Einführung
Die Menschen sind eher lustige Dinge, die wir oft dazu neigen, sich vorzustellen, dass wir so "besondere", so von unseren angeblichen "Intelligenz" von den Einflüssen der "natürliche Welt" geschieden und so einzigartig in unserer "Abstraktion" Fähigkeiten sind. Wir haben diese anhaltende Wahnvorstellungen, erkennen, da die Zeit der alten Griechen, dass wir "vernünftig", dass wir als "uneigennützig Beobachter unserer Welt, die im AI offenbart dachte heute in dem Glauben, dass in einer Art und Weise, wie wir uns verhalten können "Design", wie Gott, aus der Ferne, unseren Austausch, den "Super-Roboter", die alles tun wird, dass wir uns vorstellen können tun, aber in viel "besser" Weise, als wir erreichen können, und kann doch alles vermeiden, was "böse" , dh unsere vielen menschlichen Schwächen zu überwinden - bei Beachtung, denke ich, in den Prozess, Asimov's drei "Gesetze der Robotik. Solche menschlichen Naivität erweist sich in der Tat sehr amüsant zu sein, zumindest für diejenigen unter uns "geschult" im AI-Geschichte. Wenn wir uns den Wünschen und Erwartungen unserer ersten "Pioniere", und vergleichen sie mit der tatsächlichen Realität von heute, dann müssen wir, so scheint es, wieder zu entdecken die Bedeutung der Demut das Wort ". Begeisterung, gut, wie es auch sein mag, muss mit einem Hauch von "gesunder Menschenverstand" moderiert, und wenn unsere derzeitige Art, die Dinge in unserem AI Welt nicht wirklich funktionieren, wie wir gehofft hatten, dann ist es vielleicht Zeit, um zu versuchen etwas anderes (Lucas, C., 1999)?
From Control to Freedom
Der traditionelle Ansatz AI, wobei ein Top-down-Prozess, spiegelt die allgemeine Verhaltensweisen in unserer Welt heute, die versuchen, an die Macht zu zentralisieren und zu ein "Designer" (oder eine kleine Gruppe von ihnen) haben, erstellen Sie ein "Roboter" oder "System "Auf der Grundlage einer Spezifikation einer Art oder einer anderen. Mit anderen Worten müssen wir zuerst, was "jemand" erreichen will und dann entscheiden, zu implementieren oder eine Möglichkeit, dort angekommen zu verhängen. Leider ist der Erfolg dieser Methode wurde in der Praxis eher gering, wir wissen immer noch nicht genug über die Grundlagen der Intelligenz "Design IT" effektiv - vor allem, wenn wir wollen, zu imitieren, was Menschen tun wirklich "gut", sondern als das, was sie nicht "schlecht" (was wir können, eher belanglos, nur "managen", so scheint es, künstlich zu tun!). Als eine Möglichkeit der Überwindung der Grenzen dieser "Außenseiter"-Methode wurde eine Alternative vorgeschlagen, dh die Subsumtion Architektur (Brooks, R., 1990). Hier konzentrieren wir unsere Aufmerksamkeit auf eine Reihe von relativ einfachen Maßnahmen, zum Beispiel "Moving forward" oder "Drehen". Jede dieser in einem autonomen Modul implementiert und diese werden dann in einem geschichteten Hierarchie angeordnet, wobei die meisten "primitiven" am unteren Rand. Jedes Modul kann dann hemmen die höher (geschätzt)-Module, wenn ihre unteren Funktion wird benötigt, oder ist "notwendig", in anderen Worten, wir haben 'priority unterbricht. Auf diese Weise können wir die Notwendigkeit der Planung genau, was in jedes mögliche Szenario passieren zu vermeiden, sondern wir überlassen es dem ökologischen Feedback zu "wählen Sie" (evolutionärer Weise), die "besonderen" Modul muss zu jeder Zeit einsatzbereit sein und für wie lange. Während Dies hat sich sehr erfolgreich, so dass das Auftreten von unerwarteten Verhaltensweisen, die eher aussehen "absichtlich" - obwohl diese Systeme sind nicht teleonom teleologische, (so ist es nur der "Beobachter"
dass "unterstellt Absicht" zu ihnen), finden wir, dass erhebliche Beschränkungen noch vorhanden sind, zB in die Notwendigkeit einer explizit "gestaltet" Operationen. Da mit dieser Architektur auf die Umwelt angewiesen, aber immer noch verlangt, dass jedes Modul 'werden in Handarbeit hergestellt ", können wir noch einen Schritt weitergehen und verzichten auf die" Designer "-Phase, so dass selbst Feedback zu" formen "der Roboter ganz Das bedeutet, in der gleichen Weise, wie dies vermutlich in der Evolutionsbiologie geschehen? In der traditionellen neo-darwinistischen Evolution (Futuyma, DJ, 1986) setzen wir auf eine genetische Mutationen, die Vielfalt, auf die Auswahl und dann Handlungen zu generieren. Dies ist jedoch ein sehr langfristiger Prozess, nahm sie vor Milliarden von Jahren einzellige Organismen (Bakterien, die alle 20 Minuten oder so zu reproduzieren zB) multicellularity erreicht, und eine Milliarde Jahre waren notwendig, bis "intelligente" Wesen als eine Wirklichkeit angekommen. Es ist höchst unwahrscheinlich, dass jeder von uns in der AI-Gemeinschaft leben lange genug, um auch eine grundlegende Prototyp erreichen konnte! Glücklicherweise können wir nutzen, einige kurze Schnitte. Eine dieser Handlungen durch einen Computer benutzen, um die Multi-Generation "phylogenetischen 'evolution Szenario Modell soeben dargelegt habe. Wir können mit High-Speed-Computer und eine Technik namens "genetischen Algorithmen" (Holland, J., 1992, Lucas, C., 2000a), bei Geschwindigkeiten von Hunderten von Generationen pro Sekunde zu betreiben - mehr als Computer schneller werden. Auf diese Weise können wir zu "entwickeln" eine gewisse Struktur in einer angemessenen Frist, aber was in diesem Fall zu enthalten hängt sehr von den Zwängen wir uns für das System. Diese Einschränkungen imitieren die 'Selektion' Phase der natürlichen Evolution, aber was sollte sie sein? Noch einmal, um zu bekommen, was wir wollen, so dass wir zu "wählen Sie" nicht ordnen kann, müssen wir wissen, was es im Voraus - so, wie wir der Gestaltung unserer "Fitness-Funktion" angemessen zu vermeiden, aber so deterministisch, und dann leidet das Problem, dass die Evolution nicht mehr ganz, wenn die Bevölkerung hat "Konvergenz" auf unserer optimale Fitness? Ein Weg, um dieses neue Problem besteht darin, Koevolution verwenden. Dies bedeutet, dass wir ein "Organismus" wirken als die Fitness-Funktion lassen für die anderen, und umgekehrt. Durch die Nutzung dieser Art von Technik kann man zwar eine verbesserte Funktionalität zu erzeugen, zum Beispiel im Zusammenhang mit effizienten 'sort-Programme ", wo die Liste von Zahlen zu sein" sortiert "entwickelt sich auch in Schwierigkeiten (Hillis, WD, 1991). Aber wir müssen irgendwo anfangen! Wir müssen zumindest "Prototypen" des Programms und der Liste zu erstellen, bevor überhaupt etwas passieren kann. So scheinen wir noch einmal zurück gezwungen werden, ein - der bewussten Gestaltung der Bühne. Wir können das Ausmaß dieser zu einem gewissen Grad zu minimieren, indem Sie einfach in der Gestaltung der Fähigkeit zur Anpassung an unvorhersehbare Umgebungen, wie in "Reinforcement Learning" (Ackley, DH & Littman, ML, 1992), aber die grundlegende "Intelligenz", so zu handeln muss noch "Handarbeit" von unserem "Außenseiter".
Growing from Scratch
Aber wenn wir nicht einen Weg finden, über dieses Problem dann zu bekommen, wie kann "Natur" möglicherweise tun, brauchen wir einen "Gott", wie einige scheinen zu denken? Hier kommen wir zum Kern der Sache, bei der Prüfung ein Verfahren, das von Standard-neo-out verlassen hat Darwins Evolutionstheorie, die der "Entwicklung" oder "Ontogenese". Jeder Mensch "Roboter" beginnt sein Leben als eine einzige Zelle (wie unsere Bakterien), dieser wächst dann zu einem Embryo und damit letztlich zu einem (mehr oder weniger) Funktionieren des menschlichen Kind geboren wird. Aber das ist nicht das Ende der Angelegenheit, die Erfahrungen im Leben entwickeln dann zunächst das Gehirn (unser neuronales Netzwerk-Verkabelung) und später (in Interaktion mit anderen) unseres Geistes oder "Persönlichkeit", dh unsere Verhaltensweisen Bereich. Es ist diese letztere Zustand, den wir hoffen, in AI duplizieren, so sah, wie dieser Prozess ist in der Entwicklungsbiologie zu verstehen ist erweisen sich als ein nützlicher Indikator, wie wir erreichen könnten künstlich, viel das gleiche Ergebnis, und ohne die Notwendigkeit für alle Form der externen "intelligenten Designer". Leider ist es nicht sehr gut verstanden, um alle noch nicht, zumindest in allgemeinen Bedingungen! Embryogenese, wie sie genannt wird (Bard, J., 1990; Slack, JM, 1991; Wolpert, L., 1998), besteht aus drei Stufen. Erstens: 'Wachstum' (die Vervielfältigung der Zellen durch ungeschlechtliche oder "Mitose" Reproduktion), zweitens "Differenzierung" (die spliting von Zellen in verschiedene Gewebearten) und drittens "Morphogenese" (die Schaffung von Form oder Struktur). Die erste Stufe erweitert Möglichkeit Raum, für jede Verdopplung der Anzahl der Zellen haben wir einen kombinatorischen Explosion, z. B. für nur 64 Zellen haben wir über 10 89 Permutationen (64!), und diese rasch eskaliert während des Wachstumsprozesses. Aber schauen wir uns jetzt stärker auf der zweiten Stufe, nachdem alle diese Permutationen nur dann wirklich interessant, wenn die Zellen voneinander unterschieden werden. Was ist neu an dieser bekannt ist, dass es viele genetische regulatorischen Netzwerken beteiligt sind, für jede "Zelltyp" (und es gibt Hunderte) aktiviert einen anderen Satz von Genen. Diese regulatorischen "Kontrollen" sind jedoch nicht in einer linearen Hierarchie, 1 betreiben: N, in der Weise, dass wir oft menschliche Kontrolle Netze Hinweis, sie haben auch keinen festen Funktionen, unabhängig verwaltet, wie wir oft in Betracht ziehen und AI "Unterprogramme". Was passiert, ist, dass sie in einem Web-angeordnet sind, in N: M Mode, wo jeder "Gen" inter-Verbindungen mit vielen anderen, Schalten sie ein und aus und wird in gleicher Weise kontrolliert werden (Lucas, C., 2004b). Dies ist eine "zirkuläre Feedback" Form der Kausalität, genannt "Polygenie 'und' Pleiotropie", die tatsächlich funktioniert auf verschiedenen Ebenen. Die gleichen Prozesse der Aktivierungen und Hemmungen auch zwischen Zellen (die dritte Stufe der Embryogenese), und dazu gehört auch die Verbindungen zwischen den Neuronen in unserem Geist. Wir können uns sogar, wenn wir wollen, gehen über den Geist als eine Einheit in sich selbst und raus in die weite Welt, und wir werden sehen, genau das gleiche Phänomen in der Gesellschaft und in der Ökologie beider, dh ein "System" Sicht eine Art gilt in allen Bereichen unserer Welt.
Self-Organization Arrives
Gemeinsam ist dann für alle diese Prozesse und Ebenen? Nun, es ist die Idee der "Selbstorganisation", die unseren Fokus in diesem Artikel, die wir wie folgt aus (Lucas, C., 2004d definieren ist):
"Das Wesen des Selbst-Organisation ist das System oft zum Vorschein kommt, ohne Druck oder explizite Einbeziehung von außerhalb des Systems. Mit anderen Worten werden die Beschränkungen für Form (dh Organisation) für uns von Interesse innerhalb des Systems, die sich aus den Wechselwirkungen zwischen den Komponenten und in der Regel unabhängig von der physikalischen Natur dieser Komponenten. Die Organisation kann entweder in Zeit und Raum zu entwickeln, eine stabile Form oder vorübergehende Erscheinungen zeigen. General Ressourcenströme innerhalb selbstorganisierte Systeme sind zu erwarten (Dissipation), die aber nicht entscheidend für das Konzept an sich. Das Feld der Selbst-Organisation strebt allgemeinen Regeln über das Wachstum und die Entwicklung der systemischen Struktur, die Formen, sie treffen könnte, und schließlich Methoden, die die zukünftige Gestaltung, die sich aus Änderungen an den zugrunde liegenden Komponenten vorgenommen werden vorherzusagen. Die Ergebnisse werden voraussichtlich für alle anderen Systeme mit ähnlichen Eigenschaften Netzwerk. " Verstanden werden unter solchen Netzwerken, entsprechend der Entwicklung in den letzten Jahren, vor allem Berufszweige, die bei der Arbeit auf die Robotik bauen können. Dies ist vermehrt vor allem in der Medizin der Fall. So kommt es vor, dass Ärzte in Netzwerken auf dem einen oder anderen Medizin Portal über die Vor- und Nachteile computergesteuerter Techniken debattieren.
Mit anderen Worten, wir haben jetzt ein Verfahren zur Erzeugung nachweisbare Struktur für die "freien" (Heylighen, F., 1999), der immer mehr (vielleicht) unser primäres "Design" Problem. Um zu sehen, wie bedeutsam das ist, lassen Sie uns noch ein paar Zahlen. Angenommen, wir haben 10.000 zufällig verbunden, 2 Eingänge, Logik-Gatter (die so genannte 'random Boolean-Netz' der Größe N - Lucas, C., 2002b), in anderen Worten: die Anzahl der verschiedenen Möglichkeiten 2 10000 ist - ist eine beachtliche Menge. Im Durchschnitt (mit erheblicher Varianz) würden wir jeden Bereich des selbst organisierten System nur besuchen (durchlaufen) 100 (Quadratwurzel aus N) verschiedenen dynamischen Zustände - das ist weniger als 2 7, und es wird (wieder erwarten, mit großer Varianz) nur etwa 100 disjunkte Tätigkeitsbereiche, 2 7 wieder (Root-N). Also das Verhältnis der ersten "Störung" bis zur endgültigen "Ordnung" ist eine massive 2 9986 oder so! Dies ist nicht ganz so "magic"-Lösung, wie wir aber wollen, können wir noch müssen "etwas" zunächst für die Arbeit mit (die Tore hier), aber das erweist sich als unsere zweite "short-cut". Wenn die "unteren Ebenen" entstanden (wie wir glauben) in dieser Weise, dann können wir "Cut to the Chase", wie es zu ignorieren waren und wie sie tatsächlich dort ankam. Wir können also beginnen mit "Teile" geeigneter Formen für unsere Zwecke AI, genannt "Agenten", und lassen Sie eine Sammlung von koevoluieren und diese selbst organisieren, von unten nach oben, um unsere Bedürfnisse zu erfüllen. Alles, was wir dann zu tun ist, lehnen Sie sich zurück und beobachten Sie passieren ... Studien über die Dynamik solcher Szenarien (Kauffman, S., 1995) zeigen, dass die drei allgemeinen Ergebnisse möglich sind. In der ersten, die Agenten nur unzureichend verbunden (zu kalt), haben sie nicht viel Interaktion überhaupt, so dass das System schnell erledigt in einen festen Zustand, wir Annäherung an eine "statische" Ergebnis haben (ähnlich dem traditionellen Einzel-analytische ' Lösung "in der Wissenschaft). In der zweiten Agenten sind eng miteinander verbunden (zu heiß) und den einzelnen betrifft viele andere immer wieder, hier kann das System nicht beigelegt werden, so ist es immer "gestört" (Lucas, C., 2000b) und zeigt ein "chaotisches Verhalten (die" unlösliche "-Systeme in der Regel in der Wissenschaft ignoriert). In der dritten Staates, die ich als "Typ 4 Complexity" (Lucas, C., 1999), wir (nur Recht haben) Verhalten, dass das System modularises, mit ein paar Sätzen von Agenten erweist sich als statisch, einige chaotisch, und einige dynamisch - von denen viele Stellen im Laufe der Zeit Swap als das System entwickelt sich zwischen den möglichen (semi-stabil oder multistabile) "Attraktoren" (Lucas, C., 2002a). In diesem Szenario finden wir, dass die maximale "fitness" erreicht, kann die beste Gesamtleistung in Reichweite ist. Bei größeren Systemen wird die Dynamik einer "fraktalen" oder "Kraft Gesetzes" zu erreichen Verbreitung von Eigenschaften, als "selbstorganisierte Kritikalität" oder "Edge-of-Chaos ', (Bak, P., 1996, Lucas, C., 2000b), die eine etwas entstehender mehrschichtige oder hierarchische Struktur, mit inhärenten kooperatives Verhalten zwischen den Teilen zeichnet sich ab (Ünsal, C., 1993) geben kann. Diese Idee der entsprechenden "Konnektivität" erweist sich als sehr wichtig in vielen Bereichen unserer Welt, von denen die soziale related to 'Anarchie', 'Demokratie' und 'Totalitarismus', über medizinische diejenigen zu "Epidemien", bis hin zu ökologischen Zusammenhang diejenigen zu "Vielfalt" und die Freiheit der Kombination, nicht in ganz zu schweigen von der mathematischen Physik oder diejenigen im Zusammenhang mit der "Spin-Gläser" oder "Durchsickern". Durch die Anordnung Konnektivität entsprechend können wir damit unsere wichtige Selbst-und organisatorische Abläufe. Dies ist die "Mitteilungen" Aspekt des Anbieters Interaktion, aber zwei andere Aspekte müssen auch hier aufgenommen werden, wenn wir zum Erfolg in unserem Selbst-Organisations-Szenarien zu erreichen. Die erste ist, angemessene Größe, zur Dezentralisierung. Die Systeme müssen klein genug sein, sich selbst zu enthalten - wenn sie zu groß sind dann die Trägheit der "Bürokratie" hemmt die Anerkennung einer "Verbesserung", aber sie sollte nicht zu klein sein, entweder - sonst werden sie nicht ausreichend "Sorte" haben mit welche Verbesserungen zu machen. Der andere Aspekt ist "Stress", der Wunsch oder die Notwendigkeit für Verbesserungen. Auch wenn dies erweist sich als zu hoch, wird das System zerfallen, werden wir raschen Abbau haben, aber wenn die Belastung zu niedrig ist dann der "Status quo" nicht überwunden werden können und einen statischen Zustand wird anhalten. Da diese "mittleren Weg" Bedingungen erfüllt sind, dann Selbstorganisation auftreten sollten und das System wird von uns geforderten "Neuheit" oder Entstehen zu generieren.
Ein wettbewerbsfähiges Problem
Obwohl diese Erklärung klingt sehr glatten und leicht, in der Praxis gibt es eine Reihe von Problemen, zum Beispiel in der (sehr sichtbar) soziale und ökologische Destruktivität, dass wir um uns herum sehen, die sich aus der uneingeschränkten Individualismus fahren die Selbstorganisation ( "unsichtbare Hand ") der (über-betont)" freien Markt ". Experimente mit dem Multi-Agent Systems (MAS), die mit diesen Ideen der Selbsthilfe-Organisation tätig sind, können auch bisher nicht erreicht die höheren Ebenen des Bauwerks, dass wir dies wünschen und erwarten, dass (in der Natur in der Progression Atome-Moleküle-Zellen gesehen Organismen-Gesellschaften-Ökologie), und die gemeinhin in das Verhalten von "gefunden werden Schwärmen ', zum Beispiel in Insektenzellen Gesellschaften (Bonabeau, E. et al., 2002), wobei" Stigmergie "(umweltfreundliche Mediated Communication) auch hat einen wichtigen Effekt (Holland, O. & Melhuish, C., 1999). Diese aktuellen Ausfällen kann gut sein, wegen der Annahmen, die im Agenten-Strukturen in der Regel verwendet eingebettet. In so vielen aktuellen Systemen gibt es eine inhärente "Wettbewerbsfähigkeit" - Echo der Überzeugung hinter das Überleben der Ausdruck "of the fittest" von Darwinisten oft beschäftigt (und Kapitalisten). Doch betrachten wir zellulären Entwicklung noch einmal, was wäre die Auswirkungen einer solchen "Wettbewerb"? Die Antwort scheint ziemlich klar, es ist die gleiche wie das, was passiert, wenn wir von "Krebs leiden" - die Konkurrenz von "Schurkenstaaten" Zellen schließlich zerstört die Gastgeber. So ist es nicht "Wettbewerb", die wir brauchen, sondern "Kooperation". Wir müssen einen Weg für die Agenten zu finden, "gemeinsam", da nur auf diese Weise können Organismen (und / oder Gesellschaften)-Funktion und bleiben bei "höheren Ebenen". Das Prinzip suchen wir, das wollen wir in unserem Selbst-organisierende Systeme beschäftigen, heißt "Synergie" (Corning, P., 1995, Lucas, C., 2004c). Hier, in der zwei oder mehr Agenten kommen zusammen, eine neue "Funktionen" ein, so gewinnen sie vereinten Kräften größer als die Summe ihrer jeweiligen Befugnisse, die oft mit dem Satz "die ganze dargestellt ist größer als die Summe der Teile". Aber wie kann diese Arbeit vielleicht? Im Wesentlichen durch eine Form der kombinatorischen Versuch und Irrtum -, bei denen in die Prozesse der Interaktion, stellt sich diese neuen höheren Funktionalität. So gibt es zunächst eine Vielfalt und eine laufende Neuheit, wie in der paarweisen Begegnungen der heterogenen Agenten gesehen, aber in gewisser Weise diese Mittel dann "Mitarbeiter". Dies, wie auch die sexuelle Crossover in der Entwicklung erlebt, ermöglicht neue "Bausteine" zu entstehen, neue Kombinationen von Funktionen, die vielleicht in eine ganz neue Art zu betreiben - wir haben Potenzial "Emergenz" (Lucas, C., 2004b). Im Rahmen der Anwendung der typischen MAS die Agenten zu interagieren und zu lernen (zumindest teilweise) in einer zufälligen Mode, und ihre individuellen Verhaltensweisen zu ändern, aber sie tun es nicht nur als ein Ergebnis ihrer eigenen Erfahrungen - wir finden statt, dass die "höhere Ebene 'places neuen Zwängen, die ihnen (Epstein, JM und Axtell, R., 1996). Diese Beschränkungen, genannt "Verursachung nach unten" (Campbell, DT, 1974, Lucas, C., 2004b) fügen Sie neue Werte in das System, neue Umwelt-Relevanzen bei einer "Gruppe" auf, dass die selektive Kräfte, die über die von den einzelnen bedeuten. Obwohl solche Ideen haben innerhalb der Biologie für einige Jahrzehnte widerstanden wurde, erst vor kurzem ein Comeback (Wilson, DS & Sober, E., 1994), beweisen sie von beiden Computer und der Komplexität der Wissenschaft Perspektiven, z. B. gültig (Sloman, A. & Chrisley, R., 2003). Damit dies als nützlich erweisen, allerdings gibt es die Möglichkeit einer dynamischen von den Agenten der "Ergebnis", eine Art der Suche aktuellen "state space" (Lucas, C., 2002a) werden muss, und erweitert sie in einer Weise ermöglicht, dass solche neue Funktionen. Doch dieser Aspekt der Entstehung ist sehr gut recherchiert unter so weit, wir haben sehr wenig Ahnung noch, wie wir können Systeme ordnen, so dass nichts vorhersehbar entstehen wird, geschweige denn zu erreichen, was wir im Idealfall wünschen würde, um zu sehen. Dies ist vielleicht die größte Herausforderung in der Zukunft durch die Komplexität der Wissenschaft Gemeinschaft begegnet werden. Aber angesichts dieser Einschränkung kann die Ideen, die wir skizziert haben bereits einen Beitrag in irgendeiner Weise mit aktuellen Roboter-Forschung? Wir werden sehen, dass sie können, und sie tun.
Geben Sie den Roboter
Eine stillschweigende Embryogenese Perspektive bietet einige, hoch skalierbare, Vorteile für die Roboter-Konstrukteure (Bentley, PJ & Kumar, S., 1999). Dazu gehören "Anpassungsfähigkeit", die Fähigkeit zur Reaktion auf Rahmen (Quick, T. et al., 1999); "Geschlossenheit", die Fähigkeit, große Strukturen in eine effiziente Form-Code und "Wiederholung", die Fähigkeit, den gleichen Wiederverwendung Strukturen oder Subroutinen für viele verschiedene Funktionen. Durch die Verwendung dieser Techniken, zum Beispiel in den evolutionären Entwurf von neuronalen Netzen (Astor, JC & Adami, C., 2000) können wir funktionale Robotersteuerungen entwickeln (Jacobi, N., 1995), die sich möglicherweise mit den Menschen-Schnittstelle (Kanada , Y. & Hirokawa, M., 1994). Self-Organisation ist auch eine nützliche Technik, die für die biologische Entwicklung Robotik-Funktionalität (Nolfi, F. & Floreano, D., 2000; Kim, DH, 2004) verwendet werden kann, also durch die Kombination der beiden Perspektiven (Low-Level-Agenten Entwicklung und höhere Anbieters Wechselwirkungen) kann man vorteilhaft ein "verkörpert" Form "zu ermöglichen autopoietische" (Lucas, C., 2004a) Auftreten, eine Koevolution von Situation und Schauspieler. Beachten Sie, dass wir zwei gegensätzliche Laufwerke haben hier dehnt sich das erste (Embryogenese) Zustandsraum, so fügen Sie neue Möglichkeiten, neue Optionen oder Kombinationen der Mischung, die zweite (Selbst-Organisation) reduziert diese Vielfalt, wählt es viele Möglichkeiten, von denen nur die Möglichkeiten als bestehen können, die funktional stabilen Zustände des Systems. Es bewegt sich vom Ausgangspunkt des Systems der staatlichen Raum, um seine "Attraktoren". Aber diese sollten nicht isoliert betrachtet werden, sie sind nur dann stabil, im Hinblick auf die aktuelle Umgebung, wenn der Kontext ändert sich dann, dass die Stabilität verloren werden können und eine andere, alternative, muß stabilen Zustand dann gefunden werden. Dies ist in der Tat, was wir meinen, durch Lernen oder "Epigenese" der Übergang von einem stabilen Zustand in einem bestimmten Kontext in einen anderen stabilen Zustand in einen anderen Kontext. Wenn unsere Roboter kann dies nicht tun, wenn es nicht entsprechend "anpassen", zu dem, was wir als "fragil" dann ist es nicht genügend Optionen ( "requisite variety" in kybernetischen Terminologie), um mit der Vielfalt ihrer ökologischen Störungen zu bewältigen. Entwerfen von Robotern, dass diese Tendenz sich als höchst Domain beschränkt überwinden kann, hat eine großes Kopfzerbrechen in AI-Geschichte gewesen, so wie unsere neuen Perspektive verhelfen? Wenn wir zu "wachsen" irgendeine Form der Roboter aus dem Nichts dann vier Aspekte sind notwendig. Erstens müssen wir einen Teil (oder eine Reihe von verschiedenen Teilen), die Erhöhung der Zahl kann und zum anderen die Teile müssen in der Lage zu assoziieren (Kommunikation und / oder kleben) in gewisser Weise, so dass sie Aggregate (etwa äquivalent zu bilden können " Zell-Adhäsions-"oder" morphoregulatory "Moleküle - Edelman, G., 1992), und drittens müssen die Freiheit haben, sich selbst zu organisieren, (dh, ihre Konfigurationen und Kommunikation dynamisch ändern), und schließlich brauchen wir, um äußere Einflüsse zu ermöglichen Lage sein, diese Umstrukturierungen auslösen (wobei Anpassungsfähigkeit). Um die beiden letztgenannten Aspekte in einem anderen Licht, Selbstorganisation sehen beschränkt ( "kanalisiert") die Möglichkeiten des Systems, ist es eine Form der internen Auswahl. Die Umwelt stellt Stress oder Vorurteile über das System, um eine rentable Funktion zu erreichen, so dass es an arme Attraktoren Flucht-und Flip zu besseren, ist es eine Form der externen Auswahl (wenn unser System nicht so zu adaptieren, sie einfach stirbt). Aber wie stellen wir euch neue Einheiten für die Mischung, wie wir wachsen ',' sich selbst organisierenden System (Fritzke, B,. 1996), vielleicht schaffen Morphologie ein 3D '' z. B. (Eggenberger, P., 1997), dann fügen wir beide zu und konfigurieren Sie die Attraktoren, so dass wir auf diese Weise kann der "requisite variety", bis unser System kann in der Tat, mit dem Ziel Umwelt fertig zu erhöhen. Dies ist vergleichbar mit der Art, wie wir zusätzliche synaptische neuronalen Verbindungen mit dem Lernen zu machen, erhöhen wir die Komplexität des Systems durch die Schaffung zusätzlicher "Begriffe" oder Ideen, neue Optionen oder Verbänden. Bezieht man diese vier Aspekte zu einem echten Roboter-System ist jedoch eine sehr anspruchsvolle Aufgabe, und nicht eine, die noch versucht wurde. Erstens können wir nicht künstliche Körperteile wachsen, sie nicht "reproduzieren" in keiner Weise. Das Beste, was wir tun können, ist entweder '' Simulation solcher Systeme (vielleicht ihre Umsetzung das Endergebnis, zB Bentley, 2004), oder an unseren Roboter haben (irgendwie) abholen und übernehmen zusätzliche Teile, die als "herumliegen" in passieren die Umwelt. Zweitens ist es unklar, wie haben wir die Teile in einer Weise interagieren, geeignet für die Entwicklung fördert, so dass es möglicherweise kann beginnen sich selbst zu organisieren sollte. Drittens haben wir das Problem, wie für die Umwelt, um die Konfiguration ändern können, zu "stören" des Roboters in irgendeiner Weise in einer solchen Weise, wie diese zu zwingen, sich neu zu gestalten. Auch wenn diese drei großen Hindernisse überwunden werden, dann werden wir wissen immer noch nicht, wie wir unsere Teile selbst verwenden versammeln "Viecher" mit spezifischen Funktionen - aber natürlich haben wir noch nicht wissen, wie die Natur funktioniert, dass entweder (Raff, RA, 1996). Dies bezieht sich auf das Verständnis, wie die drei Prozesse (Phylogenie, Ontogenie und Epigenese) interagieren, aber sobald wir können das tun, dann haben wir das Potenzial haben, zu bauen, was wurden als "poetischen Maschinen" (Teuscher, C., 2001). Für die Zukunft, vielleicht können wir sagen, ist, dass "wir in interessanten Zeiten zu leben ..."
Referenzen
Ackley, D. H. und Littman, M. L. (1992). Wechselwirkungen zwischen Lernen und Entwicklung. In Langton, C., Bauer, J., Rasmussen, S. und Taylor, C. (Hrsg.), Artificial Life II: Proceedings Band von Santa Fe Conference, vol. XI. Addison Wesley.
Astor, JC und Adami, C. (2000) A Developmental Model for the Evolution of Artificial Neural Networks. Artificial Life 6: 189-218. http://www.krl.caltech.edu/ ~ adami/Alife2000.pdf
Bak, P. (1996). Wie Nature Works: The Science of Self-Organized Kritikalität. Kopernikus. Bard, J. (1990). Morphogenese. Cambridge University Press.
Bentley, PJ (2004) die Steuerung von Robotern mit Fractal Gene Regulatory Networks. In de Castro, L. & von Zuben, F. (Hrsg.): Aktuelle Entwicklungen im Biologically Inspired Computing. Idea Group Inc. http://www.cs.ucl.ac.uk/staff/P.Bentley/BECH5.pdf
Bentley, J. und S. Kumar, S. (1999). Three Ways to Grow Designs: A Comparison of Embryogenies für ein evolutionäres Design Problem. Genetic and Evolutionary Computation Conference (GECCO '99), 14-17 Juli 1999, Orlando, Florida, USA, S.35-43. RN/99/2. http://www.cs.ucl.ac.uk/staff/P.Bentley/BEKUC1.pdf
Bonabeau, E., Dorigo, M. & Theraulaz, G. (2002). Swarm Intelligence: From Natural to Artificial Systems, Oxford University Press.
Brooks, R.A. (1990). Elephants Don't Play Chess. Robotics and Autonomous Systems Vol. 6, pp. 3-15. http://www.ai.mit.edu/people/brooks/papers/elephants.ps.Z
Campbell D.T. (1974). Verursachung nach unten hierarchisch organisiert in biologischen Systemen. Studies in the Philosophy of Biology, Ayala FJ & Dobzhansky, T. (Hrsg.). Macmillan Press.
Corning, Peter. (1995), Synergy und Selbst-Organisation in der Evolution von komplexen Systemen. Systems Research 12 (2): 89-121. John Wiley & Sons Ltd
Edelman, G. (1992). Bright Air, Brilliant Fire: On the Matter of the Mind. Basic Books.
Eggenberger, P. (1997). Evolving Morphologies der simulierten 3D-Organismen auf der Grundlage Differential Gene Expression. 1997. In Husbands, P. und Harvey, I. (Hrsg.), Proceedings of the 4th European Conference on Artificial Life (ECAL97). MIT Press. f tp: / / ftp.ifi.unizh.ch/pub/institute/ailab/techreports/97.20.ps.gz
Epstein, J.M. und Axtell, R. (1996). Growing Artificial Societies. Brookings Institution Press. Fritzke, B. (1996). Growing Self-organizing Networks - Warum?. In Verleysen, M. (Hrsg.), ESANN'96: European Symposium on Artificial Neural Networks, S. 61-72. D-Facto Publishers, Brüssel. http://pikas.inf.tu-dresden.de/ ~ fritzke/ftppapers/fritzke.esann96.ps.gz
Futuyma, D.J. (1986). Evolutionary Biology, 2nd Edition. Sinauer Associates, Inc. Heylighen, F. (1999). The Science of Self-Organisation und Adaptivität. Encyclopedia of Life Support Systems. http://pespmc1.vub.ac.be/Papers/EOLSS-Self-Organiz.pdf
Hillis, W.D. (1991). Co-Evolving Parasiten Erhöhen Simulierte Ecolution als Optimierung Geschäftsordnung. In Langton, C., Bauer, J., Rasmussen, S., & Taylor, C. (Hrsg.), Artificial Life II: Proceedings Band von Santa Fe Conference, vol. XI. Addison Wesley.
Holland, J. (1992). Anpassung in natürlichen und künstlichen Systemen. MIT Press. Holland, O. und Melhuish, C. (1999). Stigmergie, Selbst-Organisation und Sortierung in Collective Robotics. Artificial Life 5: 173-202. http://robotics.usc.edu/ ~ maja / Lehre / stigmergy.pdf
Jakobi, N. (1995). Die Nutzung Morphogenese. International Conference on Information Processing in Zellen und Geweben, Liverpool. ftp://ftp.informatics.sussex.ac.uk/pub/reports/csrp/csrp423.ps.Z Kanada, Y. und Hirokawa, M. (1994). Stochastic Problem Solving von lokalen Berechnung auf Selbstorganisation Paradigma. IEEE 27. Hawaii International Conference on System Sciences, pp. 82-91. http://www.rwcp.or.jp/people/yk/CCM/HICSS27/paper/CCM-ProblemSolving.html
Kauffman, S. (1993). The Origins of Order - Self-Organization and Selection in Evolution. Oxford University Press
Kim, D.H. (2004). Self-Organization for Multi-Agent-Gruppen. International Journal of Control, Automation, and Systems, vol. 2, No. 3, pp. 333-342, September 2004. http://ijcas.com/admin/paper/files/IJCAS_v2_n3_pp333-342.pdf
Lucas, C. (1999). Complexity Philosophie als Computing Paradigm. Self-Organising Systems - Future Prospects for Computing Workshop. UMIST 28/29 Oktober 1999. http://www.calresco.org/lucas/compute.htm Lucas, C. (2000a). Genetische Algorithmen - Nature's Way. CALResCo Einführung. Online WWW. http://www.calresco.org/genetic.htm
Lucas, C. (2000b). Perturbation & Transienten - The Edge of Chaos. CALResCo Einführung. Online WWW. http://www.calresco.org/perturb.htm
Lucas, C. (2002a). Attractors Everywhere - Ordnung aus dem Chaos. CALResCo Einführung. Online WWW. http://www.calresco.org/attract.htm
Lucas, C. (2002b). Boolean Networks - Dynamische Organismen. CALResCo Einführung. Online WWW. http://www.calresco.org/boolean.htm Lucas, C. (2004a). Autopoiesis und Koevolution. CALResCo Einführung. Online WWW. http://www.calresco.org/lucas/auto.htm
Lucas, C. (2004b). Entstehung und Evolution - Constraints on Form. CALResCo Einführung. Online WWW. http://www.calresco.org/lucas/quantify.htm
Lucas, C. (2004c). Fitness und Synergie. CALResCo Einführung. Online WWW. http://www.calresco.org/lucas/fitness.htm
Lucas, C. (Hrsg.). (2004d). The Self-Organizing Systems FAQ. Usenet comp.theory.self-org-sys. Online WWW. http://www.calresco.org/sos/sosfaq.htm
Nolfi, F. und Floreano, D. (2000). Evolutionary Robotics: The Biology, Intelligence, and Technology of Self-Organizing Machines. MIT Press.
Schnell, T., Dautenhahn, K., Nehaniv, C.L. & Roberts, G. (1999). Die Essenz der Verkörperung: A Framework for Understanding and Exploiting strukturelle Kopplung von System und Umwelt. Proc. Third International Conference on Computing Anticipatory Systems, Lüttich, Belgien. http://www.cs.ucl.ac.uk/staff/t.quick/papers/quick_casys99.ps.gz
Raff, R.A. (1996). The Shape of Life: Genes, Entwicklung und Evolution of Animal Form. The University of Chicago Press.
Slack, J. M. (1991). Vom Ei zum Embryo. Cambridge University Press. Sloman A und Chrisley R. Virtual Machines und Bewusstsein. Journal of Consciousness Studies, 10, Nr. 4-5, 2003. http://www.cs.bham.ac.uk/research/cogaff/sloman-chrisley-jcs03.pdf
Teuscher, C. (2001). Auf der State of the Art des poetischen Maschinen. Technical Report 01/375, Swiss Federal Institute of Technology. http://www.teuscherresearch.ch/download/christof/papers/teuscher_techrep01.pdf
Ünsal, C. (1993). Self-Organisation in großen Populationen von Mobile Robots. Masters Thesis. Virginia Polytechnic Institute and State University. http://armyant.ee.vt.edu/unsalWWW/cemsthesis.html
Wilson, D.S. und Sober, E. (1994). Wiedereinführung Gruppe Auswahl für das menschliche Behavioral Sciences. Behavioral and Brain Sciences 17 (4): 585-654. http://www.bbsonline.org/documents/a/00/00/04/60/bbs00000460-00/bbs.wilson.html Wolpert, L. (1998). Principles of Development. Oxford University Press.
Self-Organization and Human Robots
Chris Lucas
CALResCo Group, Web: http://www.calresco.org
Veröffentlicht in: Volume 2, Number 1, March 2005
Weitere Informationen in Englisch finden Sie unter diesem Link!