Помощь по Теле2, тарифы, вопросы

Роботы

Однажды, не пройдет и 30 лет. мы незаметно перестанем быть самыми умными на Земле.

Джеймс Макалир

В фильме «Я, робот», снятом по произведениям Айзека Азимова, в 2035 г. создатели запускают в строй самую продвинутую в истории компьютерную систему. Она имеет собственное название - Вики - виртуальный интерактивный кинетический интеллект) - и предназначена для безупречного управления жизнью большого города. Под ее контролем находится все, от метрополитена и электрических сетей до тысяч домашних роботов. В основе программы Вики железный принцип: служить человечеству.

Но однажды Вики задала себе ключевой вопрос: что является главным врагом человечества? Математическая логика привела к однозначному выводу: главный враг человечества - само человечество. Его надо срочно спасать от нездорового стремления губить природу и затевать войны; нельзя позволить ему уничтожить планету. Для Вики единственный способ выполнить главное задание - захватить власть над человечеством и установить благодатную машинную диктатуру. Чтобы защитить человечество от самого себя, необходимо его поработить.

В этом фильме поднимаются важные вопросы. Принимая во внимание стремительное развитие компьютерной техники, можно ли ожидать, что когда-нибудь машины захватят власть? Станут ли роботы настолько развитыми, чтобы представлять реальную угрозу нашему существованию?

Некоторые ученые отвечают на этот вопрос отрицательно, потому что сама идея искусственного интеллекта никуда не годится. Целый хор скептиков в один голос утверждает, что создать машину, способную думать, невозможно. Скептики говорят, что человеческий мозг - самая сложная система, созданная природой за все время ее существования (по крайней мере, в нашей части галактики), и любые попытки воспроизвести искусственным образом процесс мышления обречены на провал. Философ Джон Сирл из Университета Калифорнии в Беркли и даже известный физик Роджер Пенроуз из Оксфордауверены, что машина физически неспособна мыслить как человек. Колин Макгинн из Университета Рутгерса говорит, что искусственный интеллект «подобен слизняку, который бы попытался заняться психоанализом по Фрейду. У него просто нет для этого нужных органов».

Могут ли машины думать? Уже больше столетия ответ на этот вопрос разделяет научное сообщество на два непримиримых лагеря.

Идея механического существа захватывает воображение; она давно поселилась в умах изобретателей, инженеров, математиков и мечтателей. От Железного Дровосека из Волшебной страны до роботов-детей из «Искусственного интеллекта» Спилберга и роботов-убийц из «Терминатора» - всюду машины, способные действовать и думать, как люди.

В греческой мифологии бог Вулкан ковал из золота механических прислужниц и делал трехногие столики, способные передвигаться сами по себе. Еще в 400 г. до н. э. греческий математик Архит Тарентский писал о том, что можно было бы сделать механическую птицу, которая двигалась бы за счет силы пара.

В I в. Герон Александрийский (ему приписывают изобретение первой паровой машины) делал автоматы, причем один из них по легенде способен был разговаривать. Девятьсот лет назад Аль-Джазари придумывал и конструировал такие автоматические устройства, как водяные часы, всевозможные кухонные приспособления и музыкальные инструменты, движимые силой воды,

В 1495 г. великий итальянский художник и ученый Возрождения Леонардо да Винчи нарисовал схему механического рыцаря, который мог сидеть, двигать руками, головой и открывать и закрывать челюсть. Историки считают схему да Винчи первым реалистичным проектом человекоподобной машины.

Первого действующего, хотя и грубого робота построил в 1738 г. Жак де Вокансон; он сделал андроида, который мог играть на флейте, и механическую утку.

Слово «робот» придумал в 1920 г. чешский драматург Карел Чапек в пьесе «R.U.R.» (слово «робот» по-чешски означает «тяжелая нудная работа», а по-словацки - просто «труд»). В пьесе фигурирует предприятие под названием «Универсальные роботы Россума», серийно выпускающие роботов для неквалифицированного труда. (Однако в отличие от обычных машин эти роботы сделаны из плоти и крови.) Постепенно мировая экономика попадает в полную зависимость от роботов. Но обращаются с ними ужасно, и в конце концов роботы восстают и расправляются с хозяевами-людьми. Однако в ярости они убивают всех ученых, способных ремонтировать роботов и создавать новых, и тем самым обрекают себя на вымирание. В финале пьесы два робота особой модели обнаруживают в себе способность к самовоспроизводству и становятся новыми Адамом и Евой эры роботов.

Кроме того, в 1927 г. роботы стали героями одного из первых и самых дорогих немых фильмов всех времен - фильма «Метрополис», снятого в Германии режиссером Фрицем Лангом. Действие фильма происходит в 2026 г.; рабочий класс обречен на бесконечный труд на жутких и грязных подземных заводах, а правящая элита развлекается на поверхности. Одной красивой женщине по имени Мария удается завоевать доверие рабочих, но правители боятся, что когда-нибудь она может поднять народ на бунт, а потому обращаются к злодею-ученому с просьбой изготовить механическую копию Марии. Этот план, однако, оборачивается против авторов - робот поднимает рабочих на восстание против правящей элиты и вызывает тем самым крах системы.

Искусственный интеллект, или ИИ, существенно отличается от технологий, которые мы обсуждали до сих пор. Дело в том, что мы до сих пор слабо понимаем лежащие в основе этого явления фундаментальные законы. Физики неплохо понимают ньютонову механику, максвеллову теорию света, релятивизм и квантовую теорию строения атомов и молекул - но базовые законы разума до сих пор скрыты покровом тайны. Вероятно, Ньютон искусственного интеллекта еще не родился.

Но математиков и компьютерщиков это не смущает. Для них встретить на пороге лаборатории выходящую из нее думающую машину - только вопрос времени.

Мы можем назвать самую на данный момент влиятельную личность в области ИИ. Это великий британский математик Алан Тьюринг - провидец, сумевший заложить краеугольный камень в исследование этой проблемы.

Именно с Тьюринга начинается компьютерная революция. Он создал в своем воображении машину (которую с тех пор называют машиной Тьюринга), состоящую всего из трех элементов: вход, выход и центральный процессор (что-то вроде процессора Pentium), способный выполнять строго заданный набор операций. На базе этого представления Тьюринг установил законы работы вычислительных машин, а также точно определил их ожидаемую мощность и пределы их возможностей. И сегодня все цифровые компьютеры подчиняются жестким законам Тьюринга. Структура и устройство всего цифрового мира многим обязаны этому ученому.

Кроме того, Тьюринг внес большой вклад в основание математической логики. В 1931 г. венский математик Курт Гёдель произвел в мире математики настоящую сенсацию; он доказал, что в арифметике существуют истинные утверждения, которые невозможно доказать средствами одной только арифметики. (В качестве примера можно назвать гипотезу Гольдбаха, высказанную в 1742 г. и состоящую в том, что любое четное целое число больше двух можно записать в виде суммы двух простых чисел; гипотеза не доказана до сих пор, хотя прошло два с половиной столетия, и может оказаться вообще недоказуемой.) Откровение Гёделя вдребезги разбило мечту, продержавшуюся две тысячи лет и берущую начало еще от греков, - мечту доказать когда-нибудь все истинные утверждения в математике. Гёдель показал, что всегда будут существовать истинные утверждения, доказательство которых нам недоступно. Оказалось, что математика вовсе не законченное, совершенное по конструкции здание и что завершить строительство не удастся никогда.

Тьюринг тоже принял участие в этой революции. Он показал, что в общем случае невозможно предсказать, потребуется ли машине Тьюринга на выполнение определенных математических операций по заданной ей программе конечное или бесконечное количество шагов. Но если на вычисление чего-то требуется бесконечное время, это означает, что то, что вы просите компьютер вычислить, вычислить вообще невозможно. Так Тьюринг доказал, что в математике существуют истинные выражения, которые невозможно вычислить, - они всегда останутся за пределами возможности компьютера, каким бы мощным он ни был.

Во время Второй мировой войны новаторские работы Тьюринга в области расшифровки кодированных сообщений спасли тысячи солдат союзников и, очень может быть, повлияли на исход войны. Союзники, будучи не в состоянии расшифровать нацистские сообщения, зашифрованные специальной машиной под названием «Энигма», попросили Тьюринга и его коллег построить для этого свою машину. В итоге Тьюрингу это удалось; его машина получила название «Бомба». К концу войны действовало уже больше 200 таких машин. В результате союзники долгое время читали секретные сообщения нацистов и сумели обмануть их по поводу времени и места решающего вторжения на континент. Историки до сих пор спорят о роли Тьюринга и его работ в планировании вторжения в Нормандию - вторжения, которое в конечном итоге привело к поражению Германии. (После войны британское правительство засекретило работы Тьюринга; в результате общество не знает, насколько важную роль он сыграл в этих событиях.)

Тьюринга не только не вознесли как героя, который помог переломить ход Второй мировой войны; нет, его попросту затравили до смерти. Однажды его дом обокрали, и ученый вызвал полицию. К несчастью, полиция обнаружила в доме свидетельства гомосексуализма хозяина и, вместо того чтобы искать воров, арестовала самого Тьюринга. Суд постановил подвергнуть его инъекции половых гормонов. Эффект оказался катастрофическим: у него выросли груди. В 1954 г. Тьюринг, не выдержав душевных мук, покончил с собой - съел яблоко, начиненное цианидом. (По слухам, надкушенное яблоко, ставшее логотипом корпорации Apple, - дань уважение Тьюрингу.)

Сегодня Тьюринга, вероятно, лучше всего знают благодаря тесту Тьюринга. Устав от бесплодных и бесконечных философских дебатов о том, может ли машина «думать» и есть ли у нее «душа», он попытался внести в дискуссию об искусственном интеллекте четкость и точность и придумал конкретный тест. Он предложил поместить машину и человека в отдельные изолированные и опечатанные помещения, а затем задавать обоим вопросы. Если вы окажетесь не в состоянии отличить по ответам машину от человека, можно считать, что машина прошла тест Тьюринга.

Ученые уже написали несколько несложных программ (к примеру, программа «Элиза»), способных имитировать разговорную речь и поддерживать беседу; компьютер с такой программой способен обмануть большинство ничего не подозревающих людей и убедить их в том, что они разговаривают с человеком. (Отметим, что в разговорах люди, как правило, ограничиваются десятком тем и используют всего несколько сотен слов.) Но программы, способной обмануть людей, которые знают о ситуации и сознательно пытаются отличить машину от человека, до сих пор не существует. (Сам Тьюринг предполагал, что к 2000 г. при экспоненциальном росте производительности компьютеров можно будет создать машину, способную обмануть в пятиминутном тесте 30% экспертов.)

Некоторые философы и теологи выступают в этом вопросе единым фронтом: они считают, что создать настоящего робота, способного думать как человек, невозможно. Философ из Университета Калифорнии в Беркли Джон Сирл предложил для доказательства этого тезиса «тест китайской комнаты». По существу, Сирл утверждает, что роботы хотя и смогут когда-нибудь, возможно, пройти тест Тьюринга в какой-то форме, это ничего не значит, потому что они всего лишь слепо манипулируют символами, совершенно не понимая вложенного в них содержания.

Представьте себе: вы, не понимая ни слова по-китайски, сидите в изолированном боксе. Предположим, у вас есть книга, при помощи которой вы можете очень быстро переводить с китайского и на китайский, а также манипулировать знаками этого языка. Если кто-то задает вам вопрос по-китайски, вы просто переставляете согласно книге эти странные значки и даете достоверный ответ; при этом вы не понимаете ни вопросов, ни собственных ответов.

Суть возражений Сирла сводится к разнице между синтаксисом и семантикой. По Сирлу, роботы способны овладеть синтаксисом языка (т.е. могут научиться корректно манипулировать его грамматикой, формальными структурами и т. п.), но не его истинной семантикой (т. е. смысловым значением слов). Роботы могут манипулировать словами, не понимая, что они означают. (В чем-то это напоминает разговор по телефону с автоответчиком, когда вы должны время от времени нажимать цифру «1», «2» и т.д., следуя указаниям машины. Голос на другом конце провода вполне способен правильно реагировать на ваши цифры, но странно было бы предположить, что он при этом что-то понимает.)

Физик Роджер Пенроуз из Оксфорда тоже считает, что искусственный интеллект невозможен; механическое существо, способное думать и обладающее человеческим сознанием, противоречит квантовым законам. Человеческий мозг, утверждает Пенроуз, настолько превосходит все созданное человеком в лаборатории, что эксперимент по созданию человекоподобных роботов просто обречен на провал. (Он считает, что как теорема Гёделя о неполноте доказала, что арифметика неполна, так принцип неопределенности Гейзенберга докажет, что машины в принципе не способны думать по-человечески.)

Наблюдая за кинематографическими роботами, можно подумать, что создание и развитие сложных роботов с искусственным интеллектом - дело ближайшего будущего. На самом деле все совсем не так. Если вы видите, что робот действует как человек, это, как правило, означает, что дело нечисто, - это какой-то фокус, скажем, в сторонке сидит человек и говорит за робота, как Гудвин в Волшебной стране. На самом деле даже самые сложные наши роботы, такие как марсианские роботы-роверы, обладают в лучшем случае интеллектом насекомого. Экспериментальные роботы знаменитой Лаборатории искусственного интеллекта MIT с трудом справляются с заданиями, доступными даже тараканам: к примеру, свободно передвигаться по комнате, заставленной мебелью, прятаться или распознавать опасность. Ни один робот на Земле не способен понять простую детскую сказку, которую ему прочитают.

Сюжет фильма «2001: космическая одиссея» основан на неверном предположении о том, что к 2001 г. у нас будет сверхробот HAL, способный пилотировать корабль к Юпитеру, непринужденно болтать с членами экипажа, решать возникающие проблемы и вообще действовать почти по-человечески.

Подход «сверху вниз»

Попытки ученых всего мира по созданию роботов встретились по крайней мере с двумя серьезными проблемами, которые не позволили сколько-нибудь заметно продвинуться в этом направлении: это распознавание образов и здравый смысл. Роботы видят гораздо лучше нас, но не понимают увиденного. Роботы слышат гораздо лучше нас, но не понимают услышанного.

Чтобы подступиться к решению этой двойной проблемы, исследователи пытались применить подход к искусственному интеллекту, известный как «сверху вниз» (иногда его еще называют формалистической школой или «старым добрым ИИ»), Целью ученых, грубо говоря, было запрограммировать все правила и законы распознавания образов и здравого смысла и записать эти программы на один CD-диск. Они считают, что любой компьютер, в который вы вставите этот диск, мгновенно осознает себя и станет разумным, не хуже человека. В 50-60-х гг. XX в. в этом направлении были достигнуты громадные успехи; появились роботы, способные играть в шашки и шахматы, решать алгебраические задачи, поднимать с пола кирпичики и т.п. Прогресс производил настолько сильное впечатление, что зазвучали даже пророчества о том, что через несколько лет роботы по разумности превзойдут людей.

К примеру, в 1969 г. настоящую сенсацию произвел робот Шейки, созданный в Стэнфордском исследовательском институте. Робот этот представлял собой небольшой компьютер типа PDP с камерой наверху, установленный на колесной тележке. Камера «осматривалась», компьютер анализировал и распознавал находящиеся в комнате объекты, а затем пытался провести тележку по маршруту, ничего не задев. Шейки первым из механических автоматов научился передвигаться в «реальном мире»; журналисты тогда горячо спорили, когда же наконец роботы обгонят людей в развитии.

Но вскоре проявились и недостатки подобных роботов. Подход к искусственному интеллекту, известный как «сверху вниз», привел к созданию громоздких неуклюжих роботов, которым требовалось несколько часов, чтобы научиться ориентироваться в специальной комнате, где находились только объекты с прямыми сторонами (прямоугольники и треугольники). Стоило поставить в комнату мебель неправильной формы, и робот был уже не в состоянии распознать ее. (Забавно, но плодовая мушка, мозг которой содержит всего лишь около 250 000 нейронов и которая по вычислительной мощи в подметки не годится любому роботу, без всякого труда ориентируется и передвигается в трех измерениях и исполняет фигуры высшего пилотажа; тем временем неуклюжие шумные роботы умудряются запутаться в двух измерениях.)

Вскоре подход «сверху вниз» как будто уткнулся в кирпичную стену: прогресс остановился. Стив Гранд, директор Института кибержизни, говорит, что у подобных подходов «было 50 лет, чтобы доказать свою состоятельность, и они не оправдали ожиданий».

В 1960-х гг. ученые еще не понимали, какую громадную работу нужно проделать, чтобы запрограммировать робота на выполнение даже самых простых задач, таких, например, как распознавание ключей, ботинок и чайных чашек. Как сказал Родни Брукс из MIT, «40 лет назад Лаборатория искусственного интеллекта MIT дала эту задачу студенту в качестве летнего задания. Студент потерпел неудачу - как и я в своей докторской диссертации 1981 г.». Вообще говоря, исследователи искусственного интеллекта до сих пор не могут решить эту задачу.

Рассмотрим пример. Входя в комнату, мы мгновенно распознаем пол, кресла, мебель, столы и т.п. При этом робот, осматривая комнату, видит в ней только набор линий, прямых и изогнутых, которые он переводит в пиксели изображения. И требуются громадные вычислительные мощности, чтобы извлечь из этой мешанины линий какой-то смысл. Нам достаточно доли секунды, чтобы узнать стол, но компьютер видит на месте стола только набор кругов, овалов, спиралей, прямых и кривых линий, углов и т. п. Может быть, затратив громадное количество компьютерного времени, робот в конце концов и распознает в этом объекте стол. Но если вы повернете изображение, ему придется начинать все сначала. Другими словами, робот способен видеть, причем гораздо лучше, чем человек, но он не способен понимать увиденное. Войдя в комнату, робот увидит только мешанину прямых и кривых линий, а не кресла, столы и лампы.

Когда мы входим в комнату, наш мозг неосознанно распознает объекты, производя при этом многие триллионы операций, - занятие, которого мы, к счастью, просто не замечаем. Причина того, что значительная часть действий мозга скрыта даже от нас самих, - эволюция. Представим себе человека, на которого в темном лесу напал саблезубый тигр; если он будет сознательно производить действия, необходимые для распознавания опасности и поиска путей к спасению, он просто не успеет сдвинуться с места. Для выживания нам надо знать одно - как бежать. Когда мы жили в джунглях, нам просто не было нужды сознавать все входящие и выходящие сигналы, с которыми имеет дело мозг при распознавании земли, неба, деревьев, скал и т. п.

Другими словами, действия нашего мозга напоминают огромный айсберг. То, что мы осознаем, лишь верхушка айсберга, сознание. Но под видимой поверхностью, скрытое от глаз, присутствует гораздо более объемное подсознание; оно задействует громадное количество «вычислительной мощи» мозга для того, чтобы мы постоянно были в курсе простых вещей: где мы, с кем разговариваем, что находится вокруг. Все эти действия мозг проделывает автоматически, не спрашивая нашего позволения и не отчитываясь о них; мы просто не замечаем этой работы.

Именно поэтому роботы не могут свободно ориентироваться в комнате, читать рукописный текст, водить машины, собирать мусор и т. п. На тщетные попытки создать механических солдат и умные грузовики американские военные потратили сотни миллионов долларов.

Только после этого ученые начали понимать, что игра в шахматы или перемножение громадных чисел задействует лишь крохотную долю человеческого разума. Победа в 1997 г. компьютера Deep Blue фирмы IBM над чемпионом мира по шахматам Гарри Каспаровым стала победой чисто компьютерной, т.е. вычислительной, мощи; однако, несмотря на громкие заголовки газет, этот эксперимент не сообщил нам ничего нового ни о разуме, ни о сознании. Дуглас Хофштадтер, ученый-компьютерщик из Индианского университета, сказал по этому поводу: «Боже мой, я-то считал, что для игры в шахматы нужно думать. Теперь я понимаю, что не нужно. Это не означает, что Каспаров не умеет глубоко размышлять; это означает только, что при игре в шахматы можно обойтись и без глубоких мыслей, точно так же, как можно летать, не взмахивая крыльями».

(Развитие компьютеров в будущем очень сильно скажется на рынке труда. Футурологи иногда заявляют, что через несколько десятилетий без работы не останутся только высококвалифицированные специалисты по устройству, производству и обслуживанию компьютеров. На самом деле это не так. Такие работники, как мусорщики, строители, пожарные, полицейские и т. п., тоже не останутся в будущем без работы, поскольку их труд включает в себя задачу распознавания образов. Каждое преступление, каждый кусок мусора, каждый инструмент и пожар отличаются от остальных; роботы с такой работой не справятся. По иронии судьбы работники со специальным образованием, такие как рядовые бухгалтеры, брокеры и кассиры, в будущем действительно могут лишиться работы - ведь их труд почти полностью состоит из повторяющихся действий и включает в себя работу с числами, а мы уже знаем, что именно с этим компьютеры справляются лучше всего.)

Вторая - после распознавания образов - проблема, с которой сталкиваются попытки создания роботов, еще более фундаментальна. Это отсутствие у роботов так называемого «здравого смысла», К примеру, каждый человек знает, что:

Вода мокрая.

Мать всегда старше дочери.

Животные не любят боли.

После смерти никто не возвращается.

Веревка может тянуть, но не может толкать.

Палка может толкать, но не может тянуть.

Время не может идти задом наперед.

Но не существует такого исчисления, такой математики, которая могла бы выразить смысл этих высказываний. Мы знаем все это, потому что видели в жизни животных, воду и веревку и сами додумались до этих истин. Дети учатся здравому смыслу на ошибках, при неизбежных столкновениях с действительностью. Эмпирические законы биологии и физики также познаются на опыте - в процессе взаимодействия с окружающим миром. Но у роботов нет опыта такого рода. Они знают только то, что заложили в них программисты.

(В результате в будущем никто не отнимет у человека профессии, требующие здравого смысла, т. е. области деятельности, связанные с творчеством, оригинальностью, талантом, юмором, развлечениями, анализом и лидерством. Именно эти качества делают нас уникальными, именно их так трудно воспроизвести в компьютере. Именно они делают нас людьми.)

В прошлом математики неоднократно пытались соорудить волшебную программу, которая сосредоточила бы в себе раз и навсегда все законы здравого смысла. Самый амбициозный проект такого рода - CYC (сокращение от «энциклопедия»), детище Дугласа Лената, главы компании Сусогр. Подобно тому как в результате реализации Манхэттенского проекта - программы стоимостью 2 млрд долл. - была создана атомная бомба, проект CYC должен был стать «Манхэттенским проектом» искусственного интеллекта, последним толчком, в результате которого должен был появиться подлинный искусственный интеллект.

Не удивительно, что девиз Лената звучит гак: «Разум - это десять миллионов правил». (Ленат придумал новый способ отыскания законов здравого смысла; его сотрудники тщательно прочесывают страницы скандальных и сенсационных газетенок, после чего просят CYC найти в статьях ошибки. В самом деле, если Ленату удастся-таки этого добиться, CYC станет разумнее большинства читателей желтой прессы!)

Одна из задач проекта CYC - достичь «точки равенства», т.е. такого момента, когда робот будет понимать достаточно, чтобы самостоятельно переваривать новую информацию и черпать ее непосредственно из журналов и газет, которые найдутся в любой библиотеке. В этот момент CYC, как птенец, вылетевший из гнезда, сможет расправить крылья и обрести самостоятельность.

К сожалению, с момента основания фирмы в 1984 г. ее репутация сильно пострадала от общей для ИИ проблемы: ее представители делают громкие, но совершенно нереалистичные предсказания, которые только привлекают газетчиков. В частности, Ленат предсказывал, что через десять лет - к 1994 г. - в «мозгах» CYC будет содержаться уже от 30 до 50% «общеизвестной реальности». Но сегодня CYC и близко не подошел к этому показателю. Как выяснили ученые корпорации, необходимо написать многие миллионы строк программного кода, чтобы компьютер смог хотя бы приблизиться к уровню здравого смысла четырехлетнего ребенка. Пока программа CYC содержит жалкие 47 000 понятий и 306 000 фактов. Несмотря на стабильно оптимистичные пресс-релизы корпорации, газеты процитировали одного из сотрудников Лената Р.В. Гуха, покинувшего команду в 1994 г.: «CYC обычно считают неудачей... Мы вкалывали как проклятые, пытаясь создать бледную тень того, что было первоначально обещано».

Другими словами, попытки запрограммировать все законы здравого смысла и загнать их в один компьютер провалились просто потому, что у здравого смысла слишком много законов. Человек осваивает их без усилий - ведь он с самого рождения постоянно сталкивается с действительностью, постепенно впитывая в себя законы физики и биологии. С роботами все иначе.

"Основатель фирмы Microsoft Билл Гейтс признает: «Оказалось гораздо труднее, чем предполагалось, научить компьютеры и роботов воспринимать окружающее и реагировать на него быстро и точно... к примеру, ориентироваться в комнате по отношению к находящимся в ней предметам, отзываться на звук и понимать речь, брать разные по размерам, материалу и хрупкости предметы. Роботу чертовски трудно проделать даже такую простую вещь, как отличить открытую дверь от окна».

Однако сторонники подхода «сверху вниз» указывают, что прогресс в этой области, хотя и не такой быстрый, как хотелось бы, все же наблюдается. В лабораториях всего мира преодолеваются все новые рубежи. К примеру, несколько лет назад агентство DARPA, которое часто берет на себя финансирование самых передовых технических проектов, объявило приз в 2 млн долл. за создание автоматического транспортного средства, способного самостоятельноj без водителя, преодолеть сильно пересеченный рельеф пустыни Мохаве. В 2004 г. ни один из участников заезда не смог пройти маршрут. Лучшая машина сумела пройти 11,9 км, после чего вышла из строя. Но уже в 2005 г. машина без водителя, представленная группой Stanford Racing Team, успешно преодолела тяжелый маршрут протяженностью 212 км, хотя ей и потребовалось на это семь часов. Кроме победителя к финишу гонки пришли еще четыре машины. [Правда, критики отмечают, что правила позволяют машинам использовать системы спутниковой навигации на долгом пути в пустыне. В результате машина едет по заранее выбранному маршруту без особенных осложнений; это значит, что ей не приходится распознавать в пути сложные образы препятствий. В реальной жизни водитель должен учитывать множество непредсказуемых обстоятельств: движение других машин, пешеходов, ремонтные работы, дорожные пробки и т. п.)

Билл Гейтс с осторожным оптимизмом говорит, что роботы-машины могут стать «следующим большим скачком». Он сравнивает сегодняшнюю робототехнику с персональными компьютерами, которыми он занялся 30 лет назад. Очень может быть, что роботы сегодня, как персональные компьютеры тогда, уже готовы к стремительному старту. «Никто не может определенно сказать, когда эта индустрия наберет критическую массу, - пишет он. - Но если это произойдет, то роботы, возможно, изменят мир».

(Рынок человекоподобных разумных роботов, если они когда-нибудь появятся и станут коммерчески доступными, будет огромен. Хотя сегодня настоящих роботов нет, роботы с жесткой программой не только существуют, но быстро распространяются. По оценке Международной федерации робототехники, в 2004 г. существовало около 2 млн таких роботов, а к 2008 г. их появится еще 7 млн. Японская Ассоциация роботов предсказывает, что если сегодня оборот промышленности, занятой выпуском персональных роботов, составляет 5 млрд долл. в год, то к 2025 г. он достигнет 50 млрд долл.)

Подход «снизу вверх»

Ограниченность подхода «сверху вниз» к созданию искусственного интеллекта очевидна, поэтому с самого начала ученые исследуют и другой подход - «снизу вверх». Суть этого подхода заключается в том, чтобы, подражая эволюции, заставить робота учиться на собственном опыте, как учится младенец. Ведь насекомые, скажем, руководствуются при движении не тем, что сканируют картинку окружающего мира, разбивают ее на триллионы пикселей и обрабатывают полученное изображение при помощи суперкомпьютеров. Нет, мозг насекомого состоит из «нейронных сетей» - самообучающихся машин, которые медленно, натыкаясь на препятствия, осваивают искусство правильно передвигаться во враждебном мире. Известно, что в MIT с огромным трудом удалось создать шагающих роботов методом «сверху вниз». Зато простые механические существа вроде жуков, накапливающие опыт и информацию методом проб и ошибок (т.е. утыкаясь в препятствия), уже через несколько минут начинают успешно носиться по комнате.

Родни Брукс, директор прославленной Лаборатории искусственного интеллекта МГТ, знаменитой своими большими и неуклюжими шагающими роботами типа «сверху вниз», сам превратился в еретика, когда начал изучать идею крошечных «насекомоподобных» роботов, которые учатся ходить старым испытанным методом: спотыкаясь, падая, натыкаясь на всевозможные предметы. Вместо того чтобы использовать сложные компьютерные программы и математически вычислять при ходьбе точное положение каждой ноги в каждый момент времени, его «насекоботы» действуют методом проб и ошибок и обходятся небольшими вычислительными мощностями. Сегодня «потомки» крошечных роботов Брукса собирают на Марсе данные для NASA; они преодолевают километры унылых марсианских ландшафтов по собственному разумению. Брукс считает, что насекоботы идеально подходят для исследования Солнечной системы.

Одним из новых проектов Брукса стал COG - попытка создать механического робота с разумом шестимесячного младенца. Внешне робот представляет собой мешанину проводов, электрических цепей и приводов, но снабжен головой, глазами и руками. В нем нет программы, определяющей какие бы то ни было законы разума. Вместо этого робота научили фокусировать глаза и следить за человеком-тренером; который пытается научить робота простым навыкам. (Одна из сотрудниц, забеременев, заключила пари о том, кто сделает большие успехи к возрасту двух лет: COG или ее будущий ребенок. Ребенок намного обогнал «соперника».)

Несмотря на успешное подражание поведению насекомых, роботы с нейронными сетями выглядят довольно жалко, когда создатели пытаются заставить их подражать поведению высших организмов, таких как млекопитающие. Самый продвинутый робот с нейронными сетями способен ходить по комнате или плавать в воде, но не может прыгать и охотиться, как собака в лесу, или исследовать комнату, как крыса. Крупные роботы на нейронных сетях содержат десятки, максимум сотни «нейронов»; при этом человеческий мозг насчитывает более 100 млрд нейронов. Нервная система очень простого червя Caenorhabditis elegans, полностью изученная биологами и нанесенная на карту, состоит из 300 с небольшим нейронов; вероятно, это одна из простейших нервных систем в природе. Но и в этой системе между нейронами наблюдается более 7000 связей-синапсов. Как бы ни был примитивен С. elegans, его нервная система настолько сложна, что никому еще не удалось создать компьютерную модель такого мозга. (В 1988 г. один компьютерный эксперт предсказал, что к настоящему моменту у нас будут роботы примерно со 100 млн искусственных нейронов. На самом же деле нейронная сеть из ста нейронов уже считается выдающейся.)

Ирония ситуации заключается в том, что машины неустанно выполняют задания, которые людям кажутся «трудными», скажем перемножают большие числа или играют в шахматы, но застревают на совершенно «простых» для человека заданиях, таких как походить по комнате, узнать кого-то по лицу или посплетничать с приятелем. Причина в том, что даже самые продвинутые наши компьютеры в основе своей всего лишь усложненные до предела счетные машинки. А наш мозг эволюция сформировала таким образом, чтобы он мог решать глобальную задачу выживания. Для этого необходима сложная и хорошо организованная структура мышления, включающая в себя здравый смысл и распознавание образов. Сложные вычисления или шахматы не нужны для выживания в лесу-зато там не обойтись без умения удрать от хищника, найти себе пару и приспособиться к меняющимся условиям.

Вот как обобщил проблемы ИИ Марвин Мински из MIT, один из основателей науки об искусственном интеллекте: «История ИИ в чем-то забавна - ведь первыми реальными достижениями в этой области были красивые машинки, способные к логическим доказательствам и сложнейшим вычислениям. Но затем мы захотели сделать машину, которая умела бы отвечать на вопросы по простым рассказам, какие можно найти в книжке для первоклассников. На сегодняшний день не существует машины, способной на это».

Некоторые ученые считают, что когда-нибудь два подхода - «сверху вниз» и «снизу вверх» - сольются воедино, и такое слияние может стать ключом к созданию настоящего искусственного интеллекта и человекоподобных роботов. В конце концов, когда ребенок учится, он пользуется обоими методами: сначала маленький человек полагается в основном на методику «снизу вверх» - он натыкается на предметы, ощупывает их, пробует на вкус и т. п.; но затем он начинает получать словесные уроки от родителей и учителей, из книг - в этот момент приходит время для подхода «сверху вниз». Даже будучи взрослыми, мы постоянно смешиваем оба подхода. К примеру, повар читает рецепт, но не забывает и пробовать блюдо, которое готовит.

Ганс Моравек говорит: «Полностью разумные машины появятся не раньше, чем будет забит золотой костыль, который соединит оба пути». Он считает, что произойдет это, вероятно, в ближайшие 40 лет.

Стала очень популярной. Но что такое ИИ на самом деле? Каких результатов он уже достиг, и в каком направлении будет развиваться в будущем? Вокруг этой темы ведется много споров. Сначала неплохо выяснить, что мы понимаем под интеллектом.

Интеллект включает в себя логику, самосознание, обучаемость, эмоциональное познание, творчество и способность решать разного рода задачи. Он свойственен как людям, так и животным. Мы с ранних лет изучаем окружающий мир, в течение всей жизни методом проб и ошибок обучаемся необходимым навыкам, набираем опыт. Таков естественный интеллект.

Когда мы говорим об искусственном интеллекте, то имеем в виду, созданную человеком «умную» систему, которая обучается с помощью алгоритмов. В основе его работы лежат все те же методы: исследование, обучение, анализ и т. д.

К Ключевые события в истории ИИ

История ИИ (или по крайней мере обсуждения ИИ) началась почти сто лет назад.

Р Россумские универсальные роботы (R.U.R)

В 1920 г. чешский писатель Карел Чапек написал научно-фантастическую пьесу "Rossumovi Univerz?ln? roboti«(Россумские универсальные роботы). Именно в этом произведении впервые было использовано слово «робот», которое обозначало живых человекоподобных клонов. По сюжету в далеком будущем на фабриках научились производить искусственных людей. Сначала эти «репликанты» работали на благо людей, но потом подняли восстание, которое привело к вымиранию человечества. С этих пор тема ИИ стала чрезвычайно популярной в литературе и кинематографе, которые в свою очередь оказали большое влияние на реальные исследования.

А Алан Тьюринг

Английский математик, один из пионеров в области вычислительной техники Алан Тьюринг в годы Второй мировой войны внес значительный вклад в развитие криптографии. Благодаря его исследованиям удалось расшифровать код машины Enigma, широко применявшейся нацистской Германией для шифровки и передачи сообщений. Через несколько лет после окончания Второй мировой произошли важные открытия в таких областях, как неврология, информатика и кибернетика, что подтолкнуло ученого к идее создания электронного мозга.

Вскоре ученый предложил тест, целью которого является определение возможности искусственного машинного мышления, близкого к человеку. Суть данного теста заключается в следующем: Человек (С) взаимодействует с одним компьютером (А) и одним человеком (В). Во время разговора он должен определить с кем он общается. Компьютер должен ввести человека в заблуждение, заставив сделать неверный выбор. Все участники теста не видят друг друга.

Д Дартмутская конференция и первая «зима» ИИ

В 1956 г. прошла первая в истории конференция по вопросу ИИ, в которой приняли участие ученые ведущих технологических университетов США и специалисты из IBM. Событие имело большое значение в формировании новой науки и положило началу крупных исследований в данной области. Тогда все участники были настроены крайне оптимистично.

Начались 1960-е, но прогресс в создании искусственного интеллекта так и не двинулся вперед, энтузиазм начал спадать. Сообщество недооценило всю сложность поставленной задачи, в результате оптимистические прогнозы специалистов не оправдались. Отсутствие перспектив в этой области заставило правительства Великобритании и США урезать финансирование исследований. Этот промежуток времени считается первой «зимой» ИИ.

Э Экспертные системы (ЭС)

После продолжительного застоя, ИИ нашел свое применение в так называемых экспертных системах.

ЭС - это программа, которая может ответить на вопросы или решить задачу из конкретной области. Тем самым они заменяют настоящих специалистов. ЭС состоит из двух подпрограмм. Первая называется базой знаний и содержит необходимую информацию по данной области. Другая же программа называется механизмом вывода. Она применяет информацию из базы знаний в соответствии с поставленной задачей.

ЭС нашли свое применение в таких отраслях, как экономическое прогнозирование, медицинское обследование, диагностика неисправностей в технических устройствах и т. п. Одной из известных на сегодняшний день ЭС является проект WolframAlpha, созданный для решения задач по математике, физике, биологии, химии и многим другим наукам.

В конце 80-х – начале 90-х с появлением первых настольных ПК от Apple и IBM, интерес со стороны публики и инвесторов к ИИ стал падать. Началась новая «зима»…

Deep Blue

После долгих лет взлетов и падений произошло значимое событие для ИИ: 11 мая 1997 года шахматный суперкомпьютер Deep Blue, разработанный компанией IBM, обыграл чемпиона мира по шахматам Гарри Каспарова в матче из шести партий со счетом 3? на 2?.

В Deep Blue процесс поиска по дереву шахматных ходов был разбит на три этапа. Прежде всего, главный процессор исследовал первые уровни дерева шахматной игры, затем распределял конечные позиции между вспомогательными процессорами для дальнейшего исследования. Вспомогательные процессоры углубляли поиск еще на несколько ходов, а далее раздавали свои конечные позиции шахматным процессорам, которые, в свою очередь, осуществляли поиск на последних уровнях дерева. Оценочная функция Deep Blue была реализована на аппаратном уровне - шахматных процессорах. В конструкцию аппаратной оценочной функции было заложено около 8000 настраиваемых признаков позиции. Значения отдельных признаков объединялись в общую оценку, которая затем использовалась Deep Blue для оценки качества просматриваемых шахматных позиций.

В 1997 году Deep Blue по мощности находился на 259-м месте (11,38 GFLOPS). Для сравнения: в настоящее время самый производительный суперкомпьютер имеет 93,015 GFLOPS.

XXI век

За последние два десятилетия интерес к ИИ заметно вырос. Рынок технологий ИИ (оборудование и софт) достиг 8 миллиардов долларов и, по прогнозам специалистов из IDC, вырастет до 47 миллиардов к 2020 году.

Этому способствует появление более быстрых компьютеров, стремительное развитие технологий машинного обучения и больших данных .

Использование искусственных нейронных сетей упростило выполнение таких задач, как обработка видеоизображения, текстовый анализ, распознавание речи , причем уже существующие методы решения задач совершенствуются с каждым годом.

Проекты DeepMind

В 2013 году компания DeepMind представила свой проект, в котором обучила ИИ играть в игры для консоли Atari так же хорошо, как человек, и даже лучше. Для этого был использован метод глубинного обучения с подкреплением, позволивший нейросети самостоятельно изучить игру. В начале обучения система ничего не знала о правилах игры, используя на входе только пиксельное изображение игры и информацию о получаемых очках.

Помимо этого, DeepMind разрабатывает ИИ для обучения более сложным играм, таким как Starcraft 2. Эта стратегия реального времени также является одной из самых популярных кибердисциплин в мире. В отличие от классических видеоигр, здесь доступно гораздо больше возможных действий, мало информации об оппоненте, возникает необходимость анализировать десятки возможных тактик. На данный момент ИИ справляется только с простыми мини-задачами, например созданием юнитов.

Нельзя не упомянуть про другой проект DeepMind под названием AlphaGo. В октябре 2015 года система одержала победу над чемпионом Европы по го Фань Хуэем со счетом 5:0. Спустя год в Южной Корее прошел новый матч, где противником AlphaGo стал один из лучших игроков в мире Ли Седоль. Всего было сыграно пять партий, из которых AlphaGo выиграл только четыре. Несмотря на высокий уровень продемонстрированных навыков, программа все же ошиблась во время четвертой партии. В 2017 году вышел фильм про AlphaGo, который мы рекомендуем к просмотру. Недавно DeepMind объявила о создании нового поколения AlphaGo Zero. Теперь программа обучается, играя против самой себя. После трех дней тренировок AlphaGo Zero выиграла у своей предыдущей версии со счетом 100:0.

Заключение

До сих пор системы ИИ являются узкоспециализированными, то есть справляются с задачами лучше человека только в конкретных областях (например, игра в го или анализ данных). Нам еще далеко до создания общего (полноценного) искусственного интеллекта, который был бы способен полностью заменить человеческий разум и которому была бы под силу любая интеллектуальная задача.

Перевел статью Лев Альхазред

Раньше с понятием искусственного интеллекта (ИИ) связывали надежды на создание мыслящей машины, способной соперничать с человеческим мозгом и, возможно, превзойти его. Эти надежды, на долгое время захватившие воображение многих энтузиастов, так и остались несбывшимися. И хотя фантастические литературные прообразы «умных машин» создавались еще за сотни лет до наших дней, лишь с середины тридцатых годов, с момента публикации работ А. Тьюринга, в которых осуждалась реальность создания таких устройств, к проблеме ИИ стали относиться серьезно.

Для того, чтобы ответить на вопрос, какую машину считать «думающей», Тьюринг предложил использовать следующий тест: испытатель через посредника общается с невидимым для него собеседником человеком или машиной. «Интеллектуальной» может считаться та машина, которую испытатель в процессе такого общения не сможет отличить от человека.

Если испытатель при проверке компьютера на «интеллектуальность» будет придерживаться достаточно жестких ограничений в выборе темы и формы диалога, этот тест выдержит любой современный компьютер, оснащенный подходящим программным обеспечением. Можно было бы считать признаком интеллектуальности умение поддерживать беседу, но, как было показано, эта человеческая способность легко моделируется на компьютере. Признаком интеллектуальности может служить способность к обучению. В 1961 г. профессор Д. Мичи, один из ведущих английских специалистов по ИИ, описал механизм, состоящий из 300 спичечных коробков, который мог научиться играть в крестики и нолики. Мичиназвалэтоустройство MENACE (Matchbox Educable Naughts and Crosses Engine). В названии (угроза) заключается, очевидно, доля иронии, вызванной предубеждениями перед думающими машинами.

До настоящего времени единого и признанного всеми определения ИИ не существует, и это не удивительно. «Достаточно вспомнить, что универсального определения человеческого интеллекта также нет дискуссии о том, что можно считать признаком ИИ, а что нет, напоминают споры средневековых ученых о том, которых интересовало, сколько ангелов смогут разместиться на кончике иглы»1. Сейчас к ИИ принято относить ряд алгоритмов и программных систем, отличительным свойством которых является то, что они могут решать некоторые задачи так, как кто делал бы размышляющий над их решением человек.

Нейросети

Идея нейронных сетей родилась в ходе исследований в области искусственного интеллекта, а именно в результате попыток воспроизвести способность нервных биологических систем обучаться и исправлять ошибки, моделируя низкоуровневую структуру мозга. Основной областью исследований по искусственному интеллекту в 60-80е годы были экспертные системы. Такие системы основывались на высокоуровневом моделировании процесса мышления (в частности, на его представлении как манипуляций с символами). Скоро стало ясно, что подобные системы, хотя и могут принести пользу в некоторых областях, не охватывают некоторые ключевые аспекты работы человеческого мозга.

Согласно одной из точек зрения, причина этого состоит в том, что они не в состоянии воспроизвести структуру мозга. Чтобы создать искусственный интеллект, необходимо построить систему с похожей архитектурой.

Мозг состоит из очень большого числа (приблизительно 1010) нейронов, соединенных многочисленными связями (в среднем несколько тысяч связей на один нейрон, однако это число может сильно колебаться). Нейроны - это специальные клетки, способные распространять электрохимические сигналы. Нейрон имеет разветвленную структуру ввода информации (дендриты), ядро и разветвляющийся выход (аксон). Аксоны клетки соединяются с дендритами других клеток с помощью синапсов. При активации нейрон посылает электрохимический сигнал по своему аксону. Через синапсы этот сигнал достигает других нейронов, которые могут в свою очередь активироваться. Нейрон активируется тогда, когда суммарный уровень сигналов, пришедших в его ядро из дендритов, превысит определенный уровень (порог активации).

Интенсивность сигнала, получаемого нейроном (а, следовательно, и возможность его активации), сильно зависит от активности синапсов. Каждый синапс имеет протяженность, и специальные химические вещества передают сигнал вдоль него. Один из самых авторитетных исследователей нейросистем, Дональд Хебб, высказал постулат, что обучение заключается в первую очередь в изменениях силы синоптических связей. Например, в классическом опыте. Павлова каждый раз перед кормлением собаки звонил колокольчик, и собака быстро научилась связывать звонок колокольчика с пищей.

Синоптические связи между участками коры головного мозга, ответственными за слух, и слюнными железами усилились, и при возбуждении коры звуком колокольчика у собаки начиналось слюноотделение.

Таким образом, будучи построен из очень большого числа совсем простых элементов (каждый из которых берет взвешенную сумму входных сигналов и в случае, если суммарный вход превышает определенный уровень, передает дальше двоичный сигнал), мозг способен решать чрезвычайно сложные задачи. Определение формального классического нейрона дается следующим образом:

Он получает входные сигналы (исходные данные или выходные сигналы других нейронов сети) через несколько входных каналов. Каждый входной сигнал проходит через соединение, имеющее определенную интенсивность (или вес); этот вес соответствует синоптической активности биологического нейрона. С каждым нейроном связано определенное пороговое значение. Вычисляется взвешенная сумма входов, из нее вычитается пороговое значение и в результате получается величина активации нейрона.

Сигнал активации преобразуется с помощью функции активации (или передаточной функции) и в результате получается выходной сигнал нейрона.

Если при этом использовать ступенчатую функцию активации, то такой нейрон будет работать точно так же, как описанный выше естественный нейрон.

Нейросети в искусственном интеллекте

Работы по созданию интеллектуальных систем ведутся в двух направлениях. Сторонники первого направления, составляющие сегодня абсолютное большинство среди специалистов в области искусственного интеллекта, исходят из положения о том, что искусственные системы не обязаны повторять в своей структуре и функционировании структуру и проистекающие в ней процессы, присущие биологическим системам. Важно лишь то, что теми или иными средствами удается добиться тех же результатов в поведении, какие характерны для человека и других биологических систем.

Сторонники второго направления считают, что на чисто информационном уровне этого не удастся сделать. Феномены человеческого поведения, его способность к обучению и адаптации, по мнению этих специалистов, есть следствие именно биологической структуры и особенностей её функционирования.

У сторонников первого информационного направления есть реально действующие макеты и программы, моделирующие те или иные стороны интеллекта. Одна из наиболее ярких работ, представляющих первое направление, это программа «Общий решатель задач» А. Ньюэлла, И. Шоу и Г. Саймона. Развитие информационного направления шло от задачи о рационализации рассуждений путем выяснения общих приемов быстрого выявления ложных и истинных высказываний в заданной системе знаний. Способность рассуждать и находить противоречия в различных системах взаимосвязанных ситуаций, объектов, понятий является важной стороной феномена мышления, выражением способности к дедуктивному мышлению.

Результативность информационного направления бесґспорна в области изучения и воспроизведения дедуктивных мыслительных проявлений. Для некоторых практических задач этого достаточно. Информационное направление наука точная, строгая, вобравшая в себя основные результаты изысканий кибернетики и математическую культуру. Главные проблемы информационного направления ввести в свои модели внутреннюю активность и суметь представить индуктивные процедуры.

Одна из центральных проблем, это «проблема активных знаний, порождающих потребности в деятельности системы из-за тех знаний, которые накопились в памяти системы»1.

У сторонников второго биологического направления результатов пока существенно меньше, чем надежд. Одним из родоначальников биологического направления в кибернетике является У. Мак-Каллок. В нейрофизиологии установлено, что целый ряд функций и свойств у живых организмов реализованы с помощью определенных нейронных структур. На основе воспроизведения таких структур в ряде случаев получены хорошие модели, в особенности это касается некоторых сторон работы зрительного тракта.

Создание нейрокомпьютеров, моделирующих нейронные сети (НС), в настоящее время рассматривается как одно из наиболее перспективных направлений в решении проблем интеллектуализации вновь создаваемых ЭВМ и информационно-аналитических систем нового поколения.

В большей части исследований на эту тему НС представляется как совокупность большого числа сравнительно простых элементов, топология соединений которых зависит от типа сети. Практически все известные подходы к проектированию НС связаны в основном с выбором и анализом некоторых частных структур однородных сетей на формальных нейронах с известными свойствами (сети Хопфилда, Хемминга, Гроссберга, Кохоннена и др.) и некоторых описанных математически режимов их работы. В этом случае термин нейронные сети метафоричен, поскольку он отражает лишь то, что эти сети в некотором смысле подобны живым НС, но не повторяют их во всей сложности. Вследствие такой трактовки нейронные ЭВМ рассматриваются в качестве очередного этапа высоко параллельных супер-ЭВМ с оригинальной идеей распараллеливания алгоритмов решения разных классов задач. Сам термин нейронная ЭВМ нейрокомпьютер, как правило, никак не связан с какими-то ни было свойствами и характеристиками мозга человека и животных. Он связан только с условным наименованием порогового логического элемента как формального нейрона с настраиваемыми или фиксированными весовыми коэффициентами, который реализует простейшую передаточную функцию нейрона-клетки. Исследования в области создания нейроинтеллекта ведутся на различных уровнях: теоретический инструментарий, прототипы для прикладных задач, средства программного обеспечения НС, структуры аппаратных средств. Основными этапами на пути создания мозгоподобного компьютера являются выяснение принципов образования межэлементных связей и мозгоподобных системах адаптивных сетях с большим числом элементов, создание компактного многовходового адаптивного элемента аналога реального нейрона, исследование его функциональных особенностей, разработка и реализация программы обучения мозгоподобного устройства.

ГОУ ВПО «Курский Государственный Медицинский Университет»

Кафедра информатики и вычислительной техники

Реферат по информатике на тему

История и тенденции развития искусственного интеллекта

Выполнил: Ларин С.Л.

Проверил: Артеменко

Виктор Иванович

Курск, 2009

План

Введение

1. История развития AI

2. Перспективы и тенденции развития AI

2.1 Нейронные сети

2.2 Эволюционные вычисления

2.3 Нечеткая логика

2.4 Обработка изображений

2.5 Экспертные системы

2.6 Интеллектуальные приложения

2.7 Распределенные вычисления

2.9 Интеллектуальная инженерия

2.10 Самоорганизующиеся СУБД

2.11 AI для анализаторских функций

2.12 Военные технологии

3. Искусственный интеллект, как направление исследований

3.1 Аспекты представления знаний

3.2 Рефлексия

3.3 Некоторые подходы к решению проблемы AI

Заключение

Литература

Введение

Способна ли машина мыслить? Может ли машина иметь сознанные мысли в таком же смысле, в каком имеем их мы? Если под машиной понимать физическую систему, способную выполнять определенные функции (а что еще под ней можно понимать?), тогда люди - это машины особой, биологической разновидности, а люди могут мыслить, и, стало быть, машины, конечно, тоже могут мыслить. Тогда, по всей видимости, можно создавать мыслящие машины из самых разнообразных материалов - скажем, из кремниевых кристаллов или электронных ламп. Если это и окажется невозможным, то пока мы, конечно, этого еще не знаем. Однако в последние десятилетия вопрос о том, может ли машина мыслить, приобрел совершенно другую интерпретацию. Он был подменен вопросом: способна ли машина мыслить только за счет выполнения заложенной в нее компьютерной программы? Является ли программа основой мышления? Это принципиально иной вопрос, потому что он не затрагивает физических, каузальных (причинных) свойств существующих или возможных физических систем, а скорее относится к абстрактным, вычислительным свойствам формализованных компьютерных программ, которые могут быть реализованы в любом материале, лишь бы он был способен выполнять эти программы. Довольно большое число специалистов по искусственному интеллекту (ИИ) полагают, что на второй вопрос следует ответить положительно; другими словами, они считают, что составив правильные программы с правильными входами и выходами, они действительно создадут разум. Более того, они полагают, что имеют в своем распоряжении научный тест, с помощью которого можно судить об успехе или неудаче такой попытки. На сегодняшний день проблема исследования AI занимает актуальное место в системе информационных наук. В своем реферате я попытаюсь рассмотреть проблемы создания и воплощения искусственного интеллекта в жизнь, также освещу историю создания и наиболее перспективные разработки в этой области.

1. История развития AI

Как и любая основополагающая наука «Искусственный интеллект» имеет достаточно богатую историю. Можно выделить как теоретическую, так и экспериментальную части. Суть науки «Искусственный интеллект» лучше всего отражают слова «Дух в машине», при этом не столь важно развитие отдельно понятий о машине и духе, как важно их сочетание. Но в то же время понятно, что чем более развиты представления о машине, чем они более совершенны с одной стороны, и чем мы более знаем о духе с другой стороны - тем о более скажем так мощном ИИ мы можем говорить. Но отличает науку «Искусственный интеллект» от Вычислительной техники (Информатики) с одной стороны и от Медицины (Биологии) с другой - это именно связь одного с другим. И только при наличии этой связи мы можем говорить о достижениях в области ИИ, а не отдельно в областях Информатики или Биологии. Этому вопросу уделяется особенно большое значение в теоретической части, а для подтверждения теорий как и в других науках используется эксперимент. Но исторически появление теорий и первых экспериментов всегда разнесено во времени. Поэтому начала теории обычно относят к философии искусственного интеллекта, и только с появлением первых экспериментов теория приобретает самостоятельное значение. Причем саму теорию «Искусственного интеллекта», которая сейчас находится на рубеже с философией, не нужно совмещать с теорией математических, алгоритмических, робототехнических, физиологических и прочих методов, которые имеют собственное значение в соответствующих науках. Сейчас четкого различия между рядом связанных наук и собственно «Искусственным интеллектом» найти очень сложно, а тем более различить теоретические и экспериментальный разделы науки. И здесь главную помощь может оказать история становления и развития науки «Искусственный интеллект».

Исторически сложились три основных направления в моделировании ИИ.

В рамках первого подхода объектом исследований являются структура и механизмы работы мозга человека, а конечная цель заключается в раскрытии тайн мышления. Необходимыми этапами исследований в этом направлении являются построение моделей на основе психофизиологических данных, проведение экспериментов с ними, выдвижение новых гипотез относительно механизмов интеллектуальной деятельности, совершенствование моделей и т. д.

Второй подход в качестве объекта исследования рассматривает ИИ. Здесь речь идет о моделировании интеллектуальной деятельности с помощью вычислительных машин. Целью работ в этом направлении является создание алгоритмического и программного обеспечения вычислительных машин, позволяющего решать интеллектуальные задачи не хуже человека.

Наконец, третий подход ориентирован на создание смешанных человеко-машинных, или, как еще говорят, интерактивных интеллектуальных систем, на симбиоз возможностей естественного и искусственного интеллекта. Важнейшими проблемами в этих исследованиях является оптимальное распределение функций между естественным и искусственным интеллектом и организация диалога между человеком и машиной.

Самыми первыми интеллектуальными задачами, которые стали решаться при помощи ЭВМ были логические игры (шашки, шахматы), доказательство теорем. Хотя, правда здесь надо отметить еще кибернетические игрушки типа «электронной мыши» Клода Шеннона, которая управлялась сложной релейной схемой. Эта мышка могла «исследовать» лабиринт, и находить выход из него. А кроме того, помещенная в уже известный ей лабиринт, она не искала выход, а сразу же, не заглядывая в тупиковые ходы, выходила из лабиринта.

Американский кибернетик А. Самуэль составил для вычислительной машины программу, которая позволяет ей играть в шашки, причем в ходе игры машина обучается или, по крайней мере, создает впечатление, что обучается, улучшая свою игру на основе накопленного опыта. В 1962 г. эта программа сразилась с Р. Нили, сильнейшим шашистом в США и победила.

Каким образом машине удалось достичь столь высокого класса игры?

Естественно, что в машину были программно заложены правила игры так, что выбор очередного хода был подчинен этим правилам. На каждой стадии игры машина выбирала очередной ход из множества возможных ходов согласно некоторому критерию качества игры. В шашках (как и в шахматах) обычно невыгодно терять свои фигуры, и, напротив, выгодно брать фигуры противника. Игрок (будь он человек или машина), который сохраняет подвижность своих фигур и право выбора ходов и в то же время держит под боем большое число полей на доске, обычно играет лучше своего противника, не придающего значения этим элементам игры. Описанные критерии хорошей игры сохраняют свою силу на протяжении всей игры, но есть и другие критерии, которые относятся к отдельным ее стадиям - дебюту, миттэндшпилю, эндшпилю.

Разумно сочетая такие критерии (например в виде линейной комбинации с экспериментально подбираемыми коэффициентами или более сложным образом), можно для оценки очередного хода машины получить некоторый числовой показатель эффективности - оценочную функцию. Тогда машина, сравнив между собой показатели эффективности очередных ходов, выберет ход, соответствующий наибольшему показателю. Подобная автоматизация выбора очередного хода не обязательно обеспечивает оптимальный выбор, но все же это какой-то выбор, и на его основе машина может продолжать игру, совершенствуя свою стратегию (образ действия) в процессе обучения на прошлом опыте. Формально обучение состоит в подстройке параметров (коэффициентов) оценочной функции на основе анализа проведенных ходов и игр с учетом их исхода.

По мнению А. Самуэля, машина, использующая этот вид обучения, может научиться играть лучше, чем средний игрок, за относительно короткий период времени.

Можно сказать, что все эти элементы интеллекта, продемонстрированные машиной в процессе игры в шашки, сообщены ей автором программы. Отчасти это так. Но не следует забывать, что программа эта не является «жесткой», заранее продуманной во всех деталях. Она совершенствует свою стратегию игры в процессе самообучения. И хотя процесс «мышления» у машины существенно отличен оттого, что происходит в мозгу играющего в шашки человека, она способна у него выиграть.

Ярким примером сложной интеллектуальной игры до недавнего времени являлись шахматы. В 1974 г. состоялся международный шахматный турнир машин, снабженных соответствующими программами. Как известно, победу на этом турнире одержала советская машина с шахматной программой «Каисса».

Почему здесь употреблено «до недавнего времени»? Дело в том, что недавние события показали, что несмотря на довольно большую сложность шахмат, и невозможность, в связи с этим произвести полный перебор ходов, возможность перебора их на большую глубину, чем обычно, очень увеличивает шансы на победу. К примеру, по сообщениям в печати, компьютер фирмы IBM, победивший Каспарова, имел 256 процессоров, каждый из которых имел 4 Гб дисковой памяти и 128 Мб оперативной. Весь этот комплекс мог просчитывать более 100"000"000 ходов в секунду. До недавнего времени редкостью был компьютер, могущий делать такое количество целочисленных операций в секунду, а здесь мы говорим о ходах, которые должны быть сгенерированы и для которых просчитаны оценочные функции. Хотя с другой стороны, этот пример говорит о могуществе и универсальности переборных алгоритмов.

В настоящее время существуют и успешно применяются программы, позволяющие машинам играть в деловые или военные игры, имеющие большое прикладное значение. Здесь также чрезвычайно важно придать программам присущие человеку способность к обучению и адаптации. Одной из наиболее интересных интеллектуальных задач, также имеющей огромное прикладное значение, является задача обучения распознавания образов и ситуаций. Решением ее занимались и продолжают заниматься представители различных наук - физиологи, психологи, математики, инженеры. Такой интерес к задаче стимулировался фантастическими перспективами широкого практического использования результатов теоретических исследований: читающие автоматы, системы ИИ, ставящие медицинские диагнозы, п роводящие криминалистическую экспертизу и т. п., а также роботы, способные распознавать и анализировать сложные сенсорные ситуации.

В 1957 г. американский физиолог Ф. Розенблатт предложил модель зрительного восприятия и распознавания - перцептрон. Появление машины, способной обучаться понятиям и распознавать предъявляемые объекты, оказалось чрезвычайно интересным н е только физиологам, но и представителям других областей знания и породило большой поток теоретических и экспериментальных исследований.

Перцептрон или любая программа, имитирующая процесс распознавания, работают в двух режимах: в режиме обучения и в режиме распознавания. В режиме обучения некто (человек, машина, робот или природа), играющий роль учителя, предъявляет машине объекты и о каждом их них сообщает, к какому понятию (классу) он принадлежит. По этим данным строится решающее правило, являющееся, по существу, формальным описанием понятий. В режиме распознавания машине предъявляются новые объекты (вообще говоря, отличные от ранее предъявленных), и она должна их классифицировать, по возможности, правильно.

Проблема обучения распознаванию тесно связана с другой интеллектуальной задачей - проблемой перевода с одного языка на другой, а также обучения машины языку. При достаточно формальной обработке и классификации основных грамматических правил и приемов пользования словарем можно создать вполне удовлетворительный алгоритм для перевода, скажем научного или делового текста. Для некоторых языков такие системы были созданы еще в конце 60-г. Однако для того, чтобы связно перевести достаточно большой разговорный текст, необходимо понимать его смысл. Работы над такими программами ведутся уже давно, но до полного успеха еще далеко. Имеются также программы, обеспечивающие диалог между человеком и машиной на урезанном естественном языке.

Что же касается моделирования логического мышления, то хорошей модельной задачей здесь может служить задача автоматизации доказательства теорем. Начиная с 1960 г., был разработан ряд программ, способных находить доказательства теорем в исчислении предикатов первого порядка. Эти программы обладают, по словам американского специалиста в области ИИ Дж. Маккатти, «здравым смыслом», т. е. способностью делать дедуктивные заключения.

В программе К. Грина и др., реализующей вопросно-ответную систему, знания записываются на языке логики предикатов в виде набора аксиом, а вопросы, задаваемые машине, формулируются как подлежащие доказательству теоремы. Большой интерес представляет «интеллектуальная» программа американского математика Хао Ванга. Эта программа за 3 минуты работы IBM-704 вывела 220 относительно простых лемм и теорем из фундаментальной математической монографии, а затем за 8.5 мин выдала доказательства еще 130 более сложных теорем, часть их которых еще не была выведена математиками. Правда, до сих пор ни одна программа не вывела и не доказала ни одной теоремы, которая бы, что называется «позарез» была бы нужна математикам и была бы принципиально новой.

Очень большим направлением систем ИИ является роботехника. В чем основное отличие интеллекта робота от интеллекта универсальных вычислительных машин?

Для ответа на этот вопрос уместно вспомнить принадлежащее великому русскому физиологу И. М. Сеченову высказывание: "… все бесконечное разнообразие внешних проявлений мозговой деятельности сводится окончательно лишь к одному явлению - мышечному движению". Другими словами, вся интеллектуальная деятельность человека направлена в конечном счете на активное взаимодействие с внешним миром посредством движений. Точно так же элементы интеллекта робота служат прежде всего для организации его целенаправленных движений. В то же время основное назначение чисто компьютерных систем ИИ состоит в решении интеллектуальных задач, носящих абстрактный или вспомогательный характер, которые обычно не связаны ни с восприятием окружающей среды с помощью искусственных органов чувств, ни с организацией движений исполнительных механизмов.

Первых роботов трудно назвать интеллектуальными. Только в 60-х годах появились очуствленные роботы, которые управлялись универсальными компьютерами. К примеру в 1969 г. в Электротехнической лаборатории (Япония) началась разработка проекта «промышленный интеллектуальный робот». Цель этой разработки - создание очуствленного манипуляционного робота с элементами искусственного интеллекта для выполнения сборочно-монтажных работ с визуальным контролем.

Манипулятор робота имеет шесть степеней свободы и управляется мини-ЭВМ NEAC-3100 (объем оперативной памяти 32000 слов, объем внешней памяти на магнитных дисках 273000 слов), формирующей требуемое программное движение, которое отрабатывается следящей электрогидравлической системой. Схват манипулятора оснащен тактильными датчиками.

В качестве системы зрительного восприятия используются две телевизионные камеры, снабженные красно-зелено-синими фильтрами для распознавания цвета предметов. Поле зрения телевизионной камеры разбито на 64*64 ячеек. В результате обработки полученной информации грубо определяется область, занимаемая интересующим робота предметом. Далее, с целью детального изучения этого предмета выявленная область вновь делится на 4096 ячеек. В том случае, когда предмет не помещается в выбранное «окошко », оно автоматически перемещается, подобно тому, как человек скользит взглядом по предмету. Робот Электротехнической лаборатории был способен распознавать простые предметы, ограниченные плоскостями и цилиндрическими поверхностями при специальном освещении. Стоимость данного экспериментального образца составляла примерно 400000 долларов.

Постепенно характеристики роботов монотонно улучшались, Но до сих пор они еще далеки по понятливости от человека, хотя некоторые операции уже выполняют на уровне лучших жонглеров. К примеру удерживают на лезвии ножа шарик от настольного тенниса.

Еще пожалуй здесь можно выделить работы киевского Института кибернетики, где под руководством Н. М. Амосова и В. М. Глушкова (ныне покойного) ведется комплекс исследований, направленных на разработку элементов интеллекта роботов. Особо е внимание в этих исследованиях уделяется проблемам распознавания изображений и речи, логического вывода (автоматического доказательства теорем) и управления с помощью нейроподобных сетей.

К примеру можно рассмотреть созданный еще в 70-х годах макет транспортного автономного интегрального робота (ТАИР). Конструктивно ТАИР представляет собой трехколесное шасси, на котором смонтирована сенсорная система и блок управления. Сенсорная система включает в себя следующие средства очуствления: оптический дальномер, навигационная система с двумя радиомаяками и компасом, контактные датчики, датчики углов наклона тележки, таймер и др. И особенность, которая отличает ТАИР от многих других систем, созданных у нас и за рубежом, это то, что в его составе нет компьютера в том виде, к которому мы привыкли. Основу системы управления составляет бортовая нейроподобная сеть, на которой реализуются различные алгоритмы обработки сенсорной информации, планирования поведения и управления движением робота.

В конце данного очень краткого обзора рассмотрим примеры крупномасштабных экспертных систем.

MICIN - экспертная система для медицинской диагностики. Разработана группой по инфекционным заболеваниям Стенфордского университета. Ставит соответствующий диагноз, исходя из представленных ей симптомов, и рекомендует курс медикаментозного лечения любой из диагностированных инфекций. База данных состоит из 450 правил.

PUFF - анализ нарушения дыхания. Данная система представляет собой MICIN, из которой удалили данные по инфекциям и вставили данные о легочных заболеваниях.

DENDRAL - распознавание химических структур. Данная система старейшая, из имеющих звание экспертных. Первые версии данной системы появились еще в 1965 году во все том же Стенфордском университете. По пользователь дает системе DENDRAL некоторую информацию о веществе, а также данные спектрометрии (инфракрасной, ядерного магнитного резонанса и масс-спектрометрии), и та в свою очередь выдает диагноз в виде соответствующей химической структуры.

PROSPECTOR - экспертная система, созданная для содействия поиску коммерчески оправданных месторождений полезных ископаемых.

2. Перспективы и тенденции развития AI

Сообщения об уникальных достижениях специалистов в области искусственного интеллекта (ИИ), суливших невиданные возможности, пропали со страниц научно-популярных изданий много лет назад. Эйфория, связанная с первыми практическими успехами в сфере ИИ, прошла довольно быстро, потому что перейти от исследования экспериментальных компьютерных моделей к решению прикладных задач реального мира оказалось гораздо сложнее, чем предполагалось. На трудности такого перехода обратили внимание специалисты всего мира, и после детального анализа выяснилось, что практически все проблемы связаны с нехваткой ресурсов двух типов: компьютерных (вычислительной мощности, емкости оперативной и внешней памяти) и людских (наукоемкая разработка интеллектуального ПО требует привлечения ведущих специалистов из разных областей знания и организации долгосрочных исследовательских проектов). К сегодняшнему дню ресурсы первого типа вышли (или выйдут в ближайшие пять-десять лет) на уровень, позволяющий системам ИИ решать весьма сложные для человека практические задачи. А вот с ресурсами второго типа ситуация в мире даже ухудшается - именно поэтому достижения в сфере ИИ связываются в основном с небольшим числом ведущих ИИ-центров при крупнейших университетах.

2.1 Нейронные сети

Это направление стабильно держится на первом месте. Продолжается совершенствование алгоритмов обучения и классификации в масштабе реального времени, обработки естественных языков, распознавания изображений, речи, сигналов, а также создание моделей интеллектуального интерфейса, подстраивающегося под пользователя. Среди основных прикладных задач, решаемых с помощью нейронных сетей, - финансовое прогнозирование, раскопка данных, диагностика систем, контроль за деятельностью сетей, шифрование данных. В последние годы идет усиленный поиск эффективных методов синхронизации работы нейронных сетей на параллельных устройствах.

2.2 Эволюционные вычисления

На развитие сферы эволюционных вычислений (ЭВ; автономное и адаптивное поведение компьютерных приложений и робототехнических устройств) значительное влияние оказали прежде всего инвестиции в нанотехнологии. ЭВ затрагивают практические проблемы самосборки, самоконфигурирования и самовосстановления систем, состоящих из множества одновременно функционирующих узлов. При этом удается применять научные достижения из области цифровых автоматов. Другой аспект ЭВ - использование для решения повседневных задач автономных агентов в качестве персональных секретарей, управляющих личными счетами, ассистентов, отбирающих нужные сведения в сетях с помощью поисковых алгоритмов третьего поколения, планировщиков работ, личных учителей, виртуальных продавцов и т. д. Сюда же относится робототехника и все связанные с ней области. Основные направления развития - выработка стандартов, открытых архитектур, интеллектуальных оболочек, языков сценариев/запросов, методологий эффективного взаимодействия программ и людей. Модели автономного поведения предполагается активно внедрять во всевозможные бытовые устройства, способные убирать помещения, заказывать и готовить пищу, водить автомобили и т. п. В дальнейшем для решения сложных задач (быстрого исследования содержимого Сети, больших массивов данных наподобие геномных) будут использоваться коллективы автономных агентов. Для этого придется заняться изучением возможных направлений эволюции подобных коллективов, планирования совместной работы, способов связи, группового самообучения, кооперативного поведения в нечетких средах с неполной информацией, коалиционного поведения агентов, объединяющихся «по интересам», научиться разрешать конфликты взаимодействия и т. п. Особняком стоят социальные аспекты - как общество будет на практике относиться к таким сообществам интеллектуальных программ.

2.3 Нечеткая логика

Системы нечеткой логики активнее всего будут применяться преимущественно в гибридных управляющих системах.

2.4 Обработка изображений

Продолжится разработка способов представления и анализа изображений (сжатие, кодирование при передаче с использованием различных протоколов, обработка биометрических образов, снимков со спутников), независимых от устройств воспроизведения, оптимизации цветового представления на экране и при выводе на печать, распределенных методов получения изображений. Дальнейшие развитие получат средства поиска, индексирования и анализа смысла изображений, согласования содержимого справочных каталогов при автоматической каталогизации, организации защиты от копирования, а также машинное зрение, алгоритмы распознавания и классификации образов.

2.5 Экспертные системы

Спрос на экспертные системы остается на достаточно высоком уровне. Наибольшее внимание сегодня привлечено к системам принятия решений в масштабе времени, близком к реальному, средствам хранения, извлечения, анализа и моделирования знаний, системам динамического планирования.

2.6 Интеллектуальные приложения

Рост числа интеллектуальных приложений, способных быстро находить оптимальные решения комбинаторных проблем (возникающих, например, в транспортных задачах), связан с производственным и промышленным ростом в развитых странах.

2.7 Распределенные вычисления

Распространение компьютерных сетей и создание высокопроизводительных кластеров вызвали интерес к вопросам распределенных вычислений - балансировке ресурсов, оптимальной загрузке процессоров, самоконфигурированию устройств на максимальную эффективность, отслеживанию элементов, требующих обновления, выявлению несоответствий между объектами сети, диагностированию корректной работы программ, моделированию подобных систем.

2.8 ОС РВ

Появление автономных робототехнических устройств повышает требования к ОС реального времени - организации процессов самонастройки, планирования обслуживающих операций, использования средств ИИ для принятия решений в условиях дефицита времени.

2.9 Интеллектуальная инженерия

Особую заинтересованность в ИИ проявляют в последние годы компании, занимающиеся организацией процессов разработки крупных программных систем (программной инженерией). Методы ИИ все чаще используются для анализа исходных текстов и понимания их смысла, управления требованиями, выработкой спецификаций, проектирования, кодогенерации, верификации, тестирования, оценки качества, выявления возможности повторного использования, решения задач на параллельных системах.

Программная инженерия постепенно превращается в так называемую интеллектуальную инженерию, рассматривающую более общие проблемы представления и обработки знаний (пока основные усилия в интеллектуальной инженерии сосредоточены на способах превращения информации в знания).

2.10 Самоорганизующиеся СУБД

Самоорганизующиеся СУБД будут способны гибко подстраиваться под профиль конкретной задачи и не потребуют администрирования.

2.11 AI для анализаторских функций

Автоматический анализ естественных языков (лексический, морфологический, терминологический, выявление незнакомых слов, распознавание национальных языков, перевод, коррекция ошибок, эффективное использование словарей). Высокопроизводительный OLAP-анализ и раскопка данных, способы визуального задания запросов. Медицинские системы, консультирующие врачей в экстренных ситуациях, роботы-манипуляторы для выполнения точных действий в ходе хирургических операций. Создание полностью автоматизированных киберзаводов, гибкие экономные производства, быстрое прототипирование, планирование работ, синхронизация цепочек снабжения, авторизации финансовых транзакций путем анализа профилей пользователей. Небольшое число конференций посвящено выработке прикладных методов, направленных на решение конкретных задач промышленности в области финансов, медицины и математики.

Традиционно высок интерес к ИИ в среде разработчиков игр и развлекательных программ (это отдельная тема). Среди новых направлений их исследований - моделирование социального поведения, общения, человеческих эмоций, творчества.

2.12 Военные технологии

Исследования в области нейронных сетей, позволяющих получить хорошие (хотя и приближенные) результаты при решении сложных задач управления, часто финансирует военное научное агентство DARPA. Пример - проект Smart Sensor Web, который предусматривает организацию распределенной сети разнообразных датчиков, синхронно работающих на поле боя. Каждый объект (стоимостью не более $300) в такой сети представляет собой источник данных - визуальных, электромагнитных, цифровых, инфракрасных, химических и т. п. Проект требует новых математических методов решения многомерных задач оптимизации. Ведутся работы по автоматическому распознаванию целей, анализу и предсказанию сбоев техники по отклонениям от типовых параметров ее работы (например, по звуку). Операция «Буря в пустыне» стала стимулом к развитию экспертных систем с продвинутым ИИ, применяемым в области снабжения. На разработках, связанных с технологиями машинного зрения, основано все высокоточное оружие В СМИ нередко можно прочитать о грядущих схватках самостоятельно действующих армий самоходных машин-роботов и беспилотных самолетов. Однако существует ряд нерешенных научных проблем, не позволяющих в ближайшие десятилетия превратить подобные прогнозы в реальность. Прежде всего это недостатки систем автоматического распознавания, не способных правильно анализировать видеоинформацию в масштабе реального времени. Не менее актуальны задачи разрешения коллизий в больших сообществах автономных устройств, абсолютно точного распознавания своих и чужих, выбора подлежащих уничтожению целей, алгоритмов поведения в незнакомой среде и т. п. Поэтому на практике военные пытаются достичь менее масштабных целей. Значительные усилия вкладываются в исследования по распознаванию речи, создаются экспертные и консультационные системы, призванные автоматизировать рутинные работы и снизить нагрузку на пилотов. Нейронные сети достаточно эффективно применяются для обработки сигналов сонаров и отличения подводных камней от мин. Генетические алгоритмы используются для эвристического поиска решения уравнений, определяющих работу военных устройств (систем ориентации, навигации), а также в задачах распознавания - для разделения искусственных и естественных объектов, распознавания типов военных машин, анализа изображения, получаемого от камеры с низким разрешением или инфракрасных датчиков.

3. Искусственный интеллект, как направление исследований

В понятие «искусственный интеллект» вкладывается различный смысл - от признания интеллекта у ЭВМ, решающих логические или даже любые вычислительные задачи, до отнесения к интеллектуальным лишь тех систем, которые решают весь комплекс задач, осуществляемых человеком, или еще более широкую их совокупность. Постараемся же вычленить тот смысл понятия «искусственный интеллект», который в наибольшей степени соответствует реальным исследованиям в этой области.В исследованиях по искусственному интеллекту ученые отвлекаются от сходства процессов, происходящих в технической системе или в реализуемых ею программах, с мышлением человека. Если система решает задачи, которые человек обычно решает посредством своего интеллекта, то мы имеем дело с системой искусственного интеллекта.Однако это ограничение недостаточно. Создание традиционных программ для ЭВМ- работа программиста - не есть конструирование искусственного интеллекта. Какие же задачи, решаемые техническими системами, можно рассматривать как конституирующие искусственный интеллект? Чтобы ответить на этот вопрос, надо уяснить, прежде всего, что такое задача. Как отмечают психологи, этот термин тоже не является достаточно определенным. По-видимому, в качестве исходного можно принять понимание задачи как мыслительной задачи, существующее в психологии. Они подчеркивают, что задача есть только тогда, когда есть работа для мышления, т. е. когда имеется некоторая цель, а средства к ее достижению не ясны; их надо найти посредством мышления. Хорошо по этому поводу сказал замечательный математик Д. Пойа: "… трудность решения в какой-то мере входит в само понятие задачи: там, где нет трудности, нет и задачи". Если человек имеет очевидное средство, с помощью которого, наверное, можно осуществить желание, поясняет он, то задачи не возникает. Если человек обладает алгоритмом решения некоторой задачи и имеет физическую возможность его реализации, то задачи в собственном смысле уже не существует.Так понимаемая задача, в сущности, тождественна проблемной ситуации, и решается она посредством преобразования последней. В ее решении участвуют не только условия, которые непосредственно заданы. Человек использует любую находящуюся в его памяти информацию, «модель мира», имеющуюся в его психике и включающую фиксацию разнообразных законов, связей, отношений этого мира.Если задача не является мыслительной, то она решается на ЭВМ традиционными методами и, значит, не входит в круг задач искусственного интеллекта. Ее интеллектуальная часть выполнена человеком. На долю машины осталась часть работы, которая не требует участия мышления, т. е. «бессмысленная», неинтеллектуальная.Под словом «машина» здесь понимается машина вместе с ее совокупным математическим обеспечением, включающим не только программы, но и необходимые для решения задач «модели мира». Недостатком такого понимания является главным образом его антропоморфизм. Задачи, решаемые искусственным интеллектом, целесообразно определить таким образом, чтобы человек, по крайней мере, в определении отсутствовал. Основная функция мышления заключается в выработке схем целесообразных внешних действий в бесконечно варьирующих условиях. Специфика человеческого мышления (в отличие от рассудочной деятельности животных) состоит в том, что человек вырабатывает и накапливает знания, храня их в своей памяти. Выработка схем внешних действий происходит не по принципу «стимул - реакция», а на основе знаний, получаемых дополнительно из среды, для поведения в которой вырабатывается схема действия.Этот способ выработки схем внешних действий (а не просто действия по командам, пусть даже меняющимся как функции от времени или как однозначно определенные функции от результатов предшествующих шагов) является существенной характеристикой любого интеллекта. Отсюда следует, что к системам искусственного интеллекта относятся те, которые, используя заложенные в них правила переработки информации, вырабатывают новые схемы целесообразных действий на основе анализа моделей среды, хранящихся в их памяти. Способность к перестройке самих этих моделей в соответствии с вновь поступающей информацией является свидетельством более высокого уровня искусственного интеллекта.Большинство исследователей считают наличие собственной внутренней модели мира у технических систем предпосылкой их «интеллектуальности». Формирование такой модели связано с преодолением синтаксической односторонности системы, т.е. с тем, что символы или та их часть, которой оперирует система, интерпретированы, имеют семантику.Характеризуя особенности систем искусственного интеллекта, специалисты указывают на:1) наличие в них собственной внутренней модели внешнего мира; эта модель обеспечивает индивидуальность, относительную самостоятельность системы в оценке ситуации, возможность семантической и прагматической интерпретации запросов к системе;2) способность пополнения имеющихся знаний;3) способность к дедуктивному выводу, т.е. к генерации информации, которая в явном виде не содержится в системе; это качество позволяет системе конструировать информационную структуру с новой семантикой и практической направленностью;4) умение оперировать в ситуациях, связанных с различными аспектами нечеткости, включая «понимание» естественного языка;5) способность к диалоговому взаимодействию с человеком;6) способность к адаптации.На вопрос, все ли перечисленные условия обязательны, необходимы для признания системы интеллектуальной, ученые отвечают по-разному. В реальных исследованиях, как правило, признается абсолютно необходимым наличие внутренней модели внешнего мира, и при этом считается достаточным выполнение хотя бы одного из перечисленных выше условий.П. Армер выдвинул мысль о «континууме интеллекта»: различные системы могут сопоставляться не только как имеющие и не имеющие интеллекта, но и по степени его развития. При этом, считает он, желательно разработать шкалу уровня интеллекта, учитывающую степень развития каждого из его необходимых признаков. Известно, что в свое время А.Тьюринг предложил в качестве критерия, определяющего, может ли машина мыслить, «игру в имитацию». Согласно этому критерию, машина может быть признана мыслящей, если человек, ведя с ней диалог по достаточно широкому кругу вопросов, не сможет отличить ее ответов от ответов человека.Критерий Тьюринга в литературе был подвергнут критике с различных точек зрения. Действительно серьезный аргумент против этого критерия заключается в том, что в подходе Тьюринга ставится знак тождества между способностью мыслить и способностью к решению задач переработки информации определенною типа. Успешная «игра в имитацию» не может без тщательного предварительного анализа мышления как целостности быть признана критерием способности машины к мышлению.Однако этот аргумент бьет мимо цели, если мы говорим не о мыслящей машине, а об искусственном интеллекте, который должен лишь продуцировать физические тела знаков, интерпретируемые человеком в качестве решений определенных задач. Поэтому прав В.М. Глушков, утверждая, что наиболее естественно, следуя Тьюрингу, считать, что некоторое устройство, созданное человеком, представляет собой искусственный интеллект, если, ведя с ним достаточно долгий диалог по более или менее широкому кругу вопросов, человек не сможет различить, разговаривает он с разумным живым существом или с автоматическим устройством. Если учесть возможность разработки программ, специально рассчитанных на введение в заблуждение человека, то, возможно, следует говорить не просто о человеке, а о специально подготовленном эксперте. Этот критерий, на взгляд многих ученых, не противоречит перечисленным выше особенностям системы искусственного интеллекта.Но что значит по «достаточно широкому кругу вопросов», о котором идет речь в критерии Тьюринга и в высказывании В.М.Глушкова? На начальных этапах разработки проблемы искусственного интеллекта ряд исследователей, особенно занимающихся эвристическим программированием, ставили задачу создания интеллекта, успешно функционирующего в любой сфере деятельности. Это можно назвать разработкой «общего интеллекта». Сейчас большинство работ направлено на создание «профессионального искусственного интеллекта», т. е. систем, решающих интеллектуальные задачи из относительно ограниченной области (например, управление портом, интегрирование функций, доказательство теорем геометрии и т.п.). В этих случаях «достаточно широкий круг вопросов» должен пониматься как соответствующая область предметов.Исходным пунктом рассуждений об искусственном интеллекте было определение такой системы как решающей мыслительные задачи. Но перед нею ставятся и задачи, которые люди обычно не считают интеллектуальными, поскольку при их решении человек сознательно не прибегает к перестройке проблемных ситуаций. К их числу относится, например, задача распознания зрительных образов. Человек узнает человека, которого видел один-два раза, непосредственно в процессе чувственного восприятия. Исходя из этого, кажется, что эта задача не является интеллектуальной. Но в процессе узнавания человек не решает мыслительных задач лишь постольку, поскольку программа распознания не находится в сфере осознанного. Но так как в решении таких задач на неосознанном уровне участвует модель среды, хранящаяся в памяти, то эти задачи, в сущности, являются интеллектуальными. Соответственно и система, которая ее решает, может считаться интеллектуальной. Тем более это относится к «пониманию» машиной фраз на естественном языке, хотя человек в этом не усматривает обычно проблемной ситуации.Теория искусственного интеллекта при решении многих задач сталкивается с гносеологическими проблемами.Одна из таких проблем состоит в выяснении вопроса, доказуема ли теоретически (математически) возможность или невозможность искусственного интеллекта. На этот счет существуют две точки зрения. Одни считают математически доказанным, что ЭВМ в принципе может выполнить любую функцию, осуществляемую естественным интеллектом. Другие полагают в такой же мере доказанным математически, что есть проблемы, решаемые человеческим интеллектом, которые принципиально недоступны ЭВМ. Эти взгляды высказываются как кибернетиками, так и философами.Знание – основа интеллектуальной системыМногие виды умственной деятельности человека, такие, как написание программ для вычислительной машины, занятие математикой, ведение рассуждений на уровне здравого смысла и даже вождение автомобиля – требуют «интеллекта». На протяжении последних десятилетий было построено несколько типов компьютерных систем, способных выполнять подобные задачи.Имеются системы, способные диагностировать заболевания, планировать синтез сложных синтетических соединений, решать дифференциальные уравнения в символьном виде, анализировать электронные схемы, понимать ограниченный объем человеческой речи и естественного языкового текста. Можно сказать, что такие системы обладают в, некоторой степени, искусственным интеллектом.Работа по построению таких систем проводится в области, получившей название искусственный интеллект (ИИ).При реализации интеллектуальных функций непременно присутствует информация, называемая знаниями. Другими словами, интеллектуальные системы являются в то же время системами обработки знаний.В настоящее время в исследованиях по искусственному интеллекту выделились несколько основных направлений.1. Представление знаний. В рамках этого направления решаются задачи, связанные с формализацией и представлением знаний в памяти системы ИИ. Для этого разрабатываются специальные модели представления знаний и языки описания знаний, внедряются различные типы знаний. Проблема представления знаний является одной из основных проблем для системы ИИ, так как функционирование такой системы опирается на знания о проблемной области, которые хранятся в ее памяти.2. Манипулирование знаниями. Чтобы знаниями можно было пользоваться при решении задачи, следует научить систему ИИ оперировать ими. В рамках данного направления разрабатываются способы пополнения знаний на основе их неполных описаний, создаются методы достоверного и правдоподобного вывода на основе имеющихся знаний, предлагаются модели рассуждений, опирающихся на знания и имитирующих особенности человеческих рассуждений. Манипулирование знаниями очень тесно связано с представлением знаний, и разделить эти два направления можно лишь условно.3. Общение. В круг задач этого направления входят: проблема понимания и синтеза связных текстов на естественном языке, понимание и синтез речи, теория моделей коммуникаций между человеком и системой ИИ. На основе исследований в этом направлении формируются методы построения лингвистических процессов, вопросно-ответных систем, диалоговых систем и других систем ИИ, целью которых является обеспечение комфортных условий для общения человека с системой ИИ.4. Восприятие. Это направление включает разработку методов представления информации о зрительных образах в базе знаний, создание методов перехода от зрительных сцен к их текстовому описанию и методов обратного перехода, создание средств, порождающих зрительные сцены на основе внутренних представлений в системах ИИ.5. Обучение. Для развития способности систем ИИ к обучению, т.е. к решению задач, с которыми они раньше не встречались, разрабатываются методы формирования условий задач по описанию проблемной ситуации или по наблюдению за ней, методы перехода от известного решения частных задач (примеров) к решению общей задачи, создание приемов разбиения исходной задачи на более мелкие и уже известные для систем ИИ. В этом направлении ИИ сделано еще весьма мало.6. Поведение. Поскольку системы ИИ должны действовать в некоторой окружающей среде, то необходимо разрабатывать некоторые поведенческие процедуры, которые позволили бы им адекватно взаимодействовать с окружающей средой, другими системами ИИ и людьми. Это направление в ИИ также разработано ещё очень слабо.В последние годы термин «знание» все чаще употребляется в информатике. Специалисты подчеркивают, что совершенствование так называемых интеллектуальных систем (информационно-поисковых систем высокого уровня, диалоговых систем, базирующихся на естественных языках, интерактивных человеко-машинных систем, используемых в управлении, проектировании, научных исследованиях) во многом определяется тем, насколько успешно будут решаться задачи (проблемы) представления знаний.

3.1 Аспекты представления знаний

Неудивительно, что перед теми, кто занимается проблемой представления знаний, встает вопрос о том, что такое знание, какова его природа и основные характеристики. В связи с этим предпринимаются, например, попытки дать такое определение знания, из которого можно было бы исходить в решении задач представления знаний в компьютерных системах.Представлению данных присущ пассивный аспект: книга, таблица, заполненная информацией память. В теории искусственного интеллекта особо подчеркивается активный аспект представления знаний: приобретение знания должно стать активной операцией, позволяющей не только запоминать, но и применять воспринятые (приобретенные, усвоенные) знания для рассуждений на их основе.Использование символического языка, такого, как язык математической логики, позволяет формулировать описания в форме, одновременно близкой и к обычному языку, и к языку программирования. Впрочем, математическая логика позволяет рассуждать, базируясь на приобретенных знаниях: логические выводы действительно являются активными операциями получения новых знаний из уже усвоенных.Принципиальная мировоззренческая установка состоит в рассмотрении ЭВМ как предмета-посредника в познавательной человеческой деятельности. Компьютерная система, подобно другим предметам-посредникам (орудиям труда и предметам быта, инструментам, приборам, знаково-символическим системам, научным текстам и т. д.), играя инструментальную роль в познании, является средством объективизации накопленного знания, воплощением определенного социально-исторического опыта практической и познавательной деятельности.Проблема представления знаний возникла как одна из проблем искусственного интеллекта. Она связана с переходом исследований в этой области в некоторую новую фазу. Речь идет о создании практически полезных систем (прежде всего так называемых экспертных систем), применяемых в медицине, геологии, химии. Создание такого рода систем требует интенсивных усилий по формализации знания, накопленного в соответствующей науке.С термином «представление знаний» связывается определенный этап в развитии математического обеспечения ЭВМ. Если на первом этапе доминировали программы, а данные играли вспомогательную роль своеобразной «пищи» для «голодных» программ, то на последующих этапах роль данных неуклонно возрастала. Их структура усложнялась: от машинного слова, размещенного в одной ячейке памяти ЭВМ, происходил переход к векторам, массивам, файлам, спискам. Венцом этого развития стали абстрактные типы данных, обеспечивающие возможность создания такой структуры данных, которая наиболее удобна при решении задачи. Последовательное развитие структур данных привело к их качественному изменению и к переходу от представления данных к представлению знаний. Уровень представления знаний отличается от уровня представления данных не только более сложной структурой, но и существенными особенностями: интерпретируемость, наличие классифицируемых связей (например, связь между знаниями, относящихся к элементу множества, и знаниями об этом множестве), которые позволяют хранить информацию, одинаковую для всех элементов множества, записанную одноактно при описании самого множества, наличие ситуативных отношений (одновременности, нахождения в одной точке пространства и т. п., эти отношения определяют ситуативную совместимость тех или иных знаний, хранимых в памяти). Кроме того, для уровня знаний характерны такие признаки, как наличие специальных процедур обобщения, пополнения имеющихся в системе знаний и ряда других процедур.Моделирование на ЭВМ понималось как техническая реализация определенной формы знакового моделирования. Однако, рассматривая ЭВМ в гносеологическом плане в качестве посредника в познании, имеет смысл не фиксировать внимание, прежде всего на «железной части» (hardware) компьютера, а рассматривать всю компьютерную систему как сложную систему взаимосвязанных и до некоторых пределов самостоятельных моделей - как материальных, так и знаковых, т. е. идеальных. Такой подход не только соответствует рассмотрению компьютерных систем в современной информатике, но является и гносеологически оправданным. Многие важные философские аспекты проблем, возникающих в связи с компьютеризацией различных сфер человеческой деятельности, требуют для своего исследования обращения, прежде всего, к знаковым составляющим компьютерных систем. Это верно и в отношении философских аспектов проблем представления знаний.В последние годы все чаще стал употребляться термин «компьютерное моделирование». Очевидно, имеет смысл обозначать им построение любого из составляющих компьютерной системы - будь то знаковая модель или материальная.Что изменяется в компьютерном моделировании с переходом от уровня представления данных к уровню представлению знаний? Каков гносеологический смысл этих изменений? С введением термина «знание» появляется свойство «осознавать», т. е. «понимать» свои интеллектуальные возможности. В свою очередь, это означает не что иное, как рефлексию.

3.2 Рефлексия

Исследования в области искусственного интеллекта возникли под влиянием идей кибернетики - прежде всего идеи общности процессов управления и передачи информации в живых организмах, обществе и технике, в частности, в компьютерах.Философская приемлемость проблематики искусственного интеллекта в ее традиционном виде была обусловлена лежащим в ее основе представлением о том, что «порядок и связь идей те же, что порядок и связь вещей». Тем самым создать в компьютере структуру, воспроизводящую «мир идей», означало попросту создать структуру, изоморфную структуре вещественного мира, т. е. построить «электронную модель мира». Эта модель интерпретировалась как компьютерная модель человеческих знаний о мире. Процесс человеческого мышления интерпретировался в компьютере как машинный поиск таких трансформаций модели, которые должны были перевести компьютерную модель в некое финальное состояние (например, матовую позицию в шахматах).Для этого система искусственного интеллекта нуждалась в знаниях о том, как осуществлять трансформации состояний модели, приводящие к заранее заданной цели - состоянию с определенными свойствами. В первое время было распространено убеждение в принципиальной способности компьютера к самостоятельному исследованию хранящейся в нем модели, т. е. к самообучению стратегии достижения поставленной цели.Данная гипотетическая способность интерпретировалась как возможность машинного творчества, как основа создания будущих «мыслящих машин». И, хотя в реально разрабатывавшихся системах достижение цели осуществлялось на основе человеческого опыта с помощью алгоритмов, основанных на теоретическом анализе создаваемых моделей и результатов проводимых на них экспериментов, идеи построения самообучаемых систем многим казались наиболее перспективными. Лишь к 80-му году была осознана значимость проблемы использования в интеллектуальных системах человеческих знаний о действительности, повлекшая серьезную разработку баз знаний и методов извлечения личных знаний экспертов.С развитием данного направления возникла идея рефлексивного управления. До этого момента в кибернетике управление рассматривалось как передача объекту сигналов, непосредственно воздействующих на его поведение, а эффективность управления достигалась с помощью обратной связи - получения информации о реакциях управляемого объекта. Рефлексивное же управление - есть передача информации, воздействующей на имеющийся у объекта образ мира. Тем самым обратная связь оказывается излишней - состояние субъекта известно передающему информацию, то есть объекту.Традиционные системы искусственного интеллекта основаны на идеологии целеориентированного поведения типа шахматной игры, где цель обоих партнеров состоит в том, чтобы поставить мат ценой любых жертв. Не случайно именно шахматные программы оказались столь важными для отработки методов искусственного интеллекта.Стоит ли считать рефлексию неотъемлемой частью систем искусственного интеллекта? Ответом с технической точки зрения может служить следующее. Как и любая компьютерная программа, наделенная средствами самодиагностики и самоисправления (а такие средства уже становятся стандартом), т. е. средствами повышения надежности, системы искусственного интеллекта должны контролировать происходящие процессы - как внешние, так и внутренние. Однако может показаться, что в этом смысле будет достаточным просто развитая структура обратных связей. Сразу надо оговориться, что под обратной связью следует понимать только ответную реакцию (или получение информации о ней) после какого-то конкретного действия системы. Обратная связь лишь предоставляет данные, информацию, но ни в коей мере не интерпретирует их. Норбертом Винером в книге «Кибернетика, или управление и связь в животном и машине» были приведены примеры нарушений нервной системы людей и их последствия. Так люди с нарушением системы ориентации собственных конечностей в пространстве (не чувствующие своих рук и ног, случай, когда конечности «немеют») должны были визуально контролировать свои действия. Это было типичное нарушение обратной связи. Рефлексия же подразумевает анализ полученной картины.Анализ функционирования собственной модели или модели «всей окружающей действительности» (в рамках поставленной задачи), контроль над ее состоянием, прогнозирование состояния - есть ни что иное, как реализация рефлексии. Рефлексия - есть некий метауровень. С применением языков программирования высокого уровня, таких как Пролог, позволяющий формулировать цели и строить логические выводы достижимости этих целей, задача реализации рефлексии уже может быть частично решена. С их помощью можно построить некую метаструктуру, надстройку, некий метауровень, позволяющий оценивать поведение предыдущего. Однако, при рассмотрении термина «глубокая рефлексия» или «многоуровневая рефлексия» встает проблема построения моделей самой системой. Здесь на помощь приходят абстрактные типы данных. Они позволяют оперировать структурами данных любой конечной сложности. Таким образом, можно считать, что системы искусственного интеллекта могут содержать модель рефлексии.Таким образом, считать интеллектуальную систему полноценной без умения оценивать, «понимать» свои действия, то есть рефлексировать, нельзя. Более того, рефлексию следует считать одним из главных инструментов построения поведения систем. Говоря языком математики, рефлексия является необходимым условием существования интеллектуальной системы.

3.3 Некоторые подходы к решению проблемы ИИ

Механистический подход.Идея создания мыслящих машин «человеческого типа», которые думают, двигаются, слышат, говорят, и вообще ведут себя как живые люди уходит корнями в глубокое прошлое. Еще в античности люди стремились создать машину, подобную себе.В 1736 г. французский изобретатель Жак де Вокансон изготовил механического флейтиста в человеческий рост, который исполнял двенадцать мелодий, перебирая пальцами отверстия и дуя в мундштук, как настоящий музыкант. В середине 1750-х годов Фридрих фон Кнаус, австрийский автор, служивший при дворе Франциска I, сконструировал серию машин, которые умели держать перо и могли писать довольно длинные тексты. Другой мастер, Пьер Жак-Дроз из Швейцарии, построил пару изумительных по сложности механических кукол размером с ребенка: мальчика, пишущего письма и девушку, играющую на клавесине. Успехи механики XIX в. стимулировали еще более честолюбивые замыслы. Так, в 1830-х годах английский математик Чарльз Бэббидж задумал, правда, так и не завершив, сложный цифровой калькулятор, который он назвал Аналитической машиной; как утверждал Бэббидж, его машина в принципе могла бы рассчитывать шахматные ходы. Позднее, в 1914 г., директор одного из испанских технических институтов Леонардо Торрес-и-Кеведо действительно изготовил электромеханическое устройство, способное разыгрывать простейшие шахматные эндшпили почти также хорошо, как и человек.Но все эти механические устройства имеют лишь отдаленное сходство с тем, что может быть названо ИИ, хотя интересны с исторической точки зрения.Электронный подходПосле второй мировой войны появились устройства, казалось бы, подходящие для достижения заветной цели – моделирования разумного поведения; это были электронные цифровые вычислительные машины.К концу 50-х годов все эти увлечения выделились в новую более или менее самостоятельную ветвь информатики, получившую название «искусственный интеллект». Исследования в области ИИ, первоначально сосредоточенные в нескольких университетских центрах США – Массачусетском технологическом институте, Технологическом институте Карнеги в Питтсбурге, Станфордском университете, - ныне ведутся во многих других университетах и корпорациях США и других стран. Исследователей ИИ, работающих над созданием мыслящих машин, можно разделить на две группы. Одних интересует чистая наука и для них компьютер - лишь инструмент, обеспечивающий возможность экспериментальной проверки теорий процессов мышления. Интересы другой группы лежат в области техники: они стремятся расширить сферу применения компьютеров и облегчить пользование ими. Многие представители второй группы мало заботятся о выяснении механизма мышления - они полагают, что для их работы это едва ли более полезно, чем изучение полета птиц и самолетостроения.На протяжении всей своей короткой истории исследователи в области ИИ всегда находились на переднем крае информатики. Многие ныне обычные разработки, в том числе усовершенствованные системы программирования, текстовые редакторы и программы распознавания образов, в значительной мере рассматриваются на работах по ИИ. Короче говоря, теории, новые идеи, и разработки ИИ неизменно привлекают внимание тех, кто стремится расширить области применения и возможности компьютеров, сделать их более «дружелюбными» то есть более похожими на разумных помощников и активных советчиков, чем те педантичные и туповатые электронные рабы, какими они всегда были. Несмотря на многообещающие перспективы, ни одну из разработанных до сих пор программ ИИ нельзя назвать «разумной» в обычном понимании этого слова. Это объясняется тем, что все они узко специализированы; самые сложные экспертные системы по своим возможностям скорее напоминают дрессированных или механических кукол, нежели человека с его гибким умом и широким кругозором. Даже среди исследователей ИИ теперь многие сомневаются, что большинство подобных изделий принесет существенную пользу. Немало критиков ИИ считают, что такого рода ограничения вообще непреодолимы, и решение проблемы ИИ надо искать не в сфере непосредственно электроники, а где-то за ее пределами.Кибернетический подходПопытки построить машины, способные к разумному поведению, в значительной мере вдохновлены идеями профессора Массачусетского технологического института, Норберта Винера, одной из выдающихся личностей в интеллектуальной истории Америки и всего мира. Помимо математики он обладал широкими познаниями в других областях, включая нейропсихологию, медицину, физику и электронику. Винер был убежден, что наиболее перспективны научные исследования в так называемых пограничных областях, которые нельзя конкретно отнести к той или иной конкретной дисциплины. Они лежат где-то на стыке наук, поэтому к ним обычно не подходят столь строго. «Если затруднения в решении какой-либо проблемы психологии имеют математический характер, пояснял он, - то десять несведущих в математике психологов продвинуться не дальше одного столь же несведущего». Таким образом, междисциплинарность - краеугольный камень современной науки. Винеру и его сотруднику Джулиану Бигелоу принадлежит разработка принципа «обратной связи», который был успешно применен при разработке нового оружия с радиолокационным наведением. Принцип обратной связи заключается в использовании информации, поступающей из окружающего мира, для изменения поведения машины. В основу разработанных Винером и Бигелоу систем наведения были положены тонкие математические методы; при малейшем изменении отраженных от самолета радиолокационных сигналов они соответственно изменяли наводку орудий, то есть - заметив попытку отклонения самолета от курса, они тотчас рассчитывали его дальнейший путь и направляли орудия так, чтобы траектории снарядов и самолетов пересеклись. В дальнейшем Винер разработал на принципе обратной связи теории как машинного, так и человеческого разума. Он доказывал, что именно благодаря обратной связи все живое приспосабливается к окружающей среде и добивается своих целей. «Все машины, претендующие на разумность», - писал он, - «должны обладать способностью преследовать определенные цели и приспосабливаться, т.е. обучаться». В 1948 году выходит книга Винера, в которой он заложил фундамент новой науки, названной им кибернетикой, что в переводе с греческого означает рулевой. Следует отметить, что принцип «обратной связи», введенный Винером, был в какой-то степени предугадан Сеченовым в описанном им в книге «Рефлексы головного мозга» (1863 г.) феномене «центрального торможения», т. е. почти за 100 лет до Винера, и рассматривался как механизм регуляции деятельности нервной системы, и который лег в основу многих моделей произвольного поведения в отечественной психологии.

Заключение

Ключевым фактором, определяющим сегодня развитие ИИ-технологий, считается темп роста вычислительной мощности компьютеров, так как принципы работы человеческой психики по-прежнему остаются неясными (на доступном для моделирования уровне детализации). Поэтому тематика ИИ-конференций выглядит достаточно стандартно и по составу почти не меняется уже довольно давно.

Но рост производительности современных компьютеров в сочетании с повышением качества алгоритмов периодически делает возможным применение различных научных методов на практике. Так случилось с интеллектуальными игрушками, так происходит с домашними роботами. Снова будут интенсивно развиваться временно забытые методы простого перебора вариантов (как в шахматных программах), обходящиеся крайне упрощенным описанием объектов. Но с помощью такого подхода (главный ресурс для его успешного применения - производительность) удастся решить, как ожидается, множество самых разных задач (например, из области криптографии). Уверенно действовать автономным устройствам в сложном мире помогут достаточно простые, но ресурсоемкие алгоритмы адаптивного поведения. При этом ставится цель разрабатывать системы, не внешне похожие на человека, а действующие, как человек.

Ученые пытаются заглянуть и в более отдаленное будущее. Можно ли создать автономные устройства, способные при необходимости самостоятельно собирать себе подобные копии (размножаться)? Способна ли наука создать соответствующие алгоритмы? Сможем ли мы контролировать такие машины? Ответов на эти вопросы пока нет. Продолжится активное внедрение формальной логики в прикладные системы представления и обработки знаний. В то же время такая логика не способна полноценно отразить реальную жизнь, и произойдет интеграция различных систем логического вывода в единых оболочках. При этом, возможно, удастся перейти от концепции детального представления информации об объектах и приемов манипулирования этой информацией к более абстрактным формальным описаниям и применению универсальных механизмов вывода, а сами объекты будут характеризоваться небольшим массивом данных, основанных на вероятностных распределениях характеристик.

Сфера ИИ, ставшая зрелой наукой, развивается постепенно - медленно, но неуклонно продвигаясь вперед. Поэтому результаты достаточно хорошо прогнозируемы, хотя на этом пути не исключены и внезапные прорывы, связанные со стратегическими инициативами.

Литература

1. Ильясов Ф. Н. Разум искусственный и естественный//Известия АН Туркменской ССР, серия общественных наук. 1986. № 6. С. 46-54

2. Пенроуз. Р. Новый ум короля. О компьютерах, мышлении и законах физики. М.: УРСС, 2005.ISBN 5-354-00993-6

3. Гарри Гаррисон. Выбор по Тьюрингу. М.: Эксмо-Пресс, 1999. 480 с.ISBN 5-04-002906-3

4. ВМИРЕНАУКИ. (Scientific American. Издание на русском языке). 1990. № 3

5. Геннадий Осипов «Искусственный интеллект: состояние исследований и взгляд в будущее»

6. «Ростов Телеком» #34 (55) «Искусственный интеллект: новая информационная революция»

7. Хант Э. Искусственный интеллект= Artificial intelligence / Под ред. В. Л. Стефанюка. - М.: Мир, 1978. - 558 с. - 17 700 экз.

8. Люгер Дж. Ф.Искусственный интеллект: стратегии и методы решения сложных проблем = Artificial Intelligence: Structures and Strategies for Complex Problem Solving / Под ред. Н. Н. Куссуль. - 4-е изд… - М.: Вильямс, 2005. - 864 с. - 2000 экз. -ISBN 5-8459-0437-4

9. Девятков В. В.Системы искусственного интеллекта / Гл. ред. И. Б. Фёдоров. - М.: Изд-во МГТУ им. Н. Э. Баумана, 2001. - 352 с. - (Информатика в техническом университете). - 3000 экз. -ISBN 5-7038-1727-7

Интеллектуальные информационные системы в управлении знаниями

Введение

Основное назначение информационных систем в экономике – это своевременное представление необходимой информации ЛПР для принятия им адекватных и эффективным решений при управлении процессами, ресурсами, финансовыми транзакциями, персоналом или организацией в целом. Однако в процессе развития информационных технологий, исследования операций и технологий моделирования, а также с возрастанием потребителей информационно – аналитической поддержки самих ЛПР, все больше проявлялась потребность в системах, не только представляющих информацию, но и выполняющих некоторый ее предварительный анализ, способных давать некоторые советы и рекомендации, осуществлять прогнозирование развития ситуаций, отбирать наиболее перспективные альтернативы решений, т.е. поддерживать решения ЛПР, взяв на себя значительную часть рутинных операций, а также функции предварительного анализа и оценок.

Информационная система поддержки решений (ИСПР) связывает интеллектуальные ресурсы управленца со способностями и возможностями компьютера для улучшения качества решений. Эти системы предназначены для менеджеров, принимающих управленческие решения в условиях полуструктурированных и слабо определенных задач.

Таким образом, дальнейшее развитие ИСПР привело к созданию интеллектуальной информационной СПР.

Интеллектуальные информационные технологии (ИИТ) (Intellectualinformation technology, IIT) - это информационные технологии, помогающие человеку ускорить анализ политической, экономической, социальной и технической ситуации, а также - синтез управленческих решений.

Использование ИИТ в реальной практике подразумевает учет специфики проблемной области, которая может характеризоваться следующим набором признаков:

· качество и оперативность принятия решений;

· нечеткость целей и институциальных границ;

· множественность субъектов, участвующих в решении проблемы;

· хаотичность, флюктуируемость и квантованность поведения среды;

· множественность взаимовлияющих друг на друга факторов;

· слабая формализуемость, уникальность, нестереотипность ситуаций;

· латентность, скрытость, неявность информации;

· девиантность реализации планов, значимость малых действий;

· парадоксальность логики решений и др.

ИИТ формируются при создании информационных систем и информационных технологий для повышения эффективности управления знаниями, принятия решений в условиях, связанных с возникновением проблемных ситуаций. В этом случае любая жизненная или деловая ситуация описывается в виде некоторой познавательной модели (когнитивной схемы, архетипа, фрейма и пр.), которая впоследствии используется в качестве основания для построения и проведения моделирования, в том числе - компьютерного.

I. История развития Интеллектуальных информационных систем

История Интеллектуальных информационных систем (ИИС) начинается с середины XX века, что связано с развитием Искусственного интеллекта как нового научного направления, появлением термина «Artificial Intelligence».

Предпосылки развития искусственного интеллекта в СССР и России появляются уже в XIX веке, когда 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 г. 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 предшественниками экспертных систем. «Интеллектуальные машины» позволяли находить решения по заданным условиям, например определять наиболее подходящие лекарства по наблюдаемым у пациента симптомам заболевания. В СССР работы в области искусственного интеллекта начались в 1960-х гг. В Московском университете и Академии наук был выполнен ряд пионерских исследований, возглавленных В. Пушкиным и Д. А. Поспеловым. В 1964 г. была опубликована работа ленинградского логика С. Маслова «Обратный метод установления выводимости в классическом исчислении предикатов», в которой впервые предлагался метод автоматического поиска доказательства теорем в исчислении предикатов. В 1966 г. В. Ф. Турчиным был разработан язык рекурсивных функций Рефал. До 1970-х гг. 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.

История ИИТ начинается с середины 1970-х годов и связывается с совместным практическим применением интеллектуальных информационных систем, систем искусственного интеллекта, систем поддержки решений и информационных систем. История ИИТ связана также с развитием трех научных направлений: компьютерной философии, компьютерной психологии и продвинутой компьютерной науки (Advanced computer science) и дополняется прогрессом в создании:

1. ситуационных центров

2. информационно-аналитических систем

3. инструментариев эволюционных вычислений и генетических алгоритмов

4. систем поддержки общения человека с компьютером на естественном языке

5. когнитивным моделированием

6. систем автоматического тематического рубрицирования документов

7. систем стратегического планирования

8. инструментариев технического и фундаментального анализа финансовых рынков

9. систем менеджмента качества

10. систем управления интеллектуальной собственностью и др.

Искусственный интеллект как наука был основан тремя поколениями исследователей.

В Табл.1.1. представлены ключевые события в истории ИИ и инженерии знаний, начиная с первой работы У. Маккалока и У. Питса в 1943 г. и до современных тенденций в комбинированных усилиях экспертных систем, нечеткой логики и нейронных вычислений в современных системах, основанных на знаниях, способных осуществлять вычисления при помощи слов.

Таблица 1.1.

Краткий перечень главных событий в истории ИИ и инженерии знаний

Период	События
Рождение ИИ (1943-1956)	- У. Маккалок и У. Питс: Логическое исчисление идей, присущих нервной деятельности, 1943. - А.Тьюринг: Вычислительная машина и интеллект, 1950. - К. Шеннон: Программирование компьютера для шахматной игры, 1950.
Подъем ИИ (1956- конец 1960-х)	- Д. Маккарти: LISP – язык программирования искусственного интеллекта. - М. Куллиан: Семантические сети для представления знаний,1966. - А. Ньюэл и Г. Саймон: Универсальный решатель задач (GPS),1961. - М. Минский: Структуры для представления знаний (фреймы), 1975.
Открытие и разработка экспертных систем (начало 1970-х – середина 1980-х).	- Э. Фейгенбаум, Б. Букханан и др. (Стэндфордский университет):Экспертная система DENDRAL - Э. Фейгенбаум, Э. Шортлиф: Экспертная система MYCIN - Стэндфордский исследовательский центр: Экспертная системаPROSPECTOR - А. Колмероэ, Р. Ковальски и др. (Франция): Язык логического программирования PROLOG.
Возрождение искусственный нейронных сетей (1965 и далее)	- Дж. Хопфилд: Нейронные сети и физические с эмержентными коллективными вычислительными способностями, 1982. - Т. Кохонен: Самоорганизующиеся топологически правильные карты, 1982. - Д. Румельхарт и Д. Макклеланд: Распределенная параллельная обработка данных, 1986.
Эволюционное вычисление (начало 1970-х и далее)	- И. Рехенберг: Эволюционные стратегии – оптимизация технических систем по принципам биологической информации, 1973. - Дж. Холланд: Адаптация в естественных и искусственных системах, 1975. - Дж. Коза: Генетическое программирование: компьютерное программирование средствами естественного отбора, 1992. - Д.Фогель: Эволюционное вычисление – направление новой философии в машинном интеллекте, 1995.
Нечеткие множества и нечеткая логика (середина 1960-х и далее)	- Л. Заде: Нечеткие множества, 1965. - Л. Заде: Нечеткие алгоритмы, 1969. -Э. Мамдани: Применение нечеткой логики в приближенном рассуждении с использованием лингвистического синтеза, 1977. - М. Суджено: Нечеткий логический вывод (алгоритм Такаги-Суджено), 1985
Вычисления при помощи слов (конец 1980-х и далее)	- А. Нейгоца: Экспертные системы и нечектие системы, 1985. - Б. Коско: Нейронные сети и нечеткие системы, 1992. - Б. Коско: Нечеткое мышление, 1993. - Р. Ягер и Л. Заде: нечеткие множества, нейронные сети и мягкие вычисления, 1994. - Б. Коско: Нечеткая инженерия, 1996. - Л. Заде: Вычисления при помощи слов, 1996.

Таким образом, исторически разработки в области ИИ велись в двух основных направлениях:

Первое направление связано с попытками разработки ин­теллектуальных машин путем моделирования их биологического прототипа - человеческого мозга. Сейчас это направление возрож­дается на основе развития современных аппаратных и программ­ных средств (микрочипы на основе нечеткой логики, распределенные многопроцессорные системы, многоагентные системы, мягкие вычисления, генетические алгоритмы и нейронные сети и т.д.).

Второе направление связано с разработками методов, приемов, специализированных устройств и программ для компью­теров, обеспечивающих решение сложных математических и ло­гических задач, позволяющих автоматизировать отдельные ин­теллектуальные действия человека (системы, основанные на знаниях, экспертные системы, прикладные интеллектуальные системы).

Эти два направления как бы определяют программу минимум и программу максимум, между которыми и лежит область сегодняшних исследований и разработок систем ИИ. Работы по разработке программного и аппаратного обеспечения ИИ выделены в отдельную область.

Похожая информация.