Штучний інтелект: міф чи реальність?

  1. Дослідження в галузі штучного інтелекту активно ведуться ось уже понад 45 років. Часом виникає відчуття,...
  2. Стереотипи з наукової фантастики
  3. Два підходу до штучного інтелекту
  4. Системи «класної дошки»: інтеграція різних методів
  5. Збереження довкілля
  6. література
Дослідження в галузі штучного інтелекту активно ведуться ось уже понад 45 років. Часом виникає відчуття, що результати досліджень не виправдовують очікувань. Але це помилка, яка, мабуть, пояснюється тим, що ми не можемо до кінця усвідомити неймовірну складність реакцій, з яких складається поведінка людини в самих повсякденних ситуаціях.

Штучний інтелект - це наука про те, як реалізувати в комп'ютері функції, що нагадують розумові здібності людини. Важко сказати, коли ж, власне, почалися дослідження в галузі штучного інтелекту. Джордж Буль (1815-1864 рр.) Висловив безліч ідей, що стосуються математичних методів дослідження розумових процесів, і ряд висунутих їм положень досі зберігають свою актуальність. Але комп'ютера у Буля не було, так що якщо дотримуватися мого простого визначення, доведеться погодитися з тим, що не він є основоположником досліджень в області штучного інтелекту.

Відомо, що історики по обидві сторони Атлантики не можуть прийти до спільної думки щодо того, хто створив першу програмовану обчислювальну машину. Подібним же чином серед них немає єдності поглядів і з питання про те, з чого почалися дослідження в галузі штучного інтелекту. Англійські історики вказують на опубліковану в 1950 році статтю Алана Тьюринга з описом тесту для отримання відповіді на питання, чи має комп'ютер інтелектом [1]. Американські ж історики ведуть відлік від проведеної в 1956 році в Дартмуті конференції, яка була присвячена дослідженню проблем штучного інтелекту і на якій, як вважають, і народився сам термін «штучний інтелект».

Спектр «розумного» поведінки

Запропоноване мною просте визначення штучного інтелекту має той недолік, що поняття «інтелект» залишається в ньому нечітким. Внести в питання деяку ясність допоможе рис. 1, де представлено цілий спектр «розумних» дій, ранжируваних відповідно до рівня розуміння ситуації при виконанні тієї або іншої дії. У розряд дій найнижчого рівня входять інстинктивні реакції: торкнувшись гарячої поверхні, ми відсмикуємо руку, а побачивши кинутий в напрямку до нас предмет, відхилилися вбік. Для виконання дій високого рівня потрібні спеціальні знання - скажімо, знання нормативних актів, що регулюють умови поглинання однієї компанії іншою, або вміння інтерпретувати результати роботи мас-спектрографа.

Розроблено чисельні методи для забезпечення процедур прийняття рішень низького рівня і для управління діями, що відносяться до нижньої частини спектра. Існують ефективні комп'ютерні системи, призначені для моніторингу та управління різними механізмами. Робот Asimo (Advanced Step in Innovative MObility, asimo.honda.com), розроблений в компанії Honda оснащений 16 гнучкими «суглобами». Завдання збереження рівноваги вироби і управління його пересуваннями покладено на 4-процесорний комп'ютер. Оскільки спина у робота негнучка, його руки довелося кілька подовжити, щоб машина могла підбирати предмети з підлоги. Рухи Asimo при переміщенні в просторі дивно схожі на рухи людини, але мислити він не в змозі.

З іншого боку, на перших етапах досліджень в області штучного інтелекту вчені зосередилися на проблемах, що лежать у верхній частині спектра. Наприклад, були створені дві системи для роботи в таких спеціальних областях, як роботи мас-спектрографа [2] і аналіз бактеріальних інфекцій крові [3]. Ці перші досягнення породили дуже великі надії: вже якщо комп'ютери можуть вирішувати дуже складні для більшості звичайних людей проблеми, вони без праці замінять людини при виконанні більш скромних розумових операцій.

На жаль, все не так просто. Виявилося, імітувати дії людини, що лежать в середній частині спектра, - ті дії, які ми виконуємо, майже не замислюючись про це, - особливо складно. Комп'ютерні програми, такі, як Mathematica, можуть виконувати найскладніші розрахунки, проте розпізнавати предмети на зображеннях з достатнім ступенем точності комп'ютери досі не вміють.

Вдивіться в фотографію, представлену на рис. 2. Більшість читачів зможуть відразу ж виявити на знімку кролицю. Але треба сказати, що таке сприйняття являє собою приклад складної дії. Кролики можуть мати різні форми, розміри і бути по-різному пофарбованими. Вони можуть приймати різні положення і можуть бути частково закриті від спостерігача іншими предметами. Він володіє нормальним зором людина може обробити ці дані за якусь мить, і не буде вважати цю свою здатність показником видатного інтелекту. Але змусити комп'ютер розшифрувати вміст фотографії - завдання фантастично складна.

Стереотипи з наукової фантастики

Герої науково-фантастичних стрічок (HAL з фільму «2001 рік: космічна одіссея», Роббі з фільму «Заборонена планета» і Девід з картини Стівена Спілберга «Штучний інтелект») роздмухують і без того завищені очікування, які викликає в уяві людей термін «штучний інтелект ». У всіх випадках фантастична інтелектуальна система взаємодіє з середовищем як на рівні обміну інформацією, так і на рівні дій. А в двох останніх прикладах подібні системи розміщуються безпосередньо в тілах андроїдів.

Сучасні технології не дозволяють реалізовувати ці отримали широке ходіння фантастичні образи, і тому знайдеться чимало людей, які вважають, що дослідження в області штучного інтелекту не виправдали очікувань. Але ж зрозуміло, що фантастичні образи не можна використовувати в якості мірила прогресу в тій чи іншій галузі науки. Якби роботи в галузі штучного інтелекту називалися, скажімо, складанням «розумних комп'ютерних програм», про них напевно говорили б зі схваленням як про незаперечний успіх.

Два підходу до штучного інтелекту

Технології, що застосовуються в даний час в області штучного інтелекту, можна віднести до двох великим категоріями:

  • явне моделювання за допомогою слів і символів і
  • неявне моделювання за допомогою чисельних методів.

В першу категорію входять такі прийоми, як міркування на базі правил, моделей, систем відліку і конкретних ситуацій. У цій категорії проблему можна змоделювати з використанням явно виражених правил. наприклад:

Якщо тиск (всередині судини) високо, і випускний клапан закритий, значить випускний клапан заклинило.

Можна скласти більш складне правило, щоб прийняти до уваги фактор невизначеності:

Якщо тиск (всередині судини) високо, і випускний клапан закритий, значить випускний клапан, можливо, заклинило.

У своїх вузьких областях застосування подібні методи зарекомендували себе непогано, але вони обмежені за самою своєю природою. Ці методи придатні для роботи лише з явно змодельованими ситуаціями і не підходять для невідомих ситуацій.

Чисельні підходи в якійсь мірі долають ці труднощі. Комп'ютер отримує можливість будувати власну модель на основі спостережень і досвіду. Так, здатність усвідомлювати зв'язку на базі ряду прикладів і потім використовувати ці закономірності при аналізі раніше не відомих ситуацій демонструють нейронні мережі. Подібний метод виявлення асоціацій особливо ефективний при класифікації даних за категоріями.

Так, на рис. 3 представлені шість знімків району в дельті річки Міссісіпі, зроблених із супутника в шести різних хвильових діапазонах. На рис. 4 показана архітектура нескладної нейронної мережі (багаторівневий персептрон), яка була навчена встановлення відповідностей між зображеннями на знімках в шести різних хвильових діапазонах і цільовим використанням зображених на них земельних ділянок.

Таким чином, на вході системи задаються пікселі зображень, а на виході виходять п'ять категорій землекористування: вода, дерева, оброблена грунт, скелі і болота. Навчання мережі встановленню асоціацій на рівні пікселів здійснювалося на верхніх ділянках зображень, складових 1/16 площі знімків, а тестування - на всій площі фотографій.

Результати тестування представлені на рис. 5. В цілому класифікація проведена правильно, хоча деякі відмінності між представленими результатами і реальним використанням ділянок землі все ж існують. Підібравши для нейронної мережі більш точні параметри, ми могли б домогтися більш вражаючих результатів, але навіть при всіх очевидних погрішності малюнок наочно свідчить про те, що нейронна мережа в змозі виводити деякі узагальнення з обмеженого набору прикладів.

Інтерес до нейронних мереж різко активізувався в 1985 році, після того як був знайдений ефективний алгоритм навчання [4]. Але і нейронні мережі стали жертвами завищених очікувань - мабуть, тому, що сама їх назва викликає не мають нічого спільного з реальністю асоціації зі штучним мозком.

З успіхом застосовуються і інші прийоми, такі, як генетичні алгоритми, штучні імунні системи і нечітка логіка [5]. Всі вони проходять по категорії штучного інтелекту, але жоден з цих прийомів не вказує ознак «інтелектуального поведінки».

Системи «класної дошки»: інтеграція різних методів

Моделі «класної дошки», що застосовуються при створенні систем штучного інтелекту, продемонстрували свою корисність в цілому ряді областей, незалежно від того, чи можна виникають в результаті їх використання системи називати інтелектуальними в строгому сенсі слова.

Модель цю можна уподібнити групі експертів, які зібралися біля дошки, на якій описана проблема або з'являються певні дані. Будь-член групи може брати участь у вирішенні проблеми або в інтерпретації даних; рішення з'являється на дошці. У системах, побудованих на моделі «класної дошки», замість фізичної дошки використовується колективна комп'ютерна пам'ять, а в ролі експертів виступають відповідні програмні модулі.

Методика «класної дошки» передбачає, що для вирішення різних підзадач потрібні різні методи. Перша згадка в літературі про практичне застосування системи «класної дошки» пов'язане з розробкою програми розпізнавання мови Hearsay-II і відноситься до 1975 року [6]. У 80-ті роки дослідження були продовжені [7], а в даний час модель «класної дошки» розглядається як ключова технологія в швидко розвивається області систем з багатьма агентами [8]. В кінці 80-х років я разом з колегами з Відкритого університету брав участь в розробці системи ARBS (Algorithmic and Rule-Based Blackboard System), за допомогою якої ми згодом вирішували різні проблеми, в тому числі проблему інтерпретації ультразвукових зображень [9] і проблему контролю за процесами формування плазми [10].

Пізніше система ARBS була перетворена в розподілену систему DARBS (Distributed ARBS), в якій програмні модулі виконуються паралельно і, можливо, навіть на окремих комп'ютерах, взаємодіючи через Internet [11].

Збереження довкілля

Про останні досягнення в області вбудованих засобів штучного інтелекту можна судити на прикладі автономного пилососа Trilobite ( trilobite.electrolux. se ). Як видно з рис. 6a, Trilobite - це робот, який постачається на комерційній основі шведською компанією Electrolux. Своєю формою і ім'ям робот зобов'язаний доісторичного суті, очищають дно океанів півмільярда років тому.

У пилососі Trilobite втілено принципи інтелектуальної системи планування:

  • він будує модель свого середовища, здійснюючи круговий подорож уздовж стін кімнати;
  • він ставить конкретну мету - пройти всю доступну площу статі;
  • він формує набір дій для виконання цієї мети, і
  • при необхідності він вносить до плану зміни відповідно до змін в моделі світу, наприклад, в зв'язку з появою перешкод на його шляху.

На рис. 7 показана голова робота Kismet ( http://www.ai.mit.edu/projects/ humanoid-robotics-group / kismet / ), Розроблена в Массачусетському технологічному інституті. Kismet не має ні тіла, ні кінцівок, але він може спілкуватися з оточуючими, використовуючи при цьому функції слуху, зору, мови, виразу обличчя і зміни положення голови. Творці пристрою називають його «роботом для спілкування». Одна тільки функція зору Kismet обслуговується дев'ятьма комп'ютерами, а руху елементів його обличчя і шиї виконуються за допомогою 21 двигуна. Дослідники використовують робота для вивчення соціальної взаємодії між пристроєм і людьми, з якими йому доводиться зустрічатися, і в першу чергу - з дітьми [12].

Створення системи, здатної приймати розумні рішення в незнайомих ситуаціях, які виникають не в спеціалізованих областях діяльності, а в повсякденному житті, залишається поки що важким завданням.

І все ж видається ймовірним, що додатки типу розподілених «класних дощок» будуть як і раніше швидко розвиватися в спеціалізованих областях. Ця «тиха революція», майже не привертає увагу ЗМІ, може істотно змінити наше життя. Крім іншого, зараз вона проявляється в тенденції оснащувати засобами штучного інтелекту інші апаратні і програмні системи.

Тим часом, існують підстави сподіватися на успіхи в реалізації популярної ідеї людиноподібних роботів, що володіють штучним інтелектом. Правда, для цього потрібно навчитися краще моделювати здатності, які ми зазвичай приймаємо як щось само собою зрозуміле; в першу чергу це зір, спілкування за допомогою мови, здоровий глузд і вміння пристосовуватися до мінливої ​​обстановці.

Отже, штучний інтелект - не міф.

література
  1. AM Turing, «Computing Machinery and Intelligence». Mind, vol. 59, 1950.
  2. BG Buchanan, G. Sutherland, and E. Geirgenbaum, «Heuristic DENDRAL: A Program for Generating Explanatory Hypotheses in Organic Chemistry». Machine Intelligence 5, B. Meltzer and D. Michie, eds., Elsevier, 1969.
  3. EH Shortliffe, Computer-Based Medical Consultations: MYCIN, Elsevier, 1976.
  4. DE Rumelhart, GE Hinton, RJ Williams, «Learning Representations by Back-Propagating Errors». Nature, vol. 323, 1986.
  5. AA Hopgood, Intelligent Systems for Engineers and Scientists, 2nd ed., CRC Press, 2001..
  6. VR Lesser et al., «Organization of the Hearsay-II Speech Understanding System». IEEE Trans. Acoustics, Speech, and Signal Processing, vol. 23, 1975.
  7. HP Nii, «Blackboard Systems, Part One: The Blackboard Model of Problem Solving and the Evolution of Blackboard Architectures," AI Magazine, vol. 7, 1986.
  8. G. Brzykcy et al., «Multiagent Blackboard Architecture for a Mobile Robot». Proc. IEEE RSJ Int? L Conf. on Intelligent Robots and Systems, vol. 4, IEEE Press, 2001..
  9. AA Hopgood et al., «Interpreting Ultrasonic Images Using Rules, Algorithms, and Neural Networks». European J. Non-Destructive Testing, vol. 2, 1993.
  10. AA Hopgood et al., «Fuzzy Logic in a Blackboard System for Controlling Plasma Deposition Processes». Artificial Intelligence in Engineering, vol. 12, 1998..
  11. L. Nolle, KCP Wong, AA Hopgood, «DARBS: A Distributed Blackboard System». Research and Development in Intelligent Systems, vol. 18, M. Bramer, F., Coenen, A. Preece, eds., Springer, 2001..
  12. C. Breazeal, L. Aryananda, «Recognition of Affective Communicative Intent in Robot-Directed Speech». Autonomous Robots, vol. 12, 2002.

Адріан Хопгуд - професор, керівник Школи обчислювальних систем і математики університету Ноттінгем Трент (Великобританія). Є членом Британського комп'ютерного товариства і бере участь в роботі спеціалізованої групи зі штучного інтелекту одного з комітетів цього суспільства. Зв'язатися з автором можна на його Web-сайті www.adrianhopgood.com .

Adrian A. Hopgood, Artificial Intelligence: Hype or Reality? IEEE Computer, May 2003. IEEE Computer Society, 2003 All rights reserved. Reprinted with permission.

IEEE RSJ Int?
Hopgood, Artificial Intelligence: Hype or Reality?
Новости
Слова жизни
Фотогалерея