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.
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.
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.
Методика «классной доски» предполагает, что для решения различных подзадач требуются различные методы. Первое упоминание в литературе о практическом применении системы «классной доски» связано с разработкой программы распознавания речи Hearsay-II и относится к 1975 году [6]. В 80-е годы исследования были продолжены [7], а в настоящее время модель «классной доски» рассматривается как ключевая технология в быстро развивающейся области систем с многими агентами [8]. В конце 80-х годов я вместе с коллегами по Открытому университету участвовал в разработке системы ARBS (Algorithmic and Rule-Based Blackboard System), с помощью которой мы впоследствии решали различные проблемы, в том числе проблему интерпретации ультразвуковых изображений [9] и проблему контроля за процессами формирования плазмы [10].
Позднее система ARBS была преобразована в распределенную систему DARBS (Distributed ARBS), в которой программные модули выполняются параллельно и, возможно, даже на отдельных компьютерах, взаимодействуя через Internet [11].
Взаимодействие с окружающей средой
Рис. 6. (a) Автономный пылесос Trilobite компании Electrolux; (б) ископаемый трилобит — примитивное существо, которое занималось очисткой дна океанов 250-560 млн. лет назад |
О последних достижениях в области встроенных средств искусственного интеллекта можно судить на примере автономного пылесоса Trilobite (trilobite.electrolux. se). Как видно из рис. 6a, Trilobite — это робот, поставляемый на коммерческой основе шведской компанией Electrolux. Своей формой и именем робот обязан доисторическому существу, очищавшему дно океанов полмиллиарда лет назад.
В пылесосе Trilobite нашли воплощение принципы интеллектуальной системы планирования:
- он строит модель своей среды, совершая круговое путешествие вдоль стен комнаты;
- он ставит конкретную цель — пройти всю доступную площадь пола;
- он формирует набор действий для выполнения этой цели, и
- при необходимости он вносит в план изменения в соответствии с изменениями в модели мира, например, в связи с появлением препятствий на его пути.
Рис. 7. Разработанный в МТИ робот для общения Kismet, взаимодействует с окружающими людьми с помощью функций слуха, зрения, речи и средств управления выражением лица. (Источник: Синтиа Бризил, Лаборатория искусственного интеллекта МТИ. Воспроизводится с разрешения.) |
На рис. 7 показана голова робота Kismet (http://www.ai.mit.edu/projects/ humanoid-robotics-group/kismet/), разработанная в Массачусетском технологическом институте. Kismet не имеет ни тела, ни конечностей, но он может общаться с окружающими, используя при этом функции слуха, зрения, речи, выражения лица и изменения положения головы. Создатели устройства называют его «роботом для общения». Одна только функция зрения Kismet обслуживается девятью компьютерами, а движения элементов его лица и шеи выполняются с помощью 21 двигателя. Исследователи используют робота для изучения социального взаимодействия между устройством и людьми, с которыми ему приходится встречаться, и в первую очередь — с детьми [12].
Создание системы, способной принимать разумные решения в незнакомых ситуациях, которые возникают не в специализированных областях деятельности, а в обыденной жизни, остается пока что трудной задачей.
И все же представляется вероятным, что приложения типа распределенных «классных досок» будут по-прежнему быстро развиваться в специализированных областях. Эта «тихая революция», почти не привлекающая внимание СМИ, может существенно изменить нашу жизнь. Помимо прочего, сейчас она проявляется в тенденции оснащать средствами искусственного интеллекта другие аппаратные и программные системы.
Между тем, существуют основания надеяться на успехи в реализации популярной идеи человекоподобных роботов, обладающих искусственным интеллектом. Правда, для этого нужно научиться лучше моделировать способности, которые мы обычно принимаем как нечто само собой разумеющееся; в первую очередь это зрение, общение с помощью языка, здравый смысл и умение приспосабливаться к меняющейся обстановке.
Итак, искусственный интеллект — не миф.
Литература
- A.M. Turing, «Computing Machinery and Intelligence». Mind, vol. 59, 1950.
- B.G. 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.
- E.H. Shortliffe, Computer-Based Medical Consultations: MYCIN, Elsevier, 1976.
- D.E. Rumelhart, G.E. Hinton, R.J. Williams, «Learning Representations by Back-Propagating Errors». Nature, vol. 323, 1986.
- A.A. Hopgood, Intelligent Systems for Engineers and Scientists, 2nd ed., CRC Press, 2001.
- V.R. Lesser et al., «Organization of the Hearsay-II Speech Understanding System». IEEE Trans. Acoustics, Speech, and Signal Processing, vol. 23, 1975.
- H.P. Nii, «Blackboard Systems, Part One: The Blackboard Model of Problem Solving and the Evolution of Blackboard Architectures,» AI Magazine, vol. 7, 1986.
- 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.
- A.A. Hopgood et al., «Interpreting Ultrasonic Images Using Rules, Algorithms, and Neural Networks». European J. Non-Destructive Testing, vol. 2, 1993.
- A.A. Hopgood et al., «Fuzzy Logic in a Blackboard System for Controlling Plasma Deposition Processes». Artificial Intelligence in Engineering, vol. 12, 1998.
- L. Nolle, K.C.P. Wong, A.A. Hopgood, «DARBS: A Distributed Blackboard System». Research and Development in Intelligent Systems, vol. 18, M. Bramer, F., Coenen, A. Preece, eds., Springer, 2001.
- C. Breazeal, L. Aryananda, «Recognition of Affective Communicative Intent in Robot-Directed Speech». Autonomous Robots, vol. 12, 2002.
Адриан Хопгуд — профессор, руководитель Школы вычислительных систем и математики университета Ноттингем Трент (Великобритания). Является членом Британского компьютерного общества и участвует в работе специализированной группы по искусственному интеллекту одного из комитетов этого общества. Связаться с автором можно на его Web-сайте 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.