Материал из MachineLearning.

Содержание 1 Научная школа в области искусственного интеллекта 1.1 Введение 1.2 Исторический обзор 1.3 Классификация научных школ по Педро Домингосу 1.4 Символизм 1.4.1 Основная идея 1.4.2 Лидеры школы 1.4.3 Основные методы 1.5 Коннекционизм 1.5.1 Основная идея 1.5.2 Лидеры школы 1.5.3 Основные методы 1.6 Эволюционизм 1.6.1 Основная идея 1.6.2 Лидеры школы 1.6.3 Основные методы 1.7 Байесионизм 1.7.1 Основная идея 1.7.2 Лидеры школы 1.7.3 Основные методы 1.8 Аналогизм 1.8.1 Основная идея 1.8.2 Лидеры школы 1.8.3 Основные методы 1.9 Композиционизм 1.9.1 Основная идея 1.9.2 Лидеры школы 1.9.3 Основные методы 1.10 Современное состояние 1.11 Российские научные школы в области ИИ 1.11.1 Школа Ю. И. Журавлёва 1.11.2 Школа Д. А. Рудакова 1.11.3 Школа К. В. Воронцова 1.12 См. также 1.13 Литература 1.13.1 На русском языке 1.13.2 На английском языке 1.14 Примечания

Научная школа в области искусственного интеллекта

Статья написана с использованием LLM ChatGPT (GPT-5.5) и проверена участником Anna Chirkova 16:45, 16 июня 2026 (MSD)

Введение

Научная школа в области искусственного интеллекта — устойчивое научное сообщество исследователей, объединённых общей исследовательской программой, системой понятий, методологическими принципами и преемственностью поколений. В отличие от отдельного научного направления или исследовательской группы, научная школа характеризуется наличием признанного лидера, развитой системы подготовки учеников, совокупностью фундаментальных публикаций и длительным влиянием на развитие дисциплины.

В истории искусственного интеллекта (ИИ) научные школы играли особую роль. Поскольку сама область сформировалась на пересечении математики, информатики, психологии, кибернетики и нейронаук, различные группы исследователей предлагали собственные представления о природе интеллекта и путях его моделирования. В результате возникли несколько конкурирующих научных школ, каждая из которых стремилась объяснить интеллектуальное поведение с помощью собственного набора принципов и методов.

Основными признаками научной школы являются:

• наличие лидера или группы лидеров;
• общая исследовательская программа;
• преемственность поколений исследователей;
• собственный понятийный аппарат;
• публикационная активность и влияние на развитие дисциплины;
• наличие характерных методов и алгоритмов.

Исторический обзор

Формирование научных школ в искусственном интеллекте началось практически одновременно с возникновением самой дисциплины. После Дартмутского семинара 1956 года исследователи разошлись во взглядах на природу интеллекта и способы его моделирования.

В 1950–1970-х годах доминировал символический подход, связанный с именами Аллена Ньюэлла, Герберта Саймона и Джона Маккарти. Интеллект рассматривался как процесс манипулирования символами и логического вывода.

Параллельно развивались идеи искусственных нейронных сетей, восходящие к работам Маккалока и Питтса, а позднее — Розенблатта. Однако после публикации книги Минского и Пейперта Perceptrons (1969) интерес к нейронным сетям временно снизился.

В 1980-х годах произошло возрождение нескольких направлений одновременно: экспертных систем, вероятностных методов, нейронных сетей и эволюционных вычислений.

К началу XXI века искусственный интеллект превратился в совокупность взаимодействующих научных школ. Важную попытку систематизации этой картины предпринял Педро Домингос в книге The Master Algorithm (2015), выделив шесть основных школ машинного обучения и искусственного интеллекта.^[1]

Классификация научных школ по Педро Домингосу

Согласно Домингосу, большинство методов искусственного интеллекта можно отнести к одной из шести крупных школ:

1. символизм (Symbolists);

1. коннекционизм (Connectionists);

1. эволюционизм (Evolutionaries);

1. байесионизм (Bayesians);

1. аналогизм (Analogizers);

1. композиционизм (Ensemblers).

Каждая школа предлагает собственный ответ на вопрос о том, каким образом должна происходить интеллектуальная обработка информации.

Символизм

Основная идея

Символическая школа рассматривает интеллект как систему операций над символами и логическими структурами. Согласно гипотезе физической символьной системы Ньюэлла и Саймона, любая система, обладающая интеллектом, должна оперировать символическими представлениями знаний.^[1]

Лидеры школы

• Аллен Ньюэлл;
• Герберт Саймон;
• Джон Маккарти;
• Марвин Минский.

Основные методы

• логический вывод;
• продукционные системы;
• автоматическое доказательство теорем;
• экспертные системы;
• семантические сети.

Символическая школа доминировала в ИИ вплоть до конца 1980-х годов и оказала большое влияние на представление знаний и логическое программирование.

Коннекционизм

Основная идея

Коннекционизм исходит из предположения, что интеллект возникает в результате взаимодействия большого числа простых вычислительных элементов, аналогичных нейронам мозга.

Основным объектом исследования является Нейронная сеть.

Для искусственного нейрона используется вычисление

Лидеры школы

• Фрэнк Розенблатт;
• Дэвид Румельхарт;
• Джеффри Хинтон;
• Ян ЛеКун;
• Йошуа Бенджио.

Основные методы

• многослойные нейронные сети;
• обратное распространение ошибки;
• сверточные нейронные сети;
• рекуррентные сети;
• Глубокое обучение.

После успехов глубокого обучения в 2010-х годах коннекционистская школа стала доминирующим направлением современного ИИ.

Эволюционизм

Основная идея

Эволюционистская школа рассматривает обучение как аналог биологической эволюции. Решения возникают в результате отбора наиболее успешных вариантов.

Лидеры школы

• Джон Холланд;
• Джон Коза;
• Инго Рехенберг.

Основные методы

• генетические алгоритмы;
• эволюционные стратегии;
• генетическое программирование;
• коэволюционные алгоритмы.

Пусть качество решения описывается функцией приспособленности

Тогда задача сводится к поиску

Эволюционные методы успешно применяются в задачах оптимизации и автоматического проектирования алгоритмов.

Байесионизм

Основная идея

Байесионисты рассматривают обучение как процесс обновления вероятностных убеждений на основе наблюдений.

Фундаментом школы является теорема Байеса

Лидеры школы

• Джуда Перл;
• Дэвид Хекерман;
• Майкл Джордан.

Основные методы

• байесовский вывод;
• байесовские сети;
• скрытые марковские модели;
• вероятностное программирование.

Особенно большое влияние данная школа оказала на исследования причинности и неопределённости.

Аналогизм

Основная идея

Согласно аналогистской школе, обучение представляет собой поиск сходства между объектами. Новые ситуации интерпретируются через аналогии с уже известными примерами.

Лидеры школы

• Владимир Вапник;
• Алексей Червоненкис;
• Томас Ковер.

Основные методы

• Метод опорных векторов;
• k-ближайших соседей;
• метрические методы обучения;
• ядровые методы.

Для метода ближайших соседей решение определяется на основе близости объектов в пространстве признаков:

Работы Вапника оказали фундаментальное влияние на статистическую теорию обучения.

Композиционизм

Основная идея

Композиционисты исходят из того, что совокупность относительно слабых моделей может обеспечивать более высокое качество, чем отдельная сложная модель.

Лидеры школы

• Лео Брейман;
• Роберт Шапир;
• Йоав Фройнд.

Основные методы

• Бустинг;
• бэггинг;
• случайный лес;
• ансамбли моделей.

Композиционные методы являются одними из наиболее успешных алгоритмов анализа табличных данных.

Современное состояние

В начале XXI века границы между научными школами стали постепенно размываться. Современные интеллектуальные системы всё чаще объединяют идеи нескольких направлений.

Например:

• глубокие нейронные сети используют вероятностные методы обучения;
• ансамбли моделей применяются совместно с нейронными сетями;
• эволюционные алгоритмы используются для автоматического поиска архитектур;
• символические методы интегрируются с нейронными моделями.

Одним из наиболее известных современных концептуальных проектов стала идея «мастер-алгоритма» (Master Algorithm), предложенная Педро Домингосом. Согласно этой гипотезе, возможно существование универсального алгоритма обучения, способного объединить достоинства всех основных научных школ.^[1]

Хотя такой алгоритм пока не создан, современные фундаментальные модели демонстрируют тенденцию к интеграции различных исследовательских традиций.

Российские научные школы в области ИИ

Школа Ю. И. Журавлёва

Юрий Иванович Журавлёв создал одну из ведущих отечественных школ в области распознавания образов и математической теории классификации.

Его работы заложили основы алгебраического подхода к распознаванию и оказали значительное влияние на развитие отечественного машинного обучения.

Школа Д. А. Рудакова

Дмитрий Анатольевич Рудаков внёс существенный вклад в развитие методов анализа данных, интеллектуальных систем и прикладного машинного обучения.

Работы его школы связаны с исследованием методов извлечения знаний и интеллектуального анализа данных.

Школа К. В. Воронцова

Константин Вячеславович Воронцов является одним из ведущих российских специалистов в области машинного обучения.

Его исследования охватывают теорию обучения по прецедентам, композиционные методы, вероятностные модели и анализ качества алгоритмов.

См. также

• Машинное обучение
• Нейронная сеть
• Метод опорных векторов
• Бустинг
• Экспертная система
• Дартмутский семинар

Литература

На русском языке

1. Воронцов К. В. Математические методы обучения по прецедентам.

1. Журавлёв Ю. И. Избранные научные труды.

1. Рудаков К. В. Лекции по интеллектуальному анализу данных.

1. Хорошевский В. Ф. Искусственный интеллект: методы и приложения.

На английском языке

1. Domingos P. The Master Algorithm. Basic Books, 2015.

1. Russell S., Norvig P. Artificial Intelligence: A Modern Approach. Pearson, 2021.

1. Pearl J. Probabilistic Reasoning in Intelligent Systems. Morgan Kaufmann, 1988.

1. Holland J. Adaptation in Natural and Artificial Systems. MIT Press, 1992.

1. Koza J. Genetic Programming. MIT Press, 1992.

1. Vapnik V. Statistical Learning Theory. Wiley, 1998.

1. Breiman L. Random Forests // Machine Learning. 2001.

Примечания