То есть он учится у нас на глазах.
Я вам могу эту программу запустить, она достаточно долго работает. Он у на
с на глазах выработал такой способ поведения. На самом деле это достаточ
но интересно.
Если мы будем ставить перед этим роботом другие задачи (из этого угла пер
еехать в тот, или, скажем, найти какие-то полезные батарейки, чтобы подзар
ядиться и т.д.), эти задачи можно будет решать на базе этого робота. Спасибо,
оставьте, пожалуйста, эту картинку. На этом графике показано число соуда
рений робота с препятствиями в единицу времени. Видно, что это число умен
ьшается со временем. То есть по мере того, как робот обучается, число соуда
рений уменьшается до нуля.
Хотелось бы ещё два слова сказать о том, что (пожалуйста, следующий слайд п
окажите), эта система управления построена на специальных нейроноподоб
ных элементах. Потому что мы пытались всё-таки до конца идти этим путём и
смоделировать нервную систему не только по её функциям, но и по её устрой
ству. Разработали несколько специальных моделей нейронов. Это не те нейр
оны, которые используются в современных искусственных нейросетях. Это т
акие нейроны, которые ищут корреляцию входных сигналов, причём обучаютс
я без учителя, самостоятельно. И самый простой из этих нейронов показан н
а этой картинке. Из этих нейронов можно собрать все подсистемы управляющ
ей системы, о которой я говорил. И блок формирования распознавания образ
а, и базу знаний, и принятие решений, и аппарат эмоций. То есть можно собрат
ь всю эту систему управления.
Это не есть система распознавания, как в обычных нейросетях. Эта система,
о которой я говорю, есть система управления, которая адаптивно управляет
роботом. Там есть блок распознавания, но это только один из блоков.
А.Г. Увеличение количества нейронов ведёт к уменьшению време
ни эксперимента или нет?
А.Ж. Ну, конечно. Безусловно, здесь очень много зависит от колич
ества этих нейронов. Минуточку, ещё назад, пожалуйста, вернитесь, не забег
айте. Вот здесь показан кусочек базы знаний, в данном случае Ц это трехме
рная матрица, где каждый нейрон получает информацию об условии, которое
было, о действии, которое он совершил, и о результатах, которые из этого по
лучились. И некоторые нейроны, те, которые как бы поймали закономерные эт
и троечки Ц условия, действие и результат Ц они обучились, я их там выдел
ил жёлтым светом.
В.Н. А они способны переучиваться?
А.Ж. Это зависит от того, как вы этот нейрон устроите. Я считаю, ч
то биологические нейроны в своём зрелом возрасте плохо переучиваются.

В.Н. То есть получается, что число всякого рода форм поведения,
которое ваша система способна выучить, определяется числом нейронов в н
ей. Пока есть свободные нейроны, до тех пор она учится?
А.Ж. Даже не совсем так. В каком-то смысле так, но не все нейроны б
удут обучены к концу жизни. И тут, как ни странно, на основании такой схемы
можно устроить практически полезные системы. Вот на этом слайде показан
прототип системы управления для активной подвески автомобиля, где сист
ема адаптируется к свойствам этого автомобиля. Предполагается, что эта п
одвеска оснащена некоторым активным элементом, который может автомоби
ль подталкивать вверх-вниз, при этом управляющая система со временем по
нимает, как это делать. Внизу нарисована база знаний, которую эмпирическ
ая система получила, она отражает свойства данного конкретного автомоб
иля: как этот автомобиль реагирует на то или другое воздействие. Пользуя
сь этими знаниями, система может так аккуратно управлять этой подвеской
, что она сглаживает нежелательные колебания и заставляет автомобиль дв
игаться так, как вам надо.
Вот слева график: это сильные колебания автомобиля, обычного автомобиля
при наезде, скажем, на препятствие. Справа мы видим гораздо более гладкую
кривую. Очень интересная, такая практически полезная вещь.
В.Н. А можно вам вопрос? С какой скоростью она учится? Скажем, мож
но сопоставить её скорость обучения со скоростью обучения водителя: вот
человек купил новый автомобиль, и он к нему приспосабливается. И ваша сис
тема…
А.Ж. Наверное, можно сопоставить. Конечно, здесь очень много за
висит от процессора, от различных деталей, и т.д. Можно обучаться с нуля, мо
жно заставить переучивать некую среднюю базу знаний, заранее, скажем, на
копленную. Тут очень много различных вариантов. Но в принципе, естествен
но, есть период, когда она учится, больше учится, чем управляет. Но постепе
нно доля управления становится больше, чем доля обучения.
Покажите, пожалуйста, следующую картинку. Примерно похожая адаптивная с
истема управляет угловым движением спутника. Я хочу обратить внимание, ч
то в эту систему не закладывается математическая модель объектов в том в
иде, как это обычно делается. Там нет системы дифференциальных уравнений
, где какие-то коэффициенты надо было бы уточнить. Тут совсем нет этой сис
темы. Здесь знание Ц это, скорее, некоторое отображение из множества в др
угое множество. Из множества образов, множества действий, множества обра
зов, которые отражают результаты. Это ещё связано с оценками. И вот эти отн
ошения элементов этих множеств система и находит. База знаний имеет имен
но такой смысл.
В данном случае, очень полезная система, потому что точную математическу
ю модель космического аппарата, его углового движения, построить очень т
рудно, потому что вы не можете на Земле очень точно померить различные ко
эффициенты, которые входят в эту модель, потому что вы не можете воспроиз
вести вакуум, не можете произвести невесомость на Земле.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115