Filozofická fakulta Masarykovy Univerzity v BrnûPsychologick˘ ústav

Studijní rok 2004/2005

DIPLOMOVÁ PRÁCE

ZPÒSOBY SIMULACE INTELIGENCEZPÒSOBY SIMULACE INTELIGENCEMichal Vavreãka

Vedoucí diplomové práce: Mgr. Helena KlimusováBrno 2004

Prohla‰uji, Ïe jsem tuto diplomovou práci vypracoval samostatnû a uvedl v níve‰kerou literaturu a jiné prameny, které jsem pouÏil

V Brnû 30.11. 2001 ……………………………………...Podpis

Podûkování

za korektury: Petra Balabánová, Jana Dvofiáãková, Markéta Dvofiáãková, Karel Gre-gor, Pavel Kroupa, Filip Rozsíval, Hikmet Salihová, Tereza ·armanová,Danka Urbancová, Zuzana Vavreãková

za grafiku a textové úpravy: Libor Alexa, Jirka Mudrákza sazbu a zlom: Ondra Kroupaza poãítaã: TomበJifiíkza trpûlivost pfii ãtení: Mgr.Helena Klimusová, PhDr. TomበUrbánek PhD.za v‰echno: rodiãÛm

Motto:Ví, Ïe snadn˘ znamená - neuskuteãniteln˘,Ïe je dvojramenná, fieka a smûry v ní.Ví, Ïe lidsk˘ znamená – nenapodobiteln˘,fieka je nemûnná, jen voda plyne v ní.

UÏ jsme doma, ¤eka

OBSAHOBSAH

Úvod1 Inteligence

1.1 Pojem inteligence

1.2 Modely inteligence

1.3 Statistické a biologické mûfiení inteligence

2 Inteligentní systém

2.1 Filosofie mysli

2.1.1 Teorie mysli (TOM)

2.2 Psychologie

2.2.1 Horká a studená metodologie

2.2.2 Kognitivní Architektury - modely

2.2.3 Kognice

2.2.3.1 Kategorizace – tvorba konceptu

2.2.3.2 Vnímání

2.2.3.3 My‰lení

2.3 Biologie

2.3.1 Biologické versus umûlé systémy

2.4 Umûlá inteligence

2.4.1 Metody UI

2.5 Informace

2.6 Nejmen‰í jednotky

2.7 Paralelní versus sériové zpracování

3 Klasick˘ pfiístup

3.1. Pfiedpoklady

3.1.1 Logika

3.1.2 Gödel

3.1.3 Formální a mentální logika

3.1.4 Monotonie

3.1.5 Komputace

3.2 Architektura

3.2.1 Charles Babbage

3.2.2 Von neumannovská architektura

3.2.3 TuringÛv stroj

3.2.4 Finite state automaty

3.3 Aplikace

3.3.1 Symbolické systémy

3.3.1.1 Fyzick˘ Symbolick˘ systém

3.3.2 Simon-Newell

3.3.2.1 Logic Theorist

3.3.2.2 General Problem Solver

3.3.3 Expertní systémy

3.3.3.1 Problem Solving (¤e‰ení problémÛ)

3.3.3.2 Genetické algoritmy

3.3.4 SHRDLU

3.3.5 Hry jako model i nástroj

4 Konekcionismus 4.1 Neuronové sítû

4.1.1 ZpÛsoby uãení

4.1.2 PamûÈ neuronov˘ch sítí

4.2 Typy neuronov˘ch sítí

4.2.1 Hopfieldovy sítû

4.2.2 Kohonenovy sítû

4.2.2.1 Hebbovské uãení

4.3 Redundance

4.4 Robustnost

5 Klasick˘ pfiístup versus neuronové sítû

6 Paralelismus

7 Pfiístup zaloÏen˘ na agentech

7.1 Vtûlená kognitivní vûda

7.2 Principy tvorby autonomních agentÛ

7.3 Emergence

7.4 V˘hody a nev˘hody agentÛ

7.5 Reaktivní agenti

7.5.1 Subsumpce

7.6 Multiagentní pfiístup

8 PamûÈové systémy a reprezentace znalostí

8.1 CAM

8.2 Memory surface

8.3 Mentální reprezentace

8.4 Rámce

8.5 Bayesianské sítû

9 Tvorba v˘znamu

9.1 Jazyk

9.2 Ukotvení symbolÛ

9.3 Kontext

Závûr = Sémantika

ÚVODÚVOD

DÛvodÛ k napsání této práce je nûkolik. Daly by zde vyjmenovat samostatnû, ale to

by z nich ãinilo oddûlenû stojící témata, coÏ mÛÏe b˘t úãelné pro získání pfiehledu a

vytvofiení struktury, ale také vytváfiet dojem izolovanosti. Pokud bychom v‰ak hledali

slovo, které by zastfie‰ovalo témata, objevující se v této práci, asi nejv˘stiÏnûji znûjí

v˘razy jako hledání vazeb a propojení.

A nejedná se pouze o propojení psychologie s ostatními obory, které se vyjadfiují

k problematice lidské mysli, ale také o propojení jednotliv˘ch oborÛ mezi sebou a

hledání spoleãn˘ch „pfiekrytÛ" a moÏností vysvûtlení jednûch druh˘mi. Pfiesné

vymezení hranic mezi obory ztrácí smysl, pokud teoretické, metodologické ãi tech-

nické moÏnosti neumoÏÀují jednomu z nich plnohodnotné pochopení zkoumaného

jevu, kter˘m není nic men‰ího, neÏ lidská mysl, potaÏmo schopnost existovat

v prostfiedí „úãeln˘m" zpÛsobem – inteligence.

Odvûtví, které si za svÛj cíl tuto oblast vytyãilo, má jiÏ své konkrétní jméno. MÛÏeme

jej naz˘vat kognitivní vûda ãi kognitivní vûdy. Vûdní obor integrující v sobû poznatky

z mnoha oblastí bádání a v˘zkumu, snaÏící se vytvofiit jednotnou teorii (popfiípadû její

aplikaci v praxi), umoÏÀující pochopení zmínûné problematiky v celé její ‰ífii.

Obr.1 Vûdní obory konstituující pfiedmût kognitivních vûd.

Psychologie je oborem, kter˘ mÛÏe k dané problematice mnohé fiíci. A jelikoÏ je psy-

chologie m˘m studijním oborem, pokusil jsem se své téma zpracovat s ohledem

na psychologii, ale v kontextu oborÛ, které mohou poskytnout cenné informace pfii

snaze o vystiÏení zkoumaného jevu. V˘chozím bodem byly poznatky, které jsem

studiem ve ‰kole nezískal. Lépe fieãeno, hledání poznatkÛ doplÀujících mezery pro

nalezení ‰ir‰í souvislosti pfii tvorbû své práce. Propojení znalostí do jednoho celku.

Takov˘ styl práce se setkává s obtíÏemi. KaÏd˘ z oborÛ má svou vlastní terminologii

a také specifickou formu vyjadfiování, coÏ mÛÏe nûkdy pÛsobit dojmem jisté svébyt-

nosti a samostatnosti. Také mnoÏství poznatkÛ a informací získan˘ch jednotliv˘mi

obory bûhem jejich historie ãiní moÏnosti dostateãného pochopení jednotliv˘ch oblastí

obtíÏn˘mi. I pfiesto mi pfiipadá takov˘ styl práce zajímav˘ a potfiebn˘.

Samotná práce si klade za cíl bliωí orientaci v oblastech, které se zab˘vají prob-

lematikou napodobování inteligentního chování, popfiípadû moÏnostmi tvorby

umûl˘ch inteligentních systémÛ. První ãást je vûnována vymezování inteligentního sys-

tému z hlediska poznatkÛ rÛzn˘ch oborÛ. Jedná se o základní pfiehled, jelikoÏ rozsah

této práce neumoÏÀuje pfiesnûj‰í rozbor konkrétních problému. Následující kapitoly se

vûnují popisu jednotliv˘ch pfiístupÛ pfii simulaci inteligence a jejich omezení ply-

noucích z pouÏité architektury, ãi zpÛsobÛ jejího vyuÏití v konkrétních aplikacích.

Závûreãná kapitola je vûnována tvorbû v˘znamÛ, která se ukazuje jako nejslab‰í místo

souãasn˘ch systému pokou‰ejících se o napodobování inteligence. Samotn˘ závûr pak

tvofií pomyslná otevfiená vrátka pro moÏnost dal‰í práce s vyuÏitím poznatkÛ,

získan˘ch pfii tvorbû této diplomové práce.

11 INTELIGENCEINTELIGENCE

Je obtíÏné zaãínat první kapitolu práce termínem, kter˘ je jejím cílem a

shrnutím.VyÏaduje znalost kapitol následujících. Pfiesto je nutné zmínit pojem

inteligence hned na poãátku. V této práci se jím budeme zab˘vat v ‰ir‰ím kontextu,

neÏ jak jej chápe psychologie. Inteligence není studována pouze jako lidská schopnost

adaptivnû se chovat a proÏívat, ale jako obecná schopnost libovolného organismu jak

Ïivého, tak umûlého.

Pokusy o definici lidské inteligence mají dlouhou historii, která je spojena s rozpory,

zda lze spojit faktory tvofiící inteligenci do jednoho obecného (lépe fieãeno existuje

pouze jedin˘ faktor), ãi ponechat ãlenûní na jednotlivé oblasti. Otázku je moÏno zod-

povûdût aÏ tehdy, budeme-li znát mechanismy, které jsou zodpovûdné za adaptivní

chování a operaci s reprezentacemi a ve‰keré ostatní mechanismy tvofiící schopnost

inteligentního jednání. V souãasné dobû je odpovûì na tyto otázky neznámá. To by

znamenalo konec práce hned v zaãátku, a proto zkusme pokraãovat.

Pokud se pfiikláníme k názoru, Ïe je tfieba v oblasti kognitivních vûd, a tedy i pfii

v˘zkumu inteligence, identifikovat nejmen‰í univerzální jednotku zodpovûdnou

za adaptivní formu reagování, pfiikláníme se k názoru v˘zkumníkÛ, ktefií vidí inteligen-

ci jako jedineãn˘ „g" faktor, tedy inteligenci, pfiizpÛsobující se prostfiedí a konkrétnûji

typu úlohy, pfied kter˘ je mysl ãi mozek postaven. V oblasti simulace tomuto trendu

odpovídají neuronové sítû s univerzální jednotkou neuronem, popfiípadû TuringÛv

univerzální stroj (jako komputaãní zafiízení schopné vypoãítat libovoln˘ typ úlohy)

na stranû druhé. Univerzálnost na úrovni komplexního inteligentního systému

(umûlého) je zatím v praxi neuskuteãnitelná, ale jako v˘chozí teoretické principy lze

zmínûné pfiístupy akceptovat. Chceme-li nazírat inteligenci jako soubor více modulÛ,

pfiiãemÏ kaÏd˘ je specializovan˘ na jeden typ úlohy (coÏ nevyluãuje, Ïe specializované

mechanismy mohou b˘t tvofieny základní univerzální jednotkou ), je takto inteligence

chápána v simulaãních pfiístupech zaloÏen˘ch na modularitû, subsumpci apod.

Zmínûné oblasti simulace tvofií hlavní ãást této práce a v následujících kapitolách se

s nimi seznámíme podrobnûji.

Obr. 2 Pfiístupy ke studiu inteligence

Jin˘ typ dûlení pfiístupÛ je zaloÏen na metodû, kterou pouÏíváme pfii v˘zkumu

inteligence. Pfiístupy ke studiu inteligence se tak dají rozdûlit na analytické a syntet-

ické. Analytick˘ pfiístup je blízk˘ biologii, neurobiologii a vûdám, které stavûjí

na empirick˘ch poznatcích. Hlavním úkolem je identifikovat jednotlivé komponenty

systému a rozpoznat jeho strukturu a funkce. Syntetick˘ pfiístup se naopak snaÏí ses-

trojit umûl˘ systém, kter˘ by mûl vlastnosti zkoumaného. Pfiístupy jsou k sobû ve

vztahu komplementárním. Souãasná kognitivní vûda pouÏívá princip, kter˘ je spo-

jením obou pfiedchozích pfiístupÛ a smûfiuje do aplikované oblasti. Naz˘vá se syntet-

ické modelování a jeho hlavním mottem je „pochopení skrze vytváfiení", tedy kom-

promis, kter˘ vychází z omezen˘ch znalostí, které o inteligentních systémech víme, jeÏ

jsou aplikovány pfii tvorbû modelÛ tûchto systémÛ. Chybûjící znalosti se snaÏíme

pfiekonat metodou pokusÛ a omylÛ se zpûtnou vazbou (Pfeifer&Scheier, 2001,s.154).

Konkrétní aplikací syntetického modelování je napfi. práce profesora de Garise, kter˘

se snaÏí syntetizovat poznatky z oblasti neuronov˘ch sítí i klasické komputace. SvÛj

pfiístup naz˘vá Brain building. Základem architektury jsou specializované poãítaãe

vyuÏívající architektury neuronov˘ch sítí, které jsou poté propojovány do vy‰‰ích

funkãních celkÛ jako stavebnice. Taková syntéza se velmi blíÏí oblasti paralelních

poãítaãÛ.

S moÏnostmi vyuÏití psychologick˘ch pfiístupÛ pro oblast simulace inteligence se

mÛÏeme setkat i ve star‰ích pracích, u kter˘ch bychom to nepfiedpokládali. Paralely

s komputaãním pfiístupem se objevují napfiíklad v Piagetovû Psychologii inteligence.

V dobû, kdy se oblast programování teprve formovala, dokázal Piaget v lidském

chování a proÏívání (navíc obohaceném o faktor ontogeneze, kter˘ komputaãní pfiíst-

up pfiíli‰ nereflektuje) identifikovat principy, které lze pfiirovnat k poãítaãov˘m pro-

gramÛm. Vidí je jako posloupnosti operací, sloÏené ze sekvenãní spolupráce operá-

torÛ (algoritmy), které dohromady tvofií grupy (program, podprogram). V behavioris-

mu by byly ãásti sekvence naz˘vány operanty.

Piaget ale rozli‰uje mezi jednotliv˘mi grupami (sekvencemi). Existují zvratné a nezvrat-

né (Piaget, 1998). Z hlediska ontogeneze dochází nejdfiíve ke tvorbû nezvratn˘ch, aÏ

poté ke grupám zvratn˘m, se kter˘mi mÛÏe b˘t manipulováno nezávisle na prostfiedí

(napfiíklad akauzálnû, reverzibilnû ). Tento princip se pouÏívá jen v nûkter˘ch

oblastech komputace. PfievaÏuje spí‰e oblast neuronov˘ch sítí, napfiíklad metodou

backpropagation (viz Konekcionismus), slouÏící pfieváÏnû k mechanické korekci

prÛbûhu zpracování informace. Pro Piageta je zvratnost jedním ze základních pfied-

pokladÛ pro vznik inteligentního chování. Pfii tvorbû inteligentních systémÛ je nutné,

aby si inteligence pfii stoupajícím poãtu operací zachovávala svoji „zvratnou pohy-

blivost" (Piaget, 1998).

Pro vznik inteligentního jednání je podle nûj také tfieba souãinnosti dvou procesÛ.

Primární ãinnost je interakce subjekt objekt, skrz které je moÏno vidût inteligenci

jako strukturaci objektu ãi objektÛ subjektem. Sekundární ãinnost je vztah subjektu

ke své ãinnosti, tedy emoce, dynamika, motivace. Oba procesy fungují spolu dohro-

mady a nedûlitelnû (Piaget, 1998). V Piagetovû práci jiÏ tedy nalezneme poÏadavek

vûdomí, intencionality a potaÏmo subjektivity pro konstituci inteligentního chování,

které budeme muset v této práci ãasto opomíjet, coÏ je zpÛsobeno povahou zmiÀo-

van˘ch pfiístupÛ.

Z novûj‰ích teorií stojí za zmínku napfi. Greenspanova definice inteligence, která je

svou abstraktností blízká spí‰e filosofii mysli (pro oblast konkrétní simulace je zatím

vzdálenou metou). Greenspan vidí inteligenci jako schopnost produkovat intence a

ideje a schopnost dostat je do logického a analytického rámce (Greenspan, 1996).

BohuÏel se nevyjadfiuje o mechanismech, které by tyto schopnosti mûly produkovat.

PfiestoÏe se rÛzné zpÛsoby definice li‰í, v základû hovofií o inteligenci jako schopnos-

ti ãi kapacitû. Vût‰inou je problematická otázka toho, zda-li je inteligence determi-

nována okolím ãi nikoliv. To se projevuje jiÏ v samotném vymezování pojmu. Napfiík-

lad Terman hovofií o schopnosti abstraktnû myslet, zatímco Peterson o biologickém

mechanismu. V mnoha v˘zkumech b˘vá úloha prostfiedí ãasto pfiehlíÏena

(Pfeifer&Scheier, 2001).

MoÏné vymezení procesÛ, kter˘mi se inteligentní systém projevuje, mÛÏeme nalézt

v Lugerovû pfiehledové publikaci.

1. Reaktivita jako schopnost systému vytváfiet k pfiíãinám prostfiedí, následky v podobû

proÏívání ãi chování. Limitujícím faktorem (stejnû jako u adaptace) je pak citlivost sys-

tému vÛãi prostfiedí. Citlivost je následnû brána jako míra kvality a intenzity.

2. Diskriminace a generalizace jako mechanismy, které patfií v oblasti simulace

k nejobtíÏnûji napodobiteln˘m.

3. Komplexita jako schopnost adaptace organismu je odvislá od organizaãní

komplexnosti.

4. Adaptace a uãení. Hodnocení adaptace je uvedeno v˘‰e. Definice uãení je stejnû

obtíÏná jako samotn˘ pojem inteligence.

(Luger, 1994)

1.1 Pojem inteligence

V laické mluvû jsou slova jako vnímání my‰lení, vûdomí, úmysl, vÛle, inteligence a

chtûní pouÏívána tak, Ïe není tfieba mít tyto v˘razy pfiesnû definovány. Lidé, ktefií

spolu komunikují, je mají subjektivnû ukotveny, neboÈ souvisejí s jejich proÏíváním.

Pokud se v˘‰e zmínûná slova stanou oblastí vûdeckého zkoumání, nastává problém,

jelikoÏ je témûfi nemoÏné je definovat v celé jejich ‰ífii. Souvisí to s mírou abstrakce,

která tato slova mají a také s jejich subjektivitou. Posledním problematick˘m místem

je, Ïe procesy, které jsou jejich souãástí, jsou z ãásti nevûdomé a pro souãasnou vûdu

neprozkoumané. Z ãehoÏ plyne, Ïe pokud pouÏijeme daná slova ve formû v˘rokÛ,

nemÛÏeme je ovûfiovat ani dokazovat. MÛÏeme o nich hovofiit pouze s odvoláním se

na intersubjektivní shodu (Havel, 2001).

Definice inteligence se také setkává s obtíÏemi, vypl˘vajícími z hierarchického

uspofiádání pojmÛ, které potfiebujeme k jejímu vysvûtlení. Pfii definování pole pÛsob-

nosti se bohuÏel neobejdeme bez pojmÛ my‰lení, svût, reprezentace, prostfiedí, popfií-

padû generalizace, kategorizace, abstrakce apod. Pfiesné vymezení tûchto pojmÛ je bez

urãité míry redukce nemoÏné. Pokud jsou pojmy hierarchicky uspofiádány a nám se

nedafií pojem postaven˘ hierarchicky níÏe, definovat s pfiesností, která je dostaãující,

pojem hierarchicky v˘‰e bude jiÏ tuto nepfiesnost obsahovat s tím, Ïe díky jeho kom-

plexnosti bude u nûj nepfiesnost vzrÛstat. Tak se dostáváme aÏ k pojmÛm jako je

inteligence (a níÏe zmínûné vûdomí) a neurãitost ve v˘znamu se kumuluje do podo-

by, která jej neumoÏÀuje pouÏívat jako platnou definici.

Snaha o definici inteligence je nesnadná i proto, Ïe se zatím musíme obejít bez pojmu

vûdomí, které se jeví jako nedíln˘ pfiedpoklad pro postulování inteligence. Dostáváme

se tak do obtíÏí, kdy se pojem inteligence snaÏíme vysvûtlit pomocí elementárních

principÛ,bez zastfie‰ujícího pojmu vûdomí. Pfiístupy popisované v této práci, jsou vût‰i-

nou zaloÏeny právû na elementárních principech a snad i díky tomu je vûdomí

vûnována jen malá ãást textu práce.

V˘zkumy v oblasti vûdomí ukazují, Ïe není jednoduché nalézt model ãi zpÛsob

vysvûtlení, kter˘ by byl schopen tento fenomén uchopit. Velmi zjednodu‰enû mÛÏeme

vûdomí vyjádfiit Sutherlandov˘m v˘rokem."Vûdomí je fascinující, ale prchav˘ jev; je

nemoÏné urãit, ãím je, co dûlá, ani proã vzniklo. Nebylo o nûm napsáno nic, co by

stálo za ãtení" (Sutherland,1989,s.81).

V rovinû spekulace by bylo moÏné obejít v˘‰e zmínûné argumenty tím, Ïe hierarchické

umístûní pojmu vûdomí není pfiesnû dané, a Ïe se tedy vûdomí vyskytuje uÏ u zák-

ladních prvkÛ Ïiv˘ch inteligentních systémÛ (neuronÛ).

1.2 Modely inteligence

Z hlediska modelování zaznamenala psychologie mnoho pokusÛ o tvorbu modelu,

kter˘ by byl schopen vysvûtlit inteligentní chování v celé jeho komplexitû. Sternberg

ve své práci shrnuje nûkteré dosavadní psychologické modely inteligence a tfiídí je

následujícím zpÛsobem (Sternberg, 2000,s. 141).

Tab. 1 Modely inteligence

1.3 Statistické a biologické mûfiení inteligence

Dosavadní práce, které se zab˘vají mûfiením inteligence, pouÏívají jako nejãastûj‰í

metodu mûfiení formu testu. Hodnotícím kritériem je obvykle relativní vztaÏná sousta-

va, jejíÏ prÛmûrná hodnota je odvozena od nejãastûj‰ího v˘skytu míry inteligence

(napfiíklad ve formû IQ) v populaci. V takovém pfiípadû je ale inteligence jiÏ pfied-

pokládána u zkoumaného organismu a nedozvídáme se tedy nic o vnitfiních mecha-

nismech. UmoÏní nám statistické srovnání vysouzen˘ch schopností. Pokud je test

ãlenûn do jednotliv˘ch subtestÛ, dokáÏe navíc rozli‰it pomûr mezi jednotliv˘mi doved-

nostmi, ãi typy úlohy, které jsou typické pro lidské jedince (napfiíklad prostorová pfied-

stavivost, matematické operace apod.). Podle tfiídûní z první kapitoly se jedná o ana-

lytick˘ pfiístup se snahou potvrdit platnost teoretického modelu.

V pfiípadû zkoumání inteligence z hlediska biologického ãi neurobiologického patfií

mezi nejãastûji pouÏívané metody:

1. Neurální v˘konnost – Mûfiení kfiivky mozkové aktivity pfii jednoduch˘ch stim-

ulech. PouÏívá se evokovaného signálu a následnû se kfiivka analyzuje.

2. Neurální adaptabilita – Napfiíklad jak rychle poznají ZO rozdíl mezi ãarami

podobné délky (ztotoÏnitelná spí‰e s procesy kategorizace ãi diskriminace)

3. Metabolismus cukru v mozku

4. Podle rychlosti pfienosu vzruchu – Pfii mûfiení rychlosti pfienosu vzruchu v per-

iferních nervech je pfiímá úmûra mezi nárÛstem rychlosti a inteligence. V mozkov˘ch

centrech je tento v˘zkum zatím v poãátcích.

(Sternberg, 2000)

Nev˘hodou technik je, Ïe jsou redukcionistické a z jejich v˘sledku se nedá odvodit

mnoho o detailním fungování systémÛ. Zmûnou oproti pfiedchozí metodû

ãlovûk/spoleãnost je porovnávání ãlovûk/kvalita biologického substrátu.

22 INTELIGENTNÍ SYSTÉM INTELIGENTNÍ SYSTÉM 2.1 Filosofie mysli

2.1.1 Teorie mysli (TOM)

Teorie mysli (TOM) tvofií zastfie‰ující pojem ve v˘zkumech t˘kajících se inteligence a

mysli obecnû. Základní otázky této oblasti vycházejí z filosofie, která je nejstar‰í vûdní

disciplinou, zab˘vající se fungováním lidské psychiky. Díky tomu je míra abstrakce a

obecnosti teorie mysli vysoká, je nutné doplÀovat a konkretizovat jednotlivé ãásti

pomocí specifiãtûj‰ích vûdních oborÛ jako biologie ãi psychologie. Samotn˘ pojem lid-

ské mysli tvofií v hierarchii pojmÛ t˘kajících se mentálních schopností jedince pomysln˘

vrchol. Otázky po struktufie a funkci lidské mysli (ty doloÏitelné) mají za sebou víc neÏ

dva tisíce let trvající historii. Právû otázky povahy lidské mysli slouÏí k vymezení rámce

zkoumání, ve kterém se pohybujeme a vedly k ustanovení specializovan˘ch vûdních

oborÛ, jejichÏ cílem je základní v˘chodiska (nejãastûji ve formû otázek) zpfiesÀovat do

takové míry, která by umoÏnila dostaãující pochopení a následnû pfiípadnou tvorbu

mysli umûlé.

Aristotelova empirická orientace pfiipravila podmínky pro monismus, teorii, která

popisuje du‰i a tûlo jako jeden prvek a celou realitu jako jednotu (Sternberg, 2001).

Vyskytovaly se i teorie dualistické, ale jejich exaktní popis se objevuje aÏ ve stfie-

dovûku a je spojován se jménem René Descartes.

Descartovu koncepci dualismu naz˘vají moderní filosofové substanãní dualismus (ve

20. století Simon pfiichází s pragmatick˘m dualismem (Sternberg, 2001): vûfií, Ïe mysl

závisí na procesech mozku, ale toto spojení je tak komplexní, a víme o nûm tak málo,

Ïe má vût‰í smysl postulovat mentální zákony, které jsou na mozku nezávislé).

Kant redefinoval problematiku tûla a du‰e. Zaãal mezi hledat nimi vztah. Pfiedchozí

zájem byl soustfiedûn pouze na to, jak mysl kontroluje tûlo. Místo hledání duality ãi

jednoty vytvofiil základní schopnosti, neboli mentální síly: vnímání, porozumûní a

my‰lení. Vnímání je blízké tûlu, my‰lení mysli a pochopení je propojuje dohromady.

Také se vyjádfiil k pfiístupu zkoumání mysli. Navrhoval sjednocení mezi racionalismem

a empirismem. Empirické zku‰enosti naz˘val aposteriorní, tedy získané aÏ

po samotném záÏitku. Ty, které jsou nezávislé na empirii, jsou naz˘vány apriorní.

Celková zku‰enost je tedy syntézou tûchto dvou, tedy syntézou vrozeného a

získaného(Sternberg, 2001).

Pfiístupy filosofÛ k lidské mysli slouÏí jako dobrá ukázka neustálé (ale i neuspofiádané)

tendence zpfiesÀování komponent a mechanismÛ, které jsou hybateli lidské mysli.

MnoÏství pfiístupÛ, které se vyjadfiovaly k tomuto fenoménu, je velmi rÛznorodé a

nejlépe asi názorovou pestrost vyjádfií následující diagram (Havel, 2001).

Obr. 3 Dûlení pfiístupÛ ke studu mysli

Argumentaãní moÏnosti dan˘ch smûrÛ v‰ak také souvisí s empirickou rovinou a

stavem poznání. Právû ty mají vliv na omezování platnosti jednotliv˘ch pfiístupÛ a

identifikaci jejich limit pfii aplikaci. BohuÏel ani souãasné znalosti nám neumoÏÀují

odpovûdût na základní otázku, kterou si kladl jiÏ Aristoteles. Tedy zda je za vznik

mysli zodpovûdná pouze du‰e nebo je nutné i fyzické tûlo, popfiípadû je nutná pfií-

tomnost obou. A jestliÏe je platné tfietí tvrzení, jak˘ je vztah mezi tûmito entitami, hier-

archick˘, rovnocenn˘ ãi komplementární? Nejedná se ani tolik o záleÏitosti metafyz-

ické. Spí‰e je mysl fenoménem tak komplexním, Ïe ani souãasné technologie

nevládnou kapacitou a moÏnostmi získat, zpracovat a interpretovat data, která vypoví-

dají o práci a schopnostech lidské mysli (mozku).

O moÏnostech zkoumání mysli z hlediska souãasn˘ch vûdních oborÛ se vyjadfiuje

napfiíklad Gazzaniga. Tfii vûdní obory se vyjadfiují k problematice mysli, ale kaÏd˘

vysvûtluje pouze urãitou ãást pfiedmûtu v˘zkumu. Psychologie a filosofie se bez

dostateãného empirického podkladu z chování snaÏí odvodit teorii, která by byla uni-

verzální. Není ale schopna své poznatky biologicky ukotvit a zb˘vá jí pouhá statistika

jako mûfiítko úspûchu. Neurovûdy svou mravenãí prací rozdûlily mozek na atomy,

poznaly jeho strukturu, ale selhávají pfii syntéze ãástí v celek. Umûlá inteligence se

snaÏí zákony logiky a matematiky simulovat procesy na hardwaru, kter˘ je strukturou

i funkcí nepodobn˘ lidskému mozku (Gazzaniga&Mangun, 1998).

Jiného názoru je Johnson-Laird. Psychologie (studium programÛ) mÛÏe b˘t

uskuteãÀována nezávisle na neurofyziologii (studium strojÛ a strojového kódu). Neu-

rofyziologick˘ substrát musí poskytovat fyziologick˘ základ pro procesy mysli a také

zajistit dostateãnou v˘poãetní sílu pro rekurzivní funkce, jejichÏ fyzikální základ

neklade Ïádné omezení pro vzorce my‰lení (Johnson-Laird, 1980).

Zajímav˘m pfiíspûvkem do diskuse o zpÛsobech smûfiování kognitivních vûd je

NewellÛv ãlánek z poãátku 70. let, kter˘ se jmenoval „NemÛÏe‰ hrát 20 Otázek s

pfiírodou a vyhrát". 20 Otázek je dûtská hra, ve které musí jeden hráã získat podle

odpovûdi druhého poÏadovanou informaci . Newell jí vyuÏil jako metaforu pro otázky

vûdcÛ na povahu pfiírodních dûjÛ. 20 otázek, které poloÏil, se t˘kalo implicitních

znalostí, které produkují dichotomie prostupující souãasnou kognitivní vûdou. Napfiík-

lad zda je interní reprezentace propoziãní nebo obrazová? Vyvoláváme zpûtnû infor-

mace z dlouhodobé nebo krátkodobé pamûti? Je pozornost organizována prostorovû

nebo objektovû? Podle nûj odpovûdi na tyto otázky, pokud bychom je znali, v sobû

obsahují nedostaãující informace pro následná zkoumání. Suma tûchto odpovûdí

nedokáÏe pomoci tvorbû jednotné teorie kognice. Psychologie není schopna vyhrát

s pfiírodou tuto hru. Proto je tfieba pouÏít alternativní postupy. Analytick˘ pfiístup je

pro nûj nedostaãující a navrhuje pfiechod k syntetickému. Newell navrhuje vyjít

z teorie kognitivní architektury, pouÏít dostupné znalosti o funkci lidského kogni-

tivního systému a poté za pouÏití v˘‰e zmínûné teorie integrovat poznatky do oblasti

v˘zkumu. Nutnost empirického v˘zkumu patfií k základním metodám, které Newell

zastával. (Sternberg, 1999).

2.2 Psychologie

2.2.1 Horká a studená metodologie

Dûlení základních metod v oblasti Teorie mysli (aplikovanûji pak tvorby kognitivních

architektur) uvádí Sedláková ve své pfiehledové publikaci. Jsou to:

1. Konstrukce mentálních modelÛ

2. Nápodoba (simulace) kognitivního obrazu zprostfiedkovaného chováním

3. Kombinace 1 a 2, modularita

(Sedláková, 2004).

JiÏ v poãátku je nutné roz‰ífiit pouÏití tûchto metod na celou komplexitu kognitivního

aparátu. Kognitivní psychologie jako odvûtví psychologie vycházející z pojetí mysli

coby informaci zpracovávajícího systému pouÏívá pro své zkoumání mnoho metod.

Ve sv˘ch rann˘ch fázích se v‰ak vyznaãovala tím, Ïe nebrala v potaz roli emocí a moti-

vace. Je to dáno jejich nesnadnou definicí a obtíÏn˘m vymezením právû v kontextu

informaãního pfienosu a zpracování. Existují pfiístupy, které se snaÏí operovat s mod-

ely obsahující prvky typu Desire a Belief, ale i ty se ukázaly jako nedostaãující pro tvor-

bu komplexních modelÛ mysli. Proto se objevuje poÏadavek autorÛ na tvorbu

metodologie, která se naz˘vá horká (Sedláková, 2004). Studenou metodologií je

naz˘ván právû pfiedchozí pfiístup, kter˘ obsahuje pouze zpracování informace na zák-

ladû pravidel logiky, ãi tvorbou sloÏitûj‰ích operátorÛ, to v‰e pouze v syntaktické rov-

inû. Horká metodologie se snaÏí zaãlenit do procesu také emoãní podkres, motivaci a

metakognici (cokoliv to slovo znamená).

Thagard ve své nové koncepci teorie mysli zvané CRUM tvrdí, Ïe emoce mají pod-

statn˘ v˘znam pfii operacích jako je hodnocení, zpûtná vazba a rozhodování. Bez

emocí jsou procesy simulovatelné jen na základní, sériové úrovni. Se vzrÛstající kom-

plexností se nepfiítomnost tûchto markerÛ projeví neschopností „postihnou situaci".

Pfii komplexnûj‰ích dûjích totiÏ musí docházet k autoregulaci, urãitému usmûrÀování

operací, ve smyslu ovlivÀování paralelnû probíhajících procesÛ. Emoce usmûrÀují

propustnost architektury (Thagard, 2001).

2.2.2 Kognitivní Architektury

Souãasn˘ v˘zkum kognitivního modelování je zaloÏen na budování a následném

testování kognitivních architektur. Kognitivní architektury jsou pfiístupem k anal˘ze a

tvorbû modelÛ systémÛ (ãi jeho ãástí). Architektura je tvofiena pevnû danou skupinou

v˘poãetních mechanismÛ a prostfiedkÛ, které tvofií podklad pro lidskou kognici.

Architektury jsou vût‰inou vytváfieny na základû pfiedpokladÛ ãi teoretick˘ch v˘chodis-

ek, takÏe jejich podoba je velmi komplexní a mÛÏe b˘t tvofiena více pfiístupy a kom-

binací rozliãn˘ch mechanismÛ (Harnad, 1990). V psychologii je tento pfiístup oblíben,

jelikoÏ dokáÏe ze získan˘ch empirick˘ch dat urãitého fenoménu vytvofiit model, kter˘

identifikuje strukturu a mechanismy, které jej tvofií. V urãit˘ch pfiípadech se podafií

identifikovat neurální koreláty, které jsou podobné vysouzen˘m teoretick˘m mod-

elÛm. Toto kriterium v‰ak není bráno jako nezbytné pro jejich úspû‰né fungovaní.

Je to dáno postupem „shora-dolÛ". Nev˘hodou oproti komputaãnímu pfiístupu ãi neu-

ronov˘m sítím je právû jejich neukotvenost (architektury neobsahují popis svého fun-

gování vedoucí aÏ k základním jednotkám – „atomÛm"), respektive jejich atomy jsou

ztotoÏnitelné se základními moduly.

Pokud hovofiíme o teoriích zpracování informací myslí, je nutné rozli‰ovat mezi teorie-

mi architektur a teoriemi v˘poãetními. Teorie architektur hovofií o procesech mysli,

jako funkãní kapacita STM a LTM. Ty by mûly b˘t podpofieny neurologick˘mi

v˘zkumy. V˘poãetní teorie odhalující algoritmy jsou mnohem obtíÏnûji fie‰itelné.

(Sternberg, 1999). Kognitivní architektury jsou v rovinû simulace spí‰e identifikovatel-

né s v˘poãetními teoriemi (nejedná se pfiímo o poÏadavek „ãisté" matematické for-

malizace, ale pouze algoritmizovatelnost). Nemusí b˘t aplikovatelné na konkrétní typ

hardwaru ãi wetwaru, protoÏe v rovinû základních prvkÛ, tvofiící jejich jednotlivé ãásti,

jiÏ nejsou definovány. Pfii jejich simulaci se pouÏívá nejãastûji právû poãítaãÛ. âinnost

architektury je napodobována uÏitím komputaãního hardwaru (v této úrovni není defi-

nována), a v‰echny speciální funkce jsou simulovány softwarovû, s omezeními z toho

plynoucími.

Díky tomu je kognitivním architekturám v této práci vûnován jen mal˘ prostor.

MoÏnost posunu v oblasti tvorby kognitivních architektur je pravdûpodobná pouze

v pfiípadû, Ïe by se poznatky z oblasti neurobiologie a psychologie dostaly do

takového stádia, kdyby se poznatky o funkcích mechanismÛ zaãaly pfiekr˘vat a

doplÀovat, coÏ by vedlo k ukotvení psychologick˘ch poznatkÛ na biologick˘ substrát.

Souãasn˘ stav pfiipomíná práci matematikÛ, ktefií znají v˘sledek a snaÏí se skládat jed-

notlivé operátory a ãísla dohromady tak, aby tvofiili v˘sledek, aniÏ by vûdûli, ãemu tyto

symboly odpovídají.

2.2.3 Kognice

2.2.3.1 Kategorizace – tvorba konceptu

Nyní se budeme zab˘vat pojmem, kter˘ zastupuje jeden z nejsilnûj‰ích mechanismÛ

konstituující inteligentní systém. U ãlovûka je vypracován k dokonalosti, leã bohuÏel

dosud pouze odhadujeme, které procesy jsou za nûj zodpovûdné. V oblasti simulace

je k˘Ïenou metou, která by znamenala pfiechod do oblasti „chápajících" umûl˘ch sys-

témÛ. Nejlep‰ích v˘sledkÛ dosahujeme pouÏitím neuronov˘ch sítích. Z hlediska

moÏností a schopností kategorizaãního aparátu jde teprve o zaãátek.

Introspektivní pokusy o zkoumání kategorizace selhávají na tom, Ïe cílem jejího

bádání jsou procesy, které jsou nevûdomé a neverbální, coÏ uÏ v zaãátku neumoÏÀu-

je moÏnost, jak dané fenomény uchopit (Sternberg, 2001).

V psychologii se setkáme spí‰e neÏ s tvorbou kategorií ãi tfiíd s pojmem konceptu,

kter˘ uvádí tento proces do psychologického kontextu a ztotoÏÀuje jej s mentální

reprezentací. Koncept je nazírán jako mentální reprezentace tfiídy objektÛ (kategorií)

(Sternberg, 2001).

Mezi základní pfiístupy ke studiu konceptu patfií:

1. Pfiístup na základû podobnosti – vysvûtluje pomocí stupnû podobnosti

ke známému

2. Pfiístup na základû vysvûtlovací báze – operuje s pfiedchozí znalostí

Klasick˘ koncept je tvofien základními vlastnostmi, které konstituují jasné ohraniãení

kategorie. Vlastnosti musí b˘t samostatnû nezbytné a spoleãnû dostaãující, aby obsáh-

ly danou kategorii. Klasick˘ pohled zastává názor, Ïe struktura kategorií má b˘t hier-

archická. Podkategorie musí mít v‰echny vlastnosti nadfiazen˘ch kategorií (Sternberg,

2001). Naopak to ale nemusí fungovat. V nadfiazen˘ch kategoriích se nûkteré vlastnosti

niωí kategorie ztrácejí. Jsou vypu‰tûny, protoÏe nadfiazené kategorie jsou obecnûj‰í a

zahrnují více pfiedmûtÛ. Dal‰í námitky proti klasickému konceptu jsou shrnuty v násle-

dujících bodech:

Prvky dané kategorie vût‰inou nezapadají pouze do ní, ale jsou „fuzzy", tedy Ïe podle

sv˘ch vlastností náleÏí do více kategorií.

Objekty neb˘vají ãasto tak pfiesnû definované, aby mohly b˘t jasnû pfiifiazeny do urãité

kategorie.

Objekt podfiadné kategorie (orel) b˘vá ztotoÏÀován více se základní kategorií (pták)

neÏ s nadfiazenou (zvífie), protoÏe s ní sdílí více vlastností.

(Sternberg, 2001)

Klasick˘ pfiístup není schopen vysvûtlit efekt typickosti . Tedy Ïe lidé rychleji pfiifiadí

do kategorie jeho typického ãlena, neÏ atypického (Sternberg, 2001).

Pfiístupy zaloÏené na podobnosti

Nedostatky v klasickém modelu kategorizace vedly ke tvorbû nov˘ch teorií. Patfií mezi

nû pfiístup zaloÏen˘ na podobnosti, do kterého patfií pravdûpodobnostní pfiístup a

pfiístup na základû exempláfie.

Pravdûpodobnostní pfiístup nepouÏívá vlastnosti ãi podmínky, které jsou nutné

nebo dostaãující. Kategorizuje tím, Ïe sdílí urãit˘ podíl vlastností s objekty, které

náleÏí do stejné tfiídy. Tím se vyh˘bá efektu typiãnosti. Základním konceptem pro tuto

teorii je termín rodové podobnosti (Wittgenstein, 1953). Jedná se o strukturu, která

obsahuje mnoÏinu pfiíkladÛ, pfiiãemÏ kaÏd˘ má alespoÀ jednu shodnou vlastnost

s jedním nebo více pfiíklady dané mnoÏiny. TakÏe úroveÀ typiãnosti je podmínûna

právû rodovou podobností.

Podskupinou pravdûpodobnostního pfiístupu tvofií teorie prototypu (Posner&Keele,

1968). Lidé si vytváfiejí reprezentaci centrální tendence kategorie pomocí prototypu.

Prototyp v sobû zahrnuje nejãastûj‰í vlastnosti, které danou tfiídu definují. Je pouÏitel-

n˘ pro svou jednoduchost, tedy Ïe si jej mÛÏeme pfiedstavit jako jeden hybridní objekt,

jehoÏ vlastnosti mohou nab˘vat omezen˘ch hodnot.

DÛleÏit˘m prvkem pfii tvorbû kategorií je váha dané vlastnosti, pfiiãemÏ rozhodující je,

zda vlastnost zvy‰uje koherenci dané tfiídy. U ãlovûka jsou váhy, podle kter˘ch

pfiifiazuje objekty kategoriím velmi subjektivní a obtíÏnû zkoumatelné (Sternberg,

2001).

Lineární separovatelnost

Kategorie jsou lineárnû separovatelné, pokud mÛÏeme roztfiídit objekty tak, Ïe po

znázornûní podle míry vlastnosti (vyná‰eno v N-dimenzionálním prostoru podle

N vlastností) vzniknou seskupení objektÛ dle vlastností, které lze od sebe oddûlit

pfiímkou, rovinou (podle poãtu dimenzí prostoru).

Nejãastûji se pouÏívá dvou vlastností. Objekty jsou vyná‰eny podle míry dané vlastnosti,

a pokud jsou lineárnû separovatelné, mÛÏeme jednotlivé skupiny oddûlit pfiímkou.

Obr. 4 Linearní separovatelnost

MoÏnosti tfiídûní jsou ovlivnûny podle vlastností pouÏit˘ch jako osy grafu. V podstatû

jde o hledání korelace mezi vlastnostmi. UmoÏní nám mechanické rozãlenûní jed-

notliv˘ch objektÛ pomocí kvantifikované míry vlastnosti. Pokud ale je objekt speciál-

ním pfiípadem tfiídy (tuãÀák – pták, kter˘ nelétá), nejsme schopni vyuÏít tento zpÛsob

jako automatick˘ kategorizátor a musíme provést korekce pomocí dal‰ích mechanis-

mÛ

Dal‰ím typem je pfiístup zaloÏen˘ na exempláfii. Nové objekty jsou porovnávány

s exempláfiem uloÏen˘m v pamûti, kter˘ zastupuje urãitou kategorii. Oproti teorii pro-

totypu je zde v pamûti uloÏen konkrétní model. Prototyp nabízel stupnû volnosti ve

vyjádfiení vlastnosti (abstrahoval tedy od reality), zatímco exempláfi je jasnû dan˘ a

definovan˘. Jediná abstrakce se provádí, pokud je hledána míra shody nového objek-

tu s exempláfiem.

Tento pfiístup umoÏÀuje vysvûtlení kontextu v procesu kategorizace za pomoci míry

aktivace exempláfie. V rÛzn˘ch situacích (v rÛzném kontextu) je váha exempláfie men‰í

nebo vût‰í (Sternberg, 1999). Pokud se ale podíváme na prototypov˘ pfiístup, je zde

tato vlastnost obsaÏena také. Prototyp je abstraktní exempláfi a je mu umoÏnûno, aby

jeho vlastnosti nab˘valy hodnot v daném rozmezí.

Hlavní kritika pfiístupÛ zaloÏen˘ch na podobnosti jde shrnout do následujících

bodÛ:

1. Jednotlivé pfiístupy jsou obtíÏnû rozli‰itelné.

2. NedokáÏí vysvûtlit proces kategorizace a interference v takové ‰ífií, jak probíhá

u ãlovûka.

3. Ignorují jinou informaci neÏ podobnost, i kdyÏ by mohla b˘t dÛleÏitá pro proces

kategorizace (Sternberg, 1999). Problematicky se také jeví dynamická povaha procesu

generalizace (ve formû funkce), kterou nejsou modely zaloÏené na podobnosti schop-

né akceptovat.

Druh˘m teoretick˘m zpracováním procesu kategorizace jsou pfiístupy zaloÏené na

explanaci (vysvûtlovací báze). Jejich základem je vylouãení pfiedchozího pfiístupu

(posuzování podobnosti) v procesu klasifikace (kategorizace). Hovofií se v nich o

potfiebû získat vysvûtlovací strukturu pfii kategorizaci z nûjaké obecné teorie (Stern-

berg, 2001).

U umûl˘ch systémÛ to znamená, Ïe jsou kategorie a proces kategorizace dány

ãlovûkem, kter˘ jej navrhl (svût vníman˘ systémem je tfiídûn do tûchto pfieddefino-

van˘ch kategorií). Pokud se v prostfiedí objeví nov˘ prvek, kter˘ nepatfií do Ïádné

z kategorií, systém s ním nedokáÏe interagovat, není ho schopen identifikovat

(Pfeifer&Scheier, 2001). Kategorizaci tedy pfiedchází uvaÏování v abstraktní rovinû,

které se snaÏí nalézt teorii (u umûl˘ch systémÛ to je‰tû není moÏné), která by byla

schopna odvodit chybûjící kategorii. Omezení vypl˘vá právû z abstraktní roviny oper-

ací. V takovém pfiípadû musí probíhat kategorizace na vûdomé úrovni a nelze ji

povaÏovat za automatick˘ proces.

Ve zkratce uvádím základní pfiístupy zaloÏené na vysvûtlovací bázi:

1. Pfiístup zaloÏen˘ na teorii

2. Psychologick˘ esencialismus

3. Idealizované kognitivní modely

4. Kauzální modely

Jaké jsou v˘hody a nev˘hody dvou kofienov˘ch pfiístupÛ? Explanaãní pfiístupy jsou

jednodu‰‰í pro analyzování a testování, protoÏe jsou diskrétní, logické a explicitní.

Pfiístupy zaloÏené na podobnosti jsou daleko odolnûj‰í proti chybám a flexibilnûji

pouÏitelné, protoÏe je v˘poãet roz‰ífien na cel˘ systém. Také mohou zpracovávat zcela

nové podnûty, jelikoÏ jsou schopné generalizace na základû podobnosti

(Sloman&Rips, 1998).

V˘zkumy v oblasti kategorizace se posouvají v nûkolika smûrech. Jednou z nich je

v˘zkum kategorizace zpÛsobem fie‰ení problému, pfiiãemÏ reprezentace problému se

mûní v závislosti na zku‰enostech systému a jeho interakci se strukturou problému

(Ross, 1996). Druhou moÏností je zkoumat kategorizaci pfii aplikaci v oblasti neu-

ronov˘ch sítí. PouÏívá se metody nekontrolovaného uãení, fiízené pouze zpûtnou

vazbou systému (viz Konekcionismus).

Kategoriální reprezentace

V pfiípadû, Ïe pohlíÏíme na kategorizaci z pohledu automatického mechanismu, patfií

mezi základní procesy diskriminace (rozli‰ování) a identifikace. Diskriminaci je moÏno

popsat jako posouzení, zda jsou dva vstupy podobné nebo ne a pokud jsou rozdílné,

tak v jaké mífie. Diskriminace je relativním posouzením zaloÏen˘m na schopnosti hod-

notit oddûlenû objekty (vstupy) a rozpoznat míru podobnosti. Identifikace je schop-

nost pfiifiadit unikátní odpovûì – „jméno" – tfiídû vstupÛ, které budou následnû brány

jako ekvivalentní a invariantní. Identifikace je proto soudem absolutním, jelikoÏ

posuzuje podle kategorie, která je pevnû dána.

Pokud si vezmeme vzájemn˘ vztah mezi tûmito procesy, pak je diskriminace nezávis-

lá na identifikaci. Je moÏno rozli‰ovat objekty bez nutnosti vûdût, do které kategorie

patfií. Proces identifikace nám umoÏÀuje odhalit právû invariantní vlastnosti. Jejich

aplikací (tedy pouÏitím detektoru na invariantní vlastnosti) získáváme kategoriální

reprezentace. Lépe fieãeno, kategoriální reprezentace je teoretick˘ soubor vlastnos-

tí, které mohou mít takové hodnoty, Ïe jsou pfii anal˘ze detektorem invariantních vlast-

ností akceptovány a pfiifiazeny do dané kategorie (Harnad, 1990). Tento pojem zavádí

Harnad jako jednu z podmínek pro tvorbu systému, které by dokázaly sémanticky

ukotvit v˘znam symbolÛ, jeÏ zpracovávají. V dfiívûj‰ích pracích se novému pojmu

nejvíce podobá kategorizace zaloÏená na prototypu.

2.2.3.2 Vnímání

Oproti klasickému Neisserovskému cyklu vnímání, kter˘ se skládal ze 3 ãástí, se

mÛÏeme setkat s modifikacemi, které operují s pûtiprvkov˘m modelem. Ten slouÏí

lépe pro vysvûtlení nûkter˘ch procesÛ spojen˘ch s kognicí a také s kontrolovan˘m

(supervised) ãi nekontrolovan˘m (unsupervised) uãením, se kter˘m se podrobnûji

seznámíme v kapitole o neuronov˘ch sítích. Pfiesnûj‰í popis jednotliv˘ch ãástí modelu

je uveden v následujících odstavcích (Konar, 1999).

Obr. 5 Cyklus vnímání: KU - kontrolované uãení,

NU - nekontrolované uãení, Uv - UvaÏování

1. âití (v klasické terminologii odpovídá spí‰e pojmu vnímání) – tohoto termínu se

pouÏívá ve v˘znamu recepce a transformace signálu do mûfiitelné formy. V ‰ir‰ím v˘z-

namu (vnímání) se k tomuto procesu pfiifiazuje také pfiedzpracování informace

(odstranûní ‰umu, vydûlení dÛleÏit˘ch prvkÛ jako tvar, barva) a uloÏení do krátkodobé

pamûti. To neplatí pro TveterÛv model pamûti, kter˘ pfiedpokládá pfiím˘ vstup sen-

zorÛ (po transdukci) do dlouhodobé pamûti

2. Akvizice (osvojení) – porovnává obsahy v krátkodobé pamûti (STM) s informace-

mi, které jsou permanentnû uloÏeny v dlouhodobé pamûti (LTM), která mÛÏe b˘t

nov˘mi informacemi modifikována. Tato úprava obsahu se naz˘vá vylep‰ení znalosti

a je spojována s nekontrolovan˘m (unsupervised) uãením (NU) , tedy kdyÏ systém

nepotfiebuje interpretátora prostfiedí, ale dokáÏe sám rozeznat zmûny mezi sv˘mi

interními obsahy a prostfiedím, porovnat je a posoudit, zda-li by mûlo dojít k vylep‰ení

znalosti. Zmínûné procesy b˘vají ãasto nevûdomé.

3. Vnímání (v klasické terminologii spí‰e my‰lení) – jde o proces konstrukce „high-

level" znalostí pomocí informací získan˘ch na „low-level" úrovních a jejích následná

organizace a kategorizace do strukturální podoby tak, aby mohly b˘t efektivnû

pouÏívány pro operace s interními reprezentacemi v „high-level" úrovni. Jedná se opût

o automatick˘ proces. Nejlépe se pfii modelování pouÏívá sémantick˘ch sítí.

4. Plánování – v sobû obsahuje posloupnost akcí, které z poãáteãního stavu jsou

schopny dosáhnout stavu cílového. Hlavním úkolem je nalézt a identifikovat patfiiãné

znalosti ãi jejich ãásti a ty následnû aplikovat pfii fie‰ení problému (tvorbou krokÛ).

DÛleÏité je rozli‰ení mezi plánováním a uvaÏováním, coÏ jsou odli‰né termíny.

UvaÏování mÛÏe pokraãovat i v prÛbûhu vykonávání akcí (soubûÏnû), zatímco

plánování je proces naplánování krokÛ akcí, pfiiãemÏ jejich vykonávání probíhá aÏ

následnû. Dan˘ rozdíl spí‰e ustanovuje hierarchii tûchto termínÛ, tedy Ïe plánování je

jen urãitou formou uvaÏování.

5. Jednání – v této fázi se jedná o vykonání plánovan˘ch posloupností pomocí „low-

level" mechanismÛ. Posloupnost jejich vykonávání je dána úrovní plánu. V této úrovni

je moÏné aplikovat postupy kontrolovaného uãení (KU), díky oznaãení míry efektivi-

ty a její rozãlenûní na jednotlivé úseky plánu, ãímÏ poskytujeme systému zpûtnou

vazbu (Konar, 1999). Zohlednûní typÛ uãení a jejich moÏností v procesu kognice ãi

zpracování informace inteligentním systémem, ãiní tento model nejlépe vyuÏiteln˘

právû v oblasti neuronov˘ch sítí.

2.2.3.3 My‰lení

V mnoha pfiístupech b˘vá slovo „my‰lení" spojováno s pojmem vûdomá mysl. To

odpovídá nazíráni inteligence, jak ji vidûl Terman a v podstatû vede aÏ ke tvrzení René

Descarta „Cogito ergo sum". V oblasti simulace se klasick˘ pojem my‰lení témûfi

nevyskytuje. Simulace procesu my‰lení v sobû obsahuje tak rÛznorodé mechanismy,

které jsou studovány samostatnû a ãasto nedochází k integraci do jediného pojmu

my‰lení. V kognitivních vûdách je my‰lení dûleno na jednotlivé podúlohy (napfi. fie‰ení

problémÛ, rozhodování, uvaÏování, popfiípadû je‰tû pfiesnûji na generalizaci, katego-

rizaci apod.). V oblasti simulace dochází k podobné strukturaci. My‰lení je tedy pro

aplikovanou oblast pfiíli‰ siln˘m pojmem, ãemuÏ odpovídá i názorová pestrost

na vymezení daného pojmu.

Hofstadter tvrdí, Ïe mezi low a high level procesy (my‰lení) leÏí tolik vrstev, Ïe tyto

dvû vrstvy nemají moÏnost vûdût, co se dûje na té druhé (Hofstadter, 1999).

Ulam vidí my‰lení (zavfiené) jako iterativní proces se vzorcem rÛstu (Hofstadter, 1999).

My‰lení je moÏnost fragmentace a restrukturace kauzálního kontinua v reprezentované

formû.

My‰lení a kreativitu lze povaÏovat jako urãitou formu deformace, schopnosti pozmûnit vní-

manou skuteãnost tak, aby odpovídala zámûru, kter˘ si vyt˘ãil organismus pro její pfiemûnu

(Boden, 1988). V podstatû je lze pfiirovnat k Freudov˘m obrann˘m mechanismÛm jako

regrese, sublimace, t˘kajících se oblasti vnímání sebe sama (reflexi vlastního vnímání a

proÏívání). Deformace ale mÛÏe b˘t pfiítomna jiÏ pfii pouhém vnímání (zde mu více

odpovídá pojem centrace vnímání) nebo pfii vybavování ãi mentální operaci s reprezen-

tacemi.

2.3 Biologie

2.3.1 Biologické versus umûlé systémy

ObtíÏnû se rozhoduje také v problematice základního substrátu (nejjednodu‰‰í prvek

architektury). Otázka zní, zda-li musí b˘t tento substrát biologické povahy

(Pfeifer&Scheier, 2001). Dlouhou dobu panoval názor, Ïe „pravá inteligence" se vysky-

tuje pouze u biologick˘ch mozkÛ (které jsou tvofieny z prvkÛ Ïivé pfiírody). Na druhou

stranu nebyl objeven dÛkaz, kter˘ by fiíkal, Ïe není moÏné principielnû zvládnout

na nebiologickém (umûlém) substrátu to, co lze provést na biologickém. Jedin˘ zfietel-

n˘ rozdíl je ve zpÛsobu napodobování pfiírody (uÏití prvkÛ neÏivé pfiírody). Napfiíklad

model neuronu, kter˘ se pouÏívá dodnes, je redukcí neuronu biologického.

U umûlého neuronu nejsou obsaÏeny mechanismy známé u biologick˘ch jako metab-

olismus, tvorba neurotransmiterÛ, transport Ïivin, závislost na okolním prostfiedí (pfií-

jem a v˘dej látek). Dal‰ím nedostatkem umûl˘ch neuronÛ mÛÏe b˘t napfiíklad jejich

neschopnost napodobit práci transmiterÛ v extrémních (ãi omezen˘ch) podmínkách

ve smyslu simulace komplexních systémÛ. Nevyskytují se pokusy vytvofiit (komplexní)

systém, kter˘ pracuje s nedostateãn˘m mnoÏstvím transmiterÛ apod. Námitkou mÛÏe

b˘t, Ïe nám staãí simulovat neurony v optimálních podmínkách a zkoumání jejich ãin-

nosti v abnormálních podmínkách jiÏ není potfiebné, jelikoÏ v˘sledky lze za optimál-

ních podmínek extrapolovat. Do jaké míry jsou námitky proti redukci biologického

neuronu opodstatnûné se ukáÏe pfii budoucích simulacích .

Nabízí se otázka, jak by fungoval biologick˘ neuron, pokud bychom mu zajistili

dostateãnou v˘Ïivu, ale Ïádnou moÏnost provádût ãinnost. Pokud by tento stav zna-

menal pro nûj smrt, lze pfiedpokládat, Ïe ãinnost je nutnou podmínkou jeho Ïivota.

umûle vytvofien˘ch neuronÛ (na nebiologické bázi) taková vlastnost neexistuje. JiÏ

v základní úrovni jednotlivého neuronu se mÛÏeme setkat s rozdílem, kter˘ v dal‰ích

dÛsledcích mÛÏe vést k problémÛm se simulací. Jde o pfiipomenutí klasického rozdílu

mezi Ïiv˘m a neÏiv˘m. DÛsledek se promítá do funkãní roviny, tedy oblasti, o kterou

má simulace velk˘ zájem, ale pfiesto nebere pfii sv˘ch vyvozováních zmínûnou rozdíl-

nost v potaz.

Zajímavé jsou otázky ohlednû podobnosti biologické smrti a „vypnutí" hardwaru . Hof-

stadter nazírá my‰lení (software) jako reprezentaci reality v hardwaru mozku. Pokud

ale organismus zemfie, tak hardware zÛstává, ale reprezentace zmizí. Vysvûtlením

mÛÏe b˘t, Ïe pokud hardwaru chybí napájení, stává se nefunkãním a není ani schopen

reprezentace v sobû udrÏet (Hofstadter, 1999). U lidského mozku ale nemÛÏeme pfies-

nû hovofiit o softwaru, kter˘ pfieÏije smrt hardwaru (wetwaru). Je to dáno povahou

architektury. V pfiípadû neuronov˘ch sítí je softwarem (dle prezentacionistÛ) prostfiedí,

které je zpracováváno v organismu pomocí vah neuronov˘ch spojení a jejich funkci

(formou distribuovan˘ch reprezentací). Dalo by se fiíci, Ïe s hardwarovou smrtí mizí

kopie softwaru (reprezentace), ale software (prostfiedí) pfieÏívá, protoÏe je na organis-

mu znaãnû nezávisl˘.

Existuje urãitá souvztaÏnost mezi biologickou komplexitou a jednoduchostí algoritmÛ.

âím více chceme pomocí simulace dosáhnout plausibilnûj‰ího modelu, tím více

v˘poãetní kapacity potfiebujeme. Pfii sloÏit˘ch modelech v‰ak nutnû musíme abstraho-

vat a redukovat. Otázkou ale zÛstává, jestli pfii této abstrakci nepomíjíme vlastnosti,

které jsou právû nezbytné pro tvorbu inteligentního chování. Napfiíklad u neu-

ronov˘ch síti nejsme schopni napodobit biologické sítû tak, aby obsahovaly

v dostateãné mífie vlastnosti jako generalizace, robustnost a paralelismus

(Pfeifer&Scheier, 2001), coÏ jsou omezení spí‰e technologické povahy.

2.4 Umûlá inteligence

Umûlá inteligence je empirická vûda, která se zab˘vá v˘zkumem a napodobováním

inteligentních projevÛ. Nejãastûji pomocí abstrakce a modelování inteligentních pro-

jevÛ mimo médium lidské mysli. Inteligentními projevy podle Feigenbauma rozumíme

napfi.: uãení, fie‰ení problémÛ, porozumûní jazyku, uvaÏování. Marvin Minsky, jehoÏ

definice je povaÏována za nejobecnûj‰í a nejuznávanûj‰í, definuje umûlou inteligenci

jako vûdu, která se zab˘vá tím, jak pfiinutit stroje, aby vykazovaly takové chování , jaké

by v pfiípadû ãlovûka vyÏadovalo uÏití inteligence. Minského definice vychází

Turingova imitaãního testu: „Umûlá inteligence je vûda o vytváfiení strojÛ nebo sys-

témÛ, které budou pfii fie‰ení urãitého úkolu uÏívat takového postupu, kter˘ – kdyby

ho dûlal ãlovûk – bychom povaÏovali za projev jeho inteligence" (Minsky, 1967,s.21).

Definice je klasick˘m pfiíkladem antropocentrismu v oblasti UI. Jako absolutní hodno-

ta pfii porovnávání inteligentních systémÛ je brán ãlovûk, stroje jsou s ním

pomûfiovány, stejnû jako u Turingova testu. S tím jsme se setkali v oblasti mûfiení IQ

u lidí. Hodí se k vyjádfiení míry v˘konnosti a efektivity. Pokud je ale pozorovatel

(ãlovûk) také mírou inteligence, nastává problém, jestliÏe stroj pfiesáhne lidské schop-

nosti. Ztrácíme pak moÏnost kvalitativnû vyjádfiit míru strojové inteligence. JestliÏe

nová inteligence vykazuje vût‰í moÏnosti a schopnosti neÏ ãlovûk, tûÏko lze lidsk˘mi

vyjadfiovacími prostfiedky novou kvalitu zachytit. Minského definice se také pfiíli‰

nevyjadfiuje o mechanismech ãi struktufie inteligentních systémÛ (pfiedmûtu

zkoumání).

Jin˘m pokusem o vymezení oboru je Kotkova definice. „Umûlá inteligence je vlastnost

ãlovûkem umûle vytvofien˘ch systémÛ, vyznaãujících se schopností rozpoznávat pfied-

mûty, jevy a situace, analyzovat vztahy mezi nimi a tak vytváfiet vnitfiní modely svûta,

ve kter˘ch tyto systémy existují, a na tomto základû pak pfiijímat úãelná rozhodnutí, za

pomoci schopnosti pfiedvídat dÛsledky tûchto rozhodnutí a objevovat nové zákonitosti

mezi rÛzn˘mi modely nebo jejich skupinami" (Kotek a kol., 1983,s. 42). Oproti pfied-

chozí, nacházíme v Kotkovû definici zdÛraznûnou potfiebu reprezentace, nutnou

vytvofiení obrazu okolí a následnou tvorbu a práci s modely zaloÏen˘mi na reprezen-

tacích. Autor se v‰ak spí‰e snaÏí definovat cíl oboru (umûl˘ inteligentní systém) neÏ

vûdní obor UI. Také lze polemizovat s tvrzením, Ïe inteligence je vlastnost systému.

Jde o schopnost. Právû vymezením pfiedmûtu jako zkoumání tvorby a aplikace

reprezentací svûta pfii jeho interakci s okolím, se autor hlásí k proudu reprezenta-

cionistÛ. V oblasti umûlé inteligence ale mÛÏeme nalézt i zastánce prezentacionistÛ.

Napfiíklad v pracích Brookse ãi Gibsona se objevují názory, Ïe inteligentní systém

nepotfiebuje pro svou ãinnost vytváfiet vnitfiní reprezentace okolního prostfiedí. Více

informací o této problematice je uvedeno v kapitolách o mentálních reprezentacích a

agentovém pfiístupu.

Tradiãní paradigma v umûlé inteligenci se v literatufie oznaãuje rÛzn˘mi pfiívlastky,

jako logicko-symbolické, symbolicko-reprezentaãní, algoritmické, komputacionistické.

Tyto pfiívlastky dostateãnû charakterizují tradiãní umûlou inteligenci a odli‰ují ji

od novûj‰ích smûrÛ, které mimo jiné vedou k hlub‰í otázce po relevanci pouÏité

architektury poãítaãe (ãi obecnû technického systému) vhodné k realizaci kognitivních

procesÛ.

Zmínûná otázka se stala aktuální hlavnû v posledních dvaceti letech, kdy se objevily

alternativní paradigmata v umûlé inteligenci: konekcionismus (neuronové sítû) a dis-

tribuovaná umûlá inteligence (multiagentní systémy) (Havel, 2001). Bliωí rozbor rele-

vance a limit architektur je proveden v následujících kapitolách.

Vût‰ina konkrétních aplikací umûlé inteligence má jeden podstatn˘ znak. Tím je

odklon od tvorby obecného univerzálního systému zpÛsoben˘ technick˘mi a znalost-

ními obtíÏemi pfii napodobování. V historii umûlé inteligence se z tohoto dÛvodu

experimenty následnû zamûfiovaly vÏdy na nûkterou specifickou (nûkdy velmi speci-

fickou) kognitivní schopnost. V souãasnosti se ale znovu objevuje potfieba, aby se

místo usilování po dokonalosti ve specifick˘ch úlohách zamûfiila integrovaná umûlá

inteligence na dílãí propojení metod do jednoho celku. Samotn˘ pojem inteligence

v sobû totiÏ zahrnuje právû v‰estrannost jako podstatnou charakteristiku (Havel, 2001).

O integrované umûlé inteligenci lze dnes hovofiit jen v souvislosti s konstrukcí

inteligentních robotÛ.. Na robota mÛÏeme pohlíÏet jako na prostorovû situovan˘ a

vtûlen˘ (embodied) systém, kter˘ je v kontaktu s reáln˘m, nikoliv virtuálním

prostfiedím (Havel, 2001). Nutno podotknout, Ïe robotika má kromû aplikaãního také

badatelsk˘ v˘znam i svá filosofická v˘chodiska. Vtûlená kognitivní vûda je probírána

v kapitolách vûnovan˘ch pfiístupu zaloÏeném na agentech.

2.4.1 Metody UI

V oblasti metod umûlé inteligence se setkáváme s pojmem siln˘ a slab˘ hned dvakrát.

Jsou to zaprvé - silná a slabá umûlá inteligence a za druhé - silné a slabé metody umûlé

inteligence. I kdyÏ se v‰echny ãtyfii zmínûné pojmy objevují ve spojitosti s metodami

UI, jejich pfiesné vymezení je posouvá do ponûkud jin˘ch oblastí.

Hovofiíme-li o silné a slabé umûlé inteligenci, ocitneme se rázem v rovinû nejvy‰‰í

obecnosti teorie. Základní otázka, která rozdûluje silnou a slabou inteligenci je: „Co

potfiebujeme k napodobení inteligence?".

Silná umûlá inteligence vychází z pfiesvûdãení, Ïe my‰lení je jen a pouze zpracov-

ání informace, které mÛÏe b˘t úspû‰nû duplikováno v systému se správnû realizo-

vanou funkcionální sítí (tj. v systému se správnou komputaãní strukturou). Zpracov-

ání informací je algoritmizovatelné, a tudíÏ zpracovatelné univerzálním Turingov˘m

strojem (viz TuringÛv stroj). Silná umûlá inteligence je tedy jakousi derivací funkcional-

istické teorie mysli, která se soustfieìuje na moÏnost (prostfiednictvím vhodného pro-

gramu) realizovat mentální stavy v digitálním poãítaãi (Pícha, 2001). Extrémní zastán-

ci pfiístupu hovofií o moÏnosti simulovat lidskou mysl pomocí pivních kelímkÛ

propojen˘ch provázky. Tvrzení silné UI jsou v˘razem víry ve funkcionalismus a

moÏnosti pfievedení okolního svûta do v˘poãtÛ.

Searle klade slabou umûlou inteligenci do opozice k silné. Podle slabé umûlé

inteligence spoãívá základní hodnota poãítaãÛ pfii studiu mysli v tom, Ïe pfiedstavují

velmi uÏiteãn˘, ale vÏdy pouze nástroj v rukou ãlovûka. Poãítaãe dokáÏí fie‰it jen speci-

fické problémy. Definice slabé UI je z velké ãásti postavena na popfiení moÏností,

které nabízí silná UI.

Jedním z hlavních smûrÛ, kter˘ ovlivnil kognitivistické paradigma, je

funkcionalismus. Jeho hlavní dÛraz není kladen na architekturu a strukturu

systému, ale na to, aby systém byl schopen vykonávat poÏadované operace

(Pfeifer&Scheier, 2001). Základní rozdíl mezi strukturalismem a funkcionalis-

mem je, Ïe první zmínûn˘ zkoumá ãlovûka jako pasivní bytost, která je vys-

tavena pÛsobení prostfiedí, pfiijímaného skrz smysly. Funkcionalismus naopak

vnímá jedince jako aktivního úãastníka vnímání a konání (Sternberg, 2001).

Diskusí kolem silné a slabé umûlé inteligence je nepfieberné mnoÏství. Vymezení

tématu se objevuje v mnoha modifikovan˘ch variantách. BohuÏel odpovûì na otázku,

jaké jsou nutné podmínky pro architekturu systému schopného napodobit inteligent-

ní chování (v˘‰e zmínûné „Co potfiebujeme k napodobení inteligence?"), je pfiedãasnû

poloÏena. Na empirická ovûfiení, která odpoví na poloÏenou otázku, zatím nejsme

dostateãnû vybaveni. Legitimizuje ji oblast filosofie mysli, ze které se rekrutují autofii

vyjadfiující se k danému tématu.

Snadnûj‰í je odpovûì na otázku ze zaãátku kapitoly, zda je silná a slabá umûlá

inteligence metodou UI. V˘‰e zmínûná fakta ukazují, Ïe slovo metoda by v tomto pfií-

padû bylo zavádûjící pro svou konkrétnost.

PfiesuÀme se nyní k problematice siln˘ch a slab˘ch metod UI. Newell a Simon defi-

novali dvû metody, kter˘mi se dá simulovat zpracování informace. Slabá metoda fiíká,

Ïe funkci inteligentního systému staãí pouze pár v˘konn˘ch mechanismÛ, které zpra-

covávají pfiíchozí informace. Není potfieba tvofiit interní reprezentace o tûchto pro-

cesech. Systémy mají velmi slabé poÏadavky na pfiedchozí znalost pfii fie‰ení úkolu,

dÛleÏitûj‰í je vÏdy samotn˘ algoritmus. Tento zpÛsob vycházel ze Simonov˘ch názorÛ,

Ïe dÛleÏitou komponentou pfii tvorbû inteligentních systémÛ je právû funkce operá-

torÛ a Ïe interní reprezentace (pamûÈov˘ sklad) nesouvisí s nárÛstem inteligence. Siln˘

pfiístup naopak vychází z dÛrazu na znalost a na její sílu. Kvalitní forma interní

reprezentace je zde nutnou podmínkou (Hogan, 1998). Silná metoda v sobû obsahu-

je slabou metodu a navíc také znalostní bázi, která v sobû obsahuje reprezentace pfií-

chozích informací. Reprezentace jsou ukládány tak, aby byly postiÏeny vztahy mezi

informacemi podle pravidel pfiedem naprogramovan˘ch mechanismÛ (Luger, 1994).

I v tomto pfiípadû se nám nedafií pfiesnû naplnit pojem metoda umûlé inteligence.

Oproti pfiíli‰ obecnému pfiedchozímu pfiípadu, je zde problém opaãn˘. Jedná se

o specifické pouÏití pro urãitou oblast UI. Pfiesnûji fieãeno oblast produkãních, ãi

expertních systémÛ, které jsou zmínûné v pozdûj‰ích kapitolách.

2.5 Informace

Pokud budeme chtít hovofiit o architekturách, pomocí kter˘ch se vûdci snaÏí

napodobovat lidské my‰lení, je nutné pfiedem zmínit klíãov˘ termín informace. V kog-

nitivních vûdách se hovofií o zpracování informace, která má jiÏ konkrétní formu nebo

alespoÀ vymezen˘ rámec, v nûmÏ se pohybuje (stává se kódem). Podívejme se ale na

pojem informace v obecné rovinû.

V roce 1948 publikoval Claude Shannon spoleãnû s matematikem Warrenem

Weaverem ãlánek „A mathematical theory of communication". Nûktefií historikové

vûdy tuto práci naz˘vají „Magna charta informaãního vûku". Ukazuje se v ní, Ïe k exak-

tnímu zkoumání informace je potfieba abstrahovat od její sémantické stránky a omez-

it se na stránku syntaktickou, která je statistick˘mi prostfiedky snadnûji popsatelná.

Informace spoãívá v odstranûní neurãitosti. Pfii vyjádfiení míry odstranûné neurãitosti

dospûl Shannon k formálnû stejnému vztahu, kter˘ koncem 19. století odvodil Ludwig

Boltzmann pro entropii. Následné konsekvence vedou ke zji‰tûní, Ïe zdánlivû nehmot-

ná informace je pevnû vázána na fyzikální svût hmoty a energie a Ïe kaÏd˘ pfienos ãi

záznam informace vyÏaduje disipaci jisté energie, a tedy vzrÛst termodynamické

entropie (Vysok˘, 2004).

Podle toho, ve kterém vûdním oboru nebo ve které oblasti lidské ãinnosti se pouÏívá,

jsou aplikovány specifické pfiístupy ke zkoumání informace a jsou k dispozici rÛzné

zpÛsoby jejího definování. Autor publikace z oblasti teorie informace Norbert Wiener

se vyjadfiuje ke zmínûnému pojmu ponûkud metaforicky: „Mechanick˘ mozek nepro-

dukuje my‰lení „jako játra Ïluã", jak si mysleli první materialisté, stejnû jako jej nepro-

dukuje ve formû energie jako svaly aktivitu. Informace je informace, ne hmota nebo

energie (Wiener, 1947,s. 89). V samotné práci pak (stejnû jako Shannon) hovofií

o informaci jako o opaku entropie (PstruÏina, 1998). Pfiesnûj‰í definice informace je

moÏno nalézt v mnoha vûdních oborech. Vyjadfiují názorovou pestrost a také speci-

fická pole vyuÏití pro dané obory.

Filozofické pojetí informace:

• Vlastnost hmotné reality b˘t uspofiádán a její schopnost uspofiádávat (forma

exis tence hmoty vedle prostoru, ãasu a pohybu).

• V˘znam pfiifiazen˘ obrazÛm, údajÛm a z nich utvofien˘m lidsk˘m celkÛm.

Informace pfiedstavuje míru uspofiádanosti systémÛ na rozdíl od entropie, tj. míry

neuspofiádanosti.

Komunikaãní pojetí informace

• Objektivní obsah komunikace mezi souvisejícími hmotn˘mi objekty, projevující se

zmûnou stavu tûchto objektÛ.

Kybernetické pojetí informace

• Název pro obsah toho, co se vymûní s vnûj‰ím svûtem, kdyÏ se mu pfiizpÛsobu

jeme a pÛsobíme na nûj sv˘m pfiizpÛsobováním. Proces pfiijímání a vyuÏívání

informace je procesem na‰eho pfiizpÛsobování k nahodilostem vnûj‰ího prostfiedí

a aktivního Ïivota v tomto prostfiedí.

• Proces, kdy urãit˘ systém pfiedává jinému systému pomocí signálÛ zprávu, která

nûjak˘m zpÛsobem mûní stav pfiijímacího systému.

Matematick˘ pfiístup k informaci

• Energetická veliãina, jejíÏ hodnota je úmûrná zmen‰ení entropie systému.

• Poznatek, kter˘ omezuje nebo odstraÀuje nejistotu t˘kající se v˘skytu urãitého jevu

z dané mnoÏiny moÏn˘ch jevÛ.

• Obsah zprávy, kter˘ je definován jako záporn˘ dvojkov˘ logaritmus její

pravdûpodobnosti.

(Kuãerová, 2002)

V nejobecnûj‰ím slova smyslu se informací chápe údaj o reálném prostfiedí, o jeho

stavu a procesech v nûm probíhajících. Informace sniÏuje nebo odstraÀuje neurãitost

systému (napfi. pfiíjemce informace); mnoÏství informace je dáno rozdílem mezi stavem

neurãitosti systému (entropie), kterou mûl systém pfied pfiijetím informace a stavem

neurãitosti, která se pfiijetím informace odstranila. V tomto smyslu mÛÏe b˘t informa-

ce povaÏována jak za vlastnost organizované hmoty vyjadfiující její hloubkovou struk-

turu (varietu), tak za produkt poznání fixovan˘ ve znakové podobû v informaãních

nosiãích. V informaãní vûdû se informací rozumí pfiedev‰ím sdûlení, komunikovateln˘

poznatek, kter˘ má v˘znam pro pfiíjemce nebo údaj usnadÀující volbu mezi alterna-

tivními rozhodovacími moÏnostmi. V˘znamné pro informaãní vûdu je také pojetí infor-

mace jako psychofyziologického jevu a procesu, tedy jako souãásti lidského vûdomí.

V exaktní vûdû se napfi. za informaci povaÏuje sdûlení, které vyhovuje pfiísn˘m

kritériím logiky ãi pfiíslu‰né vûdy. V oblasti v˘poãetní techniky se za informaci povaÏu-

je kvantitativní vyjádfiení obsahu zprávy. Za jednotku informace se ve v˘poãetní tech-

nice povaÏuje rozhodnutí mezi dvûma alternativami (0, 1) a vyjadfiuje se jednotkou

nazvanou bit (Jonák, 2000).

2.6 Nejmen‰í jednotky

Jednou z priorit, které si v‰imnete pfii studiu simulace inteligence, je snaha nalézt co

nejmen‰í jednotku, která by byla tak univerzální, Ïe by dokázala nést ãi zpracovávat

libovoln˘ typ kódu ãi informace (základní stavební prvky architektur). U dvou zák-

ladních pfiístupÛ k simulaci inteligence (komputace a konekcionismus) mÛÏeme zák-

ladní jednotky dobfie identifikovat. U komputaãního pfiístupu jsou jako základní

reprezentaãní jednotky pouÏívány symboly (nejlépe ve formû 1 a 0) a jako nej-

jednodu‰‰ího a univerzálního mechanismu pro zpracování Turingova stroje, kter˘ je

schopen zpracovat libovolnou vypoãitatelnou úlohu. Na druhé stranû je nejmen‰í

v˘poãetní jednotkou neuron a nejmen‰í jednotkou reprezentace váha propojení.

Tím je dána architektura. MÛÏeme se ale zeptat, co mají nejmen‰í jednotky zastupo-

vat? Jak˘ je nejmen‰í atom prostfiedí, z jehoÏ kompozice dokáÏeme vytvofiit obraz

(reprezentaci) prostfiedí? V rozliãn˘ch pfiístupech se setkáváme právû s rÛzn˘m pfiifia-

zováním ãásti prostfiedí tûmto atomÛm. Jako atomy jsou v teoriích pouÏívány ãísla,

znaky, slova, vûty, ãásti obrazÛ, ãáry, pravidla, objekty, geometrická primitiva apod.,

které jsou následnû v reprezentované formû modifikovány, zpracovávány, transfor-

movány.

Problém pfiichází v okamÏiku, kdy chceme po systému, aby dokázal zpracovat infor-

maci z prostfiedí, která je men‰í neÏ nejmen‰í „reprezentaãní" atom daného systému

(obsahuje prvky, které nedokáÏe reprezentaãní systém zachytit). Dostáváme se

do fáze, která by se dala v logice nazvat snaha o rozdûlení axiomu na je‰tû men‰í

celky, coÏ nelze (viz Gödel). Z hlediska hodnocení se pfiibliÏujeme k otázkám obec-

né rozli‰ovací schopnosti systému. Klíãovou úlohu sehrává, zda je systém schopen

zpracovat libovolnou úlohu – systém je obecn˘ nebo pouze úlohu, pro kterou má

vhodn˘ formální (ãi neformální) aparát - specifick˘ systém.

V˘hodou obecného systému (general domain systém nebo general purpose system) je

právû schopnost akomodace na prostfiedí a tvorbu arbitrárních nejmen‰ích jednotek,

které jsou adekvátní typu úlohy, pfied níÏ je postaven. Jeho fungování tedy nevychází

z axiomÛ a zákonÛ, které jsou nemûnné, ale jeho aparát (zde je jiÏ obtíÏné fiíci, zda

formální aparát) dokáÏe své „axiomy" roz‰ifiovat (sporné je, zda modifikovat).

V pfiípadû modifikace formálního aparátu bychom se dostali na hranice schopnosti for-

málních logick˘ch systémÛ, jelikoÏ by do‰lo k jeho zhroucení a neplatnosti jím vyvo-

zovan˘ch závûrÛ. Omezení ukazují formální logick˘ systém jako nevhodn˘ pro tvor-

bu systémÛ, které dokáÏí pracovat s libovolnou úlohou. CoÏ nás mÛÏe vést k závûru,

Ïe obecn˘ inteligentní systém, nemÛÏe b˘t postaven pouze na základech logiky.

V pfiedchozím odstavci jsme ale spojili dohromady dvû témata. Jedním je reprezentaãní

schopnost inteligentního systému (oblast pfievodu prostfiedí na adekvátní formu

reprezentace) a druh˘m je v˘poãetní (obecnûji „informace zpracovávající") schopnost,

tedy oblast práce s reprezentacemi. Oblasti se navzájem pfiekr˘vají, a proto o nich bylo

hovofieno jako o celku. Pokud se vrátíme k obecn˘m systémÛm, schopn˘m fie‰it libo-

voln˘ typ úlohy a také mající schopnost pfievádût informace z prostfiedí na adekvátní

formu reprezentace (slouÏící pfii fie‰ení úlohy), budeme tûÏko hledat pfiíklady v oblasti

simulace. Jedin˘m dÛkazem, Ïe existuje takov˘ obecn˘ systém je ãlovûk. I kdyÏ není

v jeho rozli‰ovacích schopnostech vidût atom (zde jiÏ ve smyslu jednotka hmoty),

pfiesto to dokázal.

Nejasnosti z opaãného konce souvisí s procesy generalizace, abstrakce ãi kategorizace.

Jde o snahu vytvofiit systém, kter˘ pracuje s jiÏ zmínûn˘mi primitivy - atomy, se kter˘-

mi jsou provádûny operace umoÏÀující pfievod pÛvodních informací v novou (v˘‰e

zmínûn˘mi procesy). Je pfiedpokládáno, Ïe v nové úrovni, tedy ve v˘sledkÛ operací,

vytvofiíme informace, které budou kvalitativnû nové, coÏ je obtíÏnû definovatelné a

také sémantické, coÏ je vût‰inou jen vysnûn˘m pfiáním v komputaãním pfiístupu.

BohuÏel jsou atomy prostfiedí reprezentovány ãistû syntakticky, a proto v nové rovinû

vzniká pouze takov˘ obsah, kter˘ nab˘vá svého v˘znamu interpretací tvÛrce. Jedná se

o snahu získat obsah i pokud pracujeme na niωí rovinû syntakticky, pfiiãemÏ obsah

apriornû pfiedpokládáme (viz Ukotvení symbolÛ). Extremním vyjádfiením legitimizu-

jícím syntaktick˘ pfiístup je Haugelandovo tvrzení, Ïe pokud se postaráme o syntax,

sémantika se o sebe postará sama (Crane, 2002).

V této kapitole jsme zmínili omezení, která vymezují hranice simulovatelného zpra-

cování informací. MoÏnost vytvofiení jednotné teorie je limitována souãasnou úrovní

poznání v oblasti kognitivních vûd.

V aplikovan˘ch oblastech modelování (pro konkrétní existující modely) se pouÏívá

jako kritérium hodnocení schopnosti modelu napodobit svÛj originál anal˘za

citlivosti. CoÏ mÛÏeme vidût jako abstraktní hodnocení stávajícího modelu a jeho

vztahu k jevÛm, které se snaÏí modelovat. Jedná se o vytvofiení relativního vztaÏného

systému, ve kterém je fixním referenãním kritériem originál modelovaného jevu.

Anal˘za citlivosti nemusí b˘t kvantifikována ve smyslu vytvofiení ãíseln˘ch ‰kál

reprezentujících míru podobnosti modelu s originálem. âastûji se vyuÏívá pomûrov˘ch

‰kál, vyjádfien˘ch pomocí nezbytn˘ch, dostateãn˘ch a nepodstatn˘ch podmínek,

za kter˘ch model dokáÏe napodobovat dané jevy. Neexistuje pfiesn˘ algoritmick˘

popis, pomocí nûhoÏ mÛÏeme anal˘zu citlivosti provést, jelikoÏ k posouzení citlivosti

je tfieba nutné pochopení originální situace, znamenající nejen dekompozici na jed-

notlivé elementy, ale i uchování vztahÛ mezi elementy a kontextová znalost

zkoumaného jevu vzhledem k prostfiedí (Sternberg, 1999). Díky tomu, Ïe souãasná

umûlá inteligence je velmi vzdálená termínÛm v˘znam ãi pochopení, je pfii tomto

druhu anal˘zy nutn˘ lidsk˘ (inteligentní) pozorovatel, kter˘ je schopen takové míry

abstrakce, pochopení a vhledu, Ïe dokáÏe posoudit kategorie nutnosti, dostateãnosti

a nepodstatnosti. Nejznámûj‰ím zástupcem anal˘zy citlivosti pro umûlé inteligentní

systémy je TuringÛv test.

V oblasti neuronov˘ch sítí nám pfii anal˘ze citlivosti mÛÏe pomoci mechanismus zpût-

ného ‰ífiení, tedy Ïe v˘stupní vrstva vysílá informace o v˘sledku do skryt˘ch a vstup-

ních vrstev (backpropagation), pomocí ãehoÏ je systém schopn˘ získat informaci

o mífie své efektivity. To je ale pfiíli‰ málo na to, aby taková síÈ sama dokázala z infor-

mace odvodit míru své komplexní citlivosti, která vyÏaduje znalost prostfiedí, modelu,

v˘stupÛ modelu a také limity, ve kter˘ch se model bûhem své ãinnosti pohybuje.

2.7 Paralelní versus sériové zpracování

Jinou podstatnou úlohou kognitivních vûd je odhalit, jaké jsou vnitfiní limity, které

omezují lidsk˘ mozek pfii procesu my‰lení (Sternberg, 1999). Pfii volbû zpÛsobu

nazírání této problematiky mÛÏeme pouÏít jako kritérium, zda mozek v prÛbûhu zpra-

cování informace pracuje ve v‰ech krocích paralelnû, ãi nikoliv.

Napfiíklad Saul Sternberg se pomocí testu reakãního ãasu snaÏí dokázat, Ïe krátkodobá

pamûÈ zpracovává informace sériovû (pfii administraci testÛ se zvy‰ujícím se poãtem

poloÏek vzrÛstá reakãní ãas v závislosti na jejich mnoÏství), coÏ potvrzuje my‰lenku

o úÏinû vûdomí (zde spí‰e úÏinu pamûti). Druh˘m pfiíkladem (kter˘ je více kulturnû

podmínûn a vypovídá spí‰e o anticipaci ve vnímání) je Word superiority test. Stern-

berg v nûm provádûl pokusy s krátkou prezentací 4 slabiãn˘ch shlukÛ (napfi. RACK,

KARC, XXAX,). Pokud tyto stimuly tvofiily slova, pokusné osoby je lépe odhadovaly.

(Gazzaniga&Mangun, 1998).

JiÏ jednoduchá úloha, jakou je násobení vícemístn˘ch ãísel v hlavû, nám ukáÏe, Ïe sys-

tém je schopen takovou úlohu provést, ale musí pfii ní vyuÏít svou krátkodobou

pamûÈ, ve které jsou ãásteãné meziv˘poãty ukládány, ale také musí b˘t odstranûny pro

dal‰í v˘poãty. Tato omezení se naz˘vají kapacitní (Sternberg, 1999). V systému pracu-

jícím masivnû paralelnû, tvofií operaãní pamûÈ pomyslné zúÏení, ve kterém je nutné

pfievést paralelní procesy do sériové, sekvenãní podoby. JestliÏe zaujímáme zmínûné

stanovisko (vjemy z okolí jsou po transdukci smyslov˘mi orgány uloÏeny do

krátkodobé pamûti) docházíme ke zji‰tûní, Ïe vzniká znaãnû neefektivní zpÛsob zpra-

cování, jelikoÏ následné operace s obsahy krátkodobé pamûti probíhají paralelnû

(musely by b˘t opût pfievedeny do paralelní formy) a pak znovu do sériové podoby

pro práci efektorÛ. Pfiikláníme-li se ale k Tverského modelu pamûti, probûhne pfievod

pouze jednou. Paralelní informace jsou uloÏeny rovnou do dlouhodobé pamûti a

z nich si jedin˘m pfievodem vybírá krátkodobá pamûÈ ty ãásti informace, které budou

pouÏity pro operace v sériové podobû, jejichÏ v˘sledky lze posléze pfiímo smûfiovat na

efektory. Jedná se ov‰em o pfiíli‰né zobecnûní na v‰echny senzory i efektory, coÏ nás

opût posouvá na hranici spekulace. ¤e‰ení pfiedpokládá vyjasnûní úlohy jazyka (zde

pravdûpodobnû mentálního) v procesu zpracování, tedy zda-li je moÏné jej zpracová-

vat paralelnû.

Mnoho vûdcÛ zab˘vajících se UI se domnívá, Ïe hlavními pfiíãinami je spoleãnû s jiÏ

zmínûn˘mi také nedostateãná robustnost a neschopnost provádût generalizaci v reál-

ném ãase. Dal‰ími nedostatky jsou problémy s vytváfiením rámcÛ pfii zpracovávání

reality, problém s ukotvením symbolÛ, a také nedostatky v oblasti vtûlenosti a situo-

vanosti umûlého systému (Pfeifer&Scheier, 2001). Jak˘ podíl na tom mají samotné

architektury souãasn˘ch systémÛ? A jak˘ podíl zpÛsob jejich vyuÏívání? Následn˘ roz-

bor zpÛsobÛ simulace inteligence se pokusí na nûkteré otázky odpovûdût.

33 KLASICK¯ P¤ÍSTUPKLASICK¯ P¤ÍSTUP3.1. Pfiedpoklady

3.1.1 Logika

Z lidského hlediska jsou logika a logické systémy nejãastûji zastfie‰ovány pojmem

racionalita ãi racionální chování. Ov‰em vztah tûchto dvou pojmÛ není dán tak pfies-

nû a neexistuje mezi ním hierarchické uspofiádání (Sternberg, 1999). Na formální log-

ice je zaloÏeno mnoho oborÛ umûlé inteligence, napfi. fie‰ení problémÛ, automatické

dokazování, produkãní systémy. Historie v˘voje logiky se datuje jiÏ od starého ¤ecka

a probíhá do dne‰ních dní. Souãasnû vznikají stále nové systémy, které se snaÏí

zdokonalit nev˘hody pfiedchozích. Nûkterá omezení logiky jsou ale takového charak-

teru, Ïe popírají logick˘ systém jako univerzální princip o vyvozovaní a ovûfiování

v˘rokÛ (viz Nejmen‰í jednotky, Gödel). Pro orientaci uvádím klíãové postavy a jejich

pfiínos oboru v následujícím pfiehledu:

tradiãní logika

- Aristoteles (5. st. pfied. n.l.) je zakladatelem logiky jakoÏto nástroje (fi. organon)

poznání a uvaÏování; aristotelsk˘ sylogismus ( fragment predikátové logiky)

- stoikové – v˘roková logika

- stfiedovûk – scholastikové rozvíjeli aristotelsk˘ sylogismus (logika byla

souãástí tzv. trivia)

moderní logika

- pfiedchÛdce Gottfried Wilhelm Leibnitz (pokud vznikne mezi filosofy spor, tak si

své argumenty zapí‰í a „spoãítají", kter˘ argument je korektní a jehoÏ závûr je

platn˘); téÏ Bernard Bolzano (první definice vypl˘vání);

- bezprostfiední pfiedchÛdci: George Boole (booleova algebra), ãi Charles Dodgeson

(Lewis Caroll – Alenka v fií‰i divÛ), Charles Sanders Peirce;

- konec 19. st., zakladatelé zejména Gottlob Frege (logicismus: snaha doloÏit, Ïe

v‰echna matematika je odvozena z logiky), Bertrand Russell (rovnûÏ logicismus,

dále v˘znamné uplatÀování ve filosofii); vybudování predikátové logiky;

- predikátová logika uplatÀována pfii zkoumání základÛ matematiky: Alonzo

Church, Kurt Gödel, aj.; matematická logika se zaãíná vyvíjet jin˘m smûrem, neÏ

filosofická logika

- moderní logika uplatnûna jako základní nástroj tzv. logického novopozitivismu

(VídeÀsk˘ kruh, Rudolf Carnap, ale i Ludwig Wittgenstein);

- Gödelovy objevy vedou k obratu pozornosti na v˘zkum algoritmÛ a rekurzívních

funkcí Alonzo ChurchÏ Alan Turing, TuringÛv stroj, Church-Turingova teze;

- Alfred Tarski definuje moderním zpÛsobem vypl˘vání a korespondenãní teorii

pravdy, vybudoval teorii modelÛ;

- modální logika (s operátory „je nutné", „je moÏné"), C.I. Lewis, Ruth Barcan

Marcus, sémantická reforma (60.léta): Saul Kripke (bohaté vyuÏití ve filosofii)

- vícehodnotové logiky postupnû vedou k souãasné fuzzy logice

- v prÛbûhu 60. let vzniká intenzionální logika - Richard Montague

- Richard Montague: teze, Ïe není Ïádn˘ rozdíl mezi umûl˘mi (tj. formálními) jazyky

logiky a jazyky pfiirozen˘mi (jak˘mi jsou ãe‰tina, angliãtina apod.)

- v souãasnosti jsou vyvíjeny hyperintenzionální logiky (Pavel Tich˘)

- v souãasnosti dochází i k pokusu zmûnit paradigma logiky (logika na základû

teorie her - Jaakko Hintikka, dynamická logika, nonmonotonní logiky)

Jeden z prvních v˘poãetních strojÛ (Analytick˘ stroj) je zaloÏen na principu, kter˘

umoÏÀuje operovat se symboly, pfiiãemÏ nepouÏívá pouze zákony aritmetiky a logiky.

JiÏ v té dobû bylo rozpoznáno, Ïe pomocí logiky nelze popsat vût‰inu zpÛsobÛ

bûÏného pfiem˘‰lení. Tedy Ïe nestaãí vûci roztfiídit do pouh˘ch kategorií podle toho,

zda mají nebo nemají urãitou vlastnost. Vûci v reálném svûtû mají vlastnosti ve vût‰í ãi

men‰í mífie, coÏ nelze redukovat na ano/ne .

Jednou z disciplín, které v˘voj studia logiky ovlivnil je matematická logika. V roce

1854 pfii‰el Angliãan George S. Boole s takov˘m modelem matematické logiky,

e kterém vystaãil jen se tfiemi základními operátory (AND, OR a NOT) a s jejich

pomocí dokázal z jednotliv˘ch v˘rokÛ sestavovat sloÏitûj‰í formule stejn˘m zpÛsobem,

jak˘m se v matematice (konkrétnû v algebfie) sestavují matematické vzoreãky. Svou

logiku mohl formálnû vybudovat jako algebru, které se dodnes fiíká Booleova algebra.

Boole jistû netu‰il, Ïe se jeho algebra stane základním teoretick˘m aparátem pro mod-

elování kombinaãních obvodÛ ãíslicov˘ch poãítaãÛ. Netu‰il také, Ïe technikÛm se

budou nejlépe dafiit takové konstrukãní prvky, které budou mít jen dva moÏné stavy,

a kter˘m bude odpovídat Booleova algebra, která má právû jen dva prvky (zatímco

George Boole ji navrhl pro obecn˘ poãet prvkÛ, nejménû v‰ak jako dvouprvkovou).

Tím, kdo poprvé ukázal na souvislost dvouprvkové Booleovy algebry s ãíslicov˘mi

obvody, byl v roce 1937 Claude Shannon. Mezitím se musela zrodit je‰tû jedna velmi

dÛleÏitá my‰lenka, která si vynutila pouÏívání právû dvouprvkové Booleovy algebry.

PosuÀme se ale dále k propoziãní logice. Problém zde není jen ve vztahu mezi

propozicemi, ale také v propozici samotné. Pokud si vezmeme v˘rok „KaÏd˘ pes má

vlastníka", jedná se o vztah, kdy jeden je vlastnûn druh˘m, ale ne naopak. Propoziãní

logika bere tento v˘rok jako ovûfiitelné tvrzení, ale nedokáÏe nic fiíci o jeho interních

vztazích. Problém je rozli‰ován aÏ v oblasti predikátového kalkulu, systémem formal-

izace prezentovan˘ Gottlobem Fregem (Hogan, 1998).

Jím navrhovan˘ systém mûl umoÏÀovat odvodit vût‰inu pravidel aritmetiky a matem-

atiky z jedné mnoÏiny axiómÛ. Frege se domníval, Ïe se mu podafiilo takov˘ systém

vytvofiit, ale ukázalo se, Ïe nemûl pravdu. Bertrand Russell odhalil, Ïe jeden z Frege-

ho axiómÛ mÛÏe vést k teorému, Ïe pokud je mnoÏina prvkem sebe sama, není

prvkem sebe sama, ve slovní formulaci jako paradox vesnického holiãe, kter˘ holí

v‰echny, co neholí sami sebe - holí se i holiã sám? Tento problém se obecnû naz˘vá

RussellÛv paradox (Hogan, 1998) a má úzkou souvislost s paradoxem dvojitého lháfie

(JourdainÛv paradox): na papírové kartiãce jsou napsány následující vûty (kaÏdá je na

jedné stranû): „Nápis na druhé stranû je pravdiv˘." „Nápis na druhé stranû je neprav-

div˘". Nejen historicky zajímavá je i souvislost s Epimenidov˘m (Eubulidov˘m) para-

doxem lháfie (nejednodu‰‰í varianta: „Já lÏu").

Pfiíkladem mÛÏe b˘t kategorizace slov (GrellingÛv paradox). Nûkterá pfiídavná jména

popisují vlastnosti, které samy nemají. ¤íkáme o nich Ïe nejsou autodeskriptivní (sebe-

popisné). Napfiíklad slovo jednoslabiãn˘, které není jednoslabiãné. Vytváfiejí tak

druhou kategorii, slova heterodeskriptivní (nepopisující sebe sama). Tímto zpÛsobem

mÛÏeme rozdûlit v‰echna pfiídavná jména do zmínûn˘ch kategorií. Dostaneme se aÏ

k pfiídavn˘m jménÛm autodeskriptivní a heterodeskriptivní. Pokud je chceme rozfiadit,

nastává paradox. ¤ekneme-li Ïe heterodeskriptivní patfií do skupiny heterodeskrip-

tivních slov, dopou‰tíme se omylu, jelikoÏ se tím pádem stává autodeskriptivní. Pokud

ale prohlásíme Ïe je autodeskriptivní, opût to není pravda (Hogan, 1998).

Následují dal‰í pokusy definovat základní axiómy tak, aby byly kompletní a bezes-

porné. Russell a Whitehead se vyhnuli sebereferenci (autodeskripci) tím, Ïe ji zakáza-

li. V návaznosti na pokusy o vyjasnûní limit logick˘ch systémÛ pfiichází Kurt Gödel se

sv˘m dÛkazem. Jedná se o tvrzení, Ïe neexistuje takov˘ konsistentní formální systém,

kter˘ by dokázal posoudit v‰echny své v˘roky. Tedy, Ïe existuje vÏdy takov˘ v˘rok,

kter˘ je systémem axiómÛ a pravidel nedokazateln˘ (Hogan, 1998).

3.1.2 Gödel

Název této kapitoly odkazuje na období, které se vyznaãovalo snahou ovûfiení logick-

ého systému, jako univerzálnû platného nástroje pro ovûfiitelnost a dokazatelnost

tvrzení. Kurt Gödel je autorem v˘roku, kter˘ odstartoval polemiky kolem úplnosti for-

málního aparátu. Dostáváme se ke Gödelovu v˘roku, Ïe pokud je systém (konkrétnû

systém aritmetiky definovan˘ Russellem a Whiteheadem) bezrozporn˘, nemÛÏe

dokázat vlastní bezrozpornost.

Pfiíklad Gödelovy sentence:

Pokusíme se roztfiídit v‰echny pravdivé sentence do dvou skupin - 1. pravdivé,

nedokazatelné, 2. pravdivé, dokazatelné. Gödel sestrojil sentenci , která tvrdí, Ïe patfií

do skupiny 2 a zní „nejsem v systému dokazatelná". Pokud je sentence nepravdivá, je

v systému dokazatelná. Pak ale nemÛÏe b˘t dokazatelná, protoÏe není pravdivá. Musí

tedy b˘t pravdivá, ale je nedokazatelná. (Smullyan, 2003).

Podívejme se, co fiíká o Gödelovû vûtû Barrow: „Îádná z moÏn˘ch dedukcí, k nimÏ

lze dospût na základû tûchto axiómÛ uÏitím povolen˘ch vyvozovacích pravidel,

nemÛÏe obsahovat více informace, neÏ kolik jí bylo obsaÏeno v axiómech (viz Monot-

onie). V tom tkví v podstatû pfiíãina slavn˘ch omezení moci logické dedukce, jak to

vyjadfiuje Gödelova vûta o neúplnosti." (Barrow, 1996,s. 112).

Peregrin na to reaguje následovnû:„Obávám se, Ïe charakterizovat GödelÛv v˘sledek

takto, je jako charakterizovat nehodovost na silnicích slovy „Pfiíãinou tak mnoha

havárií je to, Ïe auta neumûjí létat." Faktem totiÏ bezesporu je, Ïe kdyby mohly dÛsled-

ky axiómÛ obsahovat více informací neÏ axiómy samy, nemusela by Gödelova vûta

platit; stejnû tak jako kdyby auta umûla létat, nemuselo by docházet k tolika haváriím.

Obû ta tvrzení jsou ale naprosto nezajímavá - chtít po autech, aby létala, ãi chtít

po dÛsledcích axiómÛ, aby obsahovaly více informací neÏ axiómy samy, nedává pfiíli‰

rozumn˘ smysl. To není Ïádná zvlá‰tní vada aritmetiky a uÏ vÛbec ne doklad její roz-

pornosti" (Peregrin, 1997).

Bezrozpornost aritmetiky samozfiejmû lze dokázat (není pravda, Ïe se to nemáme

‰anci dozvûdût), ale musíme to provést „my", nelze to uskuteãnit v rámci aritmetiky

samé, aritmeticky. Zde se blíÏíme interpretaci, kterou nabízí napfi. prof. Peregrin ve své

knize Filosofie a jazyk, kdyÏ zdÛrazÀuje právû onu potfiebu vyskoãit „nad systém"

(Peregrin, 2003)., díky ãemuÏ mÛÏeme pravdivosti gödelovsky nerozhodnuteln˘ch /

nedokazateln˘ch v˘rokÛ dokazovat úplnû hravû.

Pfiedstavme si, Ïe existují systémy, v rámci nichÏ lze dokázat jejich vlastní bezroz-

pornost. Musíme ale takovému dÛkazu vûfiit? Lze dokázat, Ïe ve vnitfinû rozporném sys-

tému lze naopak dokázat jak˘koliv v˘rok - tedy i vlastní bezrozpornost. Smullyan pfiímo

pfiirovnává k tomu, Ïe je také po‰etilé nûkomu vûfiit jen proto, Ïe tvrdí, Ïe vÏdy mluví

pravdu. A jde dokonce je‰tû dále. Ukazuje, Ïe nûkteré systémy nemohou dokázat vlast-

ní bezrozpornost „právû proto", Ïe jsou skuteãnû bezrozporné (Peregrin, 1997).

Pomalu se dostáváme do oblasti, kterou se zab˘val Alfred Tarski a která posouvá prob-

lematiku do oblasti sémantiky (otázka „pochopení" související s moÏností vyskoãit

„nad systém").Ve své nejv˘znamnûj‰í práci navázal Tarski na Kurta Gödela. Stejnû jako

Gödel totiÏ dokázal, Ïe logické systémy jsou sémanticky neúplné. Tím se zhroutila

snaha v˘znaãn˘ch matematikÛ první poloviny minulého století (B. Russell, A. White-

head), ktefií se snaÏili definovat matematiku jakoÏto zcela konzistentní systém zaloÏen˘

na zákonech logiky. Zatímco Russell a Whitehead usilovali ve svém monumentálním

díle Principia Mathematica vystavût matematiku na základech symbolické logiky tím,

Ïe z ní odstraní v‰echny logické paradoxy (coÏ se jim samozfiejmû nepodafiilo), Hil-

bert ‰el je‰tû dále. Chtûl dokázat vnitfiní konzistenci axiómÛ aritmetiky a v‰ech

dedukcí, které z nich mohou b˘t vyvozeny.

Ve v˘sledku docházíme ke zji‰tûní, Ïe logické a matematické systémy, které jsou nato-

lik bohaté, Ïe obsahují Peanovu aritmetiku, jsou nejen formálnû neúplné ve smyslu,

Ïe nûkteré z jejich pravd jsou za pouÏití prostfiedkÛ systému nedokazatelné, ale Ïe jsou

také sémanticky neúplné v tom smyslu, Ïe nûkteré z jejich pojmÛ se nedají definovat

pomocí jazyka a pojmÛ systému. VÏdy je lze definovat pomocí vût‰ího systému, ale

jen za cenu vytvofiení dal‰ích nedefinovateln˘ch pojmÛ v rámci tohoto vût‰ího systé-

mu. Nakonec to tedy znamená, Ïe neexistuje formální systém, v nûmÏ by mohla b˘t

rozhodnuta pravdivost v‰ech matematick˘ch tvrzení nebo takov˘ v nûmÏ by mohly b˘t

definovány v‰echny matematické pojmy.

Obr. 6 Roωífiení formálního systému

Kurt Gödel dokázal, Ïe elementární matematika nutnû obsahuje nedokazatelná tvrzení

a Ïe se ãásteãnû opírá o „axiómy víry" ve svou vlastní konzistenci. Vytvofiíme-li tvrzení,

jehoÏ pravdivost ãi nepravdivost nelze urãit, pak mÛÏeme k mnoÏinû axiómÛ definu-

jících systém pfiidat libovolnû buì toto tvrzení, anebo jeho negaci. Obû volby ov‰em

vytvofií vût‰í logick˘ systém, jenÏ nutnû obsahuje nová nedokazatelná tvrzení.

Pokud Gödel sv˘m dÛkazem potvrdil domnûnku, Ïe nejsou v‰echny v˘roky ve for-

málním systému dokazatelné, dal‰í dÛleÏitou otázkou byla, jestli existuje univerzální

metoda na zji‰tûní, zdali je dan˘ teorém ovûfiiteln˘ automatick˘m procesem ovûfiování

(Hogan, 1998).

Následky Gödelova v˘roku se objevují i v oblasti tvorby inteligence. J.R. Lucas v roce

1960 upozornil na to, Ïe Gödelovu vûtu o neúplnosti aritmetiky je moÏné pouÏít

k vyvrácení mechanistické teze, tedy názoru, Ïe lidskou mysl lze simulovat strojem

(Lucas, 1961). LucasÛv ãlánek obsahuje mnoÏství úvah a námûtÛ, které stojí za uve-

dení.

¤íkáme, Ïe vûdomá bytost nûco ví, nefiíkáme tím jen, Ïe to ví, ale téÏ, Ïe, ví, Ïe to ví,

a Ïe ví, Ïe ví, Ïe to ví atd. Vûdomá bytost mÛÏe zacházet s Gödelov˘mi otázkami tak,

jak stroj nemÛÏe, protoÏe vûdomá bytost mÛÏe uvaÏovat sebe a své projevy, aniÏ by se

li‰ila od zdroje tûchto projevÛ (Lucas, 1961). Lucasem zdÛraznûná potfieba vûdomí

odkazuje na nutnost uchopení a pochopení obsahu informací, které inteligentní systém

zpracovává. Kognitivní teorie, která vidí základ pochopení funkce kognitivního apará-

tu ve zpracování informací, by mûla zaãít klást vût‰í dÛraz na „pracování s informací".

3.1.3 Formální a mentální logika

V klasické filosofii a psychologii je silnou tradicí povaÏovat formální logiku nejen za

normativní, ale i za deskriptivní teorii lidského usuzování. Naproti tomu napfiíklad

teorie mentálních modelÛ zdÛrazÀuje mentální logiku, která se od formální logiky li‰í

tím, Ïe je pfiirozenou vlastností ãlovûka. Vût‰ina kognitivistÛ pfiedpokládá její vrozen˘

základ (Sedláková, 2004). DÛkaz rozdílnosti mentální a formální logiky mÛÏeme obje-

vit jiÏ v samotném vymezení tûchto oborÛ.

Formální logika se snaÏí pomocí co nejmen‰ího poãtu operátorÛ a v˘razového

aparátu, vytvofiit bezesporn˘ popis svûta a také posoudit v˘roky o tomto svûtû ohod-

nocením pravda/nepravda (v základní formû logiky). Pfii její tvorbû je aplikováno

pravidlo Ockhamovy bfiitvy, snahy vyjádfiit jevy ãi procesy svûta v nejefektivnûj‰í

(nejkrat‰í) formû. Matematická logika se pokou‰í minimalizovat prostfiedky, které

pouÏívá k vyjádfiení nezbytn˘ch údajÛ (Mafiík, 1993). V pfiípadû aplikace v oblasti

matematick˘ch systémÛ nemusí dojít k redukci a je moÏné vyjádfiit ve‰keré moÏnosti

(snad aÏ na bezrozpornost). Pokud ale pouÏijeme logického aparátu k vyjádfiení

znakového ãi symbolického systému, mÛÏeme pfii dostateãné bohatosti základního

aparátu dojít k neredukcionistickému popisu v syntaktické rovinû, ale v sémantické

rovinû (která obsahuje dvojsmyslnosti, nepfiesnosti apod.) bohuÏel logick˘ aparát

selÏe. Formální logika nefunguje v rovinû v˘znamÛ. Pfiíãiny mÛÏeme vidût jiÏ v pouÏití

symbolického systému, kter˘ je nedostaãující pro zachycení „obrazu reálného svûta"

s jeho hlavními konstituentami (dynamiãnost, paralelnost, komplexnost).

Mentální logika vychází z opaãného konce. Je na sémantice postavena. Nejednoz-

naãnost ãi protichÛdnost v˘vodÛ nevede ke zhroucení celého systému, pouze

k vytvofiení opravn˘ch mechanismÛ ãi omezením (pfiesné postupy jsou dodnes

neznámé), které umoÏní jejich korekci, zavrÏení, omezení nebo zmûnu vyvozovacího

mechanismu.

Prosazování my‰lenky mentální logiky se stalo souãástí studia mentálních modelÛ.

Skupina vûdcÛ okolo Johnsona-Lairda pfiedpokládá, Ïe lidé mají vrozen˘ logick˘ sys-

tém nebo vrozené pfiedpoklady pro pfiirozenou logiku, která se od formální logiky li‰í.

Mentální logiky obsahují mnoÏinu inferenãních schémat, které jsou abstraktní a sledu-

jí vystiÏení úãelovosti v pfiírodû, v lidském Ïivotû i v Ïivotû spoleãnosti. Inferencí se

rozumí proces my‰lení, kter˘ vede od jedné mnoÏiny propozic k jiné. Propozice jsou

vût‰inou vyjadfiovány verbálnû, v pfiípadû praktick˘ch inferencí mohou premisy sestá-

vat z percipovan˘ch nebo pfiedstavovan˘ch stavÛ vûcí ãi událostí a závûr pak mÛÏe

b˘t zastoupen v akci (Sedláková, 2004).

âastou otázkou v oblasti mentální logiky b˘vá, zda je vrozená a jaké mechanismy ji

konstituují. Zastánci vrozenosti (napfiíklad Chomsky) tak oponují Piagetovû teorii, Ïe

pravidla mentální logiky získáváme na základû uãení. Problematika je blízká tématu

common sense (zdravého rozumu), coÏ je soubor pravidel, kter˘ není vázán na pravid-

la exaktnû logická, ale jedná se o abstrahovanou formu základního lidského vûdûní.

Je zatíÏen znaãnou subjektivitou, takÏe v mnoha aspektech se rozchází s vûdeck˘m

pfiístupem zkoumání, které klade dÛraz právû na objektivitu a exaktnost.

Snahou o napodobení common sense pomocí poãítaãÛ, metodou expertního systému

(viz Expertní systémy) je projekt CYC. SnaÏí se vytvofiit encyklopedii znalostí common

sense , do které pfiispívají lidé z celého svûta a zapisují ve formû pravidel rÛzné poz-

natky reprezentující znalostní bázi „zdravého rozumu" (Crane, 2002). Vidíme zde kla-

sick˘ pfiíklad pouÏití formální logiky jako mentální. Mentální pravidla jsou zpracov-

ávána klasickou poãítaãovou architekturou zaloÏenou na komputaci a logice, ãímÏ

ztrácí své pÛvodní vlastnosti. Projekt CYC je monumentální velikostí báze pravidel, ale

nepfiesn˘ pouÏitou metodou.

Místo závûreãného shrnutí je moÏno fiíci, Ïe metaforicky lze vidût vztah common sense

a vûdeckého pfiístupu jako vztah mentální a formální logiky, jako vztah subjektivního

a objektivního, nejednoznaãného a jednoznaãného, sémantického a syntaktického atp.

BohuÏel nám znalost druhého nestaãí k pfiesnému „popisu" prvého. Z uveden˘ch

argumentÛ vypl˘vá, Ïe rozdíly mezi mentální a formální logikou jsou svou povahou

fundamentální.

3.1.4 Monotonie

Îivou reakci v kruzích logikÛ vyvolala ta ãást Minského studie, ve které podrobil nelí-

tostné kritice monotónnost tradiãních logick˘ch systémÛ. Za principiální vlastnost

inteligence pokládá nemonotónnost lidského uvaÏování: „Na‰e mysl je v˘jimeãná

právû tím, Ïe se dokáÏeme zfiíct vãera odvozen˘ch pravd a nahradit je tûmi, které jsme

odvodili dnes" (Minsky,1968,s. 40). V monotónní logice v‰ak zÛstává dokázána prav-

da jiÏ navÏdy pravdou a logické kalkuly dlouho nenabízely zpÛsob, kter˘ by na tomto

cokoli zmûnil. AÏ tato kritika uvnitfi logiky pfiivedla ke studiu rÛzn˘ch nemonotónních

formálních systémÛ. Monotonie formálních systému se ãasto uvádí na pfiíkladu:

Vycházíme z pfiedpokladu, Ïe kaÏd˘ pták létá. Z toho samozfiejmû mÛÏeme usoudit, Ïe

i jist˘ konkrétní pták jménem Quido umí létat. Ov‰em pozdûji se dozvíme, Ïe Quido je

tuãÀák a tuãÀáci nelétají. Nበsystém by se mûl v tomto okamÏiku zhroutit, neboÈ je

zfiejmû sporn˘. Takov˘ typ inkonsistence v‰ak lidskému uvaÏování nijak nevadí. Spoko-

jíme se s tím, Ïe speciální informace o tuãÀácích vyuÏijeme napfiíklad k blokování

odvození nûkter˘ch dal‰ích údajÛ napfi. neodvodíme, Ïe Quido má hnízdo vysoko ve

vûtvích stromÛ (Mafiík, 1993).

Základem monotónního logického vyvozování je deduktivní logika, která obsahuje

nûkolik zásadních omezení. Deduktivní logika je nekreativní, protoÏe její závûry jsou

vÏdy obsaÏeny uÏ v premisách (jak poukázal pfii kritice scholastické logiky uÏ Francis

Bacon). Dedukce nepfiidává nic nového, co by se dalo zaãlenit do zku‰enosti. Pouze

pfievádí do explicitní roviny implikace toho, co bylo obsaÏeno v pfiedpokladech

(Hogan, 1998). Deduktivní metoda usuzování je intuitivnû sice velmi lákavá, av‰ak

setkává se s fiadou v˘poãetních nesnází. V první fiadû b˘vá pomalá - i pro nej-

jednodu‰‰í plány potfiebuje obrovské mnoÏství inferencí; pfiitom existují v˘poãetní

strategie, které dokáÏou fie‰it deduktivní úlohy mnohem elegantnûj‰ím zpÛsobem. Za

druhé, ryze deduktivní plánování je monotónní - je schopno vytváfiet nové závûry, ale

uÏ ne zbavovat se tûch pfiede‰l˘ch. Matematická funkce je monotónní, jestliÏe její hod-

noty prÛbûÏnû bez oscilací stoupají nebo klesají (Thagard, 2001). Monotónnost

predikátové logiky spoãívá také v tom, Ïe pokud pfiidáme nové axiómy do stávajícího

systému, v‰echny pÛvodní teorémy zÛstávají zachovány. Rroz‰ífiení logického systému

nevede k restrukturaci jejich pfiedchozích ãástí (Konar, 1999).V umûlé inteligenci bylo

nûkolik pokusÛ, jak uãinit logiku nemonotónní, jsou v‰ak nároãné na poãítaãov˘ ãas

a na vybavení. Pravdou také je, Ïe ãistû deduktivní plánovaã se nedovede pouãit ze

zku‰eností (Thagard, 2001).

Cestou k tvorbû nemonotónních systémÛ vede skrze pfiidání dal‰ích mechanismÛ,

které se podílejí na operacích s daty ãi reprezentacemi. Logick˘ systém tak ale ztrácí

svou struãnost a jednoduchost. Vût‰ina metod pouÏívá mechanismy, které buì vnesou

do procesu logického vyvozování míru pravdûpodobnosti, která ãiní v˘sledek logick-

˘ch operací pravdiv˘m v urãité mífie (nepohybujeme se jiÏ oblasti pravda/leÏ), nebo

jsou tyto mechanismy pouÏity pro dal‰í zpracování jednoznaãného v˘sledku. VÏdy se

v‰ak jedná o roz‰ífiení základního logického aparátu. PÛvodní poÏadavek Ockhamovy

bfiitvy v oblasti logiky pouÏité k simulaci lidského my‰lení vede k redukci, která brání

plnohodnotnému napodobení. Pfiesto (nebo snad právû proto) je pouÏívání deduk-

tivních metod v oblasti simulace na klasick˘ch poãítaãích velice siln˘m a efektivním

zpÛsobem, jelikoÏ plnû vyuÏívá architekturu a technické moÏnosti poãítaãe.

Nedostatky programÛ UI se spí‰e objevují v procesu indukce, tedy vytváfiení obecn˘ch

závûrÛ z omezeného poãtu pfiíkladÛ.

3.1.5 Komputace

Kolem roku 1950 se zaãínají objevovat nové koncepce zpÛsobu nazírání lidské bytosti.

âlovûk je (metaforicky) vidûn jako stroj a nastává i urãit˘ posun v terminologii pouÏí-

vané k popisu kognitivních procesÛ. Lidé jsou pfiirovnáváni k v˘poãetnímu zafiízení,

které se rodí s urãit˘m hardwarem a je programováno zku‰enostmi, socializací a zpût-

nou vazbou svého vlastního chování. Cílem psychologie je zjistit zpÛsob, jak˘m lidé

zpracovávají informace. Behavioristick˘ model S-R se ukazuje jako nedostaãující a

pozornost se pfiesouvá k interním procesÛm a stavÛm (Pfeifer&Scheier, 2001). Tûm je

následnû pfiisuzován statut v˘poãetních mechanismÛ, v˘sledky jejichÏ v˘poãtÛ tvofií

podklady pro projevy lidského chování. Souvislost mÛÏeme hledat v tehdej‰ím roz-

machu v˘voje poãítaãÛ.

Jednou ze základních moÏností poãítaãÛ bylo pouÏít je jako simulátory, na kter˘ch lze

napodobovat fungování neuronov˘ch sítí (kopií biologick˘ch systémÛ). Poté se ale

názor na jejich vyuÏití zmûnil. Vidíme-li lidsk˘ mozek pouze jako biologick˘ hard-

ware manipulující s abstraktními reprezentacemi svûta, kterému fiíkáme my‰lení, proã

pouÏívat poãítaã jako simulátor, kdyÏ by mohl manipulovat s vlastními reprezentace-

mi (Hogan, 1998). âímÏ se dostáváme k jádru komputace. Je ji moÏno povaÏovat za

teorii, která tvrdí, Ïe ve‰keré jevy tohoto svûta jsou pfieveditelné do formy rovnice, jiÏ

je moÏno vypoãítat a v˘sledek identifikovat s kauzálním následkem poãítan˘ch jevÛ.

Komputace se nesoustfieìuje pouze na aritmetické operace s ãísly, poãitatelné jsou i

jevy, které mÛÏeme pfievést do symbolické roviny a následnû je zpracovávat pomocí

zákonÛ logiky (omezení logiky byla zmínûna dfiíve a jejich platnost pfiechází i do

oblasti komputace).

Základní vyjádfiení komputaãní teorie je ponûkud sporné, jelikoÏ praví, Ïe svût je poãi-

tateln˘ (tedy libovolná jeho ãást i jako celek). Posouzením zmínûného tvrzení bychom

se dostali aÏ do oblasti filosofie. Navíc se setkáváme s tvrzením, které si klade

za nároky vytvofiit teorii, jeÏ by v sobû mûla univerzálnost vysvûtlení pro libovoln˘ typ

jevÛ ve vesmíru (teorii v‰eho). Netroufám si zatím s tímto tvrzením polemizovat,

nabízím pouze krátkou kritiku komputaãní teorie z pera jiného autora. Je reflexí na

komputaci jako pfiístupu k simulaci lidské mysli (protoÏe pokud je cel˘ vesmír poãi-

tateln˘, musí b˘t taková i mysl).

JestliÏe je teorie my‰lení poãitatelná (algoritmizovatelná), neznamená to, Ïe poãítaã

myslí. Astronomie je poãitatelná, ale vesmír není poãítaã (Crane, 2002).

Spí‰e neÏ odpovûdí na otázku, zda lze pfievést cel˘ vesmír (s celou jeho historií) do

podoby algoritmu, se jedná o metaforu, vyjadfiující se ke klasické Turingovû otázce,

zda mohou poãítaãe myslet. Crane se pfiiklání k názorÛm, které nevidí v˘poãet jako

univerzální nástroj pro deskripci ãi reprezentaci okolního svûta.

Margaret Boden si klade otázku, je-li moÏné komputaãní teorii naz˘vat paradigmatem?

Odpovûì, kterou sama nabízí, je spí‰e filosofick˘m zamy‰lením neÏ jednoznaãn˘m

vyjádfiením. Tvrdí, Ïe paradigmatem je v podstatû dostateãnû kvalitnû formulovan˘

sociální úzus, coÏ v nás v oblasti komputace pfiíli‰ neposune kupfiedu (Boden, 1988).

Pokusme ale pominout pochybnosti o moÏnostech komputace a podívat se na zákla-

dy a pfiedpoklady, kter˘mi se vyznaãují komputaãní zafiízení pouÏívaná jak pro oblast

simulace, tak i obecnûji pro jiné úlohy.

Komputace se dá vyjádfiit tfiemi propojen˘mi, leã samostatn˘mi my‰lenkami:

1. Matematická funkce

2. Algoritmus

3. Systémová architektura

Matematická funkce mapuje z mnoÏiny vstupních objektÛ, naz˘van˘ch doména,

do mnoÏiny v˘stupních objektÛ, naz˘van˘ch rozsah (napfi. mapování v‰ech moÏn˘ch

vût z anglick˘ch slov do mnoÏiny v‰ech moÏn˘ch anglick˘ch smyslupln˘ch vût).

Algoritmus pro funkci f je v˘poãetní procedura, která poãítá f. MÛÏe jich b˘t více pro

totoÏnou událost. MÛÏeme ji vidût jako soubor primitivních operací, napfi. pouÏití log-

aritmu místo sãítání a násobení.

Design poãítacího stroje, kter˘ vykonává algoritmus, je naz˘ván systémová architektu-

ra. Ta obsahuje primitivní operace pouÏívané algoritmem a jiné nutné komunikátory

mezi nimi, které jsou urãeny podstatou stroje. Jsou v˘poãetními moduly pouÏívané

algoritmem, ale nejsou ãástí algoritmu (Sternberg, 1999).

Podobné rozdûlení nacházíme i u Marra. Ten rozdûluje komputaãní teorii do 3 vrstev

(Boden, 1988).

1. komputaãní

2. algoritmická

3. hardware

Komputaãní vrstva (odpovídající pfiedchozí matematické funkci) není pfiesnû zto-

toÏnitelná pfiímo se slovem komputace – v˘poãet (proces). Marr jí vidí spí‰e jako

otázku, co systém vykonává, neÏ jak to vykonává. Blízk˘m termínem pro lep‰í

pochopení mÛÏe b˘t Chomského kompetence, popfiípadû anal˘za úlohy autorÛ

Simona a Newella. Komputaãní vrstva poskytuje abstraktní formulaci zpracovávané

úlohy, vãetnû moÏností a omezení, které vstupují do hry (Boden, 1988).

Algoritmická vrstva bere tyto informace v úvahu a v konkrétní rovinû se snaÏí o tvor-

bu správn˘ch posloupností operátorÛ. Jak jiÏ bylo zmínûno v˘‰e, existuje nûkolik

moÏností, jak algoritmizovat zpracování urãité úlohy. JelikoÏ se pohybujeme v sys-

témech, které jsou zaloÏeny na v˘poãtech, zaji‰Èuje nám jejich aparát moÏnost iso-

morfismu. Jedná se o silnûj‰í formu ekvivalence mezi dvûma formálními systémy

(Luger, 1994). Pfiíkladem mÛÏe b˘t moÏnost naprogramovat klasick˘ poãítaã PC, aby

fungoval jako TuringÛv stroj a naopak. Tím, Ïe zastfie‰ujícím principem je komputaãní

teorie, umoÏÀuje b˘t algoritmické vrstvû ãásteãnû nezávislá na pouÏitém hardwaru.

Pfiesnûji architektura hardwaru musí b˘t tak univerzální, aby na nûm bylo moÏno

provést libovolnou v˘poãetní úlohu.

Pro pochopení je dÛleÏité rozli‰ení mezi hardwarem a softwarem. Vztah mezi nimi je

dán ponûkud vágním, av‰ak filosoficky v˘znamn˘m pojmem implementace, coÏ je

zpÛsob, jak zajistit, aby dan˘ softwarov˘ program fiídil reáln˘ prÛbûh pfiíslu‰ného

v˘poãtového procesu v daném typu hardwaru. Podstata softwarov˘ch programÛ totiÏ

tkví v jejich kauzální potenci (causal efficiency), tj. schopnost fiídit dotyãné procesy,

která je invariantní k té ãi oné konkrétní implementaci. V tomto smyslu lze fiíci, Ïe pro-

gramy „pfieÏívají hardwarovou smrt" (Havel, 2001).

V psychologii, která se snaÏí vyuÏívat v˘poãetní procedury k simulaci psychick˘ch

jevÛ, vzniká problém ãerné skfiíÀky, jelikoÏ máme jen omezené moÏnosti ke zkoumání

kognitivních procesÛ, takÏe nejsme schopni pfiesnû rozhodnout u daného jevu, za

kterou ãást je zodpovûdná architektura a za kterou algoritmy (Sternberg, 1999). To je

ãast˘m nedostatkem kognitivních architektur, které ãasto vznikají jako my‰lenkové

experimenty podpofiené statistick˘m v˘skytem jevu a jejich pfievod do pfiedem defi-

nované architektury (napfiíklad do von neumannovské) se setkává s mnoha problémy

a omezeními.

3.2 Architektura

3.2.1 Charles Babbage

JelikoÏ se zde v této kapitole seznámíme s prvními pokusy o realizaci komputaãní

architektury, je zde netradiãnû uveden její v˘voj vãetnû nûkter˘ch podrobnûj‰ích údajÛ

o autorovi.

Britsk˘ matematik a vynálezce Charles Babbage se jiÏ ve 20. letech 19. století pokusil

zkonstruovat mechanick˘ v˘poãetní stroj, jehoÏ ãinnost byla zaloÏena na programo-

vateln˘ch instrukcích. Babbage se pokusil o obnovení my‰lenky, kterou se zab˘val uÏ

Leibnitz. Ten uvaÏoval o mechanickém uvaÏovaní jako o roz‰ífieném mechanickém

poãítání, ale nepodafiilo se mu najít vhodn˘ jazyk pro reprezentaci okolního svûta.

Babbagovi se to povedlo s tím, Ïe pouÏil Booleovskou algebru (Hogan, 1998). Chtûl

postavit takov˘ pfiístroj, kter˘ by byl schopen poãítat na aritmetické bázi. Pfiístroj mûl

navíc v sobû obsahovat prvky logické algebry, umoÏÀující v mnohém napodobit lid-

ské my‰lení. Jednalo se Analytick˘ stroj, teoretick˘ koncept, kter˘ nebyl nikdy

uskuteãnûn, ale kter˘ pfiedznamenal zpÛsob my‰lení a pokusÛ o vytvofiení myslícího

stroje aktuální aÏ do dne‰ních dní. PfiedchÛdcem Analytického stroje a jedin˘m reali-

zovan˘m projektem Charlese Babbage byl Derivaãní stroj, kter˘ v sobû obsahoval tab-

ulky pro v˘poãet první derivace a byl zaloÏen na mechanickém principu. Jeho funkce

spoãívala ve v˘poãtu derivace zpÛsobem, kter˘ si vyÏadoval sãítání jako jedinou

funkci. Zkonstruovat jej ale nebylo jednoduché. Babbageovi do‰lo, Ïe stroj nemÛÏe

naprogramovat bûÏn˘m jazykem, jehoÏ podoba je pro v˘poãty pfiíli‰ rozvláãná a kom-

plikovaná. Z tohoto dÛvodu vyvinul zvlá‰tní jazykovou fieã, jakousi kombinaci ãísel a

typografick˘ch znakÛ, s jejíÏ pomocí hodlal stroj programovat.

Z hlediska hardwarové architektury základní model obsahoval aritmetickou jednotku

(dne‰ní procesor) s jedním tisícem ozuben˘ch koleãek a pamûÈ dat pro tisíc padesá-

timístn˘ch ãísel. DÛleÏitou souãástí v˘poãetního zafiízení, které mûl pohánût parní

stroj, byla fiídící sekce s programem ãinnosti zapsan˘m na fietûzci papírov˘ch dûrn˘ch

karet (pamûÈové médium).

V období dokonãování tohoto stroje zaãal Babbage pracovat na návrzích jeho

vylep‰ené varianty, kter˘m je v˘‰e zmínûn˘ Analytick˘ stroj (Analytical Engine).

Zafiízení mûlo kromû základních poãetních operací umût nejen fie‰it algebraické a

numerické rovnice, ale souãasnû i vystihnout v˘sledky a podle nich, coÏ je nejpo-

zoruhodnûj‰í, samostatnû mûnit prÛbûh dal‰ího v˘poãtu.

K tomuto úãelu navrhl Babbage systém tfií programovacích karet, opatfien˘ch

Dûrné karty byly nápadem, k nûmuÏ Babbage inspiroval vynález fran-

couzského obchodníka Josepha Jacquarda. Není bez zajímavosti, Ïe právû

„Ïakárov˘ stroj" inspiroval pozdûji, v roce 1890, inÏen˘ra Hermana Holleritha k

vynálezu dûrn˘ch ‰títkÛ pfiená‰ejících data. Hollerith tûchto ‰títkÛ vyuÏil ke

konstrukci tfiídicího systému, vyuÏívaného pfii sãítání lidu. Jeho projekt sãítání,

porovnávání a anal˘zy ãísel na základû dûrn˘ch ‰títkÛ byl tak úspû‰n˘, Ïe Hol-

lerith se sv˘mi spoleãníky zaloÏil spoleãnost, jeÏ byla pozdûji pfiejmenována na

International Business Machines – IBM.

dûrováním (tyto pfiedchÛdkynû dûrn˘ch karet byly paradoxnû je‰tû dokonalej‰í neÏ

v˘‰e zmínûné Hollerithovy karty). Jednalo se o operaãní, ãíslicové a variaãní karty,

pfiiãemÏ operaãní karty dodávaly instrukce stroji (zastupovaly jak˘si operaãní kód), ãís-

licové karty obstarávaly informace o hodnotû ãísel (data) a variaãní (software)

zprostfiedkovávaly druh v˘poãtu. KaÏd˘ druh karet, rozli‰en˘ i odli‰n˘mi velikostmi,

mûl tedy svou specifickou funkci pro chod a funkce analytického stroje.

Právû schopnost postupovat a rozhodovat se podle stanoveného programu udûlala

z Babbageova návrhu pfiedchÛdce pozdûj‰ích typÛ poãítaãÛ. I kdyÏ mûl vynálezce

ambiciózní projekt mechanického analytického stroje promy‰len˘ do nejmen‰ího

detailu, prototyp nebyl za jeho Ïivota bohuÏel nikdy zkonstruován. Docenûní své

my‰lenky se sice nedoãkal, ale to neznamená, Ïe zapadla. Babbage je uznáván jako

matematik, jehoÏ principy ovlivnily architekturu poãítaãÛ, které jsou pouÏívány

dodnes - von neumannovská architektura (Hogan, 1998). Sám Babbage o svém díle

napsal: „Analytical Engine splÀuje podmínky, které umoÏÀují stroji vykonávat

neohraniãené v˘poãty" (Hogan, 1998,s.134). Nedá se v‰ak fiíci, Ïe by si Babbage uvû-

domoval tak jasnû univerzálnost navrhovaného stroje, jako to udûlal o 100 let pozdûji

jeho krajan A.Turing.

3.2.2 Von neumannovská architektura

Právû my‰lenky zmínûné v pfiedchozí kapitole mûly zásadní vliv na tvorbu architektu-

ry, která je povaÏována za standard v oblasti komputace. JiÏ v Babbageovû pfiístupu

mÛÏeme identifikovat základní prvky souãasn˘ch poãítaãÛ (centrální jednotka/proce-

sor, pamûÈ, vstupní a v˘stupní zafiízení pro data).Na koneãné podobû se podílelo více

badatelÛ. Norbert Wiener (zmiÀovan˘ jiÏ v souvislosti s teorií informace) sepsal nûko-

lik doporuãení, urãujících smûr, kter˘m by se mûla ubírat tvorba architektury

budoucích strojÛ (Hogan, 1998). PoÏadavky byly následující:

1. PouÏívat ãíselnou formu reprezentace, ne mechanická koleãka (v extrémní podobû

by se jednalo o rozdíl mezi digitálním a analogov˘m, zde spí‰e mínûno z hlediska

efektivity).

2. PouÏít elektronky, pro jejich rychlost. Ne pfievodníky nebo relé.

2. PouÏívat dvojkov˘ kód místo decimálního.

4. PouÏít interní uloÏení programÛ, umístit oddûlenû od vstupních a v˘stupních dat.

5. K internímu skladu by mûl b˘t rychl˘ pfiístup.

Tyto poÏadavky pfiedznamenávají vylep‰ení varianty stroje, kter˘ 75 let pfiedtím navrhl

Charles Babbage, která se dá povaÏovat jako pfiedchÛdce von neumannovské architek-

tury (Hogan, 1998).

Pfiíspûvek samotného Johna von Neumanna do takto vylep‰ené architektury se zdá b˘t

zanedbateln˘. V roce 1945 pfii‰el s návrhem, Ïe by v˘poãetní stroje mûly obsahovat

pamûÈ rychle pfiístupnou pro procesor, ve které by byly uloÏeny aktuální program

(soubor algoritmÛ) a také právû zpracovávaná data a jejich meziv˘poãty. NaráÏel na

pomalost tehdej‰ích strojÛ, které ukládaly tyto informace vÏdy do externí pamûti

(z dne‰ního pohledu na pevn˘ disk). Vznikla poslední ãást architektury poãítaãe

dne‰ních dní - operaãní pamûÈ. Její uvedení do praxe neprobûhlo okamÏitû, ale muse-

lo poãkat na vynález pamûti typu RAM.

Pro lep‰í pfiedstavu celkové architektury je zde obrázek, kter˘ na metafofie úfiedníka

zpracovávajícího napfi. v˘poãet daní, popisuje jednotlivé komponenty architektury

(pro snadnûj‰í zapamatování jsou na obrázku pfiímo uvedeny termíny, které popisují

souãasné poãítaãe).

Obr. 7 Von neumannovská architektura

Rozdíl mezi tímto typem architektury a Turingov˘m strojem je následující. Von neu-

mannovská architektura je jiÏ navrhována se zfietelem k její praktické aplikaci

(vycházela z Ch. Babbage) na rozdíl od Turingova stroje, jeÏ byl vytvofien jako

my‰lenkov˘ experiment, kter˘ si nekladl za cíl praktickou aplikaci. Turingov˘m cílem

bylo vytvofiit co nejjednodu‰‰í (s nejmen‰ím poãtem prvkÛ) univerzální systém. Prak-

tické provedení Turingova stroje by bylo zbyteãné. Jeho jednoduchost spoãívá v poãtu

pouÏit˘ch komponent a jejich funkcí, nikoliv v‰ak v rychlosti a moÏnostech v oblasti

zpracování dat, coÏ jsou vlastnosti v praxi povaÏované za hlavní pfiednosti v˘poãet-

ních systémÛ.

Jen pro informaci na závûr uvádím krátkou poznámku o dal‰í práci Johna von Neu-

manna v historii tvorby v˘poãetních architektur. V oblasti umûl˘ch systémÛ se setkáme

i s architekturou neuronov˘ch sítí, ãi s paralelními v˘poãetními systémy. Cílem von

Neumanna byla právû taková architektura, která by dokázala zpracovávat informace

paralelnû. V jeho dobû v‰ak je‰tû technické moÏnosti nedovolovaly její tvorbu. Von

Neumannov˘ch zku‰eností bylo vyuÏito ke stavbû prvního moderního digitálního

poãítaãe EDVAC, kter˘ byl bohuÏel sériov˘ (Caudill&Buttler, 2000).

3.2.3 TuringÛv stroj

Nejznámûj‰í prací Alana Turinga je jeho ãlánek s názvem „Computing Machinery and

Intelligence" ve kterém vznesl otázku, jejíÏ fie‰ením se zab˘vají vûdci dodnes. Jedná se

o to, zda je technicky moÏné, aby stroje dokázaly myslet. Tedy zda lze dosáhnout

úrovnû, kdy vytvofiíme systém - stroj, kter˘ bude schopen samostatného my‰lení, bez

potfieby interpretace vstupÛ ãi v˘stupÛ. Cílem kognitivních vûd má b˘t kladná

odpovûì na poloÏenou otázku. Turing ve svém ãlánku naráÏí na problematiãnost slov

stroj a my‰lení, které je velmi obtíÏné vymezit samostatnû, natoÏ ve spoleãném kon-

textu. ZuÏuje tedy pojem stroj na digitální poãítaã. Pokud bychom dokázali najít fie‰ení

a sestrojili myslící stroj, nastává nám jin˘ problém. Jak˘m zpÛsobem zjistit, jestli je

dan˘ stroj inteligentní? CoÏ je problematika známá dodnes jako TuringÛv test (Hogan,

1998).

Podívejme se ale radûji na princip fungování Turingem navrhovaného stroje, kter˘ má

slouÏit k vypoãtení libovolné úlohy. Stroj (TuringÛv) není Ïádné hmatatelné zafiízení,

je to pokus o matematické zachycení intuitivního pojmu vypoãitatelnosti ãi je‰tû obec-

nûji vyfie‰itelnosti. Turing si uvûdomil, Ïe kaÏd˘ v˘poãet (ãi obecnûji kaÏdé fie‰ení)

zaãíná nûjak˘mi vstupními daty, které si mÛÏeme pfiedstavit znak po znaku zapsané

na papírové pásce a konãí nûjak˘m v˘sledkem ve stejné podobû (Peregrin, 2002).

V˘poãet je pfiechod od jedné sekvence znakÛ na pásce k jiné, a tak Turing usoudil,

Ïe aÈ uÏ pfiechod provádíme jakkoli, na té nejelementárnûj‰í úrovni se nemÛÏe neÏ

skládat z nûkolika základních operací (pfieãtení nûjakého existujícího symbolu, posun

pásky o jednu pozici tam ãi zpátky a zapsání nového symbolu ãi pfiepsání starého).

Obr. 8 Schéma Turingova stroje

PfiestoÏe je TuringÛv stroj pouze teoretickou konstrukcí, je moÏno jeho architekturu

popsat pomocí následujících prvkÛ. Jedná se o zafiízení, které obsahuje tabulku

s koneãn˘m poãtem fyzick˘ch nespecifikovan˘ch stavÛ a posuvnou hlavu schopnou

ãíst, zapisovat a mazat symboly (nejãastûji se pouÏívá 1 a 0, ale je moÏno pouÏít libo-

volnou koneãnou abecedu symbolÛ). Hlava se pohybuje v diskrétních krocích po libo-

volnû dlouhé pásce (mÛÏe b˘t nekoneãná), která je rozdûlena na políãka obsahující

vÏdy jeden symbol. Na zaãátku kaÏdého kroku ovlivÀují ãinnost stroje dva vstupy.

Jeden z pásky (symbol) a druh˘ z tabulky stavÛ, která dle daného symbolu pfiifiadí

hlavû operaci, kterou má provést. V˘sledná operace se skládá z instrukce, co provést

s pfieãten˘m symbolem (nechat, smazat, pfiepsat) a urãením smûru posunu hlavy vlevo

nebo vpravo (Hogan, 1998).

Pojmem „vypoãitateln˘" se rozumí cokoli, co by dokázala vypoãítat idealizovaná

bytost, která by mûla k dispozici neomezené prostfiedky a neomezenû ãasu. Turing se

v‰ak pokusil o nepfiíli‰ obvyklou vûc: my‰lenka poãítaãe, tak, jak ho dnes známe, je

my‰lenkou pfiechodu od strojÛ, které vykonávají jeden urãit˘ proces, ke stroji, kter˘ je

univerzální v tom smyslu, Ïe disponuje natolik flexibilním souborem natolik elemen-

tárních operací, Ïe z nich lze skládat v podstatû jakékoli pfiedstavitelné v˘poãty (Pere-

grin, 2002). Tím se dostáváme do ideálního stavu pro komputaãní teorii. Máme svût,

kter˘ mÛÏeme pfievést na soubor v˘poãtÛ a máme univerzální zafiízení, které dokáÏe

v‰echny tyto v˘poãty uskuteãnit. V ãem je tedy problém?

Nejprve je nutné zmínit omezení, které v˘poãetní metoda provádûná Turingov˘m stro-

jem, ale i jin˘m v˘poãetním zafiízením obsahuje. Lépe fieãeno, hovofiíme o poÏa-

davcích, které je nutné splnit pro úspû‰né pouÏití komputaãní metody:

Metoda se skládá z koneãné mnoÏiny jednoduch˘ch a pfiesn˘ch instrukcí, které jsou

popsány koneãn˘m poãtem

symbolÛ.

Metoda bude vÏdy produkovat v˘sledek v koneãném poãtu krokÛ.

„Funkãní sílu" Turingova stroje nejlépe vyjadfiuje teze, která je kombinací my‰lenek

Turinga a Alonsa Churche.Vyskytuje se v mnoha publikacích v rozliãn˘ch formách a

s rÛznou explanaãní silou (odvislou od pfiesvûdãení autora). Uvádím zde nejãastûji

zmiÀované formy Church-Turingovy teze:

V‰echny komputaãní modely jsou stejné nebo ménû v˘konné neÏ TuringÛv stroj

(Luger, 1994).

SloÏitost ãi efektivnost algoritmu je prokazatelná tím, jak ji lze provést Turingov˘m stro-

jem (Crane, 2002).

Kromû toho, Ïe mÛÏeme pouÏívat TuringÛv stroj jako mûfiítko zdafiilosti (efektivity a

struãnosti) algoritmu (Craneova definice), mÛÏeme tezi posuzovat podle míry, kterou

je komputace úãastná pfii tvorbû reprezentací a operacích s reprezentacemi prostfiedí,

shrnutelného v psychologii pojmem kognice. Silnûj‰í varianta explanace teze praví, Ïe

pokud existuje problém, kter˘ není fie‰iteln˘ Ïádn˘m v˘poãetním zpÛsobem, nemÛÏe

tento problém vyfie‰it ani lidská mysl (Pfeifer&Scheier, 2001).

Druhá my‰lenka, váÏící se k zmínûné tezi, tvrdí, Ïe jestliÏe ãlovûk dokáÏe fie‰it prob-

lémy, ãi vykazovat inteligentní chování, mohou b˘t zkonstruovány stroje, které budou

mít stejné schopnosti. Tvrzení tvofií jádro souãasn˘ch v˘zkumÛ v oblasti umûlé

inteligence (Pfeifer&Scheier, 2001). BohuÏel my‰lenka o schopnosti napodobit lidskou

mysl v˘poãetním zafiízením je závislá na odpovûdi na v˘‰e zmínûnou otázku „kvan-

tifikace a algoritmizovatelnosti prostfiedí" (probíraná také v kapitole Komputace).

JiÏ zmínûná univerzálnost Turingova stroje je podpofiena je‰tû jednou v˘hodou této

geniálnû navrÏené architektury. Tabulku stavÛ, která rozhoduje podle vstupu z pásky

o tom, jaká bude pfií‰tí operace hlavy, mÛÏeme totiÏ pfievést do symbolické formy,

která je pouÏívána právû pro zápis na pásku (nejãastûji binární kód 1/0), a vytvofiíme

tak kopii Turingova stroje (v podobû dat). Tu pak mÛÏeme implementovat do nového

prázdného Turingova stroje pomocí hlavy, která naãte tabulku stavÛ na pásce uloÏe-

nou. BohuÏel se v Ïádné publikaci neuvádí, jak takov˘ pfievod vypadá v praxi. Jak fiíci

prázdnému Turingovu stroji, Ïe má naãíst tabulku stavÛ (popfiípadû jak je veliká)? Také

ukonãení naãítání je problematické a je tfieba vytvofiit speciální symbol a také recep-

tor v ãtecí hlavû. Znamenalo by to roz‰ífiení stávající architektury o nové prvky.

O moÏnostech roz‰ífiení Turingova stroje a také jeho omezeních hovofií i nûkteré

souãasné práce. Klasická Church-Turingova teze nás uji‰Èuje, Ïe kaÏd˘ algoritmus lze

popsat pomocí standardního Turingova stroje. Nicménû pro v˘poãty souãasn˘ch osob-

ních poãítaãÛ anebo velk˘ch distribuovan˘ch systémÛ se navrÏená architektura

nehodí. V˘poãty podobn˘ch systémÛ se li‰í od klasick˘ch ve tfiech smûrech: nikdy

nekonãí, prÛbûÏnû a nepfiedvídatelnû interagují se sv˘m okolím a v˘poãetní systém se

dynamicky a nepfiedvídatelnû vyvíjí. Wiedermann navrhuje roz‰ífiení shora uvedené

teze tak, aby pokr˘vala i právû zmínûné tzv. neuniformní interaktivní v˘poãty.

Roz‰ífiená teze tvrdí, Ïe kaÏd˘ v˘poãet uvedeného druhu lze zachytit pomoci interak-

tivního Turingova stroje se speciálním typem orákula, které nezávisí na daném vstupu,

ale pouze na jeho délce. Pfiíklady, které roz‰ífiená teze pokr˘vá, sahají od (formálních)

modelÛ osobních poãítaãÛ pfies Internet aÏ po komunity inteligentních mobilních

agentÛ podléhající neuniformní evoluci. V˘sledné v˘poãetní systémy mají super-

turingovskou v˘poãetní sílu (Wiedermann, 2001). PouÏívané metody roz‰ífiení základ-

ního principu korespondují s tûmi, které byly zmínûné v kapitole o formální a men-

tální logice. Je nutné pfiidat dal‰í mechanismy a vytvofiit sloÏitûj‰í architekturu, která by

dokázala zpracovávat i komplexní a dynamické úlohy.

Podívejme se, jaké argumenty pouÏívají odpÛrci komputaãní teorie, vyjádfiené pomocí

Turingova stroje. Velmi ãasto je citována námitka Lady Lovelace, která tvrdila, Ïe

pfiístroje (poãítaãe) vÏdy odpovídají stejn˘m zpÛsobem na stejné vstupy (Hogan,

1998). Lady Lovelace tedy tvrdí, Ïe stroj nemá schopnosti cokoliv vymyslet. MÛÏe

pouze informace zpracovávat. Je nutné pfiipomenout, Ïe Lady Lovelace Ïila ve stejném

období jako Charles Babbage a její vyjádfiení se vztahuje spí‰e k obecné komputaãní

teorii, neÏ k samotnému Turingovu stroji (kter˘ je‰tû nebyl v její dobû navrÏen).

Námitka smûfiuje k monotonii v˘poãetních systému a také k otázce, zdali mÛÏeme

automatick˘ proces naz˘vat inteligentním.

Ponûkud souãasnûj‰í námitka hovofií o rozdílech mezi diskrétním zpracováním oproti

spojitosti v nervovém systému. Jakákoliv drobná chyba ãi odchylka v práci nervového

systému, zpÛsobí sled události, kter˘ nelze pfiedpokládat, ãi nasimulovat pomocí sys-

tému pouÏívajícího diskrétní stavy. V kaÏdém ãlovûku je omezen˘ poãet pravidel,

které mohou pÛsobit na jeho chování. Ale taková pravidla skuteãnû neexistují, takÏe

ãlovûk nemÛÏe b˘t stroj (Hofstadter, 1999). âásteãnou odpovûdí na HofstadterÛv kat-

egorick˘ postoj je Wiedermannem navrhované roz‰ífiení Turingova stroje o kompo-

nenty schopné zpracovávat komplexní dynamickou úlohu. Námitka ale útoãí i na

samotné základy komputaãní teorie s opodstatnûním, Ïe diskrétní forma informace ãi

jejího zpracovávání není sto plnû nahradit formu analogovou.

CoÏ nás smûruje k dal‰í problematické partii, která se t˘ká napfiíklad oblasti fuzzy

mnoÏin. BohuÏel v této práci není dostatek místa, pro podrobnûj‰í pohled na danou

oblast. Pouze pro doplÀující informaci na závûr uvádím nûkolik postfiehÛ cizícch

autorÛ, t˘kajících se rozdílÛ mezi analogov˘m a digitálním. CoÏ je tématika, jejíÏ

odpovûdi jsou pfiedpokladem pro otázky ohlednû „kvantifikovatelnosti (reprezentace)

svûta".

Analogové mûfiení je prÛmûrování prÛbûÏné kvantity (Luger, 1994).

Analogov˘ x Digitální – reálné ãíslo x celé ãíslo – kupování mléka x kupování vajec

Diskrétní forma je rozpojitá, kvalifikovatelná, operacionalizovatelná, neobsahuje kon-

tinuum a tím problematiku nekoneãnû mal˘ch veliãin. Kontinuum lze rozdûlit na

diskrétní informace, ale ztratíme pfiitom kvalitu informace a také nûkteré její hodnoty.

Pokud ale chceme diskrétní informace propojit v kontinuum, musíme extrapolovat

(Sedláková, 2004).

3.2.4 Finite state automaty

Speciálním pfiípadem Turingova stroje jsou koneãné automaty (finite state automata).

Pfiesnûji se jedná o automaty s koneãn˘m poãtem stavÛ. Zastupují jednoduchou formu

v˘poãetního zafiízení, jejichÏ v˘chozím principem je právû TuringÛv stroj. Oproti nûmu

se jedná u tûchto automatÛ o konkrétní systémy, které se pouÏívají v praxi, ale bylo

nutné provést nûkterá zjednodu‰ení. PoÏadavek na nekoneãnou pásku je v praxi

neuskuteãniteln˘. A proto pouÏívají koneãné automaty buì omezenû dlouhou pásku

nebo Ïádnou (v tom pfiípadû jsou vstupy reprezentovány jinou formou). Interní pamûÈ

je tvofiena tabulkou stavÛ (jako u Turingova stroje), která je podle názvu automatÛ

koneãná a reprezentuje sled úkonÛ (algoritmÛ), které mÛÏe stroj plnit (z pohledu poãí-

taãe se jedná o software). Interní pamûÈ tvofií tedy pouze software a neumoÏÀuje

uloÏení informací o reprezentacích ãi meziv˘poãtech vstupních dat. Základní definice

koneãn˘ch automatÛ se dá shrnout do tûchto bodÛ:

1. Poãet stavÛ automatu je diskrétní a pfiesnû rozli‰iteln˘.

2. Poãet stavÛ je koneãn˘.

3. Vstupy a v˘stupy probíhají v libovolném z tûchto stavÛ.

4. Neustále probíhá pfiechod mezi jednotliv˘mi stavy

5. Systémy nemají Ïádnou externí pamûÈ. Ve‰kerá interní pamûÈ jsou pouze stavy a

jejich posloupnosti. To, jak stavy budou pfiecházet, je ãásteãnû dáno jejich obsahy, ale

také informacemi které do tohoto systému vstupují

(Hogan, 1998).

Dobrou demonstrací jednoduch˘ch koneãn˘ch automatÛ je turniket u vchodu

do metra, kter˘ se dá projít po vhození mince. Obrázek znázorÀuje formalizaci

zafiízení, obsahující funkãní diagram a také tabulku stavÛ.

Obr. 9 Finite state automata – pfiíklad turniketu v metru

Roz‰ífiením moÏností koneãn˘ch automatÛ mÛÏeme pfiejít od deterministick˘ch k

nedeterministick˘m KA. U deterministick˘ch je v tabulce stavÛ pfiifiazen pouze jedin˘

pfiechod na následn˘ stav pfii urãitém vstupu. U nedeterministick˘ch automatÛ obsahu-

je tabulka stavÛ více neÏ jednu moÏnost pfiechodu k následnému stavu.

3.3 Aplikace

3.3.1 Symbolické systémy

Symbolick˘ funkcionalismus, proud zvan˘ téÏ jako „stará-dobrá-umûlá-inteligence"

(GOFAI), je zaloÏen na dvou základních hypotézách – funkcionalistické hypotéze a

hypotéze fyzického symbolického systému . Funkcionální hypotéza tvrdí, Ïe:

Inteligentní chování daného systému je dosaÏeno interakcí mezi jednotliv˘mi kompo-

nenty, které disponují odli‰nou funkcionalitou, coÏ je dosaÏeno tím, Ïe v rámci systé-

mu hrají odli‰nou roli (Pûchouãek, n.d.).

Skrze tuto ponûkud tautologickou definici se dostáváme dál ve vymezování a revizi

prostfiedkÛ pouÏívan˘ch pfii snahách o simulaci inteligentního systému. V pfiedchozích

kapitolách jsme rozebírali jak zastfie‰ující téma komputaãní teorie, tak architektury,

které dokáÏí vytvofiit podmínky pro komputaãní moÏnosti. V následujících kapitolách

se posuneme o kousek dál. Z oblasti „hardwarové" se pfiesouváme do oblasti „soft-

waru". Zmínûny budou nûkteré základní programy, které jsou implementovány do kla-

sick˘ch von neumannovsk˘ch architektur. Autofii se snaÏili o jejich nejefektivnûj‰í

vyuÏití pfii tvorbû „inteligentních algoritmÛ". První kapitola nastiÀuje oblast zpracování

symbolÛ matematické i nematematické povahy, a obtíÏnosti jejich zachycení ve vhod-

né podobû k následnému zpracování. Jedná se o fyzick˘ symbolick˘ systém zmínûn˘

na zaãátku kapitoly.

3.3.1.1 Fyzick˘ Symbolick˘ systém

Hypotéza fyzického symbolického systému tvrdí, Ïe:

„Fyzick˘ symbolick˘ systém je dostateãn˘m a nezbytn˘m prostfiedkem pro prezentaci

inteligentního chování”. Autory hypotézy a následné teorie jsou Allen Newell a Her-

bert Simon. Z v˘chozích principÛ, které autofii zastávali, se jedná spí‰e o empirick˘

neÏ teoretick˘ pfiístup ke zkoumání lidské inteligence. Inteligence je zde nazírána jako

manipulace se symboly, pfiiãemÏ systém fyzick˘ch symbolÛ je nutnou podmínkou pro

její realizaci. Slovo fyzick˘ je my‰leno ve smyslu nutnosti uloÏení symbolÛ do urãitého

fyzického média. To, jak˘m zpÛsobem je uloÏen je nepodstatné.

Mechanismus práce se symboly je následující. V˘poãetní proces pracuje s reprezen-

tacemi, které mají formu symbolick˘ch struktur. Symbolická reprezentace se fiídí podle

Simona a Newella zákony reprezentace. Pfiíkladem je zpÛsob umístûní objektu v pros-

toru a zachycení jejích vztahÛ. Pokud máme stÛl, na kterém leÏí objekt A a na nûm

leÏí objekt B, mÛÏeme to zachytit následující reprezentací:

Obr. 10 Zachycení zmûny pomocí symbolické reprezentace

(objekt A)(Objekt B)

(StÛl S)

(na B A) (na A S)

JestliÏe provedeme operaci pfiemístûní objektu B z objektu A na stÛl, vzniká nám nová

reprezentace

(objekt A)(objekt B)

(stÛl S)

(na A S) (na B S)

Jde tedy o vytvofiení interních reprezentací vÏdy korespondující s externím svûtem.

Tím Ïe je pouÏit k interní reprezentaci jazyk (symbolick˘ systém), vznikají urãitá

omezení plynoucí z jeho pouÏití. Jedná se o zachycení prostorov˘ch vztahÛ, které by

v pfiípadû sloÏitûj‰í situace vedlo k nutnosti pouÏít stále více operátorÛ. Nev˘hodou pfii

pfievodu je právû vyjádfiení prostorov˘ch vztahÛ jazykov˘m kódem místo obrazového.

Se vzrÛstající komplexitou (vût‰í poãet prvkÛ,vztahÛ a jejich promûn v ãase) vznikne

situace, kdy pro záznam mûnící se situace potfiebujeme takové mnoÏství popisujících

prvkÛ, Ïe se dan˘ symbolick˘ systém stane neefektivním a bude vyÏadovat znaãné

zatíÏení v˘poãetního aparátu. Pfies v‰echny námitky, se tento zpÛsob reprezentace stal

standardem v oblasti umûlé inteligence. Nejvût‰í moÏnosti jeho vyuÏití nabízejí pro-

dukãní systémy, které pracují se symboly uloÏen˘mi ve formû znalosti a jejichÏ prob-

lematiku zpracovali stejní autofii (viz následující kapitoly).

3.3.2 Simon-Newell

V této kapitole naãrtneme hlavní zpÛsoby pouÏívání v˘poãetních automatick˘ch pro-

gramÛ. Mezi prÛkopníky praktické aplikace v˘sledkÛ kognitivní psychologie a pokusÛ

o simulaci rozhodnû patfií zakladatelé tohoto odvûtví Herbert Simon a Alan Newell.

BlíÏe se seznámíme s v˘chozími principy, které tito autofii zastávali a také s jejich pro-

gramy tvofiící základy oblasti umûlé inteligence a strojového my‰lení. DÛleÏitou otázk-

ou se zde stává tvorba univerzálního algoritmu (ãi programu) schopného zpracovávat

úlohy z rÛzn˘ch oblastí (libovoln˘ typ úlohy). Vût‰ina zde zmínûn˘ch programÛ

implicitnû pfiedpokládá svou aplikaci v klasické von neumannovské architektufie,

o které víme, Ïe je zaloÏena na principech komputace.

Jedním z moÏn˘ch pfiístupÛ pfii vytváfiení inteligentních systému je metoda „top-down",

coÏ znamená, Ïe postup zpracování informace a tvorby chování je fiízen z vrchní

abstraktní úrovnû a poté je spodní konkrétní vrstvou vykonáván. Newell tuto koncepci

rozvrhl do tfií rovin. Vrchní úroveÀ se naz˘vá „znalostní" a obsahuje pfiehled znalostí a

cílÛ, které mÛÏe systém dosahovat. Prostfiední logická úroveÀ vytváfií posloupnost

operací vedoucích k fie‰ení a zpracovává je do algoritmické formy. Spodní úroveÀ

implementaãní poté pfiifiazuje jednotlivé operace konkrétním programÛm na jejich

vykonání (Pfeifer&Scheier, 2001). Setkáváme se s podobn˘m rozãlenûním, jaké zas-

tupují v obecné rovinû jednotlivé vrstvy komputaãní teorie.

Simon tvrdí, Ïe lidská mysl je v rovinû informaãního zpracování velmi jednoduch˘m

zafiízením, a její zmiÀovaná komplexita je zpÛsobena komplexitou prostfiedí. Pokud

chceme odhalit základní v˘poãetní procesy, které pouÏívá mysl, musíme studovat

zdánlivû jednoduché situace, které nám tyto procesy odhalují. Zde podle nûj leÏí zák-

ladní jádro v˘zkumu kognitivních psychologÛ. Na druhou stranu lze o daném pfiístupu

fiíci, Ïe badatelé v této oblasti vytvofiili obrovské mnoÏství paradigmat s pfiedpokladem

, Ïe se jim podafií izolovat ãisté pfiípady kognitivních akcí, a také uskuteãnili spoustu

laboratorních studií, o kter˘ch pfiedpokládali, Ïe budou fungovat i mimo laboratofi

(Sternberg, 1999). Za tûmito studiemi lze vidût potfiebu, nalézt ãi odvodit v˘chozí

„atomy" psychologie, jejichÏ kombinace mohou vést k tvorbû (a také dokonalému

pochopení) jevÛ komplexnûj‰ích.

Simon také kriticky pfiipomíná Ïe od Woodswortha k Andersonovi (autofii knih t˘ka-

jících se kognitivní psychologie) se událo jen málo zmûn v kapitolách vûnovan˘ch

my‰lení a uvaÏování. Jednou z pfiíãin mÛÏe b˘t malé propojení mezi problematikami

fie‰ení problému, uvaÏování a indukce (Pick, 1992).

V této oblasti Simon své v˘chozí principy abstrahoval spí‰e z pozorování prostfiedí neÏ

racionalistick˘m pfiístupem. Procesy my‰lení ãi rozhodování jsou fiízeny principy zisku,

minimálních nákladÛ, efektivity apod. Matematické a logické formule hovofií o pfies-

n˘ch hodnotách a o nutn˘ch podmínkách, kter˘ch je tfieba k dosaÏení závûru, zatím-

co ãlovûk je daleko více fiízen principem „dostateãnosti". Staãí nalézt dostateãné

mnoÏství faktÛ ãi argumentÛ k rozhodnutí.

V rozhodovacích postupech identifikoval hierarchickou strukturu. Jednotlivé akce

vedoucí k cíli, jsou ãlenûny na podúkoly, samostatnû vykonávané specializovan˘mi

centry na niωí úrovni. Pfiíkladem pro tuto analogii mu byla hierarchická organizace a

plánování ve velk˘ch podnicích. PfiestoÏe je tento postup plnû formalizovateln˘,

dospûl Simon k závûru, Ïe tradiãní matematika není dostaãující pro modelování

rozhodovacích procesÛ a zaãal hledat jin˘ zpÛsob reprezentace (Newell and Simon,

1972, s.124).

3.3.2.1 Logic Theorist

Autofii prvního z programÛ umûlé inteligence (Simon a Newell) se zamûfiili na

ovûfiování teorémÛ v elementární symbolické logice. Ovûfiování logick˘ch teorémÛ je

jednoduch˘ a posloupn˘ proces, kter˘ je podobn˘ odvozování geometrick˘ch

teorémÛ. Vycházíme z mnoÏiny premis nebo axiomÛ neredukovateln˘ch na niωí

úroveÀ. S axiomy mÛÏeme poté operovat podle pravidel inference abychom získali

tvrzení v podobû teorémÛ, které díky pfiesnû dan˘m pravidlÛm, jsou vÏdy pravdivé

v axiomaticky vázaném systému. Newell a Simon pouÏívali v procesu ovûfiování teoré-

mu „v˘rokového kalkulu", sloÏeného z propoziãních v˘rokÛ spojovan˘ch pomocí

operátorÛ „nebo" a „implikuje" do v˘razu, které jsou také propozicemi a je moÏné jim

pfiisoudit pravdivostní hodnotu. Na takov˘ch základech byl postaven jejich první pro-

gram Logic Theorist. Primárním cílem programu nebylo ovûfiovat teorémy, které jiÏ

logikové potvrdili. Autofii mûli cíl mnohem více psychologick˘. Chtûli se dozvûdût,

které druhy pravidel lidé pouÏívají, pokud hovofií o intuici a dal‰ích principech, jeÏ

nejsou pfiímo pfiístupné zkoumání. V pfiípadû potvrzení vyuÏitelnosti pravidel

s pouÏitím rozsáhlého systému axiomÛ, by tak bylo moÏné vytváfiet programy, které

dokáÏou v˘konnostnû pfiedstihnout lidské schopnosti. Aãkoli bylo hlavním cílem pfii

tvorbû LT odhalení zákonitostí my‰lení, ve svém dÛsledku pfiinesl v˘sledky spí‰e

v oblasti generování ãi prohledávání rozsáhl˘ch stavov˘ch prostorÛ, ãehoÏ bylo

pozdûji vyuÏito v oblastech jako jsou ‰achové programy, fie‰ení problému apod.

Program pfii prohledávání stavov˘ch prostorÛ pouÏíval také heuristická pravidla,

umoÏÀující ohodnotit jednotlivé mezistupnû cílového stavu, ãímÏ jsou schopny

redukovat poãet variant ve stavovém prostoru, právû podle blízkosti k cíli. Simon

s Newellem pouÏili zpoãátku program LT k ovûfiování teorémÛ z knihy Russella a

Whiteheada Principia Matematica. Z 52 teorémÛ dokázal Logic Theorist ovûfiit 38.

Nutno podotknout, Ïe tento první program z oblasti UI dokázal ovûfiit jeden z teoré-

mu v knize Principia Matematica elegantnûji neÏ její autofii (Hogan, 1998).

3.3.2.2 General Problem Solver

V˘zkum a tvorba programÛ napodobujících lidskou inteligenci naráÏel v dobách,

o kter˘ch jsme hovofiili v minulé kapitole a o které budeme hovofiit i nyní na jeden

zásadní nedostatek. Technologie nebyla je‰tû na úrovni, umoÏÀující zab˘vat se obec-

nou inteligencí. V teoretické oblasti se objevují dostateãné podklady pro tvorbu

obecn˘ch v˘poãetních systému, ale jejich konstrukce (období relé a elektronek) byla

extrémnû nákladná a v˘poãetní rychlost stále zanedbatelná. V˘voj a v˘zkum v oblasti

aplikací se tedy vydal smûrem oddûlen˘ch projektÛ, soustfieìujíc se na jednotlivé

aspekty, konstituující celkovou inteligenci potaÏmo mysl . V˘zkumné projekty si

pfiestaly ãinit nárok na fie‰ení problematiky umûlé inteligence „jedním tahem".

Pfiesto byl dal‰ím poãinem dvojice program General Problem Solver, spu‰tûn˘ v roce

1957. GPS vycházel z pfiedpokladu, Ïe zpracování informace je spí‰e doménovû obec-

né neÏ doménovû (oborovû) specifické. (Sternberg, 1996) V rÛzn˘ch obmûnách a vari-

acích na nûm pracovali Simon a Newell po dobu 10 let. Kniha Human Problem Solv-

ing obsahuje 920 stránek podrobného záznamu celého projektu (Newell and Simon,

1972).

Jak jiÏ název napovídá, byl GPS urãen k tomu, aby dokázal fie‰it obecné problémy.

To je základní rozdíl oproti LT, kter˘ slouÏil pouze k ovûfiování logick˘ch teorémÛ.

Jejich teoretické pfiedpoklady vycházely z lidské schopnosti, fie‰it libovoln˘ problém.

V praxi se jednalo o vyuÏití heuristick˘ch principÛ a jejich zakódování do „jádra", které

by dokázalo zpracovávat úlohu nezávisle na jejím zadání. Rozdíl oproti LT je, Ïe

axiomy (tedy základní stavební kameny vyvozování) nahradíme znalostní bází,

obsahující sérii základních postupÛ (receptÛ) pfii fie‰ení problému. Pokud je systému

dána znalost o urãitém aspektu svûta, schopnost obecného usuzování mu umoÏní

vyfie‰it problém. PoÏadované informace byly systému dodávány formou „diferenãních

tabulek", specifikující rozdíl mezi danou situací a cílov˘m stavem. Pro zpracování tûch-

to tabulek se pouÏívá means-end anal˘za (anal˘za prostfiedkÛ a cílÛ). Na podobném

principu je zaloÏeno napfiíklad zpûtnovazebné inÏen˘rství Norberta Wienera.V základû

se dá zpÛsob práce GPS shrnout do následujících krokÛ:

1.Zjisti rozdíl mezi souãasnou pozicí a cílov˘m stavem.

2.Najdi operátor kter˘ typicky redukuje tento rozdíl.

3.Urãi , jestli mÛÏe b˘t operátor aplikován na danou situaci.

-pokud ano, pouÏij jej

-pokud ne, urãi situaci, za které mÛÏe b˘t operátor pouÏit.

(tvorba nového podúkolu)

4.VraÈ se na 1.

Díky pouÏití means-end anal˘zy, která je v souãasnosti standardní technikou UI,

získal GPS základní schopnost formulovat plány. Je mu to umoÏnûno právû díky tvor-

bû podúkolÛ (subgoal), umoÏÀující fietûzené pouÏití operátorÛ, které samy nedokáÏou

dosáhnout cílového stavu. Modifikací podmínek pomocí jin˘ch operátorÛ je dosaÏeno

v˘sledkÛ, jenÏ nejsou ovlivnûny pouze algoritmem programu, ale i vstupními daty. Ty

ovlivní zpÛsob práce a tvorbu posloupností (sekvence) operátorÛ (Hogan, 1998). Pro-

gram splÀuje podmínku obecnosti (general purpose), jelikoÏ jeho algoritmus je defi-

nován v takové rovinû obecnosti a znalostní báze takovou formou, Ïe je schopen fun-

govat nejen v oblasti logiky ale i pfii fie‰ení problémÛ, hraní her apod.

Systém pracuje s jedním typem heuristiky, tvofiící základní funkãní jednotku, pouÏí-

vanou iterativnû aÏ do vyfie‰ení problému. Oproti souboru axiomu u LT lze vidût

znalostní bázi jako krok kupfiedu, ale jelikoÏ je tato tabulka doplÀována a spravována

tvÛrcem ãi uÏivatelem, má systém jen omezené informace o fie‰ení úlohy (není

dostateãnû propojen se svûtem, ze kterého úloha pochází) a tak dokáÏe fie‰it pouze

úlohy, na které dostaãuje diferenãní tabulka.

Koncem 60-t˘ch let zaãalo b˘t jasné, Ïe GPS není schopen flexibilnû zachytit variabil-

itu lidského chování. Nejslab‰ím ãlánkem systému jsou zmínûné diferenãní tabulky.

ZpÛsob uloÏení znalosti do tûchto tabulek je zcela mechanick˘ a nemá moÏnost se

modifikovat, ãi pfiizpÛsobit mûnící se ãi jinak definované situaci. Vzniká problém

ve zpÛsobu uloÏení znalostní báze. GPS také na rozdíl od lidského uvaÏování

neprobíhá vÏdy jasn˘m smûrem. âlovûk není otrokem sv˘ch cílÛ, a bûhem fie‰ení

problémÛ mÛÏe pouÏít i nûkolik krokÛ „stranou", ãehoÏ není algoritmus GPS schopen.

Obecnost algoritmu a jeho volnost se v oãích kritiky jeví jako pfiíli‰ jednoduchá a

hraniãící s redukcionismem.

Pokus o vylep‰enou verzi GPS probûhl nahrazením diferenãních tabulek pomocí pro-

dukãních pravidel (znalost je uloÏena v logické operaci IF-THEN – zachycení vztahu,

souvislosti). Opût se ale objevuje otázka, zdali jsou produkãní pravidla dostateãná pro

reprezentaci znalostí takov˘m zpÛsobem, aby systém fungoval flexibilnû. PfiestoÏe

byly vytvofieny obfií projekty, zamûfiené na tvorbu a shromaÏdování velkého mnoÏství

produkãních pravidel (napfiíklad Large Production System Project, Instructable Pro-

duction System ãi v˘‰e zmínûná encyklopedie common sense CYC), zpÛsob uloÏení

ani vylep‰ená verze algoritmÛ se nebyly schopny pfiiblíÏit lidské schopnosti fie‰ení

problému, kter˘ je souãástí obecné inteligence (Hogan, 1998).

Posledním pfiíkladem je SOAR, systém zaloÏen˘ na architektufie produkãních systému.

Jeho tvÛrci jsou Newell, Laird a Rosenbloom. Opût je pouÏit princip zpracování sym-

bolÛ, pfiiãemÏ vyuÏití rÛzn˘ch typÛ symbolÛ mu umoÏÀuje zpracovávat ‰irokou ‰kálu

úloh (krok smûrem k univerzálnosti). Z hlediska pouÏit˘ch algoritmÛ v sobû integru-

je dva základní principy pouÏívané v oblasti UI. První z nich je heuristick˘ princip

vyuÏívající metodu means-ends anal˘zy, zaloÏené na redukci rozdílu mezi souãasn˘m

a cílov˘m stavem. Druh˘ princip je více specifiãtûj‰í. Jedná se v˘konnou heuristiku

zaloÏenou na principu zpûtné vazby. SOAR je velmi podobn˘ pfiedchozímu systému

GPS (kterému byl pozdûji pfiisouzen statut expertního systému zaloÏeného na

znalostech). Mnoho kritikÛ proto hodnotilo SOAR pouze jako expertní systém.

dodávají, Ïe hovofiit o nûm jako o systému simulujícím obecnou inteligenci, je

zavádûjící (Sternberg, 1999).

3.3.3 Expertní systémy

Na konci pfiedchozí kapitoly je zmínûno, Ïe poslední z fiady programÛ simulujících

obecnou inteligenci SOAR byl spí‰e povaÏován za expertní systém neÏ obecn˘. Je aÏ

kuriózní, Ïe právû pokusy o tvorbu univerzálního systému pro fie‰ení problémÛ ve

svém dÛsledku vedly ke konstituci opaãné oblasti. Expertní systémy (také naz˘vané

produkãní systémy) jsou v souãasné dobû vyuÏívány k naprosto specifick˘m ãinnos-

tem v rozliãn˘ch oblastech lidské ãinnosti. AÈ se jedná o diagnostiku v lékafiství

(MYCIN), hledání loÏisek drah˘ch kovÛ (PROSPECTOR) ãi organickou chemii

(DENDRAL), ve v‰ech oblastech nacházejí expertní systémy úrodnou pÛdu. Pfiedpok-

ladem úspû‰né aplikace jsou moÏnosti jejich znalostní báze a rychlost s jakou k ní

mÛÏe pfiistupovat, tvofiící spoleãnû v˘konné jádro pro práci v pfieddefinované oblasti.

Expertní systémy selhávaly díky tomu, Ïe nedokázaly dobfie identifikovat obecnou

úlohu. Staãilo vytvofiit pevn˘ rámec pole pÛsobnosti jejich ãinnosti, a schopnosti auto-

matického zpracování informací rázem pfiedãí moÏnosti ãlovûka v dan˘ch oblastech.

Existuje rozdíl mezi expertními systémy a koneãn˘mi automaty ãi programy?

Ano, zpracování informace není kontrolováno programem nebo procedurou jako

u klasick˘ch procedurálních programovacích jazycích, ale je provádûno pomocí pro-

dukãní pravidel (párÛ IF-THEN), které mohou b˘t pouÏity kdykoliv jsou jejich pod-

mínky uspokojeny. TakÏe zpracování úlohy se mûní bûhem zpracování v dÛsledku

dynamicky se mûnícího obsahu pracovní pamûti, která ovlivÀuje produkci (Harnad,

1990). MÛÏeme nalézt i podobnosti plynoucí z pouÏité architektury. Stejnû jako

u koneãn˘ch automatÛ, mÛÏeme i zde identifikovat deterministické a nedetermini-

stické typy expertních systémÛ. JestliÏe je v jednom okamÏiku moÏno pouÏít více

moÏností aplikace pravidel, naz˘váme systémy nedeterministické. V pfiípadû, Ïe

posloupnost pravidel nenabízí moÏnost alternativy, tedy Ïe máme k dispozici vÏdy

pouze jediné pravidlo v daném stavu, hovofiíme o deterministickém systému. Testu-

jeme-li determinismus v expertním systému, snaÏíme se aplikovat znalostní bázi

na konkrétní v˘chozí a cílov˘ stav. Pokud bude algoritmus deterministick˘, nemÛÏeme

tento závûr aplikovat na celou znalostní bázi, ale pouze na tento konkrétní pfiíklad

(Konar, 1999).

Pfiíkladem hybridního expertního systému, zaloÏeného na pouÏití dvou architektur je

systém 3CAPS. Obsahuje soubor produkãních pravidel (procedurálních znalostí),

umoÏÀující manipulace se symboly, které se nacházejí v pracovní pamûti. Jeho

odli‰nost od klasického produkãního systému spoãívá ve vyuÏití mechanismÛ para-

lelních poãítaãÛ a dá se shrnout do 3 bodÛ. Zaprvé, kaÏdá reprezentace má svou akti-

vaãní úroveÀ, která vyjadfiuje dostupnost reprezentace pracovní pamûti. Aktivaãní

úroveÀ musí dosáhnout urãitého prahu (stejnû jako v neuronov˘ch sítích váha propo-

jení), aby bylo produkãní pravidlo opravdu pfiístupné v pracovní pamûti a mohlo b˘t

pouÏito. Za druhé je zpracovávání postupné. Pokud je produkãní pravidlo pouÏíváno

ãastûji s urãit˘m elementem, zvy‰uje se aktivaãní úroveÀ daného elementu ale také

v˘stupu, kter˘ vniká propojením pouÏitého pravidla a elementu. Za tfietí je to vyuÏití

paralelního zpracování, tedy Ïe mÛÏe b˘t pouÏíváno více pravidel v jednom

okamÏiku, pokud jsou splnûny podmínky pro jejich pouÏití. Architektura je ukázkou

propojení komputaãního (symbolického) a konekcionistického pfiístupu. Symbolick˘

systém pracuje v horní vrstvû zpracovávání (abstraktní úroveÀ), zatímco konekcioni-

stické sítû zaji‰Èují funkci v základní rovinû (Sternberg, 1999).

Obr. 11 Komponenty expertního systému

Mezi základní obecné vlastnosti produkãních systémÛ patfií citlivost a stabilita. Systémy

s dobrou citlivostí dokáÏí reagovat odli‰n˘mi inferencemi i kdyÏ jsou rozdíly ve vstup-

ních datech malé (kategorizace). Stabilita pak hovofií o schopnosti provést inferenci

pro libovolná relevantní vstupní data (komplexita). Dobré v˘sledky zaji‰Èuje neroz-

pornost inferenãního mechanismu spoleãnû s dostateãnou velikostí znalostní báze

(Konar, 1999).

Expertní systémy (produkãní systémy) mohou b˘t pfiirovnány k technikám z oblasti

fie‰ením problému (problem solving), zaloÏené na hledání cíle pomocí stavového

pole. Pojmem stavové pole je my‰lena grafická forma reprezentací stavÛ systému tak,

Ïe jsou moÏné stavy kauzálnû rozmístûny v prostoru, coÏ zvy‰uje pfiehlednost

vyjádfiení. Objevují se i ve formû matematické formalizace , která jiÏ nenabízí v˘hody

pfiehlednosti. Nejpodobnûj‰í produkãním systémÛm je algoritmus hledání pomocí

uspofiádaného prohledávání (best-first search). Rozdíl je pouze ve vybírání násle-

dujícího stavu. Produkãní systémy pouÏívají strategii rozli‰ení konfliktu, algorit-

mus uspofiádaného prohledávání vybírá stavy, kter˘ mají nejmen‰í ãíselné

vyjádfiení hodnotící funkce. Ta se uvádí jako souãet hodnoty optimální cesty

od poãáteãního do daného stavu a hodnoty optimální cesty z daného do cílového

stavu (Konar, 1999, s. 184, zv˘raznil M.V.).

3.3.3.1 Problem Solving (¤e‰ení problémÛ)

V pfiedchozím odstavci jsou nûkteré pojmy vyti‰tûny tuãnû. Jedná se o odbornou ter-

minologii uÏívanou v oblasti fie‰ení problémÛ. DÛleÏité je v‰ak rozli‰it, z pozice

kterého vûdního oboru o fie‰ení problémÛ hovofiíme.

Poãátky dané problematiky bychom na‰li v experimentální psychologii, která se snaÏi-

la v rámci studia my‰lení pokr˘t i oblast fie‰ení problémÛ. Psychologie vymezuje rámec

dle typÛ problémÛ se kter˘m se setkáváme (problémy s mezerou, pfiíli‰ sloÏité prob-

lémy) dle zpÛsobu zadání apod. Obecné zpÛsoby fie‰ení jsou následnû pfiisuzovány

mechanismÛm, které jsou uznávané tím kter˘m psychologick˘m smûrem (restruktu-

race, vhledem). Pfiíkladem mÛÏe b˘t Sternbergovo dûlení faktorÛ, které zpÛsobují

sloÏitost fie‰ené úlohy (Sternberg, 2000):

1. poãet krokÛ (procesÛ)

2. poãet komponent

3. zátûÏ pamûti a pozornosti

4. zátûÏ adaptability ( exekutivy a metakognice).

ÚroveÀ obecnosti pfii studiu fie‰ení problému je v psychologii znaãná. Vût‰inou se

snaÏí vytvofiit univerzální model, pomocí kterého lze fie‰it problém aÈ je zadán libo-

volnû. Je pravdûpodobné, Ïe pfii takovém zpÛsobu pfiem˘‰lení mÛÏeme lehce sklouz-

nout k redukcionismu (stejnû jako pfii mífie zhu‰tûní v tomto odstavci, která pfiedpok-

ládá základní psychologické znalosti).

¤e‰ení problémÛ je ale také samostatnou pasáÏí v oblasti UI. Oproti psychologii se

ocitáme v jiné pozici. Pokud se psychologie snaÏila vypozorovat z chování a intro-

spekce principy, kter˘m ãlovûk fie‰í problémy, UI se snaÏí aplikovat tyto postupy

v oblasti napodobování. JestliÏe psychologie vytvofiila o zpÛsobu fie‰ení problémÛ

nûkolik teorií, UI se snaÏí vyjít z jednoho principu (prohledávání stavového pole) a

jeho neustál˘m vylep‰ováním a pfiidáváním mechanismÛ (coÏ jsou ona tuãnû vyti‰tûná

slova v pfiedchozí kapitole) z nûj udûlat obecnû pouÏiteln˘ princip.

JiÏ v pasáÏi o expertních systémech se objevuje pochybnost, zdali je zvolen˘ smûr

správn˘. Jeho volba je daleko více spojena s moÏností efektivní aplikace v konkrét-

ních oblastech (spojené s ekonomickou stránkou) a také dokonalé vyuÏití stávající

architekturou. Metoda prohledávání stavového pole se z poãáteãní fáze „brute-force",

tedy mechanického prohledávání v‰ech moÏností stavového pole, stává pfiidáváním

doplÀujících mechanismÛ stále sofistikovanûj‰í, pfiiãemÏ hranice jejich moÏnosti jsou

totoÏné s limitami pouÏité architektury a symbolického systému.

MoÏn˘m zpÛsobem pfii vylep‰ování metod prohledávání stavového prostoru, je

pfiidání takového mechanismu, kter˘ je znám˘ z oblasti biologie, a jehoÏ „rozhodovací

síla" a v˘konnost byla ovûfiena v prÛbûhu miliónÛ let . Hovofiíme o vyuÏití principÛ

genetiky a eugeniky v oblasti UI, hovofiíme o genetick˘ch algoritmech.

3.3.3.2 Genetické algoritmy

Genetick˘ algoritmus (GA) je stochastick˘ algoritmus slouÏící k napodobování procesÛ

biologické evoluce. Vychází ze základních Darwinovsk˘ch principÛ s vyuÏitím pravid-

la „pfieÏití nejlep‰ího" (cílov˘ stav je ztotoÏniteln˘ s pojmem „nejlep‰í"-fitness). GA jsou

nejãastûji pouÏívány v oblasti inteligentního prohledávání, strojového uãení a problé-

mu optimalizace. Informace o stavech systému jsou zachycovány jako binární fietûzce,

které pak tvofií jednotlivé „chromozomy". Operace, které jsou na nich následnû

aplikovány, se dají pfiirovnat k biologick˘m termínÛm kfiíÏení a mutace. Právû kfiíÏení

a mutace mohou zajistit úpravu poãáteãního stavu do podoby, která v sobû obsahuje

nové prvky, tzn. Ïe je restrukturována. Jádrem je pak mechanismus, kter˘ kaÏdou

novou generaci (tedy pozmûnûnou verzí problému) porovnává s cílov˘m optimálním

stavem. Míra shody s cílov˘m stavem je právû míra jeho fitness. Nejãastûji pouÏíváme

náhodnou zmûnu v kaÏdém kroku kontrolovanou s ideálem, aÏ dosáhneme ideálního

cílového stavu. Oproti klasickému náhodnému prohledávání stavového prostoru tedy

nepostupujeme systematicky (Konar, 1999). Pro lep‰í pfiedstavu uvádím diagram, kter˘

zachycuje posloupnost krokÛ GA.

Pokud ale neznáme cílov˘ stav, nelze odvodit míru fitness a základní schopnost algo-

ritmu je naru‰ena. Poté existuje moÏnost pouÏít (stejnû jako v pfiírodû) zpûtné vazby

prostfiedí, které umoÏní organismu rozpoznat, zda nová varieta jeho chování zaji‰Èuje

efektivitu a pfiiblíÏení se k fitness (Konar, 1999). V pfiípadû pouÏití GA pfiímo v reál-

ném prostfiedí (hypoteticky) vznikne problém ovûfiování nové variety v externím svûtû.

Musí dojít k expresi daného chování (v úrovni aktuální populace), coÏ vede k nevrat-

n˘m procesÛm. Pokud bylo nové chování ‰patné (nevedlo pfiiblíÏení se k fitness),

mÛÏe tento krok vést k zániku organismu. JelikoÏ systémy, ve kter˘ch jsou aplikovány

genetické algoritmy, nemají schopnost se rozmnoÏovat, znamená to v praxi po‰kození

ãi zánik systému po prvním pouÏití nevhodného algoritmu. Tím se nám ukazuje v˘ho-

da interní reprezentace prostfiedí v úlohách, kdy neznáme cílov˘ stav. MoÏnost

provádût jednotlivé postupy stavov˘m prostorem virtuálnû zamezí potfiebû testovat

kaÏdé fie‰ení dané úlohy pfiímo v prostfiedí.

Obr. 12 Diagram funkce genetického algoritmu

V˘hodou genetick˘ch algoritmÛ je, Ïe v sobû obsahují mechanismus zapomínání jako

Hebbovské neuronové sítû (viz Hebbovské uãení), coÏ zajistí systému optimální

vyuÏití pamûti. V prÛbûhu procesÛ dochází k odstraÀování nev˘hodn˘ch variant

z pamûti a systém uchovává jen relevantní a jemu blízká fie‰ení, jejichÏ kombinací se

snaÏí dojít k nejlep‰ímu fie‰ení (Konar, 1999).

3.3.4 SHRDLU

To co charakterizuje období 70-t˘ch let a co nabízí pokrok v oblasti obecné inteligence

je koncepce mikrosvûta (minisvûta). Vychází z akceptace teze, Ïe komplexnost

prostfiedí a pohybu jedince v nûm není v oblasti napodobování nepfiekonatelnou

pfiekáÏkou. Mikrosvût je zde brán jako doména, která mÛÏe b˘t zkoumána izolovanû.

Koncepce implikuje, Ïe pfiestoÏe kaÏdá oblast diskurzu se zdá b˘t otevfiená pro zbytek

lidsk˘ch aktivit, její nekoneãné vûtvení je jen zdánlivé a zaãne brzy konvergovat

k uzavfiené mnoÏinû faktÛ a vztahÛ. Je moÏné provádût mnoho aktivit ve svûtû a je

mnoho zpÛsobÛ odezvy prostfiedí, ale celkov˘ v˘ãet je koneãn˘, tvofií kategorie a je

moÏné jej povaÏovat za uzavfien˘ systém. Lépe fieãeno je moÏné koncipovat „svût",

kter˘ obsahuje nejen simulaci jedince, ale i simulaci okolního prostfiedí a obû ãásti

dohromady tvofií uzavfien˘ systém mikrosvûta.

Mezi klasické zástupce tohoto pfiístupu patfií program SHRDLU. Jeho autor, Terry

Winograd, popisuje svou práci termíny, které lze nalézt ve fyzice. „Zajímáme se o tvor-

bu formalismu nebo „reprezentaci", kterou se snaÏíme popsat …znalost. Hledáme

„atomy" a „ãástice" ze kter˘ch je postavena a „síly", které na ni pÛsobí" (Winograd,

1976, s.118). Pravdou je, Ïe fyzikální teorie mohou b˘t zaloÏeny na studiu relativnû

jednoduch˘ch a izolovan˘ch systémÛ a poté z tûchto principÛ tvofiit stále komplexnûj‰í

modely a integrovat do nich dal‰í domény ãi fenomény. To je moÏné díky tomu, Ïe je

jich moÏno dosáhnout aplikací zákonÛ a vztahÛ na soubor základních elementÛ, které

Papert a Minsky naz˘vali „strukturální primitiva".

DÛleÏité je zmínit, jak vlastnû program SHRDLU funguje. Jedná se o vytvofiení svûta

blokÛ a geometrick˘ch primitiv, které jsou pouze virtuálnû simulované strojem a

prezentované napfiíklad grafickou formou na monitoru. Tím je koncipován mikrosvût.

V nûm existuje inteligentní systém (souãást programu), schopn˘ primitivy manipulo-

vat a mající „znalost" o jejich poloze. UÏivatel se mÛÏe pomocí komunikace v angliãt-

inû bavit se systémem o poloze pfiedmûtu, poãtu objektÛ apod. Systém „chápe" svÛj

mikrosvût (je jeho souãástí) a tak s ním dokáÏe inteligentnû interagovat.

Obr. 13 Grafické znázornûní mikrosvûta SHRDLU

JestliÏe se nám podafií vytvofiit inteligentní systém v této rovinû, mÛÏeme pfienést

v˘sledky a poznatky do reálného svûta?

Winogradovy pfiedpoklady, vycházejí z pfiístupÛ zkoumání neÏivé pfiírody. Pomocí

SHRDLU chtûl ukázat, Ïe jeho program bude schopen „roz‰ifiovat" koncept vlastnûní i

pfiesto, Ïe základ programÛ spoãívá v mikro-teorii vlastnûní, která je zaloÏena právû

na koncepci mikrosvûta.

Pokud ale na systém nebudeme nazírat jako na uzavfien˘ systém, kter˘ obsahuje jak

reprezentace svûta, tak jeho prezentace, zaãnou se objevovat nesrovnalosti. Simon ve

své anal˘ze dospívá k závûru, Ïe SHRDLU nerozumí a nechápe pojem vlastnûní,

jelikoÏ nepracuje s v˘znamy. Dále pokraãuje: „SHRDLU systém pracuje s problémy ve

svûtû samostatn˘ch blokÛ s fixní reprezentací. KdyÏ dostane instrukci „vezmi velk˘

ãerven˘ blok", provede pouze asociaci termínu „vezmi" s pfiíslu‰nou procedurou, poté

identifikuje pomocí testÛ, co je asociováno pod „velk˘", „ãerven˘" a „blok", z ãehoÏ

odvodí argumenty pro danou proceduru a provede fie‰ení metodou fie‰ení problémÛ

(Haugeland, 1997,s.151). Winograd se vyh˘bá problematice transdukce a následné

reprezentace tím, Ïe systém mÛÏe kdykoliv pouÏít prezentaci prostfiedí, jeÏ vytváfií,

jako reprezentaci prostfiedí, kterou jako inteligentní systém zpracovává. Odpadají nám

ve‰keré problémy a otázky t˘kající se vnímaní, jelikoÏ jej nepotfiebujeme. V reálném

svûtû ale bez vnímání nedokáÏeme postulovat inteligentní systém.

Winogradovi odpÛrci tvrdí, Ïe mnoÏina propojen˘ch faktÛ mÛÏe tvofiit universum,

doménu, skupinu atp., ale nemÛÏe konstituovat svût. Svût je organizovaná masa objek-

tÛ, dÛvodÛ, schopností a dovedností ve smyslu, kter˘m jim lidské aktivity pfiifiazují v˘z-

nam. Mohli bychom pokraãovat, Ïe i v dûtském svûte jsou mezi ostatními vûcmi bloky,

ale neexistuje zde nûco jako blokov˘ svût. A proto není moÏné souhlasit s Winogra-

dem, Ïe pokud jeho program pracuje s „mal˘m zlomkem svûta", pracuje

s mikrosvûtem. ProtoÏe jím prezentované mikrosvûty nejsou svûty. Není moÏné je

kombinovat ãi roz‰ifiovat na svût na‰eho kaÏdodenního Ïivota. Neschopností

odpovûdût na otázku, co to svût vlastnû je, znamenalo pro UI pût let stagnace (Hauge-

land, 1997,s. 153). Kritika se snaÏí nalézt slabinu pfiímo v základech modelování, které

kromû zkoumaného jevu, vytvofií i jeho umûlé prostfiedí.

3.3.5 Hry jako model i nástroj

Hry jsou oblastí, kterou prÛkopníci v oblasti UI rádi pouÏívali pfii sv˘ch simulacích.

V˘hodou her je pfiesnû specifikovan˘ stavov˘ prostor, základní pravidla, jejichÏ plat-

nost je univerzální a omezen˘ poãet diskrétních stavÛ systému. Nehovofiíme zde obec-

nû o v‰ech hrách (jako napfiíklad fotbal, kter˘ nemá omezen˘ a definovan˘ poãet

stavÛ) ale o hrách, zaloÏen˘ch na pravidlech logiky a kombinatoriky. Vût‰ina tûchto

her se naz˘vá tvrdé systémy, coÏ vypl˘vá právû z pfiesného vymezení prostfiedí i

pravidel. Nejãastûj‰í formou takov˘ch her jsou ‰achy, dáma, go apod. Tyto hry také

patfií do kategorie her se sumou nula. CoÏ znamená, Ïe proti sobû stojí dvû strany

(hráãi) a kaÏd˘ tah jedno hráãe (diskrétní krok) znamená zmûnu v pomûru sil. Hráã

se sv˘mi tahy snaÏí získat profit odpovídající (rovnající se) ztrátû protihráãe. Souãet

zisku a ztrát je v kaÏdém tahu roven nule (equilibriu). V libovolné fázi hry je systém

tvofien˘ protihráãi v rovnováÏném stavu. CoÏ ale není hlavní v˘hodou, proã si tyto hry

oblíbili prÛkopnící Umûlé inteligence. Devízou je hlavnû v˘‰e zmínûn˘ tvrd˘ systém.

NemÛÏe se objevit stav, kter˘ by nebyl odvoditeln˘ ze základního nastavení a sady

pravidel. Prostor je také pfiesnû vymezen a diskrétní (plocha je dûlena na pole).

Poslední devizou je diskrétní rozdûlení ãasu na kroky, ve kter˘ch probíhají zmûny.

Takto definovan˘ systém se jeví jako naprosto ideální pro simulaci klasickou v˘poãet-

ní architekturou. Snad právû proto je oblast ‰achov˘ch a jím podobn˘ch programÛ

první oblastí simulace, kde poãítaã „pfiedehnal" ãlovûka ve schopnostech „b˘t

inteligentní". DÛvody jsou právû v˘‰e zmínûné vlastnosti „tvrd˘ch" her.

Simulace her v‰ak nabízí i jinou moÏnost uplatnûní na poli Umûlé inteligence.

Alternativním postupem je pouÏití pfievráceného principu souãasn˘ch poãítaãov˘ch

her. Nejprve v‰ak musíme zmínit neinvertovan˘ princip. Poãítaã má za úkol vytvofiit

trojrozmûrn˘ svût, ve kterém se hráã pohybuje. Tento svût nemusí b˘t reáln˘, ale vût‰i-

nou obsahuje fyzikální zákony reálného svûta i jeho design je kopií základních geo-

metrick˘ch objektÛ. V urãitém typu hry (RPG), je úlohou hráãe zorientovat se v daném

prostfiedí a nacházet smysl, kter˘m toto prostfiedí funguje, nalézt své postavení v nûm,

a moÏné akce, vedoucí k lep‰ímu pochopení prostfiedí, popfiípadû k restrukturaci.

PoÏadavkem na uÏivatele je adaptace na prostfiedí. V˘hodou hráãe je, Ïe se jedná

o inteligentní bytost, která pouze aplikuje a modifikuje své zku‰enosti z reálného svûta

do svûta modelu. Zkusme se ale na hru podívat trochu jinak. MÛÏeme posunout poãí-

taã do role hráãe.Trojrozmûrné prostfiedí, které poãítaã konstruuje pro hráãe se dá

pouÏít jako interní reprezentace okolního hypotetického svûta pro poãítaã. Získáváme

tak reprezentaci v obrazové (ikonické) podobû, a pfiitom její zpracování, uchování a

manipulace je ve v˘poãetních schopnostech stroje, na kterém simulace bûÏí. V této

rovinû se je‰tû stále ocitáme ve komplexnûj‰í variantû Winogradova SHRDLU.

MÛÏeme se ale posunout o krok dále, a snaÏit se vytvofiit interní reprezentace reál-

ného nehypotetického prostfiedí. Z povahy informací (obrazov˘ kód) budeme mít

o nûco jednodu‰‰í pozici neÏ u klasického symbolického pfiístupu. Za souãinnosti

kamer a senzorÛ je moÏné získat materiál dostateãn˘ na to, aby poãítaã dokázal

vytvofiit trojrozmûrn˘ model prostfiedí ve kterém se pohybuje (urãitû s jistou mírou

degradace komplexity) a v reálném ãase umístit sebe do reprezentace prostfiedí. Nyní

máme k dispozici dvû reprezentace prostfiedí a také situovan˘ systém. Vylep‰ení je

ve schopnosti systémÛ paralelnû vytváfiet hypotetické mentální reprezentace (vnitfiní

systém) ve formû, kterou dokáÏe plnû „pochopit" a zpracování informace z prostfiedí

ze senzorÛ a kamer) slouÏící k upfiesnûní metrik a poloh pfiedmûtÛ v reálném

prostfiedí, pro potfieby práce vnitfiního systému. Laicky fieãeno, tento systém vychází

vstfiíc informacím z venku tím, Ïe je nejen zpracovává, ale je‰tû si z vlastních „pfied-

stav" vytvofií pfiibliÏn˘ model toho co je a bude vnímáno.

âímÏ se dostáváme za hranice smûru Umûlé inteligence, kter˘ s se naz˘vá Artificial

Life (A-Life). Zab˘vá se simulací agenta i prostfiedí na jedné platformû. Nejãastûji b˘vá

vyuÏíván k simulaci dynamick˘ch jevÛ (kooperace agentÛ ve virtuálním svûtû, evoluce

organismu apod.). BohuÏel si zachovává stejnou nev˘hodu jako i zmínûn˘ Wino-

gradÛv SHRDLU. Kromû zmínûného redukcionistického modelu svûta, je to nulová ref-

erence vytvofieného prostfiedí k reálnému svûtu. Nûkterá omezení t˘kající se umûlého

Ïivota (A-Life) byla zmínûna v kritice Winogradova programu SHRDLU.

VraÈme se tedy k pÛvodní my‰lence. Díky adekvátnímu modelu prostfiedí a poloze sys-

tému v nûm splníme poÏadavky, uplatÀované pfii konstrukci autonomních agentÛ,

situovanost a orientovanost. Otázkou zÛstává, jestli agent bude vyuÏívat pfii svém

pobytu v prostfiedí, poznatkÛ ze sv˘ch kamer a senzorÛ, nebo bude brát jako „reálné"

prostfiedí právû svÛj interní model tohoto prostfiedí. U ãlovûka je daná otázka námûtem

pro dlouholeté filosofické spory. Poãátky se dají vidût v platónské ideji jeskynû (otáz-

ka „Vnímáme svût nebo jeho obraz?"). AÈ je odpovûì na tuto otázku jakákoliv, pfiístu-

pem tvorby modelu okolí agenta v obrazové (ikonické) formû, získáváme mentální

reprezentaci(e) okolí, které v sobû obsahují metrické a topologické uspofiádání pros-

toru, kterého není jazyková (symbolická) reprezentace schopná. To nás posouvá

trochu dále v oblasti napodobování inteligence (pfiesnûji v jednom ze zpÛsobÛ, jak se

dá simulovat vnímání).

Dal‰í kroky budou obtíÏnûj‰í. Pokud se vrátíme k na‰í metafofie poãítaãe jako

hráãe, hrajícího hru zvanou svût, dostáváme se situace , ve které je na tom

lépe lidsk˘ hráã. Jde o orientace a prozkoumávání prostfiedí, identifikace pfied-

mûtÛ, , tvorba a zpÛsoby adaptace. Orientaci jsme vyfie‰ili modelováním

prostfiedí korespondující s reáln˘m prostfiedím pomocí souãinnosti dvou

nezávisl˘ch reprezentaãních systémÛ. Prozkoumávání prostfiedí souvisí z ãásti

s motivy, které poãítaã má (nûkteré základní musí b˘t zakódovány natvrdo,

stejnû jako u ãlovûka rozmnoÏování, pfiíjem potravy, orientaãnû pátrací reflex

a jiné). Pfiedpokládáme, Ïe budou následnû emergovat v cíle, jeÏ jsou kombi-

nacemi základních cílÛ a které jsou také determinovány zpûtnou vazbou

z prostfiedí, v na‰em pfiípadû zmûnami ve vnitfiním 3D modelu prostfiedí.

V takto fungujícím systému se znaãnû zjednodu‰uje identifikace pfiedmûtÛ

(proces rozpoznávání a kategorizace). Pokud poãítaã svou reprezentaci

neustále generuje

v reálném ãase, generuje v‰echny pfiedmûty v jeho okolí a ty jsou pfiesnû iden-

tifikovatelné. CoÏ platí pro prostory a pfiedmûty, které mají optimální velikost

pro jeho senzorick˘ systém (zde naráÏíme na omezení rozli‰ovacích schop-

ností vstupu z kamer a senzorÛ). JestliÏe se objeví objekty, které svou kom-

plexností pfievy‰ují jeho rozli‰ovací schopnosti, nastává problém z jejich

pfievodem na úroveÀ modelu.

Dal‰í oblastí, která nám nabízí zlep‰ení oproti symbolickému pfiístupu, je

problematika ukotvení v˘znamu. Pokud budeme vycházet z Harnadov˘ch

prací, splÀuje zmínûn˘ zpÛsob reprezentace podmínku pro ukotvení v˘znamu

(interní reprezentace musí obsahovat ikonickou formu). PoÏadavek na

ukotvení v˘znamÛ je ale splnûn pouze

v pfiípadû, Ïe budeme postulovat (v pfiípadû komputaãní architektury) speciál-

ní poãítaãov˘ modul (program) vûdomí, o kterém si povíme níÏe, a kter˘ by

dokázal pfiijímat v˘sledky modelování vnûj‰ího prostfiedí ve formû kom-

plexního obrazu. Tím, Ïe pouÏíváme k simulaci klasick˘ poãítaã se v‰emi

nev˘hodami jeho architektury, mÛÏeme dojít k tvrzení, Ïe model prostfiedí

není uloÏen v ikonické formû, ale pouze ve formû ãísel (symbolÛ), které urãu-

jí polohu a velikost jednotliv˘ch objektÛ v prostoru. ZpÛsob uloÏení v pamûti

je následnû symbolick˘ a ikonická podoba vzniká aÏ samotn˘m pfievodem dat

do podoby modelu. Druh˘m poÏadavkem Harnada na ukotvení je, kromû

ikonické, také kategoriální reprezentace. ZpÛsobÛ, které vedou

k pfiifiazování do kategorií je nûkolik. V na‰em pfiípadû se pro splnûní Har-

nadovy podmínky nejvíce hodí pfiístup, kter˘ je zaloÏen na tvorbû prototypu.

KaÏd˘ objekt modelu by musel obsahovat je‰tû svou referenci v podobû pro-

totypu, definující limitami sv˘ch vlastností a rozmûrÛ skupinu, do které dan˘

objekt modelu patfií. Pfii dostateãn˘ch v˘poãetních moÏnostech stroje je pod-

mínka splnitelná.

Poslední problematickou oblastí pfii metafofie poãítaãového hráãe je otázka vûdomí. Pfii

jejím objasÀování se dostáváme do oblasti, ve kterém jsou lidské vysvûtlovací principy

velmi obtíÏnû aplikovatelné. Pfii popisování zpÛsobu simulace zaloÏené na kon-

struování vnitfiní trojrozmûrné reprezentace je v pozadí obsaÏen pfiedpoklad homunkula.

Tedy, Ïe po konstrukci modelu prostfiedí a v‰ech aspektÛ pobytu v nûm, pfiedpok-

ládáme nûco, co se na celou vûc dívá a rozumí jí, aktivní komponentu, které je pfiís-

tupn˘ dostatek informací o interních procesech i reprezentaci. V na‰em pfiípadû lze

Homunkulus

V oblasti filosofie mysli patfií k jednomu ze stûÏejních témat Ryleho „Ghost in

machine". JestliÏe se snaÏíme vytvofiit umûl˘ inteligentní systém, setkáváme se

otázkami t˘kající se jeho aktivní, kontrolní komponenty. MoÏností je postulo-

vat „Ïivého" agenta v hlavû (homunkula), kter˘ ovládá kognitivní aparát a

supluje tak vûdomí. Z ãehoÏ vypl˘vá, Ïe inteligentní zámûrné a motivované

chování potfiebuje systém, kter˘ je Ïiv˘ a má pfiístup ke v‰em funkcím a ãástem

systému a mÛÏe je reorganizovat s urãit˘m stupnûm volnosti (Luger, 1994).

Problematika homunkula se objevuje i ve spojitosti s ukotvením symbolÛ. Dá

se fiíci, Ïe systém pouÏívající pro svou ãinnost neukotvené symboly, vÏdy bude

potfiebovat homunkula pro své vysvûtlení.

tento poÏadavek obejít pouze postulací programu vûdomí, samostatnû spu‰tûného

uvnitfi poãítaãe (ãi na jiném stroji, kter˘ je propojen se strojem simulujícím prostfiedí).

Jeho oblasti pÛsobení jsou pfiíli‰ komplexní na v˘ãet a pfiíli‰ spekulativní na pfiesnou

deskripci, takÏe zÛstává pouze v úrovni my‰leného. Jeho základní vlastnosti lze

shrnout jako schopnost, mít pfiístup k libovoln˘m procesÛm a obsahÛm, které vedou

právû ke konstrukci tohoto platónsky virtuálního svûta uvnitfi stroje.

44 KONEKCIONISMUS KONEKCIONISMUS 4.1 Neuronové sítû

V 80-t˘ch letech se zaãíná objevovat nová technika modelování, ãi pfiesnûji nová

architektura. Pro svou fundamentální odli‰nost od pfiedchozích zpÛsobÛ se tento pfiíst-

up stává paradigmatem v oblasti kognitivních vûd. Pfiístup se naz˘vá konekcionismus

a jeho aplikovanou oblastí jsou neuronové sítû, architektura principielnû odli‰ná od

pfiedchozích pfiístupÛ. Základ tvofií samostatné velmi jednoduché jednotky, jejichÏ

propojení konstituuje sítû. Nejvût‰í rozdíl oproti klasické von neumannovské architek-

tury spoãívá v paralelním zpÛsobu práce. Mnoho vûdcÛ z oblasti UI a kognitivních vûd

dan˘ pfiístup pfiivítalo, protoÏe umoÏÀuje alternativnû fie‰it problémy, jeÏ se u pfied-

chozího pfiístupu setkávaly s obtíÏemi. V˘chozí my‰lenkou je postulace základní jed-

notky, funkãnû podobné lidskému neuronu.

Dvacet let pfiedtím (v roce 1958) publikoval Rosenblatt práci o perceptronu. JiÏ u nûj

bylo pouÏito architektury zaloÏené na modelu neuronu a váhov˘ch propojení (Rosen-

blatt, 1958). Základní my‰lenka perceptronu ale nebyla uvedena do praxe. ZpÛsobily

to pfiipomínky Minského a Paperta , ktefií matematicky dokázali (Minsky, 1969), Ïe

základní forma perceptronu není schopná simulovat nûkteré logické operátory (pfies-

nûji XOR, coÏ souvisí s problematikou lineární separovatelnosti).

Obr. 14 Funkce AND, OR, XOR a moÏnosti jejich lineární separovatelnosti

Publikování práce znamenalo pokles zájmu o konekcionismus, jako o perspektivní obor.

Na konci 80-t̆ ch let ale pfiichází období stagnace klasického symbolickém pfiístupu v oblasti mod-

elování, hledají se alternativní metody a konekcionismus proÏívá svou renesanci (Pfeifer&Scheier,

2001). DÛleÏit̆ m je i fakt, Ïe Minsk ̆opravil svá tvrzení o omezenosti neuronov˘ch sítí jako architek-

tury vhodné pro simulaci (funkce XOR je fie‰itelná neuronovou sítí za pouÏití více vrstev).

Obr. 15 MoÏnost linearní separovatelnosti pomocí a) jednoho neuronu b) dvouvrstvé

sítû c) vícevrstvé sítû

Bylo by zbyteãné uvádût zde popis funkce neuronu (jak Ïivého, tak umûlého), jelikoÏ

b˘vá v kaÏdé základní uãebnice psychologie. Ménû ãastá ale jiÏ b˘vá základní charak-

teristika neuronov˘ch sítí (Caudill&Buttler, 2000).

1. Jsou tvofieny poãtem jednoduch˘ch procesních jednotek, komunikujících pfies

mnoÏinu propojení, které mají rÛznou váhu a sílu.

2. PamûÈ je reprezentována jako vzorec hodnot vah, mající propojení mezí jed

notliv˘mi prvky. Informace je zpracovávána jako ‰ífiení se mûnících se vzorcÛ

aktivity mezi prvky.

3. Sítû jsou spí‰e uãeny a trénovány neÏ programovány.

4. Místo oddûlené pamûti, procesoru a externímu programu, kter˘ fiídí operace

systému jako u digitálního poãítaãe, operace neuronov˘ch sítí jsou implicitnû

kontrolovány tfiemi vlastnostmi: kombinaãní funkcí neuronu, zpÛsobem propojení

a uãícím pravidlem

5. Neuronové sítû jsou pfiirozené asociaãní pamûti

6. Neuronové sítû jsou schopny generalizace; mohou se nauãit charakteristiky

becné kategorie

7. Jsou odolné proti chybám. Díky paralelní distribuované formû uloÏení pamûtí

„degradují s grácií"

8. Neuronové sítû mají schopnost sebeorganizace. DokáÏí reagovat na vstupy

z prostfiedí zmûnou své funkãní dynamiky

9. Neuronové sítû jsou schopné emergence nov˘ch vlastností ãi chování.

To co v˘zkumníky nejvíce lákalo na neuronov˘ch sítích byly jejich dvû základní vlast-

nosti. Za prvé, Ïe jsou sítû schopné se uãit a za druhé, Ïe mají schopnost emergence.

Emergence v tom smyslu, Ïe systém vykazuje v˘stupy, které nebyly pfiedpro-

gramovány. Chování je v˘sledkem interakce jednotliv˘ch komponent systému

(Pfeifer&Scheier, 2001).Hlavním dÛvodem pro vznik emergentního chování je redun-

dance v propojení. Klasická sériová architektura obsahuje pouze propojení, která jsou

nutná mezi jednotliv˘mi jednotkami. I proces zpracování informace v takovém systé-

mu je pevnû zakotven designérem systému . Naopak neuronové sítû jsou typ architek-

tury, která je hned v poãátcích pfiipravená na více zpÛsobÛ implementace úlohy.

Pokud je jeden neuron propojen se v‰emi neurony vedlej‰í vrstvy a pro uãení jsou

pouÏívány jen nûkterá propojení pro funkci systému, v klasické von neumannovské

architektufie by to vedlo k odstranûní tûch spojení, která nejsou pouÏívaná. Vznikl by

systém, kter˘ není pouÏiteln˘ obecnû, ale pouze specificky (ne z hlediska zpracování

úlohy, ale architektury) . Rozdíl ve zpÛsobu propojení komponent je, Ïe pokud se

objeví nov˘ stimul, kter˘ má neuronová síÈ zpracovat, mohou b˘t pouÏívány spojení,

které byly v pfiedchozím pfiípadû nevyuÏita. CoÏ nás vede k závûru, Ïe redundance je

nutnou podmínkou emergence (více v samostatné pasáÏi o emergenci).

4.1.1 ZpÛsoby uãení

Jak bylo zmínûno v˘‰e, jsou neuronové sítû velmi dobfie pouÏitelnou architekturou pro

modelování ãi simulaci rÛzn˘ch typÛ uãení. Automatické neuronové sítû (ANN) pod-

porují oba typy uãení (kontrolované i nekontrolované). Kontrolované (supervised)

typy uãení se pouÏívají pfii aplikaci v oblastech kontroly, automatizace, robotiky a

poãítaãového vidûní. Nekontrolované (unsupervised) uãení se pouÏívá pfii plánování,

osvojování si zku‰eností (akvizice) a pfii pfievodu analogového do digitálního kódu. Je

samozfiejmé, Ïe tyto oblasti jsou zamûnitelné, protoÏe se nejedná o komplementární

kategorie, ale o zdokonalování principu kontrolovaného uãení pouÏitím poznatkÛ a

strategií z oblasti nekontrolovaného. Klíãov˘ rozdíl je právû v pfiítomnosti interpretá-

tora dat (ãlovûka) u prvního typu a jeho absenci u druhé formy (Konar, 1999). V ãeské

terminologii se pro supervised a unsupervised learning také objevuje varianta uãení

uãitelem a bez uãitele.

Pfii kontrolovaném (supervised) uãení musíme znát správn˘ v˘stup, abychom jej

pouÏili jako korekci. Cílem je najít odpovídající mapování pro skrytou vrstvu. Rozho-

dujícím ãinitelem je rozdíl mezi skuteãn˘m a poÏadovan˘m v˘stupem. Hodnoty

rozdílu slouÏí k upravení vah ve skryté vrstvû. Nejãastûji se pouÏívá metody back-

propagation (Pfeifer&Scheier, 2001).

Dobr˘ pfiíkladem pro kontrolované uãení je projekt NETTalk. Jedná se o neuronovou

síÈ spojenou s fieãov˘m syntetizérem, která je schopná pfievádût psan˘ anglick˘ text do

mluvené podoby. Práce sítû konãí pfiifiazením fonému, jehoÏ expresi jiÏ provádí

samostatn˘ hlasov˘ syntetizér. SíÈ se skládá ze tfií vrstev. Vstupní vrstva je navrÏena

velmi robustnû. V sedmi slotech na písmena je zpracováváno najednou sedm násled-

n˘ch znakÛ textu, kter˘ má b˘t pfieveden do fieãové podoby. V˘hodou tvorby tohoto

textového „okénka" je moÏnost paralelního zpracování bloku textu, jehoÏ prezentace

a zpracování v jeden okamÏik umoÏní zachycení vazeb mezi jednotliv˘mi variantami

v˘skytu znakÛ. Ty jsou dÛleÏit˘m vodítkem pro diskriminaci a následné pfiifiazení

správn˘ch fonému v závislosti na sedmiznakovém „minikontextu". KaÏd˘ slot (pro

jeden znak) má 29 neuronÛ, reprezentujících celou abecedu plus mezeru a znamén-

ka. Vstupní vrstva obsahuje 29x7 neuronÛ. Ve skryté vrstvû pak dochází díky robust-

nosti vstupní vrstvy ke kvalitnímu rozli‰ení dané posloupnosti znakÛ a poté ke kate-

gorizaci vedoucí k pfiifiazení fonémÛ ve v˘stupní vrstvû. Uãení je zde provádûno

backpropagation algoritmem.

Obr. 16 Struktura a funkce sítû NETTalk pfii zpracování anglického textu

Zde jsou nûkteré postfiehy autorÛ zachycující prÛbûh aktivace. Pfii uãení síÈ postupo-

vala podobnû jako probíhá fieãov˘ v˘voj u dítûte. Nejprve se nauãila rozli‰ovat

samohlásky od souhlásek a její fieã pfiipomínala dûtské Ïvatlání. Pfies fázi neumûlé a

nepfiesné v˘slovnosti mal˘ch dûtí se vypracovala aÏ na 95 procentní úspû‰nost

(Pfeifer&Scheier, 2001). V˘hodou sítû je, Ïe v sobû obsahuje moÏnost tvorby kontex-

tu v rámci jednoho slova (díky sedmi slotÛm na písmena) a také paralelní zpracování,

protoÏe kaÏd˘ ze slotÛ má k dispozici svou sadu znakÛ. Nev˘hodou zÛstává kon-

trolované uãení. SíÈ není autonomní a kontext nesouvisí se sémantick˘m v˘znamem

zpracovávan˘ch slov, ale slouÏí pouze pro správnou v˘slovnost.

Dal‰ím typem kontrolovaného uãení je uãení posilováním. Vychází z klasické psy-

chologické teorie o trestu a odmûnû.V praxi to znamená, Ïe systému, kter˘ se uãí, je

dána pouze zpûtná vazba o tom, zda provedl úlohu správnû (ano/ne). Díky tomu, Ïe

se jedná vÏdy pouze o uÏití jednoho typu (odmûna nebo trest), je pfiítomen pouze

jeden druh signálu. Tím, Ïe je v˘sledek oznaãen napfiíklad jako negativní (trest),

provede systém buì korekci svého algoritmu ãi vah sítû. ZáleÏí na nûm, jak˘m zpÛ-

sobem (v této fázi uãitel nezasahuje). Uãení posilováním leÏí spí‰e na pomezí mezi

kontrolovan˘m a nekontrolovan˘m uãením. PouÏívá se jak v oblasti neuronov˘ch sítí,

tak v oblasti strojového uãení (Pfeifer&Scheier, 2001).

V pfiírodû se nesetkáváme jen s pfiístupem, kdy je na‰e efektivnost ãi adaptabilita

urãována pouze okolím (spoleãností), ale i hodnocením a zmûnou nastavení,

u kterého je kritériem na‰e vlastní historie. Pokud se funkce sítû upravuje (adaptuje)

na základû vnitfiních hodnocení svého chování a nejen pouze externím kritériem, hov-

ofiíme o samoorganizaci (Mafiík, 1993). Neuronové sítû s takov˘mi moÏnostmi jsou

schopné nekontrolovaného uãení (uãení bez uãitele).

Obr. 17 Typy uãení neuronov˘ch sítí

4.1.2 PamûÈ neuronov˘ch sítí

Rozhodnout, zda neuron obsahuje nûjakou pamûÈ, záleÏí na zpÛsobu nazírání. Pokud

je hodnota potenciálu uvnitfi neuronu brána jako pamûÈová informace, neuron pamûÈ

obsahuje. Také je moÏno vidût v této hodnotû stav systému. Nejde uÏ o reprezentaci

(pamûÈ), ale spí‰e prezentaci a neuron Ïádnou pamûÈ neobsahuje. Bereme-li, Ïe je

neuron pouÏíván jako médium (napfiíklad uzel sémantické sítû), do kterého ukládáme

obraz prostfiedí, je mu pfiifiazen status pamûti (coÏ pfiedpokládá velmi nestandardní typ

neuronu). Nejãastûji hovofiíme o celé síti neuronÛ, ve které je pamûÈ obsaÏena v dis-

tribuované formû.

Bûhem posledního desetiletí vzrostl zájem o konekcionistické modely pamûti. Vychází

to jiÏ z moÏností základních prvkÛ. Propojíme-li totiÏ dva neurony obousmûrnû

(O=O), mÛÏou implementovat urãit˘ typ pamûti (Pfeifer&Scheier, 2001). V celkovém

kontextu neuronov˘ch sítích je jednotka pamûti reprezentována jako vzorec vzruchÛ

mezi velk˘m mnoÏstvím neurodÛ (neuronÛ). MnoÏina tûchto hodnot aktivity (vah) je

zobrazitelná jako vektor v multidimenzionálním prostoru, pfiiãemÏ poãet dimenzí

odpovídá poãtu hodnot. Interakce mezi jednotkami zpÛsobují ukládání pamûti.

Konekcionistické modely pamûti se dají rozãlenit do tfií základních skupin. První je

tvofiena vícevrstv˘mi dopfiedn˘mi sítûmi pro rekognici a kategorizaci. Druhou tvofií

autoasociativní sítû pro rekognici a rozpoznáváni vzorÛ a tfietí rekurentní heteroaso-

ciativní sítû pamûÈov˘ch sekvencí (Sternberg, 1999). To nás posouvá ke kapitole, která

uvádí obecné tfiídûní neuronov˘ch sítí s pfiihlédnutím k jejich pamûÈov˘m moÏnostem.

Tab. 2 Rozdíly neuronov˘ch sítí a biologick˘ch mozkÛ pfii simulaci

4.2 Typy neuronov˘ch sítí

Neuronové sítû b˘vají nejãastûji rozdûleny podle zpÛsobu svého propojení. JestliÏe

propojovací matice (viz níÏe) obsahuje hodnoty 0 v diagonále a nad ní, jedna se

o dopfiedné (feedforward) sítû, protoÏe obsahuje pouze dopfiedné propojení, tedy

propojení v jednom smûru neobsahující zpûtnovazebné smyãky. Sítû obsahující nûko-

lik vrstev propojen˘ch pouze dopfiednû se naz˘vají vícevrstvé dopfiedné sítû. Je-li

kaÏd˘ neuron v jedné vrstvû sítû propojen s kaÏd˘m neuronem následující vrstvy sítû

pouze jednosmûrnû, naz˘váme tuto síÈ plnû propojenou. Sítû, kde jsou v‰echny neu-

rony propojeny s ostatními obousmûrnû se naz˘vají Hopfieldovy sítû (Pfeifer&Scheier,

2001).

Obr. 18 Nûkteré základní typy neuronov˘ch sítí

4.2.1 Hopfieldovy sítû

Hopfieldova neuronová síÈ, navrÏená zaãátkem osmdesát˘ch let, je typick˘m pfiíkla-

dem autoasociativní sítû. Bûhem v˘voje J. Hopfield rozpracoval koncept energetické

funkce, která má zásadní v˘znam pro správnou funkci sítû a z ní jsou odvozena

pravidla pro uãení a vybavování. V souãasné dobû existuje nûkolik modifikací sítû.

MÛÏe b˘t pouÏita jako asociativní pamûÈ, klasifikátor (kategorizace) nebo k fie‰ení

optimalizaãních problémÛ.

Energetická funkce nám umoÏÀuje lépe pochopit chování Hopfieldovy sítû a speciál-

nû pak princip uãení a vybavování. Pro názornost si ji mÛÏeme pfiedstavit jako tro-

jrozmûrnou scénu, kde funkce pfiedstavuje krajinu s údolími a kopci. Údolí pak pfied-

stavují jiÏ nauãené vzory. Hopfieldovû síti pfii uãení pfiedkládáme pouze trénovací

vzor. Pfii vybavování neznámého vzoru, kter˘ chceme pomocí Hopfieldovy sítû iden-

tifikovat, jej budeme reprezentovat kuliãkou, pohybující se po pomyslné krajinû a

snaÏící se dostat na co nejníÏe poloÏené místo. MÛÏe se v‰ak dostat i do lokálního

minima, které také pfiedstavuje fie‰ení, av‰ak nikoliv fie‰ení optimální (kuliãka zÛstane

v údolí, které neodpovídá její velikosti). Z tohoto dÛvodu bude energetická funkce

(rozli‰ovací schopnost pro hledání minima) sítû ponûkud sloÏitûj‰í. Potfiebujeme totiÏ,

aby obsahovala v‰e, co popisuje její chování. Budeme chtít, aby její hodnota byla velká

pro velké chyby (kopce) a malá pro malé chyby (údolí). Problematika se také naz˘vá

annealing a b˘vá fie‰ena Boltzmannov˘m strojem.

Obr. 19 Energetická funkce

Asociativnost hopfieldovské pamûti je dána tím, Ïe vybavovan˘ vzor zadáváme jistou

jeho ãástí, do znaãné míry libovolnou. Vzor je vybavován podle ãásti svého „obsahu",

tj. prostorového umístûní, nikoliv odkazem na nûjakou jeho „adresu" (jako u pamûti

RAM). Jedná se o content adressable memory (CAM), coÏ je u neuronov˘ch sítí pouÏí-

van˘ch jako pamûÈov˘ systém bûÏné.

Pro rozsáhlej‰í (Hopfieldovy) sítû je v˘hodnûj‰í reprezentovat je pomocí matice. Jedná

se pouze o zpÛsob vyjádfiení v˘hodn˘ pro ãlovûka, jelikoÏ je pfiehlednûj‰í pro ãtení.

Fyzicky mohou b˘t neurony umístûny libovolnû v prostoru, pouze jejich propojení si

zachovávají pfii pfievodu do ortogonální soustavy horizontální a vertikální sefiazení.

Tento zpÛsob vyjádfiení se naz˘vá propojovací matice (Pfeifer&Scheier, 2001).

Obr. 20 Schéma Hopfieldovy sítû

Je-li Hopfieldova síÈ pouÏita jako asociativní pamûÈ, má dvû hlavní omezení. Prvním

je, Ïe poãet vzorÛ, které mÛÏeme síÈ nauãit, je pomûrnû nízk˘. JestliÏe nauãíme síÈ

pfiíli‰ mnoho vzorÛ, mÛÏe síÈ konvergovat k nûjakému zvlá‰tnímu obrazci, na kter˘

nebyla nauãena. SíÈ je potom pfieuãená.

Nev˘hodou Hopfieldovy sítû jsou také veliké nároky na pamûÈ. To mÛÏe zpÛsobit

chybu pfii identifikaci pfiedloÏeného vzoru. Dal‰í dÛleÏitou vlastností Hopfieldovy sítû,

obtíÏnû pojmenovatelné jako v˘hoda ãi nev˘hoda, je automatické rozpoznávání

inverzních vzorÛ k jiÏ nauãen˘m vzorÛm. Hopfieldovu síÈ tedy nemusíme inverzní

vzory uãit.

4.2.2 Kohonenovy sítû

JestliÏe tvofií Hopfieldovy sítû zpÛsob pamûÈového systému blízk˘ lidskému, roz‰ifiuje

KohonenÛv model schopnosti neuronov˘ch sítí je‰tû blíÏe smûrem k lidské inteligen-

ci. Jím navrÏená síÈ obsahuje schopnosti, které bychom v psychologii nazvali: exakt-

nûj‰í kategorizace, zapomínání, selektivita a díky mapovací vrstvû, informace o funkci

systému s moÏnosti jejich vyuÏití pfii kontrole ãi zpûtné vazbû.

âasto potfiebujeme pro správnou kategorizaci získat nûkolik jeho vlastností. Zji‰tûné

vlastnosti pro urãit˘ vzor nám vytváfiejí tzv. vektor vlastností. Dimenze neboli délka

vektoru je urãena poãtem mûfien˘ch vlastností N a odpovídá dimenzi prostoru, ve

kterém provádíme kategorizaci. To znamená vyuÏití v‰ech pfiedností neuronov˘ch sítí.

Pokud síÈ obsahuje mnoho vstupních neuronÛ, pfiiãemÏ kaÏd˘ je citliv˘ na urãitou

vlastnost (která ale musí b˘t pfievedena do ãíselné formy nejprve ãlovûkem), vzniká

v rozhodovací vrstvû mnoharozmûrn˘ vektor vah, jehoÏ hodnota slouÏí jako kriterium

kategorizace. Siln˘m nástrojem kategorizace jsou Kohonenovy sítû.

Základem Kohonenov˘ch sítí je plné propojení vstupní vrstvy s mapovací vrstvou.

Tato vrstva má laterální propojení se v‰emi neurony své vrstvy. Pro nebliωí neurony

jsou propojení posilující ), pro vzdálené inhibiãní pfii zachování topologie. V praxi to

znamená, Ïe jsou blízké body ve vstupním prostoru mapovány na blízké body ve v˘s-

tupním prostoru. JiÏ zmínûnou vlastností Kohonenov˘ch sítí je schopnost Heb-

bovského uãení. Díky tomu se sítû dají povaÏovat jako neurobiologicky plausibilní

(Pfeifer&Scheier, 2001).

Obr. 21 ZpÛsob propojení mapovací vrstvy u Kohonenov˘ch sítích

4.2.2.1 Hebbovské uãení

Základní pravidlo kanadského neurobiologa Donalda Hebba fiíká, Ïe pokud se

nachází neuron A v dostateãné blízkosti, aby excitoval neuron B a opakovanû pálí, tak

v obou neuronech nastanou metabolické procesy, které zv˘‰í pálení. A podporuje

pálení B, je-li dostateãnû blízko.

MoÏnosti biologick˘ch sítí se dají pfievést i do jejich umûl˘ch variant. Základní princip

Hebbovského uãení vychází ze zvy‰ování hodnot vah neuronÛ, které jsou spolu

propojeny a bûhem uãení jsou aktivovány spoleãnû. V neuronov˘ch sítích v‰ak jeho

pouÏití mÛÏe vést k rÛstu vah kooperujících neuronÛ nad limity. Proto je nutné

omezení na maximální délku spoleãného jednotkového vektoru (rÛst jednoho na úkor

druhého, pfiiãemÏ souãet vah nemÛÏe pfiekroãit fixní hodnotu). UÏívá se k tomu

metody „PouÏij nebo ztraÈ" a je nutná pfiítomnost excitaãní i inhibiãní váhy od –1 do

+1 (Caudill&Buttler, 2000,s. 147). Hebbovské uãení je moÏné roz‰ífiit o mechanismus

zapomínání, kdy se pfii absenci aktivace ãi koaktivace neuronÛ sniÏuje hodnota jejich

vah aÏ k „úplnému zapomnûní".

Koukolík uvádí sloÏitûj‰í variantu Hebbovského uãení, kdy neurony mají schopnost se

koaktivovat podle vzorce pálení. Nestaãí pouhá aktivita a blízkost v prostoru, ale

nutná je i znalost vzorce. VyuÏití pulzních neuronÛ v oblasti Hebbovského uãení

roz‰ifiuje moÏnosti koaktivace i mezi vzdálen˘mi neurony. Kriteriem totiÏ není pouze

míra aktivity, ale i její zpÛsob. V umûl˘ch neuronov˘ch sítích se v‰ak zfiídka pouÏívá

modelu neuronu zaloÏeného na pulzním principu, kter˘ se vyskytuje u Ïiv˘ch neu-

ronÛ (Caudill&Buttler, 2000). Ojedinûl˘m modelem vyuÏívající této vlastnosti je zpÛ-

sob uloÏení pamûti Memory surface (viz níÏe).

4.3 Redundance

Pojem redundance se v textu této práce jiÏ nûkolikrát objevil. Jeho v˘znam je celkem

jasn˘ a vût‰inou vypl˘vá z kontextu pouÏití. Podívejme se ale, kde nalezneme

prapÛvod potfieby redundance. Pojem je obsaÏen jiÏ v základní práci informaãního

paradigmatu, v knize Shannona a Weavera, t˘kající se informaãní teorie. Definují

redundanci jako „zlomek struktury zprávy, která není podmínûna volbou odesílatele,

ale spí‰e uznávan˘mi statistick˘mi pravidly ovládajícími volbu symbolÛ bran˘ch

v potaz" (Shannon&Weaver, 1948). Názorn˘m pfiíkladem mÛÏe b˘t pfienos zprávy v

ãe‰tinû, která je omezena moÏn˘mi kombinacemi písmen tvofiícími slova, která jsou

v˘razy ãeského jazyka. DÛleÏité je také vzít v potaz, Ïe nûkterá slova jsou ãastûj‰í neÏ

ostatní. Tyto omezení nám jako pfiíjemci umoÏÀují pochopení pfiená‰en˘ch ãesk˘ch

slov, i pokud by nûkterá písmena ve slovû chybûla. V takovém pfiípadû redundance

obsaÏená v jazyce vypl˘vá z omezení kombinace písmen (Ashby, 1956). CoÏ platí

pouze v pfiípadû, Ïe vezmeme jednotlivá slova (omezená dan˘m smyslem v jazyce)

jako v˘chozí situaci. Tehdy je redundance brána jako moÏnost vynechání urãitého pís-

mene ve slovû pfii zachování smyslu pro zku‰eného uÏivatele jazyka (nezku‰en˘ uÏi-

vatel tuto schopnost ztrácí). Takto se spí‰e ale definuje informaãní ‰um (o kter˘ ‰lo

Shannonovi v jeho práci) neÏ redundance (Pfeifer&Scheier, 2001). Také vznikají prob-

lémy pfii tvorbû nov˘ch slov, které uÏivatel jazyka nezná, a také u slov, která jsou

tvofiena jedním písmenem (spojka a). Takto definovaná jazyková redundance je spí‰e

pfiesah za omezení slov, které mají v˘znam. Jazyk je redundantní právû ve své schop-

nosti b˘t arbitrárním systémem bez v˘znamu, jehoÏ nové kombinace se mohou stávat

oznaãeními pro jevy v prostfiedí.

4.4 Robustnost

Stejnû jako redundance je i tento pojem povaÏován za nutnou podmínkou pfii tvorbû

inteligentního systému. Vyskytuje se u biologick˘ch systémÛ v podobû jedné, evolucí nejsil-

nûji podporované vlastnosti. U umûl˘ch systémÛ se snaha o tvorbu robustních architektur

setkává z mnoha technick˘mi obtíÏemi.

Pro toto slovo mÛÏeme najít mnoho synonym jako pruÏnost, houÏevnatost apod. Jeho

hlavním cílem je obrana proti zhroucení i pokud je ãást systému po‰kozená, nebo pokud

jsou podmínky pro uskuteãnûní úlohy nedostaãující. Pfiíkladem (ponûkud zjednodu‰ujícím)

je r˘ma u ãlovûka, zabraÀující d˘chání nosem. Robustnost systému znamená moÏnost

d˘chání pusou. Slovo je v podstatû velmi blízké pojmu redundance. V oblasti inteligence se

spí‰e mluví o robustnosti mozkové neuronové sítû, mající takové mnoÏství propojení a

funkãních jednotek (neuronÛ), Ïe pfii i v˘padku vût‰ího poãtu neuronÛ ãi propojení nedo-

jde k váÏnûj‰ímu poru‰ení funkãnosti systému. Pokud jsou nûkteré oblasti trvale zniãeny,

mÛÏe dojít k nov˘m propojením, která „mrtvou oblast" obchází. KvÛli tûmto vlastnostem se

o mozku fiíká, Ïe „degraduje s grácií".

Radikální pfiístup v oblasti simulace inteligence vycházel z konstatování, Ïe lidská mysl je

pfiíli‰ komplexní na to, aby mohl b˘t sloÏen z mnoha elementárních, sloÏitû propojen˘ch

jednotek (top-down pfiístupy). V poslední dobû se ale ukazuje, Ïe spí‰e pouÏití pfiístupÛ

vycházejících zespod (bottom-up) a v˘stavba systému od základních jednotek, pfies základ-

ní reflexy aÏ po komplexnûj‰í netriviální funkce mÛÏe pfiinést lep‰í v˘sledky. Zmínûn˘ pfiíst-

up vytváfií teoretick˘ podklad pro tvorbu robustních systémÛ.

55 KLASICK¯ P¤ÍSTUPKLASICK¯ P¤ÍSTUPVERSUS NEURONOVÉ SÍTùVERSUS NEURONOVÉ SÍTù

Z obecného hlediska pfiedstavují neuronové sítû univerzální v˘poãetní prostfiedek se

stejnou v˘poãetní silou jako klasické poãítaãe napfi. von neumannovské architektury

(tj. pomocí neuronov˘ch sítí lze principiálnû spoãítat v‰e, co umí napfi. osobní poãítaã

a naopak). Z hlediska formalizace je funkce sítû popsána velk˘m poãtem váhov˘ch

parametrÛ, coÏ má nepfiíjemné konsekvence. Nûktefií autofii tento fakt nazírají znaãnû

antropocentricky (ve smyslu, co nepÛsobí „esteticky" na ãlovûka, nemÛÏe b˘t

uÏiteãné).

U klasick˘ch poãítaãÛ se funkce a algoritmy vkládají do stroje metodami, které kopíru-

jí sekvenãní uvaÏování ãlovûka. Navíc vytvofiená rozhraní pro zadávání programÛ

umoÏÀují jejich tvorbu v takov˘ch jazycích, které jsou pouze redukovanou verzi lid-

ského jazyka. UÏivatel tedy není pfiíli‰ zatûÏován pfiekladem sv˘ch poÏadavkÛ do

„jazyka" systému. U neuronov˘ch sítí se s takov˘mi v˘hodami nesetkáme. Jejich para-

lelní povaha a zpÛsob reprezentace „programÛ" je pro lidského uÏivatele nepfiehled-

n˘ a neintuitivní. Ve‰keré poÏadavky na návrh ãi zmûnu systému vyÏaduje získání

speciálních znalostí a zku‰eností. Zmínûn˘ nedostatek v‰ak není pfiekáÏkou, která by

znamenala zásadní omezení pfii tvorbû neuronov˘ch síti. Jedná se pouze o zdÛraznûní

ikompaktibility systémÛ.

Hlavní v˘hodou a zároveÀ odli‰ností neuronov˘ch sítí od klasické von neumannovské

architektury je jejich schopnost uãit se. PoÏadovanou funkci sítû neprogramujeme tak,

Ïe bychom popsali pfiesn˘ postup v˘poãtÛ její funkãní hodnoty, ale síÈ sama abstrahu-

je a zobecÀuje charakter funkce v adaptivním reÏimu procesu uãení ze vzorov˘ch pfiík-

ladÛ. V tomto smyslu neuronová síÈ pfiipomíná inteligenci ãlovûka, kter˘ získává

mnohé své znalosti a dovednosti ze zku‰enosti, kterou ani není ve vût‰inû pfiípadÛ

schopen formulovat analyticky pomocí pfiesn˘ch pravidel ãi algoritmÛ. Neuronové sítû

se nesnaÏí o popis ale o imitaci chování (Caudill&Buttler, 2000). Navíc také zpÛsob

reprezentace pamûti neuronov˘mi sítûmi umoÏÀuje dynamickou modifikaci uloÏen˘ch

informací v závislosti na prostfiedí a také moÏnost pracovat s tûmito obsahy (napfiík-

lad procesem generalizace). Klasická architektura nabízí pouze statické uloÏení infor-

mace v pamûÈovém skladu.

Schopnost uãit se a zobecÀovat je typickou vlastností lidské inteligence. Velk˘m prob-

lémem pro hodnocení generalizaãní schopnosti neuronové sítû je, Ïe není jasné, jak˘m

zpÛsobem definovat, co je to správná generalizace. Díky tomu, Ïe neumíme definovat

(formalizovat) ani mûfiit generalizaãní schopnosti neuronov˘ch sítí, chybí základní

kritérium, které by rozhodlo, jaké modely neuronov˘ch sítí jsou v konkrétním dobré

ãi lep‰í neÏ jiné apod. Generalizaãní schopnosti navrÏen˘ch modelÛ neuronov˘ch sítí

se vût‰inou ilustrují na jednotliv˘ch pfiíkladech, které (moÏná díky vhodnému v˘bûru)

vykazují dobré vlastnosti, ale tyto vlastnosti nelze nijak formálnû ovûfiit (dokázat).

Tento stav je pfiíãinou krize základního v˘zkumu neuronov˘ch sítí (·íma, 1996).

Na závûr hodnocení tûchto architektur se samozfiejmû nabízí moÏnost vzájemné koex-

istence a kooperace obou architektur v jednom systému. V oblasti simulace se

setkáváme s tûmito tendencemi v oblasti tvorby agentÛ, multiagentních systému ãi

paralelních poãítaãÛ. Konkrétních aplikací v‰ak není je‰tû mnoho a jejich v˘sledky se

v dostupné literatufie pfiíli‰ nevyskytují. V rovinû pfiedpokladu je dobr˘m zhodnocením

vzájemné kooperace Peregrinova staÈ, hledající inspiraci v evoluãním principu.

Myslím, Ïe nejefektivnûj‰í systémy jsou, tak jako ostatnû i nበmozek a na‰e mysl, het-

erogenní. Pfiirozen˘ v˘bûr je, zdá se, mistr bastlení. Vezmûme ‰achové programy.

V uãebnicích se doãteme, Ïe jsou zaloÏeny na kombinaci funkce, která ohodnocuje

pozice na ‰achovnici a v˘konného modulu, kter˘ na nûkolik tahÛ dopfiedu

propoãítává hodnoty v‰ech dosaÏiteln˘ch postavení a volí cestu k tomu, které má tu

nejvy‰‰í. Skuteãnû funkãní ‰achov˘ program ale tohle jistû musí zkombinovat s kom-

ponentami zcela odli‰ného druhu: tfieba s knihovnou zahájení ãi s modulem pro kon-

covky, kter˘ pracuje na úplnû jiném principu atd. Myslím tedy, Ïe nejperspektivnûj‰í

jsou skuteãnû systémy, které ne pfiíli‰ lahodí oku teoretika - systémy zbastlené

z rÛzn˘ch principÛ a technik (Peregrin, 2004).

66 PPARALELISMUSARALELISMUS

Hlavním cílem této kapitoly bude odli‰ení paralelního pfiístupu (také PDP, paralelis-

mus, paralelní zpracování) od architektury neuronov˘ch sítí, se kterou b˘vá ãasto

zamûÀován. Z velké ãásti je to zpÛsobeno skuteãností, Ïe oba pfiístupy zpracovávají

informace paralelnû. Rozdíl nacházíme v jednotliv˘ch stavebních prvcích. U neu-

ronov˘ch sítí je základní prvek schopen velmi malé v˘poãetní kapacity (pouze sãítat

váhy a pfii pfiekroãení prahu „pálit") a neobsahuje pamûÈ ve smyslu interního pracov-

ního skladu pro v˘poãty základní jednotky.

U paralelních poãítaãÛ je základní jednotka tvofiena procesorem, jehoÏ v˘poãetní

kapacita mu umoÏÀuje provádût rozsáhlé v˘poãetní operace se sv˘mi vstupy. Obsahu-

je i pamûÈ, která mÛÏe slouÏit jako skladi‰tû pro meziv˘poãty ãi ukládání v˘sledku pro

pozdûj‰í odeslání. Z hlediska lokalizace pamûti existují i varianty, kde jsou jednotky

tvofieny pouze procesory a ve‰kerá pamûÈ je uloÏena v centrální pamûÈové jednotce

mimo procesory (coÏ odpovídá pfiedchÛdcÛm von neumannovské architektury).

V takovém pfiípadû je pfiístup znaãnû neefektivní pro tvorbu systémÛ s nutností rych-

lé odezvy na vstupy, protoÏe je tfieba neustále pfiená‰et v˘stupy procesoru do centrál-

ní pamûti i pokud se jedná o meziv˘poãet.

Podstatn˘ rozdíl je v základním pohledu na architekturu. Paralelní poãítaãe provádûjí

v˘poãty, zatímco neuronové sítû spí‰e odpovídají na podnûty. KaÏd˘ paralelnû propo-

jen˘ procesor má své taktovací hodiny, které udávají rychlost vykonání jednoho

v˘poãetního kroku a v pfiípadû komunikace mezi sebou je informace také vysílána

s ohledem na taktovací frekvenci. Neuronové sítû pracují asynchronnû. Pokud

pfiicházejí vstupy, jsou váÏeny, pokud na vstup nic nepfiichází, neuron nepracuje.

V pfiípadû hybridní architektury paralelních poãítaãÛ (je tvofiena kombinací neu-

ronov˘ch sítí a klasick˘ch poãítaãÛ) musel doznat zmûn i jazyk, skrze kter˘ lze tvofiit

algoritmy, fiídící prÛbûh paralelních v˘poãtÛ. Pfiíkladem mÛÏe b˘t procesy popisující

jazyk (PDL), kter˘ byl prezentován Steelsem v roce 1992. Vychází z paralelistické idey,

Ïe procesy v systému probíhají kontinuálnû a paralelnû vedle sebe. Neexistuje kon-

trola chování na základû centralizovaného v˘bûru. Místo toho kaÏd˘ proces mÛÏe

ovlivÀovat jist˘ poãet hodnot, které spolu s ostatními vedou k urãitému chování

pomocí sdílení. Jedná se o paralelistick˘ pfiístup, kter˘ je zaloÏen právû na propojování

modulÛ a jejich kooperaci ãi soutûÏení modulÛ. Hrozí zde moÏnost zastavení ãinnos-

ti, pokud není dobfie definováno vzájemné ovlivÀování se modulÛ. Pokud dojde

ke konfliktu protichÛdn˘ch modulÛ (ãi jejich skupin), systém se zablokuje a není

schopen pokraãovat v ãinnosti (Pfeifer&Scheier, 2001). Obecnû lze fiíci, Ïe oproti pro-

gramovacím jazykÛm klasick˘ch poãítaãÛ bylo nutné roz‰ífiit jejich bázi o nové

pfiíkazy, které jsou schopné o‰etfiit komunikaci mezi jednotliv˘mi moduly. Objevují se

tedy jazyky, které dokáÏí vytváfiet algoritmy pro ovládání synchronních pfienosÛ,

sdílení dat, kooperaci v˘poãtÛ, hierarchie souãinnosti a jiné, zaji‰tující pfiechod kla-

sick˘ch poãítaãÛ do oblasti paralelního zpracovávání. Naprosto identická je situace pfii

tvorbû komunit z jednotliv˘ch agentÛ v oblasti agentového pfiístupu. Aãkoli se vysky-

tuje velmi málo literatury, t˘kající se popisovaného pfiístupu, patfií svou povahou a

moÏnostmi, mezi velmi nadûjnou kombinaci na poli simulace inteligence. Stejnû jako

multiagentní pfiístup, má i paralelismus pfiedpoklady stát se klíãov˘m paradigmatem

kognitivních vûd.

77 P¤ÍSTUP ZALOÎEN¯ NA AGENTECH P¤ÍSTUP ZALOÎEN¯ NA AGENTECH

V na‰em bádání o zpÛsobech tvorby inteligentního systému se dostáváme k pfiístupu

zaloÏeném na agentech. Oproti pfiedchozím kapitolám (kromû paralelismu), zab˘va-

jících se moÏnostmi v oblasti architektury a moÏnostmi vhodnû reprezentovat vstupní

informaci, pfiecházíme do aplikovanûj‰í oblasti. TûÏi‰tû zájmu je pfiesunuto z oblasti

tvorby univerzálních architektur a reprezentaãních systémÛ do syntetického zpracov-

ání stávajících poznatkÛ v jeden celek. Znamená to vyuÏití stávajících architektur

(komputaãní, neuronové sítû, paralelismus) a reprezentaãních systému k nalezení

takového propojení, které vyuÏije jejich potenci.

Prvofiad˘m cílem pfiístupu je v‰ak jiné propojení. Jedná se o interakci systému s jeho

prostfiedím. Pfiedchozí kapitoly vypovídaly o teoretick˘ch pfiístupech, které se snaÏí

nalézt nejefektivnûj‰í formu a podmínky pro v˘stavbu systému schopného reprezen-

tovat a zpracovávat informace. VÏdy jsme v‰ak vycházeli z pfiedpokladu, Ïe v poãátku

( na vstupu) pracujeme s takov˘m kódem, kter˘ je vlastní simulovanému systému.

Zcela jsme pomíjeli pfievod informace z prostfiedí do interní formy (transdukce). Proto

je nutné pfiejít do komplexnûj‰í roviny pfiem˘‰lení (ve smyslu vût‰ích celkÛ) a nazfiít

problematiku inteligence systému v kontextu jeho pobytu a pohybu v prostfiedí.

Roz‰ifiujeme tak pÛvodní schéma o vnímání a konání, ãímÏ konstituujeme agenta

(racionálního agenta, inteligentního agenta, autonomního agenta). PokusÛ o jeho

definici je stejné mnoÏství jako pokusÛ o definování inteligence. Vypl˘vá z faktu, Ïe

pojem agent mÛÏeme ztotoÏnit s pojmem inteligentní systém. Uveìme si nûkteré

pokusy o vystiÏení pojmu :

• Agent je cokoliv, co mÛÏe b˘t nahlíÏeno jako vnímající prostfiedí skrze své senzo

ry a konající v prostfiedí skrze efektory (Russel&Norwig, 1995).

• Inteligentní agent vykonává nepfietrÏitû tfii funkce: vnímá dynamické podmínky

prostfiedí; koná tak, aby ovlivnil prostfiedí; a uvaÏuje aby interpretoval vnímané, fie‰il

problémy, vyvozoval závûry a vytváfiel jednání (Hayes-Roth, 1995).

• Autonomní agent je systém schopn˘ autonomních a cílevûdom˘ch ãinÛ v reálném

svûtû (Brustoloni, 1991).

ZmiÀované definice jsou znaãnû obecné a nepfiesné, ale mÛÏeme na nich vidût, Ïe

základním poÏadavkem agenta je právû jeho umístûní v prostfiedí - situovanost a

schopnost vnímat a konat. Shrnutím mÛÏe b˘t definice:

Autonomní agent je systém situovan˘ v prostfiedí jako souãást prostfiedí, kter˘ jej

vnímá a koná v nûm, ve snaze získat takové vlastní uspofiádání, které mu umoÏní

ovlivnit své budoucí vnímání (Franklin, 1996).

Tato definice se snaÏí postihnout pÛsobení agenta vãetnû moÏnosti interních reprezen-

tací a anticipace, coÏ jsou vlastnosti a schopnosti ãlovûka. V celkovém vyznûní ale

touha po pfiesné definici agenta odpovídá stejnû marnému úsilí o neredukcionistick-

ou definici ãlovûka (kter˘ je také inteligentní systém) v celé ‰ífii jeho moÏností.

Díky tomu, Ïe se agentov˘ pfiístup pfiesunul do aplikované oblasti simulace a mode-

lování, vzniklo nepfieberné mnoÏství konkrétních projektÛ, které svou specifiãností

umoÏnily vznik mnoha specializovan˘ch oblastí vyuÏití agentÛ (podobnû jako expert-

ní systémy). Jejich taxonomie pfiesahuje moÏnosti této publikace, uvádím zde proto

pouze základní dûlení, které si uchovává potfiebnou rozli‰ovací schopnost. Tfiídûní

v sobû obsahuje rÛzné formy kombinací pouÏit˘ch základních substrátÛ, architektur a

reprezentaãních systému.

Obr. 22 Taxonomie autonomních agentÛ

7.1 Vtûlená kognitivní vûda

Brooksem navrÏená architektura potlaãování (subsumption architecture) byla prvním

pfiístupem kter˘ smûfioval k ustavení nového paradigmatu ve zkoumání inteligence,

oznaãovaného jako robotika zaloÏená na chování, dnes naz˘vána vtûlená kogni-

tivní vûda.

Brooksova terminologie není zcela jednotná a pouÏívá nûkterá slova v jiném v˘znamu

neÏ je obvyklé. Napfiíklad slovo chování pouÏívá ve v˘znamu interakce systému

s prostfiedím, ale také jako úlohou poÏadované chování, pokud mluví o vnitfiních

modulech (vrstvách). Obecnû vidí chování jako proces, kter˘ není zaloÏen na kla-

sickém zpracování informací a je v opozici proti expertním systémÛm, tedy tûm, které

pouÏívají high-level ontologie (abstraktní procesy). Rozhodovací procesy vedoucí

k chování je moÏno klasifikovat jako decentralizované a dynamick˘ rekonfigurovatel-

né. KaÏdá z robotick˘ch senzorick˘ch zpûtn˘ch vazeb (interní procesÛ) funguje kon-

tinuálnû. To znamená, Ïe energie do jeho motorÛ (chování) záleÏí na propojení

s prostfiedím. Pokud máme hovofiit o rozhodovacích procesech, které aktivují urãit˘

reflex, nejedná se o procesy uvnitfi robota. Obecnû se dá fiíci, Ïe prostfiedí pro které je

robot (agent) vytvofien, urãuje v˘bûr mezi mechanismy low-level reflexÛ (Hendriks-

Jansen, 1996). Argumentace se na konci stává spí‰e obhajobou samotné subsumpãní

architektury (viz níÏe).

Vtûlená kognitivní vûda ãasto vyt˘ká tradiãním pfiístupÛm zanedbávání interakce sys-

tému s prostfiedím. Hlavní námitka je vznesena proti zpÛsobu vkládání informace na

informaãní vstup. Klasick˘ pfiístup pouÏívá pfiedzpracovanou informaci (transduko-

vané ãlovûkem) smûrovanou na vstupy systému. Komplexní informace o prostfiedí je

transformována do podoby, které systém rozumí. V reálném prostfiedí ale taková

moÏnost není. Systém sám musí obsahovat mechanismy, které umoÏní transdukci

informace na podobu, se kterou je schopen pracovat (Pfeifer&Scheier, 2001).

Problematika vtûlenosti inteligentního systému obsahuje nûkolik sporn˘ch míst. Podle

tvrzení R. Brookse inteligence vyÏaduje tûlo. Souvisí to v podstatû s kofienov˘m prob-

lémem dualismu ãi monismu, ãili otázky, zda se svût skládá pouze z jediné entity, ãi

vyÏaduje interakci energie a hmoty. Pfiípadná odpovûì dûlí vûdce na dva tábory, které

jsou následnû fragmentovány na pfiesnûji formulovaná paradigmata dan˘ch oborÛ.

V aplikované oblasti se termínu vtûlenost – embodiment - pouÏívá pfiímo se zfietelem

na tvorbu autonomních agentÛ (inteligentních robotÛ). Pojem vtûlenost je brán jako

potfieba robota se pohybovat v prostfiedí, které je mimo nûj a mít moÏnost toto okolí

vnímat skrze svou senzorovou v˘bavu. Velmi blízk˘m termínem a podobn˘m ter-

mínem je situovanost. Agent (robot) je situován, jestliÏe dokáÏe získat dostateãnou

informaci o své poloze v prostfiedí a odpovûdût na ni patfiiãn˘m chování. Vtûlenost i

situovanost jsou pfiedpoklady vedoucí k autonomii agenta (robota), tedy Ïe bude

schopen samostatnû interagovat s prostfiedím (Pfeifer&Scheier, 2001). Oba poÏadavky

jsou ve své podstatû dÛsledkem nevyfie‰enosti základního problému, kter˘m je

ukotvení symbolÛ (symbol grounding). Schopnost orientace v prostfiedí a vydûlení

sebe coby jeho souãást, vyÏaduje jako základní poÏadavek schopnost prostfiedí

„rozumût". Tedy pfiekódovat informace externího svûta do interního kódu tak, aby

jejich zpracovávání obsahovalo sémantickou rovinu. Poté uÏ agent nepotfiebuje ãlovû-

ka jako interpreter (pfiekladaã) mezi externím svûtem a sv˘mi interními stavy.

7.2 Principy tvorby autonomních agentÛ

Konstruktéfii pfii tvorbû systémÛ ãasto vycházejí z intuitivních pfiedpokladÛ jevÛ, které

jsou svou povahou implicitní. Pfii tvorbû systémÛ (agentÛ) jsme nuceni znalosti a pos-

tupy co nejvíce pfievádût do explicitní formy, kterou lze jasnû popsat.Existuje totiÏ

mnoÏství teoretick˘ch pfiístupÛ, které v sobû obsahují principy, o kter˘ch je známo, Ïe

fungují, ale není zfiejmé jak. MoÏnosti pochopení systému se tak stávají omezené a

v˘hodou je pouze, pokud se designér vûnuje problematice del‰í dobu, jeho schopnost

pracovat s implicitními pfiedpoklady daleko kvalitnûji, díky prohlubující se znalosti,

vedoucí k identifikaci a explikaci potfiebn˘ch mechanismÛ. Ve vtûlené kognitivní vûdû

se jedná o vyuÏívání znalostí z oblasti biologie a jejich uÏívání pfii návrhu agenta. Bio-

logické mechanismy nejsou pfiesnû známy, ale jsme schopni je ve zjednodu‰ené formû

napodobovat. Vysvûtlit si to lze buì jako nemoÏnost nûkteré biologické procesy plno-

hodnotnû napodobit pomocí prvkÛ neÏivé pfiírody (viz Biologie), nebo také

nedostateãn˘mi v˘sledky poznání v tûchto oblastech.

Jeden ze základních principÛ pfii navrhování autonomních agentÛ postupuje následnû.

Pfiedpokládáme, Ïe chování je vÏdy propojeno s prostfiedím, ve kterém se agent pohy-

buje a neexistuje abstraktní chování mimo prostfiedí. Pokud dokáÏeme identifikovat

druhy chování, které se v daném prostfiedí vyskytuje, snaÏíme se nalézt mechanismy,

které toto chování tvofií a následnû vztahy mezi jednotliv˘mi typy chování. Tímto pos-

tupem se v‰ak vût‰inou dostaneme do pozice, kdy se snaÏíme vytvofiit agenta, kter˘

dokáÏe plnit pouze specifické úlohy (Pfeifer&Scheier, 2001). MnoÏina moÏn˘ch

chování zaãíná v komplexnûj‰ím prostfiedí narÛstat a stane se v˘poãetnû nároãnou.

Pokud zaãneme hledat vztahy mezi rÛzn˘mi typy chování, mÛÏeme nalézt úspory ply-

noucí z kooperace mechanismÛ zaji‰tujících jednotlivé chování, ale dostáváme se i do

situace, kdy sloÏitost architektury agenta zaãíná pfiesahovat kapacitní moÏnosti

designéra.

Pokud se podíváme na konstrukci autonomního agenta spí‰e z hlediska pouÏit˘ch

principÛ, vlastností a mechanismÛ neÏ omezení, mÛÏeme ji vyjádfiit následujícím

obrázkem. Nutno zdÛraznit, Ïe jde o jednu z moÏn˘ch variant (lépe fieãeno z pfied-

pokladÛ) a proto jí nelze generalizovat jako obecn˘ princip tvorby agentÛ.

Obr. 23 Podmínky tvorby automního agenta

Pfii tvorbû agentÛ b˘vá hlavním cílem aby dosahoval emergentního chování. âastûji se

emergentní princip pouÏívá v oblastech jako simulace umûlého Ïivota, dynamick˘ch

systémÛ a neuronov˘ch sítí. Pfiístupy umoÏÀují díky principu sebeorganizace, moÏnost

vzniku vlastností, které pfiedtím v systému nebyly pfiítomné.

7.3 Emergence

Emergentní princip hovofií o vynofiování se nov˘ch vlastností ãi v˘sledkÛ, které nejsou

v systému obsaÏeny v explicitní formû. Pfiesnûj‰í anal˘zu problematiku a nûkteré pfied-

poklady pro vznik emergence uvádí následující odstavec.

V zaãátku si rozloÏíme kompletní systém (prostfiedí+inteligentní systém) na prostfiedí

a inteligentní systém jako samostatné ãásti. V první pasáÏi budeme brát v potaz pouze

inteligentní systém. Pfiedpokladem pro vznik „nového" je takov˘ design architektur,

které nabízejí více variant propojení jednotliv˘ch operátorÛ. Pokud by systém obsa-

hoval pouze propojení nutná pro speciální úãel navrÏen˘ designérem, hovofiíme

o emergenci pouze v pfiípadû, Ïe se po‰kodí jeden s operátorÛ (systém zÛstane

funkãní i bez nûj), nebo operátor funguje vadnû a produkuje ‰patné v˘stupy (coÏ není

cílem tvÛrcÛ inteligentních systémÛ). To je ale nepravá emergence, jelikoÏ nedo‰lo

k vytvofiení alternativní stavu , ale k pfiechodu jednoho stavu do téhoÏ modifikované

stavu (determinismus). Pokud systém obsahuje redundantní propojení (tedy nûkterá

propojení jsou v urãit˘ch fázích nevyuÏitá a jakoby zbyteãná), mohou vzniknout dvû

varianty emergence. První moÏností je sekvenãní emergence. Jednotlivé operátory

zpracovávají informace z prostfiedí v urãité posloupnosti, ale moÏnosti propojení jim

umoÏní i jin˘ prÛbûh zpracování a tak je moÏn˘ vznik „nového" jinou sekvencí práce

operátorÛ (nondeterminismus). Typickou oblastí aplikace je sériov˘ zpÛsob zpracování.

Systém pracující paralelnû, mÛÏe tvofiit nové chování je‰tû jin˘m zpÛsobem. JestliÏe

pracují operátory nezávisle na sobû, mohou se vzájemnû ovlivÀovat v ãinnosti

(vymûÀují si informace o sv˘ch stavech) a v˘sledné chování pak obsahuje nové vari-

anty kooperace operátorÛ, jelikoÏ operátory mûly více informací a ty zmûnily prÛbûh

„v˘poãtu" (kooperativní emergence). DÛleÏit˘m kritériem pro vznik emergence je

tedy patfiiãná architektura systému.

Nyní jiÏ budeme hovofiit o inteligentním systému v prostfiedí a o klíãové úloze

prostfiedí pro moÏnost emergence u inteligentního systému. Konstantním prostfiedí

vytváfií stále stejné vstupy a systém tak nemá moÏnost tvorby alternativy, protoÏe není

k ãemu. V dynamickém prostfiedí, je emergence moÏná. Právû zmûna v prostfiedí mÛÏe

b˘t kauzální pfiíãinou vzniku nového chování. Bez vlivu prostfiedí není moÏné restruk-

turovat pofiadí ãi zpÛsob kooperace operátorÛ.

Souãasné pfiístupy v oblasti neuronov˘ch sítí hovofií o emergenci v ponûkud

pozmûnûném smyslu. SíÈ se nejprve trénuje, tím Ïe jí prezentujeme podnûty, které jsou

pomocí sítû kategorizovány. Pfií prezentaci vzoru síÈ funguje urãit˘m zpÛsobem a kat-

egorie je funkcí (zpÛsobem propojení). V takovém pfiípadû emergentní chování zna-

mená, Ïe síÈ je schopna kategorizovat i podnût, kter˘ nebyl v cviãné sadû ( je nov˘).

SíÈ sice produkuje nové chování tím, Ïe dokáÏe zafiadit neznám˘ podnût, ale to je

pouze rozmezí platnosti kategorizaãní funkce a ne emergence v pravém slova smys-

lu. Podobnû je tomu u subsumpãní architektury. Zde pracuje nûkolik paralelních

operátorÛ, které mají pfiímé napojení na vstup a v˘stup, ale jejich ãinnost není koop-

erativní. Pravidlo naopak urãuje, Ïe vy‰‰í úrovnû jsou potlaãovány, pokud se systém

ocitne v situaci, která je pro nûj problematická (nová ãi kritická), a ãinnost pfiebírají

niωí vrstvy, podobné reflexÛm u ãlovûka. Komunikace mezi vrstvami je minimální,

jedná se o typ, kter˘ není ani ãistû sekvenãní ani paralelní. Emergence vzniká ãinnos-

tí jednotliv˘ch vrstev s omezen˘mi moÏnostmi jejich souãinnosti pfii produkci chování.

Zde je nejlépe vidût vliv prostfiedí na vznik emergentního chování. Vzniknuv‰í agent

(v pfiípadû vtûlené subsumpãní architektury) neustále akomoduje na okolní prostfiedí

a nemá moÏnost fiídit své chování. K tomu je potfieba interní reprezentace prostfiedí

(pamûti) a také „schopnosti", která je u Ïiv˘ch bytostí naz˘vána vûdomím. To je

poslední dÛleÏitou podmínkou pro vznik emergentního chování. Pokud je souãástí

ãinnosti vûdomí, schopnost kontroly a zpûtné vazby na prostfiedí a interní procesy,

mÛÏe docházet u vûdomého systému k emergentnímu chování i bez pfiítomnosti

prostfiedí. Pokud je systém schopen práce se sv˘mi interními reprezentacemi, mÛÏe

provádût nové zpÛsoby propojení operátorÛ, bez toho aby jej prostfiedí ovlivÀovalo

ãi limitovalo.

Klíãovou se pro vznik emergentních vlastností uvnitfi inteligentního systému jeví

architektura obsahující redundantní propojení, schopná vytváfiet interní reprezentace a

vûdomû s nimi manipulovat. Systém musí b˘t navíc situován v dynamickém prostfiedí,

se kter˘m interaguje.

7.4 V˘hody a nev˘hody agentÛ

Tato kapitola jiÏ nemÛÏe mít argumentaãní sílu, jako podobné odstavce z poãátku

práce. Bylo zmínûno, Ïe agentov˘ pfiístup je syntézou. V˘hody a nev˘hody zde

zmínûné se vztahují spí‰e ke konkrétním základním architekturám, které jsou pfii kon-

strukci agentÛ pouÏity. PfiestoÏe nûkteré z nich uÏ zaznûly v pfiedchozích kapitolách,

jsou zde uvedeny v pozmûnûném kontextu.

Pokud aplikujeme architekturu neuronové sítû do autonomního agenta, získáme tak

nûkolik v˘hod. Nauãí se napfiíklad generalizovat podnûty. V koneãné fázi vede proces

generalizace k „anticipaci" objektu v prostfiedí (Pfeifer&Scheier, 2001). Není to ov‰em

vûdomá anticipace, neboÈ agentÛm dosud nemÛÏeme pfiisoudit tento status pro jejich

malou komplexnost. Schopnost anticipace mu pfiisuzuje pozorovatel (ãlovûk), protoÏe

si takto anticipaci vysvûtluje sám na sobû.

Agent vybaven˘ neuronovou sítí mÛÏe kromû uãení také zapomínat, pokud pouÏijeme

model Hebbovského uãení. Pfii jeho aplikaci se mÛÏe stát (pfii opakovaném vystavení

urãitého podnûtu), Ïe váhy neuronu dosahují velk˘ch hodnot. Tomu je zabránûno

mechanismem zapomínání, kter˘ sniÏuje pfii kaÏdém nové vstupu pfiedchozí hodnotu

váhy neuronu. V okamÏiku, kdy není spojení dlouhou dobu vyuÏíváno (není prezen-

tován patfiiãn˘ podnût), váha se sníÏí na nulu a neuron tento podnût zapomene. Takto

vybavená neuronová síÈ se mÛÏe uãit nekoneãnû dlouho. Pokud je prostfiedí nemûn-

né, váhová matice se dostane do stavu equilibria. JestliÏe se prostfiedí mûní v opti-

málním pomûru k velikosti hodnoty zapomínacího mechanismu, je funkce sítû opti-

mální, protoÏe si pamatuje pouze podnûty, které aktuálnû potfiebuje ke své ãinnosti

(Pfeifer&Scheier, 2001).

Oblastí, která je pfii tvorbû agentÛ ãasto pfiehlíÏená, je motivace. Je to dáno její blízkostí

s emocemi, které se tradiãní kognitivní vûda vyh˘bá, zcela jí pomíjí nebo se jí snaÏí

nahradit pomocí mechanismÛ zaloÏen˘ch na algoritmech. âast˘mi pokusy je také

nahrazení tohoto pojmu pravdûpodobnostními hodnotami vzdálenosti souãasného

stavu agenta od cílového, ãi vytvofiením systému operujících s konstrukty typu dom-

nûnka (belief) a potfieba (desire). SloÏitûj‰í systémy se snaÏí vysvûtlit motivaci pomocí

emergentního principu, tedy propojením mnoha modulÛ dohromady vytváfií chování,

ale také interní stavy, ve kter˘ch se projevuje dopfiedu nedefinována soutûÏivost

ãi kooperace mezi moduly (Pfeifer&Scheier, 2001).

Teorie agentÛ stojí z hlediska vyuÏívání architektur mezi teoriemi, které vyuÏívají neu-

ronu jako základní stavební jednotky, a teoriemi, které pouÏívají centrální procesor

jako jádro, pfies které procházejí v‰echny informace z okolí a jsou zde zpracovávány.

Podobají se zãásti fodorov˘m modulÛm ãi paralelním poãítaãÛm. Architektura je

postavena na kooperaci nûkolika samostatn˘ch jednotek, z nichÏ kaÏd˘ má speciální

funkci, kterou mÛÏe plnit. Architektura autonomních agentÛ mÛÏe b˘t zaloÏena na kla-

sickém pfiístupu ãi neuronové síti, s vûdomím, Ïe pfiebírá nev˘hody jedné ãi druhé.

7.5 Reaktivní agenti

Rodney Brooks hovofií o tom, Ïe tradiãní pfiístup k UI je chybn˘. Vût‰ina my‰lenek, jeÏ

se t˘kaly oblastí my‰lení, logiky a fie‰ení problémÛ, jsou odvozeny z na‰í vlastní intro-

spekce, tedy jak my vidíme sebe samy. Tvrdí, Ïe inteligentního chování lze dosáhnout

pouÏitím velkého mnoÏství „volnû spojen˘ch procesÛ" (loosely coupled processes),

které pracují pfieváÏnû asynchronnû a paralelnû. Argumentoval, Ïe není tfieba pfiíli‰

interních procesÛ zpracování a Ïe sensorické vstupy mohou b˘t mapovány relativnû

pfiímo na efektory (Pfeifer&Scheier, 2001). Brooksov˘m mottem je, Ïe „Svût sám je

svou nejlep‰í reprezentací". Interní reprezentace je tfieba konstruovat pouze v pfií-

padech, pokud je to nezbytnû nutné. Tento typ architektury patfií do skupiny reak-

tivních agentÛ (Mafiík, 2001).

Takov˘ typ architektury vede k úzké vazbû systému na prostfiedí . Inteligence je emer-

gentní vlastností interakce organismu s prostfiedím. Jím navrÏen˘ pfiístup je velmi

odli‰n˘ od klasického pfiístupu zpracování informace.

Znám˘m pfiíkladem jednoduchého reaktivního agenta je mravenec Herberta Simona,

kterého sledoval, jak bûÏí po pláÏi (Simon mravence). Kfiivka jeho trajektorie byla

nesmírnû komplikovaná. Z hlediska lidského pozorovatele se mÛÏe zdát, Ïe mravenec

provádí spoustu obtíÏn˘ch rozhodovacích procesÛ. Pfiitom se jedná o typ interakce,

kdy o mravencovû trajektorii rozhoduje z velké ãásti prostfiedí (na podobném principu

jsou zaloÏeny Braitenbergova vozítka). Mravenec se stává externû fiízen˘m sys-

témem (Mafiík, 2001).

Základy reaktivního pfiístupu poloÏil Braitenberg v experimentech se sv˘mi vozítky,

které jsou nejvy‰‰í formou redukce tvorbou systémÛ, jejichÏ vstupy jsou propojeny

pfiímo s v˘stupy (v pokroãilej‰í verzi s urãitou formou redundance). Braitebergovy

vozítka slouÏí jako dobr˘ pfiíklad architektury, která neobsahuje interní reprezentace,

ani Ïádné v˘poãetní mechanismy, ale kde jsou vstupy rovnou propojeny s v˘stup.

U neuronov˘ch sítí se to dá pfiirovnat k typu, kter˘ neobsahuje stfiední skrytou vrstvu.

U klasické architektury jde o systém, kde je procesor pouze místem, pfies které

prochází propojení, pfiiãemÏ nedochází k Ïádné formû zpracování.

Obr. 24 Braitenbergovy vozítka - pfiíklady (Braitenberg, 1984)

Hlavním pfiínosem reaktivních agentÛ je zdÛraznûní zpÛsobu propojení pfii konstruk-

ci. Jejich architekturám nemÛÏeme pfiisoudit pojmy jako pamûÈ nebo znalost, protoÏe

funguje vÏdy v pfiímé interakci s dan˘m prostfiedím. (Pfeifer&Scheier, 2001).

7.5.1 Subsumpce

Subsumpãní architektura vyuÏívá metody dekompozice jednotliv˘ch kontrolních

architektur na mnoÏinu prvkÛ plnících úkoly (Pfeifer&Scheier, 2001). Klasická funkãní

dekompozice provádí zpracování jednotliv˘ch modalit samostatnû. Ty jsou pfievádûny

na centrální reprezentaci. Poté pfiicházejí na fiadu interní procesy, které se snaÏí

vytvofiit model svûta odpovídající vnûj‰ímu prostfiedí. Následnû dochází rozhodování a

plánování akcí a jejich provedení. Taková dekompozice je zaloÏena na klasickém

informaãním pfiístupu vyuÏívajícího cyklus vnímání-my‰lení-konání. JelikoÏ tento pfiíst-

up umoÏÀuje modelování a plánování (roz‰ífiení poloÏky my‰lení), je cyklus roz‰ífien

na vnímání-modelování-plánování-konání.

Oproti tomu BrooksÛv pfiístup obsahuje jednotlivé moduly, uspofiádané ve vrstvách,

které sice mají hierarchickou strukturu, ve smyslu od jednodu‰‰ích po sloÏitûj‰í oper-

ace, ale rozdíl je v tom, Ïe není nutná kauzální posloupnost jednotliv˘ch vrstev od

jednoduché po sloÏitou. Vrstvy pracují paralelnû a nezávisle na sobû. KaÏdá má stejné

vstupy a má moÏnost ovládat efektory (v˘stupy). MÛÏeme hovofiit o paralelním zpra-

cování informací.

Mezi ideové pfiedchÛdce daného pfiístupu patfií hierarchické systémy, jako napfiíklad

TOTE, které se také skládají z vzestupnû uspofiádan˘ch mnoÏin (vrstev) modulÛ.

KaÏd˘ modul obsahuje funkci, která se podílí na celkové funkcionalitû. V architektufie

TOTE ale nevzniká prostor pro emergentní chování, jelikoÏ v‰e je specifikováno pfie-

dem (hierarchie v pravém slova smyslu) (Pfeifer&Scheier, 2001).

V subsumpãní architektufie je vrstva komponována jako soubor modulÛ. KaÏd˘ modul

je tvofien roz‰ífien˘m strojem s koneãn˘m poãtem stavÛ (speciální finite state

automata). To znamená v˘poãetní mechanismus zaloÏen˘ na stavech, které se mûní

v závislosti na pfiedchozím stavu a hodnotû vstupu. Roz‰ífienost hovofií o pfiidání nûk-

ter˘ch dal‰ích prvkÛ oproti nejjednodu‰‰ímu stroji s koneãn˘m poãtem stavÛ, kter˘m

je TuringÛv stroj (bez nekoneãnû dlouhé pásky). Pfiídavné prvky mohou b˘t rÛzné,

napfiíklad ãasovaã, kter˘ dokáÏe po urãité ãasové periodû zmûnit vnitfiní stav stroje

nezávisle na hodnotû vstupu. (Pfeifer&Scheier, 2001).

Obr. 25 Pfiíklad subsumpãní architektury

Jednotlivé vrstvy se mohou navzájem ovlivÀovat a pfiedávat si informace ãi v˘sledky

sv˘ch ãinností (velmi omezenû a specificky), ale pozornost je soustfiedûna na jejich

samostatnou ãinnost. Slovo hierarchie ve vztahu k vrstvám zde není pouÏíváno v kla-

sickém v˘znamu. Má vztah k potlaãování – subsumpci. Pokud nastane situace, pfii které

by pracovaly dvû vrstvy antagonisticky, pfiichází na fiadu inhibiãní hierarchie. Niωí vrstvy

jsou programovány jako reflexy, a proto získávají pfiednost ve vykonání akce proti

vy‰‰ím vrstvám. Základním propojení vrstev mezi sebou tedy slouÏí k inhibici.

Existuje v‰ak více variant subsumpãního chování. Základní typ má napevno zakó-

dováno, jaká je funkãní hierarchie pouÏívání vrstev. Prostfiedí na tom (kromû pfiítomností

aktivátorÛ) nemÛÏe nic zmûnit. Existují ale komputaãnû nároãnûj‰í verze tûchto systémÛ,

rozhodující o nadfiazené aktivitû jedné vrstvy pomocí metod hlasování ãi rozprostfiené

aktivace. V takovém pfiípadû hraje prostfiedí roli aktivátoru, kter˘ nenab˘vá hodnot

jedna/nula, ale jeho jednotlivé vlastnosti (subaktivátory) podle míry pfiítomnosti v dané

situaci rozhodují o subsumpci, tedy o nadfiazení vrstvy nad ostatními a následném

chování. Paralelu mÛÏeme hledat v Lorenzovû „psycho-hydraulickém" modelu, kter˘ je

zaloÏen na pfiedpokladu, Ïe kaÏdé chování, které vyvíjí konstantní úsilí, aby bylo

aktivováno, se ãasem zvy‰uje, pokud je dané chování pouÏíváno (Lorenz, 1981, s.47).

Druh˘ typ subsumpce vládne roz‰ífienûj‰í rozli‰ovací schopností pro volbu správného

chování. Z lidského pohledu je schopnost emergence efektivního chování

pravdûpodobnûj‰í.

V˘hodou architektury je její vnitfiní roz‰ifiitelnost. Pfiidáním nové vrstvy nepotfiebujeme

rekonfigurovat cel˘ systém, protoÏe vrstvy jsou z velké ãásti autonomní, coÏ je dobré

pro designéra, kter˘ tak mÛÏe pfiidávat dal‰í prvky dle poÏadavku prostfiedí (podobnû

jako axiomy do formálního systému). Nev˘hodou je nepropojenost jednotliv˘ch kom-

ponent. Nenabízí se moÏnost emergence nového chování v sekvenci (viz Emergence).

Jednotlivé procesy pracují samostatnû a tak nemohou organizovan˘m skládáním vytvofiit

kvalitativnû odli‰né celky – sekvence (Konar, 1999).

Jak bylo zmínûno, BrooksÛv pfiístup nerozli‰uje mezi periferním a centrálním jako jiné

architektury. Reaktivní agent mÛÏe b˘t nahlíÏen jako systém s decentralizovanou aktivní

reprezentaci sv˘ch schopností (Mataric, 1997). Pojem reprezentace je zde pouÏit jinak

neÏ v klasické kognitivní psychologii. Jedná se o procedurální reakci systému na dan˘

vstup. TûÏko fiíci, zda se jedná o reprezentaci jako takovou. Systém neobsahuje pamûÈ

(formou interní reprezentace) a je vÏdy pouze reagujícím na souãasn˘ stav prostfiedí.

PouÏití slova reprezentace v tomto kontextu je zavádûjící. Lze jej pouÏít pouze

metaforicky, tedy Ïe reprezentace je tvofiena souãinností modulÛ v dan˘ okamÏik.

Obr. 26 Tradiãní architektura versus architektura vrstev

VraÈme se v‰ak k porovnání s klasick˘mi modely kognitivního cyklu. Systém je dûlen

horizontálnû a neoddûluje vnímání od konání jednotliv˘mi mezistupni zpracování

informace. Propojením mezi vnímáním a konáním je zaji‰tûno v kaÏdé vrstvû a kaÏ-

dou vrstvou podle toho, k ãemu je specializovaná (Hogan, 1998). Tento základní

posun ve schématu se mÛÏe zdát pfiekvapivû jednoduch˘m a efektivním, ale jedná se

jen o pominutí nûkter˘ch faktÛ. Pokud bychom základní schéma dle obrázku otoãili

o 90 stupÀÛ a propojili kaÏdou vrstvu s vstupy i v˘stupy, ztratí se nám nûkde procesy,

které informaci pfiedzpracovávají. KaÏdá vrstva, která by chtûla pracovat se vstupní

informací na netriviální úrovní, by v sobû musela obsahovat moduly, které by ji

umoÏnily pfievod informace na takovou formu, se kterou dokáÏe pracovat (interní

reprezentaci) . To znamená, Ïe kaÏdá vrstva by obsahovala sloÏité mechanismy práce

s interními reprezentacemi, ãímÏ by se tato architektura stala robustní a redundantní,

ale jiÏ na úkor pomûru velikost/efektivita. Pfiístup horizontální vrstev totiÏ vertikální

pfiístup (ãití/vnímání/my‰lení/plánování/konání) nefie‰í, pouze jej zamlãuje. Vût‰inou

pracuje jen s jednoduch˘mi reflexními vrstvami (napfiíklad vrstva, která zaji‰Èuje styk

s pfiedmûtem), u které není tfieba interní reprezentace ãi sloÏit˘ch procesÛ zpracování.

Se stoupajícími nároky na inteligenci systému je ale nutné pfiidávat vrstvy, které jiÏ

nedokáÏi svou ãinnost provozovat pouze na základû reaktivity, ale potfiebují pro svou

ãinnost lep‰í vybavení. Tvrdit, Ïe komplexnûj‰í vlastnosti systému budou emergovat

nekoordinovanou souãinností velkého poãtu vrstev, je nereálné.

Pokusem o posunutí v oblasti subsumpãní architektury je imunologick˘ pfiístup.

Samotn˘ název ukazuje, jak˘m smûrem se badatelé vydali. Jedná se o vytvofiení

metafory k lidskému imunitnímu systému. Teoretické moÏnosti pfiesahující rámec této

aplikace spoãívají v pfiedpokladu , Ïe jednotlivé moduly jsou aktivní, stejnû jako pro-

tilátky reagující na pfiítomnost antigenu v organismu. Moduly jsou opût základními

funkãními jednotkami, ale nejsou pasivními ve smyslu oãekávání zpracovatelné infor-

mace. Neustále mapují senzorické vstupy i ostatní moduly na pfiítomnost informace,

kterou patfií do jejich kompetence. V pfiípadû stimulace z prostfiedí vznikne situace,

kdy je posloupností zpracování informace vytvofiena unikátní kooperace modulÛ,

jelikoÏ aktivní moduly podle své funkce samy identifikují podnûty objevující se na

senzorech (filosofie mysli nabízí metaforu senzorického projekãního plátna, na které

se dívá místo homunkula aktivní spoleãenství modulÛ). Problematické je fiíci, jak lze

tuto aktivitu modulÛ definovat. Pfiedstavíme-li si zjednodu‰en˘ model agenta

v prostfiedí jako kauzální posloupnost prostfiedí-senzory-moduly-chování-prostfiedí,

pak mÛÏeme fiíci, Ïe kauzální posloupnost u subsumpãní architektury je následující.

Pfiíãinou je prostfiedí, které vysílá informace o sobû na senzory, které je vysílají v‰em

vrstvám a modulÛm v nich. Modul, kter˘ dokáÏe informaci nejlépe zpracovat potlaãí

ãinnost ostatních modulÛ (pokud je to nutné) a provede v˘poãet, kter˘ vede k v˘bûru

chování. Neobsahuje interní reprezentaci (pamûÈ) a tak provádí algoritmus pfiifiazení

chování vÏdy stejnû.

V pfiípadû imunologického pfiístupu jsou vrstvy mapující vstup aktivní. To znamená,

Ïe systém je schopen ovlivÀovat to, co bude vnímáno (v psychologii bychom fiekli

anticipuje). JelikoÏ kauzální proces prostfiedí-senzor-modul je ireversibilní, mÛÏeme

pomocí anticipace vytvofiit chování nezávisle na prostfiedí. Tento proces je moÏn˘

pouze v pfiípadû, Ïe je modul vybaven schopností pamûti, která mu umoÏní uchovat

znalost o prostfiedí ãi o svém stavu i v nepfiítomnosti podnûtu. Nelze ale fiíci, Ïe by

aktivita vypl˘vala pouze z pfiítomnosti pamûti. Pfiístup se ponûkud vymyká z kategorie

ãistû reaktivních agentÛ.

Ve své podstatû je Brooksova subsumpãní architektura roz‰ífiením klasické von neu-

mannovské architektury o paralelismus (Pfeifer&Scheier, 2001). Jednoduché poãítaãe

pracují vedle sebe, v‰echny mají stejné vstupy a mohou pracovat nezávisle na sobû

nebo vyuÏívat informace od ostatních. Architektura ov‰em nenabízí moÏnost emer-

gence kooperativního chování ze dvou dÛvodÛ. Propojení mezi vrstvami není redun-

dantní, takÏe v pfiípadû potfieby komunikace je moÏno pouÏívat jen spojení, která byla

dopfiedu naplánována designérem jako nezbytná pro dané prostfiedí. Tím, Ïe nová

spojení mÛÏe provést pouze designér, architektura nenabízí v˘hody redundantního

propojení neuronov˘ch sítí.

7.6 Multiagentní pfiístup

Vedle centralizovan˘ch systémÛ (s bázemi pravidel a faktÛ a inferenãním mechanis-

mem) existuje od poãátku 80. let i my‰lenka rozdûlení systému na moduly, které mezi

sebou kooperují podle pfiesnû vytyãen˘ch pravidel. Jednoduché agenty se seskupují

do agentur, které mohou produkovat sloÏitûj‰í jednání neÏ jednotliví agenti.

Tato my‰lenka vychází ze societní teorie mysli Marwina Minského. Ten se domnívá,

Ïe se mysl skládá z jednoduch˘ch agentÛ, ktefií se sdruÏují do agentur (jedná se pfie-

nesení my‰lenky tvorby agenta sdruÏováním jednotliv˘ch modulÛ). Jsou to p-agenty a

a-agenty (percepce a akce). Mezi nimi jsou spoje nûkolika typÛ: p-spoje (zpracovávají

percepce), a-spoje (vykonávají akce) a k-spoje (pfiená‰ejí znalosti).

Obr. 27 Architektura societní teorie mysli

Z prostfiedí se vnímají vzruchy. Ty se vedou pomocí p-spojÛ a jsou zpracovávány

p-agenty. V okamÏiku, kdy se informace dostane do takového p-agenta, kter˘ ji umí

zpracovat, je pfienesena k-spojením do pfiíslu‰ného a-agenta a dále vedena smûrem

"dolÛ" k a-agentu, kter˘ mûní nûkterou vlastnost prostfiedí.

Novinkou jsou právû k-spoje, znamenající zpÛsob nakládání a ukládání znalostí. Jsou

zaloÏeny na teorii knowledge lines (Minsky, 1986). PamûÈ pfii tomto typu ukládána

zaznamenává jen ãást procesÛ. Jeho následn˘m opakováním lze získat pfiesnûj‰í obraz

prostfiedí, ãi procesÛ v okolním prostfiedí.

Tím je umoÏnûno spojení pamûÈov˘ch obsahÛ v nov˘ celek, jehoÏ vlastnosti jsou

emergentní a také znaãnû odli‰né od vlastnosti pÛvodních. Jedná se o optimální pod-

mínky pro emergenci, tak jak o ni usilují nûkteré smûry UI. Tento typ ukládání pamûti

Totální mentální stav – (TVAR,BARVA,VELIKOST) – v‰ichni patfiiãní agenti pro

jednotlivé vlastnosti jsou aktivováni.

âásteãn˘ mentální stav – (BARVA,TVAR) – jen nûktefií agenti jsou aktivováni.

Tento pfiípad umoÏÀuje ekonomick˘ zpÛsob zpracování informací. MÛÏe pfiejít

v totální, pokud je to organismem vyÏadováno (Minsky, 1986).

(tedy neúpln˘ obsah) mÛÏeme aplikovat v oblasti fie‰ení problému, rozhodování,

vytváfiení úsudku ãi anticipace. Pokud by se podafiilo tento model obhájit, lze jeho

pomocí vysvûtlit, proã se ãlovûk nefiídí striktnû logick˘mi pravidly, tedy ideálním a

k˘Ïen˘m stavem, kter˘ mu pfiisuzují logici.

Na základû takov˘ch poznatkÛ mÛÏeme spekulovat, Ïe fenomén fantazie je

jen vyuÏíváním pamûÈov˘ch obsahÛ v jejich ranném nebo dokonale konsoli-

dovaném stádiu. Fantazie pracuje s obsahy, jejichÏ uloÏení umoÏÀuje více

stupÀÛ volnosti pfii jejich manipulaci.

88 PPAMùËOVÉ SYSTÉMYAMùËOVÉ SYSTÉMYA REPREZENTA REPREZENTACE ZNALOSTÍACE ZNALOSTÍ

PamûÈov˘ systém je zafiízením, které je schopné ukládat informace a zpûtnû je vyvolat.

Napfiíklad neuronové sítû mohou fungovat jako asociativní pamûÈov˘ systém. Asocia-

tivní pamûÈ ukládá informace ve smyslu asociace a korelace s pfiedchozími informa-

cemi. Velikou v˘hodou je schopnost kategorizace, jejiÏ simulace je u klasick˘ch poãí-

taãÛ obtíÏná. Pokud je systému prezentováno nûkolik podnûtÛ, podobn˘ch si v urãité

vlastnosti, kterou dokáÏe systém obsáhnout v nûkteré ze sv˘ch vah ãi souboru vah,

vzniká schopnost tvorby tfiídy a také schopnost rozpoznat nov˘ neznám˘ objekt, kter˘

má podobnou vlastnost (Caudill&Buttler, 2000).

Mnoho asociativních pamûtí je uloÏeno v distribuované podobû. ZáleÏí na zpÛsobu

reprezentace, ale u neuronov˘ch sítí b˘vá vût‰inou pouÏíváno vah propojení jako

pamûÈov˘ch atomÛ, jejichÏ sloÏením vznikají vy‰‰í celky, které se dají interpretovat

jako reprezentace (Caudill&Buttler, 2000). Distribuovan˘m uloÏením informace

získává systém robustnost, jelikoÏ ztráta nûkolika spojÛ nevede ke kompletní ztrátû

uloÏené informace. Zdá se, Ïe tento typ pamûti je základní podmínou tvorby

inteligentního systému (Caudill&Buttler, 2000).

U klasick˘ch poãítaãÛ je problematické uloÏit informaci asociativnû. Souvisí to s pouÏí-

van˘mi metodami zpracování informace, ale také zpÛsobem zápisu. Do pamûti RAM

se ukládají informaci náhodnû a na pevn˘ disk také.(Caudill&Buttler, 2000). CoÏ zna-

mená nev˘hody.

8.1 CAM

Mnozí badatelé pracující v oblasti case based reasoning (v˘zkum analogií) vypichují

dÛleÏitost úãelu a vybízejí k tomu, aby byly poãítaãové pamûti indexovány zpÛsobem,

kter˘ posiluje vyhledávání analogÛ podle momentálních cílÛ (Kolodner, 1993,s. 92).

Navrhují, aby se pro budování expertních systémÛ vyvinuly „obecnû aplikovatelné

indexující slovníky", které by se daly aplikovat pro v‰echny domény. Zda je takto

indexovaná i lidská pamûÈ lze rozhodnout jen psychologick˘mi experimenty (Thagard,

2001).

PamûÈ ãlovûka umoÏÀuje vybavit pouze ãást poÏadované informace, pfiiãemÏ násled-

nû dochází i k vybavení podobn˘ch ãi doplÀujících informací. Tyto moÏnosti pamûÈ

RAM nenabízí. Proto se objevuje poÏadavek po novém typu pamûti, schopné ukládat

a pracovat s uloÏenou informací asociativnû. Zmínûné v˘hody nabízí obsahovû

adresovatelná pamûÈ - CAM (Konar, 1999). Ta ukládá a vyhledává uloÏená data podle

jejich obsahu. Nejjednodu‰‰ím pfiíkladem je databázov˘ systém, kter˘ pfiifiadí informa-

cím místo v pamûti podle jejich blízkosti ãi podobnosti s pfiedchozími informacemi.

U klasick˘ch poãítaãÛ je realizace následující. Vstupní informace je rozbita pomocí

speciální funkce, jejímÏ v˘sledkem je hodnota, která urãí, kde bude tato informace

uloÏena (Caudill&Buttler, 2000). Konekcionismus realizuje obsahové uloÏení pamûti

právû díky asociativním moÏnostem neuronov˘ch síti. VyuÏitelnost pamûti CAM leÏí

v oblasti sémantiky. Pokud je informace v systému uloÏena formou reprezentace, která

obsahuje kontextové okolí, je takov˘ systém daleko lépe schopen vytvofiit si rámec pro

fie‰en˘ úkol nebo pracovat s neúplnou informací. Zda je model pamûti CAM dostaãu-

jící pro vznik „pochopení" prostfiedí systémem se ukáÏe v budoucnu. Setkáváme se i

s tvrzením, Ïe nestaãí pouze robustní forma uloÏení jedné modality, ale Ïe je tfieba

propojení vstupÛ více modalit do jedné reprezentace, aby systém dokázal pracovat

s obsahy prostfiedí.

8.2 Memory surface

Goldschlager ve svém modelu abstrahuje od vnitfiní struktury mozku a soustfieìuje se

pouze na dÛleÏité body této struktury a tok informací mezi nimi. Simuluje centrální

ãást mozku, naz˘vanou memory surface, která má na starost zpracování preproceso-

van˘ch signálÛ z receptoru. Základní funkãní jednotkou modelu jsou sloupce, které

jsou spojeny v orientovaném grafu. Svou funkcí se nejvíce podobají impulzním per-

ceptronÛm. Komunikace mezi sloupci probíhá formou sledu pulzÛ s promûnlivou

frekvencí podélnû váhov˘ch hran grafu. Nûkteré sloupce mají spojení na pfiedzpraco-

vané vjemy – reprezentují tak vstup do memory surface. KaÏd˘ sloupec je charakteri-

zován komunikaãními a pamûÈov˘mi charakteristikami. VÏdy, kdyÏ do sloupce dorazí

pulz, je dále vyslán párovou hranou k té, kterou pfii‰el. Pulzy pfiicházející vstupními

hranami se bûhem krátk˘ch ãasov˘ch úsekÛ sãítají a nakonec je vyprodukován sled

pulzÛ s frekvencí f, která je pfiímo úmûrná získané sumû. PamûÈová charakteristika

sloupce je záznamem jeho komunikaãních zmûn. Komunikaãní parametry podléhají

krátkodobé a dlouhodobé dynamice – z krátkodobého hlediska dochází k „únavû",

tedy ke sniÏování v˘stupní frekvence pfii del‰í stimulaci. Dlouhodobá pamûÈ je

zabezpeãena zmûnami vah aktivních vstupÛ (Kozej, 2004).

Reprezentace znalostí je v modelu povrchu pamûti (memory surface) realizována

pomocí konceptÛ sloÏen˘ch z obrazcÛ (patterns). KaÏd˘ obrazec je tvofien mnoÏinou

sloupcÛ a jejich (relativních, normalizovan˘ch) aktivit, které vyjadfiují dÛleÏitost

daného sloupce v obrazci. „¤íkáme", Ïe obrazec je aktivní silou s, jestli se jeho

momentální aktivita li‰í od pfiedchozí s-násobnû (Kozej, 2004)..

Tento typ architektury je vylep‰enou verzí neuronov˘ch sítí. Tam je komunikace mezi

neurony reprezentována váhami propojení mezi neurony, ale komunikace probíhá

pouze na úrovni pálí/nepálí. Informace (ãi pamûÈ) systému tak vzniká na úrovni sítû

nebo ãásti, která je aktivní bûhem podnûtu. Memory surface v‰ak nabízí vznik infor-

mace na úrovni jednoho neuronu. Je to zpÛsobeno právû pulzním charakterem aktiv-

ity neuronu, nabízející moÏnost zakódovat informaci do sledu pulzÛ. Také moÏnost

rozdíln˘ch frekvencí pulzÛ umoÏÀuje kvalitativní zmûnu této architektury oproti kla-

sické neuronové síti.

8.3 Mentální reprezentace

Jedna z moÏností, kterou lze rozdûlit pfiístupy v oblasti zpracovávání informací,

pouÏívá jako kriterium zpÛsob vnímání a následné uloÏení informace v pamûti

inteligentního systému, respektive její pfiítomnost ãi nepfiítomnost. Je zfiejmé, Ïe mezi

inferenãním a ekologick˘m pfiístupem k percepci existují rozdíly. Podle jednoho je

vnímání nauãen˘m odhadem, podle druhého získávání informací. Z filosofického

hlediska je inferenãní pfiístup velmi blízk˘ idealismu, tedy tvrzení, Ïe percepce jsou

my‰lenky formované myslí, která vnímá okolní svût. Ekologick˘ pfiístup má naopak

blízko k realismu ãi prezentacionismu, ve kterém jsou vjemy svázány pfiímo

prostfiedím (Sternberg, 1999). JiÏ jsme se zmínili o smûru prezentacionistÛ v kogni-

tivních vûdách. Jeho zastánci argumentují, Ïe ve‰keré potfiebné informace (tedy infor-

mace o jevech i o jejich v˘znam a vazbách) jsou obsaÏeny v prostfiedí a systém musí

b˘t pouze vybaven mechanismy pro jejich zpracování, aby byl povaÏován za

inteligentní. Tvrdí, Ïe inteligence je jiÏ obsaÏena v samotném prostfiedí zpÛsobem jeho

prÛbûhu (omezeného napfiíklad fyzikálními zákony). Nedostatky pfiístupu se zaãínají

objevovat aÏ pokud se snaÏíme vysvûtlovat nûkteré schopnosti ãlovûka, které pro své

vysvûtlení pouÏívají operace s nepfiítomn˘mi pfiedmûty ãi jevy svûta, popfiípadû jejich

deformaci, kombinace nad úrovní fyzikálních zákonÛ shrnutelné pod pojmy fantazie

a kreativita.

Druh˘ pfiístup, kter˘ na‰el ‰irokou odezvu zvlá‰tû v kognitivní psychologii, se naz˘vá

reprezentacionismus. Jak jiÏ název napovídá, tento smûr pfiipou‰tí moÏnost vytváfiení

kopie reality v pamûti inteligentních systémÛ. PouÏití slova kopie by ale bylo velmi

nepfiesné. Nejedná se o pouhé otisky, ale o tvorbu samostatn˘ch aktivních celkÛ, které

jsou schopny v sobû obsáhnout a postihnout vût‰í ãást reality neÏ jeden pfiedmût ãi jev

(jako v pfiípadû kopie). Mentální reprezentace nejsou obrazem reality, jsou vnitfiní

reprezentací moÏnosti (Dupoux, 2001). Právû díky schopnosti b˘t univerzálním zás-

tupcem skupiny jevÛ ãi objektÛ (stejnû jako tfiída ãi kategorie) je mentální reprezen-

tace povahy abstraktní a hypotetické. Její oprávnûnost vychází z jednoduch˘ch zji‰tûní.

Pokud bychom mûli reprezentovat kaÏdou ãást ãi jev reality jako samostatn˘ a unikát-

ní prvek, kter˘ má specifické vlastnosti, musel by reprezentaãní systém mít kapacitu,

která by pfiekraãovala moÏnosti operovat s nimi. JiÏ v lidském pamûÈovém systému

nacházíme základní pfiedpoklady pro tvorbu úspor v procesu reprezentace, které

nejen umoÏÀují zpracovávat a operovat s obrazem (reprezentací) reality v abstraktní

rovinû, ale i schopnost tvorby a uÏívání jazykového kódu pfii práci s reprezentacemi.

Pfiedstava, Ïe je kaÏdá kopie reality uloÏena samostatnû, evokuje pfiedstavu ponûkud

zvlá‰tního jazyka, mÛÏeme-li ho v této úrovni je‰tû takto naz˘vat, pokud by se

takovém pfiípadû vÛbec vytvofiil. To je ale pouze rovina spekulace.

Asi nejlep‰í knihou o mentálních reprezentacích v kontextu kognitivních vûd je pfiehle-

dová publikace Milu‰e Sedlákové z roku 2004, která zpracovává problematiku

s podrobností, s jakou se jí autorka vûnovala cel˘ profesní Ïivot.

JiÏ jsme se zmínili o mentální reprezentaci v souvislosti s lidsk˘m kognitivním

aparátem. Jak je to ale u umûl˘ch systému? MÛÏe nám tento zpÛsob uloÏení informa-

ce pomoci?

V obecné rovinû urãitû ano. V˘hody, které pfiiná‰í pro lidsk˘ kognitivní aparát, platí0

v oblasti simulace dvojnásob. V˘poãetní a pamûÈové schopnosti jsou u umûl˘ch sys-

témÛ daleko omezenûj‰í, neÏ u ãlovûka (UI nahrazuje nedostatky hrubou v˘poãetní

silou). Právû moÏnosti reprezentace (abstrakce od jednotlivin reality) a její pouÏitel-

nost v následném procesu kategorizace, generalizace apod. ãiní mentální reprezentaci

dostateãnû efektivní a univerzální pro oblast simulace.

Mentální reprezentace není pouh˘m uloÏením surov˘ch informací z prostfiedí (trans-

dukovan˘ch pomocí libovolné kvantifikace senzorÛ). Jedná se o sofistikovanûj‰í

formu. Reprezentace musí b˘t uloÏeny v takové podobû, aby zpÛsob, kter˘m jsou

vyjádfieny, byl plnû pochopiteln˘ pro systém, kter˘ je zpracovává. Kromû toho musí

splÀovat zpÛsob uloÏení (kódování) je‰tû podmínku vyuÏitelnosti. Mûl by obsahovat

takové typy vyjádfiení, které co nejvíce korespondují z mechanismy, které jej vyuÏíva-

jí. V psychologii i umûlé inteligenci je tento poÏadavek pouze vysnûn˘m cílem.

Nedostatek informací o mechanismech pracujících s reprezentacemi nám neumoÏní

navrhnout zpÛsob uloÏení reprezentace vhodnou formou.

Tab.3 ZpÛsoby nazírání mentální reprezentace

V souãasn˘ch teoriích mentální reprezentace se setkáváme s potfiebou definovat

v mentální reprezentaci také prvky, které ji nekonstituují, ale naopak, jsou jejím pro-

tikladem. Pokud je to my‰leno pouze jako negace vlastností, které reprezentace

obsahuje (logické NOT), vystaãili bychom si pfii tvorbû reprezentace pouze s formál-

ní logikou. Proces vymezení je ale sloÏitûj‰í. Chceme-li do reprezentace vãlenit i prvky,

které vedou k její nepfiítomnosti, potfiebujeme k tomu více neÏ formální aparát.

Kontext a obsah jsou opût nutnou souãástí pfii jejím vymezování.

Nûkteré pfiístupy ke zkoumání mentálních reprezentací se ji snaÏí izolovat a zkoumat

samostatnû. Pokud ale zkoumáme mentální reprezentaci samostatnû, mimo rámec

okolního svûta, rezignujeme tím na neisserovsk˘ cyklus vnímání ãi brunswikovskou

ãoãku, jeÏ v sobû okolí obsahují. Reprezentace je vÏdy vázána a vychází ze svého zák-

ladu - prostfiedí. Pokud tento fakt pomineme a zkoumáme ji jako souãást uzavfieného

systému, mÛÏe nab˘vat takov˘ch forem a vlastností, které pfii zpûtné pouÏití v reálném

prostfiedí nejsme schopni obhájit (napfiíklad Winogradovo SHRDLU).Dal‰ími tématy a

otázkami, kter˘mi se pfii zkoumání mentální reprezentace mÛÏeme setkat jsou: Existu-

je mentální reprezentace emoce? Existují opravdu mentální reprezentace prvního fiádu?

Jedná se o uvûdomûní bez porozumûní?

Jaká je tedy vyuÏitelnost mentálních reprezentací pro simulaci inteligence?

AÈ je to dáno zãásti tím, Ïe vze‰la z psychologie, ãi její samotnou kvalitou, mentální

reprezentace se svou strukturou nejvíce blíÏi takovému zpÛsobu uloÏení informace

v pamûti, která pfii jejím zpûtném pouÏití umoÏní rekonstrukci kontextu a v˘znamu. Je

tfieba postoupit v oblasti tvorby umûl˘ch systémÛ (vhodnou volbou architektur), které

dokáÏí plnû a neredukcionisticky vyuÏit potence, jeÏ tento pamûÈov˘ systém (ãi spí‰e

zpÛsob uloÏení znalosti) nabízí.

8.4 Rámce

¤e‰ení problému reprezentace poznatkÛ bylo ve v˘znamné mífie aktualizováno úva-

hou, kterou Minsky pod názvem Matter, Mind, and Models (Hmota, mysl a modely)

publikoval roku 1968 v jím sestaveném kniÏním sborníku Semantic Information Pro-

cessing (Zpracování sémantické informace). Sborník je prvním publikaãním v˘stupem

problematizujícím pÛvodní spoléhání v˘zkumníkÛ v oblasti umûlé inteligence

na „hrubou sílu" stále v˘konnûj‰ích poãítaãÛ a na hypotézu inteligence jako jediného

integrálního principu, fiídícího (lidské) jednání (Minsky, 1968). Tento posun vedl ke

hledání specifick˘ch reprezentaãních struktur zapamatování poznatkÛ a specifick˘ch

souborÛ procedur pro jednotlivé intelektuální aktivity (napfi. porozumûní pfiirozenému

jazyku, plánování postupÛ, fie‰ení problémÛ, vidûní apod.).

Za vyvrcholení snahy (která dominovala umûlé inteligenci v 70. letech minulého sto-

letí) najít pokud moÏno univerzální a efektivnû zpracovatelné struktury reprezentace

poznatkÛ, mÛÏeme pokládat návrh tzv. rámcové (frame) reprezentace. Minsky s touto

ideou pfii‰el v roce 1974, kdy navrhl mnohem komplexnûj‰í, tzv. tvarovou (gestalt)

psychologií motivované chápání toho, co jsou a jak jsou asi v mysli organizovány poz-

natky.

Projevem snahy o vytvofiení obecné reprezentace, pouÏitelné pro ‰irok˘ okruh prob-

lémÛ, je tzv. teorie rámcÛ (theory of frames). Její základní my‰lenkou je, Ïe vstoupíme-

li do nové situace, vybereme z pamûti takovou strukturu, která jí odpovídá (podle

pfiedchozí zku‰enosti) a srovnáme ji s aktuálnû vníman˘m svûtem. Rámce jsou tedy

datové struktury reprezentující znalosti pomocí typick˘ch pfiíkladÛ.

Obr. 28 Sémantická síÈ - pfiíklad

Reprezentace znalostí zaloÏená na rámcích se povaÏuje za alternativu reprezentace

sémantick˘mi sítûmi (viz. obrázek). Zdá se v‰ak, Ïe pojem sítû je natolik univerzální,

Ïe by bylo moÏno na jeho základû teorii rámcÛ vybudovat. V pÛvodní formulaci Min-

ského se rámec povaÏuje za základní, prototypovou strukturu, uloÏenou v pamûti a

vytváfiející jakousi „kostru". Rámec je tedy charakterizován jako datová struktura

k reprezentaci stereotypní situace (jako je napfi. pobyt v jistém druhu ob˘vacího poko-

je ãi náv‰tûva veãírku k oslavû narozenin). Ke kaÏdému rámci je pfiipojeno nûkolik

druhÛ informací: nûkteré se t˘kají toho, jak rámce pouÏít, jiné toho, co se dá oãeká-

vat jako pfií‰tí událost, a dal‰í zase informují, co dûlat, nejsou-li oãekávání splnûna.

Obr. 29 Rámec - pfiíklad

Omezení pouÏití rámcÛ se objevuje v kaÏdém prostfiedí, kde dochází k dynamick˘m

zmûnám. Jedná se o zachycování prvkÛ a jejich vztahÛ v prostfiedí a rozpoznávání

jejich dÛleÏitosti ve vztahu k pozorovateli. U ãlovûka jsou za tyto úkoly odpovûdné

mechanismy pozornosti, vûdomí, orientaãnû pátrací reflex, motivace a mnoho dal‰ích.

U umûlého systému v‰ak máme k dispozici velmi málo prostfiedkÛ jak tyto procesy

nasimulovat. Janrelt rozdûluje problém tvorby rámcÛ na dva aspekty. Prvním je prob-

lém predikce, tedy schopnosti rozli‰it, co je pro danou situaci relevantní a co ne.

Druh˘m je kvalifikaãní problém, kter˘ urãuje podmínky, za kter˘ch mÛÏe urãitá akce

nastat ãi nikoliv (Janrelt,1987). Nûkteré aspekty tvorby rámcÛ ãi definování toho, co je

scéna, mohou vést k omezením, které nám neumoÏÀují pfiechod mezi jednotliv˘mi

úrovnûmi detailu v prostfiedí. Pokud pouÏíváme urãité atomy vnímání (slova, ãáry,

objekty, geony, scény), narazíme na problém, pokud se snaÏíme reprezentovat niωí

ãásti (viz Nejmen‰í jednotky) ãi vy‰‰í celek jako je scéna. UplatÀovan˘m procesem pfii

pfiechodu do vy‰‰ích úrovní je generalizace ãi indukce. V tomto procesu musí

docházet k redukci informace, ãi úrovnû detailÛ základních objektÛ ve scénû. Pokud

postupujeme metodou zobecÀování, musí docházet i k redukci jednotliv˘ch

sémantick˘ch v˘znamÛ tûchto atomÛ. Pracujeme-li pak s celou scénou, jak je moÏné,

Ïe nám redukovan˘ v˘znam stále staãí k pochopení, ãi manipulaci s touto scénou?

Pokud bychom abstrahovali stále více, ãasem pÛvodní objekt ztrácí zcela svÛj v˘znam

v nové „makroscénû". Fascinující je zpÛsob generalizace u ãlovûka. Má ve vût‰inû pfií-

padÛ dostateãné mnoÏství v˘znamov˘ch informací, aby mohl provést my‰lenkovou

operaci. Klíãovou se jeví schopnost mít v pamûti uloÏeny i pfiedchozí jednotlivosti,

skrze které do‰lo ke generalizaci. V procesu indukce nám tato v˘hoda umoÏní zvrat-

nost operace (pfiechod od indukãního v˘vodu zpût k informacím, které tvofiily pod-

klad pro indukci). Pfii dedukci je uchovávání star˘ch informací spojeno s monotonií

(která byla zmínûná jako neefektivní vlastnost inteligentního systému). Pfiedchozí

v˘tky ohlednû monotónnosti umûl˘ch systémÛ tedy v popisovaném procesu nepÛsobí

jako omezení, ale jsou spí‰e usnadnûním pro jeho následnou zvratnost. Jak bylo ale

zmínûno v˘‰e, lidská mysl pouÏívá spí‰e pravidla mentální logiky, která je zaloÏena na

v˘znamu, takÏe ji v této úrovni nemÛÏeme srovnávat s ãinností umûl˘ch systému

zaloÏen˘ch syntakticky.

8.5 Bayesianské sítû

Jednou ze základních v˘hod Bayesiansk˘ch sítí (které jsou vylep‰enou variantou sítí

sémantick˘ch), zpÛsobenou jejich kauzální organizací, je schopnost reprezentovat a

reflektovat zmûny v konfiguraci. KaÏdá lokální rekonfigurace mechanismÛ v prostfiedí

mÛÏe b˘t pfieloÏena pouze s minimálními nároky na modifikaci sítû jako isomorfická

rekonfigurace topologie sítû. Chceme-li ze sítû funkãnû odstranit jeden objekt

(reprezentovan˘ jedním uzlem), staãí zru‰it v‰echna spojení, která k nûmu vedou (Wil-

son&Keil, 1999). Pokud ale potfiebujeme spojení obnovit, jak budeme vûdût, Ïe tento

uzel je stále souãástí sítû? Schopnost flexibility je ãasto uvádûna jako základní vlast-

nost, která oddûluje uvaÏující agenty od reaktivních a umoÏÀuje uvaÏujícím zvládat

nové situace kontinuálnû, bez potfieby pfietrénování nebo adaptace.

Obr. 30 Bayesianská síÈ – pfiíklad

Bayesianské sítû mohou b˘t pouÏity pro modelování termodynamiky pfiestav díky

tomu, Ïe nahradí tradiãní pravdûpodobnosti nestandardními, které se dokáÏí

nekoneãnû blíÏit jedniãce nebo nule (Goldszmidt&Pearl, 1996)

99 TVORBA V¯ZNAMUTVORBA V¯ZNAMU9.1 Jazyk

Následující kapitola mÛÏe pÛsobit ponûkud heterogennû. Samotné téma jazyka je v‰ak

svou povahou tak rÛznorodé, Ïe je nemoÏné jej uchopit zpÛsobem, kter˘ by jej

dokázal plnohodnotnû popsat. Pokus o ucelené vyjádfiení jeho struktury a moÏn˘ch

funkcí, byÈ jen pro oblast simulace by byl mnohovrstevnat˘, proplétající se, sebeod-

kazující a v‰e, jen ne jednoduch˘. I pfiesto bych rád nûkteré vlastnosti jazyka zmínil,

pro jeho klíãovou úlohu v oblastech, kter˘mi se zab˘vá tato práce. Následující pasáÏe

na sebe plynule nenavazují, jedná se spí‰e o soubor postfiehÛ, které mají jedno

spoleãné téma.

Jazyk je organizován jako hierarchie se zvy‰ující se komplexitou. Objevují se nová

pravidla v˘znamu a vztahy, které nemohou b˘t vyjádfieny jako vlastnosti elementÛ, jeÏ

tvofií niωí úrovnû, ale vycházejí z toho, jak jsou tyto elementy propojeny (Hogan,

1998). Pfiíkladem mÛÏe b˘t genetick˘ kód - jedin˘ triplet nedokáÏe popsat stavbu

ãlovûka, ale celá DNA uÏ ano.

Pokud byl jazyk utváfien jako komunikaãní nástroj mezi subjekty, nemÛÏeme jej pouÏí-

vat jako objektivní hledisko, nebo jako vûc samu o sobû.

Souãasné pouÏívání jazyka (libovolného) jako zpÛsobu kódování programÛ ãi zpÛ-

sobu komunikace mezi jednotliv˘mi stroji se setkává s neschopností zachycení v˘zna-

mu pouh˘m kódováním do jazyka. Opût naráÏíme na arbitrárnost jazyka a potfiebu ref-

erenãního kódování pro vznik v˘znamÛ. Je známo, Ïe ãlovûk dokáÏe ãíst knihy a

rozumût jim, i kdyÏ nejsou doplnûny referenãním kódem (napfiíklad obrazem).

U umûlého systému tato moÏnost neexistuje. âlovûk má moÏnost si pfii ãetbû vytvofiit

obrazov˘ prÛbûh (kód) pfieãteného textu a skrze nûj pochopit v˘znam. „Obrazová

pamûÈ" pouÏívaná bûhem ãtení byla získána je‰tû pfied samotnou ãetbou (osobní his-

torie). U umûlého systému se nesetkáváme s tvorbou referenãního kódu, kter˘ by

umoÏnil vznik v˘znamu. Podrobnûji o tom hovofií kapitola o ukotvení symbolÛ.

Pokud je okolní svût prostorov˘, není moÏné vytvofiit jeho prostorovou reprezentaci

pouze jazykov˘m kódem, kter˘ je neprostorov˘, tedy neumoÏÀuje vûrnû zachytit pros-

torové vztahy. Pomoci mÛÏe matematika, která dokáÏe nûkteré aspekty prostoru a

hmoty kvantifikovat, ãi najít funkãní souvislost (komplexní kauzální souvislost), ale

jestliÏe popí‰eme vûci kauzálnû, potfiebujeme znát vÏdy poãátek kauzality a tím

extrémnû zatûÏujeme reprezentaãní mechanismus. Také nemÛÏeme kauzálnû zachytit

vûci, jejichÏ kauzální historii neznáme. Matematika (ãi jiná formalizace) je nevhodná,

pokud potfiebuji popsat rozmístûní skfiíní ve svém pokoji, jehoÏ kauzální historie je pro

mû neznámá. I kdyby mi byla známa, bude nad mé v˘poãetní schopnosti. Obrazov˘

kód v sobû takové prostorové vztahy a vlastnosti obsahuje. Jazykov˘ kód mÛÏe b˘t

aplikován aÏ na obrazov˘, mÛÏe umoÏnit jeho efektivní a ekonomickou redukci

pomocí fragmentování, ale zmizí tím prostorové vztahy.

Poãítaãová a lidská fieã nejsou stejné, proto se mohou jen velmi slabû ovlivÀovat.

Jde spí‰e o to, Ïe poãítaãová fieã je z lidské odvozená a je pouze jejím mal˘m v˘sekem,

takÏe moÏnosti ovlivÀování jsou moÏné pouze ve smûru lidská - poãítaãová (Boden,

1988).

Moderní lingvisté rozli‰ují mezi otevfien˘mi a uzavfien˘mi tfiídami slov. Otevfiené tfiídy

mohou b˘t doplÀovány, aniÏ by bylo tfieba mûnit základy jazyka, napfi. podstatná

jména (opût paralela s formální logikou). Uzavfiené tfiídy slouÏí k tvorbû gramatické

struktury, napfi. ãleny, pfiedloÏky. Jdou obtíÏnûji rozebrat na ãásti neÏ otevfiené tfiídy.

Lidé s mozkov˘m po‰kozením je obtíÏnûji rozli‰ují. Z hlediska poãítaãové teorie,

Chomsky a moderní lingvisté tvrdí, Ïe lidská mysl, jako v˘poãetní zafiízení, obsahuje

oddûlené moduly pro syntaktickou a sémantickou anal˘zu (Sternberg, 1999).

9.2 Ukotvení symbolÛ

Problém, kter˘ nebyl v historii kognitivní vûdy nikdy pfiíli‰ brán v potaz, ale kter˘ je

pro simulaci inteligence podstatn˘, souvisí s ukotvením symbolÛ. Situace je následu-

jící. Jak jiÏ bylo zmínûno v této práci mnohokrát, souãasné stroje zpracovávají své

informace na syntaktické úrovni. Vypl˘vá to z jejich algoritmického zpÛsobu operace

s daty. Pokud ale systém potfiebuje interagovat s reáln˘m svûtem a pomocí zpracov-

ání interních reprezentací „o nûm" provádût operace, které nejsou pfiedprogramované

(ãi netriviální), potfiebuje zvládnout i sémantickou úroveÀ symbolÛ. To znamená

soustfiedit se na problematiku tvorby v˘znamu. (Pfeifer&Scheier, 2001). Nûkolik zák-

ladních informací o tvorbû v˘znamu jiÏ bylo nastínûno v kapitole o mentálních

reprezentacích. Problematika byla také zpracována samostatnû.

Harnad nabízí fie‰ení grounding problému vytvofiením mechanismu, rozdûlujícího

smyslové vstupy do tfiíd podle jejich dÛleÏit˘ch vlastností a pfiifiazující jim odpovídající

symboly v reprezentaci. Symboly by byly pojmenováním v˘znamÛ nesen˘ch

ve skuteãnosti tímto mechanismem. Jedná se opût o pfiístup, kter˘ se snaÏí postulovat

v˘znam tím, Ïe s ním explicitnû poãítá v mechanismech, které by mûly tento proces

umoÏnit.

Symboly a manipulace se symboly (které jsou ãastûji ukotvené pomocí tvaru neÏ

pomocí v˘znamu) b˘vají hodnoceny jako by v˘znam mûly, ãímÏ konstituují symbol-

ick˘ systém jak jej známe. Takov˘ zpÛsob v˘kladu v‰ak nedefinuje symbolick˘ systém

jako vnitfiní reprezentaãní systém. Jedná se parazitick˘ zpÛsob ukládání symbolÛ.

MÛÏeme to pfiirovnat ke slovÛm v knize, která také nejsou vnitfiní reprezentací, ale

pouze médiem pro záznam symbolÛ, které nab˘vají v˘znamu aÏ tehdy, kdy jsou zpra-

covány na‰imi mozky bûhem ãtení. TakÏe pokud jsou symboly uloÏeny v systému jako

„vnûj‰í" reprezentace (oproti vnitfiní v na‰em mozku), nelze mu pfiisoudit v˘znam.

Kognice není pouhá manipulace se symboly (Harnad, 1990).

Obvykl˘m názorem symbolistÛ je, Ïe v˘znam symbolÛ je ustaven skrze „správné"

propojení symbolÛ se svûtem.

Ale ono „správné" propojení je jenom jinak nazvan˘ problém kognice, kter˘ je velmi

obtíÏnû fie‰iteln˘. Mnoho symbolistÛ také vûfií, Ïe kognice je pouhou manipulací

e symboly, která je uskuteãÀována skrze nezávisl˘ funkãní modul pfiipojen˘ na vstup-

ní zafiízení, umoÏÀující mu „vidût" svût objektÛ, kterému odpovídají symboly. Opût

ponûkud vágní definice, která vychází z podivného principu „správného propojení" ãi

„vidûní", které je pro ustavení symbolÛ nutné, ale není blíÏe vysvûtleno. Jedná se

o podcenûní pfievodu prostfiedí do formy, která je zastupitelná pomocí symbolÛ, tedy

o zjednodu‰ování problému ukotvení (Harnad, 1990). Teorie sémantiky musí b˘t

zásadnû neredukcionistická, jelikoÏ tvorba obsahu je zaloÏená spí‰e na expanzi.

Pro podrobnûj‰í vysvûtlení ukotvení symbolÛ odkazuji na HarnadÛv ãlánek (Harnad,

1990).

9.3 Kontext

Dlouhodob˘m problémem v oblasti simulace inteligence je schopnost pochopení.

Tedy vytvofiení kontextu, znalost v˘znamÛ podnûtÛ a jejich souvztaÏnosti ãi kauzality

(Konar, 1999). Potfieba studia a vymezení kontextu v rámci kognitivní vûdy byla

dlouhou dobu odsouvána na vedlej‰í kolej.

V tfiicát˘ch letech se objevuje v Bartlettov˘ch pracích tématika individuálního a sociál-

ního kontextu, kter˘m autor pfiikládá velkou dÛleÏitost. Trvalo ale dal‰ích 30 let, neÏ

se objevila potfieba zkoumání kontextu v práce Ulrika Neissera (1976). ZpÛsoby

nazírání kontextu se v pracích následujících autorÛ znaãnû li‰í. Vypl˘vá to ze samé

povahy termínu, jelikoÏ jeho vymezení je úzce spojeno se subjektivitou. První pokusy

jej zaãleÀovaly do mentálního rámce, kteroho jedinec vyuÏívá pfii své ãinnosti. KaÏd˘

jedinec proÏívá tento fenomén prostfiednictvím strukturované reprezentace sv˘ch

znalostí. PouÏívají se také v˘razy schéma nebo reprezentace.

Pokud patfiiãná soustava neexistuje, je nutné ji vytvofiit. VzrÛstá-li poãet znalostí, které

mají spoleãn˘ rámec, integrovan˘ do soustavy tûchto poznatkÛ, vzrÛstají i moÏnosti

práce s kontextem. BohuÏel v pfiípadû takového vymezení vzniká tendence ztotoÏnit

interní mentální soustavu se samotn˘m kontextem, coÏ by nebylo úplnû pfiesné (Stern-

berg, 1999). Kontext lze také nazírat jako fenomén, kter˘ se vyskytuje i mimo

inteligentní systém. Bronfenbernner hovofií o kontextu v rovinû prostfiedí ãi v rovinû

sociálních vztahÛ.

Bartlettov˘m pfiínosem pro studium lidské pamûti je odklon od nazírání pamûti jako

mechanického skladu informací. V jeho pojetí je pamûÈ dynamick˘m procesem, ve

kterém jsou pfiání, hodnoty, záÏitky a zku‰enosti jedince pouÏity tak, aby umoÏnily

vytvofiení v˘znamu pro pfiicházející stimul. Naz˘val tento proces „touhou po v˘zna-

mu", ãímÏ chtûl zdÛraznit souãinnost pamûti s cel˘m kognitivním aparátem, umoÏÀu-

jící aktivní zpÛsob zpracování vjemÛ a tendenci organismu je vãlenit do své zku‰enos-

ti. To spí‰e vypovídá o procesech kategorizace a generalizace, ale kontext s danou

problematikou úzce souvisí. Vymezení hranic kontextu z hlediska jeho zkoumání je

velmi obtíÏné. V˘zkumy, které slouÏí pro objasnûní kontextu jsou vût‰inou zamûfiené

spí‰e na vliv pozornosti, zpÛsoby indukce, popfiípadû fie‰ení problému a otázky kon-

textu jsou aÏ druhotné. Pfiitom existence kontextu je pfiedpokladem pro vznik v˘‰e

zmínûn˘ch jevÛ, které by bez nûj nemohly probûhnout v sémantické rovinû a nebylo

by tak moÏno zajistit vznik v˘znamu, potaÏmo zaãlenûní nov˘ch informací do stáva-

jících (Sternberg, 1999).

Znám˘m experimentem, kter˘ ukazuje na odli‰nou tvorbu kontextu i pokud jedinci

pfiijímají stejné informace, je Prohlídka domu. Zadání instrukce ZO je rozdílné pouze

v jednom bodu. Jedna skupina je instruována tak, Ïe by mûla prohlíÏen˘ dÛm vykrást

a druhá koupit. V˘sledná struktura znalostí o domû vykazovala u obou skupin sig-

nifikantní rozdíly. Tento druh pfiijímání a zaãleÀování informací se naz˘vá znalostní

efekt. V˘zkum se dá ale opût zafiadit spí‰e mezi pfiíklady vlivu anticipace na proÏívání.

Fenomén kontextu se nám (z hlediska kognitivní psychologie) objevuje v kaÏdé fázi

cyklu vnímání, coÏ ãiní danou problematiku velmi obtíÏnû vymezitelnou (Sternberg,

1999).

Zajímav˘ je vztah mezi asociacemi a kontextem. Kritika asocianismu poukazovala na

to, Ïe pouh˘mi asociaãními zákony nejsme schopni popsat procesy abstraktního

my‰lení, operace a manipulace s reprezentacemi a kreativitu. Ov‰em otázka je poloÏe-

na ponûkud jinak. Asociaãní zákony slouÏí k ustavení struktury, popfiípadû zpÛsobu

uloÏení pamûÈov˘ch obsahÛ takov˘m zpÛsobem, kter˘ dokáÏe zachytit ãasové, pros-

torové a podobnostní vztahy. Tímto získáváme pouze v médiu uloÏené reprezentace

prostfiedí (v praxi napfiíklad pamûti CAM). Pokud chceme hovofiit o aktivním systému,

potfiebujeme také funkãní komponentu. A to je chybûjící ãást asocianismu. Pokud

bude systém doplnûn o operátory ãi mechanismy, které budou schopny zpracovávat

uloÏené reprezentace s pfiihlédnutím k jejich kontextu (tedy asociaãním vazbám),

vytváfiíme tak systém, mající schopnosti (sporná je kreativita), které jsou ãistému aso-

cianismu upírány a které vedou k ustavení kontextovû orientovaného systému. Sporná

zÛstává otázka, zda je pamûÈ zaloÏená na asociacích schopná splnit poÏadavky

ukotvení symbolÛ. DÛleÏité pro práci operátorÛ je vytváfiet vazby a vzájemnû si vymûÀo-

vat informace (paralelismus) bûhem práce s reprezentacemi. I pokud pracujeme s reprezen-

tacemi ve formû asociací, neznamená to automaticky, Ïe kontext bude vznikat na vy‰‰ích

abstraktních úrovních, protoÏe je nutné projít procesem generalizace, kde je tfieba kontext

ustavit znovu, jelikoÏ získáváme kvalitativnû nové reprezentace.

ZÁZÁVùR = SÉMANTIKAVùR = SÉMANTIKA

Jako ãervená nit se vine celou touto prací jedno stûÏejní téma, poukazující na zásad-

ní nedostatek pfii tvorbû inteligentních systémÛ. Ve v‰ech z probíran˘ch pfiístupÛ se

objevuje poÏadavek, aby systém, vytvofien˘ na jeho základech, obsahoval schopnost

„porozumût" prostfiedí, ve kterém se pohybuje. Mnohokrát se badatelé, zastávající ten

ãi onen pfiístup, snaÏili vytvofiit architektury a mechanismy rÛzné úrovnû sloÏitosti, ale

pokaÏdé mÛÏeme o v˘sledku fiíci, Ïe je nedostaãující pro plnohodnotné napodobení

obecné schopnosti inteligence.

Jedním ze zámûrÛ této práce bylo prozkoumat dané pfiístupy právû z hlediska jejich

moÏností a limit pfii simulaci inteligence. Nutno fiíci, Ïe v˘sledky jsou stále uspokoju-

jící pouze v rovinû simulace speciálních schopností.

V budoucnu mÛÏe b˘t perspektivní cestou pokus o tvorbu architektury a mechanis-

mÛ, umoÏÀujících umûlému systému moÏnost inteligentnû interagovat s okolním

prostfiedím bez nutnosti zásahu svého tvÛrce. Takov˘ systém nemÛÏe b˘t pouze

mechanick˘m manipulátorem se vstupy prostfiedí, ale naopak, mûl by obsahovat

schopnost vytváfiet si reprezentaãní systém, kter˘ je mu vlastní a zachovává dostateã-

nou míru shody s prostfiedím, v nûmÏ se pohybuje. Mít moÏnost vytváfiet v˘znam

prostfiedí, chápat obsah, vnímat svût sémanticky.

Tato práce mÛÏe slouÏit jako dobr˘ odrazov˘ mÛstek pro dal‰í studium problematiky

simulace inteligence. Obsahuje shrnutí základních poznatkÛ, umoÏÀujících lep‰í ori-

entaci v oblasti kognitivních vûd. Pokud to bude moÏné, autor této práce by se rád

vûnoval problematice i nadále a smûfioval své pfií‰tí studium právû do oblasti tvorby

v˘znamu, do oblasti sémantick˘ch umûl˘ch systémÛ.

LITERALITERATURATURA

Ashby, W. R. (1956). An Introduction to Cybernetics. London: Methuen Press.

Barrow, J. D. (1996). Teorie v‰eho. Praha: Mladá fronta.

Boden, M. (1977). Artificial intelligence and natural man (2nd ed.). Cambridge, MA:MIT Press.

Boden, M. (1988). Computer Models Of Mind. Cambridge: Cambridge University Press.

Braitenberg, V. (1984). Vehicles: Experiments in synthetic psychology. Cambridge, MA:MIT Press.

Brustoloni, Jose C. (1991). Autonomous Agents: Characterization and Requirements(Carnegie Mellon Technical Report CMU-CS-91-204). Pittsburgh: Carnegie MellonUniversity.

Caudill, M., &Butler, C. (2000). Naturally intelligent systems (5th ed.). Cambridge: MITPress.

Crane, T. (2002). The Mechanical Mind: A Philosophical Introduction to Minds,Machines and Mental Representation. Harmondsworth: Penguin Books.

Dupoux, E. (2001). Language, Brain and Cognitive Development: Essays in Honor ofJacques Mehler. Cambridge, MA: MIT Press.

Franklin, S.,&Graesser A.(1996) Is it an Agent, or just a Program?: A Taxonomy forAutonomous Agents. In Proceedings of the Third International Workshop on AgentTheories, Architectures, and Languages. London: Springer-Verlag.

Gazzaniga, M., Ivry, R., & Mangun, G. (1998). Cognitive Neuroscience: The Biology ofthe Mind. New York: W.W. Norton and Co.

Goldszmidt, M.,&Pearl J.(1996) Qualitative probabilities for default reasoning, beliefrevision, and causal modeling. Artificial Intelligence, 84, 57-112.

Greenspan, S. I. (1996). The growth of the mind and the endangered origins of intel-ligence. Reading, MA: Addison-Wesley.

Harnad, S. (1990). The Symbol Grounding Problem. Physica D, 42, 335-346.

Haugeland, J. (1997). Mind Design II: Philosophy, Psychology, Artificial Intelligence(2nd ed.). Cambridge, MA: MIT Press (A Bradford Book).

Havel, I. M. (2001). Pfiirozené a umûlé my‰lení jako filosofick˘ problém. In Mafiík, O.(Ed.). (2001). Umûlá Inteligence (3). Praha: Academia.

Hayes-Roth, B. (1995). An Architecture for Adaptive Intelligent Systems. Artificial Intel-ligence: Special Issue on Agents and Interactivity, 72, 329-365

Hendriks-Jansen, H. (1996). Catching ourselves in the act: Situated activity, interactiveemergence, evolution, and human thought. Cambridge, MA: MIT Press (A BradfordBook).

Hofstadter, D. R. (1999). Gödel, Escher, Bach : an eternal golden braid. New York :Basic Books.

Hogan, J. P. (1998). Mind Matters: Exploring the World of Artificial Intelligence. NewYork: Del Ray.

Janlert, L. E. (1987). Modeling change: The frame problem. In Z. W. Pylyshyn(Ed.).(1987) The robot's dilemma: The frame problem in artificial intelligence. Nor-wood, NJ: Ablex.

Johnson-Laird, P.N. (1980). Mental Models in Cognitive Science. Cognitive Science, 4,71-115.

Jonák, Z. (2000). Pojem "informace" ve svûtû sdíleného pojetí skuteãnosti. Ikaros[online], 2000, 2, Retrieved 2000-02-01 fromhttp://ikaros.ff.cuni.cz/ikaros/2000/c02/veda.htm

Kolodner, J. (1993). Case-Based Reasoning. San Mateo: Morgan Kauffman Publishers

Konar, A. (1999). Artificial Intelligence and Soft Computing Behavioral and CognitiveModeling of the Human Brain. New York: CRC Press.

Kosslyn, S. M., &Koenig, O. (1992). Wet Mind: The New Cognitive Neuroscience. NewYork: Free Press.

Kotek, Z. a kol. (1983). Teória automatického riadenia II. Bratislava: SNTL, Alfa.

Kozej, P. (2004). Kognícia bez mentálnych procesov. Unpublished master's thesis.Univerzita Komenského, Fakulta matematiky, fyziky a informatiky, Bratislava, Sloven-sko.

Kuãerová, H. (2002). Teorie informace.Retrieved 2004-05-05 fromhttp://info.sks.cz/users/ku/UIS/inform1.htm

Lorenz, K. (1981). Foundations of ethology. London: Springer-Verlag.

Lucas, J.R. (1961). Minds, Machines and Goedel. Philosophy, 36, 112-127.

Luger, G.F. (1994). Cognitive Science: The Science of Intelligent Systems. Boston, MA:Academic Press.

Mataric, M. (1997). Learning social behaviors. Practice and Future of AutonomousAgents. Special issue, R. Pfeifer and R. Brooks (Eds.). Robotics and Autonomous Sys-tems,20, 191-204.

Mafiík, O. (Ed.). (1993). Umûlá Inteligence (1). Praha: Academia.

Mafiík, O. (Ed.). (1997). Umûlá Inteligence (2). Praha: Academia.

Mafiík, O. (Ed.). (2001). Umûlá Inteligence (3). Praha: Academia.

Mafiík, O. (Ed.). (2003). Umûlá Inteligence (4). Praha: Academia.

Minsky, M. (1967). Computation: Finite and Infinite Machines. Englewood Cliffs, NJ:Prentice-Hall.

Minsky, M. (1968). Semantic Information Processing. Cambridge, MA: MIT Press.

Minsky, M., and Papert, S. (1969). Perceptrons. Cambridge. MA: MIT Press.

Minsky, M.(1986). The Society of Mind. New York: Touchstone.

Newell, A., and Simon, H. A. (1972). Human problem solving. Englewood Cliffs, NJ:Prentice-Hall.

Peregrin, J. (1997). Teorie v‰eho, ãeho v‰eho?. Retrieved 2004-09-08 fromhttp://jarda.peregrin.cz/mybibl/HTMLTxt/362.htm

Peregrin, J. (2002). âlovûk, pro kterého zítra jiÏ znamenalo vãera.Retrieved 2004-09-08 fromhttp://jarda.peregrin.cz/mybibl/HTMLTxt/447.htm

Peregrin, J. (2003). Filosofie a jazyk. Praha: Triton.

Peregrin, J. (2004). Umûlá inteligence bude "zbastlená" - a my jsme poãítaãe, které otom ani nebudou vûdût. Retrieved 2004-09-08 fromhttp://jarda.peregrin.cz/mybibl/HTMLTxt/448.htm

Pûchouãek, M. (n.d.). Úvod do filosofie umûlé inteligenceRetrieved 2004-02-08 fromhttp://cyber.felk.cvut.cz/gerstner/teaching/kui/kui-phil.htm

Pfeifer, R. ,& Scheier, C. (2001). Understanding Intelligence. Cambridge, MA: MIT Press.

Piaget, J. (1998). Psychologie inteligence. Praha, Portál 1998

Pícha, M. (2001). Silná umûlá inteligence. Unpublished master's thesis. MasarykovaUniverzita, Filosofická fakulta, Brno, âeská Republika.

Pick, H.L. Jr., P. van den Broek, & D.C. Knill (Eds.) (1992). Cognition: Conceptual andmethodological issues.Washington, DC: American Psychological Association

Pinker, S. (1997). How the Mind Works. New York: W. W. Norton & Company.

Posner, M. I.,&Keele, S.V. (1968). On the Genesis of abstract ideas. Journal of Experi-mental Psychology, 77(3,1), 353-363.

PstruÏina, K. (1998). Svût poznávání: k filozofick˘m základÛm kognitivní vûdy. Olo-mouc: Nakladatelství Olomouc

Rosenblatt, F. (1958). The perceptron: A probabilistic model for information storageandorganization in the brain. Psychological Review, 65, 386-408.

Ross, B.H.: (1996). Category representations and the effect of interacting withinstances. Journal of experimental Psychology:Learning, Memory and Cognition, 22,1249-1265.

Russell, S. J., &Norvig, P. (1995). Artificial intelligence: A modern approach. UpperSaddle River, NJ: Prentice Hall.

Sedláková, M. (2004). Vybrane kapitoly z kognitivni psychologie : mentalni reprezen-tace a mentalni modely . Praha: Grada.

Shannon, C. E., &Weaver, W. W. (1948). The mathematical theory of communication.Urbana: University of Illinois Press.

Sloman, S. A.,& Rips, L. J. (1998): Similarity as an explanatory construct. Cognition, 65(2-3), 87-101.

Smith, J.C. (ed.).(1990). Historical Foundations of Cognitive Science. Dordrecht: Kluw-er.

Smullyan, R. (2003). Navûky nerozhodnuto. Uvod do logiky a zábavny prÛvodce keGodelovym objevÛm. Praha: Academia.

Sternberg, R. J. (Ed.).(1994). Encyclopedia of human intelligence. New York andToronto: Macmillan.

Sternberg, R. J. (1996). Kognitivní psychologie. Praha: Portál.

Sternberg, R. J. (Ed.).(1999). The nature of cognition. Cambridge, MA: MIT Press.

Sternberg, R. J. (Ed.).(2000) Handbook of intelligence. Cambridge and New York:Cambridge University Press.

Sternberg, R. J. (Ed.).(2001). Complex cognition. NewYork: Oxford University Press.

Sutherland, S. (1989). Macmillan dictionary of psychology. London, New York :Macmillan. / Cit. podle Crick, F. (1997). Vûda hledá du‰i: Pfiekvapivá domnûnka.Praha: Mladá fronta.

·íma, J., Neruda R. (1996). Teoretické otázky neuronov˘ch sítí. Praha: Univ. Karlova.

Thagard, P. (2001). Úvod do kognitivní vûdy. Praha: Portál.

Vysok˘, P. (2004). C. E. Shannon – prÛkopník informaãního vûku. Vesmír, 83, 472-475.

Wiedermann, J. (2001). Turing Machine Paradigm in Contemporary Computing[Abstract]. Mathematics Unlimited - 2001 and Beyond. London: Springer-Verlag.

Wiener, N. (1947). Cybernetics. Cambridge, MA: MIT Press.

Wilson, R. A., & Keil, F. C. (Eds.). (1999). The MIT Encyclopedia of the CognitiveSciences. Cambridge, MA: MIT Press.

Winograd, T. (1976). Towards a procedural understanding of semantics. Revue Inter-nationale de Philosophie, 3, 117-118.

Wittgenstein, L. (1953). Philosophical Investigations. Oxford: Blackwell.