Иной разум. Как «думает» искусственный интеллект? - Андрей Владимирович Курпатов
57
Gould S. J. The Mismeasure of man. Revised and expanded ed. N. Y.: W. W. Norton & Company, 1996. 356 p.
58
Henrich J., Heine S. J., Norenzayan A. The weirdest people in the world? // The Behavioral and brain sciences. 2010. Vol. 33(2–3). P. 61–83. DOI: 10.1017/S0140525X0999152X.
59
Лурия А. Р. Об историческом развитии познавательных процессов: экспериментально-психологическое исследование / АН СССР. Ин-т психологии. М.: Наука, 1974. 172 с.
60
Nisbett R. E. The geography of thought: how Asians and Westerners think differently… and why. N. Y.: Free Press, 2003. 298 p.
61
Masuda T., Nisbett R. E. Attending holistically versus analytically: comparing the context sensitivity of Japanese and Americans // Journal of personality and social psychology. 2001. Vol. 81(5). P. 922–934. DOI: 10.1037//0022–3514.81.5.922.
62
Balda R. P., Kamil A. C. Long-term spatial memory in Clark's nutcracker, Nucifraga Columbiana // Animal Behaviour. 1992. Vol. 44. P. 761–769.
63
Jelbert S. A. et al. Using the Aesop's fable paradigm to investigate causal understanding of water displacement by New Caledonian crows // PLOS One. 2014. Vol. 9(3). P. e92895. DOI: 10.1371/journal.pone.0092895.
64
Hanus D. et al. Comparing the performances of apes (Gorilla gorilla, Pan troglodytes, Pongo pygmaeus) and human children (Homo sapiens) in the floating peanut task // PLOS One. 2011. Vol. 6(6). P. e19555. DOI: 10.1371/journal.pone.0019555.
65
Cornell H. N., Marzluff J. M., Pecoraro S. Social learning spreads knowledge about dangerous humans among American crows // Proceedings. Biological sciences. 2012. Vol. 279(1728). P. 499–508. DOI: 10.1098/rspb.2011.0957.
66
Anderson R. C. et al. Octopuses (Enteroctopus dofleini) recognize individual humans // Journal of applied animal welfare science: JAAWS. 2010. Vol. 13(3). P. 261–272. DOI: 10.1080/10888705.2010.483892.
67
Tibbetts E. A. Visual signals of individual identity in the wasp Polistes fuscatus // Proceedings. Biological sciences. 2002. Vol. 269(1499). P. 1423–1428. DOI: 10.1098/rspb.2002.2031.
68
Turing A. M. Computing Machinery and Intelligence // Mind. New series. 1950. Vol. 59(236). P. 433–460.
69
Searle J. R. Minds, brains, and programs // Behavioral and Brain Sciences. 1980. Vol. 3(3). P. 417–424. DOI: 10.1017/S0140525X00005756.
70
Abelson R. P. Searle's argument is just a sewt of Chinese symbols // Behavioral and Brain Sciences. 1980. Vol. 3(3). P. 424.
71
Churchland P. M., Churchland P. S. Could a machine think? // Scientific American. 1990. Vol. 262(1). P. 32–37. DOI: 10.1038/scientificamerican0190–32.
72
Harnad S. The Symbol Grounding Problem // Physica D. 1990. Vol. 42. P. 335–346.
73
Clark A. Being there: Putting brain, body, and world together again. Cambridge (Mass.): MIT Press, 1997. xix, 269 p.
74
Mikolov T. et al. Efficient Estimation of Word Representations in Vector Space // arXiv preprint. 2013. DOI: 10.48550/arXiv.1301.3781
75
Деннет Д. Насосы интуиции и другие инструменты мышления / пер. с англ. З. Мамедьярова и Е. Фоменко. М.: АСТ: Corpus, 2021. 576 с. (Элементы 2.0).
76
Деннет Д. К. Объяснённое сознание. М.: «Канон+», 2025. 432 с.
77
Деннет Д. Опасная идея Дарвина: эволюция и смысл жизни / пер. с англ. М. Семиколенных. М.: Новое литературное обозрение, 2020. 784 с. (История науки).
78
Шеннон К. Математическая теория связи // Шеннон К. Работы по теории информации и кибернетике: сборник статей / пер. с англ.; с предисл. А. Н. Колмогорова; под ред. Р. Л. Добрушина и О. Б. Лупанова. М.: Изд-во иностранной литературы, 1963. 829 с. С. 243–332.
79
Bengio Y. et al. A Neural Probabilistic Language Model // Journal of Machine Learning Research. 2003. Vol. 3. P. 1137–1155.
80
Sennrich R., Haddow B., Birch A. Neural machine translation of rare words with subword units // Proceedings of the 54th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers). Berlin: Association for Computational Linguistics, 2016. P. 1715–1725. DOI: 10.18653/v1/P16–1162.
81
Pennington J., Socher R., Manning C. GloVe: Global Vectors for Word Representation // Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP), Doha, Qatar: Association for Computational Linguistics, 2014. P. 1532–1543.
82
Firth J. R. A synopsis of linguistic theory, 1930–1955 // Studies in Linguistic Analysis. — Oxford: Blackwell, 1957. — P. 1–32.
83
Mikolov T. et al. Efficient estimation of word representations in vector space.
84
Mikolov T., Yih W., Zweig G. Linguistic Regularities in Continuous Space Word Representations // Proceedings of the 2013 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies. Atlanta, Georgia: Association for Computational Linguistics, 2013. P. 746–751.
85
Именно этот процесс обучения, позволяющий нейронным сетям корректировать свои внутренние связи для выявления глубоких закономерностей, стал возможен благодаря алгоритму обратного распространения ошибки, детально описанному в знаковой работе Дэвида Румельхарта, Джеффри Хинтона и Рональда Уильямса.
86
Rumelhart D., Hinton G., Williams R. Learning representations by back-propagating errors // Nature. 1986. Vol. 323. P. 533–536. DOI: 10.1038/323533a0.
87
Vaswani A. et al. Attention Is All You Need // Neural Information Processing Systems. 2017. arXiv: 1706.03762v7.
88
Там же.
89
Корни этой идеи уходят к работам Фрэнка Розенблатта, представившего в конце 50-х годов XX века концепцию перцептрона — простейшей нейронной сети, способной к обучению.
90
Rosenblatt F. The perceptron: a probabilistic model for information storage and organization in the brain // Psychological Review. 1958. Vol. 65(6). P. 386–408. DOI: 10.1037/h0042519.
91
Rumelhart D., Hinton G., Williams
