Пролог
1-ые работы в области ИИ были связаны с решением формальных задач — игрой в шахматы и подтверждением математических теорем. Это ли не квинтэссенция ума, как его осознает большая часть людей? Спецы, но, возлагали надежды, что научить машину управляться с такими строго формализованными задачками будет проще, чем с теми, где и человеку-то не полностью ясно отличие правильного решения от неверного.
Сначала 1970-х годов на пике компьютерной моды было создание языков программирования. Они так облегчали труд программистов, что, казалось, неважно какая неувязка разрешится чуть ли не сама собой, стоит только придумать подходящий язык. Обыденные языки программирования именуют властными: программер пишет компу максимально детализированную аннотацию, не подлежащий дискуссии приказ (императив). Никакого ума от машины-исполнителя не требуется — вспомните русских «Отроков во Вселенной», которые детской загадкой про «А и Б» почем напрасно жгли мозги внеземных роботов-исполнителей. А вот умственным «вершителям» из такого же кинофильма загадки были нипочем — у их была хоть и развращенная, а все-же свобода мысли.
Чтоб бросить компу умственную свободу, были разработаны языки принципно другого типа — декларативные. Самый узнаваемый из их именовался Пролог (от «программирование логическое»), само это заглавие гласит о том, какие огромные возлагались на него надежды. Заместо инструкций программер записывает на Прологе формализованные познания о предметной области и определяет условия задачки, а компьютер пробует отыскать ее решение, делая упор на описания (декларации) и правила логики. К примеру, в качестве предметного мира можно задать набор геометрических аксиом, условием задачки взять аксиому Пифагора, а компьютер выстроит ее подтверждение. Калькуляторы отучили школьников считать, а с таким языком и умение рассуждать оказалось бы излишним.
Вобщем, ставка на декларативные языки, а именно на Пролог, была ошибкой. За оберткой Пролога все равно прячется обыденный компьютер, выполняющий команду за командой. А то, что снаружи смотрится как умственный поиск подтверждения, снутри оказывается перебором всех вероятных вариантов рассуждений, пока какой-то из них не окажется необходимым подтверждением. С легкой аксиомой компьютер совладевает на удивление стремительно. Но стоит малость усложнить задачку, и вот уже никакой, даже самой умопомрачительной, производительности не хватит для полного перебора вариантов.
В 1997 году компьютер IBM Deep Blue, анализирующий 200 миллионов позиций за секунду, одержал победу во 2-м матче с фаворитом мира по шахматам Гарри Каспаровым
С таковой же неувязкой столкнулись и создатели шахматных компов. Допустим, у белоснежных и темных в каждый момент есть 32 разных хода. Чтоб изучить партию на два хода вперед, необходимо перебрать миллион позиций — человеку пригодилась бы неделя, если растрачивать полсекунды на вариант. Компьютер, естественно, совладевает с этим еще резвее — вот почему машина просто обыгрывает начинающего игрока, который «видит» не далее 2—3 ходов. Но при 5 ходах число вариантов превосходит квадриллион, а таковой перебор не под силу даже современным компьютерам.
Гроссмейстеры, меж тем, заглядывают иногда куда далее. В отличие от компьютера они сходу отбрасывают бесперспективные пути, отсекают целые ветки рассуждений, объясняя это, к примеру, потерей темпа либо позиционного достоинства. Что-то схожее произнесет вам и математик, если спросить, почему он избрал конкретно таковой 1-ый шаг в подтверждении. Только концентрация на маленьком числе увлекательных вариантов позволяет заглянуть вперед. Правда, при неудачном подходе вы рискуете отсечь как раз ту ветвь, которая содержала самый многообещающий ход, либо, напротив, не увидеть сокрытую опасность. Но «борьба с экспонентой», с чертовским ростом числа вариантов принуждает нас выйти за рамки надежных формальных способов и рискнуть ставить оценки без полной убежденности в их.
Оценочная функция
Если в целом сконструировать, как работает неважно какая система ИИ, то можно сказать, что в ее базе лежит непростая оценочная функция. Какой ход лучше, растрачивать ли время на исследование его последствий? На какую буковку больше похоже вот это пятно на бумаге? Брать либо продавать акции? Идти в атаку либо крепить оборону? Таковой взор демистифицирует понятие ИИ. Так что, если вам произнесут, что ваша стиральная машина вооружена умственной системой гашения вибраций, полностью может быть, что так оно и есть.
В обычных случаях оценочную функцию тем либо другим методом задает разработчик системы. В более сложных она вырабатывается в процессе обучения на примерах с заблаговременно известным правильным ответом.
Элементарную систему ИИ каждый может сделать сам при помощи электрических таблиц вроде Excel. Допустим, вы желаете приобрести ноутбук. Загрузили из Веба базу данных с тыщами предложений, да еще каждый денек поступают новые. Читать перечень попорядку никчемно — уже после сотки строк начинаешь путаться. Ну и очень много принципиальных характеристик приходится держать в голове. Но в этом нет необходимости: обозначьте каждую функцию числовым значением (к примеру: есть Wi-Fi — 1, нет — 0). Задайте каждому параметру определенный вес и напишите оценочную функцию по схеме: оценка = параметр1*вес1 + параметр2*вес2 +... и т.д.. Важнейшим присвойте большой вес, остальным — гораздо меньше, а недочетам (к примеру, стоимости) — отрицательный. Поколдуйте вечерок с этими весами, пока не почувствуете, что система не допускает очевидных ошибок, и далее она будет автоматом оценивать все предложения. Последнее слово, естественно, за вами, но вот просматривать весь перечень уже не надо — довольно изучить только фаворитов доморощенного хитпарада. При этом веса можно в хоть какой момент пересмотреть, если ваши предпочтения поменялись.
Вышла реальная система ИИ для поддержки принятия решений, пусть и очень примитивная. В процессе опции вы заложили в нее собственный опыт. А если при всем этом вы еще посоветовались со спецами и учли их мировоззрение, то можно уже гласить об экспертной системе. Схожим образом, но, естественно, на более широких и надежных данных, работают медико-диагностические экспертные системы: по формализованному анамнезу они выдают перечень диагнозов с условной оценкой вероятности каждого. Программки, фильтрующие спамерские письма, оценивают каждое послание по соответствующим для мусора словам, адресам и другим признакам, каждому из которых приписан собственный вес. Спамеры, напротив, стараются одурачить ИИ фильтрующих программ: пишут с ошибками, подменяют числа знаками, добавляют в письма посторонние тексты, чтоб фильтр не распознал на их фоне рекламу. Системы ИИ безпрерывно совершенствуются с обеих сторон.
Тест Тьюринга
В 1950 году один из основателей кибернетики, Алан Тьюринг, предложил тест, который должна пройти машина, чтоб ее можно было именовать мыслящей. Пусть эксперт обменивается тестовыми сообщениями с 2-мя собеседниками, один из которых человек, а другой — компьютер. Задачка профессионала — за время разговора отличить машину от человека. Тьюринг ждал, что к 2000 году компы с памятью около 100 Мбайт сумеют в 30% случаев накалывать профессионала в течение 5 минут. Машины уже стали много сильнее, но пока ни один бот не прошел тест Тьюринга. Вобщем, уже есть программки, которым под силу некое время выдавать себя за человека, если собеседник не ждет, что разговаривает с роботом. Такие программки находят применение в компьютерных играх, чатах и даже в рекламе. Если вы владеете английским, попытайтесь пообщаться с ALICE (www.alicebot.org), трехкратным победителем в соревнованиях разговаривающих программ. К огорчению, на российском языке ничего близкого по уровню пока нет.
Роботы-автомобили с искусственным умом перед гонкой DARPA по пересеченной местности в 2005 году. Голубий — фаворит Stanley — от Стэнфордского института, красноватые — H1ghlander и Sandstorm — от Института Карнеги-Меллона
Ошибки — путь развития
Часть мусора («мусорной» электрической почты) проникает через всякую защиту, но еще ужаснее, что время от времени в отвалы попадают принципиальные деловые письма. Ошибки — неотъемлемый атрибут ума, в том числе искусственного, так как конкретно на ошибках он формируется. Простой случай обучения — та подстройка весов, которой мы занимались при подборе ноутбука. Это — обучение вручную. Спам-фильтры более самостоятельны в учебе: вы только указываете им на ошибки, а они сами уточняют веса признаков мусора.
Еще автономнее умственные боты, играющие на бирже. Они сами оценивают эффективность собственных действий по достигнутым результатам и корректируют поведение. Наилучшие современные системы такового типа уже не уступают трейдеру средней квалификации. Они, естественно, тоже ошибаются, но по нраву ошибки бота отличаются от ошибок человека, хотя бы поэтому, что 1-ый никогда не пойдет на поводу у чувств. А бывает и так, что сами разработчики не понимают, почему бот принял определенное решение, и подразумевают ошибку, а спустя некое время глядишь — он оказывается прав. Поневоле появляется чувство, что мы вправду имеем дело с разумом, хотя и очень отличающимся от людского.
Может быть, эту разницу можно нивелировать, если испытать воспроизвести принципы организации людского мозга? Обычно в науке, если удается смоделировать явление, то его главные принципы можно осознать, исследуя модель. Эта мысль привела к построению и исследованию нейронных сетей — систем ИИ, устроенных по аналогии с мозгом человека. Нейроны (в модели это легкие однотипные программные объекты) соединяются меж собой в сеть квазислучайным образом. Каждый нейрон спецефическим образом реагирует на сигналы, поступающие на его входы. Одни сигналы возбуждают нейрон, другие тормозят возбуждение. В итоге на его выходе формируется сигнал, передаваемый другим нейронам. На входы неких нейронов подается наружняя информация, подлежащая обработке, а на выходах неких других формируется итог. Так как сеть соединена случайным образом, ее ответы сначала тоже будут случайны, другими словами глупы. Здесь и начинается процедура обучения.
Каждый раз, когда сеть производит неверный ответ, самые главные нейроны, которые сформировывают окончательное решение на выходе сети, получают наказание — штраф. Они разбираются, какой из нейроновподчиненных содействовал принятию неверного решения, и понижают такому уровень доверия, а тем, кто «голосовал» против, рейтинг увеличивают. Получившие по заслугам нейроны второго уровня аналогичным образом наводят порядок в собственном хозяйстве, и так до того времени, пока не дойдет до самых первых нейронов (подразумевается, что циклов в нейронной сети нет). После чего функцию обучения повторяют на новеньком примере.
Через некое время сеть (если она обладает достаточной мощностью) научается верно реагировать на предъявляемые сигналы. Подобные сети употребляются, к примеру, в системах определения текста. Отсканированная страничка разбивается на строчки, строчки — на знаки, а далее по каждому символу принимается решение — какой буковке он соответствует, по другому — какой ее порядковый номер в алфавите. Одна и та же буковка всякий раз смотрится на бумаге малость по-другому — из-за различий в шрифте, соседства других букв, неоднородности бумаги и огромного количества других обстоятельств. Обученная нейронная сеть начинает узнавать в несколько различающихся, но все таки схожих картинах одну буковку и отличать ее от других.
Но как ей это удается? Возьмем отдельный нейрон из середины сети и попробуем осознать: почему он реагирует на сигналы соседей так, а не по другому? Как досадно бы это не звучало, в сложной сети это совсем безвыходное дело. Ее «опыт» не локализован в отдельном нейроне, им обладает только сеть в целом. Можно перепрограммировать нейрон и поглядеть, какие ошибки станет делать сеть. Так изучают и человечий мозг — глядят, какие конфигурации вызывает стимуляция тех либо других центров. Но, даже осознав функции отдельных нейронов, обычно нельзя разъяснить, почему эти функции производятся конкретно при таковой настройке.
До сего времени науке обычно удавалось отыскивать обыкновенные закономерности, объясняющие сложные явления, подобно тому, как хаотическое поведение молекул газа удалось обрисовать вместительными формулами статистической физики. Но похоже, что происхождение и работу ума, даже искусственного, нельзя разъяснить, не воспроизведя этот ум «со всеми потрохами».
Генетические методы
Еще есть один метод сотворения систем ИИ, имитирующий биологическую эволюцию. Задачка кодируется на особом языке, напоминающем генетический код. В код случайным образом вносятся «мутации», и оценивается, как отлично любая из версий кода («особь») адаптирована для решения задачки. Менее адаптированные «вымирают», а другие «скрещиваются», обмениваясь кусками кода, порождая новое «поколение» кодов, которое подвергается новенькому циклу отбора. Так повторяется, пока не исчерпается время, отпущенное на эволюцию. Генетические методы используются для задач оптимизации, таких как поиск кратчайшего пути, составления расписаний, выбора игровой стратегии. Отличительная особенность таких задач — существование большого числа вероятных решений, отыскать которые до боли просто, но посреди их необходимо избрать как можно наилучшее.
Применение искусственного ума
Игры и игрушки. ИИ наделяет игровых персонажей способностью к нешаблонному поведению, которое сложным образом связано с действиями играющего. Это делает игру намного увлекательнее.
Определение образов и речи. Человек и животные просто выяснят окружающие предметы и сигналы, но мы не отдаем для себя отчета, как это выходит. Для компьютера, который принимает только массивы чисел, распознать в их осмысленные образы — непростая задачка.
Машинный перевод и обработка текстов на естественном языке. ИИ нужен для учета контекста при выборе из огромного количества вероятных значений переводимых слов и грамматических конструкций. ИИ употребляют для резвой направленной на определенную тематику систематизации текстов, к примеру, сообщений информагентств, для автоматического реферирования — выделения основных фраз, позволяющих решить, растрачивать ли время на детализированное ознакомление с документом.
Выявление закономерностей в массивах данных. Умственный анализ больших баз данных (к примеру, продаж в сети гипермаркетов либо расшифрованного генома) время от времени выявляет закономерности, которых никто не подразумевал. Эта сфера получила заглавие data mining (добыча данных). Традиционный пример: обнаружение корреляции продаж подгузников и пива. Супруги посылают мужей за подгузниками, а те заодно «утешают» себя покупкой пива. Поставив стеллажи с пивом и подгузниками рядом, удалось приметно поднять реализации.
Адаптация к поведению юзера. Программки могут рассматривать привычки юзера и адаптироваться к нему, заблаговременно готовясь к выполнению более возможных действий либо убирая из поля зрения излишние детали.
Многофакторная оптимизация. Нередкий вопрос: как отыскать оптимум, когда на итог оказывает влияние сильно много характеристик? ИИ позволяет существенно сузить область поиска, ускоряя принятие решений и повышая их качество.
Оценка рисков, прогнозирование. Оперативное построение прогноза с учетом предыдущей истории, к примеру, на бирже; оценка рисков, связанных с различными вариациями поведения. Особенный случай: умственные системы безопасности для автомобилей, реагирующие на небезопасные дорожные ситуации резвее водителя.
Диагностика. Резвое выявление болезней и дефектов по совокупы признаков. Последние три сферы внедрения нередко объединяют под заглавием «поддержка принятия решений».
Исследователь Синтия Бризил «общается» с роботом Кисмет. Последний был сотворен для исследования способности моментального определения мимики и построения реакции зависимо от настроения «собеседника»
Границы разума
Чем интеллектуальнее становятся системы, тем сложнее сказать, как конкретно они принимают решения. Разъяснение выходит не проще объясняемого объекта. Выходит, что сделать ИИ можно, а вот «заглянуть» в механизм его деяния не выходит. Разрушается одна из старенькых иллюзий, как будто сделать можно только то, что стопроцентно понимаешь.
Но это наше бессилие в объяснениях трудности разума открывает пред нами фантастические способности. Выходит, что нет принципных препятствий для сотворения все более и поболее умных, многофункциональных и в то же время дешевеньких ботов. Если можно сделать систему, которую не понимаешь, если для формирования сложного целенаправленного поведения довольно обычных компонент, объединенных оборотными связями, и способности учиться на ошибках, то появление людского разума уже не кажется феноминальным, и резонно представить, что с течением времени появятся машины, думающие, как человек. Либо не как человек, но точно — думающие.
И тут появляется вопрос о самосознании искусственных умственных систем. По каким признакам мы можем судить о его наличии? Философы и психологи так и не смогли прояснить сущность этого парадокса, составляющего самое ядро личности. Целесообразное поведение можно запрограммировать. Эмоции, способность испытывать любовь и мучения присущи большинству млекопитающих. А некие из их — шимпанзе, дельфины, слоны — даже выяснят себя в зеркале. Значит ли это, что у их есть самосознание?
Навряд ли оно есть у насекомых либо членистоногих. И тем паче нет оснований гласить о самосознании современных систем ИИ, которые намного уступают им по трудности организации. Но сложность — это вопрос времени, и пока нельзя сказать, где проходит порог появления сознания в умственной машине. Ну и навряд ли этот порог будет сколько-либо точным. Просто нужно быть готовым к его приближению. Полностью может быть, что 1-ый разум, с которым нам доведется установить контакт, будет совсем не инопланетным, а искусственным. И никто пока не может сказать, в какой момент выключение питания станет актом, непонятным с этической точки зрения.
Александр Сергеев
ужс я даже не могу представить как это больно 