🚀 go-pugleaf

「Re: Dijkstra approach to programming」にて
成田さん wrote: <a4ss5h$31g$1@nwall1.odn.ne.jp>

> > Soarって認知モデル用プロダクションシステムが、競合解消まわりを
> > どんどん複雑化させているのって、実はこの辺が狙いだったのかぁ？
> > って気がしています。（それでも、創造的な思考っぽい方向を取り扱う
> > にはまだ弱いって気がするんですけどね。）
> 
> SOAR に関しては、以前 S.Russell と R.Norvig の "Artificial
> Inteligence -- A Modern Approach" に載っていたような……というこ
> とで読み直してみましたが、

あ、ほんとだ、ちょろちょろ載ってますね。

> 創造的思考を狙うってのよりはやっぱり競
> 合解消まわりをどんどん学習して行けば、次に同じ問題くらっても速い
> し正しいぞーってのりのような気もするのですが。

え、そうですよ。
Soarの場合、パターンマッチと競合解消って道具立てよりはこの辺を工夫して
いっているけど、創造的思考にはまだまだ遠い線だなってつもりでした。

普通のプロダクションシステムだと、「ぱっとはできないけど、頑張れば
できる」ってなことはあんまりうまく扱えないけど、その点Soarは、
これを割とうまいこと扱えている。パターンマッチに失敗して適用可能な
ルールを見出すことができなかったら別に問題空間を構成するとか、
競合解消すること自体を問題解決とみなす、とか。

> > ヒューリスティックってコトバはこの辺をうまく掴まえようとして
> > できたはずなんですが、「要するに評価関数ね」ってことになった時に、
> > なんか大きな欠落を背負ったんではないか。
> 
> おそらく、評価関数というのは間違いは無いのではないかと。ただ、そ
> の関数が実際に構成できるか、もしくは近似できるか、近似出来るとし
> たらその方法はどういうものか、そしてどれだけ近似できるか、その時
> のコストは、等々はまた別の話で、その辺の問題をあっさり評価関数と
> いう言葉で分かった気になって片づけちゃうのをみると、「なんか大き
> な欠落を背負った」気分になるのでは。
> 
> 近似方法としては、パターンマッチの関数でも、ニューラルネットでも、
> 他何らかの数量化でもなんでもありなわけで。で、人間はどうやってい
> るのかということで、始めに戻る？(^^;

ええ。前に書いたよりももうちょっと厳密な話としては、ヒューリスティックは
評価関数として定式化できるというところまではいいですね。

この先で、「だから、良さの指標を関数で陽にそのまま表現しちまおう」とか、
「競合解消ルールで代替しよう」とかってことになると、それじゃああんまり
うまいこと動作しそうにないな、と。

人間の推論は、単一原理に基づいてないんじゃないですかね。
AI的には、浅い推論、深い推論とか、推論結果とその説明なんて言ってた辺りは、
この辺が狙いと取れないこともなかったかな。

> > 人が状態を記憶する（あるものをあるがままに覚え込む）のが不得意って
> > こと自体は、まず間違いのない事実と思います。
> > （記号的に認知のモデル化をやるってときの最も本質的な難点は、これかと。）
> 
> これ、強烈にありますねぇ。状態というか、「あるものをあるがまま」
> って方が。
> 
> また、構造物をそのまま保持するのが苦手てのもありそう。伝達のため
> にもそのままじゃ効率悪いし。だから、パターンを見つけて名付けて記
> 号化する。

えーと。
わたしの言っているのは、認知モデルの記号的アプローチの難点でして、
コンピュータにとっては、記号ってのは曖昧性がなくて、それ自体が
基本単位だもんで、そのまますっきりストアできてしまうけど、
人間の場合そうじゃなくて、記憶すること自体が面倒なメカニズムに
なってるんだよなぁ、です。
成田さんの方は、どちらかというと記号の利点の側をおっしゃってまして、
名前を付けることによって保持を楽にするって話ですね。

多分、どちらも事実で、そのまま認知モデルとしての記号的なアプローチの
得失ってところでしょうね。

> だから、問題とその解法が記号化されていて、その記号に当てはまる問
> 題があれば解けるじゃない、だから記号をため込み同時に記号の当ては
> めも上手いことやろうってのが SOAR とかの立場？

…はっきりわからないけど、これはどうやらそういうことみたい。

> # でも、記号の当てはめ問題も競合解消が必要で……始めに戻る？(^^;

…というか、大量の知識（にあたるもの）を集積したシステムであれば、
今回使う知識はどれで、使わないのはどれって選択が明示的にせよ、
暗黙にせよ、必要なのは確かでしょうね。

> > ところが、レシピ通りに進めるってのも人は得意じゃないだろ、
> > とおっしゃりたいんですよね。
> 
> もう少し限定的に、計算するのは訓練しないと難しいとでも言いますか。

ううむ。これはわからなかったっす。

> > ただ、慣れたことについては、容易に手順が作れてしまう（考え込まないでも
> > なんとでもできる）ってのも、事実。
> > ＃ だから、「知識が鍵だ」って話だったんだよなぁ。80年代の認知科学は。
> > ＃ 単に覚えた記憶ではなくて、身についた知識。
> 
> 未解決な問題が新たに解けたときの方策とその問題の組みみたいなもの
> でしょうか(Robo-SOAR だとコンパイルしちゃうと「慣れ」るというか ^^;)。

いえ、ここはそういう意味じゃなかったです。
モデル化言語でのコンパイルした知識って、入出力関係の固定ですよね。
適応的じゃない。ところが、人間の熟達者は実に適応的なんですよ。
知識をいろいろな推論で柔軟に使える。

プロダクションシステムをよしとする立場から論ずれば、熟達者が見かけ上
適応的なのは、実に多くの手続き的知識を溜め込んで、それの使いわけが
うまくできているからだ、という説明をしようとするところでしょうが…、
もしろ、プロダクションシステムっていう、推論の方向性を固定する設定を
持ってきたことの欠点が露呈しているとみた方がいいような気がします。

豊富な知識を柔軟に使うというコンセプトは、結局AIには定着しなかった
んじゃないかなぁ。（説明に基づく一般化／学習ってあたりがその方向に
発展する端緒だと期待されたけど、不発だったってことでは。）

知識といえば知識表現だけど、この分野の場合だと、クエリーに答える的な
知識の使い方が中心で、解決手続きを作り出すって感じじゃないし。
（手続きを作るってぇと、プランニングだけど、これはどうなんだろ？って
気もするな。）

-- 
たかはし　（この辺でわけときます）