Происхождение и понимание термина «искусственный интеллект»
Процитированное в преамбуле определение искусственного интеллекта, данное Джоном Маккарти в 1956 году на конференции в Дартмутском университете,
не связано напрямую с пониманием интеллекта у человека. Согласно
Маккарти, ИИ-исследователи вольны использовать методы, которые не
наблюдаются у людей, если это необходимо для решения конкретных проблем[1].
Поясняя своё определение, Джон Маккарти
указывает: «Проблема состоит в том, что пока мы не можем в целом
определить, какие вычислительные процедуры мы хотим называть
интеллектуальными. Мы понимаем некоторые механизмы интеллекта и не
понимаем остальные. Поэтому под интеллектом в пределах этой науки
понимается только вычислительная составляющая способности достигать
целей в мире»[1].
В то же время существует и точка зрения, согласно которой интеллект может быть только биологическим феноменом[2].
Как указывает председатель Петербургского отделения Российской ассоциации искусственного интеллекта Т. А. Гаврилова, в английском языке словосочетание artificial intelligence не имеет той слегка фантастической антропоморфной окраски, которую оно приобрело в довольно неудачном русском переводе. Слово intelligence означает «умение рассуждать разумно», а вовсе не «интеллект», для которого есть английский аналог intellect[3].
Участники Российской ассоциации искусственного интеллекта дают следующие определения искусственного интеллекта:
- Научное направление, в рамках которого ставятся и решаются задачи
аппаратного или программного моделирования тех видов человеческой
деятельности, которые традиционно считаются интеллектуальными[4].
- Свойство интеллектуальных систем выполнять функции (творческие), которые традиционно считаются прерогативой человека. При этом интеллектуальная система — это техническая
или программная система, способная решать задачи, традиционно
считающиеся творческими, принадлежащие конкретной предметной области,
знания о которой хранятся в памяти такой системы. Структура
интеллектуальной системы включает три основных блока — базу знаний,
решатель и интеллектуальный интерфейс[4].
- Наука под названием «Искусственный интеллект» входит в комплекс компьютерных наук, а создаваемые на её основе технологии к информационным технологиям.
Задачей этой науки является воссоздание с помощью вычислительных систем
и иных искусственных устройств разумных рассуждений и действий[5].
Одно из частных определений интеллекта, общее для человека и
«машины», можно сформулировать так: «Интеллект — способность системы
создавать в ходе самообучения программы (в первую очередь эвристические)
для решения задач определённого класса сложности и решать эти задачи»[6].
Предпосылки развития науки искусственного интеллекта
История искусственного интеллекта как нового научного направления начинается в середине XX века.
К этому времени уже было сформировано множество предпосылок его
зарождения: среди философов давно шли споры о природе человека и
процессе познания мира, нейрофизиологи и психологи разработали ряд
теорий относительно работы человеческого мозга и мышления, экономисты и
математики задавались вопросами оптимальных расчётов и представления
знаний о мире в формализованном виде; наконец, зародился фундамент
математической теории вычислений — теории алгоритмов — и были созданы
первые компьютеры.
Возможности новых машин в плане скорости вычислений оказались больше
человеческих, поэтому в учёном сообществе закрался вопрос: каковы
границы возможностей компьютеров и достигнут ли машины уровня развития
человека? В 1950 году один из пионеров в области вычислительной техники,
английский учёный Алан Тьюринг, пишет статью под названием «Может ли машина мыслить?»[7],
в которой описывает процедуру, с помощью которой можно будет определить
момент, когда машина сравняется в плане разумности с человеком,
получившую название теста Тьюринга.
История развития искусственного интеллекта в СССР и России
Коллежский советник Семён Николаевич Корсаков
(1787—1853) ставил задачу усиления возможностей разума посредством
разработки научных методов и устройств, перекликающуюся с современной
концепцией искусственного интеллекта, как усилителя естественного. В 1832 году
С. Н. Корсаков опубликовал описание пяти изобретённых им механических
устройств, так называемых «интеллектуальных машин», для частичной
механизации умственной деятельности в задачах поиска, сравнения и
классификации. В конструкции своих машин Корсаков впервые в истории
информатики применил перфорированные карты, игравшие у него своего рода роль баз знаний, а сами машины по существу являлись предтечами экспертных систем[8].
В СССР работы в области искусственного интеллекта начались в 1960-х годах[5]. В Московском университете и Академии наук был выполнен ряд пионерских исследований, возглавленных Вениамином Пушкиным и Д. А. Поспеловым.
В 1964 году была опубликована работа ленинградского логика Сергея
Маслова «Обратный метод установления выводимости в классическом
исчислении предикатов», в которой впервые предлагался метод
автоматического поиска доказательства теорем в исчислении предикатов.
В 1966 году В. Ф. Турчиным был разработан язык рекурсивных функций Рефал.
До 1970-х годов в СССР все исследования ИИ велись в рамках кибернетики. По мнению Д. А. Поспелова,
науки «информатика» и «кибернетика» были в это время смешаны, по
причине ряда академических споров. Только в конце 1970-х в СССР начинают
говорить о научном направлении «искусственный интеллект» как разделе информатики.
При этом родилась и сама информатика, подчинив себе прародительницу
«кибернетику». В конце 1970-х создаётся толковый словарь по
искусственному интеллекту, трёхтомный справочник по искусственному
интеллекту и энциклопедический словарь по информатике, в котором разделы
«Кибернетика» и «Искусственный интеллект» входят наряду с другими
разделами в состав информатики. Термин «информатика» в 1980-е годы
получает широкое распространение, а термин «кибернетика» постепенно
исчезает из обращения, сохранившись лишь в названиях тех институтов,
которые возникли в эпоху «кибернетического бума» конца 1950-х — начала
1960-х годов[9].
Такой взгляд на искусственный интеллект, кибернетику и информатику
разделяется не всеми. Это связано с тем, что на Западе границы данных
наук несколько отличаются[10].
Подходы и направления
Подходы к пониманию проблемы
Единого ответа на вопрос, чем занимается искусственный интеллект, не
существует. Почти каждый автор, пишущий книгу об ИИ, отталкивается в ней
от какого-либо определения, рассматривая в его свете достижения этой
науки.
В философии не решён вопрос о природе и статусе человеческого интеллекта.
Нет и точного критерия достижения компьютерами «разумности», хотя на
заре искусственного интеллекта был предложен ряд гипотез, например, тест Тьюринга или гипотеза Ньюэлла — Саймона. Поэтому, несмотря на наличие множества подходов как к пониманию задач ИИ, так и созданию интеллектуальных информационных систем, можно выделить два основных подхода к разработке ИИ[11]:
- нисходящий (англ. Top-Down AI), семиотический — создание экспертных систем, баз знаний и систем логического вывода, имитирующих высокоуровневые психические процессы: мышление, рассуждение, речь, эмоции, творчество и т. д.;
- восходящий (англ. Bottom-Up AI), биологический — изучение нейронных сетей и эволюционных вычислений,
моделирующих интеллектуальное поведение на основе биологических
элементов, а также создание соответствующих вычислительных систем, таких
как нейрокомпьютер или биокомпьютер.
Последний подход, строго говоря, не относится к науке о ИИ в смысле,
данном Джоном Маккарти, — их объединяет только общая конечная цель.
Тест Тьюринга и интуитивный подход
Эмпирический тест был предложен Аланом Тьюрингом в статье «Вычислительные машины и разум» (англ. Computing Machinery and Intelligence)[12], опубликованной в 1950 году в философском журнале «Mind». Целью данного теста является определение возможности искусственного мышления, близкого к человеческому.
Стандартная интерпретация этого теста звучит следующим образом: «Человек
взаимодействует с одним компьютером и одним человеком. На основании
ответов на вопросы он должен определить, с кем он разговаривает: с
человеком или компьютерной программой. Задача компьютерной программы —
ввести человека в заблуждение, заставив сделать неверный выбор». Все участники теста не видят друг друга.
- Самый общий подход предполагает, что ИИ будет способен проявлять
поведение, не отличающееся от человеческого, причём в нормальных
ситуациях. Эта идея является обобщением подхода теста Тьюринга,
который утверждает, что машина станет разумной тогда, когда будет
способна поддерживать разговор с обычным человеком, и тот не сможет
понять, что говорит с машиной (разговор идёт по переписке).
- Писатели-фантасты часто предлагают ещё один подход: ИИ возникнет тогда, когда машина будет способна чувствовать и творить. Так, хозяин Эндрю Мартина из «Двухсотлетнего человека» начинает относиться к нему как к человеку, когда тот создаёт игрушку по собственному проекту. А Дейта из Звёздного пути, будучи способным к коммуникации и научению, мечтает обрести эмоции и интуицию.
Однако последний подход вряд ли выдерживает критику при более
детальном рассмотрении. К примеру, несложно создать механизм, который
будет оценивать некоторые параметры внешней или внутренней среды и
реагировать на их неблагоприятные значения. Про такую систему можно
сказать, что у неё есть чувства («боль» — реакция на срабатывание
датчика удара, «голод» — реакция на низкий заряд аккумулятора, и т. п.).
А кластеры, создаваемые картами Кохонена, и многие другие продукты «интеллектуальных» систем можно рассматривать как вид творчества.
Символьный подход
Исторически символьный подход был первым в эпоху цифровых машин, так как именно после создания Лисп,
первого языка символьных вычислений, у его автора возникла уверенность в
возможности практически приступить к реализации этими средствами
интеллекта. Символьный подход позволяет оперировать
слабоформализованными представлениями и их смыслами. От умения выделить
только существенную информацию зависит эффективность и результативность
решения задачи.
Но широта классов задач, эффективно решаемых человеческим разумом,
требует невероятной гибкости в методах абстрагирования. А это недоступно
при любом инженерном подходе, в котором исследователь выбирает методы
решения, основываясь на способности быстро дать эффективное решение
какой-то наиболее близкой этому исследователю задачи. То есть уже за
реализованную в виде правил единственную модель абстрагирования и
конструирования сущностей. Это выливается в значительные затраты
ресурсов для непрофильных задач, то есть система от интеллекта
возвращается к грубой силе на большинстве задач, и сама суть интеллекта
исчезает из проекта.
Основное применение символьной логики — это решение задач по
выработке правил. Большинство исследований останавливается как раз на
невозможности хотя бы обозначить новые возникшие трудности средствами
выбранных на предыдущих этапах символьных систем, тем более решить их и
тем более обучить компьютер решать их или хотя бы идентифицировать и
выходить из таких ситуаций.
Логический подход
Логический подход к созданию систем искусственного интеллекта
направлен на создание экспертных систем с логическими моделями баз
знаний с использованием языка предикатов.
Учебной моделью систем искусственного интеллекта в 1980-х годах был принят язык и система логического программирования Пролог.
Базы знаний, записанные на языке Пролог, представляют наборы фактов и
правил логического вывода, записанных на языке логических предикатов.
Логическая модель баз знаний позволяет записывать не только
конкретные сведения и данные в форме фактов на языке Пролог, но и
обобщённые сведения с помощью правил и процедур логического вывода, и в
том числе логических правил определения понятий, выражающих определённые
знания как конкретные и обобщённые сведения.
В целом исследования проблем искусственного интеллекта в рамках
логического подхода к проектированию баз знаний и экспертных систем
направлены на создание, развитие и эксплуатацию интеллектуальных информационных систем,
включая вопросы обучения студентов и школьников, а также подготовки
пользователей и разработчиков таких интеллектуальных информационных
систем.
Агентно-ориентированный подход
Последний подход, развиваемый с начала 1990-х годов, называется агентно-ориентированным подходом, или подходом, основанным на использовании интеллектуальных (рациональных) агентов.
Согласно этому подходу, интеллект — это вычислительная часть (грубо
говоря, планирование) способности достигать поставленных перед
интеллектуальной машиной целей. Сама такая машина будет интеллектуальным
агентом, воспринимающим окружающий его мир с помощью датчиков, и способной воздействовать на объекты в окружающей среде с помощью исполнительных механизмов.
Этот подход акцентирует внимание на тех методах и алгоритмах, которые помогут интеллектуальному агенту выживать в окружающей среде при выполнении его задачи. Так, здесь значительно тщательнее изучаются алгоритмы поиска пути и принятия решений.
Гибридный подход
Гибридный подход предполагает, что только синергетическая
комбинация нейронных и символьных моделей достигает полного спектра
когнитивных и вычислительных возможностей. Например, экспертные правила
умозаключений могут генерироваться нейронными сетями, а порождающие
правила получают с помощью статистического обучения. Сторонники данного
подхода считают, что гибридные информационные системы будут значительно
более сильными, чем сумма различных концепций по отдельности.
Модели и методы исследований
Символьное моделирование мыслительных процессов
Анализируя историю ИИ, можно выделить такое обширное направление как моделирование рассуждений.
Долгие годы развитие этой науки двигалось именно по этому пути, и
теперь это одна из самых развитых областей в современном ИИ.
Моделирование рассуждений подразумевает создание символьных систем, на входе которых поставлена некая задача, а на выходе требуется её решение. Как правило, предлагаемая задача уже формализована,
то есть переведена в математическую форму, но либо не имеет алгоритма
решения, либо он слишком сложен, трудоёмок и т. п. В это направление
входят: доказательство теорем, принятие решений и теория игр, планирование и диспетчеризация, прогнозирование.
Работа с естественными языками
Немаловажным направлением является обработка естественного языка[13],
в рамках которого проводится анализ возможностей понимания, обработки и
генерации текстов на «человеческом» языке. В рамках этого направления
ставится цель такой обработки естественного языка, которая была бы в
состоянии приобрести знание самостоятельно, читая существующий текст,
доступный по Интернету. Некоторые прямые применения обработки
естественного языка включают информационный поиск (в том числе, глубокий анализ текста) и машинный перевод[14].
Представление и использование знаний
Направление инженерия знаний объединяет задачи получения знаний из простой информации, их систематизации и использования. Это направление исторически связано с созданием экспертных систем — программ, использующих специализированные базы знаний для получения достоверных заключений по какой-либо проблеме.
Производство знаний из данных — одна из базовых проблем интеллектуального анализа данных. Существуют различные подходы к решению этой проблемы, в том числе — на основе нейросетевой технологии[15], использующие процедуры вербализации нейронных сетей.
Машинное обучение
Проблематика машинного обучения[16] касается процесса самостоятельного получения знаний интеллектуальной системой в процессе её работы. Это направление было центральным с самого начала развития ИИ[17]. В 1956 году, на Дартмундской летней конференции, Рей Соломонофф написал отчёт о вероятностной машине, обучающейся без учителя, назвав её: «Индуктивная машина вывода»[18].
Обучение без учителя — позволяет распознать образы во входном потоке. Обучение с учителем включает также классификацию и регрессионный анализ.
Классификация используется, чтобы определить, к какой категории
принадлежит образ. Регрессионный анализ используется, чтобы в рядах
числовых примеров входа/выхода и обнаружить непрерывную функцию, на
основании которой можно было бы прогнозировать выход. При обучении агент
вознаграждается за хорошие ответы и наказывается за плохие. Они могут
быть проанализированы с точки зрения теории решений, используя такие
понятия как полезность. Математический анализ машинных алгоритмов изучения — это раздел теоретической информатики, известный как вычислительная теория обучения (англ. Computational learning theory).
К области машинного обучения относится большой класс задач на распознавание образов. Например, это распознавание символов, рукописного текста, речи, анализ текстов. Многие задачи успешно решаются с помощью биологического моделирования (см. след. пункт). Особо стоит упомянуть компьютерное зрение, которое связано ещё и с робототехникой.
Биологическое моделирование искусственного интеллекта
Отличается от понимания искусственного интеллекта по Джону Маккарти,
когда исходят из положения о том, что искусственные системы не обязаны
повторять в своей структуре и функционировании структуру и протекающие в
ней процессы, присущие биологическим системам. Сторонники данного
подхода считают, что феномены человеческого поведения, его способность к
обучению и адаптации есть следствие именно биологической структуры и
особенностей её функционирования.
Сюда можно отнести несколько направлений. Нейронные сети используются для решения нечётких и сложных проблем, таких как распознавание геометрических фигур или кластеризация объектов. Генетический подход основан на идее, что некий алгоритм
может стать более эффективным, если позаимствует лучшие характеристики у
других алгоритмов («родителей»). Относительно новый подход, где
ставится задача создания автономной программы — агента, взаимодействующего с внешней средой, называется агентным подходом.
|