’’Gdybyśmy wzięli człowieka sprzed 10 tys. lat, wcisnęli mu smartfon i pokazali samolot – byłby przerażony. A taka zmiana, taki skok technologiczny czeka nas w najbliższych trzech dekadach” Kevin Ho.

Długofalowym zadaniem stojącym przed badaniami nad sztuczną inteligencją jest stworzenie systemów, które osiągną poziom kompetencji przekraczający możliwości ludzkie w różnych dziedzinach. W ograniczonym zakresie jest to już oczywiście możliwe: komputery szybciej liczą, lepiej pamiętają, analizują modele zbyt złożone dla człowieka z powodu złożoności procesów, dużej ilości danych lub liczby zmiennych poddawanych optymalizacji. Komputery dokładniej rozpoznają specyficzne wzorce w sygnałach, lepiej sobie radzą niż ludzie w wielu grach planszowych, prowadzą manewry sterując helikopterami, samolotami i pojazdami naziemnymi w sposób niemożliwy dla ludzi. Jednakże pomimo tego ciągłego postępu w wielu dziedzinach sztuczna inteligencja całkowicie zawiodła pokładane w niej nadzieje. Stosunkowo proste niższe funkcje poznawcze, związane z percepcją, rozpoznawaniem obiektów i analizą relacji pomiędzy nimi, nadal pozostają daleko poza możliwościami nawet prymitywnych gatunków zwierząt. Znaczny postęp nastąpił jedynie na poziomie stosunkowo prostej analizy wzorców i przetwarzania sygnałów. Wyższe czynności poznawcze, związane z użyciem rozpoznanych wzorców – słów, symboli, obiektów – do wnioskowania, analizy tekstów, dialogu w języku naturalnym, planowania i rozwiązywania problemów, tworzenia wykorzystywania reprezentacji złożonych form wiedzy, okazały się znacznie trudniejsze do symulacji. Do takich zastosowań nie wystarczą proste inspiracje biologiczne dotyczące działania pojedynczych neuronów lub ich niewielkich grup. Konieczne jest uwzględnienie wielkoskalowej architektury mózgu, modele funkcji wyspecjalizowanych obszarów, które coraz lepiej uczymy się poznawać (Duch, 2010).

Zrozumienie sposobu działania naszego aparatu poznawczego wymaga modelu działania człowieka, który uwzględnia jego możliwości percepcyjne i poznawcze. Początkowo architektury kognitywne tworzono przede wszystkim z myślą o tym, by modelować reakcje człowieka w złożonych sytuacjach, gdy trzeba reagować w odpowiedni sposób na wiele sygnałów o różnych modalnościach.
Dwie najważniejsze cechy wszystkich architektur kognitywnych to sposób organizacji ich pamięci i mechanizmy uczenia się. Pamięć jest repozytorium wiedzy o świecie i o sobie, celach i bieżących działaniach. Uczenie się jest procesem, który transformuje zapamiętaną wiedzę i sposób jej wykorzystania. Pamięć i uczenie się to dwa fundamenty do budowy podstaw systemów poznawczych, na których wyrosnąć mogą bardziej złożone wyższe czynności poznawcze. Organizacja pomięci zależy od sposobu reprezentacji wiedzy. Prosta taksonomia architektur kognitywnych oparta na tych dwóch filarach prowadzi do identyfikacji trzech głównych grup architektur: symbolicznych, emergentnych i hybrydowych (Duch, 2010).

Architektury hybrydowe:

Architektury symboliczne i emergentne w znacznej mierze się uzupełniają. Podejście symboliczne pozwala modelować wyższe funkcje poznawcze, takie jak planowanie i rozumowanie, w sposób przypominający pracę eksperta. Jednakże zamiana na symbole dużej ilości informacji, odbieranej przez zmysły wieloma kanałami w bardzo zróżnicowany sposób, w różnym kontekście, wymaga uwzględnienia procesów emergentnych, za pomocą których trudno jest zrealizować wyższe funkcje poznawcze. Dlatego systemy hybrydowe są najbardziej obiecującą drogą do budowy architektur kognitywnych, wykorzystując silne strony obu podejść do stworzenia architektur symulujących wszystkie etapy przetwarzania informacji przez mózgi.

Architektury hybrydowe można z grubsza podzielić na dwa typy, lokalno-rozproszone, lub symboliczno-koneksjonistyczne, w zależności od rodzaju wykorzystywanych przez nie modułów pamięci. Do pierwszej klasy, bliższej systemom emergentnym, zaliczyć można architektury zawierające kombinację modułów pamięci lokalnej, w których każde pojęcie reprezentowane jest przez osobny węzeł, i pamięci rozproszonej, w której każde pojęcie reprezentowane jest przez zbiór częściowo nakrywających się węzłów. Do drugiej klasy zaliczymy kombinacje modułów symbolicznych, wykorzystujących reguły lub reprezentacje graficzne, z modułami koneksjonistycznymi, zarówno zlokalizowanymi jak i rozproszonymi.

Podsystem motywacji: Dostarcza podstawowych motywacji percepcji, działania i poznania oraz ma na celu utrzymanie agenta w stanie podtrzymania, celowości, skupienia i adaptacji

Podsystem działania: kontroluje działania agenta (niejawna warstwa składa się z sieci neuronowych o nazwie Action Neural Networks, podczas gdy warstwa jawna składa się z reguł działania)

Podsystem niezwiązany z działaniem: odpowiada za wiedzę ogólną systemu; pamięć zlokalizowana odpowiada za wiedzę symboliczną, a pamięć rozproszona za wiedzę utajoną (implicit knowledge).
(Niejawna warstwa składa się z zespolonych sieci neuronowych, podczas gdy dolna warstwa jest asocjacyjna. Wiedza jest dalej dzielona na semantyczną i epizodyczną, w której semantyczna jest wiedza uogólniona, a epizodyczna wiedza, która ma zastosowanie do bardziej konkretnych sytuacji).

Podsystem meta-poznania: ma za zadanie monitorowanie, kierowanie i modyfikowanie operacji wszystkich pozostałych podsystemów, ustalanie celów dla podsystemu skoncentrowanego na działaniu oraz ustawianie parametrów dla podsystemów działania i niedziałania zmiana trwającego procesu.

Bibliografia

1.Duch, W. Architektury kognitywne, czyli jak zbudować sztuczny umysł. Toruń, 2010.
(https://fizyka.umk.pl/publications/kmk/08-Architektury-kognitywne.pdf)

2.O’Reilly R.C, Munakata Y. (2000), Computational Explorations in Cognitive Neuroscience: Understanding of the Mind by Simulating the Brain. Cambridge, MA: MIT Press

3. Sun, R. (2007). The CLARION Cognitive Architecture: Extending Cognitive Modeling to Social Simulation. Cambridge University Press.

4. Sun R, Merrill E., Peterson T. (2001), From implicit skills to explicit knowledge: A bottom-up model of skill learning. Cognitive Science, 25(2), 203-244.

5. https://en.wikipedia.org/wiki/CLARION_(cognitive_architecture)