агальних ситуаціях прийняття рішень. В останні роки з'явилися два перспективні методу. У першому з них передбачається використання алгоритмів з відсіканням по часу. Алгоритмом з відсіканням повремени називається алгоритм, якість вихідних даних якого незмінно поліпшується в часі, тому він завжди готовий надати прийнятне рішення, коли б не була перервана його робота. Такі алгоритми діють під управлінням метауровневой процедури прийняття рішень, яка оцінює, чи варто виконувати подальші обчислення. Простим прикладом алгоритму з відсіканням за часом є пошук з ітеративним поглибленням в задачах ведення ігор. Можуть також бути створені більш складні системи, що складаються з багатьох таких алгоритмів, діючих разом. Другим методом є метарассужденія на основі теорії рішень. У цьому методі застосовується теорія цінності інформації для вибору обчислень. Цінність обчислень залежить і від їх вартості (з точки зору того, що дія не проводиться, поки вони здійснюються) і від їх переваг (вимірюваних з урахуванням того, наскільки підвищилася якість рішення). Методи формування метарассужденій можуть використовуватися для проектування кращих алгоритмів пошуку і для забезпечення гарантій того, що алгоритми будуть володіти позачасовим властивістю. Безумовно, підхід на основі метарассужденій є дорогим, а методи компіляції можуть застосовуватися таким чином, щоб витрати були малі порівняно з вартостями контрольованих обчислень.
Проте метарассужденія являють собою лише один з аспектів загальної рефлексивної архітектури, тобто архітектури, що дозволяє формувати міркування про обчислювальних сутності і діях, що виникають у самій архітектурі. Теоретичну основу для рефлексивних архітектур можна закласти, визначивши спільне простір станів, що складається з станів середовища та обчислювального стану самого агента. Можуть б?? Ь спроектовані алгоритми прийняття рішень і навчання, які застосовуються до цього спільному простору станів і тому сприяють реалізації і вдосконаленню обчислювальної діяльності агента. Ми сподіваємося, що в кінцевому підсумку такі алгоритми, призначені для вирішення вузько конкретних завдань, як альфа-бета пошуки зворотний логічний висновок, зникнуть з систем штучного інтелекту і будуть замінені загальними методами, які направляють обчислення агента в сторону ефективного формування високоякісних рішень.
.3 Оцінка правильності обраного напряму
У попередньому розділі були перераховані багато досягнень і багато можливості для подальшого прогресу. Але в якому напрямку йде все це розвиток? Дрейфус проводить аналогію зі спробою дістати до місяця, підіймаючись на дерево; в ході цього спостерігається постійний прогрес до тих пір, поки не буде досягнута вершина дерева. У цьому розділі ми розглянемо, чи нагадує поточний шлях розвитку штучного інтелекту підйом по стовбуру дерева або зліт ракети. У главі 1 було зазначено, що наша мета полягає в створенні агентів, які діють раціонально, але в тій же главі було також зазначено наступне: задача досягнення ідеальної раціональності, при якій завжди виконуються правильні дії, не здійсненна. Справа в тому, що при цьому пред'являються дуже високі вимоги до обчислювальних ресурсів. Але в основній частині даної книги застосовується робоча гіпотеза, згідно з якою ідеальна раціональність є гарною відправною точкою для аналізу.
Тепер настав час визначити, в чому саме полягає мета ...
