Введение

Теории когнитивной науки — это объяснения и модели, описывающие психические процессы человеческого мозга. Это пересечение дисциплин психологии, неврологии, информатики, лингвистики, экономики, эпистемологии и социальных наук в целом [1]. Хорошее понимание когнитивной науки позволяет исследователям и ученым разрабатывать искусственные модели, имитирующие человеческую природу и познание, с целью решения реальных проблем и улучшения различных аспектов жизни в глобальном масштабе.

б. Краткая история когнитивной науки

Хотя когнитивная наука была предметом исследования на протяжении столетий, только в 1956 году, как утверждает автор Герберт Саймон, она стала официальной академической дисциплиной. С тех пор когнитивная наука неуклонно и умеренно быстро развивалась, и ее центральным направлением был анализ человеческого разума с точки зрения обработки информации [2]. Когнитивная наука формирует основу для широкого спектра моделей искусственного интеллекта, начиная от простых систем, основанных на правилах, и заканчивая сложными глубокими нейронными сетями. Он также способствовал развитию других дисциплин, таких как когнитивная психология, неврология и лингвистика, посредством междисциплинарного сотрудничества. За прошедшие годы когнитивная наука внесла значительный вклад в наше понимание человеческого разума и позволила создать инновационные технологии, которые изменили различные аспекты жизни общества.

в. Значение когнитивной науки в ИИ

Когнитивная наука дала ценные сведения о работе человеческого разума, что позволило создать интеллектуальные системы, способные имитировать человеческое поведение и познание. Однако воспроизведение интуитивных способностей человека, таких как распознавание знакомых лиц или интерпретация сенсорной информации, оказалось сложной задачей [2]. Например, узнавание друга детства в многолюдной среде включает в себя сложное взаимодействие факторов, включая черты лица, походку и голос. Чтобы перенести эту интуитивную способность на машины, потребовалось глубокое понимание того, как люди обрабатывают информацию и принимают решения. Используя когнитивную науку, исследователи разработали модели ИИ, которые могут видеть, чувствовать, делать и думать, как люди, что позволяет машинам беспрепятственно интегрировать сенсорную информацию и принимать решения в сложных условиях [1]. Таким образом, когнитивная наука сыграла решающую роль в развитии области искусственного интеллекта и создании интеллектуальных систем, способных подражать человеческому интеллекту.

II. Теории когнитивной науки

а. Теории восприятия и познания

Восприятие и познание являются двумя важными компонентами когнитивной науки, которым уделяется большое внимание с точки зрения изучения и теоретизирования. Акт получения, интерпретации и организации сенсорной информации из окружающей среды называется восприятием, тогда как познание относится к психическим процессам более высокого порядка, связанным с рассуждениями, решением проблем, запоминанием и принятием решений. В недавних исследованиях ученые совершили прорыв, используя модели ИНС, что позволило им более непосредственно сравнивать эти модели и мозг, что привело к открытию того, что модели ИНС могут иметь поразительное сходство с представлениями человеческого мозга [6].

Экологическая теория восприятия подчеркивает роль контекста и окружающей среды в определении восприятия, тогда как когнитивные теории восприятия концентрируются на внутренней обработке сенсорной информации. Применение этой теории восприятия и познания к искусственному интеллекту можно разделить на две части; сбор внешней информации и факторов, затем внутренняя обработка и связь, необходимые для воспроизведения мышления и эмоций человеческого мозга. Наконец, ученые, ищущие способы беспрепятственно связать «восприятие» ИИ с «познанием» ИИ, могут столкнуться с проблемами при тестировании и обучении модели правильному функционированию, обеспечивающему высококачественные и эффективные данные, которые не предвзяты, что означает создание машины, которая действительно «думает» самостоятельно и не полагается на прошлые данные и решения для определения своего будущего состояния. В целом исследования восприятия и познания привели к появлению множества гипотез и взглядов, которые дают уникальное представление о работе мозга.

б. Теории обучения и памяти

Обучение и память являются важнейшими компонентами когнитивной науки. Память — это процесс хранения и извлечения информации, тогда как обучение — это процесс приобретения новых знаний и способностей.

Сигналы окружающей среды формируют человеческое поведение посредством обучения с подкреплением или, в случае моделей ИИ, с помощью весов наказаний. Интеллектуальные системы проявляют свой интеллект, достигая целей (например, удовлетворяя свои потребности в выживании) перед лицом различных и меняющихся условий. [2]. Принимая во внимание, что когнитивные модели обучения, такие как теория социального познания, сосредоточены на когнитивных процессах, таких как внимание, восприятие и память. Память можно использовать немедленно для информирования о текущем поведении, ее можно сохранить для использования на более позднем этапе, когда ученые узнают, как она хранится и извлекается в человеческом мозгу так легко, чтобы воспроизвести ее в моделях искусственного интеллекта.

в. Теории языка и коммуникации

Когнитивная теория языка и коммуникации исследует, как люди учатся, обрабатывают и общаются с помощью языка. Язык, согласно когнитивной точки зрения, представляет собой сложную когнитивную систему, зависящую от ментальных представлений и процессов. Коммуникация — это динамический процесс, который включает в себя как лингвистические, так и нелингвистические подсказки, а также эффективную коммуникацию. Шенноновский анализ коммуникации и определение получаемой из него информации основаны на вероятностной концептуальной структуре, которая принимает во внимание вероятность сигнала с учетом определенной гипотезы, априорную вероятность гипотезы, апостериорную вероятность гипотезы и общую вероятность. вероятности сигнала как основы связи [7]. В целом, идеи когнитивной науки позволяют по-новому взглянуть на изучение и обработку языка и коммуникации.

д. Теории сознания и внимания

Когнитивная теория сознания и внимания стремится понять, как разум обрабатывает информацию и направляет внимание. Связь между избирательным вниманием и сознанием очень тесная [3].

Сознание относится к осознанию своих мыслей, чувств и окружающего мира. Когда мы обращаем внимание на объект, мы начинаем осознавать его атрибуты; когда мы переключаем внимание, объект исчезает из сознания [3]. Гипотеза глобального рабочего пространства утверждает, что сознание возникает, когда информация интегрируется и становится доступной для обработки в разных областях мозга [3].

Внимание — это когнитивный процесс выборочного сосредоточения внимания на информации и игнорирования нерелевантных стимулов. Нет внимания, нет сознания [3]. Когнитивная модель внимания предполагает, что внимание включает в себя иерархию стадий обработки, включая выбор, усиление и поддержание. Теория ориентировочного рефлекса предполагает, что внимание направляется автоматическими реакциями на выделяющиеся стимулы [3]. Изучение сознания и внимания в когнитивной науке привело к ряду теорий и моделей, каждая из которых предлагает понимание того, как разум обрабатывает информацию и направляет внимание.

III. Приложения когнитивной науки в ИИ

а. Иерархическая сетевая структура глубокого обучения для обнаружения стихийных бедствий.

Методы глубокого обучения, такие как рекуррентные нейронные сети (RNN) и сверточные нейронные сети (CNN), использовались в литературе для обнаружения событий стихийных бедствий из новостных статей и социальных сетей. Эти методы хорошо подходят для идентификации триггеров событий и обнаружения соответствующих типов событий путем анализа временных событий. Среди обсуждаемых моделей наиболее эффективный подход включает иерархическую сеть глубокого обучения (HDLN), которая использует методы обучения с учителем для разделения наборов данных на два класса — те, которые сообщают о стихийных бедствиях, и те, которые сообщают о событиях, не связанных со стихийными бедствиями. Принимая во внимание заголовок и первые 10 предложений статьи и запуская 20 взаимодействий с размером пакета 20 и методами бинарной классификации, эта модель может обеспечить точный результат.

Хотя эта модель точно обнаруживает стихийные бедствия, влияние прогнозирования и предотвращения стихийных бедствий потенциально намного выше. Стрельба в школах, грабежи или теракты часто оказывают значительное влияние на общество. Способность обнаруживать и предотвращать такие события с помощью HDLN может произвести революцию в предотвращении бедствий и может стать направлением для будущих исследований в этой области.

Этот проект относится к когнитивной науке, поскольку в нем обсуждается использование методов глубокого обучения, в частности RNN и CNN, для обнаружения стихийных бедствий из новостных статей и социальных сетей. Глубокое обучение — это область машинного обучения, основанная на структуре и функциях человеческого мозга и связанная с когнитивной наукой. Иерархическая сеть глубокого обучения (HDLN) — это тип архитектуры глубокого обучения, специально разработанный для последовательной обработки данных, и этот тип архитектуры имеет отношение к когнитивной науке, поскольку он имитирует способ обработки и хранения информации человеческим мозгом. Потенциальное влияние использования HDLN для обнаружения и предотвращения бедствий представляет большой интерес для когнитивистов, которые изучают принятие решений, восприятие и поведение человека в ответ на стресс и опасность [5].

b.Дизайн и разработка многозадачного робота, управляемого голосом и жестами

Роботизированные технологии стали повсеместными в современном обществе, предлагая различные приложения, от умных домов до автоматизации опасных или трудоемких задач. Интеграция роботов в нашу повседневную жизнь может помочь людям и уменьшить усилия, необходимые для выполнения задачи. Однако разработка и обслуживание роботов могут быть дорогостоящими.

Для решения этой проблемы был разработан проект робототехники с использованием микропроцессора и человеческого взаимодействия для управления роботизированной рукой, подключенной по Bluetooth, с движением двигателя и датчиками для обнаружения препятствий или опасностей. Для управления роботом используется мобильное приложение, которое можно активировать голосовыми командами или жестами, что позволяет пользователю общаться с роботом.

Хотя этот проект является значительным шагом вперед в интеграции роботов в человеческую жизнь, технологии робототехники значительно продвинулись вперед с момента его разработки. Такие инновации, как роботы-собаки и пылесосы, стали мейнстримом в капиталистических обществах. Следующим рубежом робототехники является разработка генеративного искусственного интеллекта, который позволяет машинам думать, действовать и чувствовать, как люди. Это выведет робототехнику на совершенно новый уровень, что позволит использовать ее в более продвинутых приложениях и использовании в обществе, особенно в медицине, безопасности и когнитивной науке.

в. Интеллектуальный мониторинг теплиц и протокол автоматического управления с использованием Python на Raspberry Pi

В Индии неопределенные погодные условия и потеря урожая иногда могут привести к тому, что фермеры не смогут погасить свои кредиты, что приведет к ужасным последствиям, таким как самоубийство. Кроме того, питание младенцев и подростков находится под угрозой из-за нехватки питательных продуктов в течение всего года. Для решения этих проблем строительство теплиц стало популярным решением для повышения урожайности и обеспечения населения питательными веществами. Однако создание искусственной среды для растений представляет собой сложную задачу для обеспечения успеха, поскольку необходимо тщательно контролировать и контролировать такие факторы, как температура, влажность, влажность, интенсивность света и углекислый газ. Хотя в настоящее время существуют системы для мониторинга тепличных условий, они требуют вмешательства человека для внесения корректировок [5].

Для решения этих проблем был реализован искусственный интеллект с использованием Raspberry Pi, важного компонента, который соединяет входы от датчиков и камеры Pi. Датчики запускают программное обеспечение для включения контроллеров и оптимизации условий, как только параметры достигают определенного порога. Эта система позволяет осуществлять автоматический мониторинг и контроль состояния теплиц, что приводит к снижению платы за обслуживание и цен на продукты питания, а также удаленный мониторинг для фермеров. Данные в режиме реального времени легко доступны через монитор, а оповещения можно отправлять по SMS. [5]

Это применение искусственного интеллекта относится к когнитивной науке, поскольку оно включает использование искусственного интеллекта для мониторинга и контроля условий в теплицах, что, в свою очередь, влияет на когнитивные процессы фермеров и их способность поддерживать себя и свои сообщества. Проект включает в себя сбор и анализ сенсорных данных, которые затем используются для оптимизации условий окружающей среды для роста растений. Это требует понимания взаимосвязи между факторами окружающей среды и ростом растений, что относится к области когнитивной науки. Кроме того, использование Raspberry Pi и других технологий для автоматизации этого процесса демонстрирует интеграцию когнитивной науки и информатики в решение реальных проблем.

IV. Заключение

Таким образом, когнитивная наука — это междисциплинарная область, целью которой является объяснение и моделирование психических процессов человеческого мозга. Его история восходит к 1956 году, и с тех пор он был в центре внимания исследований в таких областях, как психология, неврология, лингвистика и информатика. Когнитивная наука позволила разработать модели искусственного интеллекта (ИИ), которые могут имитировать человеческое поведение и познание, что делает ее важнейшей областью развития ИИ.

Восприятие, познание, обучение, память, язык, общение, сознание и внимание являются ключевыми теориями когнитивной науки. Нет одной теории более важной, чем другая, поскольку параллельно с человеческим мозгом работа взаимосвязана и жизненно важна для функционирования и развития. Изучение и разработка когнитивных моделей помогли в изучении человеческого мозга и его работы. Хотя многое еще неизвестно, эффективным способом узнать больше о человеческом мозге может быть использование возможностей искусственного интеллекта, чтобы, в свою очередь, рассказать нам больше о работе человеческого мозга. Мы основываем когнитивные модели на мозге, но искусственный интеллект может обучаться экспоненциально быстрее, чем люди, так когда же наступит поворотный момент, когда мы попытаемся воспроизвести модели ИИ на людях?

Когнитивная наука предоставила информацию о работе человеческого разума, что привело к появлению инновационных технологий, которые изменили различные аспекты нашей жизни. Будущее когнитивной науки и искусственного интеллекта кажется светлым, поскольку текущие исследования направлены на дальнейшее понимание человеческого разума и разработку интеллектуальных систем, которые могут лучше служить человечеству. Тем не менее, такие проблемы, как воспроизведение интуитивных способностей людей в машинах, все еще существуют, и для их преодоления может потребоваться более междисциплинарное сотрудничество. В целом, когнитивная наука — это быстро развивающаяся область с огромным потенциалом для инноваций и технического прогресса, которую необходимо делать с чувством долга и осторожностью, чтобы обеспечить улучшение жизни людей с помощью ее приложений.

В. Ссылки:

  1. Чен, М., Эррера, Ф., и Хван, К. (2018). Когнитивные вычисления: архитектура, технологии и интеллектуальные приложения. IEEE Access, 6, 19774–19783. https://doi.org/10.1109/access.2018.2791469
  2. САЙМОН, Х. (1981). Когнитивная наука: Новейшая наука об искусственном. Когнитивная наука, 4 (1), 33–46. https://doi.org/10.1016/s0364-0213(81)80003-1
  3. Кох, К., и Цучия, Н. (2007). Внимание и сознание: два разных мозговых процесса. Тенденции в когнитивных науках, 11 (1), 16–22. https://doi.org/10.1016/j.tics.2006.10.012
  4. Реверди, П. Б. Механизмы принятия решений из когнитивной науки для обучения человека и робота.
  5. Винит Кумар Гунджан, Зурада, Дж. М., Баласубраманян Раман, Гангадхаран, Г. Р. и Спрингерлинк (онлайн-сервис. (2020). Современные подходы в машинном обучении и когнитивных науках: пошаговое руководство: последние тенденции в области ИИ. Springer International Publishing, Imprint Springer.
  6. Ричардс Б., Цао Д. и Задор А. (21 июля 2021 г.). Применение искусственного интеллекта в биологии и нейробиологии [Обзор применения искусственного интеллекта в биологии и нейробиологии]. Селлпресс; Клеточный пресс.
    1Университет Макгилла, Монреаль, Квебек, Канада 2Мила, Монреаль, Квебек, Канада 3CIFAR, Торонто, Онтарио, Канада 4Калифорнийский университет, Беркли, Беркли, Калифорния, США 5Медицинский институт Говарда Хьюза, США 6Лаборатория Колд-Спринг-Харбор, Колд-Спринг Харбор, штат Нью-Йорк, США
  7. Галлистел, С.Р., и Кинг, А.П. (2011). Память и вычислительный мозг: почему когнитивная наука изменит нейронауку. В Гугл Книгах. Джон Уайли и сыновья. https://books.google.com.au/books?hl=en&lr=&id=o0jpHcgwkEoC&oi=fnd&pg=PT8&dq=theories+of+learning+and+memory+cognitive+science&ots=3BqqjBCRY6&sig=6ZTlpLrQw1Lmra4c5EWieHQ1Ew0#v=onepage&q =теории %20из%20обучения%20и%20памяти%20когнитивных%20науки&f=false

‌