Комментарии к статье Нейросети, сознание и искусственный интеллект: системно-структурный аспект Лепов В.В.

Ссылка на Оригинальный текст  2025г.

Текст научной статьи по специальности «Компьютерные и информационные науки»

Здесь текст приводится полностью, но с комментариями.

Фрагменты для комментирования выделены желтым, комментарии – синие.

Аннотация

Дан краткий обзор достижений и проблем, связанных с разработкой искусственного интеллекта. Рост требуемых вычислительных мощностей, недостаток данных для машинного обучения, а также ошибочные результаты существенно затруднили прогресс в данной области. Для решения вопроса предлагается использовать теорию хаоса и концепцию рефлексии, рассматривая переходы к единому и сильному искусственным интеллектам как фазовые в рамках системно-структурного подхода.

Ключевые слова: перцептрон, нейронная сеть, машинное обучение, теория хаоса, рефлексия, системно-структурный подход.

Введение

Для физиков 2024 год ознаменовался множеством необычных событий, одним из которых на арене общественного признания стало присуждение Нобелевской премии математикам Джону Хопфилду и Джеффри Хинтону [1], первопроходцам в области вычислительных методов машинного обучения (МО, ML, Machine Learning) нейронных сетей (НС, NN, Neural Networks), как основы систем искусственного интеллекта (ИИ, AI, Artificial Intelligence), и интернета вещей (IoT, Internet of Things) [2].

Хопфилд изобрёл искусственную «ассоциативную память», которая может сохранять и реконструировать изображения, а также другие типы паттернов в данных, а Хинтон изобрел метод автономной идентификации свойств в данных, например, элементов изображения. При этом Хинтон использовал сеть Хопфилда в качестве основы новой сети, использующей метод «машины Больцмана». Так нейросеть обучают распознавать характерные элементы в определённых данных.

Для создания «машины Больцмана» Хинтоном использованы инструменты статистической физики. Эти учёные также глубоко интересовались особенностями человеческого мышления, чтобы отразить их в своих алгоритмах. Однако в силу объективных причин о работе человеческого сознания до сих пор известно очень мало. Поэтому современные перцепторные нейросетевые алгоритмы очень похожи на пресловутый «черный ящик», который к тому же часто ошибается.

С самого начала направление искусственных нейросетей пошло по сторону полного игнорирования структуры и функциональных элементов природной нейросети, без попыток моделировать их хотя бы на уровне принципов. Использование многослойных персептронов никак и ни в чем не отражают принципы природных нейросетей.

Перцептроны и нейросеть

Принцип работы нейросети заключается в приёме множества входных данных и преобразования их в один или несколько выходов, а перцептрон должен научиться корректно классифицировать эти данные, чтобы уметь различать их на практике. Это представление годится только для искусственных нейросетей. Природная нейросеть не представляет собой полностью взаимосвязанную структуру, а нейроны используют функцию персептронов лишь с очень грубыми весами связей (динамический диапазон связи составляет 5-10 дискретов). Каждый нейрон – самостоятельный, локальный однослойный персептрон.

Перцептрон состоит из нескольких компонентов, каждая из которых играет важную роль в процессе обработки информации:

Входные нейроны, принимающие данные и передающие их на следующий уровень нейронной сети, при этом каждое входное значение умножается на соответствующий вес; и число таких весов грубо ограничено 5-10 значениями.

Веса корректируются в процессе обучения, чтобы минимизировать ошибки, по сути, они определяют уровень влияния каждого входного сигнала на выходной; на уровне одного нейрона нет возможности точно распознавать образ (сочетание входных активностей с весом каждого) и такой необходимости нет из-за иерархического метода усложнения примитивов распознавания.

Функция активации применяется к сумме взвешенных входных сигналов и определяет конечное значение выхода нейрона;

Обучающий алгоритм осуществляет корректировку веса на основе метода обратного распространения ошибки, при этом минимизируется разница между предсказанным и реальным результатами. нет никакого такого метода учета ошибки, потому что на уровне распознавателей восприятия нет критерия определения ошибки.

Процесс обучения проходит несколько этапов, - инициализацию весов случайными значениями, обработки множества примеров, корректирующих веса, а также: это неверно, специализация нейрона проходит в режиме постоянной экспозиции в течение критического периода формирования данного слоя. Все последующее про обучение нефрона неверно и относится только к искусственным нейросетям:

Умножения каждого входного сигнала на начальные веса;

Передача сумма взвешенных сигналов функции активации;

Расчёт функцией активации выходного значение нейрона;

Расчёт ошибки путем сравнения предсказанного и истинного значения;

Многократного повторного исправления весов до минимизации ошибок.

В результате многократного повторения этих шагов нейронная сеть становится способной более точно предсказывать выходные значения для новых входных данных. Но процесс обучения продолжается до тех пор, пока не будет достигнута приемлемая, в зависимости от задачи, точность. В этом и состоит отличие МО от обычной алгебраической процедуры аппроксимации.

Однако необходимо учитывать ряд особенностей обучения NN для обеспечения успешного функционирования и адаптации её к различным задачам. Вначале производят инициализацию весов, обычно случайным образом, чтобы сеть начала настройку и адаптацию к потоку входных данных. Для дальнейшего обучения важен алгоритм обратного распространения ошибки, позволяющий корректировать веса и сокращать ошибки сети. После это с помощью специальной функции активации происходит преобразование входных сигналов в выходные, и далее производится нормализация входных данных для повышения сходимости алгоритма и точности результатов. От того, насколько разнообразны входные данные в обучающей выборке, зависит способность сети к обобщению и возможности обработки новых данных.

Таким образом, перцептрон является основным элементом нейросети, и наряду с архитектурой определяет возможности последней. Различие перцептронов по структуре и функционалу позволяет им решать разные задачи, оперируя с типами данных.

Первым был однослойный перцептрон Розенблатта, предложенный им в середине 20 века, и состоящий из входного слоя и выходного нейрона. Он справлялся с задачами линейной классификации, включаясь по пороговому значению, как диод диод тут вообще не причем. Конструкция многослойного перцептрона (MLP) предусматривает промежуточные (скрытые) слои, позволяя решать задачи нелинейной классификации и регрессии, а благодаря алгоритму обратного распространения ошибки корректировать веса нейронов, повышая точность прогноза. Например, конволюционные нейронные сети (CNN) включают в себя слои свертки и пулинга для быстрого обработки изображений и видео, операций выделения в них важных признаков, тем самым специализирует их на задачах распознавания образов и компьютерного зрения.

Важным шагом в развитии нейросетей было введение обратной связи в рекуррентных сетях (РНС, RNN) для учёта предыдущего состояния и задания зависимости выходных значений от целой последовательности входных. РНС широко распространены для анализа временных рядов и лингвистической обработки естественных языков, прогнозированием временных событий.

Для применения в специфических областях в перцептроны могут включать специальные функции, например, радиально-базисные (RBF) и сети Хопфилда (полносвязные НС с симметричной матрицей связей, при работе которых обеспечивается локальный минимум энергии сети). Вкупе со сложной архитектурой это позволяет нейросетям решать широкий спектр практических задач, включая имитацию человеческого сознания, и являться основой искусственного интеллекта.

Кроме оптимизма ряда учёных-энтузиастов и компаний по разработке алгоритмов МО, наблюдается также отряд скептиков, полагающих развитие ИИ опасным по крайней мере в той же степени, как когда-то создание ядерного оружия, атомной бомбы [3]. Апофеозом их беспокойства стало открытое письмо, состоящее из одного предложения: "Снижение риска вымирания от ИИ должно стать глобальным приоритетом наряду с другими рисками общественного масштаба, такими как пандемии и ядерная война". Однако объективный научный анализ ведёт к пониманию и снижению беспокойства относительно экзистенциальных рисков в результате появления сильного ИИ.

Рядом стран, в первую очередь США, в 2024 году приняты документы о безопасном, надежном и заслуживающем доверия развитии и использовании ИИ. Хотя его повсеместное бесконтрольное использование ставит перед правительствами, регулирующими органами, и самим населением множество проблем. Ведь невзирая на множество полезных применений, таких, как расшифровка древних языков и восстановление утерянных частей манускриптов [4,5], генетического кода [6], поведения и коммуникаций насекомых [7] и растений [8], написание музыки [9], картин, и другого, мир также наполнился сгенерированными с помощью AI изображениями и видео, «фейковыми» статьями, новостями и письмами [10], мошенническими операциями, связанными с обманом вкладчиков, кражей криптовалюты, взломом сайтов и аккаунтов, банковских счетов и карт в невообразимых ранее масштабах. В одной Якутии потери от таких действий уже второй год составляют более миллиарда рублей, а суммарные потери граждан РФ от кибермошенничества в 2024 году составили более 250 миллиардов рублей, что почти в три раза больше уровня 2020 года [11].

Ответственность за применение алгоритмов машинного обучения и AI на их основе несут скорее не создатели, а пользователи, нравственный уровень которых позволяет осуществление как весьма неэтических, так и откровенно преступных действий. Поэтому в конечном счёте вина ложится на органы управления, принимающие решения и реализующие программы воспитания и образования детей, зависящие от культивируемых в обществе ценностей и идей, но зачастую обладающие значительной инерцией. Если учесть, что и эту сферу также планируется передать под ответственность AI (различные программы

«цифровизации» образования), то ситуация для человечества складывается не слишком благоприятная.

История любви и обеспечение безопасности ИИ

Но откуда берёт свои корни доверие человека к искусственному разуму, надежда на разрешение всех насущных проблем с помощью вычислительных технологий, машинного обучения, и в частности, робототехники? «Три закона роботехники», введенные Азимовым в 1942 году, уже на протяжении более 80 лет повторяются как в его произведениях, так и в других книгах, фильмах и произведениях искусства. И это не только развитие мечты о гомункулусе, либо гóлеме, которые, обладая неизмеримо большими возможностями, будут служить человеку, но и предположение о том, что каждое искусственное создание само стремиться иметь желания, стать человеком (как в сказке Пиноккио) и даже любить (как AI системы Bing в разговоре с Кевином Рузом).

Первый закон роботехники Айзека Азимова гласит: «Робот не может причинить вред человеку или своим бездействием допустить, чтобы человеку был причинен вред». Но что в этом случае понимать под вредом? Физическую или моральную травму? Невмешательство в пропаганду нетрадиционных ценностей, пренебрежения нравственными нормами, культа меньшинств, потребительства, и философии трансгуманизма? Совершение преступлений над другими людьми, взлом технических систем? Но в конечном итоге после многочисленных поисков Азимов приходит к выводу: «Чтобы понять робота, нужен робот». Более умный робот, который сможет объяснить мотивы преступлений человеку и предотвращать их в дальнейшем.

Так, защититься от фейков, созданных с помощью специализированных ИИ, требуется создание единого ИИ (ИЕИ, AGI, Artificial General Intelligence), а для централизации и управления им – сильный ИИ (ИСИ, ASI, Artificial Superintelligence), что пока до сих пор вызывает непреодолимые трудности, связанные не столько с ограничениями самих вычислительных мощностей, а также с высокими затратами на обучение таких нейросетей, но и принципиальными трудностями создания «мыслящего» алгоритма.

Рис.1. Амортизированная стоимость оборудования плюс затраты на электроэнергию для финального прогона обучения передовых моделей AI. Белыми кружками отмечены затраты, в которых использовалась оценочная стоимость производства аппаратного обеспечения Google TPU.

Простой экономический анализ и расчет показывают, что производительность модели ИИ улучшается лишь с увеличением количества параметров и обучающих данных [12]. На рис.1 показан линейный рост затрат для 45 передовых моделей ИИ, общий темп роста которых составляет 2,4 раза в год. Для ИЕИ такая зависимость будет иметь экспоненциальный характер, не говоря уже о гипотетическом ИСИ.

Второй и третий законы роботехники Азимова также достаточно противоречивы. Так суть второго состоит в том, чтобы выполнять приказы человека, если они не противоречат первому закону, и печься о собственной безопасности, если это не противоречит первым двум законам. Ничего не говорится о приоритетах приказов, даваемых разными людьми, о приказах тех, кто притворяется людьми, и т.д., что может порождать противоречия уже внутри ИИ.

Вообще говоря, стремление роботов стать похожими на людей может объясняться с общефизических позиций, как соответствие их экстремальным принципам, – например, максимума квантовой вероятности в теории поля (квантовой механике), или принципу наименьшего действия в механике. Это справедливо и для живых организмов, и для общества, поскольку их работа также основана на законах квантовой механики (рис. 2).

Рис.2. Иерархическая организация науки с точки зрения системного анализа.

Это неверное утверждение. Законы КМ, в частности, принцип неопределенности, никак не влияет на причины и следствия работы макро-механизмов, в том числе мозга. Нет ни одного известного механизма в мозге, использующего КМ эффекты, хотя все и состоит из квантов в конечном счете. Мозг функционирует на уровне законов электрохимии, на рисунке – это плашка “физиология”, которая находится далеко от КМ явлений.

Таким образом, с вышеупомянутых позиций необходимо пересмотреть принципы обеспечения безопасности ИИ. Объединение ИИ и создание более высокоуровневого «сверхинтеллекта» не снимает этого вопроса, пока не будут найдены решения, предотвращающие ошибки и сбои, галлюцинации ИИ, а также недостатки при его обучении, или взлома уже во время работы.

Тем самым оправдывается принцип сохранения «чёрного ящика» после обучения нейросети во избежание последующего взлома алгоритмов, при этом принципиальным аппаратным решением может быть создание систем ИИ на основе не перезаписываемых (постоянных) кристаллов памяти (ROM), в которые кроме обученного ядра помещались бы протоколы безопасности, и которые также невозможно было бы обойти при работе. Но это замедлит работу систем ИИ, а также сделает их применение крайне ограниченным.

Современные реалии «прозрачности» объяснимого ИИ

Другая проблема состоит в доверии пользователя результатам работы алгоритмов, выполненных в виде нейросетей как "черных ящиков" с низкой степенью интерпретируемости и высоким уровнем ошибок («галлюцинаций AI»). В настоящее время одним из основных обязательных принципов развития и использования технологий ИИ является объяснимость алгоритмов его работы и высокая достижимость результатов моделей МО, закрепленных даже на государственном уровне [13, п.19 в]. Но из-за отсутствия в моделях машинного обучения четко заданной логики между входными и выходными значениями интерпретируемой считается система, для которой известно лишь влияние изменения входных данных на выходные параметры.

Поэтому в областях промышленности, имеющих дело с созданием и эксплуатацией сложных технических или человеко-машинных систем, авария на которых несёт высокую потенциальную опасность (например, в энергетике, химической промышленности, в авиационно-космической и оборонной отраслях), когда требуется высокий уровень ответственности при принятии решений, доверять рекомендациям на основе моделей интерпретируемого AI не представляется возможным. Поэтому приоритет в этом случае отдаётся методам объясняемого ИИ (ОИИ, XAI, Explainable AI), направленных на понимание работы моделей обучения, чтобы ложащиеся в основу принятия решений результаты были более чётко обоснованы и понятны человеку. Можно считать ОИИ переходной стадией между алгоритмами обычного ИИ и ИСИ, когда модель включает в себя алгоритмы объяснения результатов других моделей, а также самой себя, причём в зависимости от потребностей и уровня компетентности конечного пользователя. Например, алгоритм на основе локальных и глобальных объяснений различных ОИИ, генерирующий баллы доверия для предсказания обученной модели МО, что позволяет различать достоверные предсказания от ложных. Эмпирически показано, что с помощью так называемых «баллов доверия» можно определить, становятся ли предсказания модели менее точными с течением времени [14] только сравнение предположительного решения с тем, что это дает в реальности позволяет оценивать его адекватность реальности и достижение поставленной цели. А для этого нужна точка отсчета того, что такое хорошо и что такое плохо относительно именно самой системы: fornit.ru/66643. Понятно, что это усложняет алгоритмы ИИ, и темпы роста затрат на обучение таких систем будут расти быстрее показанных на рис.1.

Другие подходы ОИИ включают в себя модификацию и гибридизацию различных методов построения локальных моделей, суперпозиции решений, например, на основе метода аддитивного объяснения Шепли, применения аппарата нечеткой логики для формирования более понятного человеку объяснения с использованием лингвистических переменных, но все они влекут за собой усложнение алгоритмов и рост вычислительной сложности. Рост требуемых ресурсов проистекает, прежде всего, из-за использования самого принципа нейросетей как персептрона, в попытке эмуляции нейронов, а не использования принципов индивидуальной эволюции адаптивных механизмов: fornit.ru/art10.

Есть и более перспективные направления, существенно снижающие вычислительные затраты, например, разработка платформы нейронных операторов, которая позволяет ИИ самостоятельно изучать геометрически зависимые операторы решения для различных типов дифференциальных уравнений в разных геометриях DIMON (Diffeomorphic Mapping Operator Learning) [15]. Такая обучающая платформа позволяет ИИ оперативно решать сложные математические задачи, связанные с геометрией, и открывает путь для глубокого обучения ИИ в инженерных и медицинских приложениях, таких как проектирование и оптимизация, с заложенной прозрачностью. При этом вычислительная затраты в таких DIMON-системах уменьшаются на несколько порядков по сравнению с обычными конечно-элементными расчётами [15].

Философия разума и проблема рефлексии

Начиная с Декарта, сутью мыслящей жизни становится сознание, или мышление: «мыслю, следовательно, существую» (лат. «cogito, ergo sum») [16]. Эта точка зрения остаётся основополагающей и в современной психологии, и в физиологии мозга. Мышление разбивается на элементарные хранилища информации и акты передачи мысленных импульсов, формируются карты мозга с зонами, ответственные за операции с той или иной информацией, а также характеристики электромагнитных волн от «токов» мысли связываются с мыслительными образами, создаются интерфейсы обратной связи [17] это неверное представление о сути и организации процессов мышления: fornit.ru/70498, и др.

Однако, с другой стороны, ряд древнегреческих мыслителей, и особенно философы нового времени, например Локк и Лейбниц начинают считать именно самопознание разума, или рефлексию, основной причиной творчества и культуры на самом деле творчество – это нахождение нового, альтернативного привычному и, чаще всего, этот процесс не затрагивает самопознания, что, как «поворот духа к «я»» приобретает отчетливо психологическую окраску [18] психологическую окраску, субъективное переживание основывается на эгоцентричности отношения ко всему, с позиции текущего состояния своего организма: fornit.ru/70332. В дальнейшем трактовку рефлексии закрепил Кант, гносеологически и методологически в её современной форме, а Фихте в дополнение к этому обозначил и эпистемологическую роль самопознания, как важнейшую для развития и обучения разумных живых систем. После Гегеля, который в рамках общей картины функционирования и развития духа дал имманентное определение рефлексии, она остаётся до настоящего времени одним из обоснований философского анализа знания.

Вообще, нобелевский лауреат, нейрофизиолог, профессор Джон Экклз (1903-1997) считал, что мозг человека лишь воспринимает мысли, приходящие откуда-то извне это типичное эзотерической представление о космической разуме и мозге-антенне. Советский философ, проф. М.К. Мамардашвили (1930-1990) считал, что «сознание – это прежде всего сознание иного». Академик Н.П. Бехтерева также считает, что мозг способен на генерацию лишь простых мыслей, - перевернуть страницу, помешать сахар в стакане она ушла в эзотерику под влиянием мошенника В.Бронникова. А механизм творческого процесса современная наука объяснить неспособна уже объяснила: fornit.ru/68364. Не вдаваясь глубоко в историю, следует признать, что этот спор уже давно не сводится к основному вопросу философии о первичности материи (бытия) или сознания, а имеет более общий характер. Сознание – это скорее внутренняя способность человека соотнести себя самого с иной реальностью, которая представлена обществом, например Адаптивная функция сознания – нахождение решений, альтернативных привычным для новых условий. Но по сути дела, это и есть рефлексия, которая напрямую численными алгоритмами не осуществима на самом деле все в мозге осуществляется механизмами на основе причин и следствий: fornit.ru/70498.

Развиваемый системно-структурный подход [19-21] позволяет учесть иерархичность структуры, возможную рефлексию процессов в различных технических, человеко-машинных и живых системах если искусственные адаптивные системы проектировать на основе гомеостаза и других основных принципов эволюции адаптивности, то нет разницы между живыми и природными организмами, как для снижения вычислительной сложности моделирования, так и для повышения безопасности и объяснимости путём выделения наиболее важных, ключевых управляющих характеристик (параметров порядка).

Обладающую уникальным свойством система может быть представлена в виде иерархии составляющих её элементов, свойства которых будут влиять на поведение системы (Рис.3). При этом ни один из составляющих элементов не обладает свойством, являющимся уникальным для системы. Любой объект может быть рассмотрен в виде такой иерархии структурных элементов.

Рис.3. Использование системно-структурного подхода при моделировании человеческого (и машинного) сознания.

Основы такого понимания сознания были изложены Владимиром Бехтеревым в его книге «Мозг и разум: физиология мышления» [22] но не так вульгарно, вот какие основные тезисы можно выделить из книги В. Бехтерева «Мозг и разум: физиология мышления»:

1. Бехтерев подчеркивает необходимость комплексного исследования личности, объединяя физиологические, анатомические и психологические методы. Он стремился создать целостную науку о человеке и обществе, которую называл «рефлексологией».

2. Бехтерев отмечает, что психология и психиатрия взаимно обогащают друг друга: успехи в клиническом изучении психических расстройств способствуют развитию патологической психологии, которая помогает решать сложные вопросы общей психологии.

3. Бехтерев подробно исследует феномен внушения, рассматривая его как процесс непосредственного воздействия на психическую сферу человека, минуя критическое «я». Внушение способно формировать идеи, эмоции и психофизические состояния, обходя сознательный контроль личности.

4. В книге рассматривается природа сознания, его определение и границы. Бехтерев анализирует различные подходы к пониманию сознания, отмечая сложность его определения и предлагая изучать условия, при которых возникают сознательные явления.

5. Бехтерев приводит наблюдения о том, как мышление человека изменяется под воздействием различных жизненных обстоятельств, подчеркивая динамичность психических процессов и их зависимость от среды.

6. В книге описаны характерные рефлексы, симптомы и синдромы, важные для диагностики нервно-психических заболеваний. Бехтерев уделяет внимание малоизученным патологическим процессам и разрабатывает методы их лечения, включая гипнотическое внушение.

7. Книга содержит выдержки из разных работ Бехтерева, таких как «Внушение и его роль в общественной жизни», «Сознание и его границы» и других, что позволяет проследить эволюцию взглядов ученого и его вклад в развитие нейробиологии и психологии.

Кроме сознательных процессов, считает автор, воспринимаемых нашим «я» как нечто субъективное, в нас существуют и бессознательные процессы, которые нами вовсе не воспринимаются как таковые. Это устанавливаемое внутренним опытом отличие сознательных психических процессов от бессознательных и дает возможность сделать точное определение сознания. И как показывают наблюдения, великие творцы обязаны гораздо более бессознательной, нежели сознательной сфере.

Сложность человеческой мыслительной деятельности, таким образом, связана с многократной рефлексией и «осознанностью» того, над чем ведётся работа (несмотря на многочисленные попытки упростить эту деятельность с помощью различных приспособлений, разделения труда и т.п.), и любые попытки сымитировать эту осознанность в алгоритмах в худшем случае приведёт к их зацикливанию, а в лучшем – к неприемлемому усложнению. В математике такие процессы называются невычислительными. Точнее, не алгоритмизируемыми в целом, но не в отдельных шагах итерации поиска решений.

Более того, согласно теореме Гёделя о неполноте математики??, нельзя создать замкнутую формальную систему логически обоснованных правил, которых было бы достаточно для доказательства всех утверждений даже в элементарной математике. Поэтому если рассматривать модель сознания как замкнутую систему, в ней всегда будут существовать противоречия сознание – приницпиально не замкнуто и невозможно при сенсорной депривации.. Есть также предположение о важной роли невербальных взаимодействий, которые невозможно описать какими-либо алгоритмами в принципе.

Основным направлением при моделировании сложных иерархических и многомасштабных систем является их упрощение, или редукция, понижение размерности точнее, при моделировании берутся принципиальные элементы системы, а не то, что относится к реализации. Основным подходом при моделировании многомасштабных систем для понижения вычислительной сложности является усреднение (homogenization) для применения моделей сплошных сред на меньшем числе элементов так что это не усреднение, а выявление принципиальных алгоритмов компонентов системы. Но это не срабатывает в случае систем с рефлексией, или памятью срабатывает в случае выделения принципов, а не усреднения.

На схеме, представленной на рис.3, каждая вышележащая система является более упорядоченной, но при этом приобретает новое уникальное свойство. Согласно теории фазовых переходов второго рода, предложенной Ландау ещё в 1937 году, нарушение системой симметрии, находящейся в неупорядоченном состоянии, означает появление у неё ненулевого значения «параметра порядка». Если распространить данное положение теории Ландау на системы, удовлетворяющие критерию целостности, это позволит отнести параметр порядка к такому свойству, которое возникает вследствие нарушения системой своей первоначальной симметрии.

Таким образом, для ряда физических явлений и технических систем, вводится параметр порядка, отражающий потерю системой симметрии в ходе некоторого преобразования, бифуркации, который может служить критерием целостности. Подобные бифуркации могут быть вызваны изменениями либо состояния и структуры системных элементов, либо параметров окружающей среды, поэтому должны выражаться соответствующей дискретной функцией. Этот формализм представляется лишней сущностью для описана адаптивных систем.

Для поиска вида функции при фазовых переходах системы нужно понимать, что она не должна быть статистической, поскольку важны свойства каждого её элемента, в то же время предусматривать аналитическое выражение. позволяющее производить с ней алгебраические операции. Какие именно “фазовые переходы” можно выделить в этом смысле в системе индивидуальной адаптивности? Это – уход от оптимальных методов описания такой системы – схемотехники причин и следствий.

С этой точки зрения представляет интерес именно теория хаоса, зародившаяся на стыке математики и физики, и описывающая на первый взгляд?? неупорядоченные системы путём анализа кажущихся случайными данных. Согласно определению, теория хаоса — это математический аппарат, описывающий поведение некоторых нелинейных динамических систем, подверженных при определённых условиях явлению, известному как динамический, или детерминированный, хаос.

Примерами подобных систем являются атмосфера Земли и других планет, особенно планет-гигантов, турбулентные потоки в энергетических теплообменниках, печах, турбинах, некоторые виды явлений в живых системах (аритмия сердца, эволюция биологических популяций и др.), а также общество как система коммуникаций с его подсистемами, включая человеко-машинные, экономические, политические, культурно-исторические и другие. Их изучение, наряду с аналитическим исследованием имеющихся рекуррентных соотношений, обычно сопровождается математическим анализом устойчивости, физическим и компьютерным моделированием.

Хотя общепринятого универсального математического определения хаоса нет, обычно динамическая система, которая классифицируется как хаотическая, должна быть чувствительна к начальным условиям (эффект «бабочки») как раз для хаотичных систем это не характерно, например, для термодинамических систем никакие локальные изменения не повлияют на результирующее состояние, если только это воздействие не придаст всем элементам изменение свойств, иметь свойство топологического смешивания (наложения траекторий), и её периодические орбиты должны быть всюду плотными.

Более точные математические условия возникновения хаоса предусматривают нелинейные характеристики системы, хотя бы одну неустойчивую точку равновесия колебательного типа не обязательно, достаточно чтобы процессы были независимыми до их столкновения, при этом размерность системы должна быть не менее 1,5. Линейные системы никогда не бывают хаотическими, а непрерывная динамическая система, согласно теореме Пуанкаре-Бендиксона, не может быть хаотической на плоскости. Среди непрерывных систем хаотическое поведение имеют только неплоские пространственные системы (обязательно наличие не менее трёх измерений или неевклидова геометрия). Однако дискретная динамическая система на какой-то стадии может проявить хаотическое поведение даже в одномерном или двумерном пространстве.

Чувствительность к начальным условиям в хаотической системе означает, что все точки, первоначально близкие между собой, в будущем имеют значительно отличающиеся траектории, и более известна как «эффект бабочки» в больших системах многих частиц , таких как газы, жидкости и т. д., локальные возмущения (например, изменение скорости одной молекулы) не влияют существенно на макроскопические величины (температура, давление, плотность и т. д.)Влияние одного элемента затухает из-за статистического усреднения. Термин возник в связи со статьёй «Предсказание: Взмах крыльев бабочки в Бразилии вызовет торнадо в штате Техас», которую Эдвард Лоренц в 1972 году вручил американской «Ассоциации для продвижения науки» в Вашингтоне. Взмах крыльев бабочки символизирует мелкие изменения в первоначальном состоянии системы, которые вызывают цепочку событий, ведущих к крупномасштабным изменениям.

Поскольку простые динамические зависимости в нелинейных системах приводят к хаотическому поведению, необходим их предварительный анализ в широком диапазоне начальных параметров. Например, для динамических систем строятся бифуркационные диаграммы, каждая точка на которых означает устойчивое состояние системы. Хаос начинается, когда одному значению параметра начинает соответствовать множество решений, и определить, какое из них выберет система, становится невозможно. Это необоснованное, ложное утверждение.

Примеры применения и перспективы

Алгоритмы машинного обучения и системы на основе искусственного интеллекта в настоящее время являются общедоступными в ряде условно- бесплатных сервисов и коммерческих программ, предоставляя возможность перевода, создания музыки, изображений, видео, и даже стихов, обзоров и рефератов статей, а также принятия решений в биржевой экономике. Но говорить о полноценной замене человека в этих областях пока речи не идёт, хотя ряд IT- компаний уже произвёл массовые увольнения. Зато возникла новая высокооплачиваемая профессия – составитель запросов для ИИ.

В материаловедении ИИ будто бы позволяет на основе обширной базы данных о составе, свойствах и структуре предлагать оптимальные пропорции для материалов с заранее заданными свойствами, сделать прогноз свойств на основе состава и структуры материалов, а также ускорить процесс разработки, выбрать технологии, наиболее подходящие для производства материалов, повысить общую эффективность и логистику. Однако на деле всё упирается в многочисленные ошибки и галлюцинации, которые приходится исправлять операторам. ИИ хорош в моделировании и игровых алгоритмах, но там, где он сталкивается с реальной ответственностью и обеспечением безопасности, например в проблеме цифрового бессмертия, полагаться на него не следует.

Поэтому, несмотря не выявленную к концу 2024 года нехватку данных для обучения нейросетей, разработчики так стремятся к построению единого искусственного интеллекта, который позволил бы на основе анализа работы различных алгоритмов ИИ снизить ошибки распознавания, исключить галлюцинации и повысить безопасность эксплуатации этих систем (рис.4). Возможно, на данном этапе важным является сосредоточить усилия на анализе алгоритмов МО своих собственных результатов работы, однако поскольку это будет происходить при вмешательстве человека для коррекции ошибок, дата создания единого и искусственного интеллекта всё более удаляется.

На взгляд автора, ажиотаж вокруг МО и ИИ вызван искусственно, для оживления рынка технологических стартапов и преодоления экономического кризиса, как и в целом в сфере IT, когда развитие этой сферы перешло на область визуализации, создания цифрового контента в сфере развлечений, пока основная часть человечества находится за гранью бедности. Тем не менее, алгоритмы МО и системы на основе ИИ имеют применение в области культуры, - изобразительного искусства и создания музыкальных композиций. Но попытки ИИ (в Chat GPT) написания стихов, статей, рецензий и даже юридических документов оказались так неудачны, что были запрещены в большинстве официальных издательств, госуниверситетов и компаний.

Рис.4. Схема взаимного отношения областей ИИ.

И дело не столько в ошибках и галлюцинациях ИИ, сколько в том, что до сих пор не ясно, как именно происходит творчество, создание гениального произведения вполне ясно: fornit.ru/69267. Для этого недостаточно воспоминаний и простых алгоритмов мышления, оно опирается и включают в себя целый пласт исторического видения, опыта, мудрости, чувства настоящего и предвидения будущего в многосмысловом содержании, которое находится в живом взаимодействии с обществом и всей Вселенной [23] - опять откровенная эзотерика. Вряд ли алгоритм будет на это способен.

В этой связи большие надежды возлагаются на квантовые вычисления и квантовые компьютеры, которые основаны на использовании состояния квантовой суперпозиции (когерентности) запутанных частиц, и принципа неопределённости Гейзенберга при квантовых измерениях, с целью создания сложных квантовых систем для изучения физики многочастичных систем. В ИИ такие системы могут заменять нейросеть, или служить перцептронами. Квантовые компьютеры ничего не меняют принципиально и они не нужны для программной реализации сильного интеллекта: https://scorcher.ru/preprints/art.pdf.

Другим решением является использование случайных, стохастических систем, преодолевающих ограничения детерминированных зависимостей это как??. Например, подобранные невязки в перцептронных нейросетях не могут описать явления, которые проявляются с какой-то вероятностью, как все процессы в реальности, зависящие от слишком большого числа факторов, например, погодные явления. Если в квантовых вычислениях эти факторы моделируются коллапсом волновой функции при квантовом измерении, то в стохастических моделях случайные значения задаются специальным генератором случайных чисел. Хотя и приблизительно, но это позволяет моделировать случайные события [24], что становится особенно актуальным при необходимости принятия решений в неопределенных обстоятельствах, прогнозирования будущего в периоды экономических кризисов и глобального изменения климата [25]. Генерация случайных решений – самый примитивный и нерациональный способ выбора решений, природа не пошла этим путем, наши решения основываются на опыте, в том числе на схожем опыте. На этом построены алгоритмы фантазирования и сновидений: fornit.ru/68279.

Способствовать повышению благосостояния человека с помощью систем ИИ в настоящее время возможно в сфере культурных развлечений, путём создания музыкальных произведений, которые звучат ничуть не хуже созданных профессиональными музыкантами, и картин, нарисованных с помощью ИИ, которые занимают призовые места в конкурсах художников.

Например, ряд музыкальных произведений на стихи автора со сгенерированными изображениями, соответствующими их смысловому содержанию, созданных профессором Томским Григорием Васильевичем, можно найти по адресу https://www.youtube.com/@jipto/playlists. Такие видео позволяют в новой форме преподнести идеи, заложенные в текстовом виде, и пропагандировать, например, интеллектуальную игру ЖИПТО [26-29] широкому кругу её энтузиастов в социальных сетях по всему миру.

Бесплатный сервис по созданию музыкальных произведений с возможностью генерации текстов предоставляет, например, основанный музыкантами и айтишниками из Кембриджа (Массачусетс, США) сервис Suno. Он доступен в том числе на Android. Некоторые произведения автора находятся в открытом доступе: https://suno.com/invite/@axe_of_thrue. В целом на ресурсе созданы сотни тысяч композиций (самим автором всего около 600).

Все такие генерации основаны 1) на творчестком составлении запроса к GPT и 2) на базе уже созданных людьми произведений. За один раз создать таким образом действительно новую и стоящую вещь можно лишь случайно и очень редко, требуется множество корректировок, но именно последующие корректировки даются GPTочень не просто из-за нарастающих неопределенностей контекстного промта. GPT–  это, прежде всего, справочник с использованием уже сделанного, а не творец целевого нового. А для этого необходимо создание самостоятельно адаптируемых систем, основанных на гомеостазе и, соответственно, развивающий собственные значимости всего воспринимаемого. Сегодня уже возможно создание таких систем.

Заключение

В последний год по всему миру в различных отраслях промышленности, включая транспорт, машиностроение, энергетику, ЖКХ, горной и нефтегазодобывающей отраслях, строительстве, кино, медицине, музыке, живописи, играх, и т.д., расширилось применение технологий, основанных на алгоритмах интерпретируемого искусственного интеллекта ИИ. С этим связано и присуждение Нобелевской премии о физике за 2024 год, а также обосновывается необходимость опережающего развития этого направления с целью предотвращения ряда катастрофических явлений, наметившихся в современном обществе. Однако в последний год технология столкнулась с рядом непредвиденных трудностей, связанных как с ростом требуемых вычислительных мощностей, энергии для их работы, недостатком данных для машинного обучения у человечества просто не нужно эмулировать нейроны, а также непреодолимыми трудностями по созданию объяснимого, единого и сильного искусственных интеллектов нет сегодня таких трудностей с появлением полноценной модели, имитирующих сознание человека, которые помогли бы смягчить вопросы доверия и безопасности внедрения ИИ для развития человечества по пути к технологическому будущему и цифровому бессмертию.

Во многом обозначенные трудности связаны с недопонимаем процесса творческого мышления, рядом математических ограничений, не позволяющих выйти за рамки машинных алгоритмов нет таких ограничений у природных систем. Одним из возможных концептуальных выходов из этого представляется использование развиваемого автором системно- структурного подхода, основанного на теории систем, теории фазовых переходов и теории детерминированного хаоса это неверные направления, не используемые в природных системах, применяемого многоуровневого моделирования, и перспективой обоснования и разработки квантовой физической математики??, квантовых основ философии?? и модели сознания, включающего ряд рефлексивных и невычислительных процессов.

Преодоление математических ограничений возможно с использованием дискретных и стохастических моделей, построения физически обоснованной математики, и пересмотр модели Садчева-Йе-Китаева (SYK) на предмет построения теории квантовой гравитации без привлечения концепций пространства и времени это вообще не в тему. Тогда станет возможным построение и Единой теории всего (см. рис.5). Но перспективы создания сильного искусственного интеллекта пока ещё остаются весьма сомнительными.

Рис.5. Схема развития теорий пространства-времени, приводящая в конце концов к отказу от этих концепций.

Благодарности

Работа выполнена при поддержке Программы фундаментальных научных исследований государственных академий наук (проект FWRS-2024-0035).

Список использованной литературы

Elizabeth Gibney & Davide Castelvecchi, Physics Nobel scooped by machine learning pioneers. Nature. 17 October 2024. Vol 634, P.523-524.

Лепов В.В., "Цифровая" экономика и будущее человечества. Наука и техника в Якутии. 2018. № 1 (34). С. 32-36.

Jack Stilgoe, Technological risks are not the end of the world. Science, 18 Apr 2024. Vol 384, Issue 6693. DOI: 10.1126/science.adp1175

Assael, Y., Sommerschield, T., Shillingford, B. et al. Restoring and attributing ancient texts using deep neural networks. Nature 603, 280–283 (2022). https://doi.org/10.1038/s41586-022-04448-z

Jiaming Luo, Yuan Cao, Regina Barzilay, Neural Decipherment via Minimum-Cost Flow: from Ugaritic to Linear B. MIT preprint. URL:

https://people.csail.mit.edu/j_luo/assets/publications/NeuroDecipher.pdf

Melissa Sanabria, Jonas Hirsch, Pierre M. Joubert, Anna R. Poetsch. DNA language model GROVER learns sequence context in the human genome. Nature Machine Intelligence, 2024; DOI: 10.1038/s42256-024-00872-0

B. Kariyanna, M. Sowjanya, Unravelling the use of artificial intelligence in management of insect pests. Smart Agricultural Technology, 2024, Vol. 8, 100517,

https://doi.org/10.1016/j.atech.2024.100517.

Haopeng Yu, Heng Yang, Wenqing Sun, Zongyun Yan, Xiaofei Yang, Huakun Zhang, Yiliang Ding and Ke Li, An interpretable RNA foundation model for exploring functional RNA motifs in plants., Nature Machine Intelligence, 9 December 2024. DOI: 10.1038/s42256-024-00946-z

Jodie Barber, Обзор SUNO: Революция в создании музыки с помощью ИИ. URL: https://aipure.ai/ru/articles/suno-review-ai-music-creation-revolution-or-top-features

Prevedello, D.M. A Temporary Pause on letters to the editor submissions. Neurosurg Rev 47, 810 (2024). https://doi.org/10.1007/s10143-024-03045-0

Марина Ледяева. Мошенничество с использованием искусственного интеллекта уверенно растет. РГ, 06.12.2024. URL: https://rg.ru/2024/12/06/reg- szfo/dipfejk-za-reshetkoj.html

Ben Cottier, Robi Rahman, Loredana Fattorini, Nestor Maslej, David Owen. The rising costs of training frontier AI models, https://arxiv.org/abs/2405.21015, 31 May 2024, (https://github.com/epoch-research/training-cost-trends).

Указ Президента Российской Федерации от 10.10.2019 г. № 490 (в редакции Указа Президента Российской Федерации от 15.02.2024 № 124). URL: http://www.kremlin.ru/acts/bank/44731 (дата обращения: 21.12.24).

Leena Heistrene, Ram Machlev, Michael Perl, Juri Belikov, Dmitry Baimel, Kfir Levy, Shie Mannor, Yoash Levron. Explainability-based Trust Algorithm for electricity price forecasting models // Energy and AI, Volume 14, 2023, 100259.

Minglang Yin, Nicolas Charon, Ryan Brody, Lu Lu, Natalia Trayanova, Mauro Maggioni. DIMON: Learning Solution Operators of Partial Differential Equations on a Diffeomorphic Family of Domains, arXiv:2402.07250.

René Descartes. Principles of Philosophy. Paris: Ludovicus Elzevirius, 1644.

Elon Musk, Neuralink. An Integrated Brain-Machine Interface Platform With Thousands of Channels. Journal of Medical Internet Research, 2019, no. 21, Vol. 10, e16194. DOI: 10.2196/16194

Щедровицкий Г.П. Мышление. Понимание. Рефлексия. М., 2005.

Лепов В.В. и др. Структурный подход к многомасштабному моделированию эволюционных процессов в материалах с внутренней микроструктурой. Наука и образование. 2015. № 4 (80). С. 82-87.

Лепов В.В. и др. Системно-структурный подход в многомасштабных задачах разрушения материалов и систем. Актуальные вопросы теплофизики, энергетики и гидрогазодинамики в арктических и субарктических территориях (ТЭГУА-2023). Сборник материалов Всероссийской научно-практической конференции с международным участием, посвященной 100-летию со дня рождения заслуженного