Наприклад, у 1994 році американський дослідник Пітер Шон підрахував, що квантовий комп’ютер обчислить факторіал тисячозначного числа всього за декілька годин. У той же час кілька сотень звичайних комп’ютерів витратили б на цю задачу 1025 років. Для довідки: вік Всесвіту 1010 років.

Рано чи пізно кількість перейде у якість, і обчислювальна система набере властивості, придивившись до котрих, ми, залишаючись чесними, не зможемо не назвати їх розумом.

Проте все згадане вище стосується тільки технічної сторони справи. З’ясовується, що є ще й друга сторона - програмне забезпечення нейрокомп’ютера. Саме його й треба навчати.

Існує дуже давня загадка природи, котра постійно хвилювала людей: як людина мислить? З історії вітчизняної науки відомо , що на при кінці 50-х років минулого століття чемпіон світу з шахів Михайло Ботвінік звернувся до проблеми штучного інтелекту і розробив комп’ютерну програму, що імітувала логіку міркувань шахіста. Справа в тому, що з наукової точки зору шахи – широка логічна задача з величезною кількістю можливостей. Коли шахіст грає, він збирає необхідну інформацію, а потім виконує цілеспрямований відбір з великої кількості можливостей. Дещо аналогічно відбувається і в інших сторонах людської діяльності. Тому вчені-кібернетики одразу виявили до шахів великий інтерес. У 1974 році у Стокгольмі відбувся перший чемпіонат світу серед шахових програм. Він закінчився повною перемогою вітчизняної програми “Каіса”, котра виграла всі чотири партії. М. Ботвінік побачив аналогію між міркуваннями шахового гравця і розробника календарного плану виробництва і запропонував для цього використати його програму. Але не знайшов розуміння вищих компартійних чиновників.

Видатний вчений-кібернетик академік В.М. Глушков вважав, що саме кібернетика дає досить ефективний метод вивчення процесу мислення. Інші науки вивчають мислення в основному шляхом спостерігання. А кібернетика дозволяє моделювати процеси, що протікають. Для розуміння природи процесу мислення велике значення мають сучасні досягнення кібернетики і математичної логіки. Одна з основних задач цих областей знання полягає у дослідженні законів мислення за допомогою математичних методів та методів моделювання. Зрозуміло, ні кібернетика, ні математична логіка не претендують на повне пояснення такого складного процесу, як процес мислення. Ззовні рамок кібернетики і тим більше математичної логіки залишається фізіологічний аспект, зв’язаний із специфікою життя як форми існування білкових тіл. Кібернетика, як і логіка, не підміняють суспільні науки і пояснення специфіки соціального аспекту процесу мислення.

Для кібернетики і математичної логіки характерний підхід до вивчення мислення в його інформаційному аспекті. Інформаційний аспект мислення відноситься до всього мислення у цілому так же, як абстрактні математичні моделі різних явищ реального світу відносяться до самих цих явищ. Основою інформаційного підходу до вивчення процесів мислення є абстрагування. При цьому відволікаючись, як правило, від фізичної, а тим більше від біологічної і соціальної сутності процесу мислення, розглядають його лише як процес перетворення інформації. Теоретичні роботи в області кібернетики групуються навколо проблем штучного інтелекту, а також створення основ теорії таких складних систем оброблення інформації, як сучасні комп’ютери та їх системи. Це – і розвиток прикладної математичної логіки, і теорія алгоритмів, і проблеми розпізнавання образів, розв’язок котрих веде до моделювання чуттєвих сприйнять людини і, нарешті, конструктивного розділу теорії розпізнавання – системного діагностування багатовимірних динамічних систем різноманітної природи.

Процеси розпізнавання супроводжують життя окремої людини від народження і до...Це один із складових елементів мислення. Розроблені системи діагностування значно підсилили можливості людини. Однією із важливих характеристик задач діагностування є їх розмір – число, що виражає міру кількості всіх значень всіх діагностичних ознак системи, що діагностується. Асимптотична складність алгоритму розв’язку задачі визначає розмір задачі, котру можна розв’язати даним алгоритмом.

Можна було б припустити, що колосальний ріст швидкості обчислень, викликаний нинішнім поколінням комп’ютерів, зменшить значення ефективних алгоритмів. Однак виходить у точності протилежне. Так як машини працюють все швидше і можна розв’язувати все більші задачі, саме складність алгоритму визначає те збільшення розміру задачі, котре можна досягти із збільшенням швидкості машини.

Асимптотична складність алгоритму служить важливою мірою якості алгоритму розв’язку задач діагностування, причому такою мірою, що обіцяє стати ще важливішою при наступному збільшенні швидкості обчислень.

Відомо, що функціональний підхід при побудові систем штучного інтелекту полягає у тому, щоби будувати та відтворювати на універсальних комп’ютерах різні алгоритми, котрі визначають ті чи інші функції людського інтелекту. Серед таких функцій особливий інтерес представляють собою задачі класифікації, задачі розпізнавання образів та діагностування, задачі навчання (накопичення знання), здібності вести розмову на природній мові, здібність цілеспрямованих дій, до логічного висновку і інші. Відомо, також, що задача побудови штучного інтелекту ставиться у двох різних постановках – вузькій та широкій. Прийнято вважати, що у вузькій постановці задача буде розв’язаною, коли вдасться розробити систему програм та відповідне інформаційне наповнення комп’ютера, котре дозволить тим чи іншим способом вести осмисленні діалоги на природній мові. При цьому ЕОМ повинна виявити знання (вміння) і здібності до навчання новим знанням (вмінню), так, щоби людина, яка веде з нею діалог, на протязі скільки завгодно великого проміжку часу не змогла б відрізнити його від організованого подібним чином діалогу із звичайним співбесідником – людиною. Це так званий тест Т’юрінга. Для автоматизації багатьох видів розумової праці рівень тесту Т’юрінга