Сглаз, порча, проклятие– что дальше?

1. Что такое интеллект?
Прежде чем читать дальше, решите головоломку: TWO + THREE + THREE = EIGHT. Известно, что в этой головоломке каждая буква соответствует цифре, одна и та же буква всегда представляет одну и ту же цифру, никакое число не начинается с нуля, и число THREE — четное (Англия, 1998).

Вы решили этот «криптарифм»? Вне зависимости от того, какие навыки вы использовали, вы выполнили интеллектуальный акт. Может ли машина решить эту головоломку? Исследования в области искусственного интеллекта, которые накладываются на психологию, когнитологию, инжиниринг и дизайн, ищут способы заставить машины вести себя так, чтобы их поведение можно было оценить как разумное, как вел бы себя в такой ситуации человек — действительно интеллектуальное существо. Некоторые ИИ-профессионалы довольствуются поиском программ, которые просто подражают интеллектуальному поведению.

Что же такое интеллект? Это не простое отдельное понятие (Gardner, 1998). Интеллект, похоже, включает в себя множественные навыки, такие как: распознавание, изучение, адаптация, решение головоломок, поиск моделей и закономерностей, логические выводы и рассуждения (дедуктивные и индуктивные), распознавание (что мы слышим, что видим), осуществление разумного выбора, планирование, осмысленное использование аналогий и метафор и творчество. Добавим к этому еще и автономное поведение. То есть мы более высоко ценим не заученные или механические действия, а оригинальные, независимые и подходящие именно для данного случая.

Марвин Мински (Marvin Minsky), старейшина исследования ИИ, когда-то описал разум как «комплекс действий, которые мы, случается, уважаем, но полностью не понимаем». Эта фраза напоминает нам, что:

интеллект — не единичное, а множественное понятие;
граница «истинного ИИ» постоянно перемещается: т. е. мы прекращаем расценивать действие как интеллектуальное, как только мы научили человека или машину выполнять его автоматически.
Возможен ли искусственный разум? В 1950-х гг. Алан Тьюринг (А1ап Turning) своим известным прагматическим тестом определил его так: следует назвать интеллектуальной любую машину, которая может выполнять длительное задание (например, беседу) настолько хорошо, что неинформированный наблюдатель решил бы, что это человек (Hofstadter and Dennett, 1981). Если такой уровень навыка достигнут, основная идея тоже, то кого волнует, является ли разум подлинным или подражающим?

 

2. Богатство истории
Термин «искусственный интеллект» датируется 1955 г., когда Джон МакКарти (John McCarthy) предложил его на конференции в Дартмутском университете. Казалось, что огромный успех неизбежен. Так, Герберт Саймон (Herbert Simon, 1965) смело предсказал, что «в пределах самого ближайшего будущего — значительно меньше, чем двадцать пять лет, — мы будем иметь техническую возможность заменить машиной любую функцию человека во всех организациях».

Такое волнение первых лет подпитывалось рядом успешных демонстраций ИИ в ограниченных областях (например, демонстрация Тьюринга). Классические системы ИИ включали в себя (Winston,, 1992; Barr and Feigenbaum, 1981): Решение задачи в целом. Со своей системой «GPS» Ньювелл (Newell) и Саймон утверждали, что при достаточно высоком уровне обобщения все задачи выглядят одинаково: это всегда проблема перехода от начального состояния к желательному. Поэтому, имея проблемно-ориентированный набор операторов (каждый из которых может осуществлять переход от одного такого состояния к другому), с помощью единственного общего метода можно решить какую бы то ни было задачу, используя общую эвристику сокращения различий.

Прохождение тестов на интеллект. Эванс (Evans) создал программу для ответа на тесты, используемые тогда в Нью-Йорке как тесты интеллекта человека. Его программа «ANALOGY» исследовала геометрические диаграммы вроде представленной ниже и решала головоломку: «Рисунок А относится к рисунку В так же, как рисунок С относится к какому от 1 до 5?». Решите самостоятельно.

 

В выявлении индуктивных трансформаций «ANALOGY», оказалось, была столь же хороша, как и люди, и, если это было необходимо, освобождала их от обобщений, пока она сама искала подходящий элемент.

Доказательство теорем и поиск целей. Довольно долго существовала ошибочная мысль, что дедуктивная логика должна быть сущностью рационального интеллектуального поведения. Теперь мы признаем, что она является наиболее часто используемым инструментом, ретроспективно применяемым для приведения в порядок творческой мысли. «LOGIC THEORIST» был ранней попыткой использования в доказательстве дедуктивных умозаключений на основе посылок. Но она произвела на свет слишком много теорем, которые были истинны, но тривиальны. Более разумные средства доказательства теорем развились в семейство машин и языков для поиска целей.

Исследования в области робототехники были готовым приложением для программ доказательства теорем. Тот же самый целенаправленный механизм, который может доказать истинность заключения, может также доказать достижимость действия и предложить план его осуществления.

Зрительное распознавание рисунков. Гузман (Guzman) создал программы, которые могли просматривать линейные рисунки, представляющие собой перемешанные неодинаковые блоки, и «понимать» увиденное в виде беспорядочных трехмерных тел. Вальц (Waltz) продемонстрировал, как добавление теней и знаний облегчило задачу; появились ограничения и исчезли двусмысленности.

Осознание абстрактных понятий. Но может ли машина действительно понимать? Несколько пионеров смоделировали значение понятий построением семантических сетей. В них необходимое для осознания понятие было главным узлом в диаграмме, в которой отношения связывали его с более примитивными понятиями (как это делают многие словари). Тогда программы демонстрировали их понимание, используя сети для решения головоломок или отвечая на вопросы в свойственной человеку манере.

Обучаемостъ. Демонстрируемые программами обучаемость и адаптивность имитировали стиль человека: они учились, анализируя различия, исправляя свои ошибки и накапливая опыт. Хороший пример — классическая обучающая-ся программа Уинстона (Winston), которую научили понимать постройки из игрушечных кубиков, обучая в той же последовательности, что и человека (например, восходя от кирпича к арке, а затем и к галерее). Она училась на каждой стадии, анализируя, почему некоторые ее суждения оказались неверными.

Игры, (весьма свойственная человеку деятельность) заслуживают рассказа о себе в разрезе ИИ. Поскольку игра — это микромир с четкими правилами, она достаточно мала для разработчика ИИ, чтобы быть управляемой, и потому имеет очевидный критерий успеха. И тем не менее она обычно считается разумным человеческим поведением. В большинстве игр требуется, чтобы игрок определил все возможные в данный момент ходы и затем рассмотрел и оценил их для определения лучшего, по которому и следует двигаться. В боевой игре вводится принцип минимакса — определяется ход, который является наилучшим для вас с учетом того, что ход противника будет для вас наихудшим. Игрок — человек или ИИ — должен также располагать по приоритетам ограниченные средства и управлять ими в условиях ограничения времени или вычислительных ресурсов, которые требуют, чтобы поиск был разумно сокращен.

Понимание естественного языка. Люди гордятся своим знанием языка. Может ли компьютер понимать язык так же хорошо и доказать это интеллектуальными ответами на заданные вслух вопросы? Блестящий проект Вайнограда (Winograd) «SHRDLU» (1972) подтвердил, что это возможно. Его воспроизводящий робот управлял настольным миром деревянных блоков. Обеспеченный начальной грамматикой и словарем, он отлично понимал английский язык. Он мог отвечать на вопросы о структуре своего мира, изучать новые слова и (в ответ на команды) планировать перестановки блоков перед их выполнением своей рукой. Лучше показать работу «SHRDLU» на примере диалогов:

25. Возьми большой красный блок.
ОК.
36. Сделай шпиль...
К СОЖАЛЕНИЮ, Я НЕ ЗНАЮ СЛОВА «ШПИЛЬ».
37. Шпиль — это блок, который содержит два зеленых куба и пирамиду.
Я ПОНИМАЮ.
38. Есть ли сейчас какие-нибудь шпили?
НЕТ.
39. Построй один.
ОК. [рука строит шпиль]

3. Общее понимание
Из таких разработок появилось ядро инструментов, приемов и соглашений, которые и по сей день действуют в качестве унифицированного базиса для ИИ.

Инструменты представления знаний. ИИ направлен строго на содержательное представление и манипуляцию знаниями и управление такими манипуляциями. Часто бывает, что как только проблема четко определяется и описывается с использованием соответствующего представления, она может считаться практически решенной.

Существует множество таких языков ИИ и систем обозначений, которые могут как овладевать новыми знаниями, так и представлять их в формах, пригодных для разумного использования. Здесь представлены пять таких примеров:

Семантические сети, в которых узлы и связи представляют собой объекты или понятия и их отношения, так что можно выяснить их значение..
Деревья, которые могут представить декомпозицию целей и понятий на подцели и подпонятия.
Скрипты, в которых очевидные знания сохранены в типичных ситуативных сценариях (например, «Вход в ресторан»).
Процедурная семантика, в которой значение термина выражается маленькой программой. В примере со шпилем Вайнограда «SHRDLU» узнает значение слова «шпиль» из разговора и, основываясь на своих знаниях, пишет внутреннюю программу. После этого такая программа может:
понимать слово «шпиль»;
узнавать шпили;
строить их.
Фреймы, Фрейм — маркированная модель понятия, «слоты» (переменные) которой представляют собой ролевые элементы этого понятия. Они могут быть установлены по значениям, определенным в зависимости от ситуации. Как, например, объяснить машине, что такое ПРОДАЖА? Мы могли бы смоделировать требуемое понятие в виде фрейма: ПРОДАЖА (покупатель, продавец, объект, цена, причина). На заполнение слотов могут быть наложены ограничения; например, как покупатель, так и продавец должны быть живыми элементами (и не идентичными друг другу), объект не должен быть живым элементом, цена не может быть отрицательной. Как только подпрограмма предварительной обработки успешно заполнит слоты, следующие подпрограммы уже смогут действовать так, как если бы они понимали слово «продажа».

Эти инструменты имеют такую степень обобщения, что ИИ может моделировать что угодно: физические и абстрактные понятия, ментальные формы, человеческие отношения, суждения или принципы поведения. ИИ-диагност или робот может передавать свое понимание абстрактной и физической окружающей среды, в которой он живет, вместе со своими представлениями о структуре этого мира, так же, как это делаем мы. Кроме того, он может использовать свои знания в контексте для разумного разрешения возникающих двусмысленностей, которые типичны для многих событий нашего мира. Существует множество классических примеров двусмысленностей в языке (как в естественном, так и в искусственном). (Сколько значений, например, вы найдете в саймоновской фразе: «Явидел человека на холме с телескопом»?) Машина может разобраться в неоднозначности, если в ней заложено понимание контекста, физики реального мира, здравого смысла и т. д.

Инструменты поиска цели. ИИ стремится подражать целенаправленному поведению. Для отображения инструментария подходов, алгоритмов и эвристических ИИ были разработаны инновационные компьютерные языки и системы (в особенности LISP, Prolog и их множественные разновидности).

Поскольку они не могут полагаться на человека-оператора в плане предписания последовательности их действий, ИИ-языки и системы управляются данными и знаниями на высоком уровне. Задача программиста в этом случае больше касается обеспечения советами и фоновым пониманием. Они хороши при:

целенаправленном поиске;
определении, доказательстве и планировании;
анализе целей и средств их достижения;
поиске в глубину и в ширину в структуре дерева;
обратном слежении. Некоторые ИИ программы могут двигаться назад! (Если одна из ветвей поиска цели терпит неудачу или оказывается заблокированной, программа отменит свои решения и начнет двигаться по другому пути);
сокращении деревьев поиска и управлении поиском, когда надо руководствоваться здравым смыслом, метазнаниями и предусловиями (сравните с автоматической грамматикой);
использовании не иерархии, а гетерархии: Организация и управление структурой в ИИ-программах обычно более гибкие, чем коммерческие не-ИИ программы. Более вероятно увидеть сообща работающие взаимодействующие подпрограммы, чем нисходящее управление сверху вниз под руководством мастер-программы;
создании демонов. Демон или схема безопасности — маленькая программа, которая находится в статичном состоянии, пока ее не вызовет некоторое событие — по образу, находящемуся в ее данных.
Одни и те же методы применяются в разнообразных областях. Осознание в ИИ — это постижение того, что огромное число задач и областей, абсолютно разных на первый взгляд, могут быть привязаны к одним и тем же инструментам и представлениям. Например, процесс осмысления предложения естественного языка подобен процессу распознавания визуальной сцены. Оба процесса вовлекают знание основных принципов возможного; оба требуют от распознающей системы быстрого перехода между синтаксическими, семантическими и прагматическими базами знаний для того, чтобы разгадать вероятное толкование услышанного или увиденного.