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
  1. A.M. Turing, «Computing Machinery and Intelligence». Mind, vol. 59, 1950.
  2. 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.
  3. E.H. Shortliffe, Computer-Based Medical Consultations: MYCIN, Elsevier, 1976.
  4. D.E. Rumelhart, G.E. Hinton, R.J. Williams, «Learning Representations by Back-Propagating Errors». Nature, vol. 323, 1986.
  5. A.A. Hopgood, Intelligent Systems for Engineers and Scientists, 2nd ed., CRC Press, 2001.
  6. V.R. Lesser et al., «Organization of the Hearsay-II Speech Understanding System». IEEE Trans. Acoustics, Speech, and Signal Processing, vol. 23, 1975.
  7. H.P. Nii, «Blackboard Systems, Part One: The Blackboard Model of Problem Solving and the Evolution of Blackboard Architectures,» AI Magazine, vol. 7, 1986.
  8. 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.
  9. A.A. Hopgood et al., «Interpreting Ultrasonic Images Using Rules, Algorithms, and Neural Networks». European J. Non-Destructive Testing, vol. 2, 1993.
  10. A.A. Hopgood et al., «Fuzzy Logic in a Blackboard System for Controlling Plasma Deposition Processes». Artificial Intelligence in Engineering, vol. 12, 1998.
  11. 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.
  12. 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.