Искусственный интеллект: научный поиск и решения

Введение

Проблема создания искусственного интеллекта (ИИ), возникшая в прошлом столетии, в настоящее время особенно актуальна в связи с необыкновенным бумом новых разработок человекоподобных роботов - роботов андроидов, которые успешно демонстрируют исполнение элементарных операций, передвигаются, танцуют, разговаривают, распознают собеседников, но пока еще не обладают интеллектом.
Область науки, получившая, название «Искусственный Интеллект» (Artificial Intelligence) или, как ее называли на этапе становления, «Машинный Интеллект» (Machine Intelligence) часто представляется неспециалистам и даже специалистам, не работающим непосредственно в этой области, как сфера исследований, основной целью которых является создание устройств, имитирующих человека во всей полноте его деятельности.
В действительности, специалисты в области искусственного интеллекта (ИИ) преследуют гораздо более скромные цели – выявить принципиальные механизмы, лежащие в основе жизнедеятельности человека и человеческого общества, чтобы использовать их при решении практически значимых задач
Целью данной работы является: изучение искусственного интеллекта.


1. История развития искусственного интеллекта

Создание искусственного интеллекта – одна из основных целей современной науки. Лучшие умы человечества уже давно пытаются к ней приблизиться. Тем не менее, возникает большая проблема: как сделать так, чтобы машина стала «разумной», то есть вела себя в различных ситуациях, как человек — была чувствительной, обладала сознанием, способностью к творчеству, абстрактному мышлению, а главное – способностью к самостоятельному обучению.
Впервые термин искусственный интеллект был предложен на семинаре в Дармутском университете (США) Джоном Маккарти. Под этим понятием он объяснял выполнение свойств интеллектуальных систем, которые традиционно считаются прерогативой человека [6].
За последние полвека искусственный интеллект был целью работы многих ученых, но заветная мечта всегда находилась от них далеко. Еще в начале создания ИИ выделилось два подхода – моделирование на основе мышления человека и моделирование на устройстве мозга.
Можно считать, что история искусственного интеллекта начинается с появлением первых ЭВМ в 1940 - х годах, которые всего лишь могли выполнять логические, запоминающие, индикационные и другие функциональные элементы [1].
Следующим шагом в развитии искусственного интеллекта является середина 50 - х годов. В этот период исследователи пытались построить разумные машины, моделируя им мозг. Но все эти попытки оказались неудачными по полной причине непригодности программных и аппаратных средств. В 1970 - е годы появились экспертные системы, которые использовали элементы искусственного интеллекта, т.е. системы, которые частично могут заменить специалиста в решении проблемной задачи. К началу 1980 - х годов, с появлением многослойных нейронных сетей, их распространение стало повальным. Сторонники такого подхода пытались создать нейрокомпьютеры, которые будут работать как мозг человека. Но все попытки оказались безуспешными, ведь настоящие нейроны и устроены гораздо сложнее, и оказались бы непригодными для многослойных нейросетей.
Следующей идеей в области искусственного интеллекта стало машинное (компьютерное) обучение, которое не теряет своей значимости и на сегодняшний день. Например, всеми известная американская корпорация Google разработала голосовой поиск, который позволяет преобразовать голосовую команду в текстовую и, тем самым, выполнить ряд операций, запрограммированных человеком [18].
История развития искусственного интеллекта как научного направления стало возможным только после создания ЭВМ в 40-х гг. XX в. В это же время Н. Винер (1894 - 1964) опубликовал основополагающие работы по кибернетике. Первый прообраз будущих вычислительных машин, был реализован в США. В мае 1942 года первая в мире вычислительная машина начала действовать (Дж. Атанасов и К. Берри создали макет процессора). Работы были засекречены и это впоследствии привело к судебному разбирательству по вопросу о приоритете с создателями ЭНИАК (1943 - 1946 гг.)
С ЭНИАКом связано начало той вычислительной техники, которая породила информатику. В этой машине впервые была реализована структура, предложенная Дж. фон Нейманом. Возникло современное программирование. Термин искусственный интеллект (artificial intelligence) предложен в 1956 г. на семинаре с аналогичным названием в Стэнфордском университете (США). Вскоре после этого произошло разделение ИИ на два основных направления: нейрокибернетику и кибернетику «черного ящика».
В 60-е годы персептроны вызвали большой оптимизм. Они научились, в частности, распознавать буквы алфавита. Розенблатт доказал теорему об обучаемости персептрона, согласно которой персептрон может научиться всему, что он может представлять. Однако Минский строго проанализировал проблему представимости и показал, что имеются жесткие ограничения на то, что могут выполнять однослойные персептроны, и, следовательно, на то, чему они могут обучаться.
Снятие ограничений по памяти и быстродействию компьютеров к середине 80-х гг., а также недавнее открытие методов обучения многослойных сетей возродило интерес к нейросетям и нейрокомпьютерам. В настоящее время используются три подхода к созданию нейросетей:
- аппаратный - создание специальных компьютеров (нейрокомпьютеров), плат расширения, наборов микросхем, реализующих все необходимые алгоритмы;
- программный - создание программ и инструментариев, рассчитанных на высокопроизводительные компьютеры. Сети создаются в памяти компьютера, всю работу выполняют его собственные процессоры;
- гибридный - комбинация первых двух. Часть вычислений выполняют специальные платы расширения (сопроцессоры), часть - программные средства.
Черный ящик. В основу "черного ящика" лег принцип, согласно которому система ИИ должна реагировать на входной сигнал так, как человеческий мозг, и не имеет значения, подобна ли конструктивно эта система мозгу. В 1956 -1963 гг. велись интенсивные поиски моделей и алгоритмов человеческого мышления. Оказалось, что ни одна из существующих наук - философия, психология, лингвистика - не может предложить такого алгоритма. Кибернетики предложили собственные модели.
В конце 50-х гг. родилась модель лабиринтного поиска. Этот подход представляет задачу как граф пространства состояний, в котором ищется оптимальный путь от входных данных к результирующим. Конец 50-х - начало 60-х гг. - эпоха эвристического программирования (Ньюэлл, Саймон, Шоу).
Эвристика - правило, теоретически не обоснованное, но позволяющее сократить количество переборов в пространстве поиска. Эвристическое программирование - разработка стратегии действий по аналогии или прецедентам. Результатами работ явились такие программы как «ЛОГИК-ТЕОРЕТИК» - ЛТ (1957 г.), предназначенная для доказательства теорем в исчислении высказываний, и «ОБЩИЙ РЕШАТЕЛЬ ЗАДАЧ» (GPS). С помощью ЛТ были успешно доказаны 38 из 52 теорем главы 2 книги Уайтхеда и Рассела «Принципы математики» (модифицированный алгоритм ЛТ на более мощной ЭВМ доказал позднее все 52 теоремы). Хант пишет, что эти доказательства не произведут на математика большой глубины. Ньюэлл и его коллеги неоднократно подчеркивали, что дело не в самом доказательстве, а в том, как они были осуществлены. Например, алгоритм, названный Ньюэллом, Саймоном и Шоу алгоритмом Британского музея, гарантирует получение доказательства для любой доказуемой теоремы из заданного множества аксиом.
Термин информатика в современном понимании получил права гражданства только в 80-х, а до этого, согласно Большой Советской энциклопедии, информатика рассматривалась как «дисциплина, изучающая структуру и общие свойства научной информации, а также закономерности ее создания, преобразования, передачи и использования в различных сферах человеческой деятельности» [7].
Такое определение сводило информатику к библиотековедению, библиографии, методам поиска информации в массивах документов. Когда в 1952 году был создан Институт научной информации АН СССР, позже преобразованный в ВИНИТИ - Всесоюзный институт научной и технической информации, то он должен был стать головным академическим учреждением в области информатики. В свою очередь, то что с 80-х годов называется информатикой, именовалась по-разному.
Сначала объединяющим названием был термин «кибернетика», затем на роль общего названия той же области исследований стала претендовать «прикладная математика». Одновременно с американцами в Институте электротехники АН УССР под руководством С. А. Лебедева начиналась работа по созданию вычислительной машины, использующей двоичную систему счисления, однако эти исследования прервала война [15].
Но уже в 1951 г. в Киеве заработала первая в континентальной Европе вычислительная машина - МЭСМ, затем БЭСМ. За ними последовали машины М-1 и М-2, созданные в коллективе И. С. Брука, в 1953 году появился первый экземпляр ЭВМ «Стрела», а с 1954 года началось семейство машин «Урал», главным конструктором которого был Б. И. Рамеев [7].
Все фундаментальные исследования и инженерные разработки в этой области были засекречены, а потому первая научная монография по теории ЭВМ и программированию [15] имела гриф и выдавалась лишь по предъявлении документа о допуске.
Изданная в 1948 году книга американского математика Норберта Винера «Кибернетика или управление и связь в животном и машине» и попавшая на полки с секретными изданиями, открывает другую страницу истории отечественной информатики

. Ее автор высказал идеи, не согласующиеся с официальной советской философией. Винер был убежден, что социальные модели управления и модели управления в экономике могут быть проанализированы на основе тех же общих положений, которые разработаны в области управления системами, созданными людьми. Поэтому место книги Винера было однозначно определено - спецхран.
В СССР работы по созданию процедур распознавания образов и программ, основанных на них, привлекали многие коллективы специалистов. Задача распознавания образов имеет два этапа. На первом этапе надо выбрать набор признаков, обеспечивающих разбиение объектов на нужные классы. На втором - найти эффективную процедуру классификации по заданным признакам. Основная трудность скрыта как раз на первом этапе их решения. Заслугой Бонгарда и его сотрудников явилось создание процедур выявления характеристических признаков на основе индуктивного обучения. Лишь через 6-7 лет после выхода указанной книги стали появляться аналогичные результаты за рубежом.
В Институте проблем управления были разработаны методы, по праву вошедшие в мировую копилку процедур распознавания: метод потенциальных функций, метод cтатистических оценок и метод разделения классов с помощью системы гиперплоскостей. Ю. И Журавлевым и его учениками впервые в мире была дана точная постановка задачи распознавания образов и возникла возможность строго оценивать эффективность тех или иных алгоритмов распознавания и подбирать для конкретной задачи наиболее эффективный алгоритм. Развитая в работах В. Н. Пушкина модельная теория мышления легла в основу разработки метода ситуационного управления большими системами. Метод во многом предвосхитил технологию решения задач в системах, опирающихся на знания, развитую на западе только в середине 70-х.
В Москве, Новосибирске и Киеве работали коллективы, обеспечивавшие высокий уровень работ в области автоматизации программирования. В середине 60-х В.Ф. Турчиным разрабатывается алгоритмический язык рекурсивных функций Рефал, предназначенный для решения практических задач в области построения компиляторов, символьных вычислений и обработки текстов. Однако РЕФАЛ постигла судьба многих отечественных разработок. За рубежом его не признали по соображениям, далеким от науки, а в нашей стране после вынужденной эмиграции его создателя он использовался лишь небольшой частью программистов и постепенно утратил свои позиции. И многие идеи (особенно в области обработки регулярных выражений) заложенные в этом языке, заново переоткрываются. Следует отметить, что сегодня пытаются осовременить язык (вышла 32 разрядная версия), однако лучшей, является Рефал-5, сохранивший первозданную ясность. К сожалению, к началу разработок ЭВМ третьего поколения (60-е годы) в нашей стране не возникла парадигма программной совместимости. Талантливые разработчики ЭВМ и программного обеспечения для них работали разобщенно, вне рамок какой-либо государственной программы и требований стандартизации. Это привело сначала к потере темпа, потом к отставанию и, наконец, к роковому для отечественной информатики копированию в СССР и странах Восточной Европы разработок фирмы ИБМ.

2. Искусственный интеллект: научный поиск

От создания полноценного искусственного интеллекта человечество уже не так далеко, как предположим было 20 лет назад. Ни для кого не секрет, что в наше время информационные технологии развиваются в геометрической прогрессии [11]. К примеру, возьмем суперкомпьютер IBM Watson, который в 2011 г. победил в телепередаче Jeopardy (российский аналог – «Своя игра»). В этой телепередаче компьютеру задавали сложные вопросы, используя различные тропы и изобразительно-выразительные средства языка, без уточнения и упрощения самих вопросов, а также от него требовалось не просто дать ответы на поставленные вопросы, но и понять их смысл, и, несмотря на все эти аспекты, Watson смог победить. Но по-настоящему он принес пользу для человечества в сфере медицины: Watson, анализируя гигантские массивы, архивы и бесчисленное множество историй болезни, смог достаточно точно ставить диагнозы людям, зарекомендовав себя, тем самым, хорошим врачом [12].
Если говорить о настоящем прорыве в интеллектуальности ЭВМ, то он произошел в апреле 2016 г., когда программный код AlphaGo от Google сумел удержать победу в игре «Го», играя с ее абсолютным чемпионом – Ли Седолем. К слову, об игре «Го» – эта игра является по-настоящему высокоинтеллектуальной игрой: на доске возможны миллиарды комбинаций фишек. Игроки, просчитывая ходы, очень активно пользуются интуицией, которая, конечно же, недоступна для программ. Все скептики говорили, что программа может обыграть игроков среднего уровня, но с мастерами ей не справиться, что же говорить о абсолютном чемпионе. Так как же программа AlphaGo смогла победить в этой партии? Суть в том, что при создании программы разработчики использовали технологию глубокого машинного обучения (deep learning), которая в данный момент является самым трендовым направлением в сфере развития искусственного интеллекта [2]. Еще в 1959 г. Артур Самюэль определил основу данной технологии, предложив работать с компьютером, не используя заранее подготовленные и определенные алгоритмы. Компьютер учится на своих «ошибках» и на своем опыте [12]. Программа AlphaGo, проанализировав 30 млн. ходов профессиональных игроков, стала играть сама с собой и, сыграв миллионы партий, научилась находить выгодные для нее положения фишек на игральной доске.
Технология глубокого машинного обучения позволяет составлять сложные многоуровневые нелинейные отношения, что, в свою очередь, значительно повышает обучаемость искусственного интеллекта. Конечно, настоящий искусственный интеллект еще не придумали, но очень много людей сейчас работает над этой идеей [15]. Есть идея создания искусственного мозга: взять те отделы мозга человека, которые понадобятся машинам, и убрать те, которые машинам не нужны. Затем смоделировать эти отделы с помощью микроконтроллеров, которые будут создавать электрические импульсы, взаимодействуя друг с другом подобно человеческому мозгу.
Направления развития идеи искусственного интеллекта колоссальные. Многие профессии просто уйдут из нашей жизни. Машины смогут заменить докторов, продавцов-консультантов, обслуживающий персонал и много других профессий. Уже в наше время придумали автомобили, которые следят за дорожной ситуацией в процессе поездки и помогают водителю избежать дорожно-транспортных происшествий.
Компания BMW выпустила новую модель автомобиля под названием i8, в которую встроена система «SRS», позволяющая отсканировать проезжую часть и прилегающую территорию на предмет, например, выбегающего на дорогу пешехода, и автоматически остановить автомобиль [16].
Компания Rolls Roys установила в свой автомобиль систему Satellite Aided Transmission, при помощи которой коробка передач, взаимодействуя со спутником, «знает», когда будет опасный участок дороги, и автоматически тормозит автомобиль, если «понимает», что с текущей скоростью водитель может не справиться с управлением.
Перспектива развития искусственного интеллекта очень большая и одна из передовых на сегодняшний день, поэтому с каждым днем все больше информации поступает о развитии робототехники, все больше людей начинают изучать программирование и повышать свои знания в этой области.
Направления развития систем искусственного интеллекта.
1. Представление знаний и разработка систем, основанных на знаниях. Это основное направление искусственного интеллекта. Оно связано с разработкой моделей представления знаний, созданием баз знаний, образующих ядро экспертных систем (ЭС). В последнее время включает в себя модели и методы извлечения и структурирования знаний и сливается с инженерией знаний.
2. Игры и творчество. Традиционно искусственный интеллект включает в себя игровые интеллектуальные задачи - шахматы, шашки, го. В основе лежит один из ранних подходов - лабиринтная модель плюс эвристики. Сейчас это скорее коммерческое направление, так как в научном плане эти идеи считаются тупиковыми.
3. Разработка естественно-языковых интерфейсов и машинный перевод. В 50-х гг. одной из популярных тем исследований искусственного интеллекта являлась область машинного перевода. Первая программа в этой области - переводчик с английского языка на русский. Первая идея - пословный перевод, оказалась неплодотворной. В настоящее время используется более сложная модель, включающая анализ и синтез естественно-языковых сообщений, которая состоит из нескольких блоков. Для анализа это:
- морфологический анализ - анализ слов в тексте;
- синтаксический анализ - анализ предложений, грамматики и связей между словами;
- семантический анализ - анализ смысла каждого предложения на основе некоторой предметно-ориентированной базы знаний;
- прагматический анализ - анализ смысла предложений в окружающем контексте на основе собственной базы знаний. Синтез включает аналогичные этапы, но несколько в другом порядке.
4. Распознавание образов. Традиционное направление искусственного интеллекта, берущее начало у самых его истоков. Каждому объекту ставится в соответствие матрица признаков, по которой происходит его распознавание