Участник:Студент
Содержание
Искусственный интеллект
История развития теории искусственного интеллекта
В 50-х и 60-х годах исследователи искусственного интеллекта видели цель своей работы в попытках раскрыть правила мышления. Однако эти правила оказались намного более сложными чем кто-либо мог представить. С той поры разработка искусственного интеллекта (ИИ) вместо правил стала опираться на вероятности — статистические шаблоны, которые компьютеры вычленяют из крупных блоков учебных данных.
Именно благодаря вероятностному подходу были достигнуты современные успехи в области ИИ, к которым, например, относится система распознавания голоса, или система рекомендаций фильмов подписчикам сервиса Netflix. Однако, Ноа Гудмэн (Noah Goodman), научный сотрудник Массачусетского технологического института, работающий на факультете когнитологии и исследований мозга, и в лаборатории информатики и искусственного интеллекта, считает, что, отказавшись от правил, ИИ отказался слишком от многого. Объединив старые системы правил с инсайтами новых вероятностных систем, Гудмэн получил модель мышления, которая может иметь широкое применение как в области ИИ, так и когнитологии.
На заре ИИ исследователи рассматривали мышление, как процесс логической дедукции: если вы знаете, что птицы умеют летать, и вам скажут, что свиристель — птица, то вы сможете сделать логический вывод о том, что свиристели умеют летать. Одним из первых проектов ИИ была разработка математического языка, во многом напоминающим язык программирования, посредством которого можно было закодировать утверждения вроде «птицы умеют летать» и «свиристель — птица». Если язык был достаточно точным, то компьютерные алгоритмы смогли бы прочесать утверждения, написанные на нем, и вычислить все логически истинные выводы. Разработав язык, исследователи приступили к кодировке различных очевидных утверждений на этом языке, которые затем сохранялись в огромных базах данных.
Недостаток такого подхода кроется в том, что, грубо говоря, не все птицы умеют или могут летать. И среди тех, которые летать не могут, можно провести различие между дроздом в клетке и дроздом со сломанным крылом, также существует различие между любым видом дрозда и пингвином. Математические языки, разработанные первыми исследователями ИИ, обладали достаточной гибкостью для представления подобных понятийных различий, но оказалось, что описать все различия, необходимые для решения даже самых рудиментарных когнитивных задач, будет намного труднее, чем ожидалось.
В пучине неопределенности
При работе с вероятностным ИИ, напротив, в компьютер вводится множество примеров чего-либо, например фотографии птиц, и ему предоставляется возможность сделать самостоятельный вывод относительно того, что у всех этих примеров общего. Такой подход довольно неплохо работает с конкретными понятиями, такими, как «птица», но с вещами более абстрактными возникают сложности, например: «полет» — возможность, доступная птицам, вертолетам, воздушным змеям и супергероям. Можно показать вероятностной системе множество фотографий летящих объектов, но даже если она и сообразит, что у них общего, то, скорее всего, ошибочно примет облака, или солнце, или антенны на крышах домов, за проявления полета. Но даже «полет» — вполне конкретное понятие по сравнению, скажем, с «грамматикой» или «материнством».
В качестве исследовательского инструмента, Гудмэн разработал компьютерный язык программирования «Чёрч», названный так в честь великого американского логика Алонзо Чёрча (Alonzo Church), который, как и все ранние языки ИИ, включал в себя дедуктивные правила. Однако эти правила были вероятностными. Если сообщить программе, написанной на Чёрче, о том, что казуар — это птица, то она сможет заключить, что, вероятно, казуар умеет летать. Но если затем сообщить ей, что вес казуара может достигать 100 килограммов, она может пересмотреть свою первоначальную вероятностную оценку, заключив, что, на самом деле, наверное, казуар летать не умеет.
«Обладая вероятностным суждением, все остальные структуры вы получаете бесплатно», — говорит Гудмэн. Программа на Чёрче, которая никогда не встречала бескрылую птицу, может изначально предположить, что все птицы могут летать с вероятностью 99,99%. Но по мере накопления информации о казуарах, а также пингвинах, птицах в клетках и со сломанными крыльями, она будет соответствующим образом пересматривать вероятности. В конечном счете, вероятности представляют все понятийные различия, которые ранним разработчикам ИИ пришлось бы кодировать вручную. В данном случае система сама вычисляет эти различия, со временем, подобно тому, как человек изучает новые понятия и пересматривает старые.
«Замечательно в этой системе то, что она позволяет строить когнитивные модели более прямым и прозрачным способом чем раньше», — говорит Ник Чейтер (Nick Chater), профессор когнитологии и науки о принятии решений Университетского колледжа Лондона. «Можно представить, сколько всего знает человек, и попытка эти вещи перечислить окажется бесконечной задачей. Но фокус в том, что можно узнать лишь несколько вещей, а затем мозг, или, в нашем случае, система на языке Чёрч, которая, надеюсь, в некоторой степени, аналогично тому, как это делает мозг, пользуясь методом вероятностного вычисления, наштампует все логические следствия и выводы. Помимо этого, когда вы даете системе новую информацию, она может сделать на ее основании соответствующие выводы».
Модель разума
Похоже, что программы, основанные на методе вероятностных заключений, способны моделировать более широкий диапазон познавательных способностей человека, чем традиционные когнитивные модели. Например, на конференции Международного общества когнитологии в 2008 г. Гудмэн и Чарльз Кемп (Charles Kemp), бывший в то время докторантом факультета когнитологии и исследований мозга, представили работу, в которой испытуемым дали список из семи или восьми сотрудников вымышленных предприятий и сообщили, кто из них и кому отправил электронные письма. Затем испытуемым дали короткий список сотрудников другого вымышленного предприятия. Без каких-либо дополнительных сведений, им предложили составить схему зависимостей, отражающую, кто кому отправил электронные письма на втором предприятии.
Если схема отправлений в образце образовывала цепь: Алиса отправила письмо Борису, который отправил письмо Валентине и так далее до, скажем, Геннадия, испытуемые с большой вероятностью предполагали, что в тестовом случае схема отправлений также должна образовывать цепь. Если схема отправлений в образце образовывала петлю: Алиса отправила письмо Борису, который отправил письмо Валентине и так далее, но Геннадий отправил письмо Алисе, то испытуемые предполагали, что в тестовом случае также имела место петля.
Когда такую же задачу предложили программе, основанной на методе вероятностного заключения, то она вела себя практически так же, как и испытуемые люди, выводя цепи из цепей и петли из петлей. При этом традиционные когнитивные модели в тестовом случае выдавали абсолютно случайные схемы отправки: они не могли уловить высокоуровневые понятия петлей и цепей. Гудмэн провел подобные эксперименты с участием целого ряда других исследователей на факультете когнитологии и исследований мозга. В ходе этих экспериментов испытуемым предлагали отсортировать стилизованные рисунки насекомых или деревьев по различным категориям, либо сделать определенные выводы, для которых требовалось предположить, как мыслит другой человек. Во всех случаях, некоторые из которых были также представлены на конференции Международного общества когнитологии, программы на Чёрче показали существенно более высокие результаты при моделировании человеческого процесса мышления, чем традиционные алгоритмы ИИ.
Выводы
Тем не менее, Ник Чейтер предупреждает, что, хотя программы на Чёрче и показали хорошие результаты при решении подобных направленных задач, в настоящее время они чересчур требовательны в плане вычислительных ресурсов, чтобы их можно было применять для каких-то универсальных симуляторов интеллекта. «Это серьезное препятствие, если вы, скажем, захотите использовать эту систему для решения всех задач, существующих на этом свете», — говорит Чейтер. «Но она только что появилась, а такие вещи всегда очень плохо оптимизированы на начальном этапе». При этом он подчеркивает, что только то, что систему удалось запустить, и она работает — уже достижение: «Это такая вещь, что если бы кто-нибудь описал ее в теории, то вы бы подумали: „Ух ты! Это, конечно, невероятно умно, но что-то я очень сомневаюсь, что такое когда-нибудь удастся сделать на самом деле“. Но чудо в том, что это удалось, и оно работает».
