Искусственный интеллект и теория самоорганизации

Искусственный интеллект как отрасль науки сформировался едва ли не раньше, чем появились первые вычислительные машины. Кибернетика - основа искусственного интеллекта "первого поколения", - возникла в 40х годах с работами Н.Винера, К.Шеннона и других исследователей в области теории информации. Основной задачей искусственного интеллекта считалось построение компьютера, способного мыслить, как человек, т.е. обладающего интеллектом, способностью осознанного осмысления и активной обработки поступающей информации. Первые поколения исследователей полагали: цель будет достигнута, когда человек, общающийся с компьютером, не сможет определить в ходе достаточно продолжительной беседы, является ли его собеседник человеком или вычислительной машиной.

Однако развитие событий показало, что такая постановка задачи не вполне корректна. Совсем недавно появилась публикация о том, что система "искусственного интеллекта" достаточно долго поддерживала общение в одном из интернет-"чатов" (chat - болтовня, система группового общения в режиме онлайн), так что никто из собеседников не смог обнаружить подвоха. Следует ли считать, таким образом, что задача создания искусственного интеллекта решена? Или, напротив, полученный результат является свидетельством уровня интеллекта чатов, поддерживаемых представителями "Дженерейшн Пи"?

Что же такое искусственный интеллект? С прикладной точки зрения, под системами искусственного интеллекта понимаются компьютерные программы, обеспечивающие:

- нетривиальные, эвристические методы анализа входящей информации;

- восприятие запросов на естественном языке и их интерпретацию в терминах некоторой формальной модели (и наоборот);

- поиск данных в массивах слабоформализованной информации на основании слабоформализованных запросов;

- обработку и представление знаний;

- моделирование личности.

В принципе, искусственный интеллект как наука и область технологии не ставит перед собой задачу создания системы, обладающей одновременно всеми вышеперечисленными свойствами. Следует отметить, что к настоящему времени области искусственного интеллекта и робототехники являются различными направлениями "кибернетической" науки, так что задача создания робота, подобного человеку, на данном этапе не ставится. Под роботом понимается автомат, поведение которого определяется некоторым алгоритмом, в то время как интеллектуальная система не является автоматом, поскольку должна быть способна иметь дело с алгоритмически неразрешимыми задачами.

1. Эвристические методы обработки информации. Предположим, имеется поток входящей информации I(t) . Задачей системы является выделение в этом потоке некоторых закономерностей, с последующим их сопоставлением с определенными знаками, символами, понятиями (концептами) или иными символическими элементарными структурами:

I(t) -> A0 A1…At, A<{A}, A - некоторый алфавит (набор символов). Примером таких задач являются дешифрация кодированных сообщений (например, расшифровка информации от радиотелескопов, перехваты кодированных сообщений противника в военной отрасли, помехоустойчивое кодирование, защита банковской информации и др.)

Несомненно, данная группа задач, с большим трудом поддающихся формализации, может быть отнесена к искусственному интеллекту. Следует отметить, однако, что естественный интеллект справляется с подобными задачами довольно слабо, так что формализованные неинтеллектуальные алгоритмы часто демонстрируют в данной отрасли лучшие результаты, чем человеческое мышление. Тем не менее, в области распознавания образов искусственный интеллект пока проигрывает естественному.

Вообще, задача распознавания образов, формально относящаяся к рассматриваемой группе проблем искусственного интеллекта, становится предметом некоторой терминологической путаницы. Современные "интеллектуальные" роботы менее способны к визуальному восприятию окружающего мира, чем высшие животные. Следует ли признать существование животного интеллекта, а если так, то в чем его отличие от интеллекта человека?

С точки зрения искусственного интеллекта как науки, долгое время считалось, что компьютер должен мыслить, как человек, чтобы обладать интеллектом. То есть, компьютер должен обладать некоторой структурой личности, свободой воли и др. признаками, приписываемыми человеку. Оказалось, однако, что механизмы классификации, используемые при распознавании образов, т.е. свойственные высшим животными, обладают огромным потенциалом восприятия. Потенциально, мозг высших животных обладает значительно более мощными средствами, чем современные компьютеры, в то время как решение формальных задач требует значительно меньших ресурсов, чем распознавание образов. Мозг человека способен заменить несколько сотен параллельных суперкомпьютеров, куда же деваются его ресурсы? Любое высшее животное обладает мощным потенциалом решения формальных задач, почему же оно так и остается животным?

Для реализации механизмов логического мышления методом резолюций, используемым в системах на языке Пролог, достаточно создать исходную виртуальную машину, то есть программу объемом кода в сотню килобайт. Объем же человеческого мозга составляет свыше 100Гб, т.е. в миллион раз больше! Скорость передачи данных в этом случае особого значения не имеет, поскольку в человеческом мозге каждый сигнал может передаваться одновременно по нескольким десяткам тысяч каналов, в то время как Пролог-машина выполняет эти действия последовательно. Таким образом, даже если учесть, что электронные схемы выполняют примитивные логические операции в несколько сотен раз быстрее, чем нейроны мозга высших животных и человека, все это быстродействие теряется за счет последовательной архитектуры современных компьютеров.

Вообще, сравнение потенциальных возможностей человеческого мозга и современного компьютера - весьма бесперспективное занятие, принимая во внимание различия в архитектуре и принципах работы этих систем. Особенно, учитывая современные нейрофизиологические представления о полевой структуре информационных взаимодействий в человеческом мозге, складывающихся по Прибраму в единую голографическую картину. Это означает, в частности, что, если бы работа человеческого мозга была бы организована как следует, его возможности оказались бы, по современным представлениям, поистине безграничными! Но никто не способен разработать совершенную "программу", способную организовать и применить потенциал человеческого мозга, кроме владельца этого мозга. Все это, однако, довольно далеко от предмета нашего рассмотрения.

Возвращаясь к эвристическим методам обработки информации, они получили неожиданное применение в сфере биржевых спекуляций. Ни одна солидная брокерская контора не обходится без совершенно секретной программы, моделирующей динамику котировок акций в различных отраслях бизнеса, с учетом текущих событий.

2. Общение на естественном языке или, как часто называют эту задачу, "естественно-языковый интерфейс", еще недавно считалось вполне достижимой задачей. Несколько лет назад фирма Microsoft объявила о том, что ее новая операционная система Windows 2000 будет снабжена таким интерфейсом с возможностью распознавания голосовых команд. Оказалось, однако, что естественно-языковый интерфейс оказался то ли слишком сложным, то ли ненужным для большинства пользователей, так что Windows 2000 вышла фактически с тем же графическим интерфейсом, что и ее предшественницы 10 лет назад. Следует отметить, что естественно-языковый интерфейс был одной из целей знаменитого проекта по созданию искусственного интеллекта ESPRIT, проводимого в 1980-1990гг обширным совместным коллективом ученых Европы и Японии. По общему мнению, и реально достигнутым результатам, проект полностью провалился. Стало ли тому виной мощное сопротивление коммерческого лобби фирм-производителей традиционных компьютеров, или иные причины, связанные с недооценкой научной проблемы - пока неясно.

В отличие от искусственных, компьютерных языков программирования, естественный язык является контекстно-зависимым. В общем случае, значение символа ai зависит от контекста a1a2..ai..an, то есть от более широкой языковой конструкции, в составе которой встречается данный символ. Формализация контекстно-зависимых языков в настоящее время выходит за пределы современного научного знания. Поэтому в практической сфере, в частности, в системах автоматического перевода, используются эмпирические подходы, основанные на использовании словарей в комбинации с фреймовыми (шаблонными) методами установления контекстных зависимостей.

3. Поиск данных в массивах слабоформализованной информации на основании слабоформализованных запросов - задача, сходная с рассмотренными выше, то есть комбинация первой и второй задач. При этом некоторая часть входного массива первой задачи представляет собой тексты на естественном языке, в то время как другая часть может являться мультимедийной информацией, графикой, звуком и др., либо просто временными рядами.

Данная задача получила неожиданное применение с развитием интернета в области информационно-поисковых систем. Возникла идея создания "сообщества"(community) т.н. интеллектуальных агентов, способных общаться между собой с целью управления и поиска в информационных ресурсах глобальной мировой информационной сети. Предполагалось, что пользователь интернета мог бы обращаться к своему "агенту", а тот, в свою очередь, к другим агентам сети с целью поиска нужных сведений. Архитектура системы в целом оказывается близка к архитектуре интернета, оказавшейся исключительно удачной для построения глобальных сетей.

В начале-середине 90х годов велись довольно активные работы в данном направлении. Были разработаны несколько проектов языков управления знаниями, призванных расширить успехи, достигнутые в области формальных баз данных (в 80-90 годах господствовало мнение о том, что знания и данные - примерно одно и то же, но об этом далее). Однако ни один из проектов так и не получил сколь-нибудь широкого распространения. Идея интеллектуальных агентов, несмотря на относительную простоту и эффективность, не прижилась. Оказалось, что в большинстве случаев более удобно заполнить бланк структурированного запроса, что, само по себе, часто помогает сформулировать вопрос более ясно для самого спрашивающего, и, тем самым, уточнить критерии поиска.

4. Обработка и представление знаний. В 80-х годах возникло направление в развитии "интеллектуальных" информационных систем, ставшее на время весьма популярным. Это были так называемые "экспертные системы", задачей которых являлось моделирование знаний экспертов - специалистов в той или иной предметной области. Поначалу, данные системы пытались использовать в медицине, геологии, технике и даже в социальных науках. Оказалось, однако, что даже хорошо спроектированная и под завязку наполненная знаниями медицинская экспертная система едва ли обладает способностями сельского фельдшера в практической диагностике и лечении сколь-нибудь серьезных заболеваний.

Основным методом, применяемым при создании экспертных систем, была алгоритмизация или формализация экспертного мышления, например, путем построения формализованных схем диагностики и лечения. Однако опыт показал, что эксперту чрезвычайно сложно формализовать собственные знания и рассуждения. В конечном счете, формальная "модель знаний" часто оказывалась противоречивой, в особенности, если в ее формировании участвовало более одного эксперта. Противоречивость и неполнота модели знаний не позволяли использовать мощные формально-логические механизмы логического вывода, поэтому была предпринята попытка частной алгоритмизации знаний в виде систем продукций вида "Если-то иначе-потому что". Здесь разработчики столкнулись с проблемой интерпретации системы продукций: последовательное применение множества элементарных правил приводило к некоторому результату, но он часто оказывался совершенно неадекватным! Чтобы управлять процессом интерпретации продукций, нужно было определять метаправила все более высоких уровней, что зачастую оказывалось исключительно сложной и практически неосуществимой задачей. К середине 90х годов стало ясно, что построение экспертных систем на статической платформе формально-логических или алгоритмических моделей невозможно. Практика показала, что невозможно построить "интеллектуальную" систему, используя лишь статические знания и методы их обработки. Интеллектуальная система должна самообучаться, в т.ч. на собственных ошибках.

К середине 90х годов так и не было разработано ни одной самообучающихся экспертной системы, предназначенной для промышленного применения. Некогда модное направление в области информационных систем быстро оказалось забытым.

5. Моделирование личности - казалось бы, самая экзотическая область практического применения искусственного интеллекта неожиданно оказалась востребованной как раз тогда, когда об экспертных системах начали забывать - в середине 90х годов. Именно в это время ведущие специалисты в области Behavioral AI (бихейвиорального интеллекта, если использовать термин из психологии) Р.Брукс и П.Мэйс были приглашены в лабораторию ролевых игр компании SONY. В самом деле, областью применения искусственного интеллекта стали компьютерные игры. Разнообразным компьютерным монстрам, драконам, инопланетянам прививаются не только определенные "личностные" свойства, но даже способность самообучения в процессе игры.

Другой областью применения "искусственных личностей" стали военные системы управления боем, различные тренажеры и др.

Методы искусственного интеллекта.

На сегодняшний день, существует две группы подходов к построению систем искусственного интеллекта. Первая группа основана на логических и символических методах (Novel AI), вторая - на динамических сетевых моделях (behavioral AI). До недавнего времени, логические подходы в фактически господствовали как в теоретической, так и в прикладной сферах искусственного интеллекта. Действительно, что, если не способность логически мыслить, является основным отличительным свойством интеллектуальной системы?

Однако формально-логические методы искусственного интеллекта оказались на практике слишком ограниченными. Оказалось, что формальные модели теоретически действенны лишь тогда, когда "базовый аксиоматический набор" является полным и непротиворечивым, но и это условие не является достаточным для построения прикладных вычислительно эффективных систем.

В практических реализациях, для сохранения жизнеспособности системы в условиях противоречивости, делались попытки использовать времязависимые и условно-зависимые аксиоматические наборы, разрабатывались различные экзотические механизмы логического вывода, которые, в сущности, основывались на формальных вычислительных алгоритмах, но не на концепциях и построениях математической логики. Неполная адекватность вычислительных и логических моделей, связанная с необходимостью решения "проблемы остановки", то есть выхода из зацикливания, зачастую делает результат работы таких систем совершенно непредсказуемым.

Еще более сложным и проблематичным оказалось реализация свойств самообучения логических систем. В данном приложении, обучение есть расширение или модификация аксиоматического набора, то есть посягательство на "святая святых" логической системы! Возможно, проблема обучения и ограниченность логических подходов могли бы быть преодолены в терминах логики предикатов высших порядков, но, к настоящему времени, отсутствуют эффективные вычислительные модели по их реализации.

Функциональность систем, основанных на логических методах, не устраивала ни теоретиков, ни практических разработчиков, ни пользователей, в результате чего формально-логическое направление к настоящему времени фактически пришло в упадок.

Другая группа методов искусственного интеллекта, носящая английское название "Behavioural AI", в отечественной литературе называлась семантическими сетями. Основная идея этих методов была хорошо определена Р.Бруксом в формуле "Интеллектуальность есть эмергентное свойство определенного рода сложных систем ". Эмергентность, или эмергентная функция - это такое качество, которое свойственно системе в целом, но не присуще ни одной из ее отдельных компонент. В техническом системном анализе, эмергентную функцию называют также системообразующей, однако такое определение не вполне справедливо для естественных систем.

По мнению специалистов, поддерживающих бихейвиоральное направление, интеллектуальность есть не столько способность логически мыслить, сколько способность принимать рациональные решения. Часто такие решения получаются не столько путем логических построений, сколько методами аргументации, простейшим из которых является взвешивание множества "за" и "против" среди возможных альтернатив выбора.

Очевидно, данный класс моделей свободен от ряда недостатков, свойственных логическим подходам. Сетевые модели вполне устойчивы в условиях противоречивости и неполноты (хотя и не всегда), легко обучаются путем адаптации к соотношениям стимул-реакция, и даже способны эволюционировать, наращивая свою вычислительную эффективность без постороннего вмешательства. Однако можно ли считать бихейвиоральные подходы действительно интеллектуальными? Ведь, в подавляющем большинстве, системы данного класса строятся на автоматных моделях, в то время как интеллект по определению отличен от автоматизма.

С другой стороны, механизмы логического вывода и другие символические методы также реализуются не иначе, чем через автоматные модели различных классов, будь то контекстно-свободные грамматики или мат аппарат логики возможных миров.

Ясно, однако, что на практике противопоставление логических методов сетевой динамике попросту отсутствует. В человеческой личности левополушарная рассудительность соседствует с правополушарной чувствительностью и интуицией, образуя единый интеллектуальный организм. В практических приложениях искусственного интеллекта совершенно неважно, является ли полученное решение результатом рассуждений или аргументации, нужно лишь, чтобы оно было верным.

Здесь, однако, обнаруживаются нюансы в определении терминов "верный" и "правильный", столь тонко отраженные в русском языке. Правильным является решение, полученное на основании определенных правил, такое решение, способ получения которого может быть формально описан и пошагово проверен. Верное решение - это решение, основанное на вере и принимаемое на веру, притом что под верой понимается знание. Я знаю, что 2*2=4, поэтому решение является верным. Вместе с тем, 2*2=4, потому что 2*2=2+2=4, поэтому решение является правильным. Однако знание далеко не всегда может быть проверено, поскольку, по определению, "знание есть совокупность сведений о мире, в той или иной степени подтвержденных общественной практикой".

Правильное решение является результатом рассуждений, верное решение получается путем аргументации. Важно, что оба решения являются истинными, хотя истинность - это скорее логический эквивалент правильности по отношению к текущему аксиоматическому набору, в то время как верность - результат накопленного или приобретенного опыта. Более того, верное решение является истинным по отношению к будущим событиям, но может быть неистинным с логической точки зрения на момент принятия решения, в особенности, в условиях сильной противоречивости или неопределенности текущих условий.

Формальная логика есть автоматизм не в меньшей степени, чем элементарное поведение типа стимул-реакция. Неточность базового аксиоматического набора приводит к неверности, неистинности системы в целом. По одной из теорем Геделя, истинность логической системы не может быть доказана в ее же логических терминах.

Конечно, все это вовсе не обозначает, что логические методы искусственного интеллекта бесполезны. Человек, принимая решение, основывается на знаниях. При отсутствии прямых знаний, он может использовать рассуждения, чтобы расширить существующую модель путем построения одного или нескольких возможных миров, и затем применить аргументацию. Если неопределенность по-прежнему остается слишком высокой, человек действует наугад.

Таким образом, в процессе принятия решений человеком используются различные механизмы мышления, включая, но, не ограничиваясь логическими рассуждениями и аргументацией.

Мы рассмотрели процедуру принятия решения, не затронув при этом другие интеллектуальные функции, такие как восприятие и научение. Скорее всего, эти свойства определяются способностью интеллектуальной системы к самоорганизации. Все Новые статьи

© ALART © www.NeoEsoterik.org Часть 2. Теория Самоорганизации См. также Мыслящий робот