Альтернативні уявлення: нейронні мережі та генетичні алгоритми

В багатьох випадках для реалізації інтелекту використовуються явні зображення знань і прискіпливо спроектовані алгоритми перебирання.

Зовсім інший підхід полягає у побудові інтелектуальних програм із застосуванням моделей, що імітують структури нейронів у людському мозку чи еволюцію різних альтернативних конфігурацій, як це робиться у генетичних алгоритмах та штучному житті.

рис. 1. Спрощена схема нейрона

Як показує схема нейрон (рис.1) складається з клітини, яка має багато розгалужень, що називаються дендритами, і одну гілку – аксон. Дендрити приймають сигнали від інших нейронів. Коли сума цих імпульсів перевищує певну межу, нейрон сам збуджується, а імпульс, чи „сигнал”, проходить по аксону. Розгалуження на кінцівці аксона утворюють синапси (місце контакту між нейронами) з дендритами інших нейронів. Синапси можуть бути збуджуючими (excitatory) чи гальмуючими (inhibitory), залежно від того, чи збільшують вони результуючий сигнал. Таке просте зображення нейрона передає основні риси, істотні у нейронних обчислювальних моделях. Наприклад, кожний обчислювальний елемент підраховує значення якоїсь функції своїх входів і передає результат до приєднаних до нього елементів мережі. Кінцеві результати є наслідками паралельної та розподільчої обробки у мережі, утвореної нейронними з’єднаннями і пороговими значеннями. Нейронні архітектури привабливі як засоби реалізації інтелекту з багатьох причин.

Традиційні програми ШІ можуть бути занадто нестійкими і чутливими до шуму. Людський інтелект є значно гнучкішим при обробці такої інформації із завадами, як обличчя у затемненій кімнаті чи розмови на шумних вечорницях. Нейронні архітектури більш придатні для зіставлення зашумлених чи недостатніх даних, оскільки вони зберігають знання у вигляді великої кількості дрібних елементів, розподілених по мережі.

За допомогою генетичних алгоритмів та методик штучного життя досягають нових рішень проблем з компонентів попередніх рішень. Генетичні оператори, такі як схрещування чи мутація, подібно до своїх еквівалентів у реальному світі, видають з кожним поколінням дедалі кращі рішення. У штучному житті нові покоління створюються на основі функції „якості” сусідніх елементів у попередніх поколіннях. Нейронні архітектури і генетичні алгоритми дають природні моделі паралельної обробки даних, оскільки кожний нейрон чи сегмент рішення являє собою незалежний елемент. Людина швидше розв’язує задачу, коли отримує більше інформації, тоді як комп’ютери, навпаки, уповільнюють роботу. Це уповільнення відбувається внаслідок збільшення тривалості послідовного пошуку в базі знань. Архітектура з масовим паралелізмом, наприклад людський мозок, не страждає на такий недолік. Крім того, є щось привабливе у підході до проблем інтелекту з позицій нервової системи чи генетики. Мозок як результат еволюції виявляє розумну поведінку і робить це через нейронні структури.