Рассвет Сингулярности

· Модуль кодовой модальности (CM2) обрабатывает программный код с базой данных программы Prog1 в случае CM2 и программный код prog2 в случае CM3 и выполняет стандартные модальные функции выработки абстракций для использования в базе данных имитаций точно также, как модуль сенсорной модальности (SM1) в программе Prog1 вырабатывает абстракции для модуля имитации реальности (RS1). Единственное отличие состоит в том, что его алгоритмы и эвристики оптимизированы для различных типов входных данных. Модуль кодовой модальности (CM2) рассматривает код в виде высокоуровневой абстракции таким же образом, как мы рассматриваем пиксели экрана в сцене с объектами, задним и передним планом, глубиной и движением.

· Модуль кодовой симуляции (CS2) воспринимает абстракции от модуля кодовой модальности (CM2) и встраивает их в некую абстрактную имитацию, которая отражает текущее внутреннее поведение программы плюс прошедшую историю изменения состояний, совместно с описательными обобщениями программной среды наподобие того как модуль имитации реальности (RS1) описывает реальный мир программы Prog1.

· Модуль анализа имитации обучения (LSA2) в Prog2 функционирует аналогично модулю LSA1, за исключением того, что его эвристики и алгоритмы оптимизированы для некоторой кодовой реальности.

· Модуль анализа начала оптимизации имитации (FEOSA2) запрашивает и воспринимает данные из модуля кодовой симуляции (CS2), начиная работу программы Prog 1 (закрашенные модули на схеме), в частности SM1, RS1 и LSA1. Эта функциональность создаёт изменения в модулях SM1, RS1 и LSA1, которые улучшают точность и эффективность создания и поддержки имитации реальности.

· Модуль анализа заключительной оптимизации имитации (BEOSA2) запрашивает и воспринимает данные из модуля кодовой симуляции (CS2), завершая работу программы Prog1 (не закрашенный модуль), в частности PSA1.

· FEOA2 изменяет SM1, RS1 и LS1.

· BEOSA2 изменяет PSA1.

· FEOSA3 изменяет CM2, CS2, LSA2, FEOSA2, CM3, CS3, LSA3 и FEOSA3.

· BEOSA3 изменяет BEOSA2 и BEOSA3.

МЕТОД

Имитационная модель семени ИИ спроектирована с учётом требований к предполагаемой работе автономного генерализованного интеллекта, то есть до того момента, как начнётся рекурсивное самосовершенствование, делающее процесс чисто механическим. Механические приспособления должны позволить модели стремительно усовершенствовать себя, начиная с весьма ограниченного уровня ещё не генерализованного разума.

Предлагаемый метод самомодификации состоит в следующем:

При выполнении программы Prog1 она пытается сгенерировать такие варианты поведения, которые повышают удовлетворение от продвижения к цели. Используя кодовую модальность и аналогичный Prog1 дизайн интеллектуального агента, программа Prog2 наблюдает за ходом работы Prog1 и пытается сгенерировать логические изменения в Prog1, которые повысят эффективность Prog1. Prog3 наблюдает за ходом работы Prog2 и пытается сгенерировать логические изменения в Prog2, которые повысят эффективность Prog2. Поскольку Prog3 идентична Prog2, то любые изменения, передаваемые из Prog3 в Prog2, также реализуются и в Prog3. То есть, идёт рекурсивное самосовершенствование.

Итак. Программа Prog1 задаёт поведение. Программа Prog2 изменяет программу Prog1. Программа Prog3 изменяет программу Prog2, а поскольку программа Prog3 идентична программе Prog2, то изменения программы Prog3, передаваемые программе Prog2 также передаются и программе Prog3.

Работа модулей осуществляется непрерывно в параллельном режиме с использованием текущих данных, поступающих от входных модулей.

Модель способна лишь модифицировать свои познавательные алгоритмы, а не всю структуру программы, что ограничивает её как статическое средство.

Если система будет запущена в ограниченной среде, то она оптимизирует себя в этой среде. Если она будет запущено в комплексной расширенной среде, то она оптимизирует себя для этой среды.

Самое эффективное развитие происходит тогда, когда работа начинается в строго ограниченном и простом подмножестве объективной среды, а после расширения масштаба и сложности этой среды система берёт на себя управление причинными связями подмножеств. Подмножества должны расширяться в смежные причинно обусловленные области.

Причина разделения имитационного анализа на обучение, предсказание, начало и конец оптимизации заключается в необходимости предохранить программу от зацикливания на эйфории, желания модифицировать себя таким образом, что интерпретация сенсорных данных станет более важной составляющей её функционирования в сравнении с реально существующей целью.

Составные части программы, ответственные за эффективную интерпретацию и детерминизм в достижении цели, не могут быть изменены теми частями программы, в которых заложена мотивация к увеличению скорости достижения цели.

ЗАКЛЮЧЕНИЕ