Перспективы биоинспирированного подхода в разработке систем искусственного интеллекта (обзор тенденций)

А.Р. Нурутдинов¹, Р.Х. Латыпов²

¹ПАО «Таттелеком», г. Казань, 420061, Россия

²Казанский (Приволжский) федеральный университет, г. Казань, 420008, Россия

ОБЗОРНАЯ СТАТЬЯ

Полный текст PDF

DOI: 10.26907/2541-7746.2022.2-3.244-265

Для цитирования: Нурутдинов А.Р., Латыпов Р.Х. Перспективы биоинспирированного подхода в разработке систем искусственного интеллекта (обзор тенденций) // Учен. зап. Казан. ун-та. Сер. Физ.-матем. науки. – 2022. – Т. 164, кн. 2–3. – С. 244– 265. – doi: 10.26907/2541-7746.2022.2-3.244-265.

For citation: Nurutdinov A.R., Latypov R.Kh. Potentials of the bio-inspired approach in the development of artificial intelligence systems (trends review). Uchenye Zapiski Kazanskogo Universiteta. Seriya Fiziko-Matematicheskie Nauki, 2022, vol. 164, no. 2–3, pp. 244–265. doi: 10.26907/2541-7746.2022.2-3.244-265. (In Russian)

Аннотация

Искусственный интеллект способен не только эффективно строить прогнозные модели в инженерных, политических, экономических и научных сферах, но и предлагать оптимальные стратегии для решения различных задач. Однако текущие реализации искусственного интеллекта оказались не настолько эффективными, как ожидалось десятилетия назад. В результате проблемы, которые выявляются при его широком использовании, все больше начинают нивелировать положительные эффекты от решаемых им задач. В статье рассмотрены трудности и ограничения, возникающие в системах искусственного интеллекта, и представлены возможные пути их преодоления.

Ключевые слова: искусственный интеллект, машинное обучение, биоинспирированный подход, модель мозжечка

Литература

1. McCarthy J., Minsky M.L., Rochester N., Shannon C.E. A proposal for the Dartmouth Summer Research Project on Artificial Intelligence, August 31, 1955 // AI Mag. – 2006. – V. 27, No 4. – P. 12–14. – doi: 10.1609/aimag.v27i4.1904.
2. van Lent M., Fisher W., Mancuso M. An explainable artificial intelligence system for small-unit tactical behavior // Proc. 16th Conf. on Innovative Applications of Artificial Intelligence. – AAAI Press, 2004. – P. 900–907.
3. Dellermann D., Calma A., Lipusch N., Weber Th., Weigel S., Ebel P. The future of human-AI collaboration: A taxonomy of design knowledge for hybrid intelligence systems // Proc. 52nd Hawaii Int. Conf. on System Sciences. – 2019. – P. 274–283.
4. Kirsh D. Foundations of AI: The big issues // Artif. Intell. – 1991. – V. 47, No 1–3. – P. 3–30. – doi: 10.1016/0004-3702(91)90048-O.
5. Monett D., Lewis C.W.P. Getting clarity by defining artificial intelligence – a survey // Mu¨ller V. (Ed.) Philosophy and Theory of Artificial Intelligence 2017. PT-AI 2017. Studies in Applied Philosophy, Epistemology and Rational Ethics, V. 44. – 2018. – P. 212–214. – doi: 10.1007/978-3-319-96448-5_21.
6. Turing A.M. Computing machinery and intelligence // Mind. New Ser. – 1950. – V. 59, No 236. – P. 433–460.
7. Hayes P., Ford K. Turing test considered harmful // IJCAI’95: Proc. 14th Int. Joint Conf. on Artificial intelligence. – 1995. – V. 1. – P. 972–977.
8. Marcus G., Rossi F., Veloso M. Beyond the Turing test // AI Mag. – 2016. – V. 37, No 1. – P. 3–4. – doi: 10.1609/aimag.v37i1.2650.
9. WIPO Technology Trends 2019 – Artificial Intelligence. – Geneva, Switzerland: WIPO, 2019. – 154 p. – URL: https://www.wipo.int/edocs/pubdocs/en/wipo_pub_1055.pdf/.
10. Batarseh F.A., Freeman L. Huang Ch.-H. A survey on artificial intelligence assurance // J. Big Data. – 2021. – V. 8. – Art. 60, P. 1–30. – doi: 10.1186/s40537-021-00445-7.
11. Blagec K., Barbosa-Silva A., Ott S., Samwald M. A curated, ontology-based, large-scale knowledge graph of artificial intelligence tasks and benchmarks // Sci. Data. – 2022. – V. 9, No 1. – Art. 322, P. 1–10. – doi: 10.1038/s41597-022-01435-x.
12. Pearson K. LIII. On lines and planes of closest fit to systems of points in space // London, Edinburgh, Dublin Philos. Mag. J. Sci. Ser. 6. – 1901. – V. 2, No 11. – P. 559–572. – doi: 10.1080/14786440109462720.
13. LeCun Y., Bengio Y., Hinton G. Deep learning // Nature. – 2015. – V. 521, No 7553. – P. 436–444. – doi: 10.1038/nature14539.
14. Russell S.J, Norvig P. Artificial Intelligence: A Modern Approach. – Prentice Hall, 2010. – xviii, 1132 p.
15. Shannon C. XXII. Programming a computer for playing chess // Philos. Mag., Ser. 7. – 1950. – V. 41, No 314. – P. 1–18.
16. Brown T.B., Mann B., Ryder N., Subbiah M., Kaplan J., Dhariwal P., Neelakantan A., Shyam P., Sastry G., Askell A., Agarwal S., Herbert-Voss A., Krueger G., Henighan T., Child R., Ramesh A., Ziegler D.M., Wu J., Winter C., Hesse Ch., Chen M., Sigler E., Litwin M., Gray S., Chess B., Clark J., Berner Ch., McCandlish S., Radford A., Sutskever I., Amodei D. Language models are few-shot learners: arXiv:2005.14165v4. – 2020. – doi: 10.48550/arXiv.2005.14165.
17. Littman M.L., Ajunwa I., Berger G., Boutilier C., Currie M., Doshi-Velez F., Hadfield G., Horowitz M.C., Isbell Ch., Kitano H., Levy K., Lyons T., Mitchell M., Shah J., Sloman St., Vallor Sh., Walsh T. Gathering Strength, Gathering Storms: The One Hundred Year Study on Artificial Intelligence (AI100) 2021 Study Panel Report. – Stanford, CA: Stanford Univ., 2021. – 82 p. – URL: https://ai100.stanford.edu/gathering-strength-gathering-storms-one-hundred-year-study-artificial-intelligence-ai100-2021-study/.
18. Sarker I.H. Machine learning: Algorithms, real-world applications and research directions // SN Comput. Sci. – 2021. – V. 2. – Art. 160, P. 1–21. – doi: 10.1007/s42979-021-00592-x.
19. Pearl J., Mackenzie D. The Book of Why: The New Science of Cause and Effect. – N. Y.: Basic Books, 2018. – 432 p.
20. Nilsson N. The Quest for Artificial Intelligence: A History of Ideas and Achievements. – Cambridge Univ. Press, 2010. – 562 p. – doi: 10.1017/CBO9780511819346.
21. Levesque H.J., Davis E., Morgenstern L. The Winograd schema challenge // Proc. 13th Int. Conf. on the Principles of Knowledge Representation and Reasoning. – Inst. Electr. Electron. Eng. Inc., 2012. – P. 552–561.
22. Лекун Я. Как учится машина: Революция в области нейронных сетей и глубокого обучения. – M.: Альпина PRO, 2021. – 335 с.
23. Barricelli N. Esempi numerici di processi di evoluzione // Methodos. – 1954. – V. 6.– P. 45–68.
24. Rajkumar R., Ganapathy V. Bio-inspiring learning style Chatbot inventory using brain computing interface to increase the efficiency of E-learning // IEEE Access. – 2020. – V. 8. – P. 67377–67395. – doi: 10.1109/ACCESS.2020.2984591.
25. Ashby R.W. An Introduction to Cybernetics. – London: Chapman & Hall, 1956. – ix, 295 p.
26. Boisot M., McKelvey B. Complexity and organization-environment relations: Revisiting Ashby’s law of requisite variety // Allen P., Maguire St., McKelvey B. (Eds.) The Sage Handbook of Complexity and Management. – London: Sage Publ., 2011. – P. 279–298. – doi: 10.4135/9781446201084.
27. Шеллинг Т. Динамические модели сегрегации // Журн. матем. социологии. – 1971. – № 1–2. – С. 143–186.
28. Розенблатт Ф. Принципы нейродинамики. Перцептроны и теория механизмов мозга. – M.: Мир, 1965. – 480 с.
29. Middleton F.A., Strick P.L. The cerebellum: An overview // Trends Neurosci. – 1998. – V. 21, No 9. – P. 367–936. – doi: 10.1016/s0166-2236(98)01330-7.
30. Herculano-Houzel S. Coordinated scaling of cortical and cerebellar numbers of neurons // Front. Neuroanat. – 2019. – V. 4. – Art. 12, P. 1–8. – doi: 10.3389/fnana.2010.00012.
31. Herculano-Houzel S., Avelino-de-Souza K., Neves K., Porf´ırio J., Messeder D., Mattos Feij´o L., Maldonado J., Manger P.R. The elephant brain in numbers // Front. Neuroanat. – 2014. – V. 8. – Art. 46, P. 1–8. – doi: 10.3389/fnana.2014.00046.
32. Kawato M. Internal models for motor control and trajectory planning // Curr. Opin. Neurobiol. – 1999. – V. 9, No 6. – P. 718–727. – doi: 10.1016/s0959-4388(99)00028-8.
33. Broucke M.E. Adaptive internal models in neuroscience // Found. Trends® Syst. Control. – 2022. – V. 9, No 4. – P. 365–550. – doi: 10.1561/2600000027.
34. Welniarz Q., Worbe Y., Gallea C. The Forward Model: A Unifying Theory for the Role of the Cerebellum in Motor Control and Sense of Agency // Front. Syst. Neurosci. – 2021. – V. 15. – Art. 644059, P. 1–14. – doi: 10.3389/fnsys.2021.644059.
35. Wolpert D.M., Miall R.C. Forward models for physiological motor control // Neural Networks. – 1996. – V. 9, No 8. – P. 1265–1279. – doi: 10.1016/s0893-6080(96)00035-4.
36. Green A.M., Hirata Y., Galiana H.L., Highstein S.M. Localizing sites for plasticity in the vestibular system // Highstein S.M., Fay R.R., Popper A.N. (Eds.) The Vestibular System. Springer Handbook of Auditory Research, V. 19. – N. Y.: Springer, 2004. – P. 423–495. – doi: 10.1007/0-387-21567-0_10.
37. Kawato M., Gomi H. A computational model of four regions of the cerebellum based on feedback-error learning // Biol. Cybern. – 1992. – V. 68. – P. 95–103. – doi: 10.1007/BF00201431.
38. Wolpert D.M., Ghahramani Z., Jordan M.I. An internal model for sensorimotor integration // Science. – 1995. – V. 269, No 5232. – P. 1880–1882. – doi: 10.1126/science.7569931.
39. Albus J. A new approach to manipulator control: The cerebellar model articulation controller (CMAC) // J. Dyn. Syst., Meas., Control. – 1975. – V. 97, No 3. –P. 220–227. – doi: 10.1115/1.3426922.
40. Rosenblatt F. Principles of Neurodynamics: Perceptrons and the Theory of Brain Mechanisms. – Washington, DC: Spartan Books, 1962. – 616 p.
41. Albus J.S. A theory of cerebellar function // Math. Biosci. – 1971. – V. 10, No 1–2. – P. 25–61. – doi: 10.1016/0025-5564(71)90051-4.
42. Минский М., Пейперт С. Персептроны. – М.: Мир, 1971. – 264 с.
43. Gonzalez-Serrano F.J., Figueiras-Vidal A.R., Artes-Rodriguez A. Generalizing CMAC architecture and training // IEEE Trans. Neural Networks. – 1998. – V. 9, No 6.– P. 1509– 1514. – doi: 10.1109/72.728400.
44. Tsa Y., Chu H.-C., Fang S.-H., Lee J., Lin C.-M. Adaptive noise cancellation using deep cerebellar model articulation controller // IEEE Access. – 2018. – V. 6. – P. 37395–37402. – doi: 10.1109/ACCESS.2018.2827699.
45. Huynh T.-T., Lin Ch.-M., Le T.-L., Cho H.-Y., Pham Th.-Th.T., Le N.-Q.-K., Chao F. A new self-organizing fuzzy cerebellar model articulation controller for uncertain nonlinear systems using overlapped Gaussian membership functions // IEEE Trans. Ind. Electron. – 2020. – V. 67, No 11. – P. 9671–9682. – doi: 10.1109/TIE.2019.2952790.
46. Fan R., Li Y. An adaptive fuzzy trajectory tracking control via improved cerebellar model articulation controller for electro-hydraulic shovel // IEEE/ASME Trans. Mechatron. – 2021. – V. 26, No 6. – P. 2870–2880. – doi: 10.1109/TMECH.2021.3094284
47. Ji D., Shin D., Park J. An error compensation technique for low-voltage DNN accelerators // IEEE Trans. Very Large Scale Integr (VLSI) Syst. – 2021. – V. 29, No 2. – P. 397–408. – doi: 10.1109/TVLSI.2020.3041517.
48. Agrawal K. To study the phenomenon of the Moravec’s paradox: arXiv:1012.3148. – 2010. – doi: 10.48550/arXiv.1012.3148.
49. Moravec H. Mind Children: The Future of Robot and Human Intelligence. – Cambridge, Mass.: Harvard Univ. Press, 1988. – 214 p.
50. Pinker S. The Language Instinct: How the Mind Creates Language. – N. Y.: William Morrow, 1994. – 494 p.

Поступила в редакцию

16.05.2022

Нурутдинов Айрат Рафкатович, генеральный директор

ПАО «Таттелеком»

ул. Н. Ершова, д. 57, г. Казань, 420061, Россия

E-mail: ayrat.nurutdinov@gmail.com

Латыпов Рустам Хафизович, доктор технических наук, заведующий кафедрой системного анализа и информационных технологий

Казанский (Приволжский) федеральный университет ул. Кремлевская, д. 18, г. Казань, 420008, Россия

E-mail: roustam.latypov@kpfu.ru

Контент доступен под лицензией Creative Commons Attribution 4.0 License.