?

Log in

Фредерик Браун. Ответ.



Двар Эв торжественно запаял золотом последний контакт. Двенадцать телекамер неотрывно следили за каждым его движением - трансляция шла на всю галактику.
Он выпрямился и кивнул Двар Реину. Затем подошел к выключателю, который скоро замкнет цепь. К выключателю, соединяющему одновременно все компьютеры всех обитаемых планет - девяносто шесть миллионов миров - в суперсеть, которая объединит их в один суперкомпьютер, единую кибернетическую машину, собравшую мудрость всех известных миров.
Двар Реин обратился с короткой, вступительной речью к биллионам телезрителей и затем, после короткой паузы, он произнес:
- Пора, Двар Эв!
Двар Эв нажал выключатель. Раздалось мощное гудение, пошла энергия девяноста шести миллионов планет. На бесконечно длинном пульте замигали разноцветные огоньки.
Он отошел назад и громко провозгласил:
- Честь задать первый вопрос принадлежит вам, Двар Реин!
- Благодарю, - ответил Двар Реин, - Это будет вопрос, на который не мог ответить ни один компьютер.
Он повернулся к пульту.
- Есть ли бог?


Могущественный голос раздался сразу.
- Да. Теперь - да.


Двар Эв понял не сразу, но потом страх исказил его лицо - он бросился к выключателю…
Молния сорвалась с безоблачного неба и испепелила его на месте, намертво запаяв соединение.

Облако тегов:

Кто объяснит?


А и B одного цвета...

Облако тегов:

 

Абстракция

На данный момент представленная модель является «плоской», однако абстрактное мышление обладает многими уровнями. Быстрые переходы по этим уровням и составляют уникальное человеческое мышление, поэтому без учета этого момента модель будет неполной. Для начала приведем варианты «плоского» и многоуровневого графического представления дефинитивного знания «табурет – это сиденье на опорах»:

Теперь четко различаются два уровня абстракции – уровень определяемого и уровень определяющего. Исчезает проблема, выводить ли дефинитивные знания, от дефиниции или же вести их к дефиниции. В многоуровневом виде модели представления дефинитивных знаний такое знание всегда выводится с уровня более высокого по отношению к определяемым образам, причем образы уровня «под» относятся к определяемому образу уровня «над» как атрибуты, то есть в нашем случае атрибутами табурета будут опора и сиденье. При добавлении новых дефинитивных знаний, структура будет расширяться вверх и вниз, например, если добавить дефинитивное знание «мебель – предметы для сидения, лежания, размещения вещей и других потребностей быта» (по Ожегову), то мебель будет на уровень выше по отношению к уровню образа «табурет», причем табурет будет являться атрибутом мебели. В этом отношении предлагаемая модель дефинитивных знаний очень похожа на фреймовые модели. При рассмотрении более широких систем, порядка около 500 образов, получается некое подобие пирамиды, где на самом высоком уровне находятся самые абстрактные понятия, а на самых нижних – наиболее конкретные.

Аналогию этой модели можно провести с уровнями архитектуры персонального компьютера, где самый нижний, нулевой, уровень представлен электронными элементами (транзисторами, резисторами и т.д.), первый уровень – вентилями, которые состоят из групп транзисторов и осуществляют простейшие операции булевой алгебры, второй уровень – группами вентилей (мультиплексорами, алу, декодерами, компараторами и т.д.) и т.п.

Облако тегов:

 

Смысл образа

Название «образ» для элемента модели был выбран совершенно не случайно. При разговоре об абстрактном мышлении мы должны быть готовы к тому, что любое слово не имеет своего конкретного значения. Абстрактное мышление – не строгая математика, это мир приближений и нечеткого смысла. Если человек думает о табуретке, то он думает не о какой-либо конкретной табуретке, он думает о неком обобщенном образе табуретки, а если быть точнее – о некоей «табуретности», выделяя именно дефинитивное знание, то, для чего табуретка и была создана. Мне удалось познакомиться с уникальными исследованиями в этой области научно-исследовательскими группами под руководством Олега Георгиевича Бахтиярова. Одним из направлений исследований было попытка передать при помощи графических изображения (эйдограмм) некое чувство – «страдание», «голод», «ненависть» и т.д., используя при этом минимальное количество графического алфавита – две-три правильные геометрические фигуры двух-трех цветов. Один испытуемый должен был построить эйдограмму, скажем «стульности», а другой по ней восстановить исходный образ. Причем эйдограмма рисовалась не по каким-либо определенным правилам графики, логики, ассоциаций, а скорее по правилам абстракции, когда улавливается именно некая главная суть объекта, in se. Предлагаемое в модели понятие образа как раз и отражает суть «in se» элементов дефинитивного знания. Именно поэтому и не важны типы связей между образами.

Облако тегов:

Анализ графического представления модели

Используем следующую запись для формализации нотации нашей модели: на первом месте поставим определяемое, а затем в скобках - определяющие. Первоначальная система описывается следующими знаниями: тело (объект, свойство), размер (скаляр, свойство), скаляр (величина), материальная точка (тело, размер, значение). После построения сети полная запись системы будет такая: объект (тело), тело (объект, свойства, материальная точка), свойство (тело, размер), скаляр (размер, величина), величина (размер), размер (свойство, скаляр, материальная точка), материальная точка (тело, размер, значение), значение (материальная точка). 

Первое, на что хочется обратить внимание – это уровень связей. Первым уровнем связи называется уровень непосредственной связи, когда один образ связан напрямую с другими. К примеру, для образа «материальная точка», первым уровнем будут «тело», «размер» и «значение». Вторым уровнем связи будут те образы, которые связаны непосредственно с образами первого уровня, т.е. второй уровень связи будут «объект», «свойство», «скаляр». Третьим уровнем связи будет «величина». Самое главное, что дают нам уровни – это возможность определить влияние определенного образа на выбранный нами для анализа образ. В данном случае для образа «материальная точка» минимальное влияние имеет образ «величина».

После того, как мы объединили отдельные дефинитивные знания в систему, между отдельными образами возникли новые связи. Появление этих связей повлияло на изменения изначальных дефиниций, добавление к ним новых образов. В итоге, сравнивая исходное дефинитивное знание с полученным, нельзя не задаться вопросом – какое же из них истинно. Алгебра логики в таком случае говорит, что какое-то из этих двух знаний будет ложное. К счастью, абстрактное мышление не подвержено логическим законам. В ходе экспериментов, на удивление, получилось, что не существует какого-либо одного единственно верного дефинитивного знания. В результате рассуждений и методом интроспекции получилось, что в абстрактном мышлении вообще отсутствуют понятия «правильно» и «неправильно». Если в качестве примера взять человеческое мышление, то на один и тот же ход событий, или еду, или тип ухаживания за девушками, у разных людей будут разные взгляды, то есть различные дефинитивные знания, наряду с тем, что «для одного хорошо – это одно, для другого - другое». Как бы банально это не звучало, но это так. Сознание формируется от начала зачатия и развивается до самой смерти человека. Фундамент строят гены родителей, вкладывая те или иные предрасположенности, таланты, затем оно формируется воспитанием, средой обитания, социальными и коммуникативными факторами, школой, институтом, религией, масс-медиа, политическим строем и так далее. Для каждого человека все эти факторы будут строго индивидуальны, поэтому чисто физически не может быть двух людей с одинаковым сознанием. Сознание, таким образом, похоже на некую информационную систему, знания в которой в процессе жизни человека постоянно пополняются, изменяются, удаляются, а связи между ними перестраиваются и порой не раз. Мнения об одной и той же книге, событии, человеке в разные периоды жизни с большой долей вероятности будут разными. Происходит постоянная калибровка механизма. Поэтому получается, что не может быть истинного (не путать с неправильно построенным) или ложного дефинитивного знания, есть просто дефинитивное знание.

Теперь, если построив систему, мы попытаемся восстановить дефинитивные знания, то столкнемся с проблемой – откуда начинать вывод, или как правильно восстанавливать истинное дефинитивное знание. На данном этапе исследования, это является серьезной проблемой, решить которую пока не удается. При одном из опытов, удалось получить два на первый взгляд истинных дефинитивных знания: «вектор – отрезок, имеющий направление» и «отрезок – вектор, не имеющий направления». С точки зрения абстрактного мышления это истинные дефиниции, но с точки зрения математики второе знание – неистинно. Вполне вероятно, что это еще один раз доказывает различность абстрактного и конкретного, символьного, мышления. На основе анализа множества подобных случаев, была выдвинута гипотеза, что при абстрактном мышлении не важно, что идет определяющим, а что определяемым, важны только связи между образами, поэтому не важно, от какого из образов строить рассуждения.

Еще одним важным плюсом такой модели является то, что достаточно наглядно видно, как один образ связан с другим. При построении сложных многофакторных систем, мы можем наблюдать, через какие образы анализируемые данные связаны друг с другом. Например, данная модель помогла мне решить следующую задачу:

В магазине хозтоваров покупатель спрашивает:

- Сколько стоит один?

 - Двадцать центов.

 - Сколько стоит двенадцать?

 - Сорок центов.

 - Хорошо, дайте мне девятьсот одинадцать.

 - С вас шестьдесят центов.

Что покупал покупатель?

Также данная модель с успехом справляется с одним из видов психологических тестов, где необходимо найти понятие, связывающее два других понятия.

При анализе данной модели (как и при абстрактном мышлении, которое эта модель реализует) единственной операцией является операция сравнения. Образы не складываются, образы не делятся, не выводятся друг из друга, образы – сравниваются. Данное «сравнение» это не совсем сравнение в том смысле, которое придает ему алгебра логики, здесь оно ближе к понятию «нахождение различия». Сравниваются в модели не образы, отдельные элементы структуры, а цепочки образов вместе со связями. На основе этого сравнения, рождаются новые образы и связи, ищутся противоречия или недочеты, калибруются прежние связи и т.д.

Облако тегов:

Сравнительный анализ дефинитивных знаний, правильный вывод дефиниций

Для того чтобы выделить образы в дефинитивном знании, необходимо правильно построить саму дефиницию, что оказалось немалой проблемой, так как полученное дефинитивное знание должно быть наиболее приближено к истине. Известно, что непонимание, т.е. разница во взглядах (мировосприятих) на объект, является причиной многих конфликтов. Аналогично с этим, неправильное (неистинное) единичного дефинитивного знания, из которого выделяются образы, может послужить причиной внутренних противоречий, когда мы будем рассматривать модель представления знаний в целом. Это доказывается очень просто: когда исследователь выдвигает неверную гипотезу (хотя ему пока об этом неизвестно), и начинает ее доказывать, она начинает противоречить естественному порядку вещей, и исследователь понимает, что отдельные части, или вся гипотеза, неистинны.

В результате сравнительного анализа дефинитивных знаний, был выдвинут тезис: «Дефинитивное знание истинно тогда и только тогда, когда в нем заключено, каким образом дефиниция влияет на внешние объекты». То есть, такое дефинитивное знание, как «табурет – это кусок доски на четырех опорах» по сути, не является истинным, ибо в нем не заключается, каким образом табурет влияет на внешний по отношению к нему мир, а лишь перечислены некоторые атрибутивные свойства табурета: кусок доски и 4 опоры. Сначала рассмотрим то, что опоры 4. Это стандартная стереотипная ошибка, так как у табурета опор может быть и одна, т.е. количество опор для образа «табурет» значения не имеет, поэтому в дефинитивном знании образ «4» нужно убрать. Во-вторых, кусок доски на четырех опорах, может быть и столом – это еще одна из стандартных ошибок вывода дефиниций. В-третьих, «предназначение» табурета, как и стула, и дивана, состоит в том, чтобы человек на нем сидел. Именно вот это «предназначение», смысл создания табурета, и является тем, каким образом табурет влияет на внешний по отношению к нему мир. Правильным дефинитивным знанием в таком случае будет «табурет – это сиденье на опорах». Проблема представления правильного единичного дефинитивного знания решена. Надо отметить, что на основе вышеуказанного тезиса, я сумел найти ошибки и неточности во многих дефинициях и сформировать более корректные определения. Дальше необходимо понять, как отдельные дефинитивные знания связываются друг с другом. То есть, у нас есть знание «табурет», но как с ним связаны знания «сиденье» и «опора»?

Для этого этапа исследования необходимо найти такие дефинитивные знания, которые бы обладали наибольшей степенью истинности. Эти знания могла бы дать только математика в силу строгости и формализма своего описательного аппарата, но, к сожалению как раз дефинитивных знаний в математике то и нет. Пришлось обратиться к ее сестре – физике. Для простоты выберем самые основы – кинематику. Возьмем несколько самых простых определений:

  • Тело – объект, обладающий хоть одним свойством.
  • Размер – скаляр свойства.
  • Скаляр – величина.
  • Материальная точка – тело, размеры которого не имеют значения.

Графическое изображение единичных дефинитивных знаний:

Графическое отображение системы дефинитивных знаний:
 

Здесь стоит остановиться подробнее на типе связей между образами. Как уже было сказано ранее, они являются однородными, не детерминированными. В исходных дефинитивных знаниях кроме образов присутствуют служебные слова, которые показывает степень зависимости одного образа от другого. К примеру, если в знании «материальная точка – тело, размеры которого не имеют значения», образами являются «материальная точка», «тело», «размеры» и «значение», то служебными словами являются слова «которого» и «не имеют» и знак «,», который в данном случае означает уточнение класса материальной точки. Данные служебные слова не имеют значения, если человек думает абстрактно. Они как бы в контексте, как бы подразумеваются, ибо в действительности есть только единичное истинное дефинитивное знание с вышеуказанными образами. Как следствие, такой набор образов «генерирует» только один определенный набор служебных слов, иного не дано.

Облако тегов:

Дефинитивное знание, понятие образа и связей

В искусственном интеллекте есть разница между данными и знаниями. Если данные – это факты об объектах, как правило, характеризующие его свойства или состояние, то знания – это законы, по которым данные связаны между собой. Главным моментом здесь является то, что знания без данных существовать не могут, то есть новое знание рождается из данных и уже существующих знаний. Следствием любого анализа данных является знание. Следствием анализа знаний также является знание. Исходя из этого, мы можем предположить, что природа данных и знания не такая уж и разная, и что все зависит лишь от того, с какой точки зрения смотреть на систему.

В предлагаемой здесь модели описываются дефинитивные знания. Если дефиниция (лат. определение) - краткое логическое определение, устанавливающее существенные отличительные признаки предмета или значение понятий - его содержание и границы, тогда дефинитивные знания – это такие знания о данном объекте, которые отличают его от других объектов. Отдельную часть такого дефинитивного знания предлагается называть «образом». К примеру, в дефинитивном знании «вектор – отрезок, имеющий направление», образами являются «вектор», «отрезок» и «направление». Получается, что образы – это и данные и знания одновременно. Именно эти специфические структуры мы будем использовать в качестве кирпичиков модели представления знаний.

Система образов человека составляет его мировосприятие, т.е. упорядоченность его взглядов на мир, то, как человек представляет себе каждый отдельный объект окружающего мира, будь то понятия добра, зла, мебели, цветочной клумбы, теоремы Пуанкаре и т.д. Если я  впервые увидел катушку ниток - я задал ей тем самым свой собственный образ. Если я увижу еще какую-нибудь катушку с нитками – я уже буду знать, что это именно катушка с нитками, а не топор. Если же я увижу объект, который до этого ни разу не видел, допустим, я ни разу не видел настурцию, я буду знать, что настурция – это точно не катушка с нитками, ибо образ этого цветка не совпадает с тем образом катушки, что я уже приобрел.

Понятие образа очень схоже с понятием объекта (класса объектов) в языках программирования, когда одна описанная модель несет в себе некое количество переменных и функций, описывающих ее состояние. Однако, в отличие от объекта в языках программирования, образ не имеет законченной или ограниченной структуры, он может изменяться со временем, с увеличением нашего знания о мире. К примеру, когда я был маленьким, я знал, что планета Земля вращается вокруг Солнца. Со временем я узнал, что вращение идет по эллипсу, узнал длину экватора, расстояние от Земли до Солнца, теории строения коры, силу гравитации, географию планеты, ее фауну. Образ «Земля» разрастался и становился более полным и четким. На основе этого образа, той полученной мною информации, я могу сделать вывод о том, что какая-нибудь другая планета с подобным расстоянием до звезды, радиусом и плотностью, может иметь практически такими же и все остальные параметры. На этой гипотезе строятся все исследования ученых по поиску планет, на которых могла бы появиться жизнь.

Представим следующее дефинитивное знание: «табурет – это кусок доски на четырех опорах». Изобразим его на рисунке в виде семантического неориентированного однородного графа:

Связи (дуги) между вершинами графами (образами) трактуются не как в обычной семантической сети, их тип скорее можно определять как «отношение», или как категорию (в философском смысле) «связь», то есть то, что соединяет два объекта. Вследствие этого принципа, в представлении отсутствуют иерархические связи, связи «причина-следствие» и другие типы связей. Отсутствие разнотипных связей приводят к однотипности связанных элементов. Таким образом, мы получаем достаточно простую модель представления единичного дефинитивного знания.

Облако тегов:

Цель, задачи и актуальность исследования


Одной из самых острых проблем искусственного интеллекта является моделирование представления знаний таким образом, чтобы на основе уже существующей базы знаний, представленной этой моделью, можно было бы выводить новое знание, изначально в ней не прописанное. Все существующие модели представления знаний, так или иначе, описывают некоторые из аспектов человеческого интеллекта, однако ни одна из них не способна описать мировосприятие человека целостно, передать богатство абстрактного мышления. Некоторые концепции этих моделей дублируют, пересекаются или даже противоречат друг другу. Все это существует одновременно с описанием одних и тех же объектов человеческого мышления. Целью данного исследования является создание целостной модели представления знаний, реализующей абстрактное мышление, способной разрешить многие противоречия моделей существующих, внеся ясность в то, как же мыслит сам человек, каким же образом можно построить искусственный интеллект равный человеческому. Сложность моделирования абстрактного мышления кроется в том, что его нельзя описать при помощи строгих моделей – мы вынуждены описывать его только при помощи таких же абстрактных смыслов и отношений. На данном этапе развития искусственного интеллекта эта проблема так и не была решена, и поэтому данное исследование столь актуально.

На данном этапе развития науки об искусственном интеллекте существуют следующие модели представления знаний: фреймы, семантические сети, продукционные модели, исчисление предикатов и нечеткая логика. Неудовлетворенность узкой спецификой этих моделей, а также отсутствие модели представления знаний, способной реализовать абстрактное мышление, и побудило начать данное исследование. В начале исследования были поставлены следующие задачи: анализ существующих моделей представления знаний, разработка модели представления единичного дефинитивного знания, разработка модели представления системы дефинитивных знаний, разработка формальной нотации описания модели, реализующей абстрактное мышление, проведение экспериментов и тестов, доказывающих адекватность предлагаемой модели, выведение новых знаний при помощи предложенной модели. На сегодняшний день была выполнена половина поставленных задач. Данная рукопись представляет собой отчет по проделанной работе.

Концептуальная модель, которая предлагается на рассмотрение, является следствием анализа существующих моделей и представляет собой нечто гибридное между фреймами и семантическими сетями. Изначально, как и в любом серьезном исследовании, были выдвинуты концептуальные требования к будущей модели:

  • Модель должна быть предельно простой
  • Модель должна быть адаптивной к любой ситуации
  • Любой объект модели должен быть связан с другим объектом через связи
  • Любое знание в модели должно трактоваться однозначно
  • На основе существующих знаний должна быть возможность вывести новое знание
  • Модель должна иметь возможность расширяться

Облако тегов:

Как правило, при презентации компаниями своих технических достижений в области микропроцессоростроения, многие ссылаются на небезызвестный Закон Мура, который показывает зависимость между числом транзисторов на кристалле микропроцессора и годом выпуска этого процессора на рынок (в другой трактовке – годом изобретения возможности осуществить данный техпроцесс). На момент выпуска Intel Core-i7 в этом году, с микроархитектурой Sandy Bridge и техпроцессом в 32нм, количество транзисторов успело подойти к одному миллиарду по сравнению с легендарным 8086 1978 года выпуска в 29000 элементиков. Красивый эвристический закон Мура обнадеживающе демонстрирует неуклонно растущую ввысь линию прогнозирования, каждые два года доказывающую свою состоятельность и торжество научного прогресса. Так и хочется услышать, что в далеком энном году их будет уже триллионы.

Да их, скорее всего, и будет триллионы, интрига заключается не в количестве транзисторов, а в их размерах. Размеры транзисторов также подвержены воздействию закона Мура. Ниже я привожу график, который отражает его, построенный на основе данных 76 различных процессоров компании Intel. Некоторые, недоучившие матчасть на первом курсе, могут спросить, почему график нелинейный. Отвечаю – потому, что закон сам по себе экспоненциальный. У оригинального закона Мура график представлен в виде прямой, а не кривой, потому что вертикальная шкала представлена в экспоненциальном виде. Это вопрос разметки, не более.

 

Итак, получился такой красивенький график, который жмется все ближе и ближе к нулю. На графике я выделил две линии тренда – экспоненциальную и линейную. Первая полностью отражает характер представленных данных: аппроксимация прошла успешно, зависимость между показателями действительно есть. А вот линейный тренд, как видно, имеет значения ниже нуля. А вертикальная черта – это размеры транзисторов. Мистики здесь нет, ибо линейный тренд не отражает характер зависимости, он показывает кое-что другое и более интересное.

Порассуждаем вот о чем. На современном этапе развития высоких технологий осуществлен техпроцесс изготовления транзисторов, размер которых составляет всего 32 нм (32*10-9 метра). Предположим, что физически транзистор меньше, чем один атом сделать нельзя. Радиус атома (возьмем водород) составляет 0,053*10-9 метра. То есть, технологически меньше этого размера транзистор сделать нельзя (не забываем, что это только гипотеза). Так как закон Мура обладает достаточно высокой степенью статистической устойчивостью, мы можем предсказать, в каком именно году размер транзистора сможет достичь размера атома, в том случае, если техпроцесс будет развиваться теми же темпами и способами, как он развивается сейчас. В моей модели это где-то начало-середина 2040-х годов. А что же дальше? Вычислительная техника загнется? Останется стоять на одном уровне? Конечно, нет – об этом нам говорит как раз линейный тренд на графике.

Дело в том, что любые процессы в природе, экономике, технике, политике происходят циклично (а если быть точным спиралеобразно). У любого процесса есть восходящий фронт - этап его становления и развития, стадия функционирования с «золотым веком», и нисходящий фронт -  период стагнации процесса. Такие циклы жизнедеятельности процессов и систем относятся к космическим Законам, любой желающий может найти их исследования в той или иной научной области (к примеру, экономические циклы Кондратьева). Также есть и цикл существования технологического процесса, по которому производятся транзисторы. Этот процесс линеен потому, что затрагивает только размеры транзистора, то есть носит количественную зависимость (кстати, именно поэтому он обладает высокой степенью статистической устойчивости). У него есть свой период роста, равномерного развития и спада. Пересечения линейного графика с экспоненциальным и показывает границы этих периодов. Становление технологии проектирования микропроцессоров закончилось к концу 70-х годов, и начался период ее «зрелости», которая и подошла к концу примерно в 2005 году (пересечение линейного тренда с экспоненциальным, одновременно еще и совпадает с таким же спадом значения градиента экспоненциальной функции, а это дополнительно доказывает, что данная гипотеза не лишена оснований). После этой даты у технологии проектирования микропроцессоров начался период стагнации, когда существующими методами уже нельзя реально повысить возможности продукта. Начинается переход из количества в качество.

Итак, мы поняли, что точкой бифуркации технологии изготовления микропроцессоров стал 2005 год. А сейчас 2011. Почему ничего не чешется? Но как говорила Фрекен Бок: «А вот и не угадал, а вот и не угадал». Думаю что самым выдающимся событием, которое может стать основополагающим в новом технологическом процессе, стало изобретение графена, а как следствие возможность разработки графенового полевого транзистора, прототип которого уже был создан в 2008 году. Еще раз спасибо Гейму и Новоселову за их труд. Самое интересное это то, что графен был впервые получен только в 2004 году – очень близко к нашей точке бифуркации.

Вот такая вот магия прогнозирования и ее реальное воплощение в жизнь.
  • существование объективных законов, специфических для данной научной дисциплины;
  • специфический объект исследования и специфический понятийный аппарат;
  • опытная проверяемость (верифицируемость) результатов исследования для одинаковых условий;
  • логическая непротиворечивость утверждений (два утверждения, одно из которых противоположно другому - "A" и "не A", – не должны быть одновременно истинными);
  • систематизированность полученного знания;
  • обоснованность (доказательность) утверждений;
  • прогнозный потенциал (способность адекватного предвидения или экстраполяции частных опытных результатов, полученных в одних условиях, на другие условия опыта);
  • возможность формализации (математизации, алгоритмизации) полученного знания;
  • новаторство в сочетании со "здоровым" консерватизмом (с одной стороны, объективная потребность в новом знании, с другой стороны, жесткая проверка нового знания во избежание проникновения в науку случайных, необоснованных, ложных новаций);
  • самокритичность (право на ошибку и на ее признание).

Источник: http://www.intuit.ru/department/history/historyst/class/free/1/

Облако тегов:

Август 2011
Вс Пн Вт Ср Чт Пт Сб
 123456
78910111213
14151617181920
21222324252627
28293031   
Разработано LiveJournal.com
Designed by Lilia Ahner