Создание искусственного интеллекта: мифы и реальность

Московский Государственный Технический Университет

                                 им. Н.Э. Баумана.

                               

                               

 

 

 

 

        Создание искусственного интеллекта: мифы и  реальность.

 

 

 

 

 

 

 

 

Выполнила:

Проверила: 

 

 

 

Москва 2013

 

Исследования в области искусственного интеллекта активно ведутся вот уже свыше 45 лет. Порой возникает ощущение, что результаты исследований не оправдывают ожиданий.

Исследования в области искусственного интеллекта активно ведутся вот уже свыше 45 лет. Порой возникает ощущение, что результаты исследований не оправдывают ожиданий. Но это заблуждение, которое, по-видимому, объясняется тем, что мы не можем до конца осознать невероятную сложность реакций, из которых складывается поведение человека в самых обыденных ситуациях.

Искусственный интеллект — это наука о том, как реализовать в компьютере функции, напоминающие умственные способности человека. Трудно сказать, когда же, собственно, начались исследования в области искусственного интеллекта. Джордж Буль (1815-1864 гг.) высказал множество идей, касающихся математических методов исследования мыслительных процессов, и ряд выдвинутых им положений до сих пор сохраняют свою актуальность. Но компьютера у Буля не было, так что если придерживаться моего простого определения, придется согласиться с тем, что не он является основоположником исследований в области искусственного интеллекта.

Известно, что историки по обе стороны Атлантики не могут прийти к общему мнению относительно того, кто создал первую программируемую вычислительную машину. Подобным же образом среди них нет единства взглядов и по вопросу о том, с чего начались исследования в области искусственного интеллекта. Английские историки указывают на опубликованную в 1950 году статью Алана Тьюринга с описанием теста для получения ответа на вопрос, обладает ли компьютер интеллектом [1]. Американские же историки ведут отсчет от проведенной в 1956 году в Дартмуте конференции, которая была посвящена исследованию проблем искусственного интеллекта и на которой, как полагают, и родился сам термин «искусственный интеллект».

Спектр «разумного» поведения

Рис. 1. Спектр разумных действий — от реакций на внешние раздражители до применения специальных знаний

Предложенное мною простое определение искусственного интеллекта имеет тот недостаток, что понятие «интеллект» остается в нем нечетким. Внести в вопрос некоторую ясность поможет рис. 1, где представлен целый спектр «разумных» действий, ранжированных в соответствии с уровнем понимания ситуации при выполнении того или иного действия. В разряд действий самого низкого уровня входят инстинктивные реакции: коснувшись горячей поверхности, мы отдергиваем руку, а увидев брошенный в направлении к нам предмет, отклоняемся в сторону. Для выполнения действий высокого уровня требуются специальные знания — скажем, знание нормативных актов, регулирующих условия поглощения одной компании другой, или умение интерпретировать результаты работы масс-спектрографа.

Предложенное мною простое определение искусственного интеллекта имеет тот недостаток, что понятие «интеллект» остается в нем нечетким. Внести в вопрос некоторую ясность поможет рис. 1, где представлен целый спектр «разумных» действий, ранжированных в соответствии с уровнем понимания ситуации при выполнении того или иного действия. В разряд действий самого низкого уровня входят инстинктивные реакции: коснувшись горячей поверхности, мы отдергиваем руку, а увидев брошенный в направлении к нам предмет, отклоняемся в сторону. Для выполнения действий высокого уровня требуются специальные знания — скажем, знание нормативных актов, регулирующих условия поглощения одной компании другой, или умение интерпретировать результаты работы масс-спектрографа.

Разработаны численные методы для обеспечения процедур принятия решений низкого уровня и для управления действиями, относящимися к нижней части спектра. Существуют эффективные компьютерные системы, предназначенные для мониторинга и управления различными механизмами. Робот Asimo (Advanced Step in Innovative MObility, asimo.honda.com), разработанный в компании Honda оснащен 16 гибкими «суставами». Задача сохранения равновесия изделия и управления его передвижениями возложена на 4-процессорный компьютер. Поскольку спина у робота негнущаяся, его руки пришлось несколько удлинить, чтобы машина могла подбирать предметы с пола. Движения Asimo при перемещении в пространстве удивительно похожи на движения человека, но мыслить он не в состоянии.

С другой стороны, на первых этапах исследований в области искусственного интеллекта ученые сосредоточились на проблемах, лежащих в верхней части спектра. К примеру, были созданы две системы для работы в таких специальных областях, как работы масс-спектрографа [2] и анализ бактериальных инфекций крови [3]. Эти первые достижения породили очень большие надежды: уж если компьютеры могут решать слишком сложные для большинства обычных людей проблемы, они без труда заменят человека при выполнении более скромных мыслительных операций.

К сожалению, все не так просто. Оказалось, имитировать действия человека, лежащие в средней части спектра, — те действия, которые мы выполняем, почти не задумываясь об этом, — особенно сложно. Компьютерные программы, такие, как Mathematica, могут выполнять самые сложные расчеты, однако распознавать предметы на изображениях с достаточной степенью точности компьютеры до сих пор не умеют.

Рис. 2. Найдите изображенного на снимке кролика. Расшифровка фотографий — сложная процедура. Люди справляются с ней практически мгновенно, а для компьютеров это трудная, а то и вовсе неразрешимая задача

Вглядитесь в фотографию, представленную на рис. 2. Большинство читателей смогут сразу же обнаружить на снимке крольчиху. Но надо сказать, что такое восприятие являет собой пример сложного действия. Кролики могут иметь разные формы, размеры и быть по-разному окрашенными. Они могут принимать разные положения и могут быть частично заслонены от наблюдателя другими предметами. Обладающий нормальным зрением человек может обработать эти данные за какое-то мгновение, и не будет считать эту свою способность показателем выдающегося интеллекта. Но заставить компьютер расшифровать содержимое фотографии — задача фантастически сложная.

Вглядитесь в фотографию, представленную на рис. 2. Большинство читателей смогут сразу же обнаружить на снимке крольчиху. Но надо сказать, что такое восприятие являет собой пример сложного действия. Кролики могут иметь разные формы, размеры и быть по-разному окрашенными. Они могут принимать разные положения и могут быть частично заслонены от наблюдателя другими предметами. Обладающий нормальным зрением человек может обработать эти данные за какое-то мгновение, и не будет считать эту свою способность показателем выдающегося интеллекта. Но заставить компьютер расшифровать содержимое фотографии — задача фантастически сложная.

Стереотипы из научной фантастики

Герои научно-фантастических лент (HAL из фильма «2001 год: космическая одиссея», Робби из фильма «Запрещенная планета» и Дэвид из картины Стивена Спилберга «Искусственный интеллект») раздувают и без того завышенные ожидания, которые вызывает в воображении людей термин «искусственный интеллект». Во всех случаях фантастическая интеллектуальная система взаимодействует со средой как на уровне обмена информацией, так и на уровне действий. А в двух последних примерах подобные системы размещаются непосредственно в телах андроидов.

Современные технологии не позволяют реализовывать эти получившие широкое хождение фантастические образы, и потому найдется немало людей, полагающих, что исследования в области искусственного интеллекта не оправдали ожиданий. Но ведь понятно, что фантастические образы нельзя использовать в качестве мерила прогресса в той или иной области науки. Если бы работы в области искусственного интеллекта назывались, скажем, составлением «умных компьютерных программ», о них наверняка говорили бы с одобрением как о несомненном успехе.

Два подхода к искусственному интеллекту

Технологии, применяемые в настоящее время в области искусственного интеллекта, можно отнести к двум обширным категориям:

• явное моделирование с помощью слов и символов и

• неявное моделирование с помощью численных методов.

В первую категорию входят такие приемы, как рассуждения на базе правил, моделей, систем отсчета и конкретных ситуаций. В этой категории проблему можно смоделировать с использованием явно выраженных правил. Например:

Если давление (внутри сосуда) высоко, и выпускной клапан закрыт, значит выпускной клапан заклинило.

Можно составить более сложное правило, чтобы принять в расчет фактор неопределенности:

Если давление (внутри сосуда) высоко, и выпускной клапан закрыт, значит выпускной клапан, возможно, заклинило.

В своих узких областях применения подобные методы зарекомендовали себя неплохо, но они ограничены по самой своей природе. Эти методы пригодны для работы лишь с явно смоделированными ситуациями и не подходят для неизвестных ситуаций.

Численные подходы в какой-то мере преодолевают эти трудности. Компьютер получает возможность строить собственную модель на основе наблюдений и опыта. Так, способность уяснять связи на базе ряда примеров и затем использовать эти закономерности при анализе ранее не известных ситуаций демонстрируют нейронные сети. Подобный метод выявления ассоциаций особенно эффективен при классификации данных по категориям.

Так, на рис. 3 представлены шесть снимков района в дельте реки Миссисипи, сделанных со спутника в шести различных волновых диапазонах. На рис. 4 показана архитектура несложной нейронной сети (многоуровневый персептрон), которая была обучена установлению соответствий между изображениями на снимках в шести различных волновых диапазонах и целевым использованием изображенных на них земельных участков.

Рис. 4. Многоуровневый персептрон. Трехуровневая сеть принимает входные данные со снимка, сделанного в шести волновых диапазонах и формирует на выходе изображения, на которых земля распределяется по пяти категориям землепользования

 

Таким образом, на входе системы задаются пикселы изображений, а на выходе получаются пять категорий землепользования: вода, деревья, возделанная почва, скалы и болота. Обучение сети установлению ассоциаций на уровне пикселов осуществлялось на верхних участках изображений, составляющих 1/16 площади снимков, а тестирование — на всей площади фотографий.

Результаты тестирования представлены на рис. 5. В целом классификация проведена правильно, хотя некоторые различия между представленными результатами и реальным использованием участков земли все же существуют. Подобрав для нейронной сети более точные параметры, мы могли бы добиться более впечатляющих результатов, но даже при всех очевидных погрешностях рисунок наглядно свидетельствует о том, что нейронная сеть в состоянии выводить некоторые обобщения из ограниченного набора примеров.

Рис. 5. (a) Реальная карта землепользования и (б) карта землепользования, сформированная с помощью нейронной сети. Условными цветами обозначены: темно-синий — вода; голубой — болота; зеленый — деревья; красный — возделываемая почва; желтый — камни; черный — участки, назначение которых неизвестно

 

Интерес к нейронным сетям резко активизировался в 1985 году, после того как был найден эффективный алгоритм обучения [4]. Но и нейронные сети пали жертвой завышенных ожиданий — видимо, потому, что само их название вызывает не имеющие ничего общего с реальностью ассоциации с искусственным мозгом.

С успехом применяются и другие приемы, такие, как генетические алгоритмы, искусственные иммунные системы и нечеткая логика [5]. Все они проходят по категории искусственного интеллекта, но ни один из этих приемов не показывает признаков «интеллектуального поведения».

Системы «классной доски»: интеграция различных методов.

Модели «классной доски», применяемые при создании систем искусственного интеллекта, продемонстрировали свою полезность в целом ряде областей, вне зависимости от того, можно ли возникающие в результате их использования системы называть интеллектуальными в строгом смысле слова.

Модель эту можно уподобить группе экспертов, собравшихся у доски, на которой описана проблема или появляются определенные данные. Любой член группы может участвовать в решении проблемы или в интерпретации данных; решение появляется на доске. В системах, построенных на модели «классной доски», вместо физической доски используется разделяемая компьютерная память, а в роли экспертов выступают соответствующие программные модули.