Здесь весьма уместно привести пример зарождения миварного подхода к логической обработке и созданию прототипа "УДАВ" в далеком 1985 году. Перед Варламовым О.О. поставили задачу изучения сетей Петри и их реализации на конкретном примере: автоматическом решении геометрических задач в треугольниках, где по разным параметрам: углам, сторонам треугольника, высотам и т.д. – с использованием существующих формул всегда можно найти другие параметры, например, площадь, периметр и т.д. Этот пример должен был быть применен для создания прототипов интеллектуальных пакетов прикладных программ. Не будем вдаваться в подробности, т.к. сейчас эта задача успешно решена в миварных сетях и подробно описана в наших работах. Смысл примера в том, что в процессе изучения сетей Петри были выявлены ограничения и неполная пригодность этого формализма даже для решения таких простых задач, как расчет параметров треугольников. Но мы пошли дальше и разработали идею применения нового формализма, позже получившего название "УДАВ" – "универсальный делатель алгоритмов Варламова". Самое "забавное" началось дальше, и этот пример показывает отношение двух разных ученых к разработке нового инструмента. Первый ученый – формалист выслушал все возражения и критику в адрес сетей Петри и также идею нового подхода к решению задач в треугольниках, но вместо одобрения нового подхода принял решение сменить ученика, сменить пример из предметной области и продолжить "мучиться" с сетями Петри. Ему было важно не решение практической задачи, а освоение формализма сетей Петри. Мы считаем это тупиковым путем, когда ученые "уходят в свой формальный мир" и забывают о необходимости решения практических задач и возможности разработки новых инструментов. Мы не будем идентифицировать этого конкретного ученого, т.к. в дальнейшей жизни встречалось огромное количество таких формалистов, которые, к огромному сожалению, помимо полезного вклада в науку, чему мы всегда отдаем должное уважение, на определенном этапе начинают отвергать новые идеи и тормозить развитие науки. Вернемся к нашему примеру и вспомним, что был и второй ученый – Ростовцев Ю.Г., который в своем курсе касался в том числе и вопросов создания ИППП. Варламов О.О. к началу экзаменационной сессии 1986 года уже достаточно четко сформулировал основные подходы "УДАВ", а также выявил ограничения традиционных ИППП. Теперь ситуация: на экзамене ученик говорит своему преподавателю, весьма заслуженному и уважаемому уже на тот момент, заведующему кафедрой: "Извините, но изложенные Вами методы создания ИППП не интеллектуальные, а вот разрешите мне рассказать Вам о моем научном подходе к этому вопросу". И вот второй ученый (Ростовцев Ю.Г.) вполне спокойно согласился, выслушал и в конце даже признал, что метод "УДАВ", действительно, лучше тех методов, о которых он рассказывал на своих лекциях. Это пример реального и положительного подхода, когда ученые выслушивают своих оппонентов и не впадают в формализм. Еще раз, огромное спасибо за поддержку Ростовцеву Ю.Г. К нашему счастью, второй тип настоящих ученых встречался на нашем научном пути достаточно часто и позволял компенсировать негативное влияние и отношение формалистов.

Всегда надо помнить, что любой математический формализм – это всегда ограничения на предметную область, это упрощение реальной жизни, а следовательно, надо вовремя переходить к новым инструментам и не ограничивать себя "детскими ползунками" и простейшими формализмами.

Если говорить о миварах и перечисленных выше формализмах Фреге, Рассела и Уайтхеда, Тарского и многих других, то надо помнить, что наука развивается по спирали и старые формализмы требуют своего продолжения на новом витке. Упомянутые выше исчисление предикатов и другие ранние фундаментальные формализмы при необходимости могут быть реализованы и в правилах (отношениях) миварных сетей. Только надо помнить, что есть и другие формализмы представления информации для ИИ, а у исчисления предикатов первого порядка есть достаточно жесткие ограничения и не очень большие возможности, если вспоминать не об "игрушечных" задачах, а говорить о создании глобальных познающе-диагностических системах и СПАКОД, решающих сложные логико-вычислительные задачи в реальном времени. К сожалению, для достаточно большого количества ученых в нашей области исчисление предикатов так и остается верхом развития, что тормозит применение других более мощных и современных научных теорий. У того же Люгера подробно изложены биологические и социальные модели интеллекта, многоагентные системы, которые опираются не на исчисление предикатов, а на совсем другие и гораздо более современные научные теории [264, стр. 38-42]. Там же приведено интересное и новое определение термина "интеллект", которое отличается от традиционного подхода логиков и сторонников исчисления предикатов первого порядка. "Хассерл, отец феноменологии, рассматривал абстракции как объекты, укоренившиеся в конкретном "жизненном мире"… интеллект заключался не в знании истины, а в знании, как вести себя в постоянно меняющемся и развивающемся мире. Таким образом… интеллект рассматривается с точки зрения выживания в мире, чем как набор логических утверждений о мире (в сочетании со схемой вывода)" [264, стр. 39].

Выделим из описания различных моделей интеллекта Люгера [264] еще несколько, наиболее важных и актуальных для миварного подхода и его различных практических приложений. В нейронных моделях интеллекта упор делается на способность мозга адаптироваться к миру, в котором он существует, с помощью изменений связей между отдельными нейронами. Знание в таких системах не выражается логическими конструкциями, а представляется в неявной форме как свойство конфигураций таких взаимосвязей. Иная модель интеллекта, заимствованная из биологии, навеяна процессами адаптации видов к окружающей среде. В разработках искусственной жизни и генетических алгоритмов программы не решают задачи посредством логических рассуждений, а порождают популяции соревнующихся между собой решений-кандидатов и заставляют их совершенствоваться на основе биологической эволюции. Социальные системы дают еще одно модельное представление интеллекта с помощью глобального поведения, которое бы не удалось решить отдельным их членам. Есть два аспекта:

1) корни интеллекта связаны с культурой и обществом, а следовательно, разум является эмерджентным;

2) разумное поведение формируется совместными действиями большого числа очень простых взаимодействующих полуавтономных индивидуумов, или агентов.

Взаимодействие агентов создает интеллект [264, стр. 40]. Люгер Дж. определяет агента как элемент сообщества, который может воспринимать аспекты своего окружения и взаимодействовать с этой окружающей средой либо непосредственно, либо путем сотрудничества с другими агентами. Большинство интеллектуальных методов решений практических задач требуют наличия разнообразных агентов. Это могут быть простые агенты-механизмы, задача которых – собирать и передавать информацию; агенты-координаторы, которые обеспечивают взаимодействие между другими агентами; агенты поиска, которые перебирают пакеты информации и возвращают какие-то избранные частицы; обучающие агенты, которые на основе полученной информации формируют обобщающие концепции; и принимающие решения агенты, которые раздают задания и делают выводы на основе ограниченной информации и обработки. Получается, что с точки зрения определения интеллекта агентов можно рассматривать как механизмы, обеспечивающие выработку решения в условиях ограниченных ресурсов и процессорных мощностей. Для разработки и построения таких сообществ агентов необходимы: структуры для представления информации, стратегии поиска в пространстве альтернативных решений и архитектура, обеспечивающая взаимодействие агентов [264, стр. 41]. Технология многоагентных систем уже фактически использована для создания познающе-диагностических систем, хотя в явном виде подобные названия и термин "агенты" используются не всегда.

Как видно, в современной теории ИИ кроме предикатного подхода уже разработано большое количество других подходов, кардинально отличающихся от исчисления предикатов и т.п. Подчеркнем, что продукционный подход и его развитие в миварных сетях являются еще одной альтернативой исчислению предикатов при создании ИИ.

В области ИИ существует две фундаментальные проблемы – это представление знаний и поиск [264, стр. 42]. Первая проблема относится к получению новых знаний с помощью формального языка. Поиск – это метод решения проблемы, в котором систематически просматривается пространство состояний задачи, т.е. альтернативных стадий ее решения.

В области ведения игр широкое применение нашли разнообразные человеческие игры: пятнашки, шашки, шахматы и т.п. Эти игры ведутся с использованием четко определенного набора правил, что уже само по себе является важным ограничением по сравнению с реальными задачами, где правил может не быть совсем, или они могут изменяться по желанию противников. Позиции фигур легко представимы в компьютерной программе и не требуют создания сложных формализмов, необходимых для передачи семантических тонкостей более сложных предметных областей. Тестирование игровых программ не порождает никаких финансовых или этических проблем. Поиск в пространстве состояний – принцип, лежащий в основе большинства исследований в области ведения игр. Игры могут порождать большие пространства состояний, а для поиска в них требуются мощные методики, которые называют "эвристики". Эвристики имеют положительные и отрицательные стороны. С положительной стороны, они ускоряют поиск и определяют, какие альтернативы следует рассматривать в первую очередь, что значительно сокращает пространство состояний задачи. А с отрицательной стороны, эвристики потенциально способны упустить правильное решение. Большая часть того, что Дж. Люгер называет разумностью, опирается на эвристики, которые люди используют в решении задач. Отмечено, что наличие противника усложняет структуру программы, добавляя в нее элементы непредсказуемости [264, стр. 43]. Как видно из вышесказанного, в 20 веке в теории игр решались простые задачи по сравнению с требованиями к познающе-диагностическим системам, для которых создан миварный подход. Именно такой упрощенный подход к решению задач традиционных ученых напоминает старый анекдот, в котором человек потерял часы в темном месте, а ищет их под фонарем, объясняя это тем, что здесь светлее. Это и есть уход от решения реальных задач к "игрушечным", т.к., что делать с реальными задачами не известно (там нет фонаря и темно), а вот под фонарем светло, и "игрушечные" задачи можно попробовать решить. Конечно, наука развивается от простого к сложному, но решая упрощенные задачи не надо говорить и обещать решение реальных задач, тем более запрещать альтернативные подходы к решению, с чем нам, к сожалению, регулярно приходится сталкиваться… Миварный подход изначально предназначен для решения сложных реальных задач, поэтому он другой, и надо это признать.

Автоматическое доказательство теорем – одна из старейших областей возможного применения ИИ, где было много достижений, исследований и программ, включая Универсальный решатель задач Ньюэлла и Саймона. Люгер подчеркивает, что именно "…эта ветвь принесла наиболее богатые плоды…" [264, стр. 44]. Благодаря исследованиям в этой области были формализованы алгоритмы поиска и разработаны языки формальных представлений, такие как исчисление предикатов и логический язык программирования Пролог. Приведем обоснование Дж. Люгера: "… привлекательность автоматического доказательства теорем основана на строгости и общности логики. В формальной системе логика располагает к автоматизации. Разнообразные проблемы можно попытаться решить, представив описание задачи и существенно относящуюся к ней информацию в виде логических аксиом и рассматривая различные случаи задачи как теоремы, которые нужно доказать. Этот принцип лежит в основе автоматического доказательства теорем и систем математических обоснований" [264, стр. 44]. Далее следует замечательный вывод и итог 20 века в этой наиболее богатой ветви: "К сожалению, в ранних пробах написать программу для автоматического доказательства, не удалось разработать систему, которая бы единообразно решала сложные задачи" [264, стр. 44]. Таким образом, Дж. Люгер подтверждает наш тезис о том, что в прошлом веке даже в самых передовых областях ИИ ученые не смогли решить сложные задачи, а значит, нужны принципиально новые подходы и исследования, к числу которых относится и миварный подход.

Приведем обоснование ограниченности возможностей автоматического доказательства теорем, которое имеет важное значение для дальнейших исследований, как минимум, показывая, куда НЕ надо идти. Как говорится, отрицательный результат – это тоже результат!!! Итак, обоснование Дж. Люгера: "Это было обусловлено способностью любой относительно сложной логической системы сгенерировать бесконечное количество доказуемых теорем: без мощных методик (эвристик), которые бы направляли поиск, программы доказывали большие количества не относящихся к делу теорем, пока не натыкались на нужную. Из-за этой неэффективности многие утверждают, что чисто формальные синтаксические методы управления поиском в принципе не способны справиться с такими большими пространствами, и единственная альтернатива этому – положиться на неформальные, специально подобранные к случаю (лат "ad hoc") стратегии, как это, похоже, делают люди. Это один из подходов, лежащих в основе экспертных систем… и он оказался достаточно плодотворным" [264, стр. 44]. Таким образом, возникают новые проблемы: работа с бесконечными множествами теорем и разработка эвристик, про которые ранее было показано, что они не гарантируют решение задачи. Конечно, за прошедшее время ученым удалось разработать мощные эвристики, основанные на оценке синтаксической формы логического выражения, которые в результате понижают сложность пространства поиска. Кроме того, пришло понимание, что системе не обязательно решать особо сложные проблемы без человеческого вмешательства. "Многие современные программы доказательств работают как умные помощники, предоставляю людям разбивать задачи на подзадачи и продумывать эвристики для перебора в пространстве возможных обоснований" [264, стр. 44]. Этот вывод может служить обоснованием нашего утверждения, что ИИ – это усилитель человеческих способностей и автоматизация мыслительных процессов. Кроме того, это косвенно подтверждает необходимость введения шкалы измерений интеллектуальности автоматических систем и наличие относительно слабых форм интеллекта у уже существующих компьютерных программ и устройств. Значит, в таком смысле ИИ уже существует и продолжает развиваться, помогая человеку решать сложные задачи.