Исследования

Публикации.

До разработки Тьюрингом универсальной машины, нашедшей свое воплощение в компьютерах, каждый алгоритм приходилось воплощать в виде отдельного устройства. Универсальность компьютеров заключается в их способности превращаться в любое такое устройство, эмулировать его по описанию.

Назначение искусственного интеллекта не просто в воспроизводстве алгоритмов, но в их синтезе при решении различных задач. Традиционные методы ИИ (слабого ИИ) подобны автоматам, создававшимся до изобретения компьютера, в том, что они способны порождать лишь решения из фиксированных, ограниченных классов. Сильный ИИ должен соотноситься со слабым ИИ так же, как компьютеры соотносятся с теми старыми автоматами, то есть он должен быть универсальным в своей способности синтезировать любой алгоритм. Существующие технологии, даже такие продвинутые, как глубокое обучение, на это не способны. Также и от попыток построения AGI в форме когнитивных архитектур, собранных из слабых компонент, сложно ожидать неожиданного синергетического эффекта, достаточного для достижения указанной универсальности.

В то же время существующая теория универсального алгоритмического интеллекта является математической абстракцией, не имеющей эффективного практического воплощения. Наша цель заключается в разработке эффективного универсального интеллекта, не обладающего ограничениями, свойственными методам слабого ИИ. При этом мы трактуем универсальный интеллект не как один метод, единообразно решающий все проблемы, но как самообучающуюся систему синтеза слабых методов путем специализации (построения эффективной проекции) универсальных методов на конкретные задачи.Такая система нами разрабатывается как система вероятностного программирования, расширенная методами метавычислений и обладающая чертами когнитивных архитектур, которые трактуются как эвристики, существенно повышающие эффективность системы для функционирования в нашем мире без нарушения ее универсальности.

Наша цель.

Наша цель — создание сильного искусственного интеллекта, требующее решения фундаментальных научных проблем достижения универсальности воплощенными системами машинного обучения и принятия решений.

Чем мы отличаемся?

В отличие от других проектов, в которых производится попытка создать сильный искусственный интеллект на основе существующих слабых методов, реализующих те или иные когнитивные функции, мы развиваем модели интеллектуального поведения, для которых вполне обосновано свойство универсальности, повышая их практическую реализуемость.

Наш подход.

Мы отталкиваемся от моделей универсального предсказания на основе алгоритмической вероятности, используемой для выбора оптимальных действий, разрабатывая элементы когнитивных архитектур как эвристики, существенно повышающие эффективность моделей для функционирования в нашем мире без нарушения их универсальности.

Нерешенные проблемы.

Детальный анализ и реализация когнитивных функций в рамках универсального алгоритмического интеллекта для достижения возможности его практического воплощения далеки от завершения. Основной нерешенной проблемой (которая пока не решается и в других подходах, а зачастую и просто игнорируется) остается организация работы в алгоритмически полном пространстве моделей и решений без выполнения обширного поиска.