Разум, машины и математика. Искусственный интеллект и его задачи

В первом сценарии производитель стали преобразует железную руду в сталь с эффективностью 100 % (то есть с коэффициентом 1). Далее 50 %, то есть половина произведенной стали, используется для производства автомобилей, оставшиеся 50 % — для изготовления бытовой техники. Если мы для простоты предположим, что из каждой единицы стали изготавливается автомобиль или единица бытовой техники, то получим, что в конце потока будет произведено 5 автомобилей и 5 единиц бытовой техники.

Теперь рассмотрим сценарий, в котором благодаря переработке возникает эффект мультипликатора.

Во втором сценарии 75 % автомобилей перерабатывается. Следовательно, теперь производитель стали может повысить объемы производства, что в конечном итоге позволит выпускать больше автомобилей. Если на первом этапе переработке подвергалось 5 автомобилей, то с последовательным повышением производительности система стабилизируется на уровне 8 выпускаемых машин и 6 машин, подвергаемых переработке, на каждом цикле. Это означает, что производство стали возрастет до 16 единиц: 10 единиц будет выплавляться из 10 единиц железной руды, еще шесть будет получено в результате переработки автомобилей.

Четвертое свойство: разнообразие

Разнообразие — еще одна определяющая характеристика сложных адаптивных систем. В любой сложной адаптивной системе наблюдается значительное разнообразие агентов, которые совместно определяют шаблоны поведения системы. В качестве примера приведем тропический лес, где можно пройти полкилометра и не увидеть двух деревьев одного вида. Или рассмотрим такую сложную адаптивную систему, как целый город, к примеру Рим, где живут миллионы самых разных людей со своими занятиями и особенностями, где работают тысячи компаний, по большей части непохожих друг на друга, при этом каждая из этих компаний, в свою очередь, также представляет собой сложную адаптивную систему.

Такое разнообразие вовсе не случайно. Каждый агент в рамках системы занимает свою нишу, которая определяется его связями с соседними агентами. Если мы исключим из сложной адаптивной системы один агент, другие автоматически займут его место. Когда система прекращает адаптироваться к условиям среды, наступает стабильное состояние, иными словами наблюдается сходимость.

Разнообразие также наблюдается, когда агент или совокупность агентов занимают новые ниши, в результате чего сложная адаптивная система получает новые функциональные возможности. Хороший пример — мимикрия, в ходе которой, к примеру, цветки орхидей имитируют внешний вид насекомых, чтобы привлечь других насекомых — переносчиков пыльцы и сделать опыление более эффективным.

Цветки растения офрис пчелоносная имитируют насекомых, чтобы привлечь других насекомых — переносчиков пыльцы.

Однако главный вопрос звучит так: какой фактор допускает и даже стимулирует возникновение столь большого разнообразия в сложных адаптивных системах? При подробном изучении таких систем можно последовательно проследить, какие изменения они претерпевали в процессе возникновения того или иного агента, и тем самым понять роль отдельных агентов в системе. К примеру, когда в сложной адаптивной системе в результате адаптации возникают циклические потоки, что ведет к переработке ресурсов и повышению общей эффективности, в ней открываются ниши, где появляются новые, «перерабатывающие» агенты. Другой пример сценария, порождающего разнообразие, — рост предприятия: в процессе роста возникает необходимость в новых иерархиях и, следовательно, в агентах нового типа, которые будут отвечать за координацию действий на каждом уровне иерархии.

Второй механизм: внутреннее моделирование

Любая сложная адаптивная система способна создавать внутренние модели окружающей среды, позволяющие предсказать будущие события и изменения, которые должны произойти для успешной адаптации системы к этим событиям. Такие модели строятся на основе информационных потоков, поступающих в систему и вызывающих полезные изменения ее внутренней структуры. После того как модель построена, она помогает системе предсказывать, какие последствия будет иметь появление определенных закономерностей в среде. Но как система может представить накопленный опыт в виде моделей? Как система создаст модель для прогноза последствий будущих событий?

Оптимальной движущей силой для создания подобных моделей является давление отбора. Бактерия всегда «знает», что ей нужно следовать в направлении, где находится больше питательных веществ. Этот «инстинкт» описывается внутренней моделью, указывающей, что если бактерия будет следовать подобной схеме поведения, то с наибольшей вероятностью гарантирует себе пропитание. Бактерии, которые благодаря кодификации структур и иерархий внутренних агентов смогли создать подобные модели, имеют больше шансов оставить потомство и, следовательно, передать ему это отличительное свойство.

Существует два вида внутренних моделей: явные и неявные. В примере с бактерией, следующей инстинктам в поиске питания, мы имеем дело с неявной моделью, так как она не позволяет ни «думать», ни моделировать альтернативные варианты развития событий. Явные модели, свойственные высшим живым организмам, напротив, позволяют оценивать различные гипотетические сценарии и принимать оптимальные решения после анализа альтернативных вариантов. Примером явной модели в сложной адаптивной информационной системе может служить машина для игры в шахматы, способная анализировать сотни тысяч вариантов на каждом ходу.

Логично, что неявная модель создается и адаптируется к среде по законам эволюции, в то время как для явных моделей скорость адаптации намного выше.

Колония бактерий Escherichia coli, увеличенная в 10 000 раз. Каждая «палочка» обозначает бактерию.

Третий механизм: строительные блоки

Внутренняя модель сложной адаптивной системы, как правило, основывается на ограниченном множестве выборок, описывающих ситуации, произошедшие в прошлом. Эти выборки похожи, но каждая из них обладает определенной новизной. Как сложная адаптивная система может создавать на базе ограниченного предшествующего опыта внутренние модели, полезные в будущем? Ключ к этому парадоксу — использование так называемых строительных блоков, то есть элементов, на которые можно разложить любую систему, среду или сценарий. Рассмотрим в качестве примера финансовую организацию, которая идеально соответствует определению сложной адаптивной системы. Допустим, что организация должна принять решение, выдавать ли клиенту кредит. Главный вопрос заключается в том, сможет ли клиент вернуть кредит в условленный срок. Банк не представляет, сможет ли клиент совершать платежи по кредиту через 15 лет, так как не способен предсказывать будущее. Усложним ситуацию и предположим, что клиент не имеет кредитной истории, то есть банку о нем ничего не известно. В этом случае банк разложит проблему на составляющие и, проанализировав определяющие характеристики нового клиента — уровень его образования, должность, семейное положение и другие, — рассмотрит поведение клиентов со схожим профилем. Эти характеристики будут строительными блоками, описывающими сценарий, с которым столкнулся банк как сложная адаптивная система.

Способность сочетать строительные блоки для создания неявных внутренних моделей развивается по законам эволюции, а обучение явных внутренних моделей обычно проходит в гораздо более короткие сроки, хотя в природе такой способностью обладают только высшие живые организмы.