направлением какой науки является развитие искусственного интеллекта
Всё, что вам нужно знать об ИИ — за несколько минут
Приветствую читателей Хабра. Вашему вниманию предлагается перевод статьи «Everything you need to know about AI — in under 8 minutes.». Содержание направлено на людей, не знакомых со сферой ИИ и желающих получить о ней общее представление, чтобы затем, возможно, углубиться в какую-либо конкретную его отрасль.
Знать понемногу обо всё иногда (по крайней мере, для новичков, пытающихся сориентироваться в популярных технических направлениях) бывает полезнее, чем знать много о чём-то одном.
Многие люди думают, что немного знакомы с ИИ. Но эта область настолько молода и растёт так быстро, что прорывы совершаются чуть ли не каждый день. В этой научной области предстоит открыть настолько многое, что специалисты из других областей могут быстро влиться в исследования ИИ и достичь значимых результатов.
Эта статья — как раз для них. Я поставил себе целью создать короткий справочный материал, который позволит технически образованным людям быстро разобраться с терминологией и средствами, используемыми для разработки ИИ. Я надеюсь, что этот материал окажется полезным большинству интересующихся ИИ людей, не являющихся специалистами в этой области.
Введение
Искусственный интеллект (ИИ), машинное обучение и нейронные сети — термины, используемые для описания мощных технологий, базирующихся на машинном обучении, способных решить множество задач из реального мира.
В то время, как размышление, принятие решений и т.п. сравнительно со способностями человеческого мозга у машин далеки от идеала (не идеальны они, разумеется, и у людей), в недавнее время было сделано несколько важных открытий в области технологий ИИ и связанных с ними алгоритмов. Важную роль играет увеличивающееся количество доступных для обучения ИИ больших выборок разнообразных данных.
Область ИИ пересекается со многими другими областями, включая математику, статистику, теорию вероятностей, физику, обработку сигналов, машинное обучение, компьютерное зрение, психологию, лингвистику и науку о мозге. Вопросы, связанные с социальной ответственностью и этикой создания ИИ притягивают интересующихся людей, занимающихся философией.
Мотивация развития технологий ИИ состоит в том, что задачи, зависящие от множества переменных факторов, требуют очень сложных решений, которые трудны к пониманию и сложно алгоритмизируются вручную.
Растут надежды корпораций, исследователей и обычных людей на машинное обучение для получения решений задач, не требующих от человека описания конкретных алгоритмов. Много внимания уделяется подходу «чёрного ящика». Программирование алгоритмов, используемых для моделирования и решения задач, связанных с большими объёмами данных, занимает у разработчиков очень много времени. Даже когда нам удаётся написать код, обрабатывающий большое количество разнообразных данных, он зачастую получается очень громоздким, трудноподдерживаемым и тяжело тестируемым (из-за необходимости даже для тестов использовать большое количество данных).
Современные технологии машинного обучения и ИИ вкупе с правильно подобранными и подготовленными «тренировочными» данными для систем могут позволить нам научить компьютеры «программировать» за нас.
Обзор
Интеллект — способность воспринимать информацию и сохранять её в качестве знания для построения адаптивного поведения в среде или контексте
Это определение интеллекта из (англоязычной) Википедии может быть применено как к органическому мозгу, так и к машине. Наличие интеллекта не предполагает наличие сознания. Это — распространённое заблуждение, принесённое в мир писателями научной фантастики.
Попробуйте поискать в интернете примеры ИИ — и вы наверняка получите хотя бы одну ссылку на IBM Watson, использующий алгоритм машинного обучения, ставший знаменитым после победы на телевикторине под названием «Jeopardy» в 2011 г. С тех пор алгоритм претерпел некоторые изменения и был использован в качестве шаблона для множества различных коммерческих приложений. Apple, Amazon и Google активно работают над созданием аналогичных систем в наших домах и карманах.
Обработка естественного языка и распознавание речи стали первыми примерами коммерческого использования машинного обучения. Вслед за ними появились задачи другие задачи автоматизации распознавания (текст, аудио, изображения, видео, лица и т.д.). Круг приложений этих технологий постоянно растёт и включает в себя беспилотные средства передвижения, медицинскую диагностику, компьютерные игры, поисковые движки, спам-фильтры, борьбу с преступностью, маркетинг, управление роботами, компьютерное зрение, перевозки, распознавание музыки и многое другое.
ИИ настолько плотно вошёл в современные используемые нами технологии, что многие даже не думают о нём как об «ИИ», то есть, не отделяют его от обычных компьютерных технологий. Спросите любого прохожего, есть ли искусственный интеллект в его смартфоне, и он, вероятно, ответит: «Нет». Но алгоритмы ИИ находятся повсюду: от предугадывания введённого текста до автоматического фокуса камеры. Многие считают, что ИИ должен появиться в будущем. Но он появился некоторое время назад и уже находится здесь.
Термин «ИИ» является довольно обобщённым. В фокусе большинства исследований сейчас находится более узкое поле нейронных сетей и глубокого обучения.
Как работает наш мозг
Человеческий мозг представляет собой сложный углеродный компьютер, выполняющий, по приблизительным оценкам, миллиард миллиардов операций в секунду (1000 петафлопс), потребляющий при этом 20 Ватт энергии. Китайский суперкомпьютер под названием «Tianhe-2» (самый быстрый в мире на момент написания статьи) выполняет 33860 триллионов операций в секунду (33.86 петафлопс) и потребляющий при этом 17600000 Ватт (17.6 Мегаватт). Нам предстоит проделать определённое количество работы перед тем, как наши кремниевые компьютеры смогут сравниться со сформировавшимися в результате эволюции углеродными.
Точное описание механизма, применяемого нашим мозгом для того, чтобы «думать» является предметом дискуссий и дальнейших исследований (лично мне нравится теория о том, что работа мозга связана с квантовыми эффектами, но это — тема для отдельной статьи). Однако, механизм работы частей мозга обычно моделируется с помощью концепции нейронов и нейронных сетей. Предполагается, что мозг содержит примерно 100 миллиардов нейронов.
Нейроны взаимодействуют друг с другом с помощью специальных каналов, позволяющих им обмениваться информацией. Сигналы отдельных нейронов взвешиваются и комбинируются друг с другом перед тем, как активировать другие нейроны. Эта обработка передаваемых сообщений, комбинирование и активация других нейронов повторяется в различных слоях мозга. Учитывая то, что в нашем мозгу находится 100 миллиардов нейронов, совокупность взвешенных комбинаций этих сигналов устроена довольно сложно. И это ещё мягко сказано.
Но на этом всё не заканчивается. Каждый нейрон применяет функцию, или преобразование, к взвешенным входным сигналам перед тем, как проверить, достигнут ли порог его активации. Преобразование входного сигнала может быть линейным или нелинейным.
Изначально входные сигналы приходят из разнообразных источников: наших органов чувств, средств внутреннего отслеживания функционирования организма (уровня кислорода в крови, содержимого желудка и т.д.) и других. Один нейрон может получать сотни тысяч входных сигналов перед принятием решения о том, как следует реагировать.
Мышление (или обработка информации) и полученные в результате его инструкции, передаваемые нашим мышцам и другим органам являются результатом преобразования и передачи входных сигналов между нейронами из различных слоёв нейронной сети. Но нейронные сети в мозгу могут меняться и обновляться, включая изменения алгоритма взвешивания сигналов, передаваемых между нейронами. Это связано с обучением и накоплением опыта.
Эта модель человеческого мозга использовалась в качестве шаблона для воспроизведения возможностей мозга в компьютерной симуляции — искуственной нейронной сети.
Искусственные Нейронные Сети (ИНС)
Искусственные Нейронные Сети — это математические модели, созданные по аналогии с биологическими нейронными сетями. ИНС способны моделировать и обрабатывать нелинейные отношения между входными и выходными сигналами. Адаптивное взвешивание сигналов между искусственными нейронами достигается благодаря обучающемуся алгоритму, считывающему наблюдаемые данные и пытающемуся улучшить результаты их обработки.
Для улучшения работы ИНС применяются различные техники оптимизации. Оптимизация считается успешной, если ИНС может решать поставленную задачу за время, не превышающее установленные рамки (временные рамки, разумеется, варьируются от задачи к задаче).
ИНС моделируется с использованием нескольких слоёв нейронов. Структура этих слоёв называется архитектурой модели. Нейроны представляют собой отдельные вычислительные единицы, способные получать входные данные и применять к ним некоторую математическую функцию для определения того, стоит ли передавать эти данные дальше.
В простой трёхслойной модели первый слой является слоем ввода, за ним следует скрытый слой, а за ним — слой вывода. Каждый слой содержит не менее одного нейрона.
С усложнением структуры модели посредством увеличения количества слоёв и нейронов возрастают потенциал решения задач ИНС. Однако, если модель оказывается слишком «большой» для заданной задачи, её бывает невозможно оптимизировать до нужного уровня. Это явление называется переобучением (overfitting).
Архитектура, настройка и выбор алгоритмов обработки данных являются основными составляющими построения ИНС. Все эти компоненты определяют производительность и эффективность работы модели.
Модели часто характеризуются так называемой функцией активации. Она используется для преобразования взвешенных входных данных нейрона в его выходные данные (если нейрон решает передавать данные дальше, это называется его активацией). Существует множество различных преобразований, которые могут быть использованы в качестве функций активации.
ИНС являются мощным средством решения задач. Однако, хотя математическая модель небольшого количества нейронов довольно проста, модель нейронной сети при увеличении количества составляющих её частей становится довольно запутанно. Из-за этого использование ИНС иногда называют подходом «чёрного ящика». Выбор ИНС для решения задачи должен быть тщательно обдуманным, так как во многих случаях полученное итоговое решение нельзя будет разобрать на части и проанализировать, почему оно стало именно таким.
Глубокое обучение
Термин глубокое обучение используется для описания нейронных сетей и используемых в них алгоритмах, принимающих «сырые» данные (из которых требуется извлечь некоторую полезную информацию). Эти данные обрабатываются, проходя через слои нейросети, для получения нужных выходных данных.
Обучение без учителя (unsupervised learning) — область, в которой методики глубокого обучения отлично себя показывают. Правильно настроенная ИНС способна автоматически определить основные черты входных данных (будь то текст, изображения или другие данные) и получить полезный результат их обработки. Без глубокого обучения поиск важной информации зачастую ложится на плечи программиста, разрабатывающего систему их обработки. Модель глубокого обучения же самостоятельно способна найти способ обработки данных, позволяющий извлекать из них полезную информацию. Когда система проходит обучение (то есть, находит тот самый способ извлекать из входных данных полезную информацию), требования к вычислительной мощности, памяти и энергии для поддержания работы модели сокращаются.
Проще говоря, алгоритмы обучения позволяют с помощью специально подготовленных данных «натренировать» программу выполнять конкретную задачу.
Глубокое обучение применяется для решения широкого круга задач и считается одной из инновационных ИИ-технологий. Существуют также другие виды обучения, такие как обучение с учителем (supervised learning) и обучение с частичным привлечением учителя(semi-supervised learning), которые отличаются введением дополнительного контроля человека за промежуточными результатами обучения нейронной сети обработке данных (помогающего определить, в правильном ли направлении движется система).
Теневое обучение (shadow learning) — термин, используемый для описания упрощённой формы глубокого обучения, при которой поиск ключевых особенностей данных предваряется их обработкой человеком и внесением в систему специфических для сферы, к которой относятся эти данные, сведений. Такие модели бывают более «прозрачными» (в смысле получения результатов) и высокопроизводительными за счёт увеличения времени, вложенного в проектирование системы.
Искусственный интеллект
Искусственный интеллект – это технология, а точнее направление современной науки, которое изучает способы обучить компьютер, роботизированную технику, аналитическую систему разумно мыслить также как человек. Собственно мечта об интеллектуальных роботах-помощниках возникла задолго до изобретения первых компьютеров.
Людей в середине 50-х годов прошлого столетия сильно поразили возможности вычислительных машин, особенно способности ЭВМ, безошибочно выполнять множество задач одновременно. В головах ученых и писателей сразу возникли фантастические идеи о мыслящих машинах. Именно в этот период начинают зарождаться первые технологии искусственного интеллекта.
Исследования в сфере ИИ ведутся путем изучения умственных способностей человека и переложения полученных результатов в поле деятельности компьютеров. Таким образом, искусственный интеллект получает информацию из самых разных источников и дисциплин. Это и информатика, математика, лингвистика, психология, биология, машиностроение. На основе массива данных с помощью технологии машинного обучения компьютеры пытаются имитировать интеллект человека.
Главные цели ИИ достаточно прозрачны:
История развития искусственного интеллекта
Авторство термина «искусственный интеллект» приписывают Джону Маккарти – основоположнику программирования, изобретателю языка Лисп. В 1956 году будущий лауреат престижной премии Тьюринга продемонстрировал в университете Карнеги-Меллон прототип программы на основе ИИ.
Умными роботами человечество начало грезить в первой четверти 20 века. Известный литератор Карел Чапек в 1924 года поставил в лондонском театре пьесу «Универсальные роботы». Представление поразило публику, а слово «робот» прочно вошло в обиход.
В 1943-45 годах закладываются основы для понимания и создания нейронных сетей, а уже в 1950 году Алан Тьюринг публикует в научном издании анализ интеллектуальной шахматной игры. В 1958 году появляется первый язык программирования искусственного интеллекта – Лисп.
В период с 1960 по 1970 ряд ученых доказали, что компьютеры способны понимать естественный язык на достаточно хорошем уровне. В 1965 году разработали Элизу – первого робота-помощника, который мог говорить на английском языке. В эти же годы направление ИИ стало привлекать правительственные и военные организации США, СССР и других стран. Так Министерство обороны США уже к 70-м годам запустило проект виртуальных уличных карт – прототип GPS.
В 1969 году ученые Стэнфордского университета создали Шеки – робота с ИИ, способного самостоятельно перемещаться, воспринимать некоторые данные и решать несложные задачи.
В Эдинбургском университете четырьмя годами позже (1973) был создан робот Фредди – это шотландский представитель семейства ИИ мог использовать компьютерное зрение для того, чтобы находить и собирать разные модели.
В СССР искусственный интеллект также развивался стремительно. Академики А.И. Берг и Г.С.Поспелов в 1954-64 годах создают программу «АЛПЕВ ЛОМИ», которая автоматически доказывает теоремы. В эти же годы советскими учеными был разработан алгоритм «Кора», который моделирует деятельность человеческого мозга при распознавании образов. В 1968 году Турчиным В.Ф создается символьный язык обработки данных РЕФАЛ.
80-е годы XX века стали прорывными для ИИ. Учеными были разработаны обучающие машины – интеллектуальные консультанты, которые предлагали варианты решений, умели самообучаться на начальном уровне, общались с человеком на ограниченном, но уже естественном языке.
В 1997 году создали известную шахматную программу – компьютер «Дип Блю», который обыграл чемпиона мира по шахматам Гарри Каспарова. В эти же годы Япония приступает к разработке проекта компьютера 6-го поколения на основе нейросетей.
Интересен факт, что в 1989 году другая шахматная программа Deep Thought обыграла гроссмейстера международного уровня Бента Ларсена. После этого поединка машины и человека, Гарри Каспаров заявил:
«Если интеллектуальная машина сможет переиграть в шахматы лучшего из лучших, значит, она сможет писать самую лучшую музыку, сочинять самые лучшие книги. Я не могу в это поверить. Когда я узнаю, что ученые создали компьютер с рейтингом интеллекта 2800, то есть равному моему, я сам вызову машину на шахматный поединок, чтобы защитить человеческую расу»
В 2000-е годы вновь появился интерес к робототехнике. ИИ активно внедряется в космическую отрасль, а также осваивается в бытовой сфере. Появляются системы умного дома, «продвинутые» бытовые устройства. Роботы Кисмет и Номад исследуют районы Антарктиды.
С 2008 начинается эра технологической сингулярности, которая по расчетам экспертов должна выйти в зенит в 2030 году. Начинается интеграция человека с вычислительными машинами, увеличиваются возможности человеческого мозга, появляются биотехнологии.
Принципы ИИ
Прежде чем описываться технологические принципы, без которых немыслимо развитие искусственного интеллекта, стоит познакомиться с этическими законами робототехники. Их в 1942 году вывел Айзек Азимов в своём романе «Хоровод»:
До выхода в свет романа Азимова, искусственный интеллект ассоциировался с образом Франкенштейна Мэри Шелли. Искусственно созданное подобие человека с разумом восстает против людей. Эту же страшилку перенесли и в знаменитый блокбастер Голливуда «Терминатор».
Интересен факт, что в 1986 году Айзек Азимов дописал еще один пункт к законам робототехники. Писатель предпочел назвать его «нулевым»:
0. Робот не может навредить человеку, если только не докажет, что в конечном итоге это (вред) будет полезно для всего человечества.
Разобравшись с этическими законами, перейдем к технологическим принципам искусственного интеллекта:
Кроме того, трудно представить существование искусственного интеллекта без мощных графических процессоров, которые являются сердцем интерактивной обработки данных. Для интеграции ИИ в различные программы и устройства необходима технология API – программные интерфейсы приложений. Используя API можно без труда добавлять технологии искусственного интеллекта в любые компьютерные системы: домашняя безопасность, умный дом, оборудование на ЧПУ и прочее.
Сфера использования ИИ
Искусственный интеллект постепенно приходит во все отрасли человеческой деятельности, делая обычные программные комплексы интеллектуальными:
Основные проблемы ИИ
Как вы понимаете возможности искусственного интеллекта на данной стадии развития не безграничны. Перечислим главные трудности:
Резюме
Мы познакомились с понятием, что такое искусственный интеллект. Изучили основные принципы: этические и технологические. Рассмотрели главные препятствия на пути развития ИИ. Искусственный интеллект тесно связан с развитием компьютерной техники, а также таких наук как математика, статистика, комбинаторика и других.
Путь искусственного интеллекта от фантастической идеи к научной отрасли
В 17 веке некоторые философы размышляли над возможностью «вложить разум» в неодушевлённые предметы. Было выдвинуто множество теорий. К примеру, Рене Декарт верил в дуализм разума и тела. Его взгляды отвергали возможность механизации интеллекта.
У Лейбница были другие взгляды. Он полагал, что вся человеческая мысль может быть представлена математически с помощью элементарных символов. Для этого он предложил Characteristica Universalis, символику понятий, необходимую для описания знаний.
Искусственный интеллект и автоматоны фигурируют в художественной литературе с незапамятных времён. В качестве примера можно привести «Франкенштейн, или Современный Прометей» Мэри Шелли и «Россумские универсальные роботы» Карела Чапека. Благодаря им в 1921 году в литературе появилось слово «робот».
Это были философские предпосылки для появления ИИ. Теперь давайте поговорим о конкретных учёных и их трудах, благодаря которым искусственный интеллект из выдумки стал реальностью. Относительно конкретная и подкреплённая фактами история началась относительно недавно. Знаменитый тест Тьюринга впервые был проведён в 1950, но лишь спустя шесть лет, в 1956 году, ИИ начал формироваться как отдельная дисциплина. Давайте посмотрим, как это было.
Первые шаги
Количество научных работ, связанных с искусственным интеллектом, резко выросло в 1950-60-х годах. Но и ранее встречались исследования, затрагивающие данную тему. Бертран Рассел и Альфред Норт Уайтхед опубликовали «Принципы математики» в 1913 году. Примерно в то же время Джордж Буль выдвинул свои законы мысли. Так были заложены основы математической логики.
Возможно, всё началось в тот момент, когда непонятный 15-летний мальчишка ворвался в кабинет Рудольфа Карнапа. Карнап тогда уже стал влиятельным философом и преподавал в Чикагском университете. Он опубликовал «Логический синтаксис языка». Мальчик пришел без разрешения, и указал на ошибки в этой работе. Рудольф был потрясен. Посетитель был необычным. Кроме того, он даже не представился, и сразу убежал. После нескольких месяцев поисков Рудольф наконец нашел своего визитёра в одном из местных университетов. Им оказался Уолтер Гарри Питтс.
За три года до этого (да-да, в 12 лет) Уолтер написал письмо Бертрану Расселу, указав на проблемы, найденные в вышеупомянутых «Принципах». Рассел оказался настолько впечатлён, что пригласил мальчика учиться в аспирантуре Кембриджского университета в Великобритании. Уолтер, хотя и рос в неблагополучной семье, не решился на переезд из Детройта. Однако, когда Рассел приехал с лекциями в Чикаго, Питтс сбежал из дома, чтобы учиться у него. Студентом Чикагского университета он не стал, но прилежно ходил на лекции. (Жизнь Уолтера Питтса вообще очень яркая и интересная, несмотря на малую её продолжительность. Рекомендую почитать о нём самостоятельно — прим. переводчика).
В 1942 году Уолтер Питтс встретился с Уорреном МакКаллоком. Маккаллок пригласил Питтса остаться у него дома. Они были убеждены в правильности теории Лейбница, которая предполагала возможность «механизации» человеческой мысли. И пытались создать модель для нейробиологии нервной системы человека. Они опубликовали свою основную статью об этом же в 1943 году, назвав её «Логическое исчисление идей, относящихся к нервной активности». Этот документ внёс неоценимый вклад в область искусственного интеллекта. Учёные предложили простую модель, известную как математический нейрон Маккаллока — Питтса. Она до сих пор изучается на курсах машинного обучения. Идеи, которые предложили учёные, являются основой почти всех современных ИИ.
Уоррен МакКаллок и Уолтер Питтс
Кибернетика Норберта Вейнера и теория информации Клода Шеннона были опубликованы в 1948 году. Кибернетика — это исследование «управления и коммуникации в живом организме и в машине». Теория информации — это измерение количества информации, её хранения и передачи. Обе работы сильно повлияли на сферу ИИ.
Кибернетика обеспечила непосредственное исследование биологического и механического интеллекта. А теория информации повлияла на базовую математику (essential mathematics).
Спустя пару лет Алан Тьюринг выступил с тестом Тьюринга. Он описал способ определения, является ли машина «умной». Упрощённо тест выглядит следующим образом: человек общается с одним компьютером и одним человеком. На основании их ответов на вопросы он должен определить, с кем он разговаривает: с человеком или компьютерной программой. Задача компьютерной программы — ввести человека в заблуждение, заставив сделать неверный выбор».
Хотя тест Тьюринга слишком ограничен для тестирования современных «умных» систем, в то время это был настоящий прорыв. Имя Алана Тьюринга попало в прессу, сделав отрасль более популярной.
В 1956 в Дартмуте прошла конференция, посвящённая теме изучения концепций «механизации» интеллекта. Позже участники этой конференции станут выдающимися личностями в области ИИ. Наиболее известным был Марвин Мински, который в 1951 году создал первую машину нейронных сетей, SNARC. Он станет самым известным именем в мире искусственного интеллекта на последующие десятилетия.
Присутствовал на конференции и Клод Шеннон. А будущий нобелевский лауреат Герберт А. Саймон и Аллен Ньюэлл дебютировали со своей «Логикой-теоретикой». Впоследствии он решит 38 из первых 52 теорем в «Принципах математики» Рассела.
Джон Маккарти — также один из пионеров искусственного интеллекта — придумал название «Искусственный интеллект». Участники согласились с этим термином. Это было рождение ИИ.
Развитие отрасли (1956–1974)
Благодаря этой конференции интерес к ИИ вырос, появилось множество интересных разработок. В 1959 году Ньюэлл и Саймон создали «Решатель общих проблем», который теоретически мог решить любую формализованную проблему. А Джеймс Слэйгл создал SAINT (Symbical Automatic INTegrator) эвристическую программу, решавшую проблемы символической интеграции в исчислении. Эти программы были впечатляющими.
После создания теста Тьюринга естественность языка стала важной областью ИИ. Программа Даниэля Боброу STUDENT смогла решить проблемы со словом в средней школе. Чуть позже появилось понятие семантической сети — карты различных понятий и отношений между ними (как на рисунке). Несколько успешных программ были построены на этой сети. В 1966 году Джозеф Вайзенбаум создал ELIZA. Виртуальный собеседник мог вести реалистичные беседы с людьми.
В связи со столь активным развитием отрасли ИИ учёные выдвигали крайне смелые заявления:
Так или иначе, в отрасль пришли деньги. Управление перспективных исследовательских проектов (ARPA, позже переименованное в DARPA) выделило команде MIT 2,2 миллиона долларов. Тогдашний президент DARPA решил, что они должны «финансировать людей, а не проекты», и создал свободную исследовательскую культуру. Это позволило исследователям осуществлять любые проекты, которые они считали правильными.
Временное похолодание (1974–1980)
В 1969 году Марвин Мински и Сеймур Паперт опубликовали свою книгу «Перцептроны». В ней они показали принципиальные ограничения перцептронов и выдвинули на первый план неспособность перцептронов управлять элементарной схемой XOR. Это привело к смещению интереса исследователей искусственного интеллекта в противоположную от нейросетей область символьных вычислений.
Альтернативный подход символьного ИИ получил взрывной рост. Но этот подход не дал каких-либо существенных результатов. В 1970-х годах стало ясно, что исследователи ИИ чрезмерно оптимистичны в отношении ИИ. Цели, которые они обещали, ещё не были достигнуты и их достижение казалось делом весьма отдалённого будущего.
Исследователи поняли, что упираются в стену. ИИ применялся к простым задачам. Но реальные сценарии оказались слишком сложными для этих систем. Число возможностей, которые алгоритмы должны были исследовать, получалось астрономическим. Это привело к проблеме комбинаторного взрыва. А затем возник классический вопрос «как сделать компьютер умным». Это была проблема здравого смысла.
Всё этор привело к тому, что инвесторы разочаровались в технологии. Финансирование ИИ, таким образом, исчезло, а исследования прекратились. DARPA тоже больше не могла поддерживать хакерскую культуру исследований из-за изменений в законодательстве. Спонсоры заморозили финансирование исследований в области искусственного интеллекта. Поэтому период 1974–1980 гг. называют «зимой ИИ».
Возрождение
В 1981 году правительство Японии начало серьёзно вкладываться в исследования в области искусственного интеллекта. Страна выделила 850 млн долларов на проект «Компьютер пятого поколения». Он был нацелен на развитие ИИ. Предполагаемые компьютеры должны были общаться, переводить другие языки, распознавать картинки. Ожидалось, что компьютеры станут базой для создания устройств, способных имитировать мышление.
Исследования в Японии казались многообещающими. В 1980 году в университете Васэда был разработан робот Wabot-2. Он мог общаться с людьми, читать музыкальные партитуры и играть на электронном органе. Успех японцев заставил правительства других стран и частный бизнес снова обратить свой взгляд в сторону ИИ.
В этот момент возник вопрос коннекционизма. В 1982 году Хопфилд создал новую форму нейронной сети, которая способна изучать и обрабатывать информацию. Джеффри Хинтон и Дэвид Румелхарт популяризировали авторазличие в обратном режиме. Эта технология была феноменальной и остается жизненно важной в машинном обучении и по сей день.
ИИ получил коммерческий успех в виде «экспертных систем». Эти системы обладали глубоким знанием конкретной темы. Университет Карнеги — Меллона (CMU) в 1980 году выпустил экспертную систему под названием XCON. Она использовалась в корпорации Digital Equipment. До 1986 года компания ежегодно экономила 40 млн долларов.
Вторая зима
ПК революция изменила курс развития ИИ
В конце 1980-х успешный рост отрасли ИИ омрачила «компьютерная революция». Apple и IBM производили все более и более мощные компьютеры одновременно. Настольные компьютеры стали дешевле и мощнее, чем Lisp-машины на базе искусственного интеллекта. Целая индустрия стоимостью полмиллиарда долларов была разрушена за одну ночь. Успехи ИИ в таких экспертных системах, как машина XCON, оказались слишком дорогими.
Возникли проблемы с экспертными системами. Они не могли учиться. Они были «хрупкими» (то есть могли совершать серьёзные ошибки, если им давали необычные данные). Практическая область применения экспертных систем стала ограниченной. Новое руководство DARPA решило, что ИИ не является «следующей волной». И перенаправило инвестиции на проекты, которые, с их точки зрения, должны были принести немедленные результаты.
К 1991 году цели компьютерного проекта Японии так и не были достигнуты. Учёные недооценили те трудности, с которыми им пришлось столкнуться. Свыше 300 ИИ-компаний закрылись, обанкротились или были куплены к концу 1993 года. Это был фактически конец первой волны коммерческого использования искусственного интеллекта.
Свежая струя
Когда отголоски компьютерной революции начали затихать, у людей появилась возможность пользоваться большими вычислительными мощностями. С повсеместным распространением компьютеров стало расти и количество разнообразных баз данных. Это всё было очень здорово и с точки зрения развития ИИ.
Новые технологии решали проблемы и снимали барьеры, мешавшие учёным. Пользуясь возрастающей вычислительной мощностью, исследователи раздвигали границы возможного. Из баз данных, ставших Big Data, удавалось извлечь всё больше и больше знаний. Возможности практического применения ИИ стали более очевидными.
Новая концепция под названием «интеллектуальный агент» утвердилась в 1990-х годах. Интеллектуальный агент (ИА) — это система, которая самостоятельно выполняет задание, выданное пользователем, в течение длительных промежутков времени. Появилась надежда, что однажды мы сможем научить ИА взаимодействовать друг с другом. Это привело бы к созданию универсальных и более «умных» систем.
В сообществе ИИ бродили разные мнения об использовании математики в сфере искусственного интеллекта. Одни считали, что интеллект слишком сложен для того, чтобы описывать его математическими символами. По их мнению, люди редко руководствуются логикой при принятии решений. Их оппоненты возражали, что логические цепочки — это путь вперёд.
Г. Каспаров играет с Deep Blue
Очень скоро, в 1997 году, суперкомпьютер IBM Deep Blue победил Гарри Каспарова. В тот момент Каспаров был чемпионом мира по шахматам. То, что, по словам Ньюэлла и Саймона, должно было произойти к 1968 году, наконец-то свершилось в 1997 году.
Современные шахматные компьютеры намного сильнее любого человека. Самый высокий рейтинг Эло, когда-либо достигнутый человеком, составляет 2882. Для компьютеров вполне обычный показатель — 3000 Эло. Самый высокий показатель за всю историю был более 3350.
В 2005 году Стэнфорд разработал робота для автономного вождения. Он выиграл DARPA Grand Challenge, проехав 131 милю (211 км) по неизученной пустынной тропе.
В феврале 2011 года IBM решила протестировать свой IBM Watson в викторине «Jeopardy». Компьютер смог победить двух величайших чемпионов Jeopardy со значительным отрывом.
С лавинообразным развитием интернета и соцсетей росло и количество информации. ИТ-компаниям необходимо было что-то делать с получаемыми данными. И применение ИИ стало необходимостью, а не развлечением.
Теперь Google сортирует выдачу, используя системы машинного обучения (Machine Learning). YouTube подбирает рекомендуемые видео с помощью алгоритмов ML, по той же схеме рекомендует товары Amazon. Новостная лента Facebook генерируется «умным» компьютером. И даже Tinder находит людей, используя алгоритмы ML.
Благодаря компьютерной революции ИИ-технологии стали нашими незаменимыми помощниками. И теперь человечество смотрит вперёд, ожидая создание супермашин. И хотя последствия достижений искусственного интеллекта порой спорны, дальнейшее развитие этой технологии неизбежно.
Что ещё полезного можно почитать в блоге Cloud4Y
Подписывайтесь на наш Telegram-канал, чтобы не пропустить очередную статью! Пишем не чаще двух раз в неделю и только по делу.