В статье описываются основные этапы развития области искусственного интеллекта. Несмотря на недолгую историю своего существования, она насыщена событиями и оказала огромное влияние на культуру двадцатого века.
В статье рассматривается история развития искусственного интеллекта начиная со времён Спинозы и до наших дней. Описаны основные периоды взлета и падания интереса к данной области.
Начало искусственного интеллекта
Предпосылки для создания искусственного интеллекта были заложены классическими философами — Лейбницем, Спинозой и Декартом, основателями рационализма, которые полагали, что в мышлении существуют основные принципы, подобные аксиомам геометрии, и из них знание можно выводить чисто логически дедуктивным методом. Эти философы начали формулировать гипотезу о физической символьной системе, которая станет основой для исследований в области искусственного интеллекта.
Технологическими предпосылками к возникновению отрасли знания об искусственном интеллекте послужила первая механическая вычислительная машина — считающие часы Вильгельма Шикарда, сконструированные им в 1623 г., а также созданные впоследствии суммирующая машина Блеза Паскаля (1643 г), и арифмометр Лейбница (1671 г).
В 1832 году коллежский советник С. Н. Корсаков предложил новый принцип разработки научных методов и устройств для усиления возможностей человеческого разума и представил серию «умных машин», в конструкции которых впервые были применены перфорированные карты.
В 1928 году немецкий математик Давид Гильберт формулирует так называемую «Проблему разрешения» [1, с. 45]: найти алгоритм, который бы принимал в качестве входных данных описание любой проблемы разрешимости (формального языка и математического утверждения «S» на этом языке) — и, после конечного числа шагов, останавливался бы и выдавал один из двух ответов: «Истина» или «Ложь», — в зависимости от того, истинно или ложно утверждение «S».
1936 году Алан Тьюринг, считающийся отцом интуитивного подхода к изучению искусственного интеллекта, и Алонзо Чёрч независимо друг от друга публикуют работы, опровергающие возможность существования алгоритма решающего проблему разрешения. Это утверждение известно как «теорема Чёрча-Тьюринга».
В этой же статье «On computable numbers, with an application to the entscheidungsproblem» [2] Алан Тьюринг также впервые употребляет понятие «А-машина», сейчас известная как «Машина Тьюринга». Машина Тьюринга — это абстрактная вычислительная машина, созданная для формализации понятия алгоритма. Машина Тьюринга является расширением конечного автомата и, согласно тезису Чёрча-Тьюринга [3], способна имитировать всех исполнителей (с помощью задания правил перехода), каким-либо образом реализующих процесс пошагового вычисления, в котором каждый шаг вычисления достаточно прост.
В состав машины Тьюринга входит неограниченная в обе стороны лента (возможны машины Тьюринга, которые имеют несколько бесконечных лент), разделённая на ячейки, и управляющее устройство, способное находиться в одном из множества состояний. Число возможных состояний управляющего устройства конечно и точно задано. Управляющее устройство может перемещаться влево и вправо по ленте, читать и записывать в ячейки символы некоторого конечного алфавита. Выделяется особый пустой символ, заполняющий все клетки ленты, кроме тех из них (конечного числа), на которых записаны входные данные. Управляющее устройство работает согласно правилам перехода, которые представляют алгоритм, реализуемый данной машиной Тьюринга. Каждое правило перехода предписывает машине, в зависимости от текущего состояния и наблюдаемого в текущей клетке символа, записать в эту клетку новый символ, перейти в новое состояние и переместиться на одну клетку влево или вправо. Некоторые состояния машины Тьюринга могут быть помечены как терминальные, и переход в любое из них означает конец работы, остановку алгоритма.
То есть, всякий интуитивный алгоритм может быть реализован с помощью некоторой машины Тьюринга. Машина Тьюринга была первой попыткой автоматизировать логические и математические вычисления, которые на том момент мог выполнять только человек.
В своей следующей статье «Computing machinery and intelligence» [4] (1950) Тьюринг задаётся вопросом «А может ли машина мыслить?». Эта абстрактная формулировка заменяется на «может ли машина, путем общения с человеком посредством письма, обмануть его и заставить человека думать, что он также имеет дело с человеком?». Отсюда берет свое начало знаменитый тест Тьюринга. Принято считать, что именно в этой работе впервые освещается вопрос искусственного интеллекта. Работу критикуют, так как до сегодняшнего дня ни одна машина не прошла Тест Тьюринга.
1943 году Уорен Мак-Каллох и Уолтер Питтс публикуют статью «A Logical Calculus of the Ideas Immanent in Nervous Activity» [5], в которой нейроны упрощенно рассматриваются как устройство, оперирующее двоичными числами. Так они основали новое направление в науке об искусственном интеллекте — нейронные сети.
В 1954 году Нильсом Ааном Баричелли был основан еще один подход в области искусственного интеллекта — эволюционное моделирование. При этом подходе решение задач оптимизации и моделирования осуществляется путём случайного подбора, комбинирования и вариации искомых параметров с использованием механизмов, аналогичных естественному отбору в природе (генетический алгоритм).
Этот период становления науки о искусственном интеллекте завершает Дартмутский семинар, ставший катализатором для научных исследований в этой области, т. к. именно на нём познакомились многие учёные. На этом же семинаре было утверждено появление новой отрасли науки, окрещённой «Artificial Intelligence» — «Искусственный интеллект».
Золотой век искусственного интеллекта
1956–1976 годы считаются золотым веком искусственного интеллекта, так как на тот момент не было накоплено никакой научной базы, что делало каждое открытие особенно важным. Искусственный интеллект развивался по двум основным направлениям: математическая логика и нейронные сети.
Американский ученый Фрэнк Розенблатт в 1962 году предложил принцип обучения нейронных сетей — обучение на примерах [6]. Также он создал первый нейрокомпьютер, с помощью которого ему удалось распознать рукописный текст.
1965 году Джон Алан Робинсон сформулировал правило резолюций [7] — правило вывода, восходящее к методу доказательства теорем через поиск противоречий. Его работы были решающими в развитии языка логического программирования Пролог, который был создан в 1972 году Аленом Колмероэ и Филиппом Русселем. С помощью этого языка стало возможным описывать различные задачи на языке логики с последующим решением на ЭВМ путем перебора всех возможных вариантов.
В это же время появилось понятие нечёткого множества, которое сформулировал Лютфи Заде в своей работе «Fuzzy sets» [8] (1965). Заде расширил классическое понятие множества, допустив, что характеристическая функция множества может принимать любые значения в интервале от «0» до «1», а не только значения «0» или «1». Вместе с понятием нечёткого множества возникла нечёткая логика, которая применяется в нейронных сетях (нейро-нечёткие системы).
Первая зима искусственного интеллекта
С 1969 по 1980 годы изучение нейронных сетей приостановилось. Это связано с публикацией книги Мартина Лии Мински и Сэймура Паперта «Perceptrons: an introduction to computational geometry» [9]. В данной книге авторы подвергли нейронные сети жесткой критике. Одной из самых известных претензий является то, что в процессе исследования вычислительных способностей персептрона они пришли к выводу, что персептрон не может реализовать простейшую логическую функцию XOR (либо-либо). Что, в свою очередь, заставило усомниться в нейросетевом подходе в целом.
Период с 1975 по 1980 годы называют первой зимой искусственного интеллекта. Кризис нейронных сетей оказался лишь предвестником грядущих неудач. Причин кризиса было несколько: громко заявленный американским правительством полностью автономный военный вездеход так и не увидел свет; японский проект по созданию супер-компьютера пятого поколения, который, как обещалось, был бы способен вести с человеком полноценный разговор, был закрыт без всяких объяснений. Неудачи постигли множество проектов, связанных с автоматическими переводчиками и системами работы с текстом.
Также в это время был открыт комбинаторный взрыв. В 1972 г. Ричард Карп доказал, что при увеличении числа входных данных время решения задачи должно расти экспоненциально. Это значит, что сложные задачи со множеством входных данных на сегодняшний день решить невозможно. Открытие комбинаторного взрыва очень сильно ударило по всему комбинаторно-логическому подходу к искусственному интеллекту, на который в то время возлагали самые большие надежды.
Возвращение интереса кискусственному интеллекту
В результате развития экспертных систем в 1980–1984 годы наблюдается возвращение интереса к искусственному интеллекту. Экспертная система — это программа, использующая базу знаний для решения задач в некоторой предметной области. В 80-е экспертные системы начали внедряться в медицине, юриспруденции и других областях, и они стали первым коммерчески успешным направлением искусственного интеллекта.
Вторым фактором увеличения интереса к искусственному интеллекту стало развитие нейронных сетей. Были разработаны многослойные нейронные сети, которые, в частности, позволяли реализовать логическую функцию XOR. Благодаря Полу Уэрбосу появились средства обучения многослойных нейронных сетей [10].
Вторая зима искусственного интеллекта
Затем наступает вторая зима искусственного интеллекта (1984–1993 годы). Она была вызвана завышенными ожиданиями по отношению к экспертным системам, которые, в конце концов, заняли все возможные для их применения области и их распространение остановилось. Инвестирование этой области снизилось.
Но основной причиной начала второй зимы считается появление персональных компьютеров, ставшее причиной возникновения потребности в большом количестве программных продуктов. Возникло новое направление развития — компьютерные науки. Компьютерные науки включают большое количество различных направлений, которые ранее изучались в рамках искусственного интеллекта, таких как: теория графов, символьные вычисления, комбинаторика и прочие. В результате множество ученых из области искусственного интеллекта интеллектом перешли работать в новую область.
Новая эра
С 1993 года и по наше время длится новая эра искусственного интеллекта. Искусственный интеллект в том виде, в котором он существовал до текущего периода, прекратил свое существование. Если раньше целью ученых, работавших в этой области, было воссоздание человеческого мышления техническими методами, то сейчас цели стали менее амбициозными и более реалистичными. Сегодня термин искусственный интеллект практически не используется, существуют более конкретные термины, такие как: машинное обучение, интеллектуальные системы, конечные автоматы, эволюционные алгоритмы и многие другие. Направления, ранее входившие в область искусственного интеллекта: искусственные нейронные сети, эволюционные вычисления и системы логического вывода, теперь являются самостоятельными направлениями, больше нет той объединявшей их сверхцели — построения искусственного разума.
На сегодняшний день наибольший ажиотаж вызывает технология нейронных сетей, лежащая в основе современных беспилотных автомобилей, систем автоматического распознавания голоса и перевода, систем идентификации личности, систем прогнозирования, систем фильтрации и многих других. Оправдают ли они ожидания учёных или мы на пороге очередной зимы искусственного интеллекта покажет время.
Литература:
- С. Л. Эдельман, Математическая логика. — Москва, Высшая школа, 1975. — стр. 45
- A. M. Turing, On computable numbers, with an application to the entscheidungsproblem, 1936
- [Электронный ресурс] // https:// ru.wikipedia.org/wiki/Тезис_Чёрча_—_Тьюринга (Дата обращения: 30.11.2017)
- A. M. Turing, Computing Machinery and Intelligence, 1950
- Warren S. Mcculloch and Walter Pitts, A Logical Calculus of the Ideas Immanent in Nervous Activity, Bulletin of Mathematical Biology Vol. 52, No. l/2. стр. 99–115.
- F. Rosenblatt: Principles of Neurodynamics: Perceptrons and the Theory of Brain Mechanisms. Brain Theory 1962. P. 245–248
- John Alan Robinson, A Machine-Oriented Logic Based on the Resolution Principle, Journal of the ACM № 12, — стр.23–41
- L. A. Zadeh. Fuzzy Sets. Information and control № 8, 1965, — стр.338–353
- M. Minsky., Seymour A. Papert, Perceptrons: An Introduction to Computational Geometry, Expanded Edition
- Paul J. Werbos, Beyond regression: new tools for prediction and analysis in the behavioral sciences, 1974.
