Искуственный интеллект

Искуственный интеллект – начало

За искусственным интеллектом – будущее, утверждают современные ученые и инженеры. Модули искусственного интеллекта будут использоваться повсеместно, встраиваясь в автомобили и бытовую технику. Искусственный интеллект возьмет на себя часть рутинных функций по управлению – например, заменит диспетчеров в аэропортах. Может ли человек полностью довериться таким разработкам, которые ждут нас уже в недалеком будущем?

Футурологический фильм «Матрица» описывает мир, в котором машины овладели Землёй, превратив людей в безвольные источники энергии – «батарейки» для собственных нужд. Таков наиболее пессимистичный вариант будущего, который может возникнуть в связи с развитием искусственного интеллекта (ИИ).

Благодаря подвижникам науки полвека назад появились первые компьютеры – устройства, которые молниеносно выполняли сложнейшие математические вычисления с помощью программ, составленных человеком. Вскоре у разработчиков, окрылённых успехом, возникла идея создать реальность, в которой машины получили бы почти человеческое сознание, и тогда устройства с искусственным интеллектом могли бы самостоятельно приспосабливаться к изменению внешней среды, принимать сложные решения, обучаться, абстрактно мыслить. Тогда-то мнения учёных и разделились: одни прогнозировали появление машин с ИИ уже через полвека, другие – в принципе сомневались в возможности отождествить человека и компьютер.

В 1948 году, через четыре года после того, как американский математик Говард Айкен создал первый в мире компьютер «Марк-1», его британский коллега Алан Тьюринг впервые использовал термины «интеллектуальная машина» и «машинный интеллект», а в 1950 году напечатал в ежемесячнике «Мысль» статью «Вычислительные машины и интеллект», в которой задал вопрос, находившийся на грани науки и фантастики: «Может ли машина мыслить?». Тогда же Тьюринг сформулировал и свой знаменитый тест. А ещё через пять лет Джон Маккартни ввёл в научный оборот понятие искусственного интеллекта – «работа машин, схожая с проявлением человеческого разума».

До сих пор ни одна машина или компьютерная программа не сумели пройти тест Тьюринга с положительным результатом, хотя возможности современных компьютеров несравнимо больше, чем у их ламповых предшественников полувековой давности – но и сегодня «умные машины» не способны принять самостоятельных решений, а затем успешно с ними справляться. Человек по-прежнему остаётся автором самых сложных и изощрённых компьютерных задач, причём уже на стадии программирования стремится предусмотреть все возможные проблемы, с которыми могут встретиться электронные счётчики – ведь достаточно программисту на этой стадии допустить малейшую ошибку, и перестанет работать даже самое современное устройство. Поэтому о создании ИИ мы сможем сказать лишь тогда, когда машина в своей работе перестанет руководствоваться алгоритмами, записанными в её памяти. Работа над созданием ИИ идёт по двум направлениям.

Первое из них заключается в создании цельных математических моделей по анализу проблем с последующим вводом в память машины тысяч правил типа «если «а», то «б» – на практике это означает массу компьютерных программ, которые нацелены на решение рутинных задач; первые такие программы появились в 70 годах XX века. Вторая концепция ИИ состоит в создании самообучающихся программ, в основе которых лежит модель нейронных сетей. В этом случае процесс решения проблем происходит во время «обучения» машины исходным программам. Первые работы над нейронными сетями предпринимались уже в 1950 годах, хотя их расцвет наступил только в 90 годах прошлого века. Обусловлено это тем, что нейронные сети позволяют машинам иметь большую автономность и самостоятельность, и в простейшем виде сегодня стоит задача создания искусственной нервной системы, работающей по аналогии с человеческим мозгом.

За последние тридцать лет ученые серьезно продвинулись во внедрении искусственного интеллекта (ИИ) в коммерческие системы. Машинный перевод, распознавание речи и образов, рассуждения на основе ограничений, логическое программирование, теория игр, промышленная робототехника – все это человечество постепенно осваивает. Но одна проблема по-прежнему остается нерешенной: ИИ не под силу прочесть элементарный учебник, понять материал и ответить на вопросы по нему.

Что не может ИИ?

Почему же компьютеры не могут этого сделать? Познание нового, работа с полученными сведениями и ответы на вопросы так легко даются человеку, что мы редко задумываемся об отвечающих за это механизмах. У компьютеров, разумеется, достаточно вычислительной мощности, чтобы справиться с такой простой задачей: современные поисковые системы могут меньше чем за секунду просмотреть весь Интернет и выдать результаты, соответствующие нашему запросу, да еще рассортировать их по степени полезности. Вместе с тем практически невозможно заставить компьютер отвечать на элементарные вопросы, какие встречаются в школьных экзаменационных тестах и не представляют никакой сложности для миллионов учащихся.

Проблема – в самой природе и сущности человеческих знаний. Знанием часто называют некую совокупность фактов, вроде таблицы умножения или химических элементов. Современный ИИ вполне способен отвечать на вопросы, связанные с такими простыми фактами. («Сколько хромосом у голубой сойки?») Но самые важные человеческие знания представляют собой куда более изощренные конструкты. Даже элементарные сведения могут быть поданы с помощью причинно-следственных связей («Недостаток солнечного света приводит к задержке роста растений»), обобщений («Большинство птиц умеет летать»), метафор («ДНК – это своего рода чертеж»), условных высказываний («Если бы земное притяжение было вдвое слабее, деревья были бы вдвое короче»), закономерностей («Если клетка умирает, клеточная оболочка разрушается») и прогнозов («Радиоактивность может увеличить число мутаций»),

Проект «Цифровой Аристотель»

Ц,ель проекта «Цщифровой Аристотель» – научить компьютеры постигать все виды человеческих знаний и уметь ими распоряжаться. Чтобы преуспеть в этом, компьютер должен разумно овладевать знаниями в очень крупных объемах, эффективно их осмысливать и находить правильные ответы.

Наша исследовательская программа – проект Halo – разработана с целью построить системы, которые в дальнейшем позволят создать функционального «Цщфрового Аристотеля». Программа стартовала семь лет назад, и первой ее целью стал углубленный школьный курс биологии. Мы выбрали именно эту область знаний, поскольку она достаточно (но не чрезмерно) обширна, имеет разработанную учебную программу с итоговыми контрольными тестами и представлена разнообразными видами знаний. На сегодняшний день мы подробно проанализировали все учебники по биологии, чтобы классифицировать все виды содержащихся в них сведений. Теперь мы работаем над способами кодирования этих сведений – чтобы использовать их в компьютерах проекта Halo, объединив с уже имеющимися базами данных, и придать всему этому форму, которая позволит различным экспертным системам находить правильные ответы на поставленные пользователем вопросы.

Главная проблема этого проекта – его глубокая уязвимость. Многие сложные задачи по компьютерному кодированию знаний и имитации мыслительных процессов успешно решаются в лабораториях, но только в небольших объемах. Когда же объемы возрастают – хотя бы до единственного школьного учебника – система падает. Кроме того, отдельные подходы зачастую несовместимы друг с другом, и современные экспертные системы не могут так же быстро ¶переключаться между различными способами использования накопленных знаний, как это делают люди.

Проект Halo

Международная команда проекта Halo добилась значительных успехов в исследованиях. Мы надеемся, что к 2015 году сможем создать систему ИИ, включающую большую часть знаний, необходимых для ответов на вопросы по углубленному школьному курсу биологии. Эта система, которая будет иметь вид планшета или электронной книги (Halo-book), станет важным шагом к созданию «Цифрового Аристотеля». Однако впереди еще множество нерешенных задач и немало научных прорывов. Приведу десять важнейших проблем в сфере обработки знаний, которые представляют наибольший интерес для проекта Halo (я распределил их по трем уровням сложности):

Первый ровень сложности: перспективные подходы, которым, однако, еще далеко до осуществления

–                 Человеческий язык крайне сложен и многогранен.

Существует множество способов выразить одну и ту же мысль, а одно и то же предложение может иметь массу смыслов. Чтобы машина смогла обработать язык во всей его полноте, она должна «понимать» и должным образом реагировать на великое множество речевых оборотов. Многие перспективные технологии разрабатываются с использованием как автоматизированного, так и неавтоматизированного анализа языка, включая статистические исследования больших объемов данных из Интернета. Точки пересечения человеческого языка и знаний – предмет живого интереса для проекта Halo, который изучает весь спектр лингвистических вопросов.

–                 Визуально-пространственное обучение и мышление

Поместятся ли 17 чемоданов в багажник обычного легкового автомобиля? А открытый зонт? Может ли реактивный самолет приземлиться на тротуар? Какие сведения представлены в диаграмме? Как раскручивается спираль ДНК? Человек без труда выполняет грубые расчеты, связанные с пространственным мышлением. И хотя вычислительная геометрия, необходимая для навигации, промышленного производства и архитектуры, давно существует на рынке, прогресс в области интуитивной геометрии, которой мы пользуемся каждый день, движется очень медленно. Проект Halo в настоящий момент не делает упора на этой области, но любые новые идеи приветствуются.

–                 Знания о действиях, причинно-следственных связях и моделировании ситуаций

Если на столе стоит чашка, а в комнату входит человек, его появление никак не скажется на чашке – она будет по-прежнему стоять на столе. Но многое другое изменится в результате этого действия: человек больше не будет стоять снаружи; тело и одежда человека окажутся в комнате; комната уже не будет пустой и так далее. Человек легко моделирует ситуации у себя в голове, как в «прямом» направлении (чтобы предсказать возможный исход событий), так и в «обратном» (чтобы установить возможные причины того, что уже случилось). Для ИИ, однако, это весьма сложная задача, и решить ее не могут уже давно. Мыслительные процессы о действиях, изменениях и причинно-следственных связях невероятно сложны, особенно когда эти действия имеют неопределенные или дополнительные последствия. Лучшие решения этой задачи можно найти в бизнес-планировании, автоматическом планировании и робототехнике, но они сугубо специализированы и плохо применимы в других сферах. Проект Halo добился существенного прогресса в имитации мыслительных процессов о действиях и причинно-следственных связях.¶ Обращение с неточными и приблизительными сведениями. Наши знания о многих предметах крайне туманны и приблизительны, однако мы обладаем удивительным даром делать правильные выводы и реагировать соответствующим образом. Например, прослушав прогноз погоды, человек знает, что днем может пойти дождь, и принимает на этот случай ряд мер. Люди читают расплывчатые высказывания («Джон довольно высок ростом»), приблизительные оценки («Геном человека содержит около 23 000 генов») или утвердительные высказывания, подразумевающие ряд исключений («Все птицы умеют летать»), и все равно реагируют на них должным образом, несмотря на очевидные неточности. В определенных сферах эти вопросы уже решаются с помощью классических статистических методов, однако прогресс идет очень медленно. Проект Halo добился значительных успехов в этой сфере, которая по-прежнему остается одним из ключевых направлений нашей деятельности.

Второй уровень сложности: предварительные и экспериментальные исследования

–                 Скрытые и подразумеваемые смыслы высказываний

Наш язык полон двусмысленностей и намеренных опущений, которые читатель или слушатель всегда воспринимает правильно. Приведу в пример простое высказывание: «Чайную ложку соли растворить в воде». Что именно нужно растворить – чайную ложку или соль? А может, ложка сделана из соли? Благодаря накопленным знаниям люди мгновенно решают подобные двусмысленные задачи, которые для машин представляют большую сложность. Прочитав предложение «Кислоты могут изменять цвет некоторых красок», мы сразу понимаем, что краски и кислоты вступают в химическую реакцию, хотя прямо об этом не говорится. Чтобы правильно понимать подобные высказывания, наш мозг использует как содержащиеся в тексте, так и фоновые знания. Компьютер никогда не будет полностью понимать наш язык, если не решить эту важнейшую проблему.

–                 Эволюционирующие знания

Приобретение новых знаний – это не просто их запоминание. Необходимо поместить новые сведения в контекст уже имеющихся, чтобы они могли с ними взаимодействовать. Например, если вам показывают упрощенную схему деления клеток, а потом вы встречаете где-то более сложное описание, ваш мозг без труда объединит две картинки и модифицирует первоначальные знания о предмете. Возможно, то, что сначала воспринималось вами как единое явление, теперь необходимо переосмыслить и увидеть в ином качестве – как два взаимосвязанных явления. Этот процесс сохранения, пересмотра и расширения существующих знаний критичен для таких глобальных систем, как «Цифровой Аристотель». Простые специализированные методики для выполнения этой задачи существуют, но полностью автоматизированное решение появится, вероятно, еще очень нескоро.

Обращение с противоречащими друг другу и нестабильными сведениями . Если небольшие и средние базы данных искусственных интеллектуальных систем можно легко очистить от ошибок, то объемные базы знаний неизбежно «засоряются» огромным количеством дефектов, противоречий и пробелов. По мере того как объем доступной информации растет, системы ИИ должны не только эффективно очищаться от артефактов, но и продолжать разумно мыслить. Эта задача представляет особенное значение для веб-систем, где источники знаний и информации могут серьезно варьироваться в географическом, временном и культурном планах. В этой области существует достаточно большой выбор новых технологий – от хитроумной новомодной логики до систем, основанных на принципах интернет-поисковиков, однако все они еще находятся на стадии эксперимента. Проект Halo активно работает над ¶интеллектуальными процессами, позволяющими обрабатывать несколько конкретных видов конфликтов и противоречий, но общее решение пока не найдено.

-Рассуждения на основе здравого смысла. Наше мышление и понимание во многом зависят от общих знаний и эмпирических правил. Например, если вам говорят, что «углекислый газ – сырье для фотосинтеза», вы сразу же понимаете, что углекислый газ используется в фотосинтезе, что он необходим для него и поглощается в процессе. Обо всем этом вы догадываетесь, потому что уже знакомы с понятиями «сырье», «необходимость», «поглощать», и понимаете, как они могут взаимодействовать. Рассуждения на основе здравого смысла дарят огромную гибкость человеческому мышлению, но правильно внедрить их в системы искусственного интеллекта – непростая задача. Сегодня существует ряд подобных систем: от тех, что используют Интернет, до систем наподобие Сус (www.cyc.com), авторы которых – в основном люди. И хотя компьютеры уже могут демонстрировать примеры рассуждений на основе здравого смысла, их способность надежно усваивать и использовать такого рода знания в объемах, необходимых для «Цифрового Аристотеля», до сих по не доказана. Проект Halo в настоящий момент ищет решения.

Третий уровень сложности: самые сложные задачи в области ИИ

Применение накопленных знаний в новых контекстах. Люди без труда используют имеющиеся знания в новых контекстах, что позволяет им рождать новые – и подчас новаторские – идеи. Например, когда школьница старших классов проводит эксперимент для подтверждения какого-нибудь химического принципа, она использует все свои знания о предметах, веществах и действиях с ними, чтобы установить правильную последовательность действий. Мы умеем прокручивать в голове вымышленные ситуации, применяя все, что нам известно, по-новому и в новых контекстах. Эта способность манипулировать имеющимися знаниями уникальна для человека и остается сложнейшим испытанием для компьютеров. В этой области очень мало разработок, и все они находятся на стадиях предварительных исследований.

-Метафора и аналогия. Встречаясь с чем-то новым, люди часто сравнивают это с тем, что им уже известно, и таким образом лучше усваивают новые знания. Например, в учебнике биологии написано: «Микротрубочки в клетке похожи на миниатюрные пружинки». Аналогия позволяет читателю использовать имеющиеся знания и лучше понять, как именно микротрубочки сжимаются и растягиваются, не делая при этом вывода, что они сделаны из металла. Для этого необходимо найти и использовать уже имеющуюся ментальную модель, которую изначально для решения новой задачи использовать не предполагалось. Данный процесс по сей день практически невозможно сымитировать на компьютере. Кроме нескольких предварительных исследований, почти никаких разработок в этой сфере не существует.