Inteligentne architektury systemu

Informatycy opracowali r�ne sposoby ��czenia du�ych program�w sk�adaj�cych si� z wielu specjalistycznych podprogram�w. Tradycyjna struktura kontroluj�ca dzia�anie wi�kszo�ci program�w polega na tym, �e g��wny program wykonuje instrukcje krok po kroku, pobieraj�c i przechowuj�c dane w pami�ci, wykonuj�c r�ne operacje na takich danych oraz podejmuj�c inne dozwolone dzia�ania. Niekt�re instrukcje w programie g��wnym mog� polega� na "wywo�aniu" podprogramu i przekazaniu mu kontroli. Podprogramy z kolei mog� wywo�ywa� inne podprogramy i tak dalej. Po tym, jak podprogram nie wykona tego, do czego zosta� powo�any, og�lna kontrola powraca do programu, kt�ry go wywo�a�, kt�ry mo�e nast�pnie wywo�a� inny podprogram i tak dalej, a� do kontroli ko�cowej wraca do programu g��wnego. Ostatecznie program g��wny mo�e ostatecznie zako�czy� dzia�anie, po wykonaniu wszystkich swoich dzia�a� lub mo�e kontynuowa� dzia�anie (w zasadzie na zawsze), poniewa� podobnie jak program, kt�ry rezerwuje linie lotnicze na ��danie dla wszystkich korzystaj�cych z niego, jego praca nigdy si� nie ko�czy. Ten schemat to tak zwana architektura von Neumanna. Istnieje wiele opracowa� na temat tego og�lnego pomys�u. "Przerwania" mog� by� zawarte w programach i podprogramach. S� one zawsze czujne na specjalne warunki w samym systemie komputerowym lub w �rodowisku - warunki, kt�re, je�li zostan� spe�nione, wymagaj� natychmiastowego przekazania kontroli programom, kt�re s� w stanie poradzi� sobie z takimi warunkami. Na przyk�ad komputerowe systemy operacyjne zale�� od przerwa�, aby reagowa� na dane wej�ciowe u�ytkownika i inne rzeczy zwi�zane ze sprz�tem komputerowym. Najwcze�niejsze programy AI dzia�a�y na komputerach, kt�re korzysta�y z architektury von Neumanna, dlatego naturalne by�o, �e architektura program�w (czyli spos�b, w jaki one by�y zorganizowane) by�a zgodna ze stylem dzia�ania komputera von Neumanna. Zrobili to, mimo �e z czasem programy ni�szego poziomu, kt�re faktycznie kontrolowa�y komputer, stopniowo stawa�y si� bardziej z�o�one w spos�b, kt�rego programi�ci nie musieli zauwa�a�. Na przyk�ad jedna innowacja wa�na dla uruchamiania program�w napisanych w LISP polega�a na bardziej efektywnym wykorzystaniu cennych zasob�w pami�ci komputerowej. Tak zwane procedury czyszczenia pami�ci od czasu do czasu skanowa�y pami�� komputera w celu znalezienia struktur, kt�re nigdy wi�cej nie b�d� u�ywane. Pami�� u�ywana do przechowywania tych struktur mo�e by� nast�pnie odzyskana w celu wykorzystania do przechowywania nowych struktur list. Tw�rcy program�w mog� zignorowa� ten aspekt architektury oprogramowania komputerowego ni�szego poziomu i mog� pisa� swoje styl von Neumann, kolejno uruchamiaj�c programy, jakby mieli du�o dost�pnej pami�ci.W przeciwie�stwie do koncepcji von Neumanna polegaj�cej na wykonywaniu instrukcji jedna po drugiej, mo�na wyobrazi� sobie architektur�, w kt�rej wiele instrukcji jest wykonywanych jednocze�nie. Taki "paralelizm" mo�na osi�gn�� albo przez faktyczne posiadanie kilku procesor�w sprz�towych, na kt�rych programy s� hodowane do wykonania, albo przez symulacj� r�wnoleg�ej pracy na prostszej architekturze von Neumanna, w kt�rej programy s� tak naprawd� wykonywane sekwencyjnie, ale programi�ci, z tego, co wiedz�, pomy�l o nich jako o jednoczesnym dzia�aniu. Na przyk�ad w niesymbolicznym �wiecie sieci neuronowych mo�na sobie wyobrazi� grupy element�w neuronowych dzia�aj�cych jednocze�nie, mimo �e symulacje tych sieci musz� kolejno rozpatrywa� ka�dy element neuronowy. W Pandemonium demony (by� mo�e niekt�re zaimplementowane przez elementy neuronalne, a niekt�re zaimplementowane przez programy) mog�y dzia�a� r�wnolegle, ale programy Selfridge musia�y symulowa� tak� r�wnoleg�o��. Symulacj� r�wnoleg�o�ci mo�na r�wnie� osi�gn�� dzi�ki systemowi "dzielenia czasu", w kt�rym u�ytkownik (lub kilku r�nych u�ytkownik�w) mo�e sobie wyobrazi�, �e wszystkie ich programy dzia�aj� jednocze�nie. Nowoczesny komputer ,system operacyjny, taki jak UNIX, Windows lub Mac OS, to bardzo z�o�ona agregacja program�w, kt�rych organizacja (to znaczy rchitektura) musi by� bardzo starannie zaprojektowana. Wykorzystuj� zar�wno rzeczywisty sprz�t r�wnoleg�y (jak w tak zwanych systemach wielordzeniowych), jak i wsp�u�ytkowanie czasu, dzi�ki czemu u�ytkownicy mog� na przyk�ad uruchamia� programy poczty e-mail jednocze�nie (o ile wiedz�) z programami arkuszy kalkulacyjnych.

Architektury obliczeniowe

Architektury tr�jwarstwowe

Opisano ju�, w jaki spos�b elementy jednego systemu AI, Shakey, zosta�y zorganizowane w grupy wysokiego, �redniego i niskiego poziomu - architektura "tr�jwarstwowa". Na rysunku poni�ej pokazano jak programy i dane Shakeya mo�na pogrupowa� w poziomy.

Interakcje mi�dzy programami na tych poziomach ilustruj� linie ��cz�ce. Wszystkie percepcyjne i podstawowe programy ruchowe Shakeya zosta�y osadzone w dzia�aniach na niskim poziomie, podczas gdy dzia�ania na poziomie po�rednim ��czy�y dzia�ania na niskim poziomie na r�ne sposoby, aby wykonywa� niekt�re typowe zadania. Wysoki poziom odpowiada� za planowanie i og�ln� realizacj� plan�w. Tr�jwarstwowe architektury, takie jak ta stosowana przez Shakey, by�y (i nadal s�) stosowane w kilku innych systemach robot�w. Jako Erann Gat, badacz, kt�ry wykorzysta� te architektury w Jet Propulsion Laboratory, podkre�la w swojej pracy badawczej, Tr�jwarstwowa architektura wynika z obserwacji empirycznej, �e skuteczne algorytmy sterowania robotami mobilnymi dziel� si� na trzy odr�bne kategorie: 1) algorytmy sterowania reaktywnego, kt�re mapuj� czujniki bezpo�rednio na si�ownikach z niewielkim stanem wewn�trznym lub bez niego, 2) algorytmy rz�dz�ce rutynowymi sekwencjami czynno�ci, kt�re w du�ej mierze opieraj� si� na stanie wewn�trznym, ale nie przeprowadzaj� wyszukiwania, oraz 3) czasoch�onne (w stosunku do tempa zmiany �rodowiska) oparte na wyszukiwaniu algorytmy, takie jak plani�ci. Kilka tr�jwarstwowych architektur opisanych przez Gat opiera si� na tr�jwarstwowym schemacie R. Jamesa Firby'ego przy u�yciu " Reactive Action Packages "(RAP). Raporty RAP s� do�� podobne do program�w telereaktywnych, poniewa� grupuj� razem i opisuj� wszystkie znane sposoby wykonania zadania w r�nych sytuacjach. Wsp�czesnym przyk�adem tr�jwarstwowej architektury jest ta u�ywana przez niemiecki "widz�cy samoch�d osobowy", VaMoRs-P, opisany przez Ernsta D. Dickmannsa i wsp�pracownik�w.

Architektury wielowarstwowe

Jako alternatywa dla tr�jwarstwowych system�w, z kt�rych wszystkie obejmowa�y: poziom planowania, Rodney Brooks i inni zaproponowali takie architektury kt�re kontrolowa�y dzia�ania robota w spos�b, kt�ry reagowa� bezpo�rednio na zmiany w otoczeniu (zgodnie z wyczuciem) bez potrzeby planowania. Pierwotnie zwane "architekturami subsumpcji", p�niej nazwano je "opartymi na zachowaniu", poniewa� sk�ada�y si� one ze specjalnie zaprogramowanych zachowa� robot�w. R�ne zachowania, na przyk�ad "w�dr�wka", "unikanie przeszk�d" i "eksploruj" s� u�o�one w poziomach, z kt�rych ka�dy reaguje na w�asny zestaw bod�ce �rodowiskowe i ka�dy w stanie kontrolowa� robota w zale�no�ci od wykrytej sytuacji. To �cis�e powi�zanie i interakcja z tym, co dzieje si� w �rodowisku, powoduje to, co niekt�rzy nazywaj� "zachowaniem wschodz�cym". Jak uj�li to Maja Matariffic i Francois Michaud, na przyk�ad robot, kt�ry zadokuje si� innymi robotami, mo�e nie mie� okre�lonego zachowania flokuj�cego; zamiast tego jego interakcja ze �rodowiskiem i innymi robotami mo�e powodowa� flokowanie, chocia� jego jedynymi zachowaniami mog� by� unikanie kolizji, pozostawanie blisko grupy i kontynuowanie pracy James Albus, w National Institute of Standards i Technologia (wcze�niej National Bureau of Standards) opracowa�y co�, co nazwa� "architektur� modelu referencyjnego". Architektura sk�ada si� z wielu warstw "system�w sterowania w czasie rzeczywistym" (RCS) opracowanych wcze�niej w NIST jako element�w "teorii inteligencji". (Albus twierdzi, �e jego model RCS zosta� pierwotnie zainspirowany modelem m�d�ku, kt�ry wymy�li� on i David Marr.) Ka�dy RCS "dzieli problem sterowania na cztery podstawowe elementy: generowanie zachowa� (lub rozk�ad zada�), modelowanie �wiata, przetwarzanie sensoryczne, oraz (w nowszych wersjach) ocenianie warto�ci. Grupuje te elementy w w�z�y obliczeniowe, kt�re s� odpowiedzialne za okre�lone podsystemy, i rozmieszcza te w�z�y w hierarchicznych warstwach, tak aby ka�da warstwa mia�a charakterystyczn� funkcjonalno�� i czas. " Warstwowa struktura RCS, zwana NASREM (dla NASA / NBS Standard . Model referencyjny), zosta� zaproponowany jako architektura dla lataj�cego tele-robota servicera na stacji kosmicznej. W ka�dej warstwie jednostki RCS maj� komponenty przetwarzania sensorycznego (SP), komponenty modelowania �wiata (WM) i komponenty rozk�adu zada� (TD). Najni�sza warstwa RCS jest zasadniczo serwosterownikiem; w miar� przesuwania si� w g�r� hierarchii, RCS wykonuj� coraz bardziej strategiczne zadania. Albus i jego zesp� z NIST opracowali r�norodne architektury przy u�yciu warstw. Zainspirowany architektur� Albusa opracowano tak�, kt�r� nazwano "architektur� potr�jnej wie�y" . Najni�szy poziom centralnej wie�y modelowej odbiera dane wej�ciowe przez czujniki bezpo�rednio z otoczenia i przechowuje je jako prymitywne predykaty percepcyjne. Programy (reprezentowane jako regu�y) w Wie�y Percepcji reprezentuj� te prymitywne predykaty jako bardziej abstrakcyjne {dodaj�c je do Wie�y Modelowej. Ten proces tworzenia coraz wy�szych abstrakcji przebiega stopniowo aby udoskonali� Wie�e Percepcji i Modele. W wie�y akcji procedury dzia�ania na najni�szym poziomie s� prostymi refleksami, wywo�ywanymi przez predykaty w wie�y modelu odpowiadaj�ce pierwotnym predykatom. Bardziej z�o�one dzia�ania s� wywo�ywane przez bardziej abstrakcyjne predykaty odpowiednie dla tych dzia�a�. Akcje wysokiego poziomu wywo�uj� inne akcje, a� proces osi�gnie prymitywne akcje, kt�re faktycznie wp�ywaj� na �rodowisko. Dzia�ania w wie�y akcji mia�y by� programowane przy u�yciu mojego tele-reaktywnego j�zyka. Postrzegane efekty tych dzia�a� z kolei zmieniaj� warto�ci predykat�w w Wie�y Modelowej, wywo�uj�c by� mo�e r�ne dzia�ania. Aby wiernie modelowa� trwaj�ce zmiany �rodowiskowe, jako cz�� wie�y modelowej do��czono system utrzymania prawdy (TMS). TMS w spos�b ci�g�y usuwa predykaty i warto�ci z Wie�y Modelowej, kt�rych nie mo�na ju� uzyska� (na podstawie regu� percepcyjnych) z obecnych w�wczas sk�adnik�w Wie�y Modelowej. Jedyn� implementacj� tej architektury, kt�r� znam, by�o sterowanie symulowanym robotem uk�adaj�cym klocki. Opisa�em ju� architektur� tablicy, opracowan� na Carnegie Mellon University dla jej systemu rozumienia mowy HEARSAY-II (patrz str. 279). Zosta� r�wnie� wykorzystany w systemie HASP / SIAP do nadzoru ocean�w (patrz str. 321). Jak wcze�niej zacytowa�em Russella i Norviga, systemy \ Blackboard s� podstaw� nowoczesnej architektury interfejsu u�ytkownika. "S� one r�wnie� wykorzystywane w kilku aplikacjach komputerowych, w tym na przyk�ad w automatycznym systemie adnotacji genomu do przewidywania lokalizacji gen�w i struktur. Powiedzia�em wcze�niej, �e tablica jest warstwow� struktur� pami�ci, w kt�rej programy o nazwie \ �r�d�a wiedzy mog� odczytywa� dane i zapisuj dane w r�nych warstwach. Zazwyczaj KS mo�e wyszuka�, a nast�pnie odczyta� niekt�re dane z jednej lub wi�cej warstw, wykona� niekt�re obliczenia przy u�yciu tych danych, a nast�pnie zapisa� wyniki tych oblicze� w jednej lub wi�cej warstwach. Administrator decyduje, kt�re KS, kt�re widz� dane, na kt�rych mog� dzia�a�, powinny by� aktywne. W niekt�rych aplikacjach jednocze�nie mo�e by� aktywnych kilka KS. Wynikiem tego wszystkiego jest bardzo dynamiczny proces, w kt�rym dane na tablicy stale si� rozwijaj�, ostatecznie wytwarzaj�c po��dane informacje, takie jak przewidywanie lokalizacji genu, rozpoznawanie zdania lub interpretacja sygna��w sonaru oceanicznego. Poniewa� informacje na jednej warstwie tablicy mog� powodowa�, za po�rednictwem KS, pojawienie si� innych informacji na dowolnym innym poziomie, architektura tablicy tablic zapowiada�a propagacj� prawdopodobie�stwa w g�r� iw d� w modelach korowych.

Architektura BDI

Michael Georgeff i inni zaproponowali agenta architektury oparte na filozoficznych koncepcjach przekona�, pragnie� i intencji. S� to tak zwane architektury BDI. Przekonania agenta reprezentuj� jego wiedz� na temat jego �rodowiska (w tym siebie i innych agent�w), zwykle wyra�on� w jakim� logicznym j�zyku, takim jak rachunek predykat�w pierwszego rz�du. (S�owo "przekonanie" jest u�ywane zamiast "wiedzy", poniewa� przekonania agenta mog� ulec zmianie i mog� nie modelowa� dok�adnie jego otoczenia.) Pragnienia agenta reprezentuj� cele agenta - sytuacje, kt�re chce osi�gn��. Intencje agenta reprezentuj� pragnienia, kt�re agent faktycznie postanowi� osi�gn��. Oznacza to, �e zacz�� realizowa� plan ich osi�gni�cia. Na przyk�ad architektury BDI, w odr�nieniu od opartych na zachowaniu, reaktywnych, wyra�nie reprezentuj� przekonania, pragnienia i intencje jako rzeczywiste struktury danych. M�wi�c tak og�lnie, niekt�re schematy architektoniczne, o kt�rych ju� wspomnia�em, mo�na uzna� za architektury BDI. Shakey, na przyk�ad, mia� przekonania (sw�j model �wiata), w ka�dej chwili otrzymywa� pragnienie (sw�j cel), a jego system wykonawczy czasami by� w trakcie realizacji planu (swojej intencji), aby osi�gn�� ten cel. Georgeff i wsp�pracownicy zaproponowali jednak specjaln� wersj� architektury BDI, kt�r� nazwali Systemowym Rozumowaniem Proceduralnym (PRS). Oto, w skr�cie, jak dzia�a ta architektura.

• Baza danych sk�ada si� z aktualnych przekona� agenta na temat jego �rodowiska (w tym samego siebie) i obszaru tematycznego. Niekt�re przekonania s� pocz�tkowo instalowane przez projektanta, a niekt�re uzyskuje agent poprzez aparat percepcyjny i mechanizmy wnioskowania. W PRS przekonania s� reprezentowane przez wyra�enia w rachunku predykat�w pierwszego rz�du.
• Cele (pragnienia agenta) s� warunkami do osi�gni�cia i mog� odnosi� si� zar�wno do �wiata zewn�trznego, jak i do wewn�trznych stan�w agenta.
• Biblioteka plan�w KA zawiera tak zwane "obszary wiedzy" (KA). Ka�da KA jest okre�lon� procedur� okre�laj�c� plan wykonania zadania, takiego jak podniesienie obiektu. KA sk�ada si� z cia�a, kt�re opisuje etapy procedury i warunek wywo�ania , kt�ry okre�la, w jakich sytuacjach KA mo�e by� u�yteczny stosowany. Jednostki "prymitywne" nie maj� cia�, ale odnosz� si� bezpo�rednio do dzia�a� wykonalnych przez system. S� te� takie KA wybierane spo�r�d wielu odpowiednich KA, modyfikowane i manipulowane intencjami oraz obliczaj�ce ilo�� argument�w, kt�re nale�y po�wi�ci� na problem, bior�c pod uwag� ograniczenia w czasie rzeczywistym.
• Struktura intencji zawiera zadania, kt�re system wybra� do wykonania. Zamiar wyra�a si� jako g��wny KA wraz ze wszystkimi jednostki podrz�dne KA, kt�re s� u�ywane do wykonania g��wnej KA.
• T�umacz uruchamia system. Utrzymuje pozosta�e komponenty systemu i wybiera zamiar ze struktury intencji (KA) do wykonania. Jedn� z cech PRS jest to, �e wykonanie KA mo�e zosta� przerwane przez pewne postrzegane sytuacje (takie jak sytuacje awaryjne), co da jej zdolno�� do szybkiego reagowania na nieprzewidziane zmiany w otoczeniu.

By�o kilka zastosowa� architektury w stylu PRS, w tym radzenie sobie z wadliwym dzia�aniem promu kosmicznego i sterowanie autonomicznym robotem. Opr�cz konkretnych pomys��w architektonicznych, kt�re w�a�nie opisa�em, pojawi�o si� wiele innych og�lnych sugestii dotycz�cych organizacji inteligentnych system�w, z kt�rych niekt�re zaowocowa�y uruchomieniem program�w (lub przynajmniej j�zyk�w programowania, w kt�rych mo�na pisa� uruchomione programy). Pojawi�o si� kilka propozycji system�w zdolnych do tak zwanego "rozumowania na poziomie meta", czyli rozumowania na temat sposobu rozumowania. Spo�r�d nich wymieni� Briana Smitha i System 3-LISP i system FOL Richarda Weyhraucha, kt�re by�y w stanie "zastanowi� si�" nad w�asnymi procesami. Systemy wnioskowania na poziomie meta zaproponowali r�wnie� Pat Hayes, Michael Genesereth, Stuart Russell i Eric Wefald Wa�ne rozwa�ania na temat problemu na poziomie meta przy podejmowaniu decyzji o tym, jak najlepiej rozwi�za� problem na poziomie podstawowym, obejmuj� szacunki oczekiwanych koszt�w i zalety r�nych metod rozwi�zania. Eric Horvitz jako pionier zastosowa� "teori� decyzji do kontrolowania rozwi�zywania trudnych problem�w, bior�c pod uwag� ograniczenia i niepewno�� w zasobach wnioskowania". Od tego czasu stosowanie metod probabilistycznych i teorii decyzji w rozumowaniu na poziomie meta sta�o si� wa�n� cz�ci� sztucznej inteligencji Badania. Czasopismo "Sztuczna inteligencja" po�wi�ci�o temu zagadnieniu specjaln� kwesti� w 2001 r. Pomys�y Marvina Minsky′ego na temat "spo�ecze�stwa umys�u" r�wnie� sugeruj� potencjalne projekty inteligentnych system�w, mimo �e nie by�y one wystarczaj�co szczeg�owe do natychmiastowego wdro�enia. Takie "spo�ecze�stwo" sk�ada�oby si� z du�ej liczby prostych "agent�w", z kt�rych �aden nie by�by wystarczaj�co pot�ny ani kompletny, aby sam by� bytem inteligentnym, ale "umys�" prawdopodobnie wy�oni�by si� z ich wsp�lnych zachowa� i interakcji. W podobnym tonie William Kornfeld i Carl Hewitt zasugerowali, �e inteligentny system powinien by� zorganizowany w spos�b podobny do "spo�eczno�ci naukowej", wykorzystuj�cej indywidualne i r�wnoleg�e badania, publikacj� i krytyk�

Architektury dla grup agent�w

Nale�y si� spodziewa�, �e inteligentni agenci b�d� istnie� w �rodowiskach zawieraj�cych inne inteligentne czynniki, zar�wno ludzi, jak i maszyny. Wielu z tych agent�w b�dzie wsp�pracowa� lub konkurowa� w wykonywaniu swoich zada�. Wa�nymi tematami sztucznej inteligencji sta�y si� strategie komunikacji mi�dzy agentami i architektury wieloagentowe. Zwr�ci�em ju� uwag� na interakcje mi�dzy systemami AI a lud�mi. Te interakcje wykorzystuj� ograniczone wersje j�zyka naturalnego lub innego rodzaju urz�dzenia interfejsu u�ytkownika. Rzeczywi�cie �wiat jest pe�en komputer�w komunikuj�cych si� z innymi komputerami za po�rednictwem sieci przy u�yciu specjalnie zaprojektowanych protoko��w. Chcia�bym tutaj porozmawia� o tym, w jaki spos�b wykorzystywane s� metody sztucznej inteligencji, aby umo�liwi� bardziej elastyczn� i efektywn� komunikacj� mi�dzy agentami sztucznej inteligencji, ni� by�oby to mo�liwe przy komunikacji sta�ej i protoko�ach organizacyjnych. Agenci AI powinni m�c planowa� komunikacj� z innymi agentami wraz z planowaniem innych dzia�a�. Ponadto musz� by� w stanie interpretowa� komunikacj� innych agent�w wraz z t�umaczeniem innych danych percepcyjnych. Aby to zrobi�, musz� wzi�� pod uwag� oczekiwane dzia�ania, wiedz� i cele innych agent�w. Niekt�re z wczesnych prac nad tak zwanymi "systemami wieloagentowymi" (wcze�niej "rozproszona AI") wykona� Victor Lesser z University of Massachusetts i Lee Erman z Carnegie Mellon University. Zaadaptowali pomys�y architektury tablicy do HEARSAY-II, aby opracowa� system, kt�ry nazwali DISTRIBUTED HEARSAY-II. By�o to po��czenie kilku rozproszonych tablic, z kt�rych ka�da ma w�asne KS, komunikuj�cych si� mi�dzy sob� w celu przetworzenia aszumionyh sygna��w pochodz�cych z wielu rozproszonych �r�de�. Lesser i Erman przewidzieli zastosowania w kilku obszarach, w tym w "sieciach czujnik�w (sk�adaj�cych si� z radaru ma�ej mocy, detektor�w akustycznych lub optycznych, sejsmometr�w, hydrofon�w itp.), kontroli ruchu w sieci (motoryzacyjnej), kontroli zapas�w (na przyk�ad wynajmu samochod�w) , sieci elektroenergetyczne i zadania z wykorzystaniem robot�w mobilnych ". Jak zauwa�yli, "architektura, kt�ra lokalizuje mo�liwo�ci przetwarzania w lokalizacjach czujnik�w i wymaga jedynie ograniczonej komunikacji mi�dzy procesorami, jest szczeg�lnie korzystna i by� mo�e jest to jedyny spos�b, aby sprosta� wymaganiom odpowiedzi w czasie rzeczywistym, ograniczonej przepustowo�ci komunikacji oraz niezawodno�ci." Lesser i koledzy kontynuuowali prace nad systemami wieloagentowymi w MAS Lab na University of Massachusetts w Amherst. Opieraj�c si� na pracy w ramach projektu DISTRIBUTED HEARSAY-II, opracowali "Distributed Vehicle Monitoring Testbed" (DVMT). Badania z wykorzystaniem stanowiska testowego koncentrowa�y si� na �ledzeniu ruchu pojazdu za pomoc� rozproszonej sieci czujnik�w i by�y �r�d�em informacji do testowania metod kooperacyjnego, rozproszonego rozwi�zywania problem�w. Po pracach DVMT przeprowadzono szereg innych projekt�w system�w wieloagentowych. Na prze�omie lat 70. i 80. opracowano kilka pomys��w koordynowania dzia�a� wielu agent�w. Jednym z nich by� system Contract Net opracowany przez Reida Smitha. Opiera� si� on na protokole i "procesie negocjacji" w celu "komunikacji i kontroli rozwi�zywania problem�w dla w�z��w w rozproszonym rozwi�zaniu problemu". Wczesna aplikacja obejmowa�a rozproszon� sie� czujnik�w, w kt�rej lokalizacje i typy czujnik�w by�y znane dopiero po wdro�eniu czujnika. Innym wa�nym systemem by� "Multi-Agent Computing Environment" (MACE) opracowany przez Lesa Gassera i wsp�pracownik�w z University of Southern California. Artyku� o MACE opisuje to w nast�puj�cy spos�b:
"MACE… jest instrumentalnym testem do budowy szerokiej gamy eksperymentalnych system�w rozproszonej sztucznej inteligencji…Jednostki obliczeniowe MACE (zwane "agentami") dzia�aj� r�wnolegle i komunikuj� si� za po�rednictwem komunikat�w. Zapewniaj� opcjonalne udogodnienia dla reprezentacja wiedzy (�wiatowa wiedza, modele innych agent�w, ich cele i plany, ich role i mo�liwo�ci itp.) oraz mo�liwo�ci wnioskowania"

Ciekawa aplikacja do bada� system�w wieloagentowych obejmuje roboty wsp�pracuj�ce (i konkurencyjne). Profesor Manuela Veloso z Carnegie Mellon University jest jednym z g��wnych badaczy pracuj�cych w tej dziedzinie. Opr�cz pracy nad "badaniami nad inteligentnymi robotami, kt�re wsp�pracuj�, obserwuj�, rozumuj�, dzia�aj� i ucz� si�", by�a aktywna w meczach RoboCup robot�w graj�cych w pi�k� no�n�. Zazwyczaj w tych meczach ka�dy robot ma w�asne mo�liwo�ci wykrywania i przetwarzania. Ka�dy musi wzi�� pod uwag� dzia�ania innych graczy i ich dzia�ania. RoboCup to mi�dzynarodowy wsp�lny projekt. . . wspieranie bada� nad sztuczn� inteligencj� i inteligentnymi robotami poprzez dostarczenie standardowego problemu, w kt�rym mo�na zintegrowa� i zbada� szeroki zakres technologii. "Jego ostatecznym celem jest rozw�j zespo�u w pe�ni autonomicznych robot�w humanoidalnych, kt�re [do 2050 r.] mog� wygra� z dru�yna mistrz�w �wiata w pi�ce no�nej. " Niekt�rzy z was b�d� w pobli�u, aby zobaczy�. Gdy otoczenie obejmuje innych agent�w, z kt�rymi agent musi wsp�pracowa� lub konkurowa�, wa�ne jest, aby ten agent posiada� modele tych innych agent�w jako cz�� swojego modelu �rodowiskowego. Modele te powinny zawiera� informacje o tym, w co wierz� inni agenci i jak mo�na modyfikowa� te przekonania. Aby poradzi� sobie z takimi sprawami, badacze zacz�li rozwa�a� problemy, takie jak to, jak agent A powinien reprezentowa� dla siebie, �e agent B zna jaki� fakt P i pod jakimi warunkami agent A powinien powiedzie� jaki� fakt P, agentowi B. Jedn� z g��wnych trudno�ci by�o rozr�nienie mi�dzy A wiedz�cym, �e B wie (P ∨ Q), a A wiedz�cym, �e B zna P lub B wie P: Innym by�o to, w jaki spos�b agent A mo�e uzasadni� przekazanie agentowi B faktu na temat jakiego� obiektu, powiedzmy OB, gdy A nie zna nazwy, kt�r� B u�ywa dla OB. Jeszcze inna dotyczy�a tego, co A m�g�by za�o�y� na temat wniosk�w, do kt�rych B mo�e doj�� W�asna rea B. procesy soningowe. Zaproponowano r�ne rozwi�zania. Najwa�niejsze z nich dotyczy�o tak zwanej "logiki epistemicznej" (logiki wiary). Agent, kt�ry ma wiedz� na temat tego, co wie inny agent i co mo�e wyci�gn��, jest w stanie spr�bowa� doda�, poprawi� lub wyci�gn�� wnioski z wiedzy tego innego agenta. Dostosowanie i uczenie si� na podstawie wiedzy innego agenta jest kluczem do wsp�pracy mi�dzy agentami i wymaga komunikacji od nadawcy do odbiorcy oraz zrozumienia i mo�liwej zgodno�ci ze strony odbiorcy. Naukowcy zauwa�yli, �e istnieje kilka rodzaj�w dzia�a� komunikacyjnych. S� one zwykle nazywane "aktami mowy", nawet je�li komunikacja odbywa si� za pomoc� �rodk�w innych ni� mowa. Wiele z tych rodzaj�w zosta�o wcze�niej sklasyfikowanych przez Johna Searle′a po pracy Johna L. Austina. G��wnymi z nich do u�ytku przez wielu agent�w s� "asertywni" "za przekazywanie fakt�w od jednego agenta do drugiego", "dyrektywy" dotycz�ce ��dania lub nakazania odbiorcy podj�cia pewnych dzia�a� oraz "komisje" za obietnic�, �e nadawca pope�ni pewne dzia�anie. Gdy komunikacja mi�dzy agentami zostanie rozpatrzona w kategoriach dzia�a�, mo�na pomy�le� o generowaniu plan�w za pomoc� tych dzia�a�: Philip R. Cohen z BBN i C. Raymond Perrault z University of Toronto byli w�r�d tych, kt�rzy to zrobili. REQUEST i INFORM (na podstawie wcze�niejszych "asertyw�w" i "dyrektyw") oraz proponowane warunki, na jakich mo�na by wykona� te akty i jakie by�yby ich skutki. Warunki i skutki zosta�y okre�lone w kategoriach logicznych wyra�e� lub umieszczane w bazach wiedzy nadawcy i odbiorcy (lub pochodnych) (Za�o�ono, �e zar�wno nadawca, jak i odbiorca musi mie� wiedz� na temat wzajemnej znajomo�ci i tego, �e mogliby j� uzasadni�.) System planowania, podobnie jak STRIPS, m�g�by nast�pnie generowa� plany sk�adaj�ce si� z wyst�pie� akt�w mowy, kt�re osi�gn�yby po��dane efekty. Akty mowy Cohena i Perraulta stanowi�y podstaw� akronimu KQML dla j�zyka manipulacji kwerend� wiedzy. KQML zosta� opracowany przy wsparciu DARPA w ramach inicjatywy "dzielenia si� wiedz�" .Okre�la r�ne dzia�ania komunikacyjne, kt�re mog� odbywa� si� mi�dzy agentami, takie jak pytanie-je�li, informowanie, m�wienie i odpowiadanie. KQML wykorzystuje KIF (format wymiany wiedzy), a j�zyk oparty na rachunku predykatu pierwszego rz�du, do wyra�ania zawarto�ci wiadomo�ci. Gdy wi�c agent A chce wys�a� wiadomo�� do agenta B, koduje tre�� wiadomo�ci w KIF, a nast�pnie zawija j� w odpowiednie dzia�anie komunikacyjne KQML Oto na przyk�ad typowe okno dialogowe KQML / KIF:

A to B: (ask-if (> (size chip1) (size chip2)))
B to A: (reply true)
B to A: (inform (= (size chip1) 20))
B to A: (inform (= (size chip2) 18))

Fundacja na rzecz inteligentnych agent�w fizycznych (FIPA), zainspirowana projektami takimi jak KQML i KIF, powsta�a w Szwajcarii w 1996 roku. FIPA jest obecnie jednym z komitet�w normalizacyjnych Towarzystwa Komputerowego IEEE. Jego standardy "maj� na celu promowanie wsp�pracy heterogenicznych agent�w i us�ug, kt�re mog� reprezentowa�". Zajmuj� si� komunikatami "Agent Communication Language" (ACL) i przewiduj� "protoko�y interakcji wymiany komunikat�w, akty komunikacyjne oparte na teorii mowy i reprezentacje j�zykowe tre�ci ". Obecnie istnieje kilka system�w i j�zyk�w do wdra�ania system�w wieloagentowych. Na przyk�ad interpreter Jason typu open source dla j�zyka opartego na logice AgentSpeak zapewnia u�ytkownikom platform� do tworzenia z�o�onych system�w wieloagentowych. Chocia� wiele pracy nad systemami wieloagentowymi koncentrowa�o si� na aplikacjach, w kt�rych kilku agent�w wsp�pracuje w celu rozwi�zania jakiego� og�lnego problemu, zdarza si� r�wnie�, �e agenci mog� by� zainteresowani sob�, co mo�e prowadzi� do rywalizacji mi�dzy nimi. Przyk�adem mog� by� przeciwne dru�yny robot�w graj�cych w pi�k� no�n�. Innymi przyk�adami s� agenci zajmuj�cy si� handlem, np. kupuj�cy i sprzedaj�cy (prawdopodobnie dzia�aj�cy dla ludzi). Te aspekty bada� wieloagentowych obejmuj� negocjacje i aukcje. Istniej� dobrze znane ramy, a mianowicie teoria gier do radzenia sobie z sytuacjami, w kt�rych sukces agenta w dokonywaniu wybor�w zale�y od wybor�w innych agent�w. Teori� gier wprowadzili do bada� system�w wieloagentowych Jeff Rosenschein (1957 {) i Michael Genesereth (1948 {) w swoim artykule "Oferty w�r�d racjonalnych agent�w". Obecnie systemy wieloagentowe stanowi� g��wny podtemat sztucznej inteligencji, a teoria mowy i teoria gier nale�� do jej wa�nych podstaw teoretycznych.

Architektury poznawcze

Systemy produkcyjne

Allen Newell i Herb Simon byli jednymi z pierwszych zainteresowanych komputerowymi modelami rozwi�zywania problem�w u ludzi. Opisanoju� GPS, General Problem Solver, kt�ry mo�na uzna� za jedn� z pierwszych architektur proces�w poznawczych. W tej cz�ci opisz� kilka innych tak zwanych architektur poznawczych. Jak p�niej uj�li tw�rcy jednej rodziny tych architektur, [Architektura poznawcza] stanowi sta�� baz� �ci�le powi�zanych mechanizm�w le��cych u podstaw inteligentnego zachowania. Architektura [taka] stanowi nast�pnie podstaw� do szeroko zakrojonych bada� podstawowych inteligentnych mo�liwo�ci {takich jak rozwi�zywanie problem�w, planowanie, uczenie si�, reprezentacja wiedzy, j�zyk naturalny, percepcja i robotyka -a tak�e zastosowania w takich obszarach, jak systemy eksperckie i modelowanie psychologiczne

Po pracy nad GPS, Newell i Simon skupili si� na "systemach produkcyjnych", modelach wykorzystuj�cych regu�y IF - THEN, zwane produkcjami. Aby wygenerowa� podzadania, Newell i Simon byli zainteresowani zastosowaniem tych regu� do tworzenia akcji. Cz�� IF by�a, jak zwykle, warunkiem, a cz�� THEN by�a akcj�, kt�ra zosta�a wykonana, je�li warunek zosta� spe�niony w modelu. Newell i Simon wymy�lili architektur� sk�adaj�c� si� z dw�ch rodzaj�w struktur pami�ci. Jedna, "pami�� d�ugoterminowa", sk�ada si� z regu� produkcji. Druga, pami�� kr�tkotrwa�a lub "pami�� robocza", zawiera dynamiczne informacje o wykonywanym zadaniu. Pami�� d�ugoterminowa utrzymuje si� z czasem i mo�e zawieraj� tysi�ce regu�. Pami�� robocza zawiera dane, kt�re maj� by� testowane przez cz�ci warunk�w regu�. Gdy warunek jest cz�ci� regu�y , dopasowuje dane w pami�ci roboczej, kt�ra regu�a "odpala"; to znaczy wykonywana jest jego cz�� akcji. Wykonanie mo�e spowodowa� zapis lub usuni�cie (lub oba) niekt�rych danych w pami�ci roboczej lub podj�cie pewnych dzia�a� w �rodowisku zewn�trznym. Kiedy dane w pami�ci roboczej s� zmieniane, r�ne regu�y s� czerwone, co ponownie zmienia dane i tak dalej. W przypadku, gdy wi�cej ni� jedna cz�� warunku regu�y pasuje do danych w pami�ci roboczej (co by�oby normalne), "Conflict Resolver" wybiera, kt�ry z nich (lub w przypadku pracy r�wnoleg�ej) powinien zosta� uruchomiony. W tej wersji architektury, kt�ra generuje dzia�ania w �rodowisku zewn�trznym, system "Percepcji" jest w stanie zapisywa� dane w pami�ci kr�tkotrwa�ej, reprezentuj�c wszelkie istotne cechy aktualnego stanu �rodowiska. Newell i Simon przeprowadzili szeroko zakrojon� eksperymentaln� prac� z ludzkimi podmiotami wykonuj�cymi zadania rozwi�zywania problem�w {pokazuj�c, �e ich wydajno�� mo�na dobrze modelowa� przez dzia�anie wersji tego schematu architektonicznego. Ich ksi��ka Human Problem Solving jest opisem wi�kszo�ci tej pracy. Przewa�nie uwa�ali, �e ich architektura systemu produkcyjnego jest wk�adem w badania naukowe nad poznaniem cz�owieka, a nie propozycj� strukturyzowania system�w AI. Komentuj�c swoj� ksi��k�, Newell napisa� p�niej: "Celem by�o wykazanie, �e psychologia jest wykonywana, a nie co�, co mo�na by zaszufladkowa� w powi�zaniu z komputerami". Jednak inni kojarzyli systemy produkcyjne z komputerami, w szczeg�lno�ci za pomoc� j�zyka komputerowego OPS5. P�niejsze propozycje architektur poznawczych, a mianowicie ACT-R i SOAR, by�y pod wp�ywem modelu systemu produkcyjnego i by�y wykorzystywane zar�wno jako modele rozwi�zywania problem�w, jak i architektury system�w AI. Opisz� nast�pnie te systemy

ACT-R

John R. Anderson i inni opracowali szereg architektur poznawczych zwanych ACT (Adaptive Control of Thought) na Uniwersytecie Carnegie Mellon. Najnowsze z tej serii modeli jest ACT-R ("R" oznacza racjonalne). Wed�ug strony internetowej ACT-R jest architektur� poznawcz�: teori� symuluj�c� i rozumiej�c� ludzkie poznanie. Badacze pracuj�cy nad ACT-R staraj� si� zrozumie�, w jaki spos�b ludzie organizuj� wiedz� i wytwarzaj� inteligentne zachowania. W trakcie bada� ACT-R ewoluuje coraz bli�ej w system, kt�ry mo�e wykonywa� pe�en zakres ludzkich zada� poznawczych: szczeg�owo uchwyci� spos�b, w jaki postrzegamy �wiat, my�limy o nim i dzia�amy na nim. Istniej� trzy g��wne elementy: modu�y, bufory i dopasowywanie wzorc�w. Modu� silnika mo�e oddzia�ywa� na �rodowisko poprzez procedury silnika lub na bufory ACT-R. Opr�cz pokazanego modu�u wizualnego mog� istnie� inne modu�y percepcyjne dla ods�uchu, dotyku i tak dalej. Istniej� dwa typy modu��w pami�ci w ACT-R. Pami�� deklaratywna sk�ada si� z fakt�w, takich jak "Waszyngton, DC jest stolic� Stan�w Zjednoczonych, Francja jest krajem w Europie, lub 2 + 3 = 5".Wiedza deklaratywna jest reprezentowana w ACT-R przez jednostki zwane fragmentami. sk�ada si� z regu� produkcji reprezentuj�cych "wiedz� o tym, jak to robimy: na przyk�ad wiedz� o tym, jak wpisa� liter� "Q" na klawiaturze, o tym, jak prowadzi�, lub jak wykona� dodawanie ". Cz�sto nie jeste�my w stanie werbalizowa� naszej wiedzy o tym, jak robimy pewne rzeczy: po prostu to robimy; dlatego wiedza o nich jest uwa�ana za proceduraln�, a nie deklaratywn�. Bufory w ACT-R s�u�� jako interfejsy mi�dzy modu�ami. "Zawarto�� bufor�w w danym momencie reprezentuje stan ACT-R w tym momencie. Modu� dopasowuj�cy wyszukuje produkcj�, kt�ra pasuje do bie��cego stanu bufor�w. Tylko jedna taka produkcja mo�e by� wykonana w w danym momencie. Ta produkcja, gdy jest wykonywana, mo�e modyfikowa� bufory i tym samym zmienia� stan systemu. Zatem w ACT-R poznanie rozwija si� jako seria pier�cieni produkcyjnych. " Wed�ug jednej ze stron internetowych ACT-R

ACT-R to hybrydowa architektura poznawcza. Jego symboliczn� struktur� jest system produkcyjny; struktura podsymboliczna jest reprezentowana przez zbi�r masowo r�wnoleg�ych proces�w, kt�re mo�na stre�ci� za pomoc� szeregu r�wna� matematycznych. R�wnania subsymboliczne kontroluj� wiele proces�w symbolicznych. Na przyk�ad, je�li kilka produkcji pasuje do stanu bufor�w, r�wnanie u�yteczno�ci podsymbolicznej szacuje wzgl�dny koszt i korzy�� zwi�zane z ka�d� produkcj� i decyduje si� wybra� do wykonania produkcj� o najwy�szej u�yteczno�ci. Podobnie to, czy (lub jak szybko) fakt mo�na odzyska� z pami�ci deklaratywnej, zale�y od subymbolicznych r�wna� wyszukiwania, kt�re uwzgl�dniaj� kontekst i histori� u�ycia tego faktu. Mechanizmy subsymboliczne s� r�wnie� odpowiedzialne za wi�kszo�� proces�w uczenia si� w ACT-R.

Modele ACT-R zosta�y wykorzystane do wyja�nienia i symulacji szerokiej gamy zachowa� poznawczych u ludzi, w tym uczenia si�, przetwarzania j�zyka, percepcji, rozwi�zywania problem�w i podejmowania decyzji. Istniej� setki (je�li nie tysi�ce) artyku��w opisuj�cych t� prac�. Zastosowania ACT-R obejmuj� szeroki zakres temat�w, od na przyk�ad "przewidywania wp�ywu wybierania numeru telefonu kom�rkowego na wydajno�� kierowcy" po inteligentne systemy nauczania. W aplikacjach bardziej bezpo�rednio zwi�zanych z AI, Greg Trafton i Alan C. Schultz w marynarce wojennej , Centrum Bada� Stosowanych w Inteligencji Sztucznej (NCARAI) buduje "wbudowanego robota poznawczego" przy u�yciu wersji ACT-R, kt�r� nazywaj� ACT-R / E. Obejmuje "modu�y wizualne i s�uchowe" oraz "modu�y motoryczne i przestrzenne" do percepcji i dzia�ania. Opr�cz roli w wyja�nianiu proces�w psychologicznych, badania funkcjonalnego obrazowania rezonansu magnetycznego (fMRI) zosta�y wykorzystane do powi�zania element�w architektury ACT-R z regionami m�zgu aktywnymi w z�o�onych zadaniach.

SOAR

Na pocz�tku lat osiemdziesi�tych John Laird, Allen Newell i Paul Rosenbloom rozpocz�li opracowywanie serii architektur poznawczych o nazwie SOAR (kt�ra, jak si� pierwotnie m�wi, by�a akronim od stanu, operatora i wyniku). Tw�rcy SOAR powiedzieli, �e "ich ostatecznym celem dla architektury SOAR jest to, �e s�u�y ona jako podstawa zar�wno dla ludzkiego, jak i sztucznego poznania". Podobnie jak ACT, SOAR ewoluowa� z pracy Newella i Simona nad GPS i systemami produkcyjnymi i zawiera� pomys�y dotycz�ce przestrzeni problemowych, wyszukiwania heurystycznego, nabywania umiej�tno�ci poznawczych i uczenia si�. Laird i Rosenbloom byli doktorantami Newella i mieli uko�czone rozprawy na temat aspekt�w SOAR. Istnieje szereg architektur SOAR, SOAR1 (w 1982 r.) Do SOAR9 (2008), ka�da z ulepszeniami w stosunku do swojego poprzednika. Niekt�re z najnowszych wersji oprogramowania SOAR mo�na pobra� z Internetu. Dok�adne zrozumienie, w jaki spos�b te r�ne wersje SOAR mo�na najlepiej uzyska�, �ledz�c niekt�re przyk�ady w artyku�ach i artyku�ach na temat SOAR.. SOAR jest czym� w rodzaju j�zyka programowania z zestawem sta�ych procedur . Za pomoc� tych procedur mo�na "zaprogramowa�" r�ne rodzaje zada� w SOAR. Przyk�ady obejmuj� zar�wno ulubione problemy sztucznej inteligencji "zabawki" (takie jak �sma uk�adanka), jak i aplikacje "rzeczywiste" (takie jak konfiguracja system�w komputerowych i sterowanie robotem). SOAR rozwi�zuje ka�de powierzone mu zadanie, tworz�c i rozwi�zuj�c hierarchi� podzadania. Ka�de zadanie (w tym g��wne i ka�de podzadania) jest postawiony jako cel znalezienia po��danego stanu w "przestrzeni problemowej" sk�adaj�cej si� z zestawu operator�w, kt�re odnosz� si� do bie��cego stanu w celu wytworzenia nowego stanu. Aby skonfigurowa� przestrze� problemow�, SOAR musi zna� jej aktualny stan i jakie operatory mo�na zastosowa� do tego stanu. Je�li nie zna tych rzeczy bezpo�rednio, powiedzmy z wcze�niejszych do�wiadcze�, tworzy pomocnicz� przestrze� problem�w, kt�rej celem jest ich odkrycie (i tak dalej). Gdy SOAR zdefiniuje przestrze� problemow�, musi wybra� operatora, kt�ry zastosuje si� do bie��cego stanu w tej przestrzeni. Je�li nie wie ju�, kt�ry operator zastosowa�, tworzy pomocnicz� przestrze� problem�w, kt�rej celem jest znalezienie. Jak stwierdzono w tomie dokument�w SOAR, "mechanizmy SOAR tworz� �ci�le powi�zan� hierarchi� warstw - pami��, decyzja i cel {w kt�rym ka�da warstwa tworzy wewn�trzn� p�tl� warstwy nad ni�. Te warstwy rosn� stopniowo zar�wno pod wzgl�dem z�o�ono�ci, jak i czasu skaluj od do�u do g�ry hierarchii. " Konfigurowanie pomocniczych obszar�w problemowych nazywa si� "uniwersalnym podzadaniem" co mo�e skutkowa� g��bokim drzewem podzada� i obszar�w problemowych. Gdy dotycz� one decyzji kontrolnych (na przyk�ad, kt�ry operator zastosowa�), mo�na powiedzie�, �e SOAR "odzwierciedla" swoje w�asne zachowanie zwi�zane z rozwi�zywaniem problem�w. Proces uniwersalnego subgoalingu mo�e wywo�ywa� r�norodne tak zwane s�abe metody, takie jak wspinanie si� na wzg�rze, analiza �rodk�w i wyszukiwanie heurystyczne, w zale�no�ci od wiedzy, kt�r� SOAR wcze�niej nauczy� si� o rodzaju zadania, nad kt�rym pracuje System produkcyjny, ze zwyk�ymi strukturami pami�ci d�ugo- i kr�tkoterminowej, s�u�y do ustawiania przestrzeni problemowych. Pami�� d�ugoterminowa (LTM) przechowuje informacje niezale�ne od bie��cej sytuacji. Pami�� kr�tkotrwa�a lub robocza (WM) zawiera informacje, kt�re s� najbardziej istotne w obecnej sytuacji. SOAR uczy si�, buforuj�c wyniki swoich do�wiadcze� zwi�zanych z rozwi�zywaniem problem�w, zar�wno jako produkcje w LTM, jak i og�lne fakty w WM dotycz�ce poprzednich sytuacji, kt�re mog� by� przydatne w przysz�ych sytuacjach. Zestawienie sekwencji uczenia si� wcze�niej do�wiadczonych �lad�w rozwi�zywania problem�w nazywa si� "dzieleniem", czasem u�ywanym do opisania analogicznego uczenia si� u ludzi. Istniej� trzy rodzaje struktur LTM, a mianowicie: proceduralne, semantyczne i epizodyczne. Oto jak opisuje je jeden z artyku��w SOAR:

Wiedza proceduralna dotyczy tego, jak i kiedy robi� rzeczy - jak je�dzi� na rowerze, jak rozwi�za� problem algebry lub jak przeczyta� przepis i u�y� go do upieczenia ciasta. Wiedza semantyczna sk�ada si� z fakt�w o �wiecie -rzeczy, kt�re og�lnie uwa�asz za prawdziwe - rzeczy, kt�re "znasz", takie jak rowery, maj� dwa ko�a, mecz baseballowy ma dziewi�� zmian, a zmiana ma trzy zmiany. Wiedza epizodyczna sk�ada si� z rzeczy, kt�re "pami�tasz" - specyficzne sytuacje, kt�rych do�wiadczy�e�, takie jak chwila, w kt�rej wypad�e� z roweru i podrapa�e� si� w �okie�.

LTM nie jest bezpo�rednio dost�pny, ale nale�y go "przeszuka�", aby znale�� to, co jest istotne w obecnej sytuacji. M�wi�c to nieco bardziej intuicyjnie, warto pomy�le� o tym, �e LTM zawiera to, co mo�e by� istotne w wielu r�nych sytuacjach, ale musi zosta� jawnie odzyskane, a WM jako zawieraj�cy to, co wed�ug modelu jest istotne dla konkretnej sytuacji, w kt�rej si� obecnie znajduje. Jednym z kluczowych rozr�nie� mi�dzy WM i LTM jest to, �e wiedza w pami�ci roboczej mo�e by� wykorzystana do odzyskania innej wiedzy z LTM, podczas gdy LTM musi by� najpierw odzyskane do WM. Wiedza przenosi si� z LTM do WM zar�wno poprzez automatyczne, jak i celowe wyszukiwanie odpowiednich struktur LTM. Architektura SOAR (w r�nych wersjach) by�a u�ywana przez naukowcy z ca�ego �wiata do r�nych zada�. Intencj� os�b pracuj�cych nad SOAR jest :

• praca nad pe�nym zakresem zada� oczekiwanych od inteligentnego agenta, od rutynowych do niezwykle trudnych, otwartych problem�w,
• reprezentowa� i wykorzystywa� odpowiednie formy wiedzy, takie jak proceduralna, deklaratywna, epizodyczna i by� mo�e kultowa,
• stosowa� pe�en zakres metod rozwi�zywania problem�w,
• interakcja ze �wiatem zewn�trznym, oraz • pozna� wszystkie aspekty zada� i ich wykonywania na nich.

To wysokie zam�wienie, wi�c b�d�cie czujni. Jednym z interesuj�cych obszar�w zastosowania SOAR by�o programowanie automatycznych agent�w jako stand-in dla ludzi w symulowanych �wiczeniach treningowych. Na przyk�ad TacAir-SOAR symuluje inteligentne zachowanie pilota taktycznego my�liwca. W 1998 r. Laird za�o�y� SOAR Technology, firm� Ann Arbor (Michigan) specjalizuj�c� si� w tworzeniu autonomicznych jednostek AI wykoryzstuj�cych architektur� SOAR. ACT-R i SOAR s� prawdopodobnie najbardziej znanymi architekturami poznawczymi, ale s� te� inne.

Historia Sztucznej InteligencjiArtificial Intelligence Experts

Inteligentne architektury systemu