует сознание и память.

Мода прибегать к нейронной сети там, где годятся более простые методы, например один из известных моделей «Кузнечик» (найду и обязательно вставлю ссылку) использует нейронные сети весьма спорно. Универсальность и удобство совсем не означает качество решения, более того, тот самый факт, что сеть «скрывает» математику, которой так или иначе она является, создает флэм, кажется, что система обучаема и разумна, тогда как на самом деле, ее детерминистские алгоритмы просто слишком сложны для понимания и имеют возможность конфигурироваться.

Если вы хотите точно понимать, что такое нейронная сеть, знайте - это просто изящно реализованное матричное преобразование. Больше - ничего. Никакой тайны, никакого чуда, никакого «самообучения». Ожидать, что алгебра даст появление искусственного сознания в течении ближайших семи лет, при том, что она триста лет этого не делала - иллюзия.

Что же семантические сети? Может быть они? У семантической сети (по крайней мере в классической интерпретации) есть три почти не преодолимых недостатка. Она сильносвязна. Если мы хотим использовать хотя бы словарь понятий общеразговорного уровня, то может получить около миллиарда связей. Добро это бы была бы регулярная структура, но нет, это будут клубки, где обработка (а сегодня это - комбинаторика) будет занимать часы.

Вторым недостатком следует считать очень слабую «слойность» семантической сети. Предложение Минским концепции фреймов не дали требуемого результата, естественного мышление совершенно свободно переходит с одного уровня абстракции на другой, например, может мыслить одиннадцать человек как футбольную команду, совокупность команд как чемпионат, победителей чемпионатов как Лигу Чемпионов. Для семантической сети реализация такого простого обобщения есть нетривиальная задача.

И третьим недостатком, который просто ставит крест на семантической сети как реализации искусственного сознания есть слабая самообучаемость. Точнее, никакая самообучаемость. Семантической сети всегда нужен учитель, который бы «рассказывал» ей о каждом новом элементе настолько подробно, насколько подробна его обработка. Для семантической сети необходима полная тотальная формализация знания. Поэтому любая экспертная система имеет семантическую сеть, но не может претендовать даже на хорошую активность, поскольку организация обратной связи возможно только в очень узком «диапазоне ситуаций».

Чтобы не заканчивать на такой пессимистической ноте, скажу, что лично я уверен:

1. В том, что искусственное сознание будет реализовано в самое ближайшее время;

2. В том, что нейронные сети очень эффективный механизм решения задач кластеризации и распознавания;

3. В том, что семантические сети очень эффективный механизм описания «устройства» объектов и явлений.

4. В том, что можно найти гибридную архитектуру, в которой можно компенсировать недостатки каждого из механизмов.

Но так или иначе, необходимо искать «третий» путь, третье направление. И это направление лежит совершенно в иной плоскости.

А.Егоров

27.10.02