Вычислительное познание
Вычислительное познание (иногда называемое вычислительной когнитивной наукой , вычислительной психологией или когнитивным моделированием ) — это исследование вычислительной основы обучения и умозаключений посредством математического моделирования , компьютерного моделирования и поведенческих экспериментов. В психологии это подход, который разрабатывает вычислительные модели на основе экспериментальных результатов. Он стремится понять основу человеческого метода обработки информации . Вначале специалисты по вычислительной когнитивистике стремились вернуть и создать научную форму психологии Брентано . [1]
Искусственный интеллект
[ редактировать ]Создание искусственного интеллекта преследует две основные цели: создавать разумное поведение независимо от качества результатов и моделировать разумное поведение, встречающееся в природе. [2] [3] В начале своего существования искусственному интеллекту не было необходимости имитировать то же поведение, что и человеческое познание. До 1960-х годов экономисты Герберт Саймон и Аллен Ньюэлл пытались формализовать человеческие навыки решения проблем, используя результаты психологических исследований для разработки программ, реализующих те же методы решения проблем, что и люди. Их работы заложили основу для символического искусственного интеллекта и вычислительного познания, а также для некоторых достижений когнитивной науки и когнитивной психологии . [4]
Область символического ИИ основана на гипотезе систем физических символов Саймона и Ньюэлла, которая утверждает, что выражение аспектов когнитивного интеллекта может быть достигнуто посредством манипулирования символами . [5] Однако Джон Маккарти сосредоточился больше на первоначальной цели искусственного интеллекта, которая состоит в том, чтобы разрушить суть логических и абстрактных рассуждений независимо от того, использует ли человек тот же механизм или нет. [3]
В течение следующих десятилетий прогресс, достигнутый в области искусственного интеллекта, стал больше фокусироваться на разработке программ, основанных на логике и знаниях, отклоняясь от первоначальной цели символического ИИ. Исследователи начали верить, что символический искусственный интеллект, возможно, никогда не сможет имитировать некоторые сложные процессы человеческого познания, такие как восприятие или обучение . Воспринимавшаяся тогда невозможность (поскольку опровергнутая [6] ) реализации эмоций в ИИ, считалось камнем преткновения на пути к достижению человеческого познания с помощью компьютеров. [7] Исследователи начали использовать «субсимволический» подход к созданию интеллекта, не представляя конкретно эти знания. Это движение привело к возникновению дисциплины компьютерного моделирования , коннекционизма и вычислительного интеллекта . [5]
Компьютерное моделирование
[ редактировать ]Поскольку вычислительное когнитивное моделирование вносит больший вклад в понимание человеческого познания, чем искусственный интеллект, оно возникло из-за необходимости определить различные функции познания (такие как мотивация, эмоции или восприятие), представляя их в вычислительных моделях механизмов и процессов. [8] Вычислительные модели изучают сложные системы посредством использования алгоритмов многих переменных и обширных вычислительных ресурсов для компьютерного моделирования . [9] Моделирование достигается путем корректировки переменных, изменения одной из них или даже объединения их вместе, чтобы наблюдать влияние на результаты. Результаты помогают экспериментаторам делать прогнозы о том, что произойдет в реальной системе, если произойдут подобные изменения. [10]
Когда вычислительные модели пытаются имитировать когнитивное функционирование человека, все детали функции должны быть известны, чтобы они могли правильно передаваться и отображаться в моделях, что позволяет исследователям полностью понять и протестировать существующую теорию, поскольку ни одна переменная не является неясной, а все переменные можно изменить. . Рассмотрим модель памяти, построенную Аткинсоном и Шиффрин в 1968 году . Она показала, как повторение приводит к долговременной памяти , где будет храниться репетируемая информация. Несмотря на успехи в раскрытии функции памяти, эта модель не дает ответов на такие важные вопросы, как: какой объем информации можно воспроизвести за один раз? Сколько времени требуется, чтобы информация перешла из репетиции в долговременную память? Точно так же другие вычислительные модели поднимают больше вопросов о познании, чем дают ответов, что делает их вклад в понимание человеческого познания гораздо менее значимым, чем другие когнитивные подходы. [11] Дополнительным недостатком компьютерного моделирования является отсутствие объективности. [12]
Джон Андерсон в своей модели адаптивного управления мышлением и рациональным мышлением (ACT-R) использует функции вычислительных моделей и результаты когнитивной науки. Модель ACT-R основана на теории, согласно которой мозг состоит из нескольких модулей, которые выполняют специализированные функции отдельно друг от друга. [11] Модель ACT-R классифицируется как символический подход к когнитивной науке. [13]
Коннекционистские сети
[ редактировать ]Другой подход, который больше касается семантического содержания когнитивной науки, - это коннекционизм или моделирование нейронных сетей. Коннекционизм опирается на идею о том, что мозг состоит из простых единиц или узлов, а поведенческая реакция возникает в первую очередь из слоев связей между узлами, а не из самого стимула окружающей среды. [11]
Коннекционистская сеть отличается от компьютерного моделирования именно двумя функциями: нейронным обратным распространением ошибки и параллельной обработкой . Нейронное обратное распространение ошибки — это метод, используемый коннекционистскими сетями для демонстрации доказательств обучения. После того, как коннекционистская сеть выдает ответ, смоделированные результаты сравниваются с результатами реальной ситуации. Обратная связь, обеспечиваемая обратным распространением ошибок, будет использоваться для повышения точности последующих ответов сети. [14] Вторая функция, параллельная обработка, возникла из убеждения, что знания и восприятие не ограничиваются конкретными модулями, а скорее распределены по когнитивным сетям. Современность параллельной распределенной обработки была продемонстрирована в психологических демонстрациях, таких как эффект Струпа , когда мозг, кажется, одновременно анализирует восприятие цвета и значения языка. [15] Однако этот теоретический подход постоянно опровергался, поскольку две когнитивные функции, связанные с восприятием цвета и словообразованием, действуют отдельно и одновременно, а не параллельно друг другу. [16]
Область познания, возможно, выиграла бы от использования коннекционистских сетей, но создание моделей нейронных сетей может оказаться довольно утомительной задачей, а результаты могут быть менее интерпретируемыми, чем система, которую они пытаются моделировать. Следовательно, результаты могут быть использованы в качестве доказательства широкой теории познания без объяснения конкретного процесса, происходящего внутри когнитивной функции. Другие недостатки коннекционизма заключаются в методах исследования, которые он использует, или в гипотезах, которые он проверяет, поскольку они часто оказываются неточными или неэффективными, что уводит коннекционистские модели от точного представления о том, как функционирует мозг. Эти проблемы приводят к тому, что модели нейронных сетей становятся неэффективными при изучении высших форм обработки информации и мешают коннекционизму продвигать общее понимание человеческого познания. [17]
Ссылки
[ редактировать ]- ^ Грин К. и Сокал Майкл М. (2000). «Разоблачение «тайны» вычислительной когнитивной науки». История психологии . 3 (1): 62–66. дои : 10.1037/1093-4510.3.1.62 . ПМИД 11624164 .
{{cite journal}}: CS1 maint: несколько имен: список авторов ( ссылка ) - ^ Лието, Антонио (2021). Когнитивный дизайн для искусственного разума . Лондон, Великобритания: Рутледж, Тейлор и Фрэнсис. ISBN 9781138207929 .
- ^ Перейти обратно: а б МакКордак, Памела (2004). Машины, которые думают (2-е изд.). Натик, Массачусетс: AK Peters, Ltd., стр. 100–101. ISBN 978-1-56881-205-2 . Архивировано из оригинала 01 марта 2020 г. Проверено 25 декабря 2016 г.
- ^ Хаугеланд, Джон (1985). Искусственный интеллект: сама идея . Кембридж, Массачусетс: MIT Press. ISBN 978-0-262-08153-5 .
- ^ Перейти обратно: а б Кревье, Дэниел (1993). ИИ: бурные поиски искусственного интеллекта . Нью-Йорк, штат Нью-Йорк: BasicBooks. стр. 145–215 . ISBN 978-0-465-02997-6 .
- ^ Мегилл, Дж. (2014). «Эмоции, познание и искусственный интеллект». Разум и машины . 24 (2): 189–199. дои : 10.1007/s11023-013-9320-8 . S2CID 17907148 .
- ^ Дрейфус, Хьюберт Л. (1972). Чего компьютеры все еще не могут: Критика искусственного разума . МТИ Пресс. ISBN 9780262540674 .
- ^ Сан, Рон (2008). Введение в вычислительное когнитивное моделирование . Кембридж, Массачусетс: Кембриджский справочник по вычислительной психологии. ISBN 978-0521674102 .
- ^ «Компьютерное моделирование в науке» . Стэнфордская энциклопедия философии, Компьютерное моделирование в науке . Лаборатория метафизических исследований Стэнфордского университета. 2018.
- ^ Сан, Р. (2008). Кембриджский справочник по вычислительной психологии. Нью-Йорк: Издательство Кембриджского университета.
- ^ Перейти обратно: а б с Айзенк, Майкл (2012). Основы познания . Нью-Йорк, штат Нью-Йорк: Psychology Press. ISBN 978-1848720718 .
- ^ Рестрепо Эчаваррия, Р. (2009). «Структурализм Рассела и предполагаемая смерть вычислительной когнитивной науки». Разум и машины . 19 (2): 181–197. дои : 10.1007/s11023-009-9155-5 . S2CID 195233608 .
- ^ Полк, Тад; Зайферт, Коллин (2002). Когнитивное моделирование . Кембридж, Массачусетс: MIT Press. ISBN 978-0-262-66116-4 .
- ^ Андерсон, Джеймс; Пеллионис, Андрас; Розенфельд, Эдвард (1993). Нейрокомпьютинг 2: Направления исследований . Кембридж, Массачусетс: MIT Press. ISBN 978-0262510752 .
- ^ Румельхарт, Дэвид; Макклелланд, Джеймс (1986). Параллельная распределенная обработка, Vol. 1: Фундаменты . Кембридж, Массачусетс: MIT Press. ASIN B008Q6LHXE .
- ^ Коэн, Джонатан; Данбар, Кевин; Макклелланд, Джеймс (1990). «Об управлении автоматическими процессами: учет эффекта Струпа в параллельной распределенной обработке». Психологический обзор . 97 (3): 332–361. CiteSeerX 10.1.1.321.3453 . дои : 10.1037/0033-295x.97.3.332 . ПМИД 2200075 .
- ^ Гарсон, Джеймс; Залта, Эдвард (весна 2015 г.). «Коннекционизм» . Стэнфордская энциклопедия философии . Стэнфордский университет.
См. также
[ редактировать ]Дальнейшее чтение
[ редактировать ]- Буземейер, Джером Р .; Ван, Чжэн; Таунсенд, Джеймс Т .; Эйдельс, Ами, ред. (2015). Оксфордский справочник по вычислительной и математической психологии . Оксфордская библиотека психологии. Том. 1. Оксфорд; Нью-Йорк: Издательство Оксфордского университета . doi : 10.1093/oxfordhb/9780199957996.001.0001 . ISBN 9780199957996 . OCLC 894139948 .
- Чипман, Сьюзен Ф., изд. (2017). «Часть I. Новая вычислительная психология: когнитивные архитектуры и компьютерное моделирование познания». Оксфордский справочник по когнитивной науке . Оксфордская библиотека психологии. Том. 1. Оксфорд; Нью-Йорк: Издательство Оксфордского университета . doi : 10.1093/oxfordhb/9780199842193.001.0001 . ISBN 9780199842193 . OCLC 953823360 .
- Сан, Рон , изд. (2008). Кембриджский справочник по вычислительной психологии . Кембридж, Великобритания; Нью-Йорк: Издательство Кембриджского университета . дои : 10.1017/CBO9780511816772 . ISBN 9780521857413 . OCLC 153772906 .
Внешние ссылки и библиография
[ редактировать ]- Группа вычислительной когнитивной науки Массачусетского технологического института
- Лаборатория вычислений и познания Нью-Йоркского университета
- Принстонская лаборатория вычислительных когнитивных наук
- Стэнфордская лаборатория вычислений и познания
- Лаборатория памяти и принятия решений UCI. Архивировано 13 июня 2017 г. в Wayback Machine.
- Джейкоб Фельдман