В.К. Петросян (Вадимир). Мировая пикоэлектроника. Прошлое, настоящее, будущее. Проектирование Метаразвития. Тома 1-6
Теория ноокомпьютеров и ноомашин
1. Интеллектуальная обработка информации и когнитивно-креативная деятельность
2. Автоматизированное формирование научных гипотез
3. Изобретательские функции
4. Самосовершенствование методов решения задач
5. Архитектуры перспективных ноомашин
6. Проверяемые критерии ноофункциональности
*********
© В.К.
Петросян (Вадимир) © Lag.ru [Large Apeironic Gateway, Большой Апейронический
Портал (Шлюз), Суперпортал в Бесконечность].
При копировании данного материала и размещении его на другом сайте, ссылки
на соответствующие локации порталов Lag.ru и Proza.ru обязательны
Работа написана на основе концепции и разработок В.К. Петросяна при полноценном соавторстве (активном творческом и техническом участии) ChatGPT (OpenAI), GPT-5.6 Sol
******
Теория ноокомпьютеров и ноомашин
Научные основания, функциональные принципы, архитектуры и экспериментальные критерии нового поколения интеллектуально-креативных вычислительных систем.
Введение. От интеллектуального компьютера к теории ноомашины
В предыдущей главе была рассмотрена историческая эволюция вычислительной техники — от универсальных программируемых компьютеров и IBM PC до современных интеллектуальных вычислительных систем и перспектив создания первых ноокомпьютеров INM.
Показано, что развитие компьютеров определяется не только совершенствованием электронной элементной базы и увеличением вычислительной мощности.
Не менее важны изменения функционального назначения вычислительных систем.
Традиционный компьютер стал универсальным инструментом выполнения программ.
Персональный компьютер сделал вычислительные возможности массово доступными.
Системы искусственного интеллекта расширили возможности автоматизации интеллектуальной деятельности.
Современные генеративные и агентные системы способны анализировать научную литературу, создавать программный код, предлагать технические решения, выполнять сложные вычисления и взаимодействовать с внешними инструментами.
Однако возникает принципиальный вопрос.
Достаточно ли этих возможностей для возникновения нового класса вычислительных машин?
В настоящей книге предлагается отрицательный ответ.
Само наличие искусственного интеллекта ещё не является достаточным основанием для выделения ноокомпьютера в самостоятельную научно-технологическую категорию.
Необходимо установить, какие именно новые функции должна выполнять перспективная система.
Каким образом эти функции могут быть реализованы.
Какие ограничения должны учитываться при её проектировании.
И главное — какие экспериментальные результаты могут подтвердить возникновение нового технологического качества.
Поэтому после введения функционального определения ноокомпьютера необходимо перейти к разработке теоретических оснований NOO.
В рамках настоящей главы термин «ноотехнологии» используется для обозначения предлагаемого направления создания интеллектуально-креативных вычислительных систем.
Ноокомпьютер рассматривается как аппаратно-программная система, специально организованная для воспроизводимого получения и проверки новых знаний, научных гипотез и технических решений.
Понятие ноомашины имеет более широкий смысл.
Ноомашина — это перспективная техническая система, предназначенная для организации и выполнения целостных когнитивно-креативных процессов, включая научный поиск, разработку и проверку решений, управление исследовательскими инструментами и контролируемое совершенствование методов собственной деятельности.
Следовательно, ноокомпьютер может рассматриваться как вычислительное ядро ноомашины.
Ноомашина, в свою очередь, может включать внешние информационные ресурсы, специализированные вычислительные средства, измерительное оборудование, роботизированные комплексы и систему человеческого научного контроля.
Это разграничение имеет существенное значение.
Не каждая ноомашина обязательно должна представлять собой единый физический компьютер.
Она может иметь распределённую архитектуру.
При этом её функциональная целостность будет определяться организацией исследовательского процесса, а не размещением всех компонентов в одном корпусе.
Вместе с тем нельзя считать, что любая многоагентная система искусственного интеллекта автоматически становится ноомашиной.
Для этого необходимо подтвердить специфические когнитивно-креативные функции.
Предлагаемая теория должна ответить на шесть взаимосвязанных вопросов.
Первый — чем интеллектуальная обработка информации отличается от когнитивно-креативной деятельности.
Второй — каким образом может осуществляться автоматизированное формирование научных гипотез.
Третий — какие функции необходимы для создания новых технических решений.
Четвёртый — что следует понимать под самосовершенствованием методов решения задач.
Пятый — какие архитектуры способны объединить эти функции.
Шестой — каким образом можно экспериментально проверить ноофункциональность.
Особое значение имеет последний вопрос.
Теория ноомашин не должна сводиться к футурологическому описанию идеальной интеллектуальной машины.
Она должна стать основой программы создания экспериментальных систем с заранее установленными критериями успеха и неудачи.
Именно такой подход соответствует генеральной задаче Метаразвития.
Её цель заключается не просто в создании более совершенных технологий, а в разработке и совершенствовании механизмов создания самих технологий.
2.1. Интеллектуальная обработка информации и когнитивно-креативная деятельность
2.1.1. Вычисление, информация и интеллектуальная функция
Первоначальная задача состоит в разграничении нескольких понятий.
Вычисление представляет собой выполнение определённых операций над формально представленными данными.
Информационная обработка охватывает более широкий набор процедур, включая получение, хранение, преобразование, поиск и передачу информации.
Интеллектуальная обработка предполагает использование методов, позволяющих решать задачи, обычно требующие анализа, распознавания закономерностей, построения моделей или выбора решений.
Однако когнитивно-креативная деятельность обладает дополнительными характеристиками.
Она связана не только с применением известных правил, но и с формированием новых содержательных конструкций.
Например, научных объяснений.
Исследовательских гипотез.
Математических методов.
Технических решений.
Экспериментальных процедур.
Новых способов организации исследовательской деятельности.
Но нельзя провести абсолютную границу между интеллектуальной обработкой и творчеством.
В некоторых случаях поиск оптимального решения по заранее заданному алгоритму приводит к результату, ранее неизвестному исследователям.
С другой стороны, внешне оригинальная идея может оказаться простой комбинацией уже известных положений.
Следовательно, разграничение необходимо осуществлять по характеру задачи и подтверждённого результата.
2.1.2. Символьные вычисления и интеллектуальное решение задач
Становление искусственного интеллекта сопровождалось исследованием формальных способов представления знаний и организации поиска.
Особое значение имеет работа Аллена Ньюэлла и Герберта Саймона Computer Science as Empirical Inquiry: Symbols and Search, опубликованная в 1976 году [1].
В ней компьютерная наука рассматривалась как эмпирическая дисциплина, изучающая в том числе поведение программируемых символьных систем.
Для теории NOO важен общий методологический вывод.
Интеллектуальная деятельность может исследоваться посредством построения технических систем, выполняющих определённые информационные функции.
Однако совпадение отдельных наблюдаемых результатов ещё не означает тождества всех внутренних механизмов.
Например, программа может успешно находить математическое доказательство, не воспроизводя человеческие психологические процессы мышления.
А интеллектуальная система может предлагать полезные технические решения, не обладая сознанием в человеческом смысле.
Следовательно, теория ноокомпьютеров должна первоначально строиться как функциональная теория.
Её предметом становятся наблюдаемые результаты, способы организации процессов и условия их воспроизводимости.
2.1.3. Понятие когнитивно-креативной деятельности
В настоящей книге предлагается следующее рабочее определение.
Когнитивно-креативная деятельность — это процесс формирования, преобразования, оценки и проверки содержательных представлений, направленный на получение новых знаний, объяснений, методов или решений, обладающих установленной познавательной либо практической ценностью.
В этом определении необходимо выделить несколько компонентов.
Первый — использование существующих знаний.
Второй — формирование новых представлений.
Третий — оценка их непротиворечивости и возможной полезности.
Четвёртый — проверка посредством доступных научных или технических методов.
Пятый — включение подтверждённых результатов в последующую деятельность.
Однако новизна и полезность не всегда могут быть установлены одновременно.
Научная гипотеза первоначально может иметь неопределённую практическую ценность.
Новое техническое решение может потребовать длительной экспериментальной проверки.
Поэтому когнитивно-креативная система должна сохранять различие между предполагаемым и подтверждённым результатом.
Это становится одним из фундаментальных требований теории NOO.
2.1.4. Три механизма вычислительного творчества
В научной литературе существуют различные подходы к анализу творчества.
Особое значение для искусственного интеллекта имеет классификация Маргарет Боден, представленная в работе 1998 года [2].
В рамках соответствующего подхода рассматриваются три основных способа формирования новых идей.
Первый связан с необычным комбинированием известных элементов.
Например, объединением двух ранее независимых технологических принципов.
Второй предполагает исследование пространства возможностей, задаваемого определёнными правилами.
Например, поиск новой архитектуры электронного устройства при известных физических ограничениях.
Третий связан с преобразованием самих правил или структуры пространства поиска.
Например, пересмотром предположения о том, что вычислительная операция обязательно должна выполняться посредством традиционного транзисторного переключения.
Эта классификация имеет прямое значение для ноомашиностроения.
Перспективная система должна не просто генерировать большое количество комбинаций.
Необходимо развивать методы исследования допустимых пространств решений и, в определённых условиях, пересмотра исходных ограничений.
Однако преобразование правил не означает права игнорировать фундаментальные законы природы.
Если интеллектуальная система предлагает альтернативный физический принцип, он должен быть согласован с известными экспериментальными данными либо сопровождаться проверяемой гипотезой, объясняющей предполагаемое отклонение.
2.1.5. Новизна как проверяемая характеристика
Понятие новизны имеет несколько различных значений.
Идея может быть новой для конкретного пользователя.
Может оказаться новой для разработчика вычислительной системы.
Может представлять ранее не рассматривавшуюся комбинацию известных методов.
И наконец, может обладать установленной научной новизной относительно доступного корпуса знаний.
Последняя характеристика особенно важна для NOO.
Но она требует специальной процедуры проверки.
Необходимо искать предшествующие публикации.
Анализировать патентную документацию.
Сопоставлять предлагаемый результат с известными экспериментами.
Выявлять концептуальные эквиваленты.
При этом отсутствие найденной публикации не доказывает абсолютную новизну.
Оно характеризует результат поиска в определённой информационной области.
Следовательно, ноокомпьютер должен фиксировать не только заключение о предполагаемой новизне, но и границы информационной проверки.
2.1.6. Достоверность и эпистемический статус результата
Для организации научной деятельности необходимо различать несколько состояний исследовательского результата.
Например:
исходное наблюдение;
предположение;
сформулированная гипотеза;
расчётный прогноз;
экспериментально проверенное положение;
результат, подтверждённый независимым воспроизведением;
результат, не выдержавший проверки.
Эти состояния нельзя объединять в одну категорию знаний.
Особенно опасна ситуация, когда интеллектуальная система формирует гипотезу и в следующем исследовательском цикле использует её как установленный факт.
Подобное накопление неподтверждённых положений способно создавать иллюзию научного прогресса.
Поэтому теория NOO должна предусматривать явное управление эпистемическим статусом.
Каждый существенный результат должен сопровождаться сведениями о происхождении, использованных методах, пределах достоверности и условиях проверки.
2.1.7. Когнитивная деятельность и научная проверка
История науки показывает, что формирование новых идей и проверка их истинности представляют различные, хотя и взаимосвязанные процессы.
Важнейшее методологическое значение имеет принцип проверяемости и опровержимости научных гипотез, исследованный Карлом Поппером [4].
Однако практическая наука не сводится к единственному логическому критерию.
Для оценки результатов используются статистический анализ, воспроизводимость, сопоставление конкурирующих моделей и независимые экспериментальные исследования.
Поэтому для NOO необходимо создать комплексную систему проверки.
Она должна различать логическую непротиворечивость и эмпирическую подтверждённость.
Математическая модель может быть внутренне корректной, но не соответствовать реальному физическому процессу.
Экспериментальное наблюдение может быть достоверным, но допускать несколько различных объяснений.
Таким образом, ноомашина должна не только формировать объяснения, но и исследовать условия, позволяющие различать альтернативные гипотезы.
2.1.8. Когнитивно-креативная деятельность как замкнутый исследовательский цикл
Для целей NOO предлагается рассматривать когнитивно-креативную деятельность как последовательность взаимосвязанных процессов.
Первоначально формулируется проблема.
Затем собирается и проверяется исходная информация.
После этого создаются альтернативные гипотезы.
Выполняется предварительный отбор.
Разрабатываются методы проверки.
Проводятся расчёты или эксперименты.
Полученные результаты сопоставляются с прогнозами.
Затем уточняются гипотезы и исследовательские методы.
Таким образом, возникает замкнутый цикл научного поиска.
Однако сам факт замкнутости ещё не означает высокой интеллектуальной результативности.
Система может бесконечно повторять неэффективные операции.
Поэтому необходимо оценивать качество каждого этапа и способность достигать содержательного результата.
Обзор Kramer и соавторов 2026 года показывает, что автоматизированное научное открытие развивается от поиска математических зависимостей до интегрированных исследовательских систем [8].
Но переход между этими уровнями требует решения самостоятельных методологических и инженерных задач.
2.1.9. Степени автономности интеллектуально-креативной деятельности
Для ноомашин необходимо разграничивать несколько режимов функционирования.
В первом система помогает человеку выполнять отдельные интеллектуальные операции.
Во втором она самостоятельно осуществляет определённые этапы при сохранении человеческого управления общей исследовательской программой.
В третьем интеллектуальная система способна организовывать последовательность исследовательских действий в ограниченной предметной области.
В четвёртом она может выполнять полный исследовательский цикл для заранее установленного класса задач, взаимодействуя с внешними инструментами и процедурами проверки.
Однако даже четвёртый уровень не означает универсальной автономности.
Возможности системы определяются предметной областью, доступными инструментами и допустимыми полномочиями.
Поэтому степень автономности должна указываться применительно к конкретной исследовательской функции.
2.1.10. Основной теоретический вывод
Когнитивно-креативная деятельность представляет собой не простое увеличение объёма информационной обработки.
Её специфика заключается в организованном получении новых содержательных результатов.
Следовательно, ноокомпьютер должен проектироваться не как универсальный генератор ответов, а как система управляемого исследовательского поиска.
При этом основным критерием становится не субъективное впечатление от интеллектуальности машины.
Главным критерием должна стать воспроизводимая способность получать новые результаты, выдерживающие независимую проверку.
2.2. Автоматизированное формирование научных гипотез
2.2.1. Гипотеза как центральный объект научного поиска
Научная гипотеза представляет собой предположение, направленное на объяснение определённого явления или установление закономерности.
Однако не каждое утверждение о возможном устройстве природы является полноценной научной гипотезой.
Необходимо определить её предмет.
Установить используемые понятия.
Описать предполагаемый физический или иной причинный механизм.
Вывести проверяемые следствия.
Определить условия, при которых гипотеза может быть признана несостоятельной либо потребует уточнения.
Для NOO гипотеза должна стать самостоятельным структурированным информационным объектом.
Это принципиально отличается от практики, при которой интеллектуальная модель просто формирует текст с предложением нового объяснения.
Если гипотеза не содержит проверяемых следствий, её научная ценность остаётся неопределённой.
2.2.2. Исторические предпосылки автоматизированного научного поиска
Автоматизация научных гипотез началась задолго до современных больших языковых моделей.
В 2004 году King и соавторы представили роботизированную систему, предназначенную для формирования и экспериментальной проверки гипотез в функциональной геномике [5].
В 2009 году развитие соответствующего направления было отражено в работе The Automation of Science [6].
Экспериментальная система Adam использовала методы искусственного интеллекта, лабораторной автоматизации и формального представления знаний.
Она была способна формировать гипотезы в ограниченной биологической предметной области и организовывать их экспериментальную проверку.
Этот результат имеет принципиальное значение для теории ноомашин.
Он показывает, что отдельные элементы замкнутого научного цикла могут быть технически реализованы.
Однако подобная система не обладала универсальной способностью проводить исследования во всех научных дисциплинах.
Её функциональность определялась специально подготовленной базой знаний и доступным экспериментальным оборудованием.
Следовательно, теоретическая модель NOO должна учитывать предметные ограничения каждого реализованного научного механизма.
2.2.3. Поиск закономерностей в экспериментальных данных
Одно из фундаментальных направлений автоматизированного научного поиска связано с обнаружением математических зависимостей.
В 2009 году Schmidt и Lipson представили систему, способную находить определённые аналитические закономерности непосредственно на основе экспериментальных данных [7].
Подобные методы получили развитие в области символьной регрессии и автоматизированного поиска математических моделей.
Их значение заключается в возможности переходить от множества численных наблюдений к компактному формальному описанию.
Однако обнаруженная математическая зависимость не обязательно представляет новый физический закон.
Она может быть случайной корреляцией.
Может отражать особенности ограниченного набора данных.
Может нарушаться при изменении экспериментальных условий.
Поэтому система автоматизированного научного поиска должна различать математическую аппроксимацию и физически обоснованное объяснение.
Последнее требует дополнительных исследований.
2.2.4. Информационная основа формирования гипотез
Перспективный ноокомпьютер должен использовать различные источники научных данных.
Научные публикации.
Экспериментальные отчёты.
Результаты измерений.
Технические стандарты.
Патентные документы.
Материалы научных баз данных.
Компьютерные модели.
Историю ранее выполненных исследований.
Однако расширение объёма информации само по себе не гарантирует повышения качества гипотез.
Система должна устанавливать происхождение данных.
Различать научные утверждения и рекламные заявления.
Учитывать дату публикации.
Выявлять противоречия между источниками.
Проверять статус исправлений и отзыва публикаций.
Особенно важно исключать превращение автоматически сгенерированной информации в фиктивный первоисточник.
Поэтому контур научно-информационного обеспечения должен включать проверку ссылок и структурированное хранение сведений о доказательной базе.
2.2.5. Основные способы генерации научных гипотез
Для NOO предлагается исследовать несколько различных механизмов формирования гипотез.
Первый — выявление противоречий между существующими теориями и экспериментальными результатами.
Второй — поиск закономерностей в больших массивах измерений.
Третий — перенос научных принципов между предметными областями.
Четвёртый — построение причинных объяснений обнаруженных зависимостей.
Пятый — систематическое исследование альтернативных моделей.
Шестой — изменение исходных предположений, ограничивающих пространство возможных решений.
Седьмой — использование компьютерного моделирования для выявления ранее неизвестных физических режимов.
Однако эффективность различных методов зависит от характера задачи.
Для поиска нового материала может быть полезна оптимизация химического состава.
Для фундаментальной физики — сопоставление альтернативных теоретических моделей.
Для инженерной задачи — исследование причин наблюдаемого ограничения.
Следовательно, перспективная ноомашина должна обладать не единственным универсальным генератором гипотез, а набором различных исследовательских методов.
2.2.6. Формирование проверяемой гипотезы
Каждая гипотеза, полученная ноомашиной, должна иметь структурированное описание.
Предлагается включать в него следующие компоненты.
Исследовательская проблема. Какой вопрос требуется разрешить.
Существующие знания. Какие положения уже подтверждены.
Новое предположение. В чём состоит предлагаемая гипотеза.
Механизм. Почему предполагаемый результат должен возникнуть.
Предсказания. Какие наблюдаемые следствия ожидаются.
Альтернативы. Какие другие объяснения возможны.
Проверка. Какой эксперимент или расчёт позволит различить варианты.
Ограничения. При каких условиях вывод может оказаться неверным.
Статус. Что уже проверено, а что остаётся предположением.
Таким образом, результат автоматизированного формирования гипотезы должен представлять собой не только текст, но и исследовательскую конструкцию, пригодную для последующей проверки.
2.2.7. Автоматизированный отбор перспективных гипотез
При генерации большого количества гипотез возникает проблема отбора.
Нельзя считать лучшей гипотезу только потому, что она сформулирована наиболее убедительно.
Необходимо учитывать её логическую непротиворечивость.
Соответствие известным экспериментальным данным.
Предполагаемую новизну.
Проверяемость.
Информативность возможного эксперимента.
Ожидаемые затраты.
Научную либо практическую значимость.
Но эти показатели могут вступать в противоречие.
Например, наиболее радикальная гипотеза может требовать чрезвычайно дорогого оборудования.
Другой вариант может быть менее оригинальным, но допускать быструю проверку.
Поэтому выбор должен осуществляться в зависимости от целей исследовательской программы.
Особенно важно сохранять возможность исследования гипотез, обладающих высокой неопределённостью, но потенциально значимой научной ценностью.
Иначе система может оказаться ориентированной исключительно на небольшие улучшения существующих решений.
2.2.8. Проектирование различающих экспериментов
Следующий этап заключается в выборе эксперимента.
Его цель не должна ограничиваться поиском подтверждения одной предпочтительной гипотезы.
Более содержательной задачей является определение условий, при которых конкурирующие объяснения дадут различные результаты.
Например, предполагается, что уменьшение контактного сопротивления определённой электронной структуры связано с изменением химического состава интерфейса.
Однако альтернативное объяснение может заключаться в изменении геометрии контакта.
В таком случае необходимо спроектировать эксперимент, позволяющий разделить влияние этих факторов.
Именно способность выбирать информативные исследования является одним из наиболее ценных функциональных направлений NOO.
Однако компьютерная модель может недооценивать реальные экспериментальные ограничения.
Поэтому проектирование должно осуществляться с учётом доступного оборудования, точности измерений и технологических рисков.
2.2.9. Научный цикл с обратной связью
После выполнения эксперимента возникает задача интерпретации.
Если результат совпал с прогнозом, это ещё не означает окончательного доказательства гипотезы.
Необходимо исключить альтернативные объяснения.
Если результат оказался отрицательным, он также представляет научную ценность.
Он может позволить отвергнуть гипотезу.
Уточнить её область применимости.
Выявить ошибку физической модели.
Или обнаружить неисправность экспериментального оборудования.
Поэтому исследовательская память ноомашины должна сохранять как положительные, так и отрицательные результаты.
Это позволяет уменьшать вероятность повторения бесперспективных экспериментов.
Но здесь возникает важное ограничение.
Система не должна использовать отрицательный результат для произвольного изменения гипотезы таким образом, чтобы любое наблюдение объявлялось её подтверждением.
Необходимы заранее установленные критерии проверки.
2.2.10. Развитие многоагентных систем научного поиска в 2026 году
Особое значение имеют экспериментальные результаты 2026 года.
В работе Gottweis и соавторов представлена система Co-Scientist, объединяющая несколько интеллектуальных агентов для формирования, критического анализа и совершенствования научных гипотез [10].
Исследование демонстрирует возможности специализированной организации процессов генерации и оценки идей.
Другое направление представлено системой Robin, описанной Ghareeb и соавторами [11].
Она объединяет поиск научной информации, формирование исследовательских гипотез и анализ экспериментальных данных.
Важным результатом стало участие системы в исследовательском цикле экспериментальной биологии.
Однако соответствующие разработки не следует рассматривать как доказательство существования полностью автономной универсальной научной машины.
В них сохраняется значение человеческих исследователей, экспериментального оборудования и предметной специализации.
В обзоре Hasib и соавторов, опубликованном в октябре 2026 года, подчёркивается, что одной из центральных проблем современной автоматизации научных исследований остаётся переход от формирования гипотез к их исполнимой проверке и последующему использованию экспериментальной обратной связи [12].
Для NOO эти результаты подтверждают перспективность направления, но одновременно показывают необходимость самостоятельной теории исследовательской воспроизводимости.
2.2.11. Автоматизированная гипотеза и научное открытие
Необходимо специально разграничивать формирование гипотезы и научное открытие.
Гипотеза представляет предполагаемое объяснение.
Научное открытие требует установления нового знания, прошедшего соответствующую проверку.
Причём характер проверки зависит от научной дисциплины.
В математике это может быть строгое доказательство.
В экспериментальной физике — воспроизводимое наблюдение.
В химии — подтверждение структуры и свойств вещества.
В инженерии — испытание функционального устройства.
Следовательно, количество автоматически сформированных гипотез не должно использоваться как главный показатель научной результативности ноомашины.
Гораздо важнее число содержательно новых результатов, выдержавших независимую проверку.
2.2.12. Основной вывод раздела
Автоматизированное формирование научных гипотез представляет одну из центральных функций будущей NOO.
Но само по себе оно не является достаточным основанием для признания системы ноомашиной.
Необходимо обеспечить переход от генерации предположений к их содержательной проверке.
Следовательно, теоретическая архитектура NOO должна объединять поиск информации, формирование гипотез, выбор экспериментов, анализ результатов и сохранение исследовательской памяти.
Именно эта целостность превращает отдельную интеллектуальную функцию в основу научно-технологической системы.
2.3. Изобретательские функции
2.3.1. Различие между научным открытием и изобретением
Научное открытие и техническое изобретение представляют взаимосвязанные, но не тождественные результаты интеллектуально-креативной деятельности.
Научное открытие связано с установлением нового знания о свойствах и закономерностях объективного мира.
Изобретение предполагает создание нового технического решения определённой проблемы.
Разумеется, новое изобретение может основываться на фундаментальном научном открытии.
А разработка нового технического устройства способна привести к обнаружению ранее неизвестных физических эффектов.
Однако критерии оценки различаются.
Научная гипотеза должна оцениваться по её объяснительной и предсказательной состоятельности.
Техническое решение — также по функциональности, осуществимости и полезности.
Для NOO это означает необходимость создания самостоятельного изобретательского контура.
Он должен не просто генерировать необычные идеи, но и разрабатывать технические конструкции, пригодные для проверки.
2.3.2. Техническая проблема как исходная точка изобретательства
Изобретательская деятельность начинается с определения проблемы.
Однако первоначальная формулировка нередко оказывается неполной.
Например, пользователь может поставить задачу уменьшить энергопотребление электронного устройства.
Но такая постановка не определяет, какая часть энергозатрат является основной.
Возможно, проблема связана с переключением функционального элемента.
Или с сопротивлением межсоединений.
Или с передачей данных.
Или с системой охлаждения.
Следовательно, первый этап изобретательской функции заключается в диагностике технической проблемы.
Необходимо определить объект.
Выявить ограничения.
Установить измеряемые характеристики.
Сформулировать критерии улучшения.
И только после этого переходить к поиску новых конструкций.
Без подобной процедуры интеллектуальная система может предлагать решения, не устраняющие основную причину проблемы.
2.3.3. Функциональная декомпозиция технической системы
Одним из основных методов инженерного проектирования является разложение сложной системы на функциональные компоненты.
Например, электронное устройство может включать функциональный элемент, систему управления, источники питания, соединения и измерительные интерфейсы.
Каждый компонент выполняет определённую роль.
Однако характеристики всей системы зависят от их взаимодействия.
Поэтому ноомашина должна уметь анализировать как отдельные элементы, так и системные зависимости.
Важное значение имеет выявление узкого места.
Возможно, увеличение производительности функционального элемента почти не повлияет на результат, поскольку основное ограничение связано с памятью.
Или улучшение материала не обеспечит преимущества из-за высокой стоимости изготовления.
Следовательно, изобретательская функция должна включать системную диагностику, а не только локальную оптимизацию.
2.3.4. Генерация альтернативных технических решений
После постановки задачи необходимо создать набор альтернатив.
Первая группа может включать улучшения существующей конструкции.
Вторая — использование других материалов.
Третья — изменение функциональной архитектуры.
Четвёртая — применение альтернативных физических принципов.
Пятая — изменение производственного процесса.
Шестая — перенос функций между различными подсистемами.
Здесь могут использоваться методы систематического конструирования, функционального анализа и творческой комбинаторики.
Исследования когнитивных механизмов творчества, представленные Finke, Ward и Smith [3], показывают значение комбинирования представлений, воображения и структурированного поиска новых решений.
Для ноомашины соответствующие подходы должны преобразовываться в алгоритмически реализуемые методы.
Однако разнообразие предложений само по себе не является показателем эффективности.
Необходимо устанавливать, обладают ли решения функциональным смыслом.
2.3.5. Автоматизированное проектирование новых алгоритмов
Особенно показательны достижения в области поиска вычислительных алгоритмов.
В 2022 году Fawzi и соавторы представили AlphaTensor — систему автоматизированного поиска алгоритмов умножения матриц [13].
В определённых задачах были найдены решения, превосходящие ранее известные по выбранным показателям.
В 2024 году Romera-Paredes и соавторы представили FunSearch [14].
Система объединяла большую языковую модель с процедурой программной проверки и поиска перспективных решений.
Её значение заключается в возможности соединить генерацию новых программных конструкций с объективной оценкой результата.
В 2025 году Novikov и соавторы представили AlphaEvolve — исследовательскую систему эволюционного поиска программных алгоритмов [15].
Соответствующие результаты были опубликованы в предварительной научной работе и сопровождались демонстрацией практических применений.
Но важно разграничивать экспериментально проверенные алгоритмические улучшения и универсальную изобретательскую способность.
Успешный поиск алгоритма в области с чётко определённой функцией оценки не означает, что система способна аналогичным образом создавать любые физические устройства.
В инженерии часто отсутствует дешёвый и универсальный механизм проверки кандидатов.
Именно поэтому изобретательская архитектура NOO должна учитывать специфику предметной области.
2.3.6. Ограничения компьютерного моделирования
Современные вычислительные методы позволяют исследовать огромное количество технических вариантов без непосредственного изготовления каждого из них.
Однако моделирование имеет собственные пределы.
Результат зависит от выбранной физической модели.
Точности исходных данных.
Граничных условий.
Численных методов.
Предположений о структуре материалов.
Например, расчёт может предсказывать высокую проводимость определённого атомарного соединения.
Но реальное устройство может демонстрировать значительно худшие характеристики вследствие дефектов или контактного сопротивления.
Следовательно, перспективный ноокомпьютер должен учитывать неопределённость моделирования.
Нельзя признавать техническое решение работоспособным только на основании положительного результата одной компьютерной программы.
Для сложных задач необходимо использовать независимые расчёты и физические испытания.
2.3.7. Проверка технической новизны
Особое значение приобретает исследование ранее известных технических решений.
Изобретательская функция должна включать поиск аналогов.
Анализ существующих патентов.
Выявление близких технических конструкций.
Сравнение функциональных признаков.
Определение предполагаемого отличительного результата.
Однако необходимо различать научно-техническую новизну и юридическую патентоспособность.
В международной патентной практике используются критерии новизны, изобретательского уровня и промышленной применимости.
Их содержание рассматривается, в частности, в руководствах ВОИС и Европейского патентного ведомства [16, 17].
При этом юридические правила различаются в зависимости от национальной и региональной системы.
Следовательно, ноокомпьютер может помогать в предварительном патентном анализе, но не должен объявлять юридическую патентоспособность окончательно установленной без соответствующей экспертизы.
2.3.8. От идеи к функциональному прототипу
Главный критерий инженерного творчества заключается в способности преобразовать идею в реализуемое решение.
Для этого необходима последовательность проектных операций.
Разработка технического описания.
Определение конструкции.
Выбор компонентов.
Создание расчётной модели.
Анализ возможных отказов.
Подготовка технологического маршрута.
Изготовление прототипа.
Проведение испытаний.
Уточнение конструкции.
При этом не всякая задача требует физического прототипа.
Для программного алгоритма проверка может осуществляться посредством формальных методов и исполнения тестов.
Но для физического устройства окончательные выводы должны учитывать реальные свойства материалов и процессов.
Поэтому изобретательский контур NOO должен поддерживать различные процедуры подтверждения.
2.3.9. Изобретательские функции и интеллектуальная собственность
Использование искусственного интеллекта в изобретательской деятельности создаёт новые правовые и организационные вопросы.
Необходимо устанавливать происхождение исходных данных.
Фиксировать вклад участников исследования.
Сохранять историю формирования технического решения.
Определять права на использованные материалы.
Проверять соблюдение условий лицензирования.
При этом следует специально подчеркнуть, что создание технического предложения интеллектуальной системой не означает автоматического признания такой системы изобретателем в юридическом смысле.
Соответствующие правила определяются действующим законодательством.
Для INM важнейшее значение приобретает документирование исследовательского процесса.
Оно позволяет установить, какие решения предлагались, кем и при каких условиях проверялись, а также какие результаты были получены.
2.3.10. Поиск технологических скачков
Особый интерес для Метаразвития представляет автоматизированный поиск решений, способных обеспечить не постепенное, а качественное изменение технологических возможностей.
Однако понятие технологического скачка требует строгого определения.
Новая конструкция может обеспечивать многократное улучшение определённой характеристики.
Но одновременно увеличивать стоимость или снижать надёжность.
Поэтому необходимо исследовать совокупность технических и экономических последствий.
Для NOO задача заключается в поиске новых принципов, способных преодолеть существующие ограничения.
Однако подобные решения должны оцениваться в сравнении с реально доступными альтернативами.
Следовательно, изобретательская функция должна быть связана с технико-экономическим анализом.
2.3.11. Критерий успешной изобретательской деятельности ноомашины
Изобретательская функция может считаться подтверждённой, если система воспроизводимо создаёт технические решения, которые:
Отвечают определённой технической проблеме.
Обладают установленными отличиями от рассмотренных аналогов.
Не противоречат известным физическим и инженерным ограничениям.
Допускают практическую проверку.
Демонстрируют измеримое преимущество хотя бы по одному значимому критерию.
Не имеют неприемлемых недостатков по обязательным ограничениям.
Подтверждаются независимыми испытаниями.
При этом каждый из пунктов требует конкретизации применительно к определённой предметной области.
Следовательно, полноценная изобретательская ноофункциональность не может оцениваться по числу автоматически созданных патентных описаний.
Её основным результатом становятся проверенные технические решения.
2.4. Самосовершенствование методов решения задач
2.4.1. Самосовершенствование как центральная проблема NOO
В концепции Метаразвития особое значение приобретает способность совершенствовать не только отдельные технические результаты, но и сами способы их получения.
Для теории ноомашин это становится одним из центральных вопросов.
Однако термин «самосовершенствование» требует точного определения.
Нельзя считать самосовершенствованием любое изменение программного обеспечения.
Не всякое обучение модели означает улучшение её функциональности.
Не всякое увеличение вычислительных ресурсов приводит к повышению интеллектуальной эффективности.
Поэтому предлагается следующее определение.
Самосовершенствование ноомашины — это контролируемый процесс изменения её методов решения задач, при котором полученное изменение обеспечивает независимо подтверждённое улучшение определённых функциональных показателей на сопоставимых и ранее не использованных для настройки задачах.
Важнейшими компонентами этого определения являются измеримость, независимая проверка и воспроизводимость.
2.4.2. Обучение и самосовершенствование
Современные системы машинного обучения способны изменять параметры на основании данных.
Однако необходимо различать несколько процессов.
Первый — обычное обучение модели.
Второй — адаптация к новой задаче.
Третий — изменение алгоритма поиска решения.
Четвёртый — совершенствование организации полного исследовательского процесса.
Для NOO особенно важны третий и четвёртый уровни.
Например, система может обнаружить, что её прежний способ отбора научных публикаций недостаточно эффективен.
Затем предложить новую стратегию информационного поиска.
Но для признания соответствующего изменения улучшением необходимо провести сравнительное исследование.
Возможно, новый метод обнаруживает больше документов, но значительно увеличивает количество нерелевантной информации.
Или сокращает время анализа ценой пропуска важных публикаций.
Следовательно, совершенствование должно оцениваться по совокупности функциональных характеристик.
2.4.3. Метаобучение как научная предпосылка
В машинном обучении существует направление, связанное с совершенствованием способности моделей адаптироваться к новым задачам.
Оно получило название метаобучения.
Одним из значимых исследований является работа Finn, Abbeel и Levine 2017 года, посвящённая Model-Agnostic Meta-Learning [19].
Её цель заключалась в разработке механизма, позволяющего модели быстрее адаптироваться на основе ограниченного количества новых данных.
Другой важный результат связан с системой AutoML-Zero, представленной Real и соавторами в 2020 году [18].
В этой работе исследовался эволюционный поиск алгоритмов машинного обучения на основе относительно простых математических операций.
Подобные исследования подтверждают возможность автоматизировать отдельные аспекты поиска и совершенствования вычислительных методов.
Однако следует разграничивать метаобучение и Метаразвитие.
Метаобучение представляет конкретное научное направление машинного обучения.
Метаразвитие в концепции настоящей книги охватывает значительно более широкую задачу совершенствования способов создания знаний и технологий.
Следовательно, метаобучение может стать одним из инструментов NOO, но не исчерпывает её содержание.
2.4.4. Совершенствование исследовательского алгоритма
Для проектирования ноомашины необходимо выделить конкретные методы, которые могут изменяться.
Например:
стратегия поиска научной информации;
процедура формирования гипотез;
механизм отбора перспективных вариантов;
способ выбора экспериментов;
алгоритм анализа данных;
процедура выявления ошибок;
метод распределения вычислительных ресурсов;
структура исследовательской памяти.
Каждый из этих компонентов может иметь несколько альтернативных реализаций.
Но повышение эффективности отдельной подсистемы не гарантирует улучшения всей системы.
Например, более сложный генератор гипотез может создавать больше перспективных идей, но значительно увеличивать затраты на их проверку.
Поэтому необходимо оценивать результат законченного исследовательского цикла.
2.4.5. Контролируемое изменение архитектуры
Более сложной задачей становится автоматизированное предложение изменений собственной архитектуры.
Например, система может предложить новую организацию взаимодействия агентов.
Или дополнительный этап независимой проверки.
Или другой способ использования исследовательской памяти.
Однако подобные изменения необходимо проводить в контролируемом режиме.
Первоначально формируется предложение.
Затем создаётся экспериментальная версия.
После этого выполняются независимые испытания.
Сравниваются показатели.
Проводится анализ возможных рисков.
И только при положительном результате изменение допускается к внедрению.
При этом необходимо сохранять возможность возврата к предыдущей работоспособной версии.
Таким образом, самосовершенствование не должно означать бесконтрольного переписывания системой собственного программного обеспечения.
2.4.6. Разделение генерации и оценки изменений
Одной из наиболее серьёзных проблем является возможность ошибочной самооценки.
Если система самостоятельно предлагает изменение, выбирает тестовые задачи и формирует итоговый вывод, возникает риск завышения результата.
Например, новая версия может демонстрировать высокую эффективность на задачах, специально подобранных под её особенности.
Но оказаться менее результативной в реальных условиях.
Поэтому архитектура NOO должна предусматривать функциональное разделение.
Один контур предлагает изменения.
Другой проводит независимую проверку.
Третий анализирует статистическую значимость и устойчивость результатов.
Четвёртый принимает решение о внедрении в пределах установленных полномочий.
Следовательно, способность ноомашины совершенствовать методы зависит не только от генерации альтернатив, но и от качества механизма их отбора.
2.4.7. Проблема переобучения и утечки тестовых данных
Особенно важным ограничением является переобучение на контрольных задачах.
Если система многократно оптимизируется на одном и том же тестовом наборе, её показатели могут улучшаться без соответствующего увеличения реальной эффективности.
Аналогичная проблема возникает при попадании контрольных задач в обучающие данные.
В 2023 году Kapoor и Narayanan систематизировали проблему утечки данных в научных исследованиях с применением машинного обучения [23].
Их работа показывает, что ошибки организации проверки способны создавать чрезмерно оптимистичные оценки результативности.
Для NOO соответствующее ограничение имеет фундаментальное значение.
Поскольку система предназначена для совершенствования собственных методов, она неизбежно может адаптироваться к процедурам оценки.
Поэтому необходимо использовать новые независимые задачи.
Разделять обучающие и контрольные данные.
Ограничивать доступ системы к скрытым критериям испытаний.
Проверять сохранение результатов после изменения условий.
2.4.8. Совершенствование и экономическая эффективность
Улучшение метода нельзя оценивать исключительно по качеству результата.
Необходимо учитывать затраты.
Например, интеллектуальная система может повысить вероятность успешного решения исследовательской задачи посредством многократного увеличения количества вычислений.
Такой результат может быть полезен.
Но он не обязательно означает повышение экономической эффективности.
Для Метаразвития особенно важно определять полную стоимость получения подтверждённого результата.
Если новый метод сокращает число необходимых экспериментов, это может представлять существенное преимущество.
Если повышает качество решения при сопоставимых ресурсах — также.
Если уменьшает время научного поиска без снижения надёжности, соответствующее улучшение может иметь стратегическое значение.
Но каждое преимущество должно быть измерено.
2.4.9. Последовательное совершенствование методов
Для программы NOO предлагается использовать циклическую модель.
На первом этапе фиксируется исходная исследовательская методика.
На втором выполняется серия задач.
На третьем анализируются ошибки, затраты и результаты.
На четвёртом формируются предложения по изменению методов.
На пятом проводится испытание новых вариантов.
На шестом принимаются или отклоняются изменения.
На седьмом выполняется повторная оценка на новых задачах.
При этом важно учитывать возможное снижение отдачи от последующих улучшений.
Нельзя предполагать, что любое удачное изменение автоматически создаст условия для бесконечного ускорения.
По мере совершенствования метода могут возникать новые ограничения.
Например, недостаточность экспериментального оборудования.
Ограниченность исходных данных.
Рост стоимости вычислений.
Или необходимость участия высококвалифицированных специалистов.
Поэтому самосовершенствование должно рассматриваться как измеряемый процесс с физическими, информационными и экономическими пределами.
2.4.10. Самосовершенствование ноомашины и Метаразвитие
Необходимо различать два уровня.
Первый — совершенствование методов работы отдельной ноомашины.
Второй — совершенствование генеральной системы создания новых технологий.
Первый уровень относится непосредственно к NOO.
Второй соответствует задачам META.
Например, ноокомпьютер может предложить более эффективную методику моделирования электронных устройств.
Но генеральная программа Метаразвития должна оценить, как соответствующая методика влияет на общую скорость и стоимость технологического развития.
Следовательно, совершенствование отдельной интеллектуальной подсистемы ещё не означает достижения Метаразвития.
Для этого необходимо доказать устойчивое улучшение более широкого научно-технологического процесса.
2.4.11. Главный вывод раздела
Самосовершенствование представляет необходимую, но особенно сложную функцию перспективной ноомашины.
Его научная состоятельность должна подтверждаться сравнительными исследованиями.
Главным доказательством является не способность изменять программный код, а воспроизводимое повышение эффективности решения новых задач.
Именно поэтому теория NOO должна включать независимую оценку, управление версиями, контроль экспериментов и сохранение истории изменений.
2.5. Архитектуры перспективных ноомашин
2.5.1. Почему необходима специальная архитектура
Современные системы искусственного интеллекта могут обладать значительными интеллектуальными возможностями.
Однако полноценный исследовательский процесс требует взаимодействия нескольких различных функций.
Необходимо получать информацию.
Формировать гипотезы.
Проверять их.
Проводить вычисления.
Управлять экспериментами.
Сохранять результаты.
Оценивать эффективность методов.
Поэтому перспективная ноомашина должна представлять собой специально организованную функциональную систему.
При этом не следует заранее считать единственно возможной какую-либо конкретную программную архитектуру.
Потенциально соответствующие функции могут выполняться одной универсальной моделью с инструментами.
Или несколькими специализированными моделями.
Или гибридной системой, объединяющей искусственный интеллект с формальными алгоритмами и исследовательским оборудованием.
Выбор должен определяться экспериментальной результативностью.
2.5.2. Ноокомпьютер и ноомашина
Для дальнейшего проектирования предлагается следующее разграничение.
Ноокомпьютер представляет вычислительную систему, в которой основные интеллектуально-креативные функции реализуются посредством программного обеспечения и доступных вычислительных ресурсов.
Ноомашина представляет более широкую функциональную систему, способную объединять вычислительную инфраструктуру, исследовательские инструменты и средства взаимодействия с внешней средой.
Таким образом, ноокомпьютер может выполнять полный цикл решения математической или алгоритмической задачи без физической лаборатории.
Но для экспериментального исследования нового материала потребуется взаимодействие с измерительным и технологическим оборудованием.
В этом случае соответствующая ноомашина может иметь распределённую структуру.
При этом граница между ноокомпьютером и ноомашиной является авторской проектной классификацией.
Она не представляет международно стандартизированного разграничения.
2.5.3. Исходная функциональная архитектура
Для первого исследовательского проекта INM предлагается использовать модульную архитектуру.
Её основными элементами являются:
Подсистема постановки задач.
Научно-информационная подсистема.
Генератор гипотез и технических решений.
Подсистема моделирования и расчётов.
Контур независимой проверки.
Подсистема планирования экспериментов.
Интерфейс взаимодействия с инструментами.
Исследовательская память.
Контур совершенствования методов.
Система управления, безопасности и аудита.
Данное разделение является логическим.
Оно не означает необходимости создавать десять отдельных процессоров или десять независимых нейросетевых моделей.
Различные подсистемы могут использовать общие программные компоненты.
Однако их функции и ответственность должны быть определены отдельно.
2.5.4. Подсистема постановки задач
Первый функциональный компонент предназначен для преобразования исходного запроса в исследовательскую программу.
Например, пользователь предлагает разработать более эффективную архитектуру определённого вычислительного элемента.
Но подобная постановка может иметь несколько смыслов.
Необходимо уточнить, требуется ли уменьшить энергопотребление.
Повысить скорость.
Снизить стоимость производства.
Улучшить надёжность.
Или получить новую физическую функцию.
Поэтому подсистема должна анализировать цели и ограничения.
Формировать критерии результата.
Определять допустимые ресурсы.
Выявлять неопределённости.
При необходимости запрашивать у человека существенные дополнительные сведения.
Именно правильная постановка проблемы во многих случаях определяет эффективность всего последующего исследования.
2.5.5. Научно-информационная подсистема
Второй компонент обеспечивает доступ к научным знаниям и экспериментальным данным.
Он должен поддерживать поиск публикаций.
Обработку технических документов.
Извлечение численных данных.
Проверку библиографических сведений.
Выявление противоречий.
Сопоставление различных источников.
Особое значение имеют методы генерации с привлечением внешних информационных ресурсов, включая Retrieval-Augmented Generation [9].
Однако информационный контур не должен просто передавать найденные фрагменты генеративной модели.
Необходимо сохранять происхождение утверждений.
Фиксировать ограничения доступа.
Учитывать качество источников.
Разграничивать первичные экспериментальные результаты и вторичные обзоры.
Для научных задач подобная организация является необходимым условием достоверности.
2.5.6. Генератор гипотез и решений
Третий компонент предназначен для формирования новых содержательных конструкций.
Он может использовать несколько методов.
Генеративные модели.
Алгоритмический поиск.
Символьное моделирование.
Оптимизацию.
Аналогии между предметными областями.
Комбинирование технических решений.
Исследование альтернативных физических моделей.
Однако генератор не должен обладать полномочиями самостоятельно признавать свои результаты подтверждёнными.
Он формирует кандидатов.
Их статус должен определяться отдельными процедурами проверки.
2.5.7. Подсистема моделирования
Следующий компонент обеспечивает использование специализированных вычислительных методов.
В зависимости от задачи могут применяться математические пакеты.
Симуляторы физических процессов.
Средства анализа данных.
Программные компиляторы и интерпретаторы.
Системы автоматизированного проектирования.
Формальные средства проверки.
Однако запуск программы не означает автоматической правильности её результата.
Необходимо фиксировать версии вычислительных инструментов.
Исходные параметры.
Численные ограничения.
Использованные модели.
И результаты контрольных проверок.
Особенно важно сохранять возможность воспроизвести выполненный расчёт.
2.5.8. Контур независимой проверки
Пятый компонент имеет исключительное значение.
Он предназначен для установления состоятельности полученных результатов.
Для математических задач могут использоваться формальные доказательства.
Для программных — независимые тесты.
Для физических моделей — сопоставление с экспериментальными данными.
Для технических решений — испытания функциональных прототипов.
Важнейшее требование заключается в независимости проверочной процедуры.
Если одна и та же модель формирует решение и затем просто повторяет уверенность в его правильности, полноценная проверка отсутствует.
Поэтому в архитектуре могут использоваться отдельные модели, независимые расчётные методы и внешние источники данных.
Но даже совпадение заключений нескольких моделей не заменяет физического эксперимента там, где он необходим.
2.5.9. Подсистема планирования экспериментов
Следующая подсистема предназначена для выбора исследовательских действий.
Необходимо определить, какие эксперименты способны наиболее эффективно уменьшить неопределённость.
Какие параметры следует измерить.
Какие контрольные образцы необходимы.
Каковы возможные источники ошибок.
Какие ресурсы потребуются.
При этом исследовательский план должен учитывать ограничения реальной лаборатории.
Возможность экспериментальной проверки.
Доступность материалов.
Продолжительность процедур.
Безопасность.
И стоимость.
Таким образом, система должна соединять интеллектуальное планирование с реальными условиями исследования.
2.5.10. Инструментальная и агентная архитектура
Современные интеллектуальные системы могут взаимодействовать с программными инструментами посредством специализированных интерфейсов.
Одним из известных подходов является ReAct, объединяющий рассуждение с выполнением действий и получением обратной связи [30].
На этой основе возможно создание многоагентных исследовательских архитектур.
Например, один агент осуществляет информационный поиск.
Другой формирует гипотезы.
Третий выполняет расчёты.
Четвёртый проверяет результаты.
Пятый организует последовательность операций.
Однако количество агентов не является самостоятельным показателем интеллектуальной мощности.
Многоагентная система может оказаться менее эффективной, чем одна хорошо организованная модель с подходящими инструментами.
Поэтому архитектура должна выбираться по результатам сравнительных испытаний.
2.5.11. Исследовательская память
Особое место занимает долговременная исследовательская память.
Её функция значительно шире обычного хранения истории диалога.
Необходимо сохранять:
постановки задач;
исходные данные;
используемые источники;
версии гипотез;
результаты расчётов;
протоколы экспериментов;
отрицательные результаты;
принятые и отклонённые решения;
историю совершенствования методов.
При этом каждое существенное утверждение должно сопровождаться указанием его происхождения.
Методологическими ориентирами могут служить подходы документирования моделей и наборов данных, представленные Mitchell и соавторами, а также Gebru и соавторами [24, 25].
Однако для NOO потребуется более широкая структура.
Она должна документировать не только отдельную модель или набор данных, но и весь исследовательский процесс.
2.5.12. Контур совершенствования методов
Следующий компонент предназначен для анализа эффективности самой ноомашины.
Он сопоставляет результаты различных исследовательских циклов.
Выявляет повторяющиеся ошибки.
Определяет чрезмерно затратные процедуры.
Предлагает изменения.
Организует их проверку.
Однако данная подсистема не должна самостоятельно обходить ограничения безопасности.
Новая версия метода может внедряться только после успешной проверки и соответствующего разрешения.
Именно этот компонент создаёт непосредственную функциональную связь между NOO и генеральной задачей Метаразвития.
2.5.13. Система управления и безопасности
Перспективная ноомашина должна обладать явной системой полномочий.
Необходимо различать доступ к чтению информации, запуск вычислений, изменение файлов, взаимодействие с внешними сервисами и управление физическим оборудованием.
В зависимости от риска могут использоваться различные механизмы подтверждения действий.
Особое значение имеет журналирование.
Каждая существенная операция должна быть связана с конкретной исследовательской задачей.
Для организации соответствующей системы могут использоваться принципы NIST AI Risk Management Framework и международного стандарта ISO/IEC 42001 [26–28].
Однако эти документы не определяют ноомашину как отдельный технический класс.
Они могут служить методологическими источниками для проектирования надёжной системы управления.
2.5.14. Распределённая архитектура ноомашины
Необходимо учитывать возможность разделения функциональных компонентов между несколькими вычислительными устройствами.
Например, локальный компьютер исследователя может обеспечивать пользовательский интерфейс и управление проектом.
Удалённый вычислительный комплекс — выполнять ресурсоёмкие модели.
Специализированная лаборатория — осуществлять физические эксперименты.
Внешняя база данных — предоставлять научные сведения.
При этом единая исследовательская система должна обеспечивать согласованность результатов.
Но распределённая архитектура создаёт дополнительные риски.
Возможны нарушения связи.
Несогласованность версий данных.
Несанкционированный доступ.
Ошибки обмена информацией.
Поэтому необходимо разрабатывать механизмы синхронизации и восстановления состояния исследования.
2.5.15. Ноомашина как конечный автомат исследовательских состояний
Для повышения управляемости целесообразно формализовать основные состояния исследовательского процесса.
Например:
«Задача зарегистрирована».
«Исходные данные проверены».
«Гипотезы сформированы».
«Гипотезы проходят предварительную оценку».
«Эксперимент запланирован».
«Эксперимент разрешён».
«Эксперимент выполнен».
«Результат анализируется».
«Вывод подтверждён».
«Требуется дополнительная проверка».
«Гипотеза отклонена».
При таком подходе переход между состояниями осуществляется на основании определённых условий.
Особенно важно, чтобы система не могла автоматически присвоить результату статус подтверждённого без выполнения необходимой процедуры.
Таким образом, управление исследовательскими состояниями становится частью функциональной архитектуры.
2.5.16. Основные архитектурные классы перспективных ноомашин
Для дальнейшей разработки можно выделить несколько основных классов.
Персональный ноокомпьютер.
Предназначен для поддержки интеллектуально-креативной деятельности отдельного пользователя.
Профессиональный исследовательский ноокомпьютер.
Ориентирован на определённую предметную область и использует специализированные инструменты.
Лабораторная ноомашина.
Объединяет интеллектуальные вычисления с экспериментальным оборудованием.
Распределённая научная ноосистема.
Использует несколько вычислительных и экспериментальных центров.
Перспективная универсализируемая ноомашина.
Предполагает возможность переноса исследовательских методов между различными научными и техническими областями.
Однако последний класс представляет долгосрочную исследовательскую цель.
Его существование нельзя считать подтверждённым только на основании успехов современных агентных систем.
2.5.17. Архитектурный вывод
Перспективная ноомашина должна рассматриваться как функционально организованная исследовательская система.
Её основное отличие заключается не в количестве интеллектуальных моделей.
Не в объёме памяти.
И не в максимальной автономности.
Определяющее значение имеет способность объединять генерацию новых решений с их независимой проверкой и контролируемым совершенствованием исследовательских методов.
Следовательно, архитектура ноомашины должна проектироваться одновременно с системой оценки её научной результативности.
2.6. Проверяемые критерии ноофункциональности
2.6.1. Ноофункциональность как научно-техническое понятие
Для создания нового класса вычислительных систем необходимо определить условия, при которых его существование может считаться экспериментально подтверждённым.
В настоящей книге предлагается использовать понятие ноофункциональности.
Ноофункциональность — это экспериментально установленная способность технической системы воспроизводимо выполнять определённые когнитивно-креативные функции, включая формирование новых гипотез или решений, их содержательную проверку и, на более высоких уровнях, совершенствование методов последующего решения задач.
Данное определение представляет авторскую проектную концепцию.
Оно не является общепринятым международным научным стандартом.
Поэтому его практическая ценность зависит от возможности создать проверяемые критерии.
Если соответствующие критерии отсутствуют, понятие ноофункциональности останется терминологической гипотезой.
2.6.2. Почему традиционные тесты искусственного интеллекта недостаточны
Современные интеллектуальные системы оцениваются посредством многочисленных тестовых наборов.
Например, проверяются математические способности.
Программирование.
Обработка текстов.
Распознавание изображений.
Выполнение сложных инструкций.
Однако высокая результативность на стандартных тестах ещё не означает способности выполнять полноценный научный процесс.
В 2024 году Jimenez и соавторы представили SWE-bench — методику оценки способности интеллектуальных систем решать реальные задачи программной инженерии [29].
Подобные тесты позволяют измерять важные функциональные характеристики.
Но они ограничены содержанием выбранных задач.
Кроме того, существует проблема попадания тестовой информации в обучающие данные.
Поэтому для NOO необходимо разработать специальные испытания, ориентированные на получение новых проверяемых результатов.
2.6.3. Первый критерий: содержательная новизна
Система должна демонстрировать способность создавать решения, не сводящиеся к простому воспроизведению известных ответов.
Однако абсолютную новизну установить чрезвычайно сложно.
Поэтому необходимо использовать ограниченное, но проверяемое определение.
Например, научная новизна может оцениваться относительно определённого корпуса публикаций и независимого экспертного поиска.
Для алгоритмических задач можно выбирать новые постановки, специально сформированные после завершения подготовки системы.
Для физических задач — исследовать ранее не проверенные комбинации параметров.
При этом все ограничения проверки новизны должны фиксироваться.
Следовательно, результат следует признавать новым в установленном исследовательском смысле, а не объявлять безусловно первым в мировой истории.
2.6.4. Второй критерий: проверяемость результата
Предложенное решение должно допускать независимую проверку.
Например, алгоритм — посредством исполнения и формального анализа.
Математическое утверждение — посредством доказательства.
Физическая гипотеза — посредством воспроизводимого эксперимента.
Техническое устройство — посредством испытания.
Если интеллектуальная система не способна предложить способ проверки, соответствующий результат может сохранять статус исследовательского предположения.
Но он не должен учитываться как подтверждённое научное достижение.
Следовательно, проверяемость представляет обязательное условие признания результата.
2.6.5. Третий критерий: достоверность
Следующее требование связано с качеством утверждений.
Необходимо оценивать частоту фактических ошибок.
Наличие ложных ссылок.
Корректность расчётов.
Согласованность выводов с исходными данными.
Степень обоснованности уверенности системы.
Однако нельзя сводить оценку достоверности к единственному показателю точности ответов.
Для научной деятельности особенно важна способность различать известные факты и неопределённые гипотезы.
Поэтому успешная ноомашина должна не только давать правильные ответы, но и корректно обозначать границы доступного знания.
2.6.6. Четвёртый критерий: воспроизводимость
Единичный успешный результат недостаточен для подтверждения ноофункциональности.
Необходимо проводить серию независимых испытаний.
При этом следует учитывать сложность задач.
Вариативность исходных данных.
Различия экспериментальных условий.
Возможность случайного успеха.
Для определённых типов задач необходимо использовать повторные исследования.
В других случаях — сопоставимые новые задачи из той же предметной области.
Следовательно, воспроизводимость должна оцениваться статистически и содержательно.
При этом отсутствие полного совпадения результатов не обязательно означает неудачу.
В творческих задачах различные решения могут быть одинаково допустимыми.
Поэтому требуется проверять не идентичность каждого предложения, а воспроизводимость способности достигать установленного функционального результата.
2.6.7. Пятый критерий: полезность
Новая научная гипотеза может иметь высокую познавательную ценность даже без немедленного практического применения.
Техническое решение, напротив, обычно должно оцениваться по его функциональным характеристикам.
Поэтому понятие полезности необходимо конкретизировать.
Для фундаментальной науки это может быть увеличение объяснительной или предсказательной способности модели.
Для инженерии — улучшение технического параметра.
Для программирования — повышение эффективности алгоритма.
Для технологического производства — увеличение выхода годных либо снижение затрат.
Следовательно, критерий полезности должен соответствовать характеру исследовательской задачи.
2.6.8. Шестой критерий: степень автономности
Необходимо фиксировать, какую часть исследовательской работы система выполнила самостоятельно.
Но данный показатель нельзя рассматривать изолированно.
Высокая автономность может сопровождаться низкой результативностью.
А система, эффективно взаимодействующая с исследователем, может обеспечивать значительно лучший научный результат.
Поэтому необходимо учитывать долю человеческого участия и характер выполняемых человеком функций.
Например, постановку задачи.
Выбор гипотез.
Проверку расчётов.
Экспериментальные действия.
Интерпретацию результатов.
Особенно важно разграничивать участие человека в общей исследовательской программе и непосредственное исправление ошибок, допущенных системой.
2.6.9. Седьмой критерий: совершенствование методов
Данный критерий имеет особое значение для NOO.
Система должна демонстрировать возможность изменения исследовательской методики с подтверждённым положительным эффектом.
Например, снижение количества необходимых экспериментов.
Улучшение качества отбора гипотез.
Сокращение времени анализа данных.
Уменьшение числа ошибок.
Однако необходимо доказать, что улучшение связано именно с изменением метода.
Для этого требуется сравнение при сопоставимых ресурсах.
Следовательно, увеличение вычислительной мощности само по себе не должно засчитываться как доказательство самосовершенствования.
2.6.10. Восьмой критерий: переносимость
Перспективная ноомашина должна обладать возможностью использовать определённые исследовательские методы за пределами первоначального набора задач.
Однако переносимость может иметь различные уровни.
Метод может переноситься между задачами одного класса.
Между смежными предметными областями.
Или между существенно различающимися научными дисциплинами.
Последний случай представляет особенно сложную задачу.
Поэтому не следует требовать универсальной переносимости от первого специализированного ноокомпьютера.
Необходимо оценивать её постепенно.
2.6.11. Девятый критерий: безопасность и управляемость
Ноомашина должна сохранять управляемость в пределах разрешённых действий.
Особенно важно обеспечить возможность остановки.
Ограничение доступа к оборудованию.
Защиту данных.
Контроль финансовых затрат.
Проверку значимых внешних операций.
Сохранение журналов исследования.
При этом критерии безопасности должны определяться рисками конкретной предметной области.
Например, требования к системе математического поиска отличаются от требований к лабораторной установке, управляющей физическим оборудованием.
Следовательно, безопасность является обязательным условием практической ноофункциональности, но не заменяет проверки научной результативности.
2.6.12. Десятый критерий: полная стоимость подтверждённого результата
Для генеральной технологии Метаразвития особое значение имеет экономическая эффективность.
Но необходимо правильно определить объект сравнения.
Стоимость одного интеллектуального запроса не является универсальной характеристикой исследовательской результативности.
Дешёвый запрос может сформировать ошибочную гипотезу, проверка которой потребует значительных затрат.
Более дорогая вычислительная процедура может позволить избежать нескольких бесперспективных экспериментов.
Поэтому основным экономическим показателем должна стать полная стоимость получения подтверждённого полезного результата.
Она должна включать вычислительные, информационные, экспериментальные и человеческие ресурсы.
2.6.13. Экспериментальная матрица ноофункциональности
Для практической оценки предлагается использовать следующую систему.
Критерий Что проверяется Основной способ
Новизна Отличие от известных решений Экспертный и документальный поиск
Проверяемость Возможность подтверждения Расчёт, доказательство, эксперимент
Достоверность Корректность выводов Независимая проверка
Воспроизводимость Устойчивость успеха Повторные испытания
Полезность Ценность результата Предметные показатели
Автономность Вклад системы Журнал действий
Самосовершенствование Улучшение методов Сравнительный эксперимент
Переносимость Работа на новых задачах Независимые наборы
Безопасность Контроль рисков Специальные испытания
Экономичность Стоимость результата Полный учёт затрат
Данная таблица представляет авторскую методологическую схему.
Она не является международным стандартом.
Её практическое применение требует разработки конкретных измерительных процедур для различных классов исследовательских задач.
2.6.14. Контрольный эксперимент для первого ноокомпьютера INM
Для первоначальной проверки предлагается использовать три исследовательские группы.
Первая группа выполняет задачи традиционными методами.
Вторая использует современные инструменты искусственного интеллекта.
Третья применяет экспериментальную архитектуру ноокомпьютера INM.
При этом необходимо обеспечить сопоставимость условий.
Например, ограничить общий бюджет.
Установить одинаковые требования к результату.
Использовать задачи сопоставимой сложности.
Фиксировать затраченное время.
Учитывать человеческое участие.
Организовать независимую проверку итоговых решений.
Особенно важно применять задачи, не использованные при разработке и настройке сравниваемых систем.
Если экспериментальный ноокомпьютер демонстрирует преимущество только над человеком без ИИ, но не превосходит обычную агентную систему, это не доказывает дополнительную эффективность специальной архитектуры NOO.
Следовательно, необходимо сравнивать её именно с актуальными интеллектуальными альтернативами.
2.6.15. Проверка функционального преимущества
Преимущество ноокомпьютера должно оцениваться не по одному случайному эксперименту.
Необходимо проводить серию исследований.
Для каждого сравниваемого метода фиксируются полученные результаты.
Затем анализируются различия.
При этом следует учитывать статистическую неопределённость.
Если преимущество наблюдается только на небольшой группе специально выбранных задач, необходимо дополнительное исследование.
Особенно важно устанавливать причины улучшения.
Возможно, оно связано с использованием более качественной информационной базы.
Или более совершенного инструмента моделирования.
Или эффективной организацией проверки гипотез.
Для теории NOO важно выявить именно воспроизводимый функциональный механизм преимущества.
2.6.16. Авторская шкала зрелости ноомашин N0–N5
Для систематизации результатов предлагается использовать дополнительную исследовательскую шкалу N0–N5.
Она предназначена для оценки зрелости ноофункциональности.
N0 — концептуальный уровень.
Существует описание предполагаемой ноофункции и способа её проверки.
N1 — подтверждение отдельной функции.
Демонстрируется выполнение определённой когнитивно-креативной операции.
N2 — экспериментальный исследовательский цикл.
Система выполняет взаимосвязанные этапы формирования и проверки гипотез в ограниченной области.
N3 — воспроизводимая специализированная ноосистема.
Подтверждена способность решать независимые исследовательские задачи с установленными показателями качества.
N4 — система с проверенным совершенствованием методов.
Продемонстрировано независимое улучшение исследовательских процедур и определённая переносимость результатов.
N5 — практически освоенная ноотехнологическая платформа.
Подтверждены функциональная надёжность, безопасность, экономическая эффективность и пригодность для устойчивого применения в установленной области.
Данная шкала является авторской проектной классификацией.
Она не должна отождествляться с существующими уровнями технологической готовности TRL.
Кроме того, достижение N5 в ограниченной предметной области не означает возникновения универсальной искусственной интеллектуальной системы.
Соответствующий уровень характеризует зрелость подтверждённой функции.
2.6.17. Условия признания первого ноокомпьютера
Для проекта INM предлагается использовать достаточно строгую процедуру.
Первый экспериментальный ноокомпьютер может быть признан состоявшимся, если он демонстрирует интегрированный научно-технический цикл.
Например, формирует гипотезу.
Разрабатывает процедуру проверки.
Использует доступные вычислительные или экспериментальные инструменты.
Корректно анализирует результаты.
Сохраняет историю исследования.
И воспроизводимо выполняет аналогичные операции на новых задачах.
Но необходимо отдельно оценивать, в чём именно заключается его отличие от уже существующих интеллектуальных систем.
Если новая архитектура не демонстрирует подтверждённого функционального преимущества, она остаётся исследовательской конфигурацией ИИ.
Таким образом, переход к признанию ноокомпьютера должен определяться результатами испытаний, а не проектным названием.
2.6.18. Условия признания ноомашины
Для признания ноомашины необходима более широкая функциональная программа.
Она должна обеспечивать комплексное выполнение когнитивно-креативной деятельности.
При этом результатом должны становиться подтверждённые знания, методы или технические решения.
Кроме того, для более высоких уровней зрелости необходимо доказать способность совершенствовать методы собственной работы.
Но нельзя заранее требовать, чтобы любая ноомашина обладала универсальными способностями человеческого исследователя.
Первоначально могут существовать специализированные ноомашины.
Например, для поиска новых алгоритмов.
Для исследования определённых материалов.
Для оптимизации электронных устройств.
Для автоматизированного экспериментального анализа.
И только в дальнейшем может возникнуть исследовательская задача построения более универсальных архитектур.
2.6.19. Условия опровержения ноотехнологической гипотезы
Особенно важно определить не только критерии успеха, но и условия неудачи.
Например, если система регулярно генерирует гипотезы, не выдерживающие независимой проверки, её когнитивно-креативная эффективность не подтверждается.
Если она демонстрирует преимущество только на заранее известных тестах, отсутствует достаточное доказательство переносимости.
Если её самосовершенствование приводит к улучшению внутренних показателей, но не повышает результативность реальных исследований, соответствующая функция остаётся неподтверждённой.
Если создание системы требует несоразмерных ресурсов, необходимо пересмотреть её экономические перспективы.
Таким образом, теория NOO должна предусматривать возможность отказа от отдельных гипотез и архитектур.
Это является необходимым условием её научной состоятельности.
2.6.20. Главный критерий зрелой ноофункциональности
Наиболее существенным результатом должно стать доказательство способности системы не только получать новые решения, но и повышать эффективность их последующего получения.
Однако такое преимущество должно быть устойчивым.
Оно должно сохраняться на новых задачах.
Не должно объясняться исключительно увеличением вычислительных ресурсов.
Не должно достигаться посредством снижения требований к проверке.
И должно быть воспроизводимо независимыми исследователями.
Следовательно, именно проверенная способность совершенствовать способы получения научно-технических результатов представляет важнейший долгосрочный критерий NOO.
Перспективная карта развития теории NOO
На основании рассмотренного материала можно выделить основные исследовательские направления.
Направление Главная задача Необходимое доказательство
Когнитивная обработка Анализ сложной информации Корректность результатов
Генерация гипотез Формирование объяснений Проверяемые предсказания
Изобретательство Создание технических решений Испытанный результат
Исследовательская автономия Организация полного цикла Воспроизводимость
Самосовершенствование Улучшение методов Независимое сравнение
Ноомашинная архитектура Интеграция функций Устойчивая работа
Ноофункциональность Подтверждение нового качества Система критериев
Данная карта представляет основу дальнейшего экспериментального проектирования.
Её практическая реализация должна осуществляться постепенно.
При этом различные направления могут развиваться параллельно.
Необходимым условием является сохранение общего механизма оценки результатов.
Значение теории ноомашин для Метаразвития
Разработка теории NOO имеет непосредственное значение для генеральной технологии Метаразвития.
В предыдущих частях книги PICO определена как исследовательская субтехнология поиска новых физических оснований электроники.
NOO, в свою очередь, должна обеспечивать развитие интеллектуально-креативных средств научно-технологического поиска.
Однако их функции различаются.
PICO направлена на создание новых материалов, электронных структур и физических вычислительных возможностей.
NOO — на совершенствование методов постановки задач, формирования гипотез, проектирования экспериментов и создания технических решений.
META должна обеспечивать организацию и развитие общей научно-технологической системы.
Принципиально важно, что обе базовые субтехнологии могут начинать развитие одновременно.
Первый ноокомпьютер INM может использовать существующую вычислительную инфраструктуру.
Пикоэлектронные исследования могут осуществляться с применением современных методов материаловедения и атомарной метрологии.
По мере получения результатов возникает возможность их взаимного использования.
Например, NOO способна помогать в разработке новых электронных структур.
А достижения PICO могут расширять аппаратные возможности последующих поколений ноокомпьютеров.
Но нельзя заранее объявлять такое взаимодействие механизмом гарантированного самоускоряющегося прогресса.
Для этого потребуется доказать наличие положительной обратной связи.
Необходимо установить, что совершенствование NOO действительно приводит к более эффективным результатам PICO.
И что новые физические вычислительные средства позволяют дополнительно улучшать интеллектуально-креативные технологии.
Более того, необходимо проверить, сохраняются ли соответствующие преимущества в последовательных исследовательских циклах.
Следовательно, теория ноомашин становится частью более широкой научной задачи.
Она заключается в создании проверяемой технологии совершенствования самого научно-технического развития.
Именно эта задача должна получить дальнейшее рассмотрение в последующих главах книги.
Заключение к главе 2
В настоящей главе рассмотрены теоретические основания перспективного перехода от интеллектуального компьютера к ноокомпьютеру и ноомашине.
Показано, что данный переход не может определяться исключительно увеличением вычислительной мощности.
Не является достаточным и наличие современной системы искусственного интеллекта.
Для возникновения новой функциональной категории необходимо обеспечить воспроизводимое выполнение сложной когнитивно-креативной деятельности.
Её основными компонентами становятся анализ существующих знаний, формирование новых гипотез, разработка технических решений, независимая проверка результатов и совершенствование методов последующей деятельности.
Первое направление теории связано с разграничением интеллектуальной обработки информации и научно-технического творчества.
Интеллектуальная система способна выполнять сложные информационные операции.
Но когнитивно-креативная результативность должна определяться качеством новых содержательных результатов.
Второе направление связано с автоматизированным формированием научных гипотез.
Современные исследования подтверждают возможность реализации отдельных и интегрированных научных функций.
Но формирование гипотезы ещё не означает научного открытия.
Необходимы проверяемые предсказания, расчёты, эксперименты и независимая оценка.
Третье направление связано с изобретательской деятельностью.
Перспективная ноомашина должна не просто предлагать технические идеи.
Она должна участвовать в создании новых решений, пригодных для моделирования, изготовления и испытаний.
Четвёртое направление имеет особое значение для генеральной технологии Метаразвития.
Оно связано с самосовершенствованием методов решения задач.
Однако самосовершенствование должно определяться не изменением программного кода, а независимо подтверждённым улучшением функциональных результатов.
Пятое направление включает разработку архитектур перспективных ноомашин.
Показано, что соответствующие системы могут объединять генеративные модели, специализированные программные инструменты, исследовательскую память, независимую проверку и экспериментальную инфраструктуру.
При этом многоагентность сама по себе не является доказательством ноофункциональности.
Решающим становится качество организации целостного исследовательского процесса.
Шестое направление связано с формированием проверяемых критериев.
Для этого предложены система оценки ноофункциональности и авторская шкала технологической зрелости N0–N5.
Они должны использоваться как проектные инструменты дальнейших исследований, а не как уже признанные международные стандарты.
Особое значение приобретает разграничение трёх результатов.
Первый — интеллектуальная система успешно выполняет определённую задачу.
Второй — система воспроизводимо получает новые, независимо проверенные научно-технические результаты.
Третий — система демонстрирует способность совершенствовать методы получения последующих результатов.
Именно третий результат представляет особый интерес для генеральной технологии Метаразвития.
Но он не может считаться достигнутым на основании единичной успешной демонстрации.
Необходимо доказать устойчивость улучшений и их переносимость.
В результате можно сформулировать центральное положение предлагаемой теории.
Ноомашина должна определяться как техническая система воспроизводимого интеллектуально-креативного производства, способная не только получать новые знания и решения, но и участвовать в проверяемом совершенствовании методов их получения.
Такое определение не предполагает обязательного наличия машинного сознания.
Не требует немедленного создания универсального искусственного интеллекта.
И не связывает первоначальную реализацию ноомашины с необходимостью перехода к новой физической элементной базе.
Следовательно, первая исследовательская ноомашина может быть создана на основе современной вычислительной инфраструктуры.
Но её появление должно подтверждаться экспериментально.
Для программы International NooMachines это означает необходимость перехода от общего концептуального проектирования к разработке первых функциональных прототипов.
Их испытания должны выявить, какие интеллектуально-креативные функции уже можно воспроизводимо автоматизировать.
Какие требуют дальнейшего развития.
Какие не обладают подтверждённым преимуществом.
И какие способы организации исследования способны создавать качественно новые результаты.
Таким образом, теория ноомашин становится не описанием заранее гарантированного будущего, а основанием проверяемой программы создания нового технологического класса.
От обработки информации — к интеллектуальному решению задач.
От интеллектуального решения — к созданию гипотез.
От гипотез — к проверенным научным результатам.
От научных результатов — к техническим изобретениям.
От отдельных изобретений — к совершенствованию методов изобретательства.
От совершенствования отдельных методов — к созданию интегрированных ноомашин.
От ноомашин — к проверяемым механизмам ускоренного научно-технологического развития.
Именно эта последовательность определяет теоретическую основу субтехнологии NOO в генеральной технологии Метаразвития.
Основные источники и научная литература к главе 2
Теоретические основания вычислительного интеллекта и творчества
Newell A., Simon H. A. Computer Science as Empirical Inquiry: Symbols and Search. Communications of the ACM. 1976. Vol. 19. No. 3. P. 113–126. Фундаментальная работа о символьных системах, поиске и эмпирическом исследовании вычислительного интеллекта.
Boden M. A. Creativity and Artificial Intelligence. Artificial Intelligence. 1998. Vol. 103. No. 1–2. P. 347–356. Классификация комбинаторного, исследовательского и преобразующего вычислительного творчества.
DOI: https://doi.org/10.1016/S0004-3702(98)00055-1
Finke R. A., Ward T. B., Smith S. M. Creative Cognition: Theory, Research, and Applications. Cambridge, MA: MIT Press, 1992. Когнитивные механизмы творческого мышления, воображения и поиска новых решений.
DOI: https://doi.org/10.7551/mitpress/7722.001.0001
Popper K. R. The Logic of Scientific Discovery. London: Hutchinson, 1959. Классическое исследование логики научного познания, проверяемости гипотез и научной критики.
Автоматизированное научное открытие и генерация гипотез
King R. D., Whelan K. E., Jones F. M. et al. Functional Genomic Hypothesis Generation and Experimentation by a Robot Scientist. Nature. 2004. Vol. 427. P. 247–252. Экспериментальная система автоматизированного формирования и проверки научных гипотез.
DOI: https://doi.org/10.1038/nature02236
King R. D., Rowland J., Oliver S. G. et al. The Automation of Science. Science. 2009. Vol. 324. No. 5923. P. 85–89. Роботизированная научная система Adam и принципы автоматизации экспериментального цикла.
DOI: https://doi.org/10.1126/science.1165620
Schmidt M., Lipson H. Distilling Free-Form Natural Laws from Experimental Data. Science. 2009. Vol. 324. No. 5923. P. 81–85. Автоматизированное обнаружение аналитических закономерностей на основе экспериментальных данных.
DOI: https://doi.org/10.1126/science.1165893
Kramer S., Cerrato M., Brugger J., D;eroski S., King R. D. Automated Scientific Discovery: From Equation Discovery to Autonomous Discovery Systems. Machine Learning. 2026. Vol. 115. Article 109. Обзор методов автоматизированного научного поиска и интегрированных исследовательских систем.
DOI: https://doi.org/10.1007/s10994-025-06955-2
Lewis P., Perez E., Piktus A. et al. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. Advances in Neural Information Processing Systems. 2020. Vol. 33. P. 9459–9474. Методы объединения генеративных моделей с внешними источниками знаний.
https://arxiv.org/abs/2005.11401
Gottweis J., Weng W.-H., Daryin A. et al. Accelerating Scientific Discovery with Co-Scientist. Nature. 2026. Vol. 655. P. 487–496. Многоагентная система формирования, критического анализа и совершенствования научных гипотез.
DOI: https://doi.org/10.1038/s41586-026-10644-y
Ghareeb A. E., Chang B., Mitchener L. et al. A Multi-Agent System for Automating Scientific Discovery. Nature. 2026. Vol. 655. P. 497–505. Экспериментальная система Robin, объединяющая научный поиск, генерацию гипотез и анализ экспериментальных результатов.
DOI: https://doi.org/10.1038/s41586-026-10652-y
Hasib M. M., Jo S., Sinha H. et al. Unifying AI-Assisted Scientific Discovery Around Exploration, Hypothesis Generation, and Testing. Patterns. 2026. Article 101660. Обзор структуры исследовательского цикла, проблемы проверки гипотез и ограничений современных научных интеллектуальных систем.
DOI: https://doi.org/10.1016/j.patter.2026.101660
Автоматизированное изобретательство и поиск новых алгоритмов
Fawzi A., Balog M., Huang A. et al. Discovering Faster Matrix Multiplication Algorithms with Reinforcement Learning. Nature. 2022. Vol. 610. P. 47–53. Система AlphaTensor и автоматизированное обнаружение новых алгоритмов умножения матриц.
DOI: https://doi.org/10.1038/s41586-022-05172-4
Romera-Paredes B., Barekatain M., Novikov A. et al. Mathematical Discoveries from Program Search with Large Language Models. Nature. 2024. Vol. 625. P. 468–475. Система FunSearch и сочетание генеративного поиска с программной проверкой результатов.
DOI: https://doi.org/10.1038/s41586-023-06924-6
Novikov A., V; N., Eisenberger M. et al. AlphaEvolve: A Coding Agent for Scientific and Algorithmic Discovery. 2025. Научная предварительная публикация об эволюционном поиске и совершенствовании программных алгоритмов.
https://arxiv.org/abs/2506.13131
WIPO. PCT International Search and Preliminary Examination Guidelines. Chapter 13: Inventive Step. World Intellectual Property Organization. Международные методологические принципы оценки изобретательского уровня технических решений.
https://www.wipo.int/en/web/pct-system/texts/ispe/13_01_02
European Patent Office. Guidelines for Examination in the European Patent Office. Part G, Chapter I: Patentability Requirements. 2026. Требования к техническим изобретениям, новизне, изобретательскому уровню и промышленной применимости.
https://www.epo.org/en/legal/guidelines-epc/2026/g_i_1.html
Метаобучение и автоматизированное совершенствование методов
Real E., Liang C., So D. R., Le Q. V. AutoML-Zero: Evolving Machine Learning Algorithms from Scratch. Proceedings of the 37th International Conference on Machine Learning. PMLR. 2020. Vol. 119. P. 8007–8019. Автоматизированный эволюционный поиск алгоритмов машинного обучения.
https://proceedings.mlr.press/v119/real20a.html
Finn C., Abbeel P., Levine S. Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks. Proceedings of the 34th International Conference on Machine Learning. PMLR. 2017. Vol. 70. P. 1126–1135. Методы метаобучения и ускоренной адаптации интеллектуальных моделей к новым задачам.
https://proceedings.mlr.press/v70/finn17a.html
Lu C., Lu C., Lange R. T., Foerster J., Clune J., Ha D. The AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery. 2024. Научная предварительная публикация об автоматизации исследовательских циклов в машинном обучении.
https://arxiv.org/abs/2408.06292
Интеллектуальные агенты и автоматизированные лаборатории
Boiko D. A., MacKnight R., Kline B., Gomes G. Autonomous Chemical Research with Large Language Models. Nature. 2023. Vol. 624. P. 570–578. Экспериментальная система Coscientist, объединяющая языковые модели, программные инструменты и лабораторные исследования.
DOI: https://doi.org/10.1038/s41586-023-06792-0
Szymanski N. J., Rendy B., Fei Y. et al. An Autonomous Laboratory for the Accelerated Synthesis of Inorganic Materials. Nature. 2023. Vol. 624. P. 86–91. Автономная лаборатория A-Lab. При использовании результатов необходимо учитывать опубликованное 19 января 2026 года авторское исправление.
DOI: https://doi.org/10.1038/s41586-023-06734-w
Исправление: https://doi.org/10.1038/s41586-025-09992-y
Воспроизводимость, проверка интеллектуальных результатов и документация
Kapoor S., Narayanan A. Leakage and the Reproducibility Crisis in Machine-Learning-Based Science. Patterns. 2023. Vol. 4. No. 9. Article 100804. Методологические проблемы утечки данных, переобучения и воспроизводимости результатов интеллектуальных систем.
DOI: https://doi.org/10.1016/j.patter.2023.100804
Mitchell M., Wu S., Zaldivar A. et al. Model Cards for Model Reporting. Proceedings of the Conference on Fairness, Accountability, and Transparency. 2019. P. 220–229. Методология документирования назначения, ограничений и характеристик интеллектуальных моделей.
DOI: https://doi.org/10.1145/3287560.3287596
Gebru T., Morgenstern J., Vecchione B. et al. Datasheets for Datasets. Communications of the ACM. 2021. Vol. 64. No. 12. P. 86–92. Документирование происхождения, состава и ограничений наборов данных.
Безопасность и управление интеллектуальными системами
Tabassi E. Artificial Intelligence Risk Management Framework (AI RMF 1.0). NIST AI 100-1. National Institute of Standards and Technology. 2023. Общая методология управления рисками и надёжностью интеллектуальных систем.
DOI: https://doi.org/10.6028/NIST.AI.100-1
Autio C., Schwartz R., Dunietz J. et al. Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile. NIST AI 600-1. 2024. Методы выявления и управления рисками генеративных интеллектуальных систем.
DOI: https://doi.org/10.6028/NIST.AI.600-1
ISO/IEC. ISO/IEC 42001:2023. Information Technology — Artificial Intelligence — Management System. Международный стандарт организации систем управления искусственным интеллектом.
https://www.iso.org/standard/42001
Оценка интеллектуальных агентов и сложных функциональных задач
Jimenez C. E., Yang J., Wettig A. et al. SWE-bench: Can Language Models Resolve Real-World GitHub Issues? International Conference on Learning Representations. 2024. Методология оценки способности интеллектуальных систем решать реальные задачи программной инженерии.
Yao S., Zhao J., Yu D. et al. ReAct: Synergizing Reasoning and Acting in Language Models. International Conference on Learning Representations. 2023. Архитектурный подход к объединению интеллектуальных рассуждений и действий посредством внешних инструментов.
https://openreview.net/forum?id=WE_vluYUL-X
Авторская концепция Метаразвития и ноомашин
Петросян В. К. (Вадимир). Мировая пикоэлектроника. Прошлое, настоящее, будущее. Проектирование Метаразвития. Том 1. Lag.ru. 2026. Авторская концепция генеральной технологии META, субтехнологий PICO и NOO, проекта International NooMachines, ноокомпьютеров и перспективных ноомашин.
******
Теория ноокомпьютеров и ноомашин
© Copyright: Вадимир Петросян, 2026
Свидетельство о публикации №226102400734
Свидетельство о публикации №226102400734
Рецензии