Можно ли создать искусственный интеллект, хотя бы равный человеческому? Кто-то твердо говорит «нет», но тысячи ученых по всему миру бьются над тем, чтобы доказать обратное. И, вполне возможно, создадут. Но как поведет себя «сверхразумная» самосовершенствующаяся машина с человеком, который в какой-то момент перестанет ее догонять? Не превратимся ли мы для нее просто в новый подвид обезьян?

Сверхалгоритм мозга

В последнее время интерес к искусственному интеллекту резко растет – вместе с требованиями к информационным системам. Умнеет программное обеспечение, умнеет бытовая техника. Мы неуклонно движемся к новой информационной революции, сравнимой по масштабам с развитием интернета, название которой — искусственный интеллект.

Все уже наслышаны об электронных японских собаках, способных узнавать хозяина в лицо, выполнять некоторые команды и имеющих некоторую обучаемость. Кое у кого на Западе уже стоят холодильники с интеллектуальной системой управления и выходом в интернет.

Здесь уместно привести гипотезу о встречной эволюции человека и компьютера. Человек сначала учится видеть, ходить, разговаривать, а уже потом развивает способности к вычислениям и логическим выводам. Компьютер же, наоборот, появился как вычислительная система, базирующаяся на формальной логике, но в процессе развития приобретает способности к распознаванию образов, синтезу речи и т.п.

В чем суть задачи создания искусственного интеллекта? Сам термин «интеллект» происходит от латинского inteUectus – ум, рассудок, разум, мыслительные способности человека. То есть это способность мозга решать задачи путем приобретения, запоминания и целенаправленного преобразования знаний в процессе обучения и адаптации к разнообразным обстоятельствам. Соответственно, искусственный интеллект – свойство автоматических систем брать на себя отдельные функции интеллекта человека, например, выбирать и принимать решения на основе ранее полученного опыта и анализа внешних воздействий. Понятие «знания» подразумевает не только ту информацию, которая поступает в мозг через органы чувств. Такие знания важны, но недостаточны для интеллектуальной деятельности. Ведь объекты окружающей среды не только воздействуют на наши органы чувств, но и взаимодействуют друг с другом. И для воссоздания интеллектуальной деятельности в этой среде необходимо знать ее модель. Формирование этой модели происходит в процессе обучения на основе опыта и адаптации к различным обстоятельствам. Тут необходимо вспомнить термин «алгоритм», который в самом упрощенном виде можно расшифровать как «инструкция по эксплуатации». Нахождение алгоритмов — естественная цель человека при решении им разнообразных задач. Порой это связано с тонкими и сложными рассуждениями, требующими изобретательности, высокой квалификации. Иными словами, участия интеллекта. Если алгоритм решения задачи известен, сам процесс решения становится почти автоматическим, он под силу и вычислительной машине, и роботу – надо только выполнять действия, предусмотренные инструкцией-алгоритмом. Поэтому чаще всего задачи со стандартными методами решения исключают из класса интеллектуальных. 

Исторически сложились три основных направления в моделировании искусственного интеллекта. Первое то, где объект исследований структура и механизмы работы мозга человека, а конечная цель – раскрытие тайны мышления. Во втором случае объектом исследования выступает сам искусственный интеллект. Здесь речь идет о моделировании интеллектуальной деятельности с помощью вычислительных машин. Целью является создание компьютерного программного обеспечения, позволяющего решать интеллектуальные задачи не хуже человека. Наконец, третий подход ориентирован на создание смешанных человеко-машинных, интерактивных систем. Одна из важнейших проблем в этих исследованиях — организация диалога между человеком и машиной.

Постижение разума

С конца 40-х годов минувшего столетия ученые во всем мире устремились к цели построения компьютеров, действующих таким образом, что по результатам работы их невозможно было бы отличить от человеческого разума. Терпеливо продвигаясь вперед, исследователи в области ИИ обнаружили, что столкнулись с весьма запутанными проблемами, далеко выходящими за пределы традиционной информатики.

Оказалось, что прежде всего необходимо понять механизмы процесса обучения, природу языка и чувственного восприятия. Для создания машин, имитирующих работу человеческого мозга, требуется разобраться в том, как действуют миллиарды его взаимосвязанных нейронов. Тогда многие исследователи пришли к выводу, что, пожалуй, самая трудная часть проблемы – познание процессов функционирования человеческого разума, а не имитация его работы. Тут сложным оказалось даже точно определить предмет исследований – интеллект: как в притче о слепцах, пытавшихся описывать слона, каждый придерживался своего «заветного» определения. Многие исследователи AI склонны принять формулу оценки машинного интеллекта, предложенную еще в начале 50-х английским математиком и специалистом по вычислительной технике Аланом Тьюрингом. Компьютер можно считать разумным, утверждал Тьюринг, если он способен заставить нас поверить, что мы имеем дело не с машиной, а с человеком. Кстати, интересен план имитации мышления, предложенный Тьюрингом: «Почему бы нам вместо того, чтобы пытаться создать программу, имитирующую интеллект взрослого человека не попытаться создать программу, которая имитировала бы интеллект ребенка? Ведь если интеллект ребенка получает соответствующее воспитание, он становится интеллектом взрослого человека... Наш расчет состоит в том, что устройство, подобное интеллекту ребенка, может быть легко запрограммировано...» 

Можно сказать, что именно по этому пути идут практически все разработчики систем ИИ.

0 и 1

Еще в 1943 году нейрофизиолог Уоррен Маккаллох в соавторстве с 18-летним математиком Уолтером Питтсом разработал теорию деятельности головного мозга. Эта теория и стала основой, на которой сформировалось широко распространенное мнение, что функции компьютера и мозга в значительной мере сходны. Исходя из исследований нейронов Маккаллох и Питтс выдвинули гипотезу: нейроны можно рассматривать как устройства, оперирующие двоичными числами. Маккаллох и Питтс предложили конструкцию сети из электронных нейронов, которая могла бы выполнять практически любые числовые или логические операции. А далее предположили, что такая сеть в состоянии обучаться, распознавать образы, обобщать, то есть обладает всеми чертами интеллекта.

Из этого кибернетического (или нейро-модельного) подхода к машинному разуму сформировался так называемый восходящий метод – движение от простых аналогов нервной системы примитивных существ к нервной системе человека. Конечная цель виделась в создании самоорганизующейся системы, обучающейся машины – устройств, способных следить за окружающей обстановкой и с помощью обратной связи менять своё поведение, вести себя, как живой организм. Однако такое движение не всегда целесообразно и возможно. Как заметил сам Уоррен Маккаллох, «если по весне вам захотелось обзавестись возлюбленной, не стоит брать амебу и ждать, пока она эволюционирует». И дело не только во времени, но и в чисто физических ограничениях. Ведь даже модель нервной системы муравья состоит из 20 тысяч нейронов, а у человека их около 100 миллиардов.

Фрэнка Розенблата все эти трудности, однако, не пугали. В конце 50-х он предложил модель электронного устройства — перцептрона, который должен был бы имитировать процессы человеческого мышления. Перцептрон передавал сигналы от «глаза» из фотоэлементов в блоки электромеханических ячеек памяти, которые оценивали относительную величину электрических сигналов. Два года спустя была продемонстрирована первая действующая машина Марк1, которая могла научиться распознавать некоторые буквы, написанные на карточках, поднесенных к «глазам». Перцептрон Розенблата оказался высшим достижением восходящего метода создания искусственного интеллекта. Чтобы научить перцептрон строить догадки на основе исходных предпосылок, в нем предусматривалась некое элементарное самопрограммирование.

Но недолго музыка играла: почву у сторонников восходящего метода выбили два профессора, Минский и Пейперт, поначалу бывшие активными его приверженцами. В 1969 году они написали книгу, доказывая математически, что перцептроны принципиально не в состоянии выполнять многие из обещанных функций: не то что читать, слушать и понимать полученную информацию — они никогда не смогут распознавать предмет, частично заслоненный другим. То есть, глядя на торчащий из-за кресла кошачий хвост, такая машина никогда не догадается, кому он принадлежит. Правительство США финансировать это направление перестало. Правда, затем Минский опять «перековался» и вернулся в стан «восходящих». И даже покаялся: теперь он считал, что для реального прорыва вперед в создании разумных машин потребуется устройство, во многом похожее на разгромленный им перцептрон.

Все возможные методы

Самыми первыми интеллектуальными задачами, которые стали решать при помощи ЭВМ, были логические игры (шашки, шахматы), доказательство теорем. Американский кибернетик А.Самуэль составил для вычислительной машины программу, которая позволяла ей играть в шашки, причем в ходе игры машина обучалась (или создавала впечатление, что обучается), улучшая свои навыки на основе накопленного опыта.

События показали, что, несмотря на сложность шахмат и невозможность полного перебора ходов, само увеличение этого перебора резко увеличивает и шансы на победу. К примеру, компьютер IBM, победивший Каспарова, имел 256 процессоров, каждый — с 4 Гб дисковой памяти и 128 Мб оперативной. Весь этот комплекс просчитывал более 100 миллионов ходов в секунду. Именно шахматных ходов, которые должны быть сгенерированы и для которых просчитаны оценочные функции.

Сейчас одной из наиболее интересных интеллектуальных задач, имеющих огромное прикладное значение, является обучение распознаванию образов и ситуаций. Это сулит широкое практическое использование — читающие автоматы, системы, ставящие медицинские диагнозы, проводящие криминалистическую экспертизу и т.п., а также роботы, способные распознавать и анализировать сложные сенсорные ситуации. Проблема обучения распознаванию тесно связана с другой – проблемой перевода с языка на язык, а также обучения машины языку. Обработав и классифицировав основные грамматические правила и приемы пользования словарем, можно создать вполне удовлетворительный алгоритм для перевода, скажем, научного или художественного текста. Для некоторых языков такие системы были созданы еще в конце 60-х годов. Однако чтобы связно перевести большой разговорный текст, необходимо понимать его смысл. Работы над такими программами ведутся уже давно, но до полного успеха еще далеко.

Что же до моделирования логического мышления, хорошей задачей здесь может служить автоматизация доказательства теорем. Большой интерес представляла интеллектуальная программа американского математика Хао Ванга. С этой программой машина IBM-704 всего за 3 минуты вывела 220 относительно простых лемм и теорем, а затем за 8 с половиной минут выдала доказательства еще 130 более сложных теорем, часть их которых еще не была выведена живыми математиками.

В начале 70-х появились логические экспертные системы, основанные на логических моделях и знаниях, предоставляемых экспертами в той или иной области. В программу закладывали информацию, полученную путем детального опроса экспертов в той или иной области. Такая система могла не только быстро и эффективно сделать вывод, но и объяснить свои действия, поэтому считалась вполне интеллектуальной. Начался бум экспертных систем. Практически во всех областях человеческих знаний были созданы такие системы — и практически везде они оказались недостаточно эффективны. Реальная жизнь оказалась сложнее инструкций, хороший специалист принимает решение чисто интуитивно.

К началу 80-х появились системы нечеткой логики. В отличие от традиционных систем, основанных на двоичных множествах, системы нечеткой логики оперируют бесконечным множеством значений (часто, редко, близко, далеко...) и представляют собой систему приближенных вычислений. Современный вычислительный интеллект, основанный на «нечеткой» логике, оказался лучше приспособлен к жизни: он успешно адаптируется к изменениям внешней среды, меняя свою логику в зависимости от изменения целей системы. Подобные системы дешевы: «нечеткий» чип стоит сегодня порядка 5 долларов. А в результате стиральная машина сама, определив состав ткани заложенного в барабан белья, выбирает режим стирки, а утюг — оптимальную температуру глажения.

В 90-е годы для самообучения интеллектуальных систем была создана мощная вычислительная система поиска оптимальных решений – генетический алгоритм. Используя эволюционные модели: естественный отбор, закрепление лучших наследственных признаков, а также метод проб и ошибок — интеллектуальные системы из множества возможных решений задачи находят наилучшее.

Интеллектуальные системы последнего поколения представляют собой вычислительный интеллект и используют гибридный подход, при котором в разных частях системы работают разные вычислительные модели, которые активно взаимодействуют между собой.

(Продолжение следует)