注释,注释: В статье исследуются комплекс вопросов, определяющих синергетику искусственных когнитивных систем: условия реализации неравновесной устойчивости систем, варианты синтеза искусственной когнитивной системы, а также механизмы самоорганизации сформированного на ее основе сознания. К числу искусственных когнитивных систем предлагается относить не только системы искусственного интеллекта, имитирующие человеческое мышление, но любые многоуровневые системы, осуществляющие функции распознавания и запоминания информации, принятия решений, хранения, объяснения, понимания и производства новых знаний. Определяющим свойством когнитивной системы является способность к принятию решений. Показано, что содержанием когнитивной системы является сознание, интерпретируемое в рамках информационной концепции как информационная среда, в которой реализуется расширенная модель реальности. Сознание может квалифицироваться как открытая динамическая система, состояние которой определяется происходящими в ней (мыслительными) процессами.  Комплекс вопросов, определяющих устойчивое существование искусственных когнитивных систем, включает в себя условия реализации неравновесной устойчивости систем, варианты ее синтеза, а также синергетики сформированного на ее основе сознания. Ответы на данные вопросы позволят сформировать философскую основу для последующих исследований в области искусственных когнитивных систем, приближенных по возможностям к естественным. Для таких систем, называемых «живыми», имеет место реализация механизмов устойчивого неравновесия. Реализация искусственной когнитивной системы технически осуществляется на основе искусственной нейронной сети, а организационно – согласно акторной или реакторной модели. Процессы самоорганизации, определяющие синергетику сознания, являются частным случаем действия экстремального принципа, являющегося следствием закона избыточной реакции надсистем, регламентирующего существования диссипативных систем за счет ресурсов надсистемы. Инициация самоорганизации сознания осуществляется процессом мышления, который в силу неравновесной устойчивости сознания не останавливается. При этом мышление можно интерпретировать как процесс варьирования параметрами системы в поиске подходящих для расширенного моделирования реальности. Активация мышления происходит в результате отклонений системы от равновесия вследствие перманентных флуктуаций ее состояния.

Abstract: The article explores a set of issues determining the synergetics of artificial cognitive systems: conditions for the realization of non-equilibrium stability of systems, synthesis options of artificial cognitive system, as well as mechanisms of self-organization of consciousness formed on its basis. Artificial cognitive systems are proposed to include not only artificial intelligence systems imitating human thinking, but any multilevel systems that perform the functions of recognizing and remembering information, decision-making, storage, explanation, understanding and production of new knowledge. The defining property of a cognitive system is the ability to make decisions. It is shown that the content of the cognitive system is consciousness, interpreted within the framework of the information concept as an information environment in which the extended model of reality is realized. Consciousness can be qualified as an open dynamic system. The state of such systems is determined by the processes occurring in them (thought processes – in the case of consciousness). For such systems, called "living", there is a realization of mechanisms of stable disequilibrium. The implementation of an artificial cognitive system is technically carried out on the basis of an artificial neural network, and organizationally – according to the actor or reactor model. Self-organization processes determining the synergetics of consciousness are a special case of the extreme principle, which is a consequence of the law of excessive reaction of supersystems, regulating the existence of dissipative systems at the expense of supersystem resources. The initiation of self-organization of consciousness is carried out by the process of thinking, which, due to the non-equilibrium stability of consciousness, does not stop. Thus thinking can be interpreted as a process of varying system parameters in search of suitable ones for extended modeling of reality.

注释,注释: В статье исследуется возможность в рамках подготовки научных кадров формирования у обучающихся творческих компетенций. Отмечается, что на базе существующих программ можно подготовить специалиста, способного продуктивно использовать существующие знания, однако создавать новые знания, решать задачи, для которых не известен способ решения, такой специалист не обучен – система образования (в рамках имеющихся учебных курсов) не готовит творческую единицу. Для формирования творческих компетенций необходим учебный курс «Общая теория систем», но в не том виде, в котором он преподается в настоящее время (как методология использования системного подхода), а в соответствие с представлением общей теории систем как теории, целью которой является создание универсальной методологии достоверного представления моделей объектов, в основе которого лежит подобие (изоморфизм) форм и законов мироздания. Приводится развернутая аргументация связи творчества и целостного представления бытия, эмпирическим проявлением которого является изоморфизм. Исследуется механизм трансляции знаний в рамках механизма мультисистемой интеграции человека, механизм заимствования человеком знаний из чувственно постигаемых форм реальности. Констатируется, что для соответствия поставленным задачам познания требуется версия общей теории систем, расширенная метафизической составляющей. Далее, отталкиваясь от метафизического описания основ наблюдаемого в практике познания явления изоморфизма, можно формировать комплектные коллекции паттернов – типовых форм, шаблонов объектов и их отношений. По итогам практического познания, классификации объектов познания, а также сопоставления результатов познания с известными паттернами можно формировать комплектные коллекции вторичных свойств и законов объектов. В настоящее время завершается работа над такой версией общей теории систем, получившей название «Эмпирико-метафизическая общая теория систем». В заключение статьи рассматривается проблематика преподавания общей теории систем. В ней выделяются две составляющие: вопрос позиционирования учебного курса «Общая теория систем» относительно других курсов, а также учет специфики предметной области обучающихся по разным специальностям (направлениям).

Abstract: The article investigates the possibility of formation of creative competencies of students within the framework of scientific personnel training. It is noted that the available training courses within the framework of general training of scientific personnel allow to prepare a specialist who is able to use existing knowledge, but such a specialist is not trained in creativity. For the formation of creative competences it is necessary to take a training course of the general theory of systems, the purpose of which is to create a universal methodology of reliable representation of models of objects, based on the similarity (isomorphism) of the forms and laws of the universe. A detailed argumentation of the connection between creativity and holistic representation of being, the empirical manifestation of which is isomorphism, is given. The mechanism of knowledge translation within the framework of the mechanism of multisystem integration of human being, the mechanism of knowledge borrowing by human being from sensually comprehended forms of reality is investigated. It is stated that in order to meet the set tasks of cognition, a version of the general theory of systems, extended by the metaphysical component, is required. Further, starting from the metaphysical description of the foundations of the phenomenon of isomorphism observed in the practice of cognition, it is possible to form complete collections of patterns – typical forms, templates of objects and their relations. At present, the work on such a version of the general theory of systems is being finalized. The article concludes with a discussion of the problematics of teaching general systems theory. It emphasizes two components: the issue of positioning the training course "General Theory of Systems" in relation to other courses, as well as taking into account the specifics of the subject area of students in different specialties (directions).

注释,注释: В статье исследуются возможности конфигурирования цикла управления, т.е. определения распределения интервалов времени, необходимых для выполнения отдельных операций управления, по потокам исполнения, обеспечивающего реализуемость управления. Параллельное выполнение операций управления, там, где это допускается алгоритмом управления, в случае успешного конфигурирования цикла управления позволяет существенно снизить его длительность. Объектом исследования в данной статье являются системы управления с объектно-ориентированной архитектурой, предполагающей комбинированную вертикально-горизонтальную интеграцию функциональных блоков и модулей, распределяющих между собой все задачи управления. Данная архитектура реализуется посредством акторной инструментальной модели с использованием метапрограммирования. Такие системы управления наилучшим образом обеспечивают сокращение длительности цикла управления за счет параллельного выполнения вычислительных и других операций управления. Рассматриваются несколько подходов к конфигурированию цикла управления: без оптимизации, с комбинаторной оптимизацией по времени, с комбинаторной оптимизацией по ресурсам системы. Также достижение конфигурации, близкой к оптимальной, может быть достигнуто за счет использования адаптивного конфигурирования. Исследования показывают, что задача конфигурирования цикла системы управления имеет несколько вариантов решения. Практическое получение решения задачи конфигурирования в случае комбинаторной оптимизации связано с существенными сложностями, обусловленными высокой алгоритмической сложностью задачи и большим объемом потребных вычислений, быстро растущим по мере увеличения числа операций на этапах цикла управления. Возможным средством преодоления этих сложностей является использование стохастических методов, резко снижающих потребный объем вычислений. Также существенное снижение сложности задачи конфигурирования цикла системы управления можно добиться при использовании адаптивного конфигурирования, имеющего два варианта реализации. Первый вариант – это конфигурирование цикла системы управления в реальном времени. Второй вариант – это определение квазиоптимальной конфигурации на основе многократного конфигурирования с разными исходными данными и последующего сравнения получаемых результатов.

Abstract: The paper investigates the possibilities of configuring the control cycle, i.e., determining the distribution of time intervals required for the execution of individual control operations across execution threads, which ensures the realizability of control. The object of research in this article are control systems with object-oriented architecture, assuming a combined vertical-horizontal integration of functional blocks and modules that distribute all control tasks among themselves. This architecture is realized by means of an actor instrumental model using metaprogramming. Such control systems are best at reducing control cycle time by performing computational and other control operations in parallel. Several approaches to control cycle configuration are considered: without optimization, with combinatorial optimization in time, with combinatorial optimization in system resources. Also, achieving a near-optimal configuration can be achieved by using adaptive configuration. Research shows that the control system cycle configuration problem has several solutions. Practical obtaining a solution to the configuration problem in the case of combinatorial optimization is associated with significant difficulties due to the high algorithmic complexity of the problem and a large amount of required computations, rapidly growing as the number of operations at the stages of the control cycle. A possible means of overcoming these difficulties is the use of stochastic methods, which sharply reduce the required amount of computation. Also, a significant reduction in the complexity of the task of configuring the control system cycle can be achieved by using adaptive configuration, which has two variants of realization. The first variant is the real-time configuration of the control system cycle. The second variant is the determination of quasi-optimal configuration on the basis of multiple configurations with different initial data and subsequent comparison of the obtained results.

注释,注释: Статья посвящена исследованию проблемы повышения достоверности моделирования когнитивных систем, к которым авторы относят не только человеческий интеллект, но и системы искусственного интеллекта, а также интеллектуальные системы управления производствами, технологическими процессами и сложным оборудованием. Показано, что использование когнитивных систем для решения задач управления обуславливает для них очень высокие требования по быстродействию. Эти требования в сочетании с необходимостью упрощения методов моделирования по мере усложнения объекта моделирования обуславливают выбор подхода к моделированию когнитивных систем. Модели должны основываться на использовании простейших алгоритмов в виде определения трендов, корреляции, а также (для решения интеллектуальных задач) – на использовании алгоритмов, основанных на применении различных паттернов форм и законов. Кроме того, модели должны быть децентрализованными. Адекватное представление децентрализованных систем, образованных из большого числа автономных элементов, может быть сформировано в рамках агент-ориентированных моделей. Для когнитивных систем наиболее проработанными являются две программно-математические реализации агент-ориентированной модели: акторная и реакторная. Акторные модели когнитивных систем имеют два возможных варианта реализации: в виде инструментальной модели, либо в виде симуляции. Обе реализации имеют право на существование, однако возможности реализации достоверного описания при использовании инструментальной модели выше, поскольку она обеспечивает несоизмеримо более высокое быстродействие, а также предполагает вариативность моделируемой реальности, обусловленной неполнотой предполагаемой модели. Модель акторов может быть реализована средствами большого числа существующих языков программирования, как специальных акторно-ориентированных, функциональных, так и языков общего назначения. Решение задачи создания симулятивных акторных моделей доступно на большинстве языков, работающих с акторами. Реализация инструментальных акторных моделей требует быстродействия, недостижимого при императивном программировании. В этом случае оптимальным решением является использование акторного метапрограммирования. Во многих существующих языках такое программирование реализуемо.

Abstract: The article is devoted to the study of the problem of increasing the reliability of modeling of cognitive systems, to which the authors refer not only human intelligence, but also artificial intelligence systems, as well as intelligent control systems for production, technological processes and complex equipment. It is shown that the use of cognitive systems for solving control problems causes very high rapidity requirements for them. These requirements combined with the necessity to simplify modeling methods as the modeling object becomes more complex determine the choice of an approach to modeling cognitive systems. Models should be based on the use of simple algorithms in the form of trend detection, correlation, as well as (for solving intellectual problems) on the use of algorithms based on the application of various patterns of forms and laws. In addition, the models should be decentralized. An adequate representation of decentralized systems formed from a large number of autonomous elements can be formed within the framework of agent-based models. For cognitive systems, two models are the most elaborated: actor and reactor models. Actor models of cognitive systems have two possible realizations: as an instrumental model or as a simulation. Both implementations have the right to exist, but the possibilities of realizing a reliable description when using the tool model are higher, because it provides incommensurably higher rapidity, and also assumes variability of the modeled reality. The actor model can be realized by means of a large number of existing programming languages. The solution to the problem of creating simulative actor models is available in most languages that work with actors. Realization of instrumental actor models requires rapidity, which is unattainable in imperative programming. In this case, the optimal solution is to use actor metaprogramming. Such programming is realizable in many existing languages.

注释,注释: В статье рассматривается управление сложными системами различной природы. Формулируются общие определения понятий «управление» и «система управления». Констатируется, что система управления в своей основе является информационнаой системой, для которой важнейшими характеристиками, определяющими ее функциональность, являются производительность и быстродействие. Даются определения производительности и быстродействия, раскрываются различия между этими характеристиками. Констатируется проблема реализуемости управления сложными системами, заключающаяся в необходимости обеспечения достаточного быстродействия, при котором весь необходимый комплекс операций управления укладывается в цикл управления. На примере технических систем (сложного технологического оборудования) исследуется связь между параметрами управления: сложностью объекта управления, длительностью цикла управления и быстродействием системы управления. В результате выявляется ряд значимых зависимостей: длительность цикла управления примерно обратно пропорциональна сложности объекта управления; быстродействие системы управления примерно пропорционально квадрату сложности объекта. Логическое подтверждение данных зависимостей позволяет распространить их на все системы управления. Исходя из предыдущих исследований авторов констатируется, что в рамках общей теории систем существуют два основных варианта повышения устойчивости сложной системы: вариант моноцентризма с центральным элементом, взаимодействие которого с другими элементами имеет эгрессионный характер, либо за счет увеличения числа связей в объекте. Первый вариант не позволяет повышать быстродействие: все команды и операции генерируются центральным элементом и итоговое быстродействие ограничено быстродействием центрального элемента. Второй вариант обеспечения устойчивости может быть реализован на практике в виде децентрализованной системы, в которой основная часть выполняемых элементами системы управления операций генерируется автономно. В результате обеспечивается реальная параллельность выполнения операций. Именно данный вариант повсеместно реализуется в живых системах и является наиболее перспективным для использования при управлении техническими системами.

Abstract: The article deals with the management of complex systems. The general definitions of the concepts "control" and "control system" are formulated. It is stated that the control system in its basis is an information system, for which the most important characteristics are performance and rapidity. Definitions are given and differences between these characteristics are revealed. The problem of realizability of control of complex systems is stated, which consists in the necessity of providing sufficient rapidity, at which the whole necessary complex of control operations is placed in the control cycle. The relationship between the control parameters: the complexity of the control object, the duration of the control cycle and the rapidity of the control system is investigated. As a result, a number of significant dependencies are revealed: the duration of the control cycle is approximately inversely proportional to the complexity of the control object; the rapidity of the control system is approximately proportional to the square of the object complexity. It is stated that within the framework of the general theory of systems there are two main options for increasing the stability of a complex system: the option of monocentrism with a central element, or by increasing the number of links in the object. The first option does not allow increasing rapidity. The second variant of stability can be implemented in practice in the form of a decentralized system. The latter option is universally realized in living systems and is promising for the control of technical systems.

注释,注释: В статье анализируются возможности и ограничения искусственного интеллекта. Рассматривается субъектность искусственного интеллекта, представляющая собой способность быть субъектом активности, в том числе в отношении объектов познания, определяется необходимость субъектности для решения интеллектуальных задач в зависимости от возможности представления реального мира как детерминированной системы. Констатируются методологические ограничения искусственного интеллекта, в основу которого положено использование технологий больших данных, общая идея которых сводится к формированию информационной модели объекта познания в виде большого массива данных, упорядоченных на основе выявленных эмпирических связей, корреляции различных фрагментов, недетерминированных (по причине и механизму) трендов. Методологические ограничения искусственного интеллекта обуславливают невозможность формирования целостного представления об объектах познания и мира в целом. Рассматривается различие естественного (человеческого) и искусственного интеллекта, в том числе реализация мультисистемой интеграции интеллекта в физические, биологические, социальные и духовные системы.  В качестве инструмента детерминированного описания мироздания предлагается использовать эмпирико-метафизическую общую теорию систем, являющуюся расширением существующих общих теорий систем за счет онтологического обоснования явления изоморфизма и определения ограниченной совокупности законов, правил, паттернов и примитивов форм и отношений объектов в мироздании. Необходимым условием практической реализации креативного искусственного интеллекта, сопоставимого или даже превосходящего человека в решении интеллектуальных задач, является создание адекватной общей теории систем, возможным вариантом которой является разрабатываемая эмпирико-метафизическая общая теория систем. В этом случае возможными станут дефрагментация системы знаний и детерминированное решение интеллектуальных задач как человеческим, так и искусственным интеллектом. В контексте проблемы обеспечения развития интеллекта формулируется философски обоснованный подход к обеспечению эволюционных свойств искусственного интеллекта, основанный на включении в него механизмов неравновесия. Механизмы неравновесия, через которые реализуется устойчивость, должны быть заложены в систему искусственного интеллекта при ее формировании. В этом случае она будет эволюционировать, но останется неживой – без потребностей, без эмоций и никогда не будет представлять угрозы для человечества.

Abstract: The article analyzes the possibilities and limitations of artificial intelligence. The article considers the subjectivity of artificial intelligence, determines its necessity for solving intellectual problems depending on the possibility of representing the real world as a deterministic system. Methodological limitations of artificial intelligence, which is based on the use of big data technologies, are stated. These limitations cause the impossibility of forming a holistic representation of the objects of cognition and the world as a whole. As a tool for deterministic description of the universe it is proposed to use empirical-metaphysical general theory of systems, which is an extension of existing general theories of systems due to ontological justification of the phenomenon of isomorphism and definition of a limited set of laws, rules, patterns and primitives of forms and relations of objects in the universe. The distinction of natural (human) and artificial intelligence is considered, including the realization of multisystem integration of intelligence in physical, biological, social and spiritual systems. A philosophically grounded approach to ensuring the evolutionary properties of artificial intelligence is formulated, based on the inclusion of non-equilibrium mechanisms through which stability is realized.