10.11: Альтернативні фреймворки та підходи до моделювання

Last updated
Save as PDF

Page ID: 72623

\( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)

У цьому розділі ми зосередилися на одній конкретній теоретичній базі, але протягом багатьох років було описано багато інших підходів. Ймовірно, найвпливовіша модель походила від Алана Бадделі (1986), який особливо зосередився на робочій пам'яті, але також виступав за «центральну виконавчу владу». Зокрема, він постулював дві специфічні форми робочої пам'яті: 1) фонологічний цикл для підтримки словесної інформації і; 2) візуально-просторовий скретчпад для просторової інформації. Інший дуже впливовий теоретичний підхід прийшов від Тіма Шалліса (наприклад, 1988,2007), який описав систему наглядової уваги (SAS). Нарешті, є також дуже впливовий традиційний підхід AI, про який ми коротко розповімо нижче.

Мотивований значною мірою видами когнітивних функцій, перерахованих вище, традиційний ШІ значною мірою зосередився на дизайн-орієнтованому підході, використовуючи символи, які зосереджені на спробі з'ясувати, що потрібно для вирішення певного виду проблеми, а потім розробляє модель, яка робить речі таким чином. Існує іронія в цьому підході в тому, що дослідники, які використовують цей підхід, використовують дуже вищий рівень когнітивної функціональності, яку вони намагаються пояснити, щоб розробити систему, яка буде її відтворювати. Фундаментальна проблема такого підходу полягає в тому, що він в основному проектує в самій функціональності, яку він має на меті пояснити. Це не означає, що такі підходи абсолютно без заслуг, лише те, що вони принципово обмежені в тому, що вони можуть в кінцевому підсумку пояснити. Можливо, зі зрозумілих причин з'ясувалося, що подібні моделі когнітивних функцій були найбільш успішними у боротьбі з видами когнітивних функцій, які ми перерахували як ті, що знаходяться на найвищому рівні - тобто в моделюючих системах, здатних робити формальну математику та логіку. Те, що вони зробили менш добре, було в обліку багатьох видів речей, які можна вважати менш високим або навіть нижчим рівнем, речі, які ми часто вважаємо автоматичними. Саме для цих останніх областей найбільш корисним був біологічно інформований нейронний мережевий підхід. Таким чином, ці два підходи можуть бути добре доповнюючими, і гібридні підходи переслідуються. Наприклад, підхід Leabra гібридизується з підходом ACT-R в архітектурі під назвою SAL.

Всі ці підходи не є взаємовиключними, а натомість поділяють багато спільних ідей і можуть бути взаємодоповнюючими у багатьох відношеннях. Зокрема, традиційний підхід AI, перейшовши безпосередньо до вирішення проблеми високого рівня, наприклад, арифметики. З іншого боку, метою нейронного мережевого підходу, який ми виступаємо, є надання моделі «знизу вгору», яка намагається забезпечити редукціоністський рахунок для виникнення контрольно-подібної обробки на основі базових автоматичних механізмів. Це підхід, який ми приймаємо з фреймворком PBWM.