Вычислительное познание (иногда называемое вычислительной когнитивной наукой или вычислительной психологией или когнитивным моделированием ) — это изучение вычислительной основы обучения и вывода с помощью математического моделирования , компьютерного моделирования и поведенческих экспериментов. В психологии это подход, который разрабатывает вычислительные модели на основе экспериментальных результатов. Он стремится понять основу человеческого метода обработки информации . На раннем этапе ученые, занимающиеся вычислительным познанием, стремились вернуть и создать научную форму психологии Брентано . [1]
Существует две основные цели для создания искусственного интеллекта: производить разумное поведение независимо от качества результатов и моделировать разумное поведение, встречающееся в природе. [2] [3] В начале своего существования искусственному интеллекту не было необходимости имитировать то же поведение, что и человеческое познание. До 1960-х годов экономисты Герберт Саймон и Аллен Ньюэлл пытались формализовать человеческие навыки решения проблем, используя результаты психологических исследований для разработки программ, которые реализуют те же методы решения проблем, что и люди. Их работы заложили основу для символического ИИ и вычислительного познания, и даже некоторых достижений для когнитивной науки и когнитивной психологии . [4]
Область символического ИИ основана на гипотезе физических символьных систем Саймона и Ньюэлла, которая утверждает, что выражение аспектов когнитивного интеллекта может быть достигнуто посредством манипулирования символами . [5] Однако Джон Маккарти больше сосредоточился на первоначальной цели искусственного интеллекта, которая заключается в том, чтобы разрушить сущность логических и абстрактных рассуждений независимо от того, использует ли человек тот же механизм. [3]
В течение следующих десятилетий прогресс, достигнутый в области искусственного интеллекта, начал больше фокусироваться на разработке программ, основанных на логике и знаниях, отходя от первоначальной цели символического ИИ. Исследователи начали верить, что символический искусственный интеллект, возможно, никогда не сможет имитировать некоторые сложные процессы человеческого познания, такие как восприятие или обучение . Тогдашняя воспринимаемая невозможность (с тех пор опровергнутая [6] ) реализации эмоций в ИИ, рассматривалась как камень преткновения на пути к достижению человекоподобного познания с помощью компьютеров. [7] Исследователи начали использовать «субсимволический» подход для создания интеллекта без конкретного представления этих знаний. Это движение привело к появлению дисциплины вычислительного моделирования , коннекционизма и вычислительного интеллекта . [5]
Поскольку вычислительное когнитивное моделирование вносит больший вклад в понимание человеческого познания, чем искусственный интеллект, оно возникло из необходимости определения различных когнитивных функций (таких как мотивация, эмоции или восприятие) путем представления их в вычислительных моделях механизмов и процессов. [8] Вычислительные модели изучают сложные системы с помощью алгоритмов многих переменных и обширных вычислительных ресурсов для создания компьютерного моделирования . [9] Моделирование достигается путем корректировки переменных, изменения одной по отдельности или даже их объединения вместе, чтобы наблюдать влияние на результаты. Результаты помогают экспериментаторам делать прогнозы о том, что произойдет в реальной системе, если эти похожие изменения произойдут. [10]
Когда вычислительные модели пытаются имитировать когнитивные функции человека, все детали функции должны быть известны, чтобы они могли передаваться и правильно отображаться через модели, что позволяет исследователям полностью понять и проверить существующую теорию, поскольку никакие переменные не являются неопределенными, и все переменные являются модифицируемыми. Рассмотрим модель памяти, созданную Аткинсоном и Шиффрином в 1968 году , она показала, как повторение приводит к долговременной памяти , где будет храниться повторяемая информация. Несмотря на прогресс, достигнутый ею в раскрытии функции памяти, эта модель не дает ответов на такие важные вопросы, как: сколько информации можно повторить за один раз? Сколько времени требуется для передачи информации от повторения в долговременную память? Аналогичным образом, другие вычислительные модели поднимают больше вопросов о познании, чем дают ответов, делая их вклад гораздо менее значимым для понимания человеческого познания, чем другие когнитивные подходы. [11] Дополнительным недостатком вычислительного моделирования является его заявленное отсутствие объективности. [12]
Джон Андерсон в своей модели адаптивного управления мышлением-рациональным (ACT-R) использует функции вычислительных моделей и выводы когнитивной науки. Модель ACT-R основана на теории, что мозг состоит из нескольких модулей, которые выполняют специализированные функции отдельно друг от друга. [11] Модель ACT-R классифицируется как символический подход к когнитивной науке. [13]
Другой подход, который больше касается семантического содержания когнитивной науки, — это коннекционизм или моделирование нейронных сетей. Коннекционизм опирается на идею о том, что мозг состоит из простых единиц или узлов, а поведенческая реакция исходит в первую очередь из слоев связей между узлами, а не из самого стимула окружающей среды. [11]
Коннекционистская сеть отличается от вычислительного моделирования в частности двумя функциями: нейронным обратным распространением и параллельной обработкой . Нейронное обратным распространением является методом, используемым коннекционистскими сетями для демонстрации доказательств обучения. После того, как коннекционистская сеть выдает ответ, смоделированные результаты сравниваются с реальными ситуационными результатами. Обратная связь, обеспечиваемая обратным распространением ошибок, будет использоваться для повышения точности последующих ответов сети. [14] Вторая функция, параллельная обработка, вытекает из убеждения, что знания и восприятие не ограничиваются определенными модулями, а скорее распределены по всем когнитивным сетям. Наличие параллельной распределенной обработки было показано в психологических демонстрациях, таких как эффект Струпа , где мозг, по-видимому, анализирует восприятие цвета и значение языка одновременно. [15] Однако этот теоретический подход постоянно опровергается, поскольку две когнитивные функции для восприятия цвета и формирования слов действуют отдельно и одновременно, а не параллельно друг другу. [16]
Область познания, возможно, выиграла от использования коннекционистских сетей, но настройка моделей нейронных сетей может быть довольно утомительной задачей, а результаты могут быть менее интерпретируемыми, чем система, которую они пытаются смоделировать. Поэтому результаты могут быть использованы в качестве доказательства для широкой теории познания без объяснения конкретного процесса, происходящего в когнитивной функции. Другие недостатки коннекционизма заключаются в методах исследования, которые он использует, или гипотезах, которые он проверяет, поскольку они часто оказывались неточными или неэффективными, что отдаляло коннекционистские модели от точного представления того, как функционирует мозг. Эти проблемы приводят к тому, что модели нейронных сетей неэффективны при изучении высших форм обработки информации и мешают коннекционизму продвигать общее понимание человеческого познания. [17]
{{cite journal}}: CS1 maint: несколько имен: список авторов ( ссылка )