Това означава например, че не е нужно да се симулира вътрешна динамика резлизираща МОТИВАЦИЯ да речем ,
к'вото и да значи това от гледна точка на невро-процесите. Е ако счетем, че е е нужно може и да се опита:)
По- отношение на мисленето, креативността, творческото мислене бих казал следното:
Напоследък основно схващане в научните и инжинерни среди свързани с ИИ и особено с конекционистки подходи
цари мнение, че видимото поведение (на човека), заедно с неговите аспекти(емоции, мислене, локомоция,креативност и т.н.)
е въпрос на изчислителна мощност. С други думи сложноста на поведението ни е резултат от комбинирането на експоненциален
брой прости изчислителни процесори(неврони), в сложна по- своята динамика система. И до- колкото това е филосовски въпрос
аз нама да се впускам в по-вече подробности по- отношене на тези екзистенциални спорове.

По отношение на евристиките: Евистиките са изкуствен модел създаден и използван в ИИ основно за да се избегне фрейм проблема
при системи базирани върху символни формални обработки(различни формални логики, сем.мрежи и други подобни.). Евристиките не се
вписват в идеята на невронно-мрежовия подход, поради факта че евристиките, често са формални и винаги символно базирани. При ИНН знанието
е разпределено, т.нар. субсимволно. Евриситките могат да бъдат продукт(продуцирано поведение)на ИНН, но не и аспект на вътрешната динамика на ИНН.
По- отношение на обучението:
В момента има различни видове подходи за обучение на ИНН. Всички те обаче страдат от различни недостатъци и няма да ги обсъждам тук в детайли.
Болшинството модели за обучение на ИНН и основно са базирани на правилото на Хеб(извстен невробиолог).
Обаче всички те имат недостатъци(най- често математически).
Мoделите за обучение са силно зависими от конкретната архитектура на ИНН, което означава, че не можем произволно
да усложним нашия ИНН модел, ако искаме да го обучаваме. Второ текущите модели на ИНН и съответните
обучаващи модели трудно решават проблема с пластичноста/стабилноста на ИНН, т.е. при подаване на нов стимул мрежата да научи "подходящ" отговор,
обаче да не забрави по- старо запомнените елементи.
Относно "несъответствие със съществуващте стратегии(опит)". Тук си абсолютно прав - възможно е системата да не успеее да
се адаптира, .т.е. да не научи адекватно поведение във връзка с определен вход. И това бих казал е реалност
както в биологичните НН така и в ИНН. Искам обаче да "вметна", че афектирането би могло са се разглежда, като малко
по- сложен и ефективен процес(даже като подобие на евристика:) ). Афекта(и по специално фрустрацията) е сравнително древно "еволюционно" образование
имащо за цел(кои сме ние да решаваме каква е целта?! ) да активира алтернативно поведение за справяне със ситуация, в която не е постигната целта. Твърде вероятно е
в таквиа моменти да се активира по- старо научено поведение(регресия). И подобни процеси са напълно реализируеми в ИНН. Е разбира се в твърде лимитиран вид.
И сега нещо за подхода, който за момента ме интересува/влече най- много.
Както споменах поради факта че динамиката на мозъка е доста сложна е почти невъзможно неговото изучаване ,а какво остава за неговото симулиране. Напоследък обаче
(е оригиналните идеи са доста по- стари) много се работи по т.нар. еволюционни техники за обучение на ИНН. Използва се математически подход наподобяващ естествената
еволюция( за момента се счита че има такава :)) ) при които множество екземпляри ИНН се поставят в симулирана или естествена среда е посредством кръстосвания(нещо като смесване на хромозоми)
и случайни мутации се стига до получаване на един екземпляр ИНН, който може да реши определн проблем - да речем локомоция на двукрак робот.
Можем да еволюираме и по- сложни поведения. Идейното тук е че използвайки Евол.техники можем да си поволим да не разбираме изобщо вътрешната динамика на ИНН. Все едно в дали ще еволюираме
ИНН със 5 неврона и бинарна сигнализация или пък 1млн. неврона с честотно модулирана сигнализация и закъснения. Това което ни интересува е само продуцираното поведение. А продуцираното поведение
би могло да бъде лесно оценено по онтношение на адекватност - не е нужно да го разбираме. Например за еволюиране на локомоция на двукрак робот, не ни интересува дали се вдига първо левия или десния, дали се сгъва в коляното първо и т.н. Просто ни интересува робота да ходи максимално бързо и да не пада - а това е лесно за формализация. По същия начин стои въпроса и с процеси като мислене да речем.
Разбира се има много проблеми и тук но има доста голям напредък.
Аз самия се занимавам с еволюиране на прости модели (2краки и 4ри краки, 6краки) и дори с тяхната ориентация в средата и тези техники определено имат бъдеще - според мен.
А там където се инвестират пари както споменах по- нагоре има много по големи успехи - симулация на мозъци със стотици милиони неврони(със аксони, дендрити, закъснения и 3D архитектури)
За съжаление искат се доста пари за да се построи походяща хардуерна платформа :(
Сега има пробив , при който се залага на т.н. concept-drivern генетични алгоритни(около 100-1000 пъти по бързи от досегашните)
и успех(по- скоро теоритичен) при използването на хардерни платформи базирани на квантови технологии. При тези технологии (доста фантастични)
се разчита на компютри базирани, не на електрически ефекти, а на продес наречен квантова некохерентност (quantium decoherence) , при който
въпреки че елементарните частици има едноврменно няколко състояния(например намират се едновременно на две места в пространстовото),
то състоянието което ни нитересува може да се определи. Ако някой се интересува мога да бъда по- подробен и да дам някой линк.

Ресурси (които вече съм давал не веднъж :) )

Ресурси (които вече съм давал не веднъж :) )

проф.Х.Дегарис
Има прости презентации.
Интерес е неговата дисеретация(pdf), която е доста подробна по- отношение на ИНН и еволюционните техники
http://www.cs.usu.edu/~degaris/

За по- напреднали във всякякви области свързани с ИИ
http://www.kurzweilai.net/index.html?flash=1


Генетични алгоритми - теория, сорсове и к'во ли още не
http://www.aic.nrl.navy.mil/galist/