Umělá evoluce a umělý život Komplexní problémy • Příklady úspěchů klasické umělé inteligence: – Komputacionimus: Expertní systémy – Konekcionismus: NETtalk, rozpoznávání obrazu – UI dokáže řešit jen úzce vymezený okruh dobře definovaných problémů • UI nedokáže řešit ani tak jednoduché věci, které umí malé dítě (naučit se chodit, rozumět …) • Dokonce ani tak jednoduché věci, které umí hmyz a možná ani to co umí bakterie ! L ? Umělé a živé • Komputacionismus – při řešení problému používáme (formálním) jazykem definovaný algoritmus (postup) řešení problému, který je předem znám – někdo ho vymyslel • Konekcionismus – algoritmus řešení znám není, ale známe algoritmus jak se blížit k nalezení algorimtu řešení • Živé organismy nepoužívají při řešení problémů algoritmy, nepoužívají jazyk, namísto toho neustále komplexně a dynamicky interagují se svým prostředím a na základě této interakce mění sebe i prostředí, vyvíjejí se • Od 80. let snaha napodobit živé organismy Umělá evoluce • Genotyp a fenotyp • Vývoj: křížení a mutace • Selekce: funkce a krajiny zdatnosti (fitness) • Genetické algoritmy – Evoluce řešení úzce specializovaných problémů (př. návrh antény na družice) • Při interakci s komplexním prostředím však není možné funkci zdatnosti jednoduše spočítat, ale musíme nechat organismus „žít“ v prostředí Umělý život • Život je vlastností organizace hmoty a ne hmoty, která je takto organizovaná. Nic nebrání takové definici života, která by nepředpokládala jeho vytvoření na bázi uhlíkové chemie. Ch.G. Langton • Cílem je: • inspirovat biologii - navrhnout nové hypotézy o procesech přirozeného života • inspirovat se biologií - vytvářet umělé systémy, které jsou schopné díky některé vlastnosti, charakteristické pro živé organismy přispět k efektivnímu řešení praktických úloh • dosažení komplexní inteligence, pomocí postupného vývoje • nejprve schopnost žít – udržovat svoji integritu a adaptovat se na měnící prostředí • potom složitější formy inteligence Autonomní agent • Příklady autonomních agentů – Jednobuněčný i mnohobuněčný organismus, ale i robot či umělý systém – Část organismu – Societa • Autonomie: Systém není řízen z vnějšího prostředí • Situovanost: systém má schopnost získávat informace o svém prostředí • Vtělenost (embodiment) – Simulovaná – Reálná • Kognice agenta - Schopnost rozpoznávat změny prostředí významné pro jeho přežití, reagovat na ně, adaptovat se na ně a ovlivňovat prostředí Embodiment • Co to znamená myslet? • Embodiment: Inteligentní orientace v prostředí je výsledkem neustálých vzájemných interakcí mezi autonomním a situovaným agentem a prostředím • K zajištění této interakce agent potřebuje tělo • Interakce mezi prostředím a agentem nelze dopředu naplánovat, nelze proto oddělit mysl od těla • Učení pomocí senzomotorické vazby • Silné biologické inspirace: – Evoluce – Subsumpční architektura motoriky u hmyzu – Samoorganizace buněk Embodiment a enaction • By the term embodied we highlight two points: • (1) cognition depends upon the kinds of experience that come from having a body with various sensorimotor capacities, • (2) these individual sensorimotor capacities are themselves embedded in a more encompassing biological, psychological, and cultural context. • By the term enaction we emphasize that sensory and motor processes, perception and action, are fundamentally inseparable in lived cognition. • The enactive approach consists of two points: • (A) perception consists in perceptually guided action, • (B) cognitive structures emerge from the recurrent sensorimotor patterns that enable action to be perceptually guided. F. J. Varela, E.Thompson, and E. Rosch, The Embodied Mind: Cognitive Science and Human Experience, 1991. Celulární automaty Ekologické simulace Multiagentní modely sociálních systémů • Agenty reprezentují zjednodušené modely některých rolí reálných individuí • Vhodně navržený model je vždy nesmírně zjednodušeným popisem části reality • Přesto může odhalit nějakou fundamentální vlastnost chování zkoumaného systému • Multiagentní modely sociálních systémů pomohly porozumět procesům jako je například evoluce kooperativního a koordinovaného chování, vznik koalic, šíření inovací či tvorba tržních cen Autonomní roboti – reálný embodiment • R. Brooks: „Fyzická interakce s prostředím je mnohem složitější než jakýkoliv její popis.“ • Mobilní roboti - mají schopnost rozpoznávat složité a měnící se prostředí, dokáží se učit pohybovat v novém terénu • Sociální roboti – učí se navzájem komunikovat, vytváří nový jazyk • Humanoidní roboti … Kismet – simulace emocí http://alife.tuke.sk/