Когнитивная архитектура
Материал из MachineLearning.
| Статья написана с использованием LLM GPT-5.5 и проверена участником Arsenii Kolesnikov 10:53, 16 июля 2026 (MSD) |
Когнитивная архитектура — вычислительная схема, задающая общую организацию искусственного или моделируемого когнитивного агента: память, восприятие, выбор действий, обучение, рассуждение и управление вниманием. В отличие от отдельного алгоритма машинного обучения, когнитивная архитектура претендует на описание целостного механизма поведения в широком классе задач.
Термин используется в искусственном интеллекте, когнитивных науках, робототехнике и моделировании человеческого мышления. Исторически когнитивные архитектуры возникли как попытка построить не узкий решатель задач, а универсальную систему, способную хранить знания, применять правила, обучаться на опыте и действовать в среде[1].
Содержание |
Определение
Когнитивная архитектура задаёт:
- типы представлений знаний;
- структуру кратковременной и долговременной памяти;
- механизм выбора действий;
- процедуры обучения;
- интерфейс восприятия и моторного исполнения;
- ограничения на вычисления, внимание и доступ к памяти.
Архитектура отличается от прикладной программной системы тем, что фиксирует не только инженерные модули, но и гипотезу о механизмах интеллектуального поведения. Поэтому она может использоваться как для создания агентов, так и для проверки когнитивных теорий.
Основные компоненты
Рабочая память
Рабочая память содержит текущую ситуацию: цели, последние наблюдения, активные гипотезы и промежуточные результаты рассуждения. В продукционных системах рабочая память сопоставляется с условиями правил.
Долговременная память
Долговременная память обычно делится на декларативную и процедурную. Декларативная память хранит факты, понятия и эпизоды. Процедурная память хранит правила действия, навыки и политики выбора поведения.
Механизм управления
Механизм управления определяет, какой модуль получает управление и какое действие выполняется следующим. В символических архитектурах это часто цикл сопоставления правил и разрешения конфликтов. В гибридных архитектурах управление может включать вероятностный выбор, обучение с подкреплением или нейросетевую оценку вариантов.
Классические архитектуры
SOAR
SOAR разрабатывалась как архитектура общего интеллекта. Она использует продукционные правила, рабочую память, операторную модель решения задач и механизм chunking, позволяющий превращать результаты рассуждения в новые правила[1]. В SOAR поведение описывается как последовательный выбор операторов, преобразующих состояние задачи.
ACT-R
ACT-R ориентирована на моделирование человеческого познания. Она включает модули декларативной памяти, процедурной памяти, зрительного восприятия, моторного исполнения и буферов, через которые модули взаимодействуют. ACT-R применялась для моделирования решения задач, обучения навыкам, времени реакции и ошибок человека[1].
LIDA и CLARION
LIDA опирается на теорию глобального рабочего пространства: конкурирующие содержательные структуры борются за доступ к сознательному рабочему циклу. CLARION различает явные и неявные знания, что позволяет моделировать взаимодействие символического рассуждения и процедурного навыка.
Обучение в когнитивных архитектурах
Обучение может происходить на нескольких уровнях:
- добавление новых фактов в декларативную память;
- усиление или ослабление правил;
- образование новых правил после успешного решения задачи;
- настройка параметров выбора действий;
- формирование навыков через повторение.
В современных гибридных системах эти механизмы сближаются с обучением с подкреплением, нейросимвольным искусственным интеллектом и обучением представлений. Однако когнитивная архитектура сохраняет требование интерпретируемой организации памяти и управления.
Связь с LLM-агентами
Современные LLM-агенты часто имеют структуру, напоминающую упрощённую когнитивную архитектуру: языковая модель используется как модуль рассуждения, внешние базы данных — как память, инструменты — как действия, а управляющий цикл выбирает следующий шаг. Отличие состоит в том, что многие такие системы строятся эмпирически и не задают строгой теории памяти, внимания и обучения.
Когнитивные архитектуры могут служить каркасом для проектирования более устойчивых агентных систем: разделять эпизодическую и семантическую память, контролировать цели, задавать метапознание и регистрировать причины выбора действий.
Достоинства и ограничения
Достоинства:
- целостное описание поведения агента;
- возможность объяснять действия через состояние памяти и правила;
- совместимость с психологическими экспериментами;
- пригодность для долгоживущих интерактивных агентов.
Ограничения:
- высокая сложность реализации;
- трудность масштабирования на большие объёмы неструктурированных данных;
- зависимость от ручного проектирования представлений;
- отсутствие единого общепринятого критерия качества архитектуры.
