Эволюция первых работ по искусственному интеллекту

Здесь мы очень кратко рассмотрим историю первых работ в области искусственного интеллекта в век компьютеров, сократив её до четырех этапов (см. табл. 1.1). Тем самым мы её, конечно, существенно упростим, но ключевые моменты развития этих исследований в середине и второй половине прошлого века в ней будут отражены.

Таблица 1.1

Годы	Парадигма	Исполнители	Система
50-е	Нейронные сети	Розенблатт (Винер, Маккаллок)	PERCEPTRON
60-е	Эвристический поиск	Ньюэл, Саймон (Шеннон, Тьюринг)	GPS
70-е	Представление знаний	Шортлифф (Минский, Маккарти)	MYCIN
80-е	Обучающиеся машины	Ленат (Сэмюэл, Холланд)	EURISCO

В колонке «Парадигма» помещен тот ответ, который вы получили бы в то время, если бы спросили специалиста по искусственному интеллекту, чему посвящены исследования в этой области.

В колонке «Исполнители» показаны одна-две основные фамилии ученых, которые, по-видимому, характеризуют собой дух искусственного интеллекта в этот период (под основными исполнителями в круглых скобках помещены фамилии теоретиков, заложивших основы исследований в рамках соответствующей парадигмы).

Наконец, в колонке «Система» приведены типичные системы (далеко не все и не обязательно лучшие из них), в которых нашли отражение тенденции или модные в соответствующий период истории течения.

Нейронные сети. В 50-х годах исследователи в области искусственного интеллекта пытались строить разумные машины, имитирующие мозг. Разумеется, эти попытки оказались тщетными, поскольку аппаратные и программные средства были ещё непригодны для такого дела. Типичным примером систем такого типа является указанный в табл. 1.1 PERCEPTRON. Он представлял собой самоорганизующийся автомат, который можно считать грубой моделью работы сетчатки глаза человека. Его можно было научить узнавать образы, но, как позже показали Минский и Пейперт, это был лишь ограниченный класс зрительных образов.

Энтузиазм в отношении систем, подобных системе Розенблатта, был основан на теоретических работах кибернетиков Норберта Винера и Уоррена Маккалока по абстрактным нейронным сетям. Считалось, что если взять сильно связанную систему модельных нейронов, которой вначале ничего не известно, применить к ней программу тренировки из поощрений и наказаний, то в конце концов она будет делать всё, что требуется ее создателю. При этом не принималось во внимание, что мозг человека содержит 10¹⁰ нейронов, каждый из которых по сложности соответствует примерно микрокомпьютеру, реализованному на одном кристалле и способному выполнять сравнительно небольшую программу.

Поскольку экспериментальные результаты, полученные Розенблаттом, были недостаточно хороши, воображением специалистов по искусственному интеллекту овладела новая идея.

Эвристический поиск. Новые рубежи в конце 50-х – начале 60-х годов наметили Аллен Ньюэлл и Герберт Саймон из университета Карнеги-Меллона (США). Они решили, что моделировать следует не мозг, а мышление человека. Ньюэлл и Саймон считали, что мышление человека основано на операциях над символами (сравнение, поиск, модификация символов и т. п.), которые могут выполняться и компьютером. Решение задач им представлялось как поиск путем перебора вариантов применения возможных операций. Начали Ньюэлл и Саймон с разработки программы доказательства теорем математической логики, затем перешли к программам моделирования шахматной игры. Необозримость множества возможных вариантов развития каждой шахматной позиции заставила их обратиться к изучению человеческих способов сокращения перебора за счет применения эвристик (основанных на опыте правил выбора приоритетных направлений поиска решения), что сделало эвристический поиск центральным в их подходе. В процессе этих исследований был найден ряд приемов сокращения перебора: выдвижение гипотез и возврат при неудаче («поиск в глубину»), локальная оптимизация («подъем на холм»), иерархическая декомпозиция (разбиение) сложных задач на всё более простые подзадачи, рекурсия.

Полученные результаты позволили Ньюэллу и Саймону переключить внимание на поиск общих методов, применимых к обширному спектру задач, что привело их к созданию системы GPS (General Problem Sоlver – общий решатель задач). Универсальность системы GPS заключалась в том, что не было конкретного указания, к какой области относится задача, пользователь должен был сам задать проблемную среду в терминах ее объектов и применимых к этим объектам операций. Но на деле эта универсальность относилась лишь к ограниченной области математических головоломок и различных игр с относительно небольшим множеством cocтояний и четко определенных формальных правил. Как и большинство ее современниц, система GPS функционировала в таком формализованном микромире, где возникающие проблемы (например, задача «Ханойская башня» или задача «о миссионерах и людоедах»), с точки зрения людей, проблемами и не являются.

Авторы проекта создания универсального решателя задач также стали жертвой неоправданного оптимизма, но работа над ним привнесла в исследования по ИИ ряд упомянутых выше ценных идей.

Представление и использование знаний. Система GPS не была способна решать задачи реальной сложности. Поэтому в 70-х годах группа ученых во главе с Эдвардом Фейгенбаумом из Станфордского университета отказалась от безнадежного поиска эффективных универсальных эвристик и поставила задачу добиться эффективности за счет специализации систем ИИ и использования знаний и навыков (приемов и неформальных правил) специалистов. На этом пути были созданы первые экспертные системы. Хотя система анализа масс-спектрограмм химических соединений DENDRAL и является прототипом всех экспертных систем, но её дочерняя система MYCIN, созданная под руководством медика Шортлиффа, оказала гораздо большее влияние на идеологию и развитие экспертных систем.

Система MYCIN – это компьютерная система, способная диагностировать бактериальные инфекции крови и давать рекомендации по лекарственной их терапии. Она положила начало созданию целой серии медико-диагностических систем, используемых в рутинной клинической практике. Ряд характеристик системы MYCIN стали отличительной чертой всех экспертных систем.

Во-первых, медицинские знания MYCIN представляют собой сотни правил-продукций, подобных следующему:

если (1) инфекция представляет собой первичную бактеримию,

и (2) место взятия культуры является стерильным,

и (3) предполагается, что организм проник через желудочно-кишечныи тракт,

то (с уверенностью 0,7) этот организм носит бактериальный характер.

Во-вторых, Шортлифф разработал схему с использованием коэффициентов уверенности, позволяющую системе на основе даже ненадежных данных приходить к правдоподобным заключениям.

В-третьих, система MYCIN была способна объяснять пользователю (лечащему врачу) ход своих рассуждений и причины задаваемых ему вопросов, благодаря чему существенно снималось недоверие к машинному диагнозу. Достигнутая системой степень «дружественности» по отношению к пользователю была прямым следствием представления медицинских знаний в виде правил-продукций: если пользователь хотел узнать, почему ему был задан данный вопрос, система просто сообщала ему последовательность правил, приведшую к этому вопросу.

В-четвертых, и самое главное, система MYCIN действительно эффективно работала, выполняя работу, которой люди обучаются годами.

В-пятых, на основе системы MYCIN была создана первая «оболочка» экспертных систем. Так, система PROSPECTOR для разведки полезных ископаемых была построена путем замены медицинских знаний (системы правил-продукций) на геологические. То, что при этом перешло в новую экспертную систему неизменным, было названо оболочкой (от англ. shell – скорлупа, оболочка).

Приобретение знаний путем обучения машин. Итак, 80-е годы оказались периодом очередного раунда необузданного оптимизма, охватившего теперь не только замкнутую в себе область ИИ, но и людей, занятых информатикой, вычислительной техникой и обработкой данных. На этот раз магическим катализатором стали знания, потому что от обширности и качества знаний зависит успех экспертной системы. Сейчас можно констатировать, что на этот раз энтузиазм был оправданным, хотя и не вполне, т. к. на пути к массовому производству знаний для компьютера были выявлены значительные трудности. Пытаясь снять эти трудности, Дуг Ленат (Станфордский университет) использовал алгоритмы обучения Сэмюэла и Холланда, основанные на принципах естественного отбора и генетики, для создания машинной обучающейся системы EURISCO, способной автоматически улучшать и расширять свой запас эвристических правил.

Нет сомнения, что программы машинного обучения станут важнейшим этапом в развитии искусственного интеллекта в последующие десятилетия, так как до сих пор перенесение знаний и навыков специалистов в базу знаний экспертной системы остается сложной и долгой процедурой.

Созданием EURISCO завершился первый виток спирали в развитии искусственного интеллекта, поскольку машинное обучение и было той проблемой, с которой начинали кибернетики 50-х годов прошлого столетия.