В настоящей работе предпринята попытка описать ряд результатов, полученных автором и его коллегами в последнее время при конструировании "разума” более высокого порядка из менее "умных” компонентов и, по мнению автора, полностью вписывающихся в принципы метасистемных переходов В.Турчина [1]. В качестве отдельных компонентов нового вида "разума” использовались как люди, так и простейшие компьютеры. И в том и другом случае наблюдался значительный рост "интеллекта” системы по сравнению с "интеллектом” составляющих ее компонентов (обилие кавычек в вышеизложенном тексте подчеркивает условность применения данных терминов к компьютерам и их системам). Объединяет эти полярные случаи то, что в обоих случаях для реализации метасистемного перехода в духе Турчина были использованы одни и те же правила взаимодействия между компонентами.

Для нейрокомпьютинга данный подход может оказаться интересным в плане притока свежих идей при конструировании симбиотических архитектур из нейросетей и нейрокомпьютеров, обычных компьютеров и их сетей, отдельных людей и их коллективов (или всевозможных комбинаций этих видов "разума”), работающих как единое целое под управлением генетических правил, так успешно примененных автором и его коллегами в случаях усиления человеческого интеллекта[2] и коллективного "интеллекта” группы роботов[3]. Подобное комбинирование, возможно, приведет к построению иерархических сетей с каскадным усилением "интеллекта” на каждом уровне, где связи и правила взаимодействия между компонентами одного уровня в каждом иерархическом слое могут быть представлены однотипным образом.

Схема коллективных вычислений

Рассмотрим эффект усиления "интеллекта” при метасистемном переходе в простейшем случае, когда в качестве компонентов метасистемы выступают простейшие компьютеры. В [3] для ускорения принятия оптимального решения по выбору целей группой роботов, повышения конкурентной способности группы в условиях противодействия противоборствующей группы и при гибели или отказах отдельных роботов и/или их вычислителей, была поставлена задача разработать эффективный алгоритм использования коллективного вычислительного потенциала всех роботов.

В классической постановке задача распределения целей выглядит следующим образом. Имеется m роботов с вычислителями и n целей, причем у каждого вычислителя имеются координаты всех роботов и всех целей. Требуется построить такую совокупность пар робот – цель, чтобы на каждого робота при m<n или m=n приходилась одна цель, а при m>n на каждую цель один робот, причем сумма S всех расстояний между парами должна быть минимальной.

Подобные задачи, как показывает опыт, достаточно эффективно решаются генетическим методом. Простейший, неэкономичный по времени метод выглядит так. Каждый вычислитель, принадлежащий i-му роботу, имея все данные о положении роботов и целей, строит популяцию возможных решений задачи назначений и, следуя классической процедуре, используя операторы кроссовинговера, мутации, оценки и отбора, через несколько итераций находит квазиоптимальное решение. Поскольку все вычислители работают по единому алгоритму и с одинаковыми наборами исходных данных, то они приходят к одинаковым решениям без взаимодействия друг с другом и каждый робот выбирает таким образом свою цель. Достоинство данного метода заключается в автономности работы каждого вычислителя, но она же, (автономность) является недостатком, поскольку налицо явная переизбыточность ресурсов и при разумной организации вычислений задача может быть решена в лучшем случае в m раз быстрее.

В [3] была поставлена и решена проблема проведения распределенных вычислений, при которых из совокупности всех вычислителей группы роботов строится один сверхвычислитель, работающий как одно целое. Естественно было потребовать от такого сверхвычислителя устойчивую работу при выходе из строя отдельных вычислителей и сокращения времени получения решения.

Алгоритм решения задачи распределения целей в этом случае строился следующим образом. Каждый вычислитель с использованием собственного генератора случайных чисел создает один вариант решения задачи, естественно, в силу случайности выбора, далекий от оптимального. Все варианты являются разными. Вычислители, связываясь между собой случайным образом, причем число связей j у каждого вычислителя меньше их общего числа m и определяется из модельных исследований, обмениваются вариантами решения задачи (особями в генетической трактовке). Затем каждый вычислитель скрещивает находящиеся у него особи, увеличивая таким образом популяцию своих решений вдвое. Далее, следуя процедуре генетического алгоритма, вычислитель оценивает полученное потомство, отбрасывает половину худших особей, проводит в пределах заранее заданной вероятности мутацию и вновь обменивается лучшими особями. Данная процедура проводится такое число итераций, пока совокупная популяция решений не выродится к единственному решению. Этот момент и является моментом окончания расчетов. В итоге каждый робот становится обладателем лучшего решения.

По данному алгоритму в среде DELPHY была разработана и протестирована демонстрационная программа COLLINTROB, которая на большом количестве контрольных расчетов показала, что при выходе на одинаковую степень точности квазиоптимального генетического подбора вариантов, время расчетов у коллективного вычислителя, как и следовало ожидать, но необходимо было получить, сокращается пропорционально числу вычислителей в системе.

При некоторых экспериментах моделировался намеренный выход из строя отдельных вычислителей. Был сделан вывод, что точность решения задачи не пострадала (т.е. было получено квазиоптимальное решение, лежащее в полосе минус 5% от оптимального), но время решения увеличивалось пропорционально m/(m-k), где k – число вышедших из строя вычислителей.

Проведенные разработки и исследования позволили сделать вывод о целесообразности распараллеливания вычислительной работы при решении оптимизационных задач в группе роботов с использованием генетического метода, так как это приводит к сокращению времени решения задачи, или за одно и то же время к получению более качественных результатов. Исходя из проведенных экспериментов, можно сделать вывод о повышении "интеллекта” коллектива вычислителей, объединенных в супервычислитель обменными связями и работающего по генетическим правилам, по сравнению с отдельным одиночным вычислителем на данном классе задач. Иными словами в данном случае мы наблюдаем метасистемный переход, приводящий к возникновению более высокого "разума”, состоящего из искусственных компонентов с более низким уровнем "интеллекта”.

Такие же правила организации взаимодействия между отдельными составляющими коллективного разума, на этот раз людьми, были применены для самоорганизации нового вида разума, в виде так называемого генетического консилиума (ГК) [4].

Определим это понятие следующим образом: ГК – это способ организации коллективной работы людей, работающих совместно над единым проектом с заранее заданной целью по правилам, основанным на принципах классического генетического алгоритма и сформулированных в виде четких или нечетких инструкций организации индивидуальной работы участников проекта и их взаимодействия. Этот симбиоз людей, работающих в компьютерных сетях по заданным правилам, можно рассматривать как естественную многоагентную систему. При этом каждый человек, участник проекта, является интеллектуальным агентом многоагентной системы. Можно сказать, что ГК - это способ организации идеального интерфейса включения человека в качестве естественного интеллектуального агента в информационную среду (ИС). При включении в ИС через этот интерфейс многих людей, работающих по предлагаемым ниже правилам, может возникнуть коллективный разум.

Метод ГК идеально подходит для коллективной разработки творческих проектов. Например, на сайте коллективного творчества в глобальной или в корпоративной сети размещается проект, с обозначением цели, технических условий, стоимости разработки и пр. Создается возможность телеработы многих специалистов над этим проектом. Проект является полем притяжения различных полезных идей. Коллективный интеллект с помощью метода генетического консилиума генерирует новые идеи, комбинирует их и оставляет в проекте лучшие из них, дает экспертную оценку каждого варианта и позволяет оценить вклад каждого участника как генератора идей, "комбинатора” или эксперта, выставляя им соответствующие рейтинги.

Применение рейтингов позволит строить иерархические системы генетического консилиума. Рейтинги могут определяться для вариантов проекта, предлагаемых идей и самих участников по результатам их работы. В принципе в рамках ГК возможно образование иерархий из участников проекта при развитии нескольких исходных альтернативных идей и при генерировании новых идей. Идет соревнование рейтингов не только идей, но и людей. Если у участника регулярно падает рейтинг, он может уйти в другой проект (при этом происходит естественный отбор не только вариантов, но и участников).

Один из простых алгоритмов функционирования коллективного интеллекта, апробированный автором и его коллегами на ряде разных задач, как в компьютерной сети, так и в "безмашинной” среде, в общем виде можно представить следующим образом.

1. Сформулированы одна или несколько целей проекта и требования к нему. Определен состав участников и способ их взаимодействия. Сформулирована и роздана система правил генерации вариантов решений (или их частей), оценки, ранжирования, отбора лучших вариантов, скрещивания.
2. Задаётся каркас проекта (под каркасом понимается: план проекта, структура документа и т.д. Каркас проекта также может быть получен в результате коллективного творчества). Участники приступают к работе. Вначале они генерируют первое приближение (заполняют слоты каркаса полностью или частично). По правилам взаимодействия они обмениваются копиями своих решений.
3. Каждый участник ранжирует варианты по своему усмотрению, выполняет оператор естественного отбора, оставляя несколько лучших вариантов.
4. Каждый участник комбинирует из оставленных им вариантов новые (эквивалент кроссинговера), вносит очевидные изменения (эквивалент генетического оператора мутация).
5. Эти варианты отправляются респондентам, а он соответственно получает чужие лучшие варианты. Когда популяция решений выродится (прислано много одинаковых решений) проект считается выполненным, иначе осуществляется переход на п. 3.

В зависимости от типа проекта (решаемой проблемы) система правил может меняться (может быть переменный состав участников, количество и список респодентов, число оставляемых вариантов и т.д.). Под каждый тип проекта такие правила могут подбираться экспериментально, в том числе и методом коллективного творчества.

Метод ГК был апробирован при решении следующих задач. В экспериментах участвовали группы студентов от 4 до 20 человек.

1. Коллективное создание фоторобота.
На основе предложенных выше правил в среде DELPHY-4 была разработана демонстрационная программа PHOTOROBOT, на которой было проведено большое количество экспериментов по восстановлению субъективных портретов. Полученные результаты показали надежность и сходимость предложенного метода даже в тех случаях, когда около половины свидетелей заведомо лгали в своих оценках. Более того, программа, учитывая усредненные оценки свидетелями качества предлагаемых им вариантов, позволяет обнаружить недобросовестных свидетелей и выявить лучших.

2. Многокритериальная задача оптимального выбора назначений из n претендентов на m вакантных должностей, где n>m.
Группе студентов ставилась учебная задача по формированию штатного расписания некоторой условной фирмы, составляемого из них самих. Методом ГК студенты должны были прийти к консолидированному решению и заполнить вакансии таким образом, чтобы удовлетворить противоречивым требованиям о психологической совместимости и вместе с тем добиться того, чтобы подобранная команда обладала высоким рейтингом и достаточным профессионализмом. Полученные результаты решения многокритериальной задачи о назначениях в ходе экспериментов на нескольких группах студентов показали хорошую сходимость метода к квазиоптимальному решения задачи о назначениях с учетом таблиц предпочтений.

3. Формирования инвестиционного портфеля.
В классической постановке эта задача формулируется следующим образом. Имеется несколько банков с различными процентными ставками, зависящими от вносимой клиентом суммы и от срока вклада. Требуется построить такую программу распределения инвестиций по банкам, чтобы максимизировать прирост капитала за заданный период времени.
После ознакомления с исходными данными и целью проекта студенты независимо друг от друга, используя свой прошлый опыт и интуицию, составляют первые варианты решения задачи, при этом допускалось частичное, неполное решение. Далее, с использованием алгоритма ГК, описанного выше, при коллективной работе после небольшого количества итераций популяция решений вырождалась к единственному решению. Как показывал сравнительный расчет этой задачи на компьютере, полученное решение являлось квазиоптимальным и находилось в 5% полосе от оптимального.

4. Непосредственное измерение IQ группы студентов, работающих по методу ГК, с использованием известных тестов Айзенка[5].
Измерение IQ коллектива, вооруженного методом коллективного творчества, осуществлялось по следующей схеме. Группе студентов, состоящей из 8 человек, каждому индивидуально, было предложено пройти тестирование по вербальному тесту Айзенка. Был получен разброс в индивидуальных IQ от 100 до 170 баллов. Группа студентов была разбита на две подгруппы – "лидеров” с IQ от 120 до 170 баллов (средний балл 143) и "отстающих” с IQ от 100 до 120 баллов (средний балл 112). Далее из каждой подгруппы был образован ГК, и всем участникам были розданы правила взаимодействия и новые тесты. Возможность списывания и подглядывания была исключена. В соответствии с методикой Айзенка на решение теста, как и в первом случае, было выделено 30 минут. За это время группы студентов успели осуществить по три итерации коллективного согласования своих точек зрения в соответствии с методикой и правилами ГК, изложенными выше. Были получены следующие результаты. IQ коллективного разума группы "лидеров” составил 215 единиц. Справедливости ради следует отметить, что методика Айзенка не рассчитана на точное измерение IQ при таких запредельных значениях коэффициентов, достаточно будет, по-видимому, сказать, что было правильно решено 45 из 50 заданий. Коэффициент интеллекта группы "отстающих” составил 180 баллов (33 правильных ответа), превысив IQ сильнейшего из лидеров. И в том и в другом случае был зафиксирован результат превышения коллективного IQ над средним индивидуальным на 70 баллов! Разумеется, по результатам одного эксперимента еще нельзя делать далеко идущие выводы и обобщения о силе метода, но автор уверен в воспроизводимости подобных результатов в дальнейшем и другими исследователями. Изложенных в настоящей работе правил функционирования ГК, по мнению автора, достаточно для запуска и проверки работоспособности метода в различных областях творчества.

Также были проведены эксперименты по использованию метода ГК в следующих областях человеческого творчества: коллективное написание стихов, музыки, составление психологических портретов, сборка простых программ для ЭВМ, выбор лучшего продолжения шахматной партии, задача коммивояжера, рисование лиц и абстрактная графика.

Эксперименты подтвердили, что коэффициент интеллекта коллективного разума выше, чем интеллект отдельного участника, и при работе коллективного разума происходит диффузия знаний от лучших участников к остальным. Метод позволяет ранжировать участников по вкладу в творческий продукт, давая им объективные оценки естественным путем. Время решения тестовых задач, достаточно простых для первых экспериментов, как правило, не превышало двух часов (на тесте Айзенка – 30 минут). Студенты с энтузиазмом принимали участие в этих экспериментах, и им было интересно быть частью коллективного разума, превышающего их возможности по одиночке.

Полученный эффект усиления интеллекта при метасистемных переходах и самоорганизации нового, более мощного разума как в случае искусственных, так и в случае естественных компонентов позволяет сделать вывод о некоей универсальности применимости генетических правил при построении различных видов разума. Также можно надеяться на возможность применения данного метода для повышения интеллекта при объединении других носителей, например нейросетей и нейрокомпьютеров. Как это сделать – вопрос остается открытым и ждет своего исследователя.

1.Турчин В.Ф. Феномен науки. Кибернетический подход к эволюции. – М.: Наука, 1993, 295с. (1-е изд.). М.: ЭТС, 2000, 368с. (2-е изд.).
2. Протасов В.И. Генерация новых знаний сетевым человеко-машинным интеллектом. Постановка проблемы. //Нейрокомпьютеры. Разработка и применение. –М. 2001. (в печати)
3. Протасов В.И., Витиска Н.И., Щелчкова Л.А. Использование коллективного интеллекта группы роботов для ускорения принятия целесообразных решений. Материалы научной молодежной школы "Интеллектуальные робототехнические системы (ИРС-2001)”. 1-6 октября, Геленджик, 2001. С. 187-189.
4. Протасов В.И., Витиска Н.И., Шустов Е.В. Решение сложных проблем методом генетического консилиума. Тезисы докладов международной конференции "Интеллектуальные многопроцессорные системы (ИМС-2001)”. 1-6 октября, Геленджик, 2001. С.53-55.
5. Тесты IQ. Методики определения коэффициентов умственного развития. Ростов-на-Дону: "Феникс”, 2001,128 с.